CN116308704A - 产品推荐方法、装置、电子设备、介质和计算机程序产品 - Google Patents

产品推荐方法、装置、电子设备、介质和计算机程序产品 Download PDF

Info

Publication number
CN116308704A
CN116308704A CN202310232450.2A CN202310232450A CN116308704A CN 116308704 A CN116308704 A CN 116308704A CN 202310232450 A CN202310232450 A CN 202310232450A CN 116308704 A CN116308704 A CN 116308704A
Authority
CN
China
Prior art keywords
product
products
similarity
evaluation data
scores
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
CN202310232450.2A
Other languages
English (en)
Inventor
吴天宇
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.)
Industrial and Commercial Bank of China Ltd ICBC
Original Assignee
Industrial and Commercial Bank of China Ltd ICBC
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 Industrial and Commercial Bank of China Ltd ICBC filed Critical Industrial and Commercial Bank of China Ltd ICBC
Priority to CN202310232450.2A priority Critical patent/CN116308704A/zh
Publication of CN116308704A publication Critical patent/CN116308704A/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
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • 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
    • G06F16/33—Querying
    • G06F16/3331—Query processing
    • G06F16/334—Query execution
    • G06F16/3346—Query execution using probabilistic model
    • 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
    • G06F16/33—Querying
    • G06F16/335—Filtering based on additional data, e.g. user or group profiles
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Computational Linguistics (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Technology Law (AREA)
  • Strategic Management (AREA)
  • Probability & Statistics with Applications (AREA)
  • Marketing (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Accounting & Taxation (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本公开提供了一种产品推荐方法、装置、电子设备、介质和计算机程序产品。上述方法和装置可用于人工智能技术领域。产品推荐方法包括：获取m个产品中每个产品的nr条评价数据，其中，每条所述评价数据包括产品评论和产品评分，其中，m和nr均为大于等于1的整数，r为大于等于1且小于等于m的整数；根据每个所述产品的所述nr条评价数据的产品评论和产品评分计算所述m个产品中每两个产品之间的综合相似度；根据所述综合相似度，预测每个所述产品的预估分值；以及按照所述预估分值的排序生成产品推荐列表。

Description

产品推荐方法、装置、电子设备、介质和计算机程序产品
技术领域
本公开涉及人工智能技术领域，更具体地，涉及一种产品推荐方法、装置、电子设备、介质和计算机程序产品。
背景技术
随着金融产品种类的丰富，用户的选择也在不断增多，伴随着用户选择每天都会有成千上万条用户反馈信息产生。金融公司利用自身技术手段，充分地利用这些反馈数据，产出有价值的信息，并分析得出具有用户参考价值的数据，即产品推荐数据，拥有优质的产品推荐数据能为用户带来更优质的服务，已经成为各家金融公司的核心竞争力。为了向用户推荐其可能感兴趣的产品，现有技术利用用户评分、点赞以及收藏行为数据进行推荐，用户评分、点赞以及收藏行为数据包含信息反映用户真实兴趣能力有限，无法挖掘用户真实产品爱好，导致产品推荐的质量较低。
发明内容
有鉴于此，本公开提供了一种产品推荐质量较高的产品推荐方法、装置、电子设备、计算机可读存储介质和计算机程序产品。
本公开的一个方面提供了一种产品推荐方法，包括：获取m个产品中每个产品的nr条评价数据，其中，每条所述评价数据包括产品评论和产品评分，其中，m和nr均为大于等于1的整数，r为大于等于1且小于等于m的整数；根据每个所述产品的所述nr条评价数据的产品评论和产品评分计算所述m个产品中每两个产品之间的综合相似度；根据所述综合相似度，预测每个所述产品的预估分值；以及按照所述预估分值的排序生成产品推荐列表。
根据本公开实施例的产品推荐方法，通过根据每个产品的nr条评价数据的产品评论和产品评分计算m个产品中每两个产品之间的综合相似度；根据综合相似度，预测被推荐用户对每个产品的预估分值；从而按照预估分值的排序生成产品推荐列表。由于本公开的产品推荐方法结合了产品评论和产品评分进行综合考量，更能够反映用户的真实兴趣，可以便于挖掘出用户的真实爱好产品，使得产品推荐质量较高。
在一些实施例中，所述根据每个所述产品的所述nr条评价数据的产品评论和产品评分计算所述m个产品中每两个产品之间的综合相似度，包括：根据每个所述产品的所述nr条评价数据的产品评论和产品评分计算所述m个产品中每两个产品之间的评论相似度；根据每个所述产品的所述nr条评价数据的产品评分计算所述m个产品中每两个产品之间的评分相似度；以及对所述评论相似度和所述评分相似度加权求和，得到所述综合相似度。
在一些实施例中，所述根据每个所述产品的所述nr条评价数据的产品评论和产品评分计算所述m个产品中每两个产品之间的评论相似度，包括：对每个所述产品的所述nr条评价数据的产品评论进行整合，得到每个所述产品的评论文档；对所述评论文档进行分词，得到分词结果；根据每个所述产品的所述分词结果和该产品的所述nr条评价数据的产品评分计算所述m个产品中每两个产品之间的喜爱相似度；根据每个所述产品的所述分词结果和该产品的所述nr条评价数据的产品评分计算所述m个产品中每两个产品之间的厌恶相似度；以及根据所述喜爱相似度和所述厌恶相似度计算所述m个产品中每两个产品之间的评论相似度。
在一些实施例中，所述分词结果为分词的词向量的集合，所述根据每个所述产品的所述分词结果和该产品的所述nr条评价数据的产品评分计算所述m个产品中每两个产品之间的喜爱相似度，包括：根据每个所述产品的所述分词结果计算所述评论文档中的k个主题内容的概率分布向量，其中，k为大于等于1的整数；根据所述概率分布向量和该产品的所述nr条评价数据的产品评分计算该产品的喜爱分布值；以及计算所述m个产品中每两个产品的所述喜爱分布值的余弦值，得到所述m个产品中每两个产品之间的喜爱相似度。
在一些实施例中，所述分词结果为分词的词向量的集合，所述根据每个所述产品的所述分词结果和该产品的所述nr条评价数据的产品评分计算所述m个产品中每两个产品之间的厌恶相似度，包括：根据每个所述产品的所述分词结果计算所述评论文档中的k个主题内容的概率分布向量，其中，k为大于等于1的整数；根据所述概率分布向量和该产品的所述nr条评价数据的产品评分计算该产品的厌恶分布值；以及计算所述m个产品中每两个产品的所述厌恶分布值的余弦值，得到所述m个产品中每两个产品之间的厌恶相似度。
在一些实施例中，所述根据所述综合相似度，预测被推荐用户对每个所述产品的预估分值，包括：根据与每个所述产品对应的所述综合相似度的排名，确定与该产品相似的前g个邻近产品，其中，g为大于等于1的整数；以及根据每个产品与所述g个邻近产品中每个邻近产品的评分相似度、该产品的所述nr条评价数据的产品评分和所述g个邻近产品中每个邻近产品的所述nr条评价数据的产品评分，预测被推荐用户对每个所述产品的预估分值。
在一些实施例中，所述按照所述预估分值的排序生成产品推荐列表，包括：将所述预估分值按照从大到小排序，取排名前v个预估分值对应的产品作为产品推荐列表中排名前v的产品，其中，v为大于等于1的整数。
本公开的另一个方面提供了一种产品推荐装置，包括：获取模块，所述获取模块用于执行获取m个产品中每个产品的nr条评价数据，其中，每条所述评价数据包括评价用户的地址、产品评论和产品评分，其中，m和nr均为大于等于1的整数，r为大于等于1且小于等于m的整数；计算模块，所述计算模块用于执行根据每个所述产品的所述nr条评价数据的产品评论和产品评分计算所述m个产品中每两个产品之间的综合相似度；预测模块，所述预测模块用于执行根据所述综合相似度，预测每个所述产品的预估分值；以及生成模块，所述生成模块用于执行按照所述预估分值的排序生成产品推荐列表。
本公开的另一方面提供了一种电子设备，包括一个或多个处理器以及一个或多个存储器，其中，所述存储器用于存储可执行指令，所述可执行指令在被所述处理器执行时，实现如上所述方法。
本公开的另一方面提供了一种计算机可读存储介质，存储有计算机可执行指令，所述指令在被执行时用于实现如上所述的方法。
本公开的另一方面提供了一种计算机程序产品，包括计算机程序，所述计算机程序包括计算机可执行指令，所述指令在被执行时用于实现如上所述的方法。
附图说明
通过以下参照附图对本公开实施例的描述，本公开的上述以及其他目的、特征和优点将更为清楚，在附图中：
图1示意性示出了根据本公开实施例的可以应用方法、装置的示例性系统架构；
图2示意性示出了根据本公开实施例的产品推荐方法的流程图；
图3示意性示出了根据本公开实施例的根据每个产品的nr条评价数据的产品评论和产品评分计算m个产品中每两个产品之间的综合相似度的流程图；
图4示意性示出了根据本公开实施例的根据每个产品的nr条评价数据的产品评论和产品评分计算m个产品中每两个产品之间的评论相似度的流程图；
图5示意性示出了根据本公开实施例的根据每个产品的分词结果和该产品的nr条评价数据的产品评分计算m个产品中每两个产品之间的喜爱相似度的流程图；
图6示意性示出了根据本公开实施例的根据每个产品的分词结果和该产品的nr条评价数据的产品评分计算m个产品中每两个产品之间的厌恶相似度的流程图；
图7示意性示出了根据本公开实施例的根据综合相似度，预测被推荐用户对每个产品的预估分值的流程图；
图8示意性示出了根据本公开实施例的按照预估分值的排序生成产品推荐列表的流程图；
图9示意性示出了根据本公开实施例的产品推荐装置的结构框图；
图10示意性示出了根据本公开实施例的电子设备的方框图。
具体实施方式
以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本公开的范围。在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本公开实施例的全面理解。然而，明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。
在本公开的技术方案中，所涉及的用户个人信息的获取，存储和应用等，均符合相关法律法规的规定，采取了必要保密措施，且不违背公序良俗。在本公开的技术方案中，对数据的获取、收集、存储、使用、加工、传输、提供、公开和应用等处理，均符合相关法律法规的规定，采取了必要保密措施，且不违背公序良俗。
在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在使用类似于“A、B或C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B或C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。
随着金融产品种类的丰富，用户的选择也在不断增多，伴随着用户选择每天都会有成千上万条用户反馈信息产生。金融公司利用自身技术手段，充分地利用这些反馈数据，产出有价值的信息，并分析得出具有用户参考价值的数据，即产品推荐数据，拥有优质的产品推荐数据能为用户带来更优质的服务，已经成为各家金融公司的核心竞争力。为了向用户推荐其可能感兴趣的产品，现有技术利用用户评分、点赞以及收藏行为数据进行推荐，用户评分、点赞以及收藏行为数据包含信息反映用户真实兴趣能力有限，无法挖掘用户真实产品爱好，导致产品推荐的质量较低。
本公开的实施例提供了一种产品推荐方法、装置、电子设备、计算机可读存储介质和计算机程序产品。产品推荐方法包括：获取m个产品中每个产品的nr条评价数据，其中，每条评价数据包括产品评论和产品评分，其中，m和nr均为大于等于1的整数，r为大于等于1且小于等于m的整数；根据每个产品的nr条评价数据的产品评论和产品评分计算m个产品中每两个产品之间的综合相似度；根据综合相似度，预测每个产品的预估分值；以及按照预估分值的排序生成产品推荐列表。
需要说明的是，本公开的产品推荐方法、装置、电子设备、计算机可读存储介质和计算机程序产品可用于人工智能技术领域，也可用于除人工智能技术领域之外的任意领域，例如金融领域，这里对本公开的领域不做限定。
图1示意性示出了根据本公开实施例的可以应用产品推荐方法、装置、电子设备、计算机可读存储介质和计算机程序产品的示例性系统架构100。需要注意的是，图1所示仅为可以应用本公开实施例的系统架构的示例，以帮助本领域技术人员理解本公开的技术内容，但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。
如图1所示，根据该实施例的系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器，例如对用户利用终端设备101、102、103所浏览的网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理，并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。
需要说明的是，本公开实施例所提供的产品推荐方法一般可以由服务器105执行。相应地，本公开实施例所提供的产品推荐装置一般可以设置于服务器105中。本公开实施例所提供的产品推荐方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地，本公开实施例所提供的产品推荐装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
以下将基于图1描述的场景，通过图2～图8对本公开实施例的产品推荐方法进行详细描述。
图2示意性示出了根据本公开实施例的产品推荐方法的流程图。
如图2所示，该实施例的产品推荐方法包括操作S210～操作S240。
在操作S210，获取m个产品中每个产品的nr条评价数据，其中，每条评价数据包括产品评论和产品评分，其中，m和nr均为大于等于1的整数，r为大于等于1且小于等于m的整数。
在操作S220，根据每个产品的nr条评价数据的产品评论和产品评分计算m个产品中每两个产品之间的综合相似度。
作为一种可能实现的方式，如图3所示，操作S220根据每个产品的nr条评价数据的产品评论和产品评分计算m个产品中每两个产品之间的综合相似度，包括操作S221～操作S223。
在操作S221，根据每个产品的nr条评价数据的产品评论和产品评分计算m个产品中每两个产品之间的评论相似度。
作为一种可实现的方式，如图4所示，操作S221根据每个产品的nr条评价数据的产品评论和产品评分计算m个产品中每两个产品之间的评论相似度，包括操作S2211～操作S2215。
在操作S2211，对每个产品的nr条评价数据的产品评论进行整合，得到每个产品的评论文档。
在操作S2212，对评论文档进行分词，得到分词结果。
在一些示例中，需要对m个产品中每个产品的nr条评价数据进行过滤，提取整合出产品的评论文档，一篇评论文档包括该产品所有评论信息，需要对评论文档进行分词、去除停用词以及去除无用符号等。分词是将连续的文字序列按照一定的规则重新组合成语义独立的词序列的过程，需要将一段长的字符串，比如一篇文章，一段话或者一句话，根据单词之间的空格作为分隔，分成多个单独的单词，方便后续的数据处理分析工作。进行分词可以把文本这种非结构化数据转化成结构化数据，从而便于计算机把难以处理的自然语言转化成计算机擅长处理的数学问题。
在操作S2213，根据每个产品的分词结果和该产品的nr条评价数据的产品评分计算m个产品中每两个产品之间的喜爱相似度。
在一些示例中，分词结果为分词的词向量的集合，如图5所示，操作S2213根据每个产品的分词结果和该产品的nr条评价数据的产品评分计算m个产品中每两个产品之间的喜爱相似度，包括操作S22131～操作S22133。
在操作S22131，根据每个产品的分词结果计算评论文档中的k个主题内容的概率分布向量，其中，k为大于等于1的整数。
例如，可以用词袋模型对分词进行处理，得到每个分词的词向量，将评论文档的所有词向量集合得到每个产品的分词结果，将分词结果输入LDA主题模型(文档生成模型)可以得到评论文档中的k个主题内容的概率分布向量，这里可以将概率分布向量记为fi。
在操作S22132，根据概率分布向量和该产品的nr条评价数据的产品评分计算该产品的喜爱分布值。
在一些示例中，将喜爱分布值记为P，可以根据公式(1)求得喜爱分布值。
Figure BDA0004120943890000091
其中，ri表示nr条评价数据中第i条评价数据的产品评分，Iu表示nr条评价数据的集合。
在操作S22133，计算m个产品中每两个产品的喜爱分布值的余弦值，得到m个产品中每两个产品之间的喜爱相似度。假设将每两个产品中的其中一个产品的喜爱分布值记为Pu，将每两个产品中的另外一个产品的喜爱分布值记为Pv，将喜爱相似度记为Psimu.v，根据公式(2)可以求得喜爱相似度。
Figure BDA0004120943890000092
由此，通过操作S22131～操作S22133可以便于实现根据每个产品的分词结果和该产品的nr条评价数据的产品评分计算m个产品中每两个产品之间的喜爱相似度。
在操作S2214，根据每个产品的分词结果和该产品的nr条评价数据的产品评分计算m个产品中每两个产品之间的厌恶相似度。
在一些示例中，分词结果为分词的词向量的集合，如图6所示，操作S2214根据每个产品的分词结果和该产品的nr条评价数据的产品评分计算m个产品中每两个产品之间的厌恶相似度，包括操作S22141～操作S22143。
在操作S22141，根据每个产品的分词结果计算评论文档中的k个主题内容的概率分布向量，其中，k为大于等于1的整数。
例如，可以用词袋模型对分词进行处理，得到每个分词的词向量，将评论文档的所有词向量集合得到每个产品的分词结果，将分词结果输入LDA主题模型(文档生成模型)可以得到评论文档中的k个主题内容的概率分布向量，这里可以将概率分布向量记为fi。
在操作S22142，根据概率分布向量和该产品的nr条评价数据的产品评分计算该产品的厌恶分布值。
在一些示例中，将厌恶分布值记为H，可以根据公式(3)求得厌恶分布值。
Figure BDA0004120943890000101
其中，ri表示nr条评价数据中第i条评价数据的产品评分，Iu表示nr条评价数据的集合。
在操作S22143，计算m个产品中每两个产品的厌恶分布值的余弦值，得到m个产品中每两个产品之间的厌恶相似度。假设将每两个产品中的其中一个产品的厌恶分布值记为Hu，将每两个产品中的另外一个产品的厌恶分布值记为Hv，将厌恶相似度记为Hsimu.v，根据公式(4)可以求得厌恶相似度。
Figure BDA0004120943890000102
由此，通过操作S22141～操作S22143可以便于实现根据每个产品的分词结果和该产品的nr条评价数据的产品评分计算m个产品中每两个产品之间的厌恶相似度。
在操作S2215，根据喜爱相似度和厌恶相似度计算m个产品中每两个产品之间的评论相似度。例如，可以将每两个产品之间的评论相似度记为tsimu.v，通过公式(5)可以求得评论相似度。
Figure BDA0004120943890000103
由此，通过操作S2211～操作S2215可以便于实现根据每个产品的nr条评价数据的产品评论和产品评分计算m个产品中每两个产品之间的评论相似度。
在操作S222，根据每个产品的nr条评价数据的产品评分计算m个产品中每两个产品之间的评分相似度。例如，可以将m个产品中每两个产品之间的评分相似度记为rsimu.v，通过公式(6)可以求得评分相似度。
Figure BDA0004120943890000104
其中，rui表示产品u的nr条评价数据中第i条评价数据的产品评分，
Figure BDA0004120943890000111
表示产品u的nr条评价数据的产品评分的平均值，rvi表示产品v的nr条评价数据中第i条评价数据的产品评分，/>
Figure BDA0004120943890000112
表示产品v的nr条评价数据的产品评分的平均值，Iuv表示产品u的nr条评价数据和产品v的nr条评价数据的集合。
在操作S223，对评论相似度和评分相似度加权求和，得到综合相似度。例如，可以将综合相似度记为Simu.v，根据公式(7)可以求得综合相似度，d为评分相似度的权重值。
Simu.v＝α×rsimu.v+(1-α)×tsimu.v (7)
由此，通过操作S221～操作S223可以便于实现根据每个产品的nr条评价数据的产品评论和产品评分计算m个产品中每两个产品之间的综合相似度。
在操作S230，根据综合相似度，预测被推荐用户对每个产品的预估分值。
作为一种可能实现的方式，如图7所示，操作S230根据综合相似度，预测被推荐用户对每个产品的预估分值，包括操作S231和操作S232。
在操作S231，根据与每个产品对应的综合相似度的排名，确定与该产品相似的前g个邻近产品，其中，g为大于等于1的整数。例如，产品A与产品B之间的综合相似度为K1，产品A与产品C之间的综合相似度为K2，产品A与产品D之间的综合相似度为K3，产品A与产品E之间的综合相似度为K4，产品A与产品F之间的综合相似度为K5，产品A与产品G之间的综合相似度为K6。假设K1>K3>K6>K2>K4>K5，假设g为3，则可以根据K1>K3>K6>K2>K4>K5的排名顺序，确定将与K1对应的产品B、与K3对应的产品D和与K6对应的产品G作为与产品A相似的前3个邻近产品，这里可以将前g个邻近产品的集合记为Ng。
在操作S232，根据每个产品与g个邻近产品中每个邻近产品的评分相似度、该产品的nr条评价数据的产品评分和g个邻近产品中每个邻近产品的nr条评价数据的产品评分，预测每个产品的预估分值。
例如，可以将预估分值记为Q，根据公式(8)可以求得预估分值。
Figure BDA0004120943890000121
其中，
Figure BDA0004120943890000122
表示正在预测预估分值的产品A的nr条评价数据的产品评分的平均值，rgi表示产品g的nr条评价数据中第i条评价数据的产品评分，/>
Figure BDA0004120943890000123
表示产品g的nr条评价数据的产品评分的平均值，Ig表示产品g的nr条评价数据的集合，rsimA,g表示产品A与产品g之间的评分相似度。由此，通过操作S231和操作S232可以便于实现根据综合相似度，预测被推荐用户对每个产品的预估分值。
在操作S240，按照预估分值的排序生成产品推荐列表。
作为一种可实施的方式，如图8所示，操作S240按照预估分值的排序生成产品推荐列表，包括操作S241。
在操作S241，将预估分值按照从大到小排序，取排名前v个预估分值对应的产品作为产品推荐列表中排名前v的产品，其中，v为大于等于1的整数。通过操作S241可以便于实现按照预估分值的排序生成产品推荐列表。
根据本公开实施例的产品推荐方法，通过根据每个产品的nr条评价数据的产品评论和产品评分计算m个产品中每两个产品之间的综合相似度；根据综合相似度，预测被推荐用户对每个产品的预估分值；从而按照预估分值的排序生成产品推荐列表。由于本公开的产品推荐方法结合了产品评论和产品评分进行综合考量，更能够反映用户的真实兴趣，可以便于挖掘出用户的真实爱好产品，使得产品推荐质量较高。
基于上述产品推荐方法，本公开还提供了一种产品推荐装置10。以下将结合图9对产品推荐装置10进行详细描述。
图9示意性示出了根据本公开实施例的产品推荐装置10的结构框图。
产品推荐装置10包括获取模块1、计算模块2、预测模块3和生成模块4。
获取模块1，获取模块1用于执行操作S210：获取m个产品中每个产品的nr条评价数据，其中，每条评价数据包括产品评论和产品评分，其中，m和nr均为大于等于1的整数，r为大于等于1且小于等于m的整数。
计算模块2，计算模块2用于执行操作S220：根据每个产品的nr条评价数据的产品评论和产品评分计算m个产品中每两个产品之间的综合相似度。
预测模块3，预测模块3用于执行操作S230：根据综合相似度，预测每个产品的预估分值。
生成模块4，生成模块4用于执行操作S240：按照预估分值的排序生成产品推荐列表。
根据本公开的一些实施例，计算模块可以包括第一计算单元、第二计算单元和第三计算单元。
第一计算单元，第一计算单元用于根据每个产品的nr条评价数据的产品评论和产品评分计算m个产品中每两个产品之间的评论相似度。
第二计算单元，第二计算单元用于根据每个产品的nr条评价数据的产品评分计算m个产品中每两个产品之间的评分相似度。
第三计算单元，第三计算单元用于对评论相似度和评分相似度加权求和，得到综合相似度。
根据本公开的一些实施例，第一计算单元可以包括整合元件、分词元件、第一计算元件、第二计算元件和第三计算元件。
整合元件，整合元件用于对每个产品的nr条评价数据的产品评论进行整合，得到每个产品的评论文档。
分词元件，分词元件用于对评论文档进行分词，得到分词结果。
第一计算元件，第一计算元件用于根据每个产品的分词结果和该产品的nr条评价数据的产品评分计算m个产品中每两个产品之间的喜爱相似度。
第二计算元件，第二计算元件用于根据每个产品的分词结果和该产品的nr条评价数据的产品评分计算m个产品中每两个产品之间的厌恶相似度。
第三计算元件，第三计算元件用于根据喜爱相似度和厌恶相似度计算m个产品中每两个产品之间的评论相似度。
根据本公开的一些实施例，分词结果为分词的词向量的集合，第一计算元件可以包括第一计算部、第二计算部和第三计算部。
第一计算部，第一计算部用于根据每个产品的分词结果计算评论文档中的k个主题内容的概率分布向量，其中，k为大于等于1的整数。
第二计算部，第二计算部用于根据概率分布向量和该产品的nr条评价数据的产品评分计算该产品的喜爱分布值。
第三计算部，第三计算部用于计算m个产品中每两个产品的喜爱分布值的余弦值，得到m个产品中每两个产品之间的喜爱相似度。
根据本公开的一些实施例，分词结果为分词的词向量的集合，第二计算元件可以包括第四计算部、第五计算部和第六计算部。
第四计算部，第四计算部用于根据每个产品的分词结果计算评论文档中的k个主题内容的概率分布向量，其中，k为大于等于1的整数。
第五计算部，第五计算部用于根据概率分布向量和该产品的nr条评价数据的产品评分计算该产品的厌恶分布值。
第六计算部，第六计算部用于计算m个产品中每两个产品的厌恶分布值的余弦值，得到m个产品中每两个产品之间的厌恶相似度。
根据本公开的一些实施例，预测模块可以包括确定单元和预测单元。
确定单元，确定单元用于根据与每个产品对应的综合相似度的排名，确定与该产品相似的前g个邻近产品，其中，g为大于等于1的整数。
预测单元，预测单元用于根据每个产品与g个邻近产品中每个邻近产品的评分相似度、该产品的nr条评价数据的产品评分和g个邻近产品中每个邻近产品的nr条评价数据的产品评分，预测被推荐用户对每个产品的预估分值。
根据本公开的一些实施例，生成模块可以包括排序单元。
排序单元，排序单元用于将预估分值按照从大到小排序，取排名前v个预估分值对应的产品作为产品推荐列表中排名前v的产品，其中，v为大于等于1的整数。
由于上述产品推荐装置10是基于产品推荐方法设置的，因此上述产品推荐装置10的有益效果与产品推荐方法的相同，这里不再赘述。
另外，根据本公开的实施例，获取模块1、计算模块2、预测模块3和生成模块4中的任意多个模块可以合并在一个模块中实现，或者其中的任意一个模块可以被拆分成多个模块。或者，这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合，并在一个模块中实现。
根据本公开的实施例，获取模块1、计算模块2、预测模块3和生成模块4中的至少一个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC)，或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。
或者，获取模块1、计算模块2、预测模块3和生成模块4中的至少一个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。
图10示意性示出了根据本公开实施例的适于实现上述方法的电子设备的方框图。
如图10所示，根据本公开实施例的电子设备900包括处理器901，其可以根据存储在只读存储器(ROM)902中的程序或者从存储部分908加载到随机访问存储器(RAM)903中的程序而执行各种适当的动作和处理。处理器901例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如，专用集成电路(ASIC))等等。处理器901还可以包括用于缓存用途的板载存储器。处理器901可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
在RAM 903中，存储有电子设备900操作所需的各种程序和数据。处理器901、ROM902以及RAM 903通过总线904彼此相连。处理器901通过执行ROM 902和/或RAM 903中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意，所述程序也可以存储在除ROM 902和RAM 903以外的一个或多个存储器中。处理器901也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。
根据本公开的实施例，电子设备900还可以包括输入/输出(I/O)接口905，输入/输出(I/O)接口905也连接至总线904。电子设备900还可以包括连接至I/O接口905的以下部件中的一项或多项：包括键盘、鼠标等的输入部分906；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分907；包括硬盘等的存储部分908；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分909。通信部分909经由诸如因特网的网络执行通信处理。驱动器910也根据需要连接至输入/输出(I/O)接口905。可拆卸介质911，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器910上，以便于从其上读出的计算机程序根据需要被安装入存储部分908。
本公开还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的；也可以是单独存在，而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被执行时，实现根据本公开实施例的方法。
根据本公开的实施例，计算机可读存储介质可以是非易失性的计算机可读存储介质，例如可以包括但不限于：便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如，根据本公开的实施例，计算机可读存储介质可以包括上文描述的ROM 902和/或RAM 903和/或ROM 902和RAM 903以外的一个或多个存储器。
本公开的实施例还包括一种计算机程序产品，其包括计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。当计算机程序产品在计算机系统中运行时，该程序代码用于使计算机系统实现本公开实施例的方法。
在该计算机程序被处理器901执行时执行本公开实施例的系统/装置中限定的上述功能。根据本公开的实施例，上文描述的系统、装置、模块、单元等可以通过计算机程序模块来实现。
在一种实施例中，该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中，该计算机程序也可以在网络介质上以信号的形式进行传输、分发，并通过通信部分909被下载和安装，和/或从可拆卸介质911被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。
在这样的实施例中，该计算机程序可以通过通信部分909从网络上被下载和安装，和/或从可拆卸介质911被安装。在该计算机程序被处理器901执行时，执行本公开实施例的系统中限定的上述功能。根据本公开的实施例，上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。
根据本公开的实施例，可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例提供的计算机程序的程序代码，具体地，可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如Java，C++，python，“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
本领域技术人员可以理解，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合，即使这样的组合或结合没有明确记载于本公开中。特别地，在不脱离本公开精神和教导的情况下，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。
以上对本公开的实施例进行了描述。但是，这些实施例仅仅是为了说明的目的，而并非为了限制本公开的范围。尽管在以上分别描述了各实施例，但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围，本领域技术人员可以做出多种替代和修改，这些替代和修改都应落在本公开的范围之内。

Claims (11)

1.一种产品推荐方法，其特征在于，包括：
获取m个产品中每个产品的nr条评价数据，其中，每条所述评价数据包括产品评论和产品评分，其中，m和nr均为大于等于1的整数，r为大于等于1且小于等于m的整数；
根据每个所述产品的所述nr条评价数据的产品评论和产品评分计算所述m个产品中每两个产品之间的综合相似度；
根据所述综合相似度，预测每个所述产品的预估分值；以及
按照所述预估分值的排序生成产品推荐列表。
2.根据权利要求1所述的方法，其特征在于，所述根据每个所述产品的所述nr条评价数据的产品评论和产品评分计算所述m个产品中每两个产品之间的综合相似度，包括：
根据每个所述产品的所述nr条评价数据的产品评论和产品评分计算所述m个产品中每两个产品之间的评论相似度；
根据每个所述产品的所述nr条评价数据的产品评分计算所述m个产品中每两个产品之间的评分相似度；以及
对所述评论相似度和所述评分相似度加权求和，得到所述综合相似度。
3.根据权利要求2所述的方法，其特征在于，所述根据每个所述产品的所述nr条评价数据的产品评论和产品评分计算所述m个产品中每两个产品之间的评论相似度，包括：
对每个所述产品的所述nr条评价数据的产品评论进行整合，得到每个所述产品的评论文档；
对所述评论文档进行分词，得到分词结果；
根据每个所述产品的所述分词结果和该产品的所述nr条评价数据的产品评分计算所述m个产品中每两个产品之间的喜爱相似度；
根据每个所述产品的所述分词结果和该产品的所述nr条评价数据的产品评分计算所述m个产品中每两个产品之间的厌恶相似度；以及
根据所述喜爱相似度和所述厌恶相似度计算所述m个产品中每两个产品之间的评论相似度。
4.根据权利要求3所述的方法，其特征在于，所述分词结果为分词的词向量的集合，所述根据每个所述产品的所述分词结果和该产品的所述nr条评价数据的产品评分计算所述m个产品中每两个产品之间的喜爱相似度，包括：
根据每个所述产品的所述分词结果计算所述评论文档中的k个主题内容的概率分布向量，其中，k为大于等于1的整数；
根据所述概率分布向量和该产品的所述nr条评价数据的产品评分计算该产品的喜爱分布值；以及
计算所述m个产品中每两个产品的所述喜爱分布值的余弦值，得到所述m个产品中每两个产品之间的喜爱相似度。
5.根据权利要求3所述的方法，其特征在于，所述分词结果为分词的词向量的集合，所述根据每个所述产品的所述分词结果和该产品的所述nr条评价数据的产品评分计算所述m个产品中每两个产品之间的厌恶相似度，包括：
根据每个所述产品的所述分词结果计算所述评论文档中的k个主题内容的概率分布向量，其中，k为大于等于1的整数；
根据所述概率分布向量和该产品的所述nr条评价数据的产品评分计算该产品的厌恶分布值；以及
计算所述m个产品中每两个产品的所述厌恶分布值的余弦值，得到所述m个产品中每两个产品之间的厌恶相似度。
6.根据权利要求2所述的方法，其特征在于，所述根据所述综合相似度，预测被推荐用户对每个所述产品的预估分值，包括：
根据与每个所述产品对应的所述综合相似度的排名，确定与该产品相似的前g个邻近产品，其中，g为大于等于1的整数；以及
根据每个产品与所述g个邻近产品中每个邻近产品的评分相似度、该产品的所述nr条评价数据的产品评分和所述g个邻近产品中每个邻近产品的所述nr条评价数据的产品评分，预测被推荐用户对每个所述产品的预估分值。
7.根据权利要求6所述的方法，其特征在于，所述按照所述预估分值的排序生成产品推荐列表，包括：
将所述预估分值按照从大到小排序，取排名前v个预估分值对应的产品作为产品推荐列表中排名前v的产品，其中，v为大于等于1的整数。
8.一种产品推荐装置，其特征在于，包括：
获取模块，所述获取模块用于执行获取m个产品中每个产品的nr条评价数据，其中，每条所述评价数据包括评价用户的地址、产品评论和产品评分，其中，m和nr均为大于等于1的整数，r为大于等于1且小于等于m的整数；
计算模块，所述计算模块用于执行根据每个所述产品的所述nr条评价数据的产品评论和产品评分计算所述m个产品中每两个产品之间的综合相似度；
预测模块，所述预测模块用于执行根据所述综合相似度，预测每个所述产品的预估分值；以及
生成模块，所述生成模块用于执行按照所述预估分值的排序生成产品推荐列表。
9.一种电子设备，其特征在于，包括：
一个或多个处理器；
一个或多个存储器，用于存储可执行指令，所述可执行指令在被所述处理器执行时，实现根据权利要求1～7中任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，所述存储介质上存储有可执行指令，该指令被处理器执行时实现根据权利要求1～7中任一项所述的方法。
11.一种计算机程序产品，其特征在于，包括计算机程序，所述计算机程序包括一个或者多个可执行指令，所述可执行指令被处理器执行时实现根据权利要求1～7中任一项所述的方法。
CN202310232450.2A 2023-03-06 2023-03-06 产品推荐方法、装置、电子设备、介质和计算机程序产品 Pending CN116308704A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310232450.2A CN116308704A (zh) 2023-03-06 2023-03-06 产品推荐方法、装置、电子设备、介质和计算机程序产品

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310232450.2A CN116308704A (zh) 2023-03-06 2023-03-06 产品推荐方法、装置、电子设备、介质和计算机程序产品

Publications (1)

Publication Number Publication Date
CN116308704A true CN116308704A (zh) 2023-06-23

Family

ID=86784651

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310232450.2A Pending CN116308704A (zh) 2023-03-06 2023-03-06 产品推荐方法、装置、电子设备、介质和计算机程序产品

Country Status (1)

Country Link
CN (1) CN116308704A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117273869A (zh) * 2023-11-21 2023-12-22 安徽农业大学 一种基于用户数据的农产品智能推送方法、系统、装置以及介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117273869A (zh) * 2023-11-21 2023-12-22 安徽农业大学 一种基于用户数据的农产品智能推送方法、系统、装置以及介质
CN117273869B (zh) * 2023-11-21 2024-02-13 安徽农业大学 一种基于用户数据的农产品智能推送方法、系统、装置以及介质

Similar Documents

Publication Publication Date Title
US11281860B2 (en) Method, apparatus and device for recognizing text type
US10394959B2 (en) Unsupervised neural based hybrid model for sentiment analysis of web/mobile application using public data sources
CN109299994B (zh) 推荐方法、装置、设备及可读存储介质
US9483462B2 (en) Generating training data for disambiguation
Rahim Taleqani et al. Public opinion on dockless bike sharing: A machine learning approach
CN109241403B (zh) 项目推荐方法、装置、机器设备和计算机可读存储介质
CN107908616B (zh) 预测趋势词的方法和装置
CN110717597B (zh) 利用机器学习模型获取时序特征的方法和装置
US20140219571A1 (en) Time-based sentiment analysis for product and service features
US11734702B2 (en) Enhanced survey information synthesis
CN105701182A (zh) 信息推送方法和装置
CN112017062B (zh) 基于客群细分的资源额度分配方法、装置及电子设备
EP4116884A2 (en) Method and apparatus for training tag recommendation model, and method and apparatus for obtaining tag
CN116308704A (zh) 产品推荐方法、装置、电子设备、介质和计算机程序产品
US20210117853A1 (en) Methods and systems for automated feature generation utilizing formula semantification
CN111191677A (zh) 用户特征数据生成方法、装置及电子设备
CN111241273A (zh) 文本数据分类方法、装置、电子设备及计算机可读介质
CN112905885A (zh) 向用户推荐资源的方法、装置、设备、介质和程序产品
CN113743973B (zh) 分析市场热点趋势的方法和装置
CN115238676A (zh) 招标需求热点识别方法、装置、存储介质及电子设备
CN114445043A (zh) 基于开放生态化云erp异质图用户需求精准发现方法及系统
CN114219601A (zh) 信息处理方法、装置、设备及存储介质
CN113391988A (zh) 流失用户留存的方法、装置、电子设备及存储介质
CN112348594A (zh) 物品需求的处理方法、装置、计算设备和介质
Nohh et al. Sentiment analysis towards hotel reviews

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