CN110458668A - 确定产品推荐算法的方法及装置 - Google Patents
确定产品推荐算法的方法及装置 Download PDFInfo
- Publication number
- CN110458668A CN110458668A CN201910752999.8A CN201910752999A CN110458668A CN 110458668 A CN110458668 A CN 110458668A CN 201910752999 A CN201910752999 A CN 201910752999A CN 110458668 A CN110458668 A CN 110458668A
- Authority
- CN
- China
- Prior art keywords
- proposed algorithm
- product
- algorithm model
- recommended
- proposed
- 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
- 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
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
Abstract
本发明公开了一种确定产品推荐算法的方法及装置,该方法包括:构建待推荐产品的多个推荐算法模型;获取待推荐产品采用每个推荐算法模型的产品数据;根据各个推荐算法模型对应的产品数据,对各个推荐算法模型进行量化评估;根据各个推荐算法模型的量化评估结果,对待推荐产品的各个推荐算法模型进行排序;根据排序结果,向待推荐产品的推荐系统推送各个推荐算法模型。本发明能够实现量化评估产品的推荐算法,进而采用最优的推荐算法对产品进行推荐,进一步提高了产品推荐的推荐效果。
Description
技术领域
本发明涉及软件互联网领域,尤其涉及一种确定产品推荐算法的方法及装置。
背景技术
本部分旨在为权利要求书中陈述的本发明实施例提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
随着计算机软件技术的发展,互联网技术的普及,网络上的信息数据越来越多,因而,如何从海量信息数据中提取用户感兴趣的数据并推荐给用户,是很多企业十分关注的问题。而产品的精准推荐,会直接影响到企业产品的成交量。
以银行客户端为例,目前已有大量手工或智能推荐算法用于产品推荐,通过手工推荐或机器学习智能推荐的方式,使得银行客户端界面上的广告牌展示客户可能需要的理财产品信息,能够取得更好的销售业绩和客户转化率。然后,现有技术中没有一种量化的评估分析方法来跟踪产品采用这些推荐算法进行推荐后的推荐效果,导致产品提供者无法了解其采用的推荐算法是否合适,从而影响产品推荐效果,降低企业收益。
发明内容
本发明实施例提供一种确定产品推荐算法的方法,用以解决现有技术依靠人为经验选择某种产品推荐算法对产品进行推荐,由于缺乏量化依据导致产品推荐效果有待进一步提高的技术问题,该方法包括:构建待推荐产品的多个推荐算法模型;获取待推荐产品采用每个推荐算法模型的产品数据;根据各个推荐算法模型对应的产品数据,对各个推荐算法模型进行量化评估;根据各个推荐算法模型的量化评估结果,对待推荐产品的各个推荐算法模型进行排序;根据排序结果,向待推荐产品的推荐系统推送各个推荐算法模型。
本发明实施例还提供一种确定产品推荐算法的装置,用以解决现有技术依靠人为经验选择某种产品推荐算法对产品进行推荐,由于缺乏量化依据导致产品推荐效果有待进一步提高的技术问题,该装置包括:算法构建模块,用于构建待推荐产品的多个推荐算法模型;数据采集模块,用于获取待推荐产品采用每个推荐算法模型的产品数据;算法评估模块,用于根据各个推荐算法模型对应的产品数据,对各个推荐算法模型进行量化评估;算法排序模块,用于根据各个推荐算法模型的量化评估结果,对待推荐产品的各个推荐算法模型进行排序;算法推送模块,用于根据排序结果,向待推荐产品的推荐系统推送各个推荐算法模型。
本发明实施例还提供一种计算机设备,用以解决现有技术依靠人为经验选择某种产品推荐算法对产品进行推荐,由于缺乏量化依据导致产品推荐效果有待进一步提高的技术问题,该计算机设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现上述确定产品推荐算法的方法。
本发明实施例还提供一种计算机可读存储介质,用以解决现有技术依靠人为经验选择某种产品推荐算法对产品进行推荐,由于缺乏量化依据导致产品推荐效果有待进一步提高的技术问题,该计算机可读存储介质存储有执行上述确定产品推荐算法的方法的计算机程序。
本发明实施例中,为待推荐产品构建多个推荐算法模型,采集待推荐产品采用每个推荐算法模型的产品数据,并根据采集到的产品数据,对各个推荐算法模型进行量化评估,进而根据各个推荐算法模型的量化评估结果,对待推荐产品的各个推荐算法模型进行排序,最后根据排序结果向待推荐产品的推荐系统推送各个推荐算法模型。
通过本发明实施例,能够实现量化评估产品的推荐算法,进而采用最优的推荐算法对产品进行推荐,进一步提高了产品推荐的推荐效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术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的前提下,还可以根据这些附图获得其他的附图。在附图中:
图1为本发明实施例中提供的一种确定产品推荐算法的方法流程图;
图2为本发明实施例中提供的一种确定产品不同时间段推荐算法的方法流程图;
图3为本发明实施例中提供的一种确定产品不同地域推荐算法的方法流程图;
图4为本发明实施例中提供的一种基于ELK架构的分布式数据采集处理系统示意图;
图5为本发明实施例中提供的一种确定产品推荐算法的装置示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白,下面结合附图对本发明实施例做进一步详细说明。在此,本发明的示意性实施例及其说明用于解释本发明,但并不作为对本发明的限定。
在本说明书的描述中,所使用的“包含”、“包括”、“具有”、“含有”等,均为开放性的用语,即意指包含但不限于。参考术语“一个实施例”、“一个具体实施例”、“一些实施例”、“例如”等的描述意指结合该实施例或示例描述的具体特征、结构或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。各实施例中涉及的步骤顺序用于示意性说明本申请的实施,其中的步骤顺序不作限定,可根据需要作适当调整。
本发明实施例中提供了一种确定产品推荐算法的方法,图1为本发明实施例中提供的一种确定产品推荐算法的方法流程图,如图1所示,该方法可以包括如下步骤:
S101,构建待推荐产品的多个推荐算法模型。
需要说明的是,本发明实施例中待推荐产品可以是任意一种待推荐的产品(例如,音乐、视频、新闻、电影、地图、图书等),作为一种优选的实施例,本发明实施例中以银行客户端上推荐的理财产品为例来进行说明。
由于采用不同的推荐算法,产品的推荐效果不同,因而,本发明实施例采用不同的推荐算法,为待推荐产品构建多个推荐算法模型,以便通过对多个推荐算法模型进行分析,选取推荐效果较好的推荐算法模型来对待推荐产品进行推荐。
可选地,本发明实施例从时间段、地域、推荐算法三个维度,构建不同时间段、不同地域的多个推荐模型,以实现不同时间段、不同地域、不同推荐算法的最优推荐。
S102,获取待推荐产品采用每个推荐算法模型的产品数据。
需要说明的是,对于不同的产品,可以选择不同的产品数据,只要这些产品数据能够反映产品的推荐效果即可。当待推荐产品为银行客户端上的理财产品的情况下,产品数据包括但不限于如下一种或多种:访问量PV、访问数UV、点击量、客单价、转化率、销售额等。
S103,根据各个推荐算法模型对应的产品数据,对各个推荐算法模型进行量化评估。
具体地,在获取到待推荐产品采用各个推荐算法模型后的产品数据后,可以根据这些产品数据,确定对各个推荐算法模型进行量化评估的评估指标。则作为一种可选的实施方式,上述S103可以具体包括如下步骤:根据产品数据,配置一个或多个评估指标;获取每个评估指标的指标值;根据各个评估指标的权重和指标值,计算各个推荐算法模型的评估指数。
仍以理财产品为例,下面是理财产品推荐算法的几个评估指标统计方法:①访问数UV:指银行客户端在一天内(00:00~24:00)的访问数量,相同的客户端只会被计算一次;②客单价:指一个统计周期内,每一位顾客平均购买产品的金额,即客单价=总销售额/总访客数=产品平均单价×每一顾客平均购买产品个数;③转化率:指一个统计周期内完成转化行为的次数占推广信息总点击次数的比率,即转化率=(转化次数/点击量)×100%;④销售额:销售额=UV×转化率×客单价。
作为一种可选的实施方式,在获取到待推荐产品采用各个推荐算法模型后的产品数据后,可以人工配置各个产品指标的权重,然后将各个产品指标的加权平均值作为每个推荐算法模型的评估指数。例如,配置转化率的权重为80%,销售额的权重为10%,客单价的权重为10%,则各个推荐算法模型的评估指数可以通过下面的式子来计算:评估指数=80%×转化率+10%×销售额+10%×客单价。
S104,根据各个推荐算法模型的量化评估结果,对待推荐产品的各个推荐算法模型进行排序。
具体地,在确定待推荐产品各个推荐算法模型的量化评估结果后,可以根据各个推荐算法模型的量化评估结果,按照从大到小的顺序排序,以便优先选择排序靠前的推荐算法模型来对产品进行推荐。
由于根据各个评估指标的权重和指标值,计算得到的各个推荐算法模型的评估指数可能存在很多小数位的情况,因而,为了更直观显示综合效应指数,使得输出结果具有可读性,易于观察,提高用户体验,本发明实施例提供的确定产品推荐算法的方法中,上述S104可以包括如下步骤:获取各个推荐算法模型评估指数的最大值Smax和最小值Smin;将各个推荐算法模型评估指数的最大值Smax和第一常数值Y1分别代入非线性方程Y=alog2X-1+b的自变量X和应变量Y中,并将各个推荐算法模型评估指数的最小值Smin和第二常数值Y2分别代入非线性方程Y=alog2X-1+b的自变量X和应变量Y中,得到关于系数a和b的一个方程组,求解方程组得到系数a和b的值;将系数a和b的值代入非线性方程Y=alog2X-1+b,计算每个推荐算法模型评估指数Sn对应的函数值Yn;根据每个推荐算法模型评估指数Sn对应的函数值Yn,对各个推荐算法模型进行排序。
S105,根据排序结果,向待推荐产品的推荐系统推送各个推荐算法模型。
具体地,在按照量化评估结果从大到小的顺序对各个推荐算法模型进行排序后,将排序靠前的推荐算法模型推送给待推荐产品的推荐系统,以便待推荐产品的推荐系统实现最好的产品推荐效果。
需要注意的是,在向待推荐产品的推荐系统推送推荐算法模型的时候,可以由产品维护人员人工选择推送,也可以系统自动按照排序结果进行推送。优选地,还可以根据实时采集的产品数据确定产品推荐效果,并基于确定的产品推荐效果,在多个量化评估结果较好的推荐算法模型之间进行切换,并推送给待推荐产品的推荐系统。
本发明实施例提供的确定产品推荐算法的方法,为待推荐产品构建多个推荐算法模型,采集待推荐产品采用每个推荐算法模型的产品数据,并根据采集到的产品数据,对各个推荐算法模型进行量化评估,进而根据各个推荐算法模型的量化评估结果,对待推荐产品的各个推荐算法模型进行排序,最后根据排序结果向待推荐产品的推荐系统推送各个推荐算法模型。
通过本发明实施例提供的确定产品推荐算法的方法,能够实现量化评估产品的推荐算法,进而采用最优的推荐算法对产品进行推荐,进一步提高了产品推荐的推荐效果。
由于同一推荐算法应用于不同时间段(例如,一年中的不同季节,一天中的不同时段)内产品的推荐,所产生的推荐效果是存在差异的,因而,作为一种可选的实施方式,如图2所示,本发明实施例提供的确定产品推荐算法的方法可以包括如下步骤:
S201,构建待推荐产品的多个推荐算法模型;
S202,获取待推荐产品在不同时间段内采用每个推荐算法模型的产品数据;
S203,根据不同时间段内各个推荐算法模型对应的产品数据,对不同时间段内各个推荐算法模型进行量化评估;
S204,根据不同时间段内各个推荐算法模型的量化评估结果,对待推荐产品在不同时间段内采用的各个推荐算法模型进行排序;
S205,根据待推荐产品在不同时间段内采用的各个推荐算法模型的排序结果,在不同时间段内向待推荐产品的推荐系统推送相应的推荐算法模型。
进一步地,为了实现根据待推荐产品所推荐时间段不同自动选择最优推荐算法的目的,本发明实施例提供的确定产品推荐算法的方法中,上述S205可以具体包括如下步骤:根据待推荐产品在不同时间段内采用的推荐算法模型,生成待推荐产品的第一推荐算法表;根据第一推荐算法表,在不同时间段内向待推荐产品的推荐系统推送相应的推荐算法模型。
由于同一推荐算法应用于不同地域(例如,不同国家、不同省市、不同地区等)内的产品推荐,所产生的推荐效果也是存在差异的,因而,作为另一种可选的实施方式,如图3所示,本发明实施例提供的确定产品推荐算法的方法可以包括如下步骤:
S301,构建待推荐产品的多个推荐算法模型;
S302,获取待推荐产品在不同地域内采用每个推荐算法模型的产品数据;
S303,根据不同地域内各个推荐算法模型对应的产品数据,对不同地域内各个推荐算法模型进行量化评估;
S304,根据不同地域内各个推荐算法模型的量化评估结果,对待推荐产品在不同地域内采用的各个推荐算法模型进行排序;
S305,根据待推荐产品在不同地域内采用的各个推荐算法模型的排序结果,向待推荐产品在不同地域内的推荐系统推送相应的推荐算法模型。
进一步地,为了实现根据待推荐产品所推荐地域不同自动选择最优推荐算法的目的,本发明实施例提供的确定产品推荐算法的方法中,上述S305可以具体包括如下步骤:根据待推荐产品在不同地域内采用的推荐算法模型,生成待推荐产品的第二推荐算法表;根据第二推荐算法表,向待推荐产品在不同地域内的推荐系统推送相应的推荐算法模型。
基于上述任意一种可选的或优选的实施例,作为一种优选的实施方式,本发明实施例采用图4所示的基于ELK架构的分布式数据采集处理系统来实现产品数据统计。如图4所示,日志收集节点(LogStash Shipper)监控本地日志文件的变化,将日志文件的最新内容收集起来,输出到Redis数据库暂存;日志存储节点(LogStash Indexer)从Redis数据库接收日志,写入到本地文件,搜索引擎(Elasticsearch)用于将日志索引并存储起来,以便后续查询;数据看板(Kibana)是一个可视化工具,主要用于查询数据并以可视化的方式展现,例如,各类饼图、直方图、区域图等。
本发明实施例中还提供了一种确定产品推荐算法的装置,如下面的实施例所述。由于该装置实施例解决问题的原理与确定产品推荐算法的方法相似,因此该装置实施例的实施可以参见方法的实施,重复之处不再赘述。
图5为本发明实施例中提供的一种确定产品推荐算法的装置示意图,如图5所示,该装置可以包括:算法构建模块51、数据采集模块52、算法评估模块53、算法排序模块54、算法推送模块55;
其中,算法构建模块51,用于构建待推荐产品的多个推荐算法模型;数据采集模块52,用于获取待推荐产品采用每个推荐算法模型的产品数据;算法评估模块53,用于根据各个推荐算法模型对应的产品数据,对各个推荐算法模型进行量化评估;算法排序模块54,用于根据各个推荐算法模型的量化评估结果,对待推荐产品的各个推荐算法模型进行排序;算法推送模块55,用于根据排序结果,向待推荐产品的推荐系统推送各个推荐算法模型。
本发明实施例提供的确定产品推荐算法的装置,通过算法构建模块51为待推荐产品构建多个推荐算法模型,通过数据采集模块52采集待推荐产品采用每个推荐算法模型的产品数据,并通过算法评估模块53根据采集到的产品数据,对各个推荐算法模型进行量化评估,进而通过算法排序模块54根据各个推荐算法模型的量化评估结果,对待推荐产品的各个推荐算法模型进行排序,最后算法推送模块55通过根据排序结果向待推荐产品的推荐系统推送各个推荐算法模型。
通过本发明实施例提供的确定产品推荐算法的装置,能够实现量化评估产品的推荐算法,进而采用最优的推荐算法对产品进行推荐,进一步提高了产品推荐的推荐效果。
一种可选的实施例中,本发明实施例提供的确定产品推荐算法的装置中,数据采集模块52还可以用于获取待推荐产品在不同时间段内采用每个推荐算法模型的产品数据;算法评估模块53还可以用于根据不同时间段内各个推荐算法模型对应的产品数据,对不同时间段内各个推荐算法模型进行量化评估;算法排序模块54还可以用于根据不同时间段内各个推荐算法模型的量化评估结果,对待推荐产品在不同时间段内采用的各个推荐算法模型进行排序;算法推送模块55还可以用于根据待推荐产品在不同时间段内采用的各个推荐算法模型的排序结果,在不同时间段内向待推荐产品的推荐系统推送相应的推荐算法模型。
进一步地,基于上述实施例,本发明实施例提供的确定产品推荐算法的装置中,算法推送模块55还用于根据待推荐产品在不同时间段内采用的推荐算法模型,生成待推荐产品的第一推荐算法表;以及根据第一推荐算法表,在不同时间段内向待推荐产品的推荐系统推送相应的推荐算法模型。
另一种可选的实施例中,本发明实施例提供的确定产品推荐算法的装置中,数据采集模块52还可以用于获取待推荐产品在不同地域内采用每个推荐算法模型的产品数据;算法评估模块53还可以用于根据不同地域内各个推荐算法模型对应的产品数据,对不同地域内各个推荐算法模型进行量化评估;算法排序模块54还可以用于根据不同地域内各个推荐算法模型的量化评估结果,对待推荐产品在不同地域内采用的各个推荐算法模型进行排序;算法推送模块55还可以用于根据待推荐产品在不同地域内采用的各个推荐算法模型的排序结果,向待推荐产品在不同地域内的推荐系统推送相应的推荐算法模型。
进一步地,基于上述实施例,本发明实施例提供的确定产品推荐算法的装置中,算法推送模块55还用于根据待推荐产品在不同地域内采用的推荐算法模型,生成待推荐产品的第二推荐算法表;以及根据第二推荐算法表,向待推荐产品在不同地域内的推荐系统推送相应的推荐算法模型。
基于上述任意一种可选的实施例,作为一种可选的实施例,本发明实施例提供的确定产品推荐算法的装置中,算法评估模块53还可以用于根据产品数据,配置一个或多个评估指标;获取每个评估指标的指标值;根据各个评估指标的权重和指标值,计算各个推荐算法模型的评估指数。
进一步地,基于上述实施例,本发明实施例提供的确定产品推荐算法的装置中,算法排序模块54还可以用于获取各个推荐算法模型评估指数的最大值Smax和最小值Smin;将各个推荐算法模型评估指数的最大值Smax和第一常数值Y1分别代入非线性方程Y=alog2X-1+b的自变量X和应变量Y中,并将各个推荐算法模型评估指数的最小值Smin和第二常数值Y2分别代入非线性方程Y=alog2X-1+b的自变量X和应变量Y中,得到关于系数a和b的一个方程组,求解方程组得到系数a和b的值;将系数a和b的值代入非线性方程Y=alog2X-1+b,计算每个推荐算法模型评估指数Sn对应的函数值Yn;根据每个推荐算法模型评估指数Sn对应的函数值Yn,对各个推荐算法模型进行排序。
本发明实施例还提供了一种计算机设备,用以解决现有技术依靠人为经验选择某种产品推荐算法对产品进行推荐,由于缺乏量化依据导致产品推荐效果有待进一步提高的技术问题,该计算机设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现上述任意一种可选的或优选的确定产品推荐算法的方法。
本发明实施例还提供了一种计算机可读存储介质,用以解决现有技术依靠人为经验选择某种产品推荐算法对产品进行推荐,由于缺乏量化依据导致产品推荐效果有待进一步提高的技术问题,该计算机可读存储介质存储有执行上述任意一种可选的或优选的确定产品推荐算法的方法的计算机程序。
综上所述,本发明实施例提供的确定产品推荐算法的方法,通过对产品推荐算法进行量化评估,分析待推荐产品在不同推荐算法下的推荐效果,进而实现采用最优推荐算法来对产品进行推荐的目的,提高产品推荐的转化率,提高用户粘性。进一步地,通过分析不同地域、不同时间段内各种产品推荐算法的推荐效果,实现按地域、按时间段推送不同的产品推荐算法,进而实现不同地域、不同时间段、不同推荐算法的最优产品推荐效果。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明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,本发明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。
本发明是参照根据本发明实施例的方法、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设备上,使得在计算机或其他可编程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。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种确定产品推荐算法的方法,其特征在于,包括:
构建待推荐产品的多个推荐算法模型;
获取所述待推荐产品采用每个推荐算法模型的产品数据;
根据各个推荐算法模型对应的产品数据,对各个推荐算法模型进行量化评估;
根据各个推荐算法模型的量化评估结果,对所述待推荐产品的各个推荐算法模型进行排序;
根据排序结果,向所述待推荐产品的推荐系统推送各个推荐算法模型。
2.如权利要求1所述的方法,其特征在于,
获取所述待推荐产品采用每个推荐算法模型的产品数据,包括:获取所述待推荐产品在不同时间段内采用每个推荐算法模型的产品数据;
根据各个推荐算法模型对应的产品数据,对各个推荐算法模型进行量化评估,包括:根据不同时间段内各个推荐算法模型对应的产品数据,对不同时间段内各个推荐算法模型进行量化评估;
根据各个推荐算法模型的量化评估结果,对所述待推荐产品的各个推荐算法模型进行排序,包括:根据不同时间段内各个推荐算法模型的量化评估结果,对所述待推荐产品在不同时间段内采用的各个推荐算法模型进行排序;
根据排序结果,向所述待推荐产品的推荐系统推送各个推荐算法模型,包括:根据所述待推荐产品在不同时间段内采用的各个推荐算法模型的排序结果,在不同时间段内向所述待推荐产品的推荐系统推送相应的推荐算法模型。
3.如权利要求2所述的方法,其特征在于,在根据所述待推荐产品在不同时间段内采用的各个推荐算法模型的排序结果,在不同时间段内向所述待推荐产品的推荐系统推送相应的推荐算法模型之后,所述方法还包括:
根据所述待推荐产品在不同时间段内采用的推荐算法模型,生成所述待推荐产品的第一推荐算法表;
根据所述第一推荐算法表,在不同时间段内向所述待推荐产品的推荐系统推送相应的推荐算法模型。
4.如权利要求1所述的方法,其特征在于,获取所述待推荐产品采用每个推荐算法模型的产品数据,包括:获取所述待推荐产品在不同地域内采用每个推荐算法模型的产品数据;
根据各个推荐算法模型对应的产品数据,对各个推荐算法模型进行量化评估,包括:根据不同地域内各个推荐算法模型对应的产品数据,对不同地域内各个推荐算法模型进行量化评估;
根据各个推荐算法模型的量化评估结果,对所述待推荐产品的各个推荐算法模型进行排序,包括:根据不同地域内各个推荐算法模型的量化评估结果,对所述待推荐产品在不同地域内采用的各个推荐算法模型进行排序;
根据排序结果,向所述待推荐产品的推荐系统推送各个推荐算法模型,包括:根据所述待推荐产品在不同地域内采用的各个推荐算法模型的排序结果,向所述待推荐产品在不同地域内的推荐系统推送相应的推荐算法模型。
5.如权利要求4所述的方法,其特征在于,在根据所述待推荐产品在不同时间段内采用的各个推荐算法模型的排序结果,在不同时间段内向所述待推荐产品的推荐系统推送相应的推荐算法模型之后,所述方法还包括:
根据所述待推荐产品在不同地域内采用的推荐算法模型,生成所述待推荐产品的第二推荐算法表;
根据所述第二推荐算法表,向所述待推荐产品在不同地域内的推荐系统推送相应的推荐算法模型。
6.如权利要求1至5任一项所述的方法,其特征在于,根据各个推荐算法模型对应的产品数据,对各个推荐算法模型进行量化评估,包括:
根据产品数据,配置一个或多个评估指标;
获取每个评估指标的指标值;
根据各个评估指标的权重和指标值,计算各个推荐算法模型的评估指数。
7.如权利要求6所述的方法,其特征在于,根据各个推荐算法模型的量化评估结果,对所述待推荐产品的各个推荐算法模型进行排序,包括:
获取各个推荐算法模型评估指数的最大值Smax和最小值Smin;
将各个推荐算法模型评估指数的最大值Smax和第一常数值Y1分别代入非线性方程Y=alog2X-1+b的自变量X和应变量Y中,并将各个推荐算法模型评估指数的最小值Smin和第二常数值Y2分别代入非线性方程Y=alog2X-1+b的自变量X和应变量Y中,得到关于系数a和b的一个方程组,求解方程组得到系数a和b的值;
将系数a和b的值代入非线性方程Y=alog2X-1+b,计算每个推荐算法模型评估指数Sn对应的函数值Yn;
根据每个推荐算法模型评估指数Sn对应的函数值Yn,对各个推荐算法模型进行排序。
8.一种确定产品推荐算法的装置,其特征在于,包括:
算法构建模块,用于构建待推荐产品的多个推荐算法模型;
数据采集模块,用于获取所述待推荐产品采用每个推荐算法模型的产品数据;
算法评估模块,用于根据各个推荐算法模型对应的产品数据,对各个推荐算法模型进行量化评估;
算法排序模块,用于根据各个推荐算法模型的量化评估结果,对所述待推荐产品的各个推荐算法模型进行排序;
算法推送模块,用于根据排序结果,向所述待推荐产品的推荐系统推送各个推荐算法模型。
9.一种计算机设备,包括存储器、处理器及存储在存储器上并可在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权利要求1至7任一项所述确定产品推荐算法的方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有执行权利要求1至7任一项所述确定产品推荐算法的方法的计算机程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910752999.8A CN110458668A (zh) | 2019-08-15 | 2019-08-15 | 确定产品推荐算法的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910752999.8A CN110458668A (zh) | 2019-08-15 | 2019-08-15 | 确定产品推荐算法的方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110458668A true CN110458668A (zh) | 2019-11-15 |
Family
ID=68486716
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910752999.8A Pending CN110458668A (zh) | 2019-08-15 | 2019-08-15 | 确定产品推荐算法的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110458668A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112132679A (zh) * | 2020-09-30 | 2020-12-25 | 中国银行股份有限公司 | 产品推荐方法及装置 |
CN113627900A (zh) * | 2021-08-10 | 2021-11-09 | 未鲲(上海)科技服务有限公司 | 模型训练方法、装置与存储介质 |
CN113672798A (zh) * | 2020-05-15 | 2021-11-19 | 第四范式(北京)技术有限公司 | 基于协同滤波模型的物品推荐方法和系统 |
CN113706266A (zh) * | 2021-09-07 | 2021-11-26 | 中国银行股份有限公司 | 一种基于银行发票数据的业务推荐方法及系统 |
CN113987353A (zh) * | 2021-10-29 | 2022-01-28 | 掌阅科技股份有限公司 | 书籍推荐方法、计算设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160162974A1 (en) * | 2014-12-08 | 2016-06-09 | Lg Cns Co., Ltd. | Personalized recommendation method and system, and computer-readable record medium |
CN105898420A (zh) * | 2015-01-09 | 2016-08-24 | 阿里巴巴集团控股有限公司 | 一种视频推荐方法、装置以及电子设备 |
CN107230098A (zh) * | 2016-03-25 | 2017-10-03 | 阿里巴巴集团控股有限公司 | 一种业务对象的分时推荐方法和系统 |
CN107391692A (zh) * | 2017-07-26 | 2017-11-24 | 腾讯科技(北京)有限公司 | 一种推荐效果的评估方法及装置 |
-
2019
- 2019-08-15 CN CN201910752999.8A patent/CN110458668A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160162974A1 (en) * | 2014-12-08 | 2016-06-09 | Lg Cns Co., Ltd. | Personalized recommendation method and system, and computer-readable record medium |
CN105898420A (zh) * | 2015-01-09 | 2016-08-24 | 阿里巴巴集团控股有限公司 | 一种视频推荐方法、装置以及电子设备 |
CN107230098A (zh) * | 2016-03-25 | 2017-10-03 | 阿里巴巴集团控股有限公司 | 一种业务对象的分时推荐方法和系统 |
US20190026816A1 (en) * | 2016-03-25 | 2019-01-24 | Alibaba Group Holding Limited | Time-division Recommendation Method and Apparatus for Service Objects |
CN107391692A (zh) * | 2017-07-26 | 2017-11-24 | 腾讯科技(北京)有限公司 | 一种推荐效果的评估方法及装置 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113672798A (zh) * | 2020-05-15 | 2021-11-19 | 第四范式(北京)技术有限公司 | 基于协同滤波模型的物品推荐方法和系统 |
CN112132679A (zh) * | 2020-09-30 | 2020-12-25 | 中国银行股份有限公司 | 产品推荐方法及装置 |
CN113627900A (zh) * | 2021-08-10 | 2021-11-09 | 未鲲(上海)科技服务有限公司 | 模型训练方法、装置与存储介质 |
CN113706266A (zh) * | 2021-09-07 | 2021-11-26 | 中国银行股份有限公司 | 一种基于银行发票数据的业务推荐方法及系统 |
CN113987353A (zh) * | 2021-10-29 | 2022-01-28 | 掌阅科技股份有限公司 | 书籍推荐方法、计算设备及存储介质 |
CN113987353B (zh) * | 2021-10-29 | 2022-08-09 | 掌阅科技股份有限公司 | 书籍推荐方法、计算设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110458668A (zh) | 确定产品推荐算法的方法及装置 | |
Song et al. | A review of research on tourism demand forecasting: Launching the Annals of Tourism Research Curated Collection on tourism demand forecasting | |
Stummer et al. | Innovation diffusion of repeat purchase products in a competitive market: An agent-based simulation approach | |
Bao et al. | Review of public–private partnership literature from a project lifecycle perspective | |
Song et al. | Combining statistical and judgmental forecasts via a web-based tourism demand forecasting system | |
Li et al. | A MIDAS modelling framework for Chinese inflation index forecast incorporating Google search data | |
Li et al. | Forecasting tourist arrivals using denoising and potential factors | |
Vile et al. | Predicting ambulance demand using singular spectrum analysis | |
CN108389073A (zh) | 商品售价的自动计算方法及系统、电子设备及存储介质 | |
Mitra Debnath et al. | Benchmarking telecommunication service in India: an application of data envelopment analysis | |
CN107608862A (zh) | 监控告警方法、监控告警装置及计算机可读存储介质 | |
EP2273431A1 (en) | Model determination system | |
CN106295351B (zh) | 一种风险识别方法及装置 | |
Brauer et al. | The state of the art in smart city research–A literature analysis on green IS solutions to foster environmental sustainability | |
Machuca et al. | A review of forecasting models for new products | |
CN110334732A (zh) | 一种基于机器学习的空气质量预报方法和装置 | |
CN103971257A (zh) | 一种互联网媒体组合投放效果的估计方法及系统 | |
CN112668803B (zh) | 一种基于LightGBM模型的汽车服务连锁企业开店选址方法 | |
Rizov et al. | Is there a rural–urban divide? Location and productivity of UK manufacturing | |
CN102117464B (zh) | 包括关系数据库或在线分析处理系统的装置、系统及相关方法 | |
Behera et al. | Grid search optimization (GSO) based future sales prediction for big mart | |
CN114943565A (zh) | 基于智能算法的电力现货价格预测方法及装置 | |
Molinos-Senante et al. | Cost efficiency of English and Welsh water companies: a meta-stochastic frontier analysis | |
Roach | Reconciled boosted models for GEFCom2017 hierarchical probabilistic load forecasting | |
Stummer et al. | Beaming market simulation to the future by combining agent-based modeling with scenario analysis |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191115 |
|
RJ01 | Rejection of invention patent application after publication |