CN112036987A - 确定推荐商品的方法和装置 - Google Patents

确定推荐商品的方法和装置 Download PDF

Info

Publication number
CN112036987A
CN112036987A CN202010955357.0A CN202010955357A CN112036987A CN 112036987 A CN112036987 A CN 112036987A CN 202010955357 A CN202010955357 A CN 202010955357A CN 112036987 A CN112036987 A CN 112036987A
Authority
CN
China
Prior art keywords
user
commodity
recommended
determining
operation behavior
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
CN202010955357.0A
Other languages
English (en)
Other versions
CN112036987B (zh
Inventor
王昌建
郭浩
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.)
Hangzhou Hikvision Digital Technology Co Ltd
Original Assignee
Hangzhou Hikvision Digital 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 Hangzhou Hikvision Digital Technology Co Ltd filed Critical Hangzhou Hikvision Digital Technology Co Ltd
Priority to CN202010955357.0A priority Critical patent/CN112036987B/zh
Publication of CN112036987A publication Critical patent/CN112036987A/zh
Application granted granted Critical
Publication of CN112036987B publication Critical patent/CN112036987B/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)

Abstract

本申请公开了一种确定推荐商品的方法和装置，属于计算机技术领域。该方法包括：在用户集中选取第一子用户集和第二子用户集，其中，第一子用户集中的第一用户存在商城操作行为，第二子用户集中的第二用户不存在商城操作行为；基于第一用户的商城操作行为，确定第一用户的推荐商品；基于第一用户和第二用户的静态属性信息、基本功能操作行为、物联网设备操作行为和物联网设备的静态属性信息，在第一子用户集中确定第二用户对应的相似用户集；在相似用户集中的第一用户的推荐商品中选取第二用户的推荐商品。采用本申请，可以使得确定出的推荐商品与用户的特点相适应，有效提高了推荐广告的点击率与客单转换率。

Description

确定推荐商品的方法和装置
技术领域
本申请涉及计算机技术领域，具体涉及一种确定推荐商品的方法和装置。
背景技术
随着物联网技术和互联网技术的融合，人们在终端使用应用程序就可以在异地实时远程操控与注册用户绑定的各类物联网设备(如智能摄像头)。同时，为了满足用户不断变化的需求，应用程序中往往会向用户提供购买商品(如各种物联网设备)的商城功能。随着电子商务规模的不断扩大，商品的个数和种类快速增长，用户在不明确自身需求的情况下，需要花费大量的时间才能找到自己想买的商品。另外，也存在着大量已注册用户，他们对商城的功能并不熟悉或者并不经常使用，尚未产生实际的订单，而这部分用户很可能是商城的潜在客户。
相关技术中，为了挽回那些使用过商城功能却不断流失的用户，同时挖掘那些已注册却不熟悉商城功能的潜在客户，目前已有的方案是通过定期向所有用户投放推荐广告，引导用户前来商城进行商品购买。
然后，相关技术中向所有用户推荐的商品均相同，不能根据每个用户的特点去推荐商品，这就使得推荐广告的点击率与客单转换率较低。
发明内容
本申请实施例提供了一种确定推荐商品的方法和装置，可以解决相关技术中存在的技术问题。所述确定推荐商品的方法和装置的技术方案如下：
第一方面，提供了一种确定推荐商品的方法，所述方法包括：
在用户集中选取第一子用户集和第二子用户集，其中，所述第一子用户集中的第一用户存在商城操作行为，所述第二子用户集中的第二用户不存在商城操作行为；
基于所述第一用户的商城操作行为，确定所述第一用户的推荐商品；
基于所述第一用户和所述第二用户的静态属性信息、基本功能操作行为、物联网设备操作行为和物联网设备的静态属性信息，在所述第一子用户集中确定所述第二用户对应的相似用户集；
在所述相似用户集中的第一用户的推荐商品中选取所述第二用户的推荐商品。
在一种可能的实现方式中，所述在用户集中选取第一子用户集和第二子用户集之前，所述方法还包括：
获取所述用户集中的用户的静态属性信息、基本功能操作行为、商城操作行为、物联网设备操作行为和物联网设备的静态属性信息，建立所述用户集对应的用户信息数据库；
所述在用户集中选取第一子用户集和第二子用户集，包括：
基于所述用户信息数据库，在所述用户集中选取第一子用户集和第二子用户集。
在一种可能的实现方式中，所述获取所述用户集中的用户的静态属性信息、基本功能操作行为、商城操作行为、物联网设备操作行为和物联网设备的静态属性信息，包括：
获取所述用户集中的用户的静态属性信息和物联网设备的静态属性信息；
在所述用户集中确定活跃用户，其中，所述活跃用户是指在最近设定时间段内存在登录行为的用户；
获取所述活跃用户的基本功能操作行为、商城操作行为和物联网设备操作行为。
在一种可能的实现方式中，所述物联网设备包括智能摄像头、智能门锁、智能照明设备和智能影音设备中的一种或多种。
在一种可能的实现方式中，所述基于所述第一用户的商城操作行为，确定所述第一用户的推荐商品，包括：
基于所述第一用户的商城操作行为的类型、发生时间、发生时长和对应的商品，确定所述第一用户的推荐商品。
在一种可能的实现方式中，所述基于所述第一用户的商城操作行为的类型、发生时间、发生时长和对应的商品，确定所述第一用户的推荐商品，包括：
基于所述第一用户的商城操作行为的类型、发生时间和发生时长，以及所述商城操作行为对应的商品，确定所述第一用户与商品的评分矩阵；
基于所述第一用户与商品的评分矩阵中的各个商品的销量，对所述第一用户与商品的评分矩阵进行平滑化处理；
对经所述平滑化处理后的第一用户与商品的评分矩阵，进行对数平滑化处理；
将经所述对数平滑化处理后的第一用户与商品的评分矩阵，进行归一化处理；
将经归一化处理后的第一用户与商品的评分矩阵输入到交替最小二乘法ALS算法模型中，得到所述第一用户对应的每个商品的评分；
对于每个第一用户，确定所述第一用户对应的商品中评分最高的一个或多个商品，作为所述第一用户的推荐商品。
在一种可能的实现方式中，所述第一用户和所述第二用户均属于活跃用户，所述活跃用户是指在最近设定时间段内存在登录操作的用户，所述方法还包括：
在所述用户集中选取第三子用户集，其中，所述第三子用户集中的第三用户不属于活跃用户；
在商城的热门商品集中选取所述第三用户的推荐商品。
在一种可能的实现方式中，每个用户对应多个推荐商品，在确定用户的推荐商品之后，所述方法还包括：
确定每个用户的每个推荐商品对应的显示概率。
第二方面，提供了一种确定推荐商品的装置，所述装置包括：
选取模块，用于在用户集中选取第一子用户集和第二子用户集，其中，所述第一子用户集中的第一用户存在商城操作行为，所述第二子用户集中的第二用户不存在商城操作行为；
确定模块，用于基于所述第一用户的商城操作行为，确定所述第一用户的推荐商品；
所述确定模块，还用于基于所述第一用户和所述第二用户的静态属性信息、基本功能操作行为、物联网设备操作行为和物联网设备的静态属性信息，在所述第一子用户集中确定所述第二用户对应的相似用户集；
所述选取模块，还用于在所述相似用户集中的第一用户的推荐商品中选取所述第二用户的推荐商品。
在一种可能的实现方式中，所述装置还包括获取模块，用于：
获取所述用户集中的用户的静态属性信息、基本功能操作行为、商城操作行为、物联网设备操作行为和物联网设备的静态属性信息，建立所述用户集对应的用户信息数据库；
所述选取模块，用于：
基于所述用户信息数据库，在所述用户集中选取第一子用户集和第二子用户集。
在一种可能的实现方式中，所述获取模块，用于：
获取所述用户集中的用户的静态属性信息和物联网设备的静态属性信息；
在所述用户集中确定活跃用户，其中，所述活跃用户是指在最近设定时间段内存在登录行为的用户；
获取所述活跃用户的基本功能操作行为、商城操作行为和物联网设备操作行为。
在一种可能的实现方式中，所述确定模块，用于：
基于所述第一用户的商城操作行为的类型、发生时间、发生时长和对应的商品，确定所述第一用户的推荐商品。
在一种可能的实现方式中，所述确定模块，用于：
基于所述第一用户的商城操作行为的类型、发生时间和发生时长，以及所述商城操作行为对应的商品，确定所述第一用户与商品的评分矩阵；
基于所述第一用户与商品的评分矩阵中的各个商品的销量，对所述第一用户与商品的评分矩阵进行平滑化处理；
对经所述平滑化处理后的第一用户与商品的评分矩阵，进行对数平滑化处理；
将经所述对数平滑化处理后的第一用户与商品的评分矩阵，进行归一化处理；
将经归一化处理后的第一用户与商品的评分矩阵输入到交替最小二乘法ALS算法模型中，得到所述第一用户对应的每个商品的评分；
对于每个第一用户，确定所述第一用户对应的商品中评分最高的一个或多个商品，作为所述第一用户的推荐商品。
在一种可能的实现方式中，所述第一用户和所述第二用户均属于活跃用户，所述活跃用户是指在最近设定时间段内存在登录操作的用户，所述选取模块，还用于：
在所述用户集中选取第三子用户集，其中，所述第三子用户集中的第三用户不属于活跃用户；
在商城的热门商品集中选取所述第三用户的推荐商品。
在一种可能的实现方式中，每个用户对应多个推荐商品，所述确定模块，还用于：
确定每个用户的每个推荐商品对应的显示概率。
第三方面，提供了一种服务器，所述服务器包括处理器和存储器，所述存储器中存储有至少一条指令，所述至少一条指令由所述处理器加载并执行以实现上述第一方面任一项所述的确定推荐商品的方法。
第四方面，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中存储由至少一条指令，所述至少一条指令由处理器加载并执行以实现上述第一方面任一项所述的确定推荐商品的方法。
本申请实施例提供的技术方案带来的有益效果至少包括：
本申请实施例提供了一种确定推荐商品的方法，该方法可以根据具有商城操作行为的第一用户的商城操作行为，确定第一用户的推荐商品。而对于不具有商城操作行为的第二用户，可以先根据第一用户和第二用户的静态属性信息、基本功能操作行为、物联网设备操作行为和物联网设备的静态属性信息，在第一子用户集中确定第二用户对应的相似用户集。然后，在相似用户集中的第一用户的推荐商品中选取第二用户的推荐商品。从而，使得向用户推荐的商品与用户的特点相适应，可以有效提高推荐广告的点击率和客单转换率。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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的附图。
图1是本申请实施例提供的一种确定推荐商品的方法的流程图；
图2是本申请实施例提供的一种确定推荐商品的装置的结构示意图；
图3是本申请实施例提供的一种服务器的结构框图；
图4是本申请实施例提供的一种采集数据的流程图；
图5是本申请实施例提供的一种融合数据的流程图；
图6是本申请实施例提供的一种提取数据特征的流程图；
图7是本申请实施例提供的一种确定推荐商品的方法的流程图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。
本申请实施例提供了一种确定推荐商品的方法，该方法可以由服务器实现。其中，该服务器可以是后台服务器，示例性的，该服务器可以是具有物联网设备操作功能的应用程序的后台服务器，该应用程序除了具有物联网设备操作功能之外还具有商城功能。用户可以通过该应用程序操作物联网设备，并且，还可以在应用程序提供的商城中购买商品，例如，购买物联网设备。
服务器在采用本申请实施例提供的确定推荐商品的方法，确定推荐商品之后，可以将推荐商品和用户对应存储。然后，在终端获取推荐商品时，将终端登录的用户对应的推荐商品发送给该终端，则终端可以显示该推荐商品对应的推荐广告。
本申请实施例示出了一种确定推荐商品的方法，该方法可以由服务器实现，如图1所示，该方法的处理流程可以包括如下步骤：
在步骤101中，在用户集中选取第一子用户集和第二子用户集。
其中，第一子用户集中的第一用户存在商城操作行为，第二子用户集中的第二用户不存在商城操作行为。
在实施中，在确定用户集中的用户的推荐商品时，可以根据用户的不同特点，将用户集划分为第一子用户集和第二子用户集。第一子用户集中的第一用户存在商城操作行为，而第二子用户集中的第二用户不存在商城操作行为，第二子用户集中的第二用户可以存在物联网设备操作行为和基本功能操作行为。
另外，第一用户和第二用户可以均为活跃用户，活跃用户是指在最近设定时间段内存在登录行为的用户，则还可以在用户集中选取第三子用户集，第三子用户集中的第三用户不属于活跃用户。
需要说明的是，在从用户集中选取子用户集之前，可以先构建用户集对应的用户信息数据库，然后再根据用户信息数据库中的信息，将用户集划分为多个子用户集。
下面，提供一种构建用户信息数据库的可能的实现方式：
在一种可能的实现方式中，获取用户集中的用户的静态属性信息、基本功能操作行为、商城操作行为、物联网设备操作行为和物联网设备的静态属性信息，并基于上述数据建立用户集对应的用户信息数据库。然后，可以基于用户信息数据库，在用户集中选取第一子用户集和第二子用户集。
其中，商城操作行为包括用户在商城界面的页面点击、浏览、加购物车、下单和支付等操作行为，以及各行为的发生时间、发生时长和操作顺序等。
物联网设备操作行为包括操作的物联网设备的类型、操作类型、操作顺序和使用时长等。
基本功能操作行为可以包括用户登录应用程序的时间、登录应用程序的时长和除商城操作行为、物联网设备操作行为之外的操作行为。
用户的静态属性信息是指有关用户的年龄、性别和职业等静态属性信息。
物联网设备的静态属性信息是指有关物联网设备的类型和版本等静态属性信息，物联网设备与用户相关联(或称为相绑定)。物联网设备可以包括智能摄像头、智能门锁、智能照明设备和智能影音设备中的一种或多种。
在实施中，每当达到设定的推荐周期，服务器可以执行获取用户的静态属性信息、基本功能操作行为、商城操作行为、物联网设备操作行为和物联网设备的静态属性信息的获取操作，以便构建用户信息数据库，并用于后续用户的推荐商品的计算。
为了减少涉及到的信息量和计算量，可以仅仅获取活跃用户的基本功能操作行为、商城操作行为和物联网设备操作行为。具体的处理过程可以如下所述：获取用户集中的用户的静态属性信息和物联网设备的静态属性信息。在用户集中确定活跃用户，其中，活跃用户是指在最近设定时间段内存在登录行为的用户。获取活跃用户的基本功能操作行为、商城操作行为和物联网设备操作行为。
下面，结合图4-图6对用户信息数据库的构建过程进行说明，用户信息数据库的构建过程可以划分为三个步骤，分别为数据的采集步骤，信息宽表的生成步骤和特征的提取步骤：
1、参照图4，数据的采集步骤，该步骤主要涉及对原始数据的采集过程：
(1)配置数据源，被采集的数据源包括：用户的静态属性数据、物联网设备的静态属性数据、商城操作行为数据、物联网设备操作行为数据、基本功能操作行为数据。另外，还可以获取商城业务数据，以便于后续计算商城对应的热门商品集。
(2)根据各个数据源的类型，配置各个业务数据和埋点数据所需接入的数据表，并按照相关规则进行转换处理后，将采集到的数据存储到采集数据库的目标表中，形成各类采集数据的中间表。
2、参照图5，信息宽表的生成步骤，该步骤主要涉及对采集到的原始数据进行筛选，并客观记录在信息宽表中：
(1)提取采集数据库的各个中间表中有用的用户的静态属性数据，融合形成用户的静态属性宽表，并存储到融合数据库中。
(2)提取采集数据库的各个中间表中有用的物联网设备的静态属性数据，融合形成物联网设备的静态属性信息宽表，并存储到融合数据库。
(3)提取采集数据库中包含用户基本行为事件(如登录操作，以及除商城操作行为和物联网设备操作行为之外的行为事件)的发生时间、发生时长、事件类型等基本功能操作行为数据，融合形成基本功能操作行为宽表，并存储到融合数据库。
(4)提取采集数据库中包含用户对物联网设备的操作时间、操作时长、操作类型等物联网设备操作行为数据，融合形成物联网设备操作行为宽表，并存储到融合数据库。
(5)提取采集数据库中包含用户商城操作行为的时间、时长、事件类型等数据，融合形成商城操作行为宽表，并存储到融合数据库中。
(6)如果采集数据库中存储有商城业务数据，则还可以提取采集数据库的各个中间表中的商城业务数据，融合形成商城商品宽表，并存储到融合数据库。
3、参照图6，特征的提取步骤，该步骤主要涉及对信息宽表中客观记录的数据进行延伸计算，例如，根据信息宽表中记录的各个时刻用户的操作，统计计算目标商城操作行为发生的总次数和频率等：
(1)对于所有应用程序中注册的用户，在融合数据库中提取用户的静态属性特征，并存储到用户信息数据库中。
(2)对于所有应用程序中注册使用的物联网设备，在融合数据库中提取物联网设备的静态属性特征，并存储到用户信息数据库中。
(3)确定活跃用户：
为了提高特征提取和后续推荐算法计算的运行效率，首先确定过去N天内登录过应用程序的用户，即圈定活跃用户的范围，从而减少数据计算搜索范围。在确定用户是否存在登录行为时，可以是根据用户的基本功能操作行为来确定。
(4)提取活跃用户过去N天内基本功能操作行为特征，这些特征包括操作的页面、页面的浏览顺序、页面停留的时长等，将这些提取的特征存储到用户信息数据库中。
(5)判断活跃用户是否存在商城操作行为，若存在商城操作行为，则对这部分用户提取过去N天内商城操作行为特征，这些特征包括页面点击、浏览、加购物车、下单、支付等操作的时间、页面停留时长和页面操作顺序等，将这些提取的特征存储到用户信息数据库。
(6)判断活跃用户中是否存在物联网设备操作行为，若存在物联网设备操作行为，则对这部分用户提取过去N天内物联网设备操作行为特征，这些特征包括物联网设备的设备类型、操作类型、操作顺序、使用时长等，将这些提取的特征存储到用户信息数据库中。
需要补充说明的是，本申请实施例中获取用户集中的用户的静态属性信息、基本功能操作行为、商城操作行为、物联网设备操作行为和物联网设备的静态属性信息这一步骤，可以是指图4所示的数据的采集步骤，也可以是图5所示的信息宽表的生成步骤，还可以是指图6示出的特征的提取步骤。当然，也可以是指图4-图6示出的完整步骤，即数据的采集步骤、信息宽表的生成步骤和特征的提取步骤的结合。
在步骤102中，基于第一用户的商城操作行为，确定第一用户的推荐商品。
在实施中，对于第一用户，由于存在商城操作行为，则可以根据商城操作行为确定第一用户的推荐商品。例如，第一用户浏览过哪个商品，或是将哪个商品加入过购物车，则将该商品确定为第一用户的推荐商品。
下面，提供一种根据第一用户的商城操作行为，确定第一用户的推荐商品的实现方式：
在确定第一用户的推荐商品时，可以根据商城操作行为的类型、发生时间、发生时长和对应的商品，确定第一用户的推荐商品。
示例性的，基于第一用户的商城操作行为的类型、发生时间和发生时长，以及每个商城操作行为对应的商品，确定第一用户与商品的评分矩阵。基于第一用户与商品的评分矩阵中的各个商品的销量，对第一用户与商品的评分矩阵进行平滑化处理。对经平滑化处理后的第一用户与商品的评分矩阵，进行对数平滑化处理。将经对数平滑化处理后的第一用户与商品的评分矩阵，输入到ALS算法模型中，得到第一用户对应的每个商品的评分。对于每个第一用户，确定第一用户对应的商品中评分最高的一个或多个商品，作为第一用户的推荐商品。
下面，对确定第一用户的推荐商品的方法进行更加详细的说明：
(1)根据第一用户过去N天内的商城操作行为，通过各类商城操作行为与最终成交结果之间的关系，使用皮尔逊(Pearson)相关系数计算各类商城操作行为的初始分值we。
(2)考虑当前时刻用户购买某商品的意愿和过去N天时间内该用户在商城操作行为发生时间与当前时刻之间的时间间隔成反比。即该用户对某商城操作行为的发生时间离当前时刻越久远，则对该用户当前时刻购买该商品的影响越低，反之该用户对某商城操作行为的发生时间离当前时刻越近，则影响越高。基于上述假设，计算得到当前时刻下用户过去N天内商城操作行为关于时间的衰减函数f(T)。
(3)考虑用户购买某商品的意愿也和该用户在商城操作行为的页面停留时长成正比。即该用户对某商城操作行为的页面停留时长越长，则该用户对该商品的购买意愿越强烈；反之该用户对某商城操作行为的页面停留时长越短，则该用户对该商品的购买意愿越不明显。基于上述假设，计算得到当前时刻下用户过去N天内商城操作行为关于页面停留时长的递增函数f(t)。
(4)结合上述计算结果，可以推导出过去N天内每个用户的每个商城相关操作行为事件的评分值ru,i，最后形成用户与商品的评分矩阵Ru,i。其中，评分值ru,i的计算公式为：ru,i＝∑wef(T)f(t)。
(5)接着考虑热门商品和冷门商品的分布情况，对上一步生成的用户与商品的评分矩阵Ru,i中每一类商品的评分，根据对应类别商品的销量进行平滑处理，形成平滑化处理后的用户与商品的评分矩阵R1 u,i。
(6)然后考虑评分值中的极端数值，对于上一步生成的用户与商品的评分矩阵R1 u,i进行对数平滑处理，形成对数平滑处理后的用户与商品评分矩阵R2 u,i。
(7)最后对用户与商品评分矩阵R2 u,i进行归一化处理之后，输入到ALS算法模型中进行模型训练和预测。对于每个用户，选择排名靠前的Top K的结果值，作为过去N天内存在商城行为用户的推荐结果集。
在步骤103中，基于第一用户和第二用户的静态属性信息、基本功能操作行为、物联网设备操作行为和物联网设备的静态属性信息，在第一子用户集中确定第二用户对应的相似用户集。
在实施中，对于过去N天内不存在商城操作行为的活跃用户，由于其不存在商城操作行为，所以，不能根据其商城操作行为计算得到第二用户的推荐商品。这时，可以根据第一用户和第二用户的静态属性信息、基本功能操作行为信息、物联网设备操作行为和物联网设备的静态属性信息，计算第二用户和第一用户之间的相似度，并确定第二用户对应的相似用户集。然后，即可以将第二用户对应的相似用户集中的所有第一用户的推荐商品中，推荐次数最多的一个或多个推荐商品，确定为第二用户的推荐商品。
计算用户之间的相似度时，示例性的，可以采用K均值聚类(K-Means)和局部敏感哈希(Locality-Sensitive Hashing，LSH)相似度计算方法，计算用户相似度。
在步骤104中，在相似用户集中的第一用户的推荐商品中选取第二用户的推荐商品。
在实施中，在第一子用户集中确定出第二用户对应的相似用户集之后，可以在相似用户集中选取第二用户的推荐商品。
示例性的，获取相似用户集中的第一用户的推荐结果集作为对应的第二用户的初始推荐结果集，并对该初始推荐结果集中的商品按商品被推荐的次数进行排序，选择排在Top K的结果值，作为过去N天内没有商城行为用户的推荐结果集。其中，K为正整数，可以由开发人员根据实际经验设置。
另外，由于第三子用户集中的第三用户不属于活跃用户，即第三用户在N天之内未登录过应用程序，也就不存在操作行为。因此，无法根据商城操作行为计算得出第三用户的推荐商品，也无法使用基本功能操作行为和物联网设备操作行为，计算得到第三用户对应的相似用户集。因此，在这种情况下，可以默认向第三用户推荐热门商品。
下面，提供一种确定第三用户的推荐商品的实现方式：
(1)根据商城业务信息(可以包括各个商品的类型和销量等)计算商品热门度，根据商品热门度确定热门商品集。
(2)使用热门商品集中商品热门度排在Top K的商品作为第三用户的推荐商品。其中，K为正整数，可以由开发人员根据实际经验设置。
需要补充说明的是，计算得到用户集中的所有用户的推荐商品之后，可以将用户与推荐商品对应存储。当服务器接收到终端发送的携带有用户标识的推荐商品获取请求之后，根据用户标识确定对应的推荐商品，并将推荐商品发送给终端。
另外，为了使终端上可以显示多种推荐商品，每个用户可以对应有推荐商品集。并且，为了使得评分较高的推荐商品的显示概率更高，服务器还可以基于推荐商品的评分，确定推荐商品的显示概率，在发送推荐商品给终端时，将对应的显示概率发送给终端，以使终端可以显示多种推荐商品，并使得推荐商品的显示概率与推荐商品的评分相关，提高了推荐商品转换为用户的购买商品的转化率。
示例性的，服务器将用户集中的所有用户的推荐商品存储到数据库中，构建起数据索引。并且，根据每个用户的各个商品的推荐评分值，计算每个商品的展示概率，并根据该展示概率提供推荐结果，以接口服务的形式供业务系统调用。
本申请实施例提供了一种确定推荐商品的方法，该方法可以根据具有商城操作行为的第一用户的商城操作行为，确定第一用户的推荐商品。而对于不具有商城操作行为的第二用户，可以先根据第一用户和第二用户的静态属性信息、基本功能操作行为、物联网设备操作行为和物联网设备的静态属性信息，在第一子用户集中确定第二用户对应的相似用户集。然后，在相似用户集中的第一用户的推荐商品中选取第二用户的推荐商品。从而，使得向用户推荐的商品与用户的特点相适应，可以有效提高推荐广告的点击率和客单转换率。
图7为本申请实施例提供的一种确定推荐商品的方法流程图，下面结合图7，对确定推商品的方法进行说明：
本申请实施例提供的确定推荐商品的方法，根据用户集中的用户的不同特点，将用户集划分为第一子用户集、第二子用户集和第三子用户集，然后，根据每个用户集中的包括的用户的特点，采用相应的推荐算法确定对应的推荐商品。
示例性的，参照图7，根据用户信息数据库中的商城业务信息，计算得到商品热门度，并得到热门商品集。
根据用户信息数据库的信息，确定用户过去N天内是否登录过终端，如果否，则确定该用户属于第三子用户集，并在热门商品集中选取该用户的推荐商品(即推荐算法(一))，最终可以得到第三用户的推荐商品集。
对于过去N天内登录过终端的用户，则计算这些用户之间的相似度，并得到相似用户清单。
确定过去N天内登录过终端的用户是否存在商城操作行为，如果是，则确定该用户属于第一子用户集，并根据该用户的商城操作行为，确定该用户的推荐商品(即推荐算法(二))，最终可以得到第一用户的推荐商品集。
对于过去N天内登录过终端但不存在商城操作行为的用户(即第二用户)，根据相似用户清单，在第一子用户集中确定第二用户的相似用户集，并在相似用户集中的第一用户的推荐商品中选取第二用户的推荐商品(即推荐算法(三))，最终可以得到第二用户的推荐商品集。
最后，融合第一用户的推荐商品集、第二用户的推荐商品集和第三用户的推荐商品集，即得到用户集中用户的推荐商品集。
基于相同的技术构思，本申请实施例还提供了一种确定推荐商品的装置，该装置可以为服务器，如图2所示，该装置包括：
选取模块201，用于在用户集中选取第一子用户集和第二子用户集，其中，第一子用户集中的第一用户存在商城操作行为，第二子用户集中的第二用户不存在商城操作行为；
确定模块202，用于基于第一用户的商城操作行为，确定第一用户的推荐商品；
确定模块202，还用于基于第一用户和第二用户的静态属性信息、基本功能操作行为、物联网设备操作行为和物联网设备的静态属性信息，在第一子用户集中，确定第二用户对应的相似用户集；
选取模块201，还用于在相似用户集中的第一用户的推荐商品中选取第二用户的推荐商品。
在一种可能的实现方式中，装置还包括获取模块，用于：
获取用户集中的用户的静态属性信息、基本功能操作行为、商城操作行为、物联网设备操作行为和物联网设备的静态属性信息，建立用户集对应的用户信息数据库；
选取模块201，用于：
基于用户信息数据库，在用户集中选取第一子用户集和第二子用户集。
在一种可能的实现方式中，获取模块201，用于：
获取用户集中的用户的静态属性信息和物联网设备的静态属性信息；
在用户集中确定活跃用户，其中，活跃用户是指在最近设定时间段内存在登录行为的用户；
获取活跃用户的基本功能操作行为、商城操作行为和物联网设备操作行为。
在一种可能的实现方式中，确定模块202，用于：
基于第一用户的商城操作行为的类型、发生时间、发生时长和对应的商品，确定第一用户的推荐商品。
在一种可能的实现方式中，确定模块202，用于：
基于第一用户的商城操作行为的类型、发生时间和发生时长，以及商城操作行为对应的商品，确定第一用户与商品的评分矩阵；
基于第一用户与商品的评分矩阵中的各个商品的销量，对第一用户与商品的评分矩阵进行平滑化处理；
对经平滑化处理后的第一用户与商品的评分矩阵，进行对数平滑化处理；
将经对数平滑化处理后的第一用户与商品的评分矩阵，进行归一化处理；
将经归一化处理后的第一用户与商品的评分矩阵输入到交替最小二乘法ALS算法模型中，得到第一用户对应的每个商品的评分；
对于每个第一用户，确定第一用户对应的商品中评分最高的一个或多个商品，作为第一用户的推荐商品。
在一种可能的实现方式中，第一用户和第二用户均属于活跃用户，活跃用户是指在最近设定时间段内存在登录操作的用户，选取模块201，还用于：
在用户集中选取第三子用户集，其中，第三子用户集中的第三用户不属于活跃用户；
在商城的热门商品集中选取第三用户的推荐商品。
在一种可能的实现方式中，每个用户对应多个推荐商品，确定模块202，还用于：
确定每个用户的每个推荐商品对应的显示概率。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。需要说明的是：上述实施例提供的确定推荐商品的装置在确定推荐商品时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的确定推荐商品的装置与确定推荐商品的方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
图3是本申请实施例提供的一种服务器的结构示意图，该服务器300可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(central processingunits，CPU)301和一个或一个以上的存储器302，其中，存储器302中存储有至少一条指令，该至少一条指令由处理器301加载并执行以实现上述确定推荐商品的方法。
在示例性实施例中，还提供了一种计算机可读存储介质，计算机可读存储介质中存储有至少一条指令，至少一条指令由处理器加载并执行以实现上述实施例中的确定推荐商品的方法。例如，所述计算机可读存储介质可以是ROM(Read-Only Memory)、随机存取存储器(Random Access Memory，RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
以上所述仅为本申请的可选实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (13)

1.一种确定推荐商品的方法，其特征在于，所述方法包括：
在用户集中选取第一子用户集和第二子用户集，其中，所述第一子用户集中的第一用户存在商城操作行为，所述第二子用户集中的第二用户不存在商城操作行为；
基于所述第一用户的商城操作行为，确定所述第一用户的推荐商品；
基于所述第一用户和所述第二用户的静态属性信息、基本功能操作行为、物联网设备操作行为和物联网设备的静态属性信息，在所述第一子用户集中确定所述第二用户对应的相似用户集；
在所述相似用户集中的第一用户的推荐商品中选取所述第二用户的推荐商品。
2.根据权利要求1所述的方法，其特征在于，所述在用户集中选取第一子用户集和第二子用户集之前，所述方法还包括：
获取所述用户集中的用户的静态属性信息、基本功能操作行为、商城操作行为、物联网设备操作行为和物联网设备的静态属性信息，建立所述用户集对应的用户信息数据库；
所述在用户集中选取第一子用户集和第二子用户集，包括：
基于所述用户信息数据库，在所述用户集中选取第一子用户集和第二子用户集。
3.根据权利要求2所述的方法，其特征在于，所述获取所述用户集中的用户的静态属性信息、基本功能操作行为、商城操作行为、物联网设备操作行为和物联网设备的静态属性信息，包括：
获取所述用户集中的用户的静态属性信息和物联网设备的静态属性信息；
在所述用户集中确定活跃用户，其中，所述活跃用户是指在最近设定时间段内存在登录行为的用户；
获取所述活跃用户的基本功能操作行为、商城操作行为和物联网设备操作行为。
4.根据权利要求1所述的方法，其特征在于，所述物联网设备包括智能摄像头、智能门锁、智能照明设备和智能影音设备中的一种或多种。
5.根据权利要求1所述的方法，其特征在于，所述基于所述第一用户的商城操作行为，确定所述第一用户的推荐商品，包括：
基于所述第一用户的商城操作行为的类型、发生时间、发生时长和对应的商品，确定所述第一用户的推荐商品。
6.根据权利要求5所述的方法，其特征在于，所述基于所述第一用户的商城操作行为的类型、发生时间、发生时长和对应的商品，确定所述第一用户的推荐商品，包括：
基于所述第一用户的商城操作行为的类型、发生时间和发生时长，以及所述商城操作行为对应的商品，确定所述第一用户与商品的评分矩阵；
基于所述第一用户与商品的评分矩阵中的各个商品的销量，对所述第一用户与商品的评分矩阵进行平滑化处理；
对经所述平滑化处理后的第一用户与商品的评分矩阵，进行对数平滑化处理；
将经所述对数平滑化处理后的第一用户与商品的评分矩阵，进行归一化处理；
将经归一化处理后的第一用户与商品的评分矩阵输入到交替最小二乘法ALS算法模型中，得到所述第一用户对应的每个商品的评分；
对于每个第一用户，确定所述第一用户对应的商品中评分最高的一个或多个商品，作为所述第一用户的推荐商品。
7.根据权利要求1所述的方法，其特征在于，所述第一用户和所述第二用户均属于活跃用户，所述活跃用户是指在最近设定时间段内存在登录操作的用户，所述方法还包括：
在所述用户集中选取第三子用户集，其中，所述第三子用户集中的第三用户不属于活跃用户；
在商城的热门商品集中选取所述第三用户的推荐商品。
8.根据权利要求1-7任一项所述的方法，其特征在于，每个用户对应多个推荐商品，在确定用户的推荐商品之后，所述方法还包括：
确定每个用户的每个推荐商品对应的显示概率。
9.一种确定推荐商品的装置，其特征在于，所述装置包括：
选取模块，用于在用户集中选取第一子用户集和第二子用户集，其中，所述第一子用户集中的第一用户存在商城操作行为，所述第二子用户集中的第二用户不存在商城操作行为；
确定模块，用于基于所述第一用户的商城操作行为，确定所述第一用户的推荐商品；
所述确定模块，还用于基于所述第一用户和所述第二用户的静态属性信息、基本功能操作行为、物联网设备操作行为和物联网设备的静态属性信息，在所述第一子用户集中确定所述第二用户对应的相似用户集；
所述选取模块，还用于在所述相似用户集中的第一用户的推荐商品中选取所述第二用户的推荐商品。
10.根据权利要求9所述的装置，其特征在于，所述确定模块，用于：
基于所述第一用户的商城操作行为的类型、发生时间、发生时长和对应的商品，确定所述第一用户的推荐商品。
11.根据权利要求10所述的装置，其特征在于，所述确定模块，用于：
基于所述第一用户的商城操作行为的类型、发生时间和发生时长，以及所述商城操作行为对应的商品，确定所述第一用户与商品的评分矩阵；
基于所述第一用户与商品的评分矩阵中的各个商品的销量，对所述第一用户与商品的评分矩阵进行平滑化处理；
对经所述平滑化处理后的第一用户与商品的评分矩阵，进行对数平滑化处理；
将经所述对数平滑化处理后的第一用户与商品的评分矩阵，进行归一化处理；
将经归一化处理后的第一用户与商品的评分矩阵输入到交替最小二乘法ALS算法模型中，得到所述第一用户对应的每个商品的评分；
对于每个第一用户，确定所述第一用户对应的商品中评分最高的一个或多个商品，作为所述第一用户的推荐商品。
12.一种服务器，其特征在于，所述服务器包括处理器和存储器，所述存储器中存储有至少一条指令，所述至少一条指令由所述处理器加载并执行以实现如权利要求1-8任一项所述的确定推荐商品的方法。
13.一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中存储由至少一条指令，所述至少一条指令由处理器加载并执行以实现如权利要求1-8任一项所述的确定推荐商品的方法。
CN202010955357.0A 2020-09-11 2020-09-11 确定推荐商品的方法和装置 Active CN112036987B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010955357.0A CN112036987B (zh) 2020-09-11 2020-09-11 确定推荐商品的方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010955357.0A CN112036987B (zh) 2020-09-11 2020-09-11 确定推荐商品的方法和装置

Publications (2)

Publication Number Publication Date
CN112036987A true CN112036987A (zh) 2020-12-04
CN112036987B CN112036987B (zh) 2024-04-02

Family

ID=73588922

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010955357.0A Active CN112036987B (zh) 2020-09-11 2020-09-11 确定推荐商品的方法和装置

Country Status (1)

Country Link
CN (1) CN112036987B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112801743A (zh) * 2020-12-23 2021-05-14 珠海必要工业科技股份有限公司 一种商品推荐方法、装置、电子设备及存储介质
CN113344647A (zh) * 2021-07-14 2021-09-03 杭州网易云音乐科技有限公司 一种信息推荐的方法及装置

Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130185294A1 (en) * 2011-03-03 2013-07-18 Nec Corporation Recommender system, recommendation method, and program
CN103544632A (zh) * 2013-07-22 2014-01-29 杭州师范大学 一种网络商品个性化推荐方法及系统
CN104090936A (zh) * 2014-06-27 2014-10-08 华南理工大学 一种基于超图排序的新闻推荐方法
CN105488107A (zh) * 2015-11-20 2016-04-13 天津大学 一种推荐系统的线下评价方法
CN106503267A (zh) * 2016-12-07 2017-03-15 电子科技大学 一种适用于用户偏好动态演变的个性化推荐算法
RU2648951C1 (ru) * 2016-12-26 2018-03-28 Акционерное общество "Национальная система платежных карт" Система и способ подбора и отображения рекомендуемого контента пользователю
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
CN109034853A (zh) * 2017-06-09 2018-12-18 北京京东尚科信息技术有限公司 基于种子用户寻找相似用户方法、装置、介质和电子设备
CN109064283A (zh) * 2018-07-27 2018-12-21 广州视源电子科技股份有限公司 商品推荐方法及装置、计算机可读存储介质
CN109447713A (zh) * 2018-10-31 2019-03-08 国家电网公司 一种基于知识图谱的推荐方法及装置
CN110347924A (zh) * 2019-07-12 2019-10-18 广东工业大学 果蔬商城管理系统及果蔬信息推送方法
WO2020029401A1 (zh) * 2018-08-09 2020-02-13 平安科技（深圳）有限公司 商品推荐方法、装置、计算机设备及计算机可读存储介质
WO2020073534A1 (zh) * 2018-10-12 2020-04-16 平安科技（深圳）有限公司 基于重聚类的推送方法、装置、计算机设备及存储介质
CN111027351A (zh) * 2018-10-10 2020-04-17 深圳云天励飞技术有限公司 一种线下商品推荐方法、装置和电子设备
CN111105267A (zh) * 2019-11-22 2020-05-05 苏州浪潮智能科技有限公司 一种基于als算法的推荐方法、设备及可读介质
CN111159578A (zh) * 2019-12-31 2020-05-15 第四范式（北京）技术有限公司 一种推荐对象的方法和系统
CN111414533A (zh) * 2019-01-04 2020-07-14 北京京东尚科信息技术有限公司 推荐信息的生成方法、装置、电子设备、存储介质
CN111475744A (zh) * 2020-04-03 2020-07-31 南京理工大学紫金学院 一种基于集成学习的个性化位置推荐方法

Patent Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130185294A1 (en) * 2011-03-03 2013-07-18 Nec Corporation Recommender system, recommendation method, and program
CN103544632A (zh) * 2013-07-22 2014-01-29 杭州师范大学 一种网络商品个性化推荐方法及系统
CN104090936A (zh) * 2014-06-27 2014-10-08 华南理工大学 一种基于超图排序的新闻推荐方法
CN105488107A (zh) * 2015-11-20 2016-04-13 天津大学 一种推荐系统的线下评价方法
CN106503267A (zh) * 2016-12-07 2017-03-15 电子科技大学 一种适用于用户偏好动态演变的个性化推荐算法
RU2648951C1 (ru) * 2016-12-26 2018-03-28 Акционерное общество "Национальная система платежных карт" Система и способ подбора и отображения рекомендуемого контента пользователю
CN109034853A (zh) * 2017-06-09 2018-12-18 北京京东尚科信息技术有限公司 基于种子用户寻找相似用户方法、装置、介质和电子设备
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
CN109064283A (zh) * 2018-07-27 2018-12-21 广州视源电子科技股份有限公司 商品推荐方法及装置、计算机可读存储介质
WO2020029401A1 (zh) * 2018-08-09 2020-02-13 平安科技（深圳）有限公司 商品推荐方法、装置、计算机设备及计算机可读存储介质
CN111027351A (zh) * 2018-10-10 2020-04-17 深圳云天励飞技术有限公司 一种线下商品推荐方法、装置和电子设备
WO2020073534A1 (zh) * 2018-10-12 2020-04-16 平安科技（深圳）有限公司 基于重聚类的推送方法、装置、计算机设备及存储介质
CN109447713A (zh) * 2018-10-31 2019-03-08 国家电网公司 一种基于知识图谱的推荐方法及装置
CN111414533A (zh) * 2019-01-04 2020-07-14 北京京东尚科信息技术有限公司 推荐信息的生成方法、装置、电子设备、存储介质
CN110347924A (zh) * 2019-07-12 2019-10-18 广东工业大学 果蔬商城管理系统及果蔬信息推送方法
CN111105267A (zh) * 2019-11-22 2020-05-05 苏州浪潮智能科技有限公司 一种基于als算法的推荐方法、设备及可读介质
CN111159578A (zh) * 2019-12-31 2020-05-15 第四范式（北京）技术有限公司 一种推荐对象的方法和系统
CN111475744A (zh) * 2020-04-03 2020-07-31 南京理工大学紫金学院 一种基于集成学习的个性化位置推荐方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112801743A (zh) * 2020-12-23 2021-05-14 珠海必要工业科技股份有限公司 一种商品推荐方法、装置、电子设备及存储介质
CN112801743B (zh) * 2020-12-23 2022-05-31 珠海必要工业科技股份有限公司 一种商品推荐方法、装置、电子设备及存储介质
CN113344647A (zh) * 2021-07-14 2021-09-03 杭州网易云音乐科技有限公司 一种信息推荐的方法及装置
CN113344647B (zh) * 2021-07-14 2023-05-23 杭州网易云音乐科技有限公司 一种信息推荐的方法及装置

Also Published As

Publication number Publication date
CN112036987B (zh) 2024-04-02

Similar Documents

Publication Publication Date Title
CN110162693B (zh) 一种信息推荐的方法以及服务器
KR102472572B1 (ko) 사용자 의도 프로파일링 방법 및 이를 위한 장치
CN108960945A (zh) 商品推荐方法和装置
CN110909182B (zh) 多媒体资源搜索方法、装置、计算机设备及存储介质
CN107644036B (zh) 一种数据对象推送的方法、装置及系统
CN110175895B (zh) 一种物品推荐方法及装置
US10296540B1 (en) Determine image relevance using historical action data
CN112036987B (zh) 确定推荐商品的方法和装置
Kang et al. Tree-based real-time advertisement recommendation system in online broadcasting
CN110264277A (zh) 由计算设备执行的数据处理方法及装置、介质和计算设备
CN111429161A (zh) 特征提取方法、特征提取装置、存储介质及电子设备
CN113689258A (zh) 一种商品推荐热度生成方法及系统
US20220172271A1 (en) Method, device and system for recommending information, and storage medium
CN111767459A (zh) 物品推荐的方法和装置
CN113705698B (zh) 基于点击行为预测的信息推送方法及装置
CN114862480A (zh) 广告投放定向方法及其装置、设备、介质、产品
CN113781171A (zh) 信息推送方法、装置、设备及存储介质
CN113674043B (zh) 商品推荐方法及装置、计算机可读存储介质、电子设备
CN111860870A (zh) 交互行为确定模型的训练方法、装置、设备及介质
CN115760315A (zh) 商品推荐方法及其装置、设备、介质
CN114330519A (zh) 数据确定方法、装置、电子设备及存储介质
CN112035740A (zh) 项目使用时长预测方法、装置、设备及存储介质
CN110675217A (zh) 个性化背景图生成方法及装置
CN111460300A (zh) 网络内容推送方法、装置及存储介质
CN113779369B (zh) 匹配方法、匹配装置、电子设备及存储介质

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
GR01 Patent grant
GR01 Patent grant