CN113763070A - 信息推荐方法和装置 - Google Patents
信息推荐方法和装置 Download PDFInfo
- Publication number
- CN113763070A CN113763070A CN202010604430.XA CN202010604430A CN113763070A CN 113763070 A CN113763070 A CN 113763070A CN 202010604430 A CN202010604430 A CN 202010604430A CN 113763070 A CN113763070 A CN 113763070A
- Authority
- CN
- China
- Prior art keywords
- user
- candidate
- score
- articles
- candidate item
- 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 41
- 238000012216 screening Methods 0.000 claims abstract description 10
- 238000010606 normalization Methods 0.000 claims description 55
- 238000012545 processing Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 9
- 239000002131 composite material Substances 0.000 claims description 6
- 230000000694 effects Effects 0.000 abstract description 34
- 230000006399 behavior Effects 0.000 description 68
- 238000010586 diagram Methods 0.000 description 22
- 238000004891 communication Methods 0.000 description 7
- 238000006243 chemical reaction Methods 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000000737 periodic effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000002311 subsequent effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 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
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种信息推荐方法和装置,涉及计算机技术领域。该方法包括:响应于预设的触发条件,判断用户在网络平台上的历史行为数据的数据量是否不足;在所述用户在网络平台上的历史行为数据的数据量不足时,确定多个候选物品的评分值;根据所述评分值从所述多个候选物品中筛选出待推荐的物品,并将所述待推荐的物品的信息推送至所述用户。通过以上步骤,能够提高推荐系统的推荐效果,解决了在新用户或者用户行为数据比较少的情况下系统推荐效果差、甚至无法进行推荐的问题。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种信息推荐方法和装置。
背景技术
随着互联网技术的发展,在网络平台上进行信息推荐越来越普遍。例如,在电商平台上,为了帮助用户快速找到想要的物品,出现了推荐系统功能。
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:现有的推荐系统大多都是基于用户历史行为进行推荐。当遇到新用户或者用户行为数据比较少的时候,现有推荐系统的推荐效果往往很差。另外,由于老用户对很多物品也没有行为,对于这些物品及品类推荐系统也难以根据他的喜好进行推荐。
发明内容
有鉴于此,本发明提供一种信息推荐方法和装置,能够提高推荐系统的推荐效果,解决了在新用户或者用户行为数据比较少的情况下系统推荐效果差、甚至无法进行推荐的问题。
为实现上述目的,根据本发明的一个方面,提供了一种信息推荐方法。
本发明的信息推荐方法包括:响应于预设的触发条件,判断用户在网络平台上的历史行为数据的数据量是否不足;在所述用户在网络平台上的历史行为数据的数据量不足时,确定多个候选物品的评分值;根据所述评分值从所述多个候选物品中筛选出待推荐的物品,并将所述待推荐的物品的信息推送至所述用户。
可选地,所述确定多个候选物品的评分值包括:根据所述候选物品的标识查询存储模块,以获取对应候选物品的评分值;其中,所述候选物品的评分值是预先根据如下处理方式得到的:根据候选物品的多个属性的取值计算所述候选物品的原始得分;将所述候选物品的原始得分与预设的阈值进行比较,并根据比较结果选取相应的归一化模型;基于所述相应的归一化模型对所述候选物品的原始得分进行归一化处理,以得到所述候选物品的评分值。
可选地,根据如下方式确定所述阈值:确定同一品类下物品的原始得分的分布情况;根据所述同一品类下物品的原始得分的分布情况确定该品类对应的阈值。
可选地,所述将所述候选物品的原始得分与预设的阈值进行比较,并根据比较结果选取相应的归一化模型包括:将所述候选物品与其所属品类对应的阈值进行比较;在所述候选物品的原始得分大于或等于所述阈值时,选取第一归一化模型;在所述候选物品的原始得分小于所述阈值时,选取第二归一化模型。
可选地,所述根据候选物品的多个属性的取值计算所述候选物品的原始得分包括:确定所述多个属性中每一个属性的第一权重和第二权重;根据所述第一权重和第二权重计算所述属性的综合权重;根据候选物品的多个属性的取值以及各个属性的综合权重,计算所述候选物品的原始得分。
可选地,所述方法还包括:在所述用户在网络平台上的历史行为数据的数据量充足时,根据所述用户的历史行为数据确定用户偏好的物品,并将所述用户偏好的物品的信息推送至所述用户。
为实现上述目的,根据本发明的另一个方面,提供了一种信息推荐装置。
本发明的信息推荐装置包括:判断模块,用于响应于预设的触发条件,判断用户在网络平台上的历史行为数据的数据量是否不足;第一推荐模块,用于在所述用户在网络平台上的历史行为数据的数据量不足时,确定多个候选物品的评分值;还用于根据所述评分值从所述多个候选物品中筛选出待推荐的物品,并将所述待推荐的物品的信息推送至所述用户。
可选地,所述第一推荐模块确定多个候选物品的评分值包括:所述第一推荐模块根据所述候选物品的标识查询存储模块,以获取对应候选物品的评分值;其中,所述候选物品的评分值是预先根据如下处理方式得到的:根据候选物品的多个属性的取值计算所述候选物品的原始得分;将所述候选物品的原始得分与预设的阈值进行比较,并根据比较结果选取相应的归一化模型;基于所述相应的归一化模型对所述候选物品的原始得分进行归一化处理,以得到所述候选物品的评分值。
为实现上述目的,根据本发明的再一个方面,提供了一种电子设备。
本发明的电子设备,包括:一个或多个处理器;以及,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的信息推荐方法。
为实现上述目的,根据本发明的又一个方面,提供了一种计算机可读介质。
本发明的计算机可读介质,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的信息推荐方法。
上述发明中的一个实施例具有如下优点或有益效果:通过响应于预设的触发条件,判断用户在网络平台上的历史行为数据的数据量是否不足;在所述用户在网络平台上的历史行为数据的数据量不足时,确定多个候选物品的评分值,根据所述评分值从所述多个候选物品中筛选出待推荐的物品,并将所述待推荐的物品的信息推送至所述用户这些步骤,能够提高推荐系统的推荐效果,解决了在新用户或者用户行为数据比较少的情况下系统推荐效果差、甚至无法进行推荐的问题。
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是根据本发明第一实施例的信息推荐方法的主要流程示意图;
图2是根据本发明第二实施例的信息推荐方法的主要流程示意图;
图3a是根据本发明实施例的一个品类下的物品BI得分分布示意图;
图3b是根据本发明实施例的另一个品类下的物品BI得分分布示意图;
图4a是根据本发明实施例的针对某个品类的物品BI得分进行归一化处理后的效果示意图之一;
图4b是根据本发明实施例的针对某个品类的物品BI得分进行归一化处理后的效果示意图之二;
图5是根据本发明第三实施例的信息推荐装置的主要模块示意图;
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电子设备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。
需要指出的是,在不影响本发明实施的情况下,本发明中的各个实施例以及实施例中的技术特征可以相互组合。
图1是根据本发明第一实施例的信息推荐方法的主要流程示意图。如图1所示,本发明实施例的信息推荐方法包括:
步骤S101:响应于预设的触发条件,判断用户在网络平台上的历史行为数据的数据量是否不足。
示例性地,所述预设的触发条件可以为检测到某种用户行为。比如,在检测到用户进入网络平台上某个页面,或者检测到用户在某个页面上滚动屏幕,或者检测到用户在某个页面上长时间停留等等。另外,所述预设的触发条件还可以为当前时间满足定时推荐或周期性推荐的时间要求,或者其他触发条件。在满足预设的触发条件之后,可执行本发明实施例的信息推荐方法的处理流程。
在一个可选实施方式中,可先获取用户在网络平台上的历史行为数据的数据量信息;然后将所述用户在网络平台上的历史行为数据的数据量与预设阈值进行比较;若所述用户在网络平台上的历史行为数据的数据量大于或等于预设阈值,确认所述用户在网络平台上的历史行为数据充足;若所述用户在网络平台上的历史行为数据的数据量小于所述预设阈值,确认所述用户在网络平台上的历史行为数据的数据量不足。其中,所述用户在网络平台上的历史行为数据可以为用户在网络平台(例如购物平台)上的浏览、搜索、点击、和/或下单等行为数据。此外,在不影响本发明实施的情况下,还可采用其他方式判断所述用户在网络平台上的历史行为数据的数据量是否不足。
步骤S102:在所述用户在网络平台上的历史行为数据的数据量不足时,确定多个候选物品的评分值。
其中,所述评分值可用来衡量物品销售情况的好坏,反映物品的活跃度,从这个意义上来讲,其又可被称为“活跃度评估值”。在步骤S102的一个可选实施方式中,可根据各个候选物品的属性数据实时计算出对应的评分值。示例性地,在计算候选物品的评分值时所用的属性数据可包括候选物品的点击量、评论数、好评率、坏评率、3天均销量、7天均销量、3天均销售金额、7天均销售金额、pv(页面浏览量)转化率、uv(独立访客数)转化率、退货率、离线折扣等指标中的一个或多个。
在另一个可选实施方式中,可预先根据候选物品的属性数据计算出网络平台上的物品的评分值并进行存储。这样一来,在步骤S102中,可直接通过查询存储模块获取多个候选物品的评分值。
步骤S103:根据所述评分值从所述多个候选物品中筛选出待推荐的物品,并将所述待推荐的物品的信息推送至所述用户。
在一个可选实施方式中,可将评分值最大的M(比如5个、10个或者其他数值)个候选物品作为待推荐的物品,并将这些待推荐的物品的信息推送至该用户。在另一个可选实施方式中,也可将评分值大于预设阈值的候选物品作为待推荐的物品,并将这些待推荐的物品的信息推送至该用户。
在本发明实施例中,通过响应于预设的触发条件,判断用户在网络平台上的历史行为数据的数据量是否不足;在所述用户在网络平台上的历史行为数据的数据量不足时,确定多个候选物品的评分值,根据所述评分值从所述多个候选物品中筛选出待推荐的物品,并将所述待推荐的物品的信息推送至所述用户这些步骤,能够提高推荐系统的推荐效果,解决了在新用户或者用户行为数据比较少的情况下系统推荐效果差、甚至无法进行推荐的问题。
图2是根据本发明第二实施例的信息推荐方法的主要流程示意图。如图2所示,本发明实施例的信息推荐方法包括:
步骤S201:响应于预设的触发条件,获取用户在网络平台上的历史行为数据。
示例性地,所述预设的触发条件可以为检测到用户进入网络平台上某个页面,或者检测到用户在某个页面上滚动屏幕,或者检测到用户在某个页面上长时间停留等等。另外,所述预设的触发条件还可以为当前时间满足定时推荐或周期性推荐的时间要求,或者其他触发条件。在满足预设的触发条件之后,可执行本发明实施例的信息推荐方法的处理流程。
在该步骤中,可根据用户标识(比如用户在网络平台上的登录账号、或者用户手机号等)查询出用户在网络平台上的历史行为数据。其中,所述用户在网络平台上的历史行为数据可以是用户在近期一段时间内(比如近一年或者近半年等等)在该网络平台上的浏览、搜索、点击、加购(即加购物车)、和/或下单等行为数据。
步骤S202:判断历史行为数据的数据量是否不足。
在一个可选实施方式中,可将所述用户在网络平台上的历史行为数据的数据量与预设的数据量阈值进行比较;若所述用户在网络平台上的历史行为数据的数据量大于或等于预设的数据量阈值,确认所述用户在网络平台上的历史行为数据充足;若所述用户在网络平台上的历史行为数据的数据量小于所述预设的数据量阈值,确认所述用户在网络平台上的历史行为数据的数据量不足。此外,在不影响本发明实施的情况下,还可采用其他方式判断所述用户在网络平台上的历史行为数据的数据量是否不足。
进一步,在所述用户在网络平台上的历史行为数据的数据量不足时,执行步骤S203;在所述用户在网络平台上的历史行为数据的数据量充足时,执行步骤S205。
步骤S203:根据候选物品的标识查询存储模块,以获取对应候选物品的评分值。
其中,所述评分值可用来衡量物品销售情况的好坏,反映物品的活跃度。从这个意义上来讲,其又可被称为“活跃度评估值”、“热度评估值”。在本发明实施例中,可预先根据候选物品的属性数据计算出网络平台上的物品的评分值并进行存储。这样一来,在步骤S203中,可直接通过查询存储模块获取多个候选物品的评分值。
进一步,所述候选物品的评分值可根据步骤A1至步骤A3所示的优选处理方式得到:
步骤A1、根据候选物品的多个属性的取值计算所述候选物品的原始得分。
其中,所述候选物品的原始得分,可用来衡量物品销售情况的好坏,反映物品的活跃度,又可称为活跃度得分,或者BI(Bussiness Intelligence)得分。在一个可选实施方式中,步骤A1具体包括,确定所述多个属性中每一个的第一权重和第二权重;根据所述第一权重和第二权重计算所述属性的综合权重;根据候选物品的多个属性的取值以及各个属性的综合权重,计算所述候选物品的原始得分。
其中,所述第一权重和第二权重为从不同角度设置的两个权重值。其中,第一权重是针对物品属性进行的权重赋值。具体实施时,可根据业务推荐经验和线上测试效果设置各个属性的第一权重。例如,可先将物品的属性划分成多个类别,比如可将其划分为浏览、评价、销量、金额、转化率、退货率、折扣这七个类别,再针对各个类别下的属性设置对应的第一权重。比如,可将“浏览”这个类别下的属性对应的第一权重设置为25,将“销量”这个类别下的属性对应的第一权重设置为30,将“评价”、“金额”、“转化率”、“退货率”、折扣“这几个类别下的第一权重分别设置为15、15、10、-5、10。
其中,第二权重反映了物品属性与下单量的相关度。在一个可选示例中,第二权重可采用物品的属性与下单量的相关系数来表示。进一步,物品的属性与下单量的相关系数可根据如下公式计算得到:
式中,r(X,Y)表示物品的属性X与下单量Y的相关系数,Cov(X,Y)表示X与Y的协方差,Var(X)表示X的方差,Var(Y)表示Y的方差。以浏览行为属性为例,X为用户浏览次数,所有用户的浏览次数构成一个随机变量,Y为用户购买情况,同样构成一个随机变量,通过计算浏览行为属性与用户购买情况的协方差及方差,就可以计算出两者之间的相关系数。
进一步,在得到物品属性的第一权重和第二权重之后,可根据第一权重和第二权重计算物品属性的综合权重。例如,可对同一物品属性的第一权重和第二权重相乘,进而得到该物品属性的综合权重。接下来,可根据候选物品的多个属性的取值以及各个属性的综合权重,计算所述候选物品的原始得分。例如,可将属性的综合权重作为加权系数,对候选物品的多个属性的取值进行加权求和,以得到候选物品的原始得分。
步骤A2、将所述候选物品的原始得分与预设的阈值(该阈值可称为“热度阈值”、“活跃度阈值”、或者“BI得分阈值”)进行比较,并根据比较结果选取相应的归一化模型。
本发明的发明人经过分析发现:头部物品(即销量靠前的物品)和尾部物品(即销量靠后的物品)的BI得分差异巨大,如果直接根据BI得分进行物品推荐可能会影响推荐系统的性能以及准确性;同时,不同品类间的BI得分的差异也比较大,这就导致当按照BI得分对不同品类的物品进行混合排序时,某些品类的物品总会排在前面,而另一些品类的物品总会排在后面,进而使得排在后面的品类物品总是得不到推荐,影响了推荐系统的性能。鉴于此,在本发明实施例中,通过步骤A2、A3对BI得分进行了归一化处理。
示例性地,步骤A2可具体包括:将所述候选物品与其所属品类对应的阈值进行比较;在所述候选物品的原始得分大于或等于所述阈值时,选取第一归一化模型;在所述候选物品的原始得分小于所述阈值时,选取第二归一化模型。
其中,所述第一归一化模型和所述第二归一化模型共同构成了一个分段归一化模型。进一步,所述分段归一化模型可具体设置为:
优选的,所述阈值可根据如下方式确定:确定同一品类下物品的原始得分的分布情况;根据所述同一品类下物品的原始得分的分布情况确定该品类对应的阈值。以保暖内衣这个三级品类为例,可先计算该品类下各个商品的BI得分,然后统计该品类下各个商品的BI得分的分布情况,比如可绘制以该品类下各个商品的BI得分为横轴,以物品数量为纵轴的BI得分分布图,再根据BI得分分布图确定该品类对应的阈值。比如,对于保暖内衣这个三级品类的BI得分分布图来说,90%分位数(即该品类下90%的物品)的BI得分与99%分位数的BI得分相差一个数量级,并且90%分位数的BI得分都很集中,因此可将90%分位数对应的BI得分作为该品类的阈值。
步骤A3、基于所述相应的归一化模型对所述候选物品的原始得分进行归一化处理,以得到所述候选物品的评分值。
在该步骤中,若选取的归一化模型为第一归一化模型,则根据第一归一化模型对候选物品的BI得分进行归一化处理;若选取的归一化模型为第二归一化模型,则根据第二归一化模型对候选物品的BI得分进行归一化处理。
在本发明实施例中,通过选用分段归一化模型对BI得分进行归一化处理,能够在保证区分度的同时,避免长尾商品BI得分过低的情况,从而保证了长尾商品的推荐效果。另外,与“直接将BI得分除以品类下的BI得分最大值”这种归一化方式相比,解决了该归一化方法存在的长尾商品的归一化后的BI得分仍然较低,长尾商品的BI得分区分度仍然较差的问题,提高了归一化处理效果,进而有助于提高后续依据归一化后的BI得分进行物品信息推荐的效果。
步骤S204:根据所述评分值从所述多个候选物品中筛选出待推荐的物品,并将所述待推荐的物品的信息推送至所述用户。
在一个可选实施方式中,可将评分值最大的M(比如5个、10个或者其他数值)个候选物品作为待推荐的物品,并将这些待推荐的物品的信息推送至该用户。在另一个可选实施方式中,也可将评分值大于预设阈值的候选物品作为待推荐的物品,并将这些待推荐的物品的信息推送至该用户。
步骤S205:根据所述历史行为数据确定用户偏好的物品,并将所述用户偏好的物品的信息推送至所述用户。
在用户的历史行为数据的数据量充足的情况下,可对用户的历史行为数据进行分析以确定用户偏好的物品,以对用户进行个性化推荐。
在本发明实施例中,通过以上步骤能够提高推荐系统的推荐效果,解决了在新用户或者用户行为数据比较少的情况下系统推荐效果差、甚至无法进行推荐的问题。
以下结合图3a、3b、4a、4b对本发明实施例中同一品类下BI得分的分布情况、以及Bi得分的归一化处理效果作进一步说明。图3a是根据本发明实施例的一个品类(具体为保暖内衣这个品类)的物品BI得分分布示意图。图3b是根据本发明实施例的另一个品类(具体为电脑配件这个品类)的物品BI得分分布示意图。如图3a所示,在保暖内衣这个三级品类下,90%分位数(即表示该品类下90%的物品)的BI得分是44.452,95%分位数的BI得分是91.5292,99%分位数的BI得分是414.9577;如图3b所示,在电脑配件这个三级品类下,90%分位数的BI得分为89.0096,95%分位数的BI得分为178.3715,99%分位数的BI得分为1093.2305。
图4a具体为针对某个品类下全部范围的BI得分进行归一化处理后的示意图。图4b具体为针对某个品类下90%分位数以下的BI得分进行归一化处理后的示意图。如图4a、4b所示,归一化过后的BI得分在保证了区分度的同时,也避免了长尾商品BI得分过低的情况,从而保证了长尾商品的推荐效果。
图5是根据本发明第三实施例的信息推荐装置的主要模块示意图。如图5所示,本发明实施例的信息推荐装置500包括:判断模块501、第一推荐模块502。
判断模块501,用于响应于预设的触发条件,判断用户在网络平台上的历史行为数据的数据量是否不足。
示例性地,所述预设的触发条件可以为检测到用户进入网络平台上某个页面,或者检测到用户在某个页面上滚动屏幕,或者检测到用户在某个页面上长时间停留等等。另外,所述预设的触发条件还可以为当前时间满足定时推荐或周期性推荐的时间要求,或者其他触发条件。在满足预设的触发条件之后,可执行本发明实施例的信息推荐方法的处理流程。
在一个可选实施方式中,判断模块501可先获取用户在网络平台上的历史行为数据的数据量信息;然后判断模块501将所述用户在网络平台上的历史行为数据的数据量与预设的数据量阈值进行比较;若所述用户在网络平台上的历史行为数据的数据量大于或等于预设的数据量阈值,判断模块501确认所述用户在网络平台上的历史行为数据充足;若所述用户在网络平台上的历史行为数据的数据量小于所述预设的数据量阈值,判断模块501确认所述用户在网络平台上的历史行为数据的数据量不足。其中,所述用户在网络平台上的历史行为数据可以为用户在网络平台(例如购物平台)上的浏览、搜索、点击、和/或下单等行为数据。此外,在不影响本发明实施的情况下,判断模块501还可采用其他方式判断所述用户在网络平台上的历史行为数据的数据量是否不足。
第一推荐模块502,用于在所述用户在网络平台上的历史行为数据的数据量不足时,确定多个候选物品的评分值。
其中,所述评分值可用来衡量物品销售情况的好坏,反映物品的活跃度。从这个意义上来讲,其又可被称为“活跃度评估值”、“热度评估值”。在一个可选实施方式中,第一推荐模块502可根据各个候选物品的属性数据实时计算出对应的评分值。示例性地,在计算候选物品的评分值时所用的属性数据可包括候选物品的点击量、评论数、好评率、坏评率、3天均销量、7天均销量、3天均销售金额、7天均销售金额、pv(页面浏览量)转化率、uv(独立访客数)转化率、退货率、离线折扣等指标中的一个或多个。
优选的,第一推荐模块502可根据如下方式计算候选物品的评分值:第一推荐模块502根据候选物品的多个属性的取值计算所述候选物品的原始得分;第一推荐模块502将所述候选物品的原始得分与预设的阈值进行比较,并根据比较结果选取相应的归一化模型;第一推荐模块502基于所述相应的归一化模型对所述候选物品的原始得分进行归一化处理,以得到所述候选物品的评分值。
其中,第一推荐模块502将所述候选物品的原始得分与预设的阈值进行比较,并根据比较结果选取相应的归一化模型可具体包括:将所述候选物品与其所属品类对应的阈值(该阈值可称为“热度阈值”、“活跃度阈值”、或者“BI得分阈值”)进行比较;在所述候选物品的原始得分大于或等于所述阈值时,选取第一归一化模型;在所述候选物品的原始得分小于所述阈值时,选取第二归一化模型。
其中,所述第一归一化模型和所述第二归一化模型共同构成了一个分段归一化模型。进一步,所述分段归一化模型可具体设置为:
优选的,所述阈值α可根据如下方式确定:确定同一品类下物品的原始得分的分布情况;根据所述同一品类下物品的原始得分的分布情况确定该品类对应的阈值α。以保暖内衣这个三级品类为例,可先计算该品类下各个商品的BI得分,然后统计该品类下各个商品的BI得分的分布情况,比如可绘制以该品类下各个商品的BI得分为横轴,以物品数量为纵轴的BI得分分布图,再根据BI得分分布图确定该品类对应的阈值α。比如,对于保暖内衣这个三级品类的BI得分分布图来说,90%分位数(即该品类下90%的物品)的BI得分与99%分位数的BI得分相差一个数量级,并且90%分位数的BI得分都很集中,因此可将90%分位数对应的BI得分作为该品类的阈值α。
在本发明实施例中,通过选用分段归一化模型对BI得分进行归一化处理,能够在保证区分度的同时,避免长尾商品BI得分过低的情况,从而保证了长尾商品的推荐效果。另外,与“直接将BI得分除以品类下的BI得分最大值”这种归一化方式相比,解决了该归一化方法存在的长尾商品的归一化后的BI得分仍然较低,长尾商品的BI得分区分度仍然较差的问题,提高了归一化处理效果,进而有助于提高后续依据归一化后的BI得分进行物品信息推荐的效果。
在另一个可选实施方式中,可预先根据候选物品的属性数据计算出网络平台上的物品的评分值并进行存储。这样一来,第一推荐模块502可直接通过查询存储模块获取多个候选物品的评分值。
第一推荐模块502,还用于根据所述评分值从所述多个候选物品中筛选出待推荐的物品,并将所述待推荐的物品的信息推送至所述用户。
在一个可选实施方式中,第一推荐模块502可将评分值最大的M(比如5个、10个或者其他数值)个候选物品作为待推荐的物品,并将这些待推荐的物品的信息推送至该用户。在另一个可选实施方式中,第一推荐模块502也可将评分值大于预设阈值(为便于与数据量阈值、以及活跃度阈值进行区分,该预设阈值可称为“分值阈值”的候选物品作为待推荐的物品,并将这些待推荐的物品的信息推送至该用户。
进一步,本发明实施例的信息推荐装置还可包括:第二推荐模块,用于根据所述历史行为数据确定用户偏好的物品,并将所述用户偏好的物品的信息推送至所述用户。
具体来说,在用户的历史行为数据的数据量充足的情况下,第二推荐模块可对用户的历史行为数据进行分析以确定用户偏好的物品,以对用户进行个性化推荐。
在本发明实施例中,通过判断模块响应于预设的触发条件,判断用户在网络平台上的历史行为数据的数据量是否不足;在所述用户在网络平台上的历史行为数据的数据量不足时,通过第一推荐模块确定多个候选物品的评分值,根据所述评分值从所述多个候选物品中筛选出待推荐的物品,并将所述待推荐的物品的信息推送至所述用户,能够提高推荐系统的推荐效果,解决了在新用户或者用户行为数据比较少的情况下系统推荐效果差、甚至无法进行推荐的问题。
图6示出了可以应用本发明实施例的信息推荐方法或信息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。
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。后台管理服务器可以响应于用户的触发操作,根据预设推荐算法对用户进行物品信息推荐等。
需要说明的是,本发明实施例所提供的信息推荐方法可以由服务器605执行,相应地,信息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电子设备的计算机系统700的结构示意图。图7示出的计算机系统仅仅是一个示例,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:一种处理器包括获取模块、第一推荐模块。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,获取模块还可以被描述为“获取用户行为数据的模块”。
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,使得该设备执行以下流程:响应于预设的触发条件,判断用户在网络平台上的历史行为数据的数据量是否不足;在所述用户在网络平台上的历史行为数据的数据量不足时,确定多个候选物品的评分值;根据所述评分值从所述多个候选物品中筛选出待推荐的物品,并将所述待推荐的物品的信息推送至所述用户。
根据本发明实施例的技术方案,能够提高推荐系统的推荐效果,解决了在新用户或者用户行为数据比较少的情况下系统推荐效果差、甚至无法进行推荐的问题。
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 (10)
1.一种信息推荐方法,其特征在于,所述方法包括:
响应于预设的触发条件,判断用户在网络平台上的历史行为数据的数据量是否不足;
在所述用户在网络平台上的历史行为数据的数据量不足时,确定多个候选物品的评分值;
根据所述评分值从所述多个候选物品中筛选出待推荐的物品,并将所述待推荐的物品的信息推送至所述用户。
2.根据权利要求1所述的方法,其特征在于,所述确定多个候选物品的评分值包括:
根据所述候选物品的标识查询存储模块,以获取对应候选物品的评分值;其中,所述候选物品的评分值是预先根据如下处理方式得到的:根据候选物品的多个属性的取值计算所述候选物品的原始得分;将所述候选物品的原始得分与预设的阈值进行比较,并根据比较结果选取相应的归一化模型;基于所述相应的归一化模型对所述候选物品的原始得分进行归一化处理,以得到所述候选物品的评分值。
3.根据权利要求2所述的方法,其特征在于,根据如下方式确定所述阈值:
确定同一品类下物品的原始得分的分布情况;根据所述同一品类下物品的原始得分的分布情况确定该品类对应的阈值。
4.根据权利要求3所述的方法,其特征在于,所述将所述候选物品的原始得分与预设的阈值进行比较,并根据比较结果选取相应的归一化模型包括:
将所述候选物品与其所属品类对应的阈值进行比较;在所述候选物品的原始得分大于或等于所述阈值时,选取第一归一化模型;在所述候选物品的原始得分小于所述阈值时,选取第二归一化模型。
5.根据权利要求2所述的方法,其特征在于,所述根据候选物品的多个属性的取值计算所述候选物品的原始得分包括:
确定所述多个属性中每一个属性的第一权重和第二权重;根据所述第一权重和第二权重计算所述属性的综合权重;根据候选物品的多个属性的取值以及各个属性的综合权重,计算所述候选物品的原始得分。
6.根据权利要求1所述的方法,其特征在于,所述方法还包括:
在所述用户在网络平台上的历史行为数据的数据量充足时,根据所述用户的历史行为数据确定用户偏好的物品,并将所述用户偏好的物品的信息推送至所述用户。
7.一种信息推荐装置,其特征在于,所述装置包括:
判断模块,用于响应于预设的触发条件,判断用户在网络平台上的历史行为数据的数据量是否不足;
第一推荐模块,用于在所述用户在网络平台上的历史行为数据的数据量不足时,确定多个候选物品的评分值;还用于根据所述评分值从所述多个候选物品中筛选出待推荐的物品,并将所述待推荐的物品的信息推送至所述用户。
8.根据权利要求7所述的装置,其特征在于,所述第一推荐模块确定多个候选物品的评分值包括:
所述第一推荐模块根据所述候选物品的标识查询存储模块,以获取对应候选物品的评分值;其中,所述候选物品的评分值是预先根据如下处理方式得到的:根据候选物品的多个属性的取值计算所述候选物品的原始得分;将所述候选物品的原始得分与预设的阈值进行比较,并根据比较结果选取相应的归一化模型;基于所述相应的归一化模型对所述候选物品的原始得分进行归一化处理,以得到所述候选物品的评分值。
9.一种电子设备,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1-6中任一所述的方法。
10.一种计算机可读介质,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1-6中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010604430.XA CN113763070A (zh) | 2020-06-29 | 2020-06-29 | 信息推荐方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010604430.XA CN113763070A (zh) | 2020-06-29 | 2020-06-29 | 信息推荐方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113763070A true CN113763070A (zh) | 2021-12-07 |
Family
ID=78785447
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010604430.XA Pending CN113763070A (zh) | 2020-06-29 | 2020-06-29 | 信息推荐方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113763070A (zh) |
Citations (5)
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 |
CN108920596A (zh) * | 2018-06-27 | 2018-11-30 | 广东亿迅科技有限公司 | 一种个性化推荐算法及终端 |
CN109087177A (zh) * | 2018-08-21 | 2018-12-25 | 北京京东尚科信息技术有限公司 | 向目标用户推荐商品的方法、装置及计算机可读存储介质 |
CN109102371A (zh) * | 2018-08-22 | 2018-12-28 | 平安科技(深圳)有限公司 | 商品推荐方法、装置、计算机设备及存储介质 |
CN110110205A (zh) * | 2018-01-16 | 2019-08-09 | 北京京东金融科技控股有限公司 | 推荐信息生成方法与装置 |
-
2020
- 2020-06-29 CN CN202010604430.XA patent/CN113763070A/zh active Pending
Patent Citations (5)
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 |
CN110110205A (zh) * | 2018-01-16 | 2019-08-09 | 北京京东金融科技控股有限公司 | 推荐信息生成方法与装置 |
CN108920596A (zh) * | 2018-06-27 | 2018-11-30 | 广东亿迅科技有限公司 | 一种个性化推荐算法及终端 |
CN109087177A (zh) * | 2018-08-21 | 2018-12-25 | 北京京东尚科信息技术有限公司 | 向目标用户推荐商品的方法、装置及计算机可读存储介质 |
CN109102371A (zh) * | 2018-08-22 | 2018-12-28 | 平安科技(深圳)有限公司 | 商品推荐方法、装置、计算机设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107808314B (zh) | 用户推荐方法及装置 | |
CN110335123B (zh) | 基于社交电商平台的商品推荐方法、系统、计算机可读介质以及装置 | |
US10621641B2 (en) | Method and device for pushing information | |
CN110766486A (zh) | 确定物品类目的方法和装置 | |
JP6560323B2 (ja) | 判定装置、判定方法及び判定プログラム | |
CN111899068A (zh) | 商品导购方法、装置、存储介质及计算机设备 | |
CN111242709A (zh) | 一种消息推送方法及其装置、设备、存储介质 | |
CN112446764A (zh) | 游戏商品推荐方法、装置及电子设备 | |
CN107679916A (zh) | 用于获取用户兴趣度的方法及装置 | |
CN112598472A (zh) | 产品推荐方法、装置、系统、介质和程序产品 | |
CN114581175A (zh) | 商品推送方法、装置、存储介质及电子设备 | |
KR102425758B1 (ko) | 기계 학습 기반 업체 추천 시스템 | |
CN110599281A (zh) | 一种确定目标店铺的方法和装置 | |
CN112287208B (zh) | 用户画像生成方法、装置、电子设备及存储介质 | |
CN110555747A (zh) | 确定目标用户的方法和装置 | |
CN113778979A (zh) | 一种直播点击率的确定方法和装置 | |
CN110490682B (zh) | 分析商品属性的方法和装置 | |
CN107357847B (zh) | 数据处理方法及其装置 | |
CN110827101A (zh) | 一种店铺推荐的方法和装置 | |
CN111639989B (zh) | 商品推荐方法和可读存储介质 | |
CN113763070A (zh) | 信息推荐方法和装置 | |
KR102286661B1 (ko) | 채팅을 기반으로 한 주문형 쇼핑 큐레이션 장치 | |
CN110738538B (zh) | 识别相似物品的方法和装置 | |
CN112269924A (zh) | 基于排名的点评方法、装置、电子设备和介质 | |
CN112418898A (zh) | 基于多时间窗口融合的物品需求数据分析方法和装置 |
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 |