CN106651542B - 一种物品推荐的方法及装置 - Google Patents

Abstract

本申请公开了一种物品推荐的方法及装置，计算待推荐物品中的每一物品与目标物品之间的物品描述相似度；计算用户群中每一用户对所述待推荐物品中的每一物品的行为与所述用户对所述目标物品的行为的行为相似度；计算所述待推荐物品中的每一物品的质量指数；根据所述物品描述相似度、所述行为相似度以及所述质量指数计算所述待推荐物品中的每一物品与所述目标物品之间的相似度；根据计算获得的相似度从所述待推荐物品中选择推荐物品。这样，在给用户推荐物品时，综合考虑了多种因素，实现从多方面考量两物品之间的相似度，故此，使得计算出的待推荐物品中的每一物品与所述目标物品之间的相似度更加准确。

Description

一种物品推荐的方法及装置

技术领域

本申请涉及信息技术处理领域，尤其涉及一种物品推荐的方法及装置。

背景技术

21世纪是一个高度信息化的时代，互联网已经成为人们生活中不可缺少的一部分，各种功能的应用软件更是丰富了人们的生活。

目前，互联网用户可以在线观看视频，购物，听音乐，阅读等。但是，当用户想在品种多样且数量巨大的网络信息中寻找自己喜欢的信息十分不方便。

现有技术中，给用户推荐物品时通常以该用户浏览过的物品为基准。具体的，如若基准物品为A，对于物品B，则分别获取两物品的文字描述信息，然后计算两物品之间的文字描述信息的相似度。若相似度较高，则将B推荐给用户。但这种推荐方法仅仅基于文字内容相似性，推荐方式单一，计算出的两物品之间的相似度不准确，故此，需要一种新的推荐物品的方案。

发明内容

本申请实施例提供了一种物品推荐的方法及装置，用以解决现有技术中给用户推荐物品时由于仅仅基于文字内容相似性来推荐，造成的推荐方式单一，计算出的两物品之间的相似度不准确的问题。

一方面，本申请实施例提供一种物品推荐的方法，包括：

计算待推荐物品中的每一物品与目标物品之间的物品描述相似度；

计算用户群中每一用户对所述待推荐物品中的每一物品的行为与所述用户对所述目标物品的行为的行为相似度；

计算所述待推荐物品中的每一物品的质量指数；

根据所述物品描述相似度、所述行为相似度以及所述质量指数计算所述待推荐物品中的每一物品与所述目标物品之间的相似度；

根据计算获得的相似度从所述待推荐物品中选择推荐物品。

另一方面，本申请实施例提供一种物品推荐的装置，包括：

物品描述相似度计算模块，用于计算待推荐物品中的每一物品与目标物品之间的物品描述相似度；

行为相似度计算模块，用于计算用户群中每一用户对所述待推荐物品中的每一物品的行为与所述用户对所述目标物品的行为的行为相似度；

质量指数计算模块，用于计算所述待推荐物品中的每一物品的质量指数；

相似度计算模块，用于根据所述物品描述相似度、所述行为相似度以及所述质量指数计算所述待推荐物品中的每一物品与所述目标物品之间的相似度；

选择模块，用于根据计算获得的相似度从所述待推荐物品中选择推荐物品。

本申请有益效果如下：在本申请实施例提供的技术方案中，计算待推荐物品中的每一物品与目标物品之间的物品描述相似度；计算用户群中每一用户对所述待推荐物品中的每一物品的行为与所述用户对所述目标物品的行为的行为相似度；计算所述待推荐物品中的每一物品的质量指数；根据所述物品描述相似度、所述行为相似度以及所述质量指数计算所述待推荐物品中的每一物品与所述目标物品之间的相似度；根据计算获得的相似度从所述待推荐物品中选择推荐物品。这样，在给用户推荐物品时，综合考虑了物品之间的物品描述相似度、用户对物品的行为相似度、物品本身的质量指数等多种因素，实现从多方面考量两物品之间的相似度，故此，使得计算出的待推荐物品中的每一物品与所述目标物品之间的相似度更加准确。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域的普通技术人员来讲，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所示为本申请实施例一提供的物品推荐的方法流程示意图；

图2所示为本申请实施例二提供的物品推荐的方法流程示意图；

图3所示为本申请实施例三提供的物品推荐的装置结构图；

图4所示为本申请实施例五提供的物品推荐的方法的电子设备的硬件结构示意图。

具体实施方式

为了使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请作进一步地详细描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本申请保护的范围。

实施例一：

如图1所述，为本申请实施例提供的一种物品推荐的方法的流程示意图，该方法包括以下步骤：

步骤101：计算待推荐物品中的每一物品与目标物品之间的物品描述相似度。

其中，需要说明的是，本申请实施例中所述的物品指网络上的展示对象，该展示对象可以是产品、也可以是服务。该产品例如是制作的商品、开发的APP(Application，应用)等等。

步骤102：计算用户群中每一用户对所述待推荐物品中的每一物品的行为与所述用户对所述目标物品的行为的行为相似度。

其中，在一个实施例中，所述行为包括购买行为、浏览行为、收藏行为、标记行为、下载行为等。其中，标记行为例如是点赞、给予评分等。

步骤103：计算所述待推荐物品中的每一物品的质量指数。

步骤104：根据所述物品描述相似度、所述行为相似度以及所述质量指数计算所述待推荐物品中的每一物品与所述目标物品之间的相似度。

步骤105：根据计算获得的相似度从所述待推荐物品中选择推荐物品。

为便于理解，下面对本申请实施例提供的一种物品推荐的方法作进一步说明，可包括以下内容：

其中，在一个实施例中，步骤102可具体执行为以下两种方式之一：

方式一：

步骤A1：获取用户群中各用户对待推荐物品中的每一物品和目标物品的行为；并为各行为分配行为系数。

具体实施时，可以根据实际需求，设定并配置各行为对应的行为系数。当然，可以先设定行为的级别，例如，对应购物网站，行为级别从高到低的顺序可以依次是：购买、收藏、浏览；对于提供APP服务的网站，行为级别从高到低的顺序可以依次是安装、收藏、浏览。其中，标记行为的级别可以低于收藏行为但高于浏览行为。需要说明的是，具体实施时，可以根据具体的行为和需要设定行为级别，本申请实施例对此不作限定。

具体设定行为系数时，级别越高的行为对应的系数越高，具体计算时，可以采用级别最高的行为对应的行为系数。例如购买行为与下载行为对应的行为系数相同，且记为3；收藏行为与标记行为对应的行为系数相同，且记为2；浏览行为对应的行为系数记为1；没有行为则记为0。

其中，用于计算行为相似度的行为是用户对物品的最高级行为。例如用户下载了某物品，就必然浏览了该物品，所以用户的行为则包括浏览行为和下载行为，那么计算时采用下载行为的行为系数。

步骤A2：针对用户群中的每个用户以及针对待推荐物品中的每个待推荐物品，计算该用户对该待推荐物品的行为系数与目标物品的行为系数的乘积，将计算的乘积作为该用户对该待推荐物品的行为和对目标物品的行为的相似度，我们称为个体行为相似度。

例如用户A对待推荐物品A的行为系数是3，对目标物品的行为系数为2。那么针对用户A，待推荐物品A和目标物品的行为相似度为6。以此类推，可以计算出各个用户的个体行为相似度。

步骤A3：针对待推荐物品中的每一物品，计算用户群中各用户对该物品和目标物品的个体行为相似度的平均值，将该平均值作为用户群对该物品的行为与对所述目标物品的行为的相似度，我们称为行为相似度。

假设，针对待推荐物品中的物品A，各用户对物品A和目标物品的行为相似度如表1所示，则，用户群对物品A和目标物品的行为相似度为1.5。

表1

更优地，具体实施时，还可以将用户群分类，例如按性别分类或按年龄分类等。在计算用户群对物品集合中每一物品的行为与目标物品的行为的行为相似度时，还可以具体计算每一类用户对待推荐物品中的每一物品的行为与目标物品的行为的个体行为相似度的平均值，作为该类用户对物品集合中每一物品的行为与目标物品的行为的行为相似度。

方式二：可以采用矩阵分解进行数据挖掘来确定行为相似度，具体的：

步骤B1：由待推荐物品和目标物品组成物品集合，获取用户群中各用户对物品集合中各物品的行为。

步骤B2：针对用户群中的各用户，根据预设的行为与行为系数的对应关系，确定出该用户对物品集合中的各物品的行为系数，并以行为系数作为矩阵元素，确定出表示该用户对物品的行为系数的行为矩阵，

假设，将用户对各物品的行为系数作为行向量确定出行为矩阵，则最终确定的行为矩阵如表2所示。当然，具体实施时，也可以将用户对各物品的行为系数作为列向量确定出行为矩阵。

表2

	物品1	物品2	……	物品N
					用户1	T11	T12	……	T1N
用户2	T21	T22	……	T2N
					……	……	……	……	……
用户n	Tn1	Tn3	……	TnN

步骤B3：对用户行为矩阵进行矩阵分解，得到满足预设条件的分解矩阵；该预设条件包括：该分解矩阵共有n个向量，每个向量有d个元素，其中，n表示物品集合中的物品的总数量，d表示预设值。

其中，d的值可以为40-200之间的整数。具体实施时，可以根据经验值确定，也可以根据后续做物品推荐时的推荐效果确定。

其中，具体实施时，可以采用交替最小二乘法、三角分解法、QR值分解法、奇异值分解法等方法对用户行为矩阵进行矩阵分解。现有技术中所有能够进行矩阵分解的方法均适用于本实施例，本申请实施例对此不做限定。

步骤B4：针对待推荐物品中的每一物品，将该物品在分解矩阵中对应的向量、与目标物品在分解矩阵中对应的向量的向量乘积作为该物品和目标物品的行为相似度。

例如，用户行为矩阵以记录为A_m*n，其第i行元素代表第i个用户对物品集合中所有物品的行为系数，第j列表示用户群中各用户对物品j的行为。对A_m*n做近似分解，分解出U_m*d,V_n*d,且符合满足

则物品i和物品j行为相似度S_ij＝V_iV_j,其中，V_i表示V_n*d的第i个向量，V_j表示V_n*d的第j个向量。若物品j为待推荐物品中的一物品，物品i为目标物品。则计算的S_ij即为用户群中每一用户对物品j的行为与所述用户对所述目标物品的行为的行为相似度。

这样，基于矩阵分解进行数据挖掘的原理，能够计算用户群中每一用户对所述待推荐物品中的每一物品的行为与所述用户对所述目标物品的行为的行为相似度，使得计算的结果更能够表示大众用户对两物品的行为相似度。

其中，在一个实施例中，当针对待推荐用户(如第一用户)推荐物品时，为了使推荐的物品更符合第一用户的个性化需求，提高对第一用户推荐物品的准确性和第一用户的用户体验，本申请实施例中，还可以执行以下步骤：

步骤C1：接收第一用户对所述目标物品的浏览请求。

步骤C2：根据所述浏览请求获取所述第一用户的个人信息。

其中，第一用户的个人信息包括第一用户的注册信息和/或第一用户对物品的行为。注册信息例如包括该用户性别、年龄、喜好等。该喜好例如是用户注册时输入的喜好例如购物网站的喜好为裙子、针织衫等衣服、视频网站注册的视频喜好为悬疑类视频、惊悚类视频、游戏类喜好为枪战类游戏)等。

当然，本申请实施例的物品推荐方法不仅适用于上述列举的应用场景，可以推荐物品的场景均适用在本申请的保护范围内。

步骤C3：根据所述第一用户的个人信息计算所述第一用户对选择的所述推荐物品中的每一物品的偏好值。

其中，当个人信息为注册信息时。可以先根据注册信息对用户群进行分类，例如按性别、年龄分类。然后根据注册信息中包括的用户喜好，统计各类用户对各类物品的的偏好值。假设将偏好值的最高值配置为10、若一类用户中共有100人，其中有80个人喜好裙子，那么裙子的偏好值为8；有60个人喜好针织衫，那么针织衫的偏好值为6，以此类推。得出该类用户对各类物品的偏好值。那么，针对第一用户，可以首先根据第一用户的注册信息，确定第一用户所属的用户类别。针对步骤105中选择出的每一推荐物品，确定该推荐物品所属的物品类别。然后将第一用户所归属的用户类别中，该推荐物品的物品类别对应的偏好值，作为第一用户对该推荐物品的偏好值。

当然具体实施时，对用户群进行分类的方法、对物品进行分类的方法以及获取用户喜好的方法可以采用其它方式实现，这里不做赘述。

步骤C4：根据所述偏好值对所述选择的推荐物品进行排序。

其中，根据所述偏好值对所述选择的推荐物品进行排序例如是针对选择的每一推荐物品，计算该推荐物品与所述目标物品之间的行为相似度与第一用户对该推荐物品的偏好值的和值。然后根据计算的和值进行排序。当然，也可以将第一用户对该推荐物品的偏好值作为权重值，计算该推荐物品与所述目标物品之间的行为相似度与其权重值的乘积，然后，根据乘积进行排序。

当然，需要说明的是，具体实施时，可以根据实际需求设定采用偏好值对选择的待推荐物品进行排序的方案，本申请对比不做限定。

步骤C5：根据排序后的所述推荐物品向所述第一用户进行推荐。

其中，在一个实施例中，当所述个人信息为所述第一用户对所述物品集合中物品的行为时，步骤B3可具体执行为：

针对推荐物品中的每一物品，根据以下公式确定所述第一用户对该物品的偏好值：

P_uj＝∑_k∈(S，u)f_ukS_ij

其中，j为推荐物品中的物品，P_uj为第一用户对该物品的偏好值，u为第一用户，i为目标物品，S为第一用户对物品集合中实施过最高行为级别的物品的集合，k为物品集合中的第k个物品，f_uk为表示第一用户对第k个物品的行为系数，S_ij为物品j和目标物品i的行为相似度。

例如，物品集合中共有N个物品，第一用户实施过最高级行为级别的物品分别记为物品1、物品2和物品3，第一用户对各物品的行为系数，依次分别为A1、A2、A3，用户群中每一用户对物品j和目标物品i的行为相似度为A4。则最终计算的第一用户对物品j的偏好值为(A1+A2+A3)*A4。这样，相当于根据用户的实际的喜好得到用户对物品的偏好值，使得偏好值的确定更较为准确。

其中，在一个实施例中，为了使推荐的物品更符合用户的需求，提高用户体验，本申请实施例中，步骤101(计算待推荐物品中的每一物品与目标物品之间的物品描述相似度)可具体执行为：

步骤D1：获取所述待推荐物品中的每一物品的文字描述。

步骤D2：对所述文字描述进行分词。

步骤D3：计算分词后获得的每个词的词向量。

例如，可以采用TF-IDF(一种用于资讯检索与资讯探勘的加权技术)计算分词后获得的每个词的词向量。当然，现有技术中所有能够计算词向量的方法均适用于本实施例，均在本申请的保护范围内，本申请实施例对此不做限定。

步骤D4：根据所述每个词的词向量计算所述待推荐物品中的每一物品与目标物品之间的物品描述相似度。

例如，物品集合中两个物品之间的物品描述相似度可以通过公式

计算。其中，X_ij表示物品描述相似度；||||表示求矩阵的范数，w_i表示待推荐物品i的词向量组成的矩阵，w_j代表目标物品j的词向量组成的矩阵。

其中，在一个实施例中，由于物品的数量非常多，物品的质量例如性价比等高低不一，如果把一些质量低的物品推荐给用户，会给用户造成困扰，导致推荐效果差。故此，为了提高推荐效果，本申请实施例中，步骤103(计算所述待推荐物品中的每一物品的质量指数)可具体执行为：

根据以下至少一项计算所述待推荐物品中的每一物品的质量指数：物品流行度、物品评分等级、物品评论数等。

其中，可以将物品流行度、物品评分等级、物品评论数等中用于计算物品质量指数的信息进行归一化处理；之后将归一化处理后的信息的和作为该物品的质量指数。这样，就能将一些高质量的物品推荐给用户，节省了用户的时间，提高了用户体验。

其中，在一个实施例中，为了进一步使推荐的物品更符合用户的需求，提高用户体验，步骤104(根据所述物品描述相似度、所述行为相似度以及所述质量指数计算所述待推荐物品中的每一物品与所述目标物品之间的相似度)可具体执行为：

步骤E1：确定所述物品描述相似度、所述行为相似度以及所述质量指数各自对应的权重值。

步骤E2：根据确定的权重值以及所述物品描述相似度、所述行为相似度以及所述质量指数，通过加权求和的方式，计算所述待推荐物品中的每一物品与所述目标物品之间的相似度。

同理，根据所述偏好值对所述选择的推荐物品进行排序，可以执行为：

步骤F1：确定所述物品描述相似度、所述行为相似度、所述质量指数以及所述偏好值各自对应的权重值。

步骤F2：根据确定的权重值以及所述物品描述相似度、所述行为相似度所述质量指数以及所述偏好值，通过加权求和的方式，计算选择的推荐物品的排序值，然后根据排序值进行排序。

则，根据排序后的所述推荐物品向所述第一用户进行推荐可具体执行为：选择排序前L的推荐物品推荐给第一用户，L为正整数。

其中，在一个实施例中，为了得到较优的权重值，步骤F1可具体执行为：

步骤G1：确定所述物品描述相似度、所述行为相似度、所述质量指数以及所述偏好值各自对应的初始权重值。

步骤G2：将获取的各初始权重值中，所述物品描述相似度对应的初始权重值视为对照试验时的待调整参数，得到第一组权重值测试对象；以及

将获取的各初始权重值中，所述行为相似度对应的初始权重值视为对照试验时的待调整参数，得到第二组权重值测试对象；以及，

将获取的各初始权重值中，所述质量指数对应的初始权重值视为对照试验时的待调整参数，得到第三组权重值测试对象；以及，

将获取的各初始权重值中，所述偏好值对应的初始权重值视为对照试验时的待调整参数，得到第四组权重值测试对象。

步骤G3：针对各组权重值测试对象，进行对照试验，并根据对照试验结果，确定所述物品描述相似度、所述行为相似度、所述质量指数以及所述偏好值各自对应的权重值。

其中，在一个实施例中，步骤G3可具体执行为：

针对各组权重值测试对象，执行以下操作：

步骤H1：从指定日期开始以预设时长作为一个统计周期；并，在第一个统计周期内将该组权重值测试对象的初始权重值作为实验样本，统计第一个统计周期的用于表示推荐效果的反馈值，所述反馈值为以下信息中的任一种信息：点击率、点击总量、购买率、购买总量、下载率、下载总量。

步骤H2：按第一预设规则调整该组权重值测试对象的待调整参数；其中，第一预设规则为增加或降低。

步骤H3：将调整后的该组权重值测试对象作为下一个统计周期的实验样本并统计该实验样本在该下一个统计周期的反馈值。

步骤H4：针对第一个统计周期之外的每个统计周期，若该统计周期的反馈值相对于上一统计周期的反馈值上升，则返回执行按第一预设规则调整待调整参数的步骤；若该统计周期的反馈值相对于上一统计周期的反馈值下降，则按第二预设规则调整该组权重值测试对象的待调整参数，并返回执行将调整后的该组权重值测试对象作为下一个统计周期的实验样本并统计该实验样本在该下一个统计周期的反馈值的步骤；其中，若第一预设规则为增加，则第二预设规则为降低；若第一预设规则为降低，则第二预设规则为增加。

步骤H5：若预设数量的连续的统计周期内的反馈值满足预设条件，则从该连续的统计周期内选择最高反馈值对应的调整后的该组权重值测试对象作为一组优选权重值。

其中，预设条件指预设数量的连续的统计周期内的反馈值的最大差值小于预设差值。也就是说，要求预设数量的连续的统计周期内的反馈值基本不变。

例如，可以采用以高斯分布N(0,1)随机设置初始权重值，当然具体实施时还可以采用其他设置初始权重值的方法来进行对照试验，这里不再赘述。若所述物品描述相似度、所述行为相似度、所述质量指数以及所述偏好值各自对应的初始权重值为(2,3,3)，初始权重值记为W，如下表：

表3

试验组\W	W1	W2	W3	W3
					第一组	2+(0.5)	3	3	1
第二组	2	3+(0.5)	3	1
					第三组	2	3	3+(0.5)	1
第四组	2	3	3	1+(0.5)

假设n天为一个统计周期，确定一个统计周期内每天的反馈至，然后取n天的反馈值的平均值最为该统计周期的反馈值。然后，对比上一个统计周期的反馈值，如果当前统计周期的反馈值上升，则增加相应的待调整参数值，例如提高0.5，如果下降则减小相应的待调整参数值，例如减小0.5；当减小到0的时候可以重新置为1。

综上所述：本申请实施例中，由于计算待推荐物品中的每一物品与目标物品之间的物品描述相似度；计算用户群中每一用户对所述待推荐物品中的每一物品的行为与所述用户对所述目标物品的行为的行为相似度；计算所述待推荐物品中的每一物品的质量指数；根据所述物品描述相似度、所述行为相似度以及所述质量指数计算所述待推荐物品中的每一物品与所述目标物品之间的相似度；根据计算获得的相似度从所述待推荐物品中选择推荐物品。这样，在给用户推荐物品时，综合考虑了物品之间的物品描述相似度、用户对物品的行为相似度、物品本身的质量指数等多种因素，使得计算出的待推荐物品中的每一物品与所述目标物品之间的相似度更加准确，能够更加符合用户的实际需求，提高了用户体验。

实施例二

为便于进一步理解本申请提供的物品推荐的方法，本申请实施例对该方法做进一步说明。如图2所示，包括以下步骤：

步骤201：计算待推荐物品中的每一物品与目标物品之间的物品描述相似度。

步骤202：计算用户群中每一用户对所述待推荐物品中的每一物品的行为与所述用户对所述目标物品的行为的行为相似度。

步骤203：计算所述待推荐物品中的每一物品的质量指数。

步骤204：确定所述物品描述相似度、所述行为相似度以及所述质量指数各自对应的权重值。

步骤205：根据确定的权重值以及所述物品描述相似度、所述行为相似度以及所述质量指数，通过加权求和的方式，计算所述待推荐物品中的每一物品与所述目标物品之间的相似度。

步骤206：根据计算获得的相似度从所述待推荐物品中选择推荐物品。

步骤207：接收第一用户对所述目标物品的浏览请求。

步骤208：根据所述浏览请求获取所述第一用户的个人信息。

步骤209：根据所述第一用户的个人信息计算所述第一用户对选择的所述推荐物品中的每一物品的偏好值。

步骤210：获取偏好值对应的权重值，并计算第一用户对选择的每一推荐物品的偏好值与偏好值的权重值的乘积。

例如，偏好值的权重值为P，则针对每个推荐物品，计算第一用户对该推荐物品的偏好值和P的乘积。

步骤211：计算第一用户对选择的所述推荐物品中的每一物品的乘积与该物品与目标物品的行为相似度的和值，并根据和值对选择的推荐物品进行排序。

若选择的推荐物品有Q个，则得到Q个和值，根据和值由大到小的顺序进行排序。

步骤212：将排序前L的推荐物品发送给所述第一用户。

在本申请实施例提供的技术方案中，由于计算待推荐物品中的每一物品与目标物品之间的物品描述相似度；计算用户群中每一用户对所述待推荐物品中的每一物品的行为与所述用户对所述目标物品的行为的行为相似度；计算所述待推荐物品中的每一物品的质量指数；根据所述物品描述相似度、所述行为相似度以及所述质量指数计算所述待推荐物品中的每一物品与所述目标物品之间的相似度；根据计算获得的相似度从所述待推荐物品中选择推荐物品。这样，在给用户推荐物品时，综合考虑了物品之间的物品描述相似度、用户对物品的行为相似度、物品本身的质量指数等多种因素，实现从多方面考量两物品之间的相似度，故此，使得计算出的待推荐物品中的每一物品与所述目标物品之间的相似度更加准确。

实施例三：

基于相同的发明构思，本申请实施例还提供一种物品推荐的装置，该装置的物品推荐的原理与上述物品推荐的方法的物品推荐的原理类似。具体的可参见上述方法的内容，这里不做赘述。

如图3所示，为该装置的结构示意图，所述装置包括：

物品描述相似度计算模块301：用于计算待推荐物品中的每一物品与目标物品之间的物品描述相似度。

行为相似度计算模块302：用于计算用户群中每一用户对所述待推荐物品中的每一物品的行为与所述用户对所述目标物品的行为的行为相似度。

质量指数计算模块303：用于计算所述待推荐物品中的每一物品的质量指数。

相似度计算模块304：用于根据所述物品描述相似度、所述行为相似度以及所述质量指数计算所述待推荐物品中的每一物品与所述目标物品之间的相似度。

选择模块305：用于根据计算获得的相似度从所述待推荐物品中选择推荐物品。

其中，在一个实施例中，所述装置还包括：

接收模块，用于接收第一用户对所述目标物品的浏览请求；

个人信息获取模块，用于根据所述浏览请求获取所述第一用户的个人信息；

偏好值计算模块，用于根据所述第一用户的个人信息计算所述第一用户对选择的所述推荐物品中的每一物品的偏好值；

排序模块，用于根据所述偏好值对所述选择的推荐物品进行排序；

推荐模块，用于根据排序后的所述推荐物品向所述第一用户进行推荐。

其中，在一个实施例中，所述行为包括购买行为、浏览行为、收藏行为、标记行为、下载行为。

其中，在一个实施例中，所述物品描述相似度计算模块，具体包括：

文字描述获取单元，用于获取所述待推荐物品中的每一物品的文字描述；

分词单元，用于对所述文字描述进行分词；

词向量计算单元，用于计算分词后获得的每个词的词向量；

物品描述相似度计算单元，用于根据所述每个词的词向量计算所述待推荐物品中的每一物品与目标物品之间的物品描述相似度。

其中，在一个实施例中，所述质量指数计算模块，具体用于：

根据以下至少一项计算所述待推荐物品中的每一物品的质量指数：物品流行度、物品评分等级、物品评论数。

综上所述，本申请实施例提供的物品推荐的装置，物品描述相似度计算模块计算待推荐物品中的每一物品与目标物品之间的物品描述相似度；行为相似度计算模块计算用户群中每一用户对所述待推荐物品中的每一物品的行为与所述用户对所述目标物品的行为的行为相似度；质量指数计算模块计算所述待推荐物品中的每一物品的质量指数；相似度计算模块根据所述物品描述相似度、所述行为相似度以及所述质量指数计算所述待推荐物品中的每一物品与所述目标物品之间的相似度；选择模块根据计算获得的相似度从所述待推荐物品中选择推荐物品。这样，在给用户推荐物品时，综合考虑了物品之间的物品描述相似度、用户对物品的行为相似度、物品本身的质量指数等多种因素，实现从多方面考量两物品之间的相似度，故此，使得计算出的待推荐物品中的每一物品与所述目标物品之间的相似度更加准确。

实施例四

本申请实施例四提供了一种非易失性计算机存储介质，所述计算机存储介质存储有计算机可执行指令，该计算机可执行指令可执行上述任意方法实施例中的物品推荐的方法。

实施例五

图4是本申请实施例五提供的执行物品推荐的方法的电子设备的硬件结构示意图，如图4所示，该电子设备包括：

一个或多个处理器410以及存储器420，图4中以一个处理器410为例。执行物品推荐的方法的电子设备还可以包括：输入装置430和输出装置440。

处理器410、存储器420、输入装置430和输出装置440可以通过总线或者其他方式连接，图4中以通过总线连接为例。

存储器420作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块，如本申请实施例中的物品推荐的方法对应的程序指令/模块(例如，附图3所示的物品描述相似度计算模块301、行为相似度计算模块302、质量指数计算模块303、相似度计算模块304、选择模块305)。处理器410通过运行存储在存储器420中的非易失性软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例物品推荐的方法。

存储器420可以包括存储程序区和存储数据区，其中，存储程序区可存储操作***、至少一个功能所需要的应用程序；存储数据区可存储根据物品推荐的装置的使用所创建的数据等。此外，存储器420可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中，存储器420可选包括相对于处理器410远程设置的存储器，这些远程存储器可以通过网络连接至物品推荐的装置。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

输入装置430可接收输入的数字或字符信息，以及产生与物品推荐的装置的用户设置以及功能控制有关的键信号输入。输出装置440可包括显示屏等显示设备。

所述一个或者多个模块存储在所述存储器420中，当被所述一个或者多个处理器410执行时，执行上述任意方法实施例中的物品推荐的方法。

上述产品可执行本申请实施例所提供的方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本申请实施例所提供的方法。

本领域技术人员应明白，本申请的实施例可提供为方法、装置(设备)、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、装置(设备)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。

显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

Claims (4)

1.一种物品推荐的方法，其特征在于，所述方法包括：

计算待推荐物品中的每一物品与目标物品之间的物品描述相似度；

计算用户群中每一用户对所述待推荐物品中的每一物品的行为与所述用户对所述目标物品的行为的行为相似度；其中，所述行为包括购买行为、浏览行为、收藏行为、标记行为、下载行为；

根据物品流行度、物品评分等级、物品评论数中的至少一项，计算所述待推荐物品中的每一物品的质量指数；

根据所述物品描述相似度、所述行为相似度以及所述质量指数计算所述待推荐物品中的每一物品与所述目标物品之间的相似度；

根据计算获得的相似度从所述待推荐物品中选择推荐物品；

接收第一用户对所述目标物品的浏览请求；

根据所述浏览请求获取所述第一用户的个人信息；

根据所述第一用户的个人信息计算所述第一用户对选择的所述推荐物品中的每一物品的偏好值；

根据所述偏好值对所述选择的推荐物品进行排序；

根据排序后的所述推荐物品向所述第一用户进行推荐。

2.根据权利要求1所述的方法，其特征在于，所述计算待推荐物品中的每一物品与目标物品之间的物品描述相似度，包括：

获取所述待推荐物品中的每一物品的文字描述；

对所述文字描述进行分词；

计算分词后获得的每个词的词向量；

根据所述每个词的词向量计算所述待推荐物品中的每一物品与目标物品之间的物品描述相似度。

3.一种物品推荐的装置，其特征在于，所述装置包括：

物品描述相似度计算模块，用于计算待推荐物品中的每一物品与目标物品之间的物品描述相似度；

行为相似度计算模块，用于计算用户群中每一用户对所述待推荐物品中的每一物品的行为与所述用户对所述目标物品的行为的行为相似度；

质量指数计算模块，用于计算所述待推荐物品中的每一物品的质量指数；

相似度计算模块，用于根据所述物品描述相似度、所述行为相似度以及所述质量指数计算所述待推荐物品中的每一物品与所述目标物品之间的相似度；

选择模块，用于根据计算获得的相似度从所述待推荐物品中选择推荐物品；

接收模块，用于接收第一用户对所述目标物品的浏览请求；

个人信息获取模块，用于根据所述浏览请求获取所述第一用户的个人信息；

偏好值计算模块，用于根据所述第一用户的个人信息计算所述第一用户对选择的所述推荐物品中的每一物品的偏好值；

排序模块，用于根据所述偏好值对所述选择的推荐物品进行排序；

推荐模块，用于根据排序后的所述推荐物品向所述第一用户进行推荐。

4.根据权利要求3所述的装置，其特征在于，所述物品描述相似度计算模块，具体包括：

文字描述获取单元，用于获取所述待推荐物品中的每一物品的文字描述；

分词单元，用于对所述文字描述进行分词；

词向量计算单元，用于计算分词后获得的每个词的词向量；

物品描述相似度计算单元，用于根据所述每个词的词向量计算所述待推荐物品中的每一物品与目标物品之间的物品描述相似度。

Images