CN113688314A - 一种理疗门店推荐方法及装置 - Google Patents
一种理疗门店推荐方法及装置 Download PDFInfo
- Publication number
- CN113688314A CN113688314A CN202110934801.5A CN202110934801A CN113688314A CN 113688314 A CN113688314 A CN 113688314A CN 202110934801 A CN202110934801 A CN 202110934801A CN 113688314 A CN113688314 A CN 113688314A
- Authority
- CN
- China
- Prior art keywords
- item
- store
- user
- attribute matrix
- determining
- 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.)
- Granted
Links
- 238000000554 physical therapy Methods 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims abstract description 37
- 239000011159 matrix material Substances 0.000 claims abstract description 92
- 238000011156 evaluation Methods 0.000 claims abstract description 45
- 238000012163 sequencing technique Methods 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 2
- 238000004891 communication Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000001413 cellular effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 230000002040 relaxant effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Algebra (AREA)
- Software Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及一种理疗门店推荐方法及装置,该方法包括:获取用户的消费项目数据和用户评价数据;根据所述消费项目数据和所述用户评价数据,构建对应的项目属性矩阵;根据所述项目属性矩阵,确定每个待选门店项目的关联度;对所述关联度进行排序,根据排序结果,在所有待选门店项目中,确定最优门店项目,推荐给用户。本发明结合多种理疗项目的消费项目数据和用户评价数据,全面地提取用户对不同项目的评价,从而建立用户与待选门店项目的关联度,形成有效的推荐,保证用户理疗时的智能推荐。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种理疗门店推荐方法及装置。
背景技术
在快速发展的现代社会,相当数量的人们处于亚健康的状态,比如存在腰部酸痛、背部酸痛等现象,但并不存在确切的疾病,理疗成为人们缓解这种症状、放松精神的有效途径。然而,用户在理疗过程中,往往无法结合自身症状和需求,选择合适的理疗项目,人工询问或者人工选择往往耗费时间,且最后推荐的项目很大可能也得不到用户的认可。因此,如何提出快速准确的进行理疗项目匹配是亟待解决的问题。
发明内容
有鉴于此,有必要提供一种理疗门店推荐方法及装置,用以克服现有技术中理疗门店项目推荐不够准确有效的问题。
本发明提供一种理疗门店推荐方法,包括:
获取用户的消费项目数据和用户评价数据;
根据所述消费项目数据和所述用户评价数据,构建对应的项目属性矩阵;
根据所述项目属性矩阵,确定每个待选门店项目的关联度;
对所述关联度进行排序,根据排序结果,在所有待选门店项目中,确定最优门店项目,推荐给用户。
进一步地,所述根据所述消费项目数据和所述用户评价数据,构建对应的项目属性矩阵包括:
根据所述消费项目数据,提取用户历史消费的项目对应的每个项目特征,构建对应的消费项目的历史项目矩阵,其中,所述项目特征包括理疗项目针对部位、项目舒适程度、项目缓解程度中的至少一种;
根据所述用户评价数据,提取用户每个历史消费的项目对应的每个项目特征对应的用户评价数据,构建对应的第一用户权重;
根据所述历史项目矩阵和所述第一用户权重,确定对应的项目特征指数,构建用户对应的所述项目属性矩阵。
进一步地,所述根据所述历史项目矩阵和所述用户权重,确定用户对应的所述项目属性矩阵包括:
将所述历史项目矩阵中每一个项目特征与对应的所述用户权重进行相乘,构成所述项目属性矩阵,通过如下公式表示:
其中,R表示所述项目属性矩阵,xij表示用户的第i个历史消费的项目的第j个项目特征,wij表示用户的第i个历史消费的项目的第j个项目特征对应的第一用户权重,Rij表示用户的第i个历史消费的项目的第j个项目特征加权后的项目特征指数。
进一步地,所述根据所述项目属性矩阵,确定每个待选门店项目的关联度包括:
根据每个所述待选门店项目,构建对应的待选属性矩阵;
根据所述项目属性矩阵和每个待选门店项目对应的所述待选属性矩阵,确定用户的历史消费项目与每个待选门店项目的关联度。
进一步地,所述根据每个所述待选门店项目,构建对应的待选属性矩阵包括:
根据每个所述待选门店项目,确定对应的项目特征,构建对应的待选项目矩阵;
根据每个所述待选门店项目中每个项目特征对应的用户评价平均值,确定每个项目特征对应的第二用户权重;
根据所述待选项目矩阵和所述第二用户权重,确定对应的待选项目指数,构建用户对应的所述待选属性矩阵。
进一步地,所述待选属性矩阵通过如下公式表示:
其中,K表示所述待选属性矩阵,yj表示所述待选门店项目的第j个项目特征,wj′表示所述待选门店项目的第j个项目特征对应的第二用户权重,Kj表示所述待选门店项目的第j个项目特征加权后的待选项目指数。
进一步地,所述根据所述项目属性矩阵和每个待选门店项目对应的所述待选属性矩阵,确定用户的历史消费项目与每个待选门店项目的关联度包括:
根据所述项目属性矩阵中的所述项目特征指数和所述待选属性矩阵中的所述待选项目指数,确定用户每个历史的消费项目和所述待选门店项目之间的项目关联度;
将每个所述项目关联度进行加权求平均,确定最终的所述关联度。
进一步地,所述项目关联度通过如下公式表示:
L=y(sim(Ri1,K1),sim(Ri2,K1)Λsim(Rij,Kj))
其中,L表示所述项目关联度,Rij表示用户的第i个历史消费的项目的第j个项目特征加权后的所述项目特征指数,Kj表示所述待选门店项目的第j个项目特征加权后的所述待选项目指数,sim(Ri1,K1)表示所述项目特征指数和所述待选项目指数之间的相似度,y表示求对应的信息熵。
进一步地,所述项目关联度通过如下公式表示:
L=y(sim(Ri1,K1),sim(Ri2,K1)…sim(Rij,Kj))
其中,L表示所述项目关联度,Rij表示用户的第i个历史消费的项目的第j个项目特征加权后的所述项目特征指数,Kj表示所述待选门店项目的第j个项目特征加权后的所述待选项目指数,sim(Ri1,K1)表示所述项目特征指数和所述待选项目指数之间的相似度,y表示求对应的信息熵。
本发明还提供了一种理疗门店推荐装置,包括:
获取单元,用于获取用户的消费项目数据和用户评价数据;
处理单元,用于根据所述消费项目数据和所述用户评价数据,构建对应的项目属性矩阵;还用于根据所述项目属性矩阵,确定每个待选门店项目的关联度;
推荐单元,用于对所述关联度进行排序,根据排序结果,在所有待选门店项目中,确定最优门店项目,推荐给用户。
与现有技术相比,本发明的有益效果包括:首先,对消费项目数据和用户评价数据进行有效的获取,以此有效了解用户历史消费的项目和用户对这些历史消费项目的评价,从而确定用户的偏好;然后,结合消费项目数据和用户评价数据,构建对应的项目属性矩阵,以此综合反馈用户对每个项目特征的偏重和喜好;进而,通过项目属性矩阵反馈用户的项目特征的侧重和偏好,以此有效地在不同门店的待选门店项目进行匹配搜寻,判断不同待选门店项目与该用户的关联度;最后,利用关联度的排序,有效确定与用户历史偏好项目的项目特征最对应的最优门店项目。综上,本发明结合多种理疗项目的消费项目数据和用户评价数据,全面地提取用户对不同项目的评价,从而建立用户与待选门店项目的关联度,形成有效的推荐,保证用户理疗时的智能推荐。
附图说明
图1为本发明提供的理疗门店推荐方法的应用系统一实施例的场景示意图;
图2为本发明提供的理疗门店推荐方法一实施例的流程示意图;
图3为本发明提供的图2中步骤S2一实施例的流程示意图;
图4为本发明提供的图2中步骤S3一实施例的流程示意图;
图5为本发明提供的图4中步骤S31一实施例的流程示意图;
图6为本发明提供的图4中步骤S32一实施例的流程示意图;
图7为本发明提供的图2中步骤S4一实施例的流程示意图;
图8为本发明提供的理疗门店推荐装置一实施例的结构示意图。
具体实施方式
下面结合附图来具体描述本发明的优选实施例,其中,附图构成本申请一部分,并与本发明的实施例一起用于阐释本发明的原理,并非用于限定本发明的范围。
在本发明的描述中,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。此外,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
在本发明的描述中,提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,所描述的实施例可以与其它实施例相结合。
本发明提供了一种理疗门店推荐方法及装置,应用于计算机网络技术领域,从五元组信息建立规则对应的红黑树,从而进行报文的匹配,为进一步提高规则过滤的准确性和有效性提供了新思路。以下分别进行详细说明:
本发明实施例提供了一种理疗门店推荐方法的应用系统,图1为本发明提供的理疗门店推荐方法的应用系统一实施例的场景示意图,该系统可以包括服务器100,服务器100中集成有理疗门店推荐装置,如图1中的服务器。
本发明实施例中服务器100主要用于:
获取用户的消费项目数据和用户评价数据;
根据所述消费项目数据和所述用户评价数据,构建对应的项目属性矩阵;
根据所述项目属性矩阵,确定每个待选门店项目的关联度;
对所述关联度进行排序,根据排序结果,在所有待选门店项目中,确定最优门店项目,推荐给用户。
本发明实施例中,该服务器100可以是独立的服务器,也可以是服务器组成的服务器网络或服务器集群,例如,本发明实施例中所描述的服务器100,其包括但不限于计算机、网络主机、单个网络服务器、多个网络服务器集或多个服务器构成的云服务器。其中,云服务器由基于云计算(Cloud Computing)的大量计算机或网络服务器构成。
可以理解的是,本发明实施例中所使用的终端200可以是既包括接收和发射硬件的设备,即具有能够在双向通信链路上,执行双向通信的接收和发射硬件的设备。这种设备可以包括:蜂窝或其他通信设备,其具有单线路显示器或多线路显示器或没有多线路显示器的蜂窝或其他通信设备。具体的终端200可以是台式机、便携式电脑、网络服务器、掌上电脑(Personal Digital Assistant,PDA)、移动手机、平板电脑、无线终端设备、通信设备、嵌入式设备等,本实施例不限定终端200的类型。
本领域技术人员可以理解,图1中示出的应用环境,仅仅是与本发明方案一种应用场景,并不构成对本发明方案应用场景的限定,其他的应用环境还可以包括比图1中所示更多或更少的终端,例如图1中仅示出2个终端,可以理解的,该理疗门店推荐方法的应用系统还可以包括一个或多个其他终端,具体此处不作限定。
另外,如图1所示,该理疗门店推荐方法的应用系统还可以包括存储器200,用于存储数据,如消费项目数据、用户评价数据、项目属性矩阵、关联度和最优门店项目等。
需要说明的是,图1所示的理疗门店推荐方法的应用系统的场景示意图仅仅是一个示例,本发明实施例描述的理疗门店推荐方法的应用系统以及场景是为了更加清楚的说明本发明实施例的技术方案,并不构成对于本发明实施例提供的技术方案的限定,本领域普通技术人员可知,随着理疗门店推荐方法的应用系统的演变和新业务场景的出现,本发明实施例提供的技术方案对于类似的技术问题,同样适用。
本发明实施例提供了一种理疗门店推荐方法,结合图2来看,图2为本发明提供的理疗门店推荐方法一实施例的流程示意图,包括步骤S1至步骤S4,其中:
在步骤S1中,获取用户的消费项目数据和用户评价数据;
在步骤S2中,根据所述消费项目数据和所述用户评价数据,构建对应的项目属性矩阵;
在步骤S3中,根据所述项目属性矩阵,确定每个待选门店项目的关联度;
在步骤S4中,对所述关联度进行排序,根据排序结果,在所有待选门店项目中,确定最优门店项目,推荐给用户。
在本发明实施例中,首先,对消费项目数据和用户评价数据进行有效的获取,以此有效了解用户历史消费的项目和用户对这些历史消费项目的评价,从而确定用户的偏好;然后,结合消费项目数据和用户评价数据,构建对应的项目属性矩阵,以此综合反馈用户对每个项目特征的偏重和喜好;进而,通过项目属性矩阵反馈用户的项目特征的侧重和偏好,以此有效地在不同门店的待选门店项目进行匹配搜寻,判断不同待选门店项目与该用户的关联度;最后,利用关联度的排序,有效确定与用户历史偏好项目的项目特征最对应的最优门店项目。
作为优选的实施例,结合图3来看,图3为本发明提供的图2中步骤S2一实施例的流程示意图,步骤S2具体包括步骤S21至步骤S23,其中:
在步骤S21中,根据所述消费项目数据,提取用户历史消费的项目对应的每个项目特征,构建对应的消费项目的历史项目矩阵,其中,所述项目特征包括理疗项目针对部位、项目舒适程度、项目缓解程度中的至少一种;
在步骤S22中,根据所述用户评价数据,提取用户每个历史消费的项目对应的每个项目特征对应的用户评价数据,构建对应的第一用户权重;
在步骤S23中,根据所述历史项目矩阵和所述第一用户权重,确定对应的项目特征指数,构建用户对应的所述项目属性矩阵。
在本发明实施例中,结合不同历史消费项目的项目特征,及用户对不同历史消费项目的项目特征的评分,比如消费完后对该项目的舒适度、缓解度分别进行评分,结合历史项目矩阵和第一用户权重,充分考虑用户的体验感受和偏好,构建项目属性矩阵。
作为优选的实施例,上述将所述历史项目矩阵中每一个项目特征与对应的所述用户权重进行相乘,构成所述项目属性矩阵,通过如下公式表示:
其中,R表示所述项目属性矩阵,xij表示用户的第i个历史消费的项目的第j个项目特征,wij表示用户的第i个历史消费的项目的第j个项目特征对应的第一用户权重,Rij表示用户的第i个历史消费的项目的第j个项目特征加权后的项目特征指数。
在本发明实施例中,结合项目特征和用户评价,对项目属性矩阵进行有效的构建。
作为优选的实施例,结合图4来看,图4为本发明提供的图2中步骤S3一实施例的流程示意图,步骤S3具体包括步骤S31至步骤S32,其中:
在步骤S31中,根据每个所述待选门店项目,构建对应的待选属性矩阵;
在步骤S32中,根据所述项目属性矩阵和每个待选门店项目对应的所述待选属性矩阵,确定用户的历史消费项目与每个待选门店项目的关联度。
在本发明实施例中,基于待选门店项目,同样构建待选属性矩阵,反馈不同方面的特征属性,以此与该用户的历史消费项目的项目特征进行关联。
作为优选的实施例,结合图5来看,图5为本发明提供的图4中步骤S31一实施例的流程示意图,步骤S3具体包括步骤S311至步骤S312,其中:
在步骤S31中,根据每个所述待选门店项目,确定对应的项目特征,构建对应的待选项目矩阵;
在步骤S32中,根据每个所述待选门店项目中每个项目特征对应的用户评价平均值,确定每个项目特征对应的第二用户权重;
在步骤S33中,根据所述待选项目矩阵和所述第二用户权重,确定对应的待选项目指数,构建用户对应的所述待选属性矩阵。
在本发明实施例中,结合某一个待选门店项目的每个项目特征的历史评价的平均值,充分考虑该项目在人群中的平均体验感,更为准确有效的进行推荐。
作为优选的实施例,所述待选属性矩阵通过如下公式表示:
其中,K表示所述待选属性矩阵,yj表示所述待选门店项目的第j个项目特征,wj′表示所述待选门店项目的第j个项目特征对应的第二用户权重,Kj表示所述待选门店项目的第j个项目特征加权后的待选项目指数。
在本发明实施例中,根据不同待选门店项目的每个项目特征在人群中的评价平均值,有效构建待选属性矩阵。
作为优选的实施例,结合图6来看,图6为本发明提供的图4中步骤S32一实施例的流程示意图,步骤S32具体包括步骤S321至步骤S322,其中:
在步骤S321中,根据所述项目属性矩阵中的所述项目特征指数和所述待选属性矩阵中的所述待选项目指数,确定用户每个历史的消费项目和所述待选门店项目之间的项目关联度;
在步骤S322中,将每个所述项目关联度进行加权求平均,确定最终的所述关联度。
在本发明实施例中,用户有多种历史消费项目,针对每一种历史消费项目,确定其与每一种待选门店项目之间的项目关联度,进而基于每一种待选门店项目对用户所有历史消费项目的项目关联度,确定每一种待选门店项目对应的最终的关联度。
作为优选的实施例,所述项目关联度通过如下公式表示:
L=y(sim(Ri1,K1),sim(Ri2,K1)…sim(Rij,Kj))
其中,L表示所述项目关联度,Rij表示用户的第i个历史消费的项目的第j个项目特征加权后的所述项目特征指数,Kj表示所述待选门店项目的第j个项目特征加权后的所述待选项目指数,sim(Ri1,K1)表示所述项目特征指数和所述待选项目指数之间的相似度,y表示求对应的信息熵。
在本发明实施例中,基于每一历史消费项目的不同项目特征指数和每一待选门店项目的不同待选项目指数,有效确定对应的项目关联度。
作为优选的实施例,结合图7来看,图7为本发明提供的图2中步骤S4一实施例的流程示意图,步骤S4包括步骤S41至步骤S42,其中:
在步骤S41中,根据关联度的大小进行排序,确定关联度最大的所述待选门店项目;
在步骤S42中,将所述关联度最大的所述待选门店项目作为最优门店项目,并获取所述最优门店项目的门店位置和项目介绍,推荐给用户。
在本发明实施例中,将关联度最大的待选门店项目作为最优门店项目,提取其相关信息,进行有效的项目推荐,保证智能性和有效性。
本发明实施例还提供了一种理疗门店推荐装置,结合图8来看,图8为本发明提供的理疗门店推荐装置一实施例的结构示意图,包括:
获取单元801,用于获取用户的消费项目数据和用户评价数据;
处理单元802,用于根据所述消费项目数据和所述用户评价数据,构建对应的项目属性矩阵;还用于根据所述项目属性矩阵,确定每个待选门店项目的关联度;
推荐单元803,用于对所述关联度进行排序,根据排序结果,在所有待选门店项目中,确定最优门店项目,推荐给用户。
理疗门店推荐装置的各个单元的更具体实现方式可以参见对于本理疗门店推荐方法的描述,且具有与之相似的有益效果,在此不再赘述。
本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时,实现如上所述的理疗门店推荐方法。
一般来说,用于实现本发明方法的计算机指令的可以采用一个或多个计算机可读的存储介质的任意组合来承载。非临时性计算机可读存储介质可以包括任何计算机可读介质,除了临时性地传播中的信号本身。
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(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(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。在本文件中,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。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言,特别是可以使用适于神经网络计算的Python语言和基于TensorFlow、PyTorch等平台框架。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
本发明实施例还提供了一种计算设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行程序时,实现如上所述的理疗门店推荐方法。
根据本发明上述实施例提供的计算机可读存储介质和计算设备,可以参照根据本发明实现如上所述的理疗门店推荐方法具体描述的内容实现,并具有与如上所述的理疗门店推荐方法类似的有益效果,在此不再赘述。
本发明公开了一种理疗门店推荐方法及装置,首先,对消费项目数据和用户评价数据进行有效的获取,以此有效了解用户历史消费的项目和用户对这些历史消费项目的评价,从而确定用户的偏好;然后,结合消费项目数据和用户评价数据,构建对应的项目属性矩阵,以此综合反馈用户对每个项目特征的偏重和喜好;进而,通过项目属性矩阵反馈用户的项目特征的侧重和偏好,以此有效地在不同门店的待选门店项目进行匹配搜寻,判断不同待选门店项目与该用户的关联度;最后,利用关联度的排序,有效确定与用户历史偏好项目的项目特征最对应的最优门店项目。
本发明技术方案,结合多种理疗项目的消费项目数据和用户评价数据,全面地提取用户对不同项目的评价,从而建立用户与待选门店项目的关联度,形成有效的推荐,保证用户理疗时的智能推荐。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种理疗门店推荐方法,其特征在于,包括:
获取用户的消费项目数据和用户评价数据;
根据所述消费项目数据和所述用户评价数据,构建对应的项目属性矩阵;
根据所述项目属性矩阵,确定每个待选门店项目的关联度;
对所述关联度进行排序,根据排序结果,在所有待选门店项目中,确定最优门店项目,推荐给用户。
2.根据权利要求1所述的理疗门店推荐方法,其特征在于,所述根据所述消费项目数据和所述用户评价数据,构建对应的项目属性矩阵包括:
根据所述消费项目数据,提取用户历史消费的项目对应的每个项目特征,构建对应的消费项目的历史项目矩阵,其中,所述项目特征包括理疗项目针对部位、项目舒适程度、项目缓解程度中的至少一种;
根据所述用户评价数据,提取用户每个历史消费的项目对应的每个项目特征对应的用户评价数据,构建对应的第一用户权重;
根据所述历史项目矩阵和所述第一用户权重,确定对应的项目特征指数,构建用户对应的所述项目属性矩阵。
4.根据权利要求1所述的理疗门店推荐方法,其特征在于,所述根据所述项目属性矩阵,确定每个待选门店项目的关联度包括:
根据每个所述待选门店项目,构建对应的待选属性矩阵;
根据所述项目属性矩阵和每个待选门店项目对应的所述待选属性矩阵,确定用户的历史消费项目与每个待选门店项目的关联度。
5.根据权利要求4所述的理疗门店推荐方法,其特征在于,所述根据每个所述待选门店项目,构建对应的待选属性矩阵包括:
根据每个所述待选门店项目,确定对应的项目特征,构建对应的待选项目矩阵;
根据每个所述待选门店项目中每个项目特征对应的用户评价平均值,确定每个项目特征对应的第二用户权重;
根据所述待选项目矩阵和所述第二用户权重,确定对应的待选项目指数,构建用户对应的所述待选属性矩阵。
6.根据权利要求5所述的理疗门店推荐方法,其特征在于,所述待选属性矩阵通过如下公式表示:
K=[y1·w1’ y2·w2’ ... yj·wj’]=[K1 K2 ... Kj]
其中,K表示所述待选属性矩阵,yj表示所述待选门店项目的第j个项目特征,wj ·表示所述待选门店项目的第j个项目特征对应的第二用户权重,Kj表示所述待选门店项目的第j个项目特征加权后的待选项目指数。
7.根据权利要求4所述的理疗门店推荐方法,其特征在于,所述根据所述项目属性矩阵和每个待选门店项目对应的所述待选属性矩阵,确定用户的历史消费项目与每个待选门店项目的关联度包括:
根据所述项目属性矩阵中的所述项目特征指数和所述待选属性矩阵中的所述待选项目指数,确定用户每个历史的消费项目和所述待选门店项目之间的项目关联度;
将每个所述项目关联度进行加权求平均,确定最终的所述关联度。
8.根据权利要求7所述的理疗门店推荐方法,其特征在于,所述项目关联度通过如下公式表示:
L=y(sim(Ri1,K1),sim(Ri2,K1)…sim(Rij,Kj))
其中,L表示所述项目关联度,Rij表示用户的第i个历史消费的项目的第j个项目特征加权后的所述项目特征指数,Kj表示所述待选门店项目的第j个项目特征加权后的所述待选项目指数,sim(Ri1,K1)表示所述项目特征指数和所述待选项目指数之间的相似度,y表示求对应的信息熵。
9.根据权利要求1所述的理疗门店推荐方法,其特征在于,所述对所述关联度进行排序,根据排序结果,在所有待选门店项目中,确定最优门店项目,推荐给用户包括:
根据关联度的大小进行排序,确定关联度最大的所述待选门店项目;
将所述关联度最大的所述待选门店项目作为最优门店项目,并获取所述最优门店项目的门店位置和项目介绍,推荐给用户。
10.一种理疗门店推荐装置,其特征在于,包括:
获取单元,用于获取用户的消费项目数据和用户评价数据;
处理单元,用于根据所述消费项目数据和所述用户评价数据,构建对应的项目属性矩阵;还用于根据所述项目属性矩阵,确定每个待选门店项目的关联度;
推荐单元,用于对所述关联度进行排序,根据排序结果,在所有待选门店项目中,确定最优门店项目,推荐给用户。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110934801.5A CN113688314B (zh) | 2021-08-13 | 2021-08-13 | 一种理疗门店推荐方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110934801.5A CN113688314B (zh) | 2021-08-13 | 2021-08-13 | 一种理疗门店推荐方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113688314A true CN113688314A (zh) | 2021-11-23 |
CN113688314B CN113688314B (zh) | 2024-03-19 |
Family
ID=78580270
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110934801.5A Active CN113688314B (zh) | 2021-08-13 | 2021-08-13 | 一种理疗门店推荐方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113688314B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116308684A (zh) * | 2023-05-18 | 2023-06-23 | 和元达信息科技有限公司 | 一种网购平台店铺信息推送方法及系统 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005122369A (ja) * | 2003-10-15 | 2005-05-12 | Kddi Corp | リコメンダシステムにおけるアイテム推薦度提示装置 |
CN102789462A (zh) * | 2011-05-18 | 2012-11-21 | 阿里巴巴集团控股有限公司 | 一种项目推荐方法及系统 |
CN104111925A (zh) * | 2013-04-16 | 2014-10-22 | 中国移动通信集团公司 | 项目推荐方法和装置 |
CN106777200A (zh) * | 2016-12-23 | 2017-05-31 | Tcl集团股份有限公司 | 项目推荐的方法及装置 |
CN107273438A (zh) * | 2017-05-24 | 2017-10-20 | 深圳大学 | 一种推荐方法、装置、设备及存储介质 |
CN107295107A (zh) * | 2017-08-01 | 2017-10-24 | 深圳天珑无线科技有限公司 | 推荐方法、推荐装置以及移动终端 |
CN109408665A (zh) * | 2018-12-29 | 2019-03-01 | 咪咕音乐有限公司 | 一种信息推荐方法及装置、存储介质 |
CN110362755A (zh) * | 2019-07-23 | 2019-10-22 | 南京邮电大学 | 一种基于物品协同过滤与关联规则的混合算法的推荐方法 |
CN110825977A (zh) * | 2019-10-10 | 2020-02-21 | 平安科技(深圳)有限公司 | 一种数据推荐方法及相关设备 |
CN111310046A (zh) * | 2020-02-18 | 2020-06-19 | 苏州大学 | 对象推荐方法及装置 |
CN112200623A (zh) * | 2020-09-27 | 2021-01-08 | 深圳市其乐游戏科技有限公司 | 产品推荐方法、装置、设备及存储介质 |
CN113077312A (zh) * | 2021-04-12 | 2021-07-06 | 上海华客信息科技有限公司 | 酒店推荐方法、系统、设备及存储介质 |
-
2021
- 2021-08-13 CN CN202110934801.5A patent/CN113688314B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005122369A (ja) * | 2003-10-15 | 2005-05-12 | Kddi Corp | リコメンダシステムにおけるアイテム推薦度提示装置 |
CN102789462A (zh) * | 2011-05-18 | 2012-11-21 | 阿里巴巴集团控股有限公司 | 一种项目推荐方法及系统 |
CN104111925A (zh) * | 2013-04-16 | 2014-10-22 | 中国移动通信集团公司 | 项目推荐方法和装置 |
CN106777200A (zh) * | 2016-12-23 | 2017-05-31 | Tcl集团股份有限公司 | 项目推荐的方法及装置 |
CN107273438A (zh) * | 2017-05-24 | 2017-10-20 | 深圳大学 | 一种推荐方法、装置、设备及存储介质 |
CN107295107A (zh) * | 2017-08-01 | 2017-10-24 | 深圳天珑无线科技有限公司 | 推荐方法、推荐装置以及移动终端 |
CN109408665A (zh) * | 2018-12-29 | 2019-03-01 | 咪咕音乐有限公司 | 一种信息推荐方法及装置、存储介质 |
CN110362755A (zh) * | 2019-07-23 | 2019-10-22 | 南京邮电大学 | 一种基于物品协同过滤与关联规则的混合算法的推荐方法 |
CN110825977A (zh) * | 2019-10-10 | 2020-02-21 | 平安科技(深圳)有限公司 | 一种数据推荐方法及相关设备 |
CN111310046A (zh) * | 2020-02-18 | 2020-06-19 | 苏州大学 | 对象推荐方法及装置 |
CN112200623A (zh) * | 2020-09-27 | 2021-01-08 | 深圳市其乐游戏科技有限公司 | 产品推荐方法、装置、设备及存储介质 |
CN113077312A (zh) * | 2021-04-12 | 2021-07-06 | 上海华客信息科技有限公司 | 酒店推荐方法、系统、设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
SO-RYOUNG KIM等: "A Recommendation Method Based on Contents and User Feedback", 《ACHI 2012》, pages 1 - 5 * |
张豫: "基于用户评分与评论的推荐系统研究与实现", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》, vol. 2020, no. 01, pages 138 - 2753 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116308684A (zh) * | 2023-05-18 | 2023-06-23 | 和元达信息科技有限公司 | 一种网购平台店铺信息推送方法及系统 |
CN116308684B (zh) * | 2023-05-18 | 2023-08-11 | 和元达信息科技有限公司 | 一种网购平台店铺信息推送方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113688314B (zh) | 2024-03-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10049154B2 (en) | Method for matching queries with answer items in a knowledge base | |
US10255319B2 (en) | Searchable index | |
US20100241647A1 (en) | Context-Aware Query Recommendations | |
US9152709B2 (en) | Cross-domain topic space | |
CN112231592A (zh) | 基于图的网络社团发现方法、装置、设备以及存储介质 | |
CN111708929B (zh) | 信息搜索方法、装置、电子设备及存储介质 | |
CN111625638B (zh) | 一种问句处理方法、装置、设备及可读存储介质 | |
WO2014107194A1 (en) | Identifying relevant user content | |
US7895206B2 (en) | Search query categrization into verticals | |
CN113688314B (zh) | 一种理疗门店推荐方法及装置 | |
US20140040248A1 (en) | Providing a response to a query | |
CN110262906B (zh) | 接口标签推荐方法、装置、存储介质和电子设备 | |
CN105208033B (zh) | 一种基于智能终端情景的群体辅助推荐方法及系统 | |
US20170161322A1 (en) | Method and electronic device for searching resource | |
US10963743B2 (en) | Machine learning with small data sets | |
CN116383340A (zh) | 信息搜索方法、装置、电子设备和存储介质 | |
CN115758271A (zh) | 数据处理方法、装置、计算机设备和存储介质 | |
CN113326436B (zh) | 确定推荐资源的方法、装置、电子设备和存储介质 | |
CN114268625B (zh) | 特征选择方法、装置、设备及存储介质 | |
CN113901056A (zh) | 接口推荐方法、装置及电子设备 | |
CN113761379A (zh) | 商品推荐方法及装置、电子设备和介质 | |
US8639693B1 (en) | Personalized place recommendations using collections of place listings | |
KR20170086386A (ko) | 콘텐츠를 추적하는 방법 및 이를 사용하는 전자 장치 | |
CN113704510B (zh) | 一种媒体内容推荐方法、装置、电子设备及存储介质 | |
US20240152512A1 (en) | Machine learning for dynamic information retrieval in a cold start setting |
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 |