CN112102039B - 物品推送方法、计算机***及存储介质 - Google Patents
物品推送方法、计算机***及存储介质 Download PDFInfo
- Publication number
- CN112102039B CN112102039B CN202011011963.3A CN202011011963A CN112102039B CN 112102039 B CN112102039 B CN 112102039B CN 202011011963 A CN202011011963 A CN 202011011963A CN 112102039 B CN112102039 B CN 112102039B
- Authority
- CN
- China
- Prior art keywords
- matrix
- historical
- vector
- user
- selected article
- 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 34
- 239000011159 matrix material Substances 0.000 claims description 126
- 239000013598 vector Substances 0.000 claims description 61
- 238000000354 decomposition reaction Methods 0.000 claims description 8
- 230000015654 memory Effects 0.000 description 9
- 238000004590 computer program Methods 0.000 description 8
- 238000001914 filtration Methods 0.000 description 7
- 238000007405 data analysis Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000009472 formulation Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012549 training 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
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)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开提供了一种物品推送方法、计算机***及存储介质;其中,所述物品推送方法,包括:确定历史用户信息和历史物品信息;根据所述历史用户信息和历史物品信息确定与目标用户相对应的目标物品;将所述目标物品推送至所述目标用户。
Description
技术领域
本公开涉及机器学习技术领域,特别涉及一种物品推送方法、计算机***及存储介质。
背景技术
目前,电商领域主流的商品推荐方式主要是协同过滤(Collaborative Filteringrecommendation)。协同过滤的前提是假设相似的用户可能会有相似的喜好,相似的物品可能会被相似的人所偏好。于是,协同过滤就要去寻找相似的用户或者相似的物品。
协同过滤通常有基于物品的协同和基于用户的协同量两个方向。这两个方向一个侧重于物品,一个侧重于用户,对于用户量和商品量都很大的情景,如何取舍成为一个重要的问题。此外,现有的协同过滤推荐方式还存在以下问题:(1)对于新出现的购物者,若只有一次购买记录,无法给出推荐商品;(2)某些商品购买数量很少,很难获得推荐;(3)采用协同过滤的商品推荐***后续升级较为困难。
发明内容
(一)要解决的技术问题
鉴于上述问题,本公开的主要目的在于提供一种物品推送方法、计算机***及存储介质,以便解决上述问题的至少之一。
(二)技术方案
根据本公开的一个方面,提供了一种物品推送方法,包括:
确定历史用户信息和历史物品信息;
根据所述历史用户信息和历史物品信息确定与目标用户相对应的目标物品;
将所述目标物品推送至所述目标用户。
进一步的,所述历史用户信息包括历史用户与历史物品的关系矩阵VU,I,历史物品与历史用户的关系矩阵VI,U;所述历史物品信息包括本次选择物品与上次选择物品的关系矩阵VI,L,上次选择物品与本次选择物品的关系矩阵VL,I。
进一步的,所述历史用户信息还包括历史用户与外部数据的关系矩阵VU,K,外部数据与历史用户的关系矩阵VK,U;所述历史物品信息还包括历史物品与外部数据的关系矩阵VI,K,外部数据与历史物品的关系矩阵VK,I,本次选择物品与所述上次之前的n次选择物品的关系矩阵VI,L+1、VI,L+2、…、VI,L+n,所述上次之前的n次选择物品与本次选择物品的关系矩阵VL+1,I、VL+2,I、…、VL+n,I;其中,所述外部数据包括天气、节假日、舆论数据。
进一步的,根据所述历史用户信息和历史物品信息确定与目标用户相对应的目标物品,包括:
根据历史用户与历史物品的关系矩阵VU,I、历史物品与历史用户的关系矩阵VI,U确定矩阵分解向量MF;
根据本次选择物品与上次选择物品的关系矩阵VI,L、上次选择物品与本次选择物品的关系矩阵VL,I确定分解非个性化马尔可夫链向量FMC;
根据向量MF和向量FMC确定概率向量p;
根据概率向量p确定与目标用户相对应的目标物品。
进一步的,根据历史用户与历史物品的关系矩阵VU,I、历史物品与历史用户的关系矩阵VI,U确定矩阵分解向量MF,包括:
根据历史用户与历史物品的关系矩阵VU,I、历史物品与历史用户的关系矩阵VI,U确定矩阵VUI_m_VIU;及
根据矩阵矩阵VUI_m_VIU确定向量MF。
进一步的,根据本次选择物品与上次选择物品的关系矩阵VI,L、上次选择物品与本次选择物品的关系矩阵VL,I确定向量FMC,包括:
根据本次选择物品与上次选择物品的关系矩阵VI,L、上次选择物品与本次选择物品的关系矩阵VL,I确定矩阵VIL_m_VLI;及
根据矩阵VIL_m_VLI确定向量FMC。
进一步的,所述矩阵VIL_m_VLI、矩阵VUI_m_VIU、向量MF、向量FMC、概率向量p分别满足以下关系式:
VIL_m_VLI=VI,L·VL,I;
VUI_m_VIU=VU,I·VI,U;
MF=VUI_m_VIUi;
FMC=mean(VIL_m_VLI,ε)=mean(VIL_m_VLI,{x,y,z});
p=MF+FMC;
其中,ε表示本次选择物品集合,ε={x,y,z},x,y,z表示本次选择物品集合中的各元素。
进一步的,根据概率向量p确定与目标用户相对应的目标物品,包括:
预设概率阈值;
确定所述向量p中的概率大于所述概率阈值的元素所对应的物品为与目标用户相对应的目标物品。
根据本公开的另一个方面,提供了一种计算机***,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,
其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器执行所述的方法。
根据本公开的另一个方面,提供了一种计算机可读存储介质,其上存储有可执行指令,该指令被处理器执行时使处理器执行所述的方法。
(三)有益效果
从上述技术方案可以看出,本公开一种物品推送方法、计算机***及存储介质至少具有以下有益效果其中之一:
(1)本公开适用于只有一次购买记录的购物者,能够给新购物者推荐相对合理的目标物品。
(2)本公开对于购买数量低的商品,同样有获得高购买概率的可能性,不会完全屏蔽购买数量低的商品。
(3)本公开可以根据需要补充外部数据信息及本次购物之前的多次购物信息,提高了推荐的准确性。
附图说明
构成本公开的一部分的附图用来提供对本公开的进一步理解,本公开的示意性实施例及其说明用于解释本公开,并不构成对本公开的不当限定。在附图中:
图1示意性示出了根据本公开实施例的物品推荐方法的流程图。
图2示意性示出了根据本公开实施例的根据所述历史用户信息和历史物品信息确定与目标用户相对应的目标物品的流程图。
图3示意性示出了根据本公开实施例的根据历史用户与历史物品的关系矩阵VU,I、历史物品与历史用户的关系矩阵VI,U确定矩阵分解向量MF的流程图。
图4示意性示出了根据本公开实施例的根据本次选择物品与上次选择物品的关系矩阵VI,L、上次选择物品与本次选择物品的关系矩阵VL,I确定向量FMC的流程图。
图5示意性示出了根据概率向量确定与目标用户相对应的目标物品的流程图。
图6示意性示出了根据本公开实施例的适于实现上文描述的方法的计算机***的框图。
具体实施方式
以下,将参照附图来描述本公开的实施例。但是应该理解,这些描述只是示例性的,而并非要限制本公开的范围。在下面的详细描述中,为便于解释,阐述了许多具体的细节以提供对本公开实施例的全面理解。然而,明显地,一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本公开的概念。
在此使用的术语仅仅是为了描述具体实施例,而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在,但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义,除非另外定义。应注意,这里使用的术语应解释为具有与本说明书的上下文相一致的含义,而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下,一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如,“具有A、B和C中至少一个的***”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的***等)。在使用类似于“A、B或C等中至少一个”这样的表述的情况下,一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如,“具有A、B或C中至少一个的***”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的***等)。
本公开的实施例提供了一种物品推荐方法。图1示意性示出了根据本公开实施例的物品推荐方法的流程图。如图1所示,该方法包括操作S101~S103。
在操作S101,确定历史用户信息和历史物品信息。
根据本公开的实施例,所述历史用户信息为已完成(成交)的与用户相关的信息。所述历史物品信息为已完成(成交)的与物品相关的信息。所述历史用户信息及历史物品信息例如可以通过历史订单来确定。
示例性的,所述用户为购物者,所述物品为商品。
在操作S102,根据所述历史用户信息和历史物品信息确定与目标用户相对应的目标物品。
根据本公开的实施例,所述历史用户信息可包括历史用户与历史物品的关系矩阵VU,I,历史物品与历史用户的关系矩阵VI,U;所述历史物品信息包括本次选择物品与上次选择物品的关系矩阵VI,L,上次选择物品与本次选择物品的关系矩阵VL,I。
根据本公开的实施例,所述历史用户信息还包括历史用户与外部数据的关系矩阵VU,K,外部数据与历史用户的关系矩阵VK,U;所述历史物品信息还包括历史物品与外部数据的关系矩阵VI,K,外部数据与历史物品的关系矩阵VK,I,本次选择物品与所述上次之前的n次选择物品的关系矩阵VI,L+1、VI,L+2、…、VI,L+n,所述上次之前的n次选择物品与本次选择物品的关系矩阵VL+1,I、VL+2,I、…、VL+n,I;其中,所述外部数据即外部公开可获取的数据,例如可以包括天气、节假日、舆论等数据。
根据本公开的实施例,所述历史用户与历史物品的关系矩阵VU,I例如为每个用户所对应的多个物品,所述历史物品与历史用户的关系矩阵VI,U例如为每个物品所对应的多个用户,可见VU,I与VI,U并不等同。与此类似,VI,L与VL,I也不等同,VK,I与VI,K也不等同。
在操作S103,将所述目标物品推送至所述目标用户。
图2示意性示出了根据本公开实施例的根据所述历史用户信息和历史物品信息确定与目标用户相对应的目标物品的流程图。在所述历史用户信息可包括历史用户与历史物品的关系矩阵VU,I,历史物品与历史用户的关系矩阵VI,U;所述历史物品信息包括本次选择物品与上次选择物品的关系矩阵VI,L,上次选择物品与本次选择物品的关系矩阵VL,I的情况下,如图2所示,根据所述历史用户信息及历史物品信息确定与目标用户相对应的目标物品包括操作S201~S204。
在操作S201,根据历史用户与历史物品的关系矩阵VU,I、历史物品与历史用户的关系矩阵VI,U确定矩阵分解向量(matrix factorization)MF;
在操作S202,根据本次选择物品与上次选择物品的关系矩阵VI,L、上次选择物品与本次选择物品的关系矩阵VL,I确定分解非个性化马尔可夫链向量(factorizingunpersonalized markov chain)FMC。
在操作S203,根据向量MF和向量FMC确定概率向量P。
在操作S204,根据概率向量P确定与目标用户相对应的目标物品。
图3示意性示出了根据本公开实施例的根据历史用户与历史物品的关系矩阵VU,I、历史物品与历史用户的关系矩阵VI,U确定矩阵分解向量MF的流程图。如图3所示,根据历史用户与历史物品的关系矩阵VU,I、历史物品与历史用户的关系矩阵VI,U确定矩阵分解向量MF包括操作S301~S302。
在操作S301,根据历史用户与历史物品的关系矩阵VU,I、历史物品与历史用户的关系矩阵VI,U确定矩阵VUI_m_VIU;
在操作S302,根据矩阵矩阵VUI_m_VIU确定向量MF。
根据本公开的实施例,所述矩阵VUI_m_VIU、向量MF分别满足以下关系式:VUI_m_VIU=VU,I·VI,U;MF=VUI_m_VIUi。
图4示意性示出了根据本公开实施例的根据本次选择物品与上次选择物品的关系矩阵VI,L、上次选择物品与本次选择物品的关系矩阵VL,I确定向量FMC的流程图。如图4所示,根据本次选择物品与上次选择物品的关系矩阵VI,L、上次选择物品与本次选择物品的关系矩阵VL,I确定向量FMC包括操作S401~S402。
在操作S401,根据本次选择物品与上次选择物品的关系矩阵VI,L、上次选择物品与本次选择物品的关系矩阵VL,I确定矩阵VIL_m_VLI;
在操作S402,根据矩阵VIL_m_VLI确定向量FMC。
根据本公开的实施例,所述矩阵VIL_m_VLI、向量FMC分别满足以下关系式:VIL_m_VLI=VI,L·VL,I;FMC=mean(VIL_m_VLI,ε)=mean(VIL_m_VLI,{x,y,z});其中,ε表示本次选择物品集合,ε={x,y,z},x,y,z表示本次选择物品集合中的各元素。
图5示意性示出了根据概率向量确定与目标用户相对应的目标物品的流程图。如图5所示,根据概率向量确定与目标用户相对应的目标物品包括操作S501~S502。
在操作S501,预设概率阈值;
在操作S502,确定所述概率向量p中的概率大于所述概率阈值的元素所对应的物品为与目标用户相对应的目标物品。
根据本公开的实施例,所述概率向量p满足以下关系式:p=MF+FMC。
根据本公开的实施例,也可以预设目标物品的数量f,之后将所述向量p中的概率最高的f个元素所对应的物品确定为与目标用户相对应的目标物品。
下面介绍本公开物品推荐方法的应用实例。
(1)初始化矩阵
首先在数据库中建立4个初始化矩阵VU,I,VI,U,VI,L,VL,I分别表示:
VU,I:购物者与商品的关系矩阵
VI,U:商品与购物者的关系矩阵
VI,L:本次购买商品与上次购买商品的关系矩阵
VL,I:上次购买商品与本次购买商品的关系矩阵
其中,初始状态都设成均值为0,标准差为1的矩阵。本次落地截取矩阵的列n_factor=32,即矩阵VI,U,VI,L,VL,I都是MI×32维的矩阵,矩阵VU,I是MU×32维的矩阵,其中MI表示阪织屋所有商品的数量,MU表示阪织屋所有购物者的数量。这4个矩阵存入表:
miya_data_analysis.bzw_commodity_recommendation_model_vui;
miya_data_analysis.bzw_commodity_recommendation_model_viu;
miya_data_analysis.bzw_commodity_recommendation_model_vil;
miya_data_analysis.bzw_commodity_recommendation_model_vli;
数据如下所示:
factor0 | factor1 | factor2 | factor3 | factor4 | …… | factor30 | factor31 | id |
-0.0131 | 0.001041 | -0.00314 | -0.0022 | 0.002793 | …… | 0.000922 | 0.013006 | 0 |
0.011415 | 0.003253 | 0.006173 | -0.01078 | -0.00405 | …… | -0.00548 | -0.00491 | 1 |
0.006789 | -0.01996 | 0.009549 | -0.02649 | 0.014538 | …… | -0.00499 | -0.00149 | 2 |
-0.03015 | 0.014498 | -0.01689 | 0.008037 | 0.009024 | …… | 0.002212 | -0.00787 | 3 |
0.011947 | 0.015364 | -0.02246 | -0.01074 | -0.00754 | …… | 0.018706 | -0.00408 | 4 |
-0.01071 | 0.003366 | -0.01338 | 0.008451 | -0.01494 | …… | 0.001225 | 0.000686 | 5 |
0.012215 | -0.00684 | 0.012505 | 0.002067 | 0.015239 | …… | 0.014465 | -0.00417 | 6 |
0.006332 | -0.01039 | 0.008635 | 0.003894 | -0.00951 | …… | 0.004672 | -0.00727 | 7 |
…… | …… | …… | …… | …… | …… | …… | …… | …… |
(2)模型学习样本迭代矩阵
模型前已加工好购物者购物篮清单与上一次购物篮清单表:
miya_data_analysis.bzw_buyer_basket_and_last_basket;
数据如下所示:
可以看到basket_last,basket这两列是以list的形式存了购物篮清单,不同的数字代表不同的商品。每一行即模型学习的样本数据。
例如:第一条样本为:
表示编号是1772的购物者本次购买的商品共两件,分别是是[145,21153],上一次购买的商品共5件,分别是[578,5498,20998,21041,21073],执行下述步骤:
1、取矩阵VI,L第145行,记为向量VI,L[145],分别与VL,I的第[578,5498,20998,21041,21073]行做向量乘积,并求和记为χfmc。具体公式如下:
2、取矩阵VU,I的第1772行,记为向量VU,I[1772],与VI,U的第145行,记为向量VI,U[145]做向量乘积,记为χmf,具体公式如下:
χmf=VU,I[1772]·VI,U[145]
3、令
4、随机选取一个件商品j,要求不包含本次购买的2件商品[145,21153],用1~3的计算方法计算
5、令
6、计算下列指标:
VUIupdate=α·(Δ·(VI,U[145]-VI,U[f])-λ·VU,I[1772])
VIUupdate,145=α·(Δ·VU,I[1772]-λ·VI,U[145])
VIUupdate,j=α·(Δ·VU,I[1772]-λ·VI,U[j])
7、更新矩阵:
VU,I[1772]new=VU,I[1772]+VUIupdate
VI,U[145]new=VI,U[145]+VIUupdate,145
VI,U[j]new=VI,U[145]+VIUupdate,j
8、计算以下指标:将矩阵VL,I的第[578,5498,20998,21041,21073]行取出,并取均值:
η=mean(VL,I[578,5498,20998,21041,21073],axis=0)
VILupdate,145=α·(Δ·η-λ·VI,L[145])
VILupdate,j=α·(Δ·η-λ·VI,L[j])
9、更新矩阵:
VI,L[145]new=VI,L[145]+VILupdate,145
VI,L[j]new=VI,L[145]+VILupdate,j
VL,I[578,5498,20998,21041,21073]new
=VL,I[578,5498,20998,21041,21073]+VLIupdate
10、应用此算法,依据每一条样本,反复计算上述步骤1~9来更新矩阵,完成模型训练任务。
(3)模型预测
读入需要预测的购物者清单表:
miya_data_analysis.bzw_buyer_basket_list;
数据如下所示:
假设要预测购物者39493在下一次将要购买什么商品,可以从表中发现购物者39493本次购物清单为[593,19862,21129]
针对阪织屋的所有MI件商品应用算法如下:
1、取矩阵VI,L第i行(i∈MI),记为向量VI,L[i],分别与VL,I的第[593,19862,21129]行做向量乘积,并求和记为χfmc。具体公式如下:
2、取矩阵VU,I的第39493行,记为向量VU,I[39493],与VI,U的第i行,记为向量VI,U[i]做向量乘积,记为χmf,具体公式如下:
χmf=VU,I[39493]·VI,U[i]
3、购买商品i的概率为:
反复应用步骤1~3,计算所有MI件商品对应的概率值,然后根据计算的概率将商品进行排序,优先推荐概率大的商品。
为了验证本公开方法的效果,选择5个人群包进行了测验,找出每个用户top10购买概率大的商品,大约有10%~30%的用户会直接购买其中至少一个商品,具体测试结果如下所示:
测试人群包 | 命中率 |
test1 | 22.22% |
test2 | 22.39% |
test3 | 28.74% |
test4 | 14.29% |
test5 | 11.11% |
图6示意性示出了根据本公开实施例的适于实现上文描述的方法的计算机***的框图。图6示出的计算机***仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图6所示,根据本公开实施例的计算机***600包括处理器601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。处理器601例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如,专用集成电路(ASIC)),等等。处理器601还可以包括用于缓存用途的板载存储器。处理器601可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
在RAM 603中,存储有***600操作所需的各种程序和数据。处理器601、ROM 602以及RAM 603通过总线604彼此相连。处理器601通过执行ROM 602和/或RAM 603中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意,所述程序也可以存储在除ROM 602和RAM603以外的一个或多个存储器中。处理器601也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。
根据本公开的实施例,***600还可以包括输入/输出(I/O)接口605,输入/输出(I/O)接口605也连接至总线604。***600还可以包括连接至I/O接口605的以下部件中的一项或多项:包括键盘、鼠标等的输入部分606;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607;包括硬盘等的存储部分608;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分605。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器610上,以便于从其上读出的计算机程序根据需要被安装入存储部分608。
根据本公开的实施例,根据本公开实施例的方法流程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读存储介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分609从网络上被下载和安装,和/或从可拆卸介质611被安装。在该计算机程序被处理器601执行时,执行本公开实施例的***中限定的上述功能。根据本公开的实施例,上文描述的***、设备、装置、模块、单元等可以通过计算机程序模块来实现。
本公开还提供了一种计算机可读存储介质,该计算机可读存储介质可以是上述实施例中描述的设备/装置/***中所包含的;也可以是单独存在,而未装配入该设备/装置/***中。上述计算机可读存储介质承载有一个或者多个程序,当上述一个或者多个程序被执行时,实现根据本公开实施例的方法。
根据本公开的实施例,计算机可读存储介质可以是非易失性的计算机可读存储介质。例如可以包括但不限于:便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。
例如,根据本公开的实施例,计算机可读存储介质可以包括上文描述的ROM 602和/或RAM 603和/或ROM 602和RAM 603以外的一个或多个存储器。
附图中的流程图和框图,图示了按照本公开各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。本领域技术人员可以理解,本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合,即使这样的组合或结合没有明确记载于本公开中。特别地,在不脱离本公开精神和教导的情况下,本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。
以上对本公开的实施例进行了描述。但是,这些实施例仅仅是为了说明的目的,而并非为了限制本公开的范围。尽管在以上分别描述了各实施例,但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围,本领域技术人员可以做出多种替代和修改,这些替代和修改都应落在本公开的范围之内。
Claims (5)
1.一种物品推送方法,包括:
确定历史用户信息和历史物品信息;
根据所述历史用户信息和历史物品信息确定与目标用户相对应的目标物品;
将所述目标物品推送至所述目标用户,
其中,所述历史用户信息包括历史用户与历史物品的关系矩阵VU,I,历史物品与历史用户的关系矩阵VI,U;所述历史物品信息包括本次选择物品与上次选择物品的关系矩阵VI,L,上次选择物品与本次选择物品的关系矩阵VL,I;
所述根据所述历史用户信息和历史物品信息确定与目标用户相对应的目标物品,包括:
根据历史用户与历史物品的关系矩阵VU,I、历史物品与历史用户的关系矩阵VI,U确定矩阵分解向量MF;
根据本次选择物品与上次选择物品的关系矩阵VI,L、上次选择物品与本次选择物品的关系矩阵VL,I确定分解非个性化马尔可夫链向量FMC;
根据向量MF和向量FMC确定概率向量p;
根据概率向量p确定与目标用户相对应的目标物品,
其中,所述根据历史用户与历史物品的关系矩阵VU,I、历史物品与历史用户的关系矩阵VI,U确定矩阵分解向量MF,包括:
根据历史用户与历史物品的关系矩阵VU,I、历史物品与历史用户的关系矩阵VI,U确定矩阵VUI_m_VIU;及
根据矩阵矩阵VUI_m_VIU确定向量MF;
所述根据本次选择物品与上次选择物品的关系矩阵VI,L、上次选择物品与本次选择物品的关系矩阵VL,I确定分解非个性化马尔可夫链向量FMC,包括:
根据本次选择物品与上次选择物品的关系矩阵VI,L、上次选择物品与本次选择物品的关系矩阵VL,I确定矩阵VIL_m_VLI;及
根据矩阵VIL_m_VLI确定向量FMC,
其中,所述矩阵VIL_m_VLI、所述矩阵VUI_m_VIU、所述向量MF、所述向量FMC、所述概率向量p分别满足以下关系式:
VIL_m_VLI=VI,L·VL,I;
VUI_m_VIU=VU,I·VI,U;
MF=VUI_m_VIUi;
FMC=mean(VIL-m_VLI,ε)=mean(VIL_m_VLI,{x,y,z});
p=MF+FMC;
其中,ε表示本次选择物品集合,ε={x,y,z},x,y,z表示本次选择物品集合中的各元素。
2.根据权利要求1所述的方法,所述历史用户信息还包括历史用户与外部数据的关系矩阵VU,K,外部数据与历史用户的关系矩阵VK,U;所述历史物品信息还包括历史物品与外部数据的关系矩阵VI,K,外部数据与历史物品的关系矩阵VK,I,本次选择物品与所述上次之前的n次选择物品的关系矩阵VI,L+1、VI,L+2、…、VI,L+n,所述上次之前的n次选择物品与本次选择物品的关系矩阵VL+1,I、VL+2,I、…、VL+n,I;其中,所述外部数据包括天气、节假日、舆论数据。
3.根据权利要求1所述的方法,所述根据概率向量p确定与目标用户相对应的目标物品,包括:
预设概率阈值;
确定所述向量p中的概率大于所述概率阈值的元素所对应的物品为与目标用户相对应的目标物品。
4.一种计算机***,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,
其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器执行根据权利要求1~3中任一项所述的方法。
5.一种计算机可读存储介质,其上存储有可执行指令,该指令被处理器执行时使处理器执行根据权利要求1~3中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011011963.3A CN112102039B (zh) | 2020-09-23 | 2020-09-23 | 物品推送方法、计算机***及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011011963.3A CN112102039B (zh) | 2020-09-23 | 2020-09-23 | 物品推送方法、计算机***及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112102039A CN112102039A (zh) | 2020-12-18 |
CN112102039B true CN112102039B (zh) | 2024-05-28 |
Family
ID=73755989
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011011963.3A Active CN112102039B (zh) | 2020-09-23 | 2020-09-23 | 物品推送方法、计算机***及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112102039B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015108983A (ja) * | 2013-12-05 | 2015-06-11 | 日本電信電話株式会社 | アイテム推薦装置、アイテム推薦方法、およびアイテム推薦プログラム |
CN110163666A (zh) * | 2019-05-06 | 2019-08-23 | 北京三快在线科技有限公司 | 一种商品推荐的方法及装置 |
CN110288391A (zh) * | 2019-06-18 | 2019-09-27 | 武汉久客网络科技有限公司 | 新零售模式下的商品推送方法、设备及可读存储介质 |
CN111506820A (zh) * | 2020-04-30 | 2020-08-07 | 喜大(上海)网络科技有限公司 | 推荐模型、方法、装置、设备及存储介质 |
CN111612377A (zh) * | 2020-06-01 | 2020-09-01 | 北京每日优鲜电子商务有限公司 | 信息推送方法、装置、电子设备和计算机可读介质 |
-
2020
- 2020-09-23 CN CN202011011963.3A patent/CN112102039B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015108983A (ja) * | 2013-12-05 | 2015-06-11 | 日本電信電話株式会社 | アイテム推薦装置、アイテム推薦方法、およびアイテム推薦プログラム |
CN110163666A (zh) * | 2019-05-06 | 2019-08-23 | 北京三快在线科技有限公司 | 一种商品推荐的方法及装置 |
CN110288391A (zh) * | 2019-06-18 | 2019-09-27 | 武汉久客网络科技有限公司 | 新零售模式下的商品推送方法、设备及可读存储介质 |
CN111506820A (zh) * | 2020-04-30 | 2020-08-07 | 喜大(上海)网络科技有限公司 | 推荐模型、方法、装置、设备及存储介质 |
CN111612377A (zh) * | 2020-06-01 | 2020-09-01 | 北京每日优鲜电子商务有限公司 | 信息推送方法、装置、电子设备和计算机可读介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112102039A (zh) | 2020-12-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | Sequential search with refinement: Model and application with click-stream data | |
CN107330445B (zh) | 用户属性的预测方法和装置 | |
US11861464B2 (en) | Graph data structure for using inter-feature dependencies in machine-learning | |
Chen et al. | Network revenue management with online inverse batch gradient descent method | |
CN109783738B (zh) | 一种基于多相似度的双极限学习机混合协同过滤推荐方法 | |
US10181138B2 (en) | System and method for determining retail-business-rule coefficients from current prices | |
US8676631B2 (en) | Automated item pricing | |
US11080725B2 (en) | Behavioral data analytics platform | |
CN113763095B (zh) | 信息推荐方法、装置和模型训练方法、装置 | |
US20180060885A1 (en) | Segmentation based estimation method for demand models under censored data | |
CN111738780A (zh) | 一种推荐对象的方法及*** | |
US20210224351A1 (en) | Method and system for optimizing an objective having discrete constraints | |
JP2021528707A (ja) | 高度な承認制御による構成価格見積もり | |
CN112598472A (zh) | 产品推荐方法、装置、***、介质和程序产品 | |
US11551194B2 (en) | System to facilitate exchange of data segments between data aggregators and data consumers | |
Jiang et al. | Intertemporal pricing via nonparametric estimation: Integrating reference effects and consumer heterogeneity | |
US20240119471A1 (en) | Method, apparatus, device, and storage medium for conversion evaluation | |
Tajik et al. | A novel two-stage dynamic pricing model for logistics planning using an exploration–exploitation framework: A multi-armed bandit problem | |
CN111144976B (zh) | 推荐模型的训练方法及装置 | |
CN112102039B (zh) | 物品推送方法、计算机***及存储介质 | |
CN113744009A (zh) | 目标对象输出方法、装置、计算机可读介质及电子设备 | |
Qu et al. | Learning demand curves in B2B pricing: A new framework and case study | |
EP4120175A1 (en) | Reducing sample selection bias in a machine learning-based recommender system | |
US20090177521A1 (en) | Market demand estimation method, system and apparatus | |
Wismantoro et al. | Model for Website Service Quality and Technology Acceptance Factors: A Case Study of Online Shoppers in Indonesia. |
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 |