CN112650946B - 产品信息的推荐方法、装置、系统及存储介质 - Google Patents
产品信息的推荐方法、装置、系统及存储介质 Download PDFInfo
- Publication number
- CN112650946B CN112650946B CN202011608967.XA CN202011608967A CN112650946B CN 112650946 B CN112650946 B CN 112650946B CN 202011608967 A CN202011608967 A CN 202011608967A CN 112650946 B CN112650946 B CN 112650946B
- Authority
- CN
- China
- Prior art keywords
- target
- products
- information
- recommended
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 67
- 238000001914 filtration Methods 0.000 claims description 60
- 238000011156 evaluation Methods 0.000 claims description 42
- 238000012545 processing Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 description 26
- 238000010586 diagram Methods 0.000 description 11
- 230000006399 behavior Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 239000002699 waste material Substances 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
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
- 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
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/12—Hotels or restaurants
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Transfer Between Computers (AREA)
Abstract
本申请实施例提供的产品信息的推荐方法、装置、系统及存储介质,所述方法包括:边缘服务器在接收到终端发送的推荐请求消息之后,通过根据本地推荐数据集和上述推荐请求中所携带的目标用户的用户信息,为上述目标用户确定出M个目标推荐产品以及获取上述M个目标推荐产品的属性信息,然后将上述M个目标推荐产品的属性信息推送给上述终端。可见,本申请实施例中,通过边缘服务器为相应的终端推荐产品信息,而无需通过云端服务器为终端推荐产品信息,由于边缘服务器与终端之间的距离会小于云端服务器与终端之间的距离,因此,通过边缘服务器为终端推荐产品信息的方式,不仅可以节省带宽资源,还可以减少网络延时。
Description
技术领域
本申请实施例涉及信息推荐技术领域,尤其涉及一种产品信息的推荐方法、装置、系统及存储介质。
背景技术
随着终端技术和网络技术的发展,越来越多用户通常会通过终端进行产品查询或者请求产品推荐等操作。
现有技术中,终端会将推荐请求发送给云端服务器,以使云端服务器根据推荐模型确定出推荐结果,然后将推荐结果发送给终端。但随着物联网和云计算的广泛应用,终端数量和/或数据量都在指数级增长,如果每次终端都需要从云端服务器获取推荐结果的话,势必会存在带宽资源浪费和网络延时较大的问题。
发明内容
本申请实施例提供一种产品信息的推荐方法、装置、系统及存储介质,用于解决现有技术中带宽资源浪费和网络延时较大的问题。
第一方面,本申请实施例提供一种产品信息的推荐方法,应用于推荐系统,所述推荐系统包括:云端服务器,以及所述云端服务器管控的多个边缘服务器,所述方法包括:
所述边缘服务器接收终端发送的推荐请求消息;其中,所述推荐请求消息中包括:目标用户的用户信息;
所述边缘服务器根据本地推荐数据集和所述目标用户的用户信息,确定出M个目标推荐产品,并获取所述M个目标推荐产品的属性信息;其中,M为大于0的整数,所述本地推荐数据集中包括:不同用户对所述边缘服务器的业务覆盖范围内的各目标产品的评分数据,以及各所述目标产品与其它产品之间的相似度数据,所述本地推荐数据集是所述边缘服务器根据从所述云端服务器获取的初始推荐数据集进行处理得到的;
所述边缘服务器将所述M个目标推荐产品的属性信息推送给所述终端。
在一种可能的实现方式中,若所述目标用户的用户信息包括:所述目标用户的标识信息,则所述边缘服务器根据本地推荐数据集和所述目标用户的用户信息,确定出M个目标推荐产品,包括:
所述边缘服务器根据本地推荐数据集和所述目标用户的标识信息,确定出所述目标用户对不同产品的评分预测数据;
所述边缘服务器根据所述目标用户对不同产品的评分预测数据,确定出所述M个目标推荐产品。
在一种可能的实现方式中,所述边缘服务器根据本地推荐数据集和所述目标用户的标识信息,确定出所述目标用户对不同产品的评分预测数据,包括:
所述边缘服务器根据本地推荐数据集、所述目标用户的标识信息,以及至少一个新增用户评价信息,确定出所述目标用户对不同产品的评分预测数据;其中,所述新增用户评价信息包括:用户的标识信息、产品的标识信息和所述用户对所述产品的评分数据。
在一种可能的实现方式中,若所述目标用户的用户信息还包括:所述目标用户的定位信息,所述定位信息包括:位置信息,和/或,时间信息,则所述边缘服务器根据所述目标用户对不同产品的评分预测数据,确定出所述M个目标推荐产品,包括:
所述边缘服务器按照所述目标用户对不同产品的评分预测数据从大到小的顺序,确定出前Q个待推荐产品;其中,Q为大于或等于M的整数;
所述边缘服务器根据预设过滤条件、所述目标用户的定位信息以及所述Q个待推荐产品的定位信息,从所述Q个待推荐产品中确定出M个目标推荐产品;
其中,所述预设过滤条件包括:位置过滤条件,和/或,时间过滤条件;所述位置过滤条件用于指示过滤掉与所述目标用户之间的距离超过预设距离的待推荐产品,所述时间过滤条件用于指示过滤掉时间信息不包含所述目标用户的时间信息的待推荐产品。
在一种可能的实现方式中,所述方法还包括:
所述边缘服务器从所述云端服务器获取所述初始推荐数据集;其中,所述初始推荐数据集中包括:不同用户对不同产品的评分数据,以及不同产品与其它产品之间的相似度数据;
所述边缘服务器根据业务覆盖范围内的各目标产品的标识信息对所述初始推荐数据集进行过滤,得到所述本地推荐数据集。
在一种可能的实现方式中,所述方法还包括:
所述边缘服务器向所述云端服务器发送所述至少一个新增用户评价信息。
第二方面,本申请实施例提供一种产品信息的推荐装置,应用于推荐系统中的边缘服务器,所述推荐系统包括:云端服务器,以及所述云端服务器管控的多个边缘服务器,所述装置包括:
接收模块,用于接收终端发送的推荐请求消息;其中,所述推荐请求消息中包括:目标用户的用户信息;
确定模块,用于根据本地推荐数据集和所述目标用户的用户信息,确定出M个目标推荐产品;
第一获取模块,用于获取所述M个目标推荐产品的属性信息;其中,M为大于0的整数,所述本地推荐数据集中包括:不同用户对所述边缘服务器的业务覆盖范围内的各目标产品的评分数据,以及各所述目标产品与其它产品之间的相似度数据,所述本地推荐数据集是所述边缘服务器根据从所述云端服务器获取的初始推荐数据集进行处理得到的;
第一发送模块,用于将所述M个目标推荐产品的属性信息推送给所述终端。
在一种可能的实现方式中,若所述目标用户的用户信息包括:所述目标用户的标识信息,则所述确定模块包括:
第一确定单元,用于根据本地推荐数据集和所述目标用户的标识信息,确定出所述目标用户对不同产品的评分预测数据;
第二确定单元,用于根据所述目标用户对不同产品的评分预测数据,确定出所述M个目标推荐产品。
在一种可能的实现方式中,所述第一确定单元具体用于:
根据本地推荐数据集、所述目标用户的标识信息,以及至少一个新增用户评价信息,确定出所述目标用户对不同产品的评分预测数据;其中,所述新增用户评价信息包括:用户的标识信息、产品的标识信息和所述用户对所述产品的评分数据。
在一种可能的实现方式中,若所述目标用户的用户信息还包括:所述目标用户的定位信息,所述定位信息包括:位置信息,和/或,时间信息,则第二确定单元具体用于:
按照所述目标用户对不同产品的评分预测数据从大到小的顺序,确定出前Q个待推荐产品;其中,Q为大于或等于M的整数;
根据预设过滤条件、所述目标用户的定位信息以及所述Q个待推荐产品的定位信息,从所述Q个待推荐产品中确定出M个目标推荐产品;
其中,所述预设过滤条件包括:位置过滤条件,和/或,时间过滤条件;所述位置过滤条件用于指示过滤掉与所述目标用户之间的距离超过预设距离的待推荐产品,所述时间过滤条件用于指示过滤掉时间信息不包含所述目标用户的时间信息的待推荐产品。
在一种可能的实现方式中,所述装置还包括:
第二获取模块,用于从所述云端服务器获取所述初始推荐数据集;其中,所述初始推荐数据集中包括:不同用户对不同产品的评分数据,以及不同产品与其它产品之间的相似度数据;
过滤模块,用于根据业务覆盖范围内的各目标产品的标识信息对所述初始推荐数据集进行过滤,得到所述本地推荐数据集。
在一种可能的实现方式中,所述装置还包括:
第二发送模块,用于向所述云端服务器发送所述至少一个新增用户评价信息。
第三方面,本申请实施例提供一种边缘服务器,包括:存储器、处理器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上述第一方面中任一项所述的方法。
第四方面,本申请实施例提供一种产品信息推荐系统,包括:云端服务器,以及至少一个边缘服务器,所述云端服务器用于将初始推荐数据集发送给所述至少一个边缘服务器,所述至少一个边缘服务器用于执行上述第一方面中任一项所述的方法。
第五方面,本申请实施例提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机执行指令,所述计算机执行指令被处理器执行时用于实现如上述第一方面中任一项所述的方法。
本申请实施例提供的产品信息的推荐方法、装置、系统及存储介质,边缘服务器在接收到终端发送的推荐请求消息之后,通过根据本地推荐数据集和上述推荐请求中所携带的目标用户的用户信息,为上述目标用户确定出M个目标推荐产品以及获取上述M个目标推荐产品的属性信息,然后将上述M个目标推荐产品的属性信息推送给上述终端。可见,本申请实施例中,通过边缘服务器为相应的终端推荐产品信息,而无需通过云端服务器为终端推荐产品信息,由于边缘服务器与终端之间的距离会小于云端服务器与终端之间的距离,因此,通过边缘服务器为终端推荐产品信息的方式,不仅可以节省带宽资源,还可以减少网络延时。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。
图1为本申请实施例提供的推荐系统的架构示意图一;
图2为本申请一实施例提供的产品信息的推荐方法的流程示意图;
图3为本申请另一实施例提供的产品信息的推荐方法的流程示意图;
图4为本申请另一实施例提供的产品信息的推荐方法的流程示意图;
图5为本申请实施例提供的推荐系统的架构示意图二;
图6为本申请另一实施例提供的产品信息的推荐方法的流程示意图;
图7为本申请实施例提供的推荐系统的结构示意图;
图8为本申请实施例提供的产品信息的推荐装置的结构示意图;
图9为本申请实施例提供的边缘服务器的结构示意图。
通过上述附图,已示出本公开明确的实施例,后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本公开构思的范围,而是通过参考特定实施例为本领域技术人员说明本公开的概念。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
首先对本申请实施例所涉及的名词进行解释。
本申请实施例涉及的任意用户的用户信息可以包括但不限于以下至少一项:上述用户的标识信息(用于唯一标识上述用户)、上述用户的定位信息(用于指示上述用户的位置信息以及对应的时间信息)。示例性地,上述定位信息可以包括但不限于:位置信息,和/或,时间信息。
本申请实施例涉及的任意产品的属性信息可以包括但不限于以下至少一项:上述产品的标识信息(用于唯一标识上述产品)、上述产品的名称信息、上述产品的类别信息、上述产品的地址信息。应理解,上述属性信息还可以包括其它信息,本申请实施例中对此并不作限定。
本申请实施例涉及的任意新增用户评价信息可以包括但不限以下至少一项:用户的标识信息、产品的标识信息、上述用户对上述产品的评分数据(例如,0-5分的任意评分数据)。
本申请实施例涉及的任意用户的标识信息可以包括但不限于:用户的身份标识号(Identity Document,ID)。
本申请实施例涉及的任意产品的标识信息可以包括但不限于:产品的ID。
本申请实施例涉及的产品可以包括但不限于:用户可以线上进行评分行为的任何产品。例如,本申请实施例涉及的产品可以包括用户可以线上进行评分行为的餐馆等。
本申请实施例提供的产品信息的推荐方法能够可以应用在广告推荐的应用场景;当然,还可以应用在其它应用场景,本申请实施例中对此并不作限定。
图1为本申请实施例提供的推荐系统的架构示意图一。如图1所示,本申请实施例的系统架构中可以包括但不限于:云端服务器10、上述云端服务器10管控的至少一个边缘服务器11(为了便于画图,图1中以两个边缘服务器为例示出的),以及至少一个终端12(为了便于画图,图1中以4个终端为例示出的)。
其中,任意终端12用于向对应的边缘服务器11发送推荐请求消息,以便于从边缘服务器11获取到目标推荐产品的属性信息。
任意边缘服务器11用于执行本申请实施例提供的产品信息的推荐方法,例如,在接收到终端12的推荐请求消息时,根据本地推荐数据集为终端12推荐相应的产品信息等。需要说明的是,任意边缘服务器11中的本地推荐数据集可以是上述边缘服务器11根据从云端服务器10获取的初始推荐数据集进行过滤处理所得到的;当然,还可以通过其它方式得到上述本地推荐数据集,本申请实施例中对此并不作限定。
示例性地,本申请实施例涉及的终端可以包括但不限于以下任一项:手机、笔记本电脑、平板电脑、台式电脑、车载终端。
示例性地,本申请实施例涉及的云端服务器可以包括但不限于以下任一项:个人计算机、大中型计算机、计算机集群。
示例性地,本申请实施例涉及的边缘服务器可以包括但不限于:个人计算机。例如,本申请实施例涉及的边缘服务器可以部署在沿路基站上;当然,还可以采取其它部署方式,本申请实施例中对此并不作限定。
现有技术中,终端会将推荐请求发送给云端服务器,以使云端服务器根据推荐模型确定出推荐结果,然后将推荐结果发送给终端。但随着物联网和云计算的广泛应用,终端数量和/或数据量都在指数级增长,如果每次终端都需要从云端服务器获取推荐结果的话,势必会存在带宽资源浪费和网络延时较大的问题。
针对上述技术问题,本申请实施例提供的产品信息的推荐方法、装置、系统及存储介质中,终端通过将推荐请求消息发送给边缘服务器,以便于边缘服务器根据本地推荐数据集为上述终端推荐产品信息,而无需通过云端服务器为终端推荐产品信息。由于边缘服务器与终端之间的距离会小于云端服务器与终端之间的距离,因此,通过边缘服务器为终端推荐产品信息的方式,不仅可以节省带宽资源,还可以减少网络延时。
下面以具体地实施例对本发明的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图,对本发明的实施例进行描述。
图2为本申请一实施例提供的产品信息的推荐方法的流程示意图。示例性地,本申请实施例提供的产品信息的推荐方法可以应用于如图1所示的推荐系统。本申请实施例的执行主体可以为任意边缘服务器,或者边缘服务器中的产品信息的推荐装置(为了便于描述,本实施例中以执行主体为上述边缘服务器为例进行说明)。示例性地,上述产品信息的推荐装置可以通过软件和/或硬件实现。如图2所示,本申请实施例提供的产品信息的推荐方法可以包括:
步骤S201、边缘服务器接收终端发送的推荐请求消息。
本步骤中,边缘服务器可以接收目标用户通过终端所发送的推荐请求消息;其中,上述推荐请求消息中可以包括但不限于:上述目标用户的用户信息。
示例性地,本申请实施例涉及的上述目标用户的用户信息可以包括但不限于以下至少一项:上述目标用户的标识信息(用于唯一标识上述目标用户)、上述目标用户的定位信息(用于指示上述目标用户的位置信息以及对应的时间信息)。
示例性地,本申请实施例涉及的任意用户的标识信息可以包括但不限于:用户的ID。
步骤S202、上述边缘服务器根据本地推荐数据集和目标用户的用户信息,确定出M个目标推荐产品,并获取上述M个目标推荐产品的属性信息。
其中,M为大于0的整数,上述本地推荐数据集中可以包括但不限于:不同用户对上述边缘服务器的业务覆盖范围内的各目标产品的评分数据,以及各目标产品与其它产品之间的相似度数据。
可选地,本申请实施例中涉及的任意边缘服务器中的本地推荐数据集可以以矩阵形式存在;当然,还可以以其它数据形式存在,本申请实施例中对此并不作限定。
为了便于理解,本申请下述实施例中以矩阵形式对本地推荐数据集进行介绍。
可选地,上述边缘服务器中的本地推荐数据集中可以包括但不限于:不同用户对上述边缘服务器的业务覆盖范围内的各目标产品的评分数据矩阵,以及各目标产品与其它产品之间的相似度数据矩阵。
示例性地,不同用户对上述边缘服务器的业务覆盖范围内的各目标产品的评分数据矩阵的形式可以为:用户的ID(行)-目标产品的ID(列)-评分数据(值),即不同用户对上述边缘服务器的业务覆盖范围内的各目标产品的评分数据矩阵的行数可以等于用户的ID个数,列数可以等于目标产品的ID个数。例如,假设5个不同的用户,以及上述边缘服务器的业务覆盖范围内的6个目标产品,则上述评分数据矩阵可以为5(行)*6(列)的矩阵。
示例性地,各目标产品与其它产品之间的相似度数据矩阵的形式可以为:目标产品的ID(行)-其它产品的ID(列)-相似度数据(值),即各目标产品与其它产品之间的相似度数据矩阵的行数可以等于目标产品的ID个数,列数可以等于其它产品的ID个数。例如,假设上述边缘服务器的业务覆盖范围内的6个目标产品,以及9个其它产品,则上述相似度数据矩阵可以为6(行)*9(列)的矩阵。
需要说明的是,上述边缘服务器中的本地推荐数据集可以是上述边缘服务器根据从云端服务器获取的初始推荐数据集进行处理得到的。应理解,上述本地推荐数据集可以是上述初始推荐数据集的子集。
本申请实施例涉及的初始推荐数据集中可以包括但不限于:不同用户对不同产品的评分数据,以及不同产品与其它产品之间的相似度数据。
示例性地,本申请实施例中涉及的初始推荐数据集可以以矩阵形式存在;当然,还可以以其它数据形式存在,本申请实施例中对此并不作限定。
为了便于理解,本申请下述实施例中以矩阵形式对初始推荐数据集进行介绍。
可选地,上述初始推荐数据集中可以包括但不限于:不同用户对不同产品的评分数据矩阵,以及不同产品与其它产品之间的相似度数据矩阵。
示例性地,不同用户对不同产品的评分数据矩阵的形式可以为:用户的ID(行)-产品的ID(列)-评分数据(值),即不同用户对不同产品的评分数据矩阵的行数可以等于用户的ID个数,列数可以等于产品的ID个数。例如,假设8个不同用户,以及10个不同产品,则上述评分数据矩阵可以为8(行)*10(列)的矩阵。
示例性地,不同产品与其它产品之间的相似度数据矩阵的形式可以为:产品的ID(行)-其它产品的ID(列)-相似度数据(值),即不同产品与其它产品之间的相似度数据矩阵的行数可以等于产品的ID个数,列数可以等于其它产品的ID个数。
应理解,上述边缘服务器中的本地推荐数据集也可以为上述云端服务器在对上述初始推荐数据集进行处理得到本地推荐数据集之后发送给上述边缘服务器的,即上述云端服务器会将上述边缘服务器对应的本地推荐数据集发送给上述边缘服务器,无需上述边缘服务器对上述初始推荐数据集进行处理。
本步骤中,上述边缘服务器可以根据上述边缘服务器中的本地推荐数据集和上述目标用户的用户信息,为上述目标用户确定出M个目标推荐产品,然后获取上述M个目标推荐产品的属性信息,以便于后续将上述M个目标推荐产品的属性信息发送给上述目标用户对应的终端。
应理解,若任意目标推荐产品属于上述边缘服务器的业务覆盖范围内的目标产品,考虑到上述边缘服务器在步骤S202之前可以预先存储有上述边缘服务器的业务覆盖范围内的各目标产品的属性信息,因此,上述边缘服务器可以从本地搜索获取上述目标推荐产品的属性信息。若任意目标推荐产品不属于上述边缘服务器的业务覆盖范围内的目标产品,则上述边缘服务器可以从云端服务器或者上述目标推荐产品对应的其它边缘服务器获取上述目标推荐产品的属性信息;当然,上述边缘服务器还可以通过其它方式获取上述目标推荐产品的属性信息,本申请实施例中对此并不作限定。
示例性地,本申请实施例涉及的目标推荐产品的属性信息可以包括但不限于以下至少一项:上述目标推荐产品的标识信息(用于唯一标识上述目标推荐产品)、上述目标推荐产品的名称信息、上述目标推荐产品的类别信息、上述目标推荐产品的地址信息。应理解,上述属性信息还可以包括其它信息,本申请实施例中对此并不作限定。
步骤S203、上述边缘服务器将上述M个目标推荐产品的属性信息推送给上述终端。
本步骤中,上述边缘服务器可以将上述M个目标推荐产品的属性信息推送给上述终端,以使上述终端将上述M个目标推荐产品的属性信息通过浏览器或者应用程序(Application,APP)等方式展示给上述目标用户,以便于上述目标用户从上述M个目标推荐产品中确定出满意的产品。
示例性地,上述边缘服务器可以将上述M个目标推荐产品的属性信息按照列表形式推送给上述终端;当然,还可以按照其它形式推送给上述终端,本申请实施例中对此并不作限定。
综上所述,本申请实施例中,边缘服务器在接收到终端发送的推荐请求消息之后,通过根据本地推荐数据集和上述推荐请求中所携带的目标用户的用户信息,为上述目标用户确定出M个目标推荐产品以及获取上述M个目标推荐产品的属性信息,然后将上述M个目标推荐产品的属性信息推送给上述终端。可见,本申请实施例中,通过边缘服务器为相应的终端推荐产品信息,而无需通过云端服务器为终端推荐产品信息,由于边缘服务器与终端之间的距离会小于云端服务器与终端之间的距离,因此,通过边缘服务器为终端推荐产品信息的方式,不仅可以节省带宽资源,还可以减少网络延时。
图3为本申请另一实施例提供的产品信息的推荐方法的流程示意图。在上述实施例的基础上,本申请实施例中对上述步骤S202中“上述边缘服务器根据本地推荐数据集和上述目标用户的用户信息,确定出M个目标推荐产品”的可实现方式进行介绍;其中,上述目标用户的用户信息可以包括但不限于:上述目标用户的标识信息。如图3所示,本申请实施例提供的产品信息的推荐方法可以包括:
步骤S301、上述边缘服务器根据本地推荐数据集和上述目标用户的标识信息,确定出上述目标用户对不同产品的评分预测数据。
本步骤中,上述边缘服务器根据上述目标用户的标识信息(例如,上述目标用户的ID)可以从本地推荐数据集中确定出上述目标用户对上述边缘服务器的业务覆盖范围内的各目标产品的评分数据,然后根据上述目标用户对上述边缘服务器的业务覆盖范围内的各目标产品的评分数据,以及各目标产品与其它产品之间的相似度数据,便可确定出上述目标用户对不同产品的评分预测数据。
一种可能的实现方式中,若上述边缘服务器在获取到上述本地推荐数据集的步骤与上述步骤S301之间没有获取到新增用户评价信息,则上述边缘服务器根据本地推荐数据集和上述目标用户的标识信息,便可确定出上述目标用户对不同产品的评分预测数据。
本申请实施例涉及的任意新增用户评价信息可以包括但不限以下至少一项:用户的标识信息、产品的标识信息、上述用户对上述产品的评分数据(例如,0-5分的任意评分数据)。
可选地,上述边缘服务器根据本地推荐数据集和上述目标用户的标识信息,可以通过如下公式(1)确定出上述目标用户对不同产品的评分预测数据:
其中,puj代表目标用户u对产品j的评分预测数据(用于表示目标用户u对产品j的喜好程度),N(u)代表目标用户u对上述边缘服务器的业务覆盖范围内有过评分行为的产品集合,S(j,K)代表与产品j最相似的K个产品集合,sji代表产品j和目标产品i的相似度,rui代表目标用户u对目标产品i的评分数据。
应理解,上述公式(1)表明:与目标用户历史上感兴趣的产品越相似的产品,目标用户对其的评分预测数据越大(评分预测数据越大,表示评分越高)。
本申请实施例中涉及的产品j和目标产品i的相似度sji可以满足如下公式(2):
其中,N(i)代表对产品i有过评分行为的用户集合,N(j)代表对产品j有过评分行为的用户集合。
需要说明的是,本申请实施例中涉及的产品j和目标产品i的相似度sji还可以满足上述公式(2)的其它变形或等效公式,本申请实施例中对此并不作限定。
需要说明的是,上述边缘服务器根据本地推荐数据集和上述目标用户的标识信息,还可以通过上述公式(1)的其它变形或等效公式确定出上述目标用户对不同产品的评分预测数据,本申请实施例中对此并不作限定。
另一种可能的实现方式中,若上述边缘服务器在获取到上述本地推荐数据集的步骤与上述步骤S301之间获取到至少一个新增用户评价信息,则上述边缘服务器根据本地推荐数据集、上述目标用户的标识信息,以及至少一个新增用户评价信息,便可确定出上述目标用户对不同产品的评分预测数据。
可选地,上述边缘服务器根据本地推荐数据集、上述目标用户的标识信息,以及至少一个新增用户评价信息,可以通过如下公式(3)确定出上述目标用户对不同产品的评分预测数据:
其中,N(v)代表上述边缘服务器在获取到上述本地推荐数据集的步骤与上述步骤S301之间新增加(或者新产生)的用户v发生评分行为的产品集合,rvk代表用户v对产品k的评分数据,sjk代表产品j和目标产品k的相似度(计算方式参考上述sji的计算方式)。
需要说明的是,上述边缘服务器根据本地推荐数据集、上述目标用户的标识信息,以及至少一个新增用户评价信息,还可以通过上述公式(3)的其它变形或等效公式确定出上述目标用户对不同产品的评分预测数据,本申请实施例中对此并不作限定。
本实现方式中,通过在本地推荐数据集和上述目标用户的标识信息的基础上,进一步地考虑了新增用户评价信息,实现了可以合理地将还未来得及作用于推荐数据集的新增用户评价信息及时地纳入个性化推荐过程,有利于提供更准确地个性化推荐服务。
应理解,为了便于云端服务器对初始推荐数据集进行更新,上述边缘服务器可以每隔第一预设时间向上述云端服务器发送上述至少一个新增用户评价信息,或者也可以在接收到上述云端服务器的上报指示消息之后向上述云端服务器发送上述至少一个新增用户评价信息;当然,上述边缘服务器还可以通过其它方式向上述云端服务器发送新增用户评价信息,本申请实施例中对此并不作限定。
示例性地,上述边缘服务器可以通过超文本传输协议(Hypertext TransferProtocol,HTTP)将上述至少一个新增用户评价信息发送给上述云端服务器;当然,还可以通过其它方式将上述至少一个新增用户评价信息发送给上述云端服务器,本申请实施例中对此并不作限定。
步骤S302、上述边缘服务器根据上述目标用户对不同产品的评分预测数据,确定出上述M个目标推荐产品。
一种可能的实现方式中,上述边缘服务器按照上述目标用户对不同产品的评分预测数据从大到小的顺序,确定出前M个目标推荐产品。
应理解,本实现方式中所确定的M个目标推荐产品可能全是上述边缘服务器的业务覆盖范围内的产品,或者可能会包含部分不是上述边缘服务器的业务覆盖范围内的产品。
需要说明的是,考虑到上述目标用户可能不会选择上述目标用户已经有过历史评分行为的产品,上述边缘服务器可以根据上述初始推荐数据集中的不同用户对不同产品的评分数据,将上述目标用户对不同产品的评分预测数据中上述目标用户已经有过评分行为的产品对应的评分预测数据置为预设最小值(例如,0),然后按照评分预设数据从大到小的顺序确定出前M个目标推荐产品。
另一种可能的实现方式中,若上述目标用户的用户信息还包括:上述目标用户的定位信息,上述定位信息可以包括但不限于:位置信息,和/或,时间信息,则上述边缘服务器按照上述目标用户对不同产品的评分预测数据从大到小的顺序,确定出前Q个待推荐产品,并根据预设过滤条件、上述目标用户的定位信息以及上述Q个待推荐产品的定位信息,从上述Q个待推荐产品中确定出M个目标推荐产品。
其中,Q为大于或等于M的整数;上述预设过滤条件可以包括但不限于:位置过滤条件(用于指示过滤掉与上述目标用户之间的距离超过预设距离的待推荐产品),和/或,时间过滤条件(用于指示过滤掉时间信息不包含上述目标用户的时间信息的待推荐产品)。
示例性地,本申请实施例中涉及的位置信息可以包括但不限于:经纬度;本申请实施例中涉及的上述目标用户与任意待推荐产品之间的距离可以包括但不限于:欧式距离。
可选地,上述目标用户与任意待推荐产品之间的欧式距离可以满足如下公式(4):
其中,d(o,q)代表上述目标用户的经纬度(xo,yo)与任意待推荐产品的经纬度(xq,yq)之间的欧式距离。
需要说明的是,上述目标用户与任意待推荐产品之间的欧式距离还可以满足上述公式(4)的其它变形或等效公式,本申请实施例中对此并不作限定。
本实现方式中,上述边缘服务器按照上述目标用户对不同产品的评分预测数据从大到小的顺序,确定出前Q个待推荐产品(其中,确定出前Q个待推荐产品的方式,可参考上述实现方式中确定出前M个目标推荐产品的方式,本申请实施例中对此并不再赘述)。进一步地,上述边缘服务器根据上述预设过滤条件、上述目标用户的定位信息以及上述Q个待推荐产品的定位信息,过滤掉上述Q个待推荐产品中满足上述预设过滤条件的产品,并将剩余的M个待推荐产品作为目标推荐产品。可见,本实现方式中,上述边缘服务器通过根据上述目标用户对不同产品的评分预测数据、上述预设过滤条件、上述目标用户的定位信息以及上述Q个待推荐产品的定位信息,可以为上述目标用户确定出在评分、时间和/或位置上目标用户更加感兴趣的目标推荐产品,从而有利于提高产品推荐的推荐效率。
应理解,1)若上述定位信息包括位置信息,则上述预设过滤条件相应地会包括位置过滤条件,以便于过滤掉与上述目标用户之间的距离超过预设距离的待推荐产品。2)若上述定位信息包括时间信息,则上述预设过滤条件相应地会包括时间过滤条件,以便于过滤掉时间信息不包含上述目标用户的时间信息的待推荐产品;例如,若本申请实施例中涉及的产品包括餐馆时,上述时间过滤条件用于过滤掉在上述目标用户的时间信息所对应的时间不在营业时间的餐馆。3)若上述定位信息包括位置信息和时间信息,则上述预设过滤条件相应地会包括上述位置过滤条件和上述时间过滤条件。
综上所述,本申请实施例中,上述边缘服务器通过根据本地推荐数据集和上述目标用户的标识信息,确定出上述目标用户对不同产品的评分预测数据;进一步地,上述边缘服务器根据上述目标用户对不同产品的评分预测数据,可以确定出上述目标用户更加感兴趣的M个目标推荐产品,以便于可以按照评分预测数据从大到小顺序将上述M个目标推荐产品的属性信息推送给上述终端,从而有利于提高产品推荐的推荐效率。
图4为本申请另一实施例提供的产品信息的推荐方法的流程示意图。在上述实施例的基础上,本申请实施例中对上述边缘服务器获取上述本地推荐数据集的可实现方式进行介绍。如图4所示,本申请实施例提供的产品信息的推荐方法可以包括:
步骤S401、上述边缘服务器从上述云端服务器获取上述初始推荐数据集。
本申请实施例中,上述云端服务器会根据获取到的初始数据集构建初始推荐数据集;其中,初始数据集中可以包括但不限于:多个产品的属性信息,以及多个历史用户评价信息;任意历史用户评价信息可以包括但不限于:用户的标识信息、产品的标识信息、上述用户对上述产品的评分数据。
应理解,上述云端服务器会定时地根据获取到的新增用户评价信息对上述初始推荐数据集进行更新,以便于提高初始推荐数据集的准确性,从而有利于提供更加准确的个性化推荐服务。
本申请实施例涉及的初始推荐数据集中可以包括但不限于:不同用户对不同产品的评分数据,以及不同产品与其它产品之间的相似度数据。
示例性地,本申请实施例中涉及的初始推荐数据集可以以矩阵形式存在;当然,还可以以其它数据形式存在,本申请实施例中对此并不作限定。
本步骤中,上述边缘服务器可以每隔第二预设时间主动地向上述云端服务器请求获取上述初始推荐数据集,或者可以在接收到上述云端服务器的获取指示消息之后向上述云端服务器请求获取上述初始推荐数据集,或者可以接收上述云端服务器发送的上述初始推荐数据集;当然,上述边缘服务器还可以通过其它方式获取上述初始推荐数据集,本申请实施例中对此并不作限定。
步骤S402、上述边缘服务器根据业务覆盖范围内的各目标产品的标识信息对上述初始推荐数据集进行过滤,得到上述本地推荐数据集。
本步骤中,上述边缘服务器根据业务覆盖范围内的各目标产品的标识信息(例如,各目标产品的ID)对上述初始推荐数据集进行过滤,便可得到不同用户对上述边缘服务器的业务覆盖范围内的各目标产品的评分数据,以及各目标产品与其它产品之间的相似度数据,即上述边缘服务器的本地推荐数据集。
示例性地,本申请实施例中涉及的上述边缘服务器中的本地推荐数据集可以以矩阵形式存在;当然,还可以以其它数据形式存在,本申请实施例中对此并不作限定。
综上所述,本申请实施例中,上述边缘服务器通过从上述云端服务器获取上述初始推荐数据集,然后根据业务覆盖范围内的各目标产品的标识信息对上述初始推荐数据集进行过滤,便可得到上述本地推荐数据集,以便于上述边缘服务器可以为相应的终端推荐产品信息,而无需通过云端服务器为终端推荐产品信息,由于边缘服务器与终端之间的距离会小于云端服务器与终端之间的距离,因此,通过边缘服务器为终端推荐产品信息的方式,不仅可以节省带宽资源,还可以减少网络延时。
图5为本申请实施例提供的推荐系统的架构示意图二,图6为本申请另一实施例提供的产品信息的推荐方法的流程示意图。在上述实施例的基础上,本申请实施例中以个性化餐馆的广告推荐为例,结合终端侧、边缘服务器侧和云端服务器侧对本申请实施例的产品信息的推荐方法进行介绍。
如图5所示,假设云端服务器管控3个边缘服务器,每个边缘服务器可以承载两个终端的个性化广告服务。应理解,图5中以车载终端为例进行示出的。
结合图5和图6所示,本申请实施例的方法可以包括:
步骤S601、云端服务器生成初始推荐数据集。
本步骤中,云端服务器可以根据获取到的初始数据集构建初始推荐数据集;其中,初始数据集中可以包括但不限于:多个餐馆的属性信息,以及多个历史用户评价信息。
示例性地,任意餐馆的属性信息可以包括但不限于:餐馆的ID、餐馆的名称信息、餐馆的类别信息、餐馆的地址信息、餐馆的营业时间信息。
示例性地,任意历史用户评价信息可以包括但不限于:用户的ID、餐馆的ID、上述用户对上述餐馆的评分数据。
应理解,上述云端服务器可以对上述初始数据集中的数据进行过滤处理,以滤除掉存在关键信息(例如,ID、评分数据、名称信息、地址信息等)残缺的数据,和/或,数据中的非关键信息(例如,邮政编码等)。进一步地,上述云端服务器根据过滤处理后所得到的初始数据集生成初始推荐数据集。
示例性地,上述云端服务器可以根据初始数据集中的多个历史用户评价信息确定出不同用户对不同餐馆的评分数据,然后根据不同用户对不同餐馆的评分数据,通过基于产品的协同过滤算法确定出不同餐馆与其它餐馆之间的相似度数据(具体的确定方式可以参考上述产品j和目标产品i的相似度sji的计算方式,此处不再赘述),从而得到了初始推荐数据集;其中,初始推荐数据集中可以包括但不限于:不同用户对不同餐馆的评分数据,以及不同餐馆与其它餐馆之间的相似度数据。
步骤S602、云端服务器将上述初始推荐数据集发送给边缘服务器。
应理解,云端服务器管控的每个边缘服务器的执行操作相同,因此,图6中示出了任意一个边缘服务器的执行操作,其它边缘服务器的执行操作可以参考图6中示出的边缘服务器的执行操作。
步骤S603、边缘服务器根据业务覆盖范围内的各目标餐馆的标识信息对上述初始推荐数据集进行过滤,得到本地推荐数据集。
本步骤中,边缘服务器可以根据业务覆盖范围内的各目标餐馆的标识信息(例如,各目标餐馆的ID)对上述初始推荐数据集进行过滤,便可得到不同用户对上述边缘服务器的业务覆盖范围内的各目标餐馆的评分数据,以及各目标餐馆与其它餐馆之间的相似度数据,即上述边缘服务器的本地推荐数据集。
步骤S604、终端向边缘服务器发送推荐请求消息。
本步骤中,目标用户可以通过终端向边缘服务器发送推荐请求消息;其中,上述推荐请求消息中可以包括但不限于:上述目标用户的用户信息,例如,上述目标用户的标识信息、上述目标用户的位置信息以及对应的时间信息等。
步骤S605、上述边缘服务器根据本地推荐数据集和上述目标用户的标识信息,确定出上述目标用户对不同餐馆的评分预测数据。
本步骤的可实现方式,可以参考上述步骤S301的相关内容,此处不再赘述。
步骤S606、上述边缘服务器根据上述目标用户对不同餐馆的评分预测数据,确定出M个目标推荐餐馆,并获取上述M个目标推荐餐馆的属性信息。
本步骤的可实现方式,可以参加上述步骤S302的相关内容,此处不再赘述。
步骤S607、上述边缘服务器将上述M个目标推荐餐馆的属性信息推送给上述终端。
本步骤中,上述边缘服务器可以按照评分预测数据从大到小顺序将上述M个目标推荐餐馆的属性信息以列表形式推送给上述终端,以便于上述终端按顺序显示上述M个目标推荐餐馆的属性信息。
步骤S608、上述终端显示上述M个目标推荐餐馆的属性信息。
本步骤中,上述终端可以将上述M个目标推荐餐馆的属性信息通过浏览器或APP等方式展示给上述目标用户,以便于上述目标用户从上述M个目标推荐餐馆中确定出满意的餐馆。
应理解,若上述目标用户访问了推荐的餐馆之后,通过上述终端产生了新增用户评价信息(即上述目标用户对推荐的餐馆产生了评分行为)时,上述终端可以将上述新增用户评价信息发送给上述边缘服务器,以使上述边缘服务器进一步地将存储的多个新增用户评价信息发送给上述云端服务器,以便于上述云端服务器更新上述初始推荐数据集。
示例性地,上述终端可以通过超文本传输协议HTTP将上述新增用户评价信息发送给上述边缘服务器;当然,还可以通过其它方式将上述新增用户评价信息发送给上述边缘服务器,本申请实施例中对此并不作限定。
综上所述,本申请实施例中,边缘服务器在接收到终端发送的推荐请求消息之后,通过根据本地推荐数据集和上述目标用户的标识信息,确定出上述目标用户对不同餐馆的评分预测数据;进一步地,上述边缘服务器根据上述目标用户对不同餐馆的评分预测数据,可以确定出上述目标用户更加感兴趣的M个目标推荐餐馆,然后可以按照评分预测数据从大到小顺序将上述M个目标推荐餐馆的属性信息推送给上述终端。可见,本申请实施例中通过边缘服务器为终端推荐产品信息的方式,不仅可以节省带宽资源和减少网络延时,还有利于提高产品推荐的推荐效率。
图7为本申请实施例提供的推荐系统的结构示意图。在上述实施例的基础上,本申请实施例中对推荐系统的结构示意图进行介绍。如图7所示,本申请实施例提供的推荐系统可以包括但不限于:云端服务器、边缘服务器和终端。
其中,云端服务器可以包括但不限于:产品属性信息存储单元(用于存储各产品的属性信息)、用户行为信息存储单元(用于存储各用户的用户评价信息,例如,历史用户评价信息和/或新增用户评价信息等)、过滤单元(用于滤除掉存在关键信息残缺的数据,和/或,数据中的非关键信息)、计算单元(用于生成初始推荐数据集等)。
其中,边缘服务器可以包括但不限于:定位单元(用于确定出边缘服务器的位置信息)、过滤单元1(用于据边缘服务器的位置信息确定出上述边缘服务器的业务覆盖范围内的各目标产品的标识信息,并根据业务覆盖范围内的各目标产品的标识信息对上述初始推荐数据集进行过滤,得到本地推荐数据集)、用户新增行为信息存储单元(用于存储新增用户评价信息等)、计算单元(用于根据本地推荐数据集和目标用户的标识信息,确定出上述目标用户对不同产品的评分预测数据)、排序单元(用于按照上述目标用户对不同产品的评分预测数据从大到小的顺序,确定出前Q个待推荐产品)、过滤单元2(用于根据预设过滤条件、上述目标用户的定位信息以及上述Q个待推荐产品的定位信息,从上述Q个待推荐产品中确定出M个目标推荐产品,以便于可以按照评分预测数据从大到小顺序将上述M个目标推荐产品的属性信息以列表形式推送给上述终端)。
其中,终端可以包括但不限于:数据采集单元(用于采集目标用户的用户信息)、推荐结果显示单元(用于显示边缘服务器推荐的M个目标推荐产品的属性信息)、用户新增行为信息记录单元(用于存储新增用户评价信息等)。
需要说明的是,上述云端服务器、边缘服务器和终端的每个单元的可实现方式,可以参考上述方法实施例中的相关内容,其实现原理和技术效果类似,此处不再赘述。
应理解,云端服务器管控的每个边缘服务器的结构可以相同,以及每个终端的结构可以相同,因此,图7中示出了任意一个边缘服务器的结构和任意一个终端的结构,其它边缘服务器的结构可以参考图7中示出的边缘服务器的结构,以及其它终端的结构可以参考图7中示出的终端的结构。
图8为本申请实施例提供的产品信息的推荐装置的结构示意图。示例性地,本申请实施例的产品信息的推荐装置可以应用于推荐系统中的边缘服务器,其中,推荐系统可以包括但不限于:云端服务器,以及上述云端服务器管控的多个边缘服务器。如图8所示,本申请实施例提供的产品信息的推荐装置可以包括:接收模块801、确定模块802、第一获取模块803和第一发送模块804。
其中,接收模块801,用于接收终端发送的推荐请求消息;其中,所述推荐请求消息中包括:目标用户的用户信息;
确定模块802,用于根据本地推荐数据集和所述目标用户的用户信息,确定出M个目标推荐产品;
第一获取模块803,用于获取所述M个目标推荐产品的属性信息;其中,M为大于0的整数,所述本地推荐数据集中包括:不同用户对所述边缘服务器的业务覆盖范围内的各目标产品的评分数据,以及各所述目标产品与其它产品之间的相似度数据,所述本地推荐数据集是所述边缘服务器根据从所述云端服务器获取的初始推荐数据集进行处理得到的;
第一发送模块804,用于将所述M个目标推荐产品的属性信息推送给所述终端。
在一种可能的实现方式中,若所述目标用户的用户信息包括:所述目标用户的标识信息,则所述确定模块802包括:
第一确定单元,用于根据本地推荐数据集和所述目标用户的标识信息,确定出所述目标用户对不同产品的评分预测数据;
第二确定单元,用于根据所述目标用户对不同产品的评分预测数据,确定出所述M个目标推荐产品。
在一种可能的实现方式中,所述第一确定单元具体用于:
根据本地推荐数据集、所述目标用户的标识信息,以及至少一个新增用户评价信息,确定出所述目标用户对不同产品的评分预测数据;其中,所述新增用户评价信息包括:用户的标识信息、产品的标识信息和所述用户对所述产品的评分数据。
在一种可能的实现方式中,若所述目标用户的用户信息还包括:所述目标用户的定位信息,所述定位信息包括:位置信息,和/或,时间信息,则第二确定单元具体用于:
按照所述目标用户对不同产品的评分预测数据从大到小的顺序,确定出前Q个待推荐产品;其中,Q为大于或等于M的整数;
根据预设过滤条件、所述目标用户的定位信息以及所述Q个待推荐产品的定位信息,从所述Q个待推荐产品中确定出M个目标推荐产品;
其中,所述预设过滤条件包括:位置过滤条件,和/或,时间过滤条件;所述位置过滤条件用于指示过滤掉与所述目标用户之间的距离超过预设距离的待推荐产品,所述时间过滤条件用于指示过滤掉时间信息不包含所述目标用户的时间信息的待推荐产品。
在一种可能的实现方式中,所述装置还包括:
第二获取模块,用于从所述云端服务器获取所述初始推荐数据集;其中,所述初始推荐数据集中包括:不同用户对不同产品的评分数据,以及不同产品与其它产品之间的相似度数据;
过滤模块,用于根据业务覆盖范围内的各目标产品的标识信息对所述初始推荐数据集进行过滤,得到所述本地推荐数据集。
在一种可能的实现方式中,所述装置还包括:
第二发送模块,用于向所述云端服务器发送所述至少一个新增用户评价信息。
本申请实施例提供的产品信息的推荐装置,可以用于执行本申请上述产品信息的推荐方法实施例中关于边缘服务器的技术方案,其实现原理和技术效果类似,此处不再赘述。
图9本申请实施例提供的边缘服务器的结构示意图。如图9示,本申请实施例提供的边缘服务器可以包括:存储器901、处理器902及存储在所述存储器901上并可在所述处理器902上运行的计算机程序。示例性地,所述边缘服务器还可以包括用于与其它设备通信的通信接口903,其中,所述存储器901、处理器902和所述通信接口903可以通过系统总线连接。
期中,所述处理器902执行所述计算机程序时实现本申请上述产品信息的推荐方法实施例中关于边缘服务器的技术方案,其实现原理和技术效果类似,此处不再赘述。
可选的,上述处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
在示例性实施例中,上述边缘服务器还可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述方法。
可选地,上述存储器可能包含高速RAM存储器,也可能还包括非易失性存储NVM,例如至少一个磁盘存储器。
可选地,上述系统总线可以是工业标准体系结构(Industry StandardArchitecture,ISA)总线、外部设备互连(Peripheral Component Interconnect,PCI)总线或扩展工业标准体系结构(Extended Industry Standard Architecture,EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示,本申请附图中的总线并不限定仅有一根总线或一种类型的总线。
本申请实施例还提供一种产品信息推荐系统,可以包括:云端服务器,以及至少一个边缘服务器,所述云端服务器用于将初始推荐数据集发送给所述至少一个边缘服务器,所述至少一个边缘服务器用于执行本申请上述产品信息的推荐方法实施例中关于边缘服务器的技术方案,其实现原理和技术效果类似,此处不再赘述。
本申请实施例还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机执行指令,所述计算机执行指令被处理器执行时用于实现本申请上述产品信息的推荐方法实施例中关于边缘服务器的技术方案,其实现原理和技术效果类似,此处不再赘述。
示例性地,上述的存储器(存储介质)可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。可读存储介质可以是通用或专用计算机能够存取的任何可用介质。
本领域普通技术人员可以理解,在本申请的各种实施例中,上述各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其它实施方案。本发明旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由下面的权利要求书指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求书来限制。
Claims (13)
1.一种产品信息的推荐方法,其特征在于,应用于推荐系统,所述推荐系统包括:云端服务器,以及所述云端服务器管控的多个边缘服务器,所述方法包括:
所述边缘服务器接收终端发送的推荐请求消息;其中,所述推荐请求消息中包括:目标用户的用户信息;
所述边缘服务器根据本地推荐数据集和所述目标用户的用户信息,确定出M个目标推荐产品,并获取所述M个目标推荐产品的属性信息;其中,M为大于0的整数,所述本地推荐数据集中包括:不同用户对所述边缘服务器的业务覆盖范围内的各目标产品的评分数据,以及各所述目标产品与其它产品之间的相似度数据,所述本地推荐数据集是所述边缘服务器根据从所述云端服务器获取的初始推荐数据集进行处理得到的;
所述边缘服务器将所述M个目标推荐产品的属性信息推送给所述终端;
所述边缘服务器从所述云端服务器获取所述初始推荐数据集;其中,所述初始推荐数据集中包括:不同用户对不同产品的评分数据,以及不同产品与其它产品之间的相似度数据;
所述边缘服务器根据业务覆盖范围内的各目标产品的标识信息对所述初始推荐数据集进行过滤,得到所述本地推荐数据集。
2.根据权利要求1所述的方法,其特征在于,若所述目标用户的用户信息包括:所述目标用户的标识信息,则所述边缘服务器根据本地推荐数据集和所述目标用户的用户信息,确定出M个目标推荐产品,包括:
所述边缘服务器根据本地推荐数据集和所述目标用户的标识信息,确定出所述目标用户对不同产品的评分预测数据;
所述边缘服务器根据所述目标用户对不同产品的评分预测数据,确定出所述M个目标推荐产品。
3.根据权利要求2所述的方法,其特征在于,所述边缘服务器根据本地推荐数据集和所述目标用户的标识信息,确定出所述目标用户对不同产品的评分预测数据,包括:
所述边缘服务器根据本地推荐数据集、所述目标用户的标识信息,以及至少一个新增用户评价信息,确定出所述目标用户对不同产品的评分预测数据;其中,所述新增用户评价信息包括:用户的标识信息、产品的标识信息和所述用户对所述产品的评分数据。
4.根据权利要求2或3所述的方法,其特征在于,若所述目标用户的用户信息还包括:所述目标用户的定位信息,所述定位信息包括:位置信息,和/或,时间信息,则所述边缘服务器根据所述目标用户对不同产品的评分预测数据,确定出所述M个目标推荐产品,包括:
所述边缘服务器按照所述目标用户对不同产品的评分预测数据从大到小的顺序,确定出前Q个待推荐产品;其中,Q为大于或等于M的整数;
所述边缘服务器根据预设过滤条件、所述目标用户的定位信息以及所述Q个待推荐产品的定位信息,从所述Q个待推荐产品中确定出M个目标推荐产品;
其中,所述预设过滤条件包括:位置过滤条件,和/或,时间过滤条件;所述位置过滤条件用于指示过滤掉与所述目标用户之间的距离超过预设距离的待推荐产品,所述时间过滤条件用于指示过滤掉时间信息不包含所述目标用户的时间信息的待推荐产品。
5.根据权利要求3所述的方法,其特征在于,所述方法还包括:
所述边缘服务器向所述云端服务器发送所述至少一个新增用户评价信息。
6.一种产品信息的推荐装置,其特征在于,应用于推荐系统中的边缘服务器,所述推荐系统包括:云端服务器,以及所述云端服务器管控的多个边缘服务器,所述装置包括:
接收模块,用于接收终端发送的推荐请求消息;其中,所述推荐请求消息中包括:目标用户的用户信息;
确定模块,用于根据本地推荐数据集和所述目标用户的用户信息,确定出M个目标推荐产品;
第一获取模块,用于获取所述M个目标推荐产品的属性信息;其中,M为大于0的整数,所述本地推荐数据集中包括:不同用户对所述边缘服务器的业务覆盖范围内的各目标产品的评分数据,以及各所述目标产品与其它产品之间的相似度数据,所述本地推荐数据集是所述边缘服务器根据从所述云端服务器获取的初始推荐数据集进行处理得到的;
第一发送模块,用于将所述M个目标推荐产品的属性信息推送给所述终端;
第二获取模块,用于从所述云端服务器获取所述初始推荐数据集;其中,所述初始推荐数据集中包括:不同用户对不同产品的评分数据,以及不同产品与其它产品之间的相似度数据;
过滤模块,用于根据业务覆盖范围内的各目标产品的标识信息对所述初始推荐数据集进行过滤,得到所述本地推荐数据集。
7.根据权利要求6所述的装置,其特征在于,若所述目标用户的用户信息包括:所述目标用户的标识信息,则所述确定模块包括:
第一确定单元,用于根据本地推荐数据集和所述目标用户的标识信息,确定出所述目标用户对不同产品的评分预测数据;
第二确定单元,用于根据所述目标用户对不同产品的评分预测数据,确定出所述M个目标推荐产品。
8.根据权利要求7所述的装置,其特征在于,所述第一确定单元具体用于:
根据本地推荐数据集、所述目标用户的标识信息,以及至少一个新增用户评价信息,确定出所述目标用户对不同产品的评分预测数据;其中,所述新增用户评价信息包括:用户的标识信息、产品的标识信息和所述用户对所述产品的评分数据。
9.根据权利要求7或8所述的装置,其特征在于,若所述目标用户的用户信息还包括:所述目标用户的定位信息,所述定位信息包括:位置信息,和/或,时间信息,则第二确定单元具体用于:
按照所述目标用户对不同产品的评分预测数据从大到小的顺序,确定出前Q个待推荐产品;其中,Q为大于或等于M的整数;
根据预设过滤条件、所述目标用户的定位信息以及所述Q个待推荐产品的定位信息,从所述Q个待推荐产品中确定出M个目标推荐产品;
其中,所述预设过滤条件包括:位置过滤条件,和/或,时间过滤条件;所述位置过滤条件用于指示过滤掉与所述目标用户之间的距离超过预设距离的待推荐产品,所述时间过滤条件用于指示过滤掉时间信息不包含所述目标用户的时间信息的待推荐产品。
10.根据权利要求8所述的装置,其特征在于,所述装置还包括:
第二发送模块,用于向所述云端服务器发送所述至少一个新增用户评价信息。
11.一种边缘服务器,包括:存储器、处理器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1-5中任一项所述的方法。
12.一种产品信息推荐系统,其特征在,包括:云端服务器,以及至少一个边缘服务器,所述云端服务器用于将初始推荐数据集发送给所述至少一个边缘服务器,所述至少一个边缘服务器用于执行权利要求1-5任一项所述的方法。
13.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机执行指令,所述计算机执行指令被处理器执行时用于实现如权利要求1-5中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011608967.XA CN112650946B (zh) | 2020-12-30 | 2020-12-30 | 产品信息的推荐方法、装置、系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011608967.XA CN112650946B (zh) | 2020-12-30 | 2020-12-30 | 产品信息的推荐方法、装置、系统及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112650946A CN112650946A (zh) | 2021-04-13 |
CN112650946B true CN112650946B (zh) | 2023-06-09 |
Family
ID=75364121
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011608967.XA Active CN112650946B (zh) | 2020-12-30 | 2020-12-30 | 产品信息的推荐方法、装置、系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112650946B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115689616B (zh) * | 2022-12-20 | 2023-11-17 | 北京国联视讯信息技术股份有限公司 | 基于大数据特征分析的云端内容推送方法及系统 |
CN116610873B (zh) * | 2023-07-19 | 2023-09-26 | 支付宝(杭州)信息技术有限公司 | 信息推荐方法及装置、存储介质 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103886487A (zh) * | 2014-03-28 | 2014-06-25 | 焦点科技股份有限公司 | 基于分布式的b2b平台的个性化推荐方法与系统 |
CN105046535A (zh) * | 2015-08-31 | 2015-11-11 | 刘申宁 | 一种基于行为预测的推荐方法和装置 |
CN105210103A (zh) * | 2013-02-13 | 2015-12-30 | Op40后丁斯公司 | 分布式云服务及其使用 |
CN106951489A (zh) * | 2017-03-13 | 2017-07-14 | 杭州师范大学 | 一种用于稀疏大数据的个性化推荐方法和装置 |
CN107347026A (zh) * | 2017-06-30 | 2017-11-14 | 重庆邮电大学 | 一种基于微信公众平台的智慧管家系统 |
CN108093401A (zh) * | 2017-12-13 | 2018-05-29 | 电子科技大学 | 一种基于边缘计算的移动智能终端隐私保护系统及方法 |
CN108509493A (zh) * | 2018-02-13 | 2018-09-07 | 北京邮电大学 | 一种ar视觉搜索推荐服务方法 |
CN108573428A (zh) * | 2018-03-07 | 2018-09-25 | 阿里巴巴集团控股有限公司 | 一种资源推荐方法和装置 |
CN108647996A (zh) * | 2018-04-11 | 2018-10-12 | 中山大学 | 一种基于Spark的个性化推荐方法及系统 |
CN109214886A (zh) * | 2018-08-14 | 2019-01-15 | 平安科技(深圳)有限公司 | 商品推荐方法、系统及存储介质 |
CN109635204A (zh) * | 2018-12-21 | 2019-04-16 | 上海交通大学 | 基于协同过滤和长短记忆网络的在线推荐系统 |
CN109918894A (zh) * | 2019-03-01 | 2019-06-21 | 中南大学 | 边缘计算网络视频处理中基于声誉的信任评估方法 |
CN110198278A (zh) * | 2019-04-15 | 2019-09-03 | 湖南大学 | 一种车联网云端和边缘联合任务调度的Lyapunov优化方法 |
CN111200826A (zh) * | 2018-11-16 | 2020-05-26 | 北京赛特斯信息科技股份有限公司 | 一种面向移动边缘计算的方法 |
CN111694971A (zh) * | 2020-06-10 | 2020-09-22 | 三星电子(中国)研发中心 | 一种内容的推荐方法和系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10346881B2 (en) * | 2014-09-19 | 2019-07-09 | International Business Machines Corporation | Advertising within social networks |
US11042540B2 (en) * | 2017-09-12 | 2021-06-22 | International Business Machines Corporation | Determining whether to take an action by applying a metric calculated using natural language processing tokens |
-
2020
- 2020-12-30 CN CN202011608967.XA patent/CN112650946B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105210103A (zh) * | 2013-02-13 | 2015-12-30 | Op40后丁斯公司 | 分布式云服务及其使用 |
CN103886487A (zh) * | 2014-03-28 | 2014-06-25 | 焦点科技股份有限公司 | 基于分布式的b2b平台的个性化推荐方法与系统 |
CN105046535A (zh) * | 2015-08-31 | 2015-11-11 | 刘申宁 | 一种基于行为预测的推荐方法和装置 |
CN106951489A (zh) * | 2017-03-13 | 2017-07-14 | 杭州师范大学 | 一种用于稀疏大数据的个性化推荐方法和装置 |
CN107347026A (zh) * | 2017-06-30 | 2017-11-14 | 重庆邮电大学 | 一种基于微信公众平台的智慧管家系统 |
CN108093401A (zh) * | 2017-12-13 | 2018-05-29 | 电子科技大学 | 一种基于边缘计算的移动智能终端隐私保护系统及方法 |
CN108509493A (zh) * | 2018-02-13 | 2018-09-07 | 北京邮电大学 | 一种ar视觉搜索推荐服务方法 |
CN108573428A (zh) * | 2018-03-07 | 2018-09-25 | 阿里巴巴集团控股有限公司 | 一种资源推荐方法和装置 |
CN108647996A (zh) * | 2018-04-11 | 2018-10-12 | 中山大学 | 一种基于Spark的个性化推荐方法及系统 |
CN109214886A (zh) * | 2018-08-14 | 2019-01-15 | 平安科技(深圳)有限公司 | 商品推荐方法、系统及存储介质 |
CN111200826A (zh) * | 2018-11-16 | 2020-05-26 | 北京赛特斯信息科技股份有限公司 | 一种面向移动边缘计算的方法 |
CN109635204A (zh) * | 2018-12-21 | 2019-04-16 | 上海交通大学 | 基于协同过滤和长短记忆网络的在线推荐系统 |
CN109918894A (zh) * | 2019-03-01 | 2019-06-21 | 中南大学 | 边缘计算网络视频处理中基于声誉的信任评估方法 |
CN110198278A (zh) * | 2019-04-15 | 2019-09-03 | 湖南大学 | 一种车联网云端和边缘联合任务调度的Lyapunov优化方法 |
CN111694971A (zh) * | 2020-06-10 | 2020-09-22 | 三星电子(中国)研发中心 | 一种内容的推荐方法和系统 |
Non-Patent Citations (1)
Title |
---|
播存网络中一种融合信任机制的协同过滤推荐算法;黄灿 等;《小型微型计算机系统》;第37卷(第11期);2504-2508 * |
Also Published As
Publication number | Publication date |
---|---|
CN112650946A (zh) | 2021-04-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US12014251B2 (en) | Method for processing information by intelligent agent and intelligent agent | |
Serafino et al. | True scale-free networks hidden by finite size effects | |
US20200311342A1 (en) | Populating values in a spreadsheet using semantic cues | |
CN112868004B (zh) | 资源推荐方法、装置、电子设备及存储介质 | |
US20180060915A1 (en) | Audience expansion for online social network content | |
CN107545451B (zh) | 一种广告推送方法及装置 | |
CN112650946B (zh) | 产品信息的推荐方法、装置、系统及存储介质 | |
CN103118111A (zh) | 一种基于多个数据交互中心的数据进行信息推送的方法 | |
CN110909222A (zh) | 基于聚类的用户画像建立方法、装置、介质及电子设备 | |
CN111738785A (zh) | 选品方法、系统及存储介质 | |
CN112883265A (zh) | 信息推荐方法、装置、服务器及计算机可读存储介质 | |
CN110427574B (zh) | 路线相似度确定方法、装置、设备和介质 | |
CN113515703A (zh) | 信息推荐方法、装置、电子设备及可读存储介质 | |
US20160350763A1 (en) | Context-Aware Display Of Objects In Mixed Environments | |
CN117033766A (zh) | 业务处理行为预测方法、装置、计算机设备和存储介质 | |
CN114491093B (zh) | 多媒体资源推荐、对象表征网络的生成方法及装置 | |
US11256859B2 (en) | Extending a classification database by user interactions | |
CN115329214A (zh) | 一种用户推荐方法、装置、电子设备及存储介质 | |
CN110781375A (zh) | 一种用户状态标识确定方法及装置 | |
CN112189195B (zh) | 用于识别、使用和管理在线和网络内容中的受信任源的应用编程接口 | |
CN114115796A (zh) | 数据处理方法、装置、计算机可读介质及电子设备 | |
CN110674386B (zh) | 资源推荐方法、装置及存储介质 | |
CN111831130A (zh) | 输入内容的推荐方法、终端设备以及存储介质 | |
CN114741626B (zh) | 一种搜索结果展示方法、装置、设备及介质 | |
US20220245124A1 (en) | Verified entity attributes |
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 |