CN110533495A - 专业度评分、物品推荐的方法、系统、设备和存储介质 - Google Patents
专业度评分、物品推荐的方法、系统、设备和存储介质 Download PDFInfo
- Publication number
- CN110533495A CN110533495A CN201810509735.5A CN201810509735A CN110533495A CN 110533495 A CN110533495 A CN 110533495A CN 201810509735 A CN201810509735 A CN 201810509735A CN 110533495 A CN110533495 A CN 110533495A
- Authority
- CN
- China
- Prior art keywords
- user
- degree
- profession
- target
- professional
- 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
- 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
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- 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
本发明公开了一种专业度评分、物品推荐的方法、系统、设备和存储介质,所述用户专业度评分方法包括:获取所有用户的行为数据;任意选取一目标物品类别和一目标用户;从所述行为数据中提取所述目标物品类别下所述目标用户的专业度数据;从所述行为数据中提取所述目标物品类别下所述所有用户的专业度数据;根据所述目标用户的专业度数据和所述所有用户的专业度数据得到所述目标用户对所述目标物品类别的专业度得分。本发明通过从所有用户的行为数据中提取所有用户对应目标物品类别的专业度数据,再提取出一目标用户的专业度数据,根据上述专业度数据进一步得到目标用户对所述目标物品类别的专业度得分。
Description
技术领域
本发明属于计算机技术领域,尤其涉及一种专业度评分、物品推荐的方法、系统、设备和存储介质。
背景技术
目前随着技术的进步和数据量的增长,现有的专家评分计算方案在应用于对象复杂的互联网应用场景中存在众多不足,现有的专家评分主要来自于行业用户的判断,行业用户的选择主观性强,同时由于用于评判的专家数据量少,导致最终对物品的评分结果在一定程度上缺乏客观性。
发明内容
本发明要解决的技术问题是为了克服现有技术中由于专家的专业性不高且专家数据量过少导致对象评分结果缺乏客观性的缺陷,提供一种专业度评分、物品推荐的方法、系统、设备和存储介质。
本发明是通过下述技术方案来解决上述技术问题:
一种用户专业度评分方法,所述用户专业度评分方法包括:
获取所有用户的行为数据;
任意选取一目标物品类别和一目标用户;
从所述行为数据中提取所述目标物品类别下所述目标用户的专业度数据;
从所述行为数据中提取所述目标物品类别下所述所有用户的专业度数据;
根据所述目标用户的专业度数据和所述所有用户的专业度数据得到所述目标用户对所述目标物品类别的专业度得分。
较佳地,所述专业度数据包括用户购买物品的消费数据,所述根据所述目标用户的专业度数据和所述所有用户的专业度数据得到所述目标用户对所述目标物品类别的专业度得分的步骤具体包括:
提取所述目标物品类别下所有物品中单价排序靠前的部分物品;
根据所述目标用户的消费数据得到所述目标用户购买的所有物品的第一消费额和所述目标用户购买的所述部分物品的第二消费额;
根据所述所有用户的消费数据得到所述部分物品的销售总额;
根据所述第一消费额、所述第二消费额和所述销售总额计算得到用于表征所述目标用户购买专业度的第一专业度得分,所述专业度得分包括所述第一专业度得分。
较佳地,所述提取所述目标物品类别下所有物品中单价排序靠前的部分物的步骤具体包括:
滤除所述目标物品类别下的没有购买记录的物品,从滤除后的物品中提取单价排序靠前的所述部分物品。
较佳地,所述专业度数据还包括用户评论物品的评论数据,所述根据所述目标用户的专业度数据和所述所有用户的专业度数据得到所述目标用户对所述目标物品类别的专业度得分的步骤具体包括:
预设一标签库,所述标签库存储有与所述目标物品类别对应的多个标签;
计算所述目标用户的评论数据中属于所述标签库的标签的数量与所述标签库中的标签的总数量的第一比值;
根据所述第一比值得到用于表征所述目标用户评论专业度的第二专业度得分,所述专业度得分包括所述第二专业度得分。
较佳地,所述根据所述目标用户的专业度数据和所述所有用户的专业度数据得到所述目标用户对所述目标物品类别的专业度得分的步骤具体还包括:
获取所述目标用户的评论数据被赞同的第一次数;
获取所述所有用户的评论数据被赞同的第二次数;
计算所述第一次数与所述第二次数的第二比值;
所述根据所述第一比值得到用于表征所述目标用户评论专业度的第二专业度得分的步骤具体包括:
根据所述第一比值和所述第二比值计算得到所述第二专业度得分。
较佳地,当所述专业度数据包括用户购买物品的消费数据和用户评论物品的评论数据时,所述根据所述第一消费额、所述第二消费额和所述销售总额计算得到用于表征所述目标用户购买专业度的第一专业度得分的步骤具体包括:
将所述第二消费额与所述第一消费额的比值和所述第二消费额与所述销售总额的比值求积得到所述第一专业度得分;
所述根据所述第一比值和所述第二比值计算得到所述第二专业度得分的步骤具体包括:
将所述第一比值和所述第二比值求和或取平均值得到所述第二专业度得分;
所述根据所述目标用户的专业度数据和所述所有用户的专业度数据得到所述目标用户对所述目标物品类别的专业度得分的步骤还包括:
将所述第一专业度得分和所述第二专业度得分求平均值或求积或求和得到总专业度得分,所述专业度得分包括所述总专业度得分。
一种电子设备,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,所述处理器执行所述计算机程序时实现上述的用户专业度评分方法。
一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现上述的用户专业度评分方法的步骤。
一种物品推荐方法,所述物品推荐方法包括:
选取多个候选物品,所述多个候选物品属于同一个物品类别;
获取所述多个候选物品的所属物品类别;
获取每个候选物品的购买用户;
利用上述的用户专业度评分方法得到所述购买用户在所述所属物品类别下的专业度得分;
将每个候选物品下的所有购买用户的专业度得分的平均值作为所述候选物品的推荐得分,或,将每个候选物品下的购买用户的专业度得分排序靠前的部分购买用户的专业度得分之和作为所述候选物品的推荐得分;
选取所述推荐得分排序靠前的部分候选物品作为推荐物品。
较佳地,所述利用上述的用户专业度评分方法得到所述购买用户在所述所属物品类别下的专业度得分的步骤还包括:
滤除购买所述候选物品的次数大于预设阈值的购买用户,然后对滤除后的购买用户进行专业度评分。
较佳地,所述利用上述的用户专业度评分方法得到所述购买用户在所述所属物品类别下的专业度得分的步骤还包括:
获取每个所述购买用户的自然属性,所述自然属性数据包括年龄和性别;
为每个所述目标物品预设一自然属性表;
滤除自然属性不在所述自然属性表中的购买用户,然后对滤除后的购买用户进行专业度评分。
一种电子设备,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,所述处理器执行所述计算机程序时实现上述的物品推荐方法。
一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现上述的物品推荐方法的步骤。
一种用户专业度评分系统,所述用户专业度评分系统包括数据获取模块、目标选取模块、数据提取模块和专业度得分获取模块;
所述数据获取模块用于获取所有用户的行为数据;
所述目标选取模块用于任意选取一目标物品类别和一目标用户;
所述数据提取模块用于从所述行为数据中提取所述目标物品类别下所述目标用户的专业度数据;
所述数据提取模块还用于从所述行为数据中提取所述目标物品类别下所述所有用户的专业度数据;
所述专业度得分获取模块用于根据所述目标用户的专业度数据和所述所有用户的专业度数据得到所述目标用户对所述目标物品类别的专业度得分。
较佳地,所述专业度数据包括用户购买物品的消费数据,所述专业度得分获取模块包括数据处理模块和第一计算模块;
所述数据提取模块还用于提取所述目标物品类别下所有物品中单价排序靠前的部分物品;
所述数据处理模块用于根据所述目标用户的消费数据得到所述目标用户购买的所有物品的第一消费额和所述目标用户购买的所述部分物品的第二消费额,还用于根据所述所有用户的消费数据得到所述部分物品的销售总额;
所述第一计算模块用于根据所述第一消费额、所述第二消费额和所述销售总额计算得到用于表征所述目标用户购买专业度的第一专业度得分,所述专业度得分包括所述第一专业度得分。
较佳地,所述数据提取模块还用于滤除所述目标物品类别下的没有购买记录的物品,并从滤除后的物品中提取单价排序靠前的所述部分物品。
较佳地,所述用户专业度评分系统还包括一标签库和第二计算模块,所述标签库存储有与所述目标物品类别对应的多个标签;
所述第二计算模块还用于计算所述目标用户的评论数据中属于所述标签库的标签的数量与所述标签库中的标签的总数量的第一比值,并根据所述第一比值得到用于表征所述目标用户评论专业度的第二专业度得分,所述专业度得分包括所述第二专业度得分。
较佳地,所述数据处理模块还用于获取所述目标用户的评论数据被赞同的第一次数和所述所有用户的评论数据被赞同的第二次数;
所述第二计算模块还用于计算所述第一次数与所述第二次数的第二比值,并根据所述第一比值和所述第二比值计算得到所述第二专业度得分。
较佳地,当所述专业度数据包括用户购买物品的消费数据和用户评论物品的评论数据时,所述用户专业度评分系统还包括第三计算模块;
所述第一计算模块用于将所述第二消费额与所述第一消费额的比值和所述第二消费额与所述销售总额的比值求积得到所述第一专业度得分;
所述第二计算模块用于将所述第一比值和所述第二比值求和或取平均值得到所述第二专业度得分;
所述第三计算模块用于将所述第一专业度得分和所述第二专业度得分求平均值或求积或求和得到总专业度得分,所述专业度得分包括所述总专业度得分。
一种物品推荐系统,所述物品推荐系统包括物品选取模块、物品类别获取模块、购买用户获取模块、推荐得分获取模块、物品推荐模块和如上所述的用户专业度评分系统;
所述物品选取模块用于选取多个候选物品,所述多个候选物品属于同一个物品类别;
所述物品类别获取模块用于获取所述多个候选物品的所属物品类别;
所述购买用户获取模块用于获取每个候选物品的购买用户;
所述用户专业度评分系统用于获取所述购买用户在所述所属物品类别下的专业度得分;
所述推荐得分获取模块用于将每个候选物品下的所有购买用户的专业度得分的平均值作为所述候选物品的推荐得分,或,将每个候选物品下的购买用户的专业度得分排序靠前的部分购买用户的专业度得分之和作为所述候选物品的推荐得分;
所述物品推荐模块用于选取所述推荐得分排序靠前的部分候选物品作为推荐物品。
较佳地,所述物品推荐系统还包括滤除模块;所述滤除模块用于滤除购买所述候选物品的次数大于预设阈值的购买用户,然后调用所述用户专业度评分系统对滤除后的购买用户进行专业度评分。
较佳地,所述物品推荐系统还包括自然属性获取模块和自然属性预设模块;
所述自然属性获取模块获取每个所述购买用户的自然属性,所述自然属性数据包括年龄和性别;
所述自然属性预设模块用于为每个所述目标物品预设一自然属性表;
所述滤除模块还用于滤除自然属性不在所述自然属性表中的购买用户,然后调用所述用户专业度评分系统对滤除后的购买用户进行专业度评分。
本发明的积极进步效果在于:通过从所有用户的行为数据中提取所有用户对应目标物品类别的专业度数据,再提取出一目标用户的专业度数据,根据上述专业度数据进一步得到目标用户对所述目标物品类别的专业度得分。通过上述方式可以实现对每个用户的专业度进行打分,进一步可以根据专业度得分较高的用户作为目标物品分类下的专业用户,通过这样的方式可以保证比较多的专家数据量,在后续对物品评价的过程中,保证评价结果更加智能和更加客观。
附图说明
图1为本发明实施例1的用户专业度评分方法的流程图。
图2为本发明实施例2的用户专业度评分方法中步骤150的具体流程图。
图3为本发明实施例3的用户专业度评分方法中步骤150的具体流程图。
图4为本发明实施例4的用户专业度评分方法中步骤150的具体流程图。
图5为本发明实施例5的电子设备的结构示意图。
图6为本发明实施例7的物品推荐方法的流程图。
图7为本发明实施例7的物品推荐方法中步骤104的具体流程图。
图8为本发明实施例10的用户专业度评分系统的结构框图。
图9为本发明实施例11的用户专业度评分系统中专业度得分获取模块的结构框图。
图10为本发明实施例12的用户专业度评分系统中专业度得分获取模块的结构框图。
图11为本发明实施例13的用户专业度评分系统中专业度得分获取模块的结构框图。
图12为本发明实施例14的物品推荐系统的结构框图。
具体实施方式
下面通过实施例的方式进一步说明本发明,但并不因此将本发明限制在所述的实施例范围之中。
实施例1
一种用户专业度评分方法,如图1所示,所述用户专业度评分方法包括:
步骤110、获取所有用户的行为数据;
步骤120、任意选取一目标物品类别和一目标用户;
步骤130、从行为数据中提取目标物品类别下目标用户的专业度数据;
步骤140、从行为数据中提取目标物品类别下所有用户的专业度数据;
步骤150、根据目标用户的专业度数据和所有用户的专业度数据得到目标用户对目标物品类别的专业度得分。
需要说明的是,上述的专业度数据可以为用户的购买数据或者用户的评论数据或者可以是用户对物品作出评论后,其他用户对该用户作出的评价。比如点赞数据等。
通过从所有用户的行为数据中提取所有用户对应目标物品类别的专业度数据,再提取出一目标用户的专业度数据,根据上述专业度数据进一步得到目标用户对所述目标物品类别的专业度得分。通过上述方式可以实现对每个用户的专业度进行打分,进一步可以根据专业度得分较高的用户作为目标物品分类下的专业用户,通过这样的方式可以保证比较多的专家数据量,在后续对物品评价的过程中,保证评价结果更加智能和更加客观。
实施例2
本实施例的用户专业度评分方法是在实施例1的基础上进一步改进,所述专业度数据包括用户购买物品的消费数据,如图2所示,步骤150具体包括:
步骤1511、提取目标物品类别下所有物品中单价排序靠前的部分物品;
步骤1512、根据目标用户的消费数据得到目标用户购买的所有物品的第一消费额和目标用户购买的部分物品的第二消费额;
步骤1513、根据所有用户的消费数据得到部分物品的销售总额;
步骤1514、根据第一消费额、第二消费额和销售总额计算得到用于表征目标用户购买专业度的第一专业度得分;所述专业度得分包括所述第一专业度得分;具体地,可以将所述第二消费额与所述第一消费额的比值和所述第二消费额与所述销售总额的比值求积得到所述第一专业度得分;
本实施例中,遵循价格越高的产品,其用户通常都更为专业且更值得关注,因此提取单价靠前的部分物品进行后续数据处理;
另外,本实施例中还可以将其中没有发生过消费记录的物品滤除掉,步骤1511具体包括:
滤除目标物品类别下的没有购买记录的物品,从滤除后的物品中提取单价排序靠前的部分物品。
本实施例中,根据目标用户购买物品的消费数据计算得到目标用户对目标物品类别的购买专业度的第一专业度得分,若只考虑目标用户的消费数据来评价目标用户的专业程度,可以将第一专业度得分作为目标用户对所述目标物品类别的专业度得分。
实施例3
本实施例的用户专业度评分方法是在实施例2的基础上进一步改进,所述专业度数据包括用户评论物品的评论数据,如图3所示,提供步骤150的另一种实现方式,具体包括:
步骤1521、预设一标签库,标签库存储有与目标物品类别对应的多个标签;需要说明的是,此处的标签可以是与目标物品类别对应的专业名词或专业语句等。
步骤1522、计算目标用户的评论数据中属于标签库的标签的数量与标签库中的标签的总数量的第一比值;
步骤1523、根据第一比值得到用于表征目标用户评论专业度的第二专业度得分;专业度得分包括第二专业度得分。
本实施例中,根据目标用户评论物品的评论数据计算得到目标用户对目标物品类别的评论专业度的第二专业度得分,若只考虑目标用户的评论数据来评价目标用户的专业程度,可以将第二专业度得分作为目标用户对所述目标物品类别的专业度得分。
实施例4
本实施例的用户专业度评分方法是在实施例3的基础上进一步改进,如图4所示,提供步骤150的再一种实现方式,具体包括:
步骤1521、预设一标签库,标签库存储有与目标物品类别对应的多个标签;需要说明的是,此处的标签可以是与目标物品类别对应的专业名词或专业语句等。
步骤1522、计算目标用户的评论数据中属于标签库的标签的数量与标签库中的标签的总数量的第一比值;
步骤1524、获取目标用户的评论数据被赞同的第一次数;
步骤1525、获取所有用户的评论数据被赞同的第二次数;
步骤1526、计算第一次数与第二次数的第二比值,然后执行步骤1523’;
步骤1523’、根据第一比值和第二比值计算得到第二专业度得分;具体地,可以将所述第一比值和所述第二比值求和或取平均值得到所述第二专业度得分,需要说明的是,此处的计算方式不限于此,也可以通过对第一比值和第二比值赋予不同的权重系数进一步求得第二专业度得分,或者其他可能的计算方式。
本实施例中,除了考虑目标用户的评论数据的专业性,还可以综合考虑目标用户的评论被赞同的数据,进一步得到更加精确的第二专业度得分。
步骤1523’之后,步骤150还包括:
步骤1527、将第一专业度得分和第二专业度得分求平均值或求积或求和得到总专业度得分;专业度得分包括总专业度得分。
本实施例中,若同时考虑目标用户的购买数据和评论数据,可以将第一专业度数据和第二专业数据得到总专业度得分,并将总专业度得分作为目标用户对所述目标物品类别的专业度得分。
实施例5
一种电子设备,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,所述处理器执行所述计算机程序时实现实施例1-4中任意一个实施例所述的用户专业度评分方法。
图5为本发明实施例5提供的一种电子设备的结构示意图。图5示出了适于用来实现本发明实施方式的示例性电子设备10的框图。图5显示的电子设备10仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图5所示,电子设备10可以以通用计算设备的形式表现,例如其可以为服务器设备。电子设备10的组件可以包括但不限于:至少一个处理器11、至少一个存储器12、连接不同系统组件(包括存储器12和处理器11)的总线13。
总线13包括数据总线、地址总线和控制总线。
存储器12可以包括易失性存储器,例如随机存取存储器(RAM)121和/或高速缓存存储器122,还可以进一步包括只读存储器(ROM)123。
存储器12还可以包括具有一组(至少一个)程序模块124的程序工具125,这样的程序模块124包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
处理器11通过运行存储在存储器12中的计算机程序,从而执行各种功能应用以及数据处理。
电子设备10也可以与一个或多个外部设备14(例如键盘、指向设备等)通信。这种通信可以通过输入/输出(I/O)接口15进行。并且,电子设备10还可以通过网络适配器16与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。网络适配器16通过总线13与电子设备10的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备10使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID(磁盘阵列)系统、磁带驱动器以及数据备份存储系统等。
应当注意,尽管在上文详细描述中提及了电子设备的若干单元/模块或子单元/模块,但是这种划分仅仅是示例性的并非强制性的。实际上,根据本申请的实施方式,上文描述的两个或更多单元/模块的特征和功能可以在一个单元/模块中具体化。反之,上文描述的一个单元/模块的特征和功能可以进一步划分为由多个单元/模块来具体化。
实施例6
一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现实施例1-4中任意一个实施例所述的用户专业度评分方法的步骤。
其中,可读存储介质可以采用的更具体可以包括但不限于:便携式盘、硬盘、随机存取存储器、只读存储器、可擦拭可编程只读存储器、光存储器件、磁存储器件或上述的任意合适的组合。
在可能的实施方式中,本发明还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在终端设备上运行时,所述程序代码用于使所述终端设备执行实现实施例1-4中任意一个实施例所述的用户专业度评分方法的步骤。
其中,可以以一种或多种程序设计语言的任意组合来编写用于执行本发明的程序代码,所述程序代码可以完全地在用户设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户设备上部分在远程设备上执行或完全在远程设备上执行。
实施例7
一种物品推荐方法,如图6所示,所述物品推荐方法包括:
步骤101、选取多个候选物品;多个候选物品属于同一个物品类别;
步骤102、获取多个候选物品的所属物品类别;
步骤103、获取每个候选物品的购买用户;
步骤104、利用如实施例1-4中任意一个实施例所述的用户专业度评分方法得到购买用户在所属物品类别下的专业度得分;
步骤105、将每个候选物品下的所有购买用户的专业度得分的平均值作为候选物品的推荐得分,或,将每个候选物品下的购买用户的专业度得分排序靠前的部分购买用户的专业度得分之和作为候选物品的推荐得分;
步骤106、选取推荐得分排序靠前的部分候选物品作为推荐物品。需要说明的是,推荐物品可以根据设定推荐靠前的几个物品,也可以用于将多个物品中得分最高的作为最优物品进行推荐。
其中,如图7所示,步骤104具体包括:
步骤1041、滤除购买候选物品的次数大于预设阈值的购买用户;
步骤1042、获取每个购买用户的自然属性,自然属性数据包括年龄和性别;
步骤1043、为每个目标物品预设一自然属性表;
步骤1044、滤除自然属性不在自然属性表中的购买用户;
步骤1045、利用如实施例1-4中任意一个实施例所述的用户专业度评分方法得到滤除后的购买用户在所属物品类别下的专业度得分。
需要说明的是,此处考虑通过自然属性滤除购买用户是考虑到:不同性别的用户在不同物品类别下的重要度,如连衣裙类别的主体用户是女性,连衣裙类别的专家应该是女性,而汽车保养类别的专家用户限定为男性;另外考虑的是不同年龄对不同物品类别的重要程度,如中老年人对护理用品,保健用品来说专业度更高,反而青年用户则更多关注手机,平板属于3C(计算机、通讯、消费类电子产品)类别的物品。
另外,上述滤除过程是为了保证使用的数据更加具有真实性和代表性,该推荐系统实际使用时,还可以添加其他的滤除方式,比如,可以滤除PV(页面浏览量)排序靠前的1%用户,这部分数据大部分为非人为数据,采纳使用的必要性不大;或者可以滤除没有ID(身份识别码)的用户或无法判断来源的用户或者被纳入到购物系统的黑名单系统中的用户等,此处不作具体限定。
本实施例中,利用用户专业度评分方法得到所有购买候选物品的用户在候选物品所属物品类别下的专业度得分后,进一步根据所有购买用户的专业度得分得到候选物品的推荐得分,其中,可以将专业度得分较高的用户作为目标物品分类下的专业用户,根据这些专业用户的专业度得分得到候选物品的推荐得分,上述物品推荐方法在保证评论用户的量的基础上,确保了对物品打分的客观性,使得物品推荐结果更加智能和更加客观。
实施例8
一种电子设备,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,所述处理器执行所述计算机程序时实现实施例7中所述的物品推荐方法。
实施例9
一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现实施例7中所述的物品推荐方法的步骤。
实施例10
一种用户专业度评分系统,如图8所示,所述用户专业度评分系统包括数据获取模块21、目标选取模块22、数据提取模块23和专业度得分获取模块24;
所述数据获取模块21用于获取所有用户的行为数据;
所述目标选取模块22用于任意选取一目标物品类别和一目标用户;
所述数据提取模块23用于从所述行为数据中提取所述目标物品类别下所述目标用户的专业度数据;
所述数据提取模块23还用于从所述行为数据中提取所述目标物品类别下所述所有用户的专业度数据;
所述专业度得分获取模块24用于根据所述目标用户的专业度数据和所述所有用户的专业度数据得到所述目标用户对所述目标物品类别的专业度得分。
需要说明的是,上述的专业度数据可以为用户的购买数据或者用户的评论数据或者可以是用户对物品作出评论后,其他用户对该用户作出的评价。比如点赞数据等。
通过从所有用户的行为数据中提取所有用户对应目标物品类别的专业度数据,再提取出一目标用户的专业度数据,根据上述专业度数据进一步得到目标用户对所述目标物品类别的专业度得分。通过上述方式可以实现对每个用户的专业度进行打分,进一步可以根据专业度得分较高的用户作为目标物品分类下的专业用户,通过这样的方式可以保证比较多的专家数据量,在后续对物品评价的过程中,保证评价结果更加智能和更加客观。
实施例11
本实施例的用户专业度评分系统是在实施例10的基础上进一步改进,所述专业度数据包括用户购买物品的消费数据,如图9所示,所述专业度得分获取模块24包括数据处理模块241和第一计算模块242;
所述数据提取模块23还用于提取所述目标物品类别下所有物品中单价排序靠前的部分物品;
所述数据处理模块241用于根据所述目标用户的消费数据得到所述目标用户购买的所有物品的第一消费额和所述目标用户购买的所述部分物品的第二消费额,还用于根据所述所有用户的消费数据得到所述部分物品的销售总额;
所述第一计算模块242用于根据所述第一消费额、所述第二消费额和所述销售总额计算得到用于表征所述目标用户购买专业度的第一专业度得分,所述专业度得分包括所述第一专业度得分;具体地,可以将所述第二消费额与所述第一消费额的比值和所述第二消费额与所述销售总额的比值求积得到所述第一专业度得分;
本实施例中,遵循价格越高的产品,其用户通常都更为专业且更值得关注,因此提取单价靠前的部分物品进行后续数据处理;
另外,本实施例中还可以将其中没有发生过消费记录的物品滤除掉,具体地,所述数据提取模块23还用于滤除所述目标物品类别下的没有购买记录的物品,并从滤除后的物品中提取单价排序靠前的所述部分物品。
本实施例中,根据目标用户购买物品的消费数据计算得到目标用户对目标物品类别的购买专业度的第一专业度得分,若只考虑目标用户的消费数据来评价目标用户的专业程度,可以将第一专业度得分作为目标用户对所述目标物品类别的专业度得分。
实施例12
本实施例的用户专业度评分系统是在实施例11的基础上进一步改进,如图10所示,所述用户专业度评分系统还包括一标签库243和第二计算模块244,所述标签库243存储有与所述目标物品类别对应的多个标签;
所述第二计算模块244还用于计算所述目标用户的评论数据中属于所述标签库243的标签的数量与所述标签库243中的标签的总数量的第一比值,并根据所述第一比值得到用于表征所述目标用户评论专业度的第二专业度得分,所述专业度得分包括所述第二专业度得分。
本实施例中,根据目标用户评论物品的评论数据计算得到目标用户对目标物品类别的评论专业度的第二专业度得分,若只考虑目标用户的评论数据来评价目标用户的专业程度,可以将第二专业度得分作为目标用户对所述目标物品类别的专业度得分。
实施例13
本实施例的用户专业度评分系统是在实施例12的基础上进一步改进,所述数据处理模块241还用于获取所述目标用户的评论数据被赞同的第一次数和所述所有用户的评论数据被赞同的第二次数;
所述第二计算模块244还用于计算所述第一次数与所述第二次数的第二比值,并根据所述第一比值和所述第二比值计算得到所述第二专业度得分;具体地,可以将所述第一比值和所述第二比值求和或取平均值得到所述第二专业度得分,需要说明的是,此处的计算方式不限于此,也可以通过对第一比值和第二比值赋予不同的权重系数进一步求得第二专业度得分,或者其他可能的计算方式。
本实施例中,除了考虑目标用户的评论数据的专业性,还可以综合考虑目标用户的评论被赞同的数据,进一步得到更加精确的第二专业度得分;
如图11所示,所述用户专业度评分系统还包括第三计算模块245,所述第三计算模块245用于将所述第一专业度得分和所述第二专业度得分求平均值或求积或求和得到总专业度得分,所述专业度得分包括所述总专业度得分。
本实施例中,若同时考虑目标用户的购买数据和评论数据,可以将第一专业度数据和第二专业数据得到总专业度得分,并将总专业度得分作为目标用户对所述目标物品类别的专业度得分。
实施例14
一种物品推荐系统,如图12所示,所述物品推荐系统包括物品选取模块31、物品类别获取模块32、购买用户获取模块33、推荐得分获取模块、物品推荐模块和如实施例10-13中任意一个实施例所述的用户专业度评分系统;
所述物品选取模块31用于选取多个候选物品,所述多个候选物品属于同一个物品类别;
所述物品类别获取模块32用于获取所述多个候选物品的所属物品类别;
所述购买用户获取模块33用于获取每个候选物品的购买用户;
所述用户专业度评分系统用于获取所述购买用户在所述所属物品类别下的专业度得分;
所述推荐得分获取模块用于将每个候选物品下的所有购买用户的专业度得分的平均值作为所述候选物品的推荐得分,或,将每个候选物品下的购买用户的专业度得分排序靠前的部分购买用户的专业度得分之和作为所述候选物品的推荐得分;
所述物品推荐模块用于选取所述推荐得分排序靠前的部分候选物品作为推荐物品。
本实施例中,所述物品推荐系统还包括滤除模块36,所述滤除模块36用于滤除购买所述候选物品的次数大于预设阈值的购买用户,然后调用所述用户专业度评分系统对滤除后的购买用户进行专业度评分;
本实施例中,所述物品推荐系统还包括自然属性获取模块34和自然属性预设模块35;
所述自然属性获取模块34获取每个所述购买用户的自然属性,所述自然属性数据包括年龄和性别;
所述自然属性预设模块35用于为每个所述目标物品预设一自然属性表;
所述滤除模块36还用于将自然属性不在所述自然属性表中的购买用户,然后调用所述用户专业度评分系统对滤除后的购买用户进行专业度评分。
本实施例中,利用用户专业度评分方法得到所有购买候选物品的用户在候选物品所属物品类别下的专业度得分后,进一步根据所有购买用户的专业度得分得到候选物品的推荐得分,其中,可以将专业度得分较高的用户作为目标物品分类下的专业用户,根据这些专业用户的专业度得分得到候选物品的推荐得分,上述物品推荐系统在保证评论用户的量的基础上,确保了对物品打分的客观性,使得物品推荐结果更加智能和更加客观。
虽然以上描述了本发明的具体实施方式,但是本领域的技术人员应当理解,这仅是举例说明,本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下,可以对这些实施方式做出多种变更或修改,但这些变更和修改均落入本发明的保护范围。
Claims (22)
1.一种用户专业度评分方法,其特征在于,所述用户专业度评分方法包括:
获取所有用户的行为数据;
任意选取一目标物品类别和一目标用户;
从所述行为数据中提取所述目标物品类别下所述目标用户的专业度数据;
从所述行为数据中提取所述目标物品类别下所述所有用户的专业度数据;
根据所述目标用户的专业度数据和所述所有用户的专业度数据得到所述目标用户对所述目标物品类别的专业度得分。
2.如权利要求1所述的用户专业度评分方法,其特征在于,所述专业度数据包括用户购买物品的消费数据,所述根据所述目标用户的专业度数据和所述所有用户的专业度数据得到所述目标用户对所述目标物品类别的专业度得分的步骤具体包括:
提取所述目标物品类别下所有物品中单价排序靠前的部分物品;
根据所述目标用户的消费数据得到所述目标用户购买的所有物品的第一消费额和所述目标用户购买的所述部分物品的第二消费额;
根据所述所有用户的消费数据得到所述部分物品的销售总额;
根据所述第一消费额、所述第二消费额和所述销售总额计算得到用于表征所述目标用户购买专业度的第一专业度得分,所述专业度得分包括所述第一专业度得分。
3.如权利要求2所述的用户专业度评分方法,其特征在于,所述提取所述目标物品类别下所有物品中单价排序靠前的部分物的步骤具体包括:
滤除所述目标物品类别下的没有购买记录的物品,从滤除后的物品中提取单价排序靠前的所述部分物品。
4.如权利要求1-3中任意一项所述的用户专业度评分方法,其特征在于,所述专业度数据还包括用户评论物品的评论数据,所述根据所述目标用户的专业度数据和所述所有用户的专业度数据得到所述目标用户对所述目标物品类别的专业度得分的步骤具体包括:
预设一标签库,所述标签库存储有与所述目标物品类别对应的多个标签;
计算所述目标用户的评论数据中属于所述标签库的标签的数量与所述标签库中的标签的总数量的第一比值;
根据所述第一比值得到用于表征所述目标用户评论专业度的第二专业度得分,所述专业度得分包括所述第二专业度得分。
5.如权利要求4所述的用户专业度评分方法,其特征在于,所述根据所述目标用户的专业度数据和所述所有用户的专业度数据得到所述目标用户对所述目标物品类别的专业度得分的步骤具体还包括:
获取所述目标用户的评论数据被赞同的第一次数;
获取所述所有用户的评论数据被赞同的第二次数;
计算所述第一次数与所述第二次数的第二比值;
所述根据所述第一比值得到用于表征所述目标用户评论专业度的第二专业度得分的步骤具体包括:
根据所述第一比值和所述第二比值计算得到所述第二专业度得分。
6.如权利要求5中所述的用户专业度评分方法,其特征在于,当所述专业度数据包括用户购买物品的消费数据和用户评论物品的评论数据时,所述根据所述第一消费额、所述第二消费额和所述销售总额计算得到用于表征所述目标用户购买专业度的第一专业度得分的步骤具体包括:
将所述第二消费额与所述第一消费额的比值和所述第二消费额与所述销售总额的比值求积得到所述第一专业度得分;
所述根据所述第一比值和所述第二比值计算得到所述第二专业度得分的步骤具体包括:
将所述第一比值和所述第二比值求和或取平均值得到所述第二专业度得分;
所述根据所述目标用户的专业度数据和所述所有用户的专业度数据得到所述目标用户对所述目标物品类别的专业度得分的步骤还包括:
将所述第一专业度得分和所述第二专业度得分求平均值或求积或求和得到总专业度得分,所述专业度得分包括所述总专业度得分。
7.一种电子设备,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1-6中任一项所述的用户专业度评分方法。
8.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现权利要求1-6中任一项所述的用户专业度评分方法的步骤。
9.一种物品推荐方法,其特征在于,所述物品推荐方法包括:
选取多个候选物品,所述多个候选物品属于同一个物品类别;
获取所述多个候选物品的所属物品类别;
获取每个候选物品的购买用户;
利用如权利要求1-6中任意一项所述的用户专业度评分方法得到所述购买用户在所述所属物品类别下的专业度得分;
将每个候选物品下的所有购买用户的专业度得分的平均值作为所述候选物品的推荐得分,或,将每个候选物品下的购买用户的专业度得分排序靠前的部分购买用户的专业度得分之和作为所述候选物品的推荐得分;
选取所述推荐得分排序靠前的部分候选物品作为推荐物品。
10.如权利要求9所述的物品推荐方法,其特征在于,所述利用如权利要求1-6中任意一项所述的用户专业度评分方法得到所述购买用户在所述所属物品类别下的专业度得分的步骤还包括:
滤除购买所述候选物品的次数大于预设阈值的购买用户,然后对滤除后的购买用户进行专业度评分。
11.如权利要求9所述的物品推荐方法,其特征在于,所述利用如权利要求1-6中任意一项所述的用户专业度评分方法得到所述购买用户在所述所属物品类别下的专业度得分的步骤还包括:
获取每个所述购买用户的自然属性,所述自然属性数据包括年龄和性别;
为每个所述目标物品预设一自然属性表;
滤除自然属性不在所述自然属性表中的购买用户,然后对滤除后的购买用户进行专业度评分。
12.一种电子设备,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9-11中任一项所述的物品推荐方法。
13.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现权利要求9-11任一项所述的物品推荐方法的步骤。
14.一种用户专业度评分系统,其特征在于,所述用户专业度评分系统包括数据获取模块、目标选取模块、数据提取模块和专业度得分获取模块;
所述数据获取模块用于获取所有用户的行为数据;
所述目标选取模块用于任意选取一目标物品类别和一目标用户;
所述数据提取模块用于从所述行为数据中提取所述目标物品类别下所述目标用户的专业度数据;
所述数据提取模块还用于从所述行为数据中提取所述目标物品类别下所述所有用户的专业度数据;
所述专业度得分获取模块用于根据所述目标用户的专业度数据和所述所有用户的专业度数据得到所述目标用户对所述目标物品类别的专业度得分。
15.如权利要求14所述的用户专业度评分系统,其特征在于,所述专业度数据包括用户购买物品的消费数据,所述专业度得分获取模块包括数据处理模块和第一计算模块;
所述数据提取模块还用于提取所述目标物品类别下所有物品中单价排序靠前的部分物品;
所述数据处理模块用于根据所述目标用户的消费数据得到所述目标用户购买的所有物品的第一消费额和所述目标用户购买的所述部分物品的第二消费额,还用于根据所述所有用户的消费数据得到所述部分物品的销售总额;
所述第一计算模块用于根据所述第一消费额、所述第二消费额和所述销售总额计算得到用于表征所述目标用户购买专业度的第一专业度得分,所述专业度得分包括所述第一专业度得分。
16.如权利要求15所述的用户专业度评分系统,其特征在于,所述数据提取模块还用于滤除所述目标物品类别下的没有购买记录的物品,并从滤除后的物品中提取单价排序靠前的所述部分物品。
17.如权利要求14-16中任意一项所述的用户专业度评分系统,其特征在于,所述用户专业度评分系统还包括一标签库和第二计算模块,所述标签库存储有与所述目标物品类别对应的多个标签;
所述第二计算模块还用于计算所述目标用户的评论数据中属于所述标签库的标签的数量与所述标签库中的标签的总数量的第一比值,并根据所述第一比值得到用于表征所述目标用户评论专业度的第二专业度得分,所述专业度得分包括所述第二专业度得分。
18.如权利要求17所述的用户专业度评分系统,其特征在于,所述数据处理模块还用于获取所述目标用户的评论数据被赞同的第一次数和所述所有用户的评论数据被赞同的第二次数;
所述第二计算模块还用于计算所述第一次数与所述第二次数的第二比值,并根据所述第一比值和所述第二比值计算得到所述第二专业度得分。
19.如权利要求18中所述的用户专业度评分系统,其特征在于,当所述专业度数据包括用户购买物品的消费数据和用户评论物品的评论数据时,所述用户专业度评分系统还包括第三计算模块;
所述第一计算模块用于将所述第二消费额与所述第一消费额的比值和所述第二消费额与所述销售总额的比值求积得到所述第一专业度得分;
所述第二计算模块用于将所述第一比值和所述第二比值求和或取平均值得到所述第二专业度得分;
所述第三计算模块用于将所述第一专业度得分和所述第二专业度得分求平均值或求积或求和得到总专业度得分,所述专业度得分包括所述总专业度得分。
20.一种物品推荐系统,其特征在于,所述物品推荐系统包括物品选取模块、物品类别获取模块、购买用户获取模块、推荐得分获取模块、物品推荐模块和如权利要求14-19中任意一项所述的用户专业度评分系统;
所述物品选取模块用于选取多个候选物品,所述多个候选物品属于同一个物品类别;
所述物品类别获取模块用于获取所述多个候选物品的所属物品类别;
所述购买用户获取模块用于获取每个候选物品的购买用户;
所述用户专业度评分系统用于获取所述购买用户在所述所属物品类别下的专业度得分;
所述推荐得分获取模块用于将每个候选物品下的所有购买用户的专业度得分的平均值作为所述候选物品的推荐得分,或,将每个候选物品下的购买用户的专业度得分排序靠前的部分购买用户的专业度得分之和作为所述候选物品的推荐得分;
所述物品推荐模块用于选取所述推荐得分排序靠前的部分候选物品作为推荐物品。
21.如权利要求20所述的物品推荐系统,其特征在于,所述物品推荐系统还包括滤除模块;
所述滤除模块用于滤除购买所述候选物品的次数大于预设阈值的购买用户,然后调用所述用户专业度评分系统对滤除后的购买用户进行专业度评分。
22.如权利要求21所述的物品推荐系统,其特征在于,所述物品推荐系统还包括自然属性获取模块和自然属性预设模块;
所述自然属性获取模块获取每个所述购买用户的自然属性,所述自然属性数据包括年龄和性别;
所述自然属性预设模块用于为每个所述目标物品预设一自然属性表;
所述滤除模块还用于滤除自然属性不在所述自然属性表中的购买用户,然后调用所述用户专业度评分系统对滤除后的购买用户进行专业度评分。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810509735.5A CN110533495A (zh) | 2018-05-24 | 2018-05-24 | 专业度评分、物品推荐的方法、系统、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810509735.5A CN110533495A (zh) | 2018-05-24 | 2018-05-24 | 专业度评分、物品推荐的方法、系统、设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110533495A true CN110533495A (zh) | 2019-12-03 |
Family
ID=68657392
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810509735.5A Pending CN110533495A (zh) | 2018-05-24 | 2018-05-24 | 专业度评分、物品推荐的方法、系统、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110533495A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111861679A (zh) * | 2020-08-04 | 2020-10-30 | 深圳市创智园知识产权运营有限公司 | 一种基于人工智能的商品推荐方法 |
CN113327145A (zh) * | 2020-02-28 | 2021-08-31 | 北京沃东天骏信息技术有限公司 | 一种物品推荐方法和装置 |
CN113807905A (zh) * | 2020-11-05 | 2021-12-17 | 北京沃东天骏信息技术有限公司 | 物品的推荐方法及装置、计算机存储介质、电子设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7720720B1 (en) * | 2004-08-05 | 2010-05-18 | Versata Development Group, Inc. | System and method for generating effective recommendations |
CN104809635A (zh) * | 2015-05-13 | 2015-07-29 | 苏州市千尺浪信息技术服务有限公司 | 一种互联网动态点评分析方法 |
CN105893350A (zh) * | 2016-03-31 | 2016-08-24 | 重庆大学 | 一种电子商务中文本评论质量的评价方法与系统 |
-
2018
- 2018-05-24 CN CN201810509735.5A patent/CN110533495A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7720720B1 (en) * | 2004-08-05 | 2010-05-18 | Versata Development Group, Inc. | System and method for generating effective recommendations |
CN104809635A (zh) * | 2015-05-13 | 2015-07-29 | 苏州市千尺浪信息技术服务有限公司 | 一种互联网动态点评分析方法 |
CN105893350A (zh) * | 2016-03-31 | 2016-08-24 | 重庆大学 | 一种电子商务中文本评论质量的评价方法与系统 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113327145A (zh) * | 2020-02-28 | 2021-08-31 | 北京沃东天骏信息技术有限公司 | 一种物品推荐方法和装置 |
CN111861679A (zh) * | 2020-08-04 | 2020-10-30 | 深圳市创智园知识产权运营有限公司 | 一种基于人工智能的商品推荐方法 |
CN113807905A (zh) * | 2020-11-05 | 2021-12-17 | 北京沃东天骏信息技术有限公司 | 物品的推荐方法及装置、计算机存储介质、电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107220845A (zh) | 用户复购概率预测/用户质量确定方法、装置及电子设备 | |
CN110533495A (zh) | 专业度评分、物品推荐的方法、系统、设备和存储介质 | |
CN109903111A (zh) | 用于个性化推荐的排序方法,排序模型训练方法和排序系统 | |
CN106485559A (zh) | 针对网店的作弊识别方法及装置 | |
CN108280674A (zh) | 一种利用大数据进行二手车估值的方法及系统 | |
CN110766428A (zh) | 一种数据价值评估系统以及方法 | |
CN112288517A (zh) | 结合rpa与ai的商品推荐方法和装置 | |
CN110570233A (zh) | 用于电商平台的用户回购时间预测方法及装置 | |
CN106920119A (zh) | 一种用户价值的评价方法及装置 | |
CN115391669B (zh) | 一种智能推荐方法、装置、电子设备 | |
CN111192087A (zh) | 蔬果价格管理方法、服务器、终端和计算机可读存储介质 | |
CN112232880A (zh) | 结合rpa与ai的商品推荐方法和装置 | |
CN107437195A (zh) | 向用户推荐商品的方法和装置 | |
CN110751537A (zh) | 一种基于线上线下的智能营销方法和装置 | |
CN110517103A (zh) | 一种基于用户收藏的商品推荐方法及系统 | |
CN109325816A (zh) | 门店场景下的推荐方法以及装置 | |
CN110659926A (zh) | 一种数据价值评估系统以及方法 | |
CN113689259A (zh) | 基于用户行为的商品个性化推荐方法及系统 | |
CN103903148A (zh) | C2c系统、b2c系统及其使用方法 | |
CN110992141A (zh) | 基于识别商品图像推荐商品的方法、装置和电子设备 | |
CN108399545B (zh) | 电子商务平台质量检测方法和装置 | |
JP2020160710A (ja) | データ処理装置及びデータ処理方法 | |
CN113393245A (zh) | 基于电商运营数据识别刷单店铺的预警方法及系统 | |
CN112837132A (zh) | 反映商品价格信息是否符合标准的方法、装置及终端 | |
US7818218B2 (en) | Systems and methods for providing community based catalogs and/or community based on-line services |
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 |