CN110458637A - 基于神经网络的产品推送方法、及其相关设备 - Google Patents
基于神经网络的产品推送方法、及其相关设备 Download PDFInfo
- Publication number
- CN110458637A CN110458637A CN201910532912.6A CN201910532912A CN110458637A CN 110458637 A CN110458637 A CN 110458637A CN 201910532912 A CN201910532912 A CN 201910532912A CN 110458637 A CN110458637 A CN 110458637A
- Authority
- CN
- China
- Prior art keywords
- product
- target
- recommended
- data
- user
- 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
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 42
- 238000012549 training Methods 0.000 claims description 73
- 230000006399 behavior Effects 0.000 claims description 24
- 238000003860 storage Methods 0.000 claims description 19
- 238000013527 convolutional neural network Methods 0.000 claims description 17
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 7
- 210000003813 thumb Anatomy 0.000 claims description 4
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 238000003786 synthesis reaction Methods 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 2
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 239000000047 product Substances 0.000 description 319
- 238000012545 processing Methods 0.000 description 7
- 239000006227 byproduct Substances 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 241000208340 Araliaceae Species 0.000 description 3
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 3
- 235000003140 Panax quinquefolius Nutrition 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 235000008434 ginseng Nutrition 0.000 description 3
- 230000003542 behavioural effect Effects 0.000 description 2
- 230000019771 cognition Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- General Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及人工智能领域,提供了一种基于神经网络的产品推送方法、及其相关设备,所述基于神经网络的产品推送方法包括:获取目标用户通过浏览器浏览的产品信息作为目标数据;将目标数据导入到预先训练好的目标模型中进行处理得到待推荐产品;根据用户历史库中的待推荐产品的历史行为信息确定评分数据;基于评分数据与预设权重系数,计算待推荐产品的综合评分;利用综合评分与预设阈值进行比较,选取综合评分大于或者等于预设阈值的待推荐产品作为目标推荐产品;将目标推荐产品推荐给目标用户。本发明的技术方案实现基于用户数据为目标用户推荐合适的目标推荐产品,避免目标用户无从选择,从而提供目标用户购买产品的成功率以及产品销售的出单率。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种基于神经网络的产品推送方法、及其相关设备。
背景技术
目前市面上在线产品推荐方法单一,在为目标用户推荐产品信息时,存在推荐不准确的情况,导致目标用户通过在线产品推荐的方法购买产品时,查询到的产品不适合自己,也存在未能及时获取到有参考价值的参考产品,使到目标用户存在选择困难症的情况,进一步影响用户的购买需求,降低产品销售的出单率。
发明内容
本发明实施例提供一种基于神经网络的产品推送方法、及其相关设备,以解决无法为目标用户推荐合适产品信息的问题。
一种基于神经网络的产品推送方法,包括:
获取目标用户通过浏览器浏览的产品信息,作为目标数据;
将所述目标数据导入到预先训练好的目标模型中进行处理,获取所述目标模型响应所述目标数据而输出的待推荐产品;
从用户历史库中获取所述目标用户针对所述待推荐产品的历史行为信息,并根据所述历史行为信息确定所述目标用户对所述待推荐产品的评分数据;
基于所述评分数据与预设权重系数,计算所述待推荐产品的综合评分;
利用所述综合评分与预设阈值进行比较,选取所述综合评分大于或者等于预设阈值的所述待推荐产品作为目标推荐产品;
将所述目标推荐产品推荐给目标用户。
一种基于神经网络的产品数据推送装置,包括:
第一获取模块,用于获取目标用户通过浏览器浏览的产品信息,作为目标数据;
输出模块,用于将所述目标数据导入到预先训练好的目标模型中进行处理,获取所述目标模型响应所述目标数据而输出的待推荐产品;
第二获取模块,用于从用户历史库中获取所述目标用户针对所述待推荐产品的历史行为信息,并根据所述历史行为信息确定所述目标用户对所述待推荐产品的评分数据;
第一计算模块,用于基于所述评分数据与预设权重系数,计算所述待推荐产品的综合评分;
比较模块,用于利用所述综合评分与预设阈值进行比较,选取所述综合评分大于或者等于预设阈值的所述待推荐产品作为目标推荐产品;
推荐模块,用于将所述目标推荐产品推荐给目标用户。
一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述基于神经网络的产品推送方法的步骤。
一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述基于神经网络的产品推送方法的步骤。
上述基于神经网络的产品推送方法、及其相关设备,通过将获取到的目标数据导入到预先训练好的目标模型中进行处理,得到目标模型输出的待推荐产品,获取目标用户对待推荐产品的评分数据,基于评分数据与预设权重系数计算出待推荐产品的综合评分,将综合评分与预设阈值进行比较,选取大于预设阈值的综合评分对应的待推荐产品作为目标推荐产品,并将目标推荐产品推荐给目标用户,从而实现基于目标用户的用户数据准确计算出适合目标用户的目标推荐产品,帮助目标用户获取更多准确有用的目标推荐产品,避免目标用户出现无从选取的情况,提高目标用户购买产品的成功率以及产品销售的出单率。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明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发明的一些实施例,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是本发明实施例提供的基于神经网络的产品推送方法的流程图;
图2是本发明实施例提供的基于神经网络的产品推送方法中获取训练样本对卷积神经网络模型进行训练的流程图;
图3是本发明实施例提供的基于神经网络的产品推送方法中步骤S71的流程图;
图4是本发明实施例提供的基于神经网络的产品推送方法中步骤S74的流程图;
图5是本发明实施例提供的基于神经网络的产品推送方法中计算目标推荐产品与关联产品之间的相似度确定目标推荐产品的流程图;
图6是本发明实施例提供的基于神经网络的产品数据推送装置的示意图;
图7是本发明实施例提供的计算机设备的基本机构框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
本申请提供的数据处理方法应用于服务端,服务端具体可以用独立的服务器或者多个服务器组成的服务器集群实现。在一实施例中,如图1所示,提供一种基于神经网络的产品推送方法,包括如下步骤:
S1:获取目标用户通过浏览器浏览的产品信息,作为目标数据。
在本发明实施例中,当目标用户通过浏览器浏览产品信息时,产品信息将自动保存到预设信息库中。通过对预设信息库进行检测,若检测到预设信息库中存在产品信息,则直接对预设信息库中的产品信息进行提取,并将产品信息作为目标数据。其中,预设信息库是指专门用于存储目标用户通过浏览器浏览的产品信息的数据库。目标用户包含目标用户id。
需要说明的是,当对预设信息库中的产品信息进行提取时也对目标用户的目标用户id进行获取,且在提取产品信息后,将产品信息从预设信息库中进行删除。
S2:将目标数据导入到预先训练好的目标模型中进行处理,获取目标模型响应该目标数据而输出的待推荐产品。
在本发明实施例中,预先训练好的目标模型是指预先训练好的卷积神经网络模型,且该目标模型能够根据输入的目标数据进行识别得到目标数据对应的待推荐产品,其中,待推荐产品存在其对应的产品标识信息,例如待推荐产品具体可以是指汽车,其对应的产品标识信息可以是XX车。
具体地,通过直接将目标数据导入到目标模型中,得到该目标模型根据目标数据进行识别反馈的待推荐产品。
例如,预先训练好的目标模型能够根据目标数据A反馈待推荐产品A1,当将目标数据A导入到目标模型时,输出待推荐产品A1。
S3:从用户历史库中获取目标用户针对待推荐产品的历史行为信息,并根据历史行为信息确定目标用户对待推荐产品的评分数据。
具体地,根据步骤S1中目标用户包含的目标用户id,从用户历史库中查询与目标用户id相同的用户id,当查询到目标用户id与用户id相同时,获取用户id对应的与待推荐产品对应产品标识信息相同的历史描述信息的历史行为信息,该历史行为信息即为目标用户针对待推荐产品的历史行为信息,并从预设评分库中查询该历史行为信息对应的评分数据,将该评分数据确定为目标用户对待推荐产品的评分数据。
用户历史库是指专门用于存储用户id、用户id对应的不同历史描述信息、及其历史描述信息对应的历史行为信息,其中,历史描述信息包含产品标识信息,历史行为信息具体可以是目标用户在客户端中对待推荐产品进行收藏、目标用户在客户端中对待推荐产品进行点赞、目标用户在客户端中对待推荐产品添加到购物车等目标用户行为。
预设评分库是指专门用于存储不同历史行为信息及其历史行为信息对应的评分数据。
需要说明的是,评分数据是指目标用户对历史行为信息的评分值,例如具体可以是目标用户在客户端中对待推荐产品进行收藏所对应的评分值、目标用户在客户端中对待推荐产品进行点赞所对应的评分值、目标用户在客户端中对待推荐产品添加到购物车中所对应的评分值。
例如,存在待推荐产品对应产品标识信息为789,用户历史库中存在用户id123,其对应的历史描述信息分别为789和987,历史描述信息789对应的历史行为信息为AAA和BBB,历史描述信息987对应的历史行为信息为CCC和DDD,若目标用户的目标用户id为123,从用户历史库中查询与目标用户id123相同的用户id123,获取用户id123对应的与待推荐产品对应产品标识信息789相同的历史描述信息789的历史行为信息AAA和BBB,并从预设评分库中查询该历史行为信息AAA和BBB对应的评分数据。
S4:基于评分数据与预设权重系数,计算待推荐产品的综合评分。
具体地,根据评分数据与每个评分数据对应的预设权重系数,将每个评分数据与其对应的预设权重系数进行相乘,并将相乘得到的积进行求和得到的值作为待推荐产品的综合评分。其中,预设权重系数是指根据用户的实际需求针对每个评分数据设定的权重,权重的值具体可以是0.1、0.2或者0.3等等。
S5:利用综合评分与预设阈值进行比较,选取综合评分大于或者等于预设阈值的待推荐产品作为目标推荐产品。
具体地,将步骤S4得到的综合评分与预设阈值进行比较,若综合评分大于或者等于预设阈值,则表示该综合评分对应的待推荐产品为目标用户感兴趣的推荐产品,将该待推荐产品确定为目标推荐产品。其中,预设阈值具体可以是90,也可以根据用户的实际需求进行设置,此处不做限制。
例如,待推荐产品Q的综合评分为90,预设阈值为90,由于综合评分90等于预设阈值90,故将待推荐产品Q确定为目标推荐产品。
S6:将目标推荐产品推荐给目标用户。
具体地,将目标推荐产品按照预设的方式发送给目标用户。其中,预设的方式具体可以是以即时消息的形式,也可以根据用户的实际需求进行设置。
需要说明的是,目标推荐产品可以有多个,当目标推荐产品中存在目标用户针对某个目标推荐产品在浏览器中有浏览记录、收藏信息或者点赞信息时,表示该目标推荐产品为目标用户浏览过的目标推荐产品,则不对该目标推荐产品进行推荐,选取未被目标用户浏览过的目标推荐产品推荐给目标用户。
例如,存在目标推荐产品W1和目标推荐产品W2,其中目标推荐产品W1为目标用户在浏览器中存在浏览记录,故在推荐给目标用户时,选取目标推荐产品W2进行推荐。
本实施例中,通过将获取到的目标数据导入到预先训练好的目标模型中进行处理,得到目标模型输出的待推荐产品,获取目标用户对待推荐产品的评分数据,基于评分数据与预设权重系数计算出待推荐产品的综合评分,将综合评分与预设阈值进行比较,选取大于预设阈值的综合评分对应的待推荐产品作为目标推荐产品,并将目标推荐产品推荐给目标用户,从而实现基于目标用户的用户数据准确计算出适合目标用户的目标推荐产品,帮助目标用户获取更多准确有用的目标推荐产品,避免目标用户出现无从选取的情况,提高目标用户购买产品的成功率以及产品销售的出单率。
在一实施例中,如图2所示,步骤S1之后,步骤S2之前,该基于神经网络的产品推送方法还包括如下步骤:
S71:通过产品库对训练产品对应的预设类型的产品数据进行采集,作为训练数据。
在本发明实施例中,训练产品是指专门用于后续在卷积神经网络模型中进行训练的产品;预设类型是指根据用户需求设定的类别,具体可以是时间、品牌、价格等等,若产品为汽车,则预设类型的产品数据具体可以是:汽车价格、汽车年款、汽车品牌、车速、汽车销售店面位置、汽车座位数等等。
通过从产品库中直接获取训练产品对应预设类型的产品数据,并将获取到的产品数据作为训练数据,其中,产品库中预先存储了训练产品对应不同类型的产品数据。
S72:从用户库获取合法用户对训练产品的用户评分。
在本发明实施例中,用户库中预先保存了合法用户对训练产品的用户评分;通过用户库直接获取合法用户对训练产品的用户评分。
S73:将用户评分与预设评分值进行比较,得到合法用户对训练产品的喜好状态。
具体地,根据步骤S72得到的用户评分,将该用户评分与预设评分值进行比较,若用户评分小于预设评分值,则表示该用户评分对应的合法用户对训练产品不感兴趣,对应的喜好状态为不喜欢;若用户评分大于等于预设评分值,则表示该用户评分对应的合法用户对训练产品感兴趣,对应的喜好状态为喜欢。其中,预设评分值具体可以是90,也可以是根据用户实际需求进行设置,此处不做限制。
例如,存在合法用户C1和合法用户C2,其对训练产品的用户评分分别为85和95,若预设评分值为90,由于用户评分85小于预设评分值90,表示合法用户C1对训练产品不感兴趣,即合法用户C1对训练产品的喜好状态为不喜欢;由于用户评分95大于预设评分值90,表示合法用户C2对训练产品感兴趣,即合法用户C2对训练产品的喜好状态为喜欢。
S74:将训练数据和喜好状态作为训练样本,导入到卷积神经网络模型中进行训练,得到目标模型。
具体地,将训练数据和喜好状态作为训练样本,导入到卷积神经网络模型中进行训练,将训练后达到用户设定要求的模型确定为目标模型。
本实施例中,通过将获取到的训练数据和合法用户度训练产品的喜好状态作为训练样本,利用卷积神经网络模型对训练样本进行训练得到目标模型,从而实现对目标模型的准确获取,提高后续利用目标模型进行识别的准确性。
在一实施例中,如图3所示,步骤S71中,即通过产品库对训练产品对应的预设类型的产品数据进行采集,作为训练数据包括如下步骤:
S711:从产品库中采集产品数据,其中,产品数据包含数据标签信息。
具体地,通过产品库直接对预设类型的产品数据进行获取,且获取到的产品数据包含数据标签信息。例如,若获取到的产品数据为汽车售价20万,则该产品数据包含的数据标签信息为汽车价位20万。
S712:利用数据标签信息与预设过滤标签信息进行匹配的方式,选取数据标签信息与预设过滤标签信息不同的产品数据作为训练数据。
具体地,根据产品数据包含的数据标签信息,将每个产品的产品数据对应的数据标签信息分别与预设过滤标签信息进行匹配,若产品数据对应的数据标签信息与预设过滤标签信息都不同,则将该产品的产品数据都确定为训练数据。其中,预设过滤标签信息是指用户根据实际需求设置用于确定训练数据的标签信息。
需要说明的是,若产品的产品数据中存在产品数据对应的数据标签信息与预设过滤标签信息相同,则将产品的所有产品数据确定为无效数据,并对无效数据进行清除处理。
例如,存在产品汽车S1和汽车S2,汽车S1的产品数据对应的数据标签信息分别为:车辆品牌A11,车辆年款2000年,车辆销售店面位置无;汽车S2的产品数据对应的数据标签信息分别为:车辆品牌B11,车辆年款2018年,车辆销售店面X;若预设过滤标签信息为“车辆销售店面位置无”;将汽车S1的产品数据对应的数据标签信息和汽车S2的产品数据对应的数据标签信息分别与预设过滤标签信息进行匹配,得到汽车S1的产品数据中存在产品数据对应的数据标签信息与预设过滤标签信息相同,汽车S2的产品数据对应的数据标签信息与预设过滤标签信息都不同,则将汽车S1的产品数据都确定为无效数据,将汽车S2的产品数据都确定为训练数据。
本实施例中,通过根据预设过滤标签信息对产品数据的数据标签信息进行匹配,选取数据标签信息与预设过滤标签信息不同的产品数据作为训练数据,从而实现对产品数据的筛选处理,准确得到训练数据,从而为后续模型训练提供准确的输入数据,保证模型训练的准确性,进一步提高后续识别待推荐产品的准确性。
在一实施例中,如图4所示,步骤S74中,即将训练数据和喜好状态作为训练样本,导入到卷积神经网络模型中进行训练,得到目标模型包括如下步骤:
S741:初始化卷积神经网络模型,得到初始模型。
在本发明实施例中,通过服务端对卷积神经网络模型的模型参数进行初始化处理,为卷积神经网络模型中的各个网络层的权值和偏置均赋予一个初始参数,使得卷积神经网络模型能够根据初始参数对训练样本进行特征的提取和计算,其中,权值和偏置是用于对输入的数据在网络中进行的折射变换计算的模型参数,使得网络经过计算输出的结果能够与实际情况相符。
可以理解地,以人接收信息为例,当人在接收信息后,经过人脑神经元的判断、传递后,人会得到某个结果或者认知,即从信息中获取认知的过程,而对卷积神经网络模型的训练过程就是优化网络中的神经元连接的权值和偏置,使得训练后的卷积神经网络模型对待识别的数据的识别结果,能够达到与真实情况相符的识别效果。
可选地,服务端可以在[-0.30,+0.30]的区间内,任意获取一个权值作为初始参数,将初始参数设置在一个均值为0并且较小的区间内,能够提高模型的收敛速度,以提高模型的构建效率。
S742:将训练样本导入到初始模型中,计算初始模型的前向输出。
具体地,将训练样本作为输入数据依次导入到初始模型中的输入层、卷积层、池化层、全连接层和输出层中进行卷积操作,最后将输出层的输出结果作为前向输出。其中,输入层、卷积层、池化层、全连接层和输出层都有预先设置好的卷积核,通过将训练样本作为输入数据导入到每一层中能够根据预先设置好卷积核进行卷积操作,得到对应的输出结果。
S743:根据前向输出,计算前向输出与预设目标值之间的预测误差。
在本发明实施例中,根据步骤S742得到的前向输出与预设目标值,按照公式(1)计算前向输出与预设目标值之间的预测误差:
Loss=K—Ki 公式(1)
其中,Loss为预测误差,K为预设目标值,Ki为前向输出。
S744:根据预测误差,使用误差反向传播算法对初始模型中各个网络层的初始参数进行调整,得到目标模型。
在本发明实施例中,误差反向传播算法是用于将预测误差分摊给各个网络层的所有单元,从而获得各个网络层的所有单元的误差信号,进而调整各个网络层的初始参数。初始参数只是为了方便初始模型的运算预设的一个参数,使得根据训练样本获得的前向输出与预设目标值之间必然存在误差,需要将这个误差信息逐层回传给初始模型中的各层网络结构,让每一层网络结构对预设的初始参数进行调整,才能获得识别效果更好的目标模型。
具体地,根据预测误差,使用误差反向传播算法对初始模型各个网络层的初始参数进行调整,根据各层的输出对初始模型各个网络层进行误差反传更新,获取更新后的各个网络层的权值和偏置,使用更新后的各个网络层的权值和偏置,对训练样本进行预测,并将训练样本的前向输出与预设目标值进行对比,获取预测误差小于预设阈值的训练样本作为预测准确样本数,对训练样本的总数进行统计,得到训练样本总数,并按照公式(2)计算初始模型的总误差:
其中,W为总误差,M为预测准确样本数,N为训练样本总数;
若当前模型的总误差大于预设精度阈值,则将当前调整后的模型作为目标模型,其中,预设精度阈值是用于表示初始模型对训练样本的预测准确率,具体的精度阈值可以根据实际需要进行设置,此处不做限制。
需要说明的是,若当前模型的总误差小于预设精度阈值,则返回步骤S743继续执行,直到模型的总误差大于预设精度阈值,并将当前模型作为目标模型。
本实施例中,通过对卷积神经网络模型进行初始化得到初始模型,根据训练样本计算初始模型的前向输出,再计算前向输出与预设目标值之间的预测误差,最后根据预设误差,使用误差反向传播算法对初始模型进行调整得到目标模型,从而实现对初始模型的训练调优,提高目标模型对训练样本的识别准确率。
在一实施例中,步骤S4中,即基于评分数据与预设权重系数,计算待推荐产品的综合评分包括如下步骤:
S41:按照公式(3)计算待推荐产品的综合评分:
Score=ω1*s+ω2*c+ω3*g+ω4*shopcars 公式(3)
其中,Score为综合评分;s为目标用户对待推荐产品的评分值,c为目标用户在客户端中对待推荐产品进行收藏所对应的评分值,g为目标用户在客户端中对待推荐产品进行点赞所对应的评分值,shopcars为目标用户在客户端中对待推荐产品添加到购物车中所对应的评分值,s、c、g和shopcars都为评分数据;ω1、ω2、ω3和ω4为预设权重系数,且ω3>ω2>ω4>ω1。
本实施例中,根据公式(3)能够快速准确地计算出待推荐产品的综合评分,从而保证后续利用综合评分对目标推荐产品进行鉴别的准确性,提高目标推荐产品的实用性。
在一实施例中,如图5所示,步骤S5之后,步骤S6之前,该基于神经网络的产品推送方法还包括如下步骤:
S81:从产品关联库中获取与目标推荐产品存在关联关系的关联产品。
在本发明实施例中,目标推荐产品包含其对应的产品标识信息;产品关联库包含产品描述信息及产品描述信息对应的产品;通过将目标推荐产品对应的产品标识信息与产品关联库中的产品描述信息进行匹配,当匹配到产品标识信息与产品描述信息相同时,从产品关联库中获取该产品描述信息对应的产品,该产品即为与目标推荐产品存在关联关系的关联产品。
例如,产品关联库中存在产品描述信息I1及其对应的产品V,存在产品描述信息I2及其对应的产品P,若目标推荐产品I对应的产品标识信息为I1,将产品标识信息I1分别与产品描述信息I1、产品描述信息I2进行匹配,得到产品标识信息I1与产品描述信息I1相同,则获取产品描述信息I1对应的产品V,并将产品V确定为关联产品。
S82:利用相似度算法计算目标推荐产品与关联产品之间的相似度,并将相似度大于预设阈值的关联产品确定为目标推荐产品。
具体地,运用相似度算法计算目标推荐产品与关联产品之间的相似度,并将计算得出的相似度与预设阈值进行比较,当相似度大于等于预设阈值时,表示目标推荐产品与关联产品为相似产品,则将该关联产品确定为目标推荐产品。
例如,存在关联产品Q1,其与目标推荐产品之间的相似度为95,若预设阈值为90,由于相似度95大于预设阈值90,表示关联产品Q1与目标推荐产品为相似产品,将该关联产品确定为目标推荐产品。
本实施例中,通过获取与目标推荐产品存在关联关系的关联产品,利用相似度算法计算目标推荐产品与关联产品之间的相似度,并将相似度大于预设阈值的关联产品确定为目标推荐产品,从而实现对目标推荐产品的准确获取,为后续推荐给目标用户提供更多准确有用的目标推荐产品,进一步有效提高目标用户购买产品的成功率。
在一实施例中,步骤S82中,即利用相似度算法计算目标推荐产品与关联产品之间的相似度,并将相似度大于预设阈值的关联产品确定为目标推荐产品包括如下步骤:
S821:按照公式(4)计算目标推荐产品与关联产品之间的相似度:
其中,r为目标推荐产品与关联产品之间的相似度,Xi和Yi分别为目标推荐产品与关联产品收到每个合法用户对应的综合评分,为目标推荐产品收到所有合法用户对应的平均综合评分,为关联产品收到所有合法用户对应的平均综合评分,i为合法用户的数量,n为常数。
本实施例中,通过公式(4)能够快速准确计算出目标推荐产品与关联产品之间的相似度,实现根据相似度对目标推荐产品准确识别,保证后续能够准确将目标推荐产品推荐给目标用户。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
在一实施例中,提供一种基于神经网络的产品数据推送装置,该基于神经网络的产品数据推送装置与上述实施例中基于神经网络的产品推送方法一一对应。如图6所示,该基于神经网络的产品数据推送装置包括第一获取模块61、输出模块62、第二获取模块63、第一计算模块64、比较模块65和推荐模块66。各功能模块详细说明如下:
第一获取模块61,用于获取目标用户通过浏览器浏览的产品信息,作为目标数据;
输出模块62,用于将目标数据导入到预先训练好的目标模型中进行处理,获取目标模型响应该目标数据而输出的待推荐产品;
第二获取模块63,用于从用户历史库中获取目标用户针对待推荐产品的历史行为信息,并根据历史行为信息确定目标用户对待推荐产品的评分数据;
第一计算模块64,用于基于评分数据与预设权重系数,计算待推荐产品的综合评分;
综合评分比较模块65,用于利用综合评分与预设阈值进行比较,选取综合评分大于或者等于预设阈值的待推荐产品作为目标推荐产品;
推荐模块66,用于将目标推荐产品推荐给目标用户。
进一步地,基于神经网络的产品数据推送装置还包括:
训练数据获取模块,用于通过产品库对训练产品对应的预设类型的产品数据进行采集,作为训练数据;
第三获取模块,用于从用户库获取合法用户对训练产品的用户评分;
用户评分比较模块,用于将用户评分与预设评分值进行比较,得到合法用户对训练产品的喜好状态;
训练模块,用于将训练数据和喜好状态作为训练样本,导入到卷积神经网络模型中进行训练,得到目标模型。
进一步地,训练数据获取模块包括:
产品数据采集子模块,用于从产品库中采集产品数据,其中,产品数据包含数据标签信息;
匹配子模块,用于利用数据标签信息与预设过滤标签信息进行匹配的方式,选取数据标签信息与预设过滤标签信息不同的产品数据作为训练数据。
进一步地,训练模块包括:
初始化子模块,用于初始化卷积神经网络模型,得到初始模型;
导入子模块,用于将训练样本导入到初始模型中,计算初始模型的前向输出;
预测误差计算子模块,用于根据前向输出,计算前向输出与预设目标值之间的预测误差;
目标模型确定子模块,用于根据预测误差,使用误差反向传播算法对初始模型中各个网络层的初始参数进行调整,得到目标模型。
进一步地,第一计算模块包括:
综合评分计算子模块,用于按照公式(3)计算待推荐产品的综合评分:
Score=ω1*s+ω2*c+ω3*g+ω4*shopcars 公式(3)
其中,Score为综合评分;s为目标用户对待推荐产品的评分值,c为目标用户在客户端中对待推荐产品进行收藏所对应的评分值,g为目标用户在客户端中对待推荐产品进行点赞所对应的评分值,shopcars为目标用户在客户端中对待推荐产品添加到购物车中所对应的评分值,s、c、g和shopcars都为评分数据;ω1、ω2、ω3和ω4为预设权重系数,且ω3>ω2>ω4>ω1。
进一步地,基于神经网络的产品数据推送装置还包括:
第四获取模块,用于从产品关联库中获取与目标推荐产品存在关联关系的关联产品;
第二计算模块,用于利用相似度算法计算目标推荐产品与关联产品之间的相似度,并将相似度大于预设阈值的关联产品确定为目标推荐产品。
进一步地,相似度第二计算模块包括:
相似度计算子模块,用于按照公式(4)计算目标推荐产品与关联产品之间的相似度:
其中,r为目标推荐产品与关联产品之间的相似度,Xi和Yi分别为目标推荐产品与关联产品收到每个合法用户对应的综合评分,为目标推荐产品收到所有合法用户对应的平均综合评分,为关联产品收到所有合法用户对应的平均综合评分,i为合法用户的数量,n为常数。
本申请的一些实施例公开了计算机设备。具体请参阅图7,为本申请的一实施例中计算机设备90基本结构框图。
如图7中所示意的,所述计算机设备90包括通过系统总线相互通信连接存储器91、处理器92、网络接口93。需要指出的是,图7中仅示出了具有组件91-93的计算机设备90,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。其中,本技术领域技术人员可以理解,这里的计算机设备是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程门阵列(Field-Programmable Gate Array,FPGA)、数字处理器(Digital Signal Processor,DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器91至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中,所述存储器91可以是所述计算机设备90的内部存储单元,例如该计算机设备90的硬盘或内存。在另一些实施例中,所述存储器91也可以是所述计算机设备90的外部存储设备,例如该计算机设备90上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。当然,所述存储器91还可以既包括所述计算机设备90的内部存储单元也包括其外部存储设备。本实施例中,所述存储器91通常用于存储安装于所述计算机设备90的操作系统和各类应用软件,例如所述基于神经网络的产品推送方法的程序代码等。此外,所述存储器91还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器92在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器92通常用于控制所述计算机设备90的总体操作。本实施例中,所述处理器92用于运行所述存储器91中存储的程序代码或者处理数据,例如运行所述基于神经网络的产品推送方法的程序代码。
所述网络接口93可包括无线网络接口或有线网络接口,该网络接口93通常用于在所述计算机设备90与其他电子设备之间建立通信连接。
本申请还提供了另一种实施方式,即提供一种计算机可读存储介质,所述计算机可读存储介质存储有产品数据录入程序,所述产品数据录入程序可被至少一个处理器执行,以使所述至少一个处理器执行上述任意一种基于神经网络的产品推送方法的步骤。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台计算机设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本申请各个实施例所述的方法。
最后应说明的是,显然以上所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例,附图中给出了本申请的较佳实施例,但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现,相反地,提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明,对于本领域的技术人员来而言,其依然可以对前述各具体实施方式所记载的技术方案进行修改,或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构,直接或间接运用在其他相关的技术领域,均同理在本申请专利保护范围之内。
Claims (10)
1.一种基于神经网络的产品推送方法,其特征在于,所述方法包括:
获取目标用户通过浏览器浏览的产品信息,作为目标数据;
将所述目标数据导入到预先训练好的目标模型中进行处理,获取所述目标模型响应所述目标数据而输出的待推荐产品;
从用户历史库中获取所述目标用户针对所述待推荐产品的历史行为信息,并根据所述历史行为信息确定所述目标用户对所述待推荐产品的评分数据;
基于所述评分数据与预设权重系数,计算所述待推荐产品的综合评分;
利用所述综合评分与预设阈值进行比较,选取所述综合评分大于或者等于预设阈值的所述待推荐产品作为目标推荐产品;
将所述目标推荐产品推荐给目标用户。
2.如权利要求1所述的基于神经网络的产品推送方法,其特征在于,所述获取目标用户通过浏览器浏览的产品信息,作为目标数据的步骤之后,所述将所述目标数据导入到预先训练好的目标模型中进行处理,获取所述目标模型响应所述目标数据而输出的待推荐产品的步骤之前,所述基于神经网络的产品推送方法还包括:
通过产品库对训练产品对应预设类型的产品数据进行采集,作为训练数据;
从用户库获取合法用户对所述训练产品的用户评分;
将所述用户评分与预设评分值进行比较,得到所述合法用户对所述训练产品的喜好状态;
将所述训练数据和所述喜好状态作为训练样本,导入到卷积神经网络模型中进行训练,得到目标模型。
3.如权利要求2所述的基于神经网络的产品推送方法,其特征在于,所述通过产品库对训练产品对应的预设类型的产品数据进行采集,作为训练数据的步骤包括:
从所述产品库中采集所述产品数据,其中,所述产品数据包含数据标签信息;
利用所述数据标签信息与预设过滤标签信息进行匹配的方式,选取所述数据标签信息与所述预设过滤标签信息不同的所述产品数据作为训练数据。
4.如权利要求2所述的基于神经网络的产品推送方法,其特征在于,所述将所述训练数据和所述喜好状态作为训练样本,导入到卷积神经网络模型中进行训练,得到目标模型的步骤包括:
初始化所述卷积神经网络模型,得到初始模型;
将所述训练样本导入到所述初始模型中,计算所述初始模型的前向输出;
根据所述前向输出,计算所述前向输出与预设目标值之间的预测误差;
根据所述预测误差,使用误差反向传播算法对所述初始模型中各个网络层的初始参数进行调整,得到所述目标模型。
5.如权利要求1所述的基于神经网络的产品推送方法,其特征在于,所述基于所述评分数据与预设权重系数,计算所述待推荐产品的综合评分的步骤包括:
按照如下公式计算所述待推荐产品的综合评分:
Score=ω1*s+ω2*c+ω3*g+ω4*shopcars
其中,Score为所述综合评分;s为所述目标用户对所述待推荐产品的评分值,c为所述目标用户在客户端中对所述待推荐产品进行收藏所对应的评分值,g为所述目标用户在客户端中对所述待推荐产品进行点赞所对应的评分值,shopcars为所述目标用户在客户端中对所述待推荐产品添加到购物车中所对应的评分值,s、c、g和shopcars都为所述评分数据;ω1、ω2、ω3和ω4为所述预设权重系数,且ω3>ω2>ω4>ω1。
6.如权利要求1所述的基于神经网络的产品推送方法,其特征在于,所述利用所述综合评分与预设阈值进行比较,选取所述综合评分大于或者等于预设阈值的所述待推荐产品作为目标推荐产品的步骤之后,所述将所述目标推荐产品推荐给目标用户的步骤之前,所述基于神经网络的产品推送方法还包括:
从产品关联库中获取与所述目标推荐产品存在关联关系的关联产品;
利用相似度算法计算所述目标推荐产品与所述关联产品之间的相似度,并将相似度大于预设阈值的关联产品确定为所述目标推荐产品。
7.如权利要求6所述的基于神经网络的产品推送方法,其特征在于,所述利用相似度算法计算所述目标推荐产品与所述关联产品之间的相似度,并将相似度大于预设阈值的关联产品确定为所述目标推荐产品的步骤包括:
按照如下公式计算所述目标推荐产品与所述关联产品之间的相似度:
其中,r为所述目标推荐产品与所述关联产品之间的相似度,Xi和Yi分别为所述目标推荐产品与所述关联产品收到每个所述合法用户对应的综合评分,为所述目标推荐产品收到所有所述合法用户对应的平均综合评分,为所述关联产品收到所有所述合法用户对应的平均综合评分,i为所述合法用户的数量,n为常数。
8.一种基于神经网络的产品数据推送装置,其特征在于,所述基于神经网络的产品数据推送装置包括:
第一获取模块,用于获取目标用户通过浏览器浏览的产品信息,作为目标数据;
输出模块,用于将所述目标数据导入到预先训练好的目标模型中进行处理,获取所述目标模型响应所述目标数据而输出的待推荐产品;
第二获取模块,从用户历史库中获取所述目标用户针对所述待推荐产品的历史行为信息,并根据所述历史行为信息确定所述目标用户对所述待推荐产品的评分数据;
第一计算模块,用于基于所述评分数据与预设权重系数,计算所述待推荐产品的综合评分;
比较模块,用于利用所述综合评分与预设阈值进行比较,选取所述综合评分大于或者等于预设阈值的所述待推荐产品作为目标推荐产品;
推荐模块,用于将所述目标推荐产品推荐给目标用户。
9.一种计算机设备,包括存储器、处理器以及存储在所述存储器中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计算机程序时实现如权利要求1至7任一项所述基于神经网络的产品推送方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述基于神经网络的产品推送方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910532912.6A CN110458637A (zh) | 2019-06-19 | 2019-06-19 | 基于神经网络的产品推送方法、及其相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910532912.6A CN110458637A (zh) | 2019-06-19 | 2019-06-19 | 基于神经网络的产品推送方法、及其相关设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110458637A true CN110458637A (zh) | 2019-11-15 |
Family
ID=68480770
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910532912.6A Pending CN110458637A (zh) | 2019-06-19 | 2019-06-19 | 基于神经网络的产品推送方法、及其相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110458637A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111258695A (zh) * | 2020-01-15 | 2020-06-09 | 广东小天才科技有限公司 | 电话手表的表盘推荐方法、表盘推荐装置及终端设备 |
CN111611496A (zh) * | 2020-04-09 | 2020-09-01 | 浙江口碑网络技术有限公司 | 产品推荐方法及其装置 |
CN111612581A (zh) * | 2020-05-18 | 2020-09-01 | 深圳市分期乐网络科技有限公司 | 一种物品推荐的方法、装置、设备及存储介质 |
CN111626821A (zh) * | 2020-05-26 | 2020-09-04 | 山东大学 | 基于集成特征选择实现客户分类的产品推荐方法及系统 |
CN111695965A (zh) * | 2020-04-26 | 2020-09-22 | 清华大学 | 基于图神经网络的产品筛选方法、系统及设备 |
CN112380592A (zh) * | 2020-10-28 | 2021-02-19 | 中车工业研究院有限公司 | 设计推荐系统及方法、电子设备及可读存储介质 |
CN113222712A (zh) * | 2021-05-31 | 2021-08-06 | 中国银行股份有限公司 | 一种产品推荐方法和装置 |
CN113763059A (zh) * | 2020-06-01 | 2021-12-07 | 北京沃东天骏信息技术有限公司 | 物品推荐的方法和装置 |
CN113761375A (zh) * | 2021-09-10 | 2021-12-07 | 未鲲(上海)科技服务有限公司 | 基于神经网络的消息推荐方法、装置、设备及存储介质 |
CN113763089A (zh) * | 2020-10-27 | 2021-12-07 | 北京沃东天骏信息技术有限公司 | 物品推荐方法及装置、计算机可存储介质 |
CN113919893A (zh) * | 2021-12-14 | 2022-01-11 | 腾讯科技(深圳)有限公司 | 信息推送方法、装置、电子设备和可读介质 |
CN114219307A (zh) * | 2021-12-16 | 2022-03-22 | 中国建设银行股份有限公司 | 产品确定方法、装置、设备及计算机存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106779921A (zh) * | 2016-11-30 | 2017-05-31 | 广州市万表科技股份有限公司 | 推荐方法及装置 |
CN107705183A (zh) * | 2017-09-30 | 2018-02-16 | 深圳乐信软件技术有限公司 | 一种商品的推荐方法、装置、存储介质及服务器 |
CN108876537A (zh) * | 2018-06-15 | 2018-11-23 | 重庆知遨科技有限公司 | 一种用于网上商场系统的混合推荐方法 |
CN108898459A (zh) * | 2018-06-25 | 2018-11-27 | 中国联合网络通信集团有限公司 | 一种商品推荐方法及装置 |
CN109886772A (zh) * | 2019-01-16 | 2019-06-14 | 深圳壹账通智能科技有限公司 | 产品推荐方法、装置、计算机设备和存储介质 |
-
2019
- 2019-06-19 CN CN201910532912.6A patent/CN110458637A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106779921A (zh) * | 2016-11-30 | 2017-05-31 | 广州市万表科技股份有限公司 | 推荐方法及装置 |
CN107705183A (zh) * | 2017-09-30 | 2018-02-16 | 深圳乐信软件技术有限公司 | 一种商品的推荐方法、装置、存储介质及服务器 |
CN108876537A (zh) * | 2018-06-15 | 2018-11-23 | 重庆知遨科技有限公司 | 一种用于网上商场系统的混合推荐方法 |
CN108898459A (zh) * | 2018-06-25 | 2018-11-27 | 中国联合网络通信集团有限公司 | 一种商品推荐方法及装置 |
CN109886772A (zh) * | 2019-01-16 | 2019-06-14 | 深圳壹账通智能科技有限公司 | 产品推荐方法、装置、计算机设备和存储介质 |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111258695A (zh) * | 2020-01-15 | 2020-06-09 | 广东小天才科技有限公司 | 电话手表的表盘推荐方法、表盘推荐装置及终端设备 |
CN111258695B (zh) * | 2020-01-15 | 2023-11-17 | 广东小天才科技有限公司 | 电话手表的表盘推荐方法、表盘推荐装置及终端设备 |
CN111611496A (zh) * | 2020-04-09 | 2020-09-01 | 浙江口碑网络技术有限公司 | 产品推荐方法及其装置 |
CN111695965A (zh) * | 2020-04-26 | 2020-09-22 | 清华大学 | 基于图神经网络的产品筛选方法、系统及设备 |
CN111695965B (zh) * | 2020-04-26 | 2024-04-12 | 清华大学 | 基于图神经网络的产品筛选方法、系统及设备 |
CN111612581A (zh) * | 2020-05-18 | 2020-09-01 | 深圳市分期乐网络科技有限公司 | 一种物品推荐的方法、装置、设备及存储介质 |
CN111626821A (zh) * | 2020-05-26 | 2020-09-04 | 山东大学 | 基于集成特征选择实现客户分类的产品推荐方法及系统 |
CN111626821B (zh) * | 2020-05-26 | 2024-03-12 | 山东大学 | 基于集成特征选择实现客户分类的产品推荐方法及系统 |
CN113763059A (zh) * | 2020-06-01 | 2021-12-07 | 北京沃东天骏信息技术有限公司 | 物品推荐的方法和装置 |
CN113763089A (zh) * | 2020-10-27 | 2021-12-07 | 北京沃东天骏信息技术有限公司 | 物品推荐方法及装置、计算机可存储介质 |
CN112380592A (zh) * | 2020-10-28 | 2021-02-19 | 中车工业研究院有限公司 | 设计推荐系统及方法、电子设备及可读存储介质 |
CN112380592B (zh) * | 2020-10-28 | 2024-04-12 | 中车工业研究院有限公司 | 设计推荐系统及方法、电子设备及可读存储介质 |
CN113222712A (zh) * | 2021-05-31 | 2021-08-06 | 中国银行股份有限公司 | 一种产品推荐方法和装置 |
CN113761375A (zh) * | 2021-09-10 | 2021-12-07 | 未鲲(上海)科技服务有限公司 | 基于神经网络的消息推荐方法、装置、设备及存储介质 |
CN113919893A (zh) * | 2021-12-14 | 2022-01-11 | 腾讯科技(深圳)有限公司 | 信息推送方法、装置、电子设备和可读介质 |
CN114219307A (zh) * | 2021-12-16 | 2022-03-22 | 中国建设银行股份有限公司 | 产品确定方法、装置、设备及计算机存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110458637A (zh) | 基于神经网络的产品推送方法、及其相关设备 | |
CN105740268B (zh) | 一种信息推送方法和装置 | |
CN109241415B (zh) | 项目推荐方法、装置、计算机设备及存储介质 | |
CN102841946B (zh) | 商品数据检索排序及商品推荐方法和系统 | |
US9298809B2 (en) | System, apparatus, and method for recommending items | |
CN108108821A (zh) | 模型训练方法及装置 | |
CN107705183A (zh) | 一种商品的推荐方法、装置、存储介质及服务器 | |
CN109388742A (zh) | 一种搜索方法、搜索服务器和搜索系统 | |
CN103106600A (zh) | 商品信息推送系统和商品信息推送方法 | |
CN108510303A (zh) | 广告投放方法及装置 | |
CN106168980A (zh) | 多媒体资源推荐排序方法及装置 | |
CN105844508B (zh) | 一种基于动态周期神经网络的商品推荐方法 | |
CN111260449B (zh) | 一种模型训练的方法、商品推荐的方法、装置及存储介质 | |
CA2953775A1 (en) | Systems and methods for serving product recommendations | |
CN107251030A (zh) | 作为服务的可穿戴设备 | |
CN108153792A (zh) | 一种数据处理方法和相关装置 | |
CN114817746A (zh) | 保险产品推荐方法、装置、设备及存储介质 | |
CN108683734B (zh) | 品类推送方法、装置及存储设备、计算机设备 | |
CN113689258A (zh) | 一种商品推荐热度生成方法及系统 | |
CN110047002A (zh) | 一种基于数据分析的期货推荐方法及系统 | |
CN105183878A (zh) | 一种基于马尔科夫预测算法的音乐分类的推荐方法 | |
CN102999497B (zh) | 一种媒体信息位推荐方法及系统 | |
CN111861678A (zh) | 一种资源推荐方法、装置、电子设备及存储介质 | |
CN107679943A (zh) | 智能推荐方法和系统 | |
CN108335008A (zh) | 网络信息处理方法和装置、存储介质及电子装置 |
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 |