CN111144986B - 一种基于分享行为的社交电商网站商品推荐方法及装置 - Google Patents
一种基于分享行为的社交电商网站商品推荐方法及装置 Download PDFInfo
- Publication number
- CN111144986B CN111144986B CN201911360358.4A CN201911360358A CN111144986B CN 111144986 B CN111144986 B CN 111144986B CN 201911360358 A CN201911360358 A CN 201911360358A CN 111144986 B CN111144986 B CN 111144986B
- Authority
- CN
- China
- Prior art keywords
- commodity
- model
- user
- information
- preset
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 230000004927 fusion Effects 0.000 claims abstract description 44
- 230000006399 behavior Effects 0.000 claims abstract description 33
- 230000006870 function Effects 0.000 claims abstract description 23
- 239000013598 vector Substances 0.000 claims abstract description 23
- 238000012549 training Methods 0.000 claims description 33
- 238000012512 characterization method Methods 0.000 claims description 26
- 238000004590 computer program Methods 0.000 claims description 7
- 230000009471 action Effects 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 claims description 2
- 238000012163 sequencing technique Methods 0.000 abstract description 5
- 230000002452 interceptive effect Effects 0.000 description 16
- 230000003993 interaction Effects 0.000 description 8
- 230000000694 effects Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000011273 social behavior Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/01—Social networking
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Finance (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- Tourism & Hospitality (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提供一种基于分享行为的社交电商网站商品推荐方法及装置，该方法包括：获取商品分享信息；将所述商品分享信息输入预设商品推荐模型，得到商品推荐结果；其中，所述预设商品推荐模型是根据带分享后购买标签的用户商品样本信息和带有自由购买标签的用户商品样本信息。通过分享者影响力模型和所述被分享者影响力模型建立融合模型，并根据融合模型损失函数，通过学习得到融合模型中的用户兴趣向量、用户社交影响力向量、以及商品表征向量，推断在经过用户推荐后，所有商品被好友购买的概率，并依次进行排序，得到商品推荐结果。
Description
技术领域
本发明涉及信息处理技术领域，尤其涉及一种基于分享行为的社交电商网站商品推荐方法及装置。
背景技术
随着互联网技术的发展，电子商务(Electronic Business，E-Business)在我们的日常生活、工作中随处可见。电子商务通常是指在全球各地广泛的商业贸易活动中，在因特网开放的网络环境下，基于因特网实现消费者的网上购物、商户之间的网上交易和在线电子支付以及各种商务活动、交易活动、金融活动和相关的综合服务活动的一种新型的商业运营模式。
社交电商，是电子商务的一个子集，其包括社交媒体、在线媒体功能，能够支持用户之间的社交行为从而辅助在线购物以及出售商品服务，不同于用户通过搜索和智能推荐进行购物的传统电商，社交电商的用户可以分享商品的链接给他们的朋友，也可以直接点击链接进行购买。与传统推荐***不同，社会化推荐***旨在考虑用户间的社交关系，以辅助对用户兴趣的建模，提升推荐效果。
但是现有社交电商网站推荐方法没有考虑社交影响力的情况，推荐不够准确，因此如何更有效的进行基于分享行为的社交电商网站商品推荐推荐已经成为业界亟待解决的问题。
发明内容
本发明实施例提供一种基于分享行为的社交电商网站商品推荐方法及装置，用以解决上述背景技术中提出的技术问题，或至少部分解决上述背景技术中提出的技术问题。
第一方面，本发明实施例提供一种基于分享行为的社交电商网站商品推荐方法，包括：
获取商品分享信息；
将所述商品分享信息输入预设商品推荐模型，得到商品推荐结果；
其中，所述预设商品推荐模型是根据带分享后购买标签的用户商品样本信息和带有自由购买标签的用户商品样本信息。
更具体的，在所述将所述商品分享信息和所述分享社交关系输入预设商品推荐模型的步骤之前，所述方法还包括：
获取带交互标签的用户商品样本数据；
从未观测样本集中随机获取带未交互标签的用户商品样本数据，根据所述带交互标签的用户商品样本数据和未交互标签的用户商品样本数据构建正负样本对信息；
将所述正负样本对预设商品推荐模型进行训练，当满足预设训练条件时，结束训练，得到预设商品推荐模型。
更具体的，在所述将所述正负样本对信息输入商品推荐模型进行训练的步骤之前，所述方法还包括：
根据用户影响力表征信息和商品表征信息构建分享者影响力模型；
根据被分享者表征信息和商品表征信息构建被分享者影响力模型；
根据所述分享者影响力模型和所述被分享者影响力模型得到融合模型；
通过融合模型损失函数对所述融合模型进行优化，得到预设商品推荐模型。
更具体的，所述通过融合模型损失函数对所述融合模型进行优化，得到预设商品推荐模型的步骤，具体包括：
获取带分享后购买标签的用户商品样本信息和带有自由购买标签的用户商品样本信息，以构建正负样本对信息；
根据所述正负样本对信息通过梯度随机下降的方法训练融合模型损失函数参数，当满足预设训练条件时，所述融合模型损失函数稳定，从而根据所述融合模型损失函数得到社交-普通电商平台融合模型。
第二方面，本发明实施例提供一种基于分享行为的社交电商网站商品推荐装置，包括：
获取模块，用于获取用户分享信息；
推荐模块，用于将所述商品分享信息输入预设商品推荐模型，得到商品推荐结果；
其中，所述预设商品推荐模型是根据带分享后购买标签的用户商品样本信息和带有自由购买标签的用户商品样本信息。
第三方面，本发明实施例提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如第一方面所述基于分享行为的社交电商网站商品推荐方法的步骤。
第四方面，本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面所述基于分享行为的社交电商网站商品推荐方法的步骤。
本发明实施例提供的一种基于分享行为的社交电商网站商品推荐方法及装置，通过分享者影响力模型和所述被分享者影响力模型建立融合模型，并根据融合模型损失函数，通过学习得到融合模型中的用户兴趣向量、用户社交影响力向量、以及商品表征向量，推断在经过用户推荐后，所有商品被好友购买的概率，并依次进行排序，得到商品推荐结果。
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为本发明一实施例中所描述的基于分享行为的社交电商网站商品推荐方法流程示意图；
图2为本发明一实施例所描述的基于分享行为的社交电商网站商品推荐装置结构示意图；
图3为本发明一实施例所描述的电子设备结构示意图。
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。
图1为本发明一实施例中所描述的基于分享行为的社交电商网站商品推荐方法流程示意图，如图1所示，包括：
步骤S1，获取商品分享信息；
步骤S2，将所述商品分享信息和所述分享社交关系输入预设商品推荐模型，得到商品推荐结果；
其中，所述预设商品推荐模型是根据带分享后购买标签的用户商品样本信息和带有自由购买标签的用户商品样本信息。
具体的，本发明实施例中所描述的社交电商平台是指存在社交关系、用户间存在互相影响的电商平台，社交关系的存在是社交电商平台与普通电商平台的主要不同，本发明实施例中所描述的用户商品交互行为数据指用户在社交电商平台的交互记录，社交关系数据指社交电商平台上的用户的好友关系。
本发明实施例中所描述的用户商品交互行为数据具体是指用户与商户的交互行为数据，包括用户点击商品的行为数据和用户收藏或者购买商品的行为数据。
本发明实施例中所描述的商品分享信息是指用户将商品分享给好友的信息。
本发明实施例中所描述的预设商品推荐模型用户在在用户选择期望分享的好友之后，根据商品分享信息，在通过模型训练，学***台按照排序结果选取最可能被其好友购买的若干商品，进行推荐展示。
本发明实施例中所描述的分享后购买标签，是指该商品是用户在收到朋友推荐信息后产生进行购买的商品标签。
本发明实施例中所描述的自由购买标签是指，用户未经朋友推荐，不受社交影响，凭借自己主观意愿进行购买的商品标签。
本发明实施例中所描述的预设商品推荐模型是根据带分享后购买标签的用户商品样本信息和带有自由购买标签的用户商品样本信息训练得到的。
本发明实施例通过分享者影响力模型和所述被分享者影响力模型建立融合模型，并根据融合模型损失函数，通过学习得到融合模型中的用户兴趣向量、用户社交影响力向量、以及商品表征向量，推断在经过用户推荐后，所有商品被好友购买的概率，并依次进行排序，得到商品推荐结果。
在上述实施例的基础上，在所述将所述商品分享信息和所述分享社交关系输入预设商品推荐模型的步骤之前，所述方法还包括：
获取带交互标签的用户商品样本数据；
从未观测样本集中随机获取带未交互标签的用户商品样本数据，根据所述带交互标签的用户商品样本数据和未交互标签的用户商品样本数据构建正负样本对信息；
将所述正负样本对预设商品推荐模型进行训练，当满足预设训练条件时，结束训练，得到预设商品推荐模型。
具体的，本发明实施例中所描述的交互标签是代表该用户商品样本数据是与用户经过交互的数据，而未交互标签是指该用户商品样本数数据是未与用户进行交互过的数据。
本发明实施例中所描述的带交互标签的用户商品样本数据是指从社交电商平台收集的用户日志中获取的，为用户产生个性化的商品列表，仅保留两个平台均存在的用户与商品后的数据集，从而得到带交互标签的用户商品样本数据。
本发明实施例中所描述的未观测样本集具体是指与未与用户进行交互过的数据，构建正负样本对信息具体是指基于正：负为1:1的比例将带交互标签的用户商品样本数据作为正例，将未交互标签的用户商品样本数据作为负例，构建带交互标签的用户商品样本数据和未交互标签的用户商品样本数据。
本发明实施例中所描述的预设训练条件可以是指预设训练轮数，例如训练300轮，也可以是指预设训练时间，例如，训练满30分钟。
本发明实施例建立了分享时社交影响力与用户自身兴趣的关联，故可以通过联合学习的方式有效地从两部分行为数据中协同学习，从而更好地拟合模型，得到更好的模型参数。
在上述实施例的基础上，在所述将所述正负样本对信息输入商品推荐模型进行训练的步骤之前，所述方法还包括：
根据用户影响力表征信息和商品表征信息构建分享者影响力模型；
根据被分享者表征信息和商品表征信息构建被分享者影响力模型；
根据所述分享者影响力模型和所述被分享者影响力模型得到融合模型；
通过融合模型损失函数对所述融合模型进行优化，得到预设商品推荐模型。
具体的，本发明实施例中所描述的分享者影响力模型具体是指，在社交电商中，用户行为很可能受到分享者的影响。例如，该用户的一位朋友对服装十分了解，然后分享了某种服装给该用户，那么这位用户就很可能会购买该服装。即，对于每一次用户的分享行为，需要对于分享者对于被分享者的影响力进行刻画。
根据用户影响力表征信息和商品表征信息构建分享者影响力模型，具体为：
其中，su为用户u作为分享者的表征向量，qi为商品表征信息。
此处影响力越大则意味着用户u分享给其朋友的商品i更可能被其朋友购买。
对于每一次分享行为，接收分享的用户自身的兴趣是另一个决定是否采取购买行为的重要因素。如果该用户对商品不感兴趣，即使分享给他的用户有着很高的社交影响力，该用户购买商品的概率也不会太高。根据被分享者表征信息和商品表征信息构建被分享者影响力模型，具体为：
其中，qi为商品表征信息，qi为商品表征信息。
此处被分享者影响力越大，意味着接收商品i分享的用户v有更大的概率产生购买行为，此概率只与用户v自身的兴趣有关。
所述融合模型具体为：
其中，su和pu分别为用户u作为分享者和被分享者的表征向量，qi为商品表征信息，α为控制的兴趣与社交影响力的关联机制超参数，pv为用户兴趣表征向量。
在上述实施例的基础上，所述通过融合模型损失函数对所述融合模型进行优化，得到预设商品推荐模型的步骤，具体包括：
获取带分享后购买标签的用户商品样本信息和带有自由购买标签的用户商品样本信息，以构建正负样本对信息；
根据所述正负样本对信息通过梯度随机下降的方法训练融合模型损失函数参数，当满足预设训练条件时，所述融合模型损失函数稳定，从而根据所述融合模型损失函数得到社交-普通电商平台融合模型。
本发明提出共同优化分享及后续购买行为日志与用户的自由购买日志，具体而言，结合两部分的优化目标，作为统一的优化目标。具体而言，采取如下的损失函数：此处的share与share分别代表分享及后续购买行为与自由购买行为。
其中与/>分别为按照上述方法构建的用于偏序学习的分享后续购买行为与自由交互行为的三元组数据，/>与/>分别为分享后续购买行为与自由交互行为的偏序行为的交互样本与未交互样本的预估概率差值,j代表采样得到的负样本，Reg为用于解决过拟合的正则项，为P与Q两个矩阵(p为P的一列，q为Q的一列)的L-2范数分别乘以一个常数(被称为正则项系数，一般取值范围在1e-6至1e-2内，与具体实验有关)的和。
上述公式同样给出了每次模型迭代的参数更新量：Δpu,Δpv,Δqi与Δqj，经过一定次数的模型迭代后，损失函数L将稳定在一个较小的值，此时继续训练无法提升模型效果，故结束模型训练，参数不再更新，此时的模型作为最终模型输出。
在上述实施例的基础上，利用2017年9月20日到2017年10月22日社交电商平台的用户日志，以构建用于分享场景下的商品推荐***。数据集相关统计如表1所示：
表1
| 发起过分享的用户数目 | 175,827 |
| 接受过分享的用户数目 | 380,639 |
| 被分享过的商品数目 | 75,464 |
| 分享后购买记录数目 | 574,273 |
| 产生过自由购买的用户数目 | 3,011,253 |
| 产生过自由购买的商品数目 | 1,231,307 |
| 自由购买的记录数目 | 43,273,133 |
| 产生过两种交互的用户数目 | 40,011 |
| 产生过两种交互的商品数目 | 46,340 |
在上述统计中，用户数目决定了模型参数量的大小：用户相关的模型参数以矩阵的形式存在，矩阵的维度为用户数量乘以隐空间维度，商品与之同理。而经过划分后的行为记录的数目则决定了训练与测试样本个数的大小。具体而言，为保证两种交互均存在，最终使用的用户与商品数目为40,011与46,340。
首先构建训练数据，对于两种交互数据，去除少于五条记录的用户及商品以保证可靠的数据集划分，接着对于记录按照时间戳进行排序，时间最晚一条的记录作为测试集，剩余的记录作为训练集。
选取Adam优化器作为随机梯度下降的优化器，由于点积模型可能存在的过拟合问题，对于所有的表征矩阵，引入正则项防止过拟合。对于正则项系数都在[1e-1,1e-2,1e-3,1e-4,1e-5,1e-6,1e-7,1e-8]内进行搜索，而对于与模型容量紧密相关的隐空间维度，在[8,16,32,64,128,256,512]内进行搜索，而对于模型Adam优化器的学习率超参数，选择比较合适的0.0001。迭代总次数被设为5000次，从而保证模型的收敛，通过测试集上的排序性能，判断选取最佳的超参数组合，作为最终的模型。
在社交电商平台上，提供用户向其好友进行商品推荐的入口。在用户选择期望分享的好友之后，本发明输出的模型，通过学***台按照排序结果选取最可能被其好友购买的若干商品，进行推荐展示。
图2为本发明一实施例所描述的基于分享行为的社交电商网站商品推荐装置结构示意图，如图2所示，包括：获取模块210和推荐模块220；其中，获取模块210用于获取用户分享信息和分享社交信息；其中，推荐模块220用于将所述商品分享信息和所述分享社交关系输入预设商品推荐模型，得到商品推荐结果；其中，所述预设商品推荐模型是根据带分享后购买标签的用户商品样本信息和带有自由购买标签的用户商品样本信息。
本发明实施例提供的装置是用于执行上述各方法实施例的，具体流程和详细内容请参照上述实施例，此处不再赘述。
本发明实施例通过分享者影响力模型和所述被分享者影响力模型建立融合模型，并根据融合模型损失函数，通过学习得到融合模型中的用户兴趣向量、用户社交影响力向量、以及商品表征向量，推断在经过用户推荐后，所有商品被好友购买的概率，并依次进行排序，得到商品推荐结果。
图3为本发明一实施例所描述的电子设备结构示意图，如图3所示，该电子设备可以包括：处理器(processor)310、通信接口(Communications Interface)320、存储器(memory)330和通信总线340，其中，处理器310，通信接口320，存储器330通过通信总线340完成相互间的通信。处理器310可以调用存储器330中的逻辑指令，以执行如下方法：获取商品分享信息；将所述商品分享信息和所述分享社交关系输入预设商品推荐模型，得到商品推荐结果；其中，所述预设商品推荐模型是根据带分享后购买标签的用户商品样本信息和带有自由购买标签的用户商品样本信息。
此外，上述的存储器330中的逻辑指令可以通过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。
本发明实施例公开一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的方法，例如包括：获取商品分享信息；将所述商品分享信息和所述分享社交关系输入预设商品推荐模型，得到商品推荐结果；其中，所述预设商品推荐模型是根据带分享后购买标签的用户商品样本信息和带有自由购买标签的用户商品样本信息。
本发明实施例提供一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储服务器指令，该计算机指令使计算机执行上述各实施例提供的方法，例如包括：获取商品分享信息；将所述商品分享信息和所述分享社交关系输入预设商品推荐模型，得到商品推荐结果；其中，所述预设商品推荐模型是根据带分享后购买标签的用户商品样本信息和带有自由购买标签的用户商品样本信息。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述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ROM/RAM、磁碟、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)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上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精神和范围。
Claims (6)
1.一种基于分享行为的社交电商网站商品推荐方法，其特征在于，包括：
获取商品分享信息；
将所述商品分享信息输入预设商品推荐模型，得到商品推荐结果；
其中，所述预设商品推荐模型是根据带分享后购买标签的用户商品样本信息和带有自由购买标签的用户商品样本信息；
其中，在所述将所述商品分享信息输入预设商品推荐模型的步骤之前，所述方法还包括：
根据带分享后购买标签的用户商品样本信息和带有自由购买标签的用户商品样本信息构建正负样本对信息；
将所述正负样本对信息输入预设商品推荐模型进行训练，当满足预设训练条件时，结束训练，得到预设商品推荐模型；
其中，在所述将所述正负样本对信息输入预设商品推荐模型进行训练的步骤之前，所述方法还包括：
根据用户影响力表征信息和商品表征信息构建分享者影响力模型；
根据被分享者表征信息和商品表征信息构建被分享者影响力模型；
根据所述分享者影响力模型和所述被分享者影响力模型得到融合模型；
通过融合模型损失函数对所述融合模型进行优化，得到预设商品推荐模型。
2.根据权利要求1所述基于分享行为的社交电商网站商品推荐方法，其特征在于，所述融合模型具体为：
其中，su和pu分别为用户u作为分享者和被分享者的表征向量，qi为商品表征信息，α为控制的兴趣与社交影响力的关联机制超参数，pv为用户兴趣表征向量。
3.根据权利要求2所述基于分享行为的社交电商网站商品推荐方法，其特征在于，所述通过融合模型损失函数对所述融合模型进行优化，得到预设商品推荐模型的步骤，具体包括：
获取带分享后购买标签的用户商品样本信息和带有自由购买标签的用户商品样本信息，以构建正负样本对信息；
根据所述正负样本对信息通过梯度随机下降的方法训练融合模型损失函数参数，当满足预设训练条件时，所述融合模型损失函数稳定，从而根据所述融合模型损失函数得到社交-普通电商平台融合模型。
4.一种基于分享行为的社交电商网站商品推荐装置，其特征在于，包括：
获取模块，用于获取商品分享信息；
推荐模块，用于将所述商品分享信息输入预设商品推荐模型，得到商品推荐结果；
其中，所述预设商品推荐模型是根据带分享后购买标签的用户商品样本信息和带有自由购买标签的用户商品样本信息；
其中，所述装置还用于：
根据带分享后购买标签的用户商品样本信息和带有自由购买标签的用户商品样本信息构建正负样本对信息；
将所述正负样本对信息输入预设商品推荐模型进行训练，当满足预设训练条件时，结束训练，得到预设商品推荐模型；
其中，所述装置还用于：
根据用户影响力表征信息和商品表征信息构建分享者影响力模型；
根据被分享者表征信息和商品表征信息构建被分享者影响力模型；
根据所述分享者影响力模型和所述被分享者影响力模型得到融合模型；
通过融合模型损失函数对所述融合模型进行优化，得到预设商品推荐模型。
5.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至3任一项所述基于分享行为的社交电商网站商品推荐方法的步骤。
6.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至3任一项所述基于分享行为的社交电商网站商品推荐方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911360358.4A CN111144986B (zh) | 2019-12-25 | 2019-12-25 | 一种基于分享行为的社交电商网站商品推荐方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911360358.4A CN111144986B (zh) | 2019-12-25 | 2019-12-25 | 一种基于分享行为的社交电商网站商品推荐方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111144986A CN111144986A (zh) | 2020-05-12 |
| CN111144986B true CN111144986B (zh) | 2024-05-31 |
Family
ID=70520143
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911360358.4A Active CN111144986B (zh) | 2019-12-25 | 2019-12-25 | 一种基于分享行为的社交电商网站商品推荐方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111144986B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112328779B (zh) * | 2020-11-04 | 2024-02-13 | 中国平安人寿保险股份有限公司 | 训练样本构建方法、装置、终端设备及存储介质 |
| CN112437349B (zh) * | 2020-11-10 | 2022-09-23 | 杭州时趣信息技术有限公司 | 一种视频流推荐方法及相关装置 |
| CN113379494B (zh) * | 2021-06-10 | 2024-05-31 | 清华大学 | 基于异质社交关系的商品推荐方法、装置和电子设备 |
| CN113240408A (zh) * | 2021-06-18 | 2021-08-10 | 中国银行股份有限公司 | 手机银行app推荐方法及装置 |
| CN113868542B (zh) * | 2021-11-25 | 2022-03-11 | 平安科技（深圳）有限公司 | 基于注意力模型的推送数据获取方法、装置、设备及介质 |
| CN117474090A (zh) * | 2023-11-20 | 2024-01-30 | 北京传通科技有限公司 | 一种提示词分享的方法与装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017157149A1 (zh) * | 2016-03-15 | 2017-09-21 | 平安科技（深圳）有限公司 | 基于社交网络的推荐方法、装置、服务器及存储介质 |
| CN107369058A (zh) * | 2016-05-13 | 2017-11-21 | 华为技术有限公司 | 一种关联推荐方法及服务器 |
| CN110008399A (zh) * | 2019-01-30 | 2019-07-12 | 阿里巴巴集团控股有限公司 | 一种推荐模型的训练方法及装置、一种推荐方法及装置 |
| CN110222272A (zh) * | 2019-04-18 | 2019-09-10 | 广东工业大学 | 一种潜在客户挖掘与推荐方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI563457B (en) * | 2012-03-15 | 2016-12-21 | Buide Ltd | Social shopping platform having recommender display and advertisement publishing and shopping method thereof |
-
2019
- 2019-12-25 CN CN201911360358.4A patent/CN111144986B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017157149A1 (zh) * | 2016-03-15 | 2017-09-21 | 平安科技（深圳）有限公司 | 基于社交网络的推荐方法、装置、服务器及存储介质 |
| CN107369058A (zh) * | 2016-05-13 | 2017-11-21 | 华为技术有限公司 | 一种关联推荐方法及服务器 |
| CN110008399A (zh) * | 2019-01-30 | 2019-07-12 | 阿里巴巴集团控股有限公司 | 一种推荐模型的训练方法及装置、一种推荐方法及装置 |
| CN110222272A (zh) * | 2019-04-18 | 2019-09-10 | 广东工业大学 | 一种潜在客户挖掘与推荐方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111144986A (zh) | 2020-05-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111144986B (zh) | 一种基于分享行为的社交电商网站商品推荐方法及装置 | |
| US11995702B2 (en) | Item recommendations using convolutions on weighted graphs | |
| Wu et al. | [Retracted] An Empirical Study on Customer Segmentation by Purchase Behaviors Using a RFM Model and K‐Means Algorithm | |
| US20190295114A1 (en) | Digital banking platform and architecture | |
| CN106447463A (zh) | 一种基于马尔科夫决策过程模型的商品推荐方法 | |
| CN112435067A (zh) | 跨电商平台与社交平台的智能广告投放方法及*** | |
| CN113763095B (zh) | 信息推荐方法、装置和模型训练方法、装置 | |
| CN113379494B (zh) | 基于异质社交关系的商品推荐方法、装置和电子设备 | |
| US20130204701A1 (en) | Apparatus, system and methods for marketing targeted products to users of social media | |
| CN110766428A (zh) | 一种数据价值评估***以及方法 | |
| Peña-García et al. | E-loyalty formation: A cross-cultural comparison of Spain and Colombia | |
| US20210109906A1 (en) | Clustering model analysis for big data environments | |
| KR102307662B1 (ko) | 상품 정보 제공 시스템 및 그 방법 | |
| CN111177581A (zh) | 一种基于多平台的社交电商网站商品推荐方法及装置 | |
| CN112269920A (zh) | 一种用于鉴定刷单的方法 | |
| CN111680213B (zh) | 信息推荐方法、数据处理方法及装置 | |
| Jiang et al. | A high-dimensional choice model for online retailing | |
| US20230334553A1 (en) | Systems and methods for garment size recommendation | |
| CN112330373A (zh) | 用户行为分析方法、装置及计算机可读存储介质 | |
| KR20230137861A (ko) | 고객 맞춤 준비로 구매 편의성을 제공하는 오프라인 구매 서비스 제공 방법 및 장치 | |
| CN111915344A (zh) | 一种基于医疗大数据的新会员催熟方法和装置 | |
| CN110889716A (zh) | 识别潜在注册用户的方法及装置 | |
| CN111639274B (zh) | 线上商品智能排序方法、装置、计算机设备和存储介质 | |
| CN111639989B (zh) | 商品推荐方法和可读存储介质 | |
| Pandey et al. | Recommending e-commerce products on cold start and long tail using transaction data |
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 |