CN113674063B - 购物推荐方法、购物推荐装置、及电子设备 - Google Patents

购物推荐方法、购物推荐装置、及电子设备 Download PDF

Info

Publication number
CN113674063B
CN113674063B CN202110995570.9A CN202110995570A CN113674063B CN 113674063 B CN113674063 B CN 113674063B CN 202110995570 A CN202110995570 A CN 202110995570A CN 113674063 B CN113674063 B CN 113674063B
Authority
CN
China
Prior art keywords
historical shopping
shopping
vector
historical
sequence
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
CN202110995570.9A
Other languages
English (en)
Other versions
CN113674063A (zh
Inventor
李纯懿
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.)
Zhuo Erzhi Lian Wuhan Research Institute Co Ltd
Original Assignee
Zhuo Erzhi Lian Wuhan Research Institute 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 Zhuo Erzhi Lian Wuhan Research Institute Co Ltd filed Critical Zhuo Erzhi Lian Wuhan Research Institute Co Ltd
Priority to CN202110995570.9A priority Critical patent/CN113674063B/zh
Publication of CN113674063A publication Critical patent/CN113674063A/zh
Application granted granted Critical
Publication of CN113674063B publication Critical patent/CN113674063B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F18/23—Clustering techniques
    • 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

Landscapes

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

Abstract

本申请提供了一种购物推荐方法、购物推荐装置、及电子设备，包括：获取待推荐用户的由多个历史购物集合组成的历史购物序列，对历史购物序列中包括的各个商品信息进行聚类处理，得到聚类结果，并利用预先构建的编码模型对历史购物序列进行处理，得到历史购物序列的整体编码向量，从而基于聚类结果和历史购物序列的整体编码向量，从预设的商品池中确定待推荐用户下一次可能会购买的各个商品，并将所确定的各个商品推荐给待推荐用户，实现为待推荐用户推荐下一次可能会购买的多件商品。

Description

购物推荐方法、购物推荐装置、及电子设备
技术领域
本申请涉及数据处理技术领域，尤其涉及一种购物推荐方法、购物推荐装置、及电子设备。
背景技术
在大数据时代，推荐系统已经成为用户快捷获取信息的必要手段。同时，推荐系统能够大大提升各类信息服务平台的用户粘性，从而为提升商家收益提供帮助。
现有的推荐系统大多为用户推荐一件可能购买的商品，然而在真实场景中，用户的购物行为往往是在购物车中放置多件商品并一起购买。
因此，如何提供一种能够为用户推荐多件商品的技术方案，是目前本领域技术人员亟需解决的问题。
发明内容
本申请提供了一种购物推荐方法、购物推荐装置、及电子设备，以为用户推荐下一次可能会购买的多件商品。
为了实现上述目的，本申请提供了以下技术方案：
一种购物推荐方法，包括：
获取待推荐用户的历史购物序列；所述历史购物序列包括按照预设顺序排列的多个历史购物集合，每个历史购物集合包含与该历史购物集合对应的购物订单中的各个商品的商品信息；
对所述历史购物序列中包括的各个商品信息进行聚类处理，得到聚类结果；
利用预先构建的编码模型对所述历史购物序列进行处理，得到所述历史购物序列的整体编码向量；
基于所述聚类结果和所述历史购物序列的整体编码向量，从预设的商品池中确定所述待推荐用户下一次可能会购买的各个商品，并将所确定的各个商品推荐给所述待推荐用户。
上述的方法，可选的，所述对所述历史购物序列中包括的各个商品信息进行聚类处理，得到聚类结果，包括：
对所述历史购物序列中包括的各个商品信息进行分词处理，得到每个商品信息对应的多个词汇；
利用预先构建的词向量模型，对每个商品信息对应的多个词汇进行处理，得到每个商品信息的商品信息向量；
基于每个商品信息的商品信息向量，对所述历史购物序列中包括的各个商品信息进行聚类处理，得到聚类结果。
上述的方法，可选的，所述利用预先构建的编码模型对所述历史购物序列进行处理，得到所述历史购物序列的整体编码向量，包括：
构建所述历史购物序列中每个历史购物集合的购物向量；所述购物向量用于表征对应历史购物集合中包括的各个商品信息之间的关联关系；
确定所述历史购物序列中每个历史购物集合的编码向量；其中，所述历史购物序列中的除首个历史购物集合外的每个历史购物集合的编码向量，基于该历史购物集合的购物向量，以及该历史购物集合的前一个历史购物集合的编码向量得到；所述历史购物序列中的首个历史购物集合的编码向量依据首个历史购物集合的购物向量得到；
依据每个历史购物集合的编码向量，计算所述历史购物序列的整体编码向量。
上述的方法，可选的，所述构建所述历史购物序列中每个历史购物集合的购物向量，包括：
基于所述历史购物序列中每个历史购物集合中包括的各个商品信息，构建每个历史购物集合的标志位向量、键矩阵和值矩阵；
依据每个历史购物集合的标志位向量、键矩阵和值矩阵，利用所述编码模型中的多头自注意力模型，构建每个历史购物集合的购物向量。
上述的方法，可选的，所述确定所述历史购物序列中每个历史购物集合的编码向量，包括：
将所述历史购物序列中的首个历史购物集合的购物向量，输入至所述编码模型中的编码网络，得到首个历史购物集合的的编码向量；
将所述历史购物序列中的除首个历史购物集合外的每个历史购物集合的购物向量、以及每个历史购物集合的前一个历史购物集合的编码向量，输入至所述编码网络，得到所述历史购物序列中的除首个历史购物集合外的每个历史购物集合的编码向量。
上述的方法，可选的，所述依据每个历史购物集合的编码向量，计算所述历史购物序列的整体编码向量，包括：
基于每个历史购物集合的编码向量和每个历史购物集合中包括的商品信息中的购买次数、以及所述历史购物序列中的最后一个历史购物集合的编码向量、和历史购物集合中包括的各个商品信息中购买次数，计算每个历史购物集合的权重；
依据每个历史购物集合的编码向量和权重，计算所述历史购物序列的整体编码向量。
上述的方法，可选的，所述基于所述聚类结果和所述历史购物序列的整体编码向量，从预设的商品池中确定所述待推荐用户下一次可能会购买的各个商品，包括：
基于聚类结果，利用匹配算法Faiss，在预设的商品池中进行检索，并将所述商品池中与所述聚类结果中每个聚类的聚类中心向量相似的前N个商品组成第一商品集合；其中，N为大于0的自然数；
基于所述历史购物序列的整体编码向量，从所述第一商品集合中确定所述待推荐用户下一次可能会购买的各个商品。
一种购物推荐装置，包括：
获取单元，用于获取待推荐用户的历史购物序列；所述历史购物序列包括按照预设顺序排列的多个历史购物集合，每个历史购物集合包含与该历史购物集合对应的购物订单中的各个商品的商品信息；
聚类单元，用于对所述历史购物序列中包括的各个商品信息进行聚类处理，得到聚类结果；
编码单元，用于利用预先构建的编码模型对所述历史购物序列进行处理，得到所述历史购物序列的整体编码向量；
推荐单元，用于基于所述聚类结果和所述历史购物序列的整体编码向量，从预设的商品池中确定所述待推荐用户下一次可能会购买的各个商品，并将所确定的各个商品推荐给所述待推荐用户。
上述的装置，可选的，所述聚类单元具体用于：
对所述历史购物序列中包括的各个商品信息进行分词处理，得到每个商品信息对应的多个词汇；
利用预先构建的词向量模型，对每个所述商品信息对应的多个词汇进行处理，得到每个所述商品信息的商品信息向量；
基于每个商品信息的商品信息向量，对所述历史购物序列中包括的各个商品信息进行聚类处理，得到聚类结果。
一种存储介质，所述存储介质存储有指令集，其中，所述指令集被处理器执行时实现如上述的购物推荐方法。
一种电子设备，包括：
存储器，用于存储至少一组指令集；
处理器，用于执行所述存储器中存储的指令集，通过执行所述指令集实现如上述的购物推荐方法。
与现有技术相比，本申请包括以下优点：
本申请提供了一种购物推荐方法、购物推荐装置、及电子设备，包括：获取待推荐用户的由多个历史购物集合组成的历史购物序列，对历史购物序列中包括的各个商品信息进行聚类处理，得到聚类结果，并利用预先构建的编码模型对历史购物序列进行处理，得到历史购物序列的整体编码向量，从而基于聚类结果和历史购物序列的整体编码向量，从预设的商品池中确定待推荐用户下一次可能会购买的各个商品，并将所确定的各个商品推荐给待推荐用户，实现为待推荐用户推荐下一次可能会购买的多件商品。
附图说明
为了更清楚地说明本申请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申请的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本申请提供的一种购物推荐方法的方法流程图；
图2为本申请提供的一种购物推荐方法的又一方法流程图；
图3为本申请提供的一种购物推荐方法的又一方法流程图；
图4为本申请提供的一种购物推荐方法的又一方法流程图；
图5为本申请提供的一种购物推荐方法的又一方法流程图；
图6为本申请提供的一种购物推荐方法的又一方法流程图；
图7为本申请提供的一种实体关系提取装置的结构示意图；
图8为本申请提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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他实施例，都属于本申请保护的范围。
本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意，本申请公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本申请公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本申请实施例提供了一种购物推荐方法，所述购物推荐方法的流程图如图1所示，具体包括：
S101、获取待推荐用户的历史购物序列。
本实施例中，获取待推荐用户的历史购物记录，基于历史购物记录，确定待推荐用户每个历史购物订单对应的各个商品，并将待推荐用户每个历史购物订单对应的各个商品的商品信息组成一个历史购物集合，从而得到多个历史购物集合。
本实施例中，商品信息包括但不限于商品名称、类别、价格、购买时间、和购买次数。
本实施例中，按预设顺序，对各个历史购物集合进行排列，以构建待推荐用户的历史购物序列，也就是说，历史购物序列中包括按照预设顺序排列的各个历史购物集合。可选的，预设顺序可以是按照各个历史购物集合对应的购物订单的购买时间的先后顺序。
本实施例中，用户的历史购物序列可以用表示，/>其中，u表示待推荐用户，T表示历史购物集合的数量，/>表示历史购物序列中的第i个历史购物集合。
S102、对历史购物序列中包括的各个商品信息进行聚类处理，得到聚类结果。
本实施例中，对历史购物序列中包括的各个商品信息进行聚类处理，得到多个聚类，将各个聚类确定为聚类结果。
参阅图2、对历史购物序列中包括的各个商品信息进行聚类处理，得到聚类结果的过程，具体包括以下步骤：
S201、对历史购物序列中包括的各个商品信息进行分词处理，得到每个商品信息对应的多个词汇。
本实施例中，对历史购物序列中包括的各个商品信息进行分词处理，得到每个商品信息对应的多个词汇，可选的，在对每个商品信息进行分词处理之前，还可以对商品信息进行数据预处理，数据预处理包括但不限于，对商品信息进行数据清洗。
S202、利用预先构建的词向量模型，对每个商品信息对应的多个词汇进行处理，得到每个商品信息的商品信息向量。
本实施例中，利用预先构建的词向量模型，对每个商品信息对应的多个词汇进行处理，得到每个商品信息的商品信息向量，可选的，词向量模型可以是Word2vec(wordtovector，用来产生词向量的相关模型)模型。
S203、基于每个商品信息的商品信息向量，对历史购物序列中包括的各个商品信息进行聚类处理，得到聚类结果。
本实施例中，基于各个商品信息的商品信息向量，对历史购物序列中包括的各个商品信息进行聚类处理，以将各个商品信息划分为多个聚类。具体的，可以是利用K-means(k-means clustering algorithm，k均值聚类算法)聚类算法，对历史购物序列中包括的各个商品信息进行聚类处理，得到聚类结果。
具体的，利用K-means(k-means clustering algorithm，k均值聚类算法)聚类算法，对历史购物序列中包括的各个商品信息进行聚类处理，得到聚类结果的过程包括：
步骤一、从各个商品信息向量中随机选取k个商品信息向量，将选取的商品信息向量作为聚类中心，从而得到k个族类中心，其中，k为正整数。
步骤二、遍历各个商品信息向量，计算每个商品信息向量与每个聚类中心的距离，将每个商品信息向量划分到距离最近的一个聚类中，从而得到k个聚类。
步骤三、针对每个聚类，计算聚类中所有商品信息向量的平均值，将计算得到的平均值作该新的聚类中心，基于新的聚类中心，返回执行步骤二，直至每个聚类的聚类中心不变或迭代次数达到设定的值。
S103、利用预先构建的编码模型对历史购物序列进行处理，得到历史购物序列的整体编码向量。
本实施例中，预先构建编码模型。
本实施例中，利用预先构建的编码模型对历史购物序列进行处理，从而得到历史购物序列的整体编码向量。
参阅图3、利用预先构建的编码模型对历史购物序列进行处理，得到历史购物序列的整体编码向量的过程，具体包括以下步骤：
S301、构建历史购物序列中每个历史购物集合的购物向量。
本实施例中，针对每个历史购物集合，构建该历史购物集合的购物向量，每个历史购物集合的购物向量用于表征该历史购物集合中包括的各个商品信息之间的关联关系。具体的，通过编码模型中的多头自注意力模型，构建该历史购物集合的购物向量。
参阅图4，构建历史购物序列中每个历史购物集合的购物向量的过程，具体包括以下步骤：
S401、基于历史购物序列中每个历史购物集合中包括的各个商品的商品信息，构建每个历史购物集合的标志位向量、键矩阵和值矩阵。
本实施例中，为历史购物序列中的每个历史购物集合设置标志位，对每个历史购物集合的标志位与每个历史购物集合中所有商品信息进行点积权重计算，利用计算得到的每个历史购物集合的点积权重，对每个历史购物集合中所有商品信息向量加权求和，得到每个历史购物集合的标志位向量Flag。
本实施例中，基于每个历史购物集合中包括的各个商品信息，构建每个历史购物集合的键矩阵K和值矩阵V，具体的构建过程请参见现有技术，此处不再赘述。
S402、依据每个历史购物集合的标志位向量、键矩阵和值矩阵，利用编码模型中的多头自注意力模型，构建每个历史购物集合的购物向量。
本实施例中，依据每个历史购物集合的标志位向量Flag、键矩阵K和值矩阵V，利用编码模型中的多头自注意力模型，构建每个历史购物集合的购物向量。历史购物集合的购物向量可以用bvec表示，bvec＝Transformer(Flag,K,V)，其中，Transformer()为多头自注意力模型。
具体的，对标志位向量Flag、键矩阵K和值矩阵V分别进行n次线性映射，得到每一次线性映射的标志位线性映射向量键线性映射矩阵/>和值线性映射矩阵/>其中i表示线性映射的次数，n为正整数，i∈n。
针对每一次线性映射的结果，基于该线性映射的结果、标志位向量Flag、键矩阵K和值矩阵V，计算缩放点积注意力，也就是通过缩放点积函数，对该线性映射的结果、标志位向量Flag、键矩阵K和值矩阵V进行处理，得到缩放点积注意力，具体的，其中，headi表示每i次线性映射对应的缩放点积注意力；Attention()为缩放点积函数。
对每次计算得到的缩放点积注意力进行全连接操作，即将每次计算得到的缩放点积注意力，输入全连接函数，得到多头注意结果，具体的，MultiHead(Flag,K,V)＝Concat(head1,head2,...,headn)，其中，Concat()为全连接函数，MultiHead(Flag,K,V)为多头注意结果。
利用全连接网络对多头注意结果进行处理，将全连接网络的处理结果作为多头自注意力模型的输出，也就是说，全连接网络的处理结果即为历史购物集合的购物向量。其中，全连接网络表示为FNN(x)＝max(0,W1*x+b1)*W2+b2。
本实施例中，针对历史购物序列通过多头自注意力模型，可以得到历史购物序列对应的购物向量序列/>
本实施例中，使用自注意力机制为待推荐用户的历史购物集合中的商品自动计算权重，从而得到更优的购物向量表示。
S302、确定历史购物序列中每个历史购物集合的编码向量。
本实施例中，确定历史购物序列中每个历史购物集合的编码向量，其中，历史购物序列中的除首个历史购物集合外的每个历史购物集合的编码向量，基于该历史购物集合的购物向量，以及该历史购物集合的前一个历史购物集合的编码向量得到；历史购物序列中的首个历史购物集合的编码向量依据首个历史购物集合的购物向量得到。
具体的，将历史购物序列中的首个历史购物集合的购物向量，输入至编码模型中的编码网络，得到首个历史购物集合的的编码向量；将历史购物序列中的除首个历史购物集合外的每个历史购物集合的购物向量、以及每个历史购物集合的前一个历史购物集合的编码向量，输入至编码网络，得到历史购物序列中的除首个历史购物集合外的每个历史购物集合的编码向量。其中，编码网络可以是基于LSTM(Long Short-Term Memory，长短期记忆网络)神经网络预先建立得到。
本实施例中，编码向量可以用表示，/>
S303、依据每个历史购物集合的编码向量，计算历史购物序列的整体编码向量。
本实施例中，依据每个历史购物集合的编码向量，计算历史购物序列的整体编码向量，具体的，通过线性组合的方式，计算历史购物序列的整体编码向量。
参阅图5，依据每个历史购物集合的编码向量，计算历史购物序列的整体编码向量的过程，具体包括以下步骤：
S501、基于每个历史购物集合的编码向量和每个历史购物集合中包括的商品信息中的购买次数、以及历史购物序列中的最后一个历史购物集合的编码向量，计算每个历史购物集合的权重。
本实施例中，计算每个历史购物集合的权重，其中，每个历史购物集合的权重基于该历史购物集合的编码向量和每个历史购物集合中包括的商品信息中的购买次数、以及历史购物序列中的最后一个历史购物集合的编码向量，通过权重计算公式计算得到，权重计算公式为：其中，/> 表示待推荐用户对应的历史购物集合中包括的商品信息中的购买次数。
S502、依据每个历史购物集合的编码向量和权重，计算历史购物序列的整体编码向量。
本实施例中，依据每个历史购物集合的编码向量和权重，计算历史购物序列的整体编码向量，具体的，可以是基于各个历史集合的权重，对各个历史购物集合的编码向量进行加权求和，得到历史购物序列的整体编码向量，可选的，整体编码向量可以用uvec表示，则
本实施例中，通过考虑待推荐用户对应的历史购物集合中包括的各个商品信息中的购买次数，提高整体编码向量构建的准确度。
S104、基于聚类结果和历史购物序列的整体编码向量，从预设的商品池中确定待推荐用户下一次可能会购买的各个商品，并将所确定的各个商品推荐给待推荐用户。
本实施例中，基于聚类结果和历史购物序列的整体编码向量，从预设的商品池中确定待推荐用户下一次可能会购买的各个商品，并将所确定的各个商品推荐给待推荐用户。
参阅图6，基于聚类结果和历史购物序列的整体编码向量，从预设的商品池中确定待推荐用户下一次可能会购买的各个商品的过程，具体包括以下步骤：
S601、基于聚类结果，利用匹配算法Faiss，在预设的商品池中进行检索，并将商品池中与聚类结果中每个聚类的聚类中心向量相似的前N个商品组成第一商品集合。
本实施例中，聚类结果包括多个聚类，基于聚类结果，利用匹配算法Faiss(FacebookAI Similarity Search，AI相似性搜索工具)，在预设的商品池中进行检索，也就是，利用匹配算法Faiss，计算预设商品池中的每个商品的商品信息向量与每个聚类的聚类中心向量进行相似度计算，并将商品池中与每个聚类中心向量相似的前N个商品信息向量对应的商品组成第一商品集合，也就是基于相似度对各个商品进行按照从小到大的顺序排序，从排序后的商品中取前N个商品，或者基于相似度对各个商品进行按照从大到小的顺序排序，从排序后的商品中取后N个商品。其中，N为大于0的自然数。
可选的，通过匹配算法Faiss，可以商品池中召回200个商品，也就是，第一商品集合包括200个商品。
S602、基于历史购物序列的整体编码向量，从第一商品集合中确定待推荐用户下一次可能会购买的各个商品。
本实施例中，基于历史购物序列的整体编码向量，从第一商品集合中确待推荐用户下一次可能会购买的各个商品，具体的，基于历史购物序列的整体编码向量对第一商品集合中的每个商品进行匹配计算，将第一商品集合中与整体编码向量的匹配度大于阈值的商品确定为待推荐用户下一次可能会购买的商品，从而得到待推荐用户下一次可能会购买的各个商品。
本实施例中，在将所确定的各个商品推荐给待推荐用户之后，还可以获取待推荐用户的实际操作行为，实际操作行为包括用户实际浏览、点击、购买行为，基于待推荐用户的实际操作行为，对编码模型进行优化。
本申请实施例提供的购物推荐方法中，获取待推荐用户的由多个历史购物集合组成的历史购物序列，构建用于表征每个历史购物集合中包括的各个商品之间的关系的购物向量，并基于每个历史购物集合的购物向量，获取每个历史购物集合的编码向量，从而基于每个历史购物集合的编码向量，计算历史购物序列的整体编码向量，实现有效捕捉用户历史行为，并对历史购物序列中包括的各个商品信息进行聚类处理，得到聚类结果，从而基于聚类结果和历史购物序列的整体编码向量，从预设的商品池中确定待推荐用户下一次可能会购买的各个商品，并将所确定的各个商品推荐给待推荐用户，实现为待推荐用户推荐下一次可能会购买的多件商品。并且，结合匹配算法Faiss，实现更准确高效的购物推荐。
需要说明的是，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。
应当理解，本申请公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本申请公开的范围在此方面不受限制。
与图1所述的方法相对应，本申请实施例还提供了一种购物推荐装置，用于对图1中方法的具体实现，其结构示意图如图7所示，具体包括：
获取单元701，用于获取待推荐用户的历史购物序列；所述历史购物序列包括按照预设顺序排列的多个历史购物集合，每个历史购物集合包含与该历史购物集合对应的购物订单中的各个商品的商品信息；
聚类单元702，用于对所述历史购物序列中包括的各个商品信息进行聚类处理，得到聚类结果；
编码单元703，用于利用预先构建的编码模型对所述历史购物序列进行处理，得到所述历史购物序列的整体编码向量；
推荐单元704，用于基于所述聚类结果和所述历史购物序列的整体编码向量，从预设的商品池中确定所述待推荐用户下一次可能会购买的各个商品，并将所确定的各个商品推荐给所述待推荐用户。
在本申请的一个实施例中，基于前述方案，聚类单元702具体用于：
对所述历史购物序列中包括的各个商品信息进行分词处理，得到每个商品信息对应的多个词汇；
利用预先构建的词向量模型，对每个商品信息对应的多个词汇进行处理，得到每个商品信息的商品信息向量；
基于每个商品信息的商品信息向量，对所述历史购物序列中包括的各个商品信息进行聚类处理，得到聚类结果。
在本申请的一个实施例中，基于前述方案，编码单元703具体用于：
构建所述历史购物序列中每个历史购物集合的购物向量；所述购物向量用于表征对应历史购物集合中包括的各个商品信息之间的关联关系；
确定所述历史购物序列中每个历史购物集合的编码向量；其中，所述历史购物序列中的除首个历史购物集合外的每个历史购物集合的编码向量，基于该历史购物集合的购物向量，以及该历史购物集合的前一个历史购物集合的编码向量得到；所述历史购物序列中的首个历史购物集合的编码向量依据首个历史购物集合的购物向量得到；
依据每个历史购物集合的编码向量，计算所述历史购物序列的整体编码向量。
在本申请的一个实施例中，基于前述方案，编码单元703在构建所述历史购物序列中每个历史购物集合的购物向量时，具体用于：
基于所述历史购物序列中每个历史购物集合中包括的各个商品信息，构建每个历史购物集合的标志位向量、键矩阵和值矩阵；
依据每个历史购物集合的标志位向量、键矩阵和值矩阵，利用所述编码模型中的多头自注意力模型，构建每个历史购物集合的购物向量。
在本申请的一个实施例中，基于前述方案，编码单元703在确定所述历史购物序列中每个历史购物集合的编码向量时，具体用于：
将所述历史购物序列中的首个历史购物集合的购物向量，输入至所述编码模型中的编码网络，得到首个历史购物集合的的编码向量；
将所述历史购物序列中的除首个历史购物集合外的每个历史购物集合的购物向量、以及每个历史购物集合的前一个历史购物集合的编码向量，输入至所述编码网络，得到所述历史购物序列中的除首个历史购物集合外的每个历史购物集合的编码向量。
在本申请的一个实施例中，基于前述方案，编码单元703在依据每个历史购物集合的编码向量，计算所述历史购物序列的整体编码向量时，具体用于：
基于每个历史购物集合的编码向量和每个历史购物集合中包括的商品信息中的购买次数、以及所述历史购物序列中的最后一个历史购物集合的编码向量，计算每个历史购物集合的权重；
依据每个历史购物集合的编码向量和权重，计算所述历史购物序列的整体编码向量。
在本申请的一个实施例中，基于前述方案，推荐单元704具体用于：
基于聚类结果，利用匹配算法Faiss，在预设的商品池中进行检索，并将所述商品池中与所述聚类结果中每个聚类的聚类中心向量相似的前N个商品组成第一商品集合；其中，N为大于0的自然数；
基于所述历史购物序列的整体编码向量，从所述第一商品集合中确定所述待推荐用户下一次可能会购买的各个商品。
本申请实施例还提供了一种存储介质，所述存储介质存储有指令集，其中，在所述指令集运行时执行如上文任一实施例公开的购物推荐方法。
本申请实施例还提供了一种电子设备，其结构示意图如图8所示，具体包括存储器801，用于存储至少一组指令集；处理器802，用于执行所述存储器中存储的指令集，通过执行所述指令集实现如上文任一实施例公开的购物推荐方法。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。
虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本申请公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
以上描述仅为本申请公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (9)

1.一种购物推荐方法，其特征在于，包括：
获取待推荐用户的历史购物序列；所述历史购物序列包括按照预设顺序排列的多个历史购物集合，每个历史购物集合包含与该历史购物集合对应的购物订单中的各个商品的商品信息；
对所述历史购物序列中包括的各个商品信息进行聚类处理，得到聚类结果；
利用预先构建的编码模型对所述历史购物序列进行处理，得到所述历史购物序列的整体编码向量；
基于聚类结果，利用匹配算法Faiss，在预设的商品池中进行检索，并将所述商品池中与所述聚类结果中每个聚类的聚类中心向量相似的前N个商品组成第一商品集合；其中，N为大于0的自然数；
基于历史购物序列的整体编码向量对第一商品集合中的每个商品进行匹配计算，将第一商品集合中与整体编码向量的匹配度大于阈值的商品确定为待推荐用户下一次可能会购买的商品，并将所确定的各个商品推荐给所述待推荐用户。
2.根据权利要求1所述的方法，其特征在于，所述对所述历史购物序列中包括的各个商品信息进行聚类处理，得到聚类结果，包括：
对所述历史购物序列中包括的各个商品信息进行分词处理，得到每个商品信息对应的多个词汇；
利用预先构建的词向量模型，对每个商品信息对应的多个词汇进行处理，得到每个商品信息的商品信息向量；
基于每个商品信息的商品信息向量，对所述历史购物序列中包括的各个商品信息进行聚类处理，得到聚类结果。
3.根据权利要求1所述的方法，其特征在于，所述利用预先构建的编码模型对所述历史购物序列进行处理，得到所述历史购物序列的整体编码向量，包括：
构建所述历史购物序列中每个历史购物集合的购物向量；所述购物向量用于表征对应历史购物集合中包括的各个商品信息之间的关联关系；
确定所述历史购物序列中每个历史购物集合的编码向量；其中，所述历史购物序列中的除首个历史购物集合外的每个历史购物集合的编码向量，基于该历史购物集合的购物向量，以及该历史购物集合的前一个历史购物集合的编码向量得到；所述历史购物序列中的首个历史购物集合的编码向量依据首个历史购物集合的购物向量得到；
依据每个历史购物集合的编码向量，计算所述历史购物序列的整体编码向量。
4.根据权利要求3所述的方法，其特征在于，所述构建所述历史购物序列中每个历史购物集合的购物向量，包括：
基于所述历史购物序列中每个历史购物集合中包括的各个商品信息，构建每个历史购物集合的标志位向量、键矩阵和值矩阵；
依据每个历史购物集合的标志位向量、键矩阵和值矩阵，利用所述编码模型中的多头自注意力模型，构建每个历史购物集合的购物向量。
5.根据权利要求3所述的方法，其特征在于，所述确定所述历史购物序列中每个历史购物集合的编码向量，包括：
将所述历史购物序列中的首个历史购物集合的购物向量，输入至所述编码模型中的编码网络，得到首个历史购物集合的的编码向量；
将所述历史购物序列中的除首个历史购物集合外的每个历史购物集合的购物向量、以及每个历史购物集合的前一个历史购物集合的编码向量，输入至所述编码网络，得到所述历史购物序列中的除首个历史购物集合外的每个历史购物集合的编码向量。
6.根据权利要求3所述的方法，其特征在于，所述依据每个历史购物集合的编码向量，计算所述历史购物序列的整体编码向量，包括：
基于每个历史购物集合的编码向量和每个历史购物集合中包括的商品信息中的购买次数、以及所述历史购物序列中的最后一个历史购物集合的编码向量，计算每个历史购物集合的权重；
依据每个历史购物集合的编码向量和权重，计算所述历史购物序列的整体编码向量。
7.一种购物推荐装置，其特征在于，包括：
获取单元，用于获取待推荐用户的历史购物序列；所述历史购物序列包括按照预设顺序排列的多个历史购物集合，每个历史购物集合包含与该历史购物集合对应的购物订单中的各个商品的商品信息；
聚类单元，用于对所述历史购物序列中包括的各个商品信息进行聚类处理，得到聚类结果；
编码单元，用于利用预先构建的编码模型对所述历史购物序列进行处理，得到所述历史购物序列的整体编码向量；
推荐单元，用于基于所述聚类结果和所述历史购物序列的整体编码向量，从预设的商品池中确定所述待推荐用户下一次可能会购买的各个商品，并将所确定的各个商品推荐给所述待推荐用户；
所述推荐单元具体用于，基于聚类结果，利用匹配算法Faiss，在预设的商品池中进行检索，并将所述商品池中与所述聚类结果中每个聚类的聚类中心向量相似的前N个商品组成第一商品集合；其中，N为大于0的自然数；基于历史购物序列的整体编码向量对第一商品集合中的每个商品进行匹配计算，将第一商品集合中与整体编码向量的匹配度大于阈值的商品确定为待推荐用户下一次可能会购买的商品，并将所确定的各个商品推荐给所述待推荐用户。
8.根据权利要求7所述的装置，其特征在于，所述聚类单元具体用于：
对所述历史购物序列中包括的各个商品信息进行分词处理，得到每个商品信息对应的多个词汇；
利用预先构建的词向量模型，对每个所述商品信息对应的多个词汇进行处理，得到每个所述商品信息的商品信息向量；
基于每个商品信息的商品信息向量，对所述历史购物序列中包括的各个商品信息进行聚类处理，得到聚类结果。
9.一种电子设备，其特征在于，包括：
存储器，用于存储至少一组指令集；
处理器，用于执行所述存储器中存储的指令集，通过执行所述指令集实现如权利要求1~6任意一项所述的购物推荐方法。
CN202110995570.9A 2021-08-27 2021-08-27 购物推荐方法、购物推荐装置、及电子设备 Active CN113674063B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110995570.9A CN113674063B (zh) 2021-08-27 2021-08-27 购物推荐方法、购物推荐装置、及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110995570.9A CN113674063B (zh) 2021-08-27 2021-08-27 购物推荐方法、购物推荐装置、及电子设备

Publications (2)

Publication Number Publication Date
CN113674063A CN113674063A (zh) 2021-11-19
CN113674063B true CN113674063B (zh) 2024-01-12

Family

ID=78546951

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110995570.9A Active CN113674063B (zh) 2021-08-27 2021-08-27 购物推荐方法、购物推荐装置、及电子设备

Country Status (1)

Country Link
CN (1) CN113674063B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116418881B (zh) * 2023-04-18 2024-06-04 湖南供销电子商务股份有限公司 用于电商大数据云边协同传输的数据智能处理方法

Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108573241A (zh) * 2018-04-25 2018-09-25 江西理工大学 一种基于融合特征的视频行为识别方法
KR102027547B1 (ko) * 2018-06-20 2019-10-01 한국과학기술원 복수의 노드로 구성된 복수의 군집 및 서드파티와 통신하는 서버에서의 군집형 분산 스토리지 시스템 기반의 최소 대역폭을 이용한 완전 보안 부호화 방법 및 군집형 분산 스토리지 시스템을 기반으로 최소 대역폭을 이용한 완전 보안 부호화 방법을 수행하기 위해 복수의 노드로 구성된 복수의 군집 및 서드파티와 통신하는 서버
CN110598094A (zh) * 2019-08-23 2019-12-20 卓尔智联(武汉)研究院有限公司 基于矩阵补全的购物推荐方法、电子设备及存储介质
CN110659742A (zh) * 2019-09-10 2020-01-07 阿里巴巴集团控股有限公司 获取用户行为序列的序列表示向量的方法和装置
CN111125495A (zh) * 2019-12-19 2020-05-08 京东方科技集团股份有限公司 一种信息推荐方法、设备及存储介质
CN111125491A (zh) * 2019-11-29 2020-05-08 腾讯科技（深圳）有限公司 商品信息的搜索方法和装置、存储介质及电子装置
CN111310048A (zh) * 2020-02-25 2020-06-19 西安电子科技大学 基于多层感知机的新闻推荐方法
US10706450B1 (en) * 2018-02-14 2020-07-07 Amazon Technologies, Inc. Artificial intelligence system for generating intent-aware recommendations
CN111523010A (zh) * 2019-02-03 2020-08-11 阿里巴巴集团控股有限公司 推荐方法、装置、终端设备及计算机存储介质
CN111882409A (zh) * 2020-09-28 2020-11-03 武汉卓尔数字传媒科技有限公司 一种推荐主体的方法、装置及电子设备
CN112070577A (zh) * 2020-08-31 2020-12-11 深圳市卡牛科技有限公司 一种商品推荐方法、系统、设备及介质
CN112508654A (zh) * 2020-12-16 2021-03-16 平安养老保险股份有限公司 产品信息推荐方法、装置、计算机设备及存储介质
CN112632318A (zh) * 2020-12-24 2021-04-09 安克创新科技股份有限公司 一种音频推荐方法、装置、系统及存储介质
CN112800339A (zh) * 2021-04-06 2021-05-14 腾讯科技（深圳）有限公司 信息流搜索方法、装置及设备
WO2021108053A1 (en) * 2019-11-27 2021-06-03 Microsoft Technology Licensing, Llc Automatic recommendation of analysis for dataset
CN113139850A (zh) * 2021-04-26 2021-07-20 西安电子科技大学 一种缓解数据稀疏性和商品冷启动的商品推荐模型
CN113157876A (zh) * 2021-03-18 2021-07-23 平安普惠企业管理有限公司 信息反馈方法、装置、终端和存储介质

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100011020A1 (en) * 2008-07-11 2010-01-14 Motorola, Inc. Recommender system
US20200303072A1 (en) * 2017-12-29 2020-09-24 Obshchestvo S Ogranichennoj Otvetstvennostyu "Intellodzhik" Method and system for supporting medical decision making
US20210034945A1 (en) * 2019-07-31 2021-02-04 Walmart Apollo, Llc Personalized complimentary item recommendations using sequential and triplet neural architecture

Patent Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10706450B1 (en) * 2018-02-14 2020-07-07 Amazon Technologies, Inc. Artificial intelligence system for generating intent-aware recommendations
CN108573241A (zh) * 2018-04-25 2018-09-25 江西理工大学 一种基于融合特征的视频行为识别方法
KR102027547B1 (ko) * 2018-06-20 2019-10-01 한국과학기술원 복수의 노드로 구성된 복수의 군집 및 서드파티와 통신하는 서버에서의 군집형 분산 스토리지 시스템 기반의 최소 대역폭을 이용한 완전 보안 부호화 방법 및 군집형 분산 스토리지 시스템을 기반으로 최소 대역폭을 이용한 완전 보안 부호화 방법을 수행하기 위해 복수의 노드로 구성된 복수의 군집 및 서드파티와 통신하는 서버
CN111523010A (zh) * 2019-02-03 2020-08-11 阿里巴巴集团控股有限公司 推荐方法、装置、终端设备及计算机存储介质
CN110598094A (zh) * 2019-08-23 2019-12-20 卓尔智联(武汉)研究院有限公司 基于矩阵补全的购物推荐方法、电子设备及存储介质
CN110659742A (zh) * 2019-09-10 2020-01-07 阿里巴巴集团控股有限公司 获取用户行为序列的序列表示向量的方法和装置
WO2021108053A1 (en) * 2019-11-27 2021-06-03 Microsoft Technology Licensing, Llc Automatic recommendation of analysis for dataset
CN111125491A (zh) * 2019-11-29 2020-05-08 腾讯科技（深圳）有限公司 商品信息的搜索方法和装置、存储介质及电子装置
CN111125495A (zh) * 2019-12-19 2020-05-08 京东方科技集团股份有限公司 一种信息推荐方法、设备及存储介质
CN111310048A (zh) * 2020-02-25 2020-06-19 西安电子科技大学 基于多层感知机的新闻推荐方法
CN112070577A (zh) * 2020-08-31 2020-12-11 深圳市卡牛科技有限公司 一种商品推荐方法、系统、设备及介质
CN111882409A (zh) * 2020-09-28 2020-11-03 武汉卓尔数字传媒科技有限公司 一种推荐主体的方法、装置及电子设备
CN112508654A (zh) * 2020-12-16 2021-03-16 平安养老保险股份有限公司 产品信息推荐方法、装置、计算机设备及存储介质
CN112632318A (zh) * 2020-12-24 2021-04-09 安克创新科技股份有限公司 一种音频推荐方法、装置、系统及存储介质
CN113157876A (zh) * 2021-03-18 2021-07-23 平安普惠企业管理有限公司 信息反馈方法、装置、终端和存储介质
CN112800339A (zh) * 2021-04-06 2021-05-14 腾讯科技（深圳）有限公司 信息流搜索方法、装置及设备
CN113139850A (zh) * 2021-04-26 2021-07-20 西安电子科技大学 一种缓解数据稀疏性和商品冷启动的商品推荐模型

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
"基于多头自注意力神经网络的购物篮推荐方法";倪维健等;《数据分析与知识发现》(第第Z1期期);第68-76页 *
A novel self-attention deep subspace clustering;Chen, ZF;《INTERNATIONAL JOURNAL OF MACHINE LEARNING AND CYBERNETICS》;第22卷(第8期);2377-2387 *
Hashtag recommender system based on LSTM neural reccurent network;Ben-Lhachemi, N;《 2019 Third International Conference on Intelligent Computing in Data Sciences》;6 *
个性化推荐系统及其仿真研究综述;龚映梅;《科技和产业》(第5期);全文 *
基于多模优化聚类算法的Context量化;侯然;《中国优秀硕士学位论文全文数据库 信息科技辑》;I138-1278 *
基于网络表示学习的广告推荐系统的研究与实现;曾地;《中国优秀硕士学位论文全文数据库 信息科技辑》;I138-1041 *
基于评分矩阵与评论文本的深度推荐模型;冯兴杰;《计算机学报》(第5期);全文 *

Also Published As

Publication number Publication date
CN113674063A (zh) 2021-11-19

Similar Documents

Publication Publication Date Title
WO2020034849A1 (zh) 音乐推荐的方法、装置、计算设备和介质
Ge et al. Cost-aware travel tour recommendation
CN110427560B (zh) 一种应用于推荐系统的模型训练方法以及相关装置
EP3579125A1 (en) System, computer-implemented method and computer program product for information retrieval
CN110648163A (zh) 一种基于用户评论的推荐算法
US11403694B2 (en) System and method for intelligent context-based personalized beauty product recommendation and matching
CN112488863B (zh) 一种在用户冷启动场景下的险种推荐方法及相关设备
US10922725B2 (en) Automatic rule generation for recommendation engine using hybrid machine learning
CN113674063B (zh) 购物推荐方法、购物推荐装置、及电子设备
CN111324738A (zh) 一种确定文本标签的方法和系统
CN114997916A (zh) 潜在用户的预测方法、系统、电子设备和存储介质
CN116010586A (zh) 一种健康建议的生成方法、装置、设备及存储介质
CN117455687A (zh) 金融产品的推荐方法、装置、存储介质及电子设备
CN114936326B (zh) 基于人工智能的信息推荐方法、装置、设备及存储介质
EP3655862B1 (en) Multiscale quantization for fast similarity search
CN111782774A (zh) 一种问题推荐的方法及装置
CN114491086A (zh) 服饰个性化搭配推荐方法、系统、电子设备及存储介质
CN115408379A (zh) 终端重复数据的确定方法、装置、设备和计算机存储介质
CN115511582A (zh) 一种基于人工智能的商品推荐系统及方法
Modarresi et al. An efficient deep learning model for recommender systems
CN113496236A (zh) 用户标签信息确定方法、装置、设备和存储介质
Neupane et al. Identifying Product Bundle from Market Basket Analysis
US20230401431A1 (en) Method and electronic device for recovering data using bi-branch neural network
Zeng et al. Compressing deep neural network for facial landmarks detection
CN115470413A (zh) 推荐对象的确定方法、装置及计算机可读存储介质

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