CN110598094A - 基于矩阵补全的购物推荐方法、电子设备及存储介质 - Google Patents

基于矩阵补全的购物推荐方法、电子设备及存储介质 Download PDF

Info

Publication number
CN110598094A
CN110598094A CN201910783816.9A CN201910783816A CN110598094A CN 110598094 A CN110598094 A CN 110598094A CN 201910783816 A CN201910783816 A CN 201910783816A CN 110598094 A CN110598094 A CN 110598094A
Authority
CN
China
Prior art keywords
matrix
store
completion
customer
scoring
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
CN201910783816.9A
Other languages
English (en)
Inventor
张晨静
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.)
Zhuo Erzhi Lian Wuhan Research Institute Co Ltd
Original Assignee
Zhuo Erzhi Lian Wuhan Research Institute 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 Zhuo Erzhi Lian Wuhan Research Institute Co Ltd filed Critical Zhuo Erzhi Lian Wuhan Research Institute Co Ltd
Priority to CN201910783816.9A priority Critical patent/CN110598094A/zh
Publication of CN110598094A publication Critical patent/CN110598094A/zh
Pending legal-status Critical Current

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

Abstract

本发明涉及一种基于矩阵补全的购物推荐方法、电子设备及存储介质。所述方法包括：获取客户与商店相关联的评分矩阵：获取多个所述商店的特征向量；根据获取的所述商店的特征向量计算出所述商店间的相关性；根据所述评分矩阵与所述商店间的相关性计算得到所述评分矩阵的评分补全矩阵；及根据所述评分补全矩阵将所述商店推荐给所述客户。本发明能够深入挖掘客户兴趣，根据客户的兴趣和购物记录，对客户进行个性化推荐，显著提高了购物推荐的合理性，使购物推荐更为精准。

Description

基于矩阵补全的购物推荐方法、电子设备及存储介质
技术领域
本发明涉及购物推荐领域，具体涉及一种基于矩阵补全的购物推荐方法、电子设备及存储介质。
背景技术
随着物质生活和精神文明的进步，人们的购物需求快速增长，中国各个城市商场数量也在不断增加。为了方便吸引消费者在不同的商店进行购物，提高收益率，商场会主动向消费者进行商店购物推荐。此外，随着人工智能技术的发展，通过综合消费者信息和商场信息库，通过智能推荐技术提供更适合需求和偏好的商店和商品，可以极大的提升了购物推荐过程的效率和体验。然而，现有的购物推荐方法一般只能对客户进行已有购物历史的商店推荐，不能根据客户的历史购物记录，为客户推荐新的可能感兴趣的商店，并针对性地提供个性化商店推荐。
发明内容
鉴于以上内容，有必要提出一种基于矩阵补全的购物推荐方法、电子设备及存储介质，得到补全的评分矩阵，并根据评分矩阵计算未评分商店的预测评分，进而将评分高的商店推荐给客户。
本申请的第一方面提供一种基于矩阵补全的购物推荐方法，所述方法包括：
获取客户与商店相关联的评分矩阵：
获取多个所述商店的特征向量；
根据获取的所述商店的特征向量计算出所述商店间的相关性；
根据所述评分矩阵与所述商店间的相关性计算得到所述评分矩阵的评分补全矩阵；及
根据所述评分补全矩阵将所述商店推荐给所述客户。
优选地，所述根据获取的所述商店的特征向量计算出所述商店间的相关性包括：
根据公式计算出所述商店间的相关性，其中，sim(fi,fj)为第i个商店和第j个商店之间的相关性，d(fi,fj)＝||fi-fj||2，fi为第i个商店的特征向量，fj为第j个商店的特征向量。
优选地，所述根据所述评分矩阵与所述商店间的相关性计算得到所述评分矩阵的评分补全矩阵包括：
通过对目标函数采用迭代求解得到所述评分矩阵的补全矩阵，其中，X为评分补全矩阵，PD：Rm×n→Rm×n为投影算子，||·||F是矩阵的F范数，||·||*是矩阵的核范数；λ，μ是正则化参数；Xli和Xlj分别为评分矩阵中客户l对第i个商店和第j个商店的评价分值，在时刻t0,t1,…,tk，对应的所述评分矩阵分别是S0，S1，…，Sk，与所述评分矩阵相应的评分值的指标集分别是D0，D1，…，Dk，其中在第k个时刻tk新出现的评分值的指标是Dk-Dk-1，表示时刻tk新出现的评分值对应的商店的指标集。
优选地，所述获取客户与商店相关联的评分矩阵包括：
根据所述客户的历史购物记录信息及所述商店的信息，得到所述客户与所述商店相关联的所述评分矩阵，所述评分矩阵为其中，所述评分矩阵中的评分值对应的指标集为其中sij表示客户i对商店j的评分，n,m分别表示所述商店的个数和客户数。
优选地，所述方法还包括：
所述客户对所述商店的评分值通过购物频次计算。
优选地，所述获取所述商店的特征向量包括：
根据所述商店的特征属性计算得到所述商店的特征向量。
优选地，所述商店的特征属性包括商品的品类、商品的质量、商品所针对的人群、所针对人群的消费水平等级及/或商品的活动频次。
优选地，所述根据所述评分补全矩阵将所述商店推荐给所述客户包括：
根据所述评分矩阵将评分高的商店推荐给所述客户。
本申请的第二方面提供一种电子设备，所述电子设备包括处理器，所述处理器用于执行存储器中存储的计算机程序时实现所述基于矩阵补全的购物推荐方法。
本申请的第三方面提供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：所述计算机程序被处理器执行时实现所述基于矩阵补全的购物推荐方法。
本发明获取客户与商店的评分矩阵及商店的相似度，通过对构造的目标函数迭代求解，得到所述评分矩阵的评分补全矩阵，并通过所述评分补全矩阵来计算未评分商店的预测评分，进而对客户进行商店推荐。本发明能够深入挖掘客户兴趣，根据客户的兴趣和购物记录，对客户进行个性化推荐，显著提高了购物推荐的合理性，使购物推荐更为精准。
附图说明
图1为本发明一实施方式中基于矩阵补全的购物推荐方法的流程图。
图2为本发明一实施方式中购物推荐装置的结构图。
图3为本发明一实施方式中电子设备的示意图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施例对本发明进行详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，所描述的实施例仅仅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做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。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。
优选地，本发明基于矩阵补全的购物推荐方法应用在一个或者多个电子设备中。所述电子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 SpecificIntegrated 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。
所述电子设备可以是桌上型计算机、笔记本电脑、平板电脑及云端服务器等计算设备。所述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。
实施例1
图1是本发明一实施方式中基于矩阵补全的购物推荐方法的流程图。根据不同的需求，所述流程图中步骤的顺序可以改变，某些步骤可以省略。
参阅图1所示，所述基于矩阵补全的购物推荐方法具体包括以下步骤：
步骤S11，获取客户与商店相关联的评分矩阵。
本实施方式中，根据客户的历史购物记录信息及所述商店的信息，得到客户与商店相关联的所述评分矩阵。本实施方式中，可以在一购物平台上根据不同客户的历史购物记录及所述商店的信息，得到客户与商店的评分矩阵。其中，所述购物平台可以为京东、淘宝、天猫、拼多多等平台。
本实施方式中，所述评分矩阵为其中，评分矩阵中的评分值对应的指标集为其中sij表示客户i对商店j的评分，n,m分别表示商店个数和客户数。本实施方式中，客户对商店的评分通过购物频次计算，例如，当客户i没有在商店j进行购物，则sij＝0。
本实施方式中，考虑到客户购物频次的变化，设在时刻t0,t1,…,tk，评分矩阵分别是S0，S1，…，Sk，与所述评分矩阵相应的评分值的指标集分别是D0，D1，…，Dk，其中则第k个时刻tk新出现的评分值的指标是Dk-Dk-1，用表示时刻tk新出现的评分值对应的商店的指标集。
步骤S12，获取多个所述商店的特征向量。
本实施方式中，所述获取所述商店的特征向量包括：根据商店的特征属性计算得到商店的特征向量。本实施方式中，所述商店的特征属性包括，但不限为商品的品类、商品的质量、商品所针对的人群、所针对人群的消费水平等级、商品的活动频次等。本实施方式中，将第i个商店的特征向量记为fi，将第j个商店的特征向量记为fj。
步骤S13，根据获取的所述商店的特征向量计算出所述商店间的相关性。
本实施方式中，根据公式计算出所述商店间的相关性，其中，sim(fi,fj)为第i个商店和第j个商店之间的相关性，d(fi,fj)＝||fi-fj||2。本实施方式中，sim(fi,fj)越大，表示第i个商店和第j个商店之间的相关性越强。
步骤S14，根据所述评分矩阵与所述商店间的相关性计算得到所述评分矩阵的评分补全矩阵。
本实施方式中，通过对目标函数采用迭代求解得到所述评分矩阵的补全矩阵，其中，X为评分补全矩阵，PD：Rm×n→Rm×n为投影算子，||·||F是矩阵的F范数，||·||*是矩阵的核范数；λ，μ是正则化参数；Xli和Xlj分别为评分矩阵中客户l对第i个商店和第j个商店的评价分值。
本实施方式中，通过迭代求解所述目标函数，得到在评分矩阵为的评分补全矩阵X。本实施方式中，可以使用上一个时刻计算得到的评分补全矩阵Xk-1为初始值对所述目标函数开始进行迭代计算。
步骤S15，根据所述评分补全矩阵将所述商店推荐给所述客户。
本实施方式中，所述根据所述补全矩阵将所述商店推荐给所述客户包括：根据所述评分矩阵，将评分高的商店推荐给所述客户。本实施方式中，所述评分补全矩阵为针对所述商店的购物次数的评分矩阵，所述商店的购物次数越多，所述商店在所述评分补全矩阵中的评分越高，可以将购物次数多的商店推荐给所述客户。
本发明根据客户信息和商店信息，得到客户与商店的评分矩阵及商店的相似度，通过对构造的目标函数迭代求解，得到所述评分矩阵的评分补全矩阵，并通过所述评分补全矩阵来计算未评分商店的预测评分，进而对客户进行商店推荐。本发明能够深入挖掘客户兴趣，根据客户的兴趣和购物记录，对客户进行个性化推荐，显著提高了购物推荐的合理性，使购物推荐更为精准。
实施例2
图2为本发明一实施方式中购物推荐装置20的结构图。
在一些实施例中，所述购物推荐装置20运行于电子设备中。所述购物推荐装置20可以包括多个由程序代码段所组成的功能模块。所述购物推荐装置20中的各个程序段的程序代码可以存储于存储器中，并由至少一个处理器所执行，以执行购物推荐的功能。
本实施例中，所述购物推荐装置20根据其所执行的功能，可以被划分为多个功能模块。参阅图2所示，所述购物推荐装置20可以包括评分矩阵获取模块201、特征向量获取模块202、商店相关性计算模块203、补全矩阵计算模块204及推荐模块205。本发明所称的模块是指一种能够被至少一个处理器所执行并且能够完成固定功能的一系列计算机程序段，其存储在存储器中。所述在一些实施例中，关于各模块的功能将在后续的实施例中详述。
所述评分矩阵获取模块201获取客户与商店相关联的评分矩阵。
本实施方式中，所述评分矩阵获取模块201根据客户的历史购物记录信息及所述商店的信息，得到客户与商店相关联的所述评分矩阵。本实施方式中，所述评分矩阵获取模块201在一购物平台上根据不同客户的历史购物记录及所述商店的信息，得到客户与商店的评分矩阵。其中，所述购物平台可以为京东、淘宝、天猫、拼多多等平台。
本实施方式中，所述评分矩阵为其中，评分矩阵中的评分值对应的指标集为其中sij表示客户i对商店j的评分，n,m分别表示商店个数和客户数。本实施方式中，客户对商店的评分通过购物频次计算，例如，当客户i没有在商店j进行购物，则sij＝0。
本实施方式中，考虑到客户购物频次的变化，设在时刻t0,t1,…,tk，评分矩阵分别是S0，S1，…，Sk，与所述评分矩阵相应的评分值的指标集分别是D0，D1，…，Dk，其中则第k个时刻tk新出现的评分值的指标是Dk-Dk-1，用表示时刻tk新出现的评分值对应的商店的指标集。
所述特征向量获取模块202获取多个所述商店的特征向量。
本实施方式中，所述特征向量获取模块202获取所述商店的特征向量包括：根据商店的特征属性计算得到商店的特征向量。本实施方式中，所述商店的特征属性包括，但不限为商品的品类、商品的质量、商品所针对的人群、所针对人群的消费水平等级、商品的活动频次等。本实施方式中，将第i个商店的特征向量记为fi，将第j个商店的特征向量记为fj。
所述商店相关性计算模块203根据获取的所述商店的特征向量计算出所述商店间的相关性。
本实施方式中，所述商店相关性计算模块203根据公式计算出所述商店间的相关性，其中，sim(fi,fj)为第i个商店和第j个商店之间的相关性，d(fi,fj)＝||fi-fj||2。本实施方式中，sim(fi,fj)越大，表示第i个商店和第j个商店之间的相关性越强。
所述补全矩阵计算模块204根据所述评分矩阵与所述商店间的相关性计算得到所述评分矩阵的评分补全矩阵。
本实施方式中，所述补全矩阵计算模块204通过对目标函数采用迭代求解得到所述评分矩阵的补全矩阵，其中，X为评分补全矩阵，PD：Rm×n→Rm×n为投影算子，||·||F是矩阵的F范数，||·||*是矩阵的核范数；λ，μ是正则化参数；Xli和Xlj分别为评分矩阵中客户l对第i个商店和第j个商店的评价分值。
本实施方式中，通过迭代求解所述目标函数，得到在评分矩阵为的评分补全矩阵X。本实施方式中，可以使用上一个时刻计算得到的评分补全矩阵Xk-1为初始值对所述目标函数开始进行迭代计算。
所述推荐模块205根据所述评分补全矩阵将所述商店推荐给所述客户。
本实施方式中，所述推荐模块205根据所述补全矩阵将所述商店推荐给所述客户包括：根据所述评分矩阵，将评分高的商店推荐给所述客户。本实施方式中，所述评分补全矩阵为针对所述商店的购物次数的评分矩阵，所述商店的购物次数越多，所述商店在所述评分补全矩阵中的评分越高，可以将购物次数多的商店推荐给所述客户。
本发明根据客户信息和商店信息，得到客户与商店的评分矩阵及商店的相似度，通过对构造的目标函数迭代求解，得到所述评分矩阵的评分补全矩阵，并通过所述评分补全矩阵来计算未评分商店的预测评分，进而对客户进行商店推荐。本发明能够深入挖掘客户兴趣，根据客户的兴趣和购物记录，对客户进行个性化推荐，显著提高了购物推荐的合理性，使购物推荐更为精准。
实施例3
图3为本发明一实施方式中电子设备6的示意图。
所述电子设备6包括存储器61、处理器62以及存储在所述存储器61中并可在所述处理器62上运行的计算机程序63。所述处理器62执行所述计算机程序63时实现上述基于矩阵补全的购物推荐方法实施例中的步骤，例如图1所示的步骤S11～S15。或者，所述处理器62执行所述计算机程序63时实现上述购物推荐装置实施例中各模块/单元的功能，例如图2中的模块201～205。
示例性的，所述计算机程序63可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器61中，并由所述处理器62执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，所述指令段用于描述所述计算机程序63在所述电子设备6中的执行过程。例如，所述计算机程序63可以被分割成图2中的评分矩阵获取模块201、特征向量获取模块202、商店相关性计算模块203、补全矩阵计算模块204及推荐模块205，各模块具体功能参见实施例2。
本实施方式中，所述电子设备6可以是桌上型计算机、笔记本、掌上电脑及云端终端装置等计算设备。本领域技术人员可以理解，所述示意图仅仅是电子设备6的示例，并不构成对电子设备6的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述电子设备6还可以包括输入输出设备、网络接入设备、总线等。
所称处理器62可以是中央处理模块(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者所述处理器62也可以是任何常规的处理器等，所述处理器62是所述电子设备6的控制中心，利用各种接口和线路连接整个电子设备6的各个部分。
所述存储器61可用于存储所述计算机程序63和/或模块/单元，所述处理器62通过运行或执行存储在所述存储器61内的计算机程序和/或模块/单元，以及调用存储在存储器61内的数据，实现所述电子设备6的各种功能。所述存储器61可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据电子设备6的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器61可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、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)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
所述电子设备6集成的模块/单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，所述计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
在本发明所提供的几个实施例中，应该理解到，所揭露的电子设备和方法，可以通过其它的方式实现。例如，以上所描述的电子设备实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
另外，在本发明各个实施例中的各功能模块可以集成在相同处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在相同模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他模块或步骤，单数不排除复数。电子设备权利要求中陈述的多个模块或电子设备也可以由同一个模块或电子设备通过软件或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (10)

1.一种基于矩阵补全的购物推荐方法，其特征在于，所述方法包括：
获取客户与商店相关联的评分矩阵：
获取多个所述商店的特征向量；
根据获取的所述商店的特征向量计算出所述商店间的相关性；
根据所述评分矩阵与所述商店间的相关性计算得到所述评分矩阵的评分补全矩阵；及
根据所述评分补全矩阵将所述商店推荐给所述客户。
2.如权利要求1所述的基于矩阵补全的购物推荐方法，其特征在于，所述根据获取的所述商店的特征向量计算出所述商店间的相关性包括：
根据公式计算出所述商店间的相关性，其中，sim(fi,fj)为第i个商店和第j个商店之间的相关性，d(fi,fj)＝||fi-fj||2，fi为第i个商店的特征向量，fj为第j个商店的特征向量。
3.如权利要求2所述的基于矩阵补全的购物推荐方法，其特征在于，所述根据所述评分矩阵与所述商店间的相关性计算得到所述评分矩阵的评分补全矩阵包括：
通过对目标函数采用迭代求解得到所述评分矩阵的补全矩阵，其中，X为评分补全矩阵，PD：Rm×n→Rm×n为投影算子，||·||F是矩阵的F范数，||·||*是矩阵的核范数；λ，μ是正则化参数；Xli和Xlj分别为评分矩阵中客户l对第i个商店和第j个商店的评价分值，在时刻t0,t1,…,tk，对应的所述评分矩阵分别是S0，S1，…，Sk，与所述评分矩阵相应的评分值的指标集分别是D0，D1，…，Dk，其中在第k个时刻tk新出现的评分值的指标是Dk-Dk-1，表示时刻tk新出现的评分值对应的商店的指标集。
4.如权利要求1所述的基于矩阵补全的购物推荐方法，其特征在于，所述获取客户与商店相关联的评分矩阵包括：
根据所述客户的历史购物记录信息及所述商店的信息，得到所述客户与所述商店相关联的所述评分矩阵，所述评分矩阵为其中，所述评分矩阵中的评分值对应的指标集为其中sij表示客户i对商店j的评分，n,m分别表示所述商店的个数和客户数。
5.如权利要求4所述的基于矩阵补全的购物推荐方法，其特征在于，所述方法还包括：
所述客户对所述商店的评分值通过购物频次计算。
6.如权利要求1所述的基于矩阵补全的购物推荐方法，其特征在于，所述获取所述商店的特征向量包括：
根据所述商店的特征属性计算得到所述商店的特征向量。
7.如权利要求6所述的基于矩阵补全的购物推荐方法，其特征在于，所述商店的特征属性包括商品的品类、商品的质量、商品所针对的人群、所针对人群的消费水平等级及/或商品的活动频次。
8.如权利要求1所述的基于矩阵补全的购物推荐方法，其特征在于，所述根据所述评分补全矩阵将所述商店推荐给所述客户包括：
根据所述评分矩阵将评分高的商店推荐给所述客户。
9.一种电子设备，其特征在于：所述电子设备包括处理器，所述处理器用于执行存储器中存储的计算机程序时实现如权利要求1-8中任一项所述基于矩阵补全的购物推荐方法。
10.一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：所述计算机程序被处理器执行时实现如权利要求1-8中任一项所述基于矩阵补全的购物推荐方法。
CN201910783816.9A 2019-08-23 2019-08-23 基于矩阵补全的购物推荐方法、电子设备及存储介质 Pending CN110598094A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910783816.9A CN110598094A (zh) 2019-08-23 2019-08-23 基于矩阵补全的购物推荐方法、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910783816.9A CN110598094A (zh) 2019-08-23 2019-08-23 基于矩阵补全的购物推荐方法、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN110598094A true CN110598094A (zh) 2019-12-20

Family

ID=68855425

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910783816.9A Pending CN110598094A (zh) 2019-08-23 2019-08-23 基于矩阵补全的购物推荐方法、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN110598094A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111402003A (zh) * 2020-03-13 2020-07-10 第四范式（北京）技术有限公司 实现用户相关推荐的系统和方法
CN112698808A (zh) * 2020-12-30 2021-04-23 平安科技（深圳）有限公司 调整音频设备音量的方法、装置、电子装置及介质
CN113674063A (zh) * 2021-08-27 2021-11-19 卓尔智联(武汉)研究院有限公司 购物推荐方法、购物推荐装置、及电子设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107274255A (zh) * 2017-05-19 2017-10-20 西安电子科技大学 一种基于分解多目标进化算法的协同滤波推荐方法
CN107730289A (zh) * 2016-08-11 2018-02-23 株式会社理光 一种用户行为分析方法及用户行为分析装置
US20190163829A1 (en) * 2017-11-27 2019-05-30 Adobe Inc. Collaborative-Filtered Content Recommendations With Justification in Real-Time
CN109936770A (zh) * 2019-04-19 2019-06-25 杭州联汇科技股份有限公司 一种基于矩阵在线补全和节目特征的节目推荐方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107730289A (zh) * 2016-08-11 2018-02-23 株式会社理光 一种用户行为分析方法及用户行为分析装置
CN107274255A (zh) * 2017-05-19 2017-10-20 西安电子科技大学 一种基于分解多目标进化算法的协同滤波推荐方法
US20190163829A1 (en) * 2017-11-27 2019-05-30 Adobe Inc. Collaborative-Filtered Content Recommendations With Justification in Real-Time
CN109936770A (zh) * 2019-04-19 2019-06-25 杭州联汇科技股份有限公司 一种基于矩阵在线补全和节目特征的节目推荐方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111402003A (zh) * 2020-03-13 2020-07-10 第四范式（北京）技术有限公司 实现用户相关推荐的系统和方法
CN111402003B (zh) * 2020-03-13 2023-06-13 第四范式（北京）技术有限公司 实现用户相关推荐的系统和方法
CN112698808A (zh) * 2020-12-30 2021-04-23 平安科技（深圳）有限公司 调整音频设备音量的方法、装置、电子装置及介质
CN113674063A (zh) * 2021-08-27 2021-11-19 卓尔智联(武汉)研究院有限公司 购物推荐方法、购物推荐装置、及电子设备
CN113674063B (zh) * 2021-08-27 2024-01-12 卓尔智联(武汉)研究院有限公司 购物推荐方法、购物推荐装置、及电子设备

Similar Documents

Publication Publication Date Title
US9348898B2 (en) Recommendation system with dual collaborative filter usage matrix
CN108805598B (zh) 相似度信息确定方法、服务器及计算机可读存储介质
CN110598094A (zh) 基于矩阵补全的购物推荐方法、电子设备及存储介质
CN108053105A (zh) 客源分配方法以及装置
WO2020221022A1 (zh) 业务对象推荐方法
JP2008186413A (ja) 需要予測装置、需要予測方法、及び、需要予測プログラム
CN113592535B (zh) 一种广告推荐方法、装置、电子设备和存储介质
WO2015153240A1 (en) Directed recommendations
CN116308684B (zh) 一种网购平台店铺信息推送方法及系统
CN110362594A (zh) 一种信息处理方法和系统
WO2015148420A1 (en) User inactivity aware recommendation system
CN112785069A (zh) 终端设备换机的预测方法和装置、存储介质和电子设备
CN112348590A (zh) 一种物品价值确定方法、装置、电子设备和存储介质
CN111768218A (zh) 用于处理用户交互信息的方法和装置
CN110827101A (zh) 一种店铺推荐的方法和装置
CN114328632A (zh) 基于位图的用户数据分析方法、装置及计算机设备
US11176579B2 (en) System, method, and non-transitory computer-readable storage media for assigning offers to a plurality of target customers
CN114818843A (zh) 数据分析的方法、装置和计算设备
CN110348947A (zh) 对象推荐方法及装置
CN109740054A (zh) 一种用于确定目标用户的关联财经信息的方法与设备
US20170109672A1 (en) Systems, devices, and methods for generating and rendering snow removal process data
US11887168B2 (en) Predicting the value of an asset using machine-learning techniques
CN117575765A (zh) 产品推荐方法、装置、计算机设备和存储介质
CN117196780A (zh) 一种业务对象排序方法、装置、计算机设备及存储介质
CN115080628A (zh) 查询处理方法、存储介质和电子设备

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20191220