CN117611272A - 商品推荐方法、装置及电子设备 - Google Patents
商品推荐方法、装置及电子设备 Download PDFInfo
- Publication number
- CN117611272A CN117611272A CN202311394329.6A CN202311394329A CN117611272A CN 117611272 A CN117611272 A CN 117611272A CN 202311394329 A CN202311394329 A CN 202311394329A CN 117611272 A CN117611272 A CN 117611272A
- Authority
- CN
- China
- Prior art keywords
- commodity
- center
- word
- click
- words
- 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 55
- 238000013507 mapping Methods 0.000 claims abstract description 85
- 230000006399 behavior Effects 0.000 claims description 61
- 238000012549 training Methods 0.000 claims description 37
- 238000012795 verification Methods 0.000 claims description 28
- 238000004590 computer program Methods 0.000 claims description 22
- 238000010276 construction Methods 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 description 6
- 230000009471 action Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 241000251468 Actinopterygii Species 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 150000003839 salts Chemical class 0.000 description 3
- 244000291564 Allium cepa Species 0.000 description 2
- 241000238557 Decapoda Species 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 235000010167 Allium cepa var aggregatum Nutrition 0.000 description 1
- 235000002732 Allium cepa var. cepa Nutrition 0.000 description 1
- 235000001270 Allium sibiricum Nutrition 0.000 description 1
- 241000239366 Euphausiacea Species 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004040 coloring Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000007688 edging Methods 0.000 description 1
- 230000000694 effects Effects 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
- 238000006467 substitution reaction 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/334—Query execution
- G06F16/3344—Query execution using natural language analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/284—Lexical analysis, e.g. tokenisation or collocates
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请适用于商品推荐技术领域,提供了商品推荐方法、装置及电子设备,上述方法包括:获取目标用户的点击商品信息,所述点击商品信息是指所述目标用户在预设时间内点击的商品的商品信息,利用预设的映射表将所述点击商品信息转换为商品中心词,所述映射表记录了商品信息与商品中心词的映射关系,利用所述商品中心词得到多个不同的推荐中心词,利用所述映射表将所述多个不同的推荐中心词转换为多个不同的推荐商品,将所述多个不同的推荐商品向所述目标用户推送。本申请可以提高商品推荐的多样性。
Description
技术领域
本申请属于商品推荐技术领域,尤其涉及一种商品推荐方法、装置、电子设备及计算机可读存储介质。
背景技术
商品推荐是指从海量商品(一般为百万级甚至千万级)中向用户推荐感兴趣的商品,主要分为召回、排序环节。在召回环节,会从海量商品中召回部分候选商品,并通过排序环节对召回的候选商品进行排序,根据排序结果向用户推荐商品,例如将前k(top k)个排序的商品向用户推荐。
目前,在召回环节,由于召回的商品具有较高的相似度,为了提高商品推荐的多样性,一般会设计多路召回,由于多路召回往往会产生数据重合,导致商品推荐的多样性较差。
发明内容
本申请实施例提供了一种商品推荐方法、装置及电子设备,可以提高商品推荐的多样性。
第一方面,本申请实施例提供了一种商品推荐方法,包括:
获取目标用户的点击商品信息,所述点击商品信息是指所述目标用户在预设时间内点击的商品的商品信息;
利用预设的映射表将所述点击商品信息转换为商品中心词;所述映射表记录了商品信息与商品中心词的映射关系;
利用所述商品中心词得到多个不同的推荐中心词;
利用所述映射表将所述多个不同的推荐中心词转换为多个不同的推荐商品,将所述多个不同的推荐商品向所述目标用户推送。
可选地,所述获取目标用户的点击商品信息之前,还包括:
采集行为数据,所述行为数据为不同用户基于点击行为产生的数据;
所述获取目标用户的点击商品信息,包括:
根据所述目标用户的用户标识从所述行为数据中获取所述点击商品信息。
可选地,所述利用预设的映射表将所述点击商品信息转换为商品中心词之前,还包括:
获取商品信息集合;
对所述商品信息集合中的商品信息进行实体识别,得到所述商品信息对应的商品中心词;
基于所述商品信息以及所述商品信息对应的商品中心词构建所述映射表。
可选地,所述利用所述商品中心词得到多个不同的推荐中心词之前,还包括:
基于预设的提示词模板及所述行为数据构建训练数据,所述训练数据包括第一中心词及第二中心词,所述提示词模板用于表示将所述第一中心词映射为所述第二中心词的映射关系;
利用所述训练数据训练预构建的语言网络,得到语言模型,所述语言模型通过所述提示词模板学习所述行为数据中商品信息的映射关系;
所述利用所述商品中心词得到多个不同的推荐中心词,包括:
利用所述语言模型得到所述商品中心词对应的多个不同的推荐中心词。
可选地,所述基于预设的提示词模板及所述行为数据构建训练数据,包括:
从所述行为数据中获取用户点击商品序列,所述用户点击商品序列记录了用户在不同点击时间点击的商品的商品信息;
对所述用户点击商品序列进行实体识别,得到用户点击中心词序列;
将所述用户点击中心词序列中不同点击时间对应的中心词填充至所述提示词模板,得到所述训练数据。
可选地,所述将所述用户点击中心词序列中不同点击时间对应的中心词填充至所述提示词模板,包括:
按照预设的点击时间间隔从所述用户点击中心词序列中选取不同点击时间对应的中心词,将选取到的中心词作为所述第一中心词和/或所述第二中心词填充至所述提示词模板。
可选地,在所述利用所述语言模型得到所述商品中心词对应的多个不同的推荐中心词之后,还包括:
基于所述提示词模板及所述行为数据构建验证数据,利用所述验证数据对所述语言模型进行验证,得到模型验证结果。
示例性的,在得到所述模型验证结果之后,还包括:
利用所述模型验证结果调整所述提示词模板。
第二方面,本申请实施例提供了一种商品推荐装置,包括:
点击商品获取模块,用于获取目标用户的点击商品信息,所述点击商品信息是指所述目标用户在预设时间内点击的商品的商品信息;
中心词转换模块,用于利用预设的映射表将所述点击商品信息转换为商品中心词;所述映射表记录了商品信息与商品中心词的映射关系;
推荐中心词构建模块,用于利用所述商品中心词得到多个不同的推荐中心词;
商品推荐模块,用于利用所述映射表将所述多个不同的推荐中心词转换为多个不同的推荐商品,将所述多个不同的推荐商品向所述目标用户推送。
第三方面,本申请实施例提供了一种电子设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述第一方面所述的商品推荐方法的步骤。
第四方面,本申请实施例提供了一种计算机可读存储介质,所述计算机存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述第一方面所述的商品推荐方法的步骤。
第五方面,本申请实施例提供了一种计算机程序产品,当计算机程序产品在电子设备上运行时,使得电子设备执行上述第一方面任一项所述的商品推荐方法。
本申请实施例与现有技术相比存在的有益效果是:
本申请利用预设的映射表将目标用户的点击商品信息转换为商品中心词,通过上述商品中心词得到推荐中心词,利用上述映射表将该推荐中心词转换为推荐商品,可以提高商品推荐的多样性。具体地,通过预设的映射表将上述点击商品信息转换为商品中心词,由于点击商品信息是指目标用户在预设时间内点击的商品的商品信息,意味着可以根据用户点击行为产生的商品信息进行商品推荐,从而提高商品推荐的准确性;同时,由于推荐中心词通过商品中心词得到,表明推荐中心词与商品中心词相对应,即上述推荐中心词可以通过上述映射表中的商品中心词映射到对应的商品信息,因此通过上述商品中心词得到多个不同的推荐中心词,即得到多个存在差异的推荐中心词时,根据上述映射表将多个推荐中心词映射转换的多个推荐商品也具有差异,从而能够提高商品推荐的多样性。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,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是本申请一实施例提供的商品推荐方法的流程示意图;
图2是本申请实施例提供的商品推荐装置的结构示意图;
图3是本申请实施例提供的电子设备的结构示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
应当理解,当在本申请说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此,在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例,而是意味着“一个或多个但不是所有的实施例”,除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”,除非是以其他方式另外特别强调。
商品推荐一般分为召回、排序环节,在召回环节为了提高展示给用户的商品的多样性,会设计多路召回,对其中每一路召回,都需要训练一个模型,由于不同路模型召回时会召回大量商品,即使通过排序环节进行筛选也可能出现较多相似商品,导致商品推荐的多样性较差;同时,多路召回往往根据热门标签、性别标签等进行商品召回,导致召回的商品与用户的偏好差别较大,影响了商品推荐的准确性。
为了提高商品推荐的多样性,本申请提供了一种基于商品中心词的商品推荐方法。
图1示出了本申请实施例提供的一种商品推荐方法的流程示意图,详述如下:
S1、获取目标用户的点击商品信息,上述点击商品信息是指上述目标用户在预设时间内点击的商品的商品信息。
本申请实施例中,上述目标用户是指待进行商品推荐的用户。上述点击商品信息是指目标用户通过点击行为所点击的商品的信息,可以包括商品名称、商品标识(如商品id)等。由于上述点击商品信息通过用户点击行为产生,因此更能反映目标用户的商品偏好;同时由于上述点击商品信息为目标用户在预设时间内点击的商品的商品信息,因此可以通过调整该预设时间得到目标用户的实时点击行为和/或历史点击行为对应的点击商品信息。
S2、利用预设的映射表将上述点击商品信息转换为商品中心词;上述映射表记录了商品信息与商品中心词的映射关系。
本申请实施例中,上述商品中心词是指能反映商品特性的关键词,如商品A对应的商品中心词为“针织衫”。上述映射表记录了商品信息与商品中心词的映射关系,该映射关系用来表示不同商品信息和不同的商品中心词相对应,可以用来将商品信息转化为商品中心词(如通过“商品信息-商品中心词”的映射表),或将商品中心词转换为商品信息(如通过“商品中心词-商品信息”的映射表)。
一些实施例中,假设点击商品信息为商品id,预设的映射表为“商品id-商品中心词”的映射表,其中,不同的商品id与不同的商品中心词对应,包括一对一对应及多对一对应等。通过该映射表可以将目标用户点击得到的点击商品信息快速转化为可以反映用户偏好的商品中心词,例如,假设用户实时点击的商品id为1234,而“1234”对应的商品中心词为“针织衫”,则通过“商品id-商品中心词”的映射表可以得到该“1234”对应的商品中心词为“针织衫”,从而快速确定目标用户的商品偏好。
S3、利用上述商品中心词得到多个不同的推荐中心词。
本申请实施例中,上述推荐中心词为根据商品中心词推理出来的并与该商品中心词有关联的词语,可以通过深度学习模型等对上述商品中心词进行推理,并得到多个不同的推荐中心词,例如,可以使用大语言模型(Large Language Model,LLM)对上述商品中心词进行推理,得到多个不同的推荐中心词。
S4、利用上述映射表将上述多个不同的推荐中心词转换为多个不同的推荐商品,将上述多个不同的推荐商品向上述目标用户推送。
本申请实施例中,上述映射表记录了商品信息与商品中心词的映射关系,而推荐中心词通过商品中心词得到,表示推荐中心词可以与商品中心词相对应,因此可以通过该映射表中的跟商品中心词将多个不同的推荐中心词转换为多个不同的商品信息,从而得到不同的推荐商品,即通过该映射表可以快速定位到具体的推荐商品。同时由于推荐中心词的不同,对应转换的推荐商品也不同,从而提高了商品推荐的多样性。
一些实施例中,假设映射表为“商品中心词-商品id”的映射表,可以快速通过该映射表将推荐中心词转化为对应的商品id,并向目标用户推送该商品id对应的推荐商品。
本申请利用预设的映射表将目标用户的点击商品信息转换为商品中心词,通过上述商品中心词得到推荐中心词,利用上述映射表将该推荐中心词转换为推荐商品,可以提高商品推荐的多样性。具体地,通过预设的映射表将上述点击商品信息转换为商品中心词,由于点击商品信息是指目标用户在预设时间内点击的商品的商品信息,意味着可以根据用户点击行为产生的商品信息进行商品推荐,从而提高商品推荐的准确性;同时,由于推荐中心词通过商品中心词得到,表明推荐中心词与商品中心词相对应,即上述推荐中心词可以通过上述映射表中的商品中心词映射到对应的商品信息,因此通过上述商品中心词得到多个不同的推荐中心词,即得到多个存在差异的推荐中心词时,根据上述映射表将多个推荐中心词映射转换的多个推荐商品也具有差异,从而能够提高商品推荐的多样性。
本申请另一可选实施例中,上述获取目标用户的点击商品信息之前,还包括:
采集行为数据,上述行为数据为不同用户基于点击行为产生的数据。
一些实施例中,上述行为数据为目标用户在不同终端通过点击行为产生的数据,例如,目标用户在手机APP、电脑网页等终端中点击商品产生的数据。
本申请一可选实施例中,上述行为数据包括实时行为数据和历史行为数据,可以通过数据埋点的方式采集目标用户的行为数据(如对用户的不同行为设置不同的埋点事件,通过埋点事件来采集行为数据),并通过消息中间件(如kafka)实时获取目标用户的行为数据,通过数据库(如Redis数据库)存储和处理行为数据。
对应地,上述获取目标用户的点击商品信息,包括:
根据上述目标用户的用户标识从上述行为数据中获取上述点击商品信息。
本申请实施例中,上述用户标识可以为用户id等,用来唯一标识上述目标用户。假设想要获取用户A最近一周的点击商品信息(如商品id),可以根据用户的行为类型(如点击行为)进行筛选。例如,通过kafka获取用户A实时点击的行为数据,从该行为数据中解析出用户A的用户id对应的商品id、商品名称等信息,并拼接上从Redis数据库读取的相应时间内(如最近一周内)用户A的离线行为数据,得到上述用户A近一周点击行为产生的点击商品信息(如用户A近一周点击的商品id列表)。
本申请另一可选实施例中,上述利用预设的映射表将上述点击商品信息转换为商品中心词之前,还包括:
获取商品信息集合;
对上述商品信息集合中的商品信息进行实体识别,得到上述商品信息对应的商品中心词;
基于上述商品信息以及上述商品信息对应的商品中心词构建上述映射表。
一些实施例中,上述商品信息集合为一段时间内所有商品的信息集合,包括商品名称、商品id等。上述实体识别用于从商品的商品信息中提取能反映商品的商品中心词,由于商品信息集合中包含大量的商品信息,且不同商品的商品信息可能存在重复,会影响商品推荐的准确率及效率,通过实体识别将商品信息转换为商品中心词,可以减少数据量,避免不同商品的商品信息存在较多重复,从而提高商品推荐的准确率及效率。通过实体识别将商品的商品信息转化为商品中心词,基于商品信息以及对应的商品中心词构建映射表,意味着可以以商品中心词为媒介,通过该映射表快速将商品转换为商品中心词,或将商品中心词快速转换为商品。
本申请一可选实施例中,假设在超市、购物平台等领域,可以使用语言处理模型(如微调的BERT模型)对超市、购物平台的所有商品进行实体识别,即从商品名称中识别出平台商品的中心词,例如,商品信息中商品id:12318338,其商品名称为“XXX预售复古撞色包边经典针织衫”,经过实体识别后提取的商品中心词为“针织衫”,从而可以构建出以商品中心词为媒介的“商品中心词-商品id”以及“商品id-商品中心词”的映射表,即映射表中,商品id:123183388对应的商品中心词为“针织衫”。
本申请另一可选实施例中,上述利用上述商品中心词得到多个不同的推荐中心词之前,还包括:
基于预设的提示词模板及上述行为数据构建训练数据,上述训练数据包括第一中心词及第二中心词,上述提示词模板用于表示将上述第一中心词映射为上述第二中心词的映射关系;
利用上述训练数据训练预构建的语言网络,得到语言模型,上述语言模型通过上述提示词模板学习上述行为数据中商品信息的映射关系。
一些实施例中,上述提示词模板用于表示不同中心词间的映射关系,上述第一中心词及第二中心词均可以为行为数据中的商品中心词,从而通过该提示词模板可以构造真实场景下用户所点击的商品之间的关系。上述语言网络可以为具有思维链(chain-of-thought)推理能力的大语言模型,通过上述提示词模板构建包括第一中心词及第二中心词的训练数据,由于第一中心词及第二中心词均为真实的商品中心词,从而使语言模型可以以该提示词模板构建的映射关系为提示,更好的学习不同商品信息间的关联关系。同时,该语言模型可以直接通过用户行为数据进行训练,相较于多路召回时训练不同的模型进行商品召回,可以减少模型训练的训练资源。
本申请一可选实施例中,在商品推荐领域,上述提示词模板包括:“用户已经点击了以下商品:<X>,基于这个信息,用户接下来最可能点击哪些商品:<Z>?”,其中,<X>表示第一中心词,<Z>表示第二中心词,通过该提示词模板可以更好的表示第一中心词到第二中心词的映射关系。
对应地,上述利用上述商品中心词得到多个不同的推荐中心词,包括:
利用上述语言模型得到上述商品中心词对应的多个不同的推荐中心词。
本申请实施例中,上述语言模型通过真实的用户点击的行为数据训练得到,因此可以快速准确的基于该商品中心词推理出与该商品中心词相关联的多个不同的推荐中心词。
本申请一可选实施例中,假设提示词模板为“用户已经点击了以下商品:<X>,基于这个信息,用户接下来最可能点击哪些商品:<Z>?”,则将商品中心词填入提示词模板的<X>位置,将填充好的提示词模板输入上述语言模型,上述语言模型即会按照该提示词模板输出<Z>位置的不同的推荐中心词。
本申请实施例中,上述基于预设的提示词模板及上述行为数据构建训练数据,包括:
从上述行为数据中获取用户点击商品序列,上述用户点击商品序列记录了用户在不同点击时间点击的商品的商品信息;
对上述用户点击商品序列进行实体识别,得到用户点击中心词序列;
将上述用户点击中心词序列中不同点击时间对应的中心词填充至上述提示词模板,得到上述训练数据。
一些实施例中,上述用户点击商品序列表示用户在一段时间内不同点击时间所点击的商品,由于该序列中商品通过商品信息表示,同样通过实体识别将不同点击时间用户点击的商品信息转换为商品对应的中心词,可以得到数据形式更简单的用户点击中心词序列,通过将上述用户点击中心词序列的中心词填充至上述提示词模板,可以快速地构建反映用户真实点击商品关系的训练数据。
本申请实施例中,上述将上述用户点击中心词序列中不同点击时间对应的中心词填充至上述提示词模板,包括:
按照预设的点击时间间隔从上述用户点击中心词序列中选取不同点击时间对应的中心词,将选取到的中心词作为上述第一中心词和/或上述第二中心词填充至上述提示词模板。
一些实施例中,由于上述用户点击中心词序列表示用户在不同点击时间所点击的商品,通过上述预设的点击时间间隔可以从该用户点击中心词序列中获取用户先点击的中心词(即表示用户先点击的商品)作为第一中心词填充至上述提示词模板,以及从该用户点击中心词序列中获取用户随后点击的中心词(即表示用户随后点击的商品)作为第二中心词填充至上述提示词模板,从而通过该提示词模板可以表示不同点击时间的商品的关系。需要说明的是,上述用户点击中心词序列中的中心词可以同时作为第一中心词和/或第二中心词,例如,用户点击中心词序列包括<A,B,C>,A为用户先点击的商品的中心词作为第一中心词时,B、C为用户后点击的商品的中心词作为第二中心词;B为用户先点击的商品的中心词作为第一中心词时,C为用户后点击的商品的中心词作为第二中心词。
本申请一可选实施例中,假设在超市购物领域,用户B的行为数据包括:“用户B在第一时间点击了某品牌鱼和某品牌小葱,随后又在第二时间点击了某品牌基围虾和某品牌食盐”,通过实体识别得到用户点击中心词序列:<鱼、小葱,基围虾、食盐>,若第一时间和第二时间的间隔满足预设的点击时间间隔,则可以得到如下提示词作为训练数据:“用户已经点击了以下商品:<鱼,小葱>,基于这个信息,用户接下来最可能点击哪些商品:<基围虾,食盐>”。
本申请另一可选实施例中,在上述利用上述语言模型得到上述商品中心词对应的多个不同的推荐中心词之后,还包括:
基于上述提示词模板及上述行为数据构建验证数据,利用上述验证数据对上述语言模型进行验证,得到模型验证结果。
一些实施例中,可以从上述行为数据中选取一定比例的数据构建验证数据,该验证数据的构建方法与训练数据类似,在此不再赘述。上述模型验证结果可以为归一化折损累计增益指标(Normalized Discounted Cumulative Gain,NDCG),例如,从行为数据中选取一定比例的数据构建验证数据,该验证数据包括真实的第一中心词<X>和第二中心词<Z>,将验证数据中所有的第一中心词<X>输入该语言模型中,得到该语言模型输出的答案Z1,通过Z1和验证数据中真实的Z可以计算NDCG指标。
本申请另一可选实施例中,在得到上述模型验证结果之后,还包括:
利用上述模型验证结果调整上述提示词模板。
本申请一可选实施例中,由于提示词模版中<X>(第一中心词)和<Z>(第二中心词)的数量,以及<X>和<Z>间的点击时间间隔等会影响训练数据,进而对模型训练产生影响,因此可以通过调整<X>和<Z>的长度、点击时间间隔等优化上述语言模型。假设模型验证结果为NDCG指标,在NDCG指标不满足预设要求的情况下,可以调整提示词模板中的提示词模板参数,包括:X、Z的最大长度、数量,用户点击不同商品对应的X和Z的最大时间间隔,X中最后一个点击行为产生的第一中心词到Z中第一个点击行为产生的第二中心词的最大时间间隔等,直至该NDCG指标满足预设要求。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
对应于上文实施例所述的商品推荐方法,图2示出了本申请实施例提供的商品推荐装置的结构示意图,为了便于说明,仅示出了与本申请实施例相关的部分。
参照图2,该装置可以为商品推荐装置21,所述商品推荐装置21可以包括点击商品获取模块211、中心词转换模块212、推荐中心词构建模块213及商品推荐模块214。
参照图2,所述商品推荐装置21包括:
所述点击商品获取模块211,用于获取目标用户的点击商品信息,所述点击商品信息是指所述目标用户在预设时间内点击的商品的商品信息;
所述中心词转换模块212,用于利用预设的映射表将所述点击商品信息转换为商品中心词;所述映射表记录了商品信息与商品中心词的映射关系;
所述推荐中心词构建模块213,用于利用所述商品中心词得到多个不同的推荐中心词;
所述商品推荐模块214,用于利用所述映射表将所述多个不同的推荐中心词转换为多个不同的推荐商品,将所述多个不同的推荐商品向所述目标用户推送。
一些实施例中,所述商品推荐装置21还包括采集模块,所述采集模块用于获取目标用户的点击商品信息之前,包括:
采集行为数据,所述行为数据为不同用户基于点击行为产生的数据。
一些实施例中,所述点击商品获取模块211通过下述步骤获取目标用户的点击商品信息,包括:
根据所述目标用户的用户标识从所述行为数据中获取所述点击商品信息。
一些实施例中,所述商品推荐装置21还包括映射表构建模块,所述映射表构建模块用于利用预设的映射表将所述点击商品信息转换为商品中心词之前,包括:
获取商品信息集合;
对所述商品信息集合中的商品信息进行实体识别,得到所述商品信息对应的商品中心词;
基于所述商品信息以及所述商品信息对应的商品中心词构建所述映射表。
一些实施例中,所述商品推荐装置21还包括模型训练模块,所述模型训练模块用于利用所述商品中心词得到多个不同的推荐中心词之前,包括:
基于预设的提示词模板及所述行为数据构建训练数据,所述训练数据包括第一中心词及第二中心词,所述提示词模板用于表示将所述第一中心词映射为所述第二中心词的映射关系;
利用所述训练数据训练预构建的语言网络,得到语言模型,所述语言模型通过所述提示词模板学习所述行为数据中商品信息的映射关系。
一些实施例中,所述推荐中心词构建模块213通过下述步骤利用所述商品中心词得到多个不同的推荐中心词,包括:
利用所述语言模型得到所述商品中心词对应的多个不同的推荐中心词。
一些实施例中,所述模型训练模块通过下述步骤基于预设的提示词模板及所述行为数据构建训练数据,包括:
从所述行为数据中获取用户点击商品序列,所述用户点击商品序列记录了用户在不同点击时间点击的商品的商品信息;
对所述用户点击商品序列进行实体识别,得到用户点击中心词序列;
将所述用户点击中心词序列中不同点击时间对应的中心词填充至所述提示词模板,得到所述训练数据。
一些实施例中,所述模型训练模块通过下述步骤将所述用户点击中心词序列中不同点击时间对应的中心词填充至所述提示词模板,包括:
按照预设的点击时间间隔从所述用户点击中心词序列中选取不同点击时间对应的中心词,将选取到的中心词作为所述第一中心词和/或所述第二中心词填充至所述提示词模板。
另一些实施例中,所述商品推荐装置21还包括验证模块,所述验证模块用于在所述利用所述语言模型得到所述商品中心词对应的多个不同的推荐中心词之后,包括:
基于所述提示词模板及所述行为数据构建验证数据,利用所述验证数据对所述语言模型进行验证,得到模型验证结果。
另一些实施例中,所述商品推荐装置21还包括调整模块,所述调整模块用于在得到所述模型验证结果之后,包括:
利用所述模型验证结果调整所述提示词模板。
需要说明的是,所述装置/单元之间的信息交互、执行过程等内容,由于与本申请方法实施例基于同一构思,其具体功能及带来的技术效果,具体可参见方法实施例部分,此处不再赘述。
图3为本申请一实施例提供的电子设备的结构示意图。如图3所示,该实施例的电子设备3包括:至少一个处理器30(图3中仅示出一个)、存储器31以及存储在所述存储器31中并可在所述至少一个处理器30上运行的计算机程序32。所述处理器30执行所述计算机程序32时实现所述任意各个方法实施例中的步骤。
所述电子设备3可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述电子设备可包括,但不仅限于,处理器30、存储器31。本领域技术人员可以理解,图3仅仅是电子设备3的示例,并不构成对电子设备3的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述电子设备还可以包括输入发送设备、网络接入设备、总线等。
所称处理器30可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)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。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器31在一些实施例中可以是所述电子设备3的内部存储单元,例如电子设备3的硬盘或内存。所述存储器31也可以是所述电子设备3的外部存储设备,例如所述电子设备3上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(SecureDigital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器31还可以既包括所述电子设备3的内部存储单元也包括外部存储设备。所述存储器31用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等,例如所述计算机程序的程序代码等。所述存储器31还可以用于暂时地存储已经发送或者将要发送的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以所述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将所述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,所述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。所述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本申请实施例还提供了一种网络设备,该网络设备包括:至少一个处理器、存储器以及存储在所述存储器中并可在所述至少一个处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现所述任意各个方法实施例中的步骤。
本申请实施例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存储有计算机程序,所述计算机程序被处理器执行时实现可实现所述各个方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品,当计算机程序产品在电子设备上运行时,使得电子设备执行时实现可实现所述各个方法实施例中的步骤。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实现所述实施例方法中的全部或部分流程,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计算机可读存储介质中,该计算机程序在被处理器执行时,可实现所述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括:能够将计算机程序代码携带到拍照装置/电子设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,RandomAccess Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区,根据立法和专利实践,计算机可读介质不可以是电载波信号和电信信号。
在所述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的装置/网络设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/网络设备实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上所述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精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种商品推荐方法,其特征在于,包括:
获取目标用户的点击商品信息,所述点击商品信息是指所述目标用户在预设时间内点击的商品的商品信息;
利用预设的映射表将所述点击商品信息转换为商品中心词;所述映射表记录了商品信息与商品中心词的映射关系;
利用所述商品中心词得到多个不同的推荐中心词;
利用所述映射表将所述多个不同的推荐中心词转换为多个不同的推荐商品,将所述多个不同的推荐商品向所述目标用户推送。
2.如权利要求1所述的商品推荐方法,其特征在于,所述获取目标用户的点击商品信息之前,还包括:
采集行为数据,所述行为数据为不同用户基于点击行为产生的数据;
所述获取目标用户的点击商品信息,包括:
根据所述目标用户的用户标识从所述行为数据中获取所述点击商品信息。
3.如权利要求1所述的商品推荐方法,其特征在于,所述利用预设的映射表将所述点击商品信息转换为商品中心词之前,还包括:
获取商品信息集合;
对所述商品信息集合中的商品信息进行实体识别,得到所述商品信息对应的商品中心词;
基于所述商品信息以及所述商品信息对应的商品中心词构建所述映射表。
4.如权利要求2所述的商品推荐方法,其特征在于,所述利用所述商品中心词得到多个不同的推荐中心词之前,还包括:
基于预设的提示词模板及所述行为数据构建训练数据,所述训练数据包括第一中心词及第二中心词,所述提示词模板用于表示将所述第一中心词映射为所述第二中心词的映射关系;
利用所述训练数据训练预构建的语言网络,得到语言模型,所述语言模型通过所述提示词模板学习所述行为数据中商品信息的映射关系;
所述利用所述商品中心词得到多个不同的推荐中心词,包括:
利用所述语言模型得到所述商品中心词对应的多个不同的推荐中心词。
5.如权利要求4所述的商品推荐方法,其特征在于,所述基于预设的提示词模板及所述行为数据构建训练数据,包括:
从所述行为数据中获取用户点击商品序列,所述用户点击商品序列记录了用户在不同点击时间点击的商品的商品信息;
对所述用户点击商品序列进行实体识别,得到用户点击中心词序列;
将所述用户点击中心词序列中不同点击时间对应的中心词填充至所述提示词模板,得到所述训练数据。
6.如权利要求5所述的商品推荐方法,其特征在于,所述将所述用户点击中心词序列中不同点击时间对应的中心词填充至所述提示词模板,包括:
按照预设的点击时间间隔从所述用户点击中心词序列中选取不同点击时间对应的中心词,将选取到的中心词作为所述第一中心词和/或所述第二中心词填充至所述提示词模板。
7.如权利要求4-6任一项所述的商品推荐方法,其特征在于,在所述利用所述语言模型得到所述商品中心词对应的多个不同的推荐中心词之后,还包括:
基于所述提示词模板及所述行为数据构建验证数据,利用所述验证数据对所述语言模型进行验证,得到模型验证结果。
8.一种商品推荐装置,其特征在于,包括:
点击商品获取模块,用于获取目标用户的点击商品信息,所述点击商品信息是指所述目标用户在预设时间内点击的商品的商品信息;
中心词转换模块,用于利用预设的映射表将所述点击商品信息转换为商品中心词;所述映射表记录了商品信息与商品中心词的映射关系;
推荐中心词构建模块,用于利用所述商品中心词得到多个不同的推荐中心词;
商品推荐模块,用于利用所述映射表将所述多个不同的推荐中心词转换为多个不同的推荐商品,将所述多个不同的推荐商品向所述目标用户推送。
9.一种电子设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的方法。
10.一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如权利要求1至7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311394329.6A CN117611272A (zh) | 2023-10-25 | 2023-10-25 | 商品推荐方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311394329.6A CN117611272A (zh) | 2023-10-25 | 2023-10-25 | 商品推荐方法、装置及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117611272A true CN117611272A (zh) | 2024-02-27 |
Family
ID=89948627
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311394329.6A Pending CN117611272A (zh) | 2023-10-25 | 2023-10-25 | 商品推荐方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117611272A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117974276A (zh) * | 2024-04-02 | 2024-05-03 | 深圳市灵智数字科技有限公司 | 商品推荐模型训练方法、商品推荐方法及电子设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20010055126A (ko) * | 1999-12-09 | 2001-07-04 | 오길록 | 인터넷 쇼핑몰 상품정보 학습 시스템 및 그 방법 |
CN112200624A (zh) * | 2020-09-28 | 2021-01-08 | 深圳市其乐游戏科技有限公司 | 商品推荐方法、装置、终端设备以及存储介质 |
CN113450172A (zh) * | 2020-03-27 | 2021-09-28 | 北京沃东天骏信息技术有限公司 | 一种商品推荐方法和装置 |
CN113779211A (zh) * | 2021-08-06 | 2021-12-10 | 华中科技大学 | 一种基于自然语言实体关系的智能问答推理方法和系统 |
US20230153887A1 (en) * | 2021-11-16 | 2023-05-18 | Tsinghua University | Disentangled commodity recommendation method and apparatus, device, and storage medium |
-
2023
- 2023-10-25 CN CN202311394329.6A patent/CN117611272A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20010055126A (ko) * | 1999-12-09 | 2001-07-04 | 오길록 | 인터넷 쇼핑몰 상품정보 학습 시스템 및 그 방법 |
CN113450172A (zh) * | 2020-03-27 | 2021-09-28 | 北京沃东天骏信息技术有限公司 | 一种商品推荐方法和装置 |
CN112200624A (zh) * | 2020-09-28 | 2021-01-08 | 深圳市其乐游戏科技有限公司 | 商品推荐方法、装置、终端设备以及存储介质 |
CN113779211A (zh) * | 2021-08-06 | 2021-12-10 | 华中科技大学 | 一种基于自然语言实体关系的智能问答推理方法和系统 |
US20230153887A1 (en) * | 2021-11-16 | 2023-05-18 | Tsinghua University | Disentangled commodity recommendation method and apparatus, device, and storage medium |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117974276A (zh) * | 2024-04-02 | 2024-05-03 | 深圳市灵智数字科技有限公司 | 商品推荐模型训练方法、商品推荐方法及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109697629B (zh) | 产品数据推送方法及装置、存储介质、计算机设备 | |
EP3407285B1 (en) | Target user orientation method and device, and computer storage medium | |
CN105023165A (zh) | 社交网络平台中投放任务的控制方法、装置及系统 | |
CN110008973B (zh) | 一种模型训练方法、基于模型确定目标用户的方法及装置 | |
CN108021708B (zh) | 内容推荐方法、装置与计算机可读存储介质 | |
CN112148973B (zh) | 一种信息推送的数据处理方法及装置 | |
CN110472154A (zh) | 一种资源推送方法、装置、电子设备及可读存储介质 | |
CN110033331A (zh) | 一种优惠券的发放方法、系统及终端设备 | |
CN110347786B (zh) | 一种语义模型的调优方法及系统 | |
CN117611272A (zh) | 商品推荐方法、装置及电子设备 | |
CN109241455B (zh) | 一种推荐对象的展示方法及装置 | |
CN111428131A (zh) | 信息推送方法、装置及系统 | |
CN111008335A (zh) | 一种信息处理方法、装置、设备及存储介质 | |
CN111782937A (zh) | 信息排序方法、装置、电子设备和计算机可读介质 | |
CN113011911B (zh) | 基于人工智能的数据预测方法、装置、介质及电子设备 | |
CN113822734A (zh) | 用于生成信息的方法和装置 | |
CN113763057A (zh) | 用户身份画像的数据处理方法和装置 | |
CN110852338A (zh) | 用户画像的构建方法及装置 | |
CN110895781A (zh) | 菜品类别推荐方法、装置、电子设备及存储介质 | |
CN114285896B (zh) | 信息推送方法、装置、设备、存储介质及程序产品 | |
CN115408606A (zh) | 保险信息推送方法、装置、存储介质及计算机设备 | |
CN115392943A (zh) | 发送展示信息的方法、装置、设备和存储介质 | |
CN113535311A (zh) | 一种页面显示方法、装置及电子设备 | |
CN117815674B (zh) | 游戏信息的推荐方法、装置、计算机可读介质及电子设备 | |
CN111507366B (zh) | 推荐概率模型的训练方法、智能补全方法及相关装置 |
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 |