CN113888258A - 一种信息推荐方法及装置 - Google Patents
一种信息推荐方法及装置 Download PDFInfo
- Publication number
- CN113888258A CN113888258A CN202111114735.3A CN202111114735A CN113888258A CN 113888258 A CN113888258 A CN 113888258A CN 202111114735 A CN202111114735 A CN 202111114735A CN 113888258 A CN113888258 A CN 113888258A
- Authority
- CN
- China
- Prior art keywords
- merchant
- user
- merchants
- attribute
- probability
- 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
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
- G06F16/906—Clustering; Classification
-
- 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
- G06F16/958—Organisation or management of web site content, e.g. publishing, maintaining pages or automatic linking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- 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]
- G06Q30/0623—Item investigation
- G06Q30/0625—Directed, with specific intent or strategy
-
- 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]
- G06Q30/0641—Shopping interfaces
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Development Economics (AREA)
- General Engineering & Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本说明书公开了一种信息推荐方法及装置,在接收到用户终端发送页面获取请求时,可基于该页面获取请求,召回若干商家。之后,根据召回的各商家的商家信息,分别确定各商家在各属性维度下的商家属性,并根据各商家在各属性维度下的商家属性以及该用户对应的历史行为数据,确定该用户在各属性维度下点击各商家的概率,进而确定该用户对各商家的点击概率。最后,根据该用户对各商家的点击概率进行排序,并按照排序结果进行信息推荐。通过用户对应的历史行为数据,确定用户在各属性维度下点击各商家的概率,进而确定用户对召回的各商家的点击概率,并按照用户的点击概率对各商家进行排序,提升了用户的决策体验以及决策效率。
Description
技术领域
本申请涉及互联网技术领域,尤其涉及一种信息推荐方法及装置。
背景技术
随着大数据技术的发展,越来越多的电商平台通过推荐系统向用户推荐商家,以提升用户的决策体验。
目前,当用户打开电商平台时,电商平台可根据用户的实时位置,召回该实时位置周围的若干商家。之后,根据召回的各商家的质量得分,确定各商家的排序结果,并按照排序结果,在首页中向用户进行推荐展示。其中,商家的质量得分至少包含商家的星级、月均订单量以及好评率等。
但是,上述按照各商家的质量得分所确定的排序结果,不符合用户的个性化偏好,导致用户的决策效率较低。
发明内容
本说明书实施例提供一种信息推荐方法及装置,用于部分解决现有技术中的问题。
本说明书实施例采用下述技术方案:
本说明书提供的一种信息推荐方法,包括:
接收用户终端发送的页面获取请求,并根据所述页面获取请求,召回若干商家的商家信息,所述页面获取请求中至少包含用户标识;
根据所述用户标识,确定所述用户对应的历史行为数据;
针对预设的每个属性维度,根据召回的各商家的商家信息,确定各商家在该属性维度下的商家属性,并根据各商家在该属性维度下的商家属性以及所述用户对应的历史行为数据,确定所述用户在该属性维度下点击各商家的概率;
根据所述用户在各属性维度下点击各商家的概率,确定所述用户对各商家的点击概率;
根据所述用户对召回的各商家的点击概率,确定各商家的排序结果,并按照所述排序结果向所述用户终端返回推荐的信息页面。
可选地,根据所述页面获取请求,召回若干商家的商家信息,具体包括:
根据所述页面获取请求,确定用户的当前位置;其中,所述页面获取请求为启动应用时发送的请求和/或在所述应用中切换页面时发送的请求;
根据所述当前位置,召回若干商家的商家信息。
可选地,根据所述用户标识,确定所述用户对应的历史行为数据,具体包括:
根据所述用户标识,确定所述用户的画像信息,并确定与所述用户的画像信息的相似度大于预设相似度阈值的其它用户;
将所述用户的历史行为数据以及确定出的其它用户的历史行为数据,作为所述用户对应的历史行为数据。
可选地,所述历史行为数据至少包含用户的历史浏览数据以及在历史浏览页面中的点击行为数据;
根据各商家在该属性维度下的商家属性以及所述用户对应的历史行为数据,确定所述用户在该属性维度下点击各商家的概率,具体包括:
针对召回的每个商家,根据所述用户的历史浏览数据以及该商家在该属性维度下的商家属性,确定所述用户历史上浏览的商家总量,以及历史上浏览的与该商家在该属性维度下商家属性一致的商家数量;
根据所述用户在历史浏览页面中的点击行为数据以及该商家在该属性维度下的商家属性,确定所述用户历史上点击的商家总量,以及历史上点击的与该商家在该属性维度下商家属性一致的商家数量;
根据所述用户历史上浏览的商家总量、历史上浏览的与该商家在该属性维度下商家属性一致的商家数量,以及所述用户历史上点击的商家总量、历史上点击的与该商家在该属性维度下商家属性一致的商家数量,确定所述用户在该属性维度下点击该商家的概率。
可选地,根据所述用户历史上浏览的商家总量、历史上浏览的与该商家在该属性维度下商家属性一致的商家数量,以及所述用户历史上点击的商家总量、历史上点击的与该商家在该属性维度下商家属性一致的商家数量,确定所述用户在该属性维度下点击该商家的概率,具体包括:
根据所述用户历史上浏览的商家总量,以及历史上浏览的与该商家在该属性维度下商家属性一致的商家数量,确定在该属性维度下向所述用户展示该商家的概率;
根据所述用户历史上点击的商家总量,以及历史上点击的与该商家在该属性维度下商家属性一致的商家数量,确定在该属性维度下所述用户点击该商家的概率;
根据在该属性维度下向所述用户展示该商家的概率,以及在该属性维度下所述用户点击该商家的概率,确定在该属性维度下向所述用户展示该商家时,所述用户点击该商家的概率。
可选地,所述属性维度包含固定属性维度以及实时属性维度,所述实时属性维度至少包含当前所述用户与所述商家之间的距离。
可选地,所述历史行为数据至少包含用户的历史浏览数据以及在历史浏览页面中的点击行为数据;
根据各商家在该属性维度下的商家属性以及所述用户对应的历史行为数据,确定所述用户在该属性维度下点击各商家的概率,具体包括:
针对召回的每个商家,确定该商家所属的商家类型,作为目标类型;
根据所述用户的历史浏览数据,确定在所述目标类型的商家下,展示与该商家在该属性维度下的商家属性一致的概率;
根据所述用户在历史浏览页面中的点击行为数据,确定所述用户在所述目标类型的商家下,点击与该商家在该属性维度下的商家属性一致的概率;
根据在所述目标类型的商家下,展示与该商家在该属性维度下的商家属性一致的概率,以及在所述目标类型的商家下,点击与该商家在该属性维度下的商家属性一致的概率,确定所述用户在该属性维度下点击该商家的概率。
可选地,根据所述用户的历史浏览数据,确定在所述目标类型的商家下,展示与该商家在该属性维度下的商家属性一致的概率,具体包括:
根据所述用户的历史浏览数据,确定所述用户历史上在所述目标类型下浏览的商家总量,以及历史上在所述目标类型下浏览的与该商家在该属性维度下的商家属性一致的商家数量;
根据所述用户历史上在所述目标类型下浏览的商家总量,以及历史上在所述目标类型下浏览的与该商家在该属性维度下的商家属性一致的商家数量,确定在所述目标类型的商家下,展示与该商家在该属性维度下的商家属性一致的概率;
根据所述用户在历史浏览页面中的点击行为数据,确定所述用户在所述目标类型的商家下,点击与该商家在该属性维度下的商家属性一致的概率,具体包括:
根据所述用户在历史浏览页面中的点击行为数据,确定所述用户历史上在所述目标类型下点击的商家总量,以及所述用户历史上在所述目标类型下,点击的与该商家在该属性维度下的商家属性一致的商家数量;
根据所述用户历史上在所述目标类型下点击的商家总量,以及所述用户历史上在所述目标类型下,点击的与该商家在该属性维度下的商家属性一致的商家数量,确定在所述目标类型的商家下,点击与该商家在该属性维度下的商家属性一致的概率。
可选地,根据所述用户在各属性维度下点击各商家的概率,确定所述用户对各商家的点击概率,具体包括:
针对召回的每个商家,根据所述用户的历史浏览数据,确定向所述用户展示所述目标类型的商家的概率;
根据所述用户在历史浏览页面中的点击行为数据,确定所述用户点击所述目标类型的商家的概率;
根据向所述用户展示所述目标类型的商家的概率、所述用户点击所述目标类型的商家的概率以及所述用户在各属性维度下点击该商家的概率,确定所述用户对该商家的点击概率。
可选地,根据所述用户的历史浏览数据,确定向所述用户展示所述目标类型的商家的概率,具体包括:
根据所述用户的历史浏览数据,确定所述用户历史上浏览的商家总量,以及历史上浏览的属于所述目标类型的商家数量;
根据所述用户历史上浏览的商家总量,以及历史上浏览的属于所述目标类型的商家数量,确定向所述用户展示所述目标类型的商家的概率;
根据所述用户在历史浏览页面中的点击行为数据,确定所述用户点击所述目标类型的商家的概率,具体包括:
根据所述用户在历史浏览页面中的点击行为数据,确定所述用户历史上点击各商家类型的商家总量,以及历史上点击所述目标类型的商家数量;
根据所述用户历史上点击各商家类型的商家总量,以及历史上点击所述目标类型的商家数量,确定所述用户点击所述目标类型的商家的概率。
本说明书提供一种信息推荐装置,包括:
召回模块,配置为接收用户终端发送的页面获取请求,并根据所述页面获取请求,召回若干商家的商家信息,所述页面获取请求中至少包含用户标识;
第一确定模块,配置为根据所述用户标识,确定所述用户对应的历史行为数据;
第二确定模块,配置为针对预设的每个属性维度,根据召回的各商家的商家信息,确定各商家在该属性维度下的商家属性,并根据各商家在该属性维度下的商家属性以及所述用户对应的历史行为数据,确定所述用户在该属性维度下点击各商家的概率;
第三确定模块,配置为根据所述用户在各属性维度下点击各商家的概率,确定所述用户对各商家的点击概率;
排序模块,配置为根据所述用户对召回的各商家的点击概率,确定各商家的排序结果,并按照所述排序结果向所述用户终端返回推荐的信息页面。
本说明书提供的一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述信息推荐方法。
本说明书提供的一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述信息推荐方法。
本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果:
在本说明书中,当接收到用户终端发送页面获取请求时,可基于该页面获取请求,召回若干商家的商家信息。之后,针对预设的每个属性维度,根据召回的各商家的商家信息,确定各商家在该属性维度下的商家属性,并根据各商家在该属性维度下的商家属性以及该用户对应的历史行为数据,确定该用户在该属性维度下点击各商家的概率。然后,根据该用户在各属性维度下点击各商家的概率,确定该用户对各商家的点击概率。最后,根据该用户对各商家的点击概率进行排序,并按照排序结果进行信息推荐。通过用户对应的历史行为数据,确定用户在各属性维度下点击各商家的概率,进而确定用户对召回的各商家的点击概率,并按照用户的点击概率对各商家进行排序。提高了用户的决策体验以及决策效率。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本说明书实施例提供的一种信息推荐方法的流程示意图;
图2为本说明书实施例提供的一种点击概率图的示意图;
图3为本说明书实施例提供的一种信息推荐装置的结构示意图;
图4为本说明书实施例提供的实现信息推荐方法的电子设备示意图。
具体实施方式
为使本说明书的目的、技术方案和优点更加清楚,下面将结合本说明书具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于说明书中的实施例,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他实施例,都属于本申请保护的范围。
本说明书提供一种信息推荐方法,以下结合附图,详细说明本申请各实施例提供的技术方案。
图1为本说明书实施例提供的一种信息推荐方法的流程示意图,具体可包括以下步骤:
S100:接收用户终端发送的页面获取请求,并根据所述页面获取请求,召回若干商家的商家信息。
本说明书提供的信息推荐方法,可由电商平台中推荐系统的服务器执行,该服务器可按照用户喜好对待推荐的各商家进行排序,并按照排序结果进行展示,以提高用户的决策体验以及决策效率。其中,该电商平台可以是外卖平台。
具体的,在本说明书中,当该服务器接收到用户终端发送的页面获取请求时,该服务器可根据该页面获取请求,召回若干商家的商家信息,以通过后续步骤对召回的各商家进行排序并展示。其中,商家信息中至少包含商家标识以及商家在各属性维度下的商家属性。
进一步的,该信息推荐方法可用于首页推荐以及搜索推荐中。其中,首页推荐指的是用户打开电商平台,或点击电商平台中的某项服务(如,外卖、社区团购等)后,直接展示在首页的推荐内容。搜索推荐指的是当用户输入搜索的关键词后,基于关键词返回的推荐内容。
当应用于首页推荐场景中时,该服务器可根据接收到的页面获取请求,确定用户的当前位置,并根据该用户的当前位置,召回位于该用户周围的若干商家的商家信息。其中,该页面获取请求可以是启动应用时发送的请求,也可以是在该应用中切换其它页面时所发送的请求,切换其它页面指的是切换为其它类型的商家排序的页面,如,在首页中切换为娱乐休闲类商家的展示页面。
当应用于搜索推荐场景中时,该服务器可根据接收到的页面获取请求,确定用户搜索的关键词,并根据该用户搜索的关键词,召回与该关键词相关的若干商家的商家信息。如,假设用户搜索的关键词为奶茶,则召回若干奶茶店。
S102:根据所述用户标识,确定所述用户对应的历史行为数据。
为了使信息推荐结果符合用户喜好,可基于用户在该电商平台中的历史行为数据,对召回的各商家进行排序。
于是,该服务器可先根据该页面获取请求中携带的用户标识,从电商平台的数据库中,查询该用户的历史行为数据。
进一步的,由于单一用户在电商平台中的历史行为数据不够丰富,因此该服务器可根据该页面获取请求中的用户标识,确定该用户的画像信息。并从存储用户信息的数据库中,确定与该用户的画像信息的相似度大于预设相似度阈值的其它用户,以及其它用户的历史行为数据,将该用户的历史行为数据,以及查询到的各其它用户的历史行为数据,作为该用户对应的历史行为数据。其中,预设阈值以及预设相似度阈值均可根据需要设置。
S104:针对预设的每个属性维度,根据召回的各商家的商家信息,确定各商家在该属性维度下的商家属性,并根据各商家在该属性维度下的商家属性以及所述用户对应的历史行为数据,确定所述用户在该属性维度下点击各商家的概率。
在本说明书一种或多种实施例中,由于召回的各商家在商品种类、星级以及人均消费金额等不同维度存在差异,而用户对不同维度的偏好不同,如,部分用户偏好在星级较高的商家消费,部分用户偏向在人均消费金额为100以下的商家消费。于是可分别确定用户在各维度下点击各商家的概率。
假设商家的总属性维度表示为Y,用户表示为u,则用户对商家的点击概率可以表示为P(click|u,Y),即当用户为u,商家属性为Y时,用户对该商家的点击概率。其中,Y包含若干属性维度yi,yi可以是销量、价格、星级等。
通过贝叶斯公式推导可得:
具体的,针对预设的每个属性维度,该服务器可根据召回的各商家的商家信息,确定各商家在该属性维度下的商家属性。以属性维度为星级维度为例,则商家在该属性维度下的商家属性即为该商家的星级。之后,根据召回的各商家在该属性维度下的商家属性以及该用户对应的历史行为数据,确定该用户在该属性维度下点击各商家的概率。其中,用户对应的历史行为数据至少包含用户的历史浏览数据以及在历史浏览页面中的点击行为数据。
进一步的,在确定用户在该属性维度下点击各商家的概率时,针对召回的每个商家,该服务器可根据该用户的历史浏览数据,以及该商家在该属性维度下的商家属性,确定该用户历史上浏览的商家总量,以及历史上浏览的与该商家在该属性维度下商家属性一致的商家数量。并根据该用户历史上浏览的商家总量,以及历史上浏览的与该商家在该属性维度下商家属性一致的商家数量,确定在该属性维度下向该用户展示该商家的概率。
例如,在人均消费金额的属性维度下,A商家的人均消费金额为100元以下,则根据该用户历史上浏览的商家总量,以及在历史上浏览的人均消费金额为100元以下的商家数量,确定在人均消费金额的属性维度下向该用户展示A商家的概率,记为P(y1|u)。其中,y1表示人均消费金额的属性维度,且人均消费金额为100元以下。
针对召回的每个商家,该服务器还可根据该用户在历史浏览页面中的点击行为数据,以及该商家在该属性维度下的商家属性,确定该用户历史上点击的商家总量,以及历史上点击的与该商家在该属性维度下商家属性一致的商家数量。并根据该用户历史上点击的商家总量,以及历史上点击的与该商家在该属性维度下商家属性一致的商家数量,确定在该属性维度下该用户点击该商家的概率。
例如,在人均消费金额的属性维度下,A商家的人均消费金额为100元以下,则根据该用户历史点击的商家总量,以及历史上点击的人均消费金额为100元以下的商家数量,确定在人均消费金额的属性维度下该用户点击A商家的概率,记为P(y1|click,u)。其中,y1表示人均消费额度的属性维度,且人均消费金额为100元以下。
S106:根据所述用户在各属性维度下点击各商家的概率,确定所述用户对各商家的点击概率。
在本说明书一种或多种实施例中,当确定出该用户在不同属性维度下点击各商家的概率后,便可确定该用户对各商家的整体的点击概率。
S108:根据用户对召回的各商家的点击概率,确定各商家的排序结果,并按照所述排序结果向所述用户终端返回推荐的信息页面。
在本说明书一种或多种实施例中,当确定出用户对各商家的点击概率后,便可按照用户的点击概率,对各商家进行排序,并按照排序结果进行信息推荐。
具体的,根据该用户对召回的各商家的点击概率从大到小的顺序,对各商家进行排序,确定各商家的排序结果。并按照该排序结果,确定推荐的信息页面的页面数据,将推荐的信息页面的页面返回至用户终端,使该用户终端按照排序结果展示各推荐商家。
基于图1所示的信息推荐方法,在接收到用户终端发送页面获取请求时,可基于该页面获取请求,召回若干商家的商家信息。之后,针对预设的每个属性维度,根据召回的各商家的商家信息,确定各商家在该属性维度下的商家属性,并根据各商家在该属性维度下的商家属性以及该用户对应的历史行为数据,确定该用户在该属性维度下点击各商家的概率。然后,根据该用户在各属性维度下点击各商家的概率,确定该用户对各商家的点击概率。最后,根据该用户对各商家的点击概率进行排序,并按照排序结果进行信息推荐。通过用户对应的历史行为数据,确定用户在各属性维度下点击各商家的概率,进而确定用户对召回的各商家的点击概率,并按照用户的点击概率对各商家进行排序。提高了用户的决策体验以及决策效率。
在本说明书一种实施例中,除商家本身的销量、星级、评价等固定影响因素外,商家的实时变化量也会对用户决策产生影响。如,用户距离商家越近,用户在该商家消费的概率越高。于是,商家的属性维度可包含固定属性维度以及实时属性维度。其中,固定属性维度指的是商家在单位时段内固定不变的属性,如,商家的星级、评价、销量以及人均消费金额等。当然商家的星级、评价、销量以及人均消费金额也会随时间发生变化,但是相对在一段时间范围内较为稳定。实时属性维度指的是商家实时变化的属性,如,当前用户与商家之间的距离以及当前天气状况等。商家的固定属性维度以及实时属性维度均可根据需要自行设置,本说明书对此不做限制。
在本说明书另一种实施例中,电商平台通常按照各商家提供的服务不同,可划分为不同的商家类型,如,休闲娱乐、外卖美食等。且在电商平台中为不同商家类型提供不同的入口,用户可根据需要访问不同商家类型的商家。
假设商家的总属性维度表示为Y,用户表示为u,商家类型为c,则用户对商家的点击概率可以表示为P(click|u,c,Y),即当用户为u,商家属性为Y时,商家类型为c时,用户对该商家的点击概率。
通过贝叶斯公式推导可得:
具体的,在确定用户在各属性维度下点击各商家的概率时,可针对召回的每个商家,确定该商家所属的商家类型,作为目标类型。之后,根据该用户的历史浏览数据,确定在该目标类型的商家下,展示与该商家在该属性维度下的商家属性一致的概率P(yi|u,c)。并根据该用户在历史浏览页面中的点击行为数据,确定该用户在该目标类型的商家下,点击与该商家在该属性维度下的商家属性一致的概率P(yi|click,c,u)。最后,根据在该目标类型的商家下,展示与该商家在该属性维度下的商家属性一致的概率,以及在该目标类型的商家下,点击与该商家在该属性维度下的商家属性一致的概率,确定该用户在该属性维度下点击该商家的概率
进一步的,在确定在该目标类型的商家下,展示与该商家在该属性维度下的商家属性一致的概率P(yi|u,c)时,可根据该用户的历史浏览数据,确定该用户历史上在该目标类型下浏览的商家总量,以及历史上在该目标类型下浏览的与该商家在该属性维度下的商家属性一致的商家数量。并根据两者的比值,确定P(yi|u,c)。
在确定在该目标类型的商家下,点击与该商家在该属性维度下的商家属性一致的概率P(yi|click,c,u)时,可根据该用户在历史浏览页面中的点击行为数据,确定该用户历史上在该目标类型下点击的商家总量,以及该用户历史上在该目标类型下,点击的与该商家在该属性维度下的商家属性一致的商家数量。并根据两者的比值,确定P(yi|click,c,u)。
更进一步的,针对召回的每个商家,在确定用户对该商家的点击概率P(click|u,c,Y)时,可根据该用户的历史浏览数据,确定向该用户展示该目标类型的商家的概率P(c|u),以及根据该用户在历史浏览页面中的点击行为数据,确定该用户点击该目标类型的商家的概率P(c|u,click)。最后,根据P(c|u)、P(c|u,click)以及该用户在各属性维度下点击该商家的概率通过推导出的贝叶斯概率公式,确定该用户对该商家的点击概率。
其中,在基于该用户的历史浏览数据,确定向该用户展示该目标类型的商家的概率P(c|u)时,可基于该用户的历史浏览数据,确定该用户历史上浏览的商家总量,以及历史上浏览的属于该目标类型的商家数量。并根据该用户历史上浏览的商家总量,以及历史上浏览的属于该目标类型的商家数量,确定向该用户展示的该目标类型的商家的概率。
在基于该用户在历史浏览页面中的点击行为数据,确定该用户点击该目标类型的商家的概率P(c|u,click)时,可根据该用户在历史浏览页面中的点击行为数据,确定该用户历史上点击各商家类型的商家总量,以及历史上点击该目标类型的商家数量。并根据该用户历史上点击各商家类型的商家总量,以及历史上点击该目标类型的商家数量,确定该用户点击该目标类型的商家的概率。
在本说明书一种实施例中,如图2所示,根据用户的画像信息,可确定用户对商家类型以及商家的固定属性维度和实时属性维度的偏好。通过上述推导出的贝叶斯概率公式可得,用户对商家的点击概率P(click|u,c,Y),与呈正比。也就是说,在向单个用户推荐商家时,用户对商家的点击概率与推荐的商家的商家类型c、以及商家的固定属性维度yi与实时属性维度yi有关。其中,用户的画像信息至少包含用户的年龄、性别以及职业等,商家的固定属性维度可包含人均消费金额、菜品种类、星级以及好评率等,商家的实时属性维度可包含用户与商家之间的实时距离以及实时的天气状况等。
另外,需要说明的是,本说明书提供的信息推荐方法,不仅可以用于推荐商家,对待推荐的各商家进行排序。也可应用与商品、新闻、图像等信息的推荐过程中,基于用户偏好对待推荐的各信息进行排序,以提高排序的准确性,提升用户的决策效率。
基于图1所示的一种信息推荐方法,本说明书实施例还对应提供一种信息推荐装置的结构示意图,如图3所示。
图3为本说明书实施例提供的一种信息推荐装置的结构示意图,包括:
召回模块200,配置为接收用户终端发送的页面获取请求,并根据所述页面获取请求,召回若干商家的商家信息,所述页面获取请求中至少包含用户标识;
第一确定模块202,配置为根据所述用户标识,确定所述用户对应的历史行为数据;
第二确定模块204,配置为针对预设的每个属性维度,根据召回的各商家的商家信息,确定各商家在该属性维度下的商家属性,并根据召回的各商家在该属性维度下的商家属性以及所述用户对应的历史行为数据,确定所述用户在该属性维度下点击各商家的概率;
第三确定模块206,配置为根据所述用户在各属性维度下点击各商家的概率,确定所述用户对各商家的点击概率;
排序模块208,配置为根据所述用户对召回的各商家的点击概率,确定各商家的排序结果,并按照所述排序结果向所述用户终端返回推荐的信息页面。
可选地,所述召回模块200具体用于,根据所述页面获取请求,确定用户的当前位置,其中,所述页面获取请求为启动应用时发送的请求和/或在所述应用中切换页面时发送的请求,根据所述当前位置,召回若干商家的商家信息。
可选地,所述第一确定模块202具体用于,根据所述用户标识,确定所述用户的画像信息,并确定与所述用户的画像信息的相似度大于预设相似度阈值的其它用户,将所述用户的历史行为数据以及确定出的其它用户的历史行为数据,作为所述用户对应的历史行为数据。
可选地,所述历史行为数据至少包含用户的历史浏览数据以及在历史浏览页面中的点击行为数据,所述第二确定模块204具体用于,针对召回的每个商家,根据所述用户的历史浏览数据以及该商家在该属性维度下的商家属性,确定所述用户历史上浏览的商家总量,以及历史上浏览的与该商家在该属性维度下商家属性一致的商家数量,根据所述用户在历史浏览页面中的点击行为数据以及该商家在该属性维度下的商家属性,确定所述用户历史上点击的商家总量,以及历史上点击的与该商家在该属性维度下商家属性一致的商家数量,根据所述用户历史上浏览的商家总量、历史上浏览的与该商家在该属性维度下商家属性一致的商家数量,以及所述用户历史上点击的商家总量、历史上点击的与该商家在该属性维度下商家属性一致的商家数量,确定所述用户在该属性维度下点击该商家的概率。
可选地,所述第二确定模块204具体用于,根据所述用户历史上浏览的商家总量,以及历史上浏览的与该商家在该属性维度下商家属性一致的商家数量,确定在该属性维度下向所述用户展示该商家的概率,根据所述用户历史上点击的商家总量,以及历史上点击的与该商家在该属性维度下商家属性一致的商家数量,确定在该属性维度下所述用户点击该商家的概率,根据在该属性维度下向所述用户展示该商家的概率,以及在该属性维度下所述用户点击该商家的概率,确定在该属性维度下向所述用户展示该商家时,所述用户点击该商家的概率。
可选地,所述属性维度包含固定属性维度以及实时属性维度,所述实时属性维度至少包含当前所述用户与所述商家之间的距离。
可选地,所述历史行为数据至少包含用户的历史浏览数据以及在历史浏览页面中的点击行为数据,所述第二确定模块204具体用于,针对召回的每个商家,确定该商家所属的商家类型,作为目标类型,根据所述用户的历史浏览数据,确定在所述目标类型的商家下,展示与该商家在该属性维度下的商家属性一致的概率,根据所述用户在历史浏览页面中的点击行为数据,确定所述用户在所述目标类型的商家下,点击与该商家在该属性维度下的商家属性一致的概率,根据在所述目标类型的商家下,展示与该商家在该属性维度下的商家属性一致的概率,以及在所述目标类型的商家下,点击与该商家在该属性维度下的商家属性一致的概率,确定所述用户在该属性维度下点击该商家的概率。
可选地,所述第二确定模块204具体用于,根据所述用户的历史浏览数据,确定所述用户历史上在所述目标类型下浏览的商家总量,以及历史上在所述目标类型下浏览的与该商家在该属性维度下的商家属性一致的商家数量,根据所述用户历史上在所述目标类型下浏览的商家总量,以及历史上在所述目标类型下浏览的与该商家在该属性维度下的商家属性一致的商家数量,确定在所述目标类型的商家下,展示与该商家在该属性维度下的商家属性一致的概率,根据所述用户在历史浏览页面中的点击行为数据,确定所述用户历史上在所述目标类型下点击的商家总量,以及所述用户历史上在所述目标类型下,点击的与该商家在该属性维度下的商家属性一致的商家数量,根据所述用户历史上在所述目标类型下点击的商家总量,以及所述用户历史上在所述目标类型下,点击的与该商家在该属性维度下的商家属性一致的商家数量,确定在所述目标类型的商家下,点击与该商家在该属性维度下的商家属性一致的概率。
可选地,所述第三确定模块206具体用于,针对召回的每个商家,根据所述用户的历史浏览数据,确定向所述用户展示所述目标类型的商家的概率,根据所述用户在历史浏览页面中的点击行为数据,确定所述用户点击所述目标类型的商家的概率,根据向所述用户展示所述目标类型的商家的概率、所述用户点击所述目标类型的商家的概率以及所述用户在各属性维度下点击该商家的概率,确定所述用户对该商家的点击概率。
可选地,所述第三确定模块206具体用于,根据所述用户的历史浏览数据,确定所述用户历史上浏览的商家总量,以及历史上浏览的属于所述目标类型的商家数量,根据所述用户历史上浏览的商家总量,以及历史上浏览的属于所述目标类型的商家数量,确定向所述用户展示所述目标类型的商家的概率,根据所述用户在历史浏览页面中的点击行为数据,确定所述用户历史上点击各商家类型的商家总量,以及历史上点击所述目标类型的商家数量,根据所述用户历史上点击各商家类型的商家总量,以及历史上点击所述目标类型的商家数量,确定所述用户点击所述目标类型的商家的概率。
本说明书实施例还提供了一种计算机可读存储介质,该存储介质存储有计算机程序,计算机程序可用于执行上述图1提供的信息推荐方法。
根据图1所示的一种信息推荐方法,本说明书实施例还提出了图4所示的电子设备的示意结构图。如图4,在硬件层面,该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器,当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,以实现上述图1所示的信息推荐方法。
当然,除了软件实现方式之外,本说明书并不排除其他实现方式,比如逻辑器件抑或软硬件结合的方式等等,也就是说以下处理流程的执行主体并不限定于各个逻辑单元,也可以是硬件或逻辑器件。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上,而不需要请芯片制造厂商来设计和生成专用的集成电路芯片。而且,如今,取代手工地生成集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、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。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,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、商品或者设备不仅包括那些要素,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、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本说明书的实施例可提供为方法、系统或计算机程序产品。因此,本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书的实施例而已,并不用于限制本说明书。对于本领域技术人员来说,本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本说明书的权利要求范围之内。
Claims (13)
1.一种信息推荐方法,其特征在于,包括:
接收用户终端发送的页面获取请求,并根据所述页面获取请求,召回若干商家的商家信息,所述页面获取请求中至少包含用户标识;
根据所述用户标识,确定所述用户对应的历史行为数据;
针对预设的每个属性维度,根据召回的各商家的商家信息,确定各商家在该属性维度下的商家属性,并根据各商家在该属性维度下的商家属性以及所述用户对应的历史行为数据,确定所述用户在该属性维度下点击各商家的概率;
根据所述用户在各属性维度下点击各商家的概率,确定所述用户对各商家的点击概率;
根据所述用户对召回的各商家的点击概率,确定各商家的排序结果,并按照所述排序结果向所述用户终端返回推荐的信息页面。
2.如权利要求1所述的方法,其特征在于,根据所述页面获取请求,召回若干商家的商家信息,具体包括:
根据所述页面获取请求,确定用户的当前位置;其中,所述页面获取请求为启动应用时发送的请求和/或在所述应用中切换页面时发送的请求;
根据所述当前位置,召回若干商家的商家信息。
3.如权利要求1所述的方法,其特征在于,根据所述用户标识,确定所述用户对应的历史行为数据,具体包括:
根据所述用户标识,确定所述用户的画像信息,并确定与所述用户的画像信息的相似度大于预设相似度阈值的其它用户;
将所述用户的历史行为数据以及确定出的其它用户的历史行为数据,作为所述用户对应的历史行为数据。
4.如权利要求1所述的方法,其特征在于,所述历史行为数据至少包含用户的历史浏览数据以及在历史浏览页面中的点击行为数据;
根据各商家在该属性维度下的商家属性以及所述用户对应的历史行为数据,确定所述用户在该属性维度下点击各商家的概率,具体包括:
针对召回的每个商家,根据所述用户的历史浏览数据以及该商家在该属性维度下的商家属性,确定所述用户历史上浏览的商家总量,以及历史上浏览的与该商家在该属性维度下商家属性一致的商家数量;
根据所述用户在历史浏览页面中的点击行为数据以及该商家在该属性维度下的商家属性,确定所述用户历史上点击的商家总量,以及历史上点击的与该商家在该属性维度下商家属性一致的商家数量;
根据所述用户历史上浏览的商家总量、历史上浏览的与该商家在该属性维度下商家属性一致的商家数量,以及所述用户历史上点击的商家总量、历史上点击的与该商家在该属性维度下商家属性一致的商家数量,确定所述用户在该属性维度下点击该商家的概率。
5.如权利要求4所述的方法,其特征在于,根据所述用户历史上浏览的商家总量、历史上浏览的与该商家在该属性维度下商家属性一致的商家数量,以及所述用户历史上点击的商家总量、历史上点击的与该商家在该属性维度下商家属性一致的商家数量,确定所述用户在该属性维度下点击该商家的概率,具体包括:
根据所述用户历史上浏览的商家总量,以及历史上浏览的与该商家在该属性维度下商家属性一致的商家数量,确定在该属性维度下向所述用户展示该商家的概率;
根据所述用户历史上点击的商家总量,以及历史上点击的与该商家在该属性维度下商家属性一致的商家数量,确定在该属性维度下所述用户点击该商家的概率;
根据在该属性维度下向所述用户展示该商家的概率,以及在该属性维度下所述用户点击该商家的概率,确定在该属性维度下向所述用户展示该商家时,所述用户点击该商家的概率。
6.如权利要求1所述的方法,其特征在于,所述属性维度包含固定属性维度以及实时属性维度,所述实时属性维度至少包含当前所述用户与所述商家之间的距离。
7.如权利要求1所述的方法,其特征在于,所述历史行为数据至少包含用户的历史浏览数据以及在历史浏览页面中的点击行为数据;
根据各商家在该属性维度下的商家属性以及所述用户对应的历史行为数据,确定所述用户在该属性维度下点击各商家的概率,具体包括:
针对召回的每个商家,确定该商家所属的商家类型,作为目标类型;
根据所述用户的历史浏览数据,确定在所述目标类型的商家下,展示与该商家在该属性维度下的商家属性一致的概率;
根据所述用户在历史浏览页面中的点击行为数据,确定所述用户在所述目标类型的商家下,点击与该商家在该属性维度下的商家属性一致的概率;
根据在所述目标类型的商家下,展示与该商家在该属性维度下的商家属性一致的概率,以及在所述目标类型的商家下,点击与该商家在该属性维度下的商家属性一致的概率,确定所述用户在该属性维度下点击该商家的概率。
8.如权利要求7所述的方法,其特征在于,根据所述用户的历史浏览数据,确定在所述目标类型的商家下,展示与该商家在该属性维度下的商家属性一致的概率,具体包括:
根据所述用户的历史浏览数据,确定所述用户历史上在所述目标类型下浏览的商家总量,以及历史上在所述目标类型下浏览的与该商家在该属性维度下的商家属性一致的商家数量;
根据所述用户历史上在所述目标类型下浏览的商家总量,以及历史上在所述目标类型下浏览的与该商家在该属性维度下的商家属性一致的商家数量,确定在所述目标类型的商家下,展示与该商家在该属性维度下的商家属性一致的概率;
根据所述用户在历史浏览页面中的点击行为数据,确定所述用户在所述目标类型的商家下,点击与该商家在该属性维度下的商家属性一致的概率,具体包括:
根据所述用户在历史浏览页面中的点击行为数据,确定所述用户历史上在所述目标类型下点击的商家总量,以及所述用户历史上在所述目标类型下,点击的与该商家在该属性维度下的商家属性一致的商家数量;
根据所述用户历史上在所述目标类型下点击的商家总量,以及所述用户历史上在所述目标类型下,点击的与该商家在该属性维度下的商家属性一致的商家数量,确定在所述目标类型的商家下,点击与该商家在该属性维度下的商家属性一致的概率。
9.如权利要求7所述的方法,其特征在于,根据所述用户在各属性维度下点击各商家的概率,确定所述用户对各商家的点击概率,具体包括:
针对召回的每个商家,根据所述用户的历史浏览数据,确定向所述用户展示所述目标类型的商家的概率;
根据所述用户在历史浏览页面中的点击行为数据,确定所述用户点击所述目标类型的商家的概率;
根据向所述用户展示所述目标类型的商家的概率、所述用户点击所述目标类型的商家的概率以及所述用户在各属性维度下点击该商家的概率,确定所述用户对该商家的点击概率。
10.如权利要求9所述的方法,其特征在于,根据所述用户的历史浏览数据,确定向所述用户展示所述目标类型的商家的概率,具体包括:
根据所述用户的历史浏览数据,确定所述用户历史上浏览的商家总量,以及历史上浏览的属于所述目标类型的商家数量;
根据所述用户历史上浏览的商家总量,以及历史上浏览的属于所述目标类型的商家数量,确定向所述用户展示所述目标类型的商家的概率;
根据所述用户在历史浏览页面中的点击行为数据,确定所述用户点击所述目标类型的商家的概率,具体包括:
根据所述用户在历史浏览页面中的点击行为数据,确定所述用户历史上点击各商家类型的商家总量,以及历史上点击所述目标类型的商家数量;
根据所述用户历史上点击各商家类型的商家总量,以及历史上点击所述目标类型的商家数量,确定所述用户点击所述目标类型的商家的概率。
11.一种信息推荐装置,其特征在于,包括:
召回模块,配置为接收用户终端发送的页面获取请求,并根据所述页面获取请求,召回若干商家的商家信息,所述页面获取请求中至少包含用户标识;
第一确定模块,配置为根据所述用户标识,确定所述用户对应的历史行为数据;
第二确定模块,配置为针对预设的每个属性维度,根据召回的各商家的商家信息,确定各商家在该属性维度下的商家属性,并根据各商家在该属性维度下的商家属性以及所述用户对应的历史行为数据,确定所述用户在该属性维度下点击各商家的概率;
第三确定模块,配置为根据所述用户在各属性维度下点击各商家的概率,确定所述用户对各商家的点击概率;
排序模块,配置为根据所述用户对召回的各商家的点击概率,确定各商家的排序结果,并按照所述排序结果向所述用户终端返回推荐的信息页面。
12.一种计算机可读存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述权利要求1~10任一所述的方法。
13.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现上述权利要求1~10任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111114735.3A CN113888258A (zh) | 2021-09-23 | 2021-09-23 | 一种信息推荐方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111114735.3A CN113888258A (zh) | 2021-09-23 | 2021-09-23 | 一种信息推荐方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113888258A true CN113888258A (zh) | 2022-01-04 |
Family
ID=79010217
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111114735.3A Pending CN113888258A (zh) | 2021-09-23 | 2021-09-23 | 一种信息推荐方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113888258A (zh) |
-
2021
- 2021-09-23 CN CN202111114735.3A patent/CN113888258A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107609198B (zh) | 一种推荐方法、装置及计算机可读存储介质 | |
CN107038186B (zh) | 生成标题、搜索结果展示、标题展示的方法及装置 | |
CN110413877A (zh) | 一种资源推荐方法、装置及电子设备 | |
CN107341173B (zh) | 一种信息处理方法及装置 | |
US11176574B2 (en) | Contextual secondary content for search results | |
CN108509497B (zh) | 信息推荐方法、装置和电子设备 | |
CN108596695B (zh) | 实体推送方法及系统 | |
CN107704560B (zh) | 一种信息推荐的方法、装置及设备 | |
CN111144974B (zh) | 一种信息展示方法及装置 | |
CN108519997B (zh) | 相关内容的推荐方法及装置 | |
CN110599307A (zh) | 一种商品推荐的方法及装置 | |
CN113688313A (zh) | 一种预测模型的训练方法、信息推送的方法及装置 | |
WO2023226760A1 (zh) | 一种话题推荐方法、装置、计算机设备及存储介质 | |
CN112733024A (zh) | 一种信息推荐的方法及装置 | |
CN111191132B (zh) | 一种信息推荐方法、装置及电子设备 | |
CN115048577A (zh) | 一种模型训练方法、装置、设备及存储介质 | |
CN111046304B (zh) | 数据搜索方法及装置 | |
CN113641894A (zh) | 一种信息推荐的方法及装置 | |
CN113343095A (zh) | 一种模型训练以及信息推荐方法及装置 | |
CN111639269B (zh) | 一种地点推荐方法及装置 | |
CN112699307A (zh) | 一种信息的生成方法及装置 | |
CN113010809A (zh) | 一种信息推荐的方法及装置 | |
CN113704630B (zh) | 一种信息推送方法、装置、可读存储介质和电子设备 | |
CN113343132B (zh) | 一种模型训练的方法、信息展示的方法及装置 | |
CN113888258A (zh) | 一种信息推荐方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |