CN111028029B - 一种线下商品推荐方法、装置和电子设备 - Google Patents
一种线下商品推荐方法、装置和电子设备 Download PDFInfo
- Publication number
- CN111028029B CN111028029B CN201811179599.4A CN201811179599A CN111028029B CN 111028029 B CN111028029 B CN 111028029B CN 201811179599 A CN201811179599 A CN 201811179599A CN 111028029 B CN111028029 B CN 111028029B
- Authority
- CN
- China
- Prior art keywords
- matrix
- commodity
- visiting
- information
- purchase
- 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.)
- Active
Links
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明实施例提供一种线下商品推荐方法、装置和电子设备,该方法包括:获取来访客户的视觉信息;从所述视觉信息中提取视觉特征信息;将所述视觉特征信息添加至所述来访客户的历史记录,以得到所述来访客户的商品推荐矩阵,所述商品推荐矩阵包括所述来访客户的商品购买记录和身份属性中至少一项;基于所述商品推荐矩阵向所述来访客户推荐商品。本发明实施例能够能够提高商品推荐准确率。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种线下商品推荐方法、装置和电子设备。
背景技术
商品推荐系统是目前商家针对客户在购买商品避免大量浏览的一种技术手段,例如:张三和李四前段时间在某平台上都买了电脑、键盘,李四还买了鼠标,当张三再次进入该平台上时,该平台向张三推荐鼠标。这样的方法主要用于线上平台购买,目前一些线下门店也开始有意识的收集消费者的购买信息做出商品推荐系统,与线上商品推荐系统相同,都是直接基于消费者的历史购买记录进行协同过滤。然而这样的推荐方式的推荐准确率比较低。
发明内容
本发明实施例提供一种线下商品推荐方法、装置和电子设备,能够提高推荐准确率。
第一方面,本发明实施例提供一种线下商品推荐方法,包括:
获取来访客户的视觉信息;
从所述视觉信息中提取视觉特征信息;
将所述视觉特征信息添加至所述来访客户的历史记录,以得到所述来访客户的商品推荐矩阵,所述商品推荐矩阵包括所述来访客户的商品购买记录和身份属性中至少一项;
基于所述商品推荐矩阵向所述来访客户推荐商品。
可选的,所述视觉特征信息包括所述来访客户的至少一个物品信息;
所述将所述视觉特征信息添加至所述来访客户的历史记录,包括:
将所述至少一个物品信息添加到所述来访客户的历史记录中的购买商品记录。
可选的,所述商品推荐矩阵为商品购买矩阵,所述商品购买矩阵包括多个客户的商品购买记录,所述多个客户包括所述来访客户;
所述基于所述商品推荐矩阵向所述来访客户推荐商品,包括:
提取所述商品购买矩阵中每个矩阵单元的购买数量值,根据每个矩阵单元的购买数量值得到每个矩阵单元的置信度,其中,所述置信度与购买数量值成正相关;
根据所述置信度获取第一评分矩阵,所述第一评分矩阵包括商品评分;
基于所述第一评分矩阵向所述来访客户推荐商品。
可选的,所述根据所述置信度获取第一评分矩阵,包括:
将所述商品购买矩阵中非0矩阵单元中的购买数量值进行归1处理,得到商品隐式矩阵;
对所述商品隐式矩阵进行矩阵分解,以得到客户隐性因子矩阵和商品隐性因子矩阵,其中,所述客户隐性因子矩阵包括所述商品隐式矩阵中所述多个客户的数量,所述商品隐性因子矩阵包括所述商品隐式矩阵中多个商品的数据;
根据所述置信度、所述客户隐性因子矩阵和所述商品隐性因子矩阵,获取所述第一评分矩阵。
可选的,所述根据所述置信度、所述客户隐性因子矩阵和所述商品隐性因子矩阵,获取所述第一评分矩阵,包括:
将所述客户隐性因子矩阵和所述商品隐性因子矩阵进行相乘,得到隐式目标矩阵,在所述隐式目标矩阵的每个矩阵单元上添加相应的所述置信度,以得到所述第一评分矩阵。
可选的,所述视觉特征信息包括所述来访客户的至少一个物品信息和身份属性信息;
所述将所述视觉特征信息添加至所述来访客户的历史记录,包括:
将所述至少一个物品信息添加到所述来访客户的历史记录中的购买商品记录,以及将所述身份属性信息添加到所述来访客户的历史记录中的身份属性信息。
可选的,所述商品推荐矩阵包括:客户信息矩阵、商品信息矩阵和商品购买矩阵,其中,所述客户信息矩阵包括多个客户的身份属性信息,所述商品信息矩阵包括多个商品的商品属性信息,所述商品购买矩阵包括多个客户的商品购买记录,所述多个客户包括所述来访客户;
所述基于所述商品推荐矩阵向所述来访客户推荐商品,包括:
将所述客户信息矩阵和所述商品购买矩阵进行联合矩阵分解,得到客户隐性因子矩阵,其中,所述客户隐性因子矩阵包括所述商品购买矩阵中所述多个客户的数量;
将所述商品信息矩阵和所述商品购买矩阵进行联合矩阵分解,得到商品隐性因子矩阵,其中,所述客户隐性因子矩阵包括所述商品购买矩阵中多个商品的数据;
将所述客户隐性因子矩阵和所述商品隐性因子矩阵进行相乘,得到第二评分矩阵,所述第二评分矩阵包括商品评分;
基于所述第二评分矩阵向所述来访客户推荐商品。
第二方面,本发明实施例提供一种线下商品推荐装置,包括:
获取模块,用于获取来访客户的视觉信息;
提取模块,用于从所述视觉信息中提取视觉特征信息;
添加模块,用于将所述视觉特征信息添加至所述来访客户的历史记录,以得到所述来访客户的商品推荐矩阵,所述商品推荐矩阵包括所述来访客户的商品购买记录和身份属性中至少一项;
推荐模块,用于基于所述商品推荐矩阵向所述来访客户推荐商品。
第三方面,一种电子设备,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现本发明实施例提供的线下商品推荐方法中的步骤。
第四方面,一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现本发明实施例提供的线下商品推荐方法中的步骤。
本发明实施例中,获取来访客户的视觉信息;从所述视觉信息中提取视觉特征信息;将所述视觉特征信息添加至所述来访客户的历史记录,以得到所述来访客户的商品推荐矩阵,所述商品推荐矩阵包括所述来访客户的商品购买记录和身份属性中至少一项;基于所述商品推荐矩阵向所述来访客户推荐商品。由于在来访客户的历史记录中添加了当前来访客户的视觉特征信息,使历史记录同步到当前,从而能够提高商品推荐准确率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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的附图。
图1是本发明实施例提供的一种线下商品推荐方法的流程示意图;
图2是本发明实施例提供的另一种线下商品推荐方法的流程示意图;
图3是本发明实施例提供的一种矩阵分解示意图;
图4是本发明实施例提供的另一种线下商品推荐方法的流程示意图;
图5是本发明实施例提供的一种线下商品推荐装置的结构示意图;
图6是本发明实施例提供的另一种线下商品推荐装置的结构示意图;
图7是本发明实施例提供的另一种线下商品推荐装置的结构示意图;
图8是本发明实施例提供的另一种线下商品推荐装置的结构示意图;
图9是本发明实施例提供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作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。
请参见图1,图1是本发明实施例提供的一种线下商品推荐方法的流程示意图,如图1所示,包括以下步骤:
101、获取来访客户的视觉信息。
其中,上述来访客户的视觉信息可以包括来访客户的人脸信息,还可以包括形体信息(例如身高、三围等)、穿着信息(例如佩戴的帽子、眼镜、穿的衣服、裤子、鞋子,以及帽子、衣服、裤子、鞋子的款式、颜色信息等)、年龄信息、性别信息、姿态信息等的一种或多种;步骤101可以通过摄像头来获取上述视觉信息,该摄像头可以安装在商店门口、货物区、柜台或者智能终端等,在这里摄像头的安装位置和数量不做限制。只要来访客户进入摄像头的可视范围内,就可以获取所述来访客户的视觉信息。例如:摄像头安装在商店门口,当有来访客户时,通过摄像头对来访客户进行拍照并将拍到的来访客户的照片进行分析,就可以得到该来访客户的视觉信息。
另外,为拍到更全面的来访客户的照片,可以设置多个摄像关对来访客户进行拍照,以实现多角度的拍照,从而获取更加全面的来访客户的视觉信息。例如:可以将至少一个摄像头安装在商店门口,以获取到来访客户的人脸信息,可以将至少两个摄像头安装商店门口两侧,以获取到来访客户的穿着信息、形体信息及姿态信息等。
需要说明的是,本发明实施例中,所述来访客户也可以称作访客,也可以称作消费者。
102、从所述视觉信息中提取视觉特征信息。
其中,所述从所述视觉信息中提取视觉特征信息可以是通过图像识别技术识别出摄像头拍下的所述来访客户的照片信息,然后从这个照片信息中提取所述来访客户的视觉特征信息。例如:身份、性别、年龄、穿衣风格、姿态等信息。当然,还可以是提取其他视觉特征信息,例如:身高、形体、携带物品等特征信息。
103、将所述视觉特征信息添加至所述来访客户的历史记录,以得到所述来访客户的商品推荐矩阵,所述商品推荐矩阵包括所述来访客户的商品购买记录和身份属性中至少一项。
其中,所述来访客户可以是在数据库中注册身份信息的客户,也可以是未在数据库中注册身份信息的客户,当来访客户是在数据库中注册身份信息的客户时,将所述视觉特征信息添加到他们的历史记录中,基于添加后的历史记录进行协同过滤,可以提高协同过滤的准确率,例如:以形体特征信息而言,数据库中的历史记录不会对形体进行更新,而形体是一个可变的特征,如人的胖瘦的变化,而数据库是不会主动更新这样的变化的,只有通过摄像头进行采集,那么在来访客户的历史记录中添加来访客户的形体特征信息,基于添加后的历史记录的协同过滤中,就会过滤出具有相同形体特征的客户,自然就提高协同过滤的准确率。
当来访客户是未在数据库中注册身份信息的客户时,可以为该来访客户建立一个历史记录,进行可以将视觉特征信息添加至该来访客户的历史记录,通过视觉特征信息来对消费者进行分类,例如:如果做服装方面的推荐,可以通过身高特征进行一个分类,将具体相同身高的来访客户分类作为一个集合,因为身高相同,在服装方面会有相近的尺寸需要。
需要说明的是,来访客户为在数据库中注册身份信息的客户可以称作熟客,来访客户为未在数据库中注册身份信息的客户可以称作生客。
步骤103中得到的所述来访客户的商品推荐矩阵,所述商品推荐矩阵包括所述来访客户的商品购买记录和身份属性中至少一项,所述商品购买记录可以是来访客户的历史商品购买种类及数量的记录,身份属性可以是来访客户的唯一身份标识,比如可以是身份证号,或者可以是由商家对来访客户编的一个唯一标识号。
在一种实施例中,身份属性也可以是其他的基于视觉特征信息形成的特征属性,比如身高属性、年龄属性、性别属性等,例如:以年龄属性为例,在商品推荐矩阵中,可以将一个矩阵单元描述为,某个年龄段来访客户的历史商品购买种类及数量。
104、基于所述商品推荐矩阵向所述来访客户推荐商品。
基于所述商品推荐矩阵的前提下,可以对所述商品推荐矩阵进行中的数据进行协同过滤的推荐,在协同过滤中,可以采用基于客户的协同过滤推荐例如:假设客户a喜欢商品A,商品C,客户b喜欢商品B,客户c喜欢商品A,商品C和商品D;从这些客户的历史喜好信息中,我们可以发现客户a和客户c的口味和偏好是比较类似的,同时用c还喜欢商品D,那么我们可以推断客户a可能也喜欢商品D,因此可以将商品D推荐给用a。
也可以采用基于项目的协同过滤推荐,例如:假设客户a喜欢商品A和商品C,客户b喜欢商品A,商品B和商品C,客户c喜欢商品A,从这些客户的历史喜好可以分析出商品A和商品C时比较类似的,喜欢商品A的人都喜欢商品C,基于这个数据可以推断客户c很有可能也喜欢商品C,所以可以将商品C推荐给客户c。
上述的喜欢可以描述为购买记录,购买过就代表喜欢,也可以描述为对商品的评分。
一种实施例中,基于所述商品推荐矩阵的前提下,也可以对所述商品推荐矩阵进行基于商品内容的推荐,例如:首先我们需要对商品的元数据有一个建模,本例中只简单的描述了一下商品的类型;然后通过商品的元数据发现商品间的相似度,比如类型都是“皮衣,夹克”的商品A和C被认为是相似的商品(当然,只根据类型是不够的,要得到更好的推荐,我们还可以考虑商品的款式,颜色等等);最后实现推荐,对于客户a,他喜欢商品A,那么就可以给他推荐类似的商品C。
其中,确定所述来访客户的推荐商品后就可以向所述来访客户展示所述推荐商品,可以是通过显示设备进行展示,所述显示设备可以是手机、电脑、平板电脑等具有显示功能的设备,在这里对这种显示设备不做限制,当然,在一些可能的场景中,也可以通过语音设备进行推荐,比如电子导购、智能音箱、手机语音助手等,也还可以是显示设备与语音设备混合进行推荐,比如机器人店员、虚拟成像店员等。
这样可以将展示的所述推荐商品向来访客户推荐该推荐商品,且由于是根据视觉特征信息和评分进行推荐,从而能够提高商品推荐的准确率。
需要说明的是,本发明实施例提供的线下商品推荐方法可以应用于线下商品推荐设备,例如:计算机、服务器、手机、智能机器人等可以进行商品推荐的设备。
本发明实施例中,获取来访客户的视觉信息;从所述视觉信息中提取视觉特征信息;将所述视觉特征信息添加至所述来访客户的历史记录,以得到所述来访客户的商品推荐矩阵,所述商品推荐矩阵包括所述来访客户的商品购买记录和身份属性中至少一项;基于所述商品推荐矩阵向所述来访客户推荐商品。由于在来访客户的历史记录中添加了当前来访客户的视觉特征信息,使历史记录同步到当前,从而能够提高商品推荐准确率。
请参见图2,图2是本发明实施例提供的另一种线下商品推荐方法的流程示意图,如图2所示,包括以下步骤:
201、获取来访客户的视觉信息。
202、从所述视觉信息中提取视觉特征信息。
203、所述视觉特征信息包括所述来访客户的至少一个物品信息,将所述至少一个物品信息添加到所述来访客户的历史记录中的商品购买记录,以得到所述来访客户的商品推荐矩阵,所述商品推荐矩阵包括所述来访客户的商品购买记录和身份属性中至少一项。
其中,所述来访客户可以是在数据库中注册身份信息的客户,也可以是未在数据库中注册身份信息的客户,当来访客户是在数据库中注册身份信息的客户时,将所述至少一个物品信息添加到他们的历史记录中,基于添加后的历史记录进行协同过滤,可以提高协同过滤的准确率。
当然,基于添加后的历史记录得到的所述来访客户的商品推荐矩阵,可以拥有更高的置信度,例如,提取到来访客户的视觉特征信息中包括的物品信息中包括物品A、物品B、物品C各1件,其中,物品A为在本门店在售的商品,也就是已经存在于商品购买记录中,假设购买记录为4,物品B为本门店在售商品,但为来访客户在别的门店所购买,并未记录于商品购买记录中,在商品购买记录中表现为0或空,假设购买记录为0,C为本门店不在售的商品,进行添加后,来访客户的商品购买记录则添加物品A的购买数量到5,添加物品B的购买数量到1,对C则可以不添加,这样刷新了来访客户的商品购买记录的同时,提高了置信度。
这样的添加可以是临时进行添加,在推荐完成后进行还原,也可以是永久性的添加,就以喜欢的程度而言,比如衣服,经常穿在身上,就说明是非常喜欢,这样的话,其置信度就越高,也越可靠。
当来访客户是未在数据库中注册身份信息的客户时,为该来访客户建立历史记录,将所述至少一个物品信息添加到他们的历史记录中,需要说明的是,为该来访客户建立的历史记录中的商品购买项全部为空或0,在将所述至少一个物品信息添加到历史记录中后,该来访客户的历史记录中的商品购买项才会有商品购买数据或者说才不全为空或0。
例如:提取到来访客户的视觉特征信息中包括的物品信息中包括物品A、物品B、物品C各1件,其中,物品A和物品B为在本门店在售的商品,C为本门店不在售的商品,假设物品A各物品B的购买记录为0,进行添加后,来访客户的商品购买记录则添加物品A的购买数量到1,添加物品B的购买数量到1,对C则可以不添加,这样刷新了来访客户的商品购买记录的同时,提高了置信度,同时提高了推荐冷启动的推荐准确率。
需要说明的是,所述至少一个物品信息可以看成是已购买商品进行记录。
204、基于所述商品推荐矩阵向所述来访客户推荐商品。
在该实施例中,通过对上述步骤中的商品推荐矩阵进行物品信息的添加,增加了线下商品推荐的准确率。
可选的,在上述实施例中,所述商品推荐矩阵为商品购买矩阵,所述商品购买矩阵包括多个客户的商品购买记录,所述多个客户包括所述来访客户;
所述基于所述商品推荐矩阵向所述来访客户推荐商品,包括:
提取所述商品购买矩阵中每个矩阵单元的购买数量值,根据每个矩阵单元的购买数量值得到每个矩阵单元的置信度,其中,所述置信度与购买数量值成正相关;
根据所述置信度获取第一评分矩阵,所述第一评分矩阵包括商品评分;
基于所述第一评分矩阵向所述来访客户推荐商品。
其中,所述商品购买矩阵可以是基于商品购买记录的表单,表单上的每一行可以表示一个客户,表单上的每一列可以表示一种商品,表单上的数据单元可以形成商品购买矩阵的矩阵单元,表单的数据单元中的数据对就商品购买矩阵的矩阵单元的购买数量值。
通过将购买数量值做正相关的计算,可以得到本实施例中的置信度,假设置信度为cui,购买数量值为rui,给定一个参数α,所述α为0至1闭区间的常数,可以人为进行设定,则有置信度转换公式:
cui=1+αrui
得到置信度后,可以将所述置信度添加到商品购买矩阵中,获取第一评分矩阵,所述第一评分矩阵包括商品评分,所述商品评分可由置信度得到。
当然,做为一种可能的实施例,所述商品评分也可以是由购买数量值或置信度进行代替得到。所述购买数量值在一定程度上可做为推荐依据,购买数量值越大,商家越有信心认为该购买数量值对应的商品越受该客户的喜爱。
在一些可能的实施方式中,在计算置信度的过程中,可以根据商品属性进行不同常数设定,比如,对于手机,可以设置一个较大的α常数,对裤子设置一个较小的α常数以使置信度更为合理。
可选的,在上述实施例中,所述根据所述置信度获取第一评分矩阵,包括:
将所述商品购买矩阵中非0矩阵单元中的购买数量值进行归1处理,得到商品隐式矩阵;
对所述商品隐式矩阵进行矩阵分解,以得到客户隐性因子矩阵和商品隐性因子矩阵,其中,所述客户隐性因子矩阵包括所述商品隐式矩阵中所述多个客户的数量,所述商品隐性因子矩阵包括所述商品隐式矩阵中多个商品的数据;
根据所述置信度、所述客户隐性因子矩阵和所述商品隐性因子矩阵,获取所述第一评分矩阵。
对所述购买数量值进行归1处理可以采用替换法,将非0的购买数量值用数字1进行替换,保持0矩阵单元中的购买数量值为0,这样,就可以得到一个商品隐式矩阵,所述商品隐式矩阵中只有0和1的购买数量值,0代表没有购买过,1代表购买过,在这个商品隐式矩阵中,由于所述商品购买矩阵中的购买数量值被归1化,所以并不能直接从所述商品隐式矩阵中得到客户对商品的喜爱程度。当然,对所述购买数量值进行归1处理也可以采用倒数相乘法,即用所述购买数量值与所述购买数量值的倒数进行相乘,这样就不用考虑非0矩阵单元的购买数量值,不需要将非0矩阵单元挑出来。
虽然所述购买数量值在一定程度上可做为推荐依据,购买数量值越大,商家越有信心认为该购买数量值对应的商品越受该客户的喜爱。但商品的购买个数也不一定代表着客户对于该商品的喜爱,比如:大家买袜子的时候可能会买好多双,但是只会买一台手机,这并不能说明大家对手机的喜爱程度低于对袜子的喜爱程度,因此,所述商品隐式矩阵可以在一定程度上消除数量对喜爱程度的影响,进而提高推荐的准确率。
所述商品购买矩阵转换为所述商品隐式矩阵可如矩阵1和矩阵2所示:
Item1 | Item2 | Item3 | …… | Item300 | |
User1 | 2 | 6 | |||
User2 | 5 | ||||
…… | |||||
User10000 | 1 | 1 | 4 |
矩阵1
Item1 | Item2 | Item3 | …… | Item300 | |
User1 | 1 | 1 | |||
User2 | 1 | ||||
…… | |||||
User10000 | 1 | 1 | 1 |
矩阵2
其中矩阵1为商品购买矩阵,矩阵2为商品隐式矩阵,需要说明的是,所述商品隐式矩阵也可以称作隐式购买矩阵。
由于所述商品隐式矩阵的稀疏性,即所述商品隐式矩阵中的某些矩阵单元的购买数量值为0,所以需要对所述商品隐式矩阵进行矩阵分解,将所述商品隐式矩阵分解为所述客户隐性因子矩阵和所述商品隐性因子矩阵的乘积,通过梯度下降法就能解得所述客户隐性因子矩阵和所述商品隐性因子矩阵,再利用所述客户隐性因子矩阵和所述商品隐性因子矩阵得到一个满秩矩阵,这个满秩矩阵的矩阵单元为非空矩阵单元,可以用来对描述客户对每个商品的评价,结合所述置信度,可以得到所述第一评分矩阵。
例如:假设我们的商品隐式矩阵为R,因为其中有许多矩阵单元为空,所以R是一个非常稀疏的矩阵,因此我们不可能得到所有用户对于所有物品的评分。于是利用稀疏的R,填充得到一个满矩阵R’就是我们的目的。又比如,用户对于黑色,白色的喜好度为1:5;而商品对于黑色,白色的包含度为5:1;那么我们可以大概地判断用户不会喜欢这商品,而这包含黑色和白色的商品颜色属性则可以作为隐性因子,在对商品隐式矩阵进行分解时,就可以分解为包括有多个客户和颜色属性的客户隐性因子矩阵和包括有多个商品和颜色属性的商品隐性因子矩阵。
假设所述客户隐性因子矩阵为U,所述商品隐性因子矩阵为V,商品隐式矩阵为R,置信度为cui,商品隐式矩阵R中u行i列对应的矩阵单元中的数值为pui,其中pui为0或1,则有目标函数:
前面一项为最小二乘项,第二项为防止过拟合的正则化项。通过梯度下降法就能解得所述客户隐性因子矩阵U和所述商品隐性因子矩阵V,矩阵分解可参考图3。
优选的,上述实施例中,所述根据所述置信度、所述客户隐性因子矩阵和所述商品隐性因子矩阵,获取所述第一评分矩阵,包括:
将所述客户隐性因子矩阵和所述商品隐性因子矩阵进行相乘,得到隐式目标矩阵,在所述隐式目标矩阵的每个矩阵单元上添加相应的所述置信度,以得到所述第一评分矩阵。
将所述客户隐性因子矩阵和所述商品隐性因子矩阵相乘,获取一个满秩的隐式目标矩阵,这个满秩矩阵的隐式目标矩阵与所述置信度进行相乘,可以得到所述第一评分矩阵。
请参见图4,图4是本发明实施例提供的另一种线下商品推荐方法的流程示意图,如图4所示,包括以下步骤:
301、获取来访客户的视觉信息。
302、从所述视觉信息中提取视觉特征信息。
303、所述视觉特征信息包括所述来访客户的至少一个物品信息和身份属性信息,将所述至少一个物品信息添加到所述来访客户的历史记录中的商品购买记录,以及将所述身份属性信息添加到所述来访客户的历史记录中的身份属性信息,以得到所述来访客户的商品推荐矩阵,所述商品推荐矩阵包括所述来访客户的商品购买记录和身份属性中至少一项。
可以根据添加的所述身份属性对来访客户进行分类,得到不同的偏好的客户群体,并在添加所述至少一个物品信息到所述来访客户的历史记录的商品购买记录后,形成所述商品推荐矩阵。比如,添加的身份属性为年龄段,则将所述来访客户划分到对应的年龄段中,并对该年龄段的历史记录的商品购买记录添加所述至少一个物品信息,以形成针对该年龄段的商品推荐矩阵。
如同以上实施例中,需要说明的是,所述至少一个物品信息可以看成是已购买商品进行记录。
304、基于所述商品推荐矩阵向所述来访客户推荐商品。
可选的,在上述实施例中,所述商品推荐矩阵包括:客户信息矩阵、商品信息矩阵和商品购买矩阵,其中,所述客户信息矩阵包括多个客户的身份属性信息,所述商品信息矩阵包括多个商品的商品属性信息,所述商品购买矩阵包括多个客户的商品购买记录,所述多个客户包括所述来访客户;
所述基于所述商品推荐矩阵向所述来访客户推荐商品,包括:
将所述客户信息矩阵和所述商品购买矩阵进行联合矩阵分解,得到客户隐性因子矩阵,其中,所述客户隐性因子矩阵包括所述商品购买矩阵中所述多个客户的数量;
将所述商品信息矩阵和所述商品购买矩阵进行联合矩阵分解,得到商品隐性因子矩阵,其中,所述客户隐性因子矩阵包括所述商品购买矩阵中多个商品的数据;
将所述客户隐性因子矩阵和所述商品隐性因子矩阵进行相乘,得到第二评分矩阵,所述第二评分矩阵包括商品评分;
基于所述第二评分矩阵向所述来访客户推荐商品。
同时,请参考图3,所述客户信息矩阵可以是基于客户的表单,表单上的每一行可以表示一个客户,表单上的每一列可以表示一种客户属性,比如身高、体形、年龄、性别等,比如:以年龄段属性为例,客户a的年龄被识别为45,则在40-50这列记为1,其余列记为空或0。所述商品信息矩阵可以是基于商品的表单,表单上的每一行可以表示一个商品,表单上的每一列可以表示一种商品购买属性,比如购买者的身高、体形、年龄、性别等,比如:以年龄段属性为例,商品A被年龄段40-50的人购买,则对每列记录其购买数量值。
将所述客户信息矩阵和所述商品购买矩阵进行联合矩阵分解,得到客户隐式因子矩阵,这个客户隐式因子矩阵与所述客户信息矩阵相乘,可得到所述商品购买矩阵。同样,将所述商品信息矩阵和所述商品购买矩阵进行联合矩阵分解,得到商品隐性因子矩阵,这个商品隐性因子矩阵与所述商品信息矩阵相乘,可得到所述商品购买矩阵。
将所述客户隐式因子矩阵与所述商品隐性因子矩阵进行相乘,得到一个满秩的第二评分矩阵,所述第二评分矩阵的每个矩阵单元中的数据,是客户对该商品的评分,根据评分的高低,向所述来访客户进行商品的推荐。
可选的,对于客户的推荐也可以来自于对他们本身购买记录的分析,可以通过建立商品的知识图谱来为客户做出和他们本身的购买相类似的商品的推荐。由于许多商品是属于需要多次重复购买的,因此基于商品内容本身的推荐也是被证明是行之有效的。
可选的,基于上述几种推荐方法,还可以产生推荐的商品列表,但是在商品之下,还可以有更小的商品属性细分,比如款式、颜色、尺寸等商品属性。因此可以对客户按照气质用硬聚类(K-means)方法进行聚类,通过各个气质中客户购买商品的款式、颜色、尺寸等信息来得到该类型气质客户的风格偏好。当商品有多个款式、颜色、尺寸等可以选择的时候,可以结合客户的风格偏好来对推荐的商品的配置进行推荐。
可通过消费者的视觉信息中的身材,步态,表情,着装风格等一些列属性来生成一个独热(one-hot)向量用以表示该消费者的气质;用词向量模型(word2vec)将该独热向量通过词库的训练映射到低维语义空间,可以得到一个低维向量;使用硬聚类方法将这些向量进行聚类。换句话说,可以通过硬聚类方法将具有类似气质的客户聚类到一起。硬聚类算法的原理是随机选取K个聚类质心点(分别对应着K个聚类的中心),通过不断的迭代质心的位置,使得所有点到对应的距离总和是最小的。在这里我们K所对应的数字是由心理学中对于气质的划分个数来确定的。由硬聚类方法将客户聚类好后,我们从那些客户购买的商品信息中提取出对应的商品款式、档次、颜色等信息;由上述多个实施例中的推荐方法生成推荐列表之后,我们将得到的客户偏好的款式、颜色、档次等商品属性与推荐列表中的商品相结合,产生一个包含有商品款式、颜色、档次等的推荐信息。最终在导购的终端显视的是一个精确到款式、档次、颜色等信息的商品。
需要说明的是,一般在硬聚类中,采用欧式距离来表达两点之间的距离,欧氏距离指在m维空间中两个点之间的真实距离,或者向量的自然长度(即该点到原点的距离)。在二维和三维空间中的欧氏距离就是两点之间的实际距离。
请参见图5,图5是本发明实施例提供的一种线下商品推荐装置的结构示意图,如图5所示,所述装置包括:
获取模块401,用于获取来访客户的视觉信息;
提取模块402,用于从所述视觉信息中提取视觉特征信息;
添加模块403,用于将所述视觉特征信息添加至所述来访客户的历史记录,以得到所述来访客户的商品推荐矩阵,所述商品推荐矩阵包括所述来访客户的商品购买记录和身份属性中至少一项;
推荐模块404,用于基于所述商品推荐矩阵向所述来访客户推荐商品。
可选的,所述视觉特征信息包括所述来访客户的至少一个物品信息;
所述添加模块403用于将所述至少一个物品信息添加到所述来访客户的历史记录中的商品购买记录。
可选的,所述商品推荐矩阵为商品购买矩阵,所述商品购买矩阵包括多个客户的商品购买记录,所述多个客户包括所述来访客户;如图6所示,所述推荐模块404包括:
置信度转换单元4041,用于提取所述商品购买矩阵中每个矩阵单元的购买数量值,根据每个矩阵单元的购买数量值得到每个矩阵单元的置信度,其中,所述置信度与购买数量值成正相关;
第一评分获取单元4042,用于根据所述置信度获取第一评分矩阵,所述第一评分矩阵包括商品评分;
第一推荐单元4043,用于基于所述第一评分矩阵向所述来访客户推荐商品。
可选的,如图7所示,第一评分获取单元4042包括:
处理单元子40421,用于将所述商品购买矩阵中非0矩阵单元中的购买数量值进行归1处理,得到商品隐式矩阵;
矩阵分解子单元40422,用于对所述商品隐式矩阵进行矩阵分解,以得到客户隐性因子矩阵和商品隐性因子矩阵,其中,所述客户隐性因子矩阵包括所述商品隐式矩阵中所述多个客户的数量,所述商品隐性因子矩阵包括所述商品隐式矩阵中多个商品的数据;
第一评分子单元40423,用于根据所述置信度、所述客户隐性因子矩阵和所述商品隐性因子矩阵,获取所述第一评分矩阵。
可选的,第一评分子单元40423用于将所述客户隐性因子矩阵和所述商品隐性因子矩阵进行相乘,得到隐式目标矩阵,在所述隐式目标矩阵的每个矩阵单元上添加相应的所述置信度,以得到所述第一评分矩阵。
可选的,所述视觉特征信息包括所述来访客户的至少一个物品信息和身份属性信息;
所述添加模块403用于将所述至少一个物品信息添加到所述来访客户的历史记录中的商品购买记录,以及将所述身份属性信息添加到所述来访客户的历史记录中的身份属性信息。
可选的,所述商品推荐矩阵包括:客户信息矩阵、商品信息矩阵和商品购买矩阵,其中,所述客户信息矩阵包括多个客户的身份属性信息,所述商品信息矩阵包括多个商品的商品属性信息,所述商品购买矩阵包括多个客户的商品购买记录,所述多个客户包括所述来访客户;如图8所示,推荐模块404,包括:
第一分解单元4044,用于将所述客户信息矩阵和所述商品购买矩阵进行联合矩阵分解,得到客户隐性因子矩阵,其中,所述客户隐性因子矩阵包括所述商品购买矩阵中所述多个客户的数量;
第二分解单元4045,用于将所述商品信息矩阵和所述商品购买矩阵进行联合矩阵分解,得到商品隐性因子矩阵,其中,所述客户隐性因子矩阵包括所述商品购买矩阵中多个商品的数据;
第二评分获取单元4046,用于将所述客户隐性因子矩阵和所述商品隐性因子矩阵进行相乘,得到第二评分矩阵,所述第二评分矩阵包括商品评分;
第二推荐单元4047,用于,用于基于所述第二评分矩阵向所述来访客户推荐商品。
所述推荐模块404用于基于所述第一评分矩阵向所述来访客户推荐商品;
需要说明的是,上述装置可以应用于线下商品推荐设备,例如:计算机、服务器、手机、智能机器人等可以进行商品推荐的设备。
本发明实施例提供的线下商品推荐装置能够实现图1、图2和图3的方法实施例中的各个实施方式,以及相应有益效果,为避免重复,这里不再赘述。
参见图9,图9是本发明实施例提供的一种电子设备的结构示意图,如图9所示,包括:存储器902、处理器901及存储在所述存储器902上并可在所述处理器901上运行的计算机程序,其中:
处理器901用于调用存储器902存储的计算机程序,执行如下步骤:
获取来访客户的视觉信息;
从所述视觉信息中提取视觉特征信息;
将所述视觉特征信息添加至所述来访客户的历史记录,以得到所述来访客户的商品推荐矩阵,所述商品推荐矩阵包括所述来访客户的商品购买记录和身份属性中至少一项;
基于所述商品推荐矩阵向所述来访客户推荐商品。
可选的,所述视觉特征信息包括所述来访客户的至少一个物品信息;
处理器901执行的所述将所述视觉特征信息添加至所述来访客户的历史记录,包括:
将所述至少一个物品信息添加到所述来访客户的历史记录中的商品购买记录。
可选的,所述商品推荐矩阵为商品购买矩阵,所述商品购买矩阵包括多个客户的商品购买记录,所述多个客户包括所述来访客户;
处理器901执行的所述基于所述商品推荐矩阵向所述来访客户推荐商品,包括:
提取所述商品购买矩阵中每个矩阵单元的购买数量值,根据每个矩阵单元的购买数量值得到每个矩阵单元的置信度,其中,所述置信度与购买数量值成正相关;
根据所述置信度获取第一评分矩阵,所述第一评分矩阵包括商品评分;
基于所述第一评分矩阵向所述来访客户推荐商品。
可选的,处理器901执行的所述根据所述置信度获取第一评分矩阵,包括:
将所述商品购买矩阵中非0矩阵单元中的购买数量值进行归1处理,得到商品隐式矩阵;
对所述商品隐式矩阵进行矩阵分解,以得到客户隐性因子矩阵和商品隐性因子矩阵,其中,所述客户隐性因子矩阵包括所述商品隐式矩阵中所述多个客户的数量,所述商品隐性因子矩阵包括所述商品隐式矩阵中多个商品的数据;
根据所述置信度、所述客户隐性因子矩阵和所述商品隐性因子矩阵,获取所述第一评分矩阵。
可选的,处理器901执行的所述根据所述置信度、所述客户隐性因子矩阵和所述商品隐性因子矩阵,获取所述第一评分矩阵,包括:
将所述客户隐性因子矩阵和所述商品隐性因子矩阵进行相乘,得到隐式目标矩阵,在所述隐式目标矩阵的每个矩阵单元上添加相应的所述置信度,以得到所述第一评分矩阵。
可选的,所述视觉特征信息包括所述来访客户的至少一个物品信息和身份属性信息;
处理器901执行的所述将所述视觉特征信息添加至所述来访客户的历史记录,包括:
将所述至少一个物品信息添加到所述来访客户的历史记录中的商品购买记录,以及将所述身份属性信息添加到所述来访客户的历史记录中的身份属性信息。
可选的,所述商品推荐矩阵包括:客户信息矩阵、商品信息矩阵和商品购买矩阵,其中,所述客户信息矩阵包括多个客户的身份属性信息,所述商品信息矩阵包括多个商品的商品属性信息,所述商品购买矩阵包括多个客户的商品购买记录,所述多个客户包括所述来访客户;
处理器901执行的所述基于所述商品推荐矩阵向所述来访客户推荐商品,包括:
将所述客户信息矩阵和所述商品购买矩阵进行联合矩阵分解,得到客户隐性因子矩阵,其中,所述客户隐性因子矩阵包括所述商品购买矩阵中所述多个客户的数量;
将所述商品信息矩阵和所述商品购买矩阵进行联合矩阵分解,得到商品隐性因子矩阵,其中,所述客户隐性因子矩阵包括所述商品购买矩阵中多个商品的数据;
将所述客户隐性因子矩阵和所述商品隐性因子矩阵进行相乘,得到第二评分矩阵,所述第二评分矩阵包括商品评分;
基于所述第二评分矩阵向所述来访客户推荐商品。
需要说明的是,上述电子设备可以是线下商品推荐设备,例如:计算机、服务器、手机、智能机器人等可以进行线下商品推荐的设备。
本发明实施例提供的线下商品推荐装置能够实现图1、图2和图3的方法实施例中的各个实施方式,以及相应有益效果,为避免重复,这里不再赘述。
本发明实施例还提供一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现本发明实施例提供的线下商品推荐方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存取存储器(Random AccessMemory,简称RAM)等。
以上所揭露的仅为本发明较佳实施例而已,当然不能以此来限定本发明之权利范围,因此依本发明权利要求所作的等同变化,仍属本发明所涵盖的范围。
Claims (8)
1.一种线下商品推荐方法,其特征在于,包括:
获取来访客户的视觉信息;
从所述视觉信息中提取视觉特征信息;所述视觉特征信息包括所述来访客户穿着或携带的至少一个物品信息,所述物品信息为在售商品的物品信息;
将所述视觉特征信息添加至所述来访客户的历史记录,以得到所述来访客户的商品推荐矩阵,所述商品推荐矩阵包括所述来访客户的商品购买记录和身份属性中至少一项;所述将所述视觉特征信息添加至所述来访客户的历史记录,包括:将所述至少一个物品信息添加到所述来访客户的历史记录中的商品购买记录;所述商品推荐矩阵为商品购买矩阵,所述商品购买矩阵包括多个客户的商品购买记录,所述多个客户包括所述来访客户;
提取所述商品购买矩阵中每个矩阵单元的购买数量值,根据每个矩阵单元的购买数量值得到每个矩阵单元的置信度,其中,所述置信度与购买数量值成正相关;
根据所述置信度获取第一评分矩阵,所述第一评分矩阵包括商品评分;
基于所述第一评分矩阵向所述来访客户推荐商品。
2.如权利要求1所述的方法,其特征在于,所述根据所述置信度获取第一评分矩阵,包括:
将所述商品购买矩阵中非0矩阵单元中的购买数量值进行归1处理,得到商品隐式矩阵;
对所述商品隐式矩阵进行矩阵分解,以得到客户隐性因子矩阵和商品隐性因子矩阵,其中,所述客户隐性因子矩阵包括所述商品隐式矩阵中所述多个客户的数量,所述商品隐性因子矩阵包括所述商品隐式矩阵中多个商品的数据;
根据所述置信度、所述客户隐性因子矩阵和所述商品隐性因子矩阵,获取所述第一评分矩阵。
3.如权利要求2所述的方法,其特征在于,所述根据所述置信度、所述客户隐性因子矩阵和所述商品隐性因子矩阵,获取所述第一评分矩阵,包括:
将所述客户隐性因子矩阵和所述商品隐性因子矩阵进行相乘,得到隐式目标矩阵,在所述隐式目标矩阵的每个矩阵单元上添加相应的所述置信度,以得到所述第一评分矩阵。
4.如权利要求要求1所述的方法,其特征在于,所述视觉特征信息还包括所述来访客户的身份属性信息;
所述将所述视觉特征信息添加至所述来访客户的历史记录,还包括:
将所述身份属性信息添加到所述来访客户的历史记录中的身份属性信息。
5.如权利要求4所述的方法,其特征在于,所述商品推荐矩阵包括:客户信息矩阵、商品信息矩阵和商品购买矩阵,其中,所述客户信息矩阵包括多个客户的身份属性信息,所述商品信息矩阵包括多个商品的商品属性信息,所述商品购买矩阵包括多个客户的商品购买记录,所述多个客户包括所述来访客户;
所述基于所述商品推荐矩阵向所述来访客户推荐商品,包括:
将所述客户信息矩阵和所述商品购买矩阵进行联合矩阵分解,得到客户隐性因子矩阵,其中,所述客户隐性因子矩阵包括所述商品购买矩阵中所述多个客户的数量;
将所述商品信息矩阵和所述商品购买矩阵进行联合矩阵分解,得到商品隐性因子矩阵,其中,所述客户隐性因子矩阵包括所述商品购买矩阵中多个商品的数据;
将所述客户隐性因子矩阵和所述商品隐性因子矩阵进行相乘,得到第二评分矩阵,所述第二评分矩阵包括商品评分;
基于所述第二评分矩阵向所述来访客户推荐商品。
6.一种线下商品推荐装置,其特征在于,包括:
获取模块,用于获取来访客户的视觉信息;
提取模块,用于从所述视觉信息中提取视觉特征信息;所述视觉特征信息包括所述来访客户穿着或携带的至少一个物品信息,所述物品信息为在售商品的物品信息;
添加模块,用于将所述视觉特征信息添加至所述来访客户的历史记录,以得到所述来访客户的商品推荐矩阵,所述商品推荐矩阵包括所述来访客户的商品购买记录和身份属性中至少一项;所述将所述视觉特征信息添加至所述来访客户的历史记录,包括:将所述至少一个物品信息添加到所述来访客户的历史记录中的商品购买记录;所述商品推荐矩阵为商品购买矩阵,所述商品购买矩阵包括多个客户的商品购买记录,所述多个客户包括所述来访客户;
推荐模块,用于提取所述商品购买矩阵中每个矩阵单元的购买数量值,根据每个矩阵单元的购买数量值得到每个矩阵单元的置信度,其中,所述置信度与购买数量值成正相关;根据所述置信度获取第一评分矩阵,所述第一评分矩阵包括商品评分;基于所述第一评分矩阵向所述来访客户推荐商品。
7.一种电子设备,其特征在于,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至5中任一项所述的线下商品推荐方法中的步骤。
8.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至5中任一项所述的线下商品推荐方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811179599.4A CN111028029B (zh) | 2018-10-10 | 2018-10-10 | 一种线下商品推荐方法、装置和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811179599.4A CN111028029B (zh) | 2018-10-10 | 2018-10-10 | 一种线下商品推荐方法、装置和电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111028029A CN111028029A (zh) | 2020-04-17 |
CN111028029B true CN111028029B (zh) | 2023-09-01 |
Family
ID=70191774
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811179599.4A Active CN111028029B (zh) | 2018-10-10 | 2018-10-10 | 一种线下商品推荐方法、装置和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111028029B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111754306A (zh) * | 2020-06-28 | 2020-10-09 | 李淑娣 | 电商图谱模型的构建方法、系统、设备及存储介质 |
CN111967942A (zh) * | 2020-08-20 | 2020-11-20 | 渭南双盈未来科技有限公司 | 一种智能购物方法 |
CN112102029B (zh) * | 2020-08-20 | 2022-10-14 | 浙江大学 | 一种基于知识图谱的长尾推荐计算方法 |
CN113254664B (zh) * | 2021-05-14 | 2022-05-24 | 震坤行工业超市(上海)有限公司 | 面向企业的物品推荐方法、装置和存储介质 |
CN115099885A (zh) * | 2022-03-31 | 2022-09-23 | 日日顺供应链科技股份有限公司 | 一种商品匹配推荐方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105653657A (zh) * | 2015-12-25 | 2016-06-08 | Tcl集团股份有限公司 | 一种商品的推荐方法及装置 |
CN106709776A (zh) * | 2015-11-17 | 2017-05-24 | 腾讯科技(深圳)有限公司 | 商品推送方法及装置 |
CN108022152A (zh) * | 2017-11-30 | 2018-05-11 | 北京长城华冠汽车技术开发有限公司 | 基于图像识别的用户商品自动推荐系统及推荐方法 |
CN108335317A (zh) * | 2017-01-20 | 2018-07-27 | 苏宁云商集团股份有限公司 | 一种线下导购方法及装置 |
-
2018
- 2018-10-10 CN CN201811179599.4A patent/CN111028029B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106709776A (zh) * | 2015-11-17 | 2017-05-24 | 腾讯科技(深圳)有限公司 | 商品推送方法及装置 |
CN105653657A (zh) * | 2015-12-25 | 2016-06-08 | Tcl集团股份有限公司 | 一种商品的推荐方法及装置 |
CN108335317A (zh) * | 2017-01-20 | 2018-07-27 | 苏宁云商集团股份有限公司 | 一种线下导购方法及装置 |
CN108022152A (zh) * | 2017-11-30 | 2018-05-11 | 北京长城华冠汽车技术开发有限公司 | 基于图像识别的用户商品自动推荐系统及推荐方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111028029A (zh) | 2020-04-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111028029B (zh) | 一种线下商品推荐方法、装置和电子设备 | |
CN108876526B (zh) | 商品推荐方法、装置和计算机可读存储介质 | |
US11188965B2 (en) | Method and apparatus for recommending customer item based on visual information | |
CN106776619B (zh) | 用于确定目标对象的属性信息的方法和装置 | |
US20190034995A1 (en) | Intelligent shopping guide method and intelligent shopping guide device | |
CN107679960B (zh) | 一种基于服装图像和标签文本双模态内容分析的个性化服装的推荐方法 | |
CN106294489B (zh) | 内容推荐方法、装置及系统 | |
US9727620B2 (en) | System and method for item and item set matching | |
CN106846122B (zh) | 商品数据处理方法和装置 | |
US9460342B1 (en) | Determining body measurements | |
CN106055710A (zh) | 基于视频的商品推荐方法及装置 | |
KR102664008B1 (ko) | 시각 정보에 기초한 고객 아이템 추천 방법 및 장치 | |
De Melo et al. | Content-based filtering enhanced by human visual attention applied to clothing recommendation | |
CN112330383A (zh) | 用于基于可视元素的物品推荐的设备及方法 | |
CN103577472B (zh) | 个人信息获得、推定、商品的分类、检索方法及系统 | |
JP6511204B1 (ja) | 情報処理システム、情報処理装置、サーバ装置、プログラム、又は方法 | |
KR20200006383A (ko) | 온라인 의류 추천 장치 및 그 방법 | |
CN111027351B (zh) | 一种线下商品推荐方法、装置和电子设备 | |
JP7102920B2 (ja) | 情報処理装置、情報処理方法、プログラム及び情報処理システム | |
CN110675185A (zh) | 智能调节推送屏幕的方法、装置、计算机设备及存储介质 | |
CN112967109A (zh) | 一种快闪店的智能选品方法 | |
WO2017155466A1 (en) | Method and system for visitor tracking at a pos area | |
CN111861678A (zh) | 一种资源推荐方法、装置、电子设备及存储介质 | |
CN108596646B (zh) | 一种融合人脸属性分析的服装搭配推荐方法 | |
JP2020067720A (ja) | 人属性推定システム、それを利用する情報処理装置及び情報処理方法 |
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 |