CN112085567A - 商品推荐方法、装置、电子设备以及可读介质 - Google Patents
商品推荐方法、装置、电子设备以及可读介质 Download PDFInfo
- Publication number
- CN112085567A CN112085567A CN202010942878.2A CN202010942878A CN112085567A CN 112085567 A CN112085567 A CN 112085567A CN 202010942878 A CN202010942878 A CN 202010942878A CN 112085567 A CN112085567 A CN 112085567A
- Authority
- CN
- China
- Prior art keywords
- behavior data
- user
- target user
- shopping behavior
- shopping
- 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 40
- 230000006399 behavior Effects 0.000 claims description 125
- 238000013475 authorization Methods 0.000 claims description 13
- 230000007774 longterm Effects 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 11
- 230000002457 bidirectional effect Effects 0.000 claims description 10
- 238000013145 classification model Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 3
- 238000004891 communication Methods 0.000 description 12
- 230000009471 action Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000004590 computer program Methods 0.000 description 4
- 238000000586 desensitisation Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000001413 cellular effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 241000699670 Mus sp. Species 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000007723 transport mechanism 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
- G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
- G06F21/6245—Protecting personal data, e.g. for financial or medical purposes
- G06F21/6254—Protecting personal data, e.g. for financial or medical purposes by anonymising data, e.g. decorrelating personal data from the owner's identification
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Bioethics (AREA)
- Health & Medical Sciences (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- General Health & Medical Sciences (AREA)
- Computer Security & Cryptography (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开提供一种商品推荐方法及设备、电子设备和介质,涉及计算机技术领域,尤其涉及云平台、云计算技术领域。根据本公开一个方面,商品推荐方法包括:响应于目标用户对多个小程序中至少一个小程序的使用请求,根据预设协议,获取目标用户在多个小程序的第一购物行为数据;对第一购物行为数据进行整合处理,以获取目标用户的用户画像;从全局商品库存单元库中提取与用户画像匹配的多个商品信息;以及将多个商品信息推送给该目标用户。商品库存单元库是通过对多个小程序中两个以上的每个小程序的商品库存单元信息进行合并获得的。
Description
技术领域
本公开涉及云平台、云计算技术领域,尤其涉及一种商品推荐方法、装置、电子设备和计算机可读存储介质。
背景技术
随着智能终端的普及和移动终端技术的发展,各种应用程序(APP)走进了人们日常生活中,越来越多的用户选择在电商类的应用程序上进行在线购物。小程序作为一种不需要下载安装即可使用的应用,得到了各行各业的广泛关注,越来越多的应用程序上都加载有小程序,以低成本的方式实现相关应用。
发明内容
根据本公开实施例的一个方面,提供了一种商品推荐方法,包括:响应于目标用户对多个小程序中至少一个小程序的使用请求,根据预设协议,获取目标用户在多个小程序的第一购物行为数据;对第一购物行为数据进行整合处理,以获取目标用户的用户画像;从全局商品库存单元库中提取与用户画像匹配的多个商品信息;以及将多个商品信息推送给该目标用户。商品库存单元库是通过对多个小程序中两个以上的每个小程序的商品库存单元信息进行合并获得的。
根据本公开实施例的另一个方面,提供了一种商品推荐装置,包括:第一获取模块、用户画像获取模块、以及推送模块。第一获取模块被配置为响应于目标用户对多个小程序中至少一个小程序的使用请求,根据预设协议,获取目标用户在多个小程序的第一购物行为数据。用户画像获取模块被配置为对第一购物行为数据进行整合处理,以获取目标用户的用户画像。推送模块被配置为从全局商品库存单元库中提取与用户画像匹配的多个商品信息,以及将该多个商品信息推送给目标用户。在一些示例中,全局商品库存单元库是通过对多个小程序中两个以上的小程序的商品库存单元信息进行合并获得的。根据本公开实施例的另一个方面,提供了一种电子设备。该电子设备包括:处理器以及存储程序的存储器。所述程序包括指令,所述指令在由所述处理器执行时使所述处理器执行根据本公开一些实施例的商品推荐方法。
根据本公开实施例的另一个方面,提供了一种存储程序的计算机可读存储介质。所述程序包括指令,所述指令在由电子设备的处理器执行时,致使所述电子设备执行根据本公开一些实施例的商品推荐方法。
借助于本公开示例性实施例的方案,对用户在多个小程序的购物行为数据进行整合处理,能够获取用户更为全面的用户画像。从而,本公开可以降低只根据片面的行为数据进行信息推送的偏见,提高推荐效率、提升推荐结果的准确性,使得推荐的商品更加符合用户的偏好。
附图说明
附图示例性地示出了实施例并且构成说明书的一部分,与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的,并不限制权利要求的范围。在所有附图中,相同的附图标记指代类似但不一定相同的要素:
图1示出了根据本公开一些示例性实施例的商品推荐方法的流程图;
图2示出了根据本公开另一些示例性实施例的商品推荐方法的流程图;
图3示出了根据本公开一些示例性实施例的商品推荐装置的示意性框图;以及
图4示出了根据本公开示例性实施例的示例计算设备的示意性框图。
实施方式
在本公开中,除非另有说明,否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系,这种术语只是用于将一个元件与另一元件区分开。在一些示例中,第一要素和第二要素可以指向该要素的同一实例,而在某些情况下,基于上下文的描述,它们也可以指代不同实例。
在本公开中对各种所述示例的描述中所使用的术语只是为了描述特定示例的目的,而并非旨在进行限制。除非上下文另外明确地表明,如果不特意限定要素的数量,则该要素可以是一个也可以是多个。此外,本公开中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
在本公开示例性实施例中,小程序是指一种基于特定编程语言开发完成,无需下载和安装就可以使用的云端应用程序。小程序的特点之一就是使用便捷,无需手动在终端的操作系统中的进行安装。从而,丰富了应用程序的功能,在不需要安装过多应用程序的前提下,满足用户的多元化使用需求。
在相关技术中,小程序的实现,主要有几个技术点:(1)小程序只是宿主平台的一个功能简化版,用户利用统一账号登录后,跟宿主平台打通,同步的是用户在该宿主平台的行为。(2)如果用户在该小程序的宿主平台有过行为,则会根据该宿主平台站内的商品作为候选集来推荐符合该用户的商品清单。(3)如果该用户是宿主平台的新用户,则只会根据该宿主平台站内热门商品做推荐。(4)用户即便喜欢某个商品,订阅了降价通知,也只是该宿主平台站内的价格变动。(5)小程序和宿主平台之间的数据仅限于通用的浏览行为统计,并无更深入的分析。
“宿主平台”是指能够承载“小程序”运行,作为“小程序”的宿主的本地应用(Native App,也称为第三方应用)。例如,购物类的宿主平台可以包括淘宝、天猫、京东、拼多多、亚马逊、唯品会、当当等App。
在上述基于小程序实现购物的过程中,小程序之间的用户行为是彼此隔离的,使得用户的偏好刻画是一个个的片段。
因此,小程序在进行信息推荐,例如商品推荐时,只基于用户在其站内的一些历史行为数据,会导致给用户推荐的信息难以符合用户的真实全面的意图,推荐效率不佳,影响用户的体验。
鉴于此,本公开示例性实施例提供了一种商品推荐方法。图1示出了根据本公开一些示例性实施例的商品推荐方法100的流程图。如图1所示,该方法包括:响应于目标用户对多个小程序中至少一个小程序的使用请求,根据预设协议,获取目标用户在多个小程序的第一购物行为数据(步骤101);对第一购物行为数据进行整合处理,以获取目标用户的用户画像(步骤102);从全局商品库存单元库中提取与用户画像匹配的多个商品信息,其中,商品库存单元库是通过对多个小程序中两个以上的每个小程序的商品库存单元信息进行合并获得的(步骤103);以及将多个商品信息推送给目标用户(步骤104)。
借助于本公开示例性实施例的商品推荐方法,对用户在多个小程序的购物行为数据进行整合处理,能够获取用户更为全面的用户画像。进而,降低只根据片面的行为数据进行信息推送的偏见,提高推荐效率、提升推荐结果的准确性,使得推荐的商品更加符合用户的偏好。
在一些示例性实施例中,用户的购物行为是指用户在小程序内的与购买商品相关的行为,例如包括但不限于,商品搜索行为、商品浏览行为、商品点击行为、商品收藏行为、商品购买行为、商品评价行为、以及商品退货行为等。用户画像是大数据时代下产生的重要的技术应用,其目标是在建立多维的针对用户的描述性标签属性,从而利用这些标签属性对用户多方面的真实个人特征进行勾勒。进而,利用用户画像发掘用户需求,分析用户偏好,并向用户推荐与用户画像匹配的商品。例如,表征用户购物行为的用户画像可以基于用户静态的属性,对用户的购物行为进行刻画得到,可以分为意图标签、品牌偏好模型、商品库存单元偏好模型、消费能力模型、购买需求预测模型等。用户静态的属性可以为用户的性别、年龄、住址、手机型号、搜索偏好等。对用户的购物行为进行刻画可以包括分析用户与商品相关的行为(例如,搜索词、信息消费、浏览、点击、购买、签收、评价、退货等)。
在一些示例性实施例中,预设协议包括小程序开放协议。根据预设协议,获取目标用户在多个小程序的购物行为数据包括:通过小程序开放协议,建立与多个小程序之间的双向授权认证;以及基于双向授权认证,获取目标用户在多个小程序的第一购物行为数据。通过小程序开放协议,可以与各个小程序进行双向授权,通过底层运行框架,打通与各个小程序的连接。通过双向授权,不仅可以从各个小程序获取用户在该小程序内的购物行为数据,还可以将构建的用户的全面的用户画像传输给小程序,实现用户画像在多个小程序之间的共享,提升小程序的推荐效率。
库存单元(Stock Keeping Unit)是物理上不可分割的最小存货单元。例如:iphone6有白色16G、金色16G、白色64G、金色64G等多种商品库存单元;某款T恤有白色S码、黑色S码、白色M码、黑色M码等多种商品库存单元。例如,通过小程序开放协议,可以获取多个小程序中的小程序的商品库存单元信息,通过对这些商品库存单元信息进行合并,得到全局商品库存单元库。在一些示例中,可以以预设时间间隔轮询各个小程序的商品库存单元信息,以及时更新商品库存单元库。
随着互联网的发展,除了在购物类小程序中搜索、浏览以及购买商品等,用户还可以在其他场景表达自己的购物需求。图2示出了根据本公开另一些示例性实施例的商品推荐方法的流程图。如图2所示,根据本公开示例性实施例的商品推荐方法可以包括以下步骤。
在步骤201,响应于目标用户对多个小程序中至少一个小程序的使用请求,根据预设协议,获取目标用户在多个小程序的第一购物行为数据。
在步骤202,获取目标用户在多个场景下的行为数据,并提取该行为数据中与购物相关的第二购物行为数据。
在步骤203,对第一购物行为数据和第二购物行为数据进行整合处理,以获取目标用户的用户画像。
在步骤204,从全局商品库存单元库中提取与用户画像匹配的多个商品信息,其中,商品库存单元库是通过对多个小程序中两个以上的小程序的商品库存单元信息进行合并获得的。
在步骤205,将多个商品信息推送给目标用户。
本领域技术人员将能够理解,可以对于多个小程序中两个以上任意数量的小程序的商品库存单元信息进行合并,来获得商品库存单元库。
在一些示例中,可以通过开放数据集下载、网络爬虫等,抓取目标用户在多个场景下的行为数据。用户在多个场景下的行为数据可以包括用户在百度类系列产品的一些行为数据。例如,用户在百度搜索,百度信息流,百度知道,百度百科,百度地图等百度系的产品上进行过的搜索、查询等行为数据。在这些场景中,用户会表达自己的一些购物需求,例如,用户通过百度搜索引擎搜索华为Mate 30手机的相关信息,则可以预测该用户有购买该款手机的需求。通过对用户在多个小程序的购物行为数据以及用户在多个场景下的购物行为数据进行整合,可以获取用户更为全局的购物行为数据,使得构建的用户画像更为全面。
在一些示例性实施例中,对第一购物行为数据和第二购物行为数据进行整合处理包括:对第一购物行为数据和第二购物行为数据进行脱敏;以及将第一购物行为数据和第二购物行为数据中与目标用户的敏感信息相关的信息进行过滤。
对数据进行脱敏处理是指对某些敏感信息通过脱敏规则进行数据的变形,实现敏感隐私数据的可靠保护。在涉及客户安全数据或者一些商业性敏感数据的情况下,在不违反系统规则条件下,对真实数据进行改造并提供测试使用,如身份证号、手机号、卡号、客户号等个人信息都需要进行数据脱敏。在一个示例中,敏感信息可以包括用户的身份证信息、收货地址信息等。在其他的示例中,敏感信息还可以包括用户购买的涉及个人隐私的一些商品信息、商品价格等。通过在获取用户的购物行为数据后,对该购物行为数据进行脱敏处理,可以保护用户的个人信息。
在一些示例性实施例中,对第一购物行为数据和第二购物行为数据进行整合处理以获取目标用户的用户画像包括:将第一购物行为数据和第二购物行为数据输入预设的分类模型;获取与第一购物行为数据和第二购物行为数据相对应的标签、以及与标签相对应的概率;基于标签和概率,确定目标用户的购物偏好;以及基于购物偏好,确定目标用户的用户画像。
在一些示例中,用户的购物偏好可以包括但不限于商品类型偏好,商品SKU偏好,品牌偏好,电商平台偏好等。上述分类模型可以,例如包括但不限于,人工神经网络、决策树、分类和回归树(CART)、朴素贝叶斯算法(NB)、贝叶斯网络、K最近邻(KNN)和支持向量机(SVM)等。
在一些示例性实施例中,用户画像可以包括长期用户画像和短期用户画像。长期用户画像可以为刻画用户在长期(例如,多个月、半年或一年等)内的购物行为的画像。短期用户画像可以为刻画用户在短期(例如,5-15天等)内的购物行为的画像。在一些示例中,从全局商品库存单元库中提取与用户画像相匹配的多个商品信息可以包括:从全局商品库存单元库中提取与长期用户画像相匹配的多个第一商品信息;从全局商品库存单元库中提取与短期用户画像相匹配的多个第二商品信息;以及将多个第一商品信息和多个第二商品信息推送给目标用户。在一些示例中,多个第一商品的推送优先级高于第二商品的推送优先级。通过结合用户的长期用户画像和短期用户画像进行推荐,可以获得更全面的用户画像信息,从而可以提高推荐的稳定性,克服数据偏见,并进而可以提高推荐的灵活性。在一些其他的示例中,用户画像还可以包括中期用户画像,并结合长期用户画像、中期用户画像和短期用户画像进行推荐,本公开对此并不限制。
随着随时间推移,用户的购物行为数据也会相应改变。例如,用户之前的购物行为数据多与高三教辅书籍相关,经过半年或一年的时间,用户可能已经考上大学,如果还根据该用户半年或一年前的行为数据推荐相关高考类相关书籍,则该推荐并不适宜。在一些示例性实施例中,根据本公开示例性实施例的商品推荐方法还包括:基于新获取的目标用户的第一购物行为数据和第二购物行为数据,对目标用户的用户画像进行更新。通过及时对用户的购物行为数据进行更新,可以提高推荐的及时性,使得推荐的商品符合用户当下的意图,提升用户体验。
以上对根据本公开示例性实施例的商品推荐方法进行了说明。虽然各个操作在附图中被描绘为按照特定的顺序,但是这不应理解为要求这些操作必须以所示的特定顺序或者按顺行次序执行,也不应理解为要求必须执行所有示出的操作以获得期望的结果。
下面描述根据本公开示例性实施例的商品推荐装置。图3示出了根据本公开一些示例性实施例的商品推荐装置300的示意性框图。如图3所示,商品推荐装置400包括第一获取模块301、用户画像获取模块302、以及推送模块303。
第一获取模块301被配置为响应于目标用户对多个小程序中至少一个小程序的使用请求,根据预设协议,获取目标用户在多个小程序的第一购物行为数据。
用户画像获取模块302被配置为对第一购物行为数据进行整合处理,以获取目标用户的用户画像。
推送模块303被配置为从全局商品库存单元库中提取与用户画像匹配的多个商品信息,以及将该多个商品信息推送给目标用户。
在一些示例中,全局商品库存单元库是通过对多个小程序中两个以上的小程序的商品库存单元信息进行合并获得的。第一获取模块301、用户画像获取模块302、以及推送模块303的操作分别对应于上面关于图1描述的方法100的步骤101-104,因此此处不再详细描述。
借助于本公开实施例的商品推荐装置,对用户在多个小程序的购物行为数据进行整合处理,获取用户更为全面的用户画像。进而,降低只根据片面的行为数据进行信息推送的偏见,提高推荐效率、提升推荐结果的准确性,使得推荐的商品更加符合用户的偏好。
在一些示例性实施例中,根据本公开实施例的商品推荐装置300还包括第二获取模块。第二获取模块可以被配置为获取目标用户在多个场景下的行为数据,以及提取该行为数据中与购物相关的第二购物行为数据。
在一些示例性实施例中,用户画像获取模块302还被配置为:对第一购物行为数据和第二购物行为数据进行整合处理,以获取目标用户的用户画像。
在一些示例性实施例中,用户画像获取模块302还被配置为:将第一购物行为数据和第二购物行为数据输入预设的分类模型;获取与第一购物行为数据和第二购物行为数据相对应的标签、以及与标签相对应的概率;基于标签和概率,确定目标用户的购物偏好;以及基于购物偏好,确定目标用户的用户画像。
在一些示例性实施例中,用户画像获取模块302还被配置为:对第一购物行为数据和第二购物行为数据进行脱敏;以及将第一购物行为数据和第二购物行为数据中与目标用户的敏感信息相关的信息进行过滤。
在一些示例性实施例中,用户画像包括长期用户画像和短期用户画像。其中,推送模块303还配置为:从全局商品库存单元库中提取与长期用户画像相匹配的多个第一商品信息;从全局商品库存单元库中提取与短期用户画像相匹配的多个第二商品信息;以及将多个第一商品信息和多个第二商品信息推送给目标用户。在一些示例中,多个第一商品的推送优先级高于第二商品的推送优先级。
在一些示例性实施例中,预设协议包括小程序开放协议。其中,第一获取模块301还配置为:通过小程序开放协议,建立与多个小程序之间的双向授权认证;以及基于双向授权认证,获取目标用户在多个小程序的第一购物行为数据。
在一些示例性实施例中,根据本公开实施例的商品推荐装置300还包括发送模块。发送模块被配置为:基于双向授权认证,将目标用户的用户画像传输给多个小程序。
在一些示例性实施例中,根据本公开实施例的商品推荐装置300还包括更新模块。更新模块被配置为基于新获取的目标用户的第一购物行为数据和第二购物行为数据,对目标用户的用户画像进行更新。
虽然上面参考特定模块讨论了特定功能,但是应当注意,本文讨论的各个模块的功能可以分为多个模块,和/或多个模块的至少一些功能可以组合成单个模块。本文讨论的特定模块执行动作包括该特定模块本身执行该动作,或者替换地该特定模块调用或以其他方式访问执行该动作的另一个组件或模块(或结合该特定模块一起执行该动作)。因此,执行动作的特定模块可以包括执行动作的该特定模块本身和/或该特定模块调用或以其他方式访问的、执行动作的另一模块。
更一般地,本文可以在软件硬件元件或程序模块的一般上下文中描述各种技术。上面关于图3中描述的各个模块可以在硬件中或在结合软件和/或固件的硬件中实现。例如,这些模块可以被实现为计算机程序代码/指令,该计算机程序代码/指令被配置为在一个或多个处理器中执行并存储在计算机可读存储介质中。可替换地,这些模块可以被实现为硬件逻辑/电路。例如,在一些实施例中,第一获取模块301、用户画像获取模块302、以及推送模块303中的一个或多个可以一起被实现在片上系统(SoC)中。SoC可以包括集成电路芯片(其包括处理器(例如,中央处理单元(CPU)、微控制器、微处理器、数字信号处理器(DSP)等)、存储器、一个或多个通信接口、和/或其他电路中的一个或多个部件),并且可以可选地执行所接收的程序代码和/或包括嵌入式固件以执行功能。
本公开的一个方面提供了一种电子设备,该电子设备可包括处理器;以及存储程序的存储器,所述程序包括指令,所述指令在由所述处理器执行时使所述处理器执行前述任何方法。
本公开的一个方面提供了一种存储程序的计算机可读存储介质,所述程序包括指令,所述指令在由电子设备的处理器执行时,致使所述电子设备执行前述任何方法。
下面参考图4来描述这样的电子设备和计算机可读存储介质的示例。图4示出了可以被用来实施本文所描述的模块和功能的作为电子设备的计算设备400的示例配置。计算设备400可以是各种不同类型的设备,例如服务提供商的服务器、与客户端(例如,客户端设备)相关联的设备、片上系统、和/或任何其它合适的计算设备或计算系统。计算设备400的示例包括但不限于:台式计算机,服务器计算机、笔记本电脑或上网本计算机、移动设备(例如,平板电脑或者phablet设备、蜂窝或其他无线电话(例如,智能电话)、记事本计算机、移动台)、可穿戴设备(例如,眼镜、手表)、娱乐设备(例如,娱乐器具、通信地耦合到显示设备的机顶盒、游戏机)、电视或其他显示设备、汽车计算机等等。因此,计算设备400的范围可以从具有大量存储器和处理器资源的全资源设备(例如,个人计算机、游戏控制台)到具有有限的存储器和/或处理资源的低资源设备(例如,传统的机顶盒、手持游戏控制台)。
计算设备400可以包括能够诸如通过系统总线414或其他适当的连接彼此通信的至少一个处理器402、存储器404、(多个)通信接口406、显示设备408、其他输入/输出(I/O)设备410以及一个或更多大容量存储设备412。
处理器402可以是单个处理单元或多个处理单元,所有处理单元可以包括单个或多个计算单元或者多个核心。处理器402可以被实施成一个或更多微处理器、微型计算机、微控制器、数字信号处理器、中央处理单元、状态机、逻辑电路和/或基于操作指令来操纵信号的任何设备。除了其他能力之外,处理器402可以被配置成获取并且执行存储在存储器404、大容量存储设备412或者其他计算机可读介质中的计算机可读指令,诸如操作系统416的程序代码、应用程序418的程序代码、其他程序420的程序代码等。
存储器404和大容量存储设备412是用于存储指令的计算机存储介质的示例,所述指令由处理器402执行来实施前面所描述的各种功能。举例来说,存储器404一般可以包括易失性存储器和非易失性存储器二者(例如RAM、ROM等等)。此外,大容量存储设备412一般可以包括硬盘驱动器、固态驱动器、可移除介质、包括外部和可移除驱动器、存储器卡、闪存、软盘、光盘(例如CD、DVD)、存储阵列、网络附属存储、存储区域网等等。存储器404和大容量存储设备412在本文中都可以被统称为存储器或计算机存储介质,并且可以是能够把计算机可读、处理器可执行程序指令存储为计算机程序代码的非瞬时性介质,所述计算机程序代码可以由处理器402作为被配置成实施在本文的示例中所描述的操作和功能的特定机器来执行。
多个程序模块可以存储在大容量存储设备412上。这些程序包括操作系统416、一个或多个应用程序418、其他程序420和程序数据422,并且它们可以被加载到存储器404以供执行。这样的应用程序或程序模块的示例可以包括例如用于实现以下部件/功能的计算机程序逻辑(例如,计算机程序代码或指令):第一获取模块301、用户画像获取模块302、以及推送模块303、方法100、方法200和/或本文描述的另外的实施例。
虽然在图4中被图示成存储在计算设备400的存储器404中,但是模块416、418、420和422或者其部分可以使用可由计算设备400访问的任何形式的计算机可读介质来实施。如本文所使用的,“计算机可读介质”至少包括两种类型的计算机可读介质,也就是计算机存储介质和通信介质。
计算机存储介质包括通过用于存储信息的任何方法或技术实施的易失性和非易失性、可移除和不可移除介质,所述信息诸如是计算机可读指令、数据结构、程序模块或者其他数据。计算机存储介质包括而不限于RAM、ROM、EEPROM、闪存或其他存储器技术,CD-ROM、数字通用盘(DVD)、或其他光学存储装置,磁盒、磁带、磁盘存储装置或其他磁性存储设备,或者可以被用来存储信息以供计算设备访问的任何其他非传送介质。
与此相对,通信介质可以在诸如载波或其他传送机制之类的已调数据信号中具体实现计算机可读指令、数据结构、程序模块或其他数据。本文所定义的计算机存储介质不包括通信介质。
计算设备400还可以包括一个或更多通信接口406,以用于诸如通过网络、直接连接等等与其他设备交换数据,正如前面所讨论的那样。这样的通信接口可以是以下各项中的一个或多个:任何类型的网络接口(例如,网络接口卡(NIC))、有线或无线(诸如IEEE802.11无线LAN(WLAN))无线接口、全球微波接入互操作(Wi-MAX)接口、以太网接口、通用串行总线(USB)接口、蜂窝网络接口、BluetoothTM接口、近场通信(NFC)接口等。通信接口406可以促进在多种网络和协议类型内的通信,其中包括有线网络(例如LAN、电缆等等)和无线网络(例如WLAN、蜂窝、卫星等等)、因特网等等。通信接口406还可以提供与诸如存储阵列、网络附属存储、存储区域网等等中的外部存储装置(未示出)的通信。
在一些示例中,可以包括诸如监视器之类的显示设备408,以用于向用户显示信息和图像。其他I/O设备410可以是接收来自用户的各种输入并且向用户提供各种输出的设备,并且可以包括触摸输入设备、手势输入设备、摄影机、键盘、遥控器、鼠标、打印机、音频输入/输出设备等等。
虽然在附图和和前面的描述中已经详细地说明和描述了本公开,但是这样的说明和描述应当被认为是说明性的和示意性的,而非限制性的;本公开不限于所公开的实施例。通过研究附图、公开内容和所附的权利要求书,本领域技术人员在实践所要求保护的主题时,能够理解和实现对于所公开的实施例的变型。在权利要求书中,词语“包括”不排除未列出的其他元件或步骤,不定冠词“一”或“一个”不排除多个,并且术语“多个”是指两个或两个以上。在相互不同的从属权利要求中记载了某些措施的仅有事实并不表明这些措施的组合不能用来获益。
Claims (18)
1.一种商品推荐方法,包括:
响应于目标用户对多个小程序中至少一个小程序的使用请求,根据预设协议,获取所述目标用户在所述多个小程序的第一购物行为数据;
对所述第一购物行为数据进行整合处理,以获取所述目标用户的用户画像;以及
从全局商品库存单元库中提取与所述用户画像匹配的多个商品信息,其中,所述商品库存单元库是通过对所述多个小程序中两个以上的小程序的商品库存单元信息进行合并获得的;以及
将所述多个商品信息推送给所述目标用户。
2.根据权利要求1所述的方法,其中,在获取所述目标用户在所述多个小程序的所述第一购物行为数据之前,还包括:
获取所述目标用户在多个场景下的行为数据;以及
提取所述行为数据中与购物相关的第二购物行为数据;
其中,获取所述目标用户的所述用户画像包括:
对所述第一购物行为数据和所述第二购物行为数据进行整合处理,以获取所述目标用户的所述用户画像。
3.根据权利要求2所述的方法,其中,对所述第一购物行为数据和所述第二购物行为数据进行整合处理以获取所述目标用户的所述用户画像包括:
将所述第一购物行为数据和所述第二购物行为数据输入预设的分类模型;
获取与所述第一购物行为数据和所述第二购物行为数据相对应的标签、以及与所述标签相对应的概率;
基于所述标签和所述概率,确定所述目标用户的购物偏好;以及
基于所述购物偏好,确定所述目标用户的所述用户画像。
4.根据权利要求2或3所述的方法,其中,对所述第一购物行为数据和所述第二购物行为数据进行整合处理包括:
对所述第一购物行为数据和所述第二购物行为数据进行脱敏;以及
将所述第一购物行为数据和所述第二购物行为数据中与所述目标用户的敏感信息相关的信息进行过滤。
5.根据权利要求1-3中任一项所述的方法,其中,所述用户画像包括长期用户画像和短期用户画像,
其中,从所述全局商品库存单元库中提取与所述用户画像相匹配的多个商品信息包括:
从所述全局商品库存单元库中提取与所述长期用户画像相匹配的多个第一商品信息;
从所述全局商品库存单元库中提取与所述短期用户画像相匹配的多个第二商品信息;以及
将所述多个第一商品信息和多个第二商品信息推送给所述目标用户,其中,所述多个第一商品的推送优先级高于所述第二商品的推送优先级。
6.根据权利要求1所述的方法,其中,所述预设协议包括小程序开放协议,
其中,根据所述预设协议,获取所述目标用户在所述多个小程序的所述购物行为数据包括:
通过所述小程序开放协议,建立与所述多个小程序之间的双向授权认证;以及
基于所述双向授权认证,获取所述目标用户在所述多个小程序的所述第一购物行为数据。
7.根据权利要求5所述的方法,还包括:
基于所述双向授权认证,将所述目标用户的所述用户画像传输给所述多个小程序。
8.根据权利要求1-3中任一项所述的方法,还包括:
基于新获取的所述目标用户的所述第一购物行为数据和所述第二购物行为数据,对所述目标用户的所述用户画像进行更新。
9.一种商品推荐装置,包括:
第一获取模块,配置为响应于目标用户对多个小程序中至少一个小程序的使用请求,根据预设协议,获取所述目标用户在所述多个小程序的第一购物行为数据;
用户画像获取模块,配置为对所述第一购物行为数据进行整合处理,以获取所述目标用户的用户画像;以及
推送模块,配置为从全局商品库存单元库中提取与所述用户画像匹配的多个商品信息,以及将所述多个商品信息推送给所述目标用户,其中,所述全局商品库存单元库是通过对所述多个小程序中两个以上的小程序的商品库存单元信息进行合并获得的。
10.根据权利要求9所述的装置,还包括:
第二获取模块,配置为获取所述目标用户在多个场景下的行为数据,以及提取所述行为数据中与购物相关的第二购物行为数据;
其中,所述用户画像获取模块还被配置为:
对所述第一购物行为数据和所述第二购物行为数据进行整合处理,以获取所述目标用户的所述用户画像。
11.根据权利要求10所述的装置,其中,所述用户画像获取模块还配置为:
将所述第一购物行为数据和所述第二购物行为数据输入预设的分类模型;
获取与所述第一购物行为数据和所述第二购物行为数据相对应的标签、以及与所述标签相对应的概率;
基于所述标签和所述概率,确定所述目标用户的购物偏好;以及
基于所述购物偏好,确定所述目标用户的所述用户画像。
12.根据权利要求10或11所述的装置,其中,所述用户画像获取模块还配置为:
对所述第一购物行为数据和所述第二购物行为数据进行脱敏;以及
将所述第一购物行为数据和所述第二购物行为数据中与所述目标用户的敏感信息相关的信息进行过滤。
13.根据权利要求9-12中任一项所述的装置,其中,所述用户画像包括长期用户画像和短期用户画像,
其中,所述推送模块还配置为:
从所述全局商品库存单元库中提取与所述长期用户画像相匹配的多个第一商品信息;
从所述全局商品库存单元库中提取与所述短期用户画像相匹配的多个第二商品信息;以及
将所述多个第一商品信息和多个第二商品信息推送给所述目标用户,其中,所述多个第一商品的推送优先级高于所述第二商品的推送优先级。
14.根据权利要求9所述的装置,其中,所述预设协议包括小程序开放协议,
其中,所述第一获取模块还配置为:
通过所述小程序开放协议,建立与所述多个小程序之间的双向授权认证;以及
基于所述双向授权认证,获取所述目标用户在所述多个小程序的所述第一购物行为数据。
15.根据权利要求14所述的装置,还包括:
发送模块,配置为基于所述双向授权认证,将所述目标用户的所述用户画像传输给所述多个小程序。
16.根据权利要求9-12中任一项所述的装置,还包括:
更新模块,配置为基于新获取的所述目标用户的所述第一购物行为数据和所述第二购物行为数据,对所述目标用户的所述用户画像进行更新。
17.一种电子设备,包括:
处理器;以及
存储程序的存储器,所述程序包括指令,所述指令在由所述处理器执行时使所述处理器执行根据权利要求1至8中任一项所述方法。
18.一种存储程序的计算机可读存储介质,所述程序包括指令,所述指令在由电子设备的处理器执行时,致使所述电子设备执行根据权利要求1至8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010942878.2A CN112085567B (zh) | 2020-09-09 | 商品推荐方法、装置、电子设备以及可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010942878.2A CN112085567B (zh) | 2020-09-09 | 商品推荐方法、装置、电子设备以及可读介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112085567A true CN112085567A (zh) | 2020-12-15 |
CN112085567B CN112085567B (zh) | 2024-07-05 |
Family
ID=
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112597386A (zh) * | 2020-12-16 | 2021-04-02 | 北京动力机械研究所 | 面向用户设计意图的智能推送方法及装置 |
CN113327134A (zh) * | 2021-06-16 | 2021-08-31 | 北京百度网讯科技有限公司 | 商品信息推荐方法及装置、电子设备和介质 |
CN113836414A (zh) * | 2021-09-24 | 2021-12-24 | 北京爱奇艺科技有限公司 | 一种推荐信息确定方法、装置、电子设备及存储介质 |
WO2024046081A1 (zh) * | 2022-08-30 | 2024-03-07 | 华为技术有限公司 | 信息推荐方法、电子设备及服务器 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040093274A1 (en) * | 2002-11-08 | 2004-05-13 | Marko Vanska | Method and apparatus for making daily shopping easier |
CN109033299A (zh) * | 2018-07-16 | 2018-12-18 | 深圳市谷熊网络科技有限公司 | 一种通过终端应用向用户推荐信息的方法、装置及设备 |
CN110674391A (zh) * | 2019-08-15 | 2020-01-10 | 中国平安财产保险股份有限公司 | 基于大数据的产品数据推送方法、系统和计算机设备 |
CN111159555A (zh) * | 2019-12-30 | 2020-05-15 | 北京每日优鲜电子商务有限公司 | 商品推荐方法、装置、服务器和存储介质 |
CN111476637A (zh) * | 2020-04-07 | 2020-07-31 | 百度在线网络技术(北京)有限公司 | 商品信息管理方法、宿主平台及商品信息管理组件 |
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040093274A1 (en) * | 2002-11-08 | 2004-05-13 | Marko Vanska | Method and apparatus for making daily shopping easier |
CN109033299A (zh) * | 2018-07-16 | 2018-12-18 | 深圳市谷熊网络科技有限公司 | 一种通过终端应用向用户推荐信息的方法、装置及设备 |
CN110674391A (zh) * | 2019-08-15 | 2020-01-10 | 中国平安财产保险股份有限公司 | 基于大数据的产品数据推送方法、系统和计算机设备 |
CN111159555A (zh) * | 2019-12-30 | 2020-05-15 | 北京每日优鲜电子商务有限公司 | 商品推荐方法、装置、服务器和存储介质 |
CN111476637A (zh) * | 2020-04-07 | 2020-07-31 | 百度在线网络技术(北京)有限公司 | 商品信息管理方法、宿主平台及商品信息管理组件 |
Non-Patent Citations (2)
Title |
---|
TOH, S等: "Re-using Mini-Sentinel data following rapid assessments of potential safety signals via modular analytic programs", 《PHARMACOEPIDEMIOLOGY AND DRUG SAFETY》, 31 October 2013 (2013-10-31) * |
刘勇;李永杰;: "基于协同过滤算法的微信小程序智能助手", 计算机系统应用, no. 05, 15 May 2019 (2019-05-15) * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112597386A (zh) * | 2020-12-16 | 2021-04-02 | 北京动力机械研究所 | 面向用户设计意图的智能推送方法及装置 |
CN113327134A (zh) * | 2021-06-16 | 2021-08-31 | 北京百度网讯科技有限公司 | 商品信息推荐方法及装置、电子设备和介质 |
CN113327134B (zh) * | 2021-06-16 | 2024-01-16 | 北京百度网讯科技有限公司 | 商品信息推荐方法及装置、电子设备和介质 |
CN113836414A (zh) * | 2021-09-24 | 2021-12-24 | 北京爱奇艺科技有限公司 | 一种推荐信息确定方法、装置、电子设备及存储介质 |
WO2024046081A1 (zh) * | 2022-08-30 | 2024-03-07 | 华为技术有限公司 | 信息推荐方法、电子设备及服务器 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11797595B2 (en) | Method, apparatus, and computer program product for user-specific contextual integration for a searchable enterprise platform | |
US20150066586A1 (en) | Evaluation calculating device, evaluation calculating method, and recording medium | |
US10290040B1 (en) | Discovering cross-category latent features | |
CN109471978B (zh) | 一种电子资源推荐方法及装置 | |
US20210263978A1 (en) | Intelligent interface accelerating | |
CN110020162B (zh) | 用户识别方法和装置 | |
CN108121814B (zh) | 搜索结果排序模型生成方法和装置 | |
CN113077317A (zh) | 基于用户数据的物品推荐方法、装置、设备及存储介质 | |
US9785712B1 (en) | Multi-index search engines | |
CN111476595A (zh) | 产品推送方法、装置、计算机设备和存储介质 | |
US11257144B1 (en) | System, method and non-transitory computer-readable medium for selecting user interface element types for display with a search result according to item category features of prior item selections | |
CN112330382B (zh) | 物品推荐方法、装置、计算设备和介质 | |
US20170177725A1 (en) | Developing An Item Data Model For An Item | |
US20080071553A1 (en) | Generation of Commercial Presentations | |
CN108932640B (zh) | 用于处理订单的方法和装置 | |
US10163144B1 (en) | Extracting data from a catalog | |
US11062224B2 (en) | Prediction using fusion of heterogeneous unstructured data | |
US20200293898A1 (en) | System and method for generating and optimizing artificial intelligence models | |
US11062371B1 (en) | Determine product relevance | |
US10474688B2 (en) | System and method to recommend a bundle of items based on item/user tagging and co-install graph | |
CN111383072A (zh) | 一种用户信用评分方法、存储介质及服务器 | |
CN111767457B (zh) | 推荐方法及装置 | |
CN112085567B (zh) | 商品推荐方法、装置、电子设备以及可读介质 | |
US20230169364A1 (en) | Systems and methods for classifying a webpage or a webpage element | |
CN112085567A (zh) | 商品推荐方法、装置、电子设备以及可读介质 |
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 |