CN112862553A - 一种商品推荐的方法和装置 - Google Patents
一种商品推荐的方法和装置 Download PDFInfo
- Publication number
- CN112862553A CN112862553A CN201911184529.2A CN201911184529A CN112862553A CN 112862553 A CN112862553 A CN 112862553A CN 201911184529 A CN201911184529 A CN 201911184529A CN 112862553 A CN112862553 A CN 112862553A
- Authority
- CN
- China
- Prior art keywords
- user
- commodity
- historical
- commodities
- determining
- 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
- 238000000034 method Methods 0.000 title claims abstract description 42
- 239000011159 matrix material Substances 0.000 claims description 59
- 238000012549 training Methods 0.000 claims description 59
- 238000003062 neural network model Methods 0.000 claims description 49
- 238000013528 artificial neural network Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 9
- 238000007619 statistical method Methods 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 8
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 230000007547 defect Effects 0.000 abstract description 6
- 230000006870 function Effects 0.000 description 14
- 238000010586 diagram Methods 0.000 description 12
- 230000000694 effects Effects 0.000 description 12
- 238000004891 communication Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 4
- 238000005259 measurement Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 235000020095 red wine Nutrition 0.000 description 1
- 238000006467 substitution reaction Methods 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
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种商品推荐的方法和装置，涉及计算机技术领域。该方法的一具体实施方式包括：根据用户的历史浏览信息，确定用户的特殊时刻；确定所述用户在所述特殊时刻对应的历史纪念商品；据所述历史纪念商品，确定与所述历史纪念商品存在关联关系的商品集合；根据所述商品集合，在所述特殊时刻为所述用户推荐商品。该实施方式解决现有技术不能在用户的特殊时刻提醒用户购买对应商品的技术缺陷，进而达到提高用户的购买力，提升用户的购物体验的技术效果。
Description
技术领域
本发明涉及计算机技术领域，尤其涉及一种商品推荐的方法和装置。
背景技术
电商平台的推荐系统正在受到越来越多的关注，给用户推荐用户想要的产品可以提高用户购买力的同时给用户带来更好的购物体验。现有的推荐系统大致可以分为基于协同过滤的推荐，基于内容的推荐和基于时间的推荐。
在实现本发明过程中，发明人发现现有技术中至少存在如下问题：
1、当没有用户之前的任何购买历史，却需要向这个用户进行推荐商品时存在冷启动的技术问题。
2、在给用户推荐商品时忽略了用户的特殊时刻，例如结婚纪念日等专于用户的节日。
发明内容
有鉴于此，本发明实施例提供一种商品推荐的方法和装置，能够通过本方案所提供的根据历史浏览信息确定用户特殊时刻的技术手段，可以解决现有技术不能在用户的特殊时刻提醒用户购买对应商品的技术缺陷，进而达到提高用户的购买力，提升用户的购物体验的技术效果。并且本方案还根据用户的历史纪念商品确定待推荐的商品，进而达到更准确、高效的推荐商品的技术效果，进一步提升用户体验。
为实现上述目的，根据本发明实施例的一个方面，提供了一种商品推荐的方法，包括：
根据用户的历史浏览信息，确定用户的特殊时刻；
确定所述用户在所述特殊时刻对应的历史纪念商品；
根据所述历史纪念商品，确定与所述历史纪念商品存在关联关系的商品集合；
根据所述商品集合，在所述特殊时刻为所述用户推荐商品；
其中，所述历史浏览信息，包括：用户的历史订单信息和/或历史搜索商品信息。
可选地，根据所述用户的历史浏览信息，确定用户的特殊时刻，包括：
根据所述用户的历史浏览信息，确定所述历史订单信息的关键词；
根据预设语料库中的词语对所述关键词进行打分，确定所述关键词的分数和对应所述语料库中的词语；
根据所述关键词的分数和所述关键词对应的词语，确定所述用户的特殊时刻。
可选地，根据所述用户的历史浏览信息，确定所述历史订单信息的关键词，包括：
当所述用户的历史浏览信息为所述用户的历史订单信息时，利用词频-逆文本频率指数统计方法，确定所述历史订单信息的关键词；
和/或，
当所述用户的历史浏览信息为所述用户的历史搜索商品信息时，根据预设时间间隔，将一个预设时间间隔内的所述历史搜索商品信息汇总成一篇文章；利用词频-逆文本频率指数统计方法，确定每篇文章中的关键词。
可选地，根据所述关键词的分数和所述关键词对应的词语，确定所述用户的特殊时刻，包括：
将预设的分数阈值与所述关键词的分数进行比较，筛选出分数不小于所述分数阈值的关键词，作为第一关键词；
确定所述第一关键词对应的所述用户的历史订单信息和/或历史搜索商品信息；
将所述第一关键词对应的历史订单信息中的订单送达时间，和/或所述历史搜索商品信息中的搜索时间设置为所述用户的特殊时刻；
根据所述关键词对应的词语确定所述用户特殊时刻的类型。
可选地，所述语料库中的词语，包括至少以下之一：恋爱、结婚、纪念日、周年、生日；
所述用户的特殊时刻的类型，包括至少以下之一：恋爱纪念日、结婚纪念日、周年纪念日、生日。
可选地，根据所述历史纪念商品，确定与所述历史纪念商品存在关联关系的商品集合，包括：
获取用于计算商品关联度的神经网络模型和待推荐的商品集合；
根据所述神经网络模型，确定待推荐的商品集合中的商品与所述历史纪念商品之间的关联度；
根据所述关联度，筛选待推荐的商品集合中的商品得到所述历史纪念商品存在关联关系的商品集合。
可选地，获取用于计算商品关联度的神经网络模型之前，包括：
获得用于训练神经网络的训练集中商品之间的关联度矩阵；
根据所述关联度矩阵，建立所述训练集中商品之间的近邻矩阵；
根据所述近邻矩阵，训练用于计算商品关联度的所述神经网络模型。
可选地，获得用于训练神经网络的训练集中商品之间的关联度矩阵，包括：
利用如下公式建立用于训练神经网络训练集中商品之间的关联度矩阵中的元素：
其中，|Ui|表示用于训练神经网络训练集中第一商品i对应的用户数目；|Uj|表示与所述第一商品i存在关联关系的第二商品j对应的用户数目；|Ui∩Uj|表示所述第一商品i和第二商品j共同对应的用户数目。
可选地，根据所述关联度矩阵，建立所述训练集中商品之间的近邻矩阵，包括：
将所述关联度矩阵中的元素按元素对应的数值从大至小的顺序进行排序，得到第一序列；
将所述第一序列中前预设元素个数的元素的数值更新为1，将其余元素的数值更新为0；
根据所述更新后的元素，建立所述训练集中商品之间的近邻矩阵。
可选地，根据所述近邻矩阵，训练用于计算商品关联度的所述神经网络模型，包括：
根据所述近邻矩阵和损失函数，确定神经网络模型模型的输出参数；
利用梯度对所述输出参数进行训练，生成所述用于计算商品关联度的所述神经网络模型；
所述损失函数的表达式为：
L＝Sij(||ei-ej||2)+(1-Sij)[α-||ei-ej||2]+
[α-||ei-ej||2]+＝max(α-||ei-ej||2，0)
其中，Sii为所述近邻矩阵S的第i行第j列；ei为所述神经网络模型模型针对商品i确定的输出参数；ej为所述神经网络模型模型针对商品j确定的输出参数。
可选地，根据所述商品集合，在所述特殊时刻为所述用户推荐商品，包括：
获取所述用户在所述特殊时刻对应的历史纪念商品；
将所述历史纪念商品作为入参输入至所述神经网络模型模型中，确定针对历史纪念商品确定的输出参数；
将所述商品集合中的商品作为入参输入至所述神经网络模型模型中，确定针对所述商品集合中的商品确定的输出参数；
当满足历史纪念商品确定的输出参数和所述商品集合中的商品确定的输出参数之间欧氏距离最小时，将所述商品集合中的商品在所述特殊时刻推荐给所述用户。
根据本发明实施例的再一个方面，提供了一种商品推荐的装置，包括：
特殊时刻确定模块，用于根据用户的历史浏览信息，确定用户的特殊时刻；
历史纪念商品确定模块，用于确定所述用户在所述特殊时刻对应的历史纪念商品；
商品集合确定模块，用于根据所述历史纪念商品，确定与所述历史纪念商品存在关联关系的商品集合；
用户推荐商品生成模块，由于根据所述商品集合，在所述特殊时刻为所述用户推荐商品；
其中，所述历史浏览信息，包括：用户的历史订单信息和/或历史搜索商品信息。
根据本发明实施例的另一个方面，提供了一种商品推荐的电子设备，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明提供的商品推荐的方法。
根据本发明实施例的还一个方面，提供了一种计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现本发明提供的商品推荐的方法。
上述发明中的一个实施例具有如下优点或有益效果：
通过本方案所提供的根据历史浏览信息确定用户特殊时刻的技术手段，可以解决现有技术不能在用户的特殊时刻提醒用户购买对应商品的技术缺陷，进而达到提高用户的购买力，提升用户的购物体验的技术效果。
本方案还根据用户的历史纪念商品确定待推荐的商品，进而达到更准确、高效的推荐商品的技术效果，进一步提升用户体验。
上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
附图用于更好地理解本发明，不构成对本发明的不当限定。其中：
图1是根据本发明实施例的一种商品推荐的方法的主要流程的示意图；
图2是根据本发明实施例的一种商品推荐的方法的整体流程的示意图；
图3是根据本发明实施例的一种商品推荐的方法的装置的主要模块的示意图；
图4是本发明实施例可以应用于其中的示例性系统架构图；
图5是适于用来实现本发明实施例的终端设备或服务器的计算机系统的结构示意图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明，其中包括本发明实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本发明的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
图1是根据本发明实施例的一种商品推荐的方法的主要流程的示意图，如图1所示，包括：
步骤S101、根据用户的历史浏览信息，确定用户的特殊时刻；
步骤S102、确定所述用户在所述特殊时刻对应的历史纪念商品；
步骤S103、根据所述历史纪念商品，确定与所述历史纪念商品存在关联关系的商品集合；
根据所述商品集合，在所述特殊时刻为所述用户推荐商品；
其中，所述历史浏览信息，包括：用户的历史订单信息和/或历史搜索商品信息。
本申请通过获取用户的历史浏览信息可以估算出用户所购买的商品在送达的时刻是用户的特殊时刻。例如，用户在2000年10月10日在电商平台上为朋友购买一个生日礼物，其送达日为2000年10月12日，故可以推定该朋友的生日可能在10月12日左右。本申请所提供的方法，可以使得用户在每年的10月12日左右收到系统推荐的关于生日礼物的商品，其中，10月12日也就是该用户的一个特殊时刻。由于存在用户没有采用电商平台为朋友选购礼物的情况，故用户的历史搜索商品信息也可以作为确定特殊时刻的方式。
通过本方案所提供的根据历史浏览信息确定用户特殊时刻的技术手段，可以解决现有技术不能在用户的特殊时刻提醒用户购买对应商品的技术缺陷，进而达到提高用户的购买力，提升用户的购物体验的技术效果。
针对不同的特殊时刻，用户所购买的商品可能存在差异，例如，当所述特殊时刻为结婚纪念日时，用户所购买的商品可能为鲜花、定制纪念品等；然而当所述特殊时刻为朋友的生日时，用户所购买的商品可能为生日蛋糕、蜡烛等。通过确定所述特殊时刻所购买的历史纪念品后，可以更确定所述特殊时刻的类型，以及为后续给用户推荐商品提供便利。
本申请所提供的技术方案，可以根据特殊时刻的类型和历史纪念商品信息为用户推荐更合适的商品。具体地，用户在2000年10月10日在电商平台上为朋友购买一个生日蛋糕，可以推算所述特殊时刻为10月12日，所述特殊时刻的类型为朋友生日，进而在下一年10月12日左右平台会向该用户推荐其他款式的生日蛋糕、生日玩偶等。
其中，所述用户的特殊时刻的类型，包括但不限于以下之一：恋爱纪念日、结婚纪念日、周年纪念日、生日。
本方案中所述的商品也可以为物品。
可选地，在步骤S101根据所述用户的历史浏览信息，确定用户的特殊时刻，包括：
根据所述用户的历史浏览信息，确定所述历史订单信息的关键词；
根据预设语料库中的词语对所述关键词进行打分，确定所述关键词的分数和对应所述语料库中的词语；
根据所述关键词的分数和所述关键词对应的词语，确定所述用户的特殊时刻。
其中，所述关键词的分数scorek越高，说明该关键词越准确，越有可能是纪念商品的描述。具体地，可以设置一个阈值，一旦所述关键词的分数达到所述预设阈值，可以认为该历史浏览信息对应的时刻为用户特殊时刻。
其中，所述语料库中的词语，包括但不限于以下之一：恋爱、结婚、纪念日、周年、生日。
可选地，根据所述用户的历史浏览信息，确定所述历史订单信息的关键词，包括：
当所述用户的历史浏览信息为所述用户的历史订单信息时，利用词频-逆文本频率指数统计方法(TF-IDF)，确定所述历史订单信息的关键词；
和/或，
当所述用户的历史浏览信息为所述用户的历史搜索商品信息时，根据预设时间间隔，将一个预设时间间隔内的所述历史搜索商品信息汇总成一篇文章；利用词频-逆文本频率指数统计方法，确定每篇文章中的关键词。
其中，所述TF-IDF为一种统计方法，可以用来评判一个词对于语料库中一篇文章的重要程度。
本申请所采用的关键词识别算法通过把商品的描述和用户搜索历史作为语料库的文章，提前构造自己感兴趣的关键词，从而完成纪念物的寻找和特殊时刻的确定工作。
TF-IDF可以用来评判一个词di对于语料库D中一篇文章pk重要程度。它的主要思想是从两方面出发，第一是看这个词在文件中出现的频率(TF：Term Frequency)
这里nik表示这个词语di在文章pk中出现的次数。一个词出现的频率越大，自然对这篇文章越重要。但是，有很多词都是对文章的类型不会起到实际决定作用的词，比如：了，的等等，这些词在几乎每一篇文章中都经常出现，所以还需要逆向文件频率(IDF：InverseDocument Frequency)
其中，上式中的|D|表示语料库中所有的文章数，|{k|di∈pk}|表示语料库中包含词语di的文章数目，+1是起平滑的作用，防止分母为0。最后的tfidfik＝tfik*idfik，这样就很好的消除了那些在每篇文章中都出现很多次的词语的影响。所以如果tfidfik越大，表示词语di越有可能是文章pk的关键词。只要事先构造一个我们关心的词语库，然后把每个商品的描述当成是文章，从而就能确定这个商品是不是我们关心的纪念商品了。所以我们首先可以确定我们的词语库为：{“恋爱”，“周年”，“结婚”，“纪念日”，“生日”}。然后对每篇文章pk确定关键词。
通过采用用户的历史订单信息和历史搜索商品信息两种不同的方式确定关键词，可以使得得到的关键词更准确，更利于确定用户的特殊时刻。
所述预设时间间隔可以为一天或者几天。
其中，所述关键词的分数scorek的表达式可以为：
具体地，根据所述关键词的分数和所述关键词对应的词语，确定所述用户的特殊时刻，包括：
将预设的分数阈值与所述关键词的分数进行比较，筛选出分数不小于所述分数阈值的关键词，作为第一关键词；
确定所述第一关键词对应的所述用户的历史订单信息和/或历史搜索商品信息；
将所述第一关键词对应的历史订单信息中的订单送达时间，和/或所述历史搜索商品信息中的搜索时间设置为所述用户的特殊时刻；
根据所述关键词对应的词语确定所述用户特殊时刻的类型。
可选地，根据所述历史纪念商品，确定与所述历史纪念商品存在关联关系的商品集合，包括：
获取用于计算商品关联度的神经网络模型和待推荐的商品集合；
根据所述神经网络模型，确定待推荐的商品集合中的商品与所述历史纪念商品之间的关联度；
根据所述关联度，筛选待推荐的商品集合中的商品得到所述历史纪念商品存在关联关系的商品集合。
在实际运行中，只需检测是否有达到特殊时刻的用户需要预测，然后提取该用户的历史购买或浏览纪念品的记录，再通过已经训练好的推荐模型计算商品之间关联度的技术手段，克服现有技术计算关联度较为复杂、效率低、不准确的技术缺陷，进而预测该用户最有可能购买的商品组合，达到快速完成商品推荐的技术效果。
在本申请中采用深度度量学习的技术手段，可以通过构建深度模型去学习满足语义关系的度量函数的目的。
下面以具体地实时方式说明本方案是如何训练神经网络的：
可选地，获取用于计算商品关联度的神经网络模型之前，包括：
获得用于训练神经网络的训练集中商品之间的关联度矩阵；
根据所述关联度矩阵，建立所述训练集中商品之间的近邻矩阵；
根据所述近邻矩阵，训练用于计算商品关联度的所述神经网络模型。
本申请通过将训练集中商品的关联度矩阵转化为由0和1构成的邻近矩阵的技术手段，使得用于训练模型的计算量减少，提高生成神经网络模型效率的技术效果。
具体地，获得用于训练神经网络的训练集中商品之间的关联度矩阵，包括：
利用如下公式建立用于训练神经网络训练集中商品之间的关联度矩阵中的元素：
其中，|Ui|表示用于训练神经网络训练集中第一商品i对应的用户数目；|Uj|表示与所述第一商品i存在关联关系的第二商品j对应的用户数目；|Ui∩Uj|表示所述第一商品i和第二商品j共同对应的用户数目。
在实际应用中发现，用户偏好一类商品是可能会持续购买一类商品，或类似的商品，进而可以通过用户购买相同或相似商品的情况计算两种商品间的关联度。进而方便神经网络的训练。
可选地，根据所述关联度矩阵，建立所述训练集中商品之间的近邻矩阵，包括：
将所述关联度矩阵中的元素按元素对应的数值从大至小的顺序进行排序，得到第一序列；
将所述第一序列中前预设元素个数的元素的数值更新为1，将其余元素的数值更新为0；
根据所述更新后的元素，建立所述训练集中商品之间的近邻矩阵。
通过多关联度矩阵数值的归一化，使得原本取值在0-1之间的关联度转化为0或1，具体地，将关联度高的元素映射成1，将关联度低的元素映射为0，也就是将原本的关联度矩阵映射成近邻矩阵。具体地，Sij为所述近邻矩阵S的第i行第j列。所述Sii的数值代表商品i和商品j之间是否为近邻的标志，如果Sij＝1，那么他们就是近邻，如果Sij＝0，那么他们就不是近邻。
可选地，根据所述近邻矩阵，训练用于计算商品关联度的所述神经网络模型，包括：
根据所述近邻矩阵和损失函数，确定神经网络模型模型的输出参数；通过调整入参近邻矩阵的变化，进而尽可能的降低损失函数的大小，使得训练得到的输出参数更为准确。
利用梯度对所述输出参数进行训练，生成所述用于计算两个商品关联度的所述神经网络模型；具体地，输入两个商品或用户的特征即可得到两个商品或两个用户之间的关联度。
所述损失函数的表达式为：
L＝Sij(||ei-ej||2)+(1-Sij)[α-||ei-ej||2]+
[α-||ei-ej||2]+＝max(α-||ei-ej||2，0)
其中，Sii为所述近邻矩阵S的第i行第j列；ei为所述神经网络模型模型针对商品i确定的输出参数；ej为所述神经网络模型模型针对商品j确定的输出参数。
对于每个商品i，只取与它存在关联关系程度最高的k个j作为近邻，也就是说在W的第i行，Wj前k大的k个j是i的近邻.接下来通过用商品的基本属性作为输入，以深度神经网络为模型，要求存在关联关系的商品之间距离尽量近，不相似商品之间距离至少要大于α，构建深度度量学习损失L；其中，α为商品i和商品j之间用于确定关联度的距离。
通过上述神经网络模型，即可判断得到一个商品与用户之前购买过的商品之间是否较为相似，若是，则可以将待推荐的商品推荐给用户。
在实际应用中，也可以采用协同过滤的算法计算商品之间的关联度。
可选地，根据所述商品集合，在所述特殊时刻为所述用户推荐商品，包括：
获取所述用户在所述特殊时刻对应的历史纪念商品；
将所述历史纪念商品作为入参输入至所述神经网络模型模型中，确定针对历史纪念商品确定的输出参数；
将所述商品集合中的商品作为入参输入至所述神经网络模型模型中，确定针对所述商品集合中的商品确定的输出参数；
当满足历史纪念商品确定的输出参数和所述商品集合中的商品确定的输出参数之间欧氏距离最小时，将所述商品集合中的商品在所述特殊时刻推荐给所述用户。
通过所述神经网络模型可以根据要预测的用户，计算出他最有可能购买的商品，这里假设用户u之前购买过的纪念物集合为Su，那么要推荐的商品需要满足如下条件：
其中，上式中的I表示所有待推荐纪念商品的集合。根据商品集合中的商品(比如：所述集合包括{纪念物，红酒，蜡烛})分别找到与之最相近其他搭配商品。
下面以一具体实施例说明本方案的流程。图2是根据本发明实施例的一种商品推荐的方法的整体流程的示意图，如图2所示，包括：
S201、获取用户的历史浏览信息；
S202、根据TF-IDF技术对所述历史浏览信息进行关键词识别；
S203、根据S202的识别结果确定特殊时刻；
S204、根据S202的识别结果，确定历史记录商品；
S205、针对S204的历史记录商品进行深度学习生成S206对应的神经网络模型；
S207、根据所述神经网络模型结合S203确定的特殊时刻，输出推荐商品。
图3是根据本发明实施例的一种商品推荐的方法的装置的主要模块的示意图；
根据本发明实施例的再一个方面，提供了一种商品推荐的装置300，如图3所示，包括：
特殊时刻确定模块301，用于根据用户的历史浏览信息，确定用户的特殊时刻；
历史纪念商品确定模块302，用于确定所述用户在所述特殊时刻对应的历史纪念商品；
商品集合确定模块303，用于根据所述历史纪念商品，确定与所述历史纪念商品存在关联关系的商品集合；
用户推荐商品生成模块304，由于根据所述商品集合，在所述特殊时刻为所述用户推荐商品；
其中，所述历史浏览信息，包括：用户的历史订单信息和/或历史搜索商品信息。
可选地，根据所述用户的历史浏览信息，确定用户的特殊时刻，包括：
根据所述用户的历史浏览信息，确定所述历史订单信息的关键词；
根据预设语料库中的词语对所述关键词进行打分，确定所述关键词的分数和对应所述语料库中的词语；
根据所述关键词的分数和所述关键词对应的词语，确定所述用户的特殊时刻。
可选地，根据所述用户的历史浏览信息，确定所述历史订单信息的关键词，包括：
当所述用户的历史浏览信息为所述用户的历史订单信息时，利用词频-逆文本频率指数统计方法，确定所述历史订单信息的关键词；
和/或，
当所述用户的历史浏览信息为所述用户的历史搜索商品信息时，根据预设时间间隔，将一个预设时间间隔内的所述历史搜索商品信息汇总成一篇文章；利用词频-逆文本频率指数统计方法，确定每篇文章中的关键词。
可选地，根据所述关键词的分数和所述关键词对应的词语，确定所述用户的特殊时刻，包括：
将预设的分数阈值与所述关键词的分数进行比较，筛选出分数不小于所述分数阈值的关键词，作为第一关键词；
确定所述第一关键词对应的所述用户的历史订单信息和/或历史搜索商品信息；
将所述第一关键词对应的历史订单信息中的订单送达时间，和/或所述历史搜索商品信息中的搜索时间设置为所述用户的特殊时刻；
根据所述关键词对应的词语确定所述用户特殊时刻的类型。
可选地，所述语料库中的词语，包括至少以下之一：恋爱、结婚、纪念日、周年、生日；
所述用户的特殊时刻的类型，包括至少以下之一：恋爱纪念日、结婚纪念日、周年纪念日、生日。
可选地，根据所述历史纪念商品，确定与所述历史纪念商品存在关联关系的商品集合，包括：
获取用于计算商品关联度的神经网络模型和待推荐的商品集合；
根据所述神经网络模型，确定待推荐的商品集合中的商品与所述历史纪念商品之间的关联度；
根据所述关联度，筛选待推荐的商品集合中的商品得到所述历史纪念商品存在关联关系的商品集合。
可选地，获取用于计算商品关联度的神经网络模型之前，包括：
获得用于训练神经网络的训练集中商品之间的关联度矩阵；
根据所述关联度矩阵，建立所述训练集中商品之间的近邻矩阵；
根据所述近邻矩阵，训练用于计算商品关联度的所述神经网络模型。
可选地，获得用于训练神经网络的训练集中商品之间的关联度矩阵，包括：
利用如下公式建立用于训练神经网络训练集中商品之间的关联度矩阵中的元素：
其中，|Ui|表示用于训练神经网络训练集中第一商品i对应的用户数目；|Uj|表示与所述第一商品i存在关联关系的第二商品j对应的用户数目；|Ui∩Uj|表示所述第一商品i和第二商品j共同对应的用户数目。
可选地，根据所述关联度矩阵，建立所述训练集中商品之间的近邻矩阵，包括：
将所述关联度矩阵中的元素按元素对应的数值从大至小的顺序进行排序，得到第一序列；
将所述第一序列中前预设元素个数的元素的数值更新为1，将其余元素的数值更新为0；
根据所述更新后的元素，建立所述训练集中商品之间的近邻矩阵。
可选地，根据所述近邻矩阵，训练用于计算商品关联度的所述神经网络模型，包括：
根据所述近邻矩阵和损失函数，确定神经网络模型模型的输出参数；
利用梯度对所述输出参数进行训练，生成所述用于计算商品关联度的所述神经网络模型；
所述损失函数的表达式为：
L＝Sij(||ei-ej||2)+(1-Sij)[α-||ei-ej||2]+
其中，[α-||ei-ej||2]+＝max(α-||ei-ej||2，0)
其中，Sij为所述近邻矩阵S的第i行第j列；ei为所述神经网络模型模型针对商品i确定的输出参数；ej为所述神经网络模型模型针对商品j确定的输出参数。
可选地，根据所述商品集合，在所述特殊时刻为所述用户推荐商品，包括：
获取所述用户在所述特殊时刻对应的历史纪念商品；
将所述历史纪念商品作为入参输入至所述神经网络模型模型中，确定针对历史纪念商品确定的输出参数；
将所述商品集合中的商品作为入参输入至所述神经网络模型模型中，确定针对所述商品集合中的商品确定的输出参数；
当满足历史纪念商品确定的输出参数和所述商品集合中的商品确定的输出参数之间欧氏距离最小时，将所述商品集合中的商品在所述特殊时刻推荐给所述用户。
图4示出了可以应用本发明实施例的商品推荐方法或商品推荐装置的示例性系统架构400。
如图4所示，系统架构400可以包括终端设备401、402、403，网络404和服务器405。网络404用以在终端设备401、402、403和服务器405之间提供通信链路的介质。网络404可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备401、402、403通过网络404与服务器405交互，以接收或发送消息等。终端设备401、402、403上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。
终端设备401、402、403可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器405可以是提供各种服务的服务器，例如对用户利用终端设备401、402、403所浏览的购物类网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的产品信息查询请求等数据进行分析等处理，并将处理结果(例如目标推送信息、产品信息--仅为示例)反馈给终端设备。
需要说明的是，本发明实施例所提供的商品推荐方法一般由服务器405执行，相应地，商品推荐装置一般设置于服务器405中。
应该理解，图4中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
下面参考图5，其示出了适于用来实现本发明实施例的终端设备的计算机系统500的结构示意图。图5示出的终端设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图5所示，计算机系统500包括中央处理模块(CPU)501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储部分508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中，还存储有系统500操作所需的各种程序和数据。CPU 501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
以下部件连接至I/O接口505：包括键盘、鼠标等的输入部分506；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分507；包括硬盘等的存储部分508；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至I/O接口505。可拆卸介质511，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器510上，以便于从其上读出的计算机程序根据需要被安装入存储部分508。
特别地，根据本发明公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分509从网络上被下载和安装，和/或从可拆卸介质511被安装。在该计算机程序被中央处理模块(CPU)501执行时，执行本发明的系统中限定的上述功能。
需要说明的是，本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中，例如，可以描述为：一种处理器包括发送模块、获取模块、确定模块和第一处理模块。其中，这些模块的名称在某种情况下并不构成对该模块本身的限定，例如，发送模块还可以被描述为“向所连接的服务端发送图片获取请求的模块”。
作为另一方面，本发明还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该设备包括：
根据用户的历史浏览信息，确定用户的特殊时刻；
确定所述用户在所述特殊时刻对应的历史纪念商品；
根据所述历史纪念商品，确定与所述历史纪念商品存在关联关系的商品集合；
根据所述商品集合，在所述特殊时刻为所述用户推荐商品；
其中，所述历史浏览信息，包括：用户的历史订单信息和/或历史搜索商品信息。
根据本发明实施例的技术方案，可以达到如下技术效果：
通过本方案所提供的根据历史浏览信息确定用户特殊时刻的技术手段，可以解决现有技术不能在用户的特殊时刻提醒用户购买对应商品的技术缺陷，进而达到提高用户的购买力，提升用户的购物体验的技术效果。
本方案还根据用户的历史纪念商品确定待推荐的商品，进而达到更准确、高效的推荐商品的技术效果，进一步提升用户体验。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，取决于设计要求和其他因素，可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。
Claims (14)
1.一种商品推荐的方法，其特征在于，包括：
根据用户的历史浏览信息，确定用户的特殊时刻；
确定所述用户在所述特殊时刻对应的历史纪念商品；
根据所述历史纪念商品，确定与所述历史纪念商品存在关联关系的商品集合；
根据所述商品集合，在所述特殊时刻为所述用户推荐商品；
其中，所述历史浏览信息，包括：用户的历史订单信息和/或历史搜索商品信息。
2.根据权利要求1所述的方法，其特征在于，根据所述用户的历史浏览信息，确定用户的特殊时刻，包括：
根据所述用户的历史浏览信息，确定所述历史订单信息的关键词；
根据预设语料库中的词语对所述关键词进行打分，确定所述关键词的分数和对应所述语料库中的词语；
根据所述关键词的分数和所述关键词对应的词语，确定所述用户的特殊时刻。
3.根据权利要求2所述的方法，其特征在于，根据所述用户的历史浏览信息，确定所述历史订单信息的关键词，包括：
当所述用户的历史浏览信息为所述用户的历史订单信息时，利用词频-逆文本频率指数统计方法，确定所述历史订单信息的关键词；
和/或，
当所述用户的历史浏览信息为所述用户的历史搜索商品信息时，根据预设时间间隔，将一个预设时间间隔内的所述历史搜索商品信息汇总成一篇文章；利用词频-逆文本频率指数统计方法，确定每篇文章中的关键词。
4.根据权利要求2所述的方法，其特征在于，根据所述关键词的分数和所述关键词对应的词语，确定所述用户的特殊时刻，包括：
将预设的分数阈值与所述关键词的分数进行比较，筛选出分数不小于所述分数阈值的关键词，作为第一关键词；
确定所述第一关键词对应的所述用户的历史订单信息和/或历史搜索商品信息；
将所述第一关键词对应的历史订单信息中的订单送达时间，和/或所述历史搜索商品信息中的搜索时间设置为所述用户的特殊时刻；
根据所述关键词对应的词语确定所述用户特殊时刻的类型。
5.根据权利要求4所述的方法，其特征在于，所述语料库中的词语，包括至少以下之一：恋爱、结婚、纪念日、周年、生日；
所述用户的特殊时刻的类型，包括至少以下之一：恋爱纪念日、结婚纪念日、周年纪念日、生日。
6.根据权利要求1所述的方法，其特征在于，根据所述历史纪念商品，确定与所述历史纪念商品存在关联关系的商品集合，包括：
获取用于计算商品关联度的神经网络模型和待推荐的商品集合；
根据所述神经网络模型，确定待推荐的商品集合中的商品与所述历史纪念商品之间的关联度；
根据所述关联度，筛选待推荐的商品集合中的商品得到所述历史纪念商品存在关联关系的商品集合。
7.根据权利要求6所述的方法，其特征在于，获取用于计算商品关联度的神经网络模型之前，包括：
获得用于训练神经网络的训练集中商品之间的关联度矩阵；
根据所述关联度矩阵，建立所述训练集中商品之间的近邻矩阵；
根据所述近邻矩阵，训练用于计算商品关联度的所述神经网络模型。
8.根据权利要求7所述的方法，其特征在于，获得用于训练神经网络的训练集中商品之间的关联度矩阵，包括：
利用如下公式建立用于训练神经网络训练集中商品之间的关联度矩阵中的元素：
其中，|Ui|表示用于训练神经网络训练集中第一商品i对应的用户数目；|Uj|表示与所述第一商品i存在关联关系的第二商品j对应的用户数目；|Ui∩Uj|表示所述第一商品i和第二商品j共同对应的用户数目。
9.根据权利要求6所述的方法，其特征在于，根据所述关联度矩阵，建立所述训练集中商品之间的近邻矩阵，包括：
将所述关联度矩阵中的元素按元素对应的数值从大至小的顺序进行排序，得到第一序列；
将所述第一序列中前预设元素个数的元素的数值更新为1，将其余元素的数值更新为0；
根据所述更新后的元素，建立所述训练集中商品之间的近邻矩阵。
10.根据权利要求6所述的方法，其特征在于，根据所述近邻矩阵，训练用于计算商品关联度的所述神经网络模型，包括：
根据所述近邻矩阵和损失函数，确定神经网络模型模型的输出参数；
利用梯度对所述输出参数进行训练，生成所述用于计算商品关联度的所述神经网络模型；
所述损失函数的表达式为：
L＝Sij(||ei-ej||2)+(1-Sij)[α-||ei-ej||2]+
[α-||ei-ej||2]+max(α-||ei-ej||2，0)
其中，Sij为所述近邻矩阵S的第i行第j列；ei为所述神经网络模型模型针对商品i确定的输出参数；ej为所述神经网络模型模型针对商品j确定的输出参数；α为商品i和商品j之间的距离。
11.根据权利要求10所述的方法，其特征在于，根据所述商品集合，在所述特殊时刻为所述用户推荐商品，包括：
获取所述用户在所述特殊时刻对应的历史纪念商品；
将所述历史纪念商品作为入参输入至所述神经网络模型模型中，确定针对历史纪念商品确定的输出参数；
将所述商品集合中的商品作为入参输入至所述神经网络模型模型中，确定针对所述商品集合中的商品确定的输出参数；
当满足历史纪念商品确定的输出参数和所述商品集合中的商品确定的输出参数之间欧氏距离最小时，将所述商品集合中的商品在所述特殊时刻推荐给所述用户。
12.一种商品推荐的装置，其特征在于，包括：
特殊时刻确定模块，用于根据用户的历史浏览信息，确定用户的特殊时刻；
历史纪念商品确定模块，用于确定所述用户在所述特殊时刻对应的历史纪念商品；
商品集合确定模块，用于根据所述历史纪念商品，确定与所述历史纪念商品存在关联关系的商品集合；
用户推荐商品生成模块，由于根据所述商品集合，在所述特殊时刻为所述用户推荐商品；
其中，所述历史浏览信息，包括：用户的历史订单信息和/或历史搜索商品信息。
13.一种商品推荐的电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-11中任一所述的方法。
14.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1-11中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911184529.2A CN112862553A (zh) | 2019-11-27 | 2019-11-27 | 一种商品推荐的方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911184529.2A CN112862553A (zh) | 2019-11-27 | 2019-11-27 | 一种商品推荐的方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112862553A true CN112862553A (zh) | 2021-05-28 |
Family
ID=75985087
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911184529.2A Pending CN112862553A (zh) | 2019-11-27 | 2019-11-27 | 一种商品推荐的方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112862553A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113706260A (zh) * | 2021-09-01 | 2021-11-26 | 镇江纵陌阡横信息科技有限公司 | 一种基于搜索内容的电商平台商品推荐方法及装置 |
| CN115797019A (zh) * | 2023-01-30 | 2023-03-14 | 深圳市人马互动科技有限公司 | 纪念日基于电话营销事件的产品信息处理方法及装置 |
-
2019
- 2019-11-27 CN CN201911184529.2A patent/CN112862553A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113706260A (zh) * | 2021-09-01 | 2021-11-26 | 镇江纵陌阡横信息科技有限公司 | 一种基于搜索内容的电商平台商品推荐方法及装置 |
| CN115797019A (zh) * | 2023-01-30 | 2023-03-14 | 深圳市人马互动科技有限公司 | 纪念日基于电话营销事件的产品信息处理方法及装置 |
| CN115797019B (zh) * | 2023-01-30 | 2023-05-16 | 深圳市人马互动科技有限公司 | 纪念日基于电话营销事件的产品信息处理方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10204121B1 (en) | System and method for providing query recommendations based on search activity of a user base | |
| US10002375B1 (en) | Hashtag shopping and rating | |
| US20190392082A1 (en) | Comprehensive search engine scoring and modeling of user relevance | |
| US20160267377A1 (en) | Review Sentiment Analysis | |
| JP6698040B2 (ja) | 生成装置、生成方法及び生成プログラム | |
| CN106557480B (zh) | 查询改写的实现方法及装置 | |
| TW201911080A (zh) | 搜索方法、搜索伺服器和搜索系統 | |
| CN110766486B (zh) | 确定物品类目的方法和装置 | |
| JP2016522523A (ja) | 情報を推薦するための方法およびシステム | |
| US20240211508A1 (en) | Automatic personalized image-based search | |
| WO2020155877A1 (zh) | 信息推荐 | |
| CN107918658B (zh) | 一种商机生成方法及系统 | |
| US11392631B2 (en) | System and method for programmatic generation of attribute descriptors | |
| CN107798622B (zh) | 一种识别用户意图的方法和装置 | |
| CN110516033B (zh) | 一种计算用户偏好的方法和装置 | |
| US11367117B1 (en) | Artificial intelligence system for generating network-accessible recommendations with explanatory metadata | |
| CN110827101B (zh) | 一种店铺推荐的方法和装置 | |
| US20210374832A1 (en) | Automatically determining in real-time a triggering model for personalized recommendations | |
| US20230040315A1 (en) | Techniques for automated review-based insights | |
| US10936675B2 (en) | Developing an item data model for an item | |
| CN113450172B (zh) | 一种商品推荐方法和装置 | |
| Prasetyo | Searching cheapest product on three different e-commerce using k-means algorithm | |
| CN112862553A (zh) | 一种商品推荐的方法和装置 | |
| CN112991033A (zh) | 一种确定物品价值属性的方法和装置 | |
| CN110766488B (zh) | 一种自动确定主题场景的方法和装置 |
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 |