CN115601103A - 一种物品信息展示方法和装置 - Google Patents

一种物品信息展示方法和装置 Download PDF

Info

Publication number
CN115601103A
CN115601103A CN202211336138.XA CN202211336138A CN115601103A CN 115601103 A CN115601103 A CN 115601103A CN 202211336138 A CN202211336138 A CN 202211336138A CN 115601103 A CN115601103 A CN 115601103A
Authority
CN
China
Prior art keywords
item
target
historical
determining
candidate
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
CN202211336138.XA
Other languages
English (en)
Inventor
雷涛
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.)
Agricultural Bank of China
Original Assignee
Agricultural Bank of China
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 Agricultural Bank of China filed Critical Agricultural Bank of China
Priority to CN202211336138.XA priority Critical patent/CN115601103A/zh
Publication of CN115601103A publication Critical patent/CN115601103A/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
    • 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)
  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种物品信息展示方法和装置。该方法包括：获取目标用户当前评分的当前物品和预设历史时间段内评分的多个历史物品；基于物品相似度矩阵，确定与当前物品相似的多个候选物品，其中，物品相似度矩阵是基于隐语义分析方式和离线用户评分数据进行确定的；基于物品相似度矩阵和历史物品对应的历史评分，确定目标用户对每个候选物品的目标偏好程度；基于目标偏好程度，从各个候选物品中确定目标物品，并展示目标物品对应的目标物品信息。通过本发明的技术方案，可以提高信息查找效率，提升用户体验。

Description

一种物品信息展示方法和装置
技术领域
本发明涉及计算机技术领域，尤其涉及一种物品信息展示方法和装置。
背景技术
随着计算机技术的快速发展，各种各样的应用软件被研发，以满足用户日益增长的需求。例如，用户可以在掌银APP中的积分商城中浏览物品、购买物品、评分物品等操作。
目前，在用户使用应用软件过程中，往往会向用户展示出一些物品的信息，以供用户参考。然而，现有方式所展示出的物品信息往往不是用户想要的物品信息，需要用户重新查找物品信息，从而降低了信息查找效率，同时也降低了用户体验。
发明内容
本发明提供了一种物品信息展示方法和装置，以提高信息查找效率，提升用户体验。
根据本发明的一方面，提供了一种物品信息展示方法，包括：
获取目标用户当前评分的当前物品和预设历史时间段内评分的多个历史物品；
基于物品相似度矩阵，确定与所述当前物品相似的多个候选物品，其中，所述物品相似度矩阵是基于隐语义分析方式和离线用户评分数据进行确定的；
基于所述物品相似度矩阵和所述历史物品对应的历史评分，确定所述目标用户对每个所述候选物品的目标偏好程度；
基于所述目标偏好程度，从各个所述候选物品中确定目标物品，并展示所述目标物品对应的目标物品信息。
根据本发明的另一方面，提供了一种物品信息展示装置，包括：
物品获取模块，用于获取目标用户当前评分的当前物品和预设历史时间段内评分的多个历史物品；
候选物品确定模块，用于基于物品相似度矩阵，确定与所述当前物品相似的多个候选物品，其中，所述物品相似度矩阵是基于隐语义分析方式和离线用户评分数据进行确定的；
目标偏好程度确定模块，用于基于所述物品相似度矩阵和所述历史物品对应的历史评分，确定所述目标用户对每个所述候选物品的目标偏好程度；
目标物品展示模块，用于基于所述目标偏好程度，从各个所述候选物品中确定目标物品，并展示所述目标物品对应的目标物品信息。
本发明实施例的技术方案，通过预先基于隐语义分析方式和离线用户评分数据确定物品相似度矩阵，并基于物品相似度矩阵，确定与目标用户当前评分的当前物品相似的多个候选物品，并基于物品相似度矩阵和预设历史时间段内评分的历史物品对应的历史评分，确定目标用户对每个候选物品的目标偏好程度，基于目标偏好程度，从各个候选物品中确定目标物品，并展示目标物品对应的目标物品信息，从而利用物品相似度矩阵和目标用户的历史评分，从物品和用户两个维度确定出目标用户更加偏好的目标物品，使得展示出的目标物品信息更加符合用户偏好，更易于查找到用户想要的物品信息，从而提高了信息查找效率，提升了用户体验。
应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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的前提下，还可以根据这些附图获得其他的附图。
图1是根据本发明实施例一提供的一种物品信息展示方法的流程图；
图2是根据本发明实施例二提供的一种物品信息展示方法的流程图；
图3是根据本发明实施例三提供的一种物品信息展示方法的流程图；
图4是根据本发明实施例四提供的一种物品信息展示方法的流程图；
图5是根据本发明实施例五提供的一种物品信息展示装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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，所描述的实施例仅仅是本发明一部分的实施例，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，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1为本发明实施例一提供了一种物品信息展示方法的流程图，本实施例可适用于展示出更加符合用户偏好的物品信息的情况。该方法可以由物品信息展示装置来执行，该装置可以采用硬件和/或软件的形式实现，该物品信息展示装置可配置于电子设备中，比如手机、电脑等。如图1所示，该方法包括：
S110、获取目标用户当前评分的当前物品和预设历史时间段内评分的多个历史物品。
其中，目标用户可以是指当前登陆应用软件的用户。当前物品可以是指目标用户当前最新评分的物品。目标用户可以对浏览或者购买的物品进行评分，评分数值越高表明用户对该物品的喜爱程度越高。预设历史时间段可以是预先设置的一段历史时间，比如最近一周内等。历史物品可以是指目标用户历史评分的物品。
S120、基于物品相似度矩阵，确定与当前物品相似的多个候选物品，其中，物品相似度矩阵是基于隐语义分析方式和离线用户评分数据进行确定的。
其中，物品相似度矩阵可以包括每两个物品之间的物品相似度。离线用户评分数据可以包括每个离线用户对每个物品的评分。离线用户可以是指评分过物品的用户。离线用户可以包括除了目标用户之外的其他用户。
具体地，可以预先基于隐语义分析方式和离线用户评分数据，确定每个物品对应的隐含特征信息，并基于每两个物品对应的隐含特征信息，确定每两个物品之间的余弦相似度，从而获得物品相似度矩阵。基于物品相似度矩阵，可以获得当前物品与物品数据库中的每个待选物品之间的物品相似度，并将物品相似度大于或等于预设相似度阈值的待选物品确定为与当前物品相似的候选物品，从而在物品维度上，从所有待选物品中筛选出与当前物品相似的所有候选物品。
需要说明的是，若当前物品是目标用户首次评分的物品，即不存在历史评分的历史物品，则可以直接展示候选物品对应的物品信息，从而满足冷启动的情况，解决数据稀疏的问题，保证尽可能地展示出用户喜好的物品信息。
S130、基于物品相似度矩阵和历史物品对应的历史评分，确定目标用户对每个候选物品的目标偏好程度。
其中，历史评分可以是指目标用户对历史物品的打分数值。目标偏好程度可以是指目标用户对候选物品的喜爱程度和感兴趣程度。
具体地，可以基于物品相似度矩阵和历史物品对应的历史评分，进一步地从用户维度上确定出目标用户对每个候选物品的目标偏好程度，从而可以同时在物品和用户维度上更加准确地分析出目标用户的偏好情况，进一步提高物品信息的展示效果。例如，还可以基于候选物品对应的候选评分时间和历史物品对应的历史评分时间，对目标偏好程度进行时间加权，从而可以更加准确地衡量出随时间变化的用户偏好，进一步提高信息展示效果。
S140、基于目标偏好程度，从各个候选物品中确定目标物品，并展示目标物品对应的目标物品信息。
具体地，可以基于目标偏好程度对各个候选物品进行降序排列，获得目标偏好程度依次降低的候选物品序列，并将候选物品序列中的前预设数量的候选物品确定为目标物品，或者可以将目标偏好程度大于预设偏好阈值的候选物品确定为目标物品，从而获得目标用户最可能喜好的各个目标物品，并在浏览页面上展示出目标物品信息，使得目标用户从展示的目标物品信息中可以找到自己想要的物品信息，从而提高了信息查找效率，提升了用户体验。
本实施例的技术方案，通过预先基于隐语义分析方式和离线用户评分数据确定物品相似度矩阵，并基于物品相似度矩阵，确定与目标用户当前评分的当前物品相似的多个候选物品，并基于物品相似度矩阵和预设历史时间段内评分的历史物品对应的历史评分，确定目标用户对每个候选物品的目标偏好程度，基于目标偏好程度，从各个候选物品中确定目标物品，并展示目标物品对应的目标物品信息，从而利用物品相似度矩阵和目标用户的历史评分，从物品和用户两个维度确定出目标用户更加偏好的目标物品，使得展示出的目标物品信息更加符合用户偏好，更易于查找到用户想要的物品信息，从而提高了信息查找效率，提升了用户体验。
实施例二
图2为本发明实施例二提供的一种物品信息展示方法的流程图，本实施例在上述实施例的基础上，对物品相似度矩阵的确定过程进行了详细描述。其中与上述各实施例相同或相应的术语的解释在此不再赘述。
参见图2，本实施例提供的物品信息展示方法具体包括以下步骤：
S210、基于离线用户评分数据，确定离线用户与物品之间的评分矩阵。
具体地，可以基于离线用户评分数据构建出用户与物品之间的评分矩阵R，即
Figure BDA0003914687590000061
S220、将评分矩阵分解为待求解的用户隐含特征矩阵和物品隐含特征矩阵，并构建目标损失函数。
具体地，隐语义分析方式可以是通过学习用户和物品的隐含特征，构建出一个“用户到隐含特征，隐含特征到物品”的关系链。例如，可以将评分矩阵R进行矩阵分解为用户隐含特征矩阵X与物品隐含特征矩阵Y的乘积，即R＝XT×Y。为了求解用户隐含特征矩阵和物品隐含特征矩阵，可以构建出一个目标损失函数，当目标损失函数的函数值不断趋近于某一个值时，或者迭代次数达到预先设定好的次数时，称其达到收敛，从而获得最终求解出的用户隐含特征矩阵和物品隐含特征矩阵。例如，目标损失函数L(X,Y)可以构建如下：
Figure BDA0003914687590000071
上述目标损失函数中的前一项是指已有评分矩阵和预测评分矩阵之间的误差，后一项是正则项，用于防止出现过拟合的情况，λ是正则项系数，其实通过交叉验证等方式获得的设定值。
S230、基于交替最小二乘法和目标损失函数，对用户隐含特征矩阵和物品隐含特征矩阵进行迭代求解。
具体地，对于利用交替最小二乘法ALS(Alternating Least Squares)求解目标损失函数。例如，通过不断的迭代计算，使得目标损失函数到达收敛，从而获得最终求解出的用户隐含特征矩阵和物品隐含特征矩阵。
示例性地，S230可以包括：利用Spark框架中的计算节点，基于交替最小二乘法和目标损失函数，对用户隐含特征矩阵和物品隐含特征矩阵的迭代求解过程进行并行计算。
具体地，可以利用Spark框架构建出分布式的计算节点，将大量的迭代求解进行并行处理，并利用Spark中弹性数据集的分区与缓存机制，可以减少各个计算节点之间的数据传输，降低了通信复杂度，大大提升了计算速度。
例如，交替最小二乘法是通过固定其中一个参数X来求解Y，然后再固定Y来求解X。例如，对于上述的目标损失函数，可以首先固定Y，即通过随机化等方式将参数y初始化为常量，然后目标损失函数变为一个关于参数x的函数，然后对x求偏导，并另偏导数等于0，从而可以获得
Figure BDA0003914687590000072
同理可得：
Figure BDA0003914687590000073
迭代的具体过程为：在第一次迭代中，由于Y的值都已被初始化为常量，那么X的值仅与评分矩阵R中的值有关。因此当u＝1,2,3等数值时都可以求出每一个向量x1，x2，x3等值。然后利用求出的x1,x2，x3等值，代入到Y的计算公式，求出y1,y2,y3等。此时，第一次迭代完成：通过初始化Y，求出X；然后利用得到的X，求出Y，最终获得了第一次迭代后的X值和Y值，记为X1和Y1，上标表示迭代轮次。然后进行第二次迭代，将第一次迭代后的Y1值代入X的公式，用同样的方法即可求得第二次迭代的X值X2,然后利用X2求得Y2。以此类推，不断迭代直至收敛。
可见，每次迭代过程中X和Y的值仅和对应的R有关。例如，求向量x1，只需要矩阵Y(矩阵Y里包含向量y1,y2,...yn)以及r1，求x2，只需要矩阵Y和r2。x1和x2之间是相互独立。因此可以将x1,x2,x3等向量的计算分布在Spark框架的不同计算节点中，实现并行计算。例如，将x1,y1放在节点A，x2,y2放在节点B中，x3,y3放在节点C中，然后对每个节点进行迭代。这样，每次并行的迭代计算向量x1时，只需要将节点A，B，C中的y1,y2,y3的值以及r1传给节点A中的x1即可。所以利用Spark的分布式节点计算的方式可以提高迭代计算效率，否则按照单线程的计算，在每一次迭代的过程中都需要顺序的计算x1,x2,x3...以及y1,y2,y3...等。另外可以看出分布式计算需要节点中的数据发送到其他节点上，但是Spark框架的一个特性是使用了弹性数据集分区与缓存机制，它是基于内存进行计算的，速度更快，从而可以减少各个计算节点之间的数据传输，降低通信复杂度，提升计算速度。
S240、根据求解出的物品隐含特征矩阵，确定每两个物品之间的物品相似度，获得物品相似度矩阵。
具体地，根据迭代求解出的物品隐含特征矩阵可以获得每个物品对应的隐含特征信息，并可以利用余弦相似度计算方式，基于每两个物品对应的隐含特征信息，确定出每两个物品之间的余弦相似度作为物品相似度，从而获得物品相似度矩阵。
S250、获取目标用户当前评分的当前物品和预设历史时间段内评分的多个历史物品。
S260、基于物品相似度矩阵，确定与当前物品相似的多个候选物品。
S270、基于物品相似度矩阵和历史物品对应的历史评分，确定目标用户对每个候选物品的目标偏好程度。
S280、基于目标偏好程度，从各个候选物品中确定目标物品，并展示目标物品对应的目标物品信息。
本实施例的技术方案，通过基于离线用户评分数据，确定离线用户与物品之间的评分矩阵；将评分矩阵分解为待求解的用户隐含特征矩阵和物品隐含特征矩阵，并构建目标损失函数；基于交替最小二乘法和目标损失函数，对用户隐含特征矩阵和物品隐含特征矩阵进行迭代求解，并根据求解出的物品隐含特征矩阵，可以更加准确地确定每两个物品之间的物品相似度，获得物品相似度矩阵，进一步保证了物品信息展示效果。
实施例三
图3为本发明实施例三提供的一种物品信息展示方法的流程图，本实施例在上述实施例的基础上，对步骤“基于物品相似度矩阵和历史物品对应的历史评分，确定目标用户对每个候选物品的目标偏好程度”进行了进一步优化。其中与上述各实施例相同或相应的术语的解释在此不再赘述。
参见图3，本实施例提供的物品信息展示方法具体包括以下步骤：
S310、获取目标用户当前评分的当前物品和预设历史时间段内评分的多个历史物品。
S320、基于物品相似度矩阵，确定与当前物品相似的多个候选物品。
S330、针对每个候选物品，基于物品相似度矩阵，确定该候选物品与每个历史物品之间的物品相似度。
具体地，每个候选物品对应的目标偏好程度的确定过程是相同的，本实施例以其中一个候选物品的目标偏好程度确定过程为例进行详细说明。通过基于物品相似度矩阵，可以获得该候选物品与每个历史物品之间的物品相似度。
S340、将每个历史物品对应的物品相似度与预设相似度阈值进行比较，确定大于或等于预设相似度阈值的目标历史物品数量。
其中，目标历史物品可以是指物品相似度大于预设相似度阈值的历史物品，也就是与候选物品相似的历史物品。具体地，将每个历史物品与该候选物品之间的物品相似度与预设相似度阈值进行比较，获得物品相似度大于预设相似度阈值的目标历史物品，并统计获得目标历史物品的数量。
S350、基于每个历史物品对应的物品相似度和历史评分以及目标历史物品数量，确定该候选物品对应的基础偏好程度。
具体地，基于每个历史物品对应的物品相似度和历史评分以及目标历史物品数量，可以在用户维度上预测出目标用户对该候选物品的基础偏好程度。
示例性地，S350可以包括：将每个历史物品对应的物品相似度和历史评分进行相乘，并对各个历史物品对应的相乘结果进行相加；将相加结果与目标历史物品数量之间的比值确定为该候选物品对应的基础偏好程度。
具体地，可以基于如下公式确定出基础偏好程度：
Figure BDA0003914687590000101
其中，Pq′是指候选物品q对应的基础偏好程度；sim(q,r)是指候选物品q与历史物品r之间的物品相似度；Rr是指历史物品r对应的历史评分；S是指目标历史物品数量。通过将物品相似度与历史评分进行相乘，可以在评分相同的历史物品中，候选物品与其中相似度更高的历史物品得出的结果越大，即分子越大。不同历史时间段内的历史物品不同，从而目标历史物品数量也会随之变化，从而利用两者之间的比值可以更加充分地表征出目标用户对候选物品的基础偏好程度。
S360、基于基础偏好程度，确定目标用户对该候选物品的目标偏好程度。
具体地，可以直接将基础偏好程度确定为目标用户对该候选物品的目标偏好程度，也可以在基础偏好程度的基础上考虑到奖励偏好程度和惩罚偏好程度，从而可以确定出更加准确的目标偏好程度。
示例性地，S360可以包括：检测每个目标历史物品对应的目标历史评分是否大于或等于预设评分阈值；基于大于或等于预设评分阈值的第一目标历史物品数量，确定奖励偏好程度；基于小于预设评分阈值的第二目标历史物品数量，确定惩罚偏好程度；基于基础偏好程度、奖励偏好程度和惩罚偏好程度，确定目标用户对该候选物品的目标偏好程度。
具体地，可以检测每个目标历史物品对应的目标历史评分是否大于或等于预设评分阈值，并将目标历史评分大于或等于预设评分阈值的目标历史物品确定为第一目标历史物品，以及将目标历史评分小于预设评分阈值的目标历史物品确定为第二目标历史物品，并统计出第一目标历史物品数量S1和第二目标历史物品数量S2。可以基于公式Pq″＝lgmax(S1,1)确定出奖励偏好程度Pq″。当与候选物品相似且评分较高的第一目标历史物品的数量越多，则表明该候选物品越是用户喜好的物品，此时的奖励偏好程度越大。可以基于公式Pq″′＝-lgmax(S2,1)确定出惩罚偏好程度Pq″′Pq″。当与候选物品相似且评分较低的第二目标历史物品的数量越多，则表明该候选物品越不是用户喜好的物品，此时的惩罚偏好程度越小。将基础偏好程度Pq′、奖励偏好程度Pq″和惩罚偏好程度Pq″′进行相加，获得相加结果确定为目标用户对该候选物品的目标偏好程度Pq，即Pq＝Pq′+Pq″+Pq″，从而可以更加准确地衡量出用户偏好程度，进而使得展示结果更符合用户的历史行为，更加人性化。
S370、基于目标偏好程度，从各个候选物品中确定目标物品，并展示目标物品对应的目标物品信息。
本实施例的技术方案，通过针对每个候选物品，基于物品相似度矩阵，确定该候选物品与每个历史物品之间的物品相似度；将每个历史物品对应的物品相似度与预设相似度阈值进行比较，确定大于或等于预设相似度阈值的目标历史物品数量；基于每个历史物品对应的物品相似度和历史评分以及目标历史物品数量，确定该候选物品对应的基础偏好程度；基于基础偏好程度，确定目标用户对该候选物品的目标偏好程度，从而可以在用户维度上预测出目标用户对该候选物品的目标偏好程度，进一步提高信息展示效果。
实施例四
图4为本发明实施例四提供的一种物品信息展示方法的流程图，本实施例在上述实施例的基础上，对步骤“基于每个历史物品对应的物品相似度和历史评分以及目标历史物品数量，确定该候选物品对应的基础偏好程度”进行了进一步优化。其中与上述各实施例相同或相应的术语的解释在此不再赘述。
参见图4，本实施例提供的物品信息展示方法具体包括以下步骤：
S410、获取目标用户当前评分的当前物品和预设历史时间段内评分的多个历史物品。
S420、基于物品相似度矩阵，确定与当前物品相似的多个候选物品。
S430、针对每个候选物品，基于物品相似度矩阵，确定该候选物品与每个历史物品之间的物品相似度。
S440、将每个历史物品对应的物品相似度与预设相似度阈值进行比较，确定大于或等于预设相似度阈值的目标历史物品数量。
S450、获取该候选物品对应的候选评分时间和每个历史物品对应的历史评分时间。
其中，候选评分时间可以是指目标用户对该候选物品进行评分的时间。历史评分时间可以是指目标用户对历史物品进行评分的时间。
具体地，用户的兴趣偏好并不是一成不变的，它可能随着时间发生变化，比如在某一时间段内用户对某类物品的兴趣度增加，从而需要考虑时间信息确定目标用户对每个候选物品的目标偏好程度，进一步确定出更加符合用户偏好的目标物品，提高信息展示效果。
S460、基于候选评分时间和每个历史物品对应的历史评分时间，对每个历史物品对应的物品相似度进行时间加权处理，确定处理后的目标相似度。
具体地，针对每个历史物品而言，可以基于候选评分时间与该历史物品对应的历史评分时间之间的时间差值确定第一时间权重，并基于该第一时间权重对该历史物品对应的物品相似度进行时间加权处理，获得融入时间权重信息的目标相似度。
示例性地，可以基于如下公式确定出处理后的目标相似度：
Figure BDA0003914687590000131
其中，sim(q,r)′是指候选物品q与历史物品r之间的目标相似度；sim(q,r)是指候选物品q与历史物品r之间的物品相似度；tq是指候选物品q对应的候选评分时间；tr是指历史物品r对应的历史评分时间；δ为sigmod函数；α为权重系数。利用sigmod函数可以将处理后的目标相似度保持在0到1之间。
S470、基于历史物品对应的历史评分时间，对每个历史物品对应的历史评分进行时间加权处理，确定处理后的目标评分。
具体地，可以对所有历史物品对应的所有历史评分时间进行比较，确定出最早历史评分时间和最晚历史评分时间。针对每个历史物品而言，可以基于最早历史评分时间、最晚历史评分时间和该历史物品对应的历史评分时间，确定出第二时间权重，并可以将第二时间权重与该历史物品对应的历史评分进行相乘，获得融入时间权重信息的目标评分。
示例性地，基于如下公式确定出处理后的目标评分：
Figure BDA0003914687590000141
其中，Rr′是指历史物品r对应的目标评分；Rr是指历史物品r对应的历史评分；tr是指历史物品r对应的历史评分时间；tmin是指各个历史评分时间中的最早历史评分时间；tmax是指各个历史评分时间中的最晚历史评分时间；λ为权重系数。其中，当候选评分时间越接近最晚历史评分时间，则第二时间权重越大。通过利用时间加权，可以更加准确地衡量出历史评分在过去一段时间内的重要程度。
S480、基于每个历史物品对应的目标相似度和目标评分以及目标历史物品数量，确定该候选物品对应的基础偏好程度。
具体地，将每个历史物品对应的目标相似度和目标评分进行相乘，并对各个历史物品对应的相乘结果进行相加；将相加结果与目标历史物品数量之间的比值确定为该候选物品对应的基础偏好程度。例如，可以基于如下公式确定出基础偏好程度：
Figure BDA0003914687590000142
S490、基于基础偏好程度，确定目标用户对该候选物品的目标偏好程度。
S491、基于目标偏好程度，从各个候选物品中确定目标物品，并展示目标物品对应的目标物品信息。
本实施例的技术方案，通过基于候选评分时间和每个历史物品对应的历史评分时间，对每个历史物品对应的物品相似度进行时间加权处理，确定处理后的目标相似度；基于历史物品对应的历史评分时间，对每个历史物品对应的历史评分进行时间加权处理，确定处理后的目标评分；基于每个历史物品对应的目标相似度和目标评分以及目标历史物品数量，确定该候选物品对应的基础偏好程度，从而可以考虑时间不同所引起用户兴趣的变化情况，确定出更加符合用户偏好的目标物品，进一步提高了信息展示效果。
以下是本发明实施例提供的物品信息展示装置的实施例，该装置与上述各实施例的物品信息展示方法属于同一个发明构思，在物品信息展示装置的实施例中未详尽描述的细节内容，可以参考上述物品信息展示方法的实施例。
实施例五
图5为本发明实施例五提供的一种物品信息展示装置的结构示意图。如图5所示，该装置具体包括：物品获取模块510、候选物品确定模块520、目标偏好程度确定模块530和目标物品展示模块540。
其中，物品获取模块510，用于获取目标用户当前评分的当前物品和预设历史时间段内评分的多个历史物品；候选物品确定模块520，用于基于物品相似度矩阵，确定与所述当前物品相似的多个候选物品，其中，所述物品相似度矩阵是基于隐语义分析方式和离线用户评分数据进行确定的；目标偏好程度确定模块530，用于基于所述物品相似度矩阵和所述历史物品对应的历史评分，确定所述目标用户对每个所述候选物品的目标偏好程度；目标物品展示模块540，用于基于所述目标偏好程度，从各个所述候选物品中确定目标物品，并展示所述目标物品对应的目标物品信息。
本发明实施例的技术方案，通过预先基于隐语义分析方式和离线用户评分数据确定物品相似度矩阵，并基于物品相似度矩阵，确定与目标用户当前评分的当前物品相似的多个候选物品，并基于物品相似度矩阵和预设历史时间段内评分的历史物品对应的历史评分，确定目标用户对每个候选物品的目标偏好程度，基于目标偏好程度，从各个候选物品中确定目标物品，并展示目标物品对应的目标物品信息，从而利用物品相似度矩阵和目标用户的历史评分，从物品和用户两个维度确定出目标用户更加偏好的目标物品，使得展示出的目标物品信息更加符合用户偏好，更易于查找到用户想要的物品信息，从而提高了信息查找效率，提升了用户体验。
可选的，该装置还包括：
物品相似度矩阵确定模块，用于：
基于离线用户评分数据，确定离线用户与物品之间的评分矩阵；将所述评分矩阵分解为待求解的用户隐含特征矩阵和物品隐含特征矩阵，并构建目标损失函数；基于交替最小二乘法和所述目标损失函数，对所述用户隐含特征矩阵和所述物品隐含特征矩阵进行迭代求解；根据求解出的物品隐含特征矩阵，确定每两个物品之间的物品相似度，获得物品相似度矩阵。
可选地，物品相似度矩阵确定模块，具体用于：
利用Spark框架中的计算节点，基于交替最小二乘法和所述目标损失函数，对所述用户隐含特征矩阵和所述物品隐含特征矩阵的迭代求解过程进行并行计算。
可选地，目标偏好程度确定模块530，，包括：
物品相似度确定单元，用于针对每个所述候选物品，基于所述物品相似度矩阵，确定该候选物品与每个所述历史物品之间的物品相似度；
目标历史物品数量确定单元，用于将每个所述历史物品对应的物品相似度与预设相似度阈值进行比较，确定大于或等于所述预设相似度阈值的目标历史物品数量；
基础偏好程度确定单元，用于基于每个所述历史物品对应的物品相似度和所述历史评分以及所述目标历史物品数量，确定该候选物品对应的基础偏好程度；
目标偏好程度确定单元，用于基于所述基础偏好程度，确定所述目标用户对该候选物品的目标偏好程度。
可选地，基础偏好程度确定单元，具体用于：
将每个所述历史物品对应的物品相似度和所述历史评分进行相乘，并对各个所述历史物品对应的相乘结果进行相加；将相加结果与所述目标历史物品数量之间的比值确定为该候选物品对应的基础偏好程度。
可选地，目标偏好程度确定单元，具体用于：
检测每个目标历史物品对应的目标历史评分是否大于或等于预设评分阈值；基于大于或等于预设评分阈值的第一目标历史物品数量，确定奖励偏好程度；基于小于预设评分阈值的第二目标历史物品数量，确定惩罚偏好程度；基于所述基础偏好程度、所述奖励偏好程度和所述惩罚偏好程度，确定所述目标用户对该候选物品的目标偏好程度。
可选地，基础偏好程度确定单元，还具体用于：
获取该候选物品对应的候选评分时间和每个所述历史物品对应的历史评分时间；基于所述候选评分时间和每个所述历史物品对应的历史评分时间，对每个所述历史物品对应的物品相似度进行时间加权处理，确定处理后的目标相似度；基于所述历史物品对应的历史评分时间，对每个所述历史物品对应的历史评分进行时间加权处理，确定处理后的目标评分；基于每个所述历史物品对应的目标相似度和目标评分以及所述目标历史物品数量，确定该候选物品对应的基础偏好程度。
可选地，基于如下公式确定出处理后的目标相似度：
Figure BDA0003914687590000171
其中，sim(q,r)′是指候选物品q与历史物品r之间的目标相似度；sim(q,r)是指候选物品q与历史物品r之间的物品相似度；tq是指候选物品q对应的候选评分时间；tr是指历史物品r对应的历史评分时间；δ为sigmod函数；α为权重系数。
可选地，基于如下公式确定出处理后的目标评分：
Figure BDA0003914687590000181
其中，Rr′是指历史物品r对应的目标评分；Rr是指历史物品r对应的历史评分；tr是指历史物品r对应的历史评分时间；tmin是指各个历史评分时间中的最早历史评分时间；tmax是指各个历史评分时间中的最晚历史评分时间；λ为权重系数。
本发明实施例所提供的物品信息展示装置可执行本发明任意实施例所提供的物品信息展示方法，具备执行物品信息展示方法相应的功能模块和有益效果。
值得注意的是，上述物品信息展示装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (10)

1.一种物品信息展示方法，其特征在于，包括：
获取目标用户当前评分的当前物品和预设历史时间段内评分的多个历史物品；
基于物品相似度矩阵，确定与所述当前物品相似的多个候选物品，其中，所述物品相似度矩阵是基于隐语义分析方式和离线用户评分数据进行确定的；
基于所述物品相似度矩阵和所述历史物品对应的历史评分，确定所述目标用户对每个所述候选物品的目标偏好程度；
基于所述目标偏好程度，从各个所述候选物品中确定目标物品，并展示所述目标物品对应的目标物品信息。
2.根据权利要求1所述的方法，其特征在于，基于隐语义分析方式和离线用户评分数据确定物品相似度矩阵，包括：
基于离线用户评分数据，确定离线用户与物品之间的评分矩阵；
将所述评分矩阵分解为待求解的用户隐含特征矩阵和物品隐含特征矩阵，并构建目标损失函数；
基于交替最小二乘法和所述目标损失函数，对所述用户隐含特征矩阵和所述物品隐含特征矩阵进行迭代求解；
根据求解出的物品隐含特征矩阵，确定每两个物品之间的物品相似度，获得物品相似度矩阵。
3.根据权利要求2所述的方法，其特征在于，基于交替最小二乘法和所述目标损失函数，对所述用户隐含特征矩阵和所述物品隐含特征矩阵进行迭代求解，包括：
利用Spark框架中的计算节点，基于交替最小二乘法和所述目标损失函数，对所述用户隐含特征矩阵和所述物品隐含特征矩阵的迭代求解过程进行并行计算。
4.根据权利要求1所述的方法，其特征在于，基于所述物品相似度矩阵和所述历史物品对应的历史评分，确定所述目标用户对每个所述候选物品的目标偏好程度，包括：
针对每个所述候选物品，基于所述物品相似度矩阵，确定该候选物品与每个所述历史物品之间的物品相似度；
将每个所述历史物品对应的物品相似度与预设相似度阈值进行比较，确定大于或等于所述预设相似度阈值的目标历史物品数量；
基于每个所述历史物品对应的物品相似度和所述历史评分以及所述目标历史物品数量，确定该候选物品对应的基础偏好程度；
基于所述基础偏好程度，确定所述目标用户对该候选物品的目标偏好程度。
5.根据权利要求4所述的方法，其特征在于，基于每个所述历史物品对应的物品相似度和所述历史评分以及所述目标历史物品数量，确定该候选物品对应的基础偏好程度，包括：
将每个所述历史物品对应的物品相似度和所述历史评分进行相乘，并对各个所述历史物品对应的相乘结果进行相加；
将相加结果与所述目标历史物品数量之间的比值确定为该候选物品对应的基础偏好程度。
6.根据权利要求4所述的方法，其特征在于，基于所述基础偏好程度，确定所述目标用户对该候选物品的目标偏好程度，包括：
检测每个目标历史物品对应的目标历史评分是否大于或等于预设评分阈值；
基于大于或等于预设评分阈值的第一目标历史物品数量，确定奖励偏好程度；
基于小于预设评分阈值的第二目标历史物品数量，确定惩罚偏好程度；
基于所述基础偏好程度、所述奖励偏好程度和所述惩罚偏好程度，确定所述目标用户对该候选物品的目标偏好程度。
7.根据权利要求4所述的方法，其特征在于，基于每个所述历史物品对应的物品相似度和所述历史评分以及所述目标历史物品数量，确定该候选物品对应的基础偏好程度，包括：
获取该候选物品对应的候选评分时间和每个所述历史物品对应的历史评分时间；
基于所述候选评分时间和每个所述历史物品对应的历史评分时间，对每个所述历史物品对应的物品相似度进行时间加权处理，确定处理后的目标相似度；
基于所述历史物品对应的历史评分时间，对每个所述历史物品对应的历史评分进行时间加权处理，确定处理后的目标评分；
基于每个所述历史物品对应的目标相似度和目标评分以及所述目标历史物品数量，确定该候选物品对应的基础偏好程度。
8.根据权利要求7所述的方法，其特征在于，基于如下公式确定出处理后的目标相似度：
Figure FDA0003914687580000031
其中，sim(q,r)′是指候选物品q与历史物品r之间的目标相似度；sim(q,r)是指候选物品q与历史物品r之间的物品相似度；tq是指候选物品q对应的候选评分时间；tr是指历史物品r对应的历史评分时间；δ为sigmod函数；α为权重系数。
9.根据权利要求7所述的方法，其特征在于，基于如下公式确定出处理后的目标评分：
Figure FDA0003914687580000032
其中，Rr′是指历史物品r对应的目标评分；Rr是指历史物品r对应的历史评分；tr是指历史物品r对应的历史评分时间；tmin是指各个历史评分时间中的最早历史评分时间；tmax是指各个历史评分时间中的最晚历史评分时间；λ为权重系数。
10.一种物品信息展示装置，其特征在于，包括：
物品获取模块，用于获取目标用户当前评分的当前物品和预设历史时间段内评分的多个历史物品；
候选物品确定模块，用于基于物品相似度矩阵，确定与所述当前物品相似的多个候选物品，其中，所述物品相似度矩阵是基于隐语义分析方式和离线用户评分数据进行确定的；
目标偏好程度确定模块，用于基于所述物品相似度矩阵和所述历史物品对应的历史评分，确定所述目标用户对每个所述候选物品的目标偏好程度；
目标物品展示模块，用于基于所述目标偏好程度，从各个所述候选物品中确定目标物品，并展示所述目标物品对应的目标物品信息。
CN202211336138.XA 2022-10-28 2022-10-28 一种物品信息展示方法和装置 Pending CN115601103A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211336138.XA CN115601103A (zh) 2022-10-28 2022-10-28 一种物品信息展示方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211336138.XA CN115601103A (zh) 2022-10-28 2022-10-28 一种物品信息展示方法和装置

Publications (1)

Publication Number Publication Date
CN115601103A true CN115601103A (zh) 2023-01-13

Family

ID=84851244

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211336138.XA Pending CN115601103A (zh) 2022-10-28 2022-10-28 一种物品信息展示方法和装置

Country Status (1)

Country Link
CN (1) CN115601103A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117455573A (zh) * 2023-10-26 2024-01-26 深圳市维卓数字营销有限公司 一种互联网数据分析方法及系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117455573A (zh) * 2023-10-26 2024-01-26 深圳市维卓数字营销有限公司 一种互联网数据分析方法及系统

Similar Documents

Publication Publication Date Title
CN108320171B (zh) 热销商品预测方法、系统及装置
US10671933B2 (en) Method and apparatus for evaluating predictive model
CN109190023B (zh) 协同推荐的方法、装置及终端设备
JP4011906B2 (ja) プロファイル情報の情報検索方法、プログラム、記録媒体及び装置
CN111798273A (zh) 产品的购买概率预测模型的训练方法及购买概率预测方法
CN110727862B (zh) 一种商品搜索的查询策略的生成方法及装置
Kamehkhosh et al. A Comparison of Frequent Pattern Techniques and a Deep Learning Method for Session-Based Recommendation.
CN109460519B (zh) 浏览对象推荐方法及装置、存储介质、服务器
CN111444026B (zh) 一种云环境下的深度学习训练资源配置预测方法
CN112487283A (zh) 训练模型的方法、装置、电子设备及可读存储介质
CN113312854A (zh) 选型推荐方法、装置、电子设备和可读存储介质
Pugelj et al. Predicting structured outputs k-nearest neighbours method
CN110727872A (zh) 基于隐式反馈进行不明确选择行为挖掘的方法及装置
CN115601103A (zh) 一种物品信息展示方法和装置
CN112632275B (zh) 基于个人文本信息的人群聚类数据处理方法、装置及设备
CN111709475A (zh) 一种基于N-grams的多标签分类方法及装置
Ifada et al. Do-rank: DCG optimization for learning-to-rank in tag-based item recommendation systems
CN116894169A (zh) 基于动态特征聚类和粒子群优化的在线流特征选择方法
CN110727867A (zh) 一种基于模糊机制的语义实体推荐方法
CN112765465B (zh) 一种基于用户图谱的推荐方法
Gao et al. Similarity measure based on punishing popular items for collaborative filtering
CN114254204A (zh) 数据处理方法、装置、介质及电子设备
CN111191049B (zh) 信息推送方法、装置、计算机设备和存储介质
CN113204705A (zh) 文章推荐方法、装置、电子设备和计算机介质
CN112417866A (zh) 一种分词推荐值的确定方法、装置、电子设备及存储介质

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