CN111582984A - 一种商品推荐方法、装置及计算设备 - Google Patents

Abstract

本发明是关于一种商品推荐方法、装置及计算设备。该方法首先根据用户实时偏好数据在商品库中选择当前用户实时偏好商品，根据商城用户历史偏好数据在商品库中选择商城历史用户偏好商品。然后，通过当前用户画像标签在所述当前用户实时偏好商品和所述商城历史用户偏好商品中选择针对当前用户的推荐商品，并生成推荐商品列表。最后，将所述推荐商品列表中的商品推荐给用户。本发明既考虑商城平台用户偏好又考虑用户实时偏好进行商品的推送，推送商品更全面且精准。

Description

一种商品推荐方法、装置及计算设备

技术领域

本发明涉及电商技术领域，尤其涉及一种商品推荐方法、装置及计算设备。

背景技术

现有的电商推荐技术中主要是两种类型的商品推荐，第一种是基于用户的协同过滤，根据所有用户对物品或者信息的偏好，发现与当前用户口味和偏好相似的用户群，然后基于这些用户的历史偏好，为当前用户进行推荐。第二种是基于物品的协同过滤，根据所有用户对物品或者信息的偏好，发现物品和物品之间的相似度，然后根据用户的历史偏好信息，将类似的物品推荐给当前用户。这两种方法的算法模型只能根据商城用户历史偏好信息作为训练数据，所推荐商品缺少多样性，且不够准确。

发明内容

为克服相关技术中存在的问题，本发明提供一种商品推荐方法、装置及计算设备，能根据商城平台用户偏好又考虑用户实时偏好进行商品的推送，推送商品更全面且精准。

根据本发明实施例的第一方面，提供一种商品推荐方法，包括：根据用户实时偏好数据在商品库中选择当前用户实时偏好商品；

根据商城用户历史偏好数据在商品库中选择商城历史用户偏好商品；

通过当前用户画像标签在所述当前用户实时偏好商品和所述商城历史用户偏好商品中选择针对当前用户的推荐商品，并生成推荐商品列表；

将所述推荐商品列表中的商品推荐给用户。

根据本发明实施例的第二方面，提供一种商品推荐装置，包括：

第一待推荐商品选择模块、第二待推荐商品选择模块、推荐商品列表生成模块和商品推荐模块；

第一待推荐商品选择模块，用于根据用户实时偏好数据在商品库中选择当前用户实时偏好商品；

第二待推荐商品选择模块，用于根据商城用户历史偏好数据在商品库中选择商城历史用户偏好商品；

推荐商品列表生成模块，用于通过当前用户画像标签在所述当前用户实时偏好商品和所述商城历史用户偏好商品中选择针对当前用户的推荐商品，并生成推荐商品列表；

商品推荐模块，用于将所述推荐商品列表中的商品推荐给用户。

根据本发明实施例的第三方面，提供一种计算设备，包括：

处理器；以及

存储器，其上存储有可执行代码，当所述可执行代码被所述处理器执行时，使所述处理器执行如上所述的方法。

本发明的实施例提供的技术方案可以包括以下有益效果：在进行用户商品推荐时考虑用户实时偏好因素，更贴近用户最近偏好；所以本发明在生成商品推荐列表时既根据商城平台用户偏好又考虑用户实时偏好，使得推送商品更全面且精准。

本发明的实施例提供的技术方案还可以包括以下有益效果：在生成商品推荐列表时既根据商城平台用户偏好又考虑用户实时偏好，进一步考虑当前热门商品因素。考虑当前热门商品因素，可以增加热门事件影响的商品的推荐，保证推荐商品与特殊事件的相结合的时效性。所以本发明在生成商品推荐列表时既根据商城平台用户偏好又考虑用户实时偏好和热门商品，使得推送商品更全面且精准。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。

附图说明

通过结合附图对本发明示例性实施方式进行更详细的描述，本发明的上述以及其它目的、特征和优势将变得更加明显，其中，在本发明示例性实施方式中，相同的参考标号通常代表相同部件。

图1是本发明根据一示例性实施例示出的一种商品推荐方法的流程图；

图2是本发明根据一示例性实施例示出的一种商品推荐方法的另一流程图；

图3是本发明根据一示例性实施例示出的一种商品推荐装置的示意图框图；

图4是本发明根据一示例性实施例示出的一种商品推荐装置的第二待推荐商品选择模块的示意框图；

图5是本发明根据一示例性实施例示出的一种计算设备的结构示意图。

具体实施方式

下面将参照附图更详细地描述本发明的优选实施方式。虽然附图中显示了本发明的优选实施方式，然而应该理解，可以以各种形式实现本发明而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了使本发明更加透彻和完整，并且能够将本发明的范围完整地传达给本领域的技术人员。

在本发明使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。

应当理解，尽管在本发明可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本发明范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。

本发明提供了一种商品推荐方法，既考虑商城平台用户偏好又考虑用户实时偏好进行商品的推送，推送商品更全面且精准。

图1是本发明根据一示例性实施例示出的一种商品推荐方法的流程图。

如图1所示，该方法可以包括以下步骤：

在S101中，根据用户实时偏好数据在商品库中选择当前用户实时偏好商品。

在S102中，根据商城用户历史偏好数据在商品库中选择商城历史用户偏好商品。

值得说明的是，本发明中S101和S102并没有先后顺序，可以同时进行也可以分先后顺序进行。

完成S102之后，进入S103，通过当前用户画像标签在所述当前用户实时偏好商品和所述商城历史用户偏好商品中选择针对当前用户的推荐商品，并生成推荐商品列表。

之后进入S104，将所述推荐商品列表中的商品推荐给用户。

由该实施例可见，本实施例首先根据用户实时偏好数据在商品库中选择当前用户实时偏好商品，根据商城用户历史偏好数据在商品库中选择商城历史用户偏好商品。然后，通过当前用户画像标签在所述当前用户实时偏好商品和所述商城历史用户偏好商品中选择针对当前用户的推荐商品，并生成推荐商品列表。最后，将所述推荐商品列表中的商品推荐给用户。本实施例既考虑商城平台用户偏好又考虑用户实时偏好进行商品的推送，推送商品更全面且精准。

图2是本发明根据一示例性实施例示出的一种商品推荐方法的另一流程图。

如图2所示，该方法可以包括以下步骤：

S201，在商城中埋点来获取用户实时偏好数据和实时热门商品数据。

在一个优选实施例中，用户在商城搜索引擎或推荐位，进行商品点击次数超过5次、商品详情页浏览深度80％、商品详情页浏览、加入购物车、收藏某个商品，但未下单。本步骤通过在商城埋点获取到这些用户实时行为，形成用户实时行为数据流，即本实施例的用户实时偏好数据。

完成S201之后，进入S202或者S203。S202，根据所述用户实时偏好数据在商品库中选择当前用户实时偏好商品。

S203，根据实时热门商品数据在商品库中选择实时热门商品。本步骤可以通过在商城埋点实时获取转化率和点击率高的商品，在优选实施例中使用转化率乘以点击率的结果高的商品。将这些商品的信息组合成热门商品列表，如：星巴克推出的猫爪杯这种热门商品。

需要说明的是，这里的S202和S203在实际执行过程中可以同时执行也可以有先后顺序执行，本实施例中并不做限定。

在开始执行S201时，可以进入S204，在商城历史数据库中获取商城用户历史偏好数据。值得说明的是本发明的S201和S204执行的先后并不做限定，可以同时执行也可以异步执行。

完成S204之后，在一个优选实施例中，进入S205或者S206。S205，基于商城用户历史偏好数据利用基于用户推荐的协同过滤方法在商品库中选择基于用户推荐的商品。

S206，基于商城用户历史偏好数据利用基于物品推荐的协同过滤方法在商品库中选择基于物品推荐的商品。

完成S202、S203、S205和S206之后，进入S207，通过当前用户画像标签在所述当前用户实时偏好商品、所述实时热门商品、所述基于用户推荐的商品和所述基于物品推荐的商品中选择针对当前用户的推荐商品，并生成推荐商品列表。

在一个优选实施例中，S207是通过当前用户画像标签与所述当前用户实时偏好商品的标签、所述实时热门商品的标签、所述基于用户推荐的商品的标签和所述基于物品推荐的商品的标签相匹配的方法进行商品的选择，得出针对当前用户的推荐商品列表。由于商品都有对应标签，比如性别、年龄段、人群分布、风格商品标签。根据用户画像标签，如性别、年龄段、人群分布、风格和商品对应的标签匹配，筛选出针对用户的推荐商品下发列表。

完成S207之后，进入S208，将所述推荐商品列表中的商品推荐给用户。在一个优选实施例中，S208是按照预设的不同项目推荐商品数目比例来选择商品列表中的商品推荐给用户。例如：每次下发10个推荐商品，其中，包括：协同过滤方法的基于用户推荐的商品3个、协同过滤方法的基于物品推荐的商品3个、实时热门商品2个、当前用户实时偏好商品2个。如果上述基于物品推荐的商品有重复，则在对应商品列表中取商品，如果实时取不到，则在协同过滤方法的基于用户推荐的商品取数做兜底。同时用户浏览历史会被记录，当天浏览过的商品，不会重复推荐展示给用户。

由该实施例可见，本发明根据用户实时偏好数据、实时热门商品数据和商城用户历史偏好数据分别在商品库中选择当前用户实时偏好商品、实时热门商品和商城历史用户偏好商品。然后，通过当前用户画像标签在所述当前用户实时偏好商品、所述实时热门商品和所述商城历史用户偏好商品中选择针对当前用户的推荐商品，并生成商品推荐列表。最后将所述推荐商品列表中的商品推荐给用户。本实施例在进行用户商品推荐时考虑用户实时偏好因素，更贴近用户最近偏好。考虑当前热门商品，可以增加热门事件影响的商品的推荐，保证推荐商品与特殊事件的相结合的时效性。所以本发明在生成商品推荐列表时既根据商城平台用户偏好又考虑用户实时偏好和热门商品，使得推送商品更全面且精准。

与前述应用功能实现方法实施例相对应，本发明还提供了一种商品推荐装置及相应的实施例。

图3是本发明根据一示例性实施例示出的一种商品推荐装置的示意图框图。

如图3所示，在一种商品推荐装置中可以包括：第一待推荐商品选择模块310、第二待推荐商品选择模块320、推荐商品列表生成模块330和商品推荐模块340。

第一待推荐商品选择模块310，用于根据用户实时偏好数据在商品库中选择当前用户实时偏好商品；

第二待推荐商品选择模块320，用于根据商城用户历史偏好数据在商品库中选择商城历史用户偏好商品。

推荐商品列表生成模块330，用于通过当前用户画像标签在所述当前用户实时偏好商品和所述商城历史用户偏好商品中选择针对当前用户的推荐商品，并生成推荐商品列表。

商品推荐模块340，用于将所述推荐商品列表中的商品推荐给用户。

在一个优选实施方式中，商品推荐模块340是按照预设的不同项目推荐商品数目比例来选择商品列表中的商品推荐给用户。例如：每次下发10个推荐商品，其中，包括：协同过滤方法的基于用户推荐的商品3个、协同过滤方法的基于物品推荐的商品3个、实时热门商品2个、当前用户实时偏好商品2个。如果上述推荐商品有重复，则对应商品列表中取商品，如果实时取不到，则在协同过滤方法的基于用户推荐的商品取数做兜底。同时用户浏览历史会被记录，当天浏览过的商品，不会重复推荐展示给用户。

在一个优选实施方式中，本装置还包括埋点模块350，用于在商城中埋点来获取所述实时热门商品数据和所述用户实时偏好数据。

具体的用户在商城搜索引擎或推荐位，进行商品点击次数超过5次、商品详情页浏览深度80％、商品详情页浏览、加入购物车、收藏某个商品，但未下单。通过埋点模块350在商城中埋点来获取到这些用户实时行为数据，形成将用户实时行为数据流，即本实施例的用户实时偏好数据。

在一个优选实施例中，本装置还包括商城数据获取模块360，用于在商城历史数据库中获取商城用户历史偏好数据。

图4是本发明根据一示例性实施例示出的一种商品推荐装置的第二待推荐商品选择模块的示意框图。

如图4所示，第二待推荐商品选择模块320，包括：实时偏好商品选择单元410、实时热门商品选择单元420、基于用户推荐的协同过滤单元430和基于物品推荐的协同过滤单元440。

实时偏好商品选择单元410，用于根据所述用户实时偏好数据在商品库中选择当前用户实时偏好商品。

实时热门商品选择单元420，用于根据实时热门商品数据在商品库中选择实时热门商品。实时热门商品选择单元420通过商城埋点数据实时获取转化率和点击率高的商品作为实时热门商品，在优选实施例中使用转化率乘以点击率的结果高的商品。如：星巴克推出的猫爪杯。

基于用户推荐的协同过滤单元430，用于基于商城用户历史偏好数据利用基于用户推荐的协同过滤方法在商品库中选择基于用户推荐的商品。

基于物品推荐的协同过滤单元440，用于基于商城用户历史偏好数据利用基于物品推荐的协同过滤方法在商品库中选择基于物品推荐的商品。

所述推荐商品列表生成模块330通过当前用户画像标签在所述当前用户实时偏好商品、所述实时热门商品、所述基于用户推荐的商品和所述基于物品推荐的商品中选择针对当前用户的推荐商品，并生成推荐列表。

具体的，推荐商品列表生成模块330通过当前用户画像标签与所述当前用户实时偏好商品的标签、所述实时热门商品的标签、所述基于用户推荐的商品的标签和所述基于物品推荐的商品的标签方法进行商品的选择，得出针对当前用户的推荐商品列表。即通过当前用户画像标签与所述当前用户实时偏好商品的标签、所述实时热门商品的标签、所述基于用户推荐的商品的标签和所述基于物品推荐的商品的标签方法进行商品的选择，得出针对当前用户的推荐商品列表。由于商品都有对应标签，比如性别、年龄段、人群分布、风格商品标签，根据用户画像标签，如性别、年龄段、人群分布、风格和商品的标签匹配，筛选出针对用户的推荐商品下发列表。

由该实施例可见，本发明根据用户实时偏好数据、实时热门商品数据和商城用户历史偏好数据分别在商品库中选择当前用户实时偏好商品、实时热门商品和商城历史用户偏好商品。然后，通过当前用户画像标签在所述当前用户实时偏好商品、所述实时热门商品和所述商城历史用户偏好商品中选择针对当前用户的推荐商品列表。最后将所述推荐商品列表中的商品推荐给用户。本实施例结合用户实时偏好商品，可以更贴近用户最近偏好；结合热门商品，可以增加因为热门事件影响的商品，更贴合事件时效性。所以本实施例既根据商城平台用户偏好又考虑用户实时偏好和热门商品生成的推送商品列表，使得推送商品更全面且精准。

图5是根据一示例性实施例示出的一种计算设备的结构示意图，该计算设备可用于实现上述商品推荐方法。

参见图5，计算设备500包括存储器510和处理器520。

处理器520可以是一个多核的处理器，也可以包含多个处理器。在一些实施例中，处理器520可以包含一个通用的主处理器以及一个或多个特殊的协处理器，例如图形处理器(GPU)、数字信号处理器(DSP)等等。在一些实施例中，处理器520可以使用定制的电路实现，例如特定用途集成电路(ASIC，Application Specific Integrated Circuit)或者现场可编程逻辑门阵列(FPGA，Field Programmable Gate Arrays)。

存储器510可以包括各种类型的存储单元，例如系统内存、只读存储器(ROM)，和永久存储装置。其中，ROM可以存储处理器520或者计算机的其他模块需要的静态数据或者指令。永久存储装置可以是可读写的存储装置。永久存储装置可以是即使计算机断电后也不会失去存储的指令和数据的非易失性存储设备。在一些实施方式中，永久性存储装置采用大容量存储装置(例如磁或光盘、闪存)作为永久存储装置。另外一些实施方式中，永久性存储装置可以是可移除的存储设备(例如软盘、光驱)。系统内存可以是可读写存储设备或者易失性可读写存储设备，例如动态随机访问内存。系统内存可以存储一些或者所有处理器在运行时需要的指令和数据。此外，存储器510可以包括任意计算机可读存储媒介的组合，包括各种类型的半导体存储芯片(DRAM，SRAM，SDRAM，闪存，可编程只读存储器)，磁盘和/或光盘也可以采用。在一些实施方式中，存储器510可以包括可读和/或写的可移除的存储设备，例如激光唱片(CD)、只读数字多功能光盘(例如DVD-ROM，双层DVD-ROM)、只读蓝光光盘、超密度光盘、闪存卡(例如SD卡、min SD卡、Micro-SD卡等等)、磁性软盘等等。计算机可读存储媒介不包含载波和通过无线或有线传输的瞬间电子信号。

存储器510上存储有可执行代码，当可执行代码被处理器520处理时，可以使处理器520执行上文述及的上述商品推荐方法。

上文中已经参考附图详细描述了根据本发明的上述方法。

关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

此外，根据本发明的方法还可以实现为一种计算机程序或计算机程序产品，该计算机程序或计算机程序产品包括用于执行本发明的上述方法中限定的上述各步骤的计算机程序代码指令。

或者，本发明还可以实施为一种非暂时性机器可读存储介质(或计算机可读存储介质、或机器可读存储介质)，其上存储有可执行代码(或计算机程序、或计算机指令代码)，当所述可执行代码(或计算机程序、或计算机指令代码)被电子设备(或计算设备、服务器等)的处理器执行时，使所述处理器执行根据本发明的上述方法的各个步骤。

本领域技术人员还将明白的是，结合这里的公开所描述的各种示例性逻辑块、模块、电路和算法步骤可以被实现为电子硬件、计算机软件或两者的组合。

附图中的流程图和框图显示了根据本发明的多个实施例的系统和方法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中，方框中所标记的功能也可以以不同于附图中所标记的顺序发生。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操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。

以上已经描述了本发明的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (10)

1.一种商品推荐方法，包括：

根据用户实时偏好数据在商品库中选择当前用户实时偏好商品；

根据商城用户历史偏好数据在商品库中选择商城历史用户偏好商品；

通过当前用户画像标签在所述当前用户实时偏好商品和所述商城历史用户偏好商品中选择针对当前用户的推荐商品，并生成推荐商品列表；

将所述推荐商品列表中的商品推荐给用户。

2.根据权利要求1所述的方法，还包括：

根据实时热门商品数据在商品库中选择实时热门商品；

其中，通过当前用户画像标签在所述当前用户实时偏好商品和所述商城历史用户偏好商品中选择针对当前用户的推荐商品，并生成推荐商品列表，包括：

通过当前用户画像标签在所述当前用户实时偏好商品、所述实时热门商品和所述商城历史用户偏好商品中选择针对当前用户的推荐商品，并生成推荐商品列表。

3.根据权利要求2所述的方法，还包括：

在商城中埋点来获取所述用户实时偏好数据和所述实时热门商品数据。

4.根据权利要求3所述的方法，其中，根据商城用户历史偏好数据在商品库中选择商城历史用户偏好商品，包括：

基于商城用户历史偏好数据利用基于用户推荐的协同过滤方法在商品库中选择基于用户推荐的商品；

基于商城用户历史偏好数据利用基于物品推荐的协同过滤方法在商品库中选择基于物品推荐的商品；

其中，通过当前用户画像标签在所述当前用户实时偏好商品、所述实时热门商品和所述商城历史用户偏好商品中选择针对当前用户的推荐商品，并生成推荐商品列表包括：

通过当前用户画像标签在所述当前用户实时偏好商品、所述实时热门商品、所述基于用户推荐的商品和所述基于物品推荐的商品中选择针对当前用户的推荐商品，并生成推荐商品列表。

5.根据权利要求4所述的方法，其中，通过当前用户画像标签在所述当前用户实时偏好商品、所述实时热门商品、所述基于用户推荐的商品和所述基于物品推荐的商品中选择针对当前用户的推荐商品，并生成推荐商品列表，包括：

通过当前用户画像标签与所述当前用户实时偏好商品的标签、所述实时热门商品的标签、所述基于用户推荐的商品的标签和所述基于物品推荐的商品的标签相匹配的方法进行商品的选择，得出针对当前用户的推荐商品，并生成推荐列表。

6.根据权利要求1-5任意一项所述的方法，其中，将所述推荐商品列表中的商品推荐给用户，包括：

按照预设的不同项目推荐商品数目比例来选择商品列表中的商品推荐给用户。

7.一种商品推荐装置，包括：第一待推荐商品选择模块、第二待推荐商品选择模块、推荐商品列表生成模块和商品推荐模块；

第一待推荐商品选择模块，用于根据用户实时偏好数据在商品库中选择当前用户实时偏好商品；

第二待推荐商品选择模块，用于根据商城用户历史偏好数据在商品库中选择商城历史用户偏好商品；

推荐商品列表生成模块，用于通过当前用户画像标签在所述当前用户实时偏好商品和所述商城历史用户偏好商品中选择针对当前用户的推荐商品，并生成推荐商品列表；

商品推荐模块，用于将所述推荐商品列表中的商品推荐给用户。

8.根据权利要求7所述的装置，还包括：

埋点模块，用于在商城中埋点来获取所述实时热门商品数据和所述用户实时偏好数据。

9.根据权利要求7所述的装置，其中，第二待推荐商品选择模块包括：

基于用户推荐的协同过滤单元，用于基于商城用户历史偏好数据利用基于用户推荐的协同过滤方法在商品库中选择基于用户推荐的商品；

基于物品推荐的协同过滤单元，用于基于商城用户历史偏好数据利用基于物品推荐的协同过滤方法在商品库中选择基于物品推荐的商品；

其中，推荐商品列表生成模块，用于通过当前用户画像标签在所述当前用户实时偏好商品、所述实时热门商品、所述基于用户推荐的商品和所述基于物品推荐的商品中选择针对当前用户的推荐商品，并生成推荐商品列表。

10.一种计算设备，包括：

处理器；以及

存储器，其上存储有可执行代码，当所述可执行代码被所述处理器执行时，使所述处理器执行如权利要求1-6中任何一项所述的方法。

Images