CN113254780A - 信息处理的方法、装置、电子设备及计算机存储介质 - Google Patents

信息处理的方法、装置、电子设备及计算机存储介质 Download PDF

Info

Publication number
CN113254780A
CN113254780A CN202110636582.2A CN202110636582A CN113254780A CN 113254780 A CN113254780 A CN 113254780A CN 202110636582 A CN202110636582 A CN 202110636582A CN 113254780 A CN113254780 A CN 113254780A
Authority
CN
China
Prior art keywords
user
target
recommended
data
obtaining
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
CN202110636582.2A
Other languages
English (en)
Inventor
陈程
王贺
李涵
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.)
Wuhan Zhuoer Digital Media Technology Co ltd
Original Assignee
Wuhan Zhuoer Digital Media Technology 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 Wuhan Zhuoer Digital Media Technology Co ltd filed Critical Wuhan Zhuoer Digital Media Technology Co ltd
Priority to CN202110636582.2A priority Critical patent/CN113254780A/zh
Publication of CN113254780A publication Critical patent/CN113254780A/zh
Pending legal-status Critical Current

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

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本公开提供了信息处理方法、装置、电子设备及计算机存储介质，所述信息处理方法，会根据用户的数据，得到与用户执行预期行为关联的第一集合；同时也会根据提供推荐目标的提供者方面的数据，得到与提供者预期指标关联的第二集合；进而根据第一集合和第二集合的交集，得到推荐给用户的推荐目标集合；结合用户的数据以及目标提供者的预期指标，本公开提供的信息处理的方法，为第一用户提供的推荐目标，在照顾到第一用户的兴趣爱好的同时，也兼顾了提供者的预期指标，在迎合用户的同时，也能提高目标提供者的预期指标，从而也能提升目标提供者的产出目标的积极性。

Description

信息处理的方法、装置、电子设备及计算机存储介质
技术领域
本公开涉及电子信息领域，具体地，涉及信息处理的方法、装置、电子设备及计算机存储介质。
背景技术
随着信息处理技术的发展，在用户与提供者之间的信息交互过程中，会根据用户的数据向用户推荐提供者产出的目标，然而现有的技术方案中，基本只考虑且挖掘用户的数据来提供用户感兴趣的目标，以迎合用户，然而并未在目标的提供者的一方挖掘提供者的数据，结合目标的提供者的预期指标，来向用户提供合适的内容，从而降低提供者产出目标的积极性。
因此，需要能兼顾到用户数据和目标的提供者数据的信息处理装置。
发明内容
本公开提供一种信息处理的方法、装置、电子设备及存储介质。
根据本公开的第一方面，提供一种信息处理的方法，所述方法包括：
根据第一用户的用户数据，得到与所述第一用户执行预期行为关联的第一集合；其中，所述第一集合中包含至少一个待推荐的第一目标；
根据待推荐目标的提供者数据，得到与提供者的预期指标关联的第二集合；其中，所述第二集合包括：至少一个待推荐的第二目标；
根据所述第一集合和所述第二集合的交集，得到推荐给所述第一用户的目标集合。
可选地，所述根据第一用户的用户数据，得到与所述第一用户执行预期行为关联的第一集合，包括：
根据第一用户的用户数据和第二用户的用户数据，确定所述第一用户与所述第二用户的相似度；
确定与所述第一用户满足相似条件的第二用户的第三集合，其中，所述第三集合为所述第二用户历史的目标集合或者当前的目标集合；
根据所述第二用户的第三集合及所述第二用户对所述第三集合内推荐目标的行为数据，得到所述第一集合。
可选地，所述方法包括：根据所述第三集合，得到所述用户的预集合；
所述根据所述第二用户的第三集合及所述第二用户对所述第三集合内推荐目标的行为数据，得到所述第一集合，包括：
获取所述第二用户对根据所述第三集合的推荐目标的行为数据，预测所述第一用户对所述预集合内的推荐目标执行预期行为的概率值；
根据所述概率值，从所述预集合选择至概率值满足预设条件的待推荐目标生成，所述第一集合。
可选地，所述根据所述第三集合，得到所述第一用户的预集合，包括：
根据所述第三集合中的第三目标，在提供者的目标集合中得到与所述第三目标相同类型的目标，所述第三目标以及与所述第三目标相同类型的目标组成所述第四集合；
根据所述第四集合中的第四目标的提供者数据，得到所述第四目标的评论数据；
根据所述第四目标的评论数据，得到被正面评论的第四目标构成的所述第一用户的预集合。
可选地，所述根据待推荐目标的提供者数据，得到与所述提供者的的预期指标关联的第二集合，包括：
根据所述待推荐目标的提供者数据，对所述待推荐目标进行排序，得到第一待推荐目标序列；
过滤掉所述第一待推荐目标序列中排序低于第一阈值的待推荐目标，得到第二待推荐目标序列；
计算所述第二待推荐目标序列中的所述待推荐目标的所述提供者的预期指标，得到与所述提供者的预期指标有关的第二集合。
可选地，所述根据所述第一集合和所述第二集合的交集，得到推荐给所述用户的目标集合，包括：
根据所述第一集合和所述第二集合的交集，得到所述第一集合和所述第二集合共同拥有的目标；
计算所述共同拥有的目标的执行预期行为的概率值和所述提供者的预期指标的乘积，若所述乘积大于第二阈值，确定所述共同拥有的目标组成的集合为推荐给所述第一用户的目标集合。
可选地，所述待推荐目标包括以下至少之一：
商品；
服务；
广告；
新闻；
应用程序；
小说；
文集。
可选地，所述用户数据包括：用户属性数据和/或用户行为数据；
其中，所述用户属性数据指示以下至少之一；
用户年龄、用户性别、用户职业、用户的常住地、用户的爱好及用户的厌恶；
所述用户行为数据指示以下至少之一：
用户的购买；
用户的信息浏览；
用户的数据转发；
用户的数据收藏；
用户的评论。
可选地，所述预期指标以下至少之一：
销售利润；
销售额；
转发量；
转发率；
点击量；
点击率；
评论量。
根据本公开的第二方面，提供一种信息处理的装置，所述装置包括：
第一确定模块，用于根据第一用户的用户数据，得到与所述第一用户执行预期行为关联的第一集合；其中，所述第一集合中包含至少一个待推荐的第一目标；
第二确定模块，用于根据待推荐目标的提供者数据，得到与提供者的预期指标关联的第二集合；其中，所述第二集合包括：至少一个待推荐的第二目标；
第三确定模块，用于根据所述第一集合和所述第二集合的交集，得到推荐给所述第一用户的目标集合。
根据本公开的第三方面，提供一种电子设备，所述设备包括：
存储器；
处理器，与所述存储器连接，用于通过所述存储器存储的计算机执行指令，能够实现前述第一方面提供的信息处理的方法中的步骤。
根据本公开的第四方法，提供一种存储介质，所述计算机存储介质存储有计算机可执行指令；所述计算机可执行指令被处理器执行后，能够实现前述第一方面提供的信息处理的方法中的步骤。
本公开的实施例提供的技术方案可以包括以下有益效果：本公开实施例所提供的信息处理的方法，包括：根据第一用户的用户数据，得到与所述第一用户执行预期行为关联的第一集合；其中，所述第一集合中包含至少一个待推荐的第一目标；这里，会根据用户方面的数据，得到与用户执行预期行为关联的第一集合；根据待推荐目标的提供者数据，得到与提供者的预期指标关联的第二集合；其中，所述第二集合包括：至少一个待推荐的第二目标；这里，会根据提供者方面的提供者数据，得到与提供者的预期指标关联的第二集合；根据所述第一集合和所述第二集合的交集，得到推荐给所述第一用户的集合，这里，考虑到了与第一用户执行预期行为关联的第一集合和与提供者的预期指标关联的第二集合，与现有技术方案中只根据用户数据，挖掘用户可能的预期行为，只单方面的迎合用户，而本公开在考虑用户数据的同时，也兼顾到了提供者数据，来向用户提供既与用户相关的兴趣或预期行为、也与提供者相关的预期指标的第一集合和第二集合的交集得到的目标集合，既能迎合用户，也能兼顾到目标提供者的相关预期，从而提升目标提供者的预期指标和产出目标积极性。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
图1为一示例性实施例示出的信息处理的方法的流程示意图；
图2为一示例性实施例示出的信息处理的方法的流程示意图；
图3为一示例性实施例示出的信息处理的方法的流程示意图；
图4为一示例性实施例示出的信息处理的方法的流程示意图；
图5为一示例性实施例示出的信息处理的方法的流程示意图；
图6为一示例性实施例示出的信息处理的方法的流程示意图；
图7为一示例性实施例示出的信息处理的装置示意图；
图8为一示例性实施例示出的信息处理的装置的流程示意图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开实施例相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开实施例的一些方面相一致的装置和方法的例子。
本公开实施例中，提供了一种信息处理的方法，结合图1所示，所述方法包括：
步骤S101，根据第一用户的用户数据，得到与所述第一用户执行预期行为关联的第一集合；其中，所述第一集合中包含至少一个待推荐的第一目标；
步骤S103，根据待推荐目标的提供者数据，得到与提供者的预期指标关联的第二集合；其中，所述第二集合包括：至少一个待推荐的第二目标；
步骤S105，根据所述第一集合和所述第二集合的交集，得到推荐给所述第一用户的目标集合。
本公开实施例中，所述第一用户，是指正在浏览智能设备上任意内容的用户，所述智能设备为具有显示屏、计算处理能力以及感知功能的设备，诸如但不限于是智能手机、智能平板电脑、电脑、车载智能设备等。
本公开实施例中，所述用户数据，包括但不限于是用户属性数据和/或用户行为数据。用户属性数据包括但不限于是用户的年龄、性别、职业、常住地、爱好或厌恶倾向等与用户个人相对静态的特点关联的信息；用户的行为数据包括但不限于是用户的购买行为、信息浏览行为、数据转发行为、数据收藏或点赞行为、评论行为等与用户行为相关的数据。
本公开实施例中，所述目标或待推荐目标包括但不限于是：商品、服务、广告、新闻、应用程序、小说、文集的单独或组合。
本公开实施例中，所述待推荐目标的提供者，为产出目标的提供者，包括但不限于是：网站或应用程序中为用户提供商品、服务、广告、新闻、应用程序、小说、文集的单独或组合的商家、博主等。
在一些实施例中，提供者的推荐目标的方式，可以是某一网站和/或某一应用程序中的博主，例如一些公众号主或小红书或微博博主，推荐了以短文形式推荐的广告中，也包含了商品、服务推荐。
在一些实施例中，提供者的推荐目标的方式，可以是某一网站或应用程序的商家，推荐商品或服务。
在一些实施例中，提供者的推荐目标的方式，可以是视频网站或应用程序，推荐免费视频或付费视频。
在一些实施例中，提供者的推荐目标的方式，可以是生活分享网页或应用程序平台，推荐文集、美食或美食制作。
本公开实施例中，关于待推荐目标、提供待推荐目标的提供者，所述待推荐目标，可以是多个不同种类的目标组合在一起的混合，也可以是单独的，所述待推荐目标的提供者，可以是同一个商家在不同的平台、应用程序推荐单独的或组合的目标。
本公开实施例中，在所述步骤S101中，根据所述第一用户的用户数据，得到与所述第一用户执行预期行为关联的第一集合；其中，所述第一集合中包含至少一个待推荐的第一目标。所述第一用户执行的预期行为，可以但不限于是：预期购买行为、收藏行为、点赞行为、关注行为等。
本公开实施例中，在步骤S101中，根据所述第一用户的用户数据，例如根据第一用户的性别、年龄、职业、常住地、爱好或厌恶倾向，得到第一用户对某一目标的执行预期行为。例如，得到第一用户对某一目标的执行预期行为概率的第一集合。在一些实施例中，第一用户执行预期行为，可以但不限于是：第一用户对目标商品的执行购买行为、收藏行为和/或添加购物车行为，对目标博主或公众号的关注行为，对公众号或博文内容的收藏行为和/或点赞行为。
本公开实施例中，所述步骤S101，可以根据用户的数据，得到用户对目标有积极行为的推荐目标集合，即所述第一集合。也可以根据用户的数据，得到用户对目标的消极行为的不推荐目标集合，过滤掉不推荐的目标集合，在之后的推荐目标的任务中，可以根据不推荐的目标集合，高效得到推荐的目标集合如第一集合，可以高效避免用户厌恶的推荐，从而节省计算时间，提升计算效率。
本公开实施例中，所述步骤S103中，根据待推荐目标的提供者数据，得到与提供者的预期指标关联的第二集合；其中，所述第二集合包括：至少一个待推荐的第二目标。待推荐目标的提供者数据，可以是提供者数据库中待推荐目标的销售量、评价、被加入购物车、被点赞、被屏蔽的数据。根据上述待推荐目标的提供者数据，得到与提供者的预期指标关联的第二集合，例如，与所述提供者的目标的销售利润、销售额、转发量、转发率、点击量、评论量有关的第二集合。
本公开实施例中，对于出售商品的商家作为提供者，比较看重商品的利润，则所述第二集合可以主要是，与商家的利润、销售额有关的第二集合。
本公开实施例中，对于产出博文内容的博主或公众号主，则所述第二集合可以主要是，推送或分享内容的转发量、转发率、点击量或点击率有关的第二集合。
本公开实施例中，产出博文内容的博主或公众号主的粉丝量、推送或分享内容的转发量、转发率、点击量或点击率，可能同时是商家，或者接受商家的赞助而推荐商品或提供广告，进而，对于是商家的所述博主或公众号主，粉丝量、推送或分享内容的转发量、转发率、点击量或点击率则有机会变现成商品的购买量或利润，对于接受商家赞助而推荐商品或提供广告的博主或公众号主，粉丝量、推送或分享内容的转发量、转发率、点击量或点击率会变现成商家的给博主的赞助或广告费用或关于商品的购买量或利润的抽成等。
本公开实施例中，在所述步骤S105中，根据所述第一集合和所述第二集合的交集，得到推荐给所述第一用户的目标集合。是根据与所述第一用户执行预期行为关联的第一集合和提供者的预期指标关联的第二集合的交集，得到推荐给所述第一用户的目标集合。如此，可以结合用户方面的数据和目标提供者的数据，得到能兼顾用户的兴趣偏好和目标提供者的预期，而得到的可以向所述第一用户推荐的目标集合。例如，在一些实施例中，在集合用户的兴趣爱好，得到用户对目标的购买预期行为的基础上，结合商家的商品利润，得到结合用户的兴趣爱好和商家的商品利润率的推荐给所述第一用户的目标集合。如此，在考虑用户数据的同时，也兼顾到了提供者数据，来向用户提供既与用户相关的兴趣或预期行为、也与提供者相关的预期指标的第一集合和第二集合的交集得到的目标集合，既能迎合用户，也能兼顾到目标提供者的相关预期，从而提升目标提供者的预期指标和产出目标积极性。
本公开实施例中，结合图2所示，所述步骤S101，根据第一用户的用户数据，得到与所述第一用户执行预期行为关联的第一集合，包括：
步骤S1011，根据第一用户的用户数据和第二用户的用户数据，确定所述第一用户与所述第二用户的相似度；
步骤S1012，确定与所述第一用户满足相似条件的第二用户的第三集合，其中，所述第三集合为所述第二用户历史的目标集合或者当前的目标集合；
步骤S1013，根据所述第二用户的第三集合及所述第二用户对所述第三集合内推荐目标的行为数据，得到所述第一集合。
本公开实施例中，在步骤S1011中，根据第一用户的用户数据和第二用户的用户数据，确定所述第一用户和所述第二用户的相似度。例如，根据第一用户登录平台时用户的用户属性数据：年龄、性别、职业、常住地、爱好或厌恶等用户属性数据，得到与所述第一用户的用户属性数据相似的第二用户。所述第二用户在平台上的使用时间比第一用户长，所述第二用户的在所述平台上的行为数据比所述第一用户在所述平台上的历史行为数据多，从而可以直接借鉴所述第二用户的历史行为数据，来对第一用户推荐目标。
本公开实施例中，用户的属性数据还可以包括用户的受教育程度、收入信息。用户数据还包括用户的行为数据，例如：用户的购买、用户的信息浏览、用户的数据转发、用户的数据收藏、用户的评论、用户的点赞、用户的点踩行为等。
本公开实施例中，关于计算所述第一用户与所述第二用户的相似度的计算公式，可以但不限于是：余弦相似度计算公式、欧式距离计算公式、皮尔逊（Pearson）相似度计算公式、斯皮尔曼（Spearman Rank Correlation）等级相关系数计算公式等。在一个实施例中，采用改进的Person相关系数法计算第一用户与第二用户的相似度的公式如下：
Figure 795634DEST_PATH_IMAGE001
公式1.1
在上述公式1.1中，Cx表示第二用户，Cy表示第一用户，Item表示用户数据的集合，i表示在集合Item中的用户数据的种类数量，例如，在上述公式中，i=7，说明集合Item中的用户数据的种类数量为7，例如，可以是只要第一用户登录时，就可以知道的用户属性数据的任意7种，也可以是用户属性数据和/或用户行为数据的任意7种，也可以是第一用户不登录时，用户的行为数据的任意7种。当然，i的取值也可以不为7，可视具体的关于第一用户的登录或不登录的情况，选择用户属性数据或用户行为数据的种类来确定。改进的Person相关系数法中，相似度
Figure 156733DEST_PATH_IMAGE002
的取值为-1到1，绝对值越大，说明相关性越强。
本公开实施例中，在计算出第一用户与第二用户的相似度之后，在步骤S1012中，确定与所述第一用户满足相似条件的第二用户的第三集合，其中，所述第三集合为所述第二用户历史的目标集合或者当前的目标集合。关于相似条件，可以是比较相似度与相似度阈值的比较，若计算出的第一用户与第二用户的相似度大于相似度阈值，则说明第一用户与第二用户的相似度高，则将相似度高的第二用户的历史的目标集合或者当前的目标集合放入至第三集合中，若计算出的第一用户与第二用户的相似度小于相似度阈值，则说明第一用户与第二用户的相似度低，则忽略低于相似度阈值的第二用户，不将相似度低的第二用户的历史的目标集合或者当前的目标集合放入至第三集合。
本公开实施例中，关于相似度阈值的设置，可以根据第二用户的数量来设置，若第二用户的数量庞大，则将相似度阈值设置的高一些，相似度阈值的高低与第二用户的数量呈正相关。例如0.8至1中的任一值，若第二用户的数量中等，则将相似度阈值设置的低一些，例如0.6至0.7中的任一值，若第二用户的数量较少，则可以将相似度阈值设置的更低，例如0.5至0.6中的任一值。当然，本公开实施例中关于相似度阈值的设置，不仅限于此。
本公开实施例中，在步骤S1013中，根据所述第二用户的第三集合及所述第二用户对所述第三集合内推荐目标的行为数据，得到所述第一集合。是根据第二用户的第三集合内关于推荐目标的行为数据，例如，第二用户的历史和/或当前的购买行为、信息浏览行为、数据转发行为、数据收藏行为以及评论行为数据，得到第一用户的执行预期行为关联的第一集合。
本公开实施例中，关于步骤S1011、步骤S1012以及步骤S1013，是获取与第一用户相似度较高的第二用户的历史的目标集合或当前的目标集合之后，来预估第一用户可能会采取行为的第一集合。如此，可以根据第一用户与第二用户之间的属性或行为相似度，借鉴第二用户的历史或当前的采取或行为的目标集合，预估第一用户可能会执行预期行为的目标组成的第一集合，利用老用户即第二用户的足够多的历史的或当前目标集合，来预估目标少甚至没有的新用户即第一用户的目标集合，能合理推荐合适的目标，给第一用户良好的体验感，吸引第一用户的注意，进而提升第一用户对执行预期行为的概率。
本公开实施例中，结合图3所示，所述方法包括：
步骤S102，根据所述第三集合，得到所述用户的预集合；
所述步骤S1013，根据所述第二用户的第三集合及所述第二用户对所述第三集合内推荐目标的行为数据，得到所述第一集合，包括：
步骤S10131，获取所述第二用户对根据所述第三集合的推荐目标的行为数据，预测所述第一用户对所述预集合内的推荐目标执行预期行为的概率值；
步骤S10132，根据所述概率值，从所述预集合选择至概率值满足预设条件的待推荐目标生成，所述第一集合。
本公开实施例中，所述预集合是指，第一用户感兴趣的目标集合或者意识到的目标集合，也即是预备向所述第一用户推荐的目标集合。是根据与第一用户满足相似条件的第二用户的历史的目标集合或当前的目标集合得到的。
在一些实施例中，所述预集合，具体是根据第三集合中的目标，在提供者提供的目标数据库中，选择与所述第三集合中的目标相同或类似的目标组成的集合。
例如，有第三集合中的目标A，则在提供者提供的目标数据库中，有多个与目标A相同或类似的目标，则这些与目标A相同或类似的目标，与目标A共同组成一个新的集合为预集合。
本公开实施例中，在步骤S10131中，关于获取所述第二用户对根据所述第三集合的推荐目标的行为数据，包括：获取第二用户对所述第三集合中的推荐目标是否采取了一些行为，例如，是否购买过推荐目标，是否浏览过推荐目标，是否转发过推荐目标、是否收藏过推荐目标，是否评论过推荐目标，是否点赞过推荐目标等。进而预测所述第一用户对所述预集合内的推荐目标执行预期行为的概率值。例如，在一个实施例中，根据第一用户与第二用户的相似度，预测第一用户对推荐目标的执行预期行为的概率值，可以但不限于是，当第一用户登录网页或应用程序时，根据第一用户与第二用户的相似度，确定第一用户购买商品的可能性，在第二用户的购物历史中，可知第二用户是否购买过目标商品，由此，设：
Figure 439816DEST_PATH_IMAGE003
公式1.2
则第一用户的对所述推荐目标执行预期行为的概率值为：
Figure 823524DEST_PATH_IMAGE004
公式1.3
上述公式1.2中，P Cx,m 表示第二用户购买目标商品m的概率值，上述公式1.3中，
Figure 875662DEST_PATH_IMAGE005
表示第一用户购买目标商品m的概率值。
本公开实施例中，若用户没有登录应用程序或网页，只是在应用程序或网页上浏览时，则可以基于用户的浏览时间来确定用户购买目标商品m的概率值，例如，设
Figure 421044DEST_PATH_IMAGE006
为用户n在i次浏览商品m的最大时长，设
Figure 925844DEST_PATH_IMAGE007
为用户n在i次浏览中浏览商品m的最小时长，
Figure 88142DEST_PATH_IMAGE008
为用户n浏览商品m的平均时长，则用户n对m的商品购买的可能性为：
Figure 11099DEST_PATH_IMAGE009
公式1.4
上述公式1.4可以计算用户没有登录应用程序或网页时用户购买商品m的概率值。
Figure 976649DEST_PATH_IMAGE010
为用户n购买商品m的概率值，其中用户n为第一用户中的一个用户。
本公开实施例中，在步骤S10132中，根据所述概率值，从所述预集合选择概率值满足预设条件的待推荐目标生成所述第一集合，包括：比较所述第一用户对所述预集合内的推荐目标执行预期行为的概率值与预设概率值，若所述概率值大于所述预设概率值，则将所述预集合内的推荐目标设为待推荐目标，放入至所述第一集合中。
本公开实施例中，通过步骤S102，根据第二用户的相似度，选择的第二用户，再根据第二用户的历史的目标集合或当前的目标集合，生成第三集合。根据第三集合中的目标，进入产出目标的提供者的目标数据库中寻找与第三集合中的目标相同的目标，形成一个大的预集合。通过步骤S10131和步骤S10132，再根据第二用户与第一用户的相似度，以及第二用户对第三集合的推荐目标的行为数据，预测所述第一用户对所述预集合内的推荐目标执行预期行为的概率值，可以在预集合中进一步过滤掉概率值较低的目标，得到概率值高的，满足预设条件的待推荐目标生成所述第一集合。如此，可以充分利用第一用户与第二用户的相似度、第二用户的历史的目标集合或当前目标集合，得到一个新的预集合，再根据第一用户与第二用户的相似度、结合第二用户对预集合中的目标的历史行为数据，得到第一用户对预集合内的推荐目标执行预期行为的概率值。如此，能充分的利用第二用户的历史目标、历史行为数据以及提供者的目标数据库，从而得到更全面准确的第一集合。
本公开实施例中，结合图4所示，步骤S102，根据所述第三集合，得到所述用户的预集合，包括：
步骤S1021，根据所述第三集合中的第三目标，在提供者的目标集合中得到与所述第三目标相同类型的目标，所述第三目标以及与所述第三目标相同类型的目标组成所述第四集合；
步骤S1022，根据所述第四集合中的第四目标的提供者数据，得到所述第四目标的评论数据；
步骤S1023，根据所述第四目标的评论数据，得到被正面评论的第四目标构成的所述第一用户的预集合。
本公开实施例中，在步骤S1021中，根据所述第三集合的第三目标，例如，根据所述第三集合中的第三目标A，在提供者的目标集合中得到与所述第三目标相同类型的第四目标B，第三目标A和第四目标B共同组成所述第四集合。在一些实施例中，所述预集合，具体是根据第三集合中的目标，在提供者提供的目标数据库中，选择与所述第三集合中的目标相同或类似的目标组成的集合。例如，有第三集合中的目标A，则在提供者提供的目标数据库中，有多个与目标A相同或类似的目标，则这些与目标A相同或类似的目标，与目标A共同组成一个新的集合为预集合。
本公开实施例中，所述相同类型的目标是指：所涉及内容完全相同或大致相同的目标。例如，相同类型的目标都可包括：足球评论的不同社论。
本公开实施例中，任意包含目标的集合中，都可以有一个或一个以上的目标。例如，所述第三集合中可以有一个或一个以上的第三目标，第四集合中也可以有一个或一个以上的第四目标。
本公开实施例中，在步骤S1022中，根据所述第四集合中的第四目标的提供者数据，得到所述第四目标的评论数据。所述提供者数据，是指提供者产出的目标收到第二用户采取历史行为或当前行为后反馈的数据，例如目标是商品，则提供者数据是商品收到的第二用户购买后的销售量、评论数据。所述评论数据，包括评论分数，好评意味着评论分数高，差评意味着评论分数低。
在本公开实施例中，步骤S1022、步骤S1023的执行公式如下：
Figure 985057DEST_PATH_IMAGE011
公式1.5
上述公式1.5的中，S表示目标被评价的满分，95%为置信度的取值，
Figure 959835DEST_PATH_IMAGE012
表示提供者j的目标m被t次购买后得到的所有评论的总分；
Figure 720986DEST_PATH_IMAGE013
表示提供者j的目标m被t次购买的总销售量。
Figure 873750DEST_PATH_IMAGE014
则表示最终得到的目标m也就是第四目标m的平均分数，将平均分数与评论分数阈值
Figure 90492DEST_PATH_IMAGE015
作比较，若第四目标m的平均分数大于等于评论分数阈值，则计所述第四目标得到的是正面评论，若第四目标m的平均分数小于，则计所述第四目标得到的是负面评论。将得到被正面评论的第四目标构成所述第一用户的预集合。
此处的正面评价为表明用户满意度高的评论。负面评论为标识用户满意度低的评论。
本公开实施例中，在步骤S1021、步骤S1022以及步骤S1023中，结合了提供者的目标集合，根据第三目标提供相同的第四目标以及第四目标组成的第四集合。
再根据提供者数据例如销量和评价，得到第四目标的评论数据，例如，平均评论分。
再根据平均评论分与评论分数阈值的比较，得到被正面评论的第四目标组成的集合作为所述第一用户的预集合。
如此，可以从计算评论分数的角度，得到被正面评论居多的第四目标组成的集合，从而为第一用户提供了可能会得到第一用户正面评论或满意度较高的第四目标的预集合。进而提升了第一用户对从预集合的目标中选择的第一目标的执行预期行为的概率。
本公开实施例中，结合图5所示，所述步骤S103，根据待推荐目标的提供者数据，得到与所述提供者的的预期指标关联的第二集合，包括：
步骤S1031，根据所述待推荐目标的提供者数据，对所述待推荐目标进行排序，得到第一待推荐目标序列；
步骤S1032，过滤掉所述第一待推荐目标序列中排序低于第一阈值的待推荐目标，得到第二待推荐目标序列；
步骤S1033，计算所述第二待推荐目标序列中的所述待推荐目标的所述提供者的预期指标，得到与所述提供者的预期指标有关的第二集合。
本公开实施例中，在步骤S1031以及步骤S1033中，根据所述待推荐目标的提供者数据，对所述待推荐目标进行排序，是结合待推荐目标的多维数据来获得的。例如对于商品来说，是根据销量和评论综合获得的。并且，为了规避由于低价促销引起的销量及评价提升，除了销量低、评价也低的商品外，其他商品都应该被推荐。
本公开实施例中，在步骤S1031以及步骤S1033中，对所述待推荐目标进行排序的运算公式，可以结合多维数据的交集获得，在一个实施例中，结合商品的销售额和评论的排序的交集为：
Figure 868961DEST_PATH_IMAGE016
，如此，第一待推荐目标序列。再将第一待推荐目标序列分为四部分，将前3/4的商品目标集合作为第二待推荐目标。这样，可以规避单纯利润高的商品。
本公开实施例中，在步骤S1033，计算所述第二待推荐目标序列中的所述待推荐目标的所述提供者的预期指标，得到与所述提供者的预期指标有关的第二集合。在一个实施例中，关于提供者j的商品m的预期指标的计算公式如下：
Figure 235352DEST_PATH_IMAGE017
公式1.6
在公式1.6中，
Figure 73864DEST_PATH_IMAGE018
为利润、
Figure 791284DEST_PATH_IMAGE019
为商品m销售出去的价格、
Figure 107865DEST_PATH_IMAGE020
为商品的进价、
Figure 580959DEST_PATH_IMAGE021
为商品m的销售量、
Figure 606684DEST_PATH_IMAGE022
为平均在商品m上的年度缴费额、
Figure 795088DEST_PATH_IMAGE023
为在商品m上进行营销活动花费额，关于提供者计算商品的利润是毛收入减去经营成本。
本公开实施例中，计算所述第二待推荐目标序列中的所述待推荐目标的所述提供者的预期指标，得到与所述提供者的预期指标有关的第二集合。结合上述实施例，可以理解为，当待推荐目标预期指标大于预设条件，选择所述待推荐目标组成第二集合。
本公开实施例中，会从提供者的提供者数据，来得到与提供者预期指标，例如利润、销售利润、销售额、转发量、转发率、点击量、点击率、评论量等角度，确定待推荐的目标集合。这考虑到了产出目标并且提供目标的提供者的相关预期，从而能提升提供者的相关预期，以及提供者产出目标的积极性。
本公开实施例中，结合图6所示，所述步骤S105，所述根据所述第一集合和所述第二集合的交集，得到推荐给所述用户的目标集合，包括：
步骤S1051，根据所述第一集合和所述第二集合的交集，得到所述第一集合和所述第二集合共同拥有的目标；
步骤S1052，计算所述共同拥有的目标的执行预期行为的概率值和所述提供者的预期指标的乘积，若所述乘积大于第二阈值，确定所述共同拥有的目标组成的集合为推荐给所述第一用户的目标集合。
本公开实施例中，第一集合是第一用户执行预期行为概率值高的目标集合，第二集合是提供者预期指标高的目标集合，根据所述第一集合和所述第二集合的交集，得到所述第一集合和所述第二集合共同拥有的目标可以得到第一用户执行预期行为概率值高以及提供者预期指标高的目标集合，并且进一步计算所述共同拥有的目标的执行预期行为的概率值和所述提供者的预期指标的乘积，例如，在一个实施例中，结合商品利润和概率得到提供者退证推荐给用户的目标集合的计算公式如下：
Figure 400513DEST_PATH_IMAGE024
公式1.7
在上述公式1.7中，也就是结合待推荐目标的提供者的预期指标例如利润和第一用户执行预期行为的概率例如购买概率的乘积，将所述乘积R大于第二阈值的目标集合，确定为推荐给所述第一用户的最终集合。第一用户为历史目标和历史行为较少甚至没有的用户，考虑到第二用户可能有重复对某一目标进行预期行为的情况，例如，所述第二用户会重复购买某一商品，却总是找不到这个商品，则也能在第二用户使用平台时，为其推荐最终集合。
本公开实施例中，由于结合了提供者的预期指标和用户的预期行为，能在考虑到用户的倾向、兴趣爱好从而执行预期行为的同时，也考虑到提供者的预期指标的最终集合，可以提高用户执行预期行为的概率的同时，也兼顾了提供者的相关预期，为用户和目标提供者创造了一个双赢的情况。
本公开实施例中，所述待推荐目标包括以下至少之一：
商品；
服务；
广告；
新闻；
应用程序；
小说；
文集。
本公开实施例中，关于待推荐的目标，可以是多种多样的，商品、服务、广告、新闻、应用程序、小说、文集等，都是能为产出这些目标的提供者，直接或间接带来预期相关、或者这些提供者想要的关注量、浏览量等起到对公众的公益宣传或其他宣传的目的。本公开的实施例所提供的关于信息处理的方法，可以为这些提供者以及用户提供合理的目标推荐，从而达到一个良好的互联网的互动氛围，为提供者以及用户都提供了更好的使用体验。
本公开实施例中，所述用户数据包括：用户属性数据和/或用户行为数据；
其中，所述用户属性数据指示以下至少之一；
用户年龄、用户性别、用户职业、用户的常住地、用户的爱好及用户的厌恶；
所述用户行为数据指示以下至少之一：
用户的购买；
用户的信息浏览；
用户的数据转发；
用户的数据收藏；
用户的评论。
本公开实施例中，通过用户的属性数据以及行为数据，可以计算用户之间的相似度，从而计算用户的兴趣爱好、由兴趣爱好引发的预期行为等。这样，可以迎合用户并且为用户提供更好的使用体验。
本公开实施例中，所述预期指标以下至少之一：
销售利润；
销售额；
转发量；
转发率；
点击量；
点击率；
评论量。
本公开实施例中，关于销售、利润、销售额、转发量、转发率、点击量、点击率、评论量这些预期指标，都是提供者在产出目标并提供目标给用户后，所需要被量化的收获，这些预期指标都能直接或间接显示提供者产出目标得到反馈，以及能达到的相关目的，例如，获取利润、宣传知识、宣传公益、提高公众的文化、获得粉丝。无论是处于公益目的，还是私人目的，只要是通过辛苦提供合法目标的，都能通过本公开的信息处理的方法，得到提供者想要获取的反馈或收获。
结合上述实施例，本公开还提供一种信息处理方法的示例：
示例1：提供一种信息处理的方法，应用于商品以及商品的提供者的推荐方法。
现有方法只从用户角度出发，不够周全。推荐的本质是让商家获利，因此也应当考虑到商家每件商品的利润情况。
当前的商品推荐系统，基本只挖掘了顾客的兴趣和购买愿意，但是作为获取经营收入的重要工具，除了提升消费者购物体验、发掘潜在顾客、提高销售量外，最终目的是获取利润，因此推荐系统还应该推荐消费者购买利润空间较大的产品。
因此，本公开设计了一种推荐方法与系统，不仅仅按照消费者购买可能性来陈列可选择的商品，而是结合商品能为公司带来利润的大小来推荐。本推荐系统是消费者推荐集合和企业推荐集合的交集。
基本概念：
1.用户属性：
当消费在电子商务平台上登陆时，数据库会记录其个体信息和行为信息。个体信息包括用户性别、年龄、教育程度、职业、收入、居住区域、个人爱好七项。行为信息包括浏览路径信息和购买信息。用9元组表达为：
Figure 256343DEST_PATH_IMAGE025
其中，n代表用户编号，i代表登录次数编号,
Figure 187389DEST_PATH_IMAGE026
代表第n个消费者第i次登陆时的信息。
2.产品属性：
产品数据库记录产品属性，如分类、功能、材料、质量、型号、进价、销价、销量、评价等；用 9元组表示为：
Figure 863090DEST_PATH_IMAGE027
其中，m表示第m个产品，t表示第t次购买，j表示第j个公司；
Figure 524403DEST_PATH_IMAGE028
表示公司j的第t次销售的第m个商品。
3、公司属性：
公司数据库记录公司基本信息和经营状态信息，公司基本信息包括公司名称、行业、经营性质、注册资本、职工人数、年销售规模、资质证书等；经营状态信息包括电子商务经营年限、年度缴费额、信誉度、营销活动等。用11元组表示：
Figure 985472DEST_PATH_IMAGE029
由于电子商务运营平台具有多用户性特征，如果平台运营商就是销售公司，则j=1，计量公司数的下标j可以忽略；如果平台运营商是销售公司的集成者，则表示第j个公司的信息。由于销售公司可能在不同时间点参与电子商务平台的营销活动不同，因此表示第j个公司在消费者第t次购买时第m个商品参与的营销活动。
4.用户意识到的商品集合：
（1）当消费者在电子商务平台上登录时，该消费者的基本信息
Figure 336687DEST_PATH_IMAGE030
全部呈现，则根据该数据计算与其他消费者的相似度，根据相似度选择购物历史较长的消费者，从该消费者的购物历史中推荐购买过的商品给当前消费者，让消费者意识到某商品的存在；若消费者没有在电子商务平台上登录，则根据消费者行为信息
Figure 984838DEST_PATH_IMAGE031
判断消费者的意识。用户相似度的计算方法为：当用户登录后时，采用改进的Pearson相关系数法，取值-1到1，绝对值越大，说明相关性越强：
Figure 712491DEST_PATH_IMAGE032
公式1.8
公式1.8中，Item表示用户数据集合的前7个元素。用户相似度计算出来后，根据相似用户的购买历史求可能的商品标签，此时，用户意识到的商品为
Figure 277333DEST_PATH_IMAGE033
。
（2）当用户没有登录时，根据用户行为数据判断用户意识。用户在电子商务网站上的行为数据记录了浏览网页的跳转及时长，用户在网页上停留的时间越长，则说明对这个网页的意识越强烈。因此，用
Figure 284604DEST_PATH_IMAGE034
表示用户n第i次浏览第k个页面的标签，用
Figure 683966DEST_PATH_IMAGE035
表示用户n第i次浏览第k个页面的时长，
Figure 700464DEST_PATH_IMAGE036
表示用户n第i次浏览第k个页面的时长排序，
Figure 385392DEST_PATH_IMAGE037
表示用户n第i次浏览第k个页面时浏览到的商品的数量；则用户的意识为：
Figure 812831DEST_PATH_IMAGE038
公式1.9
公式1.9代表着，首先对用户浏览的页面时常排序，获得n,i,k的值，然后获得Lable，用户意识到的商品即为
Figure 701152DEST_PATH_IMAGE039
。
5.用户满意的商品集合：
消费者意识到商品存在后，推荐系统进入产品数据库，根据产品销售量及评价判断消费者的满意。在这里需设定阙值，设商品被评价的满分为S，则在 95%的置信度上，设消费者满意的分值大于 95%×S，则有阈值：
Figure 505029DEST_PATH_IMAGE040
公式2.1
根据值条件筛选j公司的m产品，形成消费者推荐集合。
6.用户对推荐集合中商品的购买概率：
当用户登录时：根据消费者的相似度确定目标消费者的购买可能性，在消费者购物历史中，可知消费者是否购买过此商品，设
Figure 529617DEST_PATH_IMAGE041
公式2.2
则目标消费者Cy的购买可能性为：
Figure 396466DEST_PATH_IMAGE042
公式2.3
关于如何根据行为数据，获得与第一用户（即目标消费者）相似的第二用户（即消费者）的购物历史，包括：对于登录过的第二用户，如果第二用户购买过商品，那么购物历史会存储在用户的九元组中，则可以直接从数据库中读取第二用户的九元组中的数据。
当用户没有登录时，用基于浏览时间的偏好方法来确定购买可能性，设
Figure 755772DEST_PATH_IMAGE043
为用户n在i次浏览中浏览商品m的最大时长，设
Figure 848493DEST_PATH_IMAGE044
为用户n在i次浏览中浏览商品m的最小时长，
Figure 508014DEST_PATH_IMAGE045
为用户n浏览商品m的平均时长，则用户n对m的商品购买的可能性为：
Figure 293567DEST_PATH_IMAGE046
公式2.4
上述公式1.4可以计算用户没有登录应用程序或网页时用户购买商品m的概率值。
Figure 140169DEST_PATH_IMAGE047
为用户n购买商品m的概率值，其中用户n为第一用户中的一个用户。
7.公司推荐商品：
公司的推荐可从销售量及商品的评价判断，为规避由于低价促销引起的销量及评价提升，除了销量低、评价也低的商品外，其他商品都应该被推荐。所以，公司推荐回应的算法为排序运算，
Figure 302160DEST_PATH_IMAGE048
采用四分位法，取前3/4 的商品（取排名在前面3/4的商品，是为了规避单纯利润高的商品）。公司推荐商品的利润是毛收入减去经营成本，公式为：
Figure 553538DEST_PATH_IMAGE049
公式2.5
公司最终推荐商品为：
Figure 41151DEST_PATH_IMAGE050
公式2.6
本公开的方法流程如下：输入用户信息，产品信息和公司信息；输出用户决定购买且公司销售利润较高的产品。
S201，计算用户的意识，并获取用户意识到的商品集合。
S202，计算用户的满意，并获取用户满意的商品集合；
S203，求用户意识到的并且感到满意的商品集合；
S204，计算用户对步骤3商品集合中的商品的购买概率；
S205，计算公司商品的利润，获取利润额度较高的商品集合；
S206，求用户购买概率高且公司销售利润高的商品集合。
本公开所提出的推荐方法，从用户和公司两个角度出发，结合用户满意度和公司利润进行商品推荐。相比于目前只考虑用户体验的推荐方法，更加符合公司的预期，带来更多的利润。
本公开实施例中，结合图7所示，提供一种信息处理的装置300，所述装置300包括：
第一确定模块301，用于根据第一用户的用户数据，得到与所述第一用户执行预期行为关联的第一集合；其中，所述第一集合中包含至少一个待推荐的第一目标；
第二确定模块302，用于根据待推荐目标的提供者数据，得到与提供者的预期指标关联的第二集合；其中，所述第二集合包括：至少一个待推荐的第二目标；
第三确定模块303，用于根据所述第一集合和所述第二集合的交集，得到推荐给所述第一用户的目标集合。
本公开实施例中，所述第一确定模块301，还配置为：
用于根据第一用户的用户数据和第二用户的用户数据，确定所述第一用户与所述第二用户的相似度；
用于确定与所述第一用户满足相似条件的第二用户的第三集合，其中，所述第三集合为所述第二用户历史的目标集合或者当前的目标集合；
用于根据所述第二用户的第三集合及所述第二用户对所述第三集合内推荐目标的行为数据，得到所述第一集合。
本公开实施例中，结合图8所示，所述种信息处理的装置300，还包括：
第四确定模块304，用于根据所述第三集合，得到所述用户的预集合；
所述第一确定模块301，还配置为：
用于所述根据所述第二用户的第三集合及所述第二用户对所述第三集合内推荐目标的行为数据，得到所述第一集合，包括：
获取所述第二用户对根据所述第三集合的推荐目标的行为数据，预测所述第一用户对所述预集合内的推荐目标执行预期行为的概率值；
根据所述概率值，从所述预集合选择至概率值满足预设条件的待推荐目标生成，所述第一集合。
本公开实施例中，所述第四确定模块304，还配置为：
用于根据所述第三集合中的第三目标，在提供者的目标集合中得到与所述第三目标相同类型的目标，所述第三目标以及与所述第三目标相同类型的目标组成所述第四集合；
用于根据所述第四集合中的第四目标的提供者数据，得到所述第四目标的评论数据；
用于根据所述第四目标的评论数据，得到被正面评论的第四目标构成的所述第一用户的预集合。
本公开实施例中，所述第二确定模块302，还配置为：
用于根据所述待推荐目标的提供者数据，对所述待推荐目标进行排序，得到第一待推荐目标序列；
用于过滤掉所述第一待推荐目标序列中排序低于第一阈值的待推荐目标，得到第二待推荐目标序列；
用于计算所述第二待推荐目标序列中的所述待推荐目标的所述提供者的预期指标，得到与所述提供者的预期指标有关的第二集合。
本公开实施例中，所述第三确定模块303，还配置为：
用于根据所述第一集合和所述第二集合的交集，得到所述第一集合和所述第二集合共同拥有的目标；
用于计算所述共同拥有的目标的执行预期行为的概率值和所述提供者的预期指标的乘积，若所述乘积大于第二阈值，确定所述共同拥有的目标组成的集合为推荐给所述第一用户的目标集合。
本公开实施例中，所述待推荐目标包括以下至少之一：
商品；
服务；
广告；
新闻；
应用程序；
小说；
文集。
本公开实施例中，所述用户数据包括：用户属性数据和/或用户行为数据；
其中，所述用户属性数据指示以下至少之一；
用户年龄、用户性别、用户职业、用户的常住地、用户的爱好及用户的厌恶；
所述用户行为数据指示以下至少之一：
用户的购买；
用户的信息浏览；
用户的数据转发；
用户的数据收藏；
用户的评论。
本公开实施例中，所述预期指标以下至少之一：
销售利润；
销售额；
转发量；
转发率；
点击量；
点击率；
评论量。
在本公开实施例中，提供一种电子设备，所述电子设备，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中所述处理器用于运行所述计算机服务时，实现上述所述的反馈方法中的步骤。
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一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（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
在本公开实施例中，提供一种存储介质，所述存储介质中有计算机可执行指令，所述计算机可执行指令被处理器执行实现上述所述的反馈方法中的步骤。
或者，本公开实施例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商品销售或使用时，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，本公开实施例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商品的形式体现出来，该计算机软件商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）执行本公开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、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本公开的具体实施方式，但本公开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公开揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本公开的保护范围之内。因此，本公开的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种信息处理的方法，其特征在于，所述方法包括：
根据第一用户的用户数据，得到与所述第一用户执行预期行为关联的第一集合；其中，所述第一集合中包含至少一个待推荐的第一目标；
根据待推荐目标的提供者数据，得到与提供者的预期指标关联的第二集合；其中，所述第二集合包括：至少一个待推荐的第二目标；
根据所述第一集合和所述第二集合的交集，得到推荐给所述第一用户的目标集合。
2.根据权利要求1所述的信息处理的方法，其特征在于，所述根据第一用户的用户数据，得到与所述第一用户执行预期行为关联的第一集合，包括：
根据第一用户的用户数据和第二用户的用户数据，确定所述第一用户与所述第二用户的相似度；
确定与所述第一用户满足相似条件的第二用户的第三集合，其中，所述第三集合为所述第二用户历史的目标集合或者当前的目标集合；
根据所述第二用户的第三集合及所述第二用户对所述第三集合内推荐目标的行为数据，得到所述第一集合。
3.根据权利要求2所述的信息处理的方法，其特征在于，所述方法还包括：根据所述第三集合，得到所述用户的预集合；
所述根据所述第二用户的第三集合及所述第二用户对所述第三集合内推荐目标的行为数据，得到所述第一集合，包括：
获取所述第二用户对根据所述第三集合的推荐目标的行为数据，预测所述第一用户对所述预集合内的推荐目标执行预期行为的概率值；
根据所述概率值，从所述预集合选择至概率值满足预设条件的待推荐目标生成，所述第一集合。
4.根据权利要求3所述的信息处理的方法，其特征在于，所述根据所述第三集合，得到所述第一用户的预集合，包括：
根据所述第三集合中的第三目标，在提供者的目标集合中得到与所述第三目标相同类型的目标，所述第三目标以及与所述第三目标相同类型的目标组成所述第四集合；
根据所述第四集合中的第四目标的提供者数据，得到所述第四目标的评论数据；
根据所述第四目标的评论数据，得到被正面评论的第四目标构成的所述第一用户的预集合。
5.根据权利要求1所述的信息处理的方法，其特征在于，所述根据待推荐目标的提供者数据，得到与提供者的的预期指标关联的第二集合，包括：
根据所述待推荐目标的提供者数据，对所述待推荐目标进行排序，得到第一待推荐目标序列；
过滤掉所述第一待推荐目标序列中排序低于第一阈值的待推荐目标，得到第二待推荐目标序列；
计算所述第二待推荐目标序列中的所述待推荐目标的所述提供者的预期指标，得到与所述提供者的预期指标有关的第二集合。
6.根据权利要求1所述的信息处理的方法，其特征在于，所述根据所述第一集合和所述第二集合的交集，得到推荐给所述用户的目标集合，包括：
根据所述第一集合和所述第二集合的交集，得到所述第一集合和所述第二集合共同拥有的目标；
计算所述共同拥有的目标的执行预期行为的概率值和所述提供者的预期指标的乘积，若所述乘积大于第二阈值，确定所述共同拥有的目标组成的集合为推荐给所述第一用户的目标集合。
7.根据权利要求1所述的信息处理的方法，其特征在于，所述待推荐目标包括以下至少之一：
商品；
服务；
广告；
新闻；
应用程序；
小说；
文集。
8.一种信息处理的装置，其特征在于，所述装置包括：
第一确定模块，用于根据第一用户的用户数据，得到与所述第一用户执行预期行为关联的第一集合；其中，所述第一集合中包含至少一个待推荐的第一目标；
第二确定模块，用于根据待推荐目标的提供者数据，得到与提供者的预期指标关联的第二集合；其中，所述第二集合包括：至少一个待推荐的第二目标；
第三确定模块，用于根据所述第一集合和所述第二集合的交集，得到推荐给所述第一用户的目标集合。
9.一种电子设备，其特征在于，所述设备包括：
存储器；
处理器，与所述存储器连接，用于通过所述存储器存储的计算机执行指令，能够实现权利要求1至7任一项所述的方法。
10.一种存储介质，其特征在于，所述计算机存储介质存储有计算机可执行指令；所述计算机可执行指令被处理器执行后，能够实现权利要求1至7任一项所述的方法。
CN202110636582.2A 2021-06-08 2021-06-08 信息处理的方法、装置、电子设备及计算机存储介质 Pending CN113254780A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110636582.2A CN113254780A (zh) 2021-06-08 2021-06-08 信息处理的方法、装置、电子设备及计算机存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110636582.2A CN113254780A (zh) 2021-06-08 2021-06-08 信息处理的方法、装置、电子设备及计算机存储介质

Publications (1)

Publication Number Publication Date
CN113254780A true CN113254780A (zh) 2021-08-13

Family

ID=77187022

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110636582.2A Pending CN113254780A (zh) 2021-06-08 2021-06-08 信息处理的方法、装置、电子设备及计算机存储介质

Country Status (1)

Country Link
CN (1) CN113254780A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113704315A (zh) * 2021-08-24 2021-11-26 北京达佳互联信息技术有限公司 一种用户推荐方法、装置、电子设备及存储介质
CN113821727A (zh) * 2021-09-24 2021-12-21 武汉卓尔数字传媒科技有限公司 物品推荐方法、计算机设备及计算机可读存储介质

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101968802A (zh) * 2010-09-30 2011-02-09 百度在线网络技术（北京）有限公司 一种基于用户浏览行为进行互联网内容推荐的方法与设备
CN103605718A (zh) * 2013-11-15 2014-02-26 南京大学 一种基于hadoop的改进的物品推荐方法
CN104504098A (zh) * 2014-12-29 2015-04-08 北京奇虎科技有限公司 信息推荐方法和装置
CN104572863A (zh) * 2014-12-19 2015-04-29 阳珍秀 一种产品推荐方法及系统
CN105427125A (zh) * 2015-10-29 2016-03-23 电子科技大学 基于商品网络连接图的商品簇划分方法
CN105005582B (zh) * 2015-06-17 2017-09-15 深圳市腾讯计算机系统有限公司 多媒体信息的推荐方法及装置
CN107194754A (zh) * 2017-04-11 2017-09-22 美林数据技术股份有限公司 基于混合协同过滤的券商产品推荐方法
CN107784583A (zh) * 2017-02-20 2018-03-09 上海陆家嘴国际金融资产交易市场股份有限公司 风险匹配方法及装置
CN107896153A (zh) * 2017-11-15 2018-04-10 中国联合网络通信集团有限公司 一种基于移动用户上网行为的流量套餐推荐方法及装置
CN108765052A (zh) * 2018-04-20 2018-11-06 网易无尾熊（杭州）科技有限公司 电商推荐/推送方法及装置、存储介质及计算设备
CN109191242A (zh) * 2018-08-17 2019-01-11 口口相传(北京)网络技术有限公司 餐品推送方法及装置
US10536542B1 (en) * 2017-09-05 2020-01-14 Amazon Technologies, Inc. Dynamic social content exploring systems and methods

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101968802A (zh) * 2010-09-30 2011-02-09 百度在线网络技术（北京）有限公司 一种基于用户浏览行为进行互联网内容推荐的方法与设备
CN103605718A (zh) * 2013-11-15 2014-02-26 南京大学 一种基于hadoop的改进的物品推荐方法
CN104572863A (zh) * 2014-12-19 2015-04-29 阳珍秀 一种产品推荐方法及系统
CN104504098A (zh) * 2014-12-29 2015-04-08 北京奇虎科技有限公司 信息推荐方法和装置
CN105005582B (zh) * 2015-06-17 2017-09-15 深圳市腾讯计算机系统有限公司 多媒体信息的推荐方法及装置
CN105427125A (zh) * 2015-10-29 2016-03-23 电子科技大学 基于商品网络连接图的商品簇划分方法
CN107784583A (zh) * 2017-02-20 2018-03-09 上海陆家嘴国际金融资产交易市场股份有限公司 风险匹配方法及装置
CN107194754A (zh) * 2017-04-11 2017-09-22 美林数据技术股份有限公司 基于混合协同过滤的券商产品推荐方法
US10536542B1 (en) * 2017-09-05 2020-01-14 Amazon Technologies, Inc. Dynamic social content exploring systems and methods
CN107896153A (zh) * 2017-11-15 2018-04-10 中国联合网络通信集团有限公司 一种基于移动用户上网行为的流量套餐推荐方法及装置
CN108765052A (zh) * 2018-04-20 2018-11-06 网易无尾熊（杭州）科技有限公司 电商推荐/推送方法及装置、存储介质及计算设备
CN109191242A (zh) * 2018-08-17 2019-01-11 口口相传(北京)网络技术有限公司 餐品推送方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
任友理: "《大数据技术与应用》", 31 May 2019 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113704315A (zh) * 2021-08-24 2021-11-26 北京达佳互联信息技术有限公司 一种用户推荐方法、装置、电子设备及存储介质
CN113704315B (zh) * 2021-08-24 2024-04-16 北京达佳互联信息技术有限公司 一种用户推荐方法、装置、电子设备及存储介质
CN113821727A (zh) * 2021-09-24 2021-12-21 武汉卓尔数字传媒科技有限公司 物品推荐方法、计算机设备及计算机可读存储介质

Similar Documents

Publication Publication Date Title
Melović et al. Determinants of Millennials' behavior in online shopping–Implications on consumers’ satisfaction and e-business development
US10769702B2 (en) Recommendations based upon explicit user similarity
US8549013B1 (en) Systems and methods for determining interest in an item or category of items
Huseynov et al. Behavioral Issues in B2C E-commerce: The-state-of-the-art
Lee et al. Consumer perceptions of online consumer product and service reviews: Focusing on information processing confidence and susceptibility to peer influence
Ghose et al. Designing ranking systems for consumer reviews: The impact of review subjectivity on product sales and review quality
Bawm et al. A Conceptual Model for effective email marketing
US20120047014A1 (en) Method and system for using email receipts for targeted advertising
KR101564824B1 (ko) 광고 시스템, 광고 시스템의 제어 방법 및 정보 기억 매체
US20120010939A1 (en) Social network based online advertising
Cebollada et al. Online category pricing at a multichannel grocery retailer
CN112435067A (zh) 跨电商平台与社交平台的智能广告投放方法及系统
KR20150066644A (ko) 개인행동기반 관심 대상 및 선호 분야 분석시스템 및 그 방법
US20190236652A1 (en) System and method for rendering advertisements using lookalike model
CN113254780A (zh) 信息处理的方法、装置、电子设备及计算机存储介质
US20170316442A1 (en) Increase choice shares with personalized incentives using social media data
Zheng et al. A scalable purchase intention prediction system using extreme gradient boosting machines with browsing content entropy
JPWO2016157427A1 (ja) 情報処理装置、情報処理方法、及び情報処理プログラム
Xia et al. Can online rating reflect authentic customer purchase feelings? Understanding how customer dissatisfaction relates to negative reviews
US20190392478A1 (en) Automated Generation of Personalized Mail
Hong et al. Measuring product type with dynamics of online product review variances: A theoretical model and the empirical applications
KR100891930B1 (ko) 상품 평가 데이터를 사용하여 인기 상품을 제공하는 방법,시스템 및 컴퓨터 판독 가능한 기록 매체
He et al. Understanding Users' Coupon Usage Behaviors in E-Commerce Environments
KR102429104B1 (ko) 인공지능에 기반한 상품 카탈로그 자동 분류 시스템
JP5995644B2 (ja) 情報処理装置、情報処理プログラム及び情報処理方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210813

RJ01 Rejection of invention patent application after publication