CN113610608B - 一种用户偏好推荐方法、装置、电子设备及存储介质 - Google Patents
一种用户偏好推荐方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113610608B CN113610608B CN202110955109.0A CN202110955109A CN113610608B CN 113610608 B CN113610608 B CN 113610608B CN 202110955109 A CN202110955109 A CN 202110955109A CN 113610608 B CN113610608 B CN 113610608B
- Authority
- CN
- China
- Prior art keywords
- user
- users
- community
- similarity
- category
- 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
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
Abstract
本发明公开了一种用户偏好推荐方法、装置、电子设备及存储介质,用于解决无法对用户进行有效且精准的产品推荐,实现用户的个性化运营的技术问题。其中,方法包括:获取多个用户的消费记录;根据所述消费记录,生成用户相似度矩阵;根据所述用户和用户相似度矩阵,生成用户相似图;基于所述用户相似图将多个用户划分为至少一个社群;根据所述社群中的用户的消费记录,建立品类时间转换矩阵;采用所述品类时间转换矩阵为所述用户进行偏好推荐。
Description
技术领域
本发明涉及信息推荐技术领域,尤其涉及一种用户偏好推荐方法、装置、电子设备及存储介质。
背景技术
会员制度是很多企业所采取的营销手段,当注册会员总量达到一定量级时,将会产生庞大的消费数据。而在消费数据的基础上,会产生远比消费数据量级更大的会员标签数据。从会员标签数据,可以获取一个会员在一段时间内的消费倾向,从而有选择地为该会员进行消费推荐,促进业务发展。因此,如何从海量的会员标签数据中寻找用户人群特征,挖掘用户品类偏好,实现用户的个性化运营,是提高用户全生命周期价值的重要手段。
在实际应用中,一般通过统计用户对于产品的重复购买率来分析用户的品类偏好。
然而,上述方式无法对用户在购买某一产品之后的消费倾向做出判断,从而无法对用户进行有效而精准的产品推荐,实现用户的个性化运营。
发明内容
本发明提供了一种用户偏好推荐方法、装置、电子设备及存储介质,用于解决无法对用户进行有效且精准的产品推荐,实现用户的个性化运营的技术问题。
本发明提供了一种用户偏好推荐方法,包括:
获取多个用户的消费记录;
根据所述消费记录,生成用户相似度矩阵;
根据所述用户和用户相似度矩阵,生成用户相似图;
基于所述用户相似图将多个用户划分为至少一个社群;
根据所述社群中的用户的消费记录,建立品类时间转换矩阵;
采用所述品类时间转换矩阵为所述用户进行偏好推荐。
可选地,所述根据所述消费记录,生成用户相似度矩阵的步骤,包括:
根据每个用户的消费记录,计算任意两个用户之间的相似度;
基于所有用户之间的相似度生成用户相似度矩阵。
可选地,所述根据每个用户的消费记录,生成任意两个用户之间的相似度的步骤,包括:
从每个用户的消费记录中提取预设数量的单品购买信息;
计算任意两个用户的单品购买信息的交集和并集的比值,得到对应两个用户的相似度。
可选地,所述用户相似度矩阵具有各用户之间的相似度;所述根据所述用户和用户相似度矩阵生成用户相似图的步骤,包括:
以用户为节点,以所述用户相似度矩阵中各用户之间的相似度作为对应节点的边权重,连接各个节点,生成用户相似图。
可选地,每个用户具有对应的社群标签;所述基于所述用户相似图将多个用户划分为至少一个社群的步骤,包括:
在所述用户相似图中确定当前节点;
获取所述当前节点的相邻节点,并获取每个相邻节点的社群标签;
合并具有相同社群标签的相邻节点与所述当前节点的边权重,分别得到每个社群标签与所述当前节点的标签边权重;
采用标签边权重最大的社群标签更新所述当前节点的社群标签;
当所有节点均已完成更新时,获取当前迭代次数;
判断所述当前迭代次数是否等于预设阈值;
若否,返回在所述用户相似图中确定当前节点的步骤;
若是,将具有相同社群标签的节点添加进同一个社群中,得到至少一个社群。
可选地,所述根据所述社群中的用户的消费记录,建立品类时间转换矩阵的步骤,包括:
在所述社群中的用户的消费记录中,获取所述社群中初次购买预设第一品类产品的第一用户;
以所述第一用户购买所述第一品类产品的时间为起始时间点,设置至少一个时间区段;
分别统计所述第一用户中,在各个时间区段内复购所述第一品类产品的第一用户比例;
分别统计所述第一用户中,在各个时间区段内购买预设第二品类产品的第二用户比例;
采用所有时间区段、每个时间区段的第一用户比例和第二用户比例、第一预设品类产品、第二预设品类产品,建立品类时间转换矩阵。
可选地,所述采用所述品类时间转换矩阵为所述用户进行偏好推荐的步骤,包括:
查询所述用户上一时间区段的购买品类;
在所述用户所处社群对应的品类时间转换矩阵中匹配所述购买品类,得到当前时间区段内的推荐品类及相应的购买比例;
为所述用户推荐购买比例最大的推荐品类。
本发明还提供了一种用户偏好推荐装置,包括:
获取模块,用于获取多个用户的消费记录;
相似度矩阵生成模块,用于根据所述消费记录,生成用户相似度矩阵;
用户相似图生成模块,用于根据所述用户和用户相似度矩阵,生成用户相似图;
社群划分模块,用于基于所述用户相似图将多个用户划分为至少一个社群;
品类时间转换矩阵建立模块,用于根据所述社群中的用户的消费记录,建立品类时间转换矩阵;
推荐模块,用于采用所述品类时间转换矩阵为所述用户进行偏好推荐。
本发明还提供了一种电子设备,所述设备包括处理器以及存储器:
所述存储器用于存储程序代码,并将所述程序代码传输给所述处理器;
所述处理器用于根据所述程序代码中的指令执行如上任一项所述的用户偏好推荐方法。
本发明还提供了一种计算机可读存储介质,所述计算机可读存储介质用于存储程序代码,所述程序代码用于执行如上任一项所述的用户偏好推荐方法。
从以上技术方案可以看出,本发明具有以下优点:本发明通过获取多个用户的消费记录,以根据消费记录生成用户相似度矩阵,从而根据用户和用户相似度矩阵生成用户相似图;再通过对用户相似图内的用户划分社群,以建立每个社群的品类时间转换矩阵,从而将社群内用户在时间线上的品类购买倾向以矩阵的形式表现出来,从而通过匹配的方式在品类时间转换矩阵中获取用户当前的品类购买倾向,以对用户进行偏好推荐。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。
图1为本发明实施例提供的一种用户偏好推荐方法的步骤流程图;
图2为本发明另一实施例提供的一种用户偏好推荐方法的步骤流程图;
图3为本发明实施例提供的一种用户相似图示意图;
图4为本发明实施例提供的一种标签传播完成后的用户相似图示意图;
图5为本发明实施例提供的一种品类时间转换矩阵示意图;
图6为本发明实施例提供的一种用户偏好推荐装置的结构框图。
具体实施方式
本发明实施例提供了一种用户偏好推荐方法、装置、电子设备及存储介质,用于解决无法对用户进行有效且精准的产品推荐,实现用户的个性化运营的技术问题。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,下面所描述的实施例仅仅是本发明一部分实施例,而非全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
请参阅图1,图1为本发明实施例提供的一种用户偏好推荐方法的步骤流程图。
本发明提供的一种偏好推荐方法,具体可以包括以下步骤:
步骤101,获取多个用户的消费记录;
在本发明实施例中,用户可以是在同一个平台注册的会员,消费记录可以包括用户的消费时间、消费明细、付款方式,等等。
获取用户的消费记录,可以知晓用户过去的消费倾向。
需要说明的是,在实际情况中,每个用户的消费频次、消费时间间隔并不相同,长时间未进行消费的用户对大体量的用户的消费倾向的分析影响较小。因此,在本发明实施例中,可以获取在一定时间段内有产生消费行为的用户的消费记录进行后续分析。
步骤102,根据消费记录,生成用户相似度矩阵;
在本发明实施例中,用户相似度矩阵是指由用户之间消费记录的相似度作为向量而生成的矩阵,其中,每一个向量均表示相应的两个用户的消费记录之间的相似度。
在实际应用中,用户的消费记录之间的相似度的计算,可以有多种计算方式,包括但不限于通过计算消费记录之间的皮尔逊相关系数(Pearson CorrelationCoefficient)、欧几里得距离(Euclidean Distance)、cosine相似度等来作为用户消费记录之间的相似度,本发明实施例对于相似度的具体计算过程不作具体限定。
步骤103,根据用户和用户相似度矩阵,生成用户相似图;
在本发明实施例中,用户相似图是对多个用户之间消费记录相似度的图形化体现,可直观展示不同用户之间的相似度。
消费记录相似度,是指两个用户分别购买的产品中,相同的品类的产品的权重。相同品类的产品购买数量越多,用户之间消费记录的相似度就越高。
在具体实现中,用户相似图可以通过结合用户和用户相似度矩阵来生成。如,以用户作为节点,以用户相似度矩阵中的相似度为边,将每个相似度关联的两个用户连接起来,从而形成由边和节点组成的用户相似图。
步骤104,基于用户相似图将多个用户划分为至少一个社群;
社群,广义而言是指在某些边界线、地区或领域内发生作用的一切社会关系。其可以指实际的地理区域或是在某区域内发生的社会关系,或指存在于较抽象的、思想上的关系。社群在群体网络中非常普遍,识别社群对于理解群体行为、明确群体偏好等工作都具有重要意义。标签传播是社群发现的重要算法,标签传播算法的基本思想是:将一个节点的邻居节点的标签中数量最多的标签作为该节点自身的标签。给每个节点添加标签(label)以代表它所属的社群,并通过标签的“传播”形成同一标签的“社群”结构。标签传播可以将消费倾向相近的用户归类到同一个社群中。例如,主要消费领域都是零食的用户便可以归类到同一个社群之中。
因此,在本发明实施例中,在获取到用户相似图后,可以对用户相似图进行标签传播,使得用户相似图中消费倾向相近的用户可以形成社群。
步骤105,根据社群中的用户的消费记录,建立品类时间转换矩阵;
品类时间转换矩阵,表征用户在购买某一品类产品后,再次购买的产品的品类及其比例与时间的转换关系。
从社群中用户的消费记录中获取每个用户的产品购买品类和购买时序,分别以每一个品类为目标品类建立矩阵,获取社群中购买了该目标品类的用户在之后的每个设定时间段内购买的各个品类产品的比例,以建立目标品类在各个设定时间段内的品类转换关系,从而得到品类时间转换矩阵。其中,品类转换关系,是指在设定时间段内购买不同品类产品的用户人数占购买了目标品类产品的用户总人数的比例。
步骤106,采用品类时间转换矩阵为用户进行偏好推荐。
在本发明实施例中,品类时间转换矩阵记录了用户在购买某一品类产品后的消费倾向。因此,当用户购买了某一品类的产品后,可以在设定的时间之后,在相应的品类时间转换矩阵中获取该设定的时间之后不同品类产品的购买比例,将购买比例最大的品类作为用户最有可能在当前时间购买的品类,编辑针对该品类的推荐信息向用户进行推荐。
本发明通过获取多个用户的消费记录,以根据消费记录生成用户相似度矩阵,从而根据用户和用户相似度矩阵生成用户相似图;再通过对用户相似图内的用户划分社群,以建立每个社群的品类时间转换矩阵,从而将社群内用户在时间线上的品类购买倾向以矩阵的形式表现出来,从而通过匹配的方式在品类时间转换矩阵中获取用户当前的品类购买倾向,以对用户进行偏好推荐。
请参阅图2,图2为本发明另一实施例提供的一种用户偏好推荐方法的步骤流程图。具体可以包括以下步骤:
步骤201,获取多个用户的消费记录;
步骤201与步骤101相同,具体可以参照步骤101的描述,此处不再赘述。
步骤202,根据每个用户的消费记录,计算任意两个用户之间的相似度;
在本发明实施例中,用户之间的相似度可以为jaccard(杰卡德)相似度。jaccard相似度用于比较有限样本集之间的相似性与差异性。其定义为,给定的两个集合A,B的交集的大小与并集的大小的比值。
因此,在本发明实施例中,根据每个用户的消费记录,计算任意两个用户之间的相似度的步骤,可以包括:
S21,从每个用户的消费记录中提取预设数量的单品购买信息;
S22,计算任意两个用户的单品购买信息的交集和并集的比值,得到对应两个用户的相似度。
单品购买信息,是指对某一产品的购买记录,包括该产品的品类和实际购买时间。
在实际场景中,不同用户的消费范围不同,有些用户的消费范围非常广泛,消费频率高。这种情况下,如果直接计算该用户与其他用户之间的jaccard相似度,会发现其与大部分用户都有一定相似度,从而对用户消费倾向的判断产生影响。因此,在本发明实施例中,可以按照用户的消费记录,以最近购买时间做截断,只取最近时间内的预设数量的单品购买信息进行用户之间的相似度计算。
在具体实现中,两个用户之间的相似度可以通过以下公式计算得到:
其中,Si,j为用户i与用户j之间的jaccard相似度,Li为第i个用户的单品购买信息的集合,Lj为第j个用户的单品购买信息的集合,i≠0,j≠0。
在一个示例中,假设分别采集了用户A与用户B各50个单品的购买信息,其中,用户A购买了20次零食和30次衣服,用户B购买了30次零食、10次衣服和10次盲盒,则用户A与用户B之间的jaccard相似度为0.57。
在本实施例中,可以理解的是,计算两个用户之间的相似度是为了衡量两个用户在对相同的商品品类进行购买的消费偏好,商品品类可以包括零食、服饰、生活用品、玩具、饰品等等,且相似度的具体计算方式还可以采用例如余弦距离的相似度计算、欧几里得距离的相似度计算等方法,本实施例对此不作限定。
步骤203,基于所有用户之间的相似度生成用户相似度矩阵;
在获取到所有用户两两之间的相似度后,汇总所有的相似度可以生成用户相似度矩阵。用户相似度矩阵包括多个向量,其中的每一个向量均表示相应的两个用户的消费记录之间的相似度。
步骤204,根据用户和用户相似度矩阵,生成用户相似图;
在本发明实施例中,用户相似图是对用户与用户之间消费记录相似度的图形化体现,可直观展示不同用户之间的相似度。
在一个示例中,根据用户和用户相似度矩阵,生成用户相似图的步骤,可以包括:以用户为节点,以用户相似度矩阵中各用户之间的相似度作为对应节点的边权重,连接各个节点,生成用户相似图。
在本发明实施例中,可以理解的是,建立用户相似图是为了更精准地确定用户与用户之间在商品消费上的相同偏好,同时为了将该偏好进行精准量化,可以选取每个用户在不同商品品类中的消费记录来计算该用户与其他用户之间的相似度,该相似度可以表征两个用户在购买相同商品品类方面的偏好,因此该相似度可以用来缔结当前用户与其他用户之间的关联关系,当以用户作为节点、连接两两节点的边时,可以以当前用户与其他用户之间的相似度作为连接当前用户所对应的节点与其他用户所对应的节点之间的边的权重(即边权重),当确定所有用户均通过相似度确定关联关系时,确认所有节点均连接完成,将所有节点、边以及边权重构成的图作为用户相似图。
在具体实现中,以用户为节点,用户之间的相似度为边权重,可以构建用户相似图,所构建的用户相似图的本体为:(用户)-[用户相似度]-(用户)。
在一个示例中,假设有8个用户1-8,1与2之间的相似度为0.3,1与3之间的相似度为0.4,1与4之间的相似度为0.7,2与3之间的相似度为0.5,2与4之间的相似度为0.3,3与4之间的相似度为0.1,4与5之间的相似度为0.2,5与6之间的相似度为0.1,5与8之间的相似度为0.8,5与7之间的相似度为0.2,6与7之间的相似度为0.5,6与8之间的相似度为0.3,7与8之间的相似度为0.4,以每个用户(1-8)为节点,用户之间的相似度为边权重,将所有节点连接在一起,则可以得到如图3所示的用户相似图。
步骤205,基于用户相似图将多个用户划分为至少一个社群;
在本发明实施例中,可以基于用户相似图中用户与用户之间的相似度,将多个用户划分为至少一个社群。
在一个示例中,每个用户具有对应的社群标签;基于用户相似图将多个用户划分为至少一个社群的步骤,可以包括:
S51,在用户相似图中确定当前节点;
S52,获取当前节点的相邻节点,并获取每个相邻节点的社群标签;
S53,合并具有相同社群标签的相邻节点与当前节点的边权重,分别得到每个社群标签与当前节点的标签边权重;
S54,采用标签边权重最大的社群标签更新当前节点的社群标签;
S55,当所有节点均已完成更新时,获取当前迭代次数;
S56,判断当前迭代次数是否等于预设阈值;
S57,若否,返回在用户相似图中确定当前节点的步骤;
S58,若是,将具有相同社群标签的节点添加进同一个社群中,得到至少一个社群。
在本发明实施例中,社群标签是用于表征用户归属于哪一个社群的标识信息,在一个示例中,每个用户被赋予的社群标签的初始值可以为用户身份标识号(ID),例如会员ID、证件号等等,在基于用户相似图将多个用户划分为至少一个社群的过程中,每个用户的初始的社群标签在满足标签传播的条件下会不断被更新替换成新的社群标签,直到满足迭代次数或其他收敛条件,才会确定更新完成后的社群标签不再发生变化,将当前具有相同的社群标签的用户(节点)添加进同一个社群中,得到至少一个社群。
在本发明实施例中,可以通过标签传播算法为用户相似图中的用户划分社群。首先,遍历用户相似图中的每个节点,依次以每个节点为当前节点进行标签传播;获取当前节点的所有相邻节点,并获取各个相邻节点的社群标签以及与当前节点的边权重。接着基于相邻节点与当前节点之间的边权重计算每个社群标签与当前节点之间的标签边权重,具体过程为,针对每个社群标签,计算具有该社群标签的相邻节点与当前节点的边权重的加和,使得相邻节点中每个社群标签与当前节点具有唯一的标签边权重。其中,若某个用社群标签只存在于一个相邻节点上,则该社群标签与当前节点的标签边权重即为该相邻节点与当前节点的边权重。
在计算得到相邻节点中的所有社群标签与当前节点的标签边权重后,可以将标签边权重最大的社群标签作为当前节点的新的社群标签。
在完成对相似图中的每个节点的更新后,可以对传播过程进行迭代操作;重新遍历相似图,更新每个节点的社群标签,直至迭代次数达到预设阈值或当每个节点都拥有大多数相邻节点的标签时,计算结束。最终,具有相同社群标签的用户可以归到同一个社群中。
通过对相似图中的用户进行标签传播计算,可以将具有相同或相似消费倾向的用户划分在同一个社群中,从而可以根据社群中用户整体的消费情况来分析单个用户在接下来的时间里的消费倾向,从而为用户进行合理且有效的消费推荐。
为便于理解,以下对本发明实施例的标签传播过程进行说明:
请参阅图4,图4为本发明实施例提供的一种标签传播完成后的用户相似图示意图。
在图4中,分别以节点1-8为当前节点依次对每个节点进行标签传播计算,其中节点1-8的社群标签依次为d-k。各节点之间的边权重如下:
节点1与节点2的边权重为0.3;节点1和节点3的边权重为0.4;节点1和节点4的边权重为0.7;节点2和节点3的边权重为0.5;节点2和节点4的边权重为0.3;节点3和节点4的边权重为0.1;节点4和节点5的边权重为0.2;节点5和节点6的边权重为0.1;节点5和节点7的边权重为0.2;节点5和节点8的边权重为0.8;节点6和节点7的边权重为0.5;节点6和节点8的边权重为0.3;节点7和节点8的边权重为0.4。
节点1的社群标签更新过程如下:
节点1的相邻节点为2、3、4,节点1与节点2、3、4的边权重分别为0.3、0.4、0.7,因此节点4的社群标签g与节点1的标签边权重0.7最大,则节点1的社群标签会更新为g。
节点2的社群标签的更新过程如下:
节点2的相邻节点为1、3、4,节点2与节点1、3、4的边权重分别为0.3、0.5、0.3,由于节点1在完成更新后社群标签更新为g;因此节点2的相邻节点1、3、4的标签为g、f、g,其中,g的标签边权重为0.3+0.3=0.6,f的标签边权重为0.5,因此,节点2的社群标签更新为g。
同理可完成对节点3-8的更新。
在完成一轮更新之后,节点1-8的社群标签分别更新为g、g、g、g、k、i、i、k。
接着进行迭代,随机调整更新顺序,如以7-8-5-6-3-4-1-2的顺序依次对各节点进行更新。则更新过程如下:
首先更新节点7的社群标签,节点7的相邻节点为节点5、6、8,相应的边权重为0.2、0.5、0.4,社群标签为k、i、k;则社群标签k与节点7的标签边权重为0.2+0.4=0.6,大于社群标签i与节点7的标签边权重0.5,因此节点7的社群标签更新为k。
同理,依次更新节点8、5、6、3、4、1、2的社群标签,更新后各节点的社群标签更新为g、g、g、g、k、k、k、k。
设定迭代次数为1次,则此时各节点的社群标签即为最后社群标签。其中,节点1-4的社群标签相同,可以划分为一个社群,节点5-8的社群标签相同,可以划分为另一个社群。
步骤206,根据社群中的用户的消费记录,建立品类时间转换矩阵;
在本发明实施例中,通过获取社群中用户的消费记录,可以建立各个品类的产品在初次购买之后的品类时间转换矩阵。
在一个示例中,根据社群中的用户的消费记录,建立品类时间转换矩阵的步骤,可以包括:
S61,在社群中的用户的消费记录中,获取社群中初次购买预设第一品类产品的第一用户;
S62,以第一用户购买第一品类产品的时间为起始时间点,设置至少一个时间区段;
S63,分别统计第一用户中,在各个时间区段内复购第一品类产品的第一用户比例;
S64,分别统计第一用户中,在各个时间区段内购买预设第二品类产品的第二用户比例;
S65,采用所有时间区段、每个时间区段的第一用户比例和第二用户比例、第一预设品类产品、第二预设品类产品,建立品类时间转换矩阵。
用户比例,是指一个用户群体中,购买某一品类产品的人数占总人数的比例。在本发明实施例中,假设第一品类为零食,第二品类为盲盒,则第一用户为购买零食的用户,第一用户比例即为第一用户中复购零食的人数占第一用户总人数的比例;第二用户比例即为第一用户中复购盲盒的人数占第一用户总人数的比例。
在本发明实施例中,可以统计同一个社群中用户所购买过的所有品类,分别为每个品类生成一个品类时间转换矩阵。
在具体实现中,首先可以获取社群中初次购买预设第一品类产品的第一用户;接着以每个第一用户初次购买的时间点为起始时间点,设置连续的至少一个时间区段;统计每个时间区段中,第一用户复购第一品类产品的第一用户比例,以及购买其他品类产品的第二用户比例,从而生成每一个品类的品类时间转换矩阵。
例如,假设在一个社群中,有10000个用户(第一用户)在第一单购买了零食(第一品类产品),在第一周(第一个时间区段)有2000人复购,其中买零食的人数为700,买盲盒的人数为500(第二品类产品);第二周有1000人复购,其中买零食的人有300,买盲盒的人有200;则第一单买零食的用户,第一周复购零食的人数占总人数的7%(第一个时间区段内的第一用户比例),复购盲盒的人数占总人数的5%(第一个时间区段内的第二用户比例);第二周复购零食的人数占总人数的3%(第二个时间区段内的第一用户比例),复购盲盒的人数占总人数的2%(第二个时间区段内的第二用户比例);进而可以得到如图5所示的品类时间转换矩阵。其中,X轴为第一品类产品的第一用户比例,Y轴为第二品类产品的第二用户比例,Z轴为时间跨度。黑点的坐标即表征了用户在第一周复购零食和盲盒的概率。
步骤207,采用品类时间转换矩阵为用户进行偏好推荐。
在本发明实施例中,品类时间转换矩阵记录了用户在购买某一品类产品后的消费倾向。因此,当用户购买了某一品类的产品后,可以在设定的时间之后,在相应的品类时间转换矩阵中获取用户最有可能在当前时间购买的品类,编辑针对该品类的推荐信息向用户进行推荐。
在一个示例中,采用品类时间转换矩阵为用户进行偏好推荐的步骤,可以包括:
S71,查询用户上一时间区段的购买品类;
S72,在用户所处社群对应的品类时间转换矩阵中匹配购买品类,得到当前时间区段内的推荐品类及相应的购买比例;
S73,为用户推荐购买比例最大的推荐品类。
在具体实现中,在为用户选择推送文案时,可以首先获取用户在上一个时间区段内的购买的产品的品类,然后在该品类的品类时间转换矩阵中查找第一个时间段内的所有推荐品类的购买比例,将购买比例最大的推荐品类作为目标推荐品类进行文案推荐。
在一个示例中,在某用户购买盲盒一周后,根据品类时间转换矩阵可以发现,该用户所属社群对零食的转化率较高,则可以选择零食文案推荐给该用户。
本发明通过获取多个用户的消费记录,以根据消费记录生成用户相似度矩阵,从而根据社群标签和用户相似度矩阵生成用户相似图;再通过对用户相似图内的用户划分社群,以建立每个社群的品类时间转换矩阵,从而将社群内用户在时间线上的品类购买倾向以矩阵的形式表现出来,从而通过匹配的方式在品类时间转换矩阵中获取用户当前的品类购买倾向,以对用户进行偏好推荐。
请参阅图6,图6为本发明实施例提供的一种用户偏好推荐装置的结构框图。
本发明实施例提供了一种用户偏好推荐装置,包括:
获取模块601,用于获取多个用户的消费记录;
相似度矩阵生成模块602,用于根据消费记录,生成用户相似度矩阵;
用户相似图生成模块603,用于根据用户和用户相似度矩阵,生成用户相似图;
社群划分模块604,用于基于用户相似图将多个用户划分为至少一个社群;
品类时间转换矩阵建立模块605,用于根据社群中的用户的消费记录,建立品类时间转换矩阵;
推荐模块606,用于采用品类时间转换矩阵为用户进行偏好推荐。
在本发明实施例中,相似度矩阵生成模块602,包括:
相似度计算子模块,用于根据每个用户的消费记录,计算任意两个用户之间的相似度;
用户相似度矩阵生成子模块,用于基于所有用户之间的相似度生成用户相似度矩阵。
在本发明实施例中,相似度计算子模块,包括:
单品购买信息提取单元,用于从每个用户的消费记录中提取预设数量的单品购买信息;
相似度计算单元,用于计算任意两个用户的单品购买信息的交集和并集的比值,得到对应两个用户的相似度。
在本发明实施例中,用户相似度矩阵具有各用户之间的相似度;用户相似图生成模块603,包括:
用户相似图生成子模块,用于以用户为节点,以用户相似度矩阵中各用户之间的相似度作为对应节点的边权重,连接各个节点,生成用户相似图。
在本发明实施例中,每个用户具有对应的社群标签;社群划分模块604,包括:
当前节点确定子模块,用于在用户相似图中确定当前节点;
社群标签获取子模块,用于获取当前节点的相邻节点,并获取每个相邻节点的社群标签;
标签边权重计算子模块,用于合并具有相同社群标签的相邻节点与当前节点的边权重,分别得到每个社群标签与当前节点的标签边权重;
更新子模块,用于采用标签边权重最大的社群标签更新当前节点的社群标签;
当前迭代次数获取子模块,用于当所有节点均已完成更新时,获取当前迭代次数;
判断子模块,用于判断当前迭代次数是否等于预设阈值;
返回子模块,用于若否,返回在用户相似图中确定当前节点的步骤;
社群划分子模块,用于若是,将具有相同社群标签的节点添加进同一个社群中,得到至少一个社群。
在本发明实施例中,品类时间转换矩阵建立模块605,包括:
第一用户获取子模块,用于在社群中的用户的消费记录中,获取社群中初次购买预设第一品类产品的第一用户;
时间区段设置子模块,用于以第一用户购买第一品类产品的时间为起始时间点,设置至少一个时间区段;
第一用户比例统计子模块,用于分别统计第一用户中,在各个时间区段内复购第一品类产品的第一用户比例;
第二用户比例统计子模块,用于分别统计第一用户中,在各个时间区段内购买预设第二品类产品的第二用户比例;
品类时间转换矩阵建立子模块,用于采用所有时间区段、每个时间区段的第一用户比例和第二用户比例、第一预设品类产品、第二预设品类产品,建立品类时间转换矩阵。
在本发明实施例中,推荐模块606,包括:
购买品类查询子模块,用于查询用户上一时间区段的购买品类;
推荐品类及购买比例获取子模块,用于在用户所处社群对应的品类时间转换矩阵中匹配购买品类,得到当前时间区段内的推荐品类及相应的购买比例;
推荐子模块,用于为用户推荐购买比例最大的推荐品类。
本发明实施例还提供了一种电子设备,设备包括处理器以及存储器:
存储器用于存储程序代码,并将程序代码传输给处理器;
处理器用于根据程序代码中的指令执行本发明实施例的用户偏好推荐方法。
本发明实施例还提供了一种计算机可读存储介质,计算机可读存储介质用于存储程序代码,程序代码用于执行本发明实施例的用户偏好推荐方法。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
本领域内的技术人员应明白,本发明实施例的实施例可提供为方法、装置、或计算机程序产品。因此,本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上,使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明实施例的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (9)
1.一种用户偏好推荐方法,其特征在于,包括:
获取多个用户的消费记录;
根据所述消费记录,生成用户相似度矩阵;
根据所述用户和用户相似度矩阵,生成用户相似图;
基于所述用户相似图将多个用户划分为至少一个社群;
根据所述社群中的用户的消费记录,建立品类时间转换矩阵;所述品类时间转换矩阵,用于表征用户在购买某一品类产品后,再次购买的产品的品类及其比例与时间的转换关系;
采用所述品类时间转换矩阵为所述用户进行偏好推荐;
其中,所述根据所述社群中的用户的消费记录,建立品类时间转换矩阵的步骤,包括:
在所述社群中的用户的消费记录中,获取所述社群中初次购买预设第一品类产品的第一用户;
以所述第一用户购买所述第一品类产品的时间为起始时间点,设置至少一个时间区段;
分别统计所述第一用户中,在各个时间区段内复购所述第一品类产品的第一用户比例;
分别统计所述第一用户中,在各个时间区段内购买预设第二品类产品的第二用户比例;
采用所有时间区段、每个时间区段的第一用户比例和第二用户比例、第一预设品类产品、第二预设品类产品,建立品类时间转换矩阵。
2.根据权利要求1所述的方法,其特征在于,所述根据所述消费记录,生成用户相似度矩阵的步骤,包括:
根据每个用户的消费记录,计算任意两个用户之间的相似度;
基于所有用户之间的相似度生成用户相似度矩阵。
3.根据权利要求2所述的方法,其特征在于,所述根据每个用户的消费记录,生成任意两个用户之间的相似度的步骤,包括:
从每个用户的消费记录中提取预设数量的单品购买信息;
计算任意两个用户的单品购买信息的交集和并集的比值,得到对应两个用户的相似度。
4.根据权利要求1所述的方法,其特征在于,所述用户相似度矩阵具有各用户之间的相似度;所述根据所述用户和用户相似度矩阵,生成用户相似图的步骤,包括:
以用户为节点,以所述用户相似度矩阵中各用户之间的相似度作为对应节点的边权重,连接各个节点,生成用户相似图。
5.根据权利要求4所述的方法,其特征在于,每个用户具有对应的社群标签;所述基于所述用户相似图将多个用户划分为至少一个社群的步骤,包括:
在所述用户相似图中确定当前节点;
获取所述当前节点的相邻节点,并获取每个相邻节点的社群标签;
合并具有相同社群标签的相邻节点与所述当前节点的边权重,分别得到每个社群标签与所述当前节点的标签边权重;
采用标签边权重最大的社群标签更新所述当前节点的社群标签;
当所有节点均已完成更新时,获取当前迭代次数;
判断所述当前迭代次数是否等于预设阈值;
若否,返回在所述用户相似图中确定当前节点的步骤;
若是,将具有相同社群标签的节点添加进同一个社群中,得到至少一个社群。
6.根据权利要求1所述的方法,其特征在于,所述采用所述品类时间转换矩阵为所述用户进行偏好推荐的步骤,包括:
查询所述用户上一时间区段的购买品类;
在所述用户所处社群对应的品类时间转换矩阵中匹配所述购买品类,得到当前时间区段内的推荐品类及相应的购买比例;
为所述用户推荐购买比例最大的推荐品类。
7.一种用户偏好推荐装置,其特征在于,包括:
获取模块,用于获取多个用户的消费记录;
相似度矩阵生成模块,用于根据所述消费记录,生成用户相似度矩阵;
用户相似图生成模块,用于根据所述用户和用户相似度矩阵,生成用户相似图;
社群划分模块,用于基于所述用户相似图将多个用户划分为至少一个社群;
品类时间转换矩阵建立模块,用于根据所述社群中的用户的消费记录,建立品类时间转换矩阵;所述品类时间转换矩阵,用于表征用户在购买某一品类产品后,再次购买的产品的品类及其比例与时间的转换关系;
推荐模块,用于采用所述品类时间转换矩阵为所述用户进行偏好推荐;
其中,品类时间转换矩阵建立模块,包括:
第一用户获取子模块,用于在社群中的用户的消费记录中,获取社群中初次购买预设第一品类产品的第一用户;
时间区段设置子模块,用于以第一用户购买第一品类产品的时间为起始时间点,设置至少一个时间区段;
第一用户比例统计子模块,用于分别统计第一用户中,在各个时间区段内复购第一品类产品的第一用户比例;
第二用户比例统计子模块,用于分别统计第一用户中,在各个时间区段内购买预设第二品类产品的第二用户比例;
品类时间转换矩阵建立子模块,用于采用所有时间区段、每个时间区段的第一用户比例和第二用户比例、第一预设品类产品、第二预设品类产品,建立品类时间转换矩阵。
8.一种电子设备,其特征在于,所述设备包括处理器以及存储器:
所述存储器用于存储程序代码,并将所述程序代码传输给所述处理器;
所述处理器用于根据所述程序代码中的指令执行权利要求1-6任一项所述的用户偏好推荐方法。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质用于存储程序代码,所述程序代码用于执行权利要求1-6任一项所述的用户偏好推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110955109.0A CN113610608B (zh) | 2021-08-19 | 2021-08-19 | 一种用户偏好推荐方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110955109.0A CN113610608B (zh) | 2021-08-19 | 2021-08-19 | 一种用户偏好推荐方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113610608A CN113610608A (zh) | 2021-11-05 |
CN113610608B true CN113610608B (zh) | 2022-04-26 |
Family
ID=78341270
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110955109.0A Active CN113610608B (zh) | 2021-08-19 | 2021-08-19 | 一种用户偏好推荐方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113610608B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108009897A (zh) * | 2017-12-25 | 2018-05-08 | 北京中关村科金技术有限公司 | 一种商品的实时推荐方法、系统及可读存储介质 |
CN108198051A (zh) * | 2018-03-01 | 2018-06-22 | 口碑(上海)信息技术有限公司 | 跨商品类别的商品推荐方法及装置 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103679494B (zh) * | 2012-09-17 | 2018-04-03 | 阿里巴巴集团控股有限公司 | 商品信息推荐方法及装置 |
JP6842825B2 (ja) * | 2015-09-25 | 2021-03-17 | 株式会社ユニバーサルエンターテインメント | 情報提供システム、情報提供方法、及びプログラム |
CN106372961A (zh) * | 2016-08-23 | 2017-02-01 | 北京小米移动软件有限公司 | 商品推荐方法及装置 |
CN107862566A (zh) * | 2017-10-17 | 2018-03-30 | 杨明 | 一种商品推荐方法和系统 |
CN110135952B (zh) * | 2019-05-16 | 2022-07-19 | 深圳市梦网视讯有限公司 | 一种基于品类相似度的商品推荐方法和系统 |
CN110517114A (zh) * | 2019-08-21 | 2019-11-29 | 广州云徙科技有限公司 | 一种基于社区发现算法的信息推送方法及系统 |
CN113011950A (zh) * | 2021-03-30 | 2021-06-22 | 吉林亿联银行股份有限公司 | 一种产品推荐方法及装置 |
-
2021
- 2021-08-19 CN CN202110955109.0A patent/CN113610608B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108009897A (zh) * | 2017-12-25 | 2018-05-08 | 北京中关村科金技术有限公司 | 一种商品的实时推荐方法、系统及可读存储介质 |
CN108198051A (zh) * | 2018-03-01 | 2018-06-22 | 口碑(上海)信息技术有限公司 | 跨商品类别的商品推荐方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113610608A (zh) | 2021-11-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Attention-based transactional context embedding for next-item recommendation | |
Karim et al. | Decision tree and naive bayes algorithm for classification and generation of actionable knowledge for direct marketing | |
CN108363821A (zh) | 一种信息推送方法、装置、终端设备及存储介质 | |
CN106708844A (zh) | 一种用户群体的划分方法和装置 | |
CN104866474A (zh) | 个性化数据搜索方法及装置 | |
Abbasimehr et al. | A new methodology for customer behavior analysis using time series clustering: A case study on a bank’s customers | |
CN110134783B (zh) | 个性化推荐的方法、装置、设备和介质 | |
CN106874503B (zh) | 获取推荐数据的方法和装置 | |
CN104239335B (zh) | 特定用户信息获取方法及装置 | |
CN113191838B (zh) | 一种基于异质图神经网络的购物推荐方法及系统 | |
Shafqat et al. | A hybrid GAN-based approach to solve imbalanced data problem in recommendation systems | |
CN115982463A (zh) | 资源推荐方法、装置、设备及存储介质 | |
CN114861050A (zh) | 一种基于神经网络的特征融合推荐方法及系统 | |
CN107133811A (zh) | 一种目标用户的识别方法和装置 | |
CN115860880A (zh) | 基于多层异质图卷积模型的个性化商品推荐方法及系统 | |
CN112560105B (zh) | 保护多方数据隐私的联合建模方法及装置 | |
Zaim et al. | A novel approach to dynamic profiling of E-customers considering clickstream data and online reviews. | |
CN116342228B (zh) | 一种基于有向图神经网络的相关推荐的方法 | |
CN110020918B (zh) | 一种推荐信息生成方法和系统 | |
CN116362836A (zh) | 基于用户行为序列的农产品推荐算法 | |
Hu et al. | Establishing Grey Criteria Similarity Measures for Multi-criteria Recommender Systems. | |
CN113610608B (zh) | 一种用户偏好推荐方法、装置、电子设备及存储介质 | |
CN111651456B (zh) | 潜在用户确定方法、业务推送方法及装置 | |
CN114519600A (zh) | 一种融合相邻节点方差的图神经网络ctr预估算法 | |
Dubey et al. | Learning data mining techniques |
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 |