CN111340601B - 商品信息的推荐方法和装置、电子设备和存储介质 - Google Patents

商品信息的推荐方法和装置、电子设备和存储介质 Download PDF

Info

Publication number
CN111340601B
CN111340601B CN202010237031.4A CN202010237031A CN111340601B CN 111340601 B CN111340601 B CN 111340601B CN 202010237031 A CN202010237031 A CN 202010237031A CN 111340601 B CN111340601 B CN 111340601B
Authority
CN
China
Prior art keywords
community
node
information
user
commodity
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
Application number
CN202010237031.4A
Other languages
English (en)
Other versions
CN111340601A (zh
Inventor
周玉驰
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.)
Beike Technology Co Ltd
Original Assignee
Beike 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 Beike Technology Co Ltd filed Critical Beike Technology Co Ltd
Priority to CN202010237031.4A priority Critical patent/CN111340601B/zh
Publication of CN111340601A publication Critical patent/CN111340601A/zh
Application granted granted Critical
Publication of CN111340601B publication Critical patent/CN111340601B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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

Abstract

本公开实施例公开了一种商品信息的推荐方法和装置、电子设备和存储介质，该推荐方法，包括：基于获取的至少一个用户对多个商品的行为信息，确定至少一个用户中每个用户的偏好信息和多个商品中每个商品对应的节点信息；基于多个商品中每个商品对应的节点信息对多个节点进行聚类，确定至少一个社区和至少一个社区对应的社区特征信息；基于至少一个社区对应的社区特征信息和每个用户的偏好信息，向每个用户推荐对应的商品。本公开通过对社区属性统计信息和用户偏好信息进行匹配，实现准确推荐符合用户期望的商品信息，此外，本公开还通过对节点信息进行聚类的方法，有效解决了网络中可能出现的信息过载问题。

Description

商品信息的推荐方法和装置、电子设备和存储介质
技术领域
本公开涉及数据分析技术，尤其是一种商品信息的推荐方法和装置、电子设备和存储介质。
背景技术
传统的互联网商品推荐方法是根据用户选择或输入的商品特征给用户推荐其它相关商品的信息。例如，用户在选购二手房时，客户端会根据用户输入的房源区域、价格、以及面积等因素进行相关房源推荐。
在实现本公开的过程中，发明人通过研究发现：现阶段的网络信息过于庞大，而用户真正需要的信息只是其中的一小部分，当网络中存在信息过载时，客户端会出现推荐给用户无效商品信息或无法准确推荐符合用户期望的商品信息等问题的出现。
发明内容
有鉴于此，为了解决上述技术问题，提出了本公开。本公开的实施例提供了信息推荐方法和装置、电子设备和存储介质。
根据本公开实施例的一个方面，提供了一种商品信息的推荐方法，包括：
基于获取的至少一个用户对多个商品的行为信息，确定所述至少一个用户中每个用户的偏好信息和所述多个商品中每个商品对应的节点信息；
基于所述多个商品中每个商品对应的节点信息对所述多个节点进行聚类，确定至少一个社区和所述至少一个社区对应的社区特征信息；其中，每个所述社区包括至少一个商品；
基于所述至少一个社区对应的社区特征信息和每个所述用户的偏好信息，向每个所述用户推荐对应的商品。
可选地，在本公开上述各方法实施例中，所述至少一个用户的行为信息包括以下至少之一：浏览信息、关注信息、聊天信息、预约信息、交易信息；
所述基于获取的至少一个用户对多个商品的行为信息，确定所述至少一个用户中每个用户的偏好信息和所述多个商品中每个商品对应的节点信息，包括：
基于所述至少一个用户的行为信息，确定所述每个商品对应的节点信息，以及所述至少一个用户与每个商品之间的关系强度信息；
基于至少一个用户与每个商品之间的关系强度信息和关系强度预设值，确定所述各用户的偏好信息。
可选地，在本公开上述各方法实施例中，所述基于所述多个商品中每个商品对应的节点信息对所述多个节点进行聚类，获得至少一个社区和所述至少一个社区对应的社区特征信息之前，还包括：
基于预设时间窗内所述至少一个用户的浏览信息和所述至少一个用户与每个商品之间的关系强度信息，获得基于所述商品作为节点的节点网络、所述节点网络中各节点之间的关系强度信息、以及各节点的节点强度。
可选地，在本公开上述各方法实施例中，所述基于预设时间窗内所述至少一个用户的浏览信息，获得基于所述商品作为节点的节点网络以及所述节点网络中每个节点的权重信息，包括：
基于预设时间窗内所述至少一个用户的浏览信息，将同一所述用户浏览的多个商品之间建立连接，将所述商品作为节点获得节点网络；
基于所述节点网络中各节点与至少一个用户之间的关系强度信息，确定所述节点网络中各节点之间的关系强度信息；
基于所述节点网络中各节点之间的关系强度信息，确定所述节点网络中各节点的节点强度。
可选地，在本公开上述各方法实施例中，所述基于所述多个商品中每个商品对应的节点信息对所述多个节点进行聚类，确定至少一个社区和所述至少一个社区对应的社区特征信息，包括：
遍历节点网络中的各节点，基于各节点的节点强度，确定节点网络的第一个中心节点，基于与第一个中心节点相邻的各节点与第一个中心节点之间的关系强度信息，确定当前社区以及所述当前社区中多个节点的社区内密度，基于所述当前社区各节点的关系强度以及所述当前社区中边界节点与所述当前社区外节点之间的关系强度之和，确定所述当前社区的社区间传播力，基于节点网络中各节点对应的商品信息，确定多个节点的社区属性统计信息；
基于所述多个节点的社区内密度和社区内密度阈值、所述多个节点的社区间传播力和社区间传播力阈值、所述多个节点的社区属性统计信息和社区属性统计信息阈值、以及社区内节点数量阈值，确定所述节点网络中的第一个社区；
遍历删除节点网络中第一个社区中的节点及与第一个社区中的节点连接的相邻节点后的剩余节点，确定节点网络的下一个中心节点；基于删除节点网络中第一个社区中的节点后剩余节点中的多个节点之间的社区内密度和社区内密度阈值、当前社区的社区间传播力和社区间传播力阈值、当前社区的社区属性统计信息和社区属性统计信息阈值、以及社区内节点数量阈值，确定节点网络中的下一个社区；
基于至少一个社区的社区属性统计信息，确定所述至少一个社区对应的社区特征信息。
可选地，在本公开上述各方法实施例中，所述社区属性统计信息包括以下至少之一：节点对应的商品距离数量占比、节点对应的商品区域数量占比、节点对应的商品所属类型数量占比、节点对应的商品价格数量占比、节点对应的商品内部构造数量占比、以及节点对应的商品内部尺寸数量占比。
可选地，在本公开上述各方法实施例中，所述基于所述至少一个社区的特征信息和每个所述用户的偏好信息的匹配程度，向每个所述用户推荐对应的商品，包括：
确定所述至少一个社区的特征信息和每个所述用户的偏好信息的匹配程度；
基于所述至少一个社区的特征信息和每个所述用户的偏好信息的匹配程度和匹配度预设值，向每个所述用户推荐对应的商品。
可选地，在本公开上述各方法实施例中，所述确定所述至少一个社区的特征信息和每个所述用户的偏好信息的匹配程度，包括：
基于所述至少一个社区对应的社区特征信息，确定每个所述用户与所述至少一个社区对应的社区特征信息中各属性特征信息的匹配程度；
基于每个所述用户与所述至少一个社区对应的社区特征信息中各属性特征信息的匹配程度，得到所述至少一个社区的特征信息和每个所述用户的偏好信息的匹配程度。
根据本公开实施例的另一个方面，提供了一种商品信息的推荐装置，其包括：
第一确定模块，用于基于获取的至少一个用户对多个商品的行为信息，确定所述至少一个用户中每个用户的偏好信息和所述多个商品中每个商品对应的节点信息；
第二确定模块，用于基于所述多个商品中每个商品对应的节点信息对所述多个节点进行聚类，确定至少一个社区和所述至少一个社区对应的社区特征信息；其中，每个所述社区包括至少一个商品；
推荐模块，用于基于所述至少一个社区对应的社区特征信息和每个所述用户的偏好信息，向每个所述用户推荐对应的商品。
可选地，在本公开上述各装置实施例中，所述至少一个用户的行为信息包括以下至少之一：浏览信息、关注信息、聊天信息、预约信息、交易信息；
所述第一确定模块，包括：
第一确定单元，用于基于所述至少一个用户的行为信息，确定所述每个商品对应的节点信息，以及所述至少一个用户与每个商品之间的关系强度信息；
第二确定单元，用于基于至少一个用户与每个商品之间的关系强度信息和关系强度预设值，确定所述各用户的偏好信息。
可选地，在本公开上述各装置实施例中，所述第二确定模块之前，还包括：
第一获得模块，用于基于预设时间窗内所述至少一个用户的浏览信息和所述至少一个用户与每个商品之间的关系强度信息，获得基于所述商品作为节点的节点网络、所述节点网络中各节点之间的关系强度信息、以及各节点的节点强度。
可选地，在本公开上述各装置实施例中，所述第一获得单元，具体用于：
基于预设时间窗内所述至少一个用户的浏览信息，将同一所述用户浏览的多个商品之间建立连接，将所述商品作为节点获得节点网络；
基于所述节点网络中各节点与至少一个用户之间的关系强度信息，确定所述节点网络中各节点之间的关系强度信息；
基于所述节点网络中各节点之间的关系强度信息，确定所述节点网络中各节点的节点强度。
可选地，在本公开上述各装置实施例中，所述第二确定模块，包括：
第三确定单元，用于遍历节点网络中的各节点，基于各节点的节点强度，确定节点网络的第一个中心节点，基于与第一个中心节点相邻的各节点与第一个中心节点之间的关系强度信息，确定当前社区以及所述当前社区中多个节点的社区内密度，基于所述当前社区各节点的关系强度以及所述当前社区中边界节点与所述当前社区外节点之间的关系强度之和，确定所述当前社区的社区间传播力，基于节点网络中各节点对应的商品信息，确定多个节点的社区属性统计信息；
第四确定单元，用于基于所述多个节点的社区内密度和社区内密度阈值、所述多个节点的社区间传播力和社区间传播力阈值、所述多个节点的社区属性统计信息和社区属性统计信息阈值、以及社区内节点数量阈值，确定所述节点网络中的第一个社区；
第五确定单元，用于遍历删除节点网络中第一个社区中的节点及与第一个社区中的节点连接的相邻节点后的剩余节点，确定节点网络的下一个中心节点；基于删除节点网络中第一个社区中的节点后剩余节点中的多个节点之间的社区内密度和社区内密度阈值、当前社区的社区间传播力和社区间传播力阈值、当前社区的社区属性统计信息和社区属性统计信息阈值、以及社区内节点数量阈值，确定节点网络中的下一个社区；
第六确定单元，用于基于至少一个社区的社区属性统计信息，确定所述至少一个社区对应的社区特征信息。
可选地，在本公开上述各装置实施例中，所述社区属性统计信息包括以下至少之一：节点对应的商品距离数量占比、节点对应的商品区域数量占比、节点对应的商品所属类型数量占比、节点对应的商品价格数量占比、节点对应的商品内部构造数量占比、以及节点对应的商品内部尺寸数量占比。
可选地，在本公开上述各装置实施例中，所述推荐模块，包括：
第七确定单元，用于确定所述至少一个社区的特征信息和每个所述用户的偏好信息的匹配程度；
推荐单元，用于基于所述至少一个社区的特征信息和每个所述用户的偏好信息的匹配程度和匹配度预设值，向每个所述用户推荐对应的商品。
可选地，在本公开上述各装置实施例中，所述第七确定单元，具体用于：
基于所述至少一个社区对应的社区特征信息，确定每个所述用户与所述至少一个社区对应的社区特征信息中各属性特征信息的匹配程度；
基于每个所述用户与所述至少一个社区对应的社区特征信息中各属性特征信息的匹配程度，得到所述至少一个社区的特征信息和每个所述用户的偏好信息的匹配程度。
根据本公开实施例的又一个方面，提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序用于执行本公开上述任一实施例所述商品信息的推荐方法。
根据本公开实施例的又一个方面，提供了一种电子设备，所述电子设备包括：
处理器；
用于存储所述处理器可执行指令的存储器；
所述处理器，用于从所述存储器中读取所述可执行指令，并执行所述指令以实现上述任一实施例所述的商品信息的推荐方法。
基于本公开上述实施例提供的商品信息的推荐方法，基于获取的至少一个用户对多个商品的行为信息，确定至少一个用户中每个用户的偏好信息和多个商品中每个商品对应的节点信息；基于多个商品中每个商品对应的节点信息对多个节点进行聚类，确定至少一个社区和至少一个社区对应的社区特征信息；其中，每个社区包括至少一个商品；基于至少一个社区对应的社区特征信息和每个用户的偏好信息，向每个用户推荐对应的商品。本公开通过对社区属性统计信息和用户偏好信息进行匹配，实现准确推荐符合用户期望的商品信息，此外，本公开还通过对节点信息进行聚类的方法，有效解决了网络中可能出现的信息过载问题。
下面通过附图和实施例，对本公开的技术方案做进一步的详细描述。
附图说明
通过结合附图对本公开实施例进行更详细的描述，本公开的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本公开实施例的进一步理解，并且构成说明书的一部分，与本公开实施例一起用于解释本公开，并不构成对本公开的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1是本公开推荐方法的一个实施例的流程图。
图2是本公开图1所示的实施例中步骤S102的一个流程示意图。
图3是本公开另一实施例中关于节点A、B、C、D建立的节点网络。
图4是本公开图1所示的实施例中步骤S103的一个流程示意图。
图5是本公开图1所示的实施例中步骤S104的一个流程示意图。
图6是本公开图1所示的实施例中步骤S106的一个流程示意图。
图7是本公开图7所示的实施例中步骤S601的一个流程示意图。
图8是本公开推荐装置的一个实施例的结构示意图。
图9是本公开一示例性实施例提供的电子设备的结构图。
具体实施方式
下面，将参考附图详细地描述根据本公开的示例实施例。显然，所描述的实施例仅仅是本公开的一部分实施例，而不是本公开的全部实施例，应理解，本公开不受这里描述的示例实施例的限制。
应注意到：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公开的范围。
本领域技术人员可以理解，本公开实施例中的“领域技、“领域技等术语仅用于区别不同步骤、设备或模块等，既不代表任何特定技术含义，也不表示它们之间的必然逻辑顺序。
还应理解，在本公开实施例中，备或模块等，既不代表任何特定技术含义，也不表示它们之间的必然逻辑顺序。
还应理解，对于本公开实施例中提及的任一部件、数据或结构，在没有明确限定或者在前后文给出相反启示的情况下，一般可以理解为一个或多个。
另外，本公开中术语开实/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，本公开中字符“/”，一般表示前后关联对象是一种“或”的关系。
还应理解，本公开对各个实施例的描述着重强调各个实施例之间的不同之处，其相同或相似之处可以相互参考，为了简洁，不再一一赘述。
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。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本公开及其应用或使用的任何限制。
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说明书的一部分。
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。
本公开实施例可以应用于终端设备、计算机系统、服务器等电子设备，其可与众多其它通用或专用计算系统环境或配置一起操作。适于与终端设备、计算机系统、服务器等电子设备一起使用的众所周知的终端设备、计算系统、环境和/或配置的例子包括但不限于：个人计算机系统、服务器计算机系统、瘦客户机、厚客户机、手持或膝上设备、基于微处理器的系统、机顶盒、可编程消费电子产品、网络个人电脑、小型计算机系统﹑大型计算机系统和包括上述任何系统的分布式云计算技术环境，等等。
终端设备、计算机系统、服务器等电子设备可以在由计算机系统执行的计算机系统可执行指令(诸如程序模块)的一般语境下描述。通常，程序模块可以包括例程、程序、目标程序、组件、逻辑、数据结构等等，它们执行特定的任务或者实现特定的抽象数据类型。计算机系统/服务器可以在分布式云计算环境中实施，分布式云计算环境中，任务是由通过通信网络链接的远程处理设备执行的。在分布式云计算环境中，程序模块可以位于包括存储设备的本地或远程计算系统存储介质上。
图1是本公开一示例性实施例提供的推荐方法流程图。本实施例可应用在电子设备上，如图1所示，该商品信息的推荐方法包括如下步骤：
S102，基于获取的至少一个用户对多个商品的行为信息，确定至少一个用户中每个用户的偏好信息和多个商品中每个商品对应的节点信息。
其中，用户的行为信息用于表示用户对商品进行的相关行为，例如：用户浏览某一房源时，会产生相应浏览过该房源的浏览行为记录和浏览行为次数记录，如果用户对该房源感兴趣，可以对该房源进行标记行为或收藏行为。用户偏好信息用于表示用户对商品某些特征的喜好程度，例如在房产交易领域，某些特征可以包括：房源所在城区、房源所在商圈、房源所在小区、房源价格、房源面积、以及房源的居室数等。节点用于表示商品，节点信息用于表示节点对应的商品的自身属性信息和用户围绕商品进行的相关行为信息，例如：房源A对应节点A，该节点A的节点信息可以包括：房源A的价格和位置等自身属性信息，以及用户U1浏览房源A的行为信息和关注房源A的行为信息等。
S104，基于多个商品中每个商品对应的节点信息对多个节点进行聚类，确定至少一个社区和至少一个社区对应的社区特征信息。
本公开实施例中的推荐方法，每个社区可以包括至少一个商品。
其中，聚类用于表示根据每个商品对应的节点信息对具有相似性的多个节点进行划分。社区用于表示具有相似性的一类节点对应的商品的集合，例如：价格在500-600万之间、北京市海淀区西直门附近、面积80-120平米的房源的集合。社区内密度用于表示同一社区内节点与节点之间紧密度，例如同一类房源信息中的房源A与房源B之间的紧密度为2。社区间传播力用于表示各社区之间相互关联的节点之间的紧密度，例如分属不同社区的房源A和房源C相互关联，即同一用户浏览过房源A后继续浏览了房源C。社区属性统计信息用于表示对社区中各节点的特征统计，例如：距离社区平均位置中心5公里范围内的节点数量占比、节点所属不同城区的数量占比、节点所属不同商圈的数量占比、节点不同价格档位的数量分布、节点居室数的数量分布、节点不同面积档位的数量分布等。
在一个具体例子中，社区内密度可以用以下公式表示：
其中，Qin-c表示当前社区包括的c个节点的社区内密度值，ec表示当前社区包括的c个节点中各节点之间的关系强度之和，G是节点网络中各节点之间的关系强度之和，其中c≥1。
社区间传播力可以用以下公式表示：
其中，Qout-c表示当前社区包括的c个节点的社区间传播力值，dc表示当前社区包括的c个节点中各节点的关系强度以及当前社区中边界节点与当前社区外节点之间的关系强度之和。
S106，基于至少一个社区对应的社区特征信息和每个用户的偏好信息，向每个用户推荐对应的商品。
在一个具体的例子中，用户U1对应的用户偏好信息包括：北京市海淀区、五道口商圈、华清嘉园小区或龙湖唐宁小区或三才堂小区、600-900万元、60-80平方米、以及两室一厅的房源时，客户端检索系统内相应符合用户偏好信息的至少一个社区，将检索到的至少一个社区中的对应的商品推荐给用户U1。
基于本公开上述实施例提供的商品信息的推荐方法，基于获取的至少一个用户对多个商品的行为信息，确定至少一个用户中每个用户的偏好信息和多个商品中每个商品对应的节点信息；基于多个商品中每个商品对应的节点信息对多个节点进行聚类，确定至少一个社区和至少一个社区对应的社区特征信息；其中，每个社区包括至少一个商品；基于至少一个社区对应的社区特征信息和每个用户的偏好信息，向每个用户推荐对应的商品。本公开通过对社区属性统计信息和用户偏好信息进行匹配，实现准确推荐符合用户期望的商品信息，此外，本公开还通过对节点信息进行聚类的方法，有效解决了网络中可能出现的信息过载问题。
在一个可选的实施例中，本公开至少一个用户的行为信息可以包括以下至少之一：浏览信息、关注信息、聊天信息、预约信息、交易信息。
其中，浏览信息可以包括：浏览行为的加权系数、以及商品被用户浏览的时间、次数和浏览过该商品的用户信息，例如，浏览行为的加权系数为0.05、房源A在2019年11月13日-2019年11月15日期间被浏览过23次，浏览过房源A的用户信息分别为用户U1浏览10次、用户U2浏览10次、用户U3浏览3次。关注信息可以包括：关注行为的加权系数、商品被关注的用户数量和关注该商品的用户信息，例如，关注行为的加权系数为0.1、房源A被3个用户关注,3个用户分别为用户U1、U2、U3。聊天信息可以包括：聊天行为的加权系数、商品在用户聊天信息中被提及的次数。预约信息可以包括：预约行为的加权系数、商品被预约进行线下行为的时间、次数、以及预约过该商品的用户信息，例如，预约行为的加权系数为0.3、房源A被预约看房的次数为3次，分别是用户U1-预约时间2019年11月13日，用户U2-预约时间2019年11月13日，用户U3-预约时间2019年11月15日。交易信息可以包括：交易行为的加权系数、以及商品的交易记录，例如，交易行为的加权系数为0.8、用户U1在2019年11月20日支付了房源A的定金。
图2是本公开另一示例性实施例提供的商品信息的推荐方法流程示意图，在上述图1所示实施例的基础上，步骤S102具体可以包括如下步骤：
S201，基于至少一个用户的行为信息，确定每个商品对应的节点信息，以及所述至少一个用户与每个商品之间的关系强度信息。
其中，至少一个用户与每个商品之间的关系强度信息表示一个用户与一个商品之间的关系强度，例如，用户U1浏览过房源A-5次，并对房源A进行了关注和预约，则用户U1与房源A之间的关系强度信息为0.05*5+0.1+0.3＝0.65，用户U1浏览过房源B-6次，则用户U1与房源B之间的关系强度信息为0.05*6＝0.3。
S202，基于至少一个用户与每个商品之间的关系强度信息和关系强度预设值，确定各用户的偏好信息。
在一个具体例子中，用户U1与节点A(房源A)之间的关系强度信息为0.9，用户U1与节点B(房源B)之间的关系强度信息为0.6，用户U1与节点C(房源C)之间的关系强度信息为0.3，其中，关系强度预设值为0.5，因此，确定用户U1对节点A(房源A)和节点B(房源B)存在偏好。
在本实施例中，通过用户的行为信息确定用户和商品之间的关系强度信息，并设置相应的关系强度预设值，从而可以有效解决了用户信息量过大而出现的网络过载问题。
在本公开另一示例性实施例提供的商品信息的推荐方法中，步骤S104之前可以包括如下步骤：
S103，基于预设时间窗内至少一个用户的浏览信息和所述至少一个用户与每个商品之间的关系强度信息，获得基于商品作为节点的节点网络、节点网络中各节点之间的关系强度信息、以及各节点的节点强度。
其中，预设时间窗用于表示预先选取的时间段，例如，选取2019年11月12日0点-24点，节点网络用于表示商品与商品之间的网络，例如，用户U1浏览过房源A、B、C，用户U2浏览过房源A、C、D，用户U3浏览过房源A、B和D，则可以通过用户U1建立起节点A→B→C之间的节点连线，通过用户U2建立起节点A→C→D之间的节点连线，通过用户U3建立起节点A→B→D之间的节点连线，最终建立如图3所示关于节点A、B、C、D的节点网络。各节点之间的关系强度用于表示节点网络中节点与节点之间的关系强度。各节点的节点强度用于表示节点在节点网络中的影响力。
图4是本公开另一示例性实施例提供的商品信息的推荐方法流程示意图，在上述图1所示实施例的基础上，步骤S103可以具体可以包括步骤：
S401，基于预设时间窗内至少一个用户的浏览信息，将同一用户浏览的多个商品之间建立连接，将商品作为节点获得节点网络。
其中，节点网络用于表示基于多个商品建立的同质网络。
S402，基于节点网络中各节点与至少一个用户之间的关系强度信息，确定节点网络中各节点之间的关系强度信息。
例如，先浏览房源A继而浏览房源B的客户有两个：用户U1和用户U2，用户U1与房源A和房源B之间的关系强度分别为0.7和0.5，，用户U2与房源A和房源B之间的关系强度分别为0.4和0.3，则节点A与节点B之间的关系强度为0.7*0.5+0.4*0.3＝0.47。
S403，基于节点网络中各节点之间的关系强度信息，确定节点网络中各节点的节点强度。
例如，图3所示的实施方案，节点A与节点B之间的关系强度为0.47，节点B与节点C之间的关系强度为0.2，节点C与节点D之间的关系强度为0.5，节点B与节点D之间的关系强度为0.1，则节点A的节点强度＝0.47，节点B的节点强度＝0.47+0.2+0.1＝0.77，节点C的节点强度＝0.2+0.5＝0.7，节点D的节点强度＝0.1+0.5＝0.6。
此外，两个节点之间的关系强度信息还可以用Pagerank或节点度数表示，
在本公开的实施例中，通过用户与商品之间的关系强度信息确定商品与商品之间的关系强度信息，能够快速建立商品之间的关系网络，从而确定节点网络中每个节点的节点强度。
图5是本公开另一示例性实施例提供的商品信息的推荐方法流程示意图，在上述图1所示实施例的基础上，步骤S104可以具体可以包括步骤：
S501，遍历节点网络中的各节点，基于各节点的节点强度，确定节点网络的第一个中心节点，基于与第一个中心节点相邻的各节点与第一个中心节点之间的关系强度信息，确定当前社区以及当前社区中多个节点的社区内密度，基于当前社区各节点的关系强度以及当前社区中边界节点与当前社区外节点之间的关系强度之和，确定当前社区的社区间传播力，基于节点网络中各节点对应的商品信息，确定多个节点的社区属性统计信息。
本公开实施例中的推荐方法，社区属性统计信息可以包括以下至少之一：节点对应的商品距离数量占比、节点对应的商品区域数量占比、节点对应的商品所属类型数量占比、节点对应的商品价格数量占比、节点对应的商品内部构造数量占比、以及节点对应的商品内部尺寸数量占比。
其中，节点网络的中心节点用于表示节点网络中影响力最大的节点，例如，节点A的节点强度为0.1，节点B的节点强度为0.3，节点C的节点强度为0.7，节点D的节点强度为0.6，则该节点网络的中心节点为节点C。节点对应的商品距离数量占比用于表示以第一个中心节点为原点，在一定预设距离范围内的节点数量与节点网络中的节点总数量之比，具体的，可以通过一定预设距离范围内各节点对应的商品位置坐标，确定第一个中心节点对应的位置坐标。节点对应的商品区域数量占比用于表示节点对应的商品所在的各区域的数量与节点总数量之比，例如，节点网络中的节点总数量为200，各节点对应的商品分别位于区域X-100个、区域Y-60个、以及区域Z-40个，则节点对应的商品在区域X内的数量占比为1/2、节点对应的商品在区域Y内的数量占比为3/10、节点对应的商品在区域Z内的数量占比为1/5。节点对应的商品所属类型数量占比用于表示节点对应的商品各所属类型的数量与节点总数量之比，例如，节点对应的商品为房源，其所属类型为商圈类型，则商圈A中的节点对应的房源数量50与节点总数量对应的房源数量200之比为1/4。节点对应的商品价格数量占比用于表示节点对应的商品在各价格区间的数量与总节点数量之比，例如在价格区间500-600万之间的节点对应的房源数量的数量为20，节点总数量为200，则节点对应的商品价格数量占比为1/10。节点对应的商品内部构造数量占比用于表示节点对应的商品不同类型的内部构造的数量与节点总数量之比，例如节点对应的房源结构类型为三室一厅的数量为80，节点总数量为200，则节点对应的商品内部构造数量占比为2/5。节点对应的商品内部尺寸数量占比用于表示节点对应的商品内部各尺寸区间的数量与节点总数量之比，例如，节点对应的房源的面积在60-80平米的数量为90，节点总数量200，则节点对应的商品内部尺寸数量占比为9/20。
S502，基于多个节点的社区内密度和社区内密度阈值、多个节点的社区间传播力和社区间传播力阈值、多个节点的社区属性统计信息和社区属性统计信息阈值、以及社区内节点数量阈值，确定所述节点网络中的第一个社区。其中，社区内密度阈值用于表示限制多个节点之间关系强度信息的范围，例如，假设社区内密度阈值为0.45，遍历节点网络中的全部节点后，可知：与中心节点A相邻的节点B和节点D的组成的当前社区的社区内密度为0,8，若当前社区加入与节点B相邻的节点E和节点F后的社区内密度为0.7，若再加入与节点D相邻的节点H后的社区内密度为0.5，若再加入与节点H相邻的节点K后的社区内密度为0.4<0.45，则当前社区停止继续加入节点，即该当前社区包括节点A、B、D、E、F、H。社区间传播力阈值用于表示预设的社区间外传播力强度范围，若上述当前社区的社区间外传播力强度为0.05小于社区间传播力阈0.1，则上述当前社区成立。社区属性统计信息阈值用于表示限制社区属性中各项统计信息数量占比的范围，例如，若上述当前社区中节点对应的商品区域数量占比为45％大于社区属性统计信息阈值中节点对应的商品区域数量占比阈值40％，则上述当前社区成立，否则，删除上述当前社区中的一个节点后继续比较，直到满足条件。社区内节点数量阈值用于表示限制社区内节点数量的范围，例如，聚类得到社区内的节点数量最少2个，最多10个。由此，上述当前社区满足了全部的预设条件后，即完成了对第一个社区中节点的聚类，确定节点网络中的第一个社区。
S503，遍历删除节点网络中第一个社区中的节点及与第一个社区中的节点连接的相邻节点后的剩余节点，确定节点网络的下一个中心节点；基于删除节点网络中第一个社区中的节点后剩余节点中的多个节点之间的社区内密度和社区内密度阈值、当前社区的社区间传播力和社区间传播力阈值、当前社区的社区属性统计信息和社区属性统计信息阈值、以及社区内节点数量阈值，确定节点网络中的下一个社区。
例如，完成对第一个社区中节点的聚类后，遍历去除该节点网络中的第一社区中的全部节点以及与第一个社区中的节点连接的相邻节点后的剩余节点，寻找下一个社区的中心节点，并基于删除节点网络中第一个社区中的节点后剩余节点，继续进行上述各项阈值的比较，以完成对第二社区中节点的聚类，直到无法再对该节点网络中的节点进行聚类。
S504，基于至少一个社区的社区属性统计信息，确定至少一个社区对应的社区特征信息。
其中，可以将至少一个社区的社区属性统计信息中各项数量占比的最大值作为该属性维度下的特征。当各项数量占比最高的几个特征比例相差不大时，还可以通过可以设置一定的阈值，将各项数量占比超过一定阈值的特征作为该属性维度下的特征。
例如，在节点对应的房源价格数量占比中，500-600万的房源价格数量占比为30％，600-700万的房源价格数量占比为30％，800-900万的房源价格数量占比为40％，因为比例相差不大，通过设置价格数量占比阈值30％，最终500-600万、600-700万、800-900万的房源作为社区在价格属性维度下的特征。
在本公开的实施例中，通过对建立的至少一个社区和对社区属性的统计，确定至少一个社区特征，还可进一步的对剩余节点网络继续进行社区划分，确定了每个社区的特征，从而可以对用户进行有效商品推荐，此外，还有效覆盖了用户浏览商品类型和数量。
图6是本公开另一示例性实施例提供的商品信息的推荐方法流程示意图，在上述图1所示实施例的基础上，步骤S106可以具体可以包括步骤：
S601，确定至少一个社区的特征信息和每个用户的偏好信息的匹配程度。
其中，匹配程度用于表示一个社区和一个用户的偏好信息之间匹配程度。
S602，基于至少一个社区的特征信息和每个用户的偏好信息的匹配程度和匹配度预设值，向每个用户推荐对应的商品。
其中，匹配度预设值可以包括数值、数组和矩阵，例如，当匹配度预设值为25时，确定对应推荐给各用户匹配程度大于25的至少一个社区中节点对应的商品，比如位于海淀区、西直门商圈、距离西直门地铁站5公里范围内、均价800-900万、面积60-80平米、两室一厅的房源信息，或位于海淀区、五道口商圈、距离五道口地铁站5公里范围内、均价800-900万、面积60-80平米、两室一厅的房源信息，其中，该社区可以包括多个节点对应的房源。
图7是本公开另一示例性实施例提供的商品信息的推荐方法流程示意图，在上述图6所示实施例的基础上，步骤S601可以具体可以包括步骤：
S701，基于至少一个社区对应的社区特征信息，确定每个用户与至少一个社区对应的社区特征信息中各属性特征信息的匹配程度。
其中，匹配程度需要对社区的每个属性特征分别计算其相应的匹配度，再对各匹配度进行加权求和。
S702，基于每个用户与至少一个社区对应的社区特征信息中各属性特征信息的匹配程度，得到至少一个社区的特征信息和每个用户的偏好信息的匹配程度。
例如，某个社区中节点对应的房源距离特征占比为0.6，当前用户对该距离属性的偏好程度为6，则距离特征信息的匹配度为3.6；当前社区中节点对应的房源区域特征占比为0.8，用户对该区域属性的偏好程度为8，则区域特征占比的匹配度为6.4；当前社区中节点对应的房源所属商圈特征占比为0.33，用户对该商圈属性的偏好程度为3，则商圈特征占比的匹配度为0.99；当前社区中节点对应的房源价格特征占比为0.7，用户对该价格属性的偏好程度为9，则价格特征占比的匹配度为6.3；当前社区中节点对应的房源内部构造特征占比为0.7，用户对该内部构造特征属性的偏好程度为7，则内部构造特征占比的匹配度为4.9；当前社区中节点对应的房源面积特征占比为0.8，用户对房源面积特征属性的偏好程度为9，则内部构造特征占比的匹配度为7.2，最后得到社区特征信息与当前用户的偏好信息之间的匹配度为3.6+6.4+0.99+6.3+4.9+7.2＝29.39。
在本公开的实施例中，通过对社区特征信息和每个用户的偏好信息进行匹配，确定对应推荐给每个用户的社区，用户通过点击该社区可以得到相应的商品集合，从而实现准确推荐符合用户期望的多个商品。
本公开实施例提供的任一种商品信息的推荐方法可以由任意适当的具有数据处理能力的设备执行，包括但不限于：终端设备和服务器等。或者，本公开实施例提供的任一种商品信息的推荐方法可以由处理器执行，如处理器通过调用存储器存储的相应指令来执行本公开实施例提及的任一种商品信息的推荐方法。下文不再赘述。
图8是本公开一示例性实施例提供的商品信息的推荐装置的结构示意图。该测试装置可以设置于终端设备、服务器等电子设备中，执行本公开上述任一实施例的推荐方法。如图8所示，该推荐装置包括：
第一确定模块81，用于基于获取的至少一个用户对多个商品的行为信息，确定所述至少一个用户中每个用户的偏好信息和所述多个商品中每个商品对应的节点信息。
第二确定模块82，用于基于所述多个商品中每个商品对应的节点信息对所述多个节点进行聚类，确定至少一个社区和所述至少一个社区对应的社区特征信息；其中，每个所述社区包括至少一个商品。
推荐模块83，用于基于所述至少一个社区对应的社区特征信息和每个所述用户的偏好信息，向每个所述用户推荐对应的商品。
基于本公开上述实施例提供的推荐装置，基于获取的至少一个用户对多个商品的行为信息，确定至少一个用户中每个用户的偏好信息和多个商品中每个商品对应的节点信息；基于多个商品中每个商品对应的节点信息对多个节点进行聚类，确定至少一个社区和至少一个社区对应的社区特征信息；其中，每个社区包括至少一个商品；基于至少一个社区对应的社区特征信息和每个用户的偏好信息，向每个用户推荐对应的商品。本公开通过对社区属性统计信息和用户偏好信息进行匹配，实现准确推荐符合用户期望的商品信息，此外，本公开还通过对节点信息进行聚类的方法，有效解决了网络中可能出现的信息过载问题。
在其中一些实施方式中，所述至少一个用户的行为信息包括以下至少之一：浏览信息、关注信息、聊天信息、预约信息、交易信息。
所述第一确定模块81可以包括：
第一确定单元，用于基于所述至少一个用户的行为信息，确定所述每个商品对应的节点信息，以及所述至少一个用户与每个商品之间的关系强度信息；
第二确定单元，用于基于至少一个用户与每个商品之间的关系强度信息和关系强度预设值，确定所述各用户的偏好信息。
在其中一些实施方式中，所述第二确定模块82之前，还可以包括：
第一获得模块，用于基于预设时间窗内所述至少一个用户的浏览信息和所述至少一个用户与每个商品之间的关系强度信息，获得基于所述商品作为节点的节点网络、所述节点网络中各节点之间的关系强度信息、以及各节点的节点强度。
在其中一些实施方式中，所述第一获得单元，具体用于：
所述第一获得单元，具体用于：
基于预设时间窗内所述至少一个用户的浏览信息，将同一所述用户浏览的多个商品之间建立连接，将所述商品作为节点获得节点网络；
基于所述节点网络中各节点与至少一个用户之间的关系强度信息，确定所述节点网络中各节点之间的关系强度信息；
基于所述节点网络中各节点之间的关系强度信息，确定所述节点网络中各节点的节点强度。
在其中一些实施方式中，所述第二确定模块82，包括：
第三确定单元，用于遍历节点网络中的各节点，基于各节点的节点强度，确定节点网络的第一个中心节点，基于与第一个中心节点相邻的各节点与第一个中心节点之间的关系强度信息，确定当前社区以及所述当前社区中多个节点的社区内密度，基于所述当前社区各节点的关系强度以及所述当前社区中边界节点与所述当前社区外节点之间的关系强度之和，确定所述当前社区的社区间传播力，基于节点网络中各节点对应的商品信息，确定多个节点的社区属性统计信息；
第四确定单元，用于基于所述多个节点的社区内密度和社区内密度阈值、所述多个节点的社区间传播力和社区间传播力阈值、所述多个节点的社区属性统计信息和社区属性统计信息阈值、以及社区内节点数量阈值，确定所述节点网络中的第一个社区；
第五确定单元，用于删除节点网络中第一个社区中的节点后，遍历节点网络中的剩余节点，确定节点网络的下一个中心节点、基于所述剩余节点中多个节点之间的社区内密度和所述社区内密度阈值、所述剩余节点中当前社区的社区间传播力和所述社区间传播力阈值、所述剩余节点中当前社区的社区属性统计信息和所述社区属性统计信息阈值、以及所述社区内节点数量阈值，确定所述节点网络中的下一个社区；
第六确定单元，用于基于至少一个社区的社区属性统计信息，确定所述至少一个社区对应的社区特征信息。
在其中一些实施方式中，所述社区属性统计信息包括以下至少之一：节点对应的商品距离数量占比、节点对应的商品区域数量占比、节点对应的商品所属类型数量占比、节点对应的商品价格数量占比、节点对应的商品内部构造数量占比、以及节点对应的商品内部尺寸数量占比。
在其中一些实施方式中，所述第六确定单元，具体用于：
基于所述至少一个社区中每个社区对应的社区属性统计信息，确定所述至少一个社区的社区属性统计信息中各项数量占比的最大值；
基于所述至少一个社区的社区属性统计信息中各项数量占比的最大值，确定所述至少一个社区中每个社区对应的社区特征信息，其中，所述社区特征信息包括至少一个属性特征信息。
在其中一些实施方式中，所述推荐模块83，包括：
第七确定单元，用于确定所述至少一个社区的特征信息和每个所述用户的偏好信息的匹配程度；
推荐单元，用于基于所述至少一个社区的特征信息和每个所述用户的偏好信息的匹配程度和匹配度预设值，向每个所述用户推荐对应的商品。
在其中一些实施方式中，所述第七确定单元，具体用于：
基于所述至少一个社区对应的社区特征信息，确定每个所述用户与所述至少一个社区对应的社区特征信息中各属性特征信息的匹配程度；
基于每个所述用户与所述至少一个社区对应的社区特征信息中各属性特征信息的匹配程度，得到所述至少一个社区的特征信息和每个所述用户的偏好信息的匹配程度。
另外，本公开实施例还提供了一种电子设备，该电子设备包括：处理器；用于存储所述处理器可执行指令的存储器；
所述处理器，用于从所述存储器中读取可执行指令，并执行指令以实现本公开上述任一实施例的推荐方法。
下面，参考图9来描述根据本公开实施例的电子设备。该电子设备可以是第一设备和第二设备中的任一个或两者、或与它们独立的单机设备，该单机设备可以与第一设备和第二设备进行通信，以从它们接收所采集到的输入信号。图9图示了根据本公开实施例的电子设备的框图。如图9所示，电子设备90包括一个或多个处理器91和存储器92。
处理器91可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备中的其他组件以执行期望的功能。
存储器92可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器91可以运行所述程序指令，以实现上文所述的本公开的各个实施例的软件程序的测试方法以及/或者其他期望的功能。在一个示例中，电子设备还可以包括：输入装置93和输出装置94，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
此外，该输入设备93还可以包括例如键盘、鼠标等等。
该输出装置94可以向外部输出各种信息。该输出设备14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然，为了简化，图9中仅示出了该电子设备90中与本公开有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备还可以包括任何其他适当的组件。
除了上述方法和设备以外，本公开的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述各种实施例的商品信息的推荐方法中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外，本公开的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述各种实施例的商品信息的推荐方法中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本公开的基本原理，但是，需要指出的是，在本公开中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本公开的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本公开为必须采用上述具体的细节来实现。
本说明书中各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似的部分相互参见即可。对于系统实施例而言，由于其与方法实施例基本对应，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本公开中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如实施例的部分说明即可。限制，上述细节并不限制本公开为必须采用上述具体的细节来实现。、随机存取存储器(RAM)、只读存储器(ROM)/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
可能以许多方式来实现本公开的方法和装置。例如，可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本公开的方法和装置。用于所述方法的步骤的上述顺序仅是为了进行说明，本公开的方法的步骤不限于以上具体描述的顺序，除非以其它方式特别说明。此外，在一些实施例中，还可将本公开实施为记录在记录介质中的程序，这些程序包括用于实现根据本公开的方法的机器可读指令。因而，本公开还覆盖存储用于执行根据本公开的方法的程序的记录介质。
还需要指出的是，在本公开的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本公开的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本公开。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本公开的范围。因此，本公开不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本公开的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

Claims (16)

1.一种商品信息的推荐方法，其特征在于，包括：
基于获取的至少一个用户对多个商品的行为信息，确定所述至少一个用户中每个用户的偏好信息和所述多个商品中每个商品对应的节点信息；其中，节点用于表示商品，所述商品为房源，所述节点信息用于表示节点对应的商品的自身属性信息和用户围绕所述商品进行的相关行为信息；所述至少一个用户的行为信息包括以下至少之一：浏览信息、关注信息、聊天信息、预约信息、交易信息；所述基于获取的至少一个用户对多个商品的行为信息，确定所述至少一个用户中每个用户的偏好信息和所述多个商品中每个商品对应的节点信息，包括：基于所述至少一个用户的行为信息，确定所述每个商品对应的节点信息，以及所述至少一个用户与每个商品之间的关系强度信息；基于至少一个用户与每个商品之间的关系强度信息和关系强度预设值，确定所述各用户的偏好信息；
基于所述多个商品中每个商品对应的节点信息对所述多个节点进行聚类，确定至少一个社区和所述至少一个社区对应的社区特征信息；其中，每个所述社区包括至少一个商品；所述社区用于表示具有相似性的一类节点对应的商品的集合；
基于所述至少一个社区对应的社区特征信息和每个所述用户的偏好信息，向每个所述用户推荐对应的商品。
2.根据权利要求1所述的方法，其特征在于，所述基于所述多个商品中每个商品对应的节点信息对所述多个节点进行聚类，获得至少一个社区和所述至少一个社区对应的社区特征信息之前，还包括：
基于预设时间窗内所述至少一个用户的浏览信息和所述至少一个用户与每个商品之间的关系强度信息，获得基于所述商品作为节点的节点网络、所述节点网络中各节点之间的关系强度信息、以及各节点的节点强度。
3.根据权利要求2所述的方法，其特征在于，所述基于预设时间窗内所述至少一个用户的浏览信息，获得基于所述商品作为节点的节点网络、所述节点网络中各节点之间的关系强度信息、以及各节点的节点强度，包括：
基于预设时间窗内所述至少一个用户的浏览信息，将同一所述用户浏览的多个商品之间建立连接，将所述商品作为节点获得节点网络；
基于所述节点网络中各节点与至少一个用户之间的关系强度信息，确定所述节点网络中各节点之间的关系强度信息；
基于所述节点网络中各节点之间的关系强度信息，确定所述节点网络中各节点的节点强度。
4.根据权利要求3所述的方法，其特征在于，所述基于所述多个商品中每个商品对应的节点信息对所述多个节点进行聚类，确定至少一个社区和所述至少一个社区对应的社区特征信息，包括：
遍历节点网络中的各节点，基于各节点的节点强度，确定节点网络的第一个中心节点，基于与第一个中心节点相邻的各节点与第一个中心节点之间的关系强度信息，确定当前社区以及所述当前社区中多个节点的社区内密度，基于所述当前社区各节点的关系强度以及所述当前社区中边界节点与所述当前社区外节点之间的关系强度之和，确定所述当前社区的社区间传播力，基于节点网络中各节点对应的商品信息，确定多个节点的社区属性统计信息；
基于所述多个节点的社区内密度和社区内密度阈值、所述多个节点的社区间传播力和社区间传播力阈值、所述多个节点的社区属性统计信息和社区属性统计信息阈值、以及社区内节点数量阈值，确定所述节点网络中的第一个社区；
遍历删除节点网络中第一个社区中的节点及与第一个社区中的节点连接的相邻节点后的剩余节点，确定节点网络的下一个中心节点；基于删除节点网络中第一个社区中的节点后剩余节点中的多个节点之间的社区内密度和社区内密度阈值、当前社区的社区间传播力和社区间传播力阈值、当前社区的社区属性统计信息和社区属性统计信息阈值、以及社区内节点数量阈值，确定节点网络中的下一个社区；
基于至少一个社区的社区属性统计信息，确定所述至少一个社区对应的社区特征信息。
5.根据权利要求4所述的方法，其特征在于，所述社区属性统计信息包括以下至少之一：节点对应的商品距离数量占比、节点对应的商品区域数量占比、节点对应的商品所属类型数量占比、节点对应的商品价格数量占比、节点对应的商品内部构造数量占比、以及节点对应的商品内部尺寸数量占比。
6.根据权利要求1-5任一所述的方法，其特征在于，基于所述至少一个社区的特征信息和每个所述用户的偏好信息的匹配程度，向每个所述用户推荐对应的商品，包括：
确定所述至少一个社区的特征信息和每个所述用户的偏好信息的匹配程度；
基于所述至少一个社区的特征信息和每个所述用户的偏好信息的匹配程度和匹配度预设值，向每个所述用户推荐对应的商品。
7.根据权利要求6所述的方法，其特征在于，所述确定所述至少一个社区的特征信息和每个所述用户的偏好信息的匹配程度，包括：
基于所述至少一个社区对应的社区特征信息，确定每个所述用户与所述至少一个社区对应的社区特征信息中各属性特征信息的匹配程度；
基于每个所述用户与所述至少一个社区对应的社区特征信息中各属性特征信息的匹配程度，得到所述至少一个社区的特征信息和每个所述用户的偏好信息的匹配程度。
8.一种商品信息的推荐装置，其特征在于，包括：
第一确定模块，用于基于获取的至少一个用户对多个商品的行为信息，确定所述至少一个用户中每个用户的偏好信息和所述多个商品中每个商品对应的节点信息；其中，节点用于表示商品，所述商品为房源，所述节点信息用于表示节点对应的商品的自身属性信息和用户围绕所述商品进行的相关行为信息；所述至少一个用户的行为信息包括以下至少之一：浏览信息、关注信息、聊天信息、预约信息、交易信息；所述第一确定模块，包括：第一确定单元，用于基于所述至少一个用户的行为信息，确定所述每个商品对应的节点信息，以及所述至少一个用户与每个商品之间的关系强度信息；第二确定单元，用于基于至少一个用户与每个商品之间的关系强度信息和关系强度预设值，确定所述各用户的偏好信息；
第二确定模块，用于基于所述多个商品中每个商品对应的节点信息对所述多个节点进行聚类，确定至少一个社区和所述至少一个社区对应的社区特征信息；其中，每个所述社区包括至少一个商品；所述社区用于表示具有相似性的一类节点对应的商品的集合；
推荐模块，用于基于所述至少一个社区对应的社区特征信息和每个所述用户的偏好信息，向每个所述用户推荐对应的商品。
9.根据权利要求8所述的装置，其特征在于，所述第二确定模块之前，还包括：
第一获得模块，用于基于预设时间窗内所述至少一个用户的浏览信息和所述至少一个用户与每个商品之间的关系强度信息，获得基于所述商品作为节点的节点网络、所述节点网络中各节点之间的关系强度信息、以及各节点的节点强度。
10.根据权利要求9所述的装置，其特征在于，所述第一获得模块，具体用于：
基于预设时间窗内所述至少一个用户的浏览信息，将同一所述用户浏览的多个商品之间建立连接，将所述商品作为节点获得节点网络；
基于所述节点网络中各节点与至少一个用户之间的关系强度信息，确定所述节点网络中各节点之间的关系强度信息；
基于所述节点网络中各节点之间的关系强度信息，确定所述节点网络中各节点的节点强度。
11.根据权利要求10所述的装置，其特征在于，所述第二确定模块，包括：
第三确定单元，用于遍历节点网络中的各节点，基于各节点的节点强度，确定节点网络的第一个中心节点，基于与第一个中心节点相邻的各节点与第一个中心节点之间的关系强度信息，确定当前社区以及所述当前社区中多个节点的社区内密度，基于所述当前社区各节点的关系强度以及所述当前社区中边界节点与所述当前社区外节点之间的关系强度之和，确定所述当前社区的社区间传播力，基于节点网络中各节点对应的商品信息，确定多个节点的社区属性统计信息；
第四确定单元，用于基于所述多个节点的社区内密度和社区内密度阈值、所述多个节点的社区间传播力和社区间传播力阈值、所述多个节点的社区属性统计信息和社区属性统计信息阈值、以及社区内节点数量阈值，确定所述节点网络中的第一个社区；
第五确定单元，用于遍历删除节点网络中第一个社区中的节点及与第一个社区中的节点连接的相邻节点后的剩余节点，确定节点网络的下一个中心节点；基于删除节点网络中第一个社区中的节点后剩余节点中的多个节点之间的社区内密度和社区内密度阈值、当前社区的社区间传播力和社区间传播力阈值、当前社区的社区属性统计信息和社区属性统计信息阈值、以及社区内节点数量阈值，确定节点网络中的下一个社区；
第六确定单元，用于基于至少一个社区的社区属性统计信息，确定所述至少一个社区对应的社区特征信息。
12.根据权利要求11所述的装置，其特征在于，所述社区属性统计信息包括以下至少之一：节点对应的商品距离数量占比、节点对应的商品区域数量占比、节点对应的商品所属类型数量占比、节点对应的商品价格数量占比、节点对应的商品内部构造数量占比、以及节点对应的商品内部尺寸数量占比。
13.根据权利要求8-11任一所述的装置，其特征在于，所述推荐模块，包括：
第七确定单元，用于确定所述至少一个社区的特征信息和每个所述用户的偏好信息的匹配程度；
推荐单元，用于基于所述至少一个社区的特征信息和每个所述用户的偏好信息的匹配程度和匹配度预设值，向每个所述用户推荐对应的商品。
14.根据权利要求13所述的装置，其特征在于，所述第七确定单元，具体用于：
基于所述至少一个社区对应的社区特征信息，确定每个所述用户与所述至少一个社区对应的社区特征信息中各属性特征信息的匹配程度；
基于每个所述用户与所述至少一个社区对应的社区特征信息中各属性特征信息的匹配程度，得到所述至少一个社区的特征信息和每个所述用户的偏好信息的匹配程度。
15.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序用于执行上述权利要求1-7任一所述商品信息的推荐方法。
16.一种电子设备，其特征在于，所述电子设备包括：
处理器；
用于存储所述处理器可执行指令的存储器；
所述处理器，用于从所述存储器中读取所述可执行指令，并执行所述指令以实现上述权利要求1-7任一所述商品信息的推荐方法。
CN202010237031.4A 2020-03-30 2020-03-30 商品信息的推荐方法和装置、电子设备和存储介质 Active CN111340601B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010237031.4A CN111340601B (zh) 2020-03-30 2020-03-30 商品信息的推荐方法和装置、电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010237031.4A CN111340601B (zh) 2020-03-30 2020-03-30 商品信息的推荐方法和装置、电子设备和存储介质

Publications (2)

Publication Number Publication Date
CN111340601A CN111340601A (zh) 2020-06-26
CN111340601B true CN111340601B (zh) 2023-10-03

Family

ID=71187452

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010237031.4A Active CN111340601B (zh) 2020-03-30 2020-03-30 商品信息的推荐方法和装置、电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN111340601B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112149003B (zh) * 2020-10-28 2023-06-20 浙江集享电子商务有限公司 商品社群推荐方法、装置和计算机设备

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011258023A (ja) * 2010-06-09 2011-12-22 Nippon Telegr & Teleph Corp <Ntt> Ｐｏｓデータ分析装置及び方法及びプログラム
CN106600372A (zh) * 2016-12-12 2017-04-26 武汉烽火信息集成技术有限公司 一种基于用户行为的商品推荐方法及系统
CN107633430A (zh) * 2017-09-20 2018-01-26 哈尔滨工业大学 一种基于群体社区的商品推荐方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102254028A (zh) * 2011-07-22 2011-11-23 青岛理工大学 一种集成属性和结构相似性的个性化商品推荐方法和系统
CN103186539B (zh) * 2011-12-27 2016-07-27 阿里巴巴集团控股有限公司 一种确定用户群体、信息查询及推荐的方法及系统
JP5902325B1 (ja) * 2015-01-07 2016-04-13 株式会社日立製作所 嗜好分析システム、嗜好分析方法
CN105427125A (zh) * 2015-10-29 2016-03-23 电子科技大学 基于商品网络连接图的商品簇划分方法
CN106951489A (zh) * 2017-03-13 2017-07-14 杭州师范大学 一种用于稀疏大数据的个性化推荐方法和装置
CN110517114A (zh) * 2019-08-21 2019-11-29 广州云徙科技有限公司 一种基于社区发现算法的信息推送方法及系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011258023A (ja) * 2010-06-09 2011-12-22 Nippon Telegr & Teleph Corp <Ntt> Ｐｏｓデータ分析装置及び方法及びプログラム
CN106600372A (zh) * 2016-12-12 2017-04-26 武汉烽火信息集成技术有限公司 一种基于用户行为的商品推荐方法及系统
CN107633430A (zh) * 2017-09-20 2018-01-26 哈尔滨工业大学 一种基于群体社区的商品推荐方法

Also Published As

Publication number Publication date
CN111340601A (zh) 2020-06-26

Similar Documents

Publication Publication Date Title
Zhou et al. Userrec: A user recommendation framework in social tagging systems
Sieg et al. Improving the effectiveness of collaborative recommendation with ontology-based user profiles
CN111259263B (zh) 一种物品推荐方法、装置、计算机设备及存储介质
US7945668B1 (en) System and method for content-aware co-clustering algorithm based on hourglass model
CN110489558B (zh) 文章聚合方法和装置、介质和计算设备
US20080288491A1 (en) User segment suggestion for online advertising
CN110096634B (zh) 一种基于粒子群优化的房产数据向量对齐方法
US20130325756A1 (en) Graph-based framework for multi-task multi-view learning
CN110674318A (zh) 一种基于引文网络社区发现的数据推荐方法
US9424337B2 (en) Number of clusters estimation
CN111353862B (zh) 商品的推荐方法和装置、电子设备和存储介质
CN104077723B (zh) 一种社交网络推荐系统及方法
CN113761359B (zh) 数据包推荐方法、装置、电子设备和存储介质
CN110162711A (zh) 一种基于网络嵌入法的资源智能推荐方法及系统
CN111159563A (zh) 用户兴趣点信息的确定方法、装置、设备及存储介质
Min et al. Topic based time-sensitive influence maximization in online social networks
CN110070410A (zh) 一种基于大数据的人口社交分析方法及系统
CN111429161B (zh) 特征提取方法、特征提取装置、存储介质及电子设备
CN110473073A (zh) 线性加权推荐的方法及装置
KR102498294B1 (ko) 키워드 공동출현 네트워크를 기반으로 핵심 키워드를 추출하는 방법 및 장치
Yang et al. Improvement of recommendation algorithm based on collaborative deep learning and its parallelization on spark
CN113326900A (zh) 联邦学习模型的数据处理方法、装置及存储介质
Miao et al. Joint prediction of rating and popularity for cold-start item by sentinel user selection
CN111340601B (zh) 商品信息的推荐方法和装置、电子设备和存储介质
CN109672706B (zh) 一种信息推荐方法、装置、服务器及存储介质

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
GR01 Patent grant
GR01 Patent grant