CN115239421A - 商品推荐方法、装置、设备及介质 - Google Patents

商品推荐方法、装置、设备及介质 Download PDF

Info

Publication number
CN115239421A
CN115239421A CN202210862438.5A CN202210862438A CN115239421A CN 115239421 A CN115239421 A CN 115239421A CN 202210862438 A CN202210862438 A CN 202210862438A CN 115239421 A CN115239421 A CN 115239421A
Authority
CN
China
Prior art keywords
commodity
online
recommended
historical
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
CN202210862438.5A
Other languages
English (en)
Inventor
贺傲飞
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.)
Kangjian Information Technology Shenzhen Co Ltd
Original Assignee
Kangjian Information Technology Shenzhen Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Kangjian Information Technology Shenzhen Co Ltd filed Critical Kangjian Information Technology Shenzhen Co Ltd
Priority to CN202210862438.5A priority Critical patent/CN115239421A/zh
Publication of CN115239421A publication Critical patent/CN115239421A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9536—Search customisation based on social or collaborative filtering

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及人工智能技术领域，提供一种商品推荐方法、装置、设备及介质。包括：获取用户的日志文件；分别在在线浏览日志和历史浏览日志中，提取在线浏览商品和历史浏览商品；从预设的商品库中，查找与各在线浏览商品相匹配的在线待推荐商品集合，查找与各历史浏览商品相匹配的历史待推荐商品集合；根据购买记录计算用户的购买力指数和个性化标签，筛选生成在线推荐商品集合；按照商品类别以及商品受欢迎程度，从历史待推荐商品集合中筛选历史推荐商品集合；推荐在线推荐商品集合和历史推荐商品集合。本发明从用户的在线浏览信息和历史浏览信息中分别提取在线推荐商品和历史推荐商品，精准分析用户喜好，实现了千人千面的推送内容。

Description

商品推荐方法、装置、设备及介质
技术领域
本发明涉及人工智能技术领域，特别涉及一种商品推荐方法、装置、设备及介质。
背景技术
用户在网页上进行购物时，企业往往需要对用户的行为进行分析，以便尽可能高效准确的了解特定人群的用户访问商品页面的转化率情况，从而面向不同的人群定制各有侧重的交易流程，有针对性地合理编排交易流程。
发明人意识到，上述用户行为分析通常是基于离线数据进行的，但这种离线的分析方式无法准确的分析用户的实时行为。且离线数据具有一定的延迟性，因此无法准确分析用户当前的喜好动态变化，容易造成计算数据时间过于集中，导致系统性能过剩的问题。
发明内容
本发明的目的在于提供一种商品推荐方法、装置、设备及介质，以解决现有的离线分析方式无法准确的分析用户的实时行为。且离线数据具有一定的延迟性，因此无法准确分析用户当前的喜好动态变化，容易造成计算数据时间过于集中，导致系统性能过剩的技术问题。
第一方面，提供了一种商品推荐方法，包括：
获取用户的日志文件，所述日志文件中包括用户的在线浏览日志、历史浏览日志和购买记录；
使用可变时间长度的滑动窗口，分别在所述在线浏览日志和所述历史浏览日志中，提取在线浏览商品和历史浏览商品；
从预设的商品库中，查找与各在线浏览商品相匹配的在线待推荐商品集合，查找与各历史浏览商品相匹配的历史待推荐商品集合；
根据所述购买记录计算用户的购买力指数和个性化标签，并依据所述购买力指数和个性化标签从所述在线待推荐商品集合筛选生成在线推荐商品集合；
在所述历史待推荐商品集合中，按照商品类别以及商品受欢迎程度，从所述历史待推荐商品集合中筛选历史推荐商品集合；
推荐所述在线推荐商品集合和所述历史推荐商品集合。
第二方面，提供了一种商品推荐装置，包括：
日志获取模块，用于获取用户的日志文件，所述日志文件中包括用户的在线浏览日志、历史浏览日志和购买记录；
浏览商品获取模块，用于使用可变时间长度的滑动窗口，分别在所述在线浏览日志和所述历史浏览日志中，提取在线浏览商品和历史浏览商品；
商品分类模块，用于从预设的商品库中，查找与各在线浏览商品相匹配的在线待推荐商品集合，查找与各历史浏览商品相匹配的历史待推荐商品集合；
在线推荐商品集合获取模块，用于根据所述购买记录计算用户的购买力指数和个性化标签，并依据所述购买力指数和个性化标签从所述在线待推荐商品集合筛选生成在线推荐商品集合；
历史推荐商品集合获取模块，用于在所述历史待推荐商品集合中，按照商品类别以及商品受欢迎程度，从所述历史待推荐商品集合中筛选历史推荐商品集合；
商品推荐模块，用于推荐所述在线推荐商品集合和所述历史推荐商品集合。
第三方面，提供了一种计算机设备，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述智能问答处理方法的步骤。
第四方面，提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现上述智能问答处理方法的步骤。
本发明的商品推荐方法、系统、设备及介质，通过获取用户的日志文件，所述日志文件中包括用户的在线浏览日志、历史浏览日志和购买记录，然后使用可变时间长度的滑动窗口，分别在所述在线浏览日志和所述历史浏览日志中，提取在线浏览商品和历史浏览商品。然后从预设的商品库中，查找与各在线浏览商品的商品类别相匹配的在线待推荐商品集合，查找与各历史浏览商品的商品类别相匹配的历史待推荐商品集合。根据所述购买记录计算用户的购买力指数和个性化标签，并依据所述购买力指数和个性化标签从所述在线待推荐商品集合筛选生成在线推荐商品集合。在所述历史待推荐商品集合中，按照商品类别以及商品受欢迎程度，从所述历史待推荐商品集合中筛选历史推荐商品集合，并推荐所述在线推荐商品集合和所述历史推荐商品集合给用户，实现了对用户行为的实时分析，可以精准的向用户推荐所需商品。在本发明中，针对目前对用户的行为分析通常是基于离线数据进行的，但这种离线的分析方式无法准确的分析用户的实时行为。且离线数据具有一定的延迟性，因此无法准确分析用户当前的喜好动态变化，容易造成计算数据时间过于集中，导致系统性能过剩的问题。针对上述问题，通过对获取的历史浏览日志和在线浏览日志中内容进行提取，根据用户的个性化标签和购买力指数，从在线浏览的对应商品中获得在线推荐商品集合。根据用户历史浏览商品信息中，各商品的受欢迎度，获得历史推荐商品集合，从而将上述在线推荐商品集合和历史推荐商品集合一起推荐给用户。能够精准的分析出用户的行径，估计出用户的所需，向用户实时推荐本身所需的商品，且可使企业及时分析用户行为，根据用户行为及时调整商品的展示内容。可以在亿级别的数据量中，快速的查询到有用的价值性高的数据，并通过后台的实时观测可以发现当下流程的产品消费趋势，更能为后续带动消费产业的提供奠定基础。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图：
图1显示为本发明一实施例中商品推荐方法的一应用环境示意图；
图2显示为本发明一实施例中商品推荐方法的流程示意图；
图3显示为本发明一实施例中获取购买力指数的流程示意图；
图4显示为本发明一实施例中获取第一推荐商品集合的流程示意图；
图5显示为本发明一实施例中商品推荐装置的结构框图；
图6是本发明一实施例中计算机设备的一结构示意图；
图7是本发明一实施例中计算机设备的另一结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例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作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。
本发明实施例提供的商品推荐方法，可应用在如图1的应用环境中，其中，客户端通过网络与服务端进行通信。服务端可以通过客户端输入的浏览轨迹对用户的行为进行分析。通过获取用户的日志文件，所述日志文件中包括用户的在线浏览日志、历史浏览日志和购买记录，然后使用可变时间长度的滑动窗口，分别在所述在线浏览日志和所述历史浏览日志中，提取商品名称和对应的商品类别，获得多个在线浏览商品和多个历史浏览商品。然后从预设的商品库中，查找与各在线浏览商品的商品类别相匹配的多个商品，提取对应的商品名称、商品类别和商品价格，生成在线待推荐商品集合，查找与各历史浏览商品的商品类别相匹配的多个商品，提取对应的商品名称、商品类别和商品价格，生成历史待推荐商品集合，所述商品库中存储有每个商品的商品名称、商品价格和商品类别。根据所述购买记录计算用户的购买力指数和个性化标签，并从所述在线待推荐商品集合中，提取符合所述购买力指数和个性化标签的多个商品，生成在线推荐商品集合。在所述历史待推荐商品集合中，查找每个商品类别对应的若干个商品中，受欢迎度大于设定阈值的多个商品，生成历史推荐商品集合。将所述在线推荐商品集合和所述历史推荐商品集合依次推荐给用户，实现了对用户行为的实时分析，可以精准的向用户推荐所需商品。在本发明中，针对目前对用户的行为分析通常是基于离线数据进行的，但这种离线的分析方式无法准确的分析用户的实时行为。且离线数据具有一定的延迟性，因此无法准确分析用户当前的喜好动态变化，容易造成计算数据时间过于集中，导致系统性能过剩的问题。针对上述问题，通过对获取的历史浏览日志和在线浏览日志中内容进行提取，根据用户的个性化标签和购买力指数，从在线浏览的对应商品中获得在线推荐商品集合。根据用户历史浏览商品信息中，各商品的受欢迎度，获得历史推荐商品集合，从而将上述在线推荐商品集合和历史推荐商品集合一起推荐给用户。能够精准的分析出用户的行径，估计出用户的所需，向用户实时推荐本身所需的商品，且可使企业及时分析用户行为，根据用户行为及时调整商品的展示内容。可以在亿级别的数据量中，快速的查询到有用的价值性高的数据，并通过后台的实时观测可以发现当下流程的产品消费趋势，更能为后续带动消费产业的提供奠定基础。其中，客户端可以但不限于各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。服务端可以用独立的服务器或者是多个服务器组成的服务器集群来实现。下面通过具体的实施例对本发明进行详细的描述。
请参阅图2所示，图2为本发明实施例提供的商品推荐方法的一个流程示意图，包括如下步骤：
S10、获取用户的日志文件，所述日志文件中包括用户的在线浏览日志、历史浏览日志和购买记录。
本实施例中，在线浏览日志记录的是用户从当前时刻开始，向前推移设定时间内浏览的商品信息，可以实时反应用户当前浏览的商品信息，历史浏览日志记录的是用户之前一段时间内浏览的商品信息。示例性地，在线浏览日志可记录用户在1小时之内浏览的商品信息，历史浏览日志可记录用户前1天浏览的商品信息。可使用埋点的方式获取用户的在线浏览日志和历史浏览日志。埋点分析是网站分析的一种常用的数据采集方法，通过埋点对数据进行采集，对采集的数据进行实时数据处理或历史数据处理，从而对得到的统计数据进行数据分析。具体地，可通过预设的脚本工具，对网页进行埋点。脚本工具可使用javascript开发制成，由于javascript仅在用户端即可完成多种任务，无需网络和服务器的开发参与，因此这种分布式方式可极大的减少网络传输。在本发明一实施例中，所述获取用户的日志文件之后，还包括：将在线浏览日志中，商品的浏览时长大于或等于预设浏览时长的商品类别加入至个性化标签中，从而能够实时更新用户的个性化标签。本实施例中，在线浏览日志和历史浏览日志组成了日志文件，并保存在服务器中，通过访问日志文件可知道用户访问的状态、浏览时间、浏览器、接口地址等信息，从而为后续分析用户的喜好奠定基础。考虑到Nginx具有高性能的日志存储功能，因此服务器为Nginx服务器。
S20、使用可变时间长度的滑动窗口，分别在所述在线浏览日志和所述历史浏览日志中，提取商品名称和对应的商品类别，获得多个在线浏览商品和多个历史浏览商品。
本实施例中，使用可变时间长度的滑动窗口，通过双指针的方式，分别提取在线浏览日志和历史浏览日志中包含的商品信息，生成多个在线浏览商品和多个历史浏览商品。由于日志文件中记载的商品浏览足迹是按照时间先后顺序产生的，因此可使用滑动窗口的方法，对日志文件进行分割，从而获取用户在各时间段的浏览信息。本实施例中，在线浏览商品日志中记载有用户在线浏览的商品名称、商品价格、商品商品类别和浏览的时间长度，历史浏览商品日志中记载有用户历史浏览的各商品名称、商品价格、商品商品类别和浏览的时间长度。其中，商品商品类别是指商品对应的商品种类，例如黑色短款连衣裙的商品类别为连衣裙。考虑到在线浏览商品日志或历史浏览商品日志中记载的商品信息可能由于商品名称或价格等信息的长度不同，使得每一条日志信息的长度不同，若使用固定长度的滑动窗口，则可能存在截取信息不完整的情形。因此本实施例中使用长度可变的滑动窗口，使用双指针的方法进行定位。具体地，可使用第一指针和第二指针限定滑动窗口的长度，第一指针指向当前日志信息的首字符，第二指针指向当前日志信息的末字符，滑动窗口的长度即为第一指针与第二指针之间的距离。从而使得滑动窗口能够完整的提取日志文件中每一条信息。从而通过提取在线浏览商品浏览日志生成多个在线浏览商品，提取历史浏览商品浏览日志以生成多个历史浏览商品。
S30、从预设的商品库中，查找与各在线浏览商品的商品类别相匹配的多个商品，提取对应的商品名称、商品类别和商品价格，生成在线待推荐商品集合，查找与各历史浏览商品的商品类别相匹配的多个商品，提取对应的商品名称、商品类别和商品价格，生成历史待推荐商品集合，所述商品库中存储有每个商品的商品名称、商品价格和商品类别。
本实施例中，通过上述可变长度滑动窗口提取日志信息后，可以获取多个在线浏览商品和多个历史浏览商品。从预设的商品库中，查找与在线浏览商品的商品类别相匹配的各商品，生成在线待推荐商品集合。其中，商品库中存储有各式各样的多个商品，每个商品都有对应的商品名称、商品价格、点击量和商品类别。具体地，由于每个在线浏览商品都有一个对应的商品类别，在商品库中查找与该在线浏览商品的商品类别一致的商品，选择点击量大于设定点击量阈值的商品，得到当前在线浏览商品对应的多个在线待推荐商品。对于每个在线浏览商品重复上述在线待推荐商品的获取过程，直至所有在线浏览商品均得到对应的在线待推荐商品，所有在线浏览商品对应的在线待推荐商品共同生成在线待推荐商品集合。历史浏览商品集合是通过历史浏览商品获取，具体获取过程与上述在线浏览商品集合相似，在此不做赘述。其中，在线待推荐商品集合与历史待推荐商品集合的生成顺序不分先后。进一步地，在本发明一实施例中，所述查找与各在线浏览商品的商品类别相匹配的多个商品之前，还包括：将多个在线浏览商品按照商品的商品类别进行划分，每个商品类别中包含有多个商品。通过将各在线浏览商品按照商品类别进行划分后，对于每个商品类别，可以得到多个不同的商品，从而便于后续按照商品类别进行划分。
可以理解的是，本发明是基于ClickHouse分布式数据库中原生的多参聚合函数以及高阶函数对用户行为分析，ClickHouse作为一款性能卓越的OLAP分布式数据库，在实时计算海量数据时有着明显的优势，非常适合被当作分析软件的底层数据仓库使用。其数据内存不受限制，不需要编写一系列的数组处理函数以及聚合函数来弥补大数据基础算法功能的不足，开发过程相对简单。解决了现有技术受单机物理内存限制、开发复杂以及难以做到实时响应的问题。
S40、根据所述购买记录计算用户的购买力指数和个性化标签，并从所述在线待推荐商品集合中，提取符合所述购买力指数和个性化标签的多个商品，生成在线推荐商品集合。
在步骤S40中，所述根据所述购买记录计算用户的购买力指数和个性化标签，包括以下过程：
S401、在所述日志文件中查找用户的购买记录，并对所述已购买的各商品的价格和对应的价格权重依次乘积并进行求和，得到价格指数，所述购买记录包括用户已购买的每类商品中，各商品的价格和对应的价格权重；
S402、计算所述价格指数与各商品的价格权重的总和的商，得到购买力指数。
本实施例中，购买力是用户购买的商品的价格在同类商品中所处的价格位置。而购买力指数则是可以反映用户购买力的数值。用户的购买力指数可以通过用户购买的商品的价格指数来衡量，具体地，可以根据用户标识，获取该用户的购买记录，根据购买记录中保存的用户已购买的各类产品的价格和对应的价格权重，从而计算用户的购买力指数。其中，权重可以综合衡量该商品的属性。具体地，根据
Figure BDA0003757210310000081
计算用户的价格指数，其中，pricek(i)为用户已购买的第k类商品中，第i个商品的价格，weightk(i)为用户已购买的第k类商品中，第i个商品的权重，nk为用户购买的第k类商品的总量，Pk为用户对于第k类商品的价格指数。然后根据价格指数和商品的权重，根据公式
Figure BDA0003757210310000091
得到用户对第k类商品的购买力指数，其中，Nk为用户对第k类商品的购买力指数，k的范围为1至M，M为用户已购买的商品类别总数。
进一步地，在步骤S40中，所述从所述在线待推荐商品集合中，提取符合所述购买力指数和个性化标签的多个商品，生成在线推荐商品集合，包括以下过程：
S411、根据所述购买力指数对所述在线待推荐商品集合中的各商品进行筛选，得到第一结果列表；
S412、将所述个性化标签与所述第一结果列表中各商品类别进行匹配，提取与所述个性化标签一致的商品，得到第一推荐商品集合。
进一步地，步骤S411中，所述根据所述购买力指数对所述在线待推荐商品集合中的各商品进行筛选，得到第一结果列表，包括以下过程：
S4111、将所述在线待推荐商品集合中的其中一件商品的商品价格与所述购买力指数进行比较，得到所述购买力指数与所述商品价格的差值；
S4112、若所述购买力指数与所述商品价格的差值的绝对值小于预设的第一阈值，将商品对应的商品名称和商品价格加入预设的第一结果集合；
S4113、选择所述在线待推荐商品集合中的另一件商品，重复步骤S4111和S4112，直至所有商品选择完毕，获得第一结果列表。
本实施例中，根据用户对每种类别商品的购买力指数，与在线待推荐商品集合中该类别的其中一个商品的价格进行比较，如果该商品的价格与购买力指数的绝对差值小于预设的第一阈值，则说明当前商品在用户的购买能力范围内，有望被用户购买。因此可将该商品对应的商品名称和商品价格加入到第一结果集合中。然后从当前类别中挑选另一件商品，重复上述过程，直至将在线待推荐商品集合中各类别的商品均挑选完成，构成第一结果列表。第一结果列表中包含挑选出来的各商品的商品类别、商品价格和商品名称。由于个性化标签表示用户对某类商品的喜爱程度，为了精准的向用户推荐商品，需要将个性化标签与第一结果列表中商品的商品类别进行匹配，从而提取出与个性化标签一致的商品，得到在线推荐商品集合。示例性地，当用户是新手妈妈时，其个性化标签可以是婴幼儿、奶粉、尿不湿。第一结果列表中的商品类别可以是奶粉、连衣裙、学步车、手机、尿不湿。通过标签匹配，可得到在线推荐商品集合中商品的标签是尿不湿、奶粉的商品。
S50、在所述历史待推荐商品集合中，查找每个商品类别对应的若干个商品中，受欢迎度大于设定阈值的多个商品，生成历史推荐商品集合。
本实施例中，为了提升用户对商品的购买欲望，因此，不仅根据用户自身特点，针对性的向用户推荐在线浏览的商品，还结合用户浏览的历史浏览商品信息，一同向用户推荐商品。具体地，历史待推荐商品集合中有多种不同的商品类别，每种商品类别包含有多个不同的商品。示例性地，商品类别为笔记本和连衣裙，笔记本这种商品类别中包括戴尔笔记本、联想笔记本、三星笔记本等；连衣裙这种商品类别中包括红色短款连衣裙、蓝色长款连衣裙、粉色蕾丝连衣裙等。然后挑选每类商品中，受欢迎度大于设定阈值的多个商品，构成了历史推荐商品集合。其中，受欢迎度与商品被收藏的次数、商品销量、商品点击量等因素有关。
S70、将所述在线推荐商品集合和所述历史推荐商品集合依次推荐给用户。
本实施例中，由于在线推荐商品集合中包括多个基于用户实时浏览信息获得的商品，历史推荐商品集合中也包括有多个基于用户历史浏览信息获得的商品。推荐商品时，考虑到用户在线浏览的商品购买的可能性更大，因此优先展示在线推荐商品集合，示例性地，可将在线推荐商品集合展示在页面的前端，将历史推荐商品集合展示在页面的相对后端。此处的页面为用户浏览的购物网站中的首页。对于在线推荐商品集合和历史推荐商品集合中各商品的展示顺序，可根据商品价格、商品销量等因素适应性选择后进行展示。
可见，在上述方案中，通过获取用户的日志文件，所述日志文件中包括用户的在线浏览日志、历史浏览日志和购买记录，然后使用可变时间长度的滑动窗口，分别在所述在线浏览日志和所述历史浏览日志中，提取商品名称和对应的商品类别，获得多个在线浏览商品和多个历史浏览商品。然后从预设的商品库中，查找与各在线浏览商品的商品类别相匹配的多个商品，提取对应的商品名称、商品类别和商品价格，生成在线待推荐商品集合，查找与各历史浏览商品的商品类别相匹配的多个商品，提取对应的商品名称、商品类别和商品价格，生成历史待推荐商品集合，所述商品库中存储有每个商品的商品名称、商品价格和商品类别。根据所述购买记录计算用户的购买力指数和个性化标签，并从所述在线待推荐商品集合中，提取符合所述购买力指数和个性化标签的多个商品，生成在线推荐商品集合。在所述历史待推荐商品集合中，查找每个商品类别对应的若干个商品中，受欢迎度大于设定阈值的多个商品，生成历史推荐商品集合。将所述在线推荐商品集合和所述历史推荐商品集合依次推荐给用户，实现了对用户行为的实时分析，可以精准的向用户推荐所需商品。在本发明中，针对目前对用户的行为分析通常是基于离线数据进行的，但这种离线的分析方式无法准确的分析用户的实时行为。且离线数据具有一定的延迟性，因此无法准确分析用户当前的喜好动态变化，容易造成计算数据时间过于集中，导致系统性能过剩的问题。针对上述问题，通过对获取的历史浏览日志和在线浏览日志中内容进行提取，根据用户的个性化标签和购买力指数，从在线浏览的对应商品中获得在线推荐商品集合。根据用户历史浏览商品信息中，各商品的受欢迎度，获得历史推荐商品集合，从而将上述在线推荐商品集合和历史推荐商品集合一起推荐给用户。能够精准的分析出用户的行径，估计出用户的所需，向用户实时推荐本身所需的商品，且可使企业及时分析用户行为，根据用户行为及时调整商品的展示内容。可以在亿级别的数据量中，快速的查询到有用的价值性高的数据，并通过后台的实时观测可以发现当下流程的产品消费趋势，更能为后续带动消费产业的提供奠定基础。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
在一实施例中，提供一种商品推荐装置，该商品推荐装置与上述实施例中商品推荐方法一一对应。如图5所示，该商品推荐装置包括日志获取模块111、浏览商品获取模块112、商品分类模块113、在线推荐商品集合获取模块114、历史推荐商品集合获取模块115和商品推荐模块116。各功能模块详细说明如下：
日志获取模块111，用于获取用户的日志文件，所述日志文件中包括用户的在线浏览日志、历史浏览日志和购买记录。
浏览商品获取模块112，用于使用可变时间长度的滑动窗口，分别在所述在线浏览日志和所述历史浏览日志中，提取商品名称和对应的商品类别，获得多个在线浏览商品和多个历史浏览商品。
商品分类模块113，用于从预设的商品库中，查找与各在线浏览商品的商品类别相匹配的多个商品，提取对应的商品名称、商品类别和商品价格，生成在线待推荐商品集合，查找与各历史浏览商品的商品类别相匹配的多个商品，提取对应的商品名称、商品类别和商品价格，生成历史待推荐商品集合，所述商品库中存储有每个商品的商品名称、商品价格和商品类别。
在线推荐商品集合获取模块114，用于根据所述购买记录计算用户的购买力指数和个性化标签，并从所述在线待推荐商品集合中，提取符合所述购买力指数和个性化标签的多个商品，生成在线推荐商品集合。
历史推荐商品集合获取模块115，用于在所述历史待推荐商品集合中，查找每个商品类别对应的若干个商品中，受欢迎度大于设定阈值的多个商品，生成历史推荐商品集合。
商品推荐模块116，用于将所述在线推荐商品集合和所述历史推荐商品集合依次推荐给用户。
在一实施例中，日志获取模块111，还用于：
将在线浏览日志中，商品的浏览时长大于或等于预设浏览时长的商品类别加入至个性化标签中。
在一实施例中，商品分类模块113，具体用于：
将多个在线浏览商品按照商品的商品类别进行划分，每个商品类别中包含有多个商品。
在一实施例中，在线推荐商品集合获取模块114，具体用于：
在所述日志文件中查找用户的购买记录，并对所述已购买的各商品的价格和对应的价格权重依次乘积并进行求和，得到价格指数，所述购买记录包括用户已购买的每类商品中，各商品的价格和对应的价格权重；
计算所述价格指数与各商品的价格权重的总和的商，得到购买力指数。
在一实施例中，在线推荐商品集合获取模块114，还用于：
根据所述购买力指数对所述在线待推荐商品集合中的各商品进行筛选，得到第一结果列表；
将所述个性化标签与所述第一结果列表中各商品类别进行匹配，提取与所述个性化标签一致的商品，得到第一推荐商品集合。
在一实施例中，在线推荐商品集合获取模块114，还用于：
将所述在线待推荐商品集合中的其中一件商品的商品价格与所述购买力指数进行比较，得到所述购买力指数与所述商品价格的差值；
若所述购买力指数与所述商品价格的差值的绝对值小于预设的第一阈值，将商品对应的商品名称和商品价格加入预设的第一结果集合；
选择所述在线待推荐商品集合中的另一件商品，直至所有商品选择完毕，获得第一结果列表。
本发明提供了一种商品推荐装置，通过获取用户的日志文件，所述日志文件中包括用户的在线浏览日志、历史浏览日志和购买记录，然后使用可变时间长度的滑动窗口，分别在所述在线浏览日志和所述历史浏览日志中，提取商品名称和对应的商品类别，获得多个在线浏览商品和多个历史浏览商品。然后从预设的商品库中，查找与各在线浏览商品的商品类别相匹配的多个商品，提取对应的商品名称、商品类别和商品价格，生成在线待推荐商品集合，查找与各历史浏览商品的商品类别相匹配的多个商品，提取对应的商品名称、商品类别和商品价格，生成历史待推荐商品集合，所述商品库中存储有每个商品的商品名称、商品价格和商品类别。根据所述购买记录计算用户的购买力指数和个性化标签，并从所述在线待推荐商品集合中，提取符合所述购买力指数和个性化标签的多个商品，生成在线推荐商品集合。在所述历史待推荐商品集合中，查找每个商品类别对应的若干个商品中，受欢迎度大于设定阈值的多个商品，生成历史推荐商品集合。将所述在线推荐商品集合和所述历史推荐商品集合依次推荐给用户，实现了对用户行为的实时分析，可以精准的向用户推荐所需商品。在本发明中，针对目前对用户的行为分析通常是基于离线数据进行的，但这种离线的分析方式无法准确的分析用户的实时行为。且离线数据具有一定的延迟性，因此无法准确分析用户当前的喜好动态变化，容易造成计算数据时间过于集中，导致系统性能过剩的问题。针对上述问题，通过对获取的历史浏览日志和在线浏览日志中内容进行提取，根据用户的个性化标签和购买力指数，从在线浏览的对应商品中获得在线推荐商品集合。根据用户历史浏览商品信息中，各商品的受欢迎度，获得历史推荐商品集合，从而将上述在线推荐商品集合和历史推荐商品集合一起推荐给用户。能够精准的分析出用户的行径，估计出用户的所需，向用户实时推荐本身所需的商品，且可使企业及时分析用户行为，根据用户行为及时调整商品的展示内容。可以在亿级别的数据量中，快速的查询到有用的价值性高的数据，并通过后台的实时观测可以发现当下流程的产品消费趋势，更能为后续带动消费产业的提供奠定基础。
关于商品推荐装置的具体限定可以参见上文中对于商品推荐方法的限定，在此不再赘述。上述商品推荐装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务端，其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性和/或易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的客户端通过网络连接通信。该计算机程序被处理器执行时以实现一种商品推荐方法服务端侧的功能或步骤。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是客户端，其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部服务器通过网络连接通信。该计算机程序被处理器执行时以实现一种商品推荐方法客户端侧的功能或步骤
在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：
获取用户的日志文件，所述日志文件中包括用户的在线浏览日志、历史浏览日志和购买记录；
使用可变时间长度的滑动窗口，分别在所述在线浏览日志和所述历史浏览日志中，提取商品名称和对应的商品类别，获得多个在线浏览商品和多个历史浏览商品；
从预设的商品库中，查找与各在线浏览商品的商品类别相匹配的多个商品，提取对应的商品名称、商品类别和商品价格，生成在线待推荐商品集合，查找与各历史浏览商品的商品类别相匹配的多个商品，提取对应的商品名称、商品类别和商品价格，生成历史待推荐商品集合，所述商品库中存储有每个商品的商品名称、商品价格和商品类别；
根据所述购买记录计算用户的购买力指数和个性化标签，并从所述在线待推荐商品集合中，提取符合所述购买力指数和个性化标签的多个商品，生成在线推荐商品集合；
在所述历史待推荐商品集合中，查找每个商品类别对应的若干个商品中，受欢迎度大于设定阈值的多个商品，生成历史推荐商品集合；
将所述在线推荐商品集合和所述历史推荐商品集合依次推荐给用户。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取用户的日志文件，所述日志文件中包括用户的在线浏览日志、历史浏览日志和购买记录；
使用可变时间长度的滑动窗口，分别在所述在线浏览日志和所述历史浏览日志中，提取商品名称和对应的商品类别，获得多个在线浏览商品和多个历史浏览商品；
从预设的商品库中，查找与各在线浏览商品的商品类别相匹配的多个商品，提取对应的商品名称、商品类别和商品价格，生成在线待推荐商品集合，查找与各历史浏览商品的商品类别相匹配的多个商品，提取对应的商品名称、商品类别和商品价格，生成历史待推荐商品集合，所述商品库中存储有每个商品的商品名称、商品价格和商品类别；
根据所述购买记录计算用户的购买力指数和个性化标签，并从所述在线待推荐商品集合中，提取符合所述购买力指数和个性化标签的多个商品，生成在线推荐商品集合；
在所述历史待推荐商品集合中，查找每个商品类别对应的若干个商品中，受欢迎度大于设定阈值的多个商品，生成历史推荐商品集合；
将所述在线推荐商品集合和所述历史推荐商品集合依次推荐给用户。
需要说明的是，上述关于计算机可读存储介质或计算机设备所能实现的功能或步骤，可对应参阅前述方法实施例中，服务端侧以及客户端侧的相关描述，为避免重复，这里不再一一描述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (9)

1.一种商品推荐方法，其特征在于，包括：
获取用户的日志文件，所述日志文件中包括用户的在线浏览日志、历史浏览日志和购买记录；
使用可变时间长度的滑动窗口，分别在所述在线浏览日志和所述历史浏览日志中，提取在线浏览商品和历史浏览商品；
从预设的商品库中，查找与各在线浏览商品相匹配的在线待推荐商品集合，查找与各历史浏览商品相匹配的历史待推荐商品集合；
根据所述购买记录计算用户的购买力指数和个性化标签，并依据所述购买力指数和个性化标签从所述在线待推荐商品集合筛选生成在线推荐商品集合；
在所述历史待推荐商品集合中，按照商品类别以及商品受欢迎程度，从所述历史待推荐商品集合中筛选历史推荐商品集合；
推荐所述在线推荐商品集合和所述历史推荐商品集合。
2.根据权利要求1所述的商品推荐方法，其特征在于，所述根据所述购买记录计算用户的购买力指数和个性化标签，包括以下过程：
在所述日志文件中查找用户的购买记录，并对所述已购买的各商品的价格和对应的价格权重依次乘积并进行求和，得到价格指数，所述购买记录包括用户已购买的每类商品中，各商品的价格和对应的价格权重；
计算所述价格指数与各商品的价格权重的总和的商，得到购买力指数。
3.根据权利要求1所述的商品推荐方法，其特征在于，所述依据所述购买力指数和个性化标签从所述在线待推荐商品集合筛选生成在线推荐商品集合，包括以下过程：
根据所述购买力指数对所述在线待推荐商品集合中的各商品进行筛选，得到第一结果列表；
将所述个性化标签与所述第一结果列表中各商品类别进行匹配，提取与所述个性化标签一致的商品，得到第一推荐商品集合。
4.根据权利要求3所述的商品推荐方法，其特征在于，所述根据所述购买力指数对所述在线待推荐商品集合中的各商品进行筛选，得到第一结果列表，包括以下过程：
S4111、将所述在线待推荐商品集合中的其中一件商品的商品价格与所述购买力指数进行比较，得到所述购买力指数与所述商品价格的差值；
S4112、若所述购买力指数与所述商品价格的差值的绝对值小于预设的第一阈值，将商品对应的商品名称和商品价格加入预设的第一结果集合；
S4113、选择所述在线待推荐商品集合中的另一件商品，重复步骤S4111和S4112，直至所有商品选择完毕，获得第一结果列表。
5.根据权利要求1所述的商品推荐方法，其特征在于，所述获取用户的日志文件之后，还包括：将在线浏览日志中，商品的浏览时长大于或等于预设浏览时长的商品类别加入至个性化标签中。
6.根据权利要求1所述的商品推荐方法，其特征在于，所述查找与各在线浏览商品相匹配的在线待推荐商品集合之前，还包括：将多个在线浏览商品按照商品的商品类别进行划分，每个商品类别中包含有多个商品。
7.一种商品推荐装置，其特征在于，包括：
日志获取模块，用于获取用户的日志文件，所述日志文件中包括用户的在线浏览日志、历史浏览日志和购买记录；
浏览商品获取模块，用于使用可变时间长度的滑动窗口，分别在所述在线浏览日志和所述历史浏览日志中，提取在线浏览商品和历史浏览商品；
商品分类模块，用于从预设的商品库中，查找与各在线浏览商品相匹配的在线待推荐商品集合，查找与各历史浏览商品相匹配的历史待推荐商品集合；
在线推荐商品集合获取模块，用于根据所述购买记录计算用户的购买力指数和个性化标签，并依据所述购买力指数和个性化标签从所述在线待推荐商品集合筛选生成在线推荐商品集合；
历史推荐商品集合获取模块，用于在所述历史待推荐商品集合中，按照商品类别以及商品受欢迎程度，从所述历史待推荐商品集合中筛选历史推荐商品集合；
商品推荐模块，用于推荐所述在线推荐商品集合和所述历史推荐商品集合。
8.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述方法的步骤。
9.一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执行时实现权利要求1至6中任一项所述的方法的步骤。
CN202210862438.5A 2022-07-21 2022-07-21 商品推荐方法、装置、设备及介质 Pending CN115239421A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210862438.5A CN115239421A (zh) 2022-07-21 2022-07-21 商品推荐方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210862438.5A CN115239421A (zh) 2022-07-21 2022-07-21 商品推荐方法、装置、设备及介质

Publications (1)

Publication Number Publication Date
CN115239421A true CN115239421A (zh) 2022-10-25

Family

ID=83676100

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210862438.5A Pending CN115239421A (zh) 2022-07-21 2022-07-21 商品推荐方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN115239421A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115880034A (zh) * 2023-01-09 2023-03-31 河北省气象服务中心(河北省气象影视中心) 一种数据的采集分析系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115880034A (zh) * 2023-01-09 2023-03-31 河北省气象服务中心(河北省气象影视中心) 一种数据的采集分析系统
CN115880034B (zh) * 2023-01-09 2023-12-22 河北省气象服务中心(河北省气象影视中心) 一种数据的采集分析系统

Similar Documents

Publication Publication Date Title
CN110020094B (zh) 一种搜索结果的展示方法和相关装置
CN108230058B (zh) 产品推荐方法及系统
CN105989004B (zh) 一种信息投放的预处理方法和装置
US8977629B2 (en) Image-based popularity prediction
US20220092446A1 (en) Recommendation method, computing device and storage medium
CN109783730A (zh) 产品推荐方法、装置、计算机设备和存储介质
CN108228873A (zh) 对象推荐、发布内容推送方法、装置、存储介质和设备
CN106251174A (zh) 信息推荐方法及装置
CN105469263A (zh) 一种商品推荐方法及装置
US7844567B2 (en) System and method for selecting a training sample from a sample test based on data sample proximity
TW201327233A (zh) 個性化的資訊推送方法及裝置
CN103034680B (zh) 针对终端设备的数据交互方法及装置
US20150066586A1 (en) Evaluation calculating device, evaluation calculating method, and recording medium
CN110008397B (zh) 一种推荐模型训练方法及装置
CN110827112B (zh) 深度学习的商品推荐方法、装置、计算机设备及存储介质
CN104077286A (zh) 商品信息的搜索方法及系统
CN103020128B (zh) 与终端设备交互数据的方法与装置
CN111967914A (zh) 基于用户画像的推荐方法、装置、计算机设备和存储介质
US20210217053A1 (en) Methods and apparatuses for selecting advertisements using semantic matching
CN109801101A (zh) 标签确定方法、装置、计算机设备和存储介质
CN111695024A (zh) 对象评估值的预测方法及系统、推荐方法及系统
CN113032668A (zh) 基于用户画像的产品推荐方法、装置、设备及存储介质
CN112102002A (zh) 基于知识图谱的商品推荐方法、装置、计算机和存储介质
CN111861605A (zh) 业务对象推荐方法
CN107093122B (zh) 对象分类方法及装置

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