CN113032682A - 基于协同过滤的产品推荐方法、装置、设备及存储介质 - Google Patents
基于协同过滤的产品推荐方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113032682A CN113032682A CN202110434896.4A CN202110434896A CN113032682A CN 113032682 A CN113032682 A CN 113032682A CN 202110434896 A CN202110434896 A CN 202110434896A CN 113032682 A CN113032682 A CN 113032682A
- Authority
- CN
- China
- Prior art keywords
- user
- scoring
- product
- current
- information
- 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
Images
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
- 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
- G06F16/9536—Search customisation based on social or collaborative filtering
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- 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]
- G06Q30/0641—Shopping interfaces
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请实施例属于大数据中的智能推荐技术领域,涉及一种基于协同过滤的产品推荐方法、装置、计算机设备及存储介质。此外,本申请还涉及区块链技术,用户的当前操作信息可存储于区块链中。本申请当用户通过用户终端浏览产品界面时,通过采集用户的当前操作信息,可以同时获取用户的显式反馈(点击操作)和隐式反馈(停留时间),并通过该显式反馈(点击操作)和隐式反馈(停留时间)进行数据分析,以此确认用户对不同产品的感兴趣程度并通过评分矩阵进行表示,最后基于该评分矩阵以及协同过滤方法获取符合该用户的推荐产品,使得用户和产品之间的交互信息比较少或者甚至没有产品交互信息的情况下有效挖掘用户的反馈信息,有效提高产品推荐准确性。
Description
技术领域
本申请涉及大数据中的智能推荐技术领域,尤其涉及一种基于协同过滤的产品推荐方法、装置、设备及存储介质。
背景技术
用户画像技术支撑了个性化推荐的应用,为公司或企业提供了信息基础,帮助企业精准定位到用户群体和用户需求,协同过滤是一种在线上大量使用的推荐方法。协同过滤一般分为Item-Based和User-Based两种,Item-Based即“喜欢产品A的用户可能还喜欢产品B”,User-Based即“喜欢产品A的朋友可能也喜欢产品A”,其中,在User-Based协同过滤推荐方法中,则需要评价用户之间的相似程度。
现有一种基于协同过滤的产品推荐方法,即针对同一产品,根据不同用户对该产品的评分矩阵来计算上述用户之间的相似度,以实现对不同用户之间相似程度的评价操作。
然而,传统的产品推荐方法普遍不智能,由于交互信息是通用记录用户是否点击某个产品的详情页或其他相关信息得到的,而普遍用户和产品之间的交互信息比较少或者甚至没有产品交互信息,导致用户对产品的评分矩阵非常稀疏,无法准确的计算相关的用户的相似度,由此可见,传统的产品推荐方法由于难以获取用户的交互信息进行产品推荐,导致其准确性较低的问题。
发明内容
本申请实施例的目的在于提出一种基于协同过滤的产品推荐方法、装置、计算机设备及存储介质,以解决传统的产品推荐方法存在准确性较低的问题。
为了解决上述技术问题,本申请实施例提供一种基于协同过滤的产品推荐方法,采用了如下所述的技术方案:
当用户通过用户终端浏览产品界面时,采集所述用户的当前操作信息,所述当前操作信息至少包括用户标识信息、产品标识信息、浏览操作信息以及浏览时间信息;
读取历史数据库,在所述历史数据库中获取与所述用户标识信息相对应的历史评分向量;
根据所述产品标识信息、浏览操作信息以及浏览时间信息对所述历史评分向量进行数据更新操作,得到当前评分向量;
分别计算所述当前评分向量与所述历史数据库中其他用户评分向量的相似度,得到相似度结果;
基于所述相似度结果的大小在所述其他评分向量中筛选预设数量个匹配当前用户的相似评分向量;
基于所述相似评分向量对所述当前评分向量进行协同更新操作,得到推荐目标评分向量;
基于评分高低在所述推荐目标评分向量中获取预设数量的推荐目标;
向所述用户终端输出与所述推荐目标相对应的目标产品信息。
为了解决上述技术问题,本申请实施例还提供一种基于协同过滤的产品推荐装置,采用了如下所述的技术方案:
操作采集模块,用于当用户通过用户终端浏览产品界面时,采集所述用户的当前操作信息,所述当前操作信息至少包括用户标识信息、产品标识信息、浏览操作信息以及浏览时间信息;
历史评分获取模块,用于读取历史数据库,在所述历史数据库中获取与所述用户标识信息相对应的历史评分向量;
数据更新模块,用于根据所述产品标识信息、浏览操作信息以及浏览时间信息对所述历史评分向量进行数据更新操作,得到当前评分向量;
相似度计算模块,用于分别计算所述当前评分向量与所述历史数据库中其他用户评分向量的相似度,得到相似度结果;
用户筛选模块,用于基于所述相似度结果的大小在所述其他评分向量中筛选预设数量个匹配当前用户的相似评分向量;
协同更新模块,用于基于所述相似评分向量对所述当前评分向量进行协同更新操作,得到推荐目标评分向量;
推荐目标获取模块,用于基于评分高低在所述推荐目标评分向量中获取预设数量的推荐目标;
目标产品输出模块,用于向所述用户终端输出与所述推荐目标相对应的目标产品信息。
为了解决上述技术问题,本申请实施例还提供一种计算机设备,采用了如下所述的技术方案:
包括存储器和处理器,所述存储器中存储有计算机可读指令,所述处理器执行所述计算机可读指令时实现如上所述的基于协同过滤的产品推荐方法的步骤。
为了解决上述技术问题,本申请实施例还提供一种计算机可读存储介质,采用了如下所述的技术方案:
所述计算机可读存储介质上存储有计算机可读指令,所述计算机可读指令被处理器执行时实现如上所述的基于协同过滤的产品推荐方法的步骤。
与现有技术相比,本申请实施例主要有以下有益效果:
本申请提供了一种基于协同过滤的产品推荐方法,包括:当用户通过用户终端浏览产品界面时,采集所述用户的当前操作信息,所述当前操作信息至少包括用户标识信息、产品标识信息、浏览操作信息以及浏览时间信息;读取历史数据库,在所述历史数据库中获取与所述用户标识信息相对应的历史评分向量;根据所述产品标识信息、浏览操作信息以及浏览时间信息对所述历史评分向量进行数据更新操作,得到当前评分向量;分别计算所述当前评分向量与所述历史数据库中其他用户评分向量的相似度,得到相似度结果;基于所述相似度结果的大小在所述其他评分向量中筛选预设数量个匹配当前用户的相似评分向量;基于所述相似评分向量对所述当前评分向量进行协同更新操作,得到推荐目标评分向量;基于评分高低在所述推荐目标评分向量中获取预设数量的推荐目标;向所述用户终端输出与所述推荐目标相对应的目标产品信息。当用户通过用户终端浏览产品界面时,通过采集用户的当前操作信息,可以同时获取用户的显式反馈(点击操作)和隐式反馈(停留时间),并通过该显式反馈(点击操作)和隐式反馈(停留时间)进行数据分析,以此确认用户对不同产品的感兴趣程度并通过评分矩阵进行表示,最后基于该评分矩阵以及协同过滤方法获取符合该用户的推荐产品,使得用户和产品之间的交互信息比较少或者甚至没有产品交互信息的情况下有效挖掘用户的反馈信息,有效提高产品推荐的准确性。
附图说明
为了更清楚地说明本申请中的方案,下面将对本申请实施例描述中所需要使用的附图作一个简单介绍,显而易见地,下面描述中的附图是本申请的一些实施例,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是本申请实施例一提供的基于协同过滤的产品推荐方法的实现流程图;
图2是图1中步骤S103的实现流程图;
图3是本申请实施例一提供的归一化处理的实现流程图;
图4是本申请实施例一提供的确认有效时间阈值的实现流程图;
图5是本申请实施例二提供的基于协同过滤的产品推荐装置的结构示意图;
图6是图5中数据更新模块103的结构示意图;
图7是根据本申请的计算机设备的一个实施例的结构示意图。
具体实施方式
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同;本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本申请;本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形,意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
为了使本技术领域的人员更好地理解本申请方案,下面将结合附图,对本申请实施例中的技术方案进行清楚、完整地描述。
实施例一
如图1所示,示出了本申请实施例一提供的基于协同过滤的产品推荐方法的实现流程图,为了便于说明,仅示出与本申请相关的部分。
上述的基于协同过滤的产品推荐方法,包括以下步骤:步骤S101、步骤S102、步骤S103、步骤S104以及步骤S105。
步骤S101:当用户通过用户终端浏览产品界面时,采集用户的当前操作信息,当前操作信息至少包括用户标识信息、产品标识信息、浏览操作信息以及浏览时间信息。
在本申请实施例中,用户终端指的是用于执行本申请提供的预防证件滥用的图像处理方法的终端设备,该用户终端可以是诸如移动电话、智能电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、导航装置等等的移动终端以及诸如数字TV、台式计算机等等的固定终端,应当理解,此处对用户终端的举例仅为方便理解,不用于限定本申请。
在本申请实施例中,用户可通过上述用户终端中安装好的APP浏览产品界面,也可以通过用户终端自带的浏览器浏览该产品界面,应当理解的是,此处对浏览产品界面的举例仅为方便理解,不用于限定本申请,用户终端能够获取并存储用户浏览产品界面的的操作记录即可。
在本申请实施例中,浏览操作信息指的是用户在浏览产品列表时所进行的滑动、点击等操作。
在本申请实施例中,以通过APP浏览产品界面为例,app记录用户在列表中每个列表项的停留时间。每个列表项包含对应保险产品的名称及简单的介绍。通常情况下,用户对于其不感兴趣的产品会快速划过该产品列表,而对于自己感兴趣的产品则会停留在该产品列表项上一段时间,但并不一定会点击进去。
在本申请实施例中,传统的user-based方法是基于用户的显式交互(如:点击、长按等)行为来构建用户对物品的评分矩阵,然而,该显式交互只能获取用户与不同产品之间表层关系,可能会遗失一些有效的信息。本申请通过记录用户在列表中每个列表项的停留时间来确认该用户对每个列表项的感兴趣成都,从而获取该用户与不同产品之间的潜在关系,相较于传统的user-based方法,本申请能够更加丰富用户与不同产品之间潜在关系,从而提高后续产品推荐的准确性。
在本实施例的一些可选的实现方式中,App在后台运行时定期地将用户浏览数据回传至后台,较优地,可以每天进行一次数据回传,以平衡系统开销(包括客户端耗电、后台计算压力等)和时效性。
步骤S102:读取历史数据库,在历史数据库中获取与用户标识信息相对应的历史评分向量。
在本申请实施例中,历史数据库至少包括一种类型的可读存储介质,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,历史数据库可以是计算机设备200的内部存储单元,例如该计算机设备200的硬盘或内存。在另一些实施例中,历史数据库也可以是计算机设备200的外部存储设备,例如该计算机设备200上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。当然,历史数据库还可以既包括计算机设备200的内部存储单元也包括其外部存储设备。
在本申请实施例中,历史评分向量主要用于表示用户与不同产品之间潜在关系,该历史评分向量是基于用户的历史操作记录中提取与不用产品之前的操作信息,并将这些信息进行量化后形成该历史评分向量。
步骤S103:根据产品标识信息、浏览操作信息以及浏览时间信息对历史评分向量进行数据更新操作,得到当前评分向量。
在本申请实施例中,后台接收到前端回传的浏览数据后将其写入数据库中,离线数据处理任务定期地拉取数据库中的任务进行数据分析,进而对上述历史评分向量进行数据更新。
在本实施例的一些可选的实现方式中,该数据分析可采用map-reduce在分布式集群上进行处理,从而有效提高数据处理的效率,进而保证T+1的数据可用。
在本申请实施例中,上述对历史评分向量进行数据更新操作的实现方式如下:
1)需要预先设置用户浏览每个产品列表项的最小停留时间阈值Staymin和最大停留阈值Staymax;当上述浏览操作信息的停留时间/待机时间小于该最小停留时间阈值Staymin时,则认定为用户快速划过该产品列表项,该浏览操作信息暂不适用于表示用户与产品之前的关系;当上述浏览操作信息的停留时间/待机时间大于该最大停留阈值Staymax时,则认定为用户处于离开该用户终端的状态,该浏览操作信息也不适用于表示用户与产品之前的关系,上述两种情况都将会被忽略;仅当浏览操作信息的停留时间/待机时间处于最小停留时间阈值Staymin和最大停留阈值Staymax时,该当前产品记录于停留列表;
2)对于点击操作,则认定为用户对该产品产生兴趣,属于显式交互,暂不计入停留列表中;
3)对于停留列表中所有列表项,使用softmax计算每一个列表项i的评分ξi,评分介于0~1之间,其中:
其中,ti表示用户在第i个列表项上的停留时间。
4)对于点击的列表项,ξi=1.
根据上述历史评分向量的浏览操作情况,更新用户u对产品的评分向量,该更新公式为:
Su,i=Su,i+ξi
其中,Su,i表示用户u对第i个列表项产生兴趣的评分向量。
步骤S104:分别计算当前评分向量与历史数据库中其他用户评分向量的相似度,得到相似度结果。
在本申请实施例中,上述相似度计算操作可以是基于用户相似度计算算法计算用户的相似度。
步骤S105:基于所述相似度结果的大小在所述其他评分向量中筛选预设数量个匹配当前用户的相似评分向量。
在本申请实施例中,用户可以预先设置k个与当前评分向量相似的相邻用户,上述筛选操作则是基于该相似度结果sim(i,j)的大小,并仅提取前K个最大相似度所对应的相邻用户评分向量,作为该相似评分向量。
步骤S106:基于相似评分向量对当前评分向量进行协同更新操作,得到推荐目标评分向量。
在本申请实施例中,对于每个推荐请求,找出与当前请求用户u最相似的k个相邻用户后,通过相邻用户的相似评分向量更新用户u的推荐目标评分向量,更新后的推荐目标评分向量表示为:
其中,Su,表示用户u对物品i的评分;sim(u,k)表示用户u和用户k对同一物品i的评分的相似度。
步骤S107:基于评分高低在推荐目标评分向量中获取预设数量个推荐目标。
在本申请实施例中,将请求用户u的评分向量中Su中评分最高的m个产品推荐给用户,其中m为业务方指定的参数。
步骤S108:向用户终端输出与目标评分向量相对应的目标产品信息。
在本申请实施例中,提供了一种基于协同过滤的产品推荐方法,包括:当用户通过用户终端浏览产品界面时,采集用户的当前操作信息,当前操作信息至少包括用户标识信息、产品标识信息、浏览操作信息以及浏览时间信息;读取历史数据库,在历史数据库中获取与用户标识信息相对应的历史评分向量;根据产品标识信息、浏览操作信息以及浏览时间信息对历史评分向量进行数据更新操作,得到当前评分向量;分别计算所述当前评分向量与所述历史数据库中其他用户评分向量的相似度,得到相似度结果;基于所述相似度结果的大小在所述其他评分向量中筛选预设数量个匹配当前用户的相似评分向量;基于相似评分向量对当前评分向量进行协同更新操作,得到推荐目标评分向量;基于评分高低在推荐目标评分向量中获取预设数量的推荐目标;向用户终端输出与推荐目标相对应的目标产品信息。当用户通过用户终端浏览产品界面时,通过采集用户的当前操作信息,可以同时获取用户的显式反馈(点击操作)和隐式反馈(停留时间),并通过该显式反馈(点击操作)和隐式反馈(停留时间)进行数据分析,以此确认用户对不同产品的感兴趣程度并通过评分矩阵进行表示,最后基于该评分矩阵以及协同过滤方法获取符合该用户的推荐产品,使得用户和产品之间的交互信息比较少或者甚至没有产品交互信息的情况下有效挖掘用户的反馈信息,有效提高产品推荐的准确性。
继续参阅图2,示出了图1中步骤S103的实现流程图,为了便于说明,仅示出与本申请相关的部分。
在本实施例的一些可选的实现方式中,上述步骤S103具体包括:步骤S201、步骤S202、步骤S203、步骤S204、步骤S205以及步骤S206。
步骤S201:判断浏览操作信息是否为点击操作。
步骤S202:若浏览操作信息为点击操作,则确定用户对产品标识信息的当前评分数据为:
ξi=1。
在本申请实施例中,浏览操作信息为点击操作,则表示用户对该产品产生兴趣。
步骤S203:若浏览操作信息不为点击操作,则判断浏览操作信息的停留时间是否符合有效时间阈值。
在本申请实施例中,浏览操作信息不为点击操作,则表示用户在浏览该产品时有停留时间。
步骤S204:若浏览操作信息的停留时间不符合有效时间阈值,则确定用户对产品标识信息的当前评分数据为:
ξi=0。
在本申请实施例中,浏览操作信息的停留时间不符合有效时间阈值,则说明用户对该产品不产生兴趣。
步骤S205:若浏览操作信息的停留时间符合有效时间阈值,则上述用户对产品标识信息的当前评分数据为:
其中,ti表示用户在第i个列表项上的停留时间。
在本申请实施例中,浏览操作信息的停留时间符合有效时间阈值,则说明用户对该产品产生一定的兴趣。
步骤S206:基于当前评分数据更新历史评分向量,得到当前评分向量,当前评分向量表示为:
Su,i=Su,i+ξi
其中,Su,i表示用户u对第i个列表项产生兴趣的评分向量。
继续参阅图3,示出了本申请实施例一提供的归一化处理的实现流程图,为了便于说明,仅示出与本申请相关的部分。
在本实施例的一些可选的实现方式中,在步骤S206之后,还包括:步骤S301。
步骤S301:对当前评分向量进行归一化处理,归一化处理表示为:
在本申请实施例中,由于频繁活动的用户其评分向量每一维度的绝对值都会变大,而活动较少的用户其评分向量的每一维度相应的绝对值变化较小,为了防止活动频繁的用户对活动较少的用户的过度影响,需要在更新每个用户的评分向量之后对其机型归一化处理,从而有效减少不同活动频率之间的用户的影响。
继续参阅图4,示出了本申请实施例一提供的确认有效时间阈值的实现流程图,为了便于说明,仅示出与本申请相关的部分。
在本实施例的一些可选的实现方式中,在步骤S202之前,还包括:步骤S401、步骤S402、步骤S403以及步骤S404。
步骤S401:在历史数据库中获取所有用户的用户数量以及用户浏览时间,并基于用户数量以及用户浏览时间拟合正态分布:
P(T=t)~N(μ,σ2)
步骤S402:基于上述正态分布确定上述有效时间阈值的最小值Staymin为:
在本申请实施例中,1-α表示置信水平;z1-α/2可以通过查询正态分布表得出。
步骤S403:基于上述正态分布确定上述有效时间阈值的最大值Staymax为:
在本实施例的一些可选的实现方式中,置信水平1-α的较优取值为0.95,通过查询正态分布表得出z1-α/2=1.96。
在本实施例的一些可选的实现方式中,步骤S104具体包括:
基于相似度计算算法进行相似度计算操作,相似度计算算法表示为:
sim(i,j)=cos(Si,Sj)
其中,Si表示用户i的评分向量;Sj表示用户j的评分向量。
需要强调的是,为进一步保证上述用户的当前操作信息的私密和安全性,上述用户的当前操作信息还可以存储于一区块链的节点中。
本申请所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
本申请可用于众多通用或专用的计算机系统环境或配置中。例如:个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
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,是可以通过计算机可读指令来指令相关的硬件来完成,该计算机可读指令可存储于一计算机可读取存储介质中,该计算机可读指令在执行时,可包括如上述各方法的实施例的流程。其中,前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)等非易失性存储介质,或随机存储记忆体(Random Access Memory,RAM)等。
应该理解的是,虽然附图的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,其可以以其他的顺序执行。而且,附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
实施例二
进一步参考图5,作为对上述图1所示方法的实现,本申请提供了一种基于协同过滤的产品推荐装置的一个实施例,该装置实施例与图1所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图5所示,本实施例的基于协同过滤的产品推荐装置100包括:操作采集模块101、历史评分获取模块102、数据更新模块103、相似度计算模块104、用户筛选模块105、协同更新模块106、推荐目标获取模块107以及目标产品输出模块108。其中:
操作采集模块101,用于当用户通过用户终端浏览产品界面时,采集用户的当前操作信息,当前操作信息至少包括用户标识信息、产品标识信息、浏览操作信息以及浏览时间信息;
历史评分获取模块102,用于读取历史数据库,在历史数据库中获取与用户标识信息相对应的历史评分向量;
数据更新模块103,用于根据产品标识信息、浏览操作信息以及浏览时间信息对历史评分向量进行数据更新操作,得到当前评分向量;
相似度计算模块104,用于分别计算当前评分向量与历史数据库中其他用户评分向量的相似度,得到相似度结果;
用户筛选模块105,用于基于所述相似度结果的大小在所述其他评分向量中筛选预设数量个匹配当前用户的相似评分向量;
协同更新模块106,用于基于相似评分向量对当前评分向量进行协同更新操作,得到推荐目标评分向量;
推荐目标获取模块107,用于基于评分高低在推荐目标评分向量中获取预设数量的推荐目标;
目标产品输出模块108,用于向用户终端输出与推荐目标相对应的目标产品信息。
在本申请实施例中,用户终端指的是用于执行本申请提供的预防证件滥用的图像处理方法的终端设备,该用户终端可以是诸如移动电话、智能电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、导航装置等等的移动终端以及诸如数字TV、台式计算机等等的固定终端,应当理解,此处对用户终端的举例仅为方便理解,不用于限定本申请。
在本申请实施例中,用户可通过上述用户终端中安装好的APP浏览产品界面,也可以通过用户终端自带的浏览器浏览该产品界面,应当理解的是,此处对浏览产品界面的举例仅为方便理解,不用于限定本申请,用户终端能够获取并存储用户浏览产品界面的的操作记录即可。
在本申请实施例中,浏览操作信息指的是用户在浏览产品列表时所进行的滑动、点击等操作。
在本申请实施例中,以通过APP浏览产品界面为例,app记录用户在列表中每个列表项的停留时间。每个列表项包含对应保险产品的名称及简单的介绍。通常情况下,用户对于其不感兴趣的产品会快速划过该产品列表,而对于自己感兴趣的产品则会停留在该产品列表项上一段时间,但并不一定会点击进去。
在本申请实施例中,传统的user-based方法是基于用户的显式交互(如:点击、长按等)行为来构建用户对物品的评分矩阵,然而,该显式交互只能获取用户与不同产品之间表层关系,可能会遗失一些有效的信息。本申请通过记录用户在列表中每个列表项的停留时间来确认该用户对每个列表项的感兴趣成都,从而获取该用户与不同产品之间的潜在关系,相较于传统的user-based方法,本申请能够更加丰富用户与不同产品之间潜在关系,从而提高后续产品推荐的准确性。
在本实施例的一些可选的实现方式中,App在后台运行时定期地将用户浏览数据回传至后台,较优地,可以每天进行一次数据回传,以平衡系统开销(包括客户端耗电、后台计算压力等)和时效性。
在本申请实施例中,历史数据库至少包括一种类型的可读存储介质,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,历史数据库可以是计算机设备200的内部存储单元,例如该计算机设备200的硬盘或内存。在另一些实施例中,历史数据库也可以是计算机设备200的外部存储设备,例如该计算机设备200上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。当然,历史数据库还可以既包括计算机设备200的内部存储单元也包括其外部存储设备。
在本申请实施例中,历史评分向量主要用于表示用户与不同产品之间潜在关系,该历史评分向量是基于用户的历史操作记录中提取与不用产品之前的操作信息,并将这些信息进行量化后形成该历史评分向量。
在本申请实施例中,后台接收到前端回传的浏览数据后将其写入数据库中,离线数据处理任务定期地拉取数据库中的任务进行数据分析,进而对上述历史评分向量进行数据更新。
在本实施例的一些可选的实现方式中,该数据分析可采用map-reduce在分布式集群上进行处理,从而有效提高数据处理的效率,进而保证T+1的数据可用。
在本申请实施例中,上述对历史评分向量进行数据更新操作的实现方式如下:
1)需要预先设置用户浏览每个产品列表项的最小停留时间阈值Staymin和最大停留阈值Staymax;当上述浏览操作信息的停留时间/待机时间小于该最小停留时间阈值Staymin时,则认定为用户快速划过该产品列表项,该浏览操作信息暂不适用于表示用户与产品之前的关系;当上述浏览操作信息的停留时间/待机时间大于该最大停留阈值Staymax时,则认定为用户处于离开该用户终端的状态,该浏览操作信息也不适用于表示用户与产品之前的关系,上述两种情况都将会被忽略;仅当浏览操作信息的停留时间/待机时间处于最小停留时间阈值Staymin和最大停留阈值Staymax时,该当前产品记录于停留列表;
2)对于点击操作,则认定为用户对该产品产生兴趣,属于显式交互,暂不计入停留列表中;
3)对于停留列表中所有列表项,使用softmax计算每一个列表项i的评分ξi,评分介于0~1之间,其中:
其中,ti表示用户在第i个列表项上的停留时间。
4)对于点击的列表项,ξi=1.
根据上述历史评分向量的浏览操作情况,更新用户u对产品的评分向量,该更新公式为:
Su,i=Su,i+ξi
其中,Su,i表示用户u对第i个列表项产生兴趣的评分向量。
在本申请实施例中,上述相似度计算操作可以是基于用户相似度计算算法计算用户的相似度,该相似度计算算法表示为:
sim(i,j)=cos(Si,Sj)
其中,Si表示用户i的评分向量;Sj表示用户j的评分向量。
在本申请实施例中,用户可以预先设置k个与当前评分向量相似的相邻用户,上述筛选操作则是基于该相似度结果sim(i,j)的大小,并仅提取前K个最大相似度所对应的相邻用户评分向量,作为该相似评分向量。
在本申请实施例中,对于每个推荐请求,找出与当前请求用户u最相似的k个相邻用户后,通过相邻用户的相似评分向量更新用户u的目标评分向量,更新后的目标评分向量表示为:
其中,Su,i表示用户u对物品i的评分;sim(u,k)表示用户u和用户k对同一物品i的评分的相似度。
在本申请实施例中,将请求用户u的评分向量中Su中评分最高的m个产品推荐给用户,其中m为业务方指定的参数。
在本申请实施例中,提供了一种基于协同过滤的产品推荐装置,当用户通过用户终端浏览产品界面时,通过采集用户的当前操作信息,可以同时获取用户的显式反馈(点击操作)和隐式反馈(停留时间),并通过该显式反馈(点击操作)和隐式反馈(停留时间)进行数据分析,以此确认用户对不同产品的感兴趣程度并通过评分矩阵进行表示,最后基于该评分矩阵以及协同过滤方法获取符合该用户的推荐产品,使得用户和产品之间的交互信息比较少或者甚至没有产品交互信息的情况下有效挖掘用户的反馈信息,有效提高产品推荐的准确性。
继续参阅图6,示出了图5中数据更新模块103的结构示意图,为了便于说明,仅示出与本申请相关的部分。
在本实施例的一些可选的实现方式中,上述数据更新模块103包括:点击判断子模块1031、第一评分数据确认子模块1032、停留时间判断子模块1033、第二评分数据确认子模块1034、第三评分数据确认子模块1035以及当前评分向量确认子模块1036。其中:
点击判断子模块1031,用于判断浏览操作信息是否为点击操作;
第一评分数据确认子模块1032,用于若浏览操作信息为点击操作,则确定用户对产品标识信息的当前评分数据ξi为1;
停留时间判断子模块1033,用于若浏览操作信息不为点击操作,则判断浏览操作信息的停留时间是否符合有效时间阈值;
第二评分数据确认子模块1034,用于若浏览操作信息的停留时间不符合有效时间阈值,则确定用户对产品标识信息的当前评分数据ξi为0;
第三评分数据确认子模块1035,用于若浏览操作信息的停留时间符合有效时间阈值,则确定用户对产品标识信息的当前评分数据ξi为:
其中,ti表示用户在第i个列表项上的停留时间;
当前评分向量确认子模块1036,用于基于当前评分数据更新历史评分向量,得到当前评分向量,当前评分向量表示为:
Su,i=Su,i+ξi
其中,Su,i表示用户u对第i个列表项产生兴趣的评分向量。
在本申请实施例中,浏览操作信息为点击操作,则表示用户对该产品产生兴趣。
在本申请实施例中,浏览操作信息不为点击操作,则表示用户在浏览该产品时有停留时间。
在本申请实施例中,浏览操作信息的停留时间不符合有效时间阈值,则说明用户对该产品不产生兴趣。
在本申请实施例中,浏览操作信息的停留时间符合有效时间阈值,则说明用户对该产品产生一定的兴趣。
在本实施例的一些可选的实现方式中,上述基于协同过滤的产品推荐装置100还包括:归一化模块。其中:
归一化模块,用于对当前评分向量进行归一化处理,归一化处理表示为:
在本实施例的一些可选的实现方式中,上述基于协同过滤的产品推荐装置100还包括:拟合模块、最小值确定模块以及最大值确定模块。其中:
拟合模块,用于在历史数据库中获取所有用户的用户数量以及用户浏览时间,并基于用户数量以及用户浏览时间拟合正态分布:
P(T=t)~N(μ,σ2)
最小值确定模块,用于基于上述正态分布确定上述有效时间阈值的最小值Staymin为:
最大值确定模块,用于基于上述正态分布确定上述有效时间阈值的最大值Staymax为:
在本实施例的一些可选的实现方式中,上述相似度计算模块104还包括:相似度计算子模块。其中:
相似度计算子模块,用于基于相似度计算算法进行所述相似度计算操作,所述相似度计算算法表示为:
sim(i,j)=cos(Si,Sj)
其中,Si表示用户i的评分向量;Sj表示用户j的评分向量。
为解决上述技术问题,本申请实施例还提供计算机设备。具体请参阅图7,图7为本实施例计算机设备基本结构框图。
所述计算机设备200包括通过系统总线相互通信连接存储器210、处理器220、网络接口230。需要指出的是,图中仅示出了具有组件210-230的计算机设备200,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。其中,本技术领域技术人员可以理解,这里的计算机设备是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程门阵列(Field-Programmable Gate Array,FPGA)、数字处理器(Digital Signal Processor,DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器210至少包括一种类型的可读存储介质,所述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,所述存储器210可以是所述计算机设备200的内部存储单元,例如该计算机设备200的硬盘或内存。在另一些实施例中,所述存储器210也可以是所述计算机设备200的外部存储设备,例如该计算机设备200上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。当然,所述存储器210还可以既包括所述计算机设备200的内部存储单元也包括其外部存储设备。本实施例中,所述存储器210通常用于存储安装于所述计算机设备200的操作系统和各类应用软件,例如基于协同过滤的产品推荐方法的计算机可读指令等。此外,所述存储器210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。
所述处理器220在一些实施例中可以是中央处理器(Central Processing Unit,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220通常用于控制所述计算机设备200的总体操作。本实施例中,所述处理器220用于运行所述存储器210中存储的计算机可读指令或者处理数据,例如运行所述基于协同过滤的产品推荐方法的计算机可读指令。
所述网络接口230可包括无线网络接口或有线网络接口,该网络接口230通常用于在所述计算机设备200与其他电子设备之间建立通信连接。
本申请实施例提供的计算机设备,当用户通过用户终端浏览产品界面时,通过采集用户的当前操作信息,可以同时获取用户的显式反馈(点击操作)和隐式反馈(停留时间),并通过该显式反馈(点击操作)和隐式反馈(停留时间)进行数据分析,以此确认用户对不同产品的感兴趣程度并通过评分矩阵进行表示,最后基于该评分矩阵以及协同过滤方法获取符合该用户的推荐产品,使得用户和产品之间的交互信息比较少或者甚至没有产品交互信息的情况下有效挖掘用户的反馈信息,有效提高产品推荐的准确性。
本申请还提供了另一种实施方式,即提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可读指令,所述计算机可读指令可被至少一个处理器执行,以使所述至少一个处理器执行如上述的基于协同过滤的产品推荐方法的步骤。
本申请实施例提供的计算机可读存储介质,当用户通过用户终端浏览产品界面时,通过采集用户的当前操作信息,可以同时获取用户的显式反馈(点击操作)和隐式反馈(停留时间),并通过该显式反馈(点击操作)和隐式反馈(停留时间)进行数据分析,以此确认用户对不同产品的感兴趣程度并通过评分矩阵进行表示,最后基于该评分矩阵以及协同过滤方法获取符合该用户的推荐产品,使得用户和产品之间的交互信息比较少或者甚至没有产品交互信息的情况下有效挖掘用户的反馈信息,有效提高产品推荐的准确性。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有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(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本申请各个实施例所述的方法。
显然,以上所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例,附图中给出了本申请的较佳实施例,但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现,相反地,提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明,对于本领域的技术人员来而言,其依然可以对前述各具体实施方式所记载的技术方案进行修改,或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构,直接或间接运用在其他相关的技术领域,均同理在本申请专利保护范围之内。
Claims (10)
1.一种基于协同过滤的产品推荐方法,其特征在于,包括下述步骤:
当用户通过用户终端浏览产品界面时,采集所述用户的当前操作信息,所述当前操作信息至少包括用户标识信息、产品标识信息、浏览操作信息以及浏览时间信息;
读取历史数据库,在所述历史数据库中获取与所述用户标识信息相对应的历史评分向量;
根据所述产品标识信息、浏览操作信息以及浏览时间信息对所述历史评分向量进行数据更新操作,得到当前评分向量;
分别计算所述当前评分向量与所述历史数据库中其他用户的其他评分向量的相似度,得到相似度结果;
基于所述相似度结果的大小在所述其他评分向量中筛选预设数量个匹配当前用户的相似评分向量;
基于所述相似评分向量对所述当前评分向量进行协同更新操作,得到推荐目标评分向量;
基于评分高低在所述推荐目标评分向量中获取预设数量的推荐目标;
向所述用户终端输出与所述推荐目标相对应的目标产品信息。
2.根据权利要求1所述的基于协同过滤的产品推荐方法,其特征在于,所述根据所述产品标识信息、浏览操作信息以及浏览时间信息对所述历史评分向量进行数据更新操作,得到当前评分向量的步骤,具体包括下述步骤:
判断所述浏览操作信息是否为点击操作;
若所述浏览操作信息为点击操作,则确定所述用户对所述产品标识信息的当前评分数据ξi为1;
若所述浏览操作信息不为点击操作,则判断所述浏览操作信息的停留时间是否符合有效时间阈值;
若所述浏览操作信息的停留时间不符合有效时间阈值,则确定所述用户对所述产品标识信息的所述当前评分数据ξi为0;
若所述浏览操作信息的停留时间符合有效时间阈值,则确定所述用户对所述产品标识信息的所述当前评分数据ξi为:
其中,ti表示用户在第i个列表项上的所述停留时间;
基于所述当前评分数据更新所述历史评分向量,得到所述当前评分向量,所述当前评分向量表示为:
Su,i=Su,i+ξi
其中,Su,i表示用户u对第i个列表项产生兴趣的评分向量。
5.根据权利要求1所述的基于协同过滤的产品推荐方法,其特征在于,所述分别计算所述当前评分向量与所述历史数据库中其他用户评分向量的相似度,得到相似度结果的步骤,具体包括下述步骤:
基于相似度计算算法进行所述相似度计算操作,所述相似度计算算法表示为:
sim(i,j)=cos(Si,Sj)
其中,Si表示用户i的评分向量;Sj表示用户j的评分向量。
6.根据权利要求1所述的基于协同过滤的产品推荐方法,其特征在于,在所述当用户通过用户终端浏览产品界面时,采集所述用户的当前操作信息的步骤之后,还包括下述步骤:
将所述用户的当前操作信息存储至区块链中。
7.一种基于协同过滤的产品推荐装置,其特征在于,包括:
操作采集模块,用于当用户通过用户终端浏览产品界面时,采集所述用户的当前操作信息,所述当前操作信息至少包括用户标识信息、产品标识信息、浏览操作信息以及浏览时间信息;
历史评分获取模块,用于读取历史数据库,在所述历史数据库中获取与所述用户标识信息相对应的历史评分向量;
数据更新模块,用于根据所述产品标识信息、浏览操作信息以及浏览时间信息对所述历史评分向量进行数据更新操作,得到当前评分向量;
相似度计算模块,用于分别计算所述当前评分向量与所述历史数据库中其他用户评分向量的相似度,得到相似度结果;
用户筛选模块,用于基于所述相似度结果的大小在所述其他评分向量中筛选预设数量个匹配当前用户的相似评分向量;
协同更新模块,用于基于所述相似评分向量对所述当前评分向量进行协同更新操作,得到推荐目标评分向量;
推荐目标获取模块,用于基于评分高低在所述推荐目标评分向量中获取预设数量的推荐目标;
目标产品输出模块,用于向所述用户终端输出与所述推荐目标相对应的目标产品信息。
8.根据权利要求7所述的基于协同过滤的产品推荐装置,其特征在于,所述数据更新包括:
点击判断子模块,用于判断所述浏览操作信息是否为点击操作;
第一评分数据确认子模块,用于若所述浏览操作信息为点击操作,则确定所述用户对所述产品标识信息的当前评分数据ξi为1;
停留时间判断子模块,用于若所述浏览操作信息不为点击操作,则判断所述浏览操作信息的停留时间是否符合有效时间阈值;
第二评分数据确认子模块,用于若所述浏览操作信息的停留时间不符合有效时间阈值,则确定所述用户对所述产品标识信息的所述当前评分数据ξi为0;
第三评分数据确认子模块,用于若所述浏览操作信息的停留时间符合有效时间阈值,则确定所述用户对所述产品标识信息的所述当前评分数据ξi为:
其中,ti表示用户在第i个列表项上的所述停留时间;
当前评分向量确认子模块,用于基于所述当前评分数据更新所述历史评分向量,得到所述当前评分向量,所述当前评分向量表示为:
Su,i=Su,i+ξi
其中,Su,i表示用户u对第i个列表项产生兴趣的评分向量。
9.一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机可读指令,所述处理器执行所述计算机可读指令时实现如权利要求1至6中任一项所述的基于协同过滤的产品推荐方法的步骤。
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可读指令,所述计算机可读指令被处理器执行时实现如权利要求1至6中任一项所述的基于协同过滤的产品推荐方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110434896.4A CN113032682B (zh) | 2021-04-22 | 2021-04-22 | 基于协同过滤的产品推荐方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110434896.4A CN113032682B (zh) | 2021-04-22 | 2021-04-22 | 基于协同过滤的产品推荐方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113032682A true CN113032682A (zh) | 2021-06-25 |
CN113032682B CN113032682B (zh) | 2023-07-21 |
Family
ID=76457341
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110434896.4A Active CN113032682B (zh) | 2021-04-22 | 2021-04-22 | 基于协同过滤的产品推荐方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113032682B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113361696A (zh) * | 2021-06-30 | 2021-09-07 | 中国农业银行股份有限公司 | 一种页面阅读识别方法和装置 |
CN113626693A (zh) * | 2021-07-30 | 2021-11-09 | 未鲲(上海)科技服务有限公司 | 产品推荐方法、装置、计算机设备和存储介质 |
CN113643103A (zh) * | 2021-08-31 | 2021-11-12 | 平安医疗健康管理股份有限公司 | 基于用户相似度的产品推荐方法、装置、设备及存储介质 |
CN114006938A (zh) * | 2021-09-24 | 2022-02-01 | 深圳市佳创视讯技术股份有限公司 | 分布式集群的消息路由下发方法、装置、设备及存储介质 |
CN114531614A (zh) * | 2022-02-17 | 2022-05-24 | 北京字跳网络技术有限公司 | 视频播放方法、装置、电子设备、存储介质和程序产品 |
CN114708070A (zh) * | 2022-06-06 | 2022-07-05 | 广东鑫兴科技有限公司 | 一种信息智能推送方法、装置、电子设备和存储介质 |
CN114817753A (zh) * | 2022-06-29 | 2022-07-29 | 京东方艺云(杭州)科技有限公司 | 一种艺术画作的推荐方法及装置 |
CN117648497A (zh) * | 2024-01-29 | 2024-03-05 | 贵州大学 | 一种基于大数据实现用户信息智能采集方法及系统 |
CN117974330A (zh) * | 2024-03-28 | 2024-05-03 | 华侨大学 | 基于混合模型的互联网保险评分预测方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103745100A (zh) * | 2013-12-27 | 2014-04-23 | 浙江大学 | 一种基于项目的混合显性隐性反馈的协同过滤推荐算法 |
CN103942712A (zh) * | 2014-05-09 | 2014-07-23 | 北京联时空网络通信设备有限公司 | 基于产品相似度的电子商务推荐系统及其方法 |
US20170206582A1 (en) * | 2016-01-15 | 2017-07-20 | Target Brands, Inc. | Generating a user interface for recommending products |
CN111079028A (zh) * | 2019-12-04 | 2020-04-28 | 上海财经大学 | 基于多源辅助信息的协同过滤推荐系统及方法 |
CN112381620A (zh) * | 2020-12-04 | 2021-02-19 | 中信银行股份有限公司 | 产品推荐方法、装置、电子设备及计算机可读存储介质 |
-
2021
- 2021-04-22 CN CN202110434896.4A patent/CN113032682B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103745100A (zh) * | 2013-12-27 | 2014-04-23 | 浙江大学 | 一种基于项目的混合显性隐性反馈的协同过滤推荐算法 |
CN103942712A (zh) * | 2014-05-09 | 2014-07-23 | 北京联时空网络通信设备有限公司 | 基于产品相似度的电子商务推荐系统及其方法 |
US20170206582A1 (en) * | 2016-01-15 | 2017-07-20 | Target Brands, Inc. | Generating a user interface for recommending products |
CN111079028A (zh) * | 2019-12-04 | 2020-04-28 | 上海财经大学 | 基于多源辅助信息的协同过滤推荐系统及方法 |
CN112381620A (zh) * | 2020-12-04 | 2021-02-19 | 中信银行股份有限公司 | 产品推荐方法、装置、电子设备及计算机可读存储介质 |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113361696A (zh) * | 2021-06-30 | 2021-09-07 | 中国农业银行股份有限公司 | 一种页面阅读识别方法和装置 |
CN113361696B (zh) * | 2021-06-30 | 2024-02-27 | 中国农业银行股份有限公司 | 一种页面阅读识别方法和装置 |
CN113626693A (zh) * | 2021-07-30 | 2021-11-09 | 未鲲(上海)科技服务有限公司 | 产品推荐方法、装置、计算机设备和存储介质 |
CN113643103A (zh) * | 2021-08-31 | 2021-11-12 | 平安医疗健康管理股份有限公司 | 基于用户相似度的产品推荐方法、装置、设备及存储介质 |
CN114006938A (zh) * | 2021-09-24 | 2022-02-01 | 深圳市佳创视讯技术股份有限公司 | 分布式集群的消息路由下发方法、装置、设备及存储介质 |
CN114531614B (zh) * | 2022-02-17 | 2023-09-15 | 北京字跳网络技术有限公司 | 视频播放方法、装置、电子设备和存储介质 |
CN114531614A (zh) * | 2022-02-17 | 2022-05-24 | 北京字跳网络技术有限公司 | 视频播放方法、装置、电子设备、存储介质和程序产品 |
CN114708070B (zh) * | 2022-06-06 | 2022-09-23 | 广东鑫兴科技有限公司 | 一种信息智能推送方法、装置、电子设备和存储介质 |
CN114708070A (zh) * | 2022-06-06 | 2022-07-05 | 广东鑫兴科技有限公司 | 一种信息智能推送方法、装置、电子设备和存储介质 |
CN114817753A (zh) * | 2022-06-29 | 2022-07-29 | 京东方艺云(杭州)科技有限公司 | 一种艺术画作的推荐方法及装置 |
CN114817753B (zh) * | 2022-06-29 | 2022-09-09 | 京东方艺云(杭州)科技有限公司 | 一种艺术画作的推荐方法及装置 |
CN117648497A (zh) * | 2024-01-29 | 2024-03-05 | 贵州大学 | 一种基于大数据实现用户信息智能采集方法及系统 |
CN117648497B (zh) * | 2024-01-29 | 2024-04-30 | 贵州大学 | 一种基于大数据实现用户信息智能采集方法及系统 |
CN117974330A (zh) * | 2024-03-28 | 2024-05-03 | 华侨大学 | 基于混合模型的互联网保险评分预测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113032682B (zh) | 2023-07-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113032682B (zh) | 基于协同过滤的产品推荐方法、装置、设备及存储介质 | |
CN110825957B (zh) | 基于深度学习的信息推荐方法、装置、设备及存储介质 | |
CN112148987B (zh) | 基于目标对象活跃度的消息推送方法及相关设备 | |
CN111782943A (zh) | 基于历史数据记录的信息推荐方法、装置、设备及介质 | |
CN112287244A (zh) | 基于联邦学习的产品推荐方法、装置、计算机设备及介质 | |
CN113326991B (zh) | 自动授权方法、装置、计算机设备及存储介质 | |
CN113220734A (zh) | 课程推荐方法、装置、计算机设备及存储介质 | |
CN113836131A (zh) | 一种大数据清洗方法、装置、计算机设备及存储介质 | |
CN112288163A (zh) | 目标对象的目标因子预测方法及相关设备 | |
CN114398477A (zh) | 基于知识图谱的政策推荐方法及其相关设备 | |
CN114265835A (zh) | 基于图挖掘的数据分析方法、装置及相关设备 | |
CN113918949A (zh) | 基于多模态融合的诈骗app的识别方法 | |
CN113283759B (zh) | 账户风险画像更新方法、装置、设备及存储介质 | |
CN114219664A (zh) | 产品推荐方法、装置、计算机设备及存储介质 | |
CN115545753A (zh) | 一种基于贝叶斯算法的合作伙伴预测方法及相关设备 | |
CN109785039A (zh) | 信息推荐的装置、方法及存储介质 | |
CN115578170A (zh) | 一种财务批量制证方法、装置、设备及存储介质 | |
CN114925275A (zh) | 产品推荐方法、装置、计算机设备及存储介质 | |
CN114549053A (zh) | 数据分析方法、装置、计算机设备及存储介质 | |
CN115203391A (zh) | 一种信息检索方法、装置、计算机设备及存储介质 | |
CN112182390B (zh) | 一种函件推送方法、装置、计算机设备及存储介质 | |
CN113821596A (zh) | 信息推荐方法、装置、计算机设备及存储介质 | |
CN112084408A (zh) | 名单数据筛选方法、装置、计算机设备及存储介质 | |
CN114330240A (zh) | Pdf文档解析方法、装置、计算机设备及存储介质 | |
CN114154052A (zh) | 信息推荐方法、装置、计算机设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |