CN112149003A - 商品社群推荐方法、装置和计算机设备 - Google Patents
商品社群推荐方法、装置和计算机设备 Download PDFInfo
- Publication number
- CN112149003A CN112149003A CN202011173222.5A CN202011173222A CN112149003A CN 112149003 A CN112149003 A CN 112149003A CN 202011173222 A CN202011173222 A CN 202011173222A CN 112149003 A CN112149003 A CN 112149003A
- Authority
- CN
- China
- Prior art keywords
- commodity
- community
- behavior
- preference type
- communities
- 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
Images
Classifications
-
- 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
- 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
- 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
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/01—Social networking
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Abstract
本申请涉及一种商品社群推荐方法、装置和计算机设备,其中,该方法包括:获取社群中各个用户在预定时间段内的行为数据以及商品属性;所述商品属性包括商品所在类目、商品的品牌和商品的价格;对所述商品属性进行划分,得到多个偏好类型;根据所述行为数据计算每一用户的偏好类型得分;根据各个用户的偏好类型得分以及用户与社群的对应关系,确定社群的偏好类型得分;根据所述社群的偏好类型得分确定召回商品并向对应的社群进行推荐。通过本申请,实现了兼顾社群中各个用户的偏好,根据社群的偏好类型有针对性地进行商品推荐。
Description
技术领域
本申请涉及计算机应用技术领域,特别是涉及一种商品社群推荐方法、装置和计算机设备。
背景技术
随着电子商务的蓬勃发展,在整个社会商品零售额中,线上消费的占比越来越高。网络购物给消费者提供的巨大的购物优势主要体现在突破时空限制、购物方便、更多的商品选择、有竞争力的价格、丰富的商品信息、个性化和定制化上。其中,利用用户的行为数据提高电商运营和广告投放效率,被越来越多的电商企业和广告主所关注。
随着互联网技术的不断成熟和网络购物的井喷式发展,社群是消费者分享个人购物经验、消费体验和信息沟通的重要平台。社群用户体量庞大,每个社群所处的区域、经济条件不同,以及社群中用户的喜好存在差异,导致不同社群的兴趣偏好也是不同的。然而目前基于用户行为数据的商品推荐主要是面对消费者本身,只需要分析用户的个体喜好,推荐的物品都是符合用户偏好的,无法兼顾社群等群体用户的消费需求。
发明内容
本申请实施例提供了一种商品社群推荐方法、装置和计算机设备,以至少解决相关技术中的商品推荐方法无法满足社群用户的消费需求的问题。
第一方面,本申请实施例提供了一种商品社群推荐方法,包括:
获取社群中各个用户在预定时间段内的行为数据以及商品属性;所述商品属性包括商品所在类目、商品的品牌和商品的价格;
对所述商品属性进行划分,得到多个偏好类型;
根据所述行为数据计算每一用户的偏好类型得分;
根据各个用户的偏好类型得分以及用户与社群的对应关系,确定社群的偏好类型得分;
根据所述社群的偏好类型得分确定召回商品并向对应的社群进行推荐。
在其中一些实施例中,根据所述行为数据计算每一用户的偏好类型得分包括:
根据所述行为数据获取每一用户在每一行为维度下的行为权重、行为次数和行为相关商品数;所述行为数据包括多个行为维度;
根据所述行为权重、行为次数和行为相关商品数计算用户在对应行为维度下的偏好类型得分;
将用户在每一行为维度下的偏好类型得分求和后进行归一化处理,得到对应用户的偏好类型得分。
在其中一些实施例中,所述根据各个用户的偏好类型得分以及用户与社群的对应关系,确定社群的偏好类型得分包括:
将社群中各个用户的偏好类型得分求和后进行归一化处理,得到对应社群的偏好类型得分。
在其中一些实施例中,根据所述社群的偏好类型得分确定召回商品并向对应的社群进行推荐包括:
根据所述社群的偏好类型得分将预设数量的偏好类型确定为商品召回来源;
根据所述商品召回来源中各个偏好类型得分的大小确定对应偏好类型的召回比例;
根据所述召回比例在所述商品召回来源中确定召回商品并向对应的社群进行推荐。
在其中一些实施例中,获取社群中各个用户在预定时间段内的行为数据以及商品属性之后,还包括:
基于所述行为数据生成每个用户的商品点击行为序列;
根据所述商品点击行为序列中用户与商品的对应关系确定社群和商品的对应关系,并根据社群和商品的对应关系得到社群的商品点击行为序列;
将社群的商品点击行为序列中的社群和对应的商品输入深度学习模型进行训练,得到社群向量和商品向量;
根据所述社群向量和所述商品向量的相似度确定所述社群对应的召回商品并向对应的社群进行推荐。
在其中一些实施例中,根据所述商品点击行为序列中用户与商品的对应关系确定社群和商品的对应关系,并根据社群和商品的对应关系得到社群的商品点击行为序列之前,还包括:
根据所述商品点击行为序列中相邻项品的点击时间间隔进行序列切分,得到多条序列数据;
根据所述序列数据构造有向有权图;所述有向有权图包括商品点击顺序、商品点击次数以及用户与商品的对应关系;
在所述有向有权图中选择任意起始节点,采用随机游走的方式重构所述商品点击行为序列,得到更新后的商品点击行为序列。
在其中一些实施例中,获取社群中各个用户在预定时间段内的行为数据以及商品属性之后,还包括:
根据所述行为数据获取商品分享数据;
根据所述商品分享数据中的商品出现次数确定召回商品并向对应的社群进行推荐。
在其中一些实施例中,还包括:
将所述召回商品合并去重处理后向对应的社群进行推荐。
第二方面,本申请实施例提供了一种商品社群推荐装置,包括:
数据获取单元,用于获取社群中各个用户在预定时间段内的行为数据以及商品属性;所述商品属性包括商品所在类目、商品的品牌和商品的价格;
偏好类型划分单元,用于对所述商品属性进行划分,得到多个偏好类型;
第一计算单元,用于根据所述行为数据计算每一用户的偏好类型得分;
第二计算单元,用于根据各个用户的偏好类型得分以及用户与社群的对应关系,确定社群的偏好类型得分;
第一推荐单元,用于根据所述社群的偏好类型得分确定召回商品并向对应的社群进行推荐。
第三方面,本申请实施例提供了一种计算机设备,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上述第一面所述的商品社群推荐方法。
相比于相关技术,本申请实施例提供的商品社群推荐方法、装置和计算机设备,通过对商品属性进行划分,得到偏好类型,根据行为数据计算每一用户的偏好类型得分,将用户与商品偏好进行关联。通过根据各个用户的偏好类型得分以及用户与社群的对应关系,确定社群的偏好类型得分,并根据所述社群的偏好类型得分确定召回商品并向对应的社群进行推荐,实现了基于社群中各个用户自身的兴趣偏好深入挖掘并计算得到社群的偏好类型,从而最大限度地兼顾社群中各个用户的偏好,有针对性地进行商品推荐,提高了推荐结果的准确性。
本申请的一个或多个实施例的细节在以下附图和描述中提出,以使本申请的其他特征、目的和优点更加简明易懂。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是本申请其中一个实施例中商品社群推荐方法的流程示意图;
图2是本申请其中一个优选实施例中商品社群推荐方法的流程示意图;
图3是本申请其中一个实施例中原始的商品点击行为序列示意图;
图4是本申请其中一个实施例中有向有权图的结构示意图;
图5是本申请其中一个实施例中更新后的商品点击行为序列结构示意图;
图6是本申请另一个优选实施例中商品社群推荐方法的流程示意图;
图7是本申请其中一个实施例中商品社群推荐装置的结构框图;
图8是本申请其中一个实施例中计算机设备的结构示意图。
附图说明:501、数据获取单元;502、偏好类型划分单元;503、第一计算单元;504、第二计算单元;505、第一推荐单元;80、总线;81、处理器;82、存储器;83、通信接口。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行描述和说明。应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。基于本申请提供的实施例,本领域普通技术人员在没有作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。
显而易见地,下面描述中的附图仅仅是本申请的一些示例或实施例,对于本领域的普通技术人员而言,在不付出创造性劳动的前提下,还可以根据这些附图将本申请应用于其他类似情景。此外,还可以理解的是,虽然这种开发过程中所作出的努力可能是复杂并且冗长的,然而对于与本申请公开的内容相关的本领域的普通技术人员而言,在本申请揭露的技术内容的基础上进行的一些设计,制造或者生产等变更只是常规的技术手段,不应当理解为本申请公开的内容不充分。
在本申请中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域普通技术人员显式地和隐式地理解的是,本申请所描述的实施例在不冲突的情况下,可以与其它实施例相结合。
除非另作定义,本申请所涉及的技术术语或者科学术语应当为本申请所属技术领域内具有一般技能的人士所理解的通常意义。本申请所涉及的“一”、“一个”、“一种”、“该”等类似词语并不表示数量限制,可表示单数或复数。本申请所涉及的术语“包括”、“包含”、“具有”以及它们任何变形,意图在于覆盖不排他的包含;例如包含了一系列步骤或模块(单元)的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可以还包括没有列出的步骤或单元,或可以还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。本申请所涉及的“连接”、“相连”、“耦接”等类似的词语并非限定于物理的或者机械的连接,而是可以包括电气的连接,不管是直接的还是间接的。本申请所涉及的“多个”是指两个或两个以上。“和/或”描述关联对象的关联关系,表示可以存在三种关系,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。字符“/”一般表示前后关联对象是一种“或”的关系。本申请所涉及的术语“第一”、“第二”、“第三”等仅仅是区别类似的对象,不代表针对对象的特定排序。
本实施例提供的商品社群推荐方法可应用于面向社群的电商消费行为预测过程中,通过从海量的用户行为数据中,挖掘用户消费模式,精准地预测其消费需求和兴趣,从而为商品推荐系统、精准广告投放等提供依据。
本实施例提供了一种商品社群推荐方法,图1是根据本申请实施例的商品社群推荐方法的流程图,如图1所示,该流程包括如下步骤:
步骤S101,获取社群中各个用户在预定时间段内的行为数据以及商品属性。
在本实施例中,所述社群是一群具有相同价值观的人基于共同的主题或者目标,形成的一个精神共同体和利益共同体,社群关系指实际的地理区域或是在某区域内发生的社会关系,或指存在于较抽象的、思想上的关系。所述社群例如可以是产品型、兴趣型、品牌型、知识型、工具型等各类社群形态。其中,所述行为数据是可以是社群中用户在预定时间段(如一个月、一周)内,基于用户操作日志得到的商品相关的操作行为,所述商品属性包括商品所在类目、商品的品牌和商品的价格等,本申请不做具体限定。
步骤S102,对所述商品属性进行划分,得到多个偏好类型。
在本实施中,考虑到不同社群内用户地域条件、经济状况、消费习惯、兴趣爱好等方面的差异性,表现出对商品的兴趣偏好不同,基于商品属性可以将商品划分为多个偏好类型。可选地,根据商品所在类目可以划分得到类目偏好、根据商品的品牌可以划分得到品牌偏好、基于商品的价格可以划分得到价格偏好。可以理解,所述商品属性还可以包括好评率、性价比、销量等等,对应的可以划分得到好评率偏好、性价比偏好、销量偏好,本申请不作具体限定。
步骤S103,根据所述行为数据计算每一用户的偏好类型得分。
步骤S104,根据各个用户的偏好类型得分以及用户与社群的对应关系,确定社群的偏好类型得分。
具体的,在本实施例中,通过所述行为数据计算每一用户的偏好类型得分,然后根据用户与社群的对应关系得到社群内的所有用户以及每一用户对应的偏好类型得分,最后根据社群内各个用户的偏好类型得分确定社群的偏好类型得分,从而实现了基于社群中各个用户自身的兴趣偏好确定社群的偏好类型,最大限度地兼顾社群中每个个体的兴趣偏好。
步骤S105,根据所述社群的偏好类型得分确定召回商品并向对应的社群进行推荐。
在本实施例中,根据社群的偏好类型得分确定对应社群的商品偏好类型,根据商品的偏好类型选择对应的召回商品向社群进行推荐,将商品与社群的偏好相结合,最终达到千群千面的效果。
具体的,首先,根据所述社群的偏好类型得分将预设数量的偏好类型确定为商品召回来源;然后根据所述商品召回来源中各个偏好类型得分的大小确定对应偏好类型的召回比例,并根据所述召回比例在所述商品召回来源中确定召回商品并向对应的社群进行推荐。
例如,当偏好类型的预设数量为5个,商品召回数量为100,在获取到社群的偏好类型及得分后,按照偏好类型得分从高到低进行排列,并选取偏好类型得分最高的TOP5偏好类型及得分:手表7、摄影5、迪卡侬8、卡帕6和中餐9作为商品召回来源,然后按照TOP5偏好类型的具体得分值计算得到每个偏好类型的召回比例:手表20%、摄影14%、迪卡侬23%、卡帕17%和中餐26%,即对于TOP5偏好类型,根据上述召回比例在对应的偏好类型中选择100个商品进行召回并推荐至对应的社群。
综上,本申请实施例提供的商品社群推荐方法、装置和计算机设备,通过对商品属性进行划分,得到偏好类型,根据行为数据计算每一用户的偏好类型得分,将用户与商品偏好进行关联。通过根据各个用户的偏好类型得分以及用户与社群的对应关系,确定社群的偏好类型得分,并根据所述社群的偏好类型得分确定召回商品并向对应的社群进行推荐,实现了基于社群中各个用户自身的兴趣偏好深入挖掘并计算得到社群的偏好类型,从而最大限度地兼顾社群中各个用户的偏好,有针对性地进行商品推荐,提高了推荐结果的准确性。
下面通过优选实施例对本申请实施例进行描述和说明。
在上述实施例的基础上,在其中一些实施例中,步骤S103包括:
步骤S1031,根据所述行为数据获取每一用户在每一行为维度下的行为权重、行为次数和行为相关商品数;所述行为数据包括多个行为维度;
步骤S1032,根据所述行为权重、行为次数和行为相关商品数计算用户在对应行为维度下的偏好类型得分;
步骤S1033,将用户在每一行为维度下的偏好类型得分求和后进行归一化处理,得到对应用户的偏好类型得分。
其中,所述行为数据包括多个行为维度,如点击、收藏、加购、分享、购买、评价等等。可根据用户对不同行为所花费的成本或表现出的偏好程度对不同维度分别进行赋权,例如:对点击、收藏行为赋予较低权值、对分享、购买行为赋予较高的权值。其中,所述行为相关商品数即用户行为对应的商品数量,包括所有商品数量、各个行为维度对应的商品数量、各个偏好类型对应的商品数量等等。
在一种具体的实施方式中,以品牌偏好为例,基于行为数据获取的行为权重、行为次数和行为相关商品数计算用户在对应行为维度下的品牌偏好类型得分具体为:
其中,score为n个行为维度下的品牌偏好类型得分之和;i为第i行为维度;w为第i行为维度下的行为权值;α为基于牛顿冷却定律计算得到的时间衰减系数,n为行为次数,表示用户对某品牌的点击次数;tf-idf表示词频-逆文档频率;其中,tf-idf=tf*idf,tf为词频,表示用户对某品牌的点击次数占比;idf为逆文档频率,表示品牌偏好对应的权重,其与品牌的点击次数成反比,即品牌被点击的越多,该品牌越热门或者普遍,被点击的次数越少,就越反映了用户的特性;其中,
tf=用户对某品牌商品的行为次数/用户对所有商品的行为次数,
idf=行为对应的商品总数/行为对应对某品牌商品的商品数。
在本实施例中,当得到n个行为维度下的品牌偏好类型得分之和后,将各个品牌偏好得分进行归一化处理得到对应用户的品牌偏好类型得分。具体的,归一化处理即将各个品牌偏好得分归一化至(0,1)。例如当品牌偏好类型得分值是[1,2,3,4,5],那么分别找到最大最小值(即5和1),按照公式(x-min)/(max-min)类推计算归一化后的值,得到归一化后的品牌偏好类型得分[0,0.25,0.5,0.75,1],此处x表示原先的每个得分值,min和max分别是最小值和最大值。
在上述实施例的基础上,在其中一些实施例中,所述步骤S104包括:
将社群中各个用户的偏好类型得分求和后得到所有用户对应的偏好类型得分总和,并再次进行归一化处理,得到对应社群的偏好类型得分。具体的,将社群中各个用户的类目偏好类型得分求和后得到所有用户的类目偏好类型得分总和,并再次进行归一化处理,得到对应社群的类目偏好类型得分,其他的社群偏好类型得分以此类推。
请参阅图2,在上述实施例的基础上,在其中一些实施例中,所述步骤S101之后,还包括:
步骤S201,基于所述行为数据生成每个用户的商品点击行为序列。
步骤S202,根据所述商品点击行为序列中用户与商品的对应关系确定社群和商品的对应关系,并根据社群和商品的对应关系得到社群的商品点击行为序列。
在本实施例中,所述商品点击行为序列是指用户在预定时间段内按照点击行为对应的点击时间顺序从早到晚进行排序得到的点击行为数据。所述用户的点击行为序列将用户和商品进行关联。根据用户的点击行为序列中用户与商品的对应关系,以及用户与社群的唯一归属关系可以将所述用户的点击行为序列中的用户替换为对应社群,得到社群的商品点击行为序列,将社群和商品关联起来。
步骤S203,将社群的商品点击行为序列中的社群和对应的商品输入深度学习模型进行训练,得到社群向量和商品向量;
在本实施例中,可以利用item2vec算法,基于所述社群的商品点击行为序列将社群和商品共同作为输入进行联合训练,同时获得社群向量和商品向量。同时保证社群向量和商品向量处于同一个向量空间。可选地,可以利用skip-gram或CBOW进行训练,其中,skip-gram是在用户点击的商品序列中,给定中心商品来预测该商品前后的商品;CBOW则相反,是通过给定前后商品来预测中心商品。可选地,可以基于负采样进行模型加速,加快模型的训练速度,缩短训练时间。可以理解,也可以采用其他深度学习模型训练得到社群向量和商品向量,本申请不做具体限定。
步骤S204,根据所述社群向量和所述商品向量的相似度确定所述社群对应的召回商品并向对应的社群进行推荐。
在本实施例中,在保证精度的前提下,在给定所有商品向量和社群向量的向量集合中,利用相似度计算快速求解得到每个社群向量最相似的TOP-n个商品作为召回商品。其中,相似度计算方法例如可以是余弦相似度(Cosine Similarity)、皮尔逊相关系数(Pearson Correlation Coefficient)等。例如:可以通过下式计算社群向量与商品向量的余弦相似度得到每个社群的最近邻商品向量:
其中,A和B分别表示社群向量和商品向量,Ai和Bi则分别表示社群向量和商品向量的各分量。
在上述实施例的基础上,在其中一些实施例中,步骤S202之前,还包括:
步骤S211,根据所述商品点击行为序列中相邻项品的点击时间间隔进行序列切分,得到多条序列数据;
在本实施例中,考虑到当商品点击次数较少时,对应的用户的点击行为序列是长短不一的,从而影响到商品向量和社群向量的模型训练效果。为了优化模型训练效果,需要对原始的商品点击行为序列进行优化更新。
具体的,如图3所示,每一个用户对应一条原始的商品点击行为序列如U1、U2和U3,根据所述商品点击行为序列中相邻项品的点击时间间隔进行序列切分,得到多条序列数据(由图中的虚线间隔表示)。例如:此时将时间间隔大于时间阈值(如30min)的序列进行切分,每个用户会得到对应的一条或多条点击行为序列数据,以保证每条序列中相邻商品的点击时间间隔不大于时间阈值。因为当点击时间间隔大于时间阈值时,则认为用户的兴趣发生了变化,即点击的商品跟时间阈值之前的商品不属于同一个兴趣点。
步骤S221,根据所述序列数据构造有向有权图;所述有向有权图包括商品点击顺序、商品点击次数以及用户与商品的对应关系。
如图4所示,在本实施例中,基于所述序列数据构造有向有权图,其中,在有向有权图中的节点表示用户与商品对应关系,相同的商品放在同一个节点,节点之间的边表示两个节点中的商品在商品点击行为序列中是相邻的,边的方向表示商品被点击的顺序,边的权重代表被点击的次数。例如,商品A和商品B之间的边产生的原因是用户U1先后点击了A和B,而用户U3则先后点击了B和A,若所有序列中还存在多条相同的有向边,则边的权重就会被加强。
步骤S231,在所述有向有权图中选择任意起始节点,采用随机游走的方式重构所述商品点击行为序列,得到更新后的商品点击行为序列。
如图5所示,在本实施例中,在所述有向有权图中随机选择一个节点作为起始节点,并从起始节点中随机选择一个用户与商品的pair对作为起始节点,按照边的方向随机游走,即产生如图所示的更新后的商品点击行为序列。
请参阅图6,在上述实施例的基础上,在其中一些实施例中,所述步骤S101之后,还包括:
步骤S301,根据所述行为数据获取商品分享数据;
步骤S302,根据所述商品分享数据中的商品出现次数确定召回商品并向对应的社群进行推荐。
在本实施例中,每个社群都有对应的线上社交群,例如微信群、QQ群等,社群中用户会在群里分享当下比较热门的商品,或种草口碑质量较好的商品。因此,可以利用所述行为数据中的商品分享数据进行对比分析,获取出现次数较多的多款实时热点商品,将实时热点商品作为召回商品向对应的社群进行推荐,将不同社群的喜好以及当前的热门商品相结合。
请参阅图1、2和6所示,在上述实施例的基础上,在其中一些实施例中,还包括:
步骤S501,将所述召回商品合并去重处理后向对应的社群进行推荐。
在本实施例中,对于每一个社群,将根据所述社群的偏好类型得分确定的召回商品、根据所述社群向量和所述商品向量的相似度确定的召回商品以及根据所述商品分享数据中的商品出现次数确定的召回商品进行交叉融合并去重处理后向对应的社群进行推荐。通过采用社群偏好召回、向量召回、实时热点召回等多路召回的策略,将每个社群的多维度兴趣进行融合,兼顾不同用户之间的兴趣差异,相对于单路召回更加全面,精准。
需要说明的是,在上述流程中或者附图的流程图中示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
本实施例还提供了一种商品社群推荐装置,该装置用于实现上述实施例及优选实施方式,已经进行过说明的不再赘述。如以下所使用的,术语“模块”、“单元”、“子单元”等可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
图7是根据本申请实施例的商品社群推荐装置的结构框图,如图7所示,该装置包括:数据获取单元501、偏好类型划分单元502、第一计算单元503、第二计算单元504和第一推荐单元505。
数据获取单元501,用于获取社群中各个用户在预定时间段内的行为数据以及商品属性;所述商品属性包括商品所在类目、商品的品牌和商品的价格;
偏好类型划分单元502,用于对所述商品属性进行划分,得到多个偏好类型;
第一计算单元503,用于根据所述行为数据计算每一用户的偏好类型得分;
第二计算单元504,用于根据各个用户的偏好类型得分以及用户与社群的对应关系,确定社群的偏好类型得分;
第一推荐单元505,用于根据所述社群的偏好类型得分确定召回商品并向对应的社群进行推荐。
在其中一个实施例中,第一计算单元503包括:行为数据获取模块、第一得分计算模块和第二得分计算模块。
行为数据获取模块,用于根据所述行为数据获取每一用户在每一行为维度下的行为权重、行为次数和行为相关商品数;所述行为数据包括多个行为维度;
第一得分计算模块,用于根据所述行为权重、行为次数和行为相关商品数计算用户在对应行为维度下的偏好类型得分;
第二得分计算模块,用于将用户在每一行为维度下的偏好类型得分求和后进行归一化处理,得到对应用户的偏好类型得分。
在其中一个实施例中,第二计算单元504包括:第三得分计算模块。
第三得分计算模块,用于将社群中各个用户的偏好类型得分求和后进行归一化处理,得到对应社群的偏好类型得分。
在其中一个实施例中,第一推荐单元505包括:召回来源确定模块、召回比例确定模块和第一推荐模块。
召回来源确定模块,用于根据所述社群的偏好类型得分将预设数量的偏好类型确定为商品召回来源;
召回比例确定模块,用于根据所述商品召回来源中各个偏好类型得分的大小确定对应偏好类型的召回比例;
第一推荐模块,用于根据所述召回比例在所述商品召回来源中确定召回商品并向对应的社群进行推荐。
商品社群推荐装置还包括:第一点击行为序列获取单元、第二点击行为序列获取单元、向量获取单元和第二推荐单元。
第一点击行为序列获取单元,用于基于所述行为数据生成每个用户的商品点击行为序列;
第二点击行为序列获取单元,用于根据所述商品点击行为序列中用户与商品的对应关系确定社群和商品的对应关系,并根据社群和商品的对应关系得到社群的商品点击行为序列;
向量获取单元,用于将社群的商品点击行为序列中的社群和对应的商品输入深度学习模型进行训练,得到社群向量和商品向量;
第二推荐单元,用于根据所述社群向量和所述商品向量的相似度确定所述社群对应的召回商品并向对应的社群进行推荐。
在其中一个实施例中,商品社群推荐装置还包括:序列数据获取单元、有向有权图构造单元和更新单元。
序列数据获取单元,用于根据所述商品点击行为序列中相邻项品的点击时间间隔进行序列切分,得到多条序列数据;
有向有权图构造单元,用于根据所述序列数据构造有向有权图;所述有向有权图包括商品点击顺序、商品点击次数以及用户与商品的对应关系;
更新单元,在所述有向有权图中选择任意起始节点,采用随机游走的方式重构所述商品点击行为序列,得到更新后的商品点击行为序列。
在其中一个实施例中,商品社群推荐装置还包括:分享数据获取单元和第三推荐单元。
分享数据获取单元,用于根据所述行为数据获取商品分享数据;
第三推荐单元,用于根据所述商品分享数据中的商品出现次数确定召回商品并向对应的社群进行推荐。
在其中一个实施例中,商品社群推荐装置还包括:去重单元。
去重单元,用于将所述召回商品合并去重处理后向对应的社群进行推荐。
需要说明的是,上述各个模块可以是功能模块也可以是程序模块,既可以通过软件来实现,也可以通过硬件来实现。对于通过硬件来实现的模块而言,上述各个模块可以位于同一处理器中;或者上述各个模块还可以按照任意组合的形式分别位于不同的处理器中。
另外,结合图1描述的本申请实施例的商品社群推荐方法可以由计算机设备来实现。图8为根据本申请实施例的计算机设备的硬件结构示意图。
计算机设备可以包括处理器81以及存储有计算机程序指令的存储器82。
具体地,上述处理器81可以包括中央处理器(CPU),或者特定集成电路(Application Specific Integrated Circuit,简称为ASIC),或者可以被配置成实施本申请实施例的一个或多个集成电路。
其中,存储器82可以包括用于数据或指令的大容量存储器。举例来说而非限制,存储器82可包括硬盘驱动器(Hard Disk Drive,简称为HDD)、软盘驱动器、固态驱动器(SolidState Drive,简称为SSD)、闪存、光盘、磁光盘、磁带或通用串行总线(Universal SerialBus,简称为USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下,存储器82可包括可移除或不可移除(或固定)的介质。在合适的情况下,存储器82可在数据处理装置的内部或外部。在特定实施例中,存储器82是非易失性(Non-Volatile)存储器。在特定实施例中,存储器82包括只读存储器(Read-Only Memory,简称为ROM)和随机存取存储器(RandomAccess Memory,简称为RAM)。在合适的情况下,该ROM可以是掩模编程的ROM、可编程ROM(Programmable Read-Only Memory,简称为PROM)、可擦除PROM(Erasable ProgrammableRead-Only Memory,简称为EPROM)、电可擦除PROM(Electrically Erasable ProgrammableRead-Only Memory,简称为EEPROM)、电可改写ROM(Electrically Alterable Read-OnlyMemory,简称为EAROM)或闪存(FLASH)或者两个或更多个以上这些的组合。在合适的情况下,该RAM可以是静态随机存取存储器(Static Random-Access Memory,简称为SRAM)或动态随机存取存储器(Dynamic Random Access Memory,简称为DRAM),其中,DRAM可以是快速页模式动态随机存取存储器(Fast Page Mode Dynamic Random Access Memory,简称为FPMDRAM)、扩展数据输出动态随机存取存储器(Extended Date Out Dynamic RandomAccess Memory,简称为EDODRAM)、同步动态随机存取内存(Synchronous Dynamic Random-Access Memory,简称SDRAM)等。
存储器82可以用来存储或者缓存需要处理和/或通信使用的各种数据文件,以及处理器81所执行的可能的计算机程序指令。
处理器81通过读取并执行存储器82中存储的计算机程序指令,以实现上述实施例中的任意一种商品社群推荐方法。
在其中一些实施例中,计算机设备还可包括通信接口83和总线80。其中,如图8所示,处理器81、存储器82、通信接口83通过总线80连接并完成相互间的通信。
通信接口83用于实现本申请实施例中各模块、装置、单元和/或设备之间的通信。通信接口83还可以实现与其他部件例如:外接设备、图像/数据采集设备、数据库、外部存储以及图像/数据处理工作站等之间进行数据通信。
总线80包括硬件、软件或两者,将计算机设备的部件彼此耦接在一起。总线80包括但不限于以下至少之一:数据总线(Data Bus)、地址总线(Address Bus)、控制总线(Control Bus)、扩展总线(Expansion Bus)、局部总线(Local Bus)。举例来说而非限制,总线80可包括图形加速接口(Accelerated Graphics Port,简称为AGP)或其他图形总线、增强工业标准架构(Extended Industry Standard Architecture,简称为EISA)总线、前端总线(Front Side Bus,简称为FSB)、超传输(Hyper Transport,简称为HT)互连、工业标准架构(Industry Standard Architecture,简称为ISA)总线、无线带宽(InfiniBand)互连、低引脚数(Low Pin Count,简称为LPC)总线、存储器总线、微信道架构(Micro ChannelArchitecture,简称为MCA)总线、外围组件互连(Peripheral Component Interconnect,简称为PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(Serial AdvancedTechnology Attachment,简称为SATA)总线、视频电子标准协会局部(Video ElectronicsStandards Association Local Bus,简称为VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下,总线80可包括一个或多个总线。尽管本申请实施例描述和示出了特定的总线,但本申请考虑任何合适的总线或互连。
该计算机设备可以基于获取到的程序指令,执行本申请实施例中的商品社群推荐方法,从而实现结合图1描述的商品社群推荐方法。
另外,结合上述实施例中的商品社群推荐方法,本申请实施例可提供一种计算机可读存储介质来实现。该计算机可读存储介质上存储有计算机程序指令;该计算机程序指令被处理器执行时实现上述实施例中的任意一种商品社群推荐方法。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种商品社群推荐方法,其特征在于,包括:
获取社群中各个用户在预定时间段内的行为数据以及商品属性;所述商品属性包括商品所在类目、商品的品牌和商品的价格;
对所述商品属性进行划分,得到多个偏好类型;
根据所述行为数据计算每一用户的偏好类型得分;
根据各个用户的偏好类型得分以及用户与社群的对应关系,确定社群的偏好类型得分;
根据所述社群的偏好类型得分确定召回商品并向对应的社群进行推荐。
2.根据权利要求1所述的商品社群推荐方法,其特征在于,根据所述行为数据计算每一用户的偏好类型得分包括:
根据所述行为数据获取每一用户在每一行为维度下的行为权重、行为次数和行为相关商品数;所述行为数据包括多个行为维度;
根据所述行为权重、行为次数和行为相关商品数计算用户在对应行为维度下的偏好类型得分;
将用户在每一行为维度下的偏好类型得分求和后进行归一化处理,得到对应用户的偏好类型得分。
3.根据权利要求1所述的商品社群推荐方法,其特征在于,所述根据各个用户的偏好类型得分以及用户与社群的对应关系,确定社群的偏好类型得分包括:
将社群中各个用户的偏好类型得分求和后进行归一化处理,得到对应社群的偏好类型得分。
4.根据权利要求1所述的商品社群推荐方法,其特征在于,根据所述社群的偏好类型得分确定召回商品并向对应的社群进行推荐包括:
根据所述社群的偏好类型得分将预设数量的偏好类型确定为商品召回来源;
根据所述商品召回来源中各个偏好类型得分的大小确定对应偏好类型的召回比例;
根据所述召回比例在所述商品召回来源中确定召回商品并向对应的社群进行推荐。
5.根据权利要求1所述的商品社群推荐方法,其特征在于,获取社群中各个用户在预定时间段内的行为数据以及商品属性之后,还包括:
基于所述行为数据生成每个用户的商品点击行为序列;
根据所述商品点击行为序列中用户与商品的对应关系确定社群和商品的对应关系,并根据社群和商品的对应关系得到社群的商品点击行为序列;
将社群的商品点击行为序列中的社群和对应的商品输入深度学习模型进行训练,得到社群向量和商品向量;
根据所述社群向量和所述商品向量的相似度确定所述社群对应的召回商品并向对应的社群进行推荐。
6.根据权利要求5所述的商品社群推荐方法,其特征在于,根据所述商品点击行为序列中用户与商品的对应关系确定社群和商品的对应关系,并根据社群和商品的对应关系得到社群的商品点击行为序列之前,还包括:
根据所述商品点击行为序列中相邻项品的点击时间间隔进行序列切分,得到多条序列数据;
根据所述序列数据构造有向有权图;所述有向有权图包括商品点击顺序、商品点击次数以及用户与商品的对应关系;
在所述有向有权图中选择任意起始节点,采用随机游走的方式重构所述商品点击行为序列,得到更新后的商品点击行为序列。
7.根据权利要求5所述的商品社群推荐方法,其特征在于,获取社群中各个用户在预定时间段内的行为数据以及商品属性之后,还包括:
根据所述行为数据获取商品分享数据;
根据所述商品分享数据中的商品出现次数确定召回商品并向对应的社群进行推荐。
8.根据权利要求7任一项所述的商品社群推荐方法,其特征在于,还包括:
将所述召回商品合并去重处理后向对应的社群进行推荐。
9.一种商品社群推荐装置,其特征在于,包括:
数据获取单元,用于获取社群中各个用户在预定时间段内的行为数据以及商品属性;所述商品属性包括商品所在类目、商品的品牌和商品的价格;
偏好类型划分单元,用于对所述商品属性进行划分,得到多个偏好类型;
第一计算单元,用于根据所述行为数据计算每一用户的偏好类型得分;
第二计算单元,用于根据各个用户的偏好类型得分以及用户与社群的对应关系,确定社群的偏好类型得分;
第一推荐单元,用于根据所述社群的偏好类型得分确定召回商品并向对应的社群进行推荐。
10.一种计算机设备,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至8中任一项所述的商品社群推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011173222.5A CN112149003B (zh) | 2020-10-28 | 2020-10-28 | 商品社群推荐方法、装置和计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011173222.5A CN112149003B (zh) | 2020-10-28 | 2020-10-28 | 商品社群推荐方法、装置和计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112149003A true CN112149003A (zh) | 2020-12-29 |
CN112149003B CN112149003B (zh) | 2023-06-20 |
Family
ID=73953604
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011173222.5A Active CN112149003B (zh) | 2020-10-28 | 2020-10-28 | 商品社群推荐方法、装置和计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112149003B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113327152A (zh) * | 2021-06-09 | 2021-08-31 | 广州华多网络科技有限公司 | 商品推荐方法、装置、计算机设备及存储介质 |
CN113592589A (zh) * | 2021-07-27 | 2021-11-02 | 上海致景信息科技有限公司 | 纺织原料推荐方法、装置及处理器 |
WO2022164626A1 (en) * | 2021-02-01 | 2022-08-04 | Mastercard International Incorporated | Audience recommendation using node similarity in combined contextual graph embeddings |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103186539A (zh) * | 2011-12-27 | 2013-07-03 | 阿里巴巴集团控股有限公司 | 一种确定用户群体、信息查询及推荐的方法及系统 |
TW201426595A (zh) * | 2012-12-26 | 2014-07-01 | Chunghwa Telecom Co Ltd | 結合群組偏好之即時區域性團購商品媒合系統 |
US20140229498A1 (en) * | 2013-02-14 | 2014-08-14 | Wine Ring, Inc. | Recommendation system based on group profiles of personal taste |
CN104636950A (zh) * | 2013-11-07 | 2015-05-20 | 财团法人资讯工业策进会 | 群体对象商品推荐系统及方法 |
CN106779793A (zh) * | 2015-11-23 | 2017-05-31 | 财团法人资讯工业策进会 | 适地性社群融合媒合销售最佳化系统和方法 |
CN108665329A (zh) * | 2017-03-29 | 2018-10-16 | 北京京东尚科信息技术有限公司 | 一种基于用户浏览行为的商品推荐方法 |
CN109977979A (zh) * | 2017-12-28 | 2019-07-05 | 中国移动通信集团广东有限公司 | 定位种子用户的方法、装置、电子设备和存储介质 |
CN110209946A (zh) * | 2019-06-10 | 2019-09-06 | 合肥工业大学 | 基于社交和社群的产品推荐方法、系统和存储介质 |
CN111340601A (zh) * | 2020-03-30 | 2020-06-26 | 贝壳技术有限公司 | 商品信息的推荐方法和装置、电子设备和存储介质 |
CN111784397A (zh) * | 2020-06-30 | 2020-10-16 | 广东奥园奥买家电子商务有限公司 | 基于用户画像的社群营销方法、装置、计算机设备 |
-
2020
- 2020-10-28 CN CN202011173222.5A patent/CN112149003B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103186539A (zh) * | 2011-12-27 | 2013-07-03 | 阿里巴巴集团控股有限公司 | 一种确定用户群体、信息查询及推荐的方法及系统 |
TW201426595A (zh) * | 2012-12-26 | 2014-07-01 | Chunghwa Telecom Co Ltd | 結合群組偏好之即時區域性團購商品媒合系統 |
US20140229498A1 (en) * | 2013-02-14 | 2014-08-14 | Wine Ring, Inc. | Recommendation system based on group profiles of personal taste |
CN104636950A (zh) * | 2013-11-07 | 2015-05-20 | 财团法人资讯工业策进会 | 群体对象商品推荐系统及方法 |
CN106779793A (zh) * | 2015-11-23 | 2017-05-31 | 财团法人资讯工业策进会 | 适地性社群融合媒合销售最佳化系统和方法 |
CN108665329A (zh) * | 2017-03-29 | 2018-10-16 | 北京京东尚科信息技术有限公司 | 一种基于用户浏览行为的商品推荐方法 |
CN109977979A (zh) * | 2017-12-28 | 2019-07-05 | 中国移动通信集团广东有限公司 | 定位种子用户的方法、装置、电子设备和存储介质 |
CN110209946A (zh) * | 2019-06-10 | 2019-09-06 | 合肥工业大学 | 基于社交和社群的产品推荐方法、系统和存储介质 |
CN111340601A (zh) * | 2020-03-30 | 2020-06-26 | 贝壳技术有限公司 | 商品信息的推荐方法和装置、电子设备和存储介质 |
CN111784397A (zh) * | 2020-06-30 | 2020-10-16 | 广东奥园奥买家电子商务有限公司 | 基于用户画像的社群营销方法、装置、计算机设备 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022164626A1 (en) * | 2021-02-01 | 2022-08-04 | Mastercard International Incorporated | Audience recommendation using node similarity in combined contextual graph embeddings |
US11727422B2 (en) | 2021-02-01 | 2023-08-15 | Mastercard International Incorporated | Audience recommendation using node similarity in combined contextual graph embeddings |
CN113327152A (zh) * | 2021-06-09 | 2021-08-31 | 广州华多网络科技有限公司 | 商品推荐方法、装置、计算机设备及存储介质 |
CN113327152B (zh) * | 2021-06-09 | 2024-04-16 | 广州华多网络科技有限公司 | 商品推荐方法、装置、计算机设备及存储介质 |
CN113592589A (zh) * | 2021-07-27 | 2021-11-02 | 上海致景信息科技有限公司 | 纺织原料推荐方法、装置及处理器 |
CN113592589B (zh) * | 2021-07-27 | 2024-03-29 | 上海致景信息科技有限公司 | 纺织原料推荐方法、装置及处理器 |
Also Published As
Publication number | Publication date |
---|---|
CN112149003B (zh) | 2023-06-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Cheng et al. | Personalized click prediction in sponsored search | |
Zamani et al. | Situational context for ranking in personal search | |
Thorleuchter et al. | Analyzing existing customers’ websites to improve the customer acquisition process as well as the profitability prediction in B-to-B marketing | |
CN112149003B (zh) | 商品社群推荐方法、装置和计算机设备 | |
US20160170982A1 (en) | Method and System for Joint Representations of Related Concepts | |
US20180225710A1 (en) | User segment identification based on similarity in content consumption | |
CN108805598B (zh) | 相似度信息确定方法、服务器及计算机可读存储介质 | |
US20150254714A1 (en) | Systems and methods for keyword suggestion | |
Eliyas et al. | Recommendation systems: Content-based filtering vs collaborative filtering | |
CN106452809B (zh) | 一种数据处理方法和装置 | |
EP2478448A1 (en) | Method and apparatus for data traffic analysis and clustering | |
WO2013131025A2 (en) | Product cycle analysis using social media data | |
CN111026977B (zh) | 信息推荐方法、装置及存储介质 | |
CN113268656A (zh) | 一种用户推荐方法、装置、电子设备及计算机存储介质 | |
CN111966886A (zh) | 对象推荐方法、对象推荐装置、电子设备及存储介质 | |
CN113837842A (zh) | 一种基于用户行为数据的商品推荐方法及设备 | |
CN108153909A (zh) | 关键词投放拓词方法、装置及电子设备、存储介质 | |
Lin et al. | A consumer review-driven recommender service for web e-commerce | |
Wang et al. | A temporal consistency method for online review ranking | |
CN112241904A (zh) | 商品销售量预测方法、装置、计算机设备和存储介质 | |
CN110264277B (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 | |
CN109255676B (zh) | 商品推荐方法、装置、计算机设备及存储介质 | |
Suryana et al. | PAPER SURVEY AND EXAMPLE OF COLLABORATIVE FILTERING IMPLEMENTATION IN RECOMMENDER SYSTEM. | |
Weller | Compromised account detection based on clickstream data |
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 |