CN114663197A - 商品推荐方法及其装置、设备、介质、产品 - Google Patents
商品推荐方法及其装置、设备、介质、产品 Download PDFInfo
- Publication number
- CN114663197A CN114663197A CN202210399033.2A CN202210399033A CN114663197A CN 114663197 A CN114663197 A CN 114663197A CN 202210399033 A CN202210399033 A CN 202210399033A CN 114663197 A CN114663197 A CN 114663197A
- Authority
- CN
- China
- Prior art keywords
- commodity
- user
- commodities
- list
- score
- 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
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/334—Query execution
- G06F16/3344—Query execution using natural language analysis
-
- 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
- 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
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
-
- 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
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0277—Online advertisement
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- General Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Databases & Information Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开一种商品推荐方法及其装置、设备、介质、产品,所述方法包括:获取用户的历史行为数据及用户埋点数据;构造该用户相对应的商品备选列表,所述商品备选列表包含根据所述用户埋点数据及根据不同粒度和维度的所述历史行为数据所确定的商品的商品信息;根据预设算法计算确定所述商品备选列表中各个商品的推荐评分,优选出推荐评分高于预设阈值的商品,获得相应的商品推荐列表。本申请可精准推荐用户偏好的商品。
Description
技术领域
本申请涉及电商网络技术领域,尤其涉及一种商品推荐方法及其相应的装置、计算机设备、计算机可读存储介质,以及计算机程序产品。
背景技术
随着电子商务规模的不断扩大,商品品类数量和各商品品类对应的商品数量快速增长,由于信息量比较大,需要用户花费大量时间浏览大量无关的商品信息才能找到自己想要购买的商品,这种信息过载问题导致消费者不断流失,难以提高电子商务的购买转化率。因此,在电子商务活动中常帮助用户快速决策而提供商品推荐,以期提高购买转化率。
目前,商品推荐一般采用商品的历史转化情况例如点击率、转化率、复购率等等进行推荐,主要推荐的是独立站点的商品库中的热门商品。此种方式对于用户偏好、用户历史行为关联的商品以及相似商品挖掘力度不够充分,使得推荐效果并未满足用户需求,另外,由于新用户暂无用户历史行为的情况下,无法采取上述商品推荐方法,难以为该类用户进行商品推荐。从目前诸多电商平台的终端APP或电商平台网页的商品推荐列表以及专利检索数据来看,传统技术中均未有有效解决这一问题的技术方案。
对于传统技术的不足,本申请人做出相应的探索。
发明内容
本申请的首要目的在于解决上述问题至少之一而提供一种商品推荐方法及其相应的装置、计算机设备、计算机可读存储介质、计算机程序产品。
为满足本申请的各个目的,本申请采用如下技术方案:
适应本申请的目的之一而提供的一种商品推荐方法,包括如下步骤:
获取用户的历史行为数据及用户埋点数据;
构造该用户相对应的商品备选列表,所述商品备选列表包含根据所述用户埋点数据及根据不同粒度和维度的所述历史行为数据所确定的商品的商品信息;
根据预设算法计算确定所述商品备选列表中各个商品的推荐评分,优选出推荐评分高于预设阈值的商品,获得相应的商品推荐列表。
进一步的实施例中,构造该用户相对应的商品备选列表,包括如下步骤:
根据用户历史行为数据所包含的商品的商品信息特征确定与其构成相匹配的粗粒度商品列表;
根据用户历史行为数据所包含的商品的关联共性特征确定与其构成相匹配的细粒度商品列表;
根据当前用户与其他用户的用户历史行为数据的共性特征确定与其构成相匹配的用户维度商品列表;
根据用户埋点数据所提供的用户即时信息确定与其构成相匹配的时效性商品列表,所述用户即时信息包括用户所处地理位置和/或用户设备特征信息;
将所述各个商品列表合并为商品备选列表。
进一步的实施例中,根据用户历史行为数据所包含的商品的商品信息特征确定与其构成相匹配的粗粒度商品列表,包括如下步骤:
获取用户历史行为数据所包含的商品的商品信息中的商品图片、商品标题,将其与独立站点的商品数据库的商品的商品信息中的商品图片、商品标题相对应的计算出图片相似度和文本相似度;
根据所述图片相似度和文本相似度构建两者相对应的粗粒度商品列表。
进一步的实施例中,根据用户历史行为数据所包含的商品的关联共性特征确定与其构成相匹配的细粒度商品列表,包括如下步骤:
以商品类别/商品标签为关联共性特征,根据预设的热销商品计算公式计算出独立站点的商品数据库的各个商品类别/商品标签相对应的各个商品的点击购买率,优选出各个商品类别/商品标签中相对应的点击购买率高于预设阈值的商品作为热销商品;
根据所述用户的历史行为数据调用预设的商品类别/商品标签购买占比计算公式获得相应的类别购买占比/标签购买占比;
根据所述类别购买占比/标签购买占比从对应的商品类别/商品标签的热销商品中确定部分热销商品构建相应的细粒度商品列表;
以商品价格为关联共性特征,根据所述用户的历史行为数据确定商品价格上下限,从独立站点的商品数据库中检索符合该商品价格上下限的商品构建相应的细粒度商品列表。
进一步的实施例中,根据当前用户与其他用户的用户历史行为数据的共性特征确定与其构成相匹配的用户维度商品列表,包括如下步骤:
应用预设的共性相似计算公式,根据当前用户与其他用户的用户历史行为数据共同包含的商品的数量作为共性特征,计算出该当前用户与该其他用户之间的相似度;
根据所述相似度从所述其他用户中确定与所述当前用户相似的用户,以其对应的用户历史行为数据包含的商品构建用户维度商品列表。
进一步的实施例中,根据预设算法计算确定所述商品备选列表中各个商品的推荐评分,包括如下步骤:
应用预设的广告热度计算公式,根据所述商品备选列表中各个商品的每天投放广告量、投放时间以及独立站点近期投放商品广告的转化率,计算出各个商品对应的广告热度分值;
应用预设的新鲜度计算公式,根据所述商品备选列表中各个商品的上架日期计算出各个商品对应的新鲜度分值;
应用预设的点击指数计算公式,根据所述商品备选列表中各个商品的点击量和浏览量,计算出各个商品对应的点击指数分值;
获取电商平台中各个独立站点的商品搜索记录文本,从中提取出关键词文本构建关键词集合,获取所述商品备选列表中各个商品对应的关键词文本,应用预设的流行度计算公式,根据各个商品对应的关键词文本与该关键词集合中的关键词文本之间的相似度加权,计算出各个商品对应的流行度分值;
应用预设的折扣度计算公式,根据所述商品备选列表中各个商品的商品折扣排名以及独立站点的商品数据库中的商品数量,计算出各个商品对应的折扣度分值;
获取所述商品备选列表中各个商品在独立站点中对应的商品销量排名、商品类别销量排名、商品标签销量排名,调用预先训练至收敛的销量指数计算模型计算出各个商品的销量指数分值;
将所述各个商品对应的广告热度分值、新鲜度分值、点击指数分值、流行度分值、折扣度分值、销量指数分值加总为各个商品的推荐评分。
进一步的实施例中,获取所述商品备选列表中各个商品在独立站点中对应的商品销量排名、商品类别销量排名、商品标签销量排名,调用预先训练至收敛的销量指数计算模型计算出各个商品的销量指数分值的步骤中,所述销量指数计算模型的训练过程,包括如下迭代执行步骤:
获取数据集中的训练样本,所述训练样本包含独立站点的商品对应的商品销量排名、商品类别销量排名、商品标签销量排名,以及表征商品是否被用户点击相对应的监督标签;
将所述训练样本输入所述销量指数计算模型提取相应的深层语义特征,获得特征向量;
采用分类器对所述特征向量进行分类映射,预测出训练样本对应的商品被用户点击的概率;
根据所述监督标签计算出所述分类器预测的概率对应的交叉熵损失值,根据该交叉熵损失值对模型实施梯度更新直至该模型收敛。
适应本申请的目的之一而提供的一种商品推荐装置,包括:数据获取模块、列表构造模块、以及评分计算模块,其中,数据获取模块,用于获取用户的历史行为数据及用户埋点数据;列表构造模块,用于构造该用户相对应的商品备选列表,所述商品备选列表包含根据所述用户埋点数据及根据不同粒度和维度的所述历史行为数据所确定的商品的商品信息;评分计算模块,用于根据预设算法计算确定所述商品备选列表中各个商品的推荐评分,优选出推荐评分高于预设阈值的商品,获得相应的商品推荐列表。
进一步的实施例中,所述列表构造模块,包括:粗粒度商品列表构建子模块,用于根据用户历史行为数据所包含的商品的商品信息特征确定与其构成相匹配的粗粒度商品列表;细粒度商品列表构建子模块,用于根据用户历史行为数据所包含的商品的关联共性特征确定与其构成相匹配的细粒度商品列表;用户维度商品列表构建子模块,用于根据当前用户与其他用户的用户历史行为数据的共性特征确定与其构成相匹配的用户维度商品列表;时效性商品列表构建子模块,用于根据用户埋点数据所提供的用户即时信息确定与其构成相匹配的时效性商品列表,所述用户即时信息包括用户所处地理位置和/或用户设备特征信息;列表合并子模块,用于将所述各个商品列表合并为商品备选列表。
进一步的实施例中,所述粗粒度商品列表构建子模块,包括:相似度计算单元,用于获取用户历史行为数据所包含的商品的商品信息中的商品图片、商品标题,将其与独立站点的商品数据库的商品的商品信息中的商品图片、商品标题相对应的计算出图片相似度和文本相似度;粗粒度商品列表构建单元,用于根据所述图片相似度和文本相似度构建两者相对应的粗粒度商品列表。
进一步的实施例中,所述细粒度商品列表构建子模块,包括:热销商品优选单元,用于以商品类别/商品标签为关联共性特征,根据预设的热销商品计算公式计算出独立站点的商品数据库的各个商品类别/商品标签相对应的各个商品的点击购买率,优选出各个商品类别/商品标签中相对应的点击购买率高于预设阈值的商品作为热销商品;购买占比计算单元,用于根据所述用户的历史行为数据调用预设的商品类别/商品标签购买占比计算公式获得相应的类别购买占比/标签购买占比;细粒度商品列表构建单元,用于根据所述类别购买占比/标签购买占比从对应的商品类别/商品标签的热销商品中确定部分热销商品构建相应的细粒度商品列表;细粒度商品列表构建单元,用于以商品价格为关联共性特征,根据所述用户的历史行为数据确定商品价格上下限,从独立站点的商品数据库中检索符合该商品价格上下限的商品构建相应的细粒度商品列表。
进一步的实施例中,所述用户维度商品列表构建子模块,包括:相似度计算单元,用于应用预设的共性相似计算公式,根据当前用户与其他用户的用户历史行为数据共同包含的商品的数量作为共性特征,计算出该当前用户与该其他用户之间的相似度;用户维度商品列表构建单元,用于根据所述相似度从所述其他用户中确定与所述当前用户相似的用户,以其对应的用户历史行为数据包含的商品构建用户维度商品列表。
进一步的实施例中,所述评分计算模块,包括:广告热度计算子模块,用于应用预设的广告热度计算公式,根据所述商品备选列表中各个商品的每天投放广告量、投放时间以及独立站点近期投放商品广告的转化率,计算出各个商品对应的广告热度分值;新鲜度计算子模块,用于应用预设的新鲜度计算公式,根据所述商品备选列表中各个商品的上架日期计算出各个商品对应的新鲜度分值;点击指数计算子模块,用于应用预设的点击指数计算公式,根据所述商品备选列表中各个商品的点击量和浏览量,计算出各个商品对应的点击指数分值;流行度计算子模块,用于获取电商平台中各个独立站点的商品搜索记录文本,从中提取出关键词文本构建关键词集合,获取所述商品备选列表中各个商品对应的关键词文本,应用预设的流行度计算公式,根据各个商品对应的关键词文本与该关键词集合中的关键词文本之间的相似度加权,计算出各个商品对应的流行度分值;折扣度计算子模块,用于应用预设的折扣度计算公式,根据所述商品备选列表中各个商品的商品折扣排名以及独立站点的商品数据库中的商品数量,计算出各个商品对应的折扣度分值;销量指数计算子模块,用于获取所述商品备选列表中各个商品在独立站点中对应的商品销量排名、商品类别销量排名、商品标签销量排名,调用预先训练至收敛的销量指数计算模型计算出各个商品的销量指数分值;推荐评分求取子模块,用于将所述各个商品对应的广告热度分值、新鲜度分值、点击指数分值、流行度分值、折扣度分值、销量指数分值加总为各个商品的推荐评分。
进一步的实施例中,所述销量指数计算子模块中,所述销量指数计算模型的训练过程,包括:训练样本获取单元,用于获取数据集中的训练样本,所述训练样本包含独立站点的商品对应的商品销量排名、商品类别销量排名、商品标签销量排名,以及表征商品是否被用户点击相对应的监督标签;特征提取单元,用于将所述训练样本输入所述销量指数计算模型提取相应的深层语义特征,获得特征向量;分类映射单元,用于采用分类器对所述特征向量进行分类映射,预测出训练样本对应的商品被用户点击的概率;梯度更新单元,用于根据所述监督标签计算出所述分类器预测的概率对应的交叉熵损失值,根据该交叉熵损失值对模型实施梯度更新直至该模型收敛。
适应本申请的目的之一而提供的一种计算机设备,包括中央处理器和存储器,所述中央处理器用于调用运行存储于所述存储器中的计算机程序以执行本申请所述的广告投放选品方法的步骤。
适应本申请的另一目的而提供的一种计算机可读存储介质,其以计算机可读指令的形式存储有依据所述的广告投放选品方法所实现的计算机程序,该计算机程序被计算机调用运行时,执行该方法所包括的步骤。
根据本申请的典型实施例及其变通实施例可以知晓,本申请的技术方案存在多方面优势,包括但不限于如下各方面:
本申请不仅在宏观层面利用用户行为数据与商品进行语义匹配,以确定出待推荐的商品,而且进一步综合了更加细化的粒度和不同维度信息,从多个方面提取更加细化的个性化特征,匹配出相关商品,增补为可选的待推荐的商品,从而以宏观和微观两个层面的商品数据为基础,在此基础上,利用预设的算法计算出各个商品的商品热度对应的多项分值作为推荐评分,据此筛选出商品推荐列表,可见,由于信息全面,且综合了更细粒度和更多维度的信息,使得所筛选出来的商品更加全面科学,能够精准匹配用户需求,增强商品推荐效果,能够让更多具备推荐价值的商品能够被推荐而曝光,产生可观的经济效益。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为本申请的商品推荐方法的典型实施例的流程示意图;
图2为本申请实施例中构造商品备选列表的流程示意图;
图3为本申请实施例中构造粗粒度商品列表的流程示意图;
图4为本申请实施例中构造细粒度商品列表的流程示意图;
图5为本申请实施例中构造用户维度商品列表的流程示意图;
图6为本申请实施例中计算商品的推荐评分的流程示意图;
图7为本申请实施例中销量指数计算模型的训练过程的流程示意图;
图8为本申请的商品推荐装置的原理框图;
图9为本申请所采用的一种计算机设备的结构示意图。
具体实现方式
下面详细描述本申请的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本申请,而不能解释为对本申请的限制。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本申请的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解,当我们称元件被“连接”或“耦接”到另一元件时,它可以直接连接或耦接到其他元件,或者也可以存在中间元件。此外,这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语),具有与本申请所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语,应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样被特定定义,否则不会用理想化或过于正式的含义来解释。
本技术领域技术人员可以理解,这里所使用的“客户端”、“终端”、“终端设备”既包括无线信号接收器的设备,其仅具备无发射能力的无线信号接收器的设备,又包括接收和发射硬件的设备,其具有能够在双向通信链路上,进行双向通信的接收和发射硬件的设备。这种设备可以包括:蜂窝或其他诸如个人计算机、平板电脑之类的通信设备,其具有单线路显示器或多线路显示器或没有多线路显示器的蜂窝或其他通信设备;PCS(PersonalCommunications Service,个人通信系统),其可以组合语音、数据处理、传真和/或数据通信能力;PDA(Personal Digital Assistant,个人数字助理),其可以包括射频接收器、寻呼机、互联网/内联网访问、网络浏览器、记事本、日历和/或GPS(Global PositioningSystem,全球定位系统)接收器;常规膝上型和/或掌上型计算机或其他设备,其具有和/或包括射频接收器的常规膝上型和/或掌上型计算机或其他设备。这里所使用的“客户端”、“终端”、“终端设备”可以是便携式、可运输、安装在交通工具(航空、海运和/或陆地)中的,或者适合于和/或配置为在本地运行,和/或以分布形式,运行在地球和/或空间的任何其他位置运行。这里所使用的“客户端”、“终端”、“终端设备”还可以是通信终端、上网终端、音乐/视频播放终端,例如可以是PDA、MID(Mobile Internet Device,移动互联网设备)和/或具有音乐/视频播放功能的移动电话,也可以是智能电视、机顶盒等设备。
本申请所称的“服务器”、“客户端”、“服务节点”等名称所指向的硬件,本质上是具备个人计算机等效能力的电子设备,为具有中央处理器(包括运算器和控制器)、存储器、输入设备以及输出设备等冯诺依曼原理所揭示的必要构件的硬件装置,计算机程序存储于其存储器中,中央处理器将存储在外存中的程序调入内存中运行,执行程序中的指令,与输入输出设备交互,借此完成特定的功能。
需要指出的是,本申请所称的“服务器”这一概念,同理也可扩展到适用于服务器机群的情况。依据本领域技术人员所理解的网络部署原理,所述各服务器应是逻辑上的划分,在物理空间上,这些服务器既可以是互相独立但可通过接口调用的,也可以是集成到一台物理计算机或一套计算机机群的。本领域技术人员应当理解这一变通,而不应以此约束本申请的网络部署方式的实施方式。
本申请的一个或数个技术特征,除非明文指定,既可部署于服务器实施而由客户端远程调用获取服务器提供的在线服务接口来实施访问,也可直接部署并运行于客户端来实施访问。
本申请所涉及的各种数据,除非明文指定,既可远程存储于服务器,也可存储于本地终端设备,只要其适于被本申请的技术方案所调用即可。
本领域技术人员对此应当知晓:本申请的各种方法,虽然基于相同的概念而进行描述而使其彼此间呈现共通性,但是,除非特别说明,否则这些方法都是可以独立执行的。同理,对于本申请所揭示的各个实施例而言,均基于同一发明构思而提出,因此,对于相同表述的概念,以及尽管概念表述不同但仅是为了方便而适当变换的概念,应被等同理解。
本申请即将揭示的各个实施例,除非明文指出彼此之间的相互排斥关系,否则,各个实施例所涉的相关技术特征可以交叉结合而灵活构造出新的实施例,只要这种结合不背离本申请的创造精神且可满足现有技术中的需求或解决现有技术中的某方面的不足即可。对此变通,本领域技术人员应当知晓。
本申请的一种商品推荐方法,可被编程为计算机程序产品,部署于客户端或服务器中运行而实现,例如在本申请的电商平台应用场景中,一般部署在服务器中实施,藉此可以通过访问该计算机程序产品运行后开放的接口,通过图形用户界面与该计算机程序产品的进程进行人机交互而执行该方法。
请参阅图1,本申请的商品推荐方法在其典型实施例中,包括如下步骤:
步骤S1100、获取用户的历史行为数据及用户埋点数据;
本申请的技术方案以电商平台的运行环境为其应用环境,所述电商平台,可以是开放独立站点服务的电商平台,典型的,例如跨境电商平台。此类平台由于需要考虑全球各地之间的网络环境以及各商家之间的独立性,而通过将每个商家的店铺配置为一个个的独立站点,从而使电商平台服务于大量的此类独立站点。
历史行为数据,是用户在访问与商品相关的数据时由服务器记录的数据。通常,当用户访问一个商品详情页面时,在终端设备向服务器发送获取该页面的请求,服务器相应推送该页面至用户终端设备,并生成一个相应的数据记录作为对应的用户行为数据。同理,对于电商的商品购买流程而言,对应用户下单、支付等等业务环节,也会产生相应的用户行为记录。可见,用户行为数据存储了用户各类型访问事件与其相对应的商品之间以及与商品信息之间的映射关系数据。可对用户行为数据按需进行统计获得对应的宏观层面的用户行为特征,例如,根据用户的下单支付行为产生的购买订单可统计出购买各个商品的商品数量、购买的商品总量,购买各个商品的商品数量、购买的总购买次数,根据用户点击获取商品详情页行为统计出点击的总点击次数。进一步,根据宏观层面的用户行为特征包含的商品的商品信息确定微观层面的粗粒度的商品信息特征以及细粒度的共性关联特征,例如粗粒度的商品信息特征可为用户点击和购买的商品的商品图片、商品标题,细粒度的共性关联特征可为用户购买的商品的商品类别、商品标签、商品价格。另外,进一步,根据不同用户相对应的宏观层面的用户行为特征确定微观层面的用户维度的共性特征,例如用户之间共同购买的商品的商品数量。据此,将所述宏观层面的用户行为特征以及微观层面的不同粒度、用户维度的特征作为所述历史行为数据,将历史行为数据关联对应的用户存储至独立站点中,本领域技术人员可据用户对应的唯一标识获取用户的历史行为数据,从而后续可根据历史行为数据包含的特征相对应的匹配商品作为待推荐商品。
一般而言,电商平台为服务各个独立站点相应设置商品类别体系、商品标签体系,商品类别体系包含多层级商品类别,每个上级商品类别包含一个或多个下级商品类别,同理商品标签体系亦是如此,示范性举例所述上级商品类别为衣服,对应的下级商品类别为上衣、裤袜,所述上级商品标签为颜色,下级商品标签为时髦颜色、点缀颜色、常用颜色、标配颜色,据此,应用所述商品类别体系和商品标签体系的独立站点,使得独立站点的商品都有对应的商品类别和商品标签。
第一种实施例中,用户埋点数据,通常是为了统计用户在终端设备的操作行为所需,而在被操作控件的执行代码中预置相关的指令,将从终端设备中采集的数据格式化后,上传到相关服务器存储。例如:用户在终端设备的点击行为,对应该点击操作的控件的执行代码中的统计点击次数指令被触发,该控件指向的商品的点击数增加一次,默认该点击数为0,同理,购买行为亦可如此。由此,可获得用户点击各个商品的点击次数,购买各个商品的购买次数作为该用户的用户埋点数据。
第二种实施例中,允许本领域技术人员在独立站点设置相应的用户提示,当用户同意该提示需要执行的操作时,获取用户所处地理位置和/或用户设备型号作为用户埋点数据。
所述用户埋点数据包含所述第一、二种实施例中的用户埋点数据。
将所述用户的历史行为数据及用户埋点数据关联对应的用户存储于独立站点中,并据其封装相应的接口以便获取,由此,通过所述封装的接口获取用户的历史行为数据及用户埋点数据,所述接口的封装可由本领域技术人员灵活变通设置。
步骤S1200、构造该用户相对应的商品备选列表,所述商品备选列表包含根据所述用户埋点数据及根据不同粒度和维度的所述历史行为数据所确定的商品的商品信息;
根据用户过去点击行为和购买行为所包含的商品的商品图片、商品标题,确定与其相似的独立站点的商品数据库中的商品构建粗粒度商品列表,所述相似的确定,具体而言,可通过计算出用户过去点击行为和购买行为所包含的商品与独立站点的商品数据库中的商品两者对应的商品图片、商品标题之间的图片相似度和文本相似度,进而以相似度是否超过预设阈值确定所述两者的商品是否相似,所述预设阈值可由本领域技术人员按需设置。
一种实施例中,根据用户过去购买行为所包含的各个商品的购买次数,统计出各个商品类别/商品标签的购买次数,获取用户过去购买行为所包含的总购买次数,将该各个商品类别/商品标签的购买次数除以该总购买次数,获得各个商品类别/商品标签相对应的购买占比,进而根据该购买占比相对应的获取独立站点的商品数据库中对应的商品类别/商品标签的部分商品构建细粒度商品列表。
另一种实施例中,根据用户过去购买行为包含的各个商品对应的商品价格,以各个商品的商品价格确定价格上下限,进而根据该价格上下限从独立站点的商品数据库中取出相对应的商品构建细粒度商品列表。
根据当前用户和其他用户过去购买行为所共同包含的商品的商品数量即过去购买同样的商品的商品数量,确定与当前用户相似的其他用户过去购买行为所包含的商品构建用户维度商品列表,所述相似的确定,具体而言,可通过计算所述过去购买同样的商品的商品数量除以当前用户过去购买行为包含的购买的商品总量和其他用户过去购买行为包含购买的商品总量之和作为当前用户和其他用户之间的相似度,进而以相似度是否超过预设阈值确定当前用户和其他用户之间是否相似,所述预设阈值可由本领域技术人员按需设置。
根据用户埋点数据中的用户所处地理位置和用户设备型号,确定该用户所处地理位置的其他用户过去点击行为和购买行为包含的总点击次数和总购买次数,选取该总点击次数和总购买次数超过第一预设阈值的商品;另外,根据用户埋点数据所提供的用户即时信息中的用户设备型号,确定该用户设备型号的其他用户过去点击行为和购买行为包含的总点击次数和总购买次数,选取该总点击次数和总购买次数超过第二预设阈值的商品,以所述超过第一、二预设阈值相对应的商品构建所述时效性商品列表,所述第一、二预设阈值可由本领域技术人员根据先验知识或实验经验灵活变通设置。
将所述粗颗粒商品列表、细颗粒商品列表、用户维度商品列表、时效性商品列表合并成为商品备选列表。
步骤S1300、根据预设算法计算确定所述商品备选列表中各个商品的推荐评分,优选出推荐评分高于预设阈值的商品,获得相应的商品推荐列表。
所述预设算法包含但不限于预设的广告热度计算公式、预设的新鲜度计算公式、预设的点击指数计算公式、预设的折扣度计算公式,此处计算公式,由本申请后续部分实施例进一步揭示,本步骤暂且不表。
根据预设算法计算出确定所述商品备选列表中各个商品对应的广告热度分值、新鲜度分值、点击指数分值、折扣度分值,进而将这些分值相加作为所述推荐评分,进而优选出推荐评分高于预设阈值的商品,获得相应的商品推荐列表,所述预设阈值可由本领域技术人员根据先验知识或实验经验灵活变通设置。
根据本申请的典型实施例可以知晓,本申请的技术方案存在多方面优势,包括但不限于如下各方面:
本申请不仅在宏观层面利用用户行为数据与商品进行语义匹配,以确定出待推荐的商品,而且进一步综合了更加细化的粒度和不同维度信息,从多个方面提取更加细化的个性化特征,匹配出相关商品,增补为可选的待推荐的商品,从而以宏观和微观两个层面的商品数据为基础,在此基础上,利用预设的算法计算出各个商品的商品热度对应的多项分值作为推荐评分,据此筛选出商品推荐列表,可见,由于信息全面,且综合了更细粒度和更多维度的信息,使得所筛选出来的商品更加全面科学,能够精准匹配用户需求,增强商品推荐效果,能够让更多具备推荐价值的商品能够被推荐而曝光,产生可观的经济效益。
请参阅图2,进一步的实施例中,步骤S1200、构造该用户相对应的商品备选列表,包括如下步骤:
步骤S1210、根据用户历史行为数据所包含的商品的商品信息特征确定与其构成相匹配的粗粒度商品列表;
所述用户历史行为数据包含用户过去点击、购买行为,相对应的包含的商品的商品信息特征包含用户过去点击、购买行为包含的商品的商品图片、商品标题。
一种实施例中,计算出用户过去点击、购买行为包含的商品的商品图片、商品标题与独立站点的商品数据库中的商品的商品图片、商品标题之间的相似度,根据该相似度实施匹配,确定相似度较高的商品数据库中的商品构建粗粒度商品列表,具体实现,可由本领域技术人员根据先验知识或实验经验灵活变通实现,亦可参考后续部分实施例的进一步揭示实现。
步骤S1220、根据用户历史行为数据所包含的商品的关联共性特征确定与其构成相匹配的细粒度商品列表;
所述用户历史行为数据包含用户过去点击、购买行为,相对应的包含的商品的关联共性特征包含用户过去点击、购买行为包含的商品的商品类别、商品标签、商品价格。
一般而言,电商平台为服务各个独立站点相应设置商品类别体系、商品标签体系,商品类别体系包含多层级商品类别,每个上级商品类别包含一个或多个下级商品类别,同理商品标签体系亦是如此,示范性举例所述上级商品类别为衣服,对应的下级商品类别为上衣、裤袜,所述上级商品标签为颜色,下级商品标签为时髦颜色、点缀颜色、常用颜色、标配颜色,据此,应用所述商品类别体系和商品标签体系的独立站点,使得独立站点的商品都有对应的商品类别和商品标签。
一种实施例中,根据用户购买行为,确定用户过去购买行为包含的各个商品的购买次数,统计出各个商品类别/商品标签的购买次数,以及获取用户过去购买行为所包含的总购买次数,将该各个商品类别/商品标签的购买次数除以该总购买次数,获得各个商品类别/商品标签相对应的购买占比,进而根据该购买占比相对应的获取独立站点的商品数据库中对应的商品类别/商品标签的部分商品构建细粒度商品列表,具体实现,可由本领域技术人员根据先验知识或实验经验灵活变通实现,亦可参考后续部分实施例的进一步揭示实现。
另一种实施例中,根据用户购买行为,确定用户过去购买行为包含的各个商品对应的商品价格,以各个商品的商品价格确定价格上下限,进而根据该价格上下限从独立站点的商品数据库中取出相对应的商品构建细粒度商品列表,具体实现,可由本领域技术人员根据先验知识或实验经验灵活变通实现,亦可参考后续部分实施例的进一步揭示实现。
步骤S1230、根据当前用户与其他用户的用户历史行为数据的共性特征确定与其构成相匹配的用户维度商品列表;
所述当前用户与其他用户的用户历史行为数据包含过去购买行为,对应的共性特征包含所述当前用户与其他用户的过去购买行为共同包含的商品即过去购买同样的商品。
一种实施例中,根据当前用户与其他用户的过去购买行为,确定当前用户与其他用户过去购买同样的商品的数量,以及当前用户过去购买的商品总量和其他用户过去购买的商品总量,通过计算当前用户与其他用户过去购买同样的商品的数量除以当前用户过去购买的商品总量和其他用户过去购买的商品总量之和作为当前用户与其他用户之间的相似度,进而以该相似度实施匹配,确定相似度较高的其他用户的过去购买行为包含的商品即过去购买的商品构建用户维度列表,具体实现,可由本领域技术人员根据先验知识或实验经验灵活变通实现,亦可参考后续部分实施例的进一步揭示实现。
步骤S1240、根据用户埋点数据所提供的用户即时信息确定与其构成相匹配的时效性商品列表,所述用户即时信息包括用户所处地理位置和/或用户设备特征信息;
第一种实施例中,用户埋点数据,通常是为了统计用户在终端设备的操作行为所需,而在被操作控件的执行代码中预置相关的指令,将从终端设备中采集的数据格式化后,上传到相关服务器存储。例如:用户在终端设备的点击行为,对应该点击操作的控件的执行代码中的统计点击次数指令被触发,该控件指向的商品的点击数增加一次,默认该点击数为0,同理,购买行为亦可如此。由此,可获得用户点击各个商品的点击次数,购买各个商品的购买次数作为该用户的用户埋点数据。
第二种实施例中,允许本领域技术人员在独立站点设置相应的用户提示,当用户同意该提示需要执行的操作时,获取用户所处地理位置和/或用户设备特征信息作为用户埋点数据,所述用户设备特征信息为用户设备型号。
所述用户埋点数据包含第一、二种实施例中的用户埋点数据。
一种实施例中,根据用户埋点数据所提供的用户即时信息中的用户所处地理位置,确定该用户所处地理位置的其他用户过去点击行为和购买行为包含的总点击次数和总购买次数,选取该总点击次数和总购买次数超过第一预设阈值的商品;另外,根据用户埋点数据所提供的用户即时信息中的用户设备型号,确定该用户设备型号的其他用户过去点击行为和购买行为包含的总点击次数和总购买次数,选取该总点击次数和总购买次数超过第二预设阈值的商品,以所述超过第一、二预设阈值相对应的商品构建所述时效性商品列表,所述第一、二预设阈值可由本领域技术人员根据先验知识或实验经验灵活变通设置。
步骤S1250、将所述各个商品列表合并为商品备选列表。
将所述粗颗粒商品列表、细颗粒商品列表、用户维度商品列表、时效性商品列表合并成为商品备选列表。
本实施例中,一方面,根据用户历史行为数据所包含的商品的商品信息特征、用户历史行为数据所包含的商品的关联共性特征、当前用户与其他用户的用户历史行为数据的共性特征相对应的构建各种商品列表,充分挖掘用户偏好的商品,为后续推荐奠定基础,增强推荐效果,另一方面,时效性商品列表的构建并无依赖用户的历史行为数据,使得对新用户或使用独立站点较短时间的用户颇为友好,同样能够实现向其推荐商品。
请参阅图3,进一步的实施例中,步骤S1210、根据用户历史行为数据所包含的商品的商品信息特征确定与其构成相匹配的粗粒度商品列表,包括如下步骤:
步骤S1211、获取用户历史行为数据所包含的商品的商品信息中的商品图片、商品标题,将其与独立站点的商品数据库的商品的商品信息中的商品图片、商品标题相对应的计算出图片相似度和文本相似度;
所述用户行为数据所包含的商品包括用户过去点击行为和购买行为所包含的商品。
获取用户过去点击行为和购买行为所包含的商品,进一步,通过访问独立站点的商品数据库,获取用户过去点击行为和购买行为所包含的商品的商品信息中的商品图片、商品标题,并且获取商品数据库中商品的商品信息中的商品图片、商品标题。
一种实施例中,通过应用预先训练至收敛的图片相似度计算模型、文本相似度计算模型,相应的计算出所述用户过去点击行为和购买行为所包含的商品的商品图片与商品数据库中商品的商品图片之间的相似度,以及计算出所述用户过去点击行为和购买行为所包含的商品的商品标题与商品数据库中商品的商品标题之间的相似度,所述图片相似度计算模型可为LeNet、ResNet、VGG等等,文本相似度计算模型可为DSSM、ESIM、ABCNN、BIMPM、DIIN、DRCN等等,本领域技术人员可按需选取实现。
步骤S1212、根据所述图片相似度和文本相似度构建两者相对应的粗粒度商品列表。
分别选出所述图片相似度和文本相似度超过预设阈值的所述商品数据库中的商品,构建相对应的商品图片相似商品列表和文本相似商品列表,即两个粗粒度商品列表,所述预设阈值,可由本领域技术人员根据先验知识或实验经验灵活变通设置。
本实施例中,计算出用户过去点击和购买行为所包含的商品与独立站点的商品数据库中的商品之间的相似度,选出相似度较高的商品构建粗粒度商品列表,为后续推荐奠定基础,增强推荐效果。
请参阅图4,进一步的实施例中,步骤S1220、根据用户历史行为数据所包含的商品的关联共性特征确定与其构成相匹配的细粒度商品列表,包括如下步骤:
步骤S1221、以商品类别/商品标签为关联共性特征,根据预设的热销商品计算公式计算出独立站点的商品数据库的各个商品类别/商品标签相对应的各个商品的点击购买率,优选出各个商品类别/商品标签中相对应的点击购买率高于预设阈值的商品作为热销商品;
可以在独立站点的商品数据库的各个商品被用户点击和购买时,统计点击量以及购买量,之后,将点击量和购买量关联对应的商品存储于商品数据库中以备调用。
一般而言,电商平台为服务各个独立站点相应设置商品类别体系、商品标签体系,商品类别体系包含多层级商品类别,每个上级商品类别包含一个或多个下级商品类别,同理商品标签体系亦是如此,示范性举例所述上级商品类别为衣服,对应的下级商品类别为上衣、裤袜,所述上级商品标签为颜色,下级商品标签为时髦颜色、点缀颜色、常用颜色、标配颜色,据此,应用所述商品类别体系和商品标签体系的独立站点,使得独立站点的商品都有对应的商品类别和商品标签。
通过访问独立站点的商品数据库,获取商品数据库中各个商品类别/商品标签相对应的各个商品的点击数、购买数,以及各个商品类别/商品标签相对应的所有商品的点击总数、购买总数,据此,应用预设的热销商品计算公式计算出独立站点的商品数据库的各个商品类别/商品标签相对应的各个商品的点击购买率,所述热销商品计算公式,示范性举例为:
Click Buy=(e+f)/(g+h)
其中,Click Buy为独立站点的商品数据库的各个商品类别/商品标签相对应的各个商品的点击购买率,e、f分别为独立站点的商品数据库的各个商品类别/商品标签相对应的各个商品的点击数、购买数,g、h分别为独立站点的数据库中的各个商品类别/商品标签相对应的所有商品的点击总数、购买总数。
进一步,根据各个商品类别/商品标签中相对应的各个商品的点击购买率,选取该点击购买率超过预设阈值的商品作为热销商品,所述预设阈值可由本领域技术人员按需设置,由此,获得商品数据库中各个商品类别/商品标签中相对应的热销商品。
步骤S1222、根据所述用户的历史行为数据调用预设的商品类别/商品标签购买占比计算公式获得相应的类别购买占比/标签购买占比;
获取所述用户的历史行为数据,其中包含过去购买行为包含的各个商品的购买次数,统计出各个商品类别/商品标签的购买次数,获取用户过去购买行为的总购买次数,据此,调用预设的商品类别/商品标签购买占比计算公式计算出相应的类别购买占比/标签购买占比。
所述预设的商品类别/商品标签购买占比计算公式,示范性举例为:
Ratio=i/j
其中:Ratio为独立站点的各个商品类别/商品标签相对应的类别购买占比/标签购买占比,i为各个商品类别/商品标签的购买次数,j为用户过去购买行为包含的总购买次数。
步骤S1223、根据所述类别购买占比/标签购买占比从对应的商品类别/商品标签的热销商品中确定部分热销商品构建相应的细粒度商品列表;
获取各个商品类别/商品标签中相对应的热销商品,统计该热销商品的数量,将其相对应的乘上所述类别购买占比/标签购买占比计算出热销商品数量,从对应的商品数据库中商品类别/商品标签相对应的热销商品中随机选取出该热销商品数量的部分热销商品构建细粒度商品列表。
步骤S1224、以商品价格为关联共性特征,根据所述用户的历史行为数据确定商品价格上下限,从独立站点的商品数据库中检索符合该商品价格上下限的商品构建相应的细粒度商品列表。
获取所述用户的历史行为数据,其中包含用户购买行为所包含的各个商品的商品价格,根据该各个商品的商品价格确定商品价格的上下限,据此,通过访问独立站点的商品数据库,从中检索出符合该商品价格上下限的商品,将其获取以构建细粒度商品列表。
本实施例中,通过用户历史行为数据所包含的商品的商品类别、商品标签、商品价格三种关联共性特征,择选出商品构建相对应的细粒度商品列表,为后续推荐奠定基础,增强推荐效果。
请参阅图5,进一步的实施例中,步骤S1230、根据当前用户与其他用户的用户历史行为数据的共性特征确定与其构成相匹配的用户维度商品列表,包括如下步骤:
步骤S1231、应用预设的共性相似计算公式,根据当前用户与其他用户的用户历史行为数据共同包含的商品的数量作为共性特征,计算出该当前用户与该其他用户之间的相似度;
获取当前用户与其他用户过去购买行为共同包含的商品的数量,即过去购买同样的商品,以及当前用户过去购买行为包含购买的商品总量和其他用户过去购买行为包含购买的商品总量,据此,应用预设的共性相似计算公式计算出该当前用户与其他用户之间的相似度。
所述预设的共性相似计算公式,示范性举例为:
Generality=a/(b+c)
其中:Generality为当前用户与其他用户之间的相似度,a为当前用户过去购买行为包含的购买的商品总量,b为其他用户过去购买行为包含的购买的商品总量。
步骤S1232、根据所述相似度从所述其他用户中确定与所述当前用户相似的用户,以其对应的用户历史行为数据包含的商品构建用户维度商品列表。
可以理解,基于当前用户与其他用户之间的共性特征计算出的相似度,能够一定程度表征当前用户和与其相似度高的其他用户的购买行为类似,正因如此,与当前用户相似度高的其他用户购买的商品,可能也是当前用户需要购买的,据此,根据所述相似度确定与当前用户相似的其他用户,获取该用户对应的过去购买行为包含的商品,构建用户维度商品列表。
本实施例中,通过用户与其他用户之间的共性特征即同样的购买行为,确定两者之间的相似度,进而以相似的其他用户过去购买的商品构建用户维度商品列表,为后续推荐奠定基础,增强推荐效果。
请参阅图6,进一步的实施例中,步骤S1300、根据预设算法计算确定所述商品备选列表中各个商品的推荐评分,包括如下步骤:
步骤S1310、应用预设的广告热度计算公式,根据所述商品备选列表中各个商品的每天投放广告量、投放时间以及独立站点近期投放商品广告的转化率,计算出各个商品对应的广告热度分值;
可以在独立站点的商品数据库的各个商品的投放广告时,统计每天投放广告量以及记录投放时间,之后,将每天投放广告量和投放时间关联对应的商品存储于商品数据库中以备调用。
通过对独立站点的商品数据库的访问,获取所述商品备选列表中各个商品的每天投放广告量和投放时间,另外,调用第三方运营平台提供的数据获取接口,获取独立站点近期投放商品广告的转化率,所述转化率包含但不限于点击率、购买率、复购率中的任意一种,据此,应用预设的广告热度计算公式计算出各个商品对应的广告热度分值。
所述应用预设的广告热度计算公式,示范性举例为:
其中:Advertising score为广告热度分值,B为独立站点近期投放商品广告的转化率,A为每天投放广告量,time1为投放时间,time2为当前时间,T可为1至7表征一周。
步骤S1320、应用预设的新鲜度计算公式,根据所述商品备选列表中各个商品的上架日期计算出各个商品对应的新鲜度分值;
可以在独立站点的商品数据库的各个商品在独立站点上上架时,记录上架日期,之后,将上架日期关联对应的商品存储于商品数据库中以备调用。
通过对独立站点的商品数据库的访问,获取所述商品备选列表中各个商品的上架日期,据此,应用预设的新鲜度计算公式计算出各个商品对应的新鲜度分值。
所述预设的新鲜度计算公式,示范性举例为:
其中:Fresh score为新鲜度分值,time3为商品上架日期,time4为当前日期。
步骤S1330、应用预设的点击指数计算公式,根据所述商品备选列表中各个商品的点击量和浏览量,计算出各个商品对应的点击指数分值;
可以在独立站点的商品数据库的各个商品的投放广告时,统计点击量以及相应的广告的曝光量即所述浏览量,之后,将点击量和浏览量关联对应的商品存储于商品数据库中以备调用。
通过对独立站点的商品数据库的访问,获取所述商品备选列表中各个商品的点击量和浏览量,据此,应用预设的点击指数计算公式计算出各个商品对应的点击指数分值。
所述点击指数计算公式,示范性举例为:
Click score=(X+1)/(Y+k)
其中:Click score为点击指数分值,X为点击量,Y为浏览量,K为2表示是否点击的两种情况,此为浏览量少的商品做平滑处理提升置信度。
步骤S1340、获取电商平台中各个独立站点的商品搜索记录文本,从中提取出关键词文本构建关键词集合,获取所述商品备选列表中各个商品对应的关键词文本,应用预设的流行度计算公式,根据各个商品对应的关键词文本与该关键词集合中的关键词文本之间的相似度加权,计算出各个商品对应的流行度分值;
通过预设的数据获取接口,获取电商平台中用户在各个独立站点中进行商品搜索操作时产生的商品搜索记录文本,所述数据获取接口可由本领域技术人员灵活变通设置,进而从该商品搜索记录文本中提取出关键词文本,所述关键文本可以是表征商品属性的文本例如商品品牌、商品的产品名称、商品颜色等等,采集该提取出关键词文本,并将其关联其在商品搜索记录文本中重复出现的次数即词频构建成关键词集合,另外,通过对独立站点的商品数据库的访问,获取所述商品备选列表中各个商品的商品标题和商品详情对应的文本,同样,从中提取出表征商品属性的文本作为所述各个商品对应的关键词文本。此处提取关键词操作,可以是人工提取或是神经网络模型提取,本领域技术人员可灵活变通选取实施。
进一步,根据所述关键词集合中各个关键词文本对应的词频大到小的顺序对各个关键词文本进行相应的排序,从而以排序后关键词文本对应的排位作为该关键词文本的排名。
计算出各个商品对应的关键词文本与该关键词集合中的关键词文本之间的相似度,此处具体实现,可由本领域技术人员灵活变通实现,并且获取各个关键词文本对应的排名,以及获取各个关键词文本对应的词频作为所述加权对应的权重,据此,应用预设的流行度计算公式计算出各个商品对应的流行度分值。
所述预设的流行度计算公式,示范性举例为:
其中:Popularity score为流行度分值,K为关键词文本对应的排名,S为关键词文本对应的词频,C为各个商品的关键词文本和关键词集合中关键词文本之间的相似度。
步骤S1350、应用预设的折扣度计算公式,根据所述商品备选列表中各个商品的商品折扣排名以及独立站点的商品数据库中的商品数量,计算出各个商品对应的折扣度分值;
可以根据商品数据库中各个商品的商品折扣大到小的顺序对各个商品进行相应的排序,从而以排序后商品对应的排位作为所述商品折扣排名,将其关联对应的商品存储于数据库中以备调用。
通过访问独立站点的商品数据库,获取该商品数据库中的商品数量,以及所述商品备选列表中各个商品的商品折扣排名,据此,应用预设的折扣度计算公式计算出各个商品对应的折扣度分值。
所述预设的折扣度计算公式,示范性举例为:
Popularity score=E/F
其中:Popularity score为折扣度分值,E为商品的折扣度排名,F为独立站点的商品数据库中的商品数量。
步骤S1360、获取所述商品备选列表中各个商品在独立站点中对应的商品销量排名、商品类别销量排名、商品标签销量排名,调用预先训练至收敛的销量指数计算模型计算出各个商品的销量指数分值;
可以根据独立站点中的各个商品的销量、各个商品类别的销量、各个商品标签的销量从大到小的顺序,相应对各个商品、各个商品类别、各个商品标签进行排序,从而以排序后商品、商品类别、商品标签对应的排位作为所述商品销量排名、商品类别销量排名、商品标签销量排名,将其关联对应的商品存储于独立站点的商品数据库中以备调用,使得商品数据库中各个商品有对应的商品销量排名、商品标签排名、商品类别排名。
通过访问独立站点的商品数据库,获取所述商品备选列表中各个商品在独立站点中对应的商品销量排名、商品类别销量排名、商品标签销量排名,以这些排名作为预先训练至收敛的销量指数计算模型的输入,获得该销量指数计算模型计算出各个商品的销量指数分值。
所述预先训练至收敛的销量指数计算模型的输出层采用的销量指数计算公式,示范性举例:
Sales score=w1*(1/R1)+w2*(1/R2)+w3*(1/R3)
其中,Sales score为销售指数分值,w1、w2、w3为销量指数计算模型基于监督标签训练至收敛而固化的三项权重,R1、R2、R3为商品销量排名、商品类别销量排名、商品标签销量排名。
所述预先训练至收敛的销量指数计算模型的训练过程,由后续部分实施例进一步揭示,本步骤暂且不表。
步骤S1370、将所述各个商品对应的广告热度分值、新鲜度分值、点击指数分值、流行度分值、折扣度分值、销量指数分值加总为各个商品的推荐评分。
将步骤S1310-S1360计算出的各个商品对应的广告热度分值、新鲜度分值、点击指数分值、流行度分值、折扣度分值、销量指数分值总计六个维度的分值相加作为各个商品的推荐评分。
本实施例中,通过对商品的六个维度的分值计算融合成商品的推荐评分,使得推荐评分能够精准且全面地反映商品的热度,根据推荐评分优选的推荐商品的推荐效果能更好。
请参阅图7,进一步的实施例中,步骤S1360、获取所述商品备选列表中各个商品在独立站点中对应的商品销量排名、商品类别销量排名、商品标签销量排名,调用预先训练至收敛的销量指数计算模型计算出各个商品的销量指数分值的步骤中,所述销量指数计算模型的训练过程,包括如下迭代执行步骤:
步骤S1361、获取数据集中的训练样本,所述训练样本包含独立站点的商品对应的商品销量排名、商品类别销量排名、商品标签销量排名,以及表征商品是否被用户点击相对应的监督标签;
可以根据独立站点中的各个商品的销量、各个商品类别的销量、各个商品标签的销量从大到小的顺序,相应对各个商品、各个商品类别、各个商品标签进行排序,从而以排序后商品、商品类别、商品标签对应的排位作为所述商品销量排名、商品类别销量排名、商品标签销量排名,将其关联对应的商品存储于独立站点的商品数据库中以备调用,使得商品数据库中各个商品有对应的商品销量排名、商品标签排名、商品类别排名。
通过访问独立站点的商品数据库,获取商品数据库中部分商品在独立站点中对应的商品销量排名、商品类别销量排名、商品标签销量排名,据此,构建所述数据集中的训练样本。
步骤S1362、将所述训练样本输入所述销量指数计算模型提取相应的深层语义特征,获得特征向量;
所述销量指数计算模型的具体模型选取可由本领域技术人员根据先验知识或实验经验灵活变通。
将所述训练样本输入所述销量指数计算模型提取出促使用户点击商品相应的深层语义特征,从而获得相应的特征向量。
步骤S1363、采用分类器对所述特征向量进行分类映射,预测出训练样本对应的商品被用户点击的概率;
进一步,将所述特征向量输入至全连接层进行线性转换,将其映射至二分类控件,该二分类空间包含正类空间其表征商品被用户点击,以及负类空间其表征商品未被用户点击,进而采用分类器计算该特征向量映射至二类空间的正类空间对应预测的概率,在此过程中通过Sigmod或Softmax方法函数获得该概率作为所述训练样本对应的商品被用户点击的概率。
步骤S1364、根据所述监督标签计算出所述分类器预测的概率对应的交叉熵损失值,根据该交叉熵损失值对模型实施梯度更新直至该模型收敛。
调用预设的损失函数,此处可由本领域技术人员根据先验知识或实验经验灵活变通设置,基于所述监督标签计算所述预测的概率的交叉熵损失对应的损失值,当该损失值达到预设阈值时,表明模型已被训练至收敛状态,从而可以终止模型训练;损失值未达到预设阈值时,表明模型未收敛,于是根据该损失值对模型实施梯度更新,通常反向传播修正模型各个环节的权重参数以使模型进一步逼近收敛,然后,继续调用所述数据集中的下一样本数据对该模型实施迭代训练,直至该模型被训练至收敛状态为止。
可以理解,基于所述监督标签对该销量指数计算模型进行监督训练直至该模型收敛,该模型能够学习到其输出层采用的销量指数计算公式中的三项权重参数并且将其固化,使得所述销量指数计算模型具备能够根据商品在独立站点中对应的商品销量排名、商品类别销量排名、商品标签销量排名,即可计算出该商品对应的销量指数分值的能力。
本实施例中,揭示了基于神经网络模型实现的销量指数计算模型的训练过程,可以看出,在所述数据集的样本数据和监督标签训练下,所述销量指数计算模型具备能够根据商品在独立站点中对应的商品销量排名、商品类别销量排名、商品标签销量排名,即可快速计算出该商品对应的销量指数分值的能力,从而确保后续能够服务于商品的销量指数分值计算,大大提升分值计算的精准度和效率。
请参阅图8,适应本申请的目的之一而提供的一种商品推荐装置,是对本申请的商品推荐方法的功能化体现,该装置包括:数据获取模块1100、列表构造模块1200、以及评分计算模块1300,其中,数据获取模块1100,用于获取用户的历史行为数据及用户埋点数据;列表构造模块1200,用于构造该用户相对应的商品备选列表,所述商品备选列表包含根据所述用户埋点数据及根据不同粒度和维度的所述历史行为数据所确定的商品的商品信息;评分计算模块1300,用于根据预设算法计算确定所述商品备选列表中各个商品的推荐评分,优选出推荐评分高于预设阈值的商品,获得相应的商品推荐列表。
进一步的实施例中,所述列表构造模块1200,包括:粗粒度商品列表构建子模块,用于根据用户历史行为数据所包含的商品的商品信息特征确定与其构成相匹配的粗粒度商品列表;细粒度商品列表构建子模块,用于根据用户历史行为数据所包含的商品的关联共性特征确定与其构成相匹配的细粒度商品列表;用户维度商品列表构建子模块,用于根据当前用户与其他用户的用户历史行为数据的共性特征确定与其构成相匹配的用户维度商品列表;时效性商品列表构建子模块,用于根据用户埋点数据所提供的用户即时信息确定与其构成相匹配的时效性商品列表,所述用户即时信息包括用户所处地理位置和/或用户设备特征信息;列表合并子模块,用于将所述各个商品列表合并为商品备选列表。
进一步的实施例中,所述粗粒度商品列表构建子模块,包括:相似度计算单元,用于获取用户历史行为数据所包含的商品的商品信息中的商品图片、商品标题,将其与独立站点的商品数据库的商品的商品信息中的商品图片、商品标题相对应的计算出图片相似度和文本相似度;粗粒度商品列表构建单元,用于根据所述图片相似度和文本相似度构建两者相对应的粗粒度商品列表。
进一步的实施例中,所述细粒度商品列表构建子模块,包括:热销商品优选单元,用于以商品类别/商品标签为关联共性特征,根据预设的热销商品计算公式计算出独立站点的商品数据库的各个商品类别/商品标签相对应的各个商品的点击购买率,优选出各个商品类别/商品标签中相对应的点击购买率高于预设阈值的商品作为热销商品;购买占比计算单元,用于根据所述用户的历史行为数据调用预设的商品类别/商品标签购买占比计算公式获得相应的类别购买占比/标签购买占比;细粒度商品列表构建单元,用于根据所述类别购买占比/标签购买占比从对应的商品类别/商品标签的热销商品中确定部分热销商品构建相应的细粒度商品列表;细粒度商品列表构建单元,用于以商品价格为关联共性特征,根据所述用户的历史行为数据确定商品价格上下限,从独立站点的商品数据库中检索符合该商品价格上下限的商品构建相应的细粒度商品列表。
进一步的实施例中,所述用户维度商品列表构建子模块,包括:相似度计算单元,用于应用预设的共性相似计算公式,根据当前用户与其他用户的用户历史行为数据共同包含的商品的数量作为共性特征,计算出该当前用户与该其他用户之间的相似度;用户维度商品列表构建单元,用于根据所述相似度从所述其他用户中确定与所述当前用户相似的用户,以其对应的用户历史行为数据包含的商品构建用户维度商品列表。
进一步的实施例中,所述评分计算模块1300,包括:广告热度计算子模块,用于应用预设的广告热度计算公式,根据所述商品备选列表中各个商品的每天投放广告量、投放时间以及独立站点近期投放商品广告的转化率,计算出各个商品对应的广告热度分值;新鲜度计算子模块,用于应用预设的新鲜度计算公式,根据所述商品备选列表中各个商品的上架日期计算出各个商品对应的新鲜度分值;点击指数计算子模块,用于应用预设的点击指数计算公式,根据所述商品备选列表中各个商品的点击量和浏览量,计算出各个商品对应的点击指数分值;流行度计算子模块,用于获取电商平台中各个独立站点的商品搜索记录文本,从中提取出关键词文本构建关键词集合,获取所述商品备选列表中各个商品对应的关键词文本,应用预设的流行度计算公式,根据各个商品对应的关键词文本与该关键词集合中的关键词文本之间的相似度加权,计算出各个商品对应的流行度分值;折扣度计算子模块,用于应用预设的折扣度计算公式,根据所述商品备选列表中各个商品的商品折扣排名以及独立站点的商品数据库中的商品数量,计算出各个商品对应的折扣度分值;销量指数计算子模块,用于获取所述商品备选列表中各个商品在独立站点中对应的商品销量排名、商品类别销量排名、商品标签销量排名,调用预先训练至收敛的销量指数计算模型计算出各个商品的销量指数分值;推荐评分求取子模块,用于将所述各个商品对应的广告热度分值、新鲜度分值、点击指数分值、流行度分值、折扣度分值、销量指数分值加总为各个商品的推荐评分。
进一步的实施例中,所述销量指数计算子模块中,所述销量指数计算模型的训练过程,包括:训练样本获取单元,用于获取数据集中的训练样本,所述训练样本包含独立站点的商品对应的商品销量排名、商品类别销量排名、商品标签销量排名,以及表征商品是否被用户点击相对应的监督标签;特征提取单元,用于将所述训练样本输入所述销量指数计算模型提取相应的深层语义特征,获得特征向量;分类映射单元,用于采用分类器对所述特征向量进行分类映射,预测出训练样本对应的商品被用户点击的概率;梯度更新单元,用于根据所述监督标签计算出所述分类器预测的概率对应的交叉熵损失值,根据该交叉熵损失值对模型实施梯度更新直至该模型收敛。
为解决上述技术问题,本申请实施例还提供计算机设备。如图9所示,计算机设备的内部结构示意图。该计算机设备包括通过系统总线连接的处理器、计算机可读存储介质、存储器和网络接口。其中,该计算机设备的计算机可读存储介质存储有操作系统、数据库和计算机可读指令,数据库中可存储有控件信息序列,该计算机可读指令被处理器执行时,可使得处理器实现一种商品推荐方法。该计算机设备的处理器用于提供计算和控制能力,支撑整个计算机设备的运行。该计算机设备的存储器中可存储有计算机可读指令,该计算机可读指令被处理器执行时,可使得处理器执行本申请的商品推荐方法。该计算机设备的网络接口用于与终端连接通信。本领域技术人员可以理解,图9中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
本实施方式中处理器用于执行图8中的各个模块及其子模块的具体功能,存储器存储有执行上述模块或子模块所需的程序代码和各类数据。网络接口用于向用户终端或服务器之间的数据传输。本实施方式中的存储器存储有本申请的商品推荐装置中执行所有模块/子模块所需的程序代码及数据,服务器能够调用服务器的程序代码及数据执行所有子模块的功能。
本申请还提供一种存储有计算机可读指令的存储介质,计算机可读指令被一个或多个处理器执行时,使得一个或多个处理器执行本申请任一实施例的商品推荐方法的步骤。
本领域普通技术人员可以理解实现本申请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,该计算机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,前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)等计算机可读存储介质,或随机存储记忆体(Random Access Memory,RAM)等。
本技术领域技术人员可以理解,本申请中已经讨论过的各种操作、方法、流程中的步骤、措施、方案可以被交替、更改、组合或删除。进一步地,具有本申请中已经讨论过的各种操作、方法、流程中的其他步骤、措施、方案也可以被交替、更改、重排、分解、组合或删除。进一步地,现有技术中的具有与本申请中公开的各种操作、方法、流程中的步骤、措施、方案也可以被交替、更改、重排、分解、组合或删除。
以上所述仅是本申请的部分实施方式,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,这些改进和润饰也应视为本申请的保护范围。
Claims (10)
1.一种商品推荐方法,其特征在于,包括如下步骤:
获取用户的历史行为数据及用户埋点数据;
构造该用户相对应的商品备选列表,所述商品备选列表包含根据所述用户埋点数据及根据不同粒度和维度的所述历史行为数据所确定的商品的商品信息;
根据预设算法计算确定所述商品备选列表中各个商品的推荐评分,优选出推荐评分高于预设阈值的商品,获得相应的商品推荐列表。
2.根据权利要求1所述的商品推荐方法,其特征在于,构造该用户相对应的商品备选列表,包括如下步骤:
根据用户历史行为数据所包含的商品的商品信息特征确定与其构成相匹配的粗粒度商品列表;
根据用户历史行为数据所包含的商品的关联共性特征确定与其构成相匹配的细粒度商品列表;
根据当前用户与其他用户的用户历史行为数据的共性特征确定与其构成相匹配的用户维度商品列表;
根据用户埋点数据所提供的用户即时信息确定与其构成相匹配的时效性商品列表,所述用户即时信息包括用户所处地理位置和/或用户设备特征信息;
将所述各个商品列表合并为商品备选列表。
3.根据权利要求2所述的商品推荐方法,其特征在于,根据用户历史行为数据所包含的商品的商品信息特征确定与其构成相匹配的粗粒度商品列表,包括如下步骤:
获取用户历史行为数据所包含的商品的商品信息中的商品图片、商品标题,将其与独立站点的商品数据库的商品的商品信息中的商品图片、商品标题相对应的计算出图片相似度和文本相似度;
根据所述图片相似度和文本相似度构建两者相对应的粗粒度商品列表。
4.根据权利要求2所述的商品推荐方法,其特征在于,根据用户历史行为数据所包含的商品的关联共性特征确定与其构成相匹配的细粒度商品列表,包括如下步骤:
以商品类别/商品标签为关联共性特征,根据预设的热销商品计算公式计算出独立站点的商品数据库的各个商品类别/商品标签相对应的各个商品的点击购买率,优选出各个商品类别/商品标签中相对应的点击购买率高于预设阈值的商品作为热销商品;
根据所述用户的历史行为数据调用预设的商品类别/商品标签购买占比计算公式获得相应的类别购买占比/标签购买占比;
根据所述类别购买占比/标签购买占比从对应的商品类别/商品标签的热销商品中确定部分热销商品构建相应的细粒度商品列表;
以商品价格为关联共性特征,根据所述用户的历史行为数据确定商品价格上下限,从独立站点的商品数据库中检索符合该商品价格上下限的商品构建相应的细粒度商品列表。
5.根据权利要求2所述的商品推荐方法,其特征在于,根据当前用户与其他用户的用户历史行为数据的共性特征确定与其构成相匹配的用户维度商品列表,包括如下步骤:
应用预设的共性相似计算公式,根据当前用户与其他用户的用户历史行为数据共同包含的商品的数量作为共性特征,计算出该当前用户与该其他用户之间的相似度;
根据所述相似度从所述其他用户中确定与所述当前用户相似的用户,以其对应的用户历史行为数据包含的商品构建用户维度商品列表。
6.根据权利要求1所述的商品推荐方法,其特征在于,根据预设算法计算确定所述商品备选列表中各个商品的推荐评分,包括如下步骤:
应用预设的广告热度计算公式,根据所述商品备选列表中各个商品的每天投放广告量、投放时间以及独立站点近期投放商品广告的转化率,计算出各个商品对应的广告热度分值;
应用预设的新鲜度计算公式,根据所述商品备选列表中各个商品的上架日期计算出各个商品对应的新鲜度分值;
应用预设的点击指数计算公式,根据所述商品备选列表中各个商品的点击量和浏览量,计算出各个商品对应的点击指数分值;
获取电商平台中各个独立站点的商品搜索记录文本,从中提取出关键词文本构建关键词集合,获取所述商品备选列表中各个商品对应的关键词文本,应用预设的流行度计算公式,根据各个商品对应的关键词文本与该关键词集合中的关键词文本之间的相似度加权,计算出各个商品对应的流行度分值;
应用预设的折扣度计算公式,根据所述商品备选列表中各个商品的商品折扣排名以及独立站点的商品数据库中的商品数量,计算出各个商品对应的折扣度分值;
获取所述商品备选列表中各个商品在独立站点中对应的商品销量排名、商品类别销量排名、商品标签销量排名,调用预先训练至收敛的销量指数计算模型计算出各个商品的销量指数分值;
将所述各个商品对应的广告热度分值、新鲜度分值、点击指数分值、流行度分值、折扣度分值、销量指数分值加总为各个商品的推荐评分。
7.根据权利要求6所述的商品推荐方法,其特征在于,获取所述商品备选列表中各个商品在独立站点中对应的商品销量排名、商品类别销量排名、商品标签销量排名,调用预先训练至收敛的销量指数计算模型计算出各个商品的销量指数分值的步骤中,所述销量指数计算模型的训练过程,包括如下迭代执行步骤:
获取数据集中的训练样本,所述训练样本包含独立站点的商品对应的商品销量排名、商品类别销量排名、商品标签销量排名,以及表征商品是否被用户点击相对应的监督标签;
将所述训练样本输入所述销量指数计算模型提取相应的深层语义特征,获得特征向量;
采用分类器对所述特征向量进行分类映射,预测出训练样本对应的商品被用户点击的概率;
根据所述监督标签计算出所述分类器预测的概率对应的交叉熵损失值,根据该交叉熵损失值对模型实施梯度更新直至该模型收敛。
8.一种商品推荐装置,其特征在于,包括:
数据获取模块,用于获取用户的历史行为数据及用户埋点数据;
列表构造模块,用于构造该用户相对应的商品备选列表,所述商品备选列表包含根据所述用户埋点数据及根据不同粒度和维度的所述历史行为数据所确定的商品的商品信息;
评分计算模块,用于根据预设算法计算确定所述商品备选列表中各个商品的推荐评分,优选出推荐评分高于预设阈值的商品,获得相应的商品推荐列表。
9.一种计算机设备,包括中央处理器和存储器,其特征在于,所述中央处理器用于调用运行存储于所述存储器中的计算机程序以执行如权利要求1至7中任意一项所述的方法的步骤。
10.一种计算机可读存储介质,其特征在于,其以计算机可读指令的形式存储有依据权利要求1至7中任意一项所述的方法所实现的计算机程序,该计算机程序被计算机调用运行时,执行相应的方法所包括的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210399033.2A CN114663197A (zh) | 2022-04-15 | 2022-04-15 | 商品推荐方法及其装置、设备、介质、产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210399033.2A CN114663197A (zh) | 2022-04-15 | 2022-04-15 | 商品推荐方法及其装置、设备、介质、产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114663197A true CN114663197A (zh) | 2022-06-24 |
Family
ID=82035134
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210399033.2A Pending CN114663197A (zh) | 2022-04-15 | 2022-04-15 | 商品推荐方法及其装置、设备、介质、产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114663197A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116128600A (zh) * | 2023-01-31 | 2023-05-16 | 读书郎教育科技有限公司 | 一种基于ai的推荐信息生成方法 |
CN116823409A (zh) * | 2023-08-29 | 2023-09-29 | 南京大数据集团有限公司 | 一种基于目标搜索数据的智能筛选方法及系统 |
CN117151082A (zh) * | 2023-10-30 | 2023-12-01 | 量子数科科技有限公司 | 一种基于大语言模型的商品标题spu关键词提取方法 |
CN117237059A (zh) * | 2023-11-09 | 2023-12-15 | 深圳美云集网络科技有限责任公司 | 商品推荐方法和终端 |
CN117828030A (zh) * | 2024-03-01 | 2024-04-05 | 微网优联科技(成都)有限公司 | 基于大数据的用户分析方法及电子设备 |
-
2022
- 2022-04-15 CN CN202210399033.2A patent/CN114663197A/zh active Pending
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116128600A (zh) * | 2023-01-31 | 2023-05-16 | 读书郎教育科技有限公司 | 一种基于ai的推荐信息生成方法 |
CN116823409A (zh) * | 2023-08-29 | 2023-09-29 | 南京大数据集团有限公司 | 一种基于目标搜索数据的智能筛选方法及系统 |
CN116823409B (zh) * | 2023-08-29 | 2023-12-01 | 南京大数据集团有限公司 | 一种基于目标搜索数据的智能筛选方法及系统 |
CN117151082A (zh) * | 2023-10-30 | 2023-12-01 | 量子数科科技有限公司 | 一种基于大语言模型的商品标题spu关键词提取方法 |
CN117151082B (zh) * | 2023-10-30 | 2024-01-02 | 量子数科科技有限公司 | 一种基于大语言模型的商品标题spu关键词提取方法 |
CN117237059A (zh) * | 2023-11-09 | 2023-12-15 | 深圳美云集网络科技有限责任公司 | 商品推荐方法和终端 |
CN117828030A (zh) * | 2024-03-01 | 2024-04-05 | 微网优联科技(成都)有限公司 | 基于大数据的用户分析方法及电子设备 |
CN117828030B (zh) * | 2024-03-01 | 2024-05-07 | 微网优联科技(成都)有限公司 | 基于大数据的用户分析方法及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114663197A (zh) | 商品推荐方法及其装置、设备、介质、产品 | |
EP3143523B1 (en) | Visual interactive search | |
CN109189904A (zh) | 个性化搜索方法及系统 | |
US10606883B2 (en) | Selection of initial document collection for visual interactive search | |
CN110910199A (zh) | 项目信息的排序方法、装置、计算机设备及存储介质 | |
US9767417B1 (en) | Category predictions for user behavior | |
US9767204B1 (en) | Category predictions identifying a search frequency | |
CN114638646A (zh) | 广告投放推荐方法及其装置、设备、介质、产品 | |
CN116521906B (zh) | 元描述生成方法及其装置、设备、介质 | |
CN113627995A (zh) | 商品推荐列表更新方法及其装置、设备、介质、产品 | |
US10474670B1 (en) | Category predictions with browse node probabilities | |
CN116108267A (zh) | 一种推荐方法及相关设备 | |
CN113761393A (zh) | 商品协同推荐方法及其装置、设备、介质、产品 | |
CN114663155A (zh) | 广告投放选品方法及其装置、设备、介质、产品 | |
CN115545832A (zh) | 商品搜索推荐方法及其装置、设备、介质 | |
CN114862480A (zh) | 广告投放定向方法及其装置、设备、介质、产品 | |
CN116976920A (zh) | 商品导购方法及其装置、设备、介质 | |
CN113971599A (zh) | 广告投放选品方法及其装置、设备、介质、产品 | |
CN112989182B (zh) | 信息处理方法、装置、信息处理设备及存储介质 | |
CN117350816A (zh) | 独立站商品推荐方法及其装置、设备、介质 | |
CN112036987B (zh) | 确定推荐商品的方法和装置 | |
Nazari et al. | Scalable and data-independent multi-agent recommender system using social networks analysis | |
US10387934B1 (en) | Method medium and system for category prediction for a changed shopping mission | |
CN111339429B (zh) | 一种资讯推荐方法 | |
CN116823404A (zh) | 商品组合推荐方法及其装置、设备、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 |