CN117541350A - 产品推送方法、装置、计算机设备和存储介质 - Google Patents

产品推送方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN117541350A
CN117541350A CN202311540430.8A CN202311540430A CN117541350A CN 117541350 A CN117541350 A CN 117541350A CN 202311540430 A CN202311540430 A CN 202311540430A CN 117541350 A CN117541350 A CN 117541350A
Authority
CN
China
Prior art keywords
user
product
similarity
behavior
obtaining
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
Application number
CN202311540430.8A
Other languages
English (en)
Inventor
邵若琦
耿良普
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Industrial and Commercial Bank of China Ltd ICBC
Original Assignee
Industrial and Commercial Bank of China Ltd ICBC
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Industrial and Commercial Bank of China Ltd ICBC filed Critical Industrial and Commercial Bank of China Ltd ICBC
Priority to CN202311540430.8A priority Critical patent/CN117541350A/zh
Publication of CN117541350A publication Critical patent/CN117541350A/zh
Pending legal-status Critical Current

Links

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
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9536—Search customisation based on social or collaborative filtering
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Accounting & Taxation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Finance (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Probability & Statistics with Applications (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请涉及大数据技术领域，特别是涉及一种产品推送方法、装置、计算机设备和存储介质。所述方法包括：获取用户的个人信息、产品交易信息和行为偏好信息；根据所述用户个人信息、产品交易信息和用户行为信息，获得用户特征标签；根据所述用户特征标签，采用用户画像算法，获得用户与产品之间的第一用户相似度，采用协同过滤算法，获得用户与产品之间的第二用户相似度；根据所述第一用户相似度和第二用户相似度，按照预设的权重配比，获得用户综合相似度；根据所述用户综合相似度，匹配目标产品，推送所述目标产品的消息至用户端。采用本方法，能够解决依靠单一的额度维度推送产品导致的准确性和适配性较低的问题。

Description

产品推送方法、装置、计算机设备和存储介质
技术领域
本申请涉及大数据技术领域，特别是涉及一种产品推送方法、装置、计算机设备和存储介质。
背景技术
随着智能手机的普及和移动支付的兴起，一些虚拟产品的应用逐渐被现代人所接受，例如很多人会使用理财产品来处理自己的积蓄。然而，目前的虚拟产品推荐系统存在一些问题，只是以单一地依靠虚拟资源的额度进行推送产品，比较单一，且所推送产品的准确性和适配性较低。
因此，亟需一种产品推送方法、装置、计算机设备和存储介质来解决上述依靠单一的额度维度推送产品导致的准确性和适配性较低的问题。
发明内容
基于此，有必要针对上述技术问题，提供一种能够解决上述依靠单一的额度维度推送产品导致的准确性和适配性较低的问题的产品推送方法、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送方法。所述方法包括：
获取用户的个人信息、产品交易信息和行为偏好信息；
根据所述用户个人信息、产品交易信息和用户行为信息，获得用户特征标签；
根据所述用户特征标签，采用用户画像算法，获得用户与产品之间的第一用户相似度，采用协同过滤算法，获得用户与产品之间的第二用户相似度；
根据所述第一用户相似度和第二用户相似度，按照预设的权重配比，获得用户综合相似度；
根据所述用户综合相似度，匹配目标产品，推送所述目标产品的消息至用户端。
在其中一个实施例中，所述根据所述用户个人信息、产品交易信息和用户行为信息，获得用户特征标签，包括：
根据所述用户个人信息、产品交易信息和用户行为信息，采用开源分词工具获得文本特征词组；
对所述文本特征词组中的每个文本特征词进行聚类，获得若干关键词及关键词相应的行为权重值；
选择行为权重值高于预设阈值的关键词作为用户特征标签。
在其中一个实施例中，根据所述用户特征标签，采用用户画像算法，获得用户与产品之间的第一用户相似度，包括：
根据所述用户特征标签，获取每个用户特征标签对应的用户数据；
分析每个用户特征标签对应的用户数据，获得每两位用户对应的用户特征标签的总数量以及每两位用户共有的用户特征标签的数量；
根据每两位用户对应的用户特征标签的总数量以及每两位用户共有的用户特征标签的数量，获得用户与产品之间的第一用户相似度。
在其中一个实施例中，所述根据所述用户特征标签，采用协同过滤算法，获得用户与产品之间的第二用户相似度，包括：
根据所述用户特征标签，采用协同过滤算法，获取用户对于产品的历史评分数据和若干产品之间的平均评分偏差；
根据用户对于产品的历史评分数据和若干产品之间的平均评分偏差，获得用户对未知产品的预测评分；
根据用户对未知产品的预测评分，利用余弦相似度算法，获得用户与产品之间的第二用户相似度。
在其中一个实施例中，所述对所述文本特征词组中的每个特征词进行聚类，获得若干关键词及关键词相应的行为权重值，包括：
对所述文本特征词组中的每个特征词进行聚类，获得若干关键词的名称、频次及行为时间函数；
根据关键词的名称、行为次数及行为时间函数，获取关键词相应的行为权重值。
在其中一个实施例中，所述根据所述用户综合相似度，匹配目标产品，推送所述目标产品的消息至用户端，包括：
对用户的多个相关产品按照所述用户综合相似度进行降序排列，将排名前若干位的产品作为目标产品，推送所述目标产品的消息至用户端。
第二方面，本申请还提供了一种产品推送装置。所述装置包括：
获取模块，用于获取用户的个人信息、产品交易信息和行为偏好信息；
处理模块，用于根据所述用户个人信息、产品交易信息和用户行为信息，获得用户特征标签；
处理模块，还用于根据所述用户特征标签，采用用户画像算法，获得用户与产品之间的第一用户相似度，采用协同过滤算法，获得用户与产品之间的第二用户相似度；
处理模块，还用于根据所述第一用户相似度和第二用户相似度，按照预设的权重配比，获得用户综合相似度；
推送模块，用于根据所述用户综合相似度，匹配目标产品，推送所述目标产品的消息至用户端。
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：
获取用户的个人信息、产品交易信息和行为偏好信息；
根据所述用户个人信息、产品交易信息和用户行为信息，获得用户特征标签；
根据所述用户特征标签，采用用户画像算法，获得用户与产品之间的第一用户相似度，采用协同过滤算法，获得用户与产品之间的第二用户相似度；
根据所述第一用户相似度和第二用户相似度，按照预设的权重配比，获得用户综合相似度；
根据所述用户综合相似度，匹配目标产品，推送所述目标产品的消息至用户端。
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：
获取用户的个人信息、产品交易信息和行为偏好信息；
根据所述用户个人信息、产品交易信息和用户行为信息，获得用户特征标签；
根据所述用户特征标签，采用用户画像算法，获得用户与产品之间的第一用户相似度，采用协同过滤算法，获得用户与产品之间的第二用户相似度；
根据所述第一用户相似度和第二用户相似度，按照预设的权重配比，获得用户综合相似度；
根据所述用户综合相似度，匹配目标产品，推送所述目标产品的消息至用户端。
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：
获取用户的个人信息、产品交易信息和行为偏好信息；
根据所述用户个人信息、产品交易信息和用户行为信息，获得用户特征标签；
根据所述用户特征标签，采用用户画像算法，获得用户与产品之间的第一用户相似度，采用协同过滤算法，获得用户与产品之间的第二用户相似度；
根据所述第一用户相似度和第二用户相似度，按照预设的权重配比，获得用户综合相似度；
根据所述用户综合相似度，匹配目标产品，推送所述目标产品的消息至用户端。
上述产品推送方法、装置、计算机设备和存储介质，通过收集用户的个人信息、产品交易信息和行为偏好信息，可以得到用户的特征标签。然后使用用户画像算法和协同过滤算法计算用户与产品之间的相似度。综合考虑第一用户相似度和第二用户相似度，并按照预设的权重配比得到用户的综合相似度。最后根据用户的综合相似度，匹配合适的目标产品并将相关信息推送给用户。可以解决现有虚拟产品推荐系统单一依靠额度维度推送产品的问题，提高推送产品的准确性和适配，同时提高了用户体验，增加用户对目标产品的兴趣和购买意愿。
附图说明
图1为一个实施例中产品推送方法的应用环境图；
图2为一个实施例中产品推送方法的流程示意图；
图3为另一个实施例中产品推送方法的流程示意图；
图4为一个实施例中产品推送装置的结构框图；
图5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送方法，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。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。
服务器104获取用户的个人信息、产品交易信息和行为偏好信息。根据用户个人信息、产品交易信息和用户行为信息，获得用户特征标签。根据用户特征标签，采用用户画像算法，获得用户与产品之间的第一用户相似度，采用协同过滤算法，获得用户与产品之间的第二用户相似度。根据第一用户相似度和第二用户相似度，按照预设的权重配比，获得用户综合相似度。根据用户综合相似度，匹配目标产品，推送目标产品的消息至用户端。
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、物联网设备和便携式可穿戴设备，物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。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。
在一个实施例中，如图2所示，提供了一种产品推送方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：
步骤S202，获取用户的个人信息、产品交易信息和行为偏好信息。
其中，用户的个人信息包括用户姓名、用户id、用户星级、资产状况、性别等信息，基础信息的完整度会影响画像的精准度，如其性别特征是群体行为、偏好以及需求趋向的影响因素之一。产品交易信息包括购买时间、订单金额，理财产品类型等，可以通过了解用户详细的购买行为从而分析用户的购买意愿与能力。行为偏好信息包括浏览点击行为、添加关注行为、收藏行为和参与购买行为等体现用户偏好的信息。
步骤S204，根据用户个人信息、产品交易信息和用户行为信息，获得用户特征标签。
具体地，本方案中，可以通过使用Jieba分词工具将文本内容进行分词，得到一组特征词组。然后从这些特征词组中提取出能够反映用户特征的关键词作为用户标签。分词是将连续的文本切分成一个个词语的过程。Jieba分词工具是一种常用的中文分词工具，它能够将中文文本分成一个个词语的组合。将用户的个人信息、产品交易信息和行为偏好信息作为输入文本，使用Jieba分词工具得到一组特征词组。然后从这些特征词组中挑选出能够最好地体现用户特征的关键词作为用户标签。通过这种方法，可以从海量的文本数据中提取出关键信息，用于描述用户的特征和兴趣，从而更准确地进行用户画像和产品推荐。
步骤S206，根据用户特征标签，采用用户画像算法，获得用户与产品之间的第一用户相似度，采用协同过滤算法，获得用户与产品之间的第二用户相似度。
具体地，根据用户特征标签，可以使用用户画像算法计算用户与产品之间的第一用户相似度。用户画像算法是一种根据用户的特征标签来评估用户与产品之间的相似度的方法。它可以根据用户的个人信息、产品交易信息和行为偏好信息，将用户转化为一个特征向量，然后计算用户特征向量与产品特征向量之间的相似度。相似度越高，表示用户对该产品的兴趣和适配程度越高。
另外，还可以采用协同过滤算法来计算用户与产品之间的第二用户相似度。协同过滤算法是一种基于用户之间的相互行为关系来推荐产品的方法。通过分析用户之间的交互行为，如共同购买、共同点击等，来计算用户之间的相似度。具有相似购买行为的用户，往往对相似的产品也有较高的兴趣度。
步骤S208，根据第一用户相似度和第二用户相似度，按照预设的权重配比，获得用户综合相似度。
具体地，根据第一用户相似度和第二用户相似度，可以按照预设的权重配比来计算用户的综合相似度。预设的权重配比是为了平衡第一用户相似度和第二用户相似度在计算综合相似度时的重要性。例如，假设预设的权重配比为70％的权重给予第一用户相似度，30％的权重给予第二用户相似度。那么计算综合相似度时，可以将第一用户相似度乘以0.7，第二用户相似度乘以0.3，然后将两者相加得到用户的综合相似度。这样的权重配比可以根据实际情况和需求进行调整。如果第一用户相似度更加重要，可以增加其权重；如果第二用户相似度更加重要，可以增加其权重。通过调整权重配比，可以根据需求和目标来灵活地计算用户的综合相似度，从而更准确地进行产品推荐和个性化服务。
步骤S210，根据用户综合相似度，匹配目标产品，推送目标产品的消息至用户端。
具体地，根据用户综合相似度，可以匹配合适的目标产品，并将这些目标产品的相关信息和推荐消息发送至用户端，以进行产品推送。具体来说，根据用户的综合相似度，可以从产品库或推荐系统中筛选出与用户兴趣和需求匹配度较高的目标产品。这些目标产品可以是用户可能感兴趣的、与其特征标签相匹配的产品。然后，将这些目标产品的相关信息和推荐消息发送至用户端，可以通过用户的移动设备、电子邮件、短信等方式进行推送。推送的消息可以包括产品名称、特点、促销活动、推荐理由等，以吸引用户的注意力并引发其购买兴趣。
上述产品推送方法中，通过综合考虑第一用户相似度和第二用户相似度，并按照预设的权重配比，可以得到用户综合相似度。用户综合相似度可以反映用户对产品的整体兴趣和适配程度，用于匹配合适的目标产品并进行推送。这样可以提高推送产品的准确性和适配性，增强用户的购买意愿和体验。
在一个实施例中，如图3所示，根据用户个人信息、产品交易信息和用户行为信息，获得用户特征标签，包括：
步骤S302，根据用户个人信息、产品交易信息和用户行为信息，采用开源分词工具获得文本特征词组。
步骤S304，对文本特征词组中的每个文本特征词进行聚类，获得若干关键词及关键词相应的行为权重值。
步骤S306，选择行为权重值高于预设阈值的关键词作为用户特征标签。
具体地，根据用户的个人信息、产品交易信息和用户行为信息，使用开源分词工具(例如Jieba分词工具)对文本进行处理，得到表示文本特征的词组。然后针对文本特征词组中的每个文本特征词，进行聚类分析。聚类的目的是将相似的特征词归为一类，以便更好地理解和表示文本的特征。为了排除非特征词对文本的影响，可以采用K-means++算法对文本特征词进行聚类。通过聚类分析，可以将相似的特征词归为一类，从而更好地代表该特征分组。在聚类过程中，可以采用TF-IDF算法为每个关键词计算相应的行为权重值。TF-IDF算法是用来计算关键词权重的一种常用方法。它可以在提取关键词的同时，计算出关键词在文本中的重要程度，即行为权重值。这样可以更准确地表达关键词的重要性，从而更好地体现用户的特征。行为权重值是指该关键词在用户行为中的重要程度。通过分析用户行为，可以了解用户对不同关键词的偏好和兴趣程度。
其中，在处理用户行为时，先对数据进行标准化处理，具体计算式为：
行为属性j的信息熵：
行为属性j对应的权重公式Wj为：
通过上述熵值法可以得到行为权重值，其中，行为属性j的信息熵越大，说明特征越弱，则对应的Wj越小，Ej为第j种行为属性的信息熵，且Ej≥0；Pij为第j个行为属性下第i个用户占此行为属性的比重。
本实施例中，通过Jieba分词、TF-IDF算法和K-means++聚类等技术，实现了从文本中提取关键词、计算权重，并通过聚类分析得到用户的特征标签。这样可以更好地理解用户的特征和兴趣，为个性化推荐、内容分析等应用提供支持。
在一个实施例中，根据用户特征标签，采用用户画像算法，获得用户与产品之间的第一用户相似度，包括：
根据用户特征标签，获取每个用户特征标签对应的用户数据；
分析每个用户特征标签对应的用户数据，获得每两位用户对应的用户特征标签的总数量以及每两位用户共有的用户特征标签的数量；
根据每两位用户对应的用户特征标签的总数量以及每两位用户共有的用户特征标签的数量，获得用户与产品之间的第一用户相似度。
具体地，将用户按照其特征标签进行分类，每个分类中包含有相同特征标签的用户数据。其中用户数据包括用户数量和用户的个人信息。然后，可以对每个用户特征标签对应的用户数据进行分析。目的是了解每两位用户之间的用户特征标签情况。具体来说，可以统计每两位用户之间用户特征标签的总数量，即该两位用户拥有的不同特征标签的总数。同时，还可以统计每两位用户之间共有的用户特征标签的数量，即该两位用户拥有相同特征标签的数量。最后，根据每两位用户对应的用户特征标签的总数量和每两位用户共有的用户特征标签的数量，可以计算用户与产品之间的第一用户相似度。这可以通过比较用户特征标签的相似度来实现。如果两位用户之间的用户特征标签越多，那么他们之间的相似度就越高。第一用户相似度的计算公式为：
式中，N(m)为用户u的标签集合；N(n)为用户v的标签集合。
本实施例中，通过获取用户特征标签和对应的用户数据，分析用户特征标签之间的关系，可以计算用户与产品之间的第一用户相似度。这可以用来评估用户对产品的兴趣和相关性，为个性化推荐、用户群体分析等应用提供支持。
在一个实施例中，根据用户特征标签，采用协同过滤算法，获得用户与产品之间的第二用户相似度，包括：
根据用户特征标签，采用协同过滤算法，获取用户对于产品的历史评分数据和若干产品之间的平均评分偏差；
根据用户对于产品的历史评分数据和若干产品之间的平均评分偏差，获得用户对未知产品的预测评分；
根据用户对未知产品的预测评分，利用余弦相似度算法，获得用户与产品之间的第二用户相似度。
具体地，协同过滤算法具体可为Slope One算法，Slope One算法的表示函数为：f(x)＝x+b；其中，x为用户对于产品的历史评分数据，b为若干产品之间的平均评分偏差。通过计算产品之间的平均评分偏差，并依据历史评分数据得到用户对未知产品的预测评分，从而填充评分矩阵，填充评分矩阵后，利用余弦相似度算法计算用户u和用户v的第二用户相似度，具体计算式为：
式中，rui，rvi分别表示用户u，v对产品i的评分，分别表示用户u，v对所有产品i的评分均值，Iuv表示用户u，v共同评分的产品集合。
根据用户特征标签，采用协同过滤算法可以获取用户对于产品的历史评分数据和若干产品之间的平均评分偏差。协同过滤算法是一种推荐系统算法，通过分析用户之间的相似性和产品之间的关联性，来预测用户对未知产品的评分。
通过用户对于产品的历史评分数据和若干产品之间的平均评分偏差，可以计算用户对未知产品的预测评分。这可以通过对用户历史评分和产品平均评分偏差的加权计算来实现。预测评分可以帮助推荐系统为用户推荐未知产品，提高用户体验。根据用户对未知产品的预测评分，可以利用余弦相似度算法计算用户与产品之间的第二用户相似度。余弦相似度是一种常用的相似度计算方法，通过计算用户和产品的特征向量之间的夹角来评估它们之间的相似度。第二用户相似度可以帮助推荐系统为用户提供个性化的产品推荐，提高推荐准确度。
综上所述，采用协同过滤算法、预测评分和余弦相似度算法可以实现用户与产品之间的推荐和相似度计算。这些技术可以提高推荐系统的准确性和个性化程度，从而提升用户体验和推广效果。
步骤S208中，根据第一用户相似度和第二用户相似度，按照预设的权重配比，获得用户综合相似度。具体为：
sim(u,v)＝αsimcf(u,v)+(1-α)simup(u,v)；
式中，α是加权因子，取值范围为[0，1]。当α＝0时，相似度计算仅考虑基于用户画像算法；当α＝1时，相似度计算仅考虑基于协同过滤算法。
在一个实施例中，对文本特征词组中的每个特征词进行聚类，获得若干关键词及关键词相应的行为权重值，包括：
对文本特征词组中的每个特征词进行聚类，获得若干关键词的名称、频次及行为时间函数；根据关键词的名称、行为次数及行为时间函数，获取关键词相应的行为权重值。
具体地，行为时间函数是指该关键词在用户行为中的时间分布情况。通过分析关键词在不同时间段内的出现次数或行为强度，可以了解用户在什么时间段对该关键词的关注度较高。根据关键词的名称、行为次数和行为时间函数，可以计算关键词相应的行为权重值。行为权重值是根据关键词在用户行为中的重要程度或用户对关键词的兴趣程度来评估的。
用户的行为权重值的计算式满足：用户行为权重值＝关键词的名称*时间行为函数*行为次数，其中时间行为函数满足：
Δt为用户产生行为的时间距离训练时间间隔的天数，为了避免Δt过小，加入ω平衡参数，一般取值ω＝3。
本实施例中，通过对文本特征词组进行聚类，可以获得关键词的名称、行为次数和行为时间函数。根据这些信息，可以计算关键词的行为权重值，用于评估用户对关键词的重要程度或兴趣程度。这可以用于个性化推荐、用户行为分析等应用中，以更好地理解和满足用户需求。
在一个实施例中，根据用户综合相似度，匹配目标产品，推送目标产品的消息至用户端，包括：
对用户的多个相关产品按照用户综合相似度进行降序排列，将排名前若干位的产品作为目标产品，推送目标产品的消息至用户端。
具体地，对用户的多个相关产品按照用户综合相似度进行降序排列，意味着根据用户与每个产品之间的相似度计算，将相似度高的产品排在前面，相似度低的产品排在后面。用户综合相似度可以是根据用户与每个产品之间的余弦相似度、内容相似度、行为相似度等多个相似度指标综合计算得到的结果。通过将多个相关产品按照用户综合相似度进行降序排列，可以获得与用户最相似的产品排在前面的列表。排名前若干位的产品被认为是目标产品，即推荐给用户的产品。这些产品在用户的综合相似度计算中与用户最相似，因此被认为是用户感兴趣的潜在选择。
推送目标产品的消息至用户端，意味着将目标产品的相关信息、特点、优惠等内容通过消息的形式发送给用户，以引起用户的注意并促使用户进行相关的行为，如点击、购买等。这样可以帮助用户更好地了解和体验推荐的产品，提高用户的满意度和购买意愿。
本实施例中，根据用户综合相似度对相关产品进行降序排列，可以找出与用户最相似的产品。将排名前若干位的产品作为目标产品，推送相关消息至用户端，可以帮助用户发现并了解潜在感兴趣的产品，提高用户的购买意愿和体验。这样的推荐方式可以根据用户的兴趣和需求，提供个性化的推荐服务。
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送方法的产品推送装置。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送装置实施例中的具体限定可以参见上文中对于产品推送方法的限定，在此不再赘述。
在一个实施例中，如图4所示，提供了一种产品推送装置，包括：获取模块402，用于获取用户的个人信息、产品交易信息和行为偏好信息；
处理模块404，用于根据用户个人信息、产品交易信息和用户行为信息，获得用户特征标签；
处理模块404，还用于根据用户特征标签，采用用户画像算法，获得用户与产品之间的第一用户相似度，采用协同过滤算法，获得用户与产品之间的第二用户相似度；
处理模块404，还用于根据第一用户相似度和第二用户相似度，按照预设的权重配比，获得用户综合相似度；
推送模块406，用于根据用户综合相似度，匹配目标产品，推送目标产品的消息至用户端。
在一个实施例中，处理模块404，还用于根据用户个人信息、产品交易信息和用户行为信息，采用开源分词工具获得文本特征词组；
处理模块404，还用于对文本特征词组中的每个文本特征词进行聚类，获得若干关键词及关键词相应的行为权重值；
处理模块404，还用于选择行为权重值高于预设阈值的关键词作为用户特征标签。
在一个实施例中，处理模块404，还用于根据用户特征标签，获取每个用户特征标签对应的用户数据；
处理模块404，还用于分析每个用户特征标签对应的用户数据，获得每两位用户对应的用户特征标签的总数量以及每两位用户共有的用户特征标签的数量；
处理模块404，还用于根据每两位用户对应的用户特征标签的总数量以及每两位用户共有的用户特征标签的数量，获得用户与产品之间的第一用户相似度。
在一个实施例中，处理模块404，还用于根据用户特征标签，采用协同过滤算法，获取用户对于产品的历史评分数据和若干产品之间的平均评分偏差；
处理模块404，还用于根据用户对于产品的历史评分数据和若干产品之间的平均评分偏差，获得用户对未知产品的预测评分；
处理模块404，还用于根据用户对未知产品的预测评分，利用余弦相似度算法，获得用户与产品之间的第二用户相似度。
在一个实施例中，处理模块404，还用于对文本特征词组中的每个特征词进行聚类，获得若干关键词的名称、频次及行为时间函数；
处理模块404，还用于根据关键词的名称、行为次数及行为时间函数，获取关键词相应的行为权重值。
在一个实施例中，处理模块404，还用于对用户的多个相关产品按照用户综合相似度进行降序排列，将排名前若干位的产品作为目标产品，推送目标产品的消息至用户端。
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终端，其内部结构图可以如图5所示。该计算机设备包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。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、显示单元和输入装置通过输入/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和计算机程序。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进行有线或无线方式的通信，无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种产品推送方法。该计算机设备的显示单元用于形成视觉可见的画面，可以是显示屏、投影装置或虚拟现实成像装置。显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图5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：
获取用户的个人信息、产品交易信息和行为偏好信息。
根据用户个人信息、产品交易信息和用户行为信息，获得用户特征标签。
根据用户特征标签，采用用户画像算法，获得用户与产品之间的第一用户相似度，采用协同过滤算法，获得用户与产品之间的第二用户相似度。
根据第一用户相似度和第二用户相似度，按照预设的权重配比，获得用户综合相似度。
根据用户综合相似度，匹配目标产品，推送目标产品的消息至用户端。
在一个实施例中，根据用户个人信息、产品交易信息和用户行为信息，获得用户特征标签，包括：
根据用户个人信息、产品交易信息和用户行为信息，采用开源分词工具获得文本特征词组；
对文本特征词组中的每个文本特征词进行聚类，获得若干关键词及关键词相应的行为权重值；
选择行为权重值高于预设阈值的关键词作为用户特征标签。
在一个实施例中，根据用户特征标签，采用用户画像算法，获得用户与产品之间的第一用户相似度，包括：
根据用户特征标签，获取每个用户特征标签对应的用户数据；
分析每个用户特征标签对应的用户数据，获得每两位用户对应的用户特征标签的总数量以及每两位用户共有的用户特征标签的数量；
根据每两位用户对应的用户特征标签的总数量以及每两位用户共有的用户特征标签的数量，获得用户与产品之间的第一用户相似度。
在一个实施例中，根据用户特征标签，采用协同过滤算法，获得用户与产品之间的第二用户相似度，包括：
根据用户特征标签，采用协同过滤算法，获取用户对于产品的历史评分数据和若干产品之间的平均评分偏差；
根据用户对于产品的历史评分数据和若干产品之间的平均评分偏差，获得用户对未知产品的预测评分；
根据用户对未知产品的预测评分，利用余弦相似度算法，获得用户与产品之间的第二用户相似度。
在一个实施例中，对文本特征词组中的每个特征词进行聚类，获得若干关键词及关键词相应的行为权重值，包括：
对文本特征词组中的每个特征词进行聚类，获得若干关键词的名称、频次及行为时间函数；
根据关键词的名称、行为次数及行为时间函数，获取关键词相应的行为权重值。
在一个实施例中，根据用户综合相似度，匹配目标产品，推送目标产品的消息至用户端，包括：
对用户的多个相关产品按照用户综合相似度进行降序排列，将排名前若干位的产品作为目标产品，推送目标产品的消息至用户端。
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，计算机程序被处理器执行时实现以下步骤：
获取用户的个人信息、产品交易信息和行为偏好信息。
根据用户个人信息、产品交易信息和用户行为信息，获得用户特征标签。
根据用户特征标签，采用用户画像算法，获得用户与产品之间的第一用户相似度，采用协同过滤算法，获得用户与产品之间的第二用户相似度。
根据第一用户相似度和第二用户相似度，按照预设的权重配比，获得用户综合相似度。
根据用户综合相似度，匹配目标产品，推送目标产品的消息至用户端。
在一个实施例中，根据用户个人信息、产品交易信息和用户行为信息，获得用户特征标签，包括：
根据用户个人信息、产品交易信息和用户行为信息，采用开源分词工具获得文本特征词组；
对文本特征词组中的每个文本特征词进行聚类，获得若干关键词及关键词相应的行为权重值；
选择行为权重值高于预设阈值的关键词作为用户特征标签。
在一个实施例中，根据用户特征标签，采用用户画像算法，获得用户与产品之间的第一用户相似度，包括：
根据用户特征标签，获取每个用户特征标签对应的用户数据；
分析每个用户特征标签对应的用户数据，获得每两位用户对应的用户特征标签的总数量以及每两位用户共有的用户特征标签的数量；
根据每两位用户对应的用户特征标签的总数量以及每两位用户共有的用户特征标签的数量，获得用户与产品之间的第一用户相似度。
在一个实施例中，根据用户特征标签，采用协同过滤算法，获得用户与产品之间的第二用户相似度，包括：
根据用户特征标签，采用协同过滤算法，获取用户对于产品的历史评分数据和若干产品之间的平均评分偏差；
根据用户对于产品的历史评分数据和若干产品之间的平均评分偏差，获得用户对未知产品的预测评分；
根据用户对未知产品的预测评分，利用余弦相似度算法，获得用户与产品之间的第二用户相似度。
在一个实施例中，对文本特征词组中的每个特征词进行聚类，获得若干关键词及关键词相应的行为权重值，包括：
对文本特征词组中的每个特征词进行聚类，获得若干关键词的名称、频次及行为时间函数；
根据关键词的名称、行为次数及行为时间函数，获取关键词相应的行为权重值。
在一个实施例中，根据用户综合相似度，匹配目标产品，推送目标产品的消息至用户端，包括：
对用户的多个相关产品按照用户综合相似度进行降序排列，将排名前若干位的产品作为目标产品，推送目标产品的消息至用户端。
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以下步骤：
获取用户的个人信息、产品交易信息和行为偏好信息。
根据用户个人信息、产品交易信息和用户行为信息，获得用户特征标签。
根据用户特征标签，采用用户画像算法，获得用户与产品之间的第一用户相似度，采用协同过滤算法，获得用户与产品之间的第二用户相似度。
根据第一用户相似度和第二用户相似度，按照预设的权重配比，获得用户综合相似度。
根据用户综合相似度，匹配目标产品，推送目标产品的消息至用户端。
在一个实施例中，根据用户个人信息、产品交易信息和用户行为信息，获得用户特征标签，包括：
根据用户个人信息、产品交易信息和用户行为信息，采用开源分词工具获得文本特征词组；
对文本特征词组中的每个文本特征词进行聚类，获得若干关键词及关键词相应的行为权重值；
选择行为权重值高于预设阈值的关键词作为用户特征标签。
在一个实施例中，根据用户特征标签，采用用户画像算法，获得用户与产品之间的第一用户相似度，包括：
根据用户特征标签，获取每个用户特征标签对应的用户数据；
分析每个用户特征标签对应的用户数据，获得每两位用户对应的用户特征标签的总数量以及每两位用户共有的用户特征标签的数量；
根据每两位用户对应的用户特征标签的总数量以及每两位用户共有的用户特征标签的数量，获得用户与产品之间的第一用户相似度。
在一个实施例中，根据用户特征标签，采用协同过滤算法，获得用户与产品之间的第二用户相似度，包括：
根据用户特征标签，采用协同过滤算法，获取用户对于产品的历史评分数据和若干产品之间的平均评分偏差；
根据用户对于产品的历史评分数据和若干产品之间的平均评分偏差，获得用户对未知产品的预测评分；
根据用户对未知产品的预测评分，利用余弦相似度算法，获得用户与产品之间的第二用户相似度。
在一个实施例中，对文本特征词组中的每个特征词进行聚类，获得若干关键词及关键词相应的行为权重值，包括：
对文本特征词组中的每个特征词进行聚类，获得若干关键词的名称、频次及行为时间函数；
根据关键词的名称、行为次数及行为时间函数，获取关键词相应的行为权重值。
在一个实施例中，根据用户综合相似度，匹配目标产品，推送目标产品的消息至用户端，包括：
对用户的多个相关产品按照用户综合相似度进行降序排列，将排名前若干位的产品作为目标产品，推送目标产品的消息至用户端。
需要说明的是，本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据，且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
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)

1.一种产品推送方法，其特征在于，所述方法包括：
获取用户的个人信息、产品交易信息和行为偏好信息；
根据所述用户个人信息、产品交易信息和用户行为信息，获得用户特征标签；
根据所述用户特征标签，采用用户画像算法，获得用户与产品之间的第一用户相似度，采用协同过滤算法，获得用户与产品之间的第二用户相似度；
根据所述第一用户相似度和第二用户相似度，按照预设的权重配比，获得用户综合相似度；
根据所述用户综合相似度，匹配目标产品，推送所述目标产品的消息至用户端。
2.根据权利要求1所述的方法，其特征在于，所述根据所述用户个人信息、产品交易信息和用户行为信息，获得用户特征标签，包括：
根据所述用户个人信息、产品交易信息和用户行为信息，采用开源分词工具获得文本特征词组；
对所述文本特征词组中的每个文本特征词进行聚类，获得若干关键词及关键词相应的行为权重值；
选择行为权重值高于预设阈值的关键词作为用户特征标签。
3.根据权利要求1所述的方法，其特征在于，根据所述用户特征标签，采用用户画像算法，获得用户与产品之间的第一用户相似度，包括：
根据所述用户特征标签，获取每个用户特征标签对应的用户数据；
分析每个用户特征标签对应的用户数据，获得每两位用户对应的用户特征标签的总数量以及每两位用户共有的用户特征标签的数量；
根据每两位用户对应的用户特征标签的总数量以及每两位用户共有的用户特征标签的数量，获得用户与产品之间的第一用户相似度。
4.根据权利要求1所述的方法，其特征在于，所述根据所述用户特征标签，采用协同过滤算法，获得用户与产品之间的第二用户相似度，包括：
根据所述用户特征标签，采用协同过滤算法，获取用户对于产品的历史评分数据和若干产品之间的平均评分偏差；
根据用户对于产品的历史评分数据和若干产品之间的平均评分偏差，获得用户对未知产品的预测评分；
根据用户对未知产品的预测评分，利用余弦相似度算法，获得用户与产品之间的第二用户相似度。
5.根据权利要求2所述的方法，其特征在于，所述对所述文本特征词组中的每个特征词进行聚类，获得若干关键词及关键词相应的行为权重值，包括：
对所述文本特征词组中的每个特征词进行聚类，获得若干关键词的名称、频次及行为时间函数；
根据关键词的名称、行为次数及行为时间函数，获取关键词相应的行为权重值。
6.根据权利要求1所述的方法，其特征在于，所述根据所述用户综合相似度，匹配目标产品，推送所述目标产品的消息至用户端，包括：
对用户的多个相关产品按照所述用户综合相似度进行降序排列，将排名前若干位的产品作为目标产品，推送所述目标产品的消息至用户端。
7.一种应用界面获取装置，其特征在于，所述装置包括：
获取模块，用于获取用户的个人信息、产品交易信息和行为偏好信息；
处理模块，用于根据所述用户个人信息、产品交易信息和用户行为信息，获得用户特征标签；
处理模块，还用于根据所述用户特征标签，采用用户画像算法，获得用户与产品之间的第一用户相似度，采用协同过滤算法，获得用户与产品之间的第二用户相似度；
处理模块，还用于根据所述第一用户相似度和第二用户相似度，按照预设的权重配比，获得用户综合相似度；
推送模块，用于根据所述用户综合相似度，匹配目标产品，推送所述目标产品的消息至用户端。
8.一种计算机设备，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6中任一项所述的方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
CN202311540430.8A 2023-11-17 2023-11-17 产品推送方法、装置、计算机设备和存储介质 Pending CN117541350A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311540430.8A CN117541350A (zh) 2023-11-17 2023-11-17 产品推送方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311540430.8A CN117541350A (zh) 2023-11-17 2023-11-17 产品推送方法、装置、计算机设备和存储介质

Publications (1)

Publication Number Publication Date
CN117541350A true CN117541350A (zh) 2024-02-09

Family

ID=89789500

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311540430.8A Pending CN117541350A (zh) 2023-11-17 2023-11-17 产品推送方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN117541350A (zh)

Similar Documents

Publication Publication Date Title
US11995112B2 (en) System and method for information recommendation
Chen et al. Predicting the influence of users’ posted information for eWOM advertising in social networks
CN111626832B (zh) 产品推荐方法、装置及计算机设备
US8549013B1 (en) Systems and methods for determining interest in an item or category of items
CN109684538A (zh) 一种基于用户个人特征的推荐方法及推荐系统
US8380727B2 (en) Information processing device and method, program, and recording medium
JP6261547B2 (ja) 判定装置、判定方法及び判定プログラム
CN108805598B (zh) 相似度信息确定方法、服务器及计算机可读存储介质
CN111400613A (zh) 物品推荐方法、装置、介质及计算机设备
CN111429161B (zh) 特征提取方法、特征提取装置、存储介质及电子设备
CN113742567B (zh) 一种多媒体资源的推荐方法、装置、电子设备及存储介质
CN106776707A (zh) 信息推送的方法和装置
CN112364204A (zh) 视频搜索方法、装置、计算机设备及存储介质
CN111967914A (zh) 基于用户画像的推荐方法、装置、计算机设备和存储介质
CN107103028A (zh) 一种信息处理方法及装置
US20100125585A1 (en) Conjoint Analysis with Bilinear Regression Models for Segmented Predictive Content Ranking
CN113327132A (zh) 多媒体推荐方法、装置、设备及存储介质
CN112967100A (zh) 相似人群扩展方法、装置、计算设备以及介质
CN113704630B (zh) 一种信息推送方法、装置、可读存储介质和电子设备
Guo et al. Prediction of Purchase Intention among E-Commerce Platform Users Based on Big Data Analysis.
Wang et al. Prediction of purchase behaviors across heterogeneous social networks
CN113254775A (zh) 一种基于客户浏览行为序列的信用卡产品推荐方法
CN117541350A (zh) 产品推送方法、装置、计算机设备和存储介质
Liu et al. A new feature selection method for text categorization of customer reviews
CN112948663B (zh) 一种信息推荐方法及装置、设备、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