CN113744016A - 一种对象推荐方法及装置、设备、存储介质 - Google Patents

一种对象推荐方法及装置、设备、存储介质 Download PDF

Info

Publication number
CN113744016A
CN113744016A CN202011219288.3A CN202011219288A CN113744016A CN 113744016 A CN113744016 A CN 113744016A CN 202011219288 A CN202011219288 A CN 202011219288A CN 113744016 A CN113744016 A CN 113744016A
Authority
CN
China
Prior art keywords
objects
target
heat
determining
recommendation
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
Application number
CN202011219288.3A
Other languages
English (en)
Other versions
CN113744016B (zh
Inventor
潘扬
李山林
张青青
毛锐
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.)
Beijing Jingdong Century Trading Co Ltd
Beijing Wodong Tianjun Information Technology Co Ltd
Original Assignee
Beijing Jingdong Century Trading Co Ltd
Beijing Wodong Tianjun Information Technology 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 Beijing Jingdong Century Trading Co Ltd, Beijing Wodong Tianjun Information Technology Co Ltd filed Critical Beijing Jingdong Century Trading Co Ltd
Priority to CN202011219288.3A priority Critical patent/CN113744016B/zh
Priority to PCT/CN2021/125010 priority patent/WO2022095701A1/zh
Publication of CN113744016A publication Critical patent/CN113744016A/zh
Application granted granted Critical
Publication of CN113744016B publication Critical patent/CN113744016B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • 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
    • G06F16/9538—Presentation of query results
    • 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
    • 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
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0269—Targeted advertisements based on user profile or attribute
    • G06Q30/0271—Personalized advertisement

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Theoretical Computer Science (AREA)
  • Development Economics (AREA)
  • Databases & Information Systems (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • Game Theory and Decision Science (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

本申请实施例公开了一种对象推荐方法，所述方法包括：对订单数据进行清洗，获取所述订单数据对应的对象集合；所述对象集合包括至少两个对象；确定所述对象集合中各对象的基础热度；基于各所述对象的基础热度，确定各所述对象的热度特征；对所述对象集合中各对象的热度特征进行排序，将在预设排序范围内的热度特征对应的对象，确定为召回集；所述召回集包括至少两个目标对象；对所述至少两个目标对象进行排序，生成排序结果；根据所述排序结果，输出所述至少两个目标对象。另外，本申请实施例还公开了一种对象推荐装置、设备及存储介质。

Description

一种对象推荐方法及装置、设备、存储介质
技术领域
本申请实施例涉及计算机技术领域，涉及但不限于一种对象推荐方法及装置、设备、存储介质。
背景技术
相关技术中，对按销售额付费(Cost Per Sale，CPS)广告中的商品进行推荐时，一般是按照销售额对商品进行推荐的，销售额是对过去一段时间内的销售情况的统计，可见，针对CPS广告的推荐场景，该推荐方法具有一定的时延性，会出现推荐的商品用户不会进行购买的情况；因此，对CPS广告中的商品进行推荐时，并不能对商品进行精准的推荐。
发明内容
有鉴于此，本申请实施例为解决相关技术中存在的至少一个问题而提供一种对象推荐方法及装置、设备、存储介质，能够更加精准对具有热度的对象进行推荐。
本申请实施例的技术方案是这样实现的：
第一方面，本申请实施例提供一种对象推荐方法，所述方法包括：
对订单数据进行清洗，获取所述订单数据对应的对象集合；所述对象集合包括至少两个对象；
确定所述对象集合中各对象的基础热度；
基于各所述对象的基础热度，确定各所述对象的热度特征；
对所述对象集合中各对象的热度特征进行排序，将在预设排序范围内的热度特征对应的对象，确定为召回集；所述召回集包括至少两个目标对象；
对所述至少两个目标对象进行排序，生成排序结果；
根据所述排序结果，输出所述至少两个目标对象。
第二方面，本申请实施例提供一种对象推荐装置，所述装置包括：获取模块、第一确定模块、第二确定模块、第三确定模块、排序模块和输出模块；其中，
所述获取模块，用于对订单数据进行清洗，获取所述订单数据对应的对象集合；所述对象集合包括至少两个对象；
所述第一确定模块，用于确定所述对象集合中各对象的基础热度；
所述第二确定模块，用于基于各所述对象的基础热度，确定各所述对象的热度特征；
所述第三确定模块，用于对所述对象集合中各对象的热度特征进行排序，将在预设排序范围内的热度特征对应的对象，确定为召回集；所述召回集包括至少两个目标对象；
所述排序模块，用于对所述至少两个目标对象进行排序，生成排序结果；
所述输出模块，用于根据所述排序结果，输出所述至少两个目标对象。
第三方面，本申请实施例提供一种计算机设备，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，所述处理器执行所述计算机程序时实现上述对象推荐方法中的步骤。
第四方面，本申请实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述对象推荐方法中的步骤。
本申请实施例中，提供了一种对象推荐方法，对订单数据进行清洗，获取所述订单数据对应的对象集合；所述对象集合包括至少两个对象；确定所述对象集合中各对象的基础热度；基于各所述对象的基础热度，确定各所述对象的热度特征；对所述对象集合中各对象的热度特征进行排序，将在预设排序范围内的热度特征对应的对象，确定为召回集；所述召回集包括至少两个目标对象；对所述至少两个目标对象进行排序，生成排序结果；根据所述排序结果，输出所述至少两个目标对象，能够获取具有热度的对象，并对其进行推荐，从而更加精准对对象进行推荐；且在对象为商品的场景下，能够给广告媒体带来实际的收益，提高了用户的体验。
附图说明
图1为本申请实施例提供的对象推荐系统的网络架构示意图；
图2为本申请实施例提供的对象推荐方法的实现流程示意图一；
图3A为本申请实施例提供的对象推荐方法的实现流程示意图二；
图3B为本申请实施例提供的对象推荐方法的实现流程示意图三；
图4为本申请实施例提供的对象推荐装置的组成结构示意图；
图5为本申请实施例计算机设备的一种硬件实体示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对申请的具体技术方案做进一步详细描述。以下实施例用于说明本申请，但不用来限制本申请的范围。
为了更好地理解本申请，对本申请实施例进行进一步详细说明之前，对本申请实施例中涉及的名词和术语进行说明，本申请实施例中涉及的名词和术语适用于如下的解释。
1)热度特征，是指对象的热销程度，这里，对象可以为广告、应用程序等。
2)召回集，用于推荐的对象构成的集合。
3)知识图谱特征，是指对对象隐藏的知识实体进行挖掘，得到的对象内在的知识联系。
4)用户静态特征，是指用户的性别、年龄、受教育程度、购买力水平、会员等级等静态的特征，不随用户的行为的变化而变化。
5)用户行为特征，是指用户浏览、点击、购买的对象、类目等与用户的行为有关的特征，且随着用户行为的变化而变化。
本申请实施例可提供为对象推荐方法及装置、设备和存储介质。实际应用中，对象推荐方法可由对象推荐装置实现，对象推荐装置中的各功能实体可以由计算机设备(如终端设备、服务器)的硬件资源，如处理器等计算资源、通信资源(如用于支持实现光缆、蜂窝等各种方式通信)协同实现。
本申请实施例的对象推荐方法可应用于图1所示的对象推荐系统，如图1所示，对象推荐系统包括：服务器11和客户端12。
这里，服务器11对订单数据进行清洗，获取所述订单数据对应的对象集合；所述对象集合包括至少两个对象；确定所述对象集合中各对象的基础热度；基于各所述对象的基础热度，确定各所述对象的热度特征；对所述对象集合中各对象的热度特征进行排序，将在预设排序范围内的热度特征对应的对象，确定为召回集；所述召回集包括至少两个目标对象；对所述至少两个目标对象进行排序，生成排序结果；根据所述排序结果，输出所述至少两个目标对象。当服务器11确定了输出的至少两个目标对象后，通过网络将需要输出的目标对象发送至客户端12；客户端12显示至少两个目标对象；用户可以对客户端12显示的至少两个目标对象进行操作，比如：点击、浏览、购买等。
下面，结合图1所示的对象推荐系统的示意图，对本申请实施例提供的对象推荐方法、装置、设备和存储介质的各实施例进行说明。
本申请实施例提供一种对象推荐方法，该方法应用于服务器，其中，服务器可为计算机。该方法所实现的功能可以通过计算机设备中的处理器调用程序代码来实现，当然程序代码可以保存在计算机存储介质中，可见，该计算机设备至少包括处理器和存储介质。
图2为本申请实施例的一种对象推荐方法的实现流程示意图，如图2所示，该方法可以包括如下步骤：
S201、对订单数据进行清洗，获取所述订单数据对应的对象集合；
其中，所述对象集合包括至少两个对象。
这里，订单数据中会存在脏数据，对订单数据中的脏数据进行清洗，对订单数据中的脏数据清洗后，获取订单数据对应的对象集合；
这里，订单数据中的脏数据，包括：刷单行为的脏数据、赠品、保险等特殊商品对应的脏数据。
S202、确定所述对象集合中各对象的基础热度；
这里，在获取了订单数据对应的对象集合后，确定对象集合中各对象的基础热度。
这里，在确定对象集合中各对象的基础热度时，可以根据对象的订单信息和时间衰减因子来确定。其中，订单信息包括：订单中的对象对应的订单量、成交总额、佣金、订单时间等信息。
这里，基于以前的订单数据，时间越靠近当前时间的订单中的对象在当前时间的热度越大。本申请实施例对对象对应的订单量、成交总额和佣金进行线性加权，并根据订单时间使用时间衰减因子对热度进行时间衰减，得到对象的基础热度；其中，基础热度可以由公式(1)得到：
Figure BDA0002761502090000051
公式(1)中，HotScoreBasei表示对象i的基础热度；Si表示对象在设定时间段内的订单集合；β为时间衰减因子，β越大说明对象基础热度打分越注重短时间内的对象热度，若需要考虑相对较长时间的对象订单对对象基础热度打分的影响，可以适当减小β；Tnow和Torder,j分别表示当前时间和订单j的时间；OrderNumj、GVMj、CosFeej分别表示对象i在订单j中的订单量、GMV和佣金；ω1、ω2、ω3分别表示对象订单量、GMV和佣金的线性权重。
S203、基于各所述对象的基础热度，确定各所述对象的热度特征；
这里，基于各对象的基础热度，确定各对象的热度特征，热度特征表征该对象的热销程度。其中，对象可为商品、应用程序等广告内容。
这里，对象集合中各对象的热度特征可以根据各对象的基础热度，以及基础热度在目标类目的基础热度集合中的排名，确定对象的热度特征。
S204、对所述对象集合中各对象的热度特征进行排序，将在预设排序范围内的热度特征对应的对象，确定为召回集；
这里，所述召回集包括至少两个目标对象。在获取对象集合中各对象的热度特征后，对各对象的热度特征进行排序，将热度特征在预设排序范围内的对象作为目标对象，放入召回集中。
这里，预设排序范围可以根据实际应用情况进行设置，比如：预设排序范围可以为：排序前两名或排序前三名，本申请实施例对预设排序范围不做任何限定。
比如：对象集合中包括：对象1、对象2、对象3、对象4，对象1的热度特征为H1，对象2的热度特征为H2，对象3的热度特征为H3，对象4的热度特征为H4，其中，H2>H1>H4>H3，设定范围为：前二名，因此，将对象2、对象1确定为召回集。
又比如：对象集合中包括：对象1、对象2、对象3、对象4，对象1的热度特征为H1，对象2的热度特征为H2，对象3的热度特征为H3，对象4的热度特征为H4，其中，H1>H2>H3>H4，设定范围为：前三名，因此，将对象1、对象2、对象3确定为召回集。
需要说明的是，设定范围可以根据实际情况进行设定，本申请实施例对设定范围不做任何限定。
S205、对所述至少两个目标对象进行排序，生成排序结果；
这里，在确定了召回集后，对召回集中的至少两个目标对象进行排序，得到排序结果；其中，在对召回集中的至少两个目标对象排序时，可以是正序排序，也可以是倒序排序，本申请实施例对排序的类型不做任何限定。
S206、根据所述排序结果，输出所述至少两个目标对象。
这里，在得到了排序结果后，再根据排序结果输出目标对象。其中，在根据排序结果输出目标对象时可以是对召回集中的全部目标对象进行输出，也可以是对召回集中的部分对象进行输出。
比如：召回集中包括：目标对象1、目标对象2、目标对象3、目标对象4、目标对象5；对对象进行排序得到：目标对象2、目标对象3、目标对象1、目标对象5、目标对象4，根据排序结果将全部目标对象输出，即输出目标对象2、目标对象3、目标对象1、目标对象5和目标对象4。
又比如：召回集中包括：目标对象1、目标对象2、目标对象3、目标对象4、目标对象5；对对象进行排序得到：目标对象1、目标对象2、目标对象3、目标对象4、目标对象5，将排序在前三的目标对象输出，即输出目标对象1、目标对象2和目标对象3。
在一示例中，对所述召回集中的至少两个目标对象进行排序，根据所述排序的排序结果输出所述至少两个目标对象，包括：对所述召回集中的至少两个目标对象进行排序，得到第一排序结果；基于所述第一排序结果对应的目标对象所属的类目对所述第一排序结果进行调整，得到第二排序结果；将设定范围内的第二排序结果对应的目标对象进行输出。
这里，首先对召回集中的至少两个目标对象进行排序，得到第一排序结果；确定第一排序结果中的目标对象所属的类目，将第一排序结果中属于同一类目的目标对象打散进行调整，得到第二排序结果，并将设定范围内的目标对象进行输出。
比如：目标对象1所属的类目为服装；目标对象2所属的类目为服装；目标对象3所属的类目为鞋子，目标对象4所属的类目为餐饮；对目标对象进行排序得到第一排序结果：目标对象1、目标对象2、目标对象3、目标对象4，再根据目标对象1、目标对象2、目标对象3、目标对象4所属的类目，其中，目标对象1和目标对象2属于同一类目，目标对象3与目标对象1、目标对象2属于不同类目，因此，将目标对象2和目标对象3进行交换，以使目标对象1、目标对象2、目标对象3和目标对象4所属的类目打散，得到第二排序结果：目标对象1、目标对象3、目标对象2、目标对象4，将排序在前二的目标对象进行输出，即输出目标对象1和目标对象3。
在本申请实施例中，对订单数据进行清洗，获取所述订单数据对应的对象集合；所述对象集合包括至少两个对象；确定所述对象集合中各对象的基础热度；基于各所述对象的基础热度，确定各所述对象的热度特征；对所述对象集合中各对象的热度特征进行排序，将在预设排序范围内的热度特征对应的对象，确定为召回集；所述召回集包括至少两个目标对象；对所述至少两个目标对象进行排序，生成排序结果；根据所述排序结果，输出所述至少两个目标对象，能够获取具有热度的对象，并对其进行推荐，从而更加精准的对对象进行推荐；且在对象为商品的场景下，能够给广告媒体带来实际的收益，提高了用户的体验。
在一实施例中，基于各所述对象的基础热度，确定各所述对象的热度特征，包括：对于所述对象集合中的每一对象，执行以下处理：根据所述基础热度，以及所述基础热度在目标类目的基础热度集合中的排名，确定所述对象的热度特征；所述目标类目为所述对象所属的类目；所述基础热度集合为所述目标类目下各对象的基础热度的组合。
这里，获取对象集合中各对象的热度特征时，首先计算对象集合中的每一对象的基础热度，再根据基础热度以及基础热度在目标类目的基础热度集合中的排名，确定对象的热度特征。
这里，不同类目之间的对象订单情况可能差异比较大，直接将不同类目的基础热度进行比较意义不大，因此，需要将同一类目的对象的热度特征进行比较。在确定同一类目的对象的热度特征时，首先确定基础热度在对象所属的类目下各对象的基础热度的组合中的热度排名；基于对象的基础热度和热度排名，确定对象的热度特征。
这里，在确定对象的热度特征时，可以采用公式(2)：
Figure BDA0002761502090000081
公式(2)中，HotScorei表示对象i的热度特征，Ranki表示对象i的基础热度HotScoreBasei在其类目下的排名。
本申请实施例中，根据所述基础热度，以及所述基础热度在目标类目的基础热度集合中的排名，确定所述对象的热度特征，从而确定对象的实时热销程度。
在一实施例中，所述对所述召回集中的至少两个目标对象进行排序，包括：将所述至少两个目标对象中每一所述目标对象的输入特征输入推荐模型，得到每一所述目标对象对应的推荐值；所述输入特征包括以下特征至少之一：对象特征、知识图谱特征、用户静态特征和用户行为特征；根据所述推荐值，对所述至少两个目标对象进行排序。
这里，对召回集中的至少两个目标对象进行排序时，将召回集的至少两个目标对象中的每一目标对象的输入特征输入推荐模型，得到每一目标对象对应的推荐值。根据推荐值，对召回集中的至少两个目标对象进行排序。
这里，输入特征包括：对象特征、知识图谱特征、用户静态特征和用户行为特征；其中，对象特征包括：热度特征、对象的价格、对象的品牌、对象的折扣等特征；知识图谱特征表征与目标对象有关联关系的对象或对象所属的类目；用户静态特征包括：用户的性别、年龄、受教育程度、购买力水平、会员等级、促销敏感度、关注的店铺等用户自身的静态属性；用户行为特征包括：用户浏览、点击、加购、购买等行为的类目、对象等与用户行为有关的动态属性。
这里，在将至少两个目标对象中的每一目标对象的输入特征输入推荐模型时，输入特征可以是对象特征、知识图谱特征、用户静态特征和用户行为特征的其中之一，也可以是对象特征、知识图谱特征、用户静态特征和用户行为特征中任意几个的组合。
比如：推荐模型为：f(x)＝ωx+b，将目标对象1的对象特征和知识图谱特征，目标对象2的对象特征和知识图谱特征，目标对象3的对象特征和知识图谱特征作为x，输入推荐模型中，分别得到目标对象1、目标对象2和目标对象3对应的推荐值f1(x)、f2(x)、f3(x)。
又比如：推荐模型为：f(x)＝ωx+b，将目标对象1的对象特征、目标对象2的对象特征、目标对象3的对象特征和目标对象4的对象特征作为x，输入推荐模型中，分别得到目标对象1、目标对象2、目标对象3和目标对象4对应的推荐值f1(x)、f2(x)、f3(x)和f4(x)。
还比如：推荐模型为：f(x)＝ωx+b，将目标对象1的对象特征、知识图谱特征、用户静态特征和用户行为特征，目标对象2的对象特征、知识图谱特征、用户静态特征和用户行为特征作为x，输入推荐模型中，分别得到目标对象1和目标对象2对应的推荐值f1(x)和f2(x)。
这里，在召回集中的至少两个目标对象中每一目标对象的输入特征输入推荐模型，得到目标对象对应的推荐值之前，还包括：根据召回集中每一目标对象的输入特征，对推荐模型进行训练，更新推荐模型的参数。
这里，在得到召回集中的至少两个目标对象中每一目标对象对应的推荐值后，基于推荐值对至少两个目标对象进行排序。
比如：目标对象1对应的推荐值为f1(x)、目标对象2对应的推荐值为f2(x)、目标对象3对应的推荐值为f3(x)和目标对象4对应的推荐值为f4(x)，对推荐值f1(x)、f2(x)、f3(x)和f4(x)排序，得到排序结果：f3(x)、f2(x)、f1(x)、f4(x)。
本申请实施例中，基于召回集中的至少两个目标对象中每一目标对象的输入特征和推荐模型，得到目标对象对应的推荐值，并基于推荐值，对至少两个目标对象排序，能够将在特定范围内的实时热销的目标对象进行推荐输出，提高了用户的体验。
在一实施例中，所述知识图谱特征包括第一搭配关系和/或第二搭配关系，所述方法还包括：基于用户的行为数据，确定所述目标对象与第一关联对象之间的第一搭配关系；和/或，根据所述目标对象的对象描述的语义，确定所述目标对象与第二关联对象之间的第二搭配关系。
这里，在确定目标对象的知识图谱特征时，可以将目标对象本身或该目标对象对应的用户的历史行为作为种子集合，向外传播扩散，得到与该目标对象有关联关系的对象或该对象所属的类目。
这里，确定目标对象的知识图谱特征可以包括以下两部分中至少之一：
第一、基于用户的行为数据，确定目标对象与第一关联对象之间的第一搭配关系。
这里，基于用户的搜索行为、点击行为、购买行为、浏览行为等行为数据，确定目标对象与第一关联对象之间的搭配关系。比如：目标对象为裙子，用户点击了鞋子，服务器确定与裙子具有搭配关系的第一关联对象为鞋子。
在一示例中，基于用户的行为数据，确定目标对象与第一关联对象之间的第一搭配关系，包括：基于用户的行为数据，确定目标对象所属的类目与第一关联对象所属的类目之间的搭配关系。
这里，基于用户的搜索行为、点击行为、购买行为、浏览行为等行为数据，确定目标对象所属的类目与第一关联对象所属的类目之间的搭配关系。比如：目标对象为裙子，裙子所属的类目为服装，且用户点击了项链，项链所属的类目为服饰，服务器确定与服装具有搭配关联的类目为服饰。
第二、根据目标对象的对象描述的语义，确定目标对象与第二关联对象之间的第二搭配关系。
这里，目标对象的对象描述的语义包括：对象的型号、颜色搭配、味道、规格、样式等语义，根据目标对象的对象描述的语义，确定目标对象与第二关联对象之间的搭配关系。
比如：对象的型号：如果用户最近购买了iphone10，确定的关联对象为iphone10的手机膜，而不是iphone6的手机膜；又比如：对象的样式搭配：如果用户最近购买了一条裙子，确定的关联对象为适合这条裙子的帽子或者鞋子等。
在本申请实施例中，能够根据用户的行为数据或目标对象的对象描述的语义，确定所述目标对象对应的知识图谱特征，为计算目标对象对应的推荐值作基础。
在一实施例中，所述将所述至少两个目标对象中每一所述目标对象的输入特征输入推荐模型，得到每一所述目标对象对应的推荐值，包括：将所述至少两个目标对象中每一所述目标对象的输入特征输入梯度提升决策树GBDT模型，得到所述GBDT模型的输出特征；所述输入特征包括以下特征至少之一：对象特征、第一搭配关系、第二搭配关系、用户静态特征和用户行为特征；将所述GBDT模型的输出特征输入逻辑回归LR模型，得到每一所述目标对象对应的推荐值。
这里，在计算至少两个目标对象中每一目标对象的推荐值时，可以将每一目标对象的输入特征输入GBDT模型，得到GBDT模型的输出特征，并将GBDT模型的输出特征作为LR模型的输入特征，得到每一目标对象对应的推荐值。
这里，输入特征包括：对象特征、第一搭配关系、第二搭配关系、用户静态特征和用户行为特征，在将每一目标对象的输入特征输入GBDT模型时，可以将对象特征、第一搭配关系、第二搭配关系、用户静态特征和用户行为特征中任意一个或任意几个的组合输入推荐模型。
比如：GBDT模型为f(x)＝ax+c，LR模型为f(y)＝ey+f，将目标对象1的对象特征和知识图谱特征，目标对象2的对象特征和知识图谱特征作为x，输入GBDT模型f(x)＝ax+c，得到GBDT模型的输出特征f(x)，将f(x)作为LR模型f(y)＝ey+f的输入y,得到目标对象1、目标对象2对应的推荐值f1(y)、f2(y)。
这里，在利用GBDT模型和LR模型，得到目标对象对应的推荐值之前，还需要对GBDT模型和LR模型进行训练，更新GBDT模型和LR模型的参数。
这里，将用户静态特征，比如：用户的性别、年龄、受教育程度等，对象的价格、折扣、热度特征等对象特征、用户动态特征，比如：浏览、点击、加购、关注、购买过对象的类目、对象等，以及知识图谱特征作为GBDT模型的输入特征，将用户是否点击该目标对象作为GBDT模型的输出特征，对GBDT模型进行训练，更新GBDT模型的参数。然后将GBDT模型的输出特征作为LR模型的输入特征，将目标对象对应的推荐值作为LR模型的输出特征，对LR模型训练，更新LR模型的参数。
在本申请实施例中，能够根据GBDT模型和LR模型，得到目标对象对应的推荐值，并基于推荐值对目标对象进行输出，能够更加精准的对对象进行推荐，提高了用户的体验。
在一实施例中，所述对订单数据进行清洗，包括：识别刷单行为对应的无效订单；将所述无效订单对应的无效对象筛除。
这里，电商刷单、赠品、广告作弊等商业活动会导致对象订单中混入脏数据，因此，在获取对象集合中各对象的热度特征之前，对对象订单中的脏数据进行清洗；其中，对脏数据进行清洗包括：对刷单行为对应的无效订单进行清洗。
这里，在对无效订单进行清洗时，将刷单行为的订单识别为无效订单，将该无效订单对应的无效对象，从对象集合中筛除。
这里，通过训练得到的机器学习算法，对刷单行为对应的无效对象进行识别。其中，机器学习算法可以包括：孤立森林孤立点检测算法、监督学习算法等。
这里，采用孤立森林孤立点检测算法对无效对象进行识别，根据对象的订单量、成交总额、佣金、下单时间分布、下单地址分布等属性构造孤立树，计算孤立树各路径的路径长度，根据路径长度确定异常值，当异常值在设定范围内时，确定该对象为无效对象。
需要说明的是，上述孤立森林孤立点检测算法为示例，本申请实施例可以采用多种机器学习算法识别无效对象，本申请实施例对机器学习算法不做任何限定。
在本申请实施例中，能够在获取对象集合中各对象的热度特征之前，将无效订单对应的无效对象，从对象集合中筛除，避免对象订单中混入无效数据。
在一实施例中，所述对订单数据进行清洗，包括：对用户的订单数据进行分析；确定所述订单数据对应的下单对象中的指定对象，所述指定对象为不存在成交金额的对象；将所述指定对象筛除。
这里，对脏数据进行清洗还包括：对赠品等指定对象的脏数据进行清洗。服务器对用户的订单数据进行分析，当订单中的对象为不存在成交金额的对象时，确定该对象为指定对象，并将指定对象从对象集合中筛除。
这里，确定对象为指定对象时，可以通过分词器和word2vec算法模型得到。首先，根据分词器将对象名称进行分词，形成对象名称的词向量，然后根据word2vec算法将对象名称的词向量转化成数值向量，再计算出相应的向量距离，从而确定指定对象。
比如：对象名称为：雅格伊思韩国黄金蜗牛原液赠品，通过ik分词器将其分词形成词向量，得到雅格伊思、韩国、黄金、蜗牛、原液、护肤品、赠品的词向量，然后根据对象库全库的词向量，采用word2vec算法得到该对象的数值向量，再计算数值向量对应的向量距离，当向量距离小于某一阈值时对应的对象，可以识别为是指定对象。
在本申请实施例中，能够在获取对象集合中各对象的热度特征之前，将不存在成交金额的指定对象，从对象集合中筛除，避免对象订单中混入无效数据。
下面，以CPS广告的商品推荐为例对本申请实施例提供的对象推荐方法进行进一步说明。
在电商广告类型中，根据收费方式的不同，现有的广告形式主要有每时间段成本(Cost Per Time，CPT)广告、展现成本(Cost Per Mille，CPM)广告、点击量付费(Cost PerClick，CPC)广告以及CPS广告等几种。其中，CPS广告的优点在于长尾流量基数比较大、流量成本比较低。CPS广告一般应用于长尾流量比较大、流量质量比较低的场景。
CPS广告应用的场景主要有扫码支付时的拉新广告页、快递柜等这一类长尾流量较大的场景，CPS广告具有流量基数较大的优势的同时，也面临着最终转化相对较低、难以给广告媒体带来实际收益的挑战。在CPS广告的商品推荐场景中，最终的订单转化才能为媒体带来实际收益，CPS广告根据订单量进行计费，所以在这种广告形式中更加注重广告的转化效果。
由于CPS广告根据订单转化进行计费的特点，在CPS广告场景下，更注重商品本身的实时热销程度，并且商品的热销程度具有较高的时效性，旧的热销商品在较短的时间内会被新的热销商品所取代。这种情况下，对实时或者准实时的热销商品的热度挖掘显得尤其重要，而现有的CPS广告的商品推荐中对这种商品自身的热度挖掘还远远不够。
在现代电商场景下，商品包含着丰富的知识实体，用户往往更倾向于点击、购买与其以往有过相关行为，比如，浏览、点击、加购、购买等有紧密知识关联的商品。在以往的关联模型中，一般只考虑到商品之间的表面联系，而通过知识图谱对商品的相关知识实体与关系的挖掘，能够挖掘到更多的商品内在的、隐藏的知识联系，提供更精准的商品推荐。
因此，在CPS广告的商品推荐中，除了要考虑用户的点击意图、商品之间的搭配关系，还需要注重推荐商品自身的热度挖掘。
目前，协同过滤、GBDT、知识图谱等方法在商品推荐中已经有了广泛的应用，但是，针对CPS广告的商品推荐，还没有一套比较系统、有用的推荐方法，因此，本申请实施例提出一种基于知识图谱的CPS热销商品的个性化推荐方法，为媒体进行更加精准的CPS商品推荐。
本申请实施例立足于CPS广告的商品推荐的具体场景与需求，提出了一种基于知识图谱的CPS热销商品的个性化推荐方法。首先，基于商品热度挖掘，挖掘出当前热销商品作为CPS商品推荐的召回集，保证了推荐商品本身的质量与热度；其次，基于知识图谱方法建立商品知识实体，对商品之间内在隐藏的知识联系进行挖掘，构建更加丰富、精准的商品推荐网络；最后，基于用户行为数据，采用GBDT+LR方法挖掘用户个性化偏好，对用户进行个性化推荐。
本申请实施例的方法步骤如下:
步骤一：商品订单数据清洗
在CPS广告的实际场景中，电商刷单、赠品、广告作弊等商业活动会导致商品订单数据中混入脏数据，首先需要对这部分脏数据进行清洗，数据的清洗主要有以下两个方面：
A、刷单行为：根据商品的订单量、成交总额(Gross Merchandise Volume，GMV)、佣金、下单时间分布、下单地址分布等属性，构建回归等机器学习算法框架对其进行训练，识别刷单商品并进行过滤。
B、赠品等特殊商品：赠品、保险等属于订单量较高，但不适合推荐场景的特殊商品，应该将这类特殊商品进行过滤。根据商品名称，通过ik分词器和word2vec算法模型挖掘出这类特殊商品或相似的商品进行过滤。
步骤二：热销商品挖掘
在CPS场景中，召回集中的商品本身的商品热度对推荐结果的最终转化有着较大的影响，然而，由于秒杀、直播、优惠券时效等因素的影响，商品的热度具有短时效性，过去几个小时热度较高的商品极有可能在当前已经失去热度。因此，在本申请实施例中，提出了一种综合热销商品挖掘策略：
A.基于商品订单的考虑时间衰减的商品基础热度打分策略：
一方面，商品的订单情况，比如：订单量、GMV、佣金代表了商品的热度，另一方面，时间越靠近当前时间的订单对商品在当前时间的热度越大，因此，基于过去12小时的订单数据，本申请实施例对商品的订单量、GMV和佣金进行线性加权，并根据订单时间进行时间衰减，得到商品的基础热度打分策略，如公式(1)所示：
Figure BDA0002761502090000161
公式(1)中，HotScoreBasei表示商品i的基础热度分；Si表示商品在过去12小时的订单集合；β为时间衰减因子，β越大说明商品基础热度打分越注重短时间内的商品热度，若需要考虑相对较长时间的商品订单对商品基础热度打分的影响，可以适当减小β；Tnow和Torder,j分别表示当前时间和订单j的时间；OrderNumj、GVMj、CosFeej分别表示商品i在订单j中的订单量、GMV和佣金；ω1、ω2、ω3分别表示商品订单量、GMV和佣金的线性权重。
B.基于类目排名的商品类目打散策略：
不同类目之间的商品订单情况可能差异比较大，直接将不同类目的基础热度打分进行比较意义不大，因此，本申请实施例设计了一种基于类目排名的商品类目打散策略，如公式(2)所示：
Figure BDA0002761502090000171
公式(2)中，HotScorei表示商品i最后的热度打分，Ranki表示商品i的基础分HotScoreBasei在其三级类目下的排名，HotScoreBasei为公式(1)得到的商品热度基础分。
C.根据公式(1)和公式(2)，挖掘得到打散类目的、考虑时间衰减的top N热度商品作为CPS热销商品召回候选集，保证了召回集中的商品自身的质量和热度。
步骤三：商品知识联系挖掘
现代电商大数据背景下，通过知识图谱能够挖掘商品之间的内在知识联系。本申请实施例采用向外传播法，将每一个用户在电商商品上的历史行为作为知识图谱上的种子集合，沿着知识图谱向外传播扩展。本申请实施例对商品知识联系的挖掘主要包含以下两个方面：
A.基于用户行为的商品知识挖掘：根据用户共同购买行为、搜索共同点击行为、相似浏览行为等用户行为挖掘商品与商品之间、类目与类目之间的相关搭配关系；
B.基于商品本身语义的商品知识挖掘：根据商品的型号、颜色搭配、味道、规格、样式等商品语义挖掘商品的自身语义的搭配关系。
根据以上两点挖掘得到的商品内在知识联系，作为CPS商品个性化推荐算法的输入特征。
步骤四：个性化商品推荐
本申请实施例采用GBDT+LR算法框架对商品进行个性化推荐。
用户在点击或者购买商品时，往往带有明显的倾向性；在CPS广告场景下，用户的这种倾向性主要与用户的自身属性、用户的浏览、点击、加购、购买等行为、商品自身属性、商品的知识联系属性这四方面因素有关，因此本申请实施例将以下四方面属性作为GBDT+LR算法框架的输入特征进行算法模型训练：
A.用户的性别、年龄、受教育程度、购买力水平、会员等级、促销敏感度、关注的店铺等用户自身的静态属性；
B.用户最近浏览、点击、加购、购买等行为的类目、品牌等动态偏好属性，这一类偏好与时间密切相关，因此，又可以分为最近1天浏览、点击、加购、购买品牌偏好、最近1天浏览、点击、加购、购买类目偏好、最近3天浏览、点击、加购、购买品牌偏好、最近3天浏览、点击、加购、购买类目偏好等等这类用户的自身动态偏好属性；
C.商品的价格、折扣、热度、品牌、类目等商品属性；
D.当前商品的相关商品、相关三级类目、型号搭配等商品知识联系属性，商品知识联系属性已由步骤三进行挖掘得到。
根据以上属性特征对GBDT+LR算法进行训练，更新GBDT+LR算法的参数。在得到GBDT+LR算法的参数后，将用户静态属性、用户动态行为属性、热度特征等商品属性和商品内在知识联系输入GBDT+LR算法，得到性化排序结果。在得到个性化排序结果时，如图3A所示，将用户静态属性31、用户动态行为属性32、热度特征等商品属性33和商品内在知识联系34，输入GBDT+LR算法35中，得到个性化排序结果36。其中，用户静态属性31可包括：性别、年龄等信息；用户动态行为属性32可包括：浏览信息、点击信息、购买信息等；商品属性33包括：价格、折扣、热度特征等。
如图3B所示，本申请实施例的推荐方法包括以下步骤：
步骤301：对商品订单数据进行清洗；
步骤302：对清洗后的商品订单中的商品进行基础热度时间衰减打分；
步骤303：基于基础热度和类目排名，得到热度特征；
步骤304：将热度特征在设定范围内的商品作为推荐召回候选集；
这里，推荐召回候选集为上述实施例中的召回集。
步骤305：获取商品属性、用户静态属性、用户动态属性和内在知识联系属性；
其中，商品属性包括：价格、折扣、热度特征等商品的属性。
步骤306：将用户静态属性、用户动态属性、商品属性和内在知识联系属性输入GBDT+LR算法；
步骤307：得到个性化排序结果。
将本申请实施例的基于知识图谱的CPS热销商品推荐方法应用于CPS联盟二合一场景商品推荐，最终该场景的每一千次展示获得的广告收入(effective cost per mile，eCPM)和GMV或访问量(Page View，PV)分别提升75％和50％。
通过本申请实施例提供的推荐方法，能够达到如下技术效果：
1)能够挖掘出当前热度较高的商品作为CPS商品推荐的召回集，保证了召回集中的商品本身的热度，从而提升CPS商品推荐的实际转化。
2)基于知识图谱方法，对商品隐藏的知识实体进行挖掘，得到商品内在的知识联系，从而进行更加丰富的商品推荐。
3)在1)和2)的基础上，根据用户行为数据，采用GBDT+LR算法对用户进行个性化商品推荐。
基于前述的实施例，本申请实施例提供一种对象推荐装置，该装置包括所包括的各模块、以及各模块所包括的各单元，可以通过计算机设备中的处理器来实现；当然也可通过具体的逻辑电路实现；在实施的过程中，处理器可以为中央处理器(CPU)、微处理器(MPU)、数字信号处理器(DSP)或现场可编程门阵列(FPGA)等。
图4为本申请实施例的一种对象推荐装置的组成结构示意图，如图4所示，装置40包括：获取模块401、第一确定模块402、第二确定模块403、第三确定模块404、排序模块405和输出模块406；其中，
获取模块401，用于对订单数据进行清洗，获取所述订单数据对应的对象集合；所述对象集合包括至少两个对象；
第一确定模块402，用于确定所述对象集合中各对象的基础热度；
第二确定模块403，用于基于各所述对象的基础热度，确定各所述对象的热度特征；
第三确定模块404，用于对所述对象集合中各对象的热度特征进行排序，将在预设排序范围内的热度特征对应的对象，确定为召回集；所述召回集包括至少两个目标对象；
排序模块405，用于对所述至少两个目标对象进行排序，生成排序结果；
输出模块406，用于根据所述排序结果，输出所述至少两个目标对象。
在一实施例中，第二确定模块403，用于根据所述基础热度，以及所述基础热度在目标类目的基础热度集合中的排名，确定所述对象的热度特征；所述目标类目为所述对象所属的类目；所述基础热度集合为所述目标类目下各对象的基础热度的组合。
在一实施例中，排序模块405包括：第一确定单元和排序单元；其中，
所述第一确定单元，用于将所述至少两个目标对象中每一所述目标对象的输入特征输入推荐模型，得到每一所述目标对象对应的推荐值；所述输入特征包括以下特征至少之一：对象特征、知识图谱特征、用户静态特征和用户行为特征；
所述排序单元，用于根据所述推荐值，对所述至少两个目标对象进行排序。
在一实施例中，装置40还包括：第四确定模块和第五确定模块；其中，
所述第四确定模块，用于基于用户的行为数据，确定所述目标对象与第一关联对象之间的第一搭配关系；
所述第五确定模块，用于根据所述目标对象的对象描述的语义，确定所述目标对象与第二关联对象之间的第二搭配关系。
在一实施例中，所述第一确定单元包括：第一确定子单元和第二确定子单元；其中，
所述第一确定子单元，用于将所述至少两个目标对象中每一所述目标对象的输入特征输入梯度提升决策树GBDT模型，得到所述GBDT模型的输出特征；所述输入特征包括以下特征至少之一：对象特征、第一搭配关系、第二搭配关系、用户静态特征和用户行为特征；
所述第二确定子单元，用于将所述GBDT模型的输出特征输入逻辑回归LR模型，得到每一所述目标对象对应的推荐值。
在一实施例中，获取模块401包括：识别单元和第一筛除单元；其中，
所述识别单元，用于识别刷单行为对应的无效订单；
所述第一筛除单元，用于将所述无效订单对应的无效对象，从所述对象集合中筛除。
在一实施例中，获取模块401还包括：分析单元、第二确定单元和第二筛除单元；其中，
所述分析单元，用于对用户的订单数据进行分析；
所述第二确定单元，用于确定所述订单数据对应的下单对象中的指定对象，所述指定对象为不存在成交金额的对象；
所述第二筛除单元，用于将所述指定对象，从所述对象集合中筛除。
以上装置实施例的描述，与上述方法实施例的描述是类似的，具有同方法实施例相似的有益效果。对于本申请装置实施例中未披露的技术细节，请参照本申请方法实施例的描述而理解。
需要说明的是，本申请实施例中，如果以软件功能模块的形式实现上述的对象推荐方法，并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实施例的技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本申请各个实施例所述方法的全部或部分。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read OnlyMemory，ROM)、磁碟或者光盘等各种可以存储程序代码的介质。这样，本申请实施例不限制于任何特定的硬件和软件结合。
对应地，本申请实施例提供一种设备，也就是计算机设备，包括存储器和处理器，所述存储器存储有可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述实施例中提供的对象推荐方法中的步骤。
对应地，本申请实施例提供一种存储介质，也就是计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述实施例中提供的对象推荐方法中的步骤。
这里需要指出的是：以上存储介质和设备实施例的描述，与上述方法实施例的描述是类似的，具有同方法实施例相似的有益效果。对于本申请存储介质和设备实施例中未披露的技术细节，请参照本申请方法实施例的描述而理解。
需要说明的是，图5为本申请实施例计算机设备的一种硬件实体示意图，如图5所示，所述计算机设备500包括：一个处理器501、至少一个通信总线502、至少一个外部通信接口504和存储器505。其中，通信总线502配置为实现这些组件之间的连接通信。在一实施例中，计算机设备还可包括：用户接口503，用户接口503可以包括显示屏，外部通信接口504可以包括标准的有线接口和无线接口。
存储器505配置为存储由处理器501可执行的指令和应用，还可以缓存待处理器501以及计算机设备中各模块待处理或已经处理的数据(例如，图像数据、音频数据、语音通信数据和视频通信数据)，可以通过闪存(FLASH)或随机访问存储器(Random AccessMemory，RAM)实现。
应理解，说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本申请的至少一个实施例中。因此，在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外，这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。应理解，在本申请的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。
需要说明的是，在本文中，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、物品或者装置不仅包括那些要素，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、物品或者装置所固有的要素。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、方法、物品或者装置中还存在另外的相同要素。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的切分，仅仅为一种逻辑功能切分，实际实现时可以有另外的切分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外，在本申请各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(Read Only Memory，ROM)、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本申请上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实施例的技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本申请各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本申请的实施方式，但本申请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申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种对象推荐方法，其特征在于，所述方法包括：
对订单数据进行清洗，获取所述订单数据对应的对象集合；所述对象集合包括至少两个对象；
确定所述对象集合中各对象的基础热度；
基于各所述对象的基础热度，确定各所述对象的热度特征；
对所述对象集合中各对象的热度特征进行排序，将在预设排序范围内的热度特征对应的对象，确定为召回集；所述召回集包括至少两个目标对象；
对所述至少两个目标对象进行排序，生成排序结果；
根据所述排序结果，输出所述至少两个目标对象。
2.根据权利要求1所述的方法，其特征在于，所述基于各所述对象的基础热度，确定各所述对象的热度特征，包括：
对于所述对象集合中的每一对象，执行以下处理：
根据所述基础热度，以及所述基础热度在目标类目的基础热度集合中的排名，确定所述对象的热度特征；所述目标类目为所述对象所属的类目；所述基础热度集合为所述目标类目下各对象的基础热度的组合。
3.根据权利要求1所述的方法，其特征在于，所述对所述至少两个目标对象进行排序，包括：
将所述至少两个目标对象中每一所述目标对象的输入特征输入推荐模型，得到每一所述目标对象对应的推荐值；所述输入特征包括以下特征至少之一：对象特征、知识图谱特征、用户静态特征和用户行为特征；
根据所述推荐值，对所述至少两个目标对象进行排序。
4.根据权利要求3所述的方法，其特征在于，所述知识图谱特征包括第一搭配关系和/或第二搭配关系，所述方法还包括：
基于用户的行为数据，确定所述目标对象与第一关联对象之间的第一搭配关系；和/或，
根据所述目标对象的对象描述的语义，确定所述目标对象与第二关联对象之间的第二搭配关系。
5.根据权利要求4所述的方法，其特征在于，所述将所述至少两个目标对象中每一所述目标对象的输入特征输入推荐模型，得到每一所述目标对象对应的推荐值，包括：
将所述至少两个目标对象中每一所述目标对象的输入特征输入梯度提升决策树GBDT模型，得到所述GBDT模型的输出特征；
将所述GBDT模型的输出特征输入逻辑回归LR模型，得到每一所述目标对象对应的推荐值。
6.根据权利要求1所述的方法，其特征在于，所述对订单数据进行清洗，包括：
识别刷单行为对应的无效订单；
将所述无效订单对应的无效对象筛除。
7.根据权利要求1所述的方法，其特征在于，所述对订单数据进行清洗，包括：
对用户的订单数据进行分析，确定所述订单数据对应的下单对象中的指定对象，所述指定对象为不存在成交金额的对象；
将所述指定对象筛除。
8.一种对象推荐装置，其特征在于，所述装置包括：获取模块、第一确定模块、第二确定模块、第三确定模块、排序模块和输出模块；其中，
所述获取模块，用于对订单数据进行清洗，获取所述订单数据对应的对象集合；所述对象集合包括至少两个对象；
所述第一确定模块，用于确定所述对象集合中各对象的基础热度；
所述第二确定模块，用于基于各所述对象的基础热度，确定各所述对象的热度特征；
所述第三确定模块，用于对所述对象集合中各对象的热度特征进行排序，将在预设排序范围内的热度特征对应的对象，确定为召回集；所述召回集包括至少两个目标对象；
所述排序模块，用于对所述至少两个目标对象进行排序，生成排序结果；
所述输出模块，用于根据所述排序结果，输出所述至少两个目标对象。
9.一种计算机设备，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，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7任一项所述对象推荐方法中的步骤。
10.一种存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时。实现权利要求1至7任一项所述的对象推荐方法。
CN202011219288.3A 2020-11-04 2020-11-04 一种对象推荐方法及装置、设备、存储介质 Active CN113744016B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202011219288.3A CN113744016B (zh) 2020-11-04 2020-11-04 一种对象推荐方法及装置、设备、存储介质
PCT/CN2021/125010 WO2022095701A1 (zh) 2020-11-04 2021-10-20 一种对象推荐方法及装置、设备、存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011219288.3A CN113744016B (zh) 2020-11-04 2020-11-04 一种对象推荐方法及装置、设备、存储介质

Publications (2)

Publication Number Publication Date
CN113744016A true CN113744016A (zh) 2021-12-03
CN113744016B CN113744016B (zh) 2024-05-24

Family

ID=78728137

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011219288.3A Active CN113744016B (zh) 2020-11-04 2020-11-04 一种对象推荐方法及装置、设备、存储介质

Country Status (2)

Country Link
CN (1) CN113744016B (zh)
WO (1) WO2022095701A1 (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115474070A (zh) * 2022-08-10 2022-12-13 武汉斗鱼鱼乐网络科技有限公司 一种展示新内容的方法、装置、介质及设备
CN115423569B (zh) * 2022-09-23 2023-09-01 厦门淦启莱科技有限公司 一种基于大数据的推荐方法及基于大数据的推荐系统
CN115439197A (zh) * 2022-11-09 2022-12-06 广州科拓科技有限公司 基于知识图谱深度学习的电子商务推荐方法及系统
CN115660738B (zh) * 2022-12-06 2023-09-22 深圳市大道四九科技有限公司 一种基于大数据的电商交易方法及系统
CN116308683B (zh) * 2023-05-17 2023-08-04 武汉纺织大学 基于知识图谱的服装品牌定位推荐方法、设备及存储介质

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070100824A1 (en) * 2005-11-03 2007-05-03 Microsoft Corporation Using popularity data for ranking
US7720720B1 (en) * 2004-08-05 2010-05-18 Versata Development Group, Inc. System and method for generating effective recommendations
CN105354729A (zh) * 2015-12-14 2016-02-24 电子科技大学 一种电子商务系统中的商品推荐方法
CN106846127A (zh) * 2017-03-15 2017-06-13 深圳大学 一种基于时间的产品推荐方法及系统
CN107784558A (zh) * 2017-10-31 2018-03-09 天脉聚源（北京）科技有限公司 一种商品排序方法及装置
CN109829797A (zh) * 2019-03-18 2019-05-31 康美药业股份有限公司 基于市场需求分析的推送方法、终端设备、存储介质
CN111161021A (zh) * 2019-12-23 2020-05-15 叮当快药科技集团有限公司 基于实时特征的推荐商品的快速二次排序方法和工具
CN111582973A (zh) * 2020-04-09 2020-08-25 苏宁云计算有限公司 一种商品推荐数据生成方法、装置及系统
CN111612581A (zh) * 2020-05-18 2020-09-01 深圳市分期乐网络科技有限公司 一种物品推荐的方法、装置、设备及存储介质
CN111859126A (zh) * 2020-07-09 2020-10-30 有半岛(北京)信息科技有限公司 推荐项目确定方法、装置、设备及存储介质

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106503014B (zh) * 2015-09-08 2020-08-07 腾讯科技（深圳）有限公司 一种实时信息的推荐方法、装置和系统
CN111339416A (zh) * 2020-02-25 2020-06-26 咪咕文化科技有限公司 热度召回方法、装置、电子设备及存储介质

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7720720B1 (en) * 2004-08-05 2010-05-18 Versata Development Group, Inc. System and method for generating effective recommendations
US20070100824A1 (en) * 2005-11-03 2007-05-03 Microsoft Corporation Using popularity data for ranking
CN105354729A (zh) * 2015-12-14 2016-02-24 电子科技大学 一种电子商务系统中的商品推荐方法
CN106846127A (zh) * 2017-03-15 2017-06-13 深圳大学 一种基于时间的产品推荐方法及系统
CN107784558A (zh) * 2017-10-31 2018-03-09 天脉聚源（北京）科技有限公司 一种商品排序方法及装置
CN109829797A (zh) * 2019-03-18 2019-05-31 康美药业股份有限公司 基于市场需求分析的推送方法、终端设备、存储介质
CN111161021A (zh) * 2019-12-23 2020-05-15 叮当快药科技集团有限公司 基于实时特征的推荐商品的快速二次排序方法和工具
CN111582973A (zh) * 2020-04-09 2020-08-25 苏宁云计算有限公司 一种商品推荐数据生成方法、装置及系统
CN111612581A (zh) * 2020-05-18 2020-09-01 深圳市分期乐网络科技有限公司 一种物品推荐的方法、装置、设备及存储介质
CN111859126A (zh) * 2020-07-09 2020-10-30 有半岛(北京)信息科技有限公司 推荐项目确定方法、装置、设备及存储介质

Also Published As

Publication number Publication date
WO2022095701A1 (zh) 2022-05-12
CN113744016B (zh) 2024-05-24

Similar Documents

Publication Publication Date Title
CN113744016B (zh) 一种对象推荐方法及装置、设备、存储介质
Kannan Digital marketing: A framework, review and research agenda
US20240062271A1 (en) Recommendations Based Upon Explicit User Similarity
CN109325179B (zh) 一种内容推广的方法及装置
CN110222272A (zh) 一种潜在客户挖掘与推荐方法
TW201520936A (zh) 使用者參與度上下文相關之非保證交付自動標價
CN106803190A (zh) 一种广告个性化推送系统及方法
US20120047014A1 (en) Method and system for using email receipts for targeted advertising
CN112258260A (zh) 基于用户特征的页面展示方法、装置、介质及电子设备
WO2020043001A1 (zh) 广告投放方法、确定推广人群的方法、服务器和客户端
JP6976207B2 (ja) 情報処理装置、情報処理方法、およびプログラム
WO2022151923A1 (zh) 一种商品文案处理方法、装置、电子设备、介质和程序
US20220309562A1 (en) Intelligent listing creation for a for sale object
US20140074608A1 (en) Rapid identification of search terms that surge in response to current events
CN111429214B (zh) 一种基于交易数据的买卖双方匹配方法及装置
KR101737424B1 (ko) 사용자의 구매 및 참여 가능성에 기반하여 광고를 제공하는 방법 및 서버
CN113254780A (zh) 信息处理的方法、装置、电子设备及计算机存储介质
CN109658195B (zh) 一种商品展示决策方法
CN113704630B (zh) 一种信息推送方法、装置、可读存储介质和电子设备
JP6679706B1 (ja) 情報処理装置、情報処理方法、及び情報処理プログラム
US20110166915A1 (en) System and method for determining a customer contact strategy
TWM600893U (zh) 商品推薦裝置
JP6362577B2 (ja) 情報処理装置及び表示記事選択システム
Racherla Graph Neural Network for Service Recommender System in Digital Service Marketplace
CN113763107B (zh) 一种对象信息推送方法、装置、设备及存储介质

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