CN111861678A - 一种资源推荐方法、装置、电子设备及存储介质 - Google Patents
一种资源推荐方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN111861678A CN111861678A CN202010766034.7A CN202010766034A CN111861678A CN 111861678 A CN111861678 A CN 111861678A CN 202010766034 A CN202010766034 A CN 202010766034A CN 111861678 A CN111861678 A CN 111861678A
- Authority
- CN
- China
- Prior art keywords
- resource
- basic
- information corresponding
- style
- target
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 63
- 230000000007 visual effect Effects 0.000 claims abstract description 31
- 230000006399 behavior Effects 0.000 claims description 46
- 238000012545 processing Methods 0.000 claims description 17
- 230000015654 memory Effects 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 6
- 238000010191 image analysis Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 description 10
- 238000006243 chemical reaction Methods 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 239000002537 cosmetic Substances 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005295 random walk Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 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
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)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请提供了一种资源推荐方法、装置、电子设备及存储介质，其中，该方法包括：根据资源提供方对应的历史浏览用户信息，以及资源提供方提供的基础资源对应的属性信息和视觉信息，确定基础资源对应的风格信息；响应针对目标用户的资源推荐请求，从资源提供方提供的基础资源中选取与目标用户相关联的候选资源；根据基础资源对应的风格信息，确定候选资源对应的第一风格信息以及目标用户的已选基础资源对应的第二风格信息；根据候选资源对应的第一风格信息以及已选基础资源对应的第二风格信息，从候选资源中选取与已选基础资源相匹配的目标资源，并将目标资源推荐给所述目标用户。本申请提高了资源推荐的准确度，提高了资源推荐的效率。
Description
技术领域
本申请涉及数据挖掘技术领域，具体而言，涉及一种资源推荐方法、装置、电子设备及存储介质。
背景技术
日常生活中，用户可以通过资源提供方获取所需要的资源，比如，用户通过微信商城购买喜欢的衣服、化妆品等。
其中，资源提供方为了提高资源的转化率，通常根据用户已购买的资源，向用户推荐与已购买资源类型相同的其他资源，比如，在用户购买卫衣后，向用户推荐其他款式的卫衣。
但是，采用上述推荐方式，资源提供方推荐的其他资源与用户已购买的资源类型相同，实际中，用户在购买需要的资源后，再次购买同一类型的其他资源的可能性较低，因此，该种推荐方式推荐的资源并不符合用户的需求，使得推荐资源的推荐效率低，进而导致资源转化率低。
发明内容
有鉴于此，本申请实施例的目的在于提供一种资源推荐方法、装置、电子设备及存储介质，通过对每个资源所属风格的确定，将与用户已选资源风格相一致的其他资源推荐给用户，提高了资源推荐的准确度，提高了资源推荐的效率，进而提高了资源的转化率。
第一方面，本申请实施例提供了一种资源推荐方法，所述资源推荐方法包括：
根据资源提供方对应的历史浏览用户信息，以及所述资源提供方提供的基础资源对应的属性信息和视觉信息，确定所述基础资源对应的风格信息；
响应针对目标用户的资源推荐请求，从资源提供方提供的所述基础资源中选取与目标用户相关联的候选资源；
根据所述基础资源对应的风格信息，确定所述候选资源对应的第一风格信息以及所述目标用户的已选基础资源对应的第二风格信息；
根据所述候选资源对应的第一风格信息以及所述已选基础资源对应的第二风格信息，从所述候选资源中选取与所述已选基础资源相匹配的目标资源，并将所述目标资源推荐给所述目标用户。
在一种可能的实施方式中，所述根据资源提供方对应的历史浏览用户信息，以及所述资源提供方提供的基础资源对应的属性信息和视觉信息，确定所述基础资源对应的风格信息，包括：
将所述基础资源对应的图像信息输入到预先训练好的图像分析模型中，得到所述基础资源对应的视觉信息；
根据所述基础资源对应的视觉信息，以及所述基础资源所属的资源类别，确定所述基础资源对应的初始化风格信息；
对包括所述历史浏览用户信息，所述基础资源对应的属性信息以及所述初始化风格信息的目标函数进行最小化处理，得到所述基础资源对应的风格信息。
在一种可能的实施方式中，所述从资源提供方提供的所述基础资源中选取与目标用户相关联的候选资源，包括：
针对每个基础资源，根据与该基础资源相关联的用户行为信息，确定该基础资源对应的推荐分值，将所述推荐分值位于第一阈值范围内的基础资源确定为第一候选资源；
根据目标用户对已接触基础资源的第一兴趣度，以及未接触基础资源与所述已接触基础资源之间的第一相似度，确定目标用户对所述未接触基础资源的第二兴趣度，将所述第二兴趣度位于第二阈值范围内的未接触基础资源，确定为第二候选资源；
根据目标用户的已选基础资源的属性信息以及未选基础资源的属性信息，确定所述已选基础资源与所述未选基础资源之间的第二相似度，将所述第二相似度位于第三阈值范围内的未选基础资源，确定为第三候选资源；
对所述第一候选资源，所述第二候选资源以及所述第三候选资源进行去重处理，并基于预设的排序规则，对去重处理的处理结果进行排序，得到所述目标用户对应的具有排列顺序的候选资源。
在一种可能的实施方式中，通过如下方式确定所述目标用户对已接触基础资源的第一兴趣度：
根据目标用户针对已接触基础资源的用户行为信息，以及不同类别的用户行为信息分别对应的权重，确定目标用户对已接触基础资源的第一兴趣度；
通过如下方式确定所述未接触基础资源与所述已接触基础资源之间的第一相似度：
根据与所述未接触基础资源相关联的用户行为信息，以及与所述已接触基础资源相关联的用户行为信息，确定所述未接触基础资源与所述已接触基础资源之间的第一相似度。
在一种可能的实施方式中，所述根据所述候选资源对应的第一风格信息以及所述已选基础资源对应的第二风格信息，从所述候选资源中选取与所述已选基础资源相匹配的目标资源，包括：
根据目标用户的每两个已选基础资源分别对应的风格信息，计算该两个已选基础资源之间的第一风格相似度；
根据每两个已选基础资源之间的第一风格相似度，确定所述目标用户对应的多类用户风格，以及每类用户风格对应的目标风格信息；
基于所述候选资源的风格信息，以及每类用户风格的目标风格信息，计算所述候选资源与每类用户风格之间的第二风格相似度，将所述第二风格相似度大于预设阈值的候选资源，确定为目标用户对应的目标资源。
在一种可能的实施方式中，所述资源推荐方法还包括：
根据所述目标资源与每类用户风格之间的第二风格相似度的大小，以及所述目标资源的排列顺序，确定所述目标资源的推荐优先级。
在一种可能的实施方式中，所述将所述目标资源推荐给所述目标用户，包括：
基于预设的推荐规则，对不满足所述推荐规则的目标资源进行过滤，将过滤后的目标资源推荐给所述目标用户。
第二方面，本申请实施例提供了一种资源推荐装置，所述资源推荐装置包括：
第一确定模块，用于根据资源提供方对应的历史浏览用户信息，以及所述资源提供方提供的基础资源对应的属性信息和视觉信息，确定所述基础资源对应的风格信息；
第一选取模块，用于响应针对目标用户的资源推荐请求，从资源提供方提供的所述基础资源中选取与目标用户相关联的候选资源；
第二确定模块，用于根据所述基础资源对应的风格信息，确定所述候选资源对应的第一风格信息以及所述目标用户的已选基础资源对应的第二风格信息；
第二选取模块，用于根据所述候选资源对应的第一风格信息以及所述已选基础资源对应的第二风格信息，从所述候选资源中选取与所述已选基础资源相匹配的目标资源；
推荐模块，用于将所述目标资源推荐给所述目标用户。
第三方面，本申请实施例提供了一种电子设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述处理器执行所述机器可读指令，以执行第一方面任一项所述的资源推荐方法的步骤。
第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行第一方面任一项所述的资源推荐方法的步骤。
本申请实施例提供的资源推荐方法、装置、电子设备及存储介质，根据资源提供方对应的历史浏览用户信息，以及资源提供方提供的基础资源对应的属性信息和视觉信息，确定基础资源对应的风格信息；响应针对目标用户的资源推荐请求，从资源提供方提供的基础资源中选取与目标用户相关联的候选资源；根据基础资源对应的风格信息，确定候选资源对应的第一风格信息以及目标用户的已选基础资源对应的第二风格信息；根据候选资源对应的第一风格信息以及已选基础资源对应的第二风格信息，从候选资源中选取与已选基础资源相匹配的目标资源，并将目标资源推荐给所述目标用户。通过对每个资源所属风格的确定，将与用户已选资源风格相一致的其他资源推荐给用户，提高了资源推荐的准确度，提高了资源推荐的效率，进而提高了资源的转化率。
为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
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示出了本申请实施例提供的一种资源推荐方法的流程图；
图2示出了本申请实施例提供的另一种资源推荐方法的流程图；
图3示出了本申请实施例提供的另一种资源推荐方法的流程图；
图4示出了本申请实施例提供的另一种资源推荐方法的流程图；
图5示出了本申请实施例提供的一种资源推荐装置的结构示意图；
图6示出了本申请实施例提供的一种电子设备的示意图。
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，所描述的实施例仅仅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。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的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。
现阶段，资源提供方为了提高资源的转化率，通常根据用户已购买的资源，向用户推荐与已购买资源类型相同的其他资源，比如，在用户购买卫衣后，向用户推荐其他款式的卫衣。但是，采用上述推荐方式，资源提供方推荐的其他资源与用户已购买的资源类型相同，实际中，用户在购买需要的资源后，再次购买同一类型的其他资源的可能性较低，因此，该种推荐方式推荐的资源并不符合用户的需求，使得推荐资源的推荐效率低，进而导致资源转化率低。
基于上述问题，本申请实施例提供了一种资源推荐方法、装置、电子设备及存储介质，通过对每个资源所属风格的确定，将与用户已选资源风格相一致的其他资源推荐给用户，提高了资源推荐的准确度，提高了资源推荐的效率，进而提高了资源的转化率。
针对以上方案所存在的缺陷，均是发明人在经过实践并仔细研究后得出的结果，因此，上述问题的发现过程以及下文中本申请针对上述问题所提出的解决方案，都应该是发明人在本申请过程中对本申请做出的贡献。
下面将结合本申请中附图，对本申请中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的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。
为便于对本实施例进行理解，首先对本申请实施例所公开的一种资源推荐方法进行详细介绍。本申请实施例所提供的资源推荐方法的执行主体可以是资源提供方对应的服务器，也可以是区别于资源提供方的服务器，用于推荐资源的独立的服务器，下面以执行主体为上述独立的服务器对本申请实施例提供的资源推荐方法加以说明。
参见图1所示，图1为本申请实施例提供的一种资源推荐方法的流程图，该资源推荐方法包括以下步骤：
S101、根据资源提供方对应的历史浏览用户信息，以及所述资源提供方提供的基础资源对应的属性信息和视觉信息，确定所述基础资源对应的风格信息。
本申请实施例中，资源提供方用于向用户提供多种不同资源，资源提供方可以是一种应用程序，也可以是一种插件，这里不做具体限定，可选的，资源提供方为微信中附加的一种购物小程序；历史浏览用户信息为资源提供方具有信息获取权限的，在预设时间段内浏览、点击、收藏、购买资源提供方提供的任一基础资源的用户的相关信息，比如，性别、年龄、居住地、昵称等信息；基础资源为资源提供方向用户展示的每一个资源，基础资源对应有属性信息和视觉信息，其中，属性信息为基础资源所具备的固有信息，比如，价值、颜色、类型(型号)、材质、尺寸等信息，视觉信息为基础资源在视觉上具备的特征信息，比如，蓝白格相间、多个纽扣、米老鼠图案；基础资源的风格信息为基础资源所属的风格类别，比如，可爱风格、俏皮风格、嘻哈风格等多种实际生活中常见的资源风格。
本申请实施例中，从资源提供方获取与资源提供方相关的历史浏览用户信息，以及该资源提供方提供的多种基础资源分别对应的属性信息和视觉信息，并基于上述获取的多种信息，生成每种基础资源对应的风格信息。
S102、响应针对目标用户的资源推荐请求，从资源提供方提供的所述基础资源中选取与目标用户相关联的候选资源。
本申请实施例中，在接收到针对目标用户的资源推荐请求后，从资源提供方提供的多种基础资源中选取针对目标用户的候选资源，其中，候选资源是目标用户可能感兴趣的基础资源。
实际中，资源提供方向服务器发送资源推荐请求的方式包括：在浏览资源提供方提供的多个基础资源的过程中，目标用户触发目标图标、点击目标区域、加载目标页面。比如，目标用户在加载购物车页面时，资源提供方向服务器发送资源推荐请求。
S103、根据所述基础资源对应的风格信息，确定所述候选资源对应的第一风格信息以及所述目标用户的已选基础资源对应的第二风格信息。
本申请实施例中，候选资源为与目标用户相关联的基础资源，即基础资源包括候选资源，已选基础资源为目标用户已经选择的基础资源，可选的，已选基础资源为目标用户已经加入购物车的基础资源，即基础资源包括已选基础资源，在步骤101中，已经确定了每种基础资源对应的风格信息，将基础资源中候选资源对应的风格信息确定为第一风格信息，将基础资源中目标用户的已选基础资源对应的风格信息确定为第二风格信息。
S104、根据所述候选资源对应的第一风格信息以及所述已选基础资源对应的第二风格信息，从所述候选资源中选取与所述已选基础资源相匹配的目标资源，并将所述目标资源推荐给所述目标用户。
本申请实施例中，基于候选资源对应的第一风格信息，已选基础资源对应的第二风格信息，确定每个候选资源与已选基础资源风格的匹配度，将风格的匹配度大于预设的目标匹配度的候选资源，确定为目标资源，并将筛选出的每一个目标资源推荐给目标用户，这里，目标资源可以是一个资源，也可以是多个资源。
其中，目标资源的具体推荐方式包括：在目标页面的目标区域显示目标资源，比如，在购物车页面的推荐区域内显示目标资源，以使目标用户在查看购物车时可以对目标资源进行浏览和选择。
本申请实施例提供的资源推荐方法，通过对每个资源所属风格的确定，将与用户已选资源风格相一致的其他资源推荐给用户，提高了资源推荐的准确度，提高了资源推荐的效率，进而提高了资源的转化率。
进一步的，参见图2所示，本申请实施例提供的资源推荐方法中，所述根据资源提供方对应的历史浏览用户信息，以及所述资源提供方提供的基础资源对应的属性信息和视觉信息，确定所述基础资源对应的风格信息，包括：
S201、将所述基础资源对应的图像信息输入到预先训练好的图像分析模型中，得到所述基础资源对应的视觉信息。
本申请实施例中，基础资源对应的图像信息可以是包括基础资源完整实物的图片，也可以是从上述图片中提取出的特征信息；图像分析模型是已经训练好的可以直接使用的模型，能够基于基础资源对应的图像信息，确定基础资源对应的视觉信息，视觉信息为基础资源在视觉上具备的特征信息，比如，蓝白格相间、多个纽扣、米老鼠图案等。
作为一种可选的实施方式，针对资源提供方提供的每个基础资源，将与该基础资源相关联的图片喂给CNN(Convolutional Neural Networks，卷积神经网络)模型，CNN模型输出该基础资源的视觉信息，其中，CNN模型广泛应用于图像识别，通过CNN模型的使用，可以捕捉图片的视觉特征，即基础资源对应的视觉信息。
S202、根据所述基础资源对应的视觉信息，以及所述基础资源所属的资源类别，确定所述基础资源对应的初始化风格信息。
本申请实施例中，基础资源对应有多种资源类别，比如，上衣类、裤装类、裙装类等，每种资源类别对应有资源类别信息，其中，资源类别信息用于表示该资源类别具有的特征信息，比如，裤装类对应的资源类别信息包括：两个裤筒、对称分布等。针对每个基础资源，根据该基础资源对应的视觉信息，以及该基础资源所属资源类别的资源类别信息，确定该基础资源的初始化风格信息。
具体的，在确定基础资源对应的初始化风格信息时，假设针对每一个基础资源，对应有item＝style+category，其中，item为每个基础资源的视觉特征，style为每个基础资源的风格，category为每个基础资源所属资源类别的类别特征，根据上述假设，可以得到每个基础资源对应的初始化风格信息si＝Evi-li，其中，vi为基础资源对应的视觉信息，li为基础资源所属资源类别的资源类别信息，E为维度转换矩阵，用于调整vi的维度，以使vi的维度与li的维度相一致。
S203、对包括所述历史浏览用户信息，所述基础资源对应的属性信息以及所述初始化风格信息的目标函数进行最小化处理，得到所述基础资源对应的风格信息。
本申请实施例中，生成一个包括历史浏览用户信息、基础资源对应的属性信息、基础资源对应的初始化风格信息的目标函数，对生成的目标函数进行最小化处理，可选的，可以通过梯度下降法最小化目标函数，将最小化的目标函数对应的初始化风格信息，确定为基础资源对应的风格信息。
具体的，使用BPR(Bayesian Personalized Ranking，贝叶斯个性化排序)算法的建模思路，BPR算法涉及矩阵分解模型，设计一个预测排序矩阵X，将上述预测排序矩阵分解为X＝WTH，其中，W(|U|×d)为用户矩阵，H(|I|×d)为物品矩阵，|U|表示用户矩阵的大小，|I|表示物品矩阵的大小，并且，d远小于|U|和|I|，预测排序矩阵X中的每一个元素为
其中，pu为历史浏览用户信息，qi为基础资源对应的属性信息，si为基础资源对应的初始化风格信息，u为任意一个历史浏览用户，i为任意一个基础资源。
在BPR算法中，将任意历史浏览用户u对应的基础资源进行标记，如果历史浏览用户u在同时有基础资源i和j的时候，点击了i，则对i做了正反馈、对j没有做正反馈，那么就得到表达式yu,i>yu,j，它表示对历史浏览用户u来说，i的排序要比j靠前，将最大化概率p(u,i>j)＝σ(yu,i-yu,j)作为目标，得到目标函数
通过梯度下降法最小化该目标函数，将最小化目标函数对应的si确定为基础资源对应的风格信息。
实际中，使用BPR算法实现个性化排序时，预测排序矩阵X中每个元素的表达式为
每个元素仅与用户信息和物品信息相关，而本申请中，在使用BPR算法时，创造性地引入了物品对应的初始化风格信息si，基于BPR算法的框架，通过对目标函数的最小化处理，得到每个物品对应的风格信息，即基础资源的风格信息，该种方式下，基础资源对应的风格信息包括该基础资源的视觉信息，剔除了该基础资源所属资源类别的资源类别信息，确定的基础资源的风格信息准确度高。
进一步的，参见图3所示，本申请实施例提供的资源推荐方法中，所述从资源提供方提供的所述基础资源中选取与目标用户相关联的候选资源，包括：
S301、针对每个基础资源，根据与该基础资源相关联的用户行为信息，确定该基础资源对应的推荐分值，将所述推荐分值位于第一阈值范围内的基础资源确定为第一候选资源。
本申请实施例中，与某个基础资源相关联的用户行为信息，为对该基础资源已进行相关操作的历史浏览用户的用户行为信息，其中，用户行为信息为每个历史浏览用户对资源提供方提供的多个基础资源进行操作的行为轨迹，上述操作包括以下行为至少之一：浏览、点击、收藏、购买。
针对每个基础资源，获取对该基础资源已进行相关操作的历史浏览用户，以及上述历史浏览用户对应的用户行为信息，根据每个历史浏览用户对应的用户行为信息，确定该基础资源对应的推荐分值，具体的，分别获取浏览、点击、收藏、购买该基础资源的历史浏览用户的人数，根据上述多种操作分别对应的人数，确定该基础资源对应的推荐分值，作为一种可选的实施方式，根据每种操作对应的操作分值，以及每种操作对应的操作人数，确定每个基础资源对应的推荐分值，比如，浏览、点击、收藏、购买基础资源1的操作分值分别为0.1、0.2、0.3、0.4，操作人数分别为100、30、40、20，则基础资源1对应的推荐分值为380，作为另一种可选的实施方式，针对每个基础资源，将购买该基础资源的第一人数与浏览该基础资源的第二人数的比值，确定为该基础资源对应的推荐分值，或者，将购买该基础资源的第一人数确定为该基础资源对应的推荐分值。
若基础资源对应的推荐分值位于第一阈值范围内，则将该基础资源确定为第一候选资源，其中，第一阈值范围可以是一个固定的阈值范围，也可以是一个动态的阈值范围，比如，将推荐分值排在前三位的基础资源，确定为第一候选资源。
S302、根据目标用户对已接触基础资源的第一兴趣度，以及未接触基础资源与所述已接触基础资源之间的第一相似度，确定目标用户对所述未接触基础资源的第二兴趣度，将所述第二兴趣度位于第二阈值范围内的未接触基础资源，确定为第二候选资源。
本申请实施例中，目标用户的已接触基础资源是目标用户已经接触过的基础资源，目标用户的未接触基础资源是目标用户还没有接触过的基础资源，这里，可以按照实际需求对“接触”的含义进行限定，作为一种可能的实施方式，将“接触”的含义限定为是否操作，即是否对基础资源浏览、点击、收藏、购买过，针对每个基础资源，若目标用户没有对该基础资源进行过任何操作，则将该基础资源确定为目标用户的未接触基础资源，否则，将该基础资源确定为目标用户的已接触基础资源；作为另一种可能的实施方式，将“接触”的含义限定为是否收藏和购买，若目标用户没有对该基础资源收藏或购买过，则将该基础资源确定为目标用户的未接触基础资源，否则，将该基础资源确定为目标用户的已接触基础资源，还可以将“接触”的含义限定为其他含义，这里不做具体限定。
本申请实施例中，获取目标用户的已接触基础资源，以及该目标用户的未接触基础资源，针对每个未接触基础资源，根据目标用户对每个已接触基础资源的第一兴趣度，以及该未接触基础资源与每个已接触基础资源的第一相似度，确定目标用户对该未接触基础资源的第二兴趣度，具体的，将该未接触基础资源与每个已接触基础资源的第一相似度，与目标用户对每个已接触基础资源的第一兴趣度的乘积的加和，确定为目标用户对该未接触基础资源的第二兴趣度。
具体的，使用如下公式计算目标用户u对未接触基础资源b的第二兴趣度Pub：
其中，N(u)是目标用户u对应的已接触基础资源的集合，S(b,K)是和未接触基础资源b最相似的K个已接触基础资源的集合，Wab是已接触基础资源a和未接触基础资源b之间的第一相似度，Rua是目标用户u对已接触基础资源a的第一兴趣度。
若未接触基础资源对应的第二兴趣度位于第二阈值范围内，则将该未接触基础资源确定为第二候选资源，其中，第二阈值范围可以是一个固定的阈值范围，也可以是一个动态的阈值范围，比如，将第二兴趣度排在前三位的未接触基础资源，确定为第二候选资源。
本申请实施例中，通过如下方式确定所述目标用户对已接触基础资源的第一兴趣度：根据目标用户针对已接触基础资源的用户行为信息，以及不同类别的用户行为信息分别对应的权重，确定目标用户对已接触基础资源的第一兴趣度。
具体的，获取目标用户对已接触基础资源的用户行为信息，用户行为信息为目标用户对已接触基础资源进行相关操作的行为轨迹，上述操作包括以下行为至少之一：浏览、点击、收藏、购买。用户行为信息的类别为不同的操作行为轨迹，比如，浏览→点击→收藏，浏览→点击，浏览→点击→购买是三种不同类别的用户行为信息，不同类别的用户行为信息对应不同的权重，权重越大，说明目标用户对已接触基础资源的兴趣度越高，比如，“浏览→点击”的权重低于“浏览→点击→购买”的权重，作为一种可能的实施方式，将目标用户针对已接触基础资源的用户行为信息对应的权重，确定为目标用户对已接触基础资源的第一兴趣度；作为另一种可能的实施方式，基于目标用户针对已接触基础资源的用户行为信息所包含的操作类别，以及每个操作类别对应的权重值，计算每个操作类别与该操作类别对应的权重值的乘积的加和，将计算结果确定目标用户对已接触基础资源的第一兴趣度，这里，操作类别包括浏览、点击、收藏、购买。
本申请实施例中，通过如下方式确定所述未接触基础资源与所述已接触基础资源之间的第一相似度：根据与所述未接触基础资源相关联的用户行为信息，以及与所述已接触基础资源相关联的用户行为信息，确定所述未接触基础资源与所述已接触基础资源之间的第一相似度。
具体的，通过如下公式确定未接触基础资源与已接触基础资源之间的第一相似度Wab：
其中，N(a)为喜欢某一已接触基础资源的人数，N(b)为喜欢某一未接触基础资源的人数，这里，可以按照实际需求对“喜欢”的含义进行限定，比如，将收藏并购买行为，或者，购买行为确定为“喜欢”。根据与未接触基础资源相关联的用户行为信息，确定“喜欢”未接触基础资源的人数，根据与已接触基础资源相关联的用户行为信息，确定“喜欢”已接触基础资源的人数，进而使用上述计算公式，确定未接触基础资源与已接触基础资源之间的第一相似度Wab。
S303、根据目标用户的已选基础资源的属性信息以及未选基础资源的属性信息，确定所述已选基础资源与所述未选基础资源之间的第二相似度，将所述第二相似度位于第三阈值范围内的未选基础资源，确定为第三候选资源。
本申请实施例中，目标用户的已选基础资源为目标用户已加入购物车的基础资源，目标用户的未选基础资源为目标用户未加入购物车、未购买、未收藏的基础资源，获取目标用户的已选基础资源的属性信息，以及目标用户的未选基础资源的属性信息，这里，上述属性信息为多维度向量，计算每个已选基础资源的属性信息与每个未选基础资源的属性信息之间的欧氏距离，即为已选基础资源与未选基础资源之间的第二相似度。若未选基础资源对应的第二相似度位于第三阈值范围内，则将该未选基础资源确定为第三候选资源，其中，第三阈值范围可以是一个固定的阈值范围，也可以是一个动态的阈值范围，比如，将第二相似度排在前三位的未选基础资源，确定为第三候选资源。
其中，通过如下方式确定每个基础资源对应的属性信息：获取资源提供方对应的历史浏览用户的用户行为信息，用户行为信息为每个历史浏览用户对资源提供方提供的多个基础资源进行相关操作的行为轨迹，上述操作包括以下行为至少之一：浏览、点击、收藏、购买。使用图嵌入(Graph embedding)的方法，根据满足时间间隔要求的用户行为信息，构建基础资源的关联图，比如，用户1连续对基础资源1、基础资源2、基础资源3进行了相关操作，并且，基础资源1与基础资源2之间、基础资源2与基础资源3之间的操作时间间隔满足预设的时间间隔要求，则将基础资源1、基础资源2、基础资源3依次进行连接，生成对应的关联图。在基础资源的关联图中，随机选择起点，采用随机游走的方式，生成基础资源的序列信息，比如，基础资源2→基础资源3→基础资源4→基础资源5，将上述基础资源的序列信息输入到预先训练好的word2vec模型中，得到每个基础资源对应的属性信息，其中，word2vec模型是一种自然语言处理工具，能够挖掘词与词之间的联系，将词向量化，基础资源对应的属性信息为多维度向量。
基础资源包括目标用户的已选基础资源，以及目标用户的未选基础资源，进而可以确定目标用户的已选基础资源的属性信息，以及目标用户的未选基础资源的属性信息。
S304、对所述第一候选资源，所述第二候选资源以及所述第三候选资源进行去重处理，并基于预设的排序规则，对去重处理的处理结果进行排序，得到所述目标用户对应的具有排列顺序的候选资源。
本申请实施例中，分别采用不同获取方式从资源提供方提供的基础资源中获取第一候选资源、第二候选资源、第三候选资源，需要对第一候选资源、第二候选资源、第三候选资源中重复出现的基础资源进行剔除，将互异的第一候选资源、第二候选资源、第三候选资源确定为去重处理的处理结果，对上述处理结果进行排序处理，得到目标用户的对应有先后排列顺序的候选资源，具体的，可以使用LR、FM、Wide&Deep等多种排序方法对候选资源进行排序。
进一步的，参见图4所示，本申请实施例提供的资源推荐方法中，所述根据所述候选资源对应的第一风格信息以及所述已选基础资源对应的第二风格信息，从所述候选资源中选取与所述已选基础资源相匹配的目标资源，包括：
S401、根据目标用户的每两个已选基础资源分别对应的风格信息，计算该两个已选基础资源之间的第一风格相似度。
本申请实施例中，目标用户的已选基础资源为目标用户已加入购物车的基础资源，通过上述步骤201至步骤203，确定了每个基础资源对应的风格信息，相应的，获取每个已选基础资源对应的风格信息，并使用如下计算公式，确定每两个已选基础资源之间的第一风格相似度
其中，
分别为不同的已选基础资源分别对应的风格信息。
S402、根据每两个已选基础资源之间的第一风格相似度，确定所述目标用户对应的多类用户风格，以及每类用户风格对应的目标风格信息。
本申请实施例中，若
则确定该两个已选基础资源属于同一个风格，遍历目标用户的所有已选基础资源，将目标用户的所有已选基础资源拆分为不同的风格组合{S1,S2,...,Sn}，共n个风格组合，每个风格组合包括多个已选基础资源的风格信息，并且每一个风格组合对应一类用户风格，针对每一个风格组合Sk，计算该风格组合中包括的风格信息的平均值sk，即sk＝avg(Sk)，得到每类用户风格对应的目标风格信息{s1,s2,...,sn}。
S403、基于所述候选资源的风格信息，以及每类用户风格的目标风格信息，计算所述候选资源与每类用户风格之间的第二风格相似度，将所述第二风格相似度大于预设阈值的候选资源，确定为目标用户对应的目标资源。
本申请实施例中，基础资源包括候选资源，在得到每个基础资源的风格信息后，获取目标用户的候选资源的风格信息{r1,r2,...,rm}，共m个候选资源，计算每个候选资源的风格信息与每类用户风格对应的目标风格信息之间的欧式距离，即候选资源与每类用户风格之间的第二风格相似度
其中，sx为每类用户风格对应的目标风格信息，ry为每个候选资源的风格信息。若
则将ry对应的候选资源确定为目标用户对应的目标资源，ξ1为预设阈值，并且，ξ1略小于上述ξ。
进一步的，本申请实施例提供的资源推荐方法中，向目标用户推荐的目标资源对应有优先等级，优先等级越高，在购物车页面上的显示区域越靠前，具体的，通过如下方式确定目标资源的推荐优先级：
根据所述目标资源与每类用户风格之间的第二风格相似度的大小，以及所述目标资源的排列顺序，确定所述目标资源的推荐优先级。
本申请实施例中，在步骤304中确定目标用户对应的候选资源之后，对候选资源进行排序处理，得到候选资源的排列顺序，候选资源包括目标资源，相应的，可以得到目标资源的排列顺序，实际中，可以使用LR、FM、Wide&Deep等多种排序方法对候选资源进行排序。
针对每个目标资源，该目标资源与任一类用户风格之间的第二风格相似度越高，该目标资源的排列顺序越靠前，该目标资源的推荐优先级越高。作为一种可选的实施方式，不同的第二风格相似度区间范围对应不同的第一推荐值，比如，第二风格相似度在(1，0.8)区间范围内，对应第一推荐值10，第二风格相似度在(0.8，0.6)区间范围内，对应第一推荐值8；不同的排列顺序对应不同的第二推荐值，比如，排在第一位，对应第二推荐值10，排在第二位，对应第二推荐值9；针对每个目标资源，计算该目标资源对应的第一推荐值和第二推荐值的加和，基于上述加和的结果确定目标资源的推荐优先级，即上述加和的结果越大，推荐优先级越高。
进一步的，本申请实施例提供的资源推荐方法中，所述将所述目标资源推荐给所述目标用户包括：
基于预设的推荐规则，对不满足所述推荐规则的目标资源进行过滤，将过滤后的目标资源推荐给所述目标用户。
本申请实施例中，根据预设的推荐规则，对筛选得到的目标资源进行再次筛选，将满足上述推荐规则的目标资源推荐给目标用户。
作为一种可能的实施方式，预设的推荐规则为：目标资源与该目标资源同风格的已选基础资源必须是可以进行搭配使用的，若不能搭配使用，是不符合该推荐规则，比如，目标用户的购物车中有一件牛仔裙，经过步骤401至步骤403得到的目标资源包括牛仔上衣和牛仔裤，牛仔裙和牛仔上衣可以进行搭配，牛仔裙和牛仔裤通常情况下不能进行搭配，因此，将牛仔裤剔除，仅将牛仔上衣推荐给目标用户。
基于同一发明构思，本申请实施例中还提供了与资源推荐方法对应的资源推荐装置，由于本申请实施例中的装置解决问题的原理与本申请实施例上述资源推荐方法相似，因此装置的实施可以参见方法的实施，重复之处不再赘述。
参照图5所示，图5为本申请一实施例提供的一种资源推荐装置的结构示意图，该资源推荐装置包括：
第一确定模块501，用于根据资源提供方对应的历史浏览用户信息，以及所述资源提供方提供的基础资源对应的属性信息和视觉信息，确定所述基础资源对应的风格信息；
第一选取模块502，用于响应针对目标用户的资源推荐请求，从资源提供方提供的所述基础资源中选取与目标用户相关联的候选资源；
第二确定模块503，用于根据所述基础资源对应的风格信息，确定所述候选资源对应的第一风格信息以及所述目标用户的已选基础资源对应的第二风格信息；
第二选取模块504，用于根据所述候选资源对应的第一风格信息以及所述已选基础资源对应的第二风格信息，从所述候选资源中选取与所述已选基础资源相匹配的目标资源；
推荐模块505，用于将所述目标资源推荐给所述目标用户。
在一种可能的实施方式中，第一确定模块501，在根据资源提供方对应的历史浏览用户信息，以及所述资源提供方提供的基础资源对应的属性信息和视觉信息，确定所述基础资源对应的风格信息时，包括：
将所述基础资源对应的图像信息输入到预先训练好的图像分析模型中，得到所述基础资源对应的视觉信息；
根据所述基础资源对应的视觉信息，以及所述基础资源所属的资源类别，确定所述基础资源对应的初始化风格信息；
对包括所述历史浏览用户信息，所述基础资源对应的属性信息以及所述初始化风格信息的目标函数进行最小化处理，得到所述基础资源对应的风格信息。
在一种可能的实施方式中，第一选取模块502，在从资源提供方提供的所述基础资源中选取与目标用户相关联的候选资源时，包括：
针对每个基础资源，根据与该基础资源相关联的用户行为信息，确定该基础资源对应的推荐分值，将所述推荐分值位于第一阈值范围内的基础资源确定为第一候选资源；
根据目标用户对已接触基础资源的第一兴趣度，以及未接触基础资源与所述已接触基础资源之间的第一相似度，确定目标用户对所述未接触基础资源的第二兴趣度，将所述第二兴趣度位于第二阈值范围内的未接触基础资源，确定为第二候选资源；
根据目标用户的已选基础资源的属性信息以及未选基础资源的属性信息，确定所述已选基础资源与所述未选基础资源之间的第二相似度，将所述第二相似度位于第三阈值范围内的未选基础资源，确定为第三候选资源；
对所述第一候选资源，所述第二候选资源以及所述第三候选资源进行去重处理，并基于预设的排序规则，对去重处理的处理结果进行排序，得到所述目标用户对应的具有排列顺序的候选资源。
在一种可能的实施方式中，上述资源推荐装置还包括第三确定模块和第四确定模块，第三确定模块用于通过如下方式确定所述目标用户对已接触基础资源的第一兴趣度：
根据目标用户针对已接触基础资源的用户行为信息，以及不同类别的用户行为信息分别对应的权重，确定目标用户对已接触基础资源的第一兴趣度；
第四确定模块用于通过如下方式确定所述未接触基础资源与所述已接触基础资源之间的第一相似度：
根据与所述未接触基础资源相关联的用户行为信息，以及与所述已接触基础资源相关联的用户行为信息，确定所述未接触基础资源与所述已接触基础资源之间的第一相似度。
在一种可能的实施方式中，第二选取模块504，在根据所述候选资源对应的第一风格信息以及所述已选基础资源对应的第二风格信息，从所述候选资源中选取与所述已选基础资源相匹配的目标资源时，包括：
根据目标用户的每两个已选基础资源分别对应的风格信息，计算该两个已选基础资源之间的第一风格相似度；
根据每两个已选基础资源之间的第一风格相似度，确定所述目标用户对应的多类用户风格，以及每类用户风格对应的目标风格信息；
基于所述候选资源的风格信息，以及每类用户风格的目标风格信息，计算所述候选资源与每类用户风格之间的第二风格相似度，将所述第二风格相似度大于预设阈值的候选资源，确定为目标用户对应的目标资源。
在一种可能的实施方式中，所述资源推荐方法还包括第五确定模块：
第五确定模块，用于根据所述目标资源与每类用户风格之间的第二风格相似度的大小，以及所述目标资源的排列顺序，确定所述目标资源的推荐优先级。
在一种可能的实施方式中，推荐模块505，在将所述目标资源推荐给所述目标用户时，包括：
基于预设的推荐规则，对不满足所述推荐规则的目标资源进行过滤，将过滤后的目标资源推荐给所述目标用户。
本申请实施例提供的资源推荐装置，通过对每个资源所属风格的确定，将与用户已选资源风格相一致的其他资源推荐给用户，提高了资源推荐的准确度，提高了资源推荐的效率，进而提高了资源的转化率。
参见图6所示，图6为本申请实施例提供的一种电子设备600，该电子设备600包括：处理器601、存储器602和总线，所述存储器602存储有所述处理器601可执行的机器可读指令，当电子设备运行时，所述处理器601与所述存储器602之间通过总线通信，所述处理器601执行所述机器可读指令，以执行如上述资源推荐方法的步骤。
具体地，上述存储器602和处理器601能够为通用的存储器和处理器，这里不做具体限定，当处理器601运行存储器602存储的计算机程序时，能够执行上述资源推荐方法。
对应于上述资源推荐方法，本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行上述资源推荐方法的步骤。
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，上述描述的系统和装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。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实施例方案的目的。
另外，在本申请各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-OnlyMemory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：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，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围，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权利要求的保护范围为准。
Claims (10)
1.一种资源推荐方法，其特征在于，所述资源推荐方法包括：
根据资源提供方对应的历史浏览用户信息，以及所述资源提供方提供的基础资源对应的属性信息和视觉信息，确定所述基础资源对应的风格信息；
响应针对目标用户的资源推荐请求，从资源提供方提供的所述基础资源中选取与目标用户相关联的候选资源；
根据所述基础资源对应的风格信息，确定所述候选资源对应的第一风格信息以及所述目标用户的已选基础资源对应的第二风格信息；
根据所述候选资源对应的第一风格信息以及所述已选基础资源对应的第二风格信息，从所述候选资源中选取与所述已选基础资源相匹配的目标资源，并将所述目标资源推荐给所述目标用户。
2.根据权利要求1所述的资源推荐方法，其特征在于，所述根据资源提供方对应的历史浏览用户信息，以及所述资源提供方提供的基础资源对应的属性信息和视觉信息，确定所述基础资源对应的风格信息，包括：
将所述基础资源对应的图像信息输入到预先训练好的图像分析模型中，得到所述基础资源对应的视觉信息；
根据所述基础资源对应的视觉信息，以及所述基础资源所属的资源类别，确定所述基础资源对应的初始化风格信息；
对包括所述历史浏览用户信息，所述基础资源对应的属性信息以及所述初始化风格信息的目标函数进行最小化处理，得到所述基础资源对应的风格信息。
3.根据权利要求1所述的资源推荐方法，其特征在于，所述从资源提供方提供的所述基础资源中选取与目标用户相关联的候选资源，包括：
针对每个基础资源，根据与该基础资源相关联的用户行为信息，确定该基础资源对应的推荐分值，将所述推荐分值位于第一阈值范围内的基础资源确定为第一候选资源；
根据目标用户对已接触基础资源的第一兴趣度，以及未接触基础资源与所述已接触基础资源之间的第一相似度，确定目标用户对所述未接触基础资源的第二兴趣度，将所述第二兴趣度位于第二阈值范围内的未接触基础资源，确定为第二候选资源；
根据目标用户的已选基础资源的属性信息以及未选基础资源的属性信息，确定所述已选基础资源与所述未选基础资源之间的第二相似度，将所述第二相似度位于第三阈值范围内的未选基础资源，确定为第三候选资源；
对所述第一候选资源，所述第二候选资源以及所述第三候选资源进行去重处理，并基于预设的排序规则，对去重处理的处理结果进行排序，得到所述目标用户对应的具有排列顺序的候选资源。
4.根据权利要求3所述的资源推荐方法，其特征在于，通过如下方式确定所述目标用户对已接触基础资源的第一兴趣度：
根据目标用户针对已接触基础资源的用户行为信息，以及不同类别的用户行为信息分别对应的权重，确定目标用户对已接触基础资源的第一兴趣度；
通过如下方式确定所述未接触基础资源与所述已接触基础资源之间的第一相似度：
根据与所述未接触基础资源相关联的用户行为信息，以及与所述已接触基础资源相关联的用户行为信息，确定所述未接触基础资源与所述已接触基础资源之间的第一相似度。
5.根据权利要求1所述的资源推荐方法，其特征在于，所述根据所述候选资源对应的第一风格信息以及所述已选基础资源对应的第二风格信息，从所述候选资源中选取与所述已选基础资源相匹配的目标资源，包括：
根据目标用户的每两个已选基础资源分别对应的风格信息，计算该两个已选基础资源之间的第一风格相似度；
根据每两个已选基础资源之间的第一风格相似度，确定所述目标用户对应的多类用户风格，以及每类用户风格对应的目标风格信息；
基于所述候选资源的风格信息，以及每类用户风格的目标风格信息，计算所述候选资源与每类用户风格之间的第二风格相似度，将所述第二风格相似度大于预设阈值的候选资源，确定为目标用户对应的目标资源。
6.根据权利要求5所述的资源推荐方法，其特征在于，所述资源推荐方法还包括：
根据所述目标资源与每类用户风格之间的第二风格相似度的大小，以及所述目标资源的排列顺序，确定所述目标资源的推荐优先级。
7.根据权利要求1所述的资源推荐方法，其特征在于，所述将所述目标资源推荐给所述目标用户，包括：
基于预设的推荐规则，对不满足所述推荐规则的目标资源进行过滤，将过滤后的目标资源推荐给所述目标用户。
8.一种资源推荐装置，其特征在于，所述资源推荐装置包括：
第一确定模块，用于根据资源提供方对应的历史浏览用户信息，以及所述资源提供方提供的基础资源对应的属性信息和视觉信息，确定所述基础资源对应的风格信息；
第一选取模块，用于响应针对目标用户的资源推荐请求，从资源提供方提供的所述基础资源中选取与目标用户相关联的候选资源；
第二确定模块，用于根据所述基础资源对应的风格信息，确定所述候选资源对应的第一风格信息以及所述目标用户的已选基础资源对应的第二风格信息；
第二选取模块，用于根据所述候选资源对应的第一风格信息以及所述已选基础资源对应的第二风格信息，从所述候选资源中选取与所述已选基础资源相匹配的目标资源；
推荐模块，用于将所述目标资源推荐给所述目标用户。
9.一种电子设备，其特征在于，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述处理器执行所述机器可读指令，以执行如权利要求1至7任一项所述的资源推荐方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如权利要求1至7任一项所述的资源推荐方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010766034.7A CN111861678B (zh) | 2020-08-03 | 2020-08-03 | 一种资源推荐方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010766034.7A CN111861678B (zh) | 2020-08-03 | 2020-08-03 | 一种资源推荐方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111861678A true CN111861678A (zh) | 2020-10-30 |
| CN111861678B CN111861678B (zh) | 2024-03-26 |
Family
ID=72952683
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010766034.7A Active CN111861678B (zh) | 2020-08-03 | 2020-08-03 | 一种资源推荐方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111861678B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112561571A (zh) * | 2020-12-07 | 2021-03-26 | 深圳市思为软件技术有限公司 | 购房意向评估方法及相关设备 |
| CN113434633A (zh) * | 2021-06-28 | 2021-09-24 | 平安科技（深圳）有限公司 | 基于头像的社交话题推荐方法、装置、设备及存储介质 |
| CN113988060A (zh) * | 2021-08-31 | 2022-01-28 | 中国电子科技集团公司第十五研究所 | 数据信息推荐方法、装置、终端设备和存储介质 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150371260A1 (en) * | 2014-06-19 | 2015-12-24 | Elwha Llc | Systems and methods for providing purchase options to consumers |
| CN109360050A (zh) * | 2018-09-27 | 2019-02-19 | 东华大学 | 基于感性需求的个人服装管理与个性化搭配推荐智能系统 |
| US20190188771A1 (en) * | 2017-12-15 | 2019-06-20 | Capital One Services, Llc | Systems and Methods for Transaction-Based Real Time Pre-Intent Recommendations for a Sequential Purchase |
| CN110110181A (zh) * | 2019-05-09 | 2019-08-09 | 湖南大学 | 一种基于用户风格和场景偏好的服装搭配推荐方法 |
| CN110659416A (zh) * | 2019-09-09 | 2020-01-07 | 秒针信息技术有限公司 | 一种浏览资源的推荐方法、推荐装置及可读存储介质 |
| KR20200023093A (ko) * | 2018-08-24 | 2020-03-04 | 십일번가 주식회사 | 스타일 코디 추천 방법 및 이를 위한 장치 |
| CN111310032A (zh) * | 2020-01-21 | 2020-06-19 | 北京健康之家科技有限公司 | 资源推荐方法、装置、计算机设备及可读存储介质 |
| CN111400615A (zh) * | 2020-03-19 | 2020-07-10 | 腾讯科技（深圳）有限公司 | 一种资源推荐方法、装置、设备及存储介质 |
| CN111402013A (zh) * | 2020-06-04 | 2020-07-10 | 成都晓多科技有限公司 | 一种商品搭配推荐方法、系统、装置及存储介质 |
-
2020
- 2020-08-03 CN CN202010766034.7A patent/CN111861678B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150371260A1 (en) * | 2014-06-19 | 2015-12-24 | Elwha Llc | Systems and methods for providing purchase options to consumers |
| US20190188771A1 (en) * | 2017-12-15 | 2019-06-20 | Capital One Services, Llc | Systems and Methods for Transaction-Based Real Time Pre-Intent Recommendations for a Sequential Purchase |
| KR20200023093A (ko) * | 2018-08-24 | 2020-03-04 | 십일번가 주식회사 | 스타일 코디 추천 방법 및 이를 위한 장치 |
| CN109360050A (zh) * | 2018-09-27 | 2019-02-19 | 东华大学 | 基于感性需求的个人服装管理与个性化搭配推荐智能系统 |
| CN110110181A (zh) * | 2019-05-09 | 2019-08-09 | 湖南大学 | 一种基于用户风格和场景偏好的服装搭配推荐方法 |
| CN110659416A (zh) * | 2019-09-09 | 2020-01-07 | 秒针信息技术有限公司 | 一种浏览资源的推荐方法、推荐装置及可读存储介质 |
| CN111310032A (zh) * | 2020-01-21 | 2020-06-19 | 北京健康之家科技有限公司 | 资源推荐方法、装置、计算机设备及可读存储介质 |
| CN111400615A (zh) * | 2020-03-19 | 2020-07-10 | 腾讯科技（深圳）有限公司 | 一种资源推荐方法、装置、设备及存储介质 |
| CN111402013A (zh) * | 2020-06-04 | 2020-07-10 | 成都晓多科技有限公司 | 一种商品搭配推荐方法、系统、装置及存储介质 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112561571A (zh) * | 2020-12-07 | 2021-03-26 | 深圳市思为软件技术有限公司 | 购房意向评估方法及相关设备 |
| CN113434633A (zh) * | 2021-06-28 | 2021-09-24 | 平安科技（深圳）有限公司 | 基于头像的社交话题推荐方法、装置、设备及存储介质 |
| CN113988060A (zh) * | 2021-08-31 | 2022-01-28 | 中国电子科技集团公司第十五研究所 | 数据信息推荐方法、装置、终端设备和存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111861678B (zh) | 2024-03-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6825141B2 (ja) | 服飾コーディネーションの推薦方法および装置、電子デバイス、記憶媒体 | |
| CN109191240B (zh) | 一种进行商品推荐的方法和装置 | |
| US9607010B1 (en) | Techniques for shape-based search of content | |
| KR102664008B1 (ko) | 시각 정보에 기초한 고객 아이템 추천 방법 및 장치 | |
| CN111861678B (zh) | 一种资源推荐方法、装置、电子设备及存储介质 | |
| US20200342320A1 (en) | Non-binary gender filter | |
| KR20120085707A (ko) | 사용자 장르 및 스타일을 학습하고 사용자 선호도에 따라 상품을 매칭하는 방법 및 시스템 | |
| US20150170250A1 (en) | Recommendation engine for clothing and apparel | |
| US20150120759A1 (en) | System and method for item and item set matching | |
| CN108665333A (zh) | 商品推荐方法、装置、电子设备和存储介质 | |
| Al-Lohibi et al. | Awjedni: a reverse-image-search application | |
| CN110175895B (zh) | 一种物品推荐方法及装置 | |
| Cardoso et al. | Product characterisation towards personalisation: learning attributes from unstructured data to recommend fashion products | |
| US11037071B1 (en) | Cross-category item associations using machine learning | |
| CN106874503B (zh) | 获取推荐数据的方法和装置 | |
| US20210350391A1 (en) | Methods and systems for providing a personalized user interface | |
| Hong et al. | Development of a new knowledge-based fabric recommendation system by integrating the collaborative design process and multi-criteria decision support | |
| WO2013181652A2 (en) | Systems and methods for providing personalized content browsing experience | |
| CN113032668A (zh) | 基于用户画像的产品推荐方法、装置、设备及存储介质 | |
| CN111028029A (zh) | 一种线下商品推荐方法、装置和电子设备 | |
| Chen et al. | Query-free clothing retrieval via implicit relevance feedback | |
| CN111815404A (zh) | 虚拟物品分享方法及装置 | |
| Hu et al. | Examining collaborative filtering algorithms for clothing recommendation in e-commerce | |
| CN117495513B (zh) | 一种基于大数据和人工智能的购物推荐方法及系统 | |
| Bhattacharjee et al. | An integrated machine learning and DEMATEL approach for feature preference and purchase intention modelling |
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: 20240103 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 |