CN111639989A - 商品推荐方法和可读存储介质 - Google Patents

商品推荐方法和可读存储介质 Download PDF

Info

Publication number
CN111639989A
CN111639989A CN202010470337.4A CN202010470337A CN111639989A CN 111639989 A CN111639989 A CN 111639989A CN 202010470337 A CN202010470337 A CN 202010470337A CN 111639989 A CN111639989 A CN 111639989A
Authority
CN
China
Prior art keywords
commodity
value
training
target
attribute
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.)
Granted
Application number
CN202010470337.4A
Other languages
English (en)
Other versions
CN111639989B (zh
Inventor
方依
黄楷
陈羲
梁新敏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Second Picket Network Technology Co ltd
Original Assignee
Shanghai Fengzhi Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Fengzhi Technology Co ltd filed Critical Shanghai Fengzhi Technology Co ltd
Publication of CN111639989A publication Critical patent/CN111639989A/zh
Application granted granted Critical
Publication of CN111639989B publication Critical patent/CN111639989B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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

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)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请的实施例提供了一种商品推荐方法和可读存储介质，涉及电子商务技术领域，商品推荐方法包括：获取选择的商品及选择的商品的表征值；根据用户需求表征值与其他商品的商品表征值进行计算，得到商品推荐值；当商品推荐值超过预设推荐阈值时，将其他商品进行推荐，能够不过度参考用户行为数据的基础上可靠地进行商品推荐。

Description

商品推荐方法和可读存储介质
技术领域
本申请涉及电子商务技术领域，具体而言，涉及一种商品推荐方法和可读存储介质。
背景技术
随着电子商务行业的发展，线上商城的开设也越来越多。对于一些新开设的线上商城来说，由于没有一定数量的用户行为数据，且各个线上商城之间的数据又是隔离的，因此，在没有用户行为数据或者只有较少的用户行为数据的情况下进行的商品推荐并不是可靠的，无法保证用户会对推荐的商品感兴趣。
有鉴于此，如何提供一种不过度参考用户行为数据的基础上可靠地进行商品推荐的方案，是本领技术人员需要解决的。
发明内容
本申请实施了提供了一种商品推荐方法和可读存储介质。
本申请的实施例可以这样实现：
第一方面，本申请实施例提供一种商品推荐方法，应用于计算机设备，所述计算机设备存储有商家的多个商品和每个所述商品的商品表征值，所述方法包括：
响应目标用户的选择操作，获取选择商品及所述选择商品的选择商品表征值；
当所述计算机设备预先存储目标用户的历史操作记录时，则根据所述历史操作记录和所述选择商品表征值得到用户需求表征值；
根据所述用户需求表征值与其他商品的商品表征值进行内积计算，得到商品推荐值，所述其他商品为所述多个商品中除所述选择商品之外的任一商品；
当所述商品推荐值超过预设推荐阈值时，将所述其他商品进行推荐。
在可选的实施方式中，在所述当所述商品推荐值超过预设推荐阈值时，将所述商品推荐值对应的其他商品进行推荐的步骤之前，所述方法还包括：
当所述计算机设备未预先存储目标用户的历史操作记录时，则根据所述选择商品表征值与其他商品的商品表征值进行内积计算，得到所述商品推荐值。
在可选的实施方式中，所述计算机设备还存储有衰减系数表，所述历史操作记录包括历史选择商品表征值和历史操作时间；
所述根据所述历史操作记录和所述选择商品表征值得到用户需求表征值的步骤，包括：
根据所述历史操作时间从所述衰减系数表中确定目标衰减系数；
将所述目标衰减系数与所述历史选择商品表征值相乘得到目标历史选择商品表征值；
计算所述目标历史选择商品表征值和所述选择商品表征值的平均值；
将所述平均值作为所述用户需求表征值。
在可选的实施方式中，所述计算机设备还存储有每个所述商品的商品属性；
所述方法还包括计算每个所述商品的商品表征值的步骤，该步骤包括：
将每个所述商品的商品属性均转换为数值型商品属性特征；
将每个所述数值型商品属性特征均输入预先训练的推荐模型中，得到每个所述商品的商品表征值。
在可选的实施方式中，所述推荐模型是按照以下方式进行训练的：
获取初始训练样本，其中，所述初始训练样本包括每个训练商品的商品属性、以及每个训练商品对应的操作记录；
对所述每个训练商品对应的操作记录进行聚类，得到目标商品类别集合；
从所述目标商品类别集合中获取多个目标训练商品、每个所述目标训练商品的商品属性、以及每个所述目标训练商品对应的操作记录；
将每个所述目标训练商品的商品属性均转换为每个数值型属性特征；
将每个所述目标训练商品对应的操作记录通过网络嵌入计算得到每个目标训练商品的商品表征值；
将每个数值型属性特征作为输入、以及将每个目标训练商品的商品表征值作为输出，对预先构建的所述推荐模型进行训练，得到训练后的所述推荐模型。
在可选的实施方式中，所述将每个所述目标训练商品的商品属性均转换为每个数值型属性特征的步骤，包括：
判断所述目标训练商品的商品属性中是否包括文字相关属性；
若是，则将所述文字相关属性转换为数值型商品属性特征；
若否，则将所述目标训练商品的商品属性作为所述数值型商品属性特征。
在可选的实施方式中，所述对所述每个训练商品对应的操作记录进行聚类，得到目标商品类别集合的步骤，包括：
根据所述每个训练商品对应的操作记录，得到多个商品类别组；
获取每个所述商品类别组之间多个训练用户的重复率，每个所述训练用户至少对应一个训练商品对应的操作记录；
当存在所述重复率超过预设重复率阈值的多个目标商品类别组时，将所述多个目标商品类别组作为所述目标商品类别集合。
本申请实施例的有益效果包括，例如：采用本申请实施了提供的一种商品推荐方法、装置、计算机设备和可读存储介质，通过响应目标用户的选择操作，获取选择商品及所述选择商品的选择商品表征值；进而当所述计算机设备预先存储目标用户的历史操作记录时，则根据所述历史操作记录和所述选择商品表征值得到用户需求表征值；然后根据所述用户需求表征值与其他商品的商品表征值进行内积计算，得到商品推荐值，所述其他商品为所述多个商品中除所述选择商品之外的任一商品；最后当所述商品推荐值超过预设推荐阈值时，将所述其他商品进行推荐，能够可靠的为用户进行商品的推荐。
第二方面，本申请实施例提供一种商品推荐方法，应用于计算机设备，所述计算机设备存储有商家的多个出售商品，所述方法包括：
获取需求商品，所述需求商品为用户从所述多个出售商品中选择的任一商品；
获取每个所述出售商品的商品表征值，所述商品表征值用于在维度向量上表征所述出售商品；
从每个所述出售商品的商品表征值中，确定出需求商品表征值和待推荐商品表征值，其中，需求商品表征值为需求商品的商品表征值，待推荐商品表征值为多个所述商品表征值中除所述需求商品表征值之外的任一个目标商品表征值；
根据所述需求商品表征值和待推荐商品表征值，按照预设公式计算出商品推荐值；
当所述商品推荐值超过预设推荐阈值时，将所述待推荐商品表征值对应的出售商品进行推荐。
在可选的实施方式中，所述计算机设备还存储有每个所述出售商品的商品属性；
所述获取每个所述出售商品的商品表征值的步骤，包括：
获取每个所述出售商品的商品属性；
将每个所述出售商品的商品属性均转换为数值型商品属性特征；
将每个所述数值型商品属性特征均输入预先训练的推荐模型中，得到每个所述出售商品的商品表征值。
在可选的实施方式中，所述方法还包括训练所述推荐模型的步骤，该步骤包括：
获取初始训练样本，其中，所述训练样本包括每个训练商品的商品属性、以及每个训练商品对应的操作记录；
将每个所述商品属性均转换为每个数值型属性特征；
将每个训练商品对应的操作记录通过网络嵌入计算得到每个训练商品的商品表征值；
将每个数值型属性特征作为输入、以及将每个训练商品的商品表征值作为输出，对预先构建的所述推荐模型进行训练，得到训练后的所述推荐模型。
在可选的实施方式中，所述将每个所述商品属性均转换为每个数值型属性特征的步骤，包括：
判断所述出售商品的商品属性中是否包括文字相关属性；
若是，则将所述文字相关属性转换为数值型商品属性特征；
若否，则将所述出售商品的商品属性作为所述数值型商品属性特征。
在可选的实施方式中，所述根据所述需求商品表征值和待推荐商品表征值，按照预设公式：
K＝embeddinga·embeddingb
计算出商品推荐值，其中，K为所述商品推荐值，embeddinga为需求商品表征值，embeddingb为待推荐商品表征值。
第三方面，本申请实施例提供一种可读存储介质，所述可读存储介质包括计算机程序，所述计算机程序运行时控制所述可读存储介质所在计算机设备执行前述实施方式中任意一项所述的商品推荐方法。
本申请实施例的有益效果还包括，例如：采用本申请实施例提供的一种商品推荐方法，先获取需求商品；而后获取每个所述出售商品的商品表征值；再从每个所述出售商品的商品表征值中，确定出需求商品表征值和待推荐商品表征值；然后根据所述需求商品表征值和待推荐商品表征值，按照预设公式计算出商品推荐值；当所述商品推荐值超过预设推荐阈值时，将所述待推荐商品表征值对应的出售商品进行推荐，能够不参考用户行为数据进行商品推荐。
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他相关的附图。
图1为本申请第一实施例提供的一种商品推荐方法的步骤流程示意图；
图2为本申请第一实施例提供的另一种商品推荐方法的步骤流程示意图；
图3为本申请第一实施例提供的一种丰富用户行为数据示意图；
图4为本申请第一实施例提供的一种聚类操作示意图；
图5为本申请第一实施例提供的一种商品推荐装置的结构示意框图；
图6为本申请第一实施例提供的一种计算机设备的结构示意框图；
图7为本申请第二实施例提供的一种商品推荐方法的步骤流程示意图；
图8为本申请第二实施例提供的另一种商品推荐方法的步骤流程示意图；
图9为本申请第二实施例提供的另一种商品推荐方法的步骤流程示意图；
图10为本申请第二实施例提供的一种丰富用户行为数据示意图；
图11为本申请第二实施例提供的另一种商品推荐方法的步骤流程示意图；
图12为本申请第二实施例提供的另一种丰富用户行为数据示意图；
图13为本申请第二实施例提供的一种检测模型测试结果的示意图；
图14为本申请第二实施例提供的一种商品推荐装置的结构示意框图；
图15为本申请第二实施例提供的一种计算机设备的结构示意框图。
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。
需要说明的是，在不冲突的情况下，本申请的实施例中的特征可以相互结合。
第一实施例
随着电子商务的发展，线上商城的数量也随着增加，而新开设的线上商城，一般都没有用户行为数据，或者只拥有较少的用户行为数据，不能直接作为推荐商品的参考。不仅如此，各个线上商城之间的数据一般也是隔离的，无法直接获取使用。基于此，本申请实施例提供一种商品推荐方法，如图1所示，应用于计算机设备，计算机设备存储有商家的多个商品和每个商品的商品表征值，方法包括：
步骤201，响应目标用户的选择操作，获取选择商品及选择商品的选择商品表征值。
目标用户的选择操作，可以是指对商家正常出售的商品的购买、加入购物车、收藏、点击进入详情页面等操作，在此不做限定。例如，用户此时通过手机登录了该商家的线上商城，同时选中了一件“衣服A”加入购物车，“衣服A”即为选择商品。在本申请实施例中商品的商品表征值可以是item embedding(商品嵌入)。
步骤202，当计算机设备预先存储目标用户的历史操作记录时，则根据历史操作记录和选择商品表征值得到用户需求表征值。
目标用户的历史操作记录，可以是指目标用户在商家的线上商城中的购买记录。
步骤203，根据用户需求表征值与其他商品的商品表征值进行内积计算，得到商品推荐值。
其中，其他商品为多个商品中除选择商品之外的任一商品。在获取的了用户需求表征值与其他商品的商品表征值后，可以通过以下公式：
K＝embeddinguser·embeddingb
内积计算得到商品推荐值，其中，K为商品推荐值，embegdinguser为用户需求表征值，embeddingb为其他商品的商品表征值。
步骤204，当商品推荐值超过预设推荐阈值时，将其他商品进行推荐。
通过计算内积的方式得到的商品推荐值越大，则说明该其他商品与目标用户的选择商品越相似，越值得推荐，进行推荐后目标用户将推荐的其他商品一并购买的几率越大。应当理解的是，在由于数量有限没有其他商品的商品表征值和用户需求表征值内积计算后得到的商品推荐值超过预设推荐阈值时，为了能够尽可能的增加商家的利润，可以将计算得到的商品推荐值按照从大到小排列，然后取前预设数量的商品推荐值对应的其他商品进行推荐。
在上述基础上，在步骤204之前，本申请实施例还提供一种得到商品推荐值的示例，可以通过以下步骤实现。
当计算机设备未预先存储目标用户的历史操作记录时，则根据选择商品表征值与其他商品的商品表征值进行内积计算，得到商品推荐值。
应当理解的是，若目标用户是首次进入该商家的线上商城或者并没有存储目标用户的历史操作记录，那么可以直接通过公式：
K＝embeddinga·embeddingb
计算出商品推荐值，其中，K为所述商品推荐值，embeddinga为选择商品表征值，embeddingb为其他商品表征值。
在上述基础上，计算机设备还存储有衰减系数表，历史操作记录包括历史选择商品表征值和历史操作时间。本申请实施例还提供一种根据历史操作记录和选择商品表征值得到用户需求表征值的示例，如图2所示，可以通过以下步骤表示：
步骤202-1，根据历史操作时间从衰减系数表中确定目标衰减系数。
在本申请实施例中，可以认为目标用户对一个商品的兴趣度是随着时间的推移减少的，对于购买商品这件事，用户想要购买的兴趣仅在较短的时间内有效，即用户对最近刚刚购买的东西兴趣度较高，可以设置衰减系数表，具体的，可以设置“历史操作时间距离当前时间超过一天，衰减系数为0.1”、“历史操作时间距离当前时间超过半天不超过一天，衰减系数为0.3”、“历史操作时间距离当前时间超过六小时不超过半天，衰减系数为0.5”、“历史操作时间距离当前时间超过两小时不超过六小时，衰减系数为0.7”以及“历史操作时间距离当前时间不超过两小时，衰减系数为0.9”。如此，便可根据历史操作时间得到历史选择商品表征值的权重，以便能够更加精确地进行参考。应当理解的是，在本申请实施例中，每个衰减系数的大小以及每个衰减系数对应的历史操作时间可以由商家自行设置，在此不做限制。
步骤202-2，将目标衰减系数与历史选择商品表征值相乘得到目标历史选择商品表征值。
可以将得到的目标衰减系数与和其对应的历史选择商品表征值相乘得到目标历史选择商品表征值，即根据上述方式依照历史操作时间调整了历史选择商品表征值的权重。
步骤202-3，计算目标历史选择商品表征值和选择商品表征值的平均值。
步骤202-4，将平均值作为用户需求表征值。
在本申请实施例中，可以通过公式：
Figure BDA0002514051710000081
计算出用户需求表征值，其中，embeddingn为历史操作记录的第n次历史选择商品表征值，embeddinga为选择商品表征值，αn为历史操作记录的第n次历史选择商品表征值的衰减系数，embeddinguser为用户需求表征值。应当理解的是，在本申请实施例中，用户的历史操作记录中可以包括多个历史选择商品表征值(即目标用户在该商家的线上商店中购买过多次物品)，也可以只有一个历史选择商品表征值(即目标用户在该商家的线上商店中只购买过一次物品)，在本申请实施例中并不做限制。例如，目标用户只在商家的线上商铺中买过一次商品为裤子B，而此次目标用户的选择商品为衣服A，那么上述公式可以是：
Figure BDA0002514051710000091
在该种情况下，α1为裤子B购买时间(历史操作时间)对应的衰减系数，embedding1为裤子B的商品表征值。
除此之外，在本申请实施例中，衰减系数的形式还可以是h0,h1,h2,…,hk，其中，h取0到1的数，k为历史操作记录的第k次历史选择商品的序号，上述衰减系数可以存在衰减系数表中，也可以直接设定在公式中使用，故还可以通过公式：
Figure BDA0002514051710000092
应当理解的是，目标用户当前的选择商品表征值embeddinga具有最大的影响力，因此可以给其加上h0＝1作为系数，而目标用户的历史操作包括的历史选择商品表征值，根据其对应的历史操作时间，距离当前时间越近则可以拥有越大的衰减系数(例如距离当前时间最近历史选择商品表征值embeddingn的衰减系数为h1)，而距离当前时间越远的历史选择商品表征值参考价值较小，则设置较小的衰减系数来适当的抑制对计算结果的影响。应当理解的是，本申请实施例提供的两种衰减系数，都可以基于历史操作时间校正历史选择商品表征值的影响，进而能够获取一个较为准确的用户需求表征值。
通过上述操作，能够基于目标用户较少的行为数据为其进行准确地推荐。
在此基础上，计算机设备还存储有每个商品的商品属性。本申请实施例还提供一种计算每个商品的商品表征值的示例，可以通过以下步骤实现。
将每个商品的商品属性均转换为数值型商品属性特征。
在本申请实施例中，每个商品可以有商品的价格、商品种类名称、商品名称、商品重量、商品尺寸(长宽高)等信息。为了方便计算，可以将商品属性都转化为数值型商品属性特征，以方便后续的计算。
将每个数值型商品属性特征均输入预先训练的推荐模型中，得到每个商品的商品表征值。
预先训练的推荐模型可以是回归模型，可以将数值型商品属性特征对应的商品表征值作为输出。
在前述基础上，推荐模型可以按照以下方式进行训练。
获取初始训练样本，其中，初始训练样本包括每个训练商品的商品属性、以及每个训练商品对应的操作记录。初始训练样本可以来自具有丰富用户行为数据的线上商城，可以参照图3，可以构架graph(图标)，可以包括用户id(即user node)、商品id(item node)和商品种类id(category node)。可以根据商品种类id将有丰富用户行为数据的线上商城连接(即seller1、seller2和othersellers)。
对每个训练商品对应的操作记录进行聚类，得到目标商品类别集合。
可以以商品种类id为基准，进行聚类，可以得到目标商品类别集合，目标商品类别集合可以包括多个商品种类id以及涉及这些商品种类id的用户id以及商品id。
从目标商品类别集合中获取多个目标训练商品、每个目标训练商品的商品属性、以及每个目标训练商品对应的操作记录。
在得到目标商品类别集合后，可以将多个目标训练商品、每个目标训练商品的商品属性、以及每个目标训练商品对应的操作记录获取，构建新的graph。
将每个目标训练商品的商品属性均转换为每个数值型属性特征。
如前所述，商品属性可以包括商品的价格、商品种类名称、商品名称、商品重量、商品尺寸(长宽高)等信息，可以将他们均转换为数值型属性特征，可以构建156维度的数据。
将每个目标训练商品对应的操作记录通过网络嵌入计算得到每个目标训练商品的商品表征值。
在经过聚类操作，构建新的graph后，可以通过Deepwalk(网络嵌入)对新的garph进行graph embeding，便可以得到graph中每个节点的embedding结果，可以从中将每个训练商品的embedding结果(即每个训练商品的商品表征值)取出，设置的训练商品的embedding结果的维度可以是128维度。
将每个数值型属性特征作为输入、以及将每个目标训练商品的商品表征值作为输出，对预先构建的推荐模型进行训练，得到训练后的推荐模型。
可以利用上述数据进行建模，可以将每个数值型属性特征作为输入，将156维度的数据输入初始模型的第一层(输入层)，然后经过初始模型中的第二层(隐含层，32维度)，并加上激活函数(sigmoid)，然后将经过第二层处理过的数据输入第三层(隐含层，64维度)，并加上激活函数(sigmoid)，而第四层(输出层)输出的则可以是训练商品的embedding结果(128维度)。然后将利用上述过程进行梯度下降训练，可以使用Adam优化器(自适应矩估计优化器)，最终训练好的模型可以作为推荐模型。
在此基础上，本申请实施例还提供一种将每个目标训练商品的商品属性均转换为每个数值型属性特征的示例，可以通过以下步骤实现。
判断目标训练商品的商品属性中是否包括文字相关属性。
如前所述，商品属性可以分为文字相关属性和非文字相关属性，例如，前述商品种类名称和商品名称为文字相关属性，商品的价格、商品重量和商品尺寸(长宽高)为非文字相关属性。
若是，则将文字相关属性转换为数值型商品属性特征。
文字相关属性并不能直接参与计算，可以对商品种类名称和商品名称进行wordembedding(找到一个映射或者函数，生成在一个新的空间上的表达)，将文字相关属性转换为数值型商品属性特征，转换后的文字相关属性便可参与计算。
若否，则将目标训练商品的商品属性作为数值型商品属性特征。
商品的价格、商品重量和商品尺寸(长宽高)，本身就是数值型的数据，可以直接将非文字相关属性作为数值型商品属性特征。
在此基础上，本申请实施例提供一种对每个训练商品对应的操作记录进行聚类，得到目标商品类别集合的示例，可以通过以下步骤实现：
根据每个训练商品对应的操作记录，得到多个商品类别组。
在本申请实施例中，可以以商品种类id作为中心，构建多个簇(即商品类别组)，如图4所示，各个簇之间通过相同的训练用户进行联系。
获取每个商品类别组之间多个训练用户的重复率，每个训练用户至少对应一个训练商品对应的操作记录。
应当理解的是，同一个训练用户至少对一个训练商品有操作记录，前述簇的构成可以是以商品种类id为中心，然后是该商品种类id下包括的商品id，然后是对该商品id有着操作记录的用户id。
当存在重复率超过预设重复率阈值的多个目标商品类别组时，将多个目标商品类别组作为目标商品类别集合。
当两个簇之间的训练用户的重复率超过预设重复率阈值时，可以认为两个簇对应的商品种类id之间存在联系，例如，有商品种类id为手机，商品种类id为手机壳，商品种类id薯片。在进行聚类后，商品种类id为手机的簇和商品种类id为手机壳的簇之间的训练用户的重复率超过预设重复率阈值(即有超过预设数量的训练用户在购买手机的同时购买了手机壳)，可以将，商品种类id为手机的簇和商品种类id为手机壳的簇作为目标商品类别组，而商品种类id为薯片与商品种类id为手机的簇和商品种类id为手机壳的簇之间的训练用户的重复率较低，可以认为购买薯片和购买手机与手机壳之间不存在联系，因此，可以将商品种类id为手机的簇和商品种类id为手机壳的簇作为目标商品类别集合，同时为了方便后续绘制graph，可以主动将商品种类id为薯片与商品种类id为手机的簇和商品种类id为手机壳的簇之间的联系删除。
通过上述步骤，基于商品种类id进行初始训练样本的构造，能够构建精度更高的推荐模型，进而能够更加准确地为目标用户进行推荐，以此来尽可能多的提高商家的利润。
本申请实施例提供一种商品推荐装置110，应用于计算机设备，计算机设备存储有商家的多个商品和每个商品的商品表征值，如图5所示，该装置包括：
选择模块1101，用于响应目标用户的选择操作，获取选择商品及选择商品的选择商品表征值。
计算模块1102，用于当计算机设备预先存储目标用户的历史操作记录时，则根据历史操作记录和选择商品表征值得到用户需求表征值；根据用户需求表征值与其他商品的商品表征值进行内积计算，得到商品推荐值，其他商品为多个商品中除选择商品之外的任一商品。
推荐模块1103，用于当商品推荐值超过预设推荐阈值时，将其他商品进行推荐。
进一步地，计算模块1102还用于：
当所述计算机设备未预先存储目标用户的历史操作记录时，则根据所述选择商品表征值与其他商品的商品表征值进行内积计算，得到所述商品推荐值。
进一步地，所述计算机设备还存储有衰减系数表，所述历史操作记录包括历史选择商品表征值和历史操作时间。计算模块1102具体用于：
根据所述历史操作时间从所述衰减系数表中确定目标衰减系数；将所述目标衰减系数与所述历史选择商品表征值相乘得到目标历史选择商品表征值；计算所述目标历史选择商品表征值和所述选择商品表征值的平均值；将所述平均值作为所述用户需求表征值。
进一步地，所述计算机设备还存储有每个所述商品的商品属性。计算模块1102还用于：
将每个所述商品的商品属性均转换为数值型商品属性特征；将每个所述数值型商品属性特征均输入预先训练的推荐模型中，得到每个所述商品的商品表征值。
进一步地，该装置还包括训练模块1104，训练模块1104用于：
获取初始训练样本，其中，所述初始训练样本包括每个训练商品的商品属性、以及每个训练商品对应的操作记录；对所述每个训练商品对应的操作记录进行聚类，得到目标商品类别集合；从所述目标商品类别集合中获取多个目标训练商品、每个所述目标训练商品的商品属性、以及每个所述目标训练商品对应的操作记录；将每个所述目标训练商品的商品属性均转换为每个数值型属性特征；将每个所述目标训练商品对应的操作记录通过网络嵌入计算得到每个目标训练商品的商品表征值；将每个数值型属性特征作为输入、以及将每个目标训练商品的商品表征值作为输出，对预先构建的所述推荐模型进行训练，得到训练后的所述推荐模型。
进一步地，训练模块1104具体用于：
判断所述目标训练商品的商品属性中是否包括文字相关属性；若是，则将所述文字相关属性转换为数值型商品属性特征；若否，则将所述目标训练商品的商品属性作为所述数值型商品属性特征。
进一步地，训练模块1104具体还用于：
根据所述每个训练商品对应的操作记录，得到多个商品类别组；获取每个所述商品类别组之间多个训练用户的重复率，每个所述训练用户至少对应一个训练商品对应的操作记录；当存在所述重复率超过预设重复率阈值的多个目标商品类别组时，将所述多个目标商品类别组作为所述目标商品类别集合。
在本申请实施例中，商品推荐装置110的实现原理可以参考前述商品推荐方法的实现原理，在此不再赘述。
本申请实施例提供一种计算机设备100，计算机设备100包括处理器及存储有计算机指令的非易失性存储器，计算机指令被处理器执行时，计算机设备100执行前述的商品推荐方法。如图6所示，图6为本申请实施例提供的计算机设备100的结构框图。所述计算机设备100包括商品推荐装置110、存储器111、处理器112及通信单元113。
所述存储器111、处理器112以及通信单元113各元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，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。所述商品推荐装置110包括至少一个可以软件或固件(firmware)的形式存储于所述存储器111中或固化在所述计算机设备100的操作系统(operating system，OS)中的软件功能模块。所述处理器112用于执行所述存储器111中存储的可执行模块，例如所述商品推荐装置110所包括的软件功能模块及计算机程序等。
其中，所述存储器111可以是，但不限于，随机存取存储器(Random AccessMemory，RAM)，只读存储器(Read Only Memory，ROM)，可编程只读存储器(ProgrammableRead-Only Memory，PROM)，可擦除只读存储器(Erasable Programmable Read-OnlyMemory，EPROM)，电可擦除只读存储器(Electric Erasable Programmable Read-OnlyMemory，EEPROM)等。
本申请实施例提供一种可读存储介质，可读存储介质包括计算机程序，计算机程序运行时控制可读存储介质所在计算机设备执行前述的商品推荐方法。
综上所述，本申请实施例提供了一种商品推荐方法、装置、计算机设备和可读存储介质，通过响应目标用户的选择操作，获取选择商品及选择商品的选择商品表征值；进而当计算机设备预先存储目标用户的历史操作记录时，则根据历史操作记录和选择商品表征值得到用户需求表征值；然后根据用户需求表征值与其他商品的商品表征值进行内积计算，得到商品推荐值，其他商品为多个商品中除选择商品之外的任一商品；最后当商品推荐值超过预设推荐阈值时，将其他商品进行推荐，能够可靠的为用户进行商品的推荐，并能够在不参考自己的用户行为数据的情况下进行商品的推荐。
第二实施例
随着电子商务行业的发展，越来越多的商家开设了自己的线上商城，为了提高利润，为用户进行商品推荐是常用的销售策略。然而对于新开设的线上商城，一般只拥有较少的用户行为数据(即用户在该线上商城上的购买、浏览、点击、加入购物车、退换货等操作)，或者没有用户行为数据，而各个用户在不同的线商城中的账户信息又是相互隔离的，无法直接进行参考。基于此，本申请实施例提供了另一种商品推荐方法，应用于计算机设备，计算机设备存储有商家的多个出售商品，如图7所示，商品推荐方法包括步骤301至步骤305。
步骤301，获取需求商品。
其中，需求商品为用户从多个出售商品中选择的任一商品。用户从多个出售商品中选择出需求商品可以是指对出售商品中任一商品的购买、添加至购物车、添加至收藏或者反复查看等操作，在本申请实施例中不做限制。
步骤302，获取每个出售商品的商品表征值。
其中，商品表征值用于在维度向量上表征出售商品。商品表征值可以是itemembedding(商品嵌入)。
步骤303，从每个出售商品的商品表征值中，确定出需求商品表征值和待推荐商品表征值。
其中，需求商品表征值为需求商品的商品表征值，待推荐商品表征值为多个商品表征值中除需求商品表征值之外的任一个目标商品表征值。在本申请实施例中，多个商品表征值可以是预先计算好的。
步骤304，根据需求商品表征值和待推荐商品表征值，按照预设公式计算出商品推荐值。
需求商品表征值和待推荐商品表征值计算商品推荐值，可以理解为根据需求商品表征值和待推荐商品表征值从多个出售商品中寻找越可能在选择的需求商品后同时选择的商品。
步骤305，当商品推荐值超过预设推荐阈值时，将待推荐商品表征值对应的出售商品进行推荐。
需求商品表征值和待推荐商品表征值都是具体的向量，其计算结果也为数值，因此可以根据商品推荐值的大小来确定对应的商品是否会被推荐，商品推荐值越大的商品越值得被推荐。应当理解的是，除了根据预设推荐阈值来筛选推荐哪些商品时，当符合需求的出售商品数量较少时(例如0个或者1个)，可以按照各个待推荐商品表征值与需求商品表征值计算出的商品推荐值由大到小排序，取前预设数量的待推荐商品表征值对应的出售商品对用户进行推荐，以达到尽可能提高利润的目的。
在上述基础上，计算机设备还存储有每个出售商品的商品属性。本申请实施例还提供一种获取每个出售商品的商品表征值的示例，可以通过以下步骤实现，如图8所示。
步骤302-1，获取每个出售商品的商品属性。
出售商品的商品属性可以是指商品的价格、商品种类名称、商品名称、商品重量、商品尺寸(长宽高)等信息。
步骤302-2，将每个出售商品的商品属性均转换为数值型商品属性特征。
为了方便计算，可以将商品属性都转化为数值型商品属性特征，以方便后续的计算。
步骤302-3，将每个数值型商品属性特征均输入预先训练的推荐模型中，得到每个出售商品的商品表征值。
预先训练的推荐模型可以是回归模型，可以将数值型商品属性特征对应的商品表征值作为输出。
在上述基础上，本申请实施例还提供一种训练推荐模型的示例，可以通过以下步骤实现，请参照图9。
步骤401，获取初始训练样本。
其中，训练样本包括每个训练商品的商品属性、以及每个训练商品对应的操作记录。初始训练样本可以来自具有丰富用户行为数据的线上商城，可以参照图10，可以构架graph(图标)，其中可以包括用户id、商品id、商品种类id，以及每个用户id对商品id的操作行为。
步骤402，将每个商品属性均转换为每个数值型属性特征。
如前所述，商品属性可以包括商品的价格、商品种类名称、商品名称、商品重量、商品尺寸(长宽高)等信息，可以将他们均转换为数值型属性特征，可以构建156维度的数据。
步骤403，将每个训练商品对应的操作记录通过网络嵌入计算得到每个训练商品的商品表征值。
在获取了构建的graph后，可以通过Deepwalk(网络嵌入)对garph进行graphembeding，便可以得到graph中每个节点的embedding结果，可以从中将每个训练商品的embedding结果(即每个训练商品的商品表征值)取出，设置的训练商品的embedding结果的维度可以是128维度。
步骤404，将每个数值型属性特征作为输入、以及将每个训练商品的商品表征值作为输出，对预先构建的推荐模型进行训练，得到训练后的推荐模型。
可以利用上述数据进行建模，可以将每个数值型属性特征作为输入，将156维度的数据输入初始模型的第一层(输入层)，然后经过初始模型中的第二层(隐含层，32维度)，并加上激活函数(sigmoid)，然后将经过第二层处理过的数据输入第三层(隐含层，64维度)，并加上激活函数(sigmoid)，而第四层(输出层)输出的则可以是训练商品的embedding结果(128维度)。然后将利用上述过程进行梯度下降训练，可以使用Adam优化器(自适应矩估计优化器)，最终训练好的模型可以作为推荐模型。
在前述基础上，本申请实施例提供一种将每个商品属性均转换为每个数值型属性特征的示例，可以通过以下步骤实现，如图11所示。
步骤402-1，判断出售商品的商品属性中是否包括文字相关属性。
如前所述，商品属性可以分为文字相关属性和非文字相关属性，例如，前述商品种类名称和商品名称为文字相关属性，商品的价格、商品重量和商品尺寸(长宽高)为非文字相关属性。
若是，则执行步骤402-2。
步骤402-2，将文字相关属性转换为数值型商品属性特征。
文字相关属性并不能直接参与计算，可以对商品种类名称和商品名称进行wordembedding(找到一个映射或者函数，生成在一个新的空间上的表达)，将文字相关属性转换为数值型商品属性特征，转换后的文字相关属性便可参与计算。
若否，则执行步骤402-3。
步骤402-3，将出售商品的商品属性作为数值型商品属性特征。
商品的价格、商品重量和商品尺寸(长宽高)，本身就是数值型的数据，可以直接将非文字相关属性作为数值型商品属性特征。
在前述基础上，根据需求商品表征值和待推荐商品表征值，按照预设公式：
K＝embeddinga·embeddingb
计算出商品推荐值，其中，K为商品推荐值，embeddinga为需求商品表征值，embeddingb为待推荐商品表征值。
在获取了需求商品表征值和待推荐商品表征值后，可以通过预设公式计算商品推荐值，例如，可以根据上述内积公式计算商品推荐值K，计算得到的K越大，则可以认为参与计算的需求商品表征值embeddinga对应的需求商品和待推荐商品表征值embeddingb对应的待推荐商品具备较高的相似度，即用户在对需求商品进行操作时，很可能对待推荐商品也进行相同的操作。例如，用户将手机(即需求商品)加入购物车后，根据手机的需求商品表征值与其他每个商品的待推荐商品表征值计算得出商品推荐值，其中，手机壳(即待推荐商品)的待推荐商品表征值与手机的需求商品表征值计算得到的商品推荐值较大，可以在用户将手机加入购物车后，为用户推荐手机壳，推荐位置可以是在购物车所在页面，也可以是在支付结算页面。在本申请是其他实施例中，也可以通过其他方式计算得到商品推荐值，例如根据需求商品表征值和待推荐商品表征值通过余弦相似度公式计算得到商品推荐值。
除了上述步骤，本申请实施例还提供了一种验证本申请实施例提供的商品推荐方法的可行性的示例。
如图12所示，可以获取具有丰富用户行为数据的商家A(seller 0)和具有丰富用户行为数据的商家B(seller 1)，两个商家主要出售的物品的种类(即category)相同，可以构建graph，采用category node来维护两个具有丰富用户行为数据的商家，构建的graph包括user node(用户id)和item node(商品id)，同样可以采用DeepWalk的方法进行graphembedding，得到图12中各个节点的embedding结果，从中获取所有商品(即item node)的embedding结果，设置embedding的大小为128维度。
接着可以如前所述，将丰富用户行为数据的商家A中商品的商品属性获取，将其中文字相关属性转化为数值型商品属性特征，可以与其他非文字相关属性一起作为商家A的输入数据，大小可以是156维度。而后进行建模，可以将商家A的156维度输入数据在初始模型的第一层(输入层)作为输入，然后将数据从第一层输入第二层(隐含层，32维度)，并加上激活函数(sigmoid)，而后将在处理后的数据从第二层输入第三层(隐含层，64维度)，在第四层(输出层，128维度)输出根据商家A的数据得到的预测embedding结果，可以重复上述步骤，以梯度下降进行训练，优化器可以选择Adam，最终获取一个准确的预测embedding结果。可以参考图13，比对预测embedding结果和前述采用DeepWalk的方法进行graphembedding，得到的商家B的各个商品的embedding结果。具体的，以loss<＝0.1为例，对每一条数据，当loss<＝0.1时，其正确分类的个数加1，最终使用正确分类的个数除以总的个数，即得到准确率。且，根据图1所示，DeepWalk能求出seller 0(商家A)与seller 1(商家B)的itemembedding。这是为了将seller 0与seller 1的itemembedding结果放入同一个计算空间去比对。再对seller 0建模，seller 1验证。同理，我们需要对0，2进行同样的步骤(画图、计算embedding、建模验证)；0，3；0，4；0，5同理。此结果表明，使用本申请实施例提供的商品推荐方法，具有可行性，能够将embedding的结果尽量的区分到损失0.2之内。
本申请实施例提供一种商品推荐装置110，应用于计算机设备，计算机设备存储有商家的多个出售商品，请参考图14，商品推荐装置210包括：
获取模块2101，用于获取需求商品，需求商品为用户从多个出售商品中选择的任一商品；获取每个出售商品的商品表征值，商品表征值用于在维度向量上表征出售商品。
确定模块2102，用于从每个出售商品的商品表征值中，确定出需求商品表征值和待推荐商品表征值，其中，需求商品表征值为需求商品的商品表征值，待推荐商品表征值为多个商品表征值中除需求商品表征值之外的任一个目标商品表征值。
计算模块2103，用于根据需求商品表征值和待推荐商品表征值，按照预设公式计算出商品推荐值。
推荐模块2104，用于当商品推荐值超过预设推荐阈值时，将待推荐商品表征值对应的出售商品进行推荐。
进一步地，计算机设备还存储有每个出售商品的商品属性。获取模块2101具体用于：
获取每个出售商品的商品属性；将每个出售商品的商品属性均转换为数值型商品属性特征；将每个数值型商品属性特征均输入预先训练的推荐模型中，得到每个出售商品的商品表征值。
进一步地，所述装置还包括训练模块2105，所述训练模块2105用于：
获取初始训练样本，其中，所述训练样本包括每个训练商品的商品属性、以及每个训练商品对应的操作记录；将每个所述商品属性均转换为每个数值型属性特征；将每个训练商品对应的操作记录通过网络嵌入计算得到每个训练商品的商品表征值；将每个数值型属性特征作为输入、以及将每个训练商品的商品表征值作为输出，对预先构建的所述推荐模型进行训练，得到训练后的所述推荐模型。
在本申请实施例中，商品推荐装置210的各个模块的具体实现原理可以参考前述商品推荐方法的实现原理。
本申请实施例提供一种计算机设备100，计算机设备100包括处理器及存储有计算机指令的非易失性存储器，计算机指令被处理器执行时，计算机设备100执行前述的商品推荐方法。如图15所示，图15为本申请实施例提供的计算机设备100的结构框图。所述计算机设备100包括商品推荐装置210、存储器111、处理器112及通信单元113。
所述存储器111、处理器112以及通信单元113各元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，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。所述商品推荐装置210包括至少一个可以软件或固件(firmware)的形式存储于所述存储器111中或固化在所述计算机设备100的操作系统(operating system，OS)中的软件功能模块。所述处理器112用于执行所述存储器111中存储的可执行模块，例如所述商品推荐装置210所包括的软件功能模块及计算机程序等。
其中，所述存储器111可以是，但不限于，随机存取存储器(Random AccessMemory，RAM)，只读存储器(Read Only Memory，ROM)，可编程只读存储器(ProgrammableRead-Only Memory，PROM)，可擦除只读存储器(Erasable Programmable Read-OnlyMemory，EPROM)，电可擦除只读存储器(Electric Erasable Programmable Read-OnlyMemory，EEPROM)等。
本申请实施例提供一种可读存储介质，可读存储介质包括计算机程序，计算机程序运行时控制可读存储介质所在计算机设备执行前述的商品推荐方法。
综上所述，本申请实施例提供了一种商品推荐方法、装置、计算机设备和可读存储介质，能够在不参考自己的用户行为数据的情况下进行商品的推荐，实现了新上线的线上商城的无数据推荐。
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，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

Claims (13)

1.一种商品推荐方法，其特征在于，应用于计算机设备，所述计算机设备存储有商家的多个商品和每个所述商品的商品表征值，所述方法包括：
响应目标用户的选择操作，获取选择商品及所述选择商品的选择商品表征值；
当所述计算机设备预先存储目标用户的历史操作记录时，则根据所述历史操作记录和所述选择商品表征值得到用户需求表征值；
根据所述用户需求表征值与其他商品的商品表征值进行内积计算，得到商品推荐值，所述其他商品为所述多个商品中除所述选择商品之外的任一商品；
当所述商品推荐值超过预设推荐阈值时，将所述其他商品进行推荐。
2.根据权利要求1所述的方法，其特征在于，在所述当所述商品推荐值超过预设推荐阈值时，将所述商品推荐值对应的其他商品进行推荐的步骤之前，所述方法还包括：
当所述计算机设备未预先存储目标用户的历史操作记录时，则根据所述选择商品表征值与其他商品的商品表征值进行内积计算，得到所述商品推荐值。
3.根据权利要求1所述的方法，其特征在于，所述计算机设备还存储有衰减系数表，所述历史操作记录包括历史选择商品表征值和历史操作时间；
所述根据所述历史操作记录和所述选择商品表征值得到用户需求表征值的步骤，包括：
根据所述历史操作时间从所述衰减系数表中确定目标衰减系数；
将所述目标衰减系数与所述历史选择商品表征值相乘得到目标历史选择商品表征值；
计算所述目标历史选择商品表征值和所述选择商品表征值的平均值；
将所述平均值作为所述用户需求表征值。
4.根据权利要求1所述的方法，其特征在于，所述计算机设备还存储有每个所述商品的商品属性；
所述方法还包括计算每个所述商品的商品表征值的步骤，该步骤包括：
将每个所述商品的商品属性均转换为数值型商品属性特征；
将每个所述数值型商品属性特征均输入预先训练的推荐模型中，得到每个所述商品的商品表征值。
5.根据权利要求4所述的方法，其特征在于，所述推荐模型是按照以下方式进行训练的：
获取初始训练样本，其中，所述初始训练样本包括每个训练商品的商品属性、以及每个训练商品对应的操作记录；
对所述每个训练商品对应的操作记录进行聚类，得到目标商品类别集合；
从所述目标商品类别集合中获取多个目标训练商品、每个所述目标训练商品的商品属性、以及每个所述目标训练商品对应的操作记录；
将每个所述目标训练商品的商品属性均转换为每个数值型属性特征；
将每个所述目标训练商品对应的操作记录通过网络嵌入计算得到每个目标训练商品的商品表征值；
将每个数值型属性特征作为输入、以及将每个目标训练商品的商品表征值作为输出，对预先构建的所述推荐模型进行训练，得到训练后的所述推荐模型。
6.根据权利要求5所述的方法，其特征在于，所述将每个所述目标训练商品的商品属性均转换为每个数值型属性特征的步骤，包括：
判断所述目标训练商品的商品属性中是否包括文字相关属性；
若是，则将所述文字相关属性转换为数值型商品属性特征；
若否，则将所述目标训练商品的商品属性作为所述数值型商品属性特征。
7.根据权利要求5所述的方法，其特征在于，所述对所述每个训练商品对应的操作记录进行聚类，得到目标商品类别集合的步骤，包括：
根据所述每个训练商品对应的操作记录，得到多个商品类别组；
获取每个所述商品类别组之间多个训练用户的重复率，每个所述训练用户至少对应一个训练商品对应的操作记录；
当存在所述重复率超过预设重复率阈值的多个目标商品类别组时，将所述多个目标商品类别组作为所述目标商品类别集合。
8.一种商品推荐方法，其特征在于，应用于计算机设备，所述计算机设备存储有商家的多个出售商品，所述方法包括：
获取需求商品，所述需求商品为用户从所述多个出售商品中选择的任一商品；
获取每个所述出售商品的商品表征值，所述商品表征值用于在维度向量上表征所述出售商品；
从每个所述出售商品的商品表征值中，确定出需求商品表征值和待推荐商品表征值，其中，需求商品表征值为需求商品的商品表征值，待推荐商品表征值为多个所述商品表征值中除所述需求商品表征值之外的任一个目标商品表征值；
根据所述需求商品表征值和待推荐商品表征值，按照预设公式计算出商品推荐值；
当所述商品推荐值超过预设推荐阈值时，将所述待推荐商品表征值对应的出售商品进行推荐。
9.根据权利要求8所述的方法，其特征在于，所述计算机设备还存储有每个所述出售商品的商品属性；
所述获取每个所述出售商品的商品表征值的步骤，包括：
获取每个所述出售商品的商品属性；
将每个所述出售商品的商品属性均转换为数值型商品属性特征；
将每个所述数值型商品属性特征均输入预先训练的推荐模型中，得到每个所述出售商品的商品表征值。
10.根据权利要求9所述的方法，其特征在于，所述方法还包括训练所述推荐模型的步骤，该步骤包括：
获取初始训练样本，其中，所述训练样本包括每个训练商品的商品属性、以及每个训练商品对应的操作记录；
将每个所述商品属性均转换为每个数值型属性特征；
将每个训练商品对应的操作记录通过网络嵌入计算得到每个训练商品的商品表征值；
将每个数值型属性特征作为输入、以及将每个训练商品的商品表征值作为输出，对预先构建的所述推荐模型进行训练，得到训练后的所述推荐模型。
11.根据权利要求10所述的方法，其特征在于，所述将每个所述商品属性均转换为每个数值型属性特征的步骤，包括：
判断所述出售商品的商品属性中是否包括文字相关属性；
若是，则将所述文字相关属性转换为数值型商品属性特征；
若否，则将所述出售商品的商品属性作为所述数值型商品属性特征。
12.根据权利要求8所述的方法，其特征在于，所述根据所述需求商品表征值和待推荐商品表征值，按照预设公式：
K＝embeddinga·embeddingb
计算出商品推荐值，其中，K为所述商品推荐值，embeddinga为需求商品表征值，embeddingb为待推荐商品表征值。
13.一种可读存储介质，其特征在于，所述可读存储介质包括计算机程序，所述计算机程序运行时控制所述可读存储介质所在计算机设备执行权利要求1-12中任意一项所述的商品推荐方法。
CN202010470337.4A 2020-04-28 2020-05-28 商品推荐方法和可读存储介质 Active CN111639989B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202010347673X 2020-04-28
CN202010347673 2020-04-28

Publications (2)

Publication Number Publication Date
CN111639989A true CN111639989A (zh) 2020-09-08
CN111639989B CN111639989B (zh) 2024-02-02

Family

ID=72333306

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010470337.4A Active CN111639989B (zh) 2020-04-28 2020-05-28 商品推荐方法和可读存储介质

Country Status (1)

Country Link
CN (1) CN111639989B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022126901A1 (zh) * 2020-12-18 2022-06-23 平安科技（深圳）有限公司 一种商品推荐方法及其相关设备

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105589905A (zh) * 2014-12-26 2016-05-18 中国银联股份有限公司 用户兴趣数据分析和收集系统及其方法
CN107437203A (zh) * 2017-08-07 2017-12-05 北京京东尚科信息技术有限公司 信息推送方法、装置、电子装置及计算机可读介质
CN108629665A (zh) * 2018-05-08 2018-10-09 北京邮电大学 一种个性化商品推荐方法和系统
CN108876537A (zh) * 2018-06-15 2018-11-23 重庆知遨科技有限公司 一种用于网上商场系统的混合推荐方法
CN109509054A (zh) * 2018-09-30 2019-03-22 平安科技（深圳）有限公司 海量数据下商品推荐方法、电子装置及存储介质
CN110298725A (zh) * 2019-05-24 2019-10-01 北京三快在线科技有限公司 商品组合的推荐方法、装置、电子设备及可读存储介质
CN110415091A (zh) * 2019-08-06 2019-11-05 重庆仙桃前沿消费行为大数据有限公司 商店及商品推荐方法、装置、设备及可读存储介质
CN110795634A (zh) * 2019-10-31 2020-02-14 秒针信息技术有限公司 商品推荐方法、装置、计算机设备和可读存储介质
CN110827112A (zh) * 2019-09-16 2020-02-21 中国平安人寿保险股份有限公司 深度学习的商品推荐方法、装置、计算机设备及存储介质
CN110930214A (zh) * 2019-10-09 2020-03-27 利辛县风雅颂机电科技有限公司 一种用于满减活动的商品排序方法
CN111028060A (zh) * 2019-12-11 2020-04-17 上海风秩科技有限公司 商品推荐方法、装置、计算机设备和可读存储介质

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105589905A (zh) * 2014-12-26 2016-05-18 中国银联股份有限公司 用户兴趣数据分析和收集系统及其方法
CN107437203A (zh) * 2017-08-07 2017-12-05 北京京东尚科信息技术有限公司 信息推送方法、装置、电子装置及计算机可读介质
CN108629665A (zh) * 2018-05-08 2018-10-09 北京邮电大学 一种个性化商品推荐方法和系统
CN108876537A (zh) * 2018-06-15 2018-11-23 重庆知遨科技有限公司 一种用于网上商场系统的混合推荐方法
CN109509054A (zh) * 2018-09-30 2019-03-22 平安科技（深圳）有限公司 海量数据下商品推荐方法、电子装置及存储介质
CN110298725A (zh) * 2019-05-24 2019-10-01 北京三快在线科技有限公司 商品组合的推荐方法、装置、电子设备及可读存储介质
CN110415091A (zh) * 2019-08-06 2019-11-05 重庆仙桃前沿消费行为大数据有限公司 商店及商品推荐方法、装置、设备及可读存储介质
CN110827112A (zh) * 2019-09-16 2020-02-21 中国平安人寿保险股份有限公司 深度学习的商品推荐方法、装置、计算机设备及存储介质
CN110930214A (zh) * 2019-10-09 2020-03-27 利辛县风雅颂机电科技有限公司 一种用于满减活动的商品排序方法
CN110795634A (zh) * 2019-10-31 2020-02-14 秒针信息技术有限公司 商品推荐方法、装置、计算机设备和可读存储介质
CN111028060A (zh) * 2019-12-11 2020-04-17 上海风秩科技有限公司 商品推荐方法、装置、计算机设备和可读存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022126901A1 (zh) * 2020-12-18 2022-06-23 平安科技（深圳）有限公司 一种商品推荐方法及其相关设备

Also Published As

Publication number Publication date
CN111639989B (zh) 2024-02-02

Similar Documents

Publication Publication Date Title
JP6134444B2 (ja) 情報を推薦するための方法およびシステム
CN111523976A (zh) 商品推荐方法、装置、电子设备及存储介质
CN108960992A (zh) 一种信息推荐方法以及相关设备
TW201520790A (zh) 個性化資料搜尋方法和裝置
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
CN113191838B (zh) 一种基于异质图神经网络的购物推荐方法及系统
CN109493113A (zh) 一种优惠信息的提供方法以及装置
US11200593B2 (en) Predictive recommendation system using tiered feature data
US11810151B2 (en) Predictive recommendation system using tiered feature data
CN113689259A (zh) 基于用户行为的商品个性化推荐方法及系统
CN105719145B (zh) 获取商品到货时间的方法和装置
CN111680213B (zh) 信息推荐方法、数据处理方法及装置
CN111177581A (zh) 一种基于多平台的社交电商网站商品推荐方法及装置
CN111340566B (zh) 一种商品分类方法、装置、电子设备及存储介质
CN111639989B (zh) 商品推荐方法和可读存储介质
CN115641179A (zh) 信息推送方法、装置及电子设备
CN112950322A (zh) 一种基于协同过滤优化的电力零售套餐推荐方法和系统
CN106204163B (zh) 一种用户属性特征的确定方法和装置
CN111639274B (zh) 线上商品智能排序方法、装置、计算机设备和存储介质
CN114780865A (zh) 信息推荐方法、装置、计算机设备及存储介质
CN115168700A (zh) 一种基于预训练算法的信息流推荐方法、系统及介质
CN111144986B (zh) 一种基于分享行为的社交电商网站商品推荐方法及装置
US11636528B2 (en) Methods and apparatuses for recommending seasonal items
KR102184700B1 (ko) Hot 사이트 추천 방법 및 hot 사이트 추천 서버
KR20220120991A (ko) 인공지능을 이용한 빅데이터 기반 팬덤 상품 추천 장치

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
TA01 Transfer of patent application right

Effective date of registration: 20231123

Address after: 200,030 Unit 5B03, Floor 5, Building 2, No. 277, Longlan Road, Xuhui District, Shanghai

Applicant after: SHANGHAI SECOND PICKET NETWORK TECHNOLOGY CO.,LTD.

Address before: Floors 4, 5 and 6, No. 3, Lane 1473, Zhenguang Road, Putuo District, Shanghai, 200333

Applicant before: Shanghai Fengzhi Technology Co.,Ltd.

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant