CN113222712A - 一种产品推荐方法和装置 - Google Patents

一种产品推荐方法和装置 Download PDF

Info

Publication number
CN113222712A
CN113222712A CN202110599894.0A CN202110599894A CN113222712A CN 113222712 A CN113222712 A CN 113222712A CN 202110599894 A CN202110599894 A CN 202110599894A CN 113222712 A CN113222712 A CN 113222712A
Authority
CN
China
Prior art keywords
product
eye movement
preference
movement video
sample data
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
Application number
CN202110599894.0A
Other languages
English (en)
Inventor
达举东
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.)
Bank of China Ltd
Original Assignee
Bank of China 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 Bank of China Ltd filed Critical Bank of China Ltd
Priority to CN202110599894.0A priority Critical patent/CN113222712A/zh
Publication of CN113222712A publication Critical patent/CN113222712A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations
    • 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
    • G06F16/957—Browsing optimisation, e.g. caching or content distillation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06Q30/0643—Graphical representation of items or shoppers

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Databases & Information Systems (AREA)
  • Finance (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Accounting & Taxation (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种产品推荐方法和装置，涉及人工智能，该方法包括：获取眼动视频历史数据及对应的历史产品喜好值；建立卷积神经网络模型，根据眼动视频历史数据及对应的历史产品喜好值进行训练，确定产品喜好识别模型；在用户浏览搜索产品时，获取眼动视频样本数据，与产品信息标识绑定；将眼动视频样本数据输入产品喜好识别模型进行计算，确定产品喜好度；根据产品喜好度和产品信息标识，确定产品推荐列表。本发明通过训练卷积神经网络模型可以直观的识别出用户对该商品的喜好程度，根据喜好程度和目标产品信息生成推荐产品信息，以此为参考进行产品推荐，能够大幅提高推荐的准确率。

Description

一种产品推荐方法和装置
技术领域
本发明涉及计算机数据处理技术领域，尤其涉及一种产品推荐方法和装置。
背景技术
本部分旨在为权利要求书中陈述的本发明的实施方式提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
目前互联网行业产品推荐方法，通过用户行为分析结合用户信息和自身产品信息，根据关联性匹配相似产品推荐给用户。用户行为信息包括用户购买产品记录、浏览记录、搜索记录等。
上述推荐方法存在一些缺陷，用户在浏览具体某些商品时，现有推荐方法无法准确得获取用户对该产品的喜好程度，所以基于用户的浏览搜索记录进行产品推荐存在很大的误差率。出现持续不断的推荐相似产品的情况，凭借浏览搜索记录推荐产品在很多时候准确率低，且推荐内容纠错能力差。
因此，如何提供一种新的方案，其能够解决上述技术问题是本领域亟待解决的技术难题。
发明内容
本发明实施例提供一种产品推荐方法，就通过眼动追踪识别得到的眼动视频样本数据，可以直观的识别出用户对该商品的喜好程度，根据喜好程度和目标产品信息生成推荐产品信息，以此为参考进行产品推荐，能够大幅提高推荐的准确率，该方法包括：
获取眼动视频历史数据及对应的历史产品喜好值；
建立卷积神经网络模型，根据眼动视频历史数据及对应的历史产品喜好值进行训练，确定产品喜好识别模型；
在用户浏览搜索产品时，获取眼动视频样本数据，与产品信息标识绑定；
将眼动视频样本数据输入产品喜好识别模型进行计算，确定产品喜好度；
根据产品喜好度和产品信息标识，确定产品推荐列表。
本发明实施例还提供一种产品推荐装置，包括：
历史数据获取模块，用于获取眼动视频历史数据及对应的历史产品喜好值；
产品喜好识别模型确定模块，用于建立卷积神经网络模型，根据眼动视频历史数据及对应的历史产品喜好值进行训练，确定产品喜好识别模型；
眼动视频样本数据获取模块，用于在用户浏览搜索产品时，获取眼动视频样本数据，与产品信息标识绑定；
产品喜好度确定模块，用于将眼动视频样本数据输入产品喜好识别模型进行计算，确定产品喜好度；
产品推荐列表确定模块，用于根据产品喜好度和产品信息标识，确定产品推荐列表。
本发明实施例还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一种产品推荐方法。
本发明实施例还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执行上述一种产品推荐方法的计算机程序。
本发明实施例提供的一种产品推荐方法和装置，包括：首先获取眼动视频历史数据及对应的历史产品喜好值；然后建立卷积神经网络模型，根据眼动视频历史数据及对应的历史产品喜好值进行训练，确定产品喜好识别模型；接着在用户浏览搜索产品时，获取眼动视频样本数据，与产品信息标识绑定；下一步将眼动视频样本数据输入产品喜好识别模型进行计算，确定产品喜好度；最后根据产品喜好度和产品信息标识，确定产品推荐列表。本发明在用户浏览相应商品时，就通过眼动追踪识别得到的眼动视频样本数据，通过训练卷积神经网络模型可以直观的识别出用户对该商品的喜好程度，根据喜好程度和目标产品信息生成推荐产品信息，以此为参考进行产品推荐，能够大幅提高推荐的准确率。更加直观、准确、高效、智能得为用户推荐产品。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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。在附图中：
图1为本发明实施例一种产品推荐方法示意图。
图2为本发明实施例一种产品推荐方法的流程图。
图3为本发明实施例一种产品推荐方法的确定产品喜好识别模型过程示意图。
图4为运行本发明实施的一种产品推荐方法的计算机装置示意图。
图5为本发明实施例一种产品推荐装置示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。
本发明涉及人工智能技术。图1为本发明实施例一种产品推荐方法示意图，如图1所示，本发明实施例提供一种产品推荐方法，就通过眼动追踪识别得到的眼动视频样本数据，可以直观的识别出用户对该商品的喜好程度，根据喜好程度和目标产品信息生成推荐产品信息，以此为参考进行产品推荐，能够大幅提高推荐的准确率，该方法包括：
步骤101：获取眼动视频历史数据及对应的历史产品喜好值；
步骤102：建立卷积神经网络模型，根据眼动视频历史数据及对应的历史产品喜好值进行训练，确定产品喜好识别模型；
步骤103：在用户浏览搜索产品时，获取眼动视频样本数据，与产品信息标识绑定；
步骤104：将眼动视频样本数据输入产品喜好识别模型进行计算，确定产品喜好度；
步骤105：根据产品喜好度和产品信息标识，确定产品推荐列表。
本发明实施例提供的一种产品推荐方法和装置，包括：首先获取眼动视频历史数据及对应的历史产品喜好值；然后建立卷积神经网络模型，根据眼动视频历史数据及对应的历史产品喜好值进行训练，确定产品喜好识别模型；接着在用户浏览搜索产品时，获取眼动视频样本数据，与产品信息标识绑定；下一步将眼动视频样本数据输入产品喜好识别模型进行计算，确定产品喜好度；最后根据产品喜好度和产品信息标识，确定产品推荐列表。本发明在用户浏览相应商品时，就通过眼动追踪识别得到的眼动视频样本数据，通过训练卷积神经网络模型可以直观的识别出用户对该商品的喜好程度，根据喜好程度和目标产品信息生成推荐产品信息，以此为参考进行产品推荐，能够大幅提高推荐的准确率。更加直观、准确、高效、智能得为用户推荐产品。
在本发明实施例中，眼动追踪识别，是指根据心理学相关研究表明，通过追踪观察人眼部动作的微小变化，可以揭示人在不同情况下的真实情感表达。眼部动作变化较难人为得控制，相比于其他面部动作来讲，能够更真实直白的反应当前情形下人的心理感受。眼部动作微小变化繁多且较难捕获，这些动作包括：瞳孔直径变化、眨眼频率变化和注视点(眼神)变化等。所以眼动追踪识别是现在人机交互和人工智能领域研究的重点难点方向，涉及心理学、计算机科学、生理学等诸多领域。
本发明提供一种基于眼动追踪的产品推荐方法。“眼睛是不会骗人的”这句话不仅深入人心，而且有相应的科学依据。不同的眼动过程，不仅能表达相应的情绪和情感，而且能够辨别出用户对产品的喜好程度。图2为本发明实施例一种产品推荐方法的流程图，如图2所示，具体实施本发明实施例提供的一种产品推荐方法时，在一个实施例中，可以包括：
获取眼动视频历史数据及对应的历史产品喜好值；
建立卷积神经网络模型，根据眼动视频历史数据及对应的历史产品喜好值进行训练，确定产品喜好识别模型；
在用户浏览搜索产品时，获取眼动视频样本数据，与产品信息标识绑定；
将眼动视频样本数据输入产品喜好识别模型进行计算，确定产品喜好度；
根据产品喜好度和产品信息标识，确定产品推荐列表。
本发明实施例在用户浏览相应产品过程中，根据用户眼动信息识别出用户对相关产品的喜好程度，根据喜好程度和目标产品信息生成推荐产品信息，更加直观、准确、高效、智能得为用户推荐产品。
具体实施本发明实施例提供的一种产品推荐方法时，在一个实施例中，获取眼动视频历史数据及对应的历史产品喜好值，包括：连接数据库，从数据库中获取历史数据，从历史数据中提取眼动视频历史数据及对应的历史产品喜好值。
图3为本发明实施例一种产品推荐方法的确定产品喜好识别模型过程示意图，如图3所示，具体实施本发明实施例提供的一种产品推荐方法时，在一个实施例中，建立卷积神经网络模型，根据眼动视频历史数据及对应的历史产品喜好值进行训练，确定产品喜好识别模型，包括：
步骤301：建立预设条件的多组超参数卷积神经网络模型；
步骤302：将眼动视频历史数据及对应的历史产品喜好值进行标签化处理，按照预设比例划分出训练集和测试集；
步骤303：对训练集和测试集进行特征提取，确定训练集样本特征集和测试集样本特征集；
步骤304：将训练集样本特征集输入建立好的预设条件的多组超参数卷积神经网络模型中进行训练，通过测试集样本特征集的验证和损失函数的计算，将得到最小误差的卷积神经网络模型输出为产品喜好识别模型。
实施例中，通过训练卷积神经网络模型得到产品喜好识别模型的主要过程，包括：首先建立预设条件的多组超参数卷积神经网络模型；然后将眼动视频历史数据及对应的历史产品喜好值进行标签化处理，按照预设比例划分出训练集和测试集；接着对训练集和测试集进行特征提取，确定训练集样本特征集和测试集样本特征集；最后将训练集样本特征集输入建立好的预设条件的多组超参数卷积神经网络模型中进行训练，通过测试集样本特征集的验证和损失函数的计算，将得到最小误差的卷积神经网络模型输出为产品喜好识别模型。
实施例中，基于眼动追踪的产品喜好识别模型在训练得到的过程中，该将现有的眼动样本数据就行标签化处理，按照预设比例将样本划分成训练集和测试集，对样本进行特征值提取，然后输入到预设条件的多组超参数卷积神经网络进行训练。通过测试集样本的验证和损失函数的计算，得到最小误差的卷积神经网络模型作为目标模型，输出产品喜好识别模型。
具体实施本发明实施例提供的一种产品推荐方法时，在一个实施例中，在用户浏览搜索产品时，获取眼动视频样本数据，与产品信息绑定，包括：
在用户浏览搜索产品时，通过眼动仪获取用户浏览搜索的每一个产品时的眼动视频样本数据，并将该眼动视频样本数据与对应产品的产品信息标识绑定。
实施例中，眼动视频样本数据是通过眼动仪获取的。当用户浏览搜索N个产品时，将浏览每个产品时的眼动追踪信息与产品信息绑定。
具体实施本发明实施例提供的一种产品推荐方法时，在一个实施例中，眼动视频历史数据和眼动视频样本数据，均包括：眨眼频率、瞳孔直径变化、注视点变化和扫视凝视数据。
实施例中，眼动视频历史数据和眼动视频样本数据可以通过眼动仪获取，主要包括：眨眼频率、瞳孔直径变化、注视点变化和扫视凝视数据。
具体实施本发明实施例提供的一种产品推荐方法时，在一个实施例中，根据产品喜好度和产品信息标识，确定产品推荐列表，包括：
根据产品喜好度和产品信息标识，生成推荐产品标识；
根据推荐产品标识，从产品数据库中找到对应的产品，生成产品推荐列表。
实施例中，确定产品推荐列表的主要过程，包括：首先根据产品喜好度和产品信息标识，生成推荐产品标识；然后根据推荐产品标识，从产品数据库中找到对应的产品，生成产品推荐列表。
实施例中，将每个眼动追踪信息输入到前述的产品喜好识别模型中，得到该产品喜好度。基于浏览产品的喜好度和该产品信息标识，生成推荐产品标识。按照推荐产品标识找到相应的产品生成产品推荐列表进行推荐展示。
基于用户的浏览搜索记录进行产品推荐存在很大的误差率。出现持续不断的推荐相似产品的情况，反而使用户产品厌烦情绪，这种情况无法被推荐系统察觉到，造成恶性循环。例如：用户浏览搜索了某些产品，但发现现在并不喜欢这些产品，或者当前不想或者无能力购买这些产品时，这种推荐方法无法获知用户当前的真正喜好，仍然孜孜不倦的推荐相似产品，反而使用户产生了厌烦情绪。为了解决上述问题，具体实施本发明实施例提供的一种产品推荐方法时，在一个实施例中，该方法还包括：
实时监测眼动视频样本数据，判断用户对推荐产品的厌恶度；
在用户对推荐产品的厌恶度超出预设阈值时，暂停当前推荐产品标识对应的推荐产品，选择与当前推荐产品标识关联性较低的产品进行重新推荐。
在采用本实施例时，当用户对推荐产品表现出厌烦情绪时，也可以通过眼动追踪识别获取到，判断用户对推荐产品的厌恶度，及时终止推荐相似商品，纠正推荐方法的错误，重新推荐其他产品。
心理学、生理学研究表明人的眼动变化(瞳孔、眨眼、扫视、凝视、注视点)能够反映出真实的心理情况变化。通过上述原理，通过对人眼动追踪，构建一个推荐产品喜好识别模型。在用户浏览相应产品过程中，根据用户眼动信息识别出用户对相关产品的喜好程度，根据喜好程度和目标产品信息生成推荐产品信息，更加直观、准确、高效、智能得为用户推荐产品。
下面结合具体场景，对本发明实施例提供的一种产品推荐方法进行简要描述：
目前互联网行业产品推荐方法，通过用户行为分析结合用户信息和自身产品信息，根据关联性匹配相似产品推荐给用户。用户行为信息包括用户购买产品记录、浏览记录、搜索记录等。上述推荐方法存在一些缺陷，例如：用户浏览搜索了某些产品，但发现现在并不喜欢这些产品，或者当前不想或者无能力购买这些产品时，上述推荐方法无法获知用户当前的真正喜好，仍然孜孜不倦的推荐相似产品，反而使用户产生了厌烦情绪。所以现有的推荐方法凭借浏览搜索记录推荐产品在很多时候准确率低，且推荐内容纠错能力差。
用户在浏览具体某些商品时，现有推荐方法无法准确得获取用户对该产品的喜好程度，所以基于用户的浏览搜索记录进行产品推荐存在很大的误差率。出现持续不断的推荐相似产品的情况，反而使用户产品厌烦情绪，这种情况无法被推荐系统察觉到，造成恶性循环。
本发明在用户浏览商品时，就通过眼动追踪识别(瞳孔直径变化、眨眼频率变化和注视点眼神变化)，直观的知晓用户对该商品的喜好程度，再以此为参考进行产品推荐，能够大幅提高推荐的准确率。当用户对推荐产品表现出厌烦情绪时，也可以通过眼动追踪识别获取到，及时终止推荐相似商品，纠正推荐方法的错误。
本发明提供一种基于眼动追踪的产品推荐方法。“眼睛是不会骗人的”这句话不仅深入人心，而且有相应的科学依据。不同的眼动过程，不仅能表达相应的情绪和情感，而且能够辨别出用户对产品的喜好程度。在用户浏览相应产品过程中，根据用户眼动信息识别出用户对相关产品的喜好程度，根据喜好程度和目标产品信息生成推荐产品信息，更加直观、准确、高效、智能得为用户推荐产品。
本发明最重要最难的是基于用户浏览产品的眼动追踪信息，构建相应的喜好识别模型，进而实现推荐产品模型。
本发明实施例还提供一种产品推荐方法的模块化实例，包括：
1.眼动视频样本数据获取模块：通过眼动仪可以获取眼动视频数据，包括眨眼评率、瞳孔直径变化、注视点变化和扫视凝视数据。
2.基于眼动追踪的产品喜好识别模型，该模块将现有的眼动样本数据就行标签化处理，按照预设比例将样本划分成训练集和测试集，对样本进行特征值提取，然后输入到预设条件的多组超参数卷积神经网络进行训练。通过测试集样本的验证和损失函数的计算，得到最小误差的卷积神经网络模型作为目标模型。
3.推荐产品生成模块，当用户浏览搜索N个产品时，将浏览每个产品时的眼动追踪信息与产品信息绑定。每个眼动追踪信息输入到(2)所述的产品喜好识别模型中，得到该产品喜好度。基于浏览产品的喜好度和该产品信息标识，生成推荐产品标识。按照推荐产品标识找到相应的产品进行推荐展示。
4.推荐产品厌恶度监控模块，该模块监控用户对于推荐产品的厌恶度，当出现厌恶度超出阈值时，暂停当前推荐产品标识的推荐产品，选择与当前推荐产品标识关联性较低的推荐产品标识作为新的推荐产品标识，重新推荐相关产品。
实现上述模块化实例的核心流程，包括：眼动视频样本数据获取、.基于眼动追踪的产品喜好识别模型构建、推荐产品生成模型构建。
实现本发明实施例的准备和辅助步骤，包括：提前准备眼动视频样本数据，人工完成标签化。
实现本发明实施例的善后步骤，包括：跟踪推荐产品的准确性，反馈到产品喜好度模型和产品推荐模型中，进行再学习，提高模型的准确率。
眼动追踪产品喜好识别模型构建步骤：将现有的眼动样本数据就行标签化处理，按照预设比例将样本划分成训练集和测试集，对样本进行特征值提取，然后输入到预设条件的多组超参数卷积神经网络进行训练。通过测试集样本的验证和损失函数的计算，得到最小误差的卷积神经网络模型作为目标模型。
心理学、生理学研究表明人的眼动变化(瞳孔、眨眼、扫视、凝视、注视点)能够反映出真实的心理情况变化。通过上述原理，通过对人眼动追踪，构建一个推荐产品喜好识别模型。在用户浏览相应产品过程中，根据用户眼动信息识别出用户对相关产品的喜好程度，根据喜好程度和目标产品信息生成推荐产品信息，更加直观、准确、高效、智能得为用户推荐产品。
图4为运行本发明实施的一种产品推荐方法的计算机装置示意图，如图4所示，本发明实施例还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一种产品推荐方法。
本发明实施例还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执行实现上述一种产品推荐方法的计算机程序。
本发明实施例中还提供了一种产品推荐装置，如下面的实施例所述。由于该装置解决问题的原理与一种产品推荐方法相似，因此该装置的实施可以参见一种产品推荐方法的实施，重复之处不再赘述。
图5为本发明实施例一种产品推荐装置示意图，如图5所示，本发明实施例还提供一种产品推荐装置，具体实施时可以包括：
历史数据获取模块501，用于获取眼动视频历史数据及对应的历史产品喜好值；
产品喜好识别模型确定模块502，用于建立卷积神经网络模型，根据眼动视频历史数据及对应的历史产品喜好值进行训练，确定产品喜好识别模型；
眼动视频样本数据获取模块503，用于在用户浏览搜索产品时，获取眼动视频样本数据，与产品信息标识绑定；
产品喜好度确定模块504，用于将眼动视频样本数据输入产品喜好识别模型进行计算，确定产品喜好度；
产品推荐列表确定模块505，用于根据产品喜好度和产品信息标识，确定产品推荐列表。
具体实施本发明实施例提供的一种产品推荐装置时，在一个实施例中，前述的产品喜好识别模型确定模块，具体用于：
建立预设条件的多组超参数卷积神经网络模型；
将眼动视频历史数据及对应的历史产品喜好值进行标签化处理，按照预设比例划分出训练集和测试集；
对训练集和测试集进行特征提取，确定训练集样本特征集和测试集样本特征集；
将训练集样本特征集输入建立好的预设条件的多组超参数卷积神经网络模型中进行训练，通过测试集样本特征集的验证和损失函数的计算，将得到最小误差的卷积神经网络模型输出为产品喜好识别模型。
具体实施本发明实施例提供的一种产品推荐装置时，在一个实施例中，前述的眼动视频样本数据获取模块，具体用于：
在用户浏览搜索产品时，通过眼动仪获取用户浏览搜索的每一个产品时的眼动视频样本数据，并将该眼动视频样本数据与对应产品的产品信息标识绑定。
具体实施本发明实施例提供的一种产品推荐装置时，在一个实施例中，前述的眼动视频历史数据和眼动视频样本数据，均包括：眨眼频率、瞳孔直径变化、注视点变化和扫视凝视数据。
具体实施本发明实施例提供的一种产品推荐装置时，在一个实施例中，前述的产品推荐列表确定模块，具体用于：
根据产品喜好度和产品信息标识，生成推荐产品标识；
根据推荐产品标识，从产品数据库中找到对应的产品，生成产品推荐列表。
具体实施本发明实施例提供的一种产品推荐装置时，在一个实施例中，该装置还包括：厌恶度监测模块，用于：
实时监测眼动视频样本数据，判断用户对推荐产品的厌恶度；
在用户对推荐产品的厌恶度超出预设阈值时，暂停当前推荐产品标识对应的推荐产品，选择与当前推荐产品标识关联性较低的产品进行重新推荐。
综上，本发明实施例提供的一种产品推荐方法和装置，包括：首先获取眼动视频历史数据及对应的历史产品喜好值；然后建立卷积神经网络模型，根据眼动视频历史数据及对应的历史产品喜好值进行训练，确定产品喜好识别模型；接着在用户浏览搜索产品时，获取眼动视频样本数据，与产品信息标识绑定；下一步将眼动视频样本数据输入产品喜好识别模型进行计算，确定产品喜好度；最后根据产品喜好度和产品信息标识，确定产品推荐列表。
本发明在用户浏览相应商品时，就通过眼动追踪识别得到的眼动视频样本数据(瞳孔直径变化、眨眼频率变化和注视点眼神变化)，通过训练卷积神经网络模型可以直观的识别出用户对该商品的喜好程度，根据喜好程度和目标产品信息生成推荐产品信息，以此为参考进行产品推荐，能够大幅提高推荐的准确率。更加直观、准确、高效、智能得为用户推荐产品。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明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。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (14)

1.一种产品推荐方法，其特征在于，包括：
获取眼动视频历史数据及对应的历史产品喜好值；
建立卷积神经网络模型，根据眼动视频历史数据及对应的历史产品喜好值进行训练，确定产品喜好识别模型；
在用户浏览搜索产品时，获取眼动视频样本数据，与产品信息标识绑定；
将眼动视频样本数据输入产品喜好识别模型进行计算，确定产品喜好度；
根据产品喜好度和产品信息标识，确定产品推荐列表。
2.如权利要求1所述的方法，其特征在于，建立卷积神经网络模型，根据眼动视频历史数据及对应的历史产品喜好值进行训练，确定产品喜好识别模型，包括：
建立预设条件的多组超参数卷积神经网络模型；
将眼动视频历史数据及对应的历史产品喜好值进行标签化处理，按照预设比例划分出训练集和测试集；
对训练集和测试集进行特征提取，确定训练集样本特征集和测试集样本特征集；
将训练集样本特征集输入建立好的预设条件的多组超参数卷积神经网络模型中进行训练，通过测试集样本特征集的验证和损失函数的计算，将得到最小误差的卷积神经网络模型输出为产品喜好识别模型。
3.如权利要求1所述的方法，其特征在于，在用户浏览搜索产品时，获取眼动视频样本数据，与产品信息绑定，包括：
在用户浏览搜索产品时，通过眼动仪获取用户浏览搜索的每一个产品时的眼动视频样本数据，并将该眼动视频样本数据与对应产品的产品信息标识绑定。
4.如权利要求1所述的方法，其特征在于，眼动视频历史数据和眼动视频样本数据，均包括：眨眼频率、瞳孔直径变化、注视点变化和扫视凝视数据。
5.如权利要求1所述的方法，其特征在于，根据产品喜好度和产品信息标识，确定产品推荐列表，包括：
根据产品喜好度和产品信息标识，生成推荐产品标识；
根据推荐产品标识，从产品数据库中找到对应的产品，生成产品推荐列表。
6.如权利要求5所述的方法，其特征在于，还包括：
实时监测眼动视频样本数据，判断用户对推荐产品的厌恶度；
在用户对推荐产品的厌恶度超出预设阈值时，暂停当前推荐产品标识对应的推荐产品，选择与当前推荐产品标识关联性较低的产品进行重新推荐。
7.一种产品推荐装置，其特征在于，包括：
历史数据获取模块，用于获取眼动视频历史数据及对应的历史产品喜好值；
产品喜好识别模型确定模块，用于建立卷积神经网络模型，根据眼动视频历史数据及对应的历史产品喜好值进行训练，确定产品喜好识别模型；
眼动视频样本数据获取模块，用于在用户浏览搜索产品时，获取眼动视频样本数据，与产品信息标识绑定；
产品喜好度确定模块，用于将眼动视频样本数据输入产品喜好识别模型进行计算，确定产品喜好度；
产品推荐列表确定模块，用于根据产品喜好度和产品信息标识，确定产品推荐列表。
8.如权利要求7所述的装置，其特征在于，产品喜好识别模型确定模块，具体用于：
建立预设条件的多组超参数卷积神经网络模型；
将眼动视频历史数据及对应的历史产品喜好值进行标签化处理，按照预设比例划分出训练集和测试集；
对训练集和测试集进行特征提取，确定训练集样本特征集和测试集样本特征集；
将训练集样本特征集输入建立好的预设条件的多组超参数卷积神经网络模型中进行训练，通过测试集样本特征集的验证和损失函数的计算，将得到最小误差的卷积神经网络模型输出为产品喜好识别模型。
9.如权利要求7所述的装置，其特征在于，眼动视频样本数据获取模块，具体用于：
在用户浏览搜索产品时，通过眼动仪获取用户浏览搜索的每一个产品时的眼动视频样本数据，并将该眼动视频样本数据与对应产品的产品信息标识绑定。
10.如权利要求7所述的装置，其特征在于，眼动视频历史数据和眼动视频样本数据，均包括：眨眼频率、瞳孔直径变化、注视点变化和扫视凝视数据。
11.如权利要求7所述的装置，其特征在于，产品推荐列表确定模块，具体用于：
根据产品喜好度和产品信息标识，生成推荐产品标识；
根据推荐产品标识，从产品数据库中找到对应的产品，生成产品推荐列表。
12.如权利要求11所述的装置，其特征在于，还包括：厌恶度监测模块，用于：
实时监测眼动视频样本数据，判断用户对推荐产品的厌恶度；
在用户对推荐产品的厌恶度超出预设阈值时，暂停当前推荐产品标识对应的推荐产品，选择与当前推荐产品标识关联性较低的产品进行重新推荐。
13.一种计算机设备，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6任一项所述方法。
14.一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存储有执行实现权利要求1至6任一项所述方法的计算机程序。
CN202110599894.0A 2021-05-31 2021-05-31 一种产品推荐方法和装置 Pending CN113222712A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110599894.0A CN113222712A (zh) 2021-05-31 2021-05-31 一种产品推荐方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110599894.0A CN113222712A (zh) 2021-05-31 2021-05-31 一种产品推荐方法和装置

Publications (1)

Publication Number Publication Date
CN113222712A true CN113222712A (zh) 2021-08-06

Family

ID=77081893

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110599894.0A Pending CN113222712A (zh) 2021-05-31 2021-05-31 一种产品推荐方法和装置

Country Status (1)

Country Link
CN (1) CN113222712A (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102496012A (zh) * 2011-12-14 2012-06-13 上海海事大学 结合眼动追踪和历史行为挖掘潜在需求的装置和方法
CN107123027A (zh) * 2017-04-28 2017-09-01 广东工业大学 一种基于深度学习的化妆品推荐方法及系统
CN110362210A (zh) * 2019-07-24 2019-10-22 济南大学 虚拟装配中融合眼动跟踪和手势识别的人机交互方法和装置
CN110389662A (zh) * 2019-06-19 2019-10-29 深圳壹账通智能科技有限公司 应用程序的内容展示方法、装置、存储介质和计算机设备
CN110458637A (zh) * 2019-06-19 2019-11-15 中国平安财产保险股份有限公司 基于神经网络的产品推送方法、及其相关设备
CN110532421A (zh) * 2019-08-30 2019-12-03 的卢技术有限公司 一种基于人的性别、心情和年龄的音乐推荐方法及系统
CN110827129A (zh) * 2019-11-27 2020-02-21 中国联合网络通信集团有限公司 一种商品推荐方法及装置
CN112104914A (zh) * 2019-06-18 2020-12-18 中国移动通信集团浙江有限公司 视频推荐方法及装置
CN112308669A (zh) * 2020-10-29 2021-02-02 深圳大学 一种商品推荐方法、装置、存储介质及终端设备
CN112685596A (zh) * 2019-10-18 2021-04-20 中移(苏州)软件技术有限公司 视频推荐方法及装置、终端、存储介质
CN112837106A (zh) * 2019-11-22 2021-05-25 上海哔哩哔哩科技有限公司 商品推荐方法、装置、计算机设备

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102496012A (zh) * 2011-12-14 2012-06-13 上海海事大学 结合眼动追踪和历史行为挖掘潜在需求的装置和方法
CN107123027A (zh) * 2017-04-28 2017-09-01 广东工业大学 一种基于深度学习的化妆品推荐方法及系统
CN112104914A (zh) * 2019-06-18 2020-12-18 中国移动通信集团浙江有限公司 视频推荐方法及装置
CN110389662A (zh) * 2019-06-19 2019-10-29 深圳壹账通智能科技有限公司 应用程序的内容展示方法、装置、存储介质和计算机设备
CN110458637A (zh) * 2019-06-19 2019-11-15 中国平安财产保险股份有限公司 基于神经网络的产品推送方法、及其相关设备
CN110362210A (zh) * 2019-07-24 2019-10-22 济南大学 虚拟装配中融合眼动跟踪和手势识别的人机交互方法和装置
CN110532421A (zh) * 2019-08-30 2019-12-03 的卢技术有限公司 一种基于人的性别、心情和年龄的音乐推荐方法及系统
CN112685596A (zh) * 2019-10-18 2021-04-20 中移(苏州)软件技术有限公司 视频推荐方法及装置、终端、存储介质
CN112837106A (zh) * 2019-11-22 2021-05-25 上海哔哩哔哩科技有限公司 商品推荐方法、装置、计算机设备
CN110827129A (zh) * 2019-11-27 2020-02-21 中国联合网络通信集团有限公司 一种商品推荐方法及装置
CN112308669A (zh) * 2020-10-29 2021-02-02 深圳大学 一种商品推荐方法、装置、存储介质及终端设备

Similar Documents

Publication Publication Date Title
Fu et al. Eye tracking the user experience–an evaluation of ontology visualization techniques
Eraslan et al. Eye tracking scanpath analysis techniques on web pages: A survey, evaluation and comparison
Steichen et al. Inferring visualization task properties, user performance, and user cognitive abilities from eye gaze data
US9852646B2 (en) Providing question answering responses to how-to procedural questions
Crane et al. Effort-shape characteristics of emotion-related body movement
CN108664932B (zh) 一种基于多源信息融合的学习情感状态识别方法
Anantharaman et al. Modelling an adaptive e-learning system using LSTM and random forest classification
Song et al. Learning person-specific cognition from facial reactions for automatic personality recognition
CN113870239A (zh) 视力检测方法及装置、电子设备、存储介质
CN112069329A (zh) 文本语料的处理方法、装置、设备及存储介质
KR101612782B1 (ko) 사용자 독서 관리 시스템 및 방법
Rathi et al. Analysis of user’s learning styles and academic emotions through web usage mining
US11666267B2 (en) Knowledge, interest and experience discovery by psychophysiologic response to external stimulation
Kumar et al. Analysis of machine learning algorithms for facial expression recognition
CN116434979A (zh) 生理状态云监测方法、监测系统及储存介质
CN113222712A (zh) 一种产品推荐方法和装置
Santhosh et al. Multimodal Assessment of Interest Levels in Reading: Integrating Eye-Tracking and Physiological Sensing
CN114328864A (zh) 基于人工智能和知识图谱的眼科问答系统
CN110543466B (zh) 基于性格模型的智能机器人数据处理的方法及装置
Kumar Predicting Personality Types using Machine Learning and the Myers-Briggs Inventory
Danubianu et al. Model of a Data Mining System for Personalized Therapy of Speech Disorders
De Bruin Automated usability analysis and visualisation of eye tracking data
CN115309258B (zh) 智能导学方法、装置和电子设备
US20230088373A1 (en) Progressive individual assessments using collected inputs
Zeng et al. Systematic review on using biofeedback (EEG and infrared thermography) to evaluate emotion and user perception acquired by Kansei engineering

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