CN110363617A - 一种推荐方法、装置、电子设备及可读存储介质 - Google Patents
一种推荐方法、装置、电子设备及可读存储介质 Download PDFInfo
- Publication number
- CN110363617A CN110363617A CN201910478457.6A CN201910478457A CN110363617A CN 110363617 A CN110363617 A CN 110363617A CN 201910478457 A CN201910478457 A CN 201910478457A CN 110363617 A CN110363617 A CN 110363617A
- Authority
- CN
- China
- Prior art keywords
- businessman
- user
- commodity
- history
- access
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
- G06Q30/0255—Targeted advertisements based on user history
-
- 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
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
- G06Q30/0269—Targeted advertisements based on user profile or attribute
-
- 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]
- G06Q30/0603—Catalogue ordering
-
- 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
-
- 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]
- G06Q30/0641—Shopping interfaces
- G06Q30/0643—Graphical representation of items or shoppers
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Calculators And Similar Devices (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开提供了一种推荐方法、装置、电子设备及可读存储介质,包括:获取所述用户的访问数据;所述访问数据包括历史访问数据和/或实时访问数据;将所述访问数据输入到预先训练好的机器学习模型,生成针对所述用户的推荐商家商品列表;所述商家商品列表包括推荐的商家以及针对至少一个所推荐的商家推荐的商品;将所述推荐商家商品列表中的商家和商品对应的展示给所述用户。解决了现有技术中推荐方法不能实际结合用户综合需求,造成推荐无法满足用户想要获取商品和商家综合信息的问题。
Description
技术领域
本公开实施例涉及推荐技术领域,特别是涉及一种推荐方法、装置、电子设备及可读存储介质。
背景技术
随着移动终端在人们生活中的广泛应用,人们普遍习惯利用移动应用获取生活信息,其中,通过对用户历史行为数据进行离线挖掘,了解用户的兴趣,推荐满足其需求的产品是较常用的方式。
现有技术中,推荐系统针对用户的历史信息只是单纯推荐商家,或者是单纯推荐商品。如在外卖场景下用户不仅需要推荐商家,还需要推荐商家下用户敢兴趣的菜品,所以根据用户历史订单数据确定用户是否需要打包推荐,即同时推荐用户感兴趣的商家还要把商家下用户喜欢的商品推荐,减少用户的决策路径,减少用户的下单成本,提高用户的下单欲望。
所以,现有技无法满足用户针对商品和商家的综合信息获取需求。
发明内容
鉴于上述问题,提出了本公开实施例以便提供一种克服上述问题或者至少部分地解决上述问题的一种推荐方法和相应的一种推荐装置。
根据本公开的第一方面,本公开实施例公开了一种推荐方法,具体包括:
获取所述用户的访问数据;所述访问数据包括历史访问数据和/或实时访问数据;
将所述访问数据输入到预先训练好的机器学习模型,生成针对所述用户的推荐商家商品列表;所述商家商品列表包括推荐的商家以及针对至少一个所推荐的商家推荐的商品;
将所述推荐商家商品列表中的商家和商品对应的展示给所述用户。
根据本公开的第二方面,本公开实施例公开了一种推荐装置,具体包括:
数据获取模块,用于获取所述用户的访问数据;所述访问数据包括历史访问数据和/或实时访问数据;
推荐商家商品列表生成模块,用于将所述访问数据输入到预先训练好的机器学习模型,生成针对所述用户的推荐商家商品列表;所述商家商品列表包括推荐的商家以及针对至少一个所推荐的商家推荐的商品;
推荐商家商品列表展示模块,用于将所述推荐商家商品列表中的商家和商品对应的展示给所述用户。
根据本公开的第三方面,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如前述的推荐方法。
根据本公开的第四方面,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,使得电子设备能够实现前述的推荐方法。
本公开实施例包括以下优点:通过获取所述用户的访问数据;所述访问数据包括历史访问数据和/或实时访问数据;将所述访问数据输入到预先训练好的机器学习模型,生成针对所述用户的推荐商家商品列表;所述商家商品列表包括推荐的商家以及针对至少一个所推荐的商家推荐的商品;将所述推荐商家商品列表中的商家和商品对应的展示给所述用户,为用户提供一种综合商家商品信息的推荐方式。
附图说明
为了更清楚地说明本公开实施例的技术方案,下面将对本公开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是本公开的一种推荐方法实施例的步骤流程图;
图2是本公开的一种推荐方法实施例的步骤流程图;
图3是本公开的一种推荐装置实施例的结构框图;
图4是本公开的一种推荐装置实施例的结构框图。
具体实施方式
下面将结合本公开实施例中的附图,对本公开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一部分实施例,而不是全部的实施例。基于本公开中的实施例,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,都属于本公开保护的范围。
实施例一
参照图1,示出了本公开的一种推荐方法实施例的步骤流程图,具体可以包括如下步骤:
步骤101,获取所述用户的访问数据;所述访问数据包括历史访问数据和/或实时访问数据;
本公开实施例可适用于通过移动终端上应用展示推荐列表的应用场景。其中,移动终端上的应用可以是任一提供推荐产品功能的应用,本公开实施例对于具体的应用不加以限制。所述移动终端具体可以为智能手机、平板电脑、笔记本电脑等任意移动终端,本公开实施例对于具体的移动终端不加以限制。为便于描述,本公开实施例主要以智能手机为例进行说明,其它移动终端的应用场景相互参照即可。
其中,当用户通过移动终端上的应用获取推荐的列表时,首先会通过移动终端的应用界面上“推荐列表”虚拟按键,或类似功能键的点击操作,激发推荐列表请求发送至后台,后台根据移动终端用户在发送推荐请求时选择的目标商品,以及相关的目标商品属性接收到该用户对应的推荐列表请求。当然,对于推荐列表请求的发送方式和激活方式还可以在终端应用启动时进行激活,对于推荐列表请求的激活方式本公开实施例不加以限制。
具体地,当推荐请求在客户端激活后,根据推荐请求获取相关的访问数据,例如推荐菜品请求,则获取所有菜品的访问数据。其中,访问数据包括历史访问数据和/或实时访问数据。
例如,在后台服务器根据接收到的推荐列表请求后,获取发送该请求的用户历史访问数据,以及用户正在进行应用操作时产生的和美食相关的实时访问数据,例如对当前美食商家的浏览和点击操作。
具体地,历史访问数据包括用户属性数据、商家属性数据、用户历史访问商家行为数据、商品属性数据、用户历史访问商品行为数据。
其中,实时访问数据包括用户实时访问商家行为数据、用户实时访问商品行为数据。用户实时访问商家行为数据(如用户正在浏览和点击过的商家属性信息),用户实时访问商品行为数据(如用户正在浏览和点击过的商品属性信息)。
步骤102,将所述访问数据输入到预先训练好的机器学习模型,生成针对所述用户的推荐商家商品列表;所述商家商品列表包括推荐的商家以及针对至少一个所推荐的商家推荐的商品;
本公开实施例中,将上述获得的访问数据输入到预先训练好的机器学习模型,即可生成针对所述用户的推荐商家商品列表,其中,包含商家商品推荐信息,以列表的形式展示给用户。
步骤103,将所述推荐商家商品列表中的商家和商品对应的展示给所述用户。
本公开实施例中,在获取对应用户的推荐列表请求对应的推荐商家商品列表后,可以将以列表的形式返回给用户,并显示在应用界面,供用户进一步操作。对于推荐请求数据推送用户的展示形式本公开实施例不加以限制。
其中,在展示向用户推荐的商家商品信息时,可以以商家为主展示对应商品,也可以以商品为主附带商家信息,可以由用户对展示偏好选择决定。
在本公开实施例中,获取所述用户的访问数据;所述访问数据包括历史访问数据和/或实时访问数据;将所述访问数据输入到预先训练好的机器学习模型,生成针对所述用户的推荐商家商品列表;所述商家商品列表包括推荐的商家以及针对至少一个所推荐的商家推荐的商品;将所述推荐商家商品列表中的商家和商品对应的展示给所述用户。解决了现有技术中推荐方法不能实际结合用户综合需求,造成推荐无法满足用户想要获取商品和商家综合信息的问题。实现了满足了用户对于针对商品和商家的综合信息获取需求的目的。
实施例二
参照图2,示出了本公开的一种推荐方法实施例的步骤流程图,具体可以包括如下步骤:
步骤201,获取所述用户的访问数据;所述访问数据包括历史访问数据和/或实时访问数据;
此步骤与步骤101相同,在此不再详述。
步骤202,将所述历史访问数据进行特征转换,获得预设维度的第一特征向量;所述历史访问数据包括用户属性数据、商家属性数据、用户历史访问商家行为数据、商品属性数据、用户历史访问商品行为数据中的一种或者多种;
具体地,在获得历史访问数据后,将历史访问数据中的包含的用户属性数据、商家属性数据、用户历史访问商家行为数据、商品属性数据、用户历史访问商品行为数据转换为特征向量后进行拼接,得到预设维度的第一特征向量。
其中,特征向量转换可以使用word2vec或者one-hot等常用的特征向量转换工具进行转换,如果历史访问数据中包含5项数据,那么将每项数据转换为25维,最后将各向量拼接为125维的第一特征向量。
可以理解地,对于特征向量转换方式不限于上述描述,本公开实施例不加以限制。
步骤203,将所述实时访问数据进行特征转换,获得预设维度的第二特征向量;所述实时访问数据包括用户实时访问商家行为数据和用户实时访问商品行为数据。
同样地,将实时访问数据利用相同的特征转换方法,转换为预设维度的第二特征向量。
可以理解地,属性信息是定义用户、商家、商品身份以及具体内容的主要信息,不限于上述描述,针对不同品类的商家和商品,以及用户的操作类型,属性信息不同,因此本公开实施例对属性信息的具体内容不加以限制。
步骤204,将所述第一特征向量输入预先训练的第一机器学习模型,分别获得所述用户的历史商家分值及历史商品分值;
本公开实施例中,根据上述历史访问数据中,用户对不同商家和商品的访问操作,对应不同的分值,对商家和商品进行排序,生成候选商家商品排序列表。
当然,在生成排序列表时,还可以根据各商家和商品与用户所在位置的距离进行判断,例如,以用户当前所在位置为圆心,为五公里圆圈范围内的商家和所有商品设定较高的分值,其次是用户的对所有商家的历史访问行为,如下单分值较高、评论、点击、浏览等操作行为的分值依次下降,最终为每个商家得到一个分值,并且每个商家提供的商品也得到一个分值,根据上述商家和商品的分值对商家和商品进行排序,得到一个候选商家商品排序列表。
其中,上述以用户当前所在位置为圆心,为五公里圆圈范围表面基于用户当前所在位置的预设范围,该范围由相关技术人员设置,也可以由用户根据自己当前的实际情况手动设定,本公开对此不加以限制。
可以理解地,如果针对用户当前所在位置的预设范围内没有用户历史访问数据,即根据预设范围内所有商家与用户的距离生成默认候选商家商品排序列表。
可以理解的,默认候选商家商品排序列表的生成不限于上述描述的距离,还可以根据用户选择的商家属性进行默认排序,以美食推荐为例,可以是用户选择美食为川菜,那么所有具备川菜属性的商家和商品获得较高的分值,并根据该分值生成默认候选商家商品排序列表。
具体地,将所述第一特征向量输入预置第二机器学习模型,获得所述用户历史访问商家分值及商品分值。
其中,预置第二机器学习模型是根据获得系统预存的所有注册用户的历史访问数据进行训练得到的,通常在训练时需要针对历史访问数据中不同用户访问行为和标签进行标记分值,例如点击次数分值,访问时间分值等,再通过标记的数据进行特征向量的转换,通过机器学习算法进行训练得到。
通过预置第二机器学习模型的输出的商品分值结果如表一所示:
状态 | 点击 | 不点击 |
(user<sub>1</sub>,product<sub>1</sub>) | 1 | 3 |
(user<sub>2</sub>,product<sub>2</sub>) | 2 | 4 |
(user<sub>i</sub>,product<sub>j</sub>) | -100 | 1 |
… | … | … |
表一
其中,useri为用户组合特征,productj为商品,状态分为用户点击和不点击两种,通常对于用户的不同操作状态设置不同的奖励分值,用户初始分值为20,然后1分钟之后衰减至1(距离返回排序结果计算,即用户越快点击,分值越高),若不点击则给予-1000的奖励,弱成功下单则给予50的奖励,依次类推得到所有商家或者商品的分值。
可以理解地,上述是针对用户和商品特征计算分值,还包括同样形式的商家特征分值,还可以针对商品和商家增加状态,例如浏览时间、下单次数、评价多少进行分值设置,因此本公开实施例对于分值的设定方式以及训练模型针对商家和商品的展现形式不加以限定。
具体地,将上述得到的预设维度的第一特征向量输入第一机器学习模型,得到历史商家分值。
其中,第一机器学习模型是根据获得系统预存的所有注册用户的历史访问数据中用户属性数据、所述商家属性数据、所述用户历史访问商家行为数据进行训练得到的,通常在训练时需要针对用户历史访问商家行为数据进行标记分值,例如点击次数分值,访问时间分值等,再通过标记的数据进行特征向量的转换,通过机器学习算法进行训练得到。
同样地,第一机器学习模型的输出方式仍然如表一所示输出内容中包含的是用户和商家,表一是针对用户商家特征计算分值,输出结果是针对用户和商家的特征计算分值,并且可以针对商家增加状态,例如浏览时间、下单次数、评价多少进行分值设置,因此本公开实施例对于分值的设定方式以及训练模型针对商家的展现形式不加以限定。
具体地,根据上述得到的商家和商品的综合分值,对历史数据中对于当前用户在预设范围内的商家和商品进行打分后,根据该分值确定候选商家商品排序列表。
步骤205,将所述第二特征向量输入预先训练的第二机器学习模型,获得所述用户的实时商家分值及实时商品分值;
具体地,将上述得到的第二特征向量输入预先训练的第二机器学习模型,其中,第二机器学习模型与第一机器学习模型使用同样的训练方法,但是训练数据不同,使用的是实时访问数据。通过将实时访问数据进行分值标记,并训练出第二机器学习模型,输入当前采集访问数据,输入第二机器学习模型,即可输出当前商家分值和商品分值。
步骤206,根据所述历史商家分值及所述历史商品分值,对所述用户的历史访问商家及历史访问商品进行排序,生成历史商家排序列表,和历史商品排序列表;
具体地,通过第一机器学习模型得到对商家的分值后,根据该分值对商家进行排序,得到历史商家排序列表。
优选地,进一步包括:
子步骤2061,根据所述用户实时访问商家行为数据和所述用户实时访问商品行为数据,分别更新所述历史商家排序列表,和所述历史商品排序列表。
优选地,所述用户实时访问商家行为数据包含实时商家点击率,所述实时访问商品行为数据包含实时商品点击率,所述实时访问商品行为数据包含实时商品点击率,
则子步骤2061,进一步包括:
子步骤20611,根据所述实时商家点击率的高低,更新所述历史商家排序列表;
子步骤20612,根据所述实时商品点击率的高低,更新所述历史商家排序列表。
其中,如果用户实时访问商家行为数据包含实时商家点击率,那么根据实时商家点击率更新上述历史商家排序列表。例如,历史商家排序列表一共m*n行,表示m*n个状态,每个状态所对应的动作都有一个效用值。用户的实时数据在上述列表中点击与不点击的决策对应不同的奖励分值。排序算法会先去根据当前排序结果找到对应的行,然后再比较两列的值(点击与不点击)的大小,选择值较大的动作作为当前的动作,最后遍历所有的行列,根据不同的动作更新每个状态对应的分值后,得到的最终结果即为候选商家排序列表。
步骤207,根据所述实时商家分值及所述实时商品分值,对所述用户的实时访问商家及实时访问商品进行排序,生成实时商家排序列表,和实时商品排序列表;
其中,根据上述得到的实时商家分值和实时商品分值生成一个按照该分值进行排序展示的实时商家排序列表,和实时商品排序列表。
步骤208,根据所述历史商家排序列表和所述历史商品排序列表,分别修正所述实时商家排序列表和所述实时商品排序列表,生成针对所述用户的推荐商家商品列表;所述商家商品列表包括推荐的商家以及针对至少一个所推荐的商家推荐的商品;
优选地,步骤208进一步包括:
子步骤2081,将所述历史商家排序列表与商品权重,以及所述历史商品排序列表与商家权重进行加权求和,得到商家商品权重排序列表;
子步骤2082,根据所述商家商品权重排序列表的中的商家商品顺序,修正所述实时商家排序列表和所述实时商品排序列表,生成针对所述用户的推荐商家商品列表。
可以理解地,历史访问数据是在预设时间段内根据该用户在当前应用中产生的历史操作数据,包括用户属性(如性别、年龄、职业、常在位置、口味偏好、菜品偏好、商家偏好等信息),商家属性信息(如用户定位位置指定范围内的商家品牌信息、位置信息、综合评价信息、营业时间信息、提供菜品信息等),商品属性信息(在用户定位位置内的所有提供的美食信息、美食所在位置信息、销量、口味、评价等),用户历史访问商家行为数据(如用户访问过、下单过、浏览过、评价过的商家信息,可以是针对各行为进行不同分值的标记),用户历史访问商品行为数据(如用户下单过、浏览过、评价过的商品信息,可以针对不如的行为进行不同分值的标记)。
所以,在生成的实时商家排序列表和实时商品排序列表中存储对用户的喜好误差,可以利用用户的历史访问数据进行修正,即根据历史访问数据得到的商家商品权重排序列表的中的商家商品顺序,对实时商家排序列表和实时商品排序列表中的商家和商品排序进行更正。
具体地,由相关技术人员设置商品权重和商家权重,通常用户是针对具体商品进行下单,所以商家权重通常大于商品权重,利用候选商家排序列表与商品权重,以及所述候选商品排序列表与商家权重进行加权求和,即对候选商家排序列表和候选商品排序列表种的每个状态分值乘以权重值后,得到商家商品权重排序列表。
步骤209,将所述推荐商家商品列表中的商家和商品对应的展示给所述用户。
此步骤与步骤107相同,在此不再详述。
优选地,所述第一机器学习模型通过以下步骤训练完成:
步骤A1,提取预设时间段内的各用户属性数据、各商家属性数据、所述各用户对各商家的访问率;
本公开实施例中,提取预设时间段内的所有用户针对商家或商品的访问数据,其中,各用户属性数据(如性别、年龄、职业、常在位置、口味偏好、菜品偏好、商家偏好等信息)、各商家属性数据(如用户定位位置指定范围内的商家品牌信息、位置信息、综合评价信息、营业时间信息、提供菜品信息等)、各用户对商家的访问率(如在预设时间段内用户访问过、下单过、浏览过、评价过的商家信息进行标记)。
步骤A2,根据所述各用户对各商家的访问率对各商家进行打分,得到所述各用户对各商家的访问特征数据;
本公开实施例中,根据上述数据中的用户对商家不同访问行为进行分值标记,即打分,得到所述各用户对商家的访问特征数据。
步骤A3,将所述各用户属性数据、所述各商家属性数据、所述各用户对各商家的访问特征数据进行特征转换,获得预设维度的第二训练特征向量;
如表一所示的,针对各行为状态进行分值标记后的各用户属性数据、所述各商家属性数据、所述各用户对各商家的访问特征数据进行特征转换,获得预设维度的第二训练特征向量。
步骤A4,提取预设时间段内的各用户属性数据、各商品属性数据、所述各用户对商品的访问率;
本公开实施例中,提取预设时间段内的所有用户针对商家或商品的访问数据,其中,各用户属性数据(如性别、年龄、职业、常在位置、口味偏好、菜品偏好、商家偏好等信息)、各商品属性数据(在用户定位位置内的所有提供的美食信息、美食所在位置信息、销量、口味、评价等)、各用户对商品的访问率(如预设时间段内用户下单过、浏览过、评价过的商品信息进行标记)。
步骤A5,根据所述各用户对各商品的访问率对各商品进行打分,得到所述各用户对各商品的访问特征数据;
本公开实施例中,根据上述数据中的用户对商品不同访问行为进行分值标记,即打分,得到所述各用户对商品的访问特征数据。
步骤A6,将所述各用户属性数据、所述各商品属性数据、所述各用户对各商品的访问特征数据进行特征转换,获得预设维度的商品训练特征向量;
具体地,在得到上述初始分值设定表后(如表一所示的展示形式),生成针对用户商品访问状态分值的初始数据,将该数据转换为预设维度的商品训练特征向量。
步骤A7,将所述第二训练特征向量和所述商品训练特征向量分别通过预设机器学习算法进行训练,得到第一机器学习模型。
本公开实施例中,将第三训练特征向量通过预设机器学习算法训练,得到第二机器学习模型。
优选地,所述第二机器学习模型通过以下步骤训练完成:
步骤B1,提取预设时间段内的所有用户针对商家或商品的访问数据,所述访问数据包括各用户属性数据、各商家属性数据、各商品属性数据、各用户对商家的访问率、各用户对商品的访问率;
本公开实施例中,提取预设时间段内的所有用户针对商家或商品的访问数据,其中,各用户属性数据(如性别、年龄、职业、常在位置、口味偏好、菜品偏好、商家偏好等信息)、各商家属性数据(如用户定位位置指定范围内的商家品牌信息、位置信息、综合评价信息、营业时间信息、提供菜品信息等)、各商品属性数据(在用户定位位置内的所有提供的美食信息、美食所在位置信息、销量、口味、评价等)、各用户对商家的访问率(如在预设时间段内用户访问过、下单过、浏览过、评价过的商家信息进行标记)、各用户对商品的访问率(如预设时间段内用户下单过、浏览过、评价过的商品信息进行标记)。
步骤B2,根据各用户对商家的访问行为数据对各商家进行打分,得到所述各用户对商家的访问特征数据;
步骤B3,根据各用户对商品的访问行为数据对各商品进行打分,得到所述各用户对商品的访问特征数据;
例如,使用Q-leaming算法,Q为动作效用函数,用于评价在特定状态下采取某个动作的优劣,可以将之理解为排序算法(Agent)的大脑。我们可以把Q当做是一张表。表中的每一行是一个状态,每一列(这个问题中共有两列)表示一个动作(点击与不点击),这张表一共m*n行,表示m*n个状态,每个状态所对应的动作都有一个效用值。训练之后的用户在推荐列表中点击与不点击的决策就是通过这张表确定的。排序算法会先去根据当前排序结果找到对应的行,然后再比较两列的值(点击与不点击)的大小,选择值较大的动作作为当前的动作。
步骤B4,将所述用户属性数据、所述各商家属性数据、所述各商品属性数据、所述各用户对商家的访问特征数据、所述各用户对商品的访问特征数据进行特征转换,生成预设维度的第一训练特征向量;
具体地,在得到上述初始分值设定表后(如表一所示的展示形式),生成针对用户商家、商品、访问状态分值的初始数据,将该数据转换为预设维度的第一训练特征向量。
步骤B5,将所述第一训练特征向量通过预设机器学习算法训练,得到第二机器学习模型。
具体地,训练步骤描述如下:
A,初始化上述的Q值;
B,初始化初始排序状态S;
C,根据Q与S,使用一种策略,得到动作A(如多种策略随机选取,即不同动作与分值的映射关系,并非使每次迭代都沿着Q值最高进行);
D,做了动作A(如点击、浏览、下单等),得到一种新的排序结果(如根据新的动作更新对应状态栏分值),得到一种新的状态S′,并获得奖励R,其中,奖励可以是1,50或者-1000;
E,数学描述如:Q(S,A)←(1-α)*Q(S,A)+α*[R+γ*maxQ(S’,a)]在Q中更新S;其中α为学习速率,γ为折扣因子;可以看出,γ越大,排序算法就会越重视以往经验,越小,排序算法只重视眼前利益(R)。
F,S←S′,通过得到新的排序状态更新旧的排序状态。
G,重复从第二部之后的操作直至所有动作对应的分值在叠加完毕。
其中,通过上述方法得到动作和分值的映射策略即为训练参数,至此完成第二机器学习模型的训练。
在本公开实施例中,通过获取所述用户的访问数据;将所述历史访问数据进行特征转换,获得预设维度的第一特征向量;所述历史访问数据包括用户属性数据、商家属性数据、用户历史访问商家行为数据、商品属性数据、用户历史访问商品行为数据中的一种或者多种;将所述实时访问数据进行特征转换,获得预设维度的第二特征向量;将所述第一特征向量输入预先训练的第一机器学习模型,分别获得所述用户的历史商家分值及历史商品分值;将所述第二特征向量输入预先训练的第二机器学习模型,获得所述用户的实时商家分值及实时商品分值;根据所述历史商家分值及所述历史商品分值,对所述用户的历史访问商家及历史访问商品进行排序,生成历史商家排序列表,和历史商品排序列表;根据所述实时商家分值及所述实时商品分值,对所述用户的实时访问商家及实时访问商品进行排序,生成实时商家排序列表,和实时商品排序列表;根据所述历史商家排序列表和所述历史商品排序列表,分别修正所述实时商家排序列表和所述实时商品排序列表,生成针对所述用户的推荐商家商品列表。所述商家商品列表包括推荐的商家以及针对至少一个所推荐的商家推荐的商品;将所述推荐商家商品列表中的商家和商品对应的展示给所述用户,为用户提供一种综合商家商品信息的推荐方式,满足了用户获取商品商家综合推荐信息的需求。
实施例三
参照图3,示出了本公开的一种推荐装置实施例的结构框图,具体可以包括如下模块:
数据获取模块301,用于获取所述用户的访问数据;所述访问数据包括历史访问数据和/或实时访问数据;
推荐商家商品列表生成模块302,用于将所述访问数据输入到预先训练好的机器学习模型,生成针对所述用户的推荐商家商品列表;所述商家商品列表包括推荐的商家以及针对至少一个所推荐的商家推荐的商品;
推荐商家商品列表展示模块303,用于将所述推荐商家商品列表中的商家和商品对应的展示给所述用户。
在本公开实施例中,通过数据获取模块,用于获取所述用户的访问数据;所述访问数据包括历史访问数据和/或实时访问数据;推荐商家商品列表生成模块,用于将所述访问数据输入到预先训练好的机器学习模型,生成针对所述用户的推荐商家商品列表;所述商家商品列表包括推荐的商家以及针对至少一个所推荐的商家推荐的商品;推荐商家商品列表展示模块,用于将所述推荐商家商品列表中的商家和商品对应的展示给所述用户。实现了满足了用户对于针对商品和商家的综合信息获取需求的目的。
实施例四
参照图4,示出了本公开的一种推荐装置实施例的结构框图,具体可以包括如下模块:
数据获取模块401,用于获取所述用户的访问数据;所述访问数据包括历史访问数据和/或实时访问数据;
推荐商家商品列表生成模块402,用于将所述访问数据输入到预先训练好的机器学习模型,生成针对所述用户的推荐商家商品列表;所述商家商品列表包括推荐的商家以及针对至少一个所推荐的商家推荐的商品;
优选地,所述推荐商家商品列表生成模块402,进一步包括:
特征转换子模块4021,用于将所述历史访问数据进行特征转换,获得预设维度的第一特征向量;所述历史访问数据包括用户属性数据、商家属性数据、用户历史访问商家行为数据、商品属性数据、用户历史访问商品行为数据中的一种或者多种;
第二特征向量获取子模块4022,用于将所述实时访问数据进行特征转换,获得预设维度的第二特征向量;
优选地,所述实时访问数据包括用户实时访问商家行为数据和用户实时访问商品行为数据。
历史分值获取子模块4023,用于将所述第一特征向量输入预先训练的第一机器学习模型,分别获得所述用户的历史商家分值及历史商品分值;
实时分值子模块4024,用于将所述第二特征向量输入预先训练的第二机器学习模型,获得所述用户的实时商家分值及实时商品分值;
历史排序列表生成子模块4025,用于根据所述历史商家分值及所述历史商品分值,对所述用户的历史访问商家及历史访问商品进行排序,生成历史商家排序列表,和历史商品排序列表;
历史排序列表更新子模块,用于根据所述用户实时访问商家行为数据和所述用户实时访问商品行为数据,分别更新所述历史商家排序列表,和所述历史商品排序列表。
优选地,所述用户实时访问商家行为数据包含实时商家点击率,所述实时访问商品行为数据包含实时商品点击率,所述实时访问商品行为数据包含实时商品点击率,则所述历史排序列表更新子模块,进一步包括:
历史商家排序列表更新单元,用于根据所述实时商家点击率的高低,更新所述历史商家排序列表;
历史商家排序列表更新单元,用于根据所述实时商品点击率的高低,更新所述历史商家排序列表。
实时排序列表生成子模块4026,用于根据所述实时商家分值及所述实时商品分值,对所述用户的实时访问商家及实时访问商品进行排序,生成实时商家排序列表,和实时商品排序列表;
推荐商家商品列表生成子模块4027,用于根据所述历史商家排序列表和所述历史商品排序列表,分别修正所述实时商家排序列表和所述实时商品排序列表,生成针对所述用户的推荐商家商品列表。
优选地,所述推荐商家商品列表生成子模块4027,进一步包括:
将所述历史商家排序列表与商品权重,以及所述历史商品排序列表与商家权重进行加权求和,得到商家商品权重排序列表;
根据所述商家商品权重排序列表的中的商家商品顺序,修正所述实时商家排序列表和所述实时商品排序列表,生成针对所述用户的推荐商家商品列表。
推荐商家商品列表展示模块403,用于将所述推荐商家商品列表中的商家和商品对应的展示给所述用户。
优选地,所述历史分值获取子模块4023进一步包括:
第二机器学习模型训练模块,用于训练第一机器学习模型。
其中,所述第二机器学习模型训练模块,进一步包括:
商家访问率提取子模块,用于提取预设时间段内的各用户属性数据、各商家属性数据、所述各用户对各商家的访问率;
访问特征数据得到子模块,用于根据所述各用户对各商家的访问率对各商家进行打分,得到所述各用户对各商家的访问特征数据;
第二训练特征向量获得子模块,用于将所述各用户属性数据、所述各商家属性数据、所述各用户对各商家的访问特征数据进行特征转换,获得预设维度的第二训练特征向量;
商品访问率提取子模块,用于提取预设时间段内的各用户属性数据、各商品属性数据、所述各用户对商品的访问率;
访问特征数据得到子模块,用于根据所述各用户对各商品的访问率对各商品进行打分,得到所述各用户对各商品的访问特征数据;
商品训练特征向量获得子模块,用于将所述各用户属性数据、所述各商品属性数据、所述各用户对各商品的访问特征数据进行特征转换,获得预设维度的商品训练特征向量;
第一机器学习模型得到子模块,用于将所述第二训练特征向量和所述商品训练特征向量分别通过预设机器学习算法进行训练,得到第一机器学习模型。
优选地,所述实时分值子模块4024,还包括:
第二模型训练模块,用于训练第二机器学习模型。
其中,所述第二模型训练模块进一步包括:
访问率提取子模块,用于提取预设时间段内的所有用户针对商家或商品的访问数据,所述访问数据包括各用户属性数据、各商家属性数据、各商品属性数据、各用户对商家的访问率、各用户对商品的访问率;
用户对商家的访问特征数据得到子模块,用于根据各用户对商家的访问行为数据对各商家进行打分,得到所述各用户对商家的访问特征数据;
用户对商品的访问特征数据得到子模块,用于根据各用户对商品的访问行为数据对各商品进行打分,得到所述各用户对商品的访问特征数据;
预设维度的第一训练特征向量生成子模块,用于将所述用户属性数据、所述各商家属性数据、所述各商品属性数据、所述各用户对商家的访问特征数据、所述各用户对商品的访问特征数据进行特征转换,生成预设维度的第一训练特征向量;
第二机器学习模型得到子模块,用于将所述第一训练特征向量通过预设机器学习算法训练,得到第二机器学习模型。
在本公开实施例中,通过在本公开实施例中,通过数据获取模块,用于获取所述用户的访问数据;所述访问数据包括历史访问数据和/或实时访问数据;推荐商家商品列表生成模块,用于将所述访问数据输入到预先训练好的机器学习模型,生成针对所述用户的推荐商家商品列表;所述商家商品列表包括推荐的商家以及针对至少一个所推荐的商家推荐的商品;推荐商家商品列表展示模块,用于将所述推荐商家商品列表中的商家和商品对应的展示给所述用户。实现了满足了用户对于针对商品和商家的综合信息获取需求的目的。另外,通过对第一机器学习模型和第二机器学习模型的训练,完成了通过用户数据、商家数据、商品数据、用户针对商家的行为数据、用户针对商品的行为数据,进行行为与分值标记,最终完成模型训练,以实现对预测数据进行打分,并排序的目的。
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。
本公开实施例还提供一种电子设备,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如上述的一个或多个所述的推荐方法。
本公开实施例还提供一种可读存储介质,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如所述的推荐方法。
综上所述,本公开实施例具有如下优点:
一.为用户提供一种商家商品组合的推荐方式;
二.多模型组合(商家模型+商品模型+商家、商品模型)提高推荐效果和推荐体验。
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。
本领域内的技术人员应明白,本公开实施例的实施例可提供为方法、装置、或计算机程序产品。因此,本公开实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本公开实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本公开实施例是参照根据本公开实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上,使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本公开实施例的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本公开实施例范围的所有变更和修改。
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、物品或者终端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、物品或者终端设备所固有的要素。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、物品或者终端设备中还存在另外的相同要素。
以上对本公开所提供的一种推荐方法、装置、电子设备及可读存储介质,进行了详细介绍,本文中应用了具体个例对本公开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公开的方法及其核心思想;同时,对于本领域的一般技术人员,依据本公开的思想,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公开的限制。
Claims (11)
1.一种推荐方法,其特征在于,包括:
获取所述用户的访问数据;所述访问数据包括历史访问数据和/或实时访问数据;
将所述访问数据输入到预先训练好的机器学习模型,生成针对所述用户的推荐商家商品列表;所述商家商品列表包括推荐的商家以及针对至少一个所推荐的商家推荐的商品;
将所述推荐商家商品列表中的商家和商品对应的展示给所述用户。
2.根据权利要求1所述的方法,其特征在于,所述将所述访问数据输入到预先训练好的机器学习模型,生成针对所述用户的推荐商家商品列表的步骤,包括:
将所述历史访问数据进行特征转换,获得预设维度的第一特征向量;所述历史访问数据包括用户属性数据、商家属性数据、用户历史访问商家行为数据、商品属性数据、用户历史访问商品行为数据中的一种或者多种;
将所述实时访问数据进行特征转换,获得预设维度的第二特征向量;
将所述第一特征向量输入预先训练的第一机器学习模型,分别获得所述用户的历史商家分值及历史商品分值;
将所述第二特征向量输入预先训练的第二机器学习模型,获得所述用户的实时商家分值及实时商品分值;
根据所述历史商家分值及所述历史商品分值,对所述用户的历史访问商家及历史访问商品进行排序,生成历史商家排序列表,和历史商品排序列表;
根据所述实时商家分值及所述实时商品分值,对所述用户的实时访问商家及实时访问商品进行排序,生成实时商家排序列表,和实时商品排序列表;
根据所述历史商家排序列表和所述历史商品排序列表,分别修正所述实时商家排序列表和所述实时商品排序列表,生成针对所述用户的推荐商家商品列表。
3.根据权利要求2所述的方法,其特征在于,所述实时访问数据包括用户实时访问商家行为数据和用户实时访问商品行为数据。
4.根据权利要求3所述的方法,其特征在于,所述根据所述历史商家分值及所述历史商品分值,对所述用户的历史访问商家及历史访问商品进行排序,生成历史商家排序列表,和历史商品排序列表的步骤的之后,还包括:
根据所述用户实时访问商家行为数据和所述用户实时访问商品行为数据,分别更新所述历史商家排序列表,和所述历史商品排序列表。
5.根据权利要求4所述的方法,其特征在于,所述用户实时访问商家行为数据包含实时商家点击率,所述实时访问商品行为数据包含实时商品点击率,所述实时访问商品行为数据包含实时商品点击率,所述根据所述用户实时访问商家行为数据和所述用户实时访问商品行为数据,分别更新所述历史商家排序列表,和所述历史商品排序列表的步骤,包括:
根据所述实时商家点击率的高低,更新所述历史商家排序列表;
根据所述实时商品点击率的高低,更新所述历史商家排序列表。
6.根据权利要求2-5其中之一所述的方法,所述根据所述历史商家排序列表和所述历史商品排序列表,分别修正所述实时商家排序列表和所述实时商品排序列表,生成针对所述用户的推荐商家商品列表的步骤,包括:
将所述历史商家排序列表与商品权重,以及所述历史商品排序列表与商家权重进行加权求和,得到商家商品权重排序列表;
根据所述商家商品权重排序列表的中的商家商品顺序,修正所述实时商家排序列表和所述实时商品排序列表,生成针对所述用户的推荐商家商品列表。
7.根据权利要求2所述的方法,其特征在于,所述第一机器学习模型通过以下步骤训练完成:
提取预设时间段内的各用户属性数据、各商家属性数据、所述各用户对各商家的访问率;
根据所述各用户对各商家的访问率对各商家进行打分,得到所述各用户对各商家的访问特征数据;
将所述各用户属性数据、所述各商家属性数据、所述各用户对各商家的访问特征数据进行特征转换,获得预设维度的第二训练特征向量;
提取预设时间段内的各用户属性数据、各商品属性数据、所述各用户对商品的访问率;
根据所述各用户对各商品的访问率对各商品进行打分,得到所述各用户对各商品的访问特征数据;
将所述各用户属性数据、所述各商品属性数据、所述各用户对各商品的访问特征数据进行特征转换,获得预设维度的商品训练特征向量;
将所述第二训练特征向量和所述商品训练特征向量分别通过预设机器学习算法进行训练,得到第一机器学习模型。
8.根据权利要求2所述的方法,其特征在于,所述第二机器学习模型通过以下步骤训练完成:
提取预设时间段内的所有用户针对商家或商品的访问数据,所述访问数据包括各用户属性数据、各商家属性数据、各商品属性数据、各用户对商家的访问率、各用户对商品的访问率;
根据各用户对商家的访问行为数据对各商家进行打分,得到所述各用户对商家的访问特征数据;
根据各用户对商品的访问行为数据对各商品进行打分,得到所述各用户对商品的访问特征数据;
将所述用户属性数据、所述各商家属性数据、所述各商品属性数据、所述各用户对商家的访问特征数据、所述各用户对商品的访问特征数据进行特征转换,生成预设维度的第一训练特征向量;
将所述第一训练特征向量通过预设机器学习算法训练,得到第二机器学习模型。
9.一种推荐装置,其特征在于,包括:
数据获取模块,用于获取所述用户的访问数据;所述访问数据包括历史访问数据和/或实时访问数据;
推荐商家商品列表生成模块,用于将所述访问数据输入到预先训练好的机器学习模型,生成针对所述用户的推荐商家商品列表;所述商家商品列表包括推荐的商家以及针对至少一个所推荐的商家推荐的商品;
推荐商家商品列表展示模块,用于将所述推荐商家商品列表中的商家和商品对应的展示给所述用户。
10.一种电子设备,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1-8之任一项所述的推荐方法。
11.一种可读存储介质,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,使得电子设备能够实现如权利要求1-8之任一项所述的测推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910478457.6A CN110363617A (zh) | 2019-06-03 | 2019-06-03 | 一种推荐方法、装置、电子设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910478457.6A CN110363617A (zh) | 2019-06-03 | 2019-06-03 | 一种推荐方法、装置、电子设备及可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110363617A true CN110363617A (zh) | 2019-10-22 |
Family
ID=68215362
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910478457.6A Pending CN110363617A (zh) | 2019-06-03 | 2019-06-03 | 一种推荐方法、装置、电子设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110363617A (zh) |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110992076A (zh) * | 2019-11-01 | 2020-04-10 | 北京三快在线科技有限公司 | 商家质量评价方法、装置、电子设备及可读存储介质 |
CN111754300A (zh) * | 2020-06-22 | 2020-10-09 | 深圳市分期乐网络科技有限公司 | 一种商品推荐方法、装置、设备和存储介质 |
CN111753210A (zh) * | 2020-05-27 | 2020-10-09 | 浙江口碑网络技术有限公司 | 资源推送方法、装置、计算机设备及计算机可读存储介质 |
CN111782983A (zh) * | 2020-05-12 | 2020-10-16 | 北京三快在线科技有限公司 | 一种信息排序方法、装置、电子设备及存储介质 |
CN111899068A (zh) * | 2020-07-07 | 2020-11-06 | 拉扎斯网络科技(上海)有限公司 | 商品导购方法、装置、存储介质及计算机设备 |
CN112801743A (zh) * | 2020-12-23 | 2021-05-14 | 珠海必要工业科技股份有限公司 | 一种商品推荐方法、装置、电子设备及存储介质 |
CN112836115A (zh) * | 2019-11-25 | 2021-05-25 | 浙江大搜车软件技术有限公司 | 信息推荐方法、装置、计算机设备和存储介质 |
CN113129053A (zh) * | 2021-03-29 | 2021-07-16 | 北京沃东天骏信息技术有限公司 | 信息推荐模型训练方法、信息推荐方法及存储介质 |
CN113191696A (zh) * | 2021-05-28 | 2021-07-30 | 中国银行股份有限公司 | 一种商户推荐方法和装置 |
CN113312513A (zh) * | 2021-07-28 | 2021-08-27 | 贝壳找房(北京)科技有限公司 | 对象的推荐方法和装置、电子设备和存储介质 |
CN113505148A (zh) * | 2021-06-24 | 2021-10-15 | 北京天九云电子商务有限公司 | 一种基于互助分值的排序方法、搜索排序方法及装置 |
CN113516504A (zh) * | 2021-05-20 | 2021-10-19 | 深圳马六甲网络科技有限公司 | 一种商品推荐方法、装置、设备及存储介质 |
CN113761002A (zh) * | 2021-03-25 | 2021-12-07 | 北京沃东天骏信息技术有限公司 | 信息推送方法、装置、设备和计算机可读存储介质 |
CN113763092A (zh) * | 2020-11-10 | 2021-12-07 | 北京沃东天骏信息技术有限公司 | 推荐商品的方法、装置、设备和计算机可读介质 |
CN113822730A (zh) * | 2020-08-03 | 2021-12-21 | 北京沃东天骏信息技术有限公司 | 信息的推荐方法、装置、计算设备及介质 |
WO2022033590A1 (zh) * | 2020-08-14 | 2022-02-17 | 北京沃东天骏信息技术有限公司 | 基于用户特征的页面展示方法、装置、介质及电子设备 |
CN114065044A (zh) * | 2021-11-23 | 2022-02-18 | 聚好看科技股份有限公司 | 一种内容推荐优化方法及服务器 |
CN114417944A (zh) * | 2020-10-09 | 2022-04-29 | 腾讯科技(深圳)有限公司 | 识别模型训练方法及装置、用户异常行为识别方法及装置 |
CN114676306A (zh) * | 2022-03-28 | 2022-06-28 | 河南经贸职业学院 | 一种基于人工智能的计算机信息筛选装置 |
CN115129988A (zh) * | 2022-06-29 | 2022-09-30 | 北京达佳互联信息技术有限公司 | 一种信息获取方法、装置、电子设备及存储介质 |
WO2024080923A1 (en) * | 2022-10-10 | 2024-04-18 | Grabtaxi Holdings Pte. Ltd. | Device and method for providing advertisement content to a terminal device |
-
2019
- 2019-06-03 CN CN201910478457.6A patent/CN110363617A/zh active Pending
Cited By (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110992076A (zh) * | 2019-11-01 | 2020-04-10 | 北京三快在线科技有限公司 | 商家质量评价方法、装置、电子设备及可读存储介质 |
CN112836115A (zh) * | 2019-11-25 | 2021-05-25 | 浙江大搜车软件技术有限公司 | 信息推荐方法、装置、计算机设备和存储介质 |
CN111782983A (zh) * | 2020-05-12 | 2020-10-16 | 北京三快在线科技有限公司 | 一种信息排序方法、装置、电子设备及存储介质 |
CN111753210A (zh) * | 2020-05-27 | 2020-10-09 | 浙江口碑网络技术有限公司 | 资源推送方法、装置、计算机设备及计算机可读存储介质 |
CN111754300A (zh) * | 2020-06-22 | 2020-10-09 | 深圳市分期乐网络科技有限公司 | 一种商品推荐方法、装置、设备和存储介质 |
CN111899068A (zh) * | 2020-07-07 | 2020-11-06 | 拉扎斯网络科技(上海)有限公司 | 商品导购方法、装置、存储介质及计算机设备 |
CN113822730A (zh) * | 2020-08-03 | 2021-12-21 | 北京沃东天骏信息技术有限公司 | 信息的推荐方法、装置、计算设备及介质 |
WO2022033590A1 (zh) * | 2020-08-14 | 2022-02-17 | 北京沃东天骏信息技术有限公司 | 基于用户特征的页面展示方法、装置、介质及电子设备 |
CN114417944B (zh) * | 2020-10-09 | 2024-04-09 | 腾讯科技(深圳)有限公司 | 识别模型训练方法及装置、用户异常行为识别方法及装置 |
CN114417944A (zh) * | 2020-10-09 | 2022-04-29 | 腾讯科技(深圳)有限公司 | 识别模型训练方法及装置、用户异常行为识别方法及装置 |
CN113763092A (zh) * | 2020-11-10 | 2021-12-07 | 北京沃东天骏信息技术有限公司 | 推荐商品的方法、装置、设备和计算机可读介质 |
CN112801743B (zh) * | 2020-12-23 | 2022-05-31 | 珠海必要工业科技股份有限公司 | 一种商品推荐方法、装置、电子设备及存储介质 |
CN112801743A (zh) * | 2020-12-23 | 2021-05-14 | 珠海必要工业科技股份有限公司 | 一种商品推荐方法、装置、电子设备及存储介质 |
CN113761002A (zh) * | 2021-03-25 | 2021-12-07 | 北京沃东天骏信息技术有限公司 | 信息推送方法、装置、设备和计算机可读存储介质 |
CN113129053A (zh) * | 2021-03-29 | 2021-07-16 | 北京沃东天骏信息技术有限公司 | 信息推荐模型训练方法、信息推荐方法及存储介质 |
CN113129053B (zh) * | 2021-03-29 | 2024-05-21 | 北京沃东天骏信息技术有限公司 | 信息推荐模型训练方法、信息推荐方法及存储介质 |
CN113516504A (zh) * | 2021-05-20 | 2021-10-19 | 深圳马六甲网络科技有限公司 | 一种商品推荐方法、装置、设备及存储介质 |
CN113191696A (zh) * | 2021-05-28 | 2021-07-30 | 中国银行股份有限公司 | 一种商户推荐方法和装置 |
CN113505148A (zh) * | 2021-06-24 | 2021-10-15 | 北京天九云电子商务有限公司 | 一种基于互助分值的排序方法、搜索排序方法及装置 |
CN113312513A (zh) * | 2021-07-28 | 2021-08-27 | 贝壳找房(北京)科技有限公司 | 对象的推荐方法和装置、电子设备和存储介质 |
CN114065044A (zh) * | 2021-11-23 | 2022-02-18 | 聚好看科技股份有限公司 | 一种内容推荐优化方法及服务器 |
CN114676306A (zh) * | 2022-03-28 | 2022-06-28 | 河南经贸职业学院 | 一种基于人工智能的计算机信息筛选装置 |
CN115129988A (zh) * | 2022-06-29 | 2022-09-30 | 北京达佳互联信息技术有限公司 | 一种信息获取方法、装置、电子设备及存储介质 |
WO2024080923A1 (en) * | 2022-10-10 | 2024-04-18 | Grabtaxi Holdings Pte. Ltd. | Device and method for providing advertisement content to a terminal device |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110363617A (zh) | 一种推荐方法、装置、电子设备及可读存储介质 | |
US20230325691A1 (en) | Systems and methods of processing personality information | |
US20220058715A1 (en) | Method and system for search refinement | |
US10409821B2 (en) | Search result ranking using machine learning | |
AU2021201077A1 (en) | Recommendation system based on group profiles of personal taste | |
CN110020128B (zh) | 一种搜索结果排序方法及装置 | |
US10074121B2 (en) | Shopper helper | |
US20110282712A1 (en) | Survey reporting | |
CA2655196A1 (en) | System and method for generating a display of tags | |
CN104239338A (zh) | 信息推荐方法及装置 | |
CN106062743A (zh) | 用于关键字建议的系统和方法 | |
CN110532462A (zh) | 一种推荐方法、装置、设备及可读存储介质 | |
US20100114615A1 (en) | Optimized inventory selection | |
CN106776716B (zh) | 一种智能匹配销售顾问和用户的方法及设备 | |
Yan et al. | Implementation of a product-recommender system in an IoT-based smart shopping using fuzzy logic and apriori algorithm | |
CN106469392A (zh) | 选择及推荐展示对象的方法及装置 | |
CN108648058A (zh) | 产品排序方法及装置,电子设备、存储介质 | |
EP3598373A1 (en) | Determining product relevancy | |
Ren et al. | Online choice decision support for consumers: Data-driven analytic hierarchy process based on reviews and feedback | |
JP2020149723A (ja) | 行動促進方法、ユーザインタフェース、プログラム、コンピュータ記憶媒体及び行動促進システム | |
CN110781399A (zh) | 一种跨平台的信息推送方法和装置 | |
Fazlollahtabar | Intelligent marketing decision model based on customer behavior using integrated possibility theory and K-means algorithm | |
CN112328918B (zh) | 商品排序方法、计算设备和计算机可读存储介质 | |
CN103455566B (zh) | 信息展示方法及装置 | |
Abdool et al. | Recommend My Dish: A multi-sensory food recommender |
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 |