CN111400613A - 物品推荐方法、装置、介质及计算机设备 - Google Patents
物品推荐方法、装置、介质及计算机设备 Download PDFInfo
- Publication number
- CN111400613A CN111400613A CN202010187476.6A CN202010187476A CN111400613A CN 111400613 A CN111400613 A CN 111400613A CN 202010187476 A CN202010187476 A CN 202010187476A CN 111400613 A CN111400613 A CN 111400613A
- Authority
- CN
- China
- Prior art keywords
- item
- account
- data
- recommendation list
- 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 52
- 239000013598 vector Substances 0.000 claims abstract description 168
- 230000006399 behavior Effects 0.000 claims description 95
- 238000012163 sequencing technique Methods 0.000 claims description 47
- 238000004590 computer program Methods 0.000 claims description 33
- 238000000605 extraction Methods 0.000 claims description 31
- 238000012549 training Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 8
- 230000009467 reduction Effects 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 5
- 239000000047 product Substances 0.000 description 26
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000001914 filtration Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 230000008774 maternal effect Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000011273 social behavior Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011175 product filtration Methods 0.000 description 1
- 238000013215 result calculation Methods 0.000 description 1
- 239000013589 supplement Substances 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/01—Social networking
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Primary Health Care (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Development Economics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种物品推荐方法。该方法包括：获取用户行为数据，所述用户行为数据包括多个账户的物品访问数据；根据所述用户行为数据进行特征提取得到多个特征向量；根据所述特征向量、所述物品访问数据以及预设的推荐模型得到各个账户对应的物品推荐列表；当接收到当前账户提交的物品推荐请求时，根据各个账户对应的物品推荐列表获取与所述物品推荐请求匹配的物品推荐列表；将与所述物品推荐请求匹配的物品推荐列表反馈至所述当前账户的终端展示。本申请可以根据各个用户的历史行为数据，进行特征提取，根据提取的特征对不同的账户推荐不同的物品，使得物品推荐的粒度更加精细，更加灵活，提高推荐的准确度。
Description
技术领域
本申请涉及数据处理技术临域，特别是涉及一种物品推荐方法、装置、介质及计算机设备。
背景技术
对于离不开社交平台、新闻资讯、线上购物和金融服务的现代互联网用户来说，个性化推荐已经不是什么新鲜事儿。随着信息技术和互联网行业的发展，信息过载已经成为大众处理信息的挑战。对于用户而言，如何在呈指数增长的信息中快速、准确地定位到自己需要的物品是一件非常重要且极具挑战的事情；而对于商家而言，如何把恰当的物品及时呈现给用户，同样是一件颇具难度的事情。
传统的用户分群(Customer Segmentation)是把用户划分为多个群体，不同的群体采用不同的营销策略。营销领域中一个经典的方法就是RFM(Recency，Frequency，Monetary)模型，它主要依托三个要素：最近一次消费时间(Recency)、消费频率(Frequency)和消费金额(Monetary)。这与基于全量用户的无差异营销相比固然有了长足的进步，但距离“为每一个用户量身定制”仍然存在很大的差距。综上，用户细分只是初级阶段，而个性化推荐则是用户细分的终极追求。
因此，传统的技术方案中，根据不同人群进行物品推荐，然而即使同一人群之间的不同个体也可能存在喜好的差异，故传统的技术方案推荐的粒度不够精细，不够灵活，容易导致推荐不精准的问题。
发明内容
基于此，有必要针对上述技术问题，提供一种可以使得物品推荐的粒度更加精细，更加灵活，提高推荐的准确度的物品推荐方法、装置、计算机设备和存储介质。
一种物品推荐方法，方法包括：
获取用户行为数据，用户行为数据包括多个账户的物品访问数据；
根据用户行为数据进行特征提取得到多个特征向量；
根据特征向量、物品访问数据以及预设的推荐模型得到各个账户对应的物品推荐列表；
当接收到当前账户提交的物品推荐请求时，根据各个账户对应的物品推荐列表获取与物品推荐请求匹配的物品推荐列表；
将与物品推荐请求匹配的物品推荐列表反馈至当前账户的终端展示。
在其中一个实施例中，上述的根据用户行为数据进行特征提取得到多个特征向量，包括：
根据用户行为数据确定各个账户对应的第一特征向量以及各个物品对应的第二特征向量；
上述的物品访问数据包括被访问的物品数据，上述的根据特征向量、物品访问数据以及预设的推荐模型得到各个账户对应的物品推荐列表，包括：
根据第一特征向量、第二特征向量以及推荐模型确定各个账户之间的第一相似度以及各个物品之间的第二相似度；
根据第一相似度、第二相似度以及各物品数据确定各个账户对应的物品推荐列表。
在其中一个实施例中，上述的用户行为数据还包括用户关系数据，获取用户行为数据，包括：
获取第三方社交平台上各个账户的用户关系数据；
上述的根据用户行为数据确定各个账户对应的第一特征向量以及各个物品对应的第二特征向量，包括：
根据各个账户的物品访问数据以及预先训练的特征提取模型确定各个账户对应的第三特征向量以及各个物品对应的第二特征向量；
根据用户关系数据以及第三特征向量确定第一特征向量。
在其中一个实施例中，上述的根据各个账户的物品访问数据以及预先训练的特征提取模型确定各个账户对应的第三特征向量以及各个物品对应的第二特征向量，包括：
根据预先训练的特征提取模型将物品访问数据映射成用户信息向量以及物品信息向量；
对用户信息向量以及物品信息向量分别进行降维处理得到第三特征向量以及第二特征向量。
在其中一个实施例中，上述的根据第一相似度、第二相似度以及各物品数据确定各个账户对应的物品推荐列表，包括：
根据第一相似度、第二相似度以及各物品数据确定各个账户对应的初始推荐列表：
获取第一预设时间段内各个账户的物品访问数据；
根据第一预设时间段内各个账户的物品访问数据更新初始推荐列表，得到各个账户对应的物品推荐列表。
在其中一个实施例中，上述的根据各个账户对应的物品推荐列表获取与物品推荐请求匹配的物品推荐列表，包括：
提取物品推荐请求中的待推荐物品信息；
根据当前账户以及各个账户对应的物品推荐列表获取候选推荐列表，候选推荐列表为候选推荐列表；
根据预先训练的排序模型对候选推荐列表进行排序，得到与物品推荐请求匹配的物品推荐列表。
在其中一个实施例中，上述的方法还包括：
利用用户行为数据训练初始排序模型；
上述的方法还包括：
获取第二预设时间段内各个账户的物品访问数据；
利用第二预设时间段内各个账户的物品访问数据得到新的模型参数；
根据初始排序模型以及新的模型参数得到新的排序模型；
上述的根据预先训练的排序模型对候选推荐列表进行排序，得到与物品推荐请求匹配的物品推荐列表，包括：
根据新的排序模型对候选推荐列表进行排序，得到与物品推荐请求匹配的物品推荐列表。
一种物品推荐装置，装置包括：
获取模块，用于获取用户行为数据，用户行为数据包括多个账户的物品访问数据；
提取模块，用于根据用户行为数据进行特征提取得到多个特征向量；
推荐模块，用于根据特征向量、物品访问数据以及预设的推荐模型得到各个账户对应的物品推荐列表；
匹配模块，用于当接收到当前账户提交的物品推荐请求时，根据各个账户对应的物品推荐列表获取与物品推荐请求匹配的物品推荐列表；
反馈模块，用于将与物品推荐请求匹配的物品推荐列表反馈至当前账户的终端展示。
一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述任一实施例方法的步骤。
一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述任一实施例方法的步骤。
上述的物品推荐方法、装置及计算机设备，其通过获取用户行为数据，用户行为数据包括多个账户的物品访问数据；根据用户行为数据进行特征提取得到多个特征向量；根据特征向量、物品访问数据以及预设的推荐模型得到各个账户对应的物品推荐列表；当接收到当前账户提交的物品推荐请求时，根据各个账户对应的物品推荐列表获取与物品推荐请求匹配的物品推荐列表；将与物品推荐请求匹配的物品推荐列表反馈至当前账户的终端展示。本申请可以根据各个用户的历史行为数据，进行特征提取，根据提取的特征对不同的账户推荐不同的物品，使得物品推荐的粒度更加精细，更加灵活，提高推荐的准确度。
附图说明
图1为本申请一示例性实施例中物品推荐方法的应用环境图；
图2为本申请一示例性实施例中提供的物品推荐方法的流程示意图；
图3为本申请一示例性实施例中提供的物品推荐装置的结构框图；
图4为本申请一示例性实施例中提供的离线层的流程示意图；
图5为本申请一示例性实施例中提供的计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
请参考图1，图1为本申请一示例性实施例提供的一种物品推荐方法的应用环境示意图。如图1所示，该物品推荐系统包括服务器100以及终端101，服务器100与终端101通过网络102进行通信，以实现本申请的物品推荐方法。
服务器100用于获取用户行为数据，用户行为数据包括多个账户的物品访问数据；根据用户行为数据进行特征提取得到多个特征向量；根据特征向量、物品访问数据以及预设的推荐模型得到各个账户对应的物品推荐列表；当接收到当前账户提交的物品推荐请求时，根据各个账户对应的物品推荐列表获取与物品推荐请求匹配的物品推荐列表；将与物品推荐请求匹配的物品推荐列表反馈至当前账户的终端101展示。服务器100可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
终端101用于接收并展示服务器100发送的与物品推荐请求匹配的物品推荐列表。终端101可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。
网络102用于实现数据处理服务器100与终端101之间的网络连接。具体的，网络102可以包括多种类型的有线或无线网络。
在一个实施例中，如图2所示，提供了一种物品推荐方法，以该方法应用于图1 中的服务器为例进行说明，包括以下步骤：
S11、获取用户行为数据，用户行为数据包括多个账户的物品访问数据。
一个实施例中，上述的用户行为数据可以包括但不限于物品访问数据以及用户关系数据。具体的，上述的物品可以为保险产品、其他金融产品以及实物商品等。
进一步的，上述的物品访问数据可以包括用户侧数据、物品侧数据以及环境数据以及交互数据。其中，用户侧数据可以包括但不限于用户的身份特征属性数据、历史消费行为数据、会员资产状况数据以及线上行为轨迹数据。用户的身份特征属性数据可以包括性别、年龄、婚姻状况以及子女数据等；历史消费行为数据可以包括最近一次购买母婴物品时间、最近一次购买母婴物品金额、最近一次购买大家电时间以及近 1个月购买大家电金额等；会员资产状况数据可以包括理财账户余额、个贷待还余额、近1个月购买零钱宝金额以及近1个转账金额；线上行为轨迹数据可以包括近1个月浏览金融页面的访问次数、近1周会员访问页面数以及会员访问停留时间等。
进一步的，以物品为保险产品为例，物品侧数据可以包括结构化的数据以及非结构化的数据。其中，结构化的数据可以包括保险类型、承保公司、保费、保额、保障期限、免赔额、赔付比例以及是否可先垫付等。非结构化的数据可以包括保险条款、投保告知书以及重要告知与声明等。上述的环境数据可以包括使用设备、网络环境、日期时间以及地理位置等。
进一步的，上述的交互数据可以包括物品的浏览数据、物品的搜索数据以及物品的下单数据，具体可以包括实时数据以及离线数据。其中离线数据，例如，APP端近7 天浏览尊享e生页面次数以及APP端近7天浏览尊享e生页面时长。实时数据，例如，APP端近10分钟浏览浏览尊享e生页面次数以及APP端近10分钟浏览浏览尊享e生页面时长。
进一步的，上述的获取用户行为数据，可以包括：
获取预置时间段内各个账户历史的物品访问数据。
具体的，服务器预先创建历史记录数据库，该历史记录数据库中存储了各个历史时间段的用户行为数据。一个实施例中，该历史记录数据库可以为HDFS(HadoopDistributed File System，分布式文件系统)。上述的预置时间段可以为该历史记录数据库中的全部数据，也可以为其中的一个时间段内的数据。
S12、根据用户行为数据进行特征提取得到多个特征向量。
一个实施例中，服务器利用预先训练的特征提取模型对上述的用户行为数据进行特征提取得到特征向量。该特征向量包括用于表征各个账户的第一特征向量以及用于表征各个物品的第二特征向量。
S13、根据特征向量、物品访问数据以及预设的推荐模型得到各个账户对应的物品推荐列表。
一个实施例中，上述的推荐模型包括召回模型以及排序模型。其中，召回模型包括多个子模型。具体的，该多个子模型可以包括但不限于以下几种模型：
基于内容的召回模型、基于物品的召回模型、基于用户的召回模型、基于模型的矩阵分解以及基于人口统计学特征的推荐等。
进一步地，服务器利用上述的特征向量训练召回模型，并利用训练后的召回模型生成各个账户之间的相似度以及各个物品之间的相似度，基于各个账户之间的相似度以及各个物品之间的相似度得到各个账户对应的物品推荐列表。
进一步地，服务器利用上述的特征向量训练排序模型。该排序模型可以为点击率预测模型，通过该排序模型可以生成各个待推荐的物品的预测点击率，通过各个待推荐的物品的预测点击率为上述的各个账户对应的物品推荐列表中的各个待推荐的物品进行排序。本申请基于物品访问数据以及用户关系数据等多种信息训练召回模型以及排序模型，为模型训练带来更全面的特征信息，提升推荐的精准度。
S14、当接收到当前账户提交的物品推荐请求时，根据各个账户对应的物品推荐列表获取与物品推荐请求匹配的物品推荐列表。
一个实施例中，服务器从各个账户对应的物品推荐列表中获取与当前账户提交的物品推荐请求匹配的物品推荐列表；进一步利用上述的排序模型对与当前账户提交的物品推荐请求匹配的物品推荐列表进行排序，具体通过计算各个待推荐物品的预测点击率，根据预测点击率进行排序，将排序之后的物品推荐列表反馈至当前账户的终端展示。
一个实施例中，上述的方法还可以包括：
当各个账户对应的物品推荐列表中不存在与当前账户匹配的物品推荐列表时，提取物品推荐请求中的待推荐物品信息；
获取第三预设时间段内上线的，且与该待推荐物品信息匹配的各个第一目标物品，和/或，获取各个账户对应的物品推荐列表中预测点击率最大的预设数量个第二目标物品；
根据第一目标物品和/或第二目标物品生成与物品推荐请求匹配的物品推荐列表，并反馈至当前账户的终端展示。
本申请利用该机制可以解决冷启动的问题，即可以实现为新账户推荐物品。
S15、将与物品推荐请求匹配的物品推荐列表反馈至当前账户的终端展示。
在其中一个实施例中，上述的根据用户行为数据进行特征提取得到多个特征向量，可以包括：
根据用户行为数据确定各个账户对应的第一特征向量以及各个物品对应的第二特征向量；
上述的物品访问数据包括被访问的物品数据，上述的根据特征向量、物品访问数据以及预设的推荐模型得到各个账户对应的物品推荐列表，可以包括：
根据第一特征向量、第二特征向量以及推荐模型确定各个账户之间的第一相似度以及各个物品之间的第二相似度；
根据第一相似度、第二相似度以及各物品数据确定各个账户对应的物品推荐列表。
一个实施例中，上述的用户行为数据包括大量的账户对应的物品浏览数据、物品搜索数据以及物品下单数据，该些数据中包括大量的ID类数据，例如浏览同一保险产品的。由于用户在下单前，他的浏览和搜索都是基于同一个需求的，所以在短时间内浏览的一系列的物品可以认为具有内在相似性的，该相似性可通过特征向量来表达。同样地，不同的用户在同一时间段内点击了多个相同的物品，可以认为该两个用户之间存在一定的相似性，该相似性也可以通过特征向量来表达。故本申请可以通过对大量的用户行为数据进行特征提取，得到用于表征各个账户的第一特征向量以及用于表征各个物品的第二特征向量。基于第一特征向量以及第二特征向量计算各账户之间的相似性以及各物品之间的相似性。进一步地，基于协同过滤的算法，将相似用户的喜好物品相互推荐，以及将用户历史访问的物品的相似物品推荐给用户，实现推荐粒度的精细化。
在其中一个实施例中，上述的用户行为数据还可以包括用户关系数据，上述的获取用户行为数据，可以包括：
获取第三方社交平台上各个账户的用户关系数据；
上述的根据用户行为数据确定各个账户对应的第一特征向量以及各个物品对应的第二特征向量，可以包括：
根据各个账户的物品访问数据以及预先训练的特征提取模型确定各个账户对应的第三特征向量以及各个物品对应的第二特征向量；
根据用户关系数据以及第三特征向量确定第一特征向量。
传统的技术方案中，大多数仅仅基于用户的历史行为数据分析用户的喜好物品，并执行物品推荐，该方法由于获取的数据维度单一，故存在推荐不够精准的问题。而本申请不仅仅基于历史的用户行为数据，还结合了基于社交关系网络获取的用户关系数据，用户关系数据分析各个账户的相似账户，基于相似账户的喜好商品相互推荐。
具体的，服务器获取至少一个第三方社交平台上各个账户的社交行为数据，例如，转账、红包、赠卡、代付等，通过分析各个账户的社交行为数据，得到人与人之间弱关联信息，构建各个账户的用户关系数据，根据用户关系数据以及物品访问数据提取特征向量。本申请利用用户的社交网络关系对物品推荐列表进行拓展，丰富了收集的特征的维度，探索更多的可能性，实现关联用户产品推荐，使得推荐粒度更加精细化。
一种可能的应用场景中，以苏宁金融为例，苏宁金融作为国内综合金融服务商，依托苏宁体系强大的生态圈，收集用户的转账、话费以及流量充值、生活缴费、红包、赠卡、通讯录、投保关系、登录设备、商品购买等历史记录，发掘用户的社交关系。
进一步地，上述的预先训练的特征提取模型可以为神经网络模型。具体的，该特征提取模型可以为神经网络模型中的ItemEmbedding算法(将稀疏的离散变量转换成低维的向量表征)。服务器预先利用用户行为数据训练特征提取模型，该特征提取模型可以将高维稀疏的ID类特征映射成低维稠密的特征向量。
具体的，本申请由于采集的数据包括物品访问数据以及用户关系数据。物品访问数据中包括大量的ID类数据，例如，浏览同一保险产品的各个用户的ID序列以及同一用户点击一系列保险的产品ID序列。因此，本方案对于物品访问数据利用Item Embedding算法进行向量表征，再将用户关系数据与Embedding表征的向量进行拼接得到第二特征向量。而用于表征物品的第一特征向量则可以直接通过Item Embedding 算法生成。
具体的，Item Embedding是指把超高维的离散型变量，表达成一个相对低维的向量(比如：从10000维降到64维)。以保险产品的推荐为例，Item Embedding可以把保险产品用一个向量表示，如果两个保险产品向量的内积越大，就表示相似度越高。这种向量可以表示保险的原理是：我们收集了大量的用户行为日志，用户在打开保险商城首页后，短时间内会浏览一系列的保险，我们认为，用户在下单前，他的浏览和搜索都是基于同一个需求的，所以在短时间内浏览的一系列保险同样具有内在相似性的。
进一步地，Skip-Gram(跳字模型)是Item Embedding的具体实现方式。这个模型简单来说是一个短时词袋模型，利用词在上下文中的共线现象，为每个词生成一个稠密向量表示。复杂度低，十分适合对大量的语料进行建模计算。
采用Embedding中的Skip-Gram模型，实现Item Embedding
以保险产品为例，输入：中心词(保险产品ID)
输出：上下文窗口词(相邻点击保险产品ID)
根据输出的保险产品ID映射成的固定维度的Embedding向量，可以计算保险产品之间的相似度。
例如，输入保险产品ID：ID1
输出该保险产品的相似产品：
ID2相似度为0.91
ID3相似度为0.92
ID4相似度为0.95
通过上述例子可以看出通过Item Embedding可以将保险产品ID映射成的固定维度的Embedding向量，进一步基于保险产品的Embedding向量计算各个保险产品之间的相似度。
然而，传统的技术方案中，一般采用One-hot(独热编码)提取特征，对于ID类的数据，如使用该方法一方面会导致特征向量的冗长且大量稀疏，另一方面，物品数据之间蕴含的关联关系没有得到表征。本申请采用基于神经网络的Item Embedding 方法将大量ID类特征从高维稀疏映射到低维稠密空间，同时保留了物品之间的相似性，能很好地应用于后续计算各个物品之间相似度计算以及作为后续排序模型的特征补充，使得输入的特征信息更加全面，有效提升推荐的精准度。
在其中一个实施例中，上述的根据各个账户的物品访问数据以及预先训练的特征提取模型确定各个账户对应的第三特征向量以及各个物品对应的第二特征向量，可以包括：
根据预先训练的特征提取模型将物品访问数据映射成用户信息向量以及物品信息向量；
对用户信息向量以及物品信息向量分别进行降维处理得到第三特征向量以及第二特征向量。
本申请利用了ItemEmbedding算法的将稀疏的离散变量转换成低维的向量表征功能，利用Item Embedding算法处理用户行为数据中的大量ID类数据，使得用户行为数据中的大量ID类数据得到充分利用。用户行为数据中的大量ID类数据能很好地反应物品与物品之间以及账户与账户之间的潜在关联关系，通过该潜在关联关系可以挖掘出更多适合不同账户的待推荐物品，使得输出的推荐结果更加精准。
在其中一个实施例中，上述的根据第一相似度、第二相似度以及各物品数据确定各个账户对应的物品推荐列表，可以包括：
根据第一相似度、第二相似度以及各物品数据确定各个账户对应的初始推荐列表：
获取第一预设时间段内各个账户的物品访问数据；
根据第一预设时间段内各个账户的物品访问数据更新初始推荐列表，得到各个账户对应的物品推荐列表。
一个实施例中，上述的第一预设时间段为距离当前时间较近的时间段，其可以根据实际需求设定，例如，可以将第一预设时间段设置为距离当前时间的前2分钟内。上述的根据第一预设时间段内各个账户的物品访问数据更新初始推荐列表，得到各个账户对应的物品推荐列表，可以包括：
提取第一预设时间段内各个账户的物品访问数据中用户浏览过的物品以及用户购买过的物品；
将用户浏览过的物品以及用户购买过的物品从各个账户对应的初始推荐列表中剔除得到各个账户对应的物品推荐列表。
在其中一个实施例中，上述的根据各个账户对应的物品推荐列表获取与物品推荐请求匹配的物品推荐列表，可以包括：
提取物品推荐请求中的待推荐物品信息；
根据当前账户以及各个账户对应的物品推荐列表获取候选推荐列表，候选推荐列表为候选推荐列表；
根据预先训练的排序模型对候选推荐列表进行排序，得到与物品推荐请求匹配的物品推荐列表。
在其中一个实施例中，上述的方法还可以包括：
利用用户行为数据训练初始排序模型；
上述的方法还可以包括：
获取第二预设时间段内各个账户的物品访问数据；
利用第二预设时间段内各个账户的物品访问数据得到新的模型参数；
根据初始排序模型以及新的模型参数得到新的排序模型；
上述的根据预先训练的排序模型对候选推荐列表进行排序，得到与物品推荐请求匹配的物品推荐列表，可以包括：
根据新的排序模型对候选推荐列表进行排序，得到与物品推荐请求匹配的物品推荐列表。
一个实施例中，上述的第二预设时间段可以为距离当前时间较近的时间段。具体的，该第二预设时间段可以根据实际需求设定，例如，设定为距离当前时间的前10 分钟内。
具体的，服务器利用用户行为数据预先训练一个初始排序模型，进一步的，获取第二预设时间段内的物品访问数据，利用第二预设时间段内的物品访问数据计算新的模型参数，将新的模型参数更新初始排序模型得到新的排序模型，利用新的排序模型对候选推荐列表进行排序，得到与物品推荐请求匹配的物品推荐列表。
在其中一个实施例中，服务器在获取用户行为数据，利用用户行为数据训练召回模型以及排序模型时，对各用户行为数据进行样本标注。例如，将曝光未点击的标注为负样本，将点击且保险产品详情页停留时长大于等于3s的标注为正样本。
在其中一个实施例中，本申请提供候补策略。具体的，服务器获取近期的热销物品数据，将近期的热销物品数据添加至各个账户对于的物品推荐列表中。进一步地，利用时间衰减因子来统计保险的销售情况，然后加权求和，生成热门商品排序，将热门商品排序添加至各个账户对于的物品推荐列表中。
在其中一个实施例中，本申请提供过滤机制。具体的，过滤条件包括：
1)在保期产品过滤
2)特定人群保险过滤
3)实时点击过的险种过滤
将各个账户对于的物品推荐列表中的符合上述过滤条件的执行过滤。
在其中一个实施例中，本申请提供推荐效果评估机制。具体的，在推荐模型中，点击率(CTR)、转化率(CVR)都是可以量化的目标，提供推荐模型直接拟合做预估，以供相关人员评估推荐的效果。
其中，CTR＝用户点击次数/产品曝光次数
CVR＝用户下单次数/产品点击次数
在一个实施例中，如图3所示，提供了一种物品推荐装置，包括：
获取模块11，用于获取用户行为数据，用户行为数据包括多个账户的物品访问数据。
提取模块12，用于根据用户行为数据进行特征提取得到多个特征向量。
推荐模块13，用于根据特征向量、物品访问数据以及预设的推荐模型得到各个账户对应的物品推荐列表。
匹配模块14，用于当接收到当前账户提交的物品推荐请求时，根据各个账户对应的物品推荐列表获取与物品推荐请求匹配的物品推荐列表。
反馈模块15，用于将与物品推荐请求匹配的物品推荐列表反馈至当前账户的终端展示。
在其中一个实施例中，上述的提取模块12，包括：
提取单元，用于根据用户行为数据确定各个账户对应的第一特征向量以及各个物品对应的第二特征向量；
上述的物品访问数据包括被访问的物品数据，上述的推荐模块13，包括：
推荐单元，用于根据第一特征向量、第二特征向量以及推荐模型确定各个账户之间的第一相似度以及各个物品之间的第二相似度；
根据第一相似度、第二相似度以及各物品数据确定各个账户对应的物品推荐列表。
在其中一个实施例中，上述的用户行为数据还包括用户关系数据，上述的获取模块，包括：
获取单元，用于获取第三方社交平台上各个账户的用户关系数据；
上述的提取单元，还用于根据各个账户的物品访问数据以及预先训练的特征提取模型确定各个账户对应的第三特征向量以及各个物品对应的第二特征向量；
根据用户关系数据以及第三特征向量确定第一特征向量。
在其中一个实施例中，上述的提取单元，还用于根据预先训练的特征提取模型将物品访问数据映射成用户信息向量以及物品信息向量；
对用户信息向量以及物品信息向量分别进行降维处理得到第三特征向量以及第二特征向量。
在其中一个实施例中，上述的推荐单元，还用于根据第一相似度、第二相似度以及各物品数据确定各个账户对应的初始推荐列表：
获取第一预设时间段内各个账户的物品访问数据；
根据第一预设时间段内各个账户的物品访问数据更新初始推荐列表，得到各个账户对应的物品推荐列表。
在其中一个实施例中，上述的匹配模块14，包括：
匹配单元，用于提取物品推荐请求中的待推荐物品信息；
根据当前账户以及各个账户对应的物品推荐列表获取候选推荐列表，候选推荐列表为与待推荐物品信息匹配的物品推荐列表；
根据预先训练的排序模型对候选推荐列表进行排序，得到与物品推荐请求匹配的物品推荐列表。
在其中一个实施例中，上述的推荐模块13，还用于利用用户行为数据训练初始排序模型；
上述的推荐模块13，还用于获取第二预设时间段内各个账户的物品访问数据；
利用第二预设时间段内各个账户的物品访问数据得到新的模型参数；
根据初始排序模型以及新的模型参数得到新的排序模型；
上述的匹配单元，还用于根据新的排序模型对候选推荐列表进行排序，得到与物品推荐请求匹配的物品推荐列表。
一种可能的应用场景中，上述的物品推荐装置可以包括离线层、近线层以及在线层。
具体的，上述的离线层位于整个物品推荐装置的大后方，批量、周期性(一般为日调度)地执行一些计算任务。其典型特征是“不用实时数据，不提供实时服务”。
离线层主要面对的数据源为Hadoop(Hadoop是一个由Apache基金会所开发的分布式系统基础架构)，实质上就是上述的HDFS(分布式文件系统，(HadoopDistributed FileSystem))。服务器收集到的用户行为日志、会员属性和保险产品特征等用户行为数据都存储在HDFS中。通过Hive(基于Hadoop的一个数据仓库工具)和Spark(用于大数据量下的迭代式计算的工具)，服务器从HDFS中抽取出不同维度的数据，经过连续型特征的变换和ID类特征的Embedding向量表征，最终转换成不同召回模型所需的数据结构。该离线层的任务主要包括两类：模型训练和推荐结果计算。其中，模型训练包括召回模型的训练以及排序模型的训练，推荐结果即为各个账户对应的物品推荐列表。
请参考图4，图4为一个实施例中，离线层的流程示意图。在图4中，离线层收集用户行为数据存储与HDFS中，从HDFS中获取预置时间段内的用户行为数据，利用 Hive和Spark工具对获取用户行为数据进行处理，提取不同维度的初始数据，再利用连续型特征的变换和Item Embedding算法得到特征向量，利用该特征向量训练推荐模型，最终输出各个账户对应的初始推荐列表。
进一步地，近线层实时从用户线上保险商城获取第二预设时间段的用户行为数据，构成实时行为事件队列；从该实时行为事件队列中获取第一预设时间段内的用户行为数据，该第一预设时间段内的用户行为数据包括各个账户最新访问的一个或少数几个物品，将各个账户最新访问的一个或少数几个物品从初始推荐列表中剔除，得到各个账户对应的物品推荐列表，同时，利用该用户实时行为事件队列中的全部数据计算出新的模型参数，将新的模型参数更新初始排序模型，得到新的排序模型。
进一步地，在线层在接收到当前账户提交的物品推荐请求时，从各个账户对应的物品推荐列表中抽取出与该物品推荐请求匹配的物品推荐列表，利用新的排序模型对该该物品推荐请求匹配的物品推荐列表进行重新排序，将排序后的物品推荐列表反馈至当前账户的终端展示。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图5所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供确定和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的第一终端通过网络连接通信。该计算机程序被处理器执行时以实现一种物品推荐方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：获取用户行为数据，用户行为数据包括多个账户的物品访问数据；根据用户行为数据进行特征提取得到多个特征向量；根据特征向量、物品访问数据以及预设的推荐模型得到各个账户对应的物品推荐列表；当接收到当前账户提交的物品推荐请求时，根据各个账户对应的物品推荐列表获取与物品推荐请求匹配的物品推荐列表；将与物品推荐请求匹配的物品推荐列表反馈至当前账户的终端展示。
在一个实施例中，处理器执行计算机程序实现上述的根据用户行为数据进行特征提取得到多个特征向量步骤时，具体实现以下步骤：
根据用户行为数据确定各个账户对应的第一特征向量以及各个物品对应的第二特征向量；
上述的物品访问数据包括被访问的物品数据，处理器执行计算机程序实现上述的根据特征向量、物品访问数据以及预设的推荐模型得到各个账户对应的物品推荐列表步骤时，具体实现以下步骤：
根据第一特征向量、第二特征向量以及推荐模型确定各个账户之间的第一相似度以及各个物品之间的第二相似度；
根据第一相似度、第二相似度以及各物品数据确定各个账户对应的物品推荐列表。
在一个实施例中，处理器执行计算机程序实现上述的用户行为数据还包括用户关系数据，获取用户行为数据步骤时，具体实现以下步骤：
获取第三方社交平台上各个账户的用户关系数据；
处理器执行计算机程序实现上述的根据用户行为数据确定各个账户对应的第一特征向量以及各个物品对应的第二特征向量步骤时，具体实现以下步骤：
根据各个账户的物品访问数据以及预先训练的特征提取模型确定各个账户对应的第三特征向量以及各个物品对应的第二特征向量；
根据用户关系数据以及第三特征向量确定第一特征向量。
在一个实施例中，处理器执行计算机程序实现上述的根据各个账户的物品访问数据以及预先训练的特征提取模型确定各个账户对应的第三特征向量以及各个物品对应的第二特征向量步骤时，具体实现以下步骤：
根据预先训练的特征提取模型将物品访问数据映射成用户信息向量以及物品信息向量；
对用户信息向量以及物品信息向量分别进行降维处理得到第三特征向量以及第二特征向量。
在一个实施例中，处理器执行计算机程序实现上述的根据第一相似度、第二相似度以及各物品数据确定各个账户对应的物品推荐列表步骤时，具体实现以下步骤：
根据第一相似度、第二相似度以及各物品数据确定各个账户对应的初始推荐列表：
获取第一预设时间段内各个账户的物品访问数据；
根据第一预设时间段内各个账户的物品访问数据更新初始推荐列表，得到各个账户对应的物品推荐列表。
在一个实施例中，处理器执行计算机程序实现上述的根据各个账户对应的物品推荐列表获取与物品推荐请求匹配的物品推荐列表步骤时，具体实现以下步骤：
提取物品推荐请求中的待推荐物品信息；
根据当前账户以及各个账户对应的物品推荐列表获取候选推荐列表，候选推荐列表为与待推荐物品信息匹配的物品推荐列表；
根据预先训练的排序模型对候选推荐列表进行排序，得到与物品推荐请求匹配的物品推荐列表。
在一个实施例中，处理器执行计算机程序时具体还实现以下步骤：
利用用户行为数据训练初始排序模型；
处理器执行计算机程序时具体还实现以下步骤：
获取第二预设时间段内各个账户的物品访问数据；
利用第二预设时间段内各个账户的物品访问数据得到新的模型参数；
根据初始排序模型以及新的模型参数得到新的排序模型；
处理器执行计算机程序实现上述的根据预先训练的排序模型对候选推荐列表进行排序，得到与物品推荐请求匹配的物品推荐列表步骤时，具体实现以下步骤：
根据新的排序模型对候选推荐列表进行排序，得到与物品推荐请求匹配的物品推荐列表。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：获取用户行为数据，用户行为数据包括多个账户的物品访问数据；根据用户行为数据进行特征提取得到多个特征向量；根据特征向量、物品访问数据以及预设的推荐模型得到各个账户对应的物品推荐列表；当接收到当前账户提交的物品推荐请求时，根据各个账户对应的物品推荐列表获取与物品推荐请求匹配的物品推荐列表；将与物品推荐请求匹配的物品推荐列表反馈至当前账户的终端展示。
在一个实施例中，计算机程序被处理器执行实现上述的根据用户行为数据进行特征提取得到多个特征向量步骤时，具体实现以下步骤：
根据用户行为数据确定各个账户对应的第一特征向量以及各个物品对应的第二特征向量；
上述的物品访问数据包括被访问的物品数据，计算机程序被处理器执行实现上述的根据特征向量、物品访问数据以及预设的推荐模型得到各个账户对应的物品推荐列表步骤时，具体实现以下步骤：
根据第一特征向量、第二特征向量以及推荐模型确定各个账户之间的第一相似度以及各个物品之间的第二相似度；
根据第一相似度、第二相似度以及各物品数据确定各个账户对应的物品推荐列表。
在一个实施例中，计算机程序被处理器执行实现上述的用户行为数据还包括用户关系数据，获取用户行为数据步骤时，具体实现以下步骤：
获取第三方社交平台上各个账户的用户关系数据；
计算机程序被处理器执行实现上述的根据用户行为数据确定各个账户对应的第一特征向量以及各个物品对应的第二特征向量步骤时，具体实现以下步骤：
根据各个账户的物品访问数据以及预先训练的特征提取模型确定各个账户对应的第三特征向量以及各个物品对应的第二特征向量；
根据用户关系数据以及第三特征向量确定第一特征向量。
在一个实施例中，计算机程序被处理器执行实现上述的根据各个账户的物品访问数据以及预先训练的特征提取模型确定各个账户对应的第三特征向量以及各个物品对应的第二特征向量步骤时，具体实现以下步骤：
根据预先训练的特征提取模型将物品访问数据映射成用户信息向量以及物品信息向量；
对用户信息向量以及物品信息向量分别进行降维处理得到第三特征向量以及第二特征向量。
在一个实施例中，计算机程序被处理器执行实现上述的根据第一相似度、第二相似度以及各物品数据确定各个账户对应的物品推荐列表步骤时，具体实现以下步骤：
根据第一相似度、第二相似度以及各物品数据确定各个账户对应的初始推荐列表：
获取第一预设时间段内各个账户的物品访问数据；
根据第一预设时间段内各个账户的物品访问数据更新初始推荐列表，得到各个账户对应的物品推荐列表。
在一个实施例中，计算机程序被处理器执行实现上述的根据各个账户对应的物品推荐列表获取与物品推荐请求匹配的物品推荐列表步骤时，具体实现以下步骤：
提取物品推荐请求中的待推荐物品信息；
根据当前账户以及各个账户对应的物品推荐列表获取候选推荐列表，候选推荐列表为与待推荐物品信息匹配的物品推荐列表；
根据预先训练的排序模型对候选推荐列表进行排序，得到与物品推荐请求匹配的物品推荐列表。
在一个实施例中，计算机程序被处理器执行时具体还实现以下步骤：
利用用户行为数据训练初始排序模型；
计算机程序被处理器执行时具体还实现以下步骤：
获取第二预设时间段内各个账户的物品访问数据；
利用第二预设时间段内各个账户的物品访问数据得到新的模型参数；
根据初始排序模型以及新的模型参数得到新的排序模型；
计算机程序被处理器执行实现上述的根据预先训练的排序模型对候选推荐列表进行排序，得到与物品推荐请求匹配的物品推荐列表步骤时，具体实现以下步骤：
根据新的排序模型对候选推荐列表进行排序，得到与物品推荐请求匹配的物品推荐列表。
本临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，的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、物理分库分表或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM) 或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本临域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种物品推荐方法，所述方法包括：
获取用户行为数据，所述用户行为数据包括多个账户的物品访问数据；
根据所述用户行为数据进行特征提取得到多个特征向量；
根据所述特征向量、所述物品访问数据以及预设的推荐模型得到各个账户对应的物品推荐列表；
当接收到当前账户提交的物品推荐请求时，根据各个账户对应的物品推荐列表获取与所述物品推荐请求匹配的物品推荐列表；
将与所述物品推荐请求匹配的物品推荐列表反馈至所述当前账户的终端展示。
2.根据权利要求1所述的方法，其特征在于，所述根据所述用户行为数据进行特征提取得到多个特征向量，包括：
根据所述用户行为数据确定各个账户对应的第一特征向量以及各个物品对应的第二特征向量；
所述物品访问数据包括被访问的物品数据，所述根据所述特征向量、所述物品访问数据以及预设的推荐模型得到各个账户对应的物品推荐列表，包括：
根据所述第一特征向量、所述第二特征向量以及所述推荐模型确定各个账户之间的第一相似度以及各个物品之间的第二相似度；
根据所述第一相似度、所述第二相似度以及各物品数据确定各个账户对应的物品推荐列表。
3.根据权利要求2所述的方法，其特征在于，所述用户行为数据还包括用户关系数据，所述获取用户行为数据，包括：
获取第三方社交平台上所述各个账户的用户关系数据；
所述根据所述用户行为数据确定各个账户对应的第一特征向量以及各个物品对应的第二特征向量，包括：
根据各个账户的物品访问数据以及预先训练的特征提取模型确定各个账户对应的第三特征向量以及各个物品对应的第二特征向量；
根据所述用户关系数据以及所述第三特征向量确定所述第一特征向量。
4.根据权利要求3所述的方法，其特征在于，所述根据各个账户的物品访问数据以及预先训练的特征提取模型确定各个账户对应的第三特征向量以及各个物品对应的第二特征向量，包括：
根据预先训练的特征提取模型将所述物品访问数据映射成用户信息向量以及物品信息向量；
对所述用户信息向量以及所述物品信息向量分别进行降维处理，得到所述第三特征向量以及所述第二特征向量。
5.根据权利要求2所述的方法，其特征在于，所述根据所述第一相似度、所述第二相似度以及各物品数据确定各个账户对应的物品推荐列表，包括：
根据所述第一相似度、所述第二相似度以及各物品数据确定各个账户对应的初始推荐列表：
获取第一预设时间段内各个账户的物品访问数据；
根据所述第一预设时间段内各个账户的物品访问数据更新所述初始推荐列表，得到各个账户对应的物品推荐列表。
6.根据权利要求1所述的方法，其特征在于，所述根据各个账户对应的物品推荐列表获取与所述物品推荐请求匹配的物品推荐列表，包括：
提取所述物品推荐请求中的待推荐物品信息；
根据所述当前账户以及所述各个账户对应的物品推荐列表获取候选推荐列表，所述候选推荐列表为候选推荐列表；
根据预先训练的排序模型对所述候选推荐列表进行排序，得到与所述物品推荐请求匹配的物品推荐列表。
7.根据权利要求6所述的方法，其特征在于，所述方法还包括：
利用所述用户行为数据训练初始排序模型；
所述方法还包括：
获取第二预设时间段内各个账户的物品访问数据；
利用所述第二预设时间段内各个账户的物品访问数据得到新的模型参数；
根据所述初始排序模型以及所述新的模型参数得到新的排序模型；
所述根据预先训练的排序模型对所述候选推荐列表进行排序，得到与所述物品推荐请求匹配的物品推荐列表，包括：
根据所述新的排序模型对所述候选推荐列表进行排序，得到与所述物品推荐请求匹配的物品推荐列表。
8.一种物品推荐装置，所述装置包括：
获取模块，用于获取用户行为数据，所述用户行为数据包括多个账户的物品访问数据；
提取模块，用于根据所述用户行为数据进行特征提取得到多个特征向量；
推荐模块，用于根据所述特征向量、所述物品访问数据以及预设的推荐模型得到各个账户对应的物品推荐列表；
匹配模块，用于当接收到当前账户提交的物品推荐请求时，根据各个账户对应的物品推荐列表获取与所述物品推荐请求匹配的物品推荐列表；
反馈模块，用于将与所述物品推荐请求匹配的物品推荐列表反馈至所述当前账户的终端展示。
9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在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权利要求1至7中任一项所述的物品推荐方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的物品推荐方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010187476.6A CN111400613A (zh) | 2020-03-17 | 2020-03-17 | 物品推荐方法、装置、介质及计算机设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010187476.6A CN111400613A (zh) | 2020-03-17 | 2020-03-17 | 物品推荐方法、装置、介质及计算机设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111400613A true CN111400613A (zh) | 2020-07-10 |
Family
ID=71434337
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010187476.6A Pending CN111400613A (zh) | 2020-03-17 | 2020-03-17 | 物品推荐方法、装置、介质及计算机设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111400613A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112330412A (zh) * | 2020-11-17 | 2021-02-05 | 中国平安财产保险股份有限公司 | 一种产品推荐方法、装置、计算机设备及存储介质 |
| CN112488768A (zh) * | 2020-12-10 | 2021-03-12 | 深圳市欢太科技有限公司 | 特征提取方法、特征提取装置、存储介质与电子设备 |
| CN112597389A (zh) * | 2020-12-24 | 2021-04-02 | 上海二三四五网络科技有限公司 | 一种基于用户行为实现物品推荐的控制方法及装置 |
| CN113379482A (zh) * | 2021-05-28 | 2021-09-10 | 车智互联（北京）科技有限公司 | 一种物品推荐方法、计算设备以及存储介质 |
| CN113391904A (zh) * | 2021-06-23 | 2021-09-14 | 中国工商银行股份有限公司 | 一种基于分布式框架的简批量定制调度方法及装置 |
| CN113837843A (zh) * | 2021-09-29 | 2021-12-24 | 平安科技（深圳）有限公司 | 产品推荐方法、装置、介质及电子设备 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN105956146A (zh) * | 2016-05-12 | 2016-09-21 | 腾讯科技（深圳）有限公司 | 一种物品信息的推荐方法及装置 |
| CN108665355A (zh) * | 2018-05-18 | 2018-10-16 | 深圳壹账通智能科技有限公司 | 金融产品推荐方法、装置、设备和计算机存储介质 |
| CN110162700A (zh) * | 2019-04-23 | 2019-08-23 | 腾讯科技（深圳）有限公司 | 信息推荐及模型的训练方法、装置、设备以及存储介质 |
-
2020
- 2020-03-17 CN CN202010187476.6A patent/CN111400613A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN105956146A (zh) * | 2016-05-12 | 2016-09-21 | 腾讯科技（深圳）有限公司 | 一种物品信息的推荐方法及装置 |
| CN108665355A (zh) * | 2018-05-18 | 2018-10-16 | 深圳壹账通智能科技有限公司 | 金融产品推荐方法、装置、设备和计算机存储介质 |
| CN110162700A (zh) * | 2019-04-23 | 2019-08-23 | 腾讯科技（深圳）有限公司 | 信息推荐及模型的训练方法、装置、设备以及存储介质 |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112330412A (zh) * | 2020-11-17 | 2021-02-05 | 中国平安财产保险股份有限公司 | 一种产品推荐方法、装置、计算机设备及存储介质 |
| CN112330412B (zh) * | 2020-11-17 | 2024-04-05 | 中国平安财产保险股份有限公司 | 一种产品推荐方法、装置、计算机设备及存储介质 |
| CN112488768A (zh) * | 2020-12-10 | 2021-03-12 | 深圳市欢太科技有限公司 | 特征提取方法、特征提取装置、存储介质与电子设备 |
| CN112597389A (zh) * | 2020-12-24 | 2021-04-02 | 上海二三四五网络科技有限公司 | 一种基于用户行为实现物品推荐的控制方法及装置 |
| CN113379482A (zh) * | 2021-05-28 | 2021-09-10 | 车智互联（北京）科技有限公司 | 一种物品推荐方法、计算设备以及存储介质 |
| CN113379482B (zh) * | 2021-05-28 | 2023-12-01 | 车智互联（北京）科技有限公司 | 一种物品推荐方法、计算设备以及存储介质 |
| CN113391904A (zh) * | 2021-06-23 | 2021-09-14 | 中国工商银行股份有限公司 | 一种基于分布式框架的简批量定制调度方法及装置 |
| CN113391904B (zh) * | 2021-06-23 | 2024-04-26 | 中国工商银行股份有限公司 | 一种基于分布式框架的简批量定制调度方法及装置 |
| CN113837843A (zh) * | 2021-09-29 | 2021-12-24 | 平安科技（深圳）有限公司 | 产品推荐方法、装置、介质及电子设备 |
| CN113837843B (zh) * | 2021-09-29 | 2023-11-24 | 平安科技（深圳）有限公司 | 产品推荐方法、装置、介质及电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111784455B (zh) | 一种物品推荐方法及推荐设备 | |
| Grbovic et al. | E-commerce in your inbox: Product recommendations at scale | |
| CN109299994B (zh) | 推荐方法、装置、设备及可读存储介质 | |
| CN111400613A (zh) | 物品推荐方法、装置、介质及计算机设备 | |
| US10685065B2 (en) | Method and system for recommending content to a user | |
| JP5960887B1 (ja) | 算出装置、算出方法及び算出プログラム | |
| US11403690B2 (en) | Determining brand affinity of users | |
| CN108805598B (zh) | 相似度信息确定方法、服务器及计算机可读存储介质 | |
| CN112115363A (zh) | 一种推荐方法、计算设备及存储介质 | |
| CN115002200B (zh) | 基于用户画像的消息推送方法、装置、设备及存储介质 | |
| US20190080352A1 (en) | Segment Extension Based on Lookalike Selection | |
| JP6976207B2 (ja) | 情報処理装置、情報処理方法、およびプログラム | |
| CN111967914A (zh) | 基于用户画像的推荐方法、装置、计算机设备和存储介质 | |
| CN111429214B (zh) | 一种基于交易数据的买卖双方匹配方法及装置 | |
| Zheng et al. | A scalable purchase intention prediction system using extreme gradient boosting machines with browsing content entropy | |
| Liu et al. | Advertisement recommendation based on personal interests and ad push fairness | |
| Chen et al. | A session-based customer preference learning method by using the gated recurrent units with attention function | |
| Wei et al. | Online shopping behavior analysis for smart business using big data analytics and blockchain security | |
| CN117057855A (zh) | 一种数据处理方法及相关装置 | |
| WO2023082864A1 (zh) | 内容推荐模型的训练方法、装置、设备及存储介质 | |
| CN111967924A (zh) | 商品推荐方法、商品推荐装置、计算机设备和介质 | |
| CN111460300B (zh) | 网络内容推送方法、装置及存储介质 | |
| CN113516496B (zh) | 广告转化率预估模型构建方法、装置、设备及其介质 | |
| CN113254775A (zh) | 一种基于客户浏览行为序列的信用卡产品推荐方法 | |
| JP6152215B2 (ja) | 算出装置、算出方法及び算出プログラム |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200710 |