CN113065067A - 一种物品推荐方法、装置、计算机设备及存储介质 - Google Patents
一种物品推荐方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN113065067A CN113065067A CN202110351648.3A CN202110351648A CN113065067A CN 113065067 A CN113065067 A CN 113065067A CN 202110351648 A CN202110351648 A CN 202110351648A CN 113065067 A CN113065067 A CN 113065067A
- Authority
- CN
- China
- Prior art keywords
- user
- article
- vector
- recommended
- target
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 239000013598 vector Substances 0.000 claims abstract description 144
- 230000006399 behavior Effects 0.000 claims description 173
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 11
- 238000012163 sequencing technique Methods 0.000 claims description 8
- 238000010801 machine learning Methods 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 5
- 230000003542 behavioural effect Effects 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例公开了一种物品推荐方法、装置、计算机设备及存储介质。其中,方法包括:获取与目标用户匹配的至少一个有效行为数据,对各有效行为数据进行分割,得到多个用户行为序列,并根据各用户行为序列确定与目标用户对应的用户向量;确定至少一个待推荐物品的物品向量;根据各待推荐物品的物品向量,以及用户向量,确定目标推荐物品,并向用户展示目标推荐物品。本发明实施例的方案,解决了向用户推荐物品的准确率较低且效果较差的问题,实现了准确地向用户推荐感兴趣的物品。
Description
技术领域
本发明实施例涉及信息处理技术领域,尤其涉及一种物品推荐方法、装置、计算机设备及存储介质。
背景技术
随着信息技术的不断发展和普及,互联网上的信息资源呈指数增长,海量的信息资源具有异构的、多元的以及分布的等多种特性。因此,根据用户的信息,有针对性地向用户推荐感兴趣的内容,从而为用户提供个性化的服务得到了广泛的研究;其中,用户感兴趣的内容即为物品,例如,小说、商品、小视频或者新闻等。
现阶段,主要根据物品或者用户的标签,例如,物品类别、关键词、用户性别、年龄或者地域等标签,构建物品或者用户的特征,进而向用户推荐物品。
现有技术的方法,对于物品或者用户的标签获取难度较大,对于用户性别、年龄或者地域等标签需要用户主动提供,当前用户的隐私意识越来越强,大多数用户不会主动提供这些信息;同时,需要人工编辑生成物品或者用户的标签,导致成本较高,并且标签的质量往往依赖编辑人员,导致标签的质量难以控制,这些,都导致向用户推荐物品的准确率较低、效果较差。
发明内容
本发明实施例提供一种物品推荐方法、装置、计算机设备及存储介质,以实现准确地向用户推荐感兴趣的物品。
第一方面,本发明实施例提供了一种物品推荐方法,包括:
获取与目标用户匹配的至少一个有效行为数据,对各有效行为数据进行分割,得到多个用户行为序列,并根据各所述用户行为序列确定与所述目标用户对应的用户向量;
确定至少一个待推荐物品的物品向量;
根据各所述待推荐物品的物品向量,以及所述用户向量,确定目标推荐物品,并向用户展示所述目标推荐物品。
第二方面,本发明实施例还提供了一种物品推荐装置,包括:
用户向量确定模块,用于获取与目标用户匹配的至少一个有效行为数据,对各有效行为数据进行分割,得到多个用户行为序列,并根据各所述用户行为序列确定与所述目标用户对应的用户向量;
物品向量确定模块,用于确定至少一个待推荐物品的物品向量;
目标推荐物品确定模块,用于根据各所述待推荐物品的物品向量,以及所述用户向量,确定目标推荐物品,并向用户展示所述目标推荐物品。
第三方面,本发明实施例还提供了一种计算机设备,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本发明实施例中任一实施例所述的物品推荐方法。
第四方面,本发明实施例还提供了一种包含计算机可执行指令的存储介质,其特征在于,所述计算机可执行指令在由计算机处理器执行时用于执行如本发明实施例中任一实施例所述的物品推荐方法。
本发明实施例通过获取与目标用户匹配的至少一个有效行为数据,对各有效行为数据进行分割,得到多个用户行为序列,并根据各用户行为序列确定与目标用户对应的用户向量;确定至少一个待推荐物品的物品向量;根据各待推荐物品的物品向量,以及用户向量,确定目标推荐物品,并向用户展示目标推荐物品,解决了向用户推荐物品的准确率较低且效果较差的问题,实现了准确地向用户推荐感兴趣的物品。
附图说明
图1是本发明实施例一中的一种物品推荐方法的流程图;
图2是本发明实施例二中的一种物品推荐方法的流程图;
图3是本发明实施例三中的一种物品推荐方法的流程图;
图4是本发明实施例四中的一种物品推荐装置的结构示意图;
图5是本发明实施例五提供的一种计算机设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明实施例作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明实施例,而非对本发明实施例的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明实施例相关的部分而非全部结构。
实施例一
图1为本发明实施例一中的一种物品推荐方法的流程图,本实施例可适用于向用户推荐感兴趣物品的情况,该方法可以由物品推荐装置来执行,该装置可以通过软件和/或硬件的方式实现,并集成在计算机设备中。具体的,参考图1,该方法具体包括如下步骤:
步骤110、获取与目标用户匹配的至少一个有效行为数据,对各有效行为数据进行分割,得到多个用户行为序列,并根据各用户行为序列确定与目标用户对应的用户向量。
其中,有效行为数据可以为用户点击、播放、转发以及阅读某一物品的行为;其中,物品可以为某小说网站的小说、某购物平台的各类商品或者某资讯平台的小文章等,本实施例中对其不加以限定。
示例性的,与目标用户匹配的至少一个有效行为数据可以为目标用户早上8点阅读的小文章的名称或者链接等、晚上6点浏览的商品的属性信息或者链接等,以及晚上10点阅读的小说名称或者作者等。
在本实施例的一个可选实现方式中,在获取到与目标用户匹配的至少一个有效行为数据之后,可以进一步的对各有效数据进行分割,示例性的,可以将一个按照时间对各有效行为数据进行分割,例如,可以将同一时间段内的多个有效行为数据分割为一个用户行为序列。
进一步的,可以根据分割后的各用户行为序列确定与目标用户对应的用户向量;示例性的,可以提取各用户行为序列的关键特征,并根据各关键特征生成与目标用户对应的用户向量;可以理解的是,与目标用户对应的用户向量与目标用户匹配的有效行为数据中包含的物品相关联。
步骤120、确定至少一个待推荐物品的物品向量。
其中,待推荐物品可以为某小说网站中的所有小说、某购物平台中的所有商品或者某资讯平台中的所有小文章等,本实施例中对其不加以限定。
在本实施例的一个可选实现方式中,在获取到各待推荐物品之后,可以进一步的确定各待推荐物品的物品向量,其中,每个物品的物品向量中可以包括物品的名称、作者、地址或者大小等属性信息,本实施例中对其不加以限定。
步骤130、根据各待推荐物品的物品向量,以及用户向量,确定目标推荐物品,并向用户展示目标推荐物品。
其中,目标推荐物品可以为一个物品,也可以为多个物品,本实施例中对其不加以限定。
在本实施例的一个可选实现方式中,在确定与目标用户对应的用户向量以及至少一个待推荐物品的物品向量之后,可以进一步的根据用户向量以及各物品向量,确定目标推荐物品,并向用户展示目标推荐物品,以使用户可以快速地选择目标推荐物品。
示例性的,可以分别计算用户向量与每个物品向量之间的关联程度,进一步的,可以根据关联程度筛选得到目标推荐物品。
本实施例通过获取与目标用户匹配的至少一个有效行为数据,对各有效行为数据进行分割,得到多个用户行为序列,并根据各用户行为序列确定与目标用户对应的用户向量;确定至少一个待推荐物品的物品向量;根据各待推荐物品的物品向量,以及用户向量,确定目标推荐物品,并向用户展示目标推荐物品,解决了向用户推荐物品的准确率较低且效果较差的问题,实现了准确地向用户推荐感兴趣的物品。
实施例二
图2是本发明实施例二中的一种物品推荐方法的流程图,本实施例是对上述各技术方案的进一步细化,本实施例中的技术方案可以与上述一个或者多个实施例中的各个可选方案结合。如图2所示,物品推荐方法可以包括如下步骤:
步骤210、获取与目标用户匹配的至少一个行为数据,并根据设定阈值对各行为数据进行筛选,得到各有效行为数据。
其中,行为数据包括下述至少一项:点击、播放、转发以及阅读。
在本实施例的一个可选实现方式中,可以实时的获取与目标用户匹配的行为数据,并对获取到的行为数据进行筛选,从而得到各有效行为数据;示例性的,若与目标用户匹配的行为数据A为阅读小说A的行为,若阅读时长大于第一设定阈值(例如,30秒、40秒或者50秒等,本实施例中对其不加以限定),则可以确定行为数据A为有效行为数据;若与目标用户匹配的行为数据B为播放是视频A的行为,若播放时长大于第二设定阈值(例如,60秒、70秒或者80秒等,本实施例中对其不加以限定),则可以确定行为数据B为有效行为数据。
步骤220、按照预设顺序对各有效行为数据进行排序,并根据预设的间隔阈值对各有效行为数据进行分割,得到多个用户行为序列。
其中,预设顺序可以为时间顺序;预设的间隔阈值可以为10秒、1分钟或者10分钟等,本实施例中对其不加以限定。
在本实施例的一个可选实现方式中,在获取到与目标用户匹配的各有效行为数据之后,可以进一步的按照时间的先后顺序对各有效行为数据进行排序,并对排序后的有效行为数据进行分割,从而得到多个用户行为序列。
在本实施例的一个可选实现方式中,根据预设的间隔阈值对各有效行为数据进行分割,得到多个用户行为序列,可以包括:记录用户上一有效行为数据的目标开始时间,计算当前有效行为数据的有效开始时间与目标开始时间的时间间隔;当时间间隔大于预设的间隔阈值时,将时间间隔内的各有效行为数据保存至同一行为序列中。
在本实施例的一个具体例子中,在按照时间的先后顺序对各有效行为数据进行排序之后,可以从第一个有效行为数据开始,记录其实际开始时间以及当前位置信息;遍历后续行为,比较下一有效行为数据的时间和第一个有效行为数据的实际开始时间的时间间隔;如果时间间隔大于预设的间隔阈值(例如,30秒),则将时间间隔内的各有效行为数据存储在同一用户行为序列中,直至遍历结束所有有效行为数据为止。
步骤230、分别将各用户行为序列输入至预先训练的预测模型中,得到与各用户行为序列对应的物品向量;对各物品向量进行累加计算,生成与目标用户对应的用户向量。
在本实施例的一个可选实现方式中,在得到多个用户行为序列之后,可以进一步的将各用户行为序列输入至预先训练的预测模型中,从而得到与各用户行为序列对应的各物品向量;进一步的,对各物品向量进行累加计算,从而生成与目标用户对应的用户向量。
在本实施例的一个可选实现方式中,在分别将各用户行为序列输入至预先训练的预测模型中之前,还可以包括:获取与多个用户匹配的训练行为序列;使用训练行为序列对设定的机器学习模型进行训练,得到预测模型。
其中,预设的机器学习模型可以为item2vec或者RNN模型等,本实施例中对其不加以限定。
在本实施例的一个具体例子中,可以获取1000个用户的100000个行为序列,并根据这100000个行为序列对item2vec机器学习模型进行训练,从而得到预测模型。
需要说明的是,在训练过程中,可以将物品向量乘以权重矩阵w1,得到隐层向量;将隐层向量乘以输出权重矩阵w2,得到输出向量;将输出向量和物品的上下文物品的向量做比较,根据梯度下降方法,更新权重矩阵w1、w2,得到最终的模型参数w1、w2。
步骤240、获取各待推荐物品,并分别对各待推荐物品进行独热编码,确定与各待推荐物品匹配的物品向量。
在本实施例的一个可选实现方式中,可以对每个待推荐物品进行独热编码,从而可以确定与每个待推荐物品匹配的物品向量,这样设置的好处在于,可以快速地确定每个带推荐物品的物品向量,为后续确定目标推荐物品提供依据。
步骤250、根据各待推荐物品的物品向量,以及用户向量,确定目标推荐物品,并向用户展示目标推荐物品。
本实施例的方案,按照预设顺序对各有效行为数据进行排序,并根据预设的间隔阈值对各有效行为数据进行分割,得到多个用户行为序列;分别将各用户行为序列输入至预先训练的预测模型中,得到与各用户行为序列对应的物品向量;对各物品向量进行累加计算,生成与目标用户对应的用户向量,可以快速地确定用户向量,为后续确定目标推荐物品提供依据,提升了物品推荐的效率。
实施例三
图3是本发明实施例三中的一种物品推荐方法的流程图,本实施例是对上述各技术方案的进一步细化,本实施例中的技术方案可以与上述一个或者多个实施例中的各个可选方案结合。如图3所示,物品推荐方法可以包括如下步骤:
步骤310、获取与目标用户匹配的至少一个行为数据,并根据设定阈值对各行为数据进行筛选,得到各有效行为数据。
步骤320、按照预设顺序对各有效行为数据进行排序,并根据预设的间隔阈值对各有效行为数据进行分割,得到多个用户行为序列。
步骤330、分别将各用户行为序列输入至预先训练的预测模型中,得到与各用户行为序列对应的物品向量;对各物品向量进行累加计算,生成与目标用户对应的用户向量。
步骤340、获取各待推荐物品,并分别对各待推荐物品进行独热编码,确定与各待推荐物品匹配的物品向量。
步骤350、分别计算用户向量与各物品向量的相似度,并对计算结果进行排序,将与超过设定阈值的计算结果对应的物品确定为目标推荐物品。
其中,设定阈值可以为0.8、0.9或者0.7等,本实施例中对其不加以限定。
在本实施例的一个可选实现方式中,在获取到与目标用户对应的用户向量,以及各待推荐物品的物品向量之后,可以分别计算用户向量与每个物品向量的相似度,并对各相似度计算结果进行排序,将大于设定阈值的相似度计算结果对应的待推荐物品确定为目标推荐物品,进一步的,将目标推荐物品推荐给用户。
本实施例的方案,在获取到与目标用户对应的用户向量,以及各待推荐物品的物品向量之后,分别计算用户向量与各物品向量的相似度,并对计算结果进行排序,将与超过设定阈值的计算结果对应的物品确定为目标推荐物品,可以准确地向用户推荐感兴趣的物品。
为了使本领域技术人员更好地理解本实施例物品推荐方法,下面采用一个具体示例进行说明,具体过程包括有:
1.提取用户行为数据。
用户原始行为数据涉及非常多,包括点击、播放、转发、阅读等等,需要根据规则对行为进行筛选,比如选取阅读、播放、转发作为有效数据类型,阅读时长>30s或者播放时长>60s的阅读、播放才会被认为是有效行为数据,转发数据都作为有效行为。
2.将行为数据按照时间排序,按照间隔分割。
将提取到的用户数据,按照行为时间进行排序,同时,按照预设的间隔阈值,对行为进行切分。具体可以包括:
1)从用户的第一个行为开始,记录行为实际start_time和当前位置start_pos;
2)遍历后续行为,比较行为的时间和start_time的间隔,如果大于设定阈值,则将start_pos和当前位置cur_pos之间的行为取出存入action_list,并将下一个位置设定为start_pos,继续遍历行为列表;
3)该用户的行为遍历完后,重置start_time和start_pos,继续遍历其它用户的行为序列,得到最终的action_list;
对用户行为进行分割后,得到很多短的行为序列,比如i1、i2,、i3构成一个行为序列,i6、i7、i8、i9构成另外一个行为序列,所有行为序列中的信息,操作时间间隔都在预设值以内。
3.拿到所有分割后的行为序列,训练得到物品向量。
得到的物品序列中,包含了物品的上下文信息,利用浅层神经网络,可以将物品映射到稠密向量空间,得到物品向量。具体方法如下:
1)对物品进行独热编码,得到物品向量;
2)将物品向量乘以权重矩阵w1,得到隐层向量;
3)将隐层向量乘以输出权重矩阵w2,得到输出向量;
4)将输出向量和物品的上下文物品的向量做比较,根据梯度下降方法,更新权重矩阵w1、w2,得到最终的模型参数w1、w2;
5)最后将物品的独热编码乘以w1,即得到物品的向量。
4.取用户近期行为(预设阈值),将物品向量相加,得到用户向量。
在本实施例的一个可选实现方式中,利用步骤3得到的物品向量,可以得到用户向量。具体方法如下:
1)预设阈值,比如阈值设为2天,提取用户最近两天的行为数据;
2)提取用户行为数据中的物品,并且可以根据用户具体行为,为物品设置权重,比如观看/阅读时长越长,物品权重越高;
3)将物品映射为物品向量,并根据物品权重,将向量加权求和,得到用户向量。
5.将物品推送给用户。
计算需要推送的信息的向量和用户向量的相似度,将相似度高的物品优先推送给用户。具体步骤为:
1)获取所有待推送物品,并拿到物品向量;
2)得到用户向量;
3)计算用户向量和物品向量的余弦相似度;
4)将物品按照相似度高低排序,相似度高的物品推荐给用户。
实施例四
图4是本发明实施例四中的一种物品推荐装置的结构示意图,该装置可以执行上述各实施例中涉及到的物品推荐方法。参照图4,该装置包括:用户向量确定模块410、物品向量确定模块420以及目标推荐物品确定模块430。
用户向量确定模块410,用于获取与目标用户匹配的至少一个有效行为数据,对各有效行为数据进行分割,得到多个用户行为序列,并根据各所述用户行为序列确定与所述目标用户对应的用户向量;
物品向量确定模块420,用于确定至少一个待推荐物品的物品向量;
目标推荐物品确定模块430,用于根据各所述待推荐物品的物品向量,以及所述用户向量,确定目标推荐物品,并向用户展示所述目标推荐物品。
本实施例的方案,通过用户向量确定模块获取与目标用户匹配的至少一个有效行为数据,对各有效行为数据进行分割,得到多个用户行为序列,并根据各所述用户行为序列确定与所述目标用户对应的用户向量;通过物品向量确定模块确定至少一个待推荐物品的物品向量;通过目标推荐物品确定模块确定目标推荐物品,并向用户展示所述目标推荐物品,解决了向用户推荐物品的准确率较低且效果较差的问题,实现了准确地向用户推荐感兴趣的物品。
在本实施例的一个可选实现方式中,用户向量确定模块410,具体用于
获取与所述目标用户匹配的至少一个行为数据,并根据设定阈值对各所述行为数据进行筛选,得到各所述有效行为数据;
其中,所述行为数据包括下述至少一项:点击、播放、转发以及阅读。
在本实施例的一个可选实现方式中,用户向量确定模块410,还具体用于
按照预设顺序对各所述有效行为数据进行排序,并根据预设的间隔阈值对各所述有效行为数据进行分割,得到多个用户行为序列;
分别将各所述用户行为序列输入至预先训练的预测模型中,得到与各所述用户行为序列对应的物品向量;
对各所述物品向量进行累加计算,生成与所述目标用户对应的用户向量。
在本实施例的一个可选实现方式中,物品推荐装置,还包括:预测模型生成模块,用于
获取与多个用户匹配的训练行为序列;
使用所述训练行为序列对设定的机器学习模型进行训练,得到所述预测模型。
在本实施例的一个可选实现方式中,用户向量确定模块410,还具体用于
记录用户上一有效行为数据的目标开始时间,计算当前有效行为数据的有效开始时间与所述目标开始时间的时间间隔;
当所述时间间隔大于预设的间隔阈值时,将所述时间间隔内的各有效行为数据保存至同一行为序列中。
在本实施例的一个可选实现方式中,物品向量确定模块420,具体用于
获取各所述待推荐物品,并分别对各所述待推荐物品进行独热编码,确定与各所述待推荐物品匹配的物品向量。
在本实施例的一个可选实现方式中,目标推荐物品确定模块430.具体用于分别计算所述用户向量与各所述物品向量的相似度,并对计算结果进行排序,将与超过设定阈值的计算结果对应的物品确定为所述目标推荐物品。
本发明实施例所提供的物品推荐装置可执行本发明任意实施例所提供的物品推荐方法,具备执行方法相应的功能模块和有益效果。
实施例五
图5为本发明实施例五提供的一种计算机设备的结构示意图,如图5所示,该计算机设备包括处理器50、存储器51、输入装置52和输出装置53;计算机设备中处理器50的数量可以是一个或多个,图5中以一个处理器50为例;计算机设备中的处理器50、存储器51、输入装置52和输出装置53可以通过总线或其他方式连接,图5中以通过总线连接为例。
存储器51作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本发明实施例中的物品推荐方法对应的程序指令/模块(例如,物品推荐装置中的用户向量确定模块410、物品向量确定模块420以及目标推荐物品确定模块430)。处理器50通过运行存储在存储器51中的软件程序、指令以及模块,从而执行计算机设备的各种功能应用以及数据处理,即实现上述的物品推荐方法。
存储器51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;存储数据区可存储根据终端的使用所创建的数据等。此外,存储器51可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中,存储器51可进一步包括相对于处理器50远程设置的存储器,这些远程存储器可以通过网络连接至计算机设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置52可用于接收输入的数字或字符信息,以及产生与计算机设备的用户设置以及功能控制有关的键信号输入。输出装置53可包括显示屏等显示设备。
实施例六
本发明实施例六还提供一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行一种物品推荐方法,该方法包括:
获取与目标用户匹配的至少一个有效行为数据,对各有效行为数据进行分割,得到多个用户行为序列,并根据各所述用户行为序列确定与所述目标用户对应的用户向量;
确定至少一个待推荐物品的物品向量;
根据各所述待推荐物品的物品向量,以及所述用户向量,确定目标推荐物品,并向用户展示所述目标推荐物品。
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的方法操作,还可以执行本发明任意实施例所提供的物品推荐方法中的相关操作。
通过以上关于实施方式的描述,所属领域的技术人员可以清楚地了解到,本发明可借助软件及必需的通用硬件来实现,当然也可以通过硬件实现,但很多情况下前者是更佳的实施方式。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,如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等,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)执行本发明各个实施例所述的方法。
值得注意的是,上述物品推荐装置的实施例中,所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种物品推荐方法,其特征在于,包括:
获取与目标用户匹配的至少一个有效行为数据,对各有效行为数据进行分割,得到多个用户行为序列,并根据各所述用户行为序列确定与所述目标用户对应的用户向量;
确定至少一个待推荐物品的物品向量;
根据各所述待推荐物品的物品向量,以及所述用户向量,确定目标推荐物品,并向用户展示所述目标推荐物品。
2.根据权利要求1所述的方法,其特征在于,所述获取与目标用户匹配的至少一个有效行为数据,包括:
获取与所述目标用户匹配的至少一个行为数据,并根据设定阈值对各所述行为数据进行筛选,得到各所述有效行为数据;
其中,所述行为数据包括下述至少一项:点击、播放、转发以及阅读。
3.根据权利要求1所述的方法,其特征在于,所述对各有效行为数据进行分割,得到多个用户行为序列,包括:
按照预设顺序对各所述有效行为数据进行排序,并根据预设的间隔阈值对各所述有效行为数据进行分割,得到多个用户行为序列;
相应的,所述根据各所述用户行为序列确定与所述目标用户对应的用户向量,包括:
分别将各所述用户行为序列输入至预先训练的预测模型中,得到与各所述用户行为序列对应的物品向量;
对各所述物品向量进行累加计算,生成与所述目标用户对应的用户向量。
4.根据权利要求3所述的方法,其特征在于,在分别将各所述用户行为序列输入至预先训练的预测模型中之前,还包括:
获取与多个用户匹配的训练行为序列;
使用所述训练行为序列对设定的机器学习模型进行训练,得到所述预测模型。
5.根据权利要求3所述的方法,其特征在于,所述根据预设的间隔阈值对各所述有效行为数据进行分割,得到多个用户行为序列,包括:
记录用户上一有效行为数据的目标开始时间,计算当前有效行为数据的有效开始时间与所述目标开始时间的时间间隔;
当所述时间间隔大于预设的间隔阈值时,将所述时间间隔内的各有效行为数据保存至同一行为序列中。
6.根据权利要求1所述的方法,其特征在于,所述确定至少一个待推荐物品的物品向量,包括:
获取各所述待推荐物品,并分别对各所述待推荐物品进行独热编码,确定与各所述待推荐物品匹配的物品向量。
7.根据权利要求1所述的方法,其特征在于,所述根据各所述待推荐物品的物品向量,以及所述用户向量,确定目标推荐物品,包括:
分别计算所述用户向量与各所述物品向量的相似度,并对计算结果进行排序,将与超过设定阈值的计算结果对应的物品确定为所述目标推荐物品。
8.一种物品推荐装置,其特征在于,包括:
用户向量确定模块,用于获取与目标用户匹配的至少一个有效行为数据,对各有效行为数据进行分割,得到多个用户行为序列,并根据各所述用户行为序列确定与所述目标用户对应的用户向量;
物品向量确定模块,用于确定至少一个待推荐物品的物品向量;
目标推荐物品确定模块,用于根据各所述待推荐物品的物品向量,以及所述用户向量,确定目标推荐物品,并向用户展示所述目标推荐物品。
9.一种计算机设备,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1-7中任一项所述的物品推荐方法。
10.一种包含计算机可执行指令的存储介质,其特征在于,所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-7中任一项所述的物品推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110351648.3A CN113065067A (zh) | 2021-03-31 | 2021-03-31 | 一种物品推荐方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110351648.3A CN113065067A (zh) | 2021-03-31 | 2021-03-31 | 一种物品推荐方法、装置、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113065067A true CN113065067A (zh) | 2021-07-02 |
Family
ID=76564963
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110351648.3A Pending CN113065067A (zh) | 2021-03-31 | 2021-03-31 | 一种物品推荐方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113065067A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113590951A (zh) * | 2021-07-29 | 2021-11-02 | 上海德衡数据科技有限公司 | 一种感知数据处理方法及*** |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109558514A (zh) * | 2019-01-08 | 2019-04-02 | 青岛聚看云科技有限公司 | 视频推荐方法、其装置、信息处理设备及存储介质 |
CN110020112A (zh) * | 2017-09-25 | 2019-07-16 | 北京京东尚科信息技术有限公司 | 对象推送方法及其*** |
CN110309427A (zh) * | 2018-05-31 | 2019-10-08 | 腾讯科技(深圳)有限公司 | 一种对象推荐方法、装置及存储介质 |
CN110503531A (zh) * | 2019-08-30 | 2019-11-26 | 中国科学技术大学 | 时序感知的动态社交场景推荐方法 |
CN110634047A (zh) * | 2019-09-05 | 2019-12-31 | 北京无限光场科技有限公司 | 一种推荐房源的方法、装置、电子设备及存储介质 |
CN111429204A (zh) * | 2020-03-10 | 2020-07-17 | 携程计算机技术(上海)有限公司 | 酒店推荐方法、***、电子设备和存储介质 |
CN111475720A (zh) * | 2020-03-31 | 2020-07-31 | 北京三快在线科技有限公司 | 推荐方法、装置、服务器及存储介质 |
CN111797319A (zh) * | 2020-07-01 | 2020-10-20 | 喜大(上海)网络科技有限公司 | 推荐方法、装置、设备及存储介质 |
CN112001776A (zh) * | 2020-08-24 | 2020-11-27 | 上海风秩科技有限公司 | 一种服务信息推送方法、装置、存储介质及电子设备 |
-
2021
- 2021-03-31 CN CN202110351648.3A patent/CN113065067A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110020112A (zh) * | 2017-09-25 | 2019-07-16 | 北京京东尚科信息技术有限公司 | 对象推送方法及其*** |
CN110309427A (zh) * | 2018-05-31 | 2019-10-08 | 腾讯科技(深圳)有限公司 | 一种对象推荐方法、装置及存储介质 |
CN109558514A (zh) * | 2019-01-08 | 2019-04-02 | 青岛聚看云科技有限公司 | 视频推荐方法、其装置、信息处理设备及存储介质 |
CN110503531A (zh) * | 2019-08-30 | 2019-11-26 | 中国科学技术大学 | 时序感知的动态社交场景推荐方法 |
CN110634047A (zh) * | 2019-09-05 | 2019-12-31 | 北京无限光场科技有限公司 | 一种推荐房源的方法、装置、电子设备及存储介质 |
CN111429204A (zh) * | 2020-03-10 | 2020-07-17 | 携程计算机技术(上海)有限公司 | 酒店推荐方法、***、电子设备和存储介质 |
CN111475720A (zh) * | 2020-03-31 | 2020-07-31 | 北京三快在线科技有限公司 | 推荐方法、装置、服务器及存储介质 |
CN111797319A (zh) * | 2020-07-01 | 2020-10-20 | 喜大(上海)网络科技有限公司 | 推荐方法、装置、设备及存储介质 |
CN112001776A (zh) * | 2020-08-24 | 2020-11-27 | 上海风秩科技有限公司 | 一种服务信息推送方法、装置、存储介质及电子设备 |
Non-Patent Citations (1)
Title |
---|
吴梅梅: "机器学习算法及其应用", 31 May 2020, 机械工业出版社, pages: 57 - 58 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113590951A (zh) * | 2021-07-29 | 2021-11-02 | 上海德衡数据科技有限公司 | 一种感知数据处理方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106651542B (zh) | 一种物品推荐的方法及装置 | |
CN111339415B (zh) | 一种基于多交互式注意力网络的点击率预测方法与装置 | |
CN109831684B (zh) | 视频优化推荐方法、装置及可读存储介质 | |
CN108427708B (zh) | 数据处理方法、装置、存储介质和电子装置 | |
CN110163647B (zh) | 一种数据处理方法及装置 | |
CN111444334A (zh) | 数据处理方法、文本识别方法、装置及计算机设备 | |
CN108021708B (zh) | 内容推荐方法、装置与计算机可读存储介质 | |
US20230066853A1 (en) | Method and apparatus for training information prediction models, method and apparatus for predicting information, and storage medium and device thereof | |
CN109685537B (zh) | 用户行为的分析方法、装置、介质和电子设备 | |
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 | |
CN110543603B (zh) | 基于用户行为的协同过滤推荐方法、装置、设备和介质 | |
CN113268656A (zh) | 一种用户推荐方法、装置、电子设备及计算机存储介质 | |
CN111400586A (zh) | 群组展示方法、终端、服务器、***及存储介质 | |
CN111695960A (zh) | 一种对象推荐***、方法、电子设备及存储介质 | |
CN111967914A (zh) | 基于用户画像的推荐方法、装置、计算机设备和存储介质 | |
CN113837842A (zh) | 一种基于用户行为数据的商品推荐方法及设备 | |
CN114896517A (zh) | 一种商品推荐方法、***、设备及存储介质 | |
CN114223012A (zh) | 推送对象确定方法、装置、终端设备及存储介质 | |
CN112100221A (zh) | 一种资讯推荐方法、装置、推荐服务器及存储介质 | |
CN115147130A (zh) | 问题预测方法、设备、存储介质及程序产品 | |
CN111680213B (zh) | 信息推荐方法、数据处理方法及装置 | |
CN111523315B (zh) | 数据处理方法、文本识别方法、装置及计算机设备 | |
CN111143670A (zh) | 一种信息确定方法及相关产品 | |
CN112989182B (zh) | 信息处理方法、装置、信息处理设备及存储介质 | |
CN116823410B (zh) | 数据处理方法、对象处理方法、推荐方法及计算设备 |
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 |