CN112837106A - 商品推荐方法、装置、计算机设备 - Google Patents
商品推荐方法、装置、计算机设备 Download PDFInfo
- Publication number
- CN112837106A CN112837106A CN201911153286.6A CN201911153286A CN112837106A CN 112837106 A CN112837106 A CN 112837106A CN 201911153286 A CN201911153286 A CN 201911153286A CN 112837106 A CN112837106 A CN 112837106A
- Authority
- CN
- China
- Prior art keywords
- commodity
- target user
- information flow
- information
- flow label
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
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
Abstract
本发明公开了一种商品推荐方法、装置、计算机设备及可读存储介质,属于数据处理技术领域。本发明的商品推荐方法包括:获取目标用户浏览信息流的第一历史行为数据,所述信息流携带有信息流标签;根据所述第一历史行为数据计算所述目标用户对各个信息流标签的兴趣度;根据所述目标用户的基础信息、所述目标用户对各个信息流标签的兴趣度、信息流标签与商品的映射关系、商品的基础信息以及所述目标用户浏览商品的第二历史行为数据,采用预先训练好的商品推荐模型获取所述目标用户感兴趣的商品序列;将所述商品序列中的商品推荐给所述目标用户。本发明对于没有点击、搜索、购买历史等信息的新用户,可以准确的推荐商品。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种商品推荐方法、装置、计算机设备。
背景技术
随着互联网技术的发展,越来越多的用户选择在网上浏览、挑选或者购买自己需要的商品。然而,随着商品数目和种类的增多,用户往往需要花费大量的时间才能找到自己需要的商品。为了解决这个问题,各个电商平台都不同程度地采用各种形式的推荐技术向用户进行商品推荐。现有的推荐方法是主要是使用用户在平台中的浏览,点击,搜索,购买等记录,以及用户自身的年龄,性别,活跃城市,消费等级等用户自身信息,以及商品的点击数,销售量,上架时间等商品的本身属性来进行商品的个性化推荐。
然而,现有的推荐方法对于新用户存在冷启动问题,即现有方法中主要依靠的信息是用户的点击搜索购买历史等,但是对于没有这些信息的新用户,现有的方法无法准确的作出推荐。
发明内容
有鉴于此,现提供一种商品推荐方法、装置、计算机设备及计算机可读存储介质,以解决现有推荐方法对于没有点击、搜索、购买历史等信息的新用户,无法准确的作出推荐的问题。
本发明提供了一种商品推荐方法,包括:
获取目标用户浏览信息流的第一历史行为数据,所述信息流携带有信息流标签;
根据所述第一历史行为数据计算所述目标用户对各个信息流标签的兴趣度;
根据所述目标用户的基础信息、所述目标用户对各个信息流标签的兴趣度、信息流标签与商品的映射关系、商品的基础信息以及所述目标用户浏览商品的第二历史行为数据,采用预先训练好的商品推荐模型获取所述目标用户感兴趣的商品序列;
将所述商品序列中的商品推荐给所述目标用户。
可选地,所述商品推荐方法还包括:
建立信息流标签与商品的映射关系。
可选地,所述建立信息流标签与商品的映射关系包括:
获取当前商品的标签数据;
在所有的信息流标签中查找是否存在与所述标签数据相匹配的信息流标签;
若存在,则将查找到的信息流标签与所述当前商品进行映射。
可选地,所述根据所述目标用户的基础信息、所述目标用户对各个信息流标签的兴趣度、信息流标签与商品的映射关系、商品的基础信息以及所述目标用户浏览商品的第二历史行为数据,采用预先训练好的商品推荐模型获取所述目标用户感兴趣的商品序列包括:
针对每一个可推荐的商品,采用所述商品推荐模型,以所述目标用户的基础信息、所述目标用户对各个信息流标签的兴趣度、信息流标签与商品的映射关系、所述可推荐商品的基础信息以及所述目标用户浏览商品的第二历史行为数据作为输入,计算所述目标用户对所述可推荐商品感兴趣的概率;
选取概率值大于预设阈值所对应的可推荐商品作为所述目标用户感兴趣的商品,并将所有选取到的可推荐商品组成所述商品序列。
可选地,所述商品推荐模型采用如下方式生成:
采用机器学习算法,以用户基础信息、用户浏览信息流的历史行为数据、信息流标签与商品的映射关系、商品的基础信息以及用户浏览商品的历史行为数据作为训练集数据,建立所述商品推荐模型,所述商品推荐模型用于根据用户的浏览行为预测用户对商品感兴趣的概率。
可选地,所述目标用户的基础信息包括:用户标识、性别、年龄、消费等级和常住地址;
所述商品的基础信息包括商品类型、商品名称、商品标签数据和商品热度信息。
本发明还提供了一种商品推荐装置,包括:
第一获取模块,用于获取目标用户浏览信息流的第一历史行为数据,所述信息流携带有信息流标签;
计算模块,用于根据所述第一历史行为数据计算所述目标用户对各个信息流标签的兴趣度;
第二获取模块,用于根据所述目标用户的基础信息、所述目标用户对各个信息流标签的兴趣度、信息流标签与商品的映射关系、商品的基础信息以及所述目标用户浏览商品的第二历史行为数据,采用预先训练好的商品推荐模型获取所述目标用户感兴趣的商品序列;
推荐模块,用于将所述商品序列中的商品推荐给所述目标用户。
可选地,所述第二获取模块,还用于针对每一个可推荐的商品,采用所述商品推荐模型,以所述目标用户的基础信息、所述目标用户对各个信息流标签的兴趣度、信息流标签与商品的映射关系、所述可推荐商品的基础信息以及所述目标用户浏览商品的第二历史行为数据作为输入,计算所述目标用户对所述可推荐商品感兴趣的概率;以及用于选取概率值排在前N位所对应的可推荐商品作为所述目标用户感兴趣的商品,并将所有选取到的可推荐商品组成所述商品序列,其中N为大于或者等于1的整数。
本发明还提供了一种计算机设备,所述计算机设备,包括存储器、处理器以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方法的步骤。
本发明还提供了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实现上述方法的步骤。
上述技术方案的有益效果:
本发明实施例中,通过获取目标用户浏览信息流的第一历史行为数据,所述信息流携带有信息流标签;根据所述第一历史行为数据计算所述目标用户对各个信息流标签的兴趣度;根据所述目标用户的基础信息、所述目标用户对各个信息流标签的兴趣度、信息流标签与商品的映射关系、商品的基础信息以及所述目标用户浏览商品的第二历史行为数据,采用预先训练好的商品推荐模型获取所述目标用户感兴趣的商品序列;将所述商品序列中的商品推荐给所述目标用户。采用本发明实施的商品推荐方法,从用户在浏览信息流的行为记录中挖掘用户兴趣,并结合用户浏览商品的行为数据来挖掘用户兴趣,从而可以更加精准的挖掘出用户兴趣,进而可以使得商品的推荐更加准确。同时,对于不存在浏览商品的行为数据的新用户时,可以根据用户在浏览信息流的行为记录来实现准确的商品推荐,进而解决新用户的冷启动问题。
附图说明
图1为本发明所述商品推荐的系统框架图的一种实施例的框架图;
图2为本发明所述的商品推荐方法的一种实施例的流程图;
图3为本发明一实施方式中建立信息流标签与商品的映射关系的步骤细化流程图;
图4为本发明一实施方式中根据所述目标用户的基础信息、所述目标用户对各个信息流标签的兴趣度、信息流标签与商品的映射关系、商品的基础信息以及所述目标用户浏览商品的第二历史行为数据,采用预先训练好的商品推荐模型获取所述目标用户感兴趣的商品序列的步骤细化流程图;
图5为本发明所述的商品推荐装置的一种实施例的模块图;
图6为本发明实施例提供的执行商品推荐方法的计算机设备的硬件结构示意图。
具体实施方式
以下结合附图与具体实施例进一步阐述本发明的优点。
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。
在本公开使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本公开。在本公开和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本公开可能采用术语第一、第二、第三等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本公开范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
在本发明的描述中,需要理解的是,步骤前的数字标号并不标识执行步骤的前后顺序,仅用于方便描述本发明及区别每一步骤,因此不能理解为对本发明的限制。
图1示意性示出了根据本申请实施例的商品推荐方法的应用环境示意图。在示例性的实施例中,该应用环境的系统可包括用户终端10、后台服务器20。其中,用户终端10与后台服务器20形成无线或有线连接,且用户终端10具有相应的应用客户端或网页客户端。其中,用户终端10可以为PC、手机、iPAD,平板电脑、笔记本电脑、个人数字助理等。后台服务器20可以为机架式服务器、刀片式服务器、塔式服务器或机柜式服务器(包括独立的服务器,或者多个服务器所组成的服务器集群)等。
参阅图2,其为本发明一实施例的商品推荐方法的流程示意图。可以理解,本方法实施例中的流程图不用于对执行步骤的顺序进行限定。下面以服务器为执行主体进行示例性描述,从图中可以看出,本实施例中所提供的商品推荐方法包括:
步骤S20、获取目标用户浏览信息流的第一历史行为数据,所述信息流携带有信息流标签。
具体地,所述信息流为视频或者文章。所述第一历史行为数据包括目标用户对视频或文章的搜索、点赞、评论、观看以及观看时长等行为数据。目标用户浏览的每一个信息流都携带有信息流标签。所述信息流标签指的是视频或者文章上所带的标签。比如,b站有某个视频稿件,内容是火影忍者战斗的精彩剪辑,里面包含了鸣人,佐助等角色,那么该视频稿件的信息流标签就是鸣人、佐助等,该信息流标签是用户在上传视频时为该视频稿件填写的相关描述,经过b站工作人员审核之后就会成为视频稿件的信息流标签。又比如,b站有某个文章稿件,内容是关于:“三代火影猿飞日斩牺牲后,为什么自来也拒绝成为五代火影”,那么该文章的信息流标签为动漫、火影忍者、自来也等,该信息流标签也是用户在上传文章稿件时为该文章稿件填写的相关描述,经过b站工作人员审核之后就会成为文章稿件的信息流标签。
需要说明的是,该第一历史行为数据可以为在对目标用户进行推荐商品的时刻之前,目标用户浏览信息流所产生的所有行为数据,也可以为在目标用户进行推荐商品的时刻之前,目标用户在一预设时间段浏览信息流所产生的行为数据,比如30天前的行为数据,或者90天前的行为数据等。该目标用户为当前待推荐商品的用户。
步骤S21,根据所述第一历史行为数据计算所述目标用户对各个信息流标签的兴趣度。
具体地,目标用户对各个信息流标签的兴趣度为目标用户对信息流标签对应的视频或者文章感兴趣的概率值。在计算时,首先需要统计目标用户对各个信息流标签对应的各种行为的数量,然后采用预设的兴趣度计算算法计算得到目标用户对各个信息流标签的兴趣度。在本实施例中,该兴趣度计算算法为现有的兴趣度计算算法,在本实施例中不再赘述。
在一实施方式中,在根据所述第一历史行为数据计算所述目标用户对各个信息流标签的兴趣度时,可以对目标用户不同的行为数据分配不同的权重值,比如为目标用户的观看行为分配一个较低的权重值,为目标用户的特殊行为分配一个较高的权重值,比如目标用户的收藏,投币,点赞评论行为。具体的计算算法可以采用现有的兴趣度计算算法,在本实施例中不再赘述。此外,为了获得更加准确的兴趣度值,在计算过程中,可以遵循长短期相结合的原则,即目标用户的各个行为数据的权重会随着时间衰减,比如昨天看过的视频获得的权重会比一年前看过的视频所获得的标签权重高。
步骤S22,根据所述目标用户的基础信息、所述目标用户对各个信息流标签的兴趣度、信息流标签与商品的映射关系、商品的基础信息以及所述目标用户浏览商品的第二历史行为数据,采用预先训练好的商品推荐模型获取所述目标用户感兴趣的商品序列。
具体地,所述目标用户的基础信息包括:用户标识、性别、年龄、消费等级和常住地址等,所述用户标识为用于区别各个用户身份的标识信息,所述消费等级为用于指明用户消费水平的信息,不同段的消费水平区间对应的消费等级不同,所述常住地址为用户经常居所地的地址。
所述信息流标签与商品的映射关系指的是将信息流标签与商品进行关联,该映射关系是预先建立好的,即在根据所述目标用户的基础信息、所述目标用户对各个信息流标签的兴趣度、信息流标签与商品的映射关系、商品的基础信息以及所述目标用户浏览商品的第二历史行为数据,采用预先训练好的商品推荐模型获取所述目标用户感兴趣的商品序列的步骤之前,还包括步骤:
建立信息流标签与商品的映射关系。
具体地,可以采用人工标注,统计学相关性计算以及自编码器等方法来建立信息流标签与商品的映射关系。
其中,人工标注的方法指的是用户手动将某个信息流标签与商品关联起来,比如,用户知道某个手办商品就是鸣人这个角色的,而且存在一个信息流标签就是“鸣人”,那么用户就可以人工的将“鸣人”这个信息流标签与当前商品关联起来。
统计学相关性计算方法指的是通过统计计算带信息流标签A的用户对p商品的点击率,和不带信息流标签A的用户对A商品的点击率,利用比较统计得到的两个点击率的差值,若差值大于预设值,则可以判断信息流标签A与p商品具有很强的关联性,从而可以将信息流标签A与p商品关联起来。
自编码器的方法指的是通过构建一个只有一层隐层的神经网络,然后给该神经网络输入训练样本数据(包含信息流标签)对该神经网络进行训练,通过不断优化编码器参数,直到使得输入信息流标签之后输出的商品与历史样本数据尽可能匹配为止,就可以完成对该神经网络的训练。通过该训练好的神经网络模型可以得到每一个信息流标签对应的商品,然后将该商品与对应的信息流标签关联起来。
在一实施方式中,参照图3,所述建立信息流标签与商品的映射关系包括:
步骤S30,获取当前商品的标签数据。
具体地,所述当前商品为商品库中的当前一个待建立与信息流标签的映射关系的商品,该标签数据为商品的描述信息,比如新上架一个xx厂出产的火影忍者鸣人的粘土人手办,那么他的标签就是火影,鸣人,xx厂出品,粘土人等。
步骤S31,在所有的信息流标签中查找是否存在与所述标签数据相匹配的信息流标签。
具体地,在获取到当前商品的标签数据之后,将该标签数据依次与数据库中的所有信息流标签进行匹配,以便查找到与该标签数据匹配的信息流标签。其中,标签数据与信息流标签匹配指的是所述标签数据中包含有所述信息流标签。
步骤S32,若存在,则将查找到的信息流标签与所述当前商品进行映射。
具体地,在查找到与该标签数据匹配的信息流标签之后,即可以将该查找到的信息流标签与所述当前商品进行映射。当未查找到与该标签数据匹配的信息流标签,则不对该当前商品进行映射。
在完成当前商品的映射之后,依次对商品库中的下一个商品进行映射,直到完成所有商品的映射为止。
本发明实施例通过对商品与信息流标签进行映射,从而可以找到商品与信息流标签之间的关联关系,从而可以在进行商品推荐时参照该映射关系,以便可以更加准确地为用户进行商品推荐。
所述商品的基础信息包括商品类型、商品名称、商品标签数据和商品热度信息等,其中,所述商品的标签数据为对该商品的描述,比如新上架一个xx厂出产的火影忍者鸣人的粘土人手办,那么他的标签就是火影,鸣人,xx厂出品,粘土人等;商品的热度信息包括用户对该商品的点击量,商品的销售量等。
所述第二历史行为数据包括目标用户对商品的点击,购买,收藏,搜索,评论等行为数据。
需要说明的是,该第二历史行为数据也可以为在对目标用户进行推荐商品的时刻之前,目标用户浏览商品所产生的所有行为数据,也可以为在目标用户进行推荐商品的时刻之前,目标用户在一预设时间段浏览商品所产生的行为数据,比如30天前的行为数据,或者90天前的行为数据等。
所述商品推荐模型是预先采用机器学习算法,以用户基础信息、用户浏览信息流的历史行为数据、信息流标签与商品的映射关系、商品的基础信息以及用户浏览商品的历史行为数据作为训练集数据,建立所述商品推荐模型,然后通过输入的训练集数据对该商品推荐模型进行训练,从而不断调整该商品推荐模型中的损失函数,直到该损失函数收敛,结束训练,得到最终的商品推荐模型,该最终得到的商品推荐模型即可以根据用户的浏览行为预测用户对商品感兴趣的概率。其中,该训练集数据中包括多个训练样本,每一个训练样本都包括一个用户的基础信息、用户浏览信息流的历史行为数据、信息流标签与商品的映射关系、商品的基础信息以及用户浏览商品的历史行为数据。其中,所述机器学习算法可以为逻辑回归算法(Logistic Regression算法,LR算法),也可以为深度神经网络算法,比如DNN(Deep Neural Networks)算法,在本实施例中不作限定。
在得到商品推荐模型之后,将目标用户的基础信息、所述目标用户对各个信息流标签的兴趣度、信息流标签与商品的映射关系、商品的基础信息以及所述目标用户浏览商品的第二历史行为数据输入至该商品推荐模型之后,即可以得到该目标用户感兴趣的商品序列。
在一实施方式中,参照图4,所述根据所述目标用户的基础信息、所述目标用户对各个信息流标签的兴趣度、信息流标签与商品的映射关系、商品的基础信息以及所述目标用户浏览商品的第二历史行为数据,采用预先训练好的商品推荐模型获取所述目标用户感兴趣的商品序列包括:
步骤S40,针对每一个可推荐的商品,采用所述商品推荐模型,以所述目标用户的基础信息、所述目标用户对各个信息流标签的兴趣度、信息流标签与商品的映射关系、所述可推荐商品的基础信息以及所述目标用户浏览商品的第二历史行为数据作为输入,计算所述目标用户对所述可推荐商品感兴趣的概率。
具体地,对于商品库中的每一个可推荐的商品,将目标用户的基础信息、所述目标用户对各个信息流标签的兴趣度、信息流标签与商品的映射关系以及该可推荐商品的基础信息以及所述目标用户浏览商品的第二历史行为数据作为输入数据输入至所述商品推荐模型中,以便通过该商品推荐模型计算出目标用户对该可推荐商品感兴趣的概率。当完成目标用户对当前可推荐商品的感兴趣概率计算时,再次计算目标用户对下一个可推荐商品的感兴趣概率,直到完成目标用户对商品库中的所有可推荐商品的感兴趣概率计算,从而可以得到目标用户对商品库中的所有可推荐商品感兴趣的概率,比如,计算得到的概率依次为0.2、0.3、0.1、0.8、0.9、0.4等。
步骤S41,选取概率值排在前N位所对应的可推荐商品作为所述目标用户感兴趣的商品,并将所有选取到的可推荐商品组成所述商品序列,其中N为大于或者等于1的整数。
具体地,在计算得到目标用户对商品库中所有的可推荐商品感兴趣的概率时,按照所述目标用户对所有选取到的可推荐商品对应的概率从大到小的顺序进行排列,从中找到概率值排在前N对应的可推荐商品,然后将找到的可推荐商品组成商品序列。其中,所述N的值可以根据实际应用场景进行设定,比如该N值设定为N=9,在本发明其他实施方式中,该N的值也可以为其他值,比如N=5,在本实施例中不作限定。需要说明的是,商品序列中的各个商品是按照概率值的大小进行排列好的。
本发明实施例中,通过计算得到目标用户对商品库中的所有可推荐商品感兴趣的概率后,从中选中概率值排在前N位所对应可推荐商品组成商品序列,从而可以从中挑选出目标用户更感兴趣的商品,提高推荐的准确率。
步骤S23,将所述商品序列中的商品推荐给所述目标用户。
具体地,在得到目标用户感兴趣的商品序列之后,即可以将该商品序列中的所有商品或者部分商品推荐给所述目标用户。
在本发明实施例中,通过获取目标用户浏览信息流的第一历史行为数据,所述信息流携带有信息流标签;根据所述第一历史行为数据计算所述目标用户对各个信息流标签的兴趣度;根据所述目标用户的基础信息、所述目标用户对各个信息流标签的兴趣度、信息流标签与商品的映射关系、商品的基础信息以及所述目标用户浏览商品的第二历史行为数据,采用预先训练好的商品推荐模型获取所述目标用户感兴趣的商品序列;将所述商品序列中的商品推荐给所述目标用户。采用本发明实施的商品推荐方法,从用户在浏览信息流的行为记录中挖掘用户兴趣,并结合用户浏览商品的行为数据来挖掘用户兴趣,从而可以更加精准的挖掘出用户兴趣,进而可以使得商品的推荐更加准确。同时,对于不存在浏览商品的行为数据的新用户时,可以根据用户在浏览信息流的行为记录来实现准确的商品推荐,进而解决新用户的冷启动问题。
参阅图5所示,是本发明商品推荐装置500一实施例的程序模块图。
本实施例中,所述商品推荐装置500包括一系列的存储于存储器上的计算机程序指令,当该计算机程序指令被处理器执行时,可以实现本发明各实施例的商品推荐功能。在一些实施例中,基于该计算机程序指令各部分所实现的特定的操作,商品推荐装置500可以被划分为一个或多个模块。例如,在图5中,所述商品推荐装置500可以被分割成第一获取模块501、计算模块502、第二获取模块503及推荐模块504。其中:
第一获取模块501,用于获取目标用户浏览信息流的第一历史行为数据,所述信息流携带有信息流标签。
具体地,所述信息流为视频或者文章。所述第一历史行为数据包括目标用户对视频或文章的搜索、点赞、评论、观看以及观看时长等行为数据。目标用户浏览的每一个信息流都携带有信息流标签。所述信息流标签指的是视频或者文章上所带的标签。比如,b站有某个视频稿件,内容是火影忍者战斗的精彩剪辑,里面包含了鸣人,佐助等角色,那么该视频稿件的信息流标签就是鸣人、佐助等,该信息流标签是用户在上传视频时为该视频稿件填写的相关描述,经过b站工作人员审核之后就会成为视频稿件的信息流标签。又比如,b站有某个文章稿件,内容是关于:“三代火影猿飞日斩牺牲后,为什么自来也拒绝成为五代火影”,那么该文章的信息流标签为动漫、火影忍者、自来也等,该信息流标签也是用户在上传文章稿件时为该文章稿件填写的相关描述,经过b站工作人员审核之后就会成为文章稿件的信息流标签。
需要说明的是,该第一历史行为数据可以为在对目标用户进行推荐商品的时刻之前,目标用户浏览信息流所产生的所有行为数据,也可以为在目标用户进行推荐商品的时刻之前,目标用户在一预设时间段浏览信息流所产生的行为数据,比如30天前的行为数据,或者90天前的行为数据等。该目标用户为当前待推荐商品的用户。
所述计算模块502,用于根据所述第一历史行为数据计算所述目标用户对各个信息流标签的兴趣度。
具体地,目标用户对各个信息流标签的兴趣度为目标用户对信息流标签对应的视频或者文章感兴趣的概率值。在计算时,首先需要统计目标用户对各个信息流标签对应的各种行为的数量,然后采用预设的兴趣度计算算法计算得到目标用户对各个信息流标签的兴趣度。在本实施例中,该兴趣度计算算法为现有的兴趣度计算算法,在本实施例中不再赘述。
在一实施方式中,在根据所述第一历史行为数据计算所述目标用户对各个信息流标签的兴趣度时,可以对目标用户不同的行为数据分配不同的权重值,比如为目标用户的观看行为分配一个较低的权重值,为目标用户的特殊行为分配一个较高的权重值,比如目标用户的收藏,投币,点赞评论行为。具体的计算算法可以采用现有的兴趣度计算算法,在本实施例中不再赘述。此外,为了获得更加准确的兴趣度值,在计算过程中,可以遵循长短期相结合的原则,即目标用户的各个行为数据的权重会随着时间衰减,比如昨天看过的视频获得的权重会比一年前看过的视频所获得的标签权重高。
第二获取模块503,用于根据所述目标用户的基础信息、所述目标用户对各个信息流标签的兴趣度、信息流标签与商品的映射关系、商品的基础信息以及所述目标用户浏览商品的第二历史行为数据,采用预先训练好的商品推荐模型获取所述目标用户感兴趣的商品序列。
具体地,所述目标用户的基础信息包括:用户标识、性别、年龄、消费等级和常住地址,所述用户标识为用于区别各个用户身份的标识信息,所述消费等级为用于指明用户消费水平的信息,不同段的消费水平区间对应的消费等级不同,所述常住地址为用户经常居所地的地址。
所述信息流标签与商品的映射关系指的是将信息流标签与商品进行关联,该映射关系是预先建立好的,即在一实施方式中,所述商品推荐装置还包括:建立模块。
所述建立模块,用于建立信息流标签与商品的映射关系。
具体地,可以采用人工标注,统计学相关性计算以及自编码器等方法来建立信息流标签与商品的映射关系。
其中,人工标注的方法指的是用户手动将某个信息流标签与商品关联起来,比如,用户知道某个手办商品就是鸣人这个角色的,而且存在一个信息流标签就是“鸣人”,那么用户就可以人工的将“鸣人”这个信息流标签与当前商品关联起来。
统计学相关性计算方法指的是通过统计计算带信息流标签A的用户对p商品的点击率,和不带信息流标签A的用户对A商品的点击率,利用比较统计得到的两个点击率的差值,若差值大于预设值,则可以判断信息流标签A与p商品具有很强的关联性,从而可以将信息流标签A与p商品关联起来。
自编码器的方法指的是通过构建一个只有一层隐层的神经网络,然后给该神经网络输入训练样本数据(包含信息流标签)对该神经网络进行训练,通过不断优化编码器参数,直到使得输入信息流标签之后输出的商品与历史样本数据尽可能匹配为止,就可以完成对该神经网络的训练。通过该训练好的神经网络模型可以得到每一个信息流标签对应的商品,然后将该商品与对应的信息流标签关联起来。
在一实施方式中,所述建立模块,还用于获取当前商品的标签数据。
具体地,所述当前商品为商品库中的当前一个待建立与信息流标签的映射关系的商品,该标签数据为商品的描述信息,比如新上架一个xx厂出产的火影忍者鸣人的粘土人手办,那么他的标签就是火影,鸣人,xx厂出品,粘土人等。
所述建立模块,还用于在所有的信息流标签中查找是否存在与所述标签数据相匹配的信息流标签。
具体地,在获取到当前商品的标签数据之后,将该标签数据依次与数据库中的所有信息流标签进行匹配,以便查找到与该标签数据匹配的信息流标签。其中,标签数据与信息流标签匹配指的是所述标签数据中包含有所述信息流标签。
所述建立模块,还用于若存在与所述标签数据相匹配的信息流标签,则将查找到的信息流标签与所述当前商品进行映射。
具体地,在查找到与该标签数据匹配的信息流标签之后,即可以将该查找到的信息流标签与所述当前商品进行映射。当未查找到与该标签数据匹配的信息流标签,则不对该当前商品进行映射。
在完成当前商品的映射之后,依次对商品库中的下一个商品进行映射,直到完成所有商品的映射为止。
本发明实施例通过对商品与信息流标签进行映射,从而可以找到商品与信息流标签之间的关联关系,从而可以在进行商品推荐时参照该映射关系,以便可以更加准确地为用户进行商品推荐。
所述商品的基础信息包括商品类型、商品名称、商品标签数据和商品热度信息,其中,所述商品的标签数据为对该商品的描述,比如新上架一个xx厂出产的火影忍者鸣人的粘土人手办,那么他的标签就是火影,鸣人,xx厂出品,粘土人等;商品的热度信息包括用户对该商品的点击量,商品的销售量等。
所述第二历史行为数据包括目标用户对商品的点击,购买,收藏,搜索,评论等行为数据。
需要说明的是,该第二历史行为数据也可以为在对目标用户进行推荐商品的时刻之前,目标用户浏览商品所产生的所有行为数据,也可以为在目标用户进行推荐商品的时刻之前,目标用户在一预设时间段浏览商品所产生的行为数据,比如30天前的行为数据,或者90天前的行为数据等。
所述商品推荐模型是预先采用机器学习算法,以用户基础信息、用户浏览信息流的历史行为数据、信息流标签与商品的映射关系、商品的基础信息以及用户浏览商品的历史行为数据作为训练集数据,建立所述商品推荐模型,然后通过输入的训练集数据对该商品推荐模型进行训练,从而不断调整该商品推荐模型中的损失函数,直到该损失函数收敛,结束训练,得到最终的商品推荐模型,该最终得到的商品推荐模型即可以根据用户的浏览行为预测用户对商品感兴趣的概率。其中,该训练集数据中包括多个训练样本,每一个训练样本都包括一个用户的基础信息、用户浏览信息流的历史行为数据、信息流标签与商品的映射关系、商品的基础信息以及用户浏览商品的历史行为数据。其中,所述机器学习算法可以为逻辑回归算法(Logistic Regression算法,LR算法),也可以为深度神经网络算法,比如DNN(Deep Neural Networks)算法,在本实施例中不作限定。
在得到商品推荐模型之后,将目标用户的基础信息、所述目标用户对各个信息流标签的兴趣度、信息流标签与商品的映射关系、商品的基础信息以及所述目标用户浏览商品的第二历史行为数据输入至该商品推荐模型之后,即可以得到该目标用户感兴趣的商品序列。
在一实施方式中,所述第二获取模块503,还用于针对每一个可推荐的商品,采用所述商品推荐模型,以所述目标用户的基础信息、所述目标用户对各个信息流标签的兴趣度、信息流标签与商品的映射关系、所述可推荐商品的基础信息以及所述目标用户浏览商品的第二历史行为数据作为输入,计算所述目标用户对所述可推荐商品感兴趣的概率。
具体地,对于商品库中的每一个可推荐的商品,将目标用户的基础信息、所述目标用户对各个信息流标签的兴趣度、信息流标签与商品的映射关系以及该可推荐商品的基础信息以及所述目标用户浏览商品的第二历史行为数据作为输入数据输入至所述商品推荐模型中,以便通过该商品推荐模型计算出目标用户对该可推荐商品感兴趣的概率。当完成目标用户对当前可推荐商品的感兴趣概率计算时,再次计算目标用户对下一个可推荐商品的感兴趣概率,直到完成目标用户对商品库中的所有可推荐商品的感兴趣概率计算,从而可以得到目标用户对商品库中的所有可推荐商品感兴趣的概率,比如,计算得到的概率依次为0.2、0.3、0.1、0.8、0.9、0.4等。
所述第二获取模块503,还用于选取概率值排在前N位所对应的可推荐商品作为所述目标用户感兴趣的商品,并将所有选取到的可推荐商品组成所述商品序列,其中N为大于或者等于1的整数。
具体地,在计算得到目标用户对商品库中所有的可推荐商品感兴趣的概率时,按照所述目标用户对所有选取到的可推荐商品对应的概率从大到小的顺序进行排列,从中找到概率值排在前N对应的可推荐商品,然后将找到的可推荐商品组成商品序列。其中,所述N的值可以根据实际应用场景进行设定,比如该N值设定为N=9,在本发明其他实施方式中,该N的值也可以为其他值,比如N=5,在本实施例中不作限定。需要说明的是,商品序列中的各个商品是按照概率值的大小进行排列好的。
本发明实施例中,通过计算得到目标用户对商品库中的所有可推荐商品感兴趣的概率后,从中选中概率值排在前N位所对应可推荐商品组成商品序列,从而可以从中挑选出目标用户更感兴趣的商品,提高推荐的准确率。
所述推荐模块503,用于将所述商品序列中的商品推荐给所述目标用户。
具体地,在得到目标用户感兴趣的商品序列之后,即可以将该集合中的所有商品或者部分商品推荐给所述目标用户。
在本发明实施例中,通过获取目标用户浏览信息流的第一历史行为数据,所述信息流携带有信息流标签;根据所述第一历史行为数据计算所述目标用户对各个信息流标签的兴趣度;根据所述目标用户的基础信息、所述目标用户对各个信息流标签的兴趣度、信息流标签与商品的映射关系、商品的基础信息以及所述目标用户浏览商品的第二历史行为数据,采用预先训练好的商品推荐模型获取所述目标用户感兴趣的商品序列;将所述商品序列中的商品推荐给所述目标用户。采用本发明实施的商品推荐方法,从用户在浏览信息流的行为记录中挖掘用户兴趣,并结合用户浏览商品的行为数据来挖掘用户兴趣,从而可以更加精准的挖掘出用户兴趣,进而可以使得商品的推荐更加准确。同时,对于不存在浏览商品的行为数据的新用户时,可以根据用户在浏览信息流的行为记录来实现准确的商品推荐,进而解决新用户的冷启动问题。
图6示意性示出了根据本申请实施例的适于实现商品推荐方法的计算机设备2的硬件架构示意图。本实施例中,计算机设备2是一种能够按照事先设定或者存储的指令,自动进行数值计算和/或信息处理的设备。例如,可以是平板电脑、笔记本电脑、台式计算机、机架式服务器、刀片式服务器、塔式服务器或机柜式服务器(包括独立的服务器,或者多个服务器所组成的服务器集群)等。如图6所示,计算机设备2至少包括但不限于:可通过系统总线相互通信链接存储器601、处理器602、网络接口603。其中:
存储器601至少包括一种类型的计算机可读存储介质,可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中,存储器601可以是计算机设备2的内部存储模块,例如该计算机设备2的硬盘或内存。在另一些实施例中,存储器601也可以是计算机设备2的外部存储设备,例如该计算机设备2上配备的插接式硬盘,智能存储卡(SmartMedia Card,简称为SMC),安全数字(Secure Digital,简称为SD)卡,闪存卡(Flash Card)等。当然,存储器601还可以既包括计算机设备2的内部存储模块也包括其外部存储设备。本实施例中,存储器601通常用于存储安装于计算机设备2的操作系统和各类应用软件,例如商品推荐方法的程序代码等。此外,存储器601还可以用于暂时地存储已经输出或者将要输出的各类数据。
处理器602在一些实施例中可以是中央处理器(Central Processing Unit,简称为CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器602通常用于控制计算机设备2的总体操作,例如执行与计算机设备2进行数据交互或者通信相关的控制和处理等。本实施例中,处理器602用于运行存储器601中存储的程序代码或者处理数据。
网络接口603可包括无线网络接口或有线网络接口,该网络接口603通常用于在计算机设备2与其他计算机设备之间建立通信链接。例如,网络接口603用于通过网络将计算机设备2与外部终端相连,在计算机设备2与外部终端之间的建立数据传输通道和通信链接等。网络可以是企业内部网(Intranet)、互联网(Internet)、全球移动通讯系统(GlobalSystem of Mobile communication,简称为GSM)、宽带码分多址(Wideband Code DivisionMultiple Access,简称为WCDMA)、4G网络、5G网络、蓝牙(Bluetooth)、Wi-Fi等无线或有线网络。
需要指出的是,图6仅示出了具有部件601~603的计算机设备,但是应理解的是,并不要求实施所有示出的部件,可以替代的实施更多或者更少的部件。
在本实施例中,存储于存储器601中的商品推荐方法还可以被分割为一个或者多个程序模块,并由一个或多个处理器(本实施例为处理器602)所执行,以完成本发明。
本申请实施例提供了一种非易失性计算机可读存储介质,计算机可读存储介质其上存储有计算机程序,计算机程序被处理器执行时实现实施例中的商品推荐方法的步骤。
本实施例中,计算机可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中,计算机可读存储介质可以是计算机设备的内部存储单元,例如该计算机设备的硬盘或内存。在另一些实施例中,计算机可读存储介质也可以是计算机设备的外部存储设备,例如该计算机设备上配备的插接式硬盘,智能存储卡(Smart Media Card,简称为SMC),安全数字(Secure Digital,简称为SD)卡,闪存卡(Flash Card)等。当然,计算机可读存储介质还可以既包括计算机设备的内部存储单元也包括其外部存储设备。本实施例中,计算机可读存储介质通常用于存储安装于计算机设备的操作系统和各类应用软件,例如实施例中的商品推荐方法的程序代码等。此外,计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的各类数据。
以上所描述的装置实施例仅仅是示意性的,其中作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到至少两个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本申请实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域普通技术人员可以清楚地了解到各实施方式可借助软件加通用硬件平台的方式来实现,当然也可以通过硬件。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-OnlyMemory,ROM)或随机存储记忆体(RandomAccessMemory,RAM)等。
最后应说明的是:以上各实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述各实施例对本申请进行了详细的说明,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申请各实施例技术方案的范围。
Claims (10)
1.一种商品推荐方法,其特征在于,包括:
获取目标用户浏览信息流的第一历史行为数据,所述信息流携带有信息流标签;
根据所述第一历史行为数据计算所述目标用户对各个信息流标签的兴趣度;
根据所述目标用户的基础信息、所述目标用户对各个信息流标签的兴趣度、信息流标签与商品的映射关系、商品的基础信息以及所述目标用户浏览商品的第二历史行为数据,采用预先训练好的商品推荐模型获取所述目标用户感兴趣的商品序列;
将所述商品序列中的商品推荐给所述目标用户。
2.根据权利要求1所述的商品推荐方法,其特征在于,所述商品推荐方法还包括:
建立信息流标签与商品的映射关系。
3.根据权利要求2所述的商品推荐方法,其特征在于,所述建立信息流标签与商品的映射关系包括:
获取当前商品的标签数据;
在所有的信息流标签中查找是否存在与所述标签数据相匹配的信息流标签;
若存在,则将查找到的信息流标签与所述当前商品进行映射。
4.根据权利要求1所述的商品推荐方法,其特征在于,所述根据所述目标用户的基础信息、所述目标用户对各个信息流标签的兴趣度、信息流标签与商品的映射关系、商品的基础信息以及所述目标用户浏览商品的第二历史行为数据,采用预先训练好的商品推荐模型获取所述目标用户感兴趣的商品序列包括:
针对每一个可推荐的商品,采用所述商品推荐模型,以所述目标用户的基础信息、所述目标用户对各个信息流标签的兴趣度、信息流标签与商品的映射关系、所述可推荐商品的基础信息以及所述目标用户浏览商品的第二历史行为数据作为输入,计算所述目标用户对所述可推荐商品感兴趣的概率;
选取概率值排在前N位所对应的可推荐商品作为所述目标用户感兴趣的商品,并将所有选取到的可推荐商品组成所述商品序列,其中N为大于或者等于1的整数。
5.根据权利要求1所述的商品推荐方法,其特征在于,所述商品推荐模型采用如下方式生成:
采用机器学习算法,以用户基础信息、用户浏览信息流的历史行为数据、信息流标签与商品的映射关系、商品的基础信息以及用户浏览商品的历史行为数据作为训练集数据,建立所述商品推荐模型,所述商品推荐模型用于根据用户的浏览行为预测用户对商品感兴趣的概率。
6.根据权利要求1至5任一项所述的商品推荐方法,其特征在于,所述目标用户的基础信息包括:用户标识、性别、年龄、消费等级和常住地址;
所述商品的基础信息包括商品类型、商品名称、商品标签数据和商品热度信息。
7.一种商品推荐装置,其特征在于,包括:
第一获取模块,用于获取目标用户浏览信息流的第一历史行为数据,所述信息流携带有信息流标签;
计算模块,用于根据所述第一历史行为数据计算所述目标用户对各个信息流标签的兴趣度;
第二获取模块,用于根据所述目标用户的基础信息、所述目标用户对各个信息流标签的兴趣度、信息流标签与商品的映射关系、商品的基础信息以及所述目标用户浏览商品的第二历史行为数据,采用预先训练好的商品推荐模型获取所述目标用户感兴趣的商品序列;
推荐模块,用于将所述商品序列中的商品推荐给所述目标用户。
8.根据权利要求7任一项所述的商品推荐装置,其特征在于,所述第二获取模块,还用于针对每一个可推荐的商品,采用所述商品推荐模型,以所述目标用户的基础信息、所述目标用户对各个信息流标签的兴趣度、信息流标签与商品的映射关系、所述可推荐商品的基础信息以及所述目标用户浏览商品的第二历史行为数据作为输入,计算所述目标用户对所述可推荐商品感兴趣的概率;以及用于选取概率值排在前N位所对应的可推荐商品作为所述目标用户感兴趣的商品,并将所有选取到的可推荐商品组成所述商品序列,其中N为大于或者等于1的整数。
9.一种计算机设备,所述计算机设备,包括存储器、处理器以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权利要求1至6任一项所述的商品推荐方法的步骤。
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实现权利要求1至6任一项所述的商品推荐方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911153286.6A CN112837106A (zh) | 2019-11-22 | 2019-11-22 | 商品推荐方法、装置、计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911153286.6A CN112837106A (zh) | 2019-11-22 | 2019-11-22 | 商品推荐方法、装置、计算机设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112837106A true CN112837106A (zh) | 2021-05-25 |
Family
ID=75921571
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911153286.6A Pending CN112837106A (zh) | 2019-11-22 | 2019-11-22 | 商品推荐方法、装置、计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112837106A (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113269569A (zh) * | 2021-06-10 | 2021-08-17 | 杭州米橙科技有限公司 | 一种基于推广营销的客户定向管理系统 |
CN113327151A (zh) * | 2021-06-03 | 2021-08-31 | 广州华多网络科技有限公司 | 商品对象推荐方法、装置、计算机设备及存储介质 |
CN113360761A (zh) * | 2021-06-11 | 2021-09-07 | 北京百度网讯科技有限公司 | 信息流推荐方法、装置、电子设备和计算机可读存储介质 |
CN113592535A (zh) * | 2021-06-30 | 2021-11-02 | 北京新氧科技有限公司 | 一种广告推荐方法、装置、电子设备和存储介质 |
CN113627995A (zh) * | 2021-09-17 | 2021-11-09 | 广州华多网络科技有限公司 | 商品推荐列表更新方法及其装置、设备、介质、产品 |
CN113706252A (zh) * | 2021-08-30 | 2021-11-26 | 康键信息技术(深圳)有限公司 | 产品推荐方法、装置、电子设备及存储介质 |
CN113807922A (zh) * | 2021-09-18 | 2021-12-17 | 珠海格力电器股份有限公司 | 产品推荐方法、装置、电子设备和存储介质 |
CN113987360A (zh) * | 2021-12-24 | 2022-01-28 | 浙江口碑网络技术有限公司 | 对象推荐方法、装置、电子设备及存储介质 |
CN114936326A (zh) * | 2022-07-20 | 2022-08-23 | 深圳格隆汇信息科技有限公司 | 基于人工智能的信息推荐方法、装置、设备及存储介质 |
CN115049108A (zh) * | 2022-05-20 | 2022-09-13 | 支付宝(杭州)信息技术有限公司 | 多任务模型训练方法、多任务预测方法、相关装置及介质 |
CN116823408A (zh) * | 2023-08-29 | 2023-09-29 | 小舟科技有限公司 | 基于虚拟现实的商品推荐方法、装置、终端及存储介质 |
CN117422528A (zh) * | 2023-11-24 | 2024-01-19 | 久睦本(海南)科技股份有限公司 | 一种基于小程序的商品销售管理方法及系统 |
CN113706252B (zh) * | 2021-08-30 | 2024-05-03 | 康键信息技术(深圳)有限公司 | 产品推荐方法、装置、电子设备及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105469263A (zh) * | 2014-09-24 | 2016-04-06 | 阿里巴巴集团控股有限公司 | 一种商品推荐方法及装置 |
CN105894357A (zh) * | 2016-03-30 | 2016-08-24 | 北京金山安全软件有限公司 | 商品信息推送方法及装置 |
CN106485562A (zh) * | 2015-09-01 | 2017-03-08 | 苏宁云商集团股份有限公司 | 一种基于用户历史行为的商品信息推荐方法及系统 |
CN106934004A (zh) * | 2017-03-07 | 2017-07-07 | 广州优视网络科技有限公司 | 一种基于地域特征向用户推荐文章的方法和装置 |
CN108182621A (zh) * | 2017-12-07 | 2018-06-19 | 合肥美的智能科技有限公司 | 商品推荐方法及商品推荐装置、设备和存储介质 |
CN108665329A (zh) * | 2017-03-29 | 2018-10-16 | 北京京东尚科信息技术有限公司 | 一种基于用户浏览行为的商品推荐方法 |
CN109543111A (zh) * | 2018-11-28 | 2019-03-29 | 广州虎牙信息科技有限公司 | 推荐信息筛选方法、装置、存储介质及服务器 |
-
2019
- 2019-11-22 CN CN201911153286.6A patent/CN112837106A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105469263A (zh) * | 2014-09-24 | 2016-04-06 | 阿里巴巴集团控股有限公司 | 一种商品推荐方法及装置 |
CN106485562A (zh) * | 2015-09-01 | 2017-03-08 | 苏宁云商集团股份有限公司 | 一种基于用户历史行为的商品信息推荐方法及系统 |
CN105894357A (zh) * | 2016-03-30 | 2016-08-24 | 北京金山安全软件有限公司 | 商品信息推送方法及装置 |
CN106934004A (zh) * | 2017-03-07 | 2017-07-07 | 广州优视网络科技有限公司 | 一种基于地域特征向用户推荐文章的方法和装置 |
CN108665329A (zh) * | 2017-03-29 | 2018-10-16 | 北京京东尚科信息技术有限公司 | 一种基于用户浏览行为的商品推荐方法 |
CN108182621A (zh) * | 2017-12-07 | 2018-06-19 | 合肥美的智能科技有限公司 | 商品推荐方法及商品推荐装置、设备和存储介质 |
CN109543111A (zh) * | 2018-11-28 | 2019-03-29 | 广州虎牙信息科技有限公司 | 推荐信息筛选方法、装置、存储介质及服务器 |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113327151A (zh) * | 2021-06-03 | 2021-08-31 | 广州华多网络科技有限公司 | 商品对象推荐方法、装置、计算机设备及存储介质 |
CN113269569B (zh) * | 2021-06-10 | 2022-02-25 | 杭州米橙科技有限公司 | 一种基于推广营销的客户定向管理系统 |
CN113269569A (zh) * | 2021-06-10 | 2021-08-17 | 杭州米橙科技有限公司 | 一种基于推广营销的客户定向管理系统 |
CN113360761A (zh) * | 2021-06-11 | 2021-09-07 | 北京百度网讯科技有限公司 | 信息流推荐方法、装置、电子设备和计算机可读存储介质 |
CN113592535A (zh) * | 2021-06-30 | 2021-11-02 | 北京新氧科技有限公司 | 一种广告推荐方法、装置、电子设备和存储介质 |
CN113592535B (zh) * | 2021-06-30 | 2024-04-16 | 北京新氧科技有限公司 | 一种广告推荐方法、装置、电子设备和存储介质 |
CN113706252A (zh) * | 2021-08-30 | 2021-11-26 | 康键信息技术(深圳)有限公司 | 产品推荐方法、装置、电子设备及存储介质 |
CN113706252B (zh) * | 2021-08-30 | 2024-05-03 | 康键信息技术(深圳)有限公司 | 产品推荐方法、装置、电子设备及存储介质 |
CN113627995A (zh) * | 2021-09-17 | 2021-11-09 | 广州华多网络科技有限公司 | 商品推荐列表更新方法及其装置、设备、介质、产品 |
CN113807922A (zh) * | 2021-09-18 | 2021-12-17 | 珠海格力电器股份有限公司 | 产品推荐方法、装置、电子设备和存储介质 |
CN113987360B (zh) * | 2021-12-24 | 2022-05-17 | 浙江口碑网络技术有限公司 | 对象推荐方法、装置、电子设备及存储介质 |
CN113987360A (zh) * | 2021-12-24 | 2022-01-28 | 浙江口碑网络技术有限公司 | 对象推荐方法、装置、电子设备及存储介质 |
CN115049108A (zh) * | 2022-05-20 | 2022-09-13 | 支付宝(杭州)信息技术有限公司 | 多任务模型训练方法、多任务预测方法、相关装置及介质 |
CN114936326A (zh) * | 2022-07-20 | 2022-08-23 | 深圳格隆汇信息科技有限公司 | 基于人工智能的信息推荐方法、装置、设备及存储介质 |
CN116823408A (zh) * | 2023-08-29 | 2023-09-29 | 小舟科技有限公司 | 基于虚拟现实的商品推荐方法、装置、终端及存储介质 |
CN116823408B (zh) * | 2023-08-29 | 2023-12-01 | 小舟科技有限公司 | 基于虚拟现实的商品推荐方法、装置、终端及存储介质 |
CN117422528A (zh) * | 2023-11-24 | 2024-01-19 | 久睦本(海南)科技股份有限公司 | 一种基于小程序的商品销售管理方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112837106A (zh) | 商品推荐方法、装置、计算机设备 | |
CN109191240B (zh) | 一种进行商品推荐的方法和装置 | |
CN108228873B (zh) | 对象推荐、发布内容推送方法、装置、存储介质和设备 | |
US11538060B2 (en) | Systems and methods for search query refinement | |
US11811881B2 (en) | Systems and methods for webpage personalization | |
US10664888B2 (en) | Method and system for attribute extraction from product titles using sequence labeling algorithms | |
US8370319B1 (en) | Determining search query specificity | |
CN110008397B (zh) | 一种推荐模型训练方法及装置 | |
US9082086B2 (en) | Adaptively learning a similarity model | |
EP2782029A2 (en) | Re-ranking results in a search | |
CN107404656A (zh) | 直播视频推荐方法、装置及服务器 | |
CN111538907B (zh) | 一种对象推荐方法、系统及装置 | |
US9582835B2 (en) | Apparatus, system, and method for searching for power user in social media | |
CN106919625A (zh) | 一种互联网用户属性识别方法和装置 | |
US20120296776A1 (en) | Adaptive interactive search | |
CN112613938B (zh) | 模型训练方法、装置及计算机设备 | |
CN112150227A (zh) | 商品推荐方法、系统、设备及介质 | |
CN109117442B (zh) | 一种应用推荐方法及装置 | |
US10628458B2 (en) | Systems and methods for automated recommendations | |
CN111861605A (zh) | 业务对象推荐方法 | |
CN111680213B (zh) | 信息推荐方法、数据处理方法及装置 | |
US20140280098A1 (en) | Performing application search based on application gaminess | |
CN110175892B (zh) | 基于消费者行为的热力球双向推荐方法及系统 | |
CN111080417A (zh) | 用于提高预订顺畅率的处理方法、模型训练方法及系统 | |
CN110309406B (zh) | 点击率预估方法、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 |