CN110298725A - 商品组合的推荐方法、装置、电子设备及可读存储介质 - Google Patents

商品组合的推荐方法、装置、电子设备及可读存储介质 Download PDF

Info

Publication number
CN110298725A
CN110298725A CN201910441158.5A CN201910441158A CN110298725A CN 110298725 A CN110298725 A CN 110298725A CN 201910441158 A CN201910441158 A CN 201910441158A CN 110298725 A CN110298725 A CN 110298725A
Authority
CN
China
Prior art keywords
candidate
commodities
grouping
commodity
score
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
Application number
CN201910441158.5A
Other languages
English (en)
Inventor
杨林
路坤
罗震
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Sankuai Online Technology Co Ltd
Original Assignee
Beijing Sankuai Online Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Sankuai Online Technology Co Ltd filed Critical Beijing Sankuai Online Technology Co Ltd
Priority to CN201910441158.5A priority Critical patent/CN110298725A/zh
Publication of CN110298725A publication Critical patent/CN110298725A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology
    • 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
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Game Theory and Decision Science (AREA)
  • Computational Linguistics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本公开的实施例提供了一种商品组合的推荐方法、装置、电子设备及可读存储介质，所述方法包括：获取用户需求信息和目标商家提供的商品；根据所述商品和所述用户需求信息生成候选商品组合；从预设商品知识图谱中获取所述商品对应的商品知识；通过预先训练得到的商品组合得分预测模型，根据所述用户需求信息和所述商品知识预测所述候选商品组合的候选得分；根据所述候选得分将所述候选商品组合推荐给用户。可以根据用户需求信息实时预测候选商品组合的候选得分，以进行推荐，可以实时的根据用户需求信息调整推荐的候选商品组合，有助于提高推荐成功率。

Description

商品组合的推荐方法、装置、电子设备及可读存储介质
技术领域
本公开的实施例涉及个性化推荐技术领域，尤其涉及一种商品组合的推荐方法、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，系统不仅可以向用户推荐相关的商品，还可以向用户推荐商品组合，使得用户不需要自己搭配商品。例如，在外卖领域，系统可以向用户推荐套餐，从而减少用户选择多个菜品，并进行搭配的时间。
现有技术中，商品组合主要由系统离线生成，并可以针对用户的特定需求生成特定商品组合，并标记。在向用户推荐商品组合时，首先，获取用户的需求；然后，根据需求从预先离线生成的商品组合中选取目标商品组合；最后，将目标商品组合推荐给用户。
然而，由于用户的需求会发生变化，从而新的需求无法匹配到对应的目标商品组合，导致商品组合推荐的失败率较高。
发明内容
本公开的实施例提供一种商品组合的推荐方法、装置、电子设备及可读存储介质，可以根据用户需求信息实时预测候选商品组合的候选得分，以进行推荐，可以实时的根据用户需求信息调整推荐的候选商品组合，有助于提高推荐成功率。
根据本公开的实施例的第一方面，提供了一种商品组合的推荐方法，所述方法包括：
获取用户需求信息和目标商家提供的商品；
根据所述商品和所述用户需求信息生成候选商品组合；
从预设商品知识图谱中获取所述商品对应的商品知识；
通过预先训练得到的商品组合得分预测模型，根据所述用户需求信息和所述商品知识预测所述候选商品组合的候选得分；
根据所述候选得分将所述候选商品组合推荐给用户。
根据本公开的实施例的第二方面，提供了一种商品组合的推荐装置，所述装置包括：
需求及商品获取模块，用于获取用户需求信息和目标商家提供的商品；
候选商品组合生成模块，用于根据所述商品和所述用户需求信息生成候选商品组合；
商品知识获取模块，用于从预设商品知识图谱中获取所述商品对应的商品知识；
候选得分预测模块，用于通过预先训练得到的商品组合得分预测模型，根据所述用户需求信息和所述商品知识预测所述候选商品组合的候选得分；
商品组合推荐模块，用于根据所述候选得分将所述候选商品组合推荐给用户。
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商品组合的推荐方法。
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商品组合的推荐方法。
本公开的实施例提供了一种商品组合的推荐方法及装置，所述方法包括：获取用户需求信息和目标商家提供的商品；根据所述商品和所述用户需求信息生成候选商品组合；从预设商品知识图谱中获取所述商品对应的商品知识；通过预先训练得到的商品组合得分预测模型，根据所述用户需求信息和所述商品知识预测所述候选商品组合的候选得分；根据所述候选得分将所述候选商品组合推荐给用户。可以根据用户需求信息实时预测候选商品组合的候选得分，以进行推荐，可以实时的根据用户需求信息调整推荐的候选商品组合，有助于提高推荐成功率。
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商品组合的推荐方法步骤流程图；
图2示出了本公开的商品知识图谱的示意图；
图3示出了本公开的另一种实施例中的商品组合的推荐方法步骤流程图；
图4示出了本公开的一种实施例中的商品组合得分预测模型的结构示意图；
图5示出了本公开的一种多层感知器的结构示意图；
图6示出了本公开的一种实施例中的商品组合的推荐装置的结构图；
图7示出了本公开的另一种实施例中的商品组合的推荐装置的结构图；
图8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商品组合的推荐方法的步骤流程图，具体如下。
步骤101，获取用户需求信息和目标商家提供的商品。
本公开的实施例可以应用于网络销售平台，商家可以入驻该平台，并售卖商品，平台可以将商家提供的商品组合并推荐给访问该商家的用户或需要推荐商品组合的用户。
其中，用户需求信息用于表示用户对商品组合的条件，可以从多个维度进行限定，例如，对于菜品组合，可以从食材维度表示，包括：鸡肉、鱼肉、蔬菜等，也可以从口味维度表示，包括：超辣、微辣、不辣等，还可以从制作方法维度表示，包括：蒸、炒、煎、煮等。
可以理解，用户需求信息和商品的类别相关，本申请对其不加以限制。
目标商家可以为用户当前访问的商家，例如，当用户进入其中一个商家的页面，则可以将该商家作为目标商家。
此外，商品可以以商品标识表示，包括：商品名称、或其他编号标识等，商家提供的商品通常以商品标识存储于商家的商品数据库。
步骤102，根据所述商品和所述用户需求信息生成候选商品组合。
其中，候选商品组合为根据用户需求信息将多个商品组合而成。通常，可以将商品任意组合，并判断是否满足用户需求信息。若满足用户需求信息，则组合成的商品组合为候选商品组合；否则，丢弃。
步骤103，从预设商品知识图谱中获取所述商品对应的商品知识。
其中，商品知识图谱中包括大量商品、特征(包括：品类、作用、场景、制作方法)、以及商品与商品之间的关系、商品与特征之间的关系。例如，对于菜品组合场景，商品知识图谱如图2所示，包括：百合、冰糖、莲子、雪花梨、冰糖雪梨汤、百合莲子冰糖雪梨、以及百合属于蔬菜(商品与品类的关系)、百合的作用、冰糖与冰糖雪梨汤的关系(商品与商品之间的关系)、冰糖雪梨汤与百合莲子冰糖雪梨之间的关系(商品与商品之间的关系)、雪花梨适用于秋季(商品与场景特征的关系)、雪花梨的品类是水果(商品与品类的关系)、冰糖是甜的(冰糖与口味特征的关系)、冰糖雪梨汤是炖的(冰糖雪梨汤与制作方法特征之间的关系)。
可以理解，商品知识可以包括但不限于：与商品相关的其他商品、商品的品类、作用、场景、制作方法等特征。
具体地，可以从商品知识图谱中获取与该商品关联的所有信息，得到商品知识。
步骤104，通过预先训练得到的，根据所述用户需求信息和所述商品知识预测所述候选商品组合的候选得分。
其中，商品组合得分预测模型是预先训练得到的，可以以点击率为监督，使得点击率越高的候选商品组合的候选得分越高；点击率越低的候选商品组合的候选得分越低。
用户需求信息代表了用户对候选商品组合的限定条件，从而直接影响生成的候选商品组合，例如，当用户需求信息为制作方法为炒，则生成的候选商品组合必须为炒的，当用户需求信息为食材包括蔬菜，则生成的候选商品组合必须包含蔬菜。
商品知识代表了商品的特征，可以根据商品特征确定该商品是否满足用户需求信息。若商品特征越符合用户需求信息，则候选得分越高；若商品特征越不符合用户需求信息，则候选得分越低。
可以理解，模型的训练可以采用常规技术手段，不同模型的训练区别在于采用不同的样本以及监督信息。
步骤105，根据所述候选得分将所述候选商品组合推荐给用户。
具体地，推荐的逻辑可以根据实际应用场景设定，当需要至少推荐一个候选商品组合时，可以选取候选得分较高的一个或多个候选商品组合推荐给用户；当对候选商品组合要求较高时，可以选取候选得分大于预设阈值的候选商品组合推荐给用户。
在实际应用中，还可以将上面两种方式组合使用，即：选取候选得分较高，且大于预设阈值的一个或多个候选商品组合推荐给用户。
综上所述，本公开的实施例提供了一种商品组合的推荐方法，所述方法包括：获取用户需求信息和目标商家提供的商品；根据所述商品和所述用户需求信息生成候选商品组合；从预设商品知识图谱中获取所述商品对应的商品知识；通过预先训练得到的商品组合得分预测模型，根据所述用户需求信息和所述商品知识预测所述候选商品组合的候选得分；根据所述候选得分将所述候选商品组合推荐给用户。可以根据用户需求信息实时预测候选商品组合的候选得分，以进行推荐，可以实时的根据用户需求信息调整推荐的候选商品组合，有助于提高推荐成功率。
实施例二
参照图3，其示出了在本公开的另一种实施例中的商品组合的推荐方法的具体步骤流程图，具体如下。
步骤201，获取用户需求信息和目标商家提供的商品。
该步骤可以参照步骤201的详细说明，在此不再赘述。
步骤202，针对每个用户需求信息，从所述商品中获取符合所述用户需求信息的候选商品集。
在本公开的实施例中，用户需求信息可以为一个或多个，当用户需求信息为一个时，候选商品组合中只需要一个候选商品满足该用户需求信息即可；当用户需求信息为多个时，候选商品组合需要同时满足多个用户需求信息，可以是候选商品组合中一个候选商品同时满足多个用户需求信息，也可以是每个候选商品均对应一个用户需求信息。
具体地，符合用户需求信息的候选商品集可以理解为满足用户条件的候选商品集。例如，当用户需求信息为蔬菜，则候选商品集为蔬菜集合；当用户需求信息为辣，则候选商品集为包含辣椒的商品集合。
步骤203，针对其中一个用户需求信息的候选商品集，将每个候选商品作为每个候选商品组合的第一个商品。
可以理解，一个候选商品可以认定为特殊的候选商品组合。
在本公开的实施例中，可以从其中任意一个用户需求信息开始，将其对应的候选商品集中每个候选商品作为一个候选商品组合的商品，从而候选商品组合的数目和该用户需求信息的候选商品集的大小相同。
步骤204，针对剩余用户需求信息的候选商品集，将每个候选商品与所述候选商品组合的已有商品进行组合，得到候选商品组合。
例如，当步骤203得到的候选商品组合为{A1}、{A2}两个时，若此时还存在两个用户需求信息对应的候选商品集{B1，B2}、{C1,C2,C3}，则可以逐个将每个候选商品集中的商品添加至候选商品组合中，例如，首先将B1和B2分别添加至{A1}、{A2}中，得到候选商品组合{A1，B1}、{A1，B2}，{A2，B1}，{A2，B2}；然后将C1、C2、C3添加至{A1，B1}、{A1，B2}，{A2，B1}，{A2，B2}中，得到候选商品组合{A1，B1，C1}、{A1，B2，C1}，{A2，B1，C1}，{A2，B2，C1}，{A1，B1，C2}、{A1，B2，C2}，{A2，B1，C2}，{A2，B2，C2}，{A1，B1，C3}、{A1，B2，C3}，{A2，B1，C3}，{A2，B2，C3}。
在实际应用中，还可以首先将多个候选商品集按照大小排序，将较小的候选商品集排在前面，将较大的候选商品集排在后面，并按照该顺序逐个将每个候选商品集中的每个候选商品添加至候选商品组合中。
本公开的实施例可以首先按照用户需求信息将商品分类成为多个候选商品集，每个候选商品集均满足其中一个用户需求信息，从而将不同用户需求信息的候选商品相互组合，得到候选商品组合。相对于随意组合，并判断是否符合用户需求信息，组合速度更快，避免漏掉符合用户需求信息的候选商品组合。
步骤205，在每次生成候选商品组合之后，针对每个候选商品组合，通过预先训练得到的商品组合得分预测模型，根据所述候选商品组合所对应的用户需求信息和其中每个候选商品的商品知识预测所述候选商品组合的候选得分。
在实际应用中，为了尽量减少候选商品组合的数目，提高组合速度，可以在生成候选商品组合的过程中，从中间的候选商品组合中过滤掉候选得分较小的组合。
商品组合得分预测模型可以参照应用时的步骤208至210的详细说明，在此不再赘述。
步骤206，从所述候选商品组合中选取候选得分大于预设得分阈值的一个或多个候选商品组合。
其中，得分阈值可以根据实际应用场景设定，本公开的实施例对其不加以限制。
本公开的实施例可以过滤掉候选得分较小的候选商品组合，可以减少候选商品组合的数目，提高组合速度的同时，还有助于提高推荐成功率。
此外，在实际应用中，还可以根据预设的业务约束条件对候选商品组合进一步过滤，例如，可以将价格作为业务约束条件，过滤掉不满足价格条件的候选商品组合。
步骤207，从预设商品知识图谱中获取所述商品对应的商品知识。
该步骤可以参照步骤103的详细说明，在此不再赘述。
可选地，在本公开的另一种实施例中，所述商品知识图谱至少包括如下的其中一种：所述商品的标识、不同级别的分类类别、所述商品的使用特征、包含所述商品的商品组合、所述商品组合在不同级别的分类类别、所述商品组合的使用特征、所述商品组合中包含的其他商品、所述其他商品的使用特征、所述其他商品不同级别的分类类别。
其中，商品的标识可以为商品名称或编号。
分类类别为商品品类库中的分类。
使用特征可以为使用场景，例如适用于什么季节、场合等。
商品组合由该商品以及与该商品组合使用、售卖的其他商品组成。例如，对于冰糖，通常和梨组合成冰糖雪梨。
步骤208，根据所述商品知识生成商品特征。
具体地，可以将商品知识中的不同类型的特征进行数值化处理，得到多个维度的商品特征。例如，对于百合，可以将其属于的类别蔬菜作为一个特征进行数值化处理，作为其中一个商品特征，还可以将其作用润肺作为一个特征进行数值化处理，作为另一个商品特征。
可以理解，编码即为给该特征一个数值形式的表示，例如，对于类别，可以采用不同取值的数值代表不同类别，用“1”表示蔬菜，“2”表示肉类，“3”表示菌类等。
在实际应用中，除商品知识(即商品的静态属性如商品名称、商品品类、商品的使用场景)之外，商品特征还包括：商品的动态属性，例如，价格、销量等。
步骤209，根据所述用户需求信息生成用户需求特征。
具体地，将每个用户需求信息用唯一的数值表示。例如，用户需求信息数据库中预先存储了各种用户需求，并对每种用户需求设置了唯一的数字标识，可以将该数字标识作为该用户需求信息对应的数值表示。
步骤210，将所述用户需求特征、所述商品特征输入至预先训练得到的商品组合得分预测模型中，预测所述候选商品组合的候选得分。
本公开的实施例可以数值化之后的用户需求特征和商品特征拼接为向量形式的特征，并输入至商品组合得分预测模型中，预测候选得分。
可选地，在本公开的另一种实施例中，所述商品组合得分预测模型包括嵌入层、权重计算层、多层感知器，所述嵌入层包括多个嵌入单元，所述嵌入单元的输入为所述用户需求特征或所述候选商品特征，所述嵌入层的输出为所述权重计算层的输入，所述权重计算层的输出为所述多层感知器的输入，所述多层感知器的输出为候选得分，所述步骤210包括子步骤A1至A4：
子步骤A1，分别将所述用户需求特征、所述商品特征输入至所述嵌入层中，得到所述用户特征向量、商品特征向量。
如图4所示，商品组合得分预测模型包括三层结构，第一层结构为嵌入单元，其中一个嵌入单元接收用户需求特征，并输出用户需求特征向量，剩余每个嵌入单元均输入候选商品组合中的一个候选商品对应的商品特征，图4中的候选商品特征1、候选商品特征2分别为两个候选商品的商品特征。
其中，嵌入单元用于将每个候选商品的多个商品特征转换为向量表示，具体可以采用One-Hot映射，也可以采用Word-Embedding映射。
子步骤A2，将所述用户特征向量、商品特征向量拼接为第一特征向量。
可以理解，本公开的实施例对拼接顺序不加以限制，即：可以将用户特征向量拼接在商品特征向量之后，还可以将商品特征向量拼接在用户特征向量之后。
子步骤A3，将所述第一特征向量输入至所述权重计算层得到第二特征向量。
其中，权重计算层可以计算候选商品组合中每个候选商品的权重，从而第二特征向量由候选商品的权重组成。
在本公开的实施例中，权重计算层可以采用Multihead-Attention结构。
子步骤A4，将所述第二特征向量输入至所述多层感知器中得到所述候选商品的候选得分。
其中，多层感知器(Multi-Layer Perception，MLP)可以按照一定的线性函数关系将第二特征向量转换为一个预测值，即候选得分。
多层感知器包括输入层、输出层、隐藏层，其中，隐藏层可以根据实际需求设置一个或多个。在本公开的实施例中，如图5所示为一个简单的多层感知器，当第二特征向量为[x1,x2,x3]，输入层的神经元数目为3+1(偏移量b1对应的神经元)，中间隐藏层包括5个神经元，输出层的神经元数目为1，即候选得分。
可以理解，在训练过程中，即为训练输入层中的偏移量参数，以及各层之间神经元的连接权重。
可选地，在本公开的另一种实施例中，所述商品组合得分预测模型通过如下步骤训练得到：
步骤B1，从历史访问记录中获取商品组合样本以及对应的需求信息。
其中，商品组合样本可以为历史访问记录中用户自己组合的商品组合，或商家推荐但用户访问的商品组合等。本公开的实施例对商品组合样本的来源不加以限制。
需求信息可以采用预设用户需求信息数据库针对商品组合样本设置，具体地，当商品组合样本中的其中一个商品样本满足预设用户需求信息数据库中的需求信息，则该需求信息为该商品组合样本对应的需求信息。
步骤B2，统计所述商品组合样本对应的点击率、转化率。
其中，点击率在预设时间段内用户对商品组合样本的点击次数与商品组合样本的曝光次数的比值。
转化率为在预设时间段内用户对商品组合样本的下单次数与点击次数的比值。
步骤B3，获取所述商品组合样本中各商品样本对应的商品知识。
该步骤可以参照步骤103的详细说明，在此不再赘述。
步骤B4，通过所述商品组合样本对应的点击率、转化率、商品知识、需求信息，训练预先确定的商品组合得分预测模型，所述点击率为标注信息。
具体地，与商品组合得分预测模型的应用过程类似，首先，将商品知识、需求信息输入至初始化的商品组合得分预测模型中，得到候选得分预测值，在权重计算层中采用转化率调整候选商品组合中每个候选商品的权重；然后，根据候选得分预测值与点击率计算损失值；最后，在损失值大于预设损失值阈值的情况下，根据损失值调整模型参数，即权重计算层、多层感知器的参数，以继续训练；在损失值小于或等于预设损失值阈值的情况下，结束训练，当前模型为商品组合得分预测模型。
步骤211，从所述候选商品组合中过滤掉相似商品组合，所述相似商品组合包括预设比例的相同商品。
其中，预设比例可以根据实际应用场景设定，对于两个候选商品组合，当相同商品的占比达到该预设比例，则表明两个候选商品组合相似。可以将其中一个删除。其中，占比可以为相同商品在包含较少候选商品的候选商品组合中的占比。
此外，在生成候选商品组合时，可能存在同时满足不同需求的商品，从而候选商品组合中可能将同一候选商品添加至一个候选商品组合中。例如，对于用户需求信息1、2分别对应候选商品集{A1，A2，A3}，{A2，A4}，可以看出，两个候选商品集中均包含A2，即商品A2同时满足用户需求信息1、2，从而按照步骤203至205生成候选商品组合时可能存在{A2，A2}的组合。从而还需要将同一候选商品组合中的商品进行去重处理，可以避免候选商品组合中包含相同的商品。
步骤212，对过滤掉相似商品组合的候选商品组合按照候选得分降序排列，得到候选商品组合序列。
具体地，可以调用现有排序算法对候选商品组合进行排序，例如，冒泡排序、选择排序、插入排序等。本公开的实施例对其不加以限制。
步骤213，从所述候选商品组合序列中选取得分最高的一个或多个候选商品组合，得到目标商品组合。
具体地，可以从候选商品组合中选取排序靠前的一个或多个候选商品组合作为目标商品组合。
可以理解，由于步骤206通过预设得分阈值对候选商品组合进行了过滤，从而可以保证目标商品组合均满足候选得分大于得分阈值，有助于进一步提高推荐成功率。
步骤214，将所述目标商品组合推荐给用户。
具体地，可以将目标商品组合以弹窗的形式在平台界面上推荐给用户，也可以以短信的形式发送用户登录时采用的终端账号。
本公开的实施例对其推荐方式不加以限制。
综上所述，本公开的实施例提供了一种商品组合的推荐方法，所述方法包括：获取用户需求信息和目标商家提供的商品；根据所述商品和所述用户需求信息生成候选商品组合；从预设商品知识图谱中获取所述商品对应的商品知识；通过预先训练得到的商品组合得分预测模型，根据所述用户需求信息和所述商品知识预测所述候选商品组合的候选得分；根据所述候选得分将所述候选商品组合推荐给用户。可以根据用户需求信息实时预测候选商品组合的候选得分，以进行推荐，可以实时的根据用户需求信息调整推荐的候选商品组合，有助于提高推荐成功率。
实施例三
参照图6，其示出了在本公开的另一种实施例中的商品组合的推荐装置的结构图，具体如下。
需求及商品获取模块301，用于获取用户需求信息和目标商家提供的商品。
候选商品组合生成模块302，用于根据所述商品和所述用户需求信息生成候选商品组合。
商品知识获取模块303，用于从预设商品知识图谱中获取所述商品对应的商品知识。
候选得分预测模块304，用于通过预先训练得到的商品组合得分预测模型，根据所述用户需求信息和所述商品知识预测所述候选商品组合的候选得分。
商品组合推荐模块305，用于根据所述候选得分将所述候选商品组合推荐给用户。
综上所述，本公开的实施例提供了一种商品组合的推荐装置，所述装置包括：需求及商品获取模块，用于获取用户需求信息和目标商家提供的商品；候选商品组合生成模块，用于根据所述商品和所述用户需求信息生成候选商品组合；商品知识获取模块，用于从预设商品知识图谱中获取所述商品对应的商品知识；候选得分预测模块，用于通过预先训练得到的商品组合得分预测模型，根据所述用户需求信息和所述商品知识预测所述候选商品组合的候选得分；商品组合推荐模块，用于根据所述候选得分将所述候选商品组合推荐给用户。可以根据用户需求信息实时预测候选商品组合的候选得分，以进行推荐，可以实时的根据用户需求信息调整推荐的候选商品组合，有助于提高推荐成功率。
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7，其示出了在本公开的一种实施例中的商品组合的推荐装置的结构图，具体如下。
需求及商品获取模块401，用于获取用户需求信息和目标商家提供的商品。
候选商品组合生成模块402，用于根据所述商品和所述用户需求信息生成候选商品组合；可选地，在本公开实施例中，所述用户需求信息包括至少两个，所述候选商品组合生成模块402，包括：
候选商品集获取子模块4021，用于针对每个用户需求信息，从所述商品中获取符合所述用户需求信息的候选商品集。
第一商品组合子模块4022，用于针对其中一个用户需求信息的候选商品集，将每个候选商品作为每个候选商品组合的第一个商品。
第二商品组合子模块4023，用于针对剩余用户需求信息的候选商品集，将每个候选商品与所述候选商品组合的已有商品进行组合，得到候选商品组合。
中间组合得分预测子模块4024，用于针对每个候选商品组合，通过预先训练得到的商品组合得分预测模型，根据所述候选商品组合所对应的用户需求信息和其中每个候选商品的商品知识预测所述候选商品组合的候选得分。
候选商品组合过滤子模块4025，用于从所述候选商品组合中选取候选得分大于预设得分阈值的一个或多个候选商品组合。
商品知识获取模块403，用于从预设商品知识图谱中获取所述商品对应的商品知识。
候选得分预测模块404，用于通过预先训练得到的商品组合得分预测模型，根据所述用户需求信息和所述商品知识预测所述候选商品组合的候选得分；可选地，在本公开实施例中，所述候选得分预测模块404，包括：
商品特征生成子模块4041，用于根据所述商品知识生成商品特征。
用户需求特征生成子模块4042，用于根据所述用户需求信息生成用户需求特征。
候选得分预测子模块4043，用于将所述用户需求特征、所述商品特征输入至预先训练得到的商品组合得分预测模型中，预测所述候选商品组合的候选得分。
商品组合推荐模块405，用于根据所述候选得分将所述候选商品组合推荐给用户；在本公开的实施例中，所述商品组合推荐模块405，包括：
相似商品组合过滤子模块4051，用于从所述候选商品组合中过滤掉相似商品组合，所述相似商品组合包括预设比例的相同商品。
候选商品组合排序子模块4052，用于对过滤掉相似商品组合的候选商品组合按照候选得分降序排列，得到候选商品组合序列。
目标商品组合选取子模块4053，用于从所述候选商品组合序列中选取得分最高的一个或多个候选商品组合，得到目标商品组合。
商品组合推荐子模块4054，用于将所述目标商品组合推荐给用户。
可选地，在本公开的另一种实施例中，所述商品知识图谱至少包括如下的其中一种：所述商品的标识、不同级别的分类类别、所述商品的使用特征、包含所述商品的商品组合、所述商品组合在不同级别的分类类别、所述商品组合的使用特征、所述商品组合中包含的其他商品、所述其他商品的使用特征、所述其他商品不同级别的分类类别。
可选地，在本公开的另一种实施例中，所述商品组合得分预测模型包括嵌入层、权重计算层、多层感知器，所述嵌入层包括多个嵌入单元，所述嵌入单元的输入为所述用户需求特征或所述候选商品特征，所述嵌入层的输出为所述权重计算层的输入，所述权重计算层的输出为所述多层感知器的输入，所述多层感知器的输出为候选得分，所述候选得分预测子模块4043，包括：
嵌入层预测单元，用于分别将所述用户需求特征、所述商品特征输入至所述嵌入层中，得到所述用户特征向量、商品特征向量。
第一特征向量拼接单元，用于将所述用户特征向量、商品特征向量拼接为第一特征向量。
权重计算单元，用于将所述第一特征向量输入至所述权重计算层得到第二特征向量。
候选得分预测单元，用于将所述第二特征向量输入至所述多层感知器中得到所述候选商品的候选得分。
可选地，在本公开的另一种实施例中，所述商品组合得分预测模型通过如下模块训练得到：
商品组合样本获取模块，用于从历史访问记录中获取商品组合样本以及对应的需求信息。
监督值统计模块，用于统计所述商品组合样本对应的点击率、转化率。
商品知识图谱预测模块，用于获取所述商品组合样本中各商品样本对应的商品知识。
模型训练模块，用于通过所述商品组合样本对应的点击率、转化率、商品知识、需求信息，训练预先确定的商品组合得分预测模型，所述点击率为标注信息。
综上所述，本公开的实施例提供了一种商品组合的推荐装置，所述装置包括：需求及商品获取模块，用于获取用户需求信息和目标商家提供的商品；候选商品组合生成模块，用于根据所述商品和所述用户需求信息生成候选商品组合；商品知识获取模块，用于从预设商品知识图谱中获取所述商品对应的商品知识；候选得分预测模块，用于通过预先训练得到的商品组合得分预测模型，根据所述用户需求信息和所述商品知识预测所述候选商品组合的候选得分；商品组合推荐模块，用于根据所述候选得分将所述候选商品组合推荐给用户。可以根据用户需求信息实时预测候选商品组合的候选得分，以进行推荐，可以实时的根据用户需求信息调整推荐的候选商品组合，有助于提高推荐成功率。
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8，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商品组合的推荐方法。
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商品组合的推荐方法。
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商品组合的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 (12)

1.一种商品组合的推荐方法，其特征在于，所述方法包括：
获取用户需求信息和目标商家提供的商品；
根据所述商品和所述用户需求信息生成候选商品组合；
从预设商品知识图谱中获取所述商品对应的商品知识；
通过预先训练得到的商品组合得分预测模型，根据所述用户需求信息和所述商品知识预测所述候选商品组合的候选得分；
根据所述候选得分将所述候选商品组合推荐给用户。
2.根据权利要求1所述的方法，其特征在于，所述通过预先训练得到的商品组合得分预测模型，根据所述用户需求信息和所述商品知识预测所述候选商品组合的候选得分的步骤，包括：
根据所述商品知识生成商品特征；
根据所述用户需求信息生成用户需求特征；
将所述用户需求特征、所述商品特征输入至预先训练得到的商品组合得分预测模型中，预测所述候选商品组合的候选得分。
3.根据权利要求1或2所述方法，其特征在于，所述商品组合得分预测模型包括嵌入层、权重计算层、多层感知器，所述嵌入层包括多个嵌入单元，所述嵌入单元的输入为所述用户需求特征或所述候选商品特征，所述嵌入层的输出为所述权重计算层的输入，所述权重计算层的输出为所述多层感知器的输入，所述多层感知器的输出为候选得分。
4.根据权利要求3所述的方法，其特征在于，所述将所述用户需求特征、所述商品特征输入至预先训练得到的商品组合得分预测模型中，预测所述候选商品组合的候选得分的步骤，包括：
分别将所述用户需求特征、所述商品特征输入至所述嵌入层中，得到所述用户特征向量、商品特征向量；
将所述用户特征向量、商品特征向量拼接为第一特征向量；
将所述第一特征向量输入至所述权重计算层得到第二特征向量；
将所述第二特征向量输入至所述多层感知器中得到所述候选商品的候选得分。
5.根据权利要求1所述的方法，其特征在于，所述用户需求信息包括至少两个，所述根据所述商品和所述用户需求信息生成候选商品组合的步骤，包括：
针对每个用户需求信息，从所述商品中获取符合所述用户需求信息的候选商品集；
针对其中一个用户需求信息的候选商品集，将每个候选商品作为每个候选商品组合的第一个商品；
针对剩余用户需求信息的候选商品集，将每个候选商品与所述候选商品组合的已有商品进行组合，得到候选商品组合。
6.根据权利要求5所述的方法，其特征在于，在每次生成候选商品组合之后，所述方法还包括：
针对每个候选商品组合，通过预先训练得到的商品组合得分预测模型，根据所述候选商品组合所对应的用户需求信息和其中每个候选商品的商品知识预测所述候选商品组合的候选得分；
从所述候选商品组合中选取候选得分大于预设得分阈值的一个或多个候选商品组合。
7.根据权利要求1所述的方法，其特征在于，所述根据所述候选得分将所述候选商品组合推荐给用户的步骤，包括：
从所述候选商品组合中过滤掉相似商品组合，所述相似商品组合包括预设比例的相同商品；
对过滤掉相似商品组合的候选商品组合按照候选得分降序排列，得到候选商品组合序列；
从所述候选商品组合序列中选取得分最高的一个或多个候选商品组合，得到目标商品组合；
将所述目标商品组合推荐给用户。
8.根据权利要求1所述的方法，其特征在于，所述商品组合得分预测模型通过如下步骤训练得到：
从历史访问记录中获取商品组合样本以及对应的需求信息；
统计所述商品组合样本对应的点击率、转化率；
获取所述商品组合样本中各商品样本对应的商品知识；
通过所述商品组合样本对应的点击率、转化率、商品知识、需求信息，训练预先确定的商品组合得分预测模型，所述点击率为标注信息。
9.根据权利要求1所述的方法，其特征在于，所述商品知识图谱至少包括如下的其中一种：所述商品的标识、不同级别的分类类别、所述商品的使用特征、包含所述商品的商品组合、所述商品组合在不同级别的分类类别、所述商品组合的使用特征、所述商品组合中包含的其他商品、所述其他商品的使用特征、所述其他商品不同级别的分类类别。
10.一种商品组合的推荐装置，其特征在于，所述装置包括：
需求及商品获取模块，用于获取用户需求信息和目标商家提供的商品；
候选商品组合生成模块，用于根据所述商品和所述用户需求信息生成候选商品组合；
商品知识获取模块，用于从预设商品知识图谱中获取所述商品对应的商品知识；
候选得分预测模块，用于通过预先训练得到的商品组合得分预测模型，根据所述用户需求信息和所述商品知识预测所述候选商品组合的候选得分；
商品组合推荐模块，用于根据所述候选得分将所述候选商品组合推荐给用户。
11.一种电子设备，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1-9中一个或多个所述的商品组合的推荐方法。
12.一种可读存储介质，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1-9中一个或多个所述的商品组合的推荐方法。
CN201910441158.5A 2019-05-24 2019-05-24 商品组合的推荐方法、装置、电子设备及可读存储介质 Pending CN110298725A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910441158.5A CN110298725A (zh) 2019-05-24 2019-05-24 商品组合的推荐方法、装置、电子设备及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910441158.5A CN110298725A (zh) 2019-05-24 2019-05-24 商品组合的推荐方法、装置、电子设备及可读存储介质

Publications (1)

Publication Number Publication Date
CN110298725A true CN110298725A (zh) 2019-10-01

Family

ID=68027186

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910441158.5A Pending CN110298725A (zh) 2019-05-24 2019-05-24 商品组合的推荐方法、装置、电子设备及可读存储介质

Country Status (1)

Country Link
CN (1) CN110298725A (zh)

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111061968A (zh) * 2019-11-15 2020-04-24 北京三快在线科技有限公司 排序方法、装置、电子设备及可读存储介质
CN111259222A (zh) * 2020-01-22 2020-06-09 北京百度网讯科技有限公司 物品推荐方法、系统、电子设备及存储介质
CN111429174A (zh) * 2020-03-13 2020-07-17 苏州浪潮智能科技有限公司 一种基于视频分析的商品推荐方法、装置、设备和介质
CN111639989A (zh) * 2020-04-28 2020-09-08 上海风秩科技有限公司 商品推荐方法和可读存储介质
CN111932131A (zh) * 2020-08-12 2020-11-13 上海冰鉴信息科技有限公司 业务数据处理方法及装置
CN111985994A (zh) * 2020-08-06 2020-11-24 上海博泰悦臻电子设备制造有限公司 商品推荐方法及相关设备
CN112102029A (zh) * 2020-08-20 2020-12-18 浙江大学 一种基于知识图谱的长尾推荐计算方法
CN112163704A (zh) * 2020-09-29 2021-01-01 筑客网络技术（上海）有限公司 一种用于建材投招标平台的优质供应商预测方法
CN112184374A (zh) * 2020-09-28 2021-01-05 广东智源机器人科技有限公司 商品推荐方法、装置、计算机设备和存储介质
CN112508613A (zh) * 2020-12-09 2021-03-16 天津狮拓信息技术有限公司 一种商品推荐方法、装置、电子设备和可读存储介质
WO2021093399A1 (zh) * 2019-11-15 2021-05-20 北京沃东天骏信息技术有限公司 用于分享信息的方法和装置
CN112837118A (zh) * 2021-01-21 2021-05-25 北京电解智科技有限公司 企业用户的商品推荐方法和装置
CN113159834A (zh) * 2021-03-31 2021-07-23 支付宝(杭州)信息技术有限公司 一种商品信息排序方法、装置以及设备
CN113379449A (zh) * 2021-05-31 2021-09-10 北京达佳互联信息技术有限公司 多媒体资源召回方法、装置、电子设备以及存储介质
CN113806634A (zh) * 2021-09-17 2021-12-17 中国联合网络通信集团有限公司 业务套餐的推荐方法、装置及服务器
CN113919912A (zh) * 2021-10-13 2022-01-11 广州风雷益信息技术有限公司 一种产品智能选择方法、系统、设备及可读存储介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140351079A1 (en) * 2013-05-24 2014-11-27 University College Dublin Method for recommending a commodity
CN106228386A (zh) * 2016-07-12 2016-12-14 腾讯科技（深圳）有限公司 一种信息推送方法及装置
CN106408367A (zh) * 2016-08-25 2017-02-15 北京三快在线科技有限公司 订单信息的获取方法及装置
CN107862542A (zh) * 2017-09-28 2018-03-30 北京三快在线科技有限公司 一种菜品推荐方法和装置
US20180182019A1 (en) * 2016-03-31 2018-06-28 Beijing Xiaodu Information Technology Co., Ltd. Order recommendation method and device
CN108269169A (zh) * 2017-12-29 2018-07-10 武汉璞华大数据技术有限公司 一种导购方法及系统
WO2018192491A1 (zh) * 2017-04-20 2018-10-25 北京京东尚科信息技术有限公司 信息推送方法和装置
CN109087178A (zh) * 2018-08-28 2018-12-25 清华大学 商品推荐方法和装置
CN109741125A (zh) * 2018-11-27 2019-05-10 口碑(上海)信息技术有限公司 推荐菜品的方法及装置、存储介质、电子装置

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140351079A1 (en) * 2013-05-24 2014-11-27 University College Dublin Method for recommending a commodity
US20180182019A1 (en) * 2016-03-31 2018-06-28 Beijing Xiaodu Information Technology Co., Ltd. Order recommendation method and device
CN106228386A (zh) * 2016-07-12 2016-12-14 腾讯科技（深圳）有限公司 一种信息推送方法及装置
CN106408367A (zh) * 2016-08-25 2017-02-15 北京三快在线科技有限公司 订单信息的获取方法及装置
WO2018192491A1 (zh) * 2017-04-20 2018-10-25 北京京东尚科信息技术有限公司 信息推送方法和装置
CN107862542A (zh) * 2017-09-28 2018-03-30 北京三快在线科技有限公司 一种菜品推荐方法和装置
CN108269169A (zh) * 2017-12-29 2018-07-10 武汉璞华大数据技术有限公司 一种导购方法及系统
CN109087178A (zh) * 2018-08-28 2018-12-25 清华大学 商品推荐方法和装置
CN109741125A (zh) * 2018-11-27 2019-05-10 口碑(上海)信息技术有限公司 推荐菜品的方法及装置、存储介质、电子装置

Cited By (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021093399A1 (zh) * 2019-11-15 2021-05-20 北京沃东天骏信息技术有限公司 用于分享信息的方法和装置
CN111061968B (zh) * 2019-11-15 2023-05-30 北京三快在线科技有限公司 排序方法、装置、电子设备及可读存储介质
CN111061968A (zh) * 2019-11-15 2020-04-24 北京三快在线科技有限公司 排序方法、装置、电子设备及可读存储介质
CN111259222A (zh) * 2020-01-22 2020-06-09 北京百度网讯科技有限公司 物品推荐方法、系统、电子设备及存储介质
CN111259222B (zh) * 2020-01-22 2023-08-22 北京百度网讯科技有限公司 物品推荐方法、系统、电子设备及存储介质
CN111429174A (zh) * 2020-03-13 2020-07-17 苏州浪潮智能科技有限公司 一种基于视频分析的商品推荐方法、装置、设备和介质
CN111429174B (zh) * 2020-03-13 2022-06-03 苏州浪潮智能科技有限公司 一种基于视频分析的商品推荐方法、装置、设备和介质
CN111639989A (zh) * 2020-04-28 2020-09-08 上海风秩科技有限公司 商品推荐方法和可读存储介质
CN111639989B (zh) * 2020-04-28 2024-02-02 上海秒针网络科技有限公司 商品推荐方法和可读存储介质
CN111985994A (zh) * 2020-08-06 2020-11-24 上海博泰悦臻电子设备制造有限公司 商品推荐方法及相关设备
CN111932131B (zh) * 2020-08-12 2024-03-15 上海冰鉴信息科技有限公司 业务数据处理方法及装置
CN111932131A (zh) * 2020-08-12 2020-11-13 上海冰鉴信息科技有限公司 业务数据处理方法及装置
CN112102029A (zh) * 2020-08-20 2020-12-18 浙江大学 一种基于知识图谱的长尾推荐计算方法
CN112184374A (zh) * 2020-09-28 2021-01-05 广东智源机器人科技有限公司 商品推荐方法、装置、计算机设备和存储介质
CN112163704A (zh) * 2020-09-29 2021-01-01 筑客网络技术（上海）有限公司 一种用于建材投招标平台的优质供应商预测方法
CN112508613B (zh) * 2020-12-09 2024-03-19 天津狮拓信息技术有限公司 一种商品推荐方法、装置、电子设备和可读存储介质
CN112508613A (zh) * 2020-12-09 2021-03-16 天津狮拓信息技术有限公司 一种商品推荐方法、装置、电子设备和可读存储介质
WO2022156529A1 (zh) * 2021-01-21 2022-07-28 北京电解智科技有限公司 企业用户的商品推荐方法和装置
CN112837118A (zh) * 2021-01-21 2021-05-25 北京电解智科技有限公司 企业用户的商品推荐方法和装置
CN113159834B (zh) * 2021-03-31 2022-06-07 支付宝(杭州)信息技术有限公司 一种商品信息排序方法、装置以及设备
CN113159834A (zh) * 2021-03-31 2021-07-23 支付宝(杭州)信息技术有限公司 一种商品信息排序方法、装置以及设备
CN113379449A (zh) * 2021-05-31 2021-09-10 北京达佳互联信息技术有限公司 多媒体资源召回方法、装置、电子设备以及存储介质
CN113806634B (zh) * 2021-09-17 2023-05-30 中国联合网络通信集团有限公司 业务套餐的推荐方法、装置及服务器
CN113806634A (zh) * 2021-09-17 2021-12-17 中国联合网络通信集团有限公司 业务套餐的推荐方法、装置及服务器
CN113919912A (zh) * 2021-10-13 2022-01-11 广州风雷益信息技术有限公司 一种产品智能选择方法、系统、设备及可读存储介质
CN113919912B (zh) * 2021-10-13 2023-06-02 广州风雷益信息技术有限公司 一种产品智能选择方法、系统、设备及可读存储介质

Similar Documents

Publication Publication Date Title
CN110298725A (zh) 商品组合的推荐方法、装置、电子设备及可读存储介质
US7647309B1 (en) Browse relevance
CN103870505B (zh) 一种查询词推荐方法和查询词推荐系统
CN108648059B (zh) 订单推荐方法及装置
CN110532479A (zh) 一种信息推荐方法、装置及设备
CN105574003B (zh) 一种基于评论文本和评分分析的信息推荐方法
CN110458649A (zh) 信息推荐方法、装置、电子设备及可读存储介质
CN101661487B (zh) 对信息项进行搜索的方法和系统
US20170193853A1 (en) Generative group-based meal planning system and method
CN109902852A (zh) 商品组合方法、装置、电子设备及可读存储介质
CN109815980A (zh) 用户类型的预测方法、装置、电子设备及可读存储介质
US20160103834A1 (en) Food recipe scoring and ranking system
CA2655196A1 (en) System and method for generating a display of tags
CN107092616B (zh) 一种对象排序方法及装置
CN109299994A (zh) 推荐方法、装置、设备及可读存储介质
CN110765273B (zh) 推荐文案生成方法、装置、电子设备及可读存储介质
CN110851571B (zh) 数据处理方法、装置、电子设备及计算机可读存储介质
CN104106087A (zh) 用于网上购物的关联提取的系统和方法
CN108280124B (zh) 产品分类方法及装置，排行榜生成方法及装置，电子设备
Mokdara et al. Personalized food recommendation using deep neural network
JP6920136B2 (ja) 情報処理システム
CN107230131A (zh) 一种菜品推荐方法、装置及系统
CN107273391A (zh) 文书推荐方法和装置
CN106682923A (zh) 商品调整方法及系统
CN106919582A (zh) 网络项目的关联及关联信息统计方法和装置

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