CN110209927B - 个性化推荐方法、装置、电子设备及可读存储介质 - Google Patents
个性化推荐方法、装置、电子设备及可读存储介质 Download PDFInfo
- Publication number
- CN110209927B CN110209927B CN201910341145.0A CN201910341145A CN110209927B CN 110209927 B CN110209927 B CN 110209927B CN 201910341145 A CN201910341145 A CN 201910341145A CN 110209927 B CN110209927 B CN 110209927B
- Authority
- CN
- China
- Prior art keywords
- user
- subset
- objects
- same
- similarity
- 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
Images
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开的实施例提供了一种个性化推荐方法、装置、电子设备及可读存储介质,所述方法包括:分别获取针对候选对象、参考对象存在目标操作的用户集合得到第一用户集、第二用户集;确定所述第一用户集和第二用户集包含的相同用户得到相同用户集;针对所述相同用户集中的其中两个用户,分别获取所述两个用户进行目标操作的对象集,得到第一对象集、第二对象集;根据所述第一对象集、第二对象集包含的相同对象数目确定所述候选对象和所述参考对象的相似度;根据所述相似度将所述候选对象推荐给目标用户。
Description
技术领域
本公开的实施例涉及个性化推荐技术领域,尤其涉及一种个性化推荐方法、装置、电子设备及可读存储介质。
背景技术
在个性化推荐领域中,可以根据用户历史点击的对象,向用户推荐相似对象,此时,需要计算候选对象和历史点击的对象之间的相似度,将与历史点击的对象相似度较高的候选对象推荐给用户。
现有技术中,用杰卡德公式计算两个对象之间的相似度,具体步骤包括:首先,分别获取点击两个对象的用户集;然后,将两个用户集取交集,得到交集的用户数目;再然后,将两个用户集取并集,得到并集的用户数目;最后,根据交集的用户数目和并集的用户数目的比值,确定两个对象的相似度。
发明人对上述过程进行研究发现,对于两个点击量很大的对象,例如热点对象,杰卡德公式计算得到的相似度很大,但这种相似度大是大的点击量引起的,并不能说明两个对象很相似。
发明内容
本公开的实施例提供一种个性化推荐方法、装置、电子设备及可读存储介质,依据对候选对象和参考对象均存在目标操作的用户所操作的相同对象数目,计算候选对象和参考对象的相似度,可以避免点击量很大的对象,计算的相似度并不能准确代表相似度的问题。
根据本公开的实施例的第一方面,提供了一种个性化推荐方法,所述方法包括:
分别获取针对候选对象、参考对象存在目标操作的用户集合得到第一用户集、第二用户集;
确定所述第一用户集和第二用户集包含的相同用户得到相同用户集;
针对所述相同用户集中的其中两个用户,分别获取所述两个用户进行目标操作的对象集,得到第一对象集、第二对象集;
根据所述第一对象集、第二对象集包含的相同对象数目确定所述候选对象和所述参考对象的相似度;
根据所述相似度将所述候选对象推荐给目标用户。
根据本公开的实施例的第二方面,提供了一种个性化推荐装置,所述装置包括:
第一用户集获取模块,用于分别获取针对候选对象、参考对象存在目标操作的用户集合得到第一用户集、第二用户集;
第二用户集获取模块,用于确定所述第一用户集和第二用户集包含的相同用户得到相同用户集;
对象集获取模块,用于针对所述相同用户集中的其中两个用户,分别获取所述两个用户进行目标操作的对象集,得到第一对象集、第二对象集;
相似度计算模块,用于根据所述第一对象集、第二对象集包含的相同对象数目确定所述候选对象和所述参考对象的相似度;
对象推荐模块,用于根据所述相似度将所述候选对象推荐给目标用户。
根据本公开的实施例的第三方面,提供了一种电子设备,包括:
处理器、存储器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现前述个性化推荐方法。
根据本公开的实施例的第四方面,提供了一种可读存储介质,其特征在于,当所述存储介质中的指令由电子设备的处理器执行时,使得电子设备能够执行前述个性化推荐方法。
本公开的实施例提供了一种个性化推荐方法及装置,所述方法包括:分别获取针对候选对象、参考对象存在目标操作的用户集合得到第一用户集、第二用户集;确定所述第一用户集和第二用户集包含的相同用户得到相同用户集;针对所述相同用户集中的其中两个用户,分别获取所述两个用户进行目标操作的对象集,得到第一对象集、第二对象集;根据所述第一对象集、第二对象集包含的相同对象数目确定所述候选对象和所述参考对象的相似度;根据所述相似度将所述候选对象推荐给目标用户。依据对候选对象和参考对象均存在目标操作的用户所操作的相同对象数目,计算候选对象和参考对象的相似度,可以避免点击量很大的对象,计算的相似度并不能准确代表相似度的问题。
附图说明
为了更清楚地说明本公开的实施例的技术方案,下面将对本公开的实施例的描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本公开的实施例的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1示出了本公开的一种实施例中的个性化推荐方法步骤流程图;
图2示出了本公开的另一种实施例中的个性化推荐方法步骤流程图;
图3示出了本公开的一种实施例中的个性化推荐装置的结构图;
图4示出了本公开的另一种实施例中的个性化推荐装置的结构图;
图5示出了本公开的一种实施例中的电子设备的结构图。
具体实施方式
下面将结合本公开的实施例中的附图,对本公开的实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本公开的实施例一部分实施例,而不是全部的实施例。基于本公开的实施例中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本公开的实施例保护的范围。
实施例一
参照图1,其示出了本公开的一种实施例中的个性化推荐方法的步骤流程图,具体如下。
步骤101,分别获取针对候选对象、参考对象存在目标操作的用户集合得到第一用户集、第二用户集。
本公开的实施例可以应用于根据参考对象向用户推荐相似的候选对象。
其中,参考对象可以为用户感兴趣的对象,例如,用户曾经点击、或下单的对象。
参考对象为待推荐的对象,可以为用户未点击、且未下单的对象。
目标操作可以包括但不限于:点击、下单。
具体地,可以从平台的历史操作记录中获取第一用户集合、第二用户集合。例如,针对一条操作记录,若操作对象为候选对象,则将该操作记录的操作用户添加至第一用户集中;若操作对象为参考对象,则将该操作记录的操作用户添加至第二用户集中;若操作对象不为候选对象,也不为过参考对象,则丢弃该操作记录。
可以理解,在本公开的实施例中,对象可以为网页、商品、服务等。
步骤102,确定所述第一用户集和第二用户集包含的相同用户得到相同用户集。
具体地,可以用第一用户集和第二用户集进行求交运算,得到相同用户集。
此外,还可以将第一用户集和第二用户集中用户进行对比,得到相同用户集。
步骤103,针对所述相同用户集中的其中两个用户,分别获取所述两个用户进行目标操作的对象集,得到第一对象集、第二对象集。
具体地,可以从历史操作记录中获取第一对象集、第二对象集。例如,若其中一条操作记录,其操作用户为其中一个用户,则将操作记录的操作对象添加至第一对象集中;若其操作用户为另一个用户,则将操作记录的操作对象添加至第二对象集中;若操作用户不为这两个用户,则丢弃该操作记录。
可以理解,本公开的实施例可以获取相同用户集中每个用户进行目标操作的所有对象。
步骤104,根据所述第一对象集、第二对象集包含的相同对象数目确定所述候选对象和所述参考对象的相似度。
具体地,相同对象数目越大,则相似度越小;相同对象数目越小,则相似度越大。
可以理解,相同对象数目越大,说明两个集合中包含的热点对象越多,则相似度越小;相同对象数目越小,说明两个集合中包含的热点对象越少,则相似度越大。
可选地,在本公开的一种实施例中,采用如下公式计算所述候选对象和所述参考对象的相似度S:
可以理解,预设平滑因子可以为大于0的任何数值,当然,平滑因子若设置太大,会导致相似度很小,不方便比较,从而平滑因子可以设置为大于0且小于一个预设值之间的数值。
可以理解,在实际应用中,在保证相似度与相同对象数目的定性关系不变的前提下,还可以对公式(1)进行适当的变形。例如,对其取对数、指数、或简单的线性变换。
可选地,在本公开的另一种实施例中,步骤104包括子步骤A1至A2:
子步骤A1,确定所述第一对象集、第二对象集包含的总对象数目。
具体地,可以将第一对象集、第二对象集取并集,并确定并集包含的对象数目得到总对象数目。
此外,还可以将第一对象集和第二对象集的对象合并,然后再去重,得到包含的总对象数目。
子步骤A2,根据所述第一对象集、第二对象集包含的相同对象数目、总对象数目,确定所述候选对象和所述参考对象的相似度。
具体地,相同对象数目越大,总对象数目越小,即相同对象数目与总对象数目的比值越大,则相似度越大;相同对象数目越小,总对象数目越大,即相同对象数目与总对象数目的比值越小,则相似度越小。
可选地,在本公开的另一种实施例中,采用如下公式计算所述候选对象和所述参考对象的相似度S:
其中,所述U为相同用户集,Ui、Uj分别为U中的两个不同用户,分别为Ui、Uj对应的第一对象集、第二对象集,为第一对象集、第二对象集包含的相同对象数目,为第一对象集、第二对象集包含的总对象数目,α为预设平滑因子。
平滑因子可以参照公式(1)中的说明,在此不再赘述。
可以理解,在实际应用中,在保证相似度与相同对象数目、总对象数目的定性关系不变的前提下,还可以对公式(2)进行适当的变形。例如,对其取对数、指数、或简单的线性变换。
步骤105,根据所述相似度将所述候选对象推荐给目标用户。
具体地,若候选对象与参考对象的相似度大于预设的相似度阈值,则将该候选对象推荐给目标用户。
此外,还可以将相似度大于预设的相似度阈值,且排序靠前的一个或多个候选对象推荐给目标用户。从而可以进一步保证候选对象和参考对象的相似度较高,有助于提高推荐成功率。
综上所述,本公开的实施例提供了一种个性化推荐方法,所述方法包括:分别获取针对候选对象、参考对象存在目标操作的用户集合得到第一用户集、第二用户集;确定所述第一用户集和第二用户集包含的相同用户得到相同用户集;针对所述相同用户集中的其中两个用户,分别获取所述两个用户进行目标操作的对象集,得到第一对象集、第二对象集;根据所述第一对象集、第二对象集包含的相同对象数目确定所述候选对象和所述参考对象的相似度;根据所述相似度将所述候选对象推荐给目标用户。依据对候选对象和参考对象均存在目标操作的用户所操作的相同对象数目,计算候选对象和参考对象的相似度,可以避免点击量很大的对象,计算的相似度并不能准确代表相似度的问题。
实施例二
参照图2,其示出了在本公开的另一种实施例中的个性化推荐方法的具体步骤流程图,具体如下。
步骤201,分别获取针对候选对象、参考对象存在点击操作的用户集合得到第一点击用户子集、第二点击用户子集。
具体地,可以从平台的历史操作记录中获取第一点击用户子集、第二点击用户子集。例如,针对一条操作记录,若操作对象为候选对象,且操作类型为点击,则将该操作记录的操作用户添加至第一点击用户子集中;若操作对象为参考对象,且操作类型为点击,则将该操作记录的操作用户添加至第二点击用户子集中;否则丢弃该操作记录。
步骤202,分别获取针对候选对象、参考对象存在下单操作的用户集合得到第一下单用户子集、第二下单用户子集。
具体地,可以从平台的历史操作记录中获取第一下单用户子集、第二下单用户子集。例如,针对一条操作记录,若操作对象为候选对象,且操作类型为下单,则将该操作记录的操作用户添加至第一下单用户子集中;若操作对象为参考对象,且操作类型为下单,则将该操作记录的操作用户添加至第二下单用户子集中;否则丢弃该操作记录。
可以理解,当目标操作仅包括点击、下单两种时,第一下单用户子集、第一点击用户子集的并集等同于步骤101得到的第一用户子集,第二下单用户子集、第二点击用户子集的并集等同于步骤101得到的第二用户子集。
步骤203,确定所述第一点击用户子集、第二点击用户子集包含的相同用户得到相同点击用户子集。
具体地,可以用第一点击用户子集和第二点击用户子集进行求交运算,得到相同点击用户子集。
此外,还可以将第一点击用户子集和第二点击用户子集中用户进行对比,得到相同点击用户子集。
步骤204,确定所述第一下单用户子集、第二下单用户子集包含的相同用户得到相同下单用户子集。
具体地,可以用第一下单用户子集和第二下单用户子集进行求交运算,得到相同下单用户子集。
此外,还可以将第一下单用户子集和第二下单用户子集中用户进行对比,得到相同下单用户子集。
可以理解,当目标操作仅包括点击、下单两种时,相同点击用户子集、相同下单用户子集的并集等同于步骤102得到的相同用户集。
步骤205,针对所述相同点击用户子集中的其中两个用户,分别获取所述两个用户进行点击操作的对象集,得到第一点击对象子集、第二点击对象子集。
步骤206,针对所述相同下单用户子集中的其中两个用户,分别获取所述两个用户进行下单操作的对象集,得到第一下单对象子集、第二下单对象子集。
步骤207,根据所述第一点击对象子集、第二点击对象子集包含的相同对象数目、预设点击权重参数,确定所述候选对象和所述参考对象的点击相似度。
可选地,在本公开的另一种实施例中,步骤207包括子步骤B1至B2:
子步骤B1,确定所述第一点击对象子集、第二点击对象子集包含的总对象数目。
具体地,可以将第一点击对象子集、第二点击对象子集取并集,并确定并集包含的对象数目得到总对象数目。
此外,还可以将第一点击对象子集和第二点击对象子集的对象合并,然后再去重,得到包含的总对象数目。
子步骤B2,根据所述第一点击对象子集、第二点击对象子集包含的相同对象数目、总对象数目、预设点击权重参数,确定所述候选对象和所述参考对象的点击相似度。
其中,点击权重参数用于调整点击对相似度的权重,可以根据实际应用场景设定。可以理解,点击权重参数越大,点击相似度越大,点击对相似度的影响越大;点击权重参数越小,点击相似度越小,点击对相似度的影响越小。
具体地,结合公式(1),点击相似度S1可以参照如下步骤计算得到:
其中,所述U1为相同点击用户子集,U1i、U1j分别为U1中的两个不同用户,分别为U1i、U1j对应的第一点击对象子集、第二点击对象子集,为第一点击对象子集、第二点击对象子集包含的相同对象数目,α为预设平滑因子,a为点击权重参数。
结合公式(2),点击相似度S1还可以参照如下步骤计算得到:
步骤208,根据所述第一下单对象子集、第二下单对象子集包含的相同对象数目、预设下单权重参数,确定所述候选对象和所述参考对象的下单相似度。
可选地,在本公开的另一种实施例中,步骤208包括子步骤C1至C2:
子步骤C1,确定所述第一下单对象子集、第二下单对象子集包含的总对象数目。
具体地,可以将第一下单对象子集、第二下单对象子集取并集,并确定并集包含的对象数目得到总对象数目。
此外,还可以将第一下单对象子集和第二下单对象子集的对象合并,然后再去重,得到包含的总对象数目。
子步骤C2,根据所述第一下单对象子集、第二下单对象子集包含的相同对象数目、总对象数目、预设下单权重参数,确定所述候选对象和所述参考对象的下单相似度。
其中,下单权重参数用于调整下单对相似度的权重,可以根据实际应用场景设定。可以理解,下单权重参数越大,下单相似度越大,下单对相似度的影响越大;下单权重参数越小,下单相似度越小,下单对相似度的影响越小。
具体地,结合公式(1),下单相似度S2可以参照如下步骤计算得到:
其中,所述U2为相同下单用户子集,U2i、U2j分别为U2中的两个不同用户,分别为U2i、U2j对应的第一下单对象子集、第二下单对象子集,为第一下单对象子集、第二下单对象子集包含的相同对象数目,α为预设平滑因子,b为下单权重参数。
结合公式(2),下单相似度S2还可以参照如下步骤计算得到:
特别地,当a和b均为1时,点击和下单对相似度的影响相同。
步骤209,根据所述点击相似度和所述下单相似度确定所述候选对象和所述参考对象的相似度。
具体地,可以将点击相似度与下单相似度进行相加,得到相似度。
例如,可以结合公式(3)和(5),得到相似度S的计算公式如下:
还可以结合公式(4)和(6),得到相似度S的计算公式如下:
可以理解,a和b可以取值相同例如1,也可以取值不同。
可以理解,在保证点击相似度越大、下单相似度越大,相似度越大的定性关系下,可以采用任何公式根据点击相似度和下单相似度计算相似度。本公开的实施例对其不加以限制。
步骤210,根据所述相似度将所述候选对象推荐给目标用户。
该步骤可以参照步骤105的详细说明,在此不再赘述。
综上所述,本公开的实施例提供了一种个性化推荐方法,所述方法包括:分别获取针对候选对象、参考对象存在目标操作的用户集合得到第一用户集、第二用户集;确定所述第一用户集和第二用户集包含的相同用户得到相同用户集;针对所述相同用户集中的其中两个用户,分别获取所述两个用户进行目标操作的对象集,得到第一对象集、第二对象集;根据所述第一对象集、第二对象集包含的相同对象数目确定所述候选对象和所述参考对象的相似度;根据所述相似度将所述候选对象推荐给目标用户。依据对候选对象和参考对象均存在目标操作的用户所操作的相同对象数目,计算候选对象和参考对象的相似度,可以避免点击量很大的对象,计算的相似度并不能准确代表相似度的问题。
实施例三
参照图3,其示出了在本公开的另一种实施例中的个性化推荐装置的结构图,具体如下。
第一用户集获取模块301,用于分别获取针对候选对象、参考对象存在目标操作的用户集合得到第一用户集、第二用户集。
第二用户集获取模块302,用于确定所述第一用户集和第二用户集包含的相同用户得到相同用户集。
对象集获取模块303,用于针对所述相同用户集中的其中两个用户,分别获取所述两个用户进行目标操作的对象集,得到第一对象集、第二对象集。
相似度计算模块304,用于根据所述第一对象集、第二对象集包含的相同对象数目确定所述候选对象和所述参考对象的相似度。
对象推荐模块305,用于根据所述相似度将所述候选对象推荐给目标用户。
可选地,所述相似度计算模块304,包括:
第一相似度计算子模块,用于采用如下公式计算所述候选对象和所述参考对象的相似度S:
可选地,在本公开的另一种实施例中,所述相似度计算模块304,包括:
总对象数目确定子模块,用于确定所述第一对象集、第二对象集包含的总对象数目。
第二相似度计算子模块,用于根据所述第一对象集、第二对象集包含的相同对象数目、总对象数目,确定所述候选对象和所述参考对象的相似度。
可选地,在本公开的另一种实施例中,所述第二相似度计算子模块,包括:
第二相似度计算单元,用于采用如下公式计算所述候选对象和所述参考对象的相似度S:
其中,所述U为相同用户集,Ui、Uj分别为U中的两个不同用户,分别为Ui、Uj对应的第一对象集、第二对象集,为第一对象集、第二对象集包含的相同对象数目,为第一对象集、第二对象集包含的总对象数目,α为预设平滑因子。
综上所述,本公开的实施例提供了一种个性化推荐装置,所述装置包括:第一用户集获取模块,用于分别获取针对候选对象、参考对象存在目标操作的用户集合得到第一用户集、第二用户集;第二用户集获取模块,用于确定所述第一用户集和第二用户集包含的相同用户得到相同用户集;对象集获取模块,用于针对所述相同用户集中的其中两个用户,分别获取所述两个用户进行目标操作的对象集,得到第一对象集、第二对象集;相似度计算模块,用于根据所述第一对象集、第二对象集包含的相同对象数目确定所述候选对象和所述参考对象的相似度;对象推荐模块,用于根据所述相似度将所述候选对象推荐给目标用户。依据对候选对象和参考对象均存在目标操作的用户所操作的相同对象数目,计算候选对象和参考对象的相似度,可以避免点击量很大的对象,计算的相似度并不能准确代表相似度的问题。
实施例三为实施例一对应的装置实施例,详细说明可以参照实施例一,在此不再赘述。
实施例四
参照图4,其示出了在本公开的一种实施例中的个性化推荐装置的结构图,具体如下。
第一用户集获取模块401,用于分别获取针对候选对象、参考对象存在目标操作的用户集合得到第一用户集、第二用户集;可选地,在本公开的实施例中,所述目标操作包括点击操作、下单操作,所述第一用户集包括第一点击用户子集、第一下单用户子集,所述第二用户集包括第二点击用户子集、第二下单用户子集,所述第一用户集获取模块401,包括:
点击用户子集获取子模块4011,用于分别获取针对候选对象、参考对象存在点击操作的用户集合得到第一点击用户子集、第二点击用户子集。
下单用户子集获取子模块4012,用于分别获取针对候选对象、参考对象存在下单操作的用户集合得到第一下单用户子集、第二下单用户子集。
第二用户集获取模块402,用于确定所述第一用户集和第二用户集包含的相同用户得到相同用户集;可选地,在本公开的实施例中,所述相同用户集包括相同点击用户子集、相同下单用户子集,所述第二用户集获取模块402,包括:
相同点击用户子集确定子模块4021,用于确定所述第一点击用户子集、第二点击用户子集包含的相同用户得到相同点击用户子集。
相同下单用户子集确定子模块4022,用于确定所述第一下单用户子集、第二下单用户子集包含的相同用户得到相同下单用户子集。
对象集获取模块403,用于针对所述相同用户集中的其中两个用户,分别获取所述两个用户进行目标操作的对象集,得到第一对象集、第二对象集;可选地,在本公开的实施例中,所述第一对象集包括第一点击对象子集、第一下单对象子集,第二对象集包括第二点击对象子集、第二下单对象子集,所述对象集获取模块403,包括:
点击对象子集获取子模块4031,用于针对所述相同点击用户子集中的其中两个用户,分别获取所述两个用户进行点击操作的对象集,得到第一点击对象子集、第二点击对象子集。
下单对象子集获取子模块4032,用于针对所述相同下单用户子集中的其中两个用户,分别获取所述两个用户进行下单操作的对象集,得到第一下单对象子集、第二下单对象子集。
相似度计算模块404,用于根据所述第一对象集、第二对象集包含的相同对象数目确定所述候选对象和所述参考对象的相似度;可选地,在本公开的实施例中,所述相似度计算模块404,包括:
点击相似度计算子模块4041,用于根据所述第一点击对象子集、第二点击对象子集包含的相同对象数目、预设点击权重参数,确定所述候选对象和所述参考对象的点击相似度。
下单相似度计算子模块4042,用于根据所述第一下单对象子集、第二下单对象子集包含的相同对象数目、预设下单权重参数,确定所述候选对象和所述参考对象的下单相似度。
第三相似度计算子模块4043,用于根据所述点击相似度和所述下单相似度确定所述候选对象和所述参考对象的相似度。
对象推荐模块405,用于根据所述相似度将所述候选对象推荐给目标用户。
可选地,在本公开的另一种实施例中,所述点击相似度计算子模块4041,包括:
点击总对象数目确定单元,用于确定所述第一点击对象子集、第二点击对象子集包含的总对象数目。
点击相似度计算单元,用于根据所述第一点击对象子集、第二点击对象子集包含的相同对象数目、总对象数目、预设点击权重参数,确定所述候选对象和所述参考对象的点击相似度。
可选地,在本公开的另一种实施例中,所述下单相似度计算子模块4042包括:
下单总对象数目确定单元,用于确定所述第一下单对象子集、第二下单对象子集包含的总对象数目。
下单相似度计算单元,用于根据所述第一下单对象子集、第二下单对象子集包含的相同对象数目、总对象数目、预设下单权重参数,确定所述候选对象和所述参考对象的下单相似度。
综上所述,本公开的实施例提供了一种个性化推荐装置,所述装置包括:第一用户集获取模块,用于分别获取针对候选对象、参考对象存在目标操作的用户集合得到第一用户集、第二用户集;第二用户集获取模块,用于确定所述第一用户集和第二用户集包含的相同用户得到相同用户集;对象集获取模块,用于针对所述相同用户集中的其中两个用户,分别获取所述两个用户进行目标操作的对象集,得到第一对象集、第二对象集;相似度计算模块,用于根据所述第一对象集、第二对象集包含的相同对象数目确定所述候选对象和所述参考对象的相似度;对象推荐模块,用于根据所述相似度将所述候选对象推荐给目标用户。依据对候选对象和参考对象均存在目标操作的用户所操作的相同对象数目,计算候选对象和参考对象的相似度,可以避免点击量很大的对象,计算的相似度并不能准确代表相似度的问题。
实施例四为实施例二对应的装置实施例,详细说明可以参照实施例二,在此不再赘述。
本公开的实施例还提供了一种电子设备,参照图5,包括:处理器501、存储器502以及存储在所述存储器502上并可在所述处理器上运行的计算机程序5021,所述处理器501执行所述程序时实现前述实施例的个性化推荐方法。
本公开的实施例还提供了一种可读存储介质,当所述存储介质中的指令由电子设备的处理器执行时,使得电子设备能够执行前述实施例的个性化推荐方法。
对于装置实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述,构造这类系统所要求的结构是显而易见的。此外,本公开的实施例也不针对任何特定编程语言。应当明白,可以利用各种编程语言实现在此描述的本公开的实施例的内容,并且上面对特定语言所做的描述是为了披露本公开的实施例的最佳实施方式。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本公开的实施例的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本公开并帮助理解各个发明方面中的一个或多个,在上面对本公开的实施例的示例性实施例的描述中,本公开的实施例的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本公开的实施例要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如下面的权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本公开的实施例的单独实施例。
本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
本公开的实施例的各个部件实施例可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本公开的实施例的个性化推荐设备中的一些或者全部部件的一些或者全部功能。本公开的实施例还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序。这样的实现本公开的实施例的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
应该注意的是上述实施例对本公开的实施例进行说明而不是对本公开的实施例进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本公开的实施例可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
以上所述仅为本公开的实施例的较佳实施例而已,并不用以限制本公开的实施例,凡在本公开的实施例的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本公开的实施例的保护范围之内。
以上所述,仅为本公开的实施例的具体实施方式,但本公开的实施例的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本公开的实施例揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本公开的实施例的保护范围之内。因此,本公开的实施例的保护范围应以权利要求的保护范围为准。
Claims (13)
1.一种个性化推荐方法,其特征在于,所述方法包括:
分别获取针对候选对象、参考对象存在目标操作的用户集合得到第一用户集、第二用户集;
确定所述第一用户集和第二用户集包含的相同用户得到相同用户集;
针对所述相同用户集中的其中两个用户,分别获取所述两个用户进行目标操作的对象集,得到第一对象集、第二对象集;
根据所述第一对象集、第二对象集包含的相同对象数目确定所述候选对象和所述参考对象的相似度;
根据所述相似度将所述候选对象推荐给目标用户。
3.根据权利要求1所述的方法,其特征在于,所述根据所述第一对象集、第二对象集包含的相同对象数目确定所述候选对象和所述参考对象的相似度的步骤,包括:
确定所述第一对象集、第二对象集包含的总对象数目;
根据所述第一对象集、第二对象集包含的相同对象数目、总对象数目,确定所述候选对象和所述参考对象的相似度。
5.根据权利要求1至4其中任一项所述的方法,其特征在于,所述目标操作包括点击操作、下单操作,所述第一用户集包括第一点击用户子集、第一下单用户子集,所述第二用户集包括第二点击用户子集、第二下单用户子集,所述分别获取针对候选对象、参考对象存在目标操作的用户集合得到第一用户集、第二用户集的步骤,包括:
分别获取针对候选对象、参考对象存在点击操作的用户集合得到第一点击用户子集、第二点击用户子集;
分别获取针对候选对象、参考对象存在下单操作的用户集合得到第一下单用户子集、第二下单用户子集。
6.根据权利要求5所述的方法,其特征在于,所述相同用户集包括相同点击用户子集、相同下单用户子集,所述确定所述第一用户集和第二用户集包含的相同用户得到相同用户集的步骤,包括:
确定所述第一点击用户子集、第二点击用户子集包含的相同用户得到相同点击用户子集;
确定所述第一下单用户子集、第二下单用户子集包含的相同用户得到相同下单用户子集。
7.根据权利要求6所述的方法,其特征在于,所述第一对象集包括第一点击对象子集、第一下单对象子集,第二对象集包括第二点击对象子集、第二下单对象子集,所述针对所述相同用户集中的其中两个用户,分别获取所述两个用户进行目标操作的对象集,得到第一对象集、第二对象集的步骤,包括:
针对所述相同点击用户子集中的其中两个用户,分别获取所述两个用户进行点击操作的对象集,得到第一点击对象子集、第二点击对象子集;
针对所述相同下单用户子集中的其中两个用户,分别获取所述两个用户进行下单操作的对象集,得到第一下单对象子集、第二下单对象子集。
8.根据权利要求7所述的方法,其特征在于,所述根据所述第一对象集、第二对象集包含的相同对象数目确定所述候选对象和所述参考对象的相似度的步骤,包括:
根据所述第一点击对象子集、第二点击对象子集包含的相同对象数目、预设点击权重参数,确定所述候选对象和所述参考对象的点击相似度;
根据所述第一下单对象子集、第二下单对象子集包含的相同对象数目、预设下单权重参数,确定所述候选对象和所述参考对象的下单相似度;
根据所述点击相似度和所述下单相似度确定所述候选对象和所述参考对象的相似度。
9.根据权利要求8所述的方法,其特征在于,所述根据所述第一点击对象子集、第二点击对象子集包含的相同对象数目、预设点击权重参数,确定所述候选对象和所述参考对象的点击相似度的步骤,包括:
确定所述第一点击对象子集、第二点击对象子集包含的总对象数目;
根据所述第一点击对象子集、第二点击对象子集包含的相同对象数目、总对象数目、预设点击权重参数,确定所述候选对象和所述参考对象的点击相似度。
10.根据权利要求8所述的方法,其特征在于,所述根据所述第一下单对象子集、第二下单对象子集包含的相同对象数目、预设下单权重参数,确定所述候选对象和所述参考对象的下单相似度的步骤,包括:
确定所述第一下单对象子集、第二下单对象子集包含的总对象数目;
根据所述第一下单对象子集、第二下单对象子集包含的相同对象数目、总对象数目、预设下单权重参数,确定所述候选对象和所述参考对象的下单相似度。
11.一种个性化推荐装置,其特征在于,所述装置包括:
第一用户集获取模块,用于分别获取针对候选对象、参考对象存在目标操作的用户集合得到第一用户集、第二用户集;
第二用户集获取模块,用于确定所述第一用户集和第二用户集包含的相同用户得到相同用户集;
对象集获取模块,用于针对所述相同用户集中的其中两个用户,分别获取所述两个用户进行目标操作的对象集,得到第一对象集、第二对象集;
相似度计算模块,用于根据所述第一对象集、第二对象集包含的相同对象数目确定所述候选对象和所述参考对象的相似度;
对象推荐模块,用于根据所述相似度将所述候选对象推荐给目标用户。
12.一种电子设备,其特征在于,包括:
处理器、存储器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-10中任一项所述的个性化推荐方法。
13.一种可读存储介质,其特征在于,当所述存储介质中的指令由电子设备的处理器执行时,使得电子设备能够执行如方法权利要求1-10中任一项所述的个性化推荐方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910341145.0A CN110209927B (zh) | 2019-04-25 | 2019-04-25 | 个性化推荐方法、装置、电子设备及可读存储介质 |
PCT/CN2019/124213 WO2020215743A1 (zh) | 2019-04-25 | 2019-12-10 | 信息推荐 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910341145.0A CN110209927B (zh) | 2019-04-25 | 2019-04-25 | 个性化推荐方法、装置、电子设备及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110209927A CN110209927A (zh) | 2019-09-06 |
CN110209927B true CN110209927B (zh) | 2020-12-04 |
Family
ID=67786483
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910341145.0A Active CN110209927B (zh) | 2019-04-25 | 2019-04-25 | 个性化推荐方法、装置、电子设备及可读存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN110209927B (zh) |
WO (1) | WO2020215743A1 (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110209927B (zh) * | 2019-04-25 | 2020-12-04 | 北京三快在线科技有限公司 | 个性化推荐方法、装置、电子设备及可读存储介质 |
CN113656708B (zh) * | 2021-10-20 | 2021-12-24 | 北京搜狐新媒体信息技术有限公司 | 一种确定物品相似度的方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101329683A (zh) * | 2008-07-25 | 2008-12-24 | 华为技术有限公司 | 推荐系统及方法 |
CN106599047A (zh) * | 2016-11-10 | 2017-04-26 | 咪咕动漫有限公司 | 一种信息的推送方法及装置 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103514178A (zh) * | 2012-06-18 | 2014-01-15 | 阿里巴巴集团控股有限公司 | 一种基于点击率的搜索排序方法及装置 |
WO2014035048A1 (ko) * | 2012-08-28 | 2014-03-06 | 에스케이플래닛 주식회사 | 아이템 추천 시스템 및 방법 |
CN103116639B (zh) * | 2013-02-20 | 2016-05-11 | 新浪网技术(中国)有限公司 | 基于用户-物品二分图模型的物品推荐方法及系统 |
CN104142999B (zh) * | 2014-08-01 | 2019-03-29 | 百度在线网络技术(北京)有限公司 | 搜索结果展示方法及装置 |
CN105512156B (zh) * | 2014-10-20 | 2020-02-07 | 腾讯科技(深圳)有限公司 | 点击模型生成方法和装置 |
US20160283481A1 (en) * | 2014-12-30 | 2016-09-29 | Socialtopias, Llc | Method and apparatus for combining text search and recommendation engines |
CN105574198B (zh) * | 2015-12-28 | 2019-12-06 | 海信集团有限公司 | 一种栏目推荐方法及装置 |
CN105930469A (zh) * | 2016-04-23 | 2016-09-07 | 北京工业大学 | 基于Hadoop的个性化旅游推荐系统及方法 |
CN106952111B (zh) * | 2017-02-27 | 2021-04-02 | 东软集团股份有限公司 | 个性化推荐方法及装置 |
CN108038120A (zh) * | 2017-11-01 | 2018-05-15 | 平安科技(深圳)有限公司 | 协同过滤推荐方法、电子设备及计算机可读存储介质 |
CN109558512B (zh) * | 2019-01-24 | 2020-07-14 | 广州荔支网络技术有限公司 | 一种基于音频的个性化推荐方法、装置和移动终端 |
CN110209927B (zh) * | 2019-04-25 | 2020-12-04 | 北京三快在线科技有限公司 | 个性化推荐方法、装置、电子设备及可读存储介质 |
-
2019
- 2019-04-25 CN CN201910341145.0A patent/CN110209927B/zh active Active
- 2019-12-10 WO PCT/CN2019/124213 patent/WO2020215743A1/zh active Application Filing
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101329683A (zh) * | 2008-07-25 | 2008-12-24 | 华为技术有限公司 | 推荐系统及方法 |
CN106599047A (zh) * | 2016-11-10 | 2017-04-26 | 咪咕动漫有限公司 | 一种信息的推送方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110209927A (zh) | 2019-09-06 |
WO2020215743A1 (zh) | 2020-10-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107330750B (zh) | 一种推荐产品配图方法及装置,电子设备 | |
Bauer et al. | Vortex tracking in scale-space | |
JP6211605B2 (ja) | クリックスルー率に基づく検索結果の順位付け | |
CN106095867B (zh) | 一种基于行业分析的图书推荐方法及装置 | |
JP5476236B2 (ja) | コーディネート推薦装置、コーディネート推薦方法及びそのプログラム | |
CN108833458B (zh) | 一种应用推荐方法、装置、介质及设备 | |
CN107633023B (zh) | 一种图像去重方法和装置 | |
WO2015124082A1 (en) | Electronic travel album generating method and system | |
CN110209927B (zh) | 个性化推荐方法、装置、电子设备及可读存储介质 | |
CN106445971A (zh) | 一种应用推荐方法和系统 | |
CN112100221B (zh) | 一种资讯推荐方法、装置、推荐服务器及存储介质 | |
CN111028006B (zh) | 一种业务投放辅助方法、业务投放方法及相关装置 | |
CN110413888A (zh) | 一种书籍推荐方法及装置 | |
CN107016398A (zh) | 数据处理方法及装置 | |
CN111782953A (zh) | 推荐方法、装置、设备及存储介质 | |
CN107566723A (zh) | 一种拍摄方法、移动终端及计算机可读存储介质 | |
CN112214616B (zh) | 知识图谱流畅展示方法、装置 | |
CN110956131A (zh) | 单目标追踪方法、装置及系统 | |
CN103208094A (zh) | 用于对图像应用滤波器的方法和系统 | |
CN106202513A (zh) | 浏览器的浏览主站推荐方法和装置 | |
KR101620659B1 (ko) | 협업 필터링을 위한 emd 기반 유사 사용자 선별 방법 | |
CN110675207A (zh) | 图像展示组合推荐方法、装置及设备 | |
CN110515929B (zh) | 书籍展示方法、计算设备及存储介质 | |
Lin et al. | A weighted H 1 seminorm regularization method for Fredholm integral equations of the first kind | |
CN111914165B (zh) | 一种目标对象推荐方法、装置、设备和存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |