CN115936818A - 一种商品盲盒推荐方法、装置、存储介质及设备 - Google Patents
一种商品盲盒推荐方法、装置、存储介质及设备 Download PDFInfo
- Publication number
- CN115936818A CN115936818A CN202211738457.3A CN202211738457A CN115936818A CN 115936818 A CN115936818 A CN 115936818A CN 202211738457 A CN202211738457 A CN 202211738457A CN 115936818 A CN115936818 A CN 115936818A
- Authority
- CN
- China
- Prior art keywords
- commodity
- target
- target user
- 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
Links
Images
Abstract
本申请公开了一种商品盲盒推荐方法、装置、存储介质及设备,该方法包括:首先根据目标用户的历史购物记录信息,确定目标用户的历史购买商品,并计算目标用户与历史购买商品的相关性;然后根据目标用户的历史购物记录信息,确定目标用户的标的商品,并计算标的商品与历史购买商品之间的相似性;接着可以根据目标用户与历史购买商品的相关性、标的商品与历史购买商品之间的相似性,确定目标商品盲盒的商品内容和定价信息,并向目标用户推荐目标商品盲盒。从而实现了及时、准确的向用户推荐商品盲盒,有效提高了目标用户的购物体验。
Description
技术领域
本申请涉及计算机技术领域,尤其涉及一种商品盲盒推荐方法、装置、存储介质及设备。
背景技术
随着互联网的普及和电子商务的日渐成熟,人们越来越多地利用互联网平台进行商品信息的获取和商品的购买。为便于用户进行线上购物,线上购物平台通常会主动向用户推荐各种商品信息,例如向用户推荐其可能感兴趣的商品,以通过商品推荐,来缩短用户寻找所需要产品的路径,提升用户体验。
但目前向用户进行商品推荐时,存在问题是推荐的商品过于单一化、广告化,导致用户在挑选一个订单时仍需浪费大量的时间。这是因为用户在购买商品时需做以下步骤:进入线上购物平台—搜索目标商品/进入分类挑选商品/浏览超市推荐主页挑选商品,用户挑选一个订单商品不仅需要切换多个页面,还需要挑选时面临选择,最后再提交订单。这种推荐方式会造成商品的推荐维度较为单一,通常仅是是基于历史购买、商家活动等进行单一推荐,而挑选浪费时间则因为商品过于丰富化,虽然给予了用户丰富的选择,但也给用户增加了选择的烦恼,降低了用户的购物体验。
发明内容
本申请实施例的主要目的在于提供一种商品盲盒推荐方法、装置、存储介质及设备,能够及时、准确的向用户进行商品盲盒推荐,有效提高用户的购物体验。
本申请实施例提供了一种商品盲盒推荐方法,包括:
获取目标用户的历史购物记录信息;
根据所述目标用户的历史购物记录信息,确定所述目标用户的历史购买商品,并计算所述目标用户与所述历史购买商品的相关性;
根据所述目标用户的历史购物记录信息,确定所述目标用户的标的商品,并计算所述标的商品与所述历史购买商品之间的相似性;
根据所述目标用户与所述历史购买商品的相关性、所述标的商品与所述历史购买商品之间的相似性,确定所述目标商品盲盒的商品内容和定价信息,并向所述目标用户推荐所述目标商品盲盒。
一种可能的实现方式中,所述根据所述目标用户的历史购物记录信息,确定所述目标用户的历史购买商品,并计算所述目标用户与所述历史购买商品的相关性,包括:
根据所述目标用户的历史购物记录信息,确定所述目标用户的历史购买商品;
根据所述目标用户与所述历史购买商品的对应关系,以及所述历史购买商品与商品属性之间的对应关系,构建异质信息网络;
基于所述异质信息网络中所述目标用户、所述历史购买商品和所述商品属性之间的元路径关联关系,利用预设的相似性计算方法,计算每两个所述历史购买商品之间的相似性,并利用所述相似性表征所述目标用户与所述历史购买商品的相关性。
一种可能的实现方式中,所述预设的相似性计算方法为PathSim算法。
一种可能的实现方式中,所述根据所述目标用户的历史购物记录信息,确定所述目标用户的标的商品,并计算所述标的商品与所述历史购买商品之间的相似性,包括:
根据所述目标用户的历史购物记录信息,确定所述目标用户的标的商品,并建立所述目标用户的历史购买商品之间的同构关系网络;
计算所述同构关系网络中历史购买商品对应的随机游走序列;并根据所述随机游走序列,计算所述标的商品与其他历史购买商品之间的相似性。
一种可能的实现方式中,所述根据所述随机游走序列,计算所述标的商品与其他历史购买商品之间的相似性,包括:
根据所述随机游走序列,利用GlobalVectors算法,计算所述标的商品与其他历史购买商品的实数向量;
根据所述标的商品与其他历史购买商品的实数向量,计算所述标的商品与其他历史购买商品之间的修正余弦相似度。
一种可能的实现方式中,所述根据所述目标用户与所述历史购买商品的相关性、所述标的商品与所述历史购买商品之间的相似性,确定所述目标商品盲盒的商品内容和定价信息,包括:
将所述目标用户与所述历史购买商品的相关性、所述标的商品与所述历史购买商品之间的相似性进行加权求和,得到推荐总值;
通过调整所述目标用户与所述历史购买商品的相关性、所述标的商品与所述历史购买商品之间的相似性各自对应的加权系数,计算出所述推荐总值的最大值;
当所述推荐总值为最大值时,反向推出满足此时所述目标用户与所述历史购买商品的相关性、所述标的商品与所述历史购买商品之间的相似性各自取值的N种商品;所述N为大于0的正整数;
利用所述N种商品构成所述目标商品盲盒的商品内容并确定定价信息。
一种可能的实现方式中,所述向所述目标用户推荐所述目标商品盲盒,包括:
通过页面弹窗的方式,在所述目标用户的购物首页界面渲染显示增加了特色功能的所述目标商品盲盒。
本申请实施例还提供了一种商品盲盒推荐装置,包括:
获取单元,用于获取目标用户的历史购物记录信息;
第一计算单元,用于根据所述目标用户的历史购物记录信息,确定所述目标用户的历史购买商品,并计算所述目标用户与所述历史购买商品的相关性;
第二计算单元,用于根据所述目标用户的历史购物记录信息,确定所述目标用户的标的商品,并计算所述标的商品与所述历史购买商品之间的相似性;
推荐单元,用于根据所述目标用户与所述历史购买商品的相关性、所述标的商品与所述历史购买商品之间的相似性,确定所述目标商品盲盒的商品内容和定价信息,并向所述目标用户推荐所述目标商品盲盒。
一种可能的实现方式中,所述第一计算单元包括:
第一确定子单元,用于根据所述目标用户的历史购物记录信息,确定所述目标用户的历史购买商品;
构建子单元,用于根据所述目标用户与所述历史购买商品的对应关系,以及所述历史购买商品与商品属性之间的对应关系,构建异质信息网络;
第一计算子单元,用于基于所述异质信息网络中所述目标用户、所述历史购买商品和所述商品属性之间的元路径关联关系,利用预设的相似性计算方法,计算每两个所述历史购买商品之间的相似性,并利用所述相似性表征所述目标用户与所述历史购买商品的相关性。
一种可能的实现方式中,所述预设的相似性计算方法为PathSim算法。
一种可能的实现方式中,所述第二计算单元包括:
第二确定子单元,用于根据所述目标用户的历史购物记录信息,确定所述目标用户的标的商品,并建立所述目标用户的历史购买商品之间的同构关系网络;
第二计算子单元,用于计算所述同构关系网络中历史购买商品对应的随机游走序列;并根据所述随机游走序列,计算所述标的商品与其他历史购买商品之间的相似性。
一种可能的实现方式中,所述第二计算子单元包括:
第三计算子单元,用于根据所述随机游走序列,利用GlobalVectors算法,计算所述标的商品与其他历史购买商品的实数向量;
第四计算子单元,用于根据所述标的商品与其他历史购买商品的实数向量,计算所述标的商品与其他历史购买商品之间的修正余弦相似度。
一种可能的实现方式中,所述推荐单元包括:
加权子单元,用于将所述目标用户与所述历史购买商品的相关性、所述标的商品与所述历史购买商品之间的相似性进行加权求和,得到推荐总值;
第五计算子单元,用于通过调整所述目标用户与所述历史购买商品的相关性、所述标的商品与所述历史购买商品之间的相似性各自对应的加权系数,计算出所述推荐总值的最大值;
推导子单元,用于当所述推荐总值为最大值时,反向推出满足此时所述目标用户与所述历史购买商品的相关性、所述标的商品与所述历史购买商品之间的相似性各自取值的N种商品;所述N为大于0的正整数;
构成子单元,用于利用所述N种商品构成所述目标商品盲盒的商品内容并确定定价信息。
一种可能的实现方式中,所述推荐单元具体用于:
通过页面弹窗的方式,在所述目标用户的购物首页界面渲染显示增加了特色功能的所述目标商品盲盒。
本申请实施例还提供了一种商品盲盒推荐设备,包括:处理器、存储器、系统总线;
所述处理器以及所述存储器通过所述系统总线相连;
所述存储器用于存储一个或多个程序,所述一个或多个程序包括指令,所述指令当被所述处理器执行时使所述处理器执行上述商品盲盒推荐方法中的任意一种实现方式。
本申请实施例还提供了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指令,当所述指令在终端设备上运行时,使得所述终端设备执行上述商品盲盒推荐方法中的任意一种实现方式。
本申请实施例还提供了一种计算机程序产品,所述计算机程序产品在终端设备上运行时,使得所述终端设备执行上述商品盲盒推荐方法中的任意一种实现方式。
本申请实施例提供的一种商品盲盒推荐方法、装置、存储介质及设备,首先获取目标用户的历史购物记录信息,然后根据目标用户的历史购物记录信息,确定目标用户的历史购买商品,并计算目标用户与历史购买商品的相关性;接着,根据目标用户的历史购物记录信息,确定目标用户的标的商品,并计算标的商品与历史购买商品之间的相似性;进而可以根据目标用户与历史购买商品的相关性、标的商品与历史购买商品之间的相似性,确定目标商品盲盒的商品内容和定价信息,并向目标用户推荐目标商品盲盒。
可见,本申请是基于目标用户与历史购买商品的相关性、商品之间的相似性这两个方面智能向目标用户推荐商品盲盒,使得目标用户在购物时仅需要一键选择该商品盲盒即可实现快速购买,且不用再选择困难,从而实现了及时、准确的向用户推荐商品盲盒,有效提高了目标用户的购物体验。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本申请的一些实施例,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为本申请实施例提供的一种商品盲盒推荐方法的流程示意图;
图2为本申请实施例提供的异质信息网络的构成示例图;
图3为本申请实施例提供的根据目标用户的历史购物记录信息,确定目标用户的标的商品,并计算标的商品与历史购买商品之间的相似性的示例图;
图4为本申请实施例提供的一种商品盲盒推荐装置的组成示意图。
具体实施方式
购物一直是热门生活不可缺少的一部分,随着互联网的普及和电子商务的日渐成熟,人们越来越多地利用互联网平台进行商品信息的获取和商品的购买,但人们在线上购物时经常会面临着选择困难、买多了、买少了、买错了等问题,挑选商品耗费时间,还容易遇到广告商品推荐。因此,如何向用户推荐其可能感兴趣的商品显得尤为重要。
现有的线上商品推荐方案通常是根据用户订单、用户搜索、用户浏览和活动相关推荐单个或多个单一商品,存在的问题就是推荐的商品过于单一化、广告化,导致用户在挑选一个订单时仍需浪费大量的时间。这是因为用户在购买商品时需做以下步骤:进入线上购物平台—搜索目标商品/进入分类挑选商品/浏览超市推荐主页挑选商品,用户挑选一个订单商品不仅需要切换多个页面,还需要挑选时面临选择,最后再提交订单。这种推荐方式会造成商品的推荐维度较为单一,通常仅是是基于历史购买、商家活动等进行单一推荐,而挑选浪费时间则因为商品过于丰富化,虽然给予了用户丰富的选择,但也给用户增加了选择的烦恼,降低了用户的购物体验。
为解决上述缺陷,本申请提供了一种商品盲盒推荐方法,首先获取目标用户的历史购物记录信息,然后根据目标用户的历史购物记录信息,确定目标用户的历史购买商品,并计算目标用户与历史购买商品的相关性;接着,根据目标用户的历史购物记录信息,确定目标用户的标的商品,并计算标的商品与历史购买商品之间的相似性;进而可以根据目标用户与历史购买商品的相关性、标的商品与历史购买商品之间的相似性,确定目标商品盲盒的商品内容和定价信息,并向目标用户推荐目标商品盲盒。
可见,本申请是基于目标用户与历史购买商品的相关性、商品之间的相似性这两个方面智能向目标用户推荐商品盲盒,使得目标用户在购物时仅需要一键选择该商品盲盒即可实现快速购买,且不用再选择困难,从而实现了及时、准确的向用户推荐商品盲盒,有效提高了目标用户的购物体验。
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
第一实施例
参见图1,为本实施例提供的一种商品盲盒推荐方法的流程示意图,该方法包括以下步骤:
S101:获取目标用户的历史购物记录信息。
在本实施例中,将需要进行商品盲盒推荐的任一用户定义为目标用户。并且,本实施例不限制目标用户的数量。需要说明的是,为了避免目标用户选择困难,减少其挑选的浪费时间,本申请提出通过向目标用户推荐商品盲盒的方式使其购物更方便快捷,并且在盲盒中推荐商品的也更合理、更准确,使得目标用户既能创新式购物又能满足其所需,进而可以有效提高其购物体验。
具体的,为了能够及时、准确的向目标用户进行商品盲盒推荐,以有效提高目标用户的购物体验。首先需要获取目标用户的历史购物记录信息,用以执行后续步骤S102-S104。其中,目标用户的历史购物记录信息包含但不限于目标用户的历史购买的商品列表。需要说明的是,本申请对目标用户的历史购物记录信息的获取方式不做限定,可根据实际情况进行获取,但需要在目标用户同意的情况下进行获取。
S102:根据目标用户的历史购物记录信息,确定目标用户的历史购买商品,并计算目标用户与历史购买商品的相关性。
在本实施例中,通过步骤S101获取到目标用户的历史购物记录信息后,为了能够及时、准确的向目标用户进行商品盲盒推荐,以有效提高目标用户的购物体验,进一步可以对目标用户的历史购物记录信息进行处理,以确定出目标用户的历史购买商品,如饼干、饮料等。并计算出目标用户与历史购买商品的相关性,用以执行后续步骤S104。
具体来讲,一种可选的实现方式是,本步骤S102的实现过程具体可以包括下述步骤A-C:
步骤A:根据目标用户的历史购物记录信息,确定目标用户的历史购买商品。
在本实现方式中,获取到目标用户的历史购物记录信息后,可以根据其中包含的目标用户的历史购买的商品列表,确定出目标用户的历史购买商品,如衣服、鞋子等。
步骤B:根据目标用户与历史购买商品的对应关系,以及历史购买商品与商品属性之间的对应关系,构建异质信息网络。
在本实现方式中,获取到目标用户的历史购物记录信息后,还可以根据其中包含的目标用户与历史购买商品的对应关系、以及历史购买商品与商品属性之间的对应关系,建立异质信息网络,如图2所示。其中,异质信息网络可以包含丰富的结构和语义信息,是一种结构化的文本表示方式,该网络由一些节点和边构成,可以利用一个无向加权图来表示,即G=(V,E)。其中,V表示节点,E表示边。
需要说明的是,本申请在构建向目标用户推荐商品盲盒的异质信息网络中,不再只针对目标用户和商品,还包括属性,属性则是包含商品属性和更细节的目标用户交互行为。商品属性包含价格、种类、品牌。目标用户交互行为包括加入购物车、收藏。由于是对购物记录分析,所有商品都是目标用户已购买的。基于这些信息,可以构建一个如图2所示的基于商品推荐构建异质信息网络结构。该结构中共有7类节点,即目标用户(U)、商品(G)、类目(G)、价格(V)、品牌(B)、加购(C)和收藏(D),其中,目标用户与商品节点为根节点,种类、价格、品牌、加购和收藏节点为子(属性)节点。通过图2所示的目标用户和商品的异质信息网络结构中,商品与商品属性节点之间的占比权值能够有效表示商品属性对商品的影响大小。商品属性可能是影响目标用户在选择商品时的重要因素,某些目标用户更偏重价格、某些目标用户更偏重品牌影响力、某些目标用户只购买收藏的商品等。
步骤C:基于异质信息网络中目标用户、历史购买商品和商品属性之间的元路径关联关系,利用预设的相似性计算方法,计算每两个历史购买商品之间的相似性,并利用相似性表征目标用户与历史购买商品的相关性。
在本实现方式中,通过步骤B构建了例如图2所示的包含目标用户和商品的异质信息网络后,进一步可以基于异质信息网络中目标用户、历史购买商品和商品属性之间的元路径关联关系,利用预设的相似性计算方法,计算每两个历史购买商品之间的相似性,并利用相似性表征目标用户与历史购买商品的相关性。
其中,预设的相似性计算方法可根据实际情况进行选取,本申请不进行限定,一种可选的实现方式是,可以利用PathSim算法作为预设的相似性计算方法。
具体来讲,为基于异构信息网络提取商品之间的属性相似性,本申请引入了元路径概念。如图2中“用户—商品—类型—商品”(如“用户A—商品a—种类2—商品b”)即为一条元路径,每一条元路径可以由多条实现实例。采用元路径能够建立各目标用户节点与属性节点之间的语义信息,进而提取出属性节点的相关性(如目标用户与历史购买商品之间的相关性)。
需要说明的是,在异质信息网络中,一条元路径φ可以被定义为路径可以将其缩写为A1A2...Al+1,表示对象类型之间的一种复合关系其中表示关系之间的复合算子,Ai表示对象类型,Ri表示关系类型。PathSim算法是一种基于对称元路径的相似性算法,PathSim算法通过元路径来进行相似性搜索,能够充分地挖掘异构信息网络中隐含的丰富语意,更好地满足用户的需求。具体计算公式如下:
其中,px→y表示在元路径P下从对象x(如图2中的用户A)到对象y(如图2中的商品c)的路径实例总数;px→x表示在元路径P下从对象x(如图2中的用户A)到对象x(如图2中的用户A)自身的路径实例总数;py→y表示在元路径P下从对象y(如图2中的商品c)到对象y(如图2中的商品c)自身的实例总数。
交换矩阵给定网络G=(V,E)和网络模式TG,,元路径P=A1A2…Al)的交换矩阵定义如下:
S103:根据目标用户的历史购物记录信息,确定目标用户的标的商品,并计算标的商品与历史购买商品之间的相似性。
在本实施例中,通过步骤S101获取到目标用户的历史购物记录信息后,为了能够及时、准确的向目标用户进行商品盲盒推荐,以有效提高目标用户的购物体验,进一步可以对目标用户的历史购物记录信息进行处理,以确定出目标用户购买最多的商品(即标的商品),并计算出标的商品与其他历史购买商品之间的相似性,用以执行后续步骤S104。
具体来讲,一种可选的实现方式是,本步骤S103的实现过程具体可以包括:首先,根据目标用户的历史购物记录信息,确定目标用户的标的商品,并建立目标用户的历史购买商品之间的同构关系网络,然后计算同构关系网络中历史购买商品对应的随机游走序列;并根据该随机游走序列,计算出标的商品与其他历史购买商品之间的相似性。
在本实现方式中,可以将目标用户的历史购物记录中购买的商品列表数量为定义为Z,且Z为不小于1的正整数,再确定出用户的标的商品和建立商品与商品之间的同购关系网络,如图3所示,且将同购关系网络包含的商品数量定义为N,且N为不小于2的正整数,即图3中商品a、b…m的总数量为N。这样,通过目标用户购买的商品列表Z,即可确定出用户购买次数最多的商品,并将其定义为标的商品,即可以根据商品及对应数量顺序排列,取数量最高、排在最靠前的商品定义为标的商品,若数量最高为n个商品,且n≥2,则随机选择一个为标的商品;若要确定标的商品与其他商品被同时买过,则可以建立该用户所有已购商品同购关系,即,首先需计算该N个商品如图3中商品a、b…m)对应的随机游走序列,然后利用GlobalVectors算法,分别计算标的商品与N个商品中其他商品的实数向量;接着,可以根据N个商品的实数向量,计算出标的商品与N个商品中其他商品之间的修正余弦相似度,具体计算公式如下:
S104:根据目标用户与历史购买商品的相关性、标的商品与历史购买商品之间的相似性,确定目标商品盲盒的商品内容和定价信息,并向目标用户推荐目标商品盲盒。
在本实施例中,通过步骤S102计算出目标用户与历史购买商品的相关性、以及通过S103计算出标的商品与历史购买商品之间的相似性后,为了能够及时、准确的向目标用户进行商品盲盒推荐,以有效提高目标用户的购物体验,进一步可以对这二者进行综合统计处理,以根据处理结果确定出待推荐的目标商品盲盒的商品内容和定价信息,并通过预设推荐方式,向目标用户推荐目标商品盲盒。
其中,预设推荐方式的具体内容可根据实际情况进行设定,本申请不进行限定,一种可选的实现方式是,可以通过页面弹窗的方式,在目标用户的购物首页界面渲染显示增加了特色功能的所述目标商品盲盒。
具体来讲,一种可选的实现方式是,在得到目标用户与历史购买商品的相关性、以及标的商品与历史购买商品之间的相似性后,首先可以将目标用户与历史购买商品的相关性、标的商品与所述历史购买商品之间的相似性进行加权求和,得到推荐总值;然后,可以通过调整目标用户与历史购买商品的相关性、标的商品与历史购买商品之间的相似性各自对应的加权系数,计算出推荐总值的最大值;接着,当推荐总值为最大值时,可以反向推出满足此时目标用户与历史购买商品的相关性、标的商品与历史购买商品之间的相似性各自取值的N种商品;其中,N为大于0的正整数。进而可以利用这N种商品构成目标商品盲盒的商品内容并确定定价信息,并向用户推荐该目标商品盲盒。
需要说明的是,为了能够进一步提高目标商品盲盒的推荐精准度,以进一步提高用户的购物体验,一种可选的实现方式是,通过步骤S101获取到目标用户的历史购物记录信息后,还可以计算目标用户的历史购物记录信息中历史购买商品的总价正态分布,并利用总价正态分布,确定待推荐的目标商品盲盒的定价期望比。然后再基于目标用户与历史购买商品的相关性、商品之间的相似性及盲盒定价期望比三个方面的综合处理结果,向目标用户推荐精准度更高、更符合其个性化需求的目标商品盲盒。
具体来讲,在本实现方式中,可以将目标用户的历史购物记录中各订单的订单价格定义为P1P2P3…Pn,再根据各订单的价格计算每个订单价格出现的概率,并定义为p1p2p3…pn,这样,根据各订单价格与每个订单价格出现的概率,可以计算出其数学期望为:E(X)=P1p1+P2p2+P3p3+…Pnpn,标准差为:
再根据目标用户与所述历史购买商品的相关性、以及标的商品与所述历史购买商品之间的相似性,可以确定出商品并计算出商品总价为Px,为保证可以更好的限定商品盲盒总价,可以预先设定一个基础值以保证其正态分布概率不小于若即,正态分布概率密度函数x∈(μ-2σ,μ+2σ)时满足。
进一步的,为了能够更为准确的向目标用户进行商品盲盒推荐,以提高目标用户的购物体验,一种可选的实现方式,首先,可以将目标用户与历史购买商品的相关性、所述标的商品与所述历史购买商品之间的相似性、待推荐的商品盲盒的定价期望比进行加权求和,得到推荐总值,并将其定义为S,具体计算公式如下:
其中,α、β、γ分别表示目标用户与历史购买商品的相关性(s(Xi,Xj))、标的商品与历史购买商品之间的相似性待推荐的商品盲盒的定价期望比各自对应的加权系数,且三者均为介于[0,1]之间的可调参数,且三者之和为1,即α+β+γ=1。
然后,通过调整上述公式中目标用户与历史购买商品的相关性、标的商品与历史购买商品之间的相似性、待推荐的商品盲盒的定价期望比各自对应的加权系数α、β、γ,可以计算出推荐总值S的最大值,并将其定义为Smax。
接着,、当推荐总值S为最大值Smax时,可以反向推出满足此时目标用户与所述历史购买商品的相关性、标的商品与所述历史购买商品之间的相似性、待推荐的商品盲盒的定价期望比各自取值的N种商品;其中,N为大于0的正整数,例如此时Xi,Xj和三者对应的商品。
进而可以利用这N种商品(如Xi,Xj和三者对应的商品)构成目标商品盲盒的商品内容,并根据各中商品的价格确定出目标商品盲盒的总的定价。在此基础上,可以通过页面弹窗等预设的推荐方式,在目标用户的购物首页界面渲染显示增加了特色功能(如燃放烟花的动画显示功能)的目标商品盲盒,以便目标用户可以一键加购或购买,至于盲盒是否显示里面的具体商品,可根据预设的具体需求而定,这样,通过购物首页一键购买商品盲盒的方式,可以大幅度降低目标用户的购物时间,也减少了其购物的选择困难,进而提高了目标用户的购物体验。
综上,本实施例提供的一种商品盲盒推荐方法,首先获取目标用户的历史购物记录信息,然后根据目标用户的历史购物记录信息,确定目标用户的历史购买商品,并计算目标用户与历史购买商品的相关性;接着,根据目标用户的历史购物记录信息,确定目标用户的标的商品,并计算标的商品与历史购买商品之间的相似性;进而可以根据目标用户与历史购买商品的相关性、标的商品与历史购买商品之间的相似性,确定目标商品盲盒的商品内容和定价信息,并向目标用户推荐目标商品盲盒。
可见,本申请是基于目标用户与历史购买商品的相关性、商品之间的相似性这两个方面智能向目标用户推荐商品盲盒,使得目标用户在购物时仅需要一键选择该商品盲盒即可实现快速购买,且不用再选择困难,从而实现了及时、准确的向用户推荐商品盲盒,有效提高了目标用户的购物体验。
第二实施例
本实施例将对一种商品盲盒推荐装置进行介绍,相关内容请参见上述方法实施例。
参见图4,为本实施例提供的一种商品盲盒推荐装置的组成示意图,该装置400包括:
获取单元401,用于获取目标用户的历史购物记录信息;
第一计算单元402,用于根据所述目标用户的历史购物记录信息,确定所述目标用户的历史购买商品,并计算所述目标用户与所述历史购买商品的相关性;
第二计算单元403,用于根据所述目标用户的历史购物记录信息,确定所述目标用户的标的商品,并计算所述标的商品与所述历史购买商品之间的相似性;
推荐单元404,用于根据所述目标用户与所述历史购买商品的相关性、所述标的商品与所述历史购买商品之间的相似性,确定所述目标商品盲盒的商品内容和定价信息,并向所述目标用户推荐所述目标商品盲盒。
在本实施例的一种实现方式中,所述第一计算单元402包括:
第一确定子单元,用于根据所述目标用户的历史购物记录信息,确定所述目标用户的历史购买商品;
构建子单元,用于根据所述目标用户与所述历史购买商品的对应关系,以及所述历史购买商品与商品属性之间的对应关系,构建异质信息网络;
第一计算子单元,用于基于所述异质信息网络中所述目标用户、所述历史购买商品和所述商品属性之间的元路径关联关系,利用预设的相似性计算方法,计算每两个所述历史购买商品之间的相似性,并利用所述相似性表征所述目标用户与所述历史购买商品的相关性。
在本实施例的一种实现方式中,所述预设的相似性计算方法为PathSim算法。
在本实施例的一种实现方式中,所述第二计算单元403包括:
第二确定子单元,用于根据所述目标用户的历史购物记录信息,确定所述目标用户的标的商品,并建立所述目标用户的历史购买商品之间的同构关系网络;
第二计算子单元,用于计算所述同构关系网络中历史购买商品对应的随机游走序列;并根据所述随机游走序列,计算所述标的商品与其他历史购买商品之间的相似性。
在本实施例的一种实现方式中,所述第二计算子单元包括:
第三计算子单元,用于根据所述随机游走序列,利用GlobalVectors算法,计算所述标的商品与其他历史购买商品的实数向量;
第四计算子单元,用于根据所述标的商品与其他历史购买商品的实数向量,计算所述标的商品与其他历史购买商品之间的修正余弦相似度。
在本实施例的一种实现方式中,所述推荐单元404包括:
加权子单元,用于将所述目标用户与所述历史购买商品的相关性、所述标的商品与所述历史购买商品之间的相似性进行加权求和,得到推荐总值;
第五计算子单元,用于通过调整所述目标用户与所述历史购买商品的相关性、所述标的商品与所述历史购买商品之间的相似性各自对应的加权系数,计算出所述推荐总值的最大值;
推导子单元,用于当所述推荐总值为最大值时,反向推出满足此时所述目标用户与所述历史购买商品的相关性、所述标的商品与所述历史购买商品之间的相似性各自取值的N种商品;所述N为大于0的正整数;
构成子单元,用于利用所述N种商品构成所述目标商品盲盒的商品内容并确定定价信息。
在本实施例的一种实现方式中,所述推荐单元404具体用于:
通过页面弹窗的方式,在所述目标用户的购物首页界面渲染显示增加了特色功能的所述目标商品盲盒。
进一步地,本申请实施例还提供了一种商品盲盒推荐设备,包括:处理器、存储器、系统总线;
所述处理器以及所述存储器通过所述系统总线相连;
所述存储器用于存储一个或多个程序,所述一个或多个程序包括指令,所述指令当被所述处理器执行时使所述处理器执行上述商品盲盒推荐方法的任一种实现方法。
进一步地,本申请实施例还提供了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指令,当所述指令在终端设备上运行时,使得所述终端设备执行上述商品盲盒推荐方法的任一种实现方法。
进一步地,本申请实施例还提供了一种计算机程序产品,所述计算机程序产品在终端设备上运行时,使得所述终端设备执行上述商品盲盒推荐方法的任一种实现方法。
通过以上的实施方式的描述可知,本领域的技术人员可以清楚地了解到上述实施例方法中的全部或部分步骤可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者诸如媒体网关等网络通信设备,等等)执行本申请各个实施例或者实施例的某些部分所述的方法。
需要说明的是,本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种商品盲盒推荐方法,其特征在于,包括:
获取目标用户的历史购物记录信息;
根据所述目标用户的历史购物记录信息,确定所述目标用户的历史购买商品,并计算所述目标用户与所述历史购买商品的相关性;
根据所述目标用户的历史购物记录信息,确定所述目标用户的标的商品,并计算所述标的商品与所述历史购买商品之间的相似性;
根据所述目标用户与所述历史购买商品的相关性、所述标的商品与所述历史购买商品之间的相似性,确定所述目标商品盲盒的商品内容和定价信息,并向所述目标用户推荐所述目标商品盲盒。
2.根据权利要求1所述的方法,其特征在于,所述根据所述目标用户的历史购物记录信息,确定所述目标用户的历史购买商品,并计算所述目标用户与所述历史购买商品的相关性,包括:
根据所述目标用户的历史购物记录信息,确定所述目标用户的历史购买商品;
根据所述目标用户与所述历史购买商品的对应关系,以及所述历史购买商品与商品属性之间的对应关系,构建异质信息网络;
基于所述异质信息网络中所述目标用户、所述历史购买商品和所述商品属性之间的元路径关联关系,利用预设的相似性计算方法,计算每两个所述历史购买商品之间的相似性,并利用所述相似性表征所述目标用户与所述历史购买商品的相关性。
3.根据权利要求2所述的方法,其特征在于,所述预设的相似性计算方法为PathSim算法。
4.根据权利要求1所述的方法,其特征在于,所述根据所述目标用户的历史购物记录信息,确定所述目标用户的标的商品,并计算所述标的商品与所述历史购买商品之间的相似性,包括:
根据所述目标用户的历史购物记录信息,确定所述目标用户的标的商品,并建立所述目标用户的历史购买商品之间的同构关系网络;
计算所述同构关系网络中历史购买商品对应的随机游走序列;并根据所述随机游走序列,计算所述标的商品与其他历史购买商品之间的相似性。
5.根据权利要求4所述的方法,其特征在于,所述根据所述随机游走序列,计算所述标的商品与其他历史购买商品之间的相似性,包括:
根据所述随机游走序列,利用GlobalVectors算法,计算所述标的商品与其他历史购买商品的实数向量;
根据所述标的商品与其他历史购买商品的实数向量,计算所述标的商品与其他历史购买商品之间的修正余弦相似度。
6.根据权利要求1所述的方法,其特征在于,所述根据所述目标用户与所述历史购买商品的相关性、所述标的商品与所述历史购买商品之间的相似性,确定所述目标商品盲盒的商品内容和定价信息,包括:
将所述目标用户与所述历史购买商品的相关性、所述标的商品与所述历史购买商品之间的相似性进行加权求和,得到推荐总值;
通过调整所述目标用户与所述历史购买商品的相关性、所述标的商品与所述历史购买商品之间的相似性各自对应的加权系数,计算出所述推荐总值的最大值;
当所述推荐总值为最大值时,反向推出满足此时所述目标用户与所述历史购买商品的相关性、所述标的商品与所述历史购买商品之间的相似性各自取值的N种商品;所述N为大于0的正整数;
利用所述N种商品构成所述目标商品盲盒的商品内容并确定定价信息。
7.根据权利要求1-6任一项所述的方法,其特征在于,所述向所述目标用户推荐所述目标商品盲盒,包括:
通过页面弹窗的方式,在所述目标用户的购物首页界面渲染显示增加了特色功能的所述目标商品盲盒。
8.一种商品盲盒推荐装置,其特征在于,包括:
获取单元,用于获取目标用户的历史购物记录信息;
第一计算单元,用于根据所述目标用户的历史购物记录信息,确定所述目标用户的历史购买商品,并计算所述目标用户与所述历史购买商品的相关性;
第二计算单元,用于根据所述目标用户的历史购物记录信息,确定所述目标用户的标的商品,并计算所述标的商品与所述历史购买商品之间的相似性;
推荐单元,用于根据所述目标用户与所述历史购买商品的相关性、所述标的商品与所述历史购买商品之间的相似性,确定所述目标商品盲盒的商品内容和定价信息,并向所述目标用户推荐所述目标商品盲盒。
9.一种商品盲盒推荐设备,其特征在于,包括:处理器、存储器、系统总线;
所述处理器以及所述存储器通过所述系统总线相连;
所述存储器用于存储一个或多个程序,所述一个或多个程序包括指令,所述指令当被所述处理器执行时使所述处理器执行权利要求1-7任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有指令,当所述指令在终端设备上运行时,使得所述终端设备执行权利要求1-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211738457.3A CN115936818A (zh) | 2022-12-31 | 2022-12-31 | 一种商品盲盒推荐方法、装置、存储介质及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211738457.3A CN115936818A (zh) | 2022-12-31 | 2022-12-31 | 一种商品盲盒推荐方法、装置、存储介质及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115936818A true CN115936818A (zh) | 2023-04-07 |
Family
ID=86552457
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211738457.3A Pending CN115936818A (zh) | 2022-12-31 | 2022-12-31 | 一种商品盲盒推荐方法、装置、存储介质及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115936818A (zh) |
-
2022
- 2022-12-31 CN CN202211738457.3A patent/CN115936818A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108898459B (zh) | 一种商品推荐方法及装置 | |
JP5818980B2 (ja) | ペイ・フォー・パフォーマンス情報に基づく補足製品の推奨 | |
CN112435067A (zh) | 跨电商平台与社交平台的智能广告投放方法及系统 | |
JP2010134733A (ja) | 情報推薦装置、情報推薦方法、及びプログラム | |
WO2022095701A1 (zh) | 一种对象推荐方法及装置、设备、存储介质 | |
CN110347924A (zh) | 果蔬商城管理系统及果蔬信息推送方法 | |
US11321724B1 (en) | Product evaluation system and method of use | |
CN110570233A (zh) | 用于电商平台的用户回购时间预测方法及装置 | |
Jiang et al. | An empirical comparison of market efficiency: Electronic marketplaces vs. traditional retail formats | |
CN112132660B (zh) | 商品推荐方法、系统、设备及存储介质 | |
CN113689259A (zh) | 基于用户行为的商品个性化推荐方法及系统 | |
Lodni et al. | The effect of Covid-19 pandemic on the German e-grocery industry with respect to challenges for retailers and customer satisfaction | |
CN116757794A (zh) | 基于大数据的售酒小程序内产品推荐方法 | |
Aprilianti et al. | Implementation of weighted parallel hybrid recommender systems for e-commerce in indonesia | |
JP7140588B2 (ja) | 決定装置、決定方法および決定プログラム | |
US20230101928A1 (en) | User attribute preference model | |
Wu et al. | An enhanced recommendation scheme for online grocery shopping | |
CN111654714A (zh) | 信息处理方法、装置、电子设备和存储介质 | |
CN116611796A (zh) | 一种店铺交易数据的异常检测方法及装置 | |
CN116402569A (zh) | 基于知识图谱的商品推荐方法、装置、系统及存储介质 | |
CN110020135B (zh) | 一种需求确定方法、资源推荐方法和相关装置 | |
CN115936818A (zh) | 一种商品盲盒推荐方法、装置、存储介质及设备 | |
CN115239413A (zh) | 一种商品推荐方法、装置、设备及存储介质 | |
CN114971083A (zh) | 一种货物购买预测出售的方法 | |
CN113781171A (zh) | 信息推送方法、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 |