CN111311381A - 一种商品推荐方法及系统 - Google Patents
一种商品推荐方法及系统 Download PDFInfo
- Publication number
- CN111311381A CN111311381A CN202010265894.2A CN202010265894A CN111311381A CN 111311381 A CN111311381 A CN 111311381A CN 202010265894 A CN202010265894 A CN 202010265894A CN 111311381 A CN111311381 A CN 111311381A
- Authority
- CN
- China
- Prior art keywords
- recommended
- data
- commodity
- commodities
- recommendation
- 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
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000012795 verification Methods 0.000 claims abstract description 44
- 238000012216 screening Methods 0.000 claims abstract description 23
- 238000001914 filtration Methods 0.000 claims abstract description 22
- 230000006399 behavior Effects 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000012552 review Methods 0.000 claims description 5
- 238000009877 rendering Methods 0.000 claims description 4
- 238000007689 inspection Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (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商品推荐方法、系统、计算机设备及计算机可读存储介质,包括:获取用户信息以及所述用户对应的历史购买数据;预筛选所述用户对应的历史购买数据得到待推荐商品数据,并将所述待推荐商品数据放入第一待推荐商品池;对所述第一待推荐商品池中的待推荐商品数据协同过滤;将所述协同过滤后的待推荐商品数据执行第三方校验;将通过第三方校验的待推荐商品数据放入第二待推荐商品池;输出所述第二待推荐商品池中的待推荐商品数据。本发明实施例可以实现联性推荐,并且可以在小数据的基础上得到准确的推荐结果,成本低,推荐效果好。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种商品推荐方法及系统。
背景技术
通过分析用户在商城网站程序网站购买商品的行为数据,商城网站程序网站可以进行相关商品推荐,以提高商品的购买率。现有的商品推荐方法,一般是根据所选商品的类型、规格、品牌等进行简单查询排序,或利用大数据的协同过滤算法,利用历史用户及其他用户的购买记录找到关联产品并做推荐。
上述两种方式,都有其不足之处。只根据商品的类型、规格、品牌等进行查询,基本上是同类商品的推荐,无法做到商品关联性,而基于大数据的推荐算法,则需要比较大的数据量及用户基数,这对于规模不大的平台而言,成本较高,推荐效果也不好。
发明内容
有鉴于此,本发明实施例提供了一种商品推荐方法、系统、计算机设备及计算机可读存储介质,用于解决现有的商品推荐方法,无法实现关联性推荐以及需要大量数据才能进行精准推荐的问题。
本发明实施例是通过下述技术方案来解决上述技术问题:
一种商品推荐方法,包括:
获取用户信息以及所述用户对应的历史购买数据;
预筛选所述用户对应的历史购买数据得到待推荐商品数据,并将所述待推荐商品数据放入第一待推荐商品池;
对所述第一待推荐商品池中的待推荐商品数据协同过滤;
将所述协同过滤后的待推荐商品数据执行第三方校验;
将通过第三方校验的待推荐商品数据放入第二待推荐商品池;
输出所述第二待推荐商品池中的待推荐商品数据。
进一步的,所述方法还包括:
对所述第二待推荐商品池中的待推荐商品数据执行多维度合规性检查;
所述输出所述第二待推荐商品池中的待推荐商品数据具体包括:
将通过多维度合规性检查的待推荐商品数据作为最终推荐结果输出。
进一步的,所述预筛选所述用户对应的历史购买数据得到待推荐商品数据,并将所述待推荐商品数据放入第一待推荐商品池具体包括:
根据所述用户对应的历史购买数据,从预设商品池中获取相似产品数据;
获取所述用户的行为数据和商品关注度数据,根据所述用户的行为数据和商品关注度数据通过自定义字段对进行预筛选;
将预筛选后的数据作为待推荐商品数据放入到所述第一待推荐商品池。
进一步的,所述根据所述用户对应的历史购买数据,从预设商品池中获取相似产品数据具体包括:
根据所述用户对应的历史购买数据,通过相似度判断算法从所述预设商品池中获取相似类型、规格、品牌的同类商品数据,以得到所述相似产品数据。
进一步的,所述将所述协同过滤后的待推荐商品数据执行第三方校验具体包括:
将所述协同过滤后的待推荐商品数据发送至第三方推荐系统;
接收第三方推荐系统根据所述协同过滤后的待推荐商品数据返回的推荐结果,并按照满足预设校验条件的格式进行解析和渲染;
将所述第三方推荐系统返回的推荐结果与所述协同过滤后的待推荐商品数据进行比对,以得到校验结果。
进一步的,所述对所述第二待推荐商品池中的待推荐商品数据执行多维度合规性检查包括:
建立合规规则库,以及对应不同的合规性审查等级;
启动多维度合规性检查,通过所述第二待推荐商品池中的待推荐商品数据的代码查询所述合规规则库,将满足预设条件的待推荐商品数据作为最终推荐结果。
进一步的,所述将所述第三方推荐系统返回的推荐结果与所述协同过滤后的待推荐商品数据进行比对,以得到校验结果包括:
通过所述第三方推荐系统返回的推荐结果与所述协同过滤后的待推荐商品数据中满足比对条件的推荐结果数量是否满足预设范围来判断是否满足校验结果。
为了实现上述目的,本发明实施例还提供一种商品推荐方法系统,包括:
获取模块,用于获取用户信息以及所述用户对应的历史购买数据;
预筛选模块,用于预筛选所述用户对应的历史购买数据得到待推荐商品数据,并将所述待推荐商品数据放入第一待推荐商品池;
协同过滤模块,用于对所述第一待推荐商品池中的待推荐商品数据协同过滤;
第三方校验模块,用于将所述协同过滤后的待推荐商品数据执行第三方校验;
存储模块,用于将通过第三方校验的待推荐商品数据放入第二待推荐商品池;
输出模块,用于输出所述第二待推荐商品池中的待推荐商品数据。
为了实现上述目的,本发明实施例还提供一种计算机设备,所述计算机设备包括存储器、处理器以及存储在所述存储器上并可在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上所述商品推荐方法的步骤。
为了实现上述目的,本发明实施例还提供一种计算机可读存储介质,所述计算机可读存储介质内存储有计算机程序,所述计算机程序可被至少一个处理器所执行,以使所述至少一个处理器执行如上所述的商品推荐方法的步骤。
本发明实施例提供的商品推荐方法、系统、计算机设备及计算机可读存储介质,通过综合同类商品推荐,预筛选及协同过滤算法,得出推荐商品,再利用第三方平台,获取其推荐商品的数据,通过校验共同得到推荐商品,最后得到推荐结果,可以实现联性推荐,并且可以在小数据的基础上得到准确的推荐结果,成本低,推荐效果好。
以下结合附图和具体实施例对本发明进行详细描述,但不作为对本发明的限定。
附图说明
图1为本发明实施例的应用环境示意图;
图2为本发明实施例一之商品推荐方法的步骤流程图;
图3为预筛选所述用户对应的历史购买数据得到待推荐商品数据,并将所述待推荐商品数据放入第一待推荐商品池的具体流程示意图;
图4为将所述协同过滤后的待推荐商品数据执行第三方校验的具体流程示意图;
图5为对所述第二待推荐商品池中的待推荐商品数据执行多维度合规性检查的具体流程示意图;
图6为本发明商品推荐方法系统之实施例二的程序模块示意图;
图7为本发明计算机设备之实施例三的硬件结构示意图。
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用以解释本发明,并不用于限定本发明。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。
各个实施例之间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本发明要求的保护范围之内。
请参阅图1,示出了本发明实施例的实施环境示意图。该实施环境包括:用户端10和服务器12。
用户端10时具有互联网访问功能的电子设备,该设备可以是智能手机、平板电脑或者个人计算机等。
其中,用户端10安装有可以存储用户信息以及所述用户对应的历史购买数据的应用程序11,用户通过账号和密码登录存储用户操作行为的应用程序11后,即可对用户信息以及所述用户对应的历史购买数据进行存储。
服务器120是一台服务器、若干服务器构称的服务器集群或者云计算中心。在一个可能的实施方式中,服务器120是存储用户操作行为的应用程序11的后台服务器。
在一个可选的实施方式中,服务器120中预先存储了商城网站程序的商品数据,用户登录存储用户操作行为的应用程序11后,应用程序11与服务器120中的商城网站程序服务程序通信并交换信息,服务器120获得用户信息以及所述用户对应的历史购买数据并存储。
实施例一
请参阅图2,示出了本发明实施例之商品推荐方法的步骤流程图。可以理解,本方法实施例中的流程图不用于对执行步骤的顺序进行限定。下面以计算机设备为执行主体进行示例性描述,具体如下:
步骤S100:获取用户信息以及所述用户对应的历史购买数据。
在本实施例中,获取用户信息及购买记录等原始数据具体的过程为,应用程序11与服务器120中的商城网站程序通信并交换信息,服务器120获得用户信息以及所述用户对应的历史购买数据并存储。
例如,商城网站程序网站程序中包括M类商品,每类商品的商品数量为N,获取每类商品的类型、规格、品牌等基础参数数据,以及对应一定销售时间内浏览量,销售量,评论量、评论分数以及对应的购买用户信息这些原始用户行为数据。
用户在浏览商品的同时会对所浏览的商品有一系列的操作行为,比如在网页上对商品进行浏览,使用鼠标点击商品图标,以对商品进行点击进行详细查看,对商品进行收藏,将商品加入购物车,对商品进行购买,对商品进行评论,将商品链接进行转发或者推荐等。用户在对电子商品进行操作的行为而产生的数据即为用户行为数据。
在本实施例中,还可以根据用户行为数据可以确定用户对商品的商品关注度。商品关注度就是用户对该商品的关注热度。商品关注度表征的是用户在对电子商品操作的过程中,对每一种商品的关注程度。用户的用户行为数据与用户对商品的关注程度是相关的,如用户对商品进行购买的次数越多,则表示用户对该商品的关注度很高,若将商品进行收藏则表示用户对商品的关注度一般。
根据用户对商品的各种操作行为,可以根据各种用户行为数据对应的对商品的关注度程度,人为地为各种用户行为数据设定权重,并最终得到用户对商品的商品关注度。
综上所述,通过商城网站程序的在线销售网站收集数据,在用户登录期间,用户在网站上的操作行为通过用户端的应用程序,例如网页浏览器记录和存储下来。
步骤S200:预筛选所述用户对应的历史购买数据得到待推荐商品数据,并将所述待推荐商品数据放入第一待推荐商品池。
如图3所示,在本实施例中,步骤S200:预筛选所述用户对应的历史购买数据得到待推荐商品数据,并将所述待推荐商品数据放入第一待推荐商品池具体包括以下步骤:
步骤S210:根据所述用户对应的历史购买数据,从预设商品池中获取相似产品数据。
根据通过获取的用户购买数据,从平台的商品池中找到类似类型、规格、品牌的同类商品。其中通过商品的类型、规格、品牌等基础参数数据以及相似度判断算法获取类似的类型、规格、品牌的同类商品。
相似度判断算法可以基于商品的名称,图片,功能描述,价格等信息来建立学习模型,通过商品的名称,图片,功能描述,价格等信息执行相似度判断,将有一定相似度的商品建立关联以及得到对应的相似度得分。
步骤S220:获取所述用户的行为数据和商品关注度数据,根据所述用户的行为数据和商品关注度数据通过自定义字段对进行预筛选。
通过用户行为数据和商品关注度信息,以及自定义字段对数据进行预筛选。在得到相似商品后,我们可以通过自定义字段人为排除一些商品,让推荐结果在推荐科学性和可管理性之间达到平衡。
因为获取的是一定时间内的商品销售数据,可能存在数据失真的情况,例如在某些销售促销节期限,用户可能囤积了大量商品然后在固定时间内购买,这些数据对应推荐分析来说是失真的数据,通过预设条件和分析用户行为数据可以判断数据的失真度,比赋予其失真分数值。
还可以通过商品关注度数据对数据进行预筛选,基于成本考虑,对于关注度过低的商品我们可以排除从而得到数据量更小但是更为精准的待推荐商品数据。
步骤S230:将预筛选后的数据作为待推荐商品数据放入到所述第一待推荐商品池。
步骤S300:对所述第一待推荐商品池中的待推荐商品数据协同过滤。
协同过滤推荐应用于信息过滤和信息系统中,与传统的基于内容过滤直接分析内容进行推荐不同,协同过滤主要通过分析用户兴趣,在用户群中找到指定用户的相似(兴趣)用户,综合这些相似用户对某一信息的评价,形成系统对该指定用户对此信息的喜好程度预测。
协同过滤推荐的问题是毕竟依赖用户的行为数据,如果缺少某些行为数据,可能导致协同推荐的结果失真过大,以及协同推荐在数据量非常大的时候,推荐系统的性能降低很快。
相对于一般的协同推荐过程中直接利用用户产生的原始数据,本申请执行了数据的预筛选过程,因此可以有效避免这个问题,首先数据量较小但是更为精准,避免出现会导致推荐失真的稀疏数据干扰推荐结果,例如对于某些用户评论数据过少或者评论内容过于简单的数据建立和商品关注度的关联,通过商品关注度数据执行筛选,可以将干扰协同推荐的数据排除从而提高协同推荐的准确度。
步骤S400:将所述协同过滤后的待推荐商品数据执行第三方校验。
在本实施例中,由于是通过对预筛选后的数据执行协同过滤,数据量较小,做了优化和人为限定,这样往往会带来两个结果,要么过滤后的数据特别精准,完美匹配待推荐用户,要么过滤后的数据与待推荐用户偏差过大,因为这种推荐方法本质上是放大了部分数据的特征来得到结果。
为了避免得到与用户偏差过大的推荐结果,我们引入第三方的校验过程。
第三方的校验是通过获取第三方的大平台的推荐结果来执行校验,来避免我们的推荐结果在针对特定垂直用户的偏差过大。
由于第三方大平台的用户数据非常多,其用户的维度也很多,所以他们的推荐结果相当于我们的推荐结果更为扁平,也就是说,他们的结果更适合大众用户,而不适应垂直用户,但是由于他们的数据较大,精准性较差,但是失真度较低。因为,我们可以将第三方的推荐数据来对我们的推荐结果执行校验,如果校验结果满足要求则保存我们的推荐结果,如果校验结果不满足要求则重新执行推荐过程。
具体的,如图4所示,所述将所述协同过滤后的待推荐商品数据执行第三方校验具体包括步骤:
步骤S410:将所述协同过滤后的待推荐商品数据发送至第三方推荐系统。
其中,将预筛选后的待推荐商品数据发送给第三方推荐系统,第三方推荐系统可以选取例如京东、天猫、严选等第三方商品的推荐数据,通过获取第三方推荐系统的商品购买接口,将预筛选后的待推荐商品数据的基础参数数据,例如类型、规格、品牌等信息发送给第三方推荐系统,等待第三方推荐系统返回推荐结果。
步骤S420:接收第三方推荐系统根据所述协同过滤后的待推荐商品数据返回的推荐结果,并按照满足预设校验条件的格式进行解析和渲染。
其中,保存第三方推荐系统返回的推荐结果,并按照符合校验格式的形式进行解析和渲染,保存第三方推荐系统返回的推荐结果,并按照符合校验格式的形式进行解析和渲染,由于不同的第三方推荐结果可能才有了不同的推荐方法、传输协议以及网页显示方法,与第一待推荐商品池中预筛选后的待推荐商品数据存在格式的不同,因此需要进行格式转换。
进行格式转换后的第三方推荐结果不仅可以满足校验要求,还可以同时调取多个第三方的校验结果以增强校验结果的准确性。
步骤S430:将所述第三方推荐系统返回的推荐结果与所述协同过滤后的待推荐商品数据进行比对,以得到校验结果。
其中,将第三方推荐系统返回的推荐结果与预筛选后的待推荐商品数据进行比较,得到校验结果。
校验的过程可以采用多种方法,例如判断相同和相似类型推荐结果的数量多少来判断是否满足校验结果,例如预筛选后的待推荐商品数据中的商品类型和第三方推荐系统返回的推荐结果超过70%,则判断满足校验结果。
也可以通过其他维度进行判断,例如产品功能描述的相似度是否满足预设条件,是则判断满足校验结果。
步骤S500:将通过第三方校验的待推荐商品数据放入第二待推荐商品池。
在本实施例中,通过建立多个隔离的待推荐商品池,可以避免不同推荐过程的中间数据相互覆盖和污染,同时也可以提高数据处理的效率,例如如果第二待推荐商品池中的待推荐商品数据没有通过校验结果,我们可以重新从第一待推荐商品池中获取数据重新执行协同过滤和第三方校验,而无需重新获取用户数据和商品数据,以及执行预筛选,除非多次协同过滤和第三方校验后推荐结果仍然不符合要求,则重新获取用户数据和商品数据,以及重设条件执行预筛选。
因为协同过滤和第三方校验本身也存在一定的失真度,单次的判断结果不一定准确,通过在不同推荐商品池中多次判断可以避免单次失真的问题,从而提高效率和避免性能浪费以及降低成本。
在本实施例中,所述方法还包括:
步骤S600:对所述第二待推荐商品池中的待推荐商品数据执行多维度合规性检查。.
步骤S700:输出所述第二待推荐商品池中的待推荐商品数据。
其中,步骤S700所述输出所述第二待推荐商品池中的待推荐商品数据具体包括:
将通过多维度合规性检查的待推荐商品数据作为最终推荐结果输出。
如图5所示,步骤S700:对所述第二待推荐商品池中的待推荐商品数据执行多维度合规性检查具体包括以下步骤:
步骤S710:建立合规规则库,以及对应不同的合规性审查等级。
步骤S720:启动多维度合规性检查,通过所述第二待推荐商品池中的待推荐商品数据的代码查询所述合规规则库,将满足预设条件的待推荐商品数据作为最终推荐结果。
针对特定用户的企业用户的商品合规性要求,如国企需要指定类别的商品,增加商品分类、价格的合规性维度。对于某些不符合法律法规要求的商品,以及不符合政策导向的商品,建立合规规则库,以及不同的合规性审查等级。
例如通过启动多维度合规性检查,将第二待推荐商品池中的待推荐商品代码查询合规规则库,将符合条件的放入最终推荐商品池。
综上所述,本实施例通过综上所述,本提案通过综合同类商品推荐,预筛选及协同过滤算法,得出推荐商品,利用京东、天猫、严选等大商城平台,获取其推荐商品的数据,通过校验共同得到推荐商品,针对企业用户的商品合规性要求执行合规性检查,最后得到推荐结果,可以在小数据的基础上得到准确的推荐结果,对于规模不大的平台而言,成本低,推荐效果好。
实施例二
请继续参阅图6,示出了本发明商品推荐方法系统的程序模块示意图。在本实施例中,商品推荐方法系统20可以包括或被分割成一个或多个程序模块,一个或者多个程序模块被存储于存储介质中,并由一个或多个处理器所执行,以完成本发明,并可实现上述商品推荐方法。本发明实施例所称的程序模块是指能够完成特定功能的一系列计算机程序指令段,比程序本身更适合于描述商品推荐方法系统20在存储介质中的执行过程。以下描述将具体介绍本实施例各程序模块的功能:
获取模块201,用于获取用户信息以及所述用户对应的历史购买数据;
预筛选模块202,用于预筛选所述用户对应的历史购买数据得到待推荐商品数据,并将所述待推荐商品数据放入第一待推荐商品池;
协同过滤模块203,用于对所述第一待推荐商品池中的待推荐商品数据协同过滤;
第三方校验模块204,用于将所述协同过滤后的待推荐商品数据执行第三方校验;
存储模块205,用于将通过第三方校验的待推荐商品数据放入第二待推荐商品池;
输出模块206,用于输出所述第二待推荐商品池中的待推荐商品数据。
实施例三
参阅图7,是本发明实施例三之计算机设备的硬件架构示意图。本实施例中,所述计算机设备2是一种能够按照事先设定或者存储的指令,自动进行数值计算和/或信息处理的设备。该计算机设备2可以是机架式服务器、刀片式服务器、塔式服务器或机柜式服务器(包括独立的服务器,或者多个服务器所组成的服务器集群)等。如图6所示,所述计算机设备2至少包括,但不限于,可通过系统总线相互通信连接存储器21、处理器22、网络接口23、以及商品推荐方法系统20。其中:
本实施例中,存储器21至少包括一种类型的计算机可读存储介质,所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中,存储器21可以是计算机设备2的内部存储单元,例如该计算机设备2的硬盘或内存。在另一些实施例中,存储器21也可以是计算机设备2的外部存储设备,例如该计算机设备2上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。当然,存储器21还可以既包括计算机设备2的内部存储单元也包括其外部存储设备。本实施例中,存储器21通常用于存储安装于计算机设备2的操作系统和各类应用软件,例如上述实施例所述的商品推荐方法系统20的程序代码等。此外,存储器21还可以用于暂时地存储已经输出或者将要输出的各类数据。
处理器22在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器22通常用于控制计算机设备2的总体操作。本实施例中,处理器22用于运行存储器21中存储的程序代码或者处理数据,例如运行商品推荐方法系统20,以实现上述实施例的商品推荐方法。
所述网络接口23可包括无线网络接口或有线网络接口,该网络接口23通常用于在所述计算机设备2与其他电子装置之间建立通信连接。例如,所述网络接口23用于通过网络将所述计算机设备2与外部终端相连,在所述计算机设备2与外部终端之间的建立数据传输通道和通信连接等。所述网络可以是企业内部网(Intranet)、互联网(Internet)、全球移动通讯系统(Global System of Mobile communication,GSM)、宽带码分多址(WidebandCode Division Multiple Access,WCDMA)、4G网络、5G网络、蓝牙(Bluetooth)、Wi-Fi等无线或有线网络。
需要指出的是,图7仅示出了具有部件20-23的计算机设备2,但是应理解的是,并不要求实施所有示出的部件,可以替代的实施更多或者更少的部件。
在本实施例中,存储于存储器21中的所述商品推荐方法系统20还可以被分割为一个或者多个程序模块,所述一个或者多个程序模块被存储于存储器21中,并由一个或多个处理器(本实施例为处理器22)所执行,以完成本发明。
例如,图7示出了所述实现商品推荐方法系统20实施例二的程序模块示意图。其中,本发明所称的程序模块是指能够完成特定功能的一系列计算机程序指令段,比程序更适合于描述所述商品推荐方法系统20在所述计算机设备2中的执行过程。
实施例四
本实施例还提供一种计算机可读存储介质,如闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘、服务器、App应用商城网站程序等等,其上存储有计算机程序,程序被处理器执行时实现相应功能。本实施例的计算机可读存储介质用于存储商品推荐方法系统20,被处理器执行时实现上述实施例所述的商品推荐方法。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种商品推荐方法,其特征在于,包括:
获取用户信息以及所述用户对应的历史购买数据;
预筛选所述用户对应的历史购买数据得到待推荐商品数据,并将所述待推荐商品数据放入第一待推荐商品池;
对所述第一待推荐商品池中的待推荐商品数据协同过滤;
将所述协同过滤后的待推荐商品数据执行第三方校验;
将通过第三方校验的待推荐商品数据放入第二待推荐商品池;
输出所述第二待推荐商品池中的待推荐商品数据。
2.根据权利要求1所述的商品推荐方法,其特征在于,所述方法还包括:
对所述第二待推荐商品池中的待推荐商品数据执行多维度合规性检查;
所述输出所述第二待推荐商品池中的待推荐商品数据具体包括:
将通过多维度合规性检查的待推荐商品数据作为最终推荐结果输出。
3.根据权利要求1或2所述的商品推荐方法,其特征在于,所述预筛选所述用户对应的历史购买数据得到待推荐商品数据,并将所述待推荐商品数据放入第一待推荐商品池具体包括:
根据所述用户对应的历史购买数据,从预设商品池中获取相似产品数据;
获取所述用户的行为数据和商品关注度数据,根据所述用户的行为数据和商品关注度数据通过自定义字段对进行预筛选;
将预筛选后的数据作为待推荐商品数据放入到所述第一待推荐商品池。
4.根据权利要求3所述的商品推荐方法,其特征在于,所述根据所述用户对应的历史购买数据,从预设商品池中获取相似产品数据具体包括:
根据所述用户对应的历史购买数据,通过相似度判断算法从所述预设商品池中获取相似类型、规格、品牌的同类商品数据,以得到所述相似产品数据。
5.根据权利要求4所述的商品推荐方法,其特征在于,所述将所述协同过滤后的待推荐商品数据执行第三方校验具体包括:
将所述协同过滤后的待推荐商品数据发送至第三方推荐系统;
接收第三方推荐系统根据所述协同过滤后的待推荐商品数据返回的推荐结果,并按照满足预设校验条件的格式进行解析和渲染;
将所述第三方推荐系统返回的推荐结果与所述协同过滤后的待推荐商品数据进行比对,以得到校验结果。
6.根据权利要求5所述的商品推荐方法,其特征在于,所述对所述第二待推荐商品池中的待推荐商品数据执行多维度合规性检查包括:
建立合规规则库,以及对应不同的合规性审查等级;
启动多维度合规性检查,通过所述第二待推荐商品池中的待推荐商品数据的代码查询所述合规规则库,将满足预设条件的待推荐商品数据作为最终推荐结果。
7.根据权利要求6所述的商品推荐方法,其特征在于,所述将所述第三方推荐系统返回的推荐结果与所述协同过滤后的待推荐商品数据进行比对,以得到校验结果包括:
通过所述第三方推荐系统返回的推荐结果与所述协同过滤后的待推荐商品数据中满足比对条件的推荐结果数量是否满足预设范围来判断是否满足校验结果。
8.一种商品推荐方法系统,其特征在于,包括:
获取模块,用于获取用户信息以及所述用户对应的历史购买数据;
预筛选模块,用于预筛选所述用户对应的历史购买数据得到待推荐商品数据,并将所述待推荐商品数据放入第一待推荐商品池;
协同过滤模块,用于对所述第一待推荐商品池中的待推荐商品数据协同过滤;
第三方校验模块,用于将所述协同过滤后的待推荐商品数据执行第三方校验;
存储模块,用于将通过第三方校验的待推荐商品数据放入第二待推荐商品池;
输出模块,用于输出所述第二待推荐商品池中的待推荐商品数据。
9.一种计算机设备,所述计算机设备包括存储器、处理器以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,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的商品推荐方法的步骤。
10.一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内存储有计算机程序,所述计算机程序可被至少一个处理器所执行,以使所述至少一个处理器执行如权利要求1至7中任一项所述的商品推荐方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010265894.2A CN111311381A (zh) | 2020-04-07 | 2020-04-07 | 一种商品推荐方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010265894.2A CN111311381A (zh) | 2020-04-07 | 2020-04-07 | 一种商品推荐方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111311381A true CN111311381A (zh) | 2020-06-19 |
Family
ID=71159241
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010265894.2A Pending CN111311381A (zh) | 2020-04-07 | 2020-04-07 | 一种商品推荐方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111311381A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112395501A (zh) * | 2020-11-17 | 2021-02-23 | 航天信息股份有限公司 | 企业推荐方法、装置、存储介质及电子设备 |
CN112419011A (zh) * | 2020-12-14 | 2021-02-26 | 国泰新点软件股份有限公司 | 一种公共资源交易推荐方法、装置、计算机可读存储介质 |
CN117994008A (zh) * | 2024-04-03 | 2024-05-07 | 深圳市灵智数字科技有限公司 | 活动商品推荐方法、装置、电子设备及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105574430A (zh) * | 2015-12-02 | 2016-05-11 | 西安邮电大学 | 协同过滤推荐系统中一种新型的隐私保护方法 |
CN105871940A (zh) * | 2016-06-27 | 2016-08-17 | 乐视控股(北京)有限公司 | 信息推荐方法和系统 |
CN105894332A (zh) * | 2016-04-22 | 2016-08-24 | 深圳市永兴元科技有限公司 | 基于用户行为分析的商品推荐方法、装置及系统 |
TW201724867A (zh) * | 2015-08-31 | 2017-07-01 | 公共電視公司 | 使用多樣化內容服務賦予使用者能對存取內容產生計畫之系統及方法 |
CN107220382A (zh) * | 2017-06-28 | 2017-09-29 | 环球智达科技(北京)有限公司 | 数据分析方法 |
CN107423262A (zh) * | 2017-08-10 | 2017-12-01 | 四川长虹电器股份有限公司 | 基于第三方数据评估自主推荐算法产出结果的方法 |
CN110442684A (zh) * | 2019-08-14 | 2019-11-12 | 山东大学 | 一种基于文本内容的类案推荐方法 |
CN110569224A (zh) * | 2019-08-16 | 2019-12-13 | 苏州浪潮智能科技有限公司 | 一种数据去重方法及装置 |
-
2020
- 2020-04-07 CN CN202010265894.2A patent/CN111311381A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW201724867A (zh) * | 2015-08-31 | 2017-07-01 | 公共電視公司 | 使用多樣化內容服務賦予使用者能對存取內容產生計畫之系統及方法 |
CN105574430A (zh) * | 2015-12-02 | 2016-05-11 | 西安邮电大学 | 协同过滤推荐系统中一种新型的隐私保护方法 |
CN105894332A (zh) * | 2016-04-22 | 2016-08-24 | 深圳市永兴元科技有限公司 | 基于用户行为分析的商品推荐方法、装置及系统 |
CN105871940A (zh) * | 2016-06-27 | 2016-08-17 | 乐视控股(北京)有限公司 | 信息推荐方法和系统 |
CN107220382A (zh) * | 2017-06-28 | 2017-09-29 | 环球智达科技(北京)有限公司 | 数据分析方法 |
CN107423262A (zh) * | 2017-08-10 | 2017-12-01 | 四川长虹电器股份有限公司 | 基于第三方数据评估自主推荐算法产出结果的方法 |
CN110442684A (zh) * | 2019-08-14 | 2019-11-12 | 山东大学 | 一种基于文本内容的类案推荐方法 |
CN110569224A (zh) * | 2019-08-16 | 2019-12-13 | 苏州浪潮智能科技有限公司 | 一种数据去重方法及装置 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112395501A (zh) * | 2020-11-17 | 2021-02-23 | 航天信息股份有限公司 | 企业推荐方法、装置、存储介质及电子设备 |
CN112419011A (zh) * | 2020-12-14 | 2021-02-26 | 国泰新点软件股份有限公司 | 一种公共资源交易推荐方法、装置、计算机可读存储介质 |
CN117994008A (zh) * | 2024-04-03 | 2024-05-07 | 深圳市灵智数字科技有限公司 | 活动商品推荐方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110674391B (zh) | 基于大数据的产品数据推送方法、系统和计算机设备 | |
CN107730389A (zh) | 电子装置、保险产品推荐方法及计算机可读存储介质 | |
CN111311381A (zh) | 一种商品推荐方法及系统 | |
CN107808346B (zh) | 一种潜在目标对象的评估方法及评估装置 | |
US20220180379A1 (en) | Transaction-based information processing system, method, and article | |
CN113077317A (zh) | 基于用户数据的物品推荐方法、装置、设备及存储介质 | |
CN116308684B (zh) | 一种网购平台店铺信息推送方法及系统 | |
CN111966886A (zh) | 对象推荐方法、对象推荐装置、电子设备及存储介质 | |
CN111582932A (zh) | 场景间信息推送方法、装置、计算机设备及存储介质 | |
CN111178972A (zh) | 消息推送方法、装置、存储介质及设备 | |
CN111626767A (zh) | 资源数据的发放方法、装置及设备 | |
CN111612560A (zh) | 用于促销对象的推荐方法、系统、存储介质及电子设备 | |
CN111882399A (zh) | 服务信息推荐方法、装置、计算机系统及可读存储介质 | |
CN116402569A (zh) | 基于知识图谱的商品推荐方法、装置、系统及存储介质 | |
CN115797020B (zh) | 基于图数据库的数据处理的零售推荐方法、系统和介质 | |
CN111833219A (zh) | 知识产权服务商品数据的提供方法及装置 | |
US20200013097A1 (en) | Connectivity Hub with Data-Hiding Features | |
CN116595390A (zh) | 商品信息处理方法及电子设备 | |
CN112991033A (zh) | 一种确定物品价值属性的方法和装置 | |
CN114219589B (zh) | 虚拟实体对象的生成和页面显示方法、装置和电子设备 | |
CN111798282A (zh) | 一种信息处理方法、终端及存储介质 | |
CN111639274B (zh) | 线上商品智能排序方法、装置、计算机设备和存储介质 | |
CN110807466A (zh) | 一种处理订单数据的方法和装置 | |
CN111460300B (zh) | 网络内容推送方法、装置及存储介质 | |
CN114996579A (zh) | 信息推送方法、装置、电子设备和计算机可读介质 |
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: 20200619 |