CN117436996A - 产品推荐方法、装置、计算机设备和存储介质 - Google Patents
产品推荐方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN117436996A CN117436996A CN202311764974.2A CN202311764974A CN117436996A CN 117436996 A CN117436996 A CN 117436996A CN 202311764974 A CN202311764974 A CN 202311764974A CN 117436996 A CN117436996 A CN 117436996A
- Authority
- CN
- China
- Prior art keywords
- product
- user
- target user
- recommended
- target
- 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
- 230000006399 behavior Effects 0.000 claims description 35
- 239000011159 matrix material Substances 0.000 claims description 27
- 238000004590 computer program Methods 0.000 claims description 24
- 230000003542 behavioural effect Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical 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]
- 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
- G06F16/90—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
- G06F16/9536—Search customisation based on social or collaborative filtering
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种产品推荐方法、装置、计算机设备和存储介质。所述方法包括:根据目标用户的感兴趣产品和候选用户的感兴趣产品,从候选用户中确定目标用户的相似用户,根据相似用户的感兴趣产品和目标用户的感兴趣产品之间的重叠情况,确定目标用户的待推荐产品,根据目标用户与相似用户之间的相似度,以及相似用户对待推荐产品的反馈值,确定待推荐产品的综合推荐值,根据待推荐产品的综合推荐值,向目标用户进行产品推荐。采用本方法能够提升产品推荐的全面性。
Description
技术领域
本申请涉及人工智能技术领域,特别是涉及一种产品推荐方法、装置、计算机设备和存储介质。
背景技术
随着网络购物的不断发展,购物平台上的产品种类也不断增加,为了便于用户的购买,出现了产品推荐方法。现有的产品推荐方法,可以基于用户的行为数据,将用户的历史购买记录和历史浏览记录中的相关产品推荐给用户。
然而,采用现有的产品推荐方法,仅能针对用户重复浏览的相关类型产品进行推荐,降低了产品推荐的全面性。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提升产品推荐全面性的产品推荐方法、装置、计算机设备和存储介质。
第一方面,本申请提供了一种产品推荐方法。所述方法包括:
根据目标用户的感兴趣产品和候选用户的感兴趣产品,从候选用户中确定目标用户的相似用户;其中,候选用户为目标平台中除目标用户之外的平台用户;
根据相似用户的感兴趣产品和目标用户的感兴趣产品之间的重叠情况,确定目标用户的待推荐产品;
根据目标用户与相似用户之间的相似度,以及相似用户对待推荐产品的反馈值,确定待推荐产品的综合推荐值;
根据待推荐产品的综合推荐值,向目标用户进行产品推荐。
在其中一个实施例中,根据目标用户与相似用户之间的相似度,以及相似用户对待推荐产品的反馈值,确定待推荐产品的综合推荐值,包括:
根据相似用户对待推荐产品的历史行为数据,确定相似用户对待推荐产品的反馈值;采用目标用户与相似用户之间的相似度,对相似用户对待推荐产品的反馈值进行加权处理,得到相似用户对待推荐产品的推荐值;根据相似用户对待推荐产品的推荐值,确定待推荐产品的综合推荐值。
在其中一个实施例中,相似用户的数量为至少两个,根据相似用户对待推荐产品的推荐值,确定待推荐产品的综合推荐值,包括:
针对每一待推荐产品,将各相似用户对该待推荐产品的推荐值之和,作为该待推荐产品的综合推荐值。
在其中一个实施例中,根据目标用户的感兴趣产品和候选用户的感兴趣产品,从候选用户中确定目标用户的相似用户,包括:
根据目标用户的历史行为数据和目标用户所持终端的目标型号,确定目标用户的感兴趣产品;根据目标用户的感兴趣产品和候选用户的感兴趣产品,确定目标用户与候选用户之间的相似度;根据目标用户与候选用户之间的相似度,从候选用户中确定目标用户的相似用户。
在其中一个实施例中,根据目标用户的历史行为数据和目标用户所持终端的目标型号,确定目标用户的感兴趣产品,包括:
基于候选型号与目标平台中第一候选产品集之间的关联关系,根据目标用户所持终端的目标型号,从第一候选产品集中选择目标产品集;根据目标用户的历史行为数据,从目标产品集和目标平台中第二候选产品集中选择目标用户的感兴趣产品。
在其中一个实施例中,根据目标用户的感兴趣产品和候选用户的感兴趣产品,确定目标用户与候选用户之间的相似度,包括:
针对每一候选用户,确定目标用户的感兴趣产品与该候选用户的感兴趣产品之间的第一重叠产品的产品数量;将目标用户的感兴趣产品的产品数量与该候选用户的感兴趣产品的产品数量之积,作为产品基数;根据产品基数和第一重叠产品的产品数量,确定目标用户与该候选用户之间的相似度。
在其中一个实施例中,根据目标用户的感兴趣产品和候选用户的感兴趣产品,确定目标用户与候选用户之间的相似度,包括:
根据目标用户的感兴趣产品和候选用户的感兴趣产品,构建以产品为索引、以用户为索引值的倒排索引;根据倒排索引,构建用户矩阵;根据用户矩阵、目标用户的感兴趣产品的产品数量,以及候选用户的感兴趣产品的产品数量,确定目标用户与候选用户之间的相似度。
在其中一个实施例中,根据相似用户的感兴趣产品和目标用户的感兴趣产品之间的重叠情况,确定目标用户的待推荐产品,包括:
将相似用户的感兴趣产品和目标用户的感兴趣产品中存在重叠的产品作为第二重叠产品;将相似用户的感兴趣产品中除第二重叠产品之外的产品,作为目标用户的待推荐产品。
第二方面,本申请还提供了一种产品推荐装置。所述装置包括:
用户确定模块,用于根据目标用户的感兴趣产品和候选用户的感兴趣产品,从候选用户中确定目标用户的相似用户;其中,候选用户为目标平台中除目标用户之外的平台用户;
产品确定模块,用于根据相似用户的感兴趣产品和目标用户的感兴趣产品之间的重叠情况,确定目标用户的待推荐产品;
推荐值确定模块,用于根据目标用户与相似用户之间的相似度,以及相似用户对待推荐产品的反馈值,确定待推荐产品的综合推荐值;
产品推荐模块,用于根据待推荐产品的综合推荐值,向目标用户进行产品推荐。
第三方面,本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
根据目标用户的感兴趣产品和候选用户的感兴趣产品,从候选用户中确定目标用户的相似用户;其中,候选用户为目标平台中除目标用户之外的平台用户;
根据相似用户的感兴趣产品和目标用户的感兴趣产品之间的重叠情况,确定目标用户的待推荐产品;
根据目标用户与相似用户之间的相似度,以及相似用户对待推荐产品的反馈值,确定待推荐产品的综合推荐值;
根据待推荐产品的综合推荐值,向目标用户进行产品推荐。
第四方面,本申请还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,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
根据目标用户的感兴趣产品和候选用户的感兴趣产品,从候选用户中确定目标用户的相似用户;其中,候选用户为目标平台中除目标用户之外的平台用户;
根据相似用户的感兴趣产品和目标用户的感兴趣产品之间的重叠情况,确定目标用户的待推荐产品;
根据目标用户与相似用户之间的相似度,以及相似用户对待推荐产品的反馈值,确定待推荐产品的综合推荐值;
根据待推荐产品的综合推荐值,向目标用户进行产品推荐。
第五方面,本申请还提供了一种计算机程序产品。所述计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
根据目标用户的感兴趣产品和候选用户的感兴趣产品,从候选用户中确定目标用户的相似用户;其中,候选用户为目标平台中除目标用户之外的平台用户;
根据相似用户的感兴趣产品和目标用户的感兴趣产品之间的重叠情况,确定目标用户的待推荐产品;
根据目标用户与相似用户之间的相似度,以及相似用户对待推荐产品的反馈值,确定待推荐产品的综合推荐值;
根据待推荐产品的综合推荐值,向目标用户进行产品推荐。
上述产品推荐方法、装置、计算机设备和存储介质,通过根据目标用户的感兴趣产品和候选用户的感兴趣产品,从候选用户中确定目标用户的相似用户,并根据相似用户的感兴趣产品和目标用户的感兴趣产品之间的重叠情况,确定目标用户的待推荐产品;进而根据目标用户与相似用户之间的相似度,以及相似用户对待推荐产品的反馈值,确定待推荐产品的综合推荐值,并向目标用户进行产品推荐。相比于相关技术中,仅根据目标用户的历史行为数据,向目标用户进行产品推荐而言,采用上述方法,引入目标用户的相似用户,并根据相似用户的感兴趣产品向目标用户进行产品推荐,能够向目标用户推荐一些目标用户未浏览但可能感兴趣的产品,进而提高了产品推荐的全面性。
附图说明
图1为一个实施例中产品推荐方法的应用环境图;
图2为一个实施例中产品推荐方法的流程示意图;
图3为一个实施例中确定综合推荐值的流程示意图;
图4为一个实施例中确定相似用户的流程示意图;
图5为一个实施例中确定感兴趣产品的流程示意图;
图6为一个实施例中确定用户之间相似度的流程示意图;
图7A为另一个实施例中确定用户之间相似度的流程示意图;
图7B为一个实施例中的倒排索引图;
图7C为一个实施例中用户矩阵图;
图7D为一个实施例中相似度矩阵图;
图8为另一个实施例中产品推荐方法的流程示意图;
图9为一个实施例中产品推荐装置的结构框图;
图10为另一个实施例中产品推荐装置的结构框图;
图11为又一个实施例中产品推荐装置的结构框图;
图12为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请实施例提供的产品推荐方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。例如,用户的历史行为数据。数据存储系统可以集成在服务器104上,也可以放在云上或其他网络服务器上。例如,服务器104根据目标用户的感兴趣产品和候选用户的感兴趣产品,从候选用户中确定目标用户的相似用户和目标用户的待推荐产品,随后,根据目标用户与相似用户之间的相似度,以及相似用户对待推荐产品的反馈值,确定待推荐产品的综合推荐值,并根据综合推荐值向目标用户所持终端102发送产品推荐结果。其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和物联网设备等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
随着网络购物的不断发展,购物平台上的产品种类也不断增加,为了便于用户的购买,出现了产品推荐方法。现有的产品推荐方法,可以基于用户的行为数据,将用户的历史购买记录和历史浏览记录中的相关产品推荐给用户。
然而,采用现有的产品推荐方法,仅能针对用户重复浏览的相关类型产品进行推荐,降低了产品推荐的全面性。
基于此,在一个实施例中,如图2所示,提供了一种产品推荐方法,以该方法应用于图1中的服务器为例进行说明,具体包括以下步骤:
S201,根据目标用户的感兴趣产品和候选用户的感兴趣产品,从候选用户中确定目标用户的相似用户。
其中,目标用户指的是具有产品推荐需求的用户;候选用户为目标平台中除目标用户之外的平台用户,进一步的,目标平台指的是具有产品推荐功能的平台,目标用户和候选用户均为目标平台内的注册用户;相似用户指的是与目标用户相似度较高的用户。
可选的,在接收到向目标用户进行产品推荐的事件时,可以根据各用户在目标平台上的历史行为数据,确定出各用户所关联的感兴趣产品。其中,向目标用户进行产品推荐的事件可以是目标用户点击进目标平台时自动触发的事件;也可以是目标用户点击产品推荐按钮时触发的事件。
进一步的,可以根据目标用户的感兴趣产品和各候选用户的感兴趣产品之间的相似程度,从候选用户中确定目标用户的相似用户。
可以理解的是,为了准确确定各用户的感兴趣产品,可以根据各用户的基本信息,例如,用户的年龄、性别和居住地区等信息,确定出各用户的用户画像;随后,可以根据各用户的用户画像和各用户在目标平台上的浏览记录、搜索记录、媒体互动,以及加购记录等行为数据,从目标平台上的所有产品中,确定各用户所关联的感兴趣产品。
S202,根据相似用户的感兴趣产品和目标用户的感兴趣产品之间的重叠情况,确定目标用户的待推荐产品。
其中,待推荐产品指的是准备向目标用户进行推荐的产品。
可以理解的是,由于目标用户的感兴趣产品是基于目标用户的历史行为数据分析得到的,因此,服务器仅能针对目标用户重复浏览的相关类型产品进行推荐,为了提升产品推荐的全面性,可以根据与目标用户相似度较高的相似用户所关联的感兴趣产品,对目标用户进行产品推荐。
可选的,可以根据相似用户的感兴趣产品和目标用户的感兴趣产品之间的重叠情况,确定需要向目标用户进行推荐的待推荐产品。
S203,根据目标用户与相似用户之间的相似度,以及相似用户对待推荐产品的反馈值,确定待推荐产品的综合推荐值。
其中,反馈值指的是相似用户对待推荐产品的评价情况,评价情况越优,反馈值越高,评价情况越差,反馈值越低;综合推荐值用于表征各相似用户对待推荐产品的推荐程度。
可选的,针对每一待推荐产品,可以根据相似用户对待推荐产品的评分,确定相似用户对待推荐产品的反馈值;随后,将目标用户与相似用户之间的相似度,以及相似用户对该待推荐产品的反馈值,同时输入到经过训练的推荐值确定模型中,由推荐值确定模型根据目标用户与相似用户之间的相似度、相似用户对该待推荐产品的反馈值,以及模型参数,输出该待推荐产品的综合推荐值。
S204,根据待推荐产品的综合推荐值,向目标用户进行产品推荐。
可选的,可以按照由大到小的顺序,根据各待推荐产品的综合推荐值,对各待推荐产品进行排序;随后,可以根据排序结果,选择排序在前的预设数量的待推荐产品,向用户进行推荐;或者,可以根据目标用户的历史选择情况,确定出推荐阈值;随后,向目标用户推荐综合推荐值大于推荐阈值的待推荐产品。
可以理解的是,为了保证产品推荐的全面性,除了根据待推荐产品的综合推荐值,向目标用户推荐待推荐产品外,还需向目标用户推荐部分目标用户所关联的感兴趣产品。
进一步的,在向目标用户进行产品推荐后,可以根据目标用户后续的购买和点击行为,对待推荐产品的选择,以及推荐阈值等参数进行优化。
上述产品推荐方法中,通过根据目标用户的感兴趣产品和候选用户的感兴趣产品,从候选用户中确定目标用户的相似用户,并根据相似用户的感兴趣产品和目标用户的感兴趣产品之间的重叠情况,确定目标用户的待推荐产品;进而根据目标用户与相似用户之间的相似度,以及相似用户对待推荐产品的反馈值,确定待推荐产品的综合推荐值,并向目标用户进行产品推荐。相比于相关技术中,仅根据目标用户的历史行为数据,向目标用户进行产品推荐而言,采用上述方法,引入目标用户的相似用户,并根据相似用户的感兴趣产品向目标用户进行产品推荐,能够向目标用户推荐一些目标用户未浏览但可能感兴趣的产品,进而提高了产品推荐的全面性。
为了保证综合推荐值确定的准确性,在上述实施例的基础上,在本实施例中,提供了一种确定综合推荐值的可选方式,如图3所示,具体包括以下步骤:
S301,根据相似用户对待推荐产品的历史行为数据,确定相似用户对待推荐产品的反馈值。
可选的,针对每一待推荐产品,可以根据相似用户对该待推荐产品的历史行为数据中,与产品评分相关的行为数据,确定相似用户对待推荐产品的反馈值;或者,可以根据相似用户对该待推荐产品的点击、浏览和购买等行为数据,确定相似用户对待推荐产品的反馈值。
可以理解的是,为了保证反馈值的实时更新,可以将近期产生的行为数据赋予更高级的权重,以确定相似用户对待推荐产品的反馈值;或者,可以根据相似用户的用户画像,对反馈值进行优化。
S302,采用目标用户与相似用户之间的相似度,对相似用户对待推荐产品的反馈值进行加权处理,得到相似用户对待推荐产品的推荐值。
其中,推荐值用于表征某一相似用户对待推荐产品的推荐程度,相当于目标用户对待推荐产品的感兴趣程度。
可选的,参考公式(1),可以采用目标用户与相似用户之间的相似度,对相似用户对待推荐产品的反馈值进行加权处理,得到相似用户对待推荐产品的推荐值。其中,wUV指的是相似用户V与目标用户U之间的相似度; P(V,i) 指的是相似用户V对待推荐产品i的推荐值; rVi 指的是相似用户V对待推荐产品i的反馈值。
(1)
S303,根据相似用户对待推荐产品的推荐值,确定待推荐产品的综合推荐值。
可选的,在相似用户的数量仅为一个的情况下,可以将该相似用户对待推荐产品的推荐值,直接作为待推荐产品的综合推荐值。
在相似用户的数量为至少两个的情况下,针对每一待推荐产品,参考公式(2),可以将各相似用户对该待推荐产品的推荐值之和,作为该待推荐产品的综合推荐值。其中,Pi指的是待推荐产品i的综合推荐值;k为相似用户的总数;P(N,i)指的是第N个相似用户对待推荐产品i的推荐值,N的取值为1至k。
(2)
在本实施例中,根据目标用户与相似用户之间的相似度和相似用户对待推荐产品的反馈值,确定相似用户对待推荐产品的综合推荐值,能够保证综合推荐值确定的准确性。
为了保证相似用户确定的准确性,在上述实施例的基础上,在本实施例中,提供了一种确定相似用户的可选方式,如图4所示,具体包括以下步骤:
S401,根据目标用户的历史行为数据和目标用户所持终端的目标型号,确定目标用户的感兴趣产品。
其中,目标型号指的是目标用户所持终端对应的终端型号。
可以理解是是,由于目标用户所持终端的目标型号能够在一定程度上反应目标用户对产品的偏好,因此,可以基于目标用户所持终端的目标型号,查询目标型号对应的推荐策略;随后,可以基于目标型号对应的推荐策略,根据目标用户的历史行为数据,确定目标用户的感兴趣产品。
S402,根据目标用户的感兴趣产品和候选用户的感兴趣产品,确定目标用户与候选用户之间的相似度。
可选的,可以将目标用户的感兴趣产品和候选用户的感兴趣产品输入到经过训练的相似用户确定模型中,由相似用户确定模型根据目标用户的感兴趣产品、候选用户的感兴趣产品,以及模型参数,确定目标用户与候选用户之间的相似度。
S403,根据目标用户与候选用户之间的相似度,从候选用户中确定目标用户的相似用户。
可选的,可以按照由大到小的顺序,根据目标用户与候选用户之间的相似度,对各候选用户进行排序;随后,可以根据排序结果,由前到后选择预设数量个候选用户作为相似用户;或者,可以根据目标用户的推荐产品反馈情况,预设一个相似阈值,并将与目标用户之间相似度大于相似阈值的候选用户作为相似用户。
在本实施例中,根据目标用户与候选用户之间的相似度,从候选用户中确定目标用户的相似用户,能够保证相似用户确定的准确性。
为了保证感兴趣产品确定的准确性,在上述实施例的基础上,在本实施例中,提供了一种确定感兴趣产品的可选方式,如图5所示,具体包括以下步骤:
S501,基于候选型号与目标平台中第一候选产品集之间的关联关系,根据目标用户所持终端的目标型号,从第一候选产品集中选择目标产品集。
其中,候选型号用于表征任一终端的型号;第一候选产品集指的是与目标型号相关的电子产品集,进一步的,每一电子产品集中的产品均具有相同属性;目标产品集指的是与目标用户相关的产品集。
可选的,可以根据产品类型,构建各第一候选产品集,并建立候选型号与目标平台中第一候选产品集之间的关联关系;随后,可以基于候选型号与目标平台中第一候选产品集之间的关联关系,根据目标用户所持终端的目标型号,从第一候选产品集中选择目标产品集。
例如,若目标用户M所持终端的目标型号为“Q品牌X系列手机”,则目标用户M对应的目标产品集中均为“Q品牌”的电子产品。
S502,根据目标用户的历史行为数据,从目标产品集和目标平台中第二候选产品集中选择目标用户的感兴趣产品。
其中,第二候选产品集指的是除电子产品外的所有产品的集合。
可选的,在确定目标用户对应的目标产品集后,可以根据目标用户的历史行为数据,从目标产品集和目标平台中第二候选产品集中选择目标用户的感兴趣产品。
在本实施例中,引入第一候选产品集,考虑到目标用户所持终端的目标型号与目标用户偏好产品之间的关联性,确定目标用户的感兴趣产品,能够保证感兴趣产品确定的准确性。
为了保证用户之间相似度确定的准确性,在上述实施例的基础上,在本实施例中,提供了一种确定用户之间相似度的可选方式,如图6所示,具体包括以下步骤:
S601,针对每一候选用户,确定目标用户的感兴趣产品与该候选用户的感兴趣产品之间的第一重叠产品的产品数量。
其中,第一重叠产品指的是目标用户的感兴趣产品,与候选用户的感兴趣产品之间相同的产品。
可选的,针对每一候选用户,可以根据目标用户的感兴趣产品,以及该候选用户的感兴趣产品,确定目标用户的感兴趣产品与该候选用户的感兴趣产品之间的第一重叠产品的产品数量。
例如,目标用户A的感兴趣产品为{a、b、d},候选用户B的感兴趣产品为{a、c},此时,目标用户A和候选用户B之间的第一重叠产品的产品数量为1。
S602,将目标用户的感兴趣产品的产品数量与该候选用户的感兴趣产品的产品数量之积,作为产品基数。
其中,产品基数用于表示用于相似度计算过程中的参数。
可选的,可以将目标用户的感兴趣产品的产品数量与该候选用户的感兴趣产品的产品数量之积,作为产品基数。例如,由于目标用户A存在3个感兴趣产品,候选用户B存在2个感兴趣产品,则目标用户A和候选用户B之间的产品基数为6。
S603,根据产品基数和第一重叠产品的产品数量,确定目标用户与该候选用户之间的相似度。
可选的,在确定产品基数和第一重叠产品的产品数量后,可以将第一重叠产品的产品数量与产品基数作除,计算目标用户与该候选用户之间的相似度;或者,可以将第一重叠产品的产品数量与产品基数的开方值作除,计算目标用户与该候选用户之间的相似度。
在本实施例中,引入产品基数和第一重叠产品的产品数量,并根据产品基数和第一重叠产品的产品数量,确定目标用户与该候选用户之间的相似度,能够保证用户之间相似度确定的准确性。
为了保证用户之间相似度确定的效率,在上述实施例的基础上,在本实施例中,提供了另一种确定用户之间相似度的可选方式,如图7A所示,具体包括以下步骤:
S701,根据目标用户的感兴趣产品和候选用户的感兴趣产品,构建以产品为索引、以用户为索引值的倒排索引。
可选的,可以根据目标用户的感兴趣产品和各候选用户的感兴趣产品,构建以产品为索引、以用户为索引值的倒排索引。例如,目标用户A的感兴趣产品为{a、b、d},候选用户B的感兴趣产品为{a、c},候选用户C的感兴趣产品为{b、e},候选用户D的感兴趣产品为{c、d、e},此时,以产品为索引、以用户为索引值,则会构建出图7B所示的倒排索引。
S702,根据倒排索引,构建用户矩阵。
可选的,可以根据用户数量S,构建S*S的初始矩阵,随后,根据倒排索引中,每一产品对应的各用户之间相同感兴趣产品的产品数量,构建用户矩阵。例如,目标用户A与候选用户B之间存在1个相同感兴趣产品;目标用户A与候选用户C之间存在1个相同感兴趣产品;目标用户A与候选用户D之间存在1个相同感兴趣产品;候选用户B和候选用户D之间存在1个相同感兴趣产品;候选用户C和候选用户D之间存在1个相同感兴趣产品,此时,即可构建如图7C所示的用户矩阵。
S703,根据用户矩阵、目标用户的感兴趣产品的产品数量,以及候选用户的感兴趣产品的产品数量,确定目标用户与候选用户之间的相似度。
可选的,在构建用户矩阵后,可以基于用户矩阵,根据目标用户的感兴趣产品的产品数量,以及候选用户的感兴趣产品的产品数量,确定目标用户与候选用户之间的相似度。
例如,目标用户A与候选用户B之间存在1个相同感兴趣产品,且目标用户A存在3个感兴趣产品,目标用户B存在2个感兴趣产品,此时可以将,作为矩阵位置(A,B)和(B,A)的分母,将矩阵位置(A,B)和(B,A)中原始的数值作为分子,构建如图7D所示的相似度矩阵,其中,相似度矩阵中各矩阵位置上的数值,即为该矩阵位置所对应用户之间的相似度。
在本实施例中,引入用户矩阵,根据用户矩阵、目标用户的感兴趣产品的产品数量,以及候选用户的感兴趣产品的产品数量,确定目标用户与候选用户之间的相似度,能够同时确定所有用户之间的相似度,进而保证用户之间相似度确定的效率。
为了保证待推荐产品确定的准确性,在上述实施例的基础上,在本实施例中,提供了一种确定待推荐产品的可选方式,具体为,将相似用户的感兴趣产品和目标用户的感兴趣产品中存在重叠的产品作为第二重叠产品,将相似用户的感兴趣产品中除第二重叠产品之外的产品,作为目标用户的待推荐产品。
其中,第二重叠产品指的是目标用户的感兴趣产品与相似用户的感兴趣产品之间的相同的产品。
示例性的,目标用户A的感兴趣产品为{a、b、d},相似用户E的感兴趣产品为{a、c、e},此时,目标用户A与相似用户E之间的第二重叠产品为a,因此,可以将产品c和e,作为目标用户的待推荐产品。
在本实施例中,引入第二重叠产品,并将相似用户的感兴趣产品中除第二重叠产品之外的产品,作为目标用户的待推荐产品,能够保证待推荐产品确定的准确性。
图8为另一个实施例中产品推荐方法的流程示意图,在上述实施例的基础上,本实施例提供了一种产品推荐方法的可选实例。结合图8,具体实现过程如下:
S801,基于候选型号与目标平台中第一候选产品集之间的关联关系,根据目标用户所持终端的目标型号,从第一候选产品集中选择目标产品集。
S802,根据目标用户的历史行为数据,从目标产品集和目标平台中第二候选产品集中选择目标用户的感兴趣产品。
S803,根据目标用户的感兴趣产品和候选用户的感兴趣产品,确定目标用户与候选用户之间的相似度。
其中,候选用户为目标平台中除目标用户之外的平台用户。
可选的,针对每一候选用户,确定目标用户的感兴趣产品与该候选用户的感兴趣产品之间的第一重叠产品的产品数量;将目标用户的感兴趣产品的产品数量与该候选用户的感兴趣产品的产品数量之积,作为产品基数;根据产品基数和第一重叠产品的产品数量,确定目标用户与该候选用户之间的相似度。
或者,根据目标用户的感兴趣产品和候选用户的感兴趣产品,构建以产品为索引、以用户为索引值的倒排索引;根据倒排索引,构建用户矩阵;根据用户矩阵、目标用户的感兴趣产品的产品数量,以及候选用户的感兴趣产品的产品数量,确定目标用户与候选用户之间的相似度。
S804,根据目标用户与候选用户之间的相似度,从候选用户中确定目标用户的相似用户。
S805,根据相似用户的感兴趣产品和目标用户的感兴趣产品之间的重叠情况,确定目标用户的待推荐产品。
可选的,将相似用户的感兴趣产品和目标用户的感兴趣产品中存在重叠的产品作为第二重叠产品;将相似用户的感兴趣产品中除第二重叠产品之外的产品,作为目标用户的待推荐产品。
S806,根据相似用户对待推荐产品的历史行为数据,确定相似用户对待推荐产品的反馈值。
S807,采用目标用户与相似用户之间的相似度,对相似用户对待推荐产品的反馈值进行加权处理,得到相似用户对待推荐产品的推荐值。
S808,根据相似用户对待推荐产品的推荐值,确定待推荐产品的综合推荐值。
可选的,在相似用户的数量为至少两个的情况下,针对每一待推荐产品,将各相似用户对该待推荐产品的推荐值之和,作为该待推荐产品的综合推荐值。
S809,根据待推荐产品的综合推荐值,向目标用户进行产品推荐。
上述S801-S809的具体过程可以参见上述方法实施例的描述,其实现原理和技术效果类似,在此不再赘述。
应该理解的是,虽然如上所述的各实施例所涉及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,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些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,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的产品推荐方法的产品推荐装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个产品推荐装置实施例中的具体限定可以参见上文中对于产品推荐方法的限定,在此不再赘述。
在一个实施例中,如图9所示,提供了一种产品推荐装置1,包括:用户确定模块10、产品确定模块20、推荐值确定模块30和产品推荐模块40,其中:
用户确定模块10,用于根据目标用户的感兴趣产品和候选用户的感兴趣产品,从候选用户中确定目标用户的相似用户;其中,候选用户为目标平台中除目标用户之外的平台用户;
产品确定模块20,用于根据相似用户的感兴趣产品和目标用户的感兴趣产品之间的重叠情况,确定目标用户的待推荐产品;
推荐值确定模块30,用于根据目标用户与相似用户之间的相似度,以及相似用户对待推荐产品的反馈值,确定待推荐产品的综合推荐值;
产品推荐模块40,用于根据待推荐产品的综合推荐值,向目标用户进行产品推荐。
在一个实施例中,如图10所示,推荐值确定模块30包括:
第一确定单元31,用于根据相似用户对待推荐产品的历史行为数据,确定相似用户对待推荐产品的反馈值;
第二确定单元32,用于采用目标用户与相似用户之间的相似度,对相似用户对待推荐产品的反馈值进行加权处理,得到相似用户对待推荐产品的推荐值;
第三确定单元33,用于根据相似用户对待推荐产品的推荐值,确定待推荐产品的综合推荐值。
在一个实施例中,在相似用户的数量为至少两个的情况下,第三确定单元33具体用于:
针对每一待推荐产品,将各相似用户对该待推荐产品的推荐值之和,作为该待推荐产品的综合推荐值。
在一个实施例中,如图11所示,用户确定模块10包括:
产品确定单元11,用于根据目标用户的历史行为数据和目标用户所持终端的目标型号,确定目标用户的感兴趣产品;
相似度确定单元12,用于根据目标用户的感兴趣产品和候选用户的感兴趣产品,确定目标用户与候选用户之间的相似度;
用户确定单元13,用于根据目标用户与候选用户之间的相似度,从候选用户中确定目标用户的相似用户。
在一个实施例中,产品确定单元11具体用于:
基于候选型号与目标平台中第一候选产品集之间的关联关系,根据目标用户所持终端的目标型号,从第一候选产品集中选择目标产品集;根据目标用户的历史行为数据,从目标产品集和目标平台中第二候选产品集中选择目标用户的感兴趣产品。
在一个实施例中,相似度确定单元12具体用于:
针对每一候选用户,确定目标用户的感兴趣产品与该候选用户的感兴趣产品之间的第一重叠产品的产品数量;将目标用户的感兴趣产品的产品数量与该候选用户的感兴趣产品的产品数量之积,作为产品基数;根据产品基数和第一重叠产品的产品数量,确定目标用户与该候选用户之间的相似度。
在一个实施例中,相似度确定单元12还具体用于:
根据目标用户的感兴趣产品和候选用户的感兴趣产品,构建以产品为索引、以用户为索引值的倒排索引;根据倒排索引,构建用户矩阵;根据用户矩阵、目标用户的感兴趣产品的产品数量,以及候选用户的感兴趣产品的产品数量,确定目标用户与候选用户之间的相似度。
在一个实施例中,产品确定模块20具体用于:
将相似用户的感兴趣产品和目标用户的感兴趣产品中存在重叠的产品作为第二重叠产品;将相似用户的感兴趣产品中除第二重叠产品之外的产品,作为目标用户的待推荐产品。
上述产品推荐装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图12所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output,简称I/O)和通信接口。其中,处理器、存储器和输入/输出接口通过系统总线连接,通信接口通过输入/输出接口连接到系统总线。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储历史行为数据。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种产品推荐方法。
本领域技术人员可以理解,图12中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
根据目标用户的感兴趣产品和候选用户的感兴趣产品,从候选用户中确定目标用户的相似用户;其中,候选用户为目标平台中除目标用户之外的平台用户;
根据相似用户的感兴趣产品和目标用户的感兴趣产品之间的重叠情况,确定目标用户的待推荐产品;
根据目标用户与相似用户之间的相似度,以及相似用户对待推荐产品的反馈值,确定待推荐产品的综合推荐值;
根据待推荐产品的综合推荐值,向目标用户进行产品推荐。
在一个实施例中,处理器执行计算机程序中根据目标用户与相似用户之间的相似度,以及相似用户对待推荐产品的反馈值,确定待推荐产品的综合推荐值的逻辑时,具体实现以下步骤:
根据相似用户对待推荐产品的历史行为数据,确定相似用户对待推荐产品的反馈值;采用目标用户与相似用户之间的相似度,对相似用户对待推荐产品的反馈值进行加权处理,得到相似用户对待推荐产品的推荐值;根据相似用户对待推荐产品的推荐值,确定待推荐产品的综合推荐值。
在一个实施例中,相似用户的数量为至少两个,处理器执行计算机程序中根据相似用户对待推荐产品的推荐值,确定待推荐产品的综合推荐值的逻辑时,具体实现以下步骤:
针对每一待推荐产品,将各相似用户对该待推荐产品的推荐值之和,作为该待推荐产品的综合推荐值。
在一个实施例中,处理器执行计算机程序中根据目标用户的感兴趣产品和候选用户的感兴趣产品,从候选用户中确定目标用户的相似用户的逻辑时,具体实现以下步骤:
根据目标用户的历史行为数据和目标用户所持终端的目标型号,确定目标用户的感兴趣产品;根据目标用户的感兴趣产品和候选用户的感兴趣产品,确定目标用户与候选用户之间的相似度;根据目标用户与候选用户之间的相似度,从候选用户中确定目标用户的相似用户。
在一个实施例中,处理器执行计算机程序中根据目标用户的历史行为数据和目标用户所持终端的目标型号,确定目标用户的感兴趣产品的逻辑时,具体实现以下步骤:
基于候选型号与目标平台中第一候选产品集之间的关联关系,根据目标用户所持终端的目标型号,从第一候选产品集中选择目标产品集;根据目标用户的历史行为数据,从目标产品集和目标平台中第二候选产品集中选择目标用户的感兴趣产品。
在一个实施例中,处理器执行计算机程序中根据目标用户的感兴趣产品和候选用户的感兴趣产品,确定目标用户与候选用户之间的相似度的逻辑时,具体实现以下步骤:
针对每一候选用户,确定目标用户的感兴趣产品与该候选用户的感兴趣产品之间的第一重叠产品的产品数量;将目标用户的感兴趣产品的产品数量与该候选用户的感兴趣产品的产品数量之积,作为产品基数;根据产品基数和第一重叠产品的产品数量,确定目标用户与该候选用户之间的相似度。
在一个实施例中,处理器执行计算机程序中根据目标用户的感兴趣产品和候选用户的感兴趣产品,确定目标用户与候选用户之间的相似度的逻辑时,具体实现以下步骤:
根据目标用户的感兴趣产品和候选用户的感兴趣产品,构建以产品为索引、以用户为索引值的倒排索引;根据倒排索引,构建用户矩阵;根据用户矩阵、目标用户的感兴趣产品的产品数量,以及候选用户的感兴趣产品的产品数量,确定目标用户与候选用户之间的相似度。
在一个实施例中,处理器执行计算机程序中根据相似用户的感兴趣产品和目标用户的感兴趣产品之间的重叠情况,确定目标用户的待推荐产品的逻辑时,具体实现以下步骤:
将相似用户的感兴趣产品和目标用户的感兴趣产品中存在重叠的产品作为第二重叠产品;将相似用户的感兴趣产品中除第二重叠产品之外的产品,作为目标用户的待推荐产品。
在一个实施例中,提供了一种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上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
需要说明的是,本申请所涉及的数据(包括但不限于用户的历史行为数据等),均为经用户授权或者经过各方充分授权的数据,且相关数据的收集、使用和处理需要符合相关规定。
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,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例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,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种产品推荐方法,其特征在于,所述方法包括:
根据目标用户的感兴趣产品和候选用户的感兴趣产品,从所述候选用户中确定所述目标用户的相似用户;其中,所述候选用户为目标平台中除所述目标用户之外的平台用户;
根据所述相似用户的感兴趣产品和所述目标用户的感兴趣产品之间的重叠情况,确定所述目标用户的待推荐产品;
根据所述目标用户与所述相似用户之间的相似度,以及所述相似用户对所述待推荐产品的反馈值,确定所述待推荐产品的综合推荐值;
根据所述待推荐产品的综合推荐值,向所述目标用户进行产品推荐。
2.根据权利要求1所述的方法,其特征在于,所述根据所述目标用户与所述相似用户之间的相似度,以及所述相似用户对所述待推荐产品的反馈值,确定所述待推荐产品的综合推荐值,包括:
根据所述相似用户对所述待推荐产品的历史行为数据,确定所述相似用户对所述待推荐产品的反馈值;
采用所述目标用户与所述相似用户之间的相似度,对所述相似用户对所述待推荐产品的反馈值进行加权处理,得到所述相似用户对所述待推荐产品的推荐值;
根据所述相似用户对所述待推荐产品的推荐值,确定所述待推荐产品的综合推荐值。
3.根据权利要求2所述的方法,其特征在于,所述相似用户的数量为至少两个,所述根据所述相似用户对所述待推荐产品的推荐值,确定所述待推荐产品的综合推荐值,包括:
针对每一待推荐产品,将各相似用户对该待推荐产品的推荐值之和,作为该待推荐产品的综合推荐值。
4.根据权利要求1所述的方法,其特征在于,所述根据目标用户的感兴趣产品和候选用户的感兴趣产品,从所述候选用户中确定所述目标用户的相似用户,包括:
根据目标用户的历史行为数据和所述目标用户所持终端的目标型号,确定所述目标用户的感兴趣产品;
根据所述目标用户的感兴趣产品和候选用户的感兴趣产品,确定所述目标用户与所述候选用户之间的相似度;
根据所述目标用户与所述候选用户之间的相似度,从所述候选用户中确定所述目标用户的相似用户。
5.根据权利要求4所述的方法,其特征在于,所述根据目标用户的历史行为数据和所述目标用户所持终端的目标型号,确定所述目标用户的感兴趣产品,包括:
基于候选型号与所述目标平台中第一候选产品集之间的关联关系,根据所述目标用户所持终端的目标型号,从所述第一候选产品集中选择目标产品集;
根据所述目标用户的历史行为数据,从所述目标产品集和所述目标平台中第二候选产品集中选择所述目标用户的感兴趣产品。
6.根据权利要求4所述的方法,其特征在于,所述根据所述目标用户的感兴趣产品和候选用户的感兴趣产品,确定所述目标用户与所述候选用户之间的相似度,包括:
针对每一候选用户,确定所述目标用户的感兴趣产品与该候选用户的感兴趣产品之间的第一重叠产品的产品数量;
将所述目标用户的感兴趣产品的产品数量与该候选用户的感兴趣产品的产品数量之积,作为产品基数;
根据所述产品基数和所述第一重叠产品的产品数量,确定所述目标用户与该候选用户之间的相似度。
7.根据权利要求4所述的方法,其特征在于,所述根据所述目标用户的感兴趣产品和候选用户的感兴趣产品,确定所述目标用户与所述候选用户之间的相似度,包括:
根据所述目标用户的感兴趣产品和候选用户的感兴趣产品,构建以产品为索引、以用户为索引值的倒排索引;
根据所述倒排索引,构建用户矩阵;
根据所述用户矩阵、所述目标用户的感兴趣产品的产品数量,以及所述候选用户的感兴趣产品的产品数量,确定所述目标用户与所述候选用户之间的相似度。
8.根据权利要求1所述的方法,其特征在于,所述根据所述相似用户的感兴趣产品和所述目标用户的感兴趣产品之间的重叠情况,确定所述目标用户的待推荐产品,包括:
将所述相似用户的感兴趣产品和所述目标用户的感兴趣产品中存在重叠的产品作为第二重叠产品;
将所述相似用户的感兴趣产品中除所述第二重叠产品之外的产品,作为所述目标用户的待推荐产品。
9.一种产品推荐装置,其特征在于,所述装置包括:
用户确定模块,用于根据目标用户的感兴趣产品和候选用户的感兴趣产品,从所述候选用户中确定所述目标用户的相似用户;其中,所述候选用户为目标平台中除所述目标用户之外的平台用户;
产品确定模块,用于根据所述相似用户的感兴趣产品和所述目标用户的感兴趣产品之间的重叠情况,确定所述目标用户的待推荐产品;
推荐值确定模块,用于根据所述目标用户与所述相似用户之间的相似度,以及所述相似用户对所述待推荐产品的反馈值,确定所述待推荐产品的综合推荐值;
产品推荐模块,用于根据所述待推荐产品的综合推荐值,向所述目标用户进行产品推荐。
10.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311764974.2A CN117436996A (zh) | 2023-12-21 | 2023-12-21 | 产品推荐方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311764974.2A CN117436996A (zh) | 2023-12-21 | 2023-12-21 | 产品推荐方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117436996A true CN117436996A (zh) | 2024-01-23 |
Family
ID=89550181
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311764974.2A Pending CN117436996A (zh) | 2023-12-21 | 2023-12-21 | 产品推荐方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117436996A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107016589A (zh) * | 2016-08-10 | 2017-08-04 | 阿里巴巴集团控股有限公司 | 推荐产品的确定方法及装置 |
CN110532473A (zh) * | 2019-08-30 | 2019-12-03 | 车智互联(北京)科技有限公司 | 一种内容推荐方法及计算设备 |
CN115712775A (zh) * | 2022-11-23 | 2023-02-24 | 中国工商银行股份有限公司 | 产品推荐方法、装置、计算机设备和存储介质 |
-
2023
- 2023-12-21 CN CN202311764974.2A patent/CN117436996A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107016589A (zh) * | 2016-08-10 | 2017-08-04 | 阿里巴巴集团控股有限公司 | 推荐产品的确定方法及装置 |
CN110532473A (zh) * | 2019-08-30 | 2019-12-03 | 车智互联(北京)科技有限公司 | 一种内容推荐方法及计算设备 |
CN115712775A (zh) * | 2022-11-23 | 2023-02-24 | 中国工商银行股份有限公司 | 产品推荐方法、装置、计算机设备和存储介质 |
Non-Patent Citations (1)
Title |
---|
高华玲主编: "《推荐算法及应用》", 31 January 2021, 北京邮电大学出版社, pages: 39 - 44 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ermiş et al. | Link prediction in heterogeneous data via generalized coupled tensor factorization | |
CN110390052B (zh) | 搜索推荐方法、ctr预估模型的训练方法、装置及设备 | |
Wang et al. | Perceiving the next choice with comprehensive transaction embeddings for online recommendation | |
CN112800342B (zh) | 基于异质信息的推荐方法、系统、计算机设备和存储介质 | |
CN105247507A (zh) | 品牌的影响力得分 | |
Timilsina et al. | Discovering links between side effects and drugs using a diffusion based method | |
US20150066806A1 (en) | Quantitative product feature analysis | |
CN107704485A (zh) | 一种职位推荐方法及计算设备 | |
US9767417B1 (en) | Category predictions for user behavior | |
Salehi | An effective recommendation based on user behaviour: a hybrid of sequential pattern of user and attributes of product | |
US10474670B1 (en) | Category predictions with browse node probabilities | |
CN114579584A (zh) | 数据表处理方法、装置、计算机设备和存储介质 | |
Dong et al. | Improving sequential recommendation with attribute-augmented graph neural networks | |
Hao et al. | Multi-dimensional graph neural network for sequential recommendation | |
Brambilla et al. | An explorative approach for crowdsourcing tasks design | |
Li et al. | Multi-behavior enhanced heterogeneous graph convolutional networks recommendation algorithm based on feature-interaction | |
Gao et al. | HPOAnnotator: improving large-scale prediction of HPO annotations by low-rank approximation with HPO semantic similarities and multiple PPI networks | |
Gong et al. | Deep pairwise learning for user preferences via dual graph attention model in location-based social networks | |
Pagare et al. | A study of recommender system techniques | |
US10387934B1 (en) | Method medium and system for category prediction for a changed shopping mission | |
US20160063112A1 (en) | Systems and methods for enabling an electronic graphical search space of a database | |
CN117436996A (zh) | 产品推荐方法、装置、计算机设备和存储介质 | |
Yue et al. | A parallel and constraint induced approach to modeling user preference from rating data | |
Guan et al. | A knowledge distillation-based deep interaction compressed network for CTR prediction | |
CN116882408B (zh) | 变压器图模型的构建方法、装置、计算机设备和存储介质 |
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 |