CN112750004A - 一种跨领域商品的冷启动推荐方法、装置和电子设备 - Google Patents
一种跨领域商品的冷启动推荐方法、装置和电子设备 Download PDFInfo
- Publication number
- CN112750004A CN112750004A CN201911054644.8A CN201911054644A CN112750004A CN 112750004 A CN112750004 A CN 112750004A CN 201911054644 A CN201911054644 A CN 201911054644A CN 112750004 A CN112750004 A CN 112750004A
- Authority
- CN
- China
- Prior art keywords
- target
- source
- tag
- label
- field
- 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 60
- 230000000007 visual effect Effects 0.000 claims abstract description 38
- 239000013598 vector Substances 0.000 claims description 104
- 238000004590 computer program Methods 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 13
- 238000013507 mapping Methods 0.000 claims description 13
- 238000003058 natural language processing Methods 0.000 claims description 13
- 238000007781 pre-processing Methods 0.000 claims description 7
- 230000000694 effects Effects 0.000 abstract description 10
- 238000010586 diagram Methods 0.000 description 14
- 239000000463 material Substances 0.000 description 10
- 238000012549 training Methods 0.000 description 10
- 230000006399 behavior Effects 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000012423 maintenance Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 235000013305 food Nutrition 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000002996 emotional effect Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 229920000742 Cotton Polymers 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000037308 hair color Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000010076 replication Effects 0.000 description 1
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
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/334—Query execution
- G06F16/3344—Query execution using natural language analysis
-
- 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
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Finance (AREA)
- Artificial Intelligence (AREA)
- Accounting & Taxation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (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)
Abstract
本发明实施例提供一种跨领域商品的冷启动推荐方法、装置和电子设备,所述方法包括以下步骤:获取来访客户的视觉信息;提取所述视觉信息中的源标签,所述源标签具有源领域属性;根据所述源标签,获取与所述源标签关联的目标标签,所述目标标签具有目标领域属性,所述源领域与所述目标领域属于不同领域;将基于所述目标标签对应的目标商品推荐给来访客户。本发明在不依赖用户行为数据的前提下,能高效挖掘标签关系,从而提高跨领域商品的推荐效果。
Description
技术领域
本发明涉及跨领域商品推荐领域,尤其涉及一种跨领域商品的冷启动推荐方法、装置和电子设备。
背景技术
在产品多元化的时代,商家为了提高购物服务,推行了多种购物服务方式,例如:商品推荐服务。在现有的基于标签的推荐系统中,通常是提取来访客户购买过的商品的标签特征,然后通过这些标签寻找相似标签的商品进行推荐,这种做法通常会推荐与来访客户购买过的商品同类型的商品,比如买了编程类的书籍,就会推荐编程领域的相关书籍,推荐效果差。也有做法试图给来访客户在两个不同领域的购买行为建立模型,提取来访客户的行为特征,然后实现跨领域的商品推荐,这种方式需要丰富的来访客户行为数据。那么,在一个推荐系统中,如果我们只能获取来访客户关于某一领域的标签信息,但是要推荐另一领域的商品时,由于推荐系统中没有来访客户在另一领域的行为数据,从而不能推荐另一领域的商品给来访客户,导致推荐系统的商品推荐效果比较差。可见,现有跨领域商品推荐方式存在推荐效果差的问题。
发明内容
本发明实施例提供一种跨领域商品的冷启动推荐方法、装置和电子设备,在不依赖用户行为数据的前提下,能高效挖掘标签关系,从而提高跨领域商品的推荐效果。
第一方面,本发明实施例提供一种跨领域商品的冷启动推荐方法,包括以下步骤:
获取来访客户的视觉信息;
提取所述视觉信息中的源标签,所述源标签具有源领域属性;
根据所述源标签,获取与所述源标签关联的目标标签,所述目标标签具有目标领域属性,所述源领域与所述目标领域属于不同领域;
将基于所述目标标签对应的目标商品推荐给来访客户。
可选的,所述获取来访客户的视觉信息之前,所述方法还包括:
获取携带源领域属性的源标签和携带目标领域属性的目标标签;
提取所述源标签与所述目标标签中共有的专有标签;
将所述源标签与所述目标标签之间对应的专有标签进行关联,以实现源标签与目标标签之间的关联。
可选的,所述将所述源标签与所述目标标签之间对应的专有标签进行关联,以实现源标签与目标标签之间的关联的步骤包括:
根据每个专有标签分别在源标签所属的源领域、目标标签所属的目标领域的关联度进行标签拓展,以分别得到源领域对应的专有标签集合和目标领域对应的专有标签集合;所述专有标签集合包括专有标签,以及多个与所述专有标签有关联属性的标签;
根据所述源标签与所述目标标签之间对应的专有标签进行关联,得到所述源领域对应的专有标签集合与目标领域对应的专有标签集合进行关联,以实现源标签与目标标签之间的关联。
可选的,所述提取所述源标签与所述目标标签中共有的专有标签的步骤包括:
计算各个源标签与各个目标标签之间的相似度;
基于各个源标签与各个目标标签之间的相似度,选取相似度达到预设相似度阈值的目标标签以及源标签作为目标标签与源标签共有的专有标签。
可选的,所述将基于所述目标标签对应的目标商品推荐给来访客户的步骤包括:
将所有关联的专有标签进行相似度排序;
确定相似度最高的专有标签对应的目标标签;
将所述目标标签对应的目标商品推荐给来访客户。
可选的,所述获取携带源领域属性的源标签和携带目标领域属性的目标标签的步骤包括:
对具有领域属性的语料数据进行预处理,得到语料文本信息,所述语料数据包括源语料数据以及目标语料数据,所述语料文本信息包括源语料文本信息以及目标语料文本信息;
将所述语料文本信息输入到预先训练好的自然语言处理模型中,提取得到词向量,所述词向量包括源词向量以及目标词向量;
根据词分布式表示方法将所述词向量映射到特征空间,同一特征空间的词向量具有关联性;
根据所述特征空间中的词向量,生成对应关联标签,所述关联标签包括源标签以及目标标签。
第二方面,本发明实施例还提供一种跨领域商品的冷启动推荐装置,包括:
视觉信息获取模块,用于获取来访客户的视觉信息;
源标签提取模块,用于提取所述视觉信息中的源标签,所述源标签具有源领域属性;
目标标签获取模块,用于根据所述源标签,获取与所述源标签关联的目标标签,所述目标标签具有目标领域属性,所述源领域与所述目标领域属于不同领域;
商品推荐模块,用于将基于所述目标标签对应的目标商品推荐给来访客户。
可选的,领域标签获取模块,用于获取携带源领域属性的源标签和携带目标领域属性的目标标签;
专有标签提取模块,用于提取所述源标签与所述目标标签中共有的专有标签;
关联模块,用于将所述源标签与所述目标标签之间对应的专有标签进行关联,以实现源标签与目标标签之间的关联。
第三方面,本发明实施例还提供一种电子设备,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本发明实施例提供的跨领域标签融合的冷启动推荐方法中的步骤。
第四方面,本发明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上存储有计算机程序,所述计算机程序被处理器执行时实现本发明实施例提供的跨领域标签融合的冷启动推荐方法中的步骤。
本发明实施例中,通过获取来访客户的视觉信息;提取所述视觉信息中的源标签,所述源标签具有源领域属性;根据所述源标签,获取与所述源标签关联的目标标签,所述目标标签具有目标领域属性,所述源领域与所述目标领域属于不同领域;将基于所述目标标签对应的目标商品推荐给来访客户。这样可以根据来访客户的视觉信息中具有源领域属性的源标签以及与所述源标签关联的具有目标领域属性的目标标签,进行源领域与目标领域之间跨领域商品的冷启动推荐,相比现有推荐方式中基于来访客户的行为数据推荐商品,本发明能够实现来访客户在目标领域中没有任何行为数据时,也能根据源领域中源标签与目标领域中目标标签的关联关系,冷启动推荐目标领域中目标标签对应的商品给来访客户,进而提高跨领域商品的推荐效果。
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,下面描述中的附图仅仅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是本发明实施例提供的一种跨领域商品的冷启动推荐方法流程图;
图2是本发明实施例提供的另一种跨领域商品的冷启动推荐方法的流程图;
图3是图2中步骤201实施例提供的一种方法的流程图;
图4是本发明实施例提供的一种词向量特征空间映射示意图;
图5是图2中步骤203实施例提供的一种方法的流程图;
图6是图2中步骤202实施例提供的一种方法的流程图;
图7是本发明实施例提供的一种跨领域商品的冷启动推荐装置的模块示意图;
图8是本发明实施例提供的另一种跨领域商品的冷启动推荐装置的模块示意图;
图9是图8中标签获取模块实施例提供的另一种模块示意图;
图10是图8中标签标签关联模块实施例提供的另一种模块示意图;
图11是图8中标签专有标签提取模块实施例提供的另一种模块示意图;
图12是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
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,所描述的实施例仅仅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作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。
参见图1,图1是本发明实施例提供的一种跨领域商品的冷启动推荐方法流程图,如图1所示,包括以下步骤:
步骤S101、获取来访客户的视觉信息。
其中,上述来访客户的视觉信息可以包括来访客户的服饰信息(比如、衣服、帽子、裤子、鞋子等;如衣服、帽子、裤子、鞋子的颜色信息;再如衣服、帽子、裤子、鞋子的款式信息等);图书信息(比如,来访客户抱的图书名称、图书类型以及图书版式等);还可以是与用户相关的其他信息,比如,用户拿的球体信息(比如球的类型,如篮球、足球、排球等)、带的伞(太阳伞、雨伞等)、带的饰品(如耳环、项链等)、发型信息(比如来访客户的头发颜色、头发长度、头发卷烫类型等)、正吃的食品信息等。
具体的,步骤101可以通过摄像头以及基于图像识别技术来获取上述视觉信息,该摄像头可以安装在商店门口、货物区、柜台或者智能终端等,在这里摄像头的安装位置不做限制。只要来访客户进入摄像头的可视范围内,就可以获取来访客户的视觉信息。例如:摄像头安装在商店门口,当有来访客户时,通过摄像头对来访客户进行拍照,并将拍到的来访客户的照片通过图像识别技术进行图像识别,就可以得到该来访客户的视觉信息。上述摄像头可以称为摄像机。
需要说明的是,本发明实施例中,来访客户可以称作用户、访客,还可以称作消费者。
步骤102、提取视觉信息中的源标签,源标签具有源领域属性。
其中,上述源标签可以是从当前来访客户的视觉信息中提取得到的当前标签,比如,从当前来访客户的视觉信息中提取到当前来访客户的衣服为衬衫,那么衬衫即是一种标签,此时该来访客户的衬衫可以作为源标签。上述源标签还可以是从当前来访客户的视觉信息中提取到当前来访客户的裤子为牛仔裤,那么牛仔裤也即是一种标签,此时该来访客户的牛仔裤也可以作为源标签。上述源标签的数量可以是一个或多个。上述源领域可以是服饰领域、图书领域等,还可以是饰品领域、食品领域等其他领域。上述源标签具有源领域属性可以是上述源标签具有其所属的源领域的领域属性,比如,所以衬衫属于服饰领域,衬衫是服饰领域中的一种服饰领域属性。
具体的,上述提取视觉信息中的源标签可以是从图像识别技术识别出的视觉信息中提取部分标签作为源标签。也可以从视觉信息中提取多个标签分别作为源标签,该多个标签可以是多个领域的,也可以是同一领域的。
需要说明的是,上述源标签以及源领域是作为被依据的标签和被依据的标签所属的领域。
作为另一种可行的实施方式,可以从来访客户的自画像中获取源标签,比如可以通过获取来访客户的语音信息,对语音信息中语言表达(比如说话速度快慢、顺畅与否等)、语音内容(情绪景象、时空环境等)进行分析得到。
步骤103、根据源标签,获取与源标签关联的目标标签,目标标签具有目标领域属性,源领域与目标领域属于不同领域。
其中,上述目标标签可以为与源标签关联,且需要被推荐目标的标签。上述目标标签的数量可以是一个或多个。上述目标领域可以是目标标签所属的领域,上述目标领域可以是服饰领域、图书领域等,还可以是饰品领域、食品领域等其他领域。上述目标标签具有目标领域属性可以是上述目标标签具有其所属的目标领域的领域属性,比如,目标标签为衬衫,衬衫属于服饰领域,衬衫是服饰领域中的一种服饰领域属性。
需要说明的是,该目标标签与源标签存在预设关联关系。该预设关联关系可以是本发明实施例中应用于商品推荐系统(或者设备)预先训练得到的多个关联关系,例如:某门店内商品推荐系统中存在的所有或者部分源标签与目标标签的关联关系。只要在源领域中匹配到源标签,就能在目标领域中匹配到与该源标签关联的目标领域。
需要说明的是,在实际的商品推荐过程中,源领域与目标领域属于不同的领域,且来访客户在源领域中有行为数据,比如,购买记录、使用记录等,而来访客户在目标领域中没有任何的行为数据,比如,在目标领域中没有购买记录,也没有使用记录等。
上述源标签与目标标签的关联关系可以存在在关联数据库中,该关联数据库可以存储有多组关联关系,只要通过在关联数据库中查找即可得到他们的关联关系。或者,将该源标签与目标标签进行模型训练得到目标模型,只要将某一源标签输入该目标模型就能够映射出与该源标签关联的目标标签。
步骤104、将基于目标标签相关的目标商品推荐给来访客户。
其中,确定与源标签关联的目标标签后即可将与该目标标签相关的目标商品推荐给来访客户。上述目标商品的推荐方式可以是,将上述目标商品展示在显示设备上,供来访客户自己选择,或者,是通过导购员将显示在显示设备上的目标商品推荐给来访客户。上述目标商品的推荐方式还可以是其他可行的推荐方式。上述目标商品的数量可以是一个或多个。上述显示设备可以是手机、电脑、平板电脑、广告显示屏等具有显示功能的设备,在这里对这种显示设备不做限制。
示例性的,为了更清楚的描述本发明实施例提供的跨领域商品的冷启动推荐方法。假设,本跨领域商品的冷启动推荐方法应用场景为书店,且依据的源标签属于服饰领域,此时与源标签关联的目标标签属于图书领域,与目标标签相关的商品为目标商品,也即图书,也就是说,本例子是通过获取服饰领域的标签来推荐图书领域的标签相关的商品给来访客户。下述示例性的例子中所要推荐的来访客户在图书领域没有任何的行为数据。且预先将该源标签与该目标领域进行关联,比如,将服饰领域的标签(格子、衬衫、牛仔裤)与图书领域的标签(科技,经济,程序员,自我修养,编程,算法等)进行关联。且源标签与目标标签的关联关系可以存储在关联数据库中。或者是将源标签与目标标签进行关联训练得到一目标模型。
如果摄像头识别出一个穿着格子衬衫和牛仔裤的来访客户,那么源标签可以为格子,衬衫,牛仔裤中的一种或多种,源领域为服饰领域。那么商品推荐系统就可以在关联数据库中查找到与服饰领域的标签(格子,衬衫,牛仔裤)存在关联关系的图书领域的标签(科技,经济,程序员,自我修养,编程,算法),那么系统就可以给该来访客户推荐跟科技,经济,程序员,自我修养,编程,算法标签相关的书籍给来访客户。或者,商品推荐系统就可以基于目标模型映射出与服饰领域的标签(格子,衬衫,牛仔裤)存在关联关系的图书领域的标签(科技,经济,程序员,自我修养,编程,算法),那么系统就可以给该来访客户推荐跟科技,经济,程序员,自我修养,编程,算法标签相关的书籍给来访客户。
作为本发明实施例的另一种实施方式,源领域和源标签,与目标领域和目标标签之间具体标签和领域可以根据实际需要进行替换,比如,若本跨领域商品的冷启动推荐方法应用于图书领域中的书店,则图书推荐系统的源标签和源领域可以设置为服饰领域和衣服,而目标领域和目标标签则设置为图书领域和书,也就说明。要推荐的商品是图书。若本跨领域商品的冷启动推荐方法应用于服饰领域的服装店,则服饰推荐系统的源标签和源领域可以设置为图书领域和书,而目标领域和目标标签则设置为服饰领域和衣服,也就说明,服饰推荐系统要推荐的商品是服饰。
需要说明的是,本发明实施例提供的跨领域商品的冷启动推荐方法可以应用于商品门店的智能终端、手机、平板电脑等设备。
在本发明实施例中,通过获取来访客户的视觉信息;提取视觉信息中的源标签,源标签具有源领域属性;根据源标签,获取与源标签关联的目标标签,目标标签具有目标领域属性,源领域与目标领域属于不同领域;将基于目标标签对应的目标商品推荐给来访客户。这样可以根据来访客户的视觉信息中具有源领域属性的源标签以及与源标签关联的具有目标领域属性的目标标签,进行源领域与目标领域之间跨领域商品的冷启动推荐,相比现有推荐方式中基于来访客户的行为数据推荐商品,本发明的能够实现来访客户在目标领域中没有任何行为数据时,也能根据源领域中源标签与目标领域中目标标签的关联关系,冷启动推荐目标领域中目标标签对应的商品给来访客户,进而提高跨领域商品的推荐效果。
参见图2,图2是本发明实施例提供的另一种跨领域商品的冷启动推荐方法的流程图,如图2所示,在图1的基础上,在图1中步骤101之前,该跨领域商品的冷启动推荐方法还包括步骤:
步骤201、获取携带源领域属性的源标签和携带目标领域属性的目标标签。
具体的,上述获取携带源领域属性的源标签可以是,获取基于具有源领域属性的源语料得到的具有源领域属性的源标签。
上述获取携带目标领域属性的目标标签可以是获取基于具有目标领域属性的目标语料得到的具有目标领域属性的目标标签。
步骤202、提取源标签与目标标签中共有的专有标签。
具体的,上述提取源标签与目标标签中共有的专有标签可以是,提取源领域对应源语料和目标领域对应的目标语料的专有语料中共有的部分或所有标签,进而得到源标签与目标标签中共有的专有标签。
步骤203、将源标签与目标标签之间对应的专有标签进行关联,以实现源标签与目标标签之间的关联。
其中,语料可以是我们常见的一些文本数据,比如新闻文章、百度百科的文本,还可以是某商品销售平台的文本信息。为了完成源标签与目标标签的关联,该语料可以包括源语料,对应的源领域;目标语料,对应的目标领域;以及专有语料,对应的是源领域和目标领域具有通用性的专有语料。上述源语料可以称为source(源)语料,上述目标语料可以称为target(目标)语料,上述专有语料可以称为exclusive(专有)语料。具有源领域属性的源语料还包括源语境属性,具有目标领域属性的目标语料还包括目标语境属性。上述源语境属性与上述目标语境属性相同或相似,比如,源语料选取的是服饰的评论信息,而目标语料选取的是图书的评论信息。这样源语料与目标语料都选取评论信息。其中,评论信息可以是一种语境属性。语境属性还可以包括分类信息、介绍信息、颜色信息等。
在本实施例中,需要保证的是源语料和目标语料在语境上的相似,即两种语料有类似的情绪景象、时空环境等,以保证语料中的专有语料具有相近的语义,而不会生出歧义。比如,源语料选取的是用户对服饰的一些评论信息,目标语料选取的是用户对图书的一些评论信息,由于都是评论数据,保证了语料语境的相近。而专有语料选取的是服饰和图书的一些特有的描述信息(如服饰的属性信息,图书的属性信息),同时保证专有语料中的信息与源语料和目标语料有一定的关联。这样可以保证源标签与目标标签的更容易关联。
上述获取基于具有源领域属性的源语料得到的具有源领域属性的源标签可以是,获取基于源语料进行词向量训练得到属于源领域中的部分或所有标签,进而得到携带源领域属性的源标签。
上述获取基于具有目标领域属性的目标语料得到的具有目标领域属性的目标标签可以是,获取基于目标语料进行词向量训练得到属于目标领域中的部分或所有标签,进而得到携带目标领域属性的目标标签。
在步骤203中、将源标签与目标标签之间对应的专有标签进行关联,以实现源标签与目标标签之间的关联可以是,基于源领域的源语料和目标领域的目标语料的专有语料中共有的部分或所有标签,将属于源领域中的部分或所有标签与属于目标领域中的部分或所有标签对应进行关联。
需要说明的是,源标签与目标标签中可以存在一个或多个专有标签以及对应的一组或多组专有标签关联关系。
在本发明实施例中,可以预先对源标签以及目标标签中对应的专有标签进行关联,进而实现源标签与目标标签的关联。便于商品推荐时,在仅获取到源标签时,可以直接基于源标签获取与该源标签关联的目标标签,并且将与该目标标签相关的目标商品冷启动推荐给来访客户,使得跨领域商品推荐速度更快,进一步的提高跨领域商品的推荐效果。
参见图3,图3是图2中步骤201实施例提供的一种方法的流程图,如图3所示,步骤201包括:
步骤301,对具有领域属性的语料数据进行预处理,得到语料文本信息。
语料数据包括源语料数据以及目标语料数据,语料文本信息包括源语料文本信息以及目标语料文本信息。具体的,对具有源领域属性的源语料进行预处理,得到源语料文本信息。以及,对具有目标领域属性的目标语料进行预处理,得到目标语料文本信息。
步骤302,将语料文本信息输入到预先训练好的自然语言处理模型中,提取得到词向量。
词向量包括源词向量以及目标词向量。具体的,将源语料文本信息输入到预先训练好的自然语言处理模型中,提取得到源词向量。以及,将目标语料文本信息输入到预先训练好的自然语言处理模型中,提取得到目标词向量。
步骤303,根据词分布式表示方法将词向量映射到特征空间,同一特征空间的词向量具有关联性。
具体的,根据词分布式表示方法将源词向量映射到特征空间,同一特征空间的词向量具有关联性。以及,根据词分布式表示方法将目标词向量映射到特征空间,同一特征空间的词向量具有关联性。
步骤304,根据特征空间中的词向量,生成对应关联标签,关联标签包括源标签以及目标标签。
具体的,根据特征空间中的源词向量,生成对应的源标签。以及,根据特征空间中的目标词向量,生成对应的目标标签。
其中,上述源语料以及目标语料均进行预处理,也即,将源语料以及目标语料进行文本处理。上述预先训练好的自然语言处理模型可以是使用BERT(Bidirectional EncoderRepresentation from Transformers)模型进行词向量训练得到。上述源词向量可以为将源语料文本信息输入预先训练好的自然语言处理模型中进行词向量提取得到的部分或所有词向量。上述目标词向量可以为将目标语料文本信息输入预先训练好的自然语言处理模型中进行词向量提取得到的部分或所有词向量。上述特征空间可以是一维空间或者多维空间,比如二维空间、三维空间、四维空间等。上述词的分布式表示方法主要是,上下文相似的词,其语义也相似,那么在进行特征转换,即进行词的向量化后,这两个词在特征空间里也会比较接近。
参见图4,图4是本发明实施例提供的一种词向量特征空间映射示意图,图4中的特征空间为三维空间。把词向量化后映射到一个特征空间,同一特征空间的词向量具有相似性。比如,“电商企业A”和“电商企业A相关人物”这两个词经常出在类似的语料环境中,所以在做完词的向量化后,通过词向量的关联度计算,这两个词的关联度会比“电商企业A”和“电商企业B相关人物”大,或者,电商企业A”和“电商企业A相关人物”这两个词经常出在类似的语料环境中,所以在做完词的向量化后,通过词向量的关联度计算,这两个词的关联度会比“电商企业A”和电商企业C相关人物大,如图3所示,映射后的“电商企业A”和“电商企业A相关人物”这两个词在特征空间的位置就比较相近。
需要说明的是,词向量化后得到的词向量可以对应称为标签。
需要说明的是,自然语言处理模型的训练过程为,在模型训练时,输入语句为具有上下句关系的两个句子,此时,词的上下文语境除了本句中的词,也包含上下句的词。例如,把服饰语料中的服饰描述信息(如某件服装的标题)作为上句,商品的评论作为下句,这样形成上下句,作为模型的输入,同时,图书语料按正常的上下句处理,如此形成模型训练需要的全部输入数据,然后输入BERT模型进行词向量训练,也即将语料进行特征转换,如词向量化等。
比如,输入模型的服饰语料的上下句是“长袖t恤男秋冬季新品青年纯色男士t恤全棉打底衫中年翻领polo衫(高尔夫球衫)。衣服不错,厚实柔软,穿着舒适,我很喜欢。”,图书的输入语料为“这书读着还不错不过有些地方看不明白”。将服饰语料在模型中进行词向量训练后得到服饰领域上句的词向量(相当于标签)为“长袖、t恤、男、秋冬季、新品、纯色、男士、t恤、全棉、打底衫、中年、翻领、polo衫”,下句的词向量为“衣服、不错、厚实、柔软、穿着、舒适、我、很、喜欢”。由上可知,服饰领域的这些词向量即为源词向量,将映射到特征空间的部分或所有源词向量可以作为源标签。
而将图书语料在模型中进行词向量训练后得到图书领域下句的词向量(相当于标签)为“这书、读着、还、不错、不过、有些、地方、看、不、明白”。图书领域的这些词向量即为目标词向量,将映射到特征空间的部分或所有目标词向量可以作为目标标签。
需要说明的是,映射到同一特征空间的源词向量具有相似性,以及映射到同一特征空间的目标词向量也具有相似性。所以在上述例子的服饰领域的下句和图书领域的下句,这两句话中的“不错”都是对商品(服饰或者图书)的评价。其中,“不错”可以作为服饰领域下句和图书领域下句中的专有词向量(专有标签)。通过“不错”这个专有标签,可以将“不错”对应的“t恤”与“不错”对应的图书关联起来。通过这种通用词向量(不错)的调整,与其相关的其他词也会有相应的调整,作为服饰领域特有词的“t恤”,跟它下句中的“不错”这个词会在同一个特征空间,从而使得“t恤”这个词与图书领域中的其他词也可产生关联。比如,服饰中的“不错”与图书中的“不错”关联起来后,服饰中的“不错”与图书中的“明白”不能直接关联。但图书领域下句中的“不错”与“明白”在同一类似语境中,也即在同一特征空间中,所以,服饰领域中的“不错”也可以与图书领域中“明白”进行关联。
在本发明实施例中,本发明进一步的分别将源语料以及目标语料对应的源预料文本信息和目标语料文本信息输入预先训练好的自然语言处理模型进行词向量提取,分别得到源词向量和目标词向量。并且分别基于词的分布式表示方法将源词向量和目标词向量映射到特征空间中,分别得到源标签和目标标签。更进一步促进源标签和目标标签的关联。在跨领域商品推荐时,能够基于预先训练好的自然语言处理模型、词的分布式表示方法、映射特征空间等映射出关联的目标标签,进而根据目标标签冷启动推荐对应的目标商品给来访客户。更进一步提高跨领域商品的推荐效果。
参见图5,图5是图2中步骤203实施例提供的一种方法的流程图,如图5所述,步骤203包括:
步骤401,根据每个专有标签分别在源标签所属的源领域、目标标签所属的目标领域的关联度进行标签拓展,以分别得到源领域对应的专有标签集合和目标领域对应的专有标签集合。
步骤402,根据源标签与目标标签之间对应的专有标签进行关联,得到源领域对应的专有标签集合与目标领域对应的专有标签集合进行关联,以实现源标签与目标标签之间的关联。
其中,专有标签集合包括专有标签,以及多个与专有标签有关联属性的标签。有关联属性的标签包括有词义相似关系的标签、有对立同类可替换关系的标签、有共现关系的标签中至少一种。
上述步骤401,可以是,拓展在源领域中与专有标签关联度较大的标签,并将在源领域拓展得到的标签与源领域的专有标签一同组成源领域对应的专有标签集合,该在源领域中与专有标签关联度较大的标签可以是在源领域中与专有标签具有词义相似关系(比如“星期天”和“周日”)、对立同类可替换关系(比如“黑色”和“青色”)、或者共现关系(比如“学校”和“学生”)的标签;以及,拓展在目标领域中与专有标签关联度较大的标签,并将在源领域拓展得到的标签与目标领域的专有标签一同组成目标领域对应的专有标签集合,该在目标领域中与专有标签关联度较大的标签可以是在目标领域中与专有标签具有词义相似关系(比如“星期天”和“周日”)、对立同类可替换关系(比如“黑色”和“青色”)、或者共现关系(比如“学校”和“学生”)的标签。
需要说明的是,在专有标签拓展时,有词义相似关系的标签、有对立同类可替换关系的标签、有共现关系的标签可以根据使用领域具体设置,只是专有标签的拓展方式是相同的。在本实施例中举例的拓展标签仅具有解释作用,并不具有限定作用。
上述步骤402,具体可以是将源标签与目标标签之间对应的专有标签进行关联后,由于每个专有标签在源领域拓展得到对应的专有标签集合以及在目标领域拓展得到对应的专有标签集合,所以基于源标签以及目标标签之间对应的专有标签的映射关系,得到源领域对应的专有标签集合与目标领域对应的专有标签集合之间进行关联,进而实现源标签与目标标签之间的关联。
在本发明实施例中,两个不同领域之间通过专有标签集合来进行关联的,关联的标签数增加,使得源标签与目标领域之间的关联范围变大,更便于系统的推荐任务。
参见图6,图6是图2中步骤202实施例提供的一种方法的流程图,如图6所示,步骤202包括:
步骤501、计算各个源标签与各个目标标签之间的相似度。
步骤502、基于各个源标签与各个目标标签之间的相似度,选取相似度达到预设相似度阈值的目标标签以及源标签作为目标标签与源标签共有的专有标签。
上述各个源标签与上述各个目标标签之间的相似度可以为各个源标签对应的源词向量与各个目标标签对应的目标词向量之间的相似度。上述预设相似度阈值为预先设置好的相似度值(源词向量与目标词向量的相似度值)。比如设置源词向量与目标词向量的相似度阈值为80%,那么源词向量与目标词向量的相似度值必须达到80%以上,才能将源词向量与目标词向量对应的源标签与目标标签作为专有标签。
具体的,计算各个源标签与各个目标标签之间的相似度可以为计算各个源标签对应的源词向量与各个目标标签对应的目标词向量之间的相似度,即计算源词向量与目标词向量的夹角余弦cos(θ)。比如,源词向量与目标词向量的夹角余弦为1,也即夹角为0°,源词向量与目标词向量无缝合体,则相似度100%。源词向量与目标词向量的夹角余弦为0,也即夹角为180°,源词向量与目标词向量两两不相见,则相似度为0%。
在上述词向量提取的实施例提供的服饰领域与图书领域例子中,例如,服饰领域的“不错”与图书领域的“不错”相似度为100%。那么“不错”就可以是源标签与目标标签之间共有的专有标签。在源标签与目标标签关联时,可将源标签与目标标签中的“不错”进行关联,进而可将这两个“不错”对应的服饰和图书进行关联。再如,服饰领域的“不错”与图书领域的“明白”相似度为0%,不直接将这两个进行关联。但由于图书领域的“不错”与“明白”属于同一个特征空间,所以在服饰领域的“不错”与图书领域的“不错”进行关联的基础上,对应的服饰领域的“不错”与图书领域的“明白”也进行关联。
在本发明实施例中,通过计算各个源标签和各个目标标签之间的相似度以及设置关联相似度阈值确定源标签以及目标标签中共有的专有标签,进而实现源标签和目标标签关联,更进一步的提高源标签和目标标签关联的准确性。在跨领域商品推荐时,能够基于源标签和目标标签的相似度映射出与源标签关联的目标标签,进而根据目标标签冷启动推荐对应的目标商品给来访客户,进一步提高跨领域商品推荐的准确性,更进一步提高跨领域商品的推荐效果。
可选的,将基于目标标签相关的目标商品推荐给来访客户的步骤包括:
将所有关联的专有标签进行相似度排序。
确定相似度最高的专有标签对应的目标标签。
将目标标签对应的目标商品推荐给来访客户。
具体的,若目标标签与源标签有多个相关联的专有标签时,就将所有关联的专有标签进行相似度排序,比如按相似度从小到大,或者从大到小进行排序。进而从已经排序好的相似度队列中,选择相似度最高的专有标签对应的目标标签;将目标标签对应的目标商品推荐给来访客户。或者可以按照相似度的排序序号从大到小的专有标签对应的目标标签所对应的目标商品推荐给用户。这样可以推荐给来访客户尽可能多的商品,来访客才会有尽可能多的选择,并且,能够准确的推荐对应的商品给来访客户,提供商品推荐系统的准确性,进一步提高跨领域商品的推荐效果。
在本发明实施例中,能够基于源标签和目标标签的专有标签相似度的排序队列,将相似度排序较高的专有标签对应的目标标签对应的目标商品推荐给来访客户,进一步提高跨领域商品推荐的准确性,更进一步的提高跨领域商品的推荐效果。
参见图7、图7是本发明实施例提供的一种跨领域商品的冷启动推荐装置的模块示意图,如图7所示,该跨领域商品的冷启动推荐装置600包括:
视觉信息获取模块601,用于获取来访客户的视觉信息;
源标签提取模块602,用于提取视觉信息中的源标签,源标签具有源领域属性;
目标标签获取模块603,用于根据源标签,获取与源标签关联的目标标签,目标标签具有目标领域属性,源领域与目标领域属于不同领域;
商品推荐模块604,用于将基于目标标签相关的目标商品推荐给来访客户。
参见8图8,图8是本发明实施例提供的另一种跨领域商品的冷启动推荐装置的模块示意图,在图7的基础上,在视觉信息获取模块601之前,如图8所示,该跨领域商品的冷启动推荐装置600还包括:
标签获取模块605,用于获取携带源领域属性的源标签和携带目标领域属性的目标标签;
专有标签提取模块606,用于提取源标签与目标标签中共有的专有标签;
标签关联模块607,用于将源标签与目标标签之间对应的专有标签进行关联,以实现源标签与目标标签之间的关联。
参见图9、图9是图8中标签获取模块实施例提供的另一种模块示意图,如图9所示,该标签获取模块605包括:
预处理单元6051,用于对具有领域属性的语料数据进行预处理,得到语料文本信息,所述语料数据包括源语料数据以及目标语料数据,所述语料文本信息包括源语料文本信息以及目标语料文本信息。
词向量提取单元6052,用于将所述语料文本信息输入到预先训练好的自然语言处理模型中,提取得到词向量,所述词向量包括源词向量以及目标词向量。
映射单元6053,用于根据词分布式表示方法将所述词向量映射到特征空间,同一特征空间的词向量具有关联性。
生成单元6054,用于根据所述特征空间中的词向量,生成对应关联标签,所述关联标签包括源标签以及目标标签。
参见图10、图10是图8中标签标签关联模块实施例提供的另一种模块示意图,如图10所示,该标签关联模块607包括:
拓展单元6071,用于根据每个专有标签分别在源标签所属的源领域、目标标签所属的目标领域的关联度进行标签拓展,以分别得到源领域对应的专有标签集合和目标领域对应的专有标签集合;所述专有标签集合包括专有标签,以及多个与所述专有标签有关联属性的标签。
集合关联单元6072,用于根据所述源标签与所述目标标签之间对应的专有标签进行关联,得到所述源领域对应的专有标签集合与目标领域对应的专有标签集合进行关联,以实现源标签与目标标签之间的关联。
参见图11、图11是图8中标签专有标签提取模块实施例提供的另一种模块示意图,如图11所示,该专有标签提取模块606包括:
相似度计算单元6061,用于计算各个源标签与各个目标标签之间的相似度。
选取单元6062,用于基于各个源标签与各个目标标签之间的相似度,选取相似度达到预设相似度阈值的目标标签以及源标签作为目标标签与源标签共有的专有标签。
可选的,商品推荐模块604包括:
相似度排序单元,用于将所有关联的专有标签进行相似度排序。
目标标签确定单元,用于确定相似度最高的专有标签对应的目标标签。
商品推荐单元,用于将所述目标标签对应的目标商品推荐给来访客户。
本发明实施例提供的跨领域商品的冷启动推荐装置能够实现上述方法实施例中跨领域商品的冷启动推荐方法实现的各个过程,为避免重复,这里不再赘述。且可以达到相同的有益效果。
参见图12,图12是本发明实施例提供的一种电子设备的结构示意图,如图12所示,该电子设备700包括:存储器702、处理器701及存储在存储器702上并可在处理器701上运行的计算机程序,其中,处理器701用于调用存储器702存储的计算机程序,执行如下步骤:
获取来访客户的视觉信息。
提取视觉信息中的源标签,源标签具有源领域属性。
根据源标签,获取与源标签关联的目标标签,目标标签具有目标领域属性,源领域与目标领域属于不同领域。
将基于目标标签对应的目标商品推荐给来访客户。
可选的,处理器701执行获取来访客户的视觉信息之前,处理器701还执行以下步骤:
获取携带源领域属性的源标签和携带目标领域属性的目标标签。
提取源标签与目标标签中共有的专有标签。
将源标签与目标标签之间对应的专有标签进行关联,以实现源标签与目标标签之间的关联。
可选的,处理器701执行的将源标签与目标标签之间对应的专有标签进行关联,以实现源标签与目标标签之间的关联的步骤包括:
根据每个专有标签分别在源标签所属的源领域、目标标签所属的目标领域的关联度进行标签拓展,以分别得到源领域对应的专有标签集合和目标领域对应的专有标签集合;专有标签集合包括专有标签,以及多个与专有标签有关联属性的标签。
根据源标签与目标标签之间对应的专有标签进行关联,得到源领域对应的专有标签集合与目标领域对应的专有标签集合进行关联,以实现源标签与目标标签之间的关联。
处理器701执行的提取源标签与目标标签中共有的专有标签的步骤包括:
计算各个源标签与各个目标标签之间的相似度。
基于各个源标签与各个目标标签之间的相似度,选取相似度达到预设相似度阈值的目标标签以及源标签作为目标标签与源标签共有的专有标签。
可选的,处理器701执行的将基于目标标签对应的目标商品推荐给来访客户的步骤包括:
将所有关联的专有标签进行相似度排序。
确定相似度最高的专有标签对应的目标标签。
将目标标签对应的目标商品推荐给来访客户。。
处理器701执行的获取携带源领域属性的源标签和携带目标领域属性的目标标签的步骤包括:
对具有领域属性的语料数据进行预处理,得到语料文本信息,语料数据包括源语料数据以及目标语料数据,语料文本信息包括源语料文本信息以及目标语料文本信息。
将语料文本信息输入到预先训练好的自然语言处理模型中,提取得到词向量,词向量包括源词向量以及目标词向量。
根据词分布式表示方法将词向量映射到特征空间,同一特征空间的词向量具有关联性。
根据特征空间中的词向量,生成对应关联标签,关联标签包括源标签以及目标标签。
需要说明的是,上述电子设备可以是商品门店的智能终端、手机、平板电脑等设备。
本发明实施例提供的电子设备能够实现上述方法实施例中的各个实施方式,以及相应有益效果,为避免重复,这里不再赘述。
本发明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上存储有计算机程序,所述计算机程序被处理器执行时实现本发明实施例提供的跨领域商品的冷启动推荐方法中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存取存储器(Random AccessMemory,简称RAM)等。
以上所揭露的仅为本发明较佳实施例而已,当然不能以此来限定本发明之权利范围,因此依本发明权利要求所作的等同变化,仍属本发明所涵盖的范围。
Claims (10)
1.一种跨领域商品的冷启动推荐方法,其特征在于,包括以下步骤:
获取来访客户的视觉信息;
提取所述视觉信息中的源标签,所述源标签具有源领域属性;
根据所述源标签,获取与所述源标签关联的目标标签,所述目标标签具有目标领域属性,所述源领域与所述目标领域属于不同领域;
将基于所述目标标签对应的目标商品推荐给来访客户。
2.如权利要求1所述的跨领域商品的冷启动推荐方法,其特征在于,所述获取来访客户的视觉信息之前,所述方法还包括:
获取携带源领域属性的源标签和携带目标领域属性的目标标签;
提取所述源标签与所述目标标签中共有的专有标签;
将所述源标签与所述目标标签之间对应的专有标签进行关联,以实现源标签与目标标签之间的关联。
3.如权利要求2所述的跨领域商品的冷启动推荐方法,其特征在于,所述将所述源标签与所述目标标签之间对应的专有标签进行关联,以实现源标签与目标标签之间的关联的步骤包括:
根据每个专有标签分别在源标签所属的源领域、目标标签所属的目标领域的关联度进行标签拓展,以分别得到源领域对应的专有标签集合和目标领域对应的专有标签集合;
根据所述源标签与所述目标标签之间对应的专有标签进行关联,得到所述源领域对应的专有标签集合与目标领域对应的专有标签集合进行关联,以实现源标签与目标标签之间的关联。
4.如权利要求2所述的跨领域商品的冷启动推荐方法,其特征在于,所述提取所述源标签与所述目标标签中共有的专有标签的步骤包括:
计算各个源标签与各个目标标签之间的相似度;
基于各个源标签与各个目标标签之间的相似度,选取相似度达到预设相似度阈值的目标标签以及源标签作为目标标签与源标签共有的专有标签。
5.如权利要求4所述的跨领域商品的冷启动推荐方法,其特征在于,所述将基于所述目标标签对应的目标商品推荐给来访客户的步骤包括:
将所有关联的专有标签进行相似度排序;
确定相似度最高的专有标签对应的目标标签;
将所述目标标签对应的目标商品推荐给来访客户。
6.如权利要求2所述的跨领域商品的冷启动推荐方法,其特征在于,所述获取携带源领域属性的源标签和携带目标领域属性的目标标签的步骤包括:
对具有领域属性的语料数据进行预处理,得到语料文本信息,所述语料数据包括源语料数据以及目标语料数据,所述语料文本信息包括源语料文本信息以及目标语料文本信息;
将所述语料文本信息输入到预先训练好的自然语言处理模型中,提取得到词向量,所述词向量包括源词向量以及目标词向量;
根据词分布式表示方法将所述词向量映射到特征空间,同一特征空间的词向量具有关联性;
根据所述特征空间中的词向量,生成对应关联标签,所述关联标签包括源标签以及目标标签。
7.一种跨领域商品的冷启动推荐装置,其特征在于,包括:
视觉信息获取模块,用于获取来访客户的视觉信息;
源标签提取模块,用于提取所述视觉信息中的源标签,所述源标签具有源领域属性;
目标标签获取模块,用于根据所述源标签,获取与所述源标签关联的目标标签,所述目标标签具有目标领域属性,所述源领域与所述目标领域属于不同领域;
商品推荐模块,用于将基于所述目标标签对应的目标商品推荐给来访客户。
8.如权利要求7所述的跨领域商品的冷启动推荐装置,其特征在于,
领域标签获取模块,用于获取携带源领域属性的源标签和携带目标领域属性的目标标签;
专有标签提取模块,用于提取所述源标签与所述目标标签中共有的专有标签;
关联模块,用于将所述源标签与所述目标标签之间对应的专有标签进行关联,以实现源标签与目标标签之间的关联。
9.一种电子设备,其特征在于,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如权利要求1至6中任一项所述的跨领域商品的冷启动推荐方法中的步骤。
10.一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上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述的跨领域商品的冷启动推荐方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911054644.8A CN112750004B (zh) | 2019-10-31 | 2019-10-31 | 一种跨领域商品的冷启动推荐方法、装置和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911054644.8A CN112750004B (zh) | 2019-10-31 | 2019-10-31 | 一种跨领域商品的冷启动推荐方法、装置和电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112750004A true CN112750004A (zh) | 2021-05-04 |
CN112750004B CN112750004B (zh) | 2024-08-02 |
Family
ID=75645432
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911054644.8A Active CN112750004B (zh) | 2019-10-31 | 2019-10-31 | 一种跨领域商品的冷启动推荐方法、装置和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112750004B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116629983A (zh) * | 2023-07-24 | 2023-08-22 | 成都晓多科技有限公司 | 基于用户偏好的跨领域商品推荐方法及系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102129444A (zh) * | 2010-01-12 | 2011-07-20 | 索尼公司 | 信息处理装置、信息处理方法和程序 |
US20150012345A1 (en) * | 2013-06-21 | 2015-01-08 | Thomson Licensing | Method for cold start of a multi-armed bandit in a recommender system |
CN106484764A (zh) * | 2016-08-30 | 2017-03-08 | 江苏名通信息科技有限公司 | 基于人群画像技术的用户相似度计算方法 |
WO2017121244A1 (zh) * | 2016-01-12 | 2017-07-20 | 腾讯科技(深圳)有限公司 | 信息推荐方法、系统以及存储介质 |
CN107239993A (zh) * | 2017-05-24 | 2017-10-10 | 海南大学 | 一种基于拓展标签的矩阵分解推荐方法及系统 |
US20190066186A1 (en) * | 2017-08-24 | 2019-02-28 | Artivatic Data Labs Private Limited | Cross domain recommendation system and method |
CN109523341A (zh) * | 2018-10-12 | 2019-03-26 | 广西师范大学 | 基于区块链技术的匿名跨域推荐方法 |
CN109636497A (zh) * | 2018-10-26 | 2019-04-16 | 平安科技(深圳)有限公司 | 一种产品推荐方法和装置 |
CN110110206A (zh) * | 2018-01-17 | 2019-08-09 | 阿里巴巴集团控股有限公司 | 物品间关系挖掘及推荐方法、装置、计算设备、存储介质 |
CN110232153A (zh) * | 2019-05-29 | 2019-09-13 | 华南理工大学 | 一种基于内容的跨领域推荐方法 |
-
2019
- 2019-10-31 CN CN201911054644.8A patent/CN112750004B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102129444A (zh) * | 2010-01-12 | 2011-07-20 | 索尼公司 | 信息处理装置、信息处理方法和程序 |
US20150012345A1 (en) * | 2013-06-21 | 2015-01-08 | Thomson Licensing | Method for cold start of a multi-armed bandit in a recommender system |
WO2017121244A1 (zh) * | 2016-01-12 | 2017-07-20 | 腾讯科技(深圳)有限公司 | 信息推荐方法、系统以及存储介质 |
CN106484764A (zh) * | 2016-08-30 | 2017-03-08 | 江苏名通信息科技有限公司 | 基于人群画像技术的用户相似度计算方法 |
CN107239993A (zh) * | 2017-05-24 | 2017-10-10 | 海南大学 | 一种基于拓展标签的矩阵分解推荐方法及系统 |
US20190066186A1 (en) * | 2017-08-24 | 2019-02-28 | Artivatic Data Labs Private Limited | Cross domain recommendation system and method |
CN110110206A (zh) * | 2018-01-17 | 2019-08-09 | 阿里巴巴集团控股有限公司 | 物品间关系挖掘及推荐方法、装置、计算设备、存储介质 |
CN109523341A (zh) * | 2018-10-12 | 2019-03-26 | 广西师范大学 | 基于区块链技术的匿名跨域推荐方法 |
CN109636497A (zh) * | 2018-10-26 | 2019-04-16 | 平安科技(深圳)有限公司 | 一种产品推荐方法和装置 |
CN110232153A (zh) * | 2019-05-29 | 2019-09-13 | 华南理工大学 | 一种基于内容的跨领域推荐方法 |
Non-Patent Citations (1)
Title |
---|
崔蓉: "迁移学习在电子商务跨领域推荐中的研究", 《经济与管理科学》, 15 January 2019 (2019-01-15) * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116629983A (zh) * | 2023-07-24 | 2023-08-22 | 成都晓多科技有限公司 | 基于用户偏好的跨领域商品推荐方法及系统 |
CN116629983B (zh) * | 2023-07-24 | 2023-09-22 | 成都晓多科技有限公司 | 基于用户偏好的跨领域商品推荐方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112750004B (zh) | 2024-08-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10747826B2 (en) | Interactive clothes searching in online stores | |
US10083521B1 (en) | Content recommendation based on color match | |
CN102567543B (zh) | 一种服装图片的搜索方法和装置 | |
US10776417B1 (en) | Parts-based visual similarity search | |
CN107833082B (zh) | 一种商品图片的推荐方法和装置 | |
KR101905501B1 (ko) | 컨텐츠를 추천하는 방법 및 장치 | |
KR102115573B1 (ko) | 입력영상데이터 기반 사용자 관심정보 획득방법, 장치 및 프로그램 | |
KR102043440B1 (ko) | 이미지 내 복수의 객체들의 조화에 기반한 조화 검색 방법 및 시스템 | |
KR20200045668A (ko) | 스타일 추천 방법, 장치 및 컴퓨터 프로그램 | |
KR102295459B1 (ko) | 사용자에게 날짜를 이용하여 패션 아이템 추천 서비스를 제공하는 방법 | |
CN114898349A (zh) | 目标商品识别方法及其装置、设备、介质、产品 | |
CN113744019A (zh) | 一种商品推荐方法、装置、设备及存储介质 | |
Rubio et al. | Multi-modal joint embedding for fashion product retrieval | |
KR20220039697A (ko) | 코디네이션 패션 아이템을 추천하는 방법 | |
CN108596646B (zh) | 一种融合人脸属性分析的服装搭配推荐方法 | |
CN112750004B (zh) | 一种跨领域商品的冷启动推荐方法、装置和电子设备 | |
Lasserre et al. | Street2fashion2shop: Enabling visual search in fashion e-commerce using studio images | |
CN113034237A (zh) | 服饰套装推荐系统与方法 | |
KR102271090B1 (ko) | 사용자에게 캘린더 데이터를 이용하여 패션 아이템 추천 서비스를 제공하는 방법 | |
KR20200141387A (ko) | 딥러닝 알고리즘을 이용한 영상데이터 검색방법, 장치 및 프로그램 | |
US20210256588A1 (en) | System, method, and computer program product for determining compatibility between items in images | |
Lodkaew et al. | Fashion finder: A system for locating online stores on instagram from product images | |
KR102062248B1 (ko) | 온라인 신문기사의 아티클 이미지를 분석하여 매칭되는 커머셜 이미지를 노출하는 방법 | |
KR20200084647A (ko) | 사용자에게 날짜를 이용하여 패션 아이템 추천 서비스를 제공하는 방법 | |
US20220100792A1 (en) | Method, device, and program for retrieving image data by using deep learning algorithm |
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 |