CN111724235A - 一种基于用户新奇度的在线商品推荐方法 - Google Patents
一种基于用户新奇度的在线商品推荐方法 Download PDFInfo
- Publication number
- CN111724235A CN111724235A CN202010520071.XA CN202010520071A CN111724235A CN 111724235 A CN111724235 A CN 111724235A CN 202010520071 A CN202010520071 A CN 202010520071A CN 111724235 A CN111724235 A CN 111724235A
- Authority
- CN
- China
- Prior art keywords
- user
- commodity
- novelty
- window
- time
- 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 43
- 238000004364 calculation method Methods 0.000 claims abstract description 37
- 230000006399 behavior Effects 0.000 claims description 51
- 238000012216 screening Methods 0.000 claims description 12
- 238000001914 filtration Methods 0.000 claims description 10
- 230000009471 action Effects 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 8
- 238000010801 machine learning Methods 0.000 claims description 7
- 238000005516 engineering process Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 230000001174 ascending effect Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 101150049349 setA gene Proteins 0.000 claims description 2
- 230000008901 benefit Effects 0.000 abstract description 6
- 239000000047 product Substances 0.000 description 13
- 230000000875 corresponding effect Effects 0.000 description 9
- 230000000694 effects Effects 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 4
- 230000014759 maintenance of location Effects 0.000 description 3
- 238000006467 substitution reaction Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003340 mental effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000036651 mood Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 241000282412 Homo Species 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000012098 association analyses Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 239000013065 commercial product Substances 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003446 memory effect Effects 0.000 description 1
- 230000006996 mental state Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000004800 psychological effect Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000010076 replication Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000004043 responsiveness Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 208000016254 weariness Diseases 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
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Finance (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- General Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
一种基于用户新奇度的在线商品推荐方法,包括如下步骤:S1、根据用户u浏览商品的信息形成选择序列χ;S2、根据用户u的点击频率,确定用户的窗口时间Wt;S3、通过计算得到用户新奇度,其中,根据由用户选择开始截至时刻t时用户u的行为历史记录,预测用户u在时刻t选择新商品的概率;S4、根据得到的用户新奇度,向用户推荐在t时刻符合用户新奇度的商品或商品组合。通过引入用户对新旧商品开放性程度的心理指标因素,计算用户新奇度,并根据用户新奇度来对用户进行商品/商品组合的推荐,该在线商品推荐方法能够提升个性化推荐的准确度,从而为电商平台创造更多经济效益。
Description
技术领域
本发明涉及电商平台的个性化推荐系统,特别是涉及一种基于用户新奇度的在线商品推荐方法。
背景技术
随着社会生产力提升,新的消费产品不断涌入市场,电商平台的迅速发展带来新的消费驱动力。2020年最新研究显示,目前网络销售渠道收入占全球零售总额的12%;未来五年内,它的增长速度将是实体交易的四倍。如此高速增长率,为电商平台带来了消费红利的黄金时代,也使其面临着日益激烈的竞争危机。
显然,搜索技术能有效过滤信息,帮助用户寻找心仪商品,却无法促进新消费增长,而推荐技术恰恰能有效提升用户下单率。亚马逊作为最早应用推荐系统的电子商务网站,在启用当年35%的销售额都来自该系统,并通过逐渐成熟的推荐系统,其站内用户下单转化率一度达到60%。
随着系统的不断完善,智能推荐效果越来越让人满意,用户需求也悄然改变。具体表现在,网购者进入购物频道后,不再进行关键词搜索,也无明确的购物目标,但仍长时间停留。他们“主动搜索”的行为被“被动推荐”取代,心态从“希望浏览满意商品”向“希望浏览满意推荐”发生转变。用户在浏览推荐内容中获得的愉悦感与满足感,一定程度地刺激他们产生购物欲望。
这些转变是人类猎奇心理和惰性的体现。因而,推荐效果的优劣除了表现为下单转化率,也更多体现在用户点击次数和浏览停留时间上。面对现如今越来越多的“猎奇型”用户和“盲目型”用户,如何其偏好进行准确预测,是有待解决的问题。
以上背景技术内容的公开仅用于辅助理解本发明的发明构思及技术方案,其并不必然属于本专利申请的现有技术,在没有明确的证据表明上述内容在本专利申请的申请日已经公开的情况下,上述背景技术不应当用于评价本申请的新颖性和创造性。
发明内容
本发明的主要目的在于克服上述技术缺陷,提供一种基于用户新奇度的在线商品(包括商品组合)推荐方法。
为实现上述目的,本发明采用以下技术方案:
一种基于用户新奇度的在线商品推荐方法,包括如下步骤:
S3、通过计算得到用户新奇度,其中,根据由用户选择开始截至时刻t时用户u的行为历史记录,预测用户u在时刻t选择新商品的概率;用户新奇度的预测概率为,在给定的窗口时间|Wt|,t时刻下用户u选择的物品xt不在Wt中的概率即用户新奇度值;
S4、根据得到的用户新奇度,向用户推荐在t时刻符合用户新奇度的商品或商品组合。
进一步地:
步骤S3中,将影响用户产生重复选择行为的相关因素作为新奇度特征;使用所述新奇度特征,通过各个特征值进行量化,进行所述用户新奇度计算;所述新奇度特征包括但不限于:商品受欢迎度hIP、商品响应度hIR、商品重复选择热度hIUR、用户重复度hUR、窗口用户重复度hWUR、窗口商品重复度hWIR中的一种或多种;其中,商品受欢迎度hIP指该商品选择频次的平均热门情况,商品响应度hIR表示选择该商品对全体用户的覆盖程度,商品重复选择热度hIUR是对商品被重复选择频次的规范化处理,用户重复度hUR是当前用户u在历史行为中发生重复选择的概率,窗口用户重复度hWUR是指当前时刻t的窗口序列中用户u发生重复选择的概率,窗口商品重复度hWIR是指在当前时刻t的窗口序列中重复商品所占份额;其中所述用户新奇度由新奇度特征及各特征影响权重共同确定,新奇度特征均随时间变化;当用户完成上一次点击后,步骤S4中根据计算的用户新奇度对下一次点击的偏好进行预判,以展示出推荐商品或商品组合。
nu,t={hIP(Wu,t)*,hIR(Wu,t)*,...,h?(Wu,t)}T
其表示用户新奇度由实际影响的N种新奇度特征组合而成,定义N维特征空间,*表示该特征在向量空间中非必需包含,举例如当前商品受欢迎度hIP(Wu,t)、当前商品响应度hIR(Wu,t)或其他新奇度特征;
通过特征空间的乘积,得到截至时刻t时用户u重复选择Wu,t中物品概率为Prepeat(u,t)=a·nu,t,即时刻t用户u选择重复物品概率,其中a为新奇度特征权重因子向量(简称权重因子);时刻t用户u选择新物品概率为Pnew(u,t)=1-Prepeat(u,t);
确定当前时刻的用户新奇度Nu,t为
模型终端输出的即为用户新奇度Nu,t。
其中,采用如下方式中的一种或多种确定新奇度特征:
(1)商品受欢迎度hIP计算方式为:
其中,为全部用户的集合,V表示商品样本集合,freq(v)表示商品v被所有用户选择的频次,max freq(v)表示商品集V中的频次最大值,为示性函数,当cond条件成立时返回1,否则为0,结合窗口时间|Wu,t|进行规范化计算得到,用户u在当前t时刻下窗口序列中已含商品的IP:
(2)商品响应度hIR计算方式为:
其中,cover(v)为选择该商品的用户数量,max cover(v)表示商品集V中cover(v)的最大值,判定依据是当前商品v在用户序列中出现频次大于1则进行统计,结合窗口时间|Wu,t|进行规范化计算得到,用户u在当前t时刻下窗口序列中已含商品的IR:
(3)商品重复选择热度hIUR计算方式为:
其中,freq′(v)表示商品v被所有用户重复选择的频次,结合窗口时间|Wu,t|进行规范化,得到用户u在当前t时刻下窗口序列中已含商品的IUR:
(5)窗口用户重复度hWUR通过对窗口序列Wu,t进行重复行为统计来近似,当用户之后选择的商品包含在Wu,t之中时则进行统计:
(6)窗口商品重复度hWIR,令D(Wu,t)表示窗口序列Wu,t中不同商品集合序列,即重复商品不计数,根据之间数量关系确定计算方式为:
注意,在这里的用户重复选择行为与重复物品不完全相关。重复选择行为是当前商品较之前在对应窗口时间内选择商品的新旧而言的,而重复物品是对于下一刻选择时窗口序列中的重复物品件数。
其中,所述选择行为包括“收藏”、“加购物车”、“购买”、“移除购物车”中的一种或多种。在具体的用户新奇度计算时,根据用户发生的选择行为不同,其选择行为所确定的商品选择次数、影响权重也不同,可结合实际进行定量。
还可以对其他推荐系统进行混合使用,采取其他系统已有的推荐结果作为本方法的输入,从而进行叠加,筛选最终的TOP-N推荐商品。例如,通过基于内容的协同过滤推荐技术,建立商品关联评分模块和新旧商品筛选模块,其中,首先将用户历史购买记录、用户浏览记录、用户搜索记录中的关键信息进行提取,再对比数据库中的商品信息建立评分体系,得到商品与用户属性的关联评分;随后在新旧商品筛选模块中设定新旧商品评分阈值,根据评分将商品确定为重复商品或新商品,建立实时的新旧商品库,按比例从对应商品库中选取TOP-N0和TOP-N1商品推荐组。
步骤S3中,计算用户新奇度采用经过机器学习建立用户新奇度计算模块;其中,确定窗口序列的方法包括:通过历史数据分析该用户选择行为规律与选择频率,确定窗口大小,每个时间窗口中选择行为的个数恒定为窗口大小值;或者,根据艾宾浩斯遗忘曲线及其函数,分析并确定窗口序列;以及对用户选择行为进行二进制化处理,其中,将已购买商品、收藏或点击过的商品作为“重复商品0”,随机选取其他商品作为“新商品1”,得到二元素序列,再根据二进制0/1数字中二元出现的比例,将出现“1”的次数占序列总长度的比例,作为用户新奇度值;或通过机器学习的方式训练,拟合出当前时间内用户真实的用户新奇度值。
一种基于用户新奇度的在线商品推荐装置,包括计算机可读存储介质和处理器,所述计算机可读存储介质存储有可执行程序,所述可执行程序由所述处理器执行时,实现如权利要求所述的基于用户新奇度的在线商品推荐方法。
本发明具有如下有益效果:
本发明提出一种基于根据用户新奇度参量进行在线商品推荐的方法,可用于电商平台的商品个性化推荐中,通过在方案中引入用户对新旧商品开放性程度的心理指标因素,计算用户新奇度,并根据用户新奇度来对用户进行商品/商品组合的推荐,能够提升推荐的准确度,从而为电商平台创造更多经济效益。
相较于以往的个性化推荐技术,本发明的方案考虑了“猎奇型”用户和“盲目型”用户的网购需求,利用用户对于新旧商品开放程度不同的心理需求,量化其在下一时刻可能选择点击的商品偏好,并进行动态调整与内容推荐。本发明的方案中,对用户新奇度值进行建模,为新奇度值高的用户优先推荐新商品,为新奇度值低的用户优先推荐重复商品,同时,基于该值可为用户推荐混合比例的新旧商品组,即便在缺少搜索关键词输入的条件下,也可以通过用户点击行为进行内容推荐。以上特点也可以解决用户冷启动的问题,当用户信息空白且缺少关键词输入时,系统只需通过新用户一段时间的历史浏览行为,就可以得到动态的用户新奇度,根据其对新旧商品的偏好情况进行对应的内容推荐。而相较于传统的用户行为分析模型,本发明的方案能灵活有效地量化在线购物场景下消费者的“喜新厌旧”、“近因效应”或是“马太效应”等心理特点,获得更精准的个性化推荐效果。此外,本发明的方案还能很好的在系统其他的推荐算法基础上进行混合叠加使用,具有灵活性和可延展性。
附图说明
图2为本发明一种实施例的用户新奇度计算模型图。
图3为本发明一种实施例的基于用户新奇度分析的商品推荐方案流程图。
具体实施方式
以下对本发明的实施方式做详细说明。应该强调的是,下述说明仅仅是示例性的,而不是为了限制本发明的范围及其应用。
一方面,推荐的商品能满足越来越多的被动推荐场景下消费者的猎奇需求。用户无需搜索信息输入,系统即能根据用户的历史点击行为进行商品推荐,推荐的内容与用户的猎奇心态能相应匹配。另一方面,促进用户点击与浏览推荐停留时间。用户会因好奇心驱使而选择感兴趣的新鲜内容查看,也可能重复浏览与已购商品类似的商品信息。合理分配新旧推荐比例,可以带来更高的用户满意度。
为更精准地进行个性化推荐,有研究在协同过滤、关联分析、标签聚类等算法上做了更多面向用户属性的改进。第一类是协同过滤推荐:通过用户历史搜集具有类似兴趣喜好的用户群体,预测评分高的产品以此推荐。其优势在于能找到用户更感兴趣的商品,所推荐内容更倾向于用户熟悉的区域范围。但这种优势忽视了上述提到的用户希望探索新鲜事物的猎奇心理和潜在消费冲动,即希望尝试未购买过相似风格的商品。第二类是基于内容的推荐:主要依靠提取搜索关键词,构造相应用户画像模型,再对商品的文本信息进行提取,找出与用户特征最相近推荐项。明显缺憾是一旦缺少文字信息作为输入,便会失去准确的推荐能力,因而也无法顾及“被动推荐型”用户的猎奇需求。第三类是定义关联规则的预测推荐:系统通过分析购买某商品的用户有多大比例同时购买另一件商品,而预测把另一件商品推荐给用户购买的成功率。但此时用户对未知商品的接纳程度是动态变化且因人而异的,这种关联规则只是一种销售策略,并不能满足用户个性化需求。
因此,要突破推荐方法在用户猎奇心理上的局限,引入新的参考指标。借助心理学提出的“人类五大性格模型”,其中开放性(Openness)就对应人对于探索新奇事物、了解未知领域的好奇心,也可以理解为用户主动探索、发掘陌生兴趣点的欲望程度。它描述的是用户在心理和情感上的一种状态,而非物品的状态,并界定在对某一类型的物品范围内。在上述推荐或者预测方法中,都忽视了用户性格里开放性,即不满足于现有状态的、对不熟悉的事物进行猎奇的需要。对此,本发明引入“用户新奇度”(UserNovelty,简称UN)标准参量,利用用户在被动推荐场景下的选择新旧商品的开放程度,来进行商品推荐。
在线购物场景下的用户新奇度
用户新奇度问题描述
在用户和物品的交互关系中,包含着“尝新”与“重旧”两种心理状态,即希望尝试较为陌生的“新东西”和想要重复较为熟悉的“旧物品”。人类具有天然的“喜新厌旧”心理,和对未知事物的好奇心,但每个人的接纳程度有所差异。在线购物消费场景中,由于无法对商品进行体验、触摸的客观事实,受心理作用影响更是如此。“用户新奇度”基于这样的心理差异而产生,用来衡量个人对新事物的开放程度。用户新奇度同人的性格、爱好类似,是一个随着时间、环境而改变的动态值。用户在选择问题中普遍存在“近因效应”心理,指用户普遍喜欢重复选择那些他们近一段时间内选择过的物品;同时,用户选择重复性物品的心理状态符合“强者愈强,弱者愈弱”的“马太效应”。
尤其在在线购物消费场景下,用户新奇度应理解为某用户在某段时间内对于新商品的开放性程度。用户新奇度问题就是要解决对该属性的合理量化并预估的问题。
用户新奇度概率模型
用户通过浏览系统推荐页,找到自己感兴趣的内容进行点击,产生一系列物品选择行为。同时,人对于已选择的物品会随着时间发生遗忘,用户新奇度这一参数也应相应变化。
将用户u在一段时间内的点击不同商品进行浏览的历史行为定义为一个选择序列其中随机变量xt表示u在时刻t选择的物品,按选择行为发生的时间戳的升序排列,xt-1表示xt前的选择物品,xt+1表示在xt后的选择物品。
对于个体而言,熟悉和陌生是相对的,而根据人类的记忆符合遗忘规律,熟悉的旧物品也可能再次成为陌生的新物品。因此,在此需要定义记忆时间窗口序列Wt,简称窗口序列,它是用户一个选择序列的子序列,窗口时间|Wt|表示窗口序列Wt发生物品选择的次数。因此,随着t的增加,Wt相当于在上滑动。注意此时用户的选择截至时刻t(不含时刻t)。和Wt都是物品的序列,而非集合,序列绝对值表示元素个数,允许出现相同的元素。
判定对象是否属于新物品也取决于窗口时间|Wt|的大小。对给定窗口序列Wt,若用户在t时刻选择的物品则将xt视为用户u在t时刻下的新物品,否之视作重复物品,即旧物品。物品的新旧取决于用户在T个时刻之前的选择情况,这样的定义较为符合人类记忆的遗忘特点。
关注用户的探索和重复行为,根据由选择开始截至时刻t时,用户u的行为历史记录,预测u在时刻t选择新物品的概率。于是,用户新奇度概率转化为,讨论在给定的窗口时间|Wt|后的t时刻下,用户u选择的物品xt不在Wt中的概率即为用户新奇度值。如图1所示,窗口时间|Wt|=5,空心圆和实心圆分别代表“新物品”和“重复物品”,不同字母区分选择的不同物品。t时刻下的用户新奇度值即为虚线圆中出现空心圆的概率,对于t时刻,物品A或物品E都属于新物品。
用户新奇度特征分析
用户对相同品牌的物品具有偏好,当他们在近期多次购买同一品牌的物品时,则目前很可能继续购买该品牌的物品。同时,人的选择行为符合“马太效应”,我们将隐性影响用户新奇度值的特征因素统称为“新奇度特征”。
在用户新奇度问题中已经明确,用户新奇度表示用户在选择熟悉或者不熟悉物品的偏好程度。当用户新奇度高时,表现为其更倾向于选择不熟悉的物品,即尝试新物品;当用户新奇度低时,更可能选择熟悉的物品,即重复旧物品。
基于用户新奇度的新旧商品推荐方案
用户新奇度计算模型
通过新奇度特征分析,可得特征度与新奇度成反相关性,如表1所示,某一特征值越高,用户新奇度就越低。因此我们可以合理推测,用户的下一次点击行为会更偏向于新商品还是旧商品上。根据这样的逻辑,当用户完成上一次点击后,系统就可以对下一次点击的偏好进行预判,以展示出更让用户满意、更激发用户点击浏览欲望的推荐列表。
表1新奇度特征与用户新奇度关系表
已知用户新奇度与新奇度特征紧密相关。为综合考虑所有因素影响,并通过各个特征值进行量化、计算,本方案中已提出包括商品受欢迎程度(IP)、商品响应度(IR)、商品重复选择热度(IUR)、用户重复度(UR)、窗口用户重复度(WUR)、窗口商品重复度(WIR)等几类特征量进行用户新奇度计算。用户新奇度由新奇度特征及各特征影响权重共同决定,可得到如图2所示本发明一种实施例的计算模型,后面实施例中将详细说明。
新旧商品筛选机制
以服装品类商品为例。通常,用户在服装类电商平台或主页中对已购买的服装不会再次购买,但更希望浏览与该服装进行搭配的相关推荐。此时,系统兼顾用户“尝新”和“重旧”心理,将服饰类商品按新旧比例组合的形式推荐给用户。
当商品信息巨量时,还需要合理筛选针对于不同用户的新旧商品。本方案可以灵活适应不同推荐算法,即对其他推荐系统进行混合使用,采取系统已有的推荐结果作为本方法的输入,从而进行叠加,二次过滤筛选最终的TOP-N推荐商品。例如基于内容的协同过滤推荐技术。此时,系统除了用户新奇度计算模块,还需要借助系统原有的算法,建立商品关联评分模块和新旧商品筛选模块。其中,首先将用户历史购买记录、用户浏览记录、用户搜索记录中的关键信息进行提取,再对比数据库中的商品信息建立评分体系,得到商品与用户属性的关联评分;随后在新旧商品筛选模块中设定新旧商品评分阈值,将商品确定为重复商品或新商品,建立实时的新旧商品库,按比例从对应商品库中选取最适用于目标用户的TOP-N0和TOP-N1混合商品推荐组,需要注意的是从新旧商品库中选择的混合商品推荐组,依旧是前N0或N1项与用户关联最高的商品。
本发明一种实施例的推荐方法的流程如图3所示,该方法包括:
通过计算得到用户新奇度,其中,根据由用户选择开始截至时刻t时用户u的行为历史记录,预测用户u在时刻t选择新商品的概率;用户新奇度的预测概率为,在给定的窗口时间|Wt|,t时刻下用户u选择的物品xt不在Wt中的概率即用户新奇度值;
根据得到的用户新奇度,向用户推荐在t时刻符合用户新奇度的商品或商品组合。
以下进一步描述具体实施例。
用户新奇度计算的机器学习方法
合理选择时间窗口
在实际进行用户新奇度计算时,确定窗口序列有两类方法。一是通过历史数据分析该用户选择行为规律与选择频率,因人而异地选定窗口大小,此时每个时间窗口中选择行为的个数恒定为窗口大小值,如简单的数字范围:10、20、50等,如比例范围:用户平均每月行为总量的10%,用户前一天浏览量的50%;二是参考艾宾浩斯遗忘曲线及其函数,遗忘曲线符合人体大脑对新事物遗忘的循序渐进的直观描述。
艾宾浩斯遗忘函数表示为:设初次记忆后经过了x小时,记忆留存率y近似地满足
y=1-0.56·x0.06
因而可对所有用户设定同样的遗忘阈值如记忆留存率为y=0.3时,x≈41,则表示在经过41小时后,用户已对该事物遗忘,若再次选择时计为新商品。需注意在遗忘曲线原则中,若用户发生“收藏”、“加购物车”或“购买”等行为时,也属于发生一次用户选择行为,但产生的记忆效果不同,需要适当调整遗忘影响因子a,如下
y=1-0.56·a·x0.06
用户行为二进制化
选择序列其中,将已购买物品、收藏或点击过的物品作为“重复物品0”,随机选取其他商品作为“新物品1”;也可以理解为:用户选择商品时点击查看陌生的、关联度低的商品,表示为“探索”行为,设置为1;将用户点击查看熟悉的、关联度高的商品,表示为“重复”行为,设置为0。尝试在真实的购物环境中进行检验,根据用户实际点击频率与购物浏览习惯等,确定最优的窗口时间。此时,系统会得到类似的二元素序列。当训练样本达到一定量级规模时,用户新奇度会越来越近似,可得到二进制0/1数字中二元出现的比例,出现“1”的次数占序列总长度的比例,就视为用户新奇度值。通过机器学习的方式训练,也可以拟合出当前时间内用户真实的用户新奇度值。
在本发明优选的实施例中,为有效求解用户新奇度值以衡量其对新旧商品的开放程度,提出了影响用户新奇度的六种影响因素作为新奇度特征:商品受欢迎度hIP、商品响应度hIR、商品重复选择热度hIUR、用户重复度hUR、窗口用户重复度hWUR、窗口商品重复度hWIR。
(1)商品受欢迎度hIP也作商品欢迎度(Item Popularity,简称IP)指该商品选择频次的平均热门情况,计算方式为:
其中,为全部用户的集合,V表示商品样本集合,此时不考虑窗口时间。freq(v)表示商品v被所有用户选择的频次(frequency),maxfreq(v)表示freq(v)中的最大值,为示性函数,当cond条件成立时返回1,否则为0,使用对数操作ln目的是对频次分布进行平滑处理。结合窗口时间|Wu,t|进行规范化计算得到,用户u在当前t时刻下窗口序列中已含商品的IP:
(2)商品响应度hIR(Item Response,简称IR)表示选择该商品对全体用户的覆盖程度,当该商品被某用户选择一次或一次以上时,进行累加,与IP同样反映出商品的热门程度。计算方式为:
其中,cover(v)为选择该商品的用户数量,当该商品被选择的频次freq(v)>1时,示性函数返回1进行统计,maxcover(v)为cover(v)的最大值。结合窗口时间|Wu,t|进行规范化计算得到,用户u在当前t时刻下窗口序列Wu,t中已含商品的IR:
(3)商品重复选择热度hIUR(Item User-Re-consumption,简称IUR)是对商品被重复选择频次的规范化处理,限制在一定窗口时间|Wu,t|内,物品v被任意用户选择的概率的一种近似,当商品v作为重复出现的对象出现时,示性函数返回1进行统计。表明了当前窗口序列Wu,t中若含有高重复选择率的物品越多,则t时刻,u就越有可能选择旧物品。计算方式为:
(4)用户重复度hUR(User Repeating,简称UR)是当前用户在其全部历史行为中发生重复选择的概率,需在用户选择序列上通过重复行为统计来近似,当商品v作为重复出现的对象出现时,示性函数返回1:
(5)窗口用户重复度hWUR(Window User-Repeating,简称WUR)是指当前时刻t的窗口序列Wu,t中,用户u发生重复选择的概率,窗口时间|Wu,t|同时也反映出当前窗口序列中元素总和,不为定值,以减少因用户输入不足导致的系统无法计算问题。计算方式:
(6)窗口商品重复度hWIR(Window Item-Repeating,简称WIR)是指在当前时刻t的窗口序列Wu,t中重复商品所占份额,令D(Wu,t)表示窗口序列中不同商品集合序列,即重复商品不计数。根据之间数量关系确定计算方式为:
注意,在这里的用户重复选择行为与重复物品不完全相关。重复选择行为是当前商品较之前在对应窗口时间内选择商品的新旧而言的,而重复物品是对于下一刻选择时窗口序列中的重复物品件数。
以下实例中为更好地减少系统缓存消耗、消除特征影响关联性,我们采用商品受欢迎程度(IP)、商品重复选择热度(IUR)、窗口用户重复度(WUR)、窗口商品重复度(WIR)四个影响特征进行计算。
需注意,因为IP和IR是针对商品而言的指标,因此对用户发生的选择行为不同,其决定的选择频次freq(v),重复选择频次freq′(v)和覆盖用户数cover(v)也受其影响而相应变化。结合实际,可将“点击”行为计为选择1次,将“收藏”、“加购物车”行为计为选择2次,将“购买”行为计为选择4次,“移除购物车”行为在IP上记0次。以此优化频次进行计算,更有利于得到商品的实际欢迎度和实际热度。
在具体使用时,由于平台信息内容复杂,各种页面的图片、文字等属性展示标准不一,可能产生其他的新奇度特征,或是不满足上述某一新奇度特征,这些情况也都是合理的。根据这种假设,用户新奇度计算模型与新奇度特征的选择相对灵活。如附图2所示,以用户u在数据集中的所有选择,即历史选择序列作为输入,在给定时间窗口Wu,t下,可构造出一个4维新奇度特征向量:
nu,t={hIP(Wu,t),hIUR(Wu,t),hWUP(Wu,t),hWIR(Wu,t)}T
它表示用户新奇度由实际影响的4种新奇度特征组合而成,定义4维特征空间,hIP(Wu,t),hIUR(Wu,t),hWUP(Wu,t)和hWIR(Wu,t)分别表示在当前时间窗口Wu,t下的商品受欢迎程度(IP)、商品重复选择热度(IUR)、窗口用户重复度(WUR)、窗口商品重复度(WIR)而对于不同的新奇度特征,其影响程度也有所不同,此时还需对新奇度特征进行赋权。为简化计算,我们令权重因子ai中的所有ai=1/4。
通过特征空间的乘积,可以得到截至时刻t时,用户u重复选择Wu,t中物品概率为:
即,时刻t用户u选择重复物品概率。根据极限思想,当仅有“新物品”和“重复物品”两个物品可选时,两种选择的概率成对立关系,则时刻t用户u选择新物品概率为
Pnew(u,t)=1-Prepeat(u,t)
则得到当前时刻的用户新奇度Nu,t为
模型终端输出的即为用户新奇度Nu,t。该值动态变化,对应每一时刻都会发生改变,因此推荐内容的效果只针对下一时刻进行讨论,而非长期有效。这一特点也反映出用户开放心理的变化性,是真实的偏好变化,符合实际。
推荐商品/商品组动态选择
利用计算得到的用户新奇度值Nu,t可对当前基于各种推荐算法而生成推荐商品序列的系统进行叠加使用,在原有推荐算法的基础上,继续二次过滤生成符合用户“猎奇”和“重旧”心理之间比例关系的TOP-N推荐商品组合。
下述以基于内容的协同过滤推荐算法为具体示例。将用户历史购买记录、用户浏览记录、用户搜索记录中的关键信息进行提取,再对比数据库中的商品信息建立评分体系,得到商品与用户属性的关联评分,利用其商品关联评分,进行一次筛选,选择出TOP-N推荐商品;随后通过将其输入基于用户新奇度的新旧商品筛选算法进行二次过滤,再次利用商品关联评分模块中的相应规则,对新旧商品筛选模块设定新旧商品评分阈值,根据评分将一次筛选后的TOP-商品确定为重复商品或新商品,分流至实时的新旧商品库TOP-N0和TOP-N1中,根据计算出的用户新奇度,分别从对应商品库中选取TOP-N0和TOP-N1商品推荐组。
本发明提出了一种可在线购物场景下的基于根据用户历史选择行为进行用户新奇度计算的方法,并通过该参量进行在线商品推荐的方法,包括用户新奇度计算。利用用户“希望浏览满意商品”到“希望浏览满意推荐”的在线购物心态转变,明确了在线购物场景下的用户新奇度之间的特征关系,并定义计算方法。本发明设计了基于用户新奇度参量在线商品组合推荐流程。通过用户新奇度计算模块、商品关联评分模块和新旧商品筛选模块,过滤出用户感兴趣的目标商品组,对页面推荐内容实时更新。对用户冷启动情况亦有效。本发明提出了一种计算用户新奇度的机器学习方法。该方法更适用于超大数据输入条件下拟合用户新奇度的真实情况,同时增强了推荐方案的可延展性。
本发明合理地量化用户在线购物时的“猎奇”心态,突破现有推荐方法该心态上的缺失和局限。用户正在发生的浏览选择行为,即时反映了其开放性偏好,此时推荐系统通过计算用户新奇度,就可以产生对应的推荐商品组,形成个性化推荐的能力。通过引入用户新奇度这一属性进行在线商品组合推荐的方案设计时,本发明的优势包括:一、通过分析用户历史选择行为,建立合理的选择模型;二、在处于“冷启动”前提下,保证系统仍具有个性化推荐的能力;三、训练计算模型以保证该商品推荐方案的可延展性。
本发明的背景部分可以包含关于本发明的问题或环境的背景信息,而不一定是描述现有技术。因此,在背景技术部分中包含的内容并不是申请人对现有技术的承认。
以上内容是结合具体/优选的实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,其还可以对这些已描述的实施方式做出若干替代或变型,而这些替代或变型方式都应当视为属于本发明的保护范围。在本说明书的描述中,参考术语“一种实施例”、“一些实施例”、“优选实施例”、“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。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。尽管已经详细描述了本发明的实施例及其优点,但应当理解,在不脱离专利申请的保护范围的情况下,可以在本文中进行各种改变、替换和变更。
Claims (10)
1.一种基于用户新奇度的在线商品推荐方法,其特征在于,包括如下步骤:
S3、通过计算得到用户新奇度,其中,根据由用户选择开始截至时刻t时用户u的行为历史记录,预测用户u在时刻t选择新商品的概率;用户新奇度的预测概率为,在给定的窗口时间Wt,t时刻下用户u选择的物品xt不在Wt中的概率即用户新奇度值;
S4、根据得到的用户新奇度,向用户推荐在t时刻符合用户新奇度的商品或商品组合。
3.如权利要求1所述的基于用户新奇度的在线商品推荐方法,其特征在于,步骤S3中,将影响用户产生重复选择行为的相关因素作为新奇度特征;使用所述新奇度特征,通过各个特征值进行量化,进行所述用户新奇度计算;所述新奇度特征包括:商品受欢迎度hIP、商品响应度hIR、商品重复选择热度hIUR、用户重复度hUR、窗口用户重复度hWUR、窗口商品重复度hWIR中的一种或多种;其中,商品受欢迎度hIP指该商品选择频次的平均热门情况,商品响应度hIR表示选择该商品对全体用户的覆盖程度,商品重复选择热度hIUR是对商品被重复选择频次的规范化处理,用户重复度hUR是当前用户u在历史行为中发生重复选择的概率,窗口用户重复度hWUR是指当前时刻t的窗口序列中用户u发生重复选择的概率,窗口商品重复度hWIR是指在当前时刻t的窗口序列中重复商品所占份额;其中所述用户新奇度由新奇度特征及各特征影响权重共同确定,新奇度特征均随时间变化;当用户完成上一次点击后,步骤S4中根据计算的用户新奇度对下一次点击的偏好进行预判,以展示出推荐商品或商品组合。
nu,t={hIP(Wu,t)*,hIR(Wu,t)*,...,h?(Wu,t)}T
其表示用户新奇度由实际影响的N种新奇度特征组合而成,定义N维特征空间,*表示该特征在向量空间中非必需包含,举例如当前商品受欢迎度hIP(Wu,t)、当前商品响应度hIR(Wu,t)或其他新奇度特征;
通过特征空间的乘积,得到截至时刻t时用户u重复选择Wu,t中物品概率为Prepeat(u,t)=a·nu,t,即时刻t用户u选择重复物品概率,其中a为新奇度特征权重因子向量(简称权重因子);时刻t用户u选择新物品概率为Pnew(u,t)=1-Prepeat(u,t);
确定当前时刻的用户新奇度Nu,t为
模型终端输出的即为用户新奇度Nu,t。
6.如权利要求3至5任一项所述的基于用户新奇度的在线商品推荐方法,其特征在于,
其中,采用如下方式中的一种或多种确定新奇度特征:
(1)商品受欢迎度hIP计算方式为:
其中,为全部用户的集合,V表示商品样本集合,freq(v)表示商品v被所有用户选择的频次,maxfreq(v)表示商品集V中的频次最大值,为示性函数,当cond条件成立时返回1,否则为0,结合窗口时间|Wu,t|进行规范化计算得到,用户u在当前t时刻下窗口序列中已含商品的IP:
(2)商品响应度hIR计算方式为:
其中,cover(v)为选择该商品的用户数量,maxcover(v)表示商品集V中cover(v)的最大值,判定依据是当前商品v在用户序列中出现频次大于1则进行统计,结合窗口时间|Wu,t|进行规范化计算得到,用户u在当前t时刻下窗口序列中已含商品的IR:
(3)商品重复选择热度hIUR计算方式为:
其中,freq′(v)表示商品v被所有用户重复选择的频次,结合窗口时间|Wu,t|进行规范化,得到用户u在当前t时刻下窗口序列中已含商品的IUR:
(5)窗口用户重复度hWUR通过对窗口序列Wu,t进行重复行为统计来近似,当用户之后选择的商品包含在Wu,t之中时则进行统计:
(6)窗口商品重复度hWIR,令D(Wu,t)表示窗口序列Wu,t中不同商品集合序列,即重复商品不计数,根据之间数量关系确定计算方式为:
7.如权利要求6所述的基于用户新奇度的在线商品推荐方法,其特征在于,所述选择行为包括“收藏”、“加购物车”、“购买”、“移除购物车”中的一种或多种。
8.如权利要求1至7任一项所述的基于用户新奇度的在线商品推荐方法,其特征在于,将已有的推荐结果作为本方法的输入,从而进行叠加,二次过滤筛选最终的TOP-N推荐商品;优选地,通过基于内容的协同过滤推荐技术,建立商品关联评分模块和新旧商品筛选模块,其中,首先将用户历史购买记录、用户浏览记录、用户搜索记录中的关键信息进行提取,再对比数据库中的商品信息建立评分体系,得到商品与用户属性的关联评分;随后在新旧商品筛选模块中设定新旧商品评分阈值,根据评分将商品确定为重复商品或新商品,建立实时的新旧商品库,按比例从对应商品库中选取TOP-N0和TOP-N1商品推荐组。
9.如权利要求1至8任一项所述的基于用户新奇度的在线商品推荐方法,其特征在于,步骤S3中,计算用户新奇度采用经过机器学习建立用户新奇度计算模块;其中,确定窗口序列的方法包括:通过历史数据分析该用户选择行为规律与选择频率,确定窗口大小,每个时间窗口中选择行为的个数恒定为窗口大小值;或者,根据艾宾浩斯遗忘曲线及其函数,分析并确定窗口序列;以及对用户选择行为进行二进制化处理,其中,将已购买商品、收藏或点击过的商品作为“重复商品0”,随机选取其他商品作为“新商品1”,得到二元素序列,再根据二进制0/1数字中二元出现的比例,将出现“1”的次数占序列总长度的比例,作为用户新奇度值;或通过机器学习的方式训练,拟合出当前时间内用户真实的用户新奇度值。
10.一种基于用户新奇度的在线商品推荐装置,包括计算机可读存储介质和处理器,所述计算机可读存储介质存储有可执行程序,其特征在于,所述可执行程序由所述处理器执行时,实现如权利要求1至9任一项所述的基于用户新奇度的在线商品推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010520071.XA CN111724235A (zh) | 2020-06-09 | 2020-06-09 | 一种基于用户新奇度的在线商品推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010520071.XA CN111724235A (zh) | 2020-06-09 | 2020-06-09 | 一种基于用户新奇度的在线商品推荐方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111724235A true CN111724235A (zh) | 2020-09-29 |
Family
ID=72566261
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010520071.XA Pending CN111724235A (zh) | 2020-06-09 | 2020-06-09 | 一种基于用户新奇度的在线商品推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111724235A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113378063A (zh) * | 2021-07-09 | 2021-09-10 | 小红书科技有限公司 | 一种基于滑动谱分解确定内容多样性的方法和内容排序方法 |
CN113379516A (zh) * | 2021-08-12 | 2021-09-10 | 永正信息技术(南京)有限公司 | 一种推荐产品确定方法及装置 |
CN113704621A (zh) * | 2021-08-31 | 2021-11-26 | 北京三快在线科技有限公司 | 对象信息推荐方法、装置、设备及存储介质 |
CN113744017A (zh) * | 2020-11-13 | 2021-12-03 | 北京沃东天骏信息技术有限公司 | 电商搜索的推荐方法及装置、设备、存储介质 |
CN115544242A (zh) * | 2022-12-01 | 2022-12-30 | 深圳市智加云栖科技有限公司 | 基于大数据的同类商品选型推荐方法 |
CN115935068A (zh) * | 2022-12-12 | 2023-04-07 | 杭州洋驼网络科技有限公司 | 互联网平台的商品推荐方法以及装置 |
CN116883121A (zh) * | 2023-09-06 | 2023-10-13 | 深圳鼎智通讯有限公司 | 基于大数据分析的pos机用户推荐方法 |
CN116894692A (zh) * | 2023-09-11 | 2023-10-17 | 北京亿家老小科技有限公司 | 一种线上网络销售用户潜在需求分析监控方法及系统 |
CN117495432A (zh) * | 2023-11-22 | 2024-02-02 | 北京亿家老小科技有限公司 | 一种多时间尺度投票式用户潜在需求分析方法及系统 |
CN118134608A (zh) * | 2024-05-06 | 2024-06-04 | 南京麦佳电子商务有限公司 | 基于数据挖掘的电子商务用户行为分析方法与系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016191959A1 (zh) * | 2015-05-29 | 2016-12-08 | 深圳市汇游智慧旅游网络有限公司 | 一种时变的协同过滤推荐方法 |
CN109685631A (zh) * | 2019-01-10 | 2019-04-26 | 博拉网络股份有限公司 | 一种基于大数据用户行为分析的个性化推荐方法 |
-
2020
- 2020-06-09 CN CN202010520071.XA patent/CN111724235A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016191959A1 (zh) * | 2015-05-29 | 2016-12-08 | 深圳市汇游智慧旅游网络有限公司 | 一种时变的协同过滤推荐方法 |
CN109685631A (zh) * | 2019-01-10 | 2019-04-26 | 博拉网络股份有限公司 | 一种基于大数据用户行为分析的个性化推荐方法 |
Non-Patent Citations (1)
Title |
---|
陈俊: "基于用户新奇度的个性化推荐技术" * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113744017A (zh) * | 2020-11-13 | 2021-12-03 | 北京沃东天骏信息技术有限公司 | 电商搜索的推荐方法及装置、设备、存储介质 |
CN113378063B (zh) * | 2021-07-09 | 2023-07-28 | 小红书科技有限公司 | 一种基于滑动谱分解确定内容多样性的方法和内容排序方法 |
CN113378063A (zh) * | 2021-07-09 | 2021-09-10 | 小红书科技有限公司 | 一种基于滑动谱分解确定内容多样性的方法和内容排序方法 |
CN113379516A (zh) * | 2021-08-12 | 2021-09-10 | 永正信息技术(南京)有限公司 | 一种推荐产品确定方法及装置 |
CN113704621A (zh) * | 2021-08-31 | 2021-11-26 | 北京三快在线科技有限公司 | 对象信息推荐方法、装置、设备及存储介质 |
CN115544242A (zh) * | 2022-12-01 | 2022-12-30 | 深圳市智加云栖科技有限公司 | 基于大数据的同类商品选型推荐方法 |
CN115544242B (zh) * | 2022-12-01 | 2023-04-18 | 深圳市智加云栖科技有限公司 | 基于大数据的同类商品选型推荐方法 |
CN115935068B (zh) * | 2022-12-12 | 2023-09-05 | 杭州洋驼网络科技有限公司 | 互联网平台的商品推荐方法以及装置 |
CN115935068A (zh) * | 2022-12-12 | 2023-04-07 | 杭州洋驼网络科技有限公司 | 互联网平台的商品推荐方法以及装置 |
CN116883121A (zh) * | 2023-09-06 | 2023-10-13 | 深圳鼎智通讯有限公司 | 基于大数据分析的pos机用户推荐方法 |
CN116883121B (zh) * | 2023-09-06 | 2023-11-14 | 深圳鼎智通讯有限公司 | 基于大数据分析的pos机用户推荐方法 |
CN116894692A (zh) * | 2023-09-11 | 2023-10-17 | 北京亿家老小科技有限公司 | 一种线上网络销售用户潜在需求分析监控方法及系统 |
CN116894692B (zh) * | 2023-09-11 | 2023-11-24 | 北京亿家老小科技有限公司 | 一种线上网络销售用户潜在需求分析监控方法及系统 |
CN117495432A (zh) * | 2023-11-22 | 2024-02-02 | 北京亿家老小科技有限公司 | 一种多时间尺度投票式用户潜在需求分析方法及系统 |
CN117495432B (zh) * | 2023-11-22 | 2024-05-28 | 北京亿家老小科技有限公司 | 一种多时间尺度投票式用户潜在需求分析方法及系统 |
CN118134608A (zh) * | 2024-05-06 | 2024-06-04 | 南京麦佳电子商务有限公司 | 基于数据挖掘的电子商务用户行为分析方法与系统 |
CN118134608B (zh) * | 2024-05-06 | 2024-07-09 | 南京麦佳电子商务有限公司 | 基于数据挖掘的电子商务用户行为分析方法与系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111724235A (zh) | 一种基于用户新奇度的在线商品推荐方法 | |
CN109685631B (zh) | 一种基于大数据用户行为分析的个性化推荐方法 | |
CN108629665B (zh) | 一种个性化商品推荐方法和系统 | |
WO2021139164A1 (zh) | 一种基于长短期兴趣的序列化推荐方法 | |
Teo et al. | Adaptive, personalized diversity for visual discovery | |
CN111709812A (zh) | 基于用户动态分类的电商平台商品推荐方法及系统 | |
CN108665311B (zh) | 一种基于深度神经网络的电商用户时变特征相似性计算推荐方法 | |
CN106127546A (zh) | 一种基于智慧社区大数据的商品推荐方法 | |
CN109034960B (zh) | 一种基于用户节点嵌入的多属性推断的方法 | |
Baecke et al. | Data augmentation by predicting spending pleasure using commercially available external data | |
WO2002079942A2 (en) | System for visual preference determination and predictive product selection | |
CN110532471A (zh) | 基于门控循环单元神经网络的主动学习协同过滤方法 | |
CN116431931B (zh) | 实时增量数据统计分析方法 | |
CN116894709A (zh) | 一种广告商品推荐方法和系统 | |
CN106157156A (zh) | 一种基于用户社区的协作推荐系统 | |
US20190065611A1 (en) | Search method and apparatus | |
Hruschka | Comparing unsupervised probabilistic machine learning methods for market basket analysis | |
CN114238758A (zh) | 一种基于多源跨界数据融合的用户画像预测方法 | |
CN117745349A (zh) | 一种基于用户特征的个性化推券方法及系统 | |
KHALID et al. | Design and implementation of clothing fashion style recommendation system using deep learning. | |
CN116911926B (zh) | 基于数据分析的广告营销推荐方法 | |
CN112967116A (zh) | 一种基于多策略池的线下零售门店用商品推荐方法及系统 | |
CN110765346A (zh) | 用户意图挖掘方法、装置以及设备 | |
Taralik et al. | Channel preferences and attitudes of domestic buyers in purchase decision processes of high-value electronic devices | |
CN114780865A (zh) | 信息推荐方法、装置、计算机设备及存储介质 |
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: 20200929 |