CN113763059A - 物品推荐的方法和装置 - Google Patents
物品推荐的方法和装置 Download PDFInfo
- Publication number
- CN113763059A CN113763059A CN202010485178.5A CN202010485178A CN113763059A CN 113763059 A CN113763059 A CN 113763059A CN 202010485178 A CN202010485178 A CN 202010485178A CN 113763059 A CN113763059 A CN 113763059A
- Authority
- CN
- China
- Prior art keywords
- user
- recommended
- information
- articles
- determining
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 230000006870 function Effects 0.000 claims description 26
- 238000013528 artificial neural network Methods 0.000 claims description 24
- 238000003860 storage Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 7
- 230000000694 effects Effects 0.000 abstract description 11
- 238000010586 diagram Methods 0.000 description 17
- 238000004891 communication Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 108090000623 proteins and genes Proteins 0.000 description 4
- 238000012552 review Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000036651 mood Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013598 vector Substances 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
- 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
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了物品推荐的方法和装置,涉及计算机技术领域。该方法的一具体实施方式包括:获取用户的位置信息;确定与所述位置信息匹配的待推荐物品集合;根据所述待推荐物品集合和预设物品推荐模型,确定所述用户对应的待推荐物品组合;基于所述待推荐物品组合对所述用户进行物品推荐。该实施方式无需用户通过自行查找的方式搜索地方特色,将符合用户偏好的物品推荐给用户,达到提高用户选购物品的效率,达到提高用户体验,提高用户购买率的技术效果。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种物品推荐的方法和装置。
背景技术
随着大数据和互联网的发展,越来越多的用户喜欢网上购物,当用户在旅游时,需要手动对物品在电商平台进行搜索,在浏览多个物品后,进而选择用户需要的物品。
在实现本发明过程中,发明人发现现有技术中至少存在如下问题:
1、用户需要通过手动搜索,查找地方特产;
2、用户很难找到地方特产的优惠组合。
发明内容
有鉴于此,本发明实施例提供一种物品推荐的方法和装置,能够达到提高用户选购物品的效率,提高用户体验,提高用户购买率的技术效果。
为实现上述目的,根据本发明实施例的一个方面,提供了一种物品推荐的方法,包括:
获取用户的位置信息;
确定与所述位置信息匹配的待推荐物品集合;
根据所述待推荐物品集合和预设物品推荐模型,确定所述用户对应的待推荐物品组合;
基于所述待推荐物品组合对所述用户进行物品推荐。
可选地,确定与所述位置信息匹配的待推荐物品集合,包括:
根据所述位置信息,确定所述位置信息对应的环境信息和文化信息;
根据所述环境信息和文化信息,确定与所述位置信息匹配的待推荐物品集合;
其中,所述环境信息,包括:温度信息、气象信息;所述文化信息,包括:语言信息、特色信息。
可选地,确定与所述位置信息匹配的待推荐物品集合,包括:
获取具备相同或相似位置信息的好友提示信息;根据所述好友提示信息,确定好友推荐物品;
和/或,获取与所述用户查询的物品在相同或相似位置信息的评论信息;
根据所述评论信息和/或所述好友推荐物品,确定与所述位置信息匹配的待推荐物品集合。
可选地,确定与所述位置信息匹配的待推荐物品集合,包括:
根据预设物品池,确定与所述位置信息匹配的特色物品;
向用户展示所述特色物品的视频信息;
接收用户对所述视频信息的反馈信息;
根据所述反馈信息,生成优惠物品组合;
对所述优惠物品组合中的物品进行筛选,确定与所述位置信息匹配的待推荐物品集合。
可选地,根据所述待推荐物品集合和预设物品推荐模型,确定所述用户对应的待推荐物品组合之前,包括:
建立所述用户对应的属性数据;
根据所述属性数据,训练预设物品推荐模型。
可选地,所述属性数据,至少包括如下之一:用户画像属性数据、物品画像属性数据、上下文属性数据。
可选地,根据所述属性数据,训练预设物品推荐模型,包括:
初始化深度神经网络的模型参数;
将所述属性数据和历史数据标签输入到所述深度神经网络前向传播层,结合自定义损失函数,更新所述深度神经网络输出层的损失值和误差值;
根据损失值和误差值,确定所述输出层的线性系数和偏倚系数的梯度;
反向计算所述深度神经网络隐藏层误差值,获取隐藏层线性系数和偏倚系数的梯度;
根据所述输出层和所述隐藏层的线性系数和偏倚系数的梯度,确定所述自定义损失函数处于收敛状态的模型参数;
根据所述模型参数,生成预设物品推荐模型。
可选地,所述深度神经网络所采用的模型为DeepFM模型;
其中,在所述DeepFM模型中,因子分解机和前向传播层共享嵌入层矩阵。
根据本发明实施例的再一个方面,提供了一种物品推荐的装置,包括:
信息获取模块,用于获取用户的位置信息;
集合确定模块,用于确定与所述位置信息匹配的待推荐物品集合;
组合确定模块,用于根据所述待推荐物品集合和预设物品推荐模型,确定所述用户对应的待推荐物品组合;
推荐模块,用于基于所述待推荐物品组合对所述用户进行物品推荐。
根据本发明实施例的另一个方面,提供了一种物品推荐的电子设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现本发明提供的物品推荐的方法。
根据本发明实施例的还一个方面,提供了一种计算机可读介质,其上存储有计算机程序,所述程序被处理器执行时实现本发明提供的物品推荐的方法。
上述发明中的一个实施例具有如下优点或有益效果:
本申请可以通过直接获取用户所在的位置信息帮助用户推荐物品,为电商平台输入地域文化基因,丰富用户的购物体验,进而无需用户通过自行查找的方式搜索地方特色,达到提高用户选购物品的效率,提高用户体验的技术效果。
本申请实施例利用预设物品推荐模型对所述待推荐物品集合进行筛选的技术手段,将符合用户偏好的物品推荐给用户,进而用户接收到更符合其偏好的推荐,达到提高用户购买率的技术效果。
上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
附图用于更好地理解本发明,不构成对本发明的不当限定。其中:
图1是根据本发明实施例的一种物品推荐的方法的主要流程的示意图;
图2是根据本发明实施例客户端对用户进行物品推荐的方法的具体流程的示意图;
图3是根据本发明实施例服务端对用户进行物品推荐的方法的具体流程的示意图;
图4是根据本发明实施例物品推荐的系统中包含的各个模块的示意图;
图5是根据本发明实施例的一种物品推荐的装置的主要模块的示意图;
图6是本发明实施例可以应用于其中的示例性系统架构图;
图7是适于用来实现本发明实施例的终端设备或服务器的计算机系统的结构示意图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明,其中包括本发明实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本发明的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
图1是根据本发明实施例的一种物品推荐的方法的主要流程的示意图,如图1所示,包括:
步骤S101、获取用户的位置信息;
步骤S102、确定与所述位置信息匹配的待推荐物品集合;
步骤S103、根据所述待推荐物品集合和预设物品推荐模型,确定所述用户对应的待推荐物品组合;
步骤S104、基于所述待推荐物品组合对所述用户进行物品推荐。
本申请主要是用于在旅游观光中用户查看/购买当地的地方特色文化和特色物品。在电商平台中可以通过直接获取用户所在的位置信息帮助用户推荐物品,为电商平台输入地域文化基因,丰富了用户的购物体验,进而无需用户通过自行查找的方式搜索地方特色,达到提高用户选购物品的效率,提高用户体验的技术效果。
每个位置信息可能对应的待推荐物品的个数大于等于一,进而可以将所述位置信息对应的待推荐物品组合为一个集合,称为待推荐物品集合,方便后续从所述待推荐物品集合中筛选出实际为用户推荐的商品。
筛选的过程是利用预设物品推荐模型对所述待推荐物品集合进行筛选。其中所述预设物品推荐模型可以是根据用户的偏好预先设定的。通过筛选,将更符合用户偏好的物品推荐给用户,进而接收到的推荐更符合用户的偏好,可以达到提高用户购买率的技术效果。
在一些可选实施例中,确定与所述位置信息匹配的待推荐物品集合,包括:
根据所述位置信息,确定所述位置信息对应的环境信息和文化信息;
根据所述环境信息和文化信息,确定与所述位置信息匹配的待推荐物品集合;
其中,所述环境信息,包括但不限于以下之一:温度信息、气象信息;所述文化信息,包括但不限于以下之一:语言信息、特色信息。
具体地,可以设置一个区域或频道,用于展示用户对应位置信息的物品和/或服务。用户可以通过所述区域或频道快速找到其感兴趣的物品,以较高的性价比购买下单,也可以了解所述位置信息对应的文化信息、风土人情。
其中所述位置信息可以根据用户登录账号时输入的信息和后台服务,智能定位到用户的位置,进而达到获取位置信息的目的。
例如,若气象信息表示在一定时间段后存在下雨的可能,则可以将雨伞推荐给用户;若所述语言信息表示用户所在的位置所采用的语言为维吾尔族语,则可以采用汉语和维吾尔族语两种语言介绍新疆的特色食品。
在一些可选实施例中,确定与所述位置信息匹配的待推荐物品集合,可以包括:
获取具备相同或相似位置信息的好友提示信息;根据所述好友提示信息,确定好友推荐物品;
和/或,获取与所述用户查询的物品在相同或相似位置信息的评论信息;
根据所述评论信息和/或所述好友推荐物品,确定与所述位置信息匹配的待推荐物品集合。
具体地,可以通过设置一个区域用于与好友进行对话。例如,当定位到好友也在用户所在的位置后,可以便于用户与好友进行沟通或将好友已经购买的物品或服务推荐给用户。用户可以通过智能机器人与好友离线交流,好友看到后可以进行回复。用户也可以向好友进行提问,例如询问哪家当地特产最实惠。
在用户挑选物品时,可以看到其他用户的推荐和评论,可以在一定条件下优先展示同城用户的评论。
用户浏览某个地域的特色物品时,平台可以为用户提供实时交流的机会,用户可以通过平台提供的智能机器人把用户的购物需求或购物中遇到的问题反馈上去,电商平台会在后台调用算法匹配合适的答题人选,达到解决用户问题的目的。
可选地,确定与所述位置信息匹配的待推荐物品集合,包括:
根据预设物品池,确定与所述位置信息匹配的特色物品;
向用户展示所述特色物品的视频信息;
接收用户对所述视频信息的反馈信息;
根据所述反馈信息,生成优惠物品组合;
对所述优惠物品组合中的物品进行筛选,确定与所述位置信息匹配的待推荐物品集合。
具体地,可以设置一个区域或频道,用于以短视频的方式介绍物品的起源、原料、使用方法等,还可以通过视频的方式给用户讲解当地的历史文化和乡土风情,给用户推荐几处观光旅游的景区,去景区需要提前准备的商品等。
其中,在给用户推荐商品的同时,会智能地为用户推荐优惠组合,满足不同用户的购物需求。
通过记录用户的足迹,可以丰富用户画像的属性数据,方便后续为用户提供更准确的推荐物品,对用户个人而言,也可以回顾自己的浏览足迹。
可选地,可以通过用户投票的方式确定一个位置对应的城市特色物品,大于设定阈值的物品或服务均可作为当地特色物品放置在召回到物品池中,用于对用户进行推荐生成待推荐物品集合。
可选地,根据所述待推荐物品集合和预设物品推荐模型,确定所述用户对应的待推荐物品组合之前,包括:
建立所述用户对应的属性数据;
根据所述属性数据,训练预设物品推荐模型。
可选地,所述属性数据,至少包括如下之一:用户画像属性数据、物品画像属性数据、上下文属性数据。
所述用户画像属性数据,可以包括但不限于如下之一:
用户在京东近一天搜索商品次数、用户在京东近一天浏览商品次数、用户在京东近一天点击商品次数、用户在京东近七天搜索商品次数、用户在京东近七天浏览商品次数、用户在京东近七天点击商品次数、用户购买的不同商品数、用户购买的不同品类数、用户订单平均间隔时间、用户订单平均交易额、用户地域兴趣转移次数、用户当前所在城市、用户最近一次购物距现在时间、用户所在地理位置东部、中部、西部、南北部、用户所在城市是一线城市、二线城市还是三线城市、用户促销敏感度、用户手机品牌、用户客户端版本、用户手机系统版本、用户手机平台、用户平均每次访问停留时长、用户收入、用户粘性、用户忠诚度、用购物车容量、用户兴趣标签、用户购物车转化为订单的比例、用户最近加入购物车的不同商品数、用户最近加入购物车的不同品类数、用户从购物车删除的品类、单品计数.
所述物品(或商品)画像属性数据可以包括但不限于如下之一:
物品单价占订单总额的比例、物品的全站搜索点击量、物品的全站浏览UV、物品加购量、物品浏览后加购比例、物品评论点击数、物品问答点击数、物品详情页图片点击数、物品进入店铺点击数、物品降价提示点击数、物品详情来源(搜索、未推荐、促销页、购物车、关注等)、物品被从购物车删除的次数、物品的关注量、物品的销量、物品的评论量、物品的好评率、物品的有图评论量、物品离线质量分、物品实时质量分、物品复购周期、物品取消订单数、物品退货率。
所述上下文属性数据可以包括但不限于如下之一:
用户当前网络类型(2G、3G、4G、5G、wifi)、用户当前所在地理位置、用户当前所在地域季节、用户当前所在地域温度、用户当前所在地域天气、用户当前所在地域人均消费等级、当前是否为促销季节、用户在不同网络类型下的搜索占比、用户在不同网络类型下的点击占比、用户在不同网络类型下的浏览占比、用户在不同网络类型下的加购占比、用户在不同网络类型下的下单占比。
在实际生产中,可以对上述属性数据加权的方式实现突出推荐的物品更让具备地域性。
在实际应用中,可以利用用户的属性数据提前训练好适合所述用户的推荐模型。
可选地,根据所述属性数据,训练预设物品推荐模型,包括:
初始化深度神经网络的模型参数;
将所述属性数据和历史数据标签输入到所述深度神经网络前向传播层,结合自定义损失函数,更新所述深度神经网络输出层的损失值和误差值;
根据损失值和误差值,确定所述输出层的线性系数和偏倚系数的梯度;
反向计算所述深度神经网络隐藏层误差值,获取隐藏层线性系数和偏倚系数的梯度;
根据所述输出层和所述隐藏层的线性系数(常用w表示)和偏倚系数(常用b表示)的梯度,确定所述自定义损失函数处于收敛状态的模型参数;
根据所述模型参数,生成预设物品推荐模型。
本发明所要解决的技术问题是:本发明结合地域商品个性化推荐的业务背景,构建细粒度的特征工程,应用深度学习技术,自定义适合业务场景的损失函数,为用户购买地域特色商品提供方便的途径和实惠的组合方案,提升了用户的购物体验。同时本发明的技术丰富了业务形态,为电商输入地域文化基因,对于公司的多元化发展具有重要意义。
所述模型预设物品推荐模型是从用户的多维度海量数据中学习得到的,进而达到准确地为用户推荐商品的技术效果。
深度学习中的神经网络模仿生物大脑的“干管细胞-传导细胞-响应细胞”的三层结构发展而来,它们在神经网络中相应地分为输入层、隐藏层和输出层。数据从前面的一层经过激活函数流入后面的网络层,更新参数,使得经过神经元学习获得的输出向量尽量接近真实值。
所述自定义损失函数结合业务特点,在损失函数中加入策略方案的生成的。
所述反向计算是指由最后一层(输出层)开始,逐层向前反馈可以找到每一层的最优权重和偏置项。
可选地,所述深度神经网络所采用的模型为DeepFM模型;
其中,在所述DeepFM模型中,因子分解机(FM)和前向传播层(DNN的底层)共享嵌入层矩阵(embedding矩阵)。
在本实施例中通过采用DeepFM模型,可以使得不同的属性数据均可以在模型中训练,使得训练后的模型更准确,方便后续为用户推荐的物品与用户的偏好更匹配。
在实际应用中,可以预先根据训练样本训练出2048维的物品图像embedding,然后再用一个深度神经网络对物品表征进行降维,最后拼接其它属性数据,输入到现有技术中的神经网络。
现有技术在损失函数中采用的标签主要是0和1,也就是标签0表示曝光不点击,标签1表示曝光点击;
在本申请可选实施例中,所述自定义损失函数中定义的标签包括:标签0表示曝光不点击、标签1表示低质量点击、标签2表示高质量点击、标签4表示低质量订单、标签5表示高质量订单。在定义损失函数时可以对上述标签进行加权,也可以设计一个掩膜(mask)矩阵,利用所述掩膜矩阵与传统信息熵构建的损失函数,实现自定义损失函数。
在实际应用中,可以在完成开发后,将用于物品推荐的服务端与数据端进行联调,以确保为用户推荐的物品准确且性能稳定。
在用于物品推荐的服务端上线之前可以对进行badcase(表现差的例子)测试,例如用户把城市切换到黑龙江,推荐的结果为海南的特色物品,则说明用于物品推荐的服务端是有问题的需要进一步解决问题。
服务端接收到用户反馈的信息后,可以根据反馈信息做进一步改进。例如,用户发现有些商品可以作为地域商品,但是平台没有这些商品,则可以反馈给服务端,进而改进用户体验。
下面以一具体实施例详细说明物品推荐的流程。
图2是根据本发明实施例客户端对用户进行物品推荐的方法的具体流程的示意图,如图2所示,包括:
步骤S201、用户登录客户端;
步骤S202、获取所述用户对应的位置信息;
步骤S203、确定所述位置信息对应的当地特色商品,也就是待推荐物品集合;
步骤S204、在后台对所述待推荐物品集合中存在地域敏感的物品进行屏蔽;
步骤S205、根据所述预设物品推荐模型确定待推荐的物品;
步骤S206、根据所述待推荐的物品组生成优惠组合,推荐给用户。
图3是根据本发明实施例服务端对用户进行物品推荐的方法的具体流程的示意图,如图3所示,包括:
步骤S301、构建设计地域化的特征工程;
步骤S302、将特征工程构建的结果存储到redis数据库中;
步骤S303、根据redis数据库中存储的结果,发布用于客户端调用的预设物品推荐模型;
步骤S304、根据所述预设物品推荐模型对客户端提供服务。
图4是根据本发明实施例物品推荐的系统中包含的各个模块的示意图。
如图4所示,物品推荐的系统包括以下六个模块,分别是:地域频道模块、地域好友热门模块、地域特色商品模块、属性数据工程模块、地域深度学习商品预测模块和上线应用模块。
在所述地域频道模块,可以包括的子模块为:展示频道产品愿景、频道产品愿景、智能获取用户位置、实时购物服务、地域文化展示。
在所述地域好友热门模块,可以包括的子模块为:同城好友提示、好友热门商品推荐、同城评论优先展示、实时用户交流板块。
在所述地域特色商品模块,可以包括的子模块为:特色商品官宣、平台自动拼凑优惠礼包、记录用户地域浏览、特色商品池子召回。
在所述属性数据工程模块,可以包括的子模块为:用户画像属性数据、商品画像属性数据、上下文属性数据、地域属性数据加权。
在所述地域深度学习商品预测模块,可以包括的子模块为:属性数据标签输入层、前向传播层、自定义损失函数层、反向传播更新参数层。
在所述上线应用模块,可以包括的子模块为:数据端和服务端联调、测试badcase、用户个性化反馈、效果优化迭代。
上述各个子模块的功能不再赘述。
图5是根据本发明实施例的一种物品推荐的装置的主要模块的示意图;如图5所示,提供了一种物品推荐的装置500,包括:
信息获取模块501,用于获取用户的位置信息;
集合确定模块502,用于确定与所述位置信息匹配的待推荐物品集合;
组合确定模块503,用于根据所述待推荐物品集合和预设物品推荐模型,确定所述用户对应的待推荐物品组合;
推荐模块504,用于基于所述待推荐物品组合对所述用户进行物品推荐。
可选地,确定与所述位置信息匹配的待推荐物品集合,包括:
根据所述位置信息,确定所述位置信息对应的环境信息和文化信息;
根据所述环境信息和文化信息,确定与所述位置信息匹配的待推荐物品集合;
其中,所述环境信息,包括:温度信息、气象信息;所述文化信息,包括:语言信息、特色信息。
可选地,确定与所述位置信息匹配的待推荐物品集合,包括:
获取具备相同或相似位置信息的好友提示信息;根据所述好友提示信息,确定好友推荐物品;
和/或,获取与所述用户查询的物品在相同或相似位置信息的评论信息;
根据所述评论信息和/或所述好友推荐物品,确定与所述位置信息匹配的待推荐物品集合。
可选地,确定与所述位置信息匹配的待推荐物品集合,包括:
根据预设物品池,确定与所述位置信息匹配的特色商品;
向用户展示所述特色物品的视频信息;
接收用户对所述视频信息的反馈信息;
根据所述反馈信息,生成优惠物品组合;
对所述优惠物品组合中的物品进行筛选,确定与所述位置信息匹配的待推荐物品集合。
可选地,还包括:训练模块,用于在根据所述待推荐物品集合和预设物品推荐模型,确定所述用户对应的待推荐物品组合之前,
建立所述用户对应的属性数据;
根据所述属性数据,训练预设物品推荐模型。
可选地,所述属性数据,至少包括如下之一:用户画像属性数据、物品画像属性数据、上下文属性数据。
可选地,根据所述属性数据,训练预设物品推荐模型,包括:
初始化深度神经网络的模型参数;
将所述属性数据和历史数据标签输入到所述深度神经网络前向传播层,结合自定义损失函数,更新所述深度神经网络输出层的损失值和误差值;
根据损失值和误差值,确定所述输出层的线性系数和偏倚系数的梯度;
反向计算所述深度神经网络隐藏层误差值,获取隐藏层线性系数和偏倚系数的梯度;
根据所述输出层和所述隐藏层的线性系数和偏倚系数的梯度,确定所述自定义损失函数处于收敛状态的模型参数;
根据所述模型参数,生成预设物品推荐模型。
可选地,所述深度神经网络所采用的模型为DeepFM模型;
其中,在所述DeepFM模型中,因子分解机和前向传播层共享嵌入层矩阵。
可选地,所述自定义损失函数中定义的标签包括:曝光不点击、低质量点击、高质量点击、低质量订单、高质量订单。
图6示出了可以应用本发明实施例的物品推荐方法或物品推荐装置的示例性系统架构600。
如图6所示,系统架构600可以包括终端设备601、602、603,网络604和服务器605。网络604用以在终端设备601、602、603和服务器605之间提供通信链路的介质。网络604可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备601、602、603通过网络604与服务器605交互,以接收或发送消息等。终端设备601、602、603上可以安装有各种通讯客户端应用,例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。
终端设备601、602、603可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器605可以是提供各种服务的服务器,例如对用户利用终端设备601、602、603所浏览的购物类网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的产品信息查询请求等数据进行分析等处理,并将处理结果(例如目标推送信息、产品信息--仅为示例)反馈给终端设备。
需要说明的是,本发明实施例所提供的物品推荐方法一般由服务器605执行,相应地,物品推荐装置一般设置于服务器605中。
应该理解,图6中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
下面参考图7,其示出了适于用来实现本发明实施例的终端设备的计算机系统700的结构示意图。图7示出的终端设备仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图7所示,计算机系统700包括中央处理单元(CPU)701,其可以根据存储在只读存储器(ROM)702中的程序或者从存储部分708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中,还存储有系统700操作所需的各种程序和数据。CPU 701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
以下部件连接至I/O接口705:包括键盘、鼠标等的输入部分706;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分707;包括硬盘等的存储部分708;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至I/O接口705。可拆卸介质711,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器710上,以便于从其上读出的计算机程序根据需要被安装入存储部分708。
特别地,根据本发明公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本发明公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分709从网络上被下载和安装,和/或从可拆卸介质711被安装。在该计算机程序被中央处理单元(CPU)701执行时,执行本发明的系统中限定的上述功能。
需要说明的是,本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的模块可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中,例如,可以描述为:一种处理器包括发送模块、获取模块、确定模块和第一处理模块。其中,这些模块的名称在某种情况下并不构成对该模块本身的限定,例如,发送模块还可以被描述为“向所连接的服务端发送图片获取请求的模块”。
作为另一方面,本发明还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的设备中所包含的;也可以是单独存在,而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被一个该设备执行时,使得该设备包括:
获取用户的位置信息;
确定与所述位置信息匹配的待推荐物品集合;
根据所述待推荐物品集合和预设物品推荐模型,确定所述用户对应的待推荐物品组合;
基于所述待推荐物品组合对所述用户进行物品推荐。
根据本发明实施例的技术方案,可以达到如下有益效果:
本申请可以通过直接获取用户所在的位置信息帮助用户推荐物品,为推荐物品的平台输入地域文化基因,丰富用户的购物体验,进而无需用户通过自行查找的方式搜索地方特色,达到提高用户选购物品的效率,提高用户体验的技术效果。
本申请实施例利用预设物品推荐模型对所述待推荐物品集合进行筛选的技术手段,将符合用户偏好的物品推荐给用户,进而用户接收到更符合其偏好的推荐,达到提高用户购买率的技术效果。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,取决于设计要求和其他因素,可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (11)
1.一种物品推荐的方法,其特征在于,包括:
获取用户的位置信息;
确定与所述位置信息匹配的待推荐物品集合;
根据所述待推荐物品集合和预设物品推荐模型,确定所述用户对应的待推荐物品组合;
基于所述待推荐物品组合对所述用户进行物品推荐。
2.根据权利要求1所述的方法,其特征在于,确定与所述位置信息匹配的待推荐物品集合,包括:
根据所述位置信息,确定所述位置信息对应的环境信息和文化信息;
根据所述环境信息和文化信息,确定与所述位置信息匹配的待推荐物品集合;
其中,所述环境信息,包括:温度信息、气象信息;所述文化信息,包括:语言信息、特色信息。
3.根据权利要求1所述的方法,其特征在于,确定与所述位置信息匹配的待推荐物品集合,包括:
获取具备相同或相似位置信息的好友提示信息;根据所述好友提示信息,确定好友推荐物品;
和/或,获取与所述用户查询的物品在相同或相似位置信息的评论信息;
根据所述评论信息和/或所述好友推荐物品,确定与所述位置信息匹配的待推荐物品集合。
4.根据权利要求1所述的方法,其特征在于,确定与所述位置信息匹配的待推荐物品集合,包括:
根据预设物品池,确定与所述位置信息匹配的特色物品;
向用户展示所述特色物品的视频信息;
接收用户对所述视频信息的反馈信息;
根据所述反馈信息,生成优惠物品组合;
对所述优惠物品组合中的物品进行筛选,确定与所述位置信息匹配的待推荐物品集合。
5.根据权利要求1所述的方法,其特征在于,根据所述待推荐物品集合和预设物品推荐模型,确定所述用户对应的待推荐物品组合之前,包括:
建立所述用户对应的属性数据;
根据所述属性数据,训练预设物品推荐模型。
6.根据权利要求5所述的方法,其特征在于,所述属性数据,至少包括如下之一:用户画像属性数据、物品画像属性数据、上下文属性数据。
7.根据权利要求5或6所述的方法,其特征在于,根据所述属性数据,训练预设物品推荐模型,包括:
初始化深度神经网络的模型参数;
将所述属性数据和历史数据标签输入到所述深度神经网络前向传播层,结合自定义损失函数,更新所述深度神经网络输出层的损失值和误差值;
根据损失值和误差值,确定所述输出层的线性系数和偏倚系数的梯度;
反向计算所述深度神经网络隐藏层误差值,获取隐藏层线性系数和偏倚系数的梯度;
根据所述输出层和所述隐藏层的线性系数和偏倚系数的梯度,确定所述自定义损失函数处于收敛状态的模型参数;
根据所述模型参数,生成预设物品推荐模型。
8.根据权利要求7所述的方法,其特征在于,所述深度神经网络所采用的模型为DeepFM模型;
其中,在所述DeepFM模型中,因子分解机和前向传播层共享嵌入层矩阵。
9.一种物品推荐的装置,其特征在于,包括:
信息获取模块,用于获取用户的位置信息;
集合确定模块,用于确定与所述位置信息匹配的待推荐物品集合;
组合确定模块,用于根据所述待推荐物品集合和预设物品推荐模型,确定所述用户对应的待推荐物品组合;
推荐模块,用于基于所述待推荐物品组合对所述用户进行物品推荐。
10.一种物品推荐的电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-8中任一所述的方法。
11.一种计算机可读介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1-8中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010485178.5A CN113763059A (zh) | 2020-06-01 | 2020-06-01 | 物品推荐的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010485178.5A CN113763059A (zh) | 2020-06-01 | 2020-06-01 | 物品推荐的方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113763059A true CN113763059A (zh) | 2021-12-07 |
Family
ID=78782634
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010485178.5A Pending CN113763059A (zh) | 2020-06-01 | 2020-06-01 | 物品推荐的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113763059A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107705185A (zh) * | 2017-10-13 | 2018-02-16 | 山东浪潮通软信息科技有限公司 | 一种商品推荐方法及装置 |
CN109214893A (zh) * | 2018-08-31 | 2019-01-15 | 深圳春沐源控股有限公司 | 商品推荐方法、推荐系统及计算机装置 |
CN110381328A (zh) * | 2019-06-11 | 2019-10-25 | 拉扎斯网络科技(上海)有限公司 | 基于视频的商品操作方法、装置、服务器和可存储介质 |
CN110458637A (zh) * | 2019-06-19 | 2019-11-15 | 中国平安财产保险股份有限公司 | 基于神经网络的产品推送方法、及其相关设备 |
KR20190132095A (ko) * | 2018-05-18 | 2019-11-27 | 주식회사 일렉스홀딩스 | 가전 추천 서비스 제공 방법 및 이를 실행하기 위한 시스템 |
CN110827046A (zh) * | 2018-08-07 | 2020-02-21 | 北京京东尚科信息技术有限公司 | 一种场景推荐的方法和装置 |
-
2020
- 2020-06-01 CN CN202010485178.5A patent/CN113763059A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107705185A (zh) * | 2017-10-13 | 2018-02-16 | 山东浪潮通软信息科技有限公司 | 一种商品推荐方法及装置 |
KR20190132095A (ko) * | 2018-05-18 | 2019-11-27 | 주식회사 일렉스홀딩스 | 가전 추천 서비스 제공 방법 및 이를 실행하기 위한 시스템 |
CN110827046A (zh) * | 2018-08-07 | 2020-02-21 | 北京京东尚科信息技术有限公司 | 一种场景推荐的方法和装置 |
CN109214893A (zh) * | 2018-08-31 | 2019-01-15 | 深圳春沐源控股有限公司 | 商品推荐方法、推荐系统及计算机装置 |
CN110381328A (zh) * | 2019-06-11 | 2019-10-25 | 拉扎斯网络科技(上海)有限公司 | 基于视频的商品操作方法、装置、服务器和可存储介质 |
CN110458637A (zh) * | 2019-06-19 | 2019-11-15 | 中国平安财产保险股份有限公司 | 基于神经网络的产品推送方法、及其相关设备 |
Non-Patent Citations (2)
Title |
---|
朱立才: "《商务智能方法与应用》", 31 January 2020, ,浙江科学技术出版社, pages: 334 - 335 * |
蔡立志等: "《大数据测评》", 31 January 2015, 上海科学技术出版社, pages: 94 - 95 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20190392487A1 (en) | System, Device, and Method of Automatic Construction of Digital Advertisements | |
WO2018126740A1 (zh) | 用于推送信息的方法和装置 | |
CN110020162B (zh) | 用户识别方法和装置 | |
CN111104599B (zh) | 用于输出信息的方法和装置 | |
CN110070382A (zh) | 用于生成信息的方法和装置 | |
CN112100558A (zh) | 用于对象推荐的方法、装置、设备和存储介质 | |
WO2023142520A1 (zh) | 信息推荐方法及装置 | |
CN113763019A (zh) | 一种用户信息管理方法和装置 | |
CN112749323A (zh) | 一种构建用户画像的方法和装置 | |
CN112150184A (zh) | 点击率预估方法及其系统、计算机系统及计算机可读介质 | |
CN112449217B (zh) | 一种推送视频的方法、装置、电子设备和计算机可读介质 | |
CN113822734A (zh) | 用于生成信息的方法和装置 | |
CN113495991A (zh) | 一种推荐方法和装置 | |
CN111125502B (zh) | 用于生成信息的方法和装置 | |
CN113450172A (zh) | 一种商品推荐方法和装置 | |
CN113360816A (zh) | 点击率预测的方法和装置 | |
CN110046920B (zh) | 一种计算商品生命周期长度的方法和装置 | |
CN111782850A (zh) | 一种基于手绘图的物品搜索方法和装置 | |
CN113763059A (zh) | 物品推荐的方法和装置 | |
CN113313542B (zh) | 一种推送频道页面的方法和装置 | |
US20230053859A1 (en) | Method and apparatus for outputting information | |
CN113554493A (zh) | 交互下单方法、装置、电子设备和计算机可读介质 | |
CN113327147A (zh) | 一种物品信息展示的方法及装置 | |
CN113449175A (zh) | 热点数据的推荐方法和装置 | |
CN112860858A (zh) | 一种回答问题的方法及装置 |
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 |