CN116579820A - 一种商城商品推荐算法方法、系统、电子设备和存储介质 - Google Patents
一种商城商品推荐算法方法、系统、电子设备和存储介质 Download PDFInfo
- Publication number
- CN116579820A CN116579820A CN202310386138.9A CN202310386138A CN116579820A CN 116579820 A CN116579820 A CN 116579820A CN 202310386138 A CN202310386138 A CN 202310386138A CN 116579820 A CN116579820 A CN 116579820A
- Authority
- CN
- China
- Prior art keywords
- user
- mall
- information
- commodity
- preference
- 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 48
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 38
- 238000003860 storage Methods 0.000 title claims abstract description 20
- 230000006399 behavior Effects 0.000 claims abstract description 57
- 238000001914 filtration Methods 0.000 claims abstract description 21
- 238000012545 processing Methods 0.000 claims abstract description 7
- 238000004590 computer program Methods 0.000 claims description 12
- 230000003542 behavioural effect Effects 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 8
- 238000003491 array Methods 0.000 claims description 6
- 238000013210 evaluation model Methods 0.000 claims description 6
- 230000010365 information processing Effects 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 230000001960 triggered effect Effects 0.000 claims description 3
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
- G06Q30/0255—Targeted advertisements based on user history
-
- 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)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Game Theory and Decision Science (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及商品推送技术领域，具体公开了一种商城商品推荐算法方法、系统、电子设备和存储介质，所述方法包括获取商城用户的登录信息，基于所述登录信息获取商城用户在当前商城的历史行为信息和商城用户注册信息；基于预设的协同过滤算法处理所述历史行为信息，确定第一商品推荐表；基于所述商城用户注册信息确定第二商品推荐表；统计并显示所述第一商品推荐表和所述第二商品推荐表。本发明基于物品的协同过滤算法给用户推荐那些与他们之前喜欢的物品相似的物品，通过分析用户的历史行为，对用户的兴趣进行建模，从而主动给用户推荐可能满足他们需求的信息，能够很好的发掘长尾信息，根据用户兴趣给提供个性化推荐。
Description
技术领域
本发明涉及商品推送技术领域，具体是一种商城商品推荐算法方法、系统、电子设备和存储介质。
背景技术
网上商城因为不需要消耗大量的时间去寻找和了解产品，因此在生活节奏逐渐加快的今天，网上商城已经是很多人购物的主要途径。为了促成交易，网上商城大多都设置有商品推荐系统，通过向消费者推荐商品来提升消费者购买商品的几率，并且节省消费者选购商品的时间。
随着商城上的数据越来越多，用户却难以找到真正对自己有用的信息，用户面对庞大的数据变得毫无头绪，对于一些长尾商品也很难做到有效的销售。
发明内容
本发明的目的在于提供一种商城商品推荐算法方法、系统、电子设备和存储介质，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：
一种商城商品推荐算法方法，所述方法包括：
获取商城用户的登录信息，基于所述登录信息获取商城用户在当前商城的历史行为信息和商城用户注册信息；其中，所述商城用户注册信息包括人口统计学信息、商城用户描述信息和站外行为信息；所述商城用户描述信息用于表征本方法执行主体对商城用户的评价信息；
基于预设的协同过滤算法处理所述历史行为信息，确定第一商品推荐表；
基于所述商城用户注册信息确定第二商品推荐表；
统计并显示所述第一商品推荐表和所述第二商品推荐表；
所述协同过滤算法为：
式中，N(i)为对商品i感兴趣的用户数，N(j)为对商品j感兴趣的用户数，N(u)表示用户喜欢的商品集合；
用户对商品的兴趣度的计算公式为：
上式中，puj表示用户u对商品i的兴趣度，N(u)表示用户喜欢的商品集合，i是用户喜欢的某一个商品；S(j,K)表示和商品j最相似的K个商品集合，j为集合中的某一个商品；wji表示商品j和商品i的相似度，rui表示用户u对商品i的兴趣度。
作为本发明进一步的方案：所述获取商城用户的登录信息，基于所述登录信息获取商城用户在当前商城的历史行为信息和商城用户注册信息的步骤包括：
接收商城用户发送的含有查询权限的登录请求，基于查询权限获取商城用户的历史浏览数据、收藏数据和转发数据；
将历史浏览数据、收藏数据和转发数据输入预设的偏好评价模型，确定商城用户对各商品的偏好值；
根据商品类型对含有偏好值的商品进行分类，得到各类商品的偏好值数组；
基于查询权限获取商城用户注册信息，并根据所述偏好值数组更新所述商城用户注册信息。
作为本发明进一步的方案：所述基于查询权限获取商城用户注册信息，并根据所述偏好值数组更新所述商城用户注册信息的步骤包括：
基于查询权限获取人口统计学信息，所述人口统计学信息包括商城用户的年龄、性别、职业、民族、学历和居住地；其中，所述年龄、性别、职业、民族、学历和居住地含有隐藏端口，当接收到商城用户输入隐藏指令时触发；
读取偏好值数组，将所述偏好值数组输入预设的数值分布模型，建立偏好表；所述偏好表包括商品类型项和综合值项；所述综合值由偏好值数组确定；
根据所述偏好表确定商城用户描述信息；
向商城用户发送站外数据获取权限的获取请求，当接收到商城用户反馈的站外数据获取权限时，获取站外行为信息；
统计所述人口统计学信息、用户描述信息和站外行信息，更新商城用户注册信息。
作为本发明进一步的方案：所述基于预设的协同过滤算法处理所述历史行为信息，确定第一商品推荐表的步骤包括：
读取含有偏好值的商品，根据所述偏好值选取偏好商品；
基于预设的协同过滤算法计算商城中商品与所述偏好商品的相似度；
根据所述相似度在所述偏好商品中选取目标商品。
作为本发明进一步的方案：所述基于所述商城用户注册信息确定第二商品推荐表的步骤包括：
读取商城用户注册信息中的人口统计学信息和用户描述信息；
根据人口统计学信息和用户描述信息对商城进行限缩；
根据站外行为信息对限缩后的商城中的各商品进行标记，根据标记结果确定第二商品推荐表。
本发明技术方案还提供了一种商城商品推荐算法系统，所述系统包括：
用户信息获取模块，用于获取商城用户的登录信息，基于所述登录信息获取商城用户在当前商城的历史行为信息和商城用户注册信息；其中，所述商城用户注册信息包括人口统计学信息、商城用户描述信息和站外行为信息；所述商城用户描述信息用于表征本方法执行主体对商城用户的评价信息；
第一推荐模块，用于基于预设的协同过滤算法处理所述历史行为信息，确定第一商品推荐表；
第二推荐模块，用于基于所述商城用户注册信息确定第二商品推荐表；
统计显示模块，用于统计并显示所述第一商品推荐表和所述第二商品推荐表。
作为本发明进一步的方案：所述用户信息获取模块包括：
数据查询单元，用于接收商城用户发送的含有查询权限的登录请求，基于查询权限获取商城用户的历史浏览数据、收藏数据和转发数据；
偏好分析单元，用于将历史浏览数据、收藏数据和转发数据输入预设的偏好评价模型，确定商城用户对各商品的偏好值；
商品分类单元，用于根据商品类型对含有偏好值的商品进行分类，得到各类商品的偏好值数组；
信息更新单元，用于基于查询权限获取商城用户注册信息，并根据所述偏好值数组更新所述商城用户注册信息。
本发明技术方案还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现所述商城商品推荐方法的步骤。
本发明技术方案还提供了一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现所述商城商品推荐方法的步骤。
与现有技术相比，本发明的有益效果是：本发明基于物品的协同过滤算法给用户推荐那些与他们之前喜欢的物品相似的物品，通过分析用户的历史行为，对用户的兴趣进行建模，从而主动给用户推荐可能满足他们需求的信息，能够很好的发掘长尾信息；对于新用户做个性化推荐时，基于所述用户注册信息确定用户的兴趣物品，基于所述兴趣物品为用户生成商品推荐列表，能够根据用户兴趣给提供个性化推荐。
附图说明
为了更清楚地说明本发明实施例中的技术方案，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，下面描述中的附图仅仅是本发明的一些实施例。
图1为根据本发明实施例的商城商品推荐方法流程框图；
图2为根据本发明实施例的给用户推荐他所属分类中用户喜欢的物品示例图；
图3为根据本发明实施例的方法的推荐引擎架构图；
图4为本发明提供的电子设备的结构示意图。
具体实施方式
为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本申请实施例中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。
本申请实施例中的术语“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至少一个该特征。本申请的描述中，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列部件或单元的系统、产品或设备没有限定于已列出的部件或单元，而是可选地还包括没有列出的部件或单元，或可选地还包括对于这些产品或设备固有的其它部件或单元。本申请的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
网上商城因为不需要消耗大量的时间去寻找和了解产品，因此在生活节奏逐渐加快的今天，网上商城已经是很多人购物的主要途径。为了促成交易，网上商城大多都设置有商品推荐系统，通过向消费者推荐商品来提升消费者购买商品的几率，并且节省消费者选购商品的时间。
因此，本发明实施例提供一种商城商品推荐方法、系统、电子设备和存储介质，通过分析用户的历史行为，对用户的兴趣进行建模，从而主动给用户推荐可能满足他们需求的信息，能够很好的发掘长尾信息。下面结合附图描述商城商品推荐方法和系统。
作为本发明技术方案的一个优选实施例，提供了一种商城商品推荐算法方法，所述方法包括：
获取商城用户的登录信息，基于所述登录信息获取商城用户在当前商城的历史行为信息和商城用户注册信息；其中，所述商城用户注册信息包括人口统计学信息、商城用户描述信息和站外行为信息；所述商城用户描述信息用于表征本方法执行主体对商城用户的评价信息；
基于预设的协同过滤算法处理所述历史行为信息，确定第一商品推荐表；
基于所述商城用户注册信息确定第二商品推荐表；
统计并显示所述第一商品推荐表和所述第二商品推荐表。
请参阅图1，图1为根据本发明实施例的商城商品推荐方法流程框图，包括：
获取商城用户的登录信息，基于所述登录信息获取用户在当前商城的历史行为信息和用户注册信息；所述用户注册信息包括人口统计学信息、用户信息描述信息和站外行为信息；
商城的用户是动态的变化的，因此，实时会有新增用户，需要考虑到已有用户的商品推荐方法和新增用户的商品推荐方法。
本实施例中，对于已有用户，可以根据其在商城的历史行为信息进行商品推荐；即基于物品的协同过滤算法ItemCF和所述历史行为信息为用户生成商品推荐列表；ItemCF算法主要通过分析用户的行为记录来计算物品之间的相似度。该算法认为，物品A和物品B具有很大的相似度是因为喜欢物品A的用户大都也喜欢物品B。具体计算包括：
获取商城中任意两个商品之间的相似度：
上式中，N(i)为对商品i感兴趣的用户数，N(j)为对商品j感兴趣的用户数，N(u)表示用户喜欢的商品集合；在ItemCF中，两个物品之所以产生相似度是因为它们共同被很多用户喜欢，即每个用户都可以通过他们的历史兴趣列表给物品“贡献”相似度。也就是说，在得到物品之间的相似度后，本实施例中建立一个“用户-物品”倒排表，即对每个用户建立一个包含他喜欢的物品的列表。
与用户历史上感兴趣的物品越相似的物品，越有可能是用户感兴趣的物品，基于此确定用户对商品的兴趣度：
上式中，puj表示用户u对商品i的兴趣度，N(u)表示用户喜欢的商品集合，i是用户喜欢的某一个商品；S(j,K)表示和商品j最相似的K个商品集合，j为集合中的某一个商品；wji表示商品j和商品i的相似度，rui表示用户u对商品i的兴趣度。
获取用户对已浏览商品的兴趣度，并计算用户未浏览的新商品与用于已浏览商品的相似度，基于已浏览商品的兴趣度和用户未浏览的新商品与用于已浏览商品的相似度，确定用户对未浏览的新商品的兴趣度。假设已知用户对两个物品A1、A2的兴趣度分别为1.3、0.9，现有5个用户未曾见过的新物品，它们与物品A1、A2的相似度如下表1所示：
| 物品 | 与物品A1的相似度 | 与物品A2的相似度 |
| B1 | 0.7 | 0 |
| B2 | 0.4 | 0.5 |
| B3 | 0 | 0.5 |
| B4 | 0.6 | 0 |
| B5 | 0 | 0.6 |
表1
可得，用户对B1、B2、B3、B4、B5的兴趣度分别为：
puB1＝1.3*0.7+0.9*0＝0.91
puB2＝1.3*0.4+0.9*0.5＝0.97
puB3＝1.3*0+0.9*0.5＝0.45
puB4＝1.3*0.6+0.9*0＝0.78
puB5＝1.3*0+0.9*0.6＝0.54
由此可知，用户可能对物品B2的兴趣度最高，应该优先向用户推荐物品B2。
上述过程是针对需要根据用户的历史行为和兴趣预测用户未来的行为和兴趣，因此大量的用户行为数据就成为推荐系统的重要组成部分和先决条件。因此很多在开始阶段就希望有个性化推荐应用的网站来说，如何在没有大量用户数据的情况下设计个性化推荐系统并且让用户对推荐结果满意从而愿意使用推荐系统，就是冷启动(Cold Start)的问题。
冷启动主要分3类：用户冷启动，用户冷启动主要解决如何给新用户做个性化推荐的问题；当新用户到来时，没有他的行为数据，所以也无法根据他的历史行为预测其兴趣，从而无法借此给他做个性化推荐；物品冷启动，物品冷启动主要解决如何将新的物品推荐给可能对它感兴趣的用户这一问题；系统冷启动，系统冷启动主要解决如何在一个新开发的网站上(物品信息远多于用户行为信息)设计个性化推荐系统，从而在网站刚发布时就让用户体验到个性化推荐服务这一问题。
本实施例中，利用用户注册信息显而易见，利用用户的注册信息可以很好地缓解注册用户的冷启动问题。用户的注册信息分3种：人口统计学信息、用户兴趣描述信息和站外行为信息；其中，所述人口统计学信息包括用户的年龄、性别、职业、民族、学历和居住地；用户兴趣描述信息为注册时用户通过文字描述自身兴趣的注册记录，站外行为数据，比如用户通过在站外网站通过账号登录，就可以在得到用户同意的情况下获取用户在站外网站的一些行为数据和社交网络数据，基于注册信息的个性化推荐流程基本如下：
基于所述用户注册信息确定用户分类和/或确定用户的兴趣物品，基于所述用户分类和/或所述兴趣物品为用户生成商品推荐列表。具体包括：
确定用户的年龄，和/或性别，和/或职业，和/或民族，和/或学历，和/或居住地对应分类下的子商品推荐列表，并对各子商品推荐列表进行权重相加，以确定给用户的最终商品推荐列表。如图2所示新用户，资料显示他是一位28岁的男性，是一位物理学家。然后，查询3张离线计算好的相关表：性别-电视剧相关表，从中可以查询男性最喜欢的电视剧；年龄-电视剧相关表，从中可以查询到28岁用户最喜欢的电视剧；职业-电视剧相关表，可以查询到物理学家最喜欢的电视剧；然后，可以将用这3张相关表查询出的电视剧列表按照一定权重相加，得到给用户的最终商品推荐列表。
在上述实施例的基础上，基于所述用户注册信息确定用户的兴趣物品，具体包括：
用户在注册或首次访问商城时，为用户提供若干多品类的推荐物品，以确定用户选择的一个或多个推荐物品作为用户的兴趣物品。为用户提供若干多品类的推荐物品时，需要基于大数据获取的所有用户感兴趣指数高于设定阈值的多个品类的物品集合，并实时或定时更新所述物品集合。
解决用户冷启动问题的另一个方法是在新用户第一次访问推荐系统时，不立即给用户展示推荐结果，而是给用户提供一些物品，让用户反馈他们对这些物品的兴趣，用这些反馈启动用户兴趣，然后根据用户兴趣给提供个性化推荐。本实施例中，能够用来启动用户兴趣的物品需要具有以下特点：
比较热门，如果要让用户对一个物品进行反馈，就需要选用用户知晓的物品；具有代表性和区分性，启动用户兴趣的物品不能是大众化或老少皆宜的，因为这样的物品对用户的兴趣没有区分性；具有多样性，在冷启动时，我们不知道用户的兴趣，而用户兴趣的可能性非常多，为了匹配多样的兴趣，需要提供具有很高覆盖率的启动物品集合，这些物品能覆盖所有主流的用户兴趣。
本实施例中的物品冷启动解决了如何将新加入的物品推荐给对它感兴趣的用户的问题。物品冷启动在新闻网站等时效性很强的网站中非常重要，因为那些网站中时时刻刻都有新加入的物品，而且每个物品必须能够在第一时间展现给用户，否则经过一段时间后，物品的价值就大大降低了。
如图3中所示，为运行本发明实施例所述方法的引擎架构，图中A部分负责从数据库或缓存中拿到用户行为数据，通过分析不同行为，生成当前用户的特征向量，如果使用非行为特征，就不需要行为提取和分析模块了，该模块的输出就是用户特征向量。图中B部分负责将用户的特征向量通过特征-物品相关矩阵转化为初始推荐物品列表。图中C部分负责对初始的推荐列表进行过滤、排名等处理，从而生成该引擎的最终推荐结果。
作为本发明技术方案的一个优选实施例，所述获取商城用户的登录信息，基于所述登录信息获取商城用户在当前商城的历史行为信息和商城用户注册信息的步骤包括：
接收商城用户发送的含有查询权限的登录请求，基于查询权限获取商城用户的历史浏览数据、收藏数据和转发数据；
将历史浏览数据、收藏数据和转发数据输入预设的偏好评价模型，确定商城用户对各商品的偏好值；
根据商品类型对含有偏好值的商品进行分类，得到各类商品的偏好值数组；
基于查询权限获取商城用户注册信息，并根据所述偏好值数组更新所述商城用户注册信息。
上述内容提供了一种历史行为信息的获取方案，历史行为信息用于表示用户之前的商品操作特征，所述商品操作特征包括浏览、收藏和转发，不同行为反映的偏好程度不同，由偏好值这一数值进行表示。
每种商品都有其标签，用于表示商品的类型，根据类型对有偏好值的商品进行分类，可以得到偏好值数组，其中，所述偏好值数组中数值以偏好值的顺序排序。
确定好偏好值数组后，对商城用户注册信息进行更新。
具体的，所述基于查询权限获取商城用户注册信息，并根据所述偏好值数组更新所述商城用户注册信息的步骤包括：
基于查询权限获取人口统计学信息，所述人口统计学信息包括商城用户的年龄、性别、职业、民族、学历和居住地；其中，所述年龄、性别、职业、民族、学历和居住地含有隐藏端口，当接收到商城用户输入隐藏指令时触发；
读取偏好值数组，将所述偏好值数组输入预设的数值分布模型，建立偏好表；所述偏好表包括商品类型项和综合值项；所述综合值由偏好值数组确定；
根据所述偏好表确定商城用户描述信息；
向商城用户发送站外数据获取权限的获取请求，当接收到商城用户反馈的站外数据获取权限时，获取站外行为信息；
统计所述人口统计学信息、用户描述信息和站外行信息，更新商城用户注册信息。
注册信息中的人口统计学信息在用户注册账号时生成，包括年龄、性别、职业、民族、学历和居住地；注册信息中的用户描述信息为本方法执行主体对用户的评价信息，它用于反映用户的偏好类型，偏好类型基于偏好值数组生成，得到的偏好表即可作为商城用户描述信息。
站外行为信息由上述内容所述，比如用户通过在站外网站通过账号登录，就可以在得到用户同意的情况下获取用户在站外网站的一些行为数据和社交网络数据；获取这些数据的前提是具备相应的权限，因此，需要先向商城用户发送站外数据获取权限的获取请求，再获取站外行为信息。
作为本发明技术方案的一个优选实施例，所述基于预设的协同过滤算法处理所述历史行为信息，确定第一商品推荐表的步骤包括：
读取含有偏好值的商品，根据所述偏好值选取偏好商品；
基于预设的协同过滤算法计算商城中商品与所述偏好商品的相似度；
根据所述相似度在所述偏好商品中选取目标商品。
基于上述内容中提供的协同过滤算法，可以根据相似度在商城中选取得到目标商品。
作为本发明技术方案的一个优选实施例，所述基于所述商城用户注册信息确定第二商品推荐表的步骤包括：
读取商城用户注册信息中的人口统计学信息和用户描述信息；
根据人口统计学信息和用户描述信息对商城进行限缩；
根据站外行为信息对限缩后的商城中的各商品进行标记，根据标记结果确定第二商品推荐表。
第二商口推荐表的生成过程并不困难，就是先根据人口统计学信息和用户描述信息对商城中的商品进行限缩，得到一张限缩表；根据站外行为信息对限缩后的商城中的各商品进行选取式的标记，即可得到第二商品推荐表；需要说明的是，如果没有站外行为信息，那么限缩后的商城就可以直接作为第二商品推荐表。
在本发明技术方案的一个优选实施例中，提供了一种商城商品推荐算法系统，所述系统包括：
用户信息获取模块，用于获取商城用户的登录信息，基于所述登录信息获取商城用户在当前商城的历史行为信息和商城用户注册信息；其中，所述商城用户注册信息包括人口统计学信息、商城用户描述信息和站外行为信息；所述商城用户描述信息用于表征本方法执行主体对商城用户的评价信息；
第一推荐模块，用于基于预设的协同过滤算法处理所述历史行为信息，确定第一商品推荐表；
第二推荐模块，用于基于所述商城用户注册信息确定第二商品推荐表；
统计显示模块，用于统计并显示所述第一商品推荐表和所述第二商品推荐表。
进一步的，所述用户信息获取模块包括：
数据查询单元，用于接收商城用户发送的含有查询权限的登录请求，基于查询权限获取商城用户的历史浏览数据、收藏数据和转发数据；
偏好分析单元，用于将历史浏览数据、收藏数据和转发数据输入预设的偏好评价模型，确定商城用户对各商品的偏好值；
商品分类单元，用于根据商品类型对含有偏好值的商品进行分类，得到各类商品的偏好值数组；
信息更新单元，用于基于查询权限获取商城用户注册信息，并根据所述偏好值数组更新所述商城用户注册信息。
基于相同的构思，图4示例了一种电子设备的实体结构示意图，如图4所示，该电子设备可以包括：处理器(processor)310、通信接口(Communications Interface)320、存储器(memory)330和通信总线340，其中，处理器310，通信接口320，存储器330通过通信总线340完成相互间的通信。处理器310可以调用存储器330中的逻辑指令，以执行所述商城商品推荐算法方法，该方法包括：
获取商城用户的登录信息，基于所述登录信息获取用户在当前商城的历史行为信息和用户注册信息；所述用户注册信息包括人口统计学信息、用户信息描述信息和站外行为信息；
基于物品的协同过滤算法ItemCF和所述历史行为信息为用户生成商品推荐列表；和/或，
基于所述用户注册信息确定用户分类和/或确定用户的兴趣物品，基于所述用户分类和/或所述兴趣物品为用户生成商品推荐列表。
此外，上述的存储器330中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，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，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
基于相同的构思，本发明实施例还提供一种非暂态计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序包含至少一段代码，该至少一段代码可由主控设备执行，以控制主控设备用以实现如上述各实施例所述商城商品推荐方法的步骤。例如包括：
获取商城用户的登录信息，基于所述登录信息获取用户在当前商城的历史行为信息和用户注册信息；所述用户注册信息包括人口统计学信息、用户信息描述信息和站外行为信息；
基于物品的协同过滤算法ItemCF和所述历史行为信息为用户生成商品推荐列表；和/或，
基于所述用户注册信息确定用户分类和/或确定用户的兴趣物品，基于所述用户分类和/或所述兴趣物品为用户生成商品推荐列表。
基于相同的技术构思，本申请实施例还提供一种计算机程序，当该计算机程序被主控设备执行时，用以实现上述方法实施例。
所述程序可以全部或者部分存储在与处理器封装在一起的存储介质上，也可以部分或者全部存储在不与处理器封装在一起的存储器上。
基于相同的技术构思，本申请实施例还提供一种处理器，该处理器用以实现上述方法实施例。上述处理器可以为芯片。
综上所述，本发明实施例提供的一种商城商品推荐方法、系统、电子设备和存储介质，基于物品的协同过滤算法用于给用户推荐那些与他们之前喜欢的物品相似的物品，通过分析用户的历史行为，对用户的兴趣进行建模，从而主动给用户推荐可能满足他们需求的信息，能够很好的发掘长尾信息；对于新用户做个性化推荐时，基于所述用户注册信息确定用户分类和/或确定用户的兴趣物品，基于所述用户分类和/或所述兴趣物品为用户生成商品推荐列表，能够根据用户兴趣给提供个性化推荐。
本发明的各实施方式可以任意进行组合，以实现不同的技术效果。
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)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SolidStateDisk)等。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，该流程可以由计算机程序来指令相关的硬件完成，该程序可存储于计算机可读取存储介质中，该程序在执行时，可包括如上述各方法实施例的流程。而前述的存储介质包括：ROM或随机存储记忆体RAM、磁碟或者光盘等各种可存储程序代码的介质。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (9)
1.一种商城商品推荐算法方法，其特征在于，所述方法包括：
获取商城用户的登录信息，基于所述登录信息获取商城用户在当前商城的历史行为信息和商城用户注册信息；其中，所述商城用户注册信息包括人口统计学信息、商城用户描述信息和站外行为信息；所述商城用户描述信息用于表征本方法执行主体对商城用户的评价信息；
基于预设的协同过滤算法处理所述历史行为信息，确定第一商品推荐表；
基于所述商城用户注册信息确定第二商品推荐表；
统计并显示所述第一商品推荐表和所述第二商品推荐表；
所述协同过滤算法为：
式中，N(i)为对商品i感兴趣的用户数，N(j)为对商品j感兴趣的用户数，N(u)表示用户喜欢的商品集合；
用户对商品的兴趣度的计算公式为：
上式中，puj表示用户u对商品i的兴趣度，N(u)表示用户喜欢的商品集合，i是用户喜欢的某一个商品；S(j,K)表示和商品j最相似的K个商品集合，j为集合中的某一个商品；wji表示商品j和商品i的相似度，rui表示用户u对商品i的兴趣度。
2.根据权利要求1所述的商城商品推荐算法方法，其特征在于，所述获取商城用户的登录信息，基于所述登录信息获取商城用户在当前商城的历史行为信息和商城用户注册信息的步骤包括：
接收商城用户发送的含有查询权限的登录请求，基于查询权限获取商城用户的历史浏览数据、收藏数据和转发数据；
将历史浏览数据、收藏数据和转发数据输入预设的偏好评价模型，确定商城用户对各商品的偏好值；
根据商品类型对含有偏好值的商品进行分类，得到各类商品的偏好值数组；
基于查询权限获取商城用户注册信息，并根据所述偏好值数组更新所述商城用户注册信息。
3.根据权利要求2所述的商城商品推荐算法方法，其特征在于，所述基于查询权限获取商城用户注册信息，并根据所述偏好值数组更新所述商城用户注册信息的步骤包括：
基于查询权限获取人口统计学信息，所述人口统计学信息包括商城用户的年龄、性别、职业、民族、学历和居住地；其中，所述年龄、性别、职业、民族、学历和居住地含有隐藏端口，当接收到商城用户输入隐藏指令时触发；
读取偏好值数组，将所述偏好值数组输入预设的数值分布模型，建立偏好表；所述偏好表包括商品类型项和综合值项；所述综合值由偏好值数组确定；
根据所述偏好表确定商城用户描述信息；
向商城用户发送站外数据获取权限的获取请求，当接收到商城用户反馈的站外数据获取权限时，获取站外行为信息；
统计所述人口统计学信息、用户描述信息和站外行信息，更新商城用户注册信息。
4.根据权利要求1所述的商城商品推荐算法方法，其特征在于，所述基于预设的协同过滤算法处理所述历史行为信息，确定第一商品推荐表的步骤包括：
读取含有偏好值的商品，根据所述偏好值选取偏好商品；
基于预设的协同过滤算法计算商城中商品与所述偏好商品的相似度；
根据所述相似度在所述偏好商品中选取目标商品。
5.根据权利要求1所述的商城商品推荐算法方法，其特征在于，所述基于所述商城用户注册信息确定第二商品推荐表的步骤包括：
读取商城用户注册信息中的人口统计学信息和用户描述信息；
根据人口统计学信息和用户描述信息对商城进行限缩；
根据站外行为信息对限缩后的商城中的各商品进行标记，根据标记结果确定第二商品推荐表。
6.一种商城商品推荐算法系统，其特征在于，所述系统包括：
用户信息获取模块，用于获取商城用户的登录信息，基于所述登录信息获取商城用户在当前商城的历史行为信息和商城用户注册信息；其中，所述商城用户注册信息包括人口统计学信息、商城用户描述信息和站外行为信息；所述商城用户描述信息用于表征本方法执行主体对商城用户的评价信息；
第一推荐模块，用于基于预设的协同过滤算法处理所述历史行为信息，确定第一商品推荐表；
第二推荐模块，用于基于所述商城用户注册信息确定第二商品推荐表；
统计显示模块，用于统计并显示所述第一商品推荐表和所述第二商品推荐表。
7.根据权利要求6所述的商城商品推荐算法系统，其特征在于，所述用户信息获取模块包括：
数据查询单元，用于接收商城用户发送的含有查询权限的登录请求，基于查询权限获取商城用户的历史浏览数据、收藏数据和转发数据；
偏好分析单元，用于将历史浏览数据、收藏数据和转发数据输入预设的偏好评价模型，确定商城用户对各商品的偏好值；
商品分类单元，用于根据商品类型对含有偏好值的商品进行分类，得到各类商品的偏好值数组；
信息更新单元，用于基于查询权限获取商城用户注册信息，并根据所述偏好值数组更新所述商城用户注册信息。
8.一种电子设备，其特征在于，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至5任一项所述商城商品推荐方法的步骤。
9.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至5任一项所述商城商品推荐方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310386138.9A CN116579820A (zh) | 2023-04-11 | 2023-04-11 | 一种商城商品推荐算法方法、系统、电子设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310386138.9A CN116579820A (zh) | 2023-04-11 | 2023-04-11 | 一种商城商品推荐算法方法、系统、电子设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116579820A true CN116579820A (zh) | 2023-08-11 |
Family
ID=87538581
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310386138.9A Pending CN116579820A (zh) | 2023-04-11 | 2023-04-11 | 一种商城商品推荐算法方法、系统、电子设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116579820A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108763314A (zh) * | 2018-04-26 | 2018-11-06 | 深圳市腾讯计算机系统有限公司 | 一种兴趣推荐方法、装置、服务器及存储介质 |
| CN111080398A (zh) * | 2019-11-19 | 2020-04-28 | 浙江大搜车软件技术有限公司 | 商品推荐方法、装置、计算机设备和存储介质 |
| CN111582984A (zh) * | 2020-05-08 | 2020-08-25 | 广州探途网络技术有限公司 | 一种商品推荐方法、装置及计算设备 |
| CN111582992A (zh) * | 2020-05-13 | 2020-08-25 | 东华大学 | 一种改进了协同过滤推荐算法的推荐系统 |
| CN114861079A (zh) * | 2022-04-27 | 2022-08-05 | 西安建筑科技大学 | 一种融合商品特征的协同过滤推荐方法和系统 |
-
2023
- 2023-04-11 CN CN202310386138.9A patent/CN116579820A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108763314A (zh) * | 2018-04-26 | 2018-11-06 | 深圳市腾讯计算机系统有限公司 | 一种兴趣推荐方法、装置、服务器及存储介质 |
| CN111080398A (zh) * | 2019-11-19 | 2020-04-28 | 浙江大搜车软件技术有限公司 | 商品推荐方法、装置、计算机设备和存储介质 |
| CN111582984A (zh) * | 2020-05-08 | 2020-08-25 | 广州探途网络技术有限公司 | 一种商品推荐方法、装置及计算设备 |
| CN111582992A (zh) * | 2020-05-13 | 2020-08-25 | 东华大学 | 一种改进了协同过滤推荐算法的推荐系统 |
| CN114861079A (zh) * | 2022-04-27 | 2022-08-05 | 西安建筑科技大学 | 一种融合商品特征的协同过滤推荐方法和系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11875363B2 (en) | Method and system for generating recommendations | |
| US10095771B1 (en) | Clustering and recommending items based upon keyword analysis | |
| TWI636416B (zh) | 內容個人化之多相排序方法和系統 | |
| US9691096B1 (en) | Identifying item recommendations through recognized navigational patterns | |
| Xu et al. | Integrated collaborative filtering recommendation in social cyber-physical systems | |
| CN108664513B (zh) | 用于推送关键词的方法、装置以及设备 | |
| US11263687B2 (en) | System for secure management of inventory and profile information | |
| US20120185481A1 (en) | Method and Apparatus for Executing a Recommendation | |
| US20080154698A1 (en) | Dyanmic product classification for opinion aggregation | |
| US11048764B2 (en) | Managing under—and over-represented content topics in content pools | |
| US11430049B2 (en) | Communication via simulated user | |
| WO2012009180A1 (en) | Value maximizing recommendation systems | |
| CN111582992B (zh) | 一种改进了协同过滤推荐算法的推荐系统 | |
| US8572239B2 (en) | Node clustering | |
| CN111310046A (zh) | 对象推荐方法及装置 | |
| Singh et al. | A survey on the generation of recommender systems | |
| Greenstein‐Messica et al. | Personal‐discount sensitivity prediction for mobile coupon conversion optimization | |
| CN113469786A (zh) | 物品推荐的方法、装置、计算机设备和存储介质 | |
| US20090112846A1 (en) | System and/or method for processing events | |
| KR102187135B1 (ko) | 도서 추천 방법 및 이를 지원하는 서비스 장치 | |
| WO2017095371A1 (en) | Product recommendations based on selected user and product attributes | |
| CN116579820A (zh) | 一种商城商品推荐算法方法、系统、电子设备和存储介质 | |
| CN110827044A (zh) | 提取用户兴趣模式的方法和装置 | |
| Wang et al. | Prediction of purchase behaviors across heterogeneous social networks | |
| Tian et al. | Recommendation algorithm for mobile E-commerce based on cone depth learning |
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 |