CN113744019A - 一种商品推荐方法、装置、设备及存储介质 - Google Patents
一种商品推荐方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113744019A CN113744019A CN202110035101.2A CN202110035101A CN113744019A CN 113744019 A CN113744019 A CN 113744019A CN 202110035101 A CN202110035101 A CN 202110035101A CN 113744019 A CN113744019 A CN 113744019A
- Authority
- CN
- China
- Prior art keywords
- information
- commodity
- product
- identification information
- collocated
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 74
- 230000006399 behavior Effects 0.000 claims description 92
- 230000015654 memory Effects 0.000 claims description 22
- 238000004891 communication Methods 0.000 claims description 12
- 230000011218 segmentation Effects 0.000 claims description 12
- 238000002372 labelling Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 5
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 239000000047 product Substances 0.000 description 188
- 238000010586 diagram Methods 0.000 description 14
- 230000006870 function Effects 0.000 description 13
- 230000008569 process Effects 0.000 description 13
- 238000005516 engineering process Methods 0.000 description 9
- 238000005065 mining Methods 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 239000000463 material Substances 0.000 description 5
- 230000008901 benefit Effects 0.000 description 3
- 239000012467 final product Substances 0.000 description 3
- 239000011521 glass Substances 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 239000004744 fabric Substances 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 241000872198 Serjania polyphylla Species 0.000 description 1
- 230000003796 beauty Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 239000002537 cosmetic Substances 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000000796 flavoring agent Substances 0.000 description 1
- 235000019634 flavors Nutrition 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
- 238000004806 packaging method and process Methods 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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]
- G06Q30/0621—Item configuration or customization
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例公开了一种商品推荐方法、装置、设备及存储介质,其中,所述商品推荐方法包括:获取用户行为数据;确定与所述用户行为数据具有关联关系的待搭配商品;确定所述待搭配商品的标识信息和产品信息;基于所述用户行为数据,确定与所述产品信息匹配的搭配商品组合;其中,所述搭配商品组合包括至少一个商品;基于所述标识信息和所述搭配商品组合,确定待推荐商品集合。
Description
技术领域
本申请涉及网络信息挖掘技术领域,尤其涉及一种商品推荐方法、装置、设备及存储介质。
背景技术
用户在进行网上购物时,电子商务运营商通常会推荐相关商品,以引导用户产生相应的购物行为;相关技术中,通常只是针对用户在网上购物的相关行为以确定需推荐的商品,这样易出现推荐的商品定位较广的现象,进而导致推荐的商品与用户实际需求的商品匹配度较低。
发明内容
为解决上述技术问题,本申请实施例期望提供一种商品推荐方法、装置、设备及存储介质,能够基于商品的标识信息、产品信息以及用户行为数据,实现商品的精确搭配,进而能够提高推荐的商品与用户实际需求的商品匹配度。
为达到上述目的,本申请的技术方案是这样实现的:
本申请实施例提供一种商品推荐方法,所述方法包括:
获取用户行为数据;
确定与所述用户行为数据具有关联关系的待搭配商品;
确定所述待搭配商品的标识信息和产品信息;
基于所述用户行为数据,确定与所述产品信息匹配的搭配商品组合;其中,所述搭配商品组合包括至少一个商品;
基于所述标识信息和所述搭配商品组合,确定待推荐商品集合。
本申请实施例还提供一种商品推荐装置,所述商品推荐装置包括:获取模块、第一确定模块、第二确定模、第三确定模块和第四确定模块,其中:
所述获取模块,用于获取用户行为数据;
所述第一确定模块,用于确定与所述用户行为数据具有关联关系的待搭配商品;
所述第二确定模块,用于确定所述待搭配商品的标识信息和产品信息;
所述第三确定模块,用于基于所述用户行为数据,确定与所述产品信息匹配的搭配商品组合;其中,所述搭配商品组合包括至少一个商品;
所述第四确定模块,用于基于所述标识信息和所述搭配商品组合,确定待推荐商品集合。
本申请实施例还提供一种商品推荐设备,所述商品推荐设备包括:处理器、存储器和通信总线;
所述通信总线用于实现所述处理器和所述存储器之间的通信连接;
所述处理器用于执行所述存储器中的程序,以实现上述任一所述的商品推荐方法。
对应地,本申请实施例还提供一种计算机可读存储介质,所述计算机可读存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现上述任一所述的商品推荐方法的步骤。
本申请实施例所提供的商品推荐方法、装置、设备及存储介质,首先,获取用户行为数据;确定与用户行为数据具有关联关系的待搭配商品;如此,基于用户行为获取待搭配商品,使得待搭配商品的首先符合用户需求;其次,确定待搭配商品的标识信息和产品信息;再次,基于用户行为数据,确定与产品信息匹配的搭配商品组合;其中,搭配商品组合包括至少一个商品;基于标识信息和搭配商品组合,确定待推荐商品集合;如此,能够基于商品的标识信息、产品信息以及用户行为数据,实现商品的精确搭配,进而能够提高推荐的商品与用户实际需求的商品匹配度。
附图说明
图1为本申请实施例提供的一种商品推荐方法的流程示意图;
图2为本申请实施例提供的另一种商品推荐方法的流程示意图;
图3为本申请实施例提供的又一种商品推荐方法的流程示意图;
图4为本申请实施例中通过三种途径确定标识信息的示意图;
图5为本申请实施例中确定产品信息的示意图;
图6为本申请实施例中扩充搭配商品组合的流程示意图;
图7为本申请实施例中确定待推荐商品集合的流程示意图;
图8为本申请实施例提供的一种商品推荐装置的结构示意图;
图9为本申请实施例提供的一种商品推荐设备的结构示意图。
具体实施方式
为了能够更加详尽地了解本申请实施例的特点与技术内容,下面结合附图对本申请实施例的实现进行详细阐述,所附附图仅供参考说明之用,并非用来限定本申请。
应理解,说明书通篇中提到的“本申请实施例”或“前述实施例”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“本申请实施例中”或“在前述实施例中”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。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。
本申请实施例提供一种商品推荐方法,应用于商品推荐设备,参照图1所示,该方法包括以下步骤:
步骤101、获取用户行为数据。
在本申请实施例中,商品推荐设备可以是任一具有数据处理能力的电子设备。
在一种可行的实现方式中,商品推荐设备获取的用户行为数据,可以是用户进行学习时产生的信息。
在另一种可行的实现方式中,商品推荐设备获取的用户行为数据,可以是用户进行休息时产生的信息。
在又一种可行的实现方式中,商品推荐设备获取的用户行为数据,可以是用户进行购物时产生的信息;其中,购物包括线下交易和基于在线交易平台实现的线上交易;在本申请以下其他实施例中,用户行为均指代用户基于在线交易平台进行的相关行为,相应地,用户行为数据均指代基于在线交易平台进行相关行为产生的信息。
其中,在线交易平台即电商平台。
需要说明的是,在线交易平台是通过计算机信息网络进行信息交换,并架构一个多通道的电子综合服务交易平台;其中,卖家基于在线交易平台发布商品出售信息;其中,商品出售信息包括但不限于商品详细信息、商品数量、商品类别、商品价格以及卖家联系信息等,买家通过浏览在线交易平台提供的分类类别或搜索引擎寻找卖家,通过一定的价格协商机制,达成商品成交,再通过线下交易,完成整个交易过程。
在本申请实施例中,用户行为包括但不限于用户进行浏览、搜索、点击、加购以及购买等行为;其中,用户可以针对在线交易平台上显示的网页和/或商品进行相关操作如:浏览、搜索、点击、收藏以及购买等,本申请对此不作任何限定。
相应地,用户行为数据包括但不限于用户购买订单、浏览记录、搜索记录等。
需要说明的是,用户可以是在线交易平台的注册用户,也可以是非注册用户,本申请对此不作任何限定;同时,用户行为数据中的用户可以是一个用户,也可以是两个及以上用户,本申请对此也不作任何限定。
其中,用户行为数据可以以表格、文字、图形等任意形式进行展示,还可以是上述各种形式的任意组合,本申请对此不作任何限定。
在本申请实施例中,商品推荐设备获得的用户行为数据,可以是用户在预设周期内产生的行为数据,其中,预设周期可以是一个星期、一个月或一个季度等,本申请对此不作任何限定。
步骤102、确定与用户行为数据具有关联关系的待搭配商品。
在本申请实施例中,商品推荐设备对用户行为数据进行解析,以确定出与用户行为数据具有关联关系的待搭配商品。
其中,关联关系可以是用户行为数据中进行点击、搜索、浏览、加购或购买等产生的映射关系;同时关联关系的具体映射实物可以是用户行为数据,如:点击的商品、浏览的商品、搜索的商品以及购买的商品等。
其中,待搭配商品可以是一个,也可以是两个及以上,本申请对待搭配商品的数量不作任何限定。
在本申请实施例中,商品推荐设备通过解析用户点击、浏览、搜索以及购买等行为,解析出用户行为相关联的待搭配商品。
在一种可行的实现方式中,商品推荐设备通过解析用户行为数据,确定用户存在浏览书本有关行为,商品推荐设备确定出的待搭配商品为纸质书本、电子书本等。
在另一种可行的实现方式中,商品推荐设备通过解析用户行为数据,确定用户存在购买手机行为,商品推荐设备确定出的待搭配商品为手机、手机壳以及数据线等。
在又一种可行的实现方式中,商品推荐设备通过解析用户行为数据,确定用户存在搜索汽车行为,商品推荐设备确定出的待搭配商品为商务车、越野车等。
需要说明的是,待搭配商品可以是鞋子、手机、书本以及汽车等,本申请对待搭配商品的属性以及数量不作任何限定。
其中,待搭配商品可以以图片、文字、视频等任一形式展示,也可以是上述各种形式的任意组合,本申请对此不作任何限定。
步骤103、确定待搭配商品的标识信息和产品信息。
在本申请实施例中,商品推荐设备基于获取的待搭配商品,对其相关信息进行解析,确定出该待搭配商品的标识信息和产品信息;换而言之,本申请实施例中的待搭配商品具有标识信息和产品信息。
其中,待搭配商品的相关信息包括但不限于:标识信息、产品信息、材质信息、颜色信息以及用途信息等。
在一种可行的实现方式中,商品推荐设备从在线交易平台上获取待搭配商品的商品详情页信息,确定出待搭配商品的标识信息和产品信息。
在另一种可行的实现方式中,商品推荐设备从外部网站获取待搭配商品的相关信息如:商品的标题信息、属性信息,并基于该标题信息和属性信息,确定出待搭配商品的标识信息和产品信息。
在本申请实施例中标识信息可以指代待搭配商品的型号词,相应地,产品信息可以指代待搭配商品的产品词;在本申请以下其他实施例中,均使用型号词指代标识信息,产品词指代产品信息。
在一种可行的实现方式中,在待搭配商品为手机时,待搭配商品的型号词可以是A30、B20等,产品词可以是手机、通信设备等。
在另一种可行的实现方式中,在待搭配商品为手机壳时,待搭配商品的型号词可以是S1、S2等,产品词可以是塑胶壳、保护壳以及手机壳等。
在又一种可行的实现方式中,在待搭配商品为汽车时,待搭配商品的型号词可以是C6、C4等,产品词可以是轿车、电动汽车等。
需要说明的是,在本申请实施例中待搭配商品的型号词具有唯一性,同时产品词可以通过多种方式进行描述;且待搭配商品的型号词和产品词之间存在一定的映射关系。
步骤104、基于用户行为数据,确定与产品信息匹配的搭配商品组合。
其中,搭配商品组合包括至少一个商品。
在本申请实施例中,商品推荐设备基于用户行为数据,确定与产品信息匹配的搭配商品组合;其中,搭配商品组合中每一组合可以是两个商品的组合,也可以是两个及以上商品的组合。
其中,搭配商品组合中至少包括一个商品;同时用户行为数据包括但不限于:用户的购买、浏览、搜索、点击以及加购等行为产生的数据。
在一种可行的实现方式中,产品词为手机壳时,商品推荐设备解析用户行为数据如用户的浏览历史记录,确定与手机壳匹配的搭配商品组合为:手机壳-手机、手机壳-数据线等。
在另一种可行的实现方式中,产品词为手机时,商品推荐设备解析用户行为数据如用户的购买订单,确定与手机匹配的搭配商品组合为:手机-手机壳、手机-耳机、手机-电话卡等。
在又一种可行的实现方式中,产品信息为汽车时,商品推荐设备解析用户行为数据如用户的搜索历史记录,确定与手机匹配的搭配商品组合为:汽车-油卡、汽车-保险费用、汽车-坐垫等。
需要说明的是,搭配商品组合数量在本申请中不做任何限定;同时,搭配商品组合中可以是两个商品的组合,也可以是两个及以上数量的商品的组合,本申请中对搭配商品组合中每一组合中商品的数量也不作任何限定。
步骤105、基于标识信息和搭配商品组合,确定待推荐商品集合。
在本申请实施例中,商品推荐设备基于待搭配商品的标识信息和搭配商品组合,确定待搭配商品集合。
在本申请实施例中,商品推荐设备对标识信息和搭配商品组合进行匹配,以形成新的商品组合,并将该新的商品组合中除待搭配商品以外的商品确定为待推荐商品集合;其中,待推荐商品集合中包括至少一个商品。
其中,待推荐商品集合可以以图片、文字、视频等任意形式进行展示,也可以是上述任意形式的任意组合,本申请对此不作任何限定。
其中,待推荐商品集合可以是与待搭配商品一一对应形成对应组合的商品组合集合;也可以独立于待搭配商品,一一展示的商品集合。
需要说明的是,本申请实例中基于待搭配商品的产品信息、标识信息以及用户行为数据,能够给出更加具体、更加精准的待推荐商品的描述,能够使得确定出的待推荐商品集合中的商品与待搭配商品之间的匹配度更高。
本申请实施例所提供的商品推荐方法,首先,获取用户行为数据;确定与用户行为数据具有关联关系的待搭配商品;如此,基于用户行为获取待搭配商品,使得待搭配商品的首先符合用户需求;其次,确定待搭配商品的标识信息和产品信息;再次,基于用户行为数据,确定与产品信息匹配的搭配商品组合;其中,搭配商品组合包括至少一个商品;基于标识信息和搭配商品组合,确定待推荐商品集合;如此,能够基于商品的标识信息、产品信息以及用户行为数据,实现商品的精确搭配,进而能够提高推荐的商品与用户实际需求的商品匹配度。
基于前述实施例,本申请实施例提供一种商品推荐方法,应用于商品推荐设备,参照图1和图2所示的步骤进行以下说明:
步骤201、获取待搭配商品的标题信息。
在一种可行的实现方式中,商品推荐设备获取的待搭配商品的标题信息,可以是在线交易平台上显示的待搭配商品的标题信息;其中,标题信息可以用来描述该待搭配商品的具体信息,换而言之,用户浏览到待搭配商品的标识信息时,可以对该待搭配商品做出一个具体认知;换而言之,待搭配商品的标题信息用于商品推荐设备分析并挖掘可以获取更多有效的有关待搭配商品的信息。
其中,标题信息包括但不限于待搭配商品的颜色信息、样式信息、功能信息、品牌信息以及型号信息等。
在一种可行的实现方式中,待搭配商品为手机时,标题信息可以是手机的价格信息、型号信息、产品信息、像素信息、内存信息以及颜色信息等。
在另一种可行的实现方式中,待搭配商品为耳机时,标题信息可以是耳机的颜色信息、佩戴方式信息以及颜色信息等。
在又一种可行的实现方式中,待搭配商品为汽车时,标题信息可以是汽车的付款方式、价格信息、型号信息、颜色信息以及厂家信息等。
步骤202、基于标题信息,确定标识信息和产品信息。
在本申请实施例中,商品推荐设备对标题信息进行切词并标注,以确定出待搭配商品的标识信息即型号词和产品信息即产品词。
在一种可行的实现方式中,商品推荐设备对标题信息中的信息进行分割即切词,并对分割后的信息进行一一标注,进而确定出待搭配商品的型号信息、产品信息、颜色信息以及属性信息等。
需要说明的是,商品推荐设备可以采用任意进行切词的算法对标题信息进行切词并标注,换而言之本申请中对标题信息进行切词所使用的算法不做任何限定。
在一种可行的实现方式中,商品推荐设备在执行步骤202之前还可以执行以下步骤A1至A2:
步骤A1、获取样本标题信息。
在本申请实施例中,商品推荐设备首先获取用于进行相关模型训练的样本标题信息,进而用获取的样本标题信息来训练用于进行切词的模型。
需要说明的是,样本标题信息的数量在本申请中不作任何限定。
步骤A2、基于样本标题信息,对用于进行分词并标注的序列模型进行训练,得到已训练模型。
在本申请实施例中,商品推荐设备将获取的样本标题信息输入至用于进行分词并标注的序列模型,来对样本标题信息进行切词并标注;同时基于每一样本标题信息的标签和切词并标注得到的信息进行比对,得到输出结果,并基于该输出结果生成该序列模型的损失函数,基于该损失函数对序列模型的网络参数进行调整,并再次输入样本标题信息至序列模型得到对应的损失函数,依次反复训练直至最终得到的损失函数满足预设的收敛条件后,此时的序列模型为已训练模型。
需要说明的是,序列模型是基于深度学习和自然语言处理生成的序列到序列(Sequence to Sequence)模型;其中,序列可以用于指代语音数据、文本数据等一系列具有连续关系的数据。
在本申请实施例中,序列模型使用的算法包括但不限于:长短期记忆网络(LongShort-Term Memory,LSTM)和条件随机场算法(Conditional Random Field Algorithm)、隐马尔科夫模型(Hidden Markov Model,HMM)。
相应地,商品推荐设备在执行步骤202时还可以通过以下步骤202a至202b的方式来实现:
步骤202a、采用已训练模型,基于待搭配商品的属性信息对标题信息进行分词并标注,得到已分类信息集。
在本申请实施例中,商品推荐设备采用已训练模型,将待搭配商品的标题信息输入至该已训练模型,并基于待搭配商品的属性信息对其进行分词并标注,得到已分类信息集。
其中,待搭配商品的属性信息是依据商品的具体类别来划分的。
在一种可行的实现方式中,待搭配商品为汽车时,待搭配商品的属性信息包括品牌信息、款式信息、车型信息以及载重信息等。
在另一种可行的实现方式中,待搭配商品为美妆产品时,待搭配商品的属性信息包括:使用人群信息、功能信息、毛重信息等。
在又一种可行的实现方式中,待搭配商品为服饰时,待搭配商品的属性包括:面料信息、版型信息、尺码信息以及领型信息等。
在一种可行的实现方式中,已分类信息集包括但不限于待搭配商品的标识信息、产品信息、颜色信息、材质信息以及样式信息等。
在本申请实施例中,已分类信息集可以以表格的形式进行展示,本申请对已分类信息集的展现形式不作任何限定。
需要说明的是,已分类信息集可以用来表示该待搭配商品的所有信息,使得用户能够较全方位地了解该待搭配商品。
步骤202b、从已分类信息集中,提取标识信息和产品信息。
在本申请实施例中,商品推荐设备从已分类信息集中,提取待搭配商品对应的型号词和产品词。
在一种可行的实现方式中,商品推荐设备在执行步骤202b之前还可以执行以下步骤B1至B3:
步骤B1、确定待搭配商品的待匹配标识信息。
在一种可行的实现方式中,商品推荐设备获取在线交易平台上与待搭配商品有关的信息,并将其确定为待搭配商品的待匹配标识信息;其中,待匹配标识信息可以与标识信息相同,也可以不同,本申请对此不作任何限定。
其中,待匹配标识信息即待匹配型号词,换而言之,待匹配型号词即是用来与相关信息进行匹配的信息。
需要说明的是,该待搭配商品的商家的数量可以是一个或多个,进而针对待搭配商品的型号词可以是一个,也可以两个及以上,待搭配商品的卖家对待搭配商品的型号词的描述可能是正确的,也可能是错误的,进而,待搭配商品的型号词不具有唯一性。
在一种可行的实现方式中,待搭配商品为手机时,其正确的型号词为A30的手机,待搭配商品的第一商家将该待搭配商品的型号词描述为A30,待搭配商品的第二商家将该待搭配商品的型号词描述为AB30。
其中,待匹配标识信息可以是一个,也可以是两个及以上,其表征针对该待搭配商品的型号词描述的信息。
步骤B2、确定待搭配商品的关联信息。
其中,关联信息至少包括以下之一:待搭配商品的品牌信息和待搭配商品的网络信息。
在本申请实施例中,商品推荐设备基于网络爬虫技术从网页信息等外部环境获取待搭配商品的关联信息;其中,关联信息包括但不限于待搭配商品的品牌信息、网络信息以及用户点评信息等。
需要说明的是,网络爬虫技术作为一种搜索引擎方法,是一种按照一定的规则,自动地抓取万维网信息的程序或脚本;在本申请实施例中,网络爬虫技术是可以代替互联网用户自动地在互联网中进行相关数据信息的采集与整理的方法。
在一种可行的实现方式中,待搭配商品为汽车时,商品推荐设备可以基于网络爬虫技术获取该汽车的品牌知识、网络信息以及购买该汽车的用户对其的评价信息等。
步骤B3、基于关联信息,确定候选标识信息和候选产品信息。
在本申请实施例中,商品推荐设备对关联信息进行解析,分别确定出候选标识信息和候选产品信息。
需要说明的是,候选标识信息可以是待搭配商品的品牌信息以及网络信息确定出的有关标识信息即型号词,相应地,候选产品信息可以是待搭配商品的品牌信息以及网络信息确定出的该待搭配商品的有关产品词。
其中,候选标识信息与上述的标识信息、待匹配标识信息,三者之间可以完全相同,可以部分不同或相同,更可以完全不同,本申请对此不作任何限定。
相应地,候选产品信息和产品信息可以完全相同、可以部分相同,更可以完全不同,本申请对此不作任何限定。
相应地,商品推荐设备在执行步骤202b时还可以通过执行以下步骤b1至b3来实现:
步骤b1、从已分类信息集中,提取待识别标识信息和待识别产品信息。
在本申请实施例中,商品推荐设备从已分类信息集中,提取出来的信息需要与上述的候选标识信息、待匹配标识信息进行匹配的待识别标识信息,以及需要与上述的候选产品信息进行匹配的待识别产品信息。
步骤b2、基于待匹配标识信息、候选标识信息和待识别标识信息,确定标识信息。
在本申请实施例中,商品推荐设备将待匹配标识信息、候选标识信息和待识别标识信息,三者进行相应处理以确定出待搭配商品最终的型号词。
步骤b3、基于候选产品信息和待识别产品信息,确定产品信息。
在本申请实施例中,商品推荐设备将候选产品信息和待识别产品信息进行匹配,以确定出待搭配商品最终的产品词。
本申请实施例所提供的商品推荐方法,首先,基于待搭配商品的相关信息包括但不限于商品标题、商品属性和外部知识获取商品型号词和产品词;其次挖掘商品产品词和用户行为数据,包括不限于购买、加购、浏览等行为确定出搭配商品组合;最后在产品词和型号词的共同约束下实现商品的精确搭配,进而能够提高推荐的商品与用户实际需求的商品匹配度。
基于前述实施例,本申请实施例提供一种商品推荐方法,应用于商品推荐设备,参照图1至3所示的步骤进行以下说明:
步骤301、获取待搭配商品的登记标识。
在本申请实施例中,商品推荐设备获取待搭配商品的登记标识。
在一种可行的实现方式中,登记标识可以是该待搭配商品在特定网站或特定认证机构对商品进行注册时生成的型号词。
在另一种可行的实现方式中,登记标识也可以是在线交易平台中的运营人员输入获取的。
其中,登记标识可以以图片、文字等任意形式组成,本申请对此不作任何限定。
相应地,商品推荐设备在执行上述实施例提到的步骤b2,即执行基于待匹配标识信息、候选标识信息和待识别标识信息,确定标识信息时,还可以通过执行以下步骤302至303的方式来实现:
步骤302、基于待匹配标识信息、候选标识信息和待识别标识信息,生成候选标识信息集。
在本申请实施例中,商品推荐设备将获取的待搭配商品对应的三类型号词:待匹配标识信息、候选标识信息和待识别标识信息,进行组合生成候选标识信息集。
其中,候选标识信息集中至少包括待搭配商品的一个型号词。
步骤303、从候选标识信息集中,确定出与登记标识相似度大于预设相似度阈值的信息,作为标识信息。
在本申请实施例中,商品推荐设备从候选标识信息集中,筛选出与登记标识的相似度大于预设相似度阈值的信息,作为待搭配商品的最终型号词。
其中,预设相似度阈值可以是90%、95%等,本申请对预设相似度阈值的具体数值不作任何限定。
需要说明的是,型号词可以是商品推荐设备直接从待搭配商品的标题信息获取的,也可以是商品推荐设备基于多个途径获取的信息,并对多个途径获取的信息进行比对筛选确定的,本申请对型号词的具体获取方式不作任何限定。
在一种可行的实现方式中,商品推荐设备可以基于正则表达式、通配符匹配等方法从候选标识信息集中选择准确的型号词。
在另一种可行的实现方式中,本申请实施例中商品推荐设备基于多个数据源获取的型号词,即待匹配标识信息、候选标识信息和待识别标识信息,根据相关相似度计算来获取最终的候选标识信息集,其中,相似度计算的方法包括但不限于:jarrcard、编辑距离、Jaro-Winkler等算法;然后基于登记标识从候选标识信息集中选择符合预设规定的信息作为标识信息,即准确的型号词。
步骤304、基于候选产品信息和待识别产品信息,生成候选产品信息集。
在本申请实施例中,商品推荐设备基于候选产品信息和待识别产品信息,进行组合生成候选产品信息集;其中,候选产品信息集包括待搭配商品的至少一个产品信息即产品词。
步骤305、从候选产品信息集中确定出现次数符合第一预设阈值的信息,作为产品信息。
在本申请实施例中,商品推荐设备从候选信息集中确定出最终的产品信息即产品词;其中,第一预设阈值可以是商品推荐设备基于待搭配商品的属性信息确定的,本申请中对于第一预设阈值的具体指代不作任何限定。
需要说明的是,第一预设阈值的具体数值在本申请中不做任何限定。
步骤306、对用户行为数据进行解析,得到具有至少一个产品标识的待搭配信息集。
在本申请实施例中,商品推荐设备对用户行为数据进行解析,得到与用户行为数据具有对应的关系的待搭配信息集;其中,待搭配信息集中每一信息对应可以对应一个商品,同时该商品是指代具有产品标识的,即该商品为具有型号词的商品。
步骤307、对产品信息和待搭配信息集中每一产品标识进行匹配,确定搭配商品组合。
在本申请实施例中,商品推荐设备对产品信息和待搭配信息集中每一产品标识按照预设规则进行匹配,进而确定出搭配商品组合。
在一种可行的实现方式中,商品推荐设备在确定搭配商品组合时还需对搭配商品组合的数量进行控制,即商品推荐设备在执行步骤307时还可以执行步骤以下步骤307a至307b:
步骤307a、在搭配商品组合的数量小于第二预设阈值的情况下,获取与用户行为数据具有关联关系的每一产品标记。
在本申请实施例中,商品推荐设备在搭配商品组合的数量小于第二预设阈值的情况下,需对用户行为数据进行分析,以得到与用户行为数据具有关联关系的每一产品标记;其中,每一产品标记对应的商品可以同时有型号词和产品词,也可以只具有产品词或型号词中的一个,更可以是不具备任何型号词和产品词。
步骤307b、基于每一产品标记,对搭配商品组合中每一商品的搭配关系进行更新,以得到更新后的搭配商品组合。
在本申请实施例中,商品推荐设备基于每一产品标记,对搭配商品组合中每一商品的搭配关系进行更新,以得到更新后的搭配商品组合;其中,更新后的搭配商品组合相对于上述的搭配商品组合来说,数量上存在一定的变化,在本申请实施例中,搭配商品组合的数量是增加的。
换而言之,商品推荐设备对搭配商品组合进行扩充,其扩充的范围是基于用户行为数据进行扩充的;其中,扩充的规则可以是搭配的搭配商品组合中只要有一个产品词在用户行为数据如用户购买订单中出现就进行扩充产生更多的组合,最后基于产生的新组合对原有的搭配商品组合进行更新。
在一种可行的实现方式中,搭配商品组合为手机-手机壳,手机-数据线,若产品标记即用户行为数据即用户购买行为对应的购买订单中存在手机、耳机、数据线、充电器等;对原有的手机-手机壳,手机-数据线进行更新,以得到更新后的手机-充电器、数据线-充电器、手机壳-充电器、手机-手机壳、手机-数据线、耳机-手机等。
步骤308、基于标识信息和搭配商品组合,生成待处理商品集合。
在本申请实施例中,商品推荐设备对上述获取的标识信息即型号词和搭配商品组合,生成待处理商品集合;其中,待处理商品集合中的商品能够具有型号词和产品词。
其中,待处理商品集合中的商品可以是以商品组合的形式进行存储,也可以是基于商品的属性信息进行存储,更可以是基于与待搭配商品的匹配度进行存储,本申请对于待处理商品集合中商品存储方式不作任何限定。
步骤309、对待处理商品集合中的商品按照商品类目进行排序,生成待推荐商品集合。
在本申请其他实施例中,待推荐商品集合中对应的商品词表可能会存在商品的类目和分值存在聚集的现象,需要重新排序;换而言之,商品推荐设备对待处理商品集合中的商品按照商品类目进行排序,生成有一定顺序的待推荐商品集合。
其中,商品类目可以包括但不限于汽车类、书本类、食品类以及服饰类等。
需要说明的是,本申请提出了商品搭配推荐的方法,从型号搭配、产品词搭配等构建完整的商品搭配方案,即商品推荐设备基于待搭配商品的型号词、产品词以及用户的相关购买、浏览以及搜索等行为,确定出与待搭配商品匹配度较高的多种商品信息,且能够丰富推荐至用户的商品种类。
基于上述,本申请弥补了具有型号词的商品在推荐场景下型号不匹配、产品词不搭配的问题,扩充了更加丰富的搭配商品,同时利用型号词的约束保证了搭配的准确性,同时提升了推荐商品的多样性和新颖性。
本申请实施例所提供的商品推荐方法,首先,基于待搭配商品的相关信息包括但不限于商品标题、商品属性和外部知识获取商品型号词和产品词;其次挖掘商品产品词和用户行为数据,包括不限于购买、加购、浏览等行为确定出搭配商品组合;最后在产品词和型号词的共同约束下实现商品的精确搭配,进而能够提高推荐的商品与用户实际需求的商品匹配度。
本申请主要的应用场景是电子商务领域的商品搭配推荐领域;基于实际的电商平台中,推荐系统在提升平台的收益,以及平台的点击消费都有明显作用,为了给用户提供良好的购物体验和持续提高电商平台的收益。
在一种可行的实现方式中,本公开上述实施例中给出的商品推荐方法,可以通过以下三步来实现:
第一步:获取待搭配商品的标识信息即型号词、待搭配商品的产品信息即产品词。
第二步:挖掘产品词与用户行为数据之间的关系,得到搭配商品组合。
第三步:基于型号词和搭配商品组合确定出最终的待商品推荐集合。
第一步获取待搭配商品的标识信息可以通过本申请上述实施例给出的方式来实现,即如图4所示,示出了本申请实施例中通过三种途径确定标识信息的示意图;其中,401为待搭配商品的标题信息,对应地402为采用本申请实施例中提到的序列模型从标题信息中获取的待识别标识信息;403为待搭配商品的属性信息,对应地404为待搭配商品的待匹配标识信息,其中,待匹配标识信息可以是通过正则表达式、通配符匹配等方法来获取的;405为待搭配商品的关联信息,即通过网络爬虫技术从外部网络等获取的待搭配商品的网络信息和品牌信息,相应地从中获取406的候选标识信息;本申请中可以基于402的待识别标识信息、404的待匹配标识信息以及406的候选标识信息来确定最终的407、标识信息。
需要说明的是,标题信息包含较多待搭配商品的信息,如型号、尺寸以及生产日期等;如下表1所示,给出了多种类别产品的标题信息中存在的属性分类信息;表中序号1对应的3C产品主要指代以指计算机类(Computer)、通信类(Communication)、消费类(Consumer)电子产品。
表1标题信息分类
序号 | 类别 | 属性 |
1 | 3C | 价格、机型、型号、类型、材质… |
2 | 汽车 | 载重、品牌、款式、车型、风格… |
3 | 服饰 | 面料、工艺、版型、尺码、领型… |
4 | 食物 | 包装、口味、分类、登记、产地… |
5 | 运动 | 风格、价格、品牌、功能、尺码… |
6 | 美妆 | 适用人群、分类、毛重、功能… |
7 | 书籍 | 毛重、货号、价格、页数、开本… |
8 | 家具 | 色系、工艺、功能、风格、形状… |
其中,待搭配商品的属性信息用于表征待搭配商品的各种信息,如:颜色信息、材质信息、用途信息等;同时商品属性包括但不限于商品的规格、型号、风格、尺寸等,对于不同类型的商品有着不同的商品属性,例如3C相关的商品属性包括但不限于商品的内存、机型、适用年龄、型号、接口;汽车相关的商品属性包括但不限于商品的车长、驱动方式、颜色、载重、型号等。
其中,若待搭配商品的标题信息为“CC60手机壳CC60全包防摔双面玻璃磁吸5G版自带镜头膜商务黑【正面玻璃背面皮】CC60 4G/5G通用”,表2给出了基于序列模型对标题信息进行切词并标注后的结果。
表2标题中的信息属性
商品标题分词 | 标题分词对应属性 |
商务黑 | 颜色属性 |
全包,双面 | 样式属性 |
玻璃 | 材质属性 |
防摔,磁吸,4G | 功能属性 |
CC60 | 型号词 |
相应地,第一步获取待搭配商品的产品信息可以通过本申请上述实施例给出的方式来实现;如图5所示,示出了本申请实施例中确定产品信息的示意图;其中,501为待搭配商品的标题信息,对应地502为采用序列模型从标题信息中获取的待识别产品信息;503为待搭配商品的关联信息,即采用网络爬虫技术从外部知识获取的待搭配商品的网络信息和品牌信息,相应地从中获取504的候选产品信息;本申请中可以基于502的待识别产品信息以及504的候选产品信息来确定最终的505、产品信息。
第二步中挖掘产品词与用户行为数据之间的关系,得到搭配商品组合;其中,商品推荐设备可以基于关联规则对用户行为数据和产品信息,即产品词确定出对应的搭配商品组合;同时关联规则即为商品推荐设备利用用户行为,构建频繁子集,在大数据spark框架下利用频繁模式树(Frequent Pattern-Growth,FP-Growth)等算法挖掘符合要求的商品组合搭配;同时,挖掘即确定出的搭配商品组合满足关联规则的支持度、置信度以及提升度对应的阈值要求。
其中,关联规则的支持度表示同时包含A和B的事务占所有事务的比例,若用P(A)表示使用A事务的比例,那么支持度=P(A&B)。
相应地,置信度表示使用包含A的事务中同时包含B事务的比例,即同时包含A和B的事务占包含A事务的比例,即置信度=P(A&B)/P(A)。
相应地,提升度表示“包含A的事务中同时包含B事务的比例”与“包含B事务的比例”的比值,即提升度=(P(A&B)/P(A))/P(B)=P(A&B)/P(A)/P(B);其中提升度反映了关联规则中的A与B的相关性;同时提升度>1且越高表明正相关性越高,且提升度<1且越低表明负相关性越高,提升度=1表明没有相关性。
同时,商品推荐设备可以采用一种用于信息检索与数据挖掘的常用加权技术(Term Frequency-Inverse Document Frequency,TF-IDF),从候选产品信息集中确定出正确的产品词;其中,该TF-IDF的思想为一个候选产品词在一个特定商品的描述中出现的次数越多,同时所有商品中出现的次数越少,越能代表这个特定商品的产品词,在候选产品信息基站选择分值较大的词作为最终的产品词。
其中,TF=某一个产品词出现次数/该商品中所有产品词数目;IDF=log商品数目/(包含产品词数量+1);TF-IDF=TF*IDF;其中TF-IDF即为TF*IDF,TF即为词频(TermFrequency),IDF即为逆向文件频率(Inverse Document Frequency)。
相应地,TF-IDF的思路求解思想即为:如一篇文件的总词语数是100个,而词语“学习”出现了3次,那么“学习”一词在该文件中的词频就是3/100=0.03。一个计算文件频率IDF的方法是文件集里包含的文件总数除以测定有多少份文件出现过“学习”一词。因此若“学习”一词在1000份文件出现过,而文件总数是10000000份的话,其逆向文件频率就是lg(10000000/1000)=4。最后的TF-IDF的分数为0.03*4=0.12。
第三步中商品推荐设备基于型号词和搭配商品组合确定出最终的待商品推荐集合,其中,商品推荐设备在搭配商品组合的数量不满足预设条件的情况下,还可以基于用户行为数据对搭配商品组合的数量进行扩充;如图6所示,示出了本申请实施例中扩充搭配商品组合的流程示意图;其中,601示例为用户的购买订单,商品推荐设备对用户的购买订单进行解析,得到与用户购买订单相关联的每一产品标记,并基于每一产品标记对搭配商品组合602中的每一商品的搭配关系进行更新及扩充,以得到扩充搭配商品组合603。
同时,商品推荐设备还可以对最后生成的待商品推荐集合中的商品进行重新排序,其中,可以按照商品的属性信息进行排序;如图7所示,示出了本申请实施例中确定待推荐商品集合的流程示意图;其中,701示例为搭配商品组合,702为待搭配商品的标识信息,商品推荐设备基于701的搭配商品组合和702的标识信息确定出703的待处理商品集合,并对待处理商品集合进行重新排序以及处理,得到最终的704、待推荐商品集合。
同时本申请实施例中提供的商品推荐方法可以应用但不限于以下两种场景:
一是电商平台广告位的推荐首页;其中,相关技术中推荐首页在具有具体型号词的商品推荐中存在一些不足,表现为相关性不强,如浏览特定品牌的手机时,电商平台经常推荐其他手机型号的保护屏或者充电器气之类,虽然在产品词上可以搭配,但是在一些型号词上并不合适;同时在商品搭配时经常存在搭配匹配度不够高的情况,本公开实施例提供的商品推荐方法挖掘了产品词之间的搭配,对商品的搭配关系进行了扩充,当用户基于电商平台浏览商品时,可以使用户更好地逛起来,提升用户的多样性和新颖性等指标。
二是为广告主提供的商品定向服务;其中,在为广告主提供商品定向服务时候,广告主在投广告时候会选择页面浏览量(Page View,PV),即页面浏览量或点击量或独立访客,统计1天内访问特定电商平台的用户数;相关技术中为广告主提供智能化、高质量的候选商品集合一直是平台侧重点关注的问题;如电商平台有一个卖A品牌手机对应的手机壳的广告主,其会购买一些高PV对应的手机商品进行投放。此时就需要投放的商品型号和搭配都满足一定要求。本公开实例提供的商品推荐方法可以在该场景下实现了自动挖掘搭配商品,同时保证挖掘的搭配商品准确率。
基于前述实施例,本申请实施例还提供一种商品推荐装置8,该商品推荐装置8可以应用于图1至3对应的实施例提供的一种商品推荐方法中,参照图8所示,该商品推荐装置8可以包括:获取模块81、第一确定模块82、第二确定模块83、第三确定模块84和第四确定模块85,其中:
获取模块81,用于获取用户行为数据;
第一确定模块82,用于确定与用户行为数据具有关联关系的待搭配商品;
第二确定模块83,用于确定待搭配商品的标识信息和产品信息;
第三确定模块84,用于基于用户行为数据,确定与产品信息匹配的搭配商品组合;其中,搭配商品组合包括至少一个商品;
第四确定模块85,还用于基于标识信息和搭配商品组合,确定待推荐商品集合。
在本申请其他实施例中,第二确定模块83,还用于获取待搭配商品的标题信息;基于标题信息,确定标识信息和产品信息。
在本申请其他实施例中,第二确定模块83,还用于获取样本标题信息;基于样本标题信息,对用于进行分词并标注的序列模型进行训练,得到已训练模型;
相应地,第二确定模块83,还用于采用已训练模型,基于待搭配商品的属性信息对标题信息进行分词并标注,得到已分类信息集;从已分类信息集中,提取标识信息和产品信息。
在本申请其他实施例中,第二确定模块83,还用于确定待搭配商品的待匹配标识信息;确定待搭配商品的关联信息;其中,关联信息至少包括以下之一:待搭配商品的品牌信息和待搭配商品的网络信息;基于关联信息,确定候选标识信息和候选产品信息;
相应地,第二确定模块83,还用于从已分类信息集中,提取待识别标识信息和待识别产品信息;基于待匹配标识信息、候选标识信息和待识别标识信息,确定标识信息;基于候选产品信息和待识别产品信息,确定产品信息。
在本申请其他实施例中,第二确定模块83,还用于获取待搭配商品的登记标识;
相应地,第二确定模块83,还用于基于待匹配标识信息、候选标识信息和待识别标识信息,生成候选标识信息集;从候选标识信息集中,确定出与登记标识相似度大于预设相似度阈值的信息,作为标识信息。
在本申请其他实施例中,第二确定模块83,还用于基于候选产品信息和待识别产品信息,生成候选产品信息集;从候选产品信息集中确定出现次数符合第一预设阈值的信息,作为产品信息。
在本申请其他实施例中,第三确定模块84,还用于对用户行为数据进行解析,得到具有至少一个产品标识的待搭配信息集;对产品信息和待搭配信息集中每一产品标识进行匹配,确定搭配商品组合。
在本申请其他实施例中,第三确定模块84,还用于在搭配商品组合的数量小于第二预设阈值的情况下,获取与用户行为数据具有关联关系的每一产品标记;基于每一产品标记,对搭配商品组合中每一商品的搭配关系进行更新,以得到更新后的搭配商品组合。
在本申请其他实施例中,第四确定模块85,还用于基于标识信息和搭配商品组合,生成待处理商品集合;对待处理商品集合中的商品按照商品类目进行排序,生成待推荐商品集合。
需要说明的是,本实施例中各个模块所执行的步骤的具体实现过程,可以参照图1至3对应的实施例提供的商品推荐方法中的实现过程,此处不再赘述。
本申请实施例所提供的商品推荐装置,首先,基于待搭配商品的相关信息包括但不限于商品标题、商品属性和外部知识获取商品型号词和产品词;其次挖掘商品产品词和用户行为数据,包括不限于购买、加购、浏览等行为确定出搭配商品组合;最后在产品词和型号词的共同约束下实现商品的精确搭配,进而能够提高推荐的商品与用户实际需求的商品匹配度。
基于前述实施例,本申请的实施例还提供一种商品推荐设备9,该商品推荐设备9可以应用于图1至3对应的实施例提供的一种商品推荐方法中,参照图9所示,该商品推荐设备9可以包括:处理器91、存储器92和通信总线93,其中:
通信总线93用于实现处理器91和存储器92之间的通信连接。
处理器91用于执行存储器92中存储的商品推荐方法的程序,以实现参照图1至3对应的实施例提供的商品推荐方法。
本申请实施例所提供的商品推荐设备,首先,基于待搭配商品的相关信息包括但不限于商品标题、商品属性和外部知识获取商品型号词和产品词;其次挖掘商品产品词和用户行为数据,包括不限于购买、加购、浏览等行为确定出搭配商品组合;最后在产品词和型号词的共同约束下实现商品的精确搭配,进而能够提高推荐的商品与用户实际需求的商品匹配度。
基于前述实施例,本申请的实施例提供一种计算机可读存储介质,计算机可读存储介质存储有一个或者多个程序,该一个或者多个程序可被一个或者多个处理器执行,以实现如图1至3对应的实施例提供的商品推荐方法的步骤。
需要说明的是,上述计算机可读存储介质可以是只读存储器(Read Only Memory,ROM)、可编程只读存储器(Programmable Read-Only Memory,PROM)、可擦除可编程只读存储器(Erasable Programmable Read-Only Memory,EPROM)、电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,EEPROM)、磁性随机存取存储器(Ferromagnetic Random Access Memory,FRAM)、快闪存储器(Flash Memory)、磁表面存储器、光盘、或只读光盘(Compact Disc Read-Only Memory,CD-ROM)等存储器;也可以是包括上述存储器之一或任意组合的各种电子设备,如移动电话、计算机、平板设备、个人数字助理等。
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。
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。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有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(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本申请各个实施例所描述的方法。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上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 (12)
1.一种商品推荐方法,其特征在于,所述方法包括:
获取用户行为数据;
确定与所述用户行为数据具有关联关系的待搭配商品;
确定所述待搭配商品的标识信息和产品信息;
基于所述用户行为数据,确定与所述产品信息匹配的搭配商品组合;其中,所述搭配商品组合包括至少一个商品;
基于所述标识信息和所述搭配商品组合,确定待推荐商品集合。
2.根据权利要求1所述的方法,其特征在于,所述确定所述待搭配商品的标识信息和产品信息,包括:
获取所述待搭配商品的标题信息;
基于所述标题信息,确定所述标识信息和所述产品信息。
3.根据权利要求2所述的方法,其特征在于,所述基于所述标题信息,确定所述标识信息和所述产品信息之前,所述方法还包括:
获取样本标题信息;
基于所述样本标题信息,对用于进行分词并标注的序列模型进行训练,得到已训练模型;
相应地,所述基于所述标题信息,确定所述标识信息和所述产品信息,包括:
采用所述已训练模型,基于所述待搭配商品的属性信息对所述标题信息进行分词并标注,得到已分类信息集;
从所述已分类信息集中,提取所述标识信息和所述产品信息。
4.根据权利要求3所述的方法,其特征在于,所述从所述已分类信息集中,提取所述标识信息和所述产品信息之前,所述方法还包括:
确定所述待搭配商品的待匹配标识信息;
确定所述待搭配商品的关联信息;其中,所述关联信息至少包括以下之一:所述待搭配商品的品牌信息和所述待搭配商品的网络信息;
基于所述关联信息,确定候选标识信息和候选产品信息;
相应地,所述从所述已分类信息集中,提取所述标识信息和所述产品信息,包括:
从所述已分类信息集中,提取待识别标识信息和待识别产品信息;
基于所述待匹配标识信息、所述候选标识信息和所述待识别标识信息,确定所述标识信息;
基于所述候选产品信息和所述待识别产品信息,确定所述产品信息。
5.根据权利要求4所述的方法,其特征在于,所述基于所述待匹配标识信息、所述候选标识信息和所述待识别标识信息,确定所述标识信息之前,所述方法还包括:
获取所述待搭配商品的登记标识;
相应地,所述基于所述待匹配标识信息、所述候选标识信息和所述待识别标识信息,确定所述标识信息,包括:
基于所述待匹配标识信息、所述候选标识信息和所述待识别标识信息,生成候选标识信息集;
从所述候选标识信息集中,确定出与所述登记标识相似度大于预设相似度阈值的信息,作为所述标识信息。
6.根据权利要求4所述的方法,其特征在于,所述基于所述候选产品信息和所述待识别产品信息,确定所述产品信息,包括:
基于所述候选产品信息和所述待识别产品信息,生成候选产品信息集;
从所述候选产品信息集中确定出现次数符合第一预设阈值的信息,作为所述产品信息。
7.根据权利要求1所述的方法,其特征在于,所述基于所述用户行为数据,确定与所述产品信息匹配的搭配商品组合,包括:
对所述用户行为数据进行解析,得到具有至少一个产品标识的待搭配信息集;
对所述产品信息和所述待搭配信息集中每一产品标识进行匹配,确定所述搭配商品组合。
8.根据权利要求7所述的方法,其特征在于,所述对所述产品信息和所述待搭配信息集中每一产品标识进行匹配,确定所述搭配商品组合,包括:
在所述搭配商品组合的数量小于第二预设阈值的情况下,获取与所述用户行为数据具有关联关系的每一产品标记;
基于所述每一产品标记,对所述搭配商品组合中每一商品的搭配关系进行更新,以得到更新后的搭配商品组合。
9.根据权利要求1所述的方法,其特征在于,所述基于所述标识信息和所述搭配商品组合,确定待推荐商品,包括:
基于所述标识信息和所述搭配商品组合,生成待处理商品集合;
对所述待处理商品集合中的商品按照商品类目进行排序,生成所述待推荐商品集合。
10.一种商品推荐装置,其特征在于,所述商品推荐装置包括:获取模块、第一确定模块、第二确定模块、第三确定模块和第四确定模块,其中:
所述获取模块,用于获取用户行为数据;
所述第一确定模块,用于确定与所述用户行为数据具有关联关系的待搭配商品;
所述第二确定模块,用于确定所述待搭配商品的标识信息和产品信息;
所述第三确定模块,用于基于所述用户行为数据,确定与所述产品信息匹配的搭配商品组合;其中,所述搭配商品组合包括至少一个商品;
所述第四确定模块,用于基于所述标识信息和所述搭配商品组合,确定待推荐商品集合。
11.一种商品推荐设备,其特征在于,所述商品推荐设备包括:处理器、存储器和通信总线;
所述通信总线用于实现所述处理器和所述存储器之间的通信连接;
所述处理器用于执行所述存储器中的程序,以实现如权利要求1至9任一所述的商品推荐方法。
12.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现如权利要求1至9中任一项所述的商品推荐方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110035101.2A CN113744019A (zh) | 2021-01-12 | 2021-01-12 | 一种商品推荐方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110035101.2A CN113744019A (zh) | 2021-01-12 | 2021-01-12 | 一种商品推荐方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113744019A true CN113744019A (zh) | 2021-12-03 |
Family
ID=78728233
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110035101.2A Pending CN113744019A (zh) | 2021-01-12 | 2021-01-12 | 一种商品推荐方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113744019A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114519622A (zh) * | 2022-02-14 | 2022-05-20 | 拉扎斯网络科技(上海)有限公司 | 一种商品信息处理方法、装置及电子设备 |
CN117273865A (zh) * | 2023-11-14 | 2023-12-22 | 深圳市灵智数字科技有限公司 | 商品推荐方法、装置、电子设备及存储介质 |
CN117974276A (zh) * | 2024-04-02 | 2024-05-03 | 深圳市灵智数字科技有限公司 | 商品推荐模型训练方法、商品推荐方法及电子设备 |
Citations (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101206752A (zh) * | 2007-12-25 | 2008-06-25 | 北京科文书业信息技术有限公司 | 电子商务网站相关商品推荐系统及其方法 |
US20080167974A1 (en) * | 2005-05-19 | 2008-07-10 | Nhn Corporation | Commodity Information Registering Method and System Which Automatically Matches Commodity Model and Category With the Commodity Information |
CN102479366A (zh) * | 2010-11-25 | 2012-05-30 | 阿里巴巴集团控股有限公司 | 一种商品推荐方法及系统 |
JP2013257793A (ja) * | 2012-06-13 | 2013-12-26 | Nippon Telegr & Teleph Corp <Ntt> | 商品多様化推薦装置及び方法及びプログラム |
CN104915860A (zh) * | 2015-06-10 | 2015-09-16 | 无线生活(杭州)信息科技有限公司 | 一种商品推荐方法及装置 |
CN105205684A (zh) * | 2014-06-30 | 2015-12-30 | 阿里巴巴集团控股有限公司 | 一种搭配产品的推荐展示方法及装置 |
US20160012511A1 (en) * | 2013-06-25 | 2016-01-14 | Kobo Incorporated | Methods and systems for generating recommendation list with diversity |
CN105869001A (zh) * | 2015-01-19 | 2016-08-17 | 苏宁云商集团股份有限公司 | 个性化商品推荐引流方法和系统 |
CN106021562A (zh) * | 2016-05-31 | 2016-10-12 | 北京京拍档科技有限公司 | 用于电商平台的基于主题相关的推荐方法 |
CN106228386A (zh) * | 2016-07-12 | 2016-12-14 | 腾讯科技(深圳)有限公司 | 一种信息推送方法及装置 |
CN106600372A (zh) * | 2016-12-12 | 2017-04-26 | 武汉烽火信息集成技术有限公司 | 一种基于用户行为的商品推荐方法及系统 |
CN106600357A (zh) * | 2016-10-28 | 2017-04-26 | 浙江大学 | 基于电子商务商品标题的商品搭配方法 |
CN107563859A (zh) * | 2017-08-31 | 2018-01-09 | 深圳前海弘稼科技有限公司 | 商品推荐方法、装置、设备及存储介质 |
CN107862566A (zh) * | 2017-10-17 | 2018-03-30 | 杨明 | 一种商品推荐方法和系统 |
CN108960992A (zh) * | 2018-06-29 | 2018-12-07 | 黄宗治 | 一种信息推荐方法以及相关设备 |
CN109359244A (zh) * | 2018-10-30 | 2019-02-19 | 中国科学院计算技术研究所 | 一种个性化信息推荐方法和装置 |
CN109493123A (zh) * | 2018-10-23 | 2019-03-19 | 佛山欧神诺云商科技有限公司 | 一种基于大数据的商品推荐方法及装置 |
WO2019232822A1 (zh) * | 2018-06-06 | 2019-12-12 | 平安科技(深圳)有限公司 | 产品推荐方法、装置、计算机设备及存储介质 |
CN111292164A (zh) * | 2020-01-21 | 2020-06-16 | 上海风秩科技有限公司 | 一种商品推荐方法、装置、电子设备及可读存储介质 |
CN111429203A (zh) * | 2020-03-02 | 2020-07-17 | 北京明略软件系统有限公司 | 基于用户行为数据的商品推荐方法和装置 |
CN111523976A (zh) * | 2020-04-23 | 2020-08-11 | 京东数字科技控股有限公司 | 商品推荐方法、装置、电子设备及存储介质 |
CN111597296A (zh) * | 2019-02-20 | 2020-08-28 | 阿里巴巴集团控股有限公司 | 商品数据的处理方法、装置和系统 |
-
2021
- 2021-01-12 CN CN202110035101.2A patent/CN113744019A/zh active Pending
Patent Citations (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080167974A1 (en) * | 2005-05-19 | 2008-07-10 | Nhn Corporation | Commodity Information Registering Method and System Which Automatically Matches Commodity Model and Category With the Commodity Information |
CN101206752A (zh) * | 2007-12-25 | 2008-06-25 | 北京科文书业信息技术有限公司 | 电子商务网站相关商品推荐系统及其方法 |
CN102479366A (zh) * | 2010-11-25 | 2012-05-30 | 阿里巴巴集团控股有限公司 | 一种商品推荐方法及系统 |
JP2013257793A (ja) * | 2012-06-13 | 2013-12-26 | Nippon Telegr & Teleph Corp <Ntt> | 商品多様化推薦装置及び方法及びプログラム |
US20160012511A1 (en) * | 2013-06-25 | 2016-01-14 | Kobo Incorporated | Methods and systems for generating recommendation list with diversity |
CN105205684A (zh) * | 2014-06-30 | 2015-12-30 | 阿里巴巴集团控股有限公司 | 一种搭配产品的推荐展示方法及装置 |
CN105869001A (zh) * | 2015-01-19 | 2016-08-17 | 苏宁云商集团股份有限公司 | 个性化商品推荐引流方法和系统 |
CN104915860A (zh) * | 2015-06-10 | 2015-09-16 | 无线生活(杭州)信息科技有限公司 | 一种商品推荐方法及装置 |
CN106021562A (zh) * | 2016-05-31 | 2016-10-12 | 北京京拍档科技有限公司 | 用于电商平台的基于主题相关的推荐方法 |
CN106228386A (zh) * | 2016-07-12 | 2016-12-14 | 腾讯科技(深圳)有限公司 | 一种信息推送方法及装置 |
CN106600357A (zh) * | 2016-10-28 | 2017-04-26 | 浙江大学 | 基于电子商务商品标题的商品搭配方法 |
CN106600372A (zh) * | 2016-12-12 | 2017-04-26 | 武汉烽火信息集成技术有限公司 | 一种基于用户行为的商品推荐方法及系统 |
CN107563859A (zh) * | 2017-08-31 | 2018-01-09 | 深圳前海弘稼科技有限公司 | 商品推荐方法、装置、设备及存储介质 |
CN107862566A (zh) * | 2017-10-17 | 2018-03-30 | 杨明 | 一种商品推荐方法和系统 |
WO2019232822A1 (zh) * | 2018-06-06 | 2019-12-12 | 平安科技(深圳)有限公司 | 产品推荐方法、装置、计算机设备及存储介质 |
CN108960992A (zh) * | 2018-06-29 | 2018-12-07 | 黄宗治 | 一种信息推荐方法以及相关设备 |
CN109493123A (zh) * | 2018-10-23 | 2019-03-19 | 佛山欧神诺云商科技有限公司 | 一种基于大数据的商品推荐方法及装置 |
CN109359244A (zh) * | 2018-10-30 | 2019-02-19 | 中国科学院计算技术研究所 | 一种个性化信息推荐方法和装置 |
CN111597296A (zh) * | 2019-02-20 | 2020-08-28 | 阿里巴巴集团控股有限公司 | 商品数据的处理方法、装置和系统 |
CN111292164A (zh) * | 2020-01-21 | 2020-06-16 | 上海风秩科技有限公司 | 一种商品推荐方法、装置、电子设备及可读存储介质 |
CN111429203A (zh) * | 2020-03-02 | 2020-07-17 | 北京明略软件系统有限公司 | 基于用户行为数据的商品推荐方法和装置 |
CN111523976A (zh) * | 2020-04-23 | 2020-08-11 | 京东数字科技控股有限公司 | 商品推荐方法、装置、电子设备及存储介质 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114519622A (zh) * | 2022-02-14 | 2022-05-20 | 拉扎斯网络科技(上海)有限公司 | 一种商品信息处理方法、装置及电子设备 |
CN117273865A (zh) * | 2023-11-14 | 2023-12-22 | 深圳市灵智数字科技有限公司 | 商品推荐方法、装置、电子设备及存储介质 |
CN117974276A (zh) * | 2024-04-02 | 2024-05-03 | 深圳市灵智数字科技有限公司 | 商品推荐模型训练方法、商品推荐方法及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220138831A1 (en) | Method of Providing Fashion Item Recommendation Service Using User's Body Type and Purchase History | |
CN107748754B (zh) | 一种知识图谱完善方法和装置 | |
CN103246980B (zh) | 信息输出方法及服务器 | |
CN109542916A (zh) | 平台商品入驻方法、装置、计算机设备及存储介质 | |
CN108694602A (zh) | 广告文件生成方法及装置 | |
CN103970850B (zh) | 网站信息推荐方法和系统 | |
CN113744019A (zh) | 一种商品推荐方法、装置、设备及存储介质 | |
KR20200045668A (ko) | 스타일 추천 방법, 장치 및 컴퓨터 프로그램 | |
CN107632984A (zh) | 一种聚类数据表的展现方法、装置和系统 | |
CN104679771A (zh) | 一种个性化数据搜索方法和装置 | |
CN101331475A (zh) | 在线商业意图的自动检测 | |
CN110909536A (zh) | 用于自动生成产品的文章的系统和方法 | |
US20220245706A1 (en) | Methods and apparatuses for providing search results using embedding-based retrieval | |
JP6527275B1 (ja) | イメージ内の複数の客体の調和に基づく調和検索方法、コンピュータ装置およびコンピュータプログラム | |
KR20180134021A (ko) | 이미지 기반 광고 제공 방법, 장치 및 컴퓨터 프로그램 | |
KR102295459B1 (ko) | 사용자에게 날짜를 이용하여 패션 아이템 추천 서비스를 제공하는 방법 | |
CN111444405A (zh) | 用于搜索中的用户交互方法、装置、移动终端和存储介质 | |
CN108269169A (zh) | 一种导购方法及系统 | |
CN114862516A (zh) | 文案推荐方法、存储介质及程序产品 | |
KR20210131198A (ko) | 추천 상품 광고 방법, 장치 및 컴퓨터 프로그램 | |
KR20220039697A (ko) | 코디네이션 패션 아이템을 추천하는 방법 | |
CN111523315B (zh) | 数据处理方法、文本识别方法、装置及计算机设备 | |
KR20170076199A (ko) | 커머셜 컨텐츠를 제공하는 방법, 장치 및 컴퓨터 프로그램 | |
KR20220019737A (ko) | 패션 상품 추천 방법, 장치 및 컴퓨터 프로그램 | |
KR20110045293A (ko) | 인터넷 컨텐츠 내용에 가장 적합한 쇼핑몰의 상품정보를 자동으로 제공하는 상품광고 의미 매칭 서비스 시스템 및 방법 |
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 |