CN113450174A - 一种确定相似店铺的方法和装置 - Google Patents
一种确定相似店铺的方法和装置 Download PDFInfo
- Publication number
- CN113450174A CN113450174A CN202010230637.5A CN202010230637A CN113450174A CN 113450174 A CN113450174 A CN 113450174A CN 202010230637 A CN202010230637 A CN 202010230637A CN 113450174 A CN113450174 A CN 113450174A
- Authority
- CN
- China
- Prior art keywords
- shop
- store
- shops
- similar
- pair
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 239000013598 vector Substances 0.000 claims abstract description 105
- 238000003062 neural network model Methods 0.000 claims abstract description 37
- 238000004422 calculation algorithm Methods 0.000 claims description 58
- 238000010586 diagram Methods 0.000 claims description 37
- 238000004590 computer program Methods 0.000 claims description 9
- 239000000126 substance Substances 0.000 claims description 8
- 230000006870 function Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000005295 random walk Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 230000006399 behavior Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000002860 competitive effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
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]
- G06Q30/0623—Item investigation
- G06Q30/0625—Directed, with specific intent or strategy
-
- 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
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Abstract
本发明公开了相似店铺的确定方法和装置,涉及计算机技术领域。该方法的一种具体实施方式包括:获取用户历史数据,所述用户历史数据指示了用户操作的一个或多个店铺、操作时间;根据所述操作时间,将所述店铺划分为一个或多个第一店铺序列,所述店铺序列包括了一个或多个所述店铺;获取每一个所述第一店铺序列中的一个或多个第一店铺对,所述第一店铺对中包括的第一店铺、第二店铺是同一所述第一店铺序列中两个不同的店铺;基于所述第一店铺对,使用神经网络模型,确定所述第一店铺的特征向量;根据所述第一店铺的特征向量的相似度,确定所述第一店铺对应的一个或多个相似店铺。该实施方式提高了确定的相似店铺的准确性及全面性。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种确定相似店铺的方法和装置。
背景技术
随着电子商务的发展,越来越多的商家开始入住电子商务平台,为提高商家店铺的竞争优势,商家店铺通常不仅需要关注自身店铺的经营状况,往往还需要关注其他相似店铺的经营状况,以便制定有利于店铺发展的经营策略。
目前,常用的寻找相似店铺的方法主要包括:基于店铺名称对应的关键词寻找相似店铺;基于店铺经营品类进行相似度计算寻找相似店铺。
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:由于店铺名称与店铺经营商品种类相关性较低,基于店铺名称关键词搜寻到的相似店铺与实际相似店铺偏差大、准确性低;基于店铺经营品类获取的店铺数量繁多,仅考虑了商品品类本身而无法匹配店铺的店铺实际的经营状况、发展阶段等。
发明内容
有鉴于此,本发明提供一种相似店铺的确定方法和装置,能够基于用户点击、浏览店铺的行为生成用于描述店铺的特征向量,进而根据特征向量的相似度确定一个或多个相似店铺,由于该特征向量能更加动态地表征店铺,从而使得到的相似店铺更准确、更全面。
为实现上述目的,根据本发明的第一方面,提供了一种相似店铺的确定方法,包括:
获取用户历史数据,所述用户历史数据指示了用户操作的一个或多个店铺、操作时间;
根据所述操作时间,将所述店铺划分为一个或多个第一店铺序列,所述店铺序列包括了一个或多个所述店铺;
获取每一个所述第一店铺序列中的一个或多个第一店铺对,所述第一店铺对中包括的第一店铺、第二店铺是同一所述第一店铺序列中两个不同的店铺;
基于所述第一店铺对,使用神经网络模型,确定所述第一店铺的特征向量;
根据所述第一店铺的特征向量的相似度,确定所述第一店铺对应的一个或多个相似店铺。
可选地,所述神经网络模型包括:输入层、隐藏层、输出层;其中,
所述输入层,用于获取所述第一店铺对中的第一店铺、第二店铺;
所述隐藏层,用于生成所述第一店铺的特征向量;
所述输出层,用于根据所述第一店铺的特征向量,预测所述第一店铺的相似店铺,并在所预测的相似店铺与所述第二店铺不一致的情况下,更新所述第一店铺的特征向量。
可选地,还包括:
在获取每一个所述第一店铺序列中的一个或多个第一店铺对之后,计算所有所述第一店铺序列中所述第一店铺对的数量;
根据所述第一店铺对、所述第一店铺对的数量构建店铺关联图,所述店铺关联图的节点指示了所述店铺、所述店铺关联图的边指示了所述店铺对的数量;
根据所述店铺关联图,基于图嵌入算法,为每一个所述店铺生成一个或多个预设长度的第二店铺序列,所述第二店铺序列包括了所述店铺及与获取每一个所述第二店铺序列中的第二店铺对,所述第二店铺对包括了同一所述第二店铺序列中两个不同的店铺;
所述店铺对应节点邻近的一个或多个店铺;
基于所述第二店铺对,使用神经网络模型,确定所述第二店铺对中第一店铺的特征向量。
可选地,还包括:
在所述第一店铺序列中的所述店铺数量不在阈值区间的情况下,删除所述第一店铺序列。
可选地,所述神经网络模型采用的算法为Word2Vec算法。
可选地,所述图嵌入算法为下述任一种:Node2Vec算法、DeepWalk算法、Line算法。
可选地,根据下述任一种计算所述店铺的特征向量的相似度:余弦距离、杰卡德距离、欧式距离。
为实现上述目的,根据本发明的第二方面,提供了一种相似店铺的确定装置,包括:数据获取模块、店铺序列获取模块、店铺对获取模块、特征向量确定模块、相似店铺确定模块;其中,
所述数据获取模块,用于获取用户历史数据,所述用户历史数据指示了用户操作的一个或多个店铺、操作时间;
所述店铺序列获取模块,用于根据所述操作时间,将所述店铺划分为一个或多个第一店铺序列,所述第一店铺序列包括了一个或多个所述店铺;
所述店铺对获取模块,用于获取每一个所述第一店铺序列中的一个或多个第一店铺对,所述第一店铺对中包括的第一店铺、第二店铺是同一所述第一店铺序列中两个不同的店铺;
所述特征向量确定模块,用于基于所述第一店铺对,使用神经网络模型,确定所述第一店铺的特征向量;
所述相似店铺确定模块,用于根据所述第一店铺的特征向量的相似度,确定所述第一店铺对应的一个或多个相似店铺。
可选地,所述神经网络模型包括:输入层、隐藏层、输出层;其中,
所述输入层,用于获取所述第一店铺对中的第一店铺、第二店铺;
所述隐藏层,用于生成所述第一店铺的特征向量;
所述输出层,用于根据所述第一店铺的特征向量,预测所述第一店铺的相似店铺,并在所预测的相似店铺与所述第二店铺不一致的情况下,更新所述第一店铺的特征向量。
可选地,所述店铺对获取模块,还用于,
在获取每一个所述第一店铺序列中的一个或多个第一店铺对之后,计算所有所述第一店铺序列中的所述第一店铺对的数量;
根据所述第一店铺对、所述第一店铺对的数量构建店铺关联图,所述店铺关联图的节点指示了所述店铺、所述店铺关联图的边指示了所述店铺对的数量;
根据所述店铺关联图,基于图嵌入算法,为每一个所述店铺生成一个或多个预设长度的第二店铺序列,所述第二店铺序列包括了所述店铺及与所述店铺对应节点邻近的一个或多个店铺;
获取每一个所述第二店铺序列中的第二店铺对,所述第二店铺对包括了同一所述第二店铺序列中两个不同的店铺;
所述特征向量确定模块,还用于基于所述第二店铺对,使用神经网络模型,确定所述第二店铺对中第一店铺的特征向量。
可选地,所述店铺序列获取模块,还用于,
在所述第一店铺序列中的所述店铺数量不在阈值区间的情况下,删除所述第一店铺序列。
可选地,所述神经网络模型采用的算法为Word2Vec算法。
可选地,所述图嵌入算法为下述任一种:Node2Vec算法、DeepWalk算法、Line算法。
可选地,根据下述任一种计算所述店铺的特征向量的相似度:余弦距离、杰卡德距离、欧式距离。
为实现上述目的,根据本发明的第三方面,提供了一种用于确定店铺相似度的电子设备,包括:一个或多个处理器;存储装置,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,使得所述一个或多个处理器实现如上所述的相似店铺确定方法中任一所述的方法。
为实现上述目的,根据本发明的第四方面,提供了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上所述的相似店铺确定方法中任一所述的方法。
上述发明中具有如下优点或有益效果:基于用户点击、浏览店铺的历史行,基于神经网络算法为生成用于描述店铺的特征向量,进而根据特征向量的相似度确定一个或多个相似店铺,由于该特征向量能更加动态地表征店铺,从而使得到的相似店铺更准确、更全面。除此之外,还通过图嵌入算法生成训练样本,进一步优化了通过神经网络算法获取的用于描述店铺的特征向量,使基于特征向量的相似度得到的相似店铺更加准确、全面。
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是根据本发明实施例的相似店铺的确定方法的主要流程的示意图;
图2是根据本发明实施例的神经网络模型的主要结构的示意图;
图3是根据本发明实施例的另一相似店铺的确定方法的主要流程的示意图;
图4a是根据本发明实施例的店铺关联图的主要结构的示意图;
图4b是根据本发明实施例的采用有偏的随机游走方式获取顶点的近邻序列的示意图;
图5是根据本发明实施例的相似店铺的确定装置的主要模块的示意图;
图6是本发明实施例可以应用于其中的示例性系统架构图;
图7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是根据本发明实施例的相似店铺的确定方法的主要流程的示意图;如图1所示,该相似店铺的确定方法具体可以包括的步骤如下:
步骤S101,获取用户历史数据,所述用户历史数据指示了用户操作的一个或多个店铺、操作时间。
用户操作包括但不限于浏览、点击、曝光、搜索、加购、购买等行为,对应的用户历史数据则为一个月或三个月等一段时间内的用户浏览店铺、点击店铺、搜索店铺、将店铺商品加入购物车、购买店铺商品等历史记录。如以用户历史数据为电子商务平台用户一个月内浏览商铺的历史记录为例进行说明,获取到的用户历史数据具体如下:
用户1:[店铺1,店铺2,店铺3,店铺3,店铺4…]
用户2:[店铺1,店铺2]
用户3:[店铺2,店铺3…]
其中,店铺的顺序即为用户在实际浏览店铺时顺序。因此,可以理解的是,同一用户的历史数据中可能记载了重复出现的一个或多个店铺。而不同用户浏览的店铺顺序可能相同也可能不相同。
步骤S102,根据所述操作时间,将所述店铺划分为一个或多个第一店铺序列,所述店铺序列包括了一个或多个所述店铺。
所谓的相似店铺是指用户有可能考虑购买店铺商品的替代店铺。因此可以理解的是,在一段时间内用户浏览点击的店铺在一定程度上可以看作是可以提供相同商品或商品替代品的店铺,即具有一定的相似性。在实际的执行过程中,对于不同品类的商品用户在浏览商品详情页或获取商品的用户评价等信息时所花费的时间不同,因而可以根据不同的商品品类,将同一用户的历史数据按照一定的时间间隔(如30分钟、15分钟)等进行划分,以获取一个或多个用户在一定时间内按时间顺序浏览的第一店铺序列,具体示例如下:
用户1:[店铺1,店铺2,店铺3]
用户1:[店铺3,店铺4]
用户2:[店铺1,店铺2]
用户3:[店铺2,店铺3]
在一种可选的实施方式中,在所述第一店铺序列中的所述店铺数量不在阈值区间的情况下,删除所述第一店铺序列。可以理解的是,不同用户在相同时间间隔内浏览的店铺数量以及店铺序列具有不确定性。因此,为保证店铺序列的有效性,避免恶意大量浏览店铺或浏览店铺数量稀少对相似店铺计算的干扰,删除店铺数量不在阈值区间内的第一店铺序列,而阈值区间则可以根据实际需求进行设定,如[2-100]、[3-50]等,具体以阈值区间为[2-100]为例进行说明,则仅保留店铺数量既不小于2也不大于100的第一店铺序列中。
步骤S103,获取每一个所述第一店铺序列中的一个或多个第一店铺对,所述第一店铺对中包括的第一店铺、第二店铺是同一所述第一店铺序列中两个不同的店铺。可以理解的是,为保证从第一店铺序列中选取的两个店铺不相同,既可以将第一店铺序列中的相同店铺进行去重处理,也可以在两两组合选择店铺对时进行去重处理,以保证第一店铺对中的两个店铺不同。
具体地,仍以上述第一店铺序列为例进行说明,则从第一店铺序列中获取的第一店铺对以及所有第一店铺序列中第一店铺对的数量具体如下表1所示:
表1第一店铺对及数量
第一店铺对 | 第一店铺对的数量 |
[店铺1,店铺2] | 2 |
[店铺1,店铺3] | 1 |
[店铺2,店铺3] | 2 |
[店铺3,店铺4] | 1 |
具体地,以第一店铺对[店铺1,店铺2]为例进行说明,其中,店铺1则默认为第一店铺、店铺2则默认为第二店铺,反之亦然。
步骤S104,基于所述第一店铺对,使用神经网络模型,确定所述第一店铺的特征向量。
店铺的特征向量即为用于描述或者表征该店铺的向量,由于该特征向量是基于用户历史数据或者用户行为得到的,因而该特征向量能更准确的从用户行为角度表示店铺,对应确定的相似店铺也是与用户行为强相关联的店铺。
在一种可选的实施方式中,所述神经网络模型包括:输入层、隐藏层、输出层;其中,所述输入层,用于获取所述第一店铺对中的第一店铺、第二店铺;所述隐藏层,用于生成所述第一店铺的特征向量;所述输出层,用于根据所述第一店铺的特征向量,预测所述第一店铺的相似店铺,并在所预测的相似店铺与所述第二店铺不一致的情况下,更新所述第一店铺的特征向量。可以理解的是,神经网络模型中隐藏层的数量可以根据实际需求设定为一个、两个或多个。
具体地,参见图2,以神经网络模型采用的算法为Word2Vec算法为例进行说明,该神经网络模型即为skip-gram模型,该skip-gram模型包含一个输入(Input Vector)、一个隐藏层(Hidden Layer)、一个输出层(Output Layer)。假定输入层向量为x,大小为n*1,则隐藏层向量h与输入层向量x的映射关系如下述公式所示:
h=WT·x+b
其中,W为大小为n*m的矩阵,b为大小为m*1的向量,W、b在开始会被随机生成;n则是指输入向量x的大小(如图2中的300),m则只是输入向量x的总数量(如图2中的10000)。在此基础上,向输入层输入第一店铺对对应的向量(x,y),其中x为第一店铺对中的一个店铺对应的向量,y为第一店铺对中的另一店铺对应的向量,即采用y作为x在神经网络模型中对应的标签或输出,对神经网络模型进行训练及优化,也即更新隐藏层向量参数W、b的取值。可以理解的是,在最开始采用神经网络模型进行训练时,向量x、y是随机生成的用于分别表示不同店铺的不同向量。在基于输入向量x得到隐藏层向量h的基础上,得到输出层,然后将输出层结果进行softmax操作,softmax函数如下述公式所示:
计算得到损失后,进行梯度下降反向对权重求导重求导(具体公式如下),令导数为0即梯度下降最快的方向,更新权重W、b,更新后的权重再进行前向隐藏层输出层softmax计算反复迭代更新权重W、b,直至损失满足需求,确定W、b,则确定隐藏层向量h=WT·x+b为向量x对应的店铺的特征向量,即使用隐藏层向量h为店铺的特征向量以获取相似店铺。
在一种可选的实施方式中,在获取每一个所述第一店铺序列中的一个或多个第一店铺对之后,计算所有所述第一店铺序列中所述第一店铺对的数量;根据所述第一店铺对、所述第一店铺对的数量构建店铺关联图,所述店铺关联图的节点指示了所述店铺、所述店铺关联图的边指示了所述店铺对的数量;根据所述店铺关联图,基于图嵌入算法,为每一个所述店铺生成一个或多个预设长度的第二店铺序列,所述第二店铺序列包括了所述店铺及与所述店铺对应节点邻近的一个或多个店铺;获取每一个所述第二店铺序列中的第二店铺对,所述第二店铺对包括了同一所述第二店铺序列中两个不同的店铺;基于所述第二店铺对,使用神经网络模型,确定所述店铺的特征向量。
也即是说,通过采用图嵌入算法对第一店铺对进行处理,以及生成第二店铺对,并使用第二店铺对作为训练样本,以基于神经网络模型进行训练,不仅保证了样本的多样性,还保证了样本的有效性,从而使得基于神经网络模型确定的店铺的特征向量更能准确描述店铺。
在一种可选的实施方式中,所述图嵌入算法为下述任一种:Node2Vec算法、DeepWalk算法、Line算法。在本发明实施例中优选采用Node2Vec算法,通过有偏随机游走的方式得到第二店铺序列,进而得到第二店铺对。
步骤S105,根据所述第一店铺的特征向量的相似度,确定所述第一店铺对应的一个或多个相似店铺。
在此基础上,对于每个店铺的特征向量与其他所有店铺的特征向量计算余弦相似度,则可以根据余弦相似度的大小按降序排序,然后根据实际需求取前20、30或100等的店铺即为最终的相似店铺。
基于上述实施例,基于用户点击、浏览店铺的历史行,基于神经网络算法为生成用于描述店铺的特征向量,进而根据特征向量的相似度确定一个或多个相似店铺,由于该特征向量能更加动态地表征店铺,从而使得到的相似店铺更准确、更全面。除此之外,还通过图嵌入算法生成训练样本,进一步优化了通过神经网络算法获取的用于描述店铺的特征向量,使基于特征向量的相似度得到的相似店铺更加准确、全面。
参见图3,在上述实施例的基础上,本发明实施例提供了另一种相似店铺的确定方法,该方法具体可以包括的步骤如下:
步骤S301,获取用户历史数据,所述用户历史数据指示了用户操作的一个或多个店铺、操作时间。
步骤S302,根据所述操作时间,将所述店铺划分为一个或多个第一店铺序列,所述店铺序列包括了一个或多个所述店铺。
步骤S303,获取每一个所述第一店铺序列中的一个或多个第一店铺对,所述第一店铺对包括的第一店铺、第二店铺是同一所述第一店铺序列中两个不同的店铺。
步骤S304,计算所有所述第一店铺序列中所述第一店铺对的数量。具体地,仍见参见表1,则计算得到的第一店铺对及对应的数量分别是:[店铺1,店铺2]的数量为2、[店铺1,店铺3]的数量为1、[店铺2,店铺3]的数量为2、[店铺3,店铺4]的数量为1。
步骤S305,根据所述第一店铺对、所述第一店铺对的数量构建店铺关联图,所述店铺关联图的节点指示了所述店铺、所述店铺关联图的边指示了所述店铺对的数量。
具体地,参见图4a及表1,根据表1中的第一店铺对以及第一店铺对对应的数量,构建的店铺关联图如图4a所示,其中,店铺关联图的节点即为店铺1、店铺2、店铺3、店铺4,由于第一店铺对[店铺1,店铺2]的数量为2,因而店铺1与店铺2之间具有边且该边的权重为2;而由于第一店铺对[店铺2,店铺4]未曾出现,也即对应的数量为0,店铺2与店铺4之间不具有边。
步骤S306,根据所述店铺关联图,基于图嵌入算法,为每一个所述店铺生成一个或多个预设长度的第二店铺序列,所述第二店铺序列包括了所述店铺及与所述店铺对应节点邻近的一个或多个店铺。
可以理解的是,可采用的图嵌入算法包括但不限于Node2Vec算法、DeepWalk算法、Line算法,但在本发明的实施例中仅以采用Node2Vec算法为例进行说明,计算过程如下:
以上述步骤中构建的店铺关联图为输入,采用有偏的随机游走方式获取店铺关联图中节点对应的邻近节点(即店铺)的序列。给定当前节点v,则邻近节点序列中下一个是节点x的概率P可由下式计算得到:
其中ωvx为顶点v与x的边的权重值,dtx为顶点t到顶点x之间最短路径的距离。p、q为参数,p用于控制重复访问刚刚访问过的顶点的概率。q控制着游走是向外还是向内,若q>1,随机游走倾向于访问和t接近的顶点(偏向BFS)。若q<1,倾向于访问远离t的顶点(偏向DFS)。具体地,参见图4b,该图描述的是当从t访问到v时,决定下一个访问顶点时每个顶点对应的αpq,其中p=100、q=0.5,则对于店铺关联图中的每个节点生成一个或多个长度为预设长度(如6)的节点邻近序列,即第二店铺序列,具体示例如下:
[店铺13333,店铺5,店铺339,店铺20,店铺9999…]
[店铺13333,店铺255,店铺33,店铺10,店铺91…]
[店铺33,店铺5,店铺339,店铺10,店铺999…]
[店铺233,店铺44,店铺33,店铺30,店铺44…]
步骤S307,获取每一个所述第二店铺序列中的第二店铺对,所述第二店铺对包括了同一所述第二店铺序列中两个不同的店铺。具体地,仍以上述的第二店铺序列为例,根据两两组合的方式,从第二店铺序列中获取第二店铺对,具体示例如下:
[店铺33,店铺5]、[店铺33,店铺339]、[店铺5,店铺33]、[店铺5,店铺339]、[店铺5,店铺10]、[店铺339,店铺33]、[店铺339,店铺5]、[店铺339,店铺10]、[店铺339,店铺999]、[店铺10,店铺5]、[店铺10,店铺339]、[店铺10,店铺999]、[店铺10,店铺1]、[店铺999,店铺339]、[店铺999,店铺10]、[店铺999,店铺1]、[店铺1,店铺10]、[店铺1,店铺999]
其中,第二店铺对中的第一个店铺默认为第一店铺、第二个店铺即为第二店铺,以第二店铺对[店铺33,店铺5]为例,则其中店铺33是第一店铺,店铺5为第二店铺。可以理解的是,在用于确定店铺的特征向量的神经网络模型允许的情况下,还可以从第二店铺序列中任意选取三个或多个店铺生成店铺组合,以使用神经网络模型进行训练,进而得到店铺对应的特征向量,本发明实施例中仅以两两组合以获取第二店铺对为例进行说明。
步骤S308,基于所述第二店铺对,使用神经网络模型,确定所述第二店铺对中第一店铺的特征向量。
步骤S309,根据所述第一店铺的特征向量的相似度,确定所述第一店铺对应的一个或多个相似店铺。
参见图5,在上述实施例的基础上,本发明实施例提供一种相似店铺的确定装置500,其特征在于,包括:数据获取模块501、店铺序列获取模块502、店铺对获取模块503、特征向量确定模块504、相似店铺确定模块505;其中,
所述数据获取模块501,用于获取用户历史数据,所述用户历史数据指示了用户操作的一个或多个店铺、操作时间;
所述店铺序列获取模块502,用于根据所述操作时间,将所述店铺划分为一个或多个第一店铺序列,所述第一店铺序列包括了一个或多个所述店铺;
所述店铺对获取模块503,用于获取每一个所述第一店铺序列中的一个或多个第一店铺对,所述第一店铺对中包括的第一店铺、第二店铺是同一所述第一店铺序列中两个不同的店铺;
所述特征向量确定模块504,用于基于所述第一店铺对,使用神经网络模型,确定所述第一店铺的特征向量;
所述相似店铺确定模块505,用于根据所述第一店铺的特征向量的相似度,确定所述第一店铺对应的一个或多个相似店铺。
在一种可选的实施方式中,所述神经网络模型包括:输入层、隐藏层、输出层;其中,
所述输入层,用于获取所述第一店铺对中的第一店铺、第二店铺;
所述隐藏层,用于生成所述第一店铺的特征向量;
所述输出层,用于根据所述第一店铺的特征向量,预测所述第一店铺的相似店铺,并在所预测的相似店铺与所述第二店铺不一致的情况下,更新所述第一店铺的特征向量。
在一种可选的实施方式中,所述店铺对获取模块503,还用于,
在获取每一个所述第一店铺序列中的一个或多个第一店铺对之后,计算所有所述第一店铺序列中的所述第一店铺对的数量;
根据所述第一店铺对、所述第一店铺对的数量构建店铺关联图,所述店铺关联图的节点指示了所述店铺、所述店铺关联图的边指示了所述店铺对的数量;
根据所述店铺关联图,基于图嵌入算法,为每一个所述店铺生成一个或多个预设长度的第二店铺序列,所述第二店铺序列包括了所述店铺及与所述店铺对应节点邻近的一个或多个店铺;
获取每一个所述第二店铺序列中的第二店铺对,所述第二店铺对包括了同一所述第二店铺序列中两个不同的店铺;
所述特征向量确定模块,还用于基于所述第二店铺对,使用神经网络模型,确定所述第二店铺对中第一店铺的特征向量。
在一种可选的实施方式中,所述店铺序列获取模块502,还用于,
在所述第一店铺序列中的所述店铺数量不在阈值区间的情况下,删除所述第一店铺序列。
在一种可选的实施方式中,所述神经网络模型采用的算法为Word2Vec算法。
在一种可选的实施方式中,所述图嵌入算法为下述任一种:Node2Vec算法、DeepWalk算法、Line算法。
在一种可选的实施方式中,根据下述任一种计算所述店铺的特征向量的相似度:余弦距离、杰卡德距离、欧式距离。
图6示出了可以应用本发明实施例的相似店铺的确定方法或相似店铺的确定装置的示例性系统架构600。
如图6所示,系统架构600可以包括终端设备601、602、603,网络604和服务器605。网络604用以在终端设备601、602、603和服务器605之间提供通信链路的介质。网络604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601、602、603通过网络604与服务器605交互,以接收或发送消息等。终端设备601、602、603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。
终端设备601、602、603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605可以是提供各种服务的服务器,例如对用户利用终端设备601、602、603所浏览的购物类网站提供支持的后台管理服务器。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(相似店铺)反馈给终端设备。
需要说明的是,本发明实施例所提供的相似店铺的确定方法一般由服务器605执行,相应地,相似店铺的确定装置一般设置于服务器605中。
应该理解,图6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7,其示出了适于用来实现本发明实施例的终端设备的计算机系统700的结构示意图。图7示出的终端设备仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图7所示,计算机系统700包括中央处理单元(CPU)701,其可以根据存储在只读存储器(ROM)702中的程序或者从存储部分708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中,还存储有系统700操作所需的各种程序和数据。CPU 701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
以下部件连接至I/O接口705:包括键盘、鼠标等的输入部分706;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707;包括硬盘等的存储部分708;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709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至I/O接口705。可拆卸介质711,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710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708。
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709从网络上被下载和安装,和/或从可拆卸介质711被安装。在该计算机程序被中央处理单元(CPU)701执行时,执行本发明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。在本发明中,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。而在本发明中,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,图示了按照本发明各种实施例的系统、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:一种处理器包括数据获取模块、店铺序列获取模块、店铺对获取模块、特征向量确定模块、相似店铺确定模块。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,数据获取模块还可以被描述为“用于获取用户历史数据,所述用户历史数据指示了用户操作的一个或多个店铺、操作时间的模块”。
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:获取用户历史数据,所述用户历史数据指示了用户操作的一个或多个店铺、操作时间;根据所述操作时间,将所述店铺划分为一个或多个第一店铺序列,所述店铺序列包括了一个或多个所述店铺;获取每一个所述第一店铺序列中的一个或多个第一店铺对,所述第一店铺对包括了同一所述第一店铺序列中两个不同的店铺;基于所述第一店铺对,使用神经网络模型,确定所述店铺的特征向量;根据所述店铺的特征向量的相似度,确定所述店铺对应的一个或多个相似店铺。
根据本发明实施例的技术方案,基于用户点击、浏览店铺的历史行,基于神经网络算法为生成用于描述店铺的特征向量,进而根据特征向量的相似度确定一个或多个相似店铺,由于该特征向量能更加动态地表征店铺,从而使得到的相似店铺更准确、更全面。除此之外,还通过图嵌入算法生成训练样本,进一步优化了通过神经网络算法获取的用于描述店铺的特征向量,使基于特征向量的相似度得到的相似店铺更加准确、全面。
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 (16)
1.一种相似店铺的确定方法,其特征在于,包括:
获取用户历史数据,所述用户历史数据指示了用户操作的一个或多个店铺、操作时间;
根据所述操作时间,将所述店铺划分为一个或多个第一店铺序列,所述店铺序列包括了一个或多个所述店铺;
获取每一个所述第一店铺序列中的一个或多个第一店铺对,所述第一店铺对中包括的第一店铺、第二店铺是同一所述第一店铺序列中两个不同的店铺;
基于所述第一店铺对,使用神经网络模型,确定所述第一店铺的特征向量;
根据所述第一店铺的特征向量的相似度,确定所述第一店铺对应的一个或多个相似店铺。
2.根据权利要求1所述的相似店铺的确定方法,其特征在于,所述神经网络模型包括:输入层、隐藏层、输出层;其中,
所述输入层,用于获取所述第一店铺对中的第一店铺、第二店铺;
所述隐藏层,用于生成所述第一店铺的特征向量;
所述输出层,用于根据所述第一店铺的特征向量,预测所述第一店铺的相似店铺,并在所预测的相似店铺与所述第二店铺不一致的情况下,更新所述第一店铺的特征向量。
3.根据权利要求2所述的相似店铺的确定方法,其特征在于,还包括:
在获取每一个所述第一店铺序列中的一个或多个第一店铺对之后,计算所有所述第一店铺序列中所述第一店铺对的数量;
根据所述第一店铺对、所述第一店铺对的数量构建店铺关联图,所述店铺关联图的节点指示了所述店铺、所述店铺关联图的边指示了所述店铺对的数量;
根据所述店铺关联图,基于图嵌入算法,为每一个所述店铺生成一个或多个预设长度的第二店铺序列,所述第二店铺序列包括了所述店铺及与获取每一个所述第二店铺序列中的第二店铺对,所述第二店铺对包括了同一所述第二店铺序列中两个不同的店铺;
所述店铺对应节点邻近的一个或多个店铺;
基于所述第二店铺对,使用神经网络模型,确定所述第二店铺对中第一店铺的特征向量。
4.根据权利要求1所述的相似店铺的确定方法,其特征在于,还包括:
在所述第一店铺序列中的所述店铺数量不在阈值区间的情况下,删除所述第一店铺序列。
5.根据权利要求1所述的相似店铺的确定方法,其特征在于,
所述神经网络模型采用的算法为Word2Vec算法。
6.根据权利要求3所述的相似店铺的确定方法,其特征在于,
所述图嵌入算法为下述任一种:Node2Vec算法、DeepWalk算法、Line算法。
7.根据权利要求1所述的相似店铺的确定方法,其特征在于,
根据下述任一种计算所述店铺的特征向量的相似度:余弦距离、杰卡德距离、欧式距离。
8.一种相似店铺的确定装置,其特征在于,包括:数据获取模块、店铺序列获取模块、店铺对获取模块、特征向量确定模块、相似店铺确定模块;其中,
所述数据获取模块,用于获取用户历史数据,所述用户历史数据指示了用户操作的一个或多个店铺、操作时间;
所述店铺序列获取模块,用于根据所述操作时间,将所述店铺划分为一个或多个第一店铺序列,所述第一店铺序列包括了一个或多个所述店铺;
所述店铺对获取模块,用于获取每一个所述第一店铺序列中的一个或多个第一店铺对,所述第一店铺对中包括的第一店铺、第二店铺是同一所述第一店铺序列中两个不同的店铺;
所述特征向量确定模块,用于基于所述第一店铺对,使用神经网络模型,确定所述第一店铺的特征向量;
所述相似店铺确定模块,用于根据所述第一店铺的特征向量的相似度,确定所述店铺对应的一个或多个相似店铺。
9.根据权利要求8所述的相似店铺的确定装置,其特征在于,所述神经网络模型包括:输入层、隐藏层、输出层;其中,
所述输入层,用于获取所述第一店铺对中的第一店铺、第二店铺;
所述隐藏层,用于生成所述第一店铺的特征向量;
所述输出层,用于根据所述第一店铺的特征向量,预测所述第一店铺的相似店铺,并在所预测的相似店铺与所述第二店铺不一致的情况下,更新所述第一店铺的特征向量。
10.根据权利要求9所述的相似店铺的确定装置,其特征在于,所述店铺对获取模块,还用于,
在获取每一个所述第一店铺序列中的一个或多个第一店铺对之后,计算所有所述第一店铺序列中的所述第一店铺对的数量;
根据所述第一店铺对、所述第一店铺对的数量构建店铺关联图,所述店铺关联图的节点指示了所述店铺、所述店铺关联图的边指示了所述店铺对的数量;
根据所述店铺关联图,基于图嵌入算法,为每一个所述店铺生成一个或多个预设长度的第二店铺序列,所述第二店铺序列包括了所述店铺及与所述店铺对应节点邻近的一个或多个店铺;
获取每一个所述第二店铺序列中的第二店铺对,所述第二店铺对包括了同一所述第二店铺序列中两个不同的店铺;
所述特征向量确定模块,还用于基于所述第二店铺对,使用神经网络模型,确定所述第二店铺对中第一店铺的特征向量。
11.根据权利要求8所述的相似店铺的确定装置,其特征在于,所述店铺序列获取模块,还用于,
在所述第一店铺序列中的所述店铺数量不在阈值区间的情况下,删除所述第一店铺序列。
12.根据权利要求8所述的相似店铺的确定装置,其特征在于,
所述神经网络模型采用的算法为Word2Vec算法。
13.根据权利要求8所述的相似店铺的确定装置,其特征在于,
所述图嵌入算法为下述任一种:Node2Vec算法、DeepWalk算法、Line算法。
14.根据权利要求8所述的相似店铺的确定装置,其特征在于,
根据下述任一种计算所述店铺的特征向量的相似度:余弦距离、杰卡德距离、欧式距离。
15.一种用于确定店铺相似度的电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,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,使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。
16.一种计算机可读介质,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1-7中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010230637.5A CN113450174A (zh) | 2020-03-27 | 2020-03-27 | 一种确定相似店铺的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010230637.5A CN113450174A (zh) | 2020-03-27 | 2020-03-27 | 一种确定相似店铺的方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113450174A true CN113450174A (zh) | 2021-09-28 |
Family
ID=77807874
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010230637.5A Pending CN113450174A (zh) | 2020-03-27 | 2020-03-27 | 一种确定相似店铺的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113450174A (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015065590A1 (en) * | 2013-11-04 | 2015-05-07 | Oracle International Corporation | Item-to-item similarity generation |
CN110473043A (zh) * | 2018-05-11 | 2019-11-19 | 北京京东尚科信息技术有限公司 | 一种基于用户行为的物品推荐方法和装置 |
-
2020
- 2020-03-27 CN CN202010230637.5A patent/CN113450174A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015065590A1 (en) * | 2013-11-04 | 2015-05-07 | Oracle International Corporation | Item-to-item similarity generation |
CN110473043A (zh) * | 2018-05-11 | 2019-11-19 | 北京京东尚科信息技术有限公司 | 一种基于用户行为的物品推荐方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109145280A (zh) | 信息推送的方法和装置 | |
CN108520470B (zh) | 用于生成用户属性信息的方法和装置 | |
CN110363604B (zh) | 页面生成方法和装置 | |
TWI579787B (zh) | 即時電子優惠券分配系統與方法 | |
CN109711917B (zh) | 信息推送方法和装置 | |
CN111274341A (zh) | 一种网点选址方法和装置 | |
CN112347147A (zh) | 基于用户关联关系的信息推送方法、装置及电子设备 | |
CN112116426A (zh) | 一种推送物品信息的方法和装置 | |
CN107291835B (zh) | 一种搜索词的推荐方法和装置 | |
CN108512674B (zh) | 用于输出信息的方法、装置和设备 | |
CN109978594B (zh) | 订单处理方法、装置及介质 | |
CN107291923B (zh) | 信息处理方法和装置 | |
CN112950321A (zh) | 一种物品推荐方法和装置 | |
US8589412B2 (en) | Selecting a data element in a network | |
CN113495991A (zh) | 一种推荐方法和装置 | |
CN110827044A (zh) | 提取用户兴趣模式的方法和装置 | |
CN115423555A (zh) | 一种商品推荐方法、装置、电子设备及存储介质 | |
CN113450174A (zh) | 一种确定相似店铺的方法和装置 | |
CN110807095A (zh) | 一种物品匹配方法和装置 | |
CN110019531A (zh) | 一种获取相似对象集合的方法和装置 | |
CN113763080A (zh) | 推荐物品的确定方法、装置、电子设备和存储介质 | |
CN110555053B (zh) | 用于输出信息的方法和装置 | |
CN113327145A (zh) | 一种物品推荐方法和装置 | |
CN112529646A (zh) | 一种商品分类方法和装置 | |
CN113450167A (zh) | 一种商品推荐方法和装置 |
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 |