CN115018588A - 产品推荐方法、装置、电子设备及可读存储介质 - Google Patents
产品推荐方法、装置、电子设备及可读存储介质 Download PDFInfo
- Publication number
- CN115018588A CN115018588A CN202210730930.7A CN202210730930A CN115018588A CN 115018588 A CN115018588 A CN 115018588A CN 202210730930 A CN202210730930 A CN 202210730930A CN 115018588 A CN115018588 A CN 115018588A
- Authority
- CN
- China
- Prior art keywords
- product
- feature
- consumption
- vectors
- products
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
- G06F16/9035—Filtering based on additional data, e.g. user or group profiles
-
- 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
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Abstract
本发明涉及智能决策领域,揭露一种产品推荐方法,包括:提取用户的消费特征,将消费特征转化为向量,得到消费特征向量;对预设产品集中每个产品的特征标签转换为向量,得到产品特征向量;计算消费特征向量与产品特征向量的相似度;利用计算的相似度对产品集中的产品进行筛选,得到初始产品集;根据产品评论分析用户对产品的情感倾向,并根据分析结果计算对初始产品集中每个产品的满意度;根据满意度及产品相似度计算每个产品的推荐评分,并利用推荐评分筛选初始产品集中的产品推送至预设终端。本发明还涉及一种区块链技术,所述推荐评分可以存储在区块链节点中。本发明还提出一种产品推荐装置、设备以及介质。本发明可以提高产品推荐的准确率。
Description
技术领域
本发明涉及智能决策领域,尤其涉及一种产品推荐方法、装置、电子设备及可读存储介质。
背景技术
随着国家经济的快速发展,单纯的依靠业务员对用户进行产品推荐已经跟不上目前经济的发展速度,无法满足众多用户的需求,因此需要更加智能的产品推荐方法对用户进行产品推荐。
目前,大多数的产品推荐方法只能根据用户的某个单一的特征(如:年龄、工作、搜索记录)对产品进行筛选匹配,从而推荐符合条件的产品,但是这种产品推荐方法的产品匹配的维度单一,产品推荐的准确率较低。
发明内容
本发明提供一种产品推荐方法、装置、电子设备及计算机可读存储介质,其主要目的在于提高产品推荐的准确率。
为实现上述目的,本发明提供的一种产品推荐方法,包括:
获取用户预设时间区间内的历史消费记录,对所述历史消费记录进行消费特征提取,并将提取的消费特征转化为向量,得到消费特征向量;
获取预设产品集中每个产品的产品特征标签,将所述产品特征标签转换为向量,得到产品特征向量;
对所述消费特征向量及所述产品特征向量进行相似度计算,得到产品相似度;
利用所述产品相似度与预设的相似度阈值对所述产品集中的产品进行筛选,得到初始产品集;
获取所述时间区间内用户评价的所有产品评论及评论产品的产品类别,对所述产品评论进行文本分析以分析所述产品评论的情感倾向程度,得到产品情感评分;
根据所述初始产品集中每种产品的产品类别对应的所有产品情感评分进行计算,得到该产品对应的满意度;
基于预设的权重系数,根据所述初始产品集中每种产品对应的所述产品相似度及所述满意度进行加权计算,得到对应的推荐评分;
利用所述推荐评分对所述初始产品集中的产品进行筛选,得到目标产品,并将所述目标产品推送至所述用户的预设终端设备。
可选地,所述对所述历史消费记录进行消费特征提取,并将提取的消费特征转化为向量,得到消费特征向量,包括:
提取所述历史消费记录中预设消费行为的产品类别,得到目标产品类别;
获取所述历史消费记录中所述目标产品类别对应的所有产品的产品特征标签,并将获取的所有产品特征标签进行去重汇总,得到消费产品特征标签集;
将所述消费产品特征标签集中的每个产品特征标签转换为向量,得到消费产品特征向量;
将所有所述消费产品特征向量进行组合,得到所述消费特征向量。
可选地,所述将所述产品特征标签转换为向量,得到产品特征向量,包括:
将所述产品特征标签中的每个字符转化为向量,得到字向量;
将所有所述字向量按照对应的字符在所述产品特征标签中的顺序进行组合,得到产品特征矩阵;
对所述产品特征矩阵进行降维,得到所述产品特征向量。
可选地,所述对所述产品特征矩阵进行降维,得到所述产品特征向量,包括:
利用预设的卷积核对所述特征矩阵进行卷积,得到卷积特征矩阵;
计算所述卷积特征矩阵中每一行元素的平均值,得到该行的行特征值;
根据所述卷积特征矩阵中行的顺序将每一行的行特征值依次进行组合,得到所述产品特征向量。
可选地,所述对所述产品评论进行文本分析以分析所述产品评论的情感倾向程度,得到产品情感评分,包括:
将所述产品评论进行分词,得到多个分词词语;
将每个所述分词词语转化为向量,得到分词向量;
将所有所述分词向量按照对应的分词词语在所述产品评论中的先后顺序进行组合,得到分词向量序列;
利用BiLSTM模型对所述分词向量序列进行特征提取,得到情感特征向量;
利用预设的激活函数计算所述情感特征向量为预设情感类别的概率,得到所述产品情感评分。
可选地,所述利用所述推荐评分对所述初始产品集中的产品进行筛选,得到目标产品,包括:
将所述初始产品集中的产品按照对应的所述推荐评分的大小进行排序,得到推荐产品序列;
将所述推荐产品序列中预设排名之前的所述产品确定为所述目标推荐产品。
为了解决上述问题,本发明还提供一种产品推荐装置,所述装置包括:
产品筛选模块,用于获取用户预设时间区间内的历史消费记录,对所述历史消费记录进行消费特征提取,并将提取的消费特征转化为向量,得到消费特征向量;获取预设产品集中每个产品的产品特征标签,将所述产品特征标签转换为向量,得到产品特征向量;对所述消费特征向量及所述产品特征向量进行相似度计算,得到产品相似度;利用所述产品相似度与预设的相似度阈值对所述产品集中的产品进行筛选,得到初始产品集;
加权计算模块,用于获取所述时间区间内用户评价的所有产品评论及评论产品的产品类别,对所述产品评论进行文本分析以分析所述产品评论的情感倾向程度,得到产品情感评分;根据所述初始产品集中每种产品的产品类别对应的所有产品情感评分进行计算,得到该产品对应的满意度;基于预设的权重系数,根据所述初始产品集中每种产品对应的所述产品相似度及所述满意度进行加权计算,得到对应的推荐评分;
产品推荐模块,用于利用所述推荐评分对所述初始产品集中的产品进行筛选,得到目标产品,并将所述目标产品推送至所述用户的预设终端设备。
可选地,所述对所述产品特征矩阵进行降维,得到所述产品特征向量,包括:
利用预设的卷积核对所述特征矩阵进行卷积,得到卷积特征矩阵;
计算所述卷积特征矩阵中每一行元素的平均值,得到该行的行特征值;
根据所述卷积特征矩阵中行的顺序将每一行的行特征值依次进行组合,得到所述产品特征向量。
为了解决上述问题,本发明还提供一种电子设备,所述电子设备包括:
存储器,存储至少一个计算机程序;及
处理器,执行所述存储器中存储的计算机程序以实现上述所述的产品推荐方法。
为了解决上述问题,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一个计算机程序,所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的产品推荐方法。
本发明实施例对所述历史消费记录进行消费特征提取,并将提取的消费特征转化为向量,得到消费特征向量;获取预设产品集中每个产品的产品特征标签,将所述产品特征标签转换为向量,得到产品特征向量;对所述消费特征向量及所述产品特征向量进行相似度计算,得到产品相似度;利用所述产品相似度与预设的相似度阈值对所述产品集中的产品进行筛选,得到初始产品集;获取所述时间区间内用户评价的所有产品评论及评论产品的产品类别,对所述产品评论进行文本分析以分析所述产品评论的情感倾向程度,得到产品情感评分;根据所述初始产品集中每种产品的产品类别对应的所有产品情感评分进行计算,得到该产品对应的满意度;基于预设的权重系数,根据所述初始产品集中每种产品对应的所述产品相似度及所述满意度进行加权计算,得到对应的推荐评分;利用所述推荐评分对所述初始产品集中的产品进行筛选,得到目标产品通过利用用户消费特征与产品特征的相似程度及用户对不同产品的满意程度两个维度产品进行筛选推荐,提高了产品推荐的准确率。因此本发明实施例提出的产品推荐方法、装置、电子设备及可读存储介质提高了产品推荐的准确率。
附图说明
图1为本发明一实施例提供的产品推荐方法的流程示意图;
图2为本发明一实施例提供的产品推荐装置的模块示意图;
图3为本发明一实施例提供的实现产品推荐方法的电子设备的内部结构示意图;
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明实施例提供一种产品推荐方法。所述产品推荐方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之,所述产品推荐方法可以由安装在终端设备或服务端设备的软件或硬件来执行,所述软件可以是区块链平台。所述服务端包括但不限于:单台服务器、服务器集群、云端服务器或云端服务器集群等。
参照图1所示的本发明一实施例提供的产品推荐方法的流程示意图,在本发明实施例中,所述产品推荐方法包括:
S1、获取用户预设时间区间内的历史消费记录,对所述历史消费记录进行消费特征提取,并将提取的消费特征转化为向量,得到消费特征向量;
本发明实施例中所述历史消费记录为用户在某产品平台浏览购买产品的历史记录(如在某些产品类别上的浏览时间,当前购物车内不同产品类别的占比,已购产品类别的占比);进一步地,为了保证所述历史消费记录的比较有参考性,一般获取用户近期的历史消费记录,因此,获取用户预设时间区间内的历史消费记录,本发明实施例中,所述时间区间的右端点为当前时间,本发明实施例对所述时间区间无其他限制,较佳地,所述时间区间为距离当前时间三个月内的时间段。
进一步地,本发明实施例为了了解用户的消费特征,对所述历史消费记录进行消费特征提取,同时为了更好的使用提取的消费特征匹配对应的产品,将提取的消费特征转化为向量,得到所述消费特征向量。
具体地,本发明实施例中对所述历史消费记录进行消费特征提取,并将提取的消费特征转化为向量,得到消费特征向量,包括:
提取所述历史消费记录中预设消费行为的产品类别,得到目标产品类别;
获取所述历史消费记录中所述目标产品类别对应的所有产品的产品特征标签,并将获取的所有产品特征标签进行去重汇总,得到消费产品特征标签集;
将所述消费产品特征标签集中的每个产品特征标签转换为向量,得到消费产品特征向量;
将所有所述消费产品特征向量进行组合,得到所述消费特征向量。
具体地,本发明实施例中将所有所述所述消费产品特征向量首尾依次相连,得到所述消费特征向量。
详细地,本发明实施例中所述消费行为为预设的可以代表用户消费特征的行为,所述预设消费行为的产品类别如浏览时间最长产品类别、购物车中占比最高产品类别、购买比例最高的产品类别等,本发明实施例中对所述消费行为不做限制。
S2、获取预设产品集中每个产品的产品特征标签,将所述产品特征标签转换为向量,得到产品特征向量;
本发明实施例中所述产品特征标签为预设的表述产品特征的短小文本,进一步地,本发明实施例为了方便计算所述产品的产品特征与用户的消费特征的匹配程度,将所述产品特征标签转换为向量,得到产品特征向量。
详细地,本发明实施例中将所述产品特征标签转换为向量,得到产品特征向量,包括:
将所述产品特征标签中的每个字符转化为向量,得到字向量;
将所有所述字向量按照对应的字符在所述产品特征标签中的顺序进行组合,得到产品特征矩阵;
具体地,本发明实施例中将所述字向量作为矩阵的行或列进行组合,得到所述产品特征矩阵。
对所述产品特征矩阵进行降维,得到所述产品特征向量。
进一步地,本发明实施例中对所述产品特征矩阵进行降维,得到所述产品特征向量,包括:
计算所述产品特征矩阵中每一列元素的平均值,得到该列的列特征值;
根据所述产品特征矩阵中列的顺序将每一列的列特征值依次进行组合,得到所述产品特征向量。
本发明另一实施例中对所述产品特征矩阵进行降维,得到所述产品特征向量,包括:
计算所述产品特征矩阵中每一行元素的平均值,得到该行的行特征值;
根据所述产品特征矩阵中行的顺序将每一行的行特征值依次进行组合,得到所述产品特征向量。
本发明另一实施例中对所述产品特征矩阵进行降维,得到所述产品特征向量,包括:
利用预设的卷积核对所述特征矩阵进行卷积,得到卷积特征矩阵;
计算所述卷积特征矩阵中每一行元素的平均值,得到该行的行特征值;
根据所述卷积特征矩阵中行的顺序将每一行的行特征值依次进行组合,得到所述产品特征向量。
S3、对所述消费特征向量及所述产品特征向量进行相似度计算,得到产品相似度;
本发明实施例中,为了筛选所述产品集中与用户消费习惯符合的商品,对所述消费特征向量及所述产品特征向量进行相似度计算。
具体地,本发明实施例中利用如下公式进行相似度计算:
其中,Xi表示消费特征向量X的第i个元素,Yi为产品特征向量Y的第i个元素,Sim表示消费特征向量X和产品特征向量Y的相似度,n表示所述消费特征向量与所述产品特征向量的向量维度。
进一步地,本发明实施例中还可以利用欧氏距离、余弦距离等其他算法进行相似度计算,本发明实施例对相似度计算的方法不做限制。
S4、利用所述产品相似度与预设的相似度阈值对所述产品集中的产品进行筛选,得到初始产品集;
本发明实施例中所述产品相似度越高代表该产品越符合用户的消费特征,是用户需要的产品,因此,筛选所述产品集中所述产品相似度大于所述相似度阈值的产品,得到初始产品集。
S5、获取所述时间区间内用户评价的所有产品评论及评论产品的产品类别,对所述产品评论进行文本分析以分析所述产品评论的情感倾向程度,得到产品情感评分;
本发明实施例中所述产品评论为用户评价的某个产品的评论,所述产品类别为用户评价的产品的产品类别,如:基金、理财、贷款等。
本发明实施例中为了保证所述产品评论有较强的参考性,因此,获取所述时间区间内用户上传的所有产品评论及评论产品的产品类别。
进一步地,本发明实施例中为了了解用户对不同产品类别的产品的好恶情况,对所述产品评论进行文本分析以分析所述产品评论的情感倾向程度,得到产品情感评分。其中,所述产品情感评分越高表示用户越喜欢该产品。
详细地,本发明实施例中对所述产品评论进行文本分析以分析所述产品评论的情感倾向程度,得到产品情感评分,包括:
将所述产品评论进行分词,得到多个分词词语;
将每个所述分词词语转化为向量,得到分词向量;
将所有所述分词向量按照对应的分词词语在所述产品评论中的先后顺序进行组合,得到分词向量序列;
利用BiLSTM模型对所述分词向量序列进行特征提取,得到情感特征向量;
本发明实施例中通过BiLSTM模型中前向LSTM和后向LSTM来所述分词向量序列中分词向量间双向的语义依赖信息,得到所述情感特征向量。
利用预设的激活函数计算所述情感特征向量为预设情感类别的概率,得到所述产品情感评分。
具体地,本发明实施例中所述激活函数为sigmod函数,所述情感类别为“喜欢”。
S6、根据所述初始产品集中每种产品的产品类别对应的所有产品情感评分进行计算,得到该产品对应的满意度;
本发明实施例中根据所述初始产品集中每种产品的产品类别对应的所有产品情感评分进行计算,得到该产品对应的满意度,包括:
将所述初始产品集中每种产品的产品类别对应的所有产品情感评分进行平均计算,得到该产品对应的所述满意度。
进一步地,本发明实施例所述将所述产品集中的产品的产品类别没有对应的产品情感评分时,将预设的满意度评分作为该产品的满意度。
本发明实施例中对上述所有转换为向量的方法不做限制。
S7、基于预设的权重系数,根据所述初始产品集中每种产品对应的所述产品相似度及所述满意度进行加权计算,得到对应的推荐评分;
具体地,本发明实施例中可用如下公式进行加权计算:
T=a*mj+b*nj
其中,a、b为所述权重系数,mj为所述初始产品集中产品j的产品相似度,nj为所述初始产品集中产品j的满意度,T为所述初始产品集中产品j的推荐评分。
本发明另一实施例中所述推荐评分可以存储在区块链节点中,利用区块链节点高吞吐的特性,提高数据的取用效率。
S8、利用所述推荐评分对所述初始产品集中的产品进行筛选,得到目标产品,并将所述目标产品推送至所述用户的预设终端设备。
本发明实施例中选取所述初始产品集中所述推荐评分大于预设评分阈值的产品,得到目标推荐产品。
进一步地,本发明另一实施例中将所述初始产品集中的产品按照对应的所述推荐评分的大小进行排序,得到推荐产品序列;将所述推荐产品序列中预设排名之前的所述产品确定为所述目标推荐产品。
本发明实施例中将所述目标产品将所述目标产品推送至所述用户的预设终端设备。所述终端设备包括但不限于:手机、电脑、平板等智能终端。
如图2所示,是本发明产品推荐装置的功能模块图。
本发明所述产品推荐装置100可以安装于电子设备中。根据实现的功能,所述产品推荐装置可以包括产品筛选模块101、加权计算模块102、产品推荐模块103,本发所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本实施例中,关于各模块/单元的功能如下:
所述产品筛选模块101用于获取用户预设时间区间内的历史消费记录,对所述历史消费记录进行消费特征提取,并将提取的消费特征转化为向量,得到消费特征向量;获取预设产品集中每个产品的产品特征标签,将所述产品特征标签转换为向量,得到产品特征向量;对所述消费特征向量及所述产品特征向量进行相似度计算,得到产品相似度;利用所述产品相似度与预设的相似度阈值对所述产品集中的产品进行筛选,得到初始产品集;
所述加权计算模块102用于获取所述时间区间内用户评价的所有产品评论及评论产品的产品类别,对所述产品评论进行文本分析以分析所述产品评论的情感倾向程度,得到产品情感评分;根据所述初始产品集中每种产品的产品类别对应的所有产品情感评分进行计算,得到该产品对应的满意度;基于预设的权重系数,根据所述初始产品集中每种产品对应的所述产品相似度及所述满意度进行加权计算,得到对应的推荐评分;
所述产品推荐模块103用于利用所述推荐评分对所述初始产品集中的产品进行筛选,得到目标产品,并将所述目标产品推送至所述用户的预设终端设备。
详细地,本发明实施例中所述产品推荐装置100中所述的各模块在使用时采用与上述图1中所述的产品推荐方法一样的技术手段,并能够产生相同的技术效果,这里不再赘述。
如图3所示,是本发明实现产品推荐方法的电子设备的结构示意图。
所述电子设备可以包括处理器10、存储器11、通信总线12和通信接口13,还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序,如产品推荐程序。
其中,所述存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元,例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备,例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(SecureDigital,SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据,例如产品推荐程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器11内的程序或者模块(例如产品推荐程序等),以及调用存储在所述存储器11内的数据,以执行电子设备的各种功能和处理数据。
所述通信总线12可以是外设部件互连标准(perIPheral componentinterconnect,简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述通信总线12总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
图3仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图3示出的结构并不构成对所述电子设备的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器10逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
可选地,所述通信接口13可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备与其他电子设备之间建立通信连接。
可选地,所述通信接口13还可以包括用户接口,用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
所述电子设备中的所述存储器11存储的产品推荐程序是多个计算机程序的组合,在所述处理器10中运行时,可以实现:
获取用户预设时间区间内的历史消费记录,对所述历史消费记录进行消费特征提取,并将提取的消费特征转化为向量,得到消费特征向量;
获取预设产品集中每个产品的产品特征标签,将所述产品特征标签转换为向量,得到产品特征向量;
对所述消费特征向量及所述产品特征向量进行相似度计算,得到产品相似度;
利用所述产品相似度与预设的相似度阈值对所述产品集中的产品进行筛选,得到初始产品集;
获取所述时间区间内用户评价的所有产品评论及评论产品的产品类别,对所述产品评论进行文本分析以分析所述产品评论的情感倾向程度,得到产品情感评分;
根据所述初始产品集中每种产品的产品类别对应的所有产品情感评分进行计算,得到该产品对应的满意度;
基于预设的权重系数,根据所述初始产品集中每种产品对应的所述产品相似度及所述满意度进行加权计算,得到对应的推荐评分;
利用所述推荐评分对所述初始产品集中的产品进行筛选,得到目标产品,并将所述目标产品推送至所述用户的预设终端设备。
具体地,所述处理器10对上述计算机程序的具体实现方法可参考图1对应实施例中相关步骤的描述,在此不赘述。
进一步地,所述电子设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。所述计算机可读介质可以是非易失性的,也可以是易失性的。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)。
本发明实施例还可以提供一种计算机可读存储介质,所述可读存储介质存储有计算机程序,所述计算机程序在被电子设备的处理器所执行时,可以实现:
获取用户预设时间区间内的历史消费记录,对所述历史消费记录进行消费特征提取,并将提取的消费特征转化为向量,得到消费特征向量;
获取预设产品集中每个产品的产品特征标签,将所述产品特征标签转换为向量,得到产品特征向量;
对所述消费特征向量及所述产品特征向量进行相似度计算,得到产品相似度;
利用所述产品相似度与预设的相似度阈值对所述产品集中的产品进行筛选,得到初始产品集;
获取所述时间区间内用户评价的所有产品评论及评论产品的产品类别,对所述产品评论进行文本分析以分析所述产品评论的情感倾向程度,得到产品情感评分;
根据所述初始产品集中每种产品的产品类别对应的所有产品情感评分进行计算,得到该产品对应的满意度;
基于预设的权重系数,根据所述初始产品集中每种产品对应的所述产品相似度及所述满意度进行加权计算,得到对应的推荐评分;
利用所述推荐评分对所述初始产品集中的产品进行筛选,得到目标产品,并将所述目标产品推送至所述用户的预设终端设备。
进一步地,所述计算机可用存储介质可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序等;存储数据区可存储根据区块链节点的使用所创建的数据等。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,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模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种产品推荐方法,其特征在于,所述方法包括:
获取用户预设时间区间内的历史消费记录,对所述历史消费记录进行消费特征提取,并将提取的消费特征转化为向量,得到消费特征向量;
获取预设产品集中每个产品的产品特征标签,将所述产品特征标签转换为向量,得到产品特征向量;
对所述消费特征向量及所述产品特征向量进行相似度计算,得到产品相似度;
利用所述产品相似度与预设的相似度阈值对所述产品集中的产品进行筛选,得到初始产品集;
获取所述时间区间内用户评价的所有产品评论及评论产品的产品类别,对所述产品评论进行文本分析以分析所述产品评论的情感倾向程度,得到产品情感评分;
根据所述初始产品集中每种产品的产品类别对应的所有产品情感评分进行计算,得到该产品对应的满意度;
基于预设的权重系数,根据所述初始产品集中每种产品对应的所述产品相似度及所述满意度进行加权计算,得到对应的推荐评分;
利用所述推荐评分对所述初始产品集中的产品进行筛选,得到目标产品,并将所述目标产品推送至所述用户的预设终端设备。
2.如权利要求1所述的产品推荐方法,其特征在于,所述对所述历史消费记录进行消费特征提取,并将提取的消费特征转化为向量,得到消费特征向量,包括:
提取所述历史消费记录中预设消费行为的产品类别,得到目标产品类别;
获取所述历史消费记录中所述目标产品类别对应的所有产品的产品特征标签,并将获取的所有产品特征标签进行去重汇总,得到消费产品特征标签集;
将所述消费产品特征标签集中的每个产品特征标签转换为向量,得到消费产品特征向量;
将所有所述消费产品特征向量进行组合,得到所述消费特征向量。
3.如权利要求1所述的产品推荐方法,其特征在于,所述将所述产品特征标签转换为向量,得到产品特征向量,包括:
将所述产品特征标签中的每个字符转化为向量,得到字向量;
将所有所述字向量按照对应的字符在所述产品特征标签中的顺序进行组合,得到产品特征矩阵;
对所述产品特征矩阵进行降维,得到所述产品特征向量。
4.如权利要求3所述的产品推荐方法,其特征在于,所述对所述产品特征矩阵进行降维,得到所述产品特征向量,包括:
利用预设的卷积核对所述特征矩阵进行卷积,得到卷积特征矩阵;
计算所述卷积特征矩阵中每一行元素的平均值,得到该行的行特征值;
根据所述卷积特征矩阵中行的顺序将每一行的行特征值依次进行组合,得到所述产品特征向量。
5.如权利要求1所述的产品推荐方法,其特征在于,所述对所述产品评论进行文本分析以分析所述产品评论的情感倾向程度,得到产品情感评分,包括:
将所述产品评论进行分词,得到多个分词词语;
将每个所述分词词语转化为向量,得到分词向量;
将所有所述分词向量按照对应的分词词语在所述产品评论中的先后顺序进行组合,得到分词向量序列;
利用BiLSTM模型对所述分词向量序列进行特征提取,得到情感特征向量;
利用预设的激活函数计算所述情感特征向量为预设情感类别的概率,得到所述产品情感评分。
6.如权利要求5所述的产品推荐方法,其特征在于,所述利用所述推荐评分对所述初始产品集中的产品进行筛选,得到目标产品,包括:
将所述初始产品集中的产品按照对应的所述推荐评分的大小进行排序,得到推荐产品序列;
将所述推荐产品序列中预设排名之前的所述产品确定为所述目标推荐产品。
7.一种产品推荐方法,其特征在于,包括:
产品筛选模块,用于获取用户预设时间区间内的历史消费记录,对所述历史消费记录进行消费特征提取,并将提取的消费特征转化为向量,得到消费特征向量;获取预设产品集中每个产品的产品特征标签,将所述产品特征标签转换为向量,得到产品特征向量;对所述消费特征向量及所述产品特征向量进行相似度计算,得到产品相似度;利用所述产品相似度与预设的相似度阈值对所述产品集中的产品进行筛选,得到初始产品集;
加权计算模块,用于获取所述时间区间内用户评价的所有产品评论及评论产品的产品类别,对所述产品评论进行文本分析以分析所述产品评论的情感倾向程度,得到产品情感评分;根据所述初始产品集中每种产品的产品类别对应的所有产品情感评分进行计算,得到该产品对应的满意度;基于预设的权重系数,根据所述初始产品集中每种产品对应的所述产品相似度及所述满意度进行加权计算,得到对应的推荐评分;
产品推荐模块,用于利用所述推荐评分对所述初始产品集中的产品进行筛选,得到目标产品,并将所述目标产品推送至所述用户的预设终端设备。
8.如权利要求7所述的产品推荐装置,其特征在于,所述对所述产品特征矩阵进行降维,得到所述产品特征向量,包括:
利用预设的卷积核对所述特征矩阵进行卷积,得到卷积特征矩阵;
计算所述卷积特征矩阵中每一行元素的平均值,得到该行的行特征值;
根据所述卷积特征矩阵中行的顺序将每一行的行特征值依次进行组合,得到所述产品特征向量。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1至6中任一项所述的产品推荐方法。
10.一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述的产品推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210730930.7A CN115018588A (zh) | 2022-06-24 | 2022-06-24 | 产品推荐方法、装置、电子设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210730930.7A CN115018588A (zh) | 2022-06-24 | 2022-06-24 | 产品推荐方法、装置、电子设备及可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115018588A true CN115018588A (zh) | 2022-09-06 |
Family
ID=83077675
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210730930.7A Pending CN115018588A (zh) | 2022-06-24 | 2022-06-24 | 产品推荐方法、装置、电子设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115018588A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115905887A (zh) * | 2023-03-08 | 2023-04-04 | 北京悦知未来科技有限公司 | 基于数据处理的大数据智能决策系统 |
CN117275665A (zh) * | 2023-10-12 | 2023-12-22 | 首都体育学院 | 基于pams编码的运动方案推荐方法、系统及电子设备 |
-
2022
- 2022-06-24 CN CN202210730930.7A patent/CN115018588A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115905887A (zh) * | 2023-03-08 | 2023-04-04 | 北京悦知未来科技有限公司 | 基于数据处理的大数据智能决策系统 |
CN115905887B (zh) * | 2023-03-08 | 2023-07-07 | 河南中信科大数据科技有限公司 | 基于数据处理的大数据智能决策系统 |
CN117275665A (zh) * | 2023-10-12 | 2023-12-22 | 首都体育学院 | 基于pams编码的运动方案推荐方法、系统及电子设备 |
CN117275665B (zh) * | 2023-10-12 | 2024-05-03 | 首都体育学院 | 基于pams编码的运动方案推荐方法、系统及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2022141861A1 (zh) | 情感分类方法、装置、电子设备及存储介质 | |
CN113449187B (zh) | 基于双画像的产品推荐方法、装置、设备及存储介质 | |
CN112380859A (zh) | 舆情信息的推荐方法、装置、电子设备及计算机存储介质 | |
CN112883190A (zh) | 文本分类方法、装置、电子设备及存储介质 | |
CN115018588A (zh) | 产品推荐方法、装置、电子设备及可读存储介质 | |
CN112528616B (zh) | 业务表单生成方法、装置、电子设备及计算机存储介质 | |
CN115391669B (zh) | 一种智能推荐方法、装置、电子设备 | |
CN113435202A (zh) | 基于用户画像的产品推荐方法、装置、电子设备及介质 | |
CN113886708A (zh) | 基于用户信息的产品推荐方法、装置、设备及存储介质 | |
CN113157927A (zh) | 文本分类方法、装置、电子设备及可读存储介质 | |
CN113360768A (zh) | 基于用户画像的产品推荐方法、装置、设备及存储介质 | |
CN113592605A (zh) | 基于相似产品的产品推荐方法、装置、设备及存储介质 | |
CN114781832A (zh) | 课程推荐方法、装置、电子设备及存储介质 | |
CN113360803A (zh) | 基于用户行为的数据缓存方法、装置、设备及存储介质 | |
CN113505273B (zh) | 基于重复数据筛选的数据排序方法、装置、设备及介质 | |
CN113268665A (zh) | 基于随机森林的信息推荐方法、装置、设备及存储介质 | |
CN112633988A (zh) | 用户产品推荐方法、装置、电子设备及可读存储介质 | |
CN113705201B (zh) | 基于文本的事件概率预测评估算法、电子设备及存储介质 | |
CN113591881B (zh) | 基于模型融合的意图识别方法、装置、电子设备及介质 | |
CN113656690B (zh) | 产品推荐方法、装置、电子设备及可读存储介质 | |
CN115641186A (zh) | 直播产品偏好的智能分析方法、装置、设备及存储介质 | |
CN114943306A (zh) | 意图分类方法、装置、设备及存储介质 | |
CN115203364A (zh) | 软件故障反馈处理方法、装置、设备及可读存储介质 | |
CN115186188A (zh) | 基于行为分析的产品推荐方法、装置、设备及存储介质 | |
CN114780688A (zh) | 基于规则匹配的文本质检方法、装置、设备及存储介质 |
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 |