CN116645167B - 一种基于智能决策的商品推荐系统及方法 - Google Patents
一种基于智能决策的商品推荐系统及方法 Download PDFInfo
- Publication number
- CN116645167B CN116645167B CN202310629117.5A CN202310629117A CN116645167B CN 116645167 B CN116645167 B CN 116645167B CN 202310629117 A CN202310629117 A CN 202310629117A CN 116645167 B CN116645167 B CN 116645167B
- Authority
- CN
- China
- Prior art keywords
- data
- recommendation
- scene
- user
- commodity
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000007418 data mining Methods 0.000 claims abstract description 36
- 230000001419 dependent effect Effects 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 5
- 238000013480 data collection Methods 0.000 claims abstract description 4
- 230000008569 process Effects 0.000 claims description 23
- 238000013507 mapping Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract 1
- 230000004044 response Effects 0.000 description 4
- 230000003993 interaction Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000000265 homogenisation Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000013021 overheating Methods 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012795 verification 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- 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
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9538—Presentation of query results
-
- 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
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明实施例公开了一种基于智能决策的商品推荐系统及方法,所述系统包括:数据收集模块,用于收集信息数据;其中,所述信息数据包括用户数据和商品数据;数据处理模块,用于对所述信息数据进行数据挖掘,以得到对应的特征关联数据;推荐模块,用于利用推荐算法并结合所述特征关联数据得到对应场景的推荐结果,并推送给用户;其效果是:使得商品推荐并不单一依赖用户的历史交易情况,通过数据挖掘,还从用户与商品,各商品之间的关联以及场景差异的角度进行推荐,从而提升推荐的准确度和用户黏性。
Description
技术领域
本发明涉及商品推荐技术领域,具体涉及一种基于智能决策的商品推荐系统及方法。
背景技术
推荐系统是电商、供应链采购,企业采购等互联网关键业务场景的核心流量和利润来源。因为推荐系统具有极其重要的业务价值,相关推荐技术的研究也就成为工业界的一个热门领域。
目前,现有的业务系统大多都具有可以向用户推荐产品的功能。业务系统常见的推荐功能主要是根据用户对于某些产品的历史交易数据来分析用户的喜好,对用户进行产品推荐。然而其推荐的维度过于单一,在客户需求发生变化或需求不明确时,存在推荐准确度较低,容易造成客户流失或订单取消,用户黏性不足等情况。
发明内容
针对背景技术中所提及的技术缺陷,本发明实施例提供了一种基于智能决策的商品推荐系统及方法。
为实现上述目的,第一方面,本发明实施例提供了一种基于智能决策的商品推荐系统,所述系统包括:
数据收集模块,用于收集信息数据;其中,所述信息数据包括用户数据和商品数据;
数据处理模块,用于对所述信息数据进行数据挖掘,以得到对应的特征关联数据;
推荐模块,用于利用推荐算法并结合所述特征关联数据得到对应场景的推荐结果,并推送给用户。
进一步地,所述数据挖掘具体包括:
基于用户数据和商品数据进行数据挖掘,得到用户与商品的关联关系;
基于用户数据进行数据挖掘,得到用户与用户之间的关联关系;
基于商品数据进行数据挖掘,得到各商品之间的关联关系。
进一步地,所述推荐模块还用于:
将得到的所述推荐结果结合用户当前所登录的设备类型和时间进行调整优化。
进一步地,所述推荐模块还用于根据场景差异进行推荐,具体采用:
将特征映射到全局和场景特定子空间,分别构建场景无关和场景依赖特征;
引入一个辅助网络来对所有场景中的共享知识进行建模,同时使用多分支网络来对特定场景之间的差异性进行建模;
自适应地学习各场景之间差异性和相似性,在保持当前场景主导地位的同时,自适应地从相似场景中获取信息。
进一步地,所述推荐算法的数量为多个,多个算法进程同时运作,各进程之间相互竞争,并根据后续的用户选择,判断在同一个场景下,各算法进程的竞争性。
第二方面,本发明实施例还提供了一种基于智能决策的商品推荐方法,应用于第一方面所述的一种基于智能决策的商品推荐系统,所述方法包括:
收集信息数据;其中,所述信息数据包括用户数据和商品数据;
对所述信息数据进行数据挖掘,以得到对应的特征关联数据;
利用推荐算法并结合所述特征关联数据得到对应场景的推荐结果,并推送给用户。
进一步地,所述数据挖掘具体包括:
基于用户数据和商品数据进行数据挖掘,得到用户与商品的关联关系;
基于用户数据进行数据挖掘,得到用户与用户之间的关联关系;
基于商品数据进行数据挖掘,得到各商品之间的关联关系。
进一步地,所述方法还包括:
将得到的所述推荐结果结合用户当前所登录的设备类型和时间进行调整优化。
进一步地,所述方法还包括:
根据场景差异进行推荐,具体采用:
将特征映射到全局和场景特定子空间,分别构建场景无关和场景依赖特征;
引入一个辅助网络来对所有场景中的共享知识进行建模,同时使用多分支网络来对特定场景之间的差异性进行建模;
自适应地学习各场景之间差异性和相似性,在保持当前场景主导地位的同时,自适应地从相似场景中获取信息。
进一步地,所述推荐算法的数量为多个,多个算法进程同时运作,各进程之间相互竞争,并根据后续的用户选择,判断在同一个场景下,各算法进程的竞争性。
实施本发明实施例提供的一种基于智能决策的商品推荐系统及方法,通过收集用户数据和商品数据,并进行数据挖掘,以得到对应的特征关联数据;然后,利用推荐算法并结合所述特征关联数据得到对应场景的推荐结果,并推送给用户,使得商品推荐并不单一依赖用户的历史交易情况,通过数据挖掘,还从用户与商品,各商品之间的关联以及场景差异的角度进行推荐,从而提升推荐的准确度和用户黏性。
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的技术方案,下面将对实施例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是本发明实施例提供的一种基于智能决策的商品推荐系统的结果示意图;
图2是本发明实施例提供的一种基于智能决策的商品推荐方法的流程图。
本申请目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。通过上述附图,已示出本申请明确的实施例,后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本申请构思的范围,而是通过参考特定实施例为本领域技术人员说明本申请的概念。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
需要说明的是,在本文中,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、物品或者装置不仅包括那些要素,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、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素,此外,本申请不同实施例中具有同样命名的部件、特征、要素可能具有相同含义,也可能具有不同含义,其具体含义需以其在该具体实施例中的解释或者进一步结合该具体实施例中上下文进行确定。
应当理解,尽管在本文可能采用术语第一、第二、第三等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本文范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。取决于语境,如在此所使用的词语"如果"可以被解释成为"在……时"或"当……时"或"响应于确定"。再者,如同在本文中所使用的,单数形式“一”、“一个”和“该”旨在也包括复数形式,除非上下文中有相反的指示。应当进一步理解,术语“包含”、“包括”表明存在所述的特征、步骤、操作、元件、组件、项目、种类、和/或组,但不排除一个或多个其他特征、步骤、操作、元件、组件、项目、种类、和/或组的存在、出现或添加。本申请使用的术语“或”、“和/或”、“包括以下至少一个”等可被解释为包括性的,或意味着任一个或任何组合。
应该理解的是,虽然本申请实施例中的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,其可以以其他的顺序执行。而且,图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
取决于语境,如在此所使用的词语“如果”、“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地,取决于语境,短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。
需要说明的是,在本文中,采用了诸如S101、S102等步骤代号,其目的是为了更清楚简要地表述相应内容,不构成顺序上的实质性限制,本领域技术人员在具体实施时,可能会先执行S102后执行S101等,但这些均应在本申请的保护范围之内。
参照图1,本发明实施例提供的一种基于智能决策的商品推荐系统,所述系统包括:
数据收集模块,用于收集信息数据;其中,所述信息数据包括用户数据和商品数据。
具体地,所述用户数据包括性别、年龄、地区、浏览、点击、收藏、购买、分享和评论等数据;
所述商品数据包括商品分类、商品价格、售罄率、库销比、搜索频率和利润率等数据;
最后将这些数据存入数据库中,支持多维度排序结构化数据存储,可处理海量的供应商资源,供应商商品资源和客户需求资源。
数据处理模块,用于对所述信息数据进行数据挖掘,以得到对应的特征关联数据。
具体地,所述数据挖掘具体包括:
基于用户数据和商品数据进行数据挖掘,得到用户与商品的关联关系;
基于用户数据进行数据挖掘,得到用户与用户之间,以及行业与行业之间的关联关系;
基于商品数据进行数据挖掘,得到各商品之间的关联关系。
也就是说,其一,研究物品,基于物品的类别、性质、大小等的推荐挖掘;其二,研究人,即根据人的类别、行为、喜好进行推荐,被称为基于用户的推荐挖掘;其三,协同推荐,将商品与人结合起来进行推荐;如,某个企业的商品a和b被同一类人喜欢,当用户1喜欢商品a,但是没有看过商品b,就可以把商品b推荐给用户1;同理,同一类客户不喜欢的商品,则不进行关联推荐。
即,对应的特征关联数据可理解为包括用户特征、商品特征和用户行为特征。
推荐模块,用于利用推荐算法并结合所述特征关联数据得到对应场景的推荐结果,并推送给用户。
具体的,基于具体的场景和特征,得到多个推荐结果;如,基于用户特征,可进行根据历史购买记录进行推荐;基于商品特征,可进行首页购买推荐;基于用户行为特征,可进行个性化购买推荐。
进一步,应用时,所述推荐模块还用于根据场景差异进行推荐,具体采用:
将特征映射到全局和场景特定子空间,分别构建场景无关和场景依赖特征;
引入一个辅助网络来对所有场景中的共享知识进行建模,同时使用多分支网络来对特定场景之间的差异性进行建模;
自适应地学习各场景之间差异性和相似性,在保持当前场景主导地位的同时,自适应地从相似场景中获取信息。
具体地,场景感知特征表示,通过embedding和attention模块,得到构建场景无关和场景依赖特征;
辅助网络,场景无关特征作为输入,对所有场景中的共享知识进行建模;
多分支网络,每个场景对应一个分支,前一层输出和辅助网络隐藏特征作为输入;
利用交互单元,自适应地学习各场景之间差异性和相似性,可以从相似场景中获取信息;
其中,为刻画不同场景间差异,每个场景有各自的embedding空间;Attention模块,采用multi-head attention,学习用户在全局和特定场景中兴趣偏好;
辅助网络,基于场景无关特征,构建了辅助网络,用于从全局视角学习共享知识,不仅获取最终输出(用于监督学习),同时提取隐藏表示,作为多分支网络输入,把全局知识传播到多分支网络。
通过辅助网络和多分支网络学习,可以充分利用全局和特定场景特征,但各分支是相互独立的,忽略了部分场景之间的相似性,为了建模场景之间的相似性和差异性,引入交互单元,增强相似场景之间的表示学习,同时能缓解部分场景训练不足问题。
上述方案,充分考虑到不同的推荐场景存在差异,现有方案难以捕获多个场景中间复杂的相关性(相似性和差异性等),影响推荐结果精度的问题。
进一步地,为提升推荐的针对性和灵活性,所述推荐算法的数量为多个,多个算法进程同时运作,各进程之间相互竞争,并根据后续的用户选择,判断在同一个场景下,各算法进程的竞争性;例如,CTR算法、CF算法和基于深度学习的序列推荐算法等。
这样在复合算法基础上加入竞争机制,使得在面对不同用户,在同一场景或不同场景中,让用户的选择结果更多,从而提升准确率,并基于后续的选择结果,判断出各算法的竞争性,利用根据用户与场景的推荐更加灵活,时效性更优。
进一步地,为使得推荐更具针对性,所述推荐模块还用于:
将得到的所述推荐结果结合用户当前所登录的设备类型和时间进行调整优化。
同样的一个产品,可能Web端、移动端都有入口;那么,同样的产品在不同设备和登录时间上的区别,会形成多个应用场景,而各场景下给用户推荐肯定应该存在不同,以体现差异化。
对应的,推荐时,还基于商品数据进行推荐过滤,以提升推荐的惊喜度;如,用户刚购买了打印机,则基于商品本身的使用期限,过滤掉打印机类商品,转而推荐打印纸,墨盒等与其相关的产品。
同时,还可基于商品数据中的附加数据进行推荐,以提升推荐的有效性;其中,所述附加数据包括是否包邮、是否保价和是否无条件退货等数据;因为验证发现,在商品交易过程中存在包邮、保价等附加数据时,有助于提高商品的成交率。
进一步地,在另一实施例中,为避免推荐出现同质化或过热的问题,在推荐时,还在推荐结果中加入一些冷门的库存内容,从而帮用户发现新的兴趣点,从而激发用户新的需求,同时,也使得多样化的产品得到了展示。
上述方案,通过收集用户数据和商品数据,并进行数据挖掘,以得到对应的特征关联数据;然后,利用推荐算法并结合所述特征关联数据得到对应场景的推荐结果,并推送给用户,使得商品推荐并不单一依赖用户的历史交易情况,通过数据挖掘,还从用户与商品,各商品之间的关联以及场景的角度进行推荐,从而提升推荐的准确度和用户黏性。
参照图2,本发明实施例提供的一种基于智能决策的商品推荐方法,应用于前文所述的一种基于智能决策的商品推荐系统,所述方法包括:
S101,收集信息数据;其中,所述信息数据包括用户数据和商品数据;
S102,对所述信息数据进行数据挖掘,以得到对应的特征关联数据;
S103,利用推荐算法并结合所述特征关联数据得到对应场景的推荐结果,并推送给用户。
其中,所述数据挖掘具体包括:
基于用户数据和商品数据进行数据挖掘,得到用户与商品的关联关系;
基于用户数据进行数据挖掘,得到用户与用户之间的关联关系;
基于商品数据进行数据挖掘,得到各商品之间的关联关系。
进一步地,所述推荐算法的数量为多个,多个算法进程同时运作,各进程之间相互竞争,并根据后续的用户选择,判断在同一个场景下,各算法进程的竞争性。
同时,为充分考虑场景差异化的特点,所述方法还包括:
根据场景差异进行推荐,具体采用:
将特征映射到全局和场景特定子空间,分别构建场景无关和场景依赖特征;
引入一个辅助网络来对所有场景中的共享知识进行建模,同时使用多分支网络来对特定场景之间的差异性进行建模;
自适应地学习各场景之间差异性和相似性,在保持当前场景主导地位的同时,自适应地从相似场景中获取信息。
场景感知特征表示,通过embedding和attention模块,得到构建场景无关和场景依赖特征;
辅助网络,场景无关特征作为输入,对所有场景中的共享知识进行建模;
多分支网络,每个场景对应一个分支,前一层输出和辅助网络隐藏特征作为输入;
利用交互单元,自适应地学习各场景之间差异性和相似性,可以从相似场景中获取信息。
进一步地,所述方法还包括:
将得到的所述推荐结果结合用户当前所登录的设备类型和时间进行调整优化。
在另一实施例中,为避免推荐出现同质化或过热的问题,在推荐时,还在推荐结果中加入一些冷门的库存内容,从而帮用户发现新的兴趣点,从而激发用户新的需求,同时,也使得多样化的产品得到了展示。
需要说明的是,方法实施例中具体的实施步骤和有益效果可参照前述系统实施例的描述,在此不再赘述。
在本申请中,对于相同或相似的术语概念、技术方案和/或应用场景描述,一般只在第一次出现时进行详细描述,后面再重复出现时,为了简洁,一般未再重复阐述,在理解本申请技术方案等内容时,对于在后未详细描述的相同或相似的术语概念、技术方案和/或应用场景描述等,可以参考其之前的相关详细描述。
在本申请中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本申请技术方案的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本申请记载的范围。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本申请的保护范围之内。
Claims (8)
1.一种基于智能决策的商品推荐系统,其特征在于,所述系统包括:
数据收集模块,用于收集信息数据;其中,所述信息数据包括用户数据和商品数据;
数据处理模块,用于对所述信息数据进行数据挖掘,以得到对应的特征关联数据;
推荐模块,用于利用推荐算法并结合所述特征关联数据得到对应场景的推荐结果,并推送给用户;
所述推荐模块还用于根据场景差异进行推荐,具体采用:
将特征映射到全局和场景特定子空间,分别构建场景无关和场景依赖特征;
引入一个辅助网络来对所有场景中的共享知识进行建模,同时使用多分支网络来对特定场景之间的差异性进行建模;每个场景对应一个分支,前一层输出和辅助网络隐藏特征作为输入;
自适应地学习各场景之间差异性和相似性,在保持当前场景主导地位的同时,自适应地从相似场景中获取信息;学习用户在全局和特定场景中兴趣偏好;
通过embedding和attention模块,得到构建场景无关和场景依赖特征;
为刻画不同场景间差异,每个场景有各自的embedding空间;Attention模块,采用multi-head attention,学习用户在全局和特定场景中兴趣偏好;所述辅助网络,用于从全局视角学习共享知识,同时提取隐藏表示,作为多分支网络输入,把全局知识传播到多分支网络;
推荐时,还基于商品数据进行推荐过滤,以提升推荐的惊喜度。
2.如权利要求1所述的一种基于智能决策的商品推荐系统,其特征在于,所述数据挖掘具体包括:
基于用户数据和商品数据进行数据挖掘,得到用户与商品的关联关系;
基于用户数据进行数据挖掘,得到用户与用户之间的关联关系;
基于商品数据进行数据挖掘,得到各商品之间的关联关系。
3.如权利要求2所述的一种基于智能决策的商品推荐系统,其特征在于,所述推荐模块还用于:
将得到的所述推荐结果结合用户当前所登录的设备类型和时间进行调整优化。
4.如权利要求3所述的一种基于智能决策的商品推荐系统,其特征在于,所述推荐算法的数量为多个,多个算法进程同时运作,各进程之间相互竞争,并根据后续的用户选择,判断在同一个场景下,各算法进程的竞争性。
5.一种基于智能决策的商品推荐方法,其特征在于,应用于权利要求1所述的一种基于智能决策的商品推荐系统,所述方法包括:
收集信息数据;其中,所述信息数据包括用户数据和商品数据;
对所述信息数据进行数据挖掘,以得到对应的特征关联数据;
利用推荐算法并结合所述特征关联数据得到对应场景的推荐结果,并推送给用户;
所述方法还包括:
根据场景差异进行推荐,具体采用:
将特征映射到全局和场景特定子空间,分别构建场景无关和场景依赖特征;
引入一个辅助网络来对所有场景中的共享知识进行建模,同时使用多分支网络来对特定场景之间的差异性进行建模;每个场景对应一个分支,前一层输出和辅助网络隐藏特征作为输入;
自适应地学习各场景之间差异性和相似性,在保持当前场景主导地位的同时,自适应地从相似场景中获取信息;学习用户在全局和特定场景中兴趣偏好;
通过embedding和attention模块,得到构建场景无关和场景依赖特征;
为刻画不同场景间差异,每个场景有各自的embedding空间;Attention模块,采用multi-head attention,学习用户在全局和特定场景中兴趣偏好;所述辅助网络,用于从全局视角学习共享知识,同时提取隐藏表示,作为多分支网络输入,把全局知识传播到多分支网络;
推荐时,还基于商品数据进行推荐过滤,以提升推荐的惊喜度。
6.如权利要求5所述的一种基于智能决策的商品推荐方法,其特征在于,所述数据挖掘具体包括:
基于用户数据和商品数据进行数据挖掘,得到用户与商品的关联关系;
基于用户数据进行数据挖掘,得到用户与用户之间的关联关系;
基于商品数据进行数据挖掘,得到各商品之间的关联关系。
7.如权利要求6所述的一种基于智能决策的商品推荐方法,其特征在于:所述方法还包括:
将得到的所述推荐结果结合用户当前所登录的设备类型和时间进行调整优化。
8.如权利要求7所述的一种基于智能决策的商品推荐方法,其特征在于,包括:所述推荐算法的数量为多个,多个算法进程同时运作,各进程之间相互竞争,并根据后续的用户选择,判断在同一个场景下,各算法进程的竞争性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310629117.5A CN116645167B (zh) | 2023-05-30 | 2023-05-30 | 一种基于智能决策的商品推荐系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310629117.5A CN116645167B (zh) | 2023-05-30 | 2023-05-30 | 一种基于智能决策的商品推荐系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116645167A CN116645167A (zh) | 2023-08-25 |
CN116645167B true CN116645167B (zh) | 2024-03-12 |
Family
ID=87618415
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310629117.5A Active CN116645167B (zh) | 2023-05-30 | 2023-05-30 | 一种基于智能决策的商品推荐系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116645167B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106202106A (zh) * | 2015-05-06 | 2016-12-07 | 盛玲 | 一种高效数据分析推荐方法和系统 |
CN110287410A (zh) * | 2019-06-05 | 2019-09-27 | 达疆网络科技(上海)有限公司 | 一种o2o电商场景下用户的多种推荐算法的融合方法 |
CN111861679A (zh) * | 2020-08-04 | 2020-10-30 | 深圳市创智园知识产权运营有限公司 | 一种基于人工智能的商品推荐方法 |
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 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150379609A1 (en) * | 2014-06-30 | 2015-12-31 | Kobo Incorporated | Generating recommendations for unfamiliar users by utilizing social side information |
-
2023
- 2023-05-30 CN CN202310629117.5A patent/CN116645167B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106202106A (zh) * | 2015-05-06 | 2016-12-07 | 盛玲 | 一种高效数据分析推荐方法和系统 |
CN110287410A (zh) * | 2019-06-05 | 2019-09-27 | 达疆网络科技(上海)有限公司 | 一种o2o电商场景下用户的多种推荐算法的融合方法 |
CN111861679A (zh) * | 2020-08-04 | 2020-10-30 | 深圳市创智园知识产权运营有限公司 | 一种基于人工智能的商品推荐方法 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN116645167A (zh) | 2023-08-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108629665B (zh) | 一种个性化商品推荐方法和系统 | |
CN108959603B (zh) | 基于深度神经网络的个性化推荐系统及方法 | |
CN109658206B (zh) | 信息推荐方法和装置 | |
Sivapalan et al. | Recommender systems in e-commerce | |
CN111709812A (zh) | 基于用户动态分类的电商平台商品推荐方法及系统 | |
Bauer et al. | Recommender systems based on quantitative implicit customer feedback | |
US11263687B2 (en) | System for secure management of inventory and profile information | |
US11195220B2 (en) | Systems and methods for artificial intelligence-based personalized purchase recommendations | |
Małecki et al. | The classification of internet shop customers based on the cluster analysis and graph cellular automata | |
Khodabandehlou | Designing an e-commerce recommender system based on collaborative filtering using a data mining approach | |
Apichottanakul et al. | Customer behaviour analysis based on buying-data sparsity for multi-category products in pork industry: A hybrid approach | |
Agarwal et al. | Recommender system for surplus stock clearance | |
KR101013942B1 (ko) | 추천 항목 제공 장치 및 방법 | |
KR20230137861A (ko) | 고객 맞춤 준비로 구매 편의성을 제공하는 오프라인 구매 서비스 제공 방법 및 장치 | |
Salunke et al. | Recommender systems in e-commerce | |
CN116645167B (zh) | 一种基于智能决策的商品推荐系统及方法 | |
Wu et al. | [Retracted] Using the Mathematical Model on Precision Marketing with Online Transaction Data Computing | |
Dixit et al. | A propound hybrid approach for personalized online product recommendations | |
CN114723491A (zh) | 一种基于用户画像和数据挖掘的精准营销方法和系统 | |
KR102429104B1 (ko) | 인공지능에 기반한 상품 카탈로그 자동 분류 시스템 | |
Banjade et al. | Product recommendations using linear predictive modeling | |
Ghadekar et al. | Image-Based Product Recommendations Using Market Basket Analysis | |
Kulkarni et al. | Role of Recommender System for Selling Products in Online Shopping | |
Hernández-Rodríguez et al. | A recommender system applied to the indirect materials selection process (RS-IMSP) for producing automobile spare parts | |
Chen et al. | Pattern filtering and classification for market basket analysis with profit‐based measures |
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 |