CN114240545A - 一种相似商品的推荐方法、装置、设备及存储介质 - Google Patents

一种相似商品的推荐方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN114240545A
CN114240545A CN202111455175.8A CN202111455175A CN114240545A CN 114240545 A CN114240545 A CN 114240545A CN 202111455175 A CN202111455175 A CN 202111455175A CN 114240545 A CN114240545 A CN 114240545A
Authority
CN
China
Prior art keywords
commodity
similar
purchased
pool
commodities
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
Application number
CN202111455175.8A
Other languages
English (en)
Inventor
余延军
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Vipshop Guangzhou Software Co Ltd
Original Assignee
Vipshop Guangzhou Software Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Vipshop Guangzhou Software Co Ltd filed Critical Vipshop Guangzhou Software Co Ltd
Priority to CN202111455175.8A priority Critical patent/CN114240545A/zh
Publication of CN114240545A publication Critical patent/CN114240545A/zh
Pending legal-status Critical Current

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
    • G06F16/95—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
    • G06F16/9536—Search customisation based on social or collaborative filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (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

本申请公开一种相似商品的推荐方法、装置、设备及存储介质，所述方法包括：获取在售商品池中的商品粒度；基于大数据平台在所述商品粒度中提取关键特征向量，得到商品粒度特征向量表；将所述商品粒度特征向量表通过协同过滤算法进行机器学习训练，得到相似度模型；基于所述相似度模型遍历预购商品池，得到所述预购商品池中每个商品对应于所述在售商品池的相似商品，以形成所述预购商品池中每个商品的相似商品列表；根据用户查询的预购商品ID，将关联到的所述预购商品ID的相似商品列表中的相似商品推荐给用户。本申请在最大可能满足用户购物诉求的同时，还能提高其他品牌商品的曝光率。

Description

一种相似商品的推荐方法、装置、设备及存储介质
技术领域
本申请涉及计算机通信技术领域，特别涉及一种相似商品的推荐方法、装置、设备及存储介质。
背景技术
目前电商界针对商品售卖有一种新兴的方式：预约购买，顾名思义就是对应的商品临时缺货时，用户可以提前授权给平台，一旦商品有库存就能自动完成库存的占用及扣款的动作，从而完成用户购买商品的目的。但预约购买的商品，往往都是非常受欢迎的商品，即使商家补库存也难以满足全部的预购订单量。这会使得部分用户不能购买到预约购买的商品，从而无法满足用户的购物诉求。
发明内容
本申请提供了一种相似商品的推荐方法、装置、设备及存储介质，能够通过向用户推荐预购单中的相似商品，从而达到最大程度满足用户的购物需求，提升用户的购物体验。
为了实现上述目的，本申请采用如下技术方案：
第一方面，本申请提供了一种相似商品的推荐方法，包括:
获取在售商品池中的商品信息，其中，所述商品信息至少包括商品粒度；
基于大数据平台在所述商品粒度中提取关键特征向量，得到商品粒度特征向量表；
将所述商品粒度特征向量表通过协同过滤算法进行机器学习训练，得到相似度模型，其中，协同过滤算法集成于大数据平台的机器学习库中；
基于所述相似度模型遍历预购商品池，得到所述预购商品池中每个商品对应于所述在售商品池的相似商品，以形成所述预购商品池中每个商品的相似商品列表；
根据用户查询的预购商品ID，将关联到的所述预购商品ID的相似商品列表中的相似商品推荐给用户。
根据本申请第一方面的一种能够实现的方式，所述方法还包括：
将所述预购商品池中每个商品的相似商品列表保存在搜索服务器中。
根据本申请第一方面的一种能够实现的方式，所述方法还包括：
根据所述在售商品池中的商品在售信息和库存信息，实时更新保存在搜索服务器中的相似商品列表。
根据本申请第一方面的一种能够实现的方式，所述基于所述相似度模型遍历预购商品池，得到所述预购商品池中每个商品对应于所述在售商品池的相似商品，以形成所述预购商品池中每个商品的相似商品列表，具体包括：
基于所述相似度模型遍历预购商品池，计算出所述预购商品池中每个商品与所述在售商品池中各个商品的相似度；
将所述在售商品池中与预购商品池的商品的相似度大于预设相似度的商品作为该预购商品池的商品的相似商品，以形成所述预购商品池中每个商品的相似商品列表。
根据本申请第一方面的一种能够实现的方式，所述根据用户查询的预购商品ID，将关联到的所述预购商品ID的相似商品列表中的相似商品推荐给用户，具体包括：
根据用户查询的预购商品ID，关联到所述预购商品ID的相似商品列表；
基于所述相似商品列表中的相似商品与所述预购商品ID对应的预购商品的相似度，按照从高相似度到低相似度的顺序将相似商品推荐给用户。
第二方面，本申请提供了一种相似商品的推荐装置，包括：
在售商品信息获取模块，用于获取在售商品池中的商品信息；
商品特征建模预处理模块，用于基于大数据平台在所述商品粒度中提取关键特征向量，得到商品粒度特征向量表；
模型训练模块，用于将所述商品粒度特征向量表通过协同过滤算法进行机器学习训练，得到相似度模型；
相似商品列表形成模块，用于基于所述相似度模型遍历预购商品池，得到所述预购商品池中每个商品对应于所述在售商品池的相似商品，以形成所述预购商品池中每个商品的相似商品列表；
预购商品关联推荐模块，用于根据用户查询的预购商品ID，将关联到的所述预购商品ID的相似商品列表中的相似商品推荐给用户。
第三方面，本申请实施例提供一种设备，包括存储器、处理器以及存储在所述存储器中并能在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任意一项相似商品的推荐方法的步骤。
第四方面，本申请实施例提供一种存储介质，所述存储介质中存储有计算机程序，所述计算机程序被处理器执行时上述任意一项相似商品的推荐方法的步骤。
综上所述，与现有技术相比，本申请实施例提供的技术方案带来的有益效果至少包括：
1、本申请实施例通过大数据结合离线相似度分析算法，将与预购订单中商品的相似商品推荐给用户选购，不仅能最大可能满足用户购物诉求，还能提高其他品牌商品的曝光率。
2、本申请实施例将预购商品池中每个商品的相似商品列表保存在搜索服务器中，并根据在售商品池的各个商品的在售信息和库存信息，实时更新保存在搜索服务器中的相似商品列表，从而能够保证向用户推荐的相似商品是在售且库存足够的。
3、本申请实施例将在售商品池中与预购商品池的商品的相似度大于预设相似度的商品作为相似商品，能够保证向用户推荐的商品与预购商品都是非常相似的。
4、本申请实施例在向用户推荐相似商品时，根据与预购商品相似度的高低，依次向用户推荐，让用户能够更快地找到想要购买的商品，进一步提升用户的购买体验。
附图说明
图1为本申请第一个较优选实施例提供的相似商品的推荐方法的流程示意图；
图2为本申请第二个较优选实施例提供的相似商品的推荐方法的流程示意图；
图3为本申请第三个较优选实施例提供的相似商品的推荐方法的流程示意图；
图4为本申请第四个较优选实施例提供的相似商品的推荐方法的流程示意图；
图5为本申请第五个较优选实施例提供的相似商品的推荐装置的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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。
下面结合说明书附图对本申请实施例作进一步详细描述。
图1所示为本申请第一个较优选实施例提供的一种相似商品的推荐方法的流程示意图。
如图1所示，所述方法包括：
S10、获取在售商品池中的商品信息，其中，所述商品信息至少包括商品粒度；
具体地，商品信息主要是商品的关键资料信息，比如有商品ID、商品图片、商品品牌、品牌等级、商品分类、商品粒度等，其中，如果在售商品池中销售的商品主要为笔记本电脑时，那么商品粒度在这里就可以是笔记本电脑的CPU型号、笔记本电脑的显卡类型、笔记本电脑的内存容量等等，如果在售商品池中销售的商品主要为衣服时，那么商品粒度在这里就可以是衣服的风格、适用季节、袖长、领口形状等等。
S11、基于大数据平台在所述商品粒度中提取关键特征向量，得到商品粒度特征向量表；
具体地，大数据平台可以是Hadoop、Spark、storm、flink等等，优选的大数据平台为Spark平台，Spark平台的数据处理速度是非常快的，在此不对大数据平台做限定。
S12、将所述商品粒度特征向量表通过协同过滤算法进行机器学习训练，得到相似度模型，其中，协同过滤算法集成于大数据平台的机器学习库中；
具体地，协同过滤算法可以为ALS算法，ALS算法特指在机器学习中使用交替最小二乘求解的一个协同过滤算法，优选的大数据平台为Spark，协同过滤算法集成于Spark平台的Mllib库中；大数据平台为Hadoop时，协同过滤算法集成于Hadoop平台的Mahout库中。
具体地，基于不同商品粒度特征向量表训练得到的相似度模型是有所不同的，若在售商品池中销售的商品主要为笔记本电脑时，商品粒度可能是笔记本电脑的CPU型号、笔记本电脑的显卡类型、笔记本电脑的内存容量等等；若在售商品池中销售的商品主要为衣服时，那么商品粒度可能是衣服的风格、适用季节、袖长、领口形状等等；可见，不同分类商品的商品粒度是有所不同的，所以不同分类商品对应不同商品粒度特征向量表，因此不同分类商品对应的相似度模型也是不同的。相似度模型可以计算同类商品之间的相似度，相似度越高，则说明这两个同类商品越接近。
S13、基于所述相似度模型遍历预购商品池，得到所述预购商品池中每个商品对应于所述在售商品池的相似商品，以形成所述预购商品池中每个商品的相似商品列表；
具体地，基于相似度模型计算预购商品池中的每个商品与在售商品池中的商品的相似度，将在售商品池中相似度较高的商品作为相似商品，预购商品池中每个商品的相似商品列表中包含有多个相似商品的名称。
在一优选实施方式中，预购商品池中每个商品的相似商品列表保存在搜索服务器中。
具体地，搜索服务器可以是Elastic Search、sphinx、solr等等，优选的搜索服务器为Elastic Search，在此不对搜索服务器进行限定。
S14、根据用户查询的预购商品ID，将关联到的所述预购商品ID的相似商品列表中的相似商品推荐给用户。
具体地，在用户查询预购商品中的某个商品时通过用户查询的预购商品ID关联到所述预购商品ID的相似商品列表，一个预购商品对应一个相似商品列表，每个相似商品列表中有至少一个相似商品，将关联到的相似商品列表中的相似商品推荐给用户。
本申请实施例通过大数据结合离线相似度分析算法，将与预购订单中商品的相似商品推荐给用户选购，不仅能最大可能满足用户的购物诉求，还能提高其他品牌商品的曝光率。
发明人在实施本申请的过程中发现：如果在向用户推荐相似商品时因为没有及时更新保存在搜索服务器中的全部相似商品列表，就可能出现推荐给用户的相似商品为在售商品池中的下架商品或者无库存商品。
为了解决向用户推荐的相似商品为在售商品池中的下架商品或者无库存商品的技术问题，图2是本申请的第二个示较优选实施例提供的一种相似商品的推荐方法，其是在图1所示的第一个较优选实施例中作进一步改进，所述方法的主要步骤描述如下：
S20、获取在售商品池中的商品信息，其中，所述商品信息至少包括商品粒度；
S21、基于大数据平台在所述商品粒度中提取商品的关键特征向量，得到商品粒度特征向量表；
S22、将所述商品粒度特征向量表通过协同过滤算法进行机器学习训练，得到相似度模型，其中，协同过滤算法集成于大数据平台的机器学习库中；
S23、基于所述相似度模型遍历预购商品池，得到所述预购商品池中每个商品对应于所述在售商品池的相似商品，以形成所述预购商品池中每个商品的相似商品列表，并保存在搜索服务器中，其中，保存在搜索服务器中的相似商品列表会根据在售商品池中的商品的在售信息和库存信息进行实时更新；
具体地，商品的在售信息指的是商品的上下架情况，若商品已下架，将更新保存在搜索服务器中的相似商品列表。例如，保存在搜索服务器中的某个相似商品列表中有相似商品A、相似商品B以及相似商品C，若相似商品C下架，则该相似商品列表就会进行数据更新，不会将相似商品C推荐给用户。
具体地，商品的库存信息指的是商品的库存情况，若商品的库存较少，也会更新保存在搜索服务器中的相似商品列表。例如，保存在搜索服务器中的某个相似商品列表中有相似商品A、相似商品B以及相似商品C，若相似商品C的库存量较少，则该相似商品列表就会进行数据更新，不会将相似商品C推荐给用户。
S24、根据用户查询的预购商品ID，将关联到的所述预购商品ID的相似商品列表中的相似商品推荐给用户。
本申请实施例将预购商品池中每个商品对应于在售商品池的相似商品列表全部保存在搜索服务器中，并根据在售商品池的各个商品的在售信息和库存信息，实时更新搜索服务器中的数据，能够保证向用户推荐的相似商品是在售且库存足够的。
发明人在实施本申请的过程中还发现：如果向用户推送的相似商品与用户查询的预购商品的相似程度较低，可能会引起用户对推荐系统的反感。
为了尽可能保证向用户推荐的相似商品与用户查询的预购商品的相似程度，图3是本申请的第三个较优选实施例提供的一种相似商品的推荐方法，其是在图1所示的第一个较优选实施例中作进一步改进，所述方法的主要步骤描述如下：
S30、获取在售商品池中的商品信息，其中，所述商品信息至少包括商品粒度；
S31、基于大数据平台在所述商品粒度中提取商品的关键特征向量，得到商品粒度特征向量表；
S32、将所述商品粒度特征向量表通过协同过滤算法进行机器学习训练，得到相似度模型，其中，协同过滤算法集成于大数据平台的机器学习库中；
S33、基于所述相似度模型遍历预购商品池，计算出所述预购商品池中每个商品与所述在售商品池中各个商品的相似度；
S34、将所述在售商品池中与预购商品池的商品的相似度大于预设相似度的商品作为该预购商品池的商品的相似商品，以形成所述预购商品池中每个商品的相似商品列表；
具体地，预设相似度是提前设置好的，预设相似度设置的越高，预购商品池中每个商品对应于在售商品池中的相似商品则越少，但相似商品列表中的每个相似商品与对应的预售商品池中商品的相似程度也会更高。
S35、根据用户查询的预购商品ID，将关联到的所述预购商品ID的相似商品列表中的相似商品推荐给用户。
在本实施例中，将所述在售商品池中与预购商品池的商品的相似度大于预设相似度的商品作为相似商品，能够进一步保证向用户推荐的商品与预购商品都是非常相似的。
发明人在实施本申请的过程中还发现：如果在给用户推荐商品时无序推荐，那么用户可能需要浏览很多个相似商品后才能找到想要购买的商品，会影响用户的购物体验。
为了便于用户快速找到想要购买的商品，图4是本申请的第四个较优选实施例提供的一种相似商品的推荐方法，其是在图3所示的第三个较优选实施例中作进一步改进，所述方法的主要步骤描述如下：
S40、获取在售商品池中的商品信息，其中，所述商品信息至少包括商品粒度；
S41、基于大数据平台在所述商品粒度中提取商品的关键特征向量，得到商品粒度特征向量表；
S42、将所述商品粒度特征向量表通过协同过滤算法进行机器学习训练，得到相似度模型，其中，协同过滤算法集成于大数据平台的机器学习库中；
S43、基于所述相似度模型遍历预购商品池，计算出所述预购商品池中每个商品与所述在售商品池中各个商品的相似度，以形成所述预购商品池中每个商品的相似商品列表；
S44、将所述在售商品池中与预购商品池的商品的相似度大于预设相似度的商品作为该预购商品池的商品的相似商品；
S45、根据用户查询的预购商品ID，关联到所述预购商品ID的相似商品列表；
S46、基于所述相似商品列表中的相似商品与所述预购商品ID对应的预购商品的相似度，按照从高相似度到低相似度的顺序将相似商品推荐给用户。
具体地，将商品相似列表中相似度最高的相似商品优先推荐给用户，减少向用户推荐相似商品的次数。
本申请实施例在向用户推荐相似商品时，根据与预购商品相似度的高低，依次向用户推荐，让用户能够更快地找到想要购买的商品，进一步提升用户的购买体验，保证用户在购物全程的舒适度。
图5所示为本申请的第五个较优选实施例提供的一种相似商品的推荐装置，该装置与上述实施例中的方法一一对应，所述装置包括：
在售商品信息获取模块501，用于获取在售商品池中的商品信息；
商品特征建模预处理模块502，用于基于大数据平台在所述商品粒度中提取关键特征向量，得到商品粒度特征向量表；
模型训练模块503，用于将所述商品粒度特征向量表通过协同过滤算法进行机器学习训练，得到相似度模型；
相似商品列表形成模块504，用于基于所述相似度模型遍历预购商品池，得到所述预购商品池中每个商品对应于所述在售商品池的相似商品，以形成所述预购商品池中每个商品的相似商品列表；
预购商品关联推荐模块505，用于根据用户查询的预购商品ID，将关联到的所述预购商品ID的相似商品列表中的相似商品推荐给用户。
优选的，所述装置还包括：
相似列表存储模块，用于将所述预购商品池中每个商品的相似商品列表保存在搜索服务器中。
优选的，所述相似列表存储模块还包括：
实时更新单元，用于根据所述在售商品池中的商品的在售信息和库存信息，实时更新保存在搜索服务器中的相似商品列表。
优选的，所述相似商品列表形成模块504具体包括：
相似度计算单元，用于基于所述相似度模型遍历预购商品池，计算出所述预购商品池中每个商品与所述在售商品池中各个商品的相似度；
相似商品列表单元，用于将所述在售商品池中与预购商品池的商品的相似度大于预设相似度的商品作为该预购商品池的商品的相似商品，以形成所述预购商品池中每个商品的相似商品列表。
优选的，所述预购商品关联推荐模块505具体包括：
数据关联单元，用于根据用户查询的预购商品ID，关联到所述预购商品ID的相似商品列表；
关联商品推荐单元，用于基于所述相似商品列表中的相似商品与所述预购商品ID对应的商品的相似度，按照从高相似度到低相似度的顺序将相似商品推荐给用户。
优选的，所述预购商品关联推荐模块505具体包括：
当前预购数量获取单元，用于根据用户查询的预购商品ID，获取所述预购商品ID对应的商品的当前预购数量；
商品推荐单元，用于在所述当前预购数量大于预设预购数量时，将关联到的所述ID的相似商品列表中的相似商品推荐给用户。
第六个较优选实施例中提供了一种设备，包括存储器、处理器以及存储在所述存储器中并能在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任意一项的相似商品的推荐方法的步骤。
第七个较优选实施例中提供了一种存储介质，所述存储介质中存储有计算机程序，所述计算机程序被处理器执行时上述任意一项的相似商品的推荐方法的步骤。
以上所述是本申请的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本申请的保护范围。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、ROM(Read-Only Memory，只读存储记忆体)或RAM(Random Access Memory，随机存储记忆体)等。

Claims (8)

1.一种相似商品的推荐方法，其特征在于，包括：
获取在售商品池中的商品信息，其中，所述商品信息至少包括商品粒度；
基于大数据平台在所述商品粒度中提取关键特征向量，得到商品粒度特征向量表；
将所述商品粒度特征向量表通过协同过滤算法进行机器学习训练，得到相似度模型，其中，协同过滤算法集成于大数据平台的机器学习库中；
基于所述相似度模型遍历预购商品池，得到所述预购商品池中每个商品对应于所述在售商品池的相似商品，以形成所述预购商品池中每个商品的相似商品列表；
根据用户查询的预购商品ID，将关联到的所述预购商品ID的相似商品列表中的相似商品推荐给用户。
2.根据权利要求1所述相似商品的推荐方法，其特征在于，所述方法还包括：
将所述预购商品池中每个商品的相似商品列表保存在搜索服务器中。
3.根据权利要求2所述相似商品的推荐方法，其特征在于，所述方法还包括：
根据所述在售商品池中的商品的在售信息和库存信息，实时更新保存在搜索服务器中的相似商品列表。
4.根据权利要求1所述相似商品的推荐方法，其特征在于，所述基于所述相似度模型遍历预购商品池，得到所述预购商品池中每个商品对应于所述在售商品池的相似商品，以形成所述预购商品池中每个商品的相似商品列表，具体包括：
基于所述相似度模型遍历预购商品池，计算出所述预购商品池中每个商品与所述在售商品池中各个商品的相似度；
将所述在售商品池中与预购商品池的商品的相似度大于预设相似度的商品作为该预购商品池的商品的相似商品，以形成所述预购商品池中每个商品的相似商品列表。
5.根据权利要求4所述相似商品的推荐方法，其特征在于，所述根据用户查询的预购商品ID，将关联到的所述预购商品ID的相似商品列表中的相似商品推荐给用户，具体包括：
根据用户查询的预购商品ID，关联到所述预购商品ID的相似商品列表；
基于所述相似商品列表中的相似商品与所述预购商品ID对应的预购商品的相似度，按照从高相似度到低相似度的顺序将相似商品推荐给用户。
6.一种相似商品的推荐装置，其特征在于，包括：
在售商品信息获取模块，用于获取在售商品池中的商品信息；
商品特征建模预处理模块，用于基于大数据平台在所述商品粒度中提取关键特征向量，得到商品粒度特征向量表；
模型训练模块，用于将所述商品粒度特征向量表通过协同过滤算法进行机器学习训练，得到相似度模型；
相似商品列表形成模块，用于基于所述相似度模型遍历预购商品池，得到所述预购商品池中每个商品对应于所述在售商品池的相似商品，以形成所述预购商品池中每个商品的相似商品列表；
预购商品关联推荐模块，用于根据用户查询的预购商品ID，将关联到的所述预购商品ID的相似商品列表中的相似商品推荐给用户。
7.一种设备，其特征在于，包括存储器、处理器以及存储在所述存储器中并能在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1-5任意一项所述相似商品的推荐方法的步骤。
8.一种存储介质，其特征在于，所述存储介质中存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1-5任意一项所述相似商品的推荐方法的步骤。
CN202111455175.8A 2021-12-01 2021-12-01 一种相似商品的推荐方法、装置、设备及存储介质 Pending CN114240545A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111455175.8A CN114240545A (zh) 2021-12-01 2021-12-01 一种相似商品的推荐方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111455175.8A CN114240545A (zh) 2021-12-01 2021-12-01 一种相似商品的推荐方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN114240545A true CN114240545A (zh) 2022-03-25

Family

ID=80752635

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111455175.8A Pending CN114240545A (zh) 2021-12-01 2021-12-01 一种相似商品的推荐方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN114240545A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117808564A (zh) * 2024-03-01 2024-04-02 深圳市拓保软件有限公司 一种基于人工智能的用户数据推荐方法及装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117808564A (zh) * 2024-03-01 2024-04-02 深圳市拓保软件有限公司 一种基于人工智能的用户数据推荐方法及装置
CN117808564B (zh) * 2024-03-01 2024-05-28 深圳市拓保软件有限公司 一种基于人工智能的用户数据推荐方法及装置

Similar Documents

Publication Publication Date Title
US10846775B1 (en) Identifying item recommendations through recognized navigational patterns
CN108898459B (zh) 一种商品推荐方法及装置
CN109087177B (zh) 向目标用户推荐商品的方法、装置及计算机可读存储介质
CN108665333B (zh) 商品推荐方法、装置、电子设备和存储介质
CN108960992A (zh) 一种信息推荐方法以及相关设备
US11775926B2 (en) Machine-learned model for optimizing selection sequence for items in a warehouse
US11816721B2 (en) Recommendation apparatus and method
US10147129B1 (en) Determining collections of similar items
CN107016587B (zh) 一种个性化页面推送方法及装置
CN110458640A (zh) 一种商品展示方法、装置、服务器和可存储介质
CN107016006B (zh) 一种页面展示方法及系统
JP6976207B2 (ja) 情報処理装置、情報処理方法、およびプログラム
CN111753158A (zh) 直播平台商品搜索方法、装置、计算机设备及存储介质
CN107239524A (zh) 一种对象推荐方法及设备
CN108122126B (zh) 关联规则的扩充方法、应用其的装置及电脑可读取介质
CN112132660B (zh) 商品推荐方法、系统、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
CN111028029A (zh) 一种线下商品推荐方法、装置和电子设备
US20190205769A1 (en) Data Processing Method, Apparatus, Device and Computer Readable Storage Media
CN111027351A (zh) 一种线下商品推荐方法、装置和电子设备
CN114240545A (zh) 一种相似商品的推荐方法、装置、设备及存储介质
CN113689258A (zh) 一种商品推荐热度生成方法及系统
CN110287410A (zh) 一种o2o电商场景下用户的多种推荐算法的融合方法
CN115641179A (zh) 信息推送方法、装置及电子设备
CN110020918B (zh) 一种推荐信息生成方法和系统

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