CN118014672A - 商品推荐方法、装置及设备 - Google Patents
商品推荐方法、装置及设备 Download PDFInfo
- Publication number
- CN118014672A CN118014672A CN202311806044.9A CN202311806044A CN118014672A CN 118014672 A CN118014672 A CN 118014672A CN 202311806044 A CN202311806044 A CN 202311806044A CN 118014672 A CN118014672 A CN 118014672A
- Authority
- CN
- China
- Prior art keywords
- information
- user
- skin
- commodity
- historical behavior
- 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 91
- 230000006399 behavior Effects 0.000 claims description 124
- 230000005808 skin problem Effects 0.000 claims description 55
- 238000012545 processing Methods 0.000 claims description 30
- 239000000203 mixture Substances 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 14
- 238000009826 distribution Methods 0.000 claims description 13
- 230000003993 interaction Effects 0.000 claims description 9
- 230000009191 jumping Effects 0.000 claims description 7
- 230000003044 adaptive effect Effects 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 abstract description 13
- 238000010801 machine learning Methods 0.000 description 18
- 239000011148 porous material Substances 0.000 description 16
- 206010000496 acne Diseases 0.000 description 15
- 238000003860 storage Methods 0.000 description 14
- 230000000694 effects Effects 0.000 description 13
- 238000004590 computer program Methods 0.000 description 12
- 239000002537 cosmetic Substances 0.000 description 12
- 238000003062 neural network model Methods 0.000 description 12
- 238000012549 training Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 10
- 208000002874 Acne Vulgaris Diseases 0.000 description 8
- 230000001815 facial effect Effects 0.000 description 8
- 230000006978 adaptation Effects 0.000 description 7
- 206010039792 Seborrhoea Diseases 0.000 description 6
- 230000037312 oily skin Effects 0.000 description 6
- 230000036555 skin type Effects 0.000 description 6
- 235000002673 Dioscorea communis Nutrition 0.000 description 5
- 241000544230 Dioscorea communis Species 0.000 description 5
- 208000035753 Periorbital contusion Diseases 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000002452 interceptive effect Effects 0.000 description 5
- 210000003205 muscle Anatomy 0.000 description 5
- 230000037303 wrinkles Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 210000003128 head Anatomy 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 3
- 230000002829 reductive effect Effects 0.000 description 3
- FPIPGXGPPPQFEQ-OVSJKPMPSA-N all-trans-retinol Chemical compound OC\C=C(/C)\C=C\C=C(/C)\C=C\C1=C(C)CCCC1(C)C FPIPGXGPPPQFEQ-OVSJKPMPSA-N 0.000 description 2
- RYYVLZVUVIJVGH-UHFFFAOYSA-N caffeine Chemical compound CN1C(=O)N(C)C(=O)C2=C1N=CN2C RYYVLZVUVIJVGH-UHFFFAOYSA-N 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000036961 partial effect Effects 0.000 description 2
- KIUKXJAPPMFGSW-DNGZLQJQSA-N (2S,3S,4S,5R,6R)-6-[(2S,3R,4R,5S,6R)-3-Acetamido-2-[(2S,3S,4R,5R,6R)-6-[(2R,3R,4R,5S,6R)-3-acetamido-2,5-dihydroxy-6-(hydroxymethyl)oxan-4-yl]oxy-2-carboxy-4,5-dihydroxyoxan-3-yl]oxy-5-hydroxy-6-(hydroxymethyl)oxan-4-yl]oxy-3,4,5-trihydroxyoxane-2-carboxylic acid Chemical compound CC(=O)N[C@H]1[C@H](O)O[C@H](CO)[C@@H](O)[C@@H]1O[C@H]1[C@H](O)[C@@H](O)[C@H](O[C@H]2[C@@H]([C@@H](O[C@H]3[C@@H]([C@@H](O)[C@H](O)[C@H](O3)C(O)=O)O)[C@H](O)[C@@H](CO)O2)NC(C)=O)[C@@H](C(O)=O)O1 KIUKXJAPPMFGSW-DNGZLQJQSA-N 0.000 description 1
- FPIPGXGPPPQFEQ-UHFFFAOYSA-N 13-cis retinol Natural products OCC=C(C)C=CC=C(C)C=CC1=C(C)CCCC1(C)C FPIPGXGPPPQFEQ-UHFFFAOYSA-N 0.000 description 1
- 206010013786 Dry skin Diseases 0.000 description 1
- LPHGQDQBBGAPDZ-UHFFFAOYSA-N Isocaffeine Natural products CN1C(=O)N(C)C(=O)C2=C1N(C)C=N2 LPHGQDQBBGAPDZ-UHFFFAOYSA-N 0.000 description 1
- 206010051246 Photodermatosis Diseases 0.000 description 1
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- 230000003712 anti-aging effect Effects 0.000 description 1
- 230000001153 anti-wrinkle effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 229960001948 caffeine Drugs 0.000 description 1
- VJEONQKOZGKCAK-UHFFFAOYSA-N caffeine Natural products CN1C(=O)N(C)C(=O)C2=C1C=CN2C VJEONQKOZGKCAK-UHFFFAOYSA-N 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000037336 dry skin Effects 0.000 description 1
- 229920002674 hyaluronan Polymers 0.000 description 1
- 229960003160 hyaluronic acid Drugs 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003020 moisturizing effect Effects 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 239000000825 pharmaceutical preparation Substances 0.000 description 1
- 229940127557 pharmaceutical product Drugs 0.000 description 1
- 230000008845 photoaging Effects 0.000 description 1
- 108090000765 processed proteins & peptides Proteins 0.000 description 1
- 229960003471 retinol Drugs 0.000 description 1
- 235000020944 retinol Nutrition 0.000 description 1
- 239000011607 retinol Substances 0.000 description 1
- 230000037307 sensitive skin Effects 0.000 description 1
- 230000004622 sleep time Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- GYDJEQRTZSCIOI-LJGSYFOKSA-N tranexamic acid Chemical compound NC[C@H]1CC[C@H](C(O)=O)CC1 GYDJEQRTZSCIOI-LJGSYFOKSA-N 0.000 description 1
- 229960000401 tranexamic acid Drugs 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明实施例提供了一种商品推荐方法、装置及设备。其中,商品推荐方法包括:获取用户画像信息以及用户的历史行为信息;基于用户画像信息和历史行为信息,确定用户的肤质信息;基于肤质信息、用户画像信息和历史行为信息,在预设的商品数据库中确定与用户相对应的推荐商品。本实施例提供的技术方案,基于用户画像信息和历史行为信息确定用户的肤质信息;并基于肤质信息、用户画像信息和历史行为信息,在预设的商品数据库中确定与用户相对应的推荐商品,有效地实现了结合用户的肤质信息为用户进行更加精准的、个性化的商品推荐服务,这样不仅可以提高用户的体验性和用户黏性,并且还可以提升商品转化率、销量,进一步保证了该方法的实用性。
Description
技术领域
本发明涉及网络信息处理领域,尤其涉及一种商品推荐方法、装置及设备。
背景技术
随着科学技术的飞速发展,电商平台的应用越来越广泛。在电商平台的应用场景中,为了提高商品的成交量,电商平台往往会适时地进行商品推荐操作,其中,所推荐的商品往往是基于商品的成交量、商品的历史评价或者商品的推广策略所确定。
然而,由于不同的用户会有不同的偏好、不同的商品考虑因素,若采用上述通用化的方式来确定推荐商品,只能实现对所有的用户推荐相同的、通用化的商品,这样往往不能满足不同用户的个性化需求,并且也降低了商品的转化率以及平台用户对电商平台进行使用的体验性。
发明内容
本发明实施例提供了一种商品推荐方法、装置及设备,能够基于不同用户的肤质特点进行商品的个性化推荐操作,有利于提高商品的转化率,并保证用户对电商平台进行使用的良好体验性。
第一方面,本发明实施例提供了一种商品推荐方法,包括:
获取用户画像信息以及用户的历史行为信息;
基于所述用户画像信息和所述历史行为信息,确定所述用户的肤质信息;
基于所述肤质信息、所述用户画像信息和所述历史行为信息,在预设的商品数据库中确定与所述用户相对应的推荐商品。
第二方面,本发明实施例提供了一种商品推荐装置,包括:
第一获取模块,用于获取用户画像信息以及用户的历史行为信息;
第一确定模块,用于基于所述用户画像信息和所述历史行为信息,确定所述用户的肤质信息;
第一处理模块,用于基于所述肤质信息、所述用户画像信息和所述历史行为信息,在预设的商品数据库中确定与所述用户相对应的推荐商品。
第三方面,本发明实施例提供了一种电子设备,包括:存储器、处理器;其中,所述存储器用于存储一条或多条计算机指令,其中,所述一条或多条计算机指令被所述处理器执行时实现上述第一方面中的商品推荐方法。
第四方面,本发明实施例提供了一种计算机存储介质,用于储存计算机程序,所述计算机程序使计算机执行时实现上述第一方面中的商品推荐方法。
第五方面,本发明实施例提供了一种计算机程序产品,包括:存储有计算机指令的计算机可读存储介质,当所述计算机指令被一个或多个处理器执行时,致使所述一个或多个处理器执行上述第一方面所示的商品推荐方法中的步骤。
本实施例提供的商品推荐方法、装置及设备,通过获取用户画像信息以及用户的历史行为信息,而后基于所述用户画像信息和所述历史行为信息确定所述用户的肤质信息;并基于所述肤质信息、所述用户画像信息和所述历史行为信息,在预设的商品数据库中确定与所述用户相对应的推荐商品,有效地实现了结合用户的肤质信息为用户进行更加精准的、个性化的商品推荐服务,即能够针对不同肤质信息所对应的用户提供不同的推荐商品,这样不仅可以提高用户的体验性和用户黏性,并且还可以提升商品转化率、销量,从而有效地提高了该方法的实用性,有利于市场的推广与应用。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,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为本发明实施例提供的一种商品推荐方法的场景示意图;
图2为本发明实施例提供的一种商品推荐方法的流程示意图;
图3为本发明实施例提供的基于所述用户画像信息和所述历史行为信息,确定所述用户的肤质信息的流程示意图;
图4为本发明实施例提供的一种商品推荐方法的流程示意图;
图5为本发明实施例提供的另一种商品推荐方法的流程示意图;
图6为本发明实施例提供的又一种商品推荐方法的流程示意图;
图7为本发明应用实施例提供的一种用户肤质信息的预测方法的流程示意图;
图8为本发明应用实施例提供的对肤质信息进行显示的示意图;
图9为本发明实施例提供的一种商品推荐装置的结构示意图;
图10为与图9示实施例提供的商品推荐装置对应的电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义,“多种”一般包含至少两种,但是不排除包含至少一种的情况。
应当理解,本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
取决于语境,如在此所使用的词语“如果”、“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地,取决于语境,短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的商品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种商品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的商品或者系统中还存在另外的相同要素。
另外,下述各方法实施例中的步骤时序仅为一种举例,而非严格限定。
术语定义:
用户肤质信息/用户肤质档案:包括用户肤质类型、是否有黑眼圈/毛孔/色斑/黑头/敏感肌等信息。
图神经网络模型graphsage:能够利用顶点的属性信息预测并产生未知的顶点特征,其中,顶点的属性信息可以包括以下至少之一:用户的年纪、购买力等等,未知的顶点特征可以包括以下至少之一:商品类目、卖家的ID信息、买家的ID信息、店铺属性信息等等。
为了便于理解本实施例中的商品推荐方法、装置及设备的具体实现过程和实现效果,下面先对相关技术进行简要说明:
随着科学技术的飞速发展,电商平台的应用越来越广泛。在电商平台的应用场景中,为了提高商品的成交量,电商平台往往会时地进行商品推荐操作,其中,所推荐的商品往往是基于商品的成交量、商品的历史评价或者商品的推广策略所确定。
然而,由于不同的用户会有不同的偏好、不同的商品考虑因素,例如,在美妆商品的应用场景中,用户肤质是用户消费过程中非常重要的决策因子,用户在选购商品时,往往会考虑自身肤质类型以及各种皮肤问题;若采用上述通用化的方式来确定推荐商品,只能实现对所有的用户推荐相同的、通用化的商品,这样往往不能满足不同用户的个性化需求,并且也降低了商品的转化率以及平台用户对电商平台进行使用的体验性。
为了解决上述技术问题,本实施例提供了一种商品推荐方法、装置及设备,该商品推荐方法能够为用户提供更加精准的个性化的商品推荐服务,不仅可以提高用户体验和用户黏性,并且还可以提升商品转化率、销量。具体的,参考附图1所示,商品推荐方法的执行主体可以为商品推荐装置,需要注意的是,该商品推荐装置可以实现为终端设备、个人电脑、平板电脑、本地服务器或者云端的服务器,此时,在商品推荐装置实现为云端的服务器的情况下,该商品推荐方法可以在云端来执行,在云端可以部署有若干计算节点(云服务器),每个计算节点中都具有计算、存储等处理资源。在云端,可以组织由多个计算节点来提供某种服务,当然,一个计算节点也可以提供一种或多种服务。云端提供该服务的方式可以是对外提供服务接口,用户调用该服务接口以使用相应的服务。服务接口包括软件开发工具包(Software Development Kit,简称SDK)、应用程序接口(Application ProgrammingInterface,简称API)等形式。
该商品推荐装置与客户端通信连接,其中,客户端用于供用户进行应用,以实现电商交易操作,并可以为用户进行个性化的商品推荐操作,上述的客户端可以是任何具有一定数据传输能力的计算设备,具体实现时,客户端可以是手机、个人电脑PC、平板电脑、设定应用程序等等。此外,客户端的基本结构可以包括:至少一个处理器。处理器的数量取决于客户端的配置和类型。客户端也可以包括存储器,该存储器可以为易失性的,例如:随机存取存储器(Random Access Memory,简称RAM),也可以为非易失性的,例如:只读存储器(Read-Only Memory,简称ROM)、闪存等,或者也可以同时包括两种类型。存储器内通常存储有操作系统(Operating System,简称OS)、一个或多个应用程序,也可以存储有程序数据等。除了处理单元和存储器之外,客户端还包括一些基本配置,例如:网卡芯片、IO总线、显示组件以及一些外围设备等。可选地,一些外围设备可以包括,例如:键盘、鼠标、输入笔、打印机等。其它外围设备在本领域中是众所周知的,在此不做赘述。
商品推荐装置是指可以在网络虚拟环境中提供商品推荐操作的设备,通常是指利用网络进行信息规划以及商品推荐操作的装置。在物理实现上,商品推荐装置可以是任何能够提供计算服务,响应于商品推荐请求,并可以基于商品推荐请求进行商品推荐操作的设备,例如:可以是集群服务器、常规服务器、云服务器、云主机、虚拟中心等。商品推荐装置的构成主要包括处理器、硬盘、内存、系统总线等,和通用的计算机架构类似。
在上述本实施例中,客户端与商品推荐装置进行网络连接,该网络连接可以是无线或有线网络连接。若客户端可以与商品推荐装置是通信连接,该移动网络的网络制式可以为2G(GSM)、2.5G(GPRS)、3G(WCDMA、TD-SCDMA、CDMA2000、UTMS)、4G(LTE)、4G+(LTE+)、WiMax、5G、6G等中的任意一种。
在本申请实施例中,客户端,用于供用户进行使用,以实现商品推荐操作。具体的,在用户通过客户端使用电商平台进行交易操作时,可以生成相对应的用户画像信息以及历史行为信息,为了能够准确地为用户进行个性化的商品推荐操作,客户端可以主动或者被动地将用户画像信息以及历史行为信息发送至商品推荐装置。
商品推荐装置,用于通过客户端主动或者被动地获取用户画像信息以及用户的历史行为信息,其中,用户画像信息可以包括以下至少之一:用户的教育程度、用户的年纪、用户所在的地区、用户的职业、用户的消费水平等等;用户的历史行为信息可以包括以下至少之一:用户对商品的搜索行为、用户对商品的点击行为、用户对商品的收藏行为、用户对商品的加购行为、用户对商品的购买行为、用户对商品的查看行为等等。
在获取到用户画像信息和历史行为信息之后,可以对用户画像信息和历史行为信息进行分析处理,从而可以确定用户的肤质信息,其中,用户的肤质信息可以包括以下至少之一:肤质类型、是否有痤疮、是否有毛孔问题等等。由于用户的肤质信息能够直接影响到为用户进行的商品推荐操作,因此,在获取到肤质信息、用户画像信息和历史行为信息之后,可以基于肤质信息、用户画像信息和历史行为信息在预设的商品数据库中确定与用户相对应的推荐商品,该推荐商品可以包括以下至少之一:美妆商品、药物商品、服装商品、发饰商品等等,从而有效地实现了商品推荐操作。
本实施例中,通过肤质信息、用户画像信息和历史行为信息来确定与用户相对应的推荐信息,有效地实现了能够结合用户的肤质信息为用户进行更加精准的、个性化的商品推荐服务,这样不仅可以提高用户的体验性和用户黏性,并且还可以提升商品转化率、销量,从而有效地提高了该方法的实用性。
下面结合附图,对本发明的一些实施方式作详细说明。在各实施例之间不冲突的情况下,下述的实施例及实施例中的特征可以相互组合。另外,下述各方法实施例中的步骤时序仅为一种举例,而非严格限定。
图2为本发明实施例提供的一种商品推荐方法的流程示意图;参考附图2所示,本实施例提供了一种商品推荐方法,该方法的执行主体为商品推荐装置,具体的,商品推荐装置可以实现为软件、或者软件和硬件的组合,在商品推荐装置实现为硬件时,其具体可以是具有商品推荐操作的各种电子设备,包括但不限于个人电脑、服务器等等,当商品推荐装置实现为软件时,其可以安装在上述所例举的电子设备中。基于上述的商品推荐装置,该商品推荐方法可以包括:
步骤S201:获取用户画像信息以及用户的历史行为信息。
步骤S202:基于用户画像信息和历史行为信息,确定用户的肤质信息。
步骤S203:基于肤质信息、用户画像信息和历史行为信息,在预设的商品数据库中确定与用户相对应的推荐商品。
下面对上述各个步骤的具体实现过程和实现效果进行详细说明:
步骤S201:获取用户画像信息以及用户的历史行为信息。
当存在商品推荐需求时,即通过商品推荐装置来实现商品推荐操作,则可以使得商品推荐装置获取用户画像信息以及用户的历史行为信息,其中,用户画像信息可以包括以下至少之一:用户的教育程度、用户的年纪、用户所在的地区、用户的职业、用户的消费水平等等;用户的历史行为信息可以包括以下至少之一:用户对商品的搜索行为、用户对商品的点击行为、用户对商品的收藏行为、用户对商品的加购行为、用户对商品的购买行为、用户对商品的查看行为等等。
需要注意的是,用户画像信息以及历史行为信息并不限于上述所例举的信息,本领域技术人员可以根据具体的应用场景或者应用需求对用户画像信息所包括的具体数据以及历史行为信息所包括的具体数据进行灵活配置和调整,在此不再赘述。
具体的,本实施例对于用户画像信息以及用户的历史行为信息的具体获取方式不做限定,在一些实例中,商品推荐装置可以与电商平台(也可以称为“站内平台”)通信连接,或者,商品推荐装置设置于电商平台中,在用户通过电商平台来实现电商交易的过程中,电商平台中可以存储有用户画像信息以及用户的历史行为信息,此时,获取用户画像信息以及用户的历史行为信息可以包括:通过电商平台主动地获取用户画像信息以及用户的历史信息。
进一步的,电商平台的数量可以为多个,多个电商平台可以包括:站内平台和站外平台,此时,商品推荐装置可以通过站内平台和站外平台来获取用户画像信息以及用户的历史行为信息,所获得的用户画像信息以及用户的历史行为信息即包括站内数据以及站外数据,其中,站外数据可以通过爬虫技术来对站外平台进行采集所获得。
步骤S202:基于用户画像信息和历史行为信息,确定用户的肤质信息。
在获取到用户画像信息和历史行为信息之后,可以对用户画像信息和历史行为信息进行分析处理,从而可以确定用户的肤质信息(或称为肤质档案),该肤质信息可以包括以下至少之一:肤质类型、是否有痤疮、是否有毛孔问题、是否有色斑问题、是否有皱纹、是否有黑眼圈、是否有眼周细纹、是否有黑头、皮肤的颜色、是否敏感肌;上述的肤质类型可以包括以下取值:干性类型、中性类型、油性类型、混合偏油类型、混合偏干类型;上述的是否有痤疮可以包括以下取值:是有痤疮、没有痤疮;上述的是否有毛孔问题可以包括以下取值:清晰、细致、明显;上述的是否有色斑问题可以包括以下取值:是有色斑问题、没有色斑问题;上述的是否有皱纹可以包括以下取值:是有皱纹、没有皱纹;上述的是否有黑眼圈可以包括以下取值:有黑眼圈、没有黑眼圈;上述的是否有眼周细纹可以包括以下取值:有眼周细纹、没有眼周细纹;上述的是否有黑头可以包括以下取值:有黑头、没有黑头;上述的皮肤的颜色可以包括以下取值:自然颜色、白皙颜色、偏黑颜色;上述的是否有敏感肌可以包括以下取值:有敏感肌、没有敏感肌。
需要注意的是,用户的肤质信息不仅可以包括上述的信息,还可以包括其他信息,例如:用户的肤质信息还可以包括:皮肤是否松弛等等,本领域技术人员可以根据具体的应用场景或者应用需求对用户的肤质信息所包括的数据进行灵活配置或者调整操作,在此不再赘述。
另外,本实施例对于用户的肤质信息的具体确定方式不做限定,在一些实例中,用户的肤质信息可以通过预先训练好的机器学习模型所获得,此时,基于用户画像信息和历史行为信息,确定用户的肤质信息可以包括:获取用于预测肤质信息的肤质预测模型;利用肤质预测模型对用户画像信息和历史行为信息进行处理,获得用户的肤质信息。
具体的,为了能够利用机器学习模型来确定用户的肤质信息,可以先获取用于预测肤质信息的肤质预测模型,在一些实例中,在肤质预测模型是预先训练好的、存储在预设区域中的机器学习模型时,通过访问预设区域即可获取到预先训练好的肤质预测模型。在另一些实例中,在肤质预测模型不是预先训练好的、存储在预设区域中的机器学习模型时,则可以先进行肤质预测模型的训练操作,此时,获取用于预测肤质信息的肤质预测模型可以包括:获取用户的实际肤质信息、用户画像信息以及用户的历史行为;基于用户的实际肤质信息、用户画像信息以及用户的历史行为进行模型训练操作,获得肤质预测模型,这样有效地保证了对肤质预测模型进行获取的准确可靠性。
在获取到肤质预测模型之后,可以利用肤质预测模型对用户画像信息和历史行为信息进行处理,具体的,可以将用户画像信息和历史行为信息输入至肤质预测模型中,从而可以获得肤质预测模型所输出的用户的肤质信息,这样有效地保证了对用户的肤质信息进行获取的准确可靠性。
步骤S203:基于肤质信息、用户画像信息和历史行为信息,在预设的商品数据库中确定与用户相对应的推荐商品。
在获取到肤质信息之后,可以基于肤质信息、用户画像信息和历史行为信息在预设的商品数据库中确定与用户相对应的推荐商品,可以理解的是,不同的应用场景所对应的推荐商品可以相同或者不同,例如:所确定的推荐商品可以为以下任意之一:美妆商品、药品、服装商品、发饰商品等等。
另外,本实施例对于推荐商品的确定方式不做限定,在一些实例中,推荐商品可以通过预先训练好的机器学习模型或者神经网络模型来确定,此时,基于肤质信息、用户画像信息和历史行为信息,在预设的商品数据库中确定与用户相对应的推荐商品可以包括:获取预先训练好的机器学习模型或者神经网络模型;将肤质信息、用户画像信息、历史行为信息和商品数据库输入至机器学习模型或者神经网络模型中,获得机器学习模型或者神经网络模型输出的与用户相对应的推荐商品,这样有效地保证了对推荐商品进行确定的准确可靠性。
在另一些实例中,不仅可以通过预先训练好的机器学习模型或者神经网络模型来确定推荐商品,还可以通过特征匹配操作来确定推荐商品,此时,基于肤质信息、用户画像信息和历史行为信息来确定所需要适配的商品特征;可以基于商品特征在预设的商品数据库中进行商品匹配操作,从而可以获得与用户相对应的推荐商品,这样有效地保证了对推荐商品进行确定的准确可靠性。
在又一些实例中,为了进一步提高该方法的实用性,本实施例还能够对肤质预测模型进行优化,此时,在确定与用户相对应的推荐商品之后,可以先获取用户对推荐商品输入的反馈信息;基于反馈信息对肤质预测模型进行优化,获得优化后的肤质预测模型。
具体的,在确定与用户相对应的推荐商品之后,可以将推荐商品以界面显示的方式、信息推送的方式向用户进行展示,以使得用户可以快速查看到推荐商品,而后用户可以针对所显示的推荐商品进行反馈,从而可以获得用户针对推荐商品输入的反馈信息,该反馈信息可以包括以下至少之一:对推荐商品输入的点击信息、对推荐商品输入的购买信息、对推荐商品输入的加购信息、对推荐商品输入的收藏信息、对推荐商品的停留查看信息、对推荐商品输入的关闭信息等等。
由于反馈信息可以包括用于标识推荐商品较为合适的正向反馈信息(例如:推荐商品输入的点击信息、对推荐商品输入的购买信息、对推荐商品输入的加购信息、对推荐商品输入的收藏信息、对推荐商品的停留查看信息)、或者用于标识推荐商品不合适的负向反馈信息(例如:对推荐商品输入的关闭信息等等),由于推荐商品是基于用户的肤质信息来确定的,为了能够保证或者提高用户的肤质信息预测的准确可靠性,在用户的肤质信息是基于肤质预测模型来获得时,则可以基于所获得的反馈信息对肤质预测模型进行优化操作,获得优化后的肤质预测模型,这样可以提高肤质预测模型的预测质量和效果,而后利用优化后的肤质预测模型对用户的肤质信息进行预测时,可以有效地提高了对商品推荐操作的准确可靠性。
本实施例提供的商品推荐方法,通过获取用户画像信息以及用户的历史行为信息,而后基于用户画像信息和历史行为信息确定用户的肤质信息;并基于肤质信息、用户画像信息和历史行为信息,在预设的商品数据库中确定与用户相对应的推荐商品,有效地实现了结合用户的肤质信息为用户进行更加精准的、个性化的商品推荐服务,即能够针对不同的肤质信息所对应的用户提供不同的推荐商品,这样不仅可以提高用户的体验性和用户黏性,并且还可以提升商品转化率、销量,从而有效地提高了该方法的实用性,有利于市场的推广与应用。
图3为本发明实施例提供的基于用户画像信息和历史行为信息,确定用户的肤质信息的流程示意图;在上述实施例的基础上,参考附图3所示,用户的肤质信息不仅可以通过用户画像信息和历史行为信息来确定,还可以结合商品数据库中与用户存在交互行为的关联商品信息来确定用户的肤质信息,此时,本实施例中的基于用户画像信息和历史行为信息,确定用户的肤质信息可以包括:
步骤S301:获取商品数据库中与用户存在交互行为的关联商品信息。
其中,由于商品数据库中与用户存在历史行为的商品能够在一定程度上反映出用户的偏好特征以及用户的当前肤质特征,例如:在用户针对油性的美妆商品有过交互的情况下,则油性的美妆商品能够在一定程度上标识出用户当前的肤质特征为油性类型;在用户针对干性的美妆商品有过交互的情况下,则干性的美妆商品能够在一定程度上标识出用户当前的肤质特征为干性类型等等。
基于上述陈述内容,为了能够提高对用户的肤质信息进行确定的准确可靠性,可以获取商品数据库中与用户存在交互行为的关联商品信息,在一些实例中,关联商品信息可以通过用户日志信息(可以包括:用户的交易记录、用户的行为记录等等)来确定,此时,获取商品数据库中与用户存储交互行为的关联商品信息可以包括:获取与用户相对应的用户日志信息;基于用户日志信息来获取商品数据库中与用户存在交互行为的关联商品信息,该关联商品信息可以包括以下至少之一:商品标题、商品图片、商品类目、商品标签、商品销量、商品适用肤质等等。
步骤S302:基于用户画像信息、历史行为信息以及关联商品信息,在商品数据库中确定用户的肤质信息。
在获取到用户画像信息、历史行为信息以及关联商品信息之后,可以对用户画像信息、历史行为信息以及关联商品信息进行分析处理,以在商品数据库中确定用户的肤质信息,在一些实例中,用户的肤质信息可以通过预设的肤质预测模型来确定,此时,基于用户画像信息、历史行为信息以及关联商品信息,在商品数据库中确定用户的肤质信息可以包括:获取用于预测肤质信息的肤质预测模型;利用肤质预测模型对用户画像信息、历史行为信息以及关联商品信息进行处理,获得用户的肤质信息。
具体的,为了能够利用机器学习模型来确定用户的肤质信息,可以先获取用于预测肤质信息的肤质预测模型,在一些实例中,在肤质预测模型是预先训练好的、存储在预设区域中的机器学习模型时,通过访问预设区域即可获取到预先训练好的肤质预测模型。在另一些实例中,在肤质预测模型不是预先训练好的、存储在预设区域中的机器学习模型时,则可以先进行肤质预测模型的训练操作,此时,获取用于预测肤质信息的肤质预测模型可以包括:获取用户的实际肤质信息、用户画像信息、用户的历史行为以及关联商品信息;基于用户的实际肤质信息、用户画像信息、用户的历史行为以及关联商品信息进行模型训练操作,获得肤质预测模型,这样有效地保证了对肤质预测模型进行获取的准确可靠性。
在获取到肤质预测模型之后,可以利用肤质预测模型对用户画像信息、历史行为信息以及关联商品信息进行处理,具体的,可以将用户画像信息、历史行为信息以及关联商品信息输入至肤质预测模型中,从而可以获得肤质预测模型所输出的用户的肤质信息,这样有效地保证了对用户的肤质信息进行获取的准确可靠性。
本实施例中,通过获取商品数据库中与用户存在交互行为的关联商品信息,而后基于用户画像信息、历史行为信息以及关联商品信息,在商品数据库中确定用户的肤质信息,从而有效地保证了对用户的肤质信息进行确定的灵活可靠性。
图4为本发明实施例提供的一种商品推荐方法的流程示意图;在上述任意一个实施例的基础上,参考附图4所示,在确定与用户相对应的推荐商品之后,本实施例中可以对用户当前存在的肤质问题进行显示,此时,本实施例中的方法还可以包括:
步骤S401:获取与推荐商品相对应的显示页面。
在确定与用户相对应的推荐商品之后,可以获取与推荐商品相对应的显示页面,该显示页面可以为以下至少之一:用于对推荐商品进行显示的推广首页、用于对推荐商品进行详细介绍的详情页、用于对推荐商品进行显示的其他推广页面。为了能够准确地对推荐商品进行显示,可以获取与推荐商品相对应的显示页面,该显示页面可以为预先配置好的、存储在预设区域或者预设平台中的页面,在确定与用户相对应的推荐商品之后,可以通过访问预设区域或者预设平台获取与推荐商品相对应的显示页面。
步骤S402:基于用户的肤质信息,确定用户当前存在的肤质问题。
在获取到用户的肤质信息之后,不仅可以结合用户的肤质信息来进行商品的推荐操作,还能够基于用户的肤质信息来确定用户当前存在的肤质问题,其中,用户当前存在的肤质问题的数量可以为一个或多个。在一些实例中,肤质问题可以通过预先训练好的机器学习模型或者神经网络模型来确定,此时,基于用户的肤质信息,确定用户当前存在的肤质问题可以包括:获取预先训练好的机器学习模型或者神经网络模型;将用户的肤质信息输入至机器学习模型或者神经网络模型中,获得机器学习模型或者神经网络模型输出的用户当前存在的肤质问题。
在另一些实例中,不仅可以通过预先训练好的机器学习模型或者神经网络模型来确定用户当前存在的肤质问题,还可以通过预设阈值来确定用户当前存在的肤质问题,此时,基于用户的肤质信息,确定用户当前存在的肤质问题可以包括:获取与用户的肤质信息相对应的预测概率值;获取预测概率值大于或等于预设阈值的所有备选肤质问题;而后按照预测概率值从大到小对所有备选肤质问题进行排序,而后在排序后的所有备选肤质问题中,选择排序在前N个的备选肤质问题确定为用户当前存在的肤质问题,从而有效地保证了对用户当前存在的肤质问题进行准确地确定操作。
举例来说,用户的肤质信息所对应的预测概率值如下表所示,在预设阈值为65%时,则可以获取到所有预测概率值大于或等于预设阈值的所有备选肤质问题,所有备选肤质问题可以包括:有痤疮问题、有毛孔问题、有色斑问题、有皱纹问题、有黑眼圈。而后可以按照预测概率值从大到小对所有备选肤质问题进行排序,从而可以获得以下排序信息:有毛孔问题>有色斑问题>有黑眼圈>有痤疮问题>有皱纹问题。当需要确定的用户当前存在的肤质问题的数量N为2时,则可以将上述的“有毛孔问题”和“有色斑问题”确定为用户当前存在的肤质问题,这样有效地保证了对用户当前存在的肤质问题进行确定的准确可靠性。
维度 | 取值以及预测概率值 |
是否有痤疮 | 是(65.23%) |
是否有毛孔问题 | 明显(95.65%) |
是否有色斑问题 | 是(85.84%) |
是否有皱纹 | 是(65.21%) |
是否有黑眼圈 | 是(69.03%) |
是否有黑头 | 是(50.9%) |
步骤S403:在显示界面中对肤质问题进行显示。
在获取到肤质问题之后,可以在显示界面中对肤质问题进行显示,在一些实例中,显示界面中可以配置有用于对肤质问题进行显示的预设区域,而后通过预设区域对肤质问题进行显示,预设区域可以位于显示界面的上部、中部、下部等等。在另一些实例中,肤质问题可以以弹窗、对话框、飘窗的方式在显示界面中进行显示,只要能够使得用户通过显示界面可以快速地查看到肤质问题即可。
在又一些实例中,在通过显示界面对肤质问题进行显示时,可以对推荐商品以及肤质问题进行结合显示,此时,在显示界面中对肤质问题进行显示可以包括:获取推荐商品的组成成分以及各个组成成分所对应的功效信息;检测所有的功效信息中是否存在与肤质问题相对应的适配功效;当存在与肤质问题相对应的适配功效的情况下,则在显示界面中对肤质问题以及适配功效进行突出显示。
具体的,在获取推荐商品之后,可以基于推荐商品获取推荐商品的组成成分以及各个组成成本所对应的功效信息,在一些实例中,功效信息和组成成分可以存储在与推荐商品相对应的预设数据库中,通过访问预设数据库即可获取推荐商品的组成成分以及各个组成成分所对应的功效信息,举例来说,推荐商品的组成成分可以包括:波色因、玻尿酸、传明酸、视黄醇,上述的组成成分各自对应的功效信息可以包括:与波色因相对应的去黑眼圈功效、与玻尿酸相对应的保湿抗皱功效、与传明酸相对应的提亮皮肤的颜色功效、与视黄醇相对应的抗衰功效等等。
在获取到推荐商品的组成成分以及各个组成成分所对应的功效信息之后,可以检测所有的功效信息中是否存在与肤质问题相对应的适配功效,当不存在与肤质问题相对应的适配功效的情况下,则可以直接对推荐商品进行显示,或者,禁止在推荐商品所对应的显示界面中对肤质问题进行显示;当存在与肤质问题相对应的适配功效的情况下,则可以在显示界面中对肤质问题以及适配功效进行突出显示,例如:可以对肤质问题和适配功效进行高亮显示等等,能够使得用户可以通过显示界面快速、直观地查看到推荐商品的突出亮点以及用户当前存在的肤质问题,这样有利于提高商品的成交量和转换率。
本实施例中,通过获取与推荐商品相对应的显示页面,而后基于用户的肤质信息确定用户当前存在的肤质问题,并在显示界面中对肤质问题进行显示,这样使得用户可以通过显示界面中快速查看到肤质问题,而后便于借助肤质问题来促进商品成交操作,这样有利于提高商品的成交量和转化率,进一步提高了该方法的实用性。
图5为本发明实施例提供的另一种商品推荐方法的流程示意图;在上述任意一个实施例的基础上,参考附图5所示,在确定用户的肤质信息之后,可以基于肤质信息为用户提供相适配的护肤信息,此时,本实施例中的方法可以包括:
步骤S501:基于肤质信息和用户画像信息,生成与用户相对应的护肤信息。
步骤S502:对护肤信息进行显示。
在获取到用户的肤质信息之后,不仅可以结合用户的肤质信息来进行商品的推荐操作,还能够结合用户的肤质信息来为用户提供相适配的护肤信息,该护肤信息可以包括以下至少之一:护肤方法、护肤教程、护肤食谱等等。具体的,可以对肤质信息和用户画像信息进行分析处理,例如:可以通过预设算法或者预先训练好的机器学习模型、神经网络模型来对肤质信息和用户画像信息进行分析处理,从而稳定地生成与用户相对应的护肤信息。需要注意的是,所生成的护肤信息可以是与用户的肤质信息相适配的,同一个用户对应有不同的肤质信息时,可以生成不同的护肤信息;对应有相同肤质信息的不同用户而言,所生成的护肤信息可以相同或者不同,这样有效地实现了能够为用户进行个性化的护肤信息的确定操作。在生成与用户相对应的护肤信息之后,可以对护肤信息进行显示,从而能够使得用户可以及时地查看到护肤信息,以便用户可以基于护肤信息进行相对应的护肤操作。
本实施例中,通过肤质信息和用户画像信息,生成与用户相对应的护肤信息,而后对护肤信息进行显示,以便用户可以基于护肤信息进行相对应的护肤操作,进一步提高了该方法的实用性。
图6为本发明实施例提供的又一种商品推荐方法的流程示意图;在上述实施例的基础上,参考附图6所示,在生成与用户相对应的护肤信息之后,可以基于护肤信息来进行直播间的跳转操作,此时,本实施例中的方法可以包括:
步骤S601:获取当前进行中的多个直播间。
步骤S602:检测多个直播间中是否存在与护肤信息相适配的目标直播间。
步骤S603:当存在与护肤信息相适配的目标直播间时,则跳转至目标直播间。
在生成与用户相对应的护肤信息之后,为了能够跳转到与护肤信息相对应的直播间,可以获取当前进行中的多个直播间,具体的,不同状态的直播间可以对应有不同的状态标识,因此,可以基于直播间的状态标识来获取当前进行中的多个直播间,在获取到当前进行中的多个直播间之后,可以对多个直播间和护肤信息进行分析匹配操作,以检测多个直播间中是否存在与护肤信息相适配的目标直播间,在一些实例中,检测多个直播间中是否存在与护肤信息相适配的目标直播间可以包括:获取多个直播间各自对应的商品信息以及当前播报信息;在商品信息、当前播放信息与护肤信息相匹配时,则可以将商品信息以及当前播放信息所对应的直播间确定为与护肤信息相适配的目标直播间;在商品信息、当前播放信息与护肤信息不匹配时,则可以将商品信息以及当前播放信息所对应的直播间确定为与护肤信息不匹配的目标直播间。
当存在与护肤信息相适配的目标直播间时,为了能够使得用户更加高效地了解到护肤方式,并提高商品的转化率,则可以直接跳转至目标直播间,即由对护肤信息进行显示的显示界面直接跳转至目标直播间,由于该目标直播间是与护肤信息存在关联关系的直播间,因此,用户可以通过目标直播间中的主播了解到更多的护肤信息,并可以直接查找到相对应的护肤产品,从而减少了用户进行商品搜索的操作,这样有利于保证用户了良好体验性。
相对应的,当不存在与护肤信息相适配的目标直播间时,则可以保持对护肤信息的显示操作,用户可以根据需求对页面中显示的护肤信息进行交互,例如:查看详情操作、护肤信息的下载操作、护肤信息的收藏操作、护肤信息的关闭显示操作等等,这样能够满足不同用户的个性化需求,进而有利于保证用户的良好体验性。
在又一些实例中,在跳转至目标直播间之后,可以在目标直播间中显示用户的肤质分布信息,具体的,本实施例中的方法可以包括:获取目标直播间中的观众用户信息;利用肤质预测模型对观众用户信息进行分析处理,获得与目标直播间中的观众用户相对应的肤质分布信息;对肤质分布信息进行显示,以辅助目标直播间中的主播进行直播操作。
在跳转至目标直播间之后,为了提高目标直播间的直播质量和效果,在目标直播间的主播或者主持人进行播报操作时,可以获取目标直播间中的观众用户信息,可以理解的是,不同的时刻所对应的观众用户信息可以不同;为了能够准确地进行数据处理操作,可以按照预设频率(5min/次、10min/次、15min/次)来获取目标直播间中的当前观众用户信息,在获取到观众用户信息之后,可以利用上述实施例中的肤质预测模型对所有的观众用户信息进行分析处理,从而可以获得与目标直播间中的观众用户相对应的肤质分布信息。例如:油性皮肤的用户占比65%,有毛孔问题的用户占比52%等等。
在获取到肤质分布信息之后,可以对肤质分布信息进行显示,具体的,可以在直播终端的显示界面中为主播显示肤质分布信息,这样可以使得目标直播间中的主播可以直接查看到肤质分布信息,并可以结合肤质分布信息来对播报内容进行灵活的调整操作,例如:在直播间中的观众用户中,油性皮肤的用户占比65%时,则可以针对适用于油性皮肤的商品进行介绍和说明;在直播间中的观众用户中,有毛孔问题的用户占比52%,则可以针对解决毛孔问题的商品进行介绍和说明,从而有效地保证了直播质量和效果,这样不仅提高了肤质预测模型的实用性,并且还有利于提高商品的成交量以及用户的良好体验性。
本实施例中,通过获取当前进行中的多个直播间,检测多个直播间中是否存在与护肤信息相适配的目标直播间,而后当存在与护肤信息相适配的目标直播间时,则跳转至目标直播间,从而使得用户可以通过目标直播间中的主播了解到更多的护肤信息,并可以直接查找到相对应的护肤产品,从而减少了用户进行商品搜索的操作,这样有利于保证用户了良好体验性。
具体应用时,参考附图7-图8所示,本实施例提供了一种用户肤质信息的预测方法,该方法可以结合人工智能、大数据等技术预测用户肤质,具体的,该预测方法可以包括以下步骤:
步骤1:获取用户的真实肤质信息。
其中,真实肤质信息可以通过对面部图像进行分析处理所获得,在一些实例中,可以先获取到多个用户(例如:数十万或者数百万的用户)的面部图像,而后利用图像识别算法或者图像识别模型对面部图像进行分析处理,从而可以获得用户的真实肤质信息(即为精准肤质信息)。
在另一些实例中,还可以通过在导购页面中进行交互操作或者问卷调查的方式来获得用户的真实肤质信息,具体的,在通过交互操作或者问卷调查的方式来获取真实肤质信息时,在导购页面中以及问卷调查的页面中会存在指示信息或者说明信息,所显示的指示信息和说明信息可以向用户解释每个维度以及取值的具体含义以及特征,以指引用户选择自身肤质及皮肤问题,从而方便用户对真实肤质信息进行理解并选择,例如:“毛孔问题的严重程度为细致<清晰<明显,“清晰”即为“有毛孔问题”,“细致”即为“无毛孔问题”,这样可以获得较为准确的真实肤质信息。
步骤2:确定与用户的真实肤质信息相对应的用户画像信息、历史行为信息以及关联商品信息。
其中,历史行为信息可以通过用户行为数据库所获得,上述的用户行为数据库中存储有用户在平台中所产生的任意行为,例如:点击行为、收藏行为、加购行为、购买行为等等。
步骤3:基于用户画像信息、历史行为信息、关联商品信息以及真实肤质信息进行模型训练操作,获得肤质预测模型。
由于不同肤质信息的用户往往会选择不同类型的美妆商品,例如:油性皮肤的用户通常会选择购买去油类的洗面奶,黑头用户会对去黑头类产品感兴趣而产生点击/加购/购买等行为。因此,为了能够准确地进行肤质预测操作,可以将步骤1和步骤2中收集的真实肤质信息(也可以称为肤质档案)作为训练标签(l abe l)来训练深度学习模型,训练数据的特征包括:用户画像信息(男/女、年纪、所属地区等)、商品数据库中的当前用户有交互的关联商品信息(商品标题、图片、类目、商品标签、适用肤质问题、商品销量等)、历史行为信息(例如:用户对美妆产品的搜索/点击/收藏/加购/购买行为等),上述训练使用的模型为有监督多分类graphsage模型。通过丰富的用户行为,结合用户侧信息和商品侧信息,让模型学习到各种肤质问题、用户的行为模式和购物偏好,这样有效地保证了肤质预测模型的训练质量和效果。
步骤4:利用肤质预测模型来预测用户的肤质信息。
获取用户的用户画像信息、历史行为信息、关联商品信息,利用肤质预测模型对用户画像信息、历史行为信息和关联商品信息进行分析处理,获得用户的肤质信息;这样有效地实现了可以对美妆行业中的商品有过交互的任意历史用户均可进行肤质信息的预测操作。
需要注意的是,由于低活跃度用户的历史行为信息较少,其预测结果的置信度可能较低,因此,为了能够保证肤质信息预测的准确可靠性,可设置一定的置信度阈值对肤质信息的预测结果进行过滤。
进一步的,在获取到肤质信息之后,为了便于用户对所预测的肤质信息进行查看,可以在显示页面中对肤质信息进行显示,如图8所示,在显示界面中可以对肤质信息(或称为肤质档案)进行显示,在显示界面的中部,可以对肤质信息的概况进行显示,并且在概况的上端可以显示多个用于与用户进行交互操作的控件,例如:用于实现肤质概况进行预览操作的“肤质预览控件”、用于实现对黑眼圈信息进行预览操作的“黑眼圈控件”、用于实现对色斑信息进行预览操作的“色斑控件”、用于实现对眼角细纹信息进行预览操作的“眼角细纹控件”、用于对毛孔信息进行预览操作的“毛孔控件”等等,用户可以根据需求与上述控件进行交互,以实现对应信息的预览或者查看操作。
另外,在对肤质信息的概况进行显示时,在肤质信息的概况的一侧,还可以显示用于对本地预测结果进行查看的“本次检测控件”以及对上次预测结果进行查看的“上次检测控件”,当用户本地进行的肤质预测操作为第一次预测操作时,则上次预测结果为空值。并且,在肤质信息的概况的下端,可以对该用户的主要肤质特征进行显示,例如:用户的整体肤质为混合偏干肤质、用户皮肤的颜色为自然颜色、用户为非敏感肌等特征,以使得用户可以快速查看到主要的肤质特征。
此外,为了能够提高该方法的实用性,在对肤质信息进行显示的同时,还可以针对肤质信息所对应的护肤信息进行显示,该护肤信息可以以“近期护肤重点”的方式在肤质信息的概况的下端进行显示,例如:针对用户存在的重度黑眼圈问题,可以显示的护肤信息为“调整睡眠时间、配合咖啡因、胜肽类产品可改善”,针对用户存在的中度色斑问题,可以显示的护肤信息为“需避免紫外线损伤,避免因光老化造成的色沉问题”等等,这样使得用户可以更加直观地查看到护肤信息,进一步提高了该方法的实用性。
另一方面,在显示界面的下端可以显示用于实现测肤操作的拍摄控件,并且,在拍摄控件的上端显示有用于提示用户进行肤质信息的预测操作的提示信息,例如:提示信息可以为“测一测肤质”等等,或者,若用户已经很久没有进行肤质预测操作了,还可以基于用户未进行肤质预测操作的时间来生成提示信息,例如:“你已经7天没有测肤啦”,以提醒用户进行肤质预测操作。
经过上述过程,即完成了肤质信息的预测操作,为了能够进一步提高该方法的实用性,所预测的肤质信息可以用于进行商品推荐操作或者其他操作,具体包括:
步骤5:基于用户的肤质信息,确定与用户相适配的推荐商品,并针对推荐商品进行个性化的导购操作。
在获取到用户的肤质信息之后,可以将用户肤质档案作为用户侧特征用于个性化推荐操作,例如:在电商推荐系统中,往往有丰富的特征,例如:用户侧特征、商品侧特征、用户和商品的交互行为特征等,通过肤质预测模型产出的肤质信息可作为用户侧特征输入推荐系统模型,这样可以有效地提高推荐系统模型的训练质量和效果,进而有利于提高推荐商品的准确率。
在推荐商品的显示页面(例如:首页推荐、搜索页面推荐、产品详情页等)中,可结合模型预测的肤质档案进行个性化的决策因子表达,通过个性化地展示当前商品对当前用户肤质相匹配的信息,能够有效提高商品转化率。例如:模型预测用户A是油性皮肤、有黑眼圈和黑头问题,那么,在商品满足条件的情况下,可为用户A展示该商品所具有的以下优势:“油性皮肤用户80%好评”、“AI预测您在为以下问题烦恼:黑眼圈、黑头”,有效地提高了推荐商品与用户的相关性。
另外,肤质信息还可以用于进行广告定向投放,具体的,将预测肤质信息中的每一种肤质、每一种皮肤问题作为人群包提供给广告投放系统,为这些用户提供精准的广告投放,解决用户的皮肤问题,提供更适合用户的化妆品或护肤品。或者,肤质信息还可以用于真假人识别,例如:获取视频中用户的面部特征、虹膜特征以及肤质信息,基于面部特征、虹膜特征以及肤质信息判断视频中的用户是否为真人;在面部特征、虹膜特征以及肤质信息与预设的标准面部特征、标准虹膜特征以及标准肤质信息相匹配时,则确定视频中的用户为真人;在不匹配时,则确定视频中的用户为假人。
此外,在确定与用户相适配的推荐商品之后,可以获取用户针对推荐商品的反馈信息,具体可以通过行为日志来获取用户针对推荐商品的反馈信息,从而使得用户的行为数据变得更加丰富,并且,上述的反馈信息可以继续用于模型的训练,即将更多用户反馈信息(是否点击、是否购买)对肤质预测模型进行优化更新,获得优化后的肤质预测模型,这样可以进一步提升肤质预测模型的预测质量和效果。
本应用实施例提供的技术方案,充分利用了用户历史对美妆产品的交互行为数据进行肤质预测模型的训练操作,获得肤质预测模型,所获得的肤质预测模型可以对全量用户进行肤质预测,产出大规模的用户的肤质信息,所获得的肤质信息可以有助于帮助用户改善皮肤状况,并且,在获取到肤质信息之后,可以将肤质信息应用在商品详情页/推荐/广告投放等应用场景中进行更强、相关性更高的导购服务,这样不仅推荐操作的可解释性强,推荐结果更精准,并且可以提高商品的转化率和成交量,进一步提高了该方法的实用性,有利于市场的推广与应用。
图9为本发明实施例提供的一种商品推荐装置的结构示意图;参考附图9所示,本实施例提供了一种商品推荐装置,该商品推荐装置用于执行上述图2所示的商品推荐方法,具体的,该商品推荐装置可以包括:
第一获取模块11,用于获取用户画像信息以及用户的历史行为信息;
第一确定模块12,用于基于用户画像信息和历史行为信息,确定用户的肤质信息;
第一处理模块13,用于基于肤质信息、用户画像信息和历史行为信息,在预设的商品数据库中确定与用户相对应的推荐商品。
在一些实例中,在第一确定模块12基于用户画像信息和历史行为信息,确定用户的肤质信息时,该第一确定模块12用于执行:获取用于预测肤质信息的肤质预测模型;利用肤质预测模型对用户画像信息和历史行为信息进行处理,获得用户的肤质信息。
在一些实例中,在第一确定模块12基于用户画像信息和历史行为信息,确定用户的肤质信息时,该第一确定模块12用于执行:获取商品数据库中与用户存在交互行为的关联商品信息;基于用户画像信息、历史行为信息以及关联商品信息,在商品数据库中确定用户的肤质信息。
在一些实例中,在第一确定模块12基于用户画像信息、历史行为信息以及关联商品信息,在商品数据库中确定用户的肤质信息时,该第一确定模块12用于执行:获取用于预测肤质信息的肤质预测模型;利用肤质预测模型对用户画像信息、历史行为信息以及关联商品信息进行处理,获得用户的肤质信息。
在一些实例中,在确定与用户相对应的推荐商品之后,本实施例中的第一获取模块11和第一处理模块13用于执行以下步骤:
第一获取模块11,用于获取用户对推荐商品输入的反馈信息;
第一处理模块13,用于基于反馈信息对肤质预测模型进行优化,获得优化后的肤质预测模型。
在一些实例中,在确定与用户相对应的推荐商品之后,本实施例中的第一获取模块11和第一处理模块13用于执行以下步骤:
第一获取模块11,用于获取与推荐商品相对应的显示页面;
第一处理模块13,用于基于用户的肤质信息,确定用户当前存在的肤质问题;
第一处理模块13,用于在显示界面中对肤质问题进行显示。
在一些实例中,在第一处理模块13在显示界面中对肤质问题进行显示时,该第一处理模块13用于执行:获取推荐商品的组成成分以及各个组成成分所对应的功效信息;检测所有的功效信息中是否存在与肤质问题相对应的适配功效;当存在与肤质问题相对应的适配功效的情况下,则在显示界面中对肤质问题以及适配功效进行突出显示。
在一些实例中,在确定用户的肤质信息之后,本实施例中的第一处理模块13用于执行以下步骤:基于肤质信息和用户画像信息,生成与用户相对应的护肤信息;对护肤信息进行显示。
在一些实例中,在生成与用户相对应的护肤信息之后,本实施例中的第一获取模块11和第一处理模块13用于执行以下步骤:
第一获取模块11,用于获取当前进行中的多个直播间;
第一处理模块13,用于检测多个直播间中是否存在与护肤信息相适配的目标直播间;当存在与护肤信息相适配的目标直播间时,则跳转至目标直播间。
在一些实例中,在跳转至目标直播间之后,本实施例中的第一获取模块11和第一处理模块13用于执行以下步骤:
第一获取模块11,用于获取目标直播间中的观众用户信息;
第一处理模块13,用于利用肤质预测模型对观众用户信息进行分析处理,获得与目标直播间中的观众用户相对应的肤质分布信息;对肤质分布信息进行显示,以辅助目标直播间中的主播进行直播操作。
图9所示装置可以执行图1-图8所示实施例的方法,本实施例未详细描述的部分,可参考对图1-图8所示实施例的相关说明。该技术方案的执行过程和技术效果参见图1-图8所示实施例中的描述,在此不再赘述。
在一个可能的设计中,图9所示商品推荐装置的结构可实现为一电子设备,该电子设备可以是控制器、个人电脑、服务器等各种设备。如图10所示,该电子设备可以包括:第一处理器21和第一存储器22。其中,第一存储器22用于存储相对应电子设备执行上述图1-图8所示实施例中提供的商品推荐方法的程序,第一处理器21被配置为用于执行第一存储器22中存储的程序。
程序包括一条或多条计算机指令,其中,一条或多条计算机指令被第一处理器21执行时能够实现如下步骤:获取用户画像信息以及用户的历史行为信息;基于用户画像信息和历史行为信息,确定用户的肤质信息;基于肤质信息、用户画像信息和历史行为信息,在预设的商品数据库中确定与用户相对应的推荐商品。
进一步的,第一处理器21还用于执行前述图1-图8所示实施例中的全部或部分步骤。
其中,电子设备的结构中还可以包括第一通信接口23,用于电子设备与其他设备或通信网络通信。
另外,本发明实施例提供了一种计算机存储介质,用于储存电子设备所用的计算机软件指令,其包含用于执行上述图1-图8所示实施例中商品推荐方法所涉及的程序。
此外,本发明实施例提供了一种计算机程序产品,包括:存储有计算机指令的计算机可读存储介质,当计算机指令被一个或多个处理器执行时,致使一个或多个处理器执行上述图1-图8所示方法实施例中商品推荐方法中的步骤。
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,并且相关数据的收集、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,并提供有相应的操作入口,供用户选择授权或者拒绝。
以上所描述的装置实施例仅仅是示意性的,其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助加必需的通用硬件平台的方式来实现,当然也可以通过硬件和软件结合的方式来实现。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以计算机产品的形式体现出来,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程设备的处理器以产生一个机器,使得通过计算机或其他可编程设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,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发明各实施例技术方案的精神和范围。
Claims (12)
1.一种商品推荐方法,其特征在于,包括:
获取用户画像信息以及用户的历史行为信息;
基于所述用户画像信息和所述历史行为信息,确定所述用户的肤质信息;
基于所述肤质信息、所述用户画像信息和所述历史行为信息,在预设的商品数据库中确定与所述用户相对应的推荐商品。
2.根据权利要求1所述的方法,其特征在于,基于所述用户画像信息和所述历史行为信息,确定所述用户的肤质信息,包括:
获取用于预测肤质信息的肤质预测模型;
利用所述肤质预测模型对所述用户画像信息和所述历史行为信息进行处理,获得所述用户的肤质信息。
3.根据权利要求1所述的方法,其特征在于,基于所述用户画像信息和所述历史行为信息,确定所述用户的肤质信息,包括:
获取所述商品数据库中与用户存在交互行为的关联商品信息;
基于所述用户画像信息、历史行为信息以及所述关联商品信息,在所述商品数据库中确定所述用户的肤质信息。
4.根据权利要求3所述的方法,其特征在于,基于所述用户画像信息、历史行为信息以及所述关联商品信息,在所述商品数据库中确定所述用户的肤质信息,包括:
获取用于预测肤质信息的肤质预测模型;
利用所述肤质预测模型对所述用户画像信息、历史行为信息以及所述关联商品信息进行处理,获得所述用户的肤质信息。
5.根据权利要求1-4中任意一项所述的方法,其特征在于,在确定与所述用户相对应的推荐商品之后,所述方法还包括:
获取用户对所述推荐商品输入的反馈信息;
基于所述反馈信息对所述肤质预测模型进行优化,获得优化后的肤质预测模型。
6.根据权利要求1-4中任意一项所述的方法,其特征在于,在确定与所述用户相对应的推荐商品之后,所述方法还包括:
获取与所述推荐商品相对应的显示页面;
基于所述用户的肤质信息,确定所述用户当前存在的肤质问题;
在所述显示界面中对所述肤质问题进行显示。
7.根据权利要求6所述的方法,其特征在于,在所述显示界面中对所述肤质问题进行显示,包括:
获取所述推荐商品的组成成分以及各个组成成分所对应的功效信息;
检测所有的功效信息中是否存在与所述肤质问题相对应的适配功效;
当存在与所述肤质问题相对应的适配功效的情况下,则在所述显示界面中对所述肤质问题以及所述适配功效进行突出显示。
8.根据权利要求1-4中任意一项所述的方法,其特征在于,在确定所述用户的肤质信息之后,所述方法还包括:
基于所述肤质信息和所述用户画像信息,生成与所述用户相对应的护肤信息;
对所述护肤信息进行显示。
9.根据权利要求8所述的方法,其特征在于,在生成与所述用户相对应的护肤信息之后,所述方法还包括:
获取当前进行中的多个直播间;
检测多个直播间中是否存在与所述护肤信息相适配的目标直播间;
当存在与所述护肤信息相适配的目标直播间时,则跳转至所述目标直播间。
10.根据权利要求9所述的方法,其特征在于,在跳转至所述目标直播间之后,所述方法还包括:
获取所述目标直播间中的观众用户信息;
利用所述肤质预测模型对所述观众用户信息进行分析处理,获得与所述目标直播间中的观众用户相对应的肤质分布信息;
对所述肤质分布信息进行显示,以辅助所述目标直播间中的主播进行直播操作。
11.一种商品推荐装置,其特征在于,包括:
第一获取模块,用于获取用户画像信息以及用户的历史行为信息;
第一确定模块,用于基于所述用户画像信息和所述历史行为信息,确定所述用户的肤质信息;
第一处理模块,用于基于所述肤质信息、所述用户画像信息和所述历史行为信息,在预设的商品数据库中确定与所述用户相对应的推荐商品。
12.一种电子设备,其特征在于,包括:存储器、处理器;其中,所述存储器用于存储一条或多条计算机指令,其中,所述一条或多条计算机指令被所述处理器执行时实现如权利要求1-10中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311806044.9A CN118014672A (zh) | 2023-12-25 | 2023-12-25 | 商品推荐方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311806044.9A CN118014672A (zh) | 2023-12-25 | 2023-12-25 | 商品推荐方法、装置及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118014672A true CN118014672A (zh) | 2024-05-10 |
Family
ID=90950836
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311806044.9A Pending CN118014672A (zh) | 2023-12-25 | 2023-12-25 | 商品推荐方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118014672A (zh) |
-
2023
- 2023-12-25 CN CN202311806044.9A patent/CN118014672A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sarstedt et al. | Treating unobserved heterogeneity in PLS path modeling: a comparison of FIMIX-PLS with different data analysis strategies | |
CN109543925B (zh) | 基于机器学习的风险预测方法、装置、计算机设备和存储介质 | |
CN109582876B (zh) | 旅游行业用户画像构造方法、装置和计算机设备 | |
CN109816483B (zh) | 信息推荐方法及装置、可读存储介质 | |
KR102246109B1 (ko) | 소비자 선호도에 기반한 상품 추천 시스템 및 방법 | |
CN115917535A (zh) | 推荐模型的训练方法、推荐方法、装置及计算机可读介质 | |
Ye et al. | MasterplanGAN: Facilitating the smart rendering of urban master plans via generative adversarial networks | |
CN111061979B (zh) | 一种用户标签的推送方法、装置、电子设备和介质 | |
US10346861B2 (en) | Adaptive sampling scheme for imbalanced large scale data | |
US11809969B2 (en) | Dynamically integrating interactive machine learning multi-models | |
CN112529665A (zh) | 基于组合模型的产品推荐方法、装置及计算机设备 | |
KR102086600B1 (ko) | 상품 구매 정보 제공 장치 및 방법 | |
CN118014672A (zh) | 商品推荐方法、装置及设备 | |
KR20230111986A (ko) | 라이브 쇼핑 추천 방법 및 그를 위한 라이브 쇼핑 추천 시스템 | |
Kafkalias et al. | Bias in Face Image Classification Machine Learning Models: The Impact of Annotator’s Gender and Race | |
KR20220022767A (ko) | 광고 분석 시스템 및 방법 | |
CN111915339A (zh) | 数据的处理方法、装置及设备 | |
CN112925972B (zh) | 信息推送方法、装置、电子设备和存储介质 | |
US20230334815A1 (en) | Cognitive load scoring of a visual stimulus | |
US20230334830A1 (en) | Emotional resonance scoring of a visual stimulus | |
US20230334817A1 (en) | Information density mapping of a visual stimulus | |
US20230334511A1 (en) | Visual attention likelihood estimations for objects of a visual stimulus | |
US20230329607A1 (en) | Behavioral intent estimation for a visual stimulus | |
CN113515635A (zh) | 历史通话的处理方法与装置 | |
CN118096308A (zh) | 产品推荐方法、装置、设备、介质及程序产品 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |