CN117994008A - 活动商品推荐方法、装置、电子设备及存储介质 - Google Patents
活动商品推荐方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN117994008A CN117994008A CN202410399789.6A CN202410399789A CN117994008A CN 117994008 A CN117994008 A CN 117994008A CN 202410399789 A CN202410399789 A CN 202410399789A CN 117994008 A CN117994008 A CN 117994008A
- Authority
- CN
- China
- Prior art keywords
- commodity
- activity
- score
- active
- information
- 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 47
- 230000000694 effects Effects 0.000 claims abstract description 238
- 230000006399 behavior Effects 0.000 claims description 78
- 239000013598 vector Substances 0.000 claims description 65
- 238000012545 processing Methods 0.000 claims description 38
- 238000000605 extraction Methods 0.000 claims description 29
- 238000004590 computer program Methods 0.000 claims description 22
- 230000007246 mechanism Effects 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 5
- 230000000875 corresponding effect Effects 0.000 description 108
- 230000008569 process Effects 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000002147 killing effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000001914 filtration Methods 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
- 230000001737 promoting effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请适用于商品推荐技术领域,提供了活动商品推荐方法、装置、电子设备及存储介质,包括:确定待推荐用户对应的用户行为数据;对每一个活动商品,基于活动商品的商品信息和用户行为数据确定活动商品对应的第一分数,活动商品包括参与优惠活动的商品,第一分数用于指示活动商品的商品信息与用户行为数据之间的相似程度;对每一个活动商品,基于活动商品的活动信息和活动信息对应的活动特征权重确定活动商品对应的第二分数,第二分数反映活动信息的重要程度;根据第一分数和第二分数确定各个活动商品的活动分数,并根据活动分数确定待推荐活动商品。本申请可以提高活动商品的推荐效果。
Description
技术领域
本申请属于商品推荐技术领域,尤其涉及活动商品推荐方法、装置、电子设备及计算机可读存储介质。
背景技术
为了提高商品销量,线上平台通常会策划各种优惠活动,吸引用户进行购物。同时,为了给用户提供优质的购物体验,平台会根据用户的喜好等向用户推荐参与优惠活动的活动商品,以提高商品的点击率和转化率。
目前在向用户推荐活动商品时,通常直接计算平台的活动商品与用户购买过的商品之间的相似度,然后向用户推荐与用户购买过的商品相似度高的活动商品,而与用户购买过的商品相似度高的各个活动商品之间的相似度通常较高,即,推荐的各个活动商品之间的相似度较高,推荐效果较差。
发明内容
本申请实施例提供了活动商品推荐方法、装置、电子设备及存储介质,可以提高活动商品的推荐效果。
第一方面,本申请实施例提供了一种活动商品推荐方法,包括:
确定待推荐用户对应的用户行为数据,所述用户行为数据包括与所述待推荐用户具有关联关系的商品的商品标识;
对每一个活动商品,基于所述活动商品的商品信息和所述用户行为数据确定所述活动商品对应的第一分数,所述活动商品包括参与优惠活动的商品,所述第一分数用于指示所述活动商品的所述商品信息与所述用户行为数据之间的相似程度;
对每一个所述活动商品,基于所述活动商品的活动信息和所述活动信息对应的活动特征权重确定所述活动商品对应的第二分数,所述第二分数反映所述活动信息的重要程度;
根据所述第一分数和所述第二分数确定各个所述活动商品的活动分数,并根据所述活动分数确定待推荐活动商品。
第二方面,本申请实施例提供了一种活动商品推荐装置,包括:
用户行为数据获取模块,用于确定待推荐用户对应的用户行为数据,所述用户行为数据包括与所述待推荐用户具有关联关系的商品的商品标识;
第一分数确定模块,用于对每一个活动商品,基于所述活动商品的商品信息和所述用户行为数据确定所述活动商品对应的第一分数,所述活动商品包括参与优惠活动的商品,所述第一分数用于指示所述活动商品的所述商品信息与所述用户行为数据之间的相似程度;
第二分数确定模块,用于对每一个所述活动商品,基于所述活动商品的活动信息和所述活动信息对应的活动特征权重确定所述活动商品对应的第二分数,所述第二分数反映所述活动信息的重要程度;
待推荐活动商品确定模块,用于根据所述第一分数和所述第二分数确定各个所述活动商品的活动分数,并根据所述活动分数确定待推荐活动商品。
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活动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活动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所述的活动商品推荐方法。
本申请实施例与现有技术相比存在的有益效果是:
本申请实施例中,获取到待推荐用户的行为数据后,基于用户行为数据与各个活动商品计算得到各个活动商品对应的第一分数,此外,还基于各个活动商品的活动信息和活动信息对应的活动特征权重计算得到各个活动商品对应的第二分数。由于第一分数反映了活动商品的商品信息与用户行为数据之间的相似程度,第二分数反映了活动商品的活动信息的重要程度,因此,根据活动商品的第一分数和第二分数确定活动商品最终的活动分数,并基于活动分数来确定待推荐活动商品,能够同时考虑待推荐用户的偏好和活动商品的活动信息,从而不仅提高了活动商品的推荐效果,同时也保障了用户的购物体验。
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。
图1是本申请一实施例提供的一种活动商品推荐方法的流程示意图;
图2是本申请实施例提供的活动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。
另外,在本申请说明书和所附权利要求书的描述中,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
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。
实施例一:
图1示出了本发明实施例提供的一种活动商品推荐方法的流程示意图,详述如下:
步骤S101,确定待推荐用户对应的用户行为数据,上述用户行为数据包括与上述待推荐用户具有关联关系的商品的商品标识。
上述待推荐用户包括与优惠活动存在关联关系的用户。例如,待推荐用户可以是预约了售卖平台的优惠活动的用户;或者,待推荐用户可以是点击了参与优惠活动的优惠商品的用户点击了活动商品。
在确定用户行为数据时,可以根据待推荐用户的一个或多个用户行为对应的商品的确定与待推荐用户具有关联关系的商品;上述用户行为可以包括搜索、点击、加购、购买和收藏等各个行为。
在另一些实施例中,为了更好地向用户推荐偏好的活动商品,可以根据待推荐用户的一个或多个行为对应的活动商品确定与该待推荐用户具有关联关系的商品,得到上述用户行为数据。例如,用户行为数据可以包括用户的购买行为对应的商品的商品标识。
本申请实施例中,根据与待推荐用户具有关联关系的商品的商品标识确定该待推荐用户的用户行为数据,使得得到的用户行为数据能够在一定程度上反映待推荐用户的购物偏好,进而,后续在进行活动商品的推荐时,能够结合该历史行为数据充分考虑待推荐用户的购物偏好,提高推荐的活动商品的准确性,即提高活动商品的推荐效果。
步骤S102,对每一个活动商品,基于上述活动商品的商品信息和上述用户行为数据确定上述活动商品对应的第一分数,上述活动商品包括参与优惠活动的商品,上述第一分数用于指示上述活动商品的上述商品信息与上述用户行为数据之间的相似程度。
上述活动商品即参与优惠活动的商品,上述优惠活动可以包括售卖平台中正在进行的优惠活动,还可以包括在一定时长(如一天)后正在进行的优惠活动,具体设置可以根据实际应用需求确定。
活动商品的商品信息包括但不限于商品的商品标识、价格、品类和品牌等信息中的一个或多个信息。
为保障推荐的活动商品能够在一定程度上符合用户的购物偏好,先分别计算用户行为数据与每一个活动商品的商品信息之间的相似程度,得到各个活动商品对应的第一分数,使得后续在确定推荐的活动商品时,能够结合活动商品对应的第一分数较好地分析该活动商品与待推荐用户的购物偏好的匹配程度,从而更加精准地根据用户推荐匹配的商品。
在基于活动商品的商品信息和用户行为数据确定活动商品对应的第一分数时,可以通过如余弦相似度或欧氏距离等方式分析活动商品的商品信息和用户行为数据之间的相似程度,从而确定活动商品对应的第一分数。
在一些实施例中,待推荐用户为点击优惠商品的用户时,活动商品包括参与被点击的优惠商品对应的优惠活动的商品。例如,假设检测到用户A点击了参与秒杀活动的商品B,则可以将该用户A作为待推荐用户,将参与秒杀活动的商品作为活动商品,基于用户行为数据确定秒杀活动对应的各个活动商品所对应的第一分数。
在另一些实施例中,用户行为数据还可以包括待推荐用户的用户信息,用户信息包括但不限于用户的用户标识、性别、年龄、联系电话和购买力水平等信息中的一个或多个信息。通过在用户行为数据中增加待推荐用户的用户信息,使得在计算第一分数时,还考虑用户的特征,能够提高最终推荐的活动商品与待推荐用户的匹配程度。
本申请实施例中,基于活动商品的商品信息确定能够反映活动商品与用户行为数据之间的相似程度的第一分数,使得后续能够结合活动商品与用户行为数据之间的相似程度进行活动商品的推荐,即,能够结合用户的购物偏好进行活动商品的推荐,从而提高商品推荐效果。
步骤S103,对每一个上述活动商品,基于上述活动商品的活动信息和上述活动信息对应的活动特征权重确定上述活动商品对应的第二分数,上述第二分数反映上述活动信息的重要程度。
上述活动信息包括活动商品对应的与优惠活动相关的信息,例如活动商品的活动价格和活动剩余时间等信息。
为了进一步提高活动商品的推荐效果,在确定推荐的活动商品的过程中,还根据各个活动商品的活动信息以及活动信息对应的活动特征权重来确定活动商品所对应的第二分数,通过该第二分数反映活动商品的活动信息的重要程度,进而,在确定最终的推荐的活动商品时,能够同时考虑用户的购物偏好以及活动商品自身的活动信息,提高活动商品的推荐效果。
步骤S104,根据上述第一分数和上述第二分数确定各个上述活动商品的活动分数,并根据上述活动分数确定待推荐活动商品。
为了提高活动商品的推荐效果,在确定活动商品对应的第一分数和第二分数之后,可以根据第一分数和第二分数综合确定活动商品的活动分数,而第一分数反映了活动商品的商品信息与用户行为数据之间的相似程度,即反映活动商品与待推荐用户的匹配程度,第二分数反映了活动商品自身的活动信息的重要程度,根据综合了第一分数和第二分数的活动分数确定最终的待推荐活动商品,能够同时从用户角度和活动商品角度进行活动商品的推荐,提高活动商品的推荐效果和用户体验。
在一些实施例中,可以直接将第一分数和第二分数相加,得到活动商品的活动分数,也可以根据需求,为第一分数和第二分数设置不同的权重,将基于权重进行加权处理后的第一分数和第二分数相加,得到活动商品的活动分数,具体设置可以根据实际应用场景进行设置,此处不作具体限制。
在一些实施例中,可以根据活动分数确定多个待推荐活动商品,然后对确定的多个待推荐活动商品进行下架和无库存等过滤处理后,将过滤后的各个待推荐活动商品展示给待推荐用户。
可选地,在向待推荐用户展示各个待推荐活动商品时,可以根据活动分数的高低确定各个待推荐活动商品的展示的先后顺序。
本申请实施例中,获取到待推荐用户的行为数据后,基于用户行为数据与各个活动商品计算得到各个活动商品对应的第一分数,此外,还基于各个活动商品的活动信息和活动信息对应的活动特征权重计算得到各个活动商品对应的第二分数。由于第一分数反映了活动商品的商品信息与用户行为数据之间的相似程度,而第二分数反映了活动商品的活动信息的重要程度,因此,根据活动商品的第一分数和第二分数确定活动商品最终的活动分数,并基于活动分数来确定待推荐活动商品,能够同时考虑用户的偏好和活动商品的活动信息,从而不仅提高了活动商品的推荐效果,同时也保障了用户的购物体验。
在一些实施例中,上述方法还包括:
通过预训练的商品塔缓存各个上述活动商品的上述商品信息对应的商品特征向量。
对应地,上述步骤S102包括:
通过预训练的用户塔对上述用户行为数据进行特征提取处理,得到用户特征向量。
基于上述用户特征向量和上述商品塔缓存的各个上述商品特征向量确定各个上述活动商品对应的上述第一分数。
为了提高活动商品的推荐效率,可以通过预训练的商品塔预先对活动商品的商品信息进行特征提取处理,得到活动商品的商品信息对应的商品特征向量,并进行缓存。
在确定推荐的活动商品的过程中,需要确定活动商品的商品信息与用户行为数据之间的相似程度,以得到对应的第一分数时,可以先通过预训练的用户塔对用户行为数据进行特征提取处理,得到对应的用户特征向量,然后计算得到的用户特征向量与商品塔中缓存的各个商品特征向量之间的相似程度,得到各活动商品对应的第一分数。
可选地,在根据用户特征向量和商品塔缓存的各个商品特征向量确定活动商品对应的第一分数时,可以计算用户特征向量与商品特征向量之间的余弦相似度,将该余弦相似度作为活动商品对应的第一分数。在另一些实施例中,为了进一步提高第一分数的准确性,可以基于兼顾特征向量的长度和方向的点击相似度确定活动商品对应的第一分数,即,根据用户特征向量与商品特征向量进行点积运算,得到对应的第一分数。
本申请实施例中,通过预训练的商品塔缓存活动商品的商品信息所对应的商品特征向量,使得在需要计算活动商品对应的第一分数时,能够直接根据提取到的用户特征向量与缓存的各个商品特征向量进行计算,无需再提取得到各个商品特征向量,提高活动商品的推荐效率;并且,直接缓存各个商品特征向量,在每一次进行活动商品的推荐时,能够直接复用缓存的商品特征向量进行计算,减少不必要的计算步骤,从而能够减少对设备的资源占用和降低算力要求,有利于实际应用。
在一些实施例中,上述通过预训练的用户塔对上述用户行为数据进行特征提取处理,得到用户特征向量,包括:
通过所述用户塔对所述用户行为数据对应的所述活动商品的所述商品信息进行特征提取处理,并根据预设的第一权重对提取到的特征向量进行加权处理,得到活动特征向量。
通过所述用户塔对所述用户行为数据对应的非活动商品的所述商品信息进行特征提取处理,并根据预设的第二权重对提前到的特征向量进行加权处理,得到非活动特征向量。
基于所述活动特征向量和所述非活动特征向量确定所述用户特征向量。
上述第一权重即活动商品对应的权重,上述第二权重即非活动商品对应的权重。可以理解,上述第一权重和第二权重可以是预先设置的固定的权重,不会因为待推荐用户的不同而发生变化;第一权重和第二权重也可以是在进行活动商品的推荐的过程中基于待推荐用户确定的动态权重。例如,根据待推荐用户的用户行为数据对应的商品中活动商品和非活动商品的占比确定该待推荐用户对应的第一权重和第二权重。
为了提高活动商品的推荐效果,在确定待推荐用户对应的用户行为数据时,所确定的用户行为数据可以包括与用户具有关联关系的活动商品的商品标识,以及与用户具有关联关系的非活动商品的商品标识,即,用户行为数据对应的商品包括待推荐用户历史关注的活动商品和非活动商品。
其中,可以分别为活动商品和非活动商品设置相应的权重,使得在对待推荐用户进行活动商品的推荐时,能够根据实际应用需求中用户历史关注的活动商品的重要程度确定对应的第一权重,以及,根据非活动商品的重要程度确定对应的第二权重,从而能够基于设置的第一权重和第二权重更好地结合用户历史的购物偏好进行活动商品的推荐。
其中,在进行商品推荐的过程中,先确定用户行为数据对应的商品中,活动商品的商品信息,然后通过用户塔对该活动商品的商品信息进行特征提取处理,并根据确定的活动商品对应的第一权重对提取到的特征向量进行加权处理,得到用户历史关注的活动商品对应的活动特征向量。
对应地,在确定用户历史关注的非活动商品对应的非活动特征向量时,通过用户塔对确定的非活动商品的商品信息进行特征提取,并根据对应的第二权重对提取到的特征向量进行加权处理,得到所需的非活动特征向量。
需要说明的是,在确定用户行为数据对应的商品中的活动商品(历史活动商品)时,所确定的历史活动商品可以是参与任意优惠活动的活动商品,也可以是参与的优惠活动与待推荐用户当前关注的优惠活动相同的活动商品,本申请实施例对此不作具体限制。
本申请实施例中,基于待推荐用户历史关注的活动商品的重要程度和非活动商品的重要程度,通过加权的方式对提取到的相应的特征向量进行调整,得到用户行为数据对应的用户特征向量,使得基于用户特征向量确定各个活动商品对应的第一分数时,能够充分考虑用户历史的购物偏好,提高得到的第一分数的合理性和准确性。
在一些实施例中,在上述步骤S103之前,还包括:
对每一个上述活动商品,通过预训练的活动塔对上述活动信息进行特征提取处理,得到上述活动特征权重,上述活动塔基于注意力机制构建。
上述注意力机制可以是自注意力机制、双头注意力机制或者其它注意力机制,本申请实施例对此不作具体限制。
为了提高推荐效果,可以基于注意力机制构建用户塔,并采用相应的样本集对其进行训练,得到预训练的活动塔,而基于注意力机制构建的活动塔能够自适应学习活动信息的特征,通过预训练的用户塔对活动信息进行特征提取处理,得到自适应的活动特征权重,相对于人工设置的活动特征权重,具有更高的准确性,从而能够提高活动商品的推荐效果。
通过上述处理,自适应得到活动特征权重,无需依赖于人工经验进行设置,能够降低人工依赖性,且相对于人工设置的方式具有更强的自适应性,提高了活动商品推荐的准确性。
在一些实施例中,上述活动信息包括优惠力度、库存量和剩余时间中的一个或多个信息,上述通过预训练的活动塔对上述活动信息进行特征提取,得到上述活动特征权重,包括:
通过上述活动塔对上述活动信息中的各个上述信息分别进行特征提取处理,得到各个上述信息对应的上述活动特征权重。
对应地,上述步骤S103包括:
对上述活动信息中的每一个上述信息,基于上述信息和上述信息对应的上述活动特征权重确定上述信息对应的第三分数。
根据上述活动信息中各个上述信息对应的上述第三分数确定上述第二分数。
在另一些实施例中,活动商品的活动信息还包括活动价格、限购数量、活动商品评价和已售数量等反映活动商品特征的信息中的一个或多个信息,此处不作具体限制。
由于活动信息中不同的信息反映活动商品不同的特征,活动商品不同的特征的敏感度和重要性等通常存在差异,因此,为了进一步提高活动商品的推荐效果,在确定活动信息对应的活动特征权重时,将活动信息中的各个信息作为活动塔的输入,活动塔对每一个信息分别进行特征提取处理,自适应得到各信息对应的活动特征权重。
可以理解,在根据活动商品的活动信息以及活动信息对应的活动特征权重确定第二分数时,对活动信息中的每一个信息,结合根据该信息对应的活动特征权重先确定该信息对应的第三分数;在得到每一个信息对应的第三分数之后,再根据各个信息所对应的第三分数确定活动商品的活动信息对应的第二分数,即,根据反映各个信息的重要程度的第二分数综合确定反映活动信息整体的重要程度的第二分数。
在一些实施例中,可以根据活动信息中的各个信息及其对应的活动特征权重进行点积运算,得到各信息对应的第三分数。
本申请实施例中,通过活动塔自适应活动信息中每个信息对应的活动特征权重,无需通过人工设置的方式确定活动特征权重,且针对活动信息中反映商品不同维度的特征的每一个信息,都确定其对应的活动特征权重,以确定反映每一个信息的重要程度的第三分数,从而提高最终得到的第二分数的准确性。
在一些实施例中,在上述步骤S103之前,还包括:
基于上述第一分数对各个上述活动商品进行降序排序。
对排序后的各个上述活动商品进行筛选,得到筛选后的上述活动商品,筛选后的上述活动商品包括排序前N的上述活动商品,N为大于2的整数。
对应地,上述步骤S103,包括:
对每一个筛选后的上述活动商品,基于上述活动信息和上述活动信息对应的活动特征权重确定上述活动商品对应的第二分数。
为了进一步提高商品推荐效率,在确定各个活动商品对应的第二分数之前,先根据各个活动商品对应的第一分数确定第一分数最高的N个(如100个)活动商品,即确定商品信息与用户行为数据的相似程度最高的N个活动商品,然后基于确定的N个活动商品,确定N个活动商品对应的第二分数和从这N个活动商品中确定最终的待推荐活动商品,而无需计算全部的活动商品的第二分数,再从全部的活动商品中确定最终的待推荐活动商品,大幅提高活动商品的推荐效率。
其中,在确定第一分数最高的N个活动商品时,可以先基于计算得到的第一分数对各个活动商品进行降序排序,得到有序的活动商品序列,然后对该活动商品序列(即排序后的各个活动商品)对应的商品进行筛选,剔除排序在第N个活动商品之后的各个活动商品,得到筛选后的活动商品,即,得到第一分数的排序在前N的各个活动商品。
通过上述处理,剔除相似程度与待推荐用户的用户行为数据相似程度较低的活动商品,后续仅需基于筛选后的排序前N的各个活动商品进行第二分数的计算和待推荐活动商品的确定,提高了活动商品的推荐效率。
在一些实施例中,上述根据上述第一分数和上述第二分数确定上述活动商品的活动分数,包括:
根据上述第一分数、上述第一分数对应的预设的第三权重、上述第二分数以及上述第二分数对应的预设的第四权重确定上述活动分数。
为了进一步提高活动商品的推荐效果,可以基于实际应用需求,预先设置反映活动商品与用户行为数据的相似程度的第一分数对应的第三权重,以及,设置反映活动商品的活动信息的重要程度的第二分数对应的第四权重。
在确定活动商品的活动分数时,通过预设的第三权重对第一分数进行加权处理,并通过预设的第四权重对第二分数进行加权处理,再根据加权后的第一分数和第二分数确定活动分数。
需要注意的是,上述第三权重、第四权重与上述第一权重、第二权重之间的取值互不影响,上述第一权重和第二权重可以相同,也可以不同;上述第三权重和第四权重可以相同,也可以不同。同时,与用户相关的第一权重和第三权重可以相同,也可以不同;与活动商品相关的第二权重和第四权重可以相同,也可以不同,具体取值可以根据实际应用场景进行设置。
通过上述处理,使得在实际应用中,售卖平台能够通过对第三权重和第四权重的调整,较好地满足实际应用场景中需侧重于用户购物偏好或者侧重于活动商品本身的需求,即,较好地实现符合实际应用需求的商品推荐,保障活动商品的推荐效果。
在一些实施例中,可以采用分布式部署的方式部署上述的活动塔、商品塔和用户塔,即,将活动商品推荐过程中所需的模型分别部署在至少两个服务器上,以避免多个模型部署在同一服务器上时,服务器的算力等对模型的运算效率造成影响,从而影响活动商品推荐的效率。
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。
实施例二:
对应于上文实施例所述的2方法,图2示出了本申请实施例提供的活动商品推荐装置的结构框图,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,该装置包括:用户行为数据获取模块21、第一分数确定模块22、第二分数确定模块23和待推荐活动商品确定模块24。其中,
用户行为数据获取模块21,用于确定待推荐用户对应的用户行为数据,上述用户行为数据包括与上述待推荐用户具有关联关系的商品的商品标识。
第一分数确定模块22,用于对每一个活动商品,基于上述活动商品的商品信息和上述用户行为数据确定上述活动商品对应的第一分数,上述活动商品包括参与优惠活动的商品,上述第一分数用于指示上述活动商品的上述商品信息与上述用户行为数据之间的相似程度。
第二分数确定模块23,用于对每一个上述活动商品,基于上述活动商品的活动信息和上述活动信息对应的活动特征权重确定上述活动商品对应的第二分数,上述第二分数反映上述活动信息的重要程度。
待推荐活动商品确定模块24,用于根据上述第一分数和上述第二分数确定各个上述活动商品的活动分数,并根据上述活动分数确定待推荐活动商品。
在一些实施例中,上述活动商品推荐装置还包括:
注意力模块,用于对每一个上述活动商品,通过预训练的活动塔对上述活动信息进行特征提取处理,得到上述活动特征权重,上述活动塔基于注意力机制构建。
在一些实施例中,上述活动信息包括优惠力度、库存量和剩余时间中的一个或多个信息,上述活动商品推荐装置还包括:
活动特征权重确定模块,用于通过上述活动塔对上述活动信息中的各个上述信息分别进行特征提取处理,得到各个上述信息对应的上述活动特征权重。
对应地,第二分数确定模块23包括:
第三分数计算单元,用于对上述活动信息中的每一个上述信息,基于上述信息和上述信息对应的上述活动特征权重确定上述信息对应的第三分数。
第二分数确定单元,用于根据上述活动信息中各个上述信息对应的上述第三分数确定上述第二分数。
在一些实施例中,上述活动商品推荐装置还包括:
商品特征向量提取模块,用于通过预训练的商品塔缓存各个上述活动商品的上述商品信息对应的商品特征向量。
上述第一分数确定模块22包括:
用户特征向量提取单元,用于通过预训练的用户塔对上述用户行为数据进行特征提取处理,得到用户特征向量。
第一分数计算单元,用于基于上述用户特征向量和上述商品塔缓存的各个上述商品特征向量确定各个上述活动商品对应的上述第一分数。
在一些实施例中,上述活动商品推荐装置还包括:
活动特征向量提取模块,用于通过上述用户塔对上述用户行为数据对应的上述活动商品的上述商品信息进行特征提取处理,并根据预设的第一权重对提取到的特征向量进行加权处理,得到活动特征向量。
非活动特征向量提取模块,用于通过上述用户塔对上述用户行为数据对应的非活动商品的上述商品信息进行特征提取处理,并根据预设的第二权重对提取到的特征向量进行加权处理,得到非活动特征向量。
用户特征向量确定模块,用于基于上述活动特征向量和上述非活动特征向量确定上述用户特征向量。
在一些实施例中,上述活动商品推荐装置还包括:
排序模块,用于基于上述第一分数对各个上述活动商品进行降序排序。
筛选模块,用于对排序后的各个上述活动商品进行筛选,得到筛选后的上述活动商品,筛选后的上述活动商品包括排序前N的上述活动商品,N为大于2的整数。
对应地,上述第二分数确定模块23还包括:
第二分数计算单元,用于对每一个筛选后的上述活动商品,基于上述活动信息和上述活动信息对应的活动特征权重确定上述活动商品对应的第二分数。
在一些实施例中,待推荐活动商品确定模块24包括:
活动分数确定单元,用于根据上述第一分数、上述第一分数对应的预设的第三权重、上述第二分数以及上述第二分数对应的预设的第四权重确定上述活动分数。
需要说明的是,上述装置/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。
实施例三:
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中仅示出一个处理器)、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时实现上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。该电子设备可包括,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的举例,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,例如还可以包括输入输出设备、网络接入设备等。
所称处理器30可以是中央处理单元(Central Processing Unit,CPU),该处理器30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)、现场可编程门阵列(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在另一些实施例中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(Secure Digital, 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输出或者将要输出的数据。
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,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上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,上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。上述系统中单元、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上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上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上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,本申请实现上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,可实现上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。
在上述实施例中,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)
1.一种活动商品推荐方法,其特征在于,包括:
确定待推荐用户对应的用户行为数据,所述用户行为数据包括与所述待推荐用户具有关联关系的商品的商品标识;
对每一个活动商品,基于所述活动商品的商品信息和所述用户行为数据确定所述活动商品对应的第一分数,所述活动商品包括参与优惠活动的商品,所述第一分数用于指示所述活动商品的所述商品信息与所述用户行为数据之间的相似程度;
对每一个所述活动商品,基于所述活动商品的活动信息和所述活动信息对应的活动特征权重确定所述活动商品对应的第二分数,所述第二分数反映所述活动信息的重要程度;
根据所述第一分数和所述第二分数确定各个所述活动商品的活动分数,并根据所述活动分数确定待推荐活动商品。
2.如权利要求1所述的活动商品推荐方法,其特征在于,在所述对每一个所述活动商品,基于所述活动商品的活动信息和所述活动信息对应的活动特征权重确定所述活动商品对应的第二分数之前,还包括:
对每一个所述活动商品,通过预训练的活动塔对所述活动信息进行特征提取处理,得到所述活动特征权重,所述活动塔基于注意力机制构建。
3.如权利要求2所述的活动商品推荐方法,其特征在于,所述活动信息包括优惠力度、库存量和剩余时间中的一个或多个信息,所述通过预训练的活动塔对所述活动信息进行特征提取处理,得到所述活动特征权重,包括:
通过所述活动塔对所述活动信息中的各个所述信息分别进行特征提取处理,得到各个所述信息对应的所述活动特征权重;
对应地,所述基于所述活动商品的活动信息和所述活动信息对应的活动特征权重确定所述活动商品对应的第二分数,包括:
对所述活动信息中的每一个所述信息,基于所述信息和所述信息对应的所述活动特征权重确定所述信息对应的第三分数;
根据所述活动信息中各个所述信息对应的所述第三分数确定所述第二分数。
4.如权利要求1所述的活动商品推荐方法,其特征在于,还包括:
通过预训练的商品塔缓存各个所述活动商品的所述商品信息对应的商品特征向量;
所述对每一个活动商品,基于所述活动商品的商品信息和所述用户行为数据确定所述活动商品对应的第一分数,包括:
通过预训练的用户塔对所述用户行为数据进行特征提取处理,得到用户特征向量;
基于所述用户特征向量和所述商品塔缓存的各个所述商品特征向量确定各个所述活动商品对应的所述第一分数。
5.如权利要求4所述的活动商品推荐方法,其特征在于,所述通过预训练的用户塔对所述用户行为数据进行特征提取处理,得到用户特征向量,包括:
通过所述用户塔对所述用户行为数据对应的所述活动商品的所述商品信息进行特征提取处理,并根据预设的第一权重对提取到的特征向量进行加权处理,得到活动特征向量;
通过所述用户塔对所述用户行为数据对应的非活动商品的所述商品信息进行特征提取处理,并根据预设的第二权重对提取到的特征向量进行加权处理,得到非活动特征向量;
基于所述活动特征向量和所述非活动特征向量确定所述用户特征向量。
6.如权利要求1所述的活动商品推荐方法,其特征在于,在所述对每一个所述活动商品,基于所述活动商品的活动信息和所述活动信息对应的活动特征权重确定所述活动商品对应的第二分数之前,还包括:
基于所述第一分数对各个所述活动商品进行降序排序;
对排序后的各个所述活动商品进行筛选,得到筛选后的所述活动商品,筛选后的所述活动商品包括排序前N的所述活动商品,N为大于2的整数;
对应地,所述对每一个所述活动商品,基于所述活动商品的活动信息和所述活动信息对应的活动特征权重确定所述活动商品对应的第二分数,包括:
对每一个筛选后的所述活动商品,基于所述活动信息和所述活动信息对应的活动特征权重确定所述活动商品对应的第二分数。
7.如权利要求1至6任一项所述的活动商品推荐方法,其特征在于,所述根据所述第一分数和所述第二分数确定各个所述活动商品的活动分数,包括:
根据所述第一分数、所述第一分数对应的预设的第三权重、所述第二分数以及所述第二分数对应的预设的第四权重确定所述活动分数。
8.一种活动商品推荐装置,其特征在于,包括:
用户行为数据获取模块,用于确定待推荐用户对应的用户行为数据,所述用户行为数据包括与所述待推荐用户具有关联关系的商品的商品标识;
第一分数确定模块,用于对每一个活动商品,基于所述活动商品的商品信息和所述用户行为数据确定所述活动商品对应的第一分数,所述活动商品包括参与优惠活动的商品,所述第一分数用于指示所述活动商品的所述商品信息与所述用户行为数据之间的相似程度;
第二分数确定模块,用于对每一个所述活动商品,基于所述活动商品的活动信息和所述活动信息对应的活动特征权重确定所述活动商品对应的第二分数,所述第二分数反映所述活动信息的重要程度;
待推荐活动商品确定模块,用于根据所述第一分数和所述第二分数确定各个所述活动商品的活动分数,并根据所述活动分数确定待推荐活动商品。
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 |
---|---|---|---|
CN202410399789.6A CN117994008A (zh) | 2024-04-03 | 2024-04-03 | 活动商品推荐方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410399789.6A CN117994008A (zh) | 2024-04-03 | 2024-04-03 | 活动商品推荐方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117994008A true CN117994008A (zh) | 2024-05-07 |
Family
ID=90896406
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410399789.6A Pending CN117994008A (zh) | 2024-04-03 | 2024-04-03 | 活动商品推荐方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117994008A (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108182621A (zh) * | 2017-12-07 | 2018-06-19 | 合肥美的智能科技有限公司 | 商品推荐方法及商品推荐装置、设备和存储介质 |
CN109191240A (zh) * | 2018-08-14 | 2019-01-11 | 北京九狐时代智能科技有限公司 | 一种进行商品推荐的方法和装置 |
CN109919719A (zh) * | 2019-02-22 | 2019-06-21 | 掌阅科技股份有限公司 | 信息推送方法、计算设备及计算机存储介质 |
CN111311381A (zh) * | 2020-04-07 | 2020-06-19 | 广州翼云科技有限公司 | 一种商品推荐方法及系统 |
CN113469752A (zh) * | 2021-07-22 | 2021-10-01 | 北京沃东天骏信息技术有限公司 | 内容推荐方法、装置、存储介质及电子设备 |
CN113626703A (zh) * | 2021-08-10 | 2021-11-09 | 刘妮 | 基于加权投票式的电商平台用户推荐方法 |
CN113971595A (zh) * | 2021-07-06 | 2022-01-25 | 深圳市神州云海智能科技有限公司 | 一种商品推荐方法、系统及设备 |
CN115659277A (zh) * | 2022-10-21 | 2023-01-31 | 南京邮电大学 | 一种基于多行为特征融合的电商会话推荐方法、系统、装置及介质 |
CN117172887A (zh) * | 2023-11-02 | 2023-12-05 | 深圳市灵智数字科技有限公司 | 商品推荐模型训练方法及商品推荐方法 |
CN117575725A (zh) * | 2023-11-09 | 2024-02-20 | 深圳店小秘网络科技有限公司 | 折扣商品展示系统 |
-
2024
- 2024-04-03 CN CN202410399789.6A patent/CN117994008A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108182621A (zh) * | 2017-12-07 | 2018-06-19 | 合肥美的智能科技有限公司 | 商品推荐方法及商品推荐装置、设备和存储介质 |
CN109191240A (zh) * | 2018-08-14 | 2019-01-11 | 北京九狐时代智能科技有限公司 | 一种进行商品推荐的方法和装置 |
CN109919719A (zh) * | 2019-02-22 | 2019-06-21 | 掌阅科技股份有限公司 | 信息推送方法、计算设备及计算机存储介质 |
CN111311381A (zh) * | 2020-04-07 | 2020-06-19 | 广州翼云科技有限公司 | 一种商品推荐方法及系统 |
CN113971595A (zh) * | 2021-07-06 | 2022-01-25 | 深圳市神州云海智能科技有限公司 | 一种商品推荐方法、系统及设备 |
CN113469752A (zh) * | 2021-07-22 | 2021-10-01 | 北京沃东天骏信息技术有限公司 | 内容推荐方法、装置、存储介质及电子设备 |
CN113626703A (zh) * | 2021-08-10 | 2021-11-09 | 刘妮 | 基于加权投票式的电商平台用户推荐方法 |
CN115659277A (zh) * | 2022-10-21 | 2023-01-31 | 南京邮电大学 | 一种基于多行为特征融合的电商会话推荐方法、系统、装置及介质 |
CN117172887A (zh) * | 2023-11-02 | 2023-12-05 | 深圳市灵智数字科技有限公司 | 商品推荐模型训练方法及商品推荐方法 |
CN117575725A (zh) * | 2023-11-09 | 2024-02-20 | 深圳店小秘网络科技有限公司 | 折扣商品展示系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11727445B2 (en) | Predictive recommendation system using price boosting | |
US20190266619A1 (en) | Behavior pattern search system and behavior pattern search method | |
CN109299356B (zh) | 基于大数据的活动推荐方法、装置、电子设备及存储介质 | |
US11810151B2 (en) | Predictive recommendation system using tiered feature data | |
CN117172887B (zh) | 商品推荐模型训练方法及商品推荐方法 | |
CN111611496A (zh) | 产品推荐方法及其装置 | |
EP3543943A1 (en) | Purchase information utilization system, purchase information utilization method, and program | |
CN111861605A (zh) | 业务对象推荐方法 | |
CN111429214A (zh) | 一种基于交易数据的买卖双方匹配方法及装置 | |
CN111626767A (zh) | 资源数据的发放方法、装置及设备 | |
CN108510302A (zh) | 一种营销决策方法及交易服务器 | |
CN112015970A (zh) | 产品推荐方法、相关设备及计算机存储介质 | |
CN117994008A (zh) | 活动商品推荐方法、装置、电子设备及存储介质 | |
CN116956009A (zh) | 一种数据处理方法及相关装置 | |
CN111353836A (zh) | 商品推荐方法、装置及设备 | |
US11295370B1 (en) | Buyback offers using precalculated cached user data | |
CN112613897A (zh) | 一种基于毛利率的实时自动出价方法及系统 | |
US20200143429A1 (en) | Real-Time Predictive Recommendation System Using Per-Set Optimization | |
CN107392669B (zh) | 一种商品信息推送方法、装置及系统 | |
CN117974276A (zh) | 商品推荐模型训练方法、商品推荐方法及电子设备 | |
CN117217852B (zh) | 一种基于行为识别购买意愿度预测方法及装置 | |
CN113129105B (zh) | 对象数据的处理方法、装置、设备、存储介质及程序 | |
US20230419396A1 (en) | Dynamic transaction system using counterfactual machine-learning analysis | |
CN113988922A (zh) | 一种基于延迟时间采样的转化率模型流式更新方法 | |
CN114493759A (zh) | 用于对目标用户应用推荐策略的方法 |
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 |