CN112116426A - 一种推送物品信息的方法和装置 - Google Patents
一种推送物品信息的方法和装置 Download PDFInfo
- Publication number
- CN112116426A CN112116426A CN202010997095.4A CN202010997095A CN112116426A CN 112116426 A CN112116426 A CN 112116426A CN 202010997095 A CN202010997095 A CN 202010997095A CN 112116426 A CN112116426 A CN 112116426A
- Authority
- CN
- China
- Prior art keywords
- target user
- item
- recommendation
- article
- value
- 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 55
- 238000010586 diagram Methods 0.000 claims abstract description 50
- 238000004364 calculation method Methods 0.000 claims abstract description 16
- 230000006399 behavior Effects 0.000 claims description 71
- 230000006870 function Effects 0.000 claims description 39
- 238000005516 engineering process Methods 0.000 claims description 21
- 238000005259 measurement Methods 0.000 claims description 11
- 238000001914 filtration Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 238000000611 regression analysis Methods 0.000 claims description 9
- 230000003542 behavioural effect Effects 0.000 claims description 8
- 238000010219 correlation analysis Methods 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 description 26
- 238000004458 analytical method Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 238000012549 training Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000010223 real-time analysis Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 238000012098 association analyses Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 210000001503 joint Anatomy 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000005295 random walk Methods 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06F16/906—Clustering; Classification
-
- 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
- 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
- G06F16/9536—Search customisation based on social or collaborative filtering
-
- 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)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Software Systems (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Medical Informatics (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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种推送物品信息的方法和装置，涉及计算机技术领域。该方法的一具体实施方式包括：获取各个用户的历史行为数据；根据所述各个用户的历史行为数据，生成关联图；提取所述关联图中的图特征，根据所述图特征计算各个物品对目标用户的推荐值；根据所述各个物品对目标用户的推荐值，向所述目标用户推送物品信息。该实施方式能够解决无法实时推送和计算开销庞大的技术问题。
Description
技术领域
本发明涉及计算机技术领域，尤其涉及一种推送物品信息的方法和装置。
背景技术
推荐系统目前被广泛应用各类电子商务应用中，推荐技术通过将客户数据和活动转化为行动情报，为用户提供物品推荐的支持。目前较常用的推荐技术包括基于人口统计学的推荐、基于内容的推荐、基于协同滤波的推荐等，协同过滤算法包括基于邻域的算法(又称基于记忆的方法)、隐语义模型、基于图的随机游走算法等。
在实现本发明过程中，发明人发现现有技术中至少存在如下问题：
基于内容的推荐解决了物品的冷启动问题，但是解决不了用户的冷启动问题，并且存在过拟合问题，对领域知识要求也比较高，通用性和移植性比较差，换一个物品形态，往往需要重新构建一套，对于多媒体文件信息特征提取难度又比较大，往往只能通过人工标准信息。基于邻域的协同过滤算法，也有冷启动问题和数据稀疏性等问题。基于模型的协同过滤算法在一定程度上解决了基于邻域的推荐算法面临的一些问题，但是通常算法复杂，计算开销大。
由于当前系统的局限性，上述推荐算法都是使用离线计算。这些推荐是在后台提前计算好的，不能利用最新的历史数据执行实时地按需分析，从而丧失很多推荐机会或造成过时的推荐。
而且这些算法的实现大都是直接利用海量的数据进行模型训练或者预处理工作，即其需要将采集到的数据进行模型训练，学习相应的规律，从而生成对应的模型，以对后续的数据进行相应的预测，因此处理的计算开销庞大。
发明内容
有鉴于此，本发明实施例提供一种推送物品信息的方法和装置，以解决无法实时推送和计算开销庞大的技术问题。
为实现上述目的，根据本发明实施例的一个方面，提供了一种推送物品信息的方法，包括：
获取各个用户的历史行为数据；
根据所述各个用户的历史行为数据，生成关联图；
提取所述关联图中的图特征，根据所述图特征计算各个物品对目标用户的推荐值；
根据所述各个物品对目标用户的推荐值，向所述目标用户推送物品信息。
可选地，所述关联图中的节点表示用户和物品，所述关联图中的边表示用户与物品之间的行为关系，所述行为关系包括购买、浏览和收藏中的至少一种。
可选地，所述历史行为数据包括用户对物品的操作行为，所述操作行为包括购买、浏览和收藏中的至少一种。
可选地，根据所述各个用户的历史行为数据，生成关联图，包括：
通过图数据库对所述各个用户的历史行为数据进行实时深度关联分析技术，从而生成关联图。
可选地，所述图数据库为Neo4J。
可选地，根据所述图特征计算各个物品对目标用户的推荐值，包括：
采用度量学习模型对所述图特征进行学习，从而计算出各个物品对目标用户的推荐值。
可选地，采用度量学习模型对所述图特征进行学习，从而计算出各个物品对目标用户的推荐值，包括：
将所述图特征作为输入数据，输入到度量学习模型中，并进一步进行聚类回归分析，从而计算出各个物品对目标用户的推荐值。
可选地，将所述图特征作为输入数据，输入到度量学习模型中，并进一步进行聚类回归分析，从而计算出各个物品对目标用户的推荐值，包括：
采用度量函数公式分别计算相同兴趣推荐组中各个物品对目标用户的推荐值、相同类别推荐组中各个物品对目标用户的推荐值、可能感兴趣推荐组中各个物品对目标用户的推荐值。
可选地，采用度量函数公式计算相同兴趣推荐组中各个物品对目标用户的推荐值，包括：
采用度量函数公式，并根据各个物品到目标用户的步数、各个物品的特征向量、目标用户的特征向量、用户总数量，计算相同兴趣推荐组中各个物品对目标用户的推荐值。
可选地，采用度量函数公式，并根据各个物品到目标用户的步数、各个物品的特征向量、目标用户的特征向量、用户总数量，计算相同兴趣推荐组中各个物品对目标用户的推荐值，包括：
采用如下公式计算相同兴趣推荐组中任意一个物品对目标用户的推荐值：
其中，L(f(n,k))表示任意一个物品对目标用户的推荐值；
f(n,k)表示任意一个物品到目标用户的粗粒度推荐值；
K表示任意一个物品到目标用户的步数，K≠1；
N表示关联图中的用户总数量；
fn表示用户n的特征向量，fk表示物品k的特征向量。
可选地，采用度量函数公式计算相同类别推荐组中各个物品对目标用户的推荐值或者可能感兴趣推荐组中各个物品对目标用户的推荐值，包括：
采用度量函数公式，并根据各个物品到目标用户的步数、各个物品的特征向量、目标用户的特征向量、用户总数量、与目标用户关联的物品数量、与各个物品关联的用户数量和相同类别中物品的总数量，计算相同类别推荐组中各个物品对目标用户的推荐值或者可能感兴趣推荐组中各个物品对目标用户的推荐值。
可选地，采用度量函数公式，并根据各个物品到目标用户的步数、各个物品的特征向量、目标用户的特征向量、用户总数量、与目标用户关联的物品数量、与各个物品关联的用户数量和相同类别中物品的总数量，计算相同类别推荐组中各个物品对目标用户的推荐值或者可能感兴趣推荐组中各个物品对目标用户的推荐值，包括：
采用如下公式计算相同类别推荐组中或者可能感兴趣推荐组中任意一个物品对目标用户的推荐值：
其中，L(f(n,k))表示任意一个物品对目标用户的推荐值；
f(n,k)表示任意一个物品到目标用户的粗粒度推荐值；
K表示任意一个物品到目标用户的步数，K≠1；
N表示关联图中的用户总数量；
Ω-表示关联图中相同类别推荐组中或可能感兴趣推荐组中，与目标用户关联的物品数量；
Ω+表示关联图中相同类别推荐组中或可能感兴趣推荐组中，与任意一个物品关联的用户数量；
fn表示用户n的特征向量，fk表示物品k的特征向量；
i表示属于相同类别的物品，M是指相同类别中物品的总数量。
可选地，根据所述各个物品对目标用户的推荐值，向所述目标用户推送物品信息，包括：
按照所述各个物品对目标用户的推荐值由大到小的顺序，对所述各个物品进行排序，筛选出排序中靠前的若干个物品；
向所述目标用户推送所述若干个物品的信息。
可选地，所述若干个物品的数量与所述任意一个物品到目标用户的步数相同。
可选地，所述任意一个物品到目标用户的步数预先设定。
可选地，向所述目标用户推送所述若干个物品的信息，包括：
根据所述目标用户的历史行为数据，从所述若干个物品中过滤掉已操作物品；
向所述目标用户推送过滤后的物品的信息。
另外，根据本发明实施例的另一个方面，提供了一种推送物品信息的装置，包括：
获取模块，用于获取各个用户的历史行为数据；
生成模块，用于根据所述各个用户的历史行为数据，生成关联图；
计算模块，用于提取所述关联图中的图特征，根据所述图特征计算各个物品对目标用户的推荐值；
推送模块，用于根据所述各个物品对目标用户的推荐值，向所述目标用户推送物品信息。
可选地，所述关联图中的节点表示用户和物品，所述关联图中的边表示用户与物品之间的行为关系，所述行为关系包括购买、浏览和收藏中的至少一种。
可选地，所述历史行为数据包括用户对物品的操作行为，所述操作行为包括购买、浏览和收藏中的至少一种。
可选地，所述生成模块还用于：
通过图数据库对所述各个用户的历史行为数据进行实时深度关联分析技术，从而生成关联图。
可选地，所述图数据库为Neo4J。
可选地，所述计算模块还用于：
采用度量学习模型对所述图特征进行学习，从而计算出各个物品对目标用户的推荐值。
可选地，所述计算模块还用于：
将所述图特征作为输入数据，输入到度量学习模型中，并进一步进行聚类回归分析，从而计算出各个物品对目标用户的推荐值。
可选地，所述计算模块还用于：
采用度量函数公式分别计算相同兴趣推荐组中各个物品对目标用户的推荐值、相同类别推荐组中各个物品对目标用户的推荐值、可能感兴趣推荐组中各个物品对目标用户的推荐值。
可选地，所述计算模块还用于：
采用度量函数公式，并根据各个物品到目标用户的步数、各个物品的特征向量、目标用户的特征向量、用户总数量，计算相同兴趣推荐组中各个物品对目标用户的推荐值。
可选地，所述计算模块还用于：
采用如下公式计算相同兴趣推荐组中任意一个物品对目标用户的推荐值：
其中，L(f(n,k))表示任意一个物品对目标用户的推荐值；
f(n,k)表示任意一个物品到目标用户的粗粒度推荐值；
K表示任意一个物品到目标用户的步数，K≠1；
N表示关联图中的用户总数量；
fn表示用户n的特征向量，fk表示物品k的特征向量。
可选地，所述计算模块还用于：
采用度量函数公式，并根据各个物品到目标用户的步数、各个物品的特征向量、目标用户的特征向量、用户总数量、与目标用户关联的物品数量、与各个物品关联的用户数量和相同类别中物品的总数量，计算相同类别推荐组中各个物品对目标用户的推荐值或者可能感兴趣推荐组中各个物品对目标用户的推荐值。
可选地，所述计算模块还用于：
采用如下公式计算相同类别推荐组中或者可能感兴趣推荐组中任意一个物品对目标用户的推荐值：
其中，L(f(n,k))表示任意一个物品对目标用户的推荐值；
f(n,k)表示任意一个物品到目标用户的粗粒度推荐值；
K表示任意一个物品到目标用户的步数，K≠1；
N表示关联图中的用户总数量；
Ω-表示关联图中相同类别推荐组中或可能感兴趣推荐组中，与目标用户关联的物品数量；
Ω+表示关联图中相同类别推荐组中或可能感兴趣推荐组中，与任意一个物品关联的用户数量；
fn表示用户n的特征向量，fk表示物品k的特征向量；
i表示属于相同类别的物品，M是指相同类别中物品的总数量。
可选地，所述推送模块还用于：
按照所述各个物品对目标用户的推荐值由大到小的顺序，对所述各个物品进行排序，筛选出排序中靠前的若干个物品；
向所述目标用户推送所述若干个物品的信息。
可选地，所述若干个物品的数量与所述任意一个物品到目标用户的步数相同。
可选地，所述任意一个物品到目标用户的步数预先设定。
可选地，所述推送模块还用于：
根据所述目标用户的历史行为数据，从所述若干个物品中过滤掉已操作物品；
向所述目标用户推送过滤后的物品的信息。
根据本发明实施例的另一个方面，还提供了一种电子设备，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行时，所述一个或多个处理器实现上述任一实施例所述的方法。
根据本发明实施例的另一个方面，还提供了一种计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现上述任一实施例所述的方法。
上述发明中的一个实施例具有如下优点或有益效果：因为采用根据各个用户的历史行为数据生成关联图，提取关联图中的图特征，根据图特征计算各个物品对目标用户的推荐值的技术手段，所以克服了现有技术中无法实时推送和计算开销庞大的技术问题。本发明实施例利用图数据库分析技术优化度量学习算法，以实现实时的物品推荐，并解决现有推荐技术整体算法模块重、计算量大、开销大等问题。本发明实施例能够直接对用户的行为数据进行深度路径分析，并提取出相应的图特征，再结合度量学习算法，可大大减少模型训练难度，还可以提高模型预测的准确率；能够识别和考虑更多特征，可进一步分析海量数据，且图数据库技术容易实现实时分析，解决了现有推荐算法推荐存在的过时推荐的问题。
上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
附图用于更好地理解本发明，不构成对本发明的不当限定。其中：
图1是根据本发明实施例的推送物品信息的方法的主要流程的示意图；
图2是根据本发明实施例的关联图的示意图；
图3是根据本发明一个可参考实施例的推送物品信息的方法的主要流程的示意图；
图4是根据本发明另一个可参考实施例的推送物品信息的方法的主要流程的示意图；
图5是根据本发明实施例的推送物品信息的装置的主要模块的示意图；
图6是本发明实施例可以应用于其中的示例性系统架构图；
图7是适于用来实现本发明实施例的终端设备或服务器的计算机系统的结构示意图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明，其中包括本发明实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本发明的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
图1是根据本发明实施例的推送物品信息的方法的主要流程的示意图。作为本发明的一个实施例，如图1所示，所述推送物品信息的方法可以包括：
步骤101，获取各个用户的历史行为数据。
可以通过Restful接口采集各个用户的历史行为数据，该接口具备与各类电子商务平台对接的能力，从而实现用户历史行为数据的获取，并且实时地将用户的历史行为数据发送至图数据库中，作为原始信息的输入，图数据库会进一步进行深度关联分析。
在本发明的实施例中，历史行为数据可以是距离当前一个月内的行为数据，可以是距离当前一周内的行为数据，还可以是实时的行为数据，这些已经发生的用户行为，都可以作为历史行为数据，从而能够利用最新的历史行为数据向用户进行实时推送。可选地，所述历史行为数据包括用户对物品的操作行为，所述操作行为包括购买、浏览和收藏中的至少一种。
步骤102，根据所述各个用户的历史行为数据，生成关联图。
在该步骤中，根据步骤101中获取的各个用户的历史行为数据生成关联图；其中，所述关联图中的节点表示用户和物品，所述关联图中的边表示用户与物品之间的行为关系，所述行为关系包括购买、浏览和收藏中的至少一种。如图2所示，关联图中的节点表示用户和物品，比如用户节点、物品节点；用户节点与物品节点之间的边表示用户对物品的行为关系，比如某个用户购买了某个物品，某个用户浏览了某个物品，某个用户收藏了某个物品等。
可选地，步骤102可以包括：通过图数据库对所述各个用户的历史行为数据进行实时深度关联分析技术，从而生成关联图。本发明实施例通过图数据库对通过Restful接口采集到的用户的历史行为数据进行实时深度关联分析，获取到用户与物品之间的行为关系，可选地，所述图数据库为Neo4J。
步骤103，提取所述关联图中的图特征，根据所述图特征计算各个物品对目标用户的推荐值。
可选地，根据所述图特征计算各个物品对目标用户的推荐值，包括：采用度量学习模型对所述图特征进行学习，从而计算出各个物品对目标用户的推荐值。图特征学习主要是获取用户与物品、物品与物品、用户与用户之间的关系，然后采用度量学习模型(MetricLearning)对图特征进行学习，从而计算出各个物品对目标用户的推荐值。
可选地，采用度量学习模型对所述图特征进行学习，从而计算出各个物品对目标用户的推荐值，包括：将所述图特征作为输入数据，输入到度量学习模型中，并进一步进行聚类回归分析，从而计算出各个物品对目标用户的推荐值。本发明实施例将图特征输入到度量学习模型中，度量学习模型进一步对图特征进行聚类回归分析，从而计算出各个物品对目标用户的推荐值。
可选地，将所述图特征作为输入数据，输入到度量学习模型中，并进一步进行聚类回归分析，从而计算出各个物品对目标用户的推荐值，包括：采用度量函数公式分别计算相同兴趣推荐组中各个物品对目标用户的推荐值、相同类别推荐组中各个物品对目标用户的推荐值、可能感兴趣推荐组中各个物品对目标用户的推荐值。如图2所示，可以采用度量函数公式分别计算相同兴趣推荐组中各个物品对目标用户的推荐值、相同类别推荐组中各个物品对目标用户的推荐值、可能感兴趣推荐组中各个物品对目标用户的推荐值，这样既可以基于相同兴趣推荐组向目标用户推送物品信息，也可以基于相同类别推荐组向目标用户推送物品信息，还可以可能感兴趣推荐组向目标用户推送物品信息。
可选地，采用度量函数公式计算相同兴趣推荐组中各个物品对目标用户的推荐值，包括：采用度量函数公式，并根据各个物品到目标用户的步数、各个物品的特征向量、目标用户的特征向量、用户总数量，计算相同兴趣推荐组中各个物品对目标用户的推荐值。在本发明的实施例中，还需要获取各个物品的特征向量(即各个物品的高阶特征值)以及目标用户的特征向量(即目标用户的高阶特征值)，然后采用度量函数公式，并根据各个物品到目标用户的步数、各个物品的特征向量、目标用户的特征向量、用户总数量，计算相同兴趣推荐组中各个物品对目标用户的推荐值。
可选地，采用度量函数公式，并根据各个物品到目标用户的步数、各个物品的特征向量、目标用户的特征向量、用户总数量，计算相同兴趣推荐组中各个物品对目标用户的推荐值，包括：采用如下公式计算相同兴趣推荐组中任意一个物品对目标用户的推荐值：
其中，L(f(n,k))表示任意一个物品对目标用户的推荐值；
f(n,k)表示任意一个物品到目标用户的粗粒度推荐值；
K表示任意一个物品到目标用户的步数，K≠1；
N表示关联图中的用户总数量；
fn表示用户n的特征向量，fk表示物品k的特征向量。
需要指出的是，任意一个物品到目标用户的步数可以预先设定，如果K＝3，那么该物品为距离目标用户三步以内的任意一个物品，用户到物品的步数越少，表明其推荐值应该越大，此处K的取值主要是根据需要排名前K个待推荐物品决定，最好与其保持一致。
表示在特征图范围内的所有用户对物品k的购买累加值。
可选地，采用度量函数公式计算相同类别推荐组中各个物品对目标用户的推荐值或者可能感兴趣推荐组中各个物品对目标用户的推荐值，包括：采用度量函数公式，并根据各个物品到目标用户的步数、各个物品的特征向量、目标用户的特征向量、用户总数量、与目标用户关联的物品数量、与各个物品关联的用户数量和相同类别中物品的总数量，计算相同类别推荐组中各个物品对目标用户的推荐值或者可能感兴趣推荐组中各个物品对目标用户的推荐值。在本发明的实施例中，还需要获取各个物品的特征向量(即各个物品的高阶特征值)以及目标用户的特征向量(即目标用户的高阶特征值)，然后采用度量函数公式，并根据各个物品到目标用户的步数、各个物品的特征向量、目标用户的特征向量、用户总数量、与目标用户关联的物品数量、与各个物品关联的用户数量和相同类别中物品的总数量，计算相同类别推荐组中各个物品对目标用户的推荐值或者可能感兴趣推荐组中各个物品对目标用户的推荐值。
可选地，采用度量函数公式，并根据各个物品到目标用户的步数、各个物品的特征向量、目标用户的特征向量、用户总数量、与目标用户关联的物品数量、与各个物品关联的用户数量和相同类别中物品的总数量，计算相同类别推荐组中各个物品对目标用户的推荐值或者可能感兴趣推荐组中各个物品对目标用户的推荐值，包括：采用如下公式计算相同类别推荐组中或者可能感兴趣推荐组中任意一个物品对目标用户的推荐值：
其中，L(f(n,k))表示任意一个物品对目标用户的推荐值；
f(n,k)表示任意一个物品到目标用户的粗粒度推荐值；
K表示任意一个物品到目标用户的步数，K≠1；
N表示关联图中的用户总数量；
Ω-表示关联图中相同类别推荐组中或可能感兴趣推荐组中，与目标用户关联的物品数量；
Ω+表示关联图中相同类别推荐组中或可能感兴趣推荐组中，与任意一个物品关联的用户数量；
fn表示用户n的特征向量，fk表示物品k的特征向量；
i表示属于相同类别的物品，M是指相同类别中物品的总数量。
需要指出的是，任意一个物品到目标用户的步数可以预先设定，如果K＝5，那么该物品为距离目标用户五步以内的任意一个物品，用户到物品的步数越少，表明其推荐值应该越大，此处K的取值主要是根据需要排名前K个待推荐物品决定，最好与其保持一致。
表示在特征图范围内的所有用户对物品k的购买累加值。
步骤104，根据所述各个物品对目标用户的推荐值，向所述目标用户推送物品信息。
可选地，步骤104可以包括：按照所述各个物品对目标用户的推荐值由大到小的顺序，对所述各个物品进行排序，筛选出排序中靠前的若干个物品；向所述目标用户推送所述若干个物品的信息。可选地，所述若干个物品的数量与所述任意一个物品到目标用户的步数相同。获得了各个物品对目标用户的推荐值之后，可以按照推荐值由大到小的顺序对这些物品进行排序，从而筛选出排序中靠前的K个物品，然后向目标用户推送这K个物品的信息。
可选地，向所述目标用户推送所述若干个物品的信息，包括：根据所述目标用户的历史行为数据，从所述若干个物品中过滤掉已操作物品；向所述目标用户推送过滤后的物品的信息。如果在这K个物品中出现了目标用户已经购买过的物品(即已操作物品)，则可以将该物品从K个物品过滤掉，只向目标用户推送没有购买过的物品的信息，如图2所示。
根据上面所述的各种实施例，可以看出本发明实施例通过根据各个用户的历史行为数据生成关联图，提取关联图中的图特征，根据图特征计算各个物品对目标用户的推荐值的技术手段，解决了现有技术中无法实时推送和计算开销庞大的技术问题。本发明实施例利用图数据库分析技术优化度量学习算法，以实现实时的物品推荐，并解决现有推荐技术整体算法模块重、计算量大、开销大等问题。本发明实施例能够直接对用户的行为数据进行深度路径分析，并提取出相应的图特征，再结合度量学习算法，可大大减少模型训练难度，还可以提高模型预测的准确率；能够识别和考虑更多特征，可进一步分析海量数据，且图数据库技术容易实现实时分析，解决了现有推荐算法推荐存在的过时推荐的问题。
图3是根据本发明一个可参考实施例的推送物品信息的方法的主要流程的示意图。作为本发明的又一个实施例，如图3所示，所述推送物品信息的方法可以包括：
步骤301，获取各个用户的历史行为数据，各个用户的特征向量，各个物品的特征向量。
步骤302，通过图数据库对所述各个用户的历史行为数据进行实时深度关联分析技术，从而生成关联图。
步骤303，采用度量函数公式，并根据各个物品到目标用户的步数、各个物品的特征向量、目标用户的特征向量、用户总数量，计算相同兴趣推荐组中各个物品对目标用户的推荐值。
步骤304，按照所述各个物品对目标用户的推荐值由大到小的顺序，对所述各个物品进行排序，筛选出排序中靠前的若干个物品。
步骤305，向所述目标用户推送所述若干个物品的信息。
另外，在本发明一个可参考实施例中推送物品信息的方法的具体实施内容，在上面所述推送物品信息的方法中已经详细说明了，故在此重复内容不再说明。
图4是根据本发明另一个可参考实施例的推送物品信息的方法的主要流程的示意图。作为本发明的另一个实施例，如图4所示，所述推送物品信息的方法可以包括：
步骤401，获取各个用户的历史行为数据，各个用户的特征向量，各个物品的特征向量。
步骤402，通过图数据库对所述各个用户的历史行为数据进行实时深度关联分析技术，从而生成关联图。
步骤403，采用度量函数公式，并根据各个物品到目标用户的步数、各个物品的特征向量、目标用户的特征向量、用户总数量、与目标用户关联的物品数量、与各个物品关联的用户数量和相同类别中物品的总数量，计算相同类别推荐组中各个物品对目标用户的推荐值或者可能感兴趣推荐组中各个物品对目标用户的推荐值。
步骤404，按照所述各个物品对目标用户的推荐值由大到小的顺序，对所述各个物品进行排序，筛选出排序中靠前的若干个物品。
步骤405，根据所述目标用户的历史行为数据，从所述若干个物品中过滤掉已操作物品。
步骤406，向所述目标用户推送过滤后的物品的信息。
另外，在本发明另一个可参考实施例中推送物品信息的方法的具体实施内容，在上面所述推送物品信息的方法中已经详细说明了，故在此重复内容不再说明。
图5是根据本发明实施例的推送物品信息的装置的主要模块的示意图，如图5所示，所述推送物品信息的装置500包括获取模块501、生成模块502、计算模块503和推送模块504；其中，获取模块501用于获取各个用户的历史行为数据；生成模块502用于根据所述各个用户的历史行为数据，生成关联图；计算模块503用于提取所述关联图中的图特征，根据所述图特征计算各个物品对目标用户的推荐值；推送模块504用于根据所述各个物品对目标用户的推荐值，向所述目标用户推送物品信息。
可选地，所述关联图中的节点表示用户和物品，所述关联图中的边表示用户与物品之间的行为关系，所述行为关系包括购买、浏览和收藏中的至少一种。
可选地，所述历史行为数据包括用户对物品的操作行为，所述操作行为包括购买、浏览和收藏中的至少一种。
可选地，所述生成模块502还用于：
通过图数据库对所述各个用户的历史行为数据进行实时深度关联分析技术，从而生成关联图。
可选地，所述图数据库为Neo4J。
可选地，所述计算模块503还用于：
采用度量学习模型对所述图特征进行学习，从而计算出各个物品对目标用户的推荐值。
可选地，所述计算模块503还用于：
将所述图特征作为输入数据，输入到度量学习模型中，并进一步进行聚类回归分析，从而计算出各个物品对目标用户的推荐值。
可选地，所述计算模块503还用于：
采用度量函数公式分别计算相同兴趣推荐组中各个物品对目标用户的推荐值、相同类别推荐组中各个物品对目标用户的推荐值、可能感兴趣推荐组中各个物品对目标用户的推荐值。
可选地，所述计算模块503还用于：
采用度量函数公式，并根据各个物品到目标用户的步数、各个物品的特征向量、目标用户的特征向量、用户总数量，计算相同兴趣推荐组中各个物品对目标用户的推荐值。
可选地，所述计算模块503还用于：
采用如下公式计算相同兴趣推荐组中任意一个物品对目标用户的推荐值：
其中，L(f(n,k))表示任意一个物品对目标用户的推荐值；
f(n,k)表示任意一个物品到目标用户的粗粒度推荐值；
K表示任意一个物品到目标用户的步数，K≠1；
N表示关联图中的用户总数量；
fn表示用户n的特征向量，fk表示物品k的特征向量。
可选地，所述计算模块503还用于：
采用度量函数公式，并根据各个物品到目标用户的步数、各个物品的特征向量、目标用户的特征向量、用户总数量、与目标用户关联的物品数量、与各个物品关联的用户数量和相同类别中物品的总数量，计算相同类别推荐组中各个物品对目标用户的推荐值或者可能感兴趣推荐组中各个物品对目标用户的推荐值。
可选地，所述计算模块503还用于：
采用如下公式计算相同类别推荐组中或者可能感兴趣推荐组中任意一个物品对目标用户的推荐值：
其中，L(f(n,k))表示任意一个物品对目标用户的推荐值；
f(n,k)表示任意一个物品到目标用户的粗粒度推荐值；
K表示任意一个物品到目标用户的步数，K≠1；
N表示关联图中的用户总数量；
Ω-表示关联图中相同类别推荐组中或可能感兴趣推荐组中，与目标用户关联的物品数量；
Ω+表示关联图中相同类别推荐组中或可能感兴趣推荐组中，与任意一个物品关联的用户数量；
fn表示用户n的特征向量，fk表示物品k的特征向量；
i表示属于相同类别的物品，M是指相同类别中物品的总数量。
可选地，所述推送模块504还用于：
按照所述各个物品对目标用户的推荐值由大到小的顺序，对所述各个物品进行排序，筛选出排序中靠前的若干个物品；
向所述目标用户推送所述若干个物品的信息。
可选地，所述若干个物品的数量与所述任意一个物品到目标用户的步数相同。
可选地，所述任意一个物品到目标用户的步数预先设定。
可选地，所述推送模块504还用于：
根据所述目标用户的历史行为数据，从所述若干个物品中过滤掉已操作物品；
向所述目标用户推送过滤后的物品的信息。
根据上面所述的各种实施例，可以看出本发明实施例通过根据各个用户的历史行为数据生成关联图，提取关联图中的图特征，根据图特征计算各个物品对目标用户的推荐值的技术手段，解决了现有技术中无法实时推送和计算开销庞大的技术问题。本发明实施例利用图数据库分析技术优化度量学习算法，以实现实时的物品推荐，并解决现有推荐技术整体算法模块重、计算量大、开销大等问题。本发明实施例能够直接对用户的行为数据进行深度路径分析，并提取出相应的图特征，再结合度量学习算法，可大大减少模型训练难度，还可以提高模型预测的准确率；能够识别和考虑更多特征，可进一步分析海量数据，且图数据库技术容易实现实时分析，解决了现有推荐算法推荐存在的过时推荐的问题。
需要说明的是，在本发明所述推送物品信息的装置的具体实施内容，在上面所述推送物品信息的方法中已经详细说明了，故在此重复内容不再说明。
图6示出了可以应用本发明实施例的推送物品信息的方法或推送物品信息的装置的示例性系统架构600。
如图6所示，系统架构600可以包括终端设备601、602、603，网络604和服务器605。网络604用以在终端设备601、602、603和服务器605之间提供通信链路的介质。网络604可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备601、602、603通过网络604与服务器605交互，以接收或发送消息等。终端设备601、602、603上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。
终端设备601、602、603可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器605可以是提供各种服务的服务器，例如对用户利用终端设备601、602、603所浏览的购物类网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的物品信息查询请求等数据进行分析等处理，并将处理结果(例如目标推送信息、物品信息——仅为示例)反馈给终端设备。
需要说明的是，本发明实施例所提供的推送物品信息的方法一般由服务器605执行，相应地，所述推送物品信息的装置一般设置在服务器605中。本发明实施例所提供的推送物品信息的方法也可以由终端设备601、602、603执行，相应地，所述推送物品信息的装置可以设置在终端设备601、602、603中。
应该理解，图6中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
下面参考图7，其示出了适于用来实现本发明实施例的终端设备的计算机系统700的结构示意图。图7示出的终端设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图7所示，计算机系统700包括中央处理单元(CPU)701，其可以根据存储在只读存储器(ROM)702中的程序或者从存储部分708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中，还存储有系统700操作所需的各种程序和数据。CPU 701、ROM 702以及RAM703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
以下部件连接至I/O接口705：包括键盘、鼠标等的输入部分706；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分707；包括硬盘等的存储部分708；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至I/O接口705。可拆卸介质711，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器710上，以便于从其上读出的计算机程序根据需要被安装入存储部分708。
特别地，根据本发明公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明公开的实施例包括一种计算机程序，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分709从网络上被下载和安装，和/或从可拆卸介质711被安装。在该计算机程序被中央处理单元(CPU)701执行时，执行本发明的系统中限定的上述功能。
需要说明的是，本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中，例如，可以描述为：一种处理器包括获取模块、生成模块、计算模块和推送模块，其中，这些模块的名称在某种情况下并不构成对该模块本身的限定。
作为另一方面，本发明还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，该设备实现如下方法：获取各个用户的历史行为数据；根据所述各个用户的历史行为数据，生成关联图；提取所述关联图中的图特征，根据所述图特征计算各个物品对目标用户的推荐值；根据所述各个物品对目标用户的推荐值，向所述目标用户推送物品信息。
根据本发明实施例的技术方案，因为采用根据各个用户的历史行为数据生成关联图，提取关联图中的图特征，根据图特征计算各个物品对目标用户的推荐值的技术手段，所以克服了现有技术中无法实时推送和计算开销庞大的技术问题。本发明实施例利用图数据库分析技术优化度量学习算法，以实现实时的物品推荐，并解决现有推荐技术整体算法模块重、计算量大、开销大等问题。本发明实施例能够直接对用户的行为数据进行深度路径分析，并提取出相应的图特征，再结合度量学习算法，可大大减少模型训练难度，还可以提高模型预测的准确率；能够识别和考虑更多特征，可进一步分析海量数据，且图数据库技术容易实现实时分析，解决了现有推荐算法推荐存在的过时推荐的问题。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，取决于设计要求和其他因素，可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。
Claims (22)
1.一种推送物品信息的方法，其特征在于，包括：
获取各个用户的历史行为数据；
根据所述各个用户的历史行为数据，生成关联图；
提取所述关联图中的图特征，根据所述图特征计算各个物品对目标用户的推荐值；
根据所述各个物品对目标用户的推荐值，向所述目标用户推送物品信息。
2.根据权利要求1所述的方法，其特征在于，所述关联图中的节点表示用户和物品，所述关联图中的边表示用户与物品之间的行为关系，所述行为关系包括购买、浏览和收藏中的至少一种。
3.根据权利要求1所述的方法，其特征在于，所述历史行为数据包括用户对物品的操作行为，所述操作行为包括购买、浏览和收藏中的至少一种。
4.根据权利要求1所述的方法，其特征在于，根据所述各个用户的历史行为数据，生成关联图，包括：
通过图数据库对所述各个用户的历史行为数据进行实时深度关联分析技术，从而生成关联图。
5.根据权利要求4所述的方法，其特征在于，所述图数据库为Neo4J。
6.根据权利要求1所述的方法，其特征在于，根据所述图特征计算各个物品对目标用户的推荐值，包括：
采用度量学习模型对所述图特征进行学习，从而计算出各个物品对目标用户的推荐值。
7.根据权利要求6所述的方法，其特征在于，采用度量学习模型对所述图特征进行学习，从而计算出各个物品对目标用户的推荐值，包括：
将所述图特征作为输入数据，输入到度量学习模型中，并进一步进行聚类回归分析，从而计算出各个物品对目标用户的推荐值。
8.根据权利要求7所述的方法，其特征在于，将所述图特征作为输入数据，输入到度量学习模型中，并进一步进行聚类回归分析，从而计算出各个物品对目标用户的推荐值，包括：
采用度量函数公式分别计算相同兴趣推荐组中各个物品对目标用户的推荐值、相同类别推荐组中各个物品对目标用户的推荐值、可能感兴趣推荐组中各个物品对目标用户的推荐值。
9.根据权利要求8所述的方法，其特征在于，采用度量函数公式计算相同兴趣推荐组中各个物品对目标用户的推荐值，包括：
采用度量函数公式，并根据各个物品到目标用户的步数、各个物品的特征向量、目标用户的特征向量、用户总数量，计算相同兴趣推荐组中各个物品对目标用户的推荐值。
10.根据权利要求9所述的方法，其特征在于，采用度量函数公式，并根据各个物品到目标用户的步数、各个物品的特征向量、目标用户的特征向量、用户总数量，计算相同兴趣推荐组中各个物品对目标用户的推荐值，包括：
采用如下公式计算相同兴趣推荐组中任意一个物品对目标用户的推荐值：
其中，L(f(n,k))表示任意一个物品对目标用户的推荐值；
f(n,k)表示任意一个物品到目标用户的粗粒度推荐值；
K表示任意一个物品到目标用户的步数，K≠1；
N表示关联图中的用户总数量；
fn表示用户n的特征向量，fk表示物品k的特征向量。
11.根据权利要求8所述的方法，其特征在于，采用度量函数公式计算相同类别推荐组中各个物品对目标用户的推荐值或者可能感兴趣推荐组中各个物品对目标用户的推荐值，包括：
采用度量函数公式，并根据各个物品到目标用户的步数、各个物品的特征向量、目标用户的特征向量、用户总数量、与目标用户关联的物品数量、与各个物品关联的用户数量和相同类别中物品的总数量，计算相同类别推荐组中各个物品对目标用户的推荐值或者可能感兴趣推荐组中各个物品对目标用户的推荐值。
12.根据权利要求11所述的方法，其特征在于，采用度量函数公式，并根据各个物品到目标用户的步数、各个物品的特征向量、目标用户的特征向量、用户总数量、与目标用户关联的物品数量、与各个物品关联的用户数量和相同类别中物品的总数量，计算相同类别推荐组中各个物品对目标用户的推荐值或者可能感兴趣推荐组中各个物品对目标用户的推荐值，包括：
采用如下公式计算相同类别推荐组中或者可能感兴趣推荐组中任意一个物品对目标用户的推荐值：
其中，L(f(n,k))表示任意一个物品对目标用户的推荐值；
f(n,k)表示任意一个物品到目标用户的粗粒度推荐值；
K表示任意一个物品到目标用户的步数，K≠1；
N表示关联图中的用户总数量；
Ω-表示关联图中相同类别推荐组中或可能感兴趣推荐组中，与目标用户关联的物品数量；
Ω+表示关联图中相同类别推荐组中或可能感兴趣推荐组中，与任意一个物品关联的用户数量；
fn表示用户n的特征向量，fk表示物品k的特征向量；
i表示属于相同类别的物品，M是指相同类别中物品的总数量。
13.根据权利要求1所述的方法，其特征在于，根据所述各个物品对目标用户的推荐值，向所述目标用户推送物品信息，包括：
按照所述各个物品对目标用户的推荐值由大到小的顺序，对所述各个物品进行排序，筛选出排序中靠前的若干个物品；
向所述目标用户推送所述若干个物品的信息。
14.根据权利要求13所述的方法，其特征在于，所述若干个物品的数量与所述任意一个物品到目标用户的步数相同。
15.根据权利要求14所述的方法，其特征在于，所述任意一个物品到目标用户的步数预先设定。
16.根据权利要求13所述的方法，其特征在于，向所述目标用户推送所述若干个物品的信息，包括：
根据所述目标用户的历史行为数据，从所述若干个物品中过滤掉已操作物品；
向所述目标用户推送过滤后的物品的信息。
17.一种推送物品信息的装置，其特征在于，包括：
获取模块，用于获取各个用户的历史行为数据；
生成模块，用于根据所述各个用户的历史行为数据，生成关联图；
计算模块，用于提取所述关联图中的图特征，根据所述图特征计算各个物品对目标用户的推荐值；
推送模块，用于根据所述各个物品对目标用户的推荐值，向所述目标用户推送物品信息。
18.根据权利要求17所述的装置，其特征在于，所述生成模块还用于：
通过图数据库对所述各个用户的历史行为数据进行实时深度关联分析技术，从而生成关联图。
19.根据权利要求17所述的装置，其特征在于，所述计算模块还用于：
采用度量学习模型对所述图特征进行学习，从而计算出各个物品对目标用户的推荐值。
20.根据权利要求19所述的装置，其特征在于，所述计算模块还用于：
采用度量函数公式分别计算相同兴趣推荐组中各个物品对目标用户的推荐值、相同类别推荐组中各个物品对目标用户的推荐值、可能感兴趣推荐组中各个物品对目标用户的推荐值。
21.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行时，所述一个或多个处理器实现如权利要求1-16中任一所述的方法。
22.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1-16中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010997095.4A CN112116426A (zh) | 2020-09-21 | 2020-09-21 | 一种推送物品信息的方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010997095.4A CN112116426A (zh) | 2020-09-21 | 2020-09-21 | 一种推送物品信息的方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112116426A true CN112116426A (zh) | 2020-12-22 |
Family
ID=73801436
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010997095.4A Pending CN112116426A (zh) | 2020-09-21 | 2020-09-21 | 一种推送物品信息的方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112116426A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113065932A (zh) * | 2021-05-06 | 2021-07-02 | 北京京东振世信息技术有限公司 | 一种物品推荐方法和装置 |
| CN114331569A (zh) * | 2022-03-07 | 2022-04-12 | 广州鹰云信息科技有限公司 | 一种商业空间内不同场景的用户消费行为分析方法及系统 |
| CN115511511A (zh) * | 2022-11-23 | 2022-12-23 | 成都银光软件有限公司 | 基于数据处理的溯源识别信息的分析方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170132688A1 (en) * | 2013-09-13 | 2017-05-11 | Google Inc. | Pricing product recommendations in a social network |
| CN109903103A (zh) * | 2017-12-07 | 2019-06-18 | 华为技术有限公司 | 一种推荐物品的方法和装置 |
| CN111144976A (zh) * | 2019-12-10 | 2020-05-12 | 支付宝(杭州)信息技术有限公司 | 推荐模型的训练方法及装置 |
| CN111259263A (zh) * | 2020-01-15 | 2020-06-09 | 腾讯云计算（北京）有限责任公司 | 一种物品推荐方法、装置、计算机设备及存储介质 |
| CN111310034A (zh) * | 2020-01-23 | 2020-06-19 | 腾讯科技（深圳）有限公司 | 一种资源推荐方法及相关设备 |
-
2020
- 2020-09-21 CN CN202010997095.4A patent/CN112116426A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170132688A1 (en) * | 2013-09-13 | 2017-05-11 | Google Inc. | Pricing product recommendations in a social network |
| CN109903103A (zh) * | 2017-12-07 | 2019-06-18 | 华为技术有限公司 | 一种推荐物品的方法和装置 |
| CN111144976A (zh) * | 2019-12-10 | 2020-05-12 | 支付宝(杭州)信息技术有限公司 | 推荐模型的训练方法及装置 |
| CN111259263A (zh) * | 2020-01-15 | 2020-06-09 | 腾讯云计算（北京）有限责任公司 | 一种物品推荐方法、装置、计算机设备及存储介质 |
| CN111310034A (zh) * | 2020-01-23 | 2020-06-19 | 腾讯科技（深圳）有限公司 | 一种资源推荐方法及相关设备 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113065932A (zh) * | 2021-05-06 | 2021-07-02 | 北京京东振世信息技术有限公司 | 一种物品推荐方法和装置 |
| CN114331569A (zh) * | 2022-03-07 | 2022-04-12 | 广州鹰云信息科技有限公司 | 一种商业空间内不同场景的用户消费行为分析方法及系统 |
| CN115511511A (zh) * | 2022-11-23 | 2022-12-23 | 成都银光软件有限公司 | 基于数据处理的溯源识别信息的分析方法及系统 |
| CN115511511B (zh) * | 2022-11-23 | 2023-03-24 | 成都银光软件有限公司 | 基于数据处理的溯源识别信息的分析方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109299994B (zh) | 推荐方法、装置、设备及可读存储介质 | |
| CN111125574B (zh) | 用于生成信息的方法和装置 | |
| CN111259263B (zh) | 一种物品推荐方法、装置、计算机设备及存储介质 | |
| CN112116426A (zh) | 一种推送物品信息的方法和装置 | |
| CN110175895B (zh) | 一种物品推荐方法及装置 | |
| CN103838756A (zh) | 一种确定推送信息的方法及装置 | |
| CN107730337A (zh) | 信息推送方法和装置 | |
| CN110111167A (zh) | 一种确定推荐对象的方法和装置 | |
| CN107908662B (zh) | 搜索系统的实现方法和实现装置 | |
| CN111159341A (zh) | 基于用户投资理财偏好的资讯推荐方法及装置 | |
| CN111353838A (zh) | 自动化校验商品类目的方法和装置 | |
| CN112347147A (zh) | 基于用户关联关系的信息推送方法、装置及电子设备 | |
| CN110750707A (zh) | 关键词推荐方法、装置和电子设备 | |
| CN115423555A (zh) | 一种商品推荐方法、装置、电子设备及存储介质 | |
| CN113495991A (zh) | 一种推荐方法和装置 | |
| CN116823410A (zh) | 数据处理方法、对象处理方法、推荐方法及计算设备 | |
| CN112667770A (zh) | 一种对物品进行分类的方法和装置 | |
| CN112529646A (zh) | 一种商品分类方法和装置 | |
| CN116186541A (zh) | 一种推荐模型的训练方法及装置 | |
| CN110766488A (zh) | 一种自动确定主题场景的方法和装置 | |
| CN110827044A (zh) | 提取用户兴趣模式的方法和装置 | |
| CN111460300B (zh) | 网络内容推送方法、装置及存储介质 | |
| CN113722593A (zh) | 事件数据处理方法、装置、电子设备和介质 | |
| CN109408725B (zh) | 用于确定用户兴趣的方法和装置 | |
| Delianidi et al. | A graph-based method for session-based recommendations |
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 |