WO2020098163A1 - 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
WO2020098163A1
WO2020098163A1 PCT/CN2019/074032 CN2019074032W WO2020098163A1 WO 2020098163 A1 WO2020098163 A1 WO 2020098163A1 CN 2019074032 W CN2019074032 W CN 2019074032W WO 2020098163 A1 WO2020098163 A1 WO 2020098163A1
Authority
WO
WIPO (PCT)
Prior art keywords
similarity
target user
sample
product
user
Prior art date
Application number
PCT/CN2019/074032
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 WO2020098163A1 publication Critical patent/WO2020098163A1/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 collaborative filtering method of the main recommendation method of the personalized recommendation system recommends items to users based on the similarity of interests between users.
  • the collaborative filtering method has a good recommendation accuracy rate when the user feature data is dense.
  • the interest similarity between users is calculated based on the user's ratings of different products, which leads to the lack of calculating the interest between users when a user's rating matrix for a product is extremely sparse and there is no any rating data about this product. Based on the similarity, therefore, this collaborative filtering recommendation method will greatly reduce the accuracy of the recommendation when facing new users or lack of user's rating data, that is, it is difficult to solve the problem of cold start of the user of the recommendation system.
  • the present application provides a method and device for pushing product data, a computer non-volatile readable storage medium, comprehensively analyzes the similarity of product ratings and basic attributes between users to push product data, and solves the problem of product data User cold start issue in push issue.
  • a method for pushing product data which includes:
  • the characteristic information of the target user includes product rating information of the target user for each product and basic attribute information of the target user;
  • a product data pushing device which is characterized by comprising:
  • the similarity vector construction unit obtains characteristic information of the target user, wherein the characteristic information of the target user includes product rating information of the target user for each product and basic attribute information of the target user;
  • the similarity vector construction unit is used to separately calculate the feature similarity between any feature information of the target user and the feature information corresponding to any sample user, and use the feature similarity to construct the target user and any A similarity vector between the sample customers;
  • a similarity calculation unit configured to calculate the individual similarity between the target user and any of the sample users according to the similarity vector between the target user and any of the sample users;
  • the product data pushing unit is used to obtain a similar sample user from the sample user by using the individual similarity between the target user and any of the sample users, and to send the similar sample user the product rating information according to the similar sample user.
  • the target user pushes the product data.
  • a computer non-volatile readable storage medium on which computer readable instructions are stored, and when the program is executed by a processor, the above product data pushing method is implemented, including:
  • the characteristic information of the target user includes product rating information of the target user for each product and basic attribute information of the target user;
  • a computer device including a memory, a processor, and computer-readable instructions stored on the memory and executable on the processor, and the processor implements the program to implement the above product data Push methods, including:
  • the characteristic information of the target user includes product rating information of the target user for each product and basic attribute information of the target user;
  • a method and device for pushing product data and a computer non-volatile storage medium provided by the present application, according to the characteristic similarity between the basic attribute information of the target user and the sample user and the product rating information, Calculate the individual similarity between the target user and each sample user, and use the individual similarity to find similar sample users corresponding to the target user among the sample users, so as to push product data to the target user according to the product rating of the similar sample users ,
  • the traditional method is to analyze user interest based on user rating data
  • product recommendation can only be carried out under the condition of dense user feature information, which cannot solve the user's cold start problem.
  • This solution comprehensively analyzes the user's basic attribute information and Product rating information, even when the user's product rating information is scarce, can also play a good recommendation effect, solving the user's cold start problem.
  • 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.
  • a method for pushing product data includes:
  • Step 102 Obtain the characteristic information of the target user.
  • the characteristic information of the target user includes product rating information of the target user for each product and basic attribute information of the target user.
  • the target user's characteristic information may contain its own basic attribute information, such as the target user's gender, age, birth place, marital status, spouse's name, monthly income, family disposable property, etc., and the characteristic information may also contain Target user's product rating information for each product, for example, for each product, the full score is 10 points, the user scores 5 points for A-type fund products, 8 points for B-type stock products, and 8 points for C-type insurance products 6 points.
  • the basic attribute information should be intact for both new and old users, and for product rating information, product rating information for new users is often scarce or even completely absent of.
  • Step 104 Calculate the feature similarity between any feature information of the target user and the feature information corresponding to any sample user, and use the feature similarity to construct a similarity vector between the target user and any sample customer.
  • the sample user is a collection of multiple historical users with complete feature information
  • the feature similarity between the feature information corresponding to each item of the target user and any sample user is calculated, for example, the calculation target
  • a similarity vector between the target user and the sample user is constructed.
  • Step 106 Calculate the similarity between the target user and any sample user according to the similarity vector between the target user and any sample user.
  • the similarity vector between the target user and any sample user reflects the feature similarity between each feature information of the target user and the sample user, using the similarity vector, that is, the target user and the The feature similarity between each item of feature information of the sample user is used to calculate the similarity between the target user and the sample user to measure the similarity between the target user and the sample user.
  • Step 108 Use the similarity between the target user and any sample user to obtain a similar sample user from the sample user, and push product data to the target user according to the product rating information of the similar sample user.
  • the individual similarity between the target user and each sample user is calculated, and the individual similarity is used Find similar sample users corresponding to the target users among the sample users, so as to push the product data to the target users according to the product ratings of the similar sample users to achieve product recommendation, while the traditional method is to analyze user interests based on user ratings data, only Product recommendation can be performed under the condition of dense user feature information, which cannot solve the user's cold start problem.
  • This solution comprehensively analyzes the user's basic attribute information and product rating information. Even when the user's product rating information is scarce, it can play a good role. The recommendation effect solves the user's cold start problem.
  • the method includes:
  • Step 202 Obtain the characteristic information of the target user.
  • the characteristic information of the target user includes product rating information of the target user for each product and basic attribute information of the target user.
  • Step 204 Obtain the basic attribute information of the target user, respectively calculate the basic attribute similarity between any basic attribute information of the target user and the basic attribute information corresponding to any sample user, and use the basic attribute similarity to construct the basic attribute similarity Degree vector.
  • calculating the similarity between any item of the target user and any corresponding item of any sample user specifically includes:
  • the similarity of the basic attribute of the item is 1; if it is inconsistent, the similarity of the basic attribute of the item is 0.
  • the basic attribute information of “gender” belongs to the basic attribute information of the enumeration class. Assuming that the target user ’s gender is male and the sample user A ’s gender is also male, the “gender” between the target user and the sample user A Similarity is 1.
  • the basic attribute information of “marital status” also belongs to the enumeration type basic attribute information. Assuming that the marital status of the target user is married and the marital status of the sample user B is unmarried, the target user and the sample user B The similarity between the "marital status" is 0.
  • calculating the similarity between any item of the target user and any corresponding item of any sample user specifically includes:
  • the similarity of the corresponding basic attribute information of the target user and the sample user is calculated.
  • the calculation formula of the basic attribute similarity is:
  • Y1 is the basic attribute value of the target user
  • Y2 is the basic attribute value corresponding to any sample user
  • max (Y) and min (Y) are the maximum value and minimum value of the basic attribute of the target user and all sample users, respectively value.
  • the target user is 30 years old
  • the sample user A is 25 years old
  • the "age” similarity between the target user and the sample user A is 1- (
  • the feature similarity between any feature information of the target user and the feature information corresponding to the sample user ranges from 0 to 1.
  • the similarity between the basic attribute information of the enumeration class and measurement class between the target user and the sample user is quantified, which provides a mathematical basis for the subsequent calculation of the similarity between the target user and the sample user, and finding similar sample users.
  • construct the basic attribute similarity vector specifically including:
  • a basic attribute similarity vector fi between the target user and the sample user i is established;
  • i is greater than or equal to 1 and less than or equal to N
  • m2 is the number of basic attributes.
  • the similarity of these basic attributes is recorded in the form of a vector, and the target is specifically
  • the basic attribute similarity vector between the user and the sample user i is denoted by fi, and the vector fi records the similarity fi1, fi2,... Fim2 of each basic attribute between the target user and the sample user i, which is easy to find and use.
  • Step 206 When the target user's characteristic information includes at least one item of product rating information, obtain the target user's product rating information, and respectively calculate any one of the target user's product rating information and any sample user's corresponding product rating information The similarity of product ratings between products is used, and the similarity vector of product ratings is constructed using the similarity of product ratings.
  • the target user's product rating information includes the item's product rating
  • the target user and any sample user are calculated according to the product rating similarity calculation formula
  • Product score similarity is:
  • X is the absolute value of the difference between the target user and any sample user's product rating
  • the product rating similarity is 0.
  • the target user ’s product rating information includes a rating for a category A stock product
  • the product rating similarity calculation formula calculate the product rating similarity of the category A stock product between the target user and the sample user A, assuming the target user If the score of the A-type stock product is 0.5, and the sample user A scores the A-type stock product is 0.8, then the similarity of the product A's product score between the target user and the sample user A is 2 * (1- 1 / (1 + exp (-0.3))) ⁇ 0.85.
  • construct the product score similarity vector specifically including:
  • a product score similarity vector gj between the target user and the sample user j is established;
  • gj (gj1, gj2, gj3, ..., gjm1)
  • j is greater than or equal to 1 and less than or equal to N
  • N is the number of sample users
  • m1 is the number of products.
  • the similarity of these product ratings is recorded in the form of a vector, and the target is specifically
  • the product rating similarity vector between the user and the sample user j is represented by gj, and the vector gj records the similarity gj1, gj2, ... gjm1 of each basic attribute between the target user and the sample user j, which is easy to find and use.
  • Step 208 Calculate the similarity between the target user and any sample user according to the similarity vector between the target user and any sample user.
  • the average value gk of the product rating similarity between the target user and the sample user k is calculated
  • the average value gk of product ratings similarity between the target user and the sample user k is the average number of similarity ratings of all products.
  • the average fk of the basic attribute similarity between the target user and the sample user k is the average of the similarities of all the basic attributes.
  • k is greater than or equal to 1 and less than or equal to N
  • ⁇ 1 and ⁇ 2 are the basic attribute similarity weight and item score similarity weight, respectively.
  • the average product score similarity and the basic attribute similarity between the target user and the sample user k are given corresponding weights, and the weighted sum is obtained to obtain the individual similarity between the target user and the sample user k hk.
  • the individual similarity hk reflects the similarity between the target user and the sample user k, and provides a mathematical basis for the subsequent acquisition of similar sample users.
  • the basic attribute similarity weight ⁇ 1 e- ⁇ M1
  • the product rating similarity weight ⁇ 2 1- ⁇ 1
  • the calculation formula of the preset coefficient ⁇ is:
  • M1 is the number of product ratings included in the product rating information of the target user
  • M2 is the number of basic attributes included in the basic attribute information of the target user.
  • the more non-empty items in the product rating information that is, the more items that contain product ratings, the greater the product rating similarity weight
  • the fewer non-empty items in the product rating information that is, include The smaller the number of items for product ratings, the lower the weight of similarity for product ratings.
  • the product user's score information is more comprehensive in the target user's feature information, the similarity between the target user and the sample user in product score information will be more valued when calculating the individual similarity between the target user and the sample user Degree; and if the product user ’s score information is relatively sparse in the target user ’s feature information, when calculating the individual similarity between the target user and the sample user, due to too little product score information, it is necessary to rely more on the target user and the sample user between The degree of similarity in basic attribute information.
  • the preset coefficient ⁇ can also take a fixed value.
  • step 210 all sample users are sorted according to the order of individual similarity with the target user, and the sample user corresponding to the first preset value ranked as the similar sample user is selected.
  • the individual similarities are arranged in order from large to small, and the sample users corresponding to the individual similarity of the first preset value are ranked first. , It is a similar sample user. After finding similar sample users, you can push product data to target users based on the historical information of similar sample users, such as historical purchase information, historical rating information, etc., to implement product recommendations.
  • sort the individual similarity between the target user and all 100 sample users and take the corresponding sample users in the top 10 of the individual similarity as similar sample users.
  • Step 212 Calculate the average product ratings of all similar sample users for each product
  • the average product ratings of all similar sample users for each product can also be calculated, and the average value of all similar sample users' ratings for each product can be calculated to help understand the satisfaction of similar sample users for different products. .
  • step 214 the products are sorted according to the order of the average product rating, and the product data corresponding to the product with the second highest preset value is pushed to the target user.
  • the product score similarity and basic attribute similarity between the target user and the sample user individual are calculated respectively, and according to the density of the product score information and basic attribute information, that is, the product score information and the basic
  • the integrity of attribute information weights the similarity of product ratings and the similarity of basic attributes, which solves the problem of user cold start in product recommendation problems, that is, when there is no product rating information
  • the basic attribute information is mainly used to calculate the individual between users Similarity, in order to find similar sample users and then recommend products, and, in order to ensure the accuracy of the recommendation, when the product rating information is more comprehensive, mainly rely on the product rating information to calculate the individual similarity, so as to find similar sample users and then recommend products.
  • an embodiment of the present application provides a device for pushing product data, as shown in FIG. 3, the device includes: a similarity vector construction unit 31, a similarity vector construction unit 32, and individual similarity Degree calculation unit 33, product data push unit 34.
  • the characteristic information obtaining unit 31 is used to obtain characteristic information of the target user, wherein the characteristic information of the target user includes product score information of the target user for each product and basic attribute information of the target user;
  • the similarity vector construction unit 32 is used to calculate the feature similarity between any feature information of the target user and the feature information corresponding to any sample user, and use the feature similarity to construct between the target user and any sample customer Similarity vector
  • the individual similarity calculation unit 33 is configured to calculate the individual similarity between the target user and any sample user according to the similarity vector between the target user and any sample user;
  • the product data pushing unit 34 is used to obtain similar sample users from the sample users by using the individual similarity between the target user and any sample user, and push product data to the target user according to the product rating information of the similar sample users.
  • the similarity vector construction unit 32 further includes: a basic attribute similarity vector construction unit 321, a product score similarity Vector construction unit 322;
  • the basic attribute similarity vector construction unit 321 is used to obtain the basic attribute information of the target user, respectively calculate the basic attribute similarity between any basic attribute information of the target user and the basic attribute information corresponding to any sample user, and use Basic attribute similarity constructs basic attribute similarity vector;
  • the product rating similarity vector construction unit 322 is used to obtain the product rating information of the target user when the feature information of the target user includes at least one product rating information, and respectively calculate any item of product rating information and any sample of the target user Product rating similarity between corresponding product rating information of the user, and the product rating similarity vector is constructed using the product rating similarity.
  • the product rating similarity vector construction unit 322 specifically includes:
  • the product rating similarity calculation unit 3221 is used to calculate the product rating information of any item. If the product rating information of the target user includes the product rating, then calculate the product of the target user and any sample user according to the formula for calculating the similarity of the product rating
  • the product score similarity is calculated as follows:
  • X is the absolute value of the difference between the target user and any of the sample users' product ratings
  • the product rating similarity is 0;
  • Product rating similarity vector construction sub-unit 3222 for any sample user j, according to any one of the product rating similarity between the target user and the sample user j, to establish the product rating similarity between the target user and the sample user j Vector gj;
  • gj (gj1, gj2, gj3, ..., gjm1)
  • j is greater than or equal to 1 and less than or equal to N
  • N is the number of sample users
  • m1 is the number of products.
  • the basic attribute similarity vector construction unit 321 specifically includes:
  • the enumeration class basic attribute similarity calculation unit 3211 is configured to calculate the similarity between any item of the target user and any item corresponding to any sample user if the basic attribute information is the enumeration class basic attribute information, This includes:
  • the similarity of the basic attribute of the item is 1; if it is inconsistent, the similarity of the basic attribute of the item is 0;
  • the metric class basic attribute similarity calculation unit 3212 is used to calculate the similarity between any item of the target user and any item corresponding to any sample user if the basic attribute information is the metric class basic attribute information, specifically including :
  • the similarity of the corresponding basic attribute information of the target user and the sample user is calculated.
  • the calculation formula of the basic attribute similarity is:
  • Y1 is the basic attribute value of the target user
  • Y2 is the basic attribute value corresponding to any sample user
  • max (Y) and min (Y) are the maximum value and minimum value of the basic attribute of the target user and all sample users, respectively value
  • the basic attribute similarity vector construction sub-unit 3213 is used to establish the basic attribute similarity between the target user and the sample user i according to any basic attribute similarity between the target user and the sample user i for any sample user i Vector fi
  • i is greater than or equal to 1 and less than or equal to N
  • m2 is the number of basic attributes.
  • the individual similarity calculation unit 33 specifically includes:
  • the average product score similarity calculation unit 331 is used to calculate the average product score similarity gk between the target user and the sample user k based on any sample user k,
  • the basic attribute similarity mean calculation unit 332 is used to calculate the basic attribute similarity mean fk between the target user and the sample user k,
  • the individual similarity calculation subunit 333 is used to calculate the individual similarity hk between the target user and the sample user k,
  • k is greater than or equal to 1 and less than or equal to N
  • ⁇ 1 and ⁇ 2 are the basic attribute similarity weight and item score similarity weight, respectively.
  • the product data pushing unit 34 specifically includes:
  • the individual similarity sorting unit 341 is used to sort all sample users according to the order of individual similarity with the target user, and select the sample user corresponding to the first preset value as the similar sample user;
  • the average product rating calculation unit 342 is used to calculate the average product rating of all similar sample users for each product
  • the product data pushing sub-unit 343 is used to sort the products according to the order of the average product score from the largest to the smallest, and push the product data corresponding to the product with the second highest preset value to the target user.
  • 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 Implementation: Obtain the target user's feature information, where the target user's feature information includes the target user's product rating information for each product and the target user's basic attribute information; respectively calculate any feature information of the target user corresponding to any sample user Feature similarity between the feature information of the target, and use the feature similarity to construct the similarity vector between the target user and any sample customer; according to the similarity vector between the target user and any sample user, calculate the target user and any The individual similarity between the same users; use the individual similarity between the target user and any sample user to obtain similar sample users from the sample users, and push product data to the target users according to the product rating information of the similar sample users.
  • 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, as shown in FIG. 5, the computer device includes a processor 41.
  • the computer device includes a processor 41.
  • the processor 41 executes the program to implement the following steps : Obtain the target user's feature information, where the target user's feature information includes the target user's product rating information for each product and the target user's basic attribute information; separately calculate any feature information of the target user corresponding to any sample user Feature similarity between feature information, and use the feature similarity to construct the similarity vector between the target user and any sample customer; according to the similarity vector between the target user and any sample user, calculate the target user is the same as any The individual similarity between the users; use the individual similarity between the target user and any sample user from the sample Obtaining similar sample users and data to the target user to push a product similar samples according to the user's product rating information.
  • 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 and saves hardware and software resources of computer equipment, 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。其中方法包括：获取目标用户的特征信息，其中，目标用户的特征信息包括目标用户对各个产品的产品评分信息和目标用户的基本属性信息；分别计算目标用户的任一项特征信息与任一样本用户对应的特征信息之间的特征相似度，并利用特征相似度构建目标用户与任一样本客户之间的相似度向量；根据目标用户与任一样本用户之间的相似度向量，计算目标用户与任一样本用户之间的个体相似度；利用目标用户与任一样本用户之间的个体相似度从样本用户中获取相似样本用户，并根据相似样本用户的产品评分信息向目标用户推送所述产品数据。本申请解决了用户冷启动问题。

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12日提交中国专利局、申请号为2018113406882、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。
目前个性化推荐系统的主要推荐方法的协同过滤方法，基于用户之间的兴趣相似度，向用户进行项目的推荐，协同过滤方法对于用户特征数据密集时有着较好的推荐准确率。而用户间的兴趣相似度是基于用户对不同产品的评分来计算的，这样就导致当一个用户对于某产品的评分矩阵极度稀疏甚至没有关于此产品的任何评分数据时，缺乏计算用户之间兴趣相似度的基础，因此，这种协同过滤的推荐方法在面对新用户或缺乏用户的评分数据时，推荐的准确度会大幅度降低，也即对于推荐系统的用户冷启动问题难以解决。
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，综合分析用户之间的产品评分和基本属性的相似度进行产品数据推送，解决了产品数据推送问题中的用户冷启动问题。
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：
获取目标用户的特征信息，其中，所述目标用户的特征信息包括所述目标用户对各个产品的产品评分信息和所述目标用户的基本属性信息；
分别计算所述目标用户的任一项特征信息与任一样本用户对应的特征信息之间的特征相似度，并利用所述特征相似度构建所述目标用户与任一所述样本客户之间的相似度向量；
根据所述目标用户与任一所述样本用户之间的相似度向量，计算所述目标用户与任一所述样本用户之间的个体相似度；
利用所述目标用户与任一所述样本用户之间的个体相似度从所述样本用户中获取相似样本用户，并根据所述相似样本用户的产品评分信息向所述目标用户推送所述产品数据。
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：
相似度向量构建单元，获取目标用户的特征信息，其中，所述目标用户的特征信息包括所述目标用户对各个产品的产品评分信息和所述目标用户的基本属性信息；
相似度向量构建单元，用于分别计算所述目标用户的任一项特征信息与任一样本用户对应的特征信息之间的特征相似度，并利用所述特征相似度构建所述目标用户与任一所述样本客户之间的相似度向量；
相似度计算单元，用于根据所述目标用户与任一所述样本用户之间的相似度向量，计算所述目标用户与任一所述样本用户之间的个体相似度；
产品数据推送单元，用于利用所述目标用户与任一所述样本用户之间的个体相似度从所述样本用户中获取相似样本用户，并根据所述相似样本用户的产品评分信息向所述目标用户推送所述产品数据。
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上述产品数据推送方法，包括：
获取目标用户的特征信息，其中，所述目标用户的特征信息包括所述目标用户对各个产品的产品评分信息和所述目标用户的基本属性信息；
分别计算所述目标用户的任一项特征信息与任一样本用户对应的特征信息之间的特征相似度，并利用所述特征相似度构建所述目标用户与任一所述样本客户之间的相似度向量；
根据所述目标用户与任一所述样本用户之间的相似度向量，计算所述目标用户与任一所述样本用户之间的个体相似度；
利用所述目标用户与任一所述样本用户之间的个体相似度从所述样本用户中获取相似样本用户，并根据所述相似样本用户的产品评分信息向所述目标用户推送所述产品数据。
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程序时实现上述产品数据推送方法，包括：
获取目标用户的特征信息，其中，所述目标用户的特征信息包括所述目标用户对各个产品的产品评分信息和所述目标用户的基本属性信息；
分别计算所述目标用户的任一项特征信息与任一样本用户对应的特征信息之间的特征相似度，并利用所述特征相似度构建所述目标用户与任一所述样本客户之间的相似度向量；
根据所述目标用户与任一所述样本用户之间的相似度向量，计算所述目标用户与任一所述样本用户之间的个体相似度；
利用所述目标用户与任一所述样本用户之间的个体相似度从所述样本用户中获取相似样本用户，并根据所述相似样本用户的产品评分信息向所述目标用户推送所述产品数据。
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，根据目标用户和样本用户的基本属性信息和产品评分信息之间的特征相似度，计算目标用户与每个样本用户之间的个体相似度，并利用个体相似度在样本用户中寻找与目标用户对应的相似样本用户，从而根据相似样本用户的产品评分情况向目标用户进行产品数据推送，实现产品的推荐，而传统的方法是基于用户评分数据分析用户兴趣，只能在用户特征信息密集的情况下进行产品推荐，无法解决用户的冷启动问题，本方案综合分析用户基本属性信息和产品评分信息，即使在用户的产品评分信息稀缺时，也能起到良好的推荐效果，解决了用户的冷启动问题。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
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。
在本实施例中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，获取目标用户的特征信息。
其中，目标用户的特征信息包括目标用户对各个产品的产品评分信息和目标用户的基本属性信息。
具体地，目标用户的特征信息中可以包含自身的基本属性信息，例如目标用户的性别、年龄、籍贯、婚姻状况、配偶姓名、月收入、家庭可支配财产等等信息，特征信息中还可以包含目标用户对各个产品的产品评分信息，例如对于每一种产品满分评分为10分，用户对A类基金产品评分为5分、对于B类股票产品评分为8分、对于C类保险产品评分为6分。
需要说明的是，在目标用户的特征信息中，无论对于新用户还是老用户，基本属性信息都应是完整无缺的，而对于产品评分信息，新用户的产品评分信息往往是稀缺甚至是完全没有的。
步骤104，分别计算目标用户的任一项特征信息与任一样本用户对应的特征信息之间的特征相似度，并利用特征相似度构建目标用户与任一样本客户之间的相似度向量。
在上述实施例中，样本用户是由多个具备完整特征信息的历史用户组成的集合，分别计算目标用户与任一个样本用户的每一项对应的特征信息之间的特征相似度，例如计算目标用户与样本用户甲的对于A类基金产品评分的相似度。根据所计算的目标用户与任一样本用户的全部特征信息之间的特征相似度，构建目标用户与该样本用户之间的相似度向量。
步骤106，根据目标用户与任一样本用户之间的相似度向量，计算目标用户与任一样本用户之间的相似度。
需要说明的是，目标用户与任一样本用户之间的相似度向量反应了目标用户与该样本用户的每一项特征信息之间的特征相似度，利用相似度向量，也即目标用户与该样本用户的每一项特征信息之间的特征相似度，计算出目标用户与该样本用户之间的相似度，用以衡量目标用户与样本用户之间的相似程度。
步骤108，利用目标用户与任一样本用户之间的相似度从样本用户中获取相似样本用户，并根据相似样本用户的产品评分信息向目标用户推送产品数据。
计算出目标用户与每一个样本用户之间的相似度后，利用这些相似度数据，找出样本用户中与目标用户的相似程度较高的若干个作为相似样本用户，从而根据这些相似样本用户对于各个产品的产品评分信息向目标用户推送产品数据，实现产品的推荐。
通过应用本实施例的技术方案，根据目标用户和样本用户的基本属性信息和产品评分信息之间的特征相似度，计算目标用户与每个样本用户之间的个体相似度，并利用个体相似度在样本用户中寻找与目标用户对应的相似样本用户，从而根据相似样本用户的产品评分情况向目标用户进行产品数据推送，实现产品的推荐，而传统的方法是基于用户评分数据分析用户兴趣，只能在用户特征信息密集的情况下进行产品推荐，无法解决用户的冷启动问题，本方案综合分析用户基本属性信息和产品评分信息，即使在用户的产品评分信息稀缺时，也能起到良好的推荐效果，解决了用户的冷启动问题。
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，获取目标用户的特征信息。
其中，目标用户的特征信息包括目标用户对各个产品的产品评分信息和目标用户的基本属性信息。
步骤204，获取目标用户的基本属性信息，分别计算目标用户的任一项基本属性信息与任一样本用户对应的基本属性信息之间的基本属性相似度，并利用基本属性相似度构建基本属性相似度向量。
在上述实施例中，具体地，若基本属性信息为枚举类基本属性信息，则计算目标用户的任一项与任一样本用户的对应的任一项之间的相似度，具体包括：
若目标用户的基本属性信息与任一样本用户的对应的基本属性信息一致，则该项基本属性相似度为1；若不一致，则该项基本属性相似度为0。
例如，对于“性别”这一基本属性信息，属于枚举类基本属性信息，假设目标用户的性别为男，样本用户甲的性别也为男，则目标用户与样本用户甲之间的“性别”相似度为1。
再例如，对于“婚姻状况”这一基本属性信息，也属于枚举类基本属性信息，假设目标用户的婚姻状况为已婚，而样本用户乙的婚姻状况为未婚，则目标用户与样本用户乙之间的“婚姻状况”相似度为0。
在上述实施例中，具体地，若基本属性信息为度量类基本属性信息，则计算目标用户的任一项与任一样本用户的对应的任一项之间的相似度，具体包括：
按照基本属性相似度计算公式，计算目标用户与样本用户的对应的基本属性信息的相似度，对于任一基本属性，基本属性相似度计算公式为：
Figure PCTCN2019074032-appb-000001
其中，Y1为目标用户的基本属性值，Y2为任一样本用户对应的基本属性值，max(Y)和min(Y)分别为目标用户和全部样本用户中该项基本属性的最大值和最小值。
例如，对于“年龄”这一基本属性信息，属于度量类基本属性信息，假设目标用户的年龄为30岁，样本用户甲的年龄为25岁，而全部的样本用户加上目标用户组成的用户群体中，年龄最大的为50岁，年龄最小的为20岁，则目标用户与样本用户甲之间的“年龄”相似度为1-(|30-25|)/(50-20)≈0.833。
再例如，对于“月收入”这一基本属性信息，属于度量类基本属性信息，假设目标用户的月输入是5000元，样本用户乙的月收入也是5000元，那么目标用户与样本用户乙之间的“月收入”相似度为1。
可见，目标用户的任一项特征信息与样本用户对应的特征信息之间的特征相似度的取值范围为0～1。将目标用户与样本用户之间的枚举类以及度量类的基本属性信息相似度进行量化，为后续计算目标用户与样本用户之间的相似度，寻找相似样本用户提供数学基础。
另外，构建基本属性相似度向量，具体包括：
对于任一样本用户i，根据目标用户与样本用户i之间任一项基本属性相似度，建立目标用户与样本用户i之间的基本属性相似度向量fi；
fi＝(fi1,fi2,fi3,…,fim2)，
其中，i大于或等于1且小于或等于N，m2为基本属性的项数。
需要说明的是，计算目标用户与任一样本用户i之间的每一项基本属性相似度后，根据这些基本属性相似度，通过向量的形式，将这些基本属性相似度进行记录，具体将目标用户与样本用户i之间的基本属性相似度向量用fi表示，向量fi记录了目标用户与样本用户i之间每一项基本属性的相似度fi1、fi2、……fim2，便于查找和使用。
步骤206，当目标用户的特征信息中包含至少一项产品评分信息时，获取目标用户的产品评分信息，分别计算目标用户的任一项产品评分信息与任一样本用户的对应的产品评分信息之间的产品评分相似度，并利用产品评分相似度构建产品评分相似度向量。
在上述实施例中，具体地，对于任一项产品评分信息，若目标用户的产品评分信息中包含该项产品评分，则按照产品评分相似度计算公式，计算目标用户与任一样本用户的该项产品评分相似度，产品评分相似度计算公式为：
Figure PCTCN2019074032-appb-000002
其中，X为目标用户与任一样本用户的该项产品评分之差的绝对值；
若目标用户的产品评分信息中不包含该项产品评分，则产品评分相似度为0。
例如，目标用户的产品评分信息中包含对A类股票产品的评分，则按照产品评分相似度计算公式，计算目标用户与样本用户甲之间的A类股票产品的产品评分相似度，假设目标用户对A类股票产品的评分为0.5分，样本用户甲对A类股票产品的评分为0.8分，则目标用户与样本用户甲之间的A类股票产品的产品评分相似度为2*(1-1/(1+exp(-0.3)))≈0.85。
另外，构建产品评分相似度向量，具体包括：
对于任一样本用户j，根据目标用户与样本用户j之间任一项产品评分相似度，建立目标用户与样本用户j之间的产品评分相似度向量gj；
gj＝(gj1,gj2,gj3,…,gjm1)，
其中，j大于或等于1且小于或等于N，N为样本用户的数量，m1为产品的数量。
需要说明的是，计算目标用户与任一样本用户j之间的每一项产品评分相似度后，根据这些产品评分相似度，通过向量的形式，将这些产品评分相似度进行记录，具体将目标用户与样本用户j之间的产品评分相似度向量用gj表示，向量gj记录了目标用户与样本用户j之间每一项基本属性的相似度gj1、gj2、……gjm1，便于查找和使用。
步骤208，根据目标用户与任一样本用户之间的相似度向量，计算目标用户与任一样本用户之间的相似度。
在上述实施例中，具体地，基于任一样本用户k，计算目标用户与样本用户k之间的产品评分相似度均值gk，
Figure PCTCN2019074032-appb-000003
需要说明的是，目标用户与样本用户k之间的产品评分相似度均值gk为全部产品评分相似度的平均数。
计算目标用户与样本用户k之间的基本属性相似度均值fk，
Figure PCTCN2019074032-appb-000004
需要说明的是，目标用户与样本用户k之间的基本属性相似度均值fk为全部基本属性相似度的平均数。
计算目标用户与样本用户k之间的个体相似度hk，
hk＝ω1×fk+ω2×gk，
其中，k大于或等于1且小于或等于N，ω1和ω2分别为基本属性相似度权重和项目评分相似度权重。
需要说明的是，对目标用户与样本用户k之间的产品评分相似度均值与基本属性相似度均值分别赋予对应的权重，进行加权求和，得到目标用户与样本用户k之间的个体 相似度hk。个体相似度hk反应了目标用户与样本用户k之间的相似程度，为后续获取相似样本用户提供数学基础。
在上述实施例中，具体地，基本属性相似度权重ω1＝e-μM1，产品评分相似度权重ω2＝1-ω1，预设系数μ的计算公式为：
Figure PCTCN2019074032-appb-000005
其中，M1为目标用户的产品评分信息中包含的产品评分的项数，M2为目标用户的基本属性信息中包含的基本属性的项数。
需要说明的是，预设系数μ的完整计算公式为
Figure PCTCN2019074032-appb-000006
化简后，得到：
Figure PCTCN2019074032-appb-000007
预设系数μ的值越大代表着权重ω1衰减越快。由上述权重公式可知，产品评分信息中非空的项数越多，即包含产品评分的项数越多，产品评分相似度权重越大，产品评分信息中非空的项数越少，即包含产品评分的项数越少，产品评分相似度权重越小。
也就是说，若目标用户的特征信息中产品评分信息比较全面，则在计算目标用户与样本用户之间的个体相似度时，会更加看重目标用户与样本用户之间在产品评分信息方面的相似程度；而若目标用户的特征信息中产品评分信息比较稀疏，则在计算目标用户与样本用户之间的个体相似度时，由于产品评分信息过少，需要更加依赖目标用户与样本用户之间在基本属性信息方面的相似程度。
另外，为了加快计算速度，预设系数μ也可取一个固定的值。
步骤210，将全部样本用户按照与目标用户之间个体相似度从大到小的顺序进行排序，并取排名在前第一预设值对应的样本用户作为相似样本用户。
具体地，计算目标用户与全部样本用户之间的个体相似度后，对这些个体相似度按照从大到小的顺序进行排列，排名在前第一预设值的个体相似度所对应的样本用户，则为相似样本用户。寻找到相似样本用户后，即可根据相似样本用户的历史信息例如历史购买信息、历史评分信息等向目标用户推送产品数据，实现产品推荐。
例如，对目标用户与全部100个样本用户之间的个体相似度进行排序，取个体相似度排名前10的对应样本用户作为相似样本用户。
步骤212，计算全部相似样本用户对各个产品的产品评分均值；
在上述实施例中，还可以计算全部相似样本用户对于每一项产品评分的产品评分均值，统计全部相似样本用户的对各个产品的评分均值，有助于了解相似样本用户对于不同产品的满意程度。
步骤214，将产品按照产品评分均值从大到小的顺序进行排序，并取排名在前第二预设值的产品对应的产品数据向目标用户推送。
具体地，计算相似样本用户对于各个产品的产品评分均值后，将全部产品按照产品评分均值从大到小的顺序进行排序，得到相似样本用户对于各个产品的满意程度的排序，排名在前第二预设值的产品则为待推荐的产品，从而将这些产品对应的产品数据推送给目标用户。
通过应用本实施例的技术方案，分别计算目标用户与样本用户个体之间的产品评分相似度和基本属性相似度，并根据产品评分信息和基本属性信息的密集程度，也即产品评分信息和基本属性信息的完整性，为产品评分相似度和基本属性相似度进行赋权，解决了产品推荐问题中的用户冷启动问题，即在缺乏产品评分信息时，主要依靠基本属性信息计算用户间的个体相似度，从而寻找相似样本用户进而推荐产品，并且，为了保证推荐准确性，在产品评分信息较为全面时，主要依靠产品评分信息计算个体相似度，从而寻找相似样本用户进而推荐产品。
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：相似度向量构建单元31、相似度向量构建单元32、个体相似度计算单元33、产品数据推送单元34。
特征信息获取单元31，用于获取目标用户的特征信息，其中，目标用户的特征信息包括目标用户对各个产品的产品评分信息和目标用户的基本属性信息；
相似度向量构建单元32，用于分别计算目标用户的任一项特征信息与任一样本用户对应的特征信息之间的特征相似度，并利用特征相似度构建目标用户与任一样本客户之间的相似度向量；
个体相似度计算单元33，用于根据目标用户与任一样本用户之间的相似度向量，计算目标用户与任一样本用户之间的个体相似度；
产品数据推送单元34，用于利用目标用户与任一样本用户之间的个体相似度从样本用户中获取相似样本用户，并根据相似样本用户的产品评分信息向目标用户推送产品数据。
在具体的应用场景中，为了分别构建产品评分相似度向量和基本属性相似度向量，如图4所示，相似度向量构建单元32还包括：基本属性相似度向量构建单元321、产品评分相似度向量构建单元322；
基本属性相似度向量构建单元321，用于获取目标用户的基本属性信息，分别计算目标用户的任一项基本属性信息与任一样本用户对应的基本属性信息之间的基本属性相似度，并利用基本属性相似度构建基本属性相似度向量；
产品评分相似度向量构建单元322，用于当目标用户的特征信息中包含至少一项产品评分信息时，获取目标用户的产品评分信息，分别计算目标用户的任一项产品评分信息与任一样本用户的对应的产品评分信息之间的产品评分相似度，并利用产品评分相似度构建产品评分相似度向量。
产品评分相似度向量构建单元322，具体包括：
产品评分相似度计算单元3221，用于对于任一项产品评分信息，若目标用户的产品评分信息中包含该项产品评分，则按照产品评分相似度计算公式，计算目标用户与任一样本用户的该项产品评分相似度，产品评分相似度计算公式为：
Figure PCTCN2019074032-appb-000008
其中，X为目标用户与任一所述样本用户的该项产品评分之差的绝对值；
若目标用户的产品评分信息中不包含该项产品评分，则产品评分相似度为0；
产品评分相似度向量构建子单元3222，用于对于任一样本用户j，根据目标用户与样本用户j之间任一项产品评分相似度，建立目标用户与样本用户j之间的产品评分相似度向量gj；
gj＝(gj1,gj2,gj3,…,gjm1)，
其中，j大于或等于1且小于或等于N，N为样本用户的数量，m1为产品的数量。
基本属性相似度向量构建单元321，具体包括：
枚举类基本属性相似度计算单元3211，用于若基本属性信息为枚举类基本属性信息，则计算目标用户的任一项与任一样本用户的对应的任一项之间的相似度，具体包括：
若目标用户的基本属性信息与任一样本用户的对应的基本属性信息一致，则该项基本属性相似度为1；若不一致，则该项基本属性相似度为0；
度量类基本属性相似度计算单元3212，用于若基本属性信息为度量类基本属性信息，则计算目标用户的任一项与任一样本用户的对应的任一项之间的相似度，具体包括：
按照基本属性相似度计算公式，计算目标用户与样本用户的对应的基本属性信息的相似度，对于任一基本属性，基本属性相似度计算公式为：
Figure PCTCN2019074032-appb-000009
其中，Y1为目标用户的基本属性值，Y2为任一样本用户对应的基本属性值，max(Y)和min(Y)分别为目标用户和全部样本用户中该项基本属性的最大值和最小值；
基本属性相似度向量构建子单元3213，用于对于任一样本用户i，根据目标用户与样本用户i之间任一项基本属性相似度，建立目标用户与样本用户i之间的基本属性相似度向量fi；
fi＝(fi1,fi2,fi3,…,fim2)，
其中，i大于或等于1且小于或等于N，m2为基本属性的项数。
在具体的应用场景中，在产品评分信息和基本属性信息的密集程度不同的情况下，为了实现个体相似度的计算，个体相似度计算单元33，具体包括：
产品评分相似度均值计算单元331，用于基于任一样本用户k，计算目标用户与样本用户k之间的产品评分相似度均值gk，
Figure PCTCN2019074032-appb-000010
基本属性相似度均值计算单元332，用于计算目标用户与样本用户k之间的基本属性相似度均值fk，
Figure PCTCN2019074032-appb-000011
个体相似度计算子单元333，用于计算目标用户与样本用户k之间的个体相似度hk，
hk＝ω1×fk+ω2×gk，
其中，k大于或等于1且小于或等于N，ω1和ω2分别为基本属性相似度权重和项目评分相似度权重。
在具体的应用场景中，为了保证产品数据推送效果，产品数据推送单元34，具体包括：
个体相似度排序单元341，用于将全部样本用户按照与目标用户之间个体相似度从大到小的顺序进行排序，并取排名在前第一预设值对应的样本用户作为相似样本用户；
产品评分均值计算单元342，用于计算全部相似样本用户对各个产品的产品评分均值；
产品数据推送子单元343，用于将产品按照产品评分均值从大到小的顺序进行排序，并取排名在前第二预设值的产品对应的产品数据向目标用户推送。
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：获取目标用户的特征信息，其中，目标用户的特征信息包括目标用户对各个产品的产品评分信息和目标用户的基本属性信息；分别计算目标用户的任一项特征信息与任一样本用 户对应的特征信息之间的特征相似度，并利用特征相似度构建目标用户与任一样本客户之间的相似度向量；根据目标用户与任一样本用户之间的相似度向量，计算目标用户与任一样本用户之间的个体相似度；利用目标用户与任一样本用户之间的个体相似度从样本用户中获取相似样本用户，并根据相似样本用户的产品评分信息向目标用户推送产品数据。
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上所述处理器41执行所述程序时实现以下步骤：获取目标用户的特征信息，其中，目标用户的特征信息包括目标用户对各个产品的产品评分信息和目标用户的基本属性信息；分别计算目标用户的任一项特征信息与任一样本用户对应的特征信息之间的特征相似度，并利用特征相似度构建目标用户与任一样本客户之间的相似度向量；根据目标用户与任一样本用户之间的相似度向量，计算目标用户与任一样本用户之间的个体相似度；利用目标用户与任一样本用户之间的个体相似度从样本用户中获取相似样本用户，并根据相似样本用户的产品评分信息向目标用户推送产品数据。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。操作系统是管理和保存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：
    获取目标用户的特征信息，其中，所述目标用户的特征信息包括所述目标用户对各个产品的产品评分信息和所述目标用户的基本属性信息；
    分别计算所述目标用户的任一项特征信息与任一样本用户对应的特征信息之间的特征相似度，并利用所述特征相似度构建所述目标用户与任一所述样本客户之间的相似度向量；
    根据所述目标用户与任一所述样本用户之间的相似度向量，计算所述目标用户与任一所述样本用户之间的个体相似度；
    利用所述目标用户与任一所述样本用户之间的个体相似度从所述样本用户中获取相似样本用户，并根据所述相似样本用户的产品评分信息向所述目标用户推送所述产品数据。
  2. 根据权利要求1所述的方法，其特征在于，所述分别计算所述目标用户的任一项特征信息与任一样本用户对应的所述特征信息之间的特征相似度，并利用所述特征相似度构建所述目标用户与任一所述样本客户之间的相似度向量，具体包括：
    获取所述目标用户的基本属性信息，分别计算所述目标用户的任一项所述基本属性信息与任一所述样本用户对应的所述基本属性信息之间的基本属性相似度，并利用所述基本属性相似度构建基本属性相似度向量；
    当所述目标用户的特征信息中包含至少一项所述产品评分信息时，获取目标用户的产品评分信息，分别计算所述目标用户的任一项所述产品评分信息与任一样本用户的对应的所述产品评分信息之间的产品评分相似度，并利用所述产品评分相似度构建产品评分相似度向量。
  3. 根据权利要求2所述的方法，其特征在于，所述分别计算所述目标用户的任一项所述产品评分信息与任一样本用户的对应的所述产品评分信息之间的产品评分相似度，具体包括：
    对于任一项所述产品评分信息，若所述目标用户的产品评分信息中包含该项产品评分，则按照所述产品评分相似度计算公式，计算所述目标用户与任一所述样本用户的该项产品评分相似度，所述产品评分相似度计算公式为：
    Figure PCTCN2019074032-appb-100001
    其中，X为所述目标用户与任一所述样本用户的该项产品评分之差的绝对值；
    若所述目标用户的产品评分信息中不包含该项产品评分，则所述产品评分相似度为0；
    所述构建产品评分相似度向量，具体包括：
    对于任一样本用户j，根据所述目标用户与所述样本用户j之间任一项所述产品评分相似 度，建立所述目标用户与所述样本用户j之间的产品评分相似度向量gj；
    gj＝(gj1,gj2,gj3,…,gjm1)，
    其中，j大于或等于1且小于或等于N，N为所述样本用户的数量，m1为所述产品的数量。
  4. 根据权利要求3所述的方法，其特征在于，
    若所述基本属性信息为枚举类基本属性信息，则所述计算所述目标用户的任一项所述与任一样本用户的对应的任一项所述之间的相似度，具体包括：
    若所述目标用户的所述基本属性信息与任一所述样本用户的对应的所述基本属性信息一致，则该项基本属性相似度为1；若不一致，则该项基本属性相似度为0；
    若所述基本属性信息为度量类基本属性信息，则所述计算所述目标用户的任一项所述与任一样本用户的对应的任一项所述之间的相似度，具体包括：
    按照基本属性相似度计算公式，计算所述目标用户与所述样本用户的对应的所述基本属性信息的相似度，对于任一所述基本属性，所述基本属性相似度计算公式为：
    Figure PCTCN2019074032-appb-100002
    其中，Y1为所述目标用户的基本属性值，Y2为任一所述样本用户对应的基本属性值，max(Y)和min(Y)分别为所述目标用户和全部所述样本用户中该项基本属性的最大值和最小值；
    所述构建基本属性相似度向量，具体包括：
    对于任一样本用户i，根据所述目标用户与所述样本用户i之间任一项所述基本属性相似度，建立所述目标用户与所述样本用户i之间的基本属性相似度向量fi；
    fi＝(fi1,fi2,fi3,…,fim2)，
    其中，i大于或等于1且小于或等于N，m2为所述基本属性的项数。
  5. 根据权利要求4所述的方法，其特征在于，所述根据所述目标用户与任一所述样本用户之间的相似度向量，计算所述目标用户与任一所述样本用户之间的个体相似度，具体包括：
    基于任一样本用户k，计算所述目标用户与所述样本用户k之间的产品评分相似度均值gk，
    Figure PCTCN2019074032-appb-100003
    计算所述目标用户与所述样本用户k之间的基本属性相似度均值fk，
    Figure PCTCN2019074032-appb-100004
    计算所述目标用户与所述样本用户k之间的个体相似度hk，
    hk＝ω1×fk+ω2×gk，
    其中，k大于或等于1且小于或等于N，ω1和ω2分别为基本属性相似度权重和项目评分相似度权重。
  6. 根据权利要求5所述的方法，其特征在于，所述利用所述目标用户与任一所述样本用户之间的个体相似度从所述样本用户中获取相似样本用户，并根据所述相似样本用户的产品评分信息向所述目标用户推送所述产品数据，具体包括：
    将全部所述样本用户按照与所述目标用户之间个体相似度从大到小的顺序进行排序，并取排名在前第一预设值对应的所述样本用户作为所述相似样本用户；
    计算全部所述相似样本用户对各个产品的产品评分均值；
    将所述产品按照所述产品评分均值从大到小的顺序进行排序，并取排名在前第二预设值的产品对应的产品数据向所述目标用户推送。
  7. 根据权利要求6所述的方法，其特征在于，
    所述基本属性相似度权重ω1＝e-μM1，所述产品评分相似度权重ω2＝1-ω1，预设系数μ的计算公式为：
    Figure PCTCN2019074032-appb-100005
    其中，M1为所述目标用户的产品评分信息中包含的产品评分的项数，M2为所述目标用户的基本属性信息中包含的基本属性的项数。
  8. 一种产品数据推送装置，其特征在于，包括：
    相似度向量构建单元，获取目标用户的特征信息，其中，所述目标用户的特征信息包括所述目标用户对各个产品的产品评分信息和所述目标用户的基本属性信息；
    相似度向量构建单元，用于分别计算所述目标用户的任一项特征信息与任一样本用户对应的特征信息之间的特征相似度，并利用所述特征相似度构建所述目标用户与任一所述样本客户之间的相似度向量；
    相似度计算单元，用于根据所述目标用户与任一所述样本用户之间的相似度向量，计算所述目标用户与任一所述样本用户之间的个体相似度；
    产品数据推送单元，用于利用所述目标用户与任一所述样本用户之间的个体相似度从所 述样本用户中获取相似样本用户，并根据所述相似样本用户的产品评分信息向所述目标用户推送所述产品数据。
  9. 根据权利要求8所述的装置，其特征在于，所述相似度向量构建单元，具体包括：
    基本属性相似度向量构建单元，用于获取所述目标用户的基本属性信息，分别计算所述目标用户的任一项所述基本属性信息与任一所述样本用户对应的所述基本属性信息之间的基本属性相似度，并利用所述基本属性相似度构建基本属性相似度向量；
    产品评分相似度向量构建单元，用于当所述目标用户的特征信息中包含至少一项所述产品评分信息时，获取目标用户的产品评分信息，分别计算所述目标用户的任一项所述产品评分信息与任一样本用户的对应的所述产品评分信息之间的产品评分相似度，并利用所述产品评分相似度构建产品评分相似度向量。
  10. 根据权利要求9所述的装置，其特征在于，所述产品评分相似度向量构建单元，具体包括：
    产品评分相似度计算单元，用于对于任一项所述产品评分信息，若所述目标用户的产品评分信息中包含该项产品评分，则按照所述产品评分相似度计算公式，计算所述目标用户与任一所述样本用户的该项产品评分相似度，所述产品评分相似度计算公式为：
    Figure PCTCN2019074032-appb-100006
    其中，X为所述目标用户与任一所述样本用户的该项产品评分之差的绝对值；
    若所述目标用户的产品评分信息中不包含该项产品评分，则所述产品评分相似度为0；
    产品评分相似度向量构建子单元，用于对于任一样本用户j，根据所述目标用户与所述样本用户j之间任一项所述产品评分相似度，建立所述目标用户与所述样本用户j之间的产品评分相似度向量gj；
    gj＝(gj1,gj2,gj3,…,gjm1)，
    其中，j大于或等于1且小于或等于N，N为所述样本用户的数量，m1为所述产品的数量。
  11. 根据权利要求10所述的装置，其特征在于，
    若所述基本属性信息为枚举类基本属性信息，则所述基本属性相似度向量构建单元，具体包括：
    枚举类基本属性相似度计算单元，用于若所述目标用户的所述基本属性信息与任一所述样本用户的对应的所述基本属性信息一致，则该项基本属性相似度为1；若不一致，则该项基本属性相似度为0；
    若所述基本属性信息为度量类基本属性信息，则所述所述基本属性相似度向量构建单元，具体包括：
    度量类基本属性相似度计算单元，用于按照基本属性相似度计算公式，计算所述目标用户与所述样本用户的对应的所述基本属性信息的相似度，对于任一所述基本属性，所述基本属性相似度计算公式为：
    Figure PCTCN2019074032-appb-100007
    其中，Y1为所述目标用户的基本属性值，Y2为任一所述样本用户对应的基本属性值，max(Y)和min(Y)分别为所述目标用户和全部所述样本用户中该项基本属性的最大值和最小值；
    基本属性相似度向量构建子单元，用于对于任一样本用户i，根据所述目标用户与所述样本用户i之间任一项所述基本属性相似度，建立所述目标用户与所述样本用户i之间的基本属性相似度向量fi；
    fi＝(fi1,fi2,fi3,…,fim2)，
    其中，i大于或等于1且小于或等于N，m2为所述基本属性的项数。
  12. 根据权利要求11所述的装置，其特征在于，所述个体相似度计算单元，具体包括：
    产品评分相似度均值计算单元，用于基于任一样本用户k，计算所述目标用户与所述样本用户k之间的产品评分相似度均值gk，
    Figure PCTCN2019074032-appb-100008
    基本属性相似度均值计算单元，用于计算所述目标用户与所述样本用户k之间的基本属性相似度均值fk，
    Figure PCTCN2019074032-appb-100009
    个体相似度计算子单元，用于计算所述目标用户与所述样本用户k之间的个体相似度hk，
    hk＝ω1×fk+ω2×gk，
    其中，k大于或等于1且小于或等于N，ω1和ω2分别为基本属性相似度权重和项目评分相似度权重。
  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：
    个体相似度排序单元，用于将全部所述样本用户按照与所述目标用户之间个体相似度从 大到小的顺序进行排序，并取排名在前第一预设值对应的所述样本用户作为所述相似样本用户；
    产品评分均值计算单元，用于计算全部所述相似样本用户对各个产品的产品评分均值；
    产品数据推送子单元，用于将所述产品按照所述产品评分均值从大到小的顺序进行排序，并取排名在前第二预设值的产品对应的产品数据向所述目标用户推送。
  14. 根据权利要求13所述的装置，其特征在于，
    所述基本属性相似度权重ω1＝e-μM1，所述产品评分相似度权重ω2＝1-ω1，预设系数μ的计算公式为：
    Figure PCTCN2019074032-appb-100010
    其中，M1为所述目标用户的产品评分信息中包含的产品评分的项数，M2为所述目标用户的基本属性信息中包含的基本属性的项数。
  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，所述程序被处理器执行时实现产品数据推送方法，包括：
    获取目标用户的特征信息，其中，所述目标用户的特征信息包括所述目标用户对各个产品的产品评分信息和所述目标用户的基本属性信息；
    分别计算所述目标用户的任一项特征信息与任一样本用户对应的特征信息之间的特征相似度，并利用所述特征相似度构建所述目标用户与任一所述样本客户之间的相似度向量；
    根据所述目标用户与任一所述样本用户之间的相似度向量，计算所述目标用户与任一所述样本用户之间的个体相似度；
    利用所述目标用户与任一所述样本用户之间的个体相似度从所述样本用户中获取相似样本用户，并根据所述相似样本用户的产品评分信息向所述目标用户推送所述产品数据。
  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实现所述分别计算所述目标用户的任一项特征信息与任一样本用户对应的所述特征信息之间的特征相似度，并利用所述特征相似度构建所述目标用户与任一所述样本客户之间的相似度向量，具体包括：
    获取所述目标用户的基本属性信息，分别计算所述目标用户的任一项所述基本属性信息与任一所述样本用户对应的所述基本属性信息之间的基本属性相似度，并利用所述基本属性相似度构建基本属性相似度向量；
    当所述目标用户的特征信息中包含至少一项所述产品评分信息时，获取目标用户的产品 评分信息，分别计算所述目标用户的任一项所述产品评分信息与任一样本用户的对应的所述产品评分信息之间的产品评分相似度，并利用所述产品评分相似度构建产品评分相似度向量。
  17. 根据权利要求16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所述分别计算所述目标用户的任一项所述产品评分信息与任一样本用户的对应的所述产品评分信息之间的产品评分相似度，具体包括：
    对于任一项所述产品评分信息，若所述目标用户的产品评分信息中包含该项产品评分，则按照所述产品评分相似度计算公式，计算所述目标用户与任一所述样本用户的该项产品评分相似度，所述产品评分相似度计算公式为：
    Figure PCTCN2019074032-appb-100011
    其中，X为所述目标用户与任一所述样本用户的该项产品评分之差的绝对值；
    若所述目标用户的产品评分信息中不包含该项产品评分，则所述产品评分相似度为0；
    所述构建产品评分相似度向量，具体包括：
    对于任一样本用户j，根据所述目标用户与所述样本用户j之间任一项所述产品评分相似度，建立所述目标用户与所述样本用户j之间的产品评分相似度向量gj；
    gj＝(gj1,gj2,gj3,…,gjm1)，
    其中，j大于或等于1且小于或等于N，N为所述样本用户的数量，m1为所述产品的数量。
  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：
    获取目标用户的特征信息，其中，所述目标用户的特征信息包括所述目标用户对各个产品的产品评分信息和所述目标用户的基本属性信息；
    分别计算所述目标用户的任一项特征信息与任一样本用户对应的特征信息之间的特征相似度，并利用所述特征相似度构建所述目标用户与任一所述样本客户之间的相似度向量；
    根据所述目标用户与任一所述样本用户之间的相似度向量，计算所述目标用户与任一所述样本用户之间的个体相似度；
    利用所述目标用户与任一所述样本用户之间的个体相似度从所述样本用户中获取相似样本用户，并根据所述相似样本用户的产品评分信息向所述目标用户推送所述产品数据。
  19. 根据权利要求15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分别计算所述目标用户的任一项特征信息与任一样本用户对应的所述特征信 息之间的特征相似度，并利用所述特征相似度构建所述目标用户与任一所述样本客户之间的相似度向量，具体包括：
    获取所述目标用户的基本属性信息，分别计算所述目标用户的任一项所述基本属性信息与任一所述样本用户对应的所述基本属性信息之间的基本属性相似度，并利用所述基本属性相似度构建基本属性相似度向量；
    当所述目标用户的特征信息中包含至少一项所述产品评分信息时，获取目标用户的产品评分信息，分别计算所述目标用户的任一项所述产品评分信息与任一样本用户的对应的所述产品评分信息之间的产品评分相似度，并利用所述产品评分相似度构建产品评分相似度向量。
  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分别计算所述目标用户的任一项所述产品评分信息与任一样本用户的对应的所述产品评分信息之间的产品评分相似度，具体包括：
    对于任一项所述产品评分信息，若所述目标用户的产品评分信息中包含该项产品评分，则按照所述产品评分相似度计算公式，计算所述目标用户与任一所述样本用户的该项产品评分相似度，所述产品评分相似度计算公式为：
    Figure PCTCN2019074032-appb-100012
    其中，X为所述目标用户与任一所述样本用户的该项产品评分之差的绝对值；
    若所述目标用户的产品评分信息中不包含该项产品评分，则所述产品评分相似度为0；
    所述构建产品评分相似度向量，具体包括：
    对于任一样本用户j，根据所述目标用户与所述样本用户j之间任一项所述产品评分相似度，建立所述目标用户与所述样本用户j之间的产品评分相似度向量gj；
    gj＝(gj1,gj2,gj3,…,gjm1)，
    其中，j大于或等于1且小于或等于N，N为所述样本用户的数量，m1为所述产品的数量。
PCT/CN2019/074032 2018-11-12 2019-01-30 产品数据推送方法及装置、计算机非易失性可读存储介质 WO2020098163A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201811340688.2 2018-11-12
CN201811340688.2A CN109697628B (zh) 2018-11-12 2018-11-12 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
WO2020098163A1 true WO2020098163A1 (zh) 2020-05-22

Family

ID=66230089

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2019/074032 WO2020098163A1 (zh) 2018-11-12 2019-01-30 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) CN109697628B (zh)
WO (1) WO2020098163A1 (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110134870A (zh) * 2019-05-21 2019-08-16 重庆忽米网络科技有限公司 一种基于大数据的推送方法及系统
CN116739794B (zh) * 2023-08-10 2023-10-20 北京中关村银行股份有限公司 基于大数据及机器学习的用户个性化方案推荐方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102915307A (zh) * 2011-08-02 2013-02-06 腾讯科技（深圳）有限公司 一种个性化信息推荐的方法、装置及信息处理系统
CN106447372A (zh) * 2015-08-10 2017-02-22 北京奇虎科技有限公司 产品信息推送方法及装置
CN106651533A (zh) * 2016-12-29 2017-05-10 合肥华凌股份有限公司 一种基于用户行为的个性化商品推荐方法及装置
CN106991592A (zh) * 2017-03-22 2017-07-28 南京财经大学 一种基于购买用户行为分析的个性化推荐方法
CN107305677A (zh) * 2016-04-25 2017-10-31 北京京东尚科信息技术有限公司 产品信息推送方法和装置

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107301583B (zh) * 2017-05-26 2020-11-17 重庆邮电大学 一种基于用户偏好和信任的冷启动推荐方法
CN107329994A (zh) * 2017-06-08 2017-11-07 天津大学 一种基于用户特征的改进协同过滤推荐方法
CN108460145B (zh) * 2018-03-15 2020-07-03 北京邮电大学 一种基于混合兴趣相似度的协同过滤推荐方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102915307A (zh) * 2011-08-02 2013-02-06 腾讯科技（深圳）有限公司 一种个性化信息推荐的方法、装置及信息处理系统
CN106447372A (zh) * 2015-08-10 2017-02-22 北京奇虎科技有限公司 产品信息推送方法及装置
CN107305677A (zh) * 2016-04-25 2017-10-31 北京京东尚科信息技术有限公司 产品信息推送方法和装置
CN106651533A (zh) * 2016-12-29 2017-05-10 合肥华凌股份有限公司 一种基于用户行为的个性化商品推荐方法及装置
CN106991592A (zh) * 2017-03-22 2017-07-28 南京财经大学 一种基于购买用户行为分析的个性化推荐方法

Also Published As

Publication number Publication date
CN109697628B (zh) 2024-05-10
CN109697628A (zh) 2019-04-30

Similar Documents

Publication Publication Date Title
US11087413B2 (en) Identity mapping between commerce customers and social media users
WO2020048084A1 (zh) 资源推荐方法、装置、计算机设备及计算机可读存储介质
US20140379617A1 (en) Method and system for recommending information
JP6261547B2 (ja) 判定装置、判定方法及び判定プログラム
US20190102395A1 (en) Personalizing search and/or recommendation results based on member activity models
WO2020233432A1 (zh) 一种信息推荐方法及装置
WO2019218654A1 (zh) 产品排序
JP2019508756A (ja) 電子配信プラットフォーム上で提示対象を選択および推奨するための方法および装置
WO2021031410A1 (zh) 基于商品信息预测模型的商品信息推送方法及装置、非易失性可读存储介质、计算机设备
JP6310539B1 (ja) 情報処理システム、情報処理方法、および情報処理プログラム
JP6060298B1 (ja) 情報配信装置、情報配信方法および情報配信プログラム
WO2020098163A1 (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
US20150278910A1 (en) Directed Recommendations
WO2016135970A1 (ja) 検索システム、検索方法およびプログラム
US20180075514A1 (en) Method and system for data processing for generating adaptive recommendations of relevant items
JP2022009078A (ja) 情報処理方法、情報処理装置及び情報処理プログラム
US20160117751A1 (en) Algorithm for user interface background selection
JP2019168879A (ja) 装置、方法、およびプログラム
US20140358819A1 (en) Tying Objective Ratings To Online Items
TWM633789U (zh) 媒合系統
JP6152188B1 (ja) 情報処理装置、情報処理方法、及びプログラム
JP7303855B2 (ja) 情報処理装置、情報処理方法及び情報処理プログラム
CN113837846B (zh) 商品推荐方法、装置、计算机设备和存储介质
KR102041399B1 (ko) 화장품 가격 비교 장치 및 방법
WO2023182437A1 (ja) 商品評価システム、管理サーバ、ユーザ端末およびプログラム

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: 19884601

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: 19884601

Country of ref document: EP

Kind code of ref document: A1