CN110020195A - 文章推荐方法及装置、存储介质、电子设备 - Google Patents
文章推荐方法及装置、存储介质、电子设备 Download PDFInfo
- Publication number
- CN110020195A CN110020195A CN201810936067.4A CN201810936067A CN110020195A CN 110020195 A CN110020195 A CN 110020195A CN 201810936067 A CN201810936067 A CN 201810936067A CN 110020195 A CN110020195 A CN 110020195A
- Authority
- CN
- China
- Prior art keywords
- article
- recommended
- commodity
- target
- dimensional vector
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 61
- 239000013598 vector Substances 0.000 claims abstract description 104
- 238000005516 engineering process Methods 0.000 claims abstract description 8
- 230000008451 emotion Effects 0.000 claims description 115
- 238000004458 analytical method Methods 0.000 claims description 57
- 238000004422 calculation algorithm Methods 0.000 claims description 43
- 238000012360 testing method Methods 0.000 claims description 43
- 238000010801 machine learning Methods 0.000 claims description 38
- 238000004364 calculation method Methods 0.000 claims description 14
- 230000009466 transformation Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 4
- 239000000463 material Substances 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 abstract description 17
- 230000008569 process Effects 0.000 description 17
- 238000012545 processing Methods 0.000 description 12
- 238000011156 evaluation Methods 0.000 description 10
- 239000000047 product Substances 0.000 description 9
- 239000013065 commercial product Substances 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 230000005291 magnetic effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 210000005252 bulbus oculi Anatomy 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000013077 scoring method Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 210000000352 storage cell Anatomy 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
Abstract
本公开涉及计算机技术领域，尤其涉及一种基于商品相关的文章推荐方法及装置、存储介质、电子设备。该方法包括：获取多个待推荐文章，并将各所述待推荐文章分别转化为第一N维向量；获取待推荐商品的标题，并将所述待推荐商品的标题转化为第二N维向量；根据所述第二N维向量和各所述第一N维向量计算所述待推荐商品与各所述待推荐文章的相关度评分；根据所述待推荐商品与各所述待推荐文章的相关度评分并结合一预设相关度评分在所述多个待推荐文章中确定目标推荐文章，并对所述目标推荐文章进行推荐。本公开大大的降低了人力成本，提高了产品的转化率。
Description
技术领域
本公开涉及计算机技术领域，尤其涉及一种基于商品相关的文章推荐方法及装置、存储介质、电子设备。
背景技术
随着电子商务的不断发展，网络购物的不断发展，出现了越来越多的电商平台，例如，综合类电商平台、外卖类电商平台、团购类电商平台以及家电类电商平台等，使消费者足不出户也可满足消费需求的同时，也丰富了消费者的生活。如何提高商品的转化率，即如何提高消费者的购买率已经成为各大电商平台的研究可以之一。
目前，各大电商平台通常采用以下两种方式提高产品的转化率。方式一，由于消费者通常通过浏览商品的商品详情页了解商品，并决定是否购买，因此，各大电商平台需要通过美工人员和文案人员设计出精美的产品介绍也面来吸引消费者的眼球进而提高商品的转化率。方式二，通过在平台内发布一些商品的推荐文章以提高商品的转化率。
显然，在上述方式一中，需要投入大量的人力资源，人力成本高，且由于每个人在经验上的差异导致难以保证商品介绍的质量，从而影响转化率的提高，在上述方式二中，由于是在平台内发布的商品的推荐文章，公信力不足，从而进一步的影响转化率的提高。
需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的目的在于提供一种基于商品相关的文章推荐方法及装置、存储介质、电子设备，进而至少在一定程度上克服由于商品介绍的质量难以保证、平台内发布的商品的推荐文章公信力不足从而影响商品转化率的提高的问题，同时也解决人力成本高的问题。
根据本公开的一个方面，提供一种基于商品相关的文章推荐方法，包括：
获取多个待推荐文章，并将各所述待推荐文章分别转化为第一N维向量；
获取待推荐商品的标题，并将所述待推荐商品的标题转化为第二N维向量；
根据所述第二N维向量和各所述第一N维向量计算所述待推荐商品与各所述待推荐文章的相关度评分；
根据所述待推荐商品与各所述待推荐文章的相关度评分并结合一预设相关度评分在所述多个待推荐文章中确定目标推荐文章，并对所述目标推荐文章进行推荐。
根据本公开的一个方面，提供一种基于商品相关的文章推荐装置，包括：
第一获取转化模型，用于获取多个待推荐文章，并将各所述待推荐文章分别转化为第一N维向量；
第二获取转化模型，用于获取待推荐商品的标题，并将所述待推荐商品的标题转化为第二N维向量；
相关度评分计算模块，用于根据所述第二N维向量和各所述第一N维向量计算所述待推荐商品与各所述待推荐文章的相关度评分；
确定推荐模块，用于根据所述待推荐商品与各所述待推荐文章的相关度评分并结合一预设相关度评分在所述多个待推荐文章中确定目标推荐文章，并对所述目标推荐文章进行推荐。
根据本公开的一个方面，提供一种基于商品相关的文章推荐系统，包括：
爬虫系统，用于采用网络爬虫的技术从推荐网站中获取多个待推荐文章；
文章感情分析系统，用于计算各所述待推荐文章的感情评分；
商品文章相关度评分计算系统，用于计算待推荐产品与各所述待推荐文章的相关度评分；
决策分析系统，用于根据所述待推荐商品与各所述待推荐文章的相关度评分并结合各所述待推荐文正的感情评分在多个所述待推荐文章中确定目标推荐文章；
商品展示系统，用于在所述待推荐商品的详情页中展示所述目标推荐文章。
根据本公开的一个方面，提供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上述任意一项所述的基于商品相关的文章推荐方法。
根据本公开的一个方面，提供一种电子设备，包括：
处理器；以及
存储器，用于存储所述处理器的可执行指令；
其中，所述处理器配置为经由执行所述可执行指令来执行上述中任意一项所述的基于商品相关的文章推荐方法。
本公开一种示例实施例提供的基于商品相关的文章推荐方法及装置、存储介质、电子设备。通过获取多个待推荐文章和待推荐商品的标题，并将各所述待推荐文章转化为第一N维向量，将待推荐商品的标题转化为第二N维向量，根据第二N维向量和各第一N维向量计算待推荐商品与各待推荐文章的相关度评分，以及根据待推荐商品与各待推荐文章的相关度评分并结合一预设相关度评分在多个待推荐文章中确定目标推荐文章，并对目标推荐文章进行推荐。一方面，通过获取多个待推荐文章，并通过计算各待推荐文章和待推荐商品的相关度评分，以根据相关度评分在待推荐文章中确定目标推荐文章，相比于现有技术，无需通过大量的文案人员和美工人员制作精美的商品介绍页面，大大的降低了人力资源的投入，进而大大的降低了人力成本；另一方面，由于未采用在平台内发布商品的推荐文章，而是通过获取多个待推荐文章，并根据各待推荐文章与待推荐商品的相关度评分确定目标推荐文章，提高了推荐文章的公信力，使得消费者可以仅根据目标推荐文章即可对待推荐商品进行全面的了解，提高了购物体验，同时也提高了待推荐商品的转化率；又一方面，由于根据待推荐商品与各待推荐文章的相关度评分确定目标推荐文章，即可以在待推荐文章中过滤掉与待推荐商品的相关度不够高的待推荐文章，换言之可过滤掉一些质量不够高的待推荐文章，避免出现由于每个人在经验上的差异导致的商品介绍质量难以保证的问题，从而提高了产品的转化率。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
通过参照附图来详细描述其示例性实施例，本公开的上述和其它特征及优点将变得更加明显。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：
图1为本公开一种基于商品相关的文章推荐方法的流程图；
图2为本公开一示例性实施例中提供的将各待推荐文章分别转化为第一N维向量的流程图；
图3为本公开一示例性实施例中提供的分别计算各待推荐文章的各特征词的词频逆文档频率；
图4为本公开一示例性实施例中提供的获取正样本集合和负样本集合的流程图；
图5为本公开一种基于商品相关的文章推荐装置的框图；
图6为本公开一种基于商品相关的文章推荐系统的框图；
图7为本公开示一示例性实施例中的电子设备的模块示意图；
图8为本公开示一示例性实施例中的程序商品示意图。
具体实施方式
现在将参考附图更全面地描述示例实施例。然而，示例实施例能够以多种形式实施，且不应被理解为限于在此阐述的实施例；相反，提供这些实施例使得本公开将全面和完整，并将示例实施例的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。
此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本公开的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而没有所述特定细节中的一个或更多，或者可以采用其它的方法、组元、材料、装置、步骤等。在其它情况下，不详细示出或描述公知结构、方法、装置、实现、材料或者操作以避免模糊本公开的各方面。
附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个软件硬化的模块中实现这些功能实体或功能实体的一部分，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
本示例性实施例中首先公开了一种基于商品相关的文章推荐方法，参照图1所示，所述一种基于商品相关的文章推荐方法可以包括以下步骤：
步骤S110、获取多个待推荐文章，并将各所述待推荐文章分别转化为第一N维向量；
步骤S120、获取待推荐商品的标题，并将所述待推荐商品的标题转化为第二N维向量；
步骤S130、根据所述第二N维向量和各所述第一N维向量计算所述待推荐商品与各所述待推荐文章的相关度评分；
步骤S140、根据所述待推荐商品与各所述待推荐文章的相关度评分并结合一预设相关度评分在所述多个待推荐文章中确定目标推荐文章，并对所述目标推荐文章进行推荐。
根据本示例性实施例中的基于商品相关的文章推荐方法，一方面，通过获取多个待推荐文章，并通过计算各待推荐文章和待推荐商品的相关度评分，以根据相关度评分在待推荐文章中确定目标推荐文章，相比于现有技术，无需通过大量的文案人员和美工人员制作精美的商品介绍页面，大大的降低了人力资源的投入，进而大大的降低了人力成本；另一方面，由于未采用在平台内发布商品的推荐文章，而是通过获取多个待推荐文章，并根据各待推荐文章与待推荐商品的相关度评分确定目标推荐文章，提高了推荐文章的公信力，使得消费者可以仅根据目标推荐文章即可对待推荐商品进行全面的了解，提高了购物体验，同时也提高了待推荐商品的转化率；又一方面，由于根据待推荐商品与各待推荐文章的相关度评分确定目标推荐文章，即可以在待推荐文章中过滤掉与待推荐商品的相关度不够高的待推荐文章，换言之可过滤掉一些质量不够高的待推荐文章，避免出现由于每个人在经验上的差异导致的商品介绍质量难以保证的问题，从而提高了产品的转化率。
下面，将参照图1，对本示例性实施例中的基于商品相关的文章推荐方法作进一步说明。
在步骤S110中，获取多个待推荐文章，并将各所述待推荐文章分别转化为第一N维向量。
在本示例性实施例中，可以通过网络爬虫的技术自动在网络中的各大网站中获取多个待推荐文章。所述待推荐文章可以包括商品的推荐文章和商品的评测文章等。所述各大网站可以包括各大权威的评测网站和推荐网站等。为了保证获取到的待推荐文章的质量，在选择各大网站时，可以选择一些文章质量和公信力较高的网站。
如图2所示，所述将各所述待推荐文章分别转化为第一N维向量可以包括以下步骤S210～S240，其中：
在步骤S210中，分别对各所述待推荐文章进行分词，并过滤掉停用词和低频词，以得到各所述待推荐文章的多个特征词。
在本示例性实施例中，可以首选通过分词器对各待推荐文章进行分词，以得到各待推荐文章的多个词；然后，分别在各待推荐文章的多个词中通过一一匹配的方式过滤掉停用词和低频词，并将各待推荐文章的剩余的词确定为特征词。所述停用词指在所有的文章中出现很多次的常用词，例如“的”、“了”、“是”等。低频词指在文章中出现频率很低的词。需要说明的是，所述分词器的分词模式可以包括：精确分词模式、全分词模式以及搜索引擎分词模式。在通过分词器对各待推荐文章进行分词时，可以根据具体的分词要求选择分词模式。
需要说明的是，各待推荐文章的特征词的数量可以相同，也可以不相同，本示例性实施例对此不作特殊限定。例如，一待推荐文章的特征词的数量为10个，另一待推荐文章的特征词的数量可以为20个。
在步骤S220中，分别计算各所述待推荐文章的各特征词的词频逆文档频率。
在本示例性实施例中，如图3所示，所述分别计算各所述待推荐文章的各特征词的词频逆文档频率可以包括步骤S310～步骤S330。其中：
在步骤S310中，分别计算各所述待推荐文章的各特征词的词频。
在本示例性实施例中，可以根据词频计算公式计算各所述待推荐文章的各特征词的词频，其中，所述词频计算公式可以包括以下三种：
第一种词频计算公式为：
TF(i,k)＝Qi,k
其中，TF(i,k)为第i个所述待推荐文章中的第k个特征词的词频，Qi,k为第i个所述待推荐文章中的第k个特征词在第i个所述待推荐文章中出现的次数。
第二种词频计算公式为：
其中，TF(i,k)为第i个所述待推荐文章中的第k个特征词的词频，Qi,k为第i个所述待推荐文章中的第k个特征词在第i个所述待推荐文章中出现的次数，Qi为第i个所述待推荐文章中的特征词的总数量。
第三种词频计算公式为：
其中，TF(i,k)为第i个所述待推荐文章中的第k个特征词的词频，Qi,k为第i个所述待推荐文章中的第k个特征词在第i个所述待推荐文章中出现的次数，Ti为第i个所述待推荐文章中出现次数最多的特征词的出现次数。
在步骤S320中，基于一语料库计算各所述待推荐文章的各特征词的逆文档频率。
在本示例性实施例中，可以基于所述语料库并结合一逆文档频率计算公式计算各所述待推荐文章中的各特证词的逆文档频率，其中语料库中包括大量的文章。所述逆文档频率计算公式可以为：
其中，IDF(i,k)为第i个所述待推荐文章中的第k个特征词的逆文档频率，Y为所述语料库中的文章的总数量，Xi,k为所述语料库中包括第i个所述待推荐文章中的第k个特征词的文章的数量。
在步骤S330中，根据各所述待推荐文章的各特征词的所述词频和所述逆文档频率计算各所述待推荐文章的各特征词的词频逆文档频率。
在本示例性实施例中，在得到各待推荐文章的各特征词的词频和逆文档频率后，可以通过下述公式计算各待推荐文章中的各特征词的词频逆文档频率，所述公式为：
TF-IDF(i,k)＝TF(i,k)*IDF(i,k)
其中，TF-IDF(i,k)为第i个待推荐文章中的第k个特征词的词频逆，TF(i,k)为第i个待推荐文章中的第k个特征词的词频，IDF(i,k)为第i个待推荐文章中的第k个特征词的逆文档频率。
在步骤S230中，将各所述待推荐文章的每个特征词作为一个维度，并将各待推荐文章的各特征词的词频逆文档频率作为对应的维度的维度值。
在本示例性实施例中，各待推荐文章中的每一个特征词都为一个维度，各待推荐文章中的各特征词的词频逆文档频率为各特征词的维度的维度值，即维度的名称为其对应的特征词的名称，维度的维度值为其对应的特征词的词频逆文档频率。例如，一篇待推荐文章中包括5个特征词，分别为：手机、内存、处理器、颜色、像素，其中，手机的词频逆文档频率为20，内存的词频逆文档频率为15，处理器的词频逆文档频率为18，颜色的词频逆文档频率为10，像素的的词频逆文档频率为12；将上述5个特征词分别作为一个维度，即特征词“手机”为一个维度，特征词“内存”为一个维度，特征词“处理器”为一个维度，特征词“颜色”为一个维度，特征词“像素”为一个维度，其中，将上述特征词的词频逆文档频率作为对应的维度的维度值，即特征词“手机”的维度的维度值为20，特征词“内存”的维度的维度值为15，特征词“处理器”的维度的维度值为18，特征词“颜色”的维度的维度值为10，特征词“像素”的维度的维度值为12，通过上述方式可得上述待推荐文章的多个维度和各维度的维度值。
在步骤S240中，分别根据各所述待推荐文章的多个维度以及各维度的维度值并结合一N维的维度模型构建各所述待推荐文章的所述第一N维向量。
在本示例性实施例中，所述N维的维度模型可以包括多个维度，一个维度为一个特征词。所述N维的维度模型的构建过程可以包括：首先，可以通过爬虫技术在各大网站中获取大量的商品推荐文章和商品评测文章；然后，对各商品推荐文章和各商品评测文章进行分词，并过滤掉停用词和低频次，以得到各商品推荐文章和各商品评测文章的特征词，将所有商品推荐文章的特征词和各商品评测文章的特征词进行合并，并进行去重操作，以得到包括多个特征词的特征词集合；最后，将特征词集合中的每一个特征词均作为一个维度，以得到各多个维度，进而根据多个维度构建N维的维度模型。需要说明的是，其中N的数值与特征词集合中的特征词的数量相同。为了在不降低N维的维度模型的精度的基础上，减少N维的维度模型中的维度的数量即降低N的数值，在得到各商品推荐文章和各商品评测文章的特征词后，计算各商品推荐文章和各商品推荐文章中的各特征词的词频逆文档频率，并在各商品推荐文章和各商品评测文章中去掉词频逆文档频率较小的特征词，以及将各商品推荐文章和各商品测评文章中剩余的特征词进行合并，并进行去重操作，以得到包括多个特征词的特征词集合，最后，将特征词集合中的各特征词作为一个维度，以得到多个维度，进而根据多个维度构建N维的维度模型。
根据一待推荐文章的多个维度以及各维度的维度值并结合一N维的维度模型构建该待推荐文章的第一N维向量包括：将待推荐文章的各维度的名称与N维的维度模型中的各维度的名称进行一一匹配，并将待推荐文章中的各维度的维度值确定为N维的维度模型中与待推荐文章中的各维度的名称匹配的维度的维度值，并将N维的维度模型中与待推荐文章中的各维度的名称均不匹配的维度的维度值确定为0，以得到该待推荐文章的第一N维向量。通过上述方式，可以依次构建各待推荐文章的第一N维向量。
下面，举例对构建待推荐文章的第一N维向量进行说明。在待推荐文章的多个维度分别为：特征词“手机”的维度，特征词“内存”的维度，特征词“处理器”的维度，特征词“颜色”的维度，特征词“像素”的维度，且特征词“手机”的维度的维度值为20，特征词“内存”的维度的维度值为15，特征词“处理器”的维度的维度值为18，特征词“颜色”的维度的维度值为10，特征词“像素”的维度的维度值为12，以及N维的维度模型为：像素、手机、内存、处理器、颜色、屏幕、内核。基于上述待推荐文章的各维度以及各维度的维度值以及N维的维度模型并结合上述方法，可得该待推荐文章的第一N维向量为＝(像素、手机、内存、处理器、颜色、屏幕、内核)＝(12、20、15、18、10、0、0)，需要说明的是，上述例子中的N维的维度模型为一个7维的维度模型。
在步骤S120中，获取待推荐商品的标题，并将所述待推荐商品的标题转化为第二N维向量。
在本示例性实施例中，可以通过一获取模块获取待推荐商品的标题。所述待推荐商品可以为服装类商品、电子类商品、食品类商品、药品类商品，本示例性实施例对此不作特殊限定。
由于将待推荐商品的标题转化为第二N维向量的原理与将待推荐文章转化为第一N维向量的原理相同，因此此处对将待推荐商品的标题转化为第二N维向量的过程不再进行赘述。
在步骤S130中，根据所述第二N维向量和各所述第一N维向量计算所述待推荐商品与各所述待推荐文章的相关度评分。
在本示例性实施例中，可以根据所述第二N维向量和各所述第一N维向量并结合相关度计算公式计算所述待推荐商品与各所述待推荐文章的相关度评分，其中，所述相关度计算公式可以为：
其中，similarity(i)为所述待推荐商品与第i个所述待推荐文章的相关度评分，Ai,j为第i个所述待推荐文章的第一N维向量中的第j个维度的维度值，Bj为所述待推荐商品的标题的第二N维向量中的第j个维度的维度值。
通过上述公式可以分别计算出各待推荐文章与待推荐商品的相关度评分，且待推荐文章与待推荐商品的相关度评分越高，说明该待推荐文章与该待推荐商品的相关度越高，待推荐文章与待推荐商品的相关度评分越低，说明该待推荐文章与该待推荐商品的相关度越低。
在步骤S140中，根据所述待推荐商品与各所述待推荐文章的相关度评分并结合一预设相关度评分在所述多个待推荐文章中确定目标推荐文章，并对所述目标推荐文章进行推荐。
在本示例性实施例中，可以将待推荐商品与各待推荐文章的相关度评分与预设相关度评分进行一一比较，将相关度评分大于预设相关度评分的待推荐商品与待推荐文章中的待推荐文章确定为目标推荐文章，即将多个待推荐文章中的与待推荐商品的相关度评分大于预设相关度评分的待推荐文章确定为目标推荐文章。所述目标推荐文章的数量可以为1个，也可以为多个，本示例性实施例对此不作特殊限定。所述预设相关度评分的数值可以由开发人员进行设置，也可以通过测试得到，本示例性实施例对此不作特殊限定。
所述对所述目标推荐文章进行推荐可以包括以下两种方式，其中：
第一种，可以按照各目标推荐文章与待推荐商品的相关度评分由高到底的顺序对各目标推荐文章进行排序，并按照排序结果对各目标推荐文章进行排序，即可以在商品详情页面，按照各目标推荐文章的排序结果对各目标推荐文章进行推荐。
第二种，根据各所述目标推荐文章的所述第一N维向量并结合一由机器学习算法构建的目标感情分析模型计算各所述目标推荐文章的感情评分；根据各所述目标推荐文章的感情评分对各所述目标推荐文章进行推荐。在本示例性实施例中，可以将各目标推荐文章的第一N维向量中的各维度的名称和各维度的维度值分别输入至感情分析模型中，以使感情分析模型分别输出各目标推荐文章的感情评分，然后按照感情评分由高到低的顺序对各目标推荐文章进行排序，并按照排序结果在待推荐商品的商品详情页中展示各目标推荐文章。
为了提高各目标推荐文章的推荐准确率，所述根据各所述目标推荐文章的感情评分对各所述目标推荐文章进行推荐可以包括：获取各所述目标推荐文章的曝光度参数；根据各所述目标推荐文章的感情评分并结合各所述目标推荐文章的曝光度参数计算各所述目标推荐文章的推荐指数；根据各所述目标推荐文章的推荐指数对各所述目标推荐文章进行推荐。
在本示例性实施例中，所述曝光度参数可以包括点赞数量、评论数量、阅读数量等中的一个或者多个。计算各目标推荐文章的推荐指数的方式可以为：对各目标推荐文章的感情评分与其曝光度参数进行求和以得到各目标推荐文章的推荐指数，或者对各目标推荐文章的感情评分与其曝光度参数进行加权求和以得到各目标推荐文章的推荐指数等，本示例性实施例对此不作特殊限定。
所述根据各目标推荐文章的推荐指数对各目标推荐文章进行推荐的方式可以为：按照推荐指数由高到低的顺序在待推荐商品的商品详情页中对各目标推荐文章进行展示。
下面，对根据机器学习算法构建所述目标感情分析模型的过程进行说明。如图3所示，所述根据所述机器学习算法构建所述目标感情分析模型可以包括以下步骤：
步骤S310，获取正样本集合和负样本集合。
在本示例性实施例中，如图4所示，所述获取正样本集合和负样本集合可以包括：
步骤S410，获取多个正向推荐文章，并将各所述正向推荐文章转化为第三N维向量。所述正向推荐文章指对商品有正面积极的评价的推荐文章。由于将各正向推荐文章转化为第三N维向量的原理与将各待推荐文章转化为第一N维向量的原理相同，因此此处不再对将各正向推荐文章转化为第三N维向量的过程进行说明。
步骤S420，获取多个负向推荐文章，并将各所述负向推荐文章转化为第四N维向量。所述负向推荐文章指对商品有负面消极评价的推荐文章。由于将各负向推荐文章转化为第四N维向量的原理与将各待推荐文章转化为第一N维向量的原理相同，因此此处不再对将各负向推荐文章转化为第四N维向量的过程进行说明。
步骤S430，分别对各所述正向推荐文章和各所述负向推荐文章进行感情打分，以得到各所述正向推荐文章和各所述负向推荐文章的感情评分。所述感情评分的取值范围可以由开发人员自行设置，例如，感情评分的取值范围可以从0到100分，也可以从1到-1分，本示例性实施例对此不作特殊限定。下面，以感情评分的取值范围从1到-1分为例对各正向推荐文章和负向推荐文章进行感情打分的过程进行说明。根据各正向推荐文章和各负向推荐文章对商品的说明的正面积极的程度在1到-1之间对各正向推荐文章和各负向推荐文章进行感情打分，即正向推荐文章对商品的说明越正面积极其感情评分越接近1，负向推荐文章对商品的说明越负面消极其感情评分越接近-1。
步骤S440，根据各所述第三N维向量和各所述正向推荐文章的感情评分构建所述正样本集合。分别将每一个正向推荐文章的第三N维向量和其感情评分作为一个正样本，并将所有正样本进行集合即可构建正样本集合。
步骤S450，根据各所述第四N维向量和各所述负向推荐文章的感情评分构建所述负样本集合。分别将每一个负向推荐文章的第四N维向量和其感情评分作为一个负样本，并将所有负样本进行集合即可构建负样本集合。
步骤S320，获取多个所述机器学习算法，并根据所述正样本集合和负样本集合分别对各所述机器学习算法进行训练，得到与各所述机器学习算法对应的候选感情分析模型。
在本示例性实施例中，所述机器学习算法的数量可以由开发商进行设置，例如可以为3个、4个等。所述机器学习算法可以包括决策树算法、人工神经网络算法、朴素贝叶斯算法等。
所述根据正样本集合和负样本集合对一机器学习算法进行训练得到该机器学习算法对应的候选感情分析模型的过程可以包括：分别将正样本集合中的各正样本和负样本集合中的各负样本输入至机器学习算法中，以对机器学习算法进行训练，以得到各机器学习算法中的各连接的权重值，并将各连接的权重值代入机器学习算法中的对应的连接中以得到与该机器学习算法对应的候选感情分析模型。将一个正样本输入至机器学习算法指将该正样本中的正向推荐文章的N维向量中的各维度的名称和各维度的维度值作为机器学习算法的输入，将该正样本中的正向推荐文章的感情评分作为机器学习算法的输出；将一个负样本输入至机器学习算法指将该负样本中的负向推荐文章的N维向量中的各维度的名称和各维度的维度值作为机器学习算法的输入，将该负样本中的负向推荐文章的感情评分作为机器学习算法的输出。
需要说明的是，由于根据正样本集合和负样本集合对其他机器学习算法进行训练以得到与其他机器学习算法对应的候选感情分析模型的过程与上述过程相同，因此此处不再赘述。
步骤S330，获取测试样本集合，并根据测试样本集合分别计算各所述候选感情分析模型的精准度得分。
在本示例性实施例中，所述获取测试样本集合可以包括：获取多个正向推荐文章和多个负向推荐文章；分别将各所述正向推荐文章和各所述负向推荐文章转化为第五N维向量；根据各所述第五N维向量构建所述测试样本集合。由于获取所述正向推荐文章和负向推荐文章，以及将各正向推荐文章和各负向推荐文章转化为第五N维向量的过程已经在上文中进行了说明，因此，此处不再赘述。需要说明的是，此处的正向推荐文章和负向推荐文章与上述构建正向样本集合中的正向推荐文章和构建负向样本集合中的负向推荐文章的定义相同，但是此处的正向推荐文章和负向推荐文章与上述构建正向样本集合中的正向推荐文章和构建负向样本集合中的负向推荐文章不是相同的文章。
在获取到各正向推荐文章的第五N维向量和各负向推荐文章的第五N维向量后，将每一个正向推荐文章的第五N维向量作为一个测试样本，将每一个负向推荐文章的第五N维向量作为一个测试样本，将所有测试样本进行集合即可得到测试样本集合。
根据测试样本集合计算一候选感情分析模型的精准度得分的过程可以包括：首选将测试样本集合中的各测试样本输入该候选感情分析模型中，以使该候选感情分析模型输出各测试样本的感情评分，即将每一个测试样本中的正向推荐文章或者负向推荐文章的第五N维向量中的各维度的名称以及各维度的维度值输入至候选感情分析模型中，以得到各测试样本中的正向推荐文章或者负向推荐文章的感情评分；然后，判断各测试样本的感情评分与其实际的感情评分是否一致，此处的一致指相同或者与实际的感情评分在一个区间范围内；最后，获取感情评分与实际的感情评分一致的测试样本的数量，并将感情评分与实际的感情评分一致的测试样本的数量与测试样本的总数量求商以得到该候选感情分析模型的精准度。需要说明的是，测试样本的实际的感情评分指测试样本中的正向推荐文章或者负向推荐文章的实际的感情评分，测试样本中的正向推荐文章或者负向推荐文章的实际的感情评分的确定方式与步骤S430中获取正向推荐文章和负向推荐文章的感情评分的原理相同，因此此处不再赘述。
虽然，上述过程中仅对根据测试样本集合计算一候选感情分析模型的精准度得分的过程进行了说明，但是，由于根据测试样本集合分别计算其他候选感情分析模型的精准度得分的过程与上述过程相同，因此此处不再对计算其他候选感情分析模型的过程进行赘述。
步骤S340，根据各所述候选感情分析模型的精准度得分将所述精准度得分最高的所述候选感情分析模型确定为所述目标感情分析模型。
在本示例性实施例中，按照精准度由高到低的顺序对各候选感情分析模型进行排序，将排在第一位的候选感情分析模型确定为目标感情分析模型。
由上可知，通过分别对多个机器学习算法进行训练以得到与各机器学习算法对应的候选感情分析模型，并通过测试样本集合计算各候选感情分析模型的精准度得分，并将精准度得分最高的候选感情分析模型确定为目标感情分析模型，相比于直接对一种机器学习算法进行训练以得到目标感情分析模型的方式，提高了目标感情分析模型的准确度。
综上所述，通过获取多个待推荐文章，并通过计算各待推荐文章和待推荐商品的相关度评分，以根据相关度评分在待推荐文章中确定目标推荐文章，相比于现有技术，无需通过大量的文案人员和美工人员制作精美的商品介绍页面，大大的降低了人力资源的投入，进而大大的降低了人力成本；另外，由于未采用在平台内发布商品的推荐文章，而是通过获取多个待推荐文章，并根据各待推荐文章与待推荐商品的相关度评分确定目标推荐文章，提高了推荐文章的公信力，使得消费者可以仅根据目标推荐文章即可对待推荐商品进行全面的了解，提高了购物体验，同时也提高了待推荐商品的转化率；此外，由于根据待推荐商品与各待推荐文章的相关度评分确定目标推荐文章，即可以在待推荐文章中过滤掉与待推荐商品的相关度不够高的待推荐文章，换言之可过滤掉一些质量不够高的待推荐文章，避免出现由于每个人在经验上的差异导致的商品介绍质量难以保证的问题，从而提高了产品的转化率。
需要说明的是，尽管在附图中以特定顺序描述了本公开中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。
在本公开的示例性实施例中，还提供了一种基于商品相关的文章推荐装置，如图5所示，所述基于商品相关的文章推荐装置500可以包括：第一获取转化模块501、第二获取转化模块502、相关度评分计算模块503、确定推荐模块504，其中：
第一获取转化模型501，可以用于获取多个待推荐文章，并将各所述待推荐文章分别转化为第一N维向量；
第二获取转化模型502，可以用于获取待推荐商品的标题，并将所述待推荐商品的标题转化为第二N维向量；
相关度评分计算模块503，可以用于根据所述第二N维向量和各所述第一N维向量计算所述待推荐商品与各所述待推荐文章的相关度评分；
确定推荐模块504，可以用于根据所述待推荐商品与各所述待推荐文章的相关度评分并结合一预设相关度评分在所述多个待推荐文章中确定目标推荐文章，并对所述目标推荐文章进行推荐。
在本公开的一种示例性实施例中，所述对所述目标推荐文章进行推荐可以包括：根据各所述目标推荐文章的所述第一N维向量并结合一由机器学习算法构建的目标感情分析模型计算各所述目标推荐文章的感情评分；根据各所述目标推荐文章的感情评分对各所述目标推荐文章进行推荐。
在本公开的一种示例性实施例中，所述根据各所述目标推荐文章的感情评分对各所述目标推荐文章进行推荐可以包括：获取各所述目标推荐文章的曝光度参数；根据各所述目标推荐文章的感情评分并结合各所述目标推荐文章的曝光度参数计算各所述目标推荐文章的推荐指数；根据各所述目标推荐文章的推荐指数对各所述目标推荐文章进行推荐。
在本公开的一种示例性实施例中，所述装置还可以包括：训练模块，其中，所述训练模块可以用于根据所述机器学习算法构建所述目标感情分析模型，具体的，所述根据所述机器学习算法构建所述目标感情分析模型可以包括：获取正样本集合和负样本集合；获取多个所述机器学习算法，并根据所述正样本集合和负样本集合分别对各所述机器学习算法进行训练，得到与各所述机器学习算法对应的候选感情分析模型；获取测试样本集合，并根据测试样本集合分别计算各所述候选感情分析模型的精准度得分；根据各所述候选感情分析模型的精准度得分将所述精准度得分最高的所述候选感情分析模型确定为所述目标感情分析模型。
在本公开的一种示例性实施例中，所述获取正样本集合和负样本集合可以包括：获取多个正向推荐文章，并将各所述正向推荐文章转化为第三N维向量；获取多个负向推荐文章，并将各所述负向推荐文章转化为第四N维向量；分别对各所述正向推荐文章和各所述负向推荐文章进行感情打分，以得到各所述正向推荐文章和各所述负向推荐文章的感情评分；根据各所述第三N维向量和各所述正向推荐文章的感情评分构建所述正样本集合；根据各所述第四N维向量和各所述负向推荐文章的感情评分构建所述负样本集合。
在本公开的一种示例性实施例中，所述获取测试样本集合可以包括：获取多个正向推荐文章和多个负向推荐文章；分别将各所述正向推荐文章和各所述负向推荐文章转化为第五N维向量；根据各所述第五N维向量构建所述测试样本集合。
在本公开的一种示例性实施例中，所述将各所述待推荐文章分别转化为第一N维向量可以包括：分别对各所述待推荐文章进行分词，并过滤掉停用词和低频词，以得到各所述待推荐文章的多个特征词；分别计算各所述待推荐文章的各特征词的词频逆文档频率；将各所述待推荐文章的每个特征词作为一个维度，并将各待推荐文章的各特征词的词频逆文档频率作为对应的维度的维度值；分别根据各所述待推荐文章的多个维度以及各维度的维度值并结合一N维的维度模型构建各所述待推荐文章的所述第一N维向量。
在本公开的一种示例性实施例中，所述分别计算各所述待推荐文章的各特征词的词频逆文档频率可以包括：分别计算各所述待推荐文章的各特征词的词频；基于一语料库计算各所述待推荐文章的各特征词的逆文档频率；根据各所述待推荐文章的各特征词的所述词频和所述逆文档频率计算各所述待推荐文章的各特征词的词频逆文档频率。
上述中各基于商品相关的文章推荐装置模块的具体细节已经在对应的基于商品相关的文章推荐方法中进行了详细的描述，因此此处不再赘述。
应当注意，尽管在上文详细描述中提及了用于执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
在本公开的示例性实施例中，还提供了一种基于商品相关的文章推荐系统，如图6所示，该基于商品相关的文章推荐系统600可以包括：爬虫系统601、文章感情分析系统602、商品文章相关度评分计算系统603、决策分析系统604、商品展示系统605，其中：
爬虫系统601，可以用于采用网络爬虫的技术从推荐网站中获取多个待推荐文章。在本示例性实施例中，所述推荐网站中展示有大量的推荐文章，为了保证推荐文章的质量，在选择推荐网站时，可以选择一些文章质量和公信力较高的推荐网站。所述推荐网站可以为可以为一个，也可以为多个，本示例性实施例对此不作特殊限定。所述推荐文章可以包括商品的推荐文章和商品的评测文章等。
文章感情分析系统602，可以用于计算各所述待推荐文章的感情评分。在本示例性实施例中，可以将各待推荐文章转化为第一N维向量；根据各待推荐文章的第一N维向量并结合一由机器学习算法构建的目标感情分析模型计算各待推荐文章的感情评分。由于将各待推荐文章转化为第一N为向量的过程已经在上文中进行了说明，因此此处不再赘述。此外，由于根据各待推荐文章的第一N维向量并结合一由机器学习算法构建的目标感情分析模型计算各待推荐文章的感情评分的原理与上述根据各目标推荐文章的第一N维向量并结合一由机器学习算法构建的目标感情分析模型计算各目标推荐文章的感情评分的原理相同，因此此处不再赘述。另外，由于根据机器学习算法构建的目标感情分析模型的过程已经在上文中进行了说明，因此此处不再赘述。
商品文章相关度评分计算系统603，可以用于计算待推荐产品与各所述待推荐文章的相关度评分。
在本示例性实施例中，首先获取待推荐商品的标题，并将待推荐商品的标题转化为第二N维向量；然后，根据第二N维向量和各第一N维向量计算待推荐商品与各待推荐文章的相关度评分。需要说明的是，由于上述过程以上文中进行了详细的说明，因此此处不再赘述。
决策分析系统604，可以用于根据所述待推荐商品与各所述待推荐文章的相关度评分并结合各所述待推荐文正的感情评分在多个所述待推荐文章中确定目标推荐文章。
在本示例性实施例中，可以将待推荐商品与各待推荐文章的相关度评分与预设相关度评分进行一一比较，将相关度评分大于预设相关度评分的待推荐商品与待推荐文章中的待推荐文章确定为目标推荐文章，即将多个待推荐文章中的与待推荐商品的相关度评分大于预设相关度评分的待推荐文章确定为目标推荐文章；然后按照感情评分由高到低的顺序对目标推荐文章进行排序。
商品展示系统605，可以用于在所述待推荐商品的详情页中展示所述目标推荐文章。在本示例性实施例中，在待推荐商品的详情页中按照目标推荐文章的排序结果展示目标推荐文章。
在本公开的示例性实施例中，还提供了一种能够实现上述方法的电子设备。
所属技术领域的技术人员能够理解，本发明的各个方面可以实现为系统、方法或程序商品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。
下面参照图7来描述根据本发明的这种实施方式的电子设备700。图7显示的电子设备700仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图7所示，电子设备700以通用计算设备的形式表现。电子设备700的组件可以包括但不限于：上述至少一个处理单元710、上述至少一个存储单元720、连接不同系统组件(包括存储单元720和处理单元710)的总线730、显示单元740。
其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元710执行，使得所述处理单元710执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。例如，所述处理单元710可以执行如图1中所示的步骤S110、获取多个待推荐文章，并将各所述待推荐文章分别转化为第一N维向量；步骤S120、获取待推荐商品的标题，并将所述待推荐商品的标题转化为第二N维向量；步骤S130、根据所述第二N维向量和各所述第一N维向量计算所述待推荐商品与各所述待推荐文章的相关度评分；步骤S140、根据所述待推荐商品与各所述待推荐文章的相关度评分并结合一预设相关度评分在所述多个待推荐文章中确定目标推荐文章，并对所述目标推荐文章进行推荐。
存储单元720可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)7201和/或高速缓存存储单元7202，还可以进一步包括只读存储单元(ROM)7203。
存储单元720还可以包括具有一组(至少一个)程序模块7205的程序/实用工具7204，这样的程序模块7205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线730可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备700也可以与一个或多个外部设备770(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备700交互的设备通信，和/或与使得该电子设备700能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口750进行。并且，电子设备700还可以通过网络适配器760与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器760通过总线730与电子设备700的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备700使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件商品的形式体现出来，该软件商品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。
在本公开的示例性实施例中，还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序商品。在一些可能的实施方式中，本发明的各个方面还可以实现为一种程序商品的形式，其包括程序代码，当所述程序商品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。
参考图8所示，描述了根据本发明的实施方式的用于实现上述方法的程序商品800，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序商品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
所述程序商品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
此外，上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其他实施例。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由权利要求指出。
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限。
Claims (15)
1.一种基于商品相关的文章推荐方法，其特征在于，包括：
获取多个待推荐文章，并将各所述待推荐文章分别转化为第一N维向量；
获取待推荐商品的标题，并将所述待推荐商品的标题转化为第二N维向量；
根据所述第二N维向量和各所述第一N维向量计算所述待推荐商品与各所述待推荐文章的相关度评分；
根据所述待推荐商品与各所述待推荐文章的相关度评分并结合一预设相关度评分在所述多个待推荐文章中确定目标推荐文章，并对所述目标推荐文章进行推荐。
2.根据权利要求1所述的基于商品相关的文章推荐方法，其特征在于，所述对所述目标推荐文章进行推荐包括：
根据各所述目标推荐文章的所述第一N维向量并结合一由机器学习算法构建的目标感情分析模型计算各所述目标推荐文章的感情评分；
根据各所述目标推荐文章的感情评分对各所述目标推荐文章进行推荐。
3.根据权利要求2所述的基于商品相关的文章推荐方法，其特征在于，所述根据各所述目标推荐文章的感情评分对各所述目标推荐文章进行推荐包括：
获取各所述目标推荐文章的曝光度参数；
根据各所述目标推荐文章的感情评分并结合各所述目标推荐文章的曝光度参数计算各所述目标推荐文章的推荐指数；
根据各所述目标推荐文章的推荐指数对各所述目标推荐文章进行推荐。
4.根据权利要求2所述的基于商品相关的文章推荐方法，其特征在于，所述方法还包括：
根据所述机器学习算法构建所述目标感情分析模型，其中，所述根据所述机器学习算法构建所述目标感情分析模型包括：
获取正样本集合和负样本集合；
获取多个所述机器学习算法，并根据所述正样本集合和负样本集合分别对各所述机器学习算法进行训练，得到与各所述机器学习算法对应的候选感情分析模型；
获取测试样本集合，并根据测试样本集合分别计算各所述候选感情分析模型的精准度得分；
根据各所述候选感情分析模型的精准度得分将所述精准度得分最高的所述候选感情分析模型确定为所述目标感情分析模型。
5.根据权利要求4所述的基于商品相关的文章推荐方法，其特征在于，所述获取正样本集合和负样本集合包括：
获取多个正向推荐文章，并将各所述正向推荐文章转化为第三N维向量；
获取多个负向推荐文章，并将各所述负向推荐文章转化为第四N维向量；
分别对各所述正向推荐文章和各所述负向推荐文章进行感情打分，以得到各所述正向推荐文章和各所述负向推荐文章的感情评分；
根据各所述第三N维向量和各所述正向推荐文章的感情评分构建所述正样本集合；
根据各所述第四N维向量和各所述负向推荐文章的感情评分构建所述负样本集合。
6.根据权利要求4所述的基于商品相关的文章推荐方法，其特征在于，所述获取测试样本集合包括：
获取多个正向推荐文章和多个负向推荐文章；
分别将各所述正向推荐文章和各所述负向推荐文章转化为第五N维向量；
根据各所述第五N维向量构建所述测试样本集合。
7.根据权利要求1所述的基于商品相关的文章推荐方法，其特征在于，所述根据所述第二N维向量和各所述第一N维向量计算所述待推荐商品与各所述待推荐文章的相关度评分包括：
根据所述第二N维向量和各所述第一N维向量并结合相关度计算公式计算所述待推荐商品与各所述待推荐文章的相关度评分，其中，所述相关度计算公式为：
其中，similarity(i)为所述待推荐商品与第i个所述待推荐文章的相关度评分，Ai,j为第i个所述待推荐文章的第一N维向量中的第j个维度的维度值，Bj为所述待推荐商品的标题的第二N维向量中的第j个维度的维度值。
8.根据权利要求1所述的基于商品相关的文章推荐方法，其特征在于，所述将各所述待推荐文章分别转化为第一N维向量包括：
分别对各所述待推荐文章进行分词，并过滤掉停用词和低频词，以得到各所述待推荐文章的多个特征词；
分别计算各所述待推荐文章的各特征词的词频逆文档频率；
将各所述待推荐文章的每个特征词作为一个维度，并将各待推荐文章的各特征词的词频逆文档频率作为对应的维度的维度值；
分别根据各所述待推荐文章的多个维度以及各维度的维度值并结合一N维的维度模型构建各所述待推荐文章的所述第一N维向量。
9.根据权利要求8所述的基于商品相关的文章推荐方法，其特征在于，所述分别计算各所述待推荐文章的各特征词的词频逆文档频率包括：
分别计算各所述待推荐文章的各特征词的词频；
基于一语料库计算各所述待推荐文章的各特征词的逆文档频率；
根据各所述待推荐文章的各特征词的所述词频和所述逆文档频率计算各所述待推荐文章的各特征词的词频逆文档频率。
10.根据权利要求9所述的基于商品相关的文章推荐方法，其特征在于，所述分别计算各所述待推荐文章的各特征词的词频包括：
根据词频计算公式计算各所述待推荐文章的各特征词的词频，其中，所述词频计算公式为：
TF(i,k)＝Qi,k
其中，TF(i,k)为第i个所述待推荐文章中的第k个特征词的词频，Qi,k为第i个所述待推荐文章中的第k个特征词在第i个所述待推荐文章中出现的次数；或者，
所述词频计算公式为：
其中，TF(i,k)为第i个所述待推荐文章中的第k个特征词的词频，Qi,k为第i个所述待推荐文章中的第k个特征词在第i个所述待推荐文章中出现的次数，Qi为第i个所述待推荐文章中的特征词的总数量；或者，
所述词频计算公式为：
其中，TF(i,k)为第i个所述待推荐文章中的第k个特征词的词频，Qi,k为第i个所述待推荐文章中的第k个特征词在第i个所述待推荐文章中出现的次数，Ti为第i个所述待推荐文章中出现次数最多的特征词的出现次数。
11.根据权利要求9所述的基于商品相关的文章推荐方法，其特征在于，所述基于一语料库计算各所述待推荐文章的各特征词的逆文档频率包括：
基于所述语料库并结合一逆文档频率计算公式计算各所述待推荐文章中的各特证词的逆文档频率，其中，所述逆文档频率计算公式为：
其中，IDF(i,k)为第i个所述待推荐文章中的第k个特征词的逆文档频率，Y为所述语料库中的文章的总数量，Xi,k为所述语料库中包括第i个所述待推荐文章中的第k个特征词的文章的数量。
12.一种基于商品相关的文章推荐装置，其特征在于，包括：
第一获取转化模型，用于获取多个待推荐文章，并将各所述待推荐文章分别转化为第一N维向量；
第二获取转化模型，用于获取待推荐商品的标题，并将所述待推荐商品的标题转化为第二N维向量；
相关度评分计算模块，用于根据所述第二N维向量和各所述第一N维向量计算所述待推荐商品与各所述待推荐文章的相关度评分；
确定推荐模块，用于根据所述待推荐商品与各所述待推荐文章的相关度评分并结合一预设相关度评分在所述多个待推荐文章中确定目标推荐文章，并对所述目标推荐文章进行推荐。
13.一种基于商品相关的文章推荐系统，其特征在于，包括：
爬虫系统，用于采用网络爬虫的技术从推荐网站中获取多个待推荐文章；
文章感情分析系统，用于计算各所述待推荐文章的感情评分；
商品文章相关度评分计算系统，用于计算待推荐产品与各所述待推荐文章的相关度评分；
决策分析系统，用于根据所述待推荐商品与各所述待推荐文章的相关度评分并结合各所述待推荐文正的感情评分在多个所述待推荐文章中确定目标推荐文章；
商品展示系统，用于在所述待推荐商品的详情页中展示所述目标推荐文章。
14.一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1～11中任意一项所述的基于商品相关的文章推荐方法。
15.一种电子设备，其特征在于，包括：
处理器；以及
存储器，用于存储所述处理器的可执行指令；
其中，所述处理器配置为经由执行所述可执行指令来执行权利要求1～11中任意一项所述的基于商品相关的文章推荐方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810936067.4A CN110020195B (zh) | 2018-08-16 | 2018-08-16 | 文章推荐方法及装置、存储介质、电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810936067.4A CN110020195B (zh) | 2018-08-16 | 2018-08-16 | 文章推荐方法及装置、存储介质、电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110020195A true CN110020195A (zh) | 2019-07-16 |
| CN110020195B CN110020195B (zh) | 2024-04-09 |
Family
ID=67188377
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810936067.4A Active CN110020195B (zh) | 2018-08-16 | 2018-08-16 | 文章推荐方法及装置、存储介质、电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110020195B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110738553A (zh) * | 2019-10-18 | 2020-01-31 | 深圳市比量科技传媒有限公司 | 一种将不同商城的商品链接进行相互映射的方法及系统 |
| CN111311351A (zh) * | 2020-01-15 | 2020-06-19 | 上海风秩科技有限公司 | 文案推荐方法、装置、计算机设备和可读存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9183510B1 (en) * | 2011-10-03 | 2015-11-10 | Tastebud Technologies, Inc. | Method and system for personalized recommendation of lifestyle items |
| CN106021562A (zh) * | 2016-05-31 | 2016-10-12 | 北京京拍档科技有限公司 | 用于电商平台的基于主题相关的推荐方法 |
| CN106294425A (zh) * | 2015-05-26 | 2017-01-04 | 富泰华工业（深圳）有限公司 | 商品相关网络文章之自动图文摘要方法及系统 |
| CN108304379A (zh) * | 2018-01-15 | 2018-07-20 | 腾讯科技（深圳）有限公司 | 一种文章识别方法、装置及存储介质 |
-
2018
- 2018-08-16 CN CN201810936067.4A patent/CN110020195B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9183510B1 (en) * | 2011-10-03 | 2015-11-10 | Tastebud Technologies, Inc. | Method and system for personalized recommendation of lifestyle items |
| CN106294425A (zh) * | 2015-05-26 | 2017-01-04 | 富泰华工业（深圳）有限公司 | 商品相关网络文章之自动图文摘要方法及系统 |
| CN106021562A (zh) * | 2016-05-31 | 2016-10-12 | 北京京拍档科技有限公司 | 用于电商平台的基于主题相关的推荐方法 |
| CN108304379A (zh) * | 2018-01-15 | 2018-07-20 | 腾讯科技（深圳）有限公司 | 一种文章识别方法、装置及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 张俊伟;杨柳;王硕宁;王忠建;: "基于文本挖掘的商品推荐", 哈尔滨商业大学学报(自然科学版), no. 04 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110738553A (zh) * | 2019-10-18 | 2020-01-31 | 深圳市比量科技传媒有限公司 | 一种将不同商城的商品链接进行相互映射的方法及系统 |
| CN111311351A (zh) * | 2020-01-15 | 2020-06-19 | 上海风秩科技有限公司 | 文案推荐方法、装置、计算机设备和可读存储介质 |
| CN111311351B (zh) * | 2020-01-15 | 2023-09-01 | 上海风秩科技有限公司 | 文案推荐方法、装置、计算机设备和可读存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110020195B (zh) | 2024-04-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Bell | Machine learning: hands-on for developers and technical professionals | |
| US20190392330A1 (en) | System and method for generating aspect-enhanced explainable description-based recommendations | |
| Ma et al. | Recommender systems with social regularization | |
| US11275596B2 (en) | System and method for optimizing a user interface and a system and method for manipulating a user's interaction with an interface | |
| CN110046304A (zh) | 一种用户推荐方法和装置 | |
| US20230153857A1 (en) | Recommendation model training method, recommendation method, apparatus, and computer-readable medium | |
| CN107330023A (zh) | 基于关注点的文本内容推荐方法和装置 | |
| CN111242729A (zh) | 一种基于长短期兴趣的序列化推荐方法 | |
| US20230162005A1 (en) | Neural network distillation method and apparatus | |
| CN110110205A (zh) | 推荐信息生成方法与装置 | |
| Yang et al. | A decision method for online purchases considering dynamic information preference based on sentiment orientation classification and discrete DIFWA operators | |
| US11574351B2 (en) | System and method for quality assessment of product description | |
| CN112308650A (zh) | 推荐理由生成方法、装置、设备及存储介质 | |
| CN109670161A (zh) | 商品相似度计算方法及装置、存储介质、电子设备 | |
| Bali et al. | R machine learning by example | |
| CN110020195A (zh) | 文章推荐方法及装置、存储介质、电子设备 | |
| Mylonas et al. | An attention matrix for every decision: Faithfulness-based arbitration among multiple attention-based interpretations of transformers in text classification | |
| Ding et al. | Tdtmf: A recommendation model based on user temporal interest drift and latent review topic evolution with regularization factor | |
| Li | Three-dimensional path planning of robots in virtual situations based on an improved fruit fly optimization algorithm | |
| Withanawasam | Apache Mahout Essentials | |
| CN109886299A (zh) | 一种用户画像方法、装置、可读存储介质及终端设备 | |
| Ren et al. | A co-attention based multi-modal fusion network for review helpfulness prediction | |
| CN112488355A (zh) | 基于图神经网络预测用户评级的方法和装置 | |
| Lee et al. | Beyond exchangeability: The Chinese voting process | |
| Li et al. | Key product review extraction based on the RLRSA-CL algorithm |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |