CN117132347A - 物品推荐方法、装置、设备和计算机可读存储介质 - Google Patents
物品推荐方法、装置、设备和计算机可读存储介质 Download PDFInfo
- Publication number
- CN117132347A CN117132347A CN202310980986.2A CN202310980986A CN117132347A CN 117132347 A CN117132347 A CN 117132347A CN 202310980986 A CN202310980986 A CN 202310980986A CN 117132347 A CN117132347 A CN 117132347A
- Authority
- CN
- China
- Prior art keywords
- recommendation
- recommended
- determining
- data
- articles
- 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 54
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 133
- 230000006399 behavior Effects 0.000 claims description 75
- 230000000694 effects Effects 0.000 claims description 31
- 238000011156 evaluation Methods 0.000 claims description 27
- 238000012163 sequencing technique Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 description 12
- 238000012545 processing Methods 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 7
- 238000001914 filtration Methods 0.000 description 6
- 230000009471 action Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 230000003542 behavioural effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 235000014510 cooky Nutrition 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012360 testing method 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
- 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
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Engineering & Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种物品推荐方法、装置、设备和计算机可读存储介质,所述方法包括:获取用户业务对应的业务数据,所述业务数据包括待推荐的物品数据、用户数据、行为数据中至少一个;根据所述用户业务确定推荐场景;根据所述业务数据和所述推荐场景关联的推荐算法策略,确定物品集合;根据所述物品集合确定所述用户业务对应的推荐物品。本发明通过推荐场景的设置,确定不同推荐场景下的用户业务对应的推荐物品,提高了确定推荐物品的准确性和灵活性。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种物品推荐方法、装置、设备和计算机可读存储介质。
背景技术
随着移动互联网的快速发展,个性化的精准推荐对于提升用户粘性、丰富业务场景和精细化运营是必备能力。现有的技术方案在数据体量小、用户群体发生变化、冷启动等情况下,适用于单一业务场景,当场景发生变化时,用户画像、推送策略都将发生变化,无法自动适配,无法支撑当前的推荐策略实现个性化精准推荐,造成内容推荐不够精准。
发明内容
本发明的主要目的在于提供一种物品推荐方法、装置、设备和计算机可读存储介质,旨在改善如何提高不同业务场景下物品推荐的准确性的问题。
为实现上述目的,本发明提供的一种物品推荐方法,所述物品推荐方法包括以下步骤:
获取用户业务对应的业务数据,所述业务数据包括待推荐的物品数据、用户数据、行为数据中至少一个;
根据所述用户业务确定推荐场景;
根据所述业务数据和所述推荐场景关联的推荐算法策略,确定物品集合;
根据所述物品集合确定所述用户业务对应的推荐物品。
可选地,所述根据所述物品集合确定所述用户业务对应的推荐物品的步骤之后,还包括:
获取基于所述推荐物品用户的行为数据,所述行为数据包括点击操作、浏览操作、购买操作、支付操作中的至少一个;
根据所述行为数据,对所述用户业务的推荐效果进行分析并生成效果评估结果。
可选地,所述根据所述业务数据和所述推荐场景关联的推荐算法策略,确定物品集合的步骤包括:
根据所述推荐场景确定关联的至少两个推荐算法策略;
根据所述推荐算法策略的优先级,确定目标推荐算法策略;
根据所述业务数据和所述目标推荐算法策略确定所述物品集合。
可选地,所述根据所述目标推荐算法策略确定所述物品集合的步骤之后,还包括:
确定所述物品集合中待推荐物品的数量;
若所述待推荐物品的数量小于预设第一数量阈值,则降低所述推荐算法策略的优先级;
若所述待推荐物品的数量大于预设第二数量阈值,则增加所述推荐算法的优先级。
可选地,所述推荐算法策略包括:
确定至少两个时间段内出售所述物品集合中待推荐物品的数量;
根据预设的时间系数、在所述时间段内待推荐物品的数量和待推荐物品的销售总量,确定时间相关度;
确定在预设时间段内购买待推荐物品的次数,以及在预设时间段内购买所有待推荐物品的总次数,根据所述次数和所述总次数确定欲购度;
根据所述时间相关度和所述欲购度,确定待推荐物品的推荐系数;
根据所述推荐系数,在所述物品集合中确定所述业务数据对应的推荐物品。
可选地,所述推荐算法策略包括:
确定不同价位类别的待推荐物品的百分比;
确定所述价位类别对应的排序系数;
根据所述百分比和所述排序系数,确定待推荐物品的推荐系数;
根据所述推荐系数,在所述物品集合中确定所述业务数据对应的推荐物品。
可选地,所述推荐算法策略包括:
获取所述物品集合中每一待推荐物品的评价数据;
确定每一类型的评价数据在总评价数据中占比;
根据预设的权重值和所述占比,确定推荐系数;
根据所述推荐系数,在所述物品集合中确定所述业务数据对应的推荐物品。
为实现上述目的,本发明还提供一种物品推荐装置,所述物品推荐装置包括:
获取模块,用于获取用户业务对应的业务数据,所述业务数据包括待推荐的物品数据、用户数据、行为数据中至少一个;
选择模块,用于根据所述用户业务确定推荐场景;
计算模块,用于根据所述业务数据和所述推荐场景关联的推荐算法策略,确定物品集合;
推荐模块,用于根据所述物品集合确定所述用户业务对应的推荐物品。
为实现上述目的,本发明还提供一种物品推荐设备,所述物品推荐设备包括存储器、处理器以及存储在所述存储器并可在所述处理器上执行的物品推荐程序,所述物品推荐程序被所述处理器执行时实现如上所述的物品推荐方法的各个步骤。
为实现上述目的,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质存储有物品推荐程序,所述物品推荐程序被处理器执行时实现如上所述的物品推荐方法的各个步骤。
本发明提供的一种物品推荐方法、装置、设备和计算机可读存储介质,获取用户业务对应的业务数据,业务数据包括待推荐的物品数据、用户数据、行为数据中至少一个;根据用户业务确定推荐场景;根据业务数据和推荐场景关联的推荐算法策略,确定物品集合;根据物品集合确定用户业务对应的推荐物品。通过推荐场景的设置,确定不同推荐场景下的用户业务对应的推荐物品,提高了确定推荐物品的准确性和灵活性。
附图说明
图1为本发明实施例涉及的物品推荐设备的硬件结构示意图;
图2为本发明物品推荐方法的一实施例的流程示意图;
图3为本发明物品推荐方法的一实施例中推荐系统数据处理的示意图;
图4为本发明物品推荐方法的推荐系统的结构示意图;
图5为本发明物品推荐方法的一实施例中推荐系统数据处理的示意图;
图6为本发明物品推荐方法的一实施例中推荐系统数据处理的示意图;
图7为本发明物品推荐方法的一实施例的流程示意图;
图8为本发明物品推荐方法的一实施例的流程示意图;
图9为本发明物品推荐方法的一实施例的步骤S40的细化流程示意图;
图10为本发明物品推荐装置的逻辑结构示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
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。
本发明实施例的主要解决方案是:获取用户业务对应的业务数据,业务数据包括待推荐的物品数据、用户数据、行为数据中至少一个;根据用户业务确定推荐场景;根据业务数据和推荐场景关联的推荐算法策略,确定物品集合;根据物品集合确定用户业务对应的推荐物品。通过推荐场景的设置,确定不同推荐场景下的用户业务对应的推荐物品,提高了确定推荐物品的准确性和灵活性。
作为一种实现方案,物品推荐设备可以如图1所示。
本发明实施例方案涉及的是物品推荐设备,物品推荐设备包括:处理器101,例如CPU,存储器102,通信总线103。其中,通信总线103用于实现这些组件之间的连接通信。
存储器102可以是高速RAM存储器,也可以是稳定的存储器(non-volatilememory),例如磁盘存储器。如图1所示,作为一种计算机可读存储介质的存储器102中可以包括物品推荐程序;而处理器101可以用于调用存储器102中存储的物品推荐程序,并执行以下操作:
获取用户业务对应的业务数据,所述业务数据包括待推荐的物品数据、用户数据、行为数据中至少一个;
根据所述用户业务确定推荐场景;
根据所述业务数据和所述推荐场景关联的推荐算法策略,确定物品集合;
根据所述物品集合确定所述用户业务对应的推荐物品。
可选地,处理器101可以用于调用存储器102中存储的物品推荐程序,并执行以下操作:
获取基于所述推荐物品用户的行为数据,所述行为数据包括点击操作、浏览操作、购买操作、支付操作中的至少一个;
根据所述行为数据,对所述用户业务的推荐效果进行分析并生成效果评估结果。
可选地,处理器101可以用于调用存储器102中存储的物品推荐程序,并执行以下操作:
根据所述推荐场景确定关联的至少两个推荐算法策略;
根据所述推荐算法策略的优先级,确定目标推荐算法策略;
根据所述业务数据和所述目标推荐算法策略确定所述物品集合。
可选地,处理器101可以用于调用存储器102中存储的物品推荐程序,并执行以下操作:
确定所述物品集合中待推荐物品的数量;
若所述待推荐物品的数量小于预设第一数量阈值,则降低所述推荐算法策略的优先级;
若所述待推荐物品的数量大于预设第二数量阈值,则增加所述推荐算法的优先级。
可选地,处理器101可以用于调用存储器102中存储的物品推荐程序,并执行以下操作:
确定至少两个时间段内出售所述物品集合中待推荐物品的数量;
根据预设的时间系数、在所述时间段内待推荐物品的数量和待推荐物品的销售总量,确定时间相关度;
确定在预设时间段内购买待推荐物品的次数,以及在预设时间段内购买所有待推荐物品的总次数,根据所述次数和所述总次数确定欲购度;
根据所述时间相关度和所述欲购度,确定待推荐物品的推荐系数;
根据所述推荐系数,在所述物品集合中确定所述业务数据对应的推荐物品。
可选地,处理器101可以用于调用存储器102中存储的物品推荐程序,并执行以下操作:
确定不同价位类别的待推荐物品的百分比;
确定所述价位类别对应的排序系数;
根据所述百分比和所述排序系数,确定待推荐物品的推荐系数;
根据所述推荐系数,在所述物品集合中确定所述业务数据对应的推荐物品。
可选地,处理器101可以用于调用存储器102中存储的物品推荐程序,并执行以下操作:
获取所述物品集合中每一待推荐物品的评价数据;
确定每一类型的评价数据在总评价数据中占比;
根据预设的权重值和所述占比,确定推荐系数;
根据所述推荐系数,在所述物品集合中确定所述业务数据对应的推荐物品。
基于上述物品推荐设备的硬件构架,提出本发明物品推荐方法的实施例。
参照图2,图2为本发明物品推荐方法的第一实施例,所述物品推荐方法包括以下步骤:
步骤S10,获取用户业务对应的业务数据,所述业务数据包括待推荐的物品数据、用户数据、行为数据中至少一个。
可选地,用户业务可以是物品推荐业务,例如电信套餐业务、电商手机及配件业务或者综合商品业务等。
可选地,业务数据包括待推荐的物品数据、用户数据、行为数据等。可选地,待推荐的物品数据可以是物品种类、物品价格或者物品的其他信息,例如物品可以是待销售的产品或者软件等。可选地,用户数据包括用户接入端口的信息、接入时间等。可选地,行为数据包括用户的浏览数据、购买数据、收藏数据等。
可选地,用户业务决定推荐算法所能使用的业务数据,不同的用户业务对应不同的业务数据,例如,商品推荐业务的业务数据是待推荐的商品数据、用户数据和行为数据等,视频推荐业务的业务数据是待推荐的视频数据、用户数据和行为数据等。使用者根据推荐需求在管理后台的业务管理功能新增用户业务,配置用户业务对应的业务数据。
可选地,本方法应用于推荐系统,如图3所示,外部系统通过推荐系统配置中心申请推荐服务功能权限,获得推荐服务的外部系统根据自身的个性化需求,通过推荐系统配置中心快速配置推荐服务的业务数据、用户业务、推荐场景等,自定义接入推荐系统的业务数据、数据接入方式、数据结构、算法策略等;推荐服务根据管理控制台定制化的推荐服务请求,获取外部系统的待推荐物品、行为数据、用户数据等,并通过离线算法、近线算法、在线算法对数据分析挖掘,得到每个用户所需的推荐物品;用户访问外部系统的前端应用时,推荐服务将推荐物品展示给用户,并实时采集用户对推荐物品的点击、浏览、订单等行为数据;推荐服务系统根据实时采集的用户行为数据,实时更新推荐物品,并反馈给前端用户。
可选地,推荐系统中包括认证鉴权模块,以应用密匙AppKey作为API(ApplicationProgramming Interface,应用程序编程接口)调用的安全认证控制,进行业务鉴权、业务数据的数据源接入、推荐场景、算法策略等配置。
可选地,推荐系统与推荐前台连接,其中,推荐前台为接入推荐系统的外部平台,例如客户端、门户网站等。推荐前台根据用户当前推荐场景、用户ID(Identity document,身份证标识号)等参数,调用API获取推荐结果即推荐物品。为了计算推荐结果的推荐效果,推荐前台需要进行访客行为采集,通过调用日志采集组件采集行为数据并接入API接口,记录用户对推荐结果的点击、购买等行为数据。
可选地,推荐系统包括在线计算模块,推荐引擎的在线计算模块负责的任务是推荐API接收到调用请求时,实时对离线和近线修正产生的推荐结果进行物品过滤、重排等处理。
可选地,如图4所示,推荐系统包括行为采集组件,支持通过日志采集组件或实时行为数据接入API接口进行行为数据采集。为准确计算推荐结果的线上效果,需要推荐前台需要采集访客对推荐结果的点击、购买等行为,行为数据规范中定义了需求采集的内容,以及实时上报日志的格式要求。推荐系统支持使用采集组件进行及行为数据接入API进行日志上报。
可选地,日志采集组件包括:在推荐前台页面中引用日志采集插码的JS(JavaScript,直译式脚本语言),根据行为数据规范进行推荐展示、点击等行为的埋点。可选地,行为数据接入API方式包括:推荐前台根据行为数据规范调用API,向推荐引擎提交用户行为数据。
可选地,日志采集组件可对用户行为进行同一用户在不同终端渠道的行为进行归一。可选地,终端渠道包括客户端、WEB端、WAP端、小程序等。
可选地,推荐系统包括近线计算模块,近线计算模块主要处理用户行为发生变化、推荐物品发生更新时,对离线推荐结果进行更新。近线计算模块的推荐候选集修正模块的输入数据来自日志采集组件或行为数据接入API,近线计算模块根据用户行为数据修正在线存储中的推荐结果数据。物品信息更新模块的输入数据来自物品数据接入API,直接更新在线存储中的物品数据。
可选地,推荐系统包括离线计算模块,其中,离线计算模块包含推荐业务、推荐场景、分级推荐策略及离线算法流程的配置及分流测试,支持算法流程任务的启动、停止,提供默认的离线推荐算法模板。推荐引擎中,离线算法流程和效果计算流程都是在离线计算生成。离线计算的输入为数据接入API提供的数据,输出为根据推荐业务、场景定义的推荐结果数据,存储到在线存储中供近线及在线计算使用。
可选地,推荐系统包括数据接入模块,其中,数据接入包含离线及实时两种接入方式,两种方式的数据规范一致,都包括物品、行为、用户数据。离线方式以文件为介质进行大批量的数据接入,数据的传输可以使用FTP、共享存储等。实时方式用于实时更新在线存储中的物品数据,并回写到离线存储中保证在线数据与离线数据的一致性。
可选地,推荐系统包括推荐系统配置中心,其中,推荐系统配置中心为智能推荐产品的后台管理系统,为运营人员提供数据源管理、推荐业务及场景管理、AppKey分配。
可选地,参照图5,推荐系统初始化时,通过数据适配模块(Adaptor)将外部系统的数据批量提交到推荐引擎中,数据接入模块(Import)对数据进行标准化转换,包括物品、用户、行为归一化处理,形成初始化业务数据。算法数据处理模块(Algorithm Data Deal)根据业务配置进行数据抽取,形成各推荐场景使用的推荐算法业务数据。离线算法模块(Offline algorithm)根据场景的算法流程配置执行推荐算法策略任务,形成推荐结果数据并存储到在线存储中。推荐效果计算模块(Effect algorithm)通过初始化业务数据进行效果报表统计分析,形成业务分析统计报表和算法评估报表。
可选地,物品数据变更时,通过调用物品数据API提交数据,接口将数据提交到消息队列。近线数据处理模块(Nearline Data Deal)订阅物品数据更新消息,获取消息内容并解析得到用户、物品、行为类型的数据,对数据进行存储,同时对在线存储中的物品信息进行更新。
可选地,用户在推荐前台发生交互行为时,例如点击、购买等行为,通过调用行为数据接入API向推荐引擎提交用户行为数据,近线算法模块(Near algorithm)用于修正推荐候选集。
可选地,推荐前台向用户推荐数据时,通过调用推荐API获取推荐结果集。Blender模块负责对推荐请求进行解析并调用recommend推荐模块获取推荐结果,recommend推荐模块根据推荐场景配置参数调用在线算法流程,对推荐结果进行过滤、排序,并调用detail细节模块进行展示填充,最后将已排序的物品推荐结果数据返回给前台,推荐前台进行界面展现。
可选地,推荐系统配置中心即控制台(Console)为运营人员的配置管理界面,系统管理员通过后台进行推荐业务、场景的相关参数配置。
可选地,所有以API方式提供的接口都通过API网关开放,API网关通过HMAC(Hash-based Message Authentication Code,哈希运算消息认证码)方式认证接入系统的AppKey即公匙,相当于账号,以及AppSecret及私匙,相当于密码,认证通过后才具有调用推荐系统API的权限。
步骤S20,根据所述用户业务确定推荐场景。
可选地,一个用户业务支持多个推荐场景,每个推荐场景可以看做是APP(Application,应用程序)或网站中提供个性化推荐的功能模块。推荐场景隶属于某一个用户业务,使用到的数据就是在用户业务中配置的数据。推荐场景包含一个或多个算法流程,每一个算法流程代表一种推荐物品的逻辑,由离线流程和在线流程组合而成,离线流程和在线流程分别由一个或多个分级推荐策略拼装组成,一个推荐策略也可代表一种推荐算法。使用者根据推荐前台的场景需求在管理后台的场景管理功能进行新增推荐场景,指定场景的所属业务、算法流程、流量分配策略。
可选地,同一用户业务下可配置至少两个推荐场景。示例性的,推荐场景包括APP首页、门户网站首页、某类型商品或服务垂直页、搜索场景未搜到结果推荐等场景。
可选地,不同用户业务下可配置不同的推荐场景,例如,用户业务A配置推荐场景a1和推荐场景a2,用户业务B配置推荐场景b1、推荐场景b2和推荐场景b3,用户业务C配置推荐场景c1。
步骤S30,根据所述业务数据和所述推荐场景关联的推荐算法策略,确定物品集合。
可选地,物品集合包括基于当前用户业务确定的用户感兴趣的物品,即候选推荐物品。
可选地,如图6所示,在推荐场景中增添一个或至少两个算法流程,即每一推荐场景对应一个或至少两个算法流程,其中,每个算法流程代表一种推荐逻辑,指数据端到端的处理流程,即从接入的数据源开始,直至确定推荐结果为止。
可选地,算法流程包括默认推荐策略和推荐算法策略,每一个算法策略代表一种推荐物品的召回算法。可选地,对算法策略进行分级配置,分级最高的推荐策略优先执行,在推荐量较少或返回物品质量不高时,可按照分级排序执行后边的推荐策略,进行推荐物品补足。
可选地,召回算法包括基于用户行为的协同过滤召回方式、基于内容的协同过滤召回方式,如内容包括物品分类和物品属性、基于点击热门或上新物品的方式、基于用户画像的找回方式、或者用户冷启动和物品冷启动等召回方式,每个召回算法都是在服务端独立封装后导入推荐系统以供算法策略配置。推荐算法策略用于配置离线与近线逻辑,通过启动推荐场景确定用户业务对应的推荐结果集,各推荐算法策略拥有独立的排序模型,各推荐算法策略中的排序评分受用户行为或物品点击等数据变化而变化。
可选地,为推荐算法流程配置推荐算法策略后,可对每个推荐算法流程设置流量占比,以实时监测在推荐场景下,每个推荐算法流程的推荐物品点击转化,持续性对推荐流程及算法策略进行效果调优。
可选地,根据推荐场景确定关联的至少两个推荐算法策略;确定每一推荐算法策略对应的流量占比,根据流量占比对接入的数据源进行划分,将划分后的数据输入对应的推荐算法策略,确定用户感兴趣的物品集合。
可选地,用户在前端页面调用推荐场景,确定推荐算法流程中的推荐策略分级,示例性的,推荐策略分级包括P1、P2和P3级,其中,P1级优于P2级,P2级优于P3级,推荐策略分级为P1级时,包括推荐算法策略a1和推荐算法策略a2,推荐策略分级为P2级时,包括推荐算法策略b1、推荐算法策略b2和推荐算法策略b3,推荐策略分级为P3级时,包括推荐算法策略c1。先将P1级对应的推荐算法策略下召回的物品进行排序返回后,再将后续P2级、P3级推荐算法策略按照级别为用户返回推荐物品。若推荐算法策略无法完成召回,例如仅配置了用户协同过滤召回算法,且用户为新用户,则执行预设的默认兜底推荐策略,如用户冷启动或热门物品推荐等策略,保证为用户召回优质的推荐内容。
步骤S40,根据所述物品集合确定所述用户业务对应的推荐物品。
可选地,物品集合中包括多个待推荐的物品,在物品集合中,确定满足预设推荐条件的待推荐的物品作为推荐物品。
可选地,按照物品种类进行权重加成,例如运营人员想在首页推荐场景,更多为用户推荐手机类商品,可对手机类型物品进行权重加权,最终排序会按照排序评分乘上权重系数的最终值进行排序。反之,可以通过降权,降低某类物品被推荐靠前的排序。
可选地,步骤S40之后,还包括:获取用户选择的物品集合中的物品,确定选择的物品对应的目标推荐算法策略;增加目标推荐算法策略的流量占比。
可选地,在推荐物品返回时,根据物品的上下架情况、重复推荐物品、用户的客户端版本,例如客户端的推荐场景可能会存在版本号不支持打开某些推荐物品,进行内容过滤,也可根据用户画像标签二次过滤用户不敢兴趣的高质量物品,保证用户不会被推荐到异常物品。
在本实施例的技术方案中,获取用户业务对应的业务数据,业务数据包括待推荐的物品数据、用户数据、行为数据中至少一个;根据用户业务确定推荐场景;根据业务数据和推荐场景关联的推荐算法策略,确定物品集合;根据物品集合确定用户业务对应的推荐物品。通过推荐场景的设置,确定不同推荐场景下的用户业务对应的推荐物品,提高了确定推荐物品的准确性和灵活性。
参照图7,图7为本发明物品推荐方法的第二实施例,基于第一实施例,所述步骤S40之后,还包括:
步骤S50,获取基于所述推荐物品用户的行为数据,所述行为数据包括点击操作、浏览操作、购买操作、支付操作中的至少一个;
步骤S60,根据所述行为数据,对所述用户业务的推荐效果进行分析并生成效果评估结果。
可选地,实时采集用户对所述推荐物品的行为数据,可选地,通过埋点日志收集用户前端的行为信息,在用户前端将对用户的搜索、推荐物品点击、订单购买、订单支付等行为数据,进行行为采集。
可选地,根据推荐物品的点击量、浏览次数、购买量、支付次数等维度,对所述用户业务的推荐效果进行分析并生成效果评估结果。可选地,当点击量大于预设阈值时,确定当前用户业务的推荐效果良好,当点击量小于或等于预设阈值时,确定当前用户业务的推荐效果较差。可选地,当浏览次数大于预设次数阈值时,确定当前用户业务的推荐效果良好,当浏览次数小于或等于预设次数阈值时,确定当前用户业务的推荐效果较差。可选地,当购买量大于预设购买阈值时,确定当前用户业务的推荐效果良好,当购买量小于或等于预设购买阈值时,确定当前用户业务的推荐效果较差。可选地,当支付次数大于预设支付阈值时,确定当前用户业务的推荐效果良好,当支付次数小于或等于预设支付阈值时,确定当前用户业务的推荐效果较差。可选地,根据各个维度的数据进行综合分析,得到当前用户业务的推荐效果。
可选地,参考图8,对行为数据进行采集后,将行为数据导入近线计算模块,近线计算模块对实时接入的物品数据、用户数据、行为数据进行清洗后进行分布式处理,落入在线存储用户表、物品表、行为表,与离线计算模块进行数据同步后,根据用户数据、物品数据、行为数据进行推荐指标分析,统计推荐物品的点击量、展现次数、推荐转化率指标参数等,可对算法流程的流量配比以及推荐策略的优化进行调整。
可选地,对用户的行为数据进行同一用户、不同终端渠道的行为归一,也可对不同用户同一终端渠道进行行为归一。例如,终端渠道包括客户端、WEB端、WAP端、小程序等。
可选地,同一用户不同终端渠道的行为归一,即指用户在APP端或web(World WideWeb,全球广域网)、wap(Wireless Application Protocol,无线应用协议)等终端渠道进行登录时,所产生的用户行为信息会存储在不同的cookie即储存在用户本地终端上的数据库中,以用户标识将cookie中的用户行为数据进行归一整合,用户标识即用户名或注册手机号等。用户登录后生成用户唯一标识UID(User Identification,用户身份证明)与用户各渠道行为信息进行关联,为该用户进行推荐。
可选地,当用户在未登录情况下,无法取到用户的唯一标识时,可根据客户端CID(Connection IDentifier,连接标识符)自动生成32位UID,关联在该终端登陆的用户行为进行关联,返回推荐物品。
在本实施例的技术方案中,获取基于推荐物品用户的行为数据,行为数据包括点击操作、浏览操作、购买操作、支付操作中的至少一个;根据行为数据,对用户业务的推荐效果进行分析并生成效果评估结果。通过确定不同推荐场景下的用户业务对应的推荐物品的推荐效果,以便于后续进一步提高了确定推荐物品的准确性。
参照图9,图9为本发明物品推荐方法的第三实施例,基于第一或第二实施例,所述步骤S30包括:
步骤S31,根据所述推荐场景确定关联的至少两个推荐算法策略;
步骤S32,根据所述推荐算法策略的优先级,确定目标推荐算法策略;
步骤S33,根据所述业务数据和所述目标推荐算法策略确定所述物品集合。
可选地,确定至少两个时间段内出售所述物品集合中待推荐物品的数量;根据预设的时间系数、在所述时间段内待推荐物品的数量和待推荐物品的销售总量,确定时间相关度;确定在预设时间段内购买待推荐物品的次数,以及在预设时间段内购买所有待推荐物品的总次数,根据所述次数和所述总次数确定欲购度;根据所述时间相关度和所述欲购度,确定待推荐物品的推荐系数;根据所述推荐系数,在所述物品集合中确定所述业务数据对应的推荐物品。
可选地,根据物品集合中物品的推荐指数从高到低排序并进行推荐。
可选地,获取当前时间,并在当前场景下的可推荐的物品集合中为每个待推荐物品计算时间相关度CT,其中,时间相关度CT如下公式所示:
其中,n1为全网范围内在包含当前时间的第一时间段内售出该物品的数量,n2为全网范围内在包含当前时间的第二时间段内售出该物品的数量,n3为全网范围内在包含当前时间的第三时间段内售出该物品的数量,N为全网范围内该物品售出的总数量,k1、k2、k3分别为第一时间系数、第二时间系数和第三时间系数,其中,0<k3<k2<k1<10;
可选地,第一时间段为以当前时间为中心点,时长为t1的时间段;第二时间段为以当前时间为中心点,时长为t2的时间段;第三时间段为以当前时间为中心点,时长为t3的时间段,其中,t1<t2<t3。
可选地,获取用户的历史购买数据,并计算在第三时间段内购买过的每个待推荐物品的欲购度DB,其中,欲购度DB的计算公式如下所示:
其中,nb为在第三时间段内购买该类物品的次数,Nb为在第三时间段内购买所有物品的次数。
根据时间相关度和欲购度,在物品集合中确定每个待推荐物品的推荐指数RC,如下公式所示:
RC=CT×2(1+DB′);
其中,CT表示时间相关度;DB′为在第三时间段内购买的待推荐物品的欲购度。
可选地,确定不同价位类别的待推荐物品的百分比;确定所述价位类别对应的排序系数;根据所述百分比和所述排序系数,确定待推荐物品的推荐系数;根据所述推荐系数,在所述物品集合中确定所述业务数据对应的推荐物品。
可选地,根据物品集合中待推荐物品的价格进行分类,得到价位类别,例如,分为低价类、中价类、高价类和奢侈类,获取用户的历史购买数据,并分别计算其购买的物品为低价类、中价类、高价类和奢侈类的占比a1、b1、c1和d1,其中,a1+b1+c1+d1=1。
可选地,根据所述百分比和所述排序系数,确定待推荐物品的推荐系数RC:
RC=p×(1+r);
可选地,该物品所属价位类别的占比排第一时,即排序系数为第一,p=4,该物品所属价位类别的占比排第二时,即排序系数为第二,p=3,该物品所属价位类别的占比排第三时,即排序系数为第三,p=2,该物品所属价位类别的占比排第四时,即排序系数为第四,p=1。r表示在物品集合中待推荐物品所属价位类别的百分比。
可选地,获取所述物品集合中每一待推荐物品的评价数据;确定每一类型的评价数据在总评价数据中占比;根据预设的权重值和所述占比,确定推荐系数;根据所述推荐系数,在所述物品集合中确定所述业务数据对应的推荐物品。
可选地,获取物品集合中每个待推荐物品的评价数据,分为好评、中评和差评,其占总评价数据的比例分别为a2、b2和c2,计算物品集合中每个待推荐物品的推荐指数RC:
RC=S1×a2+S2×b2+S3×c2;
其中,S1、S2和S3分别为每一评价数据种类的权重值。
对上述三种推荐算法得到的推荐物品设置流量配比,在初次推荐时,流量配比为1:1:1,然后根据所述日志采集组件获取的用户行为数据对配比进行调整。
可选地,用户每进行两次点击进行依次调整,当两次点击均为同一个推荐算法的推荐物品时,增加预设第一数量的该推荐算法的推荐位,减少其他推荐算法的推荐位各预设第二数量个,当两次点击为不同推荐算法的推荐物品时,增加这两个推荐算法的推荐位各预设第二数量个,减少另一个推荐算法的推荐位预设第一数量个,例如,预设第一数量为2个,预设第二数量为1个。可选地,当用户发生购买行为时,增加预设第三数量个对应的推荐算法的推荐位,减少其他推荐算法的推荐为各预设第二数量个,例如,预设第三数量为4个,预设第二数量为2个。上述调整方式能够高频地对推荐物品进行调整,使得推荐物品更容易与用户相匹配。
可选地,步骤S43之后,还包括:确定所述物品集合中待推荐物品的数量;若所述待推荐物品的数量小于预设第一数量阈值,则降低所述推荐算法策略的优先级;若所述待推荐物品的数量大于预设第二数量阈值,则增加所述推荐算法的优先级。
推荐引擎通过上述推荐算法和调整方法向推荐前台提供推荐物品,推荐前台通过用户所在的场景获取物品集合并提交给推荐引擎,推荐前台通过获取用户的标识从数据库中得到对应用户的历史购买数据提交给推荐引擎,日志采集组件通过采集用户对待推荐物品的行为并提交给推荐引擎对推荐物品进行调整。
在本实施例的技术方案中,根据推荐场景确定关联的至少两个推荐算法策略;根据推荐算法策略的优先级,确定目标推荐算法策略;根据业务数据和目标推荐算法策略确定物品集合。通过不同的推荐算法策略在物品集合中确定推荐物品,确定不同推荐场景下的用户业务对应的推荐物品,提高了确定的推荐物品的准确性。
参照图10,本发明还提供一种物品推荐装置,所述物品推荐装置包括:
获取模块100,用于获取用户业务对应的业务数据,所述业务数据包括待推荐的物品数据、用户数据、行为数据中至少一个;
选择模块200,用于根据所述用户业务确定推荐场景;
计算模块300,用于根据所述业务数据和所述推荐场景关联的推荐算法策略,确定物品集合;
推荐模块400,用于根据所述物品集合确定所述用户业务对应的推荐物品。
可选地,所述根据所述物品集合确定所述用户业务对应的推荐物品的步骤之后,还包括:
获取基于所述推荐物品用户的行为数据,所述行为数据包括点击操作、浏览操作、购买操作、支付操作中的至少一个;
根据所述行为数据,对所述用户业务的推荐效果进行分析并生成效果评估结果。
可选地,所述根据所述业务数据和所述推荐场景关联的推荐算法策略,确定物品集合的步骤包括:
根据所述推荐场景确定关联的至少两个推荐算法策略;
根据所述推荐算法策略的优先级,确定目标推荐算法策略;
根据所述业务数据和所述目标推荐算法策略确定所述物品集合。
可选地,所述根据所述目标推荐算法策略确定所述物品集合的步骤之后,还包括:
确定所述物品集合中待推荐物品的数量;
若所述待推荐物品的数量小于预设第一数量阈值,则降低所述推荐算法策略的优先级;
若所述待推荐物品的数量大于预设第二数量阈值,则增加所述推荐算法的优先级。
可选地,所述推荐算法策略包括:
确定至少两个时间段内出售所述物品集合中待推荐物品的数量;
根据预设的时间系数、在所述时间段内待推荐物品的数量和待推荐物品的销售总量,确定时间相关度;
确定在预设时间段内购买待推荐物品的次数,以及在预设时间段内购买所有待推荐物品的总次数,根据所述次数和所述总次数确定欲购度;
根据所述时间相关度和所述欲购度,确定待推荐物品的推荐系数;
根据所述推荐系数,在所述物品集合中确定所述业务数据对应的推荐物品。
可选地,所述推荐算法策略包括:
确定不同价位类别的待推荐物品的百分比;
确定所述价位类别对应的排序系数;
根据所述百分比和所述排序系数,确定待推荐物品的推荐系数;
根据所述推荐系数,在所述物品集合中确定所述业务数据对应的推荐物品。
可选地,所述推荐算法策略包括:
获取所述物品集合中每一待推荐物品的评价数据;
确定每一类型的评价数据在总评价数据中占比;
根据预设的权重值和所述占比,确定推荐系数;
根据所述推荐系数,在所述物品集合中确定所述业务数据对应的推荐物品。
本发明还提供一种物品推荐设备,所述物品推荐设备包括存储器、处理器以及存储在所述存储器并可在所述处理器上执行的物品推荐程序,所述物品推荐程序被所述处理器执行时实现如上实施例所述的物品推荐方法的各个步骤。
本发明还提供一种计算机可读存储介质,所述计算机可读存储介质存储有物品推荐程序,所述物品推荐程序被处理器执行时实现如上实施例所述的物品推荐方法的各个步骤。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
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、系统、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、系统、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、系统、物品或者装置中还存在另外的相同要素。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例系统可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。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如上所述的一个计算机可读存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,停车管理设备,空调器,或者网络设备等)执行本发明各个实施例所述的系统。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种物品推荐方法,其特征在于,应用于推荐系统,所述物品推荐方法包括:
获取用户业务对应的业务数据,所述业务数据包括待推荐的物品数据、用户数据、行为数据中至少一个;
根据所述用户业务确定推荐场景;
根据所述业务数据和所述推荐场景关联的推荐算法策略,确定物品集合;
根据所述物品集合确定所述用户业务对应的推荐物品。
2.如权利要求1所述的物品推荐方法,其特征在于,所述根据所述物品集合确定所述用户业务对应的推荐物品的步骤之后,还包括:
获取基于所述推荐物品用户的行为数据,所述行为数据包括点击操作、浏览操作、购买操作、支付操作中的至少一个;
根据所述行为数据,对所述用户业务的推荐效果进行分析并生成效果评估结果。
3.如权利要求1所述的物品推荐方法,其特征在于,所述根据所述业务数据和所述推荐场景关联的推荐算法策略,确定物品集合的步骤包括:
根据所述推荐场景确定关联的至少两个推荐算法策略;
根据所述推荐算法策略的优先级,确定目标推荐算法策略;
根据所述业务数据和所述目标推荐算法策略确定所述物品集合。
4.如权利要求3所述的物品推荐方法,其特征在于,所述根据所述目标推荐算法策略确定所述物品集合的步骤之后,还包括:
确定所述物品集合中待推荐物品的数量;
若所述待推荐物品的数量小于预设第一数量阈值,则降低所述推荐算法策略的优先级;
若所述待推荐物品的数量大于预设第二数量阈值,则增加所述推荐算法的优先级。
5.如权利要求3所述的物品推荐方法,其特征在于,所述推荐算法策略包括:
确定至少两个时间段内出售所述物品集合中待推荐物品的数量;
根据预设的时间系数、在所述时间段内待推荐物品的数量和待推荐物品的销售总量,确定时间相关度;
确定在预设时间段内购买待推荐物品的次数,以及在预设时间段内购买所有待推荐物品的总次数,根据所述次数和所述总次数确定欲购度;
根据所述时间相关度和所述欲购度,确定待推荐物品的推荐系数;
根据所述推荐系数,在所述物品集合中确定所述业务数据对应的推荐物品。
6.如权利要求3所述的物品推荐方法,其特征在于,所述推荐算法策略包括:
确定不同价位类别的待推荐物品的百分比;
确定所述价位类别对应的排序系数;
根据所述百分比和所述排序系数,确定待推荐物品的推荐系数;
根据所述推荐系数,在所述物品集合中确定所述业务数据对应的推荐物品。
7.如权利要求3所述的物品推荐方法,其特征在于,所述推荐算法策略包括:
获取所述物品集合中每一待推荐物品的评价数据;
确定每一类型的评价数据在总评价数据中占比;
根据预设的权重值和所述占比,确定推荐系数;
根据所述推荐系数,在所述物品集合中确定所述业务数据对应的推荐物品。
8.一种物品推荐装置,其特征在于,所述物品推荐装置包括:
获取模块,用于获取用户业务对应的业务数据,所述业务数据包括待推荐的物品数据、用户数据、行为数据中至少一个;
选择模块,用于根据所述用户业务确定推荐场景;
计算模块,用于根据所述业务数据和所述推荐场景关联的推荐算法策略,确定物品集合;
推荐模块,用于根据所述物品集合确定所述用户业务对应的推荐物品。
9.一种物品推荐设备,其特征在于,所述物品推荐设备包括存储器、处理器以及存储在所述存储器并可在所述处理器上执行的物品推荐程序,所述物品推荐程序被所述处理器执行时实现如权利要求1-7任一项所述的物品推荐方法的各个步骤。
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存储有物品推荐程序,所述物品推荐程序被处理器执行时实现如权利要求1-7任一项所述的物品推荐方法的各个步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310980986.2A CN117132347A (zh) | 2023-08-04 | 2023-08-04 | 物品推荐方法、装置、设备和计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310980986.2A CN117132347A (zh) | 2023-08-04 | 2023-08-04 | 物品推荐方法、装置、设备和计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117132347A true CN117132347A (zh) | 2023-11-28 |
Family
ID=88861954
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310980986.2A Pending CN117132347A (zh) | 2023-08-04 | 2023-08-04 | 物品推荐方法、装置、设备和计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117132347A (zh) |
-
2023
- 2023-08-04 CN CN202310980986.2A patent/CN117132347A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107153971B (zh) | 用于识别app推广中设备作弊的方法及装置 | |
US8417560B2 (en) | Systems, methods, and apparatus for analyzing the influence of marketing assets | |
US8069075B2 (en) | Method and system for evaluating performance of a website using a customer segment agent to interact with the website according to a behavior model | |
US20110202407A1 (en) | System and method for improving internet search results using telecommunications data | |
DE102012208842A1 (de) | Zugangsüberwachungsverfahren, Informationsverarbeitungsvorrichtung und Zugangsüberwachungsprogramm | |
CN108074158B (zh) | 共享租赁平台的用户推荐页面展示方法、装置及服务器 | |
US8793236B2 (en) | Method and apparatus using historical influence for success attribution in network site activity | |
CN106415644A (zh) | 动态内容项创建 | |
CN113407854A (zh) | 一种应用推荐方法、装置、设备及计算机可读存储介质 | |
US20150213026A1 (en) | Method for providing personalized content | |
US20130304547A1 (en) | Investment valuation projections in an on-demand system | |
CN107145508B (zh) | 网站数据处理方法、装置及系统 | |
US20140200979A1 (en) | Information providing device, information providing method, information providing program, and recording medium | |
CN117132347A (zh) | 物品推荐方法、装置、设备和计算机可读存储介质 | |
GB2542464A (en) | Method and survey server for generating predictive survey participation patterns using online profile data | |
US20170178205A1 (en) | Consumer feedback for websites and mobile applications | |
US20080016058A1 (en) | Multi-candidate, multi-criteria decision-making method | |
CN110874639A (zh) | 操作信息的获取方法及装置 | |
CN111881008B (zh) | 一种数据评测、模型训练方法、装置、设备及存储介质 | |
CN101268461A (zh) | 用于将信息从信息服务器传输给客户端的方法 | |
CN112527426A (zh) | 一种基于行为数据分析的图形界面交互方法及系统 | |
US7734496B1 (en) | Service provider and client survey method | |
CN111667361A (zh) | 一种基于用户行为的贷款产品推荐方法 | |
CN117217852B (zh) | 一种基于行为识别购买意愿度预测方法及装置 | |
CN114866603B (zh) | 信息推送方法、装置、电子设备及存储介质 |
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 |