CN110413870A - 商品推荐方法、装置及服务器 - Google Patents
商品推荐方法、装置及服务器 Download PDFInfo
- Publication number
- CN110413870A CN110413870A CN201811549358.4A CN201811549358A CN110413870A CN 110413870 A CN110413870 A CN 110413870A CN 201811549358 A CN201811549358 A CN 201811549358A CN 110413870 A CN110413870 A CN 110413870A
- Authority
- CN
- China
- Prior art keywords
- commodity
- browsing
- grouping
- commodities
- session data
- 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.)
- Granted
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)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明实施例提供一种商品推荐方法、装置及服务器,获取历史会话数据,历史会话数据包括:用户浏览的商品的序列、以及浏览各商品对应的时间戳;根据历史会话数据,获取至少一个商品组合,各商品组合包括:第一商品和第二商品,第二商品的浏览顺序位于第一商品的浏览顺序之后,且第二商品与第一商品之间间隔的商品数量小于预设值;根据至少一个商品组合,对每个第一商品对应的各第二商品进行排序,得到第一商品对应的推荐商品列表;在确定推荐商品列表时,充分利用了历史会话数据中的用户浏览行为,提高了商品推荐结果的准确性;在构建商品组合时,考虑了第二商品和第一商品之间间隔的商品数量,进一步提高了商品推荐结果的准确性。
Description
技术领域
本发明实施例涉及互联网技术领域,尤其涉及一种商品推荐方法、装置及服务器。
背景技术
随着互联网的高速发展,越来越多的人选择网上购物,用户通过终端浏览电商网站,选择所需商品并购买。商品推荐方法在电商中广泛应用,其价值在于挖掘用户潜在的购买需求,避免用户花费大量时间浏览大量无关商品信息,帮助用户在海量商品中快速发现真正所需的商品,提高用户购物体验。
目前,通常采用的商品推荐方法,主要可分为基于内容的推荐和基于用户群组的推荐。基于内容的推荐方法中,根据用户感兴趣的商品,计算其他商品与该商品之间的相似度,根据相似度向用户推荐其可能感兴趣的相似商品。基于用户群组的推荐方法中,根据所有用户对商品的评价打分,通过聚类算法对具有相似偏好的用户进行分组,得到用户群组,根据群组内用户购买、浏览的商品,向群组内其他用户进行推荐。
然而,在电商平台的商品推荐场景,商品数量达到上亿规模,现有的商品推荐方法,向用户推荐的商品准确性较低,即向用户推荐的商品可能并不是用户感兴趣的,使得用户体验较低。
发明内容
本发明实施例提供一种商品推荐方法、装置及服务器,用于提高商品推荐结果的准确性,提升用户体验。
第一方面,本发明实施例提供一种商品推荐方法,包括:
获取历史会话数据,所述历史会话数据包括:用户浏览的商品的序列、以及浏览各商品对应的时间戳;
根据所述历史会话数据,获取至少一个商品组合,各所述商品组合包括:第一商品和第二商品,所述第二商品的浏览顺序位于所述第一商品的浏览顺序之后,且所述第二商品与所述第一商品之间间隔的商品数量小于预设值;
根据所述至少一个商品组合,对每个所述第一商品对应的各所述第二商品进行排序,得到所述第一商品对应的推荐商品列表。
可选的,所述根据所述至少一个商品组合,对每个所述第一商品对应的各所述第二商品进行排序,得到所述第一商品对应的推荐商品列表,包括:
针对每个所述商品组合,根据所述第一商品的浏览频次、所述商品组合的浏览频次、所述第二商品与所述第一商品之间间隔的商品数量、以及所述第一商品至所述第二商品之间各商品的浏览停留时长,获取所述第二商品相对于所述第一商品的跳转相关性;
针对每个第一商品,根据各所述商品组合获取所述第一商品对应的各所述第二商品,并根据各所述第二商品相对于所述第一商品的跳转相关性,对各所述第二商品进行排序,得到所述第一商品对应的推荐商品列表。
可选的,所述根据所述第一商品的浏览频次、所述商品组合的浏览频次、所述第二商品与所述第一商品之间间隔的商品数量、以及所述第一商品至所述第二商品之间各商品的浏览停留时长,获取所述第二商品相对于所述第一商品的跳转相关性,包括:
根据所述第一商品的浏览频次和所述商品组合的浏览频次,获取所述第二商品相对于所述第一商品的跳转概率;
根据所述第二商品与所述第一商品之间间隔的商品数量,获取所述第二商品相对所述第一商品的跳转系数;
根据所述第一商品至所述第二商品之间各商品的浏览停留时长,获取所述第二商品相对于所述第一商品的跳转时长;
根据所述跳转概率、所述跳转系数和所述跳转时长,获取所述第二商品相对于所述第一商品的跳转相关性。
可选的,所述根据所述第一商品至所述第二商品中各商品的浏览停留时长,获取所述第二商品相对于所述第一商品的跳转时长之前,还包括:
根据所述历史会话数据中的所述时间戳,获取所述历史会话数据中的各商品的浏览停留时长。
可选的,所述根据所述历史会话数据,获取至少一个商品组合,包括:
根据所述时间戳,对所述历史会话数据进行切割,得到至少一个会话,各所述会话中包括用户在所述会话中浏览的商品的序列;
针对每个所述会话,将每个商品与后续相邻的N个商品两两组合得到所述商品组合,N为所述预设值。
可选的,所述将每个商品与后续相邻的N个商品两两组合得到所述商品组合之后,还包括:
根据所述历史会话数据,获取各商品的浏览频次,并获取各所述商品组合的浏览频次;
根据各商品的浏览频次,将不满足第一预设条件的商品对应的商品组合删除;
根据各商品组合的浏览频次,将不满足第二预设条件的商品组合删除。
可选的,所述根据所述时间戳,对所述历史会话数据进行切割之前,还包括:
去除所述历史会话数据中的噪声数据。
可选的,所述方法还包括:
获取商品浏览请求,所述商品浏览请求用于指示用户请求浏览第一商品;
根据所述商品浏览请求,获取与所述第一商品对应的所述推荐商品列表;
向所述用户推荐所述推荐商品列表中的商品。
可选的,所述商品浏览请求中还包括时间戳;
所述获取用户发送的商品浏览请求之后,所述方法还包括:
将所述第一商品和所述时间戳记录到所述历史会话数据中。
第二方面,本发明实施例提供一种商品推荐装置,包括:
第一获取模块,用于获取历史会话数据,所述历史会话数据包括:用户浏览的商品的序列、以及浏览各商品对应的时间戳;
第二获取模块,用于根据所述历史会话数据,获取至少一个商品组合,各所述商品组合包括:第一商品和第二商品,所述第二商品的浏览顺序位于所述第一商品的浏览顺序之后,且所述第二商品与所述第一商品之间间隔的商品数量小于预设值;
生成模块,用于根据所述至少一个商品组合,对每个所述第一商品对应的各所述第二商品进行排序,得到所述第一商品对应的推荐商品列表。
可选的,所述生成模块具体用于:
针对每个所述商品组合,根据所述第一商品的浏览频次、所述商品组合的浏览频次、所述第二商品与所述第一商品之间间隔的商品数量、以及所述第一商品至所述第二商品之间各商品的浏览停留时长,获取所述第二商品相对于所述第一商品的跳转相关性;
针对每个第一商品,根据各所述商品组合获取所述第一商品对应的各所述第二商品,并根据各所述第二商品相对于所述第一商品的跳转相关性,对各所述第二商品进行排序,得到所述第一商品对应的推荐商品列表。
可选的,所述生成模块具体用于:
根据所述第一商品的浏览频次和所述商品组合的浏览频次,获取所述第二商品相对于所述第一商品的跳转概率;
根据所述第二商品与所述第一商品之间间隔的商品数量,获取所述第二商品相对所述第一商品的跳转系数;
根据所述第一商品至所述第二商品之间各商品的浏览停留时长,获取所述第二商品相对于所述第一商品的跳转时长;
根据所述跳转概率、所述跳转系数和所述跳转时长,获取所述第二商品相对于所述第一商品的跳转相关性。
可选的,所述第二获取模块还用于:根据所述历史会话数据中的所述时间戳,获取所述历史会话数据中的各商品的浏览停留时长。
可选的,所述第二获取模块具体用于:根据所述时间戳,对所述历史会话数据进行切割,得到至少一个会话,各所述会话中包括用户在所述会话中浏览的商品的序列;
针对每个所述会话,将每个商品与后续相邻的N个商品两两组合得到所述商品组合,N为所述预设值。
可选的,所述第二获取模块还用于:
根据所述历史会话数据,获取各商品的浏览频次,并获取各所述商品组合的浏览频次;
根据各商品的浏览频次,将不满足第一预设条件的商品对应的商品组合删除;
根据各商品组合的浏览频次,将不满足第二预设条件的商品组合删除。
可选的,所述第二获取模块还用于:
去除所述历史会话数据中的噪声数据。
可选的,所述装置还包括:推荐模块;
所述第一获取模块还用于:获取商品浏览请求,所述商品浏览请求用于指示用户请求浏览第一商品;
所述推荐模块,用于根据所述商品浏览请求,获取与所述第一商品对应的所述推荐商品列表,并向所述用户推荐所述推荐商品列表中的商品。
可选的,所述商品浏览请求中还包括时间戳;
所述第一获取模块还用于:将所述第一商品和所述时间戳记录到所述历史会话数据中。
第三方面,本发明实施例提供一种服务器,包括:至少一个处理器和存储器;
所述存储器存储计算机执行指令;
所述至少一个处理器执行所述存储器存储的计算机执行指令,使得所述至少一个处理器执行如第一方面任一项所述的方法。
第四方面,本发明实施例提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机执行指令,当处理器执行所述计算机执行指令时,实现如第一方面任一项所述的方法。
本发明实施例提供的商品推荐方法、装置及服务器,获取历史会话数据,所述历史会话数据包括:用户浏览的商品的序列、以及浏览各商品对应的时间戳;根据所述历史会话数据,获取至少一个商品组合,各所述商品组合包括:第一商品和第二商品,所述第二商品的浏览顺序位于所述第一商品的浏览顺序之后,且所述第二商品与所述第一商品之间间隔的商品数量小于预设值;根据所述至少一个商品组合,对每个所述第一商品对应的各所述第二商品进行排序,得到所述第一商品对应的推荐商品列表;在确定第一商品对应的推荐商品列表时,充分利用了历史会话数据中的用户浏览行为,提高了商品推荐结果的准确性;另外,在构建商品组合时,考虑了第二商品和第一商品之间间隔的商品数量,也就是说,同时考虑相邻跳转关系和间隔跳转关系,使得对历史会话数据中的用户浏览行为信息利用更加充分,进一步提高了商品推荐结果的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅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性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例可能适用的一种应用场景的示意图;
图2为本发明实施例提供的商品推荐方法的流程示意图一;
图3为本发明实施例提供的商品推荐过程示意图;
图4为本发明实施例提供的根据各商品组合确定第一商品对应的推荐商品列表的流程示意图;
图5为本发明实施例提供的获取跳转相同性的流程示意图;
图6为本发明实施例提供的根据历史会话数据获取商品组合的流程示意图;
图7为本发明实施例提供的商品推荐方法的流程示意图二;
图8为本发明实施例提供的商品推荐装置的结构示意图一;
图9为本发明实施例提供的商品推荐装置的结构示意图二;
图10为本发明实施例提供的服务器的硬件结构示意图。
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,所描述的实施例仅仅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。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,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、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
本发明实施例适用于互联网领域中的商品推荐场景,具体的,根据用户所浏览的当前商品,向用户推荐用户可能感兴趣的其他商品。下面结合图1对本发明实施例的可能的应用场景进行介绍。图1为本发明实施例可能适用的一种应用场景的示意图。如图1所示,本发明实施例提供的商品推荐***包括终端和服务器。其中,终端是供用户输入信息以及显示输出结果的任意电子设备,包括但不限于:计算机、智能手机、笔记本电脑、平台电脑、智能穿戴设备等。服务器是用于执行商品推荐的电子设备。
本发明实施例提供的商品推荐方法可适用于需要进行商品推荐的任意场景,包括但不限于:电商平台的商品推荐、实体商店的商品推荐等。一种可能的应用场景中,以电商平台的商品推荐为例,用户通过终端访问电商平台,并在电商平台浏览商品,终端将商品浏览请求发送给服务器,服务器根据商品浏览请求预测用户可能感兴趣的商品,向用户终端进行推荐,以供用户进行商品选择、购买。
需要说明的是,本发明实施例中的商品指的是广义上的商品,商品可以为有形商品,也可以为无形商品,还可以为电子数据商品。有形商品例如可以是电商平台或者实体商品出售的商品;无形商品例如可以是服务类商品,比如保险产品、金融产品等;电子数据商品包括但不限于音乐商品、视频商品、新闻商品等。
本发明实施例的应用场景中,可以是基于商品选购的场景,还可以是基于商品浏览的场景。对于基于商品选购的场景,示例性的,用户在电商平台选购商品时,用户点击浏览某一商品时,电商平台的服务器根据用户的历史浏览行为,向用户推荐其可能感兴趣的其他商品。对于基于商品浏览的场景,例如:用户在浏览音乐数据时,当用户选择浏览某一首音乐时,推荐服务器根据用户的历史浏览行为,向用户推荐其可能感兴趣的其他音乐。
本发明实施例在确定第一商品对应的推荐商品列表时,充分利用了历史会话数据中的用户浏览行为,提高了商品推荐结果的准确性;另外,在构建商品组合时,考虑了第二商品和第一商品之间间隔的商品数量,也就是说,同时考虑相邻跳转关系和间隔跳转关系,使得对历史会话数据中的用户浏览行为信息利用更加充分,进一步提高了商品推荐结果的准确性。
下面以具体地实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例不再赘述。
图2为本发明实施例提供的商品推荐方法的流程示意图一,本实施例的方法可以由图1中的服务器执行,如图2所示,本实施例的方法,包括:
S201:获取历史会话数据,所述历史会话数据包括:用户浏览的商品的序列、以及浏览各商品对应的时间戳。
其中,历史会话数据是服务器识别用户浏览商品行为后形成的记录数据。具体的,服务器可以为每个用户创建一个会话,用于记录该用户浏览商品的行为;服务器还可以为每个用户在不同时间段内的浏览行为创建不同的会话,例如:针对用户上午的浏览行为创建一个会话,针对用户下午的浏览行为创建一个会话。可以理解的,服务器还可以有其他的创建会话的方式,本发明实施例对此不作具体限定。
具体的,用户浏览商品行为具体可以是用户在电商平台的客户端点击某一个商品的行为,当用户在电商平台客户端点击某个商品时,服务器识别出该用户正在浏览该商品,并将用户的商品浏览行为记录到历史会话数据中。
本实施例中,历史会话数据可以包括:用户浏览的商品的序列、以及用户浏览各商品对应的时间戳。
图3为本发明实施例提供的商品推荐过程示意图,下面结合图3举例进行说明。一种可选的实施方式中,如图3所示,历史会话数据的形式可以为{[商品A,时间1]、[商品B,时间2]、[商品C,时间3]、[商品D,时间4]、……},即,用户在时间1浏览了商品A,在时间2浏览了商品B,在时间3浏览了商品C,在时间4浏览了商品D,等等。
需要说明的是,该步骤中获取的历史会话数据,可以是所有用户对应的历史会话数据,还可以是部分用户对应的历史会话数据,本发明实施例对此不作具体限定。一种可选的实施方式中,可以事先根据用户的特征对所有用户进行群组划分,当需要对某用户进行商品推荐时,可以仅获取该用户所属群组内的用户对应的历史会话数据进行分析。
一种可选的实施方式中,所述历史会话数据是通过对商品浏览日志信息进行切割得到的,每个历史会话数据对应用户在一次会话过程,每个历史会话数据中包括用户在该次会话过程中所浏览的商品的序列、以及浏览各商品对应的时间戳。
具体的,用户在浏览商品时,服务器会对用户的商品浏览行为进行记录,形成浏览日志信息。由于浏览日志信息中包括了用户的多次会话过程,因此,本实施例中,可以通过对浏览日志信息进行切割,得到多个历史会话数据。更具体的,根据用户浏览商品时间戳和预设的时间段,对用户浏览行为进行切割生成历史会话数据。例如:设定时间阈值T1内点击的商品属于同一会话,可取值T1=60min。可以理解的,经过切割后的各个历史会话数据中包括用户在一次会话中浏览的商品的序列、以及浏览各商品对应的时间戳。
S202:根据所述历史会话数据,获取至少一个商品组合,各所述商品组合包括:第一商品和第二商品,所述第二商品的浏览顺序位于所述第一商品的浏览顺序之后,且所述第二商品与所述第一商品之间间隔的商品数量小于预设值。
具体的,根据历史会话数据中所记录的用户浏览商品行为,获取至少一个商品组合,其中,各商品组合指示的是用户浏览商品时商品之间的跳转关系。
本实施例中,每个商品组合包括:第一商品和第二商品,所述第二商品的浏览顺序位于所述第一商品的浏览顺序之后,也就是说,每个商品组合表示的是用户在浏览了第一商品之后,还浏览了第二商品。
继续结合图3进行说明,一种可选的实施方式中,根据图3所示的历史会话数据,本实施例获取到的商品组合可以为{(商品A、商品B)、(商品B、商品C)、(商品C、商品D)}。
可以理解的,由于用户在同一个会话中浏览的商品之间通常具有相似性或关联性,举例说明,虽然历史会话数据中记录了用户浏览商品的顺序为商品A、商品B、商品C、商品D,但是由于商品B、商品C和商品D的相似性,用户也很有可能浏览商品A后浏览商品C或者商品D。
因此,本发明实施例还根据历史会话数据对可能的商品组合进行挖掘,将满足下述条件的第一商品和第二商品形成商品组合:所述第二商品的浏览顺序位于所述第一商品的浏览顺序之后,且所述第二商品与所述第一商品之间间隔的商品数量小于预设值。也就是说,在构建商品组合时,不仅考虑相邻的跳转关系,还考虑了间隔的跳转关系,使得获取的商品组合更加丰富,进而使得根据商品组合得到的商品推荐结果更加准确。
继续结合图3进行说明,一种可选的实施方式中,当所述预设值为3时,如图3所示,本发明实施例获取的商品组合还可以为{(商品A、商品B)、(商品A、商品C)、(商品A、商品D)、(商品B、商品C)、(商品B、商品D)、(商品C、商品D)}。
需要说明的是,本发明实施例对于根据历史会话数据获取商品组合的方法不作具体限定,只要获取的商品组合满足下述条件即可:所述第二商品的浏览顺序位于所述第一商品的浏览顺序之后,且所述第二商品与所述第一商品之间间隔的商品数量小于预设值。
可以理解的,本发明实施例对于所述预设值的具体取值不作具体限定,可以根据实际情况进行合理设置,上述举例仅为示例。
S203:根据所述至少一个商品组合,对每个所述第一商品对应的各所述第二商品进行排序,得到所述第一商品对应的推荐商品列表。
可以理解的,由于每个商品组合指示了用户浏览商品时商品之间的跳转关系,例如:(商品A、商品B)指示了用户浏览商品A后跳转到商品B,说明商品B是用户感兴趣的商品,因此,当用户浏览商品A时,可以向用户推荐商品B。
在上述步骤的基础上,获取到各商品组合后,可以根据各商品组合,分别得到每个第一商品对应的所有第二商品,将这些第二商品作为第一商品对应的推荐商品列表。当用户浏览第一商品时,则向用户推荐这些第二商品,从而保证了向用户推荐的商品是用户感兴趣的,提高了推荐商品的准确性,提升用户体验。
下面继续结合图3进行举例说明,当获取到的商品组合可以为{(商品A、商品B)、(商品A、商品C)、(商品A、商品D)、(商品B、商品C)、(商品B、商品D)、(商品C、商品D)}时,如图3所示,可以确定出商品A对应的各第二商品为商品B、商品C、商品D,即,商品A对应的推荐商品列表为{商品B、商品C、商品D},同理,商品B对应的推荐商品列表为{商品C、商品D},商品C对应的推荐商品列表为{商品D}。
因此,当用户浏览商品A时,则可以向用户推荐商品B、商品C、商品D;当用户浏览商品B时,则可以向用户推荐商品C、商品D;当用户浏览商品C时,则可以向用户推荐商品D。
本实施例中,确定出每个第一商品对应的各第二商品后,还可以对各所述第二商品进行排序,将排序后的各第二商品作为推荐商品列表。
需要说明的是,本发明实施例对于对各所述第二商品排序的方法不作具体限定,可以根据各第二商品与所述第一商品之间的跳转相关性进行排序,还可以根据各第二商品的属性进行排序,例如:商品的关注度、商品的销量、商品的好评率、商品的价格等。
另外,本发明实施例提供的商品推荐方法,根据历史会话数据确定推荐商品列表的过程可以是在线执行或者离线执行的。一种可选的实施方式中,服务器按照预设的更新周期,离线执行本实施例中的S201至S203,得到各个商品对应的推荐商品列表并进行存储,当服务器识别到用户浏览该商品时,根据存储的推荐商品列表向用户推荐。另一种可选的实施方式中,服务器识别到用户浏览某一商品时,在线执行本实施例中的S201至S203,得到该商品对应的推荐商品列表,并向用户推荐。
本发明实施例提供的商品推荐方法,获取历史会话数据,所述历史会话数据包括:用户浏览的商品的序列、以及浏览各商品对应的时间戳;根据所述历史会话数据,获取至少一个商品组合,各所述商品组合包括:第一商品和第二商品,所述第二商品的浏览顺序位于所述第一商品的浏览顺序之后,且所述第二商品与所述第一商品之间间隔的商品数量小于预设值;根据所述至少一个商品组合,对每个所述第一商品对应的各所述第二商品进行排序,得到所述第一商品对应的推荐商品列表;在确定第一商品对应的推荐商品列表时,充分利用了历史会话数据中的用户浏览行为,提高了商品推荐结果的准确性;另外,在构建商品组合时,考虑了第二商品和第一商品之间间隔的商品数量,也就是说,同时考虑相邻跳转关系和间隔跳转关系,使得对历史会话数据中的用户浏览行为信息利用更加充分,进一步提高了商品推荐结果的准确性。
在上述实施例的基础上,下面结合一个具体的实施例详细描述S203的一种可选的实施方式。图4为本发明实施例提供的根据各商品组合确定第一商品对应的推荐商品列表的流程示意图,如图4所示,该方法包括:
S401:针对每个所述商品组合,根据所述第一商品的浏览频次、所述商品组合的浏览频次、所述第二商品与所述第一商品之间间隔的商品数量、以及所述第一商品至所述第二商品之间各商品的浏览停留时长,获取所述第二商品相对于所述第一商品的跳转相关性。
具体的,本实施例中根据每个商品组合,确定第二商品相对于第一商品的跳转相关性,其中,跳转相关性用于表征用户浏览第一商品后跳转至浏览第二商品的可能性。本实施例中,跳转相关性可以根据下述参数获取:所述第一商品的浏览频次、所述商品组合的浏览频次、所述第二商品与所述第一商品之间间隔的商品数量、以及所述第一商品至所述第二商品之间各商品的浏览停留时长。
下面结合一个具体的示例详细描述获取跳转相关性的一种可选的实施方式。图5为本发明实施例提供的获取跳转相同性的流程示意图,如图5所示,该方法包括:
S4011:根据所述第一商品的浏览频次和所述商品组合的浏览频次,获取所述第二商品相对于所述第一商品的跳转概率。
为了描述方便,本实施例以商品组合(商品A,商品B)为例进行描述,即第一商品为商品A,第二商品为商品B。
具体的,历史会话数据可以是多个用户对应的历史会话数据,并且每个用户可以对应多个历史会话数据。根据所有的历史会话数据,可以统计得到商品A的浏览频次;然后,根据历史会话数据,得到所有可能的商品组合后,可以统计得到商品组合(商品A,商品B)的浏览频次。
假设商品A的浏览频次为count(A),商品组合(商品A,商品B)的浏览频次为count(AB),则一种可选的实施方式中,商品B相对于商品A的跳转概率可以为:P(B|A)=count(AB)/count(A)。
S4012:根据所述第二商品与所述第一商品之间间隔的商品数量,获取所述第二商品相对所述第一商品的跳转系数。
依然以商品组合(商品A,商品B)为例,假设商品B与商品A在历史会话数据中间隔的商品数量为λ,即,用户在浏览了商品A后,又浏览了λ个商品,然后浏览了商品B,则商品B相对于商品A的跳转系数可以采用F(λ)来表示。
其中,F(·)表示函数变换,一种可选的实施方式中,
S4013:根据所述第一商品至所述第二商品之间各商品的浏览停留时长,获取所述第二商品相对于所述第一商品的跳转时长。
可选的,在S4013之前还可以包括:根据所述历史会话数据中的所述时间戳,获取所述历史会话数据中的各商品的浏览停留时长。
具体的,各商品的浏览停留时长可以采用历史会话数据中相邻两个商品的浏览时间戳的差值dti=ti+1-ti来标识。其中,ti为历史会话数据中第i个商品的浏览时间戳。
具体实施过程中,对于历史会话数据中最后一个商品,由于该商品没有后续的浏览商品,则该商品的浏览停留时长可以设置为固定值C1。另外,为了避免由于用户特殊原因导致的个别商品的浏览停留时长过长的情况出现,可以对各商品的浏览停留时长可以设置阈值C2,当某商品的浏览停留时长dti超过阈值C2时,则直接设置该商品的浏览停留时长为C2。即,各商品的浏览停留时长可以采用如下公式表示:
可以理解的,对于C1和C2的取值,可以结合实际情况进行合理设置,例如:C1=10s,C2=300s。
获取到历史会话数据中的各个商品的浏览停留时长后,可以根据各商品的浏览停留时长,确定出商品组合中第一商品至第二商品之间各商品的浏览停留时长。
下面举例说明,假设历史会话数据为{[商品A,时间1]、[商品C,时间2]、[商品B,时间3]},则商品A对应的浏览停留时长为dtA=时间2-时间1,商品C对应的浏览停留时长为dtC=时间3-时间2。对于商品组合(商品A,商品B),则可以将t=dtA+dtC确定为商品A至商品B之间各商品的浏览停留时长。
另外,还可以对上述获取的浏览停留时长进行建模,一种可选的实施方式中,T=H(t),其中,H(·)表示建模函数,例如:或H(x)=log(x)。
S4014:根据所述跳转概率、所述跳转系数和所述跳转时长,获取所述第二商品相对于所述第一商品的跳转相关性。
具体的,针对每个商品组合,根据上述步骤中获取的第二商品相对于第一商品的跳转概率P(B|A)、跳转系数F(λ)、跳转时长T,可以获取第二商品相对于第一商品的跳转相关性。
一种可选的实施方式中,跳转相关性可以采用如下公式进行表示:
s(B|A)=P(B|A)*F(λ)*T
S402:针对每个第一商品,根据各所述商品组合获取所述第一商品对应的各所述第二商品,并根据各所述第二商品相对于所述第一商品的跳转相关性,对各所述第二商品进行排序,得到所述第一商品对应的推荐商品列表。
本实施例中,针对每个第一商品对应的各第二商品,可以根据各第二商品相对于第一商品的跳转相关性,对各第二商品进行排序,得到第一商品对应的推荐商品列表,保证了推荐商品列表中的商品顺序的合理性和准确性。
下面举例说明,假设根据商品组合{(商品A、商品B)、(商品A、商品C)、(商品A、商品D)},得到的商品A对应的推荐商品分别为商品B、商品C、商品D。并且,根据S401确定的商品B、商品C和商品D相对于商品A的跳转相关性分别为s(B|A)、s(C|A)、s(D|A),则可以根据s(B|A)、s(C|A)、s(D|A)按照由大到小的顺序对商品B、商品C和商品D进行排序,将排序后的商品作为推荐商品列表。
本实施例中,在确定第二商品相对于第一商品的跳转相关性时,除了考虑了跳转概率、跳转***,还考虑了跳转时长,即考虑了用户浏览商品时的停留时长。可以理解的,用户浏览商品的停留时长信息能够反映用户对商品的偏好程度,因此,综合考虑用户浏览商品的停留时长,使得确定出的跳转相关性更加符合用户的偏好,提升商品推荐结果的准确性,并提升用户体验。
在上述实施例的基础上,下面结合一个具体的实施例详细描述S202的一种可选的实施方式。图6为本发明实施例提供的根据历史会话数据获取商品组合的流程示意图,如图6所示,该方法包括:
S601:根据所述时间戳,对所述历史会话数据进行切割,得到至少一个会话,各所述会话中包括用户在所述会话中浏览的商品的序列。
具体的,各历史会话数据中可能包括用户的多次会话过程,因此,本实施例中,可以对历史会话数据进行切割,生成用户的会话序列。具体切割时,根据用户浏览商品时间戳,对用户浏览行为进行切割生成用户会话序列,设定时间阈值T1内点击的商品属于同一会话,可取值T1=60min。
其中,经过切割后的各个会话中包括用户在一次会话中浏览的商品的序列。
可选的,在对历史会话数据进行切割之前,还可以包括:去除所述历史会话数据中的噪声数据。具体的,将历史会话数据中不满足预设条件的商品数据删除,例如:商品编号不符合规则、浏览时间戳异常等。
S602:针对每个所述会话,将每个商品与后续相邻的N个商品两两组合得到所述商品组合,N为所述预设值。
具体的,针对切割后的每个会话中的商品序列,将每个商品与后续相邻的N个商品两两组合得到所述商品组合。
下面举例说明,假设某个会话中的商品序列为{商品A、商品B、商品C、商品D、商品E、商品F},N取值为4,则获取商品组合的过程如下:
针对商品A,将商品A与后续的4个商品(商品B、商品C、商品D、商品E)两两组合,得到商品组合为(商品A,商品B)、(商品A,商品C)、(商品A,商品D)、(商品A,商品E)。
针对商品B,将商品B与后续的4个商品(商品C、商品D、商品E、商品F)两两组合,得到商品组合为(商品B,商品C)、(商品B,商品D)、(商品B,商品E)、(商品B,商品F)。
商品C、商品D、商品E对应的商品组合的获取过程类似,此处不再赘述。
S603:根据所述历史会话数据,获取各商品的浏览频次,并获取各所述商品组合的浏览频次。
S604:根据各商品的浏览频次,将不满足第一预设条件的商品对应的商品组合删除;根据各商品组合的浏览频次,将不满足第二预设条件的商品组合删除。
本实施例中,获取到商品组合后,可以将低频次的商品组合删除,从而剩下高频次的商品组合。具体的,设定阈值T2,确定出商品的浏览频次小于T2的低频商品,将包含低频商品的商品组合删除。然后,设定阈值T3,将商品组合的浏览频次小于T3的商品组合删除。从而使得剩余的商品组合均为高频次的商品组合,进而,根据高频次的商品组合确定出的推荐商品列表更加准确。
需要说明的是,本发明实施例对于获取商品频次以及商品组合频次的方法不作具体限定,一种可选的实施方式中,可以采用频繁项集算法,例如:采用频繁一项集算法获取各商品的浏览频次,采用频次二项集算法获取各商品组合的浏览频次。
图7为本发明实施例提供的商品推荐方法的流程示意图二,如图7所示,本发明实施例的方法,包括:
S701:获取商品浏览请求,所述商品浏览请求用于指示用户请求浏览第一商品。
具体的,可以根据用户点击商品图片的行为获取商品浏览请求,还可以通过其他方式获取商品浏览请求,本发明实施例不作具体限定。
S702:根据所述商品浏览请求,获取与所述第一商品对应的所述推荐商品列表。
S703:向所述用户推荐所述推荐商品列表中的商品。
本发明实施例当识别到用户正在浏览第一商品时,根据上述实施例中获取的第一商品对应的推荐商品列表,向用户进行商品推荐,保证了商品推荐结果的准确性,有助于提升用户体验。
另外,一种可选的实施方式中,所述商品浏览请求中还包括时间戳,在获取到商品浏览请求后,还可以包括:
S704:将所述第一商品和所述时间戳记录到所述历史会话数据中。
通过对用户的浏览商品行为进行记录,以备后续根据不断更新的历史会话数据更新推荐商品列表,保证了推荐商品列表的实时性和准确性,提升用户的体验。
图8为本发明实施例提供的商品推荐装置的结构示意图一,如图8所示,本发明实施例提供的商品推荐装置800,包括:第一获取模块801、第二获取模块802和生成模块803。
其中,第一获取模块801,用于获取历史会话数据,所述历史会话数据包括:用户浏览的商品的序列、以及浏览各商品对应的时间戳;
第二获取模块802,用于根据所述历史会话数据,获取至少一个商品组合,各所述商品组合包括:第一商品和第二商品,所述第二商品的浏览顺序位于所述第一商品的浏览顺序之后,且所述第二商品与所述第一商品之间间隔的商品数量小于预设值;
生成模块803,用于根据所述至少一个商品组合,对每个所述第一商品对应的各所述第二商品进行排序,得到所述第一商品对应的推荐商品列表。
本实施例的商品推荐装置,可用于执行如图2所示的商品推荐方法,其实现原理和技术效果类似,此处不再赘述。
图9为本发明实施例提供的商品推荐装置的结构示意图二,在图8所示实施例的基础上,本实施例提供的商品推荐装置还包括:推荐模块804。
可选的,所述生成模块803具体用于:
针对每个所述商品组合,根据所述第一商品的浏览频次、所述商品组合的浏览频次、所述第二商品与所述第一商品之间间隔的商品数量、以及所述第一商品至所述第二商品之间各商品的浏览停留时长,获取所述第二商品相对于所述第一商品的跳转相关性;
针对每个第一商品,根据各所述商品组合获取所述第一商品对应的各所述第二商品,并根据各所述第二商品相对于所述第一商品的跳转相关性,对各所述第二商品进行排序,得到所述第一商品对应的推荐商品列表。
可选的,所述生成模块803具体用于:
根据所述第一商品的浏览频次和所述商品组合的浏览频次,获取所述第二商品相对于所述第一商品的跳转概率;
根据所述第二商品与所述第一商品之间间隔的商品数量,获取所述第二商品相对所述第一商品的跳转系数;
根据所述第一商品至所述第二商品之间各商品的浏览停留时长,获取所述第二商品相对于所述第一商品的跳转时长;
根据所述跳转概率、所述跳转系数和所述跳转时长,获取所述第二商品相对于所述第一商品的跳转相关性。
可选的,所述第二获取模块802还用于:根据所述历史会话数据中的所述时间戳,获取所述历史会话数据中的各商品的浏览停留时长。
可选的,所述第二获取模块802具体用于:根据所述时间戳,对所述历史会话数据进行切割,得到至少一个会话,各所述会话中包括用户在所述会话中浏览的商品的序列;
针对每个所述会话,将每个商品与后续相邻的N个商品两两组合得到所述商品组合,N为所述预设值。
可选的,所述第二获取模块802还用于:
根据所述历史会话数据,获取各商品的浏览频次,并获取各所述商品组合的浏览频次;
根据各商品的浏览频次,将不满足第一预设条件的商品对应的商品组合删除;
根据各商品组合的浏览频次,将不满足第二预设条件的商品组合删除。
可选的,所述第二获取模块802还用于:
去除所述历史会话数据中的噪声数据。
可选的,所述第一获取模块801还用于:获取商品浏览请求,所述商品浏览请求用于指示用户请求浏览第一商品;
所述推荐模块804,用于根据所述商品浏览请求,获取与所述第一商品对应的所述推荐商品列表,并向所述用户推荐所述推荐商品列表中的商品。
可选的,所述商品浏览请求中还包括时间戳;
所述第一获取模块801还用于:将所述第一商品和所述时间戳记录到所述历史会话数据中。
本实施例提供的商品推荐装置,可用于执行上述任一方法实施例中的商品推荐方法,其实现原理和技术效果类似,此处不再赘述。
图10为本发明实施例提供的服务器的硬件结构示意图,如图10所述,本实施例提供的服务器1000,包括:至少一个处理器1001和存储器1002。其中,处理器1001、存储器1002以及通过总线1003连接。
在具体实现过程中,至少一个处理器1001执行所述存储器1002存储的计算机执行指令,使得至少一个处理器1001执行上述任一方法实施例中的商品推荐方法。
处理器1001的具体实现过程可参见上述方法实施例,其实现原理和技术效果类似,本实施例此处不再赘述。
在上述的图10所示的实施例中,应理解,处理器可以是中央处理单元(英文:Central Processing Unit,简称:CPU),还可以是其他通用处理器、数字信号处理器(英文:Digital Signal Processor,简称:DSP)、专用集成电路(英文:Application SpecificIntegrated Circuit,简称:ASIC)等。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。结合发明所公开的方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。
存储器可能包含高速RAM存储器,也可能还包括非易失性存储NVM,例如至少一个磁盘存储器。
总线可以是工业标准体系结构(Industry Standard Architecture,ISA)总线、外部设备互连(Peripheral Component,PCI)总线或扩展工业标准体系结构(ExtendedIndustry Standard Architecture,EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示,本申请附图中的总线并不限定仅有一根总线或一种类型的总线。
本发明实施例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中存储有计算机执行指令,当处理器执行所述计算机执行指令时,实现上述任一方法实施例中的商品推荐方法。
上述的计算机可读存储介质,上述可读存储介质可以是由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。可读存储介质可以是通用或专用计算机能够存取的任何可用介质。
一种示例性的可读存储介质耦合至处理器,从而使处理器能够从该可读存储介质读取信息,且可向该可读存储介质写入信息。当然,可读存储介质也可以是处理器的组成部分。处理器和可读存储介质可以位于专用集成电路(Application Specific IntegratedCircuits,简称:ASIC)中。当然,处理器和可读存储介质也可以作为分立组件存在于设备中。
本领域普通技术人员可以理解:实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时,执行包括上述各方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (12)
1.一种商品推荐方法,其特征在于,包括:
获取历史会话数据,所述历史会话数据包括:用户浏览的商品的序列、以及浏览各商品对应的时间戳;
根据所述历史会话数据,获取至少一个商品组合,各所述商品组合包括:第一商品和第二商品,所述第二商品的浏览顺序位于所述第一商品的浏览顺序之后,且所述第二商品与所述第一商品之间间隔的商品数量小于预设值;
根据所述至少一个商品组合,对每个所述第一商品对应的各所述第二商品进行排序,得到所述第一商品对应的推荐商品列表。
2.根据权利要求1所述的方法,其特征在于,所述根据所述至少一个商品组合,对每个所述第一商品对应的各所述第二商品进行排序,得到所述第一商品对应的推荐商品列表,包括:
针对每个所述商品组合,根据所述第一商品的浏览频次、所述商品组合的浏览频次、所述第二商品与所述第一商品之间间隔的商品数量、以及所述第一商品至所述第二商品之间各商品的浏览停留时长,获取所述第二商品相对于所述第一商品的跳转相关性;
针对每个第一商品,根据各所述商品组合获取所述第一商品对应的各所述第二商品,并根据各所述第二商品相对于所述第一商品的跳转相关性,对各所述第二商品进行排序,得到所述第一商品对应的推荐商品列表。
3.根据权利要求2所述的方法,其特征在于,所述根据所述第一商品的浏览频次、所述商品组合的浏览频次、所述第二商品与所述第一商品之间间隔的商品数量、以及所述第一商品至所述第二商品之间各商品的浏览停留时长,获取所述第二商品相对于所述第一商品的跳转相关性,包括:
根据所述第一商品的浏览频次和所述商品组合的浏览频次,获取所述第二商品相对于所述第一商品的跳转概率;
根据所述第二商品与所述第一商品之间间隔的商品数量,获取所述第二商品相对所述第一商品的跳转系数;
根据所述第一商品至所述第二商品之间各商品的浏览停留时长,获取所述第二商品相对于所述第一商品的跳转时长;
根据所述跳转概率、所述跳转系数和所述跳转时长,获取所述第二商品相对于所述第一商品的跳转相关性。
4.根据权利要求3所述的方法,其特征在于,所述根据所述第一商品至所述第二商品中各商品的浏览停留时长,获取所述第二商品相对于所述第一商品的跳转时长之前,还包括:
根据所述历史会话数据中的所述时间戳,获取所述历史会话数据中的各商品的浏览停留时长。
5.根据权利要求1所述的方法,其特征在于,所述根据所述历史会话数据,获取至少一个商品组合,包括:
根据所述时间戳,对所述历史会话数据进行切割,得到至少一个会话,各所述会话中包括用户在所述会话中浏览的商品的序列;
针对每个所述会话,将每个商品与后续相邻的N个商品两两组合得到所述商品组合,N为所述预设值。
6.根据权利要求5所述的方法,其特征在于,所述将每个商品与后续相邻的N个商品两两组合得到所述商品组合之后,还包括:
根据所述历史会话数据,获取各商品的浏览频次,并获取各所述商品组合的浏览频次;
根据各商品的浏览频次,将不满足第一预设条件的商品对应的商品组合删除;
根据各商品组合的浏览频次,将不满足第二预设条件的商品组合删除。
7.根据权利要求5所述的方法,其特征在于,所述根据所述时间戳,对所述历史会话数据进行切割之前,还包括:
去除所述历史会话数据中的噪声数据。
8.根据权利要求1所述的方法,其特征在于,还包括:
获取商品浏览请求,所述商品浏览请求用于指示用户请求浏览第一商品;
根据所述商品浏览请求,获取与所述第一商品对应的所述推荐商品列表;
向所述用户推荐所述推荐商品列表中的商品。
9.根据权利要求1所述的方法,其特征在于,所述商品浏览请求中还包括时间戳;
所述获取用户发送的商品浏览请求之后,还包括:
将所述第一商品和所述时间戳记录到所述历史会话数据中。
10.一种商品推荐装置,其特征在于,包括:
第一获取模块,用于获取历史会话数据,所述历史会话数据包括:用户浏览的商品的序列、以及浏览各商品对应的时间戳;
第二获取模块,用于根据所述历史会话数据,获取至少一个商品组合,各所述商品组合包括:第一商品和第二商品,所述第二商品的浏览顺序位于所述第一商品的浏览顺序之后,且所述第二商品与所述第一商品之间间隔的商品数量小于预设值;
生成模块,用于根据所述至少一个商品组合,对每个所述第一商品对应的各所述第二商品进行排序,得到所述第一商品对应的推荐商品列表。
11.一种服务器,其特征在于,包括:至少一个处理器和存储器;
所述存储器存储计算机执行指令;
所述至少一个处理器执行所述存储器存储的计算机执行指令,使得所述至少一个处理器执行如权利要求1至9任一项所述的方法。
12.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机执行指令,当处理器执行所述计算机执行指令时,实现如权利要求1至9任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811549358.4A CN110413870B (zh) | 2018-12-18 | 2018-12-18 | 商品推荐方法、装置及服务器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811549358.4A CN110413870B (zh) | 2018-12-18 | 2018-12-18 | 商品推荐方法、装置及服务器 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110413870A true CN110413870A (zh) | 2019-11-05 |
CN110413870B CN110413870B (zh) | 2021-12-31 |
Family
ID=68357479
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811549358.4A Active CN110413870B (zh) | 2018-12-18 | 2018-12-18 | 商品推荐方法、装置及服务器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110413870B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111311353A (zh) * | 2020-01-19 | 2020-06-19 | 河北工业职业技术学院 | 用户购买意向评估方法、***及终端设备 |
CN111339829A (zh) * | 2020-01-19 | 2020-06-26 | 海通证券股份有限公司 | 用户身份鉴定方法、装置、计算机设备和存储介质 |
CN111415219A (zh) * | 2020-03-02 | 2020-07-14 | 青岛聚好联科技有限公司 | 一种基于家庭及社区购物大数据的商品推荐的方法及装置 |
CN112102002A (zh) * | 2020-09-16 | 2020-12-18 | 珠海格力电器股份有限公司 | 基于知识图谱的商品推荐方法、装置、计算机和存储介质 |
CN112258264A (zh) * | 2020-09-30 | 2021-01-22 | 中智关爱通(上海)科技股份有限公司 | 一种福利商品选择方法及*** |
CN112783842A (zh) * | 2019-11-07 | 2021-05-11 | 北京沃东天骏信息技术有限公司 | 一种日志收集方法和装置 |
CN113240489A (zh) * | 2021-05-18 | 2021-08-10 | 广州卓铸网络科技有限公司 | 一种基于大数据统计分析的物品推荐方法及装置 |
CN113362143A (zh) * | 2021-07-01 | 2021-09-07 | 海南炳祥投资咨询有限公司 | 基于大数据的互联网销售推荐方法及*** |
CN113763110A (zh) * | 2021-02-08 | 2021-12-07 | 北京沃东天骏信息技术有限公司 | 一种物品推荐方法和装置 |
CN116629984A (zh) * | 2023-07-24 | 2023-08-22 | 中信证券股份有限公司 | 基于嵌入模型的产品信息推荐方法、装置、设备和介质 |
CN117668361A (zh) * | 2023-12-06 | 2024-03-08 | 湖南远图网络科技有限公司 | 一种基于大数据的推送方法及*** |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011122575A1 (ja) * | 2010-03-30 | 2011-10-06 | 楽天株式会社 | 商品推奨装置、商品推奨方法、プログラム、ならびに記録媒体 |
CN102629360A (zh) * | 2012-03-13 | 2012-08-08 | 浙江大学 | 一种有效的动态商品推荐方法及商品推荐*** |
CN103839169A (zh) * | 2012-11-21 | 2014-06-04 | 大连灵动科技发展有限公司 | 一种基于频率矩阵和文本相似度的个性化商品推荐方法 |
CN103839167A (zh) * | 2012-11-21 | 2014-06-04 | 大连灵动科技发展有限公司 | 一种商品候选集推荐方法 |
CN103942193A (zh) * | 2013-01-17 | 2014-07-23 | 腾讯科技(深圳)有限公司 | 一种信息推送的方法及装置 |
CN105894332A (zh) * | 2016-04-22 | 2016-08-24 | 深圳市永兴元科技有限公司 | 基于用户行为分析的商品推荐方法、装置及*** |
CN107103487A (zh) * | 2017-03-02 | 2017-08-29 | 浙江兰德纵横网络技术股份有限公司 | 一种基于大数据的广告推送方法 |
-
2018
- 2018-12-18 CN CN201811549358.4A patent/CN110413870B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011122575A1 (ja) * | 2010-03-30 | 2011-10-06 | 楽天株式会社 | 商品推奨装置、商品推奨方法、プログラム、ならびに記録媒体 |
CN102629360A (zh) * | 2012-03-13 | 2012-08-08 | 浙江大学 | 一种有效的动态商品推荐方法及商品推荐*** |
CN103839169A (zh) * | 2012-11-21 | 2014-06-04 | 大连灵动科技发展有限公司 | 一种基于频率矩阵和文本相似度的个性化商品推荐方法 |
CN103839167A (zh) * | 2012-11-21 | 2014-06-04 | 大连灵动科技发展有限公司 | 一种商品候选集推荐方法 |
CN103942193A (zh) * | 2013-01-17 | 2014-07-23 | 腾讯科技(深圳)有限公司 | 一种信息推送的方法及装置 |
CN105894332A (zh) * | 2016-04-22 | 2016-08-24 | 深圳市永兴元科技有限公司 | 基于用户行为分析的商品推荐方法、装置及*** |
CN107103487A (zh) * | 2017-03-02 | 2017-08-29 | 浙江兰德纵横网络技术股份有限公司 | 一种基于大数据的广告推送方法 |
Non-Patent Citations (1)
Title |
---|
丁哲: "基于移动用户浏览行为的推荐模型", 《电子科技大学学报》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112783842A (zh) * | 2019-11-07 | 2021-05-11 | 北京沃东天骏信息技术有限公司 | 一种日志收集方法和装置 |
CN112783842B (zh) * | 2019-11-07 | 2024-03-01 | 北京沃东天骏信息技术有限公司 | 一种日志收集方法和装置 |
CN111311353B (zh) * | 2020-01-19 | 2023-06-30 | 河北工业职业技术学院 | 用户购买意向评估方法、***及终端设备 |
CN111339829A (zh) * | 2020-01-19 | 2020-06-26 | 海通证券股份有限公司 | 用户身份鉴定方法、装置、计算机设备和存储介质 |
CN111311353A (zh) * | 2020-01-19 | 2020-06-19 | 河北工业职业技术学院 | 用户购买意向评估方法、***及终端设备 |
CN111415219A (zh) * | 2020-03-02 | 2020-07-14 | 青岛聚好联科技有限公司 | 一种基于家庭及社区购物大数据的商品推荐的方法及装置 |
CN111415219B (zh) * | 2020-03-02 | 2023-08-25 | 青岛聚好联科技有限公司 | 一种基于家庭及社区购物大数据的商品推荐的方法及装置 |
CN112102002A (zh) * | 2020-09-16 | 2020-12-18 | 珠海格力电器股份有限公司 | 基于知识图谱的商品推荐方法、装置、计算机和存储介质 |
CN112258264A (zh) * | 2020-09-30 | 2021-01-22 | 中智关爱通(上海)科技股份有限公司 | 一种福利商品选择方法及*** |
CN113763110A (zh) * | 2021-02-08 | 2021-12-07 | 北京沃东天骏信息技术有限公司 | 一种物品推荐方法和装置 |
CN113240489B (zh) * | 2021-05-18 | 2024-02-09 | 广州卓铸网络科技有限公司 | 一种基于大数据统计分析的物品推荐方法及装置 |
CN113240489A (zh) * | 2021-05-18 | 2021-08-10 | 广州卓铸网络科技有限公司 | 一种基于大数据统计分析的物品推荐方法及装置 |
CN113362143A (zh) * | 2021-07-01 | 2021-09-07 | 海南炳祥投资咨询有限公司 | 基于大数据的互联网销售推荐方法及*** |
CN116629984A (zh) * | 2023-07-24 | 2023-08-22 | 中信证券股份有限公司 | 基于嵌入模型的产品信息推荐方法、装置、设备和介质 |
CN116629984B (zh) * | 2023-07-24 | 2024-02-06 | 中信证券股份有限公司 | 基于嵌入模型的产品信息推荐方法、装置、设备和介质 |
CN117668361A (zh) * | 2023-12-06 | 2024-03-08 | 湖南远图网络科技有限公司 | 一种基于大数据的推送方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN110413870B (zh) | 2021-12-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110413870A (zh) | 商品推荐方法、装置及服务器 | |
CN110941740B (zh) | 视频推荐方法及计算机可读存储介质 | |
CN110413877A (zh) | 一种资源推荐方法、装置及电子设备 | |
TWI529642B (zh) | Promotion method and equipment of product information | |
JP5881153B2 (ja) | 相関性のある情報の推薦 | |
CN106407210B (zh) | 一种业务对象的展示方法和装置 | |
US9767208B1 (en) | Recommendations for creation of content items | |
US20190213194A1 (en) | System and method for information recommendation | |
CN105469263A (zh) | 一种商品推荐方法及装置 | |
US9639848B1 (en) | Diffusion prediction based on indicator scoring | |
CN111461841A (zh) | 物品推荐方法、装置、服务器及存储介质 | |
WO2015148393A1 (en) | Data search processing | |
CN105009103A (zh) | 网页的显示时间 | |
JP2005135071A (ja) | 商品購入における信頼値の算出方法及び装置 | |
CN107341173A (zh) | 一种信息处理方法及装置 | |
CN111144874B (zh) | 支付方式推荐方法、装置及设备 | |
CN111861605A (zh) | 业务对象推荐方法 | |
EP2850544A1 (en) | A user recommendation method and device | |
CN110570271A (zh) | 信息推荐方法、装置、电子设备及可读存储介质 | |
CN109688178A (zh) | 推荐方法、装置和设备 | |
CN111680213A (zh) | 信息推荐方法、数据处理方法及装置 | |
CN107220881B (zh) | 一种基于时间和空间的电商热度排名的方法和装置 | |
US10096045B2 (en) | Tying objective ratings to online items | |
JP6810184B2 (ja) | 算出装置、算出方法及び算出プログラム | |
CN117056619A (zh) | 确定用户行为特征的方法和装置 |
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 |