CN115760315A - 商品推荐方法及其装置、设备、介质 - Google Patents
商品推荐方法及其装置、设备、介质 Download PDFInfo
- Publication number
- CN115760315A CN115760315A CN202211574564.7A CN202211574564A CN115760315A CN 115760315 A CN115760315 A CN 115760315A CN 202211574564 A CN202211574564 A CN 202211574564A CN 115760315 A CN115760315 A CN 115760315A
- Authority
- CN
- China
- Prior art keywords
- commodity
- target
- category
- items
- list
- 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
Abstract
本申请涉及电商技术领域中一种商品推荐方法及其装置、设备、介质,所述方法包括:响应目标商品相对应的商品推荐请求,获取当前店铺的店铺画像;根据当前店铺的店铺画像确定与该当前店铺相似的多个目标店铺,统计所述多个目标店铺的商品项相对应的用户行为数据,确定出对应不同统计维度的多个品类列表;根据多个统计维度数据从相应统计维度的品类列表确定目标品类,从当前店铺中召回属于目标品类的商品项所构成的商品候选列表;对所述商品候选列表中的商品项进行排序,根据排序结果筛选出其中部分商品项构造成所述目标商品相对应的商品推荐列表。本申请为新上线或上线不久的店铺提供商品推荐方案,能够确保其实行的商品推荐的准确性和丰富性。
Description
技术领域
本申请涉及电商技术领域,尤其涉及一种商品推荐方法及其相应的装置、计算机设备、计算机可读存储介质。
背景技术
商品转化率是商品销售盈利重点关注的核心指标之一,而商品推荐正是实现提升商品转化率的一大利器。对于消费者而言,商品推荐可以使其免于搜索便可直接关注到推荐的商品,减少所需的时间成本,增加购物体验,对于卖家而言,商品推荐可以使其商品曝光率提高,促进产生商品交易,增加营收。
对于在电商平台上刚上线或上线不久的线上店铺而言,由于关联线上店铺内商品的用户行为数据的缺乏或稀缺,导致无法通过分析足量的用户行为数据反映相应商品的热度,以及确定出对相应商品感兴趣的用户群体,实现根据商品的热度召回线上店铺内热度较高的商品用作推荐,或者根据各个商品对应对其感兴趣的用户群体,协同过滤商品推荐的目标用户不感兴趣的商品,使得可召回剩余的该目标用户感兴趣的商品用作推荐。据此,这些线上店铺存在冷启动问题,为了解决所述问题,传统技术中,通过在商品推荐的目标用户选定的商品后,根据所选定商品的文本信息和/或图片信息,从所述线上店铺中召回与该商品相似的商品用作推荐。然而这种技术方案召回的商品单一,而且难以满足商品推荐的丰富性和准确性。
鉴于传统技术的不足,本申请人做出相应的探索。
发明内容
本申请的首要目的在于解决上述问题至少之一而提供一种商品推荐方法及其相应的装置、计算机设备、计算机可读存储介质。
为满足本申请的各个目的,本申请采用如下技术方案:
适应本申请的目的之一而提供的一种商品推荐方法,包括如下步骤:
响应目标商品相对应的商品推荐请求,获取当前店铺的店铺画像;
根据当前店铺的店铺画像确定与该当前店铺相似的多个目标店铺,统计所述多个目标店铺的商品项相对应的用户行为数据,确定出对应不同统计维度的多个品类列表;
根据多个统计维度数据从相应统计维度的品类列表确定目标品类,从当前店铺中召回属于目标品类的商品项所构成的商品候选列表;
对所述商品候选列表中的商品项进行排序,根据排序结果筛选出其中部分商品项构造成所述目标商品相对应的商品推荐列表。
进一步的实施例中,响应目标商品相对应的商品推荐请求,获取当前店铺的店铺画像之前,还包括:
针对各个店铺,基于其中的各个商品项对应的商品信息,提取出相应的店铺特征作为店铺画像,所述店铺特征包含商品个数、商品品类分布、商品价格分布,所述商品品类分布包含多个品类及各个品类对应的商品数量占商品总数的数量比,所述商品价格分布包含商品最低价格、商品最高价格及商品平均价格。
进一步的实施例中,根据当前店铺的店铺画像确定与该当前店铺相似的多个目标店铺,统计所述多个目标店铺的商品项相对应的用户行为数据,确定出对应不同统计维度的多个品类列表,包括如下步骤:
根据当前店铺与其他店铺对应的店铺画像之间的相似度,确定出相似度满足预设条件的多个目标店铺;
针对每个目标店铺,基于所述目标店铺的用户行为数据进行统计,获得品类组合列表进行排序,获得第一品类排行榜单,所述品类组合列表中包括多个品类组合,每个品类组合包含多个被相同用户关联购买的商品项所属的品类;
针对每个目标店铺,基于所述目标店铺的用户行为数据进行统计,根据所述目标店铺中每个品类的商品销量或商品销售总额,对各个所述品类进行排序,获得第二品类排行榜单;
针对每个目标店铺,基于所述目标店铺的用户行为数据进行统计,根据所述目标店铺中每个品类在各个销售区域的商品销量或商品销售总额,对相应销售区域的各个所述品类进行排序,获得第三品类排行榜单。
进一步的实施例中,根据多个统计维度数据从相应统计维度的品类列表确定目标品类,从当前店铺中召回属于目标品类的商品项所构成的商品候选列表,包括如下步骤:
将目标商品所属的品类作为统计维度数据,从第一品类排行榜单中确定第一品类;
从第二品类排行榜单中确定第二品类;
将触发所述商品推荐请求的用户的地理信息作为统计维度数据,从第三品类排行榜单中确定第三品类;
根据第一品类、第二品类及第三品类从当前店铺中召回相应的备选商品项,确定出与目标商品相匹配的备选商品项构建商品候选列表。
进一步的实施例中,对所述商品候选列表中的商品项进行排序,根据排序结果筛选出其中部分商品项构造成所述目标商品相对应的商品推荐列表,包括如下步骤:
采用预设的商品排序模型基于当前店铺的店铺画像、所述商品候选列表中的商品项的商品文本及触发所述商品推荐请求的用户的个人信息,分别提取出对应的深层语义信息,确定出所述商品项对应的排序评分,所述商品文本为商品项的描述信息;
筛选出排序评分满足预设条件的部分商品项构造成目标商品相对应的商品推荐列表。
进一步的实施例中,对所述商品候选列表中的商品项进行排序,根据排序结果筛选出其中部分商品项构造成所述目标商品相对应的商品推荐列表之前,还包括如下步骤:
根据所述目标商品和当前店铺的各个商品项对应的商品文本及商品图片,采用预设的多模态语义模型确定出目标商品与当前店铺的各个商品项之间的相似度;
筛选出相似度满足预设条件的商品项添加至所述商品候选列表。
进一步的实施例中,对所述商品候选列表中的商品项进行排序,根据排序结果筛选出其中部分商品项构造成所述目标商品相对应的商品推荐列表之前,还包括如下步骤:
根据触发所述商品推荐请求的用户的个人信息及用户行为数据,确定出相匹配的商品属性;
根据所述商品属性从当前店铺中召回相应的商品项添加至所述商品候选列表。
另一方面,适应本申请的目的之一而提供的一种商品推荐装置,包括请求响应模块、列表确定模块、商品召回模块及列表构建模块,其中,请求响应模块,用于响应目标商品相对应的商品推荐请求,获取当前店铺的店铺画像;列表确定模块,用于根据当前店铺的店铺画像确定与该当前店铺相似的多个目标店铺,统计所述多个目标店铺的商品项相对应的用户行为数据,确定出对应不同统计维度的多个品类列表;商品召回模块,用于根据多个统计维度数据从相应统计维度的品类列表确定目标品类,从当前店铺中召回属于目标品类的商品项所构成的商品候选列表;列表构建模块,用于对所述商品候选列表中的商品项进行排序,根据排序结果筛选出其中部分商品项构造成所述目标商品相对应的商品推荐列表。
进一步的实施例中,所述请求响应模块之前,还包括:画像构建模块,用于针对各个店铺,基于其中的各个商品项对应的商品信息,提取出相应的店铺特征作为店铺画像,所述店铺特征包含商品个数、商品品类分布、商品价格分布,所述商品品类分布包含多个品类及各个品类对应的商品数量占商品总数的数量比,所述商品价格分布包含商品最低价格、商品最高价格及商品平均价格。
进一步的实施例中,所述列表确定模块,包括:目标店铺确定子模块,用于根据当前店铺与其他店铺对应的店铺画像之间的相似度,确定出相似度满足预设条件的多个目标店铺;第一品类列表子模块,用于针对每个目标店铺,基于所述目标店铺的用户行为数据进行统计,获得品类组合列表进行排序,获得第一品类排行榜单,所述品类组合列表中包括多个品类组合,每个品类组合包含多个被相同用户关联购买的商品项所属的品类;第二品类列表子模块,用于针对每个目标店铺,基于所述目标店铺的用户行为数据进行统计,根据所述目标店铺中每个品类的商品销量或商品销售总额,对各个所述品类进行排序,获得第二品类排行榜单;第三品类列表子模块,用于针对每个目标店铺,基于所述目标店铺的用户行为数据进行统计,根据所述目标店铺中每个品类在各个销售区域的商品销量或商品销售总额,对相应销售区域的各个所述品类进行排序,获得第三品类排行榜单。
进一步的实施例中,所述商品召回模块,包括:第一品类确定子模块,用于将目标商品所属的品类作为统计维度数据,从第一品类排行榜单中确定第一品类;第二品类确定子模块,用于从第二品类排行榜单中确定第二品类;第三品类确定子模块,用于将触发所述商品推荐请求的用户的地理信息作为统计维度数据,从第三品类排行榜单中确定第三品类;候选列表构建子模块,用于第一品类确定子模块,用于根据第一品类、第二品类及第三品类从当前店铺中召回相应的备选商品项,确定出与目标商品相匹配的备选商品项构建商品候选列表。
进一步的实施例中,所述列表构建模块,包括:评分确定子模块,用于采用预设的商品排序模型基于当前店铺的店铺画像、所述商品候选列表中的商品项的商品文本及触发所述商品推荐请求的用户的个人信息,分别提取出对应的深层语义信息,确定出所述商品项对应的排序评分,所述商品文本为商品项的描述信息;推荐列表构建子模块,用于筛选出排序评分满足预设条件的部分商品项构造成目标商品相对应的商品推荐列表。
进一步的实施例中,所述列表构建模块之前,还包括:相似度确定模块,用于根据所述目标商品和当前店铺的各个商品项对应的商品文本及商品图片,采用预设的多模态语义模型确定出目标商品与当前店铺的各个商品项之间的相似度;第一列表添加模块,用于筛选出相似度满足预设条件的商品项添加至所述商品候选列表。
进一步的实施例中,所述列表构建模块之前,还包括:商品属性确定模块,用于根据触发所述商品推荐请求的用户的个人信息及用户行为数据,确定出相匹配的商品属性;第二列表添加模块,用于根据所述商品属性从当前店铺中召回相应的商品项添加至所述商品候选列表。
又一方面,适应本申请的目的之一而提供的一种计算机设备,包括中央处理器和存储器,所述中央处理器用于调用运行存储于所述存储器中的计算机程序以执行本申请所述的商品推荐方法的步骤。
又一方面,适应本申请的另一目的而提供的一种计算机可读存储介质,其以计算机可读指令的形式存储有依据所述的商品推荐方法所实现的计算机程序,该计算机程序被计算机调用运行时,执行该方法所包括的步骤。
本申请的技术方案存在多方面优势,包括但不限于如下各方面:
本申请基于当前店铺属于新上线店铺或上线不久的店铺,相应的用户行为数据缺乏或不足,依据与当前店铺相似的多个目标店铺的用户行为数据,确定出对应不同统计维度的多个品类列表,从而从每个品类列表中确定出目标品类,根据多元化的目标品类多元召回当前店铺中相应的商品项作为商品候选列表中的成员,基于商品候选列表中的各个商品项对应在其曝光后取得成效的概率作为排序评分,据此,优选其中的部分成员构造成商品推荐请求指向的目标商品对应的商品推荐列表。一方面,有效解决当前店铺的冷启动问题,依据相似店铺的用户行为数据得出商品推荐列表用作商品推荐,另一方面,基于多元召回下构建商品推荐列表,使得商品推荐的丰富性得以保证,而且商品推荐列表中的各个商品项对应其在曝光后取得成效的概率较高,能够确保商品推荐的准确性。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为本申请的商品推荐方法的典型实施例的流程示意图;
图2为本申请的实施例中构建对应不同统计维度的多个品类列表的流程示意图;
图3为本申请的实施例中构建商品候选列表的流程示意图;
图4为本申请的实施例中构造出商品推荐列表的流程示意图;
图5为本申请的一种实施例中扩充商品候选列表的流程示意图;
图6为本申请的另一种实施例中扩充商品候选列表的流程示意图;
图7为本申请的商品推荐装置的原理框图;
图8为本申请所采用的一种计算机设备的结构示意图。
具体实施方式
下面详细描述本申请的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本申请,而不能解释为对本申请的限制。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本申请的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解,当我们称元件被“连接”或“耦接”到另一元件时,它可以直接连接或耦接到其他元件,或者也可以存在中间元件。此外,这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语),具有与本申请所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语,应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样被特定定义,否则不会用理想化或过于正式的含义来解释。
本技术领域技术人员可以理解,这里所使用的“客户端”、“终端”、“终端设备”既包括无线信号接收器的设备,其仅具备无发射能力的无线信号接收器的设备,又包括接收和发射硬件的设备,其具有能够在双向通信链路上,进行双向通信的接收和发射硬件的设备。这种设备可以包括:蜂窝或其他诸如个人计算机、平板电脑之类的通信设备,其具有单线路显示器或多线路显示器或没有多线路显示器的蜂窝或其他通信设备;PCS(Persona lCommun i cat ions Service,个人通信系统),其可以组合语音、数据处理、传真和/或数据通信能力;PDA(Persona l Digita l Ass i stant,个人数字助理),其可以包括射频接收器、寻呼机、互联网/内联网访问、网络浏览器、记事本、日历和/或GPS(Gl oba l Pos ition i ng System,全球定位系统)接收器;常规膝上型和/或掌上型计算机或其他设备,其具有和/或包括射频接收器的常规膝上型和/或掌上型计算机或其他设备。这里所使用的“客户端”、“终端”、“终端设备”可以是便携式、可运输、安装在交通工具(航空、海运和/或陆地)中的,或者适合于和/或配置为在本地运行,和/或以分布形式,运行在地球和/或空间的任何其他位置运行。这里所使用的“客户端”、“终端”、“终端设备”还可以是通信终端、上网终端、音乐/视频播放终端,例如可以是PDA、MI D(Mobi l e I nternet Devi ce,移动互联网设备)和/或具有音乐/视频播放功能的移动电话,也可以是智能电视、机顶盒等设备。
本申请所称的“服务器”、“客户端”、“服务节点”等名称所指向的硬件,本质上是具备个人计算机等效能力的电子设备,为具有中央处理器(包括运算器和控制器)、存储器、输入设备以及输出设备等冯诺依曼原理所揭示的必要构件的硬件装置,计算机程序存储于其存储器中,中央处理器将存储在外存中的程序调入内存中运行,执行程序中的指令,与输入输出设备交互,借此完成特定的功能。
需要指出的是,本申请所称的“服务器”这一概念,同理也可扩充到适用于服务器机群的情况。依据本领域技术人员所理解的网络部署原理,所述各服务器应是逻辑上的划分,在物理空间上,这些服务器既可以是互相独立但可通过接口调用的,也可以是集成到一台物理计算机或一套计算机机群的。本领域技术人员应当理解这一变通,而不应以此约束本申请的网络部署方式的实施方式。
本申请的一个或数个技术特征,除非明文指定,既可部署于服务器实施而由客户端远程调用获取服务器提供的在线服务接口来实施访问,也可直接部署并运行于客户端来实施访问。
本申请中所引用或可能引用到的神经网络模型,除非明文指定,既可部署于远程服务器且在客户端实施远程调用,也可部署于设备能力胜任的客户端直接调用,某些实施例中,当其运行于客户端时,其相应的智能可通过迁移学习来获得,以便降低对客户端硬件运行资源的要求,避免过度占用客户端硬件运行资源。
本申请所涉及的各种数据,除非明文指定,既可远程存储于服务器,也可存储于本地终端设备,只要其适于被本申请的技术方案所调用即可。
本领域技术人员对此应当知晓:本申请的各种方法,虽然基于相同的概念而进行描述而使其彼此间呈现共通性,但是,除非特别说明,否则这些方法都是可以独立执行的。同理,对于本申请所揭示的各个实施例而言,均基于同一发明构思而提出,因此,对于相同表述的概念,以及尽管概念表述不同但仅是为了方便而适当变换的概念,应被等同理解。
本申请即将揭示的各个实施例,除非明文指出彼此之间的相互排斥关系,否则,各个实施例所涉的相关技术特征可以交叉结合而灵活构造出新的实施例,只要这种结合不背离本申请的创造精神且可满足现有技术中的需求或解决现有技术中的某方面的不足即可。对此变通,本领域技术人员应当知晓。
本申请的一种商品推荐方法,可被编程为计算机程序产品,部署于客户端或服务器中运行而实现,例如,本申请的示例性应用场景中,可以在电商平台的服务器中部署实现,藉此可以通过访问该计算机程序产品运行后开放的接口,通过图形用户界面与该计算机程序产品的进程进行人机交互而执行该方法。
请参阅图1,本申请的商品推荐方法,在其典型实施例中,包括如下步骤:
步骤S1100、响应目标商品相对应的商品推荐请求,获取当前店铺的店铺画像;
当用户在其终端设备显示的商品展示页上触控选定一个商品,将该商品作为目标商品,触发生成商品推荐请求及页面跳转请求,发送至服务器。服务器接收所述商品推荐请求及所述页面跳转请求,首先响应所述商品推荐请求,获得商品推荐列表后,继而响应所述页面跳转请求,获取所述目标商品的商品信息,以及所述商品推荐列表中各个商品项对应的商品信息,以使在从当前商品展示页跳转至目标商品的商品展示页将其显示时,在该商品展示页展示目标商品的商品信息,以及相应用于商品推荐的区域中展示商品推荐列表中各个商品项对应的商品信息。
电商平台可建立和维护商品数据库,以存储电商平台内各个线上店铺上架的商品项的商品信息,通常所述商品信息由相应的线上店铺的卖家用户编辑并上传,可预先封装相应的数据接口用于访问商品数据库中的商品信息,对其进行增删查改等操作。所述数据接口可由本领域技术人员灵活变通实现。所述商品信息包含但不限于商品项的商品文本、商品图片,所述商品图片是线上店铺的商家上架商品时为该商品项上传的用于展示的图片,能够从总体和/或不同侧面展示商品项,包含商品主图、商品详情图等,通常以商品主图作为首要展示商品的图片,因其通常能够展示相应的商品的全貌。所述商品文本,泛指一切关联于所述商品项存储的且适于以文本形式提供的商品的描述信息,包括但不限于所述商品项的商品标题、商品详情文本、品类、商品标签等任意一项或多项。在用途上,所述描述信息一般用于描述所述商品项的卖点、材质、用法、功能、型号等等任意具体信息。
可预先针对电商平台内每个店铺,基于其中各个商品项对应的商品信息,提取出相应的店铺特征作为店铺画像,一种实施例中,计算相应店铺内的所有商品项的个数,获得商品个数;根据相应店铺内的各个商品项的品类,确定出各个不同的品类,统计各个品类对应的商品项个数,计算各个品类对应的商品项个数除以所述商品个数即商品总数,获得所述店铺包含的所有品类,以及各个品类的商品数量占商品总数的数量比作为商品品类分布;根据相应店铺内的各个商品项的价格,计算出平均值,获得商品平均价格,此外,确定出各个商品项的价格中的最小值和最大值,相应获得商品最低价格和商品最高价格。据此,将所述各种店铺特征作为相应店铺的店铺画像。可以理解,可参考前述基于相应店铺内的各个商品项对应的品类,提取出相应的店铺特征的实现,基于相应店铺内的各个商品项对应的商品信息中其他的类似品类的商品文本,例如商品标签,同理亦可得出相应的店铺特征。
可以理解,本申请实现的商品推荐方案适用于电商平台内上线的所有店铺,所述当前店铺可以是电商平台中上线的任意一家店铺,特别的,当前店铺为新上线或上线不久的店铺,采用本申请实现的商品推荐方案能够有效解决这些店铺的冷启动问题,并且能够确保相应实行的商品推荐的丰富性和准确性。
步骤S1200、根据当前店铺的店铺画像确定与该当前店铺相似的多个目标店铺,统计所述多个目标店铺的商品项相对应的用户行为数据,确定出对应不同统计维度的多个品类列表;
根据两两店铺对应的店铺画像的商品个数,计算所述两两店铺对应的商品个数之间的差值,当该差值小于预设阈值时,判定所述两两店铺之间的商品个数相似,否则,判定所述两两店铺之间的商品个数不相似;根据两两店铺对应的店铺画像的商品价格分布,计算所述两两店铺对应的商品最低价格之间的差值、商品最高价格之间的差值及商品平均价之间的差值,当各项差值均小于分别对应的预设阈值时,判定所述两两店铺之间的商品价格分布相似,否则,判定所述两两店铺之间的商品价格分布不相似;根据两两店铺对应的店铺画像的商品品类分布,确定所述两两店铺之间相同的品类个数,计算所述两两店铺相同的各个品类对应的数量比之间的差值,当该差值小于预设阈值时,判定所述两两店铺之间的商品品类分布相似,否则,判定所述两两店铺之间的商品品类分布不相似。可以所述两两店铺之间的商品个数相似的判定、商品价格分布相似的判定、商品品类分布相似的判定中的任意一项或多项,确定两两店铺对应的店铺画像之间相似,从而确定所述两两店铺之间相似。据此,便可根据当前店铺的店铺画像及其他店铺的店铺画像,确定出与当前店铺相似的其他店铺作为所述目标店铺。所述各个预设阈值,可由本领域技术人员按需设定。
针对每个目标店铺,根据所述目标店铺的各个商品项被用户购买时产生的用户行为数据及相应的商品项所属的品类,确定出购买商品项的用户所购买的品类,统计被相同用户关联购买的两个不同品类构成的品类组合对应的用户个数,根据各个品类组合对应的用户个数从大到小的顺序,对各个品类组合进行排序,获得第一品类排行榜单作为第一个品类列表。
针对每个目标店铺,根据所述目标店铺的各个商品项被用户购买时产生的用户行为数据及相应的商品项所属的品类,确定出购买商品项的用户所购买的品类,统计出每个品类对应的所有商品项被用户购买的次数作为商品销量,根据各个品类对应的商品销量从高到低的顺序,对各个品类进行排序,获得第二品类排行榜单作为第二个品类列表。
针对每个目标店铺,根据所述目标店铺的各个商品项被用户购买时产生的用户行为数据、相应的商品项所属的品类及相应的用户的地理信息,确定出购买商品项的用户所购买的品类及用户所在区域作为销售区域,统计出每个品类对应的所有商品项在各个销售区域对应被用户购买的次数作为商品销量,针对每个销售区域,根据各个品类在相应的销售区域对应的商品销量从高到低的顺序,对各个品类进行排序,获得第三品类排行榜单作为第三个品类列表。不难理解,在产生所述用户行为数据时,可获得用户的地理信息,所述用户的地理信息表示用户所在区域,具体可为经纬度信息,示范性举例,在产生所述用户行为数据时,电商平台的服务器通过获得用户授权后,可获取该用户的终端设备根据其当前定位生成的地理信息。
步骤S1300、根据多个统计维度数据从相应统计维度的品类列表确定目标品类,从当前店铺中召回属于目标品类的商品项所构成的商品候选列表;
所述一个统计维度数据为所述目标商品所属的品类,据此,筛选出每个目标店铺的第一品类排行榜单中排序靠前,而且其中包含所述目标商品的品类相对应的多个品类组合,以每个所述品类组合中的除目标商品的品类以外的另一个品类作为第一品类。
筛选出每个目标店铺的第二品类排行榜单中排序靠前的多个品类作为第二品类。
所述另一个统计维度数据可为触发所述商品推荐请求的用户的地理信息,据此,确定所述用户所在的区域,从每个目标店铺的第三品类榜单中确定与所述用户所在的区域相同的销售区域对应的各个品类排行,优选出排序靠前的多个品类作为第三品类。
对应第一品类、第二品类及第三品类对应包含的多个品类进行去重操作,根据去重后的各个品类从当前店铺中召回相应的商品项作为备选商品项。根据各个备选商品项及所述目标商品对应的商品标签和品牌,确定各个备选商品项与所述目标商品之间相同的商品标签数量作为各个备选商品项的第一得分,并且判定各个备选商品项与所述目标商品之间的品牌是否一致,一致则相应备选商品项的第二得分为1,不一致则相应备选商品项的第二得分为0。计算各个备选商品项的第一得分乘上第一预设权重加上第二得分乘上第二预设权重,获得各个备选商品项的匹配得分,以匹配得分从高到低的顺序对各个备选商品项进行排序,优选出排序靠前的多个备选商品项构建商品候选列表。
所述商品标签为描述相应商品项的文本信息,可为描述相应商品项的卖点、功能、受众人群的特征等,所述受众人群的特征可采自于该受众人群中的各个用户的用户画像,所述用户画像可为相应用户的个人信息,进一步的可根据相应用户的用户行为数据丰富用户画像的设定,所述设定可由本领域技术人员灵活变通实现,所述用户的个人信息包含年龄、性别、身高、体重等任意一项或多项。所述商品标签可由相应店铺的卖家用户自定义创建及修改,或是电商平台预设多个商品标签以供卖家用户选定与商品项相匹配的商品标签,
步骤S1400、对所述商品候选列表中的商品项进行排序,根据排序结果筛选出其中部分商品项构造成所述目标商品相对应的商品推荐列表。
可以采用预设的点击率预测模型,基于当前店铺的店铺画像、所述商品候选列表中的商品项的商品文本,以及触发所述商品推荐请求的用户的个人信息,分别提取出相对应的深层语义信息,确定所述商品候选列表中的各个商品项对应的点击率,可以理解,所述点击率表征相应的商品项曝光后取得成效的概率,进一步,以点击率从高到低的顺序,对所述各个商品项进行排序,筛选出点击率大于预设阈值或排序靠前的部分商品项构造成目标商品相对应的商品推荐列表,所述预设阈值可由本领域技术人员按需设定。
所述点击率预测模型的选型可为LR,ESMM,DeepFM模型中任意一种,此外,其他能够实现本申请的同等功能的变体模型也可等同替换之,点击率预测模型被预先训练至收敛之后启用。采集被用户点击的商品项的商品信息、上架该商品项的店铺的店铺画像、该用户的个人信息作为正样本,标注表征该正样本的商品项被点击的监督标签,例如为1,人工采集不被用户点击的商品项的商品信息、上架该商品项的店铺的店铺画像、相应的用户的个人信息作为负样本,标注表征该负样本的商品项不被点击的监督标签,例如为0。据此,可构造出多个正、负样本,以及标注相应的监督标签,将各个训练样本关联其相应的监督标签构建训练集,采用所述训练集便可对所述点击率预测模型进行相应的监督学习,以使点击率预测模型被预训练至收敛之后,习得基于商品项的商品文本、上架该商品项的店铺的店铺画像、用户的个人信息,预测出商品项的点击率的能力。鉴于LR,ESMM,DeepFM模型的训练过程均为本领域技术人员所知晓,故对其训练过程恕不详述。
根据本申请的典型实施例可以知晓,本申请的技术方案存在多方面优势,包括但不限于如下各方面:
本申请基于当前店铺属于新上线店铺或上线不久的店铺,相应的用户行为数据缺乏或不足,依据与当前店铺相似的多个目标店铺的用户行为数据,确定出对应不同统计维度的多个品类列表,从而从每个品类列表中确定出目标品类,根据多元化的目标品类多元召回当前店铺中相应的商品项作为商品候选列表中的成员,基于商品候选列表中的各个商品项对应在其曝光后取得成效的概率作为排序评分,据此,优选其中的部分成员构造成商品推荐请求指向的目标商品对应的商品推荐列表。一方面,有效解决当前店铺的冷启动问题,依据相似店铺的用户行为数据得出商品推荐列表用作商品推荐,另一方面,基于多元召回下构建商品推荐列表,使得商品推荐的丰富性得以保证,而且商品推荐列表中的各个商品项对应其在曝光后取得成效的概率较高,能够确保商品推荐的准确性。
请参阅图2,进一步的实施例中,步骤S1200、根据当前店铺的店铺画像确定与该当前店铺相似的多个目标店铺,统计所述多个目标店铺的商品项相对应的用户行为数据,确定出对应不同统计维度的多个品类列表,包括如下步骤:
步骤S1210、根据当前店铺与其他店铺对应的店铺画像之间的相似度,确定出相似度满足预设条件的多个目标店铺;
采用预设的文本相似度模型确定当前店铺与其他店铺对应的店铺画像之间的相似度,筛选出相似度大于预设阈值的多个目标店铺,所述预设阈值可由本领域技术人员按需设定。
所述文本相似度模型可为双塔模型,结构可为两路文本特征提取模型,所述文本特征提取模型采用NLP领域中适用于提取文本特征的模型,例如Bert模型为目前为止较为优秀的能够处理文本时序信息的神经网络模型,可以适用于负责文本特征提取工作,同理,E l ectra模型能以更低参数量获得与Bert模型同等或相近的效果,故也推荐使用。
采集两个不同店铺对应的店铺画像作为训练样本,根据所述训练样本中的两个店铺之间的店铺画像是否相似标注相应的监督标签,据此,可构造出多个训练样本,以及标注各个训练样本对应的监督标签,将各个训练样本关联相应的监督标签构建训练集。采用所述训练集便可对所述文本相似模型进行相应的监督学习,具体而言,调用训练集中的单个训练样本输入至文本相似模型,其中每路文本特征提取模型提取出训练样本的一个店铺的店铺画像的深层语义信息,输出相应的文本语义向量,计算两路文本特征提取模型对应输出的文本语义向量之间的相似度,所述相似度计算,可以Fai ss、E l ast i cSearch、M il vus等大规模向量检索引擎中的任意一种来实施,也可以采用诸如余弦相似度、内积、曼哈顿距离、欧氏距离等任意一种现成的算法来计算。采用所述训练样本的监督标签,确定所述相似度的损失值,在所述损失值未达到预设阈值时,对文本相似度模型实施权重更新,并继续调用其他训练样本实施迭代训练直至模型收敛。据此,在文本相似模型被预先训练至收敛之后,习得基于两个不同店铺的店铺画像,预测出该两个不同店铺的店铺画像之间的相似度的能力。
步骤S1220、针对每个目标店铺,基于所述目标店铺的用户行为数据进行统计,获得品类组合列表进行排序,获得第一品类排行榜单,所述品类组合列表中包括多个品类组合,每个品类组合包含多个被相同用户关联购买的商品项所属的品类;
针对每个目标店铺,根据所述目标店铺的各个商品项被用户购买时产生的用户行为数据及相应的商品项所属的品类,确定出购买商品项的用户所购买的品类,统计被相同用户关联购买的两个不同品类构成的品类组合对应的用户个数,根据各个品类组合对应的用户个数从大到小的顺序,对各个品类组合进行排序,获得第一品类排行榜单。
步骤S1230、针对每个目标店铺,基于所述目标店铺的用户行为数据进行统计,根据所述目标店铺中每个品类的商品销量或商品销售总额,对各个所述品类进行排序,获得第二品类排行榜单;
针对每个目标店铺,根据所述目标店铺的各个商品项被用户购买时产生的用户行为数据及相应的商品项所属的品类,确定出购买商品项的用户所购买的品类,一种实施例中,统计出每个品类对应的所有商品项被用户购买的次数作为商品销量,根据各个品类对应的商品销量从高到低的顺序,对各个品类进行排序,获得第二品类排行榜单。另一种实施例中,统计出每个品类对应的所述商品项被用户购买所得的款项作为商品销售总额,根据各个品类对应的商品销量总额从高到低的顺序,对各个品类进行排序,获得第二品类排行榜单。
步骤S1240、针对每个目标店铺,基于所述目标店铺的用户行为数据进行统计,根据所述目标店铺中每个品类在各个销售区域的商品销量或商品销售总额,对相应销售区域的各个所述品类进行排序,获得第三品类排行榜单。
针对每个目标店铺,根据所述目标店铺的各个商品项被用户购买时产生的用户行为数据、相应的商品项所属的品类及相应的用户的地理信息,确定出购买商品项的用户所购买的品类及用户所在区域作为销售区域,一种实施例中,统计出每个品类对应的所有商品项在各个销售区域对应被用户购买的次数作为商品销量,针对每个销售区域,根据各个品类在相应的销售区域对应的商品销量从高到低的顺序,对各个品类进行排序,获得第三品类排行榜单。另一种实施例中,统计出每个品类对应的所有商品项在各个销售区域对应被用户购买所得的款项作为商品销量总额,针对每个销售区域,根据各个品类在相应的销售区域对应的商品销量总额从高到低的顺序,对各个品类进行排序,获得第三品类排行榜单。不难理解,在产生所述用户行为数据时,可获得用户的地理信息,所述用户的地理信息表示用户所在区域。
本实施例中,一方面采用预设的文本相似模型能够精准地确定出两两店铺对应的店铺画像之间的相似度,执行高效。另一方面,构造出多个不同的统计维度对应的品类列表,为后续多元召回奠定基础,使得能够保障召回商品的丰富性。
请参阅图3,进一步的实施例中,步骤S1300、根据多个统计维度数据从相应统计维度的品类列表确定目标品类,从当前店铺中召回属于目标品类的商品项所构成的商品候选列表,包括如下步骤:
步骤S1310、将目标商品所属的品类作为统计维度数据,从第一品类排行榜单中确定第一品类;
将所述目标商品所属的品类作为统计维度数据,筛选出每个目标店铺的第一品类排行榜单中排序靠前,而且其中包含所述目标商品的品类相对应的多个品类组合,以每个所述品类组合中的除目标商品的品类以外的另一个品类作为第一品类。
步骤S1320、从第二品类排行榜单中确定第二品类;
筛选出每个目标店铺的第二品类排行榜单中排序靠前的多个品类作为第二品类。
步骤S1330、将触发所述商品推荐请求的用户的地理信息作为统计维度数据,从第三品类排行榜单中确定第三品类;
根据触发所述商品推荐请求的用户的地理信息作为统计维度数据,确定所述用户所在的区域,从每个目标店铺的第三品类榜单中确定与所述用户所在的区域相同的销售区域对应的各个品类排行,优选出排序靠前的多个品类作为第三品类。
步骤S1340、根据第一品类、第二品类及第三品类从当前店铺中召回相应的备选商品项,确定出与目标商品相匹配的备选商品项构建商品候选列表。
对应第一品类、第二品类及第三品类对应包含的多个品类进行去重操作,根据去重后的各个品类从当前店铺中召回相应的商品项作为备选商品项。根据各个备选商品项及所述目标商品对应的商品标签和品牌,确定各个备选商品项与所述目标商品之间相同的商品标签数量作为各个备选商品项的第一得分,并且判定各个备选商品项与所述目标商品之间的品牌是否一致,一致则相应备选商品项的第二得分为1,不一致则相应备选商品项的第二得分为0。计算各个备选商品项的第一得分乘上第一预设权重加上第二得分乘上第二预设权重,获得各个备选商品项的匹配得分,以匹配得分从高到低的顺序对各个备选商品项进行排序,优选出排序靠前的多个备选商品项构建商品候选列表。
本实施例中,通过从当前店铺中多元召回相应的备选商品项,从中筛选出与目标商品相匹配的备选商品项构造出商品候选列表,能够保证商品候选列表中的商品项的丰富性和准确性。
请参阅图4,进一步的实施例中,步骤S1400、对所述商品候选列表中的商品项进行排序,根据排序结果筛选出其中部分商品项构造成所述目标商品相对应的商品推荐列表,包括如下步骤:
步骤S1410、采用预设的商品排序模型基于当前店铺的店铺画像、所述商品候选列表中的商品项的商品文本及触发所述商品推荐请求的用户的个人信息,分别提取出对应的深层语义信息,确定出所述商品项对应的排序评分,所述商品文本为商品项的描述信息;
所述预设的商品排序模型可为双塔模型,包含一路转化率预测模型及另一路点击率预测模型,调用预设的商品排序模型,其中采用预设的转化率预测模型,基于当前店铺的店铺画像、所述商品候选列表中的商品项的商品文本,以及触发所述商品推荐请求的用户的个人信息,分别提取出相对应的深层语义信息,确定所述商品候选列表中的各个商品项对应的转化率,此外,采用预设的点击率预测模型,基于当前店铺的店铺画像、所述商品候选列表中的商品项的商品文本,以及触发所述商品推荐请求的用户的个人信息,分别提取出相对应的深层语义信息,确定所述商品候选列表中的各个商品项对应的点击率,进一步,计算各个商品项对应的点击率和转化率分别乘上相应的权重再相加,获得各个商品项对应的排序评分,可以理解,所述排序评分表征相应商品项曝光后可以取得成效的概率,对应所述点击率和转化率对应的权重相加为1,具体可由本领域技术人员按需设定。
所述点击率预测模型可参考步骤S1400的相关揭示。
所述转化率预测模型的选型可为LR,ESMM,DeepFM模型中任意一种,此外,其他能够实现本申请的同等功能的变体模型也可等同替换之,转化率预测模型被预先训练至收敛之后启用。采集被用户购买的商品项的商品信息、上架该商品项的店铺的店铺画像、该用户的个人信息作为正样本,标注表征该正样本的商品项被购买的监督标签,例如为1,人工采集被用户点击但不购买的商品项的商品信息、上架该商品项的店铺的店铺画像、相应的用户的个人信息作为负样本,标注表征该负样本的商品项不被购买的监督标签,例如为0。据此,可构造出多个正、负样本,以及标注相应的监督标签,将各个训练样本关联其相应的监督标签构建训练集,采用所述训练集便可对所述转化率预测模型进行相应的监督学习,以使转化率预测模型被预训练至收敛之后,习得基于商品项的商品文本、上架该商品项的店铺的店铺画像、用户的个人信息,预测出商品项的转化率的能力。鉴于LR,ESMM,DeepFM模型的训练过程均为本领域技术人员所知晓,故对其训练过程恕不详述。
步骤S1420、筛选出排序评分满足预设条件的部分商品项构造成目标商品相对应的商品推荐列表。
以排序评分从高到低的顺序,对各个商品项进行排序,筛选出排序评分大于预设阈值的部分商品项构造成目标商品相对应的商品推荐列表,所述预设阈值可由本领域技术人员按需设定。
本实施例中,通过采用预设的商品排序模型确定出商品候选列表中的各个商品项对应的点击率和转化率,进而基于各个商品项对应的点击率和转化率得出相应的排序评分,优选出排序评分较高的部分商品项构造出商品推荐列表,执行高效,实现以量化的排序评分表示预估商品项曝光后的成效,使得一定程度上保障商品推荐列表中的商品项是用户感兴趣的,保证商品推荐的准确性。
请参阅图5,进一步的实施例中,步骤S1300、对所述商品候选列表中的商品项进行排序,根据排序结果筛选出其中部分商品项构造成所述目标商品相对应的商品推荐列表之前,还包括如下步骤:
步骤S2310、根据所述目标商品和当前店铺的各个商品项对应的商品文本及商品图片,采用预设的多模态语义模型确定出目标商品与当前店铺的各个商品项之间的相似度;
所述多模态语义模型包含图片编码器、文本编码器及基于多头注意力机制的神经网络模型。所述图像编码器可采用适用于提取图像特征的模型,推荐选型为ViT(Vi s ionTransformer)模型,亦可采用其他的例如CNN模型、深度卷积模型Eff icientNet、DenseNet、Resnet等任一种模型。所述文本编码器可采用NLP领域中适用于提取文本特征的模型,例如Bert模型为目前为止较为优秀的能够处理文本时序信息的神经网络模型,可以适用于本申请中负责文本提取工作,同理,E l ectra模型能以更低参数量获得与Bert模型同等或相近的效果,故也推荐使用。
采用预设的多模态语义模型处理所述目标商品和当前店铺的各个商品项对应的商品文本及商品图片,针对同一商品项的商品文本及商品图片,采用预设的多模态语义模型中的图片编码器对所述商品图片进行深层语义特征提取,以此获得其相对应的图片语义向量,实现对该商品图片的深层语义信息的表示,文本编码器对所述商品文本进行深层语义特征提取,以此获得其相对应的文本语义向量,实现对该商品文本的深层语义信息的表示。通过将所述商品图片相对应的图片语义向量与所述商品文本相对应的文本语义向量规整至统一尺度上,再进行简单拼接,便可图文拼接向量。进一步,将所述图文拼接向量输入到基于多头注意力机制的神经网络模型中进行编码,基于多头注意力机制对所述图文拼接向量进行多级编码,实现所述图片语义向量与所述文本语义向量的特征交互,获得图文融合向量。据此,采用预设的多模态语义模型以所述目标商品的商品图片及商品文本作为输入,便可得出所述目标商品的图文融合向量,采用预设的多模态语义模型以当前店铺的各个商品项对应的商品文本及商品图片作为输入,便可得出所述个商品项对应的图文融合向量。
根据所述目标商品及当前店铺的各个商品项对应的图文融合向量,计算出目标商品与当前店铺的各个商品项之间的相似度,所述相似度计算,可以Fai ss、El ast icSearch、Mi l vus等大规模向量检索引擎中的任意一种来实施,也可以采用诸如余弦相似度、内积、曼哈顿距离、欧氏距离等任意一种现成的算法来计算。
此处所采用的基于多头注意力机制的神经网络模型,优选基于Transformer中的编码路径为基础架构的神经网络模型,例如可以优选Bert模型,Bert模型内部即采用了Transformer中的编码路径;又如,也包括更适于处理图文信息的的Vi s i onTransformer(ViT)中的编码路径。此外,其他能够实现本申请的同等功能的变体模型也可等同替换之。
根据Transformer的原理,Transformer的编码路径中,包括多个结构和原理均相同的编码器,每个编码器均包括自注意力层,其以输入其中的图文拼接向量为基础进行特征交互,将交互后的结果传递至该编码器的多层感知器进行高层语义提取后输出。
本申请所采用的基于多头注意力机制的神经网络模型,被预训练至收敛之后启用,鉴于Transformer、Bert、ViT等模型的训练过程均为本领域技术人员所知晓,故对其训练过程恕不详述。该神经网络模型适于对所述的图文拼接向量执行特征层面的编码操作,使得所述图文拼接向量所包含的图片特征向量和文本特征向量在特征层面实现深度交互,从而实现商品图片及其商品标题在深层语义层面的深度融合。
步骤S2320、筛选出相似度满足预设条件的商品项添加至所述商品候选列表。
以相似度从大到小的顺序,对当前店铺的各个商品项进行排序,筛选出排序靠前的多个商品项或者大于预设阈值的多个商品项添加至所述商品候选列表。所述预设阈值可由本领域技术人员按需设定。
本实施例中,一方面,通过分别对同一商品项的不同模态的商品数据进行建模得到的图片语义向量及文本语义向量,将这些向量再经过基于多头注意力机制进行多次交互融合在一起,最终获得综合了各种模态信息的深层语义信息的图文融合向量,降低了不同模态特征融合的信息阻隔,可以提取到更丰富的商品信息,得到更丰富的特征信息,从而有助于提高相似度的准确度。另一方面,从当前店铺中召回与目标商品高度相似的商品项扩充商品候选列表,保障商品候选列表的丰富性,为后续商品推荐的丰富性奠定坚实的基础。
请参阅图6,进一步的实施例中,步骤S1300、对所述商品候选列表中的商品项进行排序,根据排序结果筛选出其中部分商品项构造成所述目标商品相对应的商品推荐列表之前,还包括如下步骤:
步骤S2301、根据触发所述商品推荐请求的用户的个人信息及用户行为数据,确定出相匹配的商品属性;
用户画像是就是根据用户浏览记录和自己的属性信息统计的用户端的一些特征,比如用户浏览品类的分布,性别,区域,购买的类别,成交率等这些信息,可以通过用户感兴趣的品类,召回相关品类的商品项,根据区域信息召回该区域热销的商品项
获取近期的所述用户多种用户行为数据,例如用户在电商平台内购买的所有商品项对应每个商品项的购买次数、用户在电商平台内点击浏览过的商品项等,根据所述各种用户行为数据,相应提取出关联所述用户的商品项属性,具体而言,根据用户购买每个商品项的次数,筛选出购买次数较多的多个商品项,获取所述多个商品项对应的商品标签、品类、价格,确定出每个所述品类关联所述用户购买的最高价格、最低价格构造第一价格区间,将所述各个商品标签、各个品类及其对应的第一价格区间作为第一商品属性,可以理解,所述第一商品属性表示所述用户喜欢购买的商品特征;根据用户点击每个商品项的次数及各个商品项所属的品类,确定出用户浏览各个品类的次数,筛选出点击次数较多的多个商品项,获取所述多个商品项的商品标签、品类、价格,确定出每个所述品类关联所述用户购买的最高价格、最低价格构造第二价格区间,将所述各个商品标签、各个品类及其对应的第二价格区间作为第二商品项属性,可以理解,所述第二商品项属性表示所述用户感兴趣的商品特征。
步骤S2302、根据所述商品属性从当前店铺中召回相应的商品项添加至所述商品候选列表。
根据所述第一商品属性中的各个商品标签,从当前店铺中召回属于相应所述商品标签的商品项,此外,根据各个品类及其对应的第一价格区间,从当前店铺中召回属于相应所述品类的且价格属于该品类的第一价格区间内的商品项。
根据所述第二商品属性中的各个商品标签,从当前店铺中召回属于相应所述商品标签的商品项,此外,根据各个品类及其对应的第二价格区间,从当前店铺中召回属于相应所述品类的且价格属于该品类的第二价格区间内的商品项。
将基于所述第一商品属性及第二商品属性相对应召回的商品项添加至所述商品候选列表。
本实施例中,通过确定出触发所述商品推荐请求的用户喜欢购买的商品项第一商品属性,以及感兴趣的商品项对应的第二商品属性,进而从当前店铺中召回第一商品属性及第二商品属性对应的商品项扩充商品候选列表,保障商品候选列表的丰富性,为后续商品推荐的丰富性奠定坚实的基础。
请参阅图7,适应本申请的目的之一而提供的一种商品推荐装置,是对本申请的商品推荐方法的功能化体现,该装置包括请求响应模块1100、列表确定模块1200、商品召回模块1300及列表构建模块1400,其中,请求响应模块1100,用于响应目标商品相对应的商品推荐请求,获取当前店铺的店铺画像;列表确定模块1200,用于根据当前店铺的店铺画像确定与该当前店铺相似的多个目标店铺,统计所述多个目标店铺的商品项相对应的用户行为数据,确定出对应不同统计维度的多个品类列表;商品召回模块1300,用于根据多个统计维度数据从相应统计维度的品类列表确定目标品类,从当前店铺中召回属于目标品类的商品项所构成的商品候选列表;列表构建模块1400,用于对所述商品候选列表中的商品项进行排序,根据排序结果筛选出其中部分商品项构造成所述目标商品相对应的商品推荐列表。
进一步的实施例中,所述请求响应模块1100之前,还包括:画像构建模块,用于针对各个店铺,基于其中的各个商品项对应的商品信息,提取出相应的店铺特征作为店铺画像,所述店铺特征包含商品个数、商品品类分布、商品价格分布,所述商品品类分布包含多个品类及各个品类对应的商品数量占商品总数的数量比,所述商品价格分布包含商品最低价格、商品最高价格及商品平均价格。
进一步的实施例中,所述列表确定模块1200,包括:目标店铺确定子模块,用于根据当前店铺与其他店铺对应的店铺画像之间的相似度,确定出相似度满足预设条件的多个目标店铺;第一品类列表子模块,用于针对每个目标店铺,基于所述目标店铺的用户行为数据进行统计,获得品类组合列表进行排序,获得第一品类排行榜单,所述品类组合列表中包括多个品类组合,每个品类组合包含多个被相同用户关联购买的商品项所属的品类;第二品类列表子模块,用于针对每个目标店铺,基于所述目标店铺的用户行为数据进行统计,根据所述目标店铺中每个品类的商品销量或商品销售总额,对各个所述品类进行排序,获得第二品类排行榜单;第三品类列表子模块,用于针对每个目标店铺,基于所述目标店铺的用户行为数据进行统计,根据所述目标店铺中每个品类在各个销售区域的商品销量或商品销售总额,对相应销售区域的各个所述品类进行排序,获得第三品类排行榜单。
进一步的实施例中,所述商品召回模块1300,包括:第一品类确定子模块,用于将目标商品所属的品类作为统计维度数据,从第一品类排行榜单中确定第一品类;第二品类确定子模块,用于从第二品类排行榜单中确定第二品类;第三品类确定子模块,用于将触发所述商品推荐请求的用户的地理信息作为统计维度数据,从第三品类排行榜单中确定第三品类;候选列表构建子模块,用于第一品类确定子模块,用于根据第一品类、第二品类及第三品类从当前店铺中召回相应的备选商品项,确定出与目标商品相匹配的备选商品项构建商品候选列表。
进一步的实施例中,所述列表构建模块1400,包括:评分确定子模块,用于采用预设的商品排序模型基于当前店铺的店铺画像、所述商品候选列表中的商品项的商品文本及触发所述商品推荐请求的用户的个人信息,分别提取出对应的深层语义信息,确定出所述商品项对应的排序评分,所述商品文本为商品项的描述信息;推荐列表构建子模块,用于筛选出排序评分满足预设条件的部分商品项构造成目标商品相对应的商品推荐列表。
进一步的实施例中,所述列表构建模块1400之前,还包括:相似度确定模块,用于根据所述目标商品和当前店铺的各个商品项对应的商品文本及商品图片,采用预设的多模态语义模型确定出目标商品与当前店铺的各个商品项之间的相似度;第一列表添加模块,用于筛选出相似度满足预设条件的商品项添加至所述商品候选列表。
进一步的实施例中,所述列表构建模块1400之前,还包括:商品属性确定模块,用于根据触发所述商品推荐请求的用户的个人信息及用户行为数据,确定出相匹配的商品属性;第二列表添加模块,用于根据所述商品属性从当前店铺中召回相应的商品项添加至所述商品候选列表。
为解决上述技术问题,本申请实施例还提供计算机设备。如图8所示,计算机设备的内部结构示意图。该计算机设备包括通过系统总线连接的处理器、计算机可读存储介质、存储器和网络接口。其中,该计算机设备的计算机可读存储介质存储有操作系统、数据库和计算机可读指令,数据库中可存储有控件信息序列,该计算机可读指令被处理器执行时,可使得处理器实现一种商品推荐方法。该计算机设备的处理器用于提供计算和控制能力,支撑整个计算机设备的运行。该计算机设备的存储器中可存储有计算机可读指令,该计算机可读指令被处理器执行时,可使得处理器执行本申请的商品推荐方法。该计算机设备的网络接口用于与终端连接通信。本领域技术人员可以理解,图8中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
本实施方式中处理器用于执行图7中的各个模块及其子模块的具体功能,存储器存储有执行上述模块或子模块所需的程序代码和各类数据。网络接口用于向用户终端或服务器之间的数据传输。本实施方式中的存储器存储有本申请的商品推荐装置中执行所有模块/子模块所需的程序代码及数据,服务器能够调用服务器的程序代码及数据执行所有子模块的功能。
本申请还提供一种存储有计算机可读指令的存储介质,计算机可读指令被一个或多个处理器执行时,使得一个或多个处理器执行本申请任一实施例的商品推荐方法的步骤。
本领域普通技术人员可以理解实现本申请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,该计算机程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-On l y Memory,ROM)等计算机可读存储介质,或随机存储记忆体(Random Access Memory,RAM)等。
综上所述,本申请意于为在电商平台中新上线或上线不久的店铺提供冷启动的商品推荐方案,能够保证商品推荐的丰富性和准确性,使得商品推荐效果更佳。
本技术领域技术人员可以理解,本申请中已经讨论过的各种操作、方法、流程中的步骤、措施、方案可以被交替、更改、组合或删除。进一步地,具有本申请中已经讨论过的各种操作、方法、流程中的其他步骤、措施、方案也可以被交替、更改、重排、分解、组合或删除。进一步地,现有技术中的具有与本申请中公开的各种操作、方法、流程中的步骤、措施、方案也可以被交替、更改、重排、分解、组合或删除。
以上所述仅是本申请的部分实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本申请的保护范围。
Claims (10)
1.一种商品推荐方法,其特征在于,包括如下步骤:
响应目标商品相对应的商品推荐请求,获取当前店铺的店铺画像;
根据当前店铺的店铺画像确定与该当前店铺相似的多个目标店铺,统计所述多个目标店铺的商品项相对应的用户行为数据,确定出对应不同统计维度的多个品类列表;
根据多个统计维度数据从相应统计维度的品类列表确定目标品类,从当前店铺中召回属于目标品类的商品项所构成的商品候选列表;
对所述商品候选列表中的商品项进行排序,根据排序结果筛选出其中部分商品项构造成所述目标商品相对应的商品推荐列表。
2.根据权利要求1所述的商品推荐方法,其特征在于,响应目标商品相对应的商品推荐请求,获取当前店铺的店铺画像之前,还包括:
针对各个店铺,基于其中的各个商品项对应的商品信息,提取出相应的店铺特征作为店铺画像,所述店铺特征包含商品个数、商品品类分布、商品价格分布,所述商品品类分布包含多个品类及各个品类对应的商品数量占商品总数的数量比,所述商品价格分布包含商品最低价格、商品最高价格及商品平均价格。
3.根据权利要求1所述的商品推荐方法,其特征在于,根据当前店铺的店铺画像确定与该当前店铺相似的多个目标店铺,统计所述多个目标店铺的商品项相对应的用户行为数据,确定出对应不同统计维度的多个品类列表,包括如下步骤:
根据当前店铺与其他店铺对应的店铺画像之间的相似度,确定出相似度满足预设条件的多个目标店铺;
针对每个目标店铺,基于所述目标店铺的用户行为数据进行统计,获得品类组合列表进行排序,获得第一品类排行榜单,所述品类组合列表中包括多个品类组合,每个品类组合包含多个被相同用户关联购买的商品项所属的品类;
针对每个目标店铺,基于所述目标店铺的用户行为数据进行统计,根据所述目标店铺中每个品类的商品销量或商品销售总额,对各个所述品类进行排序,获得第二品类排行榜单;
针对每个目标店铺,基于所述目标店铺的用户行为数据进行统计,根据所述目标店铺中每个品类在各个销售区域的商品销量或商品销售总额,对相应销售区域的各个所述品类进行排序,获得第三品类排行榜单。
4.根据权利要求3所述的商品推荐方法,其特征在于,根据多个统计维度数据从相应统计维度的品类列表确定目标品类,从当前店铺中召回属于目标品类的商品项所构成的商品候选列表,包括如下步骤:
将目标商品所属的品类作为统计维度数据,从第一品类排行榜单中确定第一品类;
从第二品类排行榜单中确定第二品类;
将触发所述商品推荐请求的用户的地理信息作为统计维度数据,从第三品类排行榜单中确定第三品类;
根据第一品类、第二品类及第三品类从当前店铺中召回相应的备选商品项,确定出与目标商品相匹配的备选商品项构建商品候选列表。
5.根据权利要求1所述的商品推荐方法,其特征在于,对所述商品候选列表中的商品项进行排序,根据排序结果筛选出其中部分商品项构造成所述目标商品相对应的商品推荐列表,包括如下步骤:
采用预设的商品排序模型基于当前店铺的店铺画像、所述商品候选列表中的商品项的商品文本及触发所述商品推荐请求的用户的个人信息,分别提取出对应的深层语义信息,确定出所述商品项对应的排序评分,所述商品文本为商品项的描述信息;
筛选出排序评分满足预设条件的部分商品项构造成目标商品相对应的商品推荐列表。
6.根据权利要求1所述的商品推荐方法,其特征在于,对所述商品候选列表中的商品项进行排序,根据排序结果筛选出其中部分商品项构造成所述目标商品相对应的商品推荐列表之前,还包括如下步骤:
根据所述目标商品和当前店铺的各个商品项对应的商品文本及商品图片,采用预设的多模态语义模型确定出目标商品与当前店铺的各个商品项之间的相似度;
筛选出相似度满足预设条件的商品项添加至所述商品候选列表。
7.根据权利要求1所述的商品推荐方法,其特征在于,对所述商品候选列表中的商品项进行排序,根据排序结果筛选出其中部分商品项构造成所述目标商品相对应的商品推荐列表之前,还包括如下步骤:
根据触发所述商品推荐请求的用户的个人信息及用户行为数据,确定出相匹配的商品属性;
根据所述商品属性从当前店铺中召回相应的商品项添加至所述商品候选列表。
8.一种商品推荐装置,其特征在于,包括:
请求响应模块,用于响应目标商品相对应的商品推荐请求,获取当前店铺的店铺画像;
列表确定模块,用于根据当前店铺的店铺画像确定与该当前店铺相似的多个目标店铺,统计所述多个目标店铺的商品项相对应的用户行为数据,确定出对应不同统计维度的多个品类列表;
商品召回模块,用于根据多个统计维度数据从相应统计维度的品类列表确定目标品类,从当前店铺中召回属于目标品类的商品项所构成的商品候选列表;
列表构建模块,用于对所述商品候选列表中的商品项进行排序,根据排序结果筛选出其中部分商品项构造成所述目标商品相对应的商品推荐列表。
9.一种计算机设备,包括中央处理器和存储器,其特征在于,所述中央处理器用于调用运行存储于所述存储器中的计算机程序以执行如权利要求1至7中任意一项所述的方法的步骤。
10.一种计算机可读存储介质,其特征在于,其以计算机可读指令的形式存储有依据权利要求1至7中任意一项所述的方法所实现的计算机程序,该计算机程序被计算机调用运行时,执行相应的方法所包括的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211574564.7A CN115760315A (zh) | 2022-12-08 | 2022-12-08 | 商品推荐方法及其装置、设备、介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211574564.7A CN115760315A (zh) | 2022-12-08 | 2022-12-08 | 商品推荐方法及其装置、设备、介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115760315A true CN115760315A (zh) | 2023-03-07 |
Family
ID=85344611
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211574564.7A Pending CN115760315A (zh) | 2022-12-08 | 2022-12-08 | 商品推荐方法及其装置、设备、介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115760315A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117237059A (zh) * | 2023-11-09 | 2023-12-15 | 深圳美云集网络科技有限责任公司 | 商品推荐方法和终端 |
-
2022
- 2022-12-08 CN CN202211574564.7A patent/CN115760315A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117237059A (zh) * | 2023-11-09 | 2023-12-15 | 深圳美云集网络科技有限责任公司 | 商品推荐方法和终端 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9208202B1 (en) | Systems and methods for determining interest in an item or category of items | |
CN108885624B (zh) | 信息推荐系统及方法 | |
US7574422B2 (en) | Collaborative-filtering contextual model optimized for an objective function for recommending items | |
US10423999B1 (en) | Performing personalized category-based product sorting | |
US7908184B2 (en) | Method of providing customized information of commodity for on-line shopping mall users | |
RU2725659C2 (ru) | Способ и система для оценивания данных о взаимодействиях пользователь-элемент | |
CN109684538A (zh) | 一种基于用户个人特征的推荐方法及推荐系统 | |
US9767417B1 (en) | Category predictions for user behavior | |
CN114663197A (zh) | 商品推荐方法及其装置、设备、介质、产品 | |
JP5831204B2 (ja) | 情報提供システム、情報提供方法及びプログラム | |
US9767204B1 (en) | Category predictions identifying a search frequency | |
CN110555753A (zh) | 基于推荐的排序控制方法、装置、计算机设备及存储介质 | |
US20190228451A1 (en) | Method, system, and computer-readable medium for product and vendor selection | |
CN103843026B (zh) | 信息处理装置、信息处理方法 | |
CN113850649A (zh) | 一种基于多平台用户数据的定制化推荐方法及推荐系统 | |
CN114168843A (zh) | 搜索词推荐方法、设备及存储介质 | |
CN113793182A (zh) | 商品对象推荐方法及其装置、设备、介质、产品 | |
CN115760315A (zh) | 商品推荐方法及其装置、设备、介质 | |
CN113971599A (zh) | 广告投放选品方法及其装置、设备、介质、产品 | |
CN113627995A (zh) | 商品推荐列表更新方法及其装置、设备、介质、产品 | |
CN112036987B (zh) | 确定推荐商品的方法和装置 | |
US10387934B1 (en) | Method medium and system for category prediction for a changed shopping mission | |
CN113327151A (zh) | 商品对象推荐方法、装置、计算机设备及存储介质 | |
CN116823404A (zh) | 商品组合推荐方法及其装置、设备、介质 | |
CN116485503A (zh) | 商品组合推荐方法及其装置、设备、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 |