CN113450167A - 一种商品推荐方法和装置 - Google Patents

一种商品推荐方法和装置 Download PDF

Info

Publication number
CN113450167A
CN113450167A CN202010219259.0A CN202010219259A CN113450167A CN 113450167 A CN113450167 A CN 113450167A CN 202010219259 A CN202010219259 A CN 202010219259A CN 113450167 A CN113450167 A CN 113450167A
Authority
CN
China
Prior art keywords
user
brand
category
purchase
commodity
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
CN202010219259.0A
Other languages
English (en)
Inventor
张文翔
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.)
Beijing Jingdong Century Trading Co Ltd
Beijing Wodong Tianjun Information Technology Co Ltd
Original Assignee
Beijing Jingdong Century Trading Co Ltd
Beijing Wodong Tianjun Information 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 Beijing Jingdong Century Trading Co Ltd, Beijing Wodong Tianjun Information Technology Co Ltd filed Critical Beijing Jingdong Century Trading Co Ltd
Priority to CN202010219259.0A priority Critical patent/CN113450167A/zh
Publication of CN113450167A publication Critical patent/CN113450167A/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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • 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
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0202—Market predictions or forecasting for commercial activities

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种商品推荐方法和装置，涉及计算机技术领域。该方法的一具体实施方式包括：根据第一用户及其最近邻集合中各第二用户的过去购买商品的类目转移数据和设定的推荐时间，确定第一用户下次购买商品的候选类目，利用品牌购买网络中第一品牌与各品牌之间的向量相似度，确定第一用户下次购买候选类目的商品的候选品牌；基于第一用户对于候选品牌的各目标商品的价格匹配度，以及第一品牌与候选品牌间的向量相似度，计算第一用户对各目标商品的购买概率，以根据购买概率推荐商品。该实施方式能捕捉用户在不同类目之间的兴趣变化，将购买时间间隔纳入考虑因素，充分挖掘用户的价格偏好，根据用户兴趣变化提供多样、丰富、准确的推荐结果。

Description

一种商品推荐方法和装置
技术领域
本发明涉及计算机技术领域，尤其涉及一种商品推荐方法和装置。
背景技术
商品推荐的目的是挖掘用户的偏好，进而为其推荐感兴趣的商品。目前的商品推荐策略主要是根据用户的行为信息，挖掘用户的喜好。
在实现本发明过程中，发明人发现现有技术中至少存在如下问题：
缺乏对类目转换和购买时间间隔的分析研究，并且缺乏对商品价格的深入研究，使得商品推荐结果过于单一和重复，缺乏多样性，并且推荐结果不够准确。
发明内容
有鉴于此，本发明实施例提供一种商品推荐方法和装置，能够捕捉用户在不同类目之间的兴趣变化，并将购买时间间隔纳入考虑因素，充分挖掘用户的价格偏好，根据用户的兴趣变化提供多样、丰富、准确的推荐结果。
为实现上述目的，根据本发明实施例的一个方面，提供了一种商品推荐方法。
一种商品推荐方法，包括：根据第一用户及其最近邻集合中的各第二用户的过去购买商品的类目转移数据和设定的推荐时间，确定所述第一用户下次购买商品的候选类目；利用品牌购买网络中第一品牌与各品牌之间的向量相似度，确定所述第一用户下次购买所述候选类目的商品的候选品牌，所述品牌购买网络基于所有用户购买记录构建，所述第一品牌为所述第一用户过去最近一次购买商品的品牌；基于所述第一用户对于所述候选品牌的各目标商品的价格匹配度，以及所述品牌购买网络中所述第一品牌与所述候选品牌之间的向量相似度，计算所述第一用户对所述各目标商品的购买概率，以根据所述购买概率向所述第一用户推荐所述候选品牌的商品。
可选地，用户过去购买商品的类目转移数据包括所述用户的购买类目序列中的类目转移对、所述类目转移对在所述购买类目序列中的出现频次、所述用户在所述类目转移对中两类目的购买时间，所述用户包括所述第一用户和所述第二用户。
可选地，所述根据第一用户及其最近邻集合中的各第二用户的过去购买商品的类目转移数据和设定的推荐时间，确定所述第一用户下次购买商品的候选类目，包括：对于每个所述第二用户，由所述第一用户的所述购买类目序列中的类目转移对得到第一集合，由所述第二用户的所述购买类目序列中的类目转移对得到第二集合，根据所述第一集合和所述第二集合的交集中的所述出现频次的加和，以及所述第一集合和所述第二集合中的所述出现频次的总和，计算得到所述第一用户与所述第二用户的购买类目序列相似度；对于每个所述第二用户，根据所述第二用户的所述购买类目序列中包括第一类目的目标类目转移对对应的购买时间间隔，以及所述目标类目转移对在所述第二用户的所述购买类目序列中的出现频次，计算所述第二用户在所述目标类目转移对上的初始购买时间间隔偏好，所述第一类目为所述第一品牌所在的类目，所述目标类目转移对对应的购买时间间隔为所述第二用户在所述目标类目转移对中两类目的购买时间之差；根据所述第一用户与各所述第二用户的购买类目序列相似度，以及各所述第二用户在所述目标类目转移对上的初始购买时间间隔偏好，计算所述第一用户在所述目标类目转移对上的最终购买时间间隔偏好；根据所述第一用户在所述第一类目的购买时间、所述设定的推荐时间、所述第一用户在所述目标类目转移对上的最终购买时间间隔偏好，计算所述第一用户下次购买商品的各类目的概率，根据所述概率从所述各类目中选出所述候选类目。
可选地，所述利用品牌购买网络中第一品牌与各品牌之间的向量相似度，确定所述第一用户下次购买所述候选类目的商品的候选品牌，包括：通过预设模型对构建的所述品牌购买网络进行学习，得到带有类目个性化的品牌向量表示；利用所述带有类目个性化的品牌向量表示，计算所述第一品牌与各品牌之间的向量相似度。
可选地，还包括通过如下方式计算所述第一用户对于所述候选品牌的各目标商品的价格匹配度：对于每个所述目标商品，根据所述目标商品的价格、所述目标商品所在类目中商品的最低价格和最高价格，计算所述目标商品的价格隶属于各价格等级的隶属度；根据各所述目标商品的价格隶属于每个所述价格等级的隶属度，以及所述第一用户对各所述目标商品的满意度，计算所述第一用户的对应每一所述价格等级的用户价格敏感度；根据所述第一用户的对应每一所述价格等级的用户价格敏感度，以及各所述目标商品的价格隶属于每个所述价格等级的隶属度，计算所述第一用户对于所述候选品牌的各目标商品的价格匹配度。
可选地，所述基于所述第一用户对于所述候选品牌的各目标商品的价格匹配度，以及所述品牌购买网络中所述第一品牌与所述候选品牌之间的向量相似度，计算所述第一用户对所述各目标商品的购买概率，包括：对于每个所述目标商品，将所述第一用户对于所述目标商品的价格匹配度，以及所述品牌购买网络中所述第一品牌与所述目标商品所属品牌之间的向量相似度，分别进行求和以及求加权和；根据所述求加权和的结果和所述求和的结果，计算得到所述第一用户对每个所述目标商品的购买概率。
根据本发明实施例的另一方面，提供了一种商品推荐装置。
一种商品推荐装置，包括：类目预测模块，用于根据第一用户及其最近邻集合中的各第二用户的过去购买商品的类目转移数据和设定的推荐时间，确定所述第一用户下次购买商品的候选类目；品牌预测模块，用于利用品牌购买网络中第一品牌与各品牌之间的向量相似度，确定所述第一用户下次购买所述候选类目的商品的候选品牌，所述品牌购买网络基于所有用户购买记录构建，所述第一品牌为所述第一用户过去最近一次购买商品的品牌；商品推荐模块，用于基于所述第一用户对于所述候选品牌的各目标商品的价格匹配度，以及所述品牌购买网络中所述第一品牌与所述候选品牌之间的向量相似度，计算所述第一用户对所述各目标商品的购买概率，以根据所述购买概率向所述第一用户推荐所述候选品牌的商品。
可选地，用户过去购买商品的类目转移数据包括所述用户的购买类目序列中的类目转移对、所述类目转移对在所述购买类目序列中的出现频次、所述用户在所述类目转移对中两类目的购买时间，所述用户包括所述第一用户和所述第二用户。
可选地，所述类目预测模块还用于：对于每个所述第二用户，由所述第一用户的所述购买类目序列中的类目转移对得到第一集合，由所述第二用户的所述购买类目序列中的类目转移对得到第二集合，根据所述第一集合和所述第二集合的交集中的所述出现频次的加和，以及所述第一集合和所述第二集合中的所述出现频次的总和，计算得到所述第一用户与所述第二用户的购买类目序列相似度；对于每个所述第二用户，根据所述第二用户的所述购买类目序列中包括第一类目的目标类目转移对对应的购买时间间隔，以及所述目标类目转移对在所述第二用户的所述购买类目序列中的出现频次，计算所述第二用户在所述目标类目转移对上的初始购买时间间隔偏好，所述第一类目为所述第一品牌所在的类目，所述目标类目转移对对应的购买时间间隔为所述第二用户在所述目标类目转移对中两类目的购买时间之差；根据所述第一用户与各所述第二用户的购买类目序列相似度，以及各所述第二用户在所述目标类目转移对上的初始购买时间间隔偏好，计算所述第一用户在所述目标类目转移对上的最终购买时间间隔偏好；根据所述第一用户在所述第一类目的购买时间、所述设定的推荐时间、所述第一用户在所述目标类目转移对上的最终购买时间间隔偏好，计算所述第一用户下次购买商品的各类目的概率，根据所述概率从所述各类目中选出所述候选类目。
可选地，所述品牌预测模块还用于：通过预设模型对构建的所述品牌购买网络进行学习，得到带有类目个性化的品牌向量表示；利用所述带有类目个性化的品牌向量表示，计算所述第一品牌与各品牌之间的向量相似度。
可选地，还包括价格匹配度计算模块，用于通过如下方式计算所述第一用户对于所述候选品牌的各目标商品的价格匹配度：对于每个所述目标商品，根据所述目标商品的价格、所述目标商品所在类目中商品的最低价格和最高价格，计算所述目标商品的价格隶属于各价格等级的隶属度；根据各所述目标商品的价格隶属于每个所述价格等级的隶属度，以及所述第一用户对各所述目标商品的满意度，计算所述第一用户的对应每一所述价格等级的用户价格敏感度；根据所述第一用户的对应每一所述价格等级的用户价格敏感度，以及各所述目标商品的价格隶属于每个所述价格等级的隶属度，计算所述第一用户对于所述候选品牌的各目标商品的价格匹配度。
可选地，所述商品推荐模块还用于：对于每个所述目标商品，将所述第一用户对于所述目标商品的价格匹配度，以及所述品牌购买网络中所述第一品牌与所述目标商品所属品牌之间的向量相似度，分别进行求和以及求加权和；根据所述求加权和的结果和所述求和的结果，计算得到所述第一用户对每个所述目标商品的购买概率。
根据本发明实施例的又一方面，提供了一种电子设备。
一种电子设备，包括：一个或多个处理器；存储器，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现本发明实施例所提供的商品推荐方法。
根据本发明实施例的又一方面，提供了一种计算机可读介质。
一种计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现本发明实施例所提供的商品推荐方法。
上述发明中的一个实施例具有如下优点或有益效果：根据第一用户及其最近邻集合中的各第二用户的过去购买商品的类目转移数据和设定的推荐时间，确定第一用户下次购买商品的候选类目，利用品牌购买网络中第一品牌与各品牌之间的向量相似度，确定第一用户下次购买候选类目的商品的候选品牌；基于第一用户对于所述候选品牌的各目标商品的价格匹配度，以及第一品牌与候选品牌之间的向量相似度，计算第一用户对各目标商品的购买概率，以根据购买概率推荐商品。能够捕捉用户在不同类目之间的兴趣变化，并将购买时间间隔纳入考虑因素，充分挖掘用户的价格偏好，根据用户的兴趣变化提供多样、丰富、准确的推荐结果。
上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
附图用于更好地理解本发明，不构成对本发明的不当限定。其中：
图1是根据本发明一个实施例的商品推荐方法的主要步骤示意图；
图2是根据本发明一个实施例的类目预测流程示意图；
图3是根据本发明一个实施例的品牌预测流程示意图；
图4是根据本发明一个实施例的用户与商品的价格匹配预测流程示意图；
图5是根据本发明一个实施例的商品推荐流程示意图；
图6是根据本发明一个实施例的商品推荐的整体架构示意图；
图7是根据本发明一个实施例的商品推荐装置的主要模块示意图；
图8是本发明实施例可以应用于其中的示例性系统架构图；
图9是适于用来实现本发明实施例的终端设备或服务器的计算机系统的结构示意图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明，其中包括本发明实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本发明的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
图1是根据本发明一个实施例的商品推荐方法的主要步骤示意图。
如图1所示，本发明一个实施例的商品推荐方法主要包括如下的步骤S101至步骤S103。
步骤S101：根据第一用户及其最近邻集合中的各第二用户的过去购买商品的类目转移数据和设定的推荐时间，确定第一用户下次购买商品的候选类目。
步骤S102：利用品牌购买网络中第一品牌与各品牌之间的向量相似度，确定第一用户下次购买候选类目的商品的候选品牌。
步骤S103：基于第一用户对于候选品牌的各目标商品的价格匹配度，以及品牌购买网络中第一品牌与候选品牌之间的向量相似度，计算第一用户对各目标商品的购买概率，以根据购买概率向第一用户推荐候选品牌的商品。
第一用户是当前待推荐商品的用户。
第二用户是第一用户的最近邻集合中的用户。最近邻集合可以通过最近邻算法确定，例如K-最近邻分类算法。
其中，品牌购买网络基于所有用户购买记录构建，第一品牌为第一用户过去最近一次购买商品的品牌。
用户过去购买商品的类目转移数据包括用户的购买类目序列中的类目转移对、类目转移对在购买类目序列中的出现频次、用户在类目转移对中两类目的购买时间，该用户包括第一用户和第二用户。第一用户过去购买商品的类目转移数据包括第一用户的购买类目序列中的类目转移对、类目转移对在购买类目序列中的出现频次、第一用户在类目转移对中两类目的购买时间。第二用户过去购买商品的类目转移数据同理。
在一个实施例中，根据第一用户及其最近邻集合中的各第二用户的过去购买商品的类目转移数据和设定的推荐时间，确定第一用户下次购买商品的候选类目，具体包括：对于每个第二用户，由第一用户的购买类目序列中的类目转移对得到第一集合，由第二用户的购买类目序列中的类目转移对得到第二集合，根据第一集合和第二集合的交集中的上述出现频次的加和，以及第一集合和第二集合中的上述出现频次的总和，计算得到第一用户与第二用户的购买类目序列相似度，具体参见下文S202；对于每个第二用户，根据第二用户的购买类目序列中包括第一类目的目标类目转移对对应的购买时间间隔，以及目标类目转移对在第二用户的购买类目序列中的出现频次，计算第二用户在目标类目转移对上的初始购买时间间隔偏好，具体参见下文S201；根据第一用户与各第二用户的购买类目序列相似度，以及各第二用户在目标类目转移对上的初始购买时间间隔偏好，计算第一用户在目标类目转移对上的最终购买时间间隔偏好，具体参见下文S203；根据第一用户在第一类目的购买时间、设定的推荐时间、第一用户在目标类目转移对上的最终购买时间间隔偏好，计算第一用户下次购买商品的各类目的概率，根据该概率从第一用户下次购买商品的各类目中选出候选类目，具体参见下文S204和S205。
其中，第一类目为第一品牌所在的类目，目标类目转移对对应的购买时间间隔为第二用户在目标类目转移对中两类目的购买时间之差。
在其他实施例中，上述计算购买类目序列相似度和初始购买时间间隔偏好的步骤可以互换顺序。
在一个实施例中，利用品牌购买网络中第一品牌与各品牌之间的向量相似度，确定第一用户下次购买候选类目的商品的候选品牌，具体包括：通过预设模型对构建的品牌购买网络进行学习，得到带有类目个性化的品牌向量表示；利用带有类目个性化的品牌向量表示，计算第一品牌与各品牌之间的向量相似度。
预设模型可以基于保留二阶相似性的LINE(Large-scale Informati on NetworkEmbedding)模型实现。
在一个实施例中，可以通过如下方式计算第一用户对于候选品牌的各目标商品的价格匹配度：对于每个目标商品，根据目标商品的价格、目标商品所在类目中商品的最低价格和最高价格，计算目标商品的价格隶属于各价格等级的隶属度；根据各目标商品的价格隶属于每个价格等级的隶属度，以及第一用户对各目标商品的满意度，计算第一用户的对应每一价格等级的用户价格敏感度；根据第一用户的对应每一价格等级的用户价格敏感度，以及各目标商品的价格隶属于每个价格等级的隶属度，计算第一用户对于候选品牌的各目标商品的价格匹配度。
在一个实施例中，基于第一用户对于候选品牌的各目标商品的价格匹配度，以及品牌购买网络中第一品牌与候选品牌之间的向量相似度，计算第一用户对各目标商品的购买概率，具体包括：对于每个目标商品，将第一用户对于目标商品的价格匹配度，以及品牌购买网络中第一品牌与目标商品所属品牌之间的向量相似度，分别进行求和以及求加权和；根据求加权和的结果和求和的结果，计算得到第一用户对每个目标商品的购买概率，具体计算方法参见S504。
本发明实施例能够克服现有技术中存在的推荐结果同质性缺陷，捕捉用户在不同类目之间的兴趣变化，根据用户的兴趣变化，提供多样、丰富、准确的推荐结果。
图2是根据本发明一个实施例的类目预测流程示意图。
通过本发明一个实施例的类目预测流程，可以预测得到用户下次购买商品的候选类目。
用户对于不同类别商品的兴趣程度是根据时间变化的，即，在不同的时间点上，用户对于同一个类型商品的兴趣也会表现出不同的程度偏好。因此，本发明实施例结合这种时间偏好，建立用户在不同时间间隔下，在类目上的兴趣转移关系。
如图2所示，本发明实施例的类目预测流程包括：
S201：计算用户在类目转移对上的初始购买时间间隔偏好。
本发明实施例根据用户的购买类目序列，来挖掘单个用户在类目转移中的购买时间间隔偏好，作为该用户在类目转移中的初始购买时间间隔偏好。
通过扫描用户u(u表示任一用户)的购买类目序列，可以得到其中的类目转移对，每个类目转移对在该购买类目序列中的出现频次，以及用户在每个类目购买商品的购买时间。
类目转移对是指购买类目序列中相邻两个类目构成的类目对，由于购买类目序列中的类目是按照用户购买的先后次序排列的，因此，相邻两个类目构成的类目对体现了用户购买商品时的类目转移关系。以购买类目序列为{a,b,b,a,c,d,a,b}为例，其中一个类目转移对可以记为如下形式：a->b，或者{a,b}，即用户先在a类目购买商品，然后又在b类目购买商品，由a和b组成一个类目转移对，其他类目转移对同理，不逐一列举。由于a->b的类目转移关系在上述购买类目序列出现两次，因此a->b在该购买类目序列中的出现频次为2。
用户u在类目转移对a->b上的初始购买时间间隔偏好通过如下公式计算：
Figure BDA0002425498210000101
其中a和b代表用户u的购买类目序列中相邻的两个类目，a在前、b在后(即用户u先在a类目后在b类目购买商品)，类目转移对即a->b。N(b,a)代表在该用户u的购买类目序列中a->b的出现频次。Ta和Tb分别表示用户u在类目a和类目b的购买时间(即购买商品的时间)，Tb-Ta表示类目转移对a->b对应的购买时间间隔，即在该购买类目序列中，每次用户u先在a类目后在b类目购买商品之间相隔的时间长度。
Figure BDA0002425498210000102
表示该用户u在类目转移对a->b上的初始购买时间间隔偏好。
同理可计算用户u在其他类目转移对上的初始购买时间间隔偏好。
S202：计算用户间的购买类目序列相似度。
用户在购买类目序列上的相似度表明用户之间在类目兴趣转移上的相似程度。
类目转移着重关注的是用户在两个类目之间的转移关系，本发明实施例将用户的购买类目序列拆解成多个类目转移对。类目转移对还可以包括其在购买类目序列中的出现频次信息，例如，某个用户u1的购买类目序列为{a,b,c,d}，则可以拆解为{a,b,n1},{b,c,n2},{c,d,n3}，其中，n1、n2、n3分别表示{a,b}、{b,c}、{c,d}在购买类目序列中的出现频次。将每个用户的购买类目序列进行上述拆解，进而在拆解后的序列上度量用户之间的相似度。假设两个用户u1和u2的购买类目序列的交集为Sc，其中包括该两个用户的类目转移对(不包括出现频次)的交集，即：[{a,b}，{b,c}，{d,e}]。那么该两个用户之间的购买类目序列相似度如下：
Figure BDA0002425498210000111
其中，分子部分i表示交集中的每个类目转移对，而nu1i和nu2i分别代表类目转移对i在用户u1的购买类目序列和在用户u2的购买类目序列中的出现频次，因此，分子表示的就是该两个用户的上述交集中的类目转移对对应的出现频次总和，而分母则是表示两个用户的购买类目序列中的全部类目转移对对应的出现频次总和。
例如，假设用户u1拆解后的类目转移对构成第一集合：{a,b,n1}；{b,c,n2}；{c,d,n3}，用户u2拆解后的类目转移对构成第二集合：{a,b,m1}；{b,c,m2}；{r,t,m3}，由此可以得出交集Sc＝[{a,b},{b,c}]，那么该两个用户之间的购买类目序列相似度为：
Figure BDA0002425498210000112
S203：计算用户在类目转移对上的最终购买时间间隔偏好。
由于每个用户的行为有限，不可能覆盖所有的类目转移情况，这种问题对于新用户尤其明显。因此初始购买时间间隔偏好并不完整，根据初始购买时间间隔偏好以及用户之间的购买类目序列相似度来扩充购买时间间隔偏好，从而得到用户的最终购买时间间隔偏好。
根据上述的初始购买时间间隔偏好
Figure BDA0002425498210000113
和用户之间的购买类目序列相似度
Figure BDA0002425498210000114
可以得到如下的最终购买时间间隔偏好计算公式：
Figure BDA0002425498210000115
其中，a和b代表类目转移对a->b中的前后两个类目(按照用户的购买时间确定该前后顺序)，
Figure BDA0002425498210000116
表示用户u1的k最近邻集合，
Figure BDA0002425498210000117
表示用户u2在类目转移对a->b上的初始购买时间间隔偏好，
Figure BDA0002425498210000118
的具体计算方法参见S201，
Figure BDA0002425498210000119
表示两个用户之间的购买类目序列相似度，
Figure BDA00024254982100001110
的计算方法参见S202。
Figure BDA00024254982100001111
表示用户u1在类目转移对a->b上的最终购买时间间隔偏好。
S204：计算用户下次购买商品的各类目的概率。
根据用户上一个购买的类目以及对应的购买时间，以及设定的推荐时间Tb'，用户在类目转移对上的最终购买时间间隔偏好，可以计算用户接下来购买商品的类目的概率，以用户u1上一个购买的类目为a，计算用户u1接下来购买b类目的商品的概率为例，该概率计算公式如下：
Figure BDA0002425498210000121
同理可以计算出用户u1接下来购买其他类目的商品的概率。
S205：将用户下次购买商品的各类目的概率排序，从其中选出概率最大的第一预设数量的类目作为用户下次购买商品的候选类目。
例如，根据用户u1接下来购买各类目的商品的概率，可以选出概率最大的10个类目，作为用户u1接下来购买商品的候选类目。
图3是根据本发明一个实施例的品牌预测流程示意图。
通过本实施例的品牌预测流程，可以确定用户下次购买候选类目下的商品的候选品牌。
S301：构建品牌购买网络，并通过保留二阶相似性的LINE模型，学习得到带有类目个性化的品牌向量表示。
用户在某个类目下，通常会购买若干品牌，大量的用户购买记录就可以组成一个庞大的品牌购买网络，其中蕴含着用户购买的品牌之间的潜在关联，这种关联关系对于挖掘用户的潜在兴趣至关重要。构建品牌购买网络，具体可以根据用户的购买顺序，构造出一个关于品牌的加权有向图，并通过预设算法学习其中的潜在关联关系。
本发明实施例的品牌购买网络中的权重定义为下单用户量的比值，假设vi和vj代表加权有向图中的两个节点，ei,j代表连接这两个节点的边，那么该边的权重(网络权重)可以表示为：
Figure BDA0002425498210000122
其中Order(vi→vj)表示购买品牌vi后购买品牌vj的用户量，而Order(vi)则表示购买品牌vi的用户量。
通过上述步骤，一个带个性化权重的有向品牌购买网络(加权有向图)就构建完成了，本发明实施例可以利用Graph embedding(图向量化)的方法，学习加权有向图中的潜在关联，最终学习出一套关于品牌的向量表示，该品牌向量表示可以表达品牌之间的潜在关联。Graph embedding通过学习网络中的节点关系，获得每个节点的向量表示。而且向量之间的距离表示节点之间的关系。
在Graph embedding架构上，本发明实施例具体可以基于保留二阶相似性的LINE模型(简称模型)，该模型可以高效地对加权有向图进行学习。在该模型中，对于每个顶点(即品牌)都会对应于两个向量hi和hi'，分别代表vi作为顶点时的向量表示和作为邻居节点时的向量表示，最后模型输出每个顶点的向量表示。
在品牌购买的场景下，本发明实施例区分不同的类目，即不同的类目对应的品牌购买网络存在一定的差距，而且上述网络权重的定义也是依赖类目的。因此不同的类目对应不同的品牌购买网络，具有不同的拓扑结构和权重，但是网络节点却基本相同(节点代表品牌)。而对于每个类目都学习一个模型，在实际应用中往往是不可行的，既浪费资源又增加模型的复杂度。为了解决这个问题，本发明实施例采用共享顶点和向量的方法，同步学习所有类目的品牌购买网络。
不同类目下，网络权重和拓扑有所区别，但是顶点向量hi和hi'采用共享的方式，同时加入类目向量来对不同类目进行个性化。以顶点向量hi为例，假设向量hi的维度为d，采用类目个性化后的品牌向量计算方式如下：
Figure BDA0002425498210000131
Figure BDA0002425498210000132
其中M代表类目总量，d代表类目矩阵W的维度，也是最后结果向量hci的维度。W中每一行代表一个类目向量，表示类目的embedding表示。ck是一个M维的one-hot向量(独热编码向量)，表示该顶点所属的类目。
本发明实施例中对LINE模型的损失函数进行的改进，具体如下：
Figure BDA0002425498210000133
其中，第一项Σ代表正样本，即品牌购买网络中的连接，第二项Σ代表负样本(每个类目下分别进行负采样)，σ即sigmoid函数。在学习的过程中迭代算法可以采用批梯度下降法，最终输出最优化的类目个性化后的品牌向量hci和hci'，hci表示vi作为顶点时的类目个性化后的品牌向量，hci'表示vi作为邻居节点时的类目个性化后的品牌向量。
本发明实施例将类目的影响融入到模型的向量学习中去，得到新的顶点向量hci，这样可以个性化地学习到不同类目下的品牌向量表示。虽然每个类目对应于不同的品牌购买网络，但是共享同一套顶点向量，这样既可以学习到类目的个性化影响，又不至于极大的增加模型的复杂度。至于模型中的其它方面，如负采样等，都针对各个类目的品牌购买网络平等看待，平行进行即可。类目矩阵W参与模型更新，模型熟练后得到的hci就是带有类目个性化的品牌向量表示。
S302：利用带有类目个性化的品牌向量表示，计算品牌之间的向量相似度。
上述已经得到带有类目个性化的品牌向量表示，那么品牌向量之间的相似性(即向量相似度)就表示品牌之间的购买关系，即用户购买一个品牌之后购买另一个品牌的概率。品牌购买网络中品牌vi与品牌vj之间的向量相似度，即用户上一次购买的品牌为vi，那么该用户接下来购买品牌vj的概率为：
Figure BDA0002425498210000141
S303：利用用户过去最近一次购买商品的品牌与接下来购买商品的候选类目下各品牌之间的向量相似度，确定用户下次购买候选类目的商品的候选品牌。
例如，用户u1接下来购买商品的候选类目为某10个类目，上一次购买的品牌为vi，通过本发明实施例的品牌预测方法，可以计算出vi与该10个类目下的每个品牌的向量相似度，即用户接下来购买该10个类目下的每个品牌的概率，通过该概率值从大到小排列，取概率最大的10个品牌，作为用户下次购买商品的候选品牌，这些候选品牌都是候选类目下的品牌。
图4是根据本发明一个实施例的用户与商品的价格匹配预测流程示意图。
通过本实施例的用户与商品的价格匹配预测流程，可以得到用户对于候选品牌的各商品的价格匹配度。
用户的购物决策很大程度上受到商品价格的影响，但是由于对于价格建模比较困难，因此常见的推荐系统往往忽略价格的影响。本发明实施例挖掘价格因素对用户决策的影响，可以挖掘出用户对于商品的价格敏感程度。
S401：计算商品的价格隶属于各价格等级的隶属度。
价格作为一个连续值，很难用一个统一的指标来进行衡量。因此本发明实施例利用模糊理论对其进行表示，首先将价格水平分为若干个价格等级，之后计算商品隶属于各个价格等级的程度，即隶属度。价格等级的数量可以根据场景和效果进行调整，为了便于阐述，以下采用三个价格等级为例进行介绍。
将价格水平分为由高到低的三个价格等级：L1、L2、L3，每个价格等级都对应于一个模糊集合。由于不同类目的价格水平差异较大，因此可以根据不同类目建立不同的价格模糊集。那么，对于类目C的价格等级“L1”的模糊集可以利用如下公式来刻画：
Figure BDA0002425498210000151
其中，p是随机变量，代表商品的价格，而隶属度L1C(p)则表示价格p属于L1集合的程度，即该价格属于“L1”价格等级的程度。另外，PL和PH分别表示类目C中所有商品的最低价格和最高价格。
利用类似方法，可以得到对于类目C的“L2”等级的模糊集如下：
Figure BDA0002425498210000152
Figure BDA0002425498210000153
其中，隶属度L2C(p)表示价格p隶属“L2”等级的程度。
同样，对于类目C的“L3”等级的模糊集如下：
Figure BDA0002425498210000154
其中，隶属度L3C(p)表示价格p隶属“L3”等级的程度。
经过上述过程，商品可以根据其价格p进行表示，即商品在类目C中的价格水平就可以利用如下3维向量进行刻画：
Embc(p)＝(L1C(p),L2C(p),L3C(p))
如果采用更多个价格等级，那么对应的向量维度便会随之增加。
S402：计算用户的对应每一价格等级的用户价格敏感度。
用户价格敏感度(或称价格偏好)可以根据其购买的商品的价格来获得：
Figure BDA0002425498210000161
Figure BDA0002425498210000162
Figure BDA0002425498210000163
UEmbc＝(UL1C,UL2C,UL3C)；
其中，IC表示用户在类目中购买的商品集合，ri表示用户对商品i的满意度，L1C(pi)、L2C(pi)、L3C(pi)分别表示商品i的价格隶属于各价格等级的隶属度。本发明实施例可以通过读取用户对商品的评分来得到该满意度，也可以采用用户对商品的文本评价等其他显示反馈方式来得到该满意度。那么用户的价格偏好就可以根据其购买的商品价格通过上述加权汇总而得到。
S403：计算用户对于商品的价格匹配度。
对于给定的商品P，假设其价格为p，类目为C，那么用户u对于该商品的价格匹配度为：
Figure BDA0002425498210000164
例如，通过类目预测，用户u1接下来购买商品的候选类目为某10个类目，上一次购买的品牌为vi，通过品牌预测，得到用户下次购买该10个候选类目下的商品的10个候选品牌，通过本实施例的用户与商品的价格匹配预测，可以得到用户u1与该10个候选品牌下各商品的价格匹配度。
图5是根据本发明一个实施例的商品推荐流程示意图。
通过本实施例的商品推荐流程，可以计算用户对商品的购买概率，进而确定推荐给用户的商品。
S501：实时计算用户接下来购买的商品对应的各类目的概率，取其中概率最大的KC个类目作为候选类目。
S502：预测用户接下来购买候选类目中各个品牌的概率，取其中概率最大的KB个品牌作为候选品牌。
上述KC、KB为自定义值。经过上述两个召回步骤，极大地缩减了候选商品的范围，候选商品即候选品牌的各商品(即目标商品)。
S503：针对候选商品，计算用户对于各商品的价格匹配度。
S504：根据用户对于目标商品的价格匹配度，以及用户接下来购买目标商品所属的品牌的概率，进行综合加权获得用户对于各目标商品的购买概率。
用户对于目标商品的购买概率具体可以通过如下公式计算：
Figure BDA0002425498210000171
其中，系数(或称加权系数)α和β可以根据场景和实际效果进行调整，α和β的具体取值范围是[0,1]，且α+β＝1，
Figure BDA0002425498210000172
表示用户u对于商品P(目标商品)的价格匹配度，商品P的价格为p，
Figure BDA0002425498210000173
表示用户上一次购买的品牌为vi，那么该用户接下来购买品牌vj的概率，即品牌vi与品牌vj之间的向量相似度，本公式中vj是P所属的品牌。
S505：通过对各目标商品的购买概率(Prob)值排序，取购买概率最大的第二预设数量的目标商品，推荐给用户。
第二预设数量可以自定义。
基于上述各实施例的介绍，本发明实施例的商品推荐的整体架构如图6所示，由于上述各实施例已经对各部分流程分别进行了详细介绍此处不再赘述。
本发明实施例基于购买时间间隔的类目关系挖掘、基于不同类目的品牌购买关系挖掘，以及用户的价格偏好挖掘，首先基于用户的购买时间间隔，挖掘潜在的购买类目，之后根据graph embedding的方法挖掘品牌之间的购买关系，最后根据用户的历史行为挖掘用户的价格偏好。需要说明的是，本发明实施例的Graph embedding技术和求解方案不仅限于上述实施例所介绍的内容，还可以选择其他方法，例如，G raph embedding模型具体还可以采用斯坦福大学提出的Node2vec-Scala ble Feature Learning for Networks(Node2vec-可扩展的网络特征学习)等模型。
本发明实施例考虑类目之间的转换关系，丰富推荐结果的多样性，并将购买时间间隔纳入考虑因素，丰富对类目转换的研究，充分挖掘用户的价格偏好，从而更准确的产生推荐结果，能够克服现有技术中存在的推荐结果同质性缺陷，捕捉用户在不同类目之间的兴趣变化，根据用户的兴趣变化，提供多样、丰富、准确的推荐结果。
图7是根据本发明一个实施例的商品推荐装置的主要模块示意图。
如图7所示，本发明一个实施例的商品推荐装置700主要包括：类目预测模块701、品牌预测模块702、商品推荐模块703。
类目预测模块701，用于根据第一用户及其最近邻集合中的各第二用户的过去购买商品的类目转移数据和设定的推荐时间，确定第一用户下次购买商品的候选类目。
品牌预测模块702，用于利用品牌购买网络中第一品牌与各品牌之间的向量相似度，确定第一用户下次购买候选类目的商品的候选品牌，品牌购买网络基于所有用户购买记录构建，第一品牌为第一用户过去最近一次购买商品的品牌。
商品推荐模块703，用于基于第一用户对于候选品牌的各目标商品的价格匹配度，以及品牌购买网络中第一品牌与候选品牌之间的向量相似度，计算第一用户对各目标商品的购买概率，以根据该购买概率向第一用户推荐候选品牌的商品。
在一个实施例中，用户过去购买商品的类目转移数据包括用户的购买类目序列中的类目转移对、类目转移对在购买类目序列中的出现频次、用户在类目转移对中两类目的购买时间，用户包括第一用户和第二用户。
在一个实施例中，类目预测模块701具体用于：对于每个第二用户，由第一用户的购买类目序列中的类目转移对得到第一集合，由第二用户的购买类目序列中的类目转移对得到第二集合，根据第一集合和第二集合的交集中的出现频次的加和，以及第一集合和第二集合中的出现频次的总和，计算得到第一用户与第二用户的购买类目序列相似度；对于每个第二用户，根据第二用户的购买类目序列中包括第一类目的目标类目转移对对应的购买时间间隔，以及目标类目转移对在第二用户的购买类目序列中的出现频次，计算第二用户在目标类目转移对上的初始购买时间间隔偏好，第一类目为第一品牌所在的类目，目标类目转移对对应的购买时间间隔为第二用户在目标类目转移对中两类目的购买时间之差；根据第一用户与各第二用户的购买类目序列相似度，以及各第二用户在目标类目转移对上的初始购买时间间隔偏好，计算第一用户在目标类目转移对上的最终购买时间间隔偏好；根据第一用户在第一类目的购买时间、设定的推荐时间、第一用户在目标类目转移对上的最终购买时间间隔偏好，计算第一用户下次购买商品的各类目的概率，根据概率从各类目中选出候选类目。
在一个实施例中，品牌预测模块702具体用于：通过预设模型对构建的品牌购买网络进行学习，得到带有类目个性化的品牌向量表示；利用带有类目个性化的品牌向量表示，计算第一品牌与各品牌之间的向量相似度。
在一个实施例中，商品推荐装置700还包括价格匹配度计算模块，用于通过如下方式计算第一用户对于候选品牌的各目标商品的价格匹配度：对于每个目标商品，根据目标商品的价格、目标商品所在类目中商品的最低价格和最高价格，计算目标商品的价格隶属于各价格等级的隶属度；根据各目标商品的价格隶属于每个价格等级的隶属度，以及第一用户对各目标商品的满意度，计算第一用户的对应每一价格等级的用户价格敏感度；根据第一用户的对应每一价格等级的用户价格敏感度，以及各目标商品的价格隶属于每个价格等级的隶属度，计算第一用户对于候选品牌的各目标商品的价格匹配度。
在一个实施例中，商品推荐模块703用于：对于每个目标商品，将第一用户对于目标商品的价格匹配度，以及品牌购买网络中第一品牌与目标商品所属品牌之间的向量相似度，分别进行求和以及求加权和；根据该求加权和的结果和该求和的结果，计算得到第一用户对每个目标商品的购买概率。
另外，在本发明实施例中所述商品推荐装置的具体实施内容，在上面所述商品推荐方法中已经详细说明了，故在此重复内容不再说明。
图8示出了可以应用本发明实施例的商品推荐方法或商品推荐装置的示例性系统架构800。
如图8所示，系统架构800可以包括终端设备801、802、803，网络804和服务器805。网络804用以在终端设备801、802、803和服务器805之间提供通信链路的介质。网络804可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备801、802、803通过网络804与服务器805交互，以接收或发送消息等。终端设备801、802、803上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。
终端设备801、802、803可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器805可以是提供各种服务的服务器，例如对用户利用终端设备801、802、803所浏览的购物类网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的产品信息查询请求等数据进行分析等处理，并将处理结果(例如目标推送信息、产品信息--仅为示例)反馈给终端设备。
需要说明的是，本发明实施例所提供的商品推荐方法一般由服务器805执行，相应地，商品推荐装置一般设置于服务器805中。
应该理解，图8中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
下面参考图9，其示出了适于用来实现本申请实施例的终端设备或服务器的计算机系统900的结构示意图。图9示出的终端设备或服务器仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图9所示，计算机系统900包括中央处理单元(CPU)901，其可以根据存储在只读存储器(ROM)902中的程序或者从存储部分908加载到随机访问存储器(RAM)903中的程序而执行各种适当的动作和处理。在RAM 903中，还存储有系统900操作所需的各种程序和数据。CPU 901、ROM 902以及RAM 903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。
以下部件连接至I/O接口905：包括键盘、鼠标等的输入部分906；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分907；包括硬盘等的存储部分908；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分909。通信部分909经由诸如因特网的网络执行通信处理。驱动器910也根据需要连接至I/O接口905。可拆卸介质911，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器910上，以便于从其上读出的计算机程序根据需要被安装入存储部分908。
特别地，根据本发明公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分909从网络上被下载和安装，和/或从可拆卸介质911被安装。在该计算机程序被中央处理单元(CPU)901执行时，执行本申请的系统中限定的上述功能。
需要说明的是，本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中，例如，可以描述为：一种处理器包括类目预测模块、品牌预测模块、商品推荐模块。其中，这些模块的名称在某种情况下并不构成对该模块本身的限定，例如，类目预测模块还可以被描述为“用于根据第一用户及其最近邻集合中的各第二用户的过去购买商品的类目转移数据和设定的推荐时间，确定第一用户下次购买商品的候选类目的模块”。
作为另一方面，本发明还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该设备包括：根据第一用户及其最近邻集合中的各第二用户的过去购买商品的类目转移数据和设定的推荐时间，确定所述第一用户下次购买商品的候选类目；利用品牌购买网络中第一品牌与各品牌之间的向量相似度，确定所述第一用户下次购买所述候选类目的商品的候选品牌，所述品牌购买网络基于所有用户购买记录构建，所述第一品牌为所述第一用户过去最近一次购买商品的品牌；基于所述第一用户对于所述候选品牌的各目标商品的价格匹配度，以及所述品牌购买网络中所述第一品牌与所述候选品牌之间的向量相似度，计算所述第一用户对所述各目标商品的购买概率，以根据所述购买概率向所述第一用户推荐所述候选品牌的商品。
根据本发明实施例的技术方案，根据第一用户及其最近邻集合中的各第二用户的过去购买商品的类目转移数据和设定的推荐时间，确定第一用户下次购买商品的候选类目，利用品牌购买网络中第一品牌与各品牌之间的向量相似度，确定第一用户下次购买候选类目的商品的候选品牌；基于第一用户对于候选品牌的各目标商品的价格匹配度，以及第一品牌与候选品牌之间的向量相似度，计算第一用户对各目标商品的购买概率，以根据购买概率推荐商品。能够捕捉用户在不同类目之间的兴趣变化，并将购买时间间隔纳入考虑因素，充分挖掘用户的价格偏好，根据用户的兴趣变化提供多样、丰富、准确的推荐结果。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，取决于设计要求和其他因素，可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (10)

1.一种商品推荐方法，其特征在于，包括：
根据第一用户及其最近邻集合中的各第二用户的过去购买商品的类目转移数据和设定的推荐时间，确定所述第一用户下次购买商品的候选类目；
利用品牌购买网络中第一品牌与各品牌之间的向量相似度，确定所述第一用户下次购买所述候选类目的商品的候选品牌，所述品牌购买网络基于所有用户购买记录构建，所述第一品牌为所述第一用户过去最近一次购买商品的品牌；
基于所述第一用户对于所述候选品牌的各目标商品的价格匹配度，以及所述品牌购买网络中所述第一品牌与所述候选品牌之间的向量相似度，计算所述第一用户对所述各目标商品的购买概率，以根据所述购买概率向所述第一用户推荐所述候选品牌的商品。
2.根据权利要求1所述的方法，其特征在于，用户过去购买商品的类目转移数据包括所述用户的购买类目序列中的类目转移对、所述类目转移对在所述购买类目序列中的出现频次、所述用户在所述类目转移对中两类目的购买时间，所述用户包括所述第一用户和所述第二用户。
3.根据权利要求2所述的方法，其特征在于，所述根据第一用户及其最近邻集合中的各第二用户的过去购买商品的类目转移数据和设定的推荐时间，确定所述第一用户下次购买商品的候选类目，包括：
对于每个所述第二用户，由所述第一用户的所述购买类目序列中的类目转移对得到第一集合，由所述第二用户的所述购买类目序列中的类目转移对得到第二集合，根据所述第一集合和所述第二集合的交集中的所述出现频次的加和，以及所述第一集合和所述第二集合中的所述出现频次的总和，计算得到所述第一用户与所述第二用户的购买类目序列相似度；
对于每个所述第二用户，根据所述第二用户的所述购买类目序列中包括第一类目的目标类目转移对对应的购买时间间隔，以及所述目标类目转移对在所述第二用户的所述购买类目序列中的出现频次，计算所述第二用户在所述目标类目转移对上的初始购买时间间隔偏好，所述第一类目为所述第一品牌所在的类目，所述目标类目转移对对应的购买时间间隔为所述第二用户在所述目标类目转移对中两类目的购买时间之差；
根据所述第一用户与各所述第二用户的购买类目序列相似度，以及各所述第二用户在所述目标类目转移对上的初始购买时间间隔偏好，计算所述第一用户在所述目标类目转移对上的最终购买时间间隔偏好；
根据所述第一用户在所述第一类目的购买时间、所述设定的推荐时间、所述第一用户在所述目标类目转移对上的最终购买时间间隔偏好，计算所述第一用户下次购买商品的各类目的概率，根据所述概率从所述各类目中选出所述候选类目。
4.根据权利要求1所述的方法，其特征在于，所述利用品牌购买网络中第一品牌与各品牌之间的向量相似度，确定所述第一用户下次购买所述候选类目的商品的候选品牌，包括：
通过预设模型对构建的所述品牌购买网络进行学习，得到带有类目个性化的品牌向量表示；
利用所述带有类目个性化的品牌向量表示，计算所述第一品牌与各品牌之间的向量相似度。
5.根据权利要求1所述的方法，其特征在于，还包括通过如下方式计算所述第一用户对于所述候选品牌的各目标商品的价格匹配度：
对于每个所述目标商品，根据所述目标商品的价格、所述目标商品所在类目中商品的最低价格和最高价格，计算所述目标商品的价格隶属于各价格等级的隶属度；
根据各所述目标商品的价格隶属于每个所述价格等级的隶属度，以及所述第一用户对各所述目标商品的满意度，计算所述第一用户的对应每一所述价格等级的用户价格敏感度；
根据所述第一用户的对应每一所述价格等级的用户价格敏感度，以及各所述目标商品的价格隶属于每个所述价格等级的隶属度，计算所述第一用户对于所述候选品牌的各目标商品的价格匹配度。
6.根据权利要求5所述的方法，其特征在于，所述基于所述第一用户对于所述候选品牌的各目标商品的价格匹配度，以及所述品牌购买网络中所述第一品牌与所述候选品牌之间的向量相似度，计算所述第一用户对所述各目标商品的购买概率，包括：
对于每个所述目标商品，将所述第一用户对于所述目标商品的价格匹配度，以及所述品牌购买网络中所述第一品牌与所述目标商品所属品牌之间的向量相似度，分别进行求和以及求加权和；
根据所述求加权和的结果和所述求和的结果，计算得到所述第一用户对每个所述目标商品的购买概率。
7.一种商品推荐装置，其特征在于，包括：
类目预测模块，用于根据第一用户及其最近邻集合中的各第二用户的过去购买商品的类目转移数据和设定的推荐时间，确定所述第一用户下次购买商品的候选类目；
品牌预测模块，用于利用品牌购买网络中第一品牌与各品牌之间的向量相似度，确定所述第一用户下次购买所述候选类目的商品的候选品牌，所述品牌购买网络基于所有用户购买记录构建，所述第一品牌为所述第一用户过去最近一次购买商品的品牌；
商品推荐模块，用于基于所述第一用户对于所述候选品牌的各目标商品的价格匹配度，以及所述品牌购买网络中所述第一品牌与所述候选品牌之间的向量相似度，计算所述第一用户对所述各目标商品的购买概率，以根据所述购买概率向所述第一用户推荐所述候选品牌的商品。
8.根据权利要求7所述的装置，其特征在于，用户过去购买商品的类目转移数据包括所述用户的购买类目序列中的类目转移对、所述类目转移对在所述购买类目序列中的出现频次、所述用户在所述类目转移对中两类目的购买时间，所述用户包括所述第一用户和所述第二用户。
9.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储器，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如权利要求1-6中任一所述的方法。
10.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1-6中任一所述的方法。
CN202010219259.0A 2020-03-25 2020-03-25 一种商品推荐方法和装置 Pending CN113450167A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010219259.0A CN113450167A (zh) 2020-03-25 2020-03-25 一种商品推荐方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010219259.0A CN113450167A (zh) 2020-03-25 2020-03-25 一种商品推荐方法和装置

Publications (1)

Publication Number Publication Date
CN113450167A true CN113450167A (zh) 2021-09-28

Family

ID=77807569

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010219259.0A Pending CN113450167A (zh) 2020-03-25 2020-03-25 一种商品推荐方法和装置

Country Status (1)

Country Link
CN (1) CN113450167A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116757794A (zh) * 2023-08-17 2023-09-15 酒仙网络科技股份有限公司 基于大数据的售酒小程序内产品推荐方法
CN117132368A (zh) * 2023-10-26 2023-11-28 深圳企域数字科技有限公司 一种基于ai的新媒体智能营销平台

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2011005072A2 (en) * 2009-07-09 2011-01-13 Mimos Bhd. Personalized shopping list recommendation based on shopping behavior
CN106779985A (zh) * 2017-02-24 2017-05-31 武汉奇米网络科技有限公司 一种个性化商品排序的方法及系统
CN107437195A (zh) * 2016-05-27 2017-12-05 北京京东尚科信息技术有限公司 向用户推荐商品的方法和装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2011005072A2 (en) * 2009-07-09 2011-01-13 Mimos Bhd. Personalized shopping list recommendation based on shopping behavior
CN107437195A (zh) * 2016-05-27 2017-12-05 北京京东尚科信息技术有限公司 向用户推荐商品的方法和装置
CN106779985A (zh) * 2017-02-24 2017-05-31 武汉奇米网络科技有限公司 一种个性化商品排序的方法及系统

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116757794A (zh) * 2023-08-17 2023-09-15 酒仙网络科技股份有限公司 基于大数据的售酒小程序内产品推荐方法
CN117132368A (zh) * 2023-10-26 2023-11-28 深圳企域数字科技有限公司 一种基于ai的新媒体智能营销平台
CN117132368B (zh) * 2023-10-26 2024-01-30 深圳企域数字科技有限公司 一种基于ai的新媒体智能营销平台

Similar Documents

Publication Publication Date Title
CN110969516B (zh) 一种商品推荐方法及装置
CN114265979B (zh) 确定融合参数的方法、信息推荐方法和模型训练方法
CN112100489B (zh) 对象推荐的方法、装置和计算机存储介质
CN114036398B (zh) 内容推荐和排序模型训练方法、装置、设备以及存储介质
CN111783810A (zh) 用于确定用户的属性信息的方法和装置
CN111429161A (zh) 特征提取方法、特征提取装置、存储介质及电子设备
CN112989146A (zh) 向目标用户推荐资源的方法、装置、设备、介质和程序产品
CN113450167A (zh) 一种商品推荐方法和装置
CN112749323A (zh) 一种构建用户画像的方法和装置
CN111767953B (zh) 用于训练物品编码模型的方法和装置
CN112950321A (zh) 一种物品推荐方法和装置
CN112836128A (zh) 信息推荐方法、装置、设备和存储介质
CN116911953A (zh) 物品推荐方法、装置、电子设备及计算机可读存储介质
CN113495991A (zh) 一种推荐方法和装置
CN116186541A (zh) 一种推荐模型的训练方法及装置
CN115456708A (zh) 推荐模型的训练方法、装置、电子设备和存储介质
CN113516524B (zh) 用于推送信息的方法和装置
CN112100507B (zh) 对象推荐的方法、计算设备和计算机可读存储介质
CN114926234A (zh) 物品信息推送方法、装置、电子设备和计算机可读介质
CN114780847A (zh) 一种对象信息处理、信息推送方法、装置和系统
CN113792952A (zh) 用于生成模型的方法和装置
CN113762992A (zh) 一种处理数据的方法和装置
CN113191840A (zh) 物品信息显示方法、装置、电子设备和计算机可读介质
CN112860999A (zh) 信息推荐方法、装置、设备和存储介质
CN113220983A (zh) 基于深度学习的选品方法和装置

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