CN111523010B - 推荐方法、装置、终端设备及计算机存储介质 - Google Patents
推荐方法、装置、终端设备及计算机存储介质 Download PDFInfo
- Publication number
- CN111523010B CN111523010B CN201910108650.0A CN201910108650A CN111523010B CN 111523010 B CN111523010 B CN 111523010B CN 201910108650 A CN201910108650 A CN 201910108650A CN 111523010 B CN111523010 B CN 111523010B
- Authority
- CN
- China
- Prior art keywords
- determining
- clustering
- candidate
- scene
- user
- 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
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
- G06F16/906—Clustering; Classification
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明实施例提供了一种推荐方法、装置、终端设备及计算机存储介质。推荐方法包括:根据用户历史行为数据对若干个候选推荐对象进行聚类,以得到与多个场景分别对应的多个聚类簇;根据各个所述聚类簇对应的类目,确定各个所述聚类簇间的关联关系以建立所述候选推荐对象的场景图谱;根据建立的场景图谱从所述候选推荐对象中确定推荐至目标用户的有效推荐对象。本实施例提供的方案,建立知识图谱时所需的人工干预较少,提高了生产效率。
Description
技术领域
本发明实施例涉及数据处理技术领域,尤其涉及一种推荐方法、装置、终端设备及计算机存储介质。
背景技术
随着智能时代的到来,用户对于购物体验的要求越来越高,因此,现有的电商不仅能够给用户推荐对应的商品,并在此基础上为用户提供场景式的购物体验,场景式的购物体验即根据用户已经搜索的内容,为用户推荐该场景下的其他内容。例如,若用户搜索“沙滩裤”、“沙滩鞋”,则其推荐“沙滩度假”场景下的其他购物内容,例如“泳镜”、“防晒霜”等。
但是,现有的实现场景式购物体验的方式,需要通过穷举挖掘,确定各个场景,然后通过人工审核确定场景的合理性;在确定场景对应的购物内容时,需要先确定场景对应的类目,然后确定类目下的商品对应的属性以及属性值来确定与该场景匹配的购物内容,并通过人工审核确定购物内容的准确性;此外,还有建立场景间的关联等,均需要人工进行干预。
综上,在实现场景式购物的过程中,需要大量的人工成本介入,各个环节都需要人工测评或干预,导致实现场景式购物时的人工成本较大,且无法自动化、大规模化,极大地限制了场景式购物的推广应用。
发明内容
有鉴于此,本发明实施例提供一种推荐方法、装置、终端设备及计算机存储介质,以解决上述问题。
根据本发明实施例的第一方面,提供了一种推荐方法,其包括:根据用户历史行为数据对若干个候选推荐对象进行聚类,以得到与多个场景分别对应的多个聚类簇;根据各个所述聚类簇对应的类目,确定各个所述聚类簇间的关联关系以建立所述候选推荐对象的场景图谱;根据建立的场景图谱从所述候选推荐对象中确定推荐至目标用户的有效推荐对象。
根据本发明实施例的第二方面,提供了一种推荐装置,其包括:聚类模块,用于根据用户历史行为数据对若干个候选推荐对象进行聚类,以得到与多个场景分别对应的多个聚类簇;场景图谱建立模块,用于根据各个所述聚类簇对应的类目,确定各个所述聚类簇间的关联关系以建立所述候选推荐对象的场景图谱;推荐模块,用于根据建立的场景图谱从所述候选推荐对象中确定推荐至目标用户的有效推荐对象。
根据本发明实施例的第三方面,提供了一种终端设备,包括:处理器、存储器、通信接口和通信总线,所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信;所述存储器用于存放至少一可执行指令,所述可执行指令使所述处理器执行如上所述的推荐方法对应的操作。
根据本发明实施例的第四方面,提供了一种计算机存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上所述的推荐方法。
根据本发明实施例提供的方案,通过根据用户历史行为数据对若干个候选推荐对象进行聚类,以得到与多个场景分别对应的多个聚类簇;根据各个所述聚类簇对应的类目,确定各个所述聚类簇间的关联关系以建立所述候选推荐对象的场景图谱;根据建立的场景图谱从所述候选推荐对象中确定推荐至目标用户的有效推荐对象。通过根据用户历史行为数据,可以准确地确定各个场景对应的聚类簇,并通过各个聚类簇对应的类目,可以准确地挖掘各个场景之间的关联关系,从而建立场景图谱,所需的人工干预较少,提高了生产效率,且便于大规模应用。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述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发明实施例中记载的一些实施例,对于本领域普通技术人员来讲,还可以根据这些附图获得其他的附图。
图1a为本发明实施例一的一种推荐方法的步骤流程图;
图1b为场景“解酒护肝养胃”的聚类簇对应的类目的示意图;
图2为本发明实施例二的一种推荐方法的步骤流程图;
图3a为本发明实施例三的一种推荐方法的步骤流程图;
图3b为本发明实施例三的一种应用至电商领域的推荐方法的步骤流程图;
图3c为本发明实施例三中的聚类簇以及场景文案的对照图;
图3d为本发明实施例三中的用户、聚类簇中的类目以及具有共现关系的类目的关系示意图;
图3e为本发明实施例三的一种偏序结构的类目示意图;
图3f为本发明实施例三的一种场景关联关系示意图;
图4为本发明实施例四的一种推荐装置的结构框图;
图5为本发明实施例五的一种终端设备的结构示意图。
具体实施方式
为了使本领域的人员更好地理解本发明实施例中的技术方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本发明实施例一部分实施例,而不是全部的实施例。基于本发明实施例中的实施例,本领域普通技术人员所获得的所有其他实施例,都应当属于本发明实施例保护的范围。
下面结合本发明实施例附图进一步说明本发明实施例具体实现。
实施例一
参照图1a,示出了根据本发明实施例一的一种推荐方法的步骤流程图。
本实施例的推荐方法包括以下步骤:
S102、根据用户历史行为数据对若干个候选推荐对象进行聚类,以得到与多个场景分别对应的多个聚类簇。
本实施例中,用户历史行为数据为根据用户对各个候选推荐对象进行操作对应的历史行为对应的数据,例如,以候选推荐对象为商品为例,用户历史行为数据可以包括用户历史搜索商品时的关键词、根据用户的操作确定用户搜索后选中的商品、用户搜索各个商品的顺序等。用户历史行为数据中可以包括多个用户对应的用户历史行为数据,本实施例对此不进行限定。
用户大多在一定场景下对候选推荐对象进行操作,例如,用户要去沙滩度假,则场景即为“沙滩度假”场景,此时,用户会搜索本身在去沙滩度假时缺少的东西,例如“沙滩裤”等,若用户存在多种缺少的东西,则会进行连续的搜索,例如连续搜索“沙滩裤”、“沙滩鞋”、“防晒霜”等,则可以根据用户历史行为数据,可以对若干个候选推荐对象进行聚类,从而确定与多个场景分别对应的多个聚类簇。
S104、根据各个所述聚类簇对应的类目,确定各个所述聚类簇间的关联关系以建立所述候选推荐对象的场景图谱。
本实施例中,每个聚类簇中均可以包括多个候选推荐对象,聚类簇包括的候选推荐对象的类目即为该聚类簇对应的类目。例如图1b所示,示出了场景“解酒护肝养胃”的聚类簇对应的类目包括:蓟类、其他膳食营养补充剂、益生菌、蜂蜜、代用/花草茶等。
本实施例中,类目即为候选推荐对象所属的类别,例如,若商品为“一件红色的连衣裙”,其所述的类目(Category)是连衣裙,其属性(Property)是颜色,其属性值(Value)是红色。
根据聚类簇的类目,可以挖掘聚类簇之间的关联关系,从而建立场景图谱。场景图谱中可以包括各个场景对应的聚类簇、聚类簇包括的候选推荐对象以及各个场景之间的关联关系等。具体地,例如,若部分聚类簇中包括相同的类目,则可以确定具有相同类目的聚类簇之间的关联关系等。
S106、根据建立的场景图谱从所述候选推荐对象中确定推荐至目标用户的有效推荐对象。
本实施例中,场景图谱建立后,即可根据场景图谱确定推荐至目标用户的有效推荐对象,以根据建立的场景图谱实现场景式的推荐。若将场景图谱应用至电商领域,则可以根据建立的场景图谱实现场景化的商品推荐。
本实施例提供的方案,通过根据用户历史行为数据对若干个候选推荐对象进行聚类,以得到与多个场景分别对应的多个聚类簇;根据各个所述聚类簇对应的类目,确定各个所述聚类簇间的关联关系以建立所述候选推荐对象的场景图谱;根据建立的场景图谱从所述候选推荐对象中确定推荐至目标用户的有效推荐对象。现有技术中建立场景图谱时,先通过人工干预确定场景,并建立场景间的关联,再确定场景对应的候选推荐对象,从而通过自上而下的方式建立场景图谱,与现有技术相比,本实施例通过根据用户历史行为数据,可以准确地确定各个场景对应的聚类簇,并通过各个聚类簇对应的类目,可以准确地挖掘各个场景之间的关联关系,从而通过自底向上的方式建立场景图谱,所需的人工干预较少,提高了生产效率,且便于大规模应用。
实施例二
参照图2,示出了根据本发明实施例二的一种推荐方法的步骤流程图。
本实施例的推荐方法包括以下步骤:
S202、基于若干个所述候选推荐对象的属性、所属的类目,对所述候选推荐对象进行聚类,以得到多个候选实体。
本实施例中,由于候选推荐对象的数量可能很巨大,或者由于用户针对单个候选推荐对象的行为粒度较为稀疏,使得直接根据候选推荐对象进行聚类时,无法得到准确地聚类结果。因此,为了提高聚类结果的准确性,本实施例根据候选推荐对象的属性、所属的类目,对候选推荐对象进行聚类,从而得到多个候选实体。
例如,针对商品,可以将同一类目下的多个商品根据属性进行简单聚类,得到多个候选实体。若类目包括多层,例如包括根类目以及根类目下的叶子类目,则将同一叶子类目下的多个商品根据属性进行划分。
进一步地,还可以根据商品的价格,将同一类目下属性相同的商品划分为不同的档次,例如可以划分为高端、中档、低端三档,从而增加候选实体的数量。
S204、根据所述用户历史行为数据对所述多个候选实体进行聚类,以得到与多个场景分别对应的多个聚类簇。
本实施例中,对多个候选实体进行聚类即相当于对若干个候选推荐对象进行聚类。
本实施例中,步骤S204具体可以包括:根据所述用户历史行为数据,确定所述多个候选实体之间的相似度;根据所述相似度对所述多个候选实体进行聚类,以得到与多个场景分别对应的多个聚类簇。
本实施例中,由于相似度是根据历史行为数据确定的,则可以通过相似度表征候选实体是否属于同一场景下,进而根据相似度对候选实体进行聚类,得到与多个场景分别对应的多个聚类簇。
具体地,所述根据所述用户历史行为数据,确定所述多个候选实体之间的相似度包括:根据所述用户历史行为数据,确定用户命中两个所述候选实体的间隔时间和/或间隔次数,其中,间隔时间小于预设时间阈值和/或间隔次数小于预设次数阈值的两个所述候选实体属于同一场景的概率值大于预设概率值;至少根据所述间隔时间和/或间隔次数,确定所述两个候选实体之间的相似度。
本实施例中,间隔时间以及间隔次数可以直接根据历史行为数据确定,本实施例在此不再赘述。
另外,具体可以通过下述公式根据间隔时间和间隔次数确定相似度:
其中,Ωw(c1,c2)表示在时间间隔/次数间隔w内的两个候选实体的共现次数,l(i)表示与该两个候选实体对应的用户行为序列Li的序列长度,S(i,c1,c2)为根据用户行为序列Li确定的两个候选实体的相似度分数,Sim(c1,c2)为根据所有的用户行为序列Li确定的两个候选实体的相似度分数,即两个候选实体的相似度。
可选地,本实施例中,还可以包括:确定各个所述候选实体对应的图嵌入向量,从而可以根据所述两个候选实体对应的两个所述图嵌入向量间的距离,以及根据所述间隔时间和/或间隔次数,确定所述两个候选实体之间的相似度。具体地,可以计算两个候选实体分别对应的两个图嵌入向量的距离,进而计算两个候选实体的相似度。
本实施例中,图嵌入向量为将候选实体通过图嵌入后得到的与候选实体对应的向量,具体的图嵌入方法可参考相关技术,本实施例对此不再赘述。通过确定候选实体的图嵌入向量,进而在确定相似度时考虑两个候选实体的图嵌入向量,从而在确定两个候选实体的相似度时,不仅可以考虑用户浏览两个候选实体的间隔时长或间隔次数,还可以包括候选实体本身的相似度,从而提高了确定的多个候选实体间的相似度的准确性。
确定多个候选实体间的相似度后,可以通过聚类算法,对多个候选实体进行聚类,以得到与多个场景分别对应的多个聚类簇。
以下以通过层次聚类方法进行聚类进行举例说明,本实施例的其他实现方式中,还可以通过其他聚类算法进行聚类,例如基于划分的聚类算法(如:k-means),基于密度的聚类算法(如:DBSCAN),基于网格的聚类算法(如:STING),基于相似矩阵算法的谱聚类,标签传播(LPA),LDA主题聚类等,本实施例对此不进行限定。
具体地,以候选推荐对象为商品为例,用户在选购商品时,存在一种层次演化模式,层次演化模式例如,“度假风萝莉穿搭”与“度假风女神穿搭”都属于“度假风穿搭”,即可以将“度假风萝莉穿搭”与“度假风女神穿搭”对应的聚类簇进行合并,得到“度假风穿搭”对应的聚类簇。通过层次聚类算法,可以使得聚类结果中包括上述层次演化模式。
由于作为候选推荐对象的商品较多,则其确定的候选实体的数量也较多,因此本实施例提供一种并行化大规模凝聚型层次聚类算法(Parallel HAC)进行聚类。
具体进行聚类时,先假设mergeAB中包括两个簇节点A、B,另一簇节点C,则通过以下公式进行计算,根据计算结果确定其所属的聚类簇。
其中,nA为簇节点A对应的聚类簇中已经包括的节点数量,nB为簇节点B对应的聚类簇中已经包括的节点数量,sim(A,C)为A、C之间的相似度,sim(B,C)为B、C之间的相似度,sim(AB,C)为C到AB的距离,即C到mergeAB的距离。
然后,通过图扩散的方式并行地确定局部极大边,即局部中sim(AB,C)为C到AB的距离的极大值,然后合并局部极大边对应的节点,得到新的merge,直至聚类结束。
S206、根据各个所述聚类簇对应的类目,确定各个所述聚类簇间的关联关系以建立所述候选推荐对象的场景图谱。
本步骤的具体实现方式与实施例一中的步骤S104类似,本实施例在此不再赘述。
S208、根据建立的场景图谱从所述候选推荐对象中确定推荐至目标用户的有效推荐对象。
本步骤的具体实现方式与实施例一中的步骤S106类似,本实施例在此不再赘述。
本实施例中,通过确定若干个候选推荐对象的多个候选实体,再对候选实体进行聚类得到多个聚类簇,可以使得确定的聚类簇更加准确;并且,本实施例中,根据用户历史行为数据确定两个候选实体之间的间隔时间和/或间隔次数,从而确定两个候选实体间的相似性,进而根据相似性进行聚类,可以提高聚类结果的准确性。另外,若将上述方法应用至电商领域,则上述用户历史行为数据可以直接根据购买用户的历史行为数据,上述各个聚类簇对应的类目,可以根据各个商家输入的商品信息确定,从而可以充分地利用电商平台自身的数据。
实施例三
参照图3a,示出了根据本发明实施例三的一种推荐方法的步骤流程图。
本实施例的推荐方法包括以下步骤:
S302、根据用户历史行为数据对若干个候选推荐对象进行聚类,以得到与多个场景分别对应的多个聚类簇。
本实施例中,若候选推荐对象为商品,则如图3b所示,进行聚类时,可以根据用户针对商品的用户历史行为数据以及各个商品的商品信息,对商品进行聚类,得到与多个场景分别对应的多个聚类簇。
S304、根据各个所述聚类簇中包括的所述候选推荐对象的适用场景标识,确定每个所述聚类簇对应的一类适用场景标识。
本实施例中,候选推荐对象包括多种属性,例如商品可以包括颜色属性、大小属性等。候选推荐对象的适用场景标签可以根据其属性确定,确定后可以根据其确定聚类簇对应的一类适用场景标识。具体地,例如,在确定聚类簇后,根据聚类簇中的各个商品的属性,并根据各个属性的出现频次,确定该聚类簇对应的描述词集合,并将描述词集合确定为该聚类簇对应的一类适用场景标签。
例如图3b所示,聚类后输出的结果包括聚类簇以及适用场景标签。
S306、根据所述聚类簇对应的一类适用场景标识,确定与该聚类簇对应的场景文案。
本实施例中,确定适用场景标识后,由于适用场景标识为描述词集合,则可以直接将描述词集合与候选文本进行文本匹配,并确定与描述词集合中的描述词相同的候选文本为该聚类簇的场景文案。
另外,还可以根据描述词集合对应的词向量预计候选文案的词向量,确定适用场景标识与多个候选文案的语义相似度,并根据语义相似度从多个候选文案中确定该聚类簇对应的场景文案。
具体地,当方案适用于电商领域时,候选文案可以根据用户知识以及商家知识确定,用户知识可以包括用户的搜索关键词等,商家知识可以包括商品的分类描述文本等。
例如,确定的候选文案可以包括:安全好用洗护、创意小饰品、化妆包集中营、皮肤干裂干燥、皮革修复补色、居家竹制品、嗯嗯有困难等。
另外,适用场景标识与候选文案的语义相似度可以进一步通过相似度模型确定,相似度模型具体可以为基于卷积神经网络的深度语义结构相似模型CNN-DSSM;在确定语义相似度时,可以将适用场景标签以及候选文案均采用word2vec向量化之后,将确定的词向量作为CNN-DSSM的输入,通过CNN-DSSM计算后,根据得到的相似度分数,取与适用场景标签对应的相似性分数最高的作为该聚类簇的场景描述。然后对场景描述去重,只保留与每个聚类簇具有高相关性且多样性的场景描述,并将保留的场景描述作为该聚类簇的场景文案。本实施例的其他实现方式中,也可以通过其他方式确定语义相似度,例如基于注意力的深度网络模型等。
例如图3b所示,可以根据聚类簇、适用场景标签、以及用户知识和商家知识,基于深度语义相似度模型进行匹配,确定场景文案。确定的聚类簇的场景文案可以如图3c所示。
另外,在确定所有聚类簇的场景文案后,部分场景文案与聚类簇之间存在多对多的关系,即一个聚类簇对应多个场景文案,一个场景文案对应多个聚类簇。因此,将场景文案相同的所述聚类簇合并,以根据合并得到的聚类簇更新原聚类簇。具体地,本实施例中,可以再次利用上述的CNN-DSSM模型,确定符合同一场景文案的聚类簇,从而将确定的聚类簇合并。
本实施例提供的方案,可以直接基于用户知识以及商家知识,自动生成场景文案,无需额外用户进行编辑,使用时更加灵活。
S308、利用文本生成模型优化所述聚类簇对应的所述场景文案。
具体地,本实施例中,文本生成模型具体可以为序列生成模型,例如为基于Seq2Seq的序列生成模型,训练文本生成模型时,可以将聚类簇的场景文案基于作为输入,将编辑人员编辑的优化描述作为监督。
进一步地,为了提高优化效果,可以引入生成对抗网络。具体地,可以采用基于Seq2Seq的序列生成模型作为生成器,同时采用文本分类模型(例如Text-CNN文本分类模型)作为判别器对文本生成模型产出的描述进行判别,并将判别结果反馈给基于Seq2Seq的序列生成模型,从而形成生成对抗网络。在训练生成对抗网络时,可以采用策略搜索强化学习(policy gradient)的方式迭代地训练。
具体地,文本生成模型的优化目可以如下:
J=βJpg+(1-β)Jml
其中,Jpg为生成对抗网络的生成目标,Jml表示基于Seq2Seq的序列生成模型的生成目标,β为通过生成对抗网络生成的概率,1-β为通过基于Seq2Seq的序列生成模型生成的概率。
以及,
根据Jpg(θ)以及Jml(θ)以及上述文本生成模型的优化目标J,来求解关于θ的目标函数,即可获得最终模型。具体内容可参考相关技术,本实施例在此不再赘述。
生成对抗网络训练完成后,即可将确定的场景文案输入生成对抗网络,生成对抗网络可以直接输出优化后的场景文案。例如图3b示出的基于生成对抗网络优化场景文案。
通过确定场景文案,可以将聚类簇白盒化,从而可以直接根据场景文案确定聚类簇包括的候选推荐对象对应的场景,进而方便后续的聚类簇管理和候选推荐对象的推荐。
S310、根据各个所述聚类簇对应的类目,确定各个所述聚类簇间的关联关系以建立所述候选推荐对象的场景图谱。
本实施例中,由于各个聚类簇均可以对应有多个类目的候选推荐对象,则可以基于类目来挖掘关联关系,从而确定类目间的关联关系,进而确定聚类簇间的关联关系。例如图3b所示,可以根据偏好用户实现关联关系的挖掘,进而确定场景/类目关联关系。
具体地,步骤S310具体包括:
根据与各个所述聚类簇中的所述候选推荐对象相对应的用户历史行为数据,确定各个所述聚类簇分别对应的偏好用户;根据所述偏好用户对应的用户历史行为数据,以及各个所述聚类簇对应的类目,确定各个所述聚类簇间的关联关系,以建立所述候选推荐对象的场景图谱。由于与普通用户相比,确定的偏好用户在电商平台的活跃度较高、且偏好用户对应的类目具有一定集中性,可作为电商平台的代表用户,使得根据偏好用户的用户历史行为数据确定的关联关系更加准确。
本实施例中,以应用至电商领域为例,确定偏好用户时,可以根据用户历史行为数据,确定每个用户购某个候选实体的频次,然后根据频次确定用户对于各个聚类簇的偏好分数,进而可以确定每个聚类簇对应的用户以及用户对该聚类簇的偏好分数,进而可以选取偏好分数较高的多个用户作为该聚类簇的偏好用户。例如图3b所示,聚类后输出的结果中还可以包括每个聚类簇对应的偏好用户。
进一步地,本实施例中,可以根据所述偏好用户对应的用户历史行为数据,确定类目关系数据;根据所述类目关系数据以及各个所述聚类簇对应的类目,确定各个所述聚类簇间的关联关系,以建立所述候选推荐对象的场景图谱。
具体地,可以根据所述偏好用户对应的用户历史行为数据,确定所述偏好用户针对所述候选推荐对象进行的历史操作;然后根据所述偏好用户针对所述候选推荐对象进行的历史操作以及所述偏好用户针对的所述候选推荐对象所属的类目,确定所述偏好用户对应的历史行为数据对应的类目关系数据。
所述类目关系数据包括:多个类目数据以及所述多个类目数据之间的关系,所述多个类目之间的关系包括以下至少之一:共现关系、偏序关系,所述共现关系用于指示共现次数大于阈值的多个类目之间存在的共现关系,所述偏序关系用于指示多个类目之间存在的有序关系。
针对共现关系,其可以为偏好用户对应的商品簇中在一段时间内同时购买的商品所属的类目,一段时间具体可以为15天等,本领域的技术人员可以根据实际使用场景确定具体的时间段。
确定类目后,根据该类目对应的共现次数(即商品的购买次数)进行排序,并共现次数大于阈值的多个类目、或者共现次数最大的多个类目之间具有共现关系。
确定共现关系后,即可根据共现关系的类目,确定类目所属的聚类簇之间的关联。例如图3d所示,示出了偏好用户、聚类簇、具有共现关系的类目之间的对应关系。根据图3d所示,根据偏好用户确定的具有共现关系的类目包括:婴儿奶粉、毛绒玩具、奶瓶、隔尿垫、拖被,对应的两个聚类簇的对应的类目分别包括“婴儿奶粉、毛绒玩具、奶瓶”以及“婴儿奶粉、隔尿垫、拖被”;以及根据图3d所示,根据偏好用户确定的具有共现关系的类目包括:手机、手机套、手机膜、耳机、USB充电器,对应的两个聚类簇的对应的类目分别包括“手机、手机套、手机膜”以及“手机、耳机、USB充电器”。
针对偏序关系,其可以为偏好用户在一段时间内按照一定顺序购买的商品所属的类目,例如,用户初次购买洗衣机后会购买洗衣粉,晾衣架等;购买手机后会购买手机膜或手机壳等,但反过来就不成立。
确定存在偏序关系的类目时,可以以类目为节点构建有向带权图,并根据偏好用户在一定时间内的购物顺序确定节点间的有向边。例如图3e所示,节点分别为类目A、类目B、类目C,然后根据偏好用户在一定时间内的购物顺序可以确定以下购买顺序:先购买A,再购买C,即确定可能存在A-->C的有向边。
进一步地,确定有向边后,还需要判断有向边是否对应偏序关系。例如,A-->C的有向边短期出现频率为在一定时间内A-->C的有向边的出现频率,A-->C的有向边的长周期出现频率为在一个较长期限内A-->C的有向边的出现频率,若A-->C的短期出现频率以及长周期出现频率的分布较为相似,则表明A-->C的有向边对应的关联关系为偶然关联,而并非是存在偏序关系,则可以将A-->C的有向边的边权重设置的较小,并可以根据偶然关联关系对应的有向边将有向带权图进行分割;反之,则确定A-->C的有向边对应的关联关系可能为偏序关系,则可以将A-->C的有向边的边权重设置的较大。
另外,本实施例中,在确定所有的有向边后,所述方法还包括:识别存在偏序关系的类目之间的顺序。具体地,例如图3d所示,存在节点A与B之间既存在A-->B的有向边,也存在B-->A的有向边,则可以根据这两个边分别对应的短期出现频率识别A、B之间的具体地偏序关联。若两个有向边的短期出现频率相似,则其不具有偏序关联,反之,则存在偏序关联;若存在偏序关联,可以根据两个有向边的短期出现频率之间的差异确定具体存在偏序关联的类目。例如,B为洗衣机、C为洗衣液,则可以确定B-->C的有向边的短期出现频率高于C-->B的有向边的短期出现频率,则可以确定存在B-->C的偏序关系。
本实施例的其他实现方式中,还可以结合基于时序的深度网络模型实现,例如长短期记忆网络(Long Short-Term Memory,lstm)来学习类目间的时序关系,或直接学习场景间的时序关系。
确定类目间的关系后,即可根据聚类簇对应的类目,确定聚类簇间的关联关系,进而建立场景图谱。
具体地,确定的场景关联关系可以如图3f所示。
S312、根据建立的场景图谱从所述候选推荐对象中确定推荐至目标用户的有效推荐对象。
具体地,根据场景图谱确定有效推荐对象时,可以基于用户距推荐时间一定时间之前的用户历史行为数据,确定用户对应的聚类簇,进而根据场景图谱确定适用于用户的有效推荐对象,若将上述方案应用至电商领域,即可根据场景图谱为用户提供场景式的购物体验。
本实施例的推荐方法可以由任意适当的具有数据处理能力的终端设备执行,包括但不限于:移动终端(如平板电脑、手机等)、PC机、服务器等。
实施例四
参照图4,示出了根据本发明实施例四的一种推荐装置的结构框图。
如图4所示,推荐装置包括聚类模块402、场景图谱建立模块404、推荐模块406。
其中,聚类模块,用于根据用户历史行为数据对若干个候选推荐对象进行聚类,以得到与多个场景分别对应的多个聚类簇。
场景图谱建立模块,用于根据各个所述聚类簇对应的类目,确定各个所述聚类簇间的关联关系以建立所述候选推荐对象的场景图谱。
推荐模块,用于根据建立的场景图谱从所述候选推荐对象中确定推荐至目标用户的有效推荐对象。
在一种可选的实施方式中,所述聚类模块包括:候选实体确定模块,用于基于若干个所述候选推荐对象的属性、所属的类目,对所述候选推荐对象进行聚类,以得到多个候选实体;实体聚类模块,用于根据所述用户历史行为数据对所述多个候选实体进行聚类,以得到与多个场景分别对应的多个聚类簇。
在一种可选的实施方式中,所述实体聚类模块包括:实体相似度确定模块,用于根据所述用户历史行为数据,确定所述多个候选实体之间的相似度;实体聚类子模块,用于根据所述相似度对所述多个候选实体进行聚类,以得到与多个场景分别对应的多个聚类簇。
在一种可选的实施方式中,所述实体相似度确定模块包括:间隔确定模块,用于根据所述用户历史行为数据,确定用户命中两个所述候选实体的间隔时间和/或间隔次数,其中,间隔时间小于预设时间阈值和/或间隔次数小于预设次数阈值的两个所述候选实体属于同一场景的概率值大于预设概率值;实体相似度确定子模块,用于至少根据所述间隔时间和/或间隔次数,确定所述两个候选实体之间的相似度。
在一种可选的实施方式中,还包括:图嵌入向量确定模块,用于确定各个所述候选实体对应的图嵌入向量;对应地,所述实体相似度确定子模块还用于根据所述两个候选实体对应的两个所述图嵌入向量间的距离,以及根据所述间隔时间和/或间隔次数,确定所述两个候选实体之间的相似度。
在一种可选的实施方式中,还包括:场景标识确定模块,用于根据各个所述聚类簇中包括的所述候选推荐对象的适用场景标识,确定每个所述聚类簇对应的一类适用场景标识;场景文案确定模块,用于根据所述聚类簇对应的一类适用场景标识,确定与该聚类簇对应的场景文案。
在一种可选的实施方式中,还包括:聚类簇合并模块,用于将场景文案相同的所述聚类簇合并,以根据合并得到的聚类簇更新原聚类簇。
在一种可选的实施方式中,还包括:场景文案优化模块,用于利用文本生成模型优化所述聚类簇对应的所述场景文案。
在一种可选的实施方式中,所述场景图谱建立模块包括:偏好用户确定模块,用于根据与各个所述聚类簇中的所述候选推荐对象相对应的用户历史行为数据,确定各个所述聚类簇分别对应的偏好用户;关联关系确定模块,用于根据所述偏好用户对应的用户历史行为数据,以及各个所述聚类簇对应的类目,确定各个所述聚类簇间的关联关系,以建立所述候选推荐对象的场景图谱。
在一种可选的实施方式中,所述关联关系确定模块包括:类目关系确定模块,用于根据所述偏好用户对应的用户历史行为数据,确定类目关系数据;关联关系确定子模块,用于根据所述类目关系数据以及各个所述聚类簇对应的类目,确定各个所述聚类簇间的关联关系,以建立所述候选推荐对象的场景图谱。
在一种可选的实施方式中,所述类目关系数据包括:多个类目数据以及所述多个类目数据之间的关系数据,所述多个类目之间的关系数据包括以下至少之一:共现关系数据、偏序关系数据,所述共现关系数据用于指示共现次数大于阈值的多个类目之间存在的共现关系,所述偏序关系数据用于指示多个类目之间存在的有序关系。
本实施例提供的推荐方案,通过根据用户历史行为数据对若干个候选推荐对象进行聚类,以得到与多个场景分别对应的多个聚类簇;根据各个所述聚类簇对应的类目,确定各个所述聚类簇间的关联关系以建立所述候选推荐对象的场景图谱;根据建立的场景图谱从所述候选推荐对象中确定推荐至目标用户的有效推荐对象。通过根据用户历史行为数据,可以准确地确定各个场景对应的聚类簇,并通过各个聚类簇对应的类目,可以准确地挖掘各个场景之间的关联关系,从而建立场景图谱,所需的人工干预较少,提高了生产效率,且便于大规模应用。
实施例五
一种终端设备,包括:处理器、存储器、通信接口和通信总线,所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信;所述存储器用于存放至少一可执行指令,所述可执行指令使所述处理器执行如上所述的推荐方法对应的操作。
具体地,参照图5,示出了根据本发明实施例五的一种终端设备的结构示意图,本发明具体实施例并不对终端设备的具体实现做限定。
如图5所示,该终端设备可以包括:处理器(processor)502、通信接口(Communications Interface)504、存储器(memory)506、以及通信总线508。
其中:
处理器502、通信接口504、以及存储器506通过通信总线508完成相互间的通信。
通信接口504,用于与其它终端设备或服务器进行通信。
处理器502,用于执行程序510,具体可以执行上述推荐方法实施例中的相关步骤。
具体地,程序510可以包括程序代码,该程序代码包括计算机操作指令。
处理器502可能是中央处理器CPU,或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit),或者是被配置成实施本发明实施例的一个或多个集成电路。终端设备包括的一个或多个处理器,可以是同一类型的处理器,如一个或多个CPU;也可以是不同类型的处理器,如一个或多个CPU以及一个或多个ASIC。
存储器506,用于存放程序510。存储器506可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。
程序510具体可以用于使得处理器502执行以下操作:根据用户历史行为数据对若干个候选推荐对象进行聚类,以得到与多个场景分别对应的多个聚类簇;根据各个所述聚类簇对应的类目,确定各个所述聚类簇间的关联关系以建立所述候选推荐对象的场景图谱;根据建立的场景图谱从所述候选推荐对象中确定推荐至目标用户的有效推荐对象。
在一种可选的实施方式中,所述根据用户历史行为数据对若干个候选推荐对象进行聚类,以得到与多个场景分别对应的多个聚类簇包括:基于若干个所述候选推荐对象的属性、所属的类目,对所述候选推荐对象进行聚类,以得到多个候选实体;根据所述用户历史行为数据对所述多个候选实体进行聚类,以得到与多个场景分别对应的多个聚类簇。
在一种可选的实施方式中,述根据所述用户历史行为数据对所述多个候选实体进行聚类,以得到与多个场景分别对应的多个聚类簇包括:根据所述用户历史行为数据,确定所述多个候选实体之间的相似度;根据所述相似度对所述多个候选实体进行聚类,以得到与多个场景分别对应的多个聚类簇。
在一种可选的实施方式中,所述根据所述用户历史行为数据,确定所述多个候选实体之间的相似度包括:根据所述用户历史行为数据,确定用户命中两个所述候选实体的间隔时间和/或间隔次数,其中,间隔时间小于预设时间阈值和/或间隔次数小于预设次数阈值的两个所述候选实体属于同一场景的概率值大于预设概率值;至少根据所述间隔时间和/或间隔次数,确定所述两个候选实体之间的相似度。
在一种可选的实施方式中,还包括:确定各个所述候选实体对应的图嵌入向量;对应地,所述至少根据所述间隔时间和/或间隔次数,确定所述两个候选实体之间的相似度,以确定所述多个候选实体之间的相似度包括:根据所述两个候选实体对应的两个所述图嵌入向量间的距离,以及根据所述间隔时间和/或间隔次数,确定所述两个候选实体之间的相似度。
在一种可选的实施方式中,还包括:根据各个所述聚类簇中包括的所述候选推荐对象的适用场景标识,确定每个所述聚类簇对应的一类适用场景标识;根据所述聚类簇对应的一类适用场景标识,确定与该聚类簇对应的场景文案。
在一种可选的实施方式中,还包括:将场景文案相同的所述聚类簇合并,以根据合并得到的聚类簇更新原聚类簇。
在一种可选的实施方式中,还包括:利用文本生成模型优化所述聚类簇对应的所述场景文案。
在一种可选的实施方式中,所述根据各个所述聚类簇对应的类目,确定各个所述聚类簇间的关联关系以建立所述候选推荐对象的场景图谱包括:根据与各个所述聚类簇中的所述候选推荐对象相对应的用户历史行为数据,确定各个所述聚类簇分别对应的偏好用户;根据所述偏好用户对应的用户历史行为数据,以及各个所述聚类簇对应的类目,确定各个所述聚类簇间的关联关系,以建立所述候选推荐对象的场景图谱。
在一种可选的实施方式中,所述根据所述偏好用户对应的用户历史行为数据,以及各个所述聚类簇对应的类目,确定各个所述聚类簇间的关联关系,以建立所述候选推荐对象的场景图谱包括:根据所述偏好用户对应的用户历史行为数据,确定类目关系数据;根据所述类目关系数据以及各个所述聚类簇对应的类目,确定各个所述聚类簇间的关联关系,以建立所述候选推荐对象的场景图谱。
在一种可选的实施方式中,所述类目关系数据包括:多个类目数据以及所述多个类目数据之间的关系数据,所述多个类目之间的关系数据包括以下至少之一:共现关系数据、偏序关系数据,所述共现关系数据用于指示共现次数大于阈值的多个类目之间存在的共现关系,所述偏序关系数据用于指示多个类目之间存在的有序关系。
程序510中各步骤的具体实现可以参见上述推荐方法实施例中的相应步骤和单元中对应的描述,在此不赘述。所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的设备和模块的具体工作过程,可以参考前述方法实施例中的对应过程描述,在此不再赘述。
本实施例的终端设备,通过根据用户历史行为数据对若干个候选推荐对象进行聚类,以得到与多个场景分别对应的多个聚类簇;根据各个所述聚类簇对应的类目,确定各个所述聚类簇间的关联关系以建立所述候选推荐对象的场景图谱;根据建立的场景图谱从所述候选推荐对象中确定推荐至目标用户的有效推荐对象。通过根据用户历史行为数据,可以准确地确定各个场景对应的聚类簇,并通过各个聚类簇对应的类目,可以准确地挖掘各个场景之间的关联关系,从而建立场景图谱,所需的人工干预较少,提高了生产效率,且便于大规模应用。
需要指出,根据实施的需要,可将本发明实施例中描述的各个部件/步骤拆分为更多部件/步骤,也可将两个或多个部件/步骤或者部件/步骤的部分操作组合成新的部件/步骤,以实现本发明实施例的目的。
上述根据本发明实施例的方法可在硬件、固件中实现,或者被实现为可存储在记录介质(诸如CD ROM、RAM、软盘、硬盘或磁光盘)中的软件或计算机代码,或者被实现通过网络下载的原始存储在远程记录介质或非暂时机器可读介质中并将被存储在本地记录介质中的计算机代码,从而在此描述的方法可被存储在使用通用计算机、专用处理器或者可编程或专用硬件(诸如ASIC或FPGA)的记录介质上的这样的软件处理。可以理解,计算机、处理器、微处理器控制器或可编程硬件包括可存储或接收软件或计算机代码的存储组件(例如,RAM、ROM、闪存等),当所述软件或计算机代码被计算机、处理器或硬件访问且执行时,实现在此描述的推荐方法。此外,当通用计算机访问用于实现在此示出的推荐方法的代码时,代码的执行将通用计算机转换为用于执行在此示出的推荐方法的专用计算机。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及方法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明实施例的范围。
以上实施方式仅用于说明本发明实施例,而并非对本发明实施例的限制,有关技术领域的普通技术人员,在不脱离本发明实施例的精神和范围的情况下,还可以做出各种变化和变型,因此所有等同的技术方案也属于本发明实施例的范畴,本发明实施例的专利保护范围应由权利要求限定。
Claims (22)
1.一种推荐方法,其特征在于,包括:
根据用户历史行为数据对若干个候选推荐对象进行聚类,以得到与多个场景分别对应的多个聚类簇;
根据各个所述聚类簇对应的类目,确定各个所述聚类簇间的关联关系以建立所述候选推荐对象的场景图谱;
根据建立的场景图谱从所述候选推荐对象中确定推荐至目标用户的有效推荐对象;
所述根据各个所述聚类簇对应的类目,确定各个所述聚类簇间的关联关系以建立所述候选推荐对象的场景图谱包括:
根据与各个所述聚类簇中的所述候选推荐对象相对应的用户历史行为数据,确定各个所述聚类簇分别对应的偏好用户;
根据所述偏好用户对应的用户历史行为数据,以及各个所述聚类簇对应的类目,确定各个所述聚类簇间的关联关系,以建立所述候选推荐对象的场景图谱。
2.根据权利要求1所述的方法,其特征在于,所述根据用户历史行为数据对若干个候选推荐对象进行聚类,以得到与多个场景分别对应的多个聚类簇包括:
基于若干个所述候选推荐对象的属性、所属的类目,对所述候选推荐对象进行聚类,以得到多个候选实体;
根据所述用户历史行为数据对所述多个候选实体进行聚类,以得到与多个场景分别对应的多个聚类簇。
3.根据权利要求2所述的方法,其特征在于,所述根据所述用户历史行为数据对所述多个候选实体进行聚类,以得到与多个场景分别对应的多个聚类簇包括:
根据所述用户历史行为数据,确定所述多个候选实体之间的相似度;
根据所述相似度对所述多个候选实体进行聚类,以得到与多个场景分别对应的多个聚类簇。
4.根据权利要求3所述的方法,其特征在于,所述根据所述用户历史行为数据,确定所述多个候选实体之间的相似度包括:
根据所述用户历史行为数据,确定用户命中两个所述候选实体的间隔时间和/或间隔次数,其中,间隔时间小于预设时间阈值和/或间隔次数小于预设次数阈值的两个所述候选实体属于同一场景的概率值大于预设概率值;
至少根据所述间隔时间和/或间隔次数,确定所述两个候选实体之间的相似度。
5.根据权利要求4所述的方法,其特征在于,还包括:
确定各个所述候选实体对应的图嵌入向量;
对应地,所述至少根据所述间隔时间和/或间隔次数,确定所述两个候选实体之间的相似度,以确定所述多个候选实体之间的相似度包括:
根据所述两个候选实体对应的两个所述图嵌入向量间的距离,以及根据所述间隔时间和/或间隔次数,确定所述两个候选实体之间的相似度。
6.根据权利要求1所述的方法,其特征在于,还包括:
根据各个所述聚类簇中包括的所述候选推荐对象的适用场景标识,确定每个所述聚类簇对应的一类适用场景标识;
根据所述聚类簇对应的一类适用场景标识,确定与该聚类簇对应的场景文案。
7.根据权利要求6所述的方法,其特征在于,还包括:
将场景文案相同的所述聚类簇合并,以根据合并得到的聚类簇更新原聚类簇。
8.根据权利要求6所述的方法,其特征在于,还包括:利用文本生成模型优化所述聚类簇对应的所述场景文案。
9.根据权利要求1所述的方法,其特征在于,所述根据所述偏好用户对应的用户历史行为数据,以及各个所述聚类簇对应的类目,确定各个所述聚类簇间的关联关系,以建立所述候选推荐对象的场景图谱包括:
根据所述偏好用户对应的用户历史行为数据,确定类目关系数据;
根据所述类目关系数据以及各个所述聚类簇对应的类目,确定各个所述聚类簇间的关联关系,以建立所述候选推荐对象的场景图谱。
10.根据权利要求9所述的方法,其特征在于,所述类目关系数据包括:多个类目数据以及所述多个类目数据之间的关系数据,所述多个类目之间的关系数据包括以下至少之一:共现关系数据、偏序关系数据,所述共现关系数据用于指示共现次数大于阈值的多个类目之间存在的共现关系,所述偏序关系数据用于指示多个类目之间存在的有序关系。
11.一种推荐装置,其特征在于,包括:
聚类模块,用于根据用户历史行为数据对若干个候选推荐对象进行聚类,以得到与多个场景分别对应的多个聚类簇;
场景图谱建立模块,用于根据各个所述聚类簇对应的类目,确定各个所述聚类簇间的关联关系以建立所述候选推荐对象的场景图谱;
推荐模块,用于根据建立的场景图谱从所述候选推荐对象中确定推荐至目标用户的有效推荐对象;
所述场景图谱建立模块包括:
偏好用户确定模块,用于根据与各个所述聚类簇中的所述候选推荐对象相对应的用户历史行为数据,确定各个所述聚类簇分别对应的偏好用户;
关联关系确定模块,用于根据所述偏好用户对应的用户历史行为数据,以及各个所述聚类簇对应的类目,确定各个所述聚类簇间的关联关系,以建立所述候选推荐对象的场景图谱。
12.根据权利要求11所述的装置,其特征在于,所述聚类模块包括:
候选实体确定模块,用于基于若干个所述候选推荐对象的属性、所属的类目,对所述候选推荐对象进行聚类,以得到多个候选实体;
实体聚类模块,用于根据所述用户历史行为数据对所述多个候选实体进行聚类,以得到与多个场景分别对应的多个聚类簇。
13.根据权利要求12所述的装置,其特征在于,所述实体聚类模块包括:
实体相似度确定模块,用于根据所述用户历史行为数据,确定所述多个候选实体之间的相似度;
实体聚类子模块,用于根据所述相似度对所述多个候选实体进行聚类,以得到与多个场景分别对应的多个聚类簇。
14.根据权利要求13所述的装置,其特征在于,所述实体相似度确定模块包括:
间隔确定模块,用于根据所述用户历史行为数据,确定用户命中两个所述候选实体的间隔时间和/或间隔次数,其中,间隔时间小于预设时间阈值和/或间隔次数小于预设次数阈值的两个所述候选实体属于同一场景的概率值大于预设概率值;
实体相似度确定子模块,用于至少根据所述间隔时间和/或间隔次数,确定所述两个候选实体之间的相似度。
15.根据权利要求14所述的装置,其特征在于,还包括:
图嵌入向量确定模块,用于确定各个所述候选实体对应的图嵌入向量;
对应地,所述实体相似度确定子模块还用于根据所述两个候选实体对应的两个所述图嵌入向量间的距离,以及根据所述间隔时间和/或间隔次数,确定所述两个候选实体之间的相似度。
16.根据权利要求11所述的装置,其特征在于,还包括:
场景标识确定模块,用于根据各个所述聚类簇中包括的所述候选推荐对象的适用场景标识,确定每个所述聚类簇对应的一类适用场景标识;
场景文案确定模块,用于根据所述聚类簇对应的一类适用场景标识,确定与该聚类簇对应的场景文案。
17.根据权利要求16所述的装置,其特征在于,还包括:
聚类簇合并模块,用于将场景文案相同的所述聚类簇合并,以根据合并得到的聚类簇更新原聚类簇。
18.根据权利要求16所述的装置,其特征在于,还包括:场景文案优化模块,用于利用文本生成模型优化所述聚类簇对应的所述场景文案。
19.根据权利要求11所述的装置,其特征在于,所述关联关系确定模块包括:
类目关系确定模块,用于根据所述偏好用户对应的用户历史行为数据,确定类目关系数据;
关联关系确定子模块,用于根据所述类目关系数据以及各个所述聚类簇对应的类目,确定各个所述聚类簇间的关联关系,以建立所述候选推荐对象的场景图谱。
20.根据权利要求19所述的装置,其特征在于,所述类目关系数据包括:多个类目数据以及所述多个类目数据之间的关系数据,所述多个类目之间的关系数据包括以下至少之一:共现关系数据、偏序关系数据,所述共现关系数据用于指示共现次数大于阈值的多个类目之间存在的共现关系,所述偏序关系数据用于指示多个类目之间存在的有序关系。
21.一种终端设备,包括:处理器、存储器、通信接口和通信总线,所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信;
所述存储器用于存放至少一可执行指令,所述可执行指令使所述处理器执行如权利要求1-10任一项所述的推荐方法对应的操作。
22.一种计算机存储介质,其上存储有计算机程序,该程序被处理器执行时实现如权利要求1-10中任一项所述的推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910108650.0A CN111523010B (zh) | 2019-02-03 | 2019-02-03 | 推荐方法、装置、终端设备及计算机存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910108650.0A CN111523010B (zh) | 2019-02-03 | 2019-02-03 | 推荐方法、装置、终端设备及计算机存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111523010A CN111523010A (zh) | 2020-08-11 |
CN111523010B true CN111523010B (zh) | 2023-04-28 |
Family
ID=71910358
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910108650.0A Active CN111523010B (zh) | 2019-02-03 | 2019-02-03 | 推荐方法、装置、终端设备及计算机存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111523010B (zh) |
Families Citing this family (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112102029B (zh) * | 2020-08-20 | 2022-10-14 | 浙江大学 | 一种基于知识图谱的长尾推荐计算方法 |
CN113763084A (zh) * | 2020-09-21 | 2021-12-07 | 北京沃东天骏信息技术有限公司 | 产品推荐的处理方法、装置、设备及存储介质 |
CN112256834B (zh) * | 2020-10-28 | 2021-06-08 | 中国科学院声学研究所 | 一种基于内容及文献的海洋科学数据推荐系统 |
CN112215684B (zh) * | 2020-10-30 | 2023-07-14 | 腾讯科技(深圳)有限公司 | 一种目标可控制对象的聚类方法及装置 |
CN112364937B (zh) * | 2020-11-30 | 2021-12-14 | 腾讯科技(深圳)有限公司 | 用户类别确定方法及装置、推荐内容确定方法、电子设备 |
CN112880201B (zh) * | 2021-01-28 | 2022-03-18 | 珠海格力电器股份有限公司 | 热水器参数调节方法、装置、设备及存储介质 |
CN112819533A (zh) * | 2021-01-29 | 2021-05-18 | 深圳脉腾科技有限公司 | 信息推送方法、装置、电子设备及存储介质 |
CN113763110A (zh) * | 2021-02-08 | 2021-12-07 | 北京沃东天骏信息技术有限公司 | 一种物品推荐方法和装置 |
CN113360773B (zh) * | 2021-07-07 | 2023-07-04 | 脸萌有限公司 | 推荐方法、装置、存储介质及电子设备 |
CN113449195B (zh) * | 2021-07-15 | 2023-09-19 | 安徽商信政通信息技术股份有限公司 | 一种智能知识推送方法及系统 |
CN113610034B (zh) * | 2021-08-16 | 2024-04-30 | 脸萌有限公司 | 识别视频中人物实体的方法、装置、存储介质及电子设备 |
CN113674063B (zh) * | 2021-08-27 | 2024-01-12 | 卓尔智联(武汉)研究院有限公司 | 购物推荐方法、购物推荐装置、及电子设备 |
CN115061836B (zh) * | 2022-08-16 | 2022-11-08 | 浙江大学滨海产业技术研究院 | 一种接口层面的基于图嵌入算法的微服务拆分方法 |
CN115423569B (zh) * | 2022-09-23 | 2023-09-01 | 厦门淦启莱科技有限公司 | 一种基于大数据的推荐方法及基于大数据的推荐系统 |
CN115905691B (zh) * | 2022-11-11 | 2024-06-18 | 云南师范大学 | 一种基于深度强化学习的偏好感知推荐方法 |
CN115730084A (zh) * | 2022-11-22 | 2023-03-03 | 阿里巴巴(中国)有限公司 | 推荐数据的处理方法、推荐方法、电子设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108509479A (zh) * | 2017-12-13 | 2018-09-07 | 深圳市腾讯计算机系统有限公司 | 实体推荐方法及装置、终端及可读存储介质 |
CN108804419A (zh) * | 2018-05-22 | 2018-11-13 | 湖南大学 | 一种基于知识图谱的线下医药零售精准推荐技术 |
CN109033101A (zh) * | 2017-06-08 | 2018-12-18 | 华为软件技术有限公司 | 标签推荐方法及装置 |
CN109062994A (zh) * | 2018-07-04 | 2018-12-21 | 平安科技(深圳)有限公司 | 推荐方法、装置、计算机设备和存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012051583A1 (en) * | 2010-10-15 | 2012-04-19 | Ness Computing, Inc. | A computer system and method for analyzing data sets and providing personalized recommendations |
-
2019
- 2019-02-03 CN CN201910108650.0A patent/CN111523010B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109033101A (zh) * | 2017-06-08 | 2018-12-18 | 华为软件技术有限公司 | 标签推荐方法及装置 |
CN108509479A (zh) * | 2017-12-13 | 2018-09-07 | 深圳市腾讯计算机系统有限公司 | 实体推荐方法及装置、终端及可读存储介质 |
CN108804419A (zh) * | 2018-05-22 | 2018-11-13 | 湖南大学 | 一种基于知识图谱的线下医药零售精准推荐技术 |
CN109062994A (zh) * | 2018-07-04 | 2018-12-21 | 平安科技(深圳)有限公司 | 推荐方法、装置、计算机设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111523010A (zh) | 2020-08-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111523010B (zh) | 推荐方法、装置、终端设备及计算机存储介质 | |
US11216861B2 (en) | Color based social networking recommendations | |
US10186054B2 (en) | Automatic image-based recommendations using a color palette | |
US9542704B2 (en) | Automatic image-based recommendations using a color palette | |
US11392659B2 (en) | Utilizing machine learning models to generate experience driven search results based on digital canvas gesture inputs | |
US20150379006A1 (en) | Automatic image-based recommendations using a color palette | |
US20150379959A1 (en) | Automatic image-based recommendations using a color palette | |
US20150379001A1 (en) | Automatic color validation of image metadata | |
US20230214895A1 (en) | Methods and systems for product discovery in user generated content | |
CN110674407A (zh) | 基于图卷积神经网络的混合推荐方法 | |
CN107632984A (zh) | 一种聚类数据表的展现方法、装置和系统 | |
CN113781149B (zh) | 信息推荐方法、装置、计算机可读存储介质及电子设备 | |
EP3829376A1 (en) | Ensemble generation for retail marketing | |
CN108389113B (zh) | 一种协同过滤推荐方法和系统 | |
Li et al. | Multiple kernel-based multi-instance learning algorithm for image classification | |
Zhan et al. | DeepShoe: An improved Multi-Task View-invariant CNN for street-to-shop shoe retrieval | |
CN115982463A (zh) | 资源推荐方法、装置、设备及存储介质 | |
CN104123285A (zh) | 搜索结果的导航方法及装置 | |
CN112508114A (zh) | 一种智能服装推荐系统及方法 | |
Papso | Complementary product recommendation for long-tail products | |
Meng et al. | Model-driven collaboration and information integration for enhancing video semantic concept detection | |
US11410418B2 (en) | Methods and systems for tagged image generation | |
Bhoir et al. | Transfer learning with deep neural networks for image classification in the e-commerce industry | |
US11645693B1 (en) | Complementary consumer item selection | |
Kalra et al. | Computer vision based personalized clothing assistance system: A proposed model |
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 |