CN110532462A - 一种推荐方法、装置、设备及可读存储介质 - Google Patents
一种推荐方法、装置、设备及可读存储介质 Download PDFInfo
- Publication number
- CN110532462A CN110532462A CN201910678400.0A CN201910678400A CN110532462A CN 110532462 A CN110532462 A CN 110532462A CN 201910678400 A CN201910678400 A CN 201910678400A CN 110532462 A CN110532462 A CN 110532462A
- Authority
- CN
- China
- Prior art keywords
- default
- answer
- commodity
- question
- real
- 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
- 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)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开实施例提供了一种推荐方法、装置、设备及可读存储介质,包括:响应于用户发起的推荐请求,获取用户的历史消费商品;获取用户在预设距离范围内的实时供给商品;在预设问题数据库中提取匹配所述历史消费商品和实时供给商品的预设问答题目;根据商品知识图谱和所述预设问答题目,生成预设问答题目的问答路径;根据问答路径,并采用多轮问答的方式向用户提出所述预设问答题目,并获取用户根据所述预设问题选择的预设答案;根据预设答案获得用户的实时消费偏好商品属性;在实时供给商品中提取匹配的实时消费偏好商品属性的商品作为候选商品,推荐给用户。解决了现有技术基于历史数据推荐数据针对性不强的问题。
Description
技术领域
本公开涉及推荐技术领域,特别是涉及一种推荐、装置、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,通常是从用户的历史消费记录中抽象出多种相关特征,用机器学习算法来预测未来用户最可能的消费商品并推荐给用户。在这个过程中由于只能分析历史数据去预测未来,推荐结果比较泛,用户挑选成本较高,难以满足用户的实时消费需求。
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。
为了解决上述问题,第一方面,本公开实施例公开了一种推荐方法,包括:
响应于用户发起的推荐请求,获取所述用户的历史消费商品;
获取所述用户在预设距离范围内的实时供给商品;
在预设问题数据库中提取匹配所述历史消费商品和所述实时供给商品的预设问答题目;
根据商品知识图谱和所述预设问答题目,生成所述预设问答题目的问答路径;
根据所述问答路径,并采用多轮问答的方式向所述用户提出所述预设问答题目,并获取所述用户根据所述预设问题选择的预设答案;
根据所述预设答案获得所述用户的实时消费偏好商品属性;
在所述实时供给商品中提取匹配的所述实时消费偏好商品属性的商品作为候选商品,推荐给所述用户。
本公开的第二方面,提供了一种推荐装置,包括:
历史消费商品获取模块,用于响应于用户发起的推荐请求,获取所述用户的历史消费商品;
实时供给商品获取模块,用于获取所述用户在预设距离范围内的实时供给商品;
预设问答题目获取模块,用于在预设问题数据库中提取匹配所述历史消费商品和所述实时供给商品的预设问答题目;
问答路径生成模块,用于根据商品知识图谱和所述预设问答题目,生成所述预设问答题目的问答路径;
预设答案获取模块,用于根据所述问答路径,并采用多轮问答的方式向所述用户提出所述预设问答题目,并获取所述用户根据所述预设问题选择的预设答案;
消费偏好商品属性获得模块,用于根据所述预设答案获得所述用户的实时消费偏好商品属性;
推荐模块,用于在所述实时供给商品中提取匹配的所述实时消费偏好商品属性的商品作为候选商品,推荐给所述用户。
根据本公开的第三方面,提供了一种设备,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:通过响应于用户发起的推荐请求,获取所述用户的历史消费商品;获取所述用户在预设距离范围内的实时供给商品;在预设问题数据库中提取匹配所述历史消费商品和所述实时供给商品的预设问答题目;根据商品知识图谱和所述预设问答题目,生成所述预设问答题目的问答路径;根据所述问答路径,并采用多轮问答的方式向所述用户提出所述预设问答题目,并获取所述用户根据所述预设问题选择的预设答案;根据所述预设答案获得所述用户的实时消费偏好商品属性;在所述实时供给商品中提取匹配的所述实时消费偏好商品属性的商品作为候选商品,推荐给所述用户。实现了根据收集用户偏好选择,结合用户的历史消费数据,通过问答机制获得用户实时偏好数据,大大减少用户决策时间,并提供精准推荐。
附图说明
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2A是本公开的一种问答路径生成方案示意图;
图2B是本公开的一种决策管理方案示意图;
图2C是本公开的一种结果找回排序示意图;
图2D是本公开的一种具体应用实例界面示意图;
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,响应于用户发起的推荐请求,获取所述用户的历史消费商品;
本公开实施例中,在用户利用客户端进行消费时,如果该消费时即时性质的,例如外卖,那么用户在海量的商家找到自己喜欢的食品可能需要消耗大量的时间。因此,用户往往会使用客户端具备的推荐功能,当用户触发客户端推荐功能时,响应于用户的该推荐请求,客户端通过服务器或者存储在客户端本地的消费数据,获取用户历史消费商品信息。
步骤102,获取所述用户在预设距离范围内的实时供给商品;
本公开实施例中,在获取用户的历史消费商品信息后,进一步获取客户端所在终端的当前位置信息,以用户的当前位置为中心,预设距离范围为半径,获取该圆形范围之内的实时可供给的商品信息。
例如,用户想订外卖,那么获取以用户位置为中心五公里范围内的外卖商家正在提供的外卖信息。
步骤103,在预设问题数据库中提取匹配所述历史消费商品和所述实时供给商品的预设问答题目;
本公开实施例中,在服务端或者通过客户端存储在本地数据库中的预设问题数据库,是包含大量用户历史消费数据和商家提供商品信息,且匹配预先由技术人员设置好的问题的数据库。
其中,通过获取的历史消费商品信息和实时供给商品信息可在预设问题数据库中获取预设问答题目。
可以理解地,预设问答题目是由技术人员根据大量用户的决策习惯研发出的,可以帮助用户正确且快速进行决策的一系列设计历史和实时商品信息的问题,具体的问答题目生成方式本公开实施例对此不加以限制。
步骤104,根据商品知识图谱和所述预设问答题目,生成所述预设问答题目的问答路径;
本公开实施例中,知识图谱(Knowledge Graph),在图书情报界称为知识域可视化或知识领域映射地图,是显示知识发展进程与结构关系的一系列各种不同的图形,用可视化技术描述知识资源及其载体,挖掘、分析、构建、绘制和显示知识及它们之间的相互联系。
所以,本实施例中的商品知识图谱是显示商品累计过程与用户历史消费以及用户实时消费决策之间关系的映射地图。通过该商品知识图谱和预设问答题目,即可生产预设问题的问答路径,问答路径即为问题生成的顺序和结构,通常为树形结构,根据不同的问题答案延伸至不同的路径。
步骤105,根据所述问答路径,并采用多轮问答的方式向所述用户提出所述预设问答题目,并获取所述用户根据所述预设问题选择的预设答案;
本公开实施例中,根据上述生成的问答路径向用户逐个提出问题,并获取用户针对各问题选择的答案。
可以理解地,生成的问答路径包括问题以及对应问题的答案,每个答案有对应的路径,例如答案A对应的下一个问题是a,那么答案B对应的下一个问题是b,问答路径的具备生成方法本公开实施例不加以限制。
步骤106,根据所述预设答案获得所述用户的实时消费偏好商品属性;
本公开实施例中,根据用户顺应问答路径回答完所有预设问题的答案,可以获取用户的消费偏好,并且该消费偏好与实时供给商品相关,综合得出用户的实时消费偏好商品属性。
步骤107,在所述实时供给商品中提取匹配的所述实时消费偏好商品属性的商品作为候选商品,推荐给所述用户。
本公开实施例中,针对实时消费偏好商品属性,在实时消费商品中查找匹配的实时供给商品,推荐给用户。
可以理解地,实时消费属性包含一个或多个用户偏好的商品属性信息,还可以根据用户偏好标记权重值,根据权重值给所有匹配的实时供给商品打分并排序,按照顺序依次推荐给所述用户。
当然,对推荐用户商品的方法本公开实施例不加以限制。
综上所述,在本公开实施例中,通过响应于用户发起的推荐请求,获取所述用户的历史消费商品;获取所述用户在预设距离范围内的实时供给商品;在预设问题数据库中提取匹配所述历史消费商品和所述实时供给商品的预设问答题目;根据商品知识图谱和所述预设问答题目,生成所述预设问答题目的问答路径;根据所述问答路径,并采用多轮问答的方式向所述用户提出所述预设问答题目,并获取所述用户根据所述预设问题选择的预设答案;根据所述预设答案获得所述用户的实时消费偏好商品属性;在所述实时供给商品中提取匹配的所述实时消费偏好商品属性的商品作为候选商品,推荐给所述用户。解决了现有技术基于历史数据推荐数据较泛的问题,实现了实时收集用户偏好信息,结合实时供给商品为一泡尿股推荐相应的商品的目的。
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,响应于用户发起的推荐请求,获取所述用户的历史消费商品;
此步骤与步骤101相同,在此不再详述。
优选地,所述历史消费商品包括历史消费商品名称、历史消费商品价格、历史消费商品的商家、历史消费商品评分其中的一项或多项。
步骤202,获取所述用户在预设距离范围内的实时供给商品;
此步骤与步骤102相同,在此不再详述。
步骤203,获取所述实时供给商品的商品名称、商品价格、商品的商家、商品的评分;
本公开实施例中,在用户为中心的商业范围内,获取的可为用户实时供给的商品后,提取该商品的商品信息包括商品名称、商品价格、商品的商家、商品的评分,其中,商品评分是由其他用户进行的消费评分。
步骤204,根据所述商品名称、所述商品价格、所述商品的商家、所述商品的评分筛选对应所述历史消费商品名称、所述历史消费商品价格、所述历史消费商品的商家、所述历史消费商品评分,得到匹配实时消费商品的实时商品名称、实时商品价格、实时商品的商家、实时商品的评分;
本公开实施例中,由于实时供给商品并不都是用户感兴趣的商品,所以将获取的实时商品的商品名称、商品价格、商品的商家、商品的评分与用户历史消费商品信息中的历史消费商品名称、历史消费商品价格、历史消费商品的商家、历史消费商品评分逐个匹配,得到的匹配结果确定为实时商品名称、实时商品价格、实时商品的商家、实时商品的评分。
步骤205,在预设问题数据库中提取匹配所述实时商品名称、所述实时商品价格、所述实时商品的商家、所述实时商品的评分的预设问答题目。
优选地,所述商品知识图谱包括销售商家信息、商品名称、商品价格、商品库存信息之间的对应关系。
本公开实施例中,如图2A所示,将上述匹配得到的实时商品名称、实时商品价格、实时商品的商家、实时商品的评分输入预设问题数据库进行匹配,提取匹配的预设问答题目。
其中,预设问答题目是根据商品知识图谱进行设置的,而商品知识图谱包括销售商家信息、商品名称、商品价格、商品库存信息之间的对应关系,
步骤206,提取所述预设问答题目中的预设商家信息、预设商品名称、预设商品价格、预设商品库存信息;
本公开实施例中,如图2A所示,在预设问答题目(即问题池)中提取和商品相关的信息,如预设商家信息、预设商品名称、预设商品价格、预设商品库存信息。
步骤207,将所述预设商家信息、所述预设商品名称、所述预设商品价格、所述预设商品库存信息与所述商品知识图谱中的所述销售商家信息、所述商品名称、所述商品价格、所述商品库存信息之间的对应关系进行匹配,得到所述预设商家信息、所述预设商品名称、所述预设商品价格、所述预设商品库存信息之间的候选对应关系;
本公开实施例中,将上述提取的用户商品信息与预设商品信息进行逐一匹配,得到一个预设商家信息、预设商品名称、预设商品价格、预设商品库存信息之间的候选对应关系。
步骤208,将所述用户的历史消费商品名称、历史消费价格、历史消费商家、历史消费评分输入预设神经网络模型,分别输出所述历史消费商品名称、所述历史消费价格、所述历史消费商家、所述历史消费评分的偏好权重值;
本公开实施例中,将用户的历史消费商品名称、历史消费价格、历史消费商家、历史消费评分输入预设神经网络模型,分别得到历史消费商品名称、历史消费价格、历史消费商家、历史消费评分的偏好权重值。
可以理解地,上述预设神经网络模型是根据大量的用户历史消费样本数据训练而成。
步骤209,根据所述偏好权重值的大小,确定所述用户的偏好商品名称、偏好消费价格、偏好消费商家、偏好消费评分;
本公开实施例中,根据偏好权重值的大小,确定所述用户的偏好商品名称、偏好消费价格、偏好消费商家、偏好消费评分,即权重值大的商品即为用户较为偏好的商品,以此类推。
步骤210,提取所述偏好商品名称、所述偏好消费价格、所述偏好消费商家、所述偏好消费评分中偏好关键词。
本公开实施例中,获取用户偏好商品信息中对应用户偏好的关键词,例如用户对商品A的喜欢、讨厌、一般等评价等。
步骤211,在预设问题数据库中的提取与所述偏好关键词匹配的预设问题以及对应的预设答案;
本公开实施例中,将用户偏好关键词输入预设问题数据库,找到与偏好关键词匹配的问题的预设答案。
可以理解地,预设问题数据库中包含用户所消费的历史商品信息,以及对应偏好关键词匹配的问题以及答案。
例如,如图2A所示,用户曾经消费火锅,并且偏好喜欢为偏辣,那么在预设问题数据库中会生成问题备选的多个问题,并生成问答路径,当然,前提是已经验证偏辣火锅处于“有货”状态(即供给校验),最后生成问题文案,即根据用户历史消费商品以及偏好关键词提出“你喜欢偏辣的火锅吗”这样的问题。
步骤212,将所述预设问题和预设答案,根据所述候选对应关系进行排列,生成所述预设问答题目的问答路径。
本公开实施例中,如图2B所示,根据生成的问题以及问答路径,结合用户周边的商品实时供给信息,生成问题提出的顺序,以及问题答案对应的问题顺序,即问答路径,然后进入用户对话决策管理模块。
步骤213,根据所述问答路径向用户逐个提出所述问题;
步骤214,分别获取所述用户根据所述问题所选择的答案,所述答案包括预设答案,和/或,用户输入文本。
本公开实施例中,进入如图2B所示的对话管理模块中,根据设置好的问答路径以及实时获取的用户选择的答案,根据问答路径逐个提出问题,并记录用户针对每个问题选择的答案,针对该答案进行语义理解,最后得出用户的实施偏好选择。
当然,用户针对问题的选择不仅限于针对已经制定好的选项进行选择,还可以输入文本表达用户当前消费偏好。
步骤215,提取所述答案中的消费关键词;
具体地,针对用户选择偏好或者文本输入的内容,提取其中的偏好关键词。例如,用户针对问题“想吃的火锅口味?”选择的答案是“偏辣”,那么,“偏辣火锅”即是提取出的消费关键词。
步骤216,将所述消费关键词与所述商品知识图谱中的销售商家信息、所述商品名称、所述商品价格、所述商品库存信息进行匹配,获得所述用户的实时消费偏好商品属性。
具体地,如图2C所示,针对用户在多轮问答机制中选择和输入的答案提取出的消费关键词,与商品知识图谱进行匹配后,即可得到用户的当前的消费偏好。例如,提取用户在问答机制中的关键词有“火锅”、“偏辣”、“四人”“消费人均60”等,在商品库存信息进行匹配后,得到周围的可匹配的消费偏好商品属性有“小火锅四人套餐”、“呷哺四人套餐”、“重庆麻辣火锅”等。
当然如图2C所示,上述通过用户输入或选择的问题答案进行索引召回,截断校验,通用粗排,问答精排进行处理,最后提取出有效的用户消费偏好关键词。
当然,对于用户问答题目中关键词的提取方法本公开实施例不加以限制。
步骤217,在所述实时供给商品中提取符合匹配所述商品知识图谱中的所述销售商家信息、所述商品名称、所述商品价格、所述商品库存信息的商品作为候选商品,推荐给所述用户。
具体地,如图2D所示的多轮问答机制获取用户实时消费偏好的实例,以外卖点餐为例,当用户开启推荐功能,选择“点多人餐”,第一轮问答显示“请问您是几个人用餐呢?”用户根据自身需求选择“1人-7人”不同答案,进入下一轮问题“请问您的人均价预算”,根据提供的选项“无所谓”“0-20元”“20-30元”“30-60元”“60-90元”等,获取用户的消费价格偏好,进一步地,进入第三轮问答“请问您想点菜一起吃,还是要多份单人餐?”,再次通过选项“无所谓”“点菜一起吃”“多份单人餐”等获取用户的用餐偏好。
其中,根据用户在每轮问答中的答案,提取用户消费偏好关键词匹配商品知识图谱,得到最后的候选商品并推荐给用户,如上例中根据用户最后的选择“2人”“20-30元”“点菜一起吃”最后给用户匹配到实时商家“北李妈妈菜”。
步骤218,若接收到用户对所述候选商品的下单操作,则获取针对所述下单操作的所述候选商品的实时消费商品名称、实时消费价格、实时消费商家、实时消费评分,存储在所述历史消费数据中。
在本公开实施例中,当向用户推荐菜品后,用户接受并进行了下单,那么此推荐菜品则作为用户的偏好历史消费数据存储进行存储,其中,此推荐菜品的信息包括名称、价格、所在商家、用户最后的消费评分都会作为历史消费数据进行存储。
当然,消费商品的具体信息不限于上述描述,还可以包括菜品图片等信息,本公开实施例对此不加以限制。
可以理解地,本公开实施例在针对消费推荐时使用外卖作为实例进行解释说明,在实际应用中,本公开所阐述的方法不限于外卖消费推荐,可以适用于任何用户消费决策方法中,对此本公开实施例不加以限制。
综上所述,本公开实施例通过响应于用户发起的推荐请求,获取所述用户的历史消费商品;获取所述用户在预设距离范围内的实时供给商品;获取所述实时供给商品的商品名称、商品价格、商品的商家、商品的评分;根据所述商品名称、所述商品价格、所述商品的商家、所述商品的评分筛选对应所述历史消费商品名称、所述历史消费商品价格、所述历史消费商品的商家、所述历史消费商品评分,得到匹配实时消费商品的实时商品名称、实时商品价格、实时商品的商家、实时商品的评分;在预设问题数据库中提取匹配所述实时商品名称、所述实时商品价格、所述实时商品的商家、所述实时商品的评分的预设问答题目。根据商品知识图谱和所述预设问答题目,生成所述预设问答题目的问答路径;根据所述问答路径,并采用多轮问答的方式向所述用户提出所述预设问答题目,并获取所述用户根据所述预设问题选择的预设答案;根据所述预设答案获得所述用户的实时消费偏好商品属性;在所述实时供给商品中提取匹配的所述实时消费偏好商品属性的商品作为候选商品,推荐给所述用户。实现了实时收集用户偏好信息,结合实时供给商品为一泡尿股推荐相应的商品的目的。具有高效准确实时为用户推荐消费信息,提高用户消费率的有益效果。
需要说明的是,对于方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本公开实施例并不受所描述的动作顺序的限制,因为依据本公开实施例,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作并不一定是本公开实施例所必须的。
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:
历史消费商品获取模块301,用于响应于用户发起的推荐请求,获取所述用户的历史消费商品;
实时供给商品获取模块302,用于获取所述用户在预设距离范围内的实时供给商品;
预设问答题目获取模块303,用于在预设问题数据库中提取匹配所述历史消费商品和所述实时供给商品的预设问答题目;
问答路径生成模块304,用于根据商品知识图谱和所述预设问答题目,生成所述预设问答题目的问答路径;
预设答案获取模块305,用于根据所述问答路径,并采用多轮问答的方式向所述用户提出所述预设问答题目,并获取所述用户根据所述预设问题选择的预设答案;
消费偏好商品属性获得模块306,用于根据所述预设答案获得所述用户的实时消费偏好商品属性;
推荐模块307,用于在所述实时供给商品中提取匹配的所述实时消费偏好商品属性的商品作为候选商品,推荐给所述用户。
综上所述,本实施例提供的一种推荐装置,包括历史消费商品获取模块,用于响应于用户发起的推荐请求,获取所述用户的历史消费商品;实时供给商品获取模块,用于获取所述用户在预设距离范围内的实时供给商品;预设问答题目获取模块,用于在预设问题数据库中提取匹配所述历史消费商品和所述实时供给商品的预设问答题目;问答路径生成模块,用于根据商品知识图谱和所述预设问答题目,生成所述预设问答题目的问答路径;预设答案获取模块,用于根据所述问答路径,并采用多轮问答的方式向所述用户提出所述预设问答题目,并获取所述用户根据所述预设问题选择的预设答案;消费偏好商品属性获得模块,用于根据所述预设答案获得所述用户的实时消费偏好商品属性;推荐模块,用于在所述实时供给商品中提取匹配的所述实时消费偏好商品属性的商品作为候选商品,推荐给所述用户。解决了现有技术基于历史数据推荐数据较泛的问题,实现了实时收集用户偏好信息,结合实时供给商品为一泡尿股推荐相应的商品的目的。
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:
历史消费商品获取模块401,用于响应于用户发起的推荐请求,获取所述用户的历史消费商品;
优选地,所述历史消费商品包括历史消费商品名称、历史消费商品价格、历史消费商品的商家、历史消费商品评分其中的一项或多项。
实时供给商品获取模块402,用于获取所述用户在预设距离范围内的实时供给商品;
预设问答题目获取模块403,用于在预设问题数据库中提取匹配所述历史消费商品和所述实时供给商品的预设问答题目;
优选地,预设问答题目获取模块403,进一步包括:
实时商品信息获取子模块4031,用于获取所述实时供给商品的商品名称、商品价格、商品的商家、商品的评分;
实时评分子模块子模块4032,用于根据所述商品名称、所述商品价格、所述商品的商家、所述商品的评分筛选对应所述历史消费商品名称、所述历史消费商品价格、所述历史消费商品的商家、所述历史消费商品评分,得到匹配实时消费商品的实时商品名称、实时商品价格、实时商品的商家、实时商品的评分;
预设问答题目匹配子模块4033,用于在预设问题数据库中提取匹配所述实时商品名称、所述实时商品价格、所述实时商品的商家、所述实时商品的评分的预设问答题目。
优选地,所述商品知识图谱包括销售商家信息、商品名称、商品价格、商品库存信息之间的对应关系。
问答路径生成模块404,用于根据商品知识图谱和所述预设问答题目,生成所述预设问答题目的问答路径;
属性信息获得子模块4041,提取所述预设问答题目中的预设商家信息、预设商品名称、预设商品价格、预设商品库存信息;
匹配子模块4042,将所述预设商家信息、所述预设商品名称、所述预设商品价格、所述预设商品库存信息与所述商品知识图谱中的所述销售商家信息、所述商品名称、所述商品价格、所述商品库存信息之间的对应关系进行匹配,得到所述预设商家信息、所述预设商品名称、所述预设商品价格、所述预设商品库存信息之间的候选对应关系;
问答路径生成子模块4043,根据所述候选对应关系,生成所述预设问答题目的问答路径。
优选地,所述问答路径生成子模块4043之前,还可以包括:
历史信息获得子模块,用于将所述用户的历史消费商品名称、历史消费价格、历史消费商家、历史消费评分输入预设神经网络模型,分别输出所述历史消费商品名称、所述历史消费价格、所述历史消费商家、所述历史消费评分的偏好权重值;
偏好信息确定子模块,用于根据所述偏好权重值的大小,确定所述用户的偏好商品名称、偏好消费价格、偏好消费商家、偏好消费评分;
偏好信息关键词提取子模块,用于提取所述偏好商品名称、所述偏好消费价格、所述偏好消费商家、所述偏好消费评分中偏好关键词。
优选地,所述问答路径生成子模块4043,进一步包括:
预设答案匹配单元,用于在预设问题数据库中的提取与所述偏好关键词匹配的预设问题以及对应的预设答案;
问答路径生成单元,用于将所述预设问题和预设答案,根据所述候选对应关系进行排列,生成所述预设问答题目的问答路径。
预设答案获取模块405,用于根据所述问答路径,并采用多轮问答的方式向所述用户提出所述预设问答题目,并获取所述用户根据所述预设问题选择的预设答案;
优选地,所述预设答案获取模块405,进一步包括:
提问子模块4051,用于根据所述问答路径向用户逐个提出所述问题;
答案获取子模块4052,用于分别获取所述用户根据所述问题所选择的答案,所述答案包括预设答案,和/或,用户输入文本。
消费偏好商品属性获得模块406,用于根据所述预设答案获得所述用户的实时消费偏好商品属性;
优选地,所述消费偏好商品属性获得模块406,进一步包括:
消费关键词提取子模块4061,用于提取所述答案中的消费关键词;
实时消费偏好商品属性获取子模块4062,用于将所述消费关键词与所述商品知识图谱中的销售商家信息、所述商品名称、所述商品价格、所述商品库存信息进行匹配,获得所述用户的实时消费偏好商品属性。
推荐模块407,用于在所述实时供给商品中提取匹配的所述实时消费偏好商品属性的商品作为候选商品,推荐给所述用户。
优选地,所述推荐模块407,进一步包括:
推荐子模块4071,用于在所述实时供给商品中提取符合匹配所述商品知识图谱中的所述销售商家信息、所述商品名称、所述商品价格、所述商品库存信息的商品作为候选商品,推荐给所述用户。
优选地,还包括:
存储模块,若接收到用户对所述候选商品的下单操作,则获取针对所述下单操作的所述候选商品的实时消费商品名称、实时消费价格、实时消费商家、实时消费评分,存储在所述历史消费数据中。
本公开实施例还提供一种设备,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,本公开实施例通过历史消费商品获取模块,用于响应于用户发起的推荐请求,获取所述用户的历史消费商品;实时商品信息获取子模块,用于获取所述实时供给商品的商品名称、商品价格、商品的商家、商品的评分;实时评分子模块子模块,用于根据所述商品名称、所述商品价格、所述商品的商家、所述商品的评分筛选对应所述历史消费商品名称、所述历史消费商品价格、所述历史消费商品的商家、所述历史消费商品评分,得到匹配实时消费商品的实时商品名称、实时商品价格、实时商品的商家、实时商品的评分;预设问答题目匹配子模块,用于在预设问题数据库中提取匹配所述实时商品名称、所述实时商品价格、所述实时商品的商家、所述实时商品的评分的预设问答题目。优选地,所述商品知识图谱包括销售商家信息、商品名称、商品价格、商品库存信息之间的对应关系。预设问答题目获取模块,用于在预设问题数据库中提取匹配所述历史消费商品和所述实时供给商品的预设问答题目;问答路径生成模块,用于根据商品知识图谱和所述预设问答题目,生成所述预设问答题目的问答路径;预设答案获取模块,用于根据所述问答路径,并采用多轮问答的方式向所述用户提出所述预设问答题目,并获取所述用户根据所述预设问题选择的预设答案;消费偏好商品属性获得模块,用于根据所述预设答案获得所述用户的实时消费偏好商品属性;推荐模块,用于在所述实时供给商品中提取匹配的所述实时消费偏好商品属性的商品作为候选商品,推荐给所述用户。实现了实时收集用户偏好信息,结合实时供给商品为一泡尿股推荐相应的商品的目的。具有高效准确实时为用户推荐消费信息,提高用户消费率的有益效果。
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。
其具有如下优点:
其一,通过问答收集用户的实时偏好,比传统推荐通过历史预测偏好的方式更精准;
其二,将用户决策过程拆成一系列简单问题大大减少用户决策成本;
其三,通过结合用户历史消费偏好和问答实时偏好给用户带来更优质的推荐结果;
其四,面向外卖海量用户的日常消费动态实现精准推荐,可大幅减少用户决策时间(点餐时间),创造巨大的社会价值,同时还可以给实时消费(外卖)带来交易额的增长。
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、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 (14)
1.一种推荐方法,其特征在于,包括:
响应于用户发起的推荐请求,获取所述用户的历史消费商品;
获取所述用户在预设距离范围内的实时供给商品;
在预设问题数据库中提取匹配所述历史消费商品和所述实时供给商品的预设问答题目;
根据商品知识图谱和所述预设问答题目,生成所述预设问答题目的问答路径;
根据所述问答路径,并采用多轮问答的方式向所述用户提出所述预设问答题目,并获取所述用户根据所述预设问题选择的预设答案;
根据所述预设答案获得所述用户的实时消费偏好商品属性;
在所述实时供给商品中提取匹配的所述实时消费偏好商品属性的商品作为候选商品,推荐给所述用户。
2.根据权利要求1所述的方法,其特征在于,所述历史消费商品包括历史消费商品名称、历史消费商品价格、历史消费商品的商家、历史消费商品评分其中的一项或多项。
3.根据权利要求2所述的方法,所述在预设问题数据库中提取匹配所述历史消费商品和所述实时供给商品的预设问答题目,包括:
获取所述实时供给商品的商品名称、商品价格、商品的商家、商品的评分;
根据所述商品名称、所述商品价格、所述商品的商家、所述商品的评分筛选对应所述历史消费商品名称、所述历史消费商品价格、所述历史消费商品的商家、所述历史消费商品评分,得到匹配实时消费商品的实时商品名称、实时商品价格、实时商品的商家、实时商品的评分;
在预设问题数据库中提取匹配所述实时商品名称、所述实时商品价格、所述实时商品的商家、所述实时商品的评分的预设问答题目。
4.根据权利要求1所述的方法,其特征在于,所述商品知识图谱包括销售商家信息、商品名称、商品价格、商品库存信息之间的对应关系。
5.根据权利要求4所述的方法,其特征在于,所述根据商品知识图谱和所述预设问答题目,生成所述预设问答题目的问答路径,包括:
提取所述预设问答题目中的预设商家信息、预设商品名称、预设商品价格、预设商品库存信息;
将所述预设商家信息、所述预设商品名称、所述预设商品价格、所述预设商品库存信息与所述商品知识图谱中的所述销售商家信息、所述商品名称、所述商品价格、所述商品库存信息之间的对应关系进行匹配,得到所述预设商家信息、所述预设商品名称、所述预设商品价格、所述预设商品库存信息之间的候选对应关系;
根据所述候选对应关系,生成所述预设问答题目的问答路径。
6.根据权利要求5所述的方法,其特征在于,所述根据所述候选对应关系,生成所述预设问答题目的问答路径之前,还包括:
将所述用户的历史消费商品名称、历史消费价格、历史消费商家、历史消费评分输入预设神经网络模型,分别输出所述历史消费商品名称、所述历史消费价格、所述历史消费商家、所述历史消费评分的偏好权重值;
根据所述偏好权重值的大小,确定所述用户的偏好商品名称、偏好消费价格、偏好消费商家、偏好消费评分;
提取所述偏好商品名称、所述偏好消费价格、所述偏好消费商家、所述偏好消费评分中偏好关键词。
7.根据权利要求6所述的方法,其特征在于,所述根据所述候选对应关系,生成所述预设问答题目的问答路径,包括:
在预设问题数据库中的提取与所述偏好关键词匹配的预设问题以及对应的预设答案;
将所述预设问题和预设答案,根据所述候选对应关系进行排列,生成所述预设问答题目的问答路径。
8.根据权利要求7所述的方法,其特征在于,所述根据所述问答路径,并采用多轮问答的方式向所述用户提出所述预设问答题目,并获取所述用户根据所述预设问题选择的预设答案,包括:
根据所述问答路径向用户逐个提出所述问题;
分别获取所述用户根据所述问题所选择的答案,所述答案包括预设答案,和/或,用户输入文本。
9.根据权利要求8所述的方法,其特征在于,所述根据所述预设答案获得所述用户的实时消费偏好商品属性,包括:
提取所述答案中的消费关键词;
将所述消费关键词与所述商品知识图谱中的销售商家信息、所述商品名称、所述商品价格、所述商品库存信息进行匹配,获得所述用户的实时消费偏好商品属性。
10.根据权利要求9所述的方法,其特征在于,所述在所述实时供给商品中提取匹配的所述实时消费偏好商品属性的商品作为候选商品,推荐给所述用户,包括:
在所述实时供给商品中提取符合匹配所述商品知识图谱中的所述销售商家信息、所述商品名称、所述商品价格、所述商品库存信息的商品作为候选商品,推荐给所述用户。
11.根据权利要求10所述的方法,其特征在于,还包括:
若接收到用户对所述候选商品的下单操作,则获取针对所述下单操作的所述候选商品的实时消费商品名称、实时消费价格、实时消费商家、实时消费评分,存储在所述历史消费数据中。
12.一种推荐装置,其特征在于,包括:
历史消费商品获取模块,用于响应于用户发起的推荐请求,获取所述用户的历史消费商品;
实时供给商品获取模块,用于获取所述用户在预设距离范围内的实时供给商品;
预设问答题目获取模块,用于在预设问题数据库中提取匹配所述历史消费商品和所述实时供给商品的预设问答题目;
问答路径生成模块,用于根据商品知识图谱和所述预设问答题目,生成所述预设问答题目的问答路径;
预设答案获取模块,用于根据所述问答路径,并采用多轮问答的方式向所述用户提出所述预设问答题目,并获取所述用户根据所述预设问题选择的预设答案;
消费偏好商品属性获得模块,用于根据所述预设答案获得所述用户的实时消费偏好商品属性;
推荐模块,用于在所述实时供给商品中提取匹配的所述实时消费偏好商品属性的商品作为候选商品,推荐给所述用户。
13.一种设备,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1-11之任一项所述的推荐方法。
14.一种可读存储介质,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1-11之任一项所述的推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910678400.0A CN110532462A (zh) | 2019-07-25 | 2019-07-25 | 一种推荐方法、装置、设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910678400.0A CN110532462A (zh) | 2019-07-25 | 2019-07-25 | 一种推荐方法、装置、设备及可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110532462A true CN110532462A (zh) | 2019-12-03 |
Family
ID=68661803
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910678400.0A Pending CN110532462A (zh) | 2019-07-25 | 2019-07-25 | 一种推荐方法、装置、设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110532462A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111159555A (zh) * | 2019-12-30 | 2020-05-15 | 北京每日优鲜电子商务有限公司 | 商品推荐方法、装置、服务器和存储介质 |
CN111563198A (zh) * | 2020-04-16 | 2020-08-21 | 百度在线网络技术(北京)有限公司 | 一种物料召回方法、装置、设备及存储介质 |
CN111625632A (zh) * | 2020-04-17 | 2020-09-04 | 北京捷通华声科技股份有限公司 | 一种问答对推荐方法、装置、设备及存储介质 |
CN112148971A (zh) * | 2020-08-27 | 2020-12-29 | 北京三快在线科技有限公司 | 数据处理方法、装置、电子设备及可读存储介质 |
CN112884542A (zh) * | 2021-01-21 | 2021-06-01 | 北京电解智科技有限公司 | 商品推荐方法和装置 |
CN112989207A (zh) * | 2021-04-27 | 2021-06-18 | 武汉卓尔数字传媒科技有限公司 | 一种信息推荐方法及装置、电子设备、存储介质 |
CN113065928A (zh) * | 2021-04-22 | 2021-07-02 | 上海日羲科技有限公司 | 一种基于大数据的电商交易方法 |
CN113112329A (zh) * | 2021-04-20 | 2021-07-13 | 南通觅味农业科技有限公司 | 一种基于区块链通证经济共生技术的网上商城 |
CN113486196A (zh) * | 2021-09-08 | 2021-10-08 | 江西风向标教育科技有限公司 | 一种基于教学思维的物理知识点智能识别方法及装置 |
CN113744020A (zh) * | 2021-01-15 | 2021-12-03 | 北京沃东天骏信息技术有限公司 | 一种商品文案处理方法、装置、电子设备和存储介质 |
WO2022188534A1 (zh) * | 2021-03-11 | 2022-09-15 | 北京沃东天骏信息技术有限公司 | 信息推送的方法和装置 |
-
2019
- 2019-07-25 CN CN201910678400.0A patent/CN110532462A/zh active Pending
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111159555A (zh) * | 2019-12-30 | 2020-05-15 | 北京每日优鲜电子商务有限公司 | 商品推荐方法、装置、服务器和存储介质 |
CN111563198A (zh) * | 2020-04-16 | 2020-08-21 | 百度在线网络技术(北京)有限公司 | 一种物料召回方法、装置、设备及存储介质 |
CN111625632A (zh) * | 2020-04-17 | 2020-09-04 | 北京捷通华声科技股份有限公司 | 一种问答对推荐方法、装置、设备及存储介质 |
CN112148971A (zh) * | 2020-08-27 | 2020-12-29 | 北京三快在线科技有限公司 | 数据处理方法、装置、电子设备及可读存储介质 |
CN113744020A (zh) * | 2021-01-15 | 2021-12-03 | 北京沃东天骏信息技术有限公司 | 一种商品文案处理方法、装置、电子设备和存储介质 |
CN112884542A (zh) * | 2021-01-21 | 2021-06-01 | 北京电解智科技有限公司 | 商品推荐方法和装置 |
WO2022156530A1 (zh) * | 2021-01-21 | 2022-07-28 | 北京电解智科技有限公司 | 商品推荐方法和装置 |
WO2022188534A1 (zh) * | 2021-03-11 | 2022-09-15 | 北京沃东天骏信息技术有限公司 | 信息推送的方法和装置 |
CN113112329A (zh) * | 2021-04-20 | 2021-07-13 | 南通觅味农业科技有限公司 | 一种基于区块链通证经济共生技术的网上商城 |
CN113065928A (zh) * | 2021-04-22 | 2021-07-02 | 上海日羲科技有限公司 | 一种基于大数据的电商交易方法 |
CN112989207A (zh) * | 2021-04-27 | 2021-06-18 | 武汉卓尔数字传媒科技有限公司 | 一种信息推荐方法及装置、电子设备、存储介质 |
CN113486196A (zh) * | 2021-09-08 | 2021-10-08 | 江西风向标教育科技有限公司 | 一种基于教学思维的物理知识点智能识别方法及装置 |
CN113486196B (zh) * | 2021-09-08 | 2022-01-28 | 江西风向标教育科技有限公司 | 一种基于教学思维的物理知识点智能识别方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110532462A (zh) | 一种推荐方法、装置、设备及可读存储介质 | |
US8650198B2 (en) | Systems and methods for facilitating the gathering of open source intelligence | |
US10073860B2 (en) | Generating visualizations from keyword searches of color palettes | |
US9792303B2 (en) | Identifying data from keyword searches of color palettes and keyword trends | |
US9235646B2 (en) | Method and system for a search engine for user generated content (UGC) | |
Kelly et al. | Incorporating user shape preference in engineering design optimisation | |
Starke et al. | Nudging healthy choices in food search through visual attractiveness | |
US8380727B2 (en) | Information processing device and method, program, and recording medium | |
CN106339502A (zh) | 一种基于用户行为数据分片聚类的建模推荐方法 | |
Carnerud et al. | Four decades of research on quality: summarising, Trendspotting and looking ahead | |
CN107077486A (zh) | 情感评价系统和方法 | |
CN106709040A (zh) | 一种应用搜索方法和服务器 | |
CN105976161A (zh) | 一种基于时间轴上的智能推荐日历及基于用户的呈现方法 | |
WO2015200509A1 (en) | Determining affiliated colors from keyword searches of color palettes for color based searches | |
US8538965B1 (en) | Determining a relevance score of an item in a hierarchy of sub collections of items | |
Rui et al. | Designing a social-broadcasting-based business intelligence system | |
US20110173130A1 (en) | Method and system for informing a user by utilizing time based reviews | |
WO2009126815A2 (en) | Diversified, self-organizing map system and method | |
JP2011175362A (ja) | 情報処理装置、重要度算出方法及びプログラム | |
Wagner et al. | Semantic stability in social tagging streams | |
JP2011154668A (ja) | ウェブページの主意,およびユーザの嗜好を適切に把握して,最善の情報をリアルタイムに推奨する方法 | |
CN106776701B (zh) | 用于物品推荐的问题确定方法和装置 | |
JP2011227717A (ja) | 情報提示装置 | |
CN111291191B (zh) | 一种广电知识图谱构建方法及装置 | |
US20140129634A1 (en) | Social media-based content recommendation apparatus |
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 |