WO2020098156A1 - 产品数据推送方法及装置、计算机非易失性可读存储介质 - Google Patents

产品数据推送方法及装置、计算机非易失性可读存储介质 Download PDF

Info

Publication number
WO2020098156A1
WO2020098156A1 PCT/CN2019/073302 CN2019073302W WO2020098156A1 WO 2020098156 A1 WO2020098156 A1 WO 2020098156A1 CN 2019073302 W CN2019073302 W CN 2019073302W WO 2020098156 A1 WO2020098156 A1 WO 2020098156A1
Authority
WO
WIPO (PCT)
Prior art keywords
interest
matrix
user
product
preset
Prior art date
Application number
PCT/CN2019/073302
Other languages
English (en)
French (fr)
Inventor
黄博
毕野
吴振宇
王建明
肖京
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 WO2020098156A1 publication Critical patent/WO2020098156A1/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
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0255—Targeted advertisements based on user history
    • 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
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0269—Targeted advertisements based on user profile or attribute
    • G06Q30/0271—Personalized advertisement

Definitions

  • the present application relates to the field of data push technology, and in particular to a method and device for pushing product data, and a computer non-volatile readable storage medium.
  • the present application provides a method and device for pushing product data, a computer non-volatile readable storage medium, and pushes products according to the user's interest value for different preset interest tags and the similarity between the preset interest tags Data, recommend products to users, the recommendation effect is better.
  • a method for pushing product data which includes:
  • a product data pushing device which is characterized by comprising:
  • An obtaining unit used to obtain the user's historical behavior data and preset interest tags
  • a user-interest matrix establishment unit configured to analyze the user's interest value for each of the preset interest tags based on the historical behavior data, and use the interest value to establish a user-interest matrix
  • the similarity matrix establishment unit is used to calculate the similarity between each preset interest label and other preset interest labels based on the historical behavior data and the preset interest labels, respectively, and use the interest similarity to establish Interest similarity matrix;
  • a product data pushing unit is used to update the user-interest matrix using the interest similarity matrix, and push the product data according to the updated user-interest matrix.
  • a computer non-volatile readable storage medium on which computer readable instructions are stored, and when the program is executed by a processor, the following steps are realized:
  • a computer device including a memory, a processor, and computer readable instructions stored on the memory and executable on the processor, the processor implementing the computer readable instructions The following steps:
  • each user is first calculated based on the user's historical behavior data
  • a user-interest matrix is established, followed by calculating the similarity between two or two preset interest tags and establishing an interest similarity matrix, so as to update the user-interest matrix with the interest similarity matrix
  • the user ’s interest value for each preset interest tag is analyzed in conjunction with the similarity between the preset interest tags during product recommendation. It helps users find products that they may have an interest in. Compared with traditional recommendation methods based on the similarity between users or between products, without considering the actual interest needs of users, the recommendation effect is better.
  • FIG. 1 shows a schematic flowchart of a method for pushing product data according to an embodiment of the present application
  • FIG. 2 shows a schematic flowchart of another method for pushing product data according to an embodiment of the present application
  • FIG. 3 shows a schematic structural diagram of a device for pushing product data according to an embodiment of the present application
  • FIG. 4 shows a schematic structural diagram of another product data pushing device provided by an embodiment of the present application.
  • FIG. 5 shows a schematic structural diagram of a computer device provided by an embodiment of the present application.
  • the first aspect of the embodiments of the present application provides a method for pushing product data. As shown in FIG. 1, the method includes:
  • Step 102 Acquire the user's historical behavior data and preset interest tags.
  • the preset interest tags may include: futures, stocks, currency funds, bonds, demand, regular, insurance, high yield, low risk, etc.
  • the user ’s historical behavior data may include the number of user clicks on these preset interest tags, Data such as the browsing time, the number of comments, and whether to collect the data can be obtained by the user directly operating these tags, or by the user clicking, browsing, commenting, and collecting the products containing these preset interest tags.
  • Step 104 Analyze the interest value of each preset interest tag corresponding to the user according to the historical behavior data, and use the interest value to establish a user-interest matrix.
  • the user's historical behavior data includes the user's clicks on the preset interest tag, browsing time, comments, and favorite data, which can be specifically designed
  • the calculation rules are as follows:
  • Each of the collection data, browsing duration, number of comments, and number of clicks has a rating of 100 points, and the weights of interest values are: 0.4, 0.3, 0.2, and 0.1, respectively.
  • the favorite rating tag of the preset interest tag is 100 points, and if the user does not bookmark the preset interest tag, the favorite rating tag of the preset interest tag is 0
  • the user ’s browsing time for a preset interest tag accounts for 100% of the user ’s total browsing time, which is the browsing score for this preset interest tag;
  • clicks and comments the user The number of clicks of a preset interest tag accounts for the ratio of the number of user clicks on all preset interest tags multiplied by 100, which is the user ’s click score on this preset interest tag.
  • the user ’s comments on a preset interest tag The number of times accounts for the proportion of the number of user comments on all preset interest tags multiplied by 100, which is
  • the user has bookmarked the preset interest label "stock”, the browsing time accounts for 50% of the total browsing time, and the number of comments and clicks respectively account for 40% and 30% of the total comments and clicks , Then the user ’s interest in "stocks” is:
  • the user-interest matrix is constructed by using each user's interest value for each label, and the elements in the user-interest matrix correspond to each user's interest value for each preset interest label.
  • Step 106 Based on the historical behavior data, calculate the interest similarity between each preset interest tag and other preset interest tags, and use the interest similarity to establish an interest similarity matrix.
  • each user's interest value for different tags can be analyzed, but also the similarity between different tags can be analyzed according to different users' clicks, comments, browsing, collections, etc., using different tags
  • an interest similarity matrix is established, and the elements in the matrix correspond to the similarity between each preset interest tag and any one of all the preset interest tags.
  • Step 108 Use the interest similarity matrix to update the user-interest matrix, and push product data according to the updated user-interest matrix.
  • the elements in the interest similarity matrix reflect the similarity between different preset interest tags
  • the elements in the user-interest matrix reflect the interest value of each user for different preset interest tags.
  • Unknown tags or tags that you do not pay attention to are often ignored due to the cost of clicks.
  • Tags that are ignored by users are likely to exist with users.
  • Interested tags have strong similarity. Although these tags are ignored by users, they are likely to be tags that users are interested in. If they are recommended based solely on the user ’s actual clicks, browsing, etc., it is not conducive to helping users find those that are easily ignored. Interest, therefore, the user-interest matrix is updated using the interest similarity matrix.
  • the elements in the updated user-interest matrix reflect the user ’s interest value for each preset interest label, which is no longer analyzed from historical data.
  • the actual interest value of the user but the interest value combined with the similarity between the preset interest tags, so as to push the product data according to the elements in the updated user-interest matrix and recommend the product to the user.
  • the method includes:
  • Step 202 Acquire the user's historical behavior data and preset interest tags.
  • Step 204 Analyze the interest value of each preset interest tag corresponding to the user according to the historical behavior data, and use the interest value to establish a user-interest matrix.
  • the user-interest matrix is a matrix of X rows ⁇ Y columns, where X represents the number of users, the element value of the i-th row and j-th column in the matrix is the user i's interest value for the preset interest label j, i is greater than or An integer equal to 1 and less than or equal to X.
  • Step 206 Based on the historical behavior data, calculate the number of people Nm and Nn who are interested in the preset interest tag m and the preset interest tag n, respectively.
  • m and n are integers greater than or equal to 1 and less than or equal to Y.
  • the user's interest value for each preset interest label has been analyzed, and the size of the interest value reflects the user's interest in each label.
  • These interest values are counted to find out for a certain Users whose interest value of the preset interest label exceeds the preset interest value, for example, for the preset interest label "Money Fund", there are 20 users whose interest value for "Money Fund” exceeds 50, then it is considered for "Monetary Fund"
  • the number of people with interest in this interest tag is 20, and find the users who have interest for each preset interest tag, so as to subsequently calculate the similarity between the interest tags, and then update the user-interest matrix.
  • Step 208 Calculate the number Nmn of people who have interests in both the preset interest tag m and the preset interest tag n.
  • the number of users who are interested in m and those who are interested in n are counted, for example
  • the users with interest for the preset interest label "stock” are A, B, C, D
  • the users with interest for the preset interest label "high yield” are C, D, E, then for the "stock” and "high yield” ”
  • Step 210 Calculate the interest similarity Wmn between the preset interest label m and the preset interest label n according to Nm, Nn and Nmn,
  • the interest similarity matrix is a Y row ⁇ Y column matrix, and the element value of the mth row and nth column is the similarity Wmn between the preset interest label m and the preset interest label n.
  • the above similarity calculation formula is used to calculate the similarity between two pairs of interest tags, and an interest similarity matrix is constructed according to the similarity.
  • the element values of the mth row and nth column in the matrix are preset
  • the similarity Wmn between the interest label m and the preset interest label n, and the elements of the mth row and mth column in the matrix should be reflected as the similarity between the label m and the label m, the element value is 1, and the matrix
  • the element value of the mth row and nth column is equal to the element value of the nth row and mth column, and then the user-interest matrix can be updated according to the interest similarity matrix.
  • Step 212 Multiply the user-interest matrix and the interest similarity matrix to obtain an updated user-interest matrix.
  • the user-interest X row ⁇ Y column matrix is multiplied by the interest similarity Y row ⁇ Y column matrix to obtain the updated user-interest X row ⁇ Y column matrix.
  • user A interest values for tags A, B, and C are A, A, B, and C, respectively, and the similarity between tags A, B, and C in the interest similarity matrix AB and AC, respectively, in the updated user-interest matrix, the element value of user A corresponding to label A is A A * 1 + A B * AB + A C * AC.
  • the element value in the updated matrix is Based on the user's interest value of the interest tag (AA), it also reflects the relevance with other interest tags (AB * AB + AC * AC), and the product is based on the updated user-interest matrix. The recommendation effect is better.
  • Step 214 Calculate the interest scores of the preset interest tags corresponding to each product according to the preset product rules, and use the interest scores to build an interest-product matrix.
  • the preset product rules contain different characteristics of different products. These characteristics can be reflected through interest labels. For example, an S-type stock has characteristics such as “high yield” and “high risk”. Then this stock corresponds to The labels are "Stock”, “High Yield”, “High Risk” and so on. In addition, the influence of the label corresponding to each product in the product is also different. For example, for S-type stocks, there are many users who click and browse through the "stock” label search, then the "stock” label is this The most influential tags in the S-type stock, according to the preset product rules, calculate the interest tag influence score (interest score) of the preset interest tags corresponding to each product, and build an interest-product matrix based on these scores. If the label is not included, the interest score is recorded as 0.
  • interest tag influence score interest score
  • the interest-product matrix is a matrix of Y rows ⁇ Z columns, Y represents the number of preset interest labels, Z represents the number of products, and the element value in the jth row and kth column represents the interest of the preset interest label j corresponding to the product k
  • j is an integer greater than or equal to 1 and less than or equal to Y
  • k is an integer greater than or equal to 1 and less than or equal to Z.
  • the interest-product matrix reflects the influence of each interest label contained in different products, and accordingly, it is helpful for the user's interest, combined with the matrix for product recommendation.
  • Step 216 Multiply the updated user-interest matrix by the interest-product matrix to obtain a user-product matrix
  • the user-product matrix is a matrix of X rows ⁇ Z columns, and the element value of the i-th row and the k-th column represents the interest value of the user i for the product k.
  • the value of each element in the user-product matrix can reflect the user's interest in a certain product, and the matrix can be used to recommend products to users.
  • step 218 the elements in each row of the user-product matrix are arranged in order from large to small, and the product data corresponding to the arranged elements are pushed in sequence.
  • the element value of each row in the user-product matrix reflects the user's interest in different products, sort these elements from large to small, and push the product data in order to recommend the corresponding products.
  • To recommend interest tags and directly recommend products it avoids that users still need to filter products based on interest tags, and the recommendation efficiency is higher and the effect is better.
  • Step 220 if there is a new product, according to the preset product rule, obtain a preset interest label corresponding to the new product.
  • step 222 the elements of each row in the updated user-interest matrix are arranged in descending order, and the product data is pushed according to the position of the preset interest label corresponding to the newly added product in the arranged elements.
  • a user ’s interest in different interest tags can be reflected by an element of a row in the updated user-interest matrix. For a user, find a row of corresponding elements in the updated user-interest matrix, and The elements of a row are arranged in order from large to small. If there is an interest tag corresponding to the new product in the label corresponding to the element of the first P in the sort, the data of this new product is pushed and the new product is recommended to the user. Products, otherwise, are not pushed.
  • the new currency fund Q includes interest labels "monetary fund”, “regular”, and “low risk”.
  • the label corresponding to the top 3 elements contains "Regular”, recommend this new product to the corresponding users in this line.
  • the user-interest matrix is updated using the interest similarity matrix, and the user-product matrix is obtained by combining the interest-product matrix, and the user is connected to the product using the interest label as a link, so that according to the user-
  • the product matrix recommends products to users to prevent users from missing products that may be of interest to them, and the combination of the new product label and the updated user-interest matrix to choose whether to recommend new products solves the cold start problem of new products.
  • an embodiment of the present application provides a device for pushing product data.
  • the device includes: an obtaining unit 31, a user-interest matrix building unit 32, and a similarity matrix building Unit 33, product data push unit 34.
  • the interest tag acquisition unit 31 is used to acquire the user's historical behavior data and preset interest tags;
  • the user-interest matrix establishment unit 32 is configured to analyze the user's interest value for each preset interest tag according to historical behavior data, and use the interest value to establish a user-interest matrix;
  • the similarity matrix establishing unit 33 is configured to calculate the similarity between each preset interest label and other preset interest labels based on the historical behavior data and the preset interest labels, and use the interest similarity to establish an interest similarity matrix;
  • the product data pushing unit 34 is used to update the user-interest matrix using the interest similarity matrix, and push the product data according to the updated user-interest matrix.
  • the product data pushing unit 34 specifically includes: an interest-product matrix establishing unit 341, a user-product matrix establishing unit 342, and a product data pushing subunit 343;
  • the interest-product matrix establishment unit 341 is used to calculate the interest score of the preset interest label corresponding to each product according to the preset product rules, and use the interest score to construct the interest-product matrix;
  • the user-product matrix establishment unit 342 is specifically configured to multiply the updated user-interest matrix and interest-product matrix to obtain a user-product matrix
  • the interest-product matrix is a matrix of Y rows ⁇ Z columns
  • Y represents the number of preset interest labels
  • Z represents the number of products
  • the element value in the jth row and kth column represents the preset interest label j corresponding to the product k
  • j is an integer greater than or equal to 1 and less than or equal to Y
  • k is an integer greater than or equal to 1 and less than or equal to Z
  • the user-product matrix is a matrix of X rows ⁇ Z columns
  • the i The value of the element in row k indicates the value of user i ’s interest in product k;
  • the product data push subunit 343 is used to arrange the elements of each row in the user-product matrix in descending order, and push the product data corresponding to the arranged elements in turn;
  • the user-interest matrix is a matrix of X rows ⁇ Y columns, where X represents the number of users, the element value of the i-th row and j-th column in the matrix is the user i's interest value for the preset interest tag j, and i is greater than or equal to 1 , And an integer less than or equal to X.
  • the similarity matrix establishment unit 33 specifically includes:
  • the number-of-interests number calculation unit 331 is configured to calculate the number of people Nm and Nn who are interested in the preset interest label m and the preset interest label n, respectively;
  • the number-of-interests number calculation unit 331 is also used to calculate the number Nmn of people who have both interest in the preset interest label m and the preset interest label n;
  • the interest similarity calculation unit 332 is configured to calculate the interest similarity Wmn between the preset interest label m and the preset interest label n according to Nm, Nn and Nmn,
  • m and n are integers greater than or equal to 1 and less than or equal to Y
  • the interest similarity matrix is a Y row ⁇ Y column matrix
  • the element values of the mth row and nth column are the preset interest label m and the preset The similarity Wmn between the interest labels n.
  • the product data pushing unit 34 also includes:
  • the user-interest matrix update unit 344 is configured to multiply the user-interest matrix and the interest similarity matrix to obtain the updated user-interest matrix.
  • the device in order to solve the cold start problem of newly added products, the device also includes:
  • the new product label obtaining unit 35 is used to obtain a preset interest label corresponding to the new product according to the preset product rules if there is a new product;
  • New product data pushing unit 36 is used to arrange the elements of each row in the updated user-interest matrix in descending order, according to the preset interest labels corresponding to the new products in the arranged elements Push product data by location.
  • an embodiment of the present application further provides a computer non-volatile readable storage medium on which computer readable instructions are stored, when the computer readable instructions are executed by a processor
  • the following steps are implemented: acquiring the user's historical behavior data and preset interest tags; analyzing the interest value of each preset interest tag corresponding to the user according to the historical behavior data, and using the interest value to establish a user-interest matrix; based on the historical behavior data, respectively Calculate the interest similarity between each preset interest tag and other preset interest tags, and use the interest similarity to build an interest similarity matrix; use the interest similarity matrix to update the user-interest matrix, and according to the updated user- Interest matrix pushes product data.
  • the technical solution of the present application can be embodied in the form of a software product, which can be stored in a non-volatile memory (can be a CD-ROM, U disk, mobile hard disk, etc.), including several instructions It is used to enable a computer device (which may be a personal computer, a server, or a network device, etc.) to execute the method described in each implementation scenario of the present application.
  • a non-volatile memory can be a CD-ROM, U disk, mobile hard disk, etc.
  • a computer device which may be a personal computer, a server, or a network device, etc.
  • an embodiment of the present application further provides a physical structure diagram of a computer device.
  • the computer device includes: processing 41, memory 42, and computer readable instructions stored on the memory 42 and running on the processor, wherein the memory 42 and the processor 41 are both set on the bus 43, and the processor 41 executes the program to implement the following steps: obtain a user Historical behavior data and preset interest tags; based on the historical behavior data, analyze the interest value of each preset interest tag corresponding to the user, and use the interest value to establish a user-interest matrix; based on the historical behavior data, calculate each preset interest separately Interest similarity between tags and other preset interest tags, and use interest similarity to build interest similarity matrix; use interest similarity matrix to update user-interest matrix, and push product data according to the updated user-interest matrix.
  • the computer device also includes a bus 43 configured to couple the processor 41 and the memory 42.
  • the computer device may further include a user interface, a network interface, a camera, a radio frequency (Radio Frequency) circuit, a sensor, an audio circuit, a WI-FI module, and so on.
  • the user interface may include a display (Display), an input unit such as a keyboard, and the like, and the optional user interface may also include a USB interface, a card reader interface, and the like.
  • the network interface may optionally include a standard wired interface, a wireless interface (such as a Bluetooth interface, and a WI-FI interface).
  • the memory may also include an operating system and a network communication module.
  • An operating system is a program that manages the hardware and software resources of a computer device, and supports the operation of information processing programs and other software and / or programs.
  • the network communication module is used to realize communication between various components inside the memory, and to communicate with other hardware and software in the physical device.

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Strategic Management (AREA)
  • Finance (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请公开了一种产品数据推送方法及装置、计算机非易失性可读存储介质，方法包括：获取用户的历史行为数据以及预设兴趣标签；根据历史行为数据分析所述用户对应的每个预设兴趣标签的兴趣值，并利用兴趣值建立用户-兴趣矩阵；基于历史行为数据，分别计算每个预设兴趣标签与其他预设兴趣标签之间的兴趣相似度，并利用兴趣相似度建立兴趣相似度矩阵；利用兴趣相似度矩阵，更新用户-兴趣矩阵，并根据更新后的用户-兴趣矩阵推送产品数据。本申请结合用户对不同兴趣标签的兴趣值以及各个兴趣标签之间的相似度进行产品数据的推送，帮助用户发现其可能感兴趣的产品，相比于传统的基于用户之间的相似性或产品之间的相似性的推荐方法，效果更好。

Description

产品数据推送方法及装置、计算机非易失性可读存储介质
本申请要求与2018年11月15日提交中国专利局、申请号为2018113611798、申请名称为“产品数据推送方法及装置、存储介质、计算机设备”的中国专利申请的优先权，其全部内容通过引用结合在申请中。
技术领域
本申请涉及数据推送技术领域，尤其是涉及到一种产品数据推送方法及装置、计算机非易失性可读存储介质。
背景技术
随着社会的不断发展，人们购买力不断提高，人们在面对琳琅满目的商品和各种各样的项目时，常常会陷入迷茫中，为了能够提高用户的购买效率和用户体验，许多商家开始针对用户的个性化需求，向不同的用户推荐他们可能感兴趣的商品，这种个性化推荐方法可以在恰当的场景给用户推荐合适的项目，提高了用户的购买效率和用户体验的同时，也为商家带来了利益。
目前的个性化推荐方法，主要有两种，其一是基于用户的协同过滤推荐方法，其二是基于产品的协同过滤推荐方法，但无论是基于用户还是基于产品的协同过滤推荐，都只能依据用户之间的相似性或产品之间的相似性进行推荐，而没有考虑用户的实际兴趣需求，因而效果都不是很好。
发明内容
有鉴于此，本申请提供了一种产品数据推送方法及装置、计算机非易失性可读存储介质，根据用户对不同预设兴趣标签的兴趣值以及预设兴趣标签之间的相似度推送产品数据，向用户进行产品推荐，推荐效果更好。
根据本申请的一个方面，提供了一种产品数据推送方法，其特征在于，包括：
获取用户的历史行为数据以及预设兴趣标签；
根据所述历史行为数据分析所述用户对应的每个所述预设兴趣标签的兴趣值，并利用所述兴趣值建立用户-兴趣矩阵；
基于所述历史行为数据，分别计算每个所述预设兴趣标签与其他预设兴趣标签之间的兴趣相似度，并利用所述兴趣相似度建立兴趣相似度矩阵；
利用所述兴趣相似度矩阵，更新所述用户-兴趣矩阵，并根据更新后的所述用户-兴趣矩阵推送所述产品数据。
根据本申请的另一方面，提供了一种产品数据推送装置，其特征在于，包括：
获取单元，用于获取用户的历史行为数据以及预设兴趣标签；
用户-兴趣矩阵建立单元，用于根据所述历史行为数据分析用户对于的每个所述预设兴趣标签的兴趣值，并利用所述兴趣值建立用户-兴趣矩阵；
相似度矩阵建立单元，用于基于所述历史行为数据以及所述预设兴趣标签，分别计算每个预设兴趣标签与其他预设兴趣标签之间的相似度，并利用所述兴趣相似度建立兴趣相似度矩阵；
产品数据推送单元，用于利用所述兴趣相似度矩阵，更新所述用户-兴趣矩阵，并根据更新后的所述用户-兴趣矩阵推送所述产品数据。
依据本申请又一个方面，提供了一种计算机非易失性可读存储介质，其上存储有计算机可读指令，所述程序被处理器执行时实现以下步骤：
获取用户的历史行为数据以及预设兴趣标签；
根据所述历史行为数据分析所述用户对应的每个所述预设兴趣标签的兴趣值，并利用所述兴趣值建立用户-兴趣矩阵；
基于所述历史行为数据，分别计算每个所述预设兴趣标签与其他预设兴趣标签之间的兴趣相似度，并利用所述兴趣相似度建立兴趣相似度矩阵；
利用所述兴趣相似度矩阵，更新所述用户-兴趣矩阵，并根据更新后的所述用户-兴趣矩阵推送所述产品数据。
依据本申请再一个方面，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机可读指令，所述处理器执行所述计算机可读指令时实现以下步骤：
获取用户的历史行为数据以及预设兴趣标签；
根据所述历史行为数据分析所述用户对应的每个所述预设兴趣标签的兴趣值，并利用所述兴趣值建立用户-兴趣矩阵；
基于所述历史行为数据，分别计算每个所述预设兴趣标签与其他预设兴趣标签之间的兴趣相似度，并利用所述兴趣相似度建立兴趣相似度矩阵；
利用所述兴趣相似度矩阵，更新所述用户-兴趣矩阵，并根据更新后的所述用户-兴趣矩阵推送所述产品数据。
借由上述技术方案，本申请提供的一种产品数据推送方法及装置、计算机非易失性 可读存储介质，通过应用本实施例的技术方案，根据用户的历史行为数据，首先计算每个用户对于每个预设兴趣标签的兴趣值并建立用户-兴趣矩阵，其次计算两两预设兴趣标签之间的相似度并建立兴趣相似度矩阵，从而利用兴趣相似度矩阵对用户-兴趣矩阵进行更新，进一步根据更新后的矩阵中各元素推送产品数据向用户推荐产品，这样，在进行产品推荐时结合预设兴趣标签之间的相似度分析用户对每个预设兴趣标签的兴趣值大小，有助于帮助用户发现其可能具备兴趣的产品，相比于传统的基于用户之间的相似性或产品之间的相似性，而没有考虑用户的实际兴趣需求的推荐方法，推荐效果更好。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1示出了本申请实施例提供的一种产品数据推送方法的流程示意图；
图2示出了本申请实施例提供的另一种产品数据推送方法的流程示意图；
图3示出了本申请实施例提供的一种产品数据推送装置的结构示意图；
图4示出了本申请实施例提供的另一种产品数据推送装置的结构示意图；
图5示出了本申请实施例提供的一种计算机设备的实体结构示意图。
具体实施方式
下文中将参考附图并结合实施例来详细说明本申请。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
本申请实施例的第一个方面，提供了一种产品数据推送方法，如图1所示，该方法包括：
步骤102，获取用户的历史行为数据以及预设兴趣标签。
其中，预设兴趣标签可以包括：期货、股票、货币基金、债券、活期、定期、保险、高收益、低风险等等，用户的历史行为数据可以包括用户对这些预设兴趣标签的点击次数、浏览时长、评论次数以及是否收藏等数据，这些数据可以通过用户直接对这些标签进行操作得来，也可以通过用户对包含这些预设兴趣标签的产品进行点击、浏览、评论以及收藏得来。
步骤104，根据历史行为数据分析用户对应的每个预设兴趣标签的兴趣值，并利用兴趣值建立用户-兴趣矩阵。
首先，根据用户的历史行为数据量化用户对于每个预设兴趣标签的兴趣值，例如用户的历史行为数据包括用户对预设兴趣标签的点击次数、浏览时长、评论次数以及收藏数据，可具体设计如下计算规则：
收藏数据、浏览时长、评论次数以及点击次数中每一项的评分都为100分，兴趣值权重分别为：0.4、0.3、0.2、0.1。对于收藏数据，若用户收藏某个预设兴趣标签，则对这个预设兴趣标签的收藏评分为100分，若用户没有收藏这个预设兴趣标签，则对这个预设兴趣标签的收藏评分为0分；对于浏览时长，用户对某个预设兴趣标签的浏览时长占用户的总浏览时长的比例乘100，即为对这个预设兴趣标签的浏览评分；对于点击次数和评论次数，用户对某个预设兴趣标签的点击次数占用户对全部预设兴趣标签的点击次数的比例乘100，即为用户对这个预设兴趣标签的点击评分，同样的，用户对某个预设兴趣标签的评论次数占用户对全部预设兴趣标签的评论次数的比例乘100，即为用户对这个预设兴趣标签的评论评分。
具体地，例如，用户对“股票”这一预设兴趣标签进行了收藏，浏览时长占总浏览时长的50％，评论次数以及点击次数分别占总评论次数以及总点击次数的40％和30％，那么，用户对“股票”的兴趣值为：
0.4*100+0.3*50％*100+0.2*40％*100+0.1*30％*100＝40+15+8+3＝66。
其次，利用每个用户对每个标签的兴趣值构建用户-兴趣矩阵，用户-兴趣矩阵中的元素对应于每个用户关于每一个预设兴趣标签的兴趣值。
步骤106，基于历史行为数据，分别计算每个预设兴趣标签与其他预设兴趣标签之间的兴趣相似度，并利用兴趣相似度建立兴趣相似度矩阵。
根据用户的历史行为不仅可以分析每个用户对不同标签的兴趣值大小，也可以根据不同用户对不同标签的点击、评论、浏览、收藏等情况分析不同标签之间的相似度，利用不同标签之间的相似度，建立兴趣相似度矩阵，矩阵中的元素对应于每个预设兴趣标签与全部预设兴趣标签之中的任意一个的相似度。
步骤108，利用兴趣相似度矩阵，更新用户-兴趣矩阵，并根据更新后的用户-兴趣矩阵推送产品数据。
兴趣相似度矩阵中的元素反应了不同预设兴趣标签之间的相似度情况，而用户-兴趣矩阵中的元素反应了每个用户对不同预设兴趣标签的兴趣值大小，在用户实际点击、浏览标签时，经常习惯性的点击、浏览自己已经熟知的标签，对于未知标签或不常关注的标签由于存在点击成本的问题，往往会忽略，而被用户忽略掉的标签中很可能存在与用户感兴趣的标签相似性较强的标签，这些标签虽然被用户忽略但很可能是用户感兴趣的标签，如果单纯根据用户的实际点击、浏览等情况进行推荐，不利于帮助用户发现那些容易被忽略的兴趣，因此，利用兴趣相似度矩阵对用户-兴趣矩阵进行更新，更新后的用户-兴趣矩阵中的元素反应的用户对于每个预设兴趣标签的兴趣值，不再是从历史数据中分析而来的用户实际的兴趣值，而是结合了预设兴趣标签之间相似度的兴趣值，从而根据更新后的用户-兴趣矩阵中的元素推送产品数据，向用户推荐产品。
通过应用本实施例的技术方案，根据用户的历史行为数据，首先计算每个用户对于每个预设兴趣标签的兴趣值并建立用户-兴趣矩阵，其次计算两两预设兴趣标签之间的相似度并建立兴趣相似度矩阵，从而利用兴趣相似度矩阵对用户-兴趣矩阵进行更新，进一步根据更新后的矩阵中各元素推送产品数据向用户推荐产品，这样，在进行产品推荐时结合预设兴趣标签之间的相似度分析用户对每个预设兴趣标签的兴趣值大小，有助于帮助用户发现其可能具备兴趣的产品，相比于传统的基于用户之间的相似性或产品之间的相似性，而没有考虑用户的实际兴趣需求的推荐方法，推荐效果更好。
进一步的，作为上述实施例具体实施方式的细化和扩展，为了完整说明本实施例的具体实施过程，提供了另一种产品数据推送方法，如图2所示，该方法包括：
步骤202，获取用户的历史行为数据以及预设兴趣标签。
获取用户对于每个预设兴趣标签的点击、浏览、评论、收藏等历史数据。
步骤204，根据历史行为数据分析用户对应的每个预设兴趣标签的兴趣值，并利用兴趣值建立用户-兴趣矩阵。
其中，用户-兴趣矩阵为X行×Y列矩阵，其中，X表示用户的数量，矩阵中第i行第j列的元素值为用户i对于预设兴趣标签j的兴趣值，i为大于或等于1，且小于或等于X的整数。
利用每个用户对于每个预设兴趣标签的点击、浏览、评论、收藏等历史数据，计算出不同的用户对于每个预设兴趣标签的兴趣值，利用这些兴趣值建立用户-兴趣X行×Y列矩阵，矩阵中的每个元素分别对应于某个用户对于某个预设兴趣标签的兴趣值大小，用户-兴趣矩阵能够清楚直观的反应出用户通过浏览、点击等行为留下的历史数据所表现出对不同预设兴趣标签的兴趣值。
步骤206，基于历史行为数据，分别计算对于预设兴趣标签m和预设兴趣标签n具备兴趣的人数Nm和Nn。
其中，m和n均为大于或等于1，且小于或等于Y的整数。
从用户的历史行为数据，已分析出了用户对每个预设兴趣标签的兴趣值，兴趣值的大小反应了用户对各标签感兴趣的程度，对这些兴趣值进行统计，找出对于某个预设兴趣标签的兴趣值超过预设兴趣值的用户，例如，对于预设兴趣标签“货币基金”，有20个用户对于“货币基金”的兴趣值超过50，那么则认为对于“货币基金”这一兴趣标签具备兴趣的人数为20，找出对于每个预设兴趣标签具备兴趣的用户，便于后续对兴趣标签之间的相似度进行计算，进而对用户-兴趣矩阵进行更新。
步骤208，计算对于预设兴趣标签m和预设兴趣标签n同时具备兴趣的人数Nmn。
基于步骤206中的方法，分别找出对于预设兴趣标签m和预设兴趣标签n具备兴趣的用户后，统计对m具备兴趣的用户和对n具备兴趣的用户中相同的用户的数量，例如对于预设兴趣标签“股票”具备兴趣的用户为A、B、C、D，对于预设兴趣标签“高收益”具备兴趣的用户为C、D、E，那么对于“股票”和“高收益”同时具备兴趣的用户为2人，分别为C和D，分别统计对两两标签同时具备兴趣的用户数量，从而便于后续对兴趣标签之间的相似度进行计算，进而对用户-兴趣矩阵进行更新。
步骤210，根据Nm、Nn以及Nmn，计算预设兴趣标签m和预设兴趣标签n之间的兴趣相似度Wmn，
Figure PCTCN2019073302-appb-000001
根据兴趣相似度Wmn，建立兴趣相似度矩阵；
其中，兴趣相似度矩阵为Y行×Y列矩阵，第m行第n列的元素值为预设兴趣标签m和预设兴趣标签n之间的相似度Wmn。
在该实施例中，利用上述的兴趣相似度计算公式，计算两两兴趣标签之间的相似度，根据相似度构建兴趣相似度矩阵，矩阵中的第m行第n列的元素值为预设兴趣标签m和预设兴趣标签n之间的相似度Wmn，而矩阵中的第m行第m列的元素应体现为标签m和标签m之间的相似度，元素值为1，并且矩阵中第m行第n列的元素值与第n行第m列的元素值相等，进而可以根据兴趣相似度矩阵对用户-兴趣矩阵进行更新。
步骤212，将用户-兴趣矩阵与兴趣相似度矩阵相乘，得到更新后的用户-兴趣矩阵。
在该实施例中，将用户-兴趣X行×Y列矩阵与兴趣相似度Y行×Y列矩阵相乘，得到更新后的用户-兴趣X行×Y列矩阵。
例如，在原有用户-兴趣矩阵中，用户甲对于标签A、B、C的兴趣值分别为甲A、甲B、甲C，在兴趣相似度矩阵中标签A与B、C之间的相似度分别AB、AC，那么更新后的用户-兴趣矩阵中，用户甲对应于标签A的元素值为甲A*1+甲B*AB+甲C*AC，可见，更新后的矩阵中的元素值在用户对兴趣标签的兴趣值(甲A)的基础上，也体现了与其他兴趣标签的相关性(甲B*AB+甲C*AC)，在更新后的用户-兴趣矩阵的基础上，进行产品推荐效果更佳。
步骤214，根据预设产品规则，计算每个产品对应的预设兴趣标签的兴趣评分，并利用兴趣评分构建兴趣-产品矩阵。
预设产品规则中包含不同的产品具备的不同的特性，这些特性可以通过兴趣标签来体现，例如一款S型股票，具有“高收益”、“高风险”等特性，那么这款股票所对应的标签为“股票”、“高收益”、“高风险”等。并且，对于每种产品对应的标签在产品中的影响力也是不同的，例如对于S型股票，通过“股票”标签搜索从而点击、浏览的用户较多，那么“股票”这一标签就是这款S型股票中影响力最大的标签，根据预设产品规则，计算 每个产品对应的预设兴趣标签的兴趣标签影响力评分(兴趣评分)，并根据这些评分构建兴趣-产品矩阵，而对于产品不包含的标签，则兴趣评分记为0。
其中，兴趣-产品矩阵为Y行×Z列矩阵，Y表示预设兴趣标签的数量，Z代表产品的数量，第j行第k列的元素值表示产品k对应的预设兴趣标签j的兴趣评分，j为大于或等于1，且小于或等于Y的整数，k为大于或等于1，且小于或等于Z的整数。
兴趣-产品矩阵反应了不同产品包含的每个兴趣标签的影响力，据此，有助于对用户的兴趣，结合该矩阵进行产品推荐。
步骤216，将更新后的用户-兴趣矩阵与所述兴趣-产品矩阵相乘，得到用户-产品矩阵；
其中，用户-产品矩阵为X行×Z列矩阵，第i行第k列的元素值表示用户i对产品k的兴趣值。
从用户-产品矩阵中各元素值大小可反应出用户对某个产品感兴趣程度的大小，利用矩阵可以实现向用户进行产品推荐。
步骤218，对用户-产品矩阵中每一行的元素按照从大到小的顺序进行排列，按照排列后的元素对应的产品数据依次进行推送。
在该实施例中，用户-产品矩阵中每一行的元素值反应了用户对不同产品的兴趣程度，将这些元素从大到小进行排序，并按照顺序推送产品数据，推荐对应的产品，相比于推荐兴趣标签，直接推荐产品，避免了用户仍需通过根据兴趣标签对产品进行筛选，推荐效率更高、效果更好。
步骤220，若存在新增产品，则根据预设产品规则，获取新增产品对应的预设兴趣标签。
对于新增产品的冷启动问题，首先要根据预设产品规则找出产品对应的标签，从而根据这些兴趣标签，以及用户的兴趣情况决定是否对其推荐该款新增产品，提高了推荐的准确性。
步骤222，对更新后的用户-兴趣矩阵中每一行的元素按照从大到小的顺序进行排列，按照新增产品对应的预设兴趣标签在所述排列后的元素中的位置推送产品数据。
某一用户对不同兴趣标签的兴趣程度可由更新后的用户-兴趣矩阵中某一行的元素反应出来，对于某一用户，找出更新后的用户-兴趣矩阵中与其对应的一行元素，并将这一行的元素按照从大到小的顺序进行排列，若排序中前P的元素对应的标签中存在新增产品对应的兴趣标签，则推送这款新增产品的数据，向用户推荐这款新增产品，否则，不推送。
例如，新增货币基金Q包含兴趣标签“货币基金”、“定期”、“低风险”，更新后的用户-兴趣矩阵中的某一行元素值排列后，排名前3的元素对应的标签中包含“定期”，则向这一行对应的用户推荐这款新增产品。
通过应用本实施例的技术方案，利用兴趣相似度矩阵对用户-兴趣矩阵进行更新，并结合兴趣-产品矩阵得到用户-产品矩阵，以兴趣标签为纽带将用户与产品进行联系，从而根据用户-产品矩阵向用户推荐产品，避免用户错过其可能感兴趣的产品，并且，结合新增产品的标签以及更新后的用户-兴趣矩阵选择是否推荐新增产品解决了新增产品的冷启动问题。
进一步的，作为图1方法的具体实现，本申请实施例提供了一种产品数据推送装置，如图3所示，该装置包括：获取单元31、用户-兴趣矩阵建立单元32、相似度矩阵建立单元33、产品数据推送单元34。
兴趣标签获取单元31，用于获取用户的历史行为数据以及预设兴趣标签；
用户-兴趣矩阵建立单元32，用于根据历史行为数据分析用户对于的每个预设兴趣标签的兴趣值，并利用兴趣值建立用户-兴趣矩阵；
相似度矩阵建立单元33，用于基于历史行为数据以及预设兴趣标签，分别计算每个预设兴趣标签与其他预设兴趣标签之间的相似度，并利用兴趣相似度建立兴趣相似度矩阵；
产品数据推送单元34，用于利用兴趣相似度矩阵，更新用户-兴趣矩阵，并根据更新后的用户-兴趣矩阵推送产品数据。
在具体的应用场景中，为了保证推荐效果，如图4所示，产品数据推送单元34具体包括：兴趣-产品矩阵建立单元341、用户-产品矩阵建立单元342、产品数据推送子单元343；
兴趣-产品矩阵建立单元341，用于根据预设产品规则，计算每个产品对应的预设兴趣标签的兴趣评分，并利用兴趣评分构建兴趣-产品矩阵；
用户-产品矩阵建立单元342，具体用于将更新后的所述用户-兴趣矩阵与兴趣-产品矩阵相乘，得到用户-产品矩阵；
其中，所述兴趣-产品矩阵为Y行×Z列矩阵，Y表示预设兴趣标签的数量，Z代表产品的数量，第j行第k列的元素值表示产品k对应的预设兴趣标签j的兴趣评分，j为大于或等于1，且小于或等于Y的整数，k为大于或等于1，且小于或等于Z的整数，所述用户-产品矩阵为X行×Z列矩阵，第i行第k列的元素值表示用户i对产品k的兴趣值；
产品数据推送子单元343，用于对用户-产品矩阵中每一行的元素按照从大到小的顺序进行排列，按照排列后的元素对应的产品数据依次进行推送；
用户-兴趣矩阵为X行×Y列矩阵，其中，X表示用户的数量，矩阵中第i行第j列的元素值为用户i对于预设兴趣标签j的兴趣值，i为大于或等于1，且小于或等于X的整数。
在具体的应用场景中，为了计算兴趣相似度，相似度矩阵建立单元33具体包括：
兴趣标签人数计算单元331，用于分别计算对于预设兴趣标签m和预设兴趣标签n具备兴趣的人数Nm和Nn；
兴趣标签人数计算单元331，还用于计算对于预设兴趣标签m和预设兴趣标签n同时具备兴趣的人数Nmn；
兴趣相似度计算单元332，用于根据Nm、Nn以及Nmn，计算预设兴趣标签m和预设兴趣标签n之间的兴趣相似度Wmn，
Figure PCTCN2019073302-appb-000002
根据兴趣相似度Wmn，建立兴趣相似度矩阵；
其中，m和n均为大于或等于1，且小于或等于Y的整数，兴趣相似度矩阵为Y行×Y列矩阵，第m行第n列的元素值为预设兴趣标签m和预设兴趣标签n之间的相似度Wmn。
产品数据推送单元34还包括：
用户-兴趣矩阵更新单元344，用于将用户-兴趣矩阵与兴趣相似度矩阵相乘，得到更新后的所述用户-兴趣矩阵。
在具体的应用场景中，为了解决新增产品的冷启动问题，该装置还包括：
新增产品标签获取单元35，用于若存在新增产品，则根据预设产品规则，获取新增产品对应的预设兴趣标签；
新增产品数据推送单元36，用于对更新后的用户-兴趣矩阵中每一行的元素按照从大到小的顺序进行排列，按照新增产品对应的预设兴趣标签在排列后的元素中的位置推送产品数据。
需要说明的是，本申请实施例提供的一种产品数据推送装置所涉及各功能单元的其他相应描述，可以参考图1和图2中的对应描述，在此不再赘述。
基于上述如图1所示方法，相应的，本申请实施例还提供了一种计算机非易失性可读存储介质，其上存储有计算机可读指令，该计算机可读指令被处理器执行时实现以下步骤：获取用户的历史行为数据以及预设兴趣标签；根据历史行为数据分析用户对应的每个预设兴趣标签的兴趣值，并利用兴趣值建立用户-兴趣矩阵；基于历史行为数据，分别计算每个预设兴趣标签与其他预设兴趣标签之间的兴趣相似度，并利用兴趣相似度建立兴趣相似度矩阵；利用兴趣相似度矩阵，更新用户-兴趣矩阵，并根据更新后的用户-兴趣矩阵推送产品数据。
基于这样的理解，本申请的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储器(可以是CD-ROM，U盘，移动硬盘等)中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施场景所述的方法。
基于上述如图1所示方法和如图3所示产品数据推送装置的实施例，本申请实施例还提供了一种计算机设备的实体结构图，如图5所示，该计算机设备包括：处理器41、存储器42、及存储在存储器42上并可在处理器上运行的计算机可读指令，其中存储器42和处理器41均设置在总线43上处理器41执行程序时实现以下步骤：获取用户的历史行为数据以及预设兴趣标签；根据历史行为数据分析用户对应的每个预设兴趣标签的兴趣值，并利用兴趣值建立用户-兴趣矩阵；基于历史行为数据，分别计算每个预设兴趣标签与其他预设兴趣标签之间的兴趣相似度，并利用兴趣相似度建立兴趣相似度矩阵；利用兴趣相似度矩阵，更新用户-兴趣矩阵，并根据更新后的用户-兴趣矩阵推送产品数据。该计算机设备还包括：总线43，被配置为耦接处理器41及存储器42。
可选地，该计算机设备还可以包括用户接口、网络接口、摄像头、射频(Radio Frequency，RF)电路，传感器、音频电路、WI-FI模块等等。用户接口可以包括显示屏(Display)、输入单元比如键盘(Keyboard)等，可选用户接口还可以包括USB接口、读卡器接口等。网络接口可选的可以包括标准的有线接口、无线接口(如蓝牙接口、WI-FI接口)等。
存储器中还可以包括操作系统、网络通信模块。操作系统是管理计算机设备硬件和软件资源的程序，支持信息处理程序以及其它软件和/或程序的运行。网络通信模块用于实现存储器内部各组件之间的通信，以及与该实体设备中其它硬件和软件之间通信。
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本申请可以借助软件加必要的通用硬件平台的方式来实现，也可以通过硬件实现通过应用本实施例的技术方案。

Claims (20)

  1. 一种产品数据推送方法，其特征在于，包括：
    获取用户的历史行为数据以及预设兴趣标签；
    根据所述历史行为数据分析所述用户对应的每个所述预设兴趣标签的兴趣值，并利用所述兴趣值建立用户-兴趣矩阵；
    基于所述历史行为数据，分别计算每个所述预设兴趣标签与其他预设兴趣标签之间的兴趣相似度，并利用所述兴趣相似度建立兴趣相似度矩阵；
    利用所述兴趣相似度矩阵，更新所述用户-兴趣矩阵，并根据更新后的所述用户-兴趣矩阵推送所述产品数据。
  2. 根据权利要求1所述的方法，其特征在于，所述根据更新后的所述用户-兴趣矩阵向用户推送所述产品数据，具体包括：
    根据预设产品规则，计算每个所述产品对应的预设兴趣标签的兴趣评分，并利用所述兴趣评分构建兴趣-产品矩阵；
    依据所述兴趣-产品矩阵以及更新后的所述用户-兴趣矩阵，推送所述产品数据。
  3. 根据权利要求2所述的方法，其特征在于，所述依据所述兴趣-产品矩阵以及更新后的所述用户-兴趣矩阵，推送所述产品数据，具体包括：
    将更新后的所述用户-兴趣矩阵与所述兴趣-产品矩阵相乘，得到用户-产品矩阵；其中，所述兴趣-产品矩阵为Y行×Z列矩阵，Y表示预设兴趣标签的数量，Z代表产品的数量，第j行第k列的元素值表示产品k对应的预设兴趣标签j的兴趣评分，j为大于或等于1，且小于或等于Y的整数，k为大于或等于1，且小于或等于Z的整数，所述用户-产品矩阵为X行×Z列矩阵，第i行第k列的元素值表示用户i对产品k的兴趣值；
    对所述用户-产品矩阵中每一行的元素按照从大到小的顺序进行排列，按照排列后的所述元素对应的产品数据依次进行推送。
  4. 根据权利要求3所述的方法，其特征在于，所述用户-兴趣矩阵为X行×Y列矩阵，其中，X表示用户的数量，矩阵中第i行第j列的元素值为用户i对于预设兴趣标签j的兴趣值，i为大于或等于1，且小于或等于X的整数。
  5. 根据权利要求4所述的方法，其特征在于，所述分别计算每个所述预设兴趣标签与其他预设兴趣标签之间的兴趣相似度，并利用所述兴趣相似度建立兴趣相似度矩阵，具体包括：
    分别计算对于预设兴趣标签m和预设兴趣标签n具备兴趣的人数Nm和Nn；
    计算对于预设兴趣标签m和预设兴趣标签n同时具备兴趣的人数Nmn；
    根据Nm、Nn以及Nmn，计算预设兴趣标签m和预设兴趣标签n之间的兴趣相似度Wmn，
    Figure PCTCN2019073302-appb-100001
    根据所述兴趣相似度Wmn，建立兴趣相似度矩阵；
    其中，m和n均为大于或等于1，且小于或等于Y的整数，所述兴趣相似度矩阵为Y行×Y列矩阵，第m行第n列的元素值为预设兴趣标签m和预设兴趣标签n之间的相似度Wmn。
  6. 根据权利要求5所述的方法，其特征在于，所述利用所述兴趣相似度矩阵，更新所述用户-兴趣矩阵，具体包括：
    将所述用户-兴趣矩阵与所述兴趣相似度矩阵相乘，得到更新后的所述用户-兴趣矩阵。
  7. 根据权利要求6所述的方法，其特征在于，所述方法还包括：
    若存在新增产品，则根据所述预设产品规则，获取所述新增产品对应的预设兴趣标签；
    对更新后的所述用户-兴趣矩阵中每一行的元素按照从大到小的顺序进行排列，按照所述新增产品对应的预设兴趣标签在所述排列后的元素中的位置推送所述产品数据。
  8. 一种产品数据推送装置，其特征在于，包括：
    兴趣标签获取单元，用于获取用户的历史行为数据以及预设兴趣标签；
    用户-兴趣矩阵建立单元，用于根据所述历史行为数据分析用户对于的每个所述预设兴趣标签的兴趣值，并利用所述兴趣值建立用户-兴趣矩阵；
    相似度矩阵建立单元，用于基于所述历史行为数据以及所述预设兴趣标签，分别计算每个预设兴趣标签与其他预设兴趣标签之间的相似度，并利用所述兴趣相似度建立兴趣相似度矩阵；
    产品数据推送单元，用于利用所述兴趣相似度矩阵，更新所述用户-兴趣矩阵，并根据更新后的所述用户-兴趣矩阵推送所述产品数据。
  9. 根据权利要求8所述的装置，其特征在于，所述产品数据推送单元，具体包括：
    兴趣-产品矩阵建立单元，用于根据预设产品规则，计算每个所述产品对应的预设兴趣标签的兴趣评分，并利用所述兴趣评分构建兴趣-产品矩阵；
    产品数据推送子单元，用于依据所述兴趣-产品矩阵以及更新后的所述用户-兴趣矩阵，推送所述产品数据。
  10. 根据权利要求9所述的装置，其特征在于，所述产品数据推送单元，还包括：
    用户-产品矩阵建立单元，用于将更新后的所述用户-兴趣矩阵与所述兴趣-产品矩阵相乘，得到用户-产品矩阵；其中，所述兴趣-产品矩阵为Y行×Z列矩阵，Y表示预设兴趣标签的数量，Z代表产品的数量，第j行第k列的元素值表示产品k对应的预设兴趣标签j的兴趣评分，j为大于或等于1，且小于或等于Y的整数，k为大于或等于1，且小于或等于Z的整数，所述用户-产品矩阵为X行×Z列矩阵，第i行第k列的元素值表示用户i对产品k的兴趣值；
    产品数据推送子单元，具体用于对所述用户-产品矩阵中每一行的元素按照从大到小的顺序进行排列，按照排列后的所述元素对应的产品数据依次进行推送。
  11. 根据权利要求10所述的装置，其特征在于，所述用户-兴趣矩阵为X行×Y列矩阵，其中，X表示用户的数量，矩阵中第i行第j列的元素值为用户i对于预设兴趣标签j的兴趣值，i为大于或等于1，且小于或等于X的整数。
  12. 根据权利要求11所述的装置，其特征在于，所述相似度矩阵建立单元，具体包括：
    兴趣标签人数计算单元，用于分别计算对于预设兴趣标签m和预设兴趣标签n具备兴趣的人数Nm和Nn；以及
    计算对于预设兴趣标签m和预设兴趣标签n同时具备兴趣的人数Nmn；
    兴趣相似度计算单元，用于根据Nm、Nn以及Nmn，计算预设兴趣标签m和预设兴趣标签n之间的兴趣相似度Wmn，
    Figure PCTCN2019073302-appb-100002
    根据所述兴趣相似度Wmn，建立兴趣相似度矩阵；
    其中，m和n均为大于或等于1，且小于或等于Y的整数，所述兴趣相似度矩阵为Y行×Y列矩阵，第m行第n列的元素值为预设兴趣标签m和预设兴趣标签n之间的相似度Wmn。
  13. 根据权利要求12所述的装置，其特征在于，所述产品数据推送单元，具体包括：
    用户-兴趣矩阵更新单元，用于将所述用户-兴趣矩阵与所述兴趣相似度矩阵相乘，得到更新后的所述用户-兴趣矩阵。
  14. 根据权利要求13所述的装置，其特征在于，所述装置还包括：
    新增产品标签获取单元，用于若存在新增产品，则根据所述预设产品规则，获取所述新增产品对应的预设兴趣标签；
    新增产品数据推送单元，用于对更新后的所述用户-兴趣矩阵中每一行的元素按照从大到小的顺序进行排列，按照所述新增产品对应的预设兴趣标签在所述排列后的元素中的位置推送所述产品数据。
  15. 一种计算机非易失性可读存储介质，其上存储有计算机可读指令，其特征在于，所述计算机可读指令被处理器执行时实现产品数据推送方法，包括：
    获取用户的历史行为数据以及预设兴趣标签；根据所述历史行为数据分析所述用户对应的每个所述预设兴趣标签的兴趣值，并利用所述兴趣值建立用户-兴趣矩阵；基于所述历史行为数据，分别计算每个所述预设兴趣标签与其他预设兴趣标签之间的兴趣相似度，并利用所述兴趣相似度建立兴趣相似度矩阵；利用所述兴趣相似度矩阵，更新所述用户-兴趣矩阵，并根据更新后的所述用户-兴趣矩阵推送所述产品数据。
  16. 根据权利要求15所述的计算机非易失性可读存储介质，其特征在于，所述计算机可读指令被处理器执行时实现所述执行所述根据更新后的所述用户- 兴趣矩阵向用户推送所述产品数据，具体包括：
    根据预设产品规则，计算每个所述产品对应的预设兴趣标签的兴趣评分，并利用所述兴趣评分构建兴趣-产品矩阵；依据所述兴趣-产品矩阵以及更新后的所述用户-兴趣矩阵，推送所述产品数据。
  17. 根据权利要求15所述的计算机非易失性可读存储介质，其特征在于，所述计算机可读指令被处理器执行时实现所述依据所述兴趣-产品矩阵以及更新后的所述用户-兴趣矩阵，推送所述产品数据，具体包括：
    将更新后的所述用户-兴趣矩阵与所述兴趣-产品矩阵相乘，得到用户-产品矩阵；其中，所述兴趣-产品矩阵为Y行×Z列矩阵，Y表示预设兴趣标签的数量，Z代表产品的数量，第j行第k列的元素值表示产品k对应的预设兴趣标签j的兴趣评分，j为大于或等于1，且小于或等于Y的整数，k为大于或等于1，且小于或等于Z的整数，所述用户-产品矩阵为X行×Z列矩阵，第i行第k列的元素值表示用户i对产品k的兴趣值；对所述用户-产品矩阵中每一行的元素按照从大到小的顺序进行排列，按照排列后的所述元素对应的产品数据依次进行推送。
  18. 一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机可读指令，其特征在于，所述处理器执行所述计算机可读指令时实现产品数据推送方法，包括：
    获取用户的历史行为数据以及预设兴趣标签；根据所述历史行为数据分析所述用户对应的每个所述预设兴趣标签的兴趣值，并利用所述兴趣值建立用户-兴趣矩阵；基于所述历史行为数据，分别计算每个所述预设兴趣标签与其他预设兴趣标签之间的兴趣相似度，并利用所述兴趣相似度建立兴趣相似度矩阵；利用所述兴趣相似度矩阵，更新所述用户-兴趣矩阵，并根据更新后的所述用户-兴趣矩阵推送所述产品数据。
  19. 根据权利要求18所述的计算机设备，其特征在于，所述处理器执行所述计算机可读指令时实现所述执行所述根据更新后的所述用户-兴趣矩阵向用户推送所述产品数据，具体包括：
    根据预设产品规则，计算每个所述产品对应的预设兴趣标签的兴趣评分，并利用所述兴趣评分构建兴趣-产品矩阵；依据所述兴趣-产品矩阵以及更新后的所述用户-兴趣矩阵，推送所述产品数据。
  20. 根据权利要求19所述的计算机设备，其特征在于，所述处理器执行所述计算机可读指令时实现所述依据所述兴趣-产品矩阵以及更新后的所述用户-兴趣矩阵，推送所述产品数据，具体包括：
    将更新后的所述用户-兴趣矩阵与所述兴趣-产品矩阵相乘，得到用户-产品矩阵；其中，所述兴趣-产品矩阵为Y行×Z列矩阵，Y表示预设兴趣标签的数量，Z代表产品的数量，第j行第k列的元素值表示产品k对应的预设兴趣标签j的兴趣评分，j为大于或等于1，且小于或等于Y的整数，k为大于或等于1，且小于或等于Z的整数，所述用户-产品矩阵为X行×Z列矩阵，第i行第k列的元素值表示用户i对产品k的兴趣值；对所述用户-产品矩阵中每一行的元素按照从大到小的顺序进行排列，按照排列后的所述元素对应的产品数据依次进行推送。
PCT/CN2019/073302 2018-11-15 2019-01-28 产品数据推送方法及装置、计算机非易失性可读存储介质 WO2020098156A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201811361179.8 2018-11-15
CN201811361179.8A CN109697629B (zh) 2018-11-15 2018-11-15 产品数据推送方法及装置、存储介质、计算机设备

Publications (1)

Publication Number Publication Date
WO2020098156A1 true WO2020098156A1 (zh) 2020-05-22

Family

ID=66229823

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2019/073302 WO2020098156A1 (zh) 2018-11-15 2019-01-28 产品数据推送方法及装置、计算机非易失性可读存储介质

Country Status (2)

Country Link
CN (1) CN109697629B (zh)
WO (1) WO2020098156A1 (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111756832A (zh) * 2020-06-22 2020-10-09 百度在线网络技术（北京）有限公司 推送信息的方法、装置、电子设备及计算机可读存储介质
CN111859155A (zh) * 2020-08-04 2020-10-30 深圳前海微众银行股份有限公司 物品推荐方法、设备及计算机可读存储介质
CN111931059A (zh) * 2020-08-19 2020-11-13 创新奇智(成都)科技有限公司 一种对象的确定方法、装置及存储介质
CN113222697A (zh) * 2021-05-11 2021-08-06 湖北三赫智能科技有限公司 商品信息推送方法、装置计算机设备及可读存储介质
CN114416246A (zh) * 2021-12-31 2022-04-29 北京五八信息技术有限公司 一种数据处理方法、装置、电子设备及存储介质
CN116503126A (zh) * 2023-03-22 2023-07-28 中国船舶集团有限公司综合技术经济研究院 一种产品推荐方法、装置、电子设备及可读存储介质
CN113127750B (zh) * 2021-05-19 2024-04-02 同盾科技有限公司 信息列表生成方法及装置、存储介质、电子设备

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113366524B (zh) * 2019-05-20 2024-05-10 深圳市欢太科技有限公司 信息推荐方法、装置、电子设备以及存储介质
CN110795620A (zh) * 2019-09-25 2020-02-14 平安科技（深圳）有限公司 基于同类用户的产品推荐方法、装置、设备及存储介质
CN110889045B (zh) * 2019-10-12 2024-04-23 平安科技（深圳）有限公司 标签分析方法、装置及计算机可读存储介质
CN110929052B (zh) * 2019-12-03 2023-04-18 北京奇艺世纪科技有限公司 多媒体资源推荐方法、装置、电子设备及存储介质
CN111291217B (zh) * 2020-03-04 2024-02-02 北京奇艺世纪科技有限公司 一种内容推荐方法、装置、电子设备以及计算机可读介质
CN111459777B (zh) * 2020-03-09 2022-06-07 卓望数码技术（深圳）有限公司 一种应用程序推荐方法、设备及存储介质
CN111708901B (zh) * 2020-06-19 2023-10-13 腾讯科技（深圳）有限公司 多媒体资源推荐方法、装置、电子设备及存储介质
CN112860989B (zh) * 2021-01-20 2022-02-01 平安科技（深圳）有限公司 课程推荐方法、装置、计算机设备及存储介质
CN112991004A (zh) * 2021-02-06 2021-06-18 上海红星美凯龙泛家信息服务有限公司 基于画像的兴趣分类评分方法、系统及计算机存储介质
CN114329230B (zh) * 2021-12-30 2023-01-31 北京百度网讯科技有限公司 信息生成方法和装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106372133A (zh) * 2016-08-19 2017-02-01 苏州七彩部落网络科技有限公司 一种基于大数据的用户行为分析处理方法及系统
CN107066476A (zh) * 2016-12-13 2017-08-18 江苏途致信息科技有限公司 一种基于物品相似度的实时推荐方法
CN107633430A (zh) * 2017-09-20 2018-01-26 哈尔滨工业大学 一种基于群体社区的商品推荐方法
CN108446635A (zh) * 2018-03-19 2018-08-24 西北大学 一种利用脑电信号辅助偏好获取协同过滤推荐系统及方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104899266B (zh) * 2015-05-22 2017-10-24 广东欧珀移动通信有限公司 一种应用推荐方法及装置
US20170169341A1 (en) * 2015-12-14 2017-06-15 Le Holdings (Beijing) Co., Ltd. Method for intelligent recommendation
CN106933821A (zh) * 2015-12-29 2017-07-07 中国电信股份有限公司 一种基于相似度计算的个性化职位推荐方法和系统
CN107341245B (zh) * 2017-07-06 2020-08-21 阿里巴巴（中国）有限公司 数据处理方法、装置及服务器
CN107222566B (zh) * 2017-07-06 2020-09-04 阿里巴巴（中国）有限公司 信息推送方法、装置及服务器
CN107845424B (zh) * 2017-11-15 2021-11-16 海南大学 诊断信息处理分析的方法和系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106372133A (zh) * 2016-08-19 2017-02-01 苏州七彩部落网络科技有限公司 一种基于大数据的用户行为分析处理方法及系统
CN107066476A (zh) * 2016-12-13 2017-08-18 江苏途致信息科技有限公司 一种基于物品相似度的实时推荐方法
CN107633430A (zh) * 2017-09-20 2018-01-26 哈尔滨工业大学 一种基于群体社区的商品推荐方法
CN108446635A (zh) * 2018-03-19 2018-08-24 西北大学 一种利用脑电信号辅助偏好获取协同过滤推荐系统及方法

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111756832A (zh) * 2020-06-22 2020-10-09 百度在线网络技术（北京）有限公司 推送信息的方法、装置、电子设备及计算机可读存储介质
CN111756832B (zh) * 2020-06-22 2023-06-30 百度在线网络技术（北京）有限公司 推送信息的方法、装置、电子设备及计算机可读存储介质
CN111859155A (zh) * 2020-08-04 2020-10-30 深圳前海微众银行股份有限公司 物品推荐方法、设备及计算机可读存储介质
CN111931059A (zh) * 2020-08-19 2020-11-13 创新奇智(成都)科技有限公司 一种对象的确定方法、装置及存储介质
CN113222697A (zh) * 2021-05-11 2021-08-06 湖北三赫智能科技有限公司 商品信息推送方法、装置计算机设备及可读存储介质
CN113127750B (zh) * 2021-05-19 2024-04-02 同盾科技有限公司 信息列表生成方法及装置、存储介质、电子设备
CN114416246A (zh) * 2021-12-31 2022-04-29 北京五八信息技术有限公司 一种数据处理方法、装置、电子设备及存储介质
CN114416246B (zh) * 2021-12-31 2024-03-19 北京五八信息技术有限公司 一种数据处理方法、装置、电子设备及存储介质
CN116503126A (zh) * 2023-03-22 2023-07-28 中国船舶集团有限公司综合技术经济研究院 一种产品推荐方法、装置、电子设备及可读存储介质

Also Published As

Publication number Publication date
CN109697629A (zh) 2019-04-30
CN109697629B (zh) 2023-02-24

Similar Documents

Publication Publication Date Title
WO2020098156A1 (zh) 产品数据推送方法及装置、计算机非易失性可读存储介质
CN108776907B (zh) 广告智能推荐方法、服务器及存储介质
US11710054B2 (en) Information recommendation method, apparatus, and server based on user data in an online forum
WO2018209954A1 (zh) 用于推送信息的方法和装置
US9342791B2 (en) Systems and methods for trend aware self-correcting entity relationship extraction
US20170124184A1 (en) Method and system for performing a probabilistic topic analysis of search queries for a customer support system
US20160267189A1 (en) Method for performing network search at a browser side and a browser
US10546348B1 (en) Cleaning noise words from transaction descriptions
WO2017114198A1 (zh) 一种数据处理方法和装置
US20160162583A1 (en) Apparatus and method for searching information using graphical user interface
US11321724B1 (en) Product evaluation system and method of use
JP6728178B2 (ja) 検索データを処理するための方法及び装置
WO2019072098A1 (zh) 一种识别核心产品词的方法和系统
US20170287041A1 (en) Information processing apparatus, information processing method, and information processing program
CN111782953A (zh) 推荐方法、装置、设备及存储介质
US8346799B1 (en) Recent content rank adjustment with inverted decay
CN107506441B (zh) 一种数据排列方法、装置、电子设备以及存储介质
US11210341B1 (en) Weighted behavioral signal association graphing for search engines
CN114219586A (zh) 基于视频的购物推荐方法、装置、设备和存储介质
JP5559750B2 (ja) 広告処理装置、情報処理システム及び広告処理方法
CN107169837B (zh) 用于辅助搜索的方法、装置、电子设备及计算机可读介质
CN113781171A (zh) 信息推送方法、装置、设备及存储介质
US10528577B2 (en) Providing a list of activities to a user
JP6246271B1 (ja) 属性評価装置、販売システム、属性評価方法、および属性評価プログラム
KR20210059000A (ko) 구매를 위한 대안적인 제품들의 플러그-인 인에이블형 식별 및 디스플레이

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: 19885275

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: 19885275

Country of ref document: EP

Kind code of ref document: A1