CN110570279A - 一种基于用户实时行为的策略化推荐方法及装置 - Google Patents

一种基于用户实时行为的策略化推荐方法及装置 Download PDF

Info

Publication number
CN110570279A
CN110570279A CN201910829741.3A CN201910829741A CN110570279A CN 110570279 A CN110570279 A CN 110570279A CN 201910829741 A CN201910829741 A CN 201910829741A CN 110570279 A CN110570279 A CN 110570279A
Authority
CN
China
Prior art keywords
time
user
real
data
feature vector
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
Application number
CN201910829741.3A
Other languages
English (en)
Inventor
张发恩
冯元
周鹏程
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Innovation Qizhi Technology Co Ltd
Original Assignee
Shenzhen Innovation Qizhi Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Innovation Qizhi Technology Co Ltd filed Critical Shenzhen Innovation Qizhi Technology Co Ltd
Priority to CN201910829741.3A priority Critical patent/CN110570279A/zh
Publication of CN110570279A publication Critical patent/CN110570279A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种基于用户实时行为的策略化推荐方法及装置，方法为利用用户本次访问电商平台的实时数据，通过模型配置库中的时间序列模型，结合该用户现有的画像特征，预测用户本次登陆电商平台的购买意图，并作为实时特征更新到用户的现有画像特征中，进行相关产品推荐。本方法用以发掘用户本次的真实购买意图，进而推荐相关产品，从而提升转化率和用户购物体验。

Description

一种基于用户实时行为的策略化推荐方法及装置
技术领域
本专利申请属于电商购物技术领域，更具体地说，是涉及一种基于用户实时行为的策略化推荐方法及装置。
背景技术
现有的大数据下的电商用户个性化推荐流程大致如下：首先根据用户历史行为建立用户画像；然后根据用户画像特征和对应的个性化推荐模型，从海量商品中获取与所述用户画像特征匹配的商品数据集进行推荐。
现有技术主要根据过去一段时间的用户行为等信息构造用户画像特征进行个性化推荐，难以充分挖掘用户当前浏览电商平台的购买意图，用户的实时意图难以发掘，无法实施策略化推荐作业。
发明内容
本发明需要解决的技术问题是提供一种基于用户实时行为的策略化推荐方法及装置，可以发掘本次浏览、查看等事件的时序数据，发掘用户本次的真实购买意图，推荐相关产品，提升转化率，提升用户购物体验。
为了解决上述问题，本发明所采用的技术方案是：
一种基于用户实时行为的策略化推荐方法，过程为：利用用户本次访问电商平台的实时数据，通过模型配置库中的时间序列模型，结合该用户现有的画像特征，预测用户本次登陆电商平台的购买意图，并作为实时特征更新到用户的现有画像特征中，进行相关产品推荐。
本发明技术方案的进一步改进在于：用户本次访问电商平台的实时数据包括cookies数据和缓存数据，实时数据以一个会话周期为单位，获取用户最近一个会话周期内的行为事件序列，行为事件序列表示为pid_i_event_j，其中i是商品product的编号，j是对事件event的编码。(比如{“浏览”:1,“购买”:2}，比如pid_0_event_0，pid_1_event_0，pid_2_event_0，pid_0_event_1，以此类推。)
本发明技术方案的进一步改进在于：时间序列模型包括LSTM算法或RNN算法或对上述二个算法的结果进行合并输出；这个地方的结合属于模型结果的融合，即LSTM给出一个结果，RNN给出一个结果，将这两个结果合并在一起作为输出。
时间序列模型的输入，是一个由多个多元组构成的数组X，每一个多元组表示一条记录，因此每一条记录用多元组表示为：<user_id,product_id,time,scene_id,event_id>，其中event_id与行为事件序列对应；
时间序列模型的输出为用户下一个发生的行为事件的预测Y，其中Y是一个和X维度相同的向量，因此可以把Y作为当前用户的实时购物意图特征向量，补充到推荐系统中的排序模型里，即：
新的特征向量＝旧的特征向量+通过实时数据和时间序列模型生成的实时购物意图的特征向量。
一种基于用户实时行为的策略化推荐装置，包括与用户请求通信连接的数据实时处理/更新模块、与数据实时处理/更新模块通信连接的时间序列模型配置模块和用户画像特征数据库、与时间序列模型配置模块连接的推荐结果输出模块，时间序列模型配置模块和用户画像特征数据库也通信连接。
本发明技术方案的进一步改进在于：数据实时处理/更新模块的过程为：
1)基于kafka或其他实时消息系统获得用户的实时行为事件；
2)通过用户近期的实时行为序列数据，通过LSTM模型获得表征用户近期购买意图的特征向量；
3)将该特征向量与现有技术广泛提取的用户画像的特征向量拼接在一起，作为描述用户的特征向量。
本发明技术方案的进一步改进在于：时间序列模型配置模块的算法为LSTM算法或RNN算法或GRU算法。
由于采用了上述技术方案，本发明取得的有益效果是：充分利用了用户本次访问电商平台的实时数据，如cookies、缓存数据等，使用不同算法组合(LSTM、RNN等)发掘本次浏览、查看等事件的时序数据，发掘用户本次的真实购买意图，推荐相关产品，发掘用户此次的购买意图，可以有效提升用户的购物体验，提升推荐的效果，提升推荐转换率。通过发掘用户本次在电商平台的行为数据进行推荐，更接近用户本次登陆电商平台的购买意图，推荐结果有更高实时性，提升了推荐效果及用户体验。
附图说明
图1为本发明的流程示意图。
具体实施方式
下面结合实施例对本发明做进一步详细说明。
本发明公开了一种基于用户实时行为的策略化推荐方法，过程为，利用用户本次访问电商平台的实时数据，通过模型配置库中的时间序列模型，结合该用户现有的画像特征，预测用户本次登陆电商平台的购买意图，并作为实时特征更新到用户的现有画像特征中，进行相关产品推荐。
用户本次访问电商平台的实时数据包括cookies数据和缓存数据，实时数据以一个会话周期为单位，获取用户最近一个会话周期内的行为事件序列，行为事件序列表示为pid_i_event_j，其中i是商品product的编号，j是对事件event的编码。比如{“浏览”:1,“购买”:2}，比如pid_0_event_0，pid_1_event_0，pid_2_event_0，pid_0_event_1，以此类推。
时间序列模型包括LSTM算法或RNN算法或对上述二个算法的结果进行合并输出；这个地方的结合属于模型结果的融合，即LSTM给出一个结果，RNN给出一个结果，将这两个结果合并在一起作为输出。
时间序列模型的输入，是一个由多个多元组构成的数组X，每一个多元组表示一条记录，因此每一条记录用多元组表示为：<user_id,product_id,time,scene_id,event_id>，其中event_id与行为事件序列对应；
时间序列模型的输出为用户下一个发生的行为事件的预测Y，其中Y是一个和X维度相同的向量，因此可以把Y作为当前用户的实时购物意图特征向量，补充到推荐系统中的排序模型里，即：
新的特征向量＝旧的特征向量+通过实时数据和时间序列模型生成的实时购物意图的特征向量。
一种基于用户实时行为的策略化推荐装置，包括与用户请求通信连接的数据实时处理/更新模块、与数据实时处理/更新模块通信连接的时间序列模型配置模块和用户画像特征数据库、与时间序列模型配置模块连接的推荐结果输出模块，时间序列模型配置模块和用户画像特征数据库也通信连接。
数据实时处理/更新模块的过程为：
1)基于kafka或其他实时消息系统获得用户的实时行为事件；
2)通过用户近期的实时行为序列数据，通过LSTM模型获得表征用户近期购买意图的特征向量；
3)将该特征向量与现有技术广泛提取的用户画像的特征向量拼接在一起，作为描述用户的特征向量。
时间序列模型配置模块的算法为LSTM算法或RNN算法或GRU算法。
如图1所示，利用用户本次访问电商平台的实时数据，如cookies、缓存数据等，使用不同算法组合(LSTM、RNN等)去预测用户本次的真实购买意图。
举例参考：在t时刻，用户user_0在场景scene_0下，发生了一次行为事件event_0，目前的推荐方案中，往往使用用户历史数据生成的用户画像，去反应一个人的购物偏好，然而这种购物偏好是长期的，而用户的购买意图是实时变化的(如最近刚买了手机，现在需要买手机壳)，这种信息无法通过历史数据获得，但是通过用户的cookies内的数据，可以获得用户最近一个session内的行为事件序列，如pid_0_event_0,pid_1_event_0,pid_2_event_0,pid_0_event_1,···
可以通过这种用户最近发生的行为事件序列，通过LSTM等循环神经网络模型预测用户对哪个商品发生何种行为，从而构造出用户的实时购物意图，作为实时特征加入到排序模型中。
时间序列的模型可以接受这种不定长的序列，如LSTM,RNN等，假设一条记录可以用一个多元组表示，<user_id,product_id,time,scene_id,event_id>,
则模型的输入，是一个由多个多元组构成的数组X，输入到训练好的神经网络模型中，可以获得用户下一个发生的行为事件的预测Y，其中Y是一个和X维度相同的向量，我们可以把Y作为当前用户的实时购物意图特征向量，补充到推荐系统中的排序模型里，即：
新的特征向量＝旧的特征向量+通过cookie数据和时间序列模型生成的实时购买意图的特征向量。

Claims (6)

1.一种基于用户实时行为的策略化推荐方法，其特征在于：利用用户本次访问电商平台的实时数据，通过模型配置库中的时间序列模型，结合该用户现有的画像特征，预测用户本次登陆电商平台的购买意图，并作为实时特征更新到用户的现有画像特征中，进行相关产品推荐。
2.根据权利要求1所述的一种基于用户实时行为的策略化推荐方法，其特征在于：用户本次访问电商平台的实时数据包括cookies数据和缓存数据，实时数据以一个会话周期为单位，获取用户最近一个会话周期内的行为事件序列，行为事件序列表示为pid_i_event_j，其中i是商品product的编号，j是对事件event的编码。
3.根据权利要求2所述的一种基于用户实时行为的策略化推荐方法，其特征在于：时间序列模型包括LSTM算法或RNN算法或对上述二个算法的结果进行合并输出；
时间序列模型的输入，是一个由多个多元组构成的数组X，每一个多元组表示一条记录，因此每一条记录用多元组表示为：<user_id,product_id,time,scene_id,event_id>，其中event_id与行为事件序列对应；
时间序列模型的输出为用户下一个发生的行为事件的预测Y，其中Y是一个和X维度相同的向量，因此可以把Y作为当前用户的实时购物意图特征向量，补充到推荐系统中的排序模型里，即：
新的特征向量＝旧的特征向量+通过实时数据和时间序列模型生成的实时购物意图的特征向量。
4.一种基于用户实时行为的策略化推荐装置，其特征在于：包括与用户请求通信连接的数据实时处理/更新模块、与数据实时处理/更新模块通信连接的时间序列模型配置模块和用户画像特征数据库、与时间序列模型配置模块连接的推荐结果输出模块，时间序列模型配置模块和用户画像特征数据库也通信连接。
5.根据权利要求4所述的一种基于用户实时行为的策略化推荐装置，其特征在于：数据实时处理/更新模块的过程为：
1)基于kafka或其他实时消息系统获得用户的实时行为事件；
2)通过用户近期的实时行为序列数据，通过LSTM模型获得表征用户近期购买意图的特征向量；
3)将该特征向量与现有技术广泛提取的用户画像的特征向量拼接在一起，作为描述用户的特征向量。
6.根据权利要求5所述的一种基于用户实时行为的策略化推荐装置，其特征在于：时间序列模型配置模块的算法为LSTM算法或RNN算法或GRU算法。
CN201910829741.3A 2019-09-04 2019-09-04 一种基于用户实时行为的策略化推荐方法及装置 Pending CN110570279A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910829741.3A CN110570279A (zh) 2019-09-04 2019-09-04 一种基于用户实时行为的策略化推荐方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910829741.3A CN110570279A (zh) 2019-09-04 2019-09-04 一种基于用户实时行为的策略化推荐方法及装置

Publications (1)

Publication Number Publication Date
CN110570279A true CN110570279A (zh) 2019-12-13

Family

ID=68777491

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910829741.3A Pending CN110570279A (zh) 2019-09-04 2019-09-04 一种基于用户实时行为的策略化推荐方法及装置

Country Status (1)

Country Link
CN (1) CN110570279A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111127152A (zh) * 2019-12-23 2020-05-08 深圳市赛维网络科技有限公司 基于用户偏好预测的商品推荐方法、装置、设备及可读介质
CN111161021A (zh) * 2019-12-23 2020-05-15 叮当快药科技集团有限公司 基于实时特征的推荐商品的快速二次排序方法和工具
CN111476643A (zh) * 2020-04-15 2020-07-31 创新奇智(重庆)科技有限公司 兴趣商品预测方法、装置、电子设备及计算机存储介质
CN111782959A (zh) * 2020-07-20 2020-10-16 深圳市欢太科技有限公司 用户画像更新方法、装置、计算机设备及存储介质
CN112256961A (zh) * 2020-10-19 2021-01-22 平安科技（深圳）有限公司 用户画像生成方法、装置、设备及介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170083965A1 (en) * 2014-06-10 2017-03-23 Huawei Technologies Co., Ltd. Item Recommendation Method and Apparatus
CN107516235A (zh) * 2016-06-17 2017-12-26 阿里巴巴集团控股有限公司 商品偏好预估方法和装置
CN109670104A (zh) * 2018-11-12 2019-04-23 深圳壹账通智能科技有限公司 基于机器学习的信息推送方法、设备、装置及存储介质
CN110046642A (zh) * 2019-01-23 2019-07-23 阿里巴巴集团控股有限公司 计算机执行的用户意图预测方法、装置及设备

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170083965A1 (en) * 2014-06-10 2017-03-23 Huawei Technologies Co., Ltd. Item Recommendation Method and Apparatus
CN107516235A (zh) * 2016-06-17 2017-12-26 阿里巴巴集团控股有限公司 商品偏好预估方法和装置
CN109670104A (zh) * 2018-11-12 2019-04-23 深圳壹账通智能科技有限公司 基于机器学习的信息推送方法、设备、装置及存储介质
CN110046642A (zh) * 2019-01-23 2019-07-23 阿里巴巴集团控股有限公司 计算机执行的用户意图预测方法、装置及设备

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111127152A (zh) * 2019-12-23 2020-05-08 深圳市赛维网络科技有限公司 基于用户偏好预测的商品推荐方法、装置、设备及可读介质
CN111161021A (zh) * 2019-12-23 2020-05-15 叮当快药科技集团有限公司 基于实时特征的推荐商品的快速二次排序方法和工具
CN111161021B (zh) * 2019-12-23 2021-10-08 叮当快药科技集团有限公司 基于实时特征的推荐商品的快速二次排序方法
CN111476643A (zh) * 2020-04-15 2020-07-31 创新奇智(重庆)科技有限公司 兴趣商品预测方法、装置、电子设备及计算机存储介质
CN111782959A (zh) * 2020-07-20 2020-10-16 深圳市欢太科技有限公司 用户画像更新方法、装置、计算机设备及存储介质
CN111782959B (zh) * 2020-07-20 2023-07-14 深圳市与飞科技有限公司 用户画像更新方法、装置、计算机设备及存储介质
CN112256961A (zh) * 2020-10-19 2021-01-22 平安科技（深圳）有限公司 用户画像生成方法、装置、设备及介质
CN112256961B (zh) * 2020-10-19 2024-04-09 平安科技（深圳）有限公司 用户画像生成方法、装置、设备及介质

Similar Documents

Publication Publication Date Title
CN110570279A (zh) 一种基于用户实时行为的策略化推荐方法及装置
EP2880553B1 (en) Uniquely identifying a network-connected entity
EP4242955A1 (en) User profile-based object recommendation method and device
CN110851699A (zh) 基于深度强化学习的信息流推荐方法、装置、设备及介质
CN112613602A (zh) 基于知识感知超图神经网络的推荐方法及系统
US20090077081A1 (en) Attribute-Based Item Similarity Using Collaborative Filtering Techniques
US10552863B1 (en) Machine learning approach for causal effect estimation
CN104992348B (zh) 一种信息展示的方法和装置
CN113077276A (zh) 行为数据的处理方法和系统、存储介质及处理器
CN112528164B (zh) 一种用户协同过滤召回方法及装置
US20220385739A1 (en) Method and apparatus for generating prediction information, electronic device, and computer readable medium
WO2023142520A1 (zh) 信息推荐方法及装置
CN111159570A (zh) 一种信息推荐方法及服务器
CN113837794A (zh) 基于时空图卷积网络的连锁零售门店销售预测方法
CN116629937A (zh) 营销策略推荐方法及装置
Ji et al. Multi-range gated graph neural network for telecommunication fraud detection
CN112801803B (zh) 一种理财产品推荐方法和装置
CN113610610A (zh) 基于图神经网络和评论相似度的会话推荐方法和系统
CN112950321A (zh) 一种物品推荐方法和装置
CN111461826A (zh) 信息推送方法和装置、存储介质和电子装置
CN114429384B (zh) 基于电商平台的产品智能推荐方法及系统
CN115601047A (zh) 数据处理方法以及装置
US10789548B1 (en) Automatic re-training of offline machine learning models
CN113034231A (zh) 一种基于SaaS云服务的多供应链商品智能推荐系统及方法
CN113378043A (zh) 用户筛选的方法和装置

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20191213

RJ01 Rejection of invention patent application after publication