CN114676348A - 一种商品时效期推荐方法 - Google Patents

一种商品时效期推荐方法 Download PDF

Info

Publication number
CN114676348A
CN114676348A CN202210269438.4A CN202210269438A CN114676348A CN 114676348 A CN114676348 A CN 114676348A CN 202210269438 A CN202210269438 A CN 202210269438A CN 114676348 A CN114676348 A CN 114676348A
Authority
CN
China
Prior art keywords
commodity
recommendation
expiration date
time
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
CN202210269438.4A
Other languages
English (en)
Inventor
陈晓红
邓泽旺
徐雪松
闫月
胡春华
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.)
Hunan University of Technology
Original Assignee
Hunan University of Technology
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 Hunan University of Technology filed Critical Hunan University of Technology
Priority to CN202210269438.4A priority Critical patent/CN114676348A/zh
Publication of CN114676348A publication Critical patent/CN114676348A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06N3/08—Learning methods
    • 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
    • G06Q30/0269—Targeted advertisements based on user profile or attribute
    • G06Q30/0271—Personalized 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]
    • G06Q30/0631—Item recommendations

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Molecular Biology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明提供了一种商品时效期推荐方法，包括：根据用户对商品的评论和点击，得到推荐概率，并生成推荐列表；根据相邻二次购买商品的平均时间间隔，得到时效期；根据时效期修正商品的推荐概率，根据修正后的推荐概率对商品进行排序，更新推荐列表，并根据更新后的推荐列表进行推荐。通过为商品添加时效期，对商品的推荐概率进行修正，然后根据修正后的推荐概率对商品进行排序，如此可以尽量给用户推荐较为需要的商品；并且能够减少重复的无效推荐，提升用户的满意度。

Description

一种商品时效期推荐方法
技术领域
本发明涉及商品推荐技术领域，具体涉及一种商品时效期推荐方法。
背景技术
随着电子商务的持续发展，线上购物已经成为了新潮。随着商品种类和产量的迭代更新，大量商品信息流的爆炸在个人之间变得日益突出。人们将面临信息超载的问题，并在提供给他们的大量选择中做出正确的决定。为了解决信息过载问题并提高商家和平台的利润，推荐系统应运而生。它通过分析用户的偏好信息来帮助用户做出正确的决策，并根据用户的偏好推荐他们感兴趣的项目。目前，大型互联网公司为各种任务部署了个性化推荐系统，这些任务包括广告点击率(CTR)预测和排名。
推荐系统最初采用内容过滤，即由一组专家对产品进行分类，并用标签显示，同时用户由此选择他们喜欢的类别，并根据他们的偏好进行匹配，该方法能解决冷启动问题，但准确率不高。之后的推荐系统演变为使用协同过滤，其推荐是基于过去的用户行为，如之前对产品的评级。通过将用户和产品分组在一起提供建议的邻域方法，以及通过矩阵分解技术通过某些隐式因素表征用户和产品的潜在因素方法，都能成功部署。该方法虽然准确率高，应用广泛，但无法解决冷启动问题，而且容易出现重复推荐。
许多学者提出在构建推荐方法中使用深度学习，但这些方法中的大多数在其推荐中仅使用单一标准评级，而没考虑到其他评级，并且这些推荐方法容易出现重复推荐已购买的物品，导致推荐的新颖度较低。
发明内容
因此，本发明要解决的技术问题在于克服现有技术中推荐的新颖度较低的缺陷，从而提供一种商品时效期推荐方法。
本发明提供了一种商品时效期推荐方法，包括：
S1：根据用户对商品的评论和点击，得到推荐概率，并生成推荐列表；
S2：根据相邻二次购买商品的平均时间间隔，得到时效期；
S3：根据时效期修正商品的推荐概率，根据修正后的推荐概率对商品进行排序，更新推荐列表，并根据更新后的推荐列表进行推荐。
优选的，S1中，生成推荐列表的过程为：根据训练完成后的深度学习推荐模型预测商品的点击情况，得到推荐概率，根据预测为点击的商品以及推荐概率，生成推荐列表。
优选的，训练深度学习推荐模型包括：以用户对商品的评论作为输入，以用户对商品的点击情况作为输出，训练深度学习推荐模型，训练完成后深度学习推荐模型将预测商品的点击情况。
优选的，时效期包括使用时效期、收藏时效期和保管时效期。
优选的，S2中，得到使用时效期的过程为：首先建立商品类别的映射函数，所述映射函数为：
F(w)＝K
其中，w表示商品名称，K表示商品类别；
然后，搜索每个用户的购买时间序列，记为：[w1：s1：t1，...，wi：si：ti，...，wq：sq：tq]，其中，i＝[1，2，...，q]，q表示购买时间序列长度，s表示购买规模，t表示购买日期；
根据映射函数，得到新的序列，新的序列记为：[K1：s1：t1，...，Ki：si：ti，...，Kq：sq：tq]，遍历所述新的序列，找出相同类别商品每两次购买的时间和规模，并将首次购买的规模和时间差同时进行累加，最后遍历所有的用户，得到所有用户二次购买的规模和时间差，则使用时效期计算公式为：
Figure BDA0003553998270000021
其中，Lw嵌示商品w的使用时效期，sj表示第j次搜索到商品w的首次购买规模，Δtj表示第j次搜索到商品w的两次时间差，p为搜索到的次数。
优选的，在S3之前还包括：判断商品是否分类，若商品已分类，则商家给已分类的商品设置初始时效期；若商品未分类则不设置；当初始时效期与使用时效期不一致时，采用使用时效期覆盖初始时效期；并为未分类的商品设置使用时效期；
当商家设置的初始时效期与使用时效期偏差超过40％或低于40％时，将对商家进行警告和惩罚。
优选的，S3中，根据使用时效期修正商品的推荐概率，首先根据使用时效期计算推荐系数，所述推荐系数的计算公式为：
Pw＝(t-tw)/Lw
其中，Pw表示商品w的推荐系数，t表示购买日期，tw表示商品w的上一次购买日期，Lw表示商品w的使用时效期；
则修正推荐概率的公式为：
Figure BDA0003553998270000031
其中，
Figure BDA0003553998270000032
表示商品w修正后的推荐概率，yw表示商品w的推荐概率，Pw表示商品w的推荐系数；
然后，将所有商品按照所述修正后的推荐概率从大到小依次排序，更新推荐列表，并根据更新后的推荐列表进行推荐。
优选的，S3中，在进行排序之前还包括进一步修正，进一步修正包括：由于用户二次购买时并不一定购买原商品；故将二次购买原商品的概率记为Pw0；则修正推荐概率的公式改写为：
Figure BDA0003553998270000033
其中，
Figure BDA0003553998270000034
表示商品w修正后的推荐概率，yw表示商品w的推荐概率，Pw表示商品w的推荐系数，Pw0表示二次购买原商品的概率。
优选的，还包括S4，通过收藏时效期和保管时效期对推荐进行个性化修正，当用户购买商品的时间间隔低于时效期时，则将时效期类型修改为收藏时效期或保管时效期；并根据用户的购买行为数据计算出这一情况的特定时效期；同时将这类用户的购买数据从之前使用时效期中剔除，并重新计算使用时效期。
优选的，深度学习推荐模型包括嵌入向量组件、矩阵因式分解组件、因式分解机组件和多层感知器组件。
本发明技术方案，具有如下优点：通过为商品添加时效期，对商品的推荐概率进行修正，然后根据修正后的推荐概率对商品进行排序，如此可以尽量给用户推荐较为需要的商品；并且能够减少重复的无效推荐，提升用户的满意度。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施中推荐方法的流程图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
如图1所示，本实施例提供了一种商品时效期推荐方法，该方法包括：
S1：根据用户对商品的评论和点击，得到推荐概率，并生成推荐列表；
具体的，以用户对商品的评论作为输入，以用户对商品的点击情况作为输出，训练深度学习推荐模型，训练完成后的深度学习推荐模型将预测商品的点击情况，得到推荐概率，根据预测为点击的商品以及推荐概率，生成推荐列表。
其中，深度学习推荐模型使用嵌入来处理表示分类数据的稀疏特征，并使用多层感知器(MLP)来处理密集特征，然后使用Steffen提出的统计技术显式地交互这些特征。最后，它通过后处理与另一个MLP的交互来寻找事件概率。其包括：
嵌入向量：
为了处理分类数据，嵌入向量将每个类别映射到抽象空间中的一个稠密表示。特别地，每个嵌入查找可以视为为使用一个独热向量ei(第i个位置为1，而其他位置为0，其中索引i对应于第i个类别)来获得嵌入表W∈Rm×d的对应行向量，如下：
Figure BDA0003553998270000041
在更复杂的场景中，嵌入还可以表示多个项的加权组合，其中一个多热向量的权重为
Figure BDA0003553998270000042
这里元素ai≠0(i＝i1，...ik)，其他地方ai＝0，其中i1，...ik对应相应的项目。注意，一小批t嵌入查找因此可以写成：
S＝ATW
其中稀疏矩阵A＝[a1，...at]。
DLRM会用嵌入表将分类特征映射到密集表示。然而，即使设计这些嵌入有意义，又怎么用它们来产生准确的预测？为了回答这个问题，我们回到潜在因素方法。
矩阵因式分解：
在推荐问题的典型公式中，我们给出了一组对某些产品进行评级的用户。我们用向量wi∈Rd(i＝1，...，n)表示第i个产品，用向量vj∈Ra(j＝1，...，m)表示第j个用户，以确定所有评级，其中n和m分别表示产品和用户的总数。更严格地说，当第j个用户对第i个产品进行评级时，集合S由索引的元组(i，j)组成。而矩阵分解方法通过最小化以下式子：
Figure BDA0003553998270000056
其中rij∈R是第j个用户对第i个产品(i＝1，...，m和j＝1，...，n)的评级。之后，令WT＝[w1，...wm]，以及VT＝[v1，...vn]，我们可以将评级的全矩阵R＝[rij]近似为矩阵乘积R≈WVT。注意，W和V可以被解释为两个嵌入表，其中每一行表示潜在因素空间中的用户或产品。这些嵌入向量的点积对后续评级的预测意义重大。
因式分解机：
在分类问题中，我们希望定义一个预测函数
Figure BDA0003553998270000051
从输入数据点x∈Rn到目标标签y∈T。例如，我们可以通过用定义T＝{+1，-1}来预测点击率，+1表示点击的存在，-1表示没有点击。因式分解机(FM)定义了一个模型，其形式为：
Figure BDA0003553998270000052
由此，将二阶相互作用合并到具有分类数据的线性模型中，其中V∈Rn×d，w∈Rn和b∈R是具有d＜＜n的参数，并且上选择矩阵的严格上三角部分。
多层感知器：
与此同时，机器学习最近的许多成功归功于深度学习的兴起。其中最基本的模型是多层感知器(MLP)，它是由完全连接(FC)层的交错序列和激活函数σ：R→R组成的预测函数按如下所示的成分施加
Figure BDA0003553998270000053
其中权重矩阵
Figure BDA0003553998270000054
偏差
Figure BDA0003553998270000055
层数l＝1，...，k。
S2：根据相邻二次购买商品的平均时间间隔，得到时效期；其中，时效期包括使用时效期、收藏时效期和保管时效期；
具体的，得到使用时效期的过程为：首先建立商品类别的映射函数，所述映射函数为：
F(w)＝K
其中，w表示商品名称，K表示商品类别；
然后，搜索每个用户的购买时间序列，记为：[w1：s1：t1，...，wi：si：ti，...，wq：sq：tq]，其中，i＝[1，2，...，q]，q表示购买时间序列长度，s表示购买规模，t表示购买日期；
根据映射函数，得到新的序列，新的序列记为：[K1：s1：t1，...，Ki：si：ti，...，Kq：sq：tq]，遍历所述新的序列，找出相同类别商品每两次购买的时间和规模，并将首次购买的规模和时间差同时进行累加，最后遍历所有的用户，得到所有用户二次购买的规模和时间差，则使用时效期计算公式为：
Figure BDA0003553998270000061
其中，Lw表示商品w的使用时效期，sj表示第j次搜索到商品w的首次购买规模，Δtj表示第j次搜索到商品w的两次时间差，p为搜索到的次数。
表1：某电商平台用户购买数据表；
Figure BDA0003553998270000062
由表1可知，洗衣液A的使用时效期为[(4月1日-3月2日)+(4月21日-4月1日)]/(3+2)＝10日/斤，即平均每个用户每购买1斤洗衣液A都会在10日之后消耗完并再次购买洗衣液。而洗衣液B的使用时效期为[(4月16日-4月1日)+(4月1日-3月2日)]/(1+2)＝15日/斤，即平均每个用户每购买1斤洗衣液B都会在15日之后消耗完并再次购买洗衣液。而沐浴露A由于没有用户的沐浴露二次购买数据，无法计算。
使用时效期：用户收到商品后正常使用该商品至该商品损耗到无法使用或消耗完时再次购买的平均时间间隔。
收藏时效期：有的商品由于颜色和款式多样，具有观赏价值，那么用户收到该商品后，商品虽并未完全损耗，但用户具有收藏爱好，短期内再次购买该类商品(不同的颜色，款式)的平均时间间隔。我们容易想象得到，这类商品一般是鞋，画作，手办等商品；用户是否具有收藏爱好，以及爱好程度，往往因人而异。
保管时效期：用户购买商品后，由于个人保管不当导致商品被遗弃从而重新购买该商品。保管不当的原因我们分两个方面讨论：一是该商品自身容易被频繁使用、移动并且体积小易被大物件遮挡，二是用户本身原因，如年龄大，记忆力下降导致忘记购买的物件存放位置，又或者是使用者性格大大咧咧，会粗暴对待使用的商品导致其提前损坏；当出于商品自身的原因保管失效时，这个时效期往往具有普适性，对所有用户都会存在，这时候保管时效期可以被当成特殊的使用时效期。
在本实施例中，还需要判断商品是否分类，若商品已分类，则商家给已分类的商品设置初始时效期；若商品未分类则不设置；当初始时效期与使用时效期不一致时，采用使用时效期覆盖初始时效期；并为未分类的商品设置使用时效期；
当商家设置的初始时效期与使用时效期偏差超过40％或低于40％时，将对商家进行警告和惩罚。
为了解决冷启动问题，在不需要大量数据时也能有一定的修正效果，初始时，电商平台可以对各大类商品设置一个平均时效期，比如化妆品类为三个月，笔记本电脑类为四年，若该商品较新颖，尚未分类，则不设时效期。若该电商平台未设置该商品的时效期，或者商家自身对平台所设置的时效期不认同，则可以另外设置一个时效期覆盖。只有当购买此商品后，二次购买同类商品的用户数达到一定量，如我们初定为1000，我们才用计算用户二次购买得来的时效期(以下简称使用时效期)来代替初次设置时效期L。由于商家在设置时效期时，可能出于希望平台频繁推荐该商品的缘故，故意缩短时效期；或可能希望让用户误认为商品质量好而故意把时效期设置过长。我们在把使用时效期覆盖商家设置的时效期时，计算两者偏差，不管商家设置时效期对于使用时效期是过高还是过低即超过40％还是低于40％，都会对该商家作出惩罚，发出警告或收取一定罚金，如此以解决冷启动时修正准确性不高的问题。
S3：根据时效期修正商品的推荐概率，根据修正后的推荐概率对商品进行排序，更新推荐列表，并根据更新后的推荐列表进行推荐。
具体的，根据使用时效期修正商品的推荐概率，首先根据使用时效期计算推荐系数，所述推荐系数的计算公式为：
Pw＝(t-tw)/Lw
其中，Pw表示商品w的推荐系数，t表示购买日期，tw，表示商品w的上一次购买日期，Lw表示商品w的使用时效期；
则修正推荐概率的公式为：
Figure BDA0003553998270000071
其中，
Figure BDA0003553998270000072
表示商品w修正后的推荐概率，yw表示商品w的推荐概率，Pw表示商品w的推荐系数；
然后，将所有商品按照所述修正后的推荐概率从大到小依次排序，更新推荐列表，并根据更新后的推荐列表进行推荐。可以想象当推荐列表较大的时候，用户难以有耐心看完电商平台的所有推荐，那么根据所有商品的修正推荐概率，我们将所有商品按推荐概率从大到小依次排序，如此可以尽量给用户推荐较为需要的商品。
在进行排序之前还包括进一步修正，进一步修正包括：由于用户二次购买时并不一定购买原商品；故将二次购买原商品的概率记为Pw0；则修正推荐概率的公式改写为：
Figure BDA0003553998270000073
其中，
Figure BDA0003553998270000081
表示商品w修正后的推荐概率，yw表示商品w的推荐概率，Pw表示商品w的推荐系数，Pw0表示二次购买原商品的概率。
进一步的，该方法还包括S4，通过收藏时效期和保管时效期对推荐进行个性化修正，当用户购买商品的时间间隔低于时效期时，则将时效期类型修改为收藏时效期或保管时效期；并根据用户的购买行为数据计算出这一情况的特定时效期；同时将这类用户的购买数据从之前使用时效期中剔除，并重新计算使用时效期。
具体的，由于用户之间对于收藏时效期和保管时效期具有差异性，我们的算法还要对用户的推荐进行个性化，比如算法检测到该用户购买某类商品时间间隔常常低于时效期时，则对于该用户，将时效期类型修改为收藏时效期或者保管时效期并以该用户自身的购买行为数据计算出这个特定的时效期(取平均值)。如果该类商品颜色和款式多样，可简单归为收藏时效期，否则归为保管时效期。同时将用户里这类两次购买数据从之前的使用时效期计算中剔除，并重新计算该商品的使用时效期。当该商品对于此用户被设置为保管时效期时，我们可以认为该用户不善保管易于丢失的商品，并同样以该用户自身的购买行为数据计算出这个特定的时效期。
本发明具有以下有益效果：
1.通过为商品添加时效期，对商品的推荐概率进行修正，然后根据修正后的推荐概率对商品进行排序，如此可以尽量给用户推荐较为需要的商品；并且能够减少重复的无效推荐，提升用户的满意度。
2.推荐概率的修正方式新颖。
3.增加了个性化修正，能够适应多数用户个体。
显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

Claims (10)

1.一种商品时效期推荐方法，其特征在于，包括：
S1：根据用户对商品的评论和点击，得到推荐概率，并生成推荐列表；
S2：根据相邻二次购买商品的平均时间间隔，得到时效期；
S3：根据时效期修正商品的推荐概率，根据修正后的推荐概率对商品进行排序，更新推荐列表，并根据更新后的推荐列表进行推荐。
2.根据权利要求1所述的一种商品时效期推荐方法，其特征在于，S1中，生成推荐列表的过程为：根据训练完成后的深度学习推荐模型预测商品的点击情况，得到推荐概率，根据预测为点击的商品以及推荐概率，生成推荐列表。
3.根据权利要求2所述的一种商品时效期推荐方法，其特征在于，训练深度学习推荐模型包括：以用户对商品的评论作为输入，以用户对商品的点击情况作为输出，训练深度学习推荐模型，训练完成后深度学习推荐模型将预测商品的点击情况。
4.根据权利要求2所述的一种商品时效期推荐方法，其特征在于，所述时效期包括使用时效期、收藏时效期和保管时效期。
5.根据权利要求4所述的一种商品时效期推荐方法，其特征在于，S2中，得到使用时效期的过程为：首先建立商品类别的映射函数，所述映射函数为：
F(w)＝K
其中，w表示商品名称，K表示商品类别；
然后，搜索每个用户的购买时间序列，记为：[w1：s1：t1，...，wi：si：ti，...，wq：sq：tq]，其中，i＝[1，2，...，q]，q表示购买时间序列长度，s表示购买规模，t表示购买日期；
根据映射函数，得到新的序列，新的序列记为：[K1：s1：t1，...，Ki：si：ti，...，Kq：sq：tq]，遍历所述新的序列，找出相同类别商品每两次购买的时间和规模，并将首次购买的规模和时间差同时进行累加，最后遍历所有的用户，得到所有用户二次购买的规模和时间差，则使用时效期计算公式为：
Figure FDA0003553998260000011
其中，Lw表示商品w的使用时效期，sj表示第j次搜索到商品w的首次购买规模，Δtj表示第j次搜索到商品w的两次时间差，p为搜索到的次数。
6.根据权利要求5所述的一种商品时效期推荐方法，其特征在于，在S3之前还包括：判断商品是否分类，若商品已分类，则商家给已分类的商品设置初始时效期；若商品未分类则不设置；当初始时效期与所述使用时效期不一致时，采用所述使用时效期覆盖初始时效期；并为未分类的商品设置使用时效期；
当商家设置的初始时效期与所述使用时效期偏差超过40％或低于40％时，将对商家进行警告和惩罚。
7.根据权利要求6所述的一种商品时效期推荐方法，其特征在于，S3中，根据使用时效期修正商品的推荐概率，首先根据使用时效期计算推荐系数，所述推荐系数的计算公式为：
Pw＝(t-tw)/Lw
其中，Pw表示商品w的推荐系数，t表示购买日期，tw表示商品w的上一次购买日期，Lw表示商品w的使用时效期；
则修正推荐概率的公式为：
Figure FDA0003553998260000021
其中，
Figure FDA0003553998260000022
表示商品w修正后的推荐概率，yw表示商品w的推荐概率，Pw表示商品w的推荐系数；
然后，将所有商品按照所述修正后的推荐概率从大到小依次排序，更新推荐列表，并根据更新后的推荐列表进行推荐。
8.根据权利要求7所述的一种商品时效期推荐方法，其特征在于，S3中，在进行排序之前还包括进一步修正，进一步修正包括：由于用户二次购买时并不一定购买原商品；故将二次购买原商品的概率记为Pw0；则修正推荐概率的公式改写为：
Figure FDA0003553998260000023
其中，
Figure FDA0003553998260000024
表示商品w修正后的推荐概率，yw表示商品w的推荐概率，Pw表示商品w的推荐系数，Pw0表示二次购买原商品的概率。
9.根据权利要求7所述的一种商品时效期推荐方法，其特征在于，还包括S4，通过收藏时效期和保管时效期对推荐进行个性化修正，当用户购买商品的时间间隔低于时效期时，则将时效期类型修改为收藏时效期或保管时效期；并根据用户的购买行为数据计算出这一情况的特定时效期；同时将这类用户的购买数据从之前使用时效期中剔除，并重新计算使用时效期。
10.根据权利要求3所述的一种商品时效期推荐方法，其特征在于，所述深度学习推荐模型包括嵌入向量组件、矩阵因式分解组件、因式分解机组件和多层感知器组件。
CN202210269438.4A 2022-03-18 2022-03-18 一种商品时效期推荐方法 Pending CN114676348A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210269438.4A CN114676348A (zh) 2022-03-18 2022-03-18 一种商品时效期推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210269438.4A CN114676348A (zh) 2022-03-18 2022-03-18 一种商品时效期推荐方法

Publications (1)

Publication Number Publication Date
CN114676348A true CN114676348A (zh) 2022-06-28

Family

ID=82074194

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210269438.4A Pending CN114676348A (zh) 2022-03-18 2022-03-18 一种商品时效期推荐方法

Country Status (1)

Country Link
CN (1) CN114676348A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117829965A (zh) * 2024-03-01 2024-04-05 深圳欧税通技术有限公司 一种用于跨境电商平台的产品推荐系统及方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117829965A (zh) * 2024-03-01 2024-04-05 深圳欧税通技术有限公司 一种用于跨境电商平台的产品推荐系统及方法

Similar Documents

Publication Publication Date Title
CN112182412B (zh) 用于推荐体检项目的方法、计算设备和计算机存储介质
Feldman et al. Customer choice models vs. machine learning: Finding optimal product displays on Alibaba
CN108629665B (zh) 一种个性化商品推荐方法和系统
US11734747B2 (en) Contextual set selection
US11816721B2 (en) Recommendation apparatus and method
US10572912B2 (en) System and method for integrating retail price optimization for revenue and profit with business rules
CN113256367B (zh) 用户行为历史数据的商品推荐方法、系统、设备及介质
US9183510B1 (en) Method and system for personalized recommendation of lifestyle items
US20130268395A1 (en) Automated product selection and distribution system
KR20050040805A (ko) 트러스트 값 계산 장치, 트러스트 값 계산 방법, 저장장치 또는 저장 매체 및 프로세서 장치
US11694218B2 (en) Computer technology for automated pricing guidance
CN111709810A (zh) 基于推荐模型的对象推荐方法及装置
US20190108571A1 (en) System and method for efficiently determining relevant products for display in an online marketplace
US20210326913A1 (en) Global optimization of inventory allocation
CN111400613A (zh) 物品推荐方法、装置、介质及计算机设备
US11651417B2 (en) Method, system, and non-transitory processor-readable medium for intelligent listing creation for a for sale object
CN115131101A (zh) 一种保险产品个性化智能推荐系统
CN111310038A (zh) 信息推荐方法、装置、电子设备及计算机可读存储介质
KR100823853B1 (ko) 인구통계학적 속성과 구매이력을 이용한 개인화 콘텐츠추천 방법
CN116720928B (zh) 基于人工智能的电商个性化精准导购方法
CN111861679A (zh) 一种基于人工智能的商品推荐方法
CN110413880A (zh) 基于用户人格分层结构的单分类协同过滤方法
US20230334553A1 (en) Systems and methods for garment size recommendation
JP7082014B2 (ja) 情報処理装置、情報処理方法、及びプログラム
CN114676348A (zh) 一种商品时效期推荐方法

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