CN109934684A - 一种商品推荐方法、装置、终端及存储介质 - Google Patents
一种商品推荐方法、装置、终端及存储介质 Download PDFInfo
- Publication number
- CN109934684A CN109934684A CN201910213324.6A CN201910213324A CN109934684A CN 109934684 A CN109934684 A CN 109934684A CN 201910213324 A CN201910213324 A CN 201910213324A CN 109934684 A CN109934684 A CN 109934684A
- Authority
- CN
- China
- Prior art keywords
- item property
- commodity
- matrix
- data
- characteristic
- 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 Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例公开了一种商品推荐方法、装置、终端及存储介质。该方法包括:获取商品属性数据,所述商品属性包括至少一种商品属性因子;根据所述商品属性数据生成商品属性矩阵,并确定所述商品属性矩阵的特征向量,将所述特征向量作为商品的特征数据;根据所述商品的特征数据,确定推荐的商品。本发明实施例实现了采用商品属性数据进行商品的推荐,不依赖用户的行为数据,适合推荐领域的冷启动场景,可以保证推荐稳定性,并且采用商品属性举证的特征向量确定推荐商品,可以提高推荐准确性。
Description
技术领域
本发明实施例涉及数据处理技术,尤其涉及一种商品推荐方法、装置、终端及存储介质。
背景技术
随着互联网和电商平台的快速发展,产生了大量的信息,如何在大量信息中为用户进行精确推荐是亟待解决的问题,涉及商品如电影、音乐或新闻等领域的推荐。
当前,为用户进行商品推荐时采用的推荐算法需要获取用户行为数据,用户行为数据例如用户对商品的评价数据,当商品缺少用户行为数据时,无法进行推荐,稳定性差,推荐精度低。
发明内容
本发明实施例提供一种商品推荐方法、装置、终端及存储介质,解决当前的推荐算法依赖用户行为数据,稳定性差,推荐精度低的问题。
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:
获取商品属性数据,所述商品属性包括至少一种商品属性因子;
根据所述商品属性数据生成商品属性矩阵,并确定所述商品属性矩阵的特征向量,将所述特征向量作为商品的特征数据;
根据商品的特征数据,确定推荐的商品。
进一步地,所述根据所述商品属性数据生成商品属性矩阵,包括:
根据商品属性因子值和商品属性因子的权重系数,生成商品属性矩阵。
进一步地,所述确定所述商品属性矩阵的特征向量,包括:
将所述商品属性矩阵输入至协同过滤矩阵分解模型进行训练,得到商品属性矩阵的特征向量。
进一步地,所述根据商品的特征数据,确定推荐的商品,包括:
根据商品的特征数据的相似度,确定相似度最高的商品为推荐商品。
其中,所述商品的特征数据的相似度包括余弦相似度。
第二方面,本发明实施例还提供了一种商品推荐装置,该装置包括:数据获取模块,用于获取商品属性数据,所述商品属性包括至少一种商品属性因子;
特征向量确定模块,用于根据所述商品属性数据生成商品属性矩阵,并确定所述商品属性矩阵的特征向量,将所述特征向量作为商品的特征数据;
推荐商品确定模块,用于根据商品的特征数据,确定推荐的商品。
进一步地,所述特征向量确定模块,具体用于:
根据商品属性因子值和商品属性因子的权重系数,生成商品属性矩阵。
进一步地,所述特征向量确定模块,具体还用于:
将所述商品属性矩阵输入至协同过滤矩阵分解模型进行训练,得到商品属性矩阵的特征向量。
第三方面,本发明实施例还提供了一种终端,该终端包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如本发明任意实施例提供的任一所述的商品推荐方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本发明任意实施例提供的任一所述的商品推荐方法。
本发明实施例通过获取商品属性数据,根据商品属性数据生成商品属性矩阵,并确定商品属性矩阵的特征向量,将特征向量作为商品的特征数据;根据商品的特征数据,确定推荐的商品,实现了采用商品属性数据进行商品的推荐,不依赖用户的行为数据,适合推荐领域的冷启动场景,可以保证推荐稳定性,并且采用商品属性举证的特征向量确定推荐商品,可以提高推荐准确性。
附图说明
为了更清楚地说明本发明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做一简单地介绍,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是本发明实施例一提供的一种商品推荐方法的流程示意图;
图2是本发明实施例二提供的一种商品推荐装置的结构示意图;
图3是本发明实施例三提供的一种终端的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,以下将参照本发明实施例中的附图,通过实施方式清楚、完整地描述本发明的技术方案,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。
实施例一
图1是本发明实施例一提供的一种商品推荐方法的流程图。本实施例的技术方案可以适用于给商品寻找相似商品的情况。该方法可以由本发明实施例提供的一种商品推荐装置来执行,该装置可以采用软件和/或硬件的方式实现,并配置于终端,例如电脑、手机或平板电脑、智能音箱中应用。该方法具体包括如下操作:
S110、获取商品属性数据,所述商品属性包括至少一种商品属性因子。
商品属性是商品固有的属性,是结构化数据,与用户的行为数据无关,包括多个商品属性因子。示例性地,商品为一部电影,商品属性因子包括导演、演员、类型等。用户的行为数据是指用户的评价数据。通过商品属性数据,便可以寻找到商品的相关或相似商品,不依赖用户行为数据,提高商品推荐的稳定性,更加适合推荐领域中的冷启动场景。
S120、根据所述商品属性数据生成商品属性矩阵,并确定所述商品属性矩阵的特征向量,将所述特征向量作为商品的特征数据。
商品属性数据包括至少一种商品属性因子,每个商品的商品属性因子具有不同的商品属性因子值,根据商品属性因子值可以确定由商品属性因子构成的商品属性矩阵。根据矩阵分解方法,确定商品属性矩阵的特征向量,该特征向量可以作为商品的特征数据。通过对商品的特征数据的相似性分析,可以确定与商品最相似的商品,该最相似的商品即为推荐商品。
示例性地,将商品集合记为data,称作数据,假设有m条数据,m的取值最好达到万级别,分别记为data_1,data_2,……,data_m;商品的属性因子有n个,对应于n列,n的取值最好达到2位数及以上,列名依次记为column_1,column_2,……column_n;每列有一定的取值范围,也就是属性因子值的取值集合,假设都是离散值,连续取值可以进行离散化处理。每列的取值数量分别为:N1,N2,……,Nn,例如column_1的取值范围是{column_1_value_1,column_1_value_2,……,column_1_value_N1}。
以data_1和data_2为例,假设data_1在column_1,column_2,column_3上面有取值,data_2在column_5,column_6上面有取值,具体的值如表1所示:
表1数据取值样例
column_1 | column_2 | column_3 | column_5 | column_6 | |
data_1 | column_1_value_2 | column_2_value_11 | column_3_value_8 | ||
data_2 | column_5_value_3 | column_6_value_2 |
进一步地,在根据商品属性数据生成商品属性矩阵时,还可以考虑商品属性因子的权重系数,即,所述根据所述商品属性数据生成商品属性矩阵,包括:根据商品属性因子值和商品属性因子的权重系数,生成商品属性矩阵。可选地地,商品属性因子值为矩阵中的第一列,对应的商品属性因子的权重系数为矩阵中的第二列。
根据每个列所代表的含义,按照其重要程度,赋予每列一定的权重,记为column_1_weight,column_2_weight,……,column_n_weight,权重的取值可以是1至5分,1表示该列不重要,5表示很重要,列之间的权重要差异化,不能全部一样。构建数据、列取值、列权重的三列数据。对所有数据生成以下三列数据。
以data_1和data_2为例,具体的值如表2所示:
表2三列数据样例
数据 | 列取值 | 列权重 |
data_1 | column_1_value_2 | column_1_weight |
data_1 | column_2_value_11 | column_2_weight |
data_1 | column_3_value_8 | column_3_weight |
data_2 | column_5_value_3 | column_5_weight |
data_2 | column_6_value_2 | column_6_weight |
进一步地,所述确定所述商品属性矩阵的特征向量,包括:将所述商品属性矩阵输入至协同过滤矩阵分解模型ALS(Alternating Least Squares,交替最小二乘法)进行训练,得到商品属性矩阵的特征向量。
S130、根据所述商品的特征数据,确定推荐的商品。
具体地,所述根据商品的特征数据,确定推荐的商品,包括:根据商品的特征数据的相似度,确定相似度最高的商品为推荐商品。在计算商品特征数据的相似度时可以采用余弦相似度的计算方法或计算商品特征数据之间的欧氏距离。
本发明实施例通过获取商品属性数据,根据商品属性数据生成商品属性矩阵,并确定商品属性矩阵的特征向量,将特征向量作为商品的特征数据;根据商品的特征数据,确定推荐的商品,实现了采用商品属性数据进行商品的推荐,不依赖用户的行为数据,适合推荐领域的冷启动场景,可以保证推荐稳定性,并且采用商品属性举证的特征向量确定推荐商品,可以提高推荐准确性。
实施例二
图2是本发明实施例二提供的一种商品推荐装置的结构框图。该装置用于执行上述任意实施例所提供的一种商品推荐方法。该装置包括:
数据获取模块210,用于获取商品属性数据,所述商品属性包括至少一种商品属性因子;
特征向量确定模块220,用于根据所述商品属性数据生成商品属性矩阵,并确定所述商品属性矩阵的特征向量,将所述特征向量作为商品的特征数据;
推荐商品确定模块230,用于根据所述商品的特征数据,确定推荐的商品。
进一步地,所述特征向量确定模块,具体还用于:
根据商品属性因子值和商品属性因子的权重系数,生成商品属性矩阵。
进一步地,所述特征向量确定模块,具体用于:
将所述商品属性矩阵输入至协同过滤矩阵分解模型进行训练,得到商品属性矩阵的特征向量。
进一步地,所述推荐商品确定模块,具体用于:
根据商品的特征数据的相似度,确定相似度最高的商品为推荐商品。
其中,所述商品的特征数据的相似度包括余弦相似度。
本发明实施例二提供的商品推荐装置,实现了采用商品属性数据进行商品的推荐,不依赖用户的行为数据,适合推荐领域的冷启动场景,可以保证推荐稳定性,可以提高推荐准确性。
本发明实施例所提供的商品推荐装置可执行本发明任意实施例所提供的商品推荐方法,具备执行方法相应的功能模块和有益效果。
实施例三
图3为本发明实施例三提供的一种终端的结构示意图,如图3所示,该终端包括处理器30、存储器31、输入装置32和输出装置33;终端中处理器30的数量可以是一个或多个,图3中以一个处理器30为例;终端中的处理器30、存储器31、输入装置32和输出装置33可以通过总线或其他方式连接,图3中以通过总线连接为例。
存储器31作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本发明实施例中的商品推荐方法对应的程序指令/模块(例如,数据获取模块210、特征向量确定模块220和推荐商品确定模块230)。处理器30通过运行存储在存储器31中的软件程序、指令以及模块,从而执行设备的各种功能应用以及数据处理,即实现上述的商品推荐方法。
存储器31主要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***、至少一个功能所需的应用程序;存储数据区可存储根据终端的使用所创建的数据等。此外,存储器31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。在一些实例中,存储器31可进一步包括相对于处理器30远程设置的存储器,这些远程存储器可以通过网络连接至设备。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32可用于接收输入的数字或字符信息,以及产生与设备的用户设置以及功能控制有关的键信号输入。输出装置33可包括显示屏等显示设备。
实施例四
本发明实施例四还提供一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行一种商品推荐方法,该方法包括:
获取商品属性数据,所述商品属性包括至少一种商品属性因子;
根据所述商品属性数据生成商品属性矩阵,并确定所述商品属性矩阵的特征向量,将所述特征向量作为商品的特征数据;
根据所述商品的特征数据,确定推荐的商品。
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的方法操作,还可以执行本发明任意实施例所提供的商品推荐方法中的相关操作。
通过以上关于实施方式的描述,所属领域的技术人员可以清楚地了解到,本发明可借助软件及必需的通用硬件来实现,当然也可以通过硬件实现,但很多情况下前者是更佳的实施方式。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计算机可读存储介质中,如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等,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)执行本发明各个实施例所述的方法。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种商品推荐方法,其特征在于,包括:
获取商品属性数据,所述商品属性包括至少一种商品属性因子;
根据所述商品属性数据生成商品属性矩阵,并确定所述商品属性矩阵的特征向量,将所述特征向量作为商品的特征数据;
根据所述商品的特征数据,确定推荐的商品。
2.根据权利要求1所述的方法,其特征在于,所述根据所述商品属性数据生成商品属性矩阵,包括:
根据商品属性因子值和商品属性因子的权重系数,生成商品属性矩阵。
3.根据权利要求1或2所述的方法,其特征在于,所述确定所述商品属性矩阵的特征向量,包括:
将所述商品属性矩阵输入至协同过滤矩阵分解模型进行训练,得到商品属性矩阵的特征向量。
4.根据权利要求1所述的方法,其特征在于,所述根据商品的特征数据,确定推荐的商品,包括:
根据商品的特征数据的相似度,确定相似度最高的商品为推荐商品。
5.根据权利要求4所述的方法,其特征在于,所述商品的特征数据的相似度包括余弦相似度。
6.一种商品推荐装置,其特征在于,包括:
数据获取模块,用于获取商品属性数据,所述商品属性包括至少一种商品属性因子;
特征向量确定模块,用于根据所述商品属性数据生成商品属性矩阵,并确定所述商品属性矩阵的特征向量,将所述特征向量作为商品的特征数据;
推荐商品确定模块,用于根据所述商品的特征数据,确定推荐的商品。
7.根据权利要求6所述的装置,其特征在于,所述特征向量确定模块,具体还用于:
根据商品属性因子值和商品属性因子的权重系数,生成商品属性矩阵。
8.根据权利要求6所述的装置,其特征在于,所述特征向量确定模块,具体用于:
将所述商品属性矩阵输入至协同过滤矩阵分解模型进行训练,得到商品属性矩阵的特征向量。
9.一种终端,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-5中任一所述的商品推荐方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-5中任一所述的商品推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910213324.6A CN109934684A (zh) | 2019-03-20 | 2019-03-20 | 一种商品推荐方法、装置、终端及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910213324.6A CN109934684A (zh) | 2019-03-20 | 2019-03-20 | 一种商品推荐方法、装置、终端及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109934684A true CN109934684A (zh) | 2019-06-25 |
Family
ID=66987762
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910213324.6A Pending CN109934684A (zh) | 2019-03-20 | 2019-03-20 | 一种商品推荐方法、装置、终端及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109934684A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110706083A (zh) * | 2019-11-13 | 2020-01-17 | 上海风秩科技有限公司 | 货品推荐方法、装置、计算机设备和可读存储介质 |
CN111047410A (zh) * | 2019-12-16 | 2020-04-21 | 腾讯科技(深圳)有限公司 | 推荐方法、装置、终端设备以及存储介质 |
CN111369315A (zh) * | 2020-02-27 | 2020-07-03 | 拉扎斯网络科技(上海)有限公司 | 资源对象推荐方法及装置,数据预测模型训练方法及装置 |
CN111415216A (zh) * | 2020-02-11 | 2020-07-14 | 广州探途网络技术有限公司 | 一种商品推荐方法、装置、服务器及存储介质 |
CN112116421A (zh) * | 2020-09-09 | 2020-12-22 | 江苏亿讯网络科技有限公司 | 一种自建福利商城的商品优化推荐的方法和*** |
WO2021114830A1 (zh) * | 2020-05-13 | 2021-06-17 | 平安科技(深圳)有限公司 | 一种药品发现方法、设备、服务器及可读存储介质 |
WO2021179481A1 (zh) * | 2020-03-10 | 2021-09-16 | 平安科技(深圳)有限公司 | 数据内容个性化推送冷启动方法、装置、设备和存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102426686A (zh) * | 2011-09-29 | 2012-04-25 | 南京大学 | 一种基于矩阵分解的互联网信息产品推荐方法 |
US20130246146A1 (en) * | 2012-03-13 | 2013-09-19 | American Express Travel Related Services Company, Inc. | Systems and Methods for Tailoring Marketing |
CN106600357A (zh) * | 2016-10-28 | 2017-04-26 | 浙江大学 | 基于电子商务商品标题的商品搭配方法 |
CN106682114A (zh) * | 2016-12-07 | 2017-05-17 | 广东工业大学 | 一种融合用户信任关系和评论信息的个性化推荐方法 |
CN106897914A (zh) * | 2017-01-25 | 2017-06-27 | 浙江大学 | 一种基于主题模型的商品推荐方法及*** |
-
2019
- 2019-03-20 CN CN201910213324.6A patent/CN109934684A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102426686A (zh) * | 2011-09-29 | 2012-04-25 | 南京大学 | 一种基于矩阵分解的互联网信息产品推荐方法 |
US20130246146A1 (en) * | 2012-03-13 | 2013-09-19 | American Express Travel Related Services Company, Inc. | Systems and Methods for Tailoring Marketing |
CN106600357A (zh) * | 2016-10-28 | 2017-04-26 | 浙江大学 | 基于电子商务商品标题的商品搭配方法 |
CN106682114A (zh) * | 2016-12-07 | 2017-05-17 | 广东工业大学 | 一种融合用户信任关系和评论信息的个性化推荐方法 |
CN106897914A (zh) * | 2017-01-25 | 2017-06-27 | 浙江大学 | 一种基于主题模型的商品推荐方法及*** |
Non-Patent Citations (1)
Title |
---|
中原猿人: "机器学习入门-协同过滤算法", 《HTTPS://BLOG.CSDN.NET/U012995888/ARTICLE/DETAILS/79077681》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110706083A (zh) * | 2019-11-13 | 2020-01-17 | 上海风秩科技有限公司 | 货品推荐方法、装置、计算机设备和可读存储介质 |
CN111047410A (zh) * | 2019-12-16 | 2020-04-21 | 腾讯科技(深圳)有限公司 | 推荐方法、装置、终端设备以及存储介质 |
CN111047410B (zh) * | 2019-12-16 | 2024-02-20 | 腾讯科技(深圳)有限公司 | 推荐方法、装置、终端设备以及存储介质 |
CN111415216A (zh) * | 2020-02-11 | 2020-07-14 | 广州探途网络技术有限公司 | 一种商品推荐方法、装置、服务器及存储介质 |
CN111415216B (zh) * | 2020-02-11 | 2023-11-07 | 广州探途网络技术有限公司 | 一种商品推荐方法、装置、服务器及存储介质 |
CN111369315A (zh) * | 2020-02-27 | 2020-07-03 | 拉扎斯网络科技(上海)有限公司 | 资源对象推荐方法及装置,数据预测模型训练方法及装置 |
WO2021179481A1 (zh) * | 2020-03-10 | 2021-09-16 | 平安科技(深圳)有限公司 | 数据内容个性化推送冷启动方法、装置、设备和存储介质 |
WO2021114830A1 (zh) * | 2020-05-13 | 2021-06-17 | 平安科技(深圳)有限公司 | 一种药品发现方法、设备、服务器及可读存储介质 |
CN112116421A (zh) * | 2020-09-09 | 2020-12-22 | 江苏亿讯网络科技有限公司 | 一种自建福利商城的商品优化推荐的方法和*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109934684A (zh) | 一种商品推荐方法、装置、终端及存储介质 | |
CN108287864B (zh) | 一种兴趣群组划分方法、装置、介质及计算设备 | |
CN109829775B (zh) | 一种物品推荐方法、装置、设备及可读存储介质 | |
US11544336B2 (en) | Collaborative-filtered content recommendations with justification in real-time | |
US9589025B2 (en) | Correlated information recommendation | |
US11829430B2 (en) | Methods and systems for social network based content recommendations | |
JP6293642B2 (ja) | 推薦エンジンに基づく汎用グラフ、ルール及び空間構造 | |
US20060184517A1 (en) | Answers analytics: computing answers across discrete data | |
US8880548B2 (en) | Dynamic search interaction | |
US9299098B2 (en) | Systems for generating a global product taxonomy | |
EP2782029A2 (en) | Re-ranking results in a search | |
US20150242750A1 (en) | Asymmetric Rankers for Vector-Based Recommendation | |
WO2014201064A2 (en) | Incorporating user usage of consumable content into recommendations | |
US11636559B2 (en) | Methods and systems for graph-based cross-domain restaurant recommendation | |
US20150278907A1 (en) | User Inactivity Aware Recommendation System | |
CN111523030B (zh) | 报盘信息推荐方法、装置及计算机可读存储介质 | |
Choi et al. | Extended collaborative filtering technique for mitigating the sparsity problem | |
CN111708945A (zh) | 产品的推荐方法及装置、电子设备、计算机存储介质 | |
CN114065016A (zh) | 一种推荐方法、装置、设备及计算机可读存储介质 | |
US20180330422A1 (en) | Recommender systems and methods for pricing and evaluation of fine art works | |
CN116955763A (zh) | 内容推荐方法、装置、计算机设备及计算机可读存储介质 | |
CN111652674B (zh) | 一种资源推荐方法以及装置 | |
CN117670459A (zh) | 产品推荐方法、装置、电子设备、存储介质及程序产品 | |
KR20230159165A (ko) | 키워드를 기반으로 유사 상품을 추천하는 방법, 컴퓨터 장치, 및 컴퓨터 프로그램 | |
CN117132343A (zh) | 产品推荐方法、装置、电子设备、介质和计算机程序产品 |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: Room 2062, Building No. 588 Zixing Road, Minhang District, Shanghai, 201203 Applicant after: Shanghai Himalaya Technology Co.,Ltd. Address before: Room 2062, Building No. 588 Zixing Road, Minhang District, Shanghai, 201203 Applicant before: SHANGHAI ZHENGDA XIMALAYA NETWORK TECHNOLOGY CO.,LTD. |
|
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190625 |