CN112948663B - 一种信息推荐方法及装置、设备、存储介质 - Google Patents

一种信息推荐方法及装置、设备、存储介质 Download PDF

Info

Publication number
CN112948663B
CN112948663B CN201911260527.7A CN201911260527A CN112948663B CN 112948663 B CN112948663 B CN 112948663B CN 201911260527 A CN201911260527 A CN 201911260527A CN 112948663 B CN112948663 B CN 112948663B
Authority
CN
China
Prior art keywords
sub
network
user account
determining
networks
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201911260527.7A
Other languages
English (en)
Other versions
CN112948663A (zh
Inventor
张德
陈行
程建波
彭南博
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jingdong Technology Holding Co Ltd
Original Assignee
Jingdong Technology Holding Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jingdong Technology Holding Co Ltd filed Critical Jingdong Technology Holding Co Ltd
Priority to CN201911260527.7A priority Critical patent/CN112948663B/zh
Publication of CN112948663A publication Critical patent/CN112948663A/zh
Application granted granted Critical
Publication of CN112948663B publication Critical patent/CN112948663B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—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
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/50—Network services
    • H04L67/55—Push-based network services

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Marketing (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Business, Economics & Management (AREA)
  • Economics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Probability & Statistics with Applications (AREA)
  • Signal Processing (AREA)
  • Game Theory and Decision Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请实施例公开了一种信息推荐方法，所述方法包括：根据用户账号集合中各用户账号对应的行为数据确定存在关联关系的用户账号，并基于存在关联关系的用户账号构建第一子网络，以将所述用户账号集合中的用户账号映射至包括至少两个第一子网络的第一子网络集合；针对所述第一子网络集合中的各第一子网络，确定所述第一子网络对应的目标商品，以向所述第一子网络中的用户账号推送所述目标商品的商品信息。另外，本申请实施例还公开了一种信息推荐装置、设备及存储介质。

Description

一种信息推荐方法及装置、设备、存储介质
技术领域
本申请实施例涉及计算机技术领域，涉及但不限于一种信息推荐方法及装置、设备、存储介质。
背景技术
随着互联网的兴起，越来越多的人到网上购物。电商行业的竞争也越来越激烈。各种营销手段也层出不穷。为了促进商品的销售，市场营销部门会进行商品的宣传，并通过网页向用户推送用户可能感兴趣的商品信息。
目前，确定用户可能感兴趣的商品信息的商品推荐方法包括：
1、基于用户的协同过滤：用打分来表示用户对商品的喜好程度，找到待推荐用户u兴趣爱好最为相似的K个用户，根据K个用户的兴趣爱好，将他们喜欢的商品视为用户u可能会感兴趣的商品，对用户u进行推荐；
2、基于内容的协同过滤：对商品进行建模，通过计算商品间相似度，向对商品A感兴趣的用户，推荐与商品A的相似度高的商品B。
在实现本申请过程中，发明人发现现有技术中至少存在如下问题：
基于用户协同过滤时，根据用户已有的兴趣进行推荐；基于内容的协同过滤仅考虑到了物品本身；因此，上述方案都忽视了用户可能存在新的感兴趣的商品的发掘，推荐的商品很可能不是用户所感兴趣的商品，推荐的合适程度难以保证。
发明内容
有鉴于此，本申请实施例为解决相关技术中存在的至少一个问题而提供一种信息推荐方法及装置、设备、存储介质，基于线下关系挖掘用户感兴趣的商品，提高推荐的合适度。
本申请实施例的技术方案是这样实现的：
第一方面，本申请实施例提供一种信息推荐方法，所述方法包括：
根据用户账号集合中各用户账号对应的行为数据确定存在关联关系的用户账号，并基于存在关联关系的用户账号构建第一子网络，以将所述用户账号集合中的用户账号映射至包括至少两个第一子网络的第一子网络集合；针对所述第一子网络集合中的各第一子网络，确定所述第一子网络对应的目标商品，以向所述第一子网络中的用户账号推送所述目标商品的商品信息。
第二方面，本申请实施例提供一种信息推荐装置，所述装置包括：
第一确定单元，用于根据用户账号集合中各用户账号对应的行为数据确定存在关联关系的用户账号，并基于存在关联关系的用户账号构建第一子网络，以将所述用户账号集合中的用户账号映射至包括至少两个第一子网络的第一子网络集合；
第二确定单元，用于针对所述第一子网络集合中的各第一子网络，确定所述第一子网络对应的目标商品，以向所述第一子网络中的用户账号推送所述目标商品的商品信息。
第三方面，本申请实施例提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在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信息推荐方法中的步骤。
第四方面，本申请实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述信息推荐方法中的步骤。
本申请实施例中，提供了一种信息推荐方法，根据用户账号集合中各用户账号对应的行为数据确定存在关联关系的用户账号，并基于存在关联关系的用户账号构建第一子网络，以将所述用户账号集合中的用户账号映射至包括至少两个第一子网络的第一子网络集合；针对所述第一子网络集合中的各第一子网络，确定所述第一子网络对应的目标商品，以向所述第一子网络中的用户账号推送所述目标商品的商品信息，从而通过基于用户账号对应的行为数据挖掘出具有线下关系的用户账号，基于具有线下关系的用户账号构建第一子网络，并以第一子网络的个体进行商品推荐，提高推荐的合适度。
附图说明
图1为本申请实施例网络架构示意图；
图2为本申请实施例提供的信息推荐方法的可选地流程示意图；
图3为本申请实施例提供的第一子网络示意图；
图4为本申请实施例提供的信息推荐方法的可选地流程示意图；
图5为本申请实施例提供的聚类过程示意图；
图6为本申请实施例提供的信息推荐方法的可选地流程示意图；
图7为本申请实施例提供的行为数据示意图；
图8 为本申请实施例提供的具有关联关系的用户账号示意图；
图9为本申请实施例提供的第一子网络的数据挖掘维度示意图；
图10为本申请实施例提供的第二子网络示意图；
图11为本申请实施例提供的信息推荐装置的可选地结构示意图；
图12为本申请实施例计算机设备的一种硬件实体示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对申请的具体技术方案做进一步详细描述。以下实施例用于说明本申请，但不用来限制本申请的范围。
为了更好地理解本申请，对本申请实施例进行进一步详细说明之前，对本申请实施例中涉及的名词和术语进行说明，本申请实施例中涉及的名词和术语适用于如下的解释。
1）第一子网络，基于用户的线下关系构成的关系网。比如：用户A和用户B具有线下关系，用户A和用户B具有线下关系，则用户A、用户B和用户C可构成一第一子网络。
2）第二子网络，以第一子网络为单位且同一第二子网络中不同的第一子网络之间存在标准化产品单元（Standard Product Unit，SPU）偏好关联的关系网。比如：第一子网络A、第一子网络B和第一子网络C之间存在SPU偏好关联，第一子网络A、第一子网络B和第一子网络C构成第二子网络。
3）、SPU，商品信息聚合的最小单位，是一组可复用、易检索的标准化信息的集合，该集合描述了一个产品的特性，也就是说，属性值、特性相同的商品就可以称为一个SPU。例如，苹果4手机就是一个SPU，这个与商家无关，与颜色、款式、套餐也无关。
4）、SPU偏好，第一子网络中的用户账号对应的用户具有一定倾向的商品所属的SPU，属于SPU偏好的商品被反复地、习惯地购买。
5）、行为数据，反映对应的用户账号的行为的数据，包括：消费数据和浏览数据。消费数据为消费过程中所产生的数据，可包括：下单地址、电话号码、下单时间、银行卡号、下单金额、下单商品的SPU、商品个数等；浏览数据为浏览商品过程中所产生的数据，可包括：浏览时间、浏览商品的SPU、浏览设备ID。
本申请实施例可提供为信息推荐方法及装置、设备和存储介质。实际应用中，信息推荐方法可由信息推荐装置实现，信息推荐装置中的各功能实体可以由计算机设备（如服务器或服务器集群）的硬件资源，如处理器等计算资源、通信资源（如用于支持实现光缆、蜂窝等各种方式通信）协同实现。
本申请实施例的信息推荐方法可应用于图1所示的信息推荐系统，如图1所示，该信息推荐系统包括客户端10和服务端20；其中，客户端10中安装有能够访问购物网站的购物应用程序APP或提供购物页面的浏览器，用户可通过购物应用程序或浏览器提供的购物页面进行商品的浏览或消费。服务端20为购物网站对应的服务，服务端20能够记录用户通过购物应用程序或购物页面所产生的行为数据。客户端10和服务端20之间通过网络30进行交互。
服务端20可实施为实现信息推荐方法的信息推荐装置。服务端20基于用户账号对不同的用户的行为数据进行分析，确定具有关联关系的用户账户，并基于存在关联关系的用户账号构建第一子网络，以将所述用户账号集合中的用户账号映射至包括至少两个第一子网络的第一子网络集合；针对所述第一子网络集合中的各第一子网络，确定所述第一子网络对应的目标商品，以向所述第一子网络中的用户账号推送所述目标商品的商品信息，并将目标商品的商品信息推送至对应的第一子网络中的用户账号对应的客户端。
当客户端中登陆购物网站的用户账号为该第一子网络中的用户账号，客户端以页面、短信等方式接收到目标商品的商品信息。这里，接收商品信息的页面可为该客户端中与购物网站具有关联的应用程序的页面，比如：购物应用程序为应用程序A，客户端10中还安装有应用程序B和应用程序C，且应用程序B与购物网站关联，则可在应用程序A和应用程序B中的页面可同时接收到目标商品的商品信息。
结合图1所示的应用场景示意图，本实施例提出一种信息推荐方法，能够基于线下关系挖掘用户感兴趣的商品，提高推荐的合适度。
下面，结合图1所示的信息推荐系统的示意图，对本申请实施例提供的信息推荐方法、装置、设备和存储介质的各实施例进行说明。
本实施例提供一种信息推荐方法，该方法应用于服务端，其中，服务端可为计算机设备或计算机设备组成的分布式网络。该方法所实现的功能可以通过计算机设备中的处理器调用程序代码来实现，当然程序代码可以保存在计算机存储介质中，可见，该计算机设备至少包括处理器和存储介质。
图2为本申请实施例的一种信息推荐方法的实现流程示意图，如图2所示，该方法可以包括如下步骤：
S201、根据用户账号集合中各用户账号对应的行为数据确定存在关联关系的用户账号，并基于存在关联关系的用户账号构建第一子网络，以将所述用户账号集合中的用户账号映射至包括至少两个第一子网络的第一子网络集合。
客户端可通过与服务端的交互浏览浏览器、应用程序App等提供软件程序提供的网页，并在网页的页面上提供数据，并基于页面上提供的消费接口进行消费。页面上提供的数据可包括：广告促销信息、商品图片、商品的价格、评论信息等页面资源。服务端记录客户端在浏览过程中产生的浏览数据：并记录客户端在消费过程中产生的消费数据。
这里，服务端以不同的用户账号对不同的用户进行区分，并以用户账号为记录单位记录各用户的行为数据。
第一用户账号集合可为服务端记录的所有的用户账号构成的集合，也可为设定范围内的所有的用户账号构成的集合。以第一用户账号集合为设定范围内的所有的用户账号构成的集合为例，设定范围可包括：地域范围、年龄范围、性别范围等可根据实际需求设定的范围。在一示例中，设定范围为地域范围，第一用户账号集合为中国区域内的用户账号构成的集合。在又一示例中，设定范围为18岁至30岁，则第一用户账号集合为对应年龄为18岁至30岁这一年龄段的用户账号构成的集合。在再一示例中，设定范围为女性，则第一用户账号集合为对应女性的用户账号构成的集合。
对于一用户账号集合，服务端对该用户账号集合中的各用户账号对应的行为数据进行分析，确定存在关联关系的用户账号。这里，当用户账号之间具有关联关系，则表征对应的用户之间存在线下关系。
行为数据包括消费数据和浏览数据，其中，消费数据为消费即下单过程中产生的数据，可包括：下单地址、电话号码、下单时间、银行卡号、下单金额、下单商品的SPU、商品个数等数据。比如：用户账号A购买了商品1，则记录用户账号A购买商品1的消费数据。浏览数据为浏览过程中产生的数据，包括：浏览时间、浏览商品的SPU、浏览设备ID等数据。比如：用户账号A浏览了商品1和商品2，则记录用户账号A浏览商品1的浏览数据和浏览商品2的浏览数据。
在一些实施例中，S201的实施包括：确定对应的行为数据中包括相同行为数据的用户账号为存在关联关系的用户账号；所述行为数据包括以下信息至少之一：下单地址、电话号码、银行卡号和浏览设备。
服务端以下单地址、电话号码、银行卡号、浏览设备中的一个或多个信息作为关联因素来确定存在关联关系的用户账号。其中，当两个用户账号对应的行为数据中，存在相同的行为数据即关联因素，则确定两个用户账号之间存在关联关系。
以行为数据包括下单地址为例，对应相同下单地址的用户账号为存在关联关系的用户账号。在一示例中，用户账号A1对应的下单地址包括地址a1和地址b1，用户账号B1对应的下单地址包括：地址b1，用户账号A1和用户账号B1对应的下单地址中包括相同的下单地址：地址b1，则用户账号A1和用户账号B1为存在关联关系的用户账号。
以行为数据包括电话号码为例，对应相同电话号码的用户账号为存在关联关系的用户账号。在一示例中，用户账号A2对应的电话号码包括：电话号码a2和电话号码b2，用户账号B2对应的电话号码包括：电话号码b2，用户账号A2和用户账号B2对应的电话号码包括相同的电话号码：电话号码b2，则用户账号A2和用户账号B2为存在关联关系的用户账号。
以行为数据包括银行卡号为例，对应相同银行卡号的用户账号为存在关联关系的用户账号。在一示例中，用户账号A3对应的银行卡号包括：银行卡号a3和银行卡号b3，用户账号B3对应的银行卡号包括：银行卡号b3，用户账号C3对应的银行卡号包括：银行卡号c3，用户账号A3和用户账号B3对应的银行卡号中包括相同的电话号码：电话号码b3，则用户账号A3和用户账号B3为存在关联关系的用户账号。
以行为数据包括：下单地址和电话号码为例，用户账号A4对应的下单地址和电话号码分别为：下单地址a4、下单地址b4和电话号码a4，用户账号B4对应的下单地址和电话号码分别为：下单地址a4和电话号码a4，用户账号A4和用户账号B4对应的关联因素中包括相同的关联因素：下单地址a4和电话号码a4，则用户账号A4和用户账号B4为存在关联关系的用户账号。
本申请实施例中，当行为数据包括：下单地址，将用户账号对应的下单地址中的公共地址、模糊地址等无法准确反映用户的线下关系的下单地址进行过滤。这里，服务端根据对应的用户账号的数量确定下单地址是否为公共地址。服务端根据下单地址的精确度确定是否为模糊地址，比如：当一地址精确到小区名称，而未精确至门牌号时，确定该下单地址为模糊地址。
在本申请实施例中，当行为数据包括：电话号码，将用户账号对应的电话号码中的无法准确反映用户的线下关系的公共电话号码进行过滤。这里，服务端根据对应的用户账号的数量确定电话号码是否为公共电话号码。
在一些实施例中，在S201之前，所述方法还包括：根据所述用户账号集合中对应的电话号码的数量或对应的浏览设备的数量，确定用户账号集合中的公共用户账号，所述公共用户账号对应的电话号码的数量大于第一阈值或对应的浏览设备的数量大于第二阈值；将所述公共用户账号从所述用户账号集合中筛除。
这里，根据用户账号对应的电话号码的数量或对应的浏览设备的数量确定用户账号集合中所包括的公共用户账号，并将公共用户账号从用户账号集合中删除，从而在确定具有关联关系的用户账号时，将公共用户账号排除在外，避免将公共用户账号和私人用户账号进行关联，这里，将公共用户账号以外的用户账号称为私人账户。
在一示例中，当一用户账号对应的电话号码的数量大于第一阈值，表征该用户账号为公共用户账号。第一阈值的大小可根据实际需求进行设置，比如：5。
在一示例中，当一用户账号对应的浏览设备的数量大于第二阈值，表征该用户账号为公共用户账号。第二阈值的大小可根据实际需求进行设置，比如：10。
在一些实施例中，当所述行为数据包括所述下单地址，所述方法还包括：确定所述下单地址对应的用户账户的数量；确定对应的用户账户的数量大于第三阈值的下单地址为公共地址；其中，对应相同公共地址的用户账户之间不存在关联关系。
这里，当行为数据包括下单地址，则将对应的用户账号的数量大于第三阈值的下单地址确定为公共地址，并将公共地址从用户账号对应的下单地址中过滤。其中，第三阈值的大小可根据实际需求设置，比如：5。
当所述行为数据包括所述电话号码，所述方法还包括：确定所述电话号码对应的用户账户的数量；确定对应的用户账户的数量大于第四阈值的电话号码为公共电话号码；其中，对应相同公共电话号码的用户账户之间不存在关联关系。
这里，当行为数据包括电话号码，则将对应的用户账号的数量大于第四阈值的电话号码确定为公共电话号码，并将公共电话号码从用户账号对应的电话号码中过滤。其中，第四阈值的大小可根据实际需求设置，比如：10。
在确定具有关联的用户账号后，基于存在关联的用户账号构建第一子网络。比如：用户账号A和用户账号B为存在关联关系的用户账号，用户账号B和用户账号C之间存在关联关系，则基于用户账号A、用户账号B和用户账号C构建第一子网络。
本申请实施例中，将第一用户账号集合中存在关联关系的用户账号构建为第一子网络，从而将第一用户账号集合映射为包括至少两个第一子网络的第一子网络集合。
在一示例中，如图3所示，第一用户账号集合中的用户账号包括：用户账号301至用户账号3010，其中，用户账号301和用户账号302之间存在关联关系，用户账号302和用户账号305之间存在关联关系，用户账号305和用户账号3010之间存在关联关系，用户账号303和用户账号306之间存在关联关系，用户账号306和用户账号309之间存在关联关系，用户账号304和用户账号307之间存在关联关系，用户账号307和用户账号308之间存在关联，则基于用户账号301、用户账号302、用户账号305和用户账号3010构建第一子网络31，基于用户账号303、用户账号306和用户账号309构建第一子网络32，基于用户账号304、用户账号307和用户账号308构建第一子网络33，将用户账号集合映射为包括第一子网络31、第一子网络32和第一子网络33的第一子网络集合。
S202、针对所述第一子网络集合中的各第一子网络，确定所述第一子网络对应的目标商品，以向所述第一子网络中的用户账号推送所述目标商品的商品信息。
服务端将用户账号集合映射为包括多个第一子网络的第一子网络集合后，以第一子网络为个体进行商品的推荐。
本申请实施例中，向第一子网络中的用户账号推送的目标商品的确定方式包括以下至少之一：
方式一、根据第一子网络的SPU偏好确定目标商品；
方式二、当第一子网络中的用户账号存在消费行为，将所产生的消费行为中的消费商品确定为目标商品；
方式三、根据第一子网络对应的SPU偏好确定存在SPU偏好关联的第一子网络，并基于存在SPU偏好关联的第一子网络构建第二子网络，以将第一子网络集合划分为至少一个第二子网络，确定第二子网络的目标商品，对于一第一子网络，将该第一子网络所属的第二子网络的目标商品确定为该第一子网络的目标商品。
在方式一中，以第一子网络为单位，直接基于具有线下关系的用户的SPU偏好向对应的第一子网路中的用户账号推送商品信息。在一示例中，第一子网络1的SPU偏好为A商品，第一子网络2的SPU偏好为B商品，第一子网络3的SPU偏好为C商品，则向第一子网络1中的用户账号推送A商品的商品信息，向第一子网络2中的用户账号推送B商品的商品信息，向第一子网络3中的用户账号推送C商品的商品信息。
在方式二中，以第一子网络为单位，当一第一子网络中的用户账号产生消费行为，则认为该第一子网络中的其他用户账号存在相同消费行为潜力，向第一子网络中的各用户账号推送该消费行为中的商品的商品信息。
在方式三中，基于具有SPU偏好关联的第一子网络构建第二子网络，从而将具有相同或相似SPU偏好的第一子网络关联至一第二子网络，基于第二子网络向该第二子网络所包括的用户账号进行商品推荐。
本申请实施例中，根据用户账号集合中各用户账号对应的行为数据确定存在关联关系的用户账号，并基于存在关联关系的用户账号构建第一子网络，以将所述用户账号集合中的用户账号映射至包括至少两个第一子网络的第一子网络集合；针对所述第一子网络集合中的各第一子网络，确定所述第一子网络对应的目标商品，以向所述第一子网络中的用户账号推送所述目标商品的商品信息，从而通过基于用户账号对应的行为数据挖掘出具有线下关系的用户账号，基于具有线下关系的用户账号构建第一子网络，并以第一子网络的个体进行商品推荐，提高推荐的合适度。
在一些实施例中，当确定目标商品的方式采用方式三，如图4所示，S202包括：
S2021、基于所述第一子网络集合中不同第一子网络之间的SPU偏好相似度，将所述第一子网络集合中的第一子网络划分至至少一个第二子网络。
其中，同一第二子网络中不同的第一子网络之间存在SPU偏好关联。
本申请实施例中，对于一第一子网络，根据该第一子网络所包括的用户账号对应的行为数据中的下单商品的SPU和浏览商品的SPU的占比，确定该第一子网络的SPU偏好。
在一示例中，将下单商品的SPU和浏览商品的SPU的占比大于占比阈值的SPU确定为SPU偏好。比如：下单商品的SPU中包括五次商品A，浏览商品的SPU中不包括十次商品A，下单商品的SPU中包括两次商品B，浏览商品的SPU中不包括十次商品B，则商品A对应的占比为0.5，商品B对应的占比为0.2，占比阈值为0.4，则SPU偏好包括商品A。
在又一示例中，将下单商品的SPU和浏览商品的SPU的占比位于设定次序的SPU确定为SPU偏好。比如：下单商品的SPU中包括五次商品A，浏览商品的SPU中不包括十次商品A，下单商品的SPU中包括两次商品B，浏览商品的SPU中不包括十次商品B，则商品A对应的占比为0.5，商品B对应的占比为0.2，根据占比排序的排序结果为：商品A、商品B，当设定次序为1，则SPU偏好包括商品A。
在确定各第一子网络的SPU偏好后，服务端以各第一子网络的SPU偏好为参数，采用相似度计算法计算不同的第一子网络之间的SPU偏好相似度。其中，服务端所采用的相似度计算法可包括：欧氏距离、曼哈顿距离、明可夫斯基距离、余弦相似度等算法。
在一些实施例中，所述方法还包括：遍历所述第一子网络集合中任意两个第一子网络，根据所述两个第一子网络的SPU偏好，确定所述两个第一子网络之间的SPU偏好相似度。
这里，遍历各第一子网络对应的SPU偏好相似度，其中，一第一子网络对应的SPU偏好相似度包括：该第一子网络分别与其他第一子网络中各第一子网络之间的SPU偏好相似度。比如：当第一子网络集合划分后的第一子网络包括：第一子网络1至第一子网络10，则计算第一子网络分别与第一子网络2、第一子网络3、第一子网络4至第一子网络10之间的SPU偏好相似度，计算第一子网络2分别与第一子网络1、第一子网络3、第一子网络4至第一子网络10之间的SPU偏好相似度，以此类推，得到45个SPU偏好相似度。
在一些实施例中，所述方法还包括：根据所述第一子网络集合中各第一子网络的以下参数至少之一对所述第一子网络集合中的第一子网络进行聚类：消费水平和消费潜力，将所述第一子网络集合划分为至少两个子集合；对于所述至少两个子集合中的各子集合，执行以下处理：遍历所述子集合中任意两个第一子网络，根据所述两个第一子网络的SPU偏好，确定所述两个第一子网络之间的SPU偏好相似度。
这里，对第一子网络集合中的第一子网络进行聚类，基于聚类结果将同一类的第一子网络划分至一个子集合，并以子集合为单位，计算各子集合中任意两个第一子网络之间的SPU偏好相似度。
本申请实施例中，对第一子网络集合中的第一子网络进行聚类所采用的聚类算法可包括：k-means聚类算法、Mean-Shift 聚类、基于密度的带噪声的空间聚类的（DBSCAN)、基于高斯混合模型(GMM)的期望最大化（EM）聚类等。本申请实施例对聚类算法不进行任何的限定。
以k-means聚类算法为例，对第一子网络集合的第一子网络进行聚类的过程进行举例说明。
将第一子网络集合中的各第一子网络映射至特征空间，映射为如图5中的阶段（A）所示的点的分布，其中，不同的点对应不同的第一子网络。
先定义需要聚类的K个簇，即K个子集合，然后在第一子网络集合的所有第一子网络中随机筛选K个第一子网络对应的点作为中心点，如图5中的阶段（B）中的C1和C2。
计算所有第一子网络对应的点与K个中心点的距离来确定每个第一子网络属于哪个中心点对应的簇。在图5中的阶段（C）中，基于所有第一子网络对应的点与中心点C1和C2之间的距离，将所有第一子网络对应的点划分为两个集合，分别为空心点构成的集合与实心点构成的集合。
根据各簇中的第一子网络进行各中心点（C1和C2）的调整，调整结果如图5中的阶段（D）所示。
循环执行图5中的阶段（C）和阶段（D）的操作，直到各中心点（C1和C2）位置不变，如图5中的阶段（E）和阶段（F）所示，阶段（E）中C1、C2的位置与阶段（F）中C1、C2的位置相同。此时，将不同集合中的点对应的第一子网络划分至一个类别对应的簇。
需说明的是，在图5中以K为2为例对聚类过程进行说明，实际应用中K的值不限定。
对第一子网络集合中的第一子网络聚类时，以第一子网络对应的消费水平和消费潜力中的一个或多个的组合作为聚类的特征。其中，第一子网络对应的消费水平可包括：消费总额、商品均价、第一设定时间段内消费最大频率。消费潜力包括：消费潜力趋势和浏览频率趋势，其中，消费潜力趋势可通过趋势分析法对该第一子网络自初次下单开始的下单频率趋势进行分析得到，浏览频率趋势可通过趋势分析法对该第一子网络自初次浏览开始的浏览频率趋势进行分析得到。
以通过第一子网络对应的消费水平对第一子网络集合中的第一子网络进行聚类为例，通过消费水平对第一子网络集合中的第一子网络进行聚类，得到多个子集合。
以通过第一子网络对应的消费潜力对第一子网络集合中的第一子网络进行聚类为例，通过消费潜力对第一子网络集合中的第一子网络进行聚类，得到多个子集合。
本申请实施例中，当通过第一子网络对应的消费水平和消费潜力对第一子网络集合中的第一子网络进行聚类，可通过消费水平对第一子网络集合中的第一子网络进行一次聚类，并基于一次聚类的结果通过消费潜力对一次聚类结果进行二次聚类。在一示例中，当基于消费水平对第一子网络集合中的第一子网络进行聚类即第一次聚类，得到三个组，然后针对三个组中的第一子网络分别基于消费潜力进行聚类即二次聚类，从而将每个组中的第一子网络再次聚合为三个小组，最终将第一子网络结合聚类为9个小组，即9个子集合。
本申请实施例中，当两个第一子网络之间的SPU偏好相似度的值越小，表征两个第一子网络的SPU偏好之间的相似度越大。
在确定不同的第一子网络之间的SPU偏好相似度后，将SPU偏好相似度高的第一子网络划分至一第二子网络，从而将第一子网络集合划分为至少一个第二子网络。
在一些实施例中，S2021的实施包括：以所述第一子网络集合中各第一子网络为目标子网络，执行以下处理：将所述目标子网络对应的SPU偏好相似度进行排序；所述SPU偏好相似度对应的两个第一子网络包括：所述目标子网络和候选子网络；基于所述排序结果中设定次序的偏好相似度对应的候选第一子网络和所述目标子网络，构成所述目标子网络对应的第二子网络。
这里，针对各第一子网络，将各第一子网络对应的SPU偏好相似度分别进行排序。其中，对于一第一子网络，该第一子网络对应的SPU偏好相似度包括该第一子网络与其他任一第一子网络之间的SPU偏好相似度。在一示例中，当第一子网络集合划分后的第一子网络包括：第一子网络1至第一子网络10，则第一子网络1对应的SPU偏好相似度包括第一子网络1分别与第一子网络2、第一子网络3至第一子网络9之间的九个SPU偏好相似度，以此类推。
以所述第一子网络集合中各第一子网络为目标子网络，分别确定各目标子网络对应的第二子网络。在一示例中，以设定次序为3为例，当第一子网络集合划分后的第一子网络包括：第一子网络1至第一子网络10，以第一子网络1为目标子网络，则第一子网络1对应的SPU偏好相似度包括第一子网络1分别与第一子网络2、第一子网络3至第一子网络9之间的九个SPU偏好相似度（其中，第一子网络2、第一子网络3至第一子网络9相对于第一子网络可称为参考子网络），将这九个SPU偏好相似度进行排序，则基于排序结果中的前三个SPU偏好相似度对应的三个参考子网络和第一子网络1构成第一子网络1对应的第二子网络，比如：当排序结果中的前三个SPU偏好相似度包括：第一子网络1和第一子网络2之间的SPU偏好相似度、第一子网络1和第一子网络4之间的SPU偏好相似度、以及第一子网络1和第一子网络6之间的SPU偏好相似度，则第一子网络1对应的第二子网络包括：第一子网络1、第一子网络2、第一子网络4和第一子网络6；以此类推，分别得到各第一子网络对应的第二子网络。
S2022、针对所述至少一个第二子网络中各第二子网络，确定所述第二子网络对应的目标商品。
本申请实施例中，第二子网络对应的目标商品的确定方式包括以下至少之一：
方式1、根据第二子网络的SPU偏好确定目标商品；
方式2、当第二子网络中的用户账号存在消费行为，将所产生的消费行为中的消费商品确定为目标商品。
在方式1中，确定所述第二子网络的SPU偏好对应的商品为所述第二子网络对应的目标商品。
在方式2中，当所述第二子网络中的用户账号存在消费行为；将所述消费行为中的消费商品确定为所述第二子网络对应的目标商品。
S2023、针对所述第一子网络集合中的各第一子网络，将所述第一子网络所属的第二子网络对应的目标商品确定为所述第一子网络对应的目标商品。
当将第一子网络集合划分为多个第二子网络，将第二子网络对应的目标商品确定为该第二子网络所包括的各第一子网络对应的目标商品。
这里，当采用方式1确定第二子网络对应的目标商品，以第二子网络为单位，直接基于具有线下关系的用户的SPU偏好向对应的第二子网路中的用户账号推送商品信息。在一示例中，第二子网络1的SPU偏好为A商品，第二子网络2的SPU偏好为B商品，第二子网络3的SPU偏好为C商品，则向第二子网络1中的用户账号推送A商品的商品信息，向第二子网络2中的用户账号推送B商品的商品信息，向第二子网络3中的用户账号推送C商品的商品信息。
这里，当采用方式2确定第二子网络对应的目标商品，以第二子网络为单位，当一第二子网络中的用户账号产生消费行为，则认为该第二子网络中的其他用户账号存在相同消费行为潜力，向第二子网络中的各用户账号推送该消费行为中的商品的商品信息。
本申请实施例中，在将用户账号集合中的用户账号映射为第一子网络后，以第一子网络为对象，对用户账号集合中的用户账号进行二次映射，划分为多个第二子网络，且同一第二子网络中的第一子网络存在SPU偏好关联，即同一第二子网络的第一子网络为具有SPU相似的SPU偏好的第一子网络，且基于第二子网络确定向第一子网络中的用户账号推送的目标商品，从而基于SPU偏好相似的第一子网络进行商品推荐，进一步提高推荐的合适度。
下面，以展示类网页为具体的应用场景对本申请实施例提供的信息推荐方法进行进一步说明。
本申请实施例中，分析用户行为信息所产生的具有用户间关联意义的字段，基于分析的字段构建基于用户关联关系的子网络，并基于子网络的行为特征进行实时的智能推荐，如图6所示，包括：
S601、获取用户的下单数据和浏览数据。
其中，下单数据即消费数据可包括：下单地址、下单电话、下单时间、下单银行卡号、下单金额、下单商品的SPU、商品个数。
浏览数据可包括：浏览时间、浏览商品的SPU、浏览设备ID。
这里，不同用户的下单数据和浏览数据可基于用户账号进行区别，其中，用户账号可为：用户名称、个人识别码（Personal Identification Number，PIN）。以用户账号为PIN为例，用户账号和下单数据、浏览数据的关系可通过图7所示，一个PIN对应的单数据和浏览数据包括：下单地址、下单电话、银行卡号、下单金额、下单时间、商品SPU、设备ID和浏览时间，其中，商品SPU包括：浏览商品SPU和下单商品的SPU，设备ID为浏览设备ID。
S602、根据下单数据和浏览数据确定具有关联关系的用户账号，并基于具有关联关系的用户账号构建第一子网络。
这里，可根据下单数据和浏览数据中的一个参数或多个参数的组合作为关联要素来确定具有关联关系的用户账号。
以下单地址为关联要素为例，将具有相同下单地址的用户账号关联起来，其中，下单地址不包括公共地址或模糊地址。
以下单电话为关联要素为例，将具有相同下单电话的用户账号关联起来，这里，作为关联要素的下单电话不包括绑定n1（n1≥5）个以上用户的电话号码，或关联的用户账号不包括绑定n2个及以上电话号码的用户账号（n2≥5）。
以下单银行卡号为关联要素为例，将具有相同下单银行卡号的用户账号关联起来，关联的用户账号不包括绑定n2个及以上电话号码的用户账号（n2≥5）。
以浏览设备ID为关联要素为例，将具有相同浏览设备的用户账号关联起来。其中，作为关联要素的浏览设备不包括被n3（n3≥10）个以上用户账号使用的设备，或关联的用户账号不包括使用n4 （n4≥10）个及以上设备的用户账号。
在一示例中，如图8所示，当PIN1对应的消费数据和浏览数据，和PIN2对应的消费数据和浏览数据中存在相同的下单地址、银行卡号、电话号码和设备ID，可认为PIN1和PIN2之间存在关联关系。
在确定存在关联关系的用户账号后，基于存在关联关系的用户账号构建用户关联网络即第一子网络。
S603、基于用户的消费行为构建基于第一子网络的数据挖掘维度。
这里，数据挖掘维度包括：所有用户的消费水平、SPU偏好和消费潜力。
消费水平包括：该第一子网络的消费总额、商品均价、一个月内消费最大频率。
Spu偏好包括：该第一子网络近两年浏览的SPU与消费SPU的占比。
消费潜力包括：消费频率趋势和浏览频率趋势。其中，可使用趋势分析法对该第一子网络自初次下单开始的下单频率趋势进行分析，得到消费频率趋势；可使用趋势分析法对该网络自初次浏览开始的浏览频率趋势进行分析，得到浏览频率趋势。
如图9所示，当一个第一子网络包括PIN1、PN2和PIN3，基于该第一子网络中所包括的三个PIN的行为数据得到该第一子网络对应的数据挖掘维度，其中，数据挖掘维度中的信息包括：消费总额、商品均价、最大频率（即一个月内消费的最大频率）、SPU偏好、消费频率趋势和浏览频率趋势。
S604、根据数据挖掘维度对第一子网络中的用户账号进行分类，得到第二子网络。
对用户账号对应的行为数据进行清洗及归一化处理；以关联网络作为个体对象，以消费水平为特征，使用K-means聚类算法进行聚类分析，将所有的第一子网络分为特征明显的以下三类第一子网络：水平高、水平中等、水平低；以消费潜力为特征，对每一类消费水平中的第一子网络进行聚类分析，将将每一类消费水平中的第一子网络分为特征明显的以下三类第一子网络：潜力高、潜力中等、潜力低。
对于类型相同的第一子网络，使用余弦相似度方法判别两两第一子网络之间的SPU偏好相似度，对于各第一子网络，将对应的SPU偏好相似度排名前三的第一子网络与该第一子网络得到第二子网络。
如图10所示，第一子网络1001、第一子网络1002、第一子网络1003和第一子网络1004构成第二子网络100。
S605、基于第二子网络进行商品推荐。
当第二子网络中的一个用户产生消费行为且消费的商品为商品A，向第二子网络中的各用户推荐商品A。
根据第二子网络的SPU偏好，向第二子网络中的用户进行商品推荐。
本申请实施例提供的信息推荐方法，以用户关联网络为个体进行以下处理：聚类、基于相似度的关联、在个体间进行的spu推荐以及针对实时消费行为在关联个体间进行的商品推荐。使得本申请实施例提供的信息推荐方法利用用户线下亲密关系，进一步挖掘用户消费潜能，且结合消费水平和消费潜力对用户进行分类，增强用户商品推荐的有效性。
基于前述的实施例，本申请实施例提供一种信息推荐装置，该装置包括所包括的各模块、以及各模块所包括的各单元，可以通过计算机设备中的处理器来实现；当然也可通过具体的逻辑电路实现；在实施的过程中，处理器可以为中央处理器（CPU）、微处理器（MPU）、数字信号处理器（DSP）或现场可编程门阵列（FPGA）等。
图11为本申请实施例的一种信息推荐装置的组成结构示意图，如图11所示，所述装置110包括：
第一确定单元1101，用于根据用户账号集合中各用户账号对应的行为数据确定存在关联关系的用户账号，并基于存在关联关系的用户账号构建第一子网络，以将所述用户账号集合中的用户账号映射至包括至少两个第一子网络的第一子网络集合；
第二确定单元1102，用于针对所述第一子网络集合中的各第一子网络，确定所述第一子网络对应的目标商品，以向所述第一子网络中的用户账号推送所述目标商品的商品信息。
在一些实施例中，第一确定单元1101，还用于：
确定对应的行为数据中包括相同行为数据的用户账号为存在关联关系的用户账号；所述行为数据包括以下信息至少之一：下单地址、电话号码、银行卡号和浏览设备。
在一些实施例中，所述装置还包括：第一筛除单元，用于：
根据所述用户账号集合中对应的电话号码的数量或对应的浏览设备的数量，确定用户账号集合中的公共用户账号，所述公共用户账号对应的电话号码的数量大于第一阈值或对应的浏览设备的数量大于第二阈值；
将所述公共用户账号从所述用户账号集合中筛除。
在一些实施例中，所述装置还包括：第二筛除单元，用于：
当所述行为数据包括所述下单地址，确定所述下单地址对应的用户账户的数量；
确定对应的用户账户的数量大于第三阈值的下单地址为公共地址；其中，对应相同公共地址的用户账户之间不存在关联关系。
在一些实施例中，所述装置还包括：第三筛除单元，用于：
当所述行为数据包括所述电话号码，确定所述电话号码对应的用户账户的数量；
确定对应的用户账户的数量大于第四阈值的电话号码为公共电话号码；其中，对应相同公共电话号码的用户账户之间不存在关联关系。
在一些实施例中，第二确定单元1102，包括：
第一划分模块，用于基于所述第一子网络集合中不同第一子网络之间的标准化产品单元SPU偏好相似度，将所述第一子网络集合中的第一子网络划分至至少一个第二子网络，同一第二子网络中不同的第一子网络之间存在SPU偏好关联；
第一确定模块，用于针对所述至少一个第二子网络中各第二子网络，确定所述第二子网络对应的目标商品；
第二确定模块，用于针对所述第一子网络集合中的各第一子网络，将所述第一子网络所属的第二子网络对应的目标商品确定为所述第一子网络对应的目标商品。
在一些实施例中，所述第一划分模块还用于：
以所述第一子网络集合中各第一子网络为目标子网络，执行以下处理：
将所述目标子网络对应的SPU偏好相似度进行排序；所述SPU偏好相似度对应的两个第一子网络包括：所述目标子网络和候选子网络；
基于所述排序结果中设定次序的偏好相似度对应的候选第一子网络和所述目标子网络，构成所述目标子网络对应的第二子网络。
在一些实施例中，所述装置还包括：
第三确定单元，用于遍历所述第一子网络集合中任意两个第一子网络，根据所述两个第一子网络的SPU偏好，确定所述两个第一子网络之间的SPU偏好相似度。
在一些实施例中，所述装置还包括：
聚类单元，用于根据所述第一子网络集合中各第一子网络的以下参数至少之一对所述第一子网络集合中的第一子网络进行聚类：消费水平和消费潜力，将所述第一子网络集合划分为至少两个子集合；
第四确定单元，用于对于所述至少两个子集合中的各子集合，执行以下处理：遍历所述子集合中任意两个第一子网络，根据所述两个第一子网络的SPU偏好，确定所述两个第一子网络之间的SPU偏好相似度。
在一些实施例中，所述第一确定模块，还用于：
确定所述第二子网络的SPU偏好对应的商品为所述第二子网络对应的目标商品。
在一些实施例中，所述第一确定模块，还用于：
当所述第二子网络中的用户账号存在消费行为；
将所述消费行为中的消费商品确定为所述第二子网络对应的目标商品。
以上装置实施例的描述，与上述方法实施例的描述是类似的，具有同方法实施例相似的有益效果。对于本申请装置实施例中未披露的技术细节，请参照本申请方法实施例的描述而理解。
需要说明的是，本申请实施例中，如果以软件功能模块的形式实现上述的数据写入方法，并作为独立的产品销售或使用时，也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，本申请实施例的技术方案本质上或者说对相关技术做出贡献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）执行本申请各个实施例所述方法的全部或部分。而前述的存储介质包括：U盘、移动硬盘、只读存储器（Read OnlyMemory，ROM）、磁碟或者光盘等各种可以存储程序代码的介质。这样，本申请实施例不限制于任何特定的硬件和软件结合。
对应地，本申请实施例提供一种设备，也就是计算机设备，包括存储器和处理器，所述存储器存储有可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述实施例中提供的信息推荐方法中的步骤。
对应地，本申请实施例提供一种存储介质，也就是计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述实施例中提供的信息推荐方法中的步骤。
这里需要指出的是：以上存储介质和设备实施例的描述，与上述方法实施例的描述是类似的，具有同方法实施例相似的有益效果。对于本申请存储介质和设备实施例中未披露的技术细节，请参照本申请方法实施例的描述而理解。
需要说明的是，图12为本申请实施例计算机设备的一种硬件实体示意图，如图12所示，所述计算机设备1200包括：一个处理器1201、至少一个通信总线1202、用户接口1203、至少一个外部通信接口1204和存储器1205。其中，通信总线1202配置为实现这些组件之间的连接通信。其中，用户接口1203可以包括显示屏，外部通信接口1204可以包括标准的有线接口和无线接口。
存储器1205配置为存储由处理器1201可执行的指令和应用，还可以缓存待处理器1201以及计算机设备中各模块待处理或已经处理的数据（例如，图像数据、音频数据、语音通信数据和视频通信数据），可以通过闪存（FLASH）或随机访问存储器（Random AccessMemory，RAM）实现。
应理解，说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本申请的至少一个实施例中。因此，在整个说明书各处出现的“在一个实施例中”或“在一些实施例中”未必一定指相同的实施例。此外，这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。应理解，在本申请的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外，在本申请各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器（Read Only Memory，ROM）、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本申请上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也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，本申请实施例的技术方案本质上或者说对相关技术做出贡献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）执行本申请各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本申请的实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

Claims (20)

1.一种信息推荐方法，其特征在于，所述方法包括：
根据用户账号集合中各用户账号对应的行为数据确定存在关联关系的用户账号，并基于存在关联关系的用户账号构建第一子网络，以将所述用户账号集合中的用户账号映射为包括至少两个第一子网络的第一子网络集合；
基于所述第一子网络集合中不同第一子网络之间的标准化产品单元SPU偏好相似度，将所述第一子网络集合中的第一子网络划分至至少一个第二子网络，同一第二子网络中不同的第一子网络之间存在SPU偏好关联；
针对所述至少一个第二子网络中各第二子网络，确定所述第二子网络对应的目标商品；
针对所述第一子网络集合中的各第一子网络，将所述第一子网络所属的第二子网络对应的目标商品确定为所述第一子网络对应的目标商品，以向所述第一子网络中的用户账号推送所述目标商品的商品信息；
其中，所述方法还包括：
根据所述第一子网络集合中各第一子网络的以下参数至少之一对所述第一子网络集合中的第一子网络进行聚类：消费水平和消费潜力，将所述第一子网络集合划分为至少两个子集合；
对于所述至少两个子集合中的各子集合，执行以下处理：
遍历所述子集合中任意两个第一子网络，根据所述两个第一子网络的SPU偏好，确定所述两个第一子网络之间的SPU偏好相似度。
2.根据权利要求1所述的方法，其特征在于，根据用户账号集合中各用户账号对应的行为数据确定存在关联关系的用户账号，包括：
确定对应的行为数据中包括相同行为数据的用户账号为存在关联关系的用户账号；所述行为数据包括以下信息至少之一：下单地址、电话号码、银行卡号和浏览设备。
3.根据权利要求2所述的方法，其特征在于，所述方法还包括：
根据所述用户账号集合中对应的电话号码的数量或对应的浏览设备的数量，确定用户账号集合中的公共用户账号，所述公共用户账号对应的电话号码的数量大于第一阈值或对应的浏览设备的数量大于第二阈值；
将所述公共用户账号从所述用户账号集合中筛除。
4.根据权利要求2所述的方法，其特征在于，当所述行为数据包括所述下单地址，所述方法还包括：
确定所述下单地址对应的用户账户的数量；
确定对应的用户账户的数量大于第三阈值的下单地址为公共地址；其中，对应相同公共地址的用户账户之间不存在关联关系。
5.根据权利要求2所述的方法，其特征在于，当所述行为数据包括所述电话号码，所述方法还包括：
确定所述电话号码对应的用户账户的数量；
确定对应的用户账户的数量大于第四阈值的电话号码为公共电话号码；其中，对应相同公共电话号码的用户账户之间不存在关联关系。
6.根据权利要求1所述的方法，其特征在于，所述基于所述第一子网络集合中不同第一子网络之间的SPU偏好相似度，将所述第一子网络集合中的第一子网络划分至至少一个第二子网络，包括：
以所述第一子网络集合中各第一子网络为目标子网络，执行以下处理：
将所述目标子网络对应的SPU偏好相似度进行排序；所述SPU偏好相似度对应的两个第一子网络包括：所述目标子网络和候选子网络；
基于排序结果中设定次序的偏好相似度对应的候选第一子网络和所述目标子网络，构成所述目标子网络对应的第二子网络。
7.根据权利要求1或6所述的方法，其特征在于，所述方法还包括：
遍历所述第一子网络集合中任意两个第一子网络，根据所述两个第一子网络的SPU偏好，确定所述两个第一子网络之间的SPU偏好相似度。
8.根据权利要求1所述的方法，其特征在于，所述确定所述第二子网络对应的目标商品，包括：
确定所述第二子网络的SPU偏好对应的商品为所述第二子网络对应的目标商品。
9.根据权利要求1所述的方法，其特征在于，所述确定所述第二子网络对应的目标商品，包括：
当所述第二子网络中的用户账号存在消费行为；
将所述消费行为中的消费商品确定为所述第二子网络对应的目标商品。
10.一种信息推荐装置，其特征在于，所述装置包括：
第一确定单元，用于根据用户账号集合中各用户账号对应的行为数据确定存在关联关系的用户账号，并基于存在关联关系的用户账号构建第一子网络，以将所述用户账号集合中的用户账号映射至包括至少两个第一子网络的第一子网络集合；
第二确定单元，用于基于所述第一子网络集合中不同第一子网络之间的SPU偏好相似度，将所述第一子网络集合中的第一子网络划分至至少一个第二子网络，同一第二子网络中不同的第一子网络之间存在SPU偏好关联；针对所述至少一个第二子网络中各第二子网络，确定所述第二子网络对应的目标商品；针对所述第一子网络集合中的各第一子网络，将所述第一子网络所属的第二子网络对应的目标商品确定为所述第一子网络对应的目标商品，以向所述第一子网络中的用户账号推送所述目标商品的商品信息；
其中，所述装置还包括：
聚类单元，用于根据所述第一子网络集合中各第一子网络的以下参数至少之一对所述第一子网络集合中的第一子网络进行聚类：消费水平和消费潜力，将所述第一子网络集合划分为至少两个子集合；
第四确定单元，用于对于所述至少两个子集合中的各子集合，执行以下处理：遍历所述子集合中任意两个第一子网络，根据所述两个第一子网络的SPU偏好，确定所述两个第一子网络之间的SPU偏好相似度。
11.根据权利要求10所述的装置，其特征在于，所述第一确定单元，还用于：
确定对应的行为数据中包括相同行为数据的用户账号为存在关联关系的用户账号；所述行为数据包括以下信息至少之一：下单地址、电话号码、银行卡号和浏览设备。
12.根据权利要求11所述的装置，其特征在于，所述装置还包括：第一筛除单元，用于：
根据所述用户账号集合中对应的电话号码的数量或对应的浏览设备的数量，确定用户账号集合中的公共用户账号，所述公共用户账号对应的电话号码的数量大于第一阈值或对应的浏览设备的数量大于第二阈值；
将所述公共用户账号从所述用户账号集合中筛除。
13.根据权利要求11所述的装置，其特征在于，所述装置还包括：第二筛除单元，用于：
当所述行为数据包括所述下单地址，确定所述下单地址对应的用户账户的数量；
确定对应的用户账户的数量大于第三阈值的下单地址为公共地址；其中，对应相同公共地址的用户账户之间不存在关联关系。
14.根据权利要求11所述的装置，其特征在于，所述装置还包括：第三筛除单元，用于：
当所述行为数据包括所述电话号码，确定所述电话号码对应的用户账户的数量；
确定对应的用户账户的数量大于第四阈值的电话号码为公共电话号码；其中，对应相同公共电话号码的用户账户之间不存在关联关系。
15.根据权利要求10所述的装置，其特征在于，所述第二确定单元，还用于：
以所述第一子网络集合中各第一子网络为目标子网络，执行以下处理：
将所述目标子网络对应的SPU偏好相似度进行排序；所述SPU偏好相似度对应的两个第一子网络包括：所述目标子网络和候选子网络；
基于排序结果中设定次序的偏好相似度对应的候选第一子网络和所述目标子网络，构成所述目标子网络对应的第二子网络。
16.根据权利要求10或15所述的装置，其特征在于，所述装置还包括：
第三确定单元，用于遍历所述第一子网络集合中任意两个第一子网络，根据所述两个第一子网络的SPU偏好，确定所述两个第一子网络之间的SPU偏好相似度。
17.根据权利要求10所述的装置，其特征在于，所述第二确定单元，还用于：
确定所述第二子网络的SPU偏好对应的商品为所述第二子网络对应的目标商品。
18.根据权利要求10所述的装置，其特征在于，所述第二确定单元，还用于：
当所述第二子网络中的用户账号存在消费行为；
将所述消费行为中的消费商品确定为所述第二子网络对应的目标商品。
19.一种计算机设备，包括存储器、处理器及存储在存储器上并可在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权利要求1至9任一项所述信息推荐方法中的步骤。
20.一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，该计算机程序被处理器执行时实现权利要求1至9任一项所述的信息推荐方法。
CN201911260527.7A 2019-12-10 2019-12-10 一种信息推荐方法及装置、设备、存储介质 Active CN112948663B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911260527.7A CN112948663B (zh) 2019-12-10 2019-12-10 一种信息推荐方法及装置、设备、存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911260527.7A CN112948663B (zh) 2019-12-10 2019-12-10 一种信息推荐方法及装置、设备、存储介质

Publications (2)

Publication Number Publication Date
CN112948663A CN112948663A (zh) 2021-06-11
CN112948663B true CN112948663B (zh) 2024-08-20

Family

ID=76225691

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911260527.7A Active CN112948663B (zh) 2019-12-10 2019-12-10 一种信息推荐方法及装置、设备、存储介质

Country Status (1)

Country Link
CN (1) CN112948663B (zh)

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101565339B1 (ko) * 2010-11-03 2015-11-04 네이버 주식회사 집단지성을 이용한 추천 시스템 및 방법
US20160012511A1 (en) * 2013-06-25 2016-01-14 Kobo Incorporated Methods and systems for generating recommendation list with diversity
US11328323B2 (en) * 2013-10-15 2022-05-10 Yahoo Ad Tech Llc Systems and methods for matching online users across devices
US10140327B2 (en) * 2015-08-24 2018-11-27 Palantir Technologies Inc. Feature clustering of users, user correlation database access, and user interface generation system
CN106651027B (zh) * 2016-12-21 2021-08-20 北京航空航天大学 一种基于社交网络的互联网班车线路优化方法
CN109271418B (zh) * 2018-08-14 2022-03-04 蚂蚁智安安全技术(上海)有限公司 可疑团伙识别方法、装置、设备及计算机可读存储介质

Also Published As

Publication number Publication date
CN112948663A (zh) 2021-06-11

Similar Documents

Publication Publication Date Title
US9208202B1 (en) Systems and methods for determining interest in an item or category of items
WO2017101389A1 (zh) 一种移动终端的信息推荐方法及装置
CN106940705A (zh) 一种用于构建用户画像的方法与设备
CN110674391B (zh) 基于大数据的产品数据推送方法、系统和计算机设备
CN108885624A (zh) 信息推荐系统及方法
CN113744016B (zh) 一种对象推荐方法及装置、设备、存储介质
US20180307733A1 (en) User characteristic extraction method and apparatus, and storage medium
US20200226168A1 (en) Methods and systems for optimizing display of user content
JP2017054214A (ja) 判定装置、学習装置、情報配信装置、判定方法及び判定プログラム
Helles et al. Infrastructures of tracking: Mapping the ecology of third-party services across top sites in the EU
CN108109004A (zh) 相似人群扩展方法、装置及电子设备
He et al. Mining exploratory behavior to improve mobile app recommendations
JP2017201535A (ja) 判定装置、学習装置、判定方法及び判定プログラム
CN116091157A (zh) 资源推送方法及装置、存储介质、计算机设备
CN115423555A (zh) 一种商品推荐方法、装置、电子设备及存储介质
Bracci et al. Macroscopic properties of buyer–seller networks in online marketplaces
Sengupta et al. Simple surveys: Response retrieval inspired by recommendation systems
CN113327132A (zh) 多媒体推荐方法、装置、设备及存储介质
CN113222687A (zh) 一种基于深度学习的推荐方法及装置
CN112948663B (zh) 一种信息推荐方法及装置、设备、存储介质
CN116467525A (zh) 业务产品的推荐方法、装置、设备和存储介质
CN113704630B (zh) 一种信息推送方法、装置、可读存储介质和电子设备
CN113487389A (zh) 一种信息推荐方法及装置
US20210056437A1 (en) Systems and methods for matching users and entities
CN113822691A (zh) 用户账号的识别方法、装置、系统和介质

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
CB02 Change of applicant information

Address after: Room 221, 2nd floor, Block C, 18 Kechuang 11th Street, Daxing Economic and Technological Development Zone, Beijing, 100176

Applicant after: Jingdong Technology Holding Co.,Ltd.

Address before: Room 221, 2nd floor, Block C, 18 Kechuang 11th Street, Daxing Economic and Technological Development Zone, Beijing, 100176

Applicant before: JINGDONG DIGITAL TECHNOLOGY HOLDINGS Co.,Ltd.

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant