CN112669083A - 商品的推荐方法、装置和电子设备 - Google Patents
商品的推荐方法、装置和电子设备 Download PDFInfo
- Publication number
- CN112669083A CN112669083A CN202011644503.4A CN202011644503A CN112669083A CN 112669083 A CN112669083 A CN 112669083A CN 202011644503 A CN202011644503 A CN 202011644503A CN 112669083 A CN112669083 A CN 112669083A
- Authority
- CN
- China
- Prior art keywords
- user
- commodity
- target
- commerce platform
- vector
- 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
- 238000000034 method Methods 0.000 title claims abstract description 61
- 239000013598 vector Substances 0.000 claims abstract description 166
- 239000011159 matrix material Substances 0.000 claims description 26
- 101001026137 Cavia porcellus Glutathione S-transferase A Proteins 0.000 claims description 16
- 101001026109 Gallus gallus Glutathione S-transferase Proteins 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 9
- 235000013336 milk Nutrition 0.000 description 9
- 239000008267 milk Substances 0.000 description 9
- 210000004080 milk Anatomy 0.000 description 9
- 241000220225 Malus Species 0.000 description 6
- 235000021016 apples Nutrition 0.000 description 4
- 241000234295 Musa Species 0.000 description 3
- 241000220324 Pyrus Species 0.000 description 3
- 235000009508 confectionery Nutrition 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 description 2
- 235000011430 Malus pumila Nutrition 0.000 description 2
- 235000015103 Malus silvestris Nutrition 0.000 description 2
- 235000021015 bananas Nutrition 0.000 description 2
- 229910052791 calcium Inorganic materials 0.000 description 2
- 239000011575 calcium Substances 0.000 description 2
- 235000021017 pears Nutrition 0.000 description 2
- 235000008645 Chenopodium bonus henricus Nutrition 0.000 description 1
- 244000138502 Chenopodium bonus henricus Species 0.000 description 1
- 235000018290 Musa x paradisiaca Nutrition 0.000 description 1
- 235000014443 Pyrus communis Nutrition 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 235000004213 low-fat Nutrition 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
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供了一种商品的推荐方法、装置和电子设备，包括：获取各电商平台上传的最新的用户‑商品数据和各电商平台的可信度指数；获取目标电商平台发起的对目标用户进行商品推荐的推荐请求；基于推荐请求和用户‑商品数据确定目标用户在各电商平台的商品推荐向量；基于目标用户在各电商平台的商品推荐向量和各电商平台的可信度指数确定目标用户的目标商品推荐向量，进而根据目标商品推荐向量为目标用户推荐商品。本发明的方法是根据多个电商平台的商品推荐向量确定的最终的目标商品推荐向量，能够精准的为目标用户推荐商品，达到了良好的商品推荐效果。
Description
技术领域
本发明涉及大数据的技术领域，尤其是涉及一种商品的推荐方法、装置和电子设备。
背景技术
互联网不断发展，使得网购逐渐走入人们的日常生活当中，一次无目的的浏览带来的成功网购往往归功于电商平台的精准推荐。但目前的电商推荐往往源自用户的网购习惯，会根据用户购买过的商品，为用户推荐与其购买过的商品相类似的商品，而当用户为新用户时，一般为其推荐销量较高的商品。
上述方法所推荐的商品准确性差，难以达到良好的推荐效果。
发明内容
有鉴于此，本发明的目的在于提供一种商品的推荐方法、装置和电子设备，以缓解现有的商品推荐方法推荐的商品准确性差，难以达到良好的推荐效果的技术问题。
第一方面，本发明实施例提供了一种商品的推荐方法，应用于区块链的智能合约，包括：
获取各电商平台上传的最新的用户-商品数据和所述各电商平台的可信度指数，其中，所述用户-商品数据包括：用户对商品的打分矩阵、用户购买矩阵和商品特征矩阵；
获取目标电商平台发起的对目标用户进行商品推荐的推荐请求，其中，所述推荐请求中携带有所述目标用户的历史打分向量和历史购买向量；
基于所述推荐请求和所述用户-商品数据确定所述目标用户在所述各电商平台的商品推荐向量；
基于所述目标用户在所述各电商平台的商品推荐向量和所述各电商平台的可信度指数确定所述目标用户的目标商品推荐向量，进而根据所述目标商品推荐向量为所述目标用户推荐商品。
进一步的，在根据所述目标商品推荐向量为所述目标用户推荐商品之后，所述方法还包括：
获取所述目标用户的实际消费信息；
根据所述实际消费信息更新所述各电商平台的可信度指数。
进一步的，在获取各电商平台上传的最新的用户-商品数据之前，所述方法还包括：
在所述各电商平台签订共同推荐的智能合约后，获取所述各电商平台上传的初始用户-商品数据；
对所述初始用户-商品数据进行整合，得到用户-商品数据。
进一步的，基于所述推荐请求和所述用户-商品数据确定所述目标用户在所述各电商平台的商品推荐向量，包括：
根据契合度计算算式：
在所述目标用户与所述各电商平台的各用户的契合度中确定所述各电商平台中与所述目标用户契合度最大的契合用户；
将所述各电商平台中与所述目标用户契合度最大的契合用户的打分向量作为所述目标用户在所述各电商平台的商品推荐向量。
进一步的，基于所述目标用户在所述各电商平台的商品推荐向量和所述各电商平台的可信度指数确定所述目标用户的目标商品推荐向量，包括：
根据目标商品推荐向量计算算式
计算所述目标用户的目标商品推荐向量，其中，U表示所述目标用户的目标商品推荐向量，z表示参与智能合约的电商平台的数量，wk表示电商平台k的可信度指数，rk表示所述电商平台k的商品推荐向量。
进一步的，根据所述实际消费信息更新所述各电商平台的可信度指数，包括：
若所述目标用户未进行消费，则所述各电商平台的可信度指数保持不变；
若所述目标用户购买了商品，则基于所述目标用户购买的商品更新所述各电商平台的可信度指数。
进一步的，基于所述目标用户购买的商品更新所述各电商平台的可信度指数，包括：
根据可信度指数更新算式
计算所述各电商平台更新后的可信度指数，其中，w'k表示电商平台k更新后的可信度指数，wk表示电商平台k的可信度指数，
表示所述目标电商平台的可信度指数，θ为小于1的正数，
β表示所述目标用户是否购买了所述目标电商平台推荐的商品，β＝0表示所述目标用户购买了所述目标电商平台推荐的商品，β＝1表示所述目标用户未购买所述目标电商平台推荐的商品，U表示所述目标用户的目标商品推荐向量，a表示所述目标用户实际购买的商品向量。
第二方面，本发明实施例还提供了一种商品的推荐装置，应用于区块链的智能合约，包括：
第一获取单元，用于获取各电商平台上传的最新的用户-商品数据和所述各电商平台的可信度指数，其中，所述用户-商品数据包括：用户对商品的打分矩阵、用户购买矩阵和商品特征矩阵；
第二获取单元，用于获取目标电商平台发起的对目标用户进行商品推荐的推荐请求，其中，所述推荐请求中携带有所述目标用户的历史打分向量和历史购买向量；
第一确定单元，用于基于所述推荐请求和所述用户-商品数据确定所述目标用户在所述各电商平台的商品推荐向量；
第二确定单元，用于基于所述目标用户在所述各电商平台的商品推荐向量和所述各电商平台的可信度指数确定所述目标用户的目标商品推荐向量，进而根据所述目标商品推荐向量为所述目标用户推荐商品。
第三方面，本发明实施例提供了一种电子设备，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任一项所述的方法的步骤。
第四方面，本发明实施例提供了一种具有处理器可执行的非易失的程序代码的计算机可读介质，所述程序代码使所述处理器执行上述第一方面任一项所述的方法的步骤。
在本发明实施例中，提供了一种商品的推荐方法，应用于区块链的智能合约，该方法包括：获取各电商平台上传的最新的用户-商品数据和各电商平台的可信度指数；然后，获取目标电商平台发起的对目标用户进行商品推荐的推荐请求；进而，基于推荐请求和用户-商品数据确定目标用户在各电商平台的商品推荐向量；最后，基于目标用户在各电商平台的商品推荐向量和各电商平台的可信度指数确定目标用户的目标商品推荐向量，进而根据目标商品推荐向量为目标用户推荐商品。通过上述描述可知，本发明的商品的推荐方法是根据多个电商平台的商品推荐向量确定的最终的目标商品推荐向量，多个电商平台联合推荐确定的目标商品推荐向量更加准确，能够精准的为目标用户推荐商品，达到了良好的商品推荐效果，另外，该方法是由区块链的智能合约完成的，区块链作为多个电商平台的中间媒介，能够解决多平台联合推荐过程中的数据隐私安全的问题，保护了各电商平台的用户数据安全，缓解了现有的商品推荐方法推荐的商品准确性差，难以达到良好的推荐效果的技术问题。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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方式，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的推荐方法的流程示意图；
图2为本发明实施例提供的基于推荐请求和用户-商品数据确定目标用户在各电商平台的商品推荐向量的流程图；
图3为本发明实施例提供的根据实际消费信息更新各电商平台的可信度指数的流程图；
图4为本发明实施例提供的一种商品的推荐装置的示意图。
具体实施方式
下面将结合实施例对本发明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。
为便于对本实施例进行理解，首先对本发明实施例所公开的一种商品的推荐方法进行详细介绍。
实施例一：
为便于对本实施例进行理解，首先对本发明实施例所公开的一种商品的推荐方法进行详细介绍，参见图1所示的一种商品的推荐方法的流程示意图，主要包括以下步骤：
步骤S102，获取各电商平台上传的最新的用户-商品数据和各电商平台的可信度指数，其中，用户-商品数据包括：用户对商品的打分矩阵、用户购买矩阵和商品特征矩阵；
在本发明实施例中，该方法的执行主体可以为区块链的智能合约，该区块链的智能合约可以设置于服务器中。上述各电商平台会不定时的上传最新的用户-商品数据，例如，当电商平台上产生一笔新的交易后，对应的用户-商品数据就会发生改变，此时，电商平台就可以上传最新的用户-商品数据；再例如，当电商平台上引进了一种新的商品，对应的用户-商品数据也会发生变化，此时，电商平台也可以上传最新的用户-商品数据，当然，还可以是间隔预设时长上传最新的用户-商品数据，本发明实施例对上述上传的时机不进行具体限制。
上述用户-商品数据包括有：用户对商品的打分矩阵、用户购买矩阵和商品特征矩阵，上述打分矩阵可以为：R＝{r1,r2,...,rp}，其中的值表示每个用户对商品的打分向量(即每个用户对所有商品的打分所构成的向量)，例如：r1表示编号为1的用户对商品的打分向量，p表示该电商平台的用户总数，打分向量中的打分为0-5之间的值，打分的值的间隔为0.5；用户购买矩阵可以为：B＝{b1,b2,...,bp}，其中的值根据用户是否在该电商平台上购买过此类商品表示为0或1的值，0为未购买过，1为购买过，例如：b1表示编号为1的用户对商品的购买向量(即编号为1的用户对所有商品的购买情况所构成的向量)，p表示该电商平台的用户总数，商品特征矩阵可以为：T＝{t1,t2,...,tl}，其中，其中的值根据该类商品是否有对应特征表示为0或1的值，0为没有该特征，1表示有该特征，例如：t1表示编号为1的商品的特征向量，l表示该电商平台的商品总数。
上述各电商平台的可信度指数的初始值都为1，且上述各电商平台的可信度指数会随着目标用户的实际消费信息进行更新。
步骤S104，获取目标电商平台发起的对目标用户进行商品推荐的推荐请求，其中，推荐请求中携带有目标用户的历史打分向量和历史购买向量；
步骤S106，基于推荐请求和用户-商品数据确定目标用户在各电商平台的商品推荐向量；
下文中再对该过程进行详细描述，在此不再赘述。
步骤S108，基于目标用户在各电商平台的商品推荐向量和各电商平台的可信度指数确定目标用户的目标商品推荐向量，进而根据目标商品推荐向量为目标用户推荐商品。
具体的，目标商品推荐向量中包含所有商品的推荐值(每个商品对应有一个推荐值)，根据其中推荐值的大小向目标用户推荐商品(推荐值越大，则优先推荐其对应的商品)。
同理，下文中再对该过程进行详细描述，在此不再赘述。
在本发明实施例中，提供了一种商品的推荐方法，应用于区块链的智能合约，该方法包括：获取各电商平台上传的最新的用户-商品数据和各电商平台的可信度指数；然后，获取目标电商平台发起的对目标用户进行商品推荐的推荐请求；进而，基于推荐请求和用户-商品数据确定目标用户在各电商平台的商品推荐向量；最后，基于目标用户在各电商平台的商品推荐向量和各电商平台的可信度指数确定目标用户的目标商品推荐向量，进而根据目标商品推荐向量为目标用户推荐商品。通过上述描述可知，本发明的商品的推荐方法是根据多个电商平台的商品推荐向量确定的最终的目标商品推荐向量，多个电商平台联合推荐确定的目标商品推荐向量更加准确，能够精准的为目标用户推荐商品，达到了良好的商品推荐效果，另外，该方法是由区块链的智能合约完成的，区块链作为多个电商平台的中间媒介，能够解决多平台联合推荐过程中的数据隐私安全的问题，保护了各电商平台的用户数据安全，缓解了现有的商品推荐方法推荐的商品准确性差，难以达到良好的推荐效果的技术问题。
上述内容对本发明的商品的推荐方法进行了简要介绍，下面对其中涉及到的具体内容进行详细描述。
在本发明的一个可选实施例中，在根据目标商品推荐向量为目标用户推荐商品之后，该方法还包括：获取目标用户的实际消费信息；根据实际消费信息更新各电商平台的可信度指数。
上述实际消费信息为向目标用户推荐商品之后，预设时间范围内的实际消费信息，如，可以是向目标用户推荐商品之后的两周内的实际消费信息。
在本发明的一个可选实施例中，在获取各电商平台上传的最新的用户-商品数据之前，该方法还包括：
(1)在各电商平台签订共同推荐的智能合约后，获取各电商平台上传的初始用户-商品数据；
(2)对初始用户-商品数据进行整合，得到用户-商品数据。
上述数据的整合是指将各电商平台提供的初始用户-商品数据整合到一起后，重新编号和扩充向量内容。重新编号中，对于打分向量和购买向量是直接重新编号(例如，A电商平台和B电商平台的向量中各有10个元素，整合后就为20个元素)，而对于特征向量的重新编号是指将所有商品的特征去重后重新编号(例如，A电商平台和B电商平台的向量中各有10个元素，其中重复了2个元素，整合后就为18个元素)。扩充向量内容是指将各电商平台的数据全部放在一起重新编码增加所有打分向量、购买向量和特征向量的维度。
为了便于理解，下面进行举例说明：假如A电商平台上传的初始用户-商品数据为：A电商平台有牛奶、苹果和香蕉，用户a在A电商平台对牛奶的打分为1.5，用户a在A电商平台对苹果的打分为3，用户a在A电商平台对香蕉的打分为4.5；B电商平台有牛奶、苹果和梨，用户a在B电商平台对牛奶的打分为2，用户a在B电商平台对苹果的打分为5，用户a在B电商平台对梨的打分为3。
对于打分向量直接重新编号后，得到的为：1.5，3，4.5，2，5，3，得到的新的向量中每个位置的元素就与具体的商品和平台对应，如，其中的1.5即为用户a在A电商平台对牛奶的打分，当用户a在A电商平台对牛奶的打分发生变化时，便可以根据编号的绑定关系修改对应位置的数值。
购买向量的编号过程与上述打分向量的过程相似，在此不再赘述。
对于特征向量，假如A电商平台的牛奶标签为甜、整箱出售，特征向量为(1，1，0，0)，B电商平台的牛奶标签为：含钙高、低脂和甜，特征向量为(1，0，0，1，1)，特征去重后重新编号为：(甜，整箱出售，含钙高，低脂，盒装，适用于老年人)，最终得到的特征向量为(1，1，1，1，0，0)，0表示A电商平台和B电商平台不具有且独有的特征。
将整合后的数据的形式发送至各电商平台，后续电商平台在上传最新的用户-商品数据时，便可根据区块链的智能合约所规定的数据维度进行上传(即扩充向量内容后再上传)。如上，后续A电商平台在上传打分向量时，前面三个元素为用户对牛奶，苹果，香蕉的打分，后面三个元素的值都为0，而B电商平台在上传打分向量时，前面三个元素的值都为0，后面三个元素为用户对牛奶，苹果，梨的打分，保证了各电商平台所上传的数据维度都相同，且打分向量和购买向量中的数据与商品的类别对应。
在本发明的一个可选实施例中，参考图2，上述步骤S106，基于推荐请求和用户-商品数据确定目标用户在各电商平台的商品推荐向量，具体包括如下步骤：
步骤S201，根据契合度计算算式：
上述打分向量和购买向量分别为打分矩阵和购买矩阵中的向量，mp表示用户对第p号商品的打分。
步骤S202，在目标用户与各电商平台的各用户的契合度中确定各电商平台中与目标用户契合度最大的契合用户；
步骤S203，将各电商平台中与目标用户契合度最大的契合用户的打分向量作为目标用户在各电商平台的商品推荐向量。
在本发明的一个可选实施例中，步骤S108，基于目标用户在各电商平台的商品推荐向量和各电商平台的可信度指数确定目标用户的目标商品推荐向量，具体包括：根据目标商品推荐向量计算算式
计算目标用户的目标商品推荐向量，其中，U表示目标用户的目标商品推荐向量，z表示参与智能合约的电商平台的数量，wk表示电商平台k的可信度指数，rk表示电商平台k的商品推荐向量。
在本发明的一个可选实施例中，参考图3，根据实际消费信息更新各电商平台的可信度指数，具体包括如下步骤：
步骤S301，若目标用户未进行消费，则各电商平台的可信度指数保持不变；
步骤S302，若目标用户购买了商品，则基于目标用户购买的商品更新各电商平台的可信度指数。
具体包括：根据可信度指数更新算式
计算各电商平台更新后的可信度指数，其中，w'k表示电商平台k更新后的可信度指数，wk表示电商平台k的可信度指数，
表示目标电商平台的可信度指数，θ为小于1的正数，
β表示目标用户是否购买了目标电商平台推荐的商品，β＝0表示目标用户购买了目标电商平台推荐的商品，β＝1表示目标用户未购买目标电商平台推荐的商品，U表示目标用户的目标商品推荐向量，a表示目标用户实际购买的商品向量。
本发明提出了一种区块链上多电商平台的商品推荐方法，可以解决单个电商平台由于数据较少难以达到良好的商品推荐效果的问题，同时还能解决多电商平台联合推荐过程中数据隐私安全的问题。
实施例二：
本发明实施例还提供了一种商品的推荐装置，该商品的推荐装置主要用于执行本发明实施例上述内容所提供的商品的推荐方法，以下对本发明实施例提供的商品的推荐装置做具体介绍。
图4是本发明实施例的一种商品的推荐装置的示意图，如图4所示，该商品的推荐装置主要包括：第一获取单元10、第二获取单元20、第一确定单元30和第二确定单元40，其中：
第一获取单元，用于获取各电商平台上传的最新的用户-商品数据和各电商平台的可信度指数，其中，用户-商品数据包括：用户对商品的打分矩阵、用户购买矩阵和商品特征矩阵；
第二获取单元，用于获取目标电商平台发起的对目标用户进行商品推荐的推荐请求，其中，推荐请求中携带有目标用户的历史打分向量和历史购买向量；
第一确定单元，用于基于推荐请求和用户-商品数据确定目标用户在各电商平台的商品推荐向量；
第二确定单元，用于基于目标用户在各电商平台的商品推荐向量和各电商平台的可信度指数确定目标用户的目标商品推荐向量，进而根据目标商品推荐向量为目标用户推荐商品。
在本发明实施例中，提供了一种商品的推荐装置，应用于区块链的智能合约，该方法包括：获取各电商平台上传的最新的用户-商品数据和各电商平台的可信度指数；然后，获取目标电商平台发起的对目标用户进行商品推荐的推荐请求；进而，基于推荐请求和用户-商品数据确定目标用户在各电商平台的商品推荐向量；最后，基于目标用户在各电商平台的商品推荐向量和各电商平台的可信度指数确定目标用户的目标商品推荐向量，进而根据目标商品推荐向量为目标用户推荐商品。通过上述描述可知，本发明的商品的推荐装置是根据多个电商平台的商品推荐向量确定的最终的目标商品推荐向量，多个电商平台联合推荐确定的目标商品推荐向量更加准确，能够精准的为目标用户推荐商品，达到了良好的商品推荐效果，另外，该方法是由区块链的智能合约完成的，区块链作为多个电商平台的中间媒介，能够解决多平台联合推荐过程中的数据隐私安全的问题，保护了各电商平台的用户数据安全，缓解了现有的商品推荐方法推荐的商品准确性差，难以达到良好的推荐效果的技术问题。
可选地，该装置还用于：获取目标用户的实际消费信息；根据实际消费信息更新各电商平台的可信度指数。
可选地，该装置还用于：在各电商平台签订共同推荐的智能合约后，获取各电商平台上传的初始用户-商品数据；对初始用户-商品数据进行整合，得到用户-商品数据。
可选地，第一确定单元还用于：根据契合度计算算式：
可选地，第二确定单元还用于：根据目标商品推荐向量计算算式
计算目标用户的目标商品推荐向量，其中，U表示目标用户的目标商品推荐向量，z表示参与智能合约的电商平台的数量，wk表示电商平台k的可信度指数，rk表示电商平台k的商品推荐向量。
可选地，该装置还用于：若目标用户未进行消费，则各电商平台的可信度指数保持不变；若目标用户购买了商品，则基于目标用户购买的商品更新各电商平台的可信度指数。
可选地，该装置还用于：根据可信度指数更新算式
计算各电商平台更新后的可信度指数，其中，w'k表示电商平台k更新后的可信度指数，wk表示电商平台k的可信度指数，
表示目标电商平台的可信度指数，θ为小于1的正数，
β表示目标用户是否购买了目标电商平台推荐的商品，β＝0表示目标用户购买了目标电商平台推荐的商品，β＝1表示目标用户未购买目标电商平台推荐的商品，U表示目标用户的目标商品推荐向量，a表示目标用户实际购买的商品向量。
本发明实施例所提供的装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，前述描述的系统、装置和单元的具体工作过程，均可以参考上述方法实施例中的对应过程，在此不再赘述。本申请实施例提供的商品的推荐装置与上述实施例提供的商品的推荐方法具有相同的技术特征，所以也能解决相同的技术问题，达到相同的技术效果。
另外，在本发明实施例的描述中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
所述功能如果以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。
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各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发明各实施例技术方案的范围。
Claims (10)
1.一种商品的推荐方法，其特征在于，应用于区块链的智能合约，包括：
获取各电商平台上传的最新的用户-商品数据和所述各电商平台的可信度指数，其中，所述用户-商品数据包括：用户对商品的打分矩阵、用户购买矩阵和商品特征矩阵；
获取目标电商平台发起的对目标用户进行商品推荐的推荐请求，其中，所述推荐请求中携带有所述目标用户的历史打分向量和历史购买向量；
基于所述推荐请求和所述用户-商品数据确定所述目标用户在所述各电商平台的商品推荐向量；
基于所述目标用户在所述各电商平台的商品推荐向量和所述各电商平台的可信度指数确定所述目标用户的目标商品推荐向量，进而根据所述目标商品推荐向量为所述目标用户推荐商品。
2.根据权利要求1所述的方法，其特征在于，在根据所述目标商品推荐向量为所述目标用户推荐商品之后，所述方法还包括：
获取所述目标用户的实际消费信息；
根据所述实际消费信息更新所述各电商平台的可信度指数。
3.根据权利要求1所述的方法，其特征在于，在获取各电商平台上传的最新的用户-商品数据之前，所述方法还包括：
在所述各电商平台签订共同推荐的智能合约后，获取所述各电商平台上传的初始用户-商品数据；
对所述初始用户-商品数据进行整合，得到用户-商品数据。
4.根据权利要求1所述的方法，其特征在于，基于所述推荐请求和所述用户-商品数据确定所述目标用户在所述各电商平台的商品推荐向量，包括：
根据契合度计算算式：
在所述目标用户与所述各电商平台的各用户的契合度中确定所述各电商平台中与所述目标用户契合度最大的契合用户；
将所述各电商平台中与所述目标用户契合度最大的契合用户的打分向量作为所述目标用户在所述各电商平台的商品推荐向量。
5.根据权利要求1所述的方法，其特征在于，基于所述目标用户在所述各电商平台的商品推荐向量和所述各电商平台的可信度指数确定所述目标用户的目标商品推荐向量，包括：
根据目标商品推荐向量计算算式
计算所述目标用户的目标商品推荐向量，其中，U表示所述目标用户的目标商品推荐向量，z表示参与智能合约的电商平台的数量，wk表示电商平台k的可信度指数，rk表示所述电商平台k的商品推荐向量。
6.根据权利要求1所述的方法，其特征在于，根据所述实际消费信息更新所述各电商平台的可信度指数，包括：
若所述目标用户未进行消费，则所述各电商平台的可信度指数保持不变；
若所述目标用户购买了商品，则基于所述目标用户购买的商品更新所述各电商平台的可信度指数。
7.根据权利要求6所述的方法，其特征在于，基于所述目标用户购买的商品更新所述各电商平台的可信度指数，包括：
根据可信度指数更新算式
计算所述各电商平台更新后的可信度指数，其中，w'k表示电商平台k更新后的可信度指数，wk表示电商平台k的可信度指数，
表示所述目标电商平台的可信度指数，θ为小于1的正数，
β表示所述目标用户是否购买了所述目标电商平台推荐的商品，β＝0表示所述目标用户购买了所述目标电商平台推荐的商品，β＝1表示所述目标用户未购买所述目标电商平台推荐的商品，U表示所述目标用户的目标商品推荐向量，a表示所述目标用户实际购买的商品向量。
8.一种商品的推荐装置，其特征在于，应用于区块链的智能合约，包括：
第一获取单元，用于获取各电商平台上传的最新的用户-商品数据和所述各电商平台的可信度指数，其中，所述用户-商品数据包括：用户对商品的打分矩阵、用户购买矩阵和商品特征矩阵；
第二获取单元，用于获取目标电商平台发起的对目标用户进行商品推荐的推荐请求，其中，所述推荐请求中携带有所述目标用户的历史打分向量和历史购买向量；
第一确定单元，用于基于所述推荐请求和所述用户-商品数据确定所述目标用户在所述各电商平台的商品推荐向量；
第二确定单元，用于基于所述目标用户在所述各电商平台的商品推荐向量和所述各电商平台的可信度指数确定所述目标用户的目标商品推荐向量，进而根据所述目标商品推荐向量为所述目标用户推荐商品。
9.一种电子设备，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上述权利要求1至7中任一项所述的方法的步骤。
10.一种具有处理器可执行的非易失的程序代码的计算机可读介质，其特征在于，所述程序代码使所述处理器执行上述权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011644503.4A CN112669083B (zh) | 2020-12-30 | 2020-12-30 | 商品的推荐方法、装置和电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011644503.4A CN112669083B (zh) | 2020-12-30 | 2020-12-30 | 商品的推荐方法、装置和电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112669083A true CN112669083A (zh) | 2021-04-16 |
| CN112669083B CN112669083B (zh) | 2024-09-20 |
Family
ID=75412482
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011644503.4A Active CN112669083B (zh) | 2020-12-30 | 2020-12-30 | 商品的推荐方法、装置和电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112669083B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113706247A (zh) * | 2021-08-29 | 2021-11-26 | 海南炳祥投资咨询有限公司 | 基于区块链的电商购物管理方法及系统 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003150835A (ja) * | 2001-11-14 | 2003-05-23 | Just Syst Corp | 商品推薦システム、方法及び装置、並びにプログラム |
| JP2012247926A (ja) * | 2011-05-26 | 2012-12-13 | Yahoo Japan Corp | 情報作成装置、情報作成方法、レコメンド装置、レコメンド方法及びプログラム |
| US20130046772A1 (en) * | 2011-08-16 | 2013-02-21 | Alibaba Group Holding Limited | Recommending content information based on user behavior |
| CN105117418A (zh) * | 2015-07-30 | 2015-12-02 | 百度在线网络技术（北京）有限公司 | 基于搜索的服务信息管理系统及方法 |
| CN107563833A (zh) * | 2017-07-27 | 2018-01-09 | 广州智慧城市发展研究院 | 一种基于区块链积分服务平台的个性化推荐方法及系统 |
| CN108717654A (zh) * | 2018-05-17 | 2018-10-30 | 南京大学 | 一种基于聚类特征迁移的多电商交叉推荐方法 |
| CN108960897A (zh) * | 2018-06-08 | 2018-12-07 | 成都信息工程大学 | 一种结合关联规则的多维度用户协同过滤推荐方法 |
| CN109934683A (zh) * | 2019-03-19 | 2019-06-25 | 北京三快在线科技有限公司 | 推荐方法、装置及电子设备 |
| CN110489664A (zh) * | 2019-08-07 | 2019-11-22 | 北京达佳互联信息技术有限公司 | 一种基于契合度的客户端推荐方法及装置 |
| CN111311332A (zh) * | 2020-02-28 | 2020-06-19 | 北京互金新融科技有限公司 | 用户数据的处理方法和装置 |
| CN111553763A (zh) * | 2020-04-26 | 2020-08-18 | 上海风秩科技有限公司 | 一种物品推荐方法、装置、电子设备及可读存储介质 |
-
2020
- 2020-12-30 CN CN202011644503.4A patent/CN112669083B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003150835A (ja) * | 2001-11-14 | 2003-05-23 | Just Syst Corp | 商品推薦システム、方法及び装置、並びにプログラム |
| JP2012247926A (ja) * | 2011-05-26 | 2012-12-13 | Yahoo Japan Corp | 情報作成装置、情報作成方法、レコメンド装置、レコメンド方法及びプログラム |
| US20130046772A1 (en) * | 2011-08-16 | 2013-02-21 | Alibaba Group Holding Limited | Recommending content information based on user behavior |
| CN105117418A (zh) * | 2015-07-30 | 2015-12-02 | 百度在线网络技术（北京）有限公司 | 基于搜索的服务信息管理系统及方法 |
| CN107563833A (zh) * | 2017-07-27 | 2018-01-09 | 广州智慧城市发展研究院 | 一种基于区块链积分服务平台的个性化推荐方法及系统 |
| CN108717654A (zh) * | 2018-05-17 | 2018-10-30 | 南京大学 | 一种基于聚类特征迁移的多电商交叉推荐方法 |
| CN108960897A (zh) * | 2018-06-08 | 2018-12-07 | 成都信息工程大学 | 一种结合关联规则的多维度用户协同过滤推荐方法 |
| CN109934683A (zh) * | 2019-03-19 | 2019-06-25 | 北京三快在线科技有限公司 | 推荐方法、装置及电子设备 |
| CN110489664A (zh) * | 2019-08-07 | 2019-11-22 | 北京达佳互联信息技术有限公司 | 一种基于契合度的客户端推荐方法及装置 |
| CN111311332A (zh) * | 2020-02-28 | 2020-06-19 | 北京互金新融科技有限公司 | 用户数据的处理方法和装置 |
| CN111553763A (zh) * | 2020-04-26 | 2020-08-18 | 上海风秩科技有限公司 | 一种物品推荐方法、装置、电子设备及可读存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 王庆福: "推荐系统架构设计研究", 《信息通信》, no. 7, 31 December 2016 (2016-12-31), pages 154 - 155 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113706247A (zh) * | 2021-08-29 | 2021-11-26 | 海南炳祥投资咨询有限公司 | 基于区块链的电商购物管理方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112669083B (zh) | 2024-09-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP5897019B2 (ja) | 候補製品のリンクリストを判定する方法および装置 | |
| JP5124680B1 (ja) | 情報処理装置、情報処理方法、情報処理プログラム及び記録媒体 | |
| CN103246980B (zh) | 信息输出方法及服务器 | |
| CN111949887B (zh) | 物品推荐方法、装置及计算机可读存储介质 | |
| US20130275269A1 (en) | Searching supplier information based on transaction platform | |
| CN109840796B (zh) | 决策因素分析装置与决策因素分析方法 | |
| CN104809637B (zh) | 计算机实现的商品推荐方法及系统 | |
| CN114219558B (zh) | 基于数据挖掘的农产品智能推荐系统 | |
| CN111310038A (zh) | 信息推荐方法、装置、电子设备及计算机可读存储介质 | |
| JP6976207B2 (ja) | 情報処理装置、情報処理方法、およびプログラム | |
| US20210272178A1 (en) | Determining item relevancy | |
| CN112102029B (zh) | 一种基于知识图谱的长尾推荐计算方法 | |
| CN107679898A (zh) | 一种商品推荐方法和装置 | |
| US11610249B2 (en) | System, method, and computer readable medium for automatic item rankings | |
| JP2016053784A (ja) | 情報推薦プログラム及び情報処理装置 | |
| CN107133811A (zh) | 一种目标用户的识别方法和装置 | |
| CN114820123A (zh) | 团购商品推荐方法、装置、设备及存储介质 | |
| CN112669083A (zh) | 商品的推荐方法、装置和电子设备 | |
| CN116957727A (zh) | 一种商品推荐方法及装置 | |
| CN112053213A (zh) | 一种商品推荐方法、系统及相关装置 | |
| CN106920108A (zh) | 一种商品录入的方法及系统 | |
| JP2009003544A (ja) | 電子商取引における購買支援システム、購買支援方法および購買支援用プログラム | |
| CN114926236A (zh) | 商品信息的展示方法、装置、电子设备及存储介质 | |
| CN108960954A (zh) | 一种基于用户群行为反馈的内容推荐方法及推荐系统 | |
| CN114240545A (zh) | 一种相似商品的推荐方法、装置、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 | ||
| GR01 | Patent grant |