CN116308683A - 基于知识图谱的服装品牌定位推荐方法、设备及存储介质 - Google Patents
基于知识图谱的服装品牌定位推荐方法、设备及存储介质 Download PDFInfo
- Publication number
- CN116308683A CN116308683A CN202310554047.1A CN202310554047A CN116308683A CN 116308683 A CN116308683 A CN 116308683A CN 202310554047 A CN202310554047 A CN 202310554047A CN 116308683 A CN116308683 A CN 116308683A
- Authority
- CN
- China
- Prior art keywords
- data
- brand
- clothing
- historical
- matching degree
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 239000011159 matrix material Substances 0.000 claims abstract description 55
- 238000012216 screening Methods 0.000 claims abstract description 18
- 230000006399 behavior Effects 0.000 claims description 107
- 239000013598 vector Substances 0.000 claims description 68
- 238000012937 correction Methods 0.000 claims description 42
- 238000004364 calculation method Methods 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 15
- 238000013507 mapping Methods 0.000 claims description 15
- 238000004891 communication Methods 0.000 claims description 14
- 230000011218 segmentation Effects 0.000 claims description 12
- 238000011156 evaluation Methods 0.000 claims description 10
- 239000004744 fabric Substances 0.000 claims description 7
- 230000014509 gene expression Effects 0.000 claims description 4
- 230000007704 transition Effects 0.000 claims description 4
- 230000003542 behavioural effect Effects 0.000 claims 1
- 238000010276 construction Methods 0.000 description 3
- 238000013500 data storage Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 241000282326 Felis catus Species 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229920000728 polyester Polymers 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
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
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Abstract
本发明公开了基于知识图谱的服装品牌定位推荐方法、设备及存储介质,方法包括:获取用户在多个平台的服装行为数据构建为服装知识图谱;查找与服装知识图谱中各历史品牌数据分别对应的服装品牌数据,并将各历史品牌数据及其对应的服装品牌数据形成为品牌数据矩阵;基于服装知识图谱中各历史品牌数据对应的行为数据,生成与品牌数据矩阵对应的行为系数组;基于行为系数组,计算品牌数据矩阵中每一服装品牌数据的匹配度数据,并基于各匹配度数据,从各服装品牌数据中筛选出目标品牌数据推荐。通过全面体现用户对服装品牌喜好和需求的服装知识图谱计算匹配度数据并筛选出目标品牌数据推荐,使得推荐更贴合用户需求,实现服装品牌的精准化定位推荐。
Description
技术领域
本发明涉及数据处理领域,尤其涉及一种基于知识图谱的服装品牌定位推荐方法、设备及存储介质。
背景技术
随着网络的普及和科技的发展,人们越来越多喜爱通过网络采购各种物品,人们吃、穿、住、行都可以通过从网络平台购买或预订。尤其是穿,各种网络平台层出不穷,每个网络平台都有大量的店铺出售各种各样的服装,供人们根据自己的喜爱和需求购买各种类型、各种品牌的衣物。
通常,为了更好的满足人们的需求,各个平台还设置有各自的推荐机制,例如,某用户在某平台的某店铺采购了服装,则该平台会将与该服装款式类似的其他服装推荐给该用户。但该推荐方式的粒度过大,导致向用户推荐的服装不能满足用户需求,未能实现服装品牌的精准化定位推荐。
发明内容
本发明的主要目的在于提供一种基于知识图谱的服装品牌定位推荐方法、设备及存储介质,旨在解决现有技术中如何实现服装品牌的精准化定位推荐的技术问题。
为实现上述目的,本发明提供一种基于知识图谱的服装品牌定位推荐方法,所述方法包括:
获取用户在多个平台的服装行为数据,并基于所述服装行为数据,构建服装知识图谱,其中所述服装行为数据至少包括购买数据、浏览数据、收藏数据和搜索数据中的任一项;
查找与所述服装知识图谱中各历史品牌数据分别对应的服装品牌数据,并将各所述历史品牌数据及其对应的服装品牌数据形成为品牌数据矩阵;
基于所述服装知识图谱中各历史品牌数据对应的行为数据,生成与所述品牌数据矩阵对应的行为系数组;
基于所述行为系数组,计算所述品牌数据矩阵中每一服装品牌数据的匹配度数据,并基于各所述匹配度数据,从各所述服装品牌数据中筛选出目标品牌数据进行推荐。
可选地,所述基于所述行为系数组,计算所述品牌数据矩阵中每一服装品牌数据的匹配度数据的步骤包括:
获取所述品牌数据矩阵中每个列标题的历史特性向量,以及每个数据列对应的服装特性向量,并针对每一历史特性向量执行以下步骤:
从所述行为系数组中查找与所述历史特征向量对应的行为系数,并基于所述行为系数,所述历史特性向量,以及服装特性向量进行计算,获得匹配度数据,计算公式为:
其中,Sij为第j列历史特性向量对应的第i个匹配度数据,Aj为第j列的历史特性向量,Bij为第j列历史特性向量对应的第i个服装特性向量,Kij为与第j列历史特性向量对应的行为系数;
在各所述历史特性向量均进行计算后,获得所述品牌数据矩阵中每一服装品牌数据对应的匹配度数据。
可选地,所述基于各所述匹配度数据,从各所述服装品牌数据中筛选出目标品牌数据进行推荐的步骤包括:
根据各所述匹配度数据,确定与所述品牌数据矩阵中每个列标题分别对应的最大匹配度数据;
获取与各所述历史品牌数据分别对应的评论数据、正向评论数据和负向评论数据;
根据与各所述历史品牌数据分别对应的评论数据、正向评论数据和负向评论数据,对每个列标题分别对应的最大匹配度数据进行修正计算,获得修正数据,修正计算公式为:
在各所述修正数据之间进行比对,获得所述目标品牌数据进行推荐。
可选地,所述获取与各所述历史品牌数据分别对应的评论数据、正向评论数据和负向评论数据的步骤包括:
逐一判断所述历史品牌数据是否存在对应的评论信息,若存在评论信息,则对各所述评论信息的项数进行统计,获得与每一所述历史品牌数据对应的评论数据;
将各所述评论信息传输到预设词语映射函数,并基于预设词语映射函数对应的正向词语库和负向词语库,对各所述评论信息中的正向词语和负向词语进行分词统计,获得所述正向评论数据和负向评论数据,分词统计表达式为:
可选地,所述在各所述修正数据之间进行比对,获得所述目标品牌数据进行推荐的步骤之前包括:
获取用户基础数据,所述用户基础数据至少包括居住城市、用户性别、工作行业、薪资及家庭人口数;
获取与所述用户基础数据对应的其他用户信息,并基于所述其他用户信息获取参考品牌数据;
基于所述参考品牌数据对各所述修正数据进行更新。
可选地,所述基于各所述匹配度数据,从各所述服装品牌数据中筛选出目标品牌数据进行推荐的步骤之后包括:
每间隔预设周期,获取用户与推荐的所述目标品牌数据所对应的态度数据,并根据所述态度数据更新所述服装行为数据,以根据更新的所述服装行为数据构建新的服装知识图谱;
生成与所述态度数据对应的态度系数,并在基于新的所述服装知识图谱计算匹配度数据后,用所述态度数据修正所述匹配度数据。
可选地,所述查找与所述服装知识图谱中各历史品牌数据分别对应的服装品牌数据的步骤之前包括:
接收品牌入库申请,并基于预设识别模型将所述品牌入库申请对应的品牌信息识别为品牌标签,以及将所述品牌标签和所述品牌信息以键值对存储,完成所述品牌入库申请对应服装品牌的入库;
所述查找与所述服装知识图谱中各历史品牌数据分别对应的服装品牌数据的步骤包括:
分析各所述历史品牌数据的特性关键词,所述特性关键词包括款式,以及风格、面料、适用人群、价位、设计师、工作室中的至少一项;
基于各所述历史品牌数据的特性关键词和库中服装品牌的品牌标签,查找库中是否存在包含所述历史品牌数据的特性关键词的服装品牌,若包含则将查找的服装品牌作为与所述历史品牌数据对应的服装品牌数据。
可选地,所述基于预设识别模型将所述品牌入库申请对应的品牌信息识别为品牌标签,以及将所述品牌标签和所述品牌信息以键值对存储的步骤包括:
基于所述预设识别模型提取所述品牌入库申请携带的品牌样式和品牌关键词,并对所述品牌样式进行识别,获得样式关键词与所述品牌关键词一并生成为品牌信息;
基于所述预设识别模型计算每一所述品牌信息与各预设标签之间的匹配度值,计算公式为:
将每一所述品牌信息对应的各匹配度值进行比对,确定最大匹配度值,并将所述最大匹配度值对应的预设标签作为品牌信息对应的品牌标签,以及将所述品牌标签和所述品牌信息分别作为键和值形成键值对存储。
进一步地,为实现上述目的,本发明还提供一种基于知识图谱的服装品牌定位推荐设备,所述基于知识图谱的服装品牌定位推荐设备包括:存储器、处理器、通信总线以及存储在所述存储器上的控制程序:
所述通信总线用于实现处理器和存储器之间的连接通信;
所述处理器用于执行所述控制程序,以实现如上所述基于知识图谱的服装品牌定位推荐方法的步骤。
进一步地,为实现上述目的,本发明还提供一种存储介质,所述存储介质上存储有控制程序,所述控制程序被处理器执行时实现如上所述基于知识图谱的服装品牌定位推荐方法的步骤。
本发明的基于知识图谱的服装品牌定位推荐方法、设备及存储介质,先获取用户在多个平台的诸如购买、浏览、收藏、搜索此类的服装行为数据,并依据该类服装行为数据,构建服装知识图谱;再查找与服装知识图谱中各历史品牌数据分别对应的服装品牌数据,并将各历史品牌数据及其对应的服装品牌数据形成为品牌数据矩阵;以及基于服装知识图谱中各历史品牌数据对应的行为数据,生成与该品牌数据矩阵对应的行为系数组;进而基于行为系数组,计算品牌数据矩阵中每一服装品牌数据的匹配度数据,并基于各匹配度数据,从各服装品牌数据中筛选出目标品牌数据进行推荐。因服装行为数据来自于各个平台,使得由各服装行为数据构建的服装知识图谱,充分全面的体现了用户对服装品牌的喜好和需求;而查找的与服装知识图谱中各历史品牌数据对应的服装品牌数据,则体现了与用户购买、浏览、收藏、搜索的服装相关的品牌;通过生成体现用户需求大小的行为系数组,并依据行为系数组计算历史品牌数据与对应服装品牌数据之间匹配度大小的数据,由匹配度大小筛选出目标品牌数据进行推荐,进一步使得推荐更贴合用户需求,实现服装品牌的精准化定位推荐。
附图说明
图1为本发明基于知识图谱的服装品牌定位推荐方法第一实施例的流程示意图;
图2为本发明基于知识图谱的服装品牌定位推荐方法第二实施例的流程示意图;
图3为本发明基于知识图谱的服装品牌定位推荐方法第三实施例的流程示意图;
图4为本发明基于知识图谱的服装品牌定位推荐设备一实施例方案涉及的硬件运行环境的结构示意图。
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用以解释本发明,并不用于限定本发明。
本发明提供一种基于知识图谱的服装品牌定位推荐方法,请参照图1,图1为本发明基于知识图谱的服装品牌定位推荐方法第一实施例方案的流程示意图。
本发明实施例提供了基于知识图谱的服装品牌定位推荐方法的实施例,需要说明的是,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。具体地,本实施例中的基于知识图谱的服装品牌定位推荐方法包括:
步骤S10,获取用户在多个平台的服装行为数据,并基于所述服装行为数据,构建服装知识图谱,其中所述服装行为数据至少包括购买数据、浏览数据、收藏数据和搜索数据中的任一项;
本实施例的基于知识图谱的服装品牌定位推荐方法可应用于台式计算机、笔记本电脑、智能手机等推荐设备。实施时先获取用户在各个平台的服装行为数据,平台为支持网络购买服装的电商平台,例如天猫、京东、唯品会等,获取的服装行为数据至少包括在平台实施购买服装行为的购买数据、实施浏览服装行为的浏览数据,实施收藏服装行为的收藏数据,以及搜索服装行为的搜索数据。通过用户在多个平台的服装行为数据,全面体现用户在服装上的需求和喜好。
可理解地,用户的需求和喜好可能随着时间发生变化,例如从在校学生转变为职业人士而发生的服装需求变化,或者从不具有小孩转变为母亲而发生的服装需求变化等。因此,为了准确的体现用户当前的需求,可设置服装行为数据获取的时间段,例如3年、5年等,针对该时间段内用户在各个平台的服装行为数据进行获取。并且,用户各平台之间设置的个人信息可能有差别,例如名称不同。因此,可通过体现用户唯一性的实名信息,如身份证号,确定用户在各个平台的服装行为数据。
进一步地,针对用户在各个平台的服装行为数据构建服装知识图谱,具体来说,知识图谱的构建流程主要包括建模、存储、信息抽取、融合及计算几个环节。在建模环节进行实体定义、关系定义和属性定义,例如将用户、服装品牌、服装设计师等定义为实体,而将用户对服装品牌采取的诸如下单购买、浏览、收藏等行为定义为关系,以及将服装品牌具有的价格和样式等定义为属性。在存储环节则将获取的服装行为数据以特定方式进行存储,以便于后续的统一处理。其中存储方式至少包括结构化数据存储,非结构化数据存储,以及半结构化数据存储,具体的存储方式可以采用单一的方式存储,也可以采用混合的方式存储。在信息抽取环节,依据此前定义的实体、关系和属性,从存储的服装行为数据中识别出实体、实体之间的关联关系,以及实体具有的属性。通过关联关系将实体联系起来,以及挖掘出实体属性和属性值之间的关系,形成网状的知识结构。在融合环节对抽取的数据进行逻辑归属和冗杂/错误过滤,实现实体之间的链接和知识合并。在计算环节则通过本体构建、知识推理、质量评估和知识更新获得结构化,网络化的知识体系以及更新机制,从而终完成服装知识图谱的构建。
步骤S20,查找与所述服装知识图谱中各历史品牌数据分别对应的服装品牌数据,并将各所述历史品牌数据及其对应的服装品牌数据形成为品牌数据矩阵;
可理解地,构建服装知识图谱的服装行为数据为用户以往在各个平台对各类服装的采购、浏览、收藏的行为数据,不同的服装对应不同的品牌,该类品牌即为服装知识图谱中各历史品牌数据,各品牌服装还具有不同的属性,如价格、款式、材质、风格、颜色等,还由不同的设计师、工作室等设计。依据服装知识图谱中各历史品牌数据的该类属性进行查找,获得与该类属性的至少一项具有关联关系的其他服装品牌,即为与各历史品牌数据分别对应的服装品牌数据。如由同一设计师设计,或由同一工作室出品,或价格相似、或款式相似等的服装品牌数据。当然,若查找到的服装品牌数据与历史品牌数据之间具有越多相同属性,则两者之间的相似性越高。
进一步地,在针对每一历史品牌数据均查找到对应的服装品牌数据之后,则可将各历史品牌数据和各自对应的服装品牌数据形成为品牌数据矩阵。其中,一项历史品牌数据作为一个矩阵列标题,该列中的数据即为该历史品牌数据对应的服装品牌数据。例如,历史品牌数据为100项,则品牌数据矩阵中第1列为第1项历史品牌数据及其对应的服装品牌数据,第2列为第2项历史品牌数据及其对应的服装品牌数据,以此类推形成列数为100的品牌数据矩阵。
步骤S30,基于所述服装知识图谱中各历史品牌数据对应的行为数据,生成与所述品牌数据矩阵对应的行为系数组;
可理解地,用户对历史品牌数据的不同行为,体现了用户对不同服装品牌喜好或需求情况,例如下单购买行为相对于收藏加购行为的喜好或需要度高,而收藏加购行为则相对于浏览行为的喜好或需求度高。因此,可以依据服装知识图谱中体现用户对各历史品牌的喜爱或需求度的行为数据,即依据与各历史品牌数据对应的行为数据,生成与品牌数据对应的行为系数组。该行为系数组中系数的排列顺序与品牌数据矩阵中矩阵列标题,即各项历史品牌数据的排列顺序一致,用以体系用户对各历史品牌数据的喜好或需求度。例如,对于上述列数为100的品牌数据矩阵,生成的行为系数组为[k1、k2、k3……k100],k1与第1列,即第1项历史品牌数据及其对应的服装品牌数据对应,k2与第2列,即第2项历史品牌数据及其对应的服装品牌数据对应,以此类推。并且,行为系数组中的系数,可预先设定最小参数值,例如将仅作浏览服装的行为作为最低的喜爱和需求度设定最小参数值,而做收藏行为、搜索行为、购买行为的系数则分别在该最小参数值的基础上进行增加,可以以等差数列的方式增加,也可以以等比数列的方式增加,或者直接设定更大的数值,以此生成体现用户对各历史品牌的喜好或需求度的行为系数组。
步骤S40,基于所述行为系数组,计算所述品牌数据矩阵中每一服装品牌数据的匹配度数据,并基于各所述匹配度数据,从各所述服装品牌数据中筛选出目标品牌数据进行推荐。
进一步地,依据行为系数组中各系数体现的用户对各品牌的喜好或需求度,计算品牌数据矩阵中每一历史品牌数据与其对应的各服装品牌数据之间的匹配度,获得每一服装品牌数据的匹配度数据。即,对于品牌数据矩阵中的第一列A1,计算该列中作为列标题的历史品牌数据A10及其对应的各服装品牌数据A1i(i=1、2、3……)之间的匹配度,其他列同样如此计算,直到计算完成,获得各个匹配度数据。匹配度数据体现了各服装品牌数据与历史品牌数据之间的相似性高低,匹配度数据越大则相似性越高,结合体现用户喜好或需求度的行为系数组,使得匹配度数据在体现相似性高低的同时,还体现了用户的喜好或需求度,故可通过匹配度数据之间的大小关系,从各服装品牌数据中筛选出目标品牌数据进行推荐,以使得推荐更为准确,更贴合用户喜好或需求。当然,目标品牌数据可以是一个也可以是多个,若是一个,则将数值最大的匹配度数据所对应的服装品牌数据作为目标品牌数据进行推荐;若是多个,则可设置预设阈值,只要匹配度数据大于该预设阈值,则将该类匹配度数据各自对应的服装品牌数据均作为目标品牌数据进行推荐。
更进一步地,所述基于所述行为系数组,计算所述品牌数据矩阵中每一服装品牌数据的匹配度数据的步骤包括:
步骤S41,获取所述品牌数据矩阵中每个列标题的历史特性向量,以及每个数据列对应的服装特性向量,并针对每一历史特性向量执行以下步骤:
步骤S42,从所述行为系数组中查找与所述历史特征向量对应的行为系数,并基于所述行为系数,所述历史特性向量,以及服装特性向量进行计算,获得匹配度数据;
步骤S43,在各所述历史特性向量均进行计算后,获得所述品牌数据矩阵中每一服装品牌数据对应的匹配度数据。
可理解地,品牌数据矩阵中每列数据都由历史品牌数据及其对应的服装品牌数据构成,历史品牌数据和服装品牌数据都有各自的属性,例如款式、风格、面料、价格等。历史品牌数据与其对应服装品牌数据之间的匹配度,体现的应是该类属性之间的综合相似性。为了体现该综合相似性,将品牌数据矩阵中作为列标题的历史品牌数据的各项属性转换为向量,获得历史特性向量,以及将各历史品牌数据分别对应的服装品牌数据的属性转换为向量,获得每个数据列对应的服装特性向量。其中,需要说明的是,每一列对应一个历史特性向量,代表一个历史品牌数据的各项属性,但对应服装特性向量的数量与历史品牌数据所对应服装品牌数据的数量一致,即若某列历史品牌数据对应20项服装品牌数据,则该列的服装特征向量的项数为20,每一个服装特性向量代表一个服装品牌数据的各项属性。
进一步地,针对品牌数据矩阵中的每一列,从行为系数组中查找与各历史特征向量对应的行为系数,进而将每一列的行为系数,每一列的历史特性向量和该列中的各个服装特性向量进行计算,获得表示该列历史品牌数据与该列中每个服装品牌数据相似性高低的匹配度数据。在每列均进行计算后,则获得品牌数据矩阵中每一服装品牌数据对应的匹配度数据,体现每一服装品牌数据与各自所在列的历史品牌数据之间的相似度高低。具体地,计算公式可参见下式(1):
其中,Sij为第j列历史特性向量对应的第i个匹配度数据,Aj为第j列的历史特性向量,Bij为第j列历史特性向量对应的第i个服装特性向量,Kij为与第j列历史特性向量对应的行为系数。
可理解地,在将筛选出的目标品牌数据推荐给用户之后,用户可能针对该目标品牌数据采取不同的行为,例如采购目标品牌,或者收藏加购目标品牌等,而该类行为又形成用户新的服装行为数据,可用于对服装知识图谱进行更新以使得推荐更为准确。具体来说,所述基于各所述匹配度数据,从各所述服装品牌数据中筛选出目标品牌数据进行推荐的步骤之后包括:
步骤a1,每间隔预设周期,获取用户与推荐的所述目标品牌数据所对应的态度数据,并根据所述态度数据更新所述服装行为数据,以根据更新的所述服装行为数据构建新的服装知识图谱;
步骤a2,生成与所述态度数据对应的态度系数,并在基于新的所述服装知识图谱计算匹配度数据后,用所述态度数据修正所述匹配度数据。
进一步地,预先设定用于更新的预设周期,每间隔该预设周期,则获取用户与推荐的目标品牌数据所对应的态度数据。该态度数据可以是用户对推荐的目标品牌数据所采取行为而形成的数据;例如,用户采购、浏览、或收藏了目标品牌数据相应的服装品牌。进而依据使用该态度数据对服装行为数据进行更新,并基于更新的服装行为数据构建新的服装知识图谱。当然,新的服装知识图谱可以是完全重新构建,也可以是对原始服装知识图谱的修正,对此不作限制。
可理解地,态度数据体现了用户对所推荐服装品牌的喜好或需求程度,若态度数据为采购,则说明用户对推荐的服装品牌喜好或需求度高,后续可相对增加该类服装品牌的推荐,反之若态度数据为快速浏览,则说明用户对推荐的服装品牌喜好或需求度低,后续可相对减少该类服装品牌的推荐。为此可生成与态度数据对应的态度系数,且该态度系数的生成方式可采用与行为系数组中行为系数同样的方式,在此不做赘述。在依据新的服装知识图片计算出匹配度数据后,则可用态度数据对匹配度数据进行修正,以准确的体现用户的喜好和需求,进而实现更准确的推荐。
本实施的基于知识图谱的服装品牌定位推荐方法,先获取用户在多个平台的诸如购买、浏览、收藏、搜索此类的服装行为数据,并依据该类服装行为数据,构建服装知识图谱;再查找与服装知识图谱中各历史品牌数据分别对应的服装品牌数据,并将各历史品牌数据及其对应的服装品牌数据形成为品牌数据矩阵;以及基于服装知识图谱中各历史品牌数据对应的行为数据,生成与该品牌数据矩阵对应的行为系数组;进而基于行为系数组,计算品牌数据矩阵中每一服装品牌数据的匹配度数据,并基于各匹配度数据,从各服装品牌数据中筛选出目标品牌数据进行推荐。因服装行为数据来自于各个平台,使得由各服装行为数据构建的服装知识图谱,充分全面的体现了用户对服装品牌的喜好和需求;而查找的与服装知识图谱中各历史品牌数据对应的服装品牌数据,则体现了与用户购买、浏览、收藏、搜索的服装相关的品牌;通过生成体现用户需求大小的行为系数组,并依据行为系数组计算历史品牌数据与对应服装品牌数据之间匹配度大小的数据,由匹配度大小筛选出目标品牌数据进行推荐,进一步使得推荐更贴合用户需求,实现服装品牌的精准化定位推荐。
进一步地,请参照图2,基于本发明基于知识图谱的服装品牌定位推荐方法的第一实施例,提出本发明基于知识图谱的服装品牌定位推荐方法第二实施例。
所述基于知识图谱的服装品牌定位推荐方法第二实施例与所述基于知识图谱的服装品牌定位推荐方法第一实施例的区别在于,所述基于各所述匹配度数据,从各所述服装品牌数据中筛选出目标品牌数据进行推荐的步骤包括:
步骤S44,根据各所述匹配度数据,确定与所述品牌数据矩阵中每个列标题分别对应的最大匹配度数据;
步骤S45,获取与各所述历史品牌数据分别对应的评论数据、正向评论数据和负向评论数据;
步骤S46,根据与各所述历史品牌数据分别对应的评论数据、正向评论数据和负向评论数据,对每个列标题分别对应的最大匹配度数据进行修正计算,获得修正数据;
步骤S47,在各所述修正数据之间进行比对,获得所述目标品牌数据进行推荐。
进一步地,本实施例的目标品牌数据依据每列匹配度数据中的最大值进行筛选。具体地,将品牌数据矩阵中每列历史品牌数据对应的匹配度数据分别进行比对,筛选出每列历史品牌数据对应的最大匹配度数据;例如,第1列历史品牌数据对应20项服装品牌数据,对应生成有20个匹配度数据,则在该20个匹配度数据之间进行对比,确定其中的最大值,即为第1列列标题对应的最大匹配度数据。以此,得到品牌数据矩阵中每个列标题各自对应的最大匹配度数据。
可理解地,用户在收到购买的服装品牌后,可能可以满足其喜好或需求,也可能不能满足其喜好或需求。在不能满足其喜好或需求的情况下,即便查找到与历史品牌相似度最高的服装品牌,该服装品牌也可能不能满足用户的喜好或需求。为此,本实施例通过用户的评论数据来确定用户对历史品牌的喜好或需求程度,通过评论数据对最大匹配度数据进行修正,获得准确体现用户喜好或需求的目标品牌数据进行推荐。具体来说,针对品牌数据矩阵的每一列历史品牌数据,获取各自对应的评论数据,并对每列历史品牌数据对应的评论进行识别,区分出表示用户满意的正向评论数据和表示用户不满意的负向评论数据,作为与每列历史特性向量对应的正向评论数据和负向评论数据。
进一步地,依据每列历史品牌数据对应的评论数据、正向评论数据、负向评论数据,对每个列标题对应的最大匹配度数据进行修正,获得每列中准确体现用户喜好或满意度的修正数据。进而将每列对应的修正数据进行比对,选择其中数值最大的作为目标品牌数据进行推荐,或者选择其中大于预设阈值的作为目标品牌数据进行推荐。具体地,对最大匹配数据进行修正的计算公式可参见下式(2):
更进一步地,所述获取与各所述历史品牌数据分别对应的评论数据、正向评论数据和负向评论数据的步骤包括:
步骤S451,逐一判断所述历史品牌数据是否存在对应的评论信息,若存在评论信息,则对各所述评论信息的项数进行统计,获得与每一所述历史品牌数据对应的评论数据;
步骤S452,将各所述评论信息传输到预设词语映射函数,并基于预设词语映射函数对应的正向词语库和负向词语库,对各所述评论信息中的正向词语和负向词语进行分词统计,获得所述正向评论数据和负向评论数据。
进一步地,针对构成品牌数据矩阵中列标题的每一历史品牌数据,判断是否存在对应的评论信息,若存在则说明用户在购买历史品牌后,还针对该历史品牌的质量、款式等是否满足其喜好或需求进行了评论。故而对每一历史品牌数据所存在评论信息的项数进行统计,获得每一历史品牌数据所具有的评论数据。此外,本实施还预先设置有预设词语映射函数,用以从评论信息中识别出正向评论数据和负向评论数据。具体地,将各项评论信息传输到该预设词语映射函数,通过预设词语映射函数对应的正向词语库和负向词语库,对评论信息进行分词处理,获得正向词语或负向词语进行分词,并统计获得的正向词语或负向词语的数量,得到正向评论数据或负向评论数据。需要说明的是,若评论信息是表达满意的信息,则经分词获得的词语为正向词语,而若评论信息是表达不满意的信息,则经分词获得的词语为负向词语。并且,分词统计表达式可参见下式(3):
可理解地,具有类似信息的人群对服装品牌的喜好或需求具有相似性,例如,收入类似的相同职业的人群,可能对某一品牌的服装具有相同的需求。因此,本实施例在从各修正数据中筛选出目标品牌数据进行推荐之前,可通过用户的基础数据进一步对修正数据进行更新,以使得筛选的目标品牌数据更为准确。具体地,所述在各所述修正数据之间进行比对,获得所述目标品牌数据进行推荐的步骤之前包括:
步骤b1,获取用户基础数据,所述用户基础数据至少包括居住城市、用户性别、工作行业、薪资及家庭人口数;
步骤b2,获取与所述用户基础数据对应的其他用户信息,并基于所述其他用户信息获取参考品牌数据;
步骤b3,基于所述参考品牌数据对各所述修正数据进行更新。
进一步地,对包括但不限于居住城市、性别、工作行业、薪资及家庭人口数的用户基础数据进行获取,并查找与用户基础数据对应的其他用户信息。该其他用户信息为具有类似用户基础数据的其他用户的信息,即在同一城市生活、性别相同、行业相同、薪资接近、家庭人口数类似的其他用户的信息。进而依据该其他用户信息获取参考品牌数据,该参考品牌数据为其他用户采购、首次加购的服装品牌的数据。并且,该参考品牌数据可以是其他用户信息中的一部分,可直接从其他用户信息中提取处理,也可以是通过其他用户信息从各个平台抓取的数据,对此不作限制。
更进一步地,通过参考品牌数据对各修正数据进行更新。更新的方式可以是参考品牌数据中是否存在修正数据对应的品牌,若存在,则增加修正数据的数值,若不存在则修正数据保持原数值不变。例如,修正数据包括D1到D20的20项数据,参考品牌数据中包含有D5和D18数据对应的品牌,则增加D5和D18的数值,而其他的18项数据的数值不变。以此,通过修正数据的更新,使得由修正数据筛选的目标品牌数据更好的体现用户喜好或需求,实现更为准确的定位推荐。
本实施例一方面通过用户对购买的历史服装品牌的评论数据,对最大匹配度数据进行修正,获得修正数据,直接体现了用户对各个与历史服装品牌所对应的服装品牌的喜好和需求。另一方面通过与用户相关的同类人群对与历史服装品牌所对应的服装品牌的需求情况,对修正数据进行更新,间接反映了用户对各个与历史服装品牌所对应的服装品牌的喜好和需求。由此获得的目标品牌数据精准的反映了用户的喜好和需求,大大提高了服装品牌定位推荐的准确性。
进一步地,基于本发明基于知识图谱的服装品牌定位推荐方法的第一或第二实施例,提出本发明基于知识图谱的服装品牌定位推荐方法第三实施例。
所述基于知识图谱的服装品牌定位推荐方法第三实施例与所述基于知识图谱的服装品牌定位推荐方法第一或第二实施例的区别在于,所述查找与所述服装知识图谱中各历史品牌数据分别对应的服装品牌数据的步骤之前包括:
步骤S50,接收品牌入库申请,并基于预设识别模型将所述品牌入库申请对应的品牌信息识别为品牌标签,以及将所述品牌标签和所述品牌信息以键值对存储,完成所述品牌入库申请对应服装品牌的入库;
本实施例中预先设置有服装品牌库,向用户推荐的服装品牌均存在于服装品牌库内。具体地,具有被推荐需求的服装品牌先发起品牌入库申请,推荐设备接收到品牌入库申请后,通过预先设置的预设识别模型将该品牌入库申请对应的品牌信息识别为品牌标签。其中,品牌信息为体现服装品牌特性的信息,可以包括与品牌相关的信息,如品牌名称、品牌设计师、品牌工作室等,还可以包括与服装本身相关的信息,如服装材质、服装款式、服装风格、服装特殊元素等;品牌标签则为体现服装品牌特性的标识,如标识V1体现品牌的名称,标识V2体现服装的材质为聚酯纤维等。在识别出各类品牌信息对应的品牌标签后,将品牌信息与各自对应的品牌标签以键值对的形式存储,完成品牌入库申请对应服装品牌的入库操作。具体来说,请参照图3,所述基于预设识别模型将所述品牌入库申请对应的品牌信息识别为品牌标签,以及将所述品牌标签和所述品牌信息以键值对存储的步骤包括:
步骤S51,基于所述预设识别模型提取所述品牌入库申请携带的品牌样式和品牌关键词,并对所述品牌样式进行识别,获得样式关键词与所述品牌关键词一并生成为品牌信息;
步骤S52,基于所述预设识别模型计算每一所述品牌信息与各预设标签之间的匹配度值;
步骤S53,将每一所述品牌信息对应的各匹配度值进行比对,确定最大匹配度值,并将所述最大匹配度值对应的预设标签作为品牌信息对应的品牌标签,以及将所述品牌标签和所述品牌信息分别作为键和值形成键值对存储。
进一步地,通过预设识别模型对品牌入库申请发起时上传的品牌样式和设置的品牌关键词进行提取,其中,品牌样式可以是体现服装整体形态的图样,品牌关键词则可以是体现服装品牌特性的关键词,如名称关键词、材质关键词、款式关键词等。预设识别模型预先经大量由服装样式和关键词形成的训练样本训练,可对服装品牌样式进行准确识别。即可通过预设识别模型识别品牌样式,获得体现样式特性的样式关键词,如泡泡袖、大翻领、百褶等。进而将样式关键词和品牌关键词一并形成为品牌信息,用以全面体现服装特性和品牌特性。
更进一步地,预先设置有体现服装品牌特性的各种预设标签,可通过预设识别模型计算品牌信息与各预设标签之间的匹配度值,实现将品牌信息识别为品牌标签,计算公式可参见下式(4):
每一申请入库的服装品牌均携带有多项品牌信息,每一项品牌信息均经上式计算,获得每一品牌信息与各个预设标签之间的匹配度值。为了表征各匹配度值的高低,将计算的各匹配度值比对,确定其中数值最大的匹配度值,进而查找该最大匹配度值所对应的预设标签。该预设标签与当前计算的品牌信息最为匹配,最能体现该项品牌信息的特性,故将该预设标签作为该项品牌信息对应的品牌标签。如此获得每项品牌信息各自对应的品牌标签,并将每项品牌信息作为键值对中的值,而将每项品牌信息对应的品牌标签作为键值对中的键,形成多对键值对存储。通过键值对的形式存储品牌标签和品牌信息,有利于快速查询,从而可快速查询到与服装知识图谱中各历史品牌数据对应的服装品牌数据。具体来说,所述查找与所述服装知识图谱中各历史品牌数据分别对应的服装品牌数据的步骤包括:
步骤S21,分析各所述历史品牌数据的特性关键词,所述特性关键词包括款式,以及风格、面料、适用人群、价位、设计师、工作室中的至少一项;
步骤S22,基于各所述历史品牌数据的特性关键词和库中服装品牌的品牌标签,查找库中是否存在包含所述历史品牌数据的特性关键词的服装品牌,若包含则将查找的服装品牌作为与所述历史品牌数据对应的服装品牌数据。
进一步地,在针对服装知识图谱中各历史品牌数据进行查找时,对每一历史品牌数据的特性关键词进行分析,得到款式特性关键词,以及风格、面料、适用人群、价位、设计师、工作室等特性关键词中的至少一项。进而将每一历史品牌数据至少包含的两项特性关键词与库中各服装品牌的品牌标签与比对,查找是否存在与特性关键词匹配的品牌标签,若存在则说明库中存在包含该历史品牌数据的特性关键词的服装品牌,该存在的服装品牌与该历史品牌数据之间具有相似的品牌特性,除了款式相同外,还在品牌、面料、风格、或设计师等方面存在相同之处。
更进一步地,将查找的该服装品牌作为与历史品牌数据对应的服装品牌数据,如此查找得到大量与历史品牌数据对应的服装品牌数据,以避免遗漏的方式完成服装品牌数据的初步筛选,便于后续形成品牌数据矩阵,精准的筛选出目标品牌数据进行推荐。需要说明的是,为了避免后续形成的品牌数据矩阵包含大量无用数据而影响计算效率,可通过设置更多个标签或更多特定标签的查找机制来提高初步筛选的准确性。例如,设置除款式外,还将包含历史品牌数据的2项,或3项,或4项特性关键词的服装品牌作为与历史品牌数据对应的服装品牌数据,或者设置服装品牌包含历史品牌数据的4项特性关键词,且1项特性关键词为款式外,还有1项为品牌名称等。如此,在精准性和计算效率之间平衡,实现精准且快速的查找出目标品牌数据进行推荐。
本实施例针对具有入库需求的服装品牌,计算其品牌信息与预设标签之间的匹配度值,以准确的将服装品牌的品牌信息转换为品牌标签,并将品牌信息和品牌标签以键值对的形式存储,便于后续快速查找到与服装知识图谱中历史品牌数据对应的服装品牌数据,实现服装品牌快速且精准的推荐。
此外,本发明实施例还提供一种基于知识图谱的服装品牌定位推荐设备。参照图4,图4为本发明基于知识图谱的服装品牌定位推荐设备实施例方案涉及的设备硬件运行环境的结构示意图。
如图4所示,该基于知识图谱的服装品牌定位推荐设备可以包括:处理器1001,例如CPU,通信总线1002、用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器,也可以是稳定的存储器(non-volatile memory),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储设备。
本领域技术人员可以理解,图4中示出的基于知识图谱的服装品牌定位推荐设备的硬件结构并不构成对基于知识图谱的服装品牌定位推荐设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图4所示,作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及控制程序。其中,操作系统是管理和控制基于知识图谱的服装品牌定位推荐设备与软件资源的程序,支持网络通信模块、用户接口模块、控制程序以及其他程序或软件的运行;网络通信模块用于管理和控制网络接口1004;用户接口模块用于管理和控制用户接口1003。
在图4所示的基于知识图谱的服装品牌定位推荐设备硬件结构中,网络接口1004主要用于连接后台服务器,与后台服务器进行数据通信;用户接口1003主要用于连接客户端(用户端),与客户端进行数据通信;处理器1001可以调用存储器1005中存储的控制程序,并执行以下操作:
获取用户在多个平台的服装行为数据,并基于所述服装行为数据,构建服装知识图谱,其中所述服装行为数据至少包括购买数据、浏览数据、收藏数据和搜索数据中的任一项;
查找与所述服装知识图谱中各历史品牌数据分别对应的服装品牌数据,并将各所述历史品牌数据及其对应的服装品牌数据形成为品牌数据矩阵;
基于所述服装知识图谱中各历史品牌数据对应的行为数据,生成与所述品牌数据矩阵对应的行为系数组;
基于所述行为系数组,计算所述品牌数据矩阵中每一服装品牌数据的匹配度数据,并基于各所述匹配度数据,从各所述服装品牌数据中筛选出目标品牌数据进行推荐。
进一步地,所述基于所述行为系数组,计算所述品牌数据矩阵中每一服装品牌数据的匹配度数据的步骤包括:
获取所述品牌数据矩阵中每个列标题的历史特性向量,以及每个数据列对应的服装特性向量,并针对每一历史特性向量执行以下步骤:
从所述行为系数组中查找与所述历史特征向量对应的行为系数,并基于所述行为系数,所述历史特性向量,以及服装特性向量进行计算,获得匹配度数据,计算公式为:
其中,Sij为第j列历史特性向量对应的第i个匹配度数据,Aj为第j列的历史特性向量,Bij为第j列历史特性向量对应的第i个服装特性向量,Kij为与第j列历史特性向量对应的行为系数;
在各所述历史特性向量均进行计算后,获得所述品牌数据矩阵中每一服装品牌数据对应的匹配度数据。
进一步地,所述基于各所述匹配度数据,从各所述服装品牌数据中筛选出目标品牌数据进行推荐的步骤包括:
根据各所述匹配度数据,确定与所述品牌数据矩阵中每个列标题分别对应的最大匹配度数据;
获取与各所述历史品牌数据分别对应的评论数据、正向评论数据和负向评论数据;
根据与各所述历史品牌数据分别对应的评论数据、正向评论数据和负向评论数据,对每个列标题分别对应的最大匹配度数据进行修正计算,获得修正数据,修正计算公式为:
在各所述修正数据之间进行比对,获得所述目标品牌数据进行推荐。
进一步地,所述获取与各所述历史品牌数据分别对应的评论数据、正向评论数据和负向评论数据的步骤包括:
逐一判断所述历史品牌数据是否存在对应的评论信息,若存在评论信息,则对各所述评论信息的项数进行统计,获得与每一所述历史品牌数据对应的评论数据;
将各所述评论信息传输到预设词语映射函数,并基于预设词语映射函数对应的正向词语库和负向词语库,对各所述评论信息中的正向词语和负向词语进行分词统计,获得所述正向评论数据和负向评论数据,分词统计表达式为:
进一步地,所述在各所述修正数据之间进行比对,获得所述目标品牌数据进行推荐的步骤之前,处理器1001可以调用存储器1005中存储的控制程序,并执行以下操作:
获取用户基础数据,所述用户基础数据至少包括居住城市、用户性别、工作行业、薪资及家庭人口数;
获取与所述用户基础数据对应的其他用户信息,并基于所述其他用户信息获取参考品牌数据;
基于所述参考品牌数据对各所述修正数据进行更新。
进一步地,所述基于各所述匹配度数据,从各所述服装品牌数据中筛选出目标品牌数据进行推荐的步骤之后,处理器1001可以调用存储器1005中存储的控制程序,并执行以下操作:
每间隔预设周期,获取用户与推荐的所述目标品牌数据所对应的态度数据,并根据所述态度数据更新所述服装行为数据,以根据更新的所述服装行为数据构建新的服装知识图谱;
生成与所述态度数据对应的态度系数,并在基于新的所述服装知识图谱计算匹配度数据后,用所述态度数据修正所述匹配度数据。
进一步地,所述查找与所述服装知识图谱中各历史品牌数据分别对应的服装品牌数据的步骤之前,处理器1001可以调用存储器1005中存储的控制程序,并执行以下操作:
接收品牌入库申请,并基于预设识别模型将所述品牌入库申请对应的品牌信息识别为品牌标签,以及将所述品牌标签和所述品牌信息以键值对存储,完成所述品牌入库申请对应服装品牌的入库;
所述查找与所述服装知识图谱中各历史品牌数据分别对应的服装品牌数据的步骤包括:
分析各所述历史品牌数据的特性关键词,所述特性关键词包括款式,以及风格、面料、适用人群、价位、设计师、工作室中的至少一项;
基于各所述历史品牌数据的特性关键词和库中服装品牌的品牌标签,查找库中是否存在包含所述历史品牌数据的特性关键词的服装品牌,若包含则将查找的服装品牌作为与所述历史品牌数据对应的服装品牌数据。
进一步地,所述基于预设识别模型将所述品牌入库申请对应的品牌信息识别为品牌标签,以及将所述品牌标签和所述品牌信息以键值对存储的步骤包括:
基于所述预设识别模型提取所述品牌入库申请携带的品牌样式和品牌关键词,并对所述品牌样式进行识别,获得样式关键词与所述品牌关键词一并生成为品牌信息;
基于所述预设识别模型计算每一所述品牌信息与各预设标签之间的匹配度值,计算公式为:
将每一所述品牌信息对应的各匹配度值进行比对,确定最大匹配度值,并将所述最大匹配度值对应的预设标签作为品牌信息对应的品牌标签,以及将所述品牌标签和所述品牌信息分别作为键和值形成键值对存储。
本发明基于知识图谱的服装品牌定位推荐设备的具体实施方式与上述基于知识图谱的服装品牌定位推荐方法各实施例基本相同,在此不再赘述。
本发明实施例还提出一种存储介质。所述存储介质上存储有控制程序,所述控制程序被处理器执行时实现如上所述基于知识图谱的服装品牌定位推荐方法的步骤。
本发明存储介质可以为计算机存储介质,其具体实施方式与上述基于知识图谱的服装品牌定位推荐方法各实施例基本相同,在此不再赘述。
上面结合附图对本发明的实施例进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可做出很多形式,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,这些均属于本发明的保护之内。
Claims (10)
1.一种基于知识图谱的服装品牌定位推荐方法,其特征在于,所述方法包括:
获取用户在多个平台的服装行为数据,并基于所述服装行为数据,构建服装知识图谱,其中所述服装行为数据至少包括购买数据、浏览数据、收藏数据和搜索数据中的任一项;
查找与所述服装知识图谱中各历史品牌数据分别对应的服装品牌数据,并将各所述历史品牌数据及其对应的服装品牌数据形成为品牌数据矩阵;
基于所述服装知识图谱中各历史品牌数据对应的行为数据,生成与所述品牌数据矩阵对应的行为系数组;
基于所述行为系数组,计算所述品牌数据矩阵中每一服装品牌数据的匹配度数据,并基于各所述匹配度数据,从各所述服装品牌数据中筛选出目标品牌数据进行推荐。
2.如权利要求1所述的方法,其特征在于,所述基于所述行为系数组,计算所述品牌数据矩阵中每一服装品牌数据的匹配度数据的步骤包括:
获取所述品牌数据矩阵中每个列标题的历史特性向量,以及每个数据列对应的服装特性向量,并针对每一历史特性向量执行以下步骤:
从所述行为系数组中查找与所述历史特征向量对应的行为系数,并基于所述行为系数,所述历史特性向量,以及服装特性向量进行计算,获得匹配度数据,计算公式为:
其中,Sij为第j列历史特性向量对应的第i个匹配度数据,Aj为第j列的历史特性向量,Bij为第j列历史特性向量对应的第i个服装特性向量,Kij为与第j列历史特性向量对应的行为系数;
在各所述历史特性向量均进行计算后,获得所述品牌数据矩阵中每一服装品牌数据对应的匹配度数据。
3.如权利要求1所述的方法,其特征在于,所述基于各所述匹配度数据,从各所述服装品牌数据中筛选出目标品牌数据进行推荐的步骤包括:
根据各所述匹配度数据,确定与所述品牌数据矩阵中每个列标题分别对应的最大匹配度数据;
获取与各所述历史品牌数据分别对应的评论数据、正向评论数据和负向评论数据;
根据与各所述历史品牌数据分别对应的评论数据、正向评论数据和负向评论数据,对每个列标题分别对应的最大匹配度数据进行修正计算,获得修正数据,修正计算公式为:
在各所述修正数据之间进行比对,获得所述目标品牌数据进行推荐。
5.如权利要求3所述的方法,其特征在于,所述在各所述修正数据之间进行比对,获得所述目标品牌数据进行推荐的步骤之前包括:
获取用户基础数据,所述用户基础数据至少包括居住城市、用户性别、工作行业、薪资及家庭人口数;
获取与所述用户基础数据对应的其他用户信息,并基于所述其他用户信息获取参考品牌数据;
基于所述参考品牌数据对各所述修正数据进行更新。
6.如权利要求1-5任一项所述的方法,其特征在于,所述基于各所述匹配度数据,从各所述服装品牌数据中筛选出目标品牌数据进行推荐的步骤之后包括:
每间隔预设周期,获取用户与推荐的所述目标品牌数据所对应的态度数据,并根据所述态度数据更新所述服装行为数据,以根据更新的所述服装行为数据构建新的服装知识图谱;
生成与所述态度数据对应的态度系数,并在基于新的所述服装知识图谱计算匹配度数据后,用所述态度数据修正所述匹配度数据。
7.如权利要求1-5任一项所述的方法,其特征在于,所述查找与所述服装知识图谱中各历史品牌数据分别对应的服装品牌数据的步骤之前包括:
接收品牌入库申请,并基于预设识别模型将所述品牌入库申请对应的品牌信息识别为品牌标签,以及将所述品牌标签和所述品牌信息以键值对存储,完成所述品牌入库申请对应服装品牌的入库;
所述查找与所述服装知识图谱中各历史品牌数据分别对应的服装品牌数据的步骤包括:
分析各所述历史品牌数据的特性关键词,所述特性关键词包括款式,以及风格、面料、适用人群、价位、设计师、工作室中的至少一项;
基于各所述历史品牌数据的特性关键词和库中服装品牌的品牌标签,查找库中是否存在包含所述历史品牌数据的特性关键词的服装品牌,若包含则将查找的服装品牌作为与所述历史品牌数据对应的服装品牌数据。
8.如权利要求7所述的方法,其特征在于,所述基于预设识别模型将所述品牌入库申请对应的品牌信息识别为品牌标签,以及将所述品牌标签和所述品牌信息以键值对存储的步骤包括:
基于所述预设识别模型提取所述品牌入库申请携带的品牌样式和品牌关键词,并对所述品牌样式进行识别,获得样式关键词与所述品牌关键词一并生成为品牌信息;
基于所述预设识别模型计算每一所述品牌信息与各预设标签之间的匹配度值,计算公式为:
将每一所述品牌信息对应的各匹配度值进行比对,确定最大匹配度值,并将所述最大匹配度值对应的预设标签作为品牌信息对应的品牌标签,以及将所述品牌标签和所述品牌信息分别作为键和值形成键值对存储。
9.一种基于知识图谱的服装品牌定位推荐设备,其特征在于,所述基于知识图谱的服装品牌定位推荐设备包括:存储器、处理器、通信总线以及存储在所述存储器上的控制程序:
所述通信总线用于实现处理器和存储器之间的连接通信;
所述处理器用于执行所述控制程序,以实现如权利要求1-8中任一项所述的基于知识图谱的服装品牌定位推荐方法的步骤。
10.一种存储介质,其特征在于,所述存储介质上存储有控制程序,所述控制程序被处理器执行时实现如权利要求1-8任一项所述的基于知识图谱的服装品牌定位推荐方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310554047.1A CN116308683B (zh) | 2023-05-17 | 2023-05-17 | 基于知识图谱的服装品牌定位推荐方法、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310554047.1A CN116308683B (zh) | 2023-05-17 | 2023-05-17 | 基于知识图谱的服装品牌定位推荐方法、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116308683A true CN116308683A (zh) | 2023-06-23 |
CN116308683B CN116308683B (zh) | 2023-08-04 |
Family
ID=86827221
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310554047.1A Active CN116308683B (zh) | 2023-05-17 | 2023-05-17 | 基于知识图谱的服装品牌定位推荐方法、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116308683B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116703530A (zh) * | 2023-08-02 | 2023-09-05 | 中国标准化研究院 | 一种基于知识图谱的服装推荐系统 |
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106909663A (zh) * | 2017-02-27 | 2017-06-30 | 杭州泰指尚科技有限公司 | 基于标签用户品牌偏好行为预测方法及其装置 |
WO2018099275A1 (zh) * | 2016-11-29 | 2018-06-07 | 阿里巴巴集团控股有限公司 | 一种业务对象属性标识的生成方法、装置和系统 |
CN111260428A (zh) * | 2018-12-03 | 2020-06-09 | 北京京东尚科信息技术有限公司 | 一种商品推荐方法和装置 |
CN111369318A (zh) * | 2020-02-28 | 2020-07-03 | 安徽农业大学 | 一种基于商品知识图谱特征学习的推荐方法及系统 |
US20200301982A1 (en) * | 2016-03-15 | 2020-09-24 | Beijing Jingdong Shangke Information Technology Co., Ltd. | Similarity mining method and device |
CN112749272A (zh) * | 2021-01-19 | 2021-05-04 | 国家电网有限公司 | 面向非结构化数据的新能源规划性文本智能推荐方法 |
CN113362123A (zh) * | 2020-03-02 | 2021-09-07 | 北京沃东天骏信息技术有限公司 | 物品推荐系统、物品推荐的方法、计算机系统和介质 |
US20220076320A1 (en) * | 2020-11-22 | 2022-03-10 | Beijing Baidu Netcom Science Technology Co., Ltd. | Content recommendation method, device, and storage medium |
CN114443958A (zh) * | 2022-01-26 | 2022-05-06 | 上海易康源医疗健康科技有限公司 | 一种推荐方法、推荐系统及推荐系统训练方法 |
WO2022095701A1 (zh) * | 2020-11-04 | 2022-05-12 | 北京沃东天骏信息技术有限公司 | 一种对象推荐方法及装置、设备、存储介质 |
CN114663194A (zh) * | 2022-04-06 | 2022-06-24 | 未鲲(上海)科技服务有限公司 | 产品信息推荐方法、装置、计算机设备及存储介质 |
US20220207587A1 (en) * | 2020-12-30 | 2022-06-30 | Beijing Wodong Tianjun Information Technology Co., Ltd. | System and method for product recommendation based on multimodal fashion knowledge graph |
CN114723528A (zh) * | 2022-04-11 | 2022-07-08 | 青岛文达通科技股份有限公司 | 基于知识图谱的商品个性化推荐方法及系统 |
WO2022156530A1 (zh) * | 2021-01-21 | 2022-07-28 | 北京电解智科技有限公司 | 商品推荐方法和装置 |
WO2022222037A1 (zh) * | 2021-04-20 | 2022-10-27 | 中国科学院深圳先进技术研究院 | 一种基于图神经网络推理的可解释推荐方法 |
CN115618108A (zh) * | 2022-10-24 | 2023-01-17 | 云南中烟工业有限责任公司 | 新零售模式下基于知识图谱的卷烟品牌推荐方法 |
WO2023018379A2 (zh) * | 2021-08-12 | 2023-02-16 | 脸萌有限公司 | 知识图谱构建方法、装置、存储介质及电子设备 |
CN115809926A (zh) * | 2023-01-06 | 2023-03-17 | 深圳自在必得科技有限公司 | 汇聚多种分销渠道联盟资源的创新联盟分销合作交易平台 |
-
2023
- 2023-05-17 CN CN202310554047.1A patent/CN116308683B/zh active Active
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200301982A1 (en) * | 2016-03-15 | 2020-09-24 | Beijing Jingdong Shangke Information Technology Co., Ltd. | Similarity mining method and device |
WO2018099275A1 (zh) * | 2016-11-29 | 2018-06-07 | 阿里巴巴集团控股有限公司 | 一种业务对象属性标识的生成方法、装置和系统 |
CN106909663A (zh) * | 2017-02-27 | 2017-06-30 | 杭州泰指尚科技有限公司 | 基于标签用户品牌偏好行为预测方法及其装置 |
CN111260428A (zh) * | 2018-12-03 | 2020-06-09 | 北京京东尚科信息技术有限公司 | 一种商品推荐方法和装置 |
CN111369318A (zh) * | 2020-02-28 | 2020-07-03 | 安徽农业大学 | 一种基于商品知识图谱特征学习的推荐方法及系统 |
CN113362123A (zh) * | 2020-03-02 | 2021-09-07 | 北京沃东天骏信息技术有限公司 | 物品推荐系统、物品推荐的方法、计算机系统和介质 |
WO2022095701A1 (zh) * | 2020-11-04 | 2022-05-12 | 北京沃东天骏信息技术有限公司 | 一种对象推荐方法及装置、设备、存储介质 |
US20220076320A1 (en) * | 2020-11-22 | 2022-03-10 | Beijing Baidu Netcom Science Technology Co., Ltd. | Content recommendation method, device, and storage medium |
US20220207587A1 (en) * | 2020-12-30 | 2022-06-30 | Beijing Wodong Tianjun Information Technology Co., Ltd. | System and method for product recommendation based on multimodal fashion knowledge graph |
CN112749272A (zh) * | 2021-01-19 | 2021-05-04 | 国家电网有限公司 | 面向非结构化数据的新能源规划性文本智能推荐方法 |
WO2022156530A1 (zh) * | 2021-01-21 | 2022-07-28 | 北京电解智科技有限公司 | 商品推荐方法和装置 |
WO2022222037A1 (zh) * | 2021-04-20 | 2022-10-27 | 中国科学院深圳先进技术研究院 | 一种基于图神经网络推理的可解释推荐方法 |
WO2023018379A2 (zh) * | 2021-08-12 | 2023-02-16 | 脸萌有限公司 | 知识图谱构建方法、装置、存储介质及电子设备 |
CN114443958A (zh) * | 2022-01-26 | 2022-05-06 | 上海易康源医疗健康科技有限公司 | 一种推荐方法、推荐系统及推荐系统训练方法 |
CN114663194A (zh) * | 2022-04-06 | 2022-06-24 | 未鲲(上海)科技服务有限公司 | 产品信息推荐方法、装置、计算机设备及存储介质 |
CN114723528A (zh) * | 2022-04-11 | 2022-07-08 | 青岛文达通科技股份有限公司 | 基于知识图谱的商品个性化推荐方法及系统 |
CN115618108A (zh) * | 2022-10-24 | 2023-01-17 | 云南中烟工业有限责任公司 | 新零售模式下基于知识图谱的卷烟品牌推荐方法 |
CN115809926A (zh) * | 2023-01-06 | 2023-03-17 | 深圳自在必得科技有限公司 | 汇聚多种分销渠道联盟资源的创新联盟分销合作交易平台 |
Non-Patent Citations (2)
Title |
---|
汤伟韬;余敦辉;魏世伟;: "融合知识图谱与用户评论的商品推荐算法", 计算机工程, no. 08 * |
韩慧;: "基于知识图谱的商品推荐系统", 信息通信, no. 06 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116703530A (zh) * | 2023-08-02 | 2023-09-05 | 中国标准化研究院 | 一种基于知识图谱的服装推荐系统 |
CN116703530B (zh) * | 2023-08-02 | 2023-10-31 | 中国标准化研究院 | 一种基于知识图谱的服装推荐系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116308683B (zh) | 2023-08-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107220365B (zh) | 基于协同过滤与关联规则并行处理的精准推荐系统及方法 | |
US20180218435A1 (en) | Systems and methods for customizing search results and recommendations | |
CN102053983B (zh) | 一种垂直搜索的查询方法、系统和装置 | |
US8655737B1 (en) | Brand name synonymy | |
CN112785397A (zh) | 一种产品推荐方法、装置及存储介质 | |
CN108665333A (zh) | 商品推荐方法、装置、电子设备和存储介质 | |
US10860883B2 (en) | Using images and image metadata to locate resources | |
Al-Lohibi et al. | Awjedni: a reverse-image-search application | |
CN111860575B (zh) | 物品属性信息的处理方法、装置、电子设备和存储介质 | |
US11238515B1 (en) | Systems and method for visual search with attribute manipulation | |
CN111339406B (zh) | 个性化推荐方法、装置、设备及存储介质 | |
CN113032668A (zh) | 基于用户画像的产品推荐方法、装置、设备及存储介质 | |
CN116308683B (zh) | 基于知识图谱的服装品牌定位推荐方法、设备及存储介质 | |
CN112132660B (zh) | 商品推荐方法、系统、设备及存储介质 | |
CN114896517A (zh) | 一种商品推荐方法、系统、设备及存储介质 | |
US10832305B1 (en) | System and method for image processing and searching for classification in a product database | |
CN116823410B (zh) | 数据处理方法、对象处理方法、推荐方法及计算设备 | |
KR102358775B1 (ko) | 패션 상품 추천 방법, 장치 및 컴퓨터 프로그램 | |
KR20210131198A (ko) | 추천 상품 광고 방법, 장치 및 컴퓨터 프로그램 | |
CN111523315B (zh) | 数据处理方法、文本识别方法、装置及计算机设备 | |
CN116186413A (zh) | 一种用于多模态特征推荐的方法和系统 | |
CN109146606B (zh) | 一种品牌推荐方法、电子设备、存储介质及系统 | |
CN111651456B (zh) | 潜在用户确定方法、业务推送方法及装置 | |
CN114429384A (zh) | 基于电商平台的产品智能推荐方法及系统 | |
CN110648206A (zh) | 商品属性识别方法、装置、电子设备及可读存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |