CN110838043A - 商品推荐方法及装置 - Google Patents
商品推荐方法及装置 Download PDFInfo
- Publication number
- CN110838043A CN110838043A CN201911071450.9A CN201911071450A CN110838043A CN 110838043 A CN110838043 A CN 110838043A CN 201911071450 A CN201911071450 A CN 201911071450A CN 110838043 A CN110838043 A CN 110838043A
- Authority
- CN
- China
- Prior art keywords
- type
- commodity
- commodities
- item
- score
- 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
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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
-
- 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
- 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
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开实施例提供一种商品推荐方法及装置,涉及互联网技术领域,用以解决现有技术中出现的保量商品推荐的效率较低导致该保量商品转化率也较低的问题。该方法包括:根据用户属性和商品属性确定第一类商品的得分和第二类商品的得分;根据第一类商品的权重调整第一类商品的得分;根据第一类商品的调整后的得分和第二类商品的得分产生用于曝光的推荐商品;其中,第一类商品的权重至少部分地基于第一类商品的曝光量而周期性更新。
Description
技术领域
本公开涉及互联网技术领域,具体地,涉及一种商品推荐方法及装置。
背景技术
目前常见的个性化推荐场景一般有三种:1.普通的非商品类的内容推荐,这种场景下只需要考虑内容与用户的喜好的贴合度,追求的是点击率最大化;2.广告推荐,这种场景除了追求点击率最大化,往往还伴有保量展示的需求;3.非广告类商品推荐,这种场景下追求的是成交总额(Gross Merchandise Volume:GMV),不仅要考虑点击率,还要兼顾转化率。
在知乎的会员业务中,推荐的内容为知乎live讲座和私家课等付费内容,该类商品不仅仅要最大化GMV,某些内容还会有保量的需求(对曝光量有一定的要求),这类商品被称为保量商品。传统的推荐该类商品的机制仅仅是从曝光量的控制角度出发,按照固定的频率在自然内容中插入一条保量商品内容,然而,这对于付费内容的推荐效率损害较大,无法实现保量商品在一天中均匀投放,且在用户匹配上表现较差,这对于保量商品的转化以及用户的体验都是非常不利的。
发明内容
有鉴于此,本公开实施例的目的在于提供一种商品推荐方法及装置,用以解决现有技术中出现的保量商品推荐的效率低导致该保量商品转化率也较低的问题。
根据本公开的第一方面,提供了一种商品推荐方法,包括:根据用户属性和商品属性确定第一类商品的得分和第二类商品的得分;根据所述第一类商品的权重调整所述第一类商品的得分;根据所述第一类商品的调整后的得分和所述第二类商品的得分产生用于曝光的推荐商品;其中,所述第一类商品的权重至少部分地基于所述第一类商品的曝光量而周期性更新。
在一个可能的实施例中,其中,所述第一类商品是具有指定曝光量的商品;所述第二类商品是无指定曝光量的商品。
在一个可能的实施例中,所述方法还包括:根据当前误差、历史累计误差以及误差变化速度确定第一类商品当前的调节因子;以及根据所述第一类商品当前的调节因子更新所述第一类商品的权重;其中,所述当前误差、历史累计误差以及误差变化速度至少部分地基于第一类商品的当前曝光量确定的。
在一个可能的实施例中,所述根据当前误差、历史累计误差以及误差变化速度确定第一类商品当前的调节因子,包括:根据下式计算所述调节因子:PID=Kp*a+Ki*b+Kd*c;其中,PID为调节因子,a为当前误差,b为历史累计误差,c为误差变化速度,Kp、Ki、Kd分别为比例系数、积分系数和微分系数。
在一个可能的实施例中,所述根据所述第一类商品的调整后的得分和所述第二类商品的得分产生用于曝光的推荐商品,包括:根据所述第一类商品的调整后的得分和所述第二类商品的得分对商品排序;以及将排序结果中得分最高的商品确定为用于曝光的推荐商品。
在一个可能的实施例中,所述根据用户属性和商品属性确定第一类商品的得分和第二类商品的得分,包括:将用户属性和商品属性输入至排序模型,输出第一类商品和第二类商品被点击或被购买的概率;以及将所述第一类商品被点击或被购买的概率确定为所述第一类商品的得分,并将所述第二类商品被点击或被购买的概率确定为所述第二类商品的得分。
在一个可能的实施例中,所述方法还包括:设置采样周期的键值,并更新所述键值;若采样周期的键值为设定值,则更新所述第一类商品的权重。
根据本公开的第二方面,提供一种商品推荐装置,包括:确定模块,被配置为用于根据用户属性和商品属性确定第一类商品的得分和第二类商品的得分;调整模块,被配置为用于根据所述第一类商品的权重调整所述第一类商品的得分;以及输出模块,被配置为用于根据所述第一类商品的调整后的得分和所述第二类商品的得分产生用于曝光的推荐商品;其中,所述第一类商品的权重至少部分地基于所述第一类商品的曝光量而周期性更新。
在一个可能的实施例中,其中,所述第一类商品是具有指定曝光量的商品;所述第二类商品是无指定曝光量的商品。
在一个可能的实施例中,所述装置还包括:所述确定模块,被配置为还用于根据当前误差、历史累计误差以及误差变化速度确定第一类商品当前的调节因子;以及更新模块,被配置为还用于根据所述第一类商品当前的调节因子更新所述第一类商品的权重;其中,所述当前误差、历史累计误差以及误差变化速度至少部分地基于第一类商品的当前曝光量确定的。
在一个可能的实施例中,所述确定模块,被配置为具体用于:根据下式计算所述调节因子:PID=Kp*a+Ki*b+Kd*c;其中,PID为调节因子,a为当前误差,b为历史累计误差,c为误差变化速度,Kp、Ki、Kd分别为比例系数、积分系数和微分系数。
在一个可能的实施例中,所述输出模块,被配置为具体用于:根据所述第一类商品的调整后的得分和所述第二类商品的得分对商品排序;以及将排序结果中得分最高的商品确定为用于曝光的推荐商品。
在一个可能的实施例中,所述确定模块,被配置为具体还用于:将用户属性和商品属性输入至排序模型,输出第一类商品和第二类商品被点击或被购买的概率;以及将所述第一类商品被点击或被购买的概率确定为所述第一类商品的得分,并将所述第二类商品被点击或被购买的概率确定为所述第二类商品的得分。
在一个可能的实施例中,所述装置还包括:设置模块,被配置为用于设置采样周期的键值;所述更新模块,被配置为更新所述键值;若采样周期的键值为设定值,则更新所述第一类商品的权重。
根据本公开的第三方面,提供了一种电子设备,包括处理器以及存储器,其中所述存储器存储有指令,所述指令在被执行时使得所述处理器执行如本公开的第一方面所述的方法。
根据本公开的第四方面,提供了一种计算机可读存储介质,所述介质存储有指令,所述指令在被执行时实现如本公开的第一方面所述的方法。
本公开实施例提供的商品推荐方法及装置,首先,根据用户属性和商品属性确定第一类商品的得分和第二类商品的得分;然后,根据第一类商品的权重调整所述第一类商品的得分;以及根据第一类商品的调整后的得分和第二类商品的得分产生用于曝光的推荐商品;由于第一类商品的权重至少部分地基于第一类商品的曝光量而周期性更新,使得第一商品的能够均匀投放,从而提高商品的推荐效率,进而使得第一商品的转化率也得到提高。
为使本公开实施例所要实现的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本公开实施例的技术方案,下面将对本公开实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本公开的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1示出了本公开实施例的普通推荐服务的流程图;
图2示出了本公开实施例的一种商品推荐系统的结构图;
图3示出了本公开实施例基于图2的PID控制模块的流程图;
图4示出了本公开实施例的一种商品推荐方法的流程图;
图5示出了本公开实施例的一种商品推荐装置的结构示意图;
图6示出了本公开实施例的一种电子设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明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。
为了便于清楚描述本发明实施例的技术方案,在本发明的实施例中,采用了“第一”、“第二”等字样对功能或作用基本相同的相同项或相似项进行区分,本领域技术人员可以理解“第一”、“第二”等字样并不对数量和执行次序进行限定。
本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
本文中术语“包括/包含”在本文使用时指特征、要素或组件的存在,但并不排除一个或更多个其它特征、要素或组件的存在或附加。
本公开实施例提到的第一类商品是指具有指定曝光量的商品,即可以被称为保量商品,而第二类商品是无指定曝光量的商品,即可以被称为非保量商品。
本公开实施例提供的商品推荐方法,首先,根据用户属性和商品属性确定第一类商品的得分和第二类商品的得分;然后,根据第一类商品的权重调整所述第一类商品的得分;以及根据第一类商品的调整后的得分和第二类商品的得分产生用于曝光的推荐商品;由于第一类商品的权重至少部分地基于第一类商品的曝光量而周期性更新,使得第一类商品能够均匀投放,从而提高商品的推荐效率,进而使得第一类商品的转化率也得到提高。以下将结合附图来详细描述本公开的实施例及其优点。
如图1所示,为普通的推荐服务的流程图,该普通的推荐服务是针对每一个用户生成对应的商品候选集,利用算法模型(例如,XGB/LR/ESMM等)对每一个候选商品进行打分,选取得分最高的商品推荐给该用户。目前推荐场景中的保量机制多用于广告业务,在通过对用户的年龄、性别、城市、学历等用户属性进行圈定后,被圈定用户会每隔一定条数的自然内容刷到一条保量内容,当保量内容达到约定展示量后便不再进行推送。
为了让保量商品得到均匀有效的曝光,我们在普通的排序阶段(参见图1)后,根据保量商品的投放速度,利用pid算法计算出一个合理的权重,对保量商品的排序得分进行加权,并按照得分重新进行排序。
如图2所示,为本公开实施例提供的一种商品推荐系统的结构图,该系统包括排序算法模型11,排序模块12、推荐模块13以及比例-微分-积分(PID)控制模块14,其中:首先,保量商品和非保量商品输入至排序算法模型11中,输出该保量商品的得分和非保量商品的得分;其次,通过PID控制模块14基于保量商品当前曝光量以及当天整体曝光量更新该保量商品的权重,根据该保量商品的权重调整保量商品的得分,将保量商品的得分和非保量商品的得分通过排序模块12进行排序,输出得分最高的商品,通过推荐模块13将该排序最高的商品推荐给用户,同时记录保量商品当前曝光量和所有商品当前总曝光量。
可选的,上述的图2中的商品推荐系统主要是针对一个用户而言,当需要对多个用户同时进行商品推荐时,针对每个用户同时调用上述的推荐系统来实现商品推荐。
其中,图2中的排序算法模型包括但不限于:提升算法和调参实例(XGBoost)算法、线性模型(Linear Model:LR)、多任务学习模型(例如,ESMM模型)、深度神经网络(DeepNeural Networks:DNN)模型。
如图3所示,为本公开实施例基于图2提出的PID控制模块的流程图。在PID控制模块中主要涉及以下流程:
1.设定初始权重(weight)。我们对于每个保量商品的weight会设置一个默认值,然后尝试从第一数据库(例如,redis)读取保量商品的当前weight,若读取失败则采用默认weight,否则采用redis中的weight。
2.调用pid控制模块来更新weight。我们从redis中读取上次投放速度的误差、历史累积误差,从第二数据库(例如,kafka)读取保量商品当前曝光量以及当前所有商品总曝光量,利用pid算法计算调节因子,其中:当前投放速度=保量商品当前曝光量/当前所有商品总体曝光量;预期投放速度=商品约定曝光量/预估当日曝光总量;当前误差=当前投放速度–预期投放速度;误差变化速率=当前误差–上次误差;调节因子=Kp*当前误差+Ki*历史累积误差+Kd*误差变化速率,其中,Kp、Ki、Kd分别为比例系数、积分系数和微分系数,需要正式上线前,进行小流量调试。
3.更新redis中误差数据。更新当前误差为上次误差,累加当前误差到累积误差,存入至redis。
4.更新weight。将weight加上调节因子后作为该保量商品当前的weight,并存入至redis。
5.周期更新weight。由于实时更新weight太过浪费资源,并且意义不大,我们采用周期更新的方式,每隔设定时间段(例如一分钟)更新一次weight值,更新周期内仅从redis读取当前weight。
6.对weight更新操作进行加锁。为了防止用户并发更新weight,导致数据错乱,需要保证每次更新weight的操作是单线程的,我们利用redis中的累加(Incr)操作的原子性,设置了一个当前时间或采样周期作为redis的键值(key),每次调用写操作前Incr该key的值,若为1,则表示该用户是该周期内第一个进行写操作的用户,此时允许更新操作,否则不允许更新操作。
其中,每天离线将保量商品及其指定曝光量存入redis,商品的预期投放速度表征为商品的指定曝光量除以当天预估总曝光量,由于每天的总曝光量和昨日总曝光量差距较小,我们用昨日总曝光量当作今日预估总曝光量,将每个保量商品的预期投放速度也存入redis。
上述的kafka为在线的,通过实时监听曝光日志,从kafka读取曝光数据,获取并累计保量商品的当前曝光量以及所有商品当前总曝光量,存入redis。
可选的,在线部分的内容还包括:1.召回阶段从redis读取所有保量商品以其约定曝光、期望投放速度等保量信息,若保量商品过多,则随机打乱后进行截断;通过截取部分的商品,从而可以降低系统耗时,提高系统运行速度。2.将召回的保量商品进行去重合并后,与非保量商品并发的调用排序模型进行排序,保量商品调用pid控制算法模块获取商品的当前weight,将商品的排序得分乘上weight作为最终得分,并与非保量商品按照得分进行重新排序,选取得分最高者进行推送。
如图4所示,为本公开实施例提供的一种商品推荐方法的流程图,该方法包括:401、根据用户属性和商品属性确定第一类商品的得分和第二类商品的得分;402、根据第一类商品的权重调整第一类商品的得分;以及403、根据第一类商品的调整后的得分和第二类商品的得分产生用于曝光的推荐商品。其中,上述的第一类商品的权重至少部分地基于第一类商品的曝光量而周期性更新。
示例性的,上述的步骤401具体包括以下内容:将用户属性和商品属性输入至排序模型,输出第一类商品和第二类商品被点击或被购买的概率;以及将第一类商品被点击或被购买的概率确定为第一类商品的得分,并将第二类商品被点击或被购买的概率确定为第二类商品的得分。
其中,上述的用户属性包括用户长期兴趣、实时兴趣、收藏话题等,商品属性包括商品的话题、关键词等,因此上述打分的过程可以是根据用户的长期兴趣、实时兴趣、收藏话题等与商品的话题、关键词以及他们的交叉特征,利用排序模型预测候选商品被点击或购买的概率,该被点击或购买的概率即为商品的得分。
通过上述的步骤401,由于确定第一类商品的得分和第二类商品的得分是基于用户的兴趣,使得在最终进行商品推荐时具有针对性,与用户属性匹配度较高,对于商品的转化以及用户的体验都是友好的。
可选的,该方法还包括:404、根据当前误差、历史累计误差以及误差变化速度确定第一类商品当前的调节因子;以及405、根据第一类商品当前的调节因子更新第一类商品的权重;其中,当前误差、历史累计误差以及误差变化速度至少部分地基于第一类商品的当前曝光量确定的。
示例性的,上述的步骤404可以通过以下内容实现:根据下式计算所述调节因子:PID=Kp*a+Ki*b+Kd*c;其中,PID为调节因子,a为当前误差,b为历史累计误差,c为误差变化速度,Kp、Ki、Kd分别为比例系数、积分系数和微分系数。
进一步可选的,该方法还包括:406、根据当前投放速度和设定投放速度确定当前误差;以及407、根据当前误差和上次误差确定误差变化速度;其中,当前投放速度为当前第一类商品的曝光量与所有商品的总曝光量的比值,设定投放速度为第一商品指定的曝光量与预估的当日曝光总量的比值。
现有的推荐场景中非广告商品的保量投放相对比较少见,方式也比较简单,主要是通过对保量商品的排序得分乘以一个固定的放大因子来进行提权,当保量内容达到约定展示量后便不再进行推送。而本案中通过上述的步骤404-407,可以周期性的更新第一类商品的权重,从而使得第一类商品不仅能够在一整天中被均匀的投放,而且曝光量还能够精准的控制在约定值附近,从而提高商品的推荐效率,进而使得第一类商品的转化率也得到提高。
示例性的,上述的步骤403可以通过以下内容实现:根据第一类商品的调整后的得分和第二类商品的得分对商品排序;以及将排序结果中得分最高的商品确定为用于曝光的推荐商品。通过选取排序结果中得分最高的商品推荐给用户,使得用户所看到的商品正是自己需要的,且该用户可能进行购买或点击该商品,从而提高商品的转化率。
可选的,该方法还包括:设置采样周期的键值,并更新所述键值;以及若采样周期的键值为设定值,则更新第一类商品的权重。这样可以保证每次更新第一类商品的权重是单线程的,防止用户并发更新权重,而导致数据错乱。
可选的,上述的商品属性还包括商品标识和/或商品属性的数据来源接口,该方法还包括:根据商品标识和/或商品属性的数据来源接口确定商品类型,商品类型包括第一类商品和第二类商品。由于不同的标识不同的数据类型,以及通过不同的数据来源接口来获取不同类型的数据,因此通过商品标识或者就可以确定商品类型,从而计算确定类型的商品的得分,即保量商品得分和非保量商品得分。
下面将基于图4对应的商品推荐方法的实施例中的相关描述对本公开实施例提供的一种商品推荐装置进行介绍。以下实施例中与上述实施例相关的技术术语、概念等的说明可以参照上述的实施例。
如图5所示,为本发明实施例提供的一种商品推荐装置的结构示意图,该装置5包括:确定模块501、调整模块502、以及输出模块503,其中:确定模块501,被配置为用于根据用户属性和商品属性确定第一类商品的得分和第二类商品的得分;调整模块502,被配置为用于根据第一类商品的权重调整第一类商品的得分;以及输出模块503,被配置为用于根据第一类商品的调整后的得分和第二类商品的得分产生用于曝光的推荐商品;其中,第一类商品的权重至少部分地基于第一类商品的曝光量而周期性更新。
其中,第一类商品是具有指定曝光量的商品;第二类商品是无指定曝光量的商品。
可选的,所述装置5还包括:更新模块504,其中:确定模块501,被配置为还用于根据当前误差、历史累计误差以及误差变化速度确定第一类商品当前的调节因子;以及更新模块504,被配置为还用于根据第一类商品当前的调节因子更新第一类商品的权重;其中,当前误差、历史累计误差以及误差变化速度至少部分地基于第一类商品的当前曝光量确定的。
示例性的,上述的确定模块501,被配置为具体用于:根据下式计算调节因子:PID=Kp*a+Ki*b+Kd*c;其中,PID为调节因子,a为当前误差,b为历史累计误差,c为误差变化速度,Kp、Ki、Kd分别为比例系数、积分系数和微分系数。
示例性的,上述的输出模块503,被配置为具体用于:根据第一类商品的调整后的得分和第二类商品的得分对商品排序;以及将排序结果中得分最高的商品确定为用于曝光的推荐商品。
示例性的,上述的确定模块501,被配置为具体还用于:将用户属性和商品属性输入至排序模型,输出第一类商品和第二类商品被点击或被购买的概率;以及将第一类商品被点击或被购买的概率确定为第一类商品的得分,并将第二类商品被点击或被购买的概率确定为第二类商品的得分。
可选的,上述的装置还包括:设置模块505,被配置为用于设置采样周期的键值;更新模块504,被配置为更新键值;若采样周期的键值为设定值,则更新第一类商品的权重。
本公开实施例提供的商品推荐装置,首先,根据用户属性和商品属性确定第一类商品的得分和第二类商品的得分;然后,根据第一类商品的权重调整所述第一类商品的得分;以及根据第一类商品的调整后的得分和第二类商品的得分产生用于曝光的推荐商品;由于第一类商品的权重至少部分地基于第一类商品的曝光量而周期性更新,使得第一商品的能够均匀投放,从而提高商品的推荐效率,进而使得第一商品的转化率也得到提高。
如图6所示,为本公开实施例提供的一种电子设备的结构示意图,包括:处理器(CPU)601、存储器(ROM)602以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CPU 601执行所述程序时实现如图4所示的方法。CPU 601可以根据存储在只读存储器ROM602中的程序或者从存储部分708加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中,还存储有电子设备600操作所需的各种程序和数据。CPU601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
以下部件连接至I/O接口605:包括键盘、鼠标等的输入部分606;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607;包括硬盘等的存储部分608;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器610上,以便于从其上读出的计算机程序根据需要被安装入存储部分608。
本公开实施例提供一种计算机存储介质,包括计算机指令,当所述计算机指令在计算机上运行时,使得所述计算机执行如上所述的方法流程。示例性的,计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。该可用介质可以是磁性介质,(例如,软盘,硬盘、磁带)、光介质(例如,DVD)或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
通过以上的实施方式的描述,所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,仅以上述各功能模块的划分举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将装置的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块或单元的划分,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,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
Claims (10)
1.一种商品推荐方法,包括:
根据用户属性和商品属性确定第一类商品的得分和第二类商品的得分;
根据所述第一类商品的权重调整所述第一类商品的得分;以及
根据所述第一类商品的调整后的得分和所述第二类商品的得分产生用于曝光的推荐商品;
其中,所述第一类商品的权重至少部分地基于所述第一类商品的曝光量而周期性更新。
2.根据权利要求1所述的商品推荐方法,其中,所述第一类商品是具有指定曝光量的商品;所述第二类商品是无指定曝光量的商品。
3.根据权利要求2所述的方法,所述方法还包括:
根据当前误差、历史累计误差以及误差变化速度确定第一类商品当前的调节因子;以及
根据所述第一类商品当前的调节因子更新所述第一类商品的权重;
其中,所述当前误差、历史累计误差以及误差变化速度至少部分地基于第一类商品的当前曝光量确定的。
4.根据权利要求3所述的方法,所述根据当前误差、历史累计误差以及误差变化速度确定第一类商品当前的调节因子,包括:
根据下式计算所述调节因子:PID=Kp*a+Ki*b+Kd*c;
其中,PID为调节因子,a为当前误差,b为历史累计误差,c为误差变化速度,Kp、Ki、Kd分别为比例系数、积分系数和微分系数。
5.根据权利要求1所述的方法,所述根据所述第一类商品的调整后的得分和所述第二类商品的得分产生用于曝光的推荐商品,包括:
根据所述第一类商品的调整后的得分和所述第二类商品的得分对商品排序;以及
将排序结果中得分最高的商品确定为用于曝光的推荐商品。
6.根据权利要求1所述的方法,所述根据用户属性和商品属性确定第一类商品的得分和第二类商品的得分,包括:
将用户属性和商品属性输入至排序模型,输出第一类商品和第二类商品被点击或被购买的概率;以及
将所述第一类商品被点击或被购买的概率确定为所述第一类商品的得分,并将所述第二类商品被点击或被购买的概率确定为所述第二类商品的得分。
7.根据权利要求1所述的方法,所述方法还包括:
设置采样周期的键值,并更新所述键值;以及
若采样周期的键值为设定值,则更新所述第一类商品的权重。
8.一种商品推荐装置,包括:
确定模块,被配置为用于根据用户属性和商品属性确定第一类商品的得分和第二类商品的得分;
调整模块,被配置为用于根据所述第一类商品的权重调整所述第一类商品的得分;以及
输出模块,被配置为用于根据所述第一类商品的调整后的得分和所述第二类商品的得分产生用于曝光的推荐商品;
其中,所述第一类商品的权重至少部分地基于所述第一类商品的曝光量而周期性更新。
9.一种电子设备,包括:
处理器;以及
存储器,所述存储器存储有指令,所述指令在被执行时使得所述处理器执行权利要求1至7中任一项所述的方法。
10.一种计算机可读存储介质,所述介质存储有指令,所述指令在被执行时实现权利要求1至7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911071450.9A CN110838043A (zh) | 2019-11-05 | 2019-11-05 | 商品推荐方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911071450.9A CN110838043A (zh) | 2019-11-05 | 2019-11-05 | 商品推荐方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110838043A true CN110838043A (zh) | 2020-02-25 |
Family
ID=69576078
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911071450.9A Pending CN110838043A (zh) | 2019-11-05 | 2019-11-05 | 商品推荐方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110838043A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111782940A (zh) * | 2020-06-10 | 2020-10-16 | 支付宝(杭州)信息技术有限公司 | 基于自然流量选择的推荐方法、装置、电子设备及介质 |
CN112381607A (zh) * | 2020-11-12 | 2021-02-19 | 杭州时趣信息技术有限公司 | 一种网络商品排序方法、装置、设备及介质 |
CN113159842A (zh) * | 2021-04-14 | 2021-07-23 | 微梦创科网络科技(中国)有限公司 | 一种定价保量广告的投放方法及系统 |
CN113240563A (zh) * | 2021-05-31 | 2021-08-10 | 中国联合网络通信集团有限公司 | 课程推送方法、装置和服务器 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010073170A (ja) * | 2008-09-22 | 2010-04-02 | Yahoo Japan Corp | 推薦商品選択装置、推薦商品選択プログラムおよび商品検索装置 |
CN106372961A (zh) * | 2016-08-23 | 2017-02-01 | 北京小米移动软件有限公司 | 商品推荐方法及装置 |
CN108960945A (zh) * | 2017-05-18 | 2018-12-07 | 北京京东尚科信息技术有限公司 | 商品推荐方法和装置 |
-
2019
- 2019-11-05 CN CN201911071450.9A patent/CN110838043A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010073170A (ja) * | 2008-09-22 | 2010-04-02 | Yahoo Japan Corp | 推薦商品選択装置、推薦商品選択プログラムおよび商品検索装置 |
CN106372961A (zh) * | 2016-08-23 | 2017-02-01 | 北京小米移动软件有限公司 | 商品推荐方法及装置 |
CN108960945A (zh) * | 2017-05-18 | 2018-12-07 | 北京京东尚科信息技术有限公司 | 商品推荐方法和装置 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111782940A (zh) * | 2020-06-10 | 2020-10-16 | 支付宝(杭州)信息技术有限公司 | 基于自然流量选择的推荐方法、装置、电子设备及介质 |
CN111782940B (zh) * | 2020-06-10 | 2024-04-23 | 支付宝(杭州)信息技术有限公司 | 基于自然流量选择的推荐方法、装置、电子设备及介质 |
CN112381607A (zh) * | 2020-11-12 | 2021-02-19 | 杭州时趣信息技术有限公司 | 一种网络商品排序方法、装置、设备及介质 |
CN112381607B (zh) * | 2020-11-12 | 2023-11-24 | 杭州时趣信息技术有限公司 | 一种网络商品排序方法、装置、设备及介质 |
CN113159842A (zh) * | 2021-04-14 | 2021-07-23 | 微梦创科网络科技(中国)有限公司 | 一种定价保量广告的投放方法及系统 |
CN113159842B (zh) * | 2021-04-14 | 2024-03-26 | 微梦创科网络科技(中国)有限公司 | 一种定价保量广告的投放方法及系统 |
CN113240563A (zh) * | 2021-05-31 | 2021-08-10 | 中国联合网络通信集团有限公司 | 课程推送方法、装置和服务器 |
CN113240563B (zh) * | 2021-05-31 | 2023-06-16 | 中国联合网络通信集团有限公司 | 课程推送方法、装置和服务器 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ren et al. | Demand forecasting in retail operations for fashionable products: methods, practices, and real case study | |
Guan et al. | The interplay between information acquisition and quality disclosure | |
CN110838043A (zh) | 商品推荐方法及装置 | |
CN110443715B (zh) | 基金产品推荐方法、装置、设备及计算机可读存储介质 | |
Huang et al. | Strategic capacity management when customers have boundedly rational expectations | |
Abdollahpouri | Popularity bias in recommendation: a multi-stakeholder perspective | |
US20230025641A1 (en) | Training a machine learning model to determine a predicted time distribution related to electronic communications | |
WO2020221022A1 (zh) | 业务对象推荐方法 | |
Ding et al. | Whole page optimization with global constraints | |
Chernozhukov et al. | Censored quantile instrumental-variable estimation with Stata | |
US20120185326A1 (en) | Contact stream optimization using fec and cc constraints | |
CN107633332A (zh) | 一种金融电子资源预测方法和系统 | |
Zhang et al. | Optimal inventory threshold for a dynamic service make‐to‐stock system with strategic customers | |
Balcan et al. | Generalization guarantees for multi-item profit maximization: Pricing, auctions, and randomized mechanisms | |
Bhat et al. | Technical efficiency analysis of Indian IT industry: A panel data stochastic frontier approach | |
Kim et al. | A direct utility model for access costs and economies of scope | |
Kachani et al. | Competitive Pricing in a Multi‐Product Multi‐Attribute Environment | |
Dalimunthe et al. | Startup Valuation In A Logistics Aggregator (Case Study At Pt Linknau) | |
Zhang et al. | UR: A user-based collaborative filtering recommendation system based on trust mechanism and time weighting | |
Zhao et al. | Constrained contextual bandit algorithm for limited-budget recommendation system | |
Wang | Uncertain differential game with Hurwicz criterion | |
Dawande et al. | Robin Hood to the Rescue: Sustainable Revenue‐Allocation Schemes for Data Cooperatives | |
CN111753208B (zh) | 确定用户可比属性收敛度的方法、装置、介质和电子设备 | |
CN114780865A (zh) | 信息推荐方法、装置、计算机设备及存储介质 | |
Cao et al. | Tiered Assortment: Optimization and Online Learning |
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: 20200225 |