CN109829761A - 一种商品选择方法、装置、设备和存储介质 - Google Patents
一种商品选择方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN109829761A CN109829761A CN201910101230.XA CN201910101230A CN109829761A CN 109829761 A CN109829761 A CN 109829761A CN 201910101230 A CN201910101230 A CN 201910101230A CN 109829761 A CN109829761 A CN 109829761A
- Authority
- CN
- China
- Prior art keywords
- commodity
- user
- sequence
- candidate
- target user
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000010187 selection method Methods 0.000 title claims abstract description 24
- 238000000034 method Methods 0.000 claims abstract description 22
- 230000015654 memory Effects 0.000 claims description 22
- 238000012163 sequencing technique Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 description 8
- 239000000047 product Substances 0.000 description 8
- 230000006399 behavior Effects 0.000 description 7
- 238000001914 filtration Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000005065 mining Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 1
- 239000013065 commercial product Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明实施例公开了一种商品选择方法、装置、设备和存储介质,该方法包括:采集目标用户的时序数据,其中,所述时序数据至少包括:商品和订阅时间;根据所述时序数据构建所述目标用户的商品订阅序列;根据所述目标用户的商品订阅序列和候选用户的商品订阅序列之间的相似部分,从所述候选用户中确定参考用户;根据所述相似部分从所述参考用户的商品订阅序列的商品中确定待推送给所述目标用户的商品,实现根据目标用户的时序数据进行商品推送,增加推送多样性和新颖性,更加精准挖掘出目标用户潜在而必需的个性化需求。
Description
技术领域
本发明实施例涉及互联网技术,尤其涉及一种商品选择方法、装置、设备和存储介质。
背景技术
推荐具有发现用户感兴趣内容和长尾内容的能力,在商业领域有广泛的应用,如亚马逊书籍推荐、淘宝商品推荐等。推荐的本质是精准挖掘出用户潜在而必需的个性化需求。
然而,发明人在实现本发明的过程中,发现现有技术存在如下技术缺陷:基于用户、行为和物品的相关性和相似性的推荐方法,如协同过滤算法或基于关联规则的频繁模式挖掘方法,其推荐的内容缺乏多样性和新颖性。例如,买了一件A名牌西装,紧跟着又推荐价位差不多的B名牌西装,这对用户来说,推荐的内容缺乏新颖性;但如果推荐一个熨斗,而用户正好没有,则可能会带来新颖性。
发明内容
本发明提供一种商品选择方法、装置、设备和存储介质,以实现根据目标用户的时序数据进行商品推送,增加推送多样性和新颖性,更加精准挖掘出目标用户潜在而必需的个性化需求。
第一方面,本发明实施例提供了一种商品选择方法,该方法包括:
采集目标用户的时序数据,其中,所述时序数据至少包括:商品和订阅时间;
根据所述时序数据构建所述目标用户的商品订阅序列;
根据所述目标用户的商品订阅序列和候选用户的商品订阅序列之间的相似部分,从所述候选用户中确定参考用户;
根据所述相似部分从所述参考用户的商品订阅序列的商品中确定待推送给所述目标用户的商品。
可选的,根据所述时序数据构建所述目标用户的商品订阅序列,包括:
根据所述目标用户的时序数据确定商品和订阅时间;
将所述商品按照所述订阅时间排序,得到所述目标用户的商品订阅序列。
可选的,所述相似部分为最长公共子序列;
根据所述目标用户的商品订阅序列和候选用户的商品订阅序列之间的相似部分,从所述候选用户中确定参考用户,包括:
将所述目标用户的商品订阅序列与候选用户的商品订阅序列进行比较,得到所述候选用户对应的最长公共子序列;
将最长公共子序列满足预设条件的所述候选用户,作为参考用户。
可选的,将最长公共子序列满足预设条件的所述候选用户,作为参考用户,包括:
计算所述候选用户的所述最长公共子序列的长度;
基于所述长度从所述候选用户中选择参考用户。
可选的,基于所述长度从所述候选用户中选择参考用户,包括:
计算所述最长公共子序列的长度和所述候选用户的商品订阅序列的长度之间的比例;
基于所述最长公共子序列的长度和所述比例从所述候选用户中选择参考用户。
可选的,根据所述相似部分从所述参考用户的商品订阅序列的商品中确定待推送给所述目标用户的商品,包括:
确定候选商品,所述候选商品为所述参考用户的商品订阅序列中、排序在所述最长公共子序列之后的商品;
若所述候选商品不存在于所述目标用户的商品订阅序列中,则将所述候选商品确定为待推送商品。
可选的,该方法还包括:
将待推送的商品推送给所述目标用户。
第二方面,本发明实施例提供了一种商品推送装置,该装置包括:
时序数据采集模块,用于采集目标用户的时序数据,其中,所述时序数据至少包括:商品和订阅时间;
商品序列构建模块,用于根据所述时序数据构建所述目标用户的商品订阅序列;
参考用户确定模块,用于根据所述目标用户的商品订阅序列和候选用户的商品订阅序列之间的相似部分,从所述候选用户中确定参考用户;
待推送商品确定模块,用于根据所述相似部分从所述参考用户的商品订阅序列的商品中确定待推送给所述目标用户的商品。
第三方面,本发明实施例提供了一种商品选择设备,该设备包括:存储器以及一个或多个处理器;
所述存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如第一方面中任一所述的商品选择方法。
第四方面,本发明实施例提供了一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行如第一方面中任一所述的商品选择方法。
本发明实施例通过采集目标用户的时序数据,其中,所述时序数据至少包括:商品和订阅时间;根据所述时序数据构建所述目标用户的商品订阅序列;根据所述目标用户的商品订阅序列和候选用户的商品订阅序列之间的相似部分,从所述候选用户中确定参考用户;根据所述相似部分从所述参考用户的商品订阅序列的商品中确定待推送给所述目标用户的商品,解决了因采用协同过滤算法或基于关联规则的频繁模式挖掘方法所带来的推荐的内容缺乏多样性和新颖性的问题,实现根据目标用户的时序数据进行商品推送,增加推送多样性和新颖性,更加精准挖掘出目标用户潜在而必需的个性化需求。
附图说明
图1为本发明实施例一提供的一种商品选择方法的流程图;
图2为本发明实施例二提供的一种商品选择方法的流程图;
图3为本发明实施例三提供的一种商品选择装置的结构示意图;
图4为本发明实施例四提供的一种商品选择设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一提供的一种商品选择方法的流程图。
本实施例可适用于商品个性化推送情况,具体的,适用于根据用户的数据进行商品的个性化选择,进而将选择的商品推送给用户。本实施例提供的商品选择方法可以由商品选择设备执行,该商品选择设备可以通过软件和/或硬件的方式实现,该商品选择设备可以是两个或多个物理实体构成,也可以是一个物理实体构成。该商品选择设备可以是电脑、工作站和服务器等。在实施例中,以服务器为商品选择设备为例进行描述,其中,服务器可以是单机服务器或者是集群服务器,可以是实体服务器或者是虚拟服务器。
参照图1,该商品选择方法具体的包括如下步骤:
S110、采集目标用户的时序数据。
本实施例中,目标用户指的是需要进行商品个性化推送的用户。用户的商品操作习惯或者用户对商品的操作可以由时序数据体现。根据商品的不同,时序数据记录的内容也存在差异。本实施例对商品不作限定,可以是实体产品,也可以是虚拟服务。用户对商品的操作即用户行为。本实施对目标用户对商品的操作也不作限定,可以是购买、订阅、点击和收藏等。
本实施例以该商品为课程为例进行详细说明。本实施例中,所述时序数据至少包括:商品和订阅时间。时序数据中的商品指的是目标用户订阅的课程。本实施例中,目标用户的时序数据可以表示目标用户在某个订阅时间订阅了某个课程,即体现了用户的商品操作习惯或者用户对商品的操作。表1为本发明实施例一提供的多个用户的时序数据汇总表。表1中,用户和课程均可以采用对应的识别号进行表示。根据目标用户对应的用户识别号即可从表1中获取目标用户对应的时序数据。如目标用户的用户识别号为“121664”,则可以在表1中获取两条关于时序数据的记录,分别为:在2017/6/1 0:45订阅了课程识别号为“2150316”的课程;在2018/6/1 4:35订阅了课程识别号为“2451514”的课程。
表1
用户识别号 | 课程识别号 | 订阅时间 |
123546 | 4646102 | 2017/6/1 0:01 |
565668 | 1610641 | 2017/6/1 0:54 |
121664 | 2150316 | 2017/6/1 0:45 |
121664 | 2451514 | 2018/6/1 4:35 |
649146 | 1364649 | 2017/6/1 16:34 |
161646 | 1616977 | 2019/6/1 23:01 |
566133 | 0206443 | 2017/6/1 12:29 |
需要注意的是,本实施例对目标用户的时序数据的采集方式不作限定,可以是上述的查表方式,也可以是从数据库中获取。
S120、根据所述时序数据构建所述目标用户的商品订阅序列。
本实施例中,商品订阅序列中包括用户订阅的商品。由于时序数据至少包括:商品和订阅时间,商品订阅序列可以根据时序数据进行构建。
本实施例对商品订阅序列的具体构建方式不作限定,可以是将商品订阅序列中的商品根据订阅时间进行排序形成的长字符串,以构建商品订阅序列。
S130、根据所述目标用户的商品订阅序列和候选用户的商品订阅序列之间的相似部分,从所述候选用户中确定参考用户。
一般的,通过计算个体之间的相似部分可以确定个体间差异的大小,进而评价个体的相似性和类别。本实施例中,通过根据相似部分将差异最小的候选用户确定为参考用户。
本实施例中对相似部分的计算方法不作限定,本实施例将通过举例进行详细说明。
在一实施例中,相似部分可以是最长公共子序列或者是最长公共子串。相似部分越长,差异性越小。示例性的,可以将相似部分最长对应的候选用户确定为参考用户。
其中,最长公共子序列(Longest Common Subsequence,LCS)是一个在一个序列集合中(通常为两个序列)用来查找所有序列中最长子序列的问题。最长公共子串问题是寻找两个或多个已知字符串最长的子串。最长公共子序列与最长公共子串的问题不同的地方是:子序列不需要在原序列中占用连续的位置,而子串却必须是。
示例性的,字符串"ABABC","BABCA"以及"ABCBA"的公共子串包括"A"、"AB"、"B"、"BA"、"BC"、"C"以及"ABC",其中,最长公共子串是"ABC";公共子序列包括"A"、"AB"、"B"、"BA"、"BC"、"C"、"ABC"以及"ABCA"等,其中,最长公最长共子序列是"ABCA"。
S140、根据所述相似部分从所述参考用户的商品订阅序列的商品中确定待推送给所述目标用户的商品。
本实施例中,通过确定待推送给所述目标用户的商品,实现个性化推荐的目的。进一步的,将商品订阅序列相似部分最长的候选用户确定为参考用户,可以保证参考用户的商品订阅序列中的商品越符合目标用户的需求。
本实施例中,对根据所述相似部分从所述参考用户的商品订阅序列的商品中确定待推送给所述目标用户的商品的具体实现方式不作限定。本实施例将通过举例说明。
在一实施例中,将参考用户商品订阅序列中、排序在相似部分之后的商品,确定为待推送给所述目标用户的商品。
在一实施例中,将参考用户商品订阅序列中、排序在相似部分之后的,且不存在于所述目标用户的商品订阅序列中的至少一个商品,确定为待推送给所述目标用户的商品。
本实施例将对商品选择方法的工作流程进行举例说明。采集目标用户的时序数据,并根据时序数据构建目标用户的商品订阅序列。示例性的,U2为目标用户,U1和U3为候选用户,假设用户U1、U2和U3的商品订阅序列分别为:U1[ABCDAECBMNG]、U2[NBCDLKDOPQS]和U3[AENBRSTK]。本实施例以相似部分为最长公共子串为例进行详细说明。目标用户U2与候选用户U1的最长公共子串为"BCD",目标用户U2与候选用户U3的最长公共子串为"NB"。由于"BCD"的长度为3,"NB"为2,确定候选用户U1为参考用户。将参考用户U1商品订阅序列中、排序在"BCD"之后的"AECBMNG"确定为待推送给所述目标用户的商品。进一步的,还可以根据待推送给所述目标用户的商品不存在于目标用户的商品订阅序列中进行筛选,即将"AEMG"确定为待推送给所述目标用户的商品。
需要注意的是,本实施例中,由于商品订阅序列是根据时序数据构建,商品订阅序列不仅体现了商品,还体现了用户的行为。所以通过计算目标用户商品订阅序列和候选用户的商品订阅序列之间的相似部分,可以用来发现目标用户与候选用户之间的行为相似性,进而挖掘出目标用户与候选用户之间存在的相似行为逻辑。
具体的,本实施例将通过举例进行说明目标用户与候选用户之间存在的相似行为逻辑。本实施例中,时序数据中的商品指的是目标用户订阅的课程,商品订阅序列为目标用户对应的课程学习序列,该课程学习序列体现了用户订阅课程的行为逻辑,具体反映的是用户订阅课程的时间先后顺序。如计算机科学专业的学生,每个人学习的课程一定是结合学习进度而有序开展的,根据学习进度的不同,输出不同的商品订阅序列(课程学习序列)。一般而言,若A是一名高级程序员,B是一名中级程序员。一方面,A现在所学习的课程一定是B后面要学习的;另一方面,A之前作为中级程序员的课程学习序列和B现在的课程学习序列是有相似部分的,且相似部分越长,则证明A和B之间的差异越小。所以,通过相似部分的确定,可以确定A和B之间的相似行为逻辑。进一步的,将A和B有相似部分(如本实施例中的最长公共子串)之后的课程推荐给B。对于B来说,这门课程是潜在而必需的。而且,由于B大概率还未进行该门课程的学习,这对B来说这个推荐结果具有新颖性和多样性。
本发明实施例通过采集目标用户的时序数据,其中,所述时序数据至少包括:商品和订阅时间;之后,根据所述时序数据构建所述目标用户的商品订阅序列,并根据所述目标用户的商品订阅序列和候选用户的商品订阅序列之间的相似部分,从所述候选用户中确定参考用户;之后根据所述相似部分从所述参考用户的商品订阅序列的商品中确定待推送给所述目标用户的商品,由于将商品的订阅时间、商品订阅序列的相似部分作为待推送的商品的考虑因素,解决了因采用协同过滤算法或基于关联规则的频繁模式挖掘方法所带来的推荐的内容缺乏多样性和新颖性的问题,实现根据目标用户的时序数据进行商品推送,增加推送多样性和新颖性,更加精准挖掘出目标用户潜在而必需的个性化需求。
实施例二
图2为本发明实施例二提供的一种商品选择方法的流程图,本实施例在上述实施例的基础上进一步细化,本实施例以相似部分为最长公共子序列为例进行详细说明,参照图2,该商品选择方法具体包括如下步骤S210-S280:
S210、采集目标用户的时序数据。
本实施例中,所述时序数据至少包括:商品和订阅时间。时序数据中的商品指的是目标用户订阅的课程,用户和课程均可以采用对应的识别号进行表示。本实施例中,目标用户的时序数据可以表示目标用户在某个订阅时间订阅了某个课程。
S220、根据所述目标用户的时序数据确定商品和订阅时间。
本实施例中,由于时序数据至少包括:商品和订阅时间,可以从目标用户的时序数据确定商品和商品对应的订阅时间。
S230、将所述商品按照所述订阅时间排序,得到所述目标用户的商品订阅序列。
本实施例以将商品订阅序列中的商品根据订阅时间进行排序形成的长字符串,以构建商品订阅序列为例进行详细说明。
需要注意的是,本实施例中的商品订阅序列不需要用户或者商品本身的信息,仅仅需要将目标用户的时序数据中的商品按照对应的订阅时间进行排序,以生成目标用户的商品订阅序列。一方面,该商品订阅序列不仅体现了目标用户的订阅的商品;另一方面,由于考虑到订阅时间,使得商品订阅序列体现了课程学习的先后,进而体现了用户的行为逻辑。
S240、将所述目标用户的商品订阅序列与候选用户的商品订阅序列进行比较,得到所述候选用户对应的最长公共子序列。
其中,最长公共子序列(Longest Common Subsequence,LCS)是一个在一个序列集合中(通常为两个序列)用来查找所有序列中最长子序列的问题。
本实施例对最长公共子序列的计算方式不作限定,可以采用穷举法或者动态规划法。
S250、将最长公共子序列满足预设条件的所述候选用户,作为参考用户。
本实施例对将最长公共子序列满足预设条件的所述候选用户,作为参考用户的具体实现方式不作限定,本实施例将通过举例进行详细说明。
在一实施例中,步骤S250进一步细化为步骤S251-S252:
S251、计算所述候选用户的所述最长公共子序列的长度。
本实施例中,在将各候选用户的商品订阅序列与目标用户的商品订阅序列进行比较而得到各候选用户对应的最长公共子序列,可以进一步,计算各候选用户对应的最长公共子序列的长度。
示例性的,假设U2为目标用户,U1和U3为候选用户,若用户U1、U2和U3的商品订阅序列分别为:U1[ABCDAECBMNG]、U2[NBCLKDOPQS]和U3[AENRSTKB]。目标用户U2与候选用户U1的最长公共子序列为"BCD",目标用户U2与候选用户U3的最长公共子序列为"NB"。所以候选用户U1对应的最长公共子序列的长度为3,候选用户U 3对应的最长公共子序列的长度为2。
S252、基于所述长度从所述候选用户中选择参考用户。
本实施例中,候选用户对应的最长公共子序列的长度越长,则表明候选用户与目标用户的差异性越小。在一实施例中,可以通过排序算法将最长公共子序列的长度较长的预设数量的候选用户作为参考用户。
本实施例对基于所述长度从所述候选用户中选择参考用户的具体实现方式不作限定。
在一实施例中,步骤S252进一步细化为步骤S2521-S2522:
S2521、计算所述最长公共子序列的长度和所述候选用户的商品订阅序列的长度之间的比例。
本实施例以时序数据中的商品指的是用户订阅的课程,构建的商品订阅序列为用户对应的课程学习序列为例进行说明,通过计算所述最长公共子序列的长度和所述候选用户的商品订阅序列的长度之间的比例,可以进一步确定用户的学习进度的区别。若A和B为两个程序员,其中,B是一名中级程序员。将A的商品订阅序列和B的商品订阅序列进行比较之后,可以确定出A和B之间的最长公共子序列,即A对应的最长公共子序列。可以进一步计算最长公共子序列的长度和A的商品订阅序列的长度之间的比例。可以推出的是,当A是一名高级程序员时对应的比例应当比当A是一名中级程序员时的比例低。也就是说,比例越低,候选用户相对于目标用户的学习进度越超前。
S2522、基于所述最长公共子序列的长度和所述比例从所述候选用户中选择参考用户。
本实施例中,一方面,候选用户对应的最长公共子序列的长度越长,则表明候选用户与目标用户的差异性越小。另一方面,比例越低,候选用户相对于目标用户的学习进度越超前。
在一实施例中,可以根据最长公共子序列的长度进行从大到小的排序,并选择出预设数量的排序靠前的候选用户,进一步从选择的候选用户中筛选出比例低于预设比例的候选用户,作为参考用户。
S260、确定候选商品,所述候选商品为所述参考用户的商品订阅序列中、排序在所述最长公共子序列之后的商品。
由于参考用户的商品订阅序列中的商品按照订阅时间进行排序,以该商品为课程进行说明,本实施例通过确定候选商品为参考用户的商品订阅序列中、排序在所述最长公共子序列之后的商品,保证该候选商品是符合用户的学习进度的课程,使得推送更加精准和有针对性。
S270、若所述候选商品不存在于所述目标用户的商品订阅序列中,则将所述候选商品确定为待推送商品。
本实施例中通过判断候选商品不存在于目标用户的商品订阅序列中,避免推送目标用户已订阅的课程,可以保证待推送商品的新颖性和多样性。
S280、将待推送的商品推送给所述目标用户。
本实施例中,本实施例对推送的方式不作限定,可以通过邮件或者软件客户端进行推送,其中,软件客户端还可用于提供课程的学习。
本实施例将对商品选择方法的工作流程进行举例说明。采集目标用户的时序数据,并根据时序数据构建目标用户的商品订阅序列。示例性的,U2为目标用户,U1和U3为候选用户,假设用户U1、U2和U3的商品订阅序列分别为:U1[ABCDAECBMNG]、U2[NBCLKDOPQS]和U3[AENRSTKB]。本实施例以相似部分为最长公共子序列为例进行详细说明。目标用户U2与候选用户U1的最长公共子序列为"BCD",目标用户U2与候选用户U3的最长公共子序列为"NB"。由于"BCD"的长度为3,"NB"为2,确定候选用户U1为参考用户。参考用户U1商品订阅序列中、排序在"BCD"之后的"AECBMNG"确定为待推送给所述目标用户的商品。进一步的,还可以根据待推送给所述目标用户的商品不存在与目标用户的商品订阅序列中进行筛选,即将"AEMG"确定为待推送给所述目标用户的商品,之后,将待推送的商品推送给所述目标用户。
本发明实施例通过采集目标用户的时序数据,其中,所述时序数据至少包括:商品和订阅时间;之后,根据所述目标用户的时序数据确定商品和订阅时间,并将所述商品按照所述订阅时间排序,得到所述目标用户的商品订阅序列;之后,将所述目标用户的商品订阅序列与候选用户的商品订阅序列进行比较,得到所述候选用户对应的最长公共子序列,并将最长公共子序列满足预设条件的所述候选用户,作为参考用户;之后,将所述候选商品为所述参考用户的商品订阅序列中、排序在所述最长公共子序列之后的商品确定为候选商品;若所述候选商品不存在于所述目标用户的商品订阅序列中,则将所述候选商品确定为待推送商品,将待推送的商品推送给所述目标用户,解决了因采用协同过滤算法或基于关联规则的频繁模式挖掘方法所带来的推荐的内容缺乏多样性和新颖性的问题,实现根据目标用户的时序数据进行商品推送,增加推送多样性和新颖性,更加精准挖掘出目标用户潜在而必需的个性化需求。
进一步的,通过计算所述候选用户的所述最长公共子序列的长度,并基于所述长度从所述候选用户中选择参考用户,保证参考用户与目标用户之间的差异性小,使得推送更加精准和有针对性。
进一步的,通过计算所述最长公共子序列的长度和所述目标用户的商品订阅序列之间比例,并基于所述最长公共子序列的长度和所述比例从所述候选用户中选择参考用户,可以进一步区分参考用户和目标用户的学习进度,使得推送的商品更加符合新颖性。
实施例三
图3为本发明实施例三提供的一种商品选择装置的结构示意图。
本实施例可适用于商品个性化推送情况,本实施例提供的商品选择装置可以集成于商品选择设备中,该商品选择设备可以通过软件和/或硬件的方式实现,该商品选择设备可以是两个或多个物理实体构成,也可以是一个物理实体构成。该商品选择设备可以是电脑、工作站和服务器等。在实施例中,以服务器为商品选择设备为例进行描述,其中,服务器可以是单机服务器或者是集群服务器,可以是实体服务器或者是虚拟服务器。参照图3,该商品推送装置包括:时序数据采集模块310、商品序列构建模块320、参考用户确定模块330和待推送商品确定模块340。
时序数据采集模块310,用于采集目标用户的时序数据,其中,所述时序数据至少包括:商品和订阅时间。
商品序列构建模块320,用于根据所述时序数据构建所述目标用户的商品订阅序列。
参考用户确定模块330,用于根据所述目标用户的商品订阅序列和候选用户的商品订阅序列之间的相似部分,从所述候选用户中确定参考用户。
待推送商品确定模块340,用于根据所述相似部分从所述参考用户的商品订阅序列的商品中确定待推送给所述目标用户的商品。
本发明实施例通过采集目标用户的时序数据,其中,所述时序数据至少包括:商品和订阅时间;之后,根据所述时序数据构建所述目标用户的商品订阅序列,并根据所述目标用户的商品订阅序列和候选用户的商品订阅序列之间的相似部分,从所述候选用户中确定参考用户;之后根据所述相似部分从所述参考用户的商品订阅序列的商品中确定待推送给所述目标用户的商品,解决了因采用协同过滤算法或基于关联规则的频繁模式挖掘方法所带来的推荐的内容缺乏多样性和新颖性的问题,实现根据目标用户的时序数据进行商品推送,增加推送多样性和新颖性,更加精准挖掘出目标用户潜在而必需的个性化需求。
在上述实施例的基础上,商品序列构建模块320包括:
时序数据解析子模块,用于根据所述目标用户的时序数据确定商品和订阅时间。
商品订阅序列生成子模块,用于将所述商品按照所述订阅时间排序,得到所述目标用户的商品订阅序列。
在上述实施例的基础上,所述相似部分为最长公共子序列;参考用户确定模块330包括:
最长公共子序列确定子模块,用于将所述目标用户的商品订阅序列与候选用户的商品订阅序列进行比较,得到所述候选用户对应的最长公共子序列。
参考用户确定子模块,用于将最长公共子序列满足预设条件的所述候选用户,作为参考用户。
在上述实施例的基础上,参考用户确定子模块包括:
长度计算单元,用于计算所述候选用户的所述最长公共子序列的长度。
参考用户选择单元,用于基于所述长度从所述候选用户中选择参考用户。
在上述实施例的基础上,参考用户选择单元包括:
比例计算子单元,用于计算所述最长公共子序列的长度和所述候选用户的商品订阅序列的长度之间的比例。
参考用户选择子单元,用于基于所述最长公共子序列的长度和所述比例从所述候选用户中选择参考用户。
在上述实施例的基础上,待推送商品确定模块340包括:
候选商品确定子模块,用于确定候选商品,所述候选商品为所述参考用户的商品订阅序列中、排序在所述最长公共子序列之后的商品。
待推送商品子模块,用于若所述候选商品不存在于所述目标用户的商品订阅序列中,则将所述候选商品确定为待推送商品。
在上述实施例的基础上,该商品推送装置还包括:
推送模块,用于将待推送的商品推送给所述目标用户。
上述产品可执行本发明任意实施例所提供的方法,具备执行方法相应的功能模块和有益效果。
实施例四
图4为本发明实施例四提供的一种商品选择设备的结构示意图。如图4所示,该商品选择设备包括:处理器40、存储器41、输入装置42以及输出装置43。该商品选择设备中处理器40的数量可以是一个或者多个,图4中以一个处理器40为例。该商品选择设备中存储器41的数量可以是一个或者多个,图4中以一个存储器41为例。该商品选择设备的处理器40、存储器41、输入装置42以及输出装置43可以通过总线或者其他方式连接,图4中以通过总线连接为例。本实施例中,商品选择设备可以是电脑、工作站和服务器等。在实施例中,以服务器为商品选择设备为例进行描述,其中,服务器可以是单机服务器或者是集群服务器,可以是实体服务器或者是虚拟服务器。
存储器41作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本发明任意实施例所述的商品选择方法对应的程序指令/模块(例如,商品选择装置中的时序数据采集模块310、商品序列构建模块320、参考用户确定模块330和待推送商品确定模块340)。存储器41可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储根据设备的使用所创建的数据等。此外,存储器41可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中,存储器41可进一步包括相对于处理器40远程设置的存储器,这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置42可用于接收输入的数字或者字符信息,以及产生与商品选择设备的用户设置以及功能控制有关的键信号输入,还可以是用于获取图像的摄像头以及获取音频数据的拾音设备。输出装置43可以包括扬声器等音频设备。需要说明的是,输入装置42和输出装置43的具体组成可以根据实际情况设定。
处理器40通过运行存储在存储器41中的软件程序、指令以及模块,从而执行设备的各种功能应用以及数据处理,即实现上述的商品选择方法。
实施例五
本发明实施例五还提供一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行一种商品选择方法,包括:
采集目标用户的时序数据,其中,所述时序数据至少包括:商品和订阅时间;
根据所述时序数据构建所述目标用户的商品订阅序列;
根据所述目标用户的商品订阅序列和候选用户的商品订阅序列之间的相似部分,从所述候选用户中确定参考用户;
根据所述相似部分从所述参考用户的商品订阅序列的商品中确定待推送给所述目标用户的商品。
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的商品选择方法操作,还可以执行本发明任意实施例所提供的商品选择方法中的相关操作,且具备相应的功能和有益效果。
通过以上关于实施方式的描述,所属领域的技术人员可以清楚地了解到,本发明可借助软件及必需的通用硬件来实现,当然也可以通过硬件实现,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等,包括若干指令用以使得一台计算机设备(可以是机器人,个人计算机,服务器,或者网络设备等)执行本发明任意实施例所述的商品选择方法。
值得注意的是,上述商品选择装置中,所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种商品选择方法,其特征在于,包括:
采集目标用户的时序数据,其中,所述时序数据至少包括:商品和订阅时间;
根据所述时序数据构建所述目标用户的商品订阅序列;
根据所述目标用户的商品订阅序列和候选用户的商品订阅序列之间的相似部分,从所述候选用户中确定参考用户;
根据所述相似部分从所述参考用户的商品订阅序列的商品中确定待推送给所述目标用户的商品。
2.根据权利要求1所述的方法,其特征在于,根据所述时序数据构建所述目标用户的商品订阅序列,包括:
根据所述目标用户的时序数据确定商品和订阅时间;
将所述商品按照所述订阅时间排序,得到所述目标用户的商品订阅序列。
3.根据权利要求1所述的方法,其特征在于,所述相似部分为最长公共子序列;
根据所述目标用户的商品订阅序列和候选用户的商品订阅序列之间的相似部分,从所述候选用户中确定参考用户,包括:
将所述目标用户的商品订阅序列与候选用户的商品订阅序列进行比较,得到所述候选用户对应的最长公共子序列;
将最长公共子序列满足预设条件的所述候选用户,作为参考用户。
4.根据权利要求3所述的方法,其特征在于,将最长公共子序列满足预设条件的所述候选用户,作为参考用户,包括:
计算所述候选用户的所述最长公共子序列的长度;
基于所述长度从所述候选用户中选择参考用户。
5.根据权利要求4所述的方法,其特征在于,基于所述长度从所述候选用户中选择参考用户,包括:
计算所述最长公共子序列的长度和所述候选用户的商品订阅序列的长度之间的比例;
基于所述最长公共子序列的长度和所述比例从所述候选用户中选择参考用户。
6.根据权利要求3或4或5所述的方法,其特征在于,根据所述相似部分从所述参考用户的商品订阅序列的商品中确定待推送给所述目标用户的商品,包括:
确定候选商品,所述候选商品为所述参考用户的商品订阅序列中、排序在所述最长公共子序列之后的商品;
若所述候选商品不存在于所述目标用户的商品订阅序列中,则将所述候选商品确定为待推送商品。
7.根据权利要求1所述的方法,其特征在于,还包括:
将待推送的商品推送给所述目标用户。
8.一种商品推送装置,其特征在于,包括:
时序数据采集模块,用于采集目标用户的时序数据,其中,所述时序数据至少包括:商品和订阅时间;
商品序列构建模块,用于根据所述时序数据构建所述目标用户的商品订阅序列;
参考用户确定模块,用于根据所述目标用户的商品订阅序列和候选用户的商品订阅序列之间的相似部分,从所述候选用户中确定参考用户;
待推送商品确定模块,用于根据所述相似部分从所述参考用户的商品订阅序列的商品中确定待推送给所述目标用户的商品。
9.一种商品选择设备,其特征在于,包括:存储器以及一个或多个处理器;
所述存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-7中任一所述的商品选择方法。
10.一种包含计算机可执行指令的存储介质,其特征在于,所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-7中任一所述的商品选择方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910101230.XA CN109829761A (zh) | 2019-01-31 | 2019-01-31 | 一种商品选择方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910101230.XA CN109829761A (zh) | 2019-01-31 | 2019-01-31 | 一种商品选择方法、装置、设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109829761A true CN109829761A (zh) | 2019-05-31 |
Family
ID=66863257
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910101230.XA Pending CN109829761A (zh) | 2019-01-31 | 2019-01-31 | 一种商品选择方法、装置、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109829761A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010039592A (ja) * | 2008-08-01 | 2010-02-18 | Fujifilm Corp | 商品購入/販売システムならびにそのシステムを構成する商品販売サーバおよびその動作制御方法 |
US20170091857A1 (en) * | 2014-03-19 | 2017-03-30 | Rakuten, Inc. | Information processing apparatus, information processing method, and program |
CN107563833A (zh) * | 2017-07-27 | 2018-01-09 | 广州智慧城市发展研究院 | 一种基于区块链积分服务平台的个性化推荐方法及系统 |
CN108629665A (zh) * | 2018-05-08 | 2018-10-09 | 北京邮电大学 | 一种个性化商品推荐方法和系统 |
CN109102371A (zh) * | 2018-08-22 | 2018-12-28 | 平安科技(深圳)有限公司 | 商品推荐方法、装置、计算机设备及存储介质 |
CN109166017A (zh) * | 2018-10-12 | 2019-01-08 | 平安科技(深圳)有限公司 | 基于重聚类的推送方法、装置、计算机设备及存储介质 |
-
2019
- 2019-01-31 CN CN201910101230.XA patent/CN109829761A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010039592A (ja) * | 2008-08-01 | 2010-02-18 | Fujifilm Corp | 商品購入/販売システムならびにそのシステムを構成する商品販売サーバおよびその動作制御方法 |
US20170091857A1 (en) * | 2014-03-19 | 2017-03-30 | Rakuten, Inc. | Information processing apparatus, information processing method, and program |
CN107563833A (zh) * | 2017-07-27 | 2018-01-09 | 广州智慧城市发展研究院 | 一种基于区块链积分服务平台的个性化推荐方法及系统 |
CN108629665A (zh) * | 2018-05-08 | 2018-10-09 | 北京邮电大学 | 一种个性化商品推荐方法和系统 |
CN109102371A (zh) * | 2018-08-22 | 2018-12-28 | 平安科技(深圳)有限公司 | 商品推荐方法、装置、计算机设备及存储介质 |
CN109166017A (zh) * | 2018-10-12 | 2019-01-08 | 平安科技(深圳)有限公司 | 基于重聚类的推送方法、装置、计算机设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102122373B1 (ko) | 사용자 포트레이트를 획득하는 방법 및 장치 | |
Bandari et al. | The pulse of news in social media: Forecasting popularity | |
Agarwal et al. | Statistical methods for recommender systems | |
Hasija et al. | Scheduling in flowshops to minimize total tardiness of jobs | |
Sun et al. | Contextual intent tracking for personal assistants | |
Sarangi et al. | Automation of Agriculture Support Systems using Wisekar: Case study of a crop-disease advisory service | |
CN103390019B (zh) | 信息处理设备和信息处理方法 | |
CN106023015A (zh) | 课程学习路径推荐方法及装置 | |
CN102682059A (zh) | 用于将用户分配到集群的方法和系统 | |
JP5533880B2 (ja) | コンテンツ推薦システム、推薦方法及び推薦プログラム | |
CN105989082A (zh) | 报表视图生成方法和装置 | |
CN104778237A (zh) | 一种基于关键用户的个性化推荐方法和系统 | |
CN106779791B (zh) | 一种搭配对象图片组合的生成方法及装置 | |
CN103699534B (zh) | 系统目录中数据对象的显示方法及装置 | |
US20160078130A1 (en) | Method and system for constructing database based on mutual relations between video data | |
CN111159563A (zh) | 用户兴趣点信息的确定方法、装置、设备及存储介质 | |
Šubelj et al. | Convexity in scientific collaboration networks | |
Chen | Developing a travel segmentation methodology: A criterion-based approach | |
CN108694211B (zh) | 应用分发方法及装置 | |
CN108959443A (zh) | 一种信息推送方法、信息处理方法及装置 | |
Brambilla et al. | An explorative approach for crowdsourcing tasks design | |
CN111143724B (zh) | 一种数据处理方法、装置、设备及介质 | |
CN109829761A (zh) | 一种商品选择方法、装置、设备和存储介质 | |
CN108134878A (zh) | 基于安卓系统的智能手机冗余数据清理方法 | |
Volk et al. | New e-commerce user interest patterns |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190531 |