CN109214886B - 商品推荐方法、***及存储介质 - Google Patents

商品推荐方法、***及存储介质 Download PDF

Info

Publication number
CN109214886B
CN109214886B CN201810924408.6A CN201810924408A CN109214886B CN 109214886 B CN109214886 B CN 109214886B CN 201810924408 A CN201810924408 A CN 201810924408A CN 109214886 B CN109214886 B CN 109214886B
Authority
CN
China
Prior art keywords
commodity
category
recommendation
user
commodities
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.)
Active
Application number
CN201810924408.6A
Other languages
English (en)
Other versions
CN109214886A (zh
Inventor
吴壮伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen Co Ltd
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 Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN201810924408.6A priority Critical patent/CN109214886B/zh
Publication of CN109214886A publication Critical patent/CN109214886A/zh
Application granted granted Critical
Publication of CN109214886B publication Critical patent/CN109214886B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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

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)

Abstract

本发明实施例提供了一种商品推荐方法、***及存储介质，本发明实施例将商品类型化，将不同类别的商品评分数据保存至不同的从服务器，主服务器根据用户购买的商品的类别和购买时间挖掘出类别推荐列表反馈给保存有对应类型的商品评分数据的从服务器不同的从服务器利用其保存的不同类别商品的评分数据，处理不同类别的商品推荐，得到对应类型的待推荐的商品，分布式处理提高了商品的推荐效率；另外，由于根据购买的类型推荐多种类型的商品，扩大了商品的推荐范围。

Description

商品推荐方法、***及存储介质
技术领域
本发明涉及互联网技术领域，尤其涉及一种商品推荐方法、***及存储介质。
背景技术
随着电子商务的快速发展，推荐***已经被广泛研究和应用，推荐***通过提取分析用户的对商品的评分数据来获取用户的喜好，以帮助电商找到用户可能购买的产品，进行个性化推荐。目前针对用户的个性化推荐，通常是通过单机服务器分析用户对商品的评分来挖掘出用户的喜好，然而随着商品以及用户的规模不断扩大，用户对商品的评分数据也不断增加，利用评分数据挖掘用户的兴趣产品所需要的计算资源也越来越大，随着商品的数据量增大，单机服务器对用户的兴趣产品挖掘效率越来越低。
发明内容
本发明实施例提供了一种商品推荐方法、***及存储介质，旨在实现分布式地向用户推荐商品，提高商品的推荐效率。
第一方面，本发明实施例提供了一种商品推荐方法，该方法包括：将不同类别的商品评分数据保存至不同的从服务器；若主服务器接收到用户的商品推荐请求，获取所述用户在预设时间内的商品购买情况，所述商品购买情况包括购买的商品以及商品的购买时间；所述主服务器根据所述购买的商品获取所述用户所购买商品的类别；所述主服务器根据所购买商品的类别和商品的购买时间挖掘类别推荐列表；若所述类别推荐列表包括多个类别，所述主服务器根据所述多个类别将所述商品推荐请求以及所述用户的每一类别的商品购买情况发送至保存有对应类别的商品评分数据的从服务器；每个所述从服务器根据所述用户购买的对应类别的商品及所保存的商品评分数据挖掘对应类别的商品推荐列表，并将所述商品推荐列表发送至所述主服务器；所述主服务器根据所述商品推荐列表向所述用户推荐商品。
第二方面，本发明实施例还提供了一种商品推荐***，所述商品推荐***包括主服务器和多个从服务器，所述主服务器和多个从服务器包括用于实现第一方面所述的商品推荐方法的单元。
第三方面，本发明实施例还提供了另一种商品推荐***，包括多个计算机设备，每个计算机设备均包括存储器以及与所述存储器相连的处理器，所述存储器用于存储实现商品推荐方法的计算机程序，所述多个计算机设备中的处理器执行相应的存储器中存储的计算机程序时共同实现上述第一方面所述的方法。
第四方面，本发明实施例提供了一种存储介质，所述存储介质存储有一个或者一个以上计算机程序，所述一个或者一个以上计算机程序被处理器执行时实现上述第一方面所述的方法。
本发明实施例提供的商品推荐方法、***及存储介质，将商品类型化，根据用户购买商品的情况推荐多种类别的商品，扩大商品的推荐范围，利用不同的从服务器保存不同类别商品的评分数据，处理不同类别的商品推荐，分布式处理提高了商品的推荐效率。
附图说明
为了更清楚地说明本发明实施例技术方案，下面将对实施例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发明的一些实施例，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是本发明一实施例提供的一种商品推荐方法的流程示意图；
图2是本发明一实施例提供的一种商品推荐方法的子流程示意图；
图3是本发明另一实施例提供的一种商品推荐方法的子流程示意图；
图4是本发明另一实施例提供的一种商品推荐方法的子流程示意图；
图5是本发明另一实施例提供的一种商品推荐方法的子流程示意图；
图6是本发明一实施例提供的一种商品推荐***的结构示意图；
图7是本发明一实施例提供的一种商品推荐***的示意性框图；
图8是本发明一实施例提供的一种商品推荐***的子单元示意性框图；
图9是本发明另一实施例提供的一种商品推荐***的子单元示意性框图；
图10是本发明另一实施例提供的一种商品推荐***的子单元示意性框图；
图11是本发明另一实施例提供的一种商品推荐***的子单元示意性框图；
图12是本发明实施例提供的一种计算机设备的结构示意性框图。
具体实施方式
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做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。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
也应当理解，尽管术语第一、第二等可以在此用来描述各种元素，但这些元素不应该受限于这些术语，这些术语仅用来将这些元素彼此区分开。
图1为本发明实施例提供的一种商品推荐方法的流程示意图，该方法包括步骤S101～S106。
S101、将不同类别的商品评分数据保存至不同的从服务器。
从商品消费平台获取全部用户对商品评分的评价数据，得到全量商品的评分数据，将全量商品的评分数据进行分类，得到不同类别的商品评价数据，不同类别的商品评分数据保存在不同的从服务器中，每个从服务器保存一个类别的商品评分数据，每个从服务器只用于推荐该从服务器保存的商品评分数据对应类别的商品。
S102、若主服务器接收到用户的商品推荐请求，获取所述用户在预设时间内的商品购买情况，所述商品购买情况包括购买的商品以及商品的购买时间。
S103、所述主服务器根据所述购买的商品获取所述用户所购买商品的类别。
商品消费平台所有的线上在售商品都具有其分类情况，线上在售商品在上架时商家需要对商品情况进行介绍，对商品进行了分类，因此，主服务器可直接获得用户购买的商品的类别，同时也可获得用户购买商品的购买时间。
S104、所述主服务器根据所购买商品的类别和商品的购买时间挖掘类别推荐列表。
主服务器用于接收商品推荐请求，在接收到用户的商品推荐请求后根据用户所购买商品的类别和商品的购买时间挖掘出针对用户可能购买的商品的类别，形成类别推荐列表。
主服务器通过抽取出用户过往预设时间(例如包括当天在内的最近的30天)内的商品购买情况，对照不同类别的商品列表，统计出用户在不同类别的购买情况，根据用户的购买情况挖掘出用户感兴趣的类别，以便实现不同类别的商品推荐，扩大商品的推荐范围。
如图2所示，步骤S104包括步骤S1041-S1044：
S1041、根据每一所购买商品的购买时间获取对应的商品权重值。
商品对应的商品权重值预先设置，根据购买时间变化，例如如下：
(1)购买时间距离当前时间小于或等于2天的，商品权重值为0.8；
(2)购买时间距离当前时间大于2天且小于或等于5天的，商品权重值为0.7；
(3)购买时间距离当前时间大于5天且小于或等于一周的，商品权重值为0.5；
(4)购买时间距离当前时间大于一周且小于或等于两周的，商品权重值为0.4；
(5)购买时间距离当前时间大于两周且小于或等于三周的，商品权重值为0.3；
(6)购买时间距离当前时间大于三周且小于或等于30天的，商品权重值为0.2。
S1042、根据同一类别的所购买商品的商品权重值计算对应类别的类别权重值。
类别的类别权重值等于该类别的购买商品的商品权重值之和。
S1043、若所述所购买商品的类别的总数小于或等于第一阈值，根据类别权重值的大小将所述类别进行排列以形成所述类别推荐列表。
S1044、若所述所购买商品的类别的总数大于第一阈值，获取数量为第一阈值的类别权重值较高的类别，根据类别权重值的大小将所述类别进行排列以形成所述类别推荐列表。
预先设置推荐的类别的总数为第一阈值，如果用户在预设时间内购买的商品类别的数目没有达到第一阈值，则推荐的类别为用户购买的全部类别，如果购买类别的数目达到第一阈值，则将类别权重值较高的前n(n等于第一阈值)个类别作为需要推荐的类别。第一阈值为3-5，在一实施例中，第一阈值取值为3。S105、若所述类别推荐列表包括多个类别，所述主服务器根据所述多个类别将所述商品推荐请求以及所述用户的每一类别的商品购买情况发送至保存有对应类别的商品评分数据的从服务器。
本发明实施例是针对当需要向用户推荐不同类别的商品时，利用多个从服务器实现分布式推荐处理，因此，当类别推荐列表包括多个类别时，将商品推荐请求分发到类别对应的从服务器，即保存对应类别的商品评分数据的从服务器，同时将用户在该类别的商品购买情况也一并发给对应的从服务器。
S106、每个所述从服务器根据所述用户购买的对应类别的商品及所保存的商品评分数据挖掘对应类别的商品推荐列表，并将所述商品推荐列表发送至所述主服务器。
对应的从服务器接收到主服务器的商品推荐请求以及对应类别的商品购买情况之后，根据对应类别的商品评分数据以及用户购买商品的情况挖掘用户可能在该类别中感兴趣的商品反馈给主服务器。
不同的从服务处理不同类别的商品推荐，实现了分布式商品推荐，提高了商品的推荐效率。
在一实施例中，从服务器根据用户在该类别的购买商品的情况分析出用户在该类别购买的代表商品，根据该代表商品进行商品推荐。
如图3所示，步骤S106包括步骤S1061-S1068：
S1061、一从服务器获取所述用户对对应类别的所有购买商品的第一评分。
S1062、所述从服务器根据所述第一评分挖掘所述用户在所述类别购买的代表商品。
从服务器根据用户对购买的对应类别的商品的评分得到该用户在该类别的代表商品，代表商品代表了用户在该类别中最为感兴趣的一个商品。
S1063、所述从服务器根据所保存的商品评分数据获取所述代表商品的第一评分用户集以及获取所述类别中每一其它商品的第二评分用户集。
S1064、所述从服务器根据所述第一评分用户集和所述第二评分用户集计算所述每一其它商品与所述代表商品的相似度。
在本实施例中，根据代表商品与该类别的任意一其它商品的共同评分用户的比例来计算该代表商品与该任意一其它商品的相似度，相似度的计算公式如下：
其中，|Ti|表示所述第一评分用户集的用户总数量，|Tj|表示所述第二评分用户集的用户总数量，|Ti∩Tj|表示第一评分用户集和第二评分用户集的交集所包含的用户的总数量，x表示相似度。
S1065、若所述相似度大于或等于第二阈值，确认对应的其它商品为所述代表商品的相似商品。
两个商品共同的评分用户的数量所占的比例越大，则这两个商品越相似。第二阈值为0.4-0.6，在不同的实施例中，可取值为0.4、0.5或0.6。
S1066、从所述商品评分数据中获取所述用户对所述相似商品的第二评分。
S1067、根据所述相似商品的相似度及所述用户对所述相似商品的第二评分计算所述相似商品的第一推荐评分。
结合相似商品的相似度以及所述用户对相似商品的第二评分计算相似商品的第一推荐评分。假设用户对任一相似商品的第二评分用x表示，该相似商品的相似度为s，则该相似商品的第一推荐评分f＝x*s。
S1068、将第一推荐评分较高的前预设数量的相似商品确认为所述类别的推荐商品，以得到所述类别的商品推荐列表。
将第一推荐评分较高的前预设数量个(例如第一推荐评分较高的前10个)相似商品作为对应类别中的推荐商品，根据第一推荐评分从高到底进行排列得到该类别的商品推荐列表。
接收到商品推荐请求的从服务器各自独立地按以上步骤S1061-S1068S进行对应类别的商品推荐列表的挖掘。
在一实施例中，如图4所示，步骤S1062包括步骤S1062a-S1062c：
S1062a、所述从服务器从所述第一评分中获取具有最高评分的购买商品作为所述类别的重点商品。
S1062b、若所述重点商品为一个，所述从服务器将所述重点商品确认为所述类别的代表商品。
S1062c、若所述重点商品为多个，所述从服务器将商品权重值最高的重点商品确认为所述类别的代表商品。
在本市实施例中，结合用户对购买商品的第一评分以及购买商品的商品权重值得到代表商品，如果第一评分最高的商品仅有一个，则该商品即为代表商品，如果为多个，则将多个评分最高的商品中商品权重值最高的一个商品作为代表商品。另外，考虑到如果权重值最高的商品不止一个，还可以考虑商品的销量，将其中销量最高的一个最为代表商品。
S107、所述主服务器根据所述商品推荐列表向所述用户推荐商品。
主服务器得到各个从服务器反馈的对应类别的商品推荐列表之后，得到了每个推荐类别对应的商品推荐列表，将这些商品推荐列表反馈给请求的用户，实现不同类别的商品推荐，扩大了商品的推荐范围。
在一实施例中，主服务基于从服务器反馈的不同类别的商品推荐列表以及对应的类别权重值向用户推荐商品。如图5所示，步骤S107包括步骤S1071-S1073：
S1071、所述主服务器根据所述商品推荐列表中的推荐商品的第一推荐评分以及所述商品推荐列表对应类别的类别权重值计算所述推荐商品的第二推荐评分。
第二推荐评分等于第一推荐评分与对应类别权重值的乘积。
S1072、所述主服务器将所有类别的推荐商品按第二推荐评分从高到低进行排列。
S1073、所述主服务器将排列在前的N个推荐商品推荐给所述用户，其中所述N为预设值。
在本实施例中，主服务器结合推荐商品的第一推荐评分以及推荐商品对应类别的类别权重值得到推荐商品的第二预测评分，第二预测评分作为主服务器向用户推荐最终商品的依据，根据第二推荐评分将所有推荐商品中的Top-N推荐商品推荐给所述用户，即将第二推荐评分较高的前N个推荐商品推荐给用户，提高商品推荐的精确性，其中N为5-15，在一实施例中，N取值为10。
在另一实施例中，所述商品购买情况还可包括每一类别所购买商品的购买数量，主服务器在得到商品推荐列表后，将商品推荐列表中购买数量排在前三的类别的商品推荐给用户。
本发明实施例提供的商品推荐方法，将商品类型化，根据用户购买商品的情况推荐多种类别的商品，扩大商品的推荐范围，利用不同的从服务器保存不同类别商品的评分数据，处理不同类别的商品推荐，分布式处理提高了商品的推荐效率。
图6为本发明实施例提供的一种商品推荐***10的结构示意图，商品推荐***10包括主服务器100和多个从服务器200，主服务器100与从服务器200之间能够进行通信，主服务器100向从服务器200发送任务，从服务器200处理主服务器100发送的任务并向主服务器100返回处理结果。
图7是本发明实施例提供的一种商品推荐***10的示意性框图，该商品推荐***10中的主服务器包括接收单元101、第一获取单元102、第二获取单元103、第一挖掘单元104、第一发送单元105和推荐单元106，每个从服务器200包括保存单元201、第二挖掘单元202和第二发送单元203。
不同的保存单元201用于保存不同类别的商品评分数据。
所述接收单元101用于：接收用户的商品推荐请求。
所述第一获取单元102用于：在接收单元接收到用户的商品推荐请求之后获取所述用户在预设时间内的商品购买情况，所述商品购买情况包括购买的商品以及商品的购买时间。
所述第二获取单元103用于：根据所述购买的商品获取所述用户所购买商品的类别。
所述第一挖掘单元104用于：根据所购买商品的类别和商品的购买时间挖掘类别推荐列表。
所述第一发送单元105用于：若所述类别推荐列表包括多个类别，根据所述多个类别将所述商品推荐请求以及所述用户的每一类别的商品购买情况发送至保存有对应类别的商品评分数据的从服务器。
所述第二挖掘单元202用于：根据所述用户购买的对应类别的商品及对应保存单元201所保存的商品评分数据挖掘对应类别的商品推荐列表。
所述第二发送单元203用于：将所述商品推荐列表发送至所述主服务器。
所述推荐单元106用于：根据所述商品推荐列表向所述用户推荐商品。
在一实施例中，所述商品购买情况包括购买的商品以及商品的购买时间。如图8所示，所述第一挖掘单元104包括以下子单元：
第一获取子单元1041，用于根据每一所购买商品的购买时间获取对应的商品权重值；
第一计算子单元1042，用于根据同一类别的所购买商品的商品权重值计算对应类别的类别权重值；
第一形成子单元1043，用于若所述所购买商品的类别的总数小于或等于第一阈值，根据类别权重值的大小将所述类别进行排列以形成所述类别推荐列表；
第二获取子单元1044，用于若所述所购买商品的类别的总数大于第一阈值，获取数量为第一阈值的类别权重值较高的类别；以及
第二形成子单元1045，用于根据类别权重值的大小将所述类别进行排列以形成所述类别推荐列表。
在一实施例中，如图9所示，所述第二挖掘单元202包括以下子单元：
第三获取子单元2021，用于获取所述用户对对应类别的所有购买商品的第一评分；
第一挖掘子单元2022，用于根据所述第一评分挖掘所述用户在所述类别购买的代表商品；
第四获取子单元2023，用于根据所保存的商品评分数据获取所述代表商品的第一评分用户集以及获取所述类别中每一其它商品的第二评分用户集；
第二计算子单元2024，用于根据所述第一评分用户集和所述第二评分用户集计算所述每一其它商品与所述代表商品的相似度；
第一确认子单元2025，用于若所述相似度大于或等于第二阈值，确认对应的其它商品为所述代表商品的相似商品；
第五获取子单元2026，用于从所述商品评分数据中获取所述用户对所述相似商品的第二评分；
第三计算子单元2027，用于根据所述相似商品的相似度及所述用户对所述相似商品的第二评分计算所述相似商品的第一推荐评分；以及
第二确认子单元2028，用于将第一推荐评分较高的前预设数量的相似商品确认为所述类别的推荐商品，以得到所述类别的商品推荐列表。
在一实施例中，如图10所示，所述第一挖掘子单元2022包括以下子单元：
第六获取子单元2022a，用于所述从服务器从所述第一评分中获取具有最高评分的购买商品作为所述类别的重点商品；
第三确认子单元2022b，用于若所述重点商品为一个，将所述重点商品确认为所述类别的代表商品；以及
第四确认子单元2022c，用于若所述重点商品为多个，将商品权重值最高的重点商品确认为所述类别的代表商品。
在一实施例中，如图11所示，所述推荐单元106包括以下子单元：
第四计算子单元1061，用于所述主服务器根据所述商品推荐列表中的推荐商品的第一推荐评分以及所述商品推荐列表对应类别的类别权重值计算所述推荐商品的第二推荐评分；
排列子单元1062，用于所述主服务器将所有类别的推荐商品按第二推荐评分从高到低进行排列；以及
推荐子单元1063，用于将排列在前的N个推荐商品推荐给所述用户，其中所述N为预设数量。
上述商品推荐***10与前述商品推荐方法对应，本实施例中对商品推荐***10未详尽之处可参考前述方法实施例，此处不做赘述。
上述商品推荐***10可以实现为一种计算机程序的形式，计算机程序可以在如图12所示的多个计算机设备上共同运行。
本发明实施例还提供另一种商品推荐***，该商品推荐***包括多个计算机设备300，其中一个计算机设备300可主设备，其他计算机设备300作为从设备。
图12为一计算机设备300的结构示意性框图，该计算机设备300包括通过***总线301连接的处理器302、存储器和网络接口305，其中，存储器可以包括非易失性存储介质303和内存储器304。
该计算机设备300的非易失性存储介质303可存储操作***3031和计算机程序3032，多个计算机设备300中的计算机程序3032被执行时，可使得该多个计算机设备300的处理器302共同执行一种商品推荐方法。该内存储器304为非易失性存储介质303中的计算机程序3032的运行提供环境。该计算机设备300的处理器302用于提供计算和控制能力，支撑整个计算机设备300的运行。计算机设备300的网络接口305用于进行网络通信，如发送分配的任务、接收数据等。
本领域技术人员可以理解，图12中示出的计算机设备的实施例并不构成对计算机设备具体构成的限定，在其他实施例中，计算机设备可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。例如，在一些实施例中，计算机设备可以仅包括存储器及处理器，在这样的实施例中，存储器及处理器的结构及功能与图12所示实施例一致，在此不再赘述。
所述多个计算机设备300中的处理器302执行相应的非易失性存储介质303的计算机程序3032时共同执行以下步骤：将不同类别的商品评分数据保存至不同的从设备；若主设备接收到用户的商品推荐请求，获取所述用户在预设时间内的商品购买情况，所述商品购买情况包括购买的商品以及商品的购买时间；所述主设备根据所述购买的商品获取所述用户所购买商品的类别；所述主设备根据所购买商品的类别和商品的购买时间挖掘类别推荐列表；若所述类别推荐列表包括多个类别，所述主设备根据所述多个类别将所述商品推荐请求以及所述用户的每一类别的商品购买情况发送至保存有对应类别的商品评分数据的从设备；每个所述从设备根据所述用户购买的对应类别的商品及所保存的商品评分数据挖掘对应类别的商品推荐列表，并将所述商品推荐列表发送至所述主设备；所述主设备根据所述商品推荐列表向所述用户推荐商品。
在一实施例中，所述主设备根据所购买商品的类别和商品的购买时间挖掘类别推荐列表的步骤，具体包括以下步骤：将根据每一所购买商品的购买时间获取对应的商品权重值；根据同一类别的所购买商品的商品权重值计算对应类别的类别权重值；若所述所购买商品的类别的总数小于或等于第一阈值，根据类别权重值的大小将所述类别进行排列以形成所述类别推荐列表；若所述所购买商品的类别的总数大于第一阈值，获取数量为第一阈值的类别权重值较高的类别，根据类别权重值的大小将所述类别进行排列以形成所述类别推荐列表。
在一实施例中，每个所述从设备根据所述用户购买的对应类别的商品及所保存的商品评分数据挖掘对应类别的商品推荐列表的步骤，具体包括以下步骤：一从设备获取所述用户对对应类别的所有购买商品的第一评分；所述从设备根据所述第一评分挖掘所述用户在所述类别购买的代表商品；所述从设备根据所保存的商品评分数据获取所述代表商品的第一评分用户集以及获取所述类别中每一其它商品的第二评分用户集；所述从设备根据所述第一评分用户集和所述第二评分用户集计算所述每一其它商品与所述代表商品的相似度；若所述相似度大于或等于第二阈值，确认对应的其它商品为所述代表商品的相似商品；从所述商品评分数据中获取所述用户对所述相似商品的第二评分；根据所述相似商品的相似度及所述用户对所述相似商品的第二评分计算所述相似商品的第一推荐评分；将第一推荐评分较高的前预设数量的相似商品确认为所述类别的推荐商品，以得到所述类别的商品推荐列表。
在一实施例中，所述从设备根据所述第一评分挖掘所述用户在所述类别购买的代表商品的步骤，具体包括以下步骤：所述从设备从所述第一评分中获取具有最高评分的购买商品作为所述类别的重点商品；若所述重点商品为一个，所述从设备将所述重点商品确认为所述类别的代表商品；若所述重点商品为多个，所述从设备将商品权重值最高的重点商品确认为所述类别的代表商品。
在一实施例中，所述主设备根据所述商品推荐列表向所述用户推荐商品的步骤，具体包括以下步骤：所述主设备根据所述商品推荐列表中的推荐商品的第一推荐评分以及所述商品推荐列表对应类别的类别权重值计算所述推荐商品的第二推荐评分；所述主设备将所有类别的推荐商品按第二推荐评分从高到低进行排列；所述主设备排列在前的N个推荐商品推荐给所述用户，其中所述N为预设数量。
应当理解，在本申请实施例中，处理器302可以是中央处理单元(CentralProcessing Unit，CPU)，该处理器302还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
本领域普通技术人员可以理解的是实现上述实施例的方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成。该计算机程序包括程序指令，计算机程序可存储于一存储介质中，该存储介质为计算机可读存储介质。该程序指令被该计算机***中的至少一个处理器执行，以实现上述方法的实施例的流程步骤。
因此，本发明还提供一种存储介质，所述存储介质存储有一个或者一个以上计算机程序，所述一个或者一个以上计算机程序可被一个或者一个以上的处理器执行，可实现以下步骤：将不同类别的商品评分数据保存至不同的从设备；若主设备接收到用户的商品推荐请求，获取所述用户在预设时间内的商品购买情况，所述商品购买情况包括购买的商品以及商品的购买时间；所述主设备根据所述购买的商品获取所述用户所购买商品的类别；所述主设备根据所购买商品的类别和商品的购买时间挖掘类别推荐列表；若所述类别推荐列表包括多个类别，所述主设备根据所述多个类别将所述商品推荐请求以及所述用户的每一类别的商品购买情况发送至保存有对应类别的商品评分数据的从设备；每个所述从设备根据所述用户购买的对应类别的商品及所保存的商品评分数据挖掘对应类别的商品推荐列表，并将所述商品推荐列表发送至所述主设备；所述主设备根据所述商品推荐列表向所述用户推荐商品。
在一实施例中，所述主设备根据所购买商品的类别和商品的购买时间挖掘类别推荐列表的步骤，具体包括以下步骤：将所述用户所购买的所有商品进行分类，以得到所购买商品的类别；根据每一所购买商品的购买时间获取对应的商品权重值；根据同一类别的所购买商品的商品权重值计算对应类别的类别权重值；若所述所购买商品的类别的总数小于或等于第一阈值，根据类别权重值的大小将所述类别进行排列以形成所述类别推荐列表；若所述所购买商品的类别的总数大于第一阈值，获取数量为第一阈值的类别权重值较高的类别，根据类别权重值的大小将所述类别进行排列以形成所述类别推荐列表。
在一实施例中，每个所述从设备根据所述用户购买的对应类别的商品及所保存的商品评分数据挖掘对应类别的商品推荐列表的步骤，具体包括以下步骤：一从设备获取所述用户对对应类别的所有购买商品的第一评分；所述从设备根据所述第一评分挖掘所述用户在所述类别购买的代表商品；所述从设备根据所保存的商品评分数据获取所述代表商品的第一评分用户集以及获取所述类别中每一其它商品的第二评分用户集；所述从设备根据所述第一评分用户集和所述第二评分用户集计算所述每一其它商品与所述代表商品的相似度；若所述相似度大于或等于第二阈值，确认对应的其它商品为所述代表商品的相似商品；从所述商品评分数据中获取所述用户对所述相似商品的第二评分；根据所述相似商品的相似度及所述用户对所述相似商品的第二评分计算所述相似商品的第一推荐评分；将第一推荐评分较高的前预设数量的相似商品确认为所述类别的推荐商品，以得到所述类别的商品推荐列表。
在一实施例中，所述从设备根据所述第一评分挖掘所述用户在所述类别购买的代表商品的步骤，具体包括以下步骤：所述从设备从所述第一评分中获取具有最高评分的购买商品作为所述类别的重点商品；若所述重点商品为一个，所述从设备将所述重点商品确认为所述类别的代表商品；若所述重点商品为多个，所述从设备将商品权重值最高的重点商品确认为所述类别的代表商品。
在一实施例中，所述主设备根据所述商品推荐列表向所述用户推荐商品的步骤，具体包括以下步骤：所述主设备根据所述商品推荐列表中的推荐商品的第一推荐评分以及所述商品推荐列表对应类别的类别权重值计算所述推荐商品的第二推荐评分；所述主设备将所有类别的推荐商品按第二推荐评分从高到低进行排列；所述主设备将排列在前的N个推荐商品推荐给所述用户，其中所述N为预设数量。
所述存储介质可以是U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、磁碟或者光盘等各种可以存储程序代码的计算机可读存储介质。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的。例如，各个单元的划分，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***，或一些特征可以忽略，或不执行。
本发明实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。本发明实施例装置中的单元可以根据实际需要进行合并、划分和删减。另外，在本发明各个实施例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，也可以是两个或两个以上单元集成在一个单元中。
该集成的单元如果以软件功能单元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，终端，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。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (8)

1.一种商品推荐方法，其特征在于，包括：
将不同类别的商品评分数据保存至不同的从服务器；
若主服务器接收到用户的商品推荐请求，获取所述用户在预设时间内的商品购买情况，所述商品购买情况包括购买的商品以及商品的购买时间；
所述主服务器根据所述购买的商品获取所述用户所购买商品的类别；
根据每一所购买商品的购买时间获取对应的商品权重值，其中，所述商品权重值随着所述购买时间变化；
根据同一类别的所购买商品的商品权重值计算对应类别的类别权重值；
若所述所购买商品的类别的总数小于或等于第一阈值，根据类别权重值的大小将所述类别进行排列以形成类别推荐列表；
若所述所购买商品的类别的总数大于第一阈值，获取数量为第一阈值的类别权重值较高的类别，根据类别权重值的大小将所述类别进行排列以形成所述类别推荐列表；
若所述类别推荐列表包括多个类别，所述主服务器根据所述多个类别将所述商品推荐请求以及所述用户的每一类别的商品购买情况发送至保存有对应类别的商品评分数据的从服务器；
每个所述从服务器根据所述用户购买的对应类别的商品及所保存的商品评分数据挖掘对应类别的商品推荐列表，并将所述商品推荐列表发送至所述主服务器；
所述主服务器根据所述商品推荐列表向所述用户推荐商品。
2.根据权利要求1所述的商品推荐方法，其特征在于，每个所述从服务器根据所述用户购买的对应类别的商品及所保存的商品评分数据挖掘对应类别的商品推荐列表，包括：
一从服务器获取所述用户对对应类别的所有购买商品的第一评分；
所述从服务器根据所述第一评分挖掘所述用户在所述类别购买的代表商品；
所述从服务器根据所保存的商品评分数据获取所述代表商品的第一评分用户集以及获取所述类别中每一其它商品的第二评分用户集；
所述从服务器根据所述第一评分用户集和所述第二评分用户集计算所述每一其它商品与所述代表商品的相似度；
若所述相似度大于或等于第二阈值，确认对应的其它商品为所述代表商品的相似商品；
从所述商品评分数据中获取所述用户对所述相似商品的第二评分；根据所述相似商品的相似度及所述用户对所述相似商品的第二评分计算所述相似商品的第一推荐评分；
将第一推荐评分较高的前预设数量的相似商品确认为所述类别的推荐商品，以得到所述类别的商品推荐列表。
3.根据权利要求2所述的商品推荐方法，其特征在于，所述从服务器根据所述第一评分挖掘所述用户在所述类别购买的代表商品，包括：
所述从服务器从所述第一评分中获取具有最高评分的购买商品作为所述类别的重点商品；
若所述重点商品为一个，所述从服务器将所述重点商品确认为所述类别的代表商品；
若所述重点商品为多个，所述从服务器将商品权重值最高的重点商品确认为所述类别的代表商品。
4.根据权利要求2所述的商品推荐方法，其特征在于，所述主服务器根据所述商品推荐列表向所述用户推荐商品，包括：
所述主服务器根据所述商品推荐列表中的推荐商品的第一推荐评分以及所述商品推荐列表对应类别的类别权重值计算所述推荐商品的第二推荐评分；
所述主服务器将所有类别的推荐商品按第二推荐评分从高到低进行排列；所述主服务器将排列在前的N个推荐商品推荐给所述用户，其中所述N为预设值。
5.一种商品推荐***，其特征在于，包括主服务器和多个从服务器，所述主服务器包括接收单元、第一获取单元、第二获取单元、第一获取子单元、第一计算子单元、第一形成子单元、第二获取子单元、第二形成子单元、第一发送单元和推荐单元，每个从服务器包括保存单元、第二挖掘单元和第二发送单元；
不同的保存单元用于保存不同类别的商品评分数据；
所述接收单元用于：接收用户的商品推荐请求；
所述第一获取单元用于：在接收单元接收到用户的商品推荐请求之后获取所述用户在预设时间内的商品购买情况，所述商品购买情况包括购买的商品以及商品的购买时间；
所述第二获取单元用于：根据所述购买的商品获取所述用户所购买商品的类别；
所述第一获取子单元：用于根据每一所购买商品的购买时间获取对应的商品权重值，其中，所述商品权重值随着所述购买时间变化；
所述第一计算子单元：用于根据同一类别的所购买商品的商品权重值计算对应类别的类别权重值；
所述第一形成子单元：用于若所述所购买商品的类别的总数小于或等于第一阈值，根据类别权重值的大小将所述类别进行排列以形成所述类别推荐列表；
所述第二获取子单元：用于若所述所购买商品的类别的总数大于第一阈值，获取数量为第一阈值的类别权重值较高的类别；
所述第二形成子单元：用于根据类别权重值的大小将所述类别进行排列以形成所述类别推荐列表；
所述第一发送单元用于：若所述类别推荐列表包括多个类别，根据所述多个类别将所述商品推荐请求以及所述用户的每一类别的商品购买情况发送至保存有对应类别的商品评分数据的从服务器；
所述第二挖掘单元用于：根据所述用户购买的对应类别的商品及对应保存单元所保存的商品评分数据挖掘对应类别的商品推荐列表；
所述第二发送单元用于：将所述商品推荐列表发送至所述主服务器；所述推荐单元用于：
根据所述商品推荐列表向所述用户推荐商品。
6.根据权利要求5所述的商品推荐***，其特征在于，所述第二挖掘单元包括：
第三获取子单元，用于获取所述用户对对应类别的所有购买商品的第一评分；
第一挖掘子单元，用于根据所述第一评分挖掘所述用户在所述类别购买的代表商品；
第四获取子单元，用于根据所保存的商品评分数据获取所述代表商品的第一评分用户集以及获取所述类别中每一其它商品的第二评分用户集；
第二计算子单元，用于根据所述第一评分用户集和所述第二评分用户集计算所述每一其它商品与所述代表商品的相似度；
第一确认子单元，用于若所述相似度大于或等于第二阈值，确认对应的其它商品为所述代表商品的相似商品；
第五获取子单元，用于从所述商品评分数据中获取所述用户对所述相似商品的第二评分；
第三计算子单元，用于根据所述相似商品的相似度及所述用户对所述相似商品的第二评分计算所述相似商品的第一推荐评分；
第二确认子单元，用于将第一推荐评分较高的前预设数量的相似商品确认为所述类别的推荐商品，以得到所述类别的商品推荐列表。
7.一种商品推荐***，其特征在于，包括多个计算机设备，每个计算机设备均包括存储器以及与所述存储器相连的处理器，所述存储器用于存储实现商品推荐方法的计算机程序，所述多个计算机设备中的处理器执行相应的存储器中存储的计算机程序时共同实现如权利要求1至4中任一项所述的方法。
8.一种存储介质，其特征在于，所述存储介质存储有一个或者一个以上计算机程序，所述一个或者一个以上计算机程序被处理器执行时实现如权利要求1至4任一项所述的方法。
CN201810924408.6A 2018-08-14 2018-08-14 商品推荐方法、***及存储介质 Active CN109214886B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810924408.6A CN109214886B (zh) 2018-08-14 2018-08-14 商品推荐方法、***及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810924408.6A CN109214886B (zh) 2018-08-14 2018-08-14 商品推荐方法、***及存储介质

Publications (2)

Publication Number Publication Date
CN109214886A CN109214886A (zh) 2019-01-15
CN109214886B true CN109214886B (zh) 2023-09-22

Family

ID=64988646

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810924408.6A Active CN109214886B (zh) 2018-08-14 2018-08-14 商品推荐方法、***及存储介质

Country Status (1)

Country Link
CN (1) CN109214886B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110147502B (zh) * 2019-04-12 2024-03-15 平安科技（深圳）有限公司 基于大数据分析的产品推荐方法、装置、介质及服务器
CN110348946A (zh) * 2019-06-13 2019-10-18 深圳市中农易讯信息技术有限公司 一种商品推荐方法、装置、存储介质及设备
CN111652631B (zh) * 2020-06-09 2023-06-06 创新奇智(成都)科技有限公司 商品召回方法、装置、电子设备及计算机可读存储介质
CN111986005A (zh) * 2020-08-31 2020-11-24 上海博泰悦臻电子设备制造有限公司 活动推荐方法及相关设备
CN112650946B (zh) * 2020-12-30 2023-06-09 中国联合网络通信集团有限公司 产品信息的推荐方法、装置、***及存储介质
CN115311020B (zh) * 2022-08-23 2024-04-05 佛山职业技术学院 一种农产品消费者行为分析管理方法及***

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102346894A (zh) * 2010-08-03 2012-02-08 阿里巴巴集团控股有限公司 推荐信息的输出方法、***及服务器
JP2012027757A (ja) * 2010-07-26 2012-02-09 Dainippon Printing Co Ltd 商品推薦装置、商品推薦システム、商品推薦方法、及びプログラム
CN102479366A (zh) * 2010-11-25 2012-05-30 阿里巴巴集团控股有限公司 一种商品推荐方法及***
CN102609869A (zh) * 2012-02-03 2012-07-25 纽海信息技术（上海）有限公司 商品购买***和方法
CN105528704A (zh) * 2014-09-28 2016-04-27 南京理工大学常熟研究院有限公司 一种基于阶段的动态产品推荐方法
CN107437203A (zh) * 2017-08-07 2017-12-05 北京京东尚科信息技术有限公司 信息推送方法、装置、电子装置及计算机可读介质
JP2018014029A (ja) * 2016-07-22 2018-01-25 ソフトバンク株式会社 レコメンド装置及びプログラム
WO2018079939A1 (ko) * 2016-10-31 2018-05-03 에스케이플래닛 주식회사 카테고리 추천을 이용한 비로그인 사용자 메인 상품 추천 서버 및 방법
CN108109056A (zh) * 2018-01-10 2018-06-01 北京思特奇信息技术股份有限公司 一种商品的推荐方法及***

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160012511A1 (en) * 2013-06-25 2016-01-14 Kobo Incorporated Methods and systems for generating recommendation list with diversity

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012027757A (ja) * 2010-07-26 2012-02-09 Dainippon Printing Co Ltd 商品推薦装置、商品推薦システム、商品推薦方法、及びプログラム
CN102346894A (zh) * 2010-08-03 2012-02-08 阿里巴巴集团控股有限公司 推荐信息的输出方法、***及服务器
CN102479366A (zh) * 2010-11-25 2012-05-30 阿里巴巴集团控股有限公司 一种商品推荐方法及***
CN102609869A (zh) * 2012-02-03 2012-07-25 纽海信息技术（上海）有限公司 商品购买***和方法
CN105528704A (zh) * 2014-09-28 2016-04-27 南京理工大学常熟研究院有限公司 一种基于阶段的动态产品推荐方法
JP2018014029A (ja) * 2016-07-22 2018-01-25 ソフトバンク株式会社 レコメンド装置及びプログラム
WO2018079939A1 (ko) * 2016-10-31 2018-05-03 에스케이플래닛 주식회사 카테고리 추천을 이용한 비로그인 사용자 메인 상품 추천 서버 및 방법
CN107437203A (zh) * 2017-08-07 2017-12-05 北京京东尚科信息技术有限公司 信息推送方法、装置、电子装置及计算机可读介质
CN108109056A (zh) * 2018-01-10 2018-06-01 北京思特奇信息技术股份有限公司 一种商品的推荐方法及***

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
"基于客户行为和兴趣变化的电子商务推荐***";张红霞等;《宝鸡文理学院学报(自然科学版)》;第32卷(第2期);第52-56页 *
Meina Song, Xue Zhou, Haihong E, Zhonghong Ou."A Recommender System Model based on Commodity-Purchase-Cycle Classification".《MobiMedia '16: Proceedings of the 9th EAI International Conference on Mobile Multimedia Communications》.2016,第48–53页. *
刘荣辉.《大数据架构技术与实例分析》.东北师范大学出版社,2018,第257-260页. *

Also Published As

Publication number Publication date
CN109214886A (zh) 2019-01-15

Similar Documents

Publication Publication Date Title
CN109214886B (zh) 商品推荐方法、***及存储介质
CN109118336B (zh) 信息推荐方法、装置、计算机设备及存储介质
US9298809B2 (en) System, apparatus, and method for recommending items
US8290818B1 (en) System for recommending item bundles
US9934293B2 (en) Generating search results
CN111177563A (zh) 一种信息推荐方法、装置、电子设备和存储介质
EP2617001A1 (en) Generating product recommendations
CN106096026A (zh) 一种商品搜索方法及***
AU2013246140B2 (en) Discovering spam merchants using product feed similarity
JP6679451B2 (ja) 選択装置、選択方法および選択プログラム
US8793236B2 (en) Method and apparatus using historical influence for success attribution in network site activity
JP2010073170A (ja) 推薦商品選択装置、推薦商品選択プログラムおよび商品検索装置
US20170039578A1 (en) Ranking of Search Results Based on Customer Intent
CN110674391B (zh) 基于大数据的产品数据推送方法、***和计算机设备
JP2018014029A (ja) レコメンド装置及びプログラム
US20130054305A1 (en) Method and apparatus for providing data statistics
CN104346428A (zh) 信息处理装置、信息处理方法及程序
CN110727859A (zh) 一种推荐信息推送方法及其装置
CN108694174B (zh) 内容投放数据的分析方法及装置
JP2012150563A (ja) 商品推薦装置及び方法及びプログラム
US8935621B1 (en) Systems and methods for selecting components for inclusion in portions of a displayable file
CN117372130A (zh) 一种产品的推荐方法及相关装置
CN112005257A (zh) 预测装置、预测方法以及程序
US10474688B2 (en) System and method to recommend a bundle of items based on item/user tagging and co-install graph
US20150206220A1 (en) Recommendation Strategy Portfolios

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
GR01 Patent grant
GR01 Patent grant