CN109886772A - 产品推荐方法、装置、计算机设备和存储介质 - Google Patents
产品推荐方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN109886772A CN109886772A CN201910040007.9A CN201910040007A CN109886772A CN 109886772 A CN109886772 A CN 109886772A CN 201910040007 A CN201910040007 A CN 201910040007A CN 109886772 A CN109886772 A CN 109886772A
- Authority
- CN
- China
- Prior art keywords
- product
- user
- information
- browsing
- log data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000004140 cleaning Methods 0.000 claims abstract description 46
- 230000006399 behavior Effects 0.000 claims description 50
- 238000010801 machine learning Methods 0.000 claims description 43
- 238000012549 training Methods 0.000 claims description 33
- 238000004590 computer program Methods 0.000 claims description 23
- 238000005516 engineering process Methods 0.000 claims description 14
- 239000000047 product Substances 0.000 abstract 13
- 230000003542 behavioural effect Effects 0.000 abstract 2
- 239000006227 byproduct Substances 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000014759 maintenance of location Effects 0.000 description 4
- 230000035558 fertility Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及大数据技术领域,特别涉及一种产品推荐方法、装置、计算机设备和存储介质。所述方法包括:按照用户标识从数据库中获取产品浏览的日志数据;日志数据中包含有用户在浏览产品时所形成的产品浏览信息;当日志数据中的部分产品浏览信息满足预设清洗条件时,对部分浏览信息进行清洗获得目标日志数据,按照产品类型对目标日志数据中的各产品浏览信息分类获得分类结果;根据分类结果中属于各产品类型下产品浏览信息的条目确定用户的行为信息,并按照行为信息确定与用户需求相匹配的待推荐产品类型;从待推荐产品类型中按照产品满意度的排名顺序选取至少一个用于向用户推荐的目标产品。采用本方法能够避免因用户误操作而影响产品推荐的准确性。
Description
技术领域
本申请涉及大数据技术领域,特别是涉及一种产品推荐方法、装置、计算机设备和存储介质。
背景技术
随着计算机技术和互联网技术的不断发展,越来越多的用户倾向于在网上享受各种电子产品所带来的服务,例如阅读电子书、网上购物等等。由于众多服务提供商在网络上发布有海量的产品,为了向用户快速的查找到所需要的产品,因此需要向用户进行产品推荐。
传统的产品推荐方法中,大多都是向用户推荐曾经在网页上所预览的产品,然而浏览的产品可能是用户误操作所引起,从而造成所推荐的产品并不是用户所需的产品,降低了产品推荐的准确性。
发明内容
基于此,有必要针对上述技术问题,提供一种产品推荐方法、装置、计算机设备和存储介质,能够避免因用户误操作而影响产品推荐的准确性。
一种产品推荐方法,所述方法包括:
按照用户标识从数据库中获取关于产品浏览的日志数据;所述日志数据中包含有用户在浏览产品时所形成的产品浏览信息;
当所述日志数据中的部分产品浏览信息满足预设清洗条件时,通过Sprak二次排序技术,对所述部分浏览信息进行清洗获得目标日志数据,按照产品类型对所述目标日志数据中的各产品浏览信息分类获得分类结果;
根据所述分类结果中属于各产品类型下产品浏览信息的条目确定用户的行为信息,并按照所述行为信息确定与用户需求相匹配的待推荐产品类型;
从待推荐产品类型中按照产品满意度的排名顺序选取至少一个用于向用户推荐的目标产品。
在其中一个实施例中,所述日志数据中的部分产品浏览信息满足预设清洗条件,至少包括以下一种:
属于同一产品类型的产品浏览信息所对应的浏览次数小于预设浏览阈值;
属于同一产品类型的产品浏览信息所对应的浏览次数,与总浏览次数之间的比值小于预设比值;
所述日志数据中的部分产品浏览信息出现数据缺失的情况。
在其中一个实施例中,所述日志数据还包括从调查问卷获取的用户基本信息和/或用户偏爱的产品信息;所述方法还包括:
从用户基本信息中提取关于用户的偏好产品类型,根据所述偏好产品类型确定与用户需求相匹配的待推荐产品类型;或者,
从用户偏爱的产品信息中提取关于产品的产品类型,根据提取的产品类型确定与用户需求相匹配的待推荐产品类型;
执行所述从所述待推荐产品类型中按照产品满意度的排名顺序选取至少一个用于向用户推荐的目标产品的步骤。
在其中一个实施例中,所述方法还包括:
采集用户在使用所选购的产品过程中发出的反馈信息;
根据所述反馈信息确定产品的满意度,并按照所述满意度对产品进行排名;
所述从待推荐产品类型中按照产品满意度的排名顺序选取至少一个用于向用户推荐的目标产品包括:
从所述待推荐产品类型中,选取满意度排名靠前的至少一个用于向用户推荐的目标产品。
在其中一个实施例中,所述从待推荐产品类型中按照产品满意度的排名顺序选取至少一个用于向用户推荐的目标产品之后,所述方法还包括:
查找与所述目标产品对应的视频数据;
获取所述视频数据的网络链接;
将所述目标产品和所述网络链接发送至与所述用户标识对应的用户设备,以便展示所述目标产品,并在接收到播放指令时按照所述网络链接获取所述视频数据并进行播放。
在其中一个实施例中,所述方法还包括:
将所述目标日志数据输入机器学习模型,通过所述机器学习模型,对所述目标日志数据中的各产品浏览信息按照产品类型进行分类,获得分类结果;根据所述分类结果中属于各产品类型下产品浏览信息的条目确定用户的行为信息,并按照所述行为信息确定与用户需求相匹配的待推荐产品类型;从待推荐产品类型中按照产品满意度的排名顺序选取至少一个用于向用户推荐的目标产品。
在其中一个实施例中,所述方法还包括:
获取日志数据样本和对应的产品参考类型标签;
将所述日志数据样本输入机器学习模型训练,获得与用户需求相匹配的训练产品类型标签;
判断所述训练产品类型标签与所述产品参考类型标签是否相同,若不同,则计算所述训练产品类型标签与所述产品参考类型标签之间的误差;
将计算所得的误差反向传播至机器学习模型,获得所述机器学习模型各网络层的梯度;
根据所述梯度调整所述机器学习模型中各网络层的参数。
一种产品推荐装置,所述装置包括:
数据获取模块,用于按照用户标识从数据库中获取关于产品浏览的日志数据;所述日志数据中包含有用户在浏览产品时所形成的产品浏览信息;
数据清洗模块,用于当所述日志数据中的部分产品浏览信息满足预设清洗条件时,对所述部分浏览信息进行清洗获得目标日志数据;
浏览信息分类模块,用于按照产品类型对所述目标日志数据中的各产品浏览信息分类获得分类结果;
预测模块,用于根据所述分类结果中属于各产品类型下产品浏览信息的条目确定用户的行为信息,并按照所述行为信息确定与用户需求相匹配的待推荐产品类型;
产品选取模块,用于从待推荐产品类型中按照产品满意度的排名顺序选取至少一个用于向用户推荐的目标产品。
在其中一个实施例中,所述日志数据中的部分产品浏览信息满足预设清洗条件,至少包括以下任一种:
属于同一产品类型的产品浏览信息所对应的浏览次数小于预设浏览阈值;
属于同一产品类型的产品浏览信息所对应的浏览次数,与总浏览次数之间的比值小于预设比值;
所述日志数据中的部分产品浏览信息出现数据缺失的情况。
在其中一个实施例中,所述预测模块还用于:
从用户基本信息中提取关于用户的偏好产品类型,根据所述偏好产品类型确定与用户需求相匹配的待推荐产品类型;或者,从用户偏爱的产品信息中提取关于产品的产品类型,根据提取的产品类型确定与用户需求相匹配的待推荐产品类型;执行所述从所述待推荐产品类型中按照产品满意度的排名顺序选取至少一个用于向用户推荐的目标产品的步骤。
在其中一个实施例中,所述装置还包括:
信息采集模块,用于采集用户在使用所选购的产品过程中发出的反馈信息;
产品排序模块,用于根据所述反馈信息确定产品的满意度,并按照所述满意度对产品进行排名;
所述从待推荐产品类型中按照产品满意度的排名顺序选取至少一个用于向用户推荐的目标产品包括:
所述产品选取模块还用于从所述待推荐产品类型中,选取满意度排名靠前的至少一个用于向用户推荐的目标产品。
在其中一个实施例中,所述装置还包括:
视频数据查找模块,用于查找与所述目标产品对应的视频数据;
网络链接获取模块,用于获取所述视频数据的网络链接;
发送模块,用于将所述目标产品和所述网络链接发送至与所述用户标识对应的用户设备,以便展示所述目标产品,并在接收到播放指令时按照所述网络链接获取所述视频数据并进行播放。
在其中一个实施例中,所述装置还包括:
处理模块,用于将所述目标日志数据输入机器学习模型,通过所述机器学习模型,对所述目标日志数据中的各产品浏览信息按照产品类型进行分类,获得分类结果;根据所述分类结果中属于各产品类型下产品浏览信息的条目确定用户的行为信息,并按照所述行为信息确定与用户需求相匹配的待推荐产品类型;从待推荐产品类型中按照产品满意度的排名顺序选取至少一个用于向用户推荐的目标产品。
在其中一个实施例中,所述装置还包括:
所述数据获取模块还用于获取日志数据样本和对应的产品参考类型标签;
所述处理模块还用于将所述日志数据样本输入机器学习模型训练,获得与用户需求相匹配的训练产品类型标签;
参数调整模块,用于判断所述训练产品类型标签与所述产品参考类型标签是否相同,若不同,则计算所述训练产品类型标签与所述产品参考类型标签之间的误差;将计算所得的误差反向传播至机器学习模型,获得所述机器学习模型各网络层的梯度;根据所述梯度调整所述机器学习模型中各网络层的参数。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
按照用户标识从数据库中获取关于产品浏览的日志数据;所述日志数据中包含有用户在浏览产品时所形成的产品浏览信息;
当所述日志数据中的部分产品浏览信息满足预设清洗条件时,通过Sprak二次排序技术,对所述部分浏览信息进行清洗获得目标日志数据,按照产品类型对所述目标日志数据中的各产品浏览信息分类获得分类结果;
根据所述分类结果中属于各产品类型下产品浏览信息的条目确定用户的行为信息,并按照所述行为信息确定与用户需求相匹配的待推荐产品类型;
从待推荐产品类型中按照产品满意度的排名顺序选取至少一个用于向用户推荐的目标产品。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
按照用户标识从数据库中获取关于产品浏览的日志数据;所述日志数据中包含有用户在浏览产品时所形成的产品浏览信息;
当所述日志数据中的部分产品浏览信息满足预设清洗条件时,通过Sprak二次排序技术,对所述部分浏览信息进行清洗获得目标日志数据,按照产品类型对所述目标日志数据中的各产品浏览信息分类获得分类结果;
根据所述分类结果中属于各产品类型下产品浏览信息的条目确定用户的行为信息,并按照所述行为信息确定与用户需求相匹配的待推荐产品类型;
从待推荐产品类型中按照产品满意度的排名顺序选取至少一个用于向用户推荐的目标产品。
上述产品推荐方法、装置、计算机设备和存储介质,在获的日志数据之后,对满足预设清洗条件的日志数据中的产品浏览信息进行清洗,从而可以消除因用户误操作而影响产品推荐的准确性的问题。根据清洗后所得的目标日志数据预测用户的行为信息,按照用户的行为信息来预测与用户需求相匹配的待推荐产品类型以获得目标产品,可以进一步地提高产品推荐的准确性。
附图说明
图1为一个实施例中产品推荐方法的应用场景图;
图2为一个实施例中产品推荐方法的流程示意图;
图3为一个实施例中产品推荐装置的结构框图;
图4为另一个实施例中产品推荐装置的结构框图;
图5为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的产品推荐方法,可以应用于如图1所示的应用环境中。其中,终端102与服务器104通过网络进行通信。当日志数据中的部分产品浏览信息满足预设清洗条件时,服务器104对该部分浏览信息进行清洗,获得目标日志数据,按照产品类型对目标日志数据中的各产品浏览信息分类,根据分类结果中属于各产品类型下产品浏览信息的条目确定用户的行为信息,并按照行为信息确定与用户需求相匹配的待推荐产品类型,从待推荐产品类型中按照产品满意度的排名顺序选取至少一个用于向用户推荐的目标产品,然后向终端102发送该目标产品,从而实现向用户推荐所需求的产品。其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备,服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种产品推荐方法,以该方法应用于图1中的服务器为例进行说明,包括以下步骤:
S202,按照用户标识从数据库中获取关于产品浏览的日志数据;日志数据中包含有用户在浏览产品时所形成的产品浏览信息。
其中,日志数据可以包括产品数据和关于用户浏览产品的行为数据,行为数据如用户在浏览产品时所形成的产品浏览信息。此外,日志数据还可以包括从调查问卷获取的用户基本信息和/或用户偏爱的产品信息。产品可以是在网页上展示并向用户推广或销售的产品,如理财产品和保险产品等。产品浏览信息指的是用户浏览数字产品时所产生的数据,包括但不限于所浏览产品的产品信息、浏览开始时间和浏览结束时间等。产品信息包括产品所归属的产品类型、产品名称、功能用途和产品价格等。
在一个实施例中,当用户在网页上浏览产品时,记录用户进入该产品展示页面的浏览开始时间、退出该产品展示页面的浏览结束时间,以及记录该产品的产品信息,并将记录的数据保存至数据库中。当获取日志数据时,可以按照用户标识从数据库中查找对应的日志数据。
在一个实施例中,服务器根据浏览开始时间和浏览结束时间计算用户在产品展示页面的停留时间,以便服务器根据该停留时间判断用户是否因误操作而进入该产品展示页面。当停留时间小于预设停留时间时,服务器确定本次浏览为用户误操作而进入该产品展示页面。当停留时间大于或等于预设停留时间时,服务器确定本次浏览为用户正常操作(即非误操作)而进入该产品展示页面。其中,预设停留时间可以是1-10秒,也可以是其它时间数值,在本发明实施例中不做具体限定。
S204,当日志数据中的部分产品浏览信息满足预设清洗条件时,通过Sprak二次排序技术,对该部分浏览信息进行清洗获得目标日志数据。
在一个实施例中,日志数据中的部分产品浏览信息满足预设清洗条件,至少包括以下任一种:属于同一产品类型的产品浏览信息所对应的浏览次数小于预设浏览阈值;属于同一产品类型的产品浏览信息所对应的浏览次数,与总浏览次数之间的比值小于预设比值;日志数据中的部分产品浏览信息出现数据缺失的情况。需要说明的是,上述的浏览次数可以是属于同一产品类型的至少一个产品的浏览数总和。上述的总浏览次数可以是各产品类型的所有产品的浏览总数。
在一个实施例中,日志数据中的部分产品浏览信息满足预设清洗条件,还可以包括:当用户在产品展示页面的停留时间小于预设停留时间时,表示本次浏览为用户误操作,服务器可确定与该产品对应的产品浏览信息满足预设清洗条件。
作为一个示例,假设有A、B和C三种产品类型,每个产品类型对应有多个产品。当用户在网页上浏览产品时,对于A类型的产品,用户只浏览了产品a1且在该产品展示页面的停留时间短,而用户大部分时间都在浏览B类型和C类型的产品,那么,产品a1对应的产品浏览信息可以确定为用户误操作而引起的,服务器可以对该部分的产品浏览信息进行清洗。又例如,服务器在获取日志数据时,由于网络或数据库异常等原因,使得所获取的产品浏览信息出现数据缺失的情况,如缺失产品信息、或浏览开始时间、或浏览结束时间,为了避免影响产品推荐的准确性,则将出现数据缺失的产品浏览信息进行清洗。
在一个实施例中,服务器利用Sprak二次排序技术,对日志数据中满足预设清洗条件的部分产品浏览信息进行过滤,将只存在一次点击所产生的产品浏览数据进行过滤,不计入最后有效的数据,得到有效的目标日志数据。
其中,Sprak二次排序是可以对日志数据进行分类和整合的技术,其基本步骤可以是先对获取到的日志数据进行清洗,然后再对清洗后所得的目标日志数据进行分类整合。
S206,通过Sprak二次排序技术,按照产品类型对目标日志数据中的各产品浏览信息分类获得分类结果。
具体地,由于各产品浏览信息中包含有产品类型,服务器从各产品浏览信息中获取产品所属的产品类型,按照该产品类型对各产品浏览信息进行分类,并记录属于各产品类型中的产品浏览信息条数。
S208,根据分类结果中属于各产品类型下产品浏览信息的条目确定用户的行为信息,并按照行为信息确定与用户需求相匹配的待推荐产品类型。
其中,分类结果可以包括每个产品类型中的产品浏览信息以及对应的产品浏览信息条数(或条目)。用户的行为信息可以用于表示用户的行为规律,例如用户在浏览产品时,根据用户的行为信息来判断用户更偏爱哪一种产品类型的产品。
在一个实施例中,当某产品类型中的产品浏览信息条数越多,表示用户越偏爱该产品类型中的产品。服务器可以根据产品浏览信息条数来中属于各产品类型下产品浏览信息的条目确定用户的行为信息,从而可以预测出用户所需求的待推荐产品类型。
在一个实施例中,日志数据还包括从调查问卷获取的用户基本信息和/或用户偏爱的产品信息。服务器可以从用户基本信息中提取关于用户的偏好产品类型,根据所述偏好产品类型确定与用户需求相匹配的待推荐产品类型,或者从用户偏爱的产品信息中提取关于产品的产品类型,根据提取的产品类型确定与用户需求相匹配的待推荐产品类型,然后执行从待推荐产品类型中按照产品满意度的排名顺序选取至少一个用于向用户推荐的目标产品的步骤。
其中,用户基本信息包括用户常住地、用户年龄、婚姻状况以及生育状况等。
例如,服务器获取用户所提交的调查问卷,从调查问卷中获取用户基本信息和/或用户偏爱的产品信息。服务器可以根据用户基本信息中的用户年龄、婚姻状况、生育状况和常住地址等预测用户所需求的保险类型,以便后续可以从预测出来的保险类型选择相应的保险产品推荐给用户。如用户常住地为寒带地区且处于寒冷季节,用户在选购衣服时,服务器可以向用户推荐羽绒服、长靴或其它可以保暖的衣物。
在一个实施例中,为了确定调查问卷的有效性,在调查问卷中可以设置相类似的试题,以确定用户是否按照真实情况答复调查问卷。服务器获取到用户所提交的调查问卷之后,检查用户所答复试题的信息前后是否一致,将答复不一致的信息进行清洗,将清洗后的调查问卷进行保存,以避免无效的调查问卷影响产品推荐的准确性。
在一个实施例中,服务器可以根据当前的行为信息预测用户未来的行为信息。举例来说,服务器通过用户当前的行为信息归纳出用户的未来保险意向,若用户购买婚姻保险,可以向用户推荐生育险、儿童保险等。
S210,从待推荐产品类型中按照产品满意度的排名顺序选取至少一个用于向用户推荐的目标产品。
在一个实施例中,服务器采集用户在使用所选购的产品过程中发出的反馈信息;根据反馈信息确定产品的满意度,并按照满意度对产品进行排名;从待推荐产品类型中按照产品满意度的排名顺序选取至少一个用于向用户推荐的目标产品包括:从待推荐产品类型中,选取满意度排名靠前的至少一个用于向用户推荐的目标产品。
其中,满意度可以是用户在使用产品的过程中对产品的满意程度,也可以是用户给产品的印象分。
例如,服务器根据用户的反馈信息对产品满意度进行排名,若产品A1至产品An分别排列第1至第n名,若与用户需求相匹配的产品为产品A1、产品A3和产品An-1,在向用户推荐目标产品时,按照排名顺序选取产品A1和/或产品A3推荐给用户。
在一个实施例中,S210之后,该方法还可以包括:服务器查找与目标产品对应的视频数据;获取视频数据的网络链接;将目标产品和网络链接发送至与用户标识对应的用户设备,以便展示目标产品,并在接收到播放指令时按照网络链接获取视频数据并进行播放。
其中,除了视频数据,还可以是音频数据,对应的方法可以参考上述视频数据的方法。
例如,向用户推荐目标产品之前,服务器还可以查找与该目标产品对应的视频数据,并获取视频数据的网络链接,该视频数据中具有关于目标产品的介绍、该产品的使用和注意事项。服务器向用户推送目标产品以及对应视频数据的网络链接,以便在用户设备上展示目标产品,同时还可以展示对应的视频播放窗口,用户点击该播放窗口上的播放按钮可以根据该网络链接从服务器获取视频数据并进行播放。
在一个实施例中,该方法还可以包括:将目标日志数据输入机器学习模型,通过机器学习模型,对目标日志数据中的各产品浏览信息按照产品类型进行分类,获得分类结果;根据分类结果中属于各产品类型下产品浏览信息的条目确定用户的行为信息,并按照行为信息确定与用户需求相匹配的待推荐产品类型;从待推荐产品类型中按照产品满意度的排名顺序选取至少一个用于向用户推荐的目标产品。
其中,机器学习模型可以是卷积神经网络模型或深度学习神经网络模型等。
在一个实施例中,该方法还可以包括:服务器获取日志数据样本和对应的产品参考类型标签;将日志数据样本输入机器学习模型训练,获得与用户需求相匹配的训练产品类型标签;判断训练产品类型标签与产品参考类型标签是否相同,若不同,则计算训练产品类型标签与产品参考类型标签之间的误差;将计算所得的误差反向传播至机器学习模型,获得机器学习模型各网络层的梯度;根据梯度调整机器学习模型中各网络层的参数。
其中,产品参考类型标签和训练产品类型标签的表现形式可以是数字,如二进制数或十进制数。产品参考类型标签和训练产品类型标签之间的误差,可以是产品参考类型标签和训练产品类型标签之间的差值。
在一个实施例中,服务器根据损失函数,计算训练产品类型与作为参考标签的产品参考类型之间的误差。其中,损失函数可以是以下任一种:均方误差(Mean SquaredError)、交叉熵损失函数、L2Loss函数和Focal Loss函数。
上述实施例中,在获的日志数据之后,对满足预设清洗条件的日志数据中的产品浏览信息进行清洗,从而可以消除因用户误操作而影响产品推荐的准确性的问题。根据清洗后所得的目标日志数据预测用户的行为信息,按照用户的行为信息来预测与用户需求相匹配的待推荐产品类型以获得目标产品,可以进一步地提高产品推荐的准确性。
应该理解的是,虽然图2的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图3所示,提供了一种产品推荐装置,包括:数据获取模块302、数据清洗模块304、浏览信息分类模块306、预测模块308和产品选取模块310,其中:
数据获取模块302,用于按照用户标识从数据库中获取关于产品浏览的日志数据;日志数据中包含有用户在浏览产品时所形成的产品浏览信息;
数据清洗模块304,用于当日志数据中的部分产品浏览信息满足预设清洗条件时,通过Sprak二次排序技术,对部分浏览信息进行清洗获得目标日志数据;
浏览信息分类模块306,用于通过Sprak二次排序技术,按照产品类型对目标日志数据中的各产品浏览信息分类获得分类结果;
预测模块308,用于根据分类结果中属于各产品类型下产品浏览信息的条目确定用户的行为信息,并按照行为信息确定与用户需求相匹配的待推荐产品类型;
产品选取模块310,用于从待推荐产品类型中按照产品满意度的排名顺序选取至少一个用于向用户推荐的目标产品。
在其中一个实施例中,日志数据中的部分产品浏览信息满足预设清洗条件,至少包括以下任一种:属于同一产品类型的产品浏览信息所对应的浏览次数小于预设浏览阈值;属于同一产品类型的产品浏览信息所对应的浏览次数,与总浏览次数之间的比值小于预设比值;日志数据中的部分产品浏览信息出现数据缺失的情况。
在其中一个实施例中,该预测模块308还用于:从用户基本信息中提取关于用户的偏好产品类型,根据所述偏好产品类型确定与用户需求相匹配的待推荐产品类型;或者,从用户偏爱的产品信息中提取关于产品的产品类型,根据提取的产品类型确定与用户需求相匹配的待推荐产品类型;执行从待推荐产品类型中按照产品满意度的排名顺序选取至少一个用于向用户推荐的目标产品的步骤。
在其中一个实施例中,如图4所示,该装置还包括:信息采集模块312和产品排序模块314,其中:
信息采集模块312,用于采集用户在使用所选购的产品过程中发出的反馈信息;
产品排序模块314,用于根据反馈信息确定产品的满意度,并按照满意度对产品进行排名;
产品选取模块310还用于产品选取模块还用于从待推荐产品类型中,选取满意度排名靠前的至少一个用于向用户推荐的目标产品。
在其中一个实施例中,如图4所示,该装置还包括:视频数据查找模块316、网络链接获取模块318和发送模块320,其中:
视频数据查找模块316,用于查找与目标产品对应的视频数据;
网络链接获取模块318,用于获取视频数据的网络链接;
发送模块320,用于将目标产品和网络链接发送至与用户标识对应的用户设备,以便展示目标产品,并在接收到播放指令时按照网络链接获取视频数据并进行播放。
在其中一个实施例中,如图4所示,该装置还包括:处理模块322,其中:
处理模块322,用于将目标日志数据输入机器学习模型,通过机器学习模型,对目标日志数据中的各产品浏览信息按照产品类型进行分类,获得分类结果;根据分类结果中属于各产品类型下产品浏览信息的条目确定用户的行为信息,并按照行为信息确定与用户需求相匹配的待推荐产品类型;从待推荐产品类型中按照产品满意度的排名顺序选取至少一个用于向用户推荐的目标产品。
在其中一个实施例中,如图4所示,该装置还包括:参数调整模块324,其中:数据获取模块302还用于获取日志数据样本和对应的产品参考类型标签;
处理模块322还用于将日志数据样本输入机器学习模型训练,预测出与用户需求相匹配的训练产品类型标签;
参数调整模块324,用于判断训练产品类型标签与产品参考类型标签是否相同,若不同,则计算训练产品类型标签与产品参考类型标签之间的误差;将计算所得的误差反向传播至机器学习模型,获得机器学习模型各网络层的梯度;根据梯度调整机器学习模型中各网络层的参数。
上述实施例中,在获的日志数据之后,对满足预设清洗条件的日志数据中的产品浏览信息进行清洗,从而可以消除因用户误操作而影响产品推荐的准确性的问题。根据清洗后所得的目标日志数据预测用户的行为信息,按照用户的行为信息来预测与用户需求相匹配的待推荐产品类型以获得目标产品,可以进一步地提高产品推荐的准确性。
关于产品推荐装置的具体限定可以参见上文中对于产品推荐方法的限定,在此不再赘述。上述产品推荐装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图5所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储日志数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种如图4所示,方法。
本领域技术人员可以理解,图5中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,该存储器存储有计算机程序,该处理器执行计算机程序时实现以下步骤:按照用户标识从数据库中获取关于产品浏览的日志数据;日志数据中包含有用户在浏览产品时所形成的产品浏览信息;当日志数据中的部分产品浏览信息满足预设清洗条件时,通过Sprak二次排序技术,对部分浏览信息进行清洗获得目标日志数据,按照产品类型对目标日志数据中的各产品浏览信息分类获得分类结果;根据分类结果中属于各产品类型下产品浏览信息的条目确定用户的行为信息,并按照所述行为信息确定与用户需求相匹配的待推荐产品类型;从待推荐产品类型中按照产品满意度的排名顺序选取至少一个用于向用户推荐的目标产品。
在一个实施例中,日志数据中的部分产品浏览信息满足预设清洗条件,至少包括以下任一种:属于同一产品类型的产品浏览信息所对应的浏览次数小于预设浏览阈值;属于同一产品类型的产品浏览信息所对应的浏览次数,与总浏览次数之间的比值小于预设比值;日志数据中的部分产品浏览信息出现数据缺失的情况。
在一个实施例中,日志数据还包括从调查问卷获取的用户基本信息和/或用户偏爱的产品信息;处理器执行计算机程序时还实现以下步骤:从用户基本信息中提取关于用户的偏好产品类型,根据偏好产品类型确定与用户需求相匹配的待推荐产品类型;或者,从用户偏爱的产品信息中提取关于产品的产品类型,根据提取的产品类型确定与用户需求相匹配的待推荐产品类型;执行从待推荐产品类型中按照产品满意度的排名顺序选取至少一个用于向用户推荐的目标产品的步骤。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:采集用户在使用所选购的产品过程中发出的反馈信息;根据反馈信息确定产品的满意度,并按照满意度对产品进行排名;从待推荐产品类型中按照产品满意度的排名顺序选取至少一个用于向用户推荐的目标产品包括:从待推荐产品类型中,选取满意度排名靠前的至少一个用于向用户推荐的目标产品。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:查找与目标产品对应的视频数据;获取视频数据的网络链接;将目标产品和网络链接发送至与用户标识对应的用户设备,以便展示目标产品,并在接收到播放指令时按照网络链接获取视频数据并进行播放。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:将目标日志数据输入机器学习模型,通过机器学习模型,对目标日志数据中的各产品浏览信息按照产品类型进行分类,获得分类结果;根据分类结果中属于各产品类型下产品浏览信息的条目确定用户的行为信息,并按照行为信息确定与用户需求相匹配的待推荐产品类型;从待推荐产品类型中按照产品满意度的排名顺序选取至少一个用于向用户推荐的目标产品。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:获取日志数据样本和对应的产品参考类型标签;将日志数据样本输入机器学习模型训练,获得与用户需求相匹配的训练产品类型标签;判断训练产品类型标签与产品参考类型标签是否相同,若不同,则计算训练产品类型标签与产品参考类型标签之间的误差;将计算所得的误差反向传播至机器学习模型,获得机器学习模型各网络层的梯度;根据梯度调整机器学习模型中各网络层的参数。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:按照用户标识从数据库中获取关于产品浏览的日志数据;日志数据中包含有用户在浏览产品时所形成的产品浏览信息;当日志数据中的部分产品浏览信息满足预设清洗条件时,通过Sprak二次排序技术,对部分浏览信息进行清洗获得目标日志数据,按照产品类型对目标日志数据中的各产品浏览信息分类获得分类结果;根据分类结果中属于各产品类型下产品浏览信息的条目确定用户的行为信息,并按照所述行为信息确定与用户需求相匹配的待推荐产品类型;从待推荐产品类型中按照产品满意度的排名顺序选取至少一个用于向用户推荐的目标产品。
在一个实施例中,日志数据中的部分产品浏览信息满足预设清洗条件,至少包括以下任一种:属于同一产品类型的产品浏览信息所对应的浏览次数小于预设浏览阈值;属于同一产品类型的产品浏览信息所对应的浏览次数,与总浏览次数之间的比值小于预设比值;日志数据中的部分产品浏览信息出现数据缺失的情况。
在一个实施例中,日志数据还包括从调查问卷获取的用户基本信息和/或用户偏爱的产品信息;计算机程序被处理器执行时还实现以下步骤:从用户基本信息中提取关于用户的偏好产品类型,根据偏好产品类型确定与用户需求相匹配的待推荐产品类型;或者,从用户偏爱的产品信息中提取关于产品的产品类型,根据提取的产品类型确定与用户需求相匹配的待推荐产品类型;执行从待推荐产品类型中按照产品满意度的排名顺序选取至少一个用于向用户推荐的目标产品的步骤。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:采集用户在使用所选购的产品过程中发出的反馈信息;根据反馈信息确定产品的满意度,并按照满意度对产品进行排名;从待推荐产品类型中按照产品满意度的排名顺序选取至少一个用于向用户推荐的目标产品包括:从待推荐产品类型中,选取满意度排名靠前的至少一个用于向用户推荐的目标产品。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:查找与目标产品对应的视频数据;获取视频数据的网络链接;将目标产品和网络链接发送至与用户标识对应的用户设备,以便展示目标产品,并在接收到播放指令时按照网络链接获取视频数据并进行播放。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:将目标日志数据输入机器学习模型,通过机器学习模型,对目标日志数据中的各产品浏览信息按照产品类型进行分类,获得分类结果;根据分类结果中属于各产品类型下产品浏览信息的条目确定用户的行为信息,并按照行为信息确定与用户需求相匹配的待推荐产品类型;从待推荐产品类型中按照产品满意度的排名顺序选取至少一个用于向用户推荐的目标产品。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:获取日志数据样本和对应的产品参考类型标签;将日志数据样本输入机器学习模型训练,获得与用户需求相匹配的训练产品类型标签;判断训练产品类型标签与产品参考类型标签是否相同,若不同,则计算训练产品类型标签与产品参考类型标签之间的误差;将计算所得的误差反向传播至机器学习模型,获得机器学习模型各网络层的梯度;根据梯度调整机器学习模型中各网络层的参数。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种产品推荐方法,所述方法包括:
按照用户标识从数据库中获取关于产品浏览的日志数据;所述日志数据中包含有用户在浏览产品时所形成的产品浏览信息;
当所述日志数据中的部分产品浏览信息满足预设清洗条件时,通过Sprak二次排序技术,对所述部分浏览信息进行清洗获得目标日志数据,按照产品类型对所述目标日志数据中的各产品浏览信息分类获得分类结果;
根据所述分类结果中属于各产品类型下产品浏览信息的条目确定用户的行为信息,并按照所述行为信息确定与用户需求相匹配的待推荐产品类型;
从待推荐产品类型中按照产品满意度的排名顺序选取至少一个用于向用户推荐的目标产品。
2.根据权利要求1所述的方法,其特征在于,所述日志数据中的部分产品浏览信息满足预设清洗条件,至少包括以下一种:
属于同一产品类型的产品浏览信息所对应的浏览次数小于预设浏览阈值;
属于同一产品类型的产品浏览信息所对应的浏览次数,与总浏览次数之间的比值小于预设比值;
所述日志数据中的部分产品浏览信息出现数据缺失的情况。
3.根据权利要求1所述的方法,其特征在于,所述日志数据还包括从调查问卷获取的用户基本信息和/或用户偏爱的产品信息;所述方法还包括:
从用户基本信息中提取关于用户的偏好产品类型,根据所述偏好产品类型确定与用户需求相匹配的待推荐产品类型;或者,
从用户偏爱的产品信息中提取关于产品的产品类型,根据提取的产品类型确定与用户需求相匹配的待推荐产品类型;
执行所述从所述待推荐产品类型中按照产品满意度的排名顺序选取至少一个用于向用户推荐的目标产品的步骤。
4.根据权利要求1至3中任一项所述的方法,其特征在于,所述方法还包括:
采集用户在使用所选购的产品过程中发出的反馈信息;
根据所述反馈信息确定产品的满意度,并按照所述满意度对产品进行排名;
所述从待推荐产品类型中按照产品满意度的排名顺序选取至少一个用于向用户推荐的目标产品包括:
从所述待推荐产品类型中,选取满意度排名靠前的至少一个用于向用户推荐的目标产品。
5.根据权利要求1至3中任一项所述的方法,其特征在于,所述从待推荐产品类型中按照产品满意度的排名顺序选取至少一个用于向用户推荐的目标产品之后,所述方法还包括:
查找与所述目标产品对应的视频数据;
获取所述视频数据的网络链接;
将所述目标产品和所述网络链接发送至与所述用户标识对应的用户设备,以便展示所述目标产品,并在接收到播放指令时按照所述网络链接获取所述视频数据并进行播放。
6.根据权利要求1至3中任一项所述的方法,其特征在于,所述方法还包括:
将所述目标日志数据输入机器学习模型,通过所述机器学习模型,对所述目标日志数据中的各产品浏览信息按照产品类型进行分类,获得分类结果;根据所述分类结果中属于各产品类型下产品浏览信息的条目确定用户的行为信息,并按照所述行为信息确定与用户需求相匹配的待推荐产品类型;从待推荐产品类型中按照产品满意度的排名顺序选取至少一个用于向用户推荐的目标产品。
7.根据权利要求6所述的方法,其特征在于,所述方法还包括:
获取日志数据样本和对应的产品参考类型标签;
将所述日志数据样本输入机器学习模型训练,获得与用户需求相匹配的训练产品类型标签;
判断所述训练产品类型标签与所述产品参考类型标签是否相同,若不同,则计算所述训练产品类型标签与所述产品参考类型标签之间的误差;
将计算所得的误差反向传播至机器学习模型,获得所述机器学习模型各网络层的梯度;
根据所述梯度调整所述机器学习模型中各网络层的参数。
8.一种产品推荐装置,其特征在于,所述装置包括:
数据获取模块,用于按照用户标识从数据库中获取关于产品浏览的日志数据;所述日志数据中包含有用户在浏览产品时所形成的产品浏览信息;
数据清洗模块,用于当所述日志数据中的部分产品浏览信息满足预设清洗条件时,对所述部分浏览信息进行清洗获得目标日志数据;
浏览信息分类模块,用于按照产品类型对所述目标日志数据中的各产品浏览信息分类获得分类结果;
预测模块,用于根据所述分类结果中属于各产品类型下产品浏览信息的条目确定用户的行为信息,并按照所述行为信息确定与用户需求相匹配的待推荐产品类型;
产品选取模块,用于从待推荐产品类型中按照产品满意度的排名顺序选取至少一个用于向用户推荐的目标产品。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910040007.9A CN109886772A (zh) | 2019-01-16 | 2019-01-16 | 产品推荐方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910040007.9A CN109886772A (zh) | 2019-01-16 | 2019-01-16 | 产品推荐方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109886772A true CN109886772A (zh) | 2019-06-14 |
Family
ID=66926169
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910040007.9A Pending CN109886772A (zh) | 2019-01-16 | 2019-01-16 | 产品推荐方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109886772A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110443570A (zh) * | 2019-07-11 | 2019-11-12 | 安徽皖新研学教育有限公司 | 一种提供和取得研学综合服务的方法及其通信系统 |
CN110458637A (zh) * | 2019-06-19 | 2019-11-15 | 中国平安财产保险股份有限公司 | 基于神经网络的产品推送方法、及其相关设备 |
CN110941760A (zh) * | 2019-11-27 | 2020-03-31 | 深圳市看见网络科技有限公司 | 基于信息推荐的用户评估方法、系统、服务器和存储介质 |
CN111767458A (zh) * | 2019-09-11 | 2020-10-13 | 北京京东尚科信息技术有限公司 | 信息推送方法、装置、系统及存储介质 |
CN112256428A (zh) * | 2020-10-21 | 2021-01-22 | 赛尔网络有限公司 | 数据处理方法、装置、电子设备及存储介质 |
CN112634009A (zh) * | 2020-12-14 | 2021-04-09 | 中国建设银行股份有限公司 | 一种产品的推送方法、装置、存储介质及电子设备 |
CN113099260A (zh) * | 2021-04-21 | 2021-07-09 | 北京沃东天骏信息技术有限公司 | 直播处理方法、直播平台、系统、介质及电子设备 |
CN113434660A (zh) * | 2021-06-28 | 2021-09-24 | 平安银行股份有限公司 | 基于多领域分类的产品推荐方法、装置、设备及存储介质 |
CN113807926A (zh) * | 2021-09-26 | 2021-12-17 | 北京沃东天骏信息技术有限公司 | 推荐信息生成方法、装置、电子设备和计算机可读介质 |
WO2022267176A1 (zh) * | 2021-06-23 | 2022-12-29 | 未鲲(上海)科技服务有限公司 | 基于人工智能的产品推荐方法、装置、设备及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103648031A (zh) * | 2013-11-15 | 2014-03-19 | 乐视致新电子科技(天津)有限公司 | 一种智能电视的节目推荐方法及装置 |
CN105095355A (zh) * | 2015-06-19 | 2015-11-25 | 小米科技有限责任公司 | 网站推荐方法及装置 |
WO2016101777A1 (zh) * | 2014-12-26 | 2016-06-30 | 中国银联股份有限公司 | 用户兴趣数据分析和收集系统及其方法 |
CN107180088A (zh) * | 2017-05-10 | 2017-09-19 | 广西师范学院 | 基于模糊c均值聚类算法的新闻推荐方法 |
CN107578326A (zh) * | 2017-10-23 | 2018-01-12 | 青岛优米信息技术有限公司 | 一种推荐方法及系统 |
CN107592572A (zh) * | 2017-09-21 | 2018-01-16 | 广州华多网络科技有限公司 | 视频推荐方法、装置及其设备 |
CN107657506A (zh) * | 2017-09-06 | 2018-02-02 | 北京五八到家信息技术有限公司 | 一种服务商品的智能推荐方法以及推荐系统 |
CN109034935A (zh) * | 2018-06-06 | 2018-12-18 | 平安科技(深圳)有限公司 | 产品推荐方法、装置、计算机设备及存储介质 |
-
2019
- 2019-01-16 CN CN201910040007.9A patent/CN109886772A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103648031A (zh) * | 2013-11-15 | 2014-03-19 | 乐视致新电子科技(天津)有限公司 | 一种智能电视的节目推荐方法及装置 |
WO2016101777A1 (zh) * | 2014-12-26 | 2016-06-30 | 中国银联股份有限公司 | 用户兴趣数据分析和收集系统及其方法 |
CN105095355A (zh) * | 2015-06-19 | 2015-11-25 | 小米科技有限责任公司 | 网站推荐方法及装置 |
CN107180088A (zh) * | 2017-05-10 | 2017-09-19 | 广西师范学院 | 基于模糊c均值聚类算法的新闻推荐方法 |
CN107657506A (zh) * | 2017-09-06 | 2018-02-02 | 北京五八到家信息技术有限公司 | 一种服务商品的智能推荐方法以及推荐系统 |
CN107592572A (zh) * | 2017-09-21 | 2018-01-16 | 广州华多网络科技有限公司 | 视频推荐方法、装置及其设备 |
CN107578326A (zh) * | 2017-10-23 | 2018-01-12 | 青岛优米信息技术有限公司 | 一种推荐方法及系统 |
CN109034935A (zh) * | 2018-06-06 | 2018-12-18 | 平安科技(深圳)有限公司 | 产品推荐方法、装置、计算机设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
刘蓓琳;: "基于用户满意度的电子商务个性化推荐评价研究", 中国物流与采购, no. 14 * |
邵秀丽;乜聚科;田振雷;侯乐彩;: "用户个性化推荐系统的设计与实现", 计算机工程与设计, no. 20 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110458637A (zh) * | 2019-06-19 | 2019-11-15 | 中国平安财产保险股份有限公司 | 基于神经网络的产品推送方法、及其相关设备 |
CN110443570A (zh) * | 2019-07-11 | 2019-11-12 | 安徽皖新研学教育有限公司 | 一种提供和取得研学综合服务的方法及其通信系统 |
CN111767458A (zh) * | 2019-09-11 | 2020-10-13 | 北京京东尚科信息技术有限公司 | 信息推送方法、装置、系统及存储介质 |
CN110941760A (zh) * | 2019-11-27 | 2020-03-31 | 深圳市看见网络科技有限公司 | 基于信息推荐的用户评估方法、系统、服务器和存储介质 |
CN112256428A (zh) * | 2020-10-21 | 2021-01-22 | 赛尔网络有限公司 | 数据处理方法、装置、电子设备及存储介质 |
CN112256428B (zh) * | 2020-10-21 | 2024-05-28 | 赛尔网络有限公司 | 数据处理方法、装置、电子设备及存储介质 |
CN112634009A (zh) * | 2020-12-14 | 2021-04-09 | 中国建设银行股份有限公司 | 一种产品的推送方法、装置、存储介质及电子设备 |
CN112634009B (zh) * | 2020-12-14 | 2024-05-14 | 中国建设银行股份有限公司 | 一种产品的推送方法、装置、存储介质及电子设备 |
CN113099260A (zh) * | 2021-04-21 | 2021-07-09 | 北京沃东天骏信息技术有限公司 | 直播处理方法、直播平台、系统、介质及电子设备 |
WO2022267176A1 (zh) * | 2021-06-23 | 2022-12-29 | 未鲲(上海)科技服务有限公司 | 基于人工智能的产品推荐方法、装置、设备及存储介质 |
CN113434660A (zh) * | 2021-06-28 | 2021-09-24 | 平安银行股份有限公司 | 基于多领域分类的产品推荐方法、装置、设备及存储介质 |
CN113807926A (zh) * | 2021-09-26 | 2021-12-17 | 北京沃东天骏信息技术有限公司 | 推荐信息生成方法、装置、电子设备和计算机可读介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109886772A (zh) | 产品推荐方法、装置、计算机设备和存储介质 | |
WO2020048084A1 (zh) | 资源推荐方法、装置、计算机设备及计算机可读存储介质 | |
CN111199428B (zh) | 商品推荐方法、装置、存储介质及计算机设备 | |
CN109582876B (zh) | 旅游行业用户画像构造方法、装置和计算机设备 | |
CN110162701B (zh) | 内容推送方法、装置、计算机设备和存储介质 | |
CN109086394B (zh) | 搜索排序方法、装置、计算机设备和存储介质 | |
CN109241427A (zh) | 信息推送方法、装置、计算机设备和存储介质 | |
US8498992B2 (en) | Item selecting apparatus and method, and computer program | |
JP6723182B2 (ja) | 情報処理装置、情報処理方法、およびプログラム | |
CN115098803B (zh) | 一种基于移动图书馆的图书推荐方法以及系统 | |
CN109766491A (zh) | 商品搜索方法、装置、计算机设备和存储介质 | |
CN111310046B (zh) | 对象推荐方法及装置 | |
CN110008397B (zh) | 一种推荐模型训练方法及装置 | |
CN109241451B (zh) | 一种内容组合推荐方法、装置及可读存储介质 | |
CN111651670B (zh) | 基于用户行为图谱的内容检索方法、装置终端和存储介质 | |
CN109753421B (zh) | 服务系统的优化方法、装置、计算机设备和存储介质 | |
CN110674391B (zh) | 基于大数据的产品数据推送方法、系统和计算机设备 | |
CN113873330B (zh) | 视频推荐方法、装置、计算机设备和存储介质 | |
CN113032668A (zh) | 基于用户画像的产品推荐方法、装置、设备及存储介质 | |
CN111967914A (zh) | 基于用户画像的推荐方法、装置、计算机设备和存储介质 | |
CN112488781A (zh) | 搜索推荐方法、装置、电子设备及可读存储介质 | |
CN115311042A (zh) | 商品推荐方法、装置、计算机设备和存储介质 | |
CN112102002A (zh) | 基于知识图谱的商品推荐方法、装置、计算机和存储介质 | |
CN111461827B (zh) | 产品评价信息的推送方法和装置 | |
CN114820123A (zh) | 团购商品推荐方法、装置、设备及存储介质 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190614 |