具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
在本公开使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本公开。在本公开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,尽管在本公开可能采用术语第一、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,在不脱离本公开范围的情况下,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”。
在很多电子商务平台中具有信息推荐功能,以便供进入该电子商务平台的用户参考推荐信息。例如,在淘宝应用上直接推荐热门店铺,或者输出消费达人推荐的热门店铺,又如百度外卖应用上推荐热门商家等。
相关技术中,将被消费次数较高的店铺确定为热门店铺,将消费次数较高的用户确定为消费达人。由于存在经常在质量较差的店铺消费的人也能成为消费达人,被很多质量较差的用户消费过的店铺也能成为热门店铺,从而使推荐的热门店铺不是高质量的店铺,即推荐信息的可信度低。
基于此,为了避免推荐信息可信度低的缺陷,本申请提供一种信息推荐方法,本申请根据消费次数以及店铺的预设热门度初始值或历史用户的预设质量分值初始值,利用预设迭代模型确定特定区域内各店铺的热门度和各历史用户的质量分值,以实现质量分值高的历史用户常去的店铺的热门度高,常去热门度高的店铺的用户的质量分值高,从而提高确定消费达人和热门店铺的准确性,进而提高推荐信息的可信度。
如图1A所示,图1A为本申请信息推荐方法的一个实施例流程图,该方法包括以下步骤101至步骤103:
在步骤101中,获取历史用户在特定区域内的各店铺进行消费的消费次数,所述历史用户是与所述特定区域内店铺存在消费关系的用户。
在步骤102中,根据所述消费次数以及店铺的预设热门度初始值或历史用户的预设质量分值初始值,利用预设迭代模型确定所述特定区域内各店铺的热门度和各历史用户的质量分值,所述预设迭代模型是使店铺的热门度与历史用户的质量分值和该历史用户在该店铺内的消费次数成正相关关系、历史用户的质量分值与店铺的热门度和该历史用户在该店铺内的消费次数成正相关关系的迭代模型。
在步骤103中,根据所确定的店铺的热门度和历史用户的质量分值向目标用户推荐热门度高的店铺的信息。
关于步骤101,各店铺可以是特定区域内的所有店铺。店铺可以是实体门面的实体店铺,也可以是具有地址信息的网络店铺。在不同应用场景中,可以将店铺按类型分,店铺可以是餐饮店铺,可以是服装店铺,可以是化妆品店铺等。历史用户是与特定区域内店铺存在消费关系的用户,即历史用户是在特定区域内的店铺进行过消费行为的用户。其中,当历史用户在店铺中进行过消费行为,则该历史用户与该店铺存在消费关系。所述消费次数是每个历史用户在每个店铺进行消费的次数。
关于特定区域,可以是预先设定的区域,也可以是与目标用户有关联的区域。其中,目标用户是步骤103中的信息推送的对象。可见,将店铺的热门度和历史用户的质量分值按区域进行计算,目的是为了减小计算量。
针对特定区域是预先设定的区域的情况,可以将预统计热门度和质量分值的所有区域按照预设规则进行划分,获得多个子区域。其中,预设规则可以是以城市为单位进行区域划分,可以是以地区为单位进行区域划分,还可以是按网格形式进行区域划分等。
获得多个子区域后,可以将每个子区域确定为特定区域,分别计算每个特定区域内店铺的热门度和历史用户的质量分值。该实施例下,步骤101和步骤102的执行时机可以是预设条件满足时触发执行。例如,预设时间到达时,触发执行步骤101和步骤102,这种方式可以按期更新店铺的热门度和历史用户的质量分值。又如,接收到更新指令时,触发执行步骤101和步骤102,这种方式可以根据用户需求随时更新店铺的热门度和历史用户的质量分值。
可见,该实施例将每个子区域确定为特定区域,可以预先计算所有特定区域内店铺的热门度和历史用户的质量分值,避免实时计算导致的时间浪费。
针对特定区域是与目标用户有关联的区域的情况,在步骤101之前,还包括:确定与所述目标用户有关联的特定区域。
在一个可选的实现方式中,可以将预统计热门度和质量分值的所有区域按照预设规则进行划分,获得多个子区域,将与目标用户有关联的子区域确定为特定区域,然后计算该特定区域内店铺的热门度和历史用户的质量分值。例如,将目标用户的位置信息所在子区域确定为特定区域,又如,将目标用户触发的选择指令对应的子区域确定为特定区域。可以理解的是,还可以通过其他方式将与目标用户有关联的子区域确定为特定区域,在此不作限定。
可见,在该实施方式中,仅将与目标用户有关联的子区域确定为特定区域,并计算该特定区域内店铺的热门度和历史用户的质量分值,可以减小后续计算质量分值和热门度的计算量。
在另一个可选的实现方式中,获取目标用户的位置信息,以所述目标用户的位置信息为基准点划分区域,获得特定区域。例如,可以是将以目标用户的位置信息为圆心、预设值为半径划分获得的区域确定为特定区域。
可见,在该实施方式中,以目标用户的位置信息为基准点划分区域,获得特定区域,从而使向目标用户推荐的店铺的范围在设定范围内,避免热门店铺与目标用户距离太远给用户带来的不便。
在一个可选的实现方式中,所述特定区域内店铺数量大于或等于预设店铺数量阈值。
在确定特定区域后,可以获取该特定区域内的店铺数量,并将特定区域内的店铺数量限定为大于或等于预设店铺数量阈值。其中,预设店铺数量阈值是预先设置的店铺数量阈值,以确保该店铺数量既不会导致计算量过大,又能确保区域内有足够多店铺,以使后续计算的店铺的热门度和历史用户的质量分值的准确率高。
在一个可选的实现方式中,所述特定区域内用户数量大于或等于预设用户数量阈值,所述用户数量是与所述特定区域内店铺存在消费关系的所有历史用户的数量。
在确定特定区域后,可以根据该特定区域内的消费行为确定与店铺存在消费关系的所有历史用户的数量。其中,预设用户数量阈值是预先设置的用户数量阈值,以确保该用户数量既不会导致计算量过大,又能确保区域内有足够多历史用户,以使后续计算的店铺的热门度和历史用户的质量分值的准确率高。
可以理解的是,上述两种条件可以同时满足,即所述特定区域内店铺数量大于或等于预设店铺数量阈值,且所述特定区域内用户数量大于或等于预设用户数量阈值,所述用户数量是与所述店铺存在消费关系的所有历史用户的数量。当两种条件同时满足时,可以进一步提高店铺的热门度和历史用户的质量分值的准确率。
基于此,本申请还列举一种具体的区域划分方法,该方法包括:
对区域进行网格划分,获得多个子网格区域。例如,利用Geohash算法对区域进行网格划分,获得0.5km*0.5km的子网格区域。每个子网格区域对应一个唯一的字符串编码,即Geohash值。其中,Geohash算法可以将一个经纬度信息转换成一个可以排序、比较的字符串编码,即Geohash算法用一个字符串表示经度和纬度两个坐标,并且Geohash值表示的并不是一个点,而是一个矩形区域。
根据店铺的位置信息确定所述店铺所归属的子网格区域。例如,根据店铺的经纬度信息计算店铺的Geohash值,从而确定店铺所归属的子网格区域。
获取每个子网格区域内的店铺数量和用户数量,所述用户数量是与所述店铺存在消费关系的所有历史用户的数量,即所述用户数量是在所述店铺内进行过消费行为的所有历史用户的数量。
在所述店铺数量大于或等于预设店铺数量阈值,且所述用户数量大于或等于预设用户数量阈值时,将该子网格区域确定为特定区域。在所述店铺数量小于预设店铺数量阈值,或所述用户数量小于预设用户数量阈值时,对所述子网格区域进行扩展,以使扩展后的网格区域内的店铺数量大于或等于预设店铺数量阈值,且用户数量大于或等于预设用户数量阈值。
作为其中一种区域扩展方式,可以按网格层对子网格区域进行扩展。例如,如图1B所示,图1B是本申请根据一示例性实施例示出的一种网格扩展示意图。针对当前子网格区域,可以将外层的8个子网格区域设置为扩展区域,即构成9宫格,并判断是否满足扩展后的网格区域内的店铺数量大于或等于预设店铺数量阈值,且用户数量大于或等于预设用户数量阈值;若仍不满足,则将第一次扩展后的子网格区域外层的16个子网格区域设置为扩展区域,即构成25宫格,并判断是否满足扩展后的网格区域内的店铺数量大于或等于预设店铺数量阈值,且用户数量大于或等于预设用户数量阈值,满足时则将扩展后的网格区域确定为特定区域,否则继续扩展。其中,8个子网格区域可以称为第一网格层100,16个子网格区域可以称为第二网格层200。
在一个可选的实现方式中,可以设置最大扩展层数,例如,将最大扩展层数设置为3层,设置最大扩展层数目的是为了避免推荐的店铺距离目标用户较远导致推荐效果差,从而提高用户体验。
关于步骤102,店铺的热门度是评价店铺的热门程度,高质量的店铺的热门度高。用户的质量分值是评价用户质量的分值,在区域内消费过很多高质量的店铺的用户对该区域会有丰富的认识,则认为该用户的质量分值高,质量分值高的用户可以认为是消费达人。
该步骤中,可以预先初始化店铺的热门度,获得店铺的预设热门度初始值,例如预设热门度初始值为1;也可以预先初始化历史用户的质量分值,获得历史用户的预设质量分值初始值,例如预设质量分值初始值为1。在利用预设迭代模型进行迭代计算时,可以先计算店铺的热门度,也可以先计算历史用户的质量分值。当先计算店铺的热门度时,可以预先初始化历史用户的质量分值。在第一次迭代计算中,根据预设质量分值初始值和该历史用户在该店铺内的消费次数确定店铺的热门度,再根据所确定的店铺的热门度和历史用户在该店铺内的消费次数确定历史用户的质量分值。当先计算历史用户的质量分值,可以预先初始化店铺的热门度。在第一次迭代计算中,根据预设热门度初始值和历史用户在该店铺内的消费次数确定该历史用户的质量分值,再根据所确定的历史用户的质量分值和历史用户在该店铺内的消费次数确定店铺的热门度。
预设迭代模型是预先设置的迭代模型,目的是为了使店铺的热门度与历史用户的质量分值和消费次数成正相关关系,同时使历史用户的质量分值与店铺的热门度和消费次数成正相关关系,所述消费次数是该历史用户在该店铺内消费的次数。
其中,正相关关系是指两个变量存在变动方向相同的关系。例如,店铺的热门度与历史用户的质量分值和消费次数成正相关关系,则历史用户的质量分值由大到小或由小到大变化时,店铺的热门度由大到小或由小到大变化;消费次数由大到小或由小到大变化时,店铺的热门度由大到小或由小到大变化。
可见,采用预设迭代模型进行迭代计算,可以实现质量分值高的历史用户常去的店铺的热门度高,常去热门度高的店铺的用户的质量分值高,从而提高确定消费达人和热门店铺的准确性,进而提高推荐信息的可信度。
在一个可选的实现方式中,在每次迭代计算中,特定区域内的店铺的热门度根据与该店铺存在消费关系的历史用户的质量分值和所述历史用户在所述店铺的消费次数确定、且所述热门度与所述质量分值和消费次数成正相关关系。历史用户的质量分值根据店铺的热门度和消费次数确定、且所述质量分值与所述热门度和所述消费次数成正相关关系,所述店铺是特定区域内与所述历史用户存在消费关系的店铺,所述消费次数是所述历史用户在所述店铺内消费的次数。
店铺的热门度的影响因素为与该店铺存在消费关系的历史用户的质量分值和该历史用户在该店铺的消费次数,并且店铺的热门度与所述历史用户的质量分值和所述消费次数存在正相关关系。
历史用户的质量分值的影响因素为店铺的热门度和消费次数,并且历史用户的质量分值与店铺的热门度和消费次数成正相关关系。其中,所述店铺是特定区域内与所述历史用户存在消费关系的店铺,所述消费次数是所述历史用户在所述店铺内消费的次数。
作为其中一种优选方式,所述预设迭代模型为Hits算法模型,所述店铺的热门度为Hits算法模型中的权威值,所述历史用户的质量分值为Hits算法模型中的枢纽值。
其中,Hits(Hypertext-Induced Topic Search)是一个链接分析中非常基础且重要的算法。Hits算法主要用于网页重要性的分析,对于每一个页面,该算法计算两种值:Hub(枢纽值)和Authority(权威值)。所谓“Authority”页面,是指与某个领域或者某个话题相关的高质量网页,而“Hub”页面,指的是包含了很多指向高质量“Authority”页面链接的网页,两者相互依存,相互影响。一个好的“Authority”页面会被很多好的“Hub”页面指向;一个好的“Hub”页面会指向很多好的“Authority”页面。
在本公开实施例中,可以利用Hits算法计算店铺的热门度和历史用户的质量分值,店铺的热门度为Hits算法中的Authority(权威值),历史用户的质量分值为Hits算法中的Hub(枢纽值),从而实现质量分值高的历史用户常去的店铺的热门度高,常去热门度高的店铺的用户的质量分值高。
进一步的,本公开提供一种具体计算特定区域内各店铺的热门度和各历史用户的质量分值的方法。
所述特定区域内的店铺的热门度根据与该店铺存在消费关系的历史用户的质量分值和所述历史用户在所述店铺的消费次数确定,包括:
采用下述公式计算特定区域内的店铺的源热门度,并将所述源热门度进行归一化处理获得店铺的热门度:
其中,As′表示特定区域内的店铺s的源热门度,U表示与店铺s存在消费关系的所有历史用户,u表示U中的其中一个历史用户,Hu表示历史用户u的质量分值,countus表示历史用户u在店铺s内的消费次数。将源热门度As′进行归一化处理获得店铺的热门度As。
可见,该公式将历史用户在店铺内的消费次数的平方根作为源热门度的影响因素,可以提高确定源热门度的准确率。
所述历史用户的质量分值根据店铺的热门度和消费次数确定,包括:
采用下述公式计算历史用户的源质量分值,并将所述源质量分值进行归一化处理获得该历史用户的质量分值:
其中,Hu′表示历史用户u的源质量分值,S表示在设定区域内与用户u存在消费关系的所有店铺,s表示S中的其中一个店铺,As表示店铺s的热门度,countus表示历史用户u在店铺s内的消费次数。将源质量分值Hu′进行归一化处理获得该历史用户的质量分值Hu。
可见,该公式将历史用户在店铺内的消费次数的平方根作为源质量分值的影响因素,可以提高确定源质量分值的准确率。
可以理解的是,还可以采用其他公式计算特定区域内的店铺的源热门度,例如:
还可以采用其他公式计算历史用户的源质量分值,例如:
因此,在此不再一一赘述。
另外,将源热门度进行归一化处理获得店铺的热门度以及将源质量分值进行归一化处理获得该历史用户的质量分值,目的是为了迭代模型的收敛性。每次迭代计算后,判断店铺的热门度和历史用户的质量分值是否收敛,若不收敛则继续迭代,若收敛,则将收敛的店铺的热门度确定为最终的店铺的热门度,将收敛的历史用户的质量分值确定为最终的历史用户的质量分值。
在一个可选的实现方式中,部分店铺可能出现销售量过大的情况,为了避免店铺销售量过大导致其热门度值过高对计算结果准确率的影响,本申请还对店铺的热门度值进行调整。即所述信息推荐方法还包括:
在每次迭代计算中,在确定特定区域内的店铺的热门度后,判断是否存在高于第一热门度阈值的热门度;当存在高于第一热门度阈值的热门度时,利用预设降差公式对所确定的店铺的热门度进行降差处理,获得本次迭代计算中店铺的最终的热门度;所述预设降差公式是降低最大热门度和最小热门度之间差距的公式。
其中,第一热门度阈值是预先设定的用来判断店铺的热门度是否过高的阈值,可以根据热门度是否影响计算结果准确率来确定第一热门度阈值。
可见,当存在高于第一热门度阈值的热门度时,利用预设降差公式对所确定的店铺的热门度进行降差处理,从而可以降低最大热门度和最小热门度之间差距,避免店铺销售量过大导致其热门度值过高对计算结果准确率的影响。
其中,预设降差公式的目的是为了降低最大热门度和最小热门度之间差距,作为其中一种优选方式,预设降差公式可以为:
As=log(As+adjustFactor)
其中,adjustFactor是预先设置的调节因子,具体可以根据实验测试获得,以提高确定店铺的热门度的准确率。
可见,本实施例采用对数公式实现降低最大热门度和最小热门度之间差距,进而提高了确定店铺的热门度的准确率。
可以理解的是,还可以采用其他降差公式进行降差处理,例如平方根公式等,在此不再一一赘述。
如图1C所示,图1C是本申请根据一示例性实施例示出的一种热门度和质量分值确定方法的示意图。在该示意图中,所述热门度和质量分值确定方法,包括:
步骤201,根据指定区域内的消费行为获取历史用户在特定区域内的各店铺进行消费的消费次数。
步骤202,初始化历史用户的质量分值,设置为1。
步骤203,根据历史用户的质量分值计算店铺的源热门度,并进行归一化。
步骤204,对归一化后的热门度进行调整,获得店铺的热门度。
步骤205,根据店铺的热门度计算用户的源质量分值,并进行归一化,获得用户的质量分值。
步骤206,判断用户的质量分值和店铺的热门度是否收敛,若不收敛则继续迭代,若收敛,则进入步骤207。
步骤207,将收敛的店铺的热门度确定为最终的店铺的热门度,将收敛的历史用户的质量分值确定为最终的历史用户的质量分值。
可见,步骤203至步骤205为一次迭代计算过程,在每次迭代计算中都会计算店铺的热门度和历史用户的质量分值。
关于步骤103,在确定特定区域内各店铺的热门度和各历史用户的质量分值后,可以根据所确定的店铺的热门度和历史用户的质量分值向目标用户推荐热门度高的店铺的信息。
步骤103的执行时机,可以是预设推荐条件满足时,根据所确定的店铺的热门度和历史用户的质量分值向目标用户推荐热门度高的店铺的信息。预设推荐条件可以是检测到目标用户利用账户登录本申请所在客户端,可以是接收到目标用户触发的推荐指令,可以是预设的推送时间到达等。
针对推荐信息,当特定区域是与目标用户有关联的特定区域时,直接根据该特定区域内的店铺的热门度和历史用户的质量分值向目标用户推荐热门度高的店铺的信息。当特定区域是预先设定的区域时,可以从特定区域中筛选出与目标用户有关联的特定区域,根据筛选出的特定区域内的店铺的热门度和历史用户的质量分值向目标用户推荐热门度高的店铺的信息。
在一个可选的实现方式中,可以从历史用户中筛选出质量分值高于预设质量阈值的目标历史用户;获取所述目标用户的特征信息和所述目标历史用户的特征信息;将所述目标用户的特征信息与所述目标历史用户的特征信息进行相似度匹配,确定匹配度大于匹配度阈值的特征信息对应的目标历史用户;从与所确定的目标历史用户存在消费关系的店铺中,筛选出热门度高于第二热门度阈值的店铺;向所述目标用户推荐所筛选出的店铺的信息。
其中,目标历史用户是质量分值高于预设质量阈值的用户,将目标历史用户判定为消费达人,预设质量阈值是预先设定的用来判断历史用户是否为消费达人的阈值。特征信息可以是性别、年龄、职业、偏好的餐饮业类别、偏好的服装类别等表示用户特征的信息。推荐的信息可以是店铺的名称、图片等信息。
可见,自动识别达人所偏好的店铺,并向目标用户推荐与其相似的达人偏好的店铺,可以使推荐的店铺更具有针对性。
另外,也可以在确定目标历史用户后,向目标用户所在客户端推送目标历史用户上传的推荐店铺信息。
可见,通过目标历史用户上传的推荐店铺信息确定达人所偏好的店铺,并向目标用户推荐与其相似的达人偏好的店铺,可以使推荐的店铺更具有针对性。
如图1D所示,图1D是本申请根据一示例性实施例示出的一种推荐信息展示示意图。在该示意图中,可以根据目标用户的特征信息确定与目标用户相似的消费达人,并向目标用户推荐消费达人所偏好的店铺信息。
在另一个可选的实现方式中,可以从区域中筛选出热门度高于第三热门度阈值的店铺,向所述目标用户推荐所筛选出的店铺的信息。
其中,第三热门度阈值是预先设定的判断店铺是否热门的阈值。
可见,可以直接根据各店铺的热门度向目标用户推荐热门度高的店铺的信息。特别是在目标用户与所有达人的相似度都很低时,采用这种方式可以实现自动推荐。
在另一个可选的实现方式中,还可以从历史用户中筛选出质量分值高于预设质量阈值的目标历史用户,向目标用户所在客户端推送目标历史用户上传的推荐店铺信息。
可见,可以向目标用户所在客户端推送达人上传的推荐店铺信息,从而提高推荐信息的多样化。特别是在目标用户与所有达人的相似度都很低时,采用这种方式可以实现自动推荐。
可以理解的是,多种推送方式还可以进行组合,例如通过按钮的方式供用户选择推荐方式。如图1E所示,图1E是本申请根据一示例性实施例示出的另一种推荐信息展示示意图。在该示意图中,以餐饮的应用场景为了进行举例说明。
目标用户可以通过点击“热门店铺”触发热门店铺筛选指令,服务器接收到热门店铺筛选指令时,从区域中筛选出热门度高于第三热门度阈值的店铺,向目标用户推荐所筛选出的店铺的信息。目标用户可以通过点击“达人推荐”触发达人推荐指令,服务器接收到达人推荐指令时,从历史用户中筛选出质量分值高于预设质量阈值的目标历史用户,向目标用户所在客户端推送目标历史用户上传的推荐店铺信息。例如目标历史用户可以是餐饮达人小吴、餐饮达人小王等。目标用户还可以通过点击“相似达人偏好店铺”触发相似达人偏好店铺指令,服务器接收到相似达人偏好店铺指令时,可以根据目标用户的特征信息确定与目标用户相似的餐饮达人,并向目标用户推荐餐饮达人所偏好的店铺信息。
以上实施方式中的各种技术特征可以任意进行组合,只要特征之间的组合不存在冲突或矛盾,但是限于篇幅,未进行一一描述,因此上述实施方式中的各种技术特征的任意进行组合也属于本说明书公开的范围。
与本申请信息推荐方法的实施例相对应,本申请还提供了信息推荐装置及服务器的实施例。
本申请信息推荐装置的实施例可以应用在各种服务器上,该服务器可以是淘宝服务器、订餐服务器、大众点评服务器等电子商务平台的服务器。其中,装置实施例可以通过软件实现,也可以通过硬件或者软硬件结合的方式实现。以软件实现为例,作为一个逻辑意义上的装置,是通过其所在服务器的处理器210将非易失性存储器220中对应的计算机程序指令读取到内存230中运行形成的。从硬件层面而言,如图2所示,为本申请信息推荐装置所在服务器的一种硬件结构图,除了图2所示的处理器210、内存230、网络接口240、以及非易失性存储器220之外,实施例中装置所在的服务器通常根据该服务器的实际功能,还可以包括其他硬件,图2中不再一一示出。
参见图3,为本申请信息推荐装置的一个实施例框图:
该装置包括:次数获取单元310、迭代计算单元320和信息推荐单元330。
其中,次数获取单元310,用于获取历史用户在特定区域内的各店铺进行消费的消费次数,所述历史用户是与所述特定区域内店铺存在消费关系的用户。
迭代计算单元320,用于根据所述消费次数以及店铺的预设热门度初始值或历史用户的预设质量分值初始值,利用预设迭代模型确定所述特定区域内各店铺的热门度和各历史用户的质量分值,所述预设迭代模型是使店铺的热门度与历史用户的质量分值和该历史用户在该店铺内的消费次数成正相关关系、历史用户的质量分值与店铺的热门度和该历史用户在该店铺内的消费次数成正相关关系的迭代模型。
信息推荐单元330,用于根据所确定的店铺的热门度和历史用户的质量分值向目标用户推荐热门度高的店铺的信息。
在一个可选的实现方式中,所述迭代计算单元320具体包括(图3未示出):
热门度确定子单元,用于在每次迭代计算中,特定区域内的店铺的热门度根据与该店铺存在消费关系的历史用户的质量分值和所述历史用户在所述店铺的消费次数确定、且所述热门度与所述质量分值和消费次数成正相关关系。
质量分值确定子单元,用于在每次迭代计算中,历史用户的质量分值根据店铺的热门度和消费次数确定、且所述质量分值与所述热门度和所述消费次数成正相关关系,所述店铺是特定区域内与所述历史用户存在消费关系的店铺,所述消费次数是所述历史用户在所述店铺内消费的次数。
在一个可选的实现方式中,所述热门度确定子单元,具体用于:
采用下述公式计算特定区域内的店铺的源热门度,并将所述源热门度进行归一化处理获得店铺的热门度:
其中,As′表示特定区域内的店铺s的源热门度,U表示与店铺s存在消费关系的所有历史用户,u表示U中的其中一个历史用户,Hu表示历史用户u的质量分值,countus表示历史用户u在店铺s内的消费次数。
所述质量分值确定子单元具体用于:
采用下述公式计算历史用户的源质量分值,并将所述源质量分值进行归一化处理获得该历史用户的质量分值:
其中,Hu′表示历史用户u的源质量分值,S表示在设定区域内与用户u存在消费关系的所有店铺,s表示S中的其中一个店铺,As表示店铺s的热门度,countus表示历史用户u在店铺s内的消费次数。
在一个可选的实现方式中,所述迭代计算单元320还包括(图3未示出):
热门度调整子单元,用于在每次迭代计算中,在确定特定区域内的店铺的热门度后,判断是否存在高于第一热门度阈值的热门度;当存在高于第一热门度阈值的热门度时,利用预设降差公式对所确定的店铺的热门度进行降差处理,获得本次迭代计算中店铺的最终的热门度;所述预设降差公式是降低最大热门度和最小热门度之间差距的公式。
在一个可选的实现方式中,所述特定区域内店铺数量大于或等于预设店铺数量阈值,所述特定区域内用户数量大于或等于预设用户数量阈值,所述用户数量是与所述店铺存在消费关系的所有历史用户的数量。
在一个可选的实现方式中,所述信息推荐单元330包括:
用户筛选子单元,用于从历史用户中筛选出质量分值高于预设质量阈值的目标历史用户。
特征信息获取子单元,用于获取所述目标用户的特征信息和所述目标历史用户的特征信息。
目标历史用户确定子单元,用于将所述目标用户的特征信息与所述目标历史用户的特征信息进行相似度匹配,确定匹配度大于匹配度阈值的特征信息对应的目标历史用户。
店铺筛选子单元,用于从与所确定的目标历史用户存在消费关系的店铺中,筛选出热门度高于第二热门度阈值的店铺。
信息推荐子单元,用于向所述目标用户推荐所筛选出的店铺的信息。
在一个可选的实现方式中,所述预设迭代模型为Hits算法模型,所述店铺的热门度为Hits算法模型中的权威值,所述历史用户的质量分值为Hits算法模型中的枢纽值。
基于此,本申请还提供一种服务器,包括:
处理器;用于存储所述处理器可执行指令的存储器;
其中,所述处理器被配置为:
获取历史用户在特定区域内的各店铺进行消费的消费次数,所述历史用户是与所述特定区域内店铺存在消费关系的用户。
根据所述消费次数以及店铺的预设热门度初始值或历史用户的预设质量分值初始值,利用预设迭代模型确定所述特定区域内各店铺的热门度和各历史用户的质量分值,所述预设迭代模型是使店铺的热门度与历史用户的质量分值和该历史用户在该店铺内的消费次数成正相关关系、历史用户的质量分值与店铺的热门度和该历史用户在该店铺内的消费次数成正相关关系的迭代模型。
根据所确定的店铺的热门度和历史用户的质量分值向目标用户推荐热门度高的店铺的信息。
上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程,在此不再赘述。
对于装置实施例而言,由于其基本对应于方法实施例,所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本申请方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
由上述实施例可见,通过次数获取单元获取历史用户在特定区域内的各店铺进行消费的消费次数,迭代计算单元根据消费次数以及店铺的预设热门度初始值或历史用户的预设质量分值初始值,利用预设迭代模型确定特定区域内各店铺的热门度和各历史用户的质量分值,信息推荐单元根据所确定的店铺的热门度和历史用户的质量分值向目标用户推荐热门度高的店铺的信息,以实现质量分值高的历史用户常去的店铺的热门度高,常去热门度高的店铺的用户的质量分值高,从而提高确定消费达人和热门店铺的准确性,进而提高推荐信息的可信度。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本申请的真正范围和精神由下面的权利要求指出。
应当理解的是,本申请并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。