CN113449187B - 基于双画像的产品推荐方法、装置、设备及存储介质 - Google Patents

基于双画像的产品推荐方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN113449187B
CN113449187B CN202110721422.8A CN202110721422A CN113449187B CN 113449187 B CN113449187 B CN 113449187B CN 202110721422 A CN202110721422 A CN 202110721422A CN 113449187 B CN113449187 B CN 113449187B
Authority
CN
China
Prior art keywords
product
user
products
data
target
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110721422.8A
Other languages
English (en)
Other versions
CN113449187A (zh
Inventor
孔肖贺
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.)
Ping An Bank Co Ltd
Original Assignee
Ping An Bank 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 Ping An Bank Co Ltd filed Critical Ping An Bank Co Ltd
Priority to CN202110721422.8A priority Critical patent/CN113449187B/zh
Publication of CN113449187A publication Critical patent/CN113449187A/zh
Application granted granted Critical
Publication of CN113449187B publication Critical patent/CN113449187B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/332—Query formulation
    • G06F16/3329—Natural language query formulation or dialogue systems
    • 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
    • G06F16/9536—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
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations
    • 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)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Human Computer Interaction (AREA)
  • Artificial Intelligence (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及数据分析技术，揭露了一种基于双画像的产品推荐方法，包括：利用产品数据及用户对产品的反馈数据生成每一个产品的产品画像，利用目标用户的用户数据及产品浏览数据生成目标用户的用户画像，计算用户画像与每一个产品画像的匹配值，汇集匹配值大于预设阈值的产品画像对应的产品为待推荐产品，对待推荐产品进行互斥关键关键词筛选，并向目标用户推荐筛选得到的产品。此外，本发明还涉及区块链技术，产品数据可存储于区块链的节点。本发明还提出一种基于双画像的产品推荐装置、电子设备以及存储介质。本发明可以提高产品推荐精确度。

Description

基于双画像的产品推荐方法、装置、设备及存储介质
技术领域
本发明涉及数据分析技术领域，尤其涉及一种基于双画像的产品推荐方法、装置、电子设备及计算机可读存储介质。
背景技术
当前个性化推荐无论在电子商务还是在社交网络平台都占据举足轻重的位置，而传统的以商品供应、服务供应为代表的企业在个性化产品推荐方面的应用仍有进步空间。
现有的产品推荐方法多为基于单一的产品数据生成产品画像，以及基于单一的用户数据生成用户画像，进而利用产品画像与用户画像的匹配值选取产品对用户进行推荐。该方法中，由于产品数据与用户数据的关联性较低，因此，仅靠产品数据与用户数据生成画像来实现产品推荐，会导致产品推荐的精确度较低。
发明内容
本发明提供一种基于双画像的产品推荐方法、装置及计算机可读存储介质，其主要目的在于解决进行产品推荐时的精确度较低的问题。
为实现上述目的，本发明提供的一种基于双画像的产品推荐方法，包括：
获取多个产品的产品数据及每一个产品的用户反馈数据，利用所述产品数据及所述用户反馈数据生成每一个产品的产品画像；
获取目标用户的用户数据及所述目标用户的产品浏览数据，利用所述用户数据及所述产品浏览数据生成所述目标用户的用户画像；
计算所述用户画像与每一个所述产品画像的匹配值，汇集所述匹配值大于预设阈值的产品画像对应的产品为待推荐产品；
提取所述待推荐产品的产品数据的关键词，利用预设的互斥词表对所述关键词进行互斥词筛选，得到互斥关键词对；
比对所述互斥关键词对相应的待推荐产品与用户画像的匹配值，根据所述匹配值对所述待推荐产品中所述互斥关键词对相应的待推荐产品进行删减，并将产品删减后的待推荐产品推荐给所述目标用户。
可选地，所述利用所述产品数据及所述用户反馈数据生成每一个产品的产品画像，包括：
从所述多个产品逐个选择其中一个产品作为目标产品，对所述目标产品的产品数据进行核心语义提取，得到产品语义；
对所述产品语义进行向量转换，得到第一语义向量；
对所述目标产品的用户反馈数据进行核心语义提取，得到用户语义；
对所述用户语义进行向量转换，得到第二语义向量；
将所述第一语义向量与所述第二语义向量进行向量拼接，得到所述目标产品的产品画像。
可选地，所述对所述目标产品的产品数据进行核心语义提取，得到产品语义，包括：
对所述产品数据进行卷积、池化处理，得到所述产品数据的低维特征语义；
将所述低维特征语义映射至预先构建的高维空间，得到高维特征语义；
利用预设的激活函数对所述高维特征语义进行筛选，得到产品语义。
可选地，所述将所述第一语义向量与所述第二语义向量进行向量拼接，得到所述目标产品的产品画像，包括：
统计所述第一语义向量的第一向量长度，及统计所述第二语义向量的第二向量长度；
若所述第一向量长度与所述第二向量长度相等，则将所述第一语义向量与所述第二语义向量进行列维度合并，得到所述目标产品的产品画像；
若所述第一向量长度大于所述第二向量长度，则将所述第二语义向量进行向量延长，直至所述第一向量长度与所述第二向量长度相等，并将所述第一语义向量与向量延长后的第二语义向量进行列维度合并，得到所述目标产品的产品画像；
若所述第一向量长度小于所述第二向量长度，则将所述第一语义向量进行向量延长，直至所述第一向量长度与所述第二向量长度相等，并将向量延长后的第一语义向量与所述第二语义向量进行列维度合并，得到所述目标产品的产品画像。
可选地，所述计算所述用户画像与每一个所述产品画像的匹配值，包括：
利用如下匹配值算法计算所述用户画像与每一个所述产品画像的匹配值：
Figure BDA0003136673120000031
其中，P为所述匹配值，x为所述用户画像，yi为第i个产品画像，α为预设系数。
可选地，所述提取所述待推荐产品的产品数据的关键词，包括：
对所述待推荐产品的产品数据进行分词处理，得到所述待推荐产品中每个产品对应的产品分词；
将所述待推荐产品中所有产品对应的产品分词汇集为产品词库；
从所述待推荐产品中逐个选取其中一个待推荐产品作为待分析产品，并从所述待分析产品的产品分词中选取目标分词；
统计所述目标分词在所述待分析产品的产品分词中的第一出现频率，及所述目标分词在所述产品词库中的第二出现频率，根据所述第一出现频率与所述第二出现频率计算所述目标分词的关键度；
选取所述关键度大于预设的关键度阈值的产品分词为所述待分析产品的关键词。
可选地，所述根据所述第一出现频率与所述第二出现频率计算所述目标分词的关键度，包括：
利用如下关键词度算法计算所述目标分词的关键度：
K＝f2/f1
其中，K为所述目标分词的关键度，f1为所述第一频率，f2为所述第二频率。
为了解决上述问题，本发明还提供一种基于双画像的产品推荐装置，所述装置包括：
产品画像生成模块，用于获取多个产品的产品数据及每一个产品的用户反馈数据，利用所述产品数据及所述用户反馈数据生成每一个产品的产品画像；
用户画像生成模块，用于获取目标用户的用户数据及所述目标用户的产品浏览数据，利用所述用户数据及所述产品浏览数据生成所述目标用户的用户画像；
匹配值计算模块，用于计算所述用户画像与每一个所述产品画像的匹配值，汇集所述匹配值大于预设阈值的产品画像对应的产品为待推荐产品；
互斥词筛选模块，用于提取所述待推荐产品的产品数据的关键词，利用预设的互斥词表对所述关键词进行互斥词筛选，得到互斥关键词对；
产品推荐模块，用于比对所述互斥关键词对相应的待推荐产品与用户画像的匹配值，根据所述匹配值对所述待推荐产品中所述互斥关键词对相应的待推荐产品进行删减，并将产品删减后的待推荐产品推荐给所述目标用户。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
存储器，存储至少一个指令；及
处理器，执行所述存储器中存储的指令以实现上述所述的基于双画像的产品推荐方法。
为了解决上述问题，本发明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中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现上述所述的基于双画像的产品推荐方法。
本发明实施例将产品数据与用户反馈数据进行结合，生成每一个产品的产品画像，有利于提高生成的产品画像的精确度；将用户数据及该用户的产品浏览数据进行结合，生成该用户的用户画像，有利于提高生成的用户画像的精确度；根据产品画像和用户画像筛选出待推荐产品，并利用互斥关键词对待推荐产品进行筛选，进一步提高了利用待推荐产品对用户进行产品推荐的精确度，实现了精准的产品推荐。因此本发明提出的基于双画像的产品推荐方法、装置、电子设备及计算机可读存储介质，可以解决进行产品推荐时的精确度较低的问题。
附图说明
图1为本发明一实施例提供的基于双画像的产品推荐方法的流程示意图；
图2为本发明一实施例提供的生成产品画像的流程示意图；
图3为本发明一实施例提供的向量拼接的流程示意图；
图4为本发明一实施例提供的基于双画像的产品推荐装置的功能模块图；
图5为本发明一实施例提供的实现所述基于双画像的产品推荐方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本申请实施例提供一种基于双画像的产品推荐方法。所述基于双画像的产品推荐方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述基于双画像的产品推荐方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。
参照图1所示，为本发明一实施例提供的基于双画像的产品推荐方法的流程示意图。在本实施例中，所述基于双画像的产品推荐方法包括：
S1、获取多个产品的产品数据及每一个产品的用户反馈数据，利用所述产品数据及所述用户反馈数据生成每一个产品的产品画像。
本发明实施例中，所述多个产品中包括至少两个产品，所述产品数据包括所述多个产品中每个产品对应的产品名称、产品类别、产品描述、产品价格等数据。
例如，所述多个产品包括保险产品A和产品保险B，所述产品数据包括产品A的产品数据：重疾险，疾病类保险，在受保人患有预设类别的重大疾病时，该投保人可获得第一预设金额的理赔，价格为80元/年；产品B的产品数据：意外险，意外类保险，在受保人遭遇预设类型的意外事故时，该投保人可获得第二预设金额的理赔，价格为100元/年。
本发明实施例中，所述用户反馈数据包括历史上用户对所述多个产品中每个产品做出的反馈数据，所述用户反馈数据包括用户对产品做出的评价数据。
例如，所述多个产品包括产品A和产品B，用户a对产品A的评价为：十分好用，产品物美价廉；用户a对产品B的评价为产品漏洞较多，使用体验较差；用户b对产品A的评价为：产品非常好，使用方便快捷；用户b对产品B的评价为：产品有些许漏洞，但价格低廉，总体上物有所值。
本发明实施例中，利用具有数据调取功能的计算机语句(java语句、python语句等)从预先构建的用于存储所述产品数据及所述用户反馈数据的存储区域中，调取所述产品数据及所述用户反馈数据。
详细地，所述存储区域包括但不限于：数据库、区块链节点、网络缓存。
本发明实施例中，可通过将所述产品数据与所述用户反馈数据进行结合生成每一个产品的产品画像，有利于提高生成的产品画像的精确度。
例如，对所述产品数据进行内容分析，以根据所述产品数据的内容生成初始画像，对所述用户反馈数据进行内容分析，以根据所述用户反馈数据的内容生成附加标签，将所述用户生成的附加标签添加至所述初始画像中，以对初始画像中的信息进行丰富，得到产品画像。
本发明实施例中，参图2所示，所述利用所述产品数据及所述用户反馈数据生成每一个产品的产品画像，包括：
S21、从所述多个产品逐个选择其中一个产品作为目标产品，对所述目标产品的产品数据进行核心语义提取，得到产品语义；
S22、对所述产品语义进行向量转换，得到第一语义向量；
S23、对所述目标产品的用户反馈数据进行核心语义提取，得到用户语义；
S24、对所述用户语义进行向量转换，得到第二语义向量；
S25、将所述第一语义向量与所述第二语义向量进行向量拼接，得到所述目标产品的产品画像。
本发明实施例中，可依次从所述多个产品中选取目标产品，或者，随机不放回地从所述多个产品中选取目标产品。
本发明实施例中，可预先构建的语义分析模型对所述目标产品的产品数据进行核心语义提取，得到产品语义。
详细地，所述语义分析模型包括但不限于NLP(Natural Language Processing，自然语言处理)模型、HMM(Hidden Markov Model，隐马尔科夫模型)。
例如，利用预先构建的语义分析模型对所述目标产品的产品数据进行卷积、池化等操作，以提取该产品数据的低维特征表达，再将提取到的低维特表达征映射至预先构建的高维空间，得到该低维特征的高维特征表达，利用预设的激活函数对所述高维特征表达进行选择性地输出，得到产品语义。
本发明实施例中，所述对所述目标产品的产品数据进行核心语义提取，得到产品语义，包括：
对所述产品数据进行卷积、池化处理，得到所述产品数据的低维特征语义；
将所述低维特征语义映射至预先构建的高维空间，得到高维特征语义；
利用预设的激活函数对所述高维特征语义进行筛选，得到产品语义。
详细地，可通过语义分析模型对所述产品数据进行卷积、池化处理，以降低所述产品数据的数据维度，进而减少对所述产品数据进行分析时计算资源的占用，提高进行核心语义提取的效率。
具体地，可利用预设的映射函数将低维特征语义映射至预先构建的高维空间，所述映射函数包括MATLAB库中的Gaussian Radial Basis Function函数、高斯函数等。
例如，所述低维特征语义为二维平面中的点，则可利用映射函数对该二维平面中的点的二维坐标进行计算，以将二维坐标转换为三维坐标，并利用计算得到的三维坐标将点映射至预先构建的三维空间，得到该低维特征语义的高维特征语义。
将所述低维特征语义映射至预先构建的高维空间，可提高该低维特征的可分类性，进而提高从得到的高维特征语义中对特征进行筛选，得到产品语义的精确度。
本发明实施例中，可利用预设的激活函数计算所述高维特征语义中每个特征语义的输出值，并选取所述输出值大于预设的输出阈值的特征语义为产品语义，所述激活函数包括但不限于sigmoid激活函数、tanh激活函数、relu激活函数。
例如，高维特征语义中存在特征语义A、特征语义B和特征语义C，分别利用激活函数对特征语义A、特征语义B和特征语义C进行计算，得到特征语义A的输出值为80，特征语义B的输出值为30，特征语义C的输出值为70，当输出阈值为50时，则将特征语义A与特征语义C输出为所述目标产品的产品语义。
本发明实施例中，可通过预设的向量转换模型对所述产品语义进行向量转换，得到第一语义向量，所述向量转换模型包括但不限于word2vec模型、Bert模型。
进一步地，所述对所述目标产品的用户反馈数据进行核心语义提取，得到用户语义，对所述用户语义进行向量转换，得到第二语义向量的步骤，与对所述目标产品的产品数据进行核心语义提取，得到产品语义，对所述产品语义进行向量转换，得到第一语义向量的步骤一致，在此不做赘述。
本发明实施例中，获取所述第一语义向量与所述第二语义向量后，可将所述第一语义向量与所述第二语义向量进行向量拼接，以将根据用户反馈数据生成的所述第二语义向量添加至根据产品数据生的所述第一语义向量中，实现对第一语义向量的丰富，进而提高生成的产品画像的精确度。
本发明实施例中，参图3所示，所述将所述第一语义向量与所述第二语义向量进行向量拼接，得到所述目标产品的产品画像，包括：
S31、统计所述第一语义向量的第一向量长度，及统计所述第二语义向量的第二向量长度；
S32、判断所述第一向量长度与所述第二向量长度之间的大小关系；
若所述第一向量长度与所述第二向量长度相等，则执行S33、将所述第一语义向量与所述第二语义向量进行列维度合并，得到所述目标产品的产品画像；
若所述第一向量长度大于所述第二向量长度，则执行S34、将所述第二语义向量进行向量延长，直至所述第一向量长度与所述第二向量长度相等，并将所述第一语义向量与向量延长后的第二语义向量进行列维度合并，得到所述目标产品的产品画像；
若所述第一向量长度小于所述第二向量长度，则执行S35、将所述第一语义向量进行向量延长，直至所述第一向量长度与所述第二向量长度相等，并将向量延长后的第一语义向量与所述第二语义向量进行列维度合并，得到所述目标产品的产品画像。
详细地，由于所述第一语义向量与所述第二语义向量的长度可能不相同，因此，为了将所述第一语义向量与所述第二语义向量进行向量拼接，需要将所述第一语义向量与所述第二语义向量的向量长度进行统一化。
本发明实施例中，比对所述第一向量长度与所述第二向量长度，并对向量长度较短的向量进行向量延长，以使得所述第一向量长度与所述第二向量长度相同。
例如，第一语义向量为[11，36，22]，第二语义向量为[14，25，31，27]，经过统计可知，第一语义向量的第一向量长度为3，第二语义向量的第二向量长度为4，第二向量长度大于第一向量长度，则可利用预设参数(如0)对所述第一语义向量进行向量延长，直至所述第一向量长度与所述第二向量长度相等，得到延长后的第一语义向量[11，36，22，0]。
本发明实施例中，可通过将两个向量中对应列元素相加的形式将所述两个向量进行列维度合并。
例如，第一语义向量为[11，36，22，0]，第二语义向量为[14，25，31，27]，则可将所述第一语义向量与所述第二语义向量中对应列的元素进行相加，得到产品画像[25，61，53，27]。
本发明另一实施例中，还可通过将两个向量中对应列元素进行并行展示的方式，利用两个向量生成矩阵，进而实现向量间的列维度合并。
例如，第一语义向量为[11，36，22，0]，第二语义向量为[14，25，31，27]，则可将所述第一语义向量与所述第二语义向量中对应列的元素进行并行展示，得到矩阵
Figure BDA0003136673120000091
并将该矩阵作为所述目标产品的产品画像。
S2、获取目标用户的用户数据及所述目标用户的产品浏览数据，利用所述用户数据及所述产品浏览数据生成所述目标用户的用户画像。
本发明实施例中，所述用户数据包括所述目标用户的姓名、年龄、性别、职业等数据；所述产品浏览数据包括该目标用户历史上曾浏览过的产品相关的数据，例如，该目标用户浏览过的产品对应的产品名称、产品类别、产品描述、产品价格、浏览次数、浏览时长等数据。
本发明实施例中，利用具有数据调取功能的计算机语句(java语句、python语句等)从预先构建的用于存储所述用户数据及所述产品浏览数据的存储区域中，调取所述目标用户的用户数据及所述目标用户的产品浏览数据。
进一步地，所述利用所述用户数据及所述产品浏览数据生成所述目标用户的用户画像的步骤，与步骤S1中利用所述产品数据及所述用户反馈数据生成每一个产品的产品画像的步骤一致，在此不做赘述。
S3、计算所述用户画像与每一个所述产品画像的匹配值，汇集所述匹配值大于预设阈值的产品画像对应的产品为待推荐产品。
本发明实施例中，可利用预设的匹配值算法计算所述用户画像与每一个所述产品画像的匹配值，进而从所述产品画像中选取所述匹配值大于预设阈值的产品画像对应的产品为待推荐产品。
本发明实施例中，所述计算所述用户画像与每一个所述产品画像的匹配值，包括：
利用如下匹配值算法计算所述用户画像与每一个所述产品画像的匹配值：
Figure BDA0003136673120000101
其中，P为所述匹配值，x为所述用户画像，yi为第i个产品画像，α为预设系数。
例如，存在产品画像A、产品画像B和产品画像C，通过计算可知用户画像与产品画像A的匹配值为80，用户画像与产品画像B的匹配值为70，用户画像与产品画像C的匹配值为20，当预设阈值为60时，则选取产品画像A和产品画像B对应的产品为待推荐产品。
S4、提取所述待推荐产品的产品数据的关键词，利用预设的互斥词表对所述关键词进行互斥词筛选，得到互斥关键词对。
本发明实施例中，可利用预设的关键词提取算法提取所述待推荐产品的产品数据的关键词，所述关键词提取算法包括但不限于IF-IDF算法、Textrank算法。
本发明实施例中，所述提取所述待推荐产品的产品数据的关键词，包括：
对所述待推荐产品的产品数据进行分词处理，得到所述待推荐产品中每个产品对应的产品分词；
将所述待推荐产品中所有产品对应的产品分词汇集为产品词库；
从所述待推荐产品中逐个选取其中一个待推荐产品作为待分析产品，并从所述待分析产品的产品分词中选取目标分词；
统计所述目标分词在所述待分析产品的产品分词中的第一出现频率，及所述目标分词在所述产品词库中的第二出现频率，根据所述第一出现频率与所述第二出现频率计算所述目标分词的关键度；
选取所述关键度大于预设的关键度阈值的产品分词为所述待分析产品的关键词。
详细地，可利用预设的标准词典对所述待推荐产品的产品数据进行分词处理，所述标准词典中包含多个标准分词。
例如，将所述待推荐产品的产品数据以不同的长度在所述标准词典中进行检索，若能检索到与所述产品数据中内容相同的标准分词，则确定该标准分词为所述产品数据的产品分词。
具体地，将所述待推荐产品中所有产品的产品分词进行汇集，可得到产品词库。
实际应用中，由于当任何一个产品此在所述产品词库中出现的频率越高，且在该产品分词对应的待推荐产品的所有产品分词中出现的频率越低时，可认为该产品分词对于该待推荐产品的重要性越低；反之，当任何一个产品此在所述产品词库中出现的频率越低，且在该产品分词对应的待推荐产品的所有产品分词中出现的频率越高时，可认为该产品分词对于该待推荐产品的重要性越大；因此，可利用该产品分词在该产品分词对应的待推荐产品的所有产品分词中出现的第一频率，和该产品分词在所述产品词库中出现的第二频率来计算改产品分词的关键度，进而根据所述关键度选取所述待推荐产品的关键词。
详细地，所述根据所述第一出现频率与所述第二出现频率计算所述目标分词的关键度，包括：
利用如下关键词度算法计算所述目标分词的关键度：
K＝f2/f1
其中，K为所述目标分词的关键度，f1为所述第一频率，f2为所述第二频率。
本发明实施例中计算得到所述待分析产品的所有产品分词的关键度，并选取所述关键度大于预设的关键度阈值的产品分词为所述待分析产品的关键词，直至提取出所述待推荐产品中所有产品的关键词。
本发明其中一个实际实施例中，由于所述待推荐产品中的产品之间可能存在互斥的情况，即多个产品中，用户不能同时购买。
因此，为了提高向目标用户进行产品推荐的精确度，本发明实施例利用预设的互斥词表对从所述待推荐产品的产品数据中提取的关键词进行互斥词筛选，得到互斥关键词对，进而判断多个产品是否能够同时被同一以用户购买。
例如，存在产品A与产品B，对产品A的产品数据进行关键词提取后，得到关键词a，对产品B的产品数据进行关键词提取后，得到关键词b，利用所述互斥词表对关键词a和关键词b进行筛选，得出关键词a和关键词b互斥，则说明产品A与产品B不可同时被同一用户购买。
详细地，所述互斥关键词表可由用户预先给定，所述互斥关键词表中包含多个关键词，以及每个关键词对于的互斥关键词。
本发明实施例根据所述待推荐产品中每个产品的关键词在所述互斥词表中进行检索，即可得到每个产品的关键词对应的互斥关键词，进而将所述关键词与检索到的所述互斥关键词进行汇集，得到互斥关键词对。
S5、比对所述互斥关键词对相应的待推荐产品与用户画像的匹配值，根据所述匹配值对所述待推荐产品中所述互斥关键词对相应的待推荐产品进行删减，并将产品删减后的待推荐产品推荐给所述目标用户。
本发明实施例中，由于当所述互斥关键词对中的两个词语分别出现在不同产品对应的关键词中时，含有该互斥关键词对中任一词语的产品不能同时被用户购买，因此，可根据该互斥关键词对对待推荐产品进行进一步筛选，以提高向用户进行产品推荐的精确度。
详细地，可比对所述互斥关键词对相应的待推荐产品与用户画像的匹配值，进而根据所述匹配值对所述待推荐产品中所述互斥关键词对相应的待推荐产品进行删减。
本发明实施例中，所述比对所述互斥关键词对相应的待推荐产品与用户画像的匹配值，根据所述匹配值对所述待推荐产品中所述互斥关键词对相应的待推荐产品进行删减。
例如，互斥关键词对中存在关键词A和关键词B，其中，所述关键词A对应的待推荐产品为待推荐产品a，所述关键词B对应的待推荐产品为待推荐产品b，且所述待推荐产品a与所述用户画像的匹配值为80，所述待推荐产品b与所述用户画像的匹配值为70，则从所述待推荐产品中删除所述待推荐产品b。
或者，互斥关键词对中存在关键词A和关键词B，其中，所述关键词A对应的待推荐产品为待推荐产品a，所述关键词B对应的待推荐产品为待推荐产品b，且所述待推荐产品a与所述用户画像的匹配值为80，所述待推荐产品b与所述用户画像的匹配值也为80，则可随机从所述待推荐产品中删除待推荐产品a和待推荐产品b的任一个。
本发明实施例中，利用根据所述匹配值对所述待推荐产品中所述互斥关键词对相应的待推荐产品进行删减，并向用户推送删减后的待推荐产品，进而提高了向用户进行产品推荐的精确度。
本发明实施例将产品数据与用户反馈数据进行结合，生成每一个产品的产品画像，有利于提高生成的产品画像的精确度；将用户数据及该用户的产品浏览数据进行结合，生成该用户的用户画像，有利于提高生成的用户画像的精确度；根据产品画像和用户画像筛选出待推荐产品，并利用互斥关键词对待推荐产品进行筛选，进一步提高了利用待推荐产品对用户进行产品推荐的精确度，实现了精准的产品推荐。因此本发明提出的基于双画像的产品推荐方法，可以解决进行产品推荐时的精确度较低的问题。
如图4所示，是本发明一实施例提供的基于双画像的产品推荐装置的功能模块图。
本发明所述基于双画像的产品推荐装置100可以安装于电子设备中。根据实现的功能，所述基于双画像的产品推荐装置100可以包括产品画像生成模块101、用户画像生成模块102、匹配值计算模块103、互斥词筛选模块104及产品推荐模块105。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述产品画像生成模块101，用于获取多个产品的产品数据及每一个产品的用户反馈数据，利用所述产品数据及所述用户反馈数据生成每一个产品的产品画像；
所述用户画像生成模块102，用于获取目标用户的用户数据及所述目标用户的产品浏览数据，利用所述用户数据及所述产品浏览数据生成所述目标用户的用户画像；
所述匹配值计算模块103，用于计算所述用户画像与每一个所述产品画像的匹配值，汇集所述匹配值大于预设阈值的产品画像对应的产品为待推荐产品；
所述互斥词筛选模块104，用于提取所述待推荐产品的产品数据的关键词，利用预设的互斥词表对所述关键词进行互斥词筛选，得到互斥关键词对；
所述产品推荐模块105，用于比对所述互斥关键词对相应的待推荐产品与用户画像的匹配值，根据所述匹配值对所述待推荐产品中所述互斥关键词对相应的待推荐产品进行删减，并将产品删减后的待推荐产品推荐给所述目标用户。
详细地，本发明实施例中所述基于双画像的产品推荐装置100中所述的各模块在使用时采用与上述图1至图3中所述的基于双画像的产品推荐方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
如图5所示，是本发明一实施例提供的实现基于双画像的产品推荐方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11、通信总线12以及通信接口13，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如基于双画像的产品推荐程序。
其中，所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(ControlUnit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如执行基于双画像的产品推荐程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备的各种功能和处理数据。
所述存储器11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、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(Secure Digital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据，例如基于双画像的产品推荐程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述通信总线12可以是外设部件互连标准(peripheralcomponentinterconnect，简称PCI)总线或扩展工业标准结构(extended industrystandardarchitecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
所述通信接口13用于上述电子设备与其他设备之间的通信，包括网络接口和用户接口。可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
图5仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图5示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的基于双画像的产品推荐程序是多个指令的组合，在所述处理器10中运行时，可以实现：
获取多个产品的产品数据及每一个产品的用户反馈数据，利用所述产品数据及所述用户反馈数据生成每一个产品的产品画像；
获取目标用户的用户数据及所述目标用户的产品浏览数据，利用所述用户数据及所述产品浏览数据生成所述目标用户的用户画像；
计算所述用户画像与每一个所述产品画像的匹配值，汇集所述匹配值大于预设阈值的产品画像对应的产品为待推荐产品；
提取所述待推荐产品的产品数据的关键词，利用预设的互斥词表对所述关键词进行互斥词筛选，得到互斥关键词对；
比对所述互斥关键词对相应的待推荐产品与用户画像的匹配值，根据所述匹配值对所述待推荐产品中所述互斥关键词对相应的待推荐产品进行删减，并将产品删减后的待推荐产品推荐给所述目标用户。
具体地，所述处理器10对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。
进一步地，所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。
本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
获取多个产品的产品数据及每一个产品的用户反馈数据，利用所述产品数据及所述用户反馈数据生成每一个产品的产品画像；
获取目标用户的用户数据及所述目标用户的产品浏览数据，利用所述用户数据及所述产品浏览数据生成所述目标用户的用户画像；
计算所述用户画像与每一个所述产品画像的匹配值，汇集所述匹配值大于预设阈值的产品画像对应的产品为待推荐产品；
提取所述待推荐产品的产品数据的关键词，利用预设的互斥词表对所述关键词进行互斥词筛选，得到互斥关键词对；
比对所述互斥关键词对相应的待推荐产品与用户画像的匹配值，根据所述匹配值对所述待推荐产品中所述互斥关键词对相应的待推荐产品进行删减，并将产品删减后的待推荐产品推荐给所述目标用户。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明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。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (10)

1.一种基于双画像的产品推荐方法，其特征在于，所述方法包括：
对获取多个产品的产品数据进行分析生成初始画像，对获取每一个产品的用户反馈数据进行分析生成附加标签，将所述附加标签添加至所述初始画像生成每一个产品的产品画像；
获取目标用户的用户数据及所述目标用户的产品浏览数据，利用所述用户数据及所述产品浏览数据生成所述目标用户的用户画像；
计算所述用户画像与每一个所述产品画像的匹配值，汇集所述匹配值大于预设阈值的产品画像对应的产品为待推荐产品；
提取所述待推荐产品的产品数据的目标分词，统计所述目标分词在待分析产品的产品分词中的第一出现频率，及所述目标分词在产品词库中的第二出现频率，根据所述第一出现频率与所述第二出现频率计算所述目标分词的关键度，选取所述关键度大于预设的关键度阈值的产品分词为所述待分析产品的关键词，将所述关键词输入预设的互斥词表中进行检索，将所述关键词与检索到的所述互斥词表的互斥关键词进行汇集，得到互斥关键词对；
比对所述互斥关键词对相应的待推荐产品与用户画像的匹配值，根据所述匹配值对所述待推荐产品中所述互斥关键词对相应的待推荐产品进行删减，并将产品删减后的待推荐产品推荐给所述目标用户。
2.如权利要求1所述的基于双画像的产品推荐方法，其特征在于，所述利用所述产品数据及所述用户反馈数据生成每一个产品的产品画像，包括：
从所述多个产品逐个选择其中一个产品作为目标产品，对所述目标产品的产品数据进行核心语义提取，得到产品语义；
对所述产品语义进行向量转换，得到第一语义向量；
对所述目标产品的用户反馈数据进行核心语义提取，得到用户语义；
对所述用户语义进行向量转换，得到第二语义向量；
将所述第一语义向量与所述第二语义向量进行向量拼接，得到所述目标产品的产品画像。
3.如权利要求2所述的基于双画像的产品推荐方法，其特征在于，所述对所述目标产品的产品数据进行核心语义提取，得到产品语义，包括：
对所述产品数据进行卷积、池化处理，得到所述产品数据的低维特征语义；
将所述低维特征语义映射至预先构建的高维空间，得到高维特征语义；
利用预设的激活函数对所述高维特征语义进行筛选，得到产品语义。
4.如权利要求2所述的基于双画像的产品推荐方法，其特征在于，所述将所述第一语义向量与所述第二语义向量进行向量拼接，得到所述目标产品的产品画像，包括：
统计所述第一语义向量的第一向量长度，及统计所述第二语义向量的第二向量长度；
若所述第一向量长度与所述第二向量长度相等，则将所述第一语义向量与所述第二语义向量进行列维度合并，得到所述目标产品的产品画像；
若所述第一向量长度大于所述第二向量长度，则将所述第二语义向量进行向量延长，直至所述第一向量长度与所述第二向量长度相等，并将所述第一语义向量与向量延长后的第二语义向量进行列维度合并，得到所述目标产品的产品画像；
若所述第一向量长度小于所述第二向量长度，则将所述第一语义向量进行向量延长，直至所述第一向量长度与所述第二向量长度相等，并将向量延长后的第一语义向量与所述第二语义向量进行列维度合并，得到所述目标产品的产品画像。
5.如权利要求1所述的基于双画像的产品推荐方法，其特征在于，所述计算所述用户画像与每一个所述产品画像的匹配值，包括：
利用如下匹配值算法计算所述用户画像与每一个所述产品画像的匹配值：
Figure QLYQS_1
其中，P为所述匹配值，x为所述用户画像，yi为第i个产品画像，α为预设系数。
6.如权利要求1至5中任一项所述的基于双画像的产品推荐方法，其特征在于，所述提取所述待推荐产品的产品数据的目标分词，包括：
对所述待推荐产品的产品数据进行分词处理，得到所述待推荐产品中每个产品对应的产品分词；
将所述待推荐产品中所有产品对应的产品分词汇集为产品词库；
从所述待推荐产品中逐个选取其中一个待推荐产品作为待分析产品，并从所述待分析产品的产品分词中选取目标分词。
7.如权利要求6所述的基于双画像的产品推荐方法，其特征在于，所述根据所述第一出现频率与所述第二出现频率计算所述目标分词的关键度，包括：
利用如下关键词度算法计算所述目标分词的关键度：
K＝f2/f1
其中，K为所述目标分词的关键度，f1为所述第一出现频率，f2为所述第二出现频率。
8.一种基于双画像的产品推荐装置，其特征在于，所述装置包括：
产品画像生成模块，用于对获取多个产品的产品数据进行分析生成初始画像，对获取每一个产品的用户反馈数据进行分析生成附加标签，将所述附加标签添加至所述初始画像生成每一个产品的产品画像；
用户画像生成模块，用于获取目标用户的用户数据及所述目标用户的产品浏览数据，利用所述用户数据及所述产品浏览数据生成所述目标用户的用户画像；
匹配值计算模块，用于计算所述用户画像与每一个所述产品画像的匹配值，汇集所述匹配值大于预设阈值的产品画像对应的产品为待推荐产品；
互斥词筛选模块，用于提取所述待推荐产品的产品数据的目标分词，统计所述目标分词在待分析产品的产品分词中的第一出现频率，及所述目标分词在产品词库中的第二出现频率，根据所述第一出现频率与所述第二出现频率计算所述目标分词的关键度，选取所述关键度大于预设的关键度阈值的产品分词为所述待分析产品的关键词，将所述关键词输入预设的互斥词表中进行检索，将所述关键词与检索到的所述互斥词表的互斥关键词进行汇集，得到互斥关键词对；
产品推荐模块，用于比对所述互斥关键词对相应的待推荐产品与用户画像的匹配值，根据所述匹配值对所述待推荐产品中所述互斥关键词对相应的待推荐产品进行删减，并将产品删减后的待推荐产品推荐给所述目标用户。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至7中任意一项所述的基于双画像的产品推荐方法。
10.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任意一项所述的基于双画像的产品推荐方法。
CN202110721422.8A 2021-06-28 2021-06-28 基于双画像的产品推荐方法、装置、设备及存储介质 Active CN113449187B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110721422.8A CN113449187B (zh) 2021-06-28 2021-06-28 基于双画像的产品推荐方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110721422.8A CN113449187B (zh) 2021-06-28 2021-06-28 基于双画像的产品推荐方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN113449187A CN113449187A (zh) 2021-09-28
CN113449187B true CN113449187B (zh) 2023-06-20

Family

ID=77813531

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110721422.8A Active CN113449187B (zh) 2021-06-28 2021-06-28 基于双画像的产品推荐方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN113449187B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113657977B (zh) * 2021-10-21 2022-07-26 广州市格利网络技术有限公司 基于产业互联网的智能采购推荐方法及装置
CN114398557B (zh) * 2022-01-18 2024-04-30 平安国际智慧城市科技股份有限公司 基于双画像的信息推荐方法、装置、电子设备及存储介质
CN114723523B (zh) * 2022-04-06 2023-05-30 平安科技（深圳）有限公司 基于用户能力画像的产品推荐方法、装置、设备及介质
CN114862141A (zh) * 2022-04-20 2022-08-05 平安科技（深圳）有限公司 基于画像关联性的课程推荐方法、装置、设备及存储介质
CN114926287A (zh) * 2022-06-02 2022-08-19 河北源达信息技术股份有限公司 一种智能推荐投资产品的方法、装置和电子设备
CN115204971B (zh) * 2022-06-23 2024-02-02 平安科技（深圳）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
CN115146596B (zh) * 2022-07-26 2023-05-02 平安科技（深圳）有限公司 召回文本的生成方法、装置、电子设备及存储介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018005637A (ja) * 2016-07-04 2018-01-11 富士通株式会社 検索プログラム、検索方法および検索装置

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105869001A (zh) * 2015-01-19 2016-08-17 苏宁云商集团股份有限公司 个性化商品推荐引流方法和系统
CN110555158A (zh) * 2018-03-29 2019-12-10 广东神马搜索科技有限公司 互斥数据处理方法及系统、计算机可读存储介质
CN110910175B (zh) * 2019-11-26 2023-07-28 上海景域文化传播股份有限公司 一种旅游门票产品画像生成方法
CN112184290A (zh) * 2020-09-11 2021-01-05 北京三快在线科技有限公司 一种信息推荐方法、装置、电子设备及存储介质
CN112380859A (zh) * 2020-11-12 2021-02-19 平安科技（深圳）有限公司 舆情信息的推荐方法、装置、电子设备及计算机存储介质

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018005637A (ja) * 2016-07-04 2018-01-11 富士通株式会社 検索プログラム、検索方法および検索装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于标签的微博关键词抽取排序方法;叶菁菁 等;计算机应用;36(02);563-567 *

Also Published As

Publication number Publication date
CN113449187A (zh) 2021-09-28

Similar Documents

Publication Publication Date Title
CN113449187B (zh) 基于双画像的产品推荐方法、装置、设备及存储介质
WO2022141861A1 (zh) 情感分类方法、装置、电子设备及存储介质
CN111652278B (zh) 用户行为检测方法、装置、电子设备及介质
CN112541338A (zh) 相似文本匹配方法、装置、电子设备及计算机存储介质
CN112380859A (zh) 舆情信息的推荐方法、装置、电子设备及计算机存储介质
CN112528616B (zh) 业务表单生成方法、装置、电子设备及计算机存储介质
CN113592605B (zh) 基于相似产品的产品推荐方法、装置、设备及存储介质
CN113886708A (zh) 基于用户信息的产品推荐方法、装置、设备及存储介质
CN115391669A (zh) 一种智能推荐方法、装置、电子设备
CN115018588A (zh) 产品推荐方法、装置、电子设备及可读存储介质
CN115204971B (zh) 产品推荐方法、装置、电子设备及计算机可读存储介质
CN116578696A (zh) 文本摘要生成方法、装置、设备及存储介质
CN114708073B (zh) 一种围标串标智能检测方法、装置、电子设备及存储介质
CN113656586B (zh) 情感分类方法、装置、电子设备及可读存储介质
CN115186188A (zh) 基于行为分析的产品推荐方法、装置、设备及存储介质
CN113656690B (zh) 产品推荐方法、装置、电子设备及可读存储介质
CN113591881B (zh) 基于模型融合的意图识别方法、装置、电子设备及介质
CN114780688A (zh) 基于规则匹配的文本质检方法、装置、设备及存储介质
CN114676307A (zh) 基于用户检索的排序模型训练方法、装置、设备及介质
CN113468421A (zh) 基于向量匹配技术的产品推荐方法、装置、设备及介质
CN114741608A (zh) 基于用户画像的新闻推荐方法、装置、设备及存储介质
CN113343102A (zh) 基于特征筛选的数据推荐方法、装置、电子设备及介质
CN114240560A (zh) 基于多维分析的产品排名方法、装置、设备及存储介质
CN113344674A (zh) 基于用户购买力的产品推荐方法、装置、设备及存储介质
CN113486145B (zh) 基于网络节点的用户咨询回复方法、装置、设备及介质

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