WO2020029401A1 - 商品推荐方法、装置、计算机设备及计算机可读存储介质 - Google Patents

商品推荐方法、装置、计算机设备及计算机可读存储介质 Download PDF

Info

Publication number
WO2020029401A1
WO2020029401A1 PCT/CN2018/107970 CN2018107970W WO2020029401A1 WO 2020029401 A1 WO2020029401 A1 WO 2020029401A1 CN 2018107970 W CN2018107970 W CN 2018107970W WO 2020029401 A1 WO2020029401 A1 WO 2020029401A1
Authority
WO
WIPO (PCT)
Prior art keywords
product
similar
target
score
user
Prior art date
Application number
PCT/CN2018/107970
Other languages
English (en)
French (fr)
Inventor
吴壮伟
Original Assignee
平安科技（深圳）有限公司
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 平安科技（深圳）有限公司 filed Critical 平安科技（深圳）有限公司
Publication of WO2020029401A1 publication Critical patent/WO2020029401A1/zh

Links

Images

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

Definitions

  • the present application relates to the field of Internet technologies, and in particular, to a method, device, computer device, and computer-readable storage medium for product recommendation.
  • the recommendation system obtains user preferences by extracting and analyzing user data, behaviors, and ratings to help e-commerce find products that users may purchase.
  • User-based collaborative filtering is a very successful and widely used recommendation technology.
  • User-based collaborative filtering uses user rating data to calculate similarity between users, find similar user groups of target users, and then based on similarity User group ratings to predict the unknown ratings of the product by the target user.
  • the user's rating data currently used is basically the rating data of the user's real product ratings, but since users cannot score every product, the rating data will have many empty ratings.
  • the general approach is to abandon these scoring nulls, and use the user's rating of commonly overrated products to find similar target user groups. Ignoring empty ratings will lead to a decrease in the accuracy of similar user groups, or even the calculation of similar users when the scoring matrix is too sparse, which leads to the inability to accurately recommend products to target users based on similar user groups.
  • the embodiments of the present application provide a method, an apparatus, a computer device, and a computer-readable storage medium for recommending products, which aim to improve the accuracy of recommending products.
  • an embodiment of the present application provides a method for recommending a product.
  • the method includes: obtaining a first real rating matrix of multiple users for multiple products, the multiple users including a target user and multiple ordinary users;
  • the first real scoring matrix obtains all the products for which the target user has not performed real scoring, and uses each non-scored product as the target product; and calculates the target user for the target product according to the first real scoring matrix.
  • first virtual scoring matrix of the target user on the plurality of products To obtain a first virtual scoring matrix of the target user on the plurality of products; obtain a second virtual scoring matrix of the plurality of ordinary users on the plurality of products; and according to the first virtual scoring
  • the matrix and the second virtual scoring matrix calculate the similarity between each ordinary user and the target user to obtain a similar user set of the target user; each similar user pair is obtained from the second virtual scoring matrix
  • the score of the target product calculated based on the score of each similar user on the same target product and the similarity of each similar user
  • the recommendation score of the same target product The recommendation score of the same target product; recommending the product to the user according to the recommendation score of each target product.
  • an embodiment of the present application further provides a product recommendation device, where the product recommendation device includes a unit for implementing the method for product recommendation described in the first aspect.
  • an embodiment of the present application further provides a computer device including a memory and a processor connected to the memory; the memory is configured to store a computer program that implements a method for recommending a product; and the processor is configured to run a computer.
  • a computer program stored in the memory to perform the method as described in the first aspect above.
  • an embodiment of the present application provides a computer-readable storage medium.
  • the computer-readable storage medium stores one or more computer programs, and the one or more computer programs can be processed by one or more.
  • the processor executes to implement the method described in the first aspect.
  • FIG. 1 is a schematic flowchart of a product recommendation method according to an embodiment of the present application
  • FIG. 2 is a schematic diagram of a sub-process of a product recommendation method according to an embodiment of the present application
  • FIG. 3 is a schematic diagram of a sub-process of a product recommendation method according to another embodiment of the present application.
  • FIG. 4 is a schematic diagram of a sub-process of a product recommendation method according to another embodiment of the present application.
  • FIG. 5 is a schematic diagram of a sub-process of a product recommendation method according to another embodiment of the present application.
  • FIG. 6 is a schematic block diagram of a product recommendation device according to an embodiment of the present application.
  • FIG. 7 is a schematic block diagram of a subunit of a product recommendation device according to an embodiment of the present application.
  • FIG. 8 is a schematic block diagram of a subunit of a product recommendation device according to another embodiment of the present application.
  • FIG. 9 is a schematic block diagram of a subunit of a product recommendation device according to another embodiment of the present application.
  • FIG. 10 is a schematic block diagram of a subunit of a product recommendation device according to another embodiment of the present application.
  • FIG. 11 is a schematic block diagram of a structure of a computer device according to an embodiment of the present application.
  • FIG. 1 is a schematic flowchart of a product recommendation method according to an embodiment of the present application. The method includes steps S101 to S108.
  • the ordinary user is relative to the target user, that is, other users who are not the target user are ordinary users. When the situation changes, the ordinary user can be the target user. Users can also be used as regular users.
  • the user ’s unrated product ’s corresponding rating value is a null value.
  • Recommending products to users is generally recommended based on the common preferences of similar users. The user has not rated the product, so it is impossible to know the user ’s rating of the product. Are you interested? However, if you remove items that are not rated by the user (equivalent to the user ’s rating of the product as 0), it is not scientific to find similar users of a user, because removing unrated products sets users There is no interest in this product, but the situation may often be the opposite, because it is impossible for users to rate all the products that are of interest. In order to be able to find similar users of the target user more accurately, it is necessary to predict the ratings of the products that the target user has not rated In addition, the supplemental score is a dummy value, not a real value.
  • step S103 includes steps S1031-S1035.
  • Any product has similar products, for example, the same type of products are similar products, such as badminton, table tennis, badminton rackets, basketball, etc. These are sports products and are similar products.
  • the embodiment of the present application predicts the target user's score on the target product by finding similar product sets of the target product.
  • the true scores of similar products by all users are used to predict the target user's ratings of the similar products, that is, the target users' preliminary evaluation of the similar products is preliminarily predicted according to public psychology.
  • a target product has M similar products
  • the target user's virtual score for the target product is calculated according to the following formula:
  • x i represents the similarity between the i-th similar product and the target product
  • f i is the predicted score of the i-th similar product by the target user
  • a j represents the virtual score of the target product by the target user.
  • the target user's preliminary evaluation of similar products that is, the predicted score
  • use the similarity of each similar product to the target product to weight the predicted score of the similar product, and then combine the weighted score of the overall similar product set to obtain the virtual score of the target product.
  • the greater the similarity the more important the corresponding similar products are to the target product's prediction, and the higher the weight, the more accurate the virtual score obtained.
  • the first virtual score matrix is obtained by combining the target user's real scores of the products that have been actually scored and the target user's virtual scores of all target products.
  • the virtual score is used to supplement the target user's corresponding unrated product, and then combined with the target user's real rating of the rated product, the target user's ratings for all products can be obtained, that is, the first virtual rating matrix is obtained.
  • step S1031 includes steps S1031a-S1031c.
  • S1031a Obtain a first label set where each other product is labeled and a second label set where the target product is labeled.
  • the labels used by users are labels provided by the product consumption platform or customized labels.
  • the user-tag-product (commodity) relationship data is obtained by crawling the data of the user-labeled tags for the products, and all the tags marked with any product can be obtained through the user-tag-product relationship data when needed.
  • the first threshold value is 0.2-0.4, and in the embodiments of the present application, 0.2, 0.3, or 0.4 may be selected. If the similarity is greater than or equal to the first threshold, the corresponding product is a similar product.
  • the real scores of each of the similar products by the several users include a first real score of each similar product by a plurality of ordinary users and a second real score of each similar product by the target user.
  • step S1033 includes steps S1033a-S1031c.
  • the target user can be known whether the target user has actually scored a similar product. For similar products that have not been truly scored, the average score of the similar product is used as the target user's predicted score for the similar product. The target user corrects the second true score of the similar product and the average score of the similar product, and calculates the predicted score by adding corresponding weights.
  • the virtual score matrix for any ordinary user can be obtained by calculating the first virtual score matrix of the target user. It is calculated and saved when each ordinary user is the target user.
  • the virtual score matrices of all ordinary users are combined to form the second
  • the products included in the virtual score matrix, the first virtual score matrix, and the second virtual score matrix are the same.
  • the first virtual scoring matrix is added to the second virtual scoring matrix after the first virtual scoring matrix of the new target user is calculated, so that the second virtual scoring matrix for ordinary users is continuously expanded. So far, neither the target user's rating matrix for the plurality of products nor the average user's rating matrix for the plurality of products have null ratings.
  • step S104 and steps S101-S103 are not necessarily sequential in time, and step S104 need only be completed before step S105.
  • first virtual scoring matrix and the second virtual scoring matrix can be used to accurately obtain the similar user set of the target user.
  • the set of common interests can predict the interests of target users.
  • step S105 includes steps S1051-S1052.
  • N is the total number of products included in the first virtual rating matrix or the second virtual rating matrix
  • a j represents the target user's rating of the j-th product (the rating is the target user's real rating or virtual rating)
  • b j represents a general user's rating of the j-th product (the rating is the user's real rating or virtual rating)
  • r is the Pearson correlation coefficient.
  • the second threshold value is 0.4-0.6.
  • the first threshold value is 0.4, 0.5, or 0.6.
  • the third virtual scoring matrix includes each similar user ’s rating of any target product, either a real rating or a virtual rating. If similar users have rated a target product, it is a true rating, otherwise it is a virtual rating.
  • Similar users rate the same target product as real or virtual.
  • K target products U similar users
  • si represents the similarity of the i-th similar user
  • p ij indicates the rating of the j-th target product by the i-th similar user.
  • the calculation formula of the recommended score P j is as follows:
  • the target product's rating uses the similarity of each similar user to weight the target user's rating of the target product. The greater the similarity, the greater the corresponding similar user's rating contributes to the recommendation. The higher the weight, the more comprehensive each The weighted scores of similar users get the overall evaluation of the target product by similar user groups to accurately predict the recommended score of each target product.
  • N target products are recommended to target users to improve the accuracy of product recommendation, where N is 5-10, and in one embodiment, N is 10.
  • the product recommendation method provided in the embodiment of the present application completes items that are not scored by the user in the product's rating matrix to obtain a virtual rating matrix without null values, and then searches for the target user's Similar user set, finally recommend products to users based on the similar user set's rating data on the product; using the supplemental scoring virtual scoring matrix to find the similar user set of the target user can improve the calculation accuracy of similar users, thereby improving the accuracy of product recommendation .
  • FIG. 6 is a schematic block diagram of a product recommendation device 100 according to an embodiment of the present application.
  • the product recommendation device 100 includes a unit for executing the above product recommendation method.
  • the product recommendation device 100 includes a first obtaining unit 101, a second obtaining unit 102, a first calculating unit 103, a third obtaining unit 104, and a second calculating unit. 105.
  • the first obtaining unit 101 is configured to obtain first real scoring matrices of a plurality of users on a plurality of products, where the plurality of users include a target user and a plurality of ordinary users.
  • the second obtaining unit 102 is configured to obtain, according to the first real scoring matrix, all products for which the target user has not performed real scoring, and use each of the products for which no real scoring has been performed as target products.
  • the first calculation unit 103 is configured to calculate a virtual score of the target user on the target product according to the first real score matrix, so as to obtain a first virtual score matrix of the target user on the multiple products.
  • the third obtaining unit 104 is configured to obtain second virtual scoring matrices of the plurality of ordinary users on the plurality of products.
  • the second calculation unit 105 is configured to calculate the similarity between each ordinary user and the target user according to the first virtual score matrix and the second virtual score matrix to obtain a similar user set of the target user.
  • the fourth obtaining unit 106 is configured to obtain, from the second virtual scoring matrix, the ratings of each similar user for all target products.
  • the third calculation unit 107 is configured to calculate a recommendation score of the same target product according to the score of each similar user on the same target product and the similarity of each similar user.
  • the recommendation unit 108 is configured to recommend a product to a user according to a recommendation score of each target product.
  • the first calculation unit 103 includes the following subunits:
  • a first calculation subunit 1031 is configured to calculate the similarity between a target product and other products in the plurality of products, respectively, to obtain a similar product set of the target product; a first acquisition subunit 1032 is configured to obtain from the The first real score matrix obtains the real scores of each of the similar products from the plurality of users; and a second calculation subunit 1033 is configured to calculate the target user's rating of the target user based on the real scores of the same similar products by the several users.
  • Predicted scores of similar products a third calculation subunit 1034, configured to calculate a virtual score of the target user on the target product according to the predicted score of each similar product and the similarity corresponding to each similar product; and a second acquisition A sub-unit 1035 is configured to obtain the first virtual score matrix by combining the target user's real scores of the products that have been actually scored and the target user's virtual scores of all target products.
  • the second calculation unit 105 includes the following subunits:
  • a fourth calculation subunit 1051 is configured to calculate a Pearson correlation coefficient between each ordinary user and the target user according to the first virtual score matrix and the second virtual score matrix; and a first confirmation subunit 1052, Therefore, if the Pearson correlation coefficient is greater than or equal to the second threshold, the corresponding ordinary user is confirmed as a similar user of the target user to obtain the similar user set.
  • the first calculation subunit 1031 includes:
  • a third acquisition subunit 1031a configured to acquire a first label set labeled with each other product and a second label set labeled with the target product;
  • a fifth calculation subunit 1031b which is used according to the formula Calculate the similarity of each other item to the target item, where
  • a second confirmation subunit 1031c is configured to determine the corresponding other products as similar products of the target product if the similarity is greater than or equal to the first threshold, to obtain a similar product set of the target product.
  • the real scores of each of the similar products by the plurality of users include a first real score of each similar product by a plurality of ordinary users and a second true score of each similar product by the target user.
  • the second calculation subunit 1033 includes:
  • the foregoing product recommendation device 100 corresponds to the foregoing product recommendation method.
  • the above product recommendation device 100 may be implemented in the form of a computer program, and the computer program may be run on a computer device as shown in FIG. 11.
  • FIG. 11 is a schematic block diagram of a structure of a computer device 200 according to an embodiment of the present application.
  • the computer device 200 may be a terminal or a server.
  • the terminal may be an electronic device with a communication function, such as a smart phone, a tablet computer, a notebook computer, a desktop computer, a personal digital assistant, and a wearable device.
  • the server can be an independent server or a server cluster consisting of multiple servers.
  • the computer device 200 includes a processor 202, a memory, and a network interface 205 connected through a system bus 201.
  • the memory may include a non-volatile storage medium 203 and an internal memory 204.
  • the non-volatile storage medium 203 of the computer device 200 may store an operating system 2031 and a computer program 2032. When the computer program 2032 is executed, the processor 202 may execute a product recommendation method.
  • the internal memory 204 provides an environment for running the computer program 2032 in the non-volatile storage medium 203.
  • the processor 202 of the computer device 200 is used to provide computing and control capabilities to support the operation of the entire computer device 200.
  • the network interface 205 of the computer device 200 is used for network communication, such as sending assigned tasks and receiving data.
  • the embodiment of the computer device shown in FIG. 11 does not constitute a limitation on the specific configuration of the computer device.
  • the computer device may include more or fewer components than shown in the figure. Either some parts are combined or different parts are arranged.
  • the computer device may include only a memory and a processor. In such an embodiment, the structures and functions of the memory and the processor are consistent with the embodiment shown in FIG. 11, and details are not described herein again.
  • the processor 202 may be a central processing unit (CPU), and the processor 202 may also be another general-purpose processor, a digital signal processor (Digital Signal Processor, DSP), Application-specific integrated circuits (Application Specific Integrated Circuits, ASICs), ready-made programmable gate arrays (Field-Programmable Gate Arrays, FPGAs) or other programmable logic devices, discrete gate or transistor logic devices, discrete hardware components, etc.
  • the general-purpose processor may be a microprocessor, or the processor may be any conventional processor.
  • the computer program includes program instructions, and the computer program may be stored in a storage medium, and the storage medium is a computer-readable storage medium.
  • the program instructions are executed by at least one processor in the computer system to implement the process steps of the embodiment of the method.
  • the present application also provides a computer-readable storage medium, where the computer-readable storage medium stores one or more computer programs, and the one or more computer programs can be executed by one or more processors.
  • the one or more programs are executed by one or more processors, which can implement all the embodiments of the above product recommendation method.
  • the computer-readable storage medium may be a non-volatile storage medium, which is an internal storage unit of the foregoing device, such as a hard disk or a memory of the device, and the storage medium may also be an external storage device of the device, such as on the device. Equipped with plug-in hard disk, Smart Memory Card (SMC), Secure Digital (SD) card, Flash Card, U disk, mobile hard disk, Read-Only Memory, A variety of computer-readable storage media, such as ROM), magnetic disks, or optical disks, that can store program codes. Further, the computer-readable storage medium may also include both an internal storage unit of the device and an external storage device.

Landscapes

  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种商品推荐方法、装置、计算机设备及计算机可读存储介质。将用户对商品的评分矩阵中未进行评分的项进行补全，得到不具有空值的虚拟评分矩阵，再根据补充评分后的虚拟评分矩阵寻找目标用户的相似用户集，最后根据相似用户集对商品的评分数据向用户推荐商品；利用补充评分后的虚拟评分矩阵寻找目标用户的相似用户集可提高相似用户的计算准确率，从而提高商品推荐的准确率。

Description

商品推荐方法、装置、计算机设备及计算机可读存储介质
本申请要求于2018年08月09日提交中国专利局、申请号为201810902692.7、申请名称为“商品推荐方法、装置、计算机设备及存储介质”的中国专利申请的优先权，其全部内容通过引用结合在本申请中。
技术领域
本申请涉及互联网技术领域，尤其涉及一种商品推荐方法、装置、计算机设备及计算机可读存储介质。
背景技术
随着电子商务的快速发展，推荐系统已经被广泛研究和应用，推荐系统通过提取分析用户的资料、行为、评分等数据来获取用户的喜好，以帮助电商找到用户可能购买的产品。
基于用户的协同过滤是一种非常成功并应用广泛的推荐技术，基于用户的协同过滤是采用用户对商品的评分数据来计算用户之间的相似度，寻找目标用户的相似用户群，然后根据相似用户群的评分来预测目标用户对产品的未知评分。目前所采用的用户的评分数据基本是用户商品真实评分过的评分数据，但由于用户不可能对每一个产品都进行过评分，评分数据中会具有很多评分空值。一般的做法是摒弃这些评分空值，利用用户对共同评过分的商品的评分情况来寻找目标的相似用户群。忽略评分空值会导致相似用户群的寻找准确率下降，或者当评分矩阵过于稀疏时甚至无法进行相似用户的计算，这导致依据无法依据相似用户群准确地向目标用户进行商品推荐。
发明内容
本申请实施例提供了一种商品推荐方法、装置、计算机设备及计算机可读存储介质，旨在提高商品推荐的准确率。
第一方面，本申请实施例提供了一种商品推荐方法，该方法包括：获取若干用户对多个商品的第一真实评分矩阵，所述若干用户包括目标用户和多个普 通用户；根据所述第一真实评分矩阵获取所述目标用户未进行真实评分的所有商品，分别将每一未进行真实评分的商品作为目标商品；根据所述第一真实评分矩阵计算所述目标用户对所述目标商品的虚拟评分，以得到所述目标用户对所述多个商品的第一虚拟评分矩阵；获取所述多个普通用户对所述多个商品的第二虚拟评分矩阵；根据所述第一虚拟评分矩阵及所述第二虚拟评分矩阵计算每个普通用户与所述目标用户的相似度，以得到所述目标用户的相似用户集；从所述第二虚拟评分矩阵中获取每一相似用户对所有目标商品的评分；根据每一相似用户对同一目标商品的评分以及每一相似用户的相似度计算所述同一目标商品的推荐评分；根据每一目标商品的推荐评分向用户推荐商品。
第二方面，本申请实施例还提供了一种商品推荐装置，所述商品推荐装置包括用于实现第一方面所述的商品推荐方法的单元。
第三方面，本申请实施例还提供了一种计算机设备，包括存储器，以及与所述存储器相连的处理器；所述存储器用于存储实现商品推荐方法的计算机程序；所述处理器用于运行所述存储器中存储的计算机程序，以执行如上述第一方面所述的方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有一个或者一个以上计算机程序，所述一个或者一个以上计算机程序可被一个或者一个以上的处理器执行，以实现上述第一方面所述的方法。
附图说明
图1是本申请一实施例提供的一种商品推荐方法的流程示意图；
图2是本申请一实施例提供的一种商品推荐方法的子流程示意图；
图3是本申请另一实施例提供的一种商品推荐方法的子流程示意图；
图4是本申请另一实施例提供的一种商品推荐方法的子流程示意图；
图5是本申请另一实施例提供的一种商品推荐方法的子流程示意图；
图6是本申请一实施例提供的一种商品推荐装置的示意性框图；
图7是本申请一实施例提供的一种商品推荐装置的子单元示意性框图；
图8是本申请另一实施例提供的一种商品推荐装置的子单元示意性框图；
图9是本申请另一实施例提供的一种商品推荐装置的子单元示意性框图；
图10是本申请另一实施例提供的一种商品推荐装置的子单元示意性框图；
图11是本申请实施例提供的一种计算机设备的结构示意性框图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
图1为本申请实施例提供的一种商品推荐方法的流程示意图，该方法包括步骤S101～S108。
S101、获取若干用户对多个商品的第一真实评分矩阵，所述若干用户包括目标用户和多个普通用户。
从商品消费平台中爬取商品信息以及所有用户购买商品以及对商品评分的评分记录，将这些商品信息以及用户的评分记录进行统计，得到所有用户(即上述若干用户)对商品消费平台中所有商品(即上述多个商品)的第一真实评分矩阵。当具有目标用户时，需要向目标用户推荐商品，普通用户是相对目标用户而言，即不作为目标用户的其他用户都是为普通用户，当情况发生改变时，普通用户可以作为目标用户，目标用户也可作为普通用户。
并非所有客户都会对所有商品进行评分，大多情况下，一个用户只会对一种或几种商品进行评分，因此第一真实评分矩阵中会具有许多空值，例如下表1所示。
表1：
Figure PCTCN2018107970-appb-000001
第一真实评分矩阵中用户未评分的商品对应的评分值是一个空值，向用户推荐商品一般是基于相似用户的共同偏好来推荐的，用户未对商品评分，因此无法得知用户对该商品是否感兴趣，然而，如果剔除用户未评分的商品(相当于用户对该商品的评分为0)，以此来寻找一用户的相似用户，这并不科学， 因为剔除未评分商品设定了用户对该商品无兴趣，但情况可能往往相反，因为用户不可能对所有感兴趣的商品进行评分，为了能够更准确地找到目标用户的相似用户，需要对目标用户未进行评分的商品进行评分的预测补充，补充的评分是一个虚拟值，并非真实值。
S102、根据所述第一真实评分矩阵获取所述目标用户未进行真实评分的所有商品，分别将每一未进行真实评分的商品作为目标商品。
S103、根据所述第一真实评分矩阵计算所述目标用户对所述目标商品的虚拟评分，以得到所述目标用户对所述多个商品的第一虚拟评分矩阵。
将目标用户未进行真实评分的每一个商品作为目标商品，即可能需要向用户推荐的商品，计算目标用户对每一目标商品的虚拟评分，用虚拟评分填补第一真实评分矩阵中的对应评分空值，得到针对目标用户的不具有空值的第一虚拟评分矩阵。
在一实施例中，如图2所示，步骤S103包括步骤S1031-S1035。
S1031、分别计算一目标商品与所述多个商品中的其它商品的相似度，以得到所述目标商品的相似商品集。
任何商品都有与其相似的商品，例如，同一种类的商品为相似商品，比如羽毛球、乒乓球、羽毛球拍、篮球等，这些均为运动类商品，为相似商品。本申请实施例通过找到目标商品的相似商品集来预测目标用户对目标商品的评分。
S1032、从所述第一真实评分矩阵中获取所述若干用户对每个相似商品的真实评分。
S1033、根据所述若干用户对同一相似商品的真实评分计算所述目标用户对所述相似商品的预测评分。
在本实施例中，利用所有用户对相似商品的真实评分来预测目标用户对该相似商品的评分，即根据大众心理来初步预测目标用户对相似商品的评价。
S1034、根据每一相似商品的预测评分和每一相似商品对应的相似度计算所述目标用户对所述目标商品的虚拟评分。
在一实施例中，假设一目标商品具有M个相似商品，具体根据以下公式计算所述目标用户对所述目标商品的虚拟评分：
Figure PCTCN2018107970-appb-000002
其中，x i表示第i个相似商品与目标商品的相似度，f i为目标用户对第i个相似商品的预测评分，a j表示目标用户对目标商品的虚拟评分。
得到目标用户对相似商品的初步评价即预测评分之后，利用每一个相似商品与目标商品的相似度对该相似商品的预测评分进行加权，再结合整体相似商品集的加权评分得到目标商品的虚拟评分。相似度越大，对应的相似商品对目标商品的预测重要性越搞，加权越高，得到的虚拟评分越准确。
S1035、结合所述第一真实评分矩阵中所述目标用户对已进行真实评分的商品的真实评分以及所述目标用户对所有目标商品的虚拟评分得到所述第一虚拟评分矩阵。
利用虚拟评分对目标用户对应未评分的商品进行评分的补充，再结合目标用户对已评分商品的真实评分，即可得到目标用户对所有商品的评分，即得到第一虚拟评分矩阵。
在一实施例中，如图3所示，步骤S1031包括步骤S1031a-S1031c。
S1031a、分别获取每一其它商品被标记的第一标签集合以及所述目标商品被标记的第二标签集合。
用户除了会对商品进行评分之外，还会为商品打上标签，用户使用的标签为商品消费平台提供的标签或自定义的标签。爬取用户为商品标记标签的数据得到用户-标签-商品(商品)的关系数据，需要时通过用户-标签-商品的关系数据可以获取任意商品被标记的所有标签。
S1031b、根据公式
Figure PCTCN2018107970-appb-000003
计算每一项其它商品与所述目标商品的相似度，其中，|T i|表示所述第一标签集合的标签总数量，|T j|表示所述第二标签集合的标签总数量，|T i∩T j|表示第一标签集合与第二标签集合的交集所包含的标签的总数量，x表示相似度。
两个商品共同拥有相同标签的数目越多，则这两个商品越相似。
S1031c、若所述相似度大于或等于第一阈值，则将对应的其它商品确定为所述目标商品的相似商品，以得到所述目标商品的相似商品集。
在本申请中，第一阈值为0.2-0.4，在本申请实施例中可选为0.2、0.3或0.4。若相似度大于或等于第一阈值，则对应的商品为相似商品。
步骤S1032中的所述若干用户对每个相似商品的真实评分包括了多个普通用户对每个相似商品的第一真实评分以及所述目标用户对每个相似商品的第二真实评分。
在一实施例中，如图4所示，步骤S1033包括步骤S1033a-S1031c。
S1033a、根据所述多个普通用户对同一相似商品的第一真实评分计算所述 同一相似商品的平均评分。
平均评分指的是已对该相似商品进行真实评分的用户对该相似商品评分的平均值，即进行真实评分的用户对该相似商品的评分之和除以对该相似商品进行过评分的用户总数量，如上表1，假设I2为一相似商品，则I2的平均评分t＝(3+3+2)/3＝2.67。
S1033b、若所述目标用户对所述相似商品已进行真实评分，则根据公式f＝q1*t1+q2*t2计算所述目标用户对所述相似商品的预测评分，其中，f表示所述预测评分，t1表示所述相似商品的平均评分，q1表示所述平均评分的第一预设权重，t2表示目标用户对所述相似商品的第二真实评分，q2表示所述第二真实评分的第二预设权重，且q1+q2＝1。
S1033c、若所述目标用户未对所述相似商品进行真实评分，则将所述相似商品的平均评分确定为所述目标用户对所述相似商品的预测评分。
通过第一真实评分矩阵可知目标用户是否对一相似商品进行过真实评分，对于未进行过真实评分的相似商品，将该相似商品的平均评分作为目标用户对该相似商品的预测评分，否则，结合目标用户对该相似商品的第二真实评分以及该相似商品的平均评分进行修正，加以对应的权重计算预测评分。
通过多次试验和统计可知，当基于q1＝0.2，q2＝0.8时计算得到的预测评分来预测用户可能购买的商品，得到的预测准确率最高，因此，在一实施例中，令q1＝0.2，q2＝0.8。
S104、获取所述多个普通用户对所述多个商品的第二虚拟评分矩阵。
对于任意一普通用户的虚拟评分矩阵均可通过目标用户的第一虚拟评分矩阵的计算方法得到，在每一个普通用户作为目标用户之时计算并保存，所有普通用户的虚拟评分矩阵结合形成第二虚拟评分矩阵，第一虚拟评分矩阵和第二虚拟评分矩阵所包含的商品相同。当有新的目标用户时，在计算新的目标用户的第一虚拟评分矩阵后将该第一虚拟评分矩阵添加至该第二虚拟评分矩阵，如此普通用户的第二虚拟评分矩阵不断得到扩充。至此，目标用户对该多个商品的评分矩阵以及普通用户对该多个商品的评分矩阵中均不具有评分空值。
需要说明的是，步骤S104与步骤S101-S103在时间上无必然的先后顺序，步骤S104只需在步骤S105之前完成即可。
S105、根据所述第一虚拟评分矩阵及所述第二虚拟评分矩阵计算每个普通用户与所述目标用户的相似度，以得到所述目标用户的相似用户集。
第一虚拟评分矩阵以及所述第二虚拟评分矩阵中均不具有评分空值，利用第一虚拟评分矩阵以及所述第二虚拟评分矩阵可以较为准确地得到目标用户的相似用户集，利用相似用户集的共同兴趣，可以预测目标用户的兴趣。
在一实施例中，如图5所示，步骤S105包括步骤S1051-S1052。
S1051、根据所述第一虚拟评分矩阵及所述第二虚拟评分矩阵分别计算每一普通用户与所述目标用户的Pearson相关系数。
一普通用户与目标用户之间的Pearson相关系数的计算公式如下：
Figure PCTCN2018107970-appb-000004
其中，N为第一虚拟评分矩阵或所述第二虚拟评分矩阵包含的商品的总数，a j表示目标用户对第j个商品的评分(该评分为目标用户的真实评分或虚拟评分)，b j表示一普通用户对第j个商品的评分(该评分为用户的真实评分或虚拟评分)，r为Pearson相关系数。
S1052、若所述Pearson相关系数大于或等于第二阈值，则将对应的普通用户确认为所述目标用户的相似用户，以得到所述相似用户集。
第二阈值为0.4-0.6，在一实施例中，第一阈值取值为0.4、0.5或0.6。
S106、从所述第二虚拟评分矩阵中获取每一相似用户对所有目标商品的评分。
第三虚拟评分矩阵中包括了每一个相似用户对任意目标商品的评分，或为真实评分，或为虚拟评分，若相似用户对一目标商品进行过评分，则为真实评分，否则为虚拟评分。
S107、根据每一相似用户对同一目标商品的评分以及每一相似用户的相似度计算所述同一目标商品的推荐评分。
相似用户对同一目标商品的评分为真实评分或虚拟评分。假设具有K个目标商品，U个相似用户，用s i表示第i个相似用户的相似度，p ij表示第i个目相似用户对第j个目标商品的评分，则第j个目标商品的推荐评分P j的计算公式如下：
Figure PCTCN2018107970-appb-000005
为了在目标用户未评分过的商品(即目标商品)中找到目标用户比较感兴趣的商品，继而向用户推荐其感兴趣的商品，需要通过相似用户集对目标商品的共同评分来预测目标用户对目标商品的评分，利用每个相似用户的相似度对 该相似用户对目标商品的评分进行加权，相似度越大，对应的相似用户的评分对推荐的贡献越大，加权越高，综合每个相似用户加权后的评分得到相似用户群体对目标商品的整体评价，以准确地预测每个目标商品的推荐评分。
S108、根据每一目标商品的推荐评分向用户推荐商品。
推荐评分越高，目标用户对对应的目标商品的兴趣越大，计算出目标用户对于所有目标商品的推荐评分之后，将目标商品按推荐评分从高到低的顺序排序，取出排位在前的N个目标商品推荐给目标用户，提高商品推荐的准确率，其中N为5-10，在一实施例中N取10。
本申请实施例提供的商品推荐方法，将用户对商品的评分矩阵中未进行评分的项进行补全，得到不具有空值的虚拟评分矩阵，再根据补充评分后的虚拟评分矩阵寻找目标用户的相似用户集，最后根据相似用户集对商品的评分数据向用户推荐商品；利用补充评分后的虚拟评分矩阵寻找目标用户的相似用户集可提高相似用户的计算准确率，从而提高商品推荐的准确率。
图6为本申请实施例提供的一种商品推荐装置100的示意性框图。该商品推荐装置100包括用于执行上述商品推荐方法的单元，该商品推荐装置100包括第一获取单元101、第二获取单元102、第一计算单元103、第三获取单元104、第二计算单元105、第四获取单元106、第三计算单元107以及推荐单元108。
第一获取单元101用于获取若干用户对多个商品的第一真实评分矩阵，所述若干用户包括目标用户和多个普通用户。第二获取单元102用于根据所述第一真实评分矩阵获取所述目标用户未进行真实评分的所有商品，分别将每一未进行真实评分的商品作为目标商品。第一计算单元103用于根据所述第一真实评分矩阵计算所述目标用户对所述目标商品的虚拟评分，以得到所述目标用户对所述多个商品的第一虚拟评分矩阵。第三获取单元104用于获取所述多个普通用户对所述多个商品的第二虚拟评分矩阵。第二计算单元105用于根据所述第一虚拟评分矩阵及所述第二虚拟评分矩阵计算每个普通用户与所述目标用户的相似度，以得到所述目标用户的相似用户集。第四获取单元106用于从所述第二虚拟评分矩阵中获取每一相似用户对所有目标商品的评分。第三计算单元107用于根据每一相似用户对同一目标商品的评分以及每一相似用户的相似度计算所述同一目标商品的推荐评分。推荐单元108用于根据每一目标商品的推荐评分向用户推荐商品。
在一实施例中，如图7所示，所述第一计算单元103包括以下子单元：
第一计算子单元1031，用于分别计算一目标商品与所述多个商品中的其它 商品的相似度，以得到所述目标商品的相似商品集；第一获取子单元1032，用于从所述第一真实评分矩阵中获取所述若干用户对每个相似商品的真实评分；第二计算子单元1033，用于根据所述若干用户对同一相似商品的真实评分计算所述目标用户对所述相似商品的预测评分；第三计算子单元1034，用于根据每一相似商品的预测评分和每一相似商品对应的相似度计算所述目标用户对所述目标商品的虚拟评分；以及第二获取子单元1035，用于结合所述第一真实评分矩阵中所述目标用户对已进行真实评分的商品的真实评分以及所述目标用户对所有目标商品的虚拟评分得到所述第一虚拟评分矩阵。
在一实施例中，如图8所示，所述第二计算单元105包括以下子单元：
第四计算子单元1051，用于根据所述第一虚拟评分矩阵及所述第二虚拟评分矩阵分别计算每一普通用户与所述目标用户的Pearson相关系数；以及第一确认子单元1052，用于若所述Pearson相关系数大于或等于第二阈值，则将对应的普通用户确认为所述目标用户的相似用户，以得到所述相似用户集。
在一实施例中，如图9所示，第一计算子单元1031包括：
第三获取子单元1031a，用于分别获取每一其它商品被标记的第一标签集合以及所述目标商品被标记的第二标签集合；
第五计算子单元1031b，用于根据公式
Figure PCTCN2018107970-appb-000006
计算每一项其它商品与所述目标商品的相似度，其中，|T i|表示所述第一标签集合的标签总数量，|T j|表示所述第二标签集合的标签总数量，|T i∩T j|表示第一标签集合与第二标签集合的交集所包含的标签的总数量，x表示相似度；以及
第二确认子单元1031c，用于若所述相似度大于或等于第一阈值，则将对应的其它商品确定为所述目标商品的相似商品，以得到所述目标商品的相似商品集。
在一实施例中，所述若干用户对每个相似商品的真实评分包括多个普通用户对每个相似商品的第一真实评分以及所述目标用户对每个相似商品的第二真实评分。
如图10所示，第二计算子单元1033包括：
第六计算子单元1033a，用于根据所述多个普通用户对同一相似商品的第一真实评分计算所述同一相似商品的平均评分；第七计算子单元1033b，用于若所述目标用户对所述相似商品已进行真实评分，则根据公式f＝q1*t1+q2*t2 计算所述目标用户对所述相似商品的预测评分，其中，f表示所述预测评分，t1表示所述相似商品的平均评分，q1表示所述平均评分的第一预设权重，t2表示目标用户对所述相似商品的第二真实评分，q2表示所述第二真实评分的第二预设权重，且q1+q2＝1；以及确定子单元1033c，用于若所述目标用户未对所述相似商品进行真实评分，则将所述相似商品的平均评分确定为所述目标用户对所述相似商品的预测评分。
上述商品推荐装置100与前述商品推荐方法对应，本实施例中对商品推荐装置100未详尽之处可参考前述方法实施例，此处不做赘述。上述商品推荐装置100可以实现为一种计算机程序的形式，计算机程序可以在如图11所示的计算机设备上运行。
图11为本申请实施例提供的一种计算机设备200的结构示意性框图。该计算机设备200，该计算机设备200可以是终端，也可以是服务器，其中，终端可以是智能手机、平板电脑、笔记本电脑、台式电脑、个人数字助理和穿戴式设备等具有通信功能的电子设备。服务器可以是独立的服务器，也可以是多个服务器组成的服务器集群。
该计算机设备200，包括通过系统总线201连接的处理器202、存储器和网络接口205，其中，存储器可以包括非易失性存储介质203和内存储器204。
该计算机设备200的非易失性存储介质203可存储操作系统2031和计算机程序2032，该计算机程序2032被执行时，可使得处理器202执行一种商品推荐方法。该内存储器204为非易失性存储介质203中的计算机程序2032的运行提供环境。该计算机设备200的处理器202用于提供计算和控制能力，支撑整个计算机设备200的运行。计算机设备200的网络接口205用于进行网络通信，如发送分配的任务、接收数据等。
本领域技术人员可以理解，图11中示出的计算机设备的实施例并不构成对计算机设备具体构成的限定，在其他实施例中，计算机设备可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。例如，在一些实施例中，计算机设备可以仅包括存储器及处理器，在这样的实施例中，存储器及处理器的结构及功能与图11所示实施例一致，在此不再赘述。
处理器202运行非易失性存储介质203中的计算机程序2032时可执行上述商品推荐方法的所有实施例的实现方式。
应当理解，在本申请实施例中，处理器202可以是中央处理单元(Central Processing Unit，CPU)，该处理器202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。其中，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。
本领域普通技术人员可以理解的是实现上述实施例的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。该计算机程序包括程序指令，计算机程序可存储于一存储介质中，该存储介质为计算机可读存储介质。该程序指令被该计算机系统中的至少一个处理器执行，以实现上述方法的实施例的流程步骤。
因此，本申请还提供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一个或者一个以上计算机程序，所述一个或者一个以上计算机程序可被一个或者一个以上的处理器执行，当所述一个或者一个以上程序被一个或者一个以上的处理器执行，可实现上述商品推荐方法的所有实施例。
所述计算机可读存储介质，可以是非易失存储介质，是前述设备的内部存储单元，例如设备的硬盘或内存，所述存储介质也可以是所述设备的外部存储设备，例如所述设备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)、U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、磁碟或者光盘等各种可以存储程序代码的计算机可读存储介质。进一步地，所述计算机可读存储介质还可以既包括所述设备的内部存储单元也包括外部存储设备。
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、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。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。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims (20)

  1. 一种商品推荐方法，，包括：
    获取若干用户对多个商品的第一真实评分矩阵，所述若干用户包括目标用户和多个普通用户；
    根据所述第一真实评分矩阵获取所述目标用户未进行真实评分的所有商品，分别将每一未进行真实评分的商品作为目标商品；
    根据所述第一真实评分矩阵计算所述目标用户对所述目标商品的虚拟评分，以得到所述目标用户对所述多个商品的第一虚拟评分矩阵；
    获取所述多个普通用户对所述多个商品的第二虚拟评分矩阵；
    根据所述第一虚拟评分矩阵及所述第二虚拟评分矩阵计算每个普通用户与所述目标用户的相似度，以得到所述目标用户的相似用户集；
    从所述第二虚拟评分矩阵中获取每一相似用户对所有目标商品的评分；
    根据每一相似用户对同一目标商品的评分以及每一相似用户的相似度计算所述同一目标商品的推荐评分；
    根据每一目标商品的推荐评分向用户推荐商品。
  2. 根据权利要求1所述的商品推荐方法，其中，所述根据所述第一真实评分矩阵计算所述目标用户对所述目标商品的虚拟评分，以得到所述目标用户对所述多个商品的第一虚拟评分矩阵，包括：
    分别计算一目标商品与所述多个商品中的其它商品的相似度，以得到所述目标商品的相似商品集；
    从所述第一真实评分矩阵中获取所述若干用户对每个相似商品的真实评分；
    根据所述若干用户对同一相似商品的真实评分计算所述目标用户对所述相似商品的预测评分；
    根据每一相似商品的预测评分和每一相似商品对应的相似度计算所述目标用户对所述目标商品的虚拟评分；
    结合所述第一真实评分矩阵中所述目标用户对已进行真实评分的商品的真实评分以及所述目标用户对所有目标商品的虚拟评分得到所述第一虚拟评分矩阵。
  3. 根据权利要求2所述的商品推荐方法，其中，所述分别计算一目标商品与所述多个商品中的其它商品的相似度，以得到所述目标商品的相似商品集，包括：
    分别获取每一其它商品被标记的第一标签集合以及所述目标商品被标记的第二标签集合；
    根据公式
    Figure PCTCN2018107970-appb-100001
    计算每一项其它商品与所述目标商品的相似度，其中，|T i|表示所述第一标签集合的标签总数量，|T j|表示所述第二标签集合的标签总数量，|T i∩T j|表示第一标签集合与第二标签集合的交集所包含的标签的总数量，x表示相似度；
    若所述相似度大于或等于第一阈值，则将对应的其它商品确定为所述目标商品的相似商品，以得到所述目标商品的相似商品集。
  4. 根据权利要求2所述的商品推荐方法，其中，所述若干用户对每个相似商品的真实评分包括多个普通用户对每个相似商品的第一真实评分以及所述目标用户对每个相似商品的第二真实评分；
    所述根据所述若干用户对同一相似商品的真实评分计算所述目标用户对所述相似商品的预测评分，包括：
    根据所述多个普通用户对同一相似商品的第一真实评分计算所述同一相似商品的平均评分；
    若所述目标用户对所述相似商品已进行真实评分，则根据公式f＝q1*t1+q2*t2计算所述目标用户对所述相似商品的预测评分，其中，f表示所述预测评分，t1表示所述相似商品的平均评分，q1表示所述平均评分的第一预设权重，t2表示目标用户对所述相似商品的第二真实评分，q2表示所述第二真实评分的第二预设权重，且q1+q2＝1；
    若所述目标用户未对所述相似商品进行真实评分，则将所述相似商品的平均评分确定为所述目标用户对所述相似商品的预测评分。
  5. 根据权利要求1所述的商品推荐方法，其中，所述根据所述第一虚拟评分矩阵及所述第二虚拟评分矩阵计算每个普通用户与所述目标用户的相似度，以得到所述目标用户的相似用户集，包括：
    根据所述第一虚拟评分矩阵及所述第二虚拟评分矩阵分别计算每一普通用户与所述目标用户的Pearson相关系数；
    若所述Pearson相关系数大于或等于第二阈值，则将对应的普通用户确认为所述目标用户的相似用户，以得到所述相似用户集。
  6. 一种商品推荐装置，包括：
    第一获取单元，用于获取若干用户对多个商品的第一真实评分矩阵，所述若干用户包括目标用户和多个普通用户；
    第二获取单元，用于根据所述第一真实评分矩阵获取所述目标用户未进行真实评分的所有商品，分别将每一未进行真实评分的商品作为目标商品；
    第一计算单元，用于根据所述第一真实评分矩阵计算所述目标用户对所述目标商品的虚拟评分，以得到所述目标用户对所述多个商品的第一虚拟评分矩阵；
    第三获取单元，用于获取所述多个普通用户对所述多个商品的第二虚拟评分矩阵；
    第二计算单元，用于根据所述第一虚拟评分矩阵及所述第二虚拟评分矩阵计算每个普通用户与所述目标用户的相似度，以得到所述目标用户的相似用户集；
    第四获取单元，用于从所述第二虚拟评分矩阵中获取每一相似用户对所有目标商品的评分；
    第三计算单元，用于根据每一相似用户对同一目标商品的评分以及每一相似用户的相似度计算所述同一目标商品的推荐评分；
    推荐单元，用于根据每一目标商品的推荐评分向用户推荐商品。
  7. 根据权利要求6所述的商品推荐装置，其中，所述第一计算单元包括：
    第一计算子单元，用于分别计算一目标商品与所述多个商品中的其它商品的相似度，以得到所述目标商品的相似商品集；
    第一获取子单元，用于从所述第一真实评分矩阵中获取所述若干用户对每个相似商品的真实评分；
    第二计算子单元，用于根据所述若干用户对同一相似商品的真实评分计算所述目标用户对所述相似商品的预测评分；
    第三计算子单元，用于根据每一相似商品的预测评分和每一相似商品对应的相似度计算所述目标用户对所述目标商品的虚拟评分；
    第二获取子单元，用于结合所述第一真实评分矩阵中所述目标用户对已进行真实评分的商品的真实评分以及所述目标用户对所有目标商品的虚拟评分得到所述第一虚拟评分矩阵。
  8. 根据权利要求7所述的商品推荐装置，其中，第一计算子单元包括：
    第三获取子单元，用于分别获取每一其它商品被标记的第一标签集合以及所述目标商品被标记的第二标签集合；
    第五计算子单元，用于根据公式
    Figure PCTCN2018107970-appb-100002
    计算每一项其它商品与所述目标商品的相似度，其中，|T i|表示所述第一标签集合的标签总数量，|T j|表示所述第二标签集合的标签总数量，|T i∩T j|表示第一标签集合与第二标签集合的交集所包含的标签的总数量，x表示相似度；
    第二确认子单元，用于若所述相似度大于或等于第一阈值，则将对应的其它商品确定为所述目标商品的相似商品，以得到所述目标商品的相似商品集。
  9. 根据权利要求7所述的商品推荐装置，其中，所述若干用户对每个相似商品的真实评分包括多个普通用户对每个相似商品的第一真实评分以及所述目标用户对每个相似商品的第二真实评分；
    第二计算子单元包括：
    第六计算子单元，用于根据所述多个普通用户对同一相似商品的第一真实评分计算所述同一相似商品的平均评分；
    第七计算子单元，用于若所述目标用户对所述相似商品已进行真实评分，则根据公式f＝q1*t1+q2*t2计算所述目标用户对所述相似商品的预测评分，其中，f表示所述预测评分，t1表示所述相似商品的平均评分，q1表示所述平均评分的第一预设权重，t2表示目标用户对所述相似商品的第二真实评分，q2表示所述第二真实评分的第二预设权重，且q1+q2＝1；
    确定子单元，用于若所述目标用户未对所述相似商品进行真实评分，则将所述相似商品的平均评分确定为所述目标用户对所述相似商品的预测评分。
  10. 根据权利要求6所述的商品推荐装置，其中，所述第二计算单元包括：
    第四计算子单元，用于根据所述第一虚拟评分矩阵及所述第二虚拟评分矩阵分别计算每一普通用户与所述目标用户的Pearson相关系数；
    第一确认子单元，用于若所述Pearson相关系数大于或等于第二阈值，则将对应的普通用户确认为所述目标用户的相似用户，以得到所述相似用户集。
  11. 一种计算机设备，包括存储器，以及与所述存储器相连的处理器；
    所述存储器用于存储实现商品推荐方法的计算机程序；
    所述处理器用于运行所述存储器中存储的计算机程序，以执行以下步骤：获取若干用户对多个商品的第一真实评分矩阵，所述若干用户包括目标用户和多个普通用户；根据所述第一真实评分矩阵获取所述目标用户未进行真实评分的所有商品，分别将每一未进行真实评分的商品作为目标商品；根据所述第一真实评分矩阵计算所述目标用户对所述目标商品的虚拟评分，以得到所述目标 用户对所述多个商品的第一虚拟评分矩阵；获取所述多个普通用户对所述多个商品的第二虚拟评分矩阵；根据所述第一虚拟评分矩阵及所述第二虚拟评分矩阵计算每个普通用户与所述目标用户的相似度，以得到所述目标用户的相似用户集；从所述第二虚拟评分矩阵中获取每一相似用户对所有目标商品的评分；根据每一相似用户对同一目标商品的评分以及每一相似用户的相似度计算所述同一目标商品的推荐评分；根据每一目标商品的推荐评分向用户推荐商品。
  12. 根据权利要求11所述的计算机设备，其中，所述处理器在执行所述根据所述第一真实评分矩阵计算所述目标用户对所述目标商品的虚拟评分，以得到所述目标用户对所述多个商品的第一虚拟评分矩阵的步骤时，具体执行以下步骤：分别计算一目标商品与所述多个商品中的其它商品的相似度，以得到所述目标商品的相似商品集；从所述第一真实评分矩阵中获取所述若干用户对每个相似商品的真实评分；根据所述若干用户对同一相似商品的真实评分计算所述目标用户对所述相似商品的预测评分；根据每一相似商品的预测评分和每一相似商品对应的相似度计算所述目标用户对所述目标商品的虚拟评分；结合所述第一真实评分矩阵中所述目标用户对已进行真实评分的商品的真实评分以及所述目标用户对所有目标商品的虚拟评分得到所述第一虚拟评分矩阵。
  13. 根据权利要求12所述的计算机设备，其中，所述处理器在执行所述分别计算一目标商品与所述多个商品中的其它商品的相似度，以得到所述目标商品的相似商品集的步骤时，具体执行以下步骤：分别获取每一其它商品被标记的第一标签集合以及所述目标商品被标记的第二标签集合；根据公式
    Figure PCTCN2018107970-appb-100003
    计算每一项其它商品与所述目标商品的相似度，其中，|T i|表示所述第一标签集合的标签总数量，|T j|表示所述第二标签集合的标签总数量，|T i∩T j|表示第一标签集合与第二标签集合的交集所包含的标签的总数量，x表示相似度；若所述相似度大于或等于第一阈值，则将对应的其它商品确定为所述目标商品的相似商品，以得到所述目标商品的相似商品集。
  14. 根据权利要求12所述的计算机设备，其中，所述若干用户对每个相似商品的真实评分包括多个普通用户对每个相似商品的第一真实评分以及所述目标用户对每个相似商品的第二真实评分；
    所述处理器在执行所述根据所述若干用户对同一相似商品的真实评分计算所述目标用户对所述相似商品的预测评分的步骤时，具体执行以下步骤：根据所述多个普通用户对同一相似商品的第一真实评分计算所述同一相似商品的平 均评分；若所述目标用户对所述相似商品已进行真实评分，则根据公式f＝q1*t1+q2*t2计算所述目标用户对所述相似商品的预测评分，其中，f表示所述预测评分，t1表示所述相似商品的平均评分，q1表示所述平均评分的第一预设权重，t2表示目标用户对所述相似商品的第二真实评分，q2表示所述第二真实评分的第二预设权重，且q1+q2＝1；若所述目标用户未对所述相似商品进行真实评分，则将所述相似商品的平均评分确定为所述目标用户对所述相似商品的预测评分。
  15. 根据权利要求11所述的计算机设备，其中，所述处理器在执行所述根据所述第一虚拟评分矩阵及所述第二虚拟评分矩阵计算每个普通用户与所述目标用户的相似度，以得到所述目标用户的相似用户集的步骤时，具体执行以下步骤：根据所述第一虚拟评分矩阵及所述第二虚拟评分矩阵分别计算每一普通用户与所述目标用户的Pearson相关系数；若所述Pearson相关系数大于或等于第二阈值，则将对应的普通用户确认为所述目标用户的相似用户，以得到所述相似用户集。
  16. 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一个或者一个以上计算机程序，所述一个或者一个以上计算机程序可被一个或者一个以上的处理器执行，以实现以下步骤：获取若干用户对多个商品的第一真实评分矩阵，所述若干用户包括目标用户和多个普通用户；根据所述第一真实评分矩阵获取所述目标用户未进行真实评分的所有商品，分别将每一未进行真实评分的商品作为目标商品；根据所述第一真实评分矩阵计算所述目标用户对所述目标商品的虚拟评分，以得到所述目标用户对所述多个商品的第一虚拟评分矩阵；获取所述多个普通用户对所述多个商品的第二虚拟评分矩阵；根据所述第一虚拟评分矩阵及所述第二虚拟评分矩阵计算每个普通用户与所述目标用户的相似度，以得到所述目标用户的相似用户集；从所述第二虚拟评分矩阵中获取每一相似用户对所有目标商品的评分；根据每一相似用户对同一目标商品的评分以及每一相似用户的相似度计算所述同一目标商品的推荐评分；根据每一目标商品的推荐评分向用户推荐商品。
  17. 根据权利要求16所述的存储介质，其中，在实现所述根据所述第一真实评分矩阵计算所述目标用户对所述目标商品的虚拟评分，以得到所述目标用户对所述多个商品的第一虚拟评分矩阵的步骤时，具体实现以下步骤：分别计算一目标商品与所述多个商品中的其它商品的相似度，以得到所述目标商品的相似商品集；从所述第一真实评分矩阵中获取所述若干用户对每个相似商品的 真实评分；根据所述若干用户对同一相似商品的真实评分计算所述目标用户对所述相似商品的预测评分；根据每一相似商品的预测评分和每一相似商品对应的相似度计算所述目标用户对所述目标商品的虚拟评分；结合所述第一真实评分矩阵中所述目标用户对已进行真实评分的商品的真实评分以及所述目标用户对所有目标商品的虚拟评分得到所述第一虚拟评分矩阵。
  18. 根据权利要求17所述的存储介质，其中，在实现所述分别计算一目标商品与所述多个商品中的其它商品的相似度，以得到所述目标商品的相似商品集的步骤时，具体实现以下步骤：分别获取每一其它商品被标记的第一标签集合以及所述目标商品被标记的第二标签集合；根据公式
    Figure PCTCN2018107970-appb-100004
    计算每一项其它商品与所述目标商品的相似度，其中，|T i|表示所述第一标签集合的标签总数量，|T j|表示所述第二标签集合的标签总数量，|T i∩T j|表示第一标签集合与第二标签集合的交集所包含的标签的总数量，x表示相似度；若所述相似度大于或等于第一阈值，则将对应的其它商品确定为所述目标商品的相似商品，以得到所述目标商品的相似商品集。
  19. 根据权利要求17所述的存储介质，其中，所述若干用户对每个相似商品的真实评分包括多个普通用户对每个相似商品的第一真实评分以及所述目标用户对每个相似商品的第二真实评分；
    在实现所述根据所述若干用户对同一相似商品的真实评分计算所述目标用户对所述相似商品的预测评分的步骤时，具体实现以下步骤：根据所述多个普通用户对同一相似商品的第一真实评分计算所述同一相似商品的平均评分；若所述目标用户对所述相似商品已进行真实评分，则根据公式f＝q1*t1+q2*t2计算所述目标用户对所述相似商品的预测评分，其中，f表示所述预测评分，t1表示所述相似商品的平均评分，q1表示所述平均评分的第一预设权重，t2表示目标用户对所述相似商品的第二真实评分，q2表示所述第二真实评分的第二预设权重，且q1+q2＝1；若所述目标用户未对所述相似商品进行真实评分，则将所述相似商品的平均评分确定为所述目标用户对所述相似商品的预测评分。
  20. 根据权利要求16所述的存储介质，其中，在实现所述根据所述第一虚拟评分矩阵及所述第二虚拟评分矩阵计算每个普通用户与所述目标用户的相似度，以得到所述目标用户的相似用户集的步骤时，具体实现以下步骤：根据所述第一虚拟评分矩阵及所述第二虚拟评分矩阵分别计算每一普通用户与所述目 标用户的Pearson相关系数；若所述Pearson相关系数大于或等于第二阈值，则将对应的普通用户确认为所述目标用户的相似用户，以得到所述相似用户集。
PCT/CN2018/107970 2018-08-09 2018-09-27 商品推荐方法、装置、计算机设备及计算机可读存储介质 WO2020029401A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201810902692.7 2018-08-09
CN201810902692.7A CN109064293B (zh) 2018-08-09 2018-08-09 商品推荐方法、装置、计算机设备及存储介质

Publications (1)

Publication Number Publication Date
WO2020029401A1 true WO2020029401A1 (zh) 2020-02-13

Family

ID=64679028

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2018/107970 WO2020029401A1 (zh) 2018-08-09 2018-09-27 商品推荐方法、装置、计算机设备及计算机可读存储介质

Country Status (2)

Country Link
CN (1) CN109064293B (zh)
WO (1) WO2020029401A1 (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111986744A (zh) * 2020-09-03 2020-11-24 平安国际智慧城市科技股份有限公司 医疗机构的患者界面生成方法、装置、电子设备及介质
CN112036987A (zh) * 2020-09-11 2020-12-04 杭州海康威视数字技术股份有限公司 确定推荐商品的方法和装置
CN112767085A (zh) * 2021-01-22 2021-05-07 武汉蔚来能源有限公司 商品相似性分析及商品推荐方法、装置及计算机存储介质
CN113112333A (zh) * 2021-04-27 2021-07-13 湖南云畅网络科技有限公司 一种数据流处理方法及系统

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113139767A (zh) * 2020-01-20 2021-07-20 菜鸟智能物流控股有限公司 物流对象分拨方法和装置、电子设备以及计算机可读存储介质
CN111581505B (zh) * 2020-04-28 2023-07-07 海南太美航空股份有限公司 基于组合推荐的航班推荐方法及系统
CN113763065A (zh) * 2020-06-17 2021-12-07 北京沃东天骏信息技术有限公司 推荐商品的方法、装置、设备和计算机可读介质
CN115168745B (zh) * 2022-09-02 2022-11-22 环球数科集团有限公司 一种基于图像技术的虚拟人物形象再创造的方法和系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103294812A (zh) * 2013-06-06 2013-09-11 浙江大学 一种基于混合模型的商品推荐方法
CN103593417A (zh) * 2013-10-25 2014-02-19 安徽教育网络出版有限公司 基于关联规则预测的协同过滤推荐方法
CN105809275A (zh) * 2016-02-29 2016-07-27 海信集团有限公司 一种物品评分预测方法及装置
CN107341204A (zh) * 2017-06-22 2017-11-10 电子科技大学 一种融合物品标签信息的协同过滤推荐方法及系统

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102567900A (zh) * 2011-12-28 2012-07-11 尚明生 一种向客户推荐商品的方法
CN104463637A (zh) * 2014-12-23 2015-03-25 北京石油化工学院 一种基于电商平台的商品推荐方法、装置及服务器
CN106471491A (zh) * 2015-05-29 2017-03-01 深圳市汇游智慧旅游网络有限公司 一种时变的协同过滤推荐方法
JP6566515B2 (ja) * 2015-07-24 2019-08-28 大学共同利用機関法人情報・システム研究機構 アイテム推薦システム及びアイテム推薦方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103294812A (zh) * 2013-06-06 2013-09-11 浙江大学 一种基于混合模型的商品推荐方法
CN103593417A (zh) * 2013-10-25 2014-02-19 安徽教育网络出版有限公司 基于关联规则预测的协同过滤推荐方法
CN105809275A (zh) * 2016-02-29 2016-07-27 海信集团有限公司 一种物品评分预测方法及装置
CN107341204A (zh) * 2017-06-22 2017-11-10 电子科技大学 一种融合物品标签信息的协同过滤推荐方法及系统

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111986744A (zh) * 2020-09-03 2020-11-24 平安国际智慧城市科技股份有限公司 医疗机构的患者界面生成方法、装置、电子设备及介质
CN111986744B (zh) * 2020-09-03 2023-10-24 深圳赛安特技术服务有限公司 医疗机构的患者界面生成方法、装置、电子设备及介质
CN112036987A (zh) * 2020-09-11 2020-12-04 杭州海康威视数字技术股份有限公司 确定推荐商品的方法和装置
CN112036987B (zh) * 2020-09-11 2024-04-02 杭州海康威视数字技术股份有限公司 确定推荐商品的方法和装置
CN112767085A (zh) * 2021-01-22 2021-05-07 武汉蔚来能源有限公司 商品相似性分析及商品推荐方法、装置及计算机存储介质
CN112767085B (zh) * 2021-01-22 2024-05-24 武汉蔚来能源有限公司 商品相似性分析及商品推荐方法、装置及计算机存储介质
CN113112333A (zh) * 2021-04-27 2021-07-13 湖南云畅网络科技有限公司 一种数据流处理方法及系统

Also Published As

Publication number Publication date
CN109064293B (zh) 2023-04-18
CN109064293A (zh) 2018-12-21

Similar Documents

Publication Publication Date Title
WO2020029401A1 (zh) 商品推荐方法、装置、计算机设备及计算机可读存储介质
US9934293B2 (en) Generating search results
WO2020037931A1 (zh) 项目推荐方法、装置、计算机设备及存储介质
WO2020192013A1 (zh) 定向广告投放方法和装置、设备及存储介质
US9378529B2 (en) Arranging stories on newsfeeds based on expected value scoring on a social networking system
US20140236942A1 (en) Determining search result rankings based on trust level values associated with sellers
WO2020029412A1 (zh) 标签推荐方法、装置、计算机设备及计算机可读存储介质
US11714864B2 (en) Method and apparatus for processing web content, device, and computer storage medium
US11100169B2 (en) Alternative query suggestion in electronic searching
CN111931055B (zh) 对象推荐方法、对象推荐装置和电子设备
CN107656918B (zh) 获取目标用户的方法及装置
US20140214621A1 (en) Method and device for pushing information
CN108536786A (zh) 一种信息推荐方法、装置、服务器及存储介质
CN112765478B (zh) 用于推荐内容的方法、装置、设备、介质和程序产品
WO2019071890A1 (zh) 产品推荐装置、方法及计算机可读存储介质
US20120254158A1 (en) Aggregating product review information for electronic product catalogs
EP3824427A1 (en) Determining item relevancy
JP6433270B2 (ja) コンテンツ検索結果提供システム及びコンテンツ検索結果提供方法
US20160364486A1 (en) Methods and Systems for Segmenting Individuals By Interest
CN110827101A (zh) 一种店铺推荐的方法和装置
TWM633789U (zh) 媒合系統
CN113781180A (zh) 一种物品推荐方法、装置、电子设备及存储介质
JP7088644B2 (ja) 提供装置、提供方法及び提供プログラム
WO2017219317A1 (zh) 一种基于搜索内容的信息推送方法及装置
JP2017076376A (ja) 算出装置、算出方法および算出プログラム

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 18929628

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 18929628

Country of ref document: EP

Kind code of ref document: A1