CN111311351A - 文案推荐方法、装置、计算机设备和可读存储介质 - Google Patents

文案推荐方法、装置、计算机设备和可读存储介质 Download PDF

Info

Publication number
CN111311351A
CN111311351A CN202010043024.0A CN202010043024A CN111311351A CN 111311351 A CN111311351 A CN 111311351A CN 202010043024 A CN202010043024 A CN 202010043024A CN 111311351 A CN111311351 A CN 111311351A
Authority
CN
China
Prior art keywords
commodity
value
recommended
target
attribute
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
Application number
CN202010043024.0A
Other languages
English (en)
Other versions
CN111311351B (zh
Inventor
方依
陈羲
梁新敏
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.)
Shanghai Second Picket Network Technology Co ltd
Original Assignee
Shanghai Fengzhi Technology 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 Shanghai Fengzhi Technology Co ltd filed Critical Shanghai Fengzhi Technology Co ltd
Priority to CN202010043024.0A priority Critical patent/CN111311351B/zh
Publication of CN111311351A publication Critical patent/CN111311351A/zh
Application granted granted Critical
Publication of CN111311351B publication Critical patent/CN111311351B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0255—Targeted advertisements based on user history
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Engineering & Computer Science (AREA)
  • General Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请实施例提供了一种文案推荐方法、装置、计算机设备和可读存储介质，涉及电子商务技术领域，该应用于计算机设备，计算机设备存储有历史行为数据；该方法包括：根据历史行为数据，计算得到历史商品偏向值，其中，历史行为数据包括用户选择商品记录；获取待推荐文案，待推荐文案包括待推荐商品属性值；根据待推荐商品属性值得到待推荐文案的待推荐商品推荐值；根据历史商品偏向值和待推荐商品推荐值，计算得到待推荐文案的文案推荐值；当文案推荐值超过预设文案推荐阈值时，推送待推荐文案，能够有针对性地为用户推荐包括商品相关信息的文案。

Description

文案推荐方法、装置、计算机设备和可读存储介质
技术领域
本申请涉及电子商务技术领域，具体而言，涉及一种文案推荐方法、装置、计算机设备和可读存储介质。
背景技术
目前，商家的运营人员会撰写用于推荐商品的文案，这些文案会被推送给用户以便提高商品的销量以及增加用户的粘性。然而，现有的文案推送方案一般是将运营人员撰写好的文案推送给所有的用户，并没有任何针对性，这导致了大部分用户会接收到自己不感兴趣的推送，这反而会降低用户对该商家的粘性，甚至给用户造成困扰。
有鉴于此，如何提供一种更具针对性的文案推荐方案，是本领域技术人员需要解决的。
发明内容
本申请实施例提供了一种文案推荐方法、装置、计算机设备和可读存储介质。
本申请的实施例可以这样实现：
第一方面，实施例提供一种文案推荐方法，应用于计算机设备，所述计算机设备存储有历史行为数据；
所述方法包括：
根据所述历史行为数据，计算得到历史商品偏向值，其中，所述历史行为数据包括用户选择商品记录；
获取待推荐文案，所述待推荐文案包括待推荐商品属性值；
根据所述待推荐商品属性值得到所述待推荐文案的待推荐商品推荐值；
根据所述历史商品偏向值和所述待推荐商品推荐值，计算得到所述待推荐文案的文案推荐值；
当所述文案推荐值超过预设文案推荐阈值时，推送所述待推荐文案。
在可选的实施方式中，所述计算机设备还存储有多个商品以及每个所述商品对应的商品标识信息和商品表征值，所述用户选择商品记录包括目标商品以及所述目标商品的目标标识信息；
所述根据所述历史行为数据，计算得到历史商品偏向值的步骤，包括：
获得所述目标商品和所述目标标识信息；
从多个商品标识信息中确定出与所述目标标识信息相同的目标商品标识信息；
获取与所述目标商品标识信息关联的目标商品表征值，并将所述目标商品表征值作为所述目标商品的目标表征值；
根据所述目标商品的目标表征值，通过公式：
Figure BDA0002368411420000021
计算得到所述历史商品偏向值，其中，Embedding(u)为所述历史商品偏向值，et为所述目标表征值，T为所述目标商品的数量，t为所述目标商品的序号。
在可选的实施方式中，所述用户选择商品记录还包括待处理商品以及所述待处理商品的待处理商品属性值；
在所述根据所述历史行为数据，计算得到历史商品偏向值的步骤之前，所述方法还包括：
获取所述待处理商品及所述待处理商品属性值；
根据所述待处理商品属性值，计算得到所述商品表征值。
在可选的实施方式中，所述待处理商品属性值包括商品唯一标识值、商品属性标识值和商品权重值；
所述根据所述待处理商品属性值，计算得到所述商品表征值的步骤，包括：
根据所述商品唯一标识值、所述商品属性标识值和所述商品权重值，通过公式：
Figure BDA0002368411420000031
计算得到所述商品表征值，其中，ei1为所述商品唯一标识值，
Figure BDA0002368411420000032
为所述商品表征值，wik为所述商品权重值，eik为所述商品属性标识值的表征值，
Figure BDA0002368411420000033
为所述商品属性标识值的表征值的转置矩阵，Mk为训练矩阵，
Figure BDA0002368411420000034
为所述训练矩阵的转置矩阵，K为所述待处理商品的数量，k为所述待处理商品的序号，i为待处理商品。
在可选的实施方式中，所述用户选择商品记录包括待判断商品以及所述待判断商品的操作日期和操作时间；
所述获取所述待处理商品的步骤，包括：
从所述用户选择商品记录中获取所述待判断商品的操作日期和操作时间；
当所述操作日期与当前日期之间的时间差未超过预设操作日期阈值、且所述操作时间超过预设操作时间阈值时，将所述待判断商品作为所述待处理商品。
在可选的实施方式中，所述待推荐商品属性值包括待推荐商品唯一标识值、待推荐商品属性标识值和待推荐商品权重值；
所述根据所述待推荐商品属性值得到所述待推荐文案的待推荐商品推荐值的步骤，包括：
根据所述待推荐商品唯一标识值、所述待推荐商品属性标识值和所述待推荐商品权重值，通过公式：
Figure BDA0002368411420000041
计算得到所述待推荐商品推荐值，其中，ea1为所述待推荐商品唯一标识值，
Figure BDA0002368411420000042
为所述待推荐商品推荐值，wab为所述待推荐商品权重值， eab为所述待推荐商品属性标识值的表征值，
Figure BDA0002368411420000043
为所述待推荐商品属性标识值的表征值的转置矩阵，Mb为训练矩阵，
Figure BDA0002368411420000044
为所述训练矩阵的转置矩阵，B为所述待推荐商品的数量，b为待推荐商品的序号，a为待推荐商品。
第二方面，实施例提供一种文案推荐装置，应用于计算机设备，所述计算机设备存储有历史行为数据；
所述装置包括：
初算模块，用于根据所述历史行为数据，计算得到历史商品偏向值，其中，所述历史行为数据包括用户选择商品记录；
获取模块，用于获取待推荐文案，所述待推荐文案包括待推荐商品属性值；根据所述待推荐商品属性值得到所述待推荐文案的待推荐商品推荐值；
复算模块，根据所述历史商品偏向值和所述待推荐商品推荐值，计算得到所述待推荐文案的文案推荐值；
推荐模块，当所述文案推荐值超过预设文案推荐阈值时，推送所述待推荐文案。
在可选的实施方式中，所述计算机设备还存储有多个商品以及每个所述商品对应的商品标识信息和商品表征值，所述用户选择商品记录包括目标商品以及所述目标商品的目标标识信息；
所述初算模块具体用于：获得所述目标商品和所述目标标识信息；从多个商品标识信息中确定出与所述目标标识信息相同的目标商品标识信息；获取与所述目标商品标识信息关联的目标商品表征值，并将所述目标商品表征值作为所述目标商品的目标表征值；根据所述目标商品的目标表征值，通过公式：
Figure BDA0002368411420000051
计算得到所述历史商品偏向值，其中，Embedding(u)为所述历史商品偏向值，et为所述目标表征值，T为所述目标商品的数量，t为所述目标商品的序号。
第三方面，实施例提供一种计算机设备，所述计算机设备包括处理器及存储有计算机指令的非易失性存储器，所述计算机指令被所述处理器执行时，所述计算机设备执行前述实施方式中任意一项所述的文案推荐方法。
第四方面，实施例提供一种可读存储介质，所述可读存储介质包括计算机程序，所述计算机程序运行时控制所述可读存储介质所在计算机设备执行前述实施方式中任意一项所述的文案推荐方法。
本申请实施例的有益效果包括，例如：
采用本申请实施例提供的一种文案推荐方法、装置、计算机设备和可读存储介质，该应用于计算机设备，所述计算机设备存储有历史行为数据；该方法包括：根据所述历史行为数据，计算得到历史商品偏向值，其中，所述历史行为数据包括用户选择商品记录，然后获取待推荐文案，所述待推荐文案包括待推荐商品属性值，再根据所述待推荐商品属性值得到所述待推荐文案的待推荐商品推荐值，接着根据所述历史商品偏向值和所述待推荐商品推荐值，巧妙地计算得到所述待推荐文案的文案推荐值；当所述文案推荐值超过预设文案推荐阈值时，推送所述待推荐文案，能够有针对性地进行文案的推荐。
附图说明
为了更清楚地说明本申请实施例的技术方案，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申请的某些实施例，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为本申请实施例提供的文案推荐方法的步骤流程示意图；
图2为本申请实施例提供的用户选择商品记录的示意图；
图3为本申请实施例提供的文案推荐装置的结构示意框图；
图4为本申请实施例提供的计算机设备的结构示意框图。
图标：100-计算机设备；110-文案推荐装置；1101-初算模块；1102-获取模块；1103-复算模块；1104-推荐模块；111-存储器；112-处理器；113-通信单元。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
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。
此外，若出现术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
需要说明的是，在不冲突的情况下，本申请的实施例中的特征可以相互结合。
目前，商家为了能够推广自己的产品，会有负责运营的运营人员撰写用于推荐商品的文案，然后通过短信、公众号等形式将文案推送给用户，以使用户可以根据该文案购买商品增加利润或者通过该文案保持用户的粘性。在实际操作中，由于一个商家通常有成千上万的用户，而商家又会将运营人员撰写的每一篇文案推荐给每一位用户，这导致了用户会接收到大量自己不感兴趣的文案，这样没有针对性的文案推送容易给用户造成困扰，不仅不能给商家带来利润，反而会降低用户的粘性(由于不想接受无意义的推送而取关)。基于此，本申请实施例提供一种文案推荐方法，该方法应用于计算机设备，所述计算机设备存储有历史行为数据，如图1所示，该方法包括步骤S201至步骤S205。
步骤S201，根据所述历史行为数据，计算得到历史商品偏向值，其中，所述历史行为数据包括用户选择商品记录。
步骤S202，获取待推荐文案，所述待推荐文案包括待推荐商品属性值；
步骤S203，根据所述待推荐商品属性值得到所述待推荐文案的待推荐商品推荐值；
步骤S204，根据所述历史商品偏向值和所述待推荐商品推荐值，计算得到所述待推荐文案的文案推荐值；
步骤S205，当所述文案推荐值超过预设文案推荐阈值时，推送所述待推荐文案。
为了能够精准地为用户推荐该用户感兴趣的商品，可以先获取用户的历史行为数据，计算得到该用户的历史商品偏向值。一般的，一篇文案只有一个推荐主题或者对应的推荐商品，因此可以根据待推荐文案包括的待推荐商品属性值，计算得到待推荐文案的待推荐商品推荐值，而后便可以根据历史商品偏向值和所述待推荐商品推荐值，计算得出二者之间的匹配度，即文案推荐值，可以根据商家的需求设置较高的预设文案推荐阈值，以此达到只有推荐文案中的商品与用户历史行为数据中涉及的商品具备较高的匹配度时，该文案才会被推荐。通过上述操作，便能实现具有针对性的文案推荐，以便提高商家的利润和增强用户的粘性。
在此基础上，所述计算机设备还存储有多个商品以及每个所述商品对应的商品标识信息和商品表征值，所述用户选择商品记录包括目标商品以及所述目标商品的目标标识信息。本申请实施例提供一种根据所述历史行为数据，计算得到历史商品偏向值的示例，通过以下步骤实现。
获得所述目标商品和所述目标标识信息。
从多个商品标识信息中确定出与所述目标标识信息相同的目标商品标识信息。
获取与所述目标商品标识信息关联的目标商品表征值，并将所述目标商品表征值作为所述目标商品的目标表征值。
根据所述目标商品的目标表征值，通过公式：
Figure BDA0002368411420000081
计算得到所述历史商品偏向值，其中，Embedding(u)为所述历史商品偏向值，et为所述目标表征值，T为所述目标商品的数量，t为所述目标商品的序号。
在本申请实施例中，是预先知道有多个商品以及每个所述商品对应的商品标识信息和商品表征值的，而多个商品既包括了用户的用户选择商品记录出现的商品，也包括待推荐文案中出现的商品。可以先从用户选择商品记录中获取目标商品，从多个商品标识信息中确定出与所述目标标识信息相同的目标商品标识信息，进而获取与所述目标商品标识信息关联的目标商品表征值。例如，多个商品包括香蕉、苹果、梨和橙子，对应有着香蕉标识、苹果标识、梨标识和橙子标识以及香蕉表征值、苹果表征值、梨表征值和橙子表征值，而用户选择商品记录中可以有香蕉和苹果，从用户选择商品记录中获取目标商品和所述目标标识信息，即获取香蕉和香蕉标识以及苹果和苹果标识，根据香蕉标识和苹果标识，可以获取与之关联的目标商品表征值，即香蕉表征值和苹果表征值，而后便可以通过公式
Figure BDA0002368411420000091
计算得到用户的历史商品偏向值。
在此基础上，所述用户选择商品记录还包括待处理商品以及所述待处理商品的待处理商品属性值；在所述根据所述历史行为数据，计算得到历史商品偏向值的步骤之前，本申请实施例还提供一种计算商品表征值的步骤，可以通过以下步骤实现。
获取所述待处理商品及所述待处理商品属性值。
根据所述待处理商品属性值，计算得到所述商品表征值。
如前所述，商品表征值是预先计算得到，而计算方式可以是从多个用户的用户选择商品记录获取待处理商品以及所述待处理商品的待处理商品属性值，应当理解的是，待处理商品对应的待处理商品属性值也是预先设定好的，是不变的。多个用户对应的用户选择商品记录可以表示如图2所示，而获取这些待处理商品的方式可以是根据用户点击、浏览和加入购物车操作得到。
在前述基础上，所述待处理商品属性值包括商品唯一标识值、商品属性标识值和商品权重值；本申请实施例提供一种根据所述待处理商品属性值，计算得到所述商品表征值的示例，可以通过如下步骤实现。
根据所述商品唯一标识值、所述商品属性标识值和所述商品权重值，通过公式：
Figure BDA0002368411420000101
计算得到所述商品表征值，其中，ei1为所述商品唯一标识值，
Figure BDA0002368411420000102
为所述商品表征值，wik为所述商品权重值，eik为所述商品属性标识值的表征值，
Figure BDA0002368411420000103
为所述商品属性标识值的表征值的转置矩阵，Mk为训练矩阵，
Figure BDA0002368411420000104
为所述训练矩阵的转置矩阵，K为所述待处理商品的数量，k为所述待处理商品的序号，i为待处理商品。
待处理商品属性可以包括商品唯一标识值、商品属性标识值和商品权重值，其中，商品唯一标识值(item id)可以是指该待处理商品的唯一识别信息(例如，产品序列号和生产码等)，即使是同一款商品，每个商品的唯一标识值也不一样。而商品属性标识值可以是商品的名称、品牌和种类( productid,brandid，categorylevel1id,categorylevel2id,categorylevel3id )，例如咖啡-XX牌咖啡-牛奶咖啡。在此基础上，请再次参照图2，在获得了多个用户的用户选择商品记录后，可以根据用户操作商品的顺序形成序列，可以得到多个序列，可以对这些用户选择商品记录(即多个序列)进行word 2vec的skip-gram操作，有目标函数：
Figure BDA0002368411420000111
其中，J为skip-gram目标函数，C为待处理商品序列(即图2中context window的长度)，itemn为待处理商品的商品属性标识值，而式中的
Figure BDA0002368411420000112
其中，D是所有item的数量，且每个商品有两个向量标识，即目标向量标识和上下文向量标识。可以通过负采样将上式转化为：
Figure BDA0002368411420000113
其中，
Figure BDA0002368411420000114
S为负采样的数量，为了将商品属性标识值和商品唯一标识值结合，可以设计一个IDs，从而可以将上式修改为：
Figure BDA0002368411420000115
Figure BDA0002368411420000121
其中，ei1为所述待处理商品的唯一商品标识值，eik为所述待处理商品的商品属性标识值，Mk为训练矩阵，σ为sigmoid函数，α和β为超参数，
Figure BDA0002368411420000122
wik为待处理商品i的权重。
Figure BDA0002368411420000123
其中，
Figure BDA0002368411420000124
为了增加IDs和所述商品唯一标识值之间的联系，增加约束：
Figure BDA0002368411420000125
根据约束函数，可以将前述skip-gram目标函数J修改为：
Figure BDA0002368411420000126
为了最大化上述约束后的目标函数，可以得到：
p(itemi|IDs(itemi))→1
Figure BDA0002368411420000131
至此，便可以用待推荐商品唯一标识值来表示待推荐商品属性标识值，可以通过梯度下降法求得所有商品的商品表征值(即用户的embedding结果)。
在上述基础上，所述用户选择商品记录包括待判断商品以及所述待判断商品的操作日期和操作时间。本申请实施例提供一种获取所述待处理商品的示例，可以通过以下步骤实现。
从所述用户选择商品记录中获取所述待判断商品的操作日期和操作时间。
当所述操作日期与当前日期之间的时间差未超过预设操作日期阈值、且所述操作时间超过预设操作时间阈值时，将所述待判断商品作为所述待处理商品。
可以根据用户浏览、选择和加入购物车等操作从待判断商品中确定待处理商品。首先可以认为用户在短时间内的兴趣是不变的，因此可以设置预设操作日期阈值，并且用户在进行上述操作时，可能会出现误点的情况，因此可以设置预设操作时间阈值时，当操作日期与当前日期之间的时间差未超过预设操作日期阈值(即近期内)、且操作时间超过预设操作时间阈值时(即并不是误点，而是点了之后有停留动作)，则将待判断商品作为待处理商品。
在前述基础上，所述待推荐商品属性值包括待推荐商品唯一标识值、待推荐商品属性标识值和待推荐商品权重值。本申请实施例提供一种根据所述待推荐商品属性值得到所述待推荐文案的待推荐商品推荐值的示例，可以通过以下步骤实现。
根据所述待推荐商品唯一标识值、所述待推荐商品属性标识值和所述待推荐商品权重值，通过公式：
Figure BDA0002368411420000141
计算得到所述待推荐商品推荐值，其中，ea1为所述待推荐商品唯一标识值，
Figure BDA0002368411420000142
为所述待推荐商品推荐值，wab为所述待推荐商品权重值， eab为所述待推荐商品属性标识值的表征值，
Figure BDA0002368411420000143
为所述待推荐商品属性标识值的表征值的转置矩阵，Mb为训练矩阵，
Figure BDA0002368411420000144
为所述训练矩阵的转置矩阵，B为所述待推荐商品的数量，b为待推荐商品的序号，a为待推荐商品。
应当理解的是，由于文案中包括的待推荐商品唯一标识值、所述待推荐商品属性标识值和所述待推荐商品权重值与前述待处理商品唯一标识值、所述待处理商品属性标识值和所述处理荐商品权重值的形式一致，因此可以采用前述方法获取待推荐文案的待推荐商品推荐值(即待推荐文案的embedding 结果)。
综上，便可以使用用户的embedding值与待推荐文案的embedding进行内积计算得到文案推荐值，文案推荐值越高，说明该带推荐文案中的商品越适合推荐给该用户。
本申请实施例提供一种文案推荐装置110，该装置应用于计算机设备，所述计算机设备存储有历史行为数据；如图3所示，所述装置包括：
初算模块1101，用于根据所述历史行为数据，计算得到历史商品偏向值，其中，所述历史行为数据包括用户选择商品记录。
获取模块1102，用于获取待推荐文案，所述待推荐文案包括待推荐商品属性值；根据所述待推荐商品属性值得到所述待推荐文案的待推荐商品推荐值；
复算模块1103，根据所述历史商品偏向值和所述待推荐商品推荐值，计算得到所述待推荐文案的文案推荐值。
推荐模块1104，当所述文案推荐值超过预设文案推荐阈值时，推送所述待推荐文案。
进一步地，所述计算机设备还存储有多个商品以及每个所述商品对应的商品标识信息和商品表征值，所述用户选择商品记录包括目标商品以及所述目标商品的目标标识信息。所述初算模块1101具体用于：
获得所述目标商品和所述目标标识信息；从多个商品标识信息中确定出与所述目标标识信息相同的目标商品标识信息；获取与所述目标商品标识信息关联的目标商品表征值，并将所述目标商品表征值作为所述目标商品的目标表征值；根据所述目标商品的目标表征值，通过公式：
Figure BDA0002368411420000151
Figure BDA0002368411420000152
计算得到所述历史商品偏向值，其中，Embedding(u)为所述历史商品偏向值，et为所述目标表征值，T为所述目标商品的数量，t为所述目标商品的序号。
进一步地，所述用户选择商品记录还包括待处理商品以及所述待处理商品的待处理商品属性值，所述获取模块1102还用于：
获取所述待处理商品及所述待处理商品属性值；根据所述待处理商品属性值，计算得到所述商品表征值。
进一步地，所述待处理商品属性值包括商品唯一标识值、商品属性标识值和商品权重值；所述获取模块1102具体用于：
根据所述商品唯一标识值、所述商品属性标识值和所述商品权重值，通过公式：
Figure BDA0002368411420000161
计算得到所述商品表征值，其中，ei1为所述商品唯一标识值，
Figure BDA0002368411420000162
为所述商品表征值，wik为所述商品权重值，eik为所述商品属性标识值的表征值，
Figure BDA0002368411420000163
为所述商品属性标识值的表征值的转置矩阵，Mk为训练矩阵，
Figure BDA0002368411420000164
为所述训练矩阵的转置矩阵，K为所述待处理商品的数量，k为所述待处理商品的序号，i为待处理商品。
进一步地，所述用户选择商品记录包括待判断商品以及所述待判断商品的操作日期和操作时间；所述获取模块1102具体还用于：
从所述用户选择商品记录中获取所述待判断商品的操作日期和操作时间；当所述操作日期与当前日期之间的时间差未超过预设操作日期阈值、且所述操作时间超过预设操作时间阈值时，将所述待判断商品作为所述待处理商品。
进一步地，所述待推荐商品属性值包括待推荐商品唯一标识值、待推荐商品属性标识值和待推荐商品权重值；所述获取模块1102具体用于：
根据所述待推荐商品唯一标识值、所述待推荐商品属性标识值和所述待推荐商品权重值，通过公式：
Figure BDA0002368411420000171
计算得到所述待推荐商品推荐值，其中，ea1为所述待推荐商品唯一标识值，
Figure BDA0002368411420000172
为所述待推荐商品推荐值，wab为所述待推荐商品权重值，eab为所述待推荐商品属性标识值的表征值，
Figure BDA0002368411420000173
为所述待推荐商品属性标识值的表征值的转置矩阵，Mb为训练矩阵，
Figure BDA0002368411420000174
为所述训练矩阵的转置矩阵，B为所述待推荐商品的数量，b为待推荐商品的序号，a为待推荐商品。
本申请实施例提供的文案推荐装置110的实现原理可以参考前述文案推荐方法的实现原理，在此不再赘述。
本申请实施例提供一种计算机设备100，所述计算机设备100包括处理器及存储有计算机指令的非易失性存储器，所述计算机指令被所述处理器执行时，所述计算机设备100执行前述的文案推荐方法。如图4所示，图4为本申请实施例提供的计算机设备100的结构框图。所述计算机设备100包括文案推荐装置110、存储器111、处理器112及通信单元113。
所述存储器111、处理器112以及通信单元113各元件相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述文案推荐装置110包括至少一个可以软件或固件(firmware)的形式存储于所述存储器111中或固化在所述计算机设备100的操作***(operating system，OS)中的软件功能模块。所述处理器112用于执行所述存储器111中存储的可执行模块，例如所述文案推荐装置110所包括的软件功能模块及计算机程序等。
其中，所述存储器111可以是，但不限于，随机存取存储器(Random AccessMemory，RAM)，只读存储器(Read Only Memory，ROM)，可编程只读存储器(ProgrammableRead-Only Memory，PROM)，可擦除只读存储器(Erasable Programmable Read-OnlyMemory，EPROM)，电可擦除只读存储器(Electric Erasable Programmable Read-OnlyMemory，EEPROM)等。
本申请实施例提供一种可读存储介质，所述可读存储介质包括计算机程序，所述计算机程序运行时控制所述可读存储介质所在计算机设备执行前述的文案推荐方法。
综上所述，本申请实施例提供了一种文案推荐方法、装置、计算机设备和可读存储介质，该应用于计算机设备，所述计算机设备存储有历史行为数据；该方法包括：根据所述历史行为数据，计算得到历史商品偏向值，其中，所述历史行为数据包括用户选择商品记录，然后获取待推荐文案，所述待推荐文案包括待推荐商品属性值，再根据所述待推荐商品属性值得到所述待推荐文案的待推荐商品推荐值，接着根据所述历史商品偏向值和所述待推荐商品推荐值，巧妙地计算得到所述待推荐文案的文案推荐值；当所述文案推荐值超过预设文案推荐阈值时，推送所述待推荐文案，能够有针对性地进行文案的推荐。
以上所述，仅为本申请的具体实施方式，但本申请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申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种文案推荐方法，其特征在于，应用于计算机设备，所述计算机设备存储有历史行为数据；
所述方法包括：
根据所述历史行为数据，计算得到历史商品偏向值，其中，所述历史行为数据包括用户选择商品记录；
获取待推荐文案，所述待推荐文案包括待推荐商品属性值；
根据所述待推荐商品属性值得到所述待推荐文案的待推荐商品推荐值；
根据所述历史商品偏向值和所述待推荐商品推荐值，计算得到所述待推荐文案的文案推荐值；
当所述文案推荐值超过预设文案推荐阈值时，推送所述待推荐文案。
2.根据权利要求1所述的方法，其特征在于，所述计算机设备还存储有多个商品以及每个所述商品对应的商品标识信息和商品表征值，所述用户选择商品记录包括目标商品以及所述目标商品的目标标识信息；
所述根据所述历史行为数据，计算得到历史商品偏向值的步骤，包括：
获得所述目标商品和所述目标标识信息；
从多个商品标识信息中确定出与所述目标标识信息相同的目标商品标识信息；
获取与所述目标商品标识信息关联的目标商品表征值，并将所述目标商品表征值作为所述目标商品的目标表征值；
根据所述目标商品的目标表征值，通过公式：
Figure FDA0002368411410000021
计算得到所述历史商品偏向值，其中，Embedding(u)为所述历史商品偏向值，et为所述目标表征值，T为所述目标商品的数量，t为所述目标商品的序号。
3.根据权利要求2所述的方法，其特征在于，所述用户选择商品记录还包括待处理商品以及所述待处理商品的待处理商品属性值；
在所述根据所述历史行为数据，计算得到历史商品偏向值的步骤之前，所述方法还包括：
获取所述待处理商品及所述待处理商品属性值；
根据所述待处理商品属性值，计算得到所述商品表征值。
4.根据权利要求3所述的方法，其特征在于，所述待处理商品属性值包括商品唯一标识值、商品属性标识值和商品权重值；
所述根据所述待处理商品属性值，计算得到所述商品表征值的步骤，包括：
根据所述商品唯一标识值、所述商品属性标识值和所述商品权重值，通过公式：
Figure FDA0002368411410000031
计算得到所述商品表征值，其中，ei1为所述商品唯一标识值，
Figure FDA0002368411410000032
为所述商品表征值，wik为所述商品权重值，eik为所述商品属性标识值的表征值，
Figure FDA0002368411410000033
为所述商品属性标识值的表征值的转置矩阵，Mk为训练矩阵，
Figure FDA0002368411410000034
为所述训练矩阵的转置矩阵，K为所述待处理商品的数量，k为所述待处理商品的序号，i为待处理商品。
5.根据权利要求3所述的方法，其特征在于，所述用户选择商品记录包括待判断商品以及所述待判断商品的操作日期和操作时间；
所述获取所述待处理商品的步骤，包括：
从所述用户选择商品记录中获取所述待判断商品的操作日期和操作时间；
当所述操作日期与当前日期之间的时间差未超过预设操作日期阈值、且所述操作时间超过预设操作时间阈值时，将所述待判断商品作为所述待处理商品。
6.根据权利要求1所述的方法，其特征在于，所述待推荐商品属性值包括待推荐商品唯一标识值、待推荐商品属性标识值和待推荐商品权重值；
所述根据所述待推荐商品属性值得到所述待推荐文案的待推荐商品推荐值的步骤，包括：
根据所述待推荐商品唯一标识值、所述待推荐商品属性标识值和所述待推荐商品权重值，通过公式：
Figure FDA0002368411410000041
计算得到所述待推荐商品推荐值，其中，ea1为所述待推荐商品唯一标识值，
Figure FDA0002368411410000042
为所述待推荐商品推荐值，wab为所述待推荐商品权重值，eab为所述待推荐商品属性标识值的表征值，
Figure FDA0002368411410000043
为所述待推荐商品属性标识值的表征值的转置矩阵，Mb为训练矩阵，
Figure FDA0002368411410000044
为所述训练矩阵的转置矩阵，B为所述待推荐商品的数量，b为待推荐商品的序号，a为待推荐商品。
7.一种文案推荐装置，其特征在于，应用于计算机设备，所述计算机设备存储有历史行为数据；
所述装置包括：
初算模块，用于根据所述历史行为数据，计算得到历史商品偏向值，其中，所述历史行为数据包括用户选择商品记录；
获取模块，用于获取待推荐文案，所述待推荐文案包括待推荐商品属性值；根据所述待推荐商品属性值得到所述待推荐文案的待推荐商品推荐值；
复算模块，根据所述历史商品偏向值和所述待推荐商品推荐值，计算得到所述待推荐文案的文案推荐值；
推荐模块，当所述文案推荐值超过预设文案推荐阈值时，推送所述待推荐文案。
8.根据权利要求7所述的装置，其特征在于，所述计算机设备还存储有多个商品以及每个所述商品对应的商品标识信息和商品表征值，所述用户选择商品记录包括目标商品以及所述目标商品的目标标识信息；
所述初算模块具体用于：获得所述目标商品和所述目标标识信息；从多个商品标识信息中确定出与所述目标标识信息相同的目标商品标识信息；获取与所述目标商品标识信息关联的目标商品表征值，并将所述目标商品表征值作为所述目标商品的目标表征值；根据所述目标商品的目标表征值，通过公式：
Figure FDA0002368411410000051
计算得到所述历史商品偏向值，其中，Embedding(u)为所述历史商品偏向值，et为所述目标表征值，T为所述目标商品的数量，t为所述目标商品的序号。
9.一种计算机设备，其特征在于，所述计算机设备包括处理器及存储有计算机指令的非易失性存储器，所述计算机指令被所述处理器执行时，所述计算机设备执行权利要求1-6中任意一项所述的文案推荐方法。
10.一种可读存储介质，其特征在于，所述可读存储介质包括计算机程序，所述计算机程序运行时控制所述可读存储介质所在计算机设备执行权利要求1-6中任意一项所述的文案推荐方法。
CN202010043024.0A 2020-01-15 2020-01-15 文案推荐方法、装置、计算机设备和可读存储介质 Active CN111311351B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010043024.0A CN111311351B (zh) 2020-01-15 2020-01-15 文案推荐方法、装置、计算机设备和可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010043024.0A CN111311351B (zh) 2020-01-15 2020-01-15 文案推荐方法、装置、计算机设备和可读存储介质

Publications (2)

Publication Number Publication Date
CN111311351A true CN111311351A (zh) 2020-06-19
CN111311351B CN111311351B (zh) 2023-09-01

Family

ID=71148314

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010043024.0A Active CN111311351B (zh) 2020-01-15 2020-01-15 文案推荐方法、装置、计算机设备和可读存储介质

Country Status (1)

Country Link
CN (1) CN111311351B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112348638A (zh) * 2020-11-09 2021-02-09 上海风秩科技有限公司 一种活动文案推荐方法、装置、电子设备和存储介质
CN113744020A (zh) * 2021-01-15 2021-12-03 北京沃东天骏信息技术有限公司 一种商品文案处理方法、装置、电子设备和存储介质

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109272381A (zh) * 2018-09-04 2019-01-25 阿里巴巴集团控股有限公司 业务推荐方法、装置、电子设备及可读存储介质
CN109597973A (zh) * 2017-09-30 2019-04-09 阿里巴巴集团控股有限公司 一种文案信息的推荐、生成方法和装置
CN109615425A (zh) * 2018-12-04 2019-04-12 北京羽扇智信息科技有限公司 一种产品推荐方法、装置、电子设备及存储介质
CN109767293A (zh) * 2018-12-27 2019-05-17 北京三快在线科技有限公司 一种推荐方法、装置、设备及可读存储介质
CN110020195A (zh) * 2018-08-16 2019-07-16 北京京东尚科信息技术有限公司 文章推荐方法及装置、存储介质、电子设备
CN110020132A (zh) * 2017-11-03 2019-07-16 腾讯科技（北京）有限公司 关键词推荐方法、装置、计算设备及存储介质
CN110163703A (zh) * 2018-02-12 2019-08-23 阿里巴巴集团控股有限公司 一种分类模型建立方法、文案推送方法和服务器
CN110400166A (zh) * 2019-06-24 2019-11-01 阿里巴巴集团控股有限公司 选择向目标用户推送的文案的方法和装置
WO2019223552A1 (zh) * 2018-05-25 2019-11-28 腾讯科技（深圳）有限公司 文章推荐方法、装置、计算机设备及存储介质
CN110569432A (zh) * 2019-08-14 2019-12-13 中国平安人寿保险股份有限公司 商品序列计算方法、装置、计算机设备及存储介质

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109597973A (zh) * 2017-09-30 2019-04-09 阿里巴巴集团控股有限公司 一种文案信息的推荐、生成方法和装置
CN110020132A (zh) * 2017-11-03 2019-07-16 腾讯科技（北京）有限公司 关键词推荐方法、装置、计算设备及存储介质
CN110163703A (zh) * 2018-02-12 2019-08-23 阿里巴巴集团控股有限公司 一种分类模型建立方法、文案推送方法和服务器
WO2019223552A1 (zh) * 2018-05-25 2019-11-28 腾讯科技（深圳）有限公司 文章推荐方法、装置、计算机设备及存储介质
CN110020195A (zh) * 2018-08-16 2019-07-16 北京京东尚科信息技术有限公司 文章推荐方法及装置、存储介质、电子设备
CN109272381A (zh) * 2018-09-04 2019-01-25 阿里巴巴集团控股有限公司 业务推荐方法、装置、电子设备及可读存储介质
CN109615425A (zh) * 2018-12-04 2019-04-12 北京羽扇智信息科技有限公司 一种产品推荐方法、装置、电子设备及存储介质
CN109767293A (zh) * 2018-12-27 2019-05-17 北京三快在线科技有限公司 一种推荐方法、装置、设备及可读存储介质
CN110400166A (zh) * 2019-06-24 2019-11-01 阿里巴巴集团控股有限公司 选择向目标用户推送的文案的方法和装置
CN110569432A (zh) * 2019-08-14 2019-12-13 中国平安人寿保险股份有限公司 商品序列计算方法、装置、计算机设备及存储介质

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112348638A (zh) * 2020-11-09 2021-02-09 上海风秩科技有限公司 一种活动文案推荐方法、装置、电子设备和存储介质
CN112348638B (zh) * 2020-11-09 2024-02-20 上海秒针网络科技有限公司 一种活动文案推荐方法、装置、电子设备和存储介质
CN113744020A (zh) * 2021-01-15 2021-12-03 北京沃东天骏信息技术有限公司 一种商品文案处理方法、装置、电子设备和存储介质

Also Published As

Publication number Publication date
CN111311351B (zh) 2023-09-01

Similar Documents

Publication Publication Date Title
CN109191240B (zh) 一种进行商品推荐的方法和装置
CN107590675B (zh) 一种基于大数据的用户购物行为识别方法、储存设备及移动终端
JP6352798B2 (ja) マーケティング施策最適化装置、方法、及びプログラム
CN111507796A (zh) 一种基于知识图谱的网上商城商品推荐方法
CN109635198B (zh) 在商品展示平台上呈现用户搜索结果的方法、装置、介质及电子设备
CN112001754A (zh) 用户画像生成方法、装置、设备及计算机可读介质
CN112435067A (zh) 跨电商平台与社交平台的智能广告投放方法及***
Yan et al. Implementation of a product-recommender system in an IoT-based smart shopping using fuzzy logic and apriori algorithm
CN108305181B (zh) 社交影响力确定、信息投放方法及装置、设备及存储介质
CN109711917B (zh) 信息推送方法和装置
US20170178149A1 (en) Method and system for purchase pattern extraction from point of sale data
CN111311351A (zh) 文案推荐方法、装置、计算机设备和可读存储介质
CN116308684B (zh) 一种网购平台店铺信息推送方法及***
CN111666275A (zh) 一种数据处理方法、装置、电子设备及存储介质
CN111753158A (zh) 直播平台商品搜索方法、装置、计算机设备及存储介质
JP2023052120A (ja) 顧客個人化制御ユニット、システム、および方法
JP5331159B2 (ja) 商品推薦方法、商品推薦装置及び商品推薦プログラム
US9569835B2 (en) Pattern extracting apparatus and method
JP6308339B1 (ja) クラスタリングシステム、方法およびプログラム、並びに、レコメンドシステム
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
CN115641179A (zh) 信息推送方法、装置及电子设备
Margalina et al. Similarities in factors affecting online shopping intention in Ecuador and Peru: a multigroup analysis
CN110019983B (zh) 标签结构的扩展方法、装置及电子设备
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

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20231128

Address after: 200,030 Unit 5B03, Floor 5, Building 2, No. 277, Longlan Road, Xuhui District, Shanghai

Patentee after: SHANGHAI SECOND PICKET NETWORK TECHNOLOGY CO.,LTD.

Address before: Floors 4, 5 and 6, No. 3, Lane 1473, Zhenguang Road, Putuo District, Shanghai, 200333

Patentee before: Shanghai Fengzhi Technology Co.,Ltd.