CN107578326A - 一种推荐方法及*** - Google Patents
一种推荐方法及*** Download PDFInfo
- Publication number
- CN107578326A CN107578326A CN201710991927.XA CN201710991927A CN107578326A CN 107578326 A CN107578326 A CN 107578326A CN 201710991927 A CN201710991927 A CN 201710991927A CN 107578326 A CN107578326 A CN 107578326A
- Authority
- CN
- China
- Prior art keywords
- user
- commodity
- data
- hobby
- client
- Prior art date
- Legal status (The legal status 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 status listed.)
- Pending
Links
Landscapes
- Information Transfer Between Computers (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提供的一种推荐方法及***,属于计算机技术领域。该方法通过获取多个客户上传的多个目标数据,从而获取用户所感兴趣的商品,再通过对每个客户所对应的目标数据单独进行数据清洗,获取清洗后的有效数据;以获取满足预设规则的有效数据,以通过有效数据能够有效地对每个客户所上传的数据进行分析,再获取每个客户所对应的有效数据所对应的用户的喜好商品,并将喜好商品推荐给用户所对应的用户终端,以及当不满足预设推荐规则时,获取每个客户所对应的所有用户的有效数据获取当前最流行的目标商品,将目标商品和喜好商品通过用户预先设置的推荐方式推荐至用户所对应的用户终端。实现对用户进行个性化推荐及实现多个场景的推荐。
Description
技术领域
本发明涉及计算机技术领域,具体而言,涉及一种推荐方法及***。
背景技术
推荐引擎,是主动发现用户当前或潜在需求,并主动推送信息给用户的信息网络。挖掘用户的喜好和需求,主动向用户推荐其感兴趣或者需要的对象。具体来说,推荐引擎综合利用用户的行为、属性,对象的属性、内容、分类,以及用户之间的社交关系等等,挖掘用户的喜好和需求,主动向用户推荐其感兴趣或者需要的对象。然而现有的推荐都是大众化推荐,使得无法对用户偏好的进行个性化推荐,因此,如何解决上述问题是目前继续解决的技术难题。
发明内容
本发明提供一种推荐方法及***,旨在改善上述技术问题。
本发明提供的一种推荐方法,包括:获取多个客户上传的多个目标数据;对每个所述客户所对应的所述目标数据单独进行数据清洗,获取清洗后的有效数据;基于预设规则获取每个所述客户所对应的所述有效数据所对应的用户的喜好商品;判断所述喜好商品的数量是否满足预设推荐规则;若是,将所述喜好商品推荐给所述用户所对应的用户终端;若否,获取所述喜好商品的数量与预设商品推荐数量之差;获取每个所述客户所对应的所有用户的所述有效数据获取当前最流行的目标商品;将所述目标商品和所述喜好商品推荐至所述用户所对应的用户终端。
优选地,所述的基于预设规则获取每个所述客户所对应的所述有效数据所对应的用户的喜好商品,包括:基于协同过滤算法建立用户与商品的M*N矩阵,其中,M为用户的数量,N为商品的数量;获取每个所述客户所对应的所述用户所对应的喜好商品。
优选地,所述将所述喜好商品推荐给所述用户所对应的用户终端,包括:获取用户预设的推送方式;基于所述推送方式将所述喜好商品推送至每个所述客户所对应的所述用户的用户终端。
优选地,所述的获取每个所述客户所对应的所有用户的所述有效数据获取当前最流行的目标商品,包括:获取所述目标数据所携带的行为数据;当所述行为数据为空时,获取所述行为数据不为空的所有的用户所对应的所述有效数据中的所述行为数据;基于所有的所述行为数据中各行为事件综合最高的商品,将所述商品作为当前最流行的目标商品。
优选地,所述的将所述喜好商品推送至每个所述客户所对应的所述用户的用户终端,包括:获取用户预设的过滤规则;基于所述过滤规则判断至少一个所述喜好商品是否有效;若否,则将所述喜好商品丢弃,执行基于预设规则获取每个所述客户所对应的所述有效数据所对应的用户的喜好商品,进行重新获取所述喜好商品,直到所有的所述喜好商品有效;若是,则将所有的所述喜好商品推送至每个所述客户所对应的所述用户所的用户终端。
优选地,所述的获取用户预设的推送方式,包括:获取用户上传的推送模版;将所述推送模版作为所述推送方式;当用户修改所述推送模版时,获取用户基于所述推送模版修改后的目标模版;将所述目标模版作为所述推送方式。
本发明提供的一种推荐***,包括:数据上传单元,用于获取多个客户上传的多个目标数据;数据处理单元,用于对每个所述客户所对应的所述目标数据单独进行数据清洗,获取清洗后的有效数据;第一推荐单元,用于基于预设规则获取每个所述客户所对应的所述有效数据所对应的用户的喜好商品;判断单元,用于判断所述喜好商品的数量是否满足预设推荐规则;第一执行单元,用于若是,将所述喜好商品推荐给所述用户所对应的用户终端;第二执行单元,用于若否,获取所述喜好商品的数量与预设商品推荐数量之差;数据获取单元,用于获取每个所述客户所对应的所有用户的所述有效数据获取当前最流行的目标商品;第二推荐单元,用于将所述目标商品和所述喜好商品推荐至所述用户所对应的用户终端。
优选地,所述第一推荐单元具体用于:基于协同过滤算法建立用户与商品的M*N矩阵,其中,M为用户的数量,N为商品的数量;获取每个所述客户所对应的所述用户所对应的喜好商品。
优选地,所述第一执行单元具体用于:获取用户预设的推送方式;基于所述推送方式将所述喜好商品推送至每个所述客户所对应的所述用户的用户终端。
优选地,所述数据获取单元还用于:获取所述目标数据所携带的行为数据;当所述行为数据为空时,获取所述行为数据不为空的所有的用户所对应的所述有效数据中的所述行为数据;基于所有的所述行为数据中各行为事件综合最高的商品,将所述商品作为当前最流行的目标商品。
上述本发明提供的一种推荐方法及***,该方法通过获取多个客户上传的多个目标数据,从而获取用户所感兴趣的商品,再通过对每个客户所对应的目标数据单独进行数据清洗,获取清洗后的有效数据;以获取满足预设规则的有效数据,以通过有效数据能够有效地对每个客户所上传的数据进行分析,再获取每个客户所对应的有效数据所对应的用户的喜好商品,并将喜好商品推荐给用户所对应的用户终端,以及当不满足预设推荐规则时,获取每个所述客户所对应的所有用户的所述有效数据获取当前最流行的目标商品;将所述目标商品和所述喜好商品通过用户预设的推荐方式推荐至所述用户所对应的用户终端。用户可以根据自己的需要进行设置推荐方式,以及推荐模版,进而实现对不同客户所对应的每个用户进行个性化推荐以及实现多个场景的推荐。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为本发明较佳实施例提供的客户端与服务器进行交互的示意图;
图2为本发明第一实施例提供的一种推荐方法的流程图;
图3为本发明第二实施例提供的一种推荐方法的流程图;
图4为本发明第三实施例提供的一种推荐***的功能模块示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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例,都属于本发明保护的范围。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,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例,都属于本发明保护的范围。
请参阅图1,是本发明较佳实施例提供的服务器与客户端进行交互的示意图。所述服务器200通过网络与一个或多个客户端100进行通信连接,以进行数据通信或交互。所述客户端100可以是个人电脑(personal computer,PC)、平板电脑、智能手机、个人数字助理(personal digital assistant,PDA)等。所述服务器200包括数据接入及清洗集群、计算集群、数据存储集群和推送渠道。客户通过所述客户端100进行数据的上传,以上传至数据接入及清洗集群,所述数据接入及清洗集群通过对客户所上传的数据进行清洗后,将清洗后的数据存储到数据存储集群,以使计算集群能够在所述数据存储集群中获取所存储的清洗后的数据。计算集群在计算后将计算结果存储到所述数据存储集群中,所述数据存储集群将查询结果通过所述推送渠道推送至客户端100。
请参阅图2,是本发明本发明第一实施例提供的一种推荐方法的流程图。下面将对图2所示的具体流程进行详细阐述。
步骤S101,获取多个客户上传的多个目标数据。
其中,每个客户对应至少一个用户。例如,所述客户为电商,该电商对应有至少一个用户。每个客户对应一个目标数据。
所述目标数据包括用户数据、商品数据和行为数据。所述用户数据包括用户唯一标识、用户昵称、年龄、性别、电话号码和地址等。所述商品数据包括商品唯一标识、商品名称、商品链接、发布时间和/或价格等。所述行为数据包括用户唯一标识、商品唯一标识、操作时间和权重等。所述用户数据、商品数据和行为数据的具体选取可以根据实际需求进行自定义,在此,不作具体限定。例如,所述行为数据还包括用户姓名。
作为一种实施方式,用户可以通过在网页上上传csv格式的所述目标数据,还可以将所述目标数据压缩为zip压缩文件后再上传。为了避免网页传输不稳定造成大文件的上传失败,优选地,所述目标数据的大小小于或等于1GB。
作为另一种实施方式,在上传所述目标数据时,预先设置***自动导入文件的时间及间隔。例如,可以通过埋点实时上传数据,该方式可提高数据的即时性,一旦有数据增加,则会立即得到体现。例如、可以采用全埋点、可视化埋点和代码埋点来进行埋点实时上传数据。
步骤S102,对每个所述客户所对应的所述目标数据单独进行数据清洗,获取清洗后的有效数据。
作为一种实施方式,获取每个所述客户所对应的目标数据中的用户数据、商品数据和行为数据。分别对每个所述客户所对应的所述用户数据、所述商品数据和所述行为数据进行清洗,即单独对每个客户所上传的目标数据进行处理,从而将每个客户所上传的所述目标数据进行有效隔离,避免数据混用,进一步保障了每个所述客户的隐私与利益。获取清洗后的有效数据。具体地,用户数据及商品数据的清洗流程为:先分别读取每个客户所对应的用户的预设数据字段配置,其中所述数据字段配置包括类型、长度、是否可以为空。再判断所述用户数据和所述商品数据是否符合所述数据字段配置条件,如果不符合则认为所述用户数据和所述商品数据为无效数据,进行记录。最后读取主键数据,与数据库中的数据进行比对,如存在该主键则更新数据,没有则新增该数据。其中,对所述行为数据的清洗流程为:先判断所述行为数据中的三个要素是否为空值,即所述行为数据中的用户、时间、商品是否为空值,并跟全部用户和商品数据对比,判断是否存在,若不存在则认为所述行为数据为无效数据,进行记录,反之,则为有效数据。然后取其它属性,执行读取用户的预设数据字段配置,其中所述数据字段配置包括类型、长度、是否可以为空。最后取所述行为数据所对应的操作类型,根据预设权重字典设置为对应的权重值。
步骤S103,基于预设规则获取每个所述客户所对应的所述有效数据所对应的用户的喜好商品。
其中,所述喜好商品是指用户最感兴趣的商品。
步骤S104,判断所述喜好商品的数量是否满足预设推荐规则。
作为一种实施方式,获取预设的商品推荐数量;判断所述喜好商品的数量是否大于所述商品推荐数量;若是,判断所述喜好商品的数量满足预设推荐规则;若否,判断所述喜好商品的数量不满足预设推荐规则。
其中,所述预设推荐规则是指判断喜好商品的数量是否大于或等于预设的商品推荐数量。
在本实施例中,所述商品推荐数量可以为10,也可以根据用户自己所设定的推荐数量进行推荐。在此,不作具体限定。
步骤S105,若是,将所述喜好商品推荐给所述用户所对应的用户终端。
作为一种实施方式,获取用户预设的推送方式;基于所述推送方式将所述喜好商品推送至每个所述客户所对应的所述用户的用户终端。具体地,获取用户上传的推送模版;将所述推送模版作为所述推送方式;当用户修改所述推送模版时,获取用户基于所述推送模版修改后的目标模版;将所述目标模版作为所述推送方式。例如,用户可以通过html文件或zip压缩文件等两种格式上传推送模版,上传完成的推送模版会保存在数据库中以备使用。当使用压缩文件时,用户需要按照规定的格式,文件要存放在images文件夹中,html文件中使用相对路径来引用文件。推送模版上传之后,会把推送模版里面的图片保存到服务器中,并把图片的相对路径替换为服务器上文件的URL,以保证所有的用户查看推送模版时可以查看到图片。并且上传的推送模版可在线预览,也可在线修改,如修改文字、排版、替换图片、复制等。其中,推送模版的修改是通过超文本编辑器来实现。以及用户还可以新建推送模版,例如填写推送模版名称,填写推送模版中需要替换的商品数量等。所述推送模版中包含许多个性化的字段信息,这些字段根据推送信息一一替换,生成完整的推送模版,发送给用户。
在本实施例中,优选地,将用户对所述喜好商品的偏好系数进行存储。其中,偏好系数是指用户对不同的喜好商品所喜欢的程度。
步骤S106,若否,获取所述喜好商品的数量与预设商品推荐数量之差。
步骤S107,获取每个所述客户所对应的所有用户的所述有效数据获取当前最流行的目标商品。
其中,所述最流行的目标商品是指根据每个客户所对应的所有用户的所述目标数据中的行为数据进分析,获取浏览量、购买量和好评等各行为事件综合最高的商品。
其中,所述行为数据中携带有浏览量、购买量和好评各行为事件以外还可以包括浏览时间或好评率等,所述行为数据所包括的信息可以根据用户需要自己设定,在此,不作具体限定。
作为一种实施方式,获取所述行为数据不为空的所有的用户所对应的所述有效数据中的所述行为数据;基于每个所述客户所对应的所有的所述行为数据中浏览量、购买量和好评等各行为事件综合最高的商品,将所述商品作为当前最流行的目标商品。
在本实施例中,将当前最流行的目标商品存储在数据库中。使得当推荐的所述喜好商品的数量小于所述预设商品推荐数量时,获取等于所述喜好商品的数量与所述预设商品推荐数量之差的当前最流行的目标商品,以进行推荐。
步骤S108,将所述目标商品和所述喜好商品推荐至所述用户所对应的用户终端。
在本实施例中,所述预设的推送方式可以是邮件,也可以是短信。优选地,所述预设的推送方式为邮件。
请参阅图3,是本发明本发明第二实施例提供的一种推荐方法的流程图。下面将对图3所示的具体流程进行详细阐述。
步骤S201,获取多个客户上传的多个目标数据。
步骤S202,对每个所述客户所对应的所述目标数据单独进行数据清洗,获取清洗后的有效数据。
步骤S201和步骤S202的具体实施方式请参照第一实施例中对应的步骤,在此,不再赘述。
步骤S203,基于协同过滤算法建立用户与商品的M*N矩阵,其中,M为用户的数量,N为商品的数量。
作为一种实施方式,获取每个客户所对应的用户所对应的所述有效数据所携带的行为数据,获取所述行为数据所携带的用户唯一标识,从而根据所述用户唯一标识区分不同的商户。然后将所述行为数据加入基于协同过滤算法建立用户与商品的M*N矩阵的矩阵中,以获取用户喜好商品。
在本实施例中,对不同的客户所上传的目标数据进行数据清洗后,所获得的所述有效数据建立用户与商品的M*N矩阵。
步骤S204,获取每个所述客户所对应的所述用户所对应的喜好商品。
先通过所述协同过滤算法的分解过程,将每一个用户i对商品j的评分进行填满,从而获取用户i对产品j的预测得分。然后再利用K-means算法,从矩阵的M*N个数据中选择K个初始聚类中心;对剩余的(N-K)个数据计算到K个初始聚类中心的欧氏距离,并将其归类于最小距离的中心的类;对K个类重新进行计算,得到迭代后的聚类中心;直到聚类中心不再变化或者变化小于设置的阈值为止。从而获取所述阀值所对应的商品,将所述商品作为喜好商品。
在本实施例中,通过用户与商品建立二维矩阵,即分别以用户和商品为该矩阵的纬度。所述矩阵中的每个值为用户对商品的偏好度。
步骤S205,判断所述喜好商品的数量是否满足预设推荐规则。
步骤S206,若是,将所述喜好商品推荐给所述用户所对应的用户终端。
步骤S207,若否,获取所述喜好商品的数量与预设商品推荐数量之差。
步骤S208,获取每个所述客户所对应的所有用户的所述有效数据获取当前最流行的目标商品。
步骤S209,将所述目标商品和所述喜好商品推荐至所述用户所对应的用户终端。
步骤S205至步骤S209的具体实施方式请参照第一实施例中对应的步骤,在此,不再赘述。
请参阅图4,是本发明第三实施例提供的一种推荐***的功能模块示意图。所述推荐***400包括数据上传单元410、数据处理单元420、第一推荐单元430、判断单元440、第一执行单元450、第二执行单元460、数据获取单元470和第二推荐单元480。
数据上传单元410,用于获取多个客户上传的多个目标数据。
数据处理单元420,用于对每个所述客户所对应的所述目标数据单独进行数据清洗,获取清洗后的有效数据。
第一推荐单元430,用于基于预设规则获取每个所述客户所对应的所述有效数据所对应的用户的喜好商品,并将所述喜好商品推荐给所述用户所对应的用户终端。
其中,所述第一推荐单元430具体用于:基于协同过滤算法建立用户与商品的M*N矩阵,其中,M为用户的数量,N为商品的数量;获取每个所述客户所对应的所述用户所对应的喜好商品。
判断单元440,用于判断所述喜好商品的数量是否满足预设推荐规则。
第一执行单元450,用于若是,将所述喜好商品推荐给所述用户所对应的用户终端。
其中,所述第一执行单元450具体用于:获取用户预设的推送方式;基于所述推送方式将所述喜好商品推送至每个所述客户所对应的所述用户的用户终端。
第二执行单元460,用于若否,获取所述喜好商品的数量与预设商品推荐数量之差。
数据获取单元470,用于获取每个所述客户所对应的所有用户的所述有效数据获取当前最流行的目标商品。
其中,所述数据获取单元470还用于:获取所述目标数据所携带的行为数据;当所述行为数据为空时,获取所述行为数据不为空的所有的用户所对应的所述有效数据中的所述行为数据;基于所有的所述行为数据中各行为事件综合最高的商品,将所述商品作为当前最流行的目标商品。
第二推荐单元480,用于将所述目标商品和所述喜好商品推荐至所述用户所对应的用户终端。
综上所述,本发明提供的一种推荐方法及***,该方法通过获取多个客户上传的多个目标数据,从而获取用户所感兴趣的商品,再通过对每个客户所对应的目标数据单独进行数据清洗,获取清洗后的有效数据;以获取满足预设规则的有效数据,以通过有效数据能够有效地对每个客户所上传的数据进行分析,再获取每个客户所对应的有效数据所对应的用户的喜好商品,并将喜好商品推荐给用户所对应的用户终端,以及当不满足预设推荐规则时,获取每个所述客户所对应的所有用户的所述有效数据获取当前最流行的目标商品;将所述目标商品和所述喜好商品通过用户预设的推荐方式推荐至所述用户所对应的用户终端。用户可以根据自己的需要进行设置推荐方式,以及推荐模版。进而实现对不同客户所对应的每个用户进行个性化推荐以及实现多个场景的推荐。
在本申请所提供的几个实施例中,应该理解到,所揭露的***和方法,也可以通过其它的方式实现。以上所描述的***实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本发明的多个实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能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介质中。基于这样的理解,本发明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介质中,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)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
Claims (10)
1.一种推荐方法,其特征在于,包括:
获取多个客户上传的多个目标数据;
对每个所述客户所对应的所述目标数据单独进行数据清洗,获取清洗后的有效数据;
基于预设规则获取每个所述客户所对应的所述有效数据所对应的用户的喜好商品;
判断所述喜好商品的数量是否满足预设推荐规则;
若是,将所述喜好商品推荐给所述用户所对应的用户终端;
若否,获取所述喜好商品的数量与预设商品推荐数量之差;
获取每个所述客户所对应的所有用户的所述有效数据获取当前最流行的目标商品;
将所述目标商品和所述喜好商品推荐至所述用户所对应的用户终端。
2.根据权利要求1所述的方法,其特征在于,所述的基于预设规则获取每个所述客户所对应的所述有效数据所对应的用户的喜好商品,包括:
基于协同过滤算法建立用户与商品的M*N矩阵,其中,M为用户的数量,N为商品的数量;
获取每个所述客户所对应的所述用户所对应的喜好商品。
3.根据权利要求1所述的方法,其特征在于,所述将所述喜好商品推荐给所述用户所对应的用户终端,包括:
获取用户预设的推送方式;
基于所述推送方式将所述喜好商品推送至每个所述客户所对应的所述用户的用户终端。
4.根据权利要求1所述的方法,其特征在于,所述的获取每个所述客户所对应的所有用户的所述有效数据获取当前最流行的目标商品,包括:
获取所述目标数据所携带的行为数据;
当所述行为数据为空时,获取所述行为数据不为空的所有的用户所对应的所述有效数据中的所述行为数据;
基于所有的所述行为数据中各行为事件综合最高的商品,将所述商品作为当前最流行的目标商品。
5.根据权利要求4所述的方法,其特征在于,所述的将所述喜好商品推送至每个所述客户所对应的所述用户的用户终端,包括:
获取用户预设的过滤规则;
基于所述过滤规则判断至少一个所述喜好商品是否有效;
若否,则将所述喜好商品丢弃,执行基于预设规则获取每个所述客户所对应的所述有效数据所对应的用户的喜好商品,进行重新获取所述喜好商品,直到所有的所述喜好商品有效;
若是,则将所有的所述喜好商品推送至每个所述客户所对应的所述用户所的用户终端。
6.根据权利要求3所述的方法,其特征在于,所述的获取用户预设的推送方式,包括:
获取用户上传的推送模版;
将所述推送模版作为所述推送方式;
当用户修改所述推送模版时,获取用户基于所述推送模版修改后的目标模版;
将所述目标模版作为所述推送方式。
7.一种推荐***,其特征在于,包括:
数据上传单元,用于获取多个客户上传的多个目标数据;
数据处理单元,用于对每个所述客户所对应的所述目标数据单独进行数据清洗,获取清洗后的有效数据;
第一推荐单元,用于基于预设规则获取每个所述客户所对应的所述有效数据所对应的用户的喜好商品;
判断单元,用于判断所述喜好商品的数量是否满足预设推荐规则;
第一执行单元,用于若是,将所述喜好商品推荐给所述用户所对应的用户终端;
第二执行单元,用于若否,获取所述喜好商品的数量与预设商品推荐数量之差;
数据获取单元,用于获取每个所述客户所对应的所有用户的所述有效数据获取当前最流行的目标商品;
第二推荐单元,用于将所述目标商品和所述喜好商品推荐至所述用户所对应的用户终端。
8.根据权利要求7所述的***,其特征在于,所述第一推荐单元具体用于:
基于协同过滤算法建立用户与商品的M*N矩阵,其中,M为用户的数量,N为商品的数量;
获取每个所述客户所对应的所述用户所对应的喜好商品。
9.根据权利要求7所述的***,其特征在于,所述第一执行单元具体用于:
获取用户预设的推送方式;
基于所述推送方式将所述喜好商品推送至每个所述客户所对应的所述用户的用户终端。
10.根据权利要求7所述的***,其特征在于,所述数据获取单元还用于:
获取所述目标数据所携带的行为数据;
当所述行为数据为空时,获取所述行为数据不为空的所有的用户所对应的所述有效数据中的所述行为数据;
基于所有的所述行为数据中各行为事件综合最高的商品,将所述商品作为当前最流行的目标商品。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710991927.XA CN107578326A (zh) | 2017-10-23 | 2017-10-23 | 一种推荐方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710991927.XA CN107578326A (zh) | 2017-10-23 | 2017-10-23 | 一种推荐方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107578326A true CN107578326A (zh) | 2018-01-12 |
Family
ID=61037795
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710991927.XA Pending CN107578326A (zh) | 2017-10-23 | 2017-10-23 | 一种推荐方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107578326A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109886772A (zh) * | 2019-01-16 | 2019-06-14 | 深圳壹账通智能科技有限公司 | 产品推荐方法、装置、计算机设备和存储介质 |
CN115550432A (zh) * | 2022-10-27 | 2022-12-30 | 浪潮云信息技术股份公司 | 一种动态数据的订阅和推送方法及*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102663627A (zh) * | 2012-04-26 | 2012-09-12 | 焦点科技股份有限公司 | 个性化推荐方法 |
CN103412948A (zh) * | 2013-08-27 | 2013-11-27 | 北京交通大学 | 基于聚类的协同过滤的商品推荐方法及*** |
CN104298679A (zh) * | 2013-07-18 | 2015-01-21 | 腾讯科技(深圳)有限公司 | 应用业务推荐方法及装置 |
CN104463630A (zh) * | 2014-12-11 | 2015-03-25 | 新一站保险代理有限公司 | 一种基于网购保险产品特性的产品推荐方法及*** |
CN104992352A (zh) * | 2015-07-10 | 2015-10-21 | 安徽新华传媒股份有限公司 | 一种个性化资源检索方法 |
-
2017
- 2017-10-23 CN CN201710991927.XA patent/CN107578326A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102663627A (zh) * | 2012-04-26 | 2012-09-12 | 焦点科技股份有限公司 | 个性化推荐方法 |
CN104298679A (zh) * | 2013-07-18 | 2015-01-21 | 腾讯科技(深圳)有限公司 | 应用业务推荐方法及装置 |
CN103412948A (zh) * | 2013-08-27 | 2013-11-27 | 北京交通大学 | 基于聚类的协同过滤的商品推荐方法及*** |
CN104463630A (zh) * | 2014-12-11 | 2015-03-25 | 新一站保险代理有限公司 | 一种基于网购保险产品特性的产品推荐方法及*** |
CN104992352A (zh) * | 2015-07-10 | 2015-10-21 | 安徽新华传媒股份有限公司 | 一种个性化资源检索方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109886772A (zh) * | 2019-01-16 | 2019-06-14 | 深圳壹账通智能科技有限公司 | 产品推荐方法、装置、计算机设备和存储介质 |
CN115550432A (zh) * | 2022-10-27 | 2022-12-30 | 浪潮云信息技术股份公司 | 一种动态数据的订阅和推送方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109359244B (zh) | 一种个性化信息推荐方法和装置 | |
CN111259263B (zh) | 一种物品推荐方法、装置、计算机设备及存储介质 | |
Zhang et al. | User community discovery from multi-relational networks | |
CN107862553A (zh) | 广告实时推荐方法、装置、终端设备及存储介质 | |
US20110082848A1 (en) | Systems, methods and computer program products for search results management | |
EP3070661A1 (en) | System and method for providing context driven hyper-personalized recommendation | |
CN104008184A (zh) | 信息的推送方法和装置 | |
CN103778260A (zh) | 一种个性化微博信息推荐***和方法 | |
CN106997358A (zh) | 信息推荐方法及装置 | |
CN105868267B (zh) | 一种移动社交网络用户兴趣的建模方法 | |
CN112765373B (zh) | 资源推荐方法、装置、电子设备和存储介质 | |
CN109165367B (zh) | 一种基于rss订阅的新闻推荐方法 | |
CN108885624A (zh) | 信息推荐***及方法 | |
CN111709810A (zh) | 基于推荐模型的对象推荐方法及装置 | |
CN112507246B (zh) | 一种融合全局和局部社会兴趣影响的社会推荐方法 | |
CN111488385B (zh) | 基于人工智能的数据处理方法、装置和计算机设备 | |
CN111429161B (zh) | 特征提取方法、特征提取装置、存储介质及电子设备 | |
CN111611499B (zh) | 协同过滤方法、协同过滤装置及*** | |
CN110637317A (zh) | 用于在数字通信网络上跨多个设备建立数字接触点的分布式节点群集 | |
CN113505311B (zh) | 一种可根据“潜在语义空间”的旅游景点交互推荐方法 | |
CN107357845A (zh) | 一种基于Spark的旅游兴趣推荐***及推荐方法 | |
CN115408618B (zh) | 一种基于社交关系融合位置动态流行度和地理特征的兴趣点推荐方法 | |
CN114764479A (zh) | 一种基于新闻场景下用户行为的个性化新闻推荐方法 | |
CN109190027A (zh) | 多源推荐方法、终端、服务器、计算机设备、可读介质 | |
CN110795613A (zh) | 商品搜索方法、装置、***及电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180112 |
|
RJ01 | Rejection of invention patent application after publication |