CN113111182A - 信息推荐方法及装置、计算机可存储介质 - Google Patents
信息推荐方法及装置、计算机可存储介质 Download PDFInfo
- Publication number
- CN113111182A CN113111182A CN202110405818.1A CN202110405818A CN113111182A CN 113111182 A CN113111182 A CN 113111182A CN 202110405818 A CN202110405818 A CN 202110405818A CN 113111182 A CN113111182 A CN 113111182A
- Authority
- CN
- China
- Prior art keywords
- keyword
- item
- target
- keywords
- order
- 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 37
- 239000013598 vector Substances 0.000 claims abstract description 91
- 230000000875 corresponding effect Effects 0.000 claims description 97
- 238000006243 chemical reaction Methods 0.000 claims description 51
- 230000002596 correlated effect Effects 0.000 claims description 20
- 230000000694 effects Effects 0.000 claims description 11
- 238000005295 random walk Methods 0.000 claims description 9
- 239000002131 composite material Substances 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 16
- 230000006870 function Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 235000010627 Phaseolus vulgaris Nutrition 0.000 description 1
- 244000046052 Phaseolus vulgaris Species 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
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
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
- G06F16/353—Clustering; Classification into predefined classes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2477—Temporal data queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/335—Filtering based on additional data, e.g. user or group profiles
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开涉及信息推荐方法及装置、计算机可存储介质,涉及计算机技术领域。信息推荐方法包括:根据待处理关键词,确定至少一个目标关键词及其目标向量,目标关键词与目标向量一一对应;对于每个目标关键词,从与所述待处理关键词相关的对象对应的历史数据中,获取与所述每个目标关键词属于同一关键词类别的多个参考关键词;根据与所述多个参考关键词对应的多个参考向量,确定与所述对象对应的综合向量,参考关键词与参考向量一一对应;根据所述综合向量与所述每个目标向量之间的相似度,推荐与所述待处理关键词相关的信息。根据本公开,可以提高推荐的准确性。
Description
技术领域
本公开涉及计算机技术领域,特别涉及信息推荐方法及装置、计算机可存储介质。
背景技术
随着直播行业的快速发展,如何准确筛选带货用户进行直播带货成为推动直播行业发展的关键。
相关技术中,针对一待带货物品,通过统计不同带货用户的带货频次、带货销量,为商家推荐带货频次高且带货销量大的带货用户。
发明内容
相关技术中,未考虑带货用户与待带货物品之间的匹配度,从而推荐的准确性较差。
针对上述技术问题,本公开提出了一种解决方案,可以提高推荐的准确性。
根据本公开的第一方面,提供了一种信息推荐方法,包括:根据待处理关键词,确定至少一个目标关键词及其目标向量,目标关键词与目标向量一一对应;对于每个目标关键词,从与所述待处理关键词相关的对象对应的历史数据中,获取与所述每个目标关键词属于同一关键词类别的多个参考关键词;根据与所述多个参考关键词对应的多个参考向量,确定与所述对象对应的综合向量,参考关键词与参考向量一一对应;根据所述综合向量与所述每个目标向量之间的相似度,推荐与所述待处理关键词相关的信息。
在一些实施例中,确定与所述对象对应的综合向量包括:对于所述对象,根据对应的历史数据,确定与所述每个参考关键词对应的转化数据;根据所述多个参考向量及其对应的转化数据,确定所述综合向量。
在一些实施例中,根据所述多个参考向量及其对应的转化数据,确定所述综合向量包括:根据与每个参考关键词对应的转化数据,确定相应的转化权重;利用多个转化权重,对所述多个参考向量进行加权操作,得到所述综合向量。
在一些实施例中,所述对象为带货用户,所述历史数据为历史带货数据,所述带货用户的历史带货数据包括历史时间段内每天的带货数据,所述每天的带货数据包括与每个参考关键词对应的带货物品在一天内的点击量、订单量、点击粉丝量和在线粉丝量中的至少一种,所述点击粉丝量为一天内所述带货用户的在线粉丝中点击所述带货物品的粉丝数量,所述转化数据包括所述历史时间段内每天的点击通过率、转化率和粉丝活跃率中的至少一种,所述点击通过率与所述点击量成正相关且与所述在线粉丝量成负相关,所述转化率与所述订单量成正相关且与所述点击量成负相关,所述粉丝活跃率为点击粉丝量与在线粉丝量之间的比值。
在一些实施例中,所述带货用户为多个,所述点击通过率与平均点击量成正相关且与平均在线粉丝量成负相关,所述平均点击量为所述多个带货用户的点击量的平均值,所述平均在线粉丝量为所述多个带货用户的在线粉丝量的平均值;所述转化率与平均订单量成正相关且与所述平均点击量成负相关,所述平均订单量为所述多个带货用户的订单量的平均值。
在一些实施例中,确定相应的转化权重包括:将所述点击通过率、所述转化率和所述粉丝活跃率的平均值,确定为转化权重。
在一些实施例中,与所述对象对应的历史数据包括该对象衍生的至少一组订单数据,每组订单数据包括多个物品的物品标识,从与所述待处理关键词相关的对象对应的历史数据中,获取与所述每个目标关键词属于同一关键词类别的多个参考关键词包括:根据所述对象衍生的每组订单数据,确定多个物品组,每个物品组包括两个不同物品的物品标识;根据所述对象衍生的每组订单数据,确定每个物品组中、与物品标识对应的两个物品之间的关联权重值,关联权重值越大,两个物品之间的相关性越强;以所述多个物品组中的物品标识为顶点、关联权重值为边,构建图模型;利用所述图模型,从与所述对象对应的历史数据中,获取与所述每个目标关键词属于同一关键词类别的多个参考关键词。
在一些实施例中,所述订单数据还包括与物品标识对应的其他订单参数,利用所述图模型,从与所述对象对应的历史数据中,获取与所述每个目标关键词属于同一关键词类别的多个参考关键词包括:利用随机游走算法,对所述图模型进行随机游走,直到满足游走停止条件,得到至少一个物品标识,作为参考物品标识;对于所述每个目标关键词,从所述对象衍生的每组订单数据中,选择与所述每个目标关键词属于同一关键词类别、且与所述参考物品标识对应的物品标识或其他订单参数,作为参考关键词。
在一些实施例中,订单数据还包括订单日期,确定每个物品组中的与物品标识对应的两个物品之间的关联权重值包括:根据每个物品组中、与两个物品标识对应的订单日期之间的差值,确定每个物品组中的与物品标识对应的两个物品之间的关联权重值,关联权重值与订单日期之间的差值成负相关。
在一些实施例中,订单数据还包括订单日期,根据与每个带货用户对应的订单数据,确定多个带货物品组包括:根据每组订单数据,确定至少一个物品集合,每个物品集合包括多个按订单先后顺序排列的多个物品标识,同一物品集合中的多个物品标识所对应的最晚订单日期与最早订单日期之间的差值小于日期阈值;针对每个物品集合,将相邻的两个物品标识划分到一个物品组,以得到所述多个物品组。
在一些实施例中,推荐与所述待处理关键词相关的信息包括:在所述对象为多个对象的情况下,从所述多个对象中,选择待推荐对象,并推荐所述待推荐对象的相关信息。
在一些实施例中,在所述对象为一个对象的情况下,所述至少一个目标关键词包括多个目标关键词,推荐与所述待处理关键词相关的信息包括:在所述对象为一个对象的情况下,从所述多个目标关键词中,选择待推荐关键词,并推荐所述待推荐关键词的相关信息。
在一些实施例中,根据待处理关键词,确定至少一个目标关键词包括:根据与所述待处理关键词对应的关键词类别,将所述待处理关键词转化为至少一个目标关键词。
在一些实施例中,在所述对象为带货用户的情况下,所述关键词类别包括用户标识类、物品标识类、品牌标识类、店铺标识类和品类。
根据本公开第二方面,提供了一种信息推荐装置,包括:第一确定模块,被配置为根据待处理关键词,确定至少一个目标关键词及其目标向量,目标关键词与目标向量一一对应;获取模块,被配置为对于每个目标关键词,从与所述待处理关键词相关的对象对应的历史数据中,获取与所述每个目标关键词属于同一关键词类别的多个参考关键词;第二确定模块,被配置为根据与所述多个参考关键词对应的多个参考向量,确定与所述对象对应的综合向量,参考关键词与参考向量一一对应;推荐模块,被配置为根据所述综合向量与所述每个目标向量之间的相似度,推荐与所述待处理关键词相关的信息。
根据本公开第三方面,提供了一种信息推荐装置,包括:存储器;以及耦接至所述存储器的处理器,所述处理器被配置为基于存储在所述存储器的指令,执行上述任一实施例所述的信息推荐方法。
根据本公开的第四方面,提供了一种计算机可存储介质,其上存储有计算机程序指令,该指令被处理器执行时实现上述任一实施例所述的信息推荐方法。
在上述实施例中,可以提高推荐的准确性。
附图说明
构成说明书的一部分的附图描述了本公开的实施例,并且连同说明书一起用于解释本公开的原理。
参照附图,根据下面的详细描述,可以更加清楚地理解本公开,其中:
图1是示出根据本公开一些实施例的信息推荐方法的流程图;
图2是示出根据本公开一些实施例的获取与每个目标关键词属于同一关键词类别的多个参考关键词的流程图;
图3是示出根据本公开一些实施例的确定与对象对应的综合向量的流程图;
图4是示出根据本公开一些实施例的信息推荐装置的框图;
图5是示出根据本公开另一些实施例的信息推荐装置的框图;
图6是示出用于实现本公开一些实施例的计算机系统的框图。
具体实施方式
现在将参照附图来详细描述本公开的各种示例性实施例。应注意到:除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本公开的范围。
同时,应当明白,为了便于描述,附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本公开及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论,但在适当情况下,所述技术、方法和设备应当被视为说明书的一部分。
在这里示出和讨论的所有示例中,任何具体值应被解释为仅仅是示例性的,而不是作为限制。因此,示例性实施例的其它示例可以具有不同的值。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步讨论。
图1是示出根据本公开一些实施例的信息推荐方法的流程图。
如图1所示,信息推荐方法包括:步骤S10,根据待处理关键词,确定至少一个目标关键词及其目标向量;步骤S20,对于每个目标关键词,从与待处理关键词相关的对象对应的历史数据中,获取与每个目标关键词属于同一关键词类别的多个参考关键词;步骤S30,根据与多个参考关键词对应的多个参考向量,确定与对象对应的综合向量;步骤S40,根据综合向量与每个目标向量之间的相似度,推荐与待处理关键词相关的信息。在一些实施例中,信息推荐方法由信息推荐装置执行。该信息推荐方法可以应用到直播带货场景,也可以应用到广告媒体选择的场景。
在步骤S10中,根据待处理关键词,确定至少一个目标关键词及其目标向量。目标关键词与目标向量一一对应。在一些实施例中,待处理关键词可以为检索用户输入的检索词。
在一些实施例中,例如,待处理关键词包括但不限于带货物品的物品标识、带货用户的用户标识、带货物品的品牌标识和带货物品的品类标识。例如,物品标识可以为物品ID(Identity Document,身份标识号)或者物品名称,用户标识可以为用户ID或者用户名,品牌标识可以为品牌ID或者品牌名称,品类标识可以为品类ID或者品类名称。
在一些实施例中,根据与待处理关键词对应的关键词类别,将待处理关键词转化为至少一个目标关键词。在一些实施例中,在与待处理关键词相关的对象为带货用户的情况下,关键词类别包括但不限于用户标识类、物品标识类、品牌标识类、店铺标识类和品类。
例如,在待处理关键词所对应的关键词类别为物品标识类的情况下,将待处理关键词本身作为目标关键词。
又例如,在待处理关键词所对应的关键词类别为用户标识类的情况下,将待处理关键词转化为与待处理关键词所对应的用户标识对应的物品标识、品类标识和品牌标识中的至少一种。在一些实施例中,一个用户标识对应多个物品标识、多个品类标识或者多个品牌标识,则多个物品标识构成的目标关键词所对应的目标向量可以为多个物品标识的多个标识向量的平均值或者加权平均值。同理,可以确定多个品类标识或者多个品牌标识构成的目标关键词所对应的目标向量。
又例如,在待处理关键词所对应的关键词类别为用户标识类的情况下,还可以将待处理关键词转化为多个候选物品的物品标识。
在步骤S20中,对于每个目标关键词,从与待处理关键词相关的对象对应的历史数据中,获取与每个目标关键词属于同一关键词类别的多个参考关键词。
例如,通过如图2所示的方式实现上述步骤S20。
图2是示出根据本公开一些实施例的获取与每个目标关键词属于同一关键词类别的多个参考关键词的流程图。
如图2所示,获取与每个目标关键词属于同一关键词类别的多个参考关键词包括步骤S21-步骤S24。例如,与上述对象对应的历史数据包括该对象衍生的至少一组订单数据。每组订单数据包括多个物品的物品标识。例如,在对象为带货用户的情况下,该对象衍生的每组订单数据为带货用户的每个粉丝的订单数据。每组订单数据所包括的多个物品为多个带货物品。
例如,一粉丝A的订单数据可以表示为{[商品ID=3645,日期=20200101,品牌ID=乔丹,店铺=乔丹专卖店,分类=运动鞋],[商品ID=4543,日期=20200101,品牌ID=耐克,店铺=耐克专卖店,分类=运动鞋],[商品ID=712345,日期=20200102,品牌ID=华为,店铺=华为专卖店,分类=手机],[商品ID=546574,日期=20200108,品牌ID=皮卡尔丹,店铺=皮卡尔丹专卖店,分类=牛仔裤]}。
在步骤S21中,根据对象衍生的每组订单数据,确定多个物品组。每个物品组包括两个不同物品的物品标识。以订单数据包括订单日期为例,根据每组订单数据,确定至少一个物品集合,每个物品集合包括多个按订单先后顺序排列的多个物品标识,同一物品集合中的多个物品标识所对应的最晚订单日期与最早订单日期之间的差值小于日期阈值(例如为3天)。针对每个物品集合,将相邻的两个物品标识划分到一个物品组,以得到多个物品组。
例如,粉丝A的订单数据可以划分为订单集合B和订单集合C。订单集合B为{[商品ID=3645,日期=20200101,品牌ID=乔丹,店铺=乔丹专卖店,分类=运动鞋],[商品ID=4543,日期=20200101,品牌ID=耐克,店铺=耐克专卖店,分类=运动鞋],[商品ID=712345,日期=20200102,品牌ID=华为,店铺=华为专卖店,分类=手机]}。订单集合C为{[商品ID=546574,日期=20200108,品牌ID=皮卡尔丹,店铺=皮卡尔丹专卖店,分类=牛仔裤],[商品ID=546578,日期=20200109,品牌ID=皮卡尔丹,店铺=皮卡尔丹专卖店,分类=牛仔外套]}。单个订单集合中最晚订单日期与最早订单日期之间的差值小于3天。根据这两个订单集合可以确定两个物品集合,分别为{商品ID=3645,商品ID=4543,商品ID=712345}、{商品ID=546574,商品ID=546578}。
在步骤S22中,根据对象衍生的每组订单数据,确定每个物品组中、与物品标识对应的两个物品之间的关联权重值。关联权重值越大,两个物品之间的相关性越强。
在一些实施例中,订单数据还包括订单日期。根据每个物品组中、与两个物品标识对应的订单日期之间的差值,确定每个物品组中的与物品标识对应的两个物品之间的关联权重值。关联权重值与订单日期之间的差值成负相关。
在步骤S23中,以多个物品组中的物品标识为顶点、关联权重值为边,构建图模型。例如,在得到关联权重值后,对订单集合B进行处理,可以得到处理后的集合{[商品ID=3645,日期=20200101,品牌ID=乔丹,店铺=乔丹专卖店,分类=运动鞋],[商品ID=4543,日期=20200101,品牌ID=耐克,店铺=耐克专卖店,分类=运动鞋],权重=1}、和{[商品ID=4543,日期=20200101,品牌ID=耐克,店铺=耐克专卖店,分类=运动鞋],[商品ID=712345,日期=20200102,品牌ID=华为,店铺=华为专卖店,分类=手机],权重=0.75}。根据处理后的集合,可以构建图模型。
在步骤S24中,利用图模型,从与对象对应的历史数据中,获取与每个目标关键词属于同一关键词类别的多个参考关键词。
在一些实施例中,订单数据还包括与物品标识对应的其他订单参数。可以通过如下的方式实现上述步骤S24。
首先,利用随机游走算法,对图模型进行随机游走,直到满足游走停止条件,得到至少一个物品标识,作为参考物品标识。例如,随机游走的参数包括游走的最大步长(例如为13)、每个顶点的遍历次数(例如为4)。游走的停止条件为游走的总长度。在一些实施例中,随机游走算法为基于Alias(别名)采样的随机游走算法。
然后,对于每个目标关键词,从对象衍生的每组订单数据中,选择与每个目标关键词属于同一关键词类别、且与参考物品标识对应的物品标识或其他订单参数,作为参考关键词。以订单数据包括物品标识、品牌标识、品类标识为例,在目标关键词属于物品标识类的情况下,参考关键词也是物品标识(即参考物品标识)。在目标关键词属于品牌标识类的情况下,参考关键词为与参考物品标识对应的品牌标识。在目标关键词属于品类标识类的情况下,参考关键词为与参考物品标识对应的品类标识。
在上述实施例中,通过计算关联权重值,构建图模型,可以构建物品之间的关联性,从而利用物品之间的关联性,确定与目标关键词最具关联的参考关键词,进一步提高推荐的准确性。
返回图1,在步骤S30中,根据与多个参考关键词对应的多个参考向量,确定与对象对应的综合向量。以对象为带货用户为例,每个带货用户对应一个综合向量。
例如,通过如图3所示的方式实现上述步骤S30。
图3是示出根据本公开一些实施例的确定与对象对应的综合向量的流程图。
如图3所示,确定与对象对应的综合向量包括步骤S31-步骤S32。
在步骤S31中,根据与对象对应的历史数据,确定与每个参考关键词对应的转化数据。转化数据为衡量基于每个参考关键词所产生的特定贡献(例如,点击通过率、转化率、粉丝活跃率等流量贡献)的能力的数据。在一些实施例中,在对象为带货用户的情况下,历史数据为历史带货数据,转化数据为带货转化数据。在另一些实施例中,在对象为广告媒体的情况下,历史数据为历史广告数据,转化数据为广告转化数据。
在步骤S32中,根据多个参考向量及其对应的转化数据,确定综合向量。通过结合转化数据来确定综合向量,不仅考虑了待处理关键词与对象之间的匹配度,还考虑了对象的转化能力,可以进一步提高推荐的准确性。
在一些实施例中,根据与每个参考关键词对应的转化数据,确定相应的转化权重。利用多个转化权重,对多个参考向量进行加权操作,得到综合向量。通过将转化数据转换为转化权重,对多个参考向量进行加权操作,能够综合评价对象的转化能力,进一步提高推荐的准确性。转化权重即为每个参考向量的权重值。
以对象为带货用户、历史数据为历史带货数据为例,带货用户的历史带货数据包括历史时间段内每天的带货数据。每天的带货数据包括与每个参考关键词对应的带货物品在一天内的点击量、订单量、点击粉丝量和在线粉丝量中的至少一种。点击粉丝量为一天内带货用户的在线粉丝中点击带货物品的粉丝数量。
以对象为带货用户、历史数据为历史带货数据为例,转化数据包括历史时间段内每天的点击通过率(Click Through Rate,CTR)、转化率(Conversion Rate,CVR)和粉丝活跃率中的至少一种。点击通过率与点击量成正相关且与在线粉丝量成负相关。转化率与订单量成正相关且与点击量成负相关。粉丝活跃率为点击粉丝量与在线粉丝量之间的比值。
以转化数据包括历史时间段内每天的点击通过率、转化率和粉丝活跃率为例,可以将点击通过率、转化率和粉丝活跃率的平均值,确定为与参考关键词对应的转化权重。
在一些实施例中,在带货用户为多个的情况下,点击通过率与平均点击量成正相关且与平均在线粉丝量成负相关。平均点击量为多个带货用户的点击量的平均值。平均在线粉丝量为多个带货用户的在线粉丝量的平均值。转化率与平均订单量成正相关且与平均点击量成负相关。平均订单量为多个带货用户的订单量的平均值。
在上述实施例中,利用多个带货用户对应的平均在线粉丝量、平均点击量和平均订单量对转化数据进行修正,即利用贝叶斯平滑思想进行修正,可以使得转化数据更加接近真实值,从而进一步提高推荐的准确性。
返回图1,在步骤S40中,根据综合向量与每个目标向量之间的相似度,推荐与待处理关键词相关的信息。例如,相似度为向量之间的向量内积或者余弦相似度。
在对象为多个对象的情况下,从多个对象中,选择待推荐对象,并推荐待推荐对象的相关信息。例如,从多个带货用户中选择待推荐用户,并推荐待推荐用户的用户信息。此种情况下,从多个带货用户选择与待处理关键词相匹配的带货用户,以便所选择的带货用户针对与待处理关键词对应的物品进行带货。在一些实施例中,可以推荐与每个目标向量的相似度之和最大的综合向量所对应的带货用户的用户信息。
在对象为一个对象的情况下,目标关键词为多个。从多个目标关键词中,选择待推荐关键词,并推荐待推荐关键词的相关信息。例如,从多个候选物品中,选择待推荐物品,并推荐待推荐物品的物品信息。此种情况下,为某个带货用户选择相匹配的待推荐物品,以便该带货用户针对该待推荐物品进行带货。在一些实施例中,可以推荐与综合向量之间的相似度最大的目标向量所对应的候选物品的物品信息。
在上述实施例中,通过待处理关键词向目标关键词的转化,以及利用基于历史数据获取到的与目标关键词属于同一关键词类别的多个参考关键词的参考向量,确定对象的综合向量,以综合向量和目标向量之间的相似度为基准进行推荐,综合考虑了对象与待处理关键词的匹配度,可以提高推荐的准确性。
图4是示出根据本公开一些实施例的信息推荐装置的框图。
如图4所示,信息推荐装置4包括第一确定模块41、获取模块42、第二确定模块43和推荐模块44。
第一确定模块41被配置为根据待处理关键词,确定至少一个目标关键词及其目标向量,例如执行如图1所示的步骤S10。目标关键词与目标向量一一对应。
获取模块42被配置为对于每个目标关键词,从与待处理关键词相关的对象对应的历史数据中,获取与每个目标关键词属于同一关键词类别的多个参考关键词,例如执行如图1所示的步骤S20。
第二确定模块43被配置为根据与多个参考关键词对应的多个参考向量,确定与对象对应的综合向量,例如执行如图1所示的步骤S30参考关键词与参考向量一一对应。
推荐模块44被配置为根据综合向量与每个目标向量之间的相似度,推荐与待处理关键词相关的信息,例如执行如图1所示的步骤S40。
图5是示出根据本公开另一些实施例的信息推荐装置的框图。
如图5所示,信息推荐装置5包括存储器51;以及耦接至该存储器51的处理器52。存储器51用于存储执行信息推荐方法对应实施例的指令。处理器52被配置为基于存储在存储器51中的指令,执行本公开中任意一些实施例中的信息推荐方法。
图6是示出用于实现本公开一些实施例的计算机系统的框图。
如图6所示,计算机系统60可以通用计算设备的形式表现。计算机系统60包括存储器610、处理器620和连接不同系统组件的总线600。
存储器610例如可以包括系统存储器、非易失性存储介质等。系统存储器例如存储有操作系统、应用程序、引导装载程序(Boot Loader)以及其他程序等。系统存储器可以包括易失性存储介质,例如随机存取存储器(RAM)和/或高速缓存存储器。非易失性存储介质例如存储有执行信息推荐方法中的至少一种的对应实施例的指令。非易失性存储介质包括但不限于磁盘存储器、光学存储器、闪存等。
处理器620可以用通用处理器、数字信号处理器(DSP)、应用专用集成电路(ASIC)、现场可编程门阵列(FPGA)或其它可编程逻辑设备、分立门或晶体管等分立硬件组件方式来实现。相应地,诸如判断模块和确定模块的每个模块,可以通过中央处理器(CPU)运行存储器中执行相应步骤的指令来实现,也可以通过执行相应步骤的专用电路来实现。
总线600可以使用多种总线结构中的任意总线结构。例如,总线结构包括但不限于工业标准体系结构(ISA)总线、微通道体系结构(MCA)总线、外围组件互连(PCI)总线。
计算机系统60还可以包括输入输出接口630、网络接口640、存储接口650等。这些接口630、640、650以及存储器610和处理器620之间可以通过总线600连接。输入输出接口630可以为显示器、鼠标、键盘等输入输出设备提供连接接口。网络接口640为各种联网设备提供连接接口。存储接口650为软盘、U盘、SD卡等外部存储设备提供连接接口。
这里,参照根据本公开实施例的方法、装置和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解,流程图和/或框图的每个框以及各框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可提供到通用计算机、专用计算机或其他可编程装置的处理器,以产生一个机器,使得通过处理器执行指令产生实现在流程图和/或框图中一个或多个框中指定的功能的装置。
这些计算机可读程序指令也可存储在计算机可读存储器中,这些指令使得计算机以特定方式工作,从而产生一个制造品,包括实现在流程图和/或框图中一个或多个框中指定的功能的指令。
本公开可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。
通过上述实施例中的信息推荐方法及装置、计算机可存储介质,可以提高推荐的准确性。
至此,已经详细描述了根据本公开的信息推荐方法及装置、计算机可存储介质。为了避免遮蔽本公开的构思,没有描述本领域所公知的一些细节。本领域技术人员根据上面的描述,完全可以明白如何实施这里公开的技术方案。
Claims (17)
1.一种信息推荐方法,包括:
根据待处理关键词,确定至少一个目标关键词及其目标向量,目标关键词与目标向量一一对应;
对于每个目标关键词,从与所述待处理关键词相关的对象所对应的历史数据中,获取与所述每个目标关键词属于同一关键词类别的多个参考关键词;
根据与所述多个参考关键词对应的多个参考向量,确定与所述对象对应的综合向量,参考关键词与参考向量一一对应;
根据所述综合向量与所述每个目标向量之间的相似度,推荐与所述待处理关键词相关的信息。
2.根据权利要求1所述的信息推荐方法,其中,确定与所述对象对应的综合向量包括:
对于所述对象,根据对应的历史数据,确定与所述每个参考关键词对应的转化数据;
根据所述多个参考向量及其对应的转化数据,确定所述综合向量。
3.根据权利要求2所述的信息推荐方法,其中,根据所述多个参考向量及其对应的转化数据,确定所述综合向量包括:
根据与每个参考关键词对应的转化数据,确定相应的转化权重;
利用多个转化权重,对所述多个参考向量进行加权操作,得到所述综合向量。
4.根据权利要求3所述的信息推荐方法,其中,所述对象为带货用户,所述历史数据为历史带货数据,所述带货用户的历史带货数据包括历史时间段内每天的带货数据,所述每天的带货数据包括与每个参考关键词对应的带货物品在一天内的点击量、订单量、点击粉丝量和在线粉丝量中的至少一种,所述点击粉丝量为一天内所述带货用户的在线粉丝中点击所述带货物品的粉丝数量,
所述转化数据包括所述历史时间段内每天的点击通过率、转化率和粉丝活跃率中的至少一种,所述点击通过率与所述点击量成正相关且与所述在线粉丝量成负相关,所述转化率与所述订单量成正相关且与所述点击量成负相关,所述粉丝活跃率为点击粉丝量与在线粉丝量之间的比值。
5.根据权利要求4所述的信息推荐方法,其中,所述带货用户为多个,所述点击通过率与平均点击量成正相关且与平均在线粉丝量成负相关,所述平均点击量为所述多个带货用户的点击量的平均值,所述平均在线粉丝量为所述多个带货用户的在线粉丝量的平均值;
所述转化率与平均订单量成正相关且与所述平均点击量成负相关,所述平均订单量为所述多个带货用户的订单量的平均值。
6.根据权利要求4所述的信息推荐方法,其中,确定相应的转化权重包括:
将所述点击通过率、所述转化率和所述粉丝活跃率的平均值,确定为转化权重。
7.根据权利要求1所述的信息推荐方法,其中,与所述对象对应的历史数据包括该对象衍生的至少一组订单数据,每组订单数据包括多个物品的物品标识,从与所述待处理关键词相关的对象对应的历史数据中,获取与所述每个目标关键词属于同一关键词类别的多个参考关键词包括:
根据所述对象衍生的每组订单数据,确定多个物品组,每个物品组包括两个不同物品的物品标识;
根据所述对象衍生的每组订单数据,确定每个物品组中、与物品标识对应的两个物品之间的关联权重值,关联权重值越大,两个物品之间的相关性越强;
以所述多个物品组中的物品标识为顶点、关联权重值为边,构建图模型;
利用所述图模型,从与所述对象对应的历史数据中,获取与所述每个目标关键词属于同一关键词类别的多个参考关键词。
8.根据权利要求7所述的信息推荐方法,其中,所述订单数据还包括与物品标识对应的其他订单参数,利用所述图模型,从与所述对象对应的历史数据中,获取与所述每个目标关键词属于同一关键词类别的多个参考关键词包括:
利用随机游走算法,对所述图模型进行随机游走,直到满足游走停止条件,得到至少一个物品标识,作为参考物品标识;
对于所述每个目标关键词,从所述对象衍生的每组订单数据中,选择与所述每个目标关键词属于同一关键词类别、且与所述参考物品标识对应的物品标识或其他订单参数,作为参考关键词。
9.根据权利要求7所述的信息推荐方法,其中,订单数据还包括订单日期,确定每个物品组中的与物品标识对应的两个物品之间的关联权重值包括:
根据每个物品组中、与两个物品标识对应的订单日期之间的差值,确定每个物品组中的与物品标识对应的两个物品之间的关联权重值,关联权重值与订单日期之间的差值成负相关。
10.根据权利要求7所述的信息推荐方法,其中,订单数据还包括订单日期,根据与每个带货用户对应的订单数据,确定多个带货物品组包括:
根据每组订单数据,确定至少一个物品集合,每个物品集合包括多个按订单先后顺序排列的多个物品标识,同一物品集合中的多个物品标识所对应的最晚订单日期与最早订单日期之间的差值小于日期阈值;
针对每个物品集合,将相邻的两个物品标识划分到一个物品组,以得到所述多个物品组。
11.根据权利要求1所述的信息推荐方法,其中,推荐与所述待处理关键词相关的信息包括:
在所述对象为多个对象的情况下,从所述多个对象中,选择待推荐对象,并推荐所述待推荐对象的相关信息。
12.根据权利要求1所述的信息推荐方法,其中,在所述对象为一个对象的情况下,所述至少一个目标关键词包括多个目标关键词,推荐与所述待处理关键词相关的信息包括:
在所述对象为一个对象的情况下,从所述多个目标关键词中,选择待推荐关键词,并推荐所述待推荐关键词的相关信息。
13.根据权利要求1所述的信息推荐方法,其中,根据待处理关键词,确定至少一个目标关键词包括:
根据与所述待处理关键词对应的关键词类别,将所述待处理关键词转化为至少一个目标关键词。
14.根据权利要求1所述的信息推荐方法,其中,在所述对象为带货用户的情况下,所述关键词类别包括用户标识类、物品标识类、品牌标识类、店铺标识类和品类。
15.一种信息推荐装置,包括:
第一确定模块,被配置为根据待处理关键词,确定至少一个目标关键词及其目标向量,目标关键词与目标向量一一对应;
获取模块,被配置为对于每个目标关键词,从与所述待处理关键词相关的对象对应的历史数据中,获取与所述每个目标关键词属于同一关键词类别的多个参考关键词;
第二确定模块,被配置为根据与所述多个参考关键词对应的多个参考向量,确定与所述对象对应的综合向量,参考关键词与参考向量一一对应;
推荐模块,被配置为根据所述综合向量与所述每个目标向量之间的相似度,推荐与所述待处理关键词相关的信息。
16.一种信息推荐装置,包括:
存储器;以及
耦接至所述存储器的处理器,所述处理器被配置为基于存储在所述存储器的指令,执行如权利要求1至14任一项所述的信息推荐方法。
17.一种计算机可存储介质,其上存储有计算机程序指令,该指令被处理器执行时实现如权利要求1至14任一项所述的信息推荐方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110405818.1A CN113111182A (zh) | 2021-04-15 | 2021-04-15 | 信息推荐方法及装置、计算机可存储介质 |
PCT/CN2022/085053 WO2022218181A1 (zh) | 2021-04-15 | 2022-04-02 | 信息推荐方法及装置、计算机可存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110405818.1A CN113111182A (zh) | 2021-04-15 | 2021-04-15 | 信息推荐方法及装置、计算机可存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113111182A true CN113111182A (zh) | 2021-07-13 |
Family
ID=76717194
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110405818.1A Pending CN113111182A (zh) | 2021-04-15 | 2021-04-15 | 信息推荐方法及装置、计算机可存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN113111182A (zh) |
WO (1) | WO2022218181A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022218181A1 (zh) * | 2021-04-15 | 2022-10-20 | 北京沃东天骏信息技术有限公司 | 信息推荐方法及装置、计算机可存储介质 |
CN117332160A (zh) * | 2023-12-01 | 2024-01-02 | 中航信移动科技有限公司 | 一种多目标标识的显示方法、存储介质及电子设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100251304A1 (en) * | 2009-03-30 | 2010-09-30 | Donoghue Patrick J | Personal media channel apparatus and methods |
CN107194769A (zh) * | 2017-05-17 | 2017-09-22 | 东莞市华睿电子科技有限公司 | 一种基于用户搜索内容的商品推荐方法 |
CN110399479A (zh) * | 2018-04-20 | 2019-11-01 | 北京京东尚科信息技术有限公司 | 搜索数据处理方法、装置、电子设备及计算机可读介质 |
CN111159555A (zh) * | 2019-12-30 | 2020-05-15 | 北京每日优鲜电子商务有限公司 | 商品推荐方法、装置、服务器和存储介质 |
CN111523918A (zh) * | 2019-02-02 | 2020-08-11 | 北京极智嘉科技有限公司 | 商品聚类的方法、装置、设备和存储介质 |
CN112488781A (zh) * | 2020-11-10 | 2021-03-12 | 北京三快在线科技有限公司 | 搜索推荐方法、装置、电子设备及可读存储介质 |
CN112637629A (zh) * | 2020-12-25 | 2021-04-09 | 百度在线网络技术(北京)有限公司 | 直播内容推荐方法及装置、电子设备和介质 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102008696B1 (ko) * | 2019-03-27 | 2019-08-08 | 주식회사 페이크럭스컴퍼니 | 거래 이력 데이터의 클러스터링에 기초한 상품 추천 장치 및 방법 |
CN110365996B (zh) * | 2019-07-25 | 2021-08-10 | 深圳市元征科技股份有限公司 | 直播管理方法、直播管理平台、电子设备及存储介质 |
CN112508594B (zh) * | 2020-10-13 | 2024-04-09 | 有米科技股份有限公司 | 带货视频的商品销量属性估算方法及装置 |
CN113111182A (zh) * | 2021-04-15 | 2021-07-13 | 北京沃东天骏信息技术有限公司 | 信息推荐方法及装置、计算机可存储介质 |
-
2021
- 2021-04-15 CN CN202110405818.1A patent/CN113111182A/zh active Pending
-
2022
- 2022-04-02 WO PCT/CN2022/085053 patent/WO2022218181A1/zh unknown
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100251304A1 (en) * | 2009-03-30 | 2010-09-30 | Donoghue Patrick J | Personal media channel apparatus and methods |
CN107194769A (zh) * | 2017-05-17 | 2017-09-22 | 东莞市华睿电子科技有限公司 | 一种基于用户搜索内容的商品推荐方法 |
CN110399479A (zh) * | 2018-04-20 | 2019-11-01 | 北京京东尚科信息技术有限公司 | 搜索数据处理方法、装置、电子设备及计算机可读介质 |
CN111523918A (zh) * | 2019-02-02 | 2020-08-11 | 北京极智嘉科技有限公司 | 商品聚类的方法、装置、设备和存储介质 |
CN111159555A (zh) * | 2019-12-30 | 2020-05-15 | 北京每日优鲜电子商务有限公司 | 商品推荐方法、装置、服务器和存储介质 |
CN112488781A (zh) * | 2020-11-10 | 2021-03-12 | 北京三快在线科技有限公司 | 搜索推荐方法、装置、电子设备及可读存储介质 |
CN112637629A (zh) * | 2020-12-25 | 2021-04-09 | 百度在线网络技术(北京)有限公司 | 直播内容推荐方法及装置、电子设备和介质 |
Non-Patent Citations (2)
Title |
---|
ZNE-JUNG LEE 等: "Design an Online Aquarium with Intelligent Recommend System", 《2020 INTERNATIONAL CONFERENCE ON BIG DATA, ARTIFICIAL INTELLIGENCE AND INTERNET OF THINGS ENGINEERING (ICBAIE)》, 15 September 2020 (2020-09-15), pages 217 - 220 * |
杜蝶蝶: "基于RFM模型的直播平台个性化推荐方法方法研究", 《中国优秀硕士学位论文全文数据库 经济与管理科学辑》, no. 2, 15 February 2021 (2021-02-15), pages 152 - 1245 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022218181A1 (zh) * | 2021-04-15 | 2022-10-20 | 北京沃东天骏信息技术有限公司 | 信息推荐方法及装置、计算机可存储介质 |
CN117332160A (zh) * | 2023-12-01 | 2024-01-02 | 中航信移动科技有限公司 | 一种多目标标识的显示方法、存储介质及电子设备 |
CN117332160B (zh) * | 2023-12-01 | 2024-02-09 | 中航信移动科技有限公司 | 一种多目标标识的显示方法、存储介质及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
WO2022218181A1 (zh) | 2022-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111523976B (zh) | 商品推荐方法、装置、电子设备及存储介质 | |
JP6109290B2 (ja) | 分類された誤配置の識別 | |
CN108665333B (zh) | 商品推荐方法、装置、电子设备和存储介质 | |
US9892187B2 (en) | Data analysis method, data analysis device, and storage medium storing processing program for same | |
US20160203191A1 (en) | Recommendation system with metric transformation | |
CN111798273A (zh) | 产品的购买概率预测模型的训练方法及购买概率预测方法 | |
CN105574089B (zh) | 知识图谱的生成方法及装置、对象对比方法及装置 | |
WO2022218181A1 (zh) | 信息推荐方法及装置、计算机可存储介质 | |
CN105956628B (zh) | 数据分类方法和用于数据分类的装置 | |
CN105809479A (zh) | 物品推荐方法及装置 | |
US20210073890A1 (en) | Catalog-based image recommendations | |
CN111461164B (zh) | 样本数据集的扩容方法及模型的训练方法 | |
CN112488863B (zh) | 一种在用户冷启动场景下的险种推荐方法及相关设备 | |
CN109685537B (zh) | 用户行为的分析方法、装置、介质和电子设备 | |
CN105354202A (zh) | 数据推送方法及装置 | |
CN112036981B (zh) | 一种用于提供目标对比商品的方法、装置、设备及介质 | |
Yu et al. | A content-based goods image recommendation system | |
CN104778237A (zh) | 一种基于关键用户的个性化推荐方法和系统 | |
CN111159563A (zh) | 用户兴趣点信息的确定方法、装置、设备及存储介质 | |
CN110427358B (zh) | 数据清洗方法及装置和信息推荐方法及装置 | |
CN113225580B (zh) | 直播数据处理方法、装置、电子设备及介质 | |
CN112950328A (zh) | 一种组合对象推荐方法、装置、系统和存储介质 | |
CN114581165A (zh) | 一种产品推荐方法、装置、计算机存储介质及系统 | |
CN110020118B (zh) | 一种计算用户之间相似度的方法及装置 | |
CN111488479A (zh) | 超图构建方法、装置以及计算机系统和介质 |
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 |