CN116823401A - 产品推荐概率的确定方法、装置和电子设备 - Google Patents
产品推荐概率的确定方法、装置和电子设备 Download PDFInfo
- Publication number
- CN116823401A CN116823401A CN202310840806.0A CN202310840806A CN116823401A CN 116823401 A CN116823401 A CN 116823401A CN 202310840806 A CN202310840806 A CN 202310840806A CN 116823401 A CN116823401 A CN 116823401A
- Authority
- CN
- China
- Prior art keywords
- accounts
- product
- browsing
- determining
- products
- 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 51
- 230000006870 function Effects 0.000 claims description 19
- 239000011159 matrix material Substances 0.000 claims description 17
- 238000005516 engineering process Methods 0.000 abstract description 7
- 239000000047 product Substances 0.000 description 401
- 238000010586 diagram Methods 0.000 description 17
- 238000004590 computer program Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 230000006399 behavior Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000012467 final product Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请公开了一种产品推荐概率的确定方法、装置和电子设备。涉及金融科技领域,该方法包括:获取N个账户各自的产品浏览信息,其中,N个账户包括目标账户,N个账户各自的产品浏览信息包括目标账户的目标产品浏览信息,N个账户共浏览不重复的M个产品,N,M为大于1的整数;根据N个账户各自的产品浏览信息,确定M个产品的特征信息;确定N个账户中其他账户的产品浏览信息对目标账户的推荐的影响参数;根据M个产品的特征信息、影响参数和目标产品浏览信息,确定向目标账户推荐M个产品各自对应的推荐概率。通过本申请,解决了相关技术中未考虑邻居账户对目标账户的影响造成的对目标账户推荐产品的精准度不高的技术问题。
Description
技术领域
本发明涉及金融科技领域,具体而言,涉及一种产品推荐概率的确定方法、装置和电子设备。需要说明的是,本发明确定的产品推荐概率的确定方法、装置和电子设备可用于金融科技领域确定对目标账户推荐产品的概率,也可用于除金融科技领域之外的任意领域确定对目标账户推荐产品的概率,本发明涉及的产品推荐概率的确定方法、装置和电子设备的应用领域不做限定。
背景技术
随着社交媒体的快速发展,个性化推荐系统针对用户对物品的偏好进行建模,可以为用户有效解决互联网时代带来的信息过载问题。近来有许多学者在推荐系统中引入知识图谱来对用户的兴趣进行建模,也即通过挖掘知识图中用户在互联网中建立的账户与交互项目之间的多跳关系(即路径),提取隐含的用户偏好和其他辅助信息,提高推荐精度。
相关技术中将账户与交互项目之间的关系表示为有向图,可以对于路径中复杂的转移关系进行有效表达。但是仅对目标账户浏览产品的路径进行建模,仅考虑目标账户浏览产品的路径对目标账户推荐产品,忽略了邻居账户浏览产品的路径有可能对目标账户浏览产品产生的影响,对目标账户真实兴趣的捕获是不够的,进而无法精准地向目标账户推荐符合其兴趣的产品。
针对相关技术中未考虑邻居账户对目标账户的影响造成的对目标账户推荐产品的精准度不高的技术问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种产品推荐概率的确定方法、装置和电子设备,以至少解决未考虑邻居账户对目标账户的影响造成的对目标账户推荐产品的精准度不高的技术问题。
为了实现上述目的,根据本申请的一个方面,提供了一种产品推荐概率的确定方法。该方法包括:获取N个账户各自的产品浏览信息,其中,N个账户包括目标账户N个账户各自的产品浏览信息包括目标账户的目标产品浏览信息,N个账户共浏览不重复的M个产品,N,M为大于1的整数;根据N个账户各自的产品浏览信息,确定M个产品的特征信息;确定N个账户中其他账户的产品浏览信息对目标账户的推荐的影响参数;根据M个产品的特征信息、影响参数和目标产品浏览信息,确定向目标账户推荐M个产品各自对应的推荐概率。
可选地,根据N个账户各自的产品浏览信息,确定M个产品的特征信息,包括:确定M个产品的属性信息,其中,属性信息包括M个产品的标识、类型和价格中至少一项;根据N个账户各自的产品浏览信息和M个产品的属性信息,构建与N个账户分别对应的产品浏览图,其中,产品浏览图包括表征对应账户浏览的产品的节点,以及表征对应账户的产品浏览顺序的节点之间的边,产品浏览图包括产品标识浏览图、产品类型浏览图和产品价格浏览图中至少一项;根据N个账户分别对应的产品浏览图,确定M个产品的特征信息。
可选地,根据N个账户分别对应的产品浏览图,确定M个产品的特征信息,包括:生成与N个账户分别对应的产品浏览图分别对应的邻接矩阵,其中,邻接矩阵包括产品标识邻接矩阵、产品类型邻接矩阵和产品价格邻接矩阵中至少一项;根据N个账户分别对应的产品浏览图分别对应的邻接矩阵,确定M个产品的特征信息,其中,特征信息包括产品标识特征、产品类型特征和产品价格特征中至少一项。
可选地,还包括:在属性信息包括M个产品的标识、类型和价格中至少两项的情况下,融合产品标识特征、产品类型特征和产品价格特征中至少两项特征,确定M个产品的特征信息。
可选地,确定N个账户中其他账户的产品浏览信息对目标账户的推荐的影响参数,包括:根据N个账户各自的产品浏览信息,确定N个账户各自的浏览特征,其中,N个账户各自的浏览特征包括目标账户的目标浏览特征;确定N个账户中其他账户的浏览特征与目标浏览特征的相似度;确定大于预先设定的相似度阈值的相似度对应的L个相似账户;根据L个相似账户各自的浏览特征和L个相似账户对应的相似度,确定影响参数。
可选地,根据N个账户各自的产品浏览信息,确定N个账户各自的浏览特征,包括:根据N个账户各自的产品浏览信息,确定N个账户各自的全局偏好和局部偏好;融合N个账户各自的全局偏好和局部偏好得到N个账户各自的浏览特征。
可选地,根据M个产品的特征信息、影响参数和目标产品浏览信息,确定向目标账户推荐M个产品各自对应的推荐概率,包括:根据目标产品浏览信息,确定目标账户的目标浏览特征;根据目标浏览特征和影响参数,确定目标账户的预测浏览特征;分别将M个产品的特征信息与预测浏览特征的乘积输入归一化指数函数,确定归一化指数函数输出的值为M个产品对应的推荐概率。
为了实现上述目的,根据本申请的另一方面,提供了一种产品推荐概率的确定装置。该装置包括:获取模块,用于获取N个账户各自的产品浏览信息,其中,N个账户包括目标账户,N个账户各自的产品浏览信息包括目标账户的目标产品浏览信息,N个账户共浏览不重复的M个产品,N,M为大于1的整数;第一确定模块,用于根据N个账户各自的产品浏览信息,确定M个产品的特征信息;第二确定模块,用于确定N个账户中其他账户的产品浏览信息对目标账户的推荐的影响参数;第三确定模块,用于根据M个产品的特征信息、影响参数和目标产品浏览信息,确定向目标账户推荐M个产品各自对应的推荐概率。
为了实现上述目的,根据本申请的另一方面,提供了一种非易失性存储介质,非易失性存储介质包括存储的程序,其中,在程序运行时控制非易失性存储介质所在设备上述中任意一项的产品推荐概率的确定方法。
为了实现上述目的,根据本申请的另一方面,提供了一种电子设备,包括一个或多个处理器和存储器,存储器用于存储一个或多个程序,其中,当一个或多个程序被一个或多个处理器执行时,使得一个或多个处理器实现上述中任意一项的产品推荐概率的确定方法。
通过本申请,采用以下步骤:获取N个账户各自的产品浏览信息,其中,N个账户包括目标账户,N个账户各自的产品浏览信息包括目标账户的目标产品浏览信息,N个账户共浏览不重复的M个产品,N,M为大于1的整数;根据N个账户各自的产品浏览信息,确定M个产品的特征信息;确定N个账户中其他账户的产品浏览信息对目标账户的推荐的影响参数;根据M个产品的特征信息、影响参数和目标产品浏览信息,确定向目标账户推荐M个产品各自对应的推荐概率,达到了结合N个账户中其他账户的浏览信息对目标账户的兴趣进行预测的目的,解决了相关技术中未考虑邻居账户对目标账户的影响造成的对目标账户推荐产品的精准度不高的技术问题,进而达到了提高对目标账户推荐产品的精准度的技术效果。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是根据本申请实施例提供的产品推荐概率的确定方法的流程图;
图2是根据本申请实施例提供的产品浏览图的示意图;
图3是根据本申请实施例提供的产品推荐概率的确定装置的示意图;
图4是根据本发明实施例提供的用于进行产品推荐概率的确定方法的电子设备的结构示意图。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
为了使本技术领域的人员更好地理解本申请方案,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,所描述的实施例仅仅是本申请一部分的实施例,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前提下所获得的所有其他实施例,都应当属于本申请保护的范围。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
需要说明的是,本公开所涉及的相关信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于展示的数据、分析的数据等),均为经用户授权或者经过各方充分授权的信息和数据。例如,本系统和相关用户或机构间设置有接口,在获取相关信息之前,需要通过接口向前述的用户或机构发送获取请求,并在接收到前述的用户或机构反馈的同意信息后,获取相关信息。
下面结合优选的实施步骤对本发明进行说明,图1是根据本申请实施例提供的产品推荐概率的确定方法的流程图,如图1所示,该方法包括如下步骤:
步骤S101,获取N个账户各自的产品浏览信息,其中,N个账户包括目标账户,N个账户各自的产品浏览信息包括目标账户的目标产品浏览信息,N个账户共浏览不重复的M个产品,N,M为大于1的整数。
本步骤中,账户可以是用户在金融交易软件上建立的电子账户,用户在金融交易软件上浏览金融产品,可以表现为账户对应的产品浏览信息,产品浏览信息可以在很大程度上表征用户对金融产品的兴趣点。产品浏览信息可以表现为账户依次在多个时刻与多项金融产品产生了交互行为,例如,账户A的产品浏览信息具体可以为账户A在12点半点击了金融产品B,在金融产品B的页面停留20秒,紧接着,账户A在12点31分点击了金融产品C,在金融产品C的页面停留1分钟,并收藏了金融产品C。N个账户各自的产品浏览信息中可以包括与N个账户发生交互行为的M个不重复的产品。
目标账户即为本次推荐产品的对象,在向目标账户推荐产品之前,可以主要考虑目标账户的产品浏览信息,并结合N个账户中其他账户的产品浏览信息,综合地确定向目标账户推荐M个产品时,每个产品对应的推荐概率。
步骤S102,根据N个账户各自的产品浏览信息,确定M个产品的特征信息。
本步骤中,可以根据N个账户各自的产品浏览信息,确定浏览过程中点击的M个产品各自的特征信息,也就是说,可以根据用户对产品的产生的交互行为,确定产品的特征。
步骤S103,确定N个账户中其他账户的产品浏览信息对目标账户的推荐的影响参数。
本步骤中,不同的账户对应不同的浏览信息,但是N个账户各自的产品浏览信息中可能存在与目标账户的浏览信息非常相似的浏览信息,所以可以对N个账户中除了目标账户之外的其他账户的产品浏览信息进行分析,确定其他账户对金融产品的兴趣,并综合考虑其他账户对金融产品的兴趣对目标账户进行产品推荐。
步骤S104,根据M个产品的特征信息、影响参数和目标产品浏览信息,确定向目标账户推荐M个产品各自对应的推荐概率。
本步骤中,可以以目标用户的目标产品浏览信息为主体,考虑N个账户中其他账户的产品浏览信息对目标账户的推荐的影响,结合M个产品自身的特征信息,最终确定向目标账户推荐M个产品时,M个产品各自对应的推荐概率。
本申请实施例提供的产品推荐概率的确定方法,通过本申请,采用以下步骤:获取N个账户各自的产品浏览信息,其中,N个账户包括目标账户,N个账户各自的产品浏览信息包括目标账户的目标产品浏览信息,N个账户共浏览不重复的M个产品,N,M为大于1的整数;根据N个账户各自的产品浏览信息,确定M个产品的特征信息;确定N个账户中其他账户的产品浏览信息对目标账户的推荐的影响参数;根据M个产品的特征信息、影响参数和目标产品浏览信息,确定向目标账户推荐M个产品各自对应的推荐概率,达到了结合N个账户中其他账户的浏览信息对目标账户的兴趣进行预测的目的,解决了相关技术中未考虑邻居账户对目标账户的影响造成的对目标账户推荐产品的精准度不高的技术问题,进而达到了提高对目标账户推荐产品的精准度的技术效果。
可选地,用户在购买金融产品时,金融产品的价格和类型会极大影响用户的购买兴趣,所以在确定M个产品的特征信息时,除了考虑产品的标识之外,还可以考虑产品的类型和价格。金融产品的类型可以是稳健型,可以是进取型;金融产品的价格可以包括多个价格段,基于减少计算量的考虑,可以将位于同一个价格段内的金融产品近似认为价格相同。
作为一种可选的实施例,根据N个账户各自的产品浏览信息,确定M个产品的特征信息,包括:确定M个产品的属性信息,其中,属性信息包括M个产品的标识、类型和价格中至少一项;根据N个账户各自的产品浏览信息和M个产品的属性信息,构建与N个账户分别对应的产品浏览图,其中,产品浏览图包括表征对应账户浏览的产品的节点,以及表征对应账户的产品浏览顺序的节点之间的边,产品浏览图包括产品标识浏览图、产品类型浏览图和产品价格浏览图中至少一项;根据N个账户分别对应的产品浏览图,确定M个产品的特征信息。
作为一种可选的实施例,根据N个账户分别对应的产品浏览图,确定M个产品的特征信息,包括:生成与N个账户分别对应的产品浏览图分别对应的邻接矩阵,其中,邻接矩阵包括产品标识邻接矩阵、产品类型邻接矩阵和产品价格邻接矩阵中至少一项;根据N个账户分别对应的产品浏览图分别对应的邻接矩阵,确定M个产品的特征信息,其中,特征信息包括产品标识特征、产品类型特征和产品价格特征中至少一项。
可选地,可以根据N个账户各自的产品浏览信息,在用户兴趣的维度上分别以产品的标识、类型和价格这三种属性确定M个产品各自的特征,也就是说,可以在N个账户各自的产品浏览信息的基础上,仅考虑产品的标识,确定产品标识特征;还可以在N个账户各自的产品浏览信息的基础上,仅考虑产品的类型,确定产品类型特征;还可以在N个账户各自的产品浏览信息的基础上,仅考虑产品的价格,确定产品价格特征。
根据N个账户各自的产品浏览信息,在用户兴趣的维度上以产品的标识确定M个产品各自的特征的具体步骤如下:首先,图2是根据本申请实施例提供的产品浏览图的示意图,如图2所示,可以根据N个账户各自的产品浏览信息,构建与N个账户分别对应的N幅产品标识浏览图,产品标识浏览图可以是有向图,可以表示对应的账户先后访问了多个金融产品,图中包括的节点可以表示被账户访问的多个金融产品,图中的边可以表示账户访问金融产品的先后顺序;其次,可以根据产品标识浏览图中每个节点的出度和入度,确定产品标识浏览图对应的邻接矩阵;最后,可以采用图卷积神经网络,根据产品标识浏览图和邻接矩阵,生成每个节点的特征信息,也即产品标识特征。
类似的,如图2所示,可以构建与N个账户分别对应的N幅产品类型浏览图并确定产品类型特征,其中,产品类型浏览图可以表示对应的账户先后访问了多种金融产品,图中包括的节点可以表示被账户访问的金融产品的种类,图中的边可以表示账户访问多种金融产品的先后顺序,具体地,可以是账户A先访问了稳健性的金融产品,又访问了进取型的金融产品。类似的,如图2所示,还可以构建与N个账户分别对应的N幅产品价格浏览图并确定产品价格特征,其中,产品价格浏览图可以表示对应的账户先后访问了多种价格区间的金融产品,图中包括的节点可以表示被账户访问的金融产品的价格区间,图中的边可以表示账户访问多种价格区间的金融产品的先后顺序,具体地,可以是账户A先访问了一千元以下的金融产品,又访问了一千元至一万元之间的金融产品。
需要说明的是,以生成产品标识浏览图为例,会根据N个账户中每个账户的浏览信息生成对应账户的产品标识浏览图,所以总共会有N幅产品标识浏览图,每幅图中的节点数不一定相同,N幅图中的节点总数也不一定为M个,但是N幅图中的所有的节点表征的所有的产品一定是不重复的M个产品。并且,如果同时考虑产品的标识、类型和价格,会构建3N幅产品浏览图,其中包括N幅产品标识浏览图、N幅产品类型浏览图和N幅产品价格浏览图。
作为一种可选的实施例,还可以包括:在属性信息包括M个产品的标识、类型和价格中至少两项的情况下,融合产品标识特征、产品类型特征和产品价格特征中至少两项特征,确定M个产品的特征信息。
可选地,如果分别考虑产品的标识、类型和价格中的两种或三种时,会得到产品标识特征、产品类型特征和产品价格特征中的两项特征或三项特征,此时,可以采用concat函数将多种特征进行融合,得到最终的产品的特征信息。
作为一种可选的实施例,确定N个账户中其他账户的产品浏览信息对目标账户的推荐的影响参数,可以包括:根据N个账户各自的产品浏览信息,确定N个账户各自的浏览特征,其中,N个账户各自的浏览特征包括目标账户的目标浏览特征;确定N个账户中其他账户的浏览特征与目标浏览特征的相似度;确定大于预先设定的相似度阈值的相似度对应的L个相似账户;根据L个相似账户各自的浏览特征和L个相似账户对应的相似度,确定影响参数。
作为一种可选的实施例,根据N个账户各自的产品浏览信息,确定N个账户各自的浏览特征,可以包括:根据N个账户各自的产品浏览信息,确定N个账户各自的全局偏好和局部偏好;融合N个账户各自的全局偏好和局部偏好得到N个账户各自的浏览特征。
可选地,可以分别确定N个账户各自的产品浏览特征。在确定每个账户的产品浏览特征时,可以根据注意力机制,结合M个产品各自的特征信息,确定账户浏览产品时的全局偏好;并且可以结合账户第一个点击的产品和最后一个点击的产品确定账户浏览产品时的局部偏好;然后可以采用concat函数将账户的全局偏好和局部偏好进行融合,得到账户的浏览特征。
可以在N个账户各自的浏览特征中确定目标账户对应的目标浏览特征,并且根据余弦相似度确定N个账户中其他账户的浏览特征与目标浏览特征的相似度,可以选取相似度大于预定阈值的L个相似账户,考虑L个相似账户的浏览行为对目标用户推荐产品的影响。可以计算L个相似账户中每个相似账户对目标账户的影响百分数,与目标账户的浏览特征越接近,相似账户的影响百分数就越大。然后可以将每个相似账户的浏览特征与影响百分数相乘,并求出L个相似账户的浏览特征与影响百分数的乘积之和,为影响参数。
作为一种可选的实施例,根据M个产品的特征信息、影响参数和目标产品浏览信息,确定向目标账户推荐M个产品各自对应的推荐概率,可以包括:根据目标产品浏览信息,确定目标账户的目标浏览特征;根据目标浏览特征和影响参数,确定目标账户的预测浏览特征;分别将M个产品的特征信息与预测浏览特征的乘积输入归一化指数函数,确定归一化指数函数输出的值为M个产品对应的推荐概率。
可选地,在确定N个账户中其他账户的产品浏览信息对目标账户的推荐的影响参数后,可以设置一个融合门,将影响参数与目标账户的目标产品浏览信息进行融合,得到表征目标账户的兴趣的预测浏览特征;将表征目标账户的兴趣的预测浏览特征和表征M个产品的特征信息相乘,可以初步得到根据目标账户的兴趣确定的目标账户点击M个产品的概率,为了进一步挖掘隐藏信息,可以采用softmax函数(即归一化指数函数)对M个产品的特征信息与预测浏览特征的乘积进行数据处理,可以得到为目标账户推荐M个产品时,M个产品分别对应的推荐概率。
需要说明的是,在考虑目标账户的目标浏览特征时,不仅可以通过目标账户的浏览产品信息分析目标账户的全局偏好和局部偏好,将全局偏好和局部偏好融合为目标浏览特征;还可以考虑目标账户对应的用户的年龄和收入等基础信息,构建基础信息特征,将基础信息特征和目标账户的全局偏好和局部偏好进行融合,得到具有更大信息量的目标浏览特征。
需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
本申请实施例还提供了一种产品推荐概率的确定装置,需要说明的是,本申请实施例的产品推荐概率的确定装置可以用于执行本申请实施例所提供的用于产品推荐概率的确定方法。以下对本申请实施例提供的产品推荐概率的确定装置进行介绍。
图3是根据本申请实施例提供的产品推荐概率的确定装置的示意图。如图3所示,该装置包括:获取模块31,用于获取N个账户各自的产品浏览信息,其中,N个账户包括目标账户,N个账户各自的产品浏览信息包括目标账户的目标产品浏览信息,N个账户共浏览不重复的M个产品,N,M为大于1的整数;第一确定模块32,用于根据N个账户各自的产品浏览信息,确定M个产品的特征信息;第二确定模块33,用于确定N个账户中其他账户的产品浏览信息对目标账户的推荐的影响参数;第三确定模块34,用于根据M个产品的特征信息、影响参数和目标产品浏览信息,确定向目标账户推荐M个产品各自对应的推荐概率。
本申请实施例提供的产品推荐概率的确定装置,达到了结合N个账户中其他账户的浏览信息对目标账户的兴趣进行预测的目的,解决了相关技术中未考虑邻居账户对目标账户的影响造成的对目标账户推荐产品的精准度不高的技术问题,进而达到了提高对目标账户推荐产品的精准度的技术效果。
产品推荐概率的确定装置包括处理器和存储器,上述获取模块31、第一确定模块32、第二确定模块33和第三确定模块34等均作为程序单元存储在存储器中,由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
处理器中包含内核,由内核去存储器中调取相应的程序单元。内核可以设置一个或以上,通过调整内核参数来结合N个账户中其他账户的浏览信息对目标账户的兴趣进行预测。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM),存储器包括至少一个存储芯片。
本发明实施例提供了一种计算机可读存储介质,其上存储有程序,该程序被处理器执行时实现产品推荐概率的确定方法。
本发明实施例提供了一种处理器,处理器用于运行程序,其中,程序运行时执行产品推荐概率的确定方法。
图4是根据本发明实施例提供的用于进行产品推荐概率的确定方法的电子设备的结构示意图,如图4所示,本发明实施例提供了一种电子设备,设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序,处理器执行程序时实现以下步骤:获取N个账户各自的产品浏览信息,其中,N个账户包括目标账户,N个账户各自的产品浏览信息包括目标账户的目标产品浏览信息,N个账户共浏览不重复的M个产品,N,M为大于1的整数;根据N个账户各自的产品浏览信息,确定M个产品的特征信息;确定N个账户中其他账户的产品浏览信息对目标账户的推荐的影响参数;根据M个产品的特征信息、影响参数和目标产品浏览信息,确定向目标账户推荐M个产品各自对应的推荐概率。
可选地,根据N个账户各自的产品浏览信息,确定M个产品的特征信息,包括:确定M个产品的属性信息,其中,属性信息包括M个产品的标识、类型和价格中至少一项;根据N个账户各自的产品浏览信息和M个产品的属性信息,构建与N个账户分别对应的产品浏览图,其中,产品浏览图包括表征对应账户浏览的产品的节点,以及表征对应账户的产品浏览顺序的节点之间的边,产品浏览图包括产品标识浏览图、产品类型浏览图和产品价格浏览图中至少一项;根据N个账户分别对应的产品浏览图,确定M个产品的特征信息。
可选地,根据N个账户分别对应的产品浏览图,确定M个产品的特征信息,包括:生成与N个账户分别对应的产品浏览图分别对应的邻接矩阵,其中,邻接矩阵包括产品标识邻接矩阵、产品类型邻接矩阵和产品价格邻接矩阵中至少一项;根据N个账户分别对应的产品浏览图分别对应的邻接矩阵,确定M个产品的特征信息,其中,特征信息包括产品标识特征、产品类型特征和产品价格特征中至少一项。
可选地,还包括:在属性信息包括M个产品的标识、类型和价格中至少两项的情况下,融合产品标识特征、产品类型特征和产品价格特征中至少两项特征,确定M个产品的特征信息。
可选地,确定N个账户中其他账户的产品浏览信息对目标账户的推荐的影响参数,包括:根据N个账户各自的产品浏览信息,确定N个账户各自的浏览特征,其中,N个账户各自的浏览特征包括目标账户的目标浏览特征;确定N个账户中其他账户的浏览特征与目标浏览特征的相似度;确定大于预先设定的相似度阈值的相似度对应的L个相似账户;根据L个相似账户各自的浏览特征和L个相似账户对应的相似度,确定影响参数。
可选地,根据N个账户各自的产品浏览信息,确定N个账户各自的浏览特征,包括:根据N个账户各自的产品浏览信息,确定N个账户各自的全局偏好和局部偏好;融合N个账户各自的全局偏好和局部偏好得到N个账户各自的浏览特征。
可选地,根据M个产品的特征信息、影响参数和目标产品浏览信息,确定向目标账户推荐M个产品各自对应的推荐概率,包括:根据目标产品浏览信息,确定目标账户的目标浏览特征;根据目标浏览特征和影响参数,确定目标账户的预测浏览特征;分别将M个产品的特征信息与预测浏览特征的乘积输入归一化指数函数,确定归一化指数函数输出的值为M个产品对应的推荐概率。
本文中的设备可以是服务器、PC、PAD、手机等。
本申请还提供了一种计算机程序产品,当在数据处理设备上执行时,适于执行初始化有如下方法步骤的程序:获取N个账户各自的产品浏览信息,其中,N个账户包括目标账户,N个账户各自的产品浏览信息包括目标账户的目标产品浏览信息,N个账户共浏览不重复的M个产品,N,M为大于1的整数;根据N个账户各自的产品浏览信息,确定M个产品的特征信息;确定N个账户中其他账户的产品浏览信息对目标账户的推荐的影响参数;根据M个产品的特征信息、影响参数和目标产品浏览信息,确定向目标账户推荐M个产品各自对应的推荐概率。
可选地,根据N个账户各自的产品浏览信息,确定M个产品的特征信息,包括:确定M个产品的属性信息,其中,属性信息包括M个产品的标识、类型和价格中至少一项;根据N个账户各自的产品浏览信息和M个产品的属性信息,构建与N个账户分别对应的产品浏览图,其中,产品浏览图包括表征对应账户浏览的产品的节点,以及表征对应账户的产品浏览顺序的节点之间的边,产品浏览图包括产品标识浏览图、产品类型浏览图和产品价格浏览图中至少一项;根据N个账户分别对应的产品浏览图,确定M个产品的特征信息。
可选地,根据N个账户分别对应的产品浏览图,确定M个产品的特征信息,包括:生成与N个账户分别对应的产品浏览图分别对应的邻接矩阵,其中,邻接矩阵包括产品标识邻接矩阵、产品类型邻接矩阵和产品价格邻接矩阵中至少一项;根据N个账户分别对应的产品浏览图分别对应的邻接矩阵,确定M个产品的特征信息,其中,特征信息包括产品标识特征、产品类型特征和产品价格特征中至少一项。
可选地,还包括:在属性信息包括M个产品的标识、类型和价格中至少两项的情况下,融合产品标识特征、产品类型特征和产品价格特征中至少两项特征,确定M个产品的特征信息。
可选地,确定N个账户中其他账户的产品浏览信息对目标账户的推荐的影响参数,包括:根据N个账户各自的产品浏览信息,确定N个账户各自的浏览特征,其中,N个账户各自的浏览特征包括目标账户的目标浏览特征;确定N个账户中其他账户的浏览特征与目标浏览特征的相似度;确定大于预先设定的相似度阈值的相似度对应的L个相似账户;根据L个相似账户各自的浏览特征和L个相似账户对应的相似度,确定影响参数。
可选地,根据N个账户各自的产品浏览信息,确定N个账户各自的浏览特征,包括:根据N个账户各自的产品浏览信息,确定N个账户各自的全局偏好和局部偏好;融合N个账户各自的全局偏好和局部偏好得到N个账户各自的浏览特征。
可选地,根据M个产品的特征信息、影响参数和目标产品浏览信息,确定向目标账户推荐M个产品各自对应的推荐概率,包括:根据目标产品浏览信息,确定目标账户的目标浏览特征;根据目标浏览特征和影响参数,确定目标账户的预测浏览特征;分别将M个产品的特征信息与预测浏览特征的乘积输入归一化指数函数,确定归一化指数函数输出的值为M个产品对应的推荐概率。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,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、商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、商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,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本申请的实施例可提供为方法、系统或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种产品推荐概率的确定方法,其特征在于,包括:
获取N个账户各自的产品浏览信息,其中,所述N个账户包括目标账户,所述N个账户各自的产品浏览信息包括所述目标账户的目标产品浏览信息,所述N个账户共浏览不重复的M个产品,N,M为大于1的整数;
根据所述N个账户各自的产品浏览信息,确定所述M个产品的特征信息;
确定所述N个账户中其他账户的产品浏览信息对所述目标账户的推荐的影响参数;
根据所述M个产品的特征信息、所述影响参数和所述目标产品浏览信息,确定向所述目标账户推荐所述M个产品各自对应的推荐概率。
2.根据权利要求1所述的方法,其特征在于,所述根据所述N个账户各自的产品浏览信息,确定所述M个产品的特征信息,包括:
确定所述M个产品的属性信息,其中,所述属性信息包括所述M个产品的标识、类型和价格中至少一项;
根据所述N个账户各自的产品浏览信息和所述M个产品的属性信息,构建与所述N个账户分别对应的产品浏览图,其中,所述产品浏览图包括表征对应账户浏览的产品的节点,以及表征所述对应账户的产品浏览顺序的节点之间的边,所述产品浏览图包括产品标识浏览图、产品类型浏览图和产品价格浏览图中至少一项;
根据所述N个账户分别对应的产品浏览图,确定所述M个产品的特征信息。
3.根据权利要求2所述的方法,其特征在于,所述根据所述N个账户分别对应的产品浏览图,确定所述M个产品的特征信息,包括:
生成与所述N个账户分别对应的产品浏览图分别对应的邻接矩阵,其中,所述邻接矩阵包括产品标识邻接矩阵、产品类型邻接矩阵和产品价格邻接矩阵中至少一项;
根据所述N个账户分别对应的产品浏览图分别对应的邻接矩阵,确定所述M个产品的特征信息,其中,所述特征信息包括产品标识特征、产品类型特征和产品价格特征中至少一项。
4.根据权利要求3所述的方法,其特征在于,还包括:
在所述属性信息包括所述M个产品的标识、类型和价格中至少两项的情况下,融合所述产品标识特征、所述产品类型特征和所述产品价格特征中至少两项特征,确定所述M个产品的特征信息。
5.根据权利要求1所述的方法,其特征在于,所述确定所述N个账户中其他账户的产品浏览信息对所述目标账户的推荐的影响参数,包括:
根据所述N个账户各自的产品浏览信息,确定所述N个账户各自的浏览特征,其中,所述N个账户各自的浏览特征包括所述目标账户的目标浏览特征;
确定所述N个账户中其他账户的浏览特征与所述目标浏览特征的相似度;
确定大于预先设定的相似度阈值的相似度对应的L个相似账户;
根据所述L个相似账户各自的浏览特征和所述L个相似账户对应的相似度,确定所述影响参数。
6.根据权利要求5所述的方法,其特征在于,所述根据所述N个账户各自的产品浏览信息,确定所述N个账户各自的浏览特征,包括:
根据所述N个账户各自的产品浏览信息,确定所述N个账户各自的全局偏好和局部偏好;
融合所述N个账户各自的全局偏好和局部偏好得到所述N个账户各自的浏览特征。
7.根据权利要求1至6中任意一项所述的方法,其特征在于,所述根据所述M个产品的特征信息、所述影响参数和所述目标产品浏览信息,确定向所述目标账户推荐所述M个产品各自对应的推荐概率,包括:
根据所述目标产品浏览信息,确定所述目标账户的目标浏览特征;
根据所述目标浏览特征和所述影响参数,确定所述目标账户的预测浏览特征;
分别将所述M个产品的特征信息与所述预测浏览特征的乘积输入归一化指数函数,确定所述归一化指数函数输出的值为所述M个产品对应的推荐概率。
8.一种产品推荐概率的确定装置,其特征在于,包括:
获取模块,用于获取N个账户各自的产品浏览信息,其中,所述N个账户包括目标账户,所述N个账户各自的产品浏览信息包括所述目标账户的目标产品浏览信息,所述N个账户共浏览不重复的M个产品,N,M为大于1的整数;
第一确定模块,用于根据所述N个账户各自的产品浏览信息,确定所述M个产品的特征信息;
第二确定模块,用于确定所述N个账户中其他账户的产品浏览信息对所述目标账户的推荐的影响参数;
第三确定模块,用于根据所述M个产品的特征信息、所述影响参数和所述目标产品浏览信息,确定向所述目标账户推荐所述M个产品各自对应的推荐概率。
9.一种非易失性存储介质,其特征在于,所述非易失性存储介质包括存储的程序,其中,在所述程序运行时控制所述非易失性存储介质所在设备执行权利要求1至7中任意一项所述的产品推荐概率的确定方法。
10.一种电子设备,其特征在于,包括一个或多个处理器和存储器,所述存储器用于存储一个或多个程序,其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现权利要求1至7中任意一项所述的产品推荐概率的确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310840806.0A CN116823401A (zh) | 2023-07-10 | 2023-07-10 | 产品推荐概率的确定方法、装置和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310840806.0A CN116823401A (zh) | 2023-07-10 | 2023-07-10 | 产品推荐概率的确定方法、装置和电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116823401A true CN116823401A (zh) | 2023-09-29 |
Family
ID=88127434
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310840806.0A Pending CN116823401A (zh) | 2023-07-10 | 2023-07-10 | 产品推荐概率的确定方法、装置和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116823401A (zh) |
-
2023
- 2023-07-10 CN CN202310840806.0A patent/CN116823401A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Rodas-Silva et al. | Selection of software product line implementation components using recommender systems: An application to wordpress | |
EP4181026A1 (en) | Recommendation model training method and apparatus, recommendation method and apparatus, and computer-readable medium | |
CN114298417A (zh) | 反欺诈风险评估方法、训练方法、装置及可读存储介质 | |
CN108228873A (zh) | 对象推荐、发布内容推送方法、装置、存储介质和设备 | |
CN104462156A (zh) | 一种基于用户行为的特征提取、个性化推荐方法和系统 | |
CN105469263A (zh) | 一种商品推荐方法及装置 | |
CN110008397B (zh) | 一种推荐模型训练方法及装置 | |
CN103678647A (zh) | 一种实现信息推荐的方法及系统 | |
CN110413870A (zh) | 商品推荐方法、装置及服务器 | |
US20160117328A1 (en) | Influence score of a social media domain | |
CN108550046A (zh) | 一种资源和营销推荐方法、装置及电子设备 | |
Xia et al. | Modeling consumer buying decision for recommendation based on multi-task deep learning | |
CN113191838A (zh) | 一种基于异质图神经网络的购物推荐方法及系统 | |
US20230342797A1 (en) | Object processing method based on time and value factors | |
CN111680213B (zh) | 信息推荐方法、数据处理方法及装置 | |
CN113034168A (zh) | 内容项投放方法、装置、计算机设备及存储介质 | |
CN116764236A (zh) | 游戏道具推荐方法、装置、计算机设备和存储介质 | |
CN112330373A (zh) | 用户行为分析方法、装置及计算机可读存储介质 | |
CN117076770A (zh) | 基于图计算的数据推荐方法、装置、存储价值及电子设备 | |
CN113836390A (zh) | 资源推荐方法、装置、计算机设备及存储介质 | |
CN117056619A (zh) | 确定用户行为特征的方法和装置 | |
CN116186119A (zh) | 用户行为分析方法、装置、设备及存储介质 | |
WO2017095371A1 (en) | Product recommendations based on selected user and product attributes | |
CN113836407B (zh) | 推荐方法及相关装置 | |
CN116823401A (zh) | 产品推荐概率的确定方法、装置和电子设备 |
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 |