WO2022267160A1 - 产品推荐方法、装置、电子设备和存储介质 - Google Patents

产品推荐方法、装置、电子设备和存储介质 Download PDF

Info

Publication number
WO2022267160A1
WO2022267160A1 PCT/CN2021/108361 CN2021108361W WO2022267160A1 WO 2022267160 A1 WO2022267160 A1 WO 2022267160A1 CN 2021108361 W CN2021108361 W CN 2021108361W WO 2022267160 A1 WO2022267160 A1 WO 2022267160A1
Authority
WO
WIPO (PCT)
Prior art keywords
user
information
behavior data
sub
behavior
Prior art date
Application number
PCT/CN2021/108361
Other languages
English (en)
French (fr)
Inventor
刘冬
Original Assignee
未鲲(上海)科技服务有限公司
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 未鲲(上海)科技服务有限公司 filed Critical 未鲲(上海)科技服务有限公司
Publication of WO2022267160A1 publication Critical patent/WO2022267160A1/zh

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations

Definitions

  • the present application relates to the technical field of artificial intelligence, in particular to a product recommendation method, device, electronic equipment and storage medium.
  • embodiments of the present application provide a product recommendation method, device, electronic device and storage medium, which can comprehensively and accurately analyze user preferences, and then improve the accuracy of product recommendation.
  • the embodiment of the present application provides a product recommendation method, including:
  • the user's behavior portrait is established
  • the user's preference information and behavior field are determined, wherein the behavior field is used to mark the user's offline behavior data and the field of behavior corresponding to the online behavior data;
  • the embodiment of the present application provides a product recommendation device, including:
  • the data acquisition module is used to acquire the user's offline behavior data and online behavior data
  • the feature extraction module is used to perform feature extraction on online behavior data to obtain a first feature vector; perform feature extraction on offline behavior data to obtain a second feature vector;
  • the portrait building module is used to fuse the first feature vector and the second feature vector to obtain the fusion feature vector; according to the fusion feature vector, the user's behavior portrait is established;
  • the product recommendation module is used to determine the user's preference information and behavior field according to the behavior portrait, wherein the behavior field is used to mark the user's offline behavior data and the field of behavior corresponding to the online behavior data;
  • the behavioral domain identifies products and recommends products to users.
  • the embodiment of the present application provides an electronic device, including: a processor, the processor is connected to the memory, the memory is used to store the computer program, and the processor is used to execute the computer program stored in the memory, so that the electronic device executes the above-mentioned product Recommendation method, the product recommendation method includes:
  • the behavior portrait determine the user's preference information and behavior field, wherein the behavior field is used to mark the field to which the user's offline behavior data and online behavior data correspond to;
  • a product is determined according to the user's preference information and behavior field, and the product is recommended to the user.
  • an embodiment of the present application provides a computer-readable storage medium, where a computer program is stored in the computer-readable storage medium, and the computer program enables the computer to execute the above-mentioned product recommendation method, and the product recommendation method includes:
  • the behavior portrait determine the user's preference information and behavior field, wherein the behavior field is used to mark the field to which the user's offline behavior data and online behavior data correspond to;
  • a product is determined according to the user's preference information and behavior field, and the product is recommended to the user.
  • the online data and offline data are integrated to make the customer's behavioral portrait more accurate and comprehensive. Products in the field, thereby improving the accuracy of recommendations and improving user experience.
  • FIG. 1 is a network architecture diagram of a product recommendation system provided in an embodiment of the present application
  • FIG. 2 is a schematic diagram of a hardware structure of a product recommendation device provided in an embodiment of the present application
  • FIG. 3 is a schematic flowchart of a product recommendation method provided in an embodiment of the present application.
  • FIG. 4 is a schematic flowchart of a method for obtaining online behavior data of a user through the user's offline behavior data provided by an embodiment of the present application;
  • FIG. 5 is a schematic flowchart of a method for acquiring offline behavior data and identity information of a user provided in an embodiment of the present application
  • FIG. 6 is a schematic flowchart of a method for obtaining offline behavior data of a user through the online behavior data of the user provided in an embodiment of the present application;
  • FIG. 7 is a schematic flow diagram of a method for obtaining online behavior data and identity information of a user provided in an embodiment of the present application.
  • FIG. 8 is a block diagram of functional modules of a product recommendation device provided in an embodiment of the present application.
  • FIG. 9 is a schematic structural diagram of an electronic device provided in an embodiment of the present application.
  • an embodiment means that a particular feature, result, or characteristic described in connection with the embodiment can be included in at least one embodiment of the present application.
  • the appearances of this phrase in various places in the specification are not necessarily all referring to the same embodiment, nor are independent or alternative embodiments mutually exclusive of other embodiments. It is understood explicitly and implicitly by those skilled in the art that the embodiments described herein can be combined with other embodiments.
  • the technical solution of the present application may relate to the field of artificial intelligence and/or big data technology, such as neural network technology, so as to realize intelligent product recommendation and promote the construction of a smart city.
  • the data involved in this application such as user behavior data and/or behavior portraits, can be stored in a database, or can be stored in a blockchain, which is not limited in this application.
  • FIG. 1 is a network architecture diagram of the product recommendation system involved in this application.
  • the product recommendation system 100 includes an online collection system 101 , an offline collection system 102 and an analysis system 103 .
  • the online collection system 101 includes several triggers, which are distributed in the online target webpage. When the target webpage is accessed, the trigger is triggered to perform relevant online behavior collection;
  • the offline collection system 102 includes several collection Collectors, distributed in offline target locations, when the target locations are visited, the collectors are triggered to perform relevant offline behavior collection;
  • the analysis system 103 is connected with the online collection system 101 and the offline collection system 102, and is used to receive online The data collected by the online collection system 101 and the offline collection system 102 are analyzed and processed.
  • the product recommendation method provided in this application can be applied to scenarios such as virtual business recommendation, physical product recommendation, virtual product recommendation, and other services.
  • the process of the product recommendation method is mainly described by taking physical product recommendation as an example.
  • the product recommendation method in other scenarios is similar to the product recommendation method in the physical product recommendation scenario, and will not be described here.
  • the several collectors in the offline collection system 102 may be camera equipment and the like installed in offline physical stores.
  • FIG. 2 is a schematic diagram of a hardware structure of a product recommendation device provided in an embodiment of the present application.
  • the product recommendation device 200 includes at least one processor 201 , a communication line 202 , a memory 203 and at least one communication interface 204 .
  • the processor 201 may be a general-purpose central processing unit (central processing unit, CPU), a microprocessor, an application-specific integrated circuit (application-specific integrated circuit, ASIC), or one or more An integrated circuit that controls the program execution of the program of this application.
  • CPU central processing unit
  • ASIC application-specific integrated circuit
  • Communication line 202 which may include a path, transmits information between the aforementioned components.
  • the communication interface 204 may be any device such as a transceiver (such as an antenna) for communicating with other devices or communication networks, such as Ethernet, RAN, wireless local area networks (wireless local area networks, WLAN) and the like.
  • a transceiver such as an antenna
  • WLAN wireless local area networks
  • the memory 203 can be a read-only memory (read-only memory, ROM) or other types of static storage devices that can store static information and instructions, a random access memory (random access memory, RAM) or other types that can store information and instructions
  • Type of dynamic storage device also can be electrically erasable programmable read-only memory (electrically erasable programmable read-only memory, EEPROM), read-only disc (compact disc read-only memory, CD-ROM) or other optical disc storage, optical disc storage (including compact discs, laser discs, optical discs, digital versatile discs, blu-ray discs, etc.), magnetic disk storage media or other magnetic storage devices, or can be used to carry or store desired program code in the form of instructions or data structures and can be used by Any other medium accessed by a computer, but not limited to.
  • the memory 203 may exist independently and be connected to the processor 201 through the communication line 202 .
  • the memory 203 can also be integrated with the processor 201 .
  • the memory 203 provided in this embodiment of the present application may generally be non-volatile.
  • the memory 203 is used to store computer-executed instructions for implementing the solution of the present application, and the execution is controlled by the processor 201 .
  • the processor 201 is configured to execute computer-executed instructions stored in the memory 103, so as to implement the methods provided in the following embodiments of the present application.
  • computer-executed instructions may also be referred to as application code, which is not specifically limited in the present application.
  • the processor 201 may include one or more CPUs, such as CPU0 and CPU1 in FIG. 1 .
  • the product recommendation apparatus 200 may include multiple processors, such as the processor 201 and the processor 207 in FIG. 2 . Each of these processors may be a single-core (single-CPU) processor or a multi-core (multi-CPU) processor.
  • a processor herein may refer to one or more devices, circuits, and/or processing cores for processing data such as computer program instructions.
  • the product recommendation apparatus 200 may further include an output device 205 and an input device 206 .
  • Output device 205 communicates with processor 201 and can display information in a variety of ways.
  • the output device 205 may be a liquid crystal display (liquid crystal display, LCD), a light emitting diode (light emitting diode, LED) display device, a cathode ray tube (cathode ray tube, CRT) display device, or a projector (projector) Wait.
  • the input device 206 communicates with the processor 201 and can receive user input in various ways.
  • the input device 206 may be a mouse, a keyboard, a touch screen device, or a sensing device, among others.
  • the above-mentioned product recommendation apparatus 200 may be a general-purpose device or a special-purpose device.
  • the embodiment of the present application does not limit the type of the product recommendation device 200 .
  • FIG. 3 is a schematic flowchart of a product recommendation method provided in an embodiment of the present application.
  • the product recommendation method includes the following steps:
  • a method for obtaining the user's online behavior data through the user's offline behavior data is provided, as shown in Figure 4 As shown, the method includes:
  • the identity information can be a predefined multi-dimensional unified ID.
  • its dimensions are as follows: biometric identification ID, such as face, retina, iris, fingerprint, palmprint, signature and Voice, etc.; user electronic ID, such as system account, digital certificate, mobile phone number and ID card number, etc.; user physical ID, such as ID card, bank card and mobile phone, etc.
  • biometric identification ID such as face, retina, iris, fingerprint, palmprint, signature and Voice
  • user electronic ID such as system account, digital certificate, mobile phone number and ID card number, etc.
  • user physical ID such as ID card, bank card and mobile phone, etc.
  • the offline scenario can be regarded as going to an offline physical store for product purchase. Therefore, the collected identity information may be the face of the biometric identification ID in the above-mentioned multi-dimensional unified ID.
  • this embodiment provides a method for obtaining the user's offline behavior data and identity information, as shown in Figure 5, the method includes:
  • the location of the above target may be an offline physical store
  • the collection device may be a camera set on a shelf. Based on this, when the user selects a product, the camera can be used to obtain the behavior image of the user when making the selection.
  • 502 Analyze the action image frame by frame to obtain at least one sub-action image of the user.
  • a set of standard actions can be preset, for example: standard actions of picking up the product, viewing the product, putting back the product, taking away the product, and exchanging the product. These standard actions are compared with the action images obtained frame by frame in the action images, and the frame images whose similarity is greater than the threshold are used as a sub-action image.
  • each action may correspond to multiple standard actions.
  • each action in actions such as picking up the product, checking the product, putting the product back, removing the product, and exchanging the product can correspond to a standard action set, and each standard action set can contain at least one standard action set picture.
  • At least one sub-action feature can be arranged in a first order to obtain a sub-action sequence, wherein the first order is the number of sub-action images corresponding to each sub-action feature in the at least one sub-action feature appearing in the action image order.
  • the obtained sub-action sequence can be regarded as a dynamic behavior represented by features corresponding to multiple static sub-actions.
  • the preset behavior sequence may be: choosing a product, not choosing a product, hesitating to choose, and so on.
  • the behavior sequence of selecting and removing a product usually starts with the action of picking up the product and ends with the action of taking the product away, and can be interspersed with other actions such as checking the product, putting it back, and exchanging the product.
  • the behavior data of the user in the offline physical store can be determined.
  • time each behavior sequence matched by the user determines the time it takes for the user to complete each behavior, and include it in the user's offline behavior data, so as to improve The user's behavior data makes the subsequent analysis of the user's preferences more complete and accurate.
  • 505 Perform face recognition on the user according to the behavior image, and determine the identity information of the user.
  • the acquisition device can also be a pressure sensor installed on the shelf board, so as to determine the product picked up by the user according to the pressure change of the board, as well as the position picked up, the action of putting it back, and the number of times The action of taking, etc.
  • the behavior data captured by the camera is supplemented to prevent some dead spots and the situation that the behavior of the products inside the user's shelf cannot be collected by the camera.
  • the user's fingerprint, mobile phone number, bank card and other information can be obtained as the user's identity information.
  • the identity information is a predefined multi-dimensional unified ID. Therefore, the complete user identity information can be matched by obtaining any one of the component items, and then according to the multi-dimensional unified The association relationship between the components in the ID determines the user's network account information and device information.
  • the user's social dynamic information may be various types of dynamic sharing sent by the user through the associated network account information.
  • the current time point can be used as a starting point to obtain the dynamic shares sent through the network account within a preset time period. Specifically, assuming that the current time is May 27, 2021, it is possible to obtain dynamic shares sent by the network account within the previous month, that is, from April 27, 2021 to May 27, 2021. Further, data screening may be performed on the acquired dynamic shares, and the dynamic shares related to shopping may be screened out as the social dynamic information of the user.
  • the device information determine the number of pages of the target web page browsed by the device corresponding to the device information and the browsing time of the target web page.
  • the identity information of the user can be determined according to the user's offline data, and then the user's online behavior data can be further obtained through the association of the identity information, and then acquired at the same time through one collection Customer's offline behavior data and online behavior data to improve collection efficiency.
  • a method for obtaining the user's offline behavior data through the user's online behavior data is also provided, as shown in FIG. 6 , the method includes:
  • 601 Obtain the user's online behavior data and identity information.
  • identity information can be a predefined multi-dimensional unified ID. Therefore, following the scenario example of physical product recommendation above, in this scenario, the online scenario can be regarded as visiting an online store for product purchase . Therefore, the collected identity information may be the system account of the user's electronic ID in the above-mentioned multi-dimensional unified ID. Based on this, this embodiment provides a method for obtaining the user's online behavior data and identity information, as shown in Figure 7, the method includes:
  • 701 Receive the number of pages browsed by the user on the target webpage, the browsing time of the target webpage, operation data on the target webpage, and login information from an online trigger set on the target website.
  • the above-mentioned target website may be an online online store, and when the user visits the online store, the trigger will be triggered to start recording the number of pages the user browses the target webpage, and the target webpage Browsing time, action data on landing pages, and login information.
  • the identity information may also be the face of the biometric identification ID in the multi-dimensional unified ID.
  • the device information of the target web page can also be obtained, so that according to the device information, the camera of the device is called to obtain the user's facial data; Face recognition to determine the user's identity information.
  • 602 Determine the network account information and device information associated with the user according to the identity information.
  • the method of determining the network account information and device information associated with the user according to the identity information is similar to the method of determining the network account information and device information associated with the user according to the identity information in step 402, and will not be repeated here.
  • 603 Determine the activity participation information of the user according to the network account information.
  • the user's activity participation information may be various types of offline activity information sent by the user through the associated network account information.
  • the current time point can be used as a starting point to obtain information about participation in offline activities sent through the network account within a preset time period. Specifically, assuming that the current time is May 27, 2021, information about participation in offline activities sent by the online account within the previous month, that is, from April 27, 2021 to May 27, 2021 can be obtained . Further, data screening may be performed on the obtained information on participation in offline activities, and the information on participation in offline activities related to shopping may be screened out as the activity participation information of the user.
  • the device information determine the number of locations where the device corresponding to the device information arrives at the target location and the length of stay at the target location.
  • 605 Use the user's activity participation information, the number of locations where the device reaches the target location corresponding to the device information, and the length of stay at the target location as the user's offline behavior data.
  • the identity information of the user can be determined based on the user's online upstream data, and then through the association of the identity information, the user's offline behavior data can be further obtained, and then acquired at the same time through one collection Customer's offline behavior data and online behavior data to improve collection efficiency.
  • keyword extraction can be performed on online data, and then word embedding is performed on each of the extracted keywords to obtain corresponding word vectors. Finally, the word vectors are concatenated to obtain the first feature vector of the online data.
  • the method of performing feature extraction on offline behavior data to obtain the second feature vector is similar to the method of performing feature extraction on online behavior data in step 302 to obtain the first feature vector, and will not be repeated here.
  • corresponding weights may be determined according to the proportion between the user's online behavior and offline behavior, and then the first feature vector and the second feature vector are weighted and summed according to the weights to obtain a fusion feature vector.
  • an intelligent analysis model can be constructed according to the neural network framework, and a large number of training sets can be used to tune the intelligent analysis model and establish an intelligent analysis model with better performance.
  • This intelligent analysis model can intelligently adapt to the input of a large amount of different types of behavioral data, and through model calculation, accurately and automatically output the user's behavioral portrait.
  • the behavior field is used to mark the field to which the behavior corresponding to the user's offline behavior data and online behavior data belongs.
  • the user's preference information may be represented in the form of a two-dimensional table. Wherein, the user's behavior is recorded, and at the same time, according to the user's behavior, the user's behavior label is defined, and the user's behavior field is determined.
  • user A went to the badminton hall to exercise for two hours today, during which time he consulted about training courses and purchased sports materials. Therefore, according to the identity ID and the user's behavior data, the user's behavior tags are defined: user ID, badminton racket, badminton, sports clothing, badminton training, sports drink; the behavior field is: sports, badminton.
  • a category of products can be determined as candidate products, and then the candidate products are screened through the behavior field, and then the final product is obtained and recommended to the user.
  • matching can also be performed in the same behavior domain according to the user's behavior domain.
  • the user preference information can be converted into a feature vector, and the similarity between the feature vector of the user preference information and the feature vectors of other users' preference information in the same behavior field can be calculated, and other users whose similarity exceeds the threshold , as the matching result.
  • the matching users have a high degree of similarity in a certain behavior field. Therefore, the products purchased by the matching users can be compared, and then the products purchased by one user can be recommended to other matching users.
  • user A and user B are mutually matching users in the badminton sub-field of sports behavior, and user A has a record of purchasing swimming equipment, but user B does not. Based on user collaborative filtering, the swimming products purchased by user A can be recommended to User B, and then improve the recommendation efficiency.
  • the user’s offline behavior data and online behavior data are obtained, and then the features of the offline behavior data and online behavior data are extracted and fused respectively to obtain the fusion The fusion characteristics of the user's offline behavior and online behavior. Then construct the user's behavior portrait according to the fusion features, and then determine the user's preference information and behavior field, and finally, determine the corresponding product recommendation to the user through the preference information and behavior field.
  • the online data and offline data are integrated to make the customer's behavioral portrait more accurate and comprehensive.
  • the product selection range is further narrowed, and the product is limited to products in the field related to user behavior. Thereby improving the accuracy of the recommendation and enhancing the user experience.
  • FIG. 8 is a block diagram of functional modules of a product recommendation device provided in an embodiment of the present application.
  • the product recommendation device 800 includes:
  • the feature extraction module 802 is used to perform feature extraction on online behavior data to obtain a first feature vector; perform feature extraction on offline behavior data to obtain a second feature vector;
  • the portrait creation module 803 is used to fuse the first feature vector and the second feature vector to obtain a fusion feature vector; according to the fusion feature vector, establish a user's behavior portrait;
  • the product recommendation module 804 is used to determine the user's preference information and behavior field according to the behavior portrait, wherein the behavior field is used to mark the user's offline behavior data and the field to which the behavior corresponding to the online behavior data belongs; according to the user's preference information and behavioral domains to identify products and recommend products to users.
  • the data acquisition module 801 is specifically used for:
  • the identity information determine the network account information and device information associated with the user
  • the network account information determine the user's social dynamic information
  • the device information determine the number of pages of the target web page browsed by the device corresponding to the device information and the browsing time of the target web page;
  • the user's social dynamic information, the number of pages of the target web page browsed by the device corresponding to the device information, and the browsing time of the target web page are used as the user's online behavior data.
  • the data acquisition module 801 is specifically used for:
  • For each sub-action image in the at least one sub-action image perform feature extraction on each sub-action image to obtain at least one sub-action feature, wherein at least one sub-action feature corresponds to at least one sub-action image;
  • the face recognition of the user is carried out to determine the identity information of the user.
  • the data acquisition module 801 is specifically used to:
  • the data acquisition module 801 is specifically used for:
  • the identity information determine the network account information and device information associated with the user
  • the network account information determine the user's activity participation information
  • the equipment information determine the number of locations where the equipment corresponding to the equipment information arrives at the target location and the length of stay at the target location;
  • the user's activity participation information, the number of locations where the device reaches the target location corresponding to the device information, and the length of stay at the target location are used as the user's offline behavior data.
  • the data acquisition module 801 is specifically used for:
  • the number of pages the user browses the target webpage, the browsing time of the target webpage, and the operation data on the target webpage are used as the user's online behavior data;
  • the data acquisition module 801 is specifically used for:
  • the number of pages the user browses the target webpage, the browsing time of the target webpage, and the operation data on the target webpage are used as the user's online behavior data;
  • the device information call the camera of the device to obtain the user's facial data
  • facial data face recognition is performed on the user to determine the identity information of the user.
  • FIG. 9 is a schematic structural diagram of an electronic device provided in an embodiment of the present application.
  • the electronic device 900 is set in a first tenant system.
  • an electronic device 900 includes a transceiver 901 , a processor 902 and a memory 903 . They are connected through a bus 904 .
  • the memory 903 is used to store computer programs and data, and can transmit the data stored in the memory 903 to the processor 902 .
  • the processor 902 is used to read the computer program in the memory 903 to perform the following operations:
  • the user's behavior portrait is established
  • the user's preference information and behavior field are determined, wherein the behavior field is used to mark the user's offline behavior data and the field of behavior corresponding to the online behavior data;
  • the processor 902 in terms of obtaining the user's offline behavior data and online behavior data, the processor 902 is specifically configured to perform the following operations:
  • the identity information determine the network account information and device information associated with the user
  • the network account information determine the user's social dynamic information
  • the device information determine the number of pages of the target web page browsed by the device corresponding to the device information and the browsing time of the target web page;
  • the user's social dynamic information, the number of pages of the target web page browsed by the device corresponding to the device information, and the browsing time of the target web page are used as the user's online behavior data.
  • the processor 902 in terms of acquiring the user's offline behavior data and identity information, the processor 902 is specifically configured to perform the following operations:
  • For each sub-action image in the at least one sub-action image perform feature extraction on each sub-action image to obtain at least one sub-action feature, wherein at least one sub-action feature corresponds to at least one sub-action image;
  • the face recognition of the user is carried out to determine the identity information of the user.
  • the processor 902 is specifically configured to perform the following operations:
  • the processor 902 in terms of obtaining the user's offline behavior data and online behavior data, the processor 902 is specifically configured to perform the following operations:
  • the identity information determine the network account information and device information associated with the user
  • the network account information determine the user's activity participation information
  • the equipment information determine the number of locations where the equipment corresponding to the equipment information arrives at the target location and the length of stay at the target location;
  • the user's activity participation information, the number of locations where the equipment corresponding to the equipment information reaches the target location, and the length of stay at the target location are used as the user's offline behavior data.
  • the processor 902 in terms of acquiring the user's online behavior data and identity information, the processor 902 is specifically configured to perform the following operations:
  • the number of pages the user browses the target webpage, the browsing time of the target webpage, and the operation data on the target webpage are used as the user's online behavior data;
  • the processor 902 in terms of acquiring the user's online behavior data and identity information, the processor 902 is specifically configured to perform the following operations:
  • the number of pages the user browses the target webpage, the browsing time of the target webpage, and the operation data on the target webpage are used as the user's online behavior data;
  • the device information call the camera of the device to obtain the user's facial data
  • facial data face recognition is performed on the user to determine the identity information of the user.
  • the product recommendation device in this application may include smart phones (such as Android phones, iOS phones, Windows Phone phones, etc.), tablet computers, palmtop computers, notebook computers, mobile Internet devices MID (Mobile Internet Devices, referred to as: MID) , robots or wearable devices, etc.
  • MID Mobile Internet Devices, referred to as: MID
  • the above-mentioned product recommending devices are only examples, not exhaustive, including but not limited to the above-mentioned product recommending devices. In practical applications, the above-mentioned product recommending device may also include: an intelligent vehicle-mounted terminal, computer equipment, and the like.
  • the embodiments of the present application also provide a computer-readable storage medium, the computer-readable storage medium stores a computer program, and the computer program is executed by a processor to implement any product as described in the above-mentioned method embodiment Some or all steps of the recommended method.
  • the storage medium may include a hard disk, a floppy disk, an optical disk, a magnetic tape, a magnetic disk, a flash memory, and the like.
  • the storage medium involved in this application such as a computer-readable storage medium, may be non-volatile or volatile.
  • the embodiments of the present application also provide a computer program product, the computer program product includes a non-transitory computer-readable storage medium storing a computer program, and the computer program is operable to cause the computer to execute the method as described in the above-mentioned method embodiment. Some or all steps of any one product recommendation method.
  • the disclosed device can be implemented in other ways.
  • the device implementation described above is only illustrative.
  • the division of the units is only a logical function division. In actual implementation, there may be other division methods.
  • multiple units or components can be combined or can be Integrate into another system, or some features may be ignored, or not implemented.
  • the mutual coupling or direct coupling or communication connection shown or discussed may be through some interfaces, and the indirect coupling or communication connection of devices or units may be in electrical or other forms.
  • the units described as separate components may or may not be physically separated, and the components displayed as units may or may not be physical units, that is, they may be located in one place, or may be distributed to multiple network units. Part or all of the units can be selected according to actual needs to achieve the purpose of the solution of this embodiment.
  • each functional unit in each embodiment of the present application may be integrated into one processing unit, each unit may exist separately physically, or two or more units may be integrated into one unit.
  • the above-mentioned integrated units can be implemented not only in the form of hardware, but also in the form of software program modules.
  • the integrated units may be stored in a computer-readable memory if implemented in the form of a software program module and sold or used as an independent product.
  • the technical solution of the present application is essentially or part of the contribution to the prior art, or all or part of the technical solution can be embodied in the form of a software product, and the computer software product is stored in a memory.
  • a computer device which may be a personal computer, a server, or a network device, etc.
  • the aforementioned memory includes: various media that can store program codes such as U disk, read-only memory (ROM, Read-Only Memory), random access memory (RAM, Random Access Memory), mobile hard disk, magnetic disk or optical disk.

Landscapes

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

Abstract

种产品推荐方法、装置、电子设备和存储介质，其中，产品推荐方法包括：获取用户的线下行为数据和线上行为数据（301）；对所述线上行为数据进行特征提取，得到第一特征向量（302）；对所述线下行为数据进行特征提取，得到第二特征向量（303）；将所述第一特征向量和所述第二特征向量进行融合，得到融合特征向量（304）；根据融合特征向量，建立所述用户的行为画像（305）；根据行为画像，确定所述用户的偏好信息和行为领域（306）；根据用户的偏好信息和行为领域确定产品，并将产品推荐给用户（307）。

Description

产品推荐方法、装置、电子设备和存储介质
本申请要求于2021年6月23日提交中国专利局、申请号为202110701556.3，发明名称为“产品推荐方法、装置、电子设备和存储介质”的中国专利申请的优先权，其全部内容通过引用结合在本申请中。
技术领域
本申请涉及人工智能技术领域，具体涉及一种产品推荐方法、装置、电子设备和存储介质。
背景技术
随着智能化时代的到来，大多数商家均会针对用户的日常行为进行分析，从而确定用户的偏好，以向用户精准推荐商品。但是，发明人意识到，传统的分析方法只能针对特定的场景进行行为数据采集，从而分析用户的偏好，导致分析结果的过于片面、精准度不高，从而导致产品的推荐准确度低。
发明内容
为了解决现有技术中存在的上述问题，本申请实施方式提供了一种产品推荐方法、装置、电子设备和存储介质，可以全面且精准的分析用户的偏好，继而提升产品推荐的准确度。
第一方面，本申请的实施方式提供了一种产品推荐方法，包括：
获取用户的线下行为数据和线上行为数据；
对线上行为数据进行特征提取，得到第一特征向量；
对线下行为数据进行特征提取，得到第二特征向量；
将第一特征向量和第二特征向量进行融合，得到融合特征向量；
根据融合特征向量，建立用户的行为画像；
根据行为画像，确定用户的偏好信息和行为领域，其中，行为领域用于标注用户的线下行为数据和线上行为数据对应的行为所属的领域；
根据用户的偏好信息和行为领域确定产品，并将产品推荐给用户。
第二方面，本申请的实施方式提供了一种产品推荐装置，包括：
数据获取模块，用于获取用户的线下行为数据和线上行为数据；
特征提取模块，用于对线上行为数据进行特征提取，得到第一特征向量；对线下行为数据进行特征提取，得到第二特征向量；
画像建立模块，用于将第一特征向量和第二特征向量进行融合，得到融合特征向量；根据融合特征向量，建立用户的行为画像；
产品推荐模块，用于根据行为画像，确定用户的偏好信息和行为领域，其中，行为领域用于标注用户的线下行为数据和线上行为数据对应的行为所属的领域；根据用户的偏好信息和行为领域确定产品，并将产品推荐给用户。
第三方面，本申请实施方式提供一种电子设备，包括：处理器，处理器与存储器相连，存储器用于存储计算机程序，处理器用于执行存储器中存储的计算机程序，以使得电子设备执行上述产品推荐方法，该产品推荐方法包括：
获取用户的线下行为数据和线上行为数据；
对所述线上行为数据进行特征提取，得到第一特征向量；
对所述线下行为数据进行特征提取，得到第二特征向量；
将所述第一特征向量和所述第二特征向量进行融合，得到融合特征向量；
根据所述融合特征向量，建立所述用户的行为画像；
根据所述行为画像，确定所述用户的偏好信息和行为领域，其中，所述行为领域用于标注所述用户的所述线下行为数据和线上行为数据对应的行为所属的领域；
根据所述用户的偏好信息和行为领域确定产品，并将所述产品推荐给所述用户。
第四方面，本申请实施方式提供一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序使得计算机执行上述产品推荐方法，该产品推荐方法包括：
获取用户的线下行为数据和线上行为数据；
对所述线上行为数据进行特征提取，得到第一特征向量；
对所述线下行为数据进行特征提取，得到第二特征向量；
将所述第一特征向量和所述第二特征向量进行融合，得到融合特征向量；
根据所述融合特征向量，建立所述用户的行为画像；
根据所述行为画像，确定所述用户的偏好信息和行为领域，其中，所述行为领域用于标注所述用户的所述线下行为数据和线上行为数据对应的行为所属的领域；
根据所述用户的偏好信息和行为领域确定产品，并将所述产品推荐给所述用户。
在本申请实施方式中，通过将线上数据和线下数据进行融合，使得到客户的行为画像更加精准且全面，同时，结合行为领域，进一步缩小产品的选择范围，将产品限定为用户行为相关领域中的产品，从而提高了推荐的准确度，提升用户体验。
附图说明
为了更清楚地说明本申请实施方式中的技术方案，下面将对实施方式描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施方式提供的一种产品推荐系统的网络架构图；
图2为本申请实施方式提供的一种产品推荐装置的硬件结构示意图；
图3为本申请实施方式提供的一种产品推荐方法的流程示意图；
图4为本申请实施方式提供的一种通过用户的线下行为数据，获取该用户的线上行为数据的方法的流程示意图；
图5为本申请实施方式提供的一种获取用户的线下行为数据和身份信息的方法的流程示意图；
图6为本申请实施方式提供的一种通过用户的线上行为数据，获取该用户的线下行为数据的方法的流程示意图；
图7为本申请实施方式提供的一种获取用户的线上行为数据和身份信息的方法的流程示意图；
图8为本申请实施方式提供的一种产品推荐装置的功能模块组成框图；
图9为本申请实施方式提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本申请实施方式中的附图，对本申请实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式是本申请一部分实施方式，而不是全部的实施方式。基于本申请中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本申请保护的范围。
本申请的说明书和权利要求书及所述附图中的术语“第一”、“第二”、“第三”和“第四”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本文中提及“实施方式”意味着，结合实施方式描述的特定特征、结果或特性可以包含在本申请的至少一个实施方式中。在说明书中的各个位置出现该短语并不一定均是指 相同的实施方式，也不是与其它实施方式互斥的独立的或备选的实施方式。本领域技术人员显式地和隐式地理解的是，本文所描述的实施方式可以与其它实施方式相结合。
本申请的技术方案可涉及人工智能和/或大数据技术领域，如可具体涉及神经网络技术，以实现智能化产品推荐，从而推动智慧城市的建设。可选的，本申请涉及的数据如用户的行为数据和/或行为画像等可存储于数据库中，或者可以存储于区块链中，本申请不做限定。
首先，需要说明的是，如图1所示，图1为本申请涉及的产品推荐系统的网络架构图，该产品推荐系统100包括线上采集系统101、线下采集系统102和分析系统103。其中，线上采集系统101包括若干触发器，分布于线上目标网页中，当目标网页的被访问时，该触发器被触发，执行相关线上行为采集；线下采集系统102包括若干个采集器，分布于线下目标地点，当目标地点被访问时，该采集器被触发，执行相关线下行为采集；分析系统103与线上采集系统101和线下采集系统102连接，用于接收线上采集系统101和线下采集系统102采集的数据，进行分析处理。
此外，本申请所提供的产品推荐方法可以应用到虚拟业务推荐、实体商品推荐、虚拟商品推荐等服务等场景。本申请中主要以实体商品推荐为例说明该产品推荐方法的过程，其他场景中的产品推荐方法与实体商品推荐场景下的产品推荐方式类似，在此不再叙述。
基于此，线下采集系统102中的若干个采集器可以是设置于线下实体店中摄像设备等。
其次，参阅图2，图2为本申请实施方式提供的一种产品推荐装置的硬件结构示意图。该产品推荐装置200包括至少一个处理器201，通信线路202，存储器203以及至少一个通信接口204。
在本实施方式中，处理器201，可以是一个通用中央处理器(central processing unit，CPU)，微处理器，特定应用集成电路(application-specific integrated circuit，ASIC)，或一个或多个用于控制本申请方案程序执行的集成电路。
通信线路202，可以包括一通路，在上述组件之间传送信息。
通信接口204，可以是任何收发器一类的装置(如天线等)，用于与其他设备或通信网络通信，例如以太网，RAN，无线局域网(wireless local area networks，WLAN)等。
存储器203，可以是只读存储器(read-only memory，ROM)或可存储静态信息和指令的其他类型的静态存储设备，随机存取存储器(random access memory，RAM)或者可存储信息和指令的其他类型的动态存储设备，也可以是电可擦可编程只读存储器(electrically erasable programmable read-only memory，EEPROM)、只读光盘(compact disc read-only memory，CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。
在本实施方式中，存储器203可以独立存在，通过通信线路202与处理器201相连接。存储器203也可以和处理器201集成在一起。本申请实施方式提供的存储器203通常可以具有非易失性。其中，存储器203用于存储执行本申请方案的计算机执行指令，并由处理器201来控制执行。处理器201用于执行存储器103中存储的计算机执行指令，从而实现本申请下述实施方式中提供的方法。
在可选的实施方式中，计算机执行指令也可以称之为应用程序代码，本申请对此不作具体限定。
在可选的实施方式中，处理器201可以包括一个或多个CPU，例如图1中的CPU0和CPU1。
在可选的实施方式中，产品推荐装置200可以包括多个处理器，例如图2中的处理器201和处理器207。这些处理器中的每一个可以是一个单核(single-CPU)处理器，也可以是一个多核(multi-CPU)处理器。这里的处理器可以指一个或多个设备、电路、和/或用于 处理数据(例如计算机程序指令)的处理核。
在可选的实施方式中，若产品推荐装置200为服务器，则产品推荐装置200还可以包括输出设备205和输入设备206。输出设备205和处理器201通信，可以以多种方式来显示信息。例如，输出设备205可以是液晶显示器(liquid crystal display，LCD)，发光二级管(light emitting diode，LED)显示设备，阴极射线管(cathode ray tube，CRT)显示设备，或投影仪(projector)等。输入设备206和处理器201通信，可以以多种方式接收用户的输入。例如，输入设备206可以是鼠标、键盘、触摸屏设备或传感设备等。
上述的产品推荐装置200可以是一个通用设备或者是一个专用设备。本申请实施方式不限定产品推荐装置200的类型。
以下，将对本申请所公开的产品推荐方法进行说明：
参阅图3，图3为本申请实施方式提供的一种产品推荐方法的流程示意图。该产品推荐方法包括以下步骤：
301：获取用户的线下行为数据和线上行为数据。
由于智能设备及互联网的普及，使人们的日常生活与网络息息相关。现如今，人们日常生活中的绝大部分行为均可以通过智能设备和网络完成。与此同时，人们通过智能设备在网络上进行的行为(线上行为)也无法彻底摆脱与现实中的行为(线下行为)之间的关联，同样的，在现实中进行的行为也无法彻底摆脱与网络上的行为之间的关联。基于此，可以简单认为线上行为和线下行为之间相互交织，共同组成了用户的完整行为数据。
由于线上行为和线下行为之间的这种相互交织的关系，在本实施方式中，提供了一种通过用户的线下行为数据，获取该用户的线上行为数据的方法，如图4所示，该方法包括：
401：获取用户的线下行为数据和身份信息。
在本实施方式中，身份信息可以是一种预定义的多维度的统一ID，具体而言，其维度组成如下：生物特征识别ID，如人脸、视网膜、虹膜、指纹、掌纹、签名和声音等；用户电子ID，如系统账户、数字证书、手机号和身份证号等；用户物理ID，如身份证、银行卡和手机等。由此，通过对多维度的统一ID中的任意一项进行采集，即可通过该多维度的统一ID获取关联的其他维度ID。
示例性的，沿用上述实体商品推荐的场景示例，在该场景下，线下场景可以视为去往线下的实体店铺进行产品采购。因此，采集的身份信息可以是上述多维度的统一ID中生物特征识别ID的人脸。基于此，本实施方式提供了一种获取用户的线下行为数据和身份信息的方法，如图5所示，该方法包括：
501：从设置于目标地点的线下采集设备接收用户的行为影像。
示例性的，以实体商品推荐场景为例，上述目标的地点可以为线下的实体店铺，采集设备可以是设置于货架上的摄像头。基于此，在用户挑选商品时，可以通过摄像头获取用户进行挑选时的行为影像。
502：对行为影像进行逐帧分析，得到用户的至少一个子动作图像。
示例性的，在实体商品推荐的场景下，可以预先设定一组标准动作，例如：拿起商品、查看商品、放回商品、取走商品、调换商品等动作的标准动作。将这些标准动作与行为影像中逐帧得到的动作图像进行比对，将相似度大于阈值的帧图像作为一个子动作图像。
在可选的实施方式中，每个动作可以对应多种标准动作。换句话说，即，拿起产品、查看产品、放回产品、取走产品、调换产品等动作中的每个动作，可以对应一个标准动作集，每个标准动作集中可以包含至少一张标准动作图片。
503：对于至少一个子动作图像中的每个子动作图像，分别对每个子动作图像进行特征提取，得到与至少一个子动作图像一一对应的至少一个子动作特征。
504：根据至少一个子动作特征，确定用户的线下行为数据。
示例性的，可以将至少一个子动作特征按照第一顺序排列，得到子动作序列，其中，第一顺序为至少一个子动作特征中的每个子动作特征对应的子动作图像在行为影像中出现的顺序。由此，可以得到的子动作序列可以视为由静态的多个子动作对应的特征表示的一个动态的行为。
然后，将该子动作序列与预设的行为序列进行匹配，确定用户的线下行为数据。示例性的，预设的行为序列可以为：选走产品、未选走产品、犹豫选取等。具体而言，选走产品的行为序列通常以拿起产品的动作为起始，取走产品的动作为结束，中间可以穿插查看产品、放回产品、调换产品等其他动作。由此，通过将子动作序列与预设的行为序列进行匹配，即可确定该用户在线下的实体店铺中的行为数据。
此外，在可选的实施方式中，还可以对该用户匹配出的每个行为序列进行计时，确定用户完成每个行为所用的时间，一并计入该用户的线下行为数据中，从而完善该用户的行为数据，使后续对该用户的偏好的分析更加完整且精准。
505：根据行为影像，对用户进行人脸识别，确定用户的身份信息。
在可选的实施方式中，采集设备还可以是设置于货架置物板上的压力传感器，从而根据置物板的压力变化确定用户拿起的商品，以及拿起的位置、放回的动作、多次拿取的动作等。从而对摄像头所拍摄的行为数据进行补充，以防止一些死角，以及用户货架内侧产品的行为无法被摄像头采集到的情况。
同时，也可以在用户进行付款时，获取该用户的指纹、手机号、银行卡等信息，作为该用户的身份信息。
402：根据身份信息，确定用户关联的网络账号信息和设备信息。
在本实施方式中，如上述所述，身份信息为一种预定义的多维度的统一ID，因此，可以通过获取其中任意一项组成项匹配到完整的用户身份信息，继而根据多维度的统一ID中组成项之间的关联关系，确定用户的网络账号信息和设备信息。
403：根据网络账号信息，确定用户的社交动态信息。
在本实施方式中，用户的社交动态信息可以是用户通过关联的网络账号信息发出的各类动态分享。示例性的，可以以当前时间点为起点，获取向前预设时间段内的通过该网络账号发出的动态分享。具体而言，假定当前时间为2021年5月27日，则可以获取前一个月内，即，2021年4月27日-2021年5月27日内，该网络账号发出的动态分享。进一步的，可以对获取到的动态分享进行数据筛选，筛出与购物相关的动态分享，作为该用户的社交动态信息。
404：根据设备信息，确定设备信息对应的设备浏览目标网页的页面数量和对目标网页的浏览时长。
405：将用户的社交动态信息、设备信息对应的设备浏览目标网页的页面数量和对目标网页的浏览时长，作为用户的线上行为数据。
由此，在用户触发线下采集器的情况下，可以根据用户的线下行数据为确定其身份信息，继而通过身份信息的关联，进一步获取该用户的线上行为数据，继而通过一次采集同时获取客户的线下行为数据和线上行为数据，提升采集效率。
此外，在本实施方式中，还提供了一种通过用户的线上行为数据，获取该用户的线下行为数据的方法，如图6所示，该方法包括：
601：获取用户的线上行为数据和身份信息。
如上述所述，身份信息可以是一种预定义的多维度的统一ID，因此，沿用上述实体商品推荐的场景示例，在该场景下，线上场景可以视为访问线上网络店铺进行产品采购。因此，采集的身份信息可以是上述多维度的统一ID中用户电子ID的系统账户。基于此，本实施方式提供了一种获取用户的线上行为数据和身份信息的方法，如图7所示，该方法包 括：
701：从设置于目标网站的线上触发器接收用户浏览目标网页的页面数量、对目标网页的浏览时长、在目标网页中的操作数据、以及登录信息。
示例性的，以实体商品推荐场景为例，上述目标网站可以为线上的网络店铺，用户在访问该网络店铺时，触发器会被触发，开始记录用户浏览目标网页的页面数量、对目标网页的浏览时长、在目标网页中的操作数据、以及登录信息。
702：将用户浏览目标网页的页面数量、对目标网页的浏览时长、以及在目标网页中的操作数据，作为用户的线上行为数据。
703：根据用户的登录信息，确定用户的身份信息。
在可选的实施方式中，身份信息也可以是多维度的统一ID中生物特征识别ID的人脸。基于此，在可选的实施方式中，步骤701，还可以获取浏览该目标网页的设备信息，从而根据设备信息，调用设备的摄像头，获取用户的面部数据；继而根据面部数据，对用户进行人脸识别，确定用户的身份信息。
602：根据身份信息，确定用户关联的网络账号信息和设备信息。
在本实施方式中，根据身份信息，确定用户关联的网络账号信息和设备信息的方法与步骤402中根据身份信息，确定用户关联的网络账号信息和设备信息的方法类似，在此不再赘述。
603：根据网络账号信息，确定用户的活动参与信息。
在本实施方式中，用户的活动参与信息可以是用户通过关联的网络账号信息发出的各类参与线下活动的信息。示例性的，可以以当前时间点为起点，获取向前预设时间段内的通过该网络账号发出的参与线下活动的信息。具体而言，假定当前时间为2021年5月27日，则可以获取前一个月内，即，2021年4月27日-2021年5月27日内，该网络账号发出的参与线下活动的信息。进一步的，可以对获取到的参与线下活动的信息进行数据筛选，筛出与购物相关的参与线下活动的信息，作为该用户的活动参与信息。
604：根据设备信息，确定设备信息对应的设备到达目标地点的地点数量和在目标地点的停留时长。
605：将用户的活动参与信息、设备信息对应的设备到达目标地点的地点数量和在目标地点的停留时长，作为用户的线下行为数据。
由此，在用户触发线上触发器的情况下，可以根据用户的线上行数据为确定其身份信息，继而通过身份信息的关联，进一步获取该用户的线下行为数据，继而通过一次采集同时获取客户的线下行为数据和线上行为数据，提升采集效率。
302：对线上行为数据进行特征提取，得到第一特征向量。
在本实施方式中，可以对线上数据进行关键词提取，继而分别对提取出的各个关键词进行词嵌入，得到相应的词向量。最后，将各个词向量进行拼接，继而得到该线上数据的第一特征向量。
303：对线下行为数据进行特征提取，得到第二特征向量。
在本实施方式中，对线下行为数据进行特征提取，得到第二特征向量的方法与步骤302中对线上行为数据进行特征提取，得到第一特征向量的方法类似，在此不再赘述。
304：将第一特征向量和第二特征向量进行融合，得到融合特征向量。
在本实施方式中，可以根据用户线上行为和线下行为之间的比重，确定相应的权重，继而将第一特征向量和第二特征向量根据权重进行加权求和，得到融合特征向量。
305：根据融合特征向量，建立用户的行为画像。
在本实施方式中，可以根据神经网络框架，构建智能分析模型，使用大量训练集，调优智能分析模型，建立性能较优的智能分析模型。该智能分析模型，能够智能适配输入海 量的不同类型的行为数据，通过模型计算，精准和自动输出用户的行为画像。
306：根据行为画像，确定用户的偏好信息和行为领域。
在本实施方式中，行为领域用于标注用户的线下行为数据和线上行为数据对应的行为所属的领域。示例性的，用户的偏好信息可以以二维表的形式进行表示。其中，记录了用户的行为，同时根据用户的行为，定义用户的行为标签，以及确定用户的行为领域。
具体而言，用户A今天到羽毛球馆运动两个小时，期间咨询了培训课程，并购买了运动领料。因此，根据身份ID，用户的行为数据，定义该用户的行为标签：用户ID、羽毛球拍、羽毛球、运动服装、羽毛球培训、运动饮料；行为领域为：运动、羽毛球。
同时，在本实施方式中，对于各个行为标签，可以根据具体行为给出不同的偏好值，例如：使用1分，购买2分，分享给他人1分。基于此，用户的偏好信息可以如表1所示：
表1
用户ID 羽毛球拍 运动服装 羽毛球培训 运动饮料
1001 3 2 3 2
307：根据用户的偏好信息和行为领域确定产品，并将产品推荐给用户。
在本实施方式中，根据用户的偏好信息，可以确定一类产品作为备选产品，再通过行为领域对备选产品进行筛选，继而得到最终产品，向用户进行推荐。
在可选的实施方式中，得到用户的偏好信息和行为领域后，还可以根据用户的行为领域，在相同的行为领域中进行匹配。示例性的，可以将用户偏好信息转化为特征向量，计算该用户偏好信息的特征向量与相同的行为领域中其他用户的偏好信息的特征向量之间的相似度，将相似度超过阈值的其他用户，作为匹配结果。
基于此，相互匹配的用户在某个行为领域中的编好相似度高，由此，可以对比相互匹配的用户购买的商品，继而将其中一个用户购买的商品推荐给其他匹配的用户。示例性的，采集到用户A通过电子账户登录电子商城，在线上有游泳装备的购买行为。同时，用户A与用户B为在运动行为领域羽毛球子领域中的相互匹配用户，而用户A有游泳装备购买商品记录，用户B没有，基于用户协同过滤，可以把用户A购买的游泳商品推荐给用户B，继而提高推荐效率。
综上所述，本申请所提供的产品推荐方法中，通过获取用户的线下行为数据和线上行为数据，继而分别对该线下行为数据和线上行为数据进行特征提取并融合，得到融合了用户的线下行为和线上行为的融合特征。再根据该融合特征构建用户的行为画像，继而确定用户的偏好信息和行为领域，最后，通过偏好信息和行为领域确定相应的产品推荐给该用户。由此，将线上数据和线下数据进行融合，使得到客户的行为画像更加精准且全面，同时，结合行为领域，进一步缩小产品的选择范围，将产品限定为用户行为相关领域中的产品，从而提高了推荐的准确度，提升用户体验。
参阅图8，图8为本申请实施方式提供的一种产品推荐装置的功能模块组成框图。如图8所示，该产品推荐装置800包括：
数据获取模块801，用于获取用户的线下行为数据和线上行为数据；
特征提取模块802，用于对线上行为数据进行特征提取，得到第一特征向量；对线下行为数据进行特征提取，得到第二特征向量；
画像建立模块803，用于将第一特征向量和第二特征向量进行融合，得到融合特征向量；根据融合特征向量，建立用户的行为画像；
产品推荐模块804，用于根据行为画像，确定用户的偏好信息和行为领域，其中，行为领域用于标注用户的线下行为数据和线上行为数据对应的行为所属的领域；根据用户的偏好信息和行为领域确定产品，并将产品推荐给用户。
在本申请的实施方式中，在获取用户的线下行为数据和线上行为数据方面，数据获取 模块801，具体用于：
获取用户的线下行为数据和身份信息；
根据身份信息，确定用户关联的网络账号信息和设备信息；
根据网络账号信息，确定用户的社交动态信息；
根据设备信息，确定设备信息对应的设备浏览目标网页的页面数量和对目标网页的浏览时长；
将用户的社交动态信息、设备信息对应的设备浏览目标网页的页面数量和对目标网页的浏览时长，作为用户的线上行为数据。
在本申请的实施方式中，在获取用户的线下行为数据和身份信息方面，数据获取模块801，具体用于：
从设置于目标地点的线下采集设备接收用户的行为影像；
对行为影像进行逐帧分析，得到用户的至少一个子动作图像；
对于至少一个子动作图像中的每个子动作图像，分别对每个子动作图像进行特征提取，得到至少一个子动作特征，其中至少一个子动作特征与至少一个子动作图像一一对应；
根据至少一个子动作特征，确定用户的线下行为数据；
根据行为影像，对用户进行人脸识别，确定用户的身份信息。
在本申请的实施方式中，在根据至少一个子动作特征，确定用户的线下行为数据方面，数据获取模块801，具体用于：
将至少一个子动作特征按照第一顺序排列，得到子动作序列，其中，第一顺序为至少一个子动作特征中的每个子动作特征对应的子动作图像在行为影像中出现的顺序；
将子动作序列与预设的行为序列进行匹配，确定用户的线下行为数据。
在本申请的实施方式中，在获取用户的线下行为数据和线上行为数据方面，数据获取模块801，具体用于：
获取用户的线上行为数据和身份信息；
根据身份信息，确定用户关联的网络账号信息和设备信息；
根据网络账号信息，确定用户的活动参与信息；
根据设备信息，确定设备信息对应的设备到达目标地点的地点数量和在目标地点的停留时长；
将用户的活动参与信息、设备信息对应的设备到达目标地点的地点数量和在目标地点的停留时长，作为用户的线下行为数据。
在本申请的实施方式中，在获取用户的线上行为数据和身份信息方面，数据获取模块801，具体用于：
从设置于目标网站的线上触发器接收用户浏览目标网页的页面数量、对目标网页的浏览时长、在目标网页中的操作数据、以及登录信息；
将用户浏览目标网页的页面数量、对目标网页的浏览时长、以及在目标网页中的操作数据，作为用户的线上行为数据；
根据用户的登录信息，确定用户的身份信息。
在本申请的实施方式中，在获取用户的线上行为数据和身份信息方面，数据获取模块801，具体用于：
从设置于目标网站的线上触发器接收用户浏览目标网页的页面数量、对目标网页的浏览时长、在目标网页中的操作数据、以及浏览目标网页的设备信息；
将用户浏览目标网页的页面数量、对目标网页的浏览时长、以及在目标网页中的操作数据，作为用户的线上行为数据；
根据设备信息，调用设备的摄像头，获取用户的面部数据；
根据面部数据，对用户进行人脸识别，确定用户的身份信息。
参阅图9，图9为本申请实施方式提供的一种电子设备的结构示意图，该电子设备900设置于第一租户系统中。如图9所示，电子设备900包括收发器901、处理器902和存储器903。它们之间通过总线904连接。存储器903用于存储计算机程序和数据，并可以将存储器903存储的数据传输给处理器902。
处理器902用于读取存储器903中的计算机程序执行以下操作：
获取用户的线下行为数据和线上行为数据；
对线上行为数据进行特征提取，得到第一特征向量；
对线下行为数据进行特征提取，得到第二特征向量；
将第一特征向量和第二特征向量进行融合，得到融合特征向量；
根据融合特征向量，建立用户的行为画像；
根据行为画像，确定用户的偏好信息和行为领域，其中，行为领域用于标注用户的线下行为数据和线上行为数据对应的行为所属的领域；
根据用户的偏好信息和行为领域确定产品，并将产品推荐给用户。
在本申请的实施方式中，在获取用户的线下行为数据和线上行为数据方面，处理器902，具体用于执行以下操作：
获取用户的线下行为数据和身份信息；
根据身份信息，确定用户关联的网络账号信息和设备信息；
根据网络账号信息，确定用户的社交动态信息；
根据设备信息，确定设备信息对应的设备浏览目标网页的页面数量和对目标网页的浏览时长；
将用户的社交动态信息、设备信息对应的设备浏览目标网页的页面数量和对目标网页的浏览时长，作为用户的线上行为数据。
在本申请的实施方式中，在获取用户的线下行为数据和身份信息方面，处理器902，具体用于执行以下操作：
从设置于目标地点的线下采集设备接收用户的行为影像；
对行为影像进行逐帧分析，得到用户的至少一个子动作图像；
对于至少一个子动作图像中的每个子动作图像，分别对每个子动作图像进行特征提取，得到至少一个子动作特征，其中至少一个子动作特征与至少一个子动作图像一一对应；
根据至少一个子动作特征，确定用户的线下行为数据；
根据行为影像，对用户进行人脸识别，确定用户的身份信息。
在本申请的实施方式中，在根据至少一个子动作特征，确定用户的线下行为数据方面，处理器902，具体用于执行以下操作：
将至少一个子动作特征按照第一顺序排列，得到子动作序列，其中，第一顺序为至少一个子动作特征中的每个子动作特征对应的子动作图像在行为影像中出现的顺序；
将子动作序列与预设的行为序列进行匹配，确定用户的线下行为数据。
在本申请的实施方式中，在获取用户的线下行为数据和线上行为数据方面，处理器902，具体用于执行以下操作：
获取用户的线上行为数据和身份信息；
根据身份信息，确定用户关联的网络账号信息和设备信息；
根据网络账号信息，确定用户的活动参与信息；
根据设备信息，确定设备信息对应的设备到达目标地点的地点数量和在目标地点的停留时长；
将用户的活动参与信息、设备信息对应的设备到达目标地点的地点数量和在目标地点 的停留时长，作为用户的线下行为数据。
在本申请的实施方式中，在获取用户的线上行为数据和身份信息方面，处理器902，具体用于执行以下操作：
从设置于目标网站的线上触发器接收用户浏览目标网页的页面数量、对目标网页的浏览时长、在目标网页中的操作数据、以及登录信息；
将用户浏览目标网页的页面数量、对目标网页的浏览时长、以及在目标网页中的操作数据，作为用户的线上行为数据；
根据用户的登录信息，确定用户的身份信息。
在本申请的实施方式中，在获取用户的线上行为数据和身份信息方面，处理器902，具体用于执行以下操作：
从设置于目标网站的线上触发器接收用户浏览目标网页的页面数量、对目标网页的浏览时长、在目标网页中的操作数据、以及浏览目标网页的设备信息；
将用户浏览目标网页的页面数量、对目标网页的浏览时长、以及在目标网页中的操作数据，作为用户的线上行为数据；
根据设备信息，调用设备的摄像头，获取用户的面部数据；
根据面部数据，对用户进行人脸识别，确定用户的身份信息。
应理解，本申请中的产品推荐装置可以包括智能手机(如Android手机、iOS手机、Windows Phone手机等)、平板电脑、掌上电脑、笔记本电脑、移动互联网设备MID(Mobile Internet Devices，简称：MID)、机器人或穿戴式设备等。上述产品推荐装置仅是举例，而非穷举，包含但不限于上述产品推荐装置。在实际应用中，上述产品推荐装置还可以包括：智能车载终端、计算机设备等等。
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借助软件结合硬件平台的方式来实现。基于这样的理解，本申请的技术方案对背景技术做出贡献的全部或者部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，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方式或者实施方式的某些部分所述的方法。
因此，本申请实施方式还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行以实现如上述方法实施方式中记载的任何一种产品推荐方法的部分或全部步骤。例如，所述存储介质可以包括硬盘、软盘、光盘、磁带、磁盘、优盘、闪存等。
可选的，本申请涉及的存储介质如计算机可读存储介质可以是非易失性的，也可以是易失性的。
本申请实施方式还提供一种计算机程序产品，所述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，所述计算机程序可操作来使计算机执行如上述方法实施方式中记载的任何一种产品推荐方法的部分或全部步骤。
需要说明的是，对于前述的各方法实施方式，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施方式均属于可选的实施方式，所涉及的动作和模块并不一定是本申请所必须的。
在上述实施方式中，对各个实施方式的描述都各有侧重，某个实施方式中没有详述的部分，可以参见其他实施方式的相关描述。
在本申请所提供的几个实施方式中，应该理解到，所揭露的装置，可通过其它的方式 实现。例如，以上所描述的装置实施方式仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施方式方案的目的。
另外，在本申请各个实施方式中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件程序模块的形式实现。
所述集成的单元如果以软件程序模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储器中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储器中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施方式所述方法的全部或部分步骤。而前述的存储器包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
本领域普通技术人员可以理解上述实施方式的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储器中，存储器可以包括：闪存盘、只读存储器(英文：Read-Only Memory，简称：ROM)、随机存取器(英文：Random Access Memory，简称：RAM)、磁盘或光盘等。
以上对本申请实施方式进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施方式的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

Claims (20)

  1. 一种产品推荐方法，其中，所述方法包括：
    获取用户的线下行为数据和线上行为数据；
    对所述线上行为数据进行特征提取，得到第一特征向量；
    对所述线下行为数据进行特征提取，得到第二特征向量；
    将所述第一特征向量和所述第二特征向量进行融合，得到融合特征向量；
    根据所述融合特征向量，建立所述用户的行为画像；
    根据所述行为画像，确定所述用户的偏好信息和行为领域，其中，所述行为领域用于标注所述用户的所述线下行为数据和线上行为数据对应的行为所属的领域；
    根据所述用户的偏好信息和行为领域确定产品，并将所述产品推荐给所述用户。
  2. 根据权利要求1所述的方法，其中，所述获取用户的线下行为数据和线上行为数据，包括：
    获取所述用户的线下行为数据和身份信息；
    根据所述身份信息，确定所述用户关联的网络账号信息和设备信息；
    根据所述网络账号信息，确定所述用户的社交动态信息；
    根据所述设备信息，确定所述设备信息对应的设备浏览目标网页的页面数量和对所述目标网页的浏览时长；
    将所述用户的社交动态信息、所述设备信息对应的设备浏览目标网页的页面数量和对所述目标网页的浏览时长，作为所述用户的线上行为数据。
  3. 根据权利要求2所述的方法，其中，所述获取所述用户的线下行为数据和身份信息，包括：
    从设置于目标地点的线下采集设备接收所述用户的行为影像；
    对所述行为影像进行逐帧分析，得到所述用户的至少一个子动作图像；
    对于所述至少一个子动作图像中的每个子动作图像，分别对所述每个子动作图像进行特征提取，得到至少一个子动作特征，其中所述至少一个子动作特征与所述至少一个子动作图像一一对应；
    根据所述至少一个子动作特征，确定所述用户的线下行为数据；
    根据所述行为影像，对所述用户进行人脸识别，确定所述用户的身份信息。
  4. 根据权利要求3所述的方法，其中，所述根据所述至少一个子动作特征，确定所述用户的线下行为数据，包括：
    将所述至少一个子动作特征按照第一顺序排列，得到子动作序列，其中，所述第一顺序为所述至少一个子动作特征中的每个子动作特征对应的子动作图像在所述行为影像中出现的顺序；
    将所述子动作序列与预设的行为序列进行匹配，确定所述用户的线下行为数据。
  5. 根据权利要求1所述的方法，其中，所述获取用户的线下行为数据和线上行为数据，包括：
    获取所述用户的线上行为数据和身份信息；
    根据所述身份信息，确定所述用户关联的网络账号信息和设备信息；
    根据所述网络账号信息，确定所述用户的活动参与信息；
    根据所述设备信息，确定所述设备信息对应的设备到达目标地点的地点数量和在所述目标地点的停留时长；
    将所述用户的活动参与信息、所述设备信息对应的设备到达目标地点的地点数量和在所述目标地点的停留时长，作为所述用户的线下行为数据。
  6. 根据权利要求5所述的方法，其中，所述获取所述用户的线上行为数据和身份信息， 包括：
    从设置于目标网站的线上触发器接收所述用户浏览所述目标网页的页面数量、对所述目标网页的浏览时长、在所述目标网页中的操作数据、以及登录信息；
    将所述用户浏览所述目标网页的页面数量、对所述目标网页的浏览时长、以及在所述目标网页中的操作数据，作为所述用户的线上行为数据；
    根据所述用户的登录信息，确定所述用户的身份信息。
  7. 根据权利要求5所述的方法，其中，所述获取所述用户的线上行为数据和身份信息，包括：
    从设置于目标网站的线上触发器接收所述用户浏览所述目标网页的页面数量、对所述目标网页的浏览时长、在所述目标网页中的操作数据、以及浏览所述目标网页的设备信息；
    将所述用户浏览所述目标网页的页面数量、对所述目标网页的浏览时长、以及在所述目标网页中的操作数据，作为所述用户的线上行为数据；
    根据所述设备信息，调用所述设备的摄像头，获取所述用户的面部数据；
    根据所述面部数据，对所述用户进行人脸识别，确定所述用户的身份信息。
  8. 一种产品推荐装置，其中，所述装置包括：
    数据获取模块，用于获取用户的线下行为数据和线上行为数据；
    特征提取模块，用于对所述线上行为数据进行特征提取，得到第一特征向量；对所述线下行为数据进行特征提取，得到第二特征向量；
    画像建立模块，用于将所述第一特征向量和所述第二特征向量进行融合，得到融合特征向量；根据所述融合特征向量，建立所述用户的行为画像；
    产品推荐模块，用于根据所述行为画像，确定所述用户的偏好信息和行为领域，其中，所述行为领域用于标注所述用户的所述线下行为数据和线上行为数据对应的行为所属的领域；根据所述用户的偏好信息和行为领域确定产品，并将所述产品推荐给所述用户。
  9. 一种电子设备，其中，包括处理器、存储器、通信接口以及一个或多个程序，其中，所述一个或多个程序被存储在所述存储器中，并且被配置由所述处理器执行以实现产品推荐方法，所述产品推荐方法包括：
    获取用户的线下行为数据和线上行为数据；
    对所述线上行为数据进行特征提取，得到第一特征向量；
    对所述线下行为数据进行特征提取，得到第二特征向量；
    将所述第一特征向量和所述第二特征向量进行融合，得到融合特征向量；
    根据所述融合特征向量，建立所述用户的行为画像；
    根据所述行为画像，确定所述用户的偏好信息和行为领域，其中，所述行为领域用于标注所述用户的所述线下行为数据和线上行为数据对应的行为所属的领域；
    根据所述用户的偏好信息和行为领域确定产品，并将所述产品推荐给所述用户。
  10. 根据权利要求9所述的电子设备，其中，执行所述获取用户的线下行为数据和线上行为数据，包括：
    获取所述用户的线下行为数据和身份信息；
    根据所述身份信息，确定所述用户关联的网络账号信息和设备信息；
    根据所述网络账号信息，确定所述用户的社交动态信息；
    根据所述设备信息，确定所述设备信息对应的设备浏览目标网页的页面数量和对所述目标网页的浏览时长；
    将所述用户的社交动态信息、所述设备信息对应的设备浏览目标网页的页面数量和对所述目标网页的浏览时长，作为所述用户的线上行为数据。
  11. 根据权利要求10所述的电子设备，其中，执行所述获取所述用户的线下行为数据 和身份信息，包括：
    从设置于目标地点的线下采集设备接收所述用户的行为影像；
    对所述行为影像进行逐帧分析，得到所述用户的至少一个子动作图像；
    对于所述至少一个子动作图像中的每个子动作图像，分别对所述每个子动作图像进行特征提取，得到至少一个子动作特征，其中所述至少一个子动作特征与所述至少一个子动作图像一一对应；
    根据所述至少一个子动作特征，确定所述用户的线下行为数据；
    根据所述行为影像，对所述用户进行人脸识别，确定所述用户的身份信息。
  12. 根据权利要求11所述的电子设备，其中，执行所述根据所述至少一个子动作特征，确定所述用户的线下行为数据，包括：
    将所述至少一个子动作特征按照第一顺序排列，得到子动作序列，其中，所述第一顺序为所述至少一个子动作特征中的每个子动作特征对应的子动作图像在所述行为影像中出现的顺序；
    将所述子动作序列与预设的行为序列进行匹配，确定所述用户的线下行为数据。
  13. 根据权利要求9所述的电子设备，其中，执行所述获取用户的线下行为数据和线上行为数据，包括：
    获取所述用户的线上行为数据和身份信息；
    根据所述身份信息，确定所述用户关联的网络账号信息和设备信息；
    根据所述网络账号信息，确定所述用户的活动参与信息；
    根据所述设备信息，确定所述设备信息对应的设备到达目标地点的地点数量和在所述目标地点的停留时长；
    将所述用户的活动参与信息、所述设备信息对应的设备到达目标地点的地点数量和在所述目标地点的停留时长，作为所述用户的线下行为数据。
  14. 根据权利要求13所述的电子设备，其中，执行所述获取所述用户的线上行为数据和身份信息，包括：
    从设置于目标网站的线上触发器接收所述用户浏览所述目标网页的页面数量、对所述目标网页的浏览时长、在所述目标网页中的操作数据、以及登录信息；将所述用户浏览所述目标网页的页面数量、对所述目标网页的浏览时长、以及在所述目标网页中的操作数据，作为所述用户的线上行为数据；根据所述用户的登录信息，确定所述用户的身份信息；或者，
    从设置于目标网站的线上触发器接收所述用户浏览所述目标网页的页面数量、对所述目标网页的浏览时长、在所述目标网页中的操作数据、以及浏览所述目标网页的设备信息；将所述用户浏览所述目标网页的页面数量、对所述目标网页的浏览时长、以及在所述目标网页中的操作数据，作为所述用户的线上行为数据；根据所述设备信息，调用所述设备的摄像头，获取所述用户的面部数据；根据所述面部数据，对所述用户进行人脸识别，确定所述用户的身份信息。
  15. 一种计算机可读存储介质，其中，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行以实现产品推荐方法，所述产品推荐方法包括：
    获取用户的线下行为数据和线上行为数据；
    对所述线上行为数据进行特征提取，得到第一特征向量；
    对所述线下行为数据进行特征提取，得到第二特征向量；
    将所述第一特征向量和所述第二特征向量进行融合，得到融合特征向量；
    根据所述融合特征向量，建立所述用户的行为画像；
    根据所述行为画像，确定所述用户的偏好信息和行为领域，其中，所述行为领域用于 标注所述用户的所述线下行为数据和线上行为数据对应的行为所属的领域；
    根据所述用户的偏好信息和行为领域确定产品，并将所述产品推荐给所述用户。
  16. 根据权利要求15所述的计算机可读存储介质，其中，执行所述获取用户的线下行为数据和线上行为数据，包括：
    获取所述用户的线下行为数据和身份信息；
    根据所述身份信息，确定所述用户关联的网络账号信息和设备信息；
    根据所述网络账号信息，确定所述用户的社交动态信息；
    根据所述设备信息，确定所述设备信息对应的设备浏览目标网页的页面数量和对所述目标网页的浏览时长；
    将所述用户的社交动态信息、所述设备信息对应的设备浏览目标网页的页面数量和对所述目标网页的浏览时长，作为所述用户的线上行为数据。
  17. 根据权利要求16所述的计算机可读存储介质，其中，执行所述获取所述用户的线下行为数据和身份信息，包括：
    从设置于目标地点的线下采集设备接收所述用户的行为影像；
    对所述行为影像进行逐帧分析，得到所述用户的至少一个子动作图像；
    对于所述至少一个子动作图像中的每个子动作图像，分别对所述每个子动作图像进行特征提取，得到至少一个子动作特征，其中所述至少一个子动作特征与所述至少一个子动作图像一一对应；
    根据所述至少一个子动作特征，确定所述用户的线下行为数据；
    根据所述行为影像，对所述用户进行人脸识别，确定所述用户的身份信息。
  18. 根据权利要求17所述的计算机可读存储介质，其中，执行所述根据所述至少一个子动作特征，确定所述用户的线下行为数据，包括：
    将所述至少一个子动作特征按照第一顺序排列，得到子动作序列，其中，所述第一顺序为所述至少一个子动作特征中的每个子动作特征对应的子动作图像在所述行为影像中出现的顺序；
    将所述子动作序列与预设的行为序列进行匹配，确定所述用户的线下行为数据。
  19. 根据权利要求15所述的计算机可读存储介质，其中，执行所述获取用户的线下行为数据和线上行为数据，包括：
    获取所述用户的线上行为数据和身份信息；
    根据所述身份信息，确定所述用户关联的网络账号信息和设备信息；
    根据所述网络账号信息，确定所述用户的活动参与信息；
    根据所述设备信息，确定所述设备信息对应的设备到达目标地点的地点数量和在所述目标地点的停留时长；
    将所述用户的活动参与信息、所述设备信息对应的设备到达目标地点的地点数量和在所述目标地点的停留时长，作为所述用户的线下行为数据。
  20. 根据权利要求19所述的计算机可读存储介质，其中，执行所述获取所述用户的线上行为数据和身份信息，包括：
    从设置于目标网站的线上触发器接收所述用户浏览所述目标网页的页面数量、对所述目标网页的浏览时长、在所述目标网页中的操作数据、以及登录信息；将所述用户浏览所述目标网页的页面数量、对所述目标网页的浏览时长、以及在所述目标网页中的操作数据，作为所述用户的线上行为数据；根据所述用户的登录信息，确定所述用户的身份信息；或者，
    从设置于目标网站的线上触发器接收所述用户浏览所述目标网页的页面数量、对所述目标网页的浏览时长、在所述目标网页中的操作数据、以及浏览所述目标网页的设备信息； 将所述用户浏览所述目标网页的页面数量、对所述目标网页的浏览时长、以及在所述目标网页中的操作数据，作为所述用户的线上行为数据；根据所述设备信息，调用所述设备的摄像头，获取所述用户的面部数据；根据所述面部数据，对所述用户进行人脸识别，确定所述用户的身份信息。
PCT/CN2021/108361 2021-06-23 2021-07-26 产品推荐方法、装置、电子设备和存储介质 WO2022267160A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202110701556.3A CN113435969A (zh) 2021-06-23 2021-06-23 产品推荐方法、装置、电子设备和存储介质
CN202110701556.3 2021-06-23

Publications (1)

Publication Number Publication Date
WO2022267160A1 true WO2022267160A1 (zh) 2022-12-29

Family

ID=77753692

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2021/108361 WO2022267160A1 (zh) 2021-06-23 2021-07-26 产品推荐方法、装置、电子设备和存储介质

Country Status (2)

Country Link
CN (1) CN113435969A (zh)
WO (1) WO2022267160A1 (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170171336A1 (en) * 2015-12-15 2017-06-15 Le Holdings (Beijing) Co., Ltd. Method and electronic device for information recommendation
CN111382350A (zh) * 2020-01-15 2020-07-07 浙江传媒学院 融合用户点击行为和用户兴趣偏好的多任务电视节目推荐方法
CN111506799A (zh) * 2020-03-10 2020-08-07 北京三快在线科技有限公司 一种数据处理方法、装置、电子设备及存储介质
CN111784455A (zh) * 2020-06-30 2020-10-16 腾讯科技（深圳）有限公司 一种物品推荐方法及推荐设备
CN112669095A (zh) * 2021-03-15 2021-04-16 北京焦点新干线信息技术有限公司 客户画像的构建方法、装置、电子设备及计算机存储介质

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105320944B (zh) * 2015-10-24 2019-09-27 西安电子科技大学 一种基于人体骨架运动信息的人体行为预测方法
WO2021092922A1 (zh) * 2019-11-15 2021-05-20 深圳市欢太科技有限公司 信息推送方法、装置、服务器及计算机可读介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170171336A1 (en) * 2015-12-15 2017-06-15 Le Holdings (Beijing) Co., Ltd. Method and electronic device for information recommendation
CN111382350A (zh) * 2020-01-15 2020-07-07 浙江传媒学院 融合用户点击行为和用户兴趣偏好的多任务电视节目推荐方法
CN111506799A (zh) * 2020-03-10 2020-08-07 北京三快在线科技有限公司 一种数据处理方法、装置、电子设备及存储介质
CN111784455A (zh) * 2020-06-30 2020-10-16 腾讯科技（深圳）有限公司 一种物品推荐方法及推荐设备
CN112669095A (zh) * 2021-03-15 2021-04-16 北京焦点新干线信息技术有限公司 客户画像的构建方法、装置、电子设备及计算机存储介质

Also Published As

Publication number Publication date
CN113435969A (zh) 2021-09-24

Similar Documents

Publication Publication Date Title
CN108197532B (zh) 人脸识别的方法、装置及计算机装置
KR102220273B1 (ko) 상품 추천 방법 및 이를 이용하는 서버
CN106776619B (zh) 用于确定目标对象的属性信息的方法和装置
CN108829764B (zh) 推荐信息获取方法、装置、系统、服务器及存储介质
US11501514B2 (en) Universal object recognition
You et al. Relative CNN-RNN: Learning relative atmospheric visibility from images
CN104239408B (zh) 基于由移动设备记录的图像的内容的数据访问
CN104715023B (zh) 基于视频内容的商品推荐方法和系统
KR20200123015A (ko) 정보를 추천하는 방법, 장치, 기기 및 저장 매체
US8650141B2 (en) System and method of segmenting and tagging entities based on profile matching using a multi-media survey
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
WO2017000109A1 (zh) 搜索方法、搜索装置、用户设备和计算机程序产品
CN109800325A (zh) 视频推荐方法、装置和计算机可读存储介质
CN107894998B (zh) 视频推荐方法及装置
CN106055710A (zh) 基于视频的商品推荐方法及装置
JP2017514207A (ja) 評価情報の提示のカスタマイズ
WO2020119170A1 (zh) 信息呈现方法和装置
WO2017088496A1 (zh) 一种搜索推荐方法、装置、设备及计算机存储介质
CN108170731A (zh) 数据处理方法、装置、计算机存储介质及服务器
US10692103B2 (en) Systems and methods for hashtag embedding based on user generated content for creating user specific loyalty identifiers
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
CN111782953A (zh) 推荐方法、装置、设备及存储介质
CN111767420A (zh) 一种生成服饰搭配数据的方法和装置
Ilakkuvan et al. Cameras for public health surveillance: a methods protocol for crowdsourced annotation of point-of-sale photographs
US20230111437A1 (en) System and method for content recognition and data categorization

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: 21946647

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: 21946647

Country of ref document: EP

Kind code of ref document: A1