CN113706251B - 基于模型的商品推荐方法、装置、计算机设备和存储介质 - Google Patents
基于模型的商品推荐方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN113706251B CN113706251B CN202111007291.3A CN202111007291A CN113706251B CN 113706251 B CN113706251 B CN 113706251B CN 202111007291 A CN202111007291 A CN 202111007291A CN 113706251 B CN113706251 B CN 113706251B
- Authority
- CN
- China
- Prior art keywords
- preset
- commodity
- user
- information
- time period
- 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
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000012216 screening Methods 0.000 claims abstract description 35
- 238000001914 filtration Methods 0.000 claims abstract description 11
- 238000006243 chemical reaction Methods 0.000 claims description 33
- 230000006399 behavior Effects 0.000 claims description 29
- 238000012545 processing Methods 0.000 claims description 17
- 238000011156 evaluation Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 13
- 238000004458 analytical method Methods 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000013473 artificial intelligence Methods 0.000 abstract description 7
- 239000013598 vector Substances 0.000 description 15
- 238000005516 engineering process Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 12
- 238000012549 training Methods 0.000 description 10
- 238000007726 management method Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000006978 adaptation Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012550 audit Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000013475 authorization Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012954 risk control Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- 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)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Computational Linguistics (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请涉及人工智能技术领域,提供一种基于模型的商品推荐方法、装置、计算机设备和存储介质,方法包括:获取与指定应用对应的用户购物行为数据;基于用户购物行为数据,获取第一预设时间段内用户已完成的购买信息;从收件人信息筛选与账号信息不同的第一收件人信息;从第一收件人信息中过滤出现次数小于预设次数的收件人信息得到第二收件人信息;基于TransE模型确定用户与指定收件人的目标关系;从与目标关系对应的所有商品中确定推荐商品;基于用户属性库与购买信息确定推荐时间段;基于推荐时间段向用户推送推荐商品。本申请能提高商品推荐的全面性与智能性。本申请还可以应用于区块链领域,上述推荐商品等数据可以存储于区块链上。
Description
技术领域
本申请涉及人工智能技术领域,具体涉及一种基于模型的商品推荐方法、装置、计算机设备和存储介质。
背景技术
随着网络技术的深入发展,电子商务为代表的互联网商机包含巨大的市场价值。在众多电子商务网站中,如亚马逊和淘宝,针对用户的推荐一直都是提升产品品牌价值和赢得客户市场的重要技术保证,以求提高用户体验的同时增加商品的销量。
目前比较成熟的推荐技术主要有基于内容的推荐以及协同过滤推荐等。这些常用的推荐技术通常是只针对用户本人的喜好内容的维度进行推荐。然而,对于存在复杂社会关系中的个人,其购买行为很可能是由于这些社会关系,如为父母买保健品、为男女朋友买礼物,为儿女买书籍等等。但现有的商品推荐方式缺乏从社会关系的维度为用户推荐相关商品的处理,存在推荐智能性较低,推荐商品不全面的技术问题。
发明内容
本申请的主要目的为提供一种基于模型的商品推荐方法、装置、计算机设备和存储介质,旨在解决现有的商品推荐方式存在推荐智能性较低,推荐商品不全面的技术问题。
本申请提出一种基于模型的商品推荐方法,所述方法包括步骤:
获取与指定应用对应的用户购物行为数据;
基于所述用户购物行为数据,获取第一预设时间段内用户已完成的购买信息;其中,所述购买信息至少包括账号信息与收件人信息;
从所有所述收件人信息中筛选出与所述账号信息不同的第一收件人信息;
从所有所述第一收件人信息中过滤掉出现次数小于预设次数的收件人信息,得到对应的第二收件人信息;
基于预设的TransE模型确定出所述用户与指定收件人之间的目标关系;其中,所述指定收件人为与指定收件人信息对应的收件人,所述指定收件人信息为所有所述第二收件人信息中的任意一个信息;
获取与所述目标关系对应的所有商品,并按照预设规则从所有所述商品中确定出与所述用户对应的推荐商品;
基于预设的用户属性库与所述购买信息,确定出与所述用户对应的推荐时间段;
基于所述推荐时间段向所述用户推送所述推荐商品。
可选地,所述获取与所述目标关系对应的所有商品,并按照预设规则从所有所述商品中确定出与所述用户对应的推荐商品的步骤,包括:
以所述目标关系作为关键词对所述指定应用进行搜索处理,得到与所述目标关系对应的所述商品;
获取第二预设时间段内,所有所述商品中浏览次数最高的第一预设数量的第一商品;
获取所述第二预设时间段内,购买转化率最高的第二预设数量的第二商品;
对所述第一商品与所述第二商品进行去重处理,得到对应的第三商品;
获取所述第二预设时间段内,所述第三商品的好评率;
基于与所述浏览次数、所述购买转化率以及所述好评率分别对应的预设权重,调用预设的分数算法计算出各所述第三商品的推荐分数;
从所有所述第三商品中筛选出推荐分数中大于预设分数阈值的第四商品;
计算各所述第四商品的质量系数;
从所有所述第四商品中筛选出质量系数大于预设质量系数阈值的第五商品;
将得到的所述第五商品作为所述推荐商品。
可选地,所述基于与所述浏览次数、所述购买转化率以及所述好评率分别对应的预设权重,调用预设的分数算法计算出各所述第三商品的推荐分数的步骤,包括:
获取在所述第二预设时间段内,第一指定商品的浏览次数,并获取所述浏览次数的第一预设权重;其中,所述第一指定商品为所有所述第三商品的任意一个商品;以及,
获取在所述第二预设时间段内,所述第一指定商品的购买转化率,并获取所述购买转化率的第二预设权重;以及,
获取在所述第二预设时间段内,所述第一指定商品的好评率,并获取所述好评率的第三预设权重;
基于所述第一预设权重、第二预设权重和第三预设权重通过第一预设公式计算得到第一指定商品的推荐分数。可选地,所述计算各所述第四商品的质量系数,包括:
获取在第三预设时间段内,第二指定商品的购买数量,并获取所述购买数量的第四预设权重;其中,所述第二指定商品为所有所述第四商品中的任意一个商品;以及,
获取在所述第三预设时间段内,所述第二指定商品的差评次数,并获取所述差评次数的第五预设权重;以及,
获取在所述第三预设时间段内,所述第二指定商品的退货次数,并获取所述退货次数的第六预设权重;
基于所述第四预设权重、第五预设权重和第六预设权重通过第二预设公式计算得到第二指定商品的质量系数。
可选地,所述基于预设的用户属性库与所述购买信息,确定出与所述用户对应的推荐时间段的步骤,包括:
调用所述用户属性库;
判断所述用户属性库中是否存在与所述用户对应的用户信息;
若是,基于所述用户信息,从所述用户属性库中查询出与所述用户信息对应的属性数据;其中,所述属性数据包括基础属性数据与工作属性数据;
对所述属性数据进行时间轨迹分析,得到与所述用户对应的时间表;
获取所述购买信息的下单时间;
基于所述时间表与所述下单时间,确定出所述推荐时间段。
可选地,所述基于所述时间表与所述下单时间,确定出所述推荐时间段的步骤,包括:
从所述时间表中筛选出第一空闲时间段;
判断所有所述下单时间中是否存在处于所述时间表包含的所有时间段的范围之外的第一下单时间;
若存在所述第一下单时间,从所有所述第一下单时间中提取出数值最小的第二下单时间,以及提取出数值最大的第三下单时间;
基于所述第二下单时间与所述第三下单时间生成相应的第二空闲时间段;其中,所述第二下单时间为所述第二空闲时间段的左端点,所述第三下单时间为所述第二空闲时间段的右端点;
对所述第一空闲时间段与所述第二空闲时间段进行取并集处理,得到对应的第三空闲时间段;
将所述第三空闲时间段作为所述推荐时间段。
可选地,所述基于预设的TransE模型确定出所述用户与指定收件人之间的目标关系的步骤之后,包括:
分别获取所述用户与各目标收件人之间的身份关联关系;其中,所述目标收件人为与所述第一收件人信息对应的收件人;
基于所述用户与各目标收件人之间的身份关联关系生成与所述用户对应的社会关系图谱;
获取预设的存储数据,并从所述存储数据中获取本地存储空间;
判断所述本地存储空间是否大于预设的存储空间阈值;
若大于所述存储空间阈值,将所述社会关系图谱存储于本地;
若不大于所述存储空间阈值,将所述社会关系图谱存储于区块链中。
本申请还提供一种基于模型的商品推荐装置,包括:
第一获取模块,用于获取与指定应用对应的用户购物行为数据;
第二获取模块,用于基于所述用户购物行为数据,获取第一预设时间段内用户已完成的购买信息;其中,所述购买信息至少包括账号信息与收件人信息;
筛选模块,用于从所有所述收件人信息中筛选出与所述账号信息不同的第一收件人信息;
处理模块,用于从所有所述第一收件人信息中过滤掉出现次数小于预设次数的收件人信息,得到对应的第二收件人信息;
第一确定模块,用于基于预设的TransE模型确定出所述用户与指定收件人之间的目标关系;其中,所述指定收件人为与指定收件人信息对应的收件人,所述指定收件人信息为所有所述第二收件人信息中的任意一个信息;
第二确定模块,用于获取与所述目标关系对应的所有商品,并按照预设规则从所有所述商品中确定出与所述用户对应的推荐商品;
第三确定模块,用于基于预设的用户属性库与所述购买信息,确定出与所述用户对应的推荐时间段;
推送模块,用于基于所述推荐时间段向所述用户推送所述推荐商品。
本申请还提供一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器执行所述计算机程序时实现上述方法的步骤。
本申请还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述方法的步骤。
本申请中提供的基于模型的商品推荐方法、装置、计算机设备和存储介质,具有以下有益效果:
本申请中提供的基于模型的商品推荐方法、装置、计算机设备和存储介质,在从指定应用中获取到用户购物行为数据以及用户已完成的购买信息时,并在判别出购买信息中存在出现次数小于预设次数的第二收件人信息后,先会基于TransE模型确定所述用户与指定收件人之间的目标关系,然后基于所述目标关系确定出与所述用户对应的推荐商品,后续再确定出与所述用户对应的推荐时间段,最后基于所述推荐时间段向所述用户进行推送所述推荐商品。通过本申请,能够基于对于用户已完成的购买信息进行分析,并基于购买信息中出现的收件人信息进行用户与收件人之间的社会关系的推理,并将得到的用户与收件人之间的关系作为一个新的商品推荐维度来确定出与所述用户对应的推荐商品,从而后续将该推荐商品推送给用户,有效地提高了商品推荐的全面性与智能性。另外,还会确定出与所述用户对应的推荐时间段,从而基于所述推荐时间段向所述用户推送所述推荐商品,以实现进一步提高了商品推荐的智能性。
附图说明
图1是本申请一实施例的基于模型的商品推荐方法的流程示意图;
图2是本申请一实施例的基于模型的商品推荐装置的结构示意图;
图3是本申请一实施例的计算机设备的结构示意图。
本申请目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用于解释本申请,并不用于限定本申请。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语),具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语,应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样被特定定义,否则不会用理想化或过于正式的含义来解释。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
参照图1,本申请一实施例的基于模型的商品推荐方法,包括:
S10:获取与指定应用对应的用户购物行为数据;
S20:基于所述用户购物行为数据,获取第一预设时间段内用户已完成的购买信息;其中,所述购买信息至少包括账号信息与收件人信息;
S30:从所有所述收件人信息中筛选出与所述账号信息不同的第一收件人信息;
S40:从所有所述第一收件人信息中过滤掉出现次数小于预设次数的收件人信息,得到对应的第二收件人信息;
S50:基于预设的TransE模型确定出所述用户与指定收件人之间的目标关系;其中,所述指定收件人为与指定收件人信息对应的收件人,所述指定收件人信息为所有所述第二收件人信息中的任意一个信息;
S60:获取与所述目标关系对应的所有商品,并按照预设规则从所有所述商品中确定出与所述用户对应的推荐商品;
S70:基于预设的用户属性库与所述购买信息,确定出与所述用户对应的推荐时间段;
S80:基于所述推荐时间段向所述用户推送所述推荐商品。
如上述步骤S10至S80所述,本方法实施例的执行主体为一种基于模型的商品推荐装置。在实际应用中,上述基于模型的商品推荐装置可以通过虚拟装置,例如软件代码实现,也可以通过写入或集成有相关执行代码的实体装置实现,且可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。本实施例中的基于模型的商品推荐装置,能够有效提高商品推荐的全面性与智能性。具体地,首先获取与指定应用对应的用户购物行为数据。其中,可通过预设埋点方式,例如通过应用页面埋点和用户行为埋点SDK来收集目标应用对应的所有用户的购物行为数据。另外,购物行为数据可包括用户的点击行为信息、购买信息、购物车信息、搜索信息、浏览记录信息等。所述指定应用可为内部具有多个待推荐的商品的应用。然后基于所述用户购物行为数据,获取第一预设时间段内用户已完成的购买信息。其中,所述购买信息至少包括账号信息与收件人信息。另外,所述购买信息还可包括地址信息、商品信息、下单信息等,所述收件人信息包括收件人姓名。举例地,假如存在一条购物行为数据:用户胡晓,于2020年5月10日10点55分,购买按摩椅一台,收件人地址:深圳市南山区前进花园1828室胡建国。则可得到地址信息为深圳市南山区前进花园1828室,账号信息为胡晓,收件人信息为胡建国,商品信息为按摩椅,下单时间为2020年5月10日10点55分。
在得到了所述购买信息后,从所有所述收件人信息中筛选出与所述账号信息不同的第一收件人信息。其中,所述账号信息包括所述用户的姓名,可通过使用相似度算法计算所述账号信息与所述收件人信息之间的相似度,若相似度大于预设的相似度阈值,则判定两者为相同的信息,否则判定两者为不相同的信息。另外,对所述相似度阈值的取值不作具体限定,可根据实际需求进行设置。之后从所有所述第一收件人信息中过滤掉出现次数小于预设次数的收件人信息,得到对应的第二收件人信息。其中,对于所述出现次数的取值不作具体限定,可根据实际需求进行设置。若存在出现次数大于预设次数的特定收件人信息,则表明用户具有经常为特定收件人信息对应的特定收件人购买商品的习惯。使得后续会智能的为用户推荐与特定收件人相关联的商品,以实现从社会关系的维度来为用户进行商品推荐,从而能够提高商品推荐的智能性,且提高了用户的使用体验。
在得到了所述第二收件人信息后,基于预设的TransE模型确定出所述用户与指定收件人之间的目标关系;其中,所述指定收件人为与指定收件人信息对应的收件人,所述指定收件人信息为所有所述第二收件人信息中的任意一个信息。其中,通过TransE模型可将知识图谱中的实体和关系映射到向量空间,其核心是把三元组(h,r,t)之间的关系等价于将头实体向量转换成尾实体向量的过程。其中h指代头实体的向量表示,r指代关系的向量表示,t指代尾实体的向量表示,其优化目标使h+r的值与t的值相一致,定义得分函数:fr(h,t)=||h+r-t||2。得分函数用于计算h+r和t之间的距离,以此来衡量三元组是否正确。若有(h,r,t)存在时,则希望h+r≈t,否则h+r应尽量远离t。另外,TransE模型的训练过程为:1)首先确定训练集(训练集可根据实际的使用需求采集生成的三元组数据),并获取训练集中包含的所有实体和关系。2)然后初始化关系向量和实体向量。其中,对于每个向量的每个维度在内随机取一个值,k为低维向量的维数,对所有的向量初始化之后要进行归一化。3)对已有的三元组数据进行分批训练,基于用随机梯度下降法不断优化损失函数,最终得到训练完成的TransE模型。其中,损失函数为:
其中,S是知识库中的三元组(h,r,t)即训练集,S’是负采样的三元组(h’,r,t’),通过替换h或t所得,是人为随机生成的,即h’为h的替换向量,h被随机实体替换后得到h’,t’为t的替换向量,t被随机实体替换后得到t’。γ是取值大于0的间隔距离参数,是一个超参数。训练完成后,基于训练得到的TransE模型可以正确获取到训练集中不同实体之间的隐藏联系。从而利用该TransE推理模型可以输出用户与第二收件人信息的关系。具体的,可预先生成两者之间的多个候补关系,后续将用户对应的第一实体向量、指定候补关系与第二收件人信息对应的第二实体向量输入至TransE模型,通过TransE模型使用得分函数计算出与每个指定候补关系分别对应的置信度,并从得到的所有置信度中提取出数值最大的目标置信度,再判断该目标置信度是否大于预设的置信度阈值,若大于则将该目标置信度对应的目标候补关系作为用户与第二收件人信息的关系。其中,关系可包括父子关系、男女朋友关系,夫妻关系,父女关系等。对所述置信度阈值的取值不作具体限定,可根据实际需求进行设置。
在得到了所述目标关系后,获取与所述目标关系对应的所有商品,并按照预设规则从所有所述商品中确定出与所述用户对应的推荐商品。其中,可将所述关系作为关键词对指定应用进行搜索处理得到对应的商品,然后智能地综合考量多方面的因素,如商品的浏览次数、购买转化率、好评率、推荐分数、质量分数等来确定出最终的推荐商品。后续基于预设的用户属性库与所述购买信息,确定出与所述用户对应的推荐时间段。其中,可先从所述用户属性库中查询出与所述用户信息对应的属性数据,再对所述属性数据进行时间轨迹分析,得到与所述用户对应的时间表,然后对所述属性数据进行时间轨迹分析,得到与所述用户对应的时间表,进而基于所述时间表与所述下单时间,确定出所述推荐时间段。最后基于所述推荐时间段向所述用户推送所述推荐商品。其中,可先获取当前时间,并在判别出当前时间处于该推荐时间段的范围内,才会向所述用户推送所述推荐商品,从而能够避免在用户的非空闲时间段为用户进行商品推荐,可以避免用户出现不好的使用体验,提高商品推荐的智能性。
本实施例在从指定应用中获取到用户购物行为数据以及用户已完成的购买信息时,并在判别出购买信息中存在出现次数小于预设次数的第二收件人信息后,先会基于TransE模型确定所述用户与指定收件人之间的目标关系,然后基于所述目标关系确定出与所述用户对应的推荐商品,后续再确定出与所述用户对应的推荐时间段,最后基于所述推荐时间段向所述用户进行推送所述推荐商品。通过本实施例,能够基于对于用户已完成的购买信息进行分析,并基于购买信息中出现的收件人信息进行用户与收件人之间的社会关系的推理,并将得到的用户与收件人之间的关系作为一个新的商品推荐维度来确定出与所述用户对应的推荐商品,从而后续将该推荐商品推送给用户,有效地提高了商品推荐的全面性与智能性。另外,还会确定出与所述用户对应的推荐时间段,从而基于所述推荐时间段向所述用户推送所述推荐商品,以实现进一步提高了商品推荐的智能性。
进一步地,本申请一实施例中,上述步骤S60,包括:
S600:以所述目标关系作为关键词对所述指定应用进行搜索处理,得到与所述目标关系对应的所述商品;
S601:获取第二预设时间段内,所有所述商品中浏览次数最高的第一预设数量的第一商品;
S602:获取所述第二预设时间段内,购买转化率最高的第二预设数量的第二商品;
S603:对所述第一商品与所述第二商品进行去重处理,得到对应的第三商品;
S604:获取所述第二预设时间段内,所述第三商品的好评率;
S605:基于与所述浏览次数、所述购买转化率以及所述好评率分别对应的预设权重,调用预设的分数算法计算出各所述第三商品的推荐分数;
S606:从所有所述第三商品中筛选出推荐分数中大于预设分数阈值的第四商品;
S607:计算各所述第四商品的质量系数;
S608:从所有所述第四商品中筛选出质量系数大于预设质量系数阈值的第五商品;
S609:将得到的所述第五商品作为所述推荐商品。
如上述步骤S600至S609所述,所述获取与所述目标关系对应的所有商品,并按照预设规则从所有所述商品中确定出与所述用户对应的推荐商品的步骤,具体可包括:首先以所述目标关系作为关键词对所述指定应用进行搜索处理,得到与所述目标关系对应的所述商品。其中,可基于所述关键词从指定应用中包含的所有商品中进行搜索处理得到与该关键词具有关联关系的商品。另外,可以通过埋点采集指定应用内所有用户对各商品的用户行为数据,并基于对采集得到的所有用户行为数据进行分析以得到各商品的商品特征数据,商品特征数据可包括商品的浏览次数、商品的购买转化率、商品的好评率、商品的购买数量、商品的差评次数以及商品的退货次数等数据。然后获取第二预设时间段内,所有所述商品中浏览次数最高的第一预设数量的第一商品。其中,对于所述第二预设时间段与第一预设数量的取值不作具体限定,可根据实际需求进行设置,例如可根据历史测试数据或专家经验确定。以及获取所述第二预设时间段内,购买转化率最高的第二预设数量的第二商品。其中,对于所述第二预设数量的取值不作具体限定,可根据实际需求进行设置,例如可根据历史测试数据或专家经验确定。之后对所述第一商品与所述第二商品进行去重处理,得到对应的第三商品。在得到了所述第三商品后,获取所述第二预设时间段内,所述第三商品的好评率。后续基于与所述浏览次数、所述购买转化率以及所述好评率分别对应的预设权重,调用预设的分数算法计算出各所述第三商品的推荐分数。其中,对于所述预设权重的取值不作具体限定,可根据实际需求进行设置。在得到了所述推荐分数后,从所有所述第三商品中筛选出推荐分数中大于预设分数阈值的第四商品。其中,对于所述预设分数阈值的取值不作具体限定,可根据实际需求进行设置。在得到所述第四商品后,计算各所述第四商品的质量系数。最后从所有所述第四商品中筛选出质量系数大于预设质量系数阈值的第五商品,并将得到的所述第五商品作为所述推荐商品。其中,对于所述预设质量系数阈值的取值不作具体限定,可根据实际需求进行设置。本实施例在确定了所述用户与所述指定收件人的关系后,会先将所述关系作为关键词对指定应用进行搜索处理得到对应的商品,然后会智能地综合考量多方面的因素,如商品的浏览次数、购买转化率、好评率、推荐分数、质量分数等来确定出最终的推荐商品,使得得到的推荐商品能够更加符合用户当前的需求,有效地提高了商品推荐的准确性与稳定性,有利于提高商品的购买成功率。另外,在得到了与所述关系对应的所有商品后,会有针对性地向用户进行所述推荐商品的推送,而不会将所有商品均推送给用户,从而可以有效节省资源,提高商品推荐的智能性,以及提高了用户的使用体验。
进一步地,本申请一实施例中,上述步骤S605,包括:
S6050:获取在所述第二预设时间段内,第一指定商品的浏览次数,并获取所述浏览次数的第一预设权重;其中,所述第一指定商品为所有所述第三商品的任意一个商品;以及,
S6051:获取在所述第二预设时间段内,所述第一指定商品的购买转化率,并获取所述购买转化率的第二预设权重;以及,
S6052:获取在所述第二预设时间段内,所述第一指定商品的好评率,并获取所述好评率的第三预设权重;
S6053:基于所述第一预设权重、第二预设权重和第三预设权重通过第一预设公式计算得到第一指定商品的推荐分数。
如上述步骤S6050至S6053所述,所述基于与所述浏览次数、所述购买转化率以及所述好评率分别对应的预设权重,调用预设的分数算法计算出各所述第三商品的推荐分数的步骤,具体看包括:首先获取在所述第二预设时间段内,第一指定商品的浏览次数,并获取所述浏览次数的第一预设权重。其中,所述第一指定商品为所有所述第三商品的任意一个商品。另外,,对于所述第二预设时间段的取值不作具体限定,可根据实际需求进行设置,例如可为距离当前时间的前一个月内。以及获取在所述第二预设时间段内,所述第一指定商品的购买转化率,并获取所述购买转化率的第二预设权重。其中,所述购买转化率是指从商品的浏览详情页跳转到支付页再跳转到支付完成页的转化率。举例地,假如对于产品A,总共有100个用户浏览了产品A的浏览详情页,其中有80个用户点到了产品A的支付页,最后只有50个用户点到了产品A的支付完成页,则产品A的购买转化率为50/100=50%。以及获取在所述第二预设时间段内,所述第一指定商品的好评率,并获取所述好评率的第三预设权重。最后基于所述第一预设权重、第二预设权重和第三预设权重通过第一预设公式计算得到第一指定商品的推荐分数。具体的,可通过第一预设公式计算出所述第一指定商品的推荐分数。其中,L为第一指定商品的浏览次数,G为所述第一指定商品的购买转化率,H为所述第一指定商品的好评率,d1为所述浏览次数的第一预设权重,d2为所述购买转化率的第二预设权重,d3为所述好评率的第三预设权重。另外,对于所述第一预设权重、第二预设权重与第三预设权重的取值不作具体限定,可根据实际需求进行设置,例如可根据历史测试数据或专家经验确定。举例地,d1>d2>d3,且d1+d2+d3=1。本实施例通过调用第一预设公式可以快速准确地计算出每一个第三产品的推荐分数,进而可以依据该推荐分数来对第三商品进行筛选处理从而得到对应的第四商品,从而有利于后续通过将对第四商品进行质量筛选处理后得到的第五商品作为推荐商品,由于推荐商品是经过了推荐分数与质量系数等多种因素筛选后生成的,从而能够保证得到的该推荐商品的准确性,有利于提高向用户推荐商品的智能性与准确性。
进一步地,本申请一实施例中,上述步骤S607,包括:
S6070:获取在第三预设时间段内,第二指定商品的购买数量,并获取所述购买数量的第四预设权重;其中,所述第二指定商品为所有所述第四商品中的任意一个商品;以及,
S6071:获取在所述第三预设时间段内,所述第二指定商品的差评次数,并获取所述差评次数的第五预设权重;以及,
S6072:获取在所述第三预设时间段内,所述第二指定商品的退货次数,并获取所述退货次数的第六预设权重;
S6073:基于所述第四预设权重、第五预设权重和第六预设权重通过第二预设公式计算得到第二指定商品的质量系数。
如上述步骤S6070至S6073所述,所述计算各所述第四商品的质量系数的步骤,具体可包括:首先获取在第三预设时间段内,第二指定商品的购买数量,并获取所述购买数量的第四预设权重。其中,所述第二指定商品为所有所述第四商品中的任意一个商品。另外,对于所述第三预设时间段的取值不作具体限定,可根据实际需求进行设置,例如可为距离当前时间的前一个月内。所述购买数量是指第二指定商品在第三预设时间段内的销量。以及获取在所述第三预设时间段内,所述第二指定商品的差评次数,并获取所述差评次数的第五预设权重。以及获取在所述第三预设时间段内,所述第二指定商品的退货次数,并获取所述退货次数的第六预设权重。最后基于所述第四预设权重、第五预设权重和第六预设权重通过第二预设公式计算得到第二指定商品的质量系数。具体的,可基于第二预设公式计算出所述第二指定商品的质量系数。其中,M为所述第二指定商品的购买数量,C为所述第二指定商品的差评次数,T为所述第二指定商品的退货次数,所述e1为所述购买数量的第四预设权重,e2为所述差评次数的第五预设权重,e3为所述退货次数的第六预设权重。另外,对于所述第四预设权重、第五预设权重与第六预设权重的取值不作具体限定,可根据实际需求进行设置,例如可根据历史测试数据或专家经验确定。本实施例通过调用第二预设公式可以快速准确地计算出每一个第四产品的质量系数,进而可以依据该质量系数来对第四商品进行质量筛选处理从而得到第五商品,并将第五商品作为推荐商品,由于推荐商品是经过了推荐分数与质量系数等多种因素筛选后生成的,从而能够保证得到的该推荐商品的准确性,有利于提高向用户推荐商品的智能性与准确性。
进一步地,本申请一实施例中,上述步骤S7,包括:
S700:调用所述用户属性库;
S701:判断所述用户属性库中是否存在与所述用户对应的用户信息;
S702:若是,基于所述用户信息,从所述用户属性库中查询出与所述用户信息对应的属性数据;其中,所述属性数据包括基础属性数据与工作属性数据;
S703:对所述属性数据进行时间轨迹分析,得到与所述用户对应的时间表;
S704:获取所述购买信息的下单时间;
S705:基于所述时间表与所述下单时间,确定出所述推荐时间段。
如上述步骤S700至S705所述,所述基于预设的用户属性库与所述购买信息,确定出与所述用户对应的推荐时间段的步骤,具体可包括:首先调用所述用户属性库。其中,所述用户属性库存储了各个用户的属性数据,并与各个用户的用户信息,例如用户标识码关联,所述属性数据为与用户的基础属性数据、工作属性数据等相关的数据,所述基础属性数据包括用户的基本特征相关的信息,比如用户的性别、年龄、婚姻情况,家庭情况等等,所述工作属性数据包括用户的社会性质的信息,比如职业、收入情况、公司、通话号码清单等等。然后判断所述用户属性库中是否存在与所述用户对应的用户信息。若存在所述用户信息,基于所述用户信息,从所述用户属性库中查询出与所述用户信息对应的属性数据。其中,可以在所述用户属性库中查找到与所述用户信息关联的所述属性数据,并获取所述属性数据。另外,所述属性数据包括基础属性数据与工作属性数据。之后对所述属性数据进行时间轨迹分析,得到与所述用户对应的时间表。其中,所述时间轨迹分析为对所述属性数据中的时间维度进行提取,并进行时间段标记分析出各个时间段的标签,输出该用户的时间表的过程。所述时间表为该用户的一天预估的时间分布表单。后续获取所述购买信息的下单时间。最后基于所述时间表与所述下单时间,确定出所述推荐时间段。其中,对于推荐时间段的确定过程将在后续的具体实施例中作进一步的描述,在此不予赘述。本实施例中,由于生成的推荐时间段是对时间表以及用户的下单时间进行综合考量后生成的,可以保证该推荐时间段为适用于向用户进行商品推荐的时间段,使得后续会智能地在该推荐时间段内向用户进行商品推荐,可以提高用户的使用体验,提高商品推荐的智能性。
进一步地,本申请一实施例中,上述步骤S705,包括:
S7050:从所述时间表中筛选出第一空闲时间段;
S7051:判断所有所述下单时间中是否存在处于所述时间表包含的所有时间段的范围之外的第一下单时间;
S7052:若存在所述第一下单时间,从所有所述第一下单时间中提取出数值最小的第二下单时间,以及提取出数值最大的第三下单时间;
S7053:基于所述第二下单时间与所述第三下单时间生成相应的第二空闲时间段;其中,所述第二下单时间为所述第二空闲时间段的左端点,所述第三下单时间为所述第二空闲时间段的右端点;
S7054:对所述第一空闲时间段与所述第二空闲时间段进行取并集处理,得到对应的第三空闲时间段;
S7055:将所述第三空闲时间段作为所述推荐时间段。
如上述步骤S7050至S7055所述,所述基于所述时间表与所述下单时间,确定出所述推荐时间段的步骤,具体可包括:首先从所述时间表中筛选出第一空闲时间段。其中,可根据所述时间表来标记出空闲的时间段,如从时间表中剔除用户的路途时间与工作时间,从而分析得到所述第一空闲时间段。举例地,所述时间表为工作时间为8:30至12:30和14:00至17:30,路途时间为7:30至8:29和17:31至18:30,从而标记出12:31至13:59,17:31至18:30所对应的时间段为空闲的时间段,并将其确定为第一空闲时间段。然后判断所有所述下单时间中是否存在处于所述时间表包含的所有时间段的范围之外的第一下单时间。若存在所述第一下单时间,从所有所述第一下单时间中提取出数值最小的第二下单时间,以及提取出数值最大的第三下单时间。之后基于所述第二下单时间与所述第三下单时间生成相应的第二空闲时间段。其中,所述第二下单时间为所述第二空闲时间段的左端点,所述第三下单时间为所述第二空闲时间段的右端点。后续对所述第一空闲时间段与所述第二空闲时间段进行取并集处理,得到对应的第三空闲时间段。最后将所述第三空闲时间段作为所述推荐时间段。本实施例中,通过基于从时间表中筛选出第一空闲时间段,以及从所有所述下单时间中确定出第二空闲时间段,进而对所述第一空闲时间段与所述第二空闲时间段进行取并集处理以得到对应的第三空闲时间段并用作推荐时间段。由于生成的推荐时间段是通过对时间表以及用户的下单时间进行综合考量后生成的,从而可以保证该推荐时间段为适用于向用户进行商品推荐的时间段,使得后续会智能地在该推荐时间段内向用户进行商品推荐,可以提高用户的使用体验,提高商品推荐的智能性。
进一步地,本申请一实施例中,上述步骤S5之后,包括:
S500:分别获取所述用户与各目标收件人之间的身份关联关系;其中,所述目标收件人为与所述第一收件人信息对应的收件人;
S501:基于所述用户与各目标收件人之间的身份关联关系生成与所述用户对应的社会关系图谱;
S502:获取预设的存储数据,并从所述存储数据中获取本地存储空间;
S503:判断本地存储空间是否大于预设的存储空间阈值;
S504:若大于所述存储空间阈值,将所述社会关系图谱存储于本地;
S505:若不大于所述存储空间阈值,将所述社会关系图谱存储于区块链中。
如上述步骤S500至S605所述,在执行完所述基于预设的TransE模型确定出所述用户与指定收件人之间的目标关系的步骤之后,还包括生成与所述用户对应的社会关系图谱并存储的过程。具体地,首先分别获取所述用户与各目标收件人之间的身份关联关系。其中,所述目标收件人为与所述第一收件人信息对应的收件人。然后基于所述用户与各目标收件人之间的身份关联关系生成与所述用户对应的社会关系图谱。其中,所述社会关系图谱为与所述用户对应的知识图谱,知识图谱是一种结构化的语义知识库,用于以符号来描述物理世界中的概念及其相互关系,基本组成单位为“实体-关系-实体”三元组,以及实体及其相关属性-值对,实体间通过关系相互联结,构成网状的知识结构。因此,可以理解为知识图谱本身是一个具有属性的实体通过关系链接而成的网状知识库,用最小的代价将收集到的信息组织起来,成为可以被利用的知识。另外,构建关系图谱的方式可采用现有的构建方式,在此不作过多赘述。之后获取预设的存储数据,并从所述存储数据中获取本地存储空间。最后判断所述本地存储空间是否大于预设的存储空间阈值。其中,对于存储空间阈值的取值不作具体限定,可根据实际需求进行设置。若大于所述存储空间阈值,将所述社会关系图谱存储于本地。而若不大于所述存储空间阈值,将所述社会关系图谱存储于区块链中。本实施例在得到了所述第一收件人信息后,还可基于所述用户与各所述第一收件人信息对应的收件人之间的身份关联关系生成与所述用户对应的社会关系图谱。并在得到社会关系图谱后,会根据本地存储空间的剩余大小来选择将得到的社会关系图谱存储于本地或存储于区块链中,从而有效地提高了社会关系图谱的存储智能性。
本申请实施例中的基于模型的商品推荐方法还可以应用于区块链领域,如将上述推荐商品等数据存储于区块链上。通过使用区块链来对上述推荐商品进行存储和管理,能够有效地保证上述推荐商品的安全性与不可篡改性。
上述区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
区块链底层平台可以包括用户管理、基础服务、智能合约以及运营监控等处理模块。其中,用户管理模块负责所有区块链参与者的身份信息管理,包括维护公私钥生成(账户管理)、密钥管理以及用户真实身份和区块链地址对应关系维护(权限管理)等,并且在授权的情况下,监管和审计某些真实身份的交易情况,提供风险控制的规则配置(风控审计);基础服务模块部署在所有区块链节点设备上,用来验证业务请求的有效性,并对有效请求完成共识后记录到存储上,对于一个新的业务请求,基础服务先对接口适配解析和鉴权处理(接口适配),然后通过共识算法将业务信息加密(共识管理),在加密之后完整一致的传输至共享账本上(网络通信),并进行记录存储;智能合约模块负责合约的注册发行以及合约触发和合约执行,开发人员可以通过某种编程语言定义合约逻辑,发布到区块链上(合约注册),根据合约条款的逻辑,调用密钥或者其它的事件触发执行,完成合约逻辑,同时还提供对合约升级注销的功能;运营监控模块主要负责产品发布过程中的部署、配置的修改、合约设置、云适配以及产品运行中的实时状态的可视化输出,例如:告警、监控网络情况、监控节点设备健康状态等。
参照图2,本申请一实施例中还提供了一种基于模型的商品推荐装置,包括:
第一获取模块1,用于获取与指定应用对应的用户购物行为数据;
第二获取模块2,用于基于所述用户购物行为数据,获取第一预设时间段内用户已完成的购买信息;其中,所述购买信息至少包括账号信息与收件人信息;
筛选模块3,用于从所有所述收件人信息中筛选出与所述账号信息不同的第一收件人信息;
处理模块4,用于从所有所述第一收件人信息中过滤掉出现次数小于预设次数的收件人信息,得到对应的第二收件人信息;
第一确定模块5,用于基于预设的TransE模型确定出所述用户与指定收件人之间的目标关系;其中,所述指定收件人为与指定收件人信息对应的收件人,所述指定收件人信息为所有所述第二收件人信息中的任意一个信息;
第二确定模块6,用于获取与所述目标关系对应的所有商品,并按照预设规则从所有所述商品中确定出与所述用户对应的推荐商品;
第三确定模块7,用于基于预设的用户属性库与所述购买信息,确定出与所述用户对应的推荐时间段;
推送模块8,用于基于所述推荐时间段向所述用户推送所述推荐商品。
本实施例中,上述模块或单元分别用于执行的操作与前述实施方式的基于模型的商品推荐方法的步骤一一对应,在此不再赘述。
进一步地,本申请一实施例中,上述第二确定模块6,包括:
搜索单元,用于以所述目标关系作为关键词对所述指定应用进行搜索处理,得到与所述目标关系对应的所述商品;
第一获取单元,用于获取第二预设时间段内,所有所述商品中浏览次数最高的第一预设数量的第一商品;
第二获取单元,用于获取所述第二预设时间段内,购买转化率最高的第二预设数量的第二商品;
处理单元,用于对所述第一商品与所述第二商品进行去重处理,得到对应的第三商品;
第三获取单元,用于获取所述第二预设时间段内,所述第三商品的好评率;
第一计算单元,用于基于与所述浏览次数、所述购买转化率以及所述好评率分别对应的预设权重,调用预设的分数算法计算出各所述第三商品的推荐分数;
第一筛选单元,用于从所有所述第三商品中筛选出推荐分数中大于预设分数阈值的第四商品;
第二计算单元,用于计算各所述第四商品的质量系数;
第二筛选单元,用于从所有所述第四商品中筛选出质量系数大于预设质量系数阈值的第五商品;
第一确定单元,用于将得到的所述第五商品作为所述推荐商品。
本实施例中,上述模块或单元分别用于执行的操作与前述实施方式的基于模型的商品推荐方法的步骤一一对应,在此不再赘述。
进一步地,本申请一实施例中,上述第一计算单元,包括:
第一获取子单元,用于获取在所述第二预设时间段内,第一指定商品的浏览次数,并获取所述浏览次数的第一预设权重;其中,所述第一指定商品为所有所述第三商品的任意一个商品;以及,
第二获取子单元,用于获取在所述第二预设时间段内,所述第一指定商品的购买转化率,并获取所述购买转化率的第二预设权重;以及,
第三获取子单元,用于获取在所述第二预设时间段内,所述第一指定商品的好评率,并获取所述好评率的第三预设权重;
第一计算子单元,用于基于所述第一预设权重、第二预设权重和第三预设权重通过第一预设公式计算得到第一指定商品的推荐分数。
本实施例中,上述模块或单元分别用于执行的操作与前述实施方式的基于模型的商品推荐方法的步骤一一对应,在此不再赘述。
进一步地,本申请一实施例中,上述第二计算单元,包括:
第四获取子单元,用于获取在第三预设时间段内,第二指定商品的购买数量,并获取所述购买数量的第四预设权重;其中,所述第二指定商品为所有所述第四商品中的任意一个商品;以及,
第五获取子单元,用于获取在所述第三预设时间段内,所述第二指定商品的差评次数,并获取所述差评次数的第五预设权重;以及,
第六获取子单元,用于获取在所述第三预设时间段内,所述第二指定商品的退货次数,并获取所述退货次数的第六预设权重;
第二计算子单元,用于基于所述第四预设权重、第五预设权重和第六预设权重通过第二预设公式计算得到第二指定商品的质量系数。
本实施例中,上述模块或单元分别用于执行的操作与前述实施方式的基于模型的商品推荐方法的步骤一一对应,在此不再赘述。
进一步地,本申请一实施例中,上述第三确定模块7,包括:
调用单元,用于调用所述用户属性库;
判断单元,用于判断所述用户属性库中是否存在与所述用户对应的用户信息;
查询单元,用于若是,基于所述用户信息,从所述用户属性库中查询出与所述用户信息对应的属性数据;其中,所述属性数据包括基础属性数据与工作属性数据;
分析单元,用于对所述属性数据进行时间轨迹分析,得到与所述用户对应的时间表;
第四获取单元,用于获取所述购买信息的下单时间;
第二确定单元,用于基于所述时间表与所述下单时间,确定出所述推荐时间段。
本实施例中,上述模块或单元分别用于执行的操作与前述实施方式的基于模型的商品推荐方法的步骤一一对应,在此不再赘述。
进一步地,本申请一实施例中,上述第二确定单元,包括:
筛选子单元,用于从所述时间表中筛选出第一空闲时间段;
判断子单元,用于判断所有所述下单时间中是否存在处于所述时间表包含的所有时间段的范围之外的第一下单时间;
提取子单元,用于若存在所述第一下单时间,从所有所述第一下单时间中提取出数值最小的第二下单时间,以及提取出数值最大的第三下单时间;
生成子单元,用于基于所述第二下单时间与所述第三下单时间生成相应的第二空闲时间段;其中,所述第二下单时间为所述第二空闲时间段的左端点,所述第三下单时间为所述第二空闲时间段的右端点;
处理子单元,用于对所述第一空闲时间段与所述第二空闲时间段进行取并集处理,得到对应的第三空闲时间段;
确定子单元,用于将所述第三空闲时间段作为所述推荐时间段。
本实施例中,上述模块或单元分别用于执行的操作与前述实施方式的基于模型的商品推荐方法的步骤一一对应,在此不再赘述。
进一步地,本申请一实施例中,上述基于模型的商品推荐装置,包括:
第三获取模块,用于分别获取所述用户与各目标收件人之间的身份关联关系;其中,所述目标收件人为与所述第一收件人信息对应的收件人;
生成模块,用于基于所述用户与各目标收件人之间的身份关联关系生成与所述用户对应的社会关系图谱;
第四获取模块,用于获取预设的存储数据,并从所述存储数据中获取本地存储空间;
判断模块,用于判断本地存储空间是否大于预设的存储空间阈值;
第一存储模块,用于若大于所述存储空间阈值,将所述社会关系图谱存储于本地;
第二存储模块,用于若不大于所述存储空间阈值,将所述社会关系图谱存储于区块链中。
本实施例中,上述模块或单元分别用于执行的操作与前述实施方式的基于模型的商品推荐方法的步骤一一对应,在此不再赘述。
参照图3,本申请实施例中还提供一种计算机设备,该计算机设备可以是服务器,其内部结构可以如图3所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏、输入装置和数据库。其中,该计算机设备设计的处理器用于提供计算和控制能力。该计算机设备的存储器包括存储介质、内存储器。该存储介质存储有操作系统、计算机程序和数据库。该内存储器为存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储购物行为数据、购买信息、第一收件人信息、第二收件人信息、目标关系、推荐商品以及推荐时间段。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机设备的显示屏是计算机中必不可少的一种图文输出设备,用于将数字信号转换为光信号,使文字与图形在显示屏的屏幕上显示出来。该计算机设备的输入装置是计算机与用户或其他设备之间进行信息交换的主要装置,用于把数据、指令及某些标志信息等输送到计算机中去。该计算机程序被处理器执行时以实现一种基于模型的商品推荐方法。
上述处理器执行上述基于模型的商品推荐方法的步骤:
获取与指定应用对应的用户购物行为数据;
基于所述用户购物行为数据,获取第一预设时间段内用户已完成的购买信息;其中,所述购买信息至少包括账号信息与收件人信息;
从所有所述收件人信息中筛选出与所述账号信息不同的第一收件人信息;
从所有所述第一收件人信息中过滤掉出现次数小于预设次数的收件人信息,得到对应的第二收件人信息;
基于预设的TransE模型确定出所述用户与指定收件人之间的目标关系;其中,所述指定收件人为与指定收件人信息对应的收件人,所述指定收件人信息为所有所述第二收件人信息中的任意一个信息;
获取与所述目标关系对应的所有商品,并按照预设规则从所有所述商品中确定出与所述用户对应的推荐商品;
基于预设的用户属性库与所述购买信息,确定出与所述用户对应的推荐时间段;
基于所述推荐时间段向所述用户推送所述推荐商品。
本领域技术人员可以理解,图3中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的装置、计算机设备的限定。
本申请一实施例还提供一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现一种基于模型的商品推荐方法,具体为:
获取与指定应用对应的用户购物行为数据;
基于所述用户购物行为数据,获取第一预设时间段内用户已完成的购买信息;其中,所述购买信息至少包括账号信息与收件人信息;
从所有所述收件人信息中筛选出与所述账号信息不同的第一收件人信息;
从所有所述第一收件人信息中过滤掉出现次数小于预设次数的收件人信息,得到对应的第二收件人信息;
基于预设的TransE模型确定出所述用户与指定收件人之间的目标关系;其中,所述指定收件人为与指定收件人信息对应的收件人,所述指定收件人信息为所有所述第二收件人信息中的任意一个信息;
获取与所述目标关系对应的所有商品,并按照预设规则从所有所述商品中确定出与所述用户对应的推荐商品;
基于预设的用户属性库与所述购买信息,确定出与所述用户对应的推荐时间段;
基于所述推荐时间段向所述用户推送所述推荐商品。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM通过多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双速据率SDRAM(SSRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其它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、装置、物品或者方法不仅包括那些要素,而且还包括没有明确列出的其它要素,或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
以上所述仅为本申请的优选实施例,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (9)
1.一种基于模型的商品推荐方法,其特征在于,包括:
获取与指定应用对应的用户购物行为数据;
基于所述用户购物行为数据,获取第一预设时间段内用户已完成的购买信息;其中,所述购买信息至少包括账号信息与收件人信息;
从所有所述收件人信息中筛选出与所述账号信息不同的第一收件人信息;
从所有所述第一收件人信息中过滤掉出现次数小于预设次数的收件人信息,得到对应的第二收件人信息;
基于预设的TransE模型确定出所述用户与指定收件人之间的目标关系;其中,所述指定收件人为与指定收件人信息对应的收件人,所述指定收件人信息为所有所述第二收件人信息中的任意一个信息;
获取与所述目标关系对应的所有商品,并按照预设规则从所有所述商品中确定出与所述用户对应的推荐商品;
基于预设的用户属性库与所述购买信息,确定出与所述用户对应的推荐时间段;
基于所述推荐时间段向所述用户推送所述推荐商品;
所述获取与所述目标关系对应的所有商品,并按照预设规则从所有所述商品中确定出与所述用户对应的推荐商品的步骤,包括:
以所述目标关系作为关键词对所述指定应用进行搜索处理,得到与所述目标关系对应的所述商品;
获取第二预设时间段内,所有所述商品中浏览次数最高的第一预设数量的第一商品;
获取所述第二预设时间段内,购买转化率最高的第二预设数量的第二商品;
对所述第一商品与所述第二商品进行去重处理,得到对应的第三商品;
获取所述第二预设时间段内,所述第三商品的好评率;
基于与所述浏览次数、所述购买转化率以及所述好评率分别对应的预设权重,调用预设的分数算法计算出各所述第三商品的推荐分数;
从所有所述第三商品中筛选出推荐分数中大于预设分数阈值的第四商品;
计算各所述第四商品的质量系数;
从所有所述第四商品中筛选出质量系数大于预设质量系数阈值的第五商品;
将得到的所述第五商品作为所述推荐商品。
2.根据权利要求1所述的基于模型的商品推荐方法,其特征在于,所述基于与所述浏览次数、所述购买转化率以及所述好评率分别对应的预设权重,调用预设的分数算法计算出各所述第三商品的推荐分数的步骤,包括:
获取在所述第二预设时间段内,第一指定商品的浏览次数,并获取所述浏览次数的第一预设权重;其中,所述第一指定商品为所有所述第三商品的任意一个商品;以及,
获取在所述第二预设时间段内,所述第一指定商品的购买转化率,并获取所述购买转化率的第二预设权重;以及,
获取在所述第二预设时间段内,所述第一指定商品的好评率,并获取所述好评率的第三预设权重;
基于所述第一预设权重、第二预设权重和第三预设权重通过第一预设公式计算得到第一指定商品的推荐分数。
3.根据权利要求1所述的基于模型的商品推荐方法,其特征在于,所述计算各所述第四商品的质量系数,包括:
获取在第三预设时间段内,第二指定商品的购买数量,并获取所述购买数量的第四预设权重;其中,所述第二指定商品为所有所述第四商品中的任意一个商品;以及,
获取在所述第三预设时间段内,所述第二指定商品的差评次数,并获取所述差评次数的第五预设权重;以及,
获取在所述第三预设时间段内,所述第二指定商品的退货次数,并获取所述退货次数的第六预设权重;
基于所述第四预设权重、第五预设权重和第六预设权重通过第二预设公式计算得到第二指定商品的质量系数。
4.根据权利要求1所述的基于模型的商品推荐方法,其特征在于,所述基于预设的用户属性库与所述购买信息,确定出与所述用户对应的推荐时间段的步骤,包括:
调用所述用户属性库;
判断所述用户属性库中是否存在与所述用户对应的用户信息;
若是,基于所述用户信息,从所述用户属性库中查询出与所述用户信息对应的属性数据;其中,所述属性数据包括基础属性数据与工作属性数据;
对所述属性数据进行时间轨迹分析,得到与所述用户对应的时间表;
获取所述购买信息的下单时间;
基于所述时间表与所述下单时间,确定出所述推荐时间段。
5.根据权利要求4所述的基于模型的商品推荐方法,其特征在于,所述基于所述时间表与所述下单时间,确定出所述推荐时间段的步骤,包括:
从所述时间表中筛选出第一空闲时间段;
判断所有所述下单时间中是否存在处于所述时间表包含的所有时间段的范围之外的第一下单时间;
若存在所述第一下单时间,从所有所述第一下单时间中提取出数值最小的第二下单时间,以及提取出数值最大的第三下单时间;
基于所述第二下单时间与所述第三下单时间生成相应的第二空闲时间段;其中,所述第二下单时间为所述第二空闲时间段的左端点,所述第三下单时间为所述第二空闲时间段的右端点;
对所述第一空闲时间段与所述第二空闲时间段进行取并集处理,得到对应的第三空闲时间段;
将所述第三空闲时间段作为所述推荐时间段。
6.根据权利要求1所述的基于模型的商品推荐方法,其特征在于,所述基于预设的TransE模型确定出所述用户与指定收件人之间的目标关系的步骤之后,包括:
分别获取所述用户与各目标收件人之间的身份关联关系;其中,所述目标收件人为与所述第一收件人信息对应的收件人;
基于所述用户与各目标收件人之间的身份关联关系生成与所述用户对应的社会关系图谱;
获取预设的存储数据,并从所述存储数据中获取本地存储空间;
判断所述本地存储空间是否大于预设的存储空间阈值;
若大于所述存储空间阈值,将所述社会关系图谱存储于本地;
若不大于所述存储空间阈值,将所述社会关系图谱存储于区块链中。
7.一种基于模型的商品推荐装置,其特征在于,包括:
第一获取模块,用于获取与指定应用对应的用户购物行为数据;
第二获取模块,用于基于所述用户购物行为数据,获取第一预设时间段内用户已完成的购买信息;其中,所述购买信息至少包括账号信息与收件人信息;
筛选模块,用于从所有所述收件人信息中筛选出与所述账号信息不同的第一收件人信息;
处理模块,用于从所有所述第一收件人信息中过滤掉出现次数小于预设次数的收件人信息,得到对应的第二收件人信息;
第一确定模块,用于基于预设的TransE模型确定出所述用户与指定收件人之间的目标关系;其中,所述指定收件人为与指定收件人信息对应的收件人,所述指定收件人信息为所有所述第二收件人信息中的任意一个信息;
第二确定模块,用于获取与所述目标关系对应的所有商品,并按照预设规则从所有所述商品中确定出与所述用户对应的推荐商品;
第三确定模块,用于基于预设的用户属性库与所述购买信息,确定出与所述用户对应的推荐时间段;
推送模块,用于基于所述推荐时间段向所述用户推送所述推荐商品;
上述第二确定模块,包括:
搜索单元,用于以所述目标关系作为关键词对所述指定应用进行搜索处理,得到与所述目标关系对应的所述商品;
第一获取单元,用于获取第二预设时间段内,所有所述商品中浏览次数最高的第一预设数量的第一商品;
第二获取单元,用于获取所述第二预设时间段内,购买转化率最高的第二预设数量的第二商品;
处理单元,用于对所述第一商品与所述第二商品进行去重处理,得到对应的第三商品;
第三获取单元,用于获取所述第二预设时间段内,所述第三商品的好评率;
第一计算单元,用于基于与所述浏览次数、所述购买转化率以及所述好评率分别对应的预设权重,调用预设的分数算法计算出各所述第三商品的推荐分数;
第一筛选单元,用于从所有所述第三商品中筛选出推荐分数中大于预设分数阈值的第四商品;
第二计算单元,用于计算各所述第四商品的质量系数;
第二筛选单元,用于从所有所述第四商品中筛选出质量系数大于预设质量系数阈值的第五商品;
第一确定单元,用于将得到的所述第五商品作为所述推荐商品。
8.一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述方法的步骤。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111007291.3A CN113706251B (zh) | 2021-08-30 | 2021-08-30 | 基于模型的商品推荐方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111007291.3A CN113706251B (zh) | 2021-08-30 | 2021-08-30 | 基于模型的商品推荐方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113706251A CN113706251A (zh) | 2021-11-26 |
CN113706251B true CN113706251B (zh) | 2024-04-26 |
Family
ID=78657065
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111007291.3A Active CN113706251B (zh) | 2021-08-30 | 2021-08-30 | 基于模型的商品推荐方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113706251B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115577167B (zh) * | 2022-08-29 | 2023-11-21 | 建信金融科技有限责任公司 | 基于Webassembly的内容推荐方法、装置、设备及存储介质 |
CN115511582B (zh) * | 2022-10-31 | 2023-06-27 | 深圳市快云科技有限公司 | 一种基于人工智能的商品推荐系统及方法 |
CN115880037B (zh) * | 2023-03-03 | 2023-05-12 | 量子数科科技有限公司 | 基于多项目规划整合分析的商品推荐方法 |
CN117078294B (zh) * | 2023-10-11 | 2023-12-22 | 深圳比特耐特信息技术股份有限公司 | 一种基于云计算的大数据信息智能分析方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103605791A (zh) * | 2013-12-04 | 2014-02-26 | 深圳中兴网信科技有限公司 | 信息推送系统和信息推送方法 |
CN107818494A (zh) * | 2017-10-31 | 2018-03-20 | 北京小米移动软件有限公司 | 收件人信息的显示方法、装置及存储介质 |
CN109767300A (zh) * | 2019-01-14 | 2019-05-17 | 博拉网络股份有限公司 | 基于用户习惯的大数据画像及模型构建方法 |
CN109767302A (zh) * | 2019-01-14 | 2019-05-17 | 博拉网络股份有限公司 | 大数据精准模型的构建方法及装置 |
CN111144933A (zh) * | 2019-12-13 | 2020-05-12 | 北京三快在线科技有限公司 | 商品推荐方法、装置、电子设备及存储介质 |
CN112529666A (zh) * | 2020-12-18 | 2021-03-19 | 中国联合网络通信集团有限公司 | 商品推荐方法、系统、计算机设备及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019504425A (ja) * | 2015-12-07 | 2019-02-14 | 青島海爾滾筒洗衣机有限公司 | 洗濯機を使用した商品の高速推薦方法および洗濯機 |
-
2021
- 2021-08-30 CN CN202111007291.3A patent/CN113706251B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103605791A (zh) * | 2013-12-04 | 2014-02-26 | 深圳中兴网信科技有限公司 | 信息推送系统和信息推送方法 |
CN107818494A (zh) * | 2017-10-31 | 2018-03-20 | 北京小米移动软件有限公司 | 收件人信息的显示方法、装置及存储介质 |
CN109767300A (zh) * | 2019-01-14 | 2019-05-17 | 博拉网络股份有限公司 | 基于用户习惯的大数据画像及模型构建方法 |
CN109767302A (zh) * | 2019-01-14 | 2019-05-17 | 博拉网络股份有限公司 | 大数据精准模型的构建方法及装置 |
CN111144933A (zh) * | 2019-12-13 | 2020-05-12 | 北京三快在线科技有限公司 | 商品推荐方法、装置、电子设备及存储介质 |
CN112529666A (zh) * | 2020-12-18 | 2021-03-19 | 中国联合网络通信集团有限公司 | 商品推荐方法、系统、计算机设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113706251A (zh) | 2021-11-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113706251B (zh) | 基于模型的商品推荐方法、装置、计算机设备和存储介质 | |
US11475143B2 (en) | Sensitive data classification | |
CN111784455B (zh) | 一种物品推荐方法及推荐设备 | |
CN102737333B (zh) | 用于计算用户和要约到微小细分的匹配的顺序引擎 | |
CN109934721A (zh) | 理财产品推荐方法、装置、设备及存储介质 | |
JP6506439B1 (ja) | 情報処理装置、情報処理方法及び情報処理プログラム | |
CN112632405B (zh) | 一种推荐方法、装置、设备及存储介质 | |
CN104899229A (zh) | 基于群体智能的行为聚类系统 | |
CN108648068A (zh) | 一种信用风险评估方法及系统 | |
CN111400613A (zh) | 物品推荐方法、装置、介质及计算机设备 | |
CN112765480A (zh) | 一种信息推送方法、装置及计算机可读存储介质 | |
JP2019215778A (ja) | サービス提供システム、広告関連サービス提供システム、ユーザ側設備及びユーザ側広告設備 | |
CN104199938A (zh) | 基于rss的农用土地信息发送方法和系统 | |
CN111429214B (zh) | 一种基于交易数据的买卖双方匹配方法及装置 | |
CN112116103A (zh) | 基于联邦学习的个人资质评估方法、装置及系统及存储介质 | |
CN113420181A (zh) | 视频推荐方法、装置、计算机设备和存储介质 | |
CN117151814A (zh) | 个性化商品推荐与实时动态调整方法 | |
CN114266443A (zh) | 数据评估方法和装置、电子设备、存储介质 | |
Li | Accurate digital marketing communication based on intelligent data analysis | |
CN116823410B (zh) | 数据处理方法、对象处理方法、推荐方法及计算设备 | |
CN113762703A (zh) | 确定企业画像的方法和装置、计算设备和存储介质 | |
CN117112775A (zh) | 自动填写输入表单以生成列表的技术 | |
Vysotska et al. | V. Lytvyn | |
CN115204971B (zh) | 产品推荐方法、装置、电子设备及计算机可读存储介质 | |
CN116523598A (zh) | 一种医疗器械推荐方法、系统、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 |