CN112348629A - 一种商品信息推送方法和装置 - Google Patents

一种商品信息推送方法和装置 Download PDF

Info

Publication number
CN112348629A
CN112348629A CN202011156757.1A CN202011156757A CN112348629A CN 112348629 A CN112348629 A CN 112348629A CN 202011156757 A CN202011156757 A CN 202011156757A CN 112348629 A CN112348629 A CN 112348629A
Authority
CN
China
Prior art keywords
recommendation
commodity
commodities
candidate
user
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
Application number
CN202011156757.1A
Other languages
English (en)
Inventor
李锐佳
周建宏
王曙
文朝
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.)
Bangdao Technology Co Ltd
Original Assignee
Bangdao 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 Bangdao Technology Co Ltd filed Critical Bangdao Technology Co Ltd
Priority to CN202011156757.1A priority Critical patent/CN112348629A/zh
Publication of CN112348629A publication Critical patent/CN112348629A/zh
Pending legal-status Critical Current

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
    • 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
    • G06F16/9538—Presentation of query results
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2132—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on discrimination criteria, e.g. discriminant analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Business, Economics & Management (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Computation (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

本发明实施例提供了一种商品信息推送方法和装置，所述方法包括：提取商品类型集合中前预设数目的商品类型作为偏好商品类型集合，根据对于商品的评分和预设的推荐优先级算法，获取偏好商品类型集合的推荐优先级，并根据推荐优先级生成实时推荐结果；根据商品的标签数据对用户进行聚类处理，并生成每个用户群体的局部推荐模型；根据商品的评分数据生成全局推荐模型，并通过与局部推荐模型的加权合并生成离线推荐结果；将实时推荐结果和离线推荐结果进行加权计算，得到混合推荐结果。通过分别计算实时推荐结果和离线推荐结果，并对实时推荐结果和离线推荐结果进行加权计算获取混合推荐结果，提高了推荐结果的动态变化能力，提升了用户体验效果。

Description

一种商品信息推送方法和装置
技术领域
本发明涉及自然语言处理领域，尤其涉及一种商品信息推送方法和装置。
背景技术
随着互联网的快速发展，引发了数据的迅猛增长。人们已经从信息时代跨越到大数据时代，如何从海量的数据中挖掘出用户感兴趣的信息，并且为用户提供个性化推荐服务成了重要的研究课题。因此，相继涌现出了许多的推荐模型，包括基于知识推荐、基于关联规则推荐、基于内容推荐、基于位置信息推荐、协同过滤推荐等。然而，单一的推荐模型不能满足复杂推荐场景，例如，外卖应用中需要位置信息和用户美食偏好信息结合做推荐。
因此，按照一定的策略，组合两种或两种以上推荐算法的混合推荐系统应运而生，其弥补了单一推荐算法的不足，且获得了更好的推荐结果。传统的推荐系统往往基于Hadoop等批处理平台构建，只能使用历史数据集进行训练；并且模型更新代价较大，无法适应数据流环境，算法时效性较差，不能使推荐结果和用户近期的偏好相匹配，造成推荐效果差。
在如今的推荐系统中，用户和推荐标的物的数目不断上升，动辄百千万计，用户和推荐标的物之间选择的重叠越来越少，用户与推荐标的物的交互信息的减少使得传统的协同过滤算法效果逐步下降。
目前对于流行的ALS矩阵因子分解推荐方法使用的是用户对推荐目标的评分表，用户评完一次分之后，更新总评分表中的一项，导致了推荐结果的动态变化能力较弱，用户体验较差的缺陷。
发明内容
本发明实施例提供一种商品信息推送方法和装置，用以提高现有的推荐方法中推荐结果的动态变化能力，提高被推荐用户的体验。
第一方面，本发明实施例提供一种商品信息推送方法，包括：
提取商品类型集合中前预设数目的商品类型作为偏好商品类型集合，根据商品的评分数据和预设的推荐优先级算法，获取所述偏好商品类型集合的推荐优先级，并根据所述推荐优先级生成实时推荐结果；
根据商品的标签数据对用户进行聚类处理，并生成每个用户群体的局部推荐模型；根据商品的评分生成全局推荐模型，并通过与所述局部推荐模型的加权合并生成离线推荐结果；
将所述实时推荐结果和所述离线推荐结果进行加权计算，获取混合推荐结果。
可选地，所述方法还包括：
对用户的各种隐性操作的次数赋予对应的权重值，计算所述各种隐性操作的次数与对应权重值的积；
计算所述乘积结果与前一时间周期的偏好程度和时间衰减因子乘积的和作为用户对于某一商品类型在该时间周期内的偏好程度值；
其中，所述隐性操作指能反映出用户对商品偏好的前端操作。
可选地，所述根据用户对于商品的评分和预设的推荐优先级算法，获取所述用户偏好商品类型集合的推荐优先级具体包括：
从所述用户偏好商品类型集合中筛选出与用户已评分商品的相似度超过预设的相似度阈值的商品；
基于所述超过预设相似度阈值的商品获取所述候选商品值得推荐的程度值和所述候选商品不值得推荐的程度值；
根据所述用户对于候选商品的评分预测、所述候选商品值得推荐的程度值、所述候选商品不值得推荐的程度值和预设的所述候选商品对应的类别权值获取所述候选商品的推荐优先级。
可选地，所述基于所述超过预设相似度阈值的商品获取所述候选商品值得推荐程度值和所述候选商品不值得推荐程度值，具体包括：
将所述超过预设相似度阈值的商品作为候选商品，求解所述候选商品与具有显性评分商品间的相似度和用户对于商品的显性评分的乘积和，最后将所述乘积和除以所述候选商品的数量的结果作为用户对于候选商品的评分预测；
将所述候选商品中评分高于或等于预设阈值的数量作为优先级上升数，将所述候选商品中评分低于预设阈值的数量值作为优先级下降数，根据所述优先级上升数求取所述候选商品值得推荐程度值，根据所述优先级下降数求取所述候选商品不值得推荐程度值。
可选地，所述根据所述优先级上升数求取所述候选商品值得推荐程度值，根据所述优先级下降数求取所述候选商品不值得推荐程度值具体包括：
计算所述优先级上升数与1中最大值的对数，作为所述候选商品值得推荐的程度值；
计算所述优先级下降数与1中最大值的对数，作为所述候选商品不值得推荐的程度值。
可选地，所述并根据所述推荐优先级生成实时推荐结果具体包括：
根据所述推荐优先级的高低顺序对所述候选商品进行排列，并生成实时推荐列表。
可选地，所述根据商品的标签数据对用户进行聚类处理，并生成每个用户群体的局部推荐模型具体包括：
将用户购买过的商品的标签数据输入到LDA主题模型，获取用户的特征向量；
根据所述特征向量对用户进行聚类处理，生成每个用户群体的局部推荐模型。
第二方面，本发明实施例提供一种商品信息推送装置，包括：
实时推荐模块：用于提取商品类型集合中前预设数目的商品类型作为偏好商品类型集合，根据对于商品的评分和预设的推荐优先级算法，获取所述偏好商品类型集合的推荐优先级，并根据所述推荐优先级生成实时推荐结果；
离线推荐模块：用于根据商品的标签数据对用户进行聚类处理，并生成每个用户群体的局部推荐模型；根据对商品的评分生成全局推荐模型，并通过与所述局部推荐模型的加权合并生成离线推荐结果；
混合推荐模块：用于将所述实时推荐结果和所述离线推荐结果进行加权计算，获取混合推荐结果。
第三方面，本发明实施例提供一种电子设备，包括处理器、通信接口、存储器和总线，其中，处理器，通信接口，存储器通过总线完成相互间的通信，处理器可以调用存储器中的逻辑指令，以执行如第一方面中任一所述的方法。
第四方面，本发明实施例提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如第一方面中任一所述的方法。
本发明实施例提供的商品信息推送方法和装置，通过分别计算实时推荐结果和离线推荐结果，并对实时推荐结果和离线推荐结果进行加权计算获取混合推荐结果，提高了推荐结果的动态变化能力，提升了被推荐用户的体验。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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为本发明实施例提供的一种商品信息推送方法的流程示意图；
图2为本发明实施例提供的一种商品信息推送方法中混合推荐系统的流程图；
图3为本发明实施例提供的一种商品信息推送方法中实时推荐系统的流程图；
图4为本发明实施例提供的一种商品信息推送方法中离线推荐系统的流程图；
图5为本发明实施例提供的一种商品信息推送装置的结构示意图；
图6为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实时推荐系统的应用场景是在大数据环境下，拥有大量用户和推荐目标(商品、电影、音乐、新闻等)的情况下提供实时、准确的推荐服务。具体来实施推荐系统技术要实现三个基本的要求。首先推荐系统为用户推荐的目标应符合用户兴趣，即推荐结果应该尽可能精准。其次，需要以非常短的时间捕获用户的即时兴趣，即推荐结果要有时效性。第三，需要并行，即可扩展的处理大量的计算。随着分布式流计算框架的发展以及推荐算法的进步，将离线数据挖掘和在线推荐服务系统进行有机的结合，可以将离线部分设计的相对复杂和全面，在线部分更加倾向于灵活和轻便。使得实时推荐系统的实现日趋成熟稳定。
目前有基于Storm的流计算推荐系统和基于Spark的流计算推荐系统，基于Storm以tuple作为数据单位，结合推荐算法引擎能够实现亚秒级别的推荐；基于Spark的流计算推荐系统基于mini-batch方案设计出Spark Streaming,它以Dstream作为计算单位，将数据流分割成小批量的计算任务，能够在复用Spark计算模型的基础上结合现有的一些推荐算法，实现准实时推荐。在现有这些实时推荐方案中，算法引擎主要有基于ALS矩阵因子分解推荐方法，它的本质上是一种协同过滤的方法。它将用户(U)对商品(P)的评分矩阵Rm×n分解成两个矩阵：用户(U)对隐含特征的偏好矩阵Xm×k、商品(P)所包含隐含特征的矩阵Yn×k。然后需要最小化损失函数(loss function)，使得Xm×k和Yn×k的结果能逼近Rm×n。
传统的推荐方案中由于大数据处理与扩展性问题，随着推荐系统规模的不断扩大，系统吞吐的数据规模越来越大，系统能够提供的运算能力越来越难以满足实际的运算需求，而且需要同时有效合理的分配离线计算和在线计算资源。基于Storm的流计算实时推荐方案中，虽然Storm的计算图结构简单，计算组件可以充分自定义，有利于手动进行负载均衡和进行算法调优，但是由于框架自身的无状态设计，缺乏对状态的管理以及没有很好容错机制，而且解决机器学习问题时往往需要借助外部存储框架的支持。而基于Spark的流计算实时推荐方案中，由于Spark是mini-batch级别的计算，这就带来了延迟高的问题，并且有状态计算需要通过额外的RDD来维护状态，导致开销较大，对吞吐量影响也较大。
对于推荐算法引擎来说，存在数据稀疏性问题，在如今的推荐系统中，用户和推荐标的物数目不断地上升，动辄百千万计，用户和推荐目标之间选择的重叠越来越少，用户与推荐标的物交互信息的减少使得传统的协同过滤算法效果逐步下降。对于流行的ALS矩阵因子分解推荐方法使用的是用户对推荐标的物的评分数据，用户评完一次分之后，只更新了总评分表中的一项，这会使得推荐结果的动态变化能力较弱，用户体验较差。同时，这种方法的运行时间很长，时间上不能满足实时性的要求。总之为了提高推荐系统的精度和效率提出了多种推荐算法。然而大量实践表明，现有推荐算法均存在局限性，目前单一的推荐算法不能够完全满足用户的需求。
本发明旨在应用Flink流计算框架和混合算法引擎构建一种实时推荐系统，解决现有的推荐系统在大数据场景下存在的延迟高、吞吐量底、容错能力差、推荐精准差等问题。以Flink为代表的第三代分布式流计算平台创造性地统一了流处理和批处理，在工业界和学术界当中崭露头角，作为流处理看待时输入数据流是流动的，而批处理被作为一种特殊的流处理，只是它的输入数据流被定义为有界的；Flink为算子引入了内置的状态管理，能够在框架内实现状态的容错与版本控制，无需借助外部存储，对复杂机器学习算法的实现提供了良好的支持。利用Flink这种高可用，可扩展的处理框架，并且有效合理的分配运算资源将离线数据挖掘和在线服务系统进行有机的结合，离线部分设计的相对复杂和全面，在线部分更加倾向于灵活和轻便。并且组合多个推荐算法构成混合推荐引擎，弥补了单一推荐算法的不足，进而提高推荐系统的精准度。
如图1所示，为本发明实施例提供的一种商品信息推送方法，包括：
提取商品类型集合中前预设数目的商品类型作为偏好商品类型集合，根据对于商品的评分和预设的推荐优先级算法，获取所述偏好商品类型集合的推荐优先级，并根据所述推荐优先级生成实时推荐结果；
根据商品的标签数据对用户进行聚类处理，并生成每个用户群体的局部推荐模型；根据商品的评分数据生成全局推荐模型，并通过与所述局部推荐模型的加权合并生成离线推荐结果；
将所述实时推荐结果和所述离线推荐结果进行加权计算，获取混合推荐结果。
具体地，用户的隐性操作即指能够反映出用户对于商品偏好的前端操作，例如点击商品的操作、收藏的操作等；根据用户隐性操作的次数，通过预设的算法获取用户对于商品类型的偏好程度。按照用户对于商品类型的偏好程度的排序结果，从中提取出前预设数目的商品类型作为用户偏好商品类型集合。根据用户对于商品的评分情况和预设的优先级算法获取用户对前述用户偏好商品类型集合的推荐优先级，并按照获取的推荐优先级的大小顺序生成实时的推荐结果。
进一步地，根据用户对于商品的标签数据对用户进行聚类处理，其中商品的标签数据是指所有购买过该商品的用户给该商品打的标签中出现次数超过所述预设数目的标签。按照聚类分析结果将用户划分成多个不同的类别，然后对每个类别都构建出一个局部推荐模型。同时根据所有用户对于商品的评分数据按照预设算法生成全局推荐模型，将全局推荐模型和局部推荐模型按照预设权重加权处理即可获取到离线推荐结果。最后，将实时推荐结果和离线推荐结果按照预设权重加权处理得到最终的混合推荐结果。
图2为本发明实施例提供的一种商品信息推送方法中混合推荐系统的流程图，如图2所示，本发明实施例提供的一种商品信息推送方法是基于Flink的分布式实时混合推荐系统，主要由两部分构成，离线推荐部分和实时推荐部分，其中离线部分基于Flink的机器学习算法平台Alink构建，采用LDA-谱聚类算法构建局部推荐模型，再和全局推荐模型结果加权合并。实时部分主要是基于用户偏好的计算，最后混合两种推荐结果完成推荐。
作为本发明的一种实施例，所述通过预设算法获取用户对于商品类型的偏好值具体包括：
对用户的各种隐性操作的次数赋予对应的权重值，计算所述各种隐性操作的次数与对应权重值的积；
计算所述乘积结果与前一时间周期内的偏好程度值和时间衰减因子的乘积的和作为用户在该时间周期内的偏好程度值；
其中，所述隐性操作指能反映出用户对于商品偏好的前端操作。
其中，获取用户对于商品类型偏好程度的计算公式为：
Figure BDA0002743013720000081
其中，λ是时间衰减因子，范围是0-1，其值越小，反应用户偏好的实时性就越好；β表示不同隐性操作的权值，某个隐性操作越能体现用户感兴趣的程度，其权值越大；uk表示用户对某商品类型k的偏好，比如数码产品、书籍、体育用品等类型；Tk表示单位时间周期内该类型商品访问次数；Yk表示单位时间周期内该类型商品收藏次数。
作为本发明的一种实施例，所述根据用户对于商品的评分和预设的推荐优先级算法获取所述用户偏好商品类型集合的推荐优先级具体包括：
从所述用户偏好商品类型集合中筛选出与用户已评分商品的相似度超过预设的相似度阈值的商品；
基于所述超过预设相似度阈值的商品获取所述候选商品值得推荐的程度值和所述候选商品不值得推荐的程度值；
根据所述用户对于候选商品的评分预测、所述候选商品值得推荐程度值、所述候选商品不值得推荐程度值和预设的所述候选商品对应的类别权值获取所述候选商品的推荐优先级。
具体地，从用户偏好商品类型集合中筛选出与用户已评分的商品相似度超过预设的相似度阈值的商品，其中相似度阈值可以根据需要灵活设置。将用户偏好商品类型集合中超过预设的相似度阈值的商品作为候选商品，并计算用户已评分的商品集合与候选商品的相似度和用户对于商品的评分的乘积的和，最后将上述乘积和除以所述候选商品的数量的结果作为用户对于候选商品的评分预测。
进一步地，将候选商品中评分高于或等于预设阈值的数量作为优先级上升数，将候选商品中评分低于预设阈值的数量值作为优先级下降数，并根据优先级上升数求取候选商品值得推荐程度值，根据优先级下降数求取候选商品不值得推荐程度值。获取候选商品值得推荐程度值和候选商品不值得推荐程度值的目的是为了更全面地计算候选商品的优先级。
最后，根据用户对于候选商品的评分预测、候选商品值得推荐的程度值、候选商品不值得推荐的程度值和预设的候选商品对应的类别权值获取候选商品的推荐优先级，具体方法是将候选商品的评分预测、候选商品值得推荐的程度值和预设的候选商品对应的类别权值相加后减去候选商品不值得推荐的程度值即可获取候选商品的推荐优先级。
作为本发明的一种实施例，所述基于所述超过预设相似度阈值的商品获取所述候选商品值得推荐的程度值和所述候选商品不值得推荐的程度值，具体包括：
将所述超过预设相似度阈值的商品作为候选商品，将用户已评分的商品集合与候选商品的相似度和用户对于商品的评分乘积的和除以所述候选商品的数量的结果作为用户对于候选商品的评分预测；
将所述候选商品中评分高于或等于预设阈值的数量作为优先级上升数，将所述候选商品中评分低于预设阈值的数量作为优先级下降数，根据所述优先级上升数求取所述候选商品值得推荐的程度值，根据所述优先级下降数求取所述候选商品不值得推荐的程度值。
具体地，将候选商品中评分高于或等于预设阈值的数量作为优先级上升数，将候选商品中评分低于预设阈值的数量值作为优先级下降数，并根据优先级上升数求取候选商品值得推荐的程度值，根据优先级下降数求取候选商品不值得推荐的程度值。获取候选商品值得推荐程度值和候选商品不值得推荐程度值的目的是为了更全面地计算候选商品的优先级。根据用户对于候选商品的评分预测、候选商品值得推荐的程度值、候选商品不值得推荐的程度值和预设的候选商品对应的类别权值获取候选商品的推荐优先级，具体方法是将候选商品的评分预测、候选商品值得推荐的程度值和预设的候选商品对应的类别权值相加后减去候选商品不值得推荐的程度值即可获取候选商品的推荐优先级。
作为本发明的一种实施例，所述根据所述优先级上升数求取所述候选商品值得推荐的程度值，根据所述优先级下降数求取所述候选商品不值得推荐的程度值具体包括：
计算所述优先级上升数与1中最大值的对数，作为所述候选商品值得推荐的程度值；
计算所述优先级下降数与1中最大值的对数，作为所述候选商品不值得推荐的程度值。
具体地，候选商品值得推荐程度值和候选商品不值得推荐程度值是获取候选商品推荐优先级的要素，具体获取候选商品值得推荐的程度值的方法是计算优先级上升数与1中最大值的对数；获取候选商品不值得推荐的程度值的方法是计算优先级下降数与1中最大值的对数，作为候选商品不值得推荐的程度值。
最终获取推荐优先级的计算公式为：
Figure BDA0002743013720000101
Rn表示用户u对于商品n的评分值；
Figure BDA0002743013720000102
表示对于每个候选商品q，从本周期内的N个显性评分数据中，找出与q相似度较高(大于阈值)且用户u已评分的商品集合，并求解该集合中每个商品n与q的相似度和用户对商品n的显性打分数据的乘积和，然后再对其做平均，这样计算得到的结果即为用户u对商品q的评分预测；其中，sim(q，n)表示商品q和商品n的相似度。这里的相似度需要大于一个设定的阈值，否则不参与公式的计算；sum_sim表示q与N个具有显性评分商品中相似度大于所设阈值的个数；
log(max(high,1))表示当前时间周期内用户u的显性打分商品中，和q相似且评分又高的商品数目high和1之间的最大值的对数值，其衡量了商品q值得推荐的程度，也即候选商品值得推荐程度值；
log(max(down,1))表示当前时间周期内用户u的显性打分商品中，和q相似但评分不高的商品数目down和1之间的最大值的对数值，其衡量了商品q不值得推荐的程度，也即候选商品不值得推荐的程度值；
其中，high表示N个具有显性评分的商品中与商品q相似但评分值较高(>＝count)的商品数目，表示优先级上升，也即优先级上升数；down表示N个具有显性评分的商品中与商品q相似但评分值较低(<count)的商品数目，表示优先级下降，也即优先级下降数；其中count是预设阈值。
qck_value表示商品q所对应的类别的权值。例如，用户偏好商品类型集合的长度为20，排名1-5的类别设定权值0.4，排名6-10的类别设定权值0.3，排名11-15的类别设定权值0.2，排名11-15的类别设定权值0.1。保证所划定的各个类别区间的权值总和为1。这个部分用于表示隐性操作对推荐优先级的影响。
作为本发明的一种实施例，所述并根据所述推荐优先级生成实时推荐结果具体包括：
根据所述推荐优先级的高低顺序对所述候选商品进行排列，并生成实时推荐列表。
图3为本发明实施例提供的一种商品信息推送方法中实时推荐系统的流程图，如图3所示，实时推荐结果就是根据上述推荐优先级的大小对候选商品进行排列，并通过排序结果生成实时推荐列表，最后按照推荐列表对用户进行推荐。
作为本发明的一种实施例，所述根据商品的标签数据对用户进行聚类处理，并生成每个用户群体的局部推荐模型具体包括：
将用户购买过的商品的标签数据输入到LDA主题模型，获取用户的特征向量；
根据所述特征向量对用户进行聚类处理，生成每个用户群体的局部推荐模型。
具体地，根据用户购买过的商品的标签数据，通过LDA主题模型训练出用户的特征向量，然后采用谱聚类算法对用户进行聚类。其中，LDA主题模型本质上是三层贝叶斯网络，其概率公式为：
Figure BDA0002743013720000121
wn：一篇文档的第n个词汇；θ：一篇文档的主题分布；zn：一篇文档中第n个词所对应的主题；α：每篇文档的主题分布所对应Dirichlet先验分布的超参数；β：每个主题的词分布所对应的Dirichlet先验分布的超参数。
图4为本发明实施例提供的一种商品信息推送方法中离线推荐系统的流程图，如图4所示，离线部分的数据包括用户的显性操作数据(评分数据)、商品的标签数据(筛选出所有购买过该商品的用户为这件商品所打的标签中出现次数最多的前K个标签)。先利用商品的标签数据，采用LDA主题模型训练出用户的特征向量，进而对用户进行聚类，然后对于每个用户群体，再利用其评分数据构建出局部推荐模型。再利用所有的用户评分数据构建出全局推荐模型。最后对局部推荐模型和全局推荐模型进行合并，得到离线推荐系统部分的最终的推荐结果。这种方法充分的考虑了用户的特征，其能够有效的提高推荐算法的准确性。
在电商数据中，用户为很多的商品都打过一些标签。标签也即一个单词，用户购买过的所有商品的标签集合对应成一篇文档d，用户喜欢的商品类型对应成一个主题z。如果总共有n个用户，那么就有n篇文档，以及一个字典，每一篇文档都可以用字典长度的向量表示。为了后面用户聚类的效果更好，我们希望分出的主题的差距越大越好。
通过LDA模型得到每一个用户的特征向量之后，通过谱聚类算法对用户进行聚类，共得到M个类别。谱聚类算法利用原始数据D的相似矩阵所对应的特征向量进行聚类分析。根据聚类结果对用户进行分类，把原始矩阵D中不属于该簇的用户所对应的行向量均设为0，最后共获得M个局部矩阵。
为了产生最终的推荐结果，这里采用逻辑回归作为推荐的模型。利用用户的显性打分矩阵Tn×m(n：用户，m：商品)，去学习得到一个m×m的物品相似度矩阵P，最后使用P和T矩阵完成最终的推荐。
逻辑回归推荐模型的损失函数如下：
Figure BDA0002743013720000131
其中，α表示惩罚项的系数。
通过SGD算法同时训练P矩阵中的每一列Pj,来得到最终的P矩阵：
Figure BDA0002743013720000132
用户u关于商品j的最终推荐计算公式为：
Figure BDA0002743013720000133
这里使用全局训练矩阵T得到全局的商品相似度矩阵P，使用局部训练矩阵TM得到局部的商品相似度矩阵PM。最终通过参数η1和η2来协调全局和局部的比例，且η1+η2＝1。所以用户u对商品i的最终推荐优先级的计算方式为：
Figure BDA0002743013720000134
其中，Ru表示与用户u有交互的商品集合。当所有的参数设定完毕，通过推荐优先级的计算方式，把优先级排前n的商品列表作为最终的推荐结果推荐给用户。
根据获取的用户的特征向量对用户进行聚类处理，并对每个用户群体生成局部推荐模型。根据用户对于商品的评分生成全局推荐模型具体包括：根据用户对于商品的评分生成评分矩阵，通过协同过滤推荐算法生成全局推荐模型。进一步，根据用户对于商品的评分数据构造评分矩阵，根据评分矩阵构建商品相似度矩阵，其中相似度算法可以采用余弦距离算法、欧式距离算法；通过计算评分矩阵和商品相似度矩阵的积获取全局推荐模型。
图5为本发明实施例提供的一种商品信息推送装置的结构示意图，如图5所示，包括：
实时推荐模块：用于提取商品类型集合中前预设数目的商品类型作为偏好商品类型集合，根据对于商品的评分和预设的推荐优先级算法，获取所述偏好商品类型集合的推荐优先级，并根据所述推荐优先级生成实时推荐结果；
离线推荐模块：用于根据商品的标签数据对于用户进行聚类处理，并生成每个用户群体的局部推荐模型；根据对商品的评分生成全局推荐模型，并通过与所述局部推荐模型的加权合并生成离线推荐结果；
混合推荐模块：用于将所述实时推荐结果和所述离线推荐结果进行加权计算，获取混合推荐结果。
具体地，用户的隐性操作指能够反映出用户对于商品偏好的前端操作，例如点击商品的操作、收藏的操作等；实时推荐模块用于提取商品类型集合中前预设数目个的商品类型作为偏好商品类型集合，根据对于商品的评分和预设的推荐优先级算法，获取所述偏好商品类型集合的推荐优先级，并根据所述推荐优先级生成实时推荐结果；离线推荐模块用于根据商品的标签数据对于用户进行聚类处理，并生成每个用户群体的局部推荐模型；根据对于商品的评分生成全局推荐模型，并通过与所述局部推荐模型的加权合并生成离线推荐结果；混合推荐模块用于将所述实时推荐结果和所述离线推荐结果进行加权计算，获取混合推荐结果。
实时推荐模块部分先基于隐性操作数据计算出当前周期内用户感兴趣的商品类别，然后把用户感兴趣的类别信息和当前时间周期内显示的打分数据相整合，再去计算商品的推荐优先级。这种推荐方式时间复杂度低，实时性强，能够动态反映用户的偏好。离线推荐模块基于商品的标签数据，采用LDA-谱聚类算法构建局部推荐模型，再和全局推荐模型产生的推荐结果进行合并，这种推荐方式充分考虑了用户的特征属性，最终的推荐模型的准确率也会更优。混合推荐模块，对实时推荐和离线推荐的推荐结果进行加权融合，取长补短，使得最终的推荐结果在满足一定的推荐精度的基础上，也有很好的实时性和新颖性。
图6示例了一种电子设备的实体结构示意图，如图6所示，该电子设备可以包括：处理器(processor)810、通信接口(Communications Interface)820、存储器(memory)830和通信总线840，其中，处理器810，通信接口820，存储器830通过通信总线840完成相互间的通信。处理器810可以调用存储器830中的逻辑指令，以执行一种商品信息推送方法，该方法包括：提取商品类型集合中前预设数目个的商品类型作为偏好商品类型集合，根据对于商品的评分和预设的推荐优先级算法，获取所述偏好商品类型集合的推荐优先级，并根据推荐优先级生成实时推荐结果；根据商品的标签数据对于用户进行聚类处理，并生成每个用户群体的局部推荐模型；根据用户对商品的评分生成全局推荐模型，并通过与局部推荐模型的加权合并生成离线推荐结果；将实时推荐结果和离线推荐结果进行加权计算，获取混合推荐结果。
此外，上述的存储器830中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明实施例还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的一种商品信息推送方法，该方法包括：提取商品类型集合中前预设数目的商品类型作为偏好商品类型集合，根据对于商品的评分和预设的推荐优先级算法，获取所述偏好商品类型集合的推荐优先级，并根据推荐优先级生成实时推荐结果；根据商品的标签数据对用户进行聚类处理，并生成每个用户群体的局部推荐模型；根据对于商品的评分生成全局推荐模型，并通过与局部推荐模型的加权合并生成离线推荐结果；将实时推荐结果和离线推荐结果进行加权计算，获取混合推荐结果。
又一方面，本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的一种商品信息推送方法，该方法包括：提取商品类型集合中前预设数目的商品类型作为偏好商品类型集合，根据对于商品的评分和预设的推荐优先级算法，获取所述偏好商品类型集合的推荐优先级，并根据推荐优先级生成实时推荐结果；根据商品的标签数据对用户进行聚类处理，并生成每个用户群体的局部推荐模型；根据对于商品的评分生成全局推荐模型，并通过与局部推荐模型的加权合并生成离线推荐结果；将实时推荐结果和离线推荐结果进行加权计算，获取混合推荐结果。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种商品信息推送方法，其特征在于，包括：
提取商品类型集合中前预设数目的商品类型作为偏好商品类型集合，根据对于商品的评分和预设的推荐优先级算法，获取所述偏好商品类型集合的推荐优先级，并根据所述推荐优先级生成实时推荐结果；
根据商品的标签数据对用户进行聚类处理，并生成每个用户群体的局部推荐模型；根据所有用户对商品的评分数据生成全局推荐模型，并通过与所述局部推荐模型的加权合并生成离线推荐结果；
将所述实时推荐结果和所述离线推荐结果进行加权计算，获取混合推荐结果。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
对用户的各种隐性操作的次数赋予对应的权重值，计算所述各种隐性操作的次数与对应权重值的乘积；
计算所述乘积与前一时间周期的偏好程度和时间衰减因子乘积的和作为用户对于该商品类型的偏好程度；
其中，所述隐性操作指能反映出用户对于商品偏好的前端操作。
3.根据权利要求2所述的方法，其特征在于，所述根据用户对于商品的评分和预设的推荐优先级算法，获取所述用户偏好商品类型集合的推荐优先级具体包括：
从所述用户偏好商品类型集合中筛选出与用户已进行评分的商品的相似度超过预设相似度阈值的商品；
基于所述超过预设相似度阈值的商品获取候选商品值得推荐程度值和所述候选商品不值得推荐程度值；
根据所述用户对于候选商品的评分预测、所述候选商品值得推荐的程度值、所述候选商品不值得推荐的程度值和预设的所述候选商品对应的类别权值获取所述候选商品的推荐优先级。
4.根据权利要求3所述的方法，其特征在于，所述基于所述超过预设相似度阈值的商品获取所述候选商品值得推荐程度值和所述候选商品不值得推荐程度值，具体包括：
将所述超过预设相似度阈值的商品作为候选商品，求解所述候选商品与具有显性评分商品间的相似度和用户对于商品的显性评分间的乘积和，最后将所述乘积和除以所述候选商品数量的结果作为用户对于候选商品的评分预测；
将所述候选商品中评分高于或等于预设阈值的数量作为优先级上升数，将所述候选商品中评分低于预设阈值的数量作为优先级下降数，根据所述优先级上升数求取所述候选商品值得推荐的程度值，根据所述优先级下降数求取所述候选商品不值得推荐的程度值。
5.根据权利要求3所述的方法，其特征在于，所述根据所述优先级上升数求取所述候选商品值得推荐的程度值，根据所述优先级下降数求取所述候选商品不值得推荐的程度值具体包括：
计算所述优先级上升数与1中最大值的对数，作为所述候选商品值得推荐程度值；
计算所述优先级下降数与1中最大值的对数，作为所述候选商品不值得推荐程度值。
6.根据权利要求1所述的方法，其特征在于，所述并根据所述推荐优先级生成实时推荐结果具体包括：
根据所述推荐优先级的高低顺序对所述候选商品进行排列，并生成实时推荐列表。
7.根据权利要求1所述的方法，其特征在于，所述根据商品的标签数据对用户进行聚类处理，并生成每个用户群体的局部推荐模型具体包括：
将用户购买过商品的标签数据输入到LDA主题模型，获取用户的特征向量；
根据所述特征向量对用户进行聚类处理，生成每个用户群体的局部推荐模型。
8.一种商品信息推送装置，其特征在于，包括：
实时推荐模块：用于提取商品类型集合中前预设数目的商品类型作为偏好商品类型集合，根据用户对于商品的评分和预设的推荐优先级算法，获取所述偏好商品类型集合的推荐优先级，并根据所述推荐优先级生成实时推荐结果；
离线推荐模块：用于根据商品的标签数据对用户进行聚类处理，并生成每个用户群体的局部推荐模型；根据对于商品的评分生成全局推荐模型，并通过与所述局部推荐模型的加权合并生成离线推荐结果；
混合推荐模块：用于将所述实时推荐结果和所述离线推荐结果进行加权计算，获取混合推荐结果。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在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程序时实现如权利要求1至7任一项所述方法的步骤。
10.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如权利要求1至7任一所述方法的步骤。
CN202011156757.1A 2020-10-26 2020-10-26 一种商品信息推送方法和装置 Pending CN112348629A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011156757.1A CN112348629A (zh) 2020-10-26 2020-10-26 一种商品信息推送方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011156757.1A CN112348629A (zh) 2020-10-26 2020-10-26 一种商品信息推送方法和装置

Publications (1)

Publication Number Publication Date
CN112348629A true CN112348629A (zh) 2021-02-09

Family

ID=74358349

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011156757.1A Pending CN112348629A (zh) 2020-10-26 2020-10-26 一种商品信息推送方法和装置

Country Status (1)

Country Link
CN (1) CN112348629A (zh)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113112333A (zh) * 2021-04-27 2021-07-13 湖南云畅网络科技有限公司 一种数据流处理方法及系统
CN113268670A (zh) * 2021-06-16 2021-08-17 中移（杭州）信息技术有限公司 潜在因子混合推荐方法、装置、设备及计算机存储介质
CN113329058A (zh) * 2021-04-30 2021-08-31 青岛以萨数据技术有限公司 一种数据推送方法、装置及存储介质
CN113360780A (zh) * 2021-08-10 2021-09-07 北京黑马企服科技有限公司 一种基于大数据的信息推荐方法及系统
CN113393303A (zh) * 2021-06-30 2021-09-14 青岛海尔工业智能研究院有限公司 物品推荐方法、装置、设备及存储介质
CN113434660A (zh) * 2021-06-28 2021-09-24 平安银行股份有限公司 基于多领域分类的产品推荐方法、装置、设备及存储介质
CN113609392A (zh) * 2021-08-06 2021-11-05 腾讯科技（深圳）有限公司 一种内容推荐方法、待推荐内容确定方法和相关装置
CN113657971A (zh) * 2021-08-31 2021-11-16 卓尔智联(武汉)研究院有限公司 物品推荐方法、装置及电子设备
CN113689266A (zh) * 2021-08-27 2021-11-23 重庆锐云科技有限公司 手机选购推荐方法、装置、服务器及计算机可读存储介质
CN113781158A (zh) * 2021-08-23 2021-12-10 湖南大学 商品组合的推荐方法、装置及存储介质
CN114140151A (zh) * 2021-10-28 2022-03-04 北京航天云路有限公司 一种基于Flink的大数据离线与实时商品推荐方法
CN116957784A (zh) * 2023-09-18 2023-10-27 深圳迅销科技股份有限公司 一种银行信用卡积分数据推荐方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108363804A (zh) * 2018-03-01 2018-08-03 浙江工业大学 基于用户聚类的局部模型加权融合Top-N电影推荐方法
CN109102371A (zh) * 2018-08-22 2018-12-28 平安科技（深圳）有限公司 商品推荐方法、装置、计算机设备及存储介质
CN110717093A (zh) * 2019-08-27 2020-01-21 广东工业大学 一种基于Spark的电影推荐系统及方法
CN110889046A (zh) * 2019-11-27 2020-03-17 南京邮电大学 基于卷积神经网络的分布式实时推荐系统
CN111553657A (zh) * 2020-04-28 2020-08-18 贝壳技术有限公司 基于行为分析的匹配方法和装置、电子设备和存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108363804A (zh) * 2018-03-01 2018-08-03 浙江工业大学 基于用户聚类的局部模型加权融合Top-N电影推荐方法
CN109102371A (zh) * 2018-08-22 2018-12-28 平安科技（深圳）有限公司 商品推荐方法、装置、计算机设备及存储介质
CN110717093A (zh) * 2019-08-27 2020-01-21 广东工业大学 一种基于Spark的电影推荐系统及方法
CN110889046A (zh) * 2019-11-27 2020-03-17 南京邮电大学 基于卷积神经网络的分布式实时推荐系统
CN111553657A (zh) * 2020-04-28 2020-08-18 贝壳技术有限公司 基于行为分析的匹配方法和装置、电子设备和存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
《图书情报工作》杂志社: "电子商务研究与实践进展", vol. 1, 31 October 2013, 海洋出版社, pages: 129 - 132 *

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113112333A (zh) * 2021-04-27 2021-07-13 湖南云畅网络科技有限公司 一种数据流处理方法及系统
CN113329058A (zh) * 2021-04-30 2021-08-31 青岛以萨数据技术有限公司 一种数据推送方法、装置及存储介质
CN113329058B (zh) * 2021-04-30 2022-10-04 青岛以萨数据技术有限公司 一种数据推送方法、装置及存储介质
CN113268670B (zh) * 2021-06-16 2022-09-27 中移（杭州）信息技术有限公司 潜在因子混合推荐方法、装置、设备及计算机存储介质
CN113268670A (zh) * 2021-06-16 2021-08-17 中移（杭州）信息技术有限公司 潜在因子混合推荐方法、装置、设备及计算机存储介质
CN113434660A (zh) * 2021-06-28 2021-09-24 平安银行股份有限公司 基于多领域分类的产品推荐方法、装置、设备及存储介质
CN113393303A (zh) * 2021-06-30 2021-09-14 青岛海尔工业智能研究院有限公司 物品推荐方法、装置、设备及存储介质
CN113609392A (zh) * 2021-08-06 2021-11-05 腾讯科技（深圳）有限公司 一种内容推荐方法、待推荐内容确定方法和相关装置
CN113609392B (zh) * 2021-08-06 2023-06-06 腾讯科技（深圳）有限公司 一种内容推荐方法、待推荐内容确定方法和相关装置
CN113360780A (zh) * 2021-08-10 2021-09-07 北京黑马企服科技有限公司 一种基于大数据的信息推荐方法及系统
CN113781158A (zh) * 2021-08-23 2021-12-10 湖南大学 商品组合的推荐方法、装置及存储介质
CN113689266A (zh) * 2021-08-27 2021-11-23 重庆锐云科技有限公司 手机选购推荐方法、装置、服务器及计算机可读存储介质
CN113657971A (zh) * 2021-08-31 2021-11-16 卓尔智联(武汉)研究院有限公司 物品推荐方法、装置及电子设备
CN113657971B (zh) * 2021-08-31 2023-12-01 卓尔智联(武汉)研究院有限公司 物品推荐方法、装置及电子设备
CN114140151A (zh) * 2021-10-28 2022-03-04 北京航天云路有限公司 一种基于Flink的大数据离线与实时商品推荐方法
CN116957784A (zh) * 2023-09-18 2023-10-27 深圳迅销科技股份有限公司 一种银行信用卡积分数据推荐方法
CN116957784B (zh) * 2023-09-18 2024-01-09 深圳迅销科技股份有限公司 一种银行信用卡积分数据推荐方法

Similar Documents

Publication Publication Date Title
CN112348629A (zh) 一种商品信息推送方法和装置
WO2020228514A1 (zh) 内容推荐方法、装置、设备及存储介质
CN111008278B (zh) 内容推荐方法及装置
CN110704739B (zh) 资源推荐方法、装置及计算机存储介质
Buber et al. Web page classification using RNN
US10185983B2 (en) Least-ask: conversational recommender system with minimized user interaction
CN110175895B (zh) 一种物品推荐方法及装置
CN109948036B (zh) 一种分词词项权重的计算方法和装置
US12020267B2 (en) Method, apparatus, storage medium, and device for generating user profile
CN111931055B (zh) 对象推荐方法、对象推荐装置和电子设备
CN110929166A (zh) 一种内容推荐的方法、电子设备和存储介质
CN111767737A (zh) 文本意图相似度确定方法、装置、电子设备和存储介质
WO2024041483A1 (zh) 一种推荐方法及相关装置
CN113158024A (zh) 一种纠正推荐系统流行度偏差的因果推理方法
Vedavathi et al. E-learning course recommendation based on sentiment analysis using hybrid Elman similarity
CN111209469A (zh) 一种个性化推荐方法、装置、计算机设备及存储介质
CN118043802A (zh) 一种推荐模型训练方法及装置
US20230308360A1 (en) Methods and systems for dynamic re-clustering of nodes in computer networks using machine learning models
Tauhid et al. Sentiment analysis of indonesians response to influencer in social media
CN116843022A (zh) 一种数据处理方法及相关装置
CN117235253A (zh) 一种基于自然语言处理技术的卡车用户隐性需求挖掘方法
CN110427959A (zh) 投诉文本的分类方法、系统和存储介质
CN110766488A (zh) 一种自动确定主题场景的方法和装置
Drif et al. A sentiment enhanced deep collaborative filtering recommender system
CN111651643A (zh) 候选内容的处理方法及相关设备

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