CN116977019A - 一种商户推荐方法、装置、电子设备及存储介质 - Google Patents
一种商户推荐方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116977019A CN116977019A CN202310859558.4A CN202310859558A CN116977019A CN 116977019 A CN116977019 A CN 116977019A CN 202310859558 A CN202310859558 A CN 202310859558A CN 116977019 A CN116977019 A CN 116977019A
- Authority
- CN
- China
- Prior art keywords
- user
- matrix
- merchant
- purchase
- similarity
- 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 45
- 230000006399 behavior Effects 0.000 claims abstract description 65
- 239000011159 matrix material Substances 0.000 claims description 353
- 238000004891 communication Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 5
- 230000003542 behavioural effect Effects 0.000 claims 5
- 238000004422 calculation algorithm Methods 0.000 description 20
- 238000004364 calculation method Methods 0.000 description 18
- 238000010586 diagram Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 9
- 230000008859 change Effects 0.000 description 7
- 238000012986 modification Methods 0.000 description 7
- 230000004048 modification Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 239000004973 liquid crystal related substance Substances 0.000 description 6
- 230000003993 interaction Effects 0.000 description 5
- 238000010220 Pearson correlation analysis Methods 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 230000004075 alteration Effects 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 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]
-
- 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
-
- 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
- G06Q30/0203—Market surveys; Market polls
Abstract
本申请公开了一种商户推荐方法、装置、电子设备及存储介质，根据历史行为数据建立用户商户评分矩阵和用户商户购买次数矩阵，进而确定出目标用户与其他各个用户的评分相似度和购买次数相似度。并且根据各个用户的人员属性信息确定目标用户与其他各个用户的属性相似度。根据评分相似度、购买次数相似度和属性相似度，确定目标用户与其他各个用户的目标相似度，最后根据目标相似度确定购买行为匹配的候选用户，并根据目标用户和候选用户的历史行为数据，实现对目标用户的商户推荐。本申请结合了用户的评分特征、购买特征和人员属性特征确定购买行为匹配的候选用户，提高了确定相似用户的准确性，进而提高了商户推荐的准确性。
Description
技术领域
本申请涉及计算机数据处理技术领域，尤其涉及一种商户推荐方法、装置、电子设备及存储介质。
背景技术
互联网技术的蓬勃发展，促进了用户消费习惯的改变。人们更倾向于从网络上浏览、购买商品。因此，各大平台也掌握了数十亿级别的用户信息和商户信息等。推荐系统能够利用这些信息，帮助用户在数量庞大的商户中快速、高效地找到感兴趣的商户。这不但增强了用户购物体验，而且通过发现潜在购买者，有针对性地推荐商户，使销售利润最大化，达到了双赢的效果。
现有技术的商户推荐方法，大多基于用户对商户的评分值进行推荐。也就是对于目标用户，统计目标用户对各个商户的评分值，并且统计其他用户对各个商户的评分值，根据对各个商户的评分值确定与目标用户相似的各个用户，然后根据相似的各个用户的购物习惯，为目标用户推荐商户。现有技术存在的问题是，仅根据对各个商户的评分值确定相似用户的方式，提取到的用户特征较少，使得确定的相似用户准确性较差，进而商户推荐的准确性较差。
发明内容
本申请提供了一种商户推荐方法、装置、电子设备及存储介质，用以解决现有技术确定相似用户的准确性较差，进而商户推荐的准确性较差的问题。
第一方面，本申请提供了一种商户推荐方法，所述方法包括：
获取各个用户的历史行为数据和所述各个用户的人员属性信息，并根据所述历史行为数据建立用户商户评分矩阵和用户商户购买次数矩阵；
根据所述用户商户评分矩阵，确定目标用户与其他各个用户的评分相似度；根据所述用户商户购买次数矩阵，确定所述目标用户与所述其他各个用户的购买次数相似度；根据所述各个用户的人员属性信息，确定所述目标用户与所述其他各个用户的属性相似度；根据所述评分相似度、购买次数相似度和属性相似度，确定所述目标用户与所述其他各个用户的目标相似度；
根据所述目标相似度，确定与所述目标用户购买行为匹配的候选用户；根据所述目标用户和所述候选用户的历史行为数据，确定所述目标用户的推荐商户。
第二方面，本申请提供了一种商户推荐装置，所述装置包括：
矩阵建立模块，用于获取各个用户的历史行为数据和所述各个用户的人员属性信息，并根据所述历史行为数据建立用户商户评分矩阵和用户商户购买次数矩阵；
相似度确定模块，用于根据所述用户商户评分矩阵，确定目标用户与其他各个用户的评分相似度；根据所述用户商户购买次数矩阵，确定所述目标用户与所述其他各个用户的购买次数相似度；根据所述各个用户的人员属性信息，确定所述目标用户与所述其他各个用户的属性相似度；根据所述评分相似度、购买次数相似度和属性相似度，确定所述目标用户与所述其他各个用户的目标相似度；
商户推荐模块，用于根据所述目标相似度，确定与所述目标用户购买行为匹配的候选用户；根据所述目标用户和所述候选用户的历史行为数据，确定所述目标用户的推荐商户。
第三方面，本申请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，实现所述的方法步骤。
第四方面，本申请提供了一种计算机可读存储介质，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所述的方法步骤。
本申请提供了一种商户推荐方法、装置、电子设备及存储介质，所述方法包括：获取各个用户的历史行为数据和所述各个用户的人员属性信息，并根据所述历史行为数据建立用户商户评分矩阵和用户商户购买次数矩阵；根据所述用户商户评分矩阵，确定目标用户与其他各个用户的评分相似度；根据所述用户商户购买次数矩阵，确定所述目标用户与所述其他各个用户的购买次数相似度；根据所述各个用户的人员属性信息，确定所述目标用户与所述其他各个用户的属性相似度；根据所述评分相似度、购买次数相似度和属性相似度，确定所述目标用户与所述其他各个用户的目标相似度；根据所述目标相似度，确定与所述目标用户购买行为匹配的候选用户；根据所述目标用户和所述候选用户的历史行为数据，确定所述目标用户的推荐商户。
上述的技术方案具有如下优点或有益效果：
本申请中，根据历史行为数据建立用户商户评分矩阵和用户商户购买次数矩阵，进而确定出目标用户与其他各个用户的评分相似度和购买次数相似度。并且根据各个用户的人员属性信息确定目标用户与其他各个用户的属性相似度。根据评分相似度、购买次数相似度和属性相似度，确定目标用户与其他各个用户的目标相似度，最后根据目标相似度确定购买行为匹配的候选用户，并根据目标用户和候选用户的历史行为数据，实现对目标用户的商户推荐。本申请结合了用户的评分特征、购买特征和人员属性特征确定购买行为匹配的候选用户，提高了确定相似用户的准确性，进而提高了商户推荐的准确性。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请提供的商户推荐过程示意图；
图2为本申请提供的商户推荐框架图；
图3为本申请提供的时间权重函数的变化趋势示意图；
图4为本申请提供的商户推荐装置结构示意图；
图5为本申请提供的电子设备结构示意图。
具体实施方式
为使本申请的目的和实施方式更加清楚，下面将结合本申请示例性实施例中的附图，对本申请示例性实施方式进行清楚、完整地描述，显然，描述的示例性实施例仅是本申请一部分实施例，而不是全部的实施例。
需要说明的是，本申请中对于术语的简要说明，仅是为了方便理解接下来描述的实施方式，而不是意图限定本申请的实施方式。除非另有说明，这些术语应当按照其普通和通常的含义理解。
本申请中说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”等是用于区别类似或同类的对象或实体，而不必然意味着限定特定的顺序或先后次序，除非另外注明。应该理解这样使用的用语在适当情况下可以互换。
术语“包括”和“具有”以及他们的任何变形，意图在于覆盖但不排他的包含，例如，包含了一系列组件的产品或设备不必限于清楚地列出的所有组件，而是可包括没有清楚地列出的或对于这些产品或设备固有的其它组件。
术语“模块”是指任何已知或后来开发的硬件、软件、固件、人工智能、模糊逻辑或硬件或/和软件代码的组合，能够执行与该元件相关的功能。
最后应说明的是：以上各实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述各实施例对本申请进行了详细的说明，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，或者对其中部分或者全部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申请各实施例技术方案的范围。
为了方便解释，已经结合具体的实施方式进行了上述说明。但是，上述示例性的讨论不是意图穷尽或者将实施方式限定到上述公开的具体形式。根据上述的教导，可以得到多种修改和变形。上述实施方式的选择和描述是为了更好的解释原理以及实际的应用，从而使得本领域技术人员更好的使用所述实施方式以及适于具体使用考虑的各种不同的变形的实施方式。
图1为本申请提供的商户推荐过程示意图，包括以下步骤：
S101：获取各个用户的历史行为数据和所述各个用户的人员属性信息，并根据所述历史行为数据建立用户商户评分矩阵和用户商户购买次数矩阵。
S102：根据所述用户商户评分矩阵，确定目标用户与其他各个用户的评分相似度；根据所述用户商户购买次数矩阵，确定所述目标用户与所述其他各个用户的购买次数相似度；根据所述各个用户的人员属性信息，确定所述目标用户与所述其他各个用户的属性相似度；根据所述评分相似度、购买次数相似度和属性相似度，确定所述目标用户与所述其他各个用户的目标相似度。
S103：根据所述目标相似度，确定与所述目标用户购买行为匹配的候选用户；根据所述目标用户和所述候选用户的历史行为数据，确定所述目标用户的推荐商户。
本申请提供的商户推荐方法应用于电子设备，该电子设备可以是PC、平板电脑等设备，也可以是服务器。
各大平台也掌握了数十亿级别的用户历史行为数据，其中包括用户在商户购买商品的信息、用户对商户的评分信息以及用户自身的人员属性信息。其中，用户的人员属性信息包括用户的性别、年龄、职业等信息。电子设备可以获取各个用户的历史行为数据和各个用户的人员属性信息。也就是说获取到各个用户在历史时间段内对各个商户的评分信息和购买次数信息，以及各个用户的人员属性信息。需要说明的是，如果用户对商户进行过多次评分，可以获取最近时间评价的评分，也可以获取用户对商户的所有评分，然后计算所有评分的平均值作为获取到的用户对商户的评分。用户对商户的购买次数信息为用户在商户中购买商品的总次数，并且记录有每次购买商品的时间信息。
根据各个用户对各个商户的评分，可以建立用户商户评分矩阵，如果用户未对商户进行评价，则可以对矩阵中对应位置补0，或者补预设的元素值，预设的元素值例如是1、2等。根据各个用户对各个商户的购买次数，以建立用户商户购买次数矩阵，如果用户未购买过商户的商品，则可以对矩阵中对应位置补0，也可以补预设的元素值。
电子设备可以获取进行商户推荐的目标用户，例如，将访问购物平台的用户作为目标用户。根据用户商户评分矩阵，可以通过Pearson相关性分析算法确定目标用户与其他各个用户的评分相似度。类似的，根据用户商户购买次数矩阵，可以通过Pearson相关性分析算法确定目标用户与其他各个用户的购买次数相似度。并且，根据各个用户的人员属性信息，可以确定目标用户与其他各个用户的属性相似度。可选的，若目标用户与其他用户的人员属性信息相同，则确定目标用户与其他用户的属性相似度为1，若目标用户与其他用户的人员属性信息不同，则确定目标用户与其他用户的属性相似度为0。
对于目标用户和任一其他用户，根据两者的评分相似度、购买次数相似度和属性相似度，可以确定两者的目标相似度。例如，对评分相似度、购买次数相似度和属性相似度进行加权求和，得到目标相似度。评分相似度、购买次数相似度和属性相似度各自对应的权重可以预先进行设定，评分相似度、购买次数相似度和属性相似度各自对应的权重的和为1。
根据目标相似度，确定与目标用户购买行为匹配的候选用户。具体的，按照目标相似度由高到低的顺序，选取预设数量的目标相似度对应的用户作为与所述目标用户购买行为匹配的候选用户。预设数量例如是10个、20个等等。根据目标用户和候选用户的历史行为数据，确定目标用户的推荐商户。其中，可以统计目标用户和候选用户购买次数较多的商户，作为目标用户的推荐商户。
本申请中，根据历史行为数据建立用户商户评分矩阵和用户商户购买次数矩阵，进而确定出目标用户与其他各个用户的评分相似度和购买次数相似度。并且根据各个用户的人员属性信息确定目标用户与其他各个用户的属性相似度。根据评分相似度、购买次数相似度和属性相似度，确定目标用户与其他各个用户的目标相似度，最后根据目标相似度确定购买行为匹配的候选用户，并根据目标用户和候选用户的历史行为数据，实现对目标用户的商户推荐。本申请结合了用户的评分特征、购买特征和人员属性特征确定购买行为匹配的候选用户，提高了确定相似用户的准确性，进而提高了商户推荐的准确性。
考虑到用户商户评分矩阵存在空缺位置，填充预设值的方式对相似度计算仍然存在负面干扰，因此，为了提高用户商户评分矩阵的准确性，本申请中，根据所述历史行为数据建立用户商户评分矩阵包括：
根据所述历史行为数据建立用户商户的初始评分矩阵；
创建第一子评分矩阵和第二子评分矩阵，计算所述第一子评分矩阵和第二子评分矩阵的乘积，得到第一初始预测矩阵；根据所述初始评分矩阵和所述第一初始预测矩阵，确定评分矩阵损失值，根据所述评分矩阵损失值对所述第一子评分矩阵和第二子评分矩阵进行调整；当达到预设的第一迭代次数时，得到调整后的第三子评分矩阵和第四子评分矩阵；
根据所述第三子评分矩阵和第四子评分矩阵，确定所述初始评分矩阵中空缺位置对应的元素值，将所述元素值填充至所述初始评分矩阵中的所述空缺位置，得到用户商户评分矩阵。
本申请中，首先将根据历史行为数据建立的评分矩阵作为用户商户的初始评分矩阵，不存在评分的位置为空。
创建第一子评分矩阵和第二子评分矩阵，第一子评分矩阵和第二子评分矩阵的乘积与初始评分矩阵的维度相同。计算第一子评分矩阵和第二子评分矩阵的乘积，得到第一初始预测矩阵。根据初始评分矩阵和第一初始预测矩阵的差值，确定评分矩阵损失值，当评分矩阵损失值不满足要求时，对第一子评分矩阵和第二子评分矩阵中的元素值进行调整，每次对第一子评分矩阵和第二子评分矩阵中的元素值进行调整为一次迭代调整，迭代次数累加，当迭代次数达到预设的第一迭代次数时，得到调整后的第三子评分矩阵和第四子评分矩阵。预设的第一迭代次数例如是200次、300次等。
针对初始评分矩阵中的每个空缺位置，可以确定出该空缺位置对应于第三子评分矩阵和第四子评分矩阵中的元素值，也就是说，根据第三子评分矩阵和第四子评分矩阵可以确定出初始评分矩阵中的每个空缺位置对应的元素值，然后将元素值填充至初始评分矩阵中对应的空缺位置，填充元素值后的初始评分矩阵作为用户商户评分矩阵。
本申请先根据用户商户的初始评分矩阵迭代拟合得到了第三子评分矩阵和第四子评分矩阵，然后根据第三子评分矩阵和第四子评分矩阵填充初始评分矩阵中的空缺元素，避免了用户商户评分矩阵存在空缺位置对相似度计算存在的负面干扰，提高了用户相似度计算的准确性。
考虑到不同商户对用户的影响性大小不同，为了使确定目标用户与其他各个用户的评分相似度更准确，本申请中，根据所述用户商户评分矩阵，确定目标用户与其他各个用户的评分相似度包括：
针对各个商户，根据所述用户商户评分矩阵，确定所述各个用户对该商户的评分；根据所述各个用户对该商户的评分，确定该商户的评分标准差；根据该商户的评分标准差确定该商户的评分补偿系数；
根据所述用户商户评分矩阵和所述各个商户的评分补偿系数，确定目标用户与其他各个用户的评分相似度。
针对各个商户，根据用户商户评分矩阵，确定各个用户对该商户的评分，然后计算各个用户对该商户的评分的平均值，进而计算出各个用户对该商户的评分的评分标准差，得到该商户的评分标准差。根据该商户的评分标准差确定该商户的评分补偿系数。可选的，评分标准差越大，评分补偿系数越大。最后根据用户商户评分矩阵和各个商户的评分补偿系数，可以通过Pearson相关性分析算法确定目标用户与其他各个用户的评分相似度。本申请结合各个商户的评分补偿系数确定评分相似度，考虑到了不同商户对用户的影响性大小，使确定目标用户与其他各个用户的评分相似度更准确。
考虑到用户的兴趣变化特征，为了使建立的用户商户购买次数矩阵更准确，根据所述历史行为数据建立用户商户购买次数矩阵包括：
根据所述历史行为数据建立用户商户的初始购买次数矩阵；
根据用户在商户上每次购买商品的时间与当前时间的时间差，确定每次购买商品的时间权重系数；
根据所述用户在商户上购买商品的次数和所述每次购买商品的时间权重系数，确定所述用户的目标购买次数；根据所述用户的目标购买次数对所述初始购买次数矩阵中的对应的购买次数进行更新，根据更新后的矩阵确定用户商户购买次数矩阵。
将根据历史行为数据建立的购买次数矩阵作为用户商户的初始购买次数矩阵。根据用户在商户上每次购买商品的时间与当前时间的时间差，确定每次购买商品的时间权重系数，其中，时间差越长，时间权重系数越小。可以设置时间权重系数的范围为(0.5，1)。根据用户在商户上购买商品的次数和每次购买商品的时间权重系数，确定用户的目标购买次数，然后将初始购买次数矩阵中的购买次数更新为对应的目标购买次数，将购买次数更新后的初始购买次数矩阵作为用户商户购买次数矩阵。由于采用时间权重系数对购买次数进行更新，使得兼顾了用户的兴趣变化特征，使得用户商户购买次数矩阵更准确。
为了进一步使用户商户购买次数矩阵更准确，本申请中，所述根据更新后的矩阵确定用户商户购买次数矩阵包括：
将根据所述用户的目标购买次数对所述初始购买次数矩阵中的对应的购买次数进行更新，得到的矩阵作为用户商户的候选购买次数矩阵；
创建第一子购买次数矩阵和第二子购买次数矩阵，计算所述第一子购买次数矩阵和第二子购买次数矩阵的乘积，得到第二初始预测矩阵；根据所述候选购买次数矩阵和第二初始预测矩阵，确定购买次数矩阵损失值，根据所述购买次数矩阵损失值对所述第一子购买次数矩阵和第二子购买次数矩阵进行调整；当达到预设的第二迭代次数时，得到调整后的第三子购买次数矩阵和第四子购买次数矩阵；
根据所述第三子购买次数矩阵和第四子购买次数矩阵，确定所述候选购买次数矩阵中空缺位置对应的元素值，将所述元素值填充至所述候选购买次数矩阵中的所述空缺位置，得到用户商户购买次数矩阵。
本申请中，首先将根据用户的目标购买次数对初始购买次数矩阵中的对应的购买次数进行更新，得到的矩阵作为用户商户的候选购买次数矩阵，不存在购买次数的位置为空。
创建第一子购买次数矩阵和第二子购买次数矩阵，第一子购买次数矩阵和第二子购买次数矩阵的乘积与候选购买次数矩阵的维度相同。计算第一子购买次数矩阵和第二子购买次数矩阵的乘积，得到第二初始预测矩阵。根据候选购买次数矩阵和第二初始预测矩阵的差值，确定购买次数矩阵损失值，当购买次数矩阵损失值不满足要求时，对第一子购买次数矩阵和第二子购买次数矩阵中的元素值进行调整，每次对第一子购买次数矩阵和第二子购买次数矩阵中的元素值进行调整为一次迭代调整，迭代次数累加，当迭代次数达到预设的第二迭代次数时，得到调整后的第三子购买次数矩阵和第四子购买次数矩阵。预设的第二迭代次数和预设的第一迭代次数可以相同或不同。
针对候选购买次数矩阵中的每个空缺位置，可以确定出该空缺位置对应于第三子购买次数矩阵和第四子购买次数矩阵中的元素值，也就是说，根据第三子购买次数矩阵和第四子购买次数矩阵可以确定出候选购买次数矩阵中的每个空缺位置对应的元素值，然后将元素值填充至候选购买次数矩阵中对应的空缺位置，填充元素值后的候选购买次数矩阵作为用户商户购买次数矩阵。
本申请先根据用户商户的候选购买次数矩阵迭代拟合得到了第三子购买次数矩阵和第四子购买次数矩阵，然后根据第三子购买次数矩阵和第四子购买次数矩阵填充候选购买次数矩阵中的空缺元素，避免了用户商户购买次数矩阵存在空缺位置对相似度计算存在的负面干扰，提高了用户相似度计算的准确性。
本申请中，根据所述用户商户购买次数矩阵，确定目标用户与其他各个用户的购买次数相似度包括：
针对各个商户，根据所述用户商户购买次数矩阵，确定所述各个用户对该商户的购买次数；根据所述各个用户对该商户的购买次数，确定该商户的购买次数标准差；根据该商户的购买次数标准差确定该商户的购买次数补偿系数；
根据所述用户商户购买次数矩阵和所述各个商户的购买次数补偿系数，确定目标用户与其他各个用户的购买次数相似度。
针对各个商户，根据用户商户评分矩阵，确定各个用户对该商户的评分，然后计算各个用户对该商户的购买次数的平均值，进而计算出各个用户对该商户的购买次数的购买次数标准差，得到该商户的购买次数标准差。根据该商户的购买次数标准差确定该商户的购买次数补偿系数。可选的，购买次数标准差越大，购买次数补偿系数越大。最后根据用户商户购买次数矩阵和各个商户的购买次数补偿系数，可以通过Pearson相关性分析算法确定目标用户与其他各个用户的购买次数相似度。本申请结合各个商户的购买次数补偿系数确定购买次数相似度，考虑到了不同商户对用户的影响性大小，使确定目标用户与其他各个用户的购买次数相似度更准确。
本申请中，根据所述各个用户的人员属性信息，确定所述目标用户与所述其他各个用户的属性相似度包括：
根据所述各个用户的人员属性信息，确定所述目标用户与所述其他各个用户的年龄相似度、性别相似度和职业相似度；
根据所述目标用户与所述其他各个用户的年龄相似度、性别相似度和职业相似度，确定所述目标用户与所述其他各个用户的属性相似度。
根据各个用户的年龄信息，确定目标用户与其他各个用户的年龄相似度；根据各个用户的性别信息，确定目标用户与其他各个用户的性别相似度；根据各个用户的年龄信息，确定目标用户与其他各个用户的年龄相似度。然后对于任一其他用户，对目标用户与该用户的年龄相似度、性别相似度和职业相似度进行加权求和，得到目标用户与该用户的属性相似度。
本申请中，为了使确定目标用户的推荐商户更准确，根据所述目标用户和所述候选用户的历史行为数据，确定所述目标用户的推荐商户包括：
针对每个商户，根据所述目标用户和所述候选用户的目标相似度、所述候选用户对所述商户的评分，确定所述商户的预测评价评分；根据所述目标用户和所述候选用户的目标相似度、所述候选用户对所述商户的购买次数，确定所述商户的预测购买评分；根据所述预测评价评分和所述预测购买评分，确定所述商户的目标预测评分；
根据所述每个商户的目标预测评分，确定所述目标用户的推荐商户。
本申请提供的商户推荐方法，考虑到用户兴趣爱好的表达不仅体现在用户的评分等显性因素，还包括用户的购买行为和用户属性等隐性因素。本申请综合考虑上述两个维度，从而能够更好的挖掘出用户的兴趣爱好，评估用户之间的相似度，解决了现有基于用户的协同过滤推荐算法中缺乏对用户商户评分特征与用户商户购买行为特征、用户属性特征的融合，从而提升了推荐的准确率。
本申请基于改进的LFM算法对用户的评分以及购买次数矩阵进行填充，解决了基于用户的协同过滤推荐算法中用户商户交互稀疏性的问题；避免由于矩阵稀疏造成的计算误差，提高了推荐的效果。
本申请考虑用户的兴趣爱好并不是一成不变的，而用户购买这一行为包含的时间属性，能够反馈用户兴趣爱好的变化。因此将时间因素融入推荐算法，解决了现有基于用户的协同过滤推荐算法中缺乏购买行为时间属性建模的问题，给推荐算法引入了带有时间属性的购买记录信息。
本申请中，商户补偿系数的加入，使得本算法具备了评估不同商户对用户之间影响性大小的能力；这使得本文所述的推荐算法能够更精确的为用户提供个性化营销，提升用户的消费体验，促进用户在推荐商户上的消费。
本申请融合用户商户的评分特征、用户商户的购买行为特征和用户属性特征，综合衡量用户的兴趣，计算用户之间的相似度。针对商户与用户交互稀疏的问题，提出了一种基于改进的LFM算法对空缺数据进行填充的方法，能够有效的缓解用户与商户在交互过程中产生的数据稀疏问题。提出了一种时间权重函数，能够依据用户的购买记录，提取用户的兴趣变化特征，并将其变化映射在用户-商户购买次数矩阵，进一步提升基于用户相似度的推荐准确率。引入一种商户补偿系数，基于不同用户在同一商户上的评分的离散程度，评估不同商户对求解用户相似性的影响性大小，并与用户相似度计算融合，以降低部分与用户兴趣相关性较小的商户属性的影响，提高用户相似性计算的准确性，提升推荐算法的性能。
图2为本申请提供的商户推荐框架图，结合图2对本申请提供的商户推荐过程进行详细说明。
1、基于用户商户评分相似度计算：
假设一个包括了K个用户和J个商户的推荐系统中，Ra为用户与商户的评分矩阵，可表示为：
a)基于改进的LFM算法进行数据填充。
用户与商户评分矩阵Ra分解为两个子矩阵：
其中可表征为用户兴趣与潜在特征之间的关联，Lθ×J可表征为商户与潜在特征之间的关联。本算法采用了最小二乘法的基本思想来迭代计算潜在特征矩阵。目标损失函数被设计为：/>
其中ru,i表示用户u对商户i的评分，表示用户u对商户i评分的估计，其中{u,i}∈G，G表示包含了Φ个样本的用户与商户产生交互的集合。
在计算的过程中，因为是未知的，所以采用了用户与商户潜在特征矩阵/>和Lθ×J的元素来计算损失值，即：
其中hu表示矩阵H的第u行，li表示矩阵L中第i列。为了提升损失计算过程中的泛化性能，引入了L2范数正则项进行优化，目标函数可以转换为：
采用面向潜在特征矩阵优化改进的随机梯度下降的方法，对hu和li进行更新，使损失值最低。该方法动态调整对潜在特征矩阵的梯度，提升所得潜在特征矩阵的泛化性能。
更新hu和li的改进的随机梯度下降算法如下：
输入：学习率∈，矩估计的指数衰减速率ρ1＝0.9和ρ2＝0.999。数值稳定小常数σ＝10-8,迭代次数η。
1、初始化1阶和2阶变量s＝0,κ＝0，时间步ζ＝0；
2、Whileζ<ηdo；
3、从用户与商户产生交互的集合G随机采集1个样本即用户u对商户i的评分；
4、计算梯度和
5、ζ＝ζ+1；
6、更新有偏1阶矩估计：
7、更新有偏2阶矩估计：和/>
8、修正1阶矩的偏差：和/>
9、修正2阶矩的偏差：和/>
10、计算更新和/>
11、计算hu和li的更新，hu＝hu+Δθh和lu＝lu+Δθl；
12、End While。
输出：用户与商户潜在特征矩阵和Lθ×J。
最终得到了被改进的LFM算法填充完整的用户与商户的评分矩阵
b)引入惩罚系数的相似度计算。
Pearson相似性是目前协同滤波系统中最为常用的相似性度量算法。若直接采用用户-商户评分矩阵计算用户之间的Pearson相似性，那么用户之间的相似度可表达为：
其中，表示用户u和用户v的共同交集的商户的集合，f表示/>中第f个商户。和/>分别表示用户u和用户v对商户f的评分。/>和/>分别表示用户u和用户v对所有商户评分的均值。
但是由于用户对商户的打分，不仅仅取决于用户本身的兴趣爱好，还取决于商户自身的一些属性。比如说商户所卖商品的质量，譬如一家商户所售卖商品质量很差，那么大部分用户可能趋于对该商户很低的评分，但是这并不能说明这些用户的相似性很高。但是，如果多数用户针对某一商户的评分高低分布均匀时，这样的商户能够更好的体现用户之间的差异性。
因此，为了更好的体现商户对用户的区分，提升用户相似性特征提取的准确性，采用了基于评分标准差的方式来度量用户在同一商户上的评分的离散程度，从而体现商户对用户相似性计算的影响性大小。并基于此构建了基于用户评分标准差构成的补偿系数，其归一化后的计算方式如下：
其中，表示第f个商户评分的均值，/>表示第u个用户对f商户的评分。
因此加入补偿系数的基于用户商户评分矩阵计算用户之间Pearson相似性的计算公式Sa，可表达为：
2、基于用户商户购买次数相似度计算。
由于用户的兴趣会随着时间而变化，因此近期的购买记录更能反映用户的近期兴趣爱好，因此越接近当前时间购买记录，在用户的相似性计算过程中，权重占比应该越大，越远的相似性权重越小。因此这里采用时间权重函数对相似性进行加权。时间权重函数可以表示为：
其中，x表示用户在该商户消费的时间到当前时间的时间差。
图3为本申请提供的时间权重函数的变化趋势示意图，即随着用户在该商户消费的时间据当前时间差愈来越远，时间权重函数值将无限趋近于0.5。
用户u在商户i上的购买次数表示为：/>
其中m表示用户u在商户i上的第m此购买，即xm表示第m次消费距离当前时间的时间差，/>最近购买的最大次数。
所以用户对商户的购买次数矩阵可表示为：
同理基于改进的LFM算法对上述矩阵进行填充，然后基于引入惩罚系数的相似度计算方法可得到，基于用户购买次数的相似性矩阵Sb。
3、基于用户属性的相似度计算。
用户自然属性对用户评分、购买行为具有较大的影响，因此需要在推荐时充分考虑用户的自然属性，并挖掘用户潜在的爱好特征。基于用户的年龄、性别和职业属性，度量用户相似度。
针对年龄相似度，考虑到年龄相近的人会有更为相似的兴趣爱好。我们计算相似度如下公式所示：
表示年龄相似度，/>和/>分别表示用户u和v的年龄。
对于性别相似度，不同性别的群体对同一物品的喜好程度是不同。性别相似度可以定义为公式
代表的是两个用户之间的性别相似程度，性别相同则取值为1，不同为0。
职业相似度：每个人都会对从事工作方面的事务投入一定程度的关注，所以具有相同职业的人在喜好上也会有一定的相似性。职业相似度计算如公式：
其中表示职业相似性，两个用户u和v的职业相同时取值为1，不同的时候就设定数值为0。
综合了上面的三种不同的信息相似度，加权融合成基于用户属性的相似度，如下公式所示：
再次，综合商户的评分信息、商户购买次数和用户自然属性的信息特征，从三个方面构建了用户最终的加权相似性矩阵：
其中，α和β分别是介于[0,1]之间的可调参数，可根据实际情况调节参数。
4、评分预测与商户排序。
基于用户的相似度矩阵，采用基于K近邻的方法进行搜索。便可得到与目标用户u最相似的前e个近邻用户集合E。用户v是集合E的元素。则用户u与用户v的相似度可以表示为 表示用户u与商户q的预测评分，/>表示用户v对商户q的评分。预测评分/>可以表示为公式：/>
同理，可得到用户u对商户q购买次数的预测为：
其中，表示用户v对商户q的购买次数。
那么用户u对所有商户综合预测可表达为：
最终用户u对所有商户预测集合为：Ou＝{ou,1,ou,2,…,ou,q,…,ou,j}；
最后根据用户u的预测结果，就可以得到对商户的推荐排序。
图4为本申请提供的商户推荐装置结构示意图，包括：
矩阵建立模块41，用于获取各个用户的历史行为数据和所述各个用户的人员属性信息，并根据所述历史行为数据建立用户商户评分矩阵和用户商户购买次数矩阵；
相似度确定模块42，用于根据所述用户商户评分矩阵，确定目标用户与其他各个用户的评分相似度；根据所述用户商户购买次数矩阵，确定所述目标用户与所述其他各个用户的购买次数相似度；根据所述各个用户的人员属性信息，确定所述目标用户与所述其他各个用户的属性相似度；根据所述评分相似度、购买次数相似度和属性相似度，确定所述目标用户与所述其他各个用户的目标相似度；
商户推荐模块43，用于根据所述目标相似度，确定与所述目标用户购买行为匹配的候选用户；根据所述目标用户和所述候选用户的历史行为数据，确定所述目标用户的推荐商户。
所述矩阵建立模块41，具体用于根据所述历史行为数据建立用户商户的初始评分矩阵；创建第一子评分矩阵和第二子评分矩阵，计算所述第一子评分矩阵和第二子评分矩阵的乘积，得到第一初始预测矩阵；根据所述初始评分矩阵和所述第一初始预测矩阵，确定评分矩阵损失值，根据所述评分矩阵损失值对所述第一子评分矩阵和第二子评分矩阵进行调整；当达到预设的第一迭代次数时，得到调整后的第三子评分矩阵和第四子评分矩阵；根据所述第三子评分矩阵和第四子评分矩阵，确定所述初始评分矩阵中空缺位置对应的元素值，将所述元素值填充至所述初始评分矩阵中的所述空缺位置，得到用户商户评分矩阵。
所述相似度确定模块42，具体用于针对各个商户，根据所述用户商户评分矩阵，确定所述各个用户对该商户的评分；根据所述各个用户对该商户的评分，确定该商户的评分标准差；根据该商户的评分标准差确定该商户的评分补偿系数；根据所述用户商户评分矩阵和所述各个商户的评分补偿系数，确定目标用户与其他各个用户的评分相似度。
所述矩阵建立模块41，具体用于根据所述历史行为数据建立用户商户的初始购买次数矩阵；根据用户在商户上每次购买商品的时间与当前时间的时间差，确定每次购买商品的时间权重系数；根据所述用户在商户上购买商品的次数和所述每次购买商品的时间权重系数，确定所述用户的目标购买次数；根据所述用户的目标购买次数对所述初始购买次数矩阵中的对应的购买次数进行更新，根据更新后的矩阵确定用户商户购买次数矩阵。
所述矩阵建立模块41，具体用于将根据所述用户的目标购买次数对所述初始购买次数矩阵中的对应的购买次数进行更新，得到的矩阵作为用户商户的候选购买次数矩阵；创建第一子购买次数矩阵和第二子购买次数矩阵，计算所述第一子购买次数矩阵和第二子购买次数矩阵的乘积，得到第二初始预测矩阵；根据所述候选购买次数矩阵和第二初始预测矩阵，确定购买次数矩阵损失值，根据所述购买次数矩阵损失值对所述第一子购买次数矩阵和第二子购买次数矩阵进行调整；当达到预设的第二迭代次数时，得到调整后的第三子购买次数矩阵和第四子购买次数矩阵；根据所述第三子购买次数矩阵和第四子购买次数矩阵，确定所述候选购买次数矩阵中空缺位置对应的元素值，将所述元素值填充至所述候选购买次数矩阵中的所述空缺位置，得到用户商户购买次数矩阵。
所述相似度确定模块42，具体用于针对各个商户，根据所述用户商户购买次数矩阵，确定所述各个用户对该商户的购买次数；根据所述各个用户对该商户的购买次数，确定该商户的购买次数标准差；根据该商户的购买次数标准差确定该商户的购买次数补偿系数；根据所述用户商户购买次数矩阵和所述各个商户的购买次数补偿系数，确定目标用户与其他各个用户的购买次数相似度。
所述相似度确定模块42，具体用于根据所述各个用户的人员属性信息，确定所述目标用户与所述其他各个用户的年龄相似度、性别相似度和职业相似度；根据所述目标用户与所述其他各个用户的年龄相似度、性别相似度和职业相似度，确定所述目标用户与所述其他各个用户的属性相似度。
所述商户推荐模块43，具体用于按照所述目标相似度由高到低的顺序，选取预设数量的目标相似度对应的用户作为与所述目标用户购买行为匹配的候选用户。
所述商户推荐模块43，具体用于针对每个商户，根据所述目标用户和所述候选用户的目标相似度、所述候选用户对所述商户的评分，确定所述商户的预测评价评分；根据所述目标用户和所述候选用户的目标相似度、所述候选用户对所述商户的购买次数，确定所述商户的预测购买评分；根据所述预测评价评分和所述预测购买评分，确定所述商户的目标预测评分；根据所述每个商户的目标预测评分，确定所述目标用户的推荐商户。
本申请还提供了一种电子设备，如图5所示，包括：处理器301、通信接口302、存储器303和通信总线304，其中，处理器301，通信接口302，存储器303通过通信总线304完成相互间的通信；
所述存储器303中存储有计算机程序，当所述程序被所述处理器301执行时，使得所述处理器301执行以上任一方法步骤。
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302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。可选地，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。
上述处理器可以是通用处理器，包括中央处理器、网络处理器(NetworkProcessor，NP)等；还可以是数字信号处理器(Digital Signal Processing，DSP)、专用集成电路、现场可编程门陈列或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。
本申请还提供了一种计算机存储可读存储介质，所述计算机可读存储介质内存储有可由电子设备执行的计算机程序，当所述程序在所述电子设备上运行时，使得所述电子设备执行时实现以上任一方法步骤。
尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。
Claims (20)
1.一种商户推荐方法，其特征在于，所述方法包括：
获取各个用户的历史行为数据和所述各个用户的人员属性信息，并根据所述历史行为数据建立用户商户评分矩阵和用户商户购买次数矩阵；
根据所述用户商户评分矩阵，确定目标用户与其他各个用户的评分相似度；根据所述用户商户购买次数矩阵，确定所述目标用户与所述其他各个用户的购买次数相似度；根据所述各个用户的人员属性信息，确定所述目标用户与所述其他各个用户的属性相似度；根据所述评分相似度、购买次数相似度和属性相似度，确定所述目标用户与所述其他各个用户的目标相似度；
根据所述目标相似度，确定与所述目标用户购买行为匹配的候选用户；根据所述目标用户和所述候选用户的历史行为数据，确定所述目标用户的推荐商户。
2.如权利要求1所述的方法，其特征在于，根据所述历史行为数据建立用户商户评分矩阵包括：
根据所述历史行为数据建立用户商户的初始评分矩阵；
创建第一子评分矩阵和第二子评分矩阵，计算所述第一子评分矩阵和第二子评分矩阵的乘积，得到第一初始预测矩阵；根据所述初始评分矩阵和所述第一初始预测矩阵，确定评分矩阵损失值，根据所述评分矩阵损失值对所述第一子评分矩阵和第二子评分矩阵进行调整；当达到预设的第一迭代次数时，得到调整后的第三子评分矩阵和第四子评分矩阵；
根据所述第三子评分矩阵和第四子评分矩阵，确定所述初始评分矩阵中空缺位置对应的元素值，将所述元素值填充至所述初始评分矩阵中的所述空缺位置，得到用户商户评分矩阵。
3.如权利要求1或2所述的方法，其特征在于，根据所述用户商户评分矩阵，确定目标用户与其他各个用户的评分相似度包括：
针对各个商户，根据所述用户商户评分矩阵，确定所述各个用户对该商户的评分；根据所述各个用户对该商户的评分，确定该商户的评分标准差；根据该商户的评分标准差确定该商户的评分补偿系数；
根据所述用户商户评分矩阵和所述各个商户的评分补偿系数，确定目标用户与其他各个用户的评分相似度。
4.如权利要求1所述的方法，其特征在于，根据所述历史行为数据建立用户商户购买次数矩阵包括：
根据所述历史行为数据建立用户商户的初始购买次数矩阵；
根据用户在商户上每次购买商品的时间与当前时间的时间差，确定每次购买商品的时间权重系数；
根据所述用户在商户上购买商品的次数和所述每次购买商品的时间权重系数，确定所述用户的目标购买次数；根据所述用户的目标购买次数对所述初始购买次数矩阵中的对应的购买次数进行更新，根据更新后的矩阵确定用户商户购买次数矩阵。
5.如权利要求4所述的方法，其特征在于，所述根据更新后的矩阵确定用户商户购买次数矩阵包括：
将根据所述用户的目标购买次数对所述初始购买次数矩阵中的对应的购买次数进行更新，得到的矩阵作为用户商户的候选购买次数矩阵；
创建第一子购买次数矩阵和第二子购买次数矩阵，计算所述第一子购买次数矩阵和第二子购买次数矩阵的乘积，得到第二初始预测矩阵；根据所述候选购买次数矩阵和第二初始预测矩阵，确定购买次数矩阵损失值，根据所述购买次数矩阵损失值对所述第一子购买次数矩阵和第二子购买次数矩阵进行调整；当达到预设的第二迭代次数时，得到调整后的第三子购买次数矩阵和第四子购买次数矩阵；
根据所述第三子购买次数矩阵和第四子购买次数矩阵，确定所述候选购买次数矩阵中空缺位置对应的元素值，将所述元素值填充至所述候选购买次数矩阵中的所述空缺位置，得到用户商户购买次数矩阵。
6.如权利要求1或4或5所述的方法，其特征在于，根据所述用户商户购买次数矩阵，确定目标用户与其他各个用户的购买次数相似度包括：
针对各个商户，根据所述用户商户购买次数矩阵，确定所述各个用户对该商户的购买次数；根据所述各个用户对该商户的购买次数，确定该商户的购买次数标准差；根据该商户的购买次数标准差确定该商户的购买次数补偿系数；
根据所述用户商户购买次数矩阵和所述各个商户的购买次数补偿系数，确定目标用户与其他各个用户的购买次数相似度。
7.如权利要求1所述的方法，其特征在于，根据所述各个用户的人员属性信息，确定所述目标用户与所述其他各个用户的属性相似度包括：
根据所述各个用户的人员属性信息，确定所述目标用户与所述其他各个用户的年龄相似度、性别相似度和职业相似度；
根据所述目标用户与所述其他各个用户的年龄相似度、性别相似度和职业相似度，确定所述目标用户与所述其他各个用户的属性相似度。
8.如权利要求1所述的方法，其特征在于，根据所述目标相似度，确定与所述目标用户购买行为匹配的候选用户包括：
按照所述目标相似度由高到低的顺序，选取预设数量的目标相似度对应的用户作为与所述目标用户购买行为匹配的候选用户。
9.如权利要求1所述的方法，其特征在于，根据所述目标用户和所述候选用户的历史行为数据，确定所述目标用户的推荐商户包括：
针对每个商户，根据所述目标用户和所述候选用户的目标相似度、所述候选用户对所述商户的评分，确定所述商户的预测评价评分；根据所述目标用户和所述候选用户的目标相似度、所述候选用户对所述商户的购买次数，确定所述商户的预测购买评分；根据所述预测评价评分和所述预测购买评分，确定所述商户的目标预测评分；
根据所述每个商户的目标预测评分，确定所述目标用户的推荐商户。
10.一种商户推荐装置，其特征在于，所述装置包括：
矩阵建立模块，用于获取各个用户的历史行为数据和所述各个用户的人员属性信息，并根据所述历史行为数据建立用户商户评分矩阵和用户商户购买次数矩阵；
相似度确定模块，用于根据所述用户商户评分矩阵，确定目标用户与其他各个用户的评分相似度；根据所述用户商户购买次数矩阵，确定所述目标用户与所述其他各个用户的购买次数相似度；根据所述各个用户的人员属性信息，确定所述目标用户与所述其他各个用户的属性相似度；根据所述评分相似度、购买次数相似度和属性相似度，确定所述目标用户与所述其他各个用户的目标相似度；
商户推荐模块，用于根据所述目标相似度，确定与所述目标用户购买行为匹配的候选用户；根据所述目标用户和所述候选用户的历史行为数据，确定所述目标用户的推荐商户。
11.如权利要求10所述的装置，其特征在于，所述矩阵建立模块，具体用于根据所述历史行为数据建立用户商户的初始评分矩阵；创建第一子评分矩阵和第二子评分矩阵，计算所述第一子评分矩阵和第二子评分矩阵的乘积，得到第一初始预测矩阵；根据所述初始评分矩阵和所述第一初始预测矩阵，确定评分矩阵损失值，根据所述评分矩阵损失值对所述第一子评分矩阵和第二子评分矩阵进行调整；当达到预设的第一迭代次数时，得到调整后的第三子评分矩阵和第四子评分矩阵；根据所述第三子评分矩阵和第四子评分矩阵，确定所述初始评分矩阵中空缺位置对应的元素值，将所述元素值填充至所述初始评分矩阵中的所述空缺位置，得到用户商户评分矩阵。
12.如权利要求10或11所述的装置，其特征在于，所述相似度确定模块，具体用于针对各个商户，根据所述用户商户评分矩阵，确定所述各个用户对该商户的评分；根据所述各个用户对该商户的评分，确定该商户的评分标准差；根据该商户的评分标准差确定该商户的评分补偿系数；根据所述用户商户评分矩阵和所述各个商户的评分补偿系数，确定目标用户与其他各个用户的评分相似度。
13.如权利要求10所述的装置，其特征在于，所述矩阵建立模块，具体用于根据所述历史行为数据建立用户商户的初始购买次数矩阵；根据用户在商户上每次购买商品的时间与当前时间的时间差，确定每次购买商品的时间权重系数；根据所述用户在商户上购买商品的次数和所述每次购买商品的时间权重系数，确定所述用户的目标购买次数；根据所述用户的目标购买次数对所述初始购买次数矩阵中的对应的购买次数进行更新，根据更新后的矩阵确定用户商户购买次数矩阵。
14.如权利要求13所述的装置，其特征在于，所述矩阵建立模块，具体用于将根据所述用户的目标购买次数对所述初始购买次数矩阵中的对应的购买次数进行更新，得到的矩阵作为用户商户的候选购买次数矩阵；创建第一子购买次数矩阵和第二子购买次数矩阵，计算所述第一子购买次数矩阵和第二子购买次数矩阵的乘积，得到第二初始预测矩阵；根据所述候选购买次数矩阵和第二初始预测矩阵，确定购买次数矩阵损失值，根据所述购买次数矩阵损失值对所述第一子购买次数矩阵和第二子购买次数矩阵进行调整；当达到预设的第二迭代次数时，得到调整后的第三子购买次数矩阵和第四子购买次数矩阵；根据所述第三子购买次数矩阵和第四子购买次数矩阵，确定所述候选购买次数矩阵中空缺位置对应的元素值，将所述元素值填充至所述候选购买次数矩阵中的所述空缺位置，得到用户商户购买次数矩阵。
15.如权利要求10或13或14所述的装置，其特征在于，所述相似度确定模块，具体用于针对各个商户，根据所述用户商户购买次数矩阵，确定所述各个用户对该商户的购买次数；根据所述各个用户对该商户的购买次数，确定该商户的购买次数标准差；根据该商户的购买次数标准差确定该商户的购买次数补偿系数；根据所述用户商户购买次数矩阵和所述各个商户的购买次数补偿系数，确定目标用户与其他各个用户的购买次数相似度。
16.如权利要求10所述的装置，其特征在于，所述相似度确定模块，具体用于根据所述各个用户的人员属性信息，确定所述目标用户与所述其他各个用户的年龄相似度、性别相似度和职业相似度；根据所述目标用户与所述其他各个用户的年龄相似度、性别相似度和职业相似度，确定所述目标用户与所述其他各个用户的属性相似度。
17.如权利要求10所述的装置，其特征在于，所述商户推荐模块，具体用于按照所述目标相似度由高到低的顺序，选取预设数量的目标相似度对应的用户作为与所述目标用户购买行为匹配的候选用户。
18.如权利要求10所述的装置，其特征在于，所述商户推荐模块，具体用于针对每个商户，根据所述目标用户和所述候选用户的目标相似度、所述候选用户对所述商户的评分，确定所述商户的预测评价评分；根据所述目标用户和所述候选用户的目标相似度、所述候选用户对所述商户的购买次数，确定所述商户的预测购买评分；根据所述预测评价评分和所述预测购买评分，确定所述商户的目标预测评分；根据所述每个商户的目标预测评分，确定所述目标用户的推荐商户。
19.一种电子设备，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1-9任一项所述的方法步骤。
20.一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1-9任一项所述的方法步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310859558.4A CN116977019A (zh) | 2023-07-12 | 2023-07-12 | 一种商户推荐方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310859558.4A CN116977019A (zh) | 2023-07-12 | 2023-07-12 | 一种商户推荐方法、装置、电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116977019A true CN116977019A (zh) | 2023-10-31 |
Family
ID=88474261
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310859558.4A Pending CN116977019A (zh) | 2023-07-12 | 2023-07-12 | 一种商户推荐方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116977019A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117350823A (zh) * | 2023-12-04 | 2024-01-05 | 北京国双科技有限公司 | 一种电子商城用商品信息推荐方法、系统、设备及介质 |
-
2023
- 2023-07-12 CN CN202310859558.4A patent/CN116977019A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117350823A (zh) * | 2023-12-04 | 2024-01-05 | 北京国双科技有限公司 | 一种电子商城用商品信息推荐方法、系统、设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20210142389A1 (en) | Method and System for making Recommendation from Binary Data Using Neighbor-Score Matrix and Latent Factors | |
| US20170091805A1 (en) | Advertisement Recommendation Method and Advertisement Recommendation Server | |
| CN112487278A (zh) | 推荐模型的训练方法、预测选择概率的方法及装置 | |
| US20170278114A1 (en) | Adaptive collaborative filtering with extended kalman filters and multi-armed bandits | |
| US20170109642A1 (en) | Particle Thompson Sampling for Online Matrix Factorization Recommendation | |
| CN113256367B (zh) | 用户行为历史数据的商品推荐方法、系统、设备及介质 | |
| EP4181026A1 (en) | Recommendation model training method and apparatus, recommendation method and apparatus, and computer-readable medium | |
| CN110427560B (zh) | 一种应用于推荐系统的模型训练方法以及相关装置 | |
| WO2019072128A1 (zh) | 对象识别方法及其系统 | |
| CN111461841A (zh) | 物品推荐方法、装置、服务器及存储介质 | |
| US11423324B2 (en) | Training and estimation of selection behavior of target | |
| CN108205775A (zh) | 一种业务对象的推荐方法、装置和客户端 | |
| KR102409718B1 (ko) | 소셜 네트워크와 연동되는 커머스 플랫폼에서의 리뷰샵 관리 방법 및 시스템 | |
| US20210166179A1 (en) | Item substitution techniques for assortment optimization and product fulfillment | |
| WO2020221022A1 (zh) | 业务对象推荐方法 | |
| CN110689402A (zh) | 推荐商家的方法、装置、电子设备及可读存储介质 | |
| CN111667024B (zh) | 内容推送方法、装置、计算机设备和存储介质 | |
| CN111783810A (zh) | 用于确定用户的属性信息的方法和装置 | |
| CN116977019A (zh) | 一种商户推荐方法、装置、电子设备及存储介质 | |
| KR20210144330A (ko) | 협업 필터링 신경망을 이용하여 상품을 추천하는 방법 및 장치 | |
| CN113763095B (zh) | 信息推荐方法、装置和模型训练方法、装置 | |
| CN114511387A (zh) | 产品推荐方法、装置、电子设备及存储介质 | |
| CN104462093B (zh) | 个人推荐方案 | |
| US20210182953A1 (en) | Systems and methods for optimal bidding in a business to business environment | |
| CN115471260A (zh) | 基于神经网络的销售预测方法、装置、设备及介质 |
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 |