CN113869971A - 商品推荐方法、装置、设备及存储介质 - Google Patents
商品推荐方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113869971A CN113869971A CN202111051497.6A CN202111051497A CN113869971A CN 113869971 A CN113869971 A CN 113869971A CN 202111051497 A CN202111051497 A CN 202111051497A CN 113869971 A CN113869971 A CN 113869971A
- Authority
- CN
- China
- Prior art keywords
- commodity
- target object
- cold
- determining
- historical operation
- 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 65
- 230000015654 memory Effects 0.000 claims description 15
- 238000010276 construction Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 6
- 241000282326 Felis catus Species 0.000 description 4
- 238000005034 decoration Methods 0.000 description 4
- 241000209094 Oryza Species 0.000 description 3
- 235000007164 Oryza sativa Nutrition 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 235000009566 rice Nutrition 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000013515 script Methods 0.000 description 2
- 235000008645 Chenopodium bonus henricus Nutrition 0.000 description 1
- 244000138502 Chenopodium bonus henricus Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (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
本申请实施例提供一种商品推荐方法、装置、设备及存储介质,其中,方法包括:构建与目标对象对应的相似对象集合;根据所述相似对象集合中至少一个相似对象的第一历史操作数据,确定与所述目标对象对应的冷门商品集合;根据所述目标对象的第二历史操作数据,确定所述目标对象的特征集合;根据所述冷门商品集合和所述特征集合,从所述冷门商品集合中匹配出至少一个冷门商品作为所述目标对象的待推荐商品,并向所述目标对象推荐所述待推荐商品。
Description
技术领域
本申请实施例涉及大数据领域,涉及但不限于一种商品推荐方法、装置、设备及存储介质。
背景技术
在信息过载的大数据时代,推荐系统已经成为用户快捷获取信息的必要手段,推荐系统对分析电商平台数据的有效性和合理利用具有非常显著的优势。现在的推荐系统逐渐趋于成熟,但这些推荐系统都是着力解决关于热门商品的推荐,而忽视了冷门商品的推荐。
但是,基于长尾理论,市场上冷门商品所占据的共同市场份额不低于热门商品所占据的共同市场份额,只对用户推荐热门商品无法满足用户的需求,因此,如何提供一种商品类型覆盖率更高的商品推荐方法是当前亟待解决的问题。
发明内容
基于相关技术中的问题,本申请实施例提供一种商品推荐方法、装置、设备及存储介质。
本申请实施例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,包括:
构建与目标对象对应的相似对象集合;
根据所述相似对象集合中至少一个相似对象的第一历史操作数据,确定与所述目标对象对应的冷门商品集合;
根据所述目标对象的第二历史操作数据,确定所述目标对象的特征集合;
根据所述冷门商品集合和所述特征集合,从所述冷门商品集合中匹配出至少一个冷门商品作为所述目标对象的待推荐商品,并向所述目标对象推荐所述待推荐商品。
本申请实施例提供一种商品推荐装置,包括:
构建模块,用于构建与目标对象对应的相似对象集合;
第一确定模块,用于根据所述相似对象集合中至少一个相似对象的第一历史操作数据,确定与所述目标对象对应的冷门商品集合;
第二确定模块,用于根据所述目标对象的第二历史操作数据,确定所述目标对象的特征集合;
推荐模块,用于根据所述冷门商品集合和所述特征集合,从所述冷门商品集合中匹配出至少一个冷门商品作为所述目标对象的待推荐商品,并向所述目标对象推荐所述待推荐商品。
本申请实施例提供一种商品推荐设备,包括:
存储器,用于存储可执行指令;处理器,用于执行所述存储器中存储的可执行指令时,实现上述的商品推荐方法。
本申请实施例提供一种计算机可读存储介质,存储有可执行指令,用于引起处理器执行所述可执行指令时,实现上述的商品推荐方法。
本申请实施例提供的商品推荐方法、装置、设备及存储介质,根据与目标对象对应的相似对象的第一历史操作数据,确定出目标对象的冷门商品集合,根据目标对象的第二历史操作数据,确定目标对象的特征集合,根据冷门商品集合和特征集合,从冷门商品集合中得到至少一个冷门商品向目标对象进行推荐。如此,本申请实施例根据目标对象对应的冷门商品集合和特征集合对目标对象进行冷门商品推荐,不仅提高了推荐的准确度,同时提高了冷门商品在推荐商品中的覆盖率。
附图说明
图1是本申请实施例提供的商品推荐方法的应用场景示意图;
图2是本申请实施例提供的商品推荐方法的流程示意图;
图3是本申请实施例提供的商品推荐方法的流程示意图;
图4是本申请实施例提供的商品推荐方法的流程示意图;
图5是本申请实施例提供的商品推荐方法的流程示意图;
图6是本申请实施例提供的商品推荐方法的流程示意图;
图7是本申请实施例提供的商品推荐方法的流程示意图;
图8是本申请实施例提供的商品推荐装置的组成结构示意图;
图9是本申请实施例提供的商品推荐设备的组成结构示意图。
具体实施方式
为了使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请作进一步地详细描述,所描述的实施例不应视为对本申请的限制,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本申请保护的范围。
在以下的描述中,涉及到“一些实施例”,其描述了所有可能实施例的子集,但是可以理解,“一些实施例”可以是所有可能实施例的相同子集或不同子集,并且可以在不冲突的情况下相互结合。除非另有定义,本申请实施例所使用的所有的技术和科学术语与属于本申请实施例的技术领域的技术人员通常理解的含义相同。本申请实施例所使用的术语只是为了描述本申请实施例的目的,不是旨在限制本申请。
相关技术中的商品推荐方法,通过获取待推荐商品的待推荐商品ID信息集合、用户ID信息集合、待推荐商品流行度信息和用户商品交互记录信息等商品交互信息,将待推荐商品交互信息输入到训练好的商品推荐模型,得到待推荐商品的推荐结果,训练好的商品推荐模型是通过图注意力网络构建的,并由标记为负样本的样本商品ID信息和样本用户ID信息训练得到的。相关技术基于图注意力网络进行商品推荐,导致推荐的商品多为流行度高的商品,不能更好的为用户推荐冷门商品。
基于相关技术中的问题,本申请实施例提供一种商品推荐方法,根据与目标对象对应的相似对象的第一历史操作数据,确定出目标对象的冷门商品集合,根据目标对象的第二历史操作数据,确定目标对象的特征集合,根据冷门商品集合和特征集合,从冷门商品集合中得到至少一个冷门商品向目标对象进行推荐。如此,本申请实施例根据目标对象对应的冷门商品集合和特征集合对目标对象进行冷门商品推荐,不仅提高了推荐的准确度,同时提高了冷门商品在推荐商品中的覆盖率。
图1是本申请实施例提供的商品推荐方法的应用场景示意图,如图1所示,用于实现商品推荐方法的商品推荐系统10包括终端100网络200和服务器300,终端100上可以运行商品展示应用,例如,可以是商品购买应用,用户可以通过终端100在商品购买应用进行操作,服务器300通过网络200获取终端100发送的商品推荐请求,服务器300根据与用户对应的相似对象的第一历史操作数据,确定出用户的冷门商品集合,根据用户的第二历史操作数据,确定用户的特征集合,根据冷门商品集合和特征集合,从冷门商品集合中得到至少一个冷门商品作为待推荐商品,并通过网络200将待推荐商品发送给终端100,以实现对用户进行商品推荐,用户可以在当前界面100-1上直接显示接收到的待推荐商品。
下面将结合本申请实施例提供的服务器的示例性应用和实施,说明本申请实施例提供的商品推荐方法。参见图2,图2是本申请实施例提供的商品推荐方法的流程示意图,将结合图2示出的步骤进行说明。
步骤S201、构建与目标对象对应的相似对象集合。
在一些实施例中,相似对象是指与目标对象操作相似的用户,操作相似可以是指在进行商品购买时,购买的商品类型相似,或者在浏览新闻、文章,观看电影、短视频,收听音乐时的风格和爱好相似,又或者是在购买虚拟服务时的喜好相似。
在一些实施例中,可以为用户之间的操作相似度设置阈值,当用户的操作与目标对象之间的操作相似度超过阈值时,将用户确定为相似对象,并将至少一个相似对象汇总,形成相似对象集合。
步骤S202、根据所述相似对象集合中至少一个相似对象的第一历史操作数据,确定与所述目标对象对应的冷门商品集合。
需要说明的是,商品可以是实体商品、虚拟服务、新闻、电影等。相似对象的第一历史操作数据可以是相似对象的商品历史购买记录,也可以是相似对象的文章历史浏览记录或视频观看历史记录等可以体现相似对象喜好的数据。
在一些实施例中,商品的流行度是指该商品被用户反馈的总次数,被反馈次数越多的商品,商品流行度越高;反之,商品流行度越低。这里每一类型的商品可以具有相应的流行度,所有的商品也可以具有一个平均流行度,当商品的流行度低于平均流行度时,可以将该商品确定为冷门商品,当商品的流行度高于平均流行度时,可以将该商品确定为热门商品。
在一些实施例中,确定目标对象的冷门商品集合可以是指根据相似对象的第一历史操作数据,确定出相似对象操作的商品中流行度低于平均流行度的冷门商品,将相似对象集合中的每一相似对象操作的冷门商品进行汇总,得到目标对象对应的冷门商品集合。
步骤S203、根据所述目标对象的第二历史操作数据,确定所述目标对象的特征集合。
这里,目标对象的第二历史操作数据可以是指目标对象的商品历史购买记录、文章历史浏览记录、视频观看历史记录等可以体现目标对象喜好的数据。
在一些实施例中,特征集合可以是指目标对象的喜好特征集合,确定目标对象的特征集合可以是根据目标对象的第二历史操作数据来确定目标对象在近期所操作的商品。收集商品的数据信息,其中,数据信息包括但不限于品类、名字、销量、好评率等信息,根据目标对象的近期操作商品和商品的数据信息,确定出目标对象的喜好特征,以得到目标对象的特征集合。
步骤S204、根据所述冷门商品集合和所述特征集合,从所述冷门商品集合中匹配出至少一个冷门商品作为所述目标对象的待推荐商品,并向所述目标对象推荐所述待推荐商品。
在一些实施例中,在确定出冷门商品集合和特征集合之后,可以将冷门商品集合中与目标对象的喜好特征匹配的冷门商品,确定为用户喜好的冷门商品,将冷门商品集合中用户喜好的冷门商品确定为待推荐商品,并向目标对象进行推荐。
本申请实施例通过与目标对象对应的相似对象的第一历史操作数据,确定出目标对象的冷门商品集合,根据目标对象的第二历史操作数据,确定目标对象的特征集合,根据冷门商品集合和特征集合,从冷门商品集合中得到至少一个冷门商品,并向目标对象进行推荐。如此,本申请实施例根据目标对象对应的冷门商品集合和特征集合对目标对象进行冷门商品推荐,不仅提高了推荐的准确度,同时提高了冷门商品在推荐商品中的覆盖率
在一些实施例中,可以通过用户的历史操作数据与目标对象的历史操作数据来确定相似对象,图3是本申请实施例提供的商品推荐方法的流程示意图,如图3所示,在一些实施例中,步骤S201可以通过以下步骤实现:
步骤S301、获取所述目标对象的第三历史操作数据和至少一个待分析对象的第四历史操作数据。
在一些实施例中,目标对象的第三历史操作数据可以是指目标对象的商品历史购买记录、文章历史浏览记录、视频观看历史记录等可以记录目标对象历史操作的数据。
这里,待分析对象是指可以与目标对象进行相似度对比的用户,当待分析对象与目标对象之间的相似度超过预设的数值后,可以将待分析对象确定为相似对象。待分析对象的第四历史操作数据可以是待分析对象的商品历史购买记录、文章历史浏览记录、视频观看历史记录等可以记录待分析对象历史操作的数据。
步骤S302、根据所述第三历史操作数据和所述第四历史操作数据,确定所述目标对象与每一所述待分析对象之间的相似度。
在一些实施例中,第三历史操作数据和第四历史操作数据中可以包括目标对象和待分析对象近期历史中操作过的商品、每一商品的反馈和每一商品的流行度等信息。
在一些实施例中,相似度可以是目标对象与待分析对象近期操作的商品类型之间的相似度,例如,近期同时购买了相同类型的玩具,或者浏览了相同关注点的新闻,或者观看了相同类型的电影等,根据商品之间的匹配度来确定目标对象与待分析对象之间的相似度。
在一些实施例中,确定目标对象与每一待分析对象之间的相似度可以通过以下步骤实现:
步骤S3021、根据所述第三历史操作数据,确定所述目标对象对应的第一商品集合。
步骤S3022、根据所述第四历史操作数据,确定所述待分析对象对应的第二商品集合。
这里,第一商品集合可以是指目标对象在历史操作商品中具有正反馈的商品集合,第二商品集合可以是指待分析对象在历史操作商品中具有正反馈的商品集合。根据第三历史操作数据和第四历史操作数据中每一商品的反馈信息可以得到目标对象和待分析对象历史操作商品中具有正反馈的商品,将每一正反馈商品汇总,形成目标对象和待分析对象分别对应的正反馈商品的集合。
在一些实施例中,可以用IB表示目标对象的第三历史操作数据中的正反馈商品的集合,IU表示待分析对象的第四历史操作数据中的正反馈商品的集合。
步骤S3023、获取所述第一商品集合和所述第二商品集合中的至少一个重合商品、每一所述重合商品对应的第一权重、包含所述第一商品集合和所述第二商品集合中全部商品的商品总集合、和所述商品总集合中每一商品对应的第二权重。
在一些实施例中,在获取第一商品集合和第二商品集合后,可以得到目标对象和待分析对象的历史操作数据中具有正反馈的重合商品,重合商品可以用i∈(IB∩IU)来表示,其中,i表示任一重合商品,w_s(i)可以用来表示每一重合商品对应的第一权重。
在一些实施例中,第一商品集合和第二商品集合中全部商品可以由j∈(IB∪IU)来表示,其中,j表示全部商品中的任一商品,w_s(j)可以用来表示每一重合商品对应的第一权重。
在一些实施例中,第一权重和第二权重与商品流行度相关,因此第一权重和第二权重可以通过目标对象和待分析对象的历史操作数据得到。
步骤S3024、根据至少一个所述重合商品、所述第一权重,所述商品总集合中的每一商品和所述第二权重,确定所述目标对象与每一所述待分析对象之间的所述相似度。
在本申请实施例中,可以通过相似度公式(例如,改进后的Jaccard公式)来计算目标对象和待分析对象之间的相似度simBU,相似度公式如公式(1)所示:
其中,item_pop(i)是指商品i的流行度;avg_pop是指所有商品的平均流行度;IB表示目标对象的第三历史操作数据中的正反馈商品的集合,IU表示待分析对象的第四历史操作数据中的正反馈商品的集合。
在一些实施例中,公式(2)可以用来计算重合商品对应的第一权重w_s(i)和商品总集合中每一商品的第二权重w_s(j)。
步骤S303、当所述相似度大于预设的相似度阈值时,将所述待分析对象确定为所述相似对象。
在本申请实施例中,相似度阈值可以是用户自行设置的,通过相似度公式可以得到目标对象和待分析对象之间的相似度数值,当目标对象和待分析对象之间相似度的相似度数值大于预设的相似度阈值时,将待分析对象确定为目标对象对应的相似对象。
步骤S304、汇总确定出的至少一个所述相似对象,得到所述相似对象集合。
在一些实施例中,相似对象集合可以是不断进行更新的,待分析对象与目标对象之间的相似度会不断发生变化,因此相似对象集合中的相似对象也是不断发生变化的。
本申请实施例通过相似度计算公式计算目标对象和待分析对象之间的相似度,来确定相似对象,进而得到与目标对象对应的相似对象集合,使得在确定目标对象的冷门商品时更加准确,且冷门商品的来源更加广泛,提高了待推荐商品的覆盖率。
在一些实施例中,第一历史操作数据至少包括针对于每一商品的操作频率。基于前述实施例,图4是本申请实施例提供的商品推荐方法的流程示意图,如图4所示,在一些实施例中,步骤S202可以通过以下步骤实现:
步骤S401、针对于所述至少一个相似对象中的每一所述相似对象,将所述操作频次大于频次阈值的商品确定为目标商品。
在一些实施例中,目标商品是指每一相似对象在历史操作记录中多次进行操作的商品,例如,目标对象在多次回购的商品、目标对象多次浏览的文章或新闻、已经目标对象多次观看的电影或短视频等。频次阈值可以是目标对象自己设置的,例如,频次阈值可以是三次,当目标对象在回购同一件商品超过三次时,将该商品确定为目标商品。
步骤S402、获取每一所述目标商品对应的第一热度值。
这里,第一热度值可以是目标商品对应的流行度,相似对象的第一历史操作数据中包括每一商品的流行度,因此,每一目标商品对应的第一热度值可以直接从相似对象的第一历史操作数据中获取。
步骤S403、将所述第一热度值小于第一预设热度值的目标商品,确定为所述相似对象所操作的冷门商品。
步骤S404、对确定出的每一所述相似对象所操作的所述冷门商品进行汇总,得到与所述目标对象对应的所述冷门商品集合。
在一些实施例中,第一预设热度值可以是所有商品的平均流行度,当相似对象的某一目标商品的流行度小于平均流行度时,将该目标商品确定为相似对象所操作的冷门商品,将相似对象所操作的每一流行度小于平均流行度的目标商品进行汇总,得到目标对象对应的冷门商品集合。
在一些实施例中,冷门商品集合可以是一个动态数据库,冷门商品集合中的冷门商品可以定时或不定时的进行更新或添加新的冷门商品至冷门商品集合中。
本申请实施例通过目标对象对应的相似对象的历史操作记录和每一商品的流行度来确定目标对象的冷门商品集合,使得冷门商品集合的覆盖范围更广,类型更多样,提高了待推荐商品的覆盖率。
在一些实施例中,可以通过目标对象的历史操作记录,来得到目标对象的喜好特征。基于前述实施例,图5是本申请实施例提供的商品推荐方法的流程示意图,如图5所示,在一些实施例中,步骤S203可以通过以下步骤实现:
步骤S501、获取与所述第二历史操作数据对应的历史操作商品集合、和所述历史操作商品集合中每一历史操作商品的第二热度值。
这里,第二历史操作数据是指目标对象近期的历史操作数据,第二热度值可以是目标对象操作过的商品的流行度,根据目标对象的历史操作数据可以获得目标对象操作过的全部商品和每一商品的流行度。
步骤S502、将所述第二热度值小于第二预设热度值的历史操作商品,确定为所述历史操作商品集合中的冷门商品。
步骤S503、将所述历史操作商品集合中除所述冷门商品之外的其他商品,确定为热门商品。
这里,第二预设热度值也可以是所有商品的平均流行度,第二预设热度值的数值可以和第一预设热度值的数值相同,也可以不同。
在一些实施例中,将目标对象的历史操作商品集合中流行度小于平均流行度的商品确定为冷门商品,将历史操作商品集合中除冷门商品之外的商品确定为热门商品。
步骤S504、对所述历史操作商品集合中的每一冷门商品和每一热门商品进行特征提取,得到所述目标对象的特征集合。
在一些实施例中,对商品进行特征提取是指根据历史操作商品集合中每一商品的品类、名字、销量和好评率等信息,确定目标对象的喜好特征,例如,目标用户的历史操作商品集合中多次出现猫粮和猫砂等与猫相关的商品,那么可以得到目标对象的喜好为与猫相关的特征;或者在历史操作商品集合中发现目标用户多次浏览与娱乐明星相关的新闻或文章,那么可以得到目标对象的喜好为与娱乐明星相关的特征。
需要说明的是,目标对象的特征集合可以是目标对象喜好特征的集合,也可以是体现目标对象喜好特征的商品集合,特征集合用于体现目标对象的喜好特征。
本申请实施例提供的商品推荐方法,通过对目标对象的历史操作商品集合进行分析,得到目标对象的喜好特征,根据目标对象的喜好特征进行商品推荐,使得待推荐商品与目标对象的喜好更加匹配。
在一些实施例中,在获得目标用户对应的冷门商品集合和目标用户的喜好特征后,可以在冷门商品集合中匹配出符合目标对象喜好的冷门商品作为待推荐商品推荐给目标对象。基于前述实施例,图6是本申请实施例提供的商品推荐方法的流程示意图,如图6所示,在一些实施例中,步骤S204可以通过以下步骤实现:
步骤S601、对所述特征集合进行特征分析,得到所述目标对象的第一特征信息。
在一些实施例中,目标对象的特征集合是对目标对象的历史商品集合进行分析得到的,因此,可以根据历史商品集合中的商品来获取目标对象的第一特征信息,获取第一特征信息可以通过以下步骤实现:
步骤S6011、分别针对于每一所述冷门商品和每一所述热门商品设置商品权重,其中,所述冷门商品的商品权重大于所述热门商品的商品权重。
步骤S6012、根据所述商品权重、每一所述冷门商品和每一所述热门商品,确定所述目标对象的第一特征信息。
在本申请实施例中,目标对象的历史商品集合中包含冷门商品和热门商品,本申请实施例是针对冷门商品进行推荐,因此,在为冷门商品和热门商品设置商品权重时,冷门商品的商品权重大于热门商品的商品权重,以使得目标对象的第一特征信息更多的体现了目标对象所操作的冷门商品的特征,例如,目标对象的历史商品集合中包含冷门商品毛笔和热门商品连衣裙,那么毛笔的商品权重可以是0.8,而连衣裙的商品权重可以是0.6,得到目标对象的第一特征信息可以是喜爱写书法的女性。
步骤S602、对所述冷门商品集合中的每一冷门商品进行特征分析,得到每一所述冷门商品的第二特征信息。
在一些实施例中,第二特征信息是目标对象对应的冷门商品集合中冷门商品的特征,例如,目标对象的冷门商品集合中的冷门商品有宣纸、布娃娃和家具等商品,可以得到冷门商品的第二特征信息可以是书法、女性相关和装修等信息。
在一些实施例中,第一特征信息和第二特征信息可以用同维度的向量来表示。
步骤S603、根据所述第一特征信息和所述第二特征信息,确定每一所述冷门商品与所述目标对象的匹配值。
在一些实施例中,在获取第一特征信息和第二特征信息之后,可以根据第一特征信息和第二特征信息来确定目标对象与冷门商品中每一冷门商品之间的匹配度。这里,可以根据匹配度公式来计算目标对象与冷门商品中每一冷门商品之间的匹配度,匹配度公式可以与前述实施例中的匹配度公式相同,也可以不同。
举例来说,当目标对象的第一特征信息是喜爱写书法的女性,冷门商品的第二特征信息可以是书法、女性相关和装修等信息时,可以得到第二特征信息为书法的冷门商品与目标对象的匹配度最高,第二特征信息为女性相关的冷门商品与目标对象的匹配度居中,第二特征信息为装修的冷门商品与目标对象的匹配度最低。
步骤S604、将所述匹配值大于预设匹配阈值的冷门商品,确定为所述目标对象的待推荐商品。
在一些实施例中,可以将冷门商品与目标对象之间的匹配度进行量化得到匹配值,例如第二特征信息为书法的冷门商品与目标对象的匹配值为90%,第二特征信息为女性相关的冷门商品与目标对象的匹配值为50%,第二特征信息为装修的冷门商品与目标对象的匹配值为20%。
需要说明的是,预设匹配阈值可以是目标对象设置的,数值是可变化的,例如,预设匹配阈值可以设置为70%,即,当冷门商品与目标对象的匹配值超过70%时,将该冷门商品确定为目标对象的待推荐商品,例如,宣纸与目标对象的匹配值为90%,则宣纸可以作为待推荐商品向目标对象进行推荐。
步骤S605、向所述目标对象推荐所述待推荐商品。
在一些实施例中,冷门商品可以占全部待推荐商品中的40%,待推荐商品中的60%可以是热门商品或其他的商品,本申请实施例不对待推荐商品中冷门商品的比例进行限制。
本申请实施例通过目标对象的第一特征信息与冷门商品的第二特征信息之间的匹配度来确定要推荐给目标对象的冷门商品,能够更加准确的将与目标对象匹配的冷门商品推荐至目标对象,提高了冷门商品的推荐准确度,增加了用户体验度。
下面将说明本申请实施例在一个实际的应用场景中的示例性应用。
图7是本申请实施例提供的商品推荐方法的流程示意图,如图7所示,本申请实施例提供的商品推荐方法可以通过以下步骤实现:
步骤S701、构建目标用户的冷门商品池。
在一些实施例中,构建目标用户(即目标对象)的冷门商品池(即冷门商品集合)可以通过以下步骤实现:
步骤S7011、针对目标用户的历史购买数据(即第二历史操作数据),寻找与目标用户相似度高的相似用户群体A{A1,……,At}(即相似对象集合)。其中,当一个用户(即待分析对象)的历史购买数据(即第一历史操作数据)与目标用户的历史购买数据重合度超过设定阈值时,认为该用户与目标用户的相似度高,将该用户确定为相似用户。
在一些实施例中,根据改进后的Jaccard公式(即相似度公式)计算目标用户与相似用户之间的相似度simBU,若相似度超过设定阈值,则将相似用户加入相似用户群体A。改进后的相似度计算公式如下:
其中,item_pop(i)是指商品i的流行度;avg_pop是指所有商品的平均流行度;IB表示目标用户历史购买中的正反馈商品的集合;IU表示相似用户历史购买中的正反馈商品的集合;w_s(i)表示与商品i流行度相关的权重因子;w_s(j)表示与商品j流行度相关的权重因子。
步骤S7012、收集每一相似用户Ai的历史购买数据(即第一历史操作数据),确定Ai多次回购的商品或多次回购同一店铺里的商品(即目标商品),将这些商品中流行度低于avg_pop的商品视为冷门商品,将冷门商品加入目标用户个性化的冷门商品池。例如,相似用户A3多次回购某店铺里的不同款式的鞋,将这家店铺里A3买过的鞋且流行度低于avg_pop的商品加入至目标用户的个性化冷门商品池。
步骤S702、构建目标用户的喜好特征集。
在一些实施例中,用户购买热门产品可能是由于风潮,事实上用户购买过的冷门产品更能体现用户特征。在推荐系统中,某个事物的流行度是指该事物被用户反馈的总次数。被反馈次数越多的商品,商品流行度越高;反之,商品流行度越低。
在一些实施例中,构建目标用户的喜好特征集(即特征集合)可以通过以下步骤实现:
步骤S7021、根据流行度,将流行度低于avg_pop的商品视为冷门商品,将目标用户的近期历史所购商品分为冷门商品和热门商品。
步骤S7022、收集商品数据信息,包括但不限于品类、名字、销量、好评率,并设定冷门商品权重大于热门商品权重,构建用户喜好特征集。
在一起实施例中,步骤S701和步骤S702可以同时进行,也可以在步骤S701之后执行步骤S702,本申请实施例不做限制。
步骤S703、根据目标用户的冷门商品池和喜好特征集,在冷门商品池中确定冷门商品推荐至目标用户。
在一些实施例中,可以将冷门商品池中的待推荐商品转为与用户喜好特征集相同维度表示,并根据冷门商品与目标用户的推荐评分进行排序,选取冷门商品中的前N个冷门商品作为目标用户每日好物推荐的20%。
本申请实施例通过收集相似用户购买过且给出正向反馈的冷门商品作为个性化的冷门商品池,不仅提高了推荐的准确度,同时提高了推荐商品的覆盖率。
图8是本申请实施例提供的商品推荐装置的组成结构示意图,如图8所示,该商品推荐装置800包括:
构建模块801,用于构建与目标对象对应的相似对象集合;第一确定模块802,用于根据所述相似对象集合中至少一个相似对象的第一历史操作数据,确定与所述目标对象对应的冷门商品集合;第二确定模块803,用于根据所述目标对象的第二历史操作数据,确定所述目标对象的特征集合;推荐模块804,用于根据所述冷门商品集合和所述特征集合,从所述冷门商品集合中匹配出至少一个冷门商品作为所述目标对象的待推荐商品,并向所述目标对象推荐所述待推荐商品。
在一些实施例中,构建模块801还用于获取所述目标对象的第三历史操作数据和至少一个待分析对象的第四历史操作数据;根据所述第三历史操作数据和所述第四历史操作数据,确定所述目标对象与每一所述待分析对象之间的相似度;当所述相似度大于预设的相似度阈值时,将所述待分析对象确定为所述相似对象;汇总确定出的至少一个所述相似对象,得到所述相似对象集合。
在一些实施例中,构建模块801还用于根据所述第三历史操作数据,确定所述目标对象对应的第一商品集合;根据所述第四历史操作数据,确定所述待分析对象对应的第二商品集合;获取所述第一商品集合和所述第二商品集合中的至少一个重合商品、每一所述重合商品对应的第一权重、包含所述第一商品集合和所述第二商品集合中全部商品的商品总集合、和所述商品总集合中每一商品对应的第二权重;根据至少一个所述重合商品、所述第一权重,所述商品总集合中的每一商品和所述第二权重,确定所述目标对象与每一所述待分析对象之间的所述相似度。
在一些实施例中,所述第一历史操作数据至少包括针对于每一商品的操作频次;第一确定模块802还用于针对于所述至少一个相似对象中的每一所述相似对象,将所述操作频次大于频次阈值的商品确定为目标商品;获取每一所述目标商品对应的第一热度值;将所述第一热度值小于第一预设热度值的目标商品,确定为所述相似对象所操作的冷门商品;对确定出的每一所述相似对象所操作的所述冷门商品进行汇总,得到与所述目标对象对应的所述冷门商品集合。
在一些实施例中,第二确定模块803还用于获取与所述第二历史操作数据对应的历史操作商品集合、和所述历史操作商品集合中每一历史操作商品的第二热度值;将所述第二热度值小于第二预设热度值的历史操作商品,确定为所述历史操作商品集合中的冷门商品;将所述历史操作商品集合中除所述冷门商品之外的其他商品,确定为热门商品;对所述历史操作商品集合中的每一冷门商品和每一热门商品进行特征提取,得到所述目标对象的特征集合。
在一些实施例中,推荐模块804还用于对所述特征集合进行特征分析,得到所述目标对象的第一特征信息;对所述冷门商品集合中的每一冷门商品进行特征分析,得到每一所述冷门商品的第二特征信息;根据所述第一特征信息和所述第二特征信息,确定每一所述冷门商品与所述目标对象的匹配值;将所述匹配值大于预设匹配阈值的冷门商品,确定为所述目标对象的待推荐商品;向所述目标对象推荐所述待推荐商品。
在一些实施例中,推荐模块804还用于分别针对于每一所述冷门商品和每一所述热门商品设置商品权重,其中,所述冷门商品的商品权重大于所述热门商品的商品权重;根据所述商品权重、每一所述冷门商品和每一所述热门商品,确定所述目标对象的第一特征信息。
需要说明的是,本申请实施例装置的描述,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,因此不做赘述。对于本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商品推荐方法,并作为独立的商品销售或使用时,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商品的形式体现出来,该计算机软件商品存储在一个存储介质中,包括若干指令用以使得一台终端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(ROM,Read Only Memory)、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。
对应的,本申请实施例提供一种商品推荐设备,图9是本申请实施例提供的商品推荐设备的组成结构示意图,如图9所示,所述商品推荐设备900至少包括:处理器901和配置为存储可执行指令的计算机可读存储介质902,其中处理器901通常控制所述商品推荐设备的总体操作。计算机可读存储介质902配置为存储由处理器901可执行的指令和应用,还可以缓存待处理器901和商品推荐设备900中各模块待处理或已处理的数据,可以通过闪存(FLASH)或随机访问存储器(RAM,Random Access Memory)实现。
本申请实施例提供一种存储有可执行指令的存储介质,其中存储有可执行指令,当可执行指令被处理器执行时,将引起处理器执行本申请实施例提供的方法,例如,如图2示出的方法。
在一些实施例中,存储介质可以是计算机可读存储介质,例如,铁电存储器(FRAM,Ferromagnetic Random Access Memory)、只读存储器(ROM,Read Only Memory)、可编程只读存储器(PROM,Programmable Read Only Memory)、可擦除可编程只读存储器(EPROM,Erasable Programmable Read Only Memory)、带电可擦可编程只读存储器(EEPROM,Electrically Erasable Programmable Read Only Memory)、闪存、磁表面存储器、光盘、或光盘只读存储器(CD-ROM,Compact Disk-Read Only Memory)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设备。
在一些实施例中,可执行指令可以采用程序、软件、软件模块、脚本或代码的形式,按任意形式的编程语言(包括编译或解释语言,或者声明性或过程性语言)来编写,并且其可按任意形式部署,包括被部署为独立的程序或者被部署为模块、组件、子例程或者适合在计算环境中使用的其它单元。
作为示例,可执行指令可以但不一定对应于文件系统中的文件,可以可被存储在保存其它程序或数据的文件的一部分,例如,存储在超文本标记语言(HTML,Hyper TextMarkup Language)文档中的一个或多个脚本中,存储在专用于所讨论的程序的单个文件中,或者,存储在多个协同文件(例如,存储一个或多个模块、子程序或代码部分的文件)中。作为示例,可执行指令可被部署为在一个计算设备上执行,或者在位于一个地点的多个计算设备上执行,又或者,在分布在多个地点且通过通信网络互连的多个计算设备上执行。
以上所述,仅为本申请的实施例而已,并非用于限定本申请的保护范围。凡在本申请的精神和范围之内所作的任何修改、等同替换和改进等,均包含在本申请的保护范围之内。
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,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,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。
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)
1.一种商品推荐方法,其特征在于,包括:
构建与目标对象对应的相似对象集合;
根据所述相似对象集合中至少一个相似对象的第一历史操作数据,确定与所述目标对象对应的冷门商品集合;
根据所述目标对象的第二历史操作数据,确定所述目标对象的特征集合;
根据所述冷门商品集合和所述特征集合,从所述冷门商品集合中匹配出至少一个冷门商品作为所述目标对象的待推荐商品,并向所述目标对象推荐所述待推荐商品。
2.根据权利要求1所述的方法,其特征在于,所述构建与目标对象对应的相似对象集合,包括:
获取所述目标对象的第三历史操作数据和至少一个待分析对象的第四历史操作数据;
根据所述第三历史操作数据和所述第四历史操作数据,确定所述目标对象与每一所述待分析对象之间的相似度;
当所述相似度大于预设的相似度阈值时,将所述待分析对象确定为所述相似对象;
汇总确定出的至少一个所述相似对象,得到所述相似对象集合。
3.根据权利要求2所述的方法,其特征在于,所述根据所述第三历史操作数据和所述第四历史操作数据,确定所述目标对象与每一所述待分析对象之间的相似度,包括:
根据所述第三历史操作数据,确定所述目标对象对应的第一商品集合;
根据所述第四历史操作数据,确定所述待分析对象对应的第二商品集合;
获取所述第一商品集合和所述第二商品集合中的至少一个重合商品、每一所述重合商品对应的第一权重、包含所述第一商品集合和所述第二商品集合中全部商品的商品总集合、和所述商品总集合中每一商品对应的第二权重;
根据至少一个所述重合商品、所述第一权重,所述商品总集合中的每一商品和所述第二权重,确定所述目标对象与每一所述待分析对象之间的所述相似度。
4.根据权利要求1所述的方法,其特征在于,所述第一历史操作数据至少包括针对于每一商品的操作频次;
所述根据所述相似对象集合中至少一个相似对象的第一历史操作数据,确定与所述目标对象对应的冷门商品集合,包括:
针对于所述至少一个相似对象中的每一所述相似对象,将所述操作频次大于频次阈值的商品确定为目标商品;
获取每一所述目标商品对应的第一热度值;
将所述第一热度值小于第一预设热度值的目标商品,确定为所述相似对象所操作的冷门商品;
对确定出的每一所述相似对象所操作的所述冷门商品进行汇总,得到与所述目标对象对应的所述冷门商品集合。
5.根据权利要求1所述的方法,其特征在于,所述根据所述目标对象的第二历史操作数据,确定所述目标对象的特征集合,包括:
获取与所述第二历史操作数据对应的历史操作商品集合、和所述历史操作商品集合中每一历史操作商品的第二热度值;
将所述第二热度值小于第二预设热度值的历史操作商品,确定为所述历史操作商品集合中的冷门商品;
将所述历史操作商品集合中除所述冷门商品之外的其他商品,确定为热门商品;
对所述历史操作商品集合中的每一冷门商品和每一热门商品进行特征提取,得到所述目标对象的特征集合。
6.根据权利要求5所述的方法,其特征在于,所述根据所述冷门商品集合和所述特征集合,从所述冷门商品集合中匹配出至少一个冷门商品作为所述目标对象的待推荐商品,并向所述目标对象推荐所述待推荐商品,包括:
对所述特征集合进行特征分析,得到所述目标对象的第一特征信息;
对所述冷门商品集合中的每一冷门商品进行特征分析,得到每一所述冷门商品的第二特征信息;
根据所述第一特征信息和所述第二特征信息,确定每一所述冷门商品与所述目标对象的匹配值;
将所述匹配值大于预设匹配阈值的冷门商品,确定为所述目标对象的待推荐商品;
向所述目标对象推荐所述待推荐商品。
7.根据权利要求6所述的方法,其特征在于,所述对所述特征集合进行特征分析,得到所述目标对象的第一特征信息,包括:
分别针对于每一所述冷门商品和每一所述热门商品设置商品权重,其中,所述冷门商品的商品权重大于所述热门商品的商品权重;
根据所述商品权重、每一所述冷门商品和每一所述热门商品,确定所述目标对象的第一特征信息。
8.一种商品推荐装置,其特征在于,包括:
构建模块,用于构建与目标对象对应的相似对象集合;
第一确定模块,用于根据所述相似对象集合中至少一个相似对象的第一历史操作数据,确定与所述目标对象对应的冷门商品集合;
第二确定模块,用于根据所述目标对象的第二历史操作数据,确定所述目标对象的特征集合;
推荐模块,用于根据所述冷门商品集合和所述特征集合,从所述冷门商品集合中匹配出至少一个冷门商品作为所述目标对象的待推荐商品,并向所述目标对象推荐所述待推荐商品。
9.一种商品推荐设备,其特征在于,包括:
存储器,用于存储可执行指令;处理器,用于执行所述存储器中存储的可执行指令时,实现权利要求1至7任一项所述的商品推荐方法。
10.一种计算机可读存储介质,其特征在于,存储有可执行指令,用于引起处理器执行所述可执行指令时,实现权利要求1至7任一项所述的商品推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111051497.6A CN113869971A (zh) | 2021-09-08 | 2021-09-08 | 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 |
---|---|---|---|
CN202111051497.6A CN113869971A (zh) | 2021-09-08 | 2021-09-08 | 商品推荐方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113869971A true CN113869971A (zh) | 2021-12-31 |
Family
ID=78994882
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111051497.6A Pending CN113869971A (zh) | 2021-09-08 | 2021-09-08 | 商品推荐方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113869971A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116861323A (zh) * | 2023-07-24 | 2023-10-10 | 深圳丰享信息技术有限公司 | 一种在推荐中解决长尾效应的方法和装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107507016A (zh) * | 2017-06-29 | 2017-12-22 | 北京三快在线科技有限公司 | 一种消息推送方法和系统 |
CN111415216A (zh) * | 2020-02-11 | 2020-07-14 | 广州探途网络技术有限公司 | 一种商品推荐方法、装置、服务器及存储介质 |
CN111695023A (zh) * | 2019-03-11 | 2020-09-22 | 北京京东尚科信息技术有限公司 | 信息推荐方法、装置、存储介质及设备 |
CN112561581A (zh) * | 2020-12-14 | 2021-03-26 | 珠海格力电器股份有限公司 | 一种推荐方法、装置、电子设备及存储介质 |
-
2021
- 2021-09-08 CN CN202111051497.6A patent/CN113869971A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107507016A (zh) * | 2017-06-29 | 2017-12-22 | 北京三快在线科技有限公司 | 一种消息推送方法和系统 |
CN111695023A (zh) * | 2019-03-11 | 2020-09-22 | 北京京东尚科信息技术有限公司 | 信息推荐方法、装置、存储介质及设备 |
CN111415216A (zh) * | 2020-02-11 | 2020-07-14 | 广州探途网络技术有限公司 | 一种商品推荐方法、装置、服务器及存储介质 |
CN112561581A (zh) * | 2020-12-14 | 2021-03-26 | 珠海格力电器股份有限公司 | 一种推荐方法、装置、电子设备及存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116861323A (zh) * | 2023-07-24 | 2023-10-10 | 深圳丰享信息技术有限公司 | 一种在推荐中解决长尾效应的方法和装置 |
CN116861323B (zh) * | 2023-07-24 | 2024-02-23 | 深圳丰享信息技术有限公司 | 一种在推荐中解决长尾效应的方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10846775B1 (en) | Identifying item recommendations through recognized navigational patterns | |
Wang et al. | A personalized recommender system for the cosmetic business | |
US10021200B2 (en) | Methods and systems for activity-based recommendations | |
US10789634B2 (en) | Personalized recommendation method and system, and computer-readable record medium | |
JP4524709B2 (ja) | 情報処理装置および方法、並びに、プログラム | |
US7908184B2 (en) | Method of providing customized information of commodity for on-line shopping mall users | |
CN107644036B (zh) | 一种数据对象推送的方法、装置及系统 | |
US9088811B2 (en) | Information providing system, information providing method, information providing device, program, and information storage medium | |
US9767417B1 (en) | Category predictions for user behavior | |
CN103886090A (zh) | 基于用户喜好的内容推荐方法及装置 | |
US9767204B1 (en) | Category predictions identifying a search frequency | |
CN110175895B (zh) | 一种物品推荐方法及装置 | |
CN109993583B (zh) | 信息推送方法和装置、存储介质及电子装置 | |
CN109388742A (zh) | 一种搜索方法、搜索服务器和搜索系统 | |
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 | |
CN111429203A (zh) | 基于用户行为数据的商品推荐方法和装置 | |
US10896458B2 (en) | Method, system, and computer-readable medium for product and vendor selection | |
US10474670B1 (en) | Category predictions with browse node probabilities | |
JP5404662B2 (ja) | 商品推薦装置及び方法及びプログラム | |
CN113077317A (zh) | 基于用户数据的物品推荐方法、装置、设备及存储介质 | |
CN113689259A (zh) | 基于用户行为的商品个性化推荐方法及系统 | |
CN114820123A (zh) | 团购商品推荐方法、装置、设备及存储介质 | |
CN112036987B (zh) | 确定推荐商品的方法和装置 | |
US10387934B1 (en) | Method medium and system for category prediction for a changed shopping mission | |
CN113869971A (zh) | 商品推荐方法、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 |