CN110827063A - 一种多策略融合的商品推荐方法、装置、终端及存储介质 - Google Patents

一种多策略融合的商品推荐方法、装置、终端及存储介质 Download PDF

Info

Publication number
CN110827063A
CN110827063A CN201910992715.2A CN201910992715A CN110827063A CN 110827063 A CN110827063 A CN 110827063A CN 201910992715 A CN201910992715 A CN 201910992715A CN 110827063 A CN110827063 A CN 110827063A
Authority
CN
China
Prior art keywords
commodity
user
text
label
behavior
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
CN201910992715.2A
Other languages
English (en)
Inventor
薛会萍
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.)
Yonyou Network Technology Co Ltd
Original Assignee
Yonyou Network 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 Yonyou Network Technology Co Ltd filed Critical Yonyou Network Technology Co Ltd
Priority to CN201910992715.2A priority Critical patent/CN110827063A/zh
Publication of CN110827063A publication Critical patent/CN110827063A/zh
Pending legal-status Critical Current

Links

Images

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
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0255—Targeted advertisements based on user history
    • 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
    • G06F16/9536—Search customisation based on social or collaborative filtering
    • 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
    • G06F16/9538—Presentation of query results
    • 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
    • G06Q30/0241—Advertisements
    • G06Q30/0277—Online advertisement

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Finance (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种多策略融合的商品推荐方法、装置、终端及存储介质，所述方法，包括：获取用户行为数据，并根据用户行为数据建立用户标签，所述用户行为包括用户基于图文发生的行为和用户基于商品发生的行为；获取商品属性数据，利用训练模型训练商品属性数据，得到商品的语义向量，所述商品属性包括商品特征和商品关键词；根据用户标签建立用户和图文的关系，根据商品的语义向量建立图文和商品的关系，以使用户和商品之间通过图文联系；获取用户发布的图文，确定推荐的商品；本发明提高了用户心理上对商品的好感度以及用户体验。

Description

一种多策略融合的商品推荐方法、装置、终端及存储介质
技术领域
本发明涉及数据处理技术领域，具体的说是一种多策略融合的商品推荐方法、装置、终端及存储介质。
背景技术
在互联网和信息化的背景下，个性化推荐方法已经得到了广泛的实践。一方面，用户通过不同的媒介，包括线上和线下的方式，可以快捷地获取感兴趣的商品；另一方面，大量的广告主实现了高效率、低成本的广告投放，达到了高展现量、高点击率和高转化率的效果。这些场景用到了推荐和关联技术。由于为了准确捕获用户特征，现有技术中大多采用的是用户和商品直接进行关联，这样不利于用户体验和积累友好度。因此如何准确地捕获用户特征，同时又不会引起用户的体验反感，是广大推荐系统面临的问题。
发明内容
为了解决上述现有技术中存在的问题，本发明实施例提供一种能够准确捕获用户特征且利于用户体验，积累友好度的多策略融合的商品推荐方法、装置、终端及存储介质。
本发明解决其技术问题所采用的技术方案是：
第一方面，本发明实施例提供了一种多策略融合的商品推荐方法，包括：
获取用户行为数据，并根据用户行为数据建立用户标签，所述用户行为包括用户基于图文发生的行为和用户基于商品发生的行为；
获取商品属性数据，利用训练模型训练商品属性数据，得到商品的语义向量，所述商品属性包括商品特征和商品关键词；
根据用户标签建立用户和图文的关系，根据商品的语义向量建立图文和商品的关系，以使用户和商品之间通过图文联系；
获取用户发布的图文，确定推荐的商品。
进一步地，建立用户标签时用到的用户行为数据为用户的评论和图文信息。
进一步地，建立用户标签的具体过程为：
抽取用户每条评论的关键词，并将得到的所有关键词融合到列表1；
抽取用户发布的配文的关键词，并将得到的所有关键词融合到列表2；
将列表1和列表2，进行加权合并，得到列表3；
列表3，记为用户的标签，属于带有权重的标签；
获取用户的行为及操作对象，调整用户的标签及权重；
其中，所述列表1、列表2和列表3采用哈希存储方式进行存储。
进一步地，所述获取商品属性数据的方式包括从图文中获取与图文关联的商品信息。
进一步地，利用训练模型训练商品属性数据的具体过程为：
获取对于商品的描述和标题并进行分词，基于上下文训练模型得到词向量，根据词向量计算得到商品名称的语义向量；
获取用户的配文和评论，训练word2vec模型，得到标签的语义向量，将每个用户的标签语义累加计算之后，得到每个用户的语义向量。
进一步地，用户和图文、图文和商品之间建立关系的方法具体为：
通过协同过滤方法建立用户和图文的关系；
将配文和商品标题抽取关键，再用0-1向量编码和cos相似度计算方法，计算图文和商品之间的相似度，以得到图文与商品之间的关系。
第二方面，本发明实施例还提供了一种多策略融合的商品推荐装置，包括：
数据获取模块，用于获取用户行为数据和商品属性数据，所述用户行为包括用户基于图文发生的行为和用户基于商品发生的行为，所述商品属性包括商品特征和商品关键词；
用户标签确定模块，用于根据所述用户行为数据确定用户的标签，将用户标签作为用户的特征数据；
语义向量确定模块，用于根据所述商品属性数据确定商品的语义向量，将所述语义向量作为商品的特征数据；
关联模块，用于根据所述用户的特征数据建立用户和图文的关系，根据所述商品的特征数据建立商品和图文的关系；
推荐商品模块，用于根据用户和图文的关系以及商品和图文的关系，确定推荐的商品。
进一步地，所述关联模块，具体用于：
通过协同过滤方法建立用户和图文的关系；
将配文和商品标题抽取关键，再用0-1向量编码和cos相似度计算方法，计算图文和商品之间的相似度，以得到图文与商品之间的关系。
第三方面，本发明实施例还提供了一种终端，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本发明任意实施例提供的任一所述的商品推荐方法。
第四方面，本发明实施例还提供了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，该程序被处理器执行时实现如本发明任意实施例提供的任一所述的商品推荐方法。
与现有技术相比，本发明的有益效果是：
本发明通过主动和被动的方法，分析和统计用户的偏好特征，使得用户在使用本装置的过程中，本方案和和装置能够自动分析用户的行为和偏好，给用户呈现较好的商品，并且使得商品的所有者，即广告主，能够将商品投放到合适的目标用户。同时，本发明由图文作为中介，将用户和商品连接起来，图文在视觉层面带给用户的信息比较丰富，同时为商品的出现，奠定了一定的背景铺垫，提高了用户心理上对商品的好感度以及用户体验。
附图说明
图1是本发明实施例一中多策略融合的商品推荐方法的流程示意图；
图2是本发明实施例一中用户、图文和商品之间的关系示意图；
图3是本发明实施例一中用户对图文的操作的状态参考示意图；
图4是本发明实施例一中关联商品的操作的状态参考示意图；
图5是本发明实施例一中图文关联的操作的状态参考示意图；
图6是本发明实施例一中用户发布图片示例操作的状态参考示意图；
图7是本发明实施例一中多策略融合推荐的算法流程示意图；
图8是本发明实施例二提供的一种商品推荐装置的结构示意图；
图9是本发明实施例三提供的一种终端的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
实施例一
本实施例的技术方案可以适用于给商品寻找相似商品的情况。该方法可以由本发明实施例提供的一种多策略融合的商品推荐装置来执行，该装置可以采用软件和/或硬件的方式实现，并配置于终端，例如电脑、手机或平板电脑、智能音箱中应用。
本实施例中共有3种角色：用户、图文和商品。角色之间的关系如图2所示。示例性说明如下：
(1)用户：即本装置的最终用户。用户在本装置，可进行转发、分享操作，基于此，每个用户会有自己的“达人分”。当用户的达人分数很多的时候，即成为“达人”。本装置设有排行榜功能。
(2)图文：由N张图片和一段文字组成，1＝<N<＝9。默认图文相关。
(3)商品：即广告主投放的商品。包含：商品标题、价格、当前用户对商品的收藏状态。
如图1所示，该方法具体包括如下操作：
S101、获取用户行为数据，并根据用户行为数据建立用户标签，所述用户行为包括用户基于图文发生的行为和用户基于商品发生的行为。
用户的行为有：浏览图文、发布图文、对图文发表评论、给图文点赞、收藏图文、转发分享图文，用户对商品的行为有：浏览商品、点击商品、收藏商品、购买商品。本方案使用用户的评论和图文信息，建立用户的标签。针对每个用户，建立个性化的、独特的标签。示例性的，如图3所示，展示了用户对图文的操作。
S102、获取商品属性数据，利用训练模型训练商品属性数据，得到商品的语义向量，所述商品属性包括商品特征和商品关键词。
每个图文，都关联到一个商品。关联的方式有两种：用户发布图文的时候，手动绑定；图文展现给用户的时候，算法自动绑定。
大量的商品信息，需要抽取商品的特征和关键词，以便更好地将商品投放到目标用户。本实施例中使用word2vec方案，具体采用Skip-Gram算法。
S103、根据用户标签建立用户和图文的关系，根据商品的语义向量建立图文和商品的关系，以使用户和商品之间通过图文联系。
以图文为中介，而不是用户和商品直接进行关联。这在用户体验和友好度方面表现良好。
S104、获取用户发布的图文，确定推荐的商品。
示例性地，如图4和图5所示，用户发布图文的时候，本发明实施例中向用户推荐商品，推荐的原则为：1、用户关联的店铺的商品；2、和用户发布的图片、文字相关的商品。
本例中，用户发布的文字为“新到菊花茶，清热去火。”，图片为图6，关联的商品标题为“爱心助农|江西上饶贫困户有机种植皇菊9.9包邮/罐”。本方案的算法考虑到用户发布的文字包含“菊花”，用户发布的图片为“菊花”场景，所以从用户关联的店铺中选择“菊花”相关的商品作为候选集，以供用户绑定。
进一步地，建立用户标签时用到的用户行为数据为用户的评论和图文信息。
进一步地，建立用户标签的具体过程为：
抽取用户每条评论的关键词，并将得到的所有关键词融合到列表1；
抽取用户发布的配文的关键词，并将得到的所有关键词融合到列表2；
将列表1和列表2，进行加权合并，得到列表3；
列表3，记为用户的标签，属于带有权重的标签；
获取用户的行为及操作对象，调整用户的标签及权重；
其中，所述列表1、列表2和列表3采用哈希存储方式进行存储。
具体实施时：01、将用户的逐条评论，先抽取关键词；将用户的所有评论的关键词，融合到列表1，记为<key:value>结构，key为关键词，value为关键词的出现次数；
02、将用户发布的逐条图文，进行整理，提取配文；将用户发布的逐条配文，提取关键词；将用户发布的所有的配文的关键词，融合到列表2，记为<key:value>结构，key为关键词，value为关键词的出现次数；
3、将列表1和列表2，进行加权合并。得到列表3，同样为<key:value>结构，key为关键词，value为关键词的出现次数；
4、列表3，记为用户的标签，属于带有权重的标签；
5、结合用户的行为及操作对象(即评论/转发/点赞/收藏的商品信息)，进一步调整用户的标签及权重。
进一步地，所述获取商品属性数据的方式包括从图文中获取与图文关联的商品信息。
进一步地，利用训练模型训练商品属性数据的具体过程为：
首先训练词向量，获取对于商品的描述和标题并进行分词，基于上下文训练模型得到词向量，根据词向量计算得到商品名称的语义向量；
获取用户的配文和评论，训练word2vec模型，得到标签的语义向量，将每个用户的标签语义累加计算之后，得到每个用户的语义向量。
进一步地，用户和图文、图文和商品之间建立关系的方法具体为：
通过协同过滤方法建立用户和图文的关系；
将配文和商品标题抽取关键，再用0-1向量编码和cos相似度计算方法，计算图文和商品之间的相似度，以得到图文与商品之间的关系。
如图7所示，在本实施例中，融合了：在信息流中，给用户推荐图文；在图文发布的时候，依据图片和文字推荐商品；在图片和文字的同时呈现场景中，推荐商品等多种策略，实现了商品的推荐。
实施例二
如图8所示，是本发明实施例二提供的一种多策略融合的商品推荐装置的结构框图。该装置用于执行上述任意实施例所提供的一种多策略融合的商品推荐方法。该装置包括：
数据获取模块21，用于获取用户行为数据和商品属性数据，所述用户行为包括用户基于图文发生的行为和用户基于商品发生的行为，所述商品属性包括商品特征和商品关键词；
用户标签确定模块22，用于根据所述用户行为数据确定用户的标签，将用户标签作为用户的特征数据；
语义向量确定模块23，用于根据所述商品属性数据确定商品的语义向量，将所述语义向量作为商品的特征数据；
关联模块24，用于根据所述用户的特征数据建立用户和图文的关系，根据所述商品的特征数据建立商品和图文的关系；
推荐商品模块25，用于根据用户和图文的关系以及商品和图文的关系，确定推荐的商品。
进一步地，所述关联模块24，具体用于：
通过协同过滤方法建立用户和图文的关系；
将配文和商品标题抽取关键，再用0-1向量编码和cos相似度计算方法，计算图文和商品之间的相似度，以得到图文与商品之间的关系。
本发明实施例二提供的商品推荐装置，实现了通过图文关系纽带，间接地将用户与商品进行关联，能准确地将商品投放到用户，提高了界面的用户好感度。
本发明实施例所提供的多策略融合的商品推荐装置可执行本发明任意实施例所提供的多策略融合的商品推荐方法，具备执行方法相应的功能模块和有益效果。
实施例三
如图9所示，该终端包括处理器30、存储器31、输入装置32和输出装置33；终端中处理器30的数量可以是一个或多个，图9中以一个处理器30为例；终端中的处理器30、存储器31、输入装置32和输出装置33可以通过总线或其他方式连接，图3中以通过总线连接为例。
存储器31作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的商品推荐方法对应的程序指令/模块(例如，数据获取模块21、用户标签确定模块22、语义向量确定模块23、关联模块24和推荐商品模块25)。处理器30通过运行存储在存储器31中的软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现上述的商品推荐方法。
存储器31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；存储数据区可存储根据终端的使用所创建的数据等。此外，存储器31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，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器31可进一步包括相对于处理器30远程设置的存储器，这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置32可用于接收输入的数字或字符信息，以及产生与设备的用户设置以及功能控制有关的键信号输入。输出装置33可包括显示屏等显示设备。
实施例四
本发明实施例四还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种多策略融合的商品推荐方法，该方法包括：
获取用户行为数据，并根据用户行为数据建立用户标签，所述用户行为包括用户基于图文发生的行为和用户基于商品发生的行为；
获取商品属性数据，利用训练模型训练商品属性数据，得到商品的语义向量，所述商品属性包括商品特征和商品关键词；
根据用户标签建立用户和图文的关系，根据商品的语义向量建立图文和商品的关系，以使用户和商品之间通过图文联系；
获取用户发布的图文，确定推荐的商品。
当然，本发明实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的方法操作，还可以执行本发明任意实施例所提供的多策略融合的商品推荐方法中的相关操作。
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (10)

1.一种多策略融合的商品推荐方法，其特征在于，包括：
获取用户行为数据，并根据用户行为数据建立用户标签，所述用户行为包括用户基于图文发生的行为和用户基于商品发生的行为；
获取商品属性数据，利用训练模型训练商品属性数据，得到商品的语义向量，所述商品属性包括商品特征和商品关键词；
根据用户标签建立用户和图文的关系，根据商品的语义向量建立图文和商品的关系，以使用户和商品之间通过图文联系；
获取用户发布的图文，确定推荐的商品。
2.根据权利要求1所述的一种多策略融合的商品推荐方法，其特征在于：建立用户标签时用到的用户行为数据为用户的评论和图文信息。
3.根据权利要求1所述的一种多策略融合的商品推荐方法，其特征在于，建立用户标签的具体过程为：
抽取用户每条评论的关键词，并将得到的所有关键词融合到列表1；
抽取用户发布的配文的关键词，并将得到的所有关键词融合到列表2；
将列表1和列表2，进行加权合并，得到列表3；
列表3，记为用户的标签，属于带有权重的标签；
获取用户的行为及操作对象，调整用户的标签及权重；
其中，所述列表1、列表2和列表3采用哈希存储方式进行存储。
4.根据权利要求1所述的一种多策略融合的商品推荐方法，其特征在于：所述获取商品属性数据的方式包括从图文中获取与图文关联的商品信息。
5.根据权利要求1所述的一种多策略融合的商品推荐方法，其特征在于，利用训练模型训练商品属性数据的具体过程为：
获取对于商品的描述和标题并进行分词，基于上下文训练模型得到词向量，根据词向量计算得到商品名称的语义向量；
获取用户的配文和评论，训练word2vec模型，得到标签的语义向量，将每个用户的标签语义累加计算之后，得到每个用户的语义向量。
6.根据权利要求1所述的一种多策略融合的商品推荐方法，其特征在于，用户和图文、图文和商品之间建立关系的方法具体为：
通过协同过滤方法建立用户和图文的关系；
将配文和商品标题抽取关键，再用0-1向量编码和cos相似度计算方法，计算图文和商品之间的相似度，以得到图文与商品之间的关系。
7.一种多策略融合的商品推荐装置，其特征在于，包括：
数据获取模块，用于获取用户行为数据和商品属性数据，所述用户行为包括用户基于图文发生的行为和用户基于商品发生的行为，所述商品属性包括商品特征和商品关键词；
用户标签确定模块，用于根据所述用户行为数据确定用户的标签，将用户标签作为用户的特征数据；
语义向量确定模块，用于根据所述商品属性数据确定商品的语义向量，将所述语义向量作为商品的特征数据；
关联模块，用于根据所述用户的特征数据建立用户和图文的关系，根据所述商品的特征数据建立商品和图文的关系；
推荐商品模块，用于根据用户和图文的关系以及商品和图文的关系，确定推荐的商品。
8.根据权利要求7所述的一种多策略融合的商品推荐方法，其特征在于，所述关联模块，具体用于：
通过协同过滤方法建立用户和图文的关系；
将配文和商品标题抽取关键，再用0-1向量编码和cos相似度计算方法，计算图文和商品之间的相似度，以得到图文与商品之间的关系。
9.一种终端，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-6中任一所述的商品推荐方法。
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，该程序被处理器执行时实现如权利要求1-6中任一所述的商品推荐方法。
CN201910992715.2A 2019-10-18 2019-10-18 一种多策略融合的商品推荐方法、装置、终端及存储介质 Pending CN110827063A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910992715.2A CN110827063A (zh) 2019-10-18 2019-10-18 一种多策略融合的商品推荐方法、装置、终端及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910992715.2A CN110827063A (zh) 2019-10-18 2019-10-18 一种多策略融合的商品推荐方法、装置、终端及存储介质

Publications (1)

Publication Number Publication Date
CN110827063A true CN110827063A (zh) 2020-02-21

Family

ID=69549515

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910992715.2A Pending CN110827063A (zh) 2019-10-18 2019-10-18 一种多策略融合的商品推荐方法、装置、终端及存储介质

Country Status (1)

Country Link
CN (1) CN110827063A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111507812A (zh) * 2020-07-02 2020-08-07 成都晓多科技有限公司 一种基于属性和标题的商品搭配推荐方法及装置
WO2022126931A1 (zh) * 2020-12-18 2022-06-23 平安科技（深圳）有限公司 商品推荐方法、装置、计算机设备及介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017157198A1 (zh) * 2016-03-17 2017-09-21 阿里巴巴集团控股有限公司 属性获取方法和装置
CN107730343A (zh) * 2017-09-15 2018-02-23 广州唯品会研究院有限公司 一种基于图片属性提取的用户商品信息推送方法及设备
CN109359244A (zh) * 2018-10-30 2019-02-19 中国科学院计算技术研究所 一种个性化信息推荐方法和装置
CN110334759A (zh) * 2019-06-28 2019-10-15 武汉大学 一种评论驱动的深度序列推荐方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017157198A1 (zh) * 2016-03-17 2017-09-21 阿里巴巴集团控股有限公司 属性获取方法和装置
CN107730343A (zh) * 2017-09-15 2018-02-23 广州唯品会研究院有限公司 一种基于图片属性提取的用户商品信息推送方法及设备
CN109359244A (zh) * 2018-10-30 2019-02-19 中国科学院计算技术研究所 一种个性化信息推荐方法和装置
CN110334759A (zh) * 2019-06-28 2019-10-15 武汉大学 一种评论驱动的深度序列推荐方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111507812A (zh) * 2020-07-02 2020-08-07 成都晓多科技有限公司 一种基于属性和标题的商品搭配推荐方法及装置
CN111507812B (zh) * 2020-07-02 2020-10-27 成都晓多科技有限公司 一种基于属性和标题的商品搭配推荐方法及装置
WO2022126931A1 (zh) * 2020-12-18 2022-06-23 平安科技（深圳）有限公司 商品推荐方法、装置、计算机设备及介质

Similar Documents

Publication Publication Date Title
CN111143610B (zh) 一种内容推荐方法、装置、电子设备和存储介质
CN106547908B (zh) 一种信息推送方法和系统
US10180979B2 (en) System and method for generating suggestions by a search engine in response to search queries
CN109325179B (zh) 一种内容推广的方法及装置
US11061990B2 (en) Generating feedback for a target content item based on published content items
US8718369B1 (en) Techniques for shape-based search of content
US20110137989A1 (en) Generating activities based upon social data
EP2484113A1 (en) A method, apparatus and system for increasing website data transfer speed
KR20160055930A (ko) 연속적인 소셜 커뮤니케이션에 사용되는 콘텐츠를 능동적으로 구성하기 위한 시스템 및 방법
CN110163703B (zh) 一种分类模型建立方法、文案推送方法和服务器
TW201905736A (zh) 資訊推送方法及系統
CN106776860A (zh) 一种搜索摘要生成方法及装置
CN109308334B (zh) 信息推荐方法及装置、搜索引擎系统
CN113760158A (zh) 目标对象展示方法、对象关联方法、装置、介质及设备
US20100318427A1 (en) Enhancing database management by search, personal search, advertising, and databases analysis efficiently using core-set implementations
CN111159341A (zh) 基于用户投资理财偏好的资讯推荐方法及装置
CN108229990B (zh) 一种广告标题生成方法、装置和设备
CN110766456A (zh) 商品推荐方法及装置
CN101957825A (zh) 基于网页中图像、视频内容的图像搜索方法
JPWO2009060829A1 (ja) 広告提示方法、広告提示システム及びプログラム
KR101314025B1 (ko) 키워드를 이용한 광고 서비스 제공 장치 및 그 방법
CN111507769A (zh) 信息推送方法和系统、存储介质及处理器
CN113744019A (zh) 一种商品推荐方法、装置、设备及存储介质
CN111787042B (zh) 用于推送信息的方法和装置
CN110827063A (zh) 一种多策略融合的商品推荐方法、装置、终端及存储介质

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: 20200221

RJ01 Rejection of invention patent application after publication