CN114742605A - 产品推荐方法及装置、计算机可读存储介质、终端 - Google Patents

产品推荐方法及装置、计算机可读存储介质、终端 Download PDF

Info

Publication number
CN114742605A
CN114742605A CN202210205682.4A CN202210205682A CN114742605A CN 114742605 A CN114742605 A CN 114742605A CN 202210205682 A CN202210205682 A CN 202210205682A CN 114742605 A CN114742605 A CN 114742605A
Authority
CN
China
Prior art keywords
function
product
representing
user
cumulative distribution
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
CN202210205682.4A
Other languages
English (en)
Inventor
胡曼恬
曹竞存
周翔
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.)
Individual
Original Assignee
Individual
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 Individual filed Critical Individual
Priority to CN202210205682.4A priority Critical patent/CN114742605A/zh
Publication of CN114742605A publication Critical patent/CN114742605A/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
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2457—Query processing with adaptation to user needs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2462—Approximate or statistical queries
    • 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
    • G06Q30/0643—Graphical representation of items or shoppers

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Databases & Information Systems (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Probability & Statistics with Applications (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

一种产品推荐方法及装置、计算机可读存储介质、终端，所述方法包括：获取用户在预设时长内的一个或多个历史产品查看信息；采用预设的核函数，针对每个历史购买影响特征，分别形成累积分布函数，以及采用所述预设的核函数，针对所述历史购买结果，形成结果累积分布函数；选择一个或多个所述累积分布函数以及所述结果累积分布函数，构建高斯耦合联合累积分布函数，以及构建高斯耦合联合密度函数；构建目标函数，最大化所述目标函数以确定拟合效果最优的所述目标产品被购买的概率；确定是否向所述用户推荐所述目标产品。本发明有机会根据用户对目标产品的查看意愿度，决定是否向用户进行推荐。

Description

产品推荐方法及装置、计算机可读存储介质、终端
技术领域
本发明涉及计算机技术领域，尤其涉及一种产品推荐方法及装置、计算机可读存储介质、终端。
背景技术
随着互联网技术的迅猛发展及智能终端的快速普及，通过网络平台向用户推荐产品，成为常用的产品推荐方式。例如，用户可以在自己的移动设备上，通过产品推荐页面查看业务方给自己推荐的各种产品。
在现有技术中，通常是基于单一维度进行排序，然后向用户进行推荐，以购买商品为例，可以响应于用户打开产品推荐页面，判断为用户发出产品推荐请求，在购物页面中自动显示给用户推荐的各种产品，例如可以按照产品折扣排行的维度向用户推荐，或者按照折扣到期的时长向用户推荐。
然而，上述方案并未考虑到产品与用户之间的匹配性，往往向用户推荐大量其不感兴趣、购买意愿度低的产品，导致用户对推荐的产品缺乏查看意愿，甚至错过本该具有购买意愿的产品。
亟需一种产品推荐方法，能够预先对待推荐的目标产品进行判断，从而有机会根据用户对目标产品的查看意愿度，决定是否向用户进行推荐。
发明内容
本发明解决的技术问题是提供一种产品推荐方法及装置、计算机可读存储介质、终端，有机会根据用户对目标产品的查看意愿度，决定是否向用户进行推荐，有效提高推荐-查看转化率，甚至提高被购买的概率。
为解决上述技术问题，本发明实施例提供一种产品推荐方法，包括：获取用户在预设时长内的一个或多个历史产品查看信息，所述历史产品查看信息包括历史购买结果以及一个或多个历史购买影响特征；采用预设的核函数，针对每个历史购买影响特征，分别形成累积分布函数，以及采用所述预设的核函数，针对所述历史购买结果，形成结果累积分布函数；选择一个或多个所述累积分布函数以及所述结果累积分布函数，构建高斯耦合联合累积分布函数，以及构建高斯耦合联合密度函数；根据目标产品的购买影响特征以及所述高斯耦合联合密度函数，构建目标函数，最大化所述目标函数以确定拟合效果最优的所述目标产品被购买的概率；根据拟合效果最优的所述目标产品被购买的概率，确定是否向所述用户推荐所述目标产品。
可选的，所述历史产品查看信息所属的历史产品以及所述目标产品为迭代产品，所述目标产品是在接收所述用户的产品推荐请求后，响应于所述产品推荐请求选取的迭代产品；根据拟合效果最优的所述目标产品被购买的概率，确定是否向所述用户推荐所述目标产品包括：对多个所述目标产品被购买的概率进行排序；依照排序结果确定是否向所述用户推荐各个概率对应的目标产品。
可选的，所述历史购买影响特征选自以下一项或多项：历史产品的产品属性信息，所述用户的个体特征信息以及查看所述历史产品的时间因素。
可选的，所述形成累积分布函数包括：采用所述预设的核函数，针对每个历史购买影响特征，分别形成平滑密度函数；根据所述平滑密度函数，形成所述累积分布函数。
可选的，所述历史购买影响特征为历史产品的产品属性信息，所述预设的核函数为高斯核函数；采用下述公式，形成所述平滑密度函数：
Figure BDA0003528891190000021
和/或，采用下述公式，根据所述平滑密度函数，形成所述累积分布函数：
Figure BDA0003528891190000022
其中，
Figure BDA0003528891190000023
用于表示用户i查看的产品属性信息d，
Figure BDA0003528891190000024
用于表示基于
Figure BDA0003528891190000025
的平滑密度函数，且该函数为高斯函数，
Figure BDA0003528891190000026
用于表示用户i在t时刻查看的产品j的产品属性信息d，
Figure BDA0003528891190000027
用于表示基于
Figure BDA0003528891190000028
的累积分布函数，h为平滑参数即带宽；T用于表示所述预设时长，Mit用于表示用户i在所述预设时长内查看的产品数量。
可选的，所述历史购买影响特征为所述用户的个体特征信息，所述预设的核函数为高斯核函数；采用下述公式，形成所述平滑密度函数：
Figure BDA0003528891190000031
和/或，采用下述公式，根据所述平滑密度函数，形成所述累积分布函数：
Figure BDA0003528891190000032
其中，
Figure BDA0003528891190000033
用于表示用户i的个体特征信息c，
Figure BDA0003528891190000034
用于表示基于
Figure BDA0003528891190000035
的平滑密度函数，且该函数为高斯函数，
Figure BDA0003528891190000036
用于表示用户i在t时刻查看的产品j时的个体特征信息c，
Figure BDA0003528891190000037
用于表示基于
Figure BDA0003528891190000038
的累积分布函数，h为平滑参数即带宽；T用于表示所述预设时长，Mit用于表示用户i在所述预设时长内查看的产品数量。
可选的，所述历史购买影响特征为查看所述历史产品的时间因素，所述预设的核函数为高斯核函数；采用下述公式，形成所述平滑密度函数：
Figure BDA0003528891190000039
和/或，采用下述公式，根据所述平滑密度函数，形成所述累积分布函数：
Figure BDA00035288911900000310
其中，ωli用于表示用户i的时间因素，
Figure BDA00035288911900000311
用于表示基于ωli的平滑密度函数，且该函数为高斯函数，ωlijt用于表示用户i在t时刻查看的产品j时的时间因素，
Figure BDA00035288911900000312
用于表示基于ωli的累积分布函数，h为平滑参数即带宽；T用于表示所述预设时长，Mit用于表示用户i在所述预设时长内查看的产品数量。
可选的，所述形成结果累积分布函数包括：采用所述预设的核函数，针对所述历史购买结果，形成结果平滑密度函数；根据所述结果平滑密度函数，形成所述结果累积分布函数。
可选的，所述预设的核函数为高斯核函数；采用下述公式，形成所述结果平滑密度函数：
Figure BDA0003528891190000041
和/或，采用下述公式，根据所述结果平滑密度函数，形成所述结果累积分布函数：
Figure BDA0003528891190000042
其中，yi用于表示用户i的历史购买结果为购买或未购买，
Figure BDA0003528891190000043
用于表示基于yi的结果平滑密度函数，且该函数为高斯函数，yijt用于表示用户i在t时刻查看的产品j的历史购买结果为购买或未购买，
Figure BDA0003528891190000044
用于表示基于yi的结果累积分布函数，h为平滑参数即带宽；T用于表示所述预设时长，Mit用于表示用户i在所述预设时长内查看的产品数量。
可选的，所述预设的核函数选自以下一项或多项：高斯核函数、指数核函数、多项式核函数以及箱型核函数。
可选的，所述累积分布函数包含历史产品的产品属性信息，所述用户的个体特征信息以及查看所述历史产品的时间因素的累积分布函数；采用下述公式，选择一个或多个所述累积分布函数以及所述结果累积分布函数，构建高斯耦合联合累积分布函数：
Figure BDA0003528891190000045
其中，
Figure BDA0003528891190000046
用于表示高斯耦合联合累积分布函数，R(i)用于表示高斯分布函数的方差协方差矩阵，ΦR(i)用于表示具有零均值和方差协方差矩阵R(i)的多元高斯分布的联合累积分布函数，
Figure BDA0003528891190000047
用于表示概率积分转换函数；yi用于表示历史购买结果，
Figure BDA0003528891190000051
用于表示结果累积分布函数，
Figure BDA0003528891190000052
用于表示结果累积分布函数的概率积分转换函数；
Figure BDA0003528891190000053
用于表示用户i查看的各个产品属性信息d，
Figure BDA0003528891190000054
用于表示基于产品属性信息d的累积分布函数，
Figure BDA0003528891190000055
用于表示基于
Figure BDA0003528891190000056
的逆累积分布函数，
Figure BDA0003528891190000057
用于表示基于
Figure BDA0003528891190000058
的累积分布函数的概率积分转换函数；
Figure BDA0003528891190000059
用于表示用户i的个体特征信息c，
Figure BDA00035288911900000510
用于表示基于个体特征信息c的累积分布函数，
Figure BDA00035288911900000511
用于表示基于
Figure BDA00035288911900000512
的逆累积分布函数，
Figure BDA00035288911900000513
用于表示基于
Figure BDA00035288911900000514
的累积分布函数的概率积分转换函数；
Figure BDA00035288911900000515
用于表示用户i的时间因素，
Figure BDA00035288911900000516
用于表示基于时间因素的累积分布函数，
Figure BDA00035288911900000517
用于表示基于
Figure BDA00035288911900000518
的逆累积分布函数，
Figure BDA00035288911900000519
用于表示基于
Figure BDA00035288911900000520
的累积分布函数的概率积分转换函数。
可选的，采用下述公式，确定所述高斯分布函数的方差协方差矩阵R(i)：
R(i)＝Λ(i)-1/2Σ(i)Λ(i)-1/2
Figure BDA00035288911900000521
其中，
Figure BDA00035288911900000522
用于表示
Figure BDA00035288911900000523
的观测值，Mit用于表示用户i在所述预设时长内查看的产品数量；Λ(i)用于表示包含Σ(i)的对角元素的对角矩阵，Σ(i)用于表示协方差矩阵。
可选的，采用下述公式，构建所述高斯耦合联合密度函数：
Figure BDA00035288911900000524
其中，
Figure BDA0003528891190000061
用于表示高斯耦合联合密度函数，c(x)用于表示耦合函数，yi用于表示历史购买结果，
Figure BDA0003528891190000062
用于表示结果累积分布函数，
Figure BDA0003528891190000063
用于表示用户i查看的各个产品属性信息d，
Figure BDA0003528891190000064
用于表示基于产品属性信息d的累积分布函数，
Figure BDA0003528891190000065
用于表示用户i的个体特征信息c，
Figure BDA0003528891190000066
用于表示基于个体特征信息c的累积分布函数，
Figure BDA0003528891190000067
用于表示用户i的时间因素，
Figure BDA0003528891190000068
用于表示基于时间因素的累积分布函数，
Figure BDA0003528891190000069
用于表示基于yi的结果平滑密度函数，
Figure BDA00035288911900000610
用于表示基于
Figure BDA00035288911900000611
的平滑密度函数，
Figure BDA00035288911900000612
用于表示基于
Figure BDA00035288911900000613
的平滑密度函数，
Figure BDA00035288911900000614
用于表示基于ωli的平滑密度函数。
可选的，采用下述公式，构建所述目标函数：
Figure BDA00035288911900000615
其中，
Figure BDA00035288911900000616
Figure BDA00035288911900000617
所述y'i用于表示目标产品被购买的概率，所述
Figure BDA00035288911900000618
用于表示所述目标产品的产品属性信息，所述
Figure BDA00035288911900000619
用于表示所述用户i的个体特征信息，所述ωi用于表示所述用户i查看所述目标产品的时间因素。
可选的，最大化所述目标函数以确定拟合效果最优的所述目标产品被购买的概率包括：在[0,1]中选择多个值赋给y'i，并分别计算
Figure BDA00035288911900000620
采用下述公式，确定
Figure BDA00035288911900000621
最大时的y'i，作为所述拟合效果最优的目标产品被购买的概率：
Figure BDA0003528891190000071
其中，y'i＝Φ-1(R(i))。
为解决上述技术问题，本发明实施例提供一种产品推荐装置，包括：获取模块，用于获取用户在预设时长内的一个或多个历史产品查看信息，所述历史产品查看信息包括历史购买结果以及一个或多个历史购买影响特征；第一函数确定模块，用于采用预设的核函数，针对每个历史购买影响特征，分别形成累积分布函数，以及采用所述预设的核函数，针对所述历史购买结果，形成结果累积分布函数；第二函数确定模块，用于选择一个或多个所述累积分布函数以及所述结果累积分布函数，构建高斯耦合联合累积分布函数，以及构建高斯耦合联合密度函数；拟合模块，用于根据目标产品的购买影响特征以及所述高斯耦合联合密度函数，构建目标函数，最大化所述目标函数以确定拟合效果最优的所述目标产品被购买的概率；推荐确定模块，用于根据拟合效果最优的所述目标产品被购买的概率，确定是否向所述用户推荐所述目标产品。
为解决上述技术问题，本发明实施例提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器运行时执行上述产品推荐方法的步骤。
为解决上述技术问题，本发明实施例提供一种终端，包括存储器和处理器，所述存储器上存储有能够在所述处理器上运行的计算机程序，所述处理器运行所述计算机程序时执行上述产品推荐方法的步骤。
与现有技术相比，本发明实施例的技术方案具有以下有益效果：
在本发明实施例中，通过获取用户的历史产品查看信息，并基于历史查看信息形成累积分布函数以及结果累积分布函数，进而构建高斯高斯耦合联合累积分布函数以及高斯耦合联合密度函数，再根据目标产品的购买影响特征构建目标函数，确定拟合效果最优的所述目标产品被购买的概率，预测用户对目标产品的意愿度，从而通过大数据处理技术，在预先对待推荐的目标产品进行判断后，有机会根据用户对目标产品的查看意愿度，决定是否向用户进行推荐，有效提高推荐-查看转化率，甚至提高被购买的概率。
进一步，历史产品以及所述目标产品为迭代产品，例如产品会自动更新显示，如果显示过晚则可能失去被用户查看的机会，在此类情况下，对多个所述目标产品被购买的概率进行排序，并依照排序结果确定是否向所述用户推荐各个概率对应的目标产品，能够向用户推荐更加符合其意愿的产品，有利于提高推荐-查看转化率，甚至提高被购买的概率。
进一步，所述历史购买影响特征选自历史产品的产品属性信息，所述用户的个体特征信息以及查看所述历史产品的时间因素，从而可以利用历史产品的特性以及用户的特性，确定历史产品被选择的情况，从而更有效地对用户的潜在购买习惯进行判断，形成针对该用户更具客制化、准确性更高的目标函数，进一步提高判断用户的购买意愿度的准确性。
进一步，通过采用高斯核函数，形成平滑密度函数，进而形成累积分布函数，可以利用高斯核函数具有的对称性、平滑性的特点，提高获得的累积分布函数的有效性，进一步提高后续形成的目标函数的准确性。
进一步，采用Σ(i)以及包含Σ(i)的对角元素的对角矩阵确定高斯分布函数的方差协方差矩阵R(i)，可以更有效、更准确地确定方差协方差矩阵，进而在后续步骤中基于方差协方差矩阵R(i)构建高斯耦合联合累积分布函数。
进一步，通过构建适当的目标函数，可以最大化所述目标函数以确定拟合效果最优的所述目标产品被购买的概率，进一步提高判断用户的购买意愿度的准确性。
附图说明
图1是本发明实施例中一种产品推荐方法的流程图；
图2是图1中步骤S15的一种具体实施方式的流程图；
图3是本发明实施例中一种产品推荐装置的结构示意图。
具体实施方式
在现有技术中，后台服务器可以通过网络平台向用户推荐产品并提供购买渠道，然而现有的产品推荐方式通常是基于单一维度进行排序，并未考虑到产品与用户之间的匹配性，往往向用户推荐大量其不感兴趣、购买意愿度低的产品，导致用户对推荐的产品缺乏查看意愿，甚至错过本该具有购买意愿的产品。
本发明的发明人经过研究发现，在现有的产品推荐方案中，通常是先接收所述用户输入的产品推荐请求后，根据所述产品推荐请求，对待推荐的目标产品进行排序，向用户进行推荐。
然而在推荐过程中，可能存在各种问题，例如先推荐产品可能并不如后推荐的产品适合用户，用户难以在不确定未来选择的同时做出决定；还例如各个目标产品可能存在时效性，例如存在折扣到期、数量有限等问题。具体地，以在线约会网站为例，用户会收到一个或多个推荐的“匹配文件”，一旦滑过(即放弃)则可能无法返回选择同样的文件；以日常交易网站、闪购网站、在线流媒体服务销售网站为例，存在限时促销活动，用户需要决定立即购买产品(或服务)还是等待下一个产品(或服务)，其中，被放弃的产品(或服务)可能会因过期而不再显示，导致用户错过匹配的产品，用户体验度较差。
本发明的发明人经过研究还发现，现有的产品推荐方案仅着眼于待推荐的目标产品本身，利用目标产品的单一维度进行排序，并不考虑用户本身的个体特性，也不考虑该用户的潜在购买习惯，导致在推荐过程中客制化不足，难以进行有效推荐。
在本发明实施例中，通过获取用户的历史产品查看信息，并基于历史查看信息形成累积分布函数以及结果累积分布函数，进而构建高斯高斯耦合联合累积分布函数以及高斯耦合联合密度函数，再根据目标产品的购买影响特征构建目标函数，确定拟合效果最优的所述目标产品被购买的概率，预测用户对目标产品的意愿度，从而通过大数据处理技术，在预先对待推荐的目标产品进行判断后，有机会根据用户对目标产品的查看意愿度，决定是否向用户进行推荐，有效提高推荐-查看转化率，甚至提高被购买的概率。
为使本发明的上述目的、特征和有益效果能够更为明显易懂，下面结合附图对本发明的具体实施例做详细的说明。
参照图1，图1是本发明实施例中一种产品推荐方法的流程图。所述产品推荐方法可以包括步骤S11至步骤S15：
步骤S11：获取用户在预设时长内的一个或多个历史产品查看信息，所述历史产品查看信息包括历史购买结果以及一个或多个历史购买影响特征；
步骤S12：采用预设的核函数，针对每个历史购买影响特征，分别形成累积分布函数，以及采用所述预设的核函数，针对所述历史购买结果，形成结果累积分布函数；
步骤S13：选择一个或多个所述累积分布函数以及所述结果累积分布函数，构建高斯耦合联合累积分布函数，以及构建高斯耦合联合密度函数；
步骤S14：根据目标产品的购买影响特征以及所述高斯耦合联合密度函数，构建目标函数，最大化所述目标函数以确定拟合效果最优的所述目标产品被购买的概率；
步骤S15：根据拟合效果最优的所述目标产品被购买的概率，确定是否向所述用户推荐所述目标产品。
可以理解的是，在具体实施中，所述方法可以采用软件程序的方式实现，该软件程序运行于芯片或芯片模组内部集成的处理器中。
在步骤S11的具体实施中，对于所述用户，在每个时间段都可能查看一定数量的产品，这些被查看过的历史产品的相关信息可以作为历史数据进行后续分析。
可以理解的是，所述预设时长不应当设置过短，否则会导致获取的信息量过少，难以确定用户的查看影响因素或购买影响因素；所述预设时长不应当设置过长，否则会导致运算量过大，影响确定准确性。作为一个非限制性的例子，可以设置预设时长选自1小时至1个月，例如为1天。
在具体应用中，用户i可以在t时刻(例如第t天)逐一查看了Mit个历史产品，1≤j≤Mit，j可以用于表示所述历史产品在所述预设时长内被查看的次序，每个历史产品具有历史产品查看信息。
其中，所述历史产品查看信息可以包括历史购买结果以及一个或多个历史购买影响特征，具体地，历史购买结果可以包括已购买和未购买。
在本发明实施例的一种具体实施方式中，所述历史产品查看信息涉及的历史产品可以是用户浏览过产品详情的历史产品，例如用户曾经点开过某一产品的链接页面，进入到该产品的详情页面。
具体地，用户在被推荐的大量产品中特地对该产品进行浏览，可以表示用户对该产品具有一定的兴趣，将此类产品作为历史产品，并获取历史产品查看信息，可以使得后续的推荐步骤更具有针对性。
在本发明实施例的另一种具体实施方式中，所述历史产品查看信息涉及的历史产品可以是向用户推荐过的产品，无论用户是否曾经点击过该产品的链接页面，都作为历史产品并获取历史产品查看信息。
具体地，将过去向用户推荐过的产品作为历史产品，可以有效扩大对用户信息进行采集的广度和宽度，从而在更多的历史产品中，确定用户真正感兴趣的部分，可以使得后续的推荐步骤更具有代表性。
进一步，所述历史购买影响特征可以选自以下一项或多项：历史产品的产品属性信息，所述用户的个体特征信息以及查看所述历史产品的时间因素。
其中，历史产品的产品属性信息可以用于表示历史产品的客观属性。
用户的个体特征信息可以用于表示用户的个人选择倾向性。
查看所述历史产品的时间因素可以用于表示时间效应(又称为季节性)，会影响用户对产品的选择，例如在圣诞节，用户会更频繁地查看和购买具有圣诞元素的产品。
在本发明实施例中，可以利用历史产品的特性以及用户的特性，确定历史产品被选择的情况，从而更有效地对用户的潜在购买习惯进行判断，形成针对该用户更具客制化、准确性更高的目标函数，进一步提高判断用户的购买意愿度的准确性。
在步骤S12的具体实施中，采用预设的核函数，针对每个历史购买影响特征，分别形成累积分布函数，以及采用所述预设的核函数，针对所述历史购买结果，形成结果累积分布函数。
进一步地，所述预设的核函数可以选自以下一项或多项：高斯核函数、指数核函数、多项式核函数以及箱型核函数。
作为一个非限制性的具体实施例，所述预设的核函数可以为高斯核函数。
在本发明实施例中，通过采用高斯核函数，形成平滑密度函数，进而形成累积分布函数，可以利用高斯核函数具有的对称性、平滑性的特点，提高获得的累积分布函数的有效性，进一步提高后续形成的目标函数的准确性。
进一步地，所述形成累积分布函数的步骤可以包括：采用所述预设的核函数，针对每个历史购买影响特征，分别形成平滑密度函数；根据所述平滑密度函数，形成所述累积分布函数。
以下可以针对所述历史购买影响特征为历史产品的产品属性信息、用户的个体特征信息或查看所述历史产品的时间因素，分别对形成累积分布函数的步骤进行说明。
更进一步地，所述历史购买影响特征为历史产品的产品属性信息，所述预设的核函数为高斯核函数；可以采用下述公式，形成所述平滑密度函数：
Figure BDA0003528891190000121
和/或，
可以采用下述公式，根据所述平滑密度函数，形成所述累积分布函数：
Figure BDA0003528891190000122
其中，
Figure BDA0003528891190000123
用于表示用户i查看的产品属性信息d，
Figure BDA0003528891190000124
用于表示基于
Figure BDA0003528891190000125
的平滑密度函数，且该函数为高斯函数，
Figure BDA0003528891190000126
用于表示用户i在t时刻查看的产品j的产品属性信息d，
Figure BDA0003528891190000127
用于表示基于
Figure BDA0003528891190000128
的累积分布函数，h为平滑参数即带宽；T用于表示所述预设时长，Mit用于表示用户i在所述预设时长内查看的产品数量。
更进一步地，所述历史购买影响特征为所述用户的个体特征信息，所述预设的核函数为高斯核函数；采用下述公式，形成所述平滑密度函数：
Figure BDA0003528891190000131
和/或，
采用下述公式，根据所述平滑密度函数，形成所述累积分布函数：
Figure BDA0003528891190000132
其中，
Figure BDA0003528891190000133
用于表示用户i的个体特征信息c，
Figure BDA0003528891190000134
用于表示基于
Figure BDA0003528891190000135
的平滑密度函数，且该函数为高斯函数，
Figure BDA0003528891190000136
用于表示用户i在t时刻查看的产品j时的个体特征信息c，
Figure BDA0003528891190000137
用于表示基于
Figure BDA0003528891190000138
的累积分布函数，h为平滑参数即带宽；T用于表示所述预设时长，Mit用于表示用户i在所述预设时长内查看的产品数量。
更进一步地，所述历史购买影响特征为查看所述历史产品的时间因素，所述预设的核函数为高斯核函数；采用下述公式，形成所述平滑密度函数：
Figure BDA0003528891190000139
和/或，
采用下述公式，根据所述平滑密度函数，形成所述累积分布函数：
Figure BDA00035288911900001310
其中，ωli用于表示用户i的时间因素，
Figure BDA00035288911900001311
用于表示基于ωli的平滑密度函数，且该函数为高斯函数，ωlijt用于表示用户i在t时刻查看的产品j时的时间因素，
Figure BDA00035288911900001312
用于表示基于ωli的累积分布函数，h为平滑参数即带宽；T用于表示所述预设时长，Mit用于表示用户i在所述预设时长内查看的产品数量。
进一步地，所述形成结果累积分布函数的步骤可以包括：采用所述预设的核函数，针对所述历史购买结果，形成结果平滑密度函数；根据所述结果平滑密度函数，形成所述结果累积分布函数。
更进一步地，所述预设的核函数为高斯核函数；采用下述公式，形成所述结果平滑密度函数：
Figure BDA0003528891190000141
和/或，
采用下述公式，根据所述结果平滑密度函数，形成所述结果累积分布函数：
Figure BDA0003528891190000142
其中，yi用于表示用户i的历史购买结果为购买或未购买，
Figure BDA0003528891190000143
用于表示基于yi的结果平滑密度函数，且该函数为高斯函数，yijt用于表示用户i在t时刻查看的产品j的历史购买结果为购买或未购买，
Figure BDA0003528891190000144
用于表示基于yi的结果累积分布函数，h为平滑参数即带宽；T用于表示所述预设时长，Mit用于表示用户i在所述预设时长内查看的产品数量。
继续参照图1，在步骤S13的具体实施中，可以构建高斯耦合联合累积分布函数，以及构建高斯耦合联合密度函数。
其中，在选择累积分布函数时，可以选择历史产品的产品属性信息，所述用户的个体特征信息以及查看所述历史产品的时间因素中的一项或多项。
进一步地，所述累积分布函数包含历史产品的产品属性信息，所述用户的个体特征信息以及查看所述历史产品的时间因素的累积分布函数；采用下述公式，选择一个或多个所述累积分布函数以及所述结果累积分布函数，构建高斯耦合联合累积分布函数：
Figure BDA0003528891190000145
其中，
Figure BDA0003528891190000151
用于表示高斯耦合联合累积分布函数，R(i)用于表示高斯分布函数的方差协方差矩阵，ΦR(i)用于表示具有零均值和方差协方差矩阵R(i)的多元高斯分布的联合累积分布函数，
Figure BDA0003528891190000152
用于表示概率积分转换函数；yi用于表示历史购买结果，
Figure BDA0003528891190000153
用于表示结果累积分布函数，
Figure BDA0003528891190000154
用于表示结果累积分布函数的概率积分转换函数；
Figure BDA0003528891190000155
用于表示用户i查看的各个产品属性信息d，
Figure BDA0003528891190000156
用于表示基于产品属性信息d的累积分布函数，
Figure BDA0003528891190000157
用于表示基于
Figure BDA0003528891190000158
的逆累积分布函数，
Figure BDA0003528891190000159
用于表示基于
Figure BDA00035288911900001510
的累积分布函数的概率积分转换函数；
Figure BDA00035288911900001511
用于表示用户i的个体特征信息c，
Figure BDA00035288911900001512
用于表示基于个体特征信息c的累积分布函数，
Figure BDA00035288911900001513
用于表示基于
Figure BDA00035288911900001514
的逆累积分布函数，
Figure BDA00035288911900001515
用于表示基于
Figure BDA00035288911900001516
的累积分布函数的概率积分转换函数；
Figure BDA00035288911900001517
用于表示用户i的时间因素，
Figure BDA00035288911900001518
用于表示基于时间因素的累积分布函数，
Figure BDA00035288911900001519
用于表示基于
Figure BDA00035288911900001520
的逆累积分布函数，
Figure BDA00035288911900001521
用于表示基于
Figure BDA00035288911900001522
的累积分布函数的概率积分转换函数。
其中，所述高斯分布函数的方差协方差矩阵R(i)可以采用预设值，还可以通过计算得到。
更进一步地，可以采用下述公式，确定所述高斯分布函数的方差协方差矩阵R(i)：
R(i)＝Λ(i)-1/2Σ(i)Λ(i)-1/2
Figure BDA00035288911900001523
其中，
Figure BDA0003528891190000161
用于表示
Figure BDA0003528891190000162
的观测值，Mit用于表示用户i在所述预设时长内查看的产品数量；Λ(i)用于表示包含Σ(i)的对角元素的对角矩阵，Σ(i)用于表示协方差矩阵。
在本发明实施例中，采用Σ(i)以及包含Σ(i)的对角元素的对角矩阵确定高斯分布函数的方差协方差矩阵R(i)，可以更有效、更准确地确定方差协方差矩阵，进而在后续步骤中基于方差协方差矩阵R(i)构建高斯耦合联合累积分布函数。
进一步地，可以采用下述公式，构建所述高斯耦合联合密度函数：
Figure BDA0003528891190000163
其中，
Figure BDA0003528891190000164
用于表示高斯耦合联合密度函数，c(x)用于表示耦合(copula)函数，yi用于表示历史购买结果，
Figure BDA0003528891190000165
用于表示结果累积分布函数，
Figure BDA0003528891190000166
用于表示用户i查看的各个产品属性信息d，
Figure BDA0003528891190000167
用于表示基于产品属性信息d的累积分布函数，
Figure BDA0003528891190000168
用于表示用户i的个体特征信息c，
Figure BDA0003528891190000169
用于表示基于个体特征信息c的累积分布函数，
Figure BDA00035288911900001610
用于表示用户i的时间因素，
Figure BDA00035288911900001611
用于表示基于时间因素的累积分布函数，
Figure BDA00035288911900001612
用于表示基于yi的结果平滑密度函数，
Figure BDA00035288911900001613
用于表示基于
Figure BDA00035288911900001614
的平滑密度函数，
Figure BDA00035288911900001615
用于表示基于
Figure BDA00035288911900001616
的平滑密度函数，
Figure BDA00035288911900001617
用于表示基于ωli的平滑密度函数。
在本发明实施例中，通过利用耦合函数不需要对变量的边际分布进行任何假设的优点，更适合处理不平衡数据。
可以理解的是，给定方差协方差矩阵R(i)，可以确定变量的联合累积分布，通过比较
Figure BDA0003528891190000171
以及
Figure BDA0003528891190000172
可以判断用户i在第t天对产品j的购买行为，作为一个非限制性的例子，如果购买的概率大于0.5，则可以判断为用户i会购买该产品。
在步骤S14的具体实施中，根据目标产品的购买影响特征以及所述高斯耦合联合密度函数，构建目标函数，然后最大化所述目标函数以确定拟合效果最优的所述目标产品被购买的概率。
进一步地，可以采用下述公式，构建所述目标函数：
Figure BDA0003528891190000173
其中，
Figure BDA0003528891190000174
Figure BDA0003528891190000175
所述y'i用于表示目标产品被购买的概率，所述
Figure BDA0003528891190000176
用于表示所述目标产品的产品属性信息，所述
Figure BDA0003528891190000177
用于表示所述用户i的个体特征信息，所述ωi用于表示所述用户i查看所述目标产品的时间因素。
进一步地，最大化所述目标函数以确定拟合效果最优的所述目标产品被购买的概率的步骤可以包括：在[0,1]中选择多个值赋给y'i，并分别计算
Figure BDA0003528891190000178
采用下述公式，确定
Figure BDA0003528891190000179
最大时的y'i，作为所述拟合效果最优的目标产品被购买的概率：
Figure BDA00035288911900001710
其中，y'i＝Φ-1(R(i))。
需要指出的是，得到的
Figure BDA00035288911900001711
的最大值的逆累积分布函数可用于预测行为。
例如，在[0,1]中选择并赋值0.1、0.3、0.5给y'i，并计算得到y'i的值为0.3时的
Figure BDA0003528891190000181
最大，则所述拟合效果最优的目标产品被购买的概率为0.3。如果预先设置为购买的概率大于0.5时可判断为用户i会购买该产品，则目标产品购买的概率为0.3用于表示用户i不会购买目标产品。
在本发明实施例中，通过构建适当的目标函数，可以最大化所述目标函数以确定拟合效果最优的所述目标产品被购买的概率，进一步提高判断用户的购买意愿度的准确性。
在步骤S15的具体实施中，根据拟合效果最优的所述目标产品被购买的概率，确定是否向所述用户推荐所述目标产品。
参照图2，图2是图1中步骤S15的一种具体实施方式的流程图。
所述历史产品查看信息所属的历史产品以及所述目标产品为迭代产品，所述目标产品可以是在接收所述用户的产品推荐请求后，响应于所述产品推荐请求选取的迭代产品；根据拟合效果最优的所述目标产品被购买的概率，确定是否向所述用户推荐所述目标产品的步骤可以包括步骤S21至步骤S22，以下对各个步骤进行说明。
在步骤S21中，对多个所述目标产品被购买的概率进行排序。
具体地，可以采用前述步骤，确定
Figure BDA0003528891190000182
最大时的y'i并作为所述拟合效果最优的目标产品被购买的概率后，对多个目标产品的概率进行排序。
作为一个非限制性的例子，3个目标产品A、B、C被购买的概率分别为0.2、0.4、0.9，则可以自大至小对3个目标产品进行排序，得到目标产品C、B、A。
在步骤S22中，依照排序结果确定是否向所述用户推荐各个概率对应的目标产品。
在上述示例中，目标产品C被购买的概率为0.9，表示用户大概率会购买，可以对其进行推荐；目标产品B被购买的概率为0.4，表示用户购买概率较小，可以在推荐位较多时推荐，而在推荐位较少时不推荐；目标产品B被购买的概率为0.2，表示用户购买概率非常小，可以不予推荐。
具体地，历史产品以及所述目标产品为迭代产品，例如产品会自动更新显示，如果显示过晚则可能失去被用户查看的机会。
在迭代产品的场景下，因为对未来出现的产品的不确定性，用户在决策的过程中需要考虑更复杂的因素，在本发明实施例中，利用所有购买和非购买数据、交易特征、个体特征、时间因素和购买标签来构建描述购买行为整个概率空间的联合分布，能够更精确地预测用户行为，并且有效处理不平衡数据(imbalance data)的问题。
更具体而言，当观察结果不成比例地分布在不同的决策类别中时，容易出现不平衡数据，此时难以对来自不同分布的众多变量进行结合，从而预测用户行为。在本发明实施例中，通过采用半参数高斯连续(Semi-parametric Gaussian Copula，SGC)方法，可以利用耦合函数不需要对变量的边际分布进行任何假设的优点，有效处理不平衡数据。并且由于采用了半参数的模型，其预测基于选择似然，因此在应用于不平衡数据时具有很强的预测性能。
在本发明实施例中，在历史产品以及所述目标产品为迭代产品的情况下，对多个所述目标产品被购买的概率进行排序，并依照排序结果确定是否向所述用户推荐各个概率对应的目标产品，能够向用户推荐更加符合其意愿的产品，有利于提高推荐-查看转化率，甚至提高被购买的概率。
进一步地，所述迭代产品可以为快速迭代产品。
所述快速迭代产品可以是采用大于等于预设频率的更新频率进行更新显示的，或者是下一更新时刻难以确定的。如购物页面中具有时效性的特价商品，在一定时长后会失效；又如限制数量的商品，在被购买完后会失效；又如在线约会等推荐页面，用户划过该页面后可能就无法返回重新进行查看，在此类情况下，更需要向用户推荐更符合其意愿的产品，以免在用户查看其它产品的过程中错过匹配的产品。
在一个非限制性的具体实施例中，生成具有不同购买率的不平衡数据，包括严重不平衡(5％)和中度不平衡(20％)购买率。在数据生成过程中，模拟了12个协变量：四个从正态分布中采样，四个从混合分布中采样，四个从偏斜伽马分布中生成，从而能够反映出现实场景中获得的数据的复杂性。
进一步地，由于因素通常与最终决策非线性相关，还可以对每组协变量应用平方、指数和余弦变换。
接下来，可以使用本发明实施例中的SGC方法预测购买量并检查命中率。在下述描述中，以模拟5000条训练记录，并在另外2500条保留记录上测试SGC的预测性能为例，其中，训练数据和测试数据的购买比例相同(即5％或20％)。
经过500轮模拟，数据严重失衡的购买平均命中率为91.88％(6.16％)，数据中度失衡的平均命中率为96.03％(3.96％)。在这两种情况下，本发明实施例中的SGC方法都能获得超过90％的未来购买。
具体地，SGC方法使用非参数核密度估计(Kernel Density Estimation，KDE)以将特征值平滑到相同的尺度并估计每个特征的密度，可以有效地描述数据的分布方式。以正态分布中选择一个协变量，从混合分布中选择一个协变量，从偏态分布中选择一个协变量为例，先预测购买交易的协变量分布，然后将其与真实(模拟)购买交易的协变量分布进行比较，无论分布是单峰还是多峰，SGC方法可以有效地捕获协变量的分布。这表明SGC方法可以准确地反映嵌入在不同协变量的复杂分布中的信息，并将其组合起来进行预测。因此，即使对于不平衡的数据，SGC也可以实现出色的命中率。
在本发明实施例中，通过获取用户的历史产品查看信息，并基于历史查看信息形成累积分布函数以及结果累积分布函数，进而构建高斯高斯耦合联合累积分布函数以及高斯耦合联合密度函数，再根据目标产品的购买影响特征构建目标函数，确定拟合效果最优的所述目标产品被购买的概率，预测用户对目标产品的意愿度，从而通过大数据处理技术，在预先对待推荐的目标产品进行判断后，有机会根据用户对目标产品的查看意愿度，决定是否向用户进行推荐，有效提高推荐-查看转化率，甚至提高被购买的概率。
参照图3，图3是本发明实施例中一种产品推荐装置的结构示意图。所述产品推荐装置可以包括：
获取模块31，用于获取用户在预设时长内的一个或多个历史产品查看信息，所述历史产品查看信息包括历史购买结果以及一个或多个历史购买影响特征；
第一函数确定模块32，用于采用预设的核函数，针对每个历史购买影响特征，分别形成累积分布函数，以及采用所述预设的核函数，针对所述历史购买结果，形成结果累积分布函数；
第二函数确定模块33，用于选择一个或多个所述累积分布函数以及所述结果累积分布函数，构建高斯耦合联合累积分布函数，以及构建高斯耦合联合密度函数；
拟合模块34，用于根据目标产品的购买影响特征以及所述高斯耦合联合密度函数，构建目标函数，最大化所述目标函数以确定拟合效果最优的所述目标产品被购买的概率；
推荐确定模块35，用于根据拟合效果最优的所述目标产品被购买的概率，确定是否向所述用户推荐所述目标产品。
在具体实施中，上述装置可以对应于终端中具有数据处理功能的芯片；或者对应于终端中包括具有数据处理功能芯片的芯片模组，或者对应于终端。
关于图3示出的产品推荐装置的工作原理、工作方式和有益效果等更多内容，可以参照前文以及图1至图2的相关描述，在此不再赘述。
本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器运行时，执行上述的产品推荐方法的步骤。所述存储介质可以包括ROM、RAM、磁盘或光盘等。所述存储介质还可以包括非挥发性存储器(non-volatile)或者非瞬态(non-transitory)存储器等。
本发明实施例还提供一种终端，包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的计算机程序，所述处理器运行所述计算机程序时执行上述的产品推荐方法的步骤。所述终端包括但不限于手机、计算机、平板电脑、服务器、云平台等终端设备。
应理解，本申请实施例中，所述处理器可以为中央处理单元(central processingunit，简称CPU)，该处理器还可以是其他通用处理器、数字信号处理器(digital signalprocessor，简称DSP)、专用集成电路(application specific integrated circuit，简称ASIC)、现成可编程门阵列(field programmable gate array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
还应理解，本申请实施例中的存储器可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(read-only memory，简称ROM)、可编程只读存储器(programmable ROM，简称PROM)、可擦除可编程只读存储器(erasable PROM，简称EPROM)、电可擦除可编程只读存储器(electricallyEPROM，简称EEPROM)或闪存。易失性存储器可以是随机存取存储器(random accessmemory，简称RAM)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的随机存取存储器(random access memory，简称RAM)可用，例如静态随机存取存储器(staticRAM，简称SRAM)、动态随机存取存储器(DRAM)、同步动态随机存取存储器(synchronousDRAM，简称SDRAM)、双倍数据速率同步动态随机存取存储器(double data rate SDRAM，简称DDR SDRAM)、增强型同步动态随机存取存储器(enhanced SDRAM，简称ESDRAM)、同步连接动态随机存取存储器(synchlink DRAM，简称SLDRAM)和直接内存总线随机存取存储器(direct rambus RAM，简称DR RAM)。
上述实施例，可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时，上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机程序可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机程序可以从一个网站站点、计算机、服务器或数据中心通过有线或无线方式向另一个网站站点、计算机、服务器或数据中心进行传输。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理包括，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。例如，对于应用于或集成于芯片的各个装置、产品，其包含的各个模块/单元可以都采用电路等硬件的方式实现，或者，至少部分模块/单元可以采用软件程序的方式实现，该软件程序运行于芯片内部集成的处理器，剩余的(如果有)部分模块/单元可以采用电路等硬件方式实现；对于应用于或集成于芯片模组的各个装置、产品，其包含的各个模块/单元可以都采用电路等硬件的方式实现，不同的模块/单元可以位于芯片模组的同一组件(例如芯片、电路模块等)或者不同组件中，或者，至少部分模块/单元可以采用软件程序的方式实现，该软件程序运行于芯片模组内部集成的处理器，剩余的(如果有)部分模块/单元可以采用电路等硬件方式实现。
应理解，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，表示前后关联对象是一种“或”的关系。
本申请实施例中出现的“多个”是指两个或两个以上。
本申请实施例中出现的第一、第二等描述，仅作示意与区分描述对象之用，没有次序之分，也不表示本申请实施例中对设备个数的特别限定，不能构成对本申请实施例的任何限制。
虽然本发明披露如上，但本发明并非限定于此。任何本领域技术人员，在不脱离本发明的精神和范围内，均可作各种更动与修改，因此本发明的保护范围应当以权利要求所限定的范围为准。

Claims (18)

1.一种产品推荐方法，其特征在于，包括：
获取用户在预设时长内的一个或多个历史产品查看信息，所述历史产品查看信息包括历史购买结果以及一个或多个历史购买影响特征；
采用预设的核函数，针对每个历史购买影响特征，分别形成累积分布函数，以及采用所述预设的核函数，针对所述历史购买结果，形成结果累积分布函数；
选择一个或多个所述累积分布函数以及所述结果累积分布函数，构建高斯耦合联合累积分布函数，以及构建高斯耦合联合密度函数；
根据目标产品的购买影响特征以及所述高斯耦合联合密度函数，构建目标函数，最大化所述目标函数以确定拟合效果最优的所述目标产品被购买的概率；
根据拟合效果最优的所述目标产品被购买的概率，确定是否向所述用户推荐所述目标产品。
2.根据权利要求1所述的方法，其特征在于，所述历史产品查看信息所属的历史产品以及所述目标产品为迭代产品，所述目标产品是在接收所述用户的产品推荐请求后，响应于所述产品推荐请求选取的迭代产品；
根据拟合效果最优的所述目标产品被购买的概率，确定是否向所述用户推荐所述目标产品包括：
对多个所述目标产品被购买的概率进行排序；
依照排序结果确定是否向所述用户推荐各个概率对应的目标产品。
3.根据权利要求1所述的方法，其特征在于，所述历史购买影响特征选自以下一项或多项：
历史产品的产品属性信息，所述用户的个体特征信息以及查看所述历史产品的时间因素。
4.根据权利要求1所述的方法，其特征在于，所述形成累积分布函数包括：采用所述预设的核函数，针对每个历史购买影响特征，分别形成平滑密度函数；
根据所述平滑密度函数，形成所述累积分布函数。
5.根据权利要求4所述的方法，其特征在于，所述历史购买影响特征为历史产品的产品属性信息，所述预设的核函数为高斯核函数；
采用下述公式，形成所述平滑密度函数：
Figure FDA0003528891180000021
和/或，
采用下述公式，根据所述平滑密度函数，形成所述累积分布函数：
Figure FDA0003528891180000022
其中，
Figure FDA0003528891180000023
用于表示用户i查看的产品属性信息d，
Figure FDA0003528891180000024
用于表示基于
Figure FDA0003528891180000025
的平滑密度函数，且该函数为高斯函数，
Figure FDA0003528891180000026
用于表示用户i在t时刻查看的产品j的产品属性信息d，
Figure FDA0003528891180000027
用于表示基于
Figure FDA0003528891180000028
的累积分布函数，h为平滑参数即带宽；
T用于表示所述预设时长，Mit用于表示用户i在所述预设时长内查看的产品数量。
6.根据权利要求4所述的方法，其特征在于，所述历史购买影响特征为所述用户的个体特征信息，所述预设的核函数为高斯核函数；
采用下述公式，形成所述平滑密度函数：
Figure FDA0003528891180000029
和/或，
采用下述公式，根据所述平滑密度函数，形成所述累积分布函数：
Figure FDA0003528891180000031
其中，
Figure FDA0003528891180000032
用于表示用户i的个体特征信息c，
Figure FDA0003528891180000033
用于表示基于
Figure FDA0003528891180000034
的平滑密度函数，且该函数为高斯函数，
Figure FDA0003528891180000035
用于表示用户i在t时刻查看的产品j时的个体特征信息c，
Figure FDA0003528891180000036
用于表示基于
Figure FDA0003528891180000037
的累积分布函数，h为平滑参数即带宽；
T用于表示所述预设时长，Mit用于表示用户i在所述预设时长内查看的产品数量。
7.根据权利要求4所述的方法，其特征在于，所述历史购买影响特征为查看所述历史产品的时间因素，所述预设的核函数为高斯核函数；
采用下述公式，形成所述平滑密度函数：
Figure FDA0003528891180000038
和/或，
采用下述公式，根据所述平滑密度函数，形成所述累积分布函数：
Figure FDA0003528891180000039
其中，ωli用于表示用户i的时间因素，
Figure FDA00035288911800000310
用于表示基于ωli的平滑密度函数，且该函数为高斯函数，ωlijt用于表示用户i在t时刻查看的产品j时的时间因素，
Figure FDA00035288911800000311
用于表示基于ωli的累积分布函数，h为平滑参数即带宽；
T用于表示所述预设时长，Mit用于表示用户i在所述预设时长内查看的产品数量。
8.根据权利要求1所述的方法，其特征在于，所述形成结果累积分布函数包括：
采用所述预设的核函数，针对所述历史购买结果，形成结果平滑密度函数；根据所述结果平滑密度函数，形成所述结果累积分布函数。
9.根据权利要求8所述的方法，其特征在于，所述预设的核函数为高斯核函数；
采用下述公式，形成所述结果平滑密度函数：
Figure FDA0003528891180000041
和/或，
采用下述公式，根据所述结果平滑密度函数，形成所述结果累积分布函数：
Figure FDA0003528891180000042
其中，yi用于表示用户i的历史购买结果为购买或未购买，
Figure FDA0003528891180000043
用于表示基于yi的结果平滑密度函数，且该函数为高斯函数，yijt用于表示用户i在t时刻查看的产品j的历史购买结果为购买或未购买，
Figure FDA0003528891180000044
用于表示基于yi的结果累积分布函数，h为平滑参数即带宽；
T用于表示所述预设时长，Mit用于表示用户i在所述预设时长内查看的产品数量。
10.根据权利要求1或4所述的方法，其特征在于，所述预设的核函数选自以下一项或多项：
高斯核函数、指数核函数、多项式核函数以及箱型核函数。
11.根据权利要求1所述的方法，其特征在于，所述累积分布函数包含历史产品的产品属性信息，所述用户的个体特征信息以及查看所述历史产品的时间因素的累积分布函数；
采用下述公式，选择一个或多个所述累积分布函数以及所述结果累积分布函数，构建高斯耦合联合累积分布函数：
Figure FDA0003528891180000051
其中，
Figure FDA0003528891180000052
用于表示高斯耦合联合累积分布函数，R(i)用于表示高斯分布函数的方差协方差矩阵，ΦR(i)用于表示具有零均值和方差协方差矩阵R(i)的多元高斯分布的联合累积分布函数，
Figure FDA0003528891180000053
用于表示概率积分转换函数；
yi用于表示历史购买结果，
Figure FDA0003528891180000054
用于表示结果累积分布函数，
Figure FDA0003528891180000055
用于表示结果累积分布函数的概率积分转换函数；
Figure FDA0003528891180000056
用于表示用户i查看的各个产品属性信息d，
Figure FDA0003528891180000057
用于表示基于产品属性信息d的累积分布函数，
Figure FDA0003528891180000058
用于表示基于
Figure FDA0003528891180000059
的逆累积分布函数，
Figure FDA00035288911800000510
用于表示基于
Figure FDA00035288911800000511
的累积分布函数的概率积分转换函数；
Figure FDA00035288911800000512
用于表示用户i的个体特征信息c，
Figure FDA00035288911800000513
用于表示基于个体特征信息c的累积分布函数，
Figure FDA00035288911800000514
用于表示基于
Figure FDA00035288911800000515
的逆累积分布函数，
Figure FDA00035288911800000516
用于表示基于
Figure FDA00035288911800000517
的累积分布函数的概率积分转换函数；
Figure FDA00035288911800000518
用于表示用户i的时间因素，
Figure FDA00035288911800000519
用于表示基于时间因素的累积分布函数，
Figure FDA00035288911800000520
用于表示基于
Figure FDA00035288911800000521
的逆累积分布函数，
Figure FDA00035288911800000522
用于表示基于
Figure FDA00035288911800000523
的累积分布函数的概率积分转换函数。
12.根据权利要求11所述的方法，其特征在于，采用下述公式，确定所述高斯分布函数的方差协方差矩阵R(i)：
R(i)＝Λ(i)-1/2Σ(i)Λ(i)-1/2
Figure FDA0003528891180000061
其中，
Figure FDA0003528891180000062
用于表示
Figure FDA0003528891180000063
的观测值，Mit用于表示用户i在所述预设时长内查看的产品数量；Λ(i)用于表示包含Σ(i)的对角元素的对角矩阵，Σ(i)用于表示协方差矩阵。
13.根据权利要求11所述的方法，其特征在于，采用下述公式，构建所述高斯耦合联合密度函数：
Figure FDA0003528891180000064
其中，
Figure FDA0003528891180000065
用于表示高斯耦合联合密度函数，c(x)用于表示耦合函数，yi用于表示历史购买结果，
Figure FDA0003528891180000066
用于表示结果累积分布函数，
Figure FDA0003528891180000067
用于表示用户i查看的各个产品属性信息d，
Figure FDA0003528891180000068
用于表示基于产品属性信息d的累积分布函数，
Figure FDA0003528891180000069
用于表示用户i的个体特征信息c，
Figure FDA00035288911800000610
用于表示基于个体特征信息c的累积分布函数，
Figure FDA00035288911800000611
用于表示用户i的时间因素，
Figure FDA00035288911800000612
用于表示基于时间因素的累积分布函数，
Figure FDA00035288911800000613
用于表示基于yi的结果平滑密度函数，
Figure FDA00035288911800000614
用于表示基于
Figure FDA00035288911800000615
的平滑密度函数，
Figure FDA00035288911800000616
用于表示基于
Figure FDA00035288911800000617
的平滑密度函数，
Figure FDA00035288911800000618
用于表示基于ωli的平滑密度函数。
14.根据权利要求13所述的方法，其特征在于，采用下述公式，构建所述目标函数：
Figure FDA0003528891180000071
其中，
Figure FDA0003528891180000072
Figure FDA0003528891180000073
所述y'i用于表示目标产品被购买的概率，所述
Figure FDA0003528891180000074
用于表示所述目标产品的产品属性信息，所述
Figure FDA0003528891180000075
用于表示所述用户i的个体特征信息，所述ωi用于表示所述用户i查看所述目标产品的时间因素。
15.根据权利要求14所述的方法，其特征在于，最大化所述目标函数以确定拟合效果最优的所述目标产品被购买的概率包括：
在[0,1]中选择多个值赋给y'i，并分别计算
Figure FDA0003528891180000076
采用下述公式，确定
Figure FDA0003528891180000077
最大时的y'i，作为所述拟合效果最优的目标产品被购买的概率：
Figure FDA0003528891180000078
其中，y'i＝Φ-1(R(i))。
16.一种产品推荐装置，其特征在于，包括：
获取模块，用于获取用户在预设时长内的一个或多个历史产品查看信息，所述历史产品查看信息包括历史购买结果以及一个或多个历史购买影响特征；
第一函数确定模块，用于采用预设的核函数，针对每个历史购买影响特征，分别形成累积分布函数，以及采用所述预设的核函数，针对所述历史购买结果，形成结果累积分布函数；
第二函数确定模块，用于选择一个或多个所述累积分布函数以及所述结果累积分布函数，构建高斯耦合联合累积分布函数，以及构建高斯耦合联合密度函数；
拟合模块，用于根据目标产品的购买影响特征以及所述高斯耦合联合密度函数，构建目标函数，最大化所述目标函数以确定拟合效果最优的所述目标产品被购买的概率；
推荐确定模块，用于根据拟合效果最优的所述目标产品被购买的概率，确定是否向所述用户推荐所述目标产品。
17.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器运行时执行权利要求1至15任一项所述产品推荐方法的步骤。
18.一种终端，包括存储器和处理器，所述存储器上存储有能够在所述处理器上运行的计算机程序，其特征在于，所述处理器运行所述计算机程序时执行权利要求1至15任一项所述产品推荐方法的步骤。
CN202210205682.4A 2022-03-02 2022-03-02 产品推荐方法及装置、计算机可读存储介质、终端 Pending CN114742605A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210205682.4A CN114742605A (zh) 2022-03-02 2022-03-02 产品推荐方法及装置、计算机可读存储介质、终端

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210205682.4A CN114742605A (zh) 2022-03-02 2022-03-02 产品推荐方法及装置、计算机可读存储介质、终端

Publications (1)

Publication Number Publication Date
CN114742605A true CN114742605A (zh) 2022-07-12

Family

ID=82274455

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210205682.4A Pending CN114742605A (zh) 2022-03-02 2022-03-02 产品推荐方法及装置、计算机可读存储介质、终端

Country Status (1)

Country Link
CN (1) CN114742605A (zh)

Similar Documents

Publication Publication Date Title
CN109902708B (zh) 一种推荐模型训练方法及相关装置
CN105989004B (zh) 一种信息投放的预处理方法和装置
CN108876537B (zh) 一种用于网上商场系统的混合推荐方法
CN107220852A (zh) 用于确定目标推荐用户的方法、装置和服务器
US20130166488A1 (en) Personalized information pushing method and device
CN109903086B (zh) 一种相似人群扩展方法、装置及电子设备
CN105469263A (zh) 一种商品推荐方法及装置
WO2020221022A1 (zh) 业务对象推荐方法
CN111210258A (zh) 广告投放方法、装置、电子设备及可读存储介质
CN112001754A (zh) 用户画像生成方法、装置、设备及计算机可读介质
CN113327151B (zh) 商品对象推荐方法、装置、计算机设备及存储介质
US20210150609A1 (en) Methods and apparatus for electronically providing item advertisement recommendations
CN108572984A (zh) 一种实时用户兴趣识别方法及装置
CN113744017A (zh) 电商搜索的推荐方法及装置、设备、存储介质
CN112598472A (zh) 产品推荐方法、装置、系统、介质和程序产品
WO2022156589A1 (zh) 一种直播点击率的确定方法和装置
CN111680213B (zh) 信息推荐方法、数据处理方法及装置
CN108647986B (zh) 一种目标用户确定方法、装置及电子设备
CN113822734B (zh) 用于生成信息的方法和装置
CN110570271A (zh) 信息推荐方法、装置、电子设备及可读存储介质
US20170193539A1 (en) Time-value estimation method and system for sharing environment
CN106204163B (zh) 一种用户属性特征的确定方法和装置
CN112015970A (zh) 产品推荐方法、相关设备及计算机存储介质
CN110851708A (zh) 负样本的抽取方法、装置、计算机设备和存储介质
CN107357847B (zh) 数据处理方法及其装置

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