CN111476643A - 兴趣商品预测方法、装置、电子设备及计算机存储介质 - Google Patents
兴趣商品预测方法、装置、电子设备及计算机存储介质 Download PDFInfo
- Publication number
- CN111476643A CN111476643A CN202010299406.XA CN202010299406A CN111476643A CN 111476643 A CN111476643 A CN 111476643A CN 202010299406 A CN202010299406 A CN 202010299406A CN 111476643 A CN111476643 A CN 111476643A
- Authority
- CN
- China
- Prior art keywords
- shopping
- user
- receiving address
- orders
- determining
- 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 45
- 230000006399 behavior Effects 0.000 claims description 28
- 230000001960 triggered effect Effects 0.000 claims description 15
- 230000007246 mechanism Effects 0.000 claims description 9
- 230000000306 recurrent effect Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 238000003062 neural network model Methods 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 230000009471 action Effects 0.000 description 4
- 230000007547 defect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
Abstract
本发明涉及一种兴趣商品预测方法、装置、电子设备及计算机存储介质，属于数据处理领域。该方法包括：从数据库中获取与用户对应的购物订单，并根据所述购物订单确定与所述用户对应的收货地址以及个人购物数据；根据所述收货地址从所述数据库中确定与所述收货地址存在地理关联的其他购物订单以及与所述其他购物订单对应的其他购物数据；通过所述个人购物数据、所述其他购物数据及预先训练好的网络模型，输出与所述用户对应的兴趣商品预测结果。通过上述方法，可以提高对用户的兴趣商品预测准确度。
Description
技术领域
本申请属于数据处理领域，具体涉及一种兴趣商品预测方法、装置、电子设备及计算机存储介质。
背景技术
对于电商平台而言，有必要对用户进行兴趣挖掘，以便在电商界面为用户展示其感兴趣的商品，从而增加成交量。
现有的基于电商平台的用户兴趣挖掘，一般根据用户过去的购物行为数据来预测用户未来的偏好。复杂一些的推荐系统在考虑用户过去的行为时会添加一个衰减系数或者将用户过去的购物行为数据看成是一个序列，然后使用循环神经网络(Recurrent NeuralNetwork，RNN)来预测用户未来的购物行为数据序列。
然而，针对用户而言，其购物行为的发生除了自身的兴趣爱好外，还会受到外界因素的影响，因此，传统的针对用户的兴趣商品预测方法所预测出的结果并不准确。
发明内容
有鉴于此，本申请的目的在于提供一种兴趣商品预测方法、装置、电子设备及计算机存储介质，以提高对用户的兴趣商品预测准确度。
本申请的实施例是这样实现的：
第一方面，本申请实施例提供一种兴趣商品预测方法，所述方法包括：从数据库中获取与用户对应的购物订单，并根据所述购物订单确定与所述用户对应的收货地址以及个人购物数据；根据所述收货地址从所述数据库中确定与所述收货地址存在地理关联的其他购物订单以及与所述其他购物订单对应的其他购物数据；通过所述个人购物数据、所述其他购物数据及预先训练好的网络模型，输出与所述用户对应的兴趣商品预测结果。在对用户的兴趣商品进行预测时，不仅考虑到用户自身在过去的购物数据，还考虑到了可能会对用户的兴趣爱好产生影响的邻里、同事的购物数据，因此，相对现有技术中单纯依靠用户自身的购物数据对用户兴趣挖掘，可以得到更为科学、更为准确的兴趣商品预测结果。
结合第一方面实施例，在一种可能的实施方式中，所述从数据库中获取与用户对应的购物订单，包括：从所述数据库中获取所述用户在预设时间段内触发的购物订单；
相应的，所述根据所述收货地址从所述数据库中确定与所述收货地址存在地理关联的其他购物订单，包括：根据所述收货地址从所述数据库中获取由其他用户在所述预设时间段内触发的与所述收货地址存在地理关联的所述其他购物订单。
结合第一方面实施例，在一种可能的实施方式中，与所述用户对应的每个购物订单中均包括一个子收货地址，所述根据所述购物订单确定与所述用户对应的收货地址，包括：统计与所述用户对应的每个购物订单中所包括的子收货地址；将出现频率最高的子收货地址确定为所述收货地址。
结合第一方面实施例，在一种可能的实施方式中，所述根据所述收货地址从所述数据库中确定与所述收货地址存在地理关联的其他购物订单，包括：从所述数据库筛选出与所述用户无对应关系的购物订单；将所述与所述用户无对应关系的购物订单中，对应的收货地址与所述收货地址之间的距离在阈值范围内的购物订单确定为所述其他购物订单。
结合第一方面实施例，在一种可能的实施方式中，所述网络模型为多注意力机制的循环神经网络模型，所述通过所述个人购物数据、所述其他购物数据及预先训练好的网络模型，输出与所述用户对应的兴趣商品预测结果，包括：分别将所述个人购物数据、所述其他购物数据按照预设规则构建成对应的行为序列；将与所述个人购物数据对应的行为序列、与所述其他购物数据对应的行为序列输入所述多注意力机制的循环神经网络模型，以输出与所述用户对应的兴趣商品预测结果。
第二方面，本申请实施例提供一种兴趣商品预测装置，所述装置包括：获取模块、确定模块以及输出模块。获取模块，用于从数据库中获取与用户对应的购物订单，并根据所述购物订单确定与所述用户对应的收货地址以及个人购物数据；确定模块，用于根据所述收货地址从所述数据库中确定与所述收货地址存在地理关联的其他购物订单以及与所述其他购物订单对应的其他购物数据；输出模块，用于通过所述个人购物数据、所述其他购物数据及预先训练好的网络模型，输出与所述用户对应的兴趣商品预测结果。
结合第二方面实施例，在一种可能的实施方式中，所述获取模块，用于从所述数据库中获取所述用户在预设时间段内触发的购物订单；
相应的，所述确定模块，用于根据所述收货地址从所述数据库中获取由其他用户在所述预设时间段内触发的与所述收货地址存在地理关联的所述其他购物订单。
结合第二方面实施例，在一种可能的实施方式中，与所述用户对应的每个购物订单中均包括一个子收货地址，所述获取模块，用于统计与所述用户对应的每个购物订单中所包括的子收货地址；将出现频率最高的子收货地址确定为所述收货地址。
结合第二方面实施例，在一种可能的实施方式中，所述确定模块，用于从所述数据库筛选出与所述用户无对应关系的购物订单；将所述与所述用户无对应关系的购物订单中，对应的收货地址与所述收货地址之间的距离在阈值范围内的购物订单确定为所述其他购物订单。
结合第二方面实施例，在一种可能的实施方式中，所述网络模型为多注意力机制的循环神经网络模型，所述输出模块，用于分别将所述个人购物数据、所述其他购物数据按照预设规则构建成对应的行为序列；将与所述个人购物数据对应的行为序列、与所述其他购物数据对应的行为序列输入所述多注意力机制的循环神经网络模型，以输出与所述用户对应的兴趣商品预测结果。
第三方面，本申请实施例还提供一种电子设备，包括：存储器和处理器，所述存储器和所述处理器连接；所述存储器用于存储程序；所述处理器调用存储于所述存储器中的程序，以执行上述第一方面实施例和/或结合第一方面实施例的任一种可能的实施方式提供的方法。
第四方面，本申请实施例还提供一种非易失性计算机可读取存储介质(以下简称计算机存储介质)，其上存储有计算机程序，所述计算机程序被计算机运行时执行上述第一方面实施例和/或结合第一方面实施例的任一种可能的实施方式提供的方法。
本申请的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本申请实施例而了解。本申请的目的和其他优点可通过在所写的说明书以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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他的附图。通过附图所示，本申请的上述及其它目的、特征和优势将更加清晰。在全部附图中相同的附图标记指示相同的部分。并未刻意按实际尺寸等比例缩放绘制附图，重点在于示出本申请的主旨。
图1示出了本申请实施例提供的一种兴趣商品预测方法的流程图。
图2示出了本申请实施例提供的多注意力机制的RNN的工作机制示意图。
图3示出了本申请实施例提供的一种兴趣商品预测装置的结构框图。
图4示出了本申请实施例提供的一种电子设备的结构示意图。
标号：100-电子设备；110-处理器；120-存储器；400-兴趣商品预测装置；410-获取模块；420-确定模块；430-输出模块。
具体实施方式
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描述。
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，在本申请的描述中诸如“第一”、“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”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。
再者，本申请中术语“和/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。
此外，针对现有技术中的针对用户的兴趣商品预测方法所预测出的结果不准确的缺陷是申请人在经过实践并仔细研究后得出的结果，因此，上述缺陷的发现过程以及在下文中本申请实施例针对上述缺陷所提出的解决方案，都应该是申请人在本申请过程中对本申请做出的贡献。
为了解决上述缺陷，本申请实施例提供一种兴趣商品预测方法、装置、电子设备及计算机存储介质，可以提高对用户的兴趣商品预测准确度。
该技术可采用相应的软件、硬件以及软硬结合的方式实现。以下对本申请实施例进行详细介绍。
下面将针对本申请所提供的兴趣商品预测方法进行介绍。
请参阅图1，本申请实施例提供一种应用于电子设备的兴趣商品预测方法。下面将结合图1对其所包含的步骤进行说明。
步骤S110：从数据库中获取与用户对应的购物订单，并根据所述购物订单确定与所述用户对应的收货地址以及个人购物数据。
当需要预测某一用户感兴趣的商品时，电子设备可以根据用户注册的ID从电商平台的数据库中调取与该用户对应的已经生成的购物订单。
此外，由于用户的兴趣爱好可能随着时间的变化而发生改变，因此，在一种可选的实施方式中，当需要预测某一用户感兴趣的商品时，电子设备可以从电商平台的数据库中调取与该用户在预设时间段内所触发的购物订单。
其中，预设时间段可以是以当前时间点为起点，往过去倒推一段时间，例如倒推三个月。在这种实施方式下，假设当前时间点为2020年1月1日，往过去倒推三个月得到的时间点为2019年10月1日，因此，电子设备将会获取用户从2019年10月1日到2020年1月1日之间所触发的购物订单。
在获取到用户的购物订单后，电子设备根据购物订单确定与用户对应的收货地址以及个人购物数据。
在一种可选的实施方式中，用户的购物订单中可以包括用户在创建该订单时的收货地址以及该订单所对应的个人购物数据。
在另一种可选的实施方式中，电子设备可以根据用户的购物订单从数据库中查找到与该购物订单对应的收货地址以及个人购物数据。
其中，值得指出的是，个人购物数据可以包括但不限于用户所购买的商品类型、商品数量、商品热门程度等。
当然，当获取的与用户对应的购物订单为多个时，此时，针对每个购物订单，均包括一个收货地址以及一个个人购物数据，此处为了便于区分，将存在多个购物订单时与每个购物订单对应的收货地址称之为子收货地址，将与每个购物订单对应的个人购物数据称之为子购物数据。在这种实施方式下，电子设备将统计与用户对应的每个购物订单中所对应的子收货地址，然后将出现频率最高的子收货地址确定为用户的收货地址。此外，针对与用户对应的每个购物订单中所对应的子购物数据，电子设备可以将每个子购物数据进行合并整合，得到个人购物数据。
步骤S120：根据所述收货地址从所述数据库中确定与所述收货地址存在地理关联的其他购物订单以及与所述其他购物订单对应的其他购物数据。
用户过去的个人购物行为在一定程度上体现出用户的偏好与兴趣，然而，用户的个人购物行为很可能会受到周围人的影响，因此，用户的邻里、同事的购物行为很可能会影响用户的购物行为，相应的，在预测某一用户感兴趣的商品时，需要把该用户的邻里、同事纳入考虑范围内。
由于用户的邻里、同事一般与用户之间在地理位置上存在关联，例如与用户所在的地理位置类似或者相近，因此，在本申请实施例中，将与用户的收货地址相近的人群默认为用户的邻里、同事。
在本申请实施例中，需要筛选出用户的邻里、同事所触发的购物订单。其中，筛选用户的邻里、同事所触发的购物订单的过程如下。
可选的，电子设备在确定出用户的收货地址后，可以先从数据库中筛选出与用户无对应关系的购物订单，即筛选出与用户的ID无关的购物订单。其中，每个与用户无对应关系的购物订单均对应一个收货地址以及一个个人购物数据。此处，为了方便区分，将与用户无对应关系的购物订单所对应的收货地址称之为其他收货地址，将与用户无对应关系的购物订单所对应的个人购物数据称之为其他购物数据。
在得到与用户无对应关系的购物订单后，电子设备将每个与用户无对应关系的购物订单对应的其他收货地址与用户的收货地址进行比较，得到两者之间的距离。其中，若某个距离在阈值范围内，电子设备则将相应的与用户无对应关系的购物订单确定为存在地理关联的其他购物订单。
当然，当电子设备在获取与用户对应的购物订单时对时间存在限制，相应的，在获取与用户无对应关系的购物订单时也应该设置相应的时间限制。例如，电子设备获取的是用户在预设时间段内的购物订单时，相应的，电子设备也应该根据收货地址从数据库中获取由其他用户在同一个预设时间段内触发的与收货地址存在地理关联的其他购物订单。
在确定出一个或多个其他购物订单后，相应的，也确定出一个或多个可能对用户的购物行为存在影响的其他购物数据。
步骤S130：通过所述个人购物数据、所述其他购物数据及预先训练好的网络模型，输出与所述用户对应的兴趣商品预测结果。
在一种可选的实施方式中，网络模型为多注意力机制的RNN。在这种实施方式下，电子设备分别将其他购物数据、用户的个人购物数据按照预设规则构建成对应的行为序列，然后将与个人购物数据对应的行为序列、与其他购物数据对应的行为序列输入多注意力机制的RNN，以输出与用户对应的兴趣商品预测结果。
其中，现有的RNN的输入量为一个，多注意力机制的RNN的输入量可以为多个。与现有的RNN相比，本申请中的多注意力机制的RNN的主要区别点在于，将可能会对用户的兴趣爱好产生影响的邻里、同事的购物数据的行为序列作为另一种注意力机制，从而获取与用户对应的兴趣商品预测结果。多注意力机制的RNN的工作机制请参看图2，其中，T代表时间，S代表不同的用户。
值得指出的是，将购物数据构建成对应的行为序列输入RNN为现有技术，通过将购物数据构建成的行为序列输入RNN，以输出与用户对应的兴趣商品预测结果也为现有技术，此处不再赘述。
本申请实施例所提供的一种兴趣商品预测方法，在对用户的兴趣商品进行预测时，不仅考虑到用户自身在过去的购物数据，还考虑了可能会对用户的兴趣爱好产生影响的邻里、同事的购物数据，因此，相对现有技术中单纯依靠用户自身的购物数据对用户兴趣挖掘，可以得到更为科学、更为准确的兴趣商品预测结果。
如图3所示，本申请实施例还提供一种兴趣商品预测装置400，兴趣商品预测装置400可以包括：获取模块410、确定模块420以及输出模块430。
获取模块410，用于从数据库中获取与用户对应的购物订单，并根据所述购物订单确定与所述用户对应的收货地址以及个人购物数据；
确定模块420，用于根据所述收货地址从所述数据库中确定与所述收货地址存在地理关联的其他购物订单以及与所述其他购物订单对应的其他购物数据；
输出模块430，用于通过所述个人购物数据、所述其他购物数据及预先训练好的网络模型，输出与所述用户对应的兴趣商品预测结果。
在一种可能的实施方式中，所述获取模块410，用于从所述数据库中获取所述用户在预设时间段内触发的购物订单；
相应的，所述确定模块420，用于根据所述收货地址从所述数据库中获取由其他用户在所述预设时间段内触发的与所述收货地址存在地理关联的所述其他购物订单。
在一种可能的实施方式中，与所述用户对应的每个购物订单中均包括一个子收货地址，所述获取模块410，用于统计与所述用户对应的每个购物订单中所包括的子收货地址；将出现频率最高的子收货地址确定为所述收货地址。
在一种可能的实施方式中，所述确定模块420，用于从所述数据库筛选出与所述用户无对应关系的购物订单；将所述与所述用户无对应关系的购物订单中，对应的收货地址与所述收货地址之间的距离在阈值范围内的购物订单确定为所述其他购物订单。
在一种可能的实施方式中，所述网络模型为多注意力机制的循环神经网络模型，所述输出模块430，用于分别将所述个人购物数据、所述其他购物数据按照预设规则构建成对应的行为序列；将与所述个人购物数据对应的行为序列、与所述其他购物数据对应的行为序列输入所述多注意力机制的循环神经网络模型，以输出与所述用户对应的兴趣商品预测结果。
本申请实施例所提供的兴趣商品预测装置400，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。
此外，本申请实施例还提供一种计算机存储介质，该计算机存储介质上存储有计算机程序，该计算机程序被计算机运行时，执行如上述的兴趣商品预测方法所包含的步骤。
此外，请参看图4，本发明实施例还提供一种用于实现本申请实施例的兴趣商品预测方法、装置的电子设备100。
可选的，电子设备100，可以是，但不限于个人电脑(Personal computer，PC)、智能手机、平板电脑、移动上网设备(Mobile Internet Device，MID)、个人数字助理、服务器等设备。
其中，电子设备100可以包括：处理器110、存储器120。
应当注意，图4所示的电子设备100的组件和结构只是示例性的，而非限制性的，根据需要，电子设备100也可以具有其他组件和结构。
处理器110、存储器120以及其他可能出现于电子设备100的组件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，处理器110、存储器120以及其他可能出现的组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120用于存储程序，例如存储有后文出现的兴趣商品预测方法对应的程序或者后文出现的兴趣商品预测装置。可选的，当存储器120内存储有兴趣商品预测装置时，兴趣商品预测装置包括至少一个可以以软件或固件(firmware)的形式存储于存储器120中的软件功能模块。
可选的，兴趣商品预测装置所包括软件功能模块也可以固化在电子设备100的操作系统(operating system，OS)中。
处理器110用于执行存储器120中存储的可执行模块，例如兴趣商品预测装置包括的软件功能模块或计算机程序。当处理器110在接收到执行指令后，可以执行计算机程序，例如执行：从数据库中获取与用户对应的购物订单，并根据所述购物订单确定与所述用户对应的收货地址以及个人购物数据；根据所述收货地址从所述数据库中确定与所述收货地址存在地理关联的其他购物订单以及与所述其他购物订单对应的其他购物数据；通过所述个人购物数据、所述其他购物数据及预先训练好的网络模型，输出与所述用户对应的兴趣商品预测结果。
当然，本申请任一实施例所揭示的方法都可以应用于处理器110中，或者由处理器110实现。
综上所述，本发明实施例提出的兴趣商品预测方法、装置、电子设备及计算机存储介质，在对用户的兴趣商品进行预测时，不仅考虑到用户自身在过去的购物数据，还考虑到了可能会对用户的兴趣爱好产生影响的邻里、同事的购物数据，因此，相对现有技术中单纯依靠用户自身的购物数据对用户兴趣挖掘，可以得到更为科学、更为准确的兴趣商品预测结果。
需要说明的是，本说明书中的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他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
在本申请所提供的几个实施例中，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的多个实施例的装置、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，在本申请各个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，笔记本电脑,服务器，或者网络设备等)执行本申请各个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(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。
Claims (10)
1.一种兴趣商品预测方法，其特征在于，所述方法包括：
从数据库中获取与用户对应的购物订单，并根据所述购物订单确定与所述用户对应的收货地址以及个人购物数据；
根据所述收货地址从所述数据库中确定与所述收货地址存在地理关联的其他购物订单以及与所述其他购物订单对应的其他购物数据；
通过所述个人购物数据、所述其他购物数据及预先训练好的网络模型，输出与所述用户对应的兴趣商品预测结果。
2.根据权利要求1所述的方法，其特征在于，所述从数据库中获取与用户对应的购物订单，包括：
从所述数据库中获取所述用户在预设时间段内触发的购物订单；
相应的，所述根据所述收货地址从所述数据库中确定与所述收货地址存在地理关联的其他购物订单，包括：
根据所述收货地址从所述数据库中获取由其他用户在所述预设时间段内触发的与所述收货地址存在地理关联的所述其他购物订单。
3.根据权利要求1所述的方法，其特征在于，与所述用户对应的每个购物订单中均包括一个子收货地址，所述根据所述购物订单确定与所述用户对应的收货地址，包括：
统计与所述用户对应的每个购物订单中所包括的子收货地址；
将出现频率最高的子收货地址确定为所述收货地址。
4.根据权利要求3所述的方法，其特征在于，所述根据所述收货地址从所述数据库中确定与所述收货地址存在地理关联的其他购物订单，包括：
从所述数据库筛选出与所述用户无对应关系的购物订单；
将所述与所述用户无对应关系的购物订单中，对应的收货地址与所述收货地址之间的距离在阈值范围内的购物订单确定为所述其他购物订单。
5.根据权利要求1所述的方法，其特征在于，所述网络模型为多注意力机制的循环神经网络模型，所述通过所述个人购物数据、所述其他购物数据及预先训练好的网络模型，输出与所述用户对应的兴趣商品预测结果，包括：
分别将所述个人购物数据、所述其他购物数据按照预设规则构建成对应的行为序列；
将与所述个人购物数据对应的行为序列、与所述其他购物数据对应的行为序列输入所述多注意力机制的循环神经网络模型，以输出与所述用户对应的兴趣商品预测结果。
6.一种兴趣商品预测装置，其特征在于，所述装置包括：
获取模块，用于从数据库中获取与用户对应的购物订单，并根据所述购物订单确定与所述用户对应的收货地址以及个人购物数据；
确定模块，用于根据所述收货地址从所述数据库中确定与所述收货地址存在地理关联的其他购物订单以及与所述其他购物订单对应的其他购物数据；
输出模块，用于通过所述个人购物数据、所述其他购物数据及预先训练好的网络模型，输出与所述用户对应的兴趣商品预测结果。
7.根据权利要求6所述的装置，其特征在于，所述获取模块，用于从所述数据库中获取所述用户在预设时间段内触发的购物订单；
相应的，所述确定模块，用于根据所述收货地址从所述数据库中获取由其他用户在所述预设时间段内触发的与所述收货地址存在地理关联的所述其他购物订单。
8.根据权利要求6所述的装置，其特征在于，与所述用户对应的每个购物订单中均包括一个子收货地址，所述获取模块，用于统计与所述用户对应的每个购物订单中所包括的子收货地址；将出现频率最高的子收货地址确定为所述收货地址。
9.一种电子设备，其特征在于，包括：存储器和处理器，所述存储器和所述处理器连接；
所述存储器用于存储程序；
所述处理器调用存储于所述存储器中的程序，以执行如权利要求1-5中任一项所述的方法。
10.一种计算机存储介质，其特征在于，其上存储有计算机程序，所述计算机程序被计算机运行时执行如权利要求1-5中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010299406.XA CN111476643A (zh) | 2020-04-15 | 2020-04-15 | 兴趣商品预测方法、装置、电子设备及计算机存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010299406.XA CN111476643A (zh) | 2020-04-15 | 2020-04-15 | 兴趣商品预测方法、装置、电子设备及计算机存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111476643A true CN111476643A (zh) | 2020-07-31 |
Family
ID=71753935
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010299406.XA Pending CN111476643A (zh) | 2020-04-15 | 2020-04-15 | 兴趣商品预测方法、装置、电子设备及计算机存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111476643A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113329058A (zh) * | 2021-04-30 | 2021-08-31 | 青岛以萨数据技术有限公司 | 一种数据推送方法、装置及存储介质 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120150677A1 (en) * | 2010-12-09 | 2012-06-14 | Gary Stephen Shuster | Automatic resupply of consumable commodities |
| US20130268317A1 (en) * | 2010-12-07 | 2013-10-10 | Digital Foodie Oy | Arrangement for facilitating shopping and related method |
| CN105869024A (zh) * | 2016-04-20 | 2016-08-17 | 北京小米移动软件有限公司 | 商品的推荐方法及装置 |
| US20170132509A1 (en) * | 2015-11-06 | 2017-05-11 | Adobe Systems Incorporated | Item recommendations via deep collaborative filtering |
| CN107169849A (zh) * | 2017-06-29 | 2017-09-15 | 深圳天珑无线科技有限公司 | 购物信息推送方法、系统及存储介质 |
| CN108133406A (zh) * | 2017-12-21 | 2018-06-08 | 北京小度信息科技有限公司 | 信息显示方法、装置、电子设备及计算机可读存储介质 |
| JP2018181326A (ja) * | 2017-04-06 | 2018-11-15 | ネイバー コーポレーションＮＡＶＥＲ Ｃｏｒｐｏｒａｔｉｏｎ | ディープラーニングを活用した個人化商品推薦 |
| CN110097433A (zh) * | 2019-05-14 | 2019-08-06 | 苏州大学 | 基于注意力机制的推荐方法、装置、设备及存储介质 |
| CN110335123A (zh) * | 2019-07-11 | 2019-10-15 | 创新奇智(合肥)科技有限公司 | 基于社交电商平台的商品推荐方法、系统、计算机可读介质以及装置 |
| CN110570279A (zh) * | 2019-09-04 | 2019-12-13 | 深圳创新奇智科技有限公司 | 一种基于用户实时行为的策略化推荐方法及装置 |
-
2020
- 2020-04-15 CN CN202010299406.XA patent/CN111476643A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130268317A1 (en) * | 2010-12-07 | 2013-10-10 | Digital Foodie Oy | Arrangement for facilitating shopping and related method |
| US20120150677A1 (en) * | 2010-12-09 | 2012-06-14 | Gary Stephen Shuster | Automatic resupply of consumable commodities |
| US20170132509A1 (en) * | 2015-11-06 | 2017-05-11 | Adobe Systems Incorporated | Item recommendations via deep collaborative filtering |
| CN105869024A (zh) * | 2016-04-20 | 2016-08-17 | 北京小米移动软件有限公司 | 商品的推荐方法及装置 |
| JP2018181326A (ja) * | 2017-04-06 | 2018-11-15 | ネイバー コーポレーションＮＡＶＥＲ Ｃｏｒｐｏｒａｔｉｏｎ | ディープラーニングを活用した個人化商品推薦 |
| CN107169849A (zh) * | 2017-06-29 | 2017-09-15 | 深圳天珑无线科技有限公司 | 购物信息推送方法、系统及存储介质 |
| CN108133406A (zh) * | 2017-12-21 | 2018-06-08 | 北京小度信息科技有限公司 | 信息显示方法、装置、电子设备及计算机可读存储介质 |
| CN110097433A (zh) * | 2019-05-14 | 2019-08-06 | 苏州大学 | 基于注意力机制的推荐方法、装置、设备及存储介质 |
| CN110335123A (zh) * | 2019-07-11 | 2019-10-15 | 创新奇智(合肥)科技有限公司 | 基于社交电商平台的商品推荐方法、系统、计算机可读介质以及装置 |
| CN110570279A (zh) * | 2019-09-04 | 2019-12-13 | 深圳创新奇智科技有限公司 | 一种基于用户实时行为的策略化推荐方法及装置 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113329058A (zh) * | 2021-04-30 | 2021-08-31 | 青岛以萨数据技术有限公司 | 一种数据推送方法、装置及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11663359B2 (en) | Data processing systems for identifying whether cookies contain personally identifying information | |
| KR102159898B1 (ko) | 예측성 타이핑을 위한 문맥 관련 온톨로지의 동적 로딩 | |
| KR20180121466A (ko) | 딥러닝을 활용한 개인화 상품 추천 | |
| US8856229B2 (en) | System and method for social networking | |
| US20220067115A1 (en) | Information processing method, apparatus, electrical device and readable storage medium | |
| US9082084B2 (en) | Facilitating machine learning in an online social network | |
| WO2019114423A1 (zh) | 对模型预测值进行融合的方法、装置和设备 | |
| CN111667374B (zh) | 一种构建用户画像的方法、装置、存储介质和电子设备 | |
| CN110110201B (zh) | 一种内容推荐方法和系统 | |
| CN110008973B (zh) | 一种模型训练方法、基于模型确定目标用户的方法及装置 | |
| CN110909942B (zh) | 训练模型的方法及系统和预测序列数据的方法及系统 | |
| CN116342226A (zh) | 一种基于大数据的商品推荐方法及系统 | |
| CN114896454B (zh) | 一种基于标签分析的短视频数据推荐方法及系统 | |
| CN111061979A (zh) | 一种用户标签的推送方法、装置、电子设备和介质 | |
| CN117235586B (zh) | 酒店客户画像构建方法、系统、电子设备及存储介质 | |
| CN111242709A (zh) | 一种消息推送方法及其装置、设备、存储介质 | |
| CN111291258A (zh) | 搜索热词的推荐方法、装置、电子设备及可读介质 | |
| CN112241489A (zh) | 信息推送方法、装置、可读存储介质和计算机设备 | |
| CN105786936A (zh) | 用于对搜索数据进行处理的方法及设备 | |
| CN112328889A (zh) | 推荐搜索词确定方法、装置、可读介质及电子设备 | |
| KR20130033506A (ko) | 아이템 추천 방법 및 장치 | |
| CN111476643A (zh) | 兴趣商品预测方法、装置、电子设备及计算机存储介质 | |
| CN111767457B (zh) | 推荐方法及装置 | |
| US9507851B1 (en) | Methods and systems for providing recommendation information | |
| CN112836126A (zh) | 基于知识图谱的推荐方法、装置、电子设备及存储介质 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200731 |
|
| RJ01 | Rejection of invention patent application after publication |