CN110851737A - 推荐方法、装置、电子设备及计算机存储介质 - Google Patents
推荐方法、装置、电子设备及计算机存储介质 Download PDFInfo
- Publication number
- CN110851737A CN110851737A CN201911103816.6A CN201911103816A CN110851737A CN 110851737 A CN110851737 A CN 110851737A CN 201911103816 A CN201911103816 A CN 201911103816A CN 110851737 A CN110851737 A CN 110851737A
- Authority
- CN
- China
- Prior art keywords
- target object
- data
- recommended
- target
- objects
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 230000002829 reductive effect Effects 0.000 claims abstract description 7
- 230000006399 behavior Effects 0.000 claims description 23
- 238000004364 calculation method Methods 0.000 claims description 19
- 238000004891 communication Methods 0.000 claims description 10
- 239000000126 substance Substances 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 2
- 239000013598 vector Substances 0.000 description 11
- 238000001914 filtration Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000000670 limiting effect Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 235000019633 pungent taste Nutrition 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
Images
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
- G06F16/9536—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
- G06F16/9535—Search customisation based on user profiles and personalisation
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供了一种推荐方法、装置、电子设备及计算机存储介质。推荐方法包括:若获取的推荐请求指示推荐与被浏览的浏览对象相似的相似对象,则根据被浏览的第一目标对象的特征数据和至少一个候选的第二目标对象的特征数据计算第一目标对象和至少一个第二目标对象之间的相似度,其中,特征数据包括对应的目标对象的行业数据和用户历史行为数据;根据至少一个第二目标对象的特征数据中的用户历史行为数据和被推荐数,确定对应的热度数据,其中,热度数据随被推荐数增加而减小;根据第一目标对象与至少一个第二目标对象之间的相似度和至少一个第二目标对象的热度数据,从候选的第二目标对象中确定推荐的目标对象。该推荐方法的推荐效果更好。
Description
技术领域
本发明涉及计算机技术领域,具体而言,涉及一种推荐方法、装置、电子设备及计算机存储介质。
背景技术
协同过滤推荐算法是较为著名的推荐算法,主要的功能是预测用户的兴趣并进行推荐。现有的协同过滤推荐算法分为两类,分别是基于用户的协同过滤算法(user-basedcollaboratIve filtering)和基于物品的协同过滤算法(item-based collaborativefiltering)。
其中,基于用户的协同过滤算法是通过用户的历史行为数据发现用户对商品或内容的喜好(如商品购买,收藏,内容评论或分享),并对这些喜好进行度量和打分。根据不同用户对相同商品或内容的态度和偏好程度计算用户之间的关系。在有相同喜好的用户间进行商品推荐。
基于物品的协同过滤算法,通过计算不同用户对不同物品的评分获得物品间的关系。基于物品间的关系对用户进行相似物品的推荐。
现有技术的不足在于:1)依赖于准确的用户评分,2)在计算的过程中,热度高的物品会有更大的几率被推荐给用户,进而被用户查看的概率增加,热度进一步升高,使得热度不高的物品始终无法被推荐,3)冷启动问题,当有一名新用户或新物品进入系统时,推荐将无从根据,4)在一些对象生存周期短(如新闻、广告等)的系统中,由于更新速度快,大量对象不会有用户评分,造成用户评分矩阵稀疏,不利于这些对象的推荐。
发明内容
本发明的主要目的在于提供一种推荐方法、装置、电子设备及计算机存储介质,以解决现有技术中热度高的目标对象推荐重复的问题。
为了实现上述目的,根据本发明的一个方面,提供了一种推荐方法,包括:若获取的推荐请求指示推荐与被浏览的浏览对象相似的相似对象,则根据被浏览的第一目标对象的特征数据和至少一个候选的第二目标对象的特征数据计算所述第一目标对象和至少一个所述第二目标对象之间的相似度,其中,所述特征数据包括对应的目标对象的行业数据和用户历史行为数据;根据至少一个所述第二目标对象的特征数据中的用户历史行为数据和被推荐数,确定对应的热度数据,其中,所述热度数据随所述被推荐数增加而减小;根据第一目标对象与至少一个所述第二目标对象之间的相似度和所述至少一个第二目标对象的热度数据,从候选的所述第二目标对象中确定推荐的目标对象。
根据本发明的另一方面,提供了一种推荐装置,包括:相似度计算模块,用于若获取的推荐请求指示推荐与被浏览的浏览对象相似的相似对象,则根据被浏览的第一目标对象的特征数据和至少一个候选的第二目标对象的特征数据计算所述第一目标对象和至少一个所述第二目标对象之间的相似度,其中,所述特征数据包括对应的目标对象的行业数据和用户历史行为数据;热度计算模块,用于根据至少一个所述第二目标对象的特征数据中的用户历史行为数据和被推荐数,确定对应的热度数据,其中,所述热度数据随所述被推荐数增加而减小;第一推荐模块,用于根据第一目标对象与至少一个所述第二目标对象之间的相似度和所述至少一个第二目标对象的热度数据,从候选的所述第二目标对象中确定推荐的目标对象。
应用本发明的技术方案,实现了根据第一目标对象的特征数据和各候选的第二目标对象的特征数据进行相似度计算和各第二目标对象的热度数据计算,进而可以计算出推荐值,由于热度数据会随推荐次数增加而减小,从而避免了热度数据较高的目标对象被重复推荐,而热度数据较低的目标对象始终无法被推荐的问题,而且能够准确地推荐与第一目标对象相似的目标对象。
除了上面所描述的目的、特征和优点之外,本发明还有其它的目的、特征和优点。下面将参照图,对本发明作进一步详细的说明。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1示出了根据本发明实施例一的推荐方法的步骤流程示意图;
图2示出了根据本发明实施例二的推荐方法的步骤流程示意图;
图3示出了根据本发明实施例三的推荐装置的结构框图;以及
图4示出了根据本发明的实施例四的电子设备的结构框图。
具体实施方式
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
为了使本技术领域的人员更好地理解本发明方案,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的实施例,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,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的术语在适当情况下可以互换,以便这里描述的本发明的实施例。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一
参照图1,示出了本发明实施例一的推荐方法的步骤流程示意图。
在本实施例中,推荐方法包括以下步骤:
步骤S102:若获取的推荐请求指示推荐与被浏览的第一目标对象相似的相似对象,则根据被浏览的第一目标对象的特征数据和至少一个候选的第二目标对象的特征数据计算所述第一目标对象和至少一个所述第二目标对象之间的相似度。
在本实施例中,推荐请求可以用于指示推荐与当前浏览的第一目标对象相似的相似对象,即向不特定用户推荐相似对象;也可以用于指示向用户推荐目标对象,即向特定用户推荐目标对象。
第一目标对象是被浏览的目标对象,第二目标对象为候选的目标对象。目标对象可以是商品、项目、等任何适当的对象,本实施例对此不作限制。
若获取的推荐请求指示推荐与被浏览的第一目标对象相似的相似对象,则使用特征数据计算第一目标对象和各个第二目标对象之间的相似度,以便后续根据相似度进行推荐。其中,所述特征数据用于指示对应的目标对象的属性,例如,特征数据包括对应的目标对象的行业数据和用户历史行为数据。
以目标对象是项目为例,行业数据可以包括主行业属性(例如机器人)和子行业属性(例如智能机器人),主行业属性和子行业属性可以为多个。用户历史行为数据可以包括对应的目标对象被用户操作的数据,例如被收藏数、被点赞数、被浏览数等。当然在其他实施例中,特征数据还可以包括其他数据,可以根据需要配置其他属性,本实施例对此不作限制。
在本实施例中,第一目标对象的特征数据表现为第一特征向量(记作向量A,如下述表1中与project_A对应的向量),如下述表1所示,针对特征数据中的每个属性,第一目标对象均具有对应的权重值,所有属性的权重值组成第一特征向量。相应地,各候选的第二目标对象的特征数据可以表现为对应的第二特征向量(记作向量B,如下述表1中project_B~project_N对应的向量)。
将所有目标对象与各个属性(也可以称之为标签)进行关联,关联矩阵如表1。表中每一行可视为目标对象与某个属性相关的向量。其中,若目标对象与主行业属性相关,则将其权重置为x,与子行业属性相关则权重置为y,与用户历史行为数据中的某一属性相关则权重置为1,不相关则置为0。此外,还可以根据需要配置自定义属性(即自定义标签),且自定义属性的数量可以根据需要决定。
计算第一目标对象和某个第二目标对象的相似度可以实现为:采用余弦距离算法或欧式距离算法等相似度算法计算第一目标对象的第一特征向量和第二目标对象的第二特征向量之间的距离,以确定相似度。
余弦距离算法计算相似度如下述公式。
其中,其中Ai和Bi分别代表向量A和B针对各属性的分量。
计算出的任意两个目标对象之间的相似度如下述表2所示。
表2
当然,本实施例中仅是例举了一种计算相似度的方式,在其他实施例中,可以采用其他方式计算相似度。在本实施例中,计算相似度时,可以根据需要对各主行业属性权重值、子行业属性权重值、被收藏数权重值、项目被点赞数权重值进行配置,从而实现了满足不同的推荐侧重点需求的目的。
步骤S104:根据至少一个所述第二目标对象的特征数据中的用户历史行为数据和被推荐数,确定对应的热度数据。
在本实施例中,各第二目标对象的所述热度数据随所述被推荐数增加而减小,从而解决了现有技术中过热目标对象持续被推荐及新目标对象被推荐概率过小的问题。
在一具体实现中,所述用户历史行为数据至少包括对应的目标对象的被收藏数、被点赞数和被浏览数的情况下,计算某个第二目标对象的热度数据的可以实现为:根据下述公式确定各第二目标对象的热度数据;
其中,表示第j个第二目标对象的热度数据,m为被收藏数的权重系数,m取值范围为正整数;Sj为第j个第二目标对象的被收藏数;n为被点赞数的权重系数,取值范围为正整数;Vj为第j个第二目标对象的被点赞数,Lj为第j个第二目标对象在第一设定时间段内被浏览数;Tj为第j个第二目标对象在第二设定时间段内被推荐数。
其中,第一设定时间段可以根据需要确定,例如,为一个月、2周等等。第二设定时间段可以根据需要确定,例如,为一个月、2周等等。第一设定时间段和第二设定时间段可以相同或不同。
由于引入了被推荐数作为分母,因而使得热度数据会随着被推荐数的增加而减小,从而实现上述的过热目标对象持续被推荐的问题。
当然,在其他实施例中,可以采用其他方式计算热度数据,本实施例对此不作限制。
步骤S106:根据第一目标对象与至少一个所述第二目标对象之间的相似度和所述至少一个第二目标对象的热度数据,从候选的所述第二目标对象中确定推荐的目标对象。
在一具体实现中,步骤S106包括:根据所述第一目标对象与各所述第二目标对象之间的相似度、以及各所述第二目标对象的热度数据,确定各所述第二目标对象相对所述第一目标对象的推荐值;将各所述第二目标对象的推荐值进行降序排序,根据推荐值排序结果,选取所述推荐值排序结果中前P个第二目标对象作为推荐的目标对象,其中,P为正整数。
其中:根据下述公式确定各所述第二目标对象相对所述第一目标对象的推荐值;
在确定推荐值之后,将各第二目标对象的推荐值由高到低进行排序,获得推荐值排序结果,从推荐值排序结果中选取前P个第二目标对象作为与第一目标对象相似的目标对象进行推荐。P为正整数,例如,P为5,即取推荐值前5的第二目标对象作为推荐的目标对象。
通过本实施例,实现了根据第一目标对象的特征数据和各候选的第二目标对象的特征数据进行相似度计算和各第二目标对象的热度数据计算,进而可以计算出推荐值,由于热度数据会随推荐次数增加而减小,从而避免了热度数据较高的目标对象被重复推荐,而热度数据较低的目标对象始终无法被推荐的问题,而且能够准确地推荐与第一目标对象相似的目标对象。
本实施例的推荐方法可以由任意适当的具有数据处理能力的电子设备执行,包括但不限于:服务器、移动终端(如平板电脑、手机等)和PC机等。
实施例二
参见图2,示出了根据本发明实施例二的一种推荐方法的步骤流程示意图。
在本实施例中,推荐方法包括前述的步骤S102到步骤S106。其中,在步骤S102之前还包括:
步骤S100:确定获取的推荐请求是否指示推荐与被浏览的第一目标对象相似的相似对象。
若指示推荐与被浏览的第一目标对象相似的相似对象,则执行前述的步骤S102~步骤S106。反之,若未指示推荐与被浏览的第一目标对象相似的相似对象,则表示指示向用户推荐目标对象,则执行步骤S108。
步骤S108:若获取的推荐请求指示向用户推荐目标对象,确定是否存在满足第三设定时间段内的待推荐用户的浏览记录。
第三设定时间段可以根据需要确定,例如,为一个月、2周等等。第三设定时间段和第一设定时间段可以相同或不同。
用户的浏览记录用于保存用户浏览目标对象的信息,还可以记录用户对浏览的目标对象的操作信息,例如点赞的目标对象等。本领域技术人员可以通过任何适当的方式确定是否存在满足第三设定时间段内的待推荐用户的浏览记录,本实施例对此不作限制。
若不存在用户的浏览记录,则执行步骤S110;反之,若存在用户的浏览记录,则执行步骤S112。
步骤S110:若不存在,则根据各所述第二目标对象的热度数据进行排序,并根据热度排序结果,选取所述热度排序结果中前Q个第二目标对象作为推荐的目标对象,其中,Q为正整数。
在不存在用户的浏览记录的情况下,可以直接向用户推荐热度数据较高的第二目标对象,各第二目标对象的热度数据的计算过程可以与前述的步骤S104相同,故不再赘述。在确定各第二目标对象的热度数据后,根据热度数据由高到低进行排序,获得热度排序结果,选取所述热度排序结果中前Q个第二目标对象作为推荐的目标对象,其中,Q为正整数,例如,Q可以为5等。这样可以将热度前五的第二目标对象推荐给用户。
步骤S112:若存在满足第三设定时间段内的浏览记录,则根据所述浏览记录,确定待推荐用户浏览的目标对象的行业数据,根据浏览的目标对象的行业数据,确定浏览频次最高的F个行业,其中,F为正整数,针对所述最高的F个行业中的每个行业,根据各所述第二目标对象的行业数据,确定与各行业匹配的第二目标对象,将与各行业匹配的第二目标对象中热度数据最高的第二目标对象作为推荐的目标对象。
例如,在存在用户的浏览记录时,根据浏览记录确定用户浏览了目标对象A和B2个目标对象,则分别确定这2个目标对象的行业数据,以确定每个目标对象对应的相关的主行业属性对应的行业和子行业属性对应的行业,例如,目标对象A相关的主行业属性为行业1和行业2,子行业属性为子行业1和子行业2,目标对象B相关的主行业属性为行业1和行业3,子行业属性为子行业1和子行业3,等等。
将2个目标对象相关的主行业和子行业进行计数,从而确定各个行业的频次,例如,目标对象A和B统计出的行业1的浏览频次为2,行业2的浏览频次为1等等。之后根据各个行业的频次,可以确定浏览频次最高的F个行业,其中,F为正整数,例如,F等于5等。
针对所述最高的F个行业中的每个行业,根据各所述第二目标对象的行业数据,确定与各行业匹配的第二目标对象,将与各行业匹配的第二目标对象中热度数据最高的第二目标对象作为推荐的目标对象。例如,针对行业1,从第二目标对象中选取与行业1相关的第二目标对象作为匹配的第二目标对象,之后从所有与行业1相关的第二目标对象中选取热度数据最高的第二目标对象作为推荐的目标对象。
通过本实施例,实现了根据第一目标对象的特征数据和各候选的第二目标对象的特征数据进行相似度计算和各第二目标对象的热度数据计算,进而可以计算出推荐值,由于热度数据会随推荐次数增加而减小,从而避免了热度数据较高的目标对象被重复推荐,而热度数据较低的目标对象始终无法被推荐的问题,而且能够准确地推荐与第一目标对象相似的目标对象。
此外,可根据实际需求调整可配参数(如前述的各个目标对象的权重值),以满足特定推荐需求,使推荐更加灵活。在进行相似目标对象的推荐时,以相似度为主,热度数据为辅,使得推荐结果更加符合用户需求,可以不依赖用户的评分进行推荐,同时解决冷启动的问题,避免生命周期短的系统中推荐效果不好的问题,而且可以避免热度高的目标对象被过多的重复推荐。
本实施例的推荐方法可以由任意适当的具有数据处理能力的电子设备执行,包括但不限于:服务器、移动终端(如平板电脑、手机等)和PC机等。
实施例三
参照图3,示出了根据本发明实施例三的一种推荐装置的结构框图。
在本实施例中,推荐装置包括:
相似度计算模块302,用于若获取的推荐请求指示推荐与被浏览的浏览对象相似的相似对象,则根据被浏览的第一目标对象的特征数据和至少一个候选的第二目标对象的特征数据计算所述第一目标对象和至少一个所述第二目标对象之间的相似度,其中,所述特征数据包括对应的目标对象的行业数据和用户历史行为数据;
热度计算模块304,用于根据至少一个所述第二目标对象的特征数据中的用户历史行为数据和被推荐数,确定对应的热度数据,其中,所述热度数据随所述被推荐数增加而减小;
第一推荐模块306,用于根据第一目标对象与至少一个所述第二目标对象之间的相似度和所述至少一个第二目标对象的热度数据,从候选的所述第二目标对象中确定推荐的目标对象。
可选地,相似度计算模块302在根据第一目标对象与至少一个所述第二目标对象之间的相似度和所述至少一个第二目标对象的热度数据,从候选的所述第二目标对象中确定推荐的目标对象时,用于根据所述第一目标对象与各所述第二目标对象之间的相似度、以及各所述第二目标对象的热度数据,确定各所述第二目标对象相对所述第一目标对象的推荐值;将各所述第二目标对象的推荐值进行降序排序,根据推荐值排序结果,选取所述推荐值排序结果中前P个第二目标对象作为推荐的目标对象,其中,P为正整数。
可选地,相似度计算模块302在所述根据所述第一目标对象与各所述第二目标对象之间的相似度、以及各所述第二目标对象的热度数据,确定各所述第二目标对象相对所述第一目标对象的推荐值时,根据下述公式确定各所述第二目标对象相对所述第一目标对象的推荐值;
可选地,所述用户历史行为数据至少包括对应的目标对象的被收藏数、被点赞数和被浏览数,热度计算模块304用于根据下述公式确定各第二目标对象的热度数据;
其中,表示第j个第二目标对象的热度数据,m为被收藏数的权重系数,m取值范围为正整数;Sj为第j个第二目标对象的被收藏数;n为被点赞数的权重系数,取值范围为正整数;Vj为第j个第二目标对象的被点赞数,Lj为第j个第二目标对象在第一设定时间段内被浏览数;Tj为第j个第二目标对象在第二设定时间段内被推荐数。
可选地,所述装置还包括:
确定模块308,用于若获取的推荐请求指示向用户推荐目标对象,确定是否存在满足第三设定时间段内的待推荐用户的浏览记录;
热度推荐模块310,用于若不存在,则根据各所述第二目标对象的热度数据进行排序,并根据热度排序结果,选取所述热度排序结果中前Q个第二目标对象作为推荐的目标对象,其中,Q为正整数。
可选地,所述装置还包括:
行业推荐模块312,用于若存在满足第三设定时间段内的浏览记录,则根据所述浏览记录,确定待推荐用户浏览的目标对象的行业数据,根据浏览的目标对象的行业数据,确定浏览频次最高的F个行业,其中,F为正整数,针对所述最高的F个行业中的每个行业,根据各所述第二目标对象的行业数据,确定与各行业匹配的第二目标对象,将与各行业匹配的第二目标对象中热度数据最高的第二目标对象作为推荐的目标对象。
本实施例的推荐装置用于实现前述多个方法实施例中相应的推荐方法,并具有相应的方法实施例的有益效果,在此不再赘述。此外,本实施例的推荐装置中的各个模块的功能实现均可参照前述方法实施例中的相应部分的描述,在此亦不再赘述。
实施例四
参照图4,示出了根据本发明实施例四的一种电子设备的结构示意图,本发明具体实施例并不对电子设备的具体实现做限定。
如图4所示,该电子设备可以包括:处理器(processor)402、通信接口(Communications Interface) 404、存储器(memory)406、以及通信总线408。
其中:
处理器402、通信接口404、以及存储器406通过通信总线408完成相互间的通信。
通信接口404,用于与其它电子设备如终端设备或服务器进行通信。
处理器402,用于执行程序410,具体可以执行上述推荐方法实施例中的相关步骤。
具体地,程序410可以包括程序代码,该程序代码包括计算机操作指令。
处理器402可能是中央处理器CPU,或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit),或者是被配置成实施本发明实施例的一个或多个集成电路。电子设备包括的一个或多个处理器,可以是同一类型的处理器,如一个或多个CPU;也可以是不同类型的处理器,如一个或多个CPU以及一个或多个ASIC。
存储器406,用于存放程序410。存储器406可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。
程序410具体可以用于使得处理器402执行以下操作:若获取的推荐请求指示推荐与被浏览的浏览对象相似的相似对象,则根据被浏览的第一目标对象的特征数据和至少一个候选的第二目标对象的特征数据计算所述第一目标对象和至少一个所述第二目标对象之间的相似度,其中,所述特征数据包括对应的目标对象的行业数据和用户历史行为数据;根据至少一个所述第二目标对象的特征数据中的用户历史行为数据和被推荐数,确定对应的热度数据,其中,所述热度数据随所述被推荐数增加而减小;根据第一目标对象与至少一个所述第二目标对象之间的相似度和所述至少一个第二目标对象的热度数据,从候选的所述第二目标对象中确定推荐的目标对象。
在一种可选的实施方式中,程序410还用于使得处理器402在根据第一目标对象与至少一个所述第二目标对象之间的相似度和所述至少一个第二目标对象的热度数据,从候选的所述第二目标对象中确定推荐的目标对象时,根据所述第一目标对象与各所述第二目标对象之间的相似度、以及各所述第二目标对象的热度数据,确定各所述第二目标对象相对所述第一目标对象的推荐值;将各所述第二目标对象的推荐值进行降序排序,根据推荐值排序结果,选取所述推荐值排序结果中前P个第二目标对象作为推荐的目标对象,其中,P为正整数。
在一种可选的实施方式中,程序410还用于使得处理器402在所述根据所述第一目标对象与各所述第二目标对象之间的相似度、以及各所述第二目标对象的热度数据,确定各所述第二目标对象相对所述第一目标对象的推荐值时,根据下述公式确定各所述第二目标对象相对所述第一目标对象的推荐值;其中,i表示第一目标对象,j表示第j个第二目标对象,表示第j个第二目标对象相对第一目标对象的推荐值,表示第j个第二目标对象与第一目标对象之间的相似度,表示第j个第二目标对象的热度数据。
在一种可选的实施方式中,所述用户历史行为数据至少包括对应的目标对象的被收藏数、被点赞数和被浏览数,程序410还用于使得处理器402在根据至少一个所述第二目标对象的特征数据中的用户历史行为数据和被推荐数,确定对应的热度数据时,根据下述公式确定各第二目标对象的热度数据;
其中,表示第j个第二目标对象的热度数据,m为被收藏数的权重系数,m取值范围为正整数;Sj为第j个第二目标对象的被收藏数;n为被点赞数的权重系数,取值范围为正整数;Vj为第j个第二目标对象的被点赞数,Lj为第j个第二目标对象在第一设定时间段内被浏览数;Tj为第j个第二目标对象在第二设定时间段内被推荐数。
在一种可选的实施方式中,程序410还用于使得处理器402若获取的推荐请求指示向用户推荐目标对象,确定是否存在满足第三设定时间段内的待推荐用户的浏览记录;若不存在,则根据各所述第二目标对象的热度数据进行排序,并根据热度排序结果,选取所述热度排序结果中前Q个第二目标对象作为推荐的目标对象,其中,Q为正整数。
在一种可选的实施方式中,程序410还用于使得处理器402若存在满足第三设定时间段内的浏览记录,则根据所述浏览记录,确定待推荐用户浏览的目标对象的行业数据,根据浏览的目标对象的行业数据,确定浏览频次最高的F个行业,其中,F为正整数,针对所述最高的F个行业中的每个行业,根据各所述第二目标对象的行业数据,确定与各行业匹配的第二目标对象,将与各行业匹配的第二目标对象中热度数据最高的第二目标对象作为推荐的目标对象。
程序410中各步骤的具体实现可以参见上述推荐方法实施例中的相应步骤和单元中对应的描述,在此不赘述。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,上述描述的设备和模块的具体工作过程,可以参考前述方法实施例中的对应过程描述,在此不再赘述。
通过本实施例的电子设备,实现了根据第一目标对象的特征数据和各候选的第二目标对象的特征数据进行相似度计算和各第二目标对象的热度数据计算,进而可以计算出推荐值,由于热度数据会随推荐次数增加而减小,从而避免了热度数据较高的目标对象被重复推荐,而热度数据较低的目标对象始终无法被推荐的问题,而且能够准确地推荐与第一目标对象相似的目标对象。
需要指出,根据实施的需要,可将本发明实施例中描述的各个部件/步骤拆分为更多部件/步骤,也可将两个或多个部件/步骤或者部件/步骤的部分操作组合成新的部件/步骤,以实现本发明实施例的目的。
上述根据本发明实施例的方法可在硬件、固件中实现,或者被实现为可存储在记录介质(诸如CD ROM、RAM、软盘、硬盘或磁光盘)中的软件或计算机代码,或者被实现通过网络下载的原始存储在远程记录介质或非暂时机器可读介质中并将被存储在本地记录介质中的计算机代码,从而在此描述的方法可被存储在使用通用计算机、专用处理器或者可编程或专用硬件(诸如ASIC或FPGA)的记录介质上的这样的软件处理。可以理解,计算机、处理器、微处理器控制器或可编程硬件包括可存储或接收软件或计算机代码的存储组件(例如,RAM、ROM、闪存等),当所述软件或计算机代码被计算机、处理器或硬件访问且执行时,实现在此描述的推荐方法。此外,当通用计算机访问用于实现在此示出的推荐方法的代码时,代码的执行将通用计算机转换为用于执行在此示出的推荐方法的专用计算机。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及方法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明实施例的范围。
以上实施方式仅用于说明本发明实施例,而并非对本发明实施例的限制,有关技术领域的普通技术人员,在不脱离本发明实施例的精神和范围的情况下,还可以做出各种变化和变型,因此所有等同的技术方案也属于本发明实施例的范畴,本发明实施例的专利保护范围应由权利要求限定。
除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。同时,应当明白,为了便于描述,附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论,但在适当情况下,所述技术、方法和设备应当被视为授权说明书的一部分。在这里示出和讨论的所有示例中,任何具体值应被解释为仅仅是示例性的,而不是作为限制。因此,示例性实施例的其它示例可以具有不同的值。应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步讨论。
为了便于描述,在这里可以使用空间相对术语,如“在……之上”、“在……上方”、“在……上表面”、“上面的”等,用来描述如在图中所示的一个器件或特征与其他器件或特征的空间位置关系。应当理解的是,空间相对术语旨在包含除了器件在图中所描述的方位之外的在使用或操作中的不同方位。例如,如果附图中的器件被倒置,则描述为“在其他器件或构造上方”或“在其他器件或构造之上”的器件之后将被定位为“在其他器件或构造下方”或“在其他器件或构造之下”。因而,示例性术语“在……上方”可以包括“在……上方”和“在……下方”两种方位。该器件也可以其他不同方式定位(旋转90度或处于其他方位),并且对这里所使用的空间相对描述作出相应解释。
在本发明的描述中,需要理解的是,方位词如“前、后、上、下、左、右”、“横向、竖向、垂直、水平”和“顶、底”等所指示的方位或位置关系通常是基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,在未作相反说明的情况下,这些方位词并不指示和暗示所指的装置或元件必须具有特定的方位或者以特定的方位构造和操作,因此不能理解为对本发明保护范围的限制;方位词“内、外”是指相对于各部件本身的轮廓的内外。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种推荐方法,其特征在于,包括:
若获取的推荐请求指示推荐与被浏览的浏览对象相似的相似对象,则根据被浏览的第一目标对象的特征数据和至少一个候选的第二目标对象的特征数据计算所述第一目标对象和至少一个所述第二目标对象之间的相似度,其中,所述特征数据包括对应的目标对象的行业数据和用户历史行为数据;
根据至少一个所述第二目标对象的特征数据中的用户历史行为数据和被推荐数,确定对应的热度数据,其中,所述热度数据随所述被推荐数增加而减小;
根据第一目标对象与至少一个所述第二目标对象之间的相似度和所述至少一个第二目标对象的热度数据,从候选的所述第二目标对象中确定推荐的目标对象。
2.根据权利要求1所述的方法,其特征在于,根据第一目标对象与至少一个所述第二目标对象之间的相似度和所述至少一个第二目标对象的热度数据,从候选的所述第二目标对象中确定推荐的目标对象,包括:
根据所述第一目标对象与各所述第二目标对象之间的相似度、以及各所述第二目标对象的热度数据,确定各所述第二目标对象相对所述第一目标对象的推荐值;
将各所述第二目标对象的推荐值进行降序排序,根据推荐值排序结果,选取所述推荐值排序结果中前P个第二目标对象作为推荐的目标对象,其中,P为正整数。
5.根据权利要求1所述的方法,其特征在于,所述方法还包括:
若获取的推荐请求指示向用户推荐目标对象,确定是否存在满足第三设定时间段内的待推荐用户的浏览记录;
若不存在,则根据各所述第二目标对象的热度数据进行排序,并根据热度排序结果,选取所述热度排序结果中前Q个第二目标对象作为推荐的目标对象,其中,Q为正整数。
6.根据权利要求5所述的方法,其特征在于,所述方法还包括:
若存在满足第三设定时间段内的浏览记录,则根据所述浏览记录,确定待推荐用户浏览的目标对象的行业数据,根据浏览的目标对象的行业数据,确定浏览频次最高的F个行业,其中,F为正整数,针对所述最高的F个行业中的每个行业,根据各所述第二目标对象的行业数据,确定与各行业匹配的第二目标对象,将与各行业匹配的第二目标对象中热度数据最高的第二目标对象作为推荐的目标对象。
7.一种推荐装置,其特征在于,包括:
相似度计算模块,用于若获取的推荐请求指示推荐与被浏览的浏览对象相似的相似对象,则根据被浏览的第一目标对象的特征数据和至少一个候选的第二目标对象的特征数据计算所述第一目标对象和至少一个所述第二目标对象之间的相似度,其中,所述特征数据包括对应的目标对象的行业数据和用户历史行为数据;
热度计算模块,用于根据至少一个所述第二目标对象的特征数据中的用户历史行为数据和被推荐数,确定对应的热度数据,其中,所述热度数据随所述被推荐数增加而减小;
第一推荐模块,用于根据第一目标对象与至少一个所述第二目标对象之间的相似度和所述至少一个第二目标对象的热度数据,从候选的所述第二目标对象中确定推荐的目标对象。
8.一种电子设备,其特征在于,包括:处理器、存储器、通信接口和通信总线,所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信;
所述存储器用于存放至少一可执行指令,所述可执行指令使所述处理器执行如权利要求1-6中任一项所述的推荐方法对应的操作。
9.一种计算机存储介质,其上存储有计算机的程序,该程序被处理器执行时实现如权利要求1-6中任一所述的推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911103816.6A CN110851737B (zh) | 2019-11-13 | 2019-11-13 | 推荐方法、装置、电子设备及计算机存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911103816.6A CN110851737B (zh) | 2019-11-13 | 2019-11-13 | 推荐方法、装置、电子设备及计算机存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110851737A true CN110851737A (zh) | 2020-02-28 |
CN110851737B CN110851737B (zh) | 2024-03-12 |
Family
ID=69601823
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911103816.6A Active CN110851737B (zh) | 2019-11-13 | 2019-11-13 | 推荐方法、装置、电子设备及计算机存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110851737B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111008349A (zh) * | 2020-03-09 | 2020-04-14 | 深圳博士创新技术转移有限公司 | 一种大数据信息推送处理方法及系统 |
CN113495996A (zh) * | 2020-03-18 | 2021-10-12 | 北京达佳互联信息技术有限公司 | 一种对象推荐方法、装置、设备及介质 |
CN113569127A (zh) * | 2020-04-29 | 2021-10-29 | 北京达佳互联信息技术有限公司 | 一种推荐对象的确定方法、装置、设备及存储介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090055385A1 (en) * | 2007-08-24 | 2009-02-26 | Google Inc. | Media-Based Recommendations |
JP2011257955A (ja) * | 2010-06-08 | 2011-12-22 | Nippon Telegr & Teleph Corp <Ntt> | 推薦アイテムフィルタリング方法及び推薦アイテムフィルタリングプログラム |
CN103744966A (zh) * | 2014-01-07 | 2014-04-23 | Tcl集团股份有限公司 | 一种物品推荐方法、装置 |
US20140143233A1 (en) * | 2012-11-20 | 2014-05-22 | Alibaba Group Holding Limited | Method and system for recommending target object information |
KR101450453B1 (ko) * | 2013-05-10 | 2014-10-13 | 서울대학교산학협력단 | 컨텐츠 추천 방법 및 장치 |
US20150073931A1 (en) * | 2013-09-06 | 2015-03-12 | Microsoft Corporation | Feature selection for recommender systems |
US20160154887A1 (en) * | 2014-12-01 | 2016-06-02 | Comcast Cable Communications, LLC. | Content Recommendation System |
CN109460519A (zh) * | 2018-12-28 | 2019-03-12 | 上海晶赞融宣科技有限公司 | 浏览对象推荐方法及装置、存储介质、服务器 |
CN110097412A (zh) * | 2018-01-31 | 2019-08-06 | 阿里巴巴集团控股有限公司 | 物品推荐方法、装置、设备以及存储介质 |
CN110197404A (zh) * | 2019-06-12 | 2019-09-03 | 合肥工业大学 | 可降低流行度偏差的个性化长尾商品推荐方法和系统 |
-
2019
- 2019-11-13 CN CN201911103816.6A patent/CN110851737B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090055385A1 (en) * | 2007-08-24 | 2009-02-26 | Google Inc. | Media-Based Recommendations |
JP2011257955A (ja) * | 2010-06-08 | 2011-12-22 | Nippon Telegr & Teleph Corp <Ntt> | 推薦アイテムフィルタリング方法及び推薦アイテムフィルタリングプログラム |
US20140143233A1 (en) * | 2012-11-20 | 2014-05-22 | Alibaba Group Holding Limited | Method and system for recommending target object information |
KR101450453B1 (ko) * | 2013-05-10 | 2014-10-13 | 서울대학교산학협력단 | 컨텐츠 추천 방법 및 장치 |
US20150073931A1 (en) * | 2013-09-06 | 2015-03-12 | Microsoft Corporation | Feature selection for recommender systems |
CN103744966A (zh) * | 2014-01-07 | 2014-04-23 | Tcl集团股份有限公司 | 一种物品推荐方法、装置 |
US20160154887A1 (en) * | 2014-12-01 | 2016-06-02 | Comcast Cable Communications, LLC. | Content Recommendation System |
CN110097412A (zh) * | 2018-01-31 | 2019-08-06 | 阿里巴巴集团控股有限公司 | 物品推荐方法、装置、设备以及存储介质 |
CN109460519A (zh) * | 2018-12-28 | 2019-03-12 | 上海晶赞融宣科技有限公司 | 浏览对象推荐方法及装置、存储介质、服务器 |
CN110197404A (zh) * | 2019-06-12 | 2019-09-03 | 合肥工业大学 | 可降低流行度偏差的个性化长尾商品推荐方法和系统 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111008349A (zh) * | 2020-03-09 | 2020-04-14 | 深圳博士创新技术转移有限公司 | 一种大数据信息推送处理方法及系统 |
CN113495996A (zh) * | 2020-03-18 | 2021-10-12 | 北京达佳互联信息技术有限公司 | 一种对象推荐方法、装置、设备及介质 |
CN113495996B (zh) * | 2020-03-18 | 2024-02-23 | 北京达佳互联信息技术有限公司 | 一种对象推荐方法、装置、设备及介质 |
CN113569127A (zh) * | 2020-04-29 | 2021-10-29 | 北京达佳互联信息技术有限公司 | 一种推荐对象的确定方法、装置、设备及存储介质 |
CN113569127B (zh) * | 2020-04-29 | 2023-11-21 | 北京达佳互联信息技术有限公司 | 一种推荐对象的确定方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110851737B (zh) | 2024-03-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109829775B (zh) | 一种物品推荐方法、装置、设备及可读存储介质 | |
US9691096B1 (en) | Identifying item recommendations through recognized navigational patterns | |
US9569499B2 (en) | Method and apparatus for recommending content on the internet by evaluating users having similar preference tendencies | |
CN109816482B (zh) | 电商平台的知识图谱构建方法、装置、设备及存储介质 | |
CN110851737A (zh) | 推荐方法、装置、电子设备及计算机存储介质 | |
CN110008397B (zh) | 一种推荐模型训练方法及装置 | |
CN108665333A (zh) | 商品推荐方法、装置、电子设备和存储介质 | |
CN105426528A (zh) | 一种商品数据的检索排序方法及系统 | |
CN111310046B (zh) | 对象推荐方法及装置 | |
CN109961077A (zh) | 性别预测方法、装置、存储介质及电子设备 | |
CN113689259A (zh) | 基于用户行为的商品个性化推荐方法及系统 | |
CN105677810A (zh) | 一种基于关键词分析的网络购物产品搜索系统 | |
CN110704659A (zh) | 图像列表的排序方法和装置、存储介质及电子装置 | |
CN112132660A (zh) | 商品推荐方法、系统、设备及存储介质 | |
CN109063120A (zh) | 一种基于聚类的协同过滤推荐方法和装置 | |
WO2020016204A1 (en) | Determining item relevancy | |
CN116308683B (zh) | 基于知识图谱的服装品牌定位推荐方法、设备及存储介质 | |
CN117421355A (zh) | 一种搜索召回方法、装置及设备 | |
KR101081947B1 (ko) | 대용량 데이터를 위한 하이브리드 추천 방법 및 시스템 | |
CN109144953B (zh) | 搜索文件的排序方法、装置、设备、存储介质及搜索系统 | |
CN112036988B (zh) | 标签生成方法和装置、存储介质及电子设备 | |
KR102349825B1 (ko) | 전자상거래 시스템에서 쇼핑몰 회원의 상품 구매 추천 시점 산출 방법, 장치 및 시스템 | |
CN113393303A (zh) | 物品推荐方法、装置、设备及存储介质 | |
CN107341161A (zh) | 一种信息查询方法及装置 | |
CN111339434A (zh) | 信息推荐方法、装置、电子设备及计算机存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |