CN111681086A - 商品推荐方法、装置、计算机设备和可读存储介质 - Google Patents

商品推荐方法、装置、计算机设备和可读存储介质 Download PDF

Info

Publication number
CN111681086A
CN111681086A CN202010550930.XA CN202010550930A CN111681086A CN 111681086 A CN111681086 A CN 111681086A CN 202010550930 A CN202010550930 A CN 202010550930A CN 111681086 A CN111681086 A CN 111681086A
Authority
CN
China
Prior art keywords
commodity
recommended
target
user
operation 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.)
Pending
Application number
CN202010550930.XA
Other languages
English (en)
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 Fengzhi 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 CN202010550930.XA priority Critical patent/CN111681086A/zh
Publication of CN111681086A publication Critical patent/CN111681086A/zh
Pending legal-status Critical Current

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
    • 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
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0202—Market predictions or forecasting for commercial activities

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Artificial Intelligence (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (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

本申请提供一种商品推荐方法、装置、计算机设备和可读存储介质，涉及电子商务技术领域，应用于计算机设备，计算机设备存储有多个用户在目标购物平台的操作数据，商品推荐方法包括：获取目标用户在目标购物平台的操作数据；获取多个其他用户参考用户在目标购物平台的操作数据，多个其他用户为多个用户中除目标用户以外的用户；根据目标用户在目标购物平台的操作数据和每个其他用户在目标购物平台的操作数据，通过协同过滤计算得到目标用户的兴趣商品；获取待推荐文案并从待推荐文案中提取待推荐商品；当待推荐商品与兴趣商品相同时，将待推荐文案作为推荐文案向目标用户进行推荐，能够准确的为目标用户进行商品的推荐。

Description

商品推荐方法、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，涉及一种商品推荐方法、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文案对商品进行推荐。然而一个商家通常有数目较多的客户，若将运营人员撰写的文案推送给每个一个客户，由于针对性不强，可能会将客户不感兴趣的商品的相关文案进行推荐，长此以往，会降低用户对该商家的粘性，甚至增加客户的困扰，最终不再关注该商家，不能精准地进行商品的推荐，会导致商家的利益受损。
有鉴于此，如何提供一种更为精准的商品推荐方案，是本领域技术人员需要解决的。
发明内容
本申请提供了一种商品推荐方法、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，实施例提供一种商品推荐方法，应用于计算机设备，所述计算机设备存储有多个用户在目标购物平台的操作数据，所述方法包括：
获取目标用户在所述目标购物平台的操作数据；
获取多个其他用户参考用户在所述目标购物平台的操作数据，所述多个其他用户为所述多个用户中除所述目标用户以外的用户；
根据所述目标用户在所述目标购物平台的操作数据和每个所述其他用户在所述目标购物平台的操作数据，通过协同过滤计算得到所述目标用户的兴趣商品；
获取待推荐文案并从所述待推荐文案中提取待推荐商品；
当所述待推荐商品与所述兴趣商品相同时，将所述待推荐文案作为推荐文案向所述目标用户进行推荐。
在可选的实施方式中，所述待推荐文案中包括至少一个商品称谓，所述商品称谓与商品有对应关系，所述计算机设备存储有商品称谓分词词库，所述商品称谓分词词库包括多个商品称谓；
所述从所述待推荐文案中提取所述待推荐商品的步骤，包括：
通过所述商品称谓分词词库对所述待推荐文案进行分词，得到所述待推荐文案的至少一个商品称谓；
将所述至少一个商品称谓中出现次数超过预设阈值的商品称谓对应的商品作为所述待推荐商品。
在可选的实施方式中，所述商品称谓包括商品名称和/或商品简称和/或商品昵称，所述商品称谓分词词库还包括所述商品名称、商品简称和商品昵称之间的对应关系；
所述通过所述商品称谓分词词库对所述待推荐文案进行分词，得到所述待推荐文案的至少一个商品称谓的步骤，包括：
通过所述商品称谓分词词库对所述待推荐文案进行分词，得到至少一个商品名称和/或商品简称和/或商品昵称；
所述将所述至少一个商品称谓中出现次数超过预设阈值的商品称谓对应的商品作为所述待推荐商品的步骤，包括：
根据所述商品名称、商品简称和商品昵称之间的对应关系，将出现次数超过预设阈值的商品名称和/或商品简称和/或商品昵称对应的商品作为所述待推荐商品。
在可选的实施方式中，所述待推荐文案中还包括待推荐商品链接；
所述从所述待推荐文案中提取所述待推荐商品的步骤，包括：
从所述待推荐文案中提取所述待推荐商品链接；
对所述待推荐商品链接进行解析，得到所述待推荐商品链接对应的待推荐商品。
在可选的实施方式中，所述根据所述目标用户在所述目标购物平台的操作数据和每个所述其他用户在所述目标购物平台的操作数据，通过协同过滤计算得到所述目标用户的兴趣商品的步骤，包括：
根据所述目标用户在所述目标购物平台的操作数据和每个所述其他用户在所述目标购物平台的操作数据，计算得到所述目标用户与每个所述其他用户的用户相似度；
根据所述目标用户与每个所述其他用户的用户相似度，从所述多个其他用户中确定出与所述目标用户相似度高的参考用户；
根据所述参考用户在所述目标购物平台的操作数据和所述目标用户在所述目标购物平台的操作数据，计算得到所述目标用户的兴趣商品。
在可选的实施方式中，所述参考用户在所述目标购物平台的操作数据包括参考商品；
所述根据所述参考用户在所述目标购物平台的操作数据和所述目标用户在所述目标购物平台的操作数据，计算得到所述目标用户的兴趣商品的步骤，包括：
根据所述参考用户在所述目标购物平台的操作数据，通过熵权法计算得到参考用户对所述目标购物平台的操作数据中包括的参考商品的评分；
根据所述参考商品的评分和所述参考用户与所述目标用户的用户相似度，通过预设公式计算得到目标用户对所述参考商品的兴趣值；
当所述目标用户对所述参考商品的兴趣值超过预设兴趣阈值时，将所述参考商品作为所述目标用户的兴趣商品。
在可选的实施方式中，所述参考商品的评分通过以下公式计算得到：
Figure BDA0002542495160000031
其中，si为参考商品i的评分，k为参考用户在所述目标购物平台对参考商品i的操作类型，wk为所述操作类型k的权重，numk为所述操作类型k的执行次数。
第二方面，实施例提供一种商品推荐装置，应用于计算机设备，所述计算机设备存储有多个用户在目标购物平台的操作数据，所述装置包括：
获取模块，用于获取目标用户在所述目标购物平台的操作数据；获取多个其他用户参考用户在所述目标购物平台的操作数据，所述多个其他用户为所述多个用户中除所述目标用户以外的用户；
计算模块，用于根据所述目标用户在所述目标购物平台的操作数据和每个所述其他用户在所述目标购物平台的操作数据，通过协同过滤计算得到所述目标用户的兴趣商品；
推荐模块，用于获取待推荐文案并从所述待推荐文案中提取待推荐商品；当所述待推荐商品与所述兴趣商品相同时，将所述待推荐文案作为推荐文案向所述目标用户进行推荐。
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商品推荐方法。
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商品推荐方法。
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商品推荐方法、装置、计算机设备和可读存储介质，通过获取目标用户在目标购物平台的操作数据，以及多个其他用户参考用户在目标购物平台的操作数据；再根据目标用户在目标购物平台的操作数据和每个其他用户在目标购物平台的操作数据，通过协同过滤计算得到目标用户的兴趣商品；而后获取待推荐文案并从待推荐文案中提取待推荐商品；当所述待推荐商品与兴趣商品相同时，将待推荐文案作为推荐文案向目标用户进行推荐，能够精准地进行目标用户的商品推荐。
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为本申请实施提供的一种商品推荐方法步骤流程示意图；
图2为本申请实施提供的另一种商品推荐方法步骤流程示意图；
图3为本申请实施提供的另一种商品推荐方法步骤流程示意图；
图4为本申请实施提供的另一种商品推荐方法步骤流程示意图；
图5为本申请实施提供的另一种商品推荐方法步骤流程示意图；
图6为本申请实施例提供的商品推荐装置的结构示意框图；
图7为本申请实施提供的计算机设备的结构示意框图。
图标：100-计算机设备；110-商品推荐装置；1101-获取模块；1102-计算模块；1103-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。
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，商家为了增加商品的销售，会雇佣运营人员撰写推荐商品的相关文案推送给该商家的用户。商家的用户人数一般较为庞大(例如几万人)，将运营人员撰写的每一篇文案无差别的推送至每个用户，会使用户接收到自己不感兴趣的文案，这不仅不能为商家增加销售额，还会给用户带来困扰，可能会使用户不再关注该商家。现有技术中不能精准地针对单个用户进行商品推荐，会使用户粘性降低，最终导致用户流失。基于此，本申请实施例提供一种商品推荐方法，应用于计算机设备，计算机设备存储有多个用户在目标购物平台的操作数据，如图1所示，本申请实施例包括步骤201至步骤205。
步骤201，获取目标用户在目标购物平台的操作数据。
为了能够对用户进行有针对性的推荐，可以先获取目标用户在目标购物平台的操作数据，目标平台可以是指特定的购物APP(Application，应用程序)，也可以是指购物网站，在此不做限定。获取操作数据，可以包括用户操作过的商品的名称，也可以包括对商品具体进行了何种操作(例如点击、购买等)。
步骤202，获取多个其他用户参考用户在目标购物平台的操作数据。
其中，多个其他用户为多个用户中除目标用户以外的用户。
为了能够精准的为用户进行推荐，可以将在同一目标购物平台的其他用户的操作数据获取，以便保证后续作为确定目标用户的兴趣商品的参考的准确性。
步骤203，根据目标用户在目标购物平台的操作数据和每个其他用户在目标购物平台的操作数据，通过协同过滤计算得到目标用户的兴趣商品。
在本申请实施例中采用协同过滤的方式确定目标用户的兴趣商品，相较于传统的简单地将目标用户的操作记录中数量多的商品作为推荐商品，能够推荐给目标用户其没有购买的但是可能感兴趣的东西，能够增加商家的利润。
步骤204，获取待推荐文案并从待推荐文案中提取待推荐商品。
待推荐文案可以是商家雇佣的运营人员撰写的用于推荐商品的待推荐文案，待推荐文案中可以包括一个待推荐商品或者多个待推荐商品在此不做限定。
步骤205，当待推荐商品与兴趣商品相同时，将待推荐文案作为推荐文案向目标用户进行推荐。
采用上述步骤对用户进行商品推荐，能够精准地为用户进行商品推荐，而非无差别的进行推荐，能够在保持用户粘性的基础上，为商家带来利润。
在对待推荐文案进行处理时，待推荐文案中包括至少一个商品称谓，商品称谓与商品可以有对应关系，计算机设备存储有商品称谓分词词库，商品称谓分词词库包括多个商品称谓。本申请实施例提供一种从待推荐文案中提取待推荐商品的示例，如图2所示，可以通过步骤204-1和步骤204-2。
步骤204-1，通过商品称谓分词词库对待推荐文案进行分词，得到待推荐文案的至少一个商品称谓。
在本申请实施例中，商品称谓分词词库可以预先设置的，商品称谓分词词库包括多个商品称谓，多个商品称谓对应商家想要进行推荐的多个商品，商品称谓分词词库可以是用户自己构建的，也可以是用户将需要推荐的商品称谓添加至现有的分词词库中得到的。
步骤204-2，将至少一个商品称谓中出现次数超过预设阈值的商品称谓对应的商品作为待推荐商品。
商家在待处理文案中进行推荐的商品可以是一个，也可以是多个，而除了商家想要推荐的商品，可能在对推荐商品的优势进行对比举例时出现其他商品，可以给商品称谓的出现次数设置一阈值，例如十次，即可以认为在待处理文案中，若某个商品对应的商品称谓出现次数超过十次，可以认为该商品为所在的待推荐文案中主要推荐的商品，若经过分词后，某个商品对应的商品称谓出现次数未超过十次，可以认为该商品可能为附带推荐的商品或者与主要推荐商品进行参考对比的商品。通过设置预设阈值的方式，相较于现有技术中只取出现次数最多的商品作为参考依据，能够更贴合实际情况从待推荐文案中获取待推荐商品，进而提高商品推荐的准确性。
在前述基础上，商品称谓可以包括商品名称和/或商品简称和/或商品昵称，商品称谓分词词库还可以包括商品名称、商品简称和商品昵称之间的对应关系。本申请实施例提供一种通过商品称谓分词词库对待推荐文案进行分词，得到待推荐文案的至少一个商品称谓的示例，可以通过以下步骤实现。
通过商品称谓分词词库对待推荐文案进行分词，得到至少一个商品名称和/或商品简称和/或商品昵称。
商品称谓可以包括商品名称和/或商品简称和/或商品昵称，例如待推荐商品“神仙水”，也叫“SK2”，又可以被称为“SK-II护肤精华露”。其中，“SK-II护肤精华露”可以是它的商品名称，“SK2”可以是它的商品简称，而“神仙水”则可以是它的商品昵称。在运营人员实际撰写的文案中，商品名称、商品简称和商品昵称都可能出现，可以在构建商品称谓分词词库时，将一个商品的商品名称、商品简称和商品昵称都输入到称谓分词词库，这样在分词过程中，便会将出现的词作为分词，以便后续计算商品出现频次时使用。
在前述基础上，本申请实施例还提供一种将至少一个商品称谓中出现次数超过预设阈值的商品称谓对应的商品作为待推荐商品的示例，可以通过以下步骤实现。
根据商品名称、商品简称和商品昵称之间的对应关系，将出现次数超过预设阈值的商品名称和/或商品简称和/或商品昵称对应的商品作为待推荐商品。
在前述基础上，只要是同一个商品的商品名称、商品简称和商品昵称出现，都会作为对应商品的出现次数被记录。采用上述方式对商品的出现次数进行记录进而确定待推荐商品，能够保证对文案进行较为完整是分词，同时也能更为贴合实际操作时的情景(在实际文案的撰写中，一般不止会出现商品的官方名称，即商品名称，在进行商品推荐、介绍时更多使用的反而是商品简称和商品昵称)。
除了前述通过分词的方式获取待推荐商品，待推荐文案中还可以包括待推荐商品链接；本申请实施例还提供一种从待推荐文案中提取待推荐商品的示例，如图3所示，可以通过步骤204-3和步骤204-4。
步骤204-3，从待推荐文案中提取待推荐商品链接。
在运营人员撰写文案的过程中，最佳情况便是用户能够在阅读文案后，接受文案中对商品推荐，进而购买商品。待推荐文案中可以设置待推荐商品链接，待推荐商品链接可以是URI(Universal Resource Identifier，简称通用资源标识)的形式。在本申请实施例的其他实施方式中，待推荐商品链接还可以是URL(Uniform Resource Locator，简称资源定位符)的形式。
步骤204-4，对待推荐商品链接进行解析，得到待推荐商品链接对应的待推荐商品。
在本申请实施例中，具体如何解析待推荐商品链接为本领域中较为成熟的技术，在此不再赘述。通过上述方案，利用了在实际情况中为了推荐商品的文案一般都会包括待推荐商品链接的特性，能够准确地获取待推荐商品。
除了前述对文案进行的处理流程，本申请实施例还提供一种根据目标用户在目标购物平台的操作数据和每个其他用户在目标购物平台的操作数据，通过协同过滤计算得到目标用户的兴趣商品的示例，请参考图4，可以通过以下步骤实现。
步骤203-1，根据目标用户在目标购物平台的操作数据和每个其他用户在目标购物平台的操作数据，计算得到目标用户与每个其他用户的用户相似度。
在本申请实施例中，如前所述，可以参考与目标用户在同一目标购物平台有操作数据的其他用户来确定目标用户的兴趣商品，具体的，可以先计算目标用户与目标购物平台的其他用户的用户相似度，以确定操作数据与用户相似度高的其他用户，具体的，可以利用公式：
Figure BDA0002542495160000101
计算目标用户和其他用户的相似度，其中，N(u)为目标用户u在目标平台中操作过的各个商品，|N(u)|为目标用户u对各个商品进行各种操作的操作次数，N(v)为其他用户v在目标平台中操作过的各个商品，|N(v)|为其他用户v对各个商品进行各种操作的操作次数，Wuv为目标用户u和其他用户v的相似度。采用上述余弦相似度公式，能够较为准确地获取目标用户u和其他用户v的相似度。
步骤203-2，根据目标用户与每个其他用户的用户相似度，从多个其他用户中确定出与目标用户相似度高的参考用户。
可以设置相似度阈值，例如90％，可以将在目标操作平台的操作数据与目标用户的操作数据相似度超过90％的用户作为参考用户确定目标用户的兴趣商品，在本申请实施例的其他实施方式中，可以选取相似度较高的预设数量的用户，例如5个，可以将其他用户按照与目标用户的相似度从高到低进行排列，取前5个其他用户作为参考用户。而在本申请实施例的又一实施方式中，还可以同时设置相似度阈值和用户预设数量进行考虑，例如，将其他用户按照与目标用户的相似度从高到低进行排列后，取前5个其他用户，而后判断这5个用户与目标用户的用户相似度是否超过90％，将超过的保留，未超过的去除。采用上述方式选取参考用户，能够选出较为可靠的用于确定目标用户的兴趣商品的参考数据。
步骤203-3，根据参考用户在目标购物平台的操作数据和目标用户在目标购物平台的操作数据，计算得到目标用户的兴趣商品。
在确定了参考用户之后，便可以根据参考用户在目标购物平台的操作数据和目标用户在目标购物平台的操作数据进行计算，以获取目标用户的兴趣商品，在本申请实施例中，经过一轮筛选后的参考用户的操作数据具备一定的参考价值，能够相对准确地为用户的兴趣商品的确定提供参考。
在前述基础上，参考用户在目标购物平台的操作数据可以包括参考商品。本申请实施例提供一种根据参考用户在目标购物平台的操作数据和目标用户在目标购物平台的操作数据，计算得到目标用户的兴趣商品的示例，如图5所示，可以通过以下步骤实现。
步骤203-3-1，根据参考用户在目标购物平台的操作数据，通过熵权法计算得到参考用户对目标购物平台的操作数据中包括的参考商品的评分。
在前述基础上，可以先计算得到参考用户对目标购物平台的操作数据中包括的参考商品的评分，以便为后续确定目标用户的兴趣商品做准备，具体的，在本申请实施例中，参考用户可以对商品进行点击、购买、添加至购物车和收藏四种操作，可以构造决策矩阵：
Figure BDA0002542495160000111
其中，d1为点击，d2为购买，d3为添加至购物车，d4为收藏，in为参考商品，
Figure BDA0002542495160000121
为参考用户对商品in执行了num次dk操作，在本申请实施例中k＝1，2，3，4，在本申请实施例的其他实施方式中，还可以包括其他操作，例如复购等。
在获取了决策矩阵X后，可以对其进行归一化处理，而后计算每个样本值(例如
Figure BDA0002542495160000122
)在该项操作(d1)下的比重，可以根据公式：
Figure BDA0002542495160000123
计算得到，其中，i＝1，...，n，j＝1，...，m，Pij为第j项指标(即d1，d2，d3，d4)下第i个样本值(例如
Figure BDA0002542495160000124
)占该指标的比重。在此基础上，可以进一步计算第j项指标的熵值，可以通过公式：
Figure BDA0002542495160000125
计算，其中，k＝1/ln(n)，满足ej≥0。而后，便可以进一步计算得到信息熵冗余度，可以通过公式：
dj＝1-ej，j＝1，...，m
其中，dj为第j项指标的信息熵冗余度。然后可以根据以下公式：
Figure BDA0002542495160000126
计算得到第j项指标的权重。在确定熵权后，便能够根据公式：
Figure BDA0002542495160000127
计算的得到参考用户对目标购物平台的操作数据中包括的参考商品的评分，其中，si为参考商品i的评分，k为参考用户在目标购物平台对参考商品i的操作类型，wk为操作类型k的权重(即前述wj)，numk为操作类型k的执行次数。
步骤203-3-2，根据参考商品的评分和参考用户与目标用户的用户相似度，通过预设公式计算得到目标用户对参考商品的兴趣值。
在前述基础上，我们可以得到每个参考用户对目标购物平台的操作数据中包括的参考商品的评分，因此可以基于公式：
Figure BDA0002542495160000131
其中，p(u，i)为目标用户u对参考商品i的评分，wuv为目标用户u与参考用户v的相似度，rvi为参考用户v对参考商品i的评分，而v∈S(u，K)∩N(i)是指，参考用户v为如前述是来自与目标用户u有着重合的操作数据的其他用户中根据预设相似度阈值获取的作为参考用户的前K个其他用户。
步骤203-3-3，当目标用户对参考商品的兴趣值超过预设兴趣阈值时，将参考商品作为目标用户的兴趣商品。
应当理解的是，通过上述熵权法以及用户协同过滤法的使用，能够为用户推荐用户可能感兴趣的但是还没有购买过的商品，以此来增加商家的利润。例如，目标用户和某参考用户由于商品A有着较高的相似度，某考考用户还对商品B的评分很高，而目标用户并未对商品B有过任何操作，通过前述流程，最终计算得到商品B对于目标用户的评分也较高，可以作为目标用户的兴趣商品，便可将匹配的文案推送给目标用户。
本申请实施例还提供一种商品推荐装置110，应用于计算机设备，计算机设备存储有多个用户在目标购物平台的操作数据，如图6所示，该装置包括：
获取模块1101，用于获取目标用户在目标购物平台的操作数据；获取多个其他用户参考用户在目标购物平台的操作数据，多个其他用户为多个用户中除目标用户以外的用户。
计算模块1102，用于根据目标用户在目标购物平台的操作数据和每个其他用户在目标购物平台的操作数据，通过协同过滤计算得到目标用户的兴趣商品。
推荐模块1103，用于获取待推荐文案并从待推荐文案中提取待推荐商品；当待推荐商品与兴趣商品相同时，将待推荐文案作为推荐文案向目标用户进行推荐。
进一步地，所述待推荐文案中包括至少一个商品称谓，所述商品称谓与商品有对应关系，所述计算机设备存储有商品称谓分词词库，所述商品称谓分词词库包括多个商品称谓；
所述推荐模块1103具体用于：
通过所述商品称谓分词词库对所述待推荐文案进行分词，得到所述待推荐文案的至少一个商品称谓；将所述至少一个商品称谓中出现次数超过预设阈值的商品称谓对应的商品作为所述待推荐商品。
进一步地，所述商品称谓包括商品名称和/或商品简称和/或商品昵称，所述商品称谓分词词库还包括所述商品名称、商品简称和商品昵称之间的对应关系；所述推荐模块1103进一步具体用于：
通过所述商品称谓分词词库对所述待推荐文案进行分词，得到至少一个商品名称和/或商品简称和/或商品昵称。
所述推荐模块1103进一步具体还用于：
根据所述商品名称、商品简称和商品昵称之间的对应关系，将出现次数超过预设阈值的商品名称和/或商品简称和/或商品昵称对应的商品作为所述待推荐商品。
进一步地，所述待推荐文案中还包括待推荐商品链接；
所述推荐模块1103具体用于：
从所述待推荐文案中提取所述待推荐商品链接；对所述待推荐商品链接进行解析，得到所述待推荐商品链接对应的待推荐商品。
进一步地，所述计算模块1102具体用于：
根据所述目标用户在所述目标购物平台的操作数据和每个所述其他用户在所述目标购物平台的操作数据，计算得到所述目标用户与每个所述其他用户的用户相似度；根据所述目标用户与每个所述其他用户的用户相似度，从所述多个其他用户中确定出与所述目标用户相似度高的参考用户；根据所述参考用户在所述目标购物平台的操作数据和所述目标用户在所述目标购物平台的操作数据，计算得到所述目标用户的兴趣商品。
进一步地，所述参考用户在所述目标购物平台的操作数据包括参考商品；
所述计算模块1102进一步具体用于：
根据所述参考用户在所述目标购物平台的操作数据，通过熵权法计算得到参考用户对所述目标购物平台的操作数据中包括的参考商品的评分；根据所述参考商品的评分和所述参考用户与所述目标用户的用户相似度，通过预设公式计算得到目标用户对所述参考商品的兴趣值；当所述目标用户对所述参考商品的兴趣值超过预设兴趣阈值时，将所述参考商品作为所述目标用户的兴趣商品。
进一步地，所述参考商品的评分通过以下公式计算得到：
Figure BDA0002542495160000151
其中，si为参考商品i的评分，k为参考用户在所述目标购物平台对参考商品i的操作类型，wk为所述操作类型k的权重，numk为所述操作类型k的执行次数。
本申请实施例一种计算机设备100，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，计算机指令被处理器执行时，计算机设备100执行前述的商品推荐方法。如图7所示，图7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包括商品推荐装置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。所述商品推荐装置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，例如所述商品推荐装置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，可读存储介质包括计算机程序，计算机程序运行时控制可读存储介质所在计算机设备执行前述的商品推荐方法。
综上所述，本申请实施例提供了一种商品推荐方法、装置、计算机设备和可读存储介质，通过获取目标用户在目标购物平台的操作数据，以及多个其他用户参考用户在目标购物平台的操作数据；再根据目标用户在目标购物平台的操作数据和每个其他用户在目标购物平台的操作数据，通过协同过滤计算得到目标用户的兴趣商品；而后获取待推荐文案并从待推荐文案中提取待推荐商品；当所述待推荐商品与兴趣商品相同时，将待推荐文案作为推荐文案向目标用户进行推荐，能够精准的为目标用户推荐合适的商品，且该推荐商品目标用户并未关注过，更具备吸引力，能够使商家带来销量增加进而利润提升，进一步地增加了用户粘性。
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)

1.一种商品推荐方法，其特征在于，应用于计算机设备，所述计算机设备存储有多个用户在目标购物平台的操作数据，所述方法包括：
获取目标用户在所述目标购物平台的操作数据；
获取多个其他用户参考用户在所述目标购物平台的操作数据，所述多个其他用户为所述多个用户中除所述目标用户以外的用户；
根据所述目标用户在所述目标购物平台的操作数据和每个所述其他用户在所述目标购物平台的操作数据，通过协同过滤计算得到所述目标用户的兴趣商品；
获取待推荐文案并从所述待推荐文案中提取待推荐商品；
当所述待推荐商品与所述兴趣商品相同时，将所述待推荐文案作为推荐文案向所述目标用户进行推荐。
2.根据权利要求1所述的方法，其特征在于，所述待推荐文案中包括至少一个商品称谓，所述商品称谓与商品有对应关系，所述计算机设备存储有商品称谓分词词库，所述商品称谓分词词库包括多个商品称谓；
所述从所述待推荐文案中提取所述待推荐商品的步骤，包括：
通过所述商品称谓分词词库对所述待推荐文案进行分词，得到所述待推荐文案的至少一个商品称谓；
将所述至少一个商品称谓中出现次数超过预设阈值的商品称谓对应的商品作为所述待推荐商品。
3.根据权利要求2所述的方法，其特征在于，所述商品称谓包括商品名称和/或商品简称和/或商品昵称，所述商品称谓分词词库还包括所述商品名称、商品简称和商品昵称之间的对应关系；
所述通过所述商品称谓分词词库对所述待推荐文案进行分词，得到所述待推荐文案的至少一个商品称谓的步骤，包括：
通过所述商品称谓分词词库对所述待推荐文案进行分词，得到至少一个商品名称和/或商品简称和/或商品昵称；
所述将所述至少一个商品称谓中出现次数超过预设阈值的商品称谓对应的商品作为所述待推荐商品的步骤，包括：
根据所述商品名称、商品简称和商品昵称之间的对应关系，将出现次数超过预设阈值的商品名称和/或商品简称和/或商品昵称对应的商品作为所述待推荐商品。
4.根据权利要求1所述的方法，其特征在于，所述待推荐文案中还包括待推荐商品链接；
所述从所述待推荐文案中提取所述待推荐商品的步骤，包括：
从所述待推荐文案中提取所述待推荐商品链接；
对所述待推荐商品链接进行解析，得到所述待推荐商品链接对应的待推荐商品。
5.根据权利要求1所述的方法，其特征在于，所述根据所述目标用户在所述目标购物平台的操作数据和每个所述其他用户在所述目标购物平台的操作数据，通过协同过滤计算得到所述目标用户的兴趣商品的步骤，包括：
根据所述目标用户在所述目标购物平台的操作数据和每个所述其他用户在所述目标购物平台的操作数据，计算得到所述目标用户与每个所述其他用户的用户相似度；
根据所述目标用户与每个所述其他用户的用户相似度，从所述多个其他用户中确定出与所述目标用户相似度高的参考用户；
根据所述参考用户在所述目标购物平台的操作数据和所述目标用户在所述目标购物平台的操作数据，计算得到所述目标用户的兴趣商品。
6.根据权利要求5所述的方法，其特征在于，所述参考用户在所述目标购物平台的操作数据包括参考商品；
所述根据所述参考用户在所述目标购物平台的操作数据和所述目标用户在所述目标购物平台的操作数据，计算得到所述目标用户的兴趣商品的步骤，包括：
根据所述参考用户在所述目标购物平台的操作数据，通过熵权法计算得到参考用户对所述目标购物平台的操作数据中包括的参考商品的评分；
根据所述参考商品的评分和所述参考用户与所述目标用户的用户相似度，通过预设公式计算得到目标用户对所述参考商品的兴趣值；
当所述目标用户对所述参考商品的兴趣值超过预设兴趣阈值时，将所述参考商品作为所述目标用户的兴趣商品。
7.根据权利要求6所述的方法，其特征在于，所述参考商品的评分通过以下公式计算得到：
Figure FDA0002542495150000031
其中，si为参考商品i的评分，k为参考用户在所述目标购物平台对参考商品i的操作类型，wk为所述操作类型k的权重，numk为所述操作类型k的执行次数。
8.一种商品推荐装置，其特征在于，应用于计算机设备，所述计算机设备存储有多个用户在目标购物平台的操作数据，所述装置包括：
获取模块，用于获取目标用户在所述目标购物平台的操作数据；获取多个其他用户参考用户在所述目标购物平台的操作数据，所述多个其他用户为所述多个用户中除所述目标用户以外的用户；
计算模块，用于根据所述目标用户在所述目标购物平台的操作数据和每个所述其他用户在所述目标购物平台的操作数据，通过协同过滤计算得到所述目标用户的兴趣商品；
推荐模块，用于获取待推荐文案并从所述待推荐文案中提取待推荐商品；当所述待推荐商品与所述兴趣商品相同时，将所述待推荐文案作为推荐文案向所述目标用户进行推荐。
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1-7中任意一项所述的商品推荐方法。
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1-7中任意一项所述的商品推荐方法。
CN202010550930.XA 2020-06-16 2020-06-16 商品推荐方法、装置、计算机设备和可读存储介质 Pending CN111681086A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010550930.XA CN111681086A (zh) 2020-06-16 2020-06-16 商品推荐方法、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
CN202010550930.XA CN111681086A (zh) 2020-06-16 2020-06-16 商品推荐方法、装置、计算机设备和可读存储介质

Publications (1)

Publication Number Publication Date
CN111681086A true CN111681086A (zh) 2020-09-18

Family

ID=72436424

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010550930.XA Pending CN111681086A (zh) 2020-06-16 2020-06-16 商品推荐方法、装置、计算机设备和可读存储介质

Country Status (1)

Country Link
CN (1) CN111681086A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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 (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150379609A1 (en) * 2014-06-30 2015-12-31 Kobo Incorporated Generating recommendations for unfamiliar users by utilizing social side information
CN108304533A (zh) * 2018-01-29 2018-07-20 上海名轩软件科技有限公司 关键词推荐方法及设备
CN109087177A (zh) * 2018-08-21 2018-12-25 北京京东尚科信息技术有限公司 向目标用户推荐商品的方法、装置及计算机可读存储介质
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
CN110674620A (zh) * 2019-09-20 2020-01-10 阿里巴巴（中国）有限公司 目标文案生成方法、装置、介质及电子设备
CN110706055A (zh) * 2019-08-22 2020-01-17 平安科技（深圳）有限公司 商品信息推送方法及装置、存储介质、计算机设备
CN110956530A (zh) * 2019-11-26 2020-04-03 上海风秩科技有限公司 推荐方法、装置、电子设备及计算机可读存储介质
CN111127152A (zh) * 2019-12-23 2020-05-08 深圳市赛维网络科技有限公司 基于用户偏好预测的商品推荐方法、装置、设备及可读介质

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150379609A1 (en) * 2014-06-30 2015-12-31 Kobo Incorporated Generating recommendations for unfamiliar users by utilizing social side information
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
CN108304533A (zh) * 2018-01-29 2018-07-20 上海名轩软件科技有限公司 关键词推荐方法及设备
CN109087177A (zh) * 2018-08-21 2018-12-25 北京京东尚科信息技术有限公司 向目标用户推荐商品的方法、装置及计算机可读存储介质
CN110706055A (zh) * 2019-08-22 2020-01-17 平安科技（深圳）有限公司 商品信息推送方法及装置、存储介质、计算机设备
CN110674620A (zh) * 2019-09-20 2020-01-10 阿里巴巴（中国）有限公司 目标文案生成方法、装置、介质及电子设备
CN110956530A (zh) * 2019-11-26 2020-04-03 上海风秩科技有限公司 推荐方法、装置、电子设备及计算机可读存储介质
CN111127152A (zh) * 2019-12-23 2020-05-08 深圳市赛维网络科技有限公司 基于用户偏好预测的商品推荐方法、装置、设备及可读介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Similar Documents

Publication Publication Date Title
CN109191240B (zh) 一种进行商品推荐的方法和装置
CN109697629B (zh) 产品数据推送方法及装置、存储介质、计算机设备
CN108805598B (zh) 相似度信息确定方法、服务器及计算机可读存储介质
CN108921398B (zh) 店铺质量评价方法及装置
US20220180379A1 (en) Transaction-based information processing system, method, and article
US20190080352A1 (en) Segment Extension Based on Lookalike Selection
CN111861605B (zh) 业务对象推荐方法
CN112765230B (zh) 基于互联网金融的支付大数据分析方法及大数据分析***
CN111754278A (zh) 物品推荐方法、装置、计算机存储介质和电子设备
CN110674391A (zh) 基于大数据的产品数据推送方法、***和计算机设备
EP3779835A1 (en) Device, method and program for analyzing customer attribute information
CN111582932A (zh) 场景间信息推送方法、装置、计算机设备及存储介质
JP6840446B2 (ja) データ処理装置及びデータ処理方法
CN111429214A (zh) 一种基于交易数据的买卖双方匹配方法及装置
CN111681086A (zh) 商品推荐方法、装置、计算机设备和可读存储介质
CN113821727A (zh) 物品推荐方法、计算机设备及计算机可读存储介质
Margalina et al. Similarities in factors affecting online shopping intention in Ecuador and Peru: a multigroup analysis
CN111311351A (zh) 文案推荐方法、装置、计算机设备和可读存储介质
CN109960777B (zh) 物品评论个性化推荐方法、***、电子设备及存储介质
CN112015970A (zh) 产品推荐方法、相关设备及计算机存储介质
CN111639989B (zh) 商品推荐方法和可读存储介质
CN112069388B (zh) 实体推荐方法、***、计算机设备和计算机可读存储介质
CN111639274B (zh) 线上商品智能排序方法、装置、计算机设备和存储介质
CN113837843A (zh) 产品推荐方法、装置、介质及电子设备
Meena et al. Product recommendation system using distance measure of product image features

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20200918

WD01 Invention patent application deemed withdrawn after publication