CN110175895B - 一种物品推荐方法及装置 - Google Patents
一种物品推荐方法及装置 Download PDFInfo
- Publication number
- CN110175895B CN110175895B CN201910470668.5A CN201910470668A CN110175895B CN 110175895 B CN110175895 B CN 110175895B CN 201910470668 A CN201910470668 A CN 201910470668A CN 110175895 B CN110175895 B CN 110175895B
- Authority
- CN
- China
- Prior art keywords
- article
- user
- item
- behavior data
- recommended
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 58
- 230000006399 behavior Effects 0.000 claims description 258
- 239000011159 matrix material Substances 0.000 claims description 41
- 238000004364 calculation method Methods 0.000 claims description 18
- 238000000354 decomposition reaction Methods 0.000 claims description 16
- 238000013075 data extraction Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 5
- 230000003993 interaction Effects 0.000 abstract description 4
- 230000002452 interceptive effect Effects 0.000 description 13
- 238000004422 calculation algorithm Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 5
- 235000013305 food Nutrition 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 241000209094 Oryza Species 0.000 description 3
- 235000007164 Oryza sativa Nutrition 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 235000009566 rice Nutrition 0.000 description 3
- 241000287828 Gallus gallus Species 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 240000005856 Lyophyllum decastes Species 0.000 description 1
- 235000013194 Lyophyllum decastes Nutrition 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 235000015219 food category Nutrition 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Images
Classifications
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种物品推荐方法、装置及电子设备。所述方法包括：基于用户的历史行为数据，获取与所述用户关联的各第一物品种类中各物品的第一偏好程度；基于所述用户的实时行为数据，获取与所述用户关联的各第二物品种类的第二偏好程度；依据各所述第二偏好程度，从所述各第二物品种类中确定待推荐物品种类；依据各所述第一偏好程度，从各所述第一物品种类对应的各物品中，获取与所述待推荐物品种类对应的至少一个待推荐物品；将所述至少一个待推荐物品推荐给所述用户。本发明可以使得推荐的物品可以及时响应用户的交互行为，增加了物品推荐的多样性，提高了用户的体验。
Description
技术领域
本发明涉及信息推荐技术领域，特别是涉及一种物品推荐方法及装置。
背景技术
随着互联网的高速发展，物品推荐方法的应用场景越来越多，已经被广泛集成到了很多商业应用系统中。
推荐系统的出现为物品推荐提供了强大的数据支撑，推荐系统是一种建立在海量数据挖掘上的商务智能平台，向用户提供个性化的信息服务和决策支持。对于互联网内容分享与交易平台，一个好的推荐系统能帮助用户找到喜欢的内容/商品，并挖掘潜在的喜好，提高用户的活跃度和黏性，为平台带来收益。
然而，目前的离线推荐算法基于用户的历史行为数据，能够较为有效地评估用户对物品兴趣，从而推荐用户较为感兴趣的物品。然而，大部分离线算法过分依赖于用户的历史行为，并且无法满足推荐的多样性。此外，传统的离线推荐算法无法及时响应用户的交互行为，影响用户体验。
发明内容
本发明提供一种物品推荐方法、装置及电子设备，以解决现有方案中的推荐算法过分依赖于用户的历史行为，无法及时响应用户的交互行为，导致不能满足推荐的多样性，且影响用户体验的问题。
为了解决上述问题，本发明公开了一种物品推荐方法，包括：基于用户的历史行为数据，获取与所述用户关联的各第一物品种类中各物品的第一偏好程度；基于所述用户的实时行为数据，获取与所述用户关联的各第二物品种类的第二偏好程度；依据各所述第二偏好程度，从所述各第二物品种类中确定待推荐物品种类；依据各所述第一偏好程度，从各所述第一物品种类对应的各物品中，获取与所述待推荐物品种类对应的至少一个待推荐物品；将所述至少一个待推荐物品推荐给所述用户。
可选地，所述基于用户的历史行为数据，获取与所述用户关联的各第一物品种类中各物品的第一偏好程度，包括：获取与所述用户关联的历史行为数据；从所述历史行为数据中提取出各所述第一物品种类中的各物品，及与各所述物品关联的、预设维度的用户行为数据；基于预设维度的用户行为数据，确定各所述物品对应的评分值，将各所述物品对应的评分值作为所述第一偏好程度。
可选地，所述获取与所述用户关联的历史行为数据，包括：在与所述用户对应的指定存储空间中，提取与所述用户关联的历史行为数据；所述指定存储空间中存储有每隔预设时间获取的与所述用户关联的行为数据。
可选地，所述基于预设维度的用户行为数据，确定各所述物品对应的评分值，包括：针对各所述物品，依次获取所述物品对应的用户行为数据的至少一种目标维度；获取各所述目标维度对应的维度权重；计算各所述维度权重的和值，将所述和值作为所述物品的评分值。
可选地，在所述第一物品种类中不包含第一物品时，在所述计算各所述维度权重的和值，将所述和值作为所述物品的评分值的步骤之后，还包括：对各所述物品对应的用户行为数据及评分值进行分解，得到用户行为因子和物品评分因子；依据所述用户行为因子和所述物品评分因子，计算得到所述第一物品对应的预测评分值，将所述预测评分值作为所述第一物品的评分值；将所述第一物品添加至所述第一物品种类。
可选地，所述基于所述用户的实时行为数据，获取与所述用户关联的各第二物品种类的第二偏好程度，包括：从日志信息中，提取与所述用户关联的实时行为数据；从所述实时行为数据中提取出各所述第二物品种类对应的第二物品，及与所述各第二物品对应的至少一个用户反馈信息；依据所述用户反馈信息，确定各所述第二物品对应的反馈评分值；依据各所述第二物品的反馈评分值，确定与所述用户关联的各所述第二物品种类的第二偏好程度。
可选地，所述用户反馈信息包括正反馈次数和负反馈次数，所述针对各所述第二物品，依次基于所述第二物品对应的各所述用户反馈信息，确定各所述第二物品对应的反馈评分值，包括：针对各所述第二物品，获取所述第二物品对应的正反馈次数和负反馈次数；依据所述正反馈次数和所述负反馈次数，计算得到所述第二物品对应的反馈评分值。
可选地，所述依据所述正反馈次数和所述负反馈次数，计算得到所述第二物品对应的反馈评分值，包括：计算所述正反馈次数和所述负反馈次数的差值；将所述差值作为所述第二物品的反馈评分值。
可选地，所述依据各所述第二偏好程度，从所述各第二物品种类中确定待推荐物品种类，包括：获取各所述反馈评分值中的最大反馈评分值；将所述最大反馈评分值的第二物品所属的第二物品种类，确定为所述待推荐物品种类。
可选地，所述依据各所述第一偏好程度，从各所述第一物品种类对应的各物品中，获取与所述待推荐物品种类对应的至少一个待推荐物品，包括：从各所述第一物品种类中，获取与所述待推荐物品种类相同的第一目标物品种类；依据各所述第一偏好程度，获取所述第一目标物品种类中各目标物品对应的目标评分值；依据各所述目标评分值，从各所述目标物品中获取至少一个待推荐物品。
为了解决上述问题，本发明公开了一种物品推荐装置，包括：第一偏好程度获取模块，用于基于用户的历史行为数据，获取与所述用户关联的各第一物品种类中各物品的第一偏好程度；第二偏好程度获取模块，用于基于所述用户的实时行为数据，获取与所述用户关联的各第二物品种类的第二偏好程度；待推荐种类确定模块，用于依据各所述第二偏好程度，从所述各第二物品种类中确定待推荐物品种类；待推荐物品获取模块，用于依据各所述第一偏好程度，从各所述第一物品种类对应的各物品中，获取与所述待推荐物品种类对应的至少一个待推荐物品；物品推荐模块，用于将所述至少一个待推荐物品推荐给所述用户。
可选地，所述第一偏好程度获取模块包括：历史行为数据获取子模块，用于获取与所述用户关联的历史行为数据；行为数据及物品提取子模块，用于从所述历史行为数据中提取出各所述第一物品种类中的各物品，及与各所述物品关联的、预设维度的用户行为数据；第一偏好程度确定子模块，用于基于预设维度的用户行为数据，确定各所述物品对应的评分值，将各所述物品对应的评分值作为所述第一偏好程度。
可选地，所述历史行为数据获取子模块包括：历史行为数据提取子模块，用于在与所述用户对应的指定存储空间中，提取与所述用户关联的历史行为数据；所述指定存储空间中存储有每隔预设时间获取的与所述用户关联的行为数据。
可选地，所述第一偏好程度确定子模块包括：目标维度获取子模块，用于针对各所述物品，依次获取所述物品对应的用户行为数据的至少一种目标维度；维度权重获取子模块，用于获取各所述目标维度对应的维度权重；评分值计算子模块，用于计算各所述维度权重的和值，将所述和值作为所述物品的评分值。
可选地，还包括：因子获取模块，用于对各所述物品对应的用户行为数据及评分值进行分解，得到用户行为因子和物品评分因子；预测评分值计算模块，用于依据所述用户行为因子和所述物品评分因子，计算得到所述第一物品对应的预测评分值，将所述预测评分值作为所述第一物品的评分值；第一物品添加模块，用于将所述第一物品添加至所述第一物品种类。
可选地，所述第二偏好程度获取模块包括：实时行为数据提取子模块，用于从日志信息中，提取与所述用户关联的实时行为数据；反馈信息提取子模块，用于从所述实时行为数据中提取出各所述第二物品种类对应的第二物品，及与所述各第二物品对应的至少一个用户反馈信息；反馈评分值确定子模块，用于依据所述用户反馈信息，确定各所述第二物品对应的反馈评分值；第二偏好程度确定子模块，用于依据各所述第二物品的反馈评分值，确定与所述用户关联的各所述第二物品种类的第二偏好程度。
可选地，所述用户反馈信息包括正反馈次数和负反馈次数，所述反馈评分值确定子模块包括：反馈次数获取子模块，用于针对各所述第二物品，获取所述第二物品对应的正反馈次数和负反馈次数；反馈评分值计算子模块，用于依据所述正反馈次数和所述负反馈次数，计算得到所述第二物品对应的反馈评分值。
可选地，所述反馈评分值计算子模块包括：次数差值计算子模块，用于计算所述正反馈次数和所述负反馈次数的差值；反馈评分值获取子模块，用于将所述差值作为所述第二物品的反馈评分值。
可选地，所述待推荐种类确定模块包括：最大评分值获取子模块，用于获取各所述反馈评分值中的最大反馈评分值；待推荐物品种类确定子模块，用于将所述最大反馈评分值的第二物品所属的第二物品种类，确定为所述待推荐物品种类。
可选地，所述待推荐物品获取模块包括：目标物品种类获取子模块，用于从各所述第一物品种类中，获取与所述待推荐物品种类相同的第一目标物品种类；目标评分值获取子模块，用于依据各所述第一偏好程度，获取所述第一目标物品种类中各目标物品对应的目标评分值；待推荐物品获取子模块，用于依据各所述目标评分值，从各所述目标物品中获取至少一个待推荐物品。
为了解决上述问题，本发明还公开了一种电子设备，包括：处理器；用于存储所述处理器可执行指令的存储器；其中，所述处理器被配置为执行上述任一项所述的物品推荐方法。
与现有技术相比，本发明包括以下优点：
本发明实施例提供了一种物品推荐方法和装置，基于用户的历史行为数据，获取与用户关联的各第一物品种类的各物品的第一偏好程度，基于用户的实时行为数据获取与用户关联的第二物品种类的第二偏好程度，依据各第二偏好程度从第二物品种类中确定待推荐物品种类，并依据各第一偏好程度从各第一物品种类对应的各物品中，获取与待推荐物品种类对应的至少一个待推荐物品，并将至少一个待推荐物品推荐给用户。本发明实施例提供的方案，在进行物品推荐时，不仅结合了用户的历史行为数据，还结合了用户当前的交互行为数据，从而可以使得推荐的物品可以及时响应用户的交互行为，增加了物品推荐的多样性，提高了用户的体验。
附图说明
图1示出了本发明实施例提供的一种物品推荐方法的步骤流程图；
图2示出了本发明实施例提供的一种物品推荐方法的步骤流程图；
图3示出了本发明实施例提供的一种推荐系统的结构示意图；
图4示出了本发明实施例提供的一种物品推荐装置的结构示意图；
图5示出了本发明实施例提供的一种物品推荐装置的结构示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例一
参照图1，示出了本发明实施例提供的一种物品推荐方法的步骤流程图，该物品推荐方法具体可以包括如下步骤：
步骤101：基于用户的历史行为数据，获取与所述用户关联的各第一物品种类中各物品的第一偏好程度。
本发明实施例可以应用于为用户进行物品推荐的场景中。
历史行为数据是指用户在以往浏览网页时，采集的用户访问数据。
在用户浏览网页的过程中，系统可以自动采集用户的浏览数据，并对用户浏览的数据进行记录，具体地，对于不同的用户可以建立与该用户对应的数据表，以将用户的历史行为数据进行实时记录，例如，用户包括A和B，可以建立与用户A对应的数据表a，建立与用户B对应的数据表b，数据表a用于存储用户A的历史行为数据，数据表b用于存储用户B的历史行为数据。
可以理解地，上述示例仅是为了更好地理解本发明实施例的技术方案而列举的示例，不作为对本发明实施例的唯一限制。
第一物品种类是指基于用户的历史行为数据，用户访问过的物品所属的种类，例如，用户访问过各种美食，这些物品属于餐饮类；而用户访问过各种电子产品，如手机、电脑等，这些物品属于电子产品类。
第一偏好程度是指用户对第一物品种类中的各物品的喜好程度，具体地，可以采用评分值的方式来表示用户对第一物品种类中的各物品的喜好，具体地，将在下述实施例二中进行详细描述，本发明实施例在此不再加以赘述。
在预先保存了与用户对应的历史行为数据，在需要对用户进行物品推荐时，可以获取用户的历史行为数据，并基于用户的历史行为数据，获取与用户关联的各第一物品种类中各物品的第一偏好程度。
而对于获取第一偏好程度的具体方式将在下述实施例二中进行详细描述，本发明实施例在此不再加以赘述。
在基于用户的历史行为数据，获取与用户关联的各第一物品种类中各第物品的第一偏好程度之后，执行步骤102。
步骤102：基于所述用户的实时行为数据，获取与所述用户关联的各第二物品种类的第二偏好程度。
实时行为数据是指用户当前的访问行为数据，即用户本次登录网页访问的数据。
第二物品种类是指用户当前访问的物品所属的种类，例如，在用户当前访问的物品为“宫保鸡丁”、“蛋炒饭”等美食时，则当前访问的物品属于美食类；而在用户当前访问的物品为“手机”、“电脑”等产品时，则当前访问的物品属于电子产品类。
可以理解地，上述示例仅是为了更好地理解本发明实施例的技术方案而列举的示例，不作为对本发明实施例的唯一限制。
第二偏好程度是指用户对各第二物品种类的喜好程度，具体地，对于第二物品种类的喜好程度可以采用第二物品种类的物品的反馈评分值来表示，具体地，将在下述实施例二中进行详细描述，本发明实施例对此不加以限制。
对于用户实时行为数据的获取可以基于与用户对应的访问日志，获取用户的实时行为数据，并基于用户的实时行为数据，获取与用户关联的各第二物品种类的第二偏好程度，进而执行步骤103。
步骤103：依据各所述第二偏好程度，从所述各第二物品种类中确定待推荐物品种类。
在获取与用户关联的各第二物品种类的第二偏好程度之后，可以依据各第二偏好程度，从各第二物品种类中确定待推荐物品种类，即从各第二物品种类中获取用户最为喜好的物品种类，以将用户最为喜好的物品种类作为待推荐物品种类。例如，第二偏好程度为第二物品种类的反馈评分值，反馈评分值越高表示用户越喜欢，第二物品种类包括A、B、C，A的反馈评分值为10、B的反馈评分值为8，C的反馈评分值为5，则种类A为用户较为喜欢的物品种类，则将A作为待推荐物品种类。
可以理解地，上述示例仅是为了更好地理解本发明实施例的技术方案而列举的示例，不作为对本发明实施例的唯一限制。
而对于依据各第二偏好程度，从各第二物品种类中确定待推荐物品种类的具体实现方式将在下述实施例二中进行详细描述，本发明实施例在此不再加以赘述。
步骤104：依据各所述第一偏好程度，从各所述第一物品种类对应的各物品中，获取与所述待推荐物品种类对应的至少一个待推荐物品。
在基于用户的历史行为数据，获取与用户关联的各第一物品种类中各物品的第一偏好程度之后，可以依据第一偏好程度，从各第一物品种类中对应的各物品中，获取与待推荐物品种类对应的至少一个待推荐物品。
具体地，在可以从第一物品种类中获取与待推荐物品种类相同的第一目标物品种类，而第一偏好程度是以用户评分值对第一物品种类中各物品进行表示的，而在获取第一目标物品种类之后，可以将评分较高的前N位的物品作为待推荐物品。对于获取至少一个待推荐物品的具体实现方式将在下述实施例二中进行详细描述，本发明实施例在此不再加以赘述。
在获取与待推荐物品种类对应的至少一个待推荐物品之后，执行步骤105。
步骤105：将所述至少一个待推荐物品推荐给所述用户。
在获取至少一个待推荐物品之后，可以将至少一个待推荐物品推荐给用户，具体地，在推荐时，可以依据各待推荐物品对应的评分值，对各待推荐物品进行排序，并将排序后的各待推荐物品推荐给用户。
本发明实施例提供的物品推荐方法，基于用户的历史行为数据，获取与用户关联的各第一物品种类的各物品的第一偏好程度，基于用户的实时行为数据获取与用户关联的第二物品种类的第二偏好程度，依据各第二偏好程度从第二物品种类中确定待推荐物品种类，并依据各第一偏好程度从各第一物品种类对应的各物品中，获取与待推荐物品种类对应的至少一个待推荐物品，并将至少一个待推荐物品推荐给用户。本发明实施例提供的方案，在进行物品推荐时，不仅结合了用户的历史行为数据，还结合了用户当前的交互行为数据，从而可以使得推荐的物品可以及时响应用户的交互行为，增加了物品推荐的多样性，提高了用户的体验。
实施例二
参照图2，示出了本发明实施例提供的一种物品推荐方法的步骤流程图，该物品推荐方法具体可以包括如下步骤：
步骤201：获取与所述用户关联的历史行为数据。
本发明实施例可以应用于为用户进行物品推荐的场景中。
历史行为数据是指用户在以往浏览网页时，采集的用户访问数据。在用户浏览网页的过程中，系统可以自动采集用户的浏览数据，并对用户浏览的数据进行记录，具体地，对于不同的用户可以建立与该用户对应的数据表，以将用户的历史行为数据进行实时记录，例如，用户包括A和B，可以建立与用户A对应的数据表a，建立与用户B对应的数据表b，数据表a用于存储用户A的历史行为数据，数据表b用于存储用户B的历史行为数据。
可以理解地，上述示例仅是为了更好地理解本发明实施例的技术方案而列举的示例，不作为对本发明实施例的唯一限制。
对于历史行为数据的获取方式还可以采用下述实施例进行详细描述。
在本发明的一种可选实施例中，上述步骤201可以包括：
子步骤A1：在与所述用户对应的指定存储空间中，提取与所述用户关联的历史行为数据。
在本发明实施例中，指定存储空间是指用于存储用户历史行为数据的存储空间，指定存储空间可以为数据库中的指定存储空间，例如，采用HDFS(HadoopDistributedFileSystem，Hadoop分布式文件系统)来存储用户的历史行为数据；当然，指定存储空间也可以为指定的内存空间，具体地，可以根据业务需求而定，本发明对此不加以限制。
指定存储空间中存储有每隔预设时间获取的与用户关联的行为数据。
预设时间可以是由业务人员根据实际需要预先设置的时间间隔，例如，每隔1天或3天等等。
在具体实现中，系统可以每隔预设时间获取与用户关联的行为数据，并将获取的行为数据存储于指定存储空间中，进而，在向用户进行物品推荐时，可以从指定存储空间中获取历史行为数据。
当然，上述实施例仅是本发明实施例提供的一种获取用户的历史行为数据的可选方案，在实际应用中，本领域技术人员还可以采用其它方式获取用户的历史行为数据，本发明实施例对此不加以限制。
步骤202：从所述历史行为数据中提取出各所述第一物品种类中的各物品，及与各所述物品关联的、预设维度的用户行为数据。
第一物品种类是指基于用户的历史行为数据，用户访问过的物品所属的种类，例如，用户访问过各种美食，如“宫爆鸡丁”、“蛋炒饭”等，这些物品属于餐饮类；而用户访问过各种电子产品，如手机、电脑等，这些物品属于电子产品类。
不同的用户行为对应于不同的维度的用户行为。用户行为数据是指用户对各第一物品种类中各物品的行为，例如，用户在访问物品时对物品的点赞行为、评论行为、分享行为等行为数据。
在获取用户的历史行为数据之后，可以从历史行为数据中提取出各第一物品种类中的各物品，及与各物品关联的、预设维度的用户行为数据，例如，用户历史行为数据中包括第一物品种类：餐饮类，餐饮类包括A和B，与A关联的预设维度的历史行为数据包括3次点赞行为、2次评论行为，与B关联的预设维度的历史行为数据包括6次分享行为和1次点赞行为等等。
可以理解地，上述示例仅是为了更好地理解本发明实施例的技术方案而列举的示例，不作为对本发明实施例的唯一限制。
在从历史行为数据中提取出各第一物品种类中的各物品，及与各物品关联的、预设维度的用户行为数据之后，执行步骤203。
步骤203：基于预设维度的用户行为数据，确定各所述物品对应的评分值，将各所述物品对应的评分值作为所述第一偏好程度。
在从历史行为数据中提取出各第一物品种类中的各物品，及与各物品关联的、预设维度的用户行为数据之后，可以基于预设维度的用户行为数据，确定各物品对应的评分值。
而对于评分值的获取方式可以采用下述实施例进行详细描述。
在本发明的一种可选实施例中，上述步骤203可以包括：
子步骤B1：针对各所述物品，依次获取所述物品对应的用户行为数据的至少一种目标维度。
在本发明实施例中，对应于第一物品种类中不同的物品不同的预设维度。
目标维度是指第一物品种类第一物品种类中的物品所包含的维度。
在从历史行为数据中提取出第一物品种类中的各物品之后，还可以根据历史行为数据获取物品对应的用户行为数据的至少一种目标维度，例如，第一物品种类包括物品a和物品b，物品a的用户行为数据包括3次点赞行为和5次分享行为，则物品A对应的目标维度包括点赞行为和分享行为。
可以理解地，上述示例仅是为了更好地理解本发明实施例的技术方案而列举的示例，不作为对本发明实施例的唯一限制。
在获取物品对应的用户行为数据的至少一种目标维度之后，执行子步骤B2。
子步骤B2：获取各所述目标维度对应的维度权重。
在本发明中，不同的维度对应于不同的维度权重，例如，点赞行为维度对应的维度权重为0.3，分享行为维度对应的维度权重为0.5等等。
在获取物品对应的至少一种目标维度之后，可以根据维度与维度权重之间的映射关系，获取各目标维度对应的维度权重，并执行子步骤B3。
子步骤B3：计算各所述维度权重的和值，将所述和值作为所述物品的评分值。
在获取各目标维度对应的维度权重之后，可以计算各维度权重的和值，并将和值作为物品的评分值，例如，物品A包括目标维度a和b，a对应的维度权重为0.2，b对应的维度权重为0.6，则二者的和值为0.8，即物品A的评分值为0.8。
可以理解地，上述示例仅是为了更好地理解本发明实施例的技术方案而列举的示例，不作为对本发明实施例的唯一限制。
当然，在计算得到各物品的评分值之后，还可以对第一物品种类中不包含的物品的评分值采用矩阵分解的方式获取，具体地，以下述实施例进行详细描述。
在本发明的另一种可选实施例中，在第一物品种类中不包含第一物品时，在上述子步骤B3之后，还可以包括：
步骤C1：对各所述物品对应的用户行为数据及评分值进行分解，得到用户行为因子和物品评分因子。
在本发明实施例中，第一物品是指基于用户的历史行为数据获取的第一物品种类中未包含的物品，例如，餐饮类包含物品a、物品b和物品c，在基于用户的历史行为数据提取的第一物品种类为餐饮类，其中包含的物品仅为物品a时，则第一物品即为物品b和物品c；而在第一物品种类为餐饮类，且包含的物品为物品c和物品a时，则第一物品即为物品b。
可以理解地，上述示例仅是为了更好地理解本发明实施例的技方案而列举的示例，不作为对本发明实施例的唯一限制。
在获取第一物品种类中各物品的用户行为数据及对应的评分值之后，可以将用户行为数据进行分解，并将各物品对应的评分值进行分解，从而可以得到各物品所对应的用户行为因子和物品评分因子。
由于单个用户产生行为的物品数量有限，用户对物品综合行为评分矩阵一般稀疏度较高。为了推测用户对未产生过行为的物品的评分，采用矩阵分解的方法对该表的缺失值进行补全。
矩阵分解的目标是将用户对物品综合行为评分矩阵分解为两个低维子矩阵，分别表示用户因子矩阵和物品因子矩阵，具体地可以参照下述公式(1)表示：
上述公式(1)中，R为已知用户对物品综合行为评分矩阵，P为矩阵分解得到的用户因子矩阵，Q为矩阵分解得到的物品因子矩阵。
在对各物品对应的用户行为数据及评分值进行分解，得到用户行为因子和物品评分因子之后，执行步骤C2。
步骤C2：依据所述用户行为因子和所述物品评分因子，计算得到所述第一物品对应的预测评分值，将所述预测评分值作为所述第一物品的评分值。
在获取用户行为因子和物品评分因子之后，可以计算得到第一物品对应的预测评分值，进而将第一物品对应的预测评分值作为与用户关联的第一物品种类中的第一物品的评分值。
可以理解地，上述计算方式仅是本发明实施例提供的获取第一物品的预测评分值的一种可选方案，在实际应用中，本领域技术人员可以采用其它方式获取第一物品的预测评分值，本发明实施例对此不加以限制。
子步骤C3：将所述第一物品添加至所述第一物品种类。
在计算得到第一物品的评分值之后，由于根据用户的历史行为数据得到的第一物品种类中未包含第一物品，可以将第一物品添加至第一物品种类中，以补全第一物品种类的物品信息，进而，在后续向用户推荐物品的过程中，可以根据物品信息较全的第一物品种类中获取推荐物品。
步骤204：从日志信息中，提取与所述用户关联的实时行为数据。
在本发明实施例中，日志信息是指用户本次登录的访问行为而生成的日志信息。
日志信息可以保存于近线层中，近线层主要负责从APP/前端采集的日志信息流中提取用户、物品、行为信息进行分析，并将更新的信息存入在线存储数据库中，在近线层可以采用Kafka构建实时的日志流数据处理管道，获取系统和APP/前端之间的数据，并进行转换和近线计算。
在从日志信息中提取与用户关联的实时行为数据之后，执行步骤205。
步骤205：从所述实时行为数据中提取出各所述第二物品种类对应的第二物品，及与所述各第二物品对应的至少一个用户反馈信息。
第二物品种类是指用户当前访问的物品所属的种类，例如，在用户当前访问的物品为“宫保鸡丁”、“蛋炒饭”等美食时，则当前访问的物品属于美食类；而在用户当前访问的物品为“手机”、“电脑”等产品时，则当前访问的物品属于电子产品类。
第二物品是指第二物品种类所包含的物品。
用户反馈信息是指用户对第二物品的反馈信息，可以包括正反馈信息和负反馈信息，例如，喜爱、分享、推送等操作为正反馈信息，不喜欢或踩等操作为负反馈信息。
上述方案是在前端设置了获取用户的正/负反馈信息的接口之后，可以根据用户对第二物品执行的操作，以通过该接口来获取用户的正/负反馈信息。
而在前端未设置上述接口，或用户未对第二物品执行任何操作的情况下，可以在用户访问第二物品时，可以监测用户对第二物品的访问行为、及访问第二物品时的停留等行为作为用户对第二物品的正反馈信息，而将用户对第二物品的忽略行为(如下拉未停留等行为)作为第二物品的负反馈信息等等。
在具体实现中，本领域技术人员还可以采用其它方式获取用户对第二物品的正反馈信息和负反馈信息，具体地，可以根据业务需求而定，本发明实施例对此不加以限制。
在日志信息中提取出实时行为数据之后，可以从实时行为数据中提取出各第二物品种类对应的第二物品，并从日志信息中提取出各第二物品对应的至少一个用户反馈信息，并执行步骤206。
步骤206：依据所述用户反馈信息，确定各所述第二物品对应的反馈评分值。
反馈评分值是指用户对第二物品反馈的评分值，可以理解地，用户对第二物品的正反馈的反馈评分值可以为正值，而用户对第二物品的负反馈的反馈评分值可以为负值。
在提取出各第二物品对应的至少一个用户反馈信息之后，可以依据用户反馈信息，确定出各第二物品对应的反馈评分值。
对于获确定各第二物品对应的反馈评分值的方式，可以按照下述实施例进行详细描述。
在本发明的一种可选实施例中，所述用户反馈信息包括正反馈次数和负反馈次数，上述步骤206可以包括：
子步骤D1：针对各所述第二物品，获取所述第二物品对应的正反馈次数和负反馈次数。
在本发明中，正反馈次数是指与第二物品对应的正反馈信息对应的次数，例如，用户对第二物品添加喜爱并收藏的次数为2次，分享的次数为3次，推送的次数为5次，则第二物品的正反馈次数即为10次。
负反馈次数是指与第二物品对应的负反馈信息对应的次数，例如，用户对第二物品添加为不喜欢的次数为4次，对第二物品执行的“踩”操作的次数为3次，则第二物品的负反馈次数为7次。
在针对各第二物品，依次获取第二物品对应的正反馈次数和负反馈次数之后，执行子步骤D2。
子步骤D2：依据所述正反馈次数和所述负反馈次数，计算得到所述第二物品对应的反馈评分值。
在获取与第二物品对应的正反馈次数和负反馈次数之后，可以依据正反馈次数和负反馈次数，计算得到第二物品对应的反馈评分值。
而对于计算第二物品对应的反馈评分值的过程以下述实施例进行详细描述。
在本发明的另一种可选实施例中，上述子步骤D2可以包括：
子步骤E1：计算所述正反馈次数和所述负反馈次数的差值；
子步骤E2：将所述差值作为所述第二物品的反馈评分值。
在本发明实施例中，在获取与第二物品对应的正反馈次数和负反馈次数之后，可以计算正反馈次数和负反馈次数的差值，进而将该差值作为第二物品的反馈评分值，例如，第二物品对应的正反馈次数为8，负反馈次数为3，则第二物品的反馈评分值＝8-3＝5，即第二物品的反馈评分值为5；而第二物品对应的正反馈次数为3，负反馈次数为9，则第二物品的反馈评分值＝3-9＝-6。
即第二物品的反馈评分值可以为正值，也可以为负值。
在第二物品的反馈评分值为正值时，表示第二物品为用户喜好的物品，当然，反馈评分值为正值时，反馈评分值越大，表示用户越喜欢该第二物品。
而在第二物品的反馈评分值为负值时，表示第二物品为用户不喜欢的物品，当然，反馈评分值为负值时，反馈评分值越小，表示用户越不喜欢该第二物品。
可以理解地，上述示例仅是为了更好地理解本发明实施例的技术方案，而列举的一种方案，在实际应用中，本领域技术人员还可以采用其它方式获取第二物品的反馈评分值，本发明实施例对此不加以限制。
在获取各第二物品对应的反馈评分值之后，执行步骤207。
步骤207：依据各所述第二物品的反馈评分值，确定与所述用户关联的各所述第二物品种类的第二偏好程度。
第二偏好程度是指用户对各第二物品种类的喜好程度。
在获取各第二物品的反馈评分值之后，可以依据各第二物品的反馈评分值，确定与用户关联的各第二物品种类的第二偏好程度。
在本发明中，可以将第二物品种类所包含的所有第二物品对应的反馈评分值相加，从而计算得到第二物品种类的第二偏好程度，例如，第二物品种类包括物品A和物品B，物品A对应的反馈评分值为0.8，物品B对应的反馈评分值为0.9，则第二物品种类对应的总评分值即为0.8+0.9＝1.7，进而，可以将总评分值作为第二物品种类的第二偏好程度。
可以理解地，上述示例仅是为了更好地理解本发明实施例的技术方案列举的一种第二偏好程度获取方式，在实际应用中，本领域技术人员还可以采用其它方式获取第二偏好程度，本发明实施例对此不加以限制。
在依据各第二物品的反馈评分值，确定与用户关联的各第二物品种类的第二偏好程度之后，执行步骤208。
步骤208：获取各所述反馈评分值中的最大反馈评分值。
在获取各第二物品种类的第二偏好程度之后，可以依据第二偏好程度，从各第二物品种类中确定待推荐物品种类。
具体地，在获取各第二物品对应的反馈评分值之后，可以获取各反馈评分值中的最大反馈评分值，例如，第二物品包括物品a、物品b和物品c，物品a对应的反馈评分值为1，物品b对应的反馈评分值为1.2，物品c对应的反馈评分值为3，则最大反馈评分值即为物品c对应的反馈评分值。
可以理解地，上述示例仅是为了更好地理解本发明实施例的技术方案而列举的示例，不作为对本发明实施例的唯一限制。
在获取各反馈评分值中的最大反馈评分值之后，执行步骤209。
步骤209：将所述最大反馈评分值的第二物品所属的第二物品种类，确定为所述待推荐物品种类。
在获取最大反馈评分值之后，可以确定出最大反馈评分值所对应的第二物品，进而获取最大反馈评分值的第二物品所属的第二物品种类，确定为待推荐物品种类。
本发明实施例中，通过采用基于汤普森抽样(Thompsonsampling)的Bandit算法，即在用户的交互行为较为频繁时，用户对某类物品的正反馈越多，推荐算法选取该类物品进行推荐的概率越高(但由于抽样具有随机性，算法可以向用户推荐用户未反馈过的物品种类，这样可以提高推荐系统的新颖性)。
而在用户几乎没有交互行为时，推荐算法选取物品种类的过程接近于随机抽样(即给各类物品一个公平的被推荐机会，随着用户反馈的增多，随机概率会向用户经常给出正反馈的物品种类倾斜，这种方式可以解决推荐系统的冷启动问题)。
在确定出待推荐物品种类之后，执行步骤210。
步骤210：从各所述第一物品种类中，获取与所述待推荐物品种类相同的第一目标物品种类。
在本发明实施例中，第一目标物品种类是指第一物品种类中与待推荐物品种类相同的物品种类。
在确定出待推荐物品种类之后，可以从各第一物品种类中，获取与待推荐物品种类相同的第一目标物品种类，例如，第一物品种类包括种类1、种类2和种类3，在待推荐物品种类为种类3时，则种类3即为第一目标物品种类。
可以理解地，上述示例仅是为了更好地理解本发明实施例的技术方案而列举的示例，不作为对本发明实施例的唯一限制。
步骤211：依据各所述第一偏好程度，获取所述第一目标物品种类中各目标物品对应的目标评分值。
目标物品是指第一目标物品种类中所包含的物品，目标评分值是指各目标物品对应的评分值。
第一偏好程度的表示方式即为各第一物品种类中各物品的评分值，在获取各第一物品种类中各物品的评分值之后，可以根据各物品的评分值，获取第一目标物品种类中各目标物品对应的目标评分值。
在依据各第一偏好程度，获取第一目标物品种类中各目标物品对应的目标评分值之后，执行步骤212。
步骤212：依据各所述目标评分值，从各所述目标物品中获取至少一个待推荐物品。
在获取各目标物品的目标评分值之后，可以依据各目标评分值从各目标物品中获取至少一个待推荐物品。
具体地，可以将根据目标评分值的大小，选择评分值较大的一个或多个目标物品作为待推荐物品，例如，目标物品包括物品1、物品2、物品3、物品4、物品5和物品6，而物品1的目标评分值为1，物品2的目标评分值为1.2，物品3的目标评分值为1.5，物品4的目标评分值为1.8，物品5的目标评分值为2，在从目标物品中选择一个待推荐物品时，则将物品5作为待推荐物品；而在选择两个待推荐物品时，则将物品5和物品4作为待推荐物品。
可以理解地，上述示例仅是为了更好地理解本发明实施例的技术方案而列举的示例，不作为对本发明实施例的唯一限制。
在依据各目标评分值，从各目标物品中获取至少一个待推荐物品之后，执行步骤213。
步骤213：将所述至少一个待推荐物品推荐给所述用户。
在获取至少一个待推荐物品之后，可以将至少一个待推荐物品推荐给用户，具体地，在推荐时，可以依据各待推荐物品对应的评分值，对各待推荐物品进行排序，并将排序后的各待推荐物品推荐给用户。
接下来结合说明书附图提供的推荐系统结构图对本发明实施例的上述过程进行如下详细描述。
参照图3，示出了本发明实施例提供的一种推荐系统的结构示意图，如图3所示，本发明实施例提供的推荐系统包括离线层、近线层和在线层，具体地处理过程如下：
1、在用户登录APP产生访问行为时，可以由预先设置的流任务执行流处理过程，即由流任务获取用户的访问行为，并将用户的访问行为对应的行为数据保存于数据库中；当然，对于获取用户的历史行为数据的过程，还可以结合用户访问网页信息时生成日志，从日志中提取出与用户关联的历史行为数据，从而完成了用户历史行为数据的离线存储过程；
2、向用户本次登录推荐相应物品时，可以由离线层从数据库中获取与用户对应的历史行为数据；
3、离线层中包括相应的功能模块：相似度计算模块、预处理模块、矩阵分解模块和离线结果更新模块，其中，预处理模块可以对用户的历史行为数据执行预处理操作，如数据的筛选、分割、融合及统计分析等操作，针对物品数据，根据特定字段的筛选条件进行筛选，或分割为若干子集，以应对不同的应用场景。针对用户对物品的行为数据，将多种行为表(喜爱、评论、分享、推送等)进行矩阵加权求和并作归一化，将其融合成用户对物品综合行为评分矩阵；相似度计算模块可以用于基于内容和基于用户对物品综合行为评分矩阵两种。基于内容的方法首先利用Bagofwords模型，用物品某几个属性构建字典，然后将物品的属性根据字典构建物品的特征向量，再利用相似度算法(如余弦相似度)计算物品间的相似程度；矩阵分解模块可以用于采用矩阵分解的方法对该表的缺失值进行补全。矩阵分解的目标是将用户对物品综合行为评分矩阵分解为两个低维子矩阵，分别表示用户因子矩阵和物品因子矩阵；在经过上述处理过程后，可以由离线结果更新模块获取上述过程计算得到的信息，并加以存储，以用于后续为用户推荐物品的过程中；
4、进而，由近线层获取用户本次登录产生的日志行为数据，近线层可以包括日志分析模块、用户信息更新模块、物品信息更新模块、行为信息更新模块，近线层主要负责从APP/前端采集的日志信息流中提取用户、物品、行为信息进行分析，并将更新的信息存入在线存储数据库中(分别对应于用户信息更新模块、物品信息更新模块、行为信息更新模块，在线存储数据库中包含了不同信息对应的存储列表，用户信息更新模块可以将用户信息保存于用户对应的列表，物品信息更新模块可以将物品信息保存于物品对应的列表，行为信息更新模块可以将行为信息保存于行为对应的列表)。采用Kafka构建实时的日志流数据处理管道，获取系统和APP/前端之间的数据，并进行转换和近线计算。日志信息流中包含的信息包括新用户信息、新物品信息、用户指定物品标签信息、用户对物品的行为反馈信息等。其中，用户对物品的行为反馈信息分为正反馈与负反馈。若APP/前端设有正、负反馈渠道(正反馈如喜爱、分享、推送等操作，负反馈如不喜欢或踩等操作)，则按操作种类定义反馈种类；否则将用户访问物品信息的行为计为正反馈，将用户在一个会话(session)中从未对物品进行任何访问的情形计为负反馈。近线层在在线数据库中建立并维护一个用户对物品分类的反馈统计表，针对每个用户，统计其对各个种类的物品的历史正/负反馈次数。每次提取用户对物品的行为反馈信息后，会实时地更新该表中的统计量，以支撑在线计算；
5、在线层包括包括两个模块：推荐结果的在线计算模块和推荐服务云接口。当云接口收到APP/前端的URL请求推荐结果时，提取其中的用户ID或物品ID，并调用在线计算模块。在线计算模块负责根据用户ID或物品ID，结合在线存储数据库中的离线结果表及近线统计表，计算出最终的推荐结果。最终，推荐结果通过云接口返回给APP/前端；在线计算模块分为基于用户ID的推荐、基于物品ID的推荐和基于热度的推荐。当APP/前端的URL中未指定用户ID或物品ID时，基于热度的推荐从离线层计算的物品热度表中找出热度最高的K个物品(K由APP/前端或业务场景指定)作为推荐结果。基于物品ID的推荐从离线层计算的物品相似度矩阵中找出与指定物品ID相似度最高的K个物品(K由APP/前端或业务场景指定)作为推荐结果。
本发明实施例提供的上述推荐系统可以结合用户的历史行为数据和用户当前的交互行为数据，从而可以使得推荐的物品可以及时响应用户的交互行为，增加了物品推荐的多样性。
本发明实施例提供的物品推荐方法，基于用户的历史行为数据，获取与用户关联的各第一物品种类的各物品的第一偏好程度，基于用户的实时行为数据获取与用户关联的第二物品种类的第二偏好程度，依据各第二偏好程度从第二物品种类中确定待推荐物品种类，并依据各第一偏好程度从各第一物品种类对应的各物品中，获取与待推荐物品种类对应的至少一个待推荐物品，并将至少一个待推荐物品推荐给用户。本发明实施例提供的方案，在进行物品推荐时，不仅结合了用户的历史行为数据，还结合了用户当前的交互行为数据，从而可以使得推荐的物品可以及时响应用户的交互行为，增加了物品推荐的多样性，提高了用户的体验。
实施例三
参照图4，示出了本发明实施例提供的一种物品推荐装置的结构示意图，该物品推荐装置具体可以包括：
第一偏好程度获取模块310，用于基于用户的历史行为数据，获取与所述用户关联的各第一物品种类中各物品的第一偏好程度；第二偏好程度获取模块320，用于基于所述用户的实时行为数据，获取与所述用户关联的各第二物品种类的第二偏好程度；待推荐种类确定模块330，用于依据各所述第二偏好程度，从所述各第二物品种类中确定待推荐物品种类；待推荐物品获取模块340，用于依据各所述第一偏好程度，从各所述第一物品种类对应的各物品中，获取与所述待推荐物品种类对应的至少一个待推荐物品；物品推荐模块350，用于将所述至少一个待推荐物品推荐给所述用户。
本发明实施例提供的物品推荐装置，基于用户的历史行为数据，获取与用户关联的各第一物品种类的各物品的第一偏好程度，基于用户的实时行为数据获取与用户关联的第二物品种类的第二偏好程度，依据各第二偏好程度从第二物品种类中确定待推荐物品种类，并依据各第一偏好程度从各第一物品种类对应的各物品中，获取与待推荐物品种类对应的至少一个待推荐物品，并将至少一个待推荐物品推荐给用户。本发明实施例提供的方案，在进行物品推荐时，不仅结合了用户的历史行为数据，还结合了用户当前的交互行为数据，从而可以使得推荐的物品可以及时响应用户的交互行为，增加了物品推荐的多样性，提高了用户的体验。
实施例四
参照图5，示出了本发明实施例提供的一种物品推荐装置的结构示意图，该物品推荐装置具体可以包括：
第一偏好程度获取模块410，用于基于用户的历史行为数据，获取与所述用户关联的各第一物品种类中各物品的第一偏好程度；第二偏好程度获取模块420，用于基于所述用户的实时行为数据，获取与所述用户关联的各第二物品种类的第二偏好程度；待推荐种类确定模块430，用于依据各所述第二偏好程度，从所述各第二物品种类中确定待推荐物品种类；待推荐物品获取模块440，用于依据各所述第一偏好程度，从各所述第一物品种类对应的各物品中，获取与所述待推荐物品种类对应的至少一个待推荐物品；物品推荐模块450，用于将所述至少一个待推荐物品推荐给所述用户。
可选地，所述第一偏好程度获取模块410包括：历史行为数据获取子模块411，用于获取与所述用户关联的历史行为数据；行为数据及物品提取子模块412，用于从所述历史行为数据中提取出各所述第一物品种类中的各物品，及与各所述物品关联的、预设维度的用户行为数据；第一偏好程度确定子模块413，用于基于预设维度的用户行为数据，确定各所述物品对应的评分值，将各所述物品对应的评分值作为所述第一偏好程度。
可选地，所述历史行为数据获取子模块411包括：历史行为数据提取子模块，用于在与所述用户对应的指定存储空间中，提取与所述用户关联的历史行为数据；所述指定存储空间中存储有每隔预设时间获取的与所述用户关联的行为数据。
可选地，所述第一偏好程度确定子模块413包括：目标维度获取子模块，用于针对各所述物品，依次获取所述物品对应的用户行为数据的至少一种目标维度；维度权重获取子模块，用于获取各所述目标维度对应的维度权重；评分值计算子模块，用于计算各所述维度权重的和值，将所述和值作为所述物品的评分值。
可选地，还包括：因子获取模块，用于对各所述物品对应的用户行为数据及评分值进行分解，得到用户行为因子和物品评分因子；预测评分值计算模块，用于依据所述用户行为因子和所述物品评分因子，计算得到所述第一物品对应的预测评分值，将所述预测评分值作为所述第一物品的评分值；第一物品添加模块，用于将所述第一物品添加至所述第一物品种类。
可选地，所述第二偏好程度获取模块420包括：实时行为数据提取子模块421，用于从日志信息中，提取与所述用户关联的实时行为数据；反馈信息提取子模块422，用于从所述实时行为数据中提取出各所述第二物品种类对应的第二物品，及与所述各第二物品对应的至少一个用户反馈信息；反馈评分值确定子模块423，用于依据所述用户反馈信息，确定各所述第二物品对应的反馈评分值；第二偏好程度确定子模块424，用于依据各所述第二物品的反馈评分值，确定与所述用户关联的各所述第二物品种类的第二偏好程度。
可选地，所述用户反馈信息包括正反馈次数和负反馈次数，所述反馈评分值确定子模块423包括：反馈次数获取子模块，用于针对各所述第二物品，获取所述第二物品对应的正反馈次数和负反馈次数；反馈评分值计算子模块，用于依据所述正反馈次数和所述负反馈次数，计算得到所述第二物品对应的反馈评分值。
可选地，所述反馈评分值计算子模块423包括：次数差值计算子模块，用于计算所述正反馈次数和所述负反馈次数的差值；反馈评分值获取子模块，用于将所述差值作为所述第二物品的反馈评分值。
可选地，所述待推荐种类确定模块430包括：最大评分值获取子模块431，用于获取各所述反馈评分值中的最大反馈评分值；待推荐物品种类确定子模块432，用于将所述最大反馈评分值的第二物品所属的第二物品种类，确定为所述待推荐物品种类。
可选地，所述待推荐物品获取模块440包括：目标物品种类获取子模块441，用于从各所述第一物品种类中，获取与所述待推荐物品种类相同的第一目标物品种类；目标评分值获取子模块442，用于依据各所述第一偏好程度，获取所述第一目标物品种类中各目标物品对应的目标评分值；待推荐物品获取子模块443，用于依据各所述目标评分值，从各所述目标物品中获取至少一个待推荐物品。
本发明实施例提供的物品推荐装置，基于用户的历史行为数据，获取与用户关联的各第一物品种类的各物品的第一偏好程度，基于用户的实时行为数据获取与用户关联的第二物品种类的第二偏好程度，依据各第二偏好程度从第二物品种类中确定待推荐物品种类，并依据各第一偏好程度从各第一物品种类对应的各物品中，获取与待推荐物品种类对应的至少一个待推荐物品，并将至少一个待推荐物品推荐给用户。本发明实施例提供的方案，在进行物品推荐时，不仅结合了用户的历史行为数据，还结合了用户当前的交互行为数据，从而可以使得推荐的物品可以及时响应用户的交互行为，增加了物品推荐的多样性，提高了用户的体验。
另外地，本发明实施例还提供了一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，处理器可以被配置为执行上述实施例一至实施例二中任一项的物品推荐方法。
对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于可选实施例，所涉及的动作和模块并不一定是本发明所必须的。
本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上对本发明所提供的一种物品推荐方法、一种物品推荐装置和一种电子设备，进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种物品推荐方法，其特征在于，包括：
基于用户的历史行为数据，获取与所述用户关联的各第一物品种类中各物品的第一偏好程度；
基于所述用户的实时行为数据，获取与所述用户关联的各第二物品种类的第二偏好程度；
依据各所述第二偏好程度，从所述各第二物品种类中确定待推荐物品种类；
依据各所述第一偏好程度，从各所述第一物品种类对应的各物品中，获取与所述待推荐物品种类对应的至少一个待推荐物品；
将所述至少一个待推荐物品推荐给所述用户；
所述基于用户的历史行为数据，获取与所述用户关联的各第一物品种类中各物品的第一偏好程度，包括：
获取与所述用户关联的历史行为数据；
从所述历史行为数据中提取出各所述第一物品种类中的各物品，及与各所述物品关联的、预设维度的用户行为数据；
基于预设维度的用户行为数据，确定各所述物品对应的评分值，将各所述物品对应的评分值作为所述第一偏好程度；
所述基于所述用户的实时行为数据，获取与所述用户关联的各第二物品种类的第二偏好程度，包括：
从日志信息中，提取与所述用户关联的实时行为数据；
从所述实时行为数据中提取出各所述第二物品种类对应的第二物品，及与所述各第二物品对应的至少一个用户反馈信息；
依据所述用户反馈信息，确定各所述第二物品对应的反馈评分值；
依据各所述第二物品的反馈评分值，确定与所述用户关联的各所述第二物品种类的第二偏好程度；
所述基于预设维度的用户行为数据，确定各所述物品对应的评分值，包括：
针对各所述物品，依次获取所述物品对应的用户行为数据的至少一种目标维度；
获取各所述目标维度对应的维度权重；
计算各所述维度权重的和值，将所述和值作为所述物品的评分值；
在所述第一物品种类中不包含第一物品时，在所述计算各所述维度权重的和值，将所述和值作为所述物品的评分值的步骤之后，还包括：
对各所述物品对应的用户行为数据及评分值进行分解，得到用户行为因子和物品评分因子；
依据所述用户行为因子和所述物品评分因子，计算得到所述第一物品对应的预测评分值，将所述预测评分值作为所述第一物品的评分值；
将所述第一物品添加至所述第一物品种类；其中，采用矩阵分解法对物品综合行为评分矩阵表的缺失值进行补全；矩阵分解的目标是将用户对所述物品综合行为评分矩阵分解为两个低维子矩阵，公式为
R为已知用户对物品综合行为评分矩阵，P为矩阵分解得到的用户因子矩阵，Q为矩阵分解得到的物品因子矩阵；
所述依据各所述第一偏好程度，从各所述第一物品种类对应的各物品中，获取与所述待推荐物品种类对应的至少一个待推荐物品，包括：
从各所述第一物品种类中，获取与所述待推荐物品种类相同的第一目标物品种类；
依据各所述第一偏好程度，获取所述第一目标物品种类中各目标物品对应的目标评分值；
依据各所述目标评分值，从各所述目标物品中获取至少一个待推荐物品。
2.根据权利要求1所述的方法，其特征在于，所述获取与所述用户关联的历史行为数据，包括：
在与所述用户对应的指定存储空间中，提取与所述用户关联的历史行为数据；所述指定存储空间中存储有每隔预设时间获取的与所述用户关联的行为数据。
3.根据权利要求1所述的方法，其特征在于，所述用户反馈信息包括正反馈次数和负反馈次数，所述针对各所述第二物品，依次基于所述第二物品对应的各所述用户反馈信息，确定各所述第二物品对应的反馈评分值，包括：
针对各所述第二物品，获取所述第二物品对应的正反馈次数和负反馈次数；
依据所述正反馈次数和所述负反馈次数，计算得到所述第二物品对应的反馈评分值。
4.根据权利要求3所述的方法，其特征在于，所述依据所述正反馈次数和所述负反馈次数，计算得到所述第二物品对应的反馈评分值，包括：
计算所述正反馈次数和所述负反馈次数的差值；
将所述差值作为所述第二物品的反馈评分值。
5.根据权利要求3所述的方法，其特征在于，所述依据各所述第二偏好程度，从所述各第二物品种类中确定待推荐物品种类，包括：
获取各所述反馈评分值中的最大反馈评分值；
将所述最大反馈评分值的第二物品所属的第二物品种类，确定为所述待推荐物品种类。
6.一种物品推荐装置，其特征在于，包括：
第一偏好程度获取模块，用于基于用户的历史行为数据，获取与所述用户关联的各第一物品种类中各物品的第一偏好程度；
第二偏好程度获取模块，用于基于所述用户的实时行为数据，获取与所述用户关联的各第二物品种类的第二偏好程度；
待推荐种类确定模块，用于依据各所述第二偏好程度，从所述各第二物品种类中确定待推荐物品种类；
待推荐物品获取模块，用于依据各所述第一偏好程度，从各所述第一物品种类对应的各物品中，获取与所述待推荐物品种类对应的至少一个待推荐物品，其包括：从各所述第一物品种类中，获取与所述待推荐物品种类相同的第一目标物品种类；依据各所述第一偏好程度，获取所述第一目标物品种类中各目标物品对应的目标评分值；依据各所述目标评分值，从各所述目标物品中获取至少一个待推荐物品；
物品推荐模块，用于将所述至少一个待推荐物品推荐给所述用户；
所述第一偏好程度获取模块包括：
历史行为数据获取子模块，用于获取与所述用户关联的历史行为数据；
行为数据及物品提取子模块，用于从所述历史行为数据中提取出各所述第一物品种类中的各物品，及与各所述物品关联的、预设维度的用户行为数据；
第一偏好程度确定子模块，用于基于预设维度的用户行为数据，确定各所述物品对应的评分值，将各所述物品对应的评分值作为所述第一偏好程度；
第二偏好程度获取模块，还用于从日志信息中，提取与所述用户关联的实时行为数据；
从所述实时行为数据中提取出各所述第二物品种类对应的第二物品，及与所述各第二物品对应的至少一个用户反馈信息；
依据所述用户反馈信息，确定各所述第二物品对应的反馈评分值；
依据各所述第二物品的反馈评分值，确定与所述用户关联的各所述第二物品种类的第二偏好程度；
所述第一偏好程度确定子模块包括：
目标维度获取子模块，用于针对各所述物品，依次获取所述物品对应的用户行为数据的至少一种目标维度；
维度权重获取子模块，用于获取各所述目标维度对应的维度权重；
评分值计算子模块，用于计算各所述维度权重的和值，将所述和值作为所述物品的评分值；
所述物品推荐装置还用于对各所述物品对应的用户行为数据及评分值进行分解，得到用户行为因子和物品评分因子；
依据所述用户行为因子和所述物品评分因子，计算得到所述第一物品对应的预测评分值，将所述预测评分值作为所述第一物品的评分值；
将所述第一物品添加至所述第一物品种类其中，采用矩阵分解法对物品综合行为评分矩阵表的缺失值进行补全；矩阵分解的目标是将用户对所述物品综合行为评分矩阵分解为两个低维子矩阵，公式为
R为已知用户对物品综合行为评分矩阵，P为矩阵分解得到的用户因子矩阵，Q为矩阵分解得到的物品因子矩阵。
7.根据权利要求6所述的装置，其特征在于，所述历史行为数据获取子模块包括：
历史行为数据提取子模块，用于在与所述用户对应的指定存储空间中，提取与所述用户关联的历史行为数据；所述指定存储空间中存储有每隔预设时间获取的与所述用户关联的行为数据。
8.一种电子设备，其特征在于，包括：
处理器；
用于存储所述处理器可执行指令的存储器；
其中，所述处理器被配置为执行权利要求1至5任一项所述的物品推荐方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910470668.5A CN110175895B (zh) | 2019-05-31 | 2019-05-31 | 一种物品推荐方法及装置 |
| PCT/CN2020/086247 WO2020238502A1 (zh) | 2019-05-31 | 2020-04-23 | 物品推荐方法及装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910470668.5A CN110175895B (zh) | 2019-05-31 | 2019-05-31 | 一种物品推荐方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110175895A CN110175895A (zh) | 2019-08-27 |
| CN110175895B true CN110175895B (zh) | 2023-04-07 |
Family
ID=67696129
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910470668.5A Active CN110175895B (zh) | 2019-05-31 | 2019-05-31 | 一种物品推荐方法及装置 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN110175895B (zh) |
| WO (1) | WO2020238502A1 (zh) |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110175895B (zh) * | 2019-05-31 | 2023-04-07 | 京东方科技集团股份有限公司 | 一种物品推荐方法及装置 |
| CN111080339B (zh) * | 2019-11-18 | 2024-01-30 | 口口相传(北京)网络技术有限公司 | 基于场景的类目偏好数据生成方法及装置 |
| CN111553763B (zh) * | 2020-04-26 | 2023-03-24 | 上海风秩科技有限公司 | 一种物品推荐方法、装置、电子设备及可读存储介质 |
| CN111611481B (zh) * | 2020-05-08 | 2023-05-12 | 掌阅科技股份有限公司 | 书籍推荐方法、计算设备及计算机存储介质 |
| CN113807905A (zh) * | 2020-11-05 | 2021-12-17 | 北京沃东天骏信息技术有限公司 | 物品的推荐方法及装置、计算机存储介质、电子设备 |
| CN112232929A (zh) * | 2020-11-05 | 2021-01-15 | 南京工业大学 | 一种多模态下的互补物品的多样性推荐列表生成方法 |
| CN114564641B (zh) * | 2022-02-18 | 2024-08-16 | 华东师范大学 | 个性化多视图联邦推荐系统 |
| CN114780862B (zh) * | 2022-06-21 | 2022-09-23 | 达而观数据(成都)有限公司 | 一种用户兴趣向量提取方法、提取模型及计算机系统 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104866530A (zh) * | 2015-04-27 | 2015-08-26 | 宁波网传媒有限公司 | 一种基于滑标评分的推荐系统及方法 |
Family Cites Families (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101020206B1 (ko) * | 2008-06-16 | 2011-03-08 | 성균관대학교산학협력단 | 사용자 추천 방법 및 이를 위한 프로그램이 기록된 기록매체 |
| CN107306355B (zh) * | 2016-04-20 | 2019-10-25 | 华为技术有限公司 | 一种内容推荐方法及服务器 |
| US11144949B2 (en) * | 2016-05-13 | 2021-10-12 | Zeta Global Corp. | Adaptive lead generation for marketing |
| CN108874831A (zh) * | 2017-05-12 | 2018-11-23 | 阿里巴巴集团控股有限公司 | 一种信息推荐方法及装置 |
| CN107273438B (zh) * | 2017-05-24 | 2021-02-23 | 深圳大学 | 一种推荐方法、装置、设备及存储介质 |
| CN107742250A (zh) * | 2017-12-04 | 2018-02-27 | 深圳春沐源控股有限公司 | 商品浏览记录的显示方法和显示系统 |
| CN108198019A (zh) * | 2017-12-27 | 2018-06-22 | 网易无尾熊（杭州）科技有限公司 | 物品推荐方法及装置、存储介质、电子设备 |
| CN109559208B (zh) * | 2019-01-04 | 2022-05-03 | 平安科技（深圳）有限公司 | 一种信息推荐方法、服务器及计算机可读介质 |
| CN110175895B (zh) * | 2019-05-31 | 2023-04-07 | 京东方科技集团股份有限公司 | 一种物品推荐方法及装置 |
-
2019
- 2019-05-31 CN CN201910470668.5A patent/CN110175895B/zh active Active
-
2020
- 2020-04-23 WO PCT/CN2020/086247 patent/WO2020238502A1/zh active Application Filing
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104866530A (zh) * | 2015-04-27 | 2015-08-26 | 宁波网传媒有限公司 | 一种基于滑标评分的推荐系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2020238502A1 (zh) | 2020-12-03 |
| CN110175895A (zh) | 2019-08-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110175895B (zh) | 一种物品推荐方法及装置 | |
| CN110162693B (zh) | 一种信息推荐的方法以及服务器 | |
| CN108629665B (zh) | 一种个性化商品推荐方法和系统 | |
| CN107492008B (zh) | 信息推荐方法、装置、服务器及计算机存储介质 | |
| CN103886090B (zh) | 基于用户喜好的内容推荐方法及装置 | |
| CN106940801B (zh) | 一种用于广域网络的深度强化学习推荐系统及方法 | |
| CN103544216B (zh) | 一种结合图像内容和关键字的信息推荐方法及系统 | |
| US8234311B2 (en) | Information processing device, importance calculation method, and program | |
| CN108182621A (zh) | 商品推荐方法及商品推荐装置、设备和存储介质 | |
| CN111708949B (zh) | 医疗资源的推荐方法及装置、电子设备、存储介质 | |
| CN110909182B (zh) | 多媒体资源搜索方法、装置、计算机设备及存储介质 | |
| CN109684538A (zh) | 一种基于用户个人特征的推荐方法及推荐系统 | |
| CN113850649A (zh) | 一种基于多平台用户数据的定制化推荐方法及推荐系统 | |
| CN112541806B (zh) | 一种基于异质信息网络的推荐方法及装置 | |
| CN114371946B (zh) | 基于云计算和大数据的信息推送方法及信息推送服务器 | |
| Dhruv et al. | Artist recommendation system using hybrid method: A novel approach | |
| CN112488781A (zh) | 搜索推荐方法、装置、电子设备及可读存储介质 | |
| Liang et al. | Collaborative filtering based on information-theoretic co-clustering | |
| CN115712780A (zh) | 一种基于云计算和大数据的信息推送方法及装置 | |
| CN111651678A (zh) | 一种基于知识图谱的个性化推荐方法 | |
| CN110688565A (zh) | 基于多维霍克斯过程和注意力机制的下一个物品推荐方法 | |
| CN113761347A (zh) | 一种商品推荐方法、装置、存储介质及系统 | |
| CN108268519B (zh) | 一种推荐网络对象的方法和装置 | |
| CN113592589A (zh) | 纺织原料推荐方法、装置及处理器 | |
| US20150206220A1 (en) | Recommendation Strategy Portfolios |
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 |