CN111415216A - 一种商品推荐方法、装置、服务器及存储介质 - Google Patents

Abstract

本申请提供了一种商品推荐方法、装置、服务器及存储介质，涉及商品推荐技术领域。通过获取待推荐商品的第一商品向量，其中，第一商品向量依据历史用户评分与商品自身特征确定；然后计算待推荐商品的第一商品向量与目标商品的第二商品向量相似度，最后依据相似度确定是否推送待推荐商品。本申请提供的商品推荐方法、装置、服务器及存储介质具有使缺少评分，也能够进行相似度计算，且相似度计算更加准确的优点。

Description

一种商品推荐方法、装置、服务器及存储介质

技术领域

本申请涉及商品推荐技术领域，具体而言，涉及一种商品推荐方法、装置、服务器及存储介质。

背景技术

在电商平台中，商品推荐非常常见，例如，当用户购买一件商品或浏览一件商品后，系统可以自动推荐一件或多件相似度较高的商品供用户再次选择。

然而，目前对于商品的推荐，均为用户评分决定，对于某些新出的商品或长尾商品缺少评分时，可能会造成相似度出现大的偏差，甚至无法计算此商品的相似商品，造成遗漏，无法及时为用户推荐出来。

综上，目前的商品推荐方法存在无法对新上架商品与长尾商品进行相似度计算的问题。

发明内容

本申请的目的在于提供一种商品推荐方法、装置、服务器及存储介质，以解决现有技术中无法对新上架商品与长尾商品进行相似度计算的问题。

为了实现上述目的，本申请实施例采用的技术方案如下：

第一方面，本申请提供了一种商品推荐方法，所述方法包括：

获取待推荐商品的第一商品向量，其中，所述第一商品向量依据历史用户评分与商品自身特征确定；

计算所述待推荐商品的第一商品向量与目标商品的第二商品向量相似度；

依据所述相似度确定是否推送所述待推荐商品。

第二方面，本申请实施例还提供了一种商品推荐装置，所述装置包括：

数据获取单元，用于获取待推荐商品的第一商品向量，其中，所述第一商品向量依据历史用户评分与商品自身特征确定；

相似度计算单元，用于计算所述待推荐商品的第一商品向量与目标商品的第二商品向量相似度；

信息确定单元，用于依据所述相似度确定是否推送所述待推荐商品。

第三方面，本申请实施例还提供了一种服务器，包括：

存储器，用于存储一个或多个程序；处理器；当所述一个或多个程序被所述处理器执行时，实现上述的方法。

第四方面，本申请实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述的方法。

相对于现有技术，本申请具有以下有益效果：

本申请提供了一种商品推荐方法、装置、服务器及存储介质，通过获取待推荐商品的第一商品向量，其中，第一商品向量依据历史用户评分与商品自身特征确定；然后计算待推荐商品的第一商品向量与目标商品的第二商品向量相似度，最后依据相似度确定是否推送待推荐商品。由于本申请中在确定第一商品向量时，不仅需要依据的历史用户评分，还需要利用商品自身特征，因此即使缺少评分，也能够进行相似度计算，同时，能够使相似度计算更加准确。

为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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它相关的附图。

图1示出本申请实施例提供的商品推荐方法的一种示意性应用场景图。

图2示出本申请实施例提供的服务器的一种示意性结构框图。

图3示出本申请实施例提供的商品推荐方法的一种示意性流程图。

图4示出本申请实施例提供的商品推荐方法的另一种示意性流程图。

图5示出本申请实施例提供的商品推荐装置的一种示意性框图。

图中：100-服务器；101-存储器；102-处理器；103-通信接口；200-商品推荐装置；210-数据获取单元；220-相似度计算单元；230-信息确定单元；240-列表生成单元。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。

因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，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，都属于本申请保护的范围。

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定义和解释。同时，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

在本申请的描述中，需要说明的是，术语“上”、“下”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该申请产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。

在本申请的描述中，还需要说明的是，除非另有明确的规定和限定，术语“设置”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本申请中的具体含义。

下面结合附图，对本申请的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。

请参阅图1，图1示出本申请实施例提供的商品推荐方法的一种示意性应用场景图，在本申请实施例中，服务器与客户端位于无线网络或有线网络中，通过该无线网络或有线网络，服务器与客户端进行数据交互。

本申请实施例所提供的一种商品推荐方法，可以应用于如图1所示的服务器，该服务器中安装有应用程序，与客户端相对应，用于为客户端提供服务，该商品推荐方法可通过该服务器中安装的应用程序实现。

在本申请实施例中，客户端的用于访问服务器，以浏览或购买商品。同时服务器在获取客户端浏览、收藏或购买的目标商品信息后，可以执行例如本申请实施例提供的商品推荐方法，从而实现商品推荐的目的。

请参阅图2，图2示出本申请实施例提供的服务器100的一种示意性结构框图，服务器100包括存储器101、处理器102和通信接口103，该存储器101、处理器102和通信接口103相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。

存储器101可用于存储软件程序及模块，如本申请实施例提供的商品推荐装置对应的程序指令/模块，处理器102通过执行存储在存储器101内的软件程序及模块，从而执行各种功能应用以及数据处理，进而执行本申请实施例提供的商品推荐方法的步骤。该通信接口103可用于与其他节点设备进行信令或数据的通信。

其中，存储器101可以是，但不限于，随机存取存储器（Random Access Memory，RAM），只读存储器（Read Only Memory，ROM），可编程只读存储器（Programmable Read-OnlyMemory，PROM），可擦除只读存储器（Erasable Programmable Read-Only Memory，EPROM），电可擦除可编程只读存储器（Electric Erasable Programmable Read-Only Memory，EEPROM）等。

处理器102可以是一种集成电路芯片，具有信号处理能力。该处理器102可以是通用处理器，包括中央处理器（Central Processing Unit，CPU）、网络处理器（NetworkProcessor，NP）等；还可以是数字信号处理器（Digital Signal Processing，DSP）、专用集成电路（Application Specific Integrated Circuit，ASIC）、现场可编程门阵列（Field－Programmable Gate Array，FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。

可以理解，图2所示的结构仅为示意，服务器100还可以包括比图2中所示更多或者更少的组件，或者具有与图2所示不同的配置。图2中所示的各组件可以采用硬件、软件或其组合实现。

下面以图2所示的服务器100作为示意性执行主体，对本申请实施例提供的商品推荐方法进行示例性说明。

请参阅图3，图3示出本申请实施例提供的商品推荐方法的一种示意性流程图，可以包括以下步骤；

S102，获取待推荐商品的第一商品向量，其中，第一商品向量依据历史用户评分与商品自身特征确定。

S104，计算待推荐商品的第一商品向量与目标商品的第二商品向量相似度。

S106，依据相似度确定是否推送待推荐商品。

其中，本申请的提供的第一商品向量可以理解为目标商品的总分，其由历史用户评分与商品自身特征确定。

本申请所述的历史用户评分，可以指用户根据商品的特性进行主动式打分，例如其性价比较高，可给该商品打9分；当然地，历史用户评分也可以为被动式打分，例如用户对商品的如曝光、点击、收藏、加购以及下单等一系列行为数据，能够反映出用户对该商品的喜好程度，进而生成的自动打分结果。

商品自身特征表示商品本身存在的特征，例如商品的类目，原价，折后价，优惠力度，优惠金额，佣金比例，单笔销售佣金，销量等。通过将商品自身存在的特征与用户评分相结合，能够使获取的第一商品向量的数据更加精确。

同时，现有技术中，对于相似度计算，采用根据用户评分，通过相似度公式计算出相似商品为用户做推荐。然而，对于相似度计算过程中，仅依赖于用户对商品的评分，而没有考虑商品内在信息对相似度的影响。

因此，在上述现有技术的基础上，当商品的评分数据较少，即长尾商品或新上架商品而缺少评分时，可能会造成相似度计算出现大的偏差，甚至无法计算出此商品的相似商品，造成遗漏，无法及时为用户推荐出来。

而通过本申请提供的商品的推荐装置，由于是用过历史用户评分与商品自身特征确定第一商品向量，因此即使当长尾商品或新上架商品而缺少评分时，也能够依据商品自身特征确定第一商品向量，进而能够确定该商品的总分。例如，针对某新上架的商品，其并未有任何用户进行评分，但该商品的优惠力度以及优惠金额较大，因此商品的评分较高。

通过确定的新的第一商品向量，能够与目标商品进行相似度计算，当相似度高于一定值时，即可表示连个商品的相似度较高，服务器可向该客户端推荐该相似度商品。

作为本申请一种可能的实现方式，S102包括：

S1021，依据公式

V=a*V₁+（1-a）* V₂

确定待推荐商品的第一商品向量；其中，V表示第一商品向量，V₁表示商品行为特征向量，且商品行为特征向量与历史用户评分关联；V₂表示商品画像特征向量，且商品画像特征向量与商品自身特征关联，a表示权重，且权重与商品历史行为信息数量关联。

可选地，在确定待推荐商品时，可将数据库内的所有商品进行计第一商品向量的计算。其中，第一商品向量可以表示商品的总分，商品行为特征向量可以表示用户的打分，商品画像特征向量可以表示商品本身的得分。

利用商品行为特征向量与商品画像特征向量，同时确定相应的权重，进而能够确定每个商品的第一商品向量。

其中，本申请提供的权重与商品历史行为信息数量关联。当商品的历史用户评分较多时，则商品行为特征向量的权重较高，当商品的历史用户评分较少时，则商品画像特征向量的权重较高，下面进行举例说明。

例如，当商品新上架时，此时暂未有用户进行浏览、收藏、购买、打分等操作，换言之，此时历史用户评分为零，在此基础上，商品历史行为信息的数量也为0，此时，服务器可确定商品行为特征向量的权重为0。即商品的总分全部由商品画像特征向量决定。

其中，服务器能够依据商品的类目，原价，折后价，优惠力度，优惠金额，佣金比例，单笔销售佣金，销量等信息，通过分粒度离散化等一些方式操作所选出的特征，然后加权求和，计算出商品本身的优质程度评分，进而确定出商品画像特征向量。

当在商品上架一段时间后，由于评价的用户逐渐增多，因此其权重会慢慢变化。作为一种实现方式，权重的大小与历史行为信息数量关联。该历史行为信息即为用户评分信息。例如，权重的大小与历史行为数据的数量成正比，历史行为数据的数量越多，权重越大。例如，当用户的评分信息的数量达到成千上万条时，在服务器可能控制在权重a的数值为0.8，且商品画像特征向量的权重为0.2。

作为本申请另一种可能的实现方式，S104的步骤包括：

S1041，依据公式

Cos Sim（X，Y）=∑_ix_i*y_i/（∑_ix_i ²）^1/2*∑_iy_i ²）^1/2

确定第一商品向量与第二商品向量的相似度；其中，Cos Sim（X，Y）表示待推荐商品与目标商品之间的相似度，x_i表示第一商品向量确定的评分，y_i表示第二商品向量确定的评分。

其中，目标商品为用户选择的商品。例如，当用户购买某一商品后，服务器会将该商品作为目标商品，并且将数据库中的所有商品中逐一作为待推荐商品，然后利用上述公式与目标商品进行相似度计算。

在计算商品的相似度后，服务器还会将上述相似度进行比较，可选的，当相似度大于阈值时，则可将该待推荐商品推荐至客户端，例如，将该阈值设置为90%。

作为申请可选的实现方式，请参阅图4，该方法还包括：

S108，筛选相似度大于阈值的商品，并依据筛选的商品生成推荐列表。

即在本申请中，在计算每个待推荐商品与目标商品的相似度后，服务器还会将每个相似度大于阈值的商品进行筛选后，然后将筛选的商品生成推荐列表。进而在向用户进行商品推荐时，可以推荐一批商品供用户进行选择。例如，当用户在购买某个商品后，服务器会向客户端推荐与该商品相似的商品列表。

基于与上述数据处理方法相同的发明构思，请参阅图5，图5示出本申请实施例提供的商品推荐装置200的一种示意性结构框图，该商品推荐装置200可以包括数据获取单元210、相似度计算单元220以及信息确定单元230。其中：

数据获取单元210，用于获取待推荐商品的第一商品向量，其中，第一商品向量依据历史用户评分与商品自身特征确定。

可以理解地，该数据获取单元210能够执行上述的S102。

相似度计算单元220，用于计算待推荐商品的第一商品向量与目标商品的第二商品向量相似度。

可以理解地，该相似度计算单元220能够执行上述的S104。

信息确定单元230，用于依据相似度确定是否推送待推荐商品。

可以理解地，该信息确定单元230能够执行上述的S106。

其中，数据获取单元210用于依据公式V=a*V₁+（1-a）* V₂确定待推荐商品的第一商品向量；其中，V表示第一商品向量，V₁表示商品行为特征向量，且商品行为特征向量与历史用户评分关联；V₂表示商品画像特征向量，且商品画像特征向量与商品自身特征关联，a表示权重，且权重与商品历史行为信息数量关联。

相似度计算单元220用于依据公式Cos Sim（X，Y）=∑_ix_i*y_i/（∑_ix_i ²）^1/2*∑_iy_i ²）^1/2确定第一商品向量与第二商品向量的相似度；其中，Cos Sim（X，Y）表示待推荐商品与目标商品之间的相似度，x_i表示第一商品向量确定的评分，y_i表示第二商品向量确定的评分。

并且，该商品推荐装置200还包括：

列表生成单元240，用于筛选相似度大于阈值的商品，并依据筛选的商品生成推荐列表。

在本申请所提供的实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。

也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。

也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

另外，在本申请实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本申请实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器、随机存取存储器、磁碟或者光盘等各种可以存储程序代码的介质。

综上所述，本申请提供了一种商品推荐方法、装置、服务器及存储介质，通过获取待推荐商品的第一商品向量，其中，第一商品向量依据历史用户评分与商品自身特征确定；然后计算待推荐商品的第一商品向量与目标商品的第二商品向量相似度，最后依据相似度确定是否推送待推荐商品。由于本申请中在确定第一商品向量时，不仅需要依据的历史用户评分，还需要利用商品自身特征，因此即使缺少评分，也能够进行相似度计算，同时，能够使相似度计算更加准确。

以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

对于本领域技术人员而言，显然本申请不限于上述示范性实施例的细节，而且在不背离本申请的精神或基本特征的情况下，能够以其它的具体形式实现本申请。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本申请的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

Claims (10)

1.一种商品推荐方法，其特征在于，所述方法包括：

获取待推荐商品的第一商品向量，其中，所述第一商品向量依据历史用户评分与商品自身特征确定；

计算所述待推荐商品的第一商品向量与目标商品的第二商品向量相似度；

依据所述相似度确定是否推送所述待推荐商品。

2.如权利要求1所述的商品推荐方法，其特征在于，所述获取待推荐商品的第一商品向量的步骤包括：

依据公式V=a*V₁+（1-a）* V₂

确定所述待推荐商品的第一商品向量；其中，V表示第一商品向量，V₁表示商品行为特征向量，且所述商品行为特征向量与历史用户评分关联；V₂表示商品画像特征向量，且所述商品画像特征向量与商品自身特征关联，a表示权重，且所述权重与商品历史行为信息数量关联。

3.如权利要求1所述的商品推荐方法，其特征在于，所述计算所述待推荐商品的第一商品向量与目标商品的第二商品向量相似度的步骤包括：

依据公式Cos Sim（X，Y）=∑_ix_i*y_i/（∑_ix_i ²）^1/2*∑_iy_i ²）^1/2

确定所述第一商品向量与所述第二商品向量的相似度；其中，Cos Sim（X，Y）表示待推荐商品与目标商品之间的相似度，x_i表示第一商品向量确定的评分，y_i表示第二商品向量确定的评分。

4.如权利要求1所述的商品推荐方法，其特征在于，在所述依据所述相似度确定是否推送所述待推荐商品的步骤之后，所述方法还包括：

筛选相似度大于阈值的商品，并依据筛选的商品生成推荐列表。

5.一种商品推荐装置，其特征在于，所述装置包括：

数据获取单元，用于获取待推荐商品的第一商品向量，其中，所述第一商品向量依据历史用户评分与商品自身特征确定；

相似度计算单元，用于计算所述待推荐商品的第一商品向量与目标商品的第二商品向量相似度；

信息确定单元，用于依据所述相似度确定是否推送所述待推荐商品。

6.如权利要求5所述的商品推荐装置，其特征在于，所述数据获取单元用于依据公式V=a*V₁+（1-a）* V₂确定所述待推荐商品的第一商品向量；其中，V表示第一商品向量，V₁表示商品行为特征向量，且所述商品行为特征向量与历史用户评分关联；V₂表示商品画像特征向量，且所述商品画像特征向量与商品自身特征关联，a表示权重，且所述权重与商品历史行为信息数量关联。

7.如权利要求5所述的商品推荐装置，其特征在于，所述相似度计算单元用于依据公式

Cos Sim（X，Y）=∑_ix_i*y_i/（∑_ix_i ²）^1/2*∑_iy_i ²）^1/2

确定所述第一商品向量与所述第二商品向量的相似度；其中，Cos Sim（X，Y）表示待推荐商品与目标商品之间的相似度，x_i表示第一商品向量确定的评分，y_i表示第二商品向量确定的评分。

8.如权利要求5所述的商品推荐装置，其特征在于，所述装置还包括：

列表生成单元，用于筛选相似度大于阈值的商品，并依据筛选的商品生成推荐列表。

9.一种服务器，其特征在于，包括：

存储器，用于存储一个或多个程序；

处理器；

当所述一个或多个程序被所述处理器执行时，实现如权利要求1-4中任一项所述的方法。

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，该计算机程序被处理器执行时实现如权利要求1-4中任一项所述的方法。

Images