CN111476621B - 用户物品推荐方法和装置 - Google Patents
用户物品推荐方法和装置 Download PDFInfo
- Publication number
- CN111476621B CN111476621B CN201910069047.6A CN201910069047A CN111476621B CN 111476621 B CN111476621 B CN 111476621B CN 201910069047 A CN201910069047 A CN 201910069047A CN 111476621 B CN111476621 B CN 111476621B
- Authority
- CN
- China
- Prior art keywords
- article
- user
- information set
- similarity
- vector
- 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
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提出一种用户物品推荐方法和装置,其中,方法包括:获取第一用户的第一物品信息集合以及其他用户的参考物品信息集合;计算每个第一物品与各个参考物品之间的物品相似度,确定每个第一物品与各个参考物品之间的物品最大相似度;计算第一物品信息集合与每个参考物品信息集合之间的集合相似度;根据集合相似度和预设的筛选条件从其他用户中确定与第一用户匹配的第二用户,并根据第二用户的第二物品信息集合向第一用户进行物品推荐。由此,全面考量用户所有的物品喜好确定用户之间的相似度,且在用户的物品喜好较为集中时,也会优先确定出具有同样集中喜好的相似用户,提高了相似用户的确定的精确度和质量,以便于提高物品推荐后的消费转换率。
Description
技术领域
本发明涉及信息处理技术领域,尤其涉及一种用户物品推荐方法和装置。
背景技术
随着计算机技术的发展,基于计算机技术的商业运作也越来越受到关注,比如,针对计算机对用户喜好寻找相似的用户,由此,基于用户之间的喜好的相似性确定对用户推荐的物品。
相关技术中,对于一个用户,对用户浏览和消费的产品进行向量化(不同纬度代表不同信息,比如第一个列代表物品体育权重,第二列代表日常用品权重等),并将用户所有物品特征融合成一个用户特征向量,由此用户向量来计算两两用户相似,然而这种计算方式中,用户向量是用户所有消费物品向量汇总,在用户间计算相似度时存在失真的现象(用单一向量,代表用户所有消费的物品信息),导致用户相似计算时会产生偏差,从而导致物品推荐后的消费转化率不高。
发明内容
本发明旨在至少在一定程度上解决上述技术中的技术问题之一。
为此,本发明的第一个目的在于提出一种用户物品推荐方法,以全面考量用户所有的物品喜好确定用户之间的相似度,且在用户的物品喜好较为集中时,也会优先确定出具有同样集中喜好的相似用户,提高了相似用户的确定的精确度和质量,以便于提高物品推荐后的消费转换率。
本发明的第二个目的在于提出一种用户物品推荐装置。
本发明的第三个目的在于提出一种计算机设备。
本发明的第四个目的在于提出一种非临时性计算机可读存储介质。
为达上述目的,本发明第一方面实施例提出了一种用户物品推荐方法,包括以下步骤:获取第一用户的第一物品信息集合以及其他用户的参考物品信息集合;根据预设算法计算所述第一物品信息集合中的每个第一物品与每个所述参考物品信息集合中各个参考物品之间的物品相似度,根据所述物品相似度确定每个所述第一物品与每个所述参考物品信息集合中各个参考物品之间的物品最大相似度;根据所述物品最大相似度计算所述第一物品信息集合与每个所述参考物品信息集合之间的集合相似度;根据所述集合相似度和预设的筛选条件从所述其他用户中确定与所述第一用户匹配的第二用户,并根据所述第二用户的第二物品信息集合向所述第一用户进行物品推荐。
另外,本发明实施例的用户物品推荐方法,还具有如下附加的技术特征:
可选地,所述根据预设算法计算所述第一物品信息集合中的每个第一物品与每个所述参考物品信息集合中各个参考物品之间的物品相似度,包括:将所述第一物品信息集合输入预设模型,获取所述每个第一物品的第一物品向量,并根据所述第一物品信息集合中各个第一物品的物品向量生成第一物品矩阵;将所述参考物品信息集合输入预设模型,获取所述每个参考物品的参考物品向量,并根据所述参考物品信息集合中各个参考物品的物品向量生成第二物品矩阵;通过计算所述第一物品矩阵中的每个矩阵单元与所述第二物品矩阵中各个矩阵单元之间的向量距离,生成包含所述向量距离的距离矩阵,其中,所述距离矩阵中的每一行对应于所述每个第一物品向量和所述各个参考物品向量的向量距离;在所述距离矩阵中确定所述每一行中的第一最小向量距离和每一列中的第二最小向量距离。
可选地,所述根据所述物品最大相似度计算所述第一物品信息集合与每个所述参考物品信息集合之间的集合相似度,包括:获取根据所述第一物品信息集合和所述每个所述参考物品信息集合生成的每个所述距离矩阵;根据加权平均算法对每个所述距离矩阵中的各个所述第一最小向量距离和各个所述第二最小向量距离和进行计算,获取每个所述距离矩阵中各个所述第一最小向量距离和各个所述第二最小向量距离的加权平均值。
可选地,所述根据所述集合相似度和预设的筛选条件从所述其他用户中确定与所述第一用户匹配的第二用户,包括:确定所述集合相似度中相似度大于预设阈值的多个相似度;确定所述多个相似度对应的所述第二用户。
可选地,在所述根据所述集合相似度和预设的筛选条件从所述其他用户中确定与所述第一用户匹配的第二用户之前,还包括:确定调控偏置参数;根据预设公式和所述调控偏置参数对所述集合相似度中的每个相似度进行调控处理。
本发明第二方面实施例提出了一种用户物品推荐装置,包括:获取模块,用于获取第一用户的第一物品信息集合以及其他用户的参考物品信息集合;第一计算模块,用于根据预设算法计算所述第一物品信息集合中的每个第一物品与每个所述参考物品信息集合中各个参考物品之间的物品相似度;第一确定模块,用于根据所述物品相似度确定每个所述第一物品与每个所述参考物品信息集合中各个参考物品之间的物品最大相似度;第二计算模块,用于根据所述物品最大相似度计算所述第一物品信息集合与每个所述参考物品信息集合之间的集合相似度;推荐处理模块,用于根据所述集合相似度和预设的筛选条件从所述其他用户中确定与所述第一用户匹配的第二用户,并根据所述第二用户的第二物品信息集合向所述第一用户进行物品推荐。
另外,本发明实施例的用户物品推荐装置,还具有如下附加的技术特征:
可选地,所述第一计算模块,包括:第一获取单元,用于将所述第一物品信息集合输入预设模型,获取所述每个第一物品的第一物品向量;第一生成单元,用于根据所述第一物品信息集合中各个第一物品的物品向量生成第一物品矩阵;第二获取单元,用于将所述参考物品信息集合输入预设模型,获取所述每个参考物品的参考物品向量;第二生成单元,用于根据所述参考物品信息集合中各个参考物品的物品向量生成第二物品矩阵;第三生成单元,用于通过计算所述第一物品矩阵中的每个矩阵单元与所述第二物品矩阵中各个矩阵单元之间的向量距离,生成包含所述向量距离的距离矩阵,其中,所述距离矩阵中的每一行对应于所述每个第一物品向量和所述各个参考物品向量的向量距离;确定单元,用于在所述距离矩阵中确定所述每一行中的第一最小向量距离和每一列中的第二最小向量距离。
可选地,所述第二计算模块,包括:第四生成单元,用于获取根据所述第一物品信息集合和所述每个所述参考物品信息集合生成的每个所述距离矩阵;计算获取单元,用于根据加权平均算法对每个所述距离矩阵中的各个所述第一最小向量距离和各个所述第二最小向量距离和进行计算,获取每个所述距离矩阵中各个所述第一最小向量距离和各个所述第二最小向量距离的加权平均值。
可选地,所述推荐处理模块,具体用于:确定所述集合相似度中相似度大于预设阈值的多个相似度;确定所述多个相似度对应的所述第二用户。
可选地,还包括:第二确定模块,用于确定调控偏置参数;调控模块,用于根据预设公式和所述调控偏置参数对所述集合相似度中的每个相似度进行调控处理。
本发明第三方面实施例提出了一种计算机设备,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,实现如第一方面实施例所述的用户物品推荐方法。
本发明第四方面实施例提出了一种非临时性计算机可读存储介质,其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第一方面实施例所述的用户物品推荐方法。
本发明实施例提供的技术方案可以包含如下的有益效果:
获取第一用户的第一物品信息集合以及其他用户的参考物品信息集合,根据预设算法计算所述第一物品信息集合中的每个第一物品与每个所述参考物品信息集合中各个参考物品之间的物品相似度,根据所述物品相似度确定每个所述第一物品与每个所述参考物品信息集合中各个参考物品之间的物品最大相似度,根据所述物品最大相似度计算所述第一物品信息集合与每个所述参考物品信息集合之间的集合相似度,进而,根据所述集合相似度和预设的筛选条件从所述其他用户中确定与所述第一用户匹配的第二用户,并根据所述第二用户的第二物品信息集合向所述第一用户进行物品推荐。由此,可以全面考量用户所有的物品喜好确定用户之间的相似度,且在用户的物品喜好较为集中时,也会优先确定出具有同样集中喜好的相似用户,提高了相似用户的确定的精确度和质量,以便于提高物品推荐后的消费转换率。
本发明附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1是根据本发明一个实施例的用户物品推荐方法的流程图;
图2是根据本发明一个实施例的用户物品推荐方法的应用场景示意图;
图3是根据本发明另一个实施例的用户物品推荐方法的流程图;
图4是根据本发明另一个实施例的用户物品推荐方法的应用场景示意图;
图5是根据本发明又一个实施例的用户物品推荐方法的应用场景示意图;
图6是根据本发明一个实施例的用户物品推荐装置的结构示意图;
图7是根据本发明另一个实施例的用户物品推荐装置的结构示意图;
图8是根据本发明又一个实施例的用户物品推荐装置的结构示意图;
图9是根据本发明再一个实施例的用户物品推荐装置的结构示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
下面参考附图描述本发明实施例的用户物品推荐方法和装置。
针对背景技术的描述可知,现有技术中虽然也提到了一种基于用户之间物品相似度计算用户相似度的计算方式,但是这种计算方式将所有的用户物品作为一个整体考虑,容易导致特点较为杂乱的用户向量刻画无偏重,会导致相似计算失准等。
为了解决上述技术问题,本发明提出了一种针对用户之前所的物品,全面分析物品与物品之间的相似性,以全面挖掘出用户物品之间的相似度的,保证了计算的准确性。
具体而言,图1是根据本发明一个实施例的用户物品推荐方法的流程图,如图1所示,该方法包括:
步骤101,获取第一用户的第一物品信息集合以及其他用户的参考物品信息集合。
应当理解的是,本发明实施例中的物品信息集合中包括用户的物品,以及用户浏览但是没有的物品等,其中,本发明实施例中的物品除了包含商业物品之外还包括广告等营销推广物品,在此不作限制。
具体地,为了分析用户之间物品的相似度,获取第一用户的第一物品信息集合以及其他用户的参考物品信息集合,其中,物品信息集合可以由用户的了历史购物行为数据分析得到,该获取方式均可以由现有技术实现,在此不再赘述。
步骤102,根据预设算法计算第一物品信息集合中的每个第一物品与每个参考物品信息集合中各个参考物品之间的物品相似度,根据物品相似度确定每个第一物品与每个参考物品信息集合中各个参考物品之间的物品最大相似度。
具体地,为了准确定位出第一用户和其他用户之间的相似度,基于第一物品与各个参考物品之前进行物品相似度的遍历比较,确定其他用户对应的参考物品信息集合中与第一物品之间最相似的物品。
举例而言,如图2所示,当第一用户为u1,其他用户中的某个其他用户为u2时,u1用户对应的第一物品信息集合中包含的第一物品为A1-A12,u2用户对应的参考物品信息集合中包含的参考物品为B1-B12,则比较A1分别与B1-B12之间的物品的相似度,A2分别与B1-B12之间的物品的相似度…A12分别与B1-B12之间的物品的相似度,其中,参照图2,确定A1与B8之间的物品相似度最大,因而,对于A1而言,物品的最大相似度为A1与B8之间的物品相似度,依次类推,获取A1-A12分别对应的物品最大相似度。
由此,这种遍历比对的方法,当进行最相似物品寻找时,剔除当用户物品多且杂带来的噪声(在不同用户进行相似度计算时,始终寻找用户间最相似物品),从而确保确定用户相似度的准确性。
步骤103,根据物品最大相似度计算第一物品信息集合与每个参考物品信息集合之间的集合相似度。
具体地,在根据物品最大相似度计算第一物品信息集合与每个参考物品信息集合之间的集合相似度,该集合相似度中包含了第一物品信息集合与每个参考物品信息集合之间的相似度。
需要说明的是,根据应用场景的不同,根据物品最大相似度计算第一物品信息集合与参考物品信息集合方式不同,作为一种可能的实现方式,当确定第一物品信息集合a和b之间的相似度时,获取每个第一物品与b中每个参考物品信息集合中各个参考物品之间的物品最大相似度,进而将多个第一物品相似度之间进行加权求和后取平均,将获取的平均值作为a和b之间的相似度。
步骤104,根据集合相似度和预设的筛选条件从其他用户中确定与第一用户匹配的第二用户,并根据第二用户的第二物品信息集合向第一用户进行物品推荐。
具体地,根据集合相似度和预设的筛选条件从其他用户中确定与第一用户匹配的第二用户,以根据第二用户的第二物品信息集合向第一用户进行物品推荐,比如,第二用户了“登山靴”,而第一用户没有过该物品,则若是第一用户第二用户相似度满足预设的筛选条件,则向第一用户推荐该“登山靴”。由此,本发明实施例的用户物品推荐方法,在作相关度推荐时,还可以推荐给第一用户没有过的物品。
需要说明的是,根据应用场景的不同,上述预设的筛选条件对应的内容不同,作为一种可能的实现方式,确定集合相似度中相似度大于预设阈值的多个相似度,确定多个相似度对应的第二用户。
在实际执行过程中,由于有些物品用户并没有,但是可能是用户的潜在喜欢的物品,因而,为了调控这种情况,预先确定用于调控的调控偏置参数,根据预设公式和调控偏置参数对集合相似度中的每个相似度进行调控处理。其中,作为一种可能的实现方式,预设公式如下所示,在下述公式(1)中,为调控偏置参数,为用户冷启动(用户没有该物品)的调控参数,N1和N2分别为用户u1和u2物品的数量,f(u1,u2)为调控前的相似度,sim(u1,u2)为调控后的相似度:
为了方便的确定用户之间的相似度,在本发明的一个实施例中,构建第一物品信息集合和参考物品信息集合的向量矩阵,基于矩阵之间的向量距离确定用户相似度。
具体而言,在本发明的一个实施例中,如图3所示,步骤102包括:
步骤201,将第一物品信息集合输入预设模型,获取每个第一物品的第一物品向量,并根据第一物品信息集合中各个第一物品的物品向量生成第一物品矩阵。
步骤202,将参考物品信息集合输入预设模型,获取每个参考物品的参考物品向量,并根据参考物品信息集合中各个参考物品的物品向量生成第二物品矩阵。
具体地,预先构建可以输入向量参数的模型,从而,将第一物品信息集合输入预设模型,获取每个第一物品的第一物品向量,并根据第一物品信息集合中各个第一物品的物品向量生成第一物品矩阵,同样的,将参考物品信息集合输入预设模型,获取每个参考物品的参考物品向量,并根据参考物品信息集合中各个参考物品的物品向量生成第二物品矩阵。其中,可以根据物品所属的领域确定物品向量。
举例而言,在本发明的一个实施例中,当预设模型为卷积神经网路模型时,如图4所示,获取第一用户u1的第一物品信息集合,将其输入卷积神经网路模型后,可以获取与第一物品信息集合中的第一物品A1-A6对应的第一物品向量A11-A16。继续参照图4,获取参考用户u2的参考物品信息集合,将其输入卷积神经网络模型后,可以获取与参考物品信息集合中的参考物品B1-B6对应的第一物品向量B11-B14。
步骤203,通过计算第一物品矩阵中的每个矩阵单元与第二物品矩阵中各个矩阵单元之间的向量距离,生成包含向量距离的距离矩阵,其中,距离矩阵中的每一行对应于每个第一物品向量和各个参考物品向量的向量距离。
具体地,计算第一物品矩阵中的每个矩阵单元与第二物品矩阵中各个矩阵单元之间的向量距离,生成包含向量距离的距离矩阵,其中,距离矩阵中的每一行对应于每个第一物品向量和各个参考物品向量的向量距离,比如对于一个距离矩阵中的第i行第j列的值表示第一用户的物品i和对应的其他参考用户的物品j之间的向量距离。
举例而言,如图5所示,当第一物品矩阵为A11-A14,第二物品矩阵为B11-B14,则根据第一物品矩阵和第二物品矩阵生成的举例矩阵中,第一行矩阵从左到右表示第一物品向量A11分别与参考物品B11-B14之间的向量距离,第二行矩阵从左到右表示第一物品向量A12分别与参考物品B11-B14之间的向量距离…第四行矩阵从左到右表示第一物品向量A14分别与参考物品B11-B14之间的向量距离,第一列矩阵从上到下表示参考物品B11分别与第一物品A11-A14之间的向量距离,第二列矩阵从上到下表示参考物品B12分别与第一物品A11-A14之间的向量距离…第四列矩阵从上到下表示参考物品B14分别与第一物品A11-A14之间的向量距离。
步骤204,在距离矩阵中确定每一行中的第一最小向量距离和每一列中的第二最小向量距离。
具体地,在距离矩阵中确定每一行中的第一最小向量距离和每一列中的第二最小向量距离,以确定每个第一物品中与最相似的参考物品之间的最小向量距离,以及,各个第一物品中与同一个参考物品之前最相似的第一物品与参考物品之间的向量距离,基于该向量距离可以直观的得到第一用户最少通过平移多少距离可以另一个其他参考用户在空间上重合。
进一步地,获取根据第一物品信息集合和每个参考物品信息集合生成的每个距离矩阵,根据加权平均算法对每个距离矩阵中的各个第一最小向量距离和各个第二最小向量距离和进行计算,获取每个距离矩阵中各个第一最小向量距离和各个第二最小向量距离的加权平均值。
当然,在实际执行过程中,根据应用需要还可以仅仅在距离矩阵中确定每一行中的第一最小向量距离,或者,仅仅在距离矩阵中确定每一列中的第二最小向量距离,从而,可以基于加权平均算法对每个距离矩阵中的各个第一最小向量距离进行计算,获取每个距离矩阵中各个第一最小向量距离的加权平均值,作为第一用户和对应其他参考用户的用户相似度,或者,可以基于加权平均算法对每个距离矩阵中的各个第二最小向量距离进行计算,获取每个距离矩阵中各个第二最小向量距离的加权平均值,作为第一用户和对应其他参考用户的用户相似度。
举例而言,当仅仅在距离矩阵中确定每一行中的第一最小向量距离时,即寻找用户u1对应的每个第一物品的物品向量和向量距离最小的其他参考物品和u2的物品向量时,则可以根据如下公式(2)计算用户u1和用户u2之间的用户相似度,其中,在下述公式中,N为第一物品的数量,i为第i个第一物品,j为第j个参考物品,j属于1-N2中的任意一个数值,其中,N2为第二物品的数量,这里sim(u1i,u2j)的物理意义在于:对每一个用户u1点击过的物品,在u2所有点击物品中寻找与其最匹配/相似的物品作为对比对象,比如,对于物品i,其最相似的物品为j,则将物品i与撒谎能物品j的相似度作为物品i的物品相似度(最短向量距离),sim(u1,u2)为用户u1和用户u2之间的用户相似度,以用户u1所有物品中的每个物品与u2物品中最相似物品之间的物品相似度的平均值作为u1物品偏好特征和u2物品偏好特征的空间,即u1通过平移最短的空间距离,在物品特征空间内将与u2重合(用户u1和用户u2的用户相似度)。
由此,通过向量距离的计算,当用户u1点击过的物品品类集中在X时,物品品类集中在X的其他参考用户的相似度应该优于品类较泛但包含品类X的其他参考用户,比如,如图4所述,当确定用户u1和用户u2相似的物品可以重复,比如包含两次B22等,清晰的反映出了物品品类集中的情况,而检修参照图4,采用降维的方式,则会过滤到这种品类集中的相似度,导致用户相似度确定不精确,另外,当用户u1的物品较为分散时,在召回时,由于全部覆盖也不会丢失相关性的有些维度,考量了用户的所有感兴趣的产品。
综上,本发明实施例的用户物品推荐方法,获取第一用户的第一物品信息集合以及其他用户的参考物品信息集合,根据预设算法计算所述第一物品信息集合中的每个第一物品与每个所述参考物品信息集合中各个参考物品之间的物品相似度,根据所述物品相似度确定每个所述第一物品与每个所述参考物品信息集合中各个参考物品之间的物品最大相似度,根据所述物品最大相似度计算所述第一物品信息集合与每个所述参考物品信息集合之间的集合相似度,进而,根据所述集合相似度和预设的筛选条件从所述其他用户中确定与所述第一用户匹配的第二用户,并根据所述第二用户的第二物品信息集合向所述第一用户进行物品推荐。由此,可以全面考量用户所有的物品喜好确定用户之间的相似度,且在用户的物品喜好较为集中时,也会优先确定出具有同样集中喜好的相似用户,提高了相似用户的确定的精确度和质量,以便于提高物品推荐后的消费转换率。
为了实现上述实施例,本发明还提出了一种用户物品推荐装置。
图6是根据本发明一个实施例的用户物品推荐装置的结构示意图,如图6所示,该用户物品推荐装置包括:获取模块10、第一计算模块20、第一确定模块30、第二计算模块40和推荐处理模块50,其中,
获取模块10,用于获取第一用户的第一物品信息集合以及其他用户的参考物品信息集合。
第一计算模块20,用于根据预设算法计算第一物品信息集合中的每个第一物品与每个参考物品信息集合中各个参考物品之间的物品相似度。
在本发明的一个实施例中,如图7所示,在如图6所示的基础上,第一计算模块20包括第一获取单元21、第一生成单元22、第二获取单元23、第二生成单元24、第三生成单元25和确定单元26,其中,
第一获取单元21,用于将所述第一物品信息集合输入预设模型,获取所述每个第一物品的第一物品向量。
第一生成单元22,用于根据第一物品信息集合中各个第一物品的物品向量生成第一物品矩阵。
第二获取单元23,用于将参考物品信息集合输入预设模型,获取每个参考物品的参考物品向量。
第二生成单元24,用于根据参考物品信息集合中各个参考物品的物品向量生成第二物品矩阵。
第三生成单元25,用于通过计算第一物品矩阵中的每个矩阵单元与第二物品矩阵中各个矩阵单元之间的向量距离,生成包含向量距离的距离矩阵,其中,距离矩阵中的每一行对应于每个第一物品向量和各个参考物品向量的向量距离。
确定单元26,用于在距离矩阵中确定每一行中的第一最小向量距离和每一列中的第二最小向量距离。
第一确定模块30,用于根据物品相似度确定每个第一物品与每个参考物品信息集合中各个参考物品之间的物品最大相似度。
第二计算模块40,用于根据物品最大相似度计算第一物品信息集合与每个参考物品信息集合之间的集合相似度。
推荐处理模块50,用于根据集合相似度和预设的筛选条件从其他用户中确定与第一用户匹配的第二用户,并根据第二用户的第二物品信息集合向第一用户进行物品推荐。
在本发明的一个实施例中,推荐处理模块50具体用于:确定集合相似度中相似度大于预设阈值的多个相似度,确定多个相似度对应的第二用户。
在本发明的一个实施例中,如图8所示,在如图6所示的基础上,第二计算模块40包括第四生成单元41、计算获取单元42,其中,
第四生成单元41,用于获取根据第一物品信息集合和每个参考物品信息集合生成的每个距离矩阵。
计算获取单元42,用于根据加权平均算法对每个距离矩阵中的各个第一最小向量距离和各个第二最小向量距离和进行计算,获取每个距离矩阵中各个第一最小向量距离和各个第二最小向量距离的加权平均值。
在本发明的一个实施例中,如图9所示,在如图6所示的基础上,该装置还包括第二确定模块60和调控模块70,其中,
第二确定模块60,用于确定调控偏置参数。
调控模块70,用于根据预设公式和调控偏置参数对集合相似度中的每个相似度进行调控处理。
需要说明的是,前述对用户物品推荐方法实施例的解释说明也适用于该实施例的用户物品推荐装置,此处不再赘述。
综上,本发明实施例的用户物品推荐装置,获取第一用户的第一物品信息集合以及其他用户的参考物品信息集合,根据预设算法计算所述第一物品信息集合中的每个第一物品与每个所述参考物品信息集合中各个参考物品之间的物品相似度,根据所述物品相似度确定每个所述第一物品与每个所述参考物品信息集合中各个参考物品之间的物品最大相似度,根据所述物品最大相似度计算所述第一物品信息集合与每个所述参考物品信息集合之间的集合相似度,进而,根据所述集合相似度和预设的筛选条件从所述其他用户中确定与所述第一用户匹配的第二用户,并根据所述第二用户的第二物品信息集合向所述第一用户进行物品推荐。由此,可以全面考量用户所有的物品喜好确定用户之间的相似度,且在用户的物品喜好较为集中时,也会优先确定出具有同样集中喜好的相似用户,提高了相似用户的确定的精确度和质量,以便于提高物品推荐后的消费转换率。
为了实现上述实施例,本发明还提出一种计算机设备,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,实现如前述实施例所描述的用户物品推荐方法。
为了实现上述实施例,本发明还提出一种非临时性计算机可读存储介质,其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前述方法实施例所描述的用户物品推荐方法。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本发明的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本发明的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如,如果用硬件来实现和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本发明各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块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,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (12)
1.一种用户物品推荐方法,其特征在于,包括以下步骤:
获取第一用户的第一物品信息集合以及其他用户的参考物品信息集合,所述第一物品信息集合由所述第一用户的历史购物行为数据分析得到,所述其他用户的参考物品信息集合由其他用户的历史购物行为数据分析得到;
根据预设算法遍历计算所述第一物品信息集合中的每个第一物品与每个所述参考物品信息集合中各个参考物品之间的物品相似度,根据所述物品相似度确定每个所述第一物品与每个所述参考物品信息集合中各个参考物品之间的物品最大相似度;
根据所述物品最大相似度计算所述第一物品信息集合与每个所述参考物品信息集合之间的集合相似度;
根据所述集合相似度和预设的筛选条件从所述其他用户中确定与所述第一用户匹配的第二用户,并根据所述第二用户的第二物品信息集合向所述第一用户进行物品推荐。
2.如权利要求1所述的方法,其特征在于,所述根据预设算法计算所述第一物品信息集合中的每个第一物品与每个所述参考物品信息集合中各个参考物品之间的物品相似度,包括:
将所述第一物品信息集合输入预设模型,获取所述每个第一物品的第一物品向量,并根据所述第一物品信息集合中各个第一物品的物品向量生成第一物品矩阵;
将所述参考物品信息集合输入预设模型,获取所述每个参考物品的参考物品向量,并根据所述参考物品信息集合中各个参考物品的物品向量生成第二物品矩阵;
通过计算所述第一物品矩阵中的每个矩阵单元与所述第二物品矩阵中各个矩阵单元之间的向量距离,生成包含所述向量距离的距离矩阵,其中,所述距离矩阵中的每一行对应于所述每个第一物品向量和所述各个参考物品向量的向量距离;
在所述距离矩阵中确定所述每一行中的第一最小向量距离和每一列中的第二最小向量距离。
3.如权利要求2所述的方法,其特征在于,所述根据所述物品最大相似度计算所述第一物品信息集合与每个所述参考物品信息集合之间的集合相似度,包括:
获取根据所述第一物品信息集合和所述每个所述参考物品信息集合生成的每个所述距离矩阵;
根据加权平均算法对每个所述距离矩阵中的各个所述第一最小向量距离和各个所述第二最小向量距离和进行计算,获取每个所述距离矩阵中各个所述第一最小向量距离和各个所述第二最小向量距离的加权平均值。
4.如权利要求1所述的方法,其特征在于,所述根据所述集合相似度和预设的筛选条件从所述其他用户中确定与所述第一用户匹配的第二用户,包括:
确定所述集合相似度中相似度大于预设阈值的多个相似度;
确定所述多个相似度对应的所述第二用户。
5.如权利要求1所述的方法,其特征在于,在所述根据所述集合相似度和预设的筛选条件从所述其他用户中确定与所述第一用户匹配的第二用户之前,还包括:
确定调控偏置参数;
根据预设公式和所述调控偏置参数对所述集合相似度中的每个相似度进行调控处理。
6.一种用户物品推荐装置,其特征在于,包括:
获取模块,用于获取第一用户的第一物品信息集合以及其他用户的参考物品信息集合,所述第一物品信息集合由所述第一用户的历史购物行为数据分析得到,所述其他用户的参考物品信息集合由其他用户的历史购物行为数据分析得到;
第一计算模块,用于根据预设算法遍历计算所述第一物品信息集合中的每个第一物品与每个所述参考物品信息集合中各个参考物品之间的物品相似度;
第一确定模块,用于根据所述物品相似度确定每个所述第一物品与每个所述参考物品信息集合中各个参考物品之间的物品最大相似度;
第二计算模块,用于根据所述物品最大相似度计算所述第一物品信息集合与每个所述参考物品信息集合之间的集合相似度;
推荐处理模块,用于根据所述集合相似度和预设的筛选条件从所述其他用户中确定与所述第一用户匹配的第二用户,并根据所述第二用户的第二物品信息集合向所述第一用户进行物品推荐。
7.如权利要求6所述的装置,其特征在于,所述第一计算模块,包括:
第一获取单元,用于将所述第一物品信息集合输入预设模型,获取所述每个第一物品的第一物品向量;
第一生成单元,用于根据所述第一物品信息集合中各个第一物品的物品向量生成第一物品矩阵;
第二获取单元,用于将所述参考物品信息集合输入预设模型,获取所述每个参考物品的参考物品向量;
第二生成单元,用于根据所述参考物品信息集合中各个参考物品的物品向量生成第二物品矩阵;
第三生成单元,用于通过计算所述第一物品矩阵中的每个矩阵单元与所述第二物品矩阵中各个矩阵单元之间的向量距离,生成包含所述向量距离的距离矩阵,其中,所述距离矩阵中的每一行对应于所述每个第一物品向量和所述各个参考物品向量的向量距离;
确定单元,用于在所述距离矩阵中确定所述每一行中的第一最小向量距离和每一列中的第二最小向量距离。
8.如权利要求7所述的装置,其特征在于,所述第二计算模块,包括:
第四生成单元,用于获取根据所述第一物品信息集合和所述每个所述参考物品信息集合生成的每个所述距离矩阵;
计算获取单元,用于根据加权平均算法对每个所述距离矩阵中的各个所述第一最小向量距离和各个所述第二最小向量距离和进行计算,获取每个所述距离矩阵中各个所述第一最小向量距离和各个所述第二最小向量距离的加权平均值。
9.如权利要求6所述的装置,其特征在于,所述推荐处理模块,具体用于:
确定所述集合相似度中相似度大于预设阈值的多个相似度;
确定所述多个相似度对应的所述第二用户。
10.如权利要求6所述的装置,其特征在于,还包括:
第二确定模块,用于确定调控偏置参数;
调控模块,用于根据预设公式和所述调控偏置参数对所述集合相似度中的每个相似度进行调控处理。
11.一种计算机设备,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1-5任一所述的用户物品推荐方法。
12.一种非临时性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如权利要求1-5任一所述的用户物品推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910069047.6A CN111476621B (zh) | 2019-01-24 | 2019-01-24 | 用户物品推荐方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910069047.6A CN111476621B (zh) | 2019-01-24 | 2019-01-24 | 用户物品推荐方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111476621A CN111476621A (zh) | 2020-07-31 |
CN111476621B true CN111476621B (zh) | 2023-09-22 |
Family
ID=71743553
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910069047.6A Active CN111476621B (zh) | 2019-01-24 | 2019-01-24 | 用户物品推荐方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111476621B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114820111A (zh) * | 2022-04-02 | 2022-07-29 | 常州机电职业技术学院 | 基于大数据分析的荐酒及酒量智能控制算法及服务器 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE2142510A1 (de) * | 1971-08-25 | 1976-02-12 | Gen Electric | Bombenabwurfsystem |
DE4201813A1 (de) * | 1992-01-24 | 1993-07-29 | Pav Praezisions Apparatebau Ag | Vorrichtung zum messen einer geometrischen groesse |
CN103309967A (zh) * | 2013-06-05 | 2013-09-18 | 清华大学 | 基于相似性传递的协同过滤方法及系统 |
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 |
CN106779825A (zh) * | 2016-12-02 | 2017-05-31 | 乐视控股(北京)有限公司 | 一种物品推荐方法、装置及电子设备 |
CN108038730A (zh) * | 2017-12-22 | 2018-05-15 | 联想(北京)有限公司 | 产品相似度判断方法、装置及服务器集群 |
WO2018149237A1 (zh) * | 2017-02-20 | 2018-08-23 | 北京京东尚科信息技术有限公司 | 物品数据处理方法、装置和计算机可读存储介质 |
CN108460098A (zh) * | 2018-02-01 | 2018-08-28 | 北京百度网讯科技有限公司 | 信息推荐方法、装置和计算机设备 |
CN108491529A (zh) * | 2018-03-28 | 2018-09-04 | 百度在线网络技术(北京)有限公司 | 信息推荐方法及装置 |
CN109117442A (zh) * | 2017-06-23 | 2019-01-01 | 腾讯科技(深圳)有限公司 | 一种应用推荐方法及装置 |
-
2019
- 2019-01-24 CN CN201910069047.6A patent/CN111476621B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE2142510A1 (de) * | 1971-08-25 | 1976-02-12 | Gen Electric | Bombenabwurfsystem |
DE4201813A1 (de) * | 1992-01-24 | 1993-07-29 | Pav Praezisions Apparatebau Ag | Vorrichtung zum messen einer geometrischen groesse |
CN103309967A (zh) * | 2013-06-05 | 2013-09-18 | 清华大学 | 基于相似性传递的协同过滤方法及系统 |
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 |
CN106779825A (zh) * | 2016-12-02 | 2017-05-31 | 乐视控股(北京)有限公司 | 一种物品推荐方法、装置及电子设备 |
WO2018149237A1 (zh) * | 2017-02-20 | 2018-08-23 | 北京京东尚科信息技术有限公司 | 物品数据处理方法、装置和计算机可读存储介质 |
CN109117442A (zh) * | 2017-06-23 | 2019-01-01 | 腾讯科技(深圳)有限公司 | 一种应用推荐方法及装置 |
CN108038730A (zh) * | 2017-12-22 | 2018-05-15 | 联想(北京)有限公司 | 产品相似度判断方法、装置及服务器集群 |
CN108460098A (zh) * | 2018-02-01 | 2018-08-28 | 北京百度网讯科技有限公司 | 信息推荐方法、装置和计算机设备 |
CN108491529A (zh) * | 2018-03-28 | 2018-09-04 | 百度在线网络技术(北京)有限公司 | 信息推荐方法及装置 |
Non-Patent Citations (2)
Title |
---|
App Recommendation Combing Item Features and Social Networks;Yu Mei-qi;Journal of Chinese Computer Systems;第38卷(第2期);第310-313页 * |
基于用户谱聚类的Top-N协同过滤推荐算法;肖文强;姚世军;吴善明;;计算机工程与应用(第07期);第142-148页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111476621A (zh) | 2020-07-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210142389A1 (en) | Method and System for making Recommendation from Binary Data Using Neighbor-Score Matrix and Latent Factors | |
US10460247B2 (en) | Attribute weighting for media content-based recommendation | |
US10180968B2 (en) | Gaussian ranking using matrix factorization | |
Kang et al. | Top-n recommender system via matrix completion | |
Ning et al. | A comprehensive survey of neighborhood-based recommendation methods | |
CN106484777B (zh) | 一种多媒体数据处理方法以及装置 | |
Torres et al. | SMOTE-D a deterministic version of SMOTE | |
CN107423430B (zh) | 数据处理方法、装置和计算机可读存储介质 | |
CN106708868B (zh) | 一种互联网数据分析方法及系统 | |
CN110188422B (zh) | 一种基于网络数据提取节点的特征向量的方法及装置 | |
CN107798332B (zh) | 一种用户行为预测方法及装置 | |
CN109118379B (zh) | 基于社交网络的推荐方法和装置 | |
Masri et al. | Soil property prediction: An extreme learning machine approach | |
Rafailidis et al. | Top-n recommendation via joint cross-domain user clustering and similarity learning | |
CN111797327A (zh) | 社交网络建模的方法及装置 | |
CN111476621B (zh) | 用户物品推荐方法和装置 | |
Palumbo et al. | An Empirical Comparison of Knowledge Graph Embeddings for Item Recommendation. | |
Reinke et al. | Average reward optimization with multiple discounting reinforcement learners | |
US20210374545A1 (en) | Method and apparatus of increasing knowledge based on uncertainty in neural networks | |
US20210099514A1 (en) | Computer-Implemented Systems and Methods for a User-Controllable Parameter | |
CN106952111B (zh) | 个性化推荐方法及装置 | |
Choi et al. | Extended collaborative filtering technique for mitigating the sparsity problem | |
CN110874607A (zh) | 一种网络节点的聚类方法及装置 | |
Heinemann | Facilitating reuse in model-based development with context-dependent model element recommendations | |
KR102023275B1 (ko) | FP Growth를 이용한 제품 추천 방법 및 시스템 |
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 |