CN112633988A - 用户产品推荐方法、装置、电子设备及可读存储介质 - Google Patents

用户产品推荐方法、装置、电子设备及可读存储介质 Download PDF

Info

Publication number
CN112633988A
CN112633988A CN202011644091.4A CN202011644091A CN112633988A CN 112633988 A CN112633988 A CN 112633988A CN 202011644091 A CN202011644091 A CN 202011644091A CN 112633988 A CN112633988 A CN 112633988A
Authority
CN
China
Prior art keywords
user
product
user data
data
tag
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
CN202011644091.4A
Other languages
English (en)
Inventor
张俊克
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.)
Ping An Securities Co Ltd
Original Assignee
Ping An Securities 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 Ping An Securities Co Ltd filed Critical Ping An Securities Co Ltd
Priority to CN202011644091.4A priority Critical patent/CN112633988A/zh
Publication of CN112633988A publication Critical patent/CN112633988A/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
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/906—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Accounting & Taxation (AREA)
  • General Engineering & Computer Science (AREA)
  • Finance (AREA)
  • Databases & Information Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明涉及一种大数据技术，揭露了一种用户产品推荐方法，包括：对所述用户数据集中包含的用户数据进行分类及标签特征提取得到用户标签特征向量集；对产品数据集与所述用户标签特征向量集进行关联处理，得到关联集合；根据待推荐用户数据的用户标签在关联集合中索引对应的目标产品类别，并向待推荐用户推荐该产品类别的产品。本发明还涉及区块链技术，所述关联集合可以存储在区块链中。本发明还提出一种用户产品推荐装置、电子设备以及一种计算机可读存储介质。本发明可以提高产品推荐的准确度。

Description

用户产品推荐方法、装置、电子设备及可读存储介质
技术领域
本发明涉及大数据领域，尤其涉及一种用户产品推荐的方法、装置、电子设备及可读存储介质。
背景技术
近几年，随着互联网技术的逐渐发展和繁荣，线上购物已经成为了人们日常生活的一部分，而购物时智慧准确的产品推荐更是智慧购物追求的目标，也是全场景智慧生活的重要组成部分，但目前推荐给用户的产品类别和用户需要的产品类别不能准确的匹配，产品推荐的准确度低，推荐的产品往往不是消费者需要的产品类别，影响消费者的体验。
发明内容
本发明提供一种用户产品推荐方法、装置、电子设备及计算机可读存储介质，其主要目的在于提高产品推荐的准确度。
为实现上述目的，本发明提供的一种用户产品推荐方法，包括：
获取用户数据集，根据所述用户数据集中用户数据的用户标签对所述用户数据集中包含的用户数据进行分类及标签特征提取处理，得到用户标签特征向量集；
获取产品数据集，根据产品数据集中产品数据的产品类别对所述产品数据集与所述用户标签特征向量集进行关联处理，得到关联集合；
当接收到待推荐用户数据时，以所述待推荐用户数据的用户标签在所述关联集合中进行索引，得到与所述待推荐用户数据对应的目标产品类别，并向待推荐用户推荐该目标产品类别的产品。
可选地，所述获取用户数据集，根据所述用户数据集中用户数据的用户标签对所述用户数据集中包含的用户数据进行分类及标签特征提取处理，得到用户标签特征向量集，包括：
对所述用户数据集中的用户数据按照用户标签进行分类，将具有相同用户标签的用户数据进行整合，得到用户标签集；
对所述用户标签集进行标签特征提取，得到所述用户标签特征向量集。
可选地，所述对所述用户标签集进行标签特征提取，得到所述用户标签特征向量集，包括：
对所述用户标签集进行分词处理得到标签词集；
对所述标签词集进行停用词删除处理及重复值删除处理，得到标准标签词集；
计算所述标准标签词集中包含的每个词语的特征系数，选取特征系数最高的词语作为所述标准标签词集的标签特征词；
将用户标签集中不包含标签特征词的用户数据删除得到标准用户标签集；
将标准用户标签集中包含的每条用户数据转化为用户数据向量，得到用户数据向量集；
计算所述用户数据向量集中所有用户数据向量的算术平均值得到用户标签特征向量，汇总所有用户标签特征向量得到用户标签特征向量集。
可选地，所述将标准用户标签集中包含的每条用户数据转化为用户数据向量，得到用户数据向量集，包括：
获取预设尺寸的维度窗口；
将所述用户数据输入至所述维度窗口中，生成维度用户数据；
利用预设编码算法对所述用户数据进行编码，生成用户数据向量，
汇总所有的用户数据向量得到用户数据向量集。
可选地，所述根据产品数据集中产品数据的产品类别对所述产品数据集与所述用户标签特征向量集进行关联处理，得到关联集合，包括：
将所述产品数据集中的每条产品数据转化为产品数据向量；
计算每个产品类别包含的所有产品数据对应的产品数据向量的算术平均值，得到产品类别向量集；
计算所述用户标签特征向量集中每一个用户标签特征向量与所述产品类别向量集中所有的产品类别向量的相关度值，得到每一个用户标签特征向量的相关度集；
选取每一个用户标签特征向量的相关度集中最大的相关度值对应的产品类别向量对应的产品类别作为该用户标签特征向量对应的用户标签的关联产品类别；
汇总所述用户数据集中所有用户标签对应的关联产品类别，得到所述关联集合。
可选地，采用下述公式计算所述用户标签特征向量集中每一个用户标签特征向量与所述产品类别向量集中所有的产品类别向量的相关度值：
Figure BDA0002872640280000031
其中，xi为所述产品类别向量，i为正整数，y为所述用户标签特征向量，sim(xi,y)为该用户标签特征向量与所述产品类别向量的相关度值。
为了解决上述问题，本发明还提供一种用户产品推荐装置，所述装置包括：
特征提取模块，用于获取用户数据集，根据所述用户数据集中用户数据的用户标签对所述用户数据集中包含的用户数据进行分类及标签特征提取处理，得到用户标签特征向量集；
关联处理模块，用于获取产品数据集，根据产品数据集中产品数据的产品类别对所述产品数据集与所述用户标签特征向量集进行关联处理，得到关联集合；
产品推荐模块，当接收到待推荐用户数据时，以所述待推荐用户数据的用户标签在所述关联集合中进行索引，得到与所述待推荐用户数据对应的目标产品类别，并向待推荐用户推荐所述目标产品类别的产品。
可选地，所述特征提取模块将标准用户标签集中包含的每条用户数据转化为用户数据向量，得到用户数据向量集，包括：
获取预设尺寸的维度窗口；
将所述用户数据输入至所述维度窗口中，生成维度用户数据；
利用预设编码算法对所述用户数据进行编码，生成用户数据向量；
汇总所有的用户数据向量得到用户数据向量集。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
存储器，存储至少一个指令；及
处理器，执行所述存储器中存储的指令以实现上述所述的用户产品推荐方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质，包括存储数据区和存储程序区，存储数据区存储根据区块链节点的使用所创建的数据，存储程序区存储有计算机程序，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现上述所述的用户产品推荐方法。
本发明实施例中，对所述用户数据集中包含的用户数据进行分类及标签特征提取处理得到用户标签特征向量集，剔除了无关用户数据的影响，提高特征提取的精度；对所述产品数据集与用户标签特征向量集进行关联处理，得到关联集合，确定了不同用户标签对应的目标产品类别，实现了用户标签和产品类别的准确匹配；根据待推荐用户数据的用户标签在关联集合中索引对应的目标产品类别，并向待推荐用户推荐该产品类别的产品；实现了用户标签和产品类别的准确匹配，提高产品推荐的准确度。
附图说明
图1为本发明一实施例提供的用户产品推荐方法的流程示意图；
图2为本发明一实施例提供的用户产品推荐装置的模块示意图；
图3为本发明一实施例提供的实现用户产品推荐方法的电子设备的内部结构示意图；
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本申请实施例提供的用户产品推荐方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述用户产品推荐方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。
参照图1所示，为本发明一实施例提供的用户产品推荐方法的流程示意图。在本实施例中，所述用户产品推荐方法包括：
S1、获取用户数据集，根据所述用户数据集中用户数据的用户标签对所述用户数据集中包含的用户数据进行分类及标签特征提取处理，得到用户标签特征向量集。
本发明实施例中，所述用户数据集为带有用户标签的用户数据的集合，其中，所述用户标签是用户对个人用户数据的自我标记，例如：“学生”、“二次元”、“年轻人”。所述用户数据集可从指定电商平台数据库中获取。
详细地，本发明实施例对所述用户数据集中的用户数据按照用户标签进行分类，将具有相同用户标签的用户数据进行整合，得到用户标签集。
进一步地，本发明实施例为了寻找相同用户标签的用户数据的共性，对所述用户标签集进行标签特征提取，得到用户标签特征向量集。
详细地，本发明实施例所述标签特征提取，包括：
S11、对所述用户标签集进行分词处理得到标签词集；
S12、对所述标签词集进行停用词删除处理及重复值删除处理，得到标准标签词集；
本发明实施例中，所述停用词为没有实际意义的词语，例如：“了”、“的”等。
S13、计算标准标签词集中的包含的每个词语的特征系数，选取特征系数最高的词语作为所述标准标签词集的标签特征词；
本发明实施例中利用TF-IDF(Term Frequency–Inverse Document Frequency，词频-逆文本频率)算法计算所述特征系数，所述计算公式如下：
Figure BDA0002872640280000051
其中，tk表示标准标签词集中词语，T表示词语tk的特征系数，k为正整数，
Figure BDA0002872640280000052
表示标签词集中词语tk出现的数目，N表示标签词集中词语总数，Z预设语料库中的文档总数，
Figure BDA0002872640280000053
表示预设语料库中包含词语tk的文档数目。
S14、将用户标签集中不包含标签特征词的用户数据删除得到标准用户标签集；
S15、将标准用户标签集中包含的每条用户数据转化为用户数据向量，得到用户数据向量集；
S16、计算所述用户数据向量集中所有用户数据向量的算术平均值得到用户标签特征向量，汇总所有用户标签特征向量得到用户标签特征向量集。
详细地，本发明实施例中获取预设尺寸的维度窗口；将所述用户数据输入至所述维度窗口中，生成维度用户数据；利用预设编码算法对所述用户数据进行编码，生成用户数据向量，汇总所有的用户数据向量得到用户数据向量集。
例如，维度窗口为d*d的维度窗口，其中d为正整数，且大于等于1。
较佳地，本实施例中，编码算法为哈夫曼编码算法。
通过上述特征提取，剔除了无关用户数据的影响，提高特征提取的精度。
S2、获取产品数据集，根据产品数据集中产品数据的产品类别对所述产品数据集与所述用户标签特征向量集进行关联处理，得到关联集合。
本发明实施例中，所述产品数据集为标记产品类别的多个产品名称文本的集合。其中，所述产品类别为产品的不同分类，例如：沐浴露为清洁用品类；苹果、香蕉为食物类。所述产品数据可以从电商数据库中进行获取。
进一步地，本发明实施例对所述产品数据与用户标签特征向量集进行关联处理包括：
S21、将所述产品数据集中的每条产品数据转化为产品数据向量；
本发明实施例中，利用预设的字向量词典获取所述产品数据集中包含的每条产品数据中每个字符的字向量；计算每条产品数据中所有字符的字向量的算术平均值得到所述产品数据向量。
进一步地，所述算术平均值的计算公式如下：
Figure BDA0002872640280000061
其中，a1至an表示所述产品数据中每个字符的字向量，n表示该条产品数据中字符的个数，W表示条产品数据的产品数据向量。
S22、计算每个产品类别包含的所有产品数据对应的产品数据向量的算术平均值，得到产品类别向量集；
S23、计算所述用户标签特征向量集中每一个用户标签特征向量与所述产品类别向量集中所有的产品类别向量的相关度值，得到每一个用户标签特征向量的相关度集；
详细地，所述相关度值计算可用如下公式：
Figure BDA0002872640280000071
其中，xi为所述产品类别向量，i为正整数，y为所述用户标签特征向量，sim(xi,y)为该用户标签特征向量与所述产品类别向量的相关度值。
S24、选取每一个用户标签特征向量的相关度集中最大的相关度值对应的产品类别向量对应的产品类别作为该用户标签特征向量对应的用户标签的关联产品类别；
S25、汇总所述用户数据集中所有用户标签对应的关联产品类别，得到所述关联集合。
进一步地，为了保证用户相关的数据不被泄露，保证数据的私密性，本发明的另一实施例中，所述关联集合可以部署在区块链中。
通过上述关联处理，确定了不同用户标签对应的目标产品类别，实现了用户标签和产品类别的准确匹配，提高产品推荐的准确度。
S3、当接收到待推荐用户数据时，以所述待推荐用户数据的用户标签在所述关联集合中进行索引，得到与所述待推荐用户数据对应的目标产品类别，并向待推荐用户推荐所述目标产品类别的产品。
本发明实施例中待推荐用户数据为包含用户标签的待推荐用户数据。
详细地，根据待推荐用户数据的用户标签在关联集合中索引对应的目标产品类别，并向待推荐用户推荐该产品类别的产品。例如：待推荐用户的用户标签为老年人，索引的目标产品类别为保健品类，向该用户推荐保健品类产品；待推荐用户的用户标签为儿童，索引的目标产品类别为玩具类，向该用户推荐玩具类产品。
本发明实施例中，对所述用户数据集中包含的用户数据进行分类及标签特征提取处理得到用户标签特征向量集，剔除了无关用户数据的影响，提高特征提取的精度；对所述产品数据集与用户标签特征向量集进行关联处理，得到关联集合，确定了不同用户标签对应的目标产品类别，实现了用户标签和产品类别的准确匹配；根据待推荐用户数据的用户标签在关联集合中索引对应的目标产品类别，并向待推荐用户推荐该产品类别的产品；实现了用户标签和产品类别的准确匹配，提高产品推荐的准确度。
如图2所示，是本发明用户产品推荐装置的功能模块图。
本发明所述用户产品推荐装置100可以安装于电子设备中。根据实现的功能，所述用户产品推荐装置可以包括特征提取模块101、关联处理模块102、产品推荐模块103。本发所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述特征提取模块101用于获取用户数据集，根据所述用户数据集中用户数据的用户标签对所述用户数据集中包含的用户数据进行分类及标签特征提取处理，得到用户标签特征向量集。
本发明实施例中，所述用户数据集为带有用户标签的用户数据的集合，其中，所述用户标签是用户对的个人用户数据的自我标记，例如：“学生”、“二次元”、“年轻人”。所述用户数据集可从电商平台数据库中获取。
详细地，本发明实施例所述特征提取模块101对所述用户数据集中的用户数据按照用户标签进行分类，将具有相同用户标签的用户数据进行整合，得到用户标签集。
进一步地，本发明实施例为了寻找相同用户标签的用户数据的共性，所述特征提取模块101对所述用户标签集进行标签特征提取，得到用户标签特征向量集。
详细地，本发明实施例中所述特征提取模块101通过下述手段执行标签特征提取：
对所述用户标签集进行分词处理得到标签词集；
对所述标签词集进行停用词删除处理及重复值删除处理，得到标准标签词集；
本发明实施例中，所述停用词为没有实际意义的词语，例如：“了”、“的”等。
计算标准标签词集中的包含的每个词语的特征系数，选取特征系数最高的词语作为所述标准标签词集的标签特征词；
本发明实施例中利用TF-IDF(Term Frequency–Inverse Document Frequency，词频-逆文本频率)算法计算所述特征系数，所述计算公式如下：
Figure BDA0002872640280000091
其中，tk表示标准标签词集中词语，T表示词语tk的特征系数，k为正整数，
Figure BDA0002872640280000092
表示标签词集中词语tk出现的数目，N表示标签词集中词语总数，Z预设语料库中的文档总数，
Figure BDA0002872640280000093
表示预设语料库中包含词语tk的文档数目。
将用户标签集中不包含标签特征词的用户数据删除得到标准用户标签集；
将标准用户标签集中包含的每条用户数据转化为用户数据向量，得到用户数据向量集；
计算所述用户数据向量集中所有用户数据向量的算术平均值得到用户标签特征向量，汇总所有用户标签特征向量得到用户标签特征向量集。
详细地，本发明实施例中所述特征提取模块101获取预设尺寸的维度窗口；将所述用户数据输入至所述维度窗口中，生成维度用户数据；利用预设编码算法对所述用户数据进行编码，生成用户数据向量，汇总所有的用户数据向量得到用户数据向量集。
例如，维度窗口为d*d的维度窗口，其中d为正整数，且大于等于1。
较佳地，本实施例中，编码算法为哈夫曼编码算法。
通过上述特征提取，剔除了无关用户数据的影响，提高特征提取的精度。
所述关联处理模块102用于获取产品数据集，根据产品数据集中产品数据的产品类别对所述产品数据集与所述用户标签特征向量集进行关联处理，得到关联集合。
本发明实施例中，所述产品数据集为标记产品类别的多个产品名称文本的集合。其中，所述产品类别为产品的不同分类，例如：沐浴露为清洁用品类；苹果、香蕉为食物类。所述产品数据可以从电商数据库中进行获取。
进一步地，本发明实施例所述关联处理模块102对所述产品数据与用户标签特征向量集进行关联处理包括：
将所述产品数据集中的每条产品数据转化为产品数据向量；
本发明实施例中，利用预设的字向量词典获取所述产品数据集中包含的每条产品数据中每个字符的字向量；计算每条产品数据中所有字符的字向量的算术平均值得到所述产品数据向量。
进一步地，所述算术平均值的计算公式如下：
Figure BDA0002872640280000101
其中，a1至an表示所述产品数据中每个字符的字向量，n表示该条产品数据中字符的个数，W表示条产品数据的产品数据向量。
计算每个产品类别包含的所有产品数据对应的产品数据向量的算术平均值，得到产品类别向量集；
计算所述用户标签特征向量集中每一个用户标签特征向量与所述产品类别向量集中所有的产品类别向量的相关度值，得到每一个用户标签特征向量的相关度集；
详细地，所述相关度值计算可用如下公式：
Figure BDA0002872640280000102
其中，xi为所述产品类别向量，i为正整数，为所述用户标签特征向量，sim(xi,y)为该用户标签特征向量与所述产品类别向量的相关度值。
选取每一个用户标签特征向量的相关度集中最大的相关度值对应的产品类别向量对应的产品类别作为该用户标签特征向量对应的用户标签的关联产品类别；
汇总所述用户数据集中所有用户标签对应的关联产品类别，得到所述关联集合。
进一步地，为了保证用户相关的数据不被泄露，保证数据的私密性，本发明的另一实施例中，所述关联集合可以部署在区块链中。
通过上述关联处理，确定了不同用户标签对应的目标产品类别，实现了用户标签和产品类别的准确匹配，提高产品推荐的准确度。
所述产品推荐模块103用于当接收到待推荐用户数据时，以所述待推荐用户数据的用户标签在所述关联集合中进行索引，得到与所述待推荐用户数据对应的目标产品类别，并向待推荐用户推荐所述目标产品类别的产品。本发明实施例中待推荐用户数据为包含用户标签的待推荐用户数据。
详细地，所述产品推荐模块103根据待推荐用户数据的用户标签在关联集合中索引对应的目标产品类别，并向待推荐用户推荐该产品类别的产品。例如：待推荐用户的用户标签为老年人，索引的目标产品类别为保健品类，向该用户推荐保健品类产品；待推荐用户的用户标签为儿童，索引的目标产品类别为玩具类，向该用户推荐玩具类产品。
本发明实施例中，所述特征提取模块101对所述用户数据集中包含的用户数据进行分类及标签特征提取处理得到用户标签特征向量集，剔除了无关用户数据的影响，提高特征提取的精度；所述关联处理模块102对所述产品数据集与用户标签特征向量集进行关联处理，得到关联集合，确定了不同用户标签对应的目标产品类别，实现了用户标签和产品类别的准确匹配；所述产品推荐模块103根据待推荐用户数据的用户标签在关联集合中索引对应的目标产品类别，并向待推荐用户推荐该产品类别的产品；实现了用户标签和产品类别的准确匹配，提高产品推荐的准确度。
如图3所示，是本发明实现用户产品推荐方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11和总线，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如用户产品推荐程序12。
其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(SecureDigital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如用户产品推荐程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如用户产品推荐程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。
所述总线可以是外设部件互连标准(peripheral component interconnect，简称PCI)总线或扩展工业标准结构(extended industry standard architecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图3仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图3示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
进一步地，所述电子设备1还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的用户产品推荐程序12是多个指令的组合，在所述处理器10中运行时，可以实现：
获取用户数据集，根据所述用户数据集中用户数据的用户标签对所述用户数据集中包含的用户数据进行分类及标签特征提取处理，得到用户标签特征向量集；
获取产品数据集，根据产品数据集中产品数据的产品类别对所述产品数据集与所述用户标签特征向量集进行关联处理，得到关联集合；
当接收到待推荐用户数据时，以所述待推荐用户数据的用户标签在所述关联集合中进行索引，得到与所述待推荐用户数据对应的目标产品类别，并向待推荐用户推荐该目标产品类别的产品。
具体地，所述处理器10对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。
进一步地，所述电子设备1集成的模块/单元如果以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。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。
进一步地，所述计算机可用存储介质可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作***、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块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。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。***权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
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限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (10)

1.一种用户产品推荐方法，其特征在于，所述方法包括：
获取用户数据集，根据所述用户数据集中用户数据的用户标签对所述用户数据集中包含的用户数据进行分类及标签特征提取处理，得到用户标签特征向量集；
获取产品数据集，根据产品数据集中产品数据的产品类别对所述产品数据集与所述用户标签特征向量集进行关联处理，得到关联集合；
当接收到待推荐用户数据时，以所述待推荐用户数据的用户标签在所述关联集合中进行索引，得到与所述待推荐用户数据对应的目标产品类别，并向待推荐用户推荐所述目标产品类别的产品。
2.如权利要求1所述的用户产品推荐方法，其特征在于，所述获取用户数据集，根据所述用户数据集中用户数据的用户标签对所述用户数据集中包含的用户数据进行分类及标签特征提取处理，得到用户标签特征向量集，包括：
对所述用户数据集中的用户数据按照用户标签进行分类，将具有相同用户标签的用户数据进行整合，得到用户标签集；
对所述用户标签集进行标签特征提取，得到所述用户标签特征向量集。
3.如权利要求2所述的用户产品推荐方法，其特征在于，所述对所述用户标签集进行标签特征提取，得到所述用户标签特征向量集，包括：
对所述用户标签集进行分词处理得到标签词集；
对所述标签词集进行停用词删除处理及重复值删除处理，得到标准标签词集；
计算所述标准标签词集中包含的每个词语的特征系数，选取特征系数最高的词语作为所述标准标签词集的标签特征词；
将用户标签集中不包含标签特征词的用户数据删除得到标准用户标签集；
将标准用户标签集中包含的每条用户数据转化为用户数据向量，得到用户数据向量集；
计算所述用户数据向量集中所有用户数据向量的算术平均值得到用户标签特征向量，汇总所有用户标签特征向量得到用户标签特征向量集。
4.如权利要求3所述的用户产品推荐方法，其特征在于，所述将标准用户标签集中包含的每条用户数据转化为用户数据向量，得到用户数据向量集，包括：
获取预设尺寸的维度窗口；
将所述用户数据输入至所述维度窗口中，生成维度用户数据；
利用预设编码算法对所述用户数据进行编码，生成用户数据向量；
汇总所有的用户数据向量得到用户数据向量集。
5.如权利要求1所述的用户产品推荐方法，其特征在于，所述根据产品数据集中产品数据的产品类别对所述产品数据集与所述用户标签特征向量集进行关联处理，得到关联集合，包括：
将所述产品数据集中的每条产品数据转化为产品数据向量；
计算每个产品类别包含的所有产品数据对应的产品数据向量的算术平均值，得到产品类别向量集；
计算所述用户标签特征向量集中每一个用户标签特征向量与所述产品类别向量集中所有的产品类别向量的相关度值，得到每一个用户标签特征向量的相关度集；
选取每一个用户标签特征向量的相关度集中最大的相关度值对应的产品类别向量对应的产品类别作为该用户标签特征向量对应的用户标签的关联产品类别；
汇总所述用户数据集中所有用户标签对应的关联产品类别，得到所述关联集合。
6.如权利要求5所述的用户产品推荐方法，其特征在于，采用下述公式计算所述用户标签特征向量集中每一个用户标签特征向量与所述产品类别向量集中所有的产品类别向量的相关度值：
Figure FDA0002872640270000021
其中，xi为所述产品类别向量，i为正整数，y为所述用户标签特征向量，sim(xi,y)为该用户标签特征向量与所述产品类别向量的相关度值。
7.一种用户产品推荐装置，其特征在于，所述装置包括：
特征提取模块，用于获取用户数据集，根据所述用户数据集中用户数据的用户标签对所述用户数据集中包含的用户数据进行分类及标签特征提取处理，得到用户标签特征向量集；
关联处理模块，用于获取产品数据集，根据产品数据集中产品数据的产品类别对所述产品数据集与所述用户标签特征向量集进行关联处理，得到关联集合；
产品推荐模块，用于当接收到待推荐用户数据时，以所述待推荐用户数据的用户标签在所述关联集合中进行索引，得到与所述待推荐用户数据对应的目标产品类别，并向待推荐用户推荐所述目标产品类别的产品。
8.如权利要求7所述的用户产品推荐装置，其特征在于，所述特征提取模块通过下述手段对所述用户数据集中包含的用户数据进行分类及标签特征提取处理，得到用户标签特征向量集：
对所述用户数据集中的用户数据按照用户标签进行分类，将具有相同用户标签的用户数据进行整合，得到用户标签集；
对所述用户标签集进行标签特征提取，得到所述用户标签特征向量集。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至6中任一所述的用户产品推荐方法。
10.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6中任一所述的用户产品推荐方法。
CN202011644091.4A 2020-12-30 2020-12-30 用户产品推荐方法、装置、电子设备及可读存储介质 Pending CN112633988A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011644091.4A CN112633988A (zh) 2020-12-30 2020-12-30 用户产品推荐方法、装置、电子设备及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011644091.4A CN112633988A (zh) 2020-12-30 2020-12-30 用户产品推荐方法、装置、电子设备及可读存储介质

Publications (1)

Publication Number Publication Date
CN112633988A true CN112633988A (zh) 2021-04-09

Family

ID=75290584

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011644091.4A Pending CN112633988A (zh) 2020-12-30 2020-12-30 用户产品推荐方法、装置、电子设备及可读存储介质

Country Status (1)

Country Link
CN (1) CN112633988A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113343102A (zh) * 2021-06-28 2021-09-03 平安信托有限责任公司 基于特征筛选的数据推荐方法、装置、电子设备及介质
CN113468421A (zh) * 2021-06-29 2021-10-01 平安信托有限责任公司 基于向量匹配技术的产品推荐方法、装置、设备及介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113343102A (zh) * 2021-06-28 2021-09-03 平安信托有限责任公司 基于特征筛选的数据推荐方法、装置、电子设备及介质
CN113468421A (zh) * 2021-06-29 2021-10-01 平安信托有限责任公司 基于向量匹配技术的产品推荐方法、装置、设备及介质

Similar Documents

Publication Publication Date Title
CN113449187B (zh) 基于双画像的产品推荐方法、装置、设备及存储介质
CN112541338A (zh) 相似文本匹配方法、装置、电子设备及计算机存储介质
CN113157927B (zh) 文本分类方法、装置、电子设备及可读存储介质
CN112380859A (zh) 舆情信息的推荐方法、装置、电子设备及计算机存储介质
CN112883190A (zh) 文本分类方法、装置、电子设备及存储介质
CN114979120B (zh) 数据上传方法、装置、设备及存储介质
CN111652278A (zh) 用户行为检测方法、装置、电子设备及介质
CN113868528A (zh) 资讯推荐方法、装置、电子设备及可读存储介质
CN113268615A (zh) 资源标签生成方法、装置、电子设备及存储介质
CN114781832A (zh) 课程推荐方法、装置、电子设备及存储介质
CN113886708A (zh) 基于用户信息的产品推荐方法、装置、设备及存储介质
CN114491047A (zh) 多标签文本分类方法、装置、电子设备及存储介质
CN113378970A (zh) 语句相似性检测方法、装置、电子设备及存储介质
CN112633988A (zh) 用户产品推荐方法、装置、电子设备及可读存储介质
CN115018588A (zh) 产品推荐方法、装置、电子设备及可读存储介质
CN113360768A (zh) 基于用户画像的产品推荐方法、装置、设备及存储介质
CN114612194A (zh) 产品推荐方法、装置、电子设备及存储介质
CN113868529A (zh) 知识推荐方法、装置、电子设备及可读存储介质
CN113505273B (zh) 基于重复数据筛选的数据排序方法、装置、设备及介质
CN111460293B (zh) 信息推送方法、装置及计算机可读存储介质
CN112632260A (zh) 智能问答方法、装置、电子设备及计算机可读存储介质
CN112632264A (zh) 智能问答方法、装置、电子设备及存储介质
CN115203364A (zh) 软件故障反馈处理方法、装置、设备及可读存储介质
CN114780688A (zh) 基于规则匹配的文本质检方法、装置、设备及存储介质
CN113344674A (zh) 基于用户购买力的产品推荐方法、装置、设备及存储介质

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