CN112435102A - 商品相似度计算方法及装置，和商品推荐方法及系统 - Google Patents

商品相似度计算方法及装置，和商品推荐方法及系统 Download PDF

Info

Publication number
CN112435102A
CN112435102A CN202011479898.7A CN202011479898A CN112435102A CN 112435102 A CN112435102 A CN 112435102A CN 202011479898 A CN202011479898 A CN 202011479898A CN 112435102 A CN112435102 A CN 112435102A
Authority
CN
China
Prior art keywords
commodity
commodities
characteristic
user
similarity
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.)
Withdrawn
Application number
CN202011479898.7A
Other languages
English (en)
Inventor
霍慧
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.)
China United Network Communications Group Co Ltd
Original Assignee
China United Network Communications Group 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 China United Network Communications Group Co Ltd filed Critical China United Network Communications Group Co Ltd
Priority to CN202011479898.7A priority Critical patent/CN112435102A/zh
Publication of CN112435102A publication Critical patent/CN112435102A/zh
Withdrawn legal-status Critical Current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
    • G06F16/9536—Search customisation based on social or collaborative filtering
    • 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
    • G06F16/958—Organisation or management of web site content, e.g. publishing, maintaining pages or automatic linking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Economics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Development Economics (AREA)
  • Evolutionary Computation (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本公开提供一种商品相似度计算方法及装置、商品推荐方法及系统、计算机设备及存储介质，其中，商品相似度计算方法包括：计算用户对商品各个特征下各类属性的用户偏好值；基于用户对商品各个特征下各类属性的用户偏好值计算商品各个特征的重要程度；基于商品各个特征的重要程度计算商品各个特征的权重因子；以及，基于商品各个特征的权重因子计算商品之间的相似度。本公开提供的技术方案结合用户历史行为信息和商品特征信息来计算商品之间的相似度，避免了用户历史行为较少、新商品没有用户行为信息的局限性，能够做出准确率较高的商品推荐。

Description

商品相似度计算方法及装置，和商品推荐方法及系统
技术领域
本公开涉及计算机信息处理技术领域，尤其涉及一种商品相似度计算方法、一种商品相似度计算装置、一种商品推荐方法、一种商品推荐系统、一种计算机设备以及一种计算机可读存储介质。
背景技术
一个好的商品推荐系统能够促进消费者的消费行为，提高用户购物体验以及提升留存度，最终达到提高卖家交易额的目的。协同过滤算法作为商品推荐系统中的代表算法，被各大电商平台广泛应用。
协同过滤(Collaborative Filtering,简称CF)算法主要有基于用户的协同过滤(User-CF)算法和基于商品的协同过滤(Item-CF)算法。
其中，Item-CF算法的主要原理是，通过用户在商品上的得分计算商品之间的相似度，然后根据用户的历史行为计算当前用户对商品的预测得分以提取出类似商品，并推荐给用户。可以看出，商品相似度计算是Item-CF算法的关键。
商品相似度计算基于商品-评分矩阵完成，求解时可以使用到的策略有余弦相似度、Person相关系数等。以最常用的余弦相似度计算为例，基于用户的商品-评分矩阵可知，所有用户对商品a的评分向量为
Figure BDA0002837159720000011
所有用户对商品b的评分向量为
Figure BDA0002837159720000012
则商品a与商品b之间的相似度计算公式为：
Figure BDA0002837159720000013
由于现有商品相似度计算是基于商品-评分矩阵完成的，其相似度计算需要数据集中有足够的用户行为信息，当用户历史行为较少、新商品没有用户行为信息时，即部分商品用户评分信息较少、新商品没有用户评分信息，会出现商品之间没有共同用户行为信息的数据，因而导致无法计算商品间的相似性，从而难以做出准确率较高的商品推荐。
发明内容
为了至少部分解决现有技术中存在的技术问题而完成了本公开。
根据本公开实施例的一方面，提供一种商品相似度计算方法，所述方法包括：
计算用户对商品各个特征下各类属性的用户偏好值；
基于用户对商品各个特征下各类属性的用户偏好值计算商品各个特征的重要程度；
基于商品各个特征的重要程度计算商品各个特征的权重因子；以及，
基于商品各个特征的权重因子计算商品之间的相似度。
根据本公开实施例的另一方面，提供一种商品推荐方法，所述方法包括：
基于用户对商品的评分获取超过预设评分的商品；
采用前述商品相似度计算方法计算其他商品与所述超过预设评分的商品之间的相似度；以及，
将所述其他商品中与所述超过预设评分的商品之间的相似度值大于预设相似度阈值的商品作为类似商品推荐给用户。
根据本公开实施例的又一方面，提供一种商品相似度计算装置，所述装置包括：
第一计算模块，其设置为计算用户对商品各个特征下各类属性的用户偏好值；
第二计算模块，其设置为基于用户对商品各个特征下各类属性的用户偏好值计算商品各个特征的重要程度；
第三计算模块，其设置为基于商品各个特征的重要程度计算商品各个特征的权重因子；以及，
第四计算模块，其设置为基于商品各个特征的权重因子计算商品之间的相似度。
根据本公开实施例的再一方面，提供一种商品推荐系统，所述系统包括：
获取模块，其设置为基于用户对商品的评分获取超过预设评分的商品；
前述商品相似度计算装置，其设置为计算其他商品与所述超过预设评分的商品之间的相似度；以及，
推荐模块，其设置为将所述其他商品中与所述超过预设评分的商品之间的相似度值大于预设相似度阈值的商品作为类似商品推荐给用户。
根据本公开实施例的还一方面，提供一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，当所述处理器运行所述存储器存储的计算机程序时，所述处理器执行前述商品相似度计算方法，或者前述商品推荐方法。
根据本公开实施例的还一方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，所述处理器执行前述商品相似度计算方法，或者前述商品推荐方法。
本公开的实施例提供的技术方案可以包括以下有益效果：
本公开实施例提供的商品相似度计算方法及装置，结合用户历史行为信息和商品特征信息来计算商品之间的相似度，避免了用户历史行为较少、新商品没有用户行为信息的局限性。
本公开的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本公开而了解。本公开的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
附图说明
附图用来提供对本公开技术方案的进一步理解，并且构成说明书的一部分，与本公开的实施例一起用于解释本公开的技术方案，并不构成对本公开技术方案的限制。
图1为本公开实施例提供的商品相似度计算方法的流程示意图；
图2为本公开实施例提供的商品推荐方法的流程示意图；
图3为本公开实施例提供的商品相似度计算装置的结构示意图；
图4为本公开实施例提供的商品推荐系统的结构示意图；
图5为本公开实施例提供的计算机设备的结构示意图。
具体实施方式
为使本公开实施例的目的、技术方案和优点更加清楚，以下结合附图对本公开的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本公开，并不用于限制本公开。
需要说明的是，本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序；并且，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互任意组合。
图1为本公开实施例提供的商品相似度计算方法的流程示意图。如图1所示，所述方法包括如下步骤S101至S104。
S101.计算用户对商品各个特征下各类属性的用户偏好值；
S102.基于用户对商品各个特征下各类属性的用户偏好值计算商品各个特征的重要程度；
S103.基于商品各个特征的重要程度计算商品各个特征的权重因子；
S104.基于商品各个特征的权重因子计算商品之间的相似度。
本实施例中，结合用户历史行为信息和商品特征信息来计算商品之间的相似度，避免了用户历史行为较少、新商品没有用户行为信息的局限性。
在一种具体实施方式中，步骤S101采用如下公式计算用户对商品各个特征下各类属性的用户偏好值：
Figure BDA0002837159720000041
其中，Mi为用户对商品某一特征下第i类属性的用户偏好值；Si为该特征下第i类属性的总数；n为该特征下属性类型的总数，即该特征总共有多少类属性。
下面通过一个示例详细说明用户偏好值的计算方法。
假设用户共选择10件商品，每个商品都有5个特征：类型、价格、产地、品牌和档位，每个商品特征下有不同类型的属性，具体见表1。
表1
商品名称 商品类型 商品价格 商品产地 商品品牌 商品档位
科颜氏唇膏 护肤唇部 1 美国 科颜氏 1
MAC口红 彩妆唇部 1 美国 MAC 1
科颜氏面霜 护肤面部 1 美国 科颜氏 1
依泉唇膏 护肤唇部 1 法国 依泉 1
依泉喷雾 护肤面部 1 法国 依泉 1
兰蔻精华 护肤面部 2 法国 兰蔻 2
YSL粉底液 彩妆面部 2 法国 YSL 2
阿玛尼小胖丁 彩妆唇部 2 法国 阿玛尼 2
雅诗兰黛粉底液 彩妆面部 2 美国 雅诗兰黛 1
TF黑金唇膏 彩妆唇部 2 加拿大 TF 2
以“商品品牌”这一特征为例，该特征下共有八类属性，分别为科颜氏、MAC、依泉、兰蔻、YSL、阿玛尼、雅诗兰黛和TF，每一类属性的总数(即出现频率)和用户偏好值见表2。
表2
Figure BDA0002837159720000051
可以看出，该用户对“商品品牌”这一特征的单个属性偏好值都很小，最高偏好值仅为0.2，这表明用户对“商品品牌”这一特征下的各类属性没有很明显的偏好，喜欢科颜氏、MAC、兰蔻或者其他品牌的不确定性很大，即该特征的不确定性较高，故而该特征的重要性较低。
在一种具体实施方式中，步骤S102采用如下公式计算商品各个特征的重要程度：
Figure BDA0002837159720000052
其中，Uf为商品某一特征的重要程度；Mi为用户对该特征下第i类属性的用户偏好值；n为该特征下属性类型的总数。
本实施例中，结合信息熵来计算商品各个特征的重要性(即重要程度)。其中，信息熵可以用来表示信息的不确定性，通过计算某个信息出现的频率就可判断出其不确定性高低，具体地，如果某一个信息出现次数变多，则它的不确定性在变小。在商品推荐过程中，若某一特征的不确定性越低，则其重要性越高，体现在上述公式中，即Uf值越小，该特征的重要性越高。
结合前述示例，“商品品牌”这一特征的Uf＝-(0.2 log 0.2+0.1log0.1+0.2log0.2+0.1log0.1+0.1log0.1+0.1log0.1+0.1log0.1+0.1log0.1＝-(0.4 log 0.2+0.6 log 0.1)。
在一种具体实施方式中，步骤S103采用如下公式计算商品各个特征的权重因子：
Figure BDA0002837159720000061
其中，αi为商品第i个特征的权重因子；Ui为商品第i个特征的重要程度(即Uf)；m为商品特征的总数，即该商品总共有多少个特征。
本实施例中，在商品特征信息中加入权重因子，且商品各个特征的权重因子利用信息熵通过计算商品的各个特征对用户的不确定性来确定。
在一种具体实施方式中，步骤S104采用如下公式计算商品之间的相似度：
Figure BDA0002837159720000062
其中，w(A,B)为商品A与商品B之间的相似度；商品A的特征集合为(a1，a2，…，am)，商品B的特征集合为(b1，b2，…，bm)，m为商品特征的总数；αi为商品第i个特征的权重因子。
本实施例中，运用余弦相似度来计算任意两件商品之间的相似度。假设有A和B两件商品，其中商品A的特征集合为(a1，a2，…，am)，商品B的特征集合为(b1，b2，…，bm)，则结合商品各个特征的权重因子就可以计算出商品A与商品B之间的相似度。
结合前述示例，假设商品A为科颜氏唇膏，商品B为MAC口红，则商品A的特征集合为(a1，a2，…，a5)＝(护肤唇部，1，美国，科颜氏，1)，商品B的特征集合为(b1，b2，…，b5)＝(彩妆唇部，1，美国，MAC，1)。在实际计算过程中，会对“商品类型”、“商品产地”和“商品品牌”这种文字特征值进行数字化表示，以方便计算。至于将文字特征值具体数字化为何值，可由本领域技术人员根据实际情况进行设定与调整，本公开对此不再赘述。
本公开实施例提供的商品相似度计算方法，先计算用户对商品各个特征下各类属性的用户偏好值，再基于用户对商品各个特征下各类属性的用户偏好值计算商品各个特征的重要程度，然后基于商品各个特征的重要程度计算商品各个特征的权重因子，最后基于商品各个特征的权重因子计算商品之间的相似度，从而结合用户历史行为信息和商品特征信息来计算商品之间的相似度，避免了用户历史行为较少、新商品没有用户行为信息的局限性。
图2为本公开实施例提供的商品推荐方法的流程示意图。如图2所示，所述方法包括如下步骤S201至S203。
S201.基于用户对商品的评分获取超过预设评分的商品；
S202.采用前一实施例所述的商品相似度计算方法计算其他商品与所述超过预设评分的商品之间的相似度；
S203.将所述其他商品中与所述超过预设评分的商品之间的相似度值大于预设相似度阈值的商品作为类似商品推荐给用户。
其中，预设评分及预设相似度阈值可由本领域技术人员根据实际需要进行设定与调整。
本公开实施例提供的商品推荐方法，利用前一实施例所述的商品相似度计算方法为超过预设评分的商品找到更为合理的相似商品集并推荐给用户，商品推荐准确率较高。
图3为本公开实施例提供的商品相似度计算装置的结构示意图。如图3所示，所述装置3包括：第一计算模块31、第二计算模块32、第三计算模块33和第四计算模块34。
其中，第一计算模块31设置为计算用户对商品各个特征下各类属性的用户偏好值；第二计算模块32设置为基于用户对商品各个特征下各类属性的用户偏好值计算商品各个特征的重要程度；第三计算模块33设置为基于商品各个特征的重要程度计算商品各个特征的权重因子；第四计算模块34设置为基于商品各个特征的权重因子计算商品之间的相似度。
在一种具体实施方式中，第一计算模块31采用如下公式计算用户对商品各个特征下各类属性的用户偏好值：
Figure BDA0002837159720000081
其中，Mi为用户对商品某一特征下第i类属性的用户偏好值；Si为该特征下第i类属性的总数；n为该特征下属性类型的总数，即该特征总共有多少类属性。
在一种具体实施方式中，第二计算模块32采用如下公式计算商品各个特征的重要程度：
Figure BDA0002837159720000082
其中，Uf为商品某一特征的重要程度；Mi为用户对该特征下第i类属性的用户偏好值；n为该特征下属性类型的总数。
在一种具体实施方式中，第三计算模块33采用如下公式计算商品各个特征的权重因子：
Figure BDA0002837159720000083
其中，αi为商品第i个特征的权重因子；Ui为商品第i个特征的重要程度(即Uf)；m为商品特征的总数，即该商品总共有多少个特征。
在一种具体实施方式中，第四计算模块34采用如下公式计算商品之间的相似度：
Figure BDA0002837159720000084
其中，w(A,B)为商品A与商品B之间的相似度；商品A的特征集合为(a1，a2，…，am)，商品B的特征集合为(b1，b2，…，bm)，m为商品特征的总数；αi为商品第i个特征的权重因子。
本公开实施例提供的商品相似度计算装置，先计算用户对商品各个特征下各类属性的用户偏好值，再基于用户对商品各个特征下各类属性的用户偏好值计算商品各个特征的重要程度，然后基于商品各个特征的重要程度计算商品各个特征的权重因子，最后基于商品各个特征的权重因子计算商品之间的相似度，从而结合用户历史行为信息和商品特征信息来计算商品之间的相似度，避免了用户历史行为较少、新商品没有用户行为信息的局限性。
图4为本公开实施例提供的商品推荐系统的结构示意图。如图4所示，所述系统4包括：获取模块41、商品相似度计算装置3和推荐模块42。
其中，获取模块41设置为基于用户对商品的评分获取超过预设评分的商品；商品相似度计算装置3采用前一实施例所述的商品相似度计算装置，其设置为计算其他商品与所述超过预设评分的商品之间的相似度；推荐模块42设置为将所述其他商品中与所述超过预设评分的商品之间的相似度值大于预设相似度阈值的商品作为类似商品推荐给用户。
本公开实施例提供的商品推荐系统，利用前一实施例所述的商品相似度计算装置为超过预设评分的商品找到更为合理的相似商品集并推荐给用户，商品推荐准确率较高。
基于相同的技术构思，本公开实施例相应还提供一种计算机设备，如图5所示，所述计算机设备5包括存储器51和处理器52，所述存储器51中存储有计算机程序，当所述处理器52运行所述存储器51存储的计算机程序时，所述处理器52执行前述商品相似度计算方法，或者前述商品推荐方法。
基于相同的技术构思，本公开实施例相应还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，所述处理器执行前述商品相似度计算方法，或者前述商品推荐方法。
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、装置中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。在硬件实施方式中，在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分；例如，一个物理组件可以具有多个功能，或者一个功能或步骤可以由若干物理组件合作执行。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。
最后应说明的是：以上各实施例仅用以说明本公开的技术方案，而非对其限制；尽管参照前述各实施例对本公开进行了详细的说明，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，或者对其中部分或者全部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公开各实施例技术方案的范围。

Claims (10)

1.一种商品相似度计算方法，其特征在于，包括：
计算用户对商品各个特征下各类属性的用户偏好值；
基于用户对商品各个特征下各类属性的用户偏好值计算商品各个特征的重要程度；
基于商品各个特征的重要程度计算商品各个特征的权重因子；以及，
基于商品各个特征的权重因子计算商品之间的相似度。
2.根据权利要求1所述的方法，其特征在于，所述计算用户对商品各个特征下各类属性的用户偏好值，采用以下公式得出：
Figure FDA0002837159710000011
其中，Mi为用户对商品某一特征下第i类属性的用户偏好值；Si为该特征下第i类属性的总数；n为该特征下属性类型的总数。
3.根据权利要求1所述的方法，其特征在于，所述基于用户对商品各个特征下各类属性的用户偏好值计算商品各个特征的重要程度，采用以下公式得出：
Figure FDA0002837159710000012
其中，Uf为商品某一特征的重要程度；Mi为用户对该特征下第i类属性的用户偏好值；n为该特征下属性类型的总数。
4.根据权利要求1所述的方法，其特征在于，所述基于商品各个特征的重要程度计算商品各个特征的权重因子，采用以下公式得出：
Figure FDA0002837159710000013
其中，αi为商品第i个特征的权重因子；Ui为商品第i个特征的重要程度；m为商品特征的总数。
5.根据权利要求1所述的方法，其特征在于，所述基于商品各个特征的权重因子计算商品之间的相似度，采用以下公式得出：
Figure FDA0002837159710000021
其中，w(A,B)为商品A与商品B之间的相似度；商品A的特征集合为(a1，a2，…，am)，商品B的特征集合为(b1，b2，…，bm)，m为商品特征的总数；αi为商品第i个特征的权重因子。
6.一种商品推荐方法，其特征在于，包括：
基于用户对商品的评分获取超过预设评分的商品；
采用如权利要求1至5中任一项所述的商品相似度计算方法计算其他商品与所述超过预设评分的商品之间的相似度；以及，
将所述其他商品中与所述超过预设评分的商品之间的相似度值大于预设相似度阈值的商品作为类似商品推荐给用户。
7.一种商品相似度计算装置，其特征在于，包括：
第一计算模块，其设置为计算用户对商品各个特征下各类属性的用户偏好值；
第二计算模块，其设置为基于用户对商品各个特征下各类属性的用户偏好值计算商品各个特征的重要程度；
第三计算模块，其设置为基于商品各个特征的重要程度计算商品各个特征的权重因子；以及，
第四计算模块，其设置为基于商品各个特征的权重因子计算商品之间的相似度。
8.一种商品推荐系统，其特征在于，包括：
获取模块，其设置为基于用户对商品的评分获取超过预设评分的商品；
如权利要求7所述的商品相似度计算装置，其设置为计算其他商品与所述超过预设评分的商品之间的相似度；以及，
推荐模块，其设置为将所述其他商品中与所述超过预设评分的商品之间的相似度值大于预设相似度阈值的商品作为类似商品推荐给用户。
9.一种计算机设备，其特征在于，包括存储器和处理器，所述存储器中存储有计算机程序，当所述处理器运行所述存储器存储的计算机程序时，所述处理器执行根据权利要求1至5中任一项所述的商品相似度计算方法，或者根据权利要求6所述的商品推荐方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，所述处理器执行根据权利要求1至5中任一项所述的商品相似度计算方法，或者根据权利要求6所述的商品推荐方法。
CN202011479898.7A 2020-12-15 2020-12-15 商品相似度计算方法及装置，和商品推荐方法及系统 Withdrawn CN112435102A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011479898.7A CN112435102A (zh) 2020-12-15 2020-12-15 商品相似度计算方法及装置，和商品推荐方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011479898.7A CN112435102A (zh) 2020-12-15 2020-12-15 商品相似度计算方法及装置，和商品推荐方法及系统

Publications (1)

Publication Number Publication Date
CN112435102A true CN112435102A (zh) 2021-03-02

Family

ID=74691252

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011479898.7A Withdrawn CN112435102A (zh) 2020-12-15 2020-12-15 商品相似度计算方法及装置，和商品推荐方法及系统

Country Status (1)

Country Link
CN (1) CN112435102A (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109191240A (zh) * 2018-08-14 2019-01-11 北京九狐时代智能科技有限公司 一种进行商品推荐的方法和装置
CN109389442A (zh) * 2017-08-04 2019-02-26 北京京东尚科信息技术有限公司 商品推荐方法及装置、存储介质及电子终端

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109389442A (zh) * 2017-08-04 2019-02-26 北京京东尚科信息技术有限公司 商品推荐方法及装置、存储介质及电子终端
CN109191240A (zh) * 2018-08-14 2019-01-11 北京九狐时代智能科技有限公司 一种进行商品推荐的方法和装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
于洋: "商品推荐系统中冷启动问题的研究及实现", 《中国优秀硕士学位论文全文数据库信息科技辑》, no. 08, pages 1 - 5 *

Similar Documents

Publication Publication Date Title
US9348898B2 (en) Recommendation system with dual collaborative filter usage matrix
CN108121737B (zh) 一种业务对象属性标识的生成方法、装置和系统
JP7105700B2 (ja) サービス対象のための時分割推薦方法及び装置
US20150205801A1 (en) Systems and methods for wine ranking
CN103810619A (zh) 基于电子平台的返利方法及其系统
CN111310038B (zh) 信息推荐方法、装置、电子设备及计算机可读存储介质
CN109064285A (zh) 一种获得商品推荐序列及商品推荐方法
US11232525B2 (en) Method and apparatus for measuring influence on social network
CN111028029B (zh) 一种线下商品推荐方法、装置和电子设备
Sharma et al. Latent root regression: An alternate procedure for estimating parameters in the presence of multicollinearity
CN112102029B (zh) 一种基于知识图谱的长尾推荐计算方法
CN104992348A (zh) 一种信息展示的方法和装置
CN109509018A (zh) 一种优惠数据提供方法、装置以及设备
EP3400571A1 (en) Consumer decision tree generation system
CN116975539B (zh) 基于聚类算法的营销数据存储管理系统
Backman Is Advertising Wasteful?
US20180150756A1 (en) Method for enhancing association rules, apparatus using the same and computer readable medium therefor
US20150278910A1 (en) Directed Recommendations
US20160171365A1 (en) Consumer preferences forecasting and trends finding
CN107437182B (zh) 资料分发方法及装置
CN111104606A (zh) 一种基于权重的条件游走图推荐方法
CN110020918B (zh) 一种推荐信息生成方法和系统
CN109658172A (zh) 一种商圈推荐方法、计算设备、装置及存储介质
CN112435102A (zh) 商品相似度计算方法及装置，和商品推荐方法及系统
CN110706029A (zh) 广告定向投放方法和装置、电子设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20210302