CN116503126A - 一种产品推荐方法、装置、电子设备及可读存储介质 - Google Patents
一种产品推荐方法、装置、电子设备及可读存储介质 Download PDFInfo
- Publication number
- CN116503126A CN116503126A CN202310283658.7A CN202310283658A CN116503126A CN 116503126 A CN116503126 A CN 116503126A CN 202310283658 A CN202310283658 A CN 202310283658A CN 116503126 A CN116503126 A CN 116503126A
- Authority
- CN
- China
- Prior art keywords
- user
- product
- interaction
- determining
- index
- 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
- 238000000034 method Methods 0.000 title claims abstract description 58
- 230000003993 interaction Effects 0.000 claims abstract description 201
- 239000011159 matrix material Substances 0.000 claims description 52
- 238000004891 communication Methods 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 18
- 230000002452 interceptive effect Effects 0.000 claims description 17
- 230000005484 gravity Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 10
- 238000012163 sequencing technique Methods 0.000 claims description 10
- 230000000694 effects Effects 0.000 abstract description 11
- 239000013598 vector Substances 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000003796 beauty Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 235000019633 pungent taste Nutrition 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
- G06F16/958—Organisation or management of web site content, e.g. publishing, maintaining pages or automatic linking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供了一种产品推荐方法、装置、电子设备及可读存储介质,属于计算机技术领域。本申请通过,获取数字商城中每个产品的产品信息,浏览所述数字商城的每个用户的用户信息,以及,每个用户对每个产品的操作信息;基于每个产品的产品信息确定每两个产品之间的产品相似度,基于每个用户的用户信息确定每两个用户之间的用户相似度,以及,基于每个用户对每个产品的操作信息确定每个用户对每个产品的用户交互热度;基于每两个产品之间的产品相似度,每两个用户之间的用户相似度,以及,每个用户对每个产品的用户交互热度,在所有产品中确定向每个用户推荐的目标产品。从而为每个用户推荐符合其偏好的产品,提高数字商城的产品推荐效果。
Description
技术领域
本申请涉及计算机技术领域,尤其涉及一种产品推荐方法、装置、电子设备及可读存储介质。
背景技术
数字商城,即,数字化商城,就是将实体商城中的商品以及线下提供的各种服务,通过电脑进行数字化处理并在因特网中实现数据共享的商城。通过数字商城,可以实现买卖双方不谋面的情况下,消费者的网上购物、商户之间的网上交易和在线电子支付以及各种商务活动、交易活动、金融活动和相关的综合服务活动。
为了达到更好的运营效果,数字商城一般都会设置一套产品推荐机制,以将数字商城中的产品推荐给用户。目前,数字商城应用的产品推荐方法,大多是基于每种产品的历史销量或历史评分等数据进行推荐,即,将历史销量或历史评分等数据较高的产品推荐给所有用户。
然而,这种将历史销量或历史评分等数据较高的产品推荐给所有用户的推荐方法,无法匹配不同用户的不同喜好,推荐效果差。
发明内容
为了解决上述将历史销量或历史评分等数据较高的产品推荐给所有用户的推荐方法,无法匹配不同用户的不同喜好,推荐效果差技术问题,本申请提供了一种产品推荐方法、装置、电子设备及可读存储介质。
第一方面,本申请实施例提供一种产品推荐方法,包括:
获取数字商城中每个产品的产品信息,浏览所述数字商城的每个用户的用户信息,以及,每个用户对每个产品的操作信息;
基于每个产品的产品信息确定每两个产品之间的产品相似度,基于每个用户的用户信息确定每两个用户之间的用户相似度,以及,基于每个用户对每个产品的操作信息确定每个用户对每个产品的用户交互热度;
基于每两个产品之间的产品相似度,每两个用户之间的用户相似度,以及,每个用户对每个产品的用户交互热度,在所有产品中确定向每个用户推荐的目标产品。
在一个可能的实施方式中,所述基于每两个产品之间的产品相似度,每两个用户之间的用户相似度,以及,每个用户对每个产品的用户交互热度,在所有产品中确定向每个用户推荐的目标产品,包括:
基于每两个产品之间的产品相似度构建产品相似度矩阵,基于每两个用户之间的用户相似度构建用户相似度矩阵,以及,基于每个用户对每个产品的用户交互热度构建原始用户交互热度矩阵;
将所述产品相似度矩阵、所述用户相似度矩阵及所述原始用户交互热度矩阵相乘,得到目标用户交互热度矩阵,其中,所述目标用户交互热度矩阵中的数据行表征产品,数据列表征用户;
针对每个用户,在所述目标用户交互热度矩阵中确定与所述用户对应的目标数据列,并基于所述目标数据列中每个数据的数值确定向所述用户推荐的目标产品。
在一个可能的实施方式中,所述基于所述目标数据列中每个数据的数值确定向所述用户推荐的目标产品,包括:
按照对应数值由大到小的顺序对所述目标数据列中的所有数据排序;
将排序靠前的预设数量的数据确定为目标数据,并将所述目标数据所在数据行对应的产品确定为向所述用户推荐的目标产品。
在一个可能的实施方式中,所述基于每个用户对每个产品的操作信息确定每个用户对每个产品的用户交互热度,包括:
获取预设的至少一个交互指标,并确定每个所述交互指标的指标权重;
针对每个产品执行以下处理:
针对每个用户,基于所述用户对所述产品的操作信息,确定每个所述交互指标对应的指标值;
基于每个所述交互指标的指标权重,对所有的所述指标值进行加权求和运算,得到所述用户对所述产品的用户交互热度。
在一个可能的实施方式中,所述确定每个所述交互指标的指标权重,包括:
确定每个所述交互指标的重要性,并按照所述重要性由高到低的顺序对所有的交互指标进行排序;
按照所述排序对每个所述交互指标进行设定运算,得到每个所述交互指标的权重;
其中,设定运算过程具体如下:
利用公式一计算交互指标对应的特征比重:
其中,vij为第i个专家对j个指标评分数据,fij为第i个专家对j个指标评分数据的特征比重;
利用公式二和由公式一计算的特征比重计算对应的熵值;
其中,ej为第j个交互指标的熵值;
利用公式三和由公式二计算的熵值计算对应的相邻指标重要性比值;
其中,rk为第k-1个交互指标和第k个交互指标之间的相邻指标重要性比值,ek为第k个交互指标的熵值,ek-1第k-1个交互指标的熵值;
利用公式四、公式五和由公式三计算的相邻指标重要性比值计算权重;
ωk-1=rkωk (公式五)
其中,ωm为排序在最后一个的交互指标的权重,ωk为第k个交互指标的权重,ωk-1为第k-1个交互指标的权重。
在一个可能的实施方式中,所述方法还包括:
获取数字商城对应的基础信息,其中,所述基础信息包括所述数字商城中所有产品的产品数量,浏览所述数字商城的所有用户的用户数量,以及所有用户与所有产品的用户交互比例;
在所述产品数量小于第一阈值,或者,所述用户数量小于第二阈值,或者,所述用户交互比例小于预设第三阈值的情况下,按照预设产品推荐策略在所有产品中确定向每个用户推荐的目标产品;
否则,执行获取数字商城中每个产品的产品信息,浏览所述数字商城的每个用户的用户信息,以及,每个用户对每个产品的操作信息,至基于每两个产品之间的产品相似度,每两个用户之间的用户相似度,以及,每个用户对每个产品的用户交互热度,在所有产品中确定向每个用户推荐的目标产品的步骤。
在一个可能的实施方式中,所述按照预设产品推荐策略在所有产品中确定向每个用户推荐的目标产品,包括:
针对每个用户,获取所述用户的用户特征,并基于所述用户特征确定对应的目标产品标签;
将对应的产品标签与所述目标产品标签一致的产品,确定为向所述用户推荐的目标产品。
第二方面,本申请实施例提供一种产品推荐装置,包括
获取模块,用于获取数字商城中每个产品的产品信息,浏览所述数字商城的每个用户的用户信息,以及,每个用户对每个产品的操作信息;
第一确定模块,用于基于每个产品的产品信息确定每两个产品之间的产品相似度,基于每个用户的用户信息确定每两个用户之间的用户相似度,以及,基于每个用户对每个产品的操作信息确定每个用户对每个产品的用户交互热度;
第二确定模块,用于基于每两个产品之间的产品相似度,每两个用户之间的用户相似度,以及,每个用户对每个产品的用户交互热度,在所有产品中确定向每个用户推荐的目标产品。
在一个可能的实施方式中,所述第二确定模块,具体用于:
基于每两个产品之间的产品相似度构建产品相似度矩阵,基于每两个用户之间的用户相似度构建用户相似度矩阵,以及,基于每个用户对每个产品的用户交互热度构建原始用户交互热度矩阵;
将所述产品相似度矩阵、所述用户相似度矩阵及所述原始用户交互热度矩阵相乘,得到目标用户交互热度矩阵,其中,所述目标用户交互热度矩阵中的数据行表征产品,数据列表征用户;
针对每个用户,在所述目标用户交互热度矩阵中确定与所述用户对应的目标数据列,并基于所述目标数据列中每个数据的数值确定向所述用户推荐的目标产品。
在一个可能的实施方式中,所述第二确定模块,还用于:
按照对应数值由大到小的顺序对所述目标数据列中的所有数据排序;
将排序靠前的预设数量的数据确定为目标数据,并将所述目标数据所在数据行对应的产品确定为向所述用户推荐的目标产品。
在一个可能的实施方式中,所述第一确定模块,具体用于:
获取预设的至少一个交互指标,并确定每个所述交互指标的指标权重;
针对每个产品执行以下处理:
针对每个用户,基于所述用户对所述产品的操作信息,确定每个所述交互指标对应的指标值;
基于每个所述交互指标的指标权重,对所有的所述指标值进行加权求和运算,得到所述用户对所述产品的用户交互热度。
在一个可能的实施方式中,所述第一确定模块,还用于:
确定每个所述交互指标的重要性,并按照所述重要性由高到低的顺序对所有的交互指标进行排序;
按照所述排序对每个所述交互指标进行设定运算,得到每个所述交互指标的权重;
其中,设定运算过程具体如下:
利用公式一计算交互指标对应的特征比重:
其中,vij为第i个专家对j个指标评分数据,fij为第i个专家对j个指标评分数据的特征比重;
利用公式二和由公式一计算的特征比重计算对应的熵值;
其中,ej为第j个交互指标的熵值;
利用公式三和由公式二计算的熵值计算对应的相邻指标重要性比值;
其中,rk为第k-1个交互指标和第k个交互指标之间的相邻指标重要性比值,ek为第k个交互指标的熵值,ek-1第k-1个交互指标的熵值;
利用公式四、公式五和由公式三计算的相邻指标重要性比值计算权重;
ωk-1=rkωk (公式五)
其中,ωm为排序在最后一个的交互指标的权重,ωk为第k个交互指标的权重,ωk-1为第k-1个交互指标的权重。
在一个可能的实施方式中,所述装置还包括执行模块,用于:
获取数字商城对应的基础信息,其中,所述基础信息包括所述数字商城中所有产品的产品数量,浏览所述数字商城的所有用户的用户数量,以及所有用户与所有产品的用户交互比例;
在所述产品数量小于第一阈值,或者,所述用户数量小于第二阈值,或者,所述用户交互比例小于预设第三阈值的情况下,按照预设产品推荐策略在所有产品中确定向每个用户推荐的目标产品;
否则,执行获取数字商城中每个产品的产品信息,浏览所述数字商城的每个用户的用户信息,以及,每个用户对每个产品的操作信息,至基于每两个产品之间的产品相似度,每两个用户之间的用户相似度,以及,每个用户对每个产品的用户交互热度,在所有产品中确定向每个用户推荐的目标产品的步骤。
在一个可能的实施方式中,所述执行模块,具体用于:
针对每个用户,获取所述用户的用户特征,并基于所述用户特征确定对应的目标产品标签;
将对应的产品标签与所述目标产品标签一致的产品,确定为向所述用户推荐的目标产品。
第三方面,提供了一种电子设备,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现第一方面任一所述的方法步骤。
第四方面,提供了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内存储有计算机程序,所述计算机程序被处理器执行时实现第一方面任一所述的方法步骤。
第五方面,提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述任一所述的产品推荐方法。
本申请实施例有益效果:
本申请实施例提供了一种产品推荐方法、装置、电子设备及可读存储介质,本申请通过,首先,获取数字商城中每个产品的产品信息,浏览所述数字商城的每个用户的用户信息,以及,每个用户对每个产品的操作信息,然后,基于每个产品的产品信息确定每两个产品之间的产品相似度,基于每个用户的用户信息确定每两个用户之间的用户相似度,以及,基于每个用户对每个产品的操作信息确定每个用户对每个产品的用户交互热度,最后,基于每两个产品之间的产品相似度,每两个用户之间的用户相似度,以及,每个用户对每个产品的用户交互热度,在所有产品中确定向每个用户推荐的目标产品。如此,可以综合产品相似度、用户相似度以及用户交互热度三个维度挖掘用户对产品的潜在偏好,从而为每个用户推荐符合其偏好的产品,提高数字商城的产品推荐效果。
当然,实施本申请的任一产品或方法并不一定需要同时达到以上所述的所有优点。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。
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,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,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产品推荐方法的流程图;
图2为本申请实施例提供的一种产品推荐装置的结构示意图;
图3为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
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的一部分实施例,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的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。
下面结合附图以具体实施例对本申请提供的产品推荐方法做出解释说明,实施例并不构成对本申请实施例的限定。
参见图1,为本申请实施例提供的一种产品推荐方法的实施例流程图。如图1所示,该流程可包括以下步骤:
S101,获取数字商城中每个产品的产品信息,浏览所述数字商城的每个用户的用户信息,以及,每个用户对每个产品的操作信息。
本申请实施例提供的一种产品推荐方法,可以应用于数字商城,用于向浏览数字商城的用户推荐合适的产品。
这里的产品,可以是实物商品,如衣服、食品等,也可以是线下服务的线上商品链接,如理发服务、美容服务等。
产品信息,用于表征产品的产品特征,如产品的类别、产品的内容以及产品的图像等。
用户信息,用于表征用户的用户特征,如用户的职业、年龄、性别等。
操作信息,用于表征用户对于产品进行操作的内容,如体验、收藏、评论、分享。
本申请实施例中,数字商城中会在每个产品上线时采集并保存该产品的产品信息,在用户登录及浏览数字商城过程中,采集并保存用户的用户信息以及对产品的操作信息。
S102,基于每个产品的产品信息确定每两个产品之间的产品相似度,基于每个用户的用户信息确定每两个用户之间的用户相似度,以及,基于每个用户对每个产品的操作信息确定每个用户对每个产品的用户交互热度。
在一实施例中,首先根据每个产品的产品信息构建对应的产品特征向量,根据每个用户的用户信息构建对应的用户特征向量,进而,基于产品特征向量计算每两个产品之间的产品相似度,以及,基于用户特征向量计算每两个用户之间的用户相似度。
具体计算过程如下:
一、产品相似度:
基于产品i与产品j的特征向量表示Vi与Vj(i=1,2...,N,j=1,2...,N),其中N为产品的总数量,其相似度定义如下:
其中Vi=[vi1,vi2,...,],Vj=[vj1,vj2,...,],σij取值1代表强正相关,取值-1代表强负相关,取值0代表不相关。
例如,产品B与产品C的向量表示为[1,3,5]与[2,-1,3],
那么,产品B与产品C的相似度为:
二、用户相似度:
基于用户i与用户j的特征向量表示Wi与Wj(i=1,2...,M,j=1,2...,M),其中M为用户的总数量,其相似度定义如下:
其中Wi=[wi1,wi2,...,],Wj=[wj1,wj2,...,],γij取值1代表强正相关,取值-1代表强负相关,取值0代表不相关。
例如,用户i与用户j的向量表示[1,5,-2]与[2,1,2],
那么,用户i与用户j的相似度为:
由此,实现对每两个产品之间的产品相似度的计算,以及,对每两个用户之间的用户相似度的计算。
在另一实施例中,基于每个用户对每个产品的操作信息确定每个用户对每个产品的用户交互热度的具体实现可包括:获取预设的至少一个交互指标,并确定每个所述交互指标的指标权重;针对每个产品执行以下处理:针对每个用户,基于所述用户对所述产品的操作信息,确定每个所述交互指标对应的指标值;基于每个所述交互指标的指标权重,对所有的所述指标值进行加权求和运算,得到所述用户对所述产品的用户交互热度。
其中,交互指标如体验(如体验一次)、多次体验(如体验两次及两次以上)、收藏、评论、分享等。
该实施例中,由于操作信息中包括用户对产品的具体操作内容,因此可以基于操作信息确定每个交互指标的指标值,具体为,当用户进行了与交互指标对应的交互行为时,将该交互指标的值置为第一值(如“1”),否则将交互指标的值置为第二值(如“0”)。
例如,用户a对于产品1操作的内容包括体验1次,收藏以及评论,则将交互指标“体验”、“收藏”、“评论”的值置为1,而将交互指标“多次体验”和“分享”的值置为0。
至于具体如何确定每个交互指标的权重,将通过下文实施例进行详细说明,这里先不详述。
S103,基于每两个产品之间的产品相似度,每两个用户之间的用户相似度,以及,每个用户对每个产品的用户交互热度,在所有产品中确定向每个用户推荐的目标产品。
本申请实施例中,基于每两个产品之间的产品相似度,每两个用户之间的用户相似度,以及,每个用户对每个产品的用户交互热度,在所有产品中确定向每个用户推荐的目标产品的具体实现可包括:
基于每两个产品之间的产品相似度构建产品相似度矩阵ΩN×N,基于每两个用户之间的用户相似度构建用户相似度矩阵ΓM×M,以及,基于每个用户对每个产品的用户交互热度构建原始用户交互热度矩阵AN×M,将所述产品相似度矩阵、所述用户相似度矩阵及所述原始用户交互热度矩阵相乘,得到目标用户交互热度矩阵A*=ΩAΓ,其中,所述目标用户交互热度矩阵中的数据行M表征产品,数据列N表征用户,针对每个用户,在所述目标用户交互热度矩阵中确定与所述用户对应的目标数据列,并基于所述目标数据列中每个数据的数值确定向所述用户推荐的目标产品。
例如,产品总数量N=4,用户总数量M=3且
产品相似度矩阵原始用户交互热度矩阵用户相似度矩阵/>那么,目标用户交互热度矩阵A*为:
其中,原始用户交互热度矩阵A和目标用户交互热度矩阵A*中,每一行数据用于表征不同用户对同一产品的用户交互热度,每一列数据用于表征同一用户对不同产品的用户交互热度。
接下来,针对每个用户,在目标用户交互热度矩阵中确定与该用户对应的目标数据列,并基于目标数据列中每个数据的数值确定向用户推荐的目标产品。具体的,包括以下步骤:按照对应数值由大到小的顺序对所述目标数据列中的所有数据排序;将排序靠前的预设数量的数据确定为目标数据,并将所述目标数据所在数据行对应的产品确定为向所述用户推荐的目标产品。
以上述计算的目标用户交互热度矩阵A*为例,假设左侧第一个数据列对应用户a,中间的数据列对应用户b,右侧数据列对应用户c,由上至下第一行对应产品1,第二行对应产品2,第三行对应产品3,第四行对应产品4,预设数量为2。
则对于用户a,在左侧数据列中选取数值2.6对应的产品3,以及,数值2.5对应的产品1,作为向用户a推荐的目标产品;对于用户b,在中间数据列中选取数值2.7对应的产品1和产品3,作为向用户b推荐的目标产品;对于用户c,在右侧数据列中选取数值3.0对应的产品3,以及,数值2.8对应的产品1,作为向用户c推荐的目标产品。
本申请实施例中,首先,获取数字商城中每个产品的产品信息,浏览所述数字商城的每个用户的用户信息,以及,每个用户对每个产品的操作信息,然后,基于每个产品的产品信息确定每两个产品之间的产品相似度,基于每个用户的用户信息确定每两个用户之间的用户相似度,以及,基于每个用户对每个产品的操作信息确定每个用户对每个产品的用户交互热度,最后,基于每两个产品之间的产品相似度,每两个用户之间的用户相似度,以及,每个用户对每个产品的用户交互热度,在所有产品中确定向每个用户推荐的目标产品。如此,可以综合产品相似度、用户相似度以及用户交互热度三个维度挖掘用户对产品的潜在偏好,从而为每个用户推荐符合其偏好的产品,提高数字商城的产品推荐效果。
在本申请又一实施例中,确定每个所述交互指标的指标权重具体可以包括以下步骤:
步骤一,确定每个所述交互指标的重要性,并按照所述重要性由高到低的顺序对所有的交互指标进行排序;
步骤二,按照所述排序对每个所述交互指标进行设定运算,得到每个所述交互指标的权重;
其中,设定运算过程具体如下:
利用公式一计算交互指标对应的特征比重:
其中,vij为第i个专家对j个指标评分数据,fij为第i个专家对j个指标评分数据的特征比重;
利用公式二和由公式一计算的特征比重计算对应的熵值;
其中,ej为第j个交互指标的熵值;
利用公式三和由公式二计算的熵值计算对应的相邻指标重要性比值;
其中,rk为第k-1个交互指标和第k个交互指标之间的相邻指标重要性比值,ek为第k个交互指标的熵值,ek-1第k-1个交互指标的熵值;
利用公式四、公式五和由公式三计算的相邻指标重要性比值计算权重;
ωk-1=rkωk (公式五)
其中,ωm为排序在最后一个的交互指标的权重,ωk为第k个交互指标的权重,ωk-1为第k-1个交互指标的权重,k=m-1,m-2,…。
这里,首先利用公式四计算排序在最后一个的交互指标的权重,进而利用该交互指标的权重和对应的相邻指标重要性比值,计算排序在其前面的交互指标的权重。
需要说明的是,每个交互指标的重要性可以由工作人员根据实际需要预先设置。
以下一个具体示例来说明计算交互指标的权重的过程:
假设交互指标包括:体验、多次体验、收藏、评论、分享。
按照指标重要性排序对所有交互指标进行排序:体验A1、多次体验A2、收藏A3、评论A4、分享A5,专家对每个交互指标的指标评分数据如表1所示。
表1专家对指标的评分数据
体验 | 多次体验 | 收藏 | 评论 | 分享 | |
专家1 | 10 | 8 | 7 | 4 | 3 |
专家2 | 10 | 7 | 7 | 5 | 4 |
专家3 | 10 | 8 | 6 | 5 | 3 |
则,根据上述公式一对表1的数据进行计算,可以得到如表2所示的每个指标评分数据的特征比重。
表2指标评分数据的特征比重
体验 | 多次体验 | 收藏 | 评论 | 分享 | |
专家1 | 0.33 | 0.35 | 0.35 | 0.28 | 0.30 |
专家2 | 0.33 | 0.30 | 0.35 | 0.36 | 0.40 |
专家3 | 0.33 | 0.35 | 0.30 | 0.36 | 0.30 |
然后,利用公式二对表2的数据进行计算,可以得到如表3所示的每个交互指标的熵值。
表3交互指标的熵值
熵值 | 体验 | 多次体验 | 收藏 | 评论 | 分享 |
ej | 1 | 0.998 | 0.998 | 0.994 | 0.991 |
接下来,利用公式三对表3的数据进行计算,可以得到如表4所示的第二个至第五个交互指标对应的相邻指标重要性比值。
表4相邻指标重要性比值
比值 | 体验 | 多次体验 | 收藏 | 评论 | 分享 |
rk | — | 1.002 | 1 | 1.004 | 1.003 |
表5指标权重
权重 | 体验 | 多次体验 | 收藏 | 评论 | 分享 |
ωi | 0.2008 | 0.2004 | 0.2004 | 0.1996 | 0.1990 |
最后是基于相邻指标重要性比值计算权重的过程,该过程中,首先,利用公式四对表4中排序在最后一个的交互指标“分享”对应的相邻指标重要性比值,进行计算,得到表5中“分享”对应的权重,然后,以“分享”对应的权重作为计算基础,依次计算前四个交互指标的权重。
具体的,利用公式五对表5中“分享”对应的权重和表4中“评论”对应的相邻指标重要性比值,进行计算,得到表5中“评论”对应的权重,接下来,利用公式五对表5中“评论”对应的权重和表4中“收藏”对应的相邻指标重要性比值,进行计算,得到表5中“收藏”对应的权重,以此类推,计算“多次体验”和“体验”的权重。
由此,实现对每个交互指标的指标权重的计算。
在本申请又一实施例中,在S101之前,还可以包括以下步骤:
步骤一,获取数字商城对应的基础信息,其中,所述基础信息包括所述数字商城中所有产品的产品数量,浏览所述数字商城的所有用户的用户数量,以及所有用户与所有产品的用户交互比例;
步骤二,在所述产品数量小于第一阈值,或者,所述用户数量小于第二阈值,或者,所述用户交互比例小于预设第三阈值的情况下,按照预设产品推荐策略在所有产品中确定向每个用户推荐的目标产品;
步骤三,否则,执行S101-S103。
以下对步骤一至步骤三进行统一说明:
这里的用户交互比例,用于表征所有用户与所有产品的交互情况。确定用户交互比例的具体实现可包括:依次确定每个用户对每个产品的交互情况,确定所有交互情况的第一数量,以及,确定存在有交互内容的交互情况的第二数量,将第二数量与第一数量的比值确定为用户交互比例。
例如,数字商城中有产品1和产品2,浏览该数字商城的用户有用户a和用户b,依次确定每个用户对每个产品的交互情况,即,产品1与用户a的交互情况,产品1与用户b的交互情况,产品2与用户a的交互情况,产品2与用户b的交互情况,也就是说存在四个交互情况,即第一数量为4,假设只有产品1与用户a的交互情况为存在交互内容,即第二数量为1,则用户交互比例为1/4。
本申请实施例中,在数字商城中预置两种产品推荐策略,其一是步骤二中的预设产品推荐策略,其二是S101-S103描述的产品推荐策略,对应数字商城不同的运营阶段执行不同的产品推荐策略,以使数字商城在各个运营阶段均取得较好的推荐结果。
应用中,根据数字商城的基础信息区分数字商城所处的运营阶段,这里,运营阶段包括两个时期:运营前期和运营中后期。其中,运营前期,存在数字商城产品总数量少,或者,浏览数字商城的用户数量少,或者,用户与产品的交互比例小的特点;相应的,运营中后期,存在数字商城产品总数量较多,且,浏览数字商城的用户数量较多,且,用户与产品的交互比例较大的特点。
基于此,本申请实施例中,在产品数量小于第一阈值,或者,用户数量小于第二阈值,或者,用户交互比例小于预设第三阈值的情况下,也就是数字商城运营前期,按照预设产品推荐策略在所有产品中确定向每个用户推荐的目标产品。
其中,预设产品推荐策略具体为:针对每个用户,获取所述用户的用户特征,并基于所述用户特征确定对应的目标产品标签,将对应的产品标签与所述目标产品标签一致的产品,确定为向所述用户推荐的目标产品。
这里,预先为每个产品设置产品标签,并且设置每种产品标签与用户特征的对应关系,用户特征如用户年龄、用户职业等。
例如,预先为产品1设置标签“25-35岁”,用于标记产品1适宜年龄为“25-35岁”的用户观看,产品2设置标签“45-65岁”,用于标记产品1适宜年龄为“45-65岁”的用户观看,对于30岁的用户a,其用户特征“30岁”对应的目标产品标签为“25-35岁”,则确定向用户a推荐产品1。
如此,可以在数字商城运营前期,运营数据(产品数量、用户数量、用户交互情况)较少时,根据用户特征和产品标签实现产品推荐。
而在产品数量大于或等于第一阈值,且,用户数量大于或等于第二阈值,且,用户交互比例大于或等于预设第三阈值的情况下,也就是数字商城运营中后期,执行S101-S103。
如此,可以在数字商城运营中后期,运营数据(产品数量、用户数量、用户交互情况)较多时,根据运营数据挖掘用户对产品的潜在偏好,从而为每个用户推荐符合其偏好的产品,提高数字商城的产品推荐效果。
通过该方案,可以根据数字商城所处的不同运营阶段,执行对应的产品推荐方案,以使数字商城在各个运营阶段均取得较好的推荐结果。
基于相同的技术构思,本申请实施例还提供了一种产品推荐装置,如图2所示,该装置包括:
获取模块201,用于获取数字商城中每个产品的产品信息,浏览所述数字商城的每个用户的用户信息,以及,每个用户对每个产品的操作信息;
第一确定模块202,用于基于每个产品的产品信息确定每两个产品之间的产品相似度,基于每个用户的用户信息确定每两个用户之间的用户相似度,以及,基于每个用户对每个产品的操作信息确定每个用户对每个产品的用户交互热度;
第二确定模块203,用于基于每两个产品之间的产品相似度,每两个用户之间的用户相似度,以及,每个用户对每个产品的用户交互热度,在所有产品中确定向每个用户推荐的目标产品。
在一个可能的实施方式中,所述第二确定模块,具体用于:
基于每两个产品之间的产品相似度构建产品相似度矩阵,基于每两个用户之间的用户相似度构建用户相似度矩阵,以及,基于每个用户对每个产品的用户交互热度构建原始用户交互热度矩阵;
将所述产品相似度矩阵、所述用户相似度矩阵及所述原始用户交互热度矩阵相乘,得到目标用户交互热度矩阵,其中,所述目标用户交互热度矩阵中的数据行表征产品,数据列表征用户;
针对每个用户,在所述目标用户交互热度矩阵中确定与所述用户对应的目标数据列,并基于所述目标数据列中每个数据的数值确定向所述用户推荐的目标产品。
在一个可能的实施方式中,所述第二确定模块,还用于:
按照对应数值由大到小的顺序对所述目标数据列中的所有数据排序;
将排序靠前的预设数量的数据确定为目标数据,并将所述目标数据所在数据行对应的产品确定为向所述用户推荐的目标产品。
在一个可能的实施方式中,所述第一确定模块,具体用于:
获取预设的至少一个交互指标,并确定每个所述交互指标的指标权重;
针对每个产品执行以下处理:
针对每个用户,基于所述用户对所述产品的操作信息,确定每个所述交互指标对应的指标值;
基于每个所述交互指标的指标权重,对所有的所述指标值进行加权求和运算,得到所述用户对所述产品的用户交互热度。
在一个可能的实施方式中,所述第一确定模块,还用于:
确定每个所述交互指标的重要性,并按照所述重要性由高到低的顺序对所有的交互指标进行排序;
按照所述排序对每个所述交互指标进行设定运算,得到每个所述交互指标的权重;
其中,设定运算过程具体如下:
利用公式一计算交互指标对应的特征比重:
其中,vij为第i个专家对j个指标评分数据,fij为第i个专家对j个指标评分数据的特征比重;
利用公式二和由公式一计算的特征比重计算对应的熵值;
其中,ej为第j个交互指标的熵值;
利用公式三和由公式二计算的熵值计算对应的相邻指标重要性比值;
其中,rk为第k-1个交互指标和第k个交互指标之间的相邻指标重要性比值,ek为第k个交互指标的熵值,ek-1第k-1个交互指标的熵值;
利用公式四、公式五和由公式三计算的相邻指标重要性比值计算权重;
ωk-1=rkωk (公式五)
其中,ωm为排序在最后一个的交互指标的权重,ωk为第k个交互指标的权重,ωk-1为第k-1个交互指标的权重。
在一个可能的实施方式中,所述装置还包括执行模块,用于:
获取数字商城对应的基础信息,其中,所述基础信息包括所述数字商城中所有产品的产品数量,浏览所述数字商城的所有用户的用户数量,以及所有用户与所有产品的用户交互比例;
在所述产品数量小于第一阈值,或者,所述用户数量小于第二阈值,或者,所述用户交互比例小于预设第三阈值的情况下,按照预设产品推荐策略在所有产品中确定向每个用户推荐的目标产品;
否则,执行获取数字商城中每个产品的产品信息,浏览所述数字商城的每个用户的用户信息,以及,每个用户对每个产品的操作信息,至基于每两个产品之间的产品相似度,每两个用户之间的用户相似度,以及,每个用户对每个产品的用户交互热度,在所有产品中确定向每个用户推荐的目标产品的步骤。
在一个可能的实施方式中,所述执行模块,具体用于:
针对每个用户,获取所述用户的用户特征,并基于所述用户特征确定对应的目标产品标签;
将对应的产品标签与所述目标产品标签一致的产品,确定为向所述用户推荐的目标产品。
本申请实施例中,首先,获取数字商城中每个产品的产品信息,浏览所述数字商城的每个用户的用户信息,以及,每个用户对每个产品的操作信息,然后,基于每个产品的产品信息确定每两个产品之间的产品相似度,基于每个用户的用户信息确定每两个用户之间的用户相似度,以及,基于每个用户对每个产品的操作信息确定每个用户对每个产品的用户交互热度,最后,基于每两个产品之间的产品相似度,每两个用户之间的用户相似度,以及,每个用户对每个产品的用户交互热度,在所有产品中确定向每个用户推荐的目标产品。如此,可以综合产品相似度、用户相似度以及用户交互热度三个维度挖掘用户对产品的潜在偏好,从而为每个用户推荐符合其偏好的产品,提高数字商城的产品推荐效果。
基于相同的技术构思,本申请实施例还提供了一种电子设备,如图3所示,包括处理器111、通信接口112、存储器113和通信总线114,其中,处理器111,通信接口112,存储器113通过通信总线114完成相互间的通信,
存储器113,用于存放计算机程序;
处理器111,用于执行存储器113上所存放的程序时,实现如下步骤:
获取数字商城中每个产品的产品信息,浏览所述数字商城的每个用户的用户信息,以及,每个用户对每个产品的操作信息;
基于每个产品的产品信息确定每两个产品之间的产品相似度,基于每个用户的用户信息确定每两个用户之间的用户相似度,以及,基于每个用户对每个产品的操作信息确定每个用户对每个产品的用户交互热度;
基于每两个产品之间的产品相似度,每两个用户之间的用户相似度,以及,每个用户对每个产品的用户交互热度,在所有产品中确定向每个用户推荐的目标产品。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect,PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory,RAM),也可以包括非易失性存储器(Non-Volatile Memory,NVM),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital SignalProcessing,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在本申请提供的又一实施例中,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内存储有计算机程序,所述计算机程序被处理器执行时实现上述任一产品推荐方法的步骤。
在本申请提供的又一实施例中,还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述实施例中任一产品推荐方法。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
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。
以上所述仅是本申请的具体实施方式,使本领域技术人员能够理解或实现本申请。对这些实施例的多种修改对本领域的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申请的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种产品推荐方法,其特征在于,所述方法包括:
获取数字商城中每个产品的产品信息,浏览所述数字商城的每个用户的用户信息,以及,每个用户对每个产品的操作信息;
基于每个产品的产品信息确定每两个产品之间的产品相似度,基于每个用户的用户信息确定每两个用户之间的用户相似度,以及,基于每个用户对每个产品的操作信息确定每个用户对每个产品的用户交互热度;
基于每两个产品之间的产品相似度,每两个用户之间的用户相似度,以及,每个用户对每个产品的用户交互热度,在所有产品中确定向每个用户推荐的目标产品。
2.根据权利要求1所述的方法,其特征在于,所述基于每两个产品之间的产品相似度,每两个用户之间的用户相似度,以及,每个用户对每个产品的用户交互热度,在所有产品中确定向每个用户推荐的目标产品,包括:
基于每两个产品之间的产品相似度构建产品相似度矩阵,基于每两个用户之间的用户相似度构建用户相似度矩阵,以及,基于每个用户对每个产品的用户交互热度构建原始用户交互热度矩阵;
将所述产品相似度矩阵、所述用户相似度矩阵及所述原始用户交互热度矩阵相乘,得到目标用户交互热度矩阵,其中,所述目标用户交互热度矩阵中的数据行表征产品,数据列表征用户;
针对每个用户,在所述目标用户交互热度矩阵中确定与所述用户对应的目标数据列,并基于所述目标数据列中每个数据的数值确定向所述用户推荐的目标产品。
3.根据权利要求2所述的方法,其特征在于,所述基于所述目标数据列中每个数据的数值确定向所述用户推荐的目标产品,包括:
按照对应数值由大到小的顺序对所述目标数据列中的所有数据排序;
将排序靠前的预设数量的数据确定为目标数据,并将所述目标数据所在数据行对应的产品确定为向所述用户推荐的目标产品。
4.根据权利要求1所述的方法,其特征在于,所述基于每个用户对每个产品的操作信息确定每个用户对每个产品的用户交互热度,包括:
获取预设的至少一个交互指标,并确定每个所述交互指标的指标权重;
针对每个产品执行以下处理:
针对每个用户,基于所述用户对所述产品的操作信息,确定每个所述交互指标对应的指标值;
基于每个所述交互指标的指标权重,对所有的所述指标值进行加权求和运算,得到所述用户对所述产品的用户交互热度。
5.根据权利要求4所述的方法,其特征在于,所述确定每个所述交互指标的指标权重,包括:
确定每个所述交互指标的重要性,并按照所述重要性由高到低的顺序对所有的交互指标进行排序;
按照所述排序对每个所述交互指标进行设定运算,得到每个所述交互指标的权重;
其中,设定运算过程具体如下:
利用公式一计算交互指标对应的特征比重:
其中,vij为第i个专家对j个指标评分数据,fij为第i个专家对j个指标评分数据的特征比重;
利用公式二和由公式一计算的特征比重计算对应的熵值;
其中,ej为第j个交互指标的熵值;
利用公式三和由公式二计算的熵值计算对应的相邻指标重要性比值;
其中,rk为第k-1个交互指标和第k个交互指标之间的相邻指标重要性比值,ek为第k个交互指标的熵值,ek-1第k-1个交互指标的熵值;
利用公式四、公式五和由公式三计算的相邻指标重要性比值计算权重;
ωk-1=rkωk (公式五)
其中,ωm为排序在最后一个的交互指标的权重,ωk为第k个交互指标的权重,ωk-1为第k-1个交互指标的权重。
6.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取数字商城对应的基础信息,其中,所述基础信息包括所述数字商城中所有产品的产品数量,浏览所述数字商城的所有用户的用户数量,以及所有用户与所有产品的用户交互比例;
在所述产品数量小于第一阈值,或者,所述用户数量小于第二阈值,或者,所述用户交互比例小于预设第三阈值的情况下,按照预设产品推荐策略在所有产品中确定向每个用户推荐的目标产品;
否则,执行获取数字商城中每个产品的产品信息,浏览所述数字商城的每个用户的用户信息,以及,每个用户对每个产品的操作信息,至基于每两个产品之间的产品相似度,每两个用户之间的用户相似度,以及,每个用户对每个产品的用户交互热度,在所有产品中确定向每个用户推荐的目标产品的步骤。
7.根据权利要求6所述的方法,其特征在于,所述按照预设产品推荐策略在所有产品中确定向每个用户推荐的目标产品,包括:
针对每个用户,获取所述用户的用户特征,并基于所述用户特征确定对应的目标产品标签;
将对应的产品标签与所述目标产品标签一致的产品,确定为向所述用户推荐的目标产品。
8.一种产品推荐装置,其特征在于,所述装置包括:
获取模块,用于获取数字商城中每个产品的产品信息,浏览所述数字商城的每个用户的用户信息,以及,每个用户对每个产品的操作信息;
第一确定模块,用于基于每个产品的产品信息确定每两个产品之间的产品相似度,基于每个用户的用户信息确定每两个用户之间的用户相似度,以及,基于每个用户对每个产品的操作信息确定每个用户对每个产品的用户交互热度;
第二确定模块,用于基于每两个产品之间的产品相似度,每两个用户之间的用户相似度,以及,每个用户对每个产品的用户交互热度,在所有产品中确定向每个用户推荐的目标产品。
9.一种电子设备,其特征在于,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现权利要求1-7任一所述的方法步骤。
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内存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1-7任一所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310283658.7A CN116503126A (zh) | 2023-03-22 | 2023-03-22 | 一种产品推荐方法、装置、电子设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310283658.7A CN116503126A (zh) | 2023-03-22 | 2023-03-22 | 一种产品推荐方法、装置、电子设备及可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116503126A true CN116503126A (zh) | 2023-07-28 |
Family
ID=87323801
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310283658.7A Pending CN116503126A (zh) | 2023-03-22 | 2023-03-22 | 一种产品推荐方法、装置、电子设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116503126A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109191240A (zh) * | 2018-08-14 | 2019-01-11 | 北京九狐时代智能科技有限公司 | 一种进行商品推荐的方法和装置 |
CN110956530A (zh) * | 2019-11-26 | 2020-04-03 | 上海风秩科技有限公司 | 推荐方法、装置、电子设备及计算机可读存储介质 |
WO2020098156A1 (zh) * | 2018-11-15 | 2020-05-22 | 平安科技(深圳)有限公司 | 产品数据推送方法及装置、计算机非易失性可读存储介质 |
CN114418701A (zh) * | 2022-01-26 | 2022-04-29 | 中国农业银行股份有限公司 | 一种生成推荐列表的方法、装置、电子设备及存储介质 |
-
2023
- 2023-03-22 CN CN202310283658.7A patent/CN116503126A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109191240A (zh) * | 2018-08-14 | 2019-01-11 | 北京九狐时代智能科技有限公司 | 一种进行商品推荐的方法和装置 |
WO2020098156A1 (zh) * | 2018-11-15 | 2020-05-22 | 平安科技(深圳)有限公司 | 产品数据推送方法及装置、计算机非易失性可读存储介质 |
CN110956530A (zh) * | 2019-11-26 | 2020-04-03 | 上海风秩科技有限公司 | 推荐方法、装置、电子设备及计算机可读存储介质 |
CN114418701A (zh) * | 2022-01-26 | 2022-04-29 | 中国农业银行股份有限公司 | 一种生成推荐列表的方法、装置、电子设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
李刚: "基于熵值修正G1组合赋权的科技评价模型及实证_李刚", 《软科学》, vol. 24, no. 5, 31 May 2010 (2010-05-31), pages 31 - 36 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11354720B2 (en) | Item recommendation techniques | |
US9208437B2 (en) | Personalized information pushing method and device | |
US9589025B2 (en) | Correlated information recommendation | |
JP4886749B2 (ja) | 推薦商品選択装置、推薦商品選択プログラムおよび商品検索装置 | |
US9965526B1 (en) | Data mining for multiple item comparisons | |
CN111325609A (zh) | 一种商品推荐列表确定方法、装置、电子设备及存储介质 | |
JP6976207B2 (ja) | 情報処理装置、情報処理方法、およびプログラム | |
CN110674391B (zh) | 基于大数据的产品数据推送方法、系统和计算机设备 | |
CN112598472B (zh) | 产品推荐方法、装置、系统、介质和程序产品 | |
CN113763095B (zh) | 信息推荐方法、装置和模型训练方法、装置 | |
CN113689259A (zh) | 基于用户行为的商品个性化推荐方法及系统 | |
CN110689402A (zh) | 推荐商家的方法、装置、电子设备及可读存储介质 | |
CN111310038A (zh) | 信息推荐方法、装置、电子设备及计算机可读存储介质 | |
CN113689258A (zh) | 一种商品推荐热度生成方法及系统 | |
Aprilianti et al. | Implementation of weighted parallel hybrid recommender systems for e-commerce in indonesia | |
CN111680213B (zh) | 信息推荐方法、数据处理方法及装置 | |
JP2020013447A (ja) | 決定装置、決定方法および決定プログラム | |
CN113763089A (zh) | 物品推荐方法及装置、计算机可存储介质 | |
CN116977019A (zh) | 一种商户推荐方法、装置、电子设备及存储介质 | |
WO2017095371A1 (en) | Product recommendations based on selected user and product attributes | |
CN116503126A (zh) | 一种产品推荐方法、装置、电子设备及可读存储介质 | |
CN111639989B (zh) | 商品推荐方法和可读存储介质 | |
CN115619503A (zh) | 一种物品推荐方法、装置、存储介质和计算机设备 | |
CN114331581A (zh) | 一种用户浏览时的物品信息的智能推荐方法、系统及装置 | |
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 |