CN113450172A - 一种商品推荐方法和装置 - Google Patents

一种商品推荐方法和装置 Download PDF

Info

Publication number
CN113450172A
CN113450172A CN202010229541.7A CN202010229541A CN113450172A CN 113450172 A CN113450172 A CN 113450172A CN 202010229541 A CN202010229541 A CN 202010229541A CN 113450172 A CN113450172 A CN 113450172A
Authority
CN
China
Prior art keywords
commodity
sequence
feature
click
user
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
CN202010229541.7A
Other languages
English (en)
Inventor
马淑娟
陶通
赫阳
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.)
Beijing Wodong Tianjun Information Technology Co Ltd
Original Assignee
Beijing Wodong Tianjun Information 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 Beijing Wodong Tianjun Information Technology Co Ltd filed Critical Beijing Wodong Tianjun Information Technology Co Ltd
Priority to CN202010229541.7A priority Critical patent/CN113450172A/zh
Publication of CN113450172A publication Critical patent/CN113450172A/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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • 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

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Game Theory and Decision Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种商品推荐方法和装置，涉及计算机技术领域。该方法的一具体实施方式包括：获取用户的点击数据；根据所述点击数据，确定若干点击序列；其中，所述点击序列中包括：所述用户点击的商品标识；根据所述若干点击序列，确定训练样本集和预测样本集；其中，训练样本中包括：序列特征和商品特征；所述商品特征包括的商品标识由所述点击序列中排在所述序列特征包括的商品标识之后的商品标识确定；根据所述训练样本集训练预测模型；根据所述预测样本集和训练后的预测模型，向所述用户推荐商品。该方法能够挖掘出序列特征和商品特征之间的关联关系，进而提高推荐结果的准确性。

Description

一种商品推荐方法和装置
技术领域
本发明涉及计算机技术领域，尤其涉及一种商品推荐方法和装置。
背景技术
为了提高商品的销量和用户的体验，可以通过用户的行为数据向用户推荐商品。
现有方法一般根据用户的购买次数为各个商品打分，通过商品的分数确定向用户推荐的商品。
但是，该方法仅考虑用户的购买次数，得到的推荐结果准确性较低，进而影响商品的销量和用户的体验。
发明内容
有鉴于此，本发明实施例提供一种商品推荐方法和装置，能够提高推荐结果的准确性。
第一方面，本发明实施例提供了一种商品推荐方法，包括：
获取用户的点击数据；
根据所述点击数据，确定若干点击序列；其中，所述点击序列中包括：所述用户点击的商品标识；
根据所述若干点击序列，确定训练样本集和预测样本集；其中，训练样本中包括：序列特征和商品特征；所述商品特征包括的商品标识由所述点击序列中排在所述序列特征包括的商品标识之后的商品标识确定；
根据所述训练样本集训练预测模型；
根据所述预测样本集和训练后的预测模型，向所述用户推荐商品。
可选地，
所述点击序列由所述用户一次连续点击的商品标识依次构成，构成所述连续点击的相邻两次点击的时间间隔小于预设的时间阈值。
可选地，
所述根据所述若干点击序列，确定训练样本集，包括：
针对每个所述点击序列：根据所述点击序列，确定若干正训练样本；其中，所述正训练样本的序列特征为所述点击序列中连续的商品标识；所述正训练样本的商品特征包括的商品标识为其对应的所述序列特征中最后一个商品标识之后的商品标识；所述若干正训练样本构成正训练样本集；
根据所述正训练样本集，确定负训练样本集。
可选地，
所述正训练样本中还包括：第一共有特征；
所述根据所述点击序列，确定若干正训练样本，包括：
根据所述点击序列，确定若干所述序列特征和与所述序列特征对应的商品特征；
针对每个所述序列特征：根据所述序列特征，确定所述第一共有特征；其中，所述第一共有特征用于表征所述序列特征对应的商品的属性。
可选地，
所述根据所述序列特征，确定所述第一共有特征，包括：
确定所述序列特征中各个商品标识对应的属性词；其中，所述属性词用于表征不同商品的共有属性；
对所述序列特征对应的属性词进行去重，得到所述第一共有特征。
可选地，
所述正训练样本中还包括：搜索词特征；
该方法进一步包括：
获取所述用户的搜索数据；
根据所述搜索数据，确定所述搜索词特征；其中，所述搜索词特征由所述用户在预设时间段内的搜索词依次构成。
可选地，
所述根据所述正训练样本集，确定负训练样本集，包括：
将所述正训练样本中商品特征的商品标识替换成其他商品标识，得到负训练样本。
可选地，
所述根据所述训练样本集训练预测模型，包括：
针对所述训练样本集中的每个训练样本：
将所述序列特征、所述第一共有特征、所述搜索词特征和所述商品特征输入所述预测模型，以使所述预测模型执行：
根据所述第一共有特征和所述搜索词特征，确定第二共有特征；
根据所述序列特征、所述第二共有特征和所述搜索词特征，得到第一用户特征向量；
根据所述商品特征，得到第一商品特征向量；
根据所述第一用户特征向量和所述第一商品特征向量，调整所述预测模型的参数。
可选地，
所述根据所述第一共有特征和所述搜索词特征，确定第二共有特征，包括：
根据所述第一共有特征和所述搜索词特征，确定各个所述属性词的权重；
根据所述第一共有特征和各个所述属性词的权重，得到所述第二共有特征。
可选地，
所述根据所述序列特征、所述第二共有特征和所述搜索词特征，得到第一用户特征向量，包括：
拼接所述序列特征、所述第二共有特征和所述搜索词特征；
将拼接结果输入全连接网络，得到所述第一用户特征向量。
可选地，
所述根据所述预测样本集和训练后的预测模型，向所述用户推荐商品，包括：
针对所述预测样本集中的每个预测样本：将所述预测样本输入所述训练后的预测模型，得到第二用户特征向量和第二商品特征向量；计算所述第二用户特征向量与所述预测样本集对应的各个所述第二商品特征向量的相似度；
根据所述相似度，从各个所述第二商品特征向量对应的商品中选择若干目标商品；
将所述若干目标商品推荐给所述用户。
可选地，
所述根据所述相似度，从各个所述第二商品特征向量对应的商品中选择目标商品，包括：
针对每个所述第二用户特征向量：按照相似度由大到小的顺序，从各个所述第二商品特征向量对应的商品中选择出若干第一商品；
对所述预测样本集对应的第一商品进行去重，得到若干第二商品；
根据点击通过率CTR模型，确定各个所述第二商品的CTR；
根据各个所述第二商品的CTR，从所述若干第二商品中选择出所述若干目标商品。
第二方面，本发明实施例提供了一种商品推荐装置，包括：
获取模块，配置为获取用户的点击数据；
确定模块，配置为根据所述点击数据，确定若干点击序列；其中，所述点击序列中包括：所述用户点击的商品标识；根据所述若干点击序列，确定训练样本集和预测样本集；其中，训练样本中包括：序列特征和商品特征；所述商品特征包括的商品标识由所述点击序列中排在所述序列特征包括的商品标识之后的商品标识确定；
训练模块，配置为根据所述训练样本集训练预测模型；
推荐模块，配置为根据所述预测样本集和训练后的预测模型，向所述用户推荐商品。
第三方面，本发明实施例提供了一种电子设备，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，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上述任一实施例所述的方法。
第四方面，本发明实施例提供了一种计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现如上述任一实施例所述的方法。
上述发明中的一个实施例具有如下优点或有益效果：该方法基于包括序列特征和商品特征的训练样本训练预测模型，使训练后的预测模型学习到序列特征和商品特征的关联关系。基于训练后的预测模型进行预测，能够同时考虑序列特征、商品特征以及两者之间的关联关系，进而提高推荐结果的准确性。
上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
附图用于更好地理解本发明，不构成对本发明的不当限定。其中：
图1是本发明的一个实施例提供的一种商品推荐方法的流程图；
图2是本发明的一个实施例提供的一种预测模型的处理方法的流程图；
图3是本发明的一个实施例提供的一种商品推荐装置的示意图；
图4是本发明实施例可以应用于其中的示例性***架构图；
图5是适于用来实现本发明实施例的终端设备或服务器的计算机***的结构示意图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明，其中包括本发明实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本发明的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
如图1所示，本发明实施例提供了一种商品推荐方法，包括：
步骤101：获取用户的点击数据。
用户在客户端浏览商品的时候，会点击感兴趣的商品信息，进而查看商品的详细信息，购买相应的商品。因此，点击数据中蕴含用户的兴趣信息和需求信息，通过点击数据为用户推荐商品能够提高推荐结果的准确性。
在实际应用场景中，可以获取一个用户的点击数据，也可以获取不同用户的点击数据。由于为每个用户推荐商品的过程相同，因此，为了描述方便，以下实施例将仅以一个用户为例，对商品推荐方法进行详细地描述。
点击数据可以包括一次或多次点击行为产生的数据，每一次点击行为产生的点击数据可以包括：点击的商品信息、点击时间、点击次数等。
步骤102：根据点击数据，确定若干点击序列；其中，点击序列中包括：用户点击的商品标识。
训练样本集由训练样本构成，预测样本集由预测样本构成。与训练样本类似，预测样本中包括：序列特征和商品特征。为了提高推荐结果的准确性，可以基于距离当前时间更近的点击数据生成预测样本，基于其他的点击数据生成训练样本。例如，获取当年1-7月份的点击数据，基于1-6月份的点击数据确定训练样本集，基于7月份的点击数据确定预测样本集。
步骤103：根据若干点击序列，确定训练样本集和预测样本集；其中，训练样本中包括：序列特征和商品特征；商品特征包括的商品标识由点击序列中排在序列特征包括的商品标识之后的商品标识确定。
步骤103：根据训练样本集训练预测模型。
步骤104：根据预测样本集和训练后的预测模型，向用户推荐商品。
该方法基于包括序列特征和商品特征的训练样本训练预测模型，使训练后的预测模型学习到序列特征和商品特征的关联关系。基于训练后的预测模型进行预测，能够同时考虑序列特征、商品特征以及两者之间的关联关系，进而提高推荐结果的准确性。
在本发明的一个实施例中，点击序列由用户一次连续点击的商品标识依次构成，构成连续点击的相邻两次点击的时间间隔小于预设的时间阈值。
其中，点击序列由用户一次连续点击的商品标识依次构成。例如，用户一次连续点击包括三次点击行为，点击的商品标识分别：S1、S2、S3，则该连续点击对应的点击序列可以为S1S2S3。商品标识可以为商品编号等可以唯一确定商品的信息。
在本发明的一个实施例中，构成连续点击的相邻两次点击的时间间隔小于预设的时间阈值。例如，点击S1、S2、S3、S4的时间分别为10:00、10:01、10:20、10:59，预设的时间阈值为30min，由于第三次点击与第四次点击的时间间隔大于30min，因此前三次点击为一次连续点击。通过设置时间阈值，能够过滤掉低参考价值的数据，提高推荐结果的准确性。
在本发明的一个实施例中，根据若干点击序列，确定训练样本集，包括：
针对每个点击序列：根据点击序列，确定若干正训练样本；其中，正训练样本的序列特征为点击序列中连续的商品标识；正训练样本的商品特征包括的商品标识为其对应的序列特征中最后一个商品标识之后的商品标识；若干正训练样本构成正训练样本集；
根据正训练样本集，确定负训练样本集。
其中，序列特征为点击序列中连续的商品标识，序列特征中包括的商品标识的数量不做限定。例如，点击序列为S1S2S3，对应的序列特征包括：S1、S1S2和S1S2S3。当然，在实际应用场景中，还可以选择其他的方法构建序列特征，例如，序列特征由点击序列中奇数位的商品标识构成，此时，上述点击序列的序列特征为S1S3。
序列特征对应的商品特征为点击序列中排在序列特征中最后一个商品标识之后的商品标识。例如，对于序列特征S1，其对应的商品特征为S2。当然，还可以将排在其他位次的商品标识作为商品特征，例如，商品特征为S3。
预测模型可以通过序列特征和商品特征，学习到用户的行为习惯，对用户之后的点击行为做出更加准确地预测。
为了使模型得到充分的训练，得到更加准确的推荐结果，在本发明的一个实施例中，正训练样本的数量与负训练样本的数量的比值为1:5。
在本发明的一个实施例中，序列特征中商品标识的数量不大于预设的数量阈值。通过数量阈值可以提高得到的序列特征的可信度，进而提高推荐结果的准确性。
在本发明的一个实施例中，正训练样本中还包括：第一共有特征；
根据点击序列，确定若干正训练样本，包括：
根据点击序列，确定若干序列特征和与序列特征对应的商品特征；
针对每个序列特征：根据序列特征，确定第一共有特征；其中，第一共有特征用于表征序列特征对应的商品的属性。
在本发明实施例中，预测模型可以通过第一共有特征、序列特征和商品特征学习用户行为与商品之间的关联关系，提高预测结果的准确性。
在本发明的一个实施例中，根据序列特征，确定第一共有特征，包括：
确定序列特征中各个商品标识对应的属性词；其中，属性词用于表征不同商品的共有属性；
对序列特征对应的属性词进行去重，得到第一共有特征。
商品具有产品词和修饰词，其中，产品词用于描述商品的类别，例如：洗发水、签字笔、打底衫等。修饰词用于描述商品的用途、样式、风格等，例如：家用、防蓝光、韩版等。产品词和修饰词构成属性词，例如，孕妇连衣裙，孕妇为修饰词，连衣裙为产品词。因此，属性词能够反映产品的类别、用途等信息。
需要说明的是，如果序列特征中各个商品标识对应的属性词存在相同的属性词，则对序列特征对应的属性词进行去重，否则，拼接序列特征中各个商品标识对应的属性词，得到第一共有特征。
以序列特征S1S2S3为例，S1对应的属性词为家用打印机，S2对应的属性词为韩版羽绒服、S3对应的属性词为家用打印机，将S1S2S3对应的属性词依次拼接，得到属性词串“家用打印机韩版羽绒服家用打印机”，由于S1和S3对应的属性词相同，因此，需要将词串中的家用打印机去重，去重后得到的第一共有特征为“家用打印机韩版羽绒服”。
在本发明的一个实施例中，正训练样本中还包括：搜索词特征；该方法还包括：获取用户的搜索数据；
根据搜索数据，确定搜索词特征；其中，搜索词特征由用户在预设时间段内的搜索词依次构成。
与点击数据类似，搜索数据可以由一次或多次搜索行为产生，一次搜索行为可以对应一个或多个搜索词。例如，用户在1-7日内存在三次搜索行为，对应的搜索词分别为Q1Q2、Q3、Q4Q5，则用户的搜索词特征可以为Q1Q2Q3Q4Q5。如果对应的搜索词存在重复，则需要对重复的搜索词进行去重。
用户在一段时间内的搜索词能够反映用户的兴趣及需求，因此，将搜索词特征输入预测模型中，使得预测模型能够学习到搜索行为对推荐结果的影响，进而提高推荐结果的准确性。
在本发明实施例中，用户特征由搜索词特征、序列特征和第一共有特征构成，在实际应用场景中，用户特征还可以由序列特征和第一共有特征构成。预测模型可以通过用户特征和商品特征学习用户行为和商品之间的关联关系，提高预测结果的准确性。
另外，除了搜索行为，在推荐的过程中，还可以考虑添加购物集合(即购物车)行为、收藏行为等其他行为。即将上述搜索词特征替换成收藏特征，并基于收藏特征、序列特征和第一共有特征向用户推荐商品。以收藏行为为例，收藏特征可以由预设时间段内收藏的商品的名称依次构成。因此，可以将上述收藏、搜索等数据与点击数据相结合，对预测模型进行训练，使得预测模型能够学习到不同用户行为的特征以及不同用户行为之间的关联关系，进而得到更加准确的推荐结果。
在本发明的一个实施例中，根据正训练样本集，确定负训练样本集，包括：
将正训练样本中商品特征的商品标识替换成其他商品标识，得到负训练样本。
正训练样本中的其他特征不变。
例如，正训练样本包括的用户特征为序列特征“S1S2S3”、搜索词特征“Q1Q2Q3”和第一共有特征“B1B2”，包括的商品特征为商品标识“M1”。将M1替换成M1之外的任意一个商品标识，则得到负训练样本。例如，负训练样本包括的用户特征为序列特征“S1S2S3”、搜索词特征“Q1Q2Q3”和第一共有特征“B1B2”，包括的商品特征为商品标识“M2”。通过该方法可以方便快捷地构建负训练样本，能够提高商品推荐的效率。
在本发明的一个实施例中，确定正训练样本的标签和负训练样本的标签，将携带有标签的正训练样本和负训练样本按比例输入预测模型，以对预测模型进行训练。例如，正样本标签为1，负样本标签为0。该方法可以在构建正训练样本和负训练样本的基础上分别对正训练样本和负训练样本进行标注，不需要人工标注。
在本发明的一个实施例中，根据训练样本集训练预测模型，具体包括：
针对训练样本集中的每个训练样本：
将序列特征、第一共有特征、搜索词特征和商品特征输入预测模型，以使预测模型执行：
根据第一共有特征和搜索词特征，确定第二共有特征；
根据序列特征、第二共有特征和搜索词特征，得到第一用户特征向量；
根据商品特征，得到第一商品特征向量；
根据第一用户特征向量和第一商品特征向量，调整预测模型的参数。
考虑到一个点击序列形成的训练样本可能集中在一起，如果将这些训练样本集中输入预测模型进行训练，可能会影响模型的训练效果。鉴于此，在本发明实施例中，将打乱顺序之后的训练样本输入预测模型，打乱顺序之后的训练样本分布更加均匀，能够提高模型训练的效果。
在本发明的一个实施例中，根据第一共有特征和搜索词特征，确定第二共有特征，包括：
根据第一共有特征和搜索词特征，确定各个属性词的权重；
根据第一共有特征和各个属性词的权重，得到第二共有特征。
其中，搜索词特征可以用于调整第一共有特征中各个属性词的权重，即基于搜索行为区分不同属性词的重要性，使得推荐结果更加符合用户的兴趣和需求。
在本发明的一个实施例中，根据序列特征、第二共有特征和搜索词特征，得到第一用户特征向量，包括：
拼接序列特征、第二共有特征和搜索词特征；
将拼接结果输入全连接网络，得到第一用户特征向量。
将拼接结果输入全连接网络，得到第一用户特征向量；计算第一用户特征向量和第一商品特征向量的内积；将得到的内积传递给sigmoid函数；将sigmoid函数的输出值传递给交叉熵函数，得到损失值；根据损失值调整预测模型的参数。
在本发明的一个实施例中，根据预测样本集和训练后的预测模型，向用户推荐商品，包括：
针对预测样本集中的每个预测样本：将预测样本输入训练后的预测模型，得到第二用户特征向量和第二商品特征向量；计算第二用户特征向量与预测样本集对应的各个第二商品特征向量的相似度；
根据相似度，从各个第二商品特征向量对应的商品中选择若干目标商品；
将若干目标商品推荐给用户。
其中，相似度可以等于两个向量的欧氏距离。相似度越高，则用户点击该相似度对应的商品的概率越大，因此，可以优先向用户推荐更高相似度对应的商品。
在本发明的一个实施例中，根据相似度，从各个第二商品特征向量对应的商品中选择目标商品，包括：
针对每个第二用户特征向量：按照相似度由大到小的顺序，从各个第二商品特征向量对应的商品中选择出若干第一商品；
对预测样本集对应的第一商品进行去重，得到若干第二商品；
根据CTR模型，确定各个第二商品的CTR；
根据各个第二商品的CTR，从若干第二商品中选择出若干目标商品。
其中，由于不同第二用户特征向量可能对应相同的第一商品，因此，需要对预测样本集对应的第一商品进行去重。考虑到客户端展示的限制等原因，本发明实施例基于CTR模型进一步减少和优化推荐的商品。若干目标商品可以以推荐列表的形式推荐给用户。
本发明实施例提供了一种商品推荐方法，该方法包括：
S1：获取用户的点击数据和搜索数据。
该方法可以应用于服务端，可以从客户端获取点击数据和搜索数据。
S2：根据搜索数据，确定搜索词特征。
其中，搜索词特征由用户在预设时间段内的搜索词依次构成。
S3：根据点击数据，确定若干点击序列。
点击序列由用户一次连续点击的商品编号依次构成，其中，构成连续点击的相邻两次点击的时间间隔小于0.5h。
S4：针对每个点击序列：根据点击序列，确定若干序列特征和与序列特征对应的商品特征。
表1
序列特征 商品特征
s<sub>1</sub> s<sub>2</sub>
s<sub>1</sub>s<sub>2</sub> s<sub>3</sub>
s<sub>1</sub>s<sub>2</sub>S<sub>3</sub> S<sub>4</sub>
…… ……
S<sub>1</sub>s<sub>2</sub>s<sub>3</sub>s<sub>4</sub>s<sub>5</sub>…s<sub>10</sub> s<sub>11</sub>
s<sub>2</sub>s<sub>3</sub>s<sub>4</sub>s<sub>5</sub>s<sub>6</sub>…s<sub>11</sub> s<sub>12</sub>
s<sub>3</sub>s<sub>4</sub>s<sub>5</sub>s<sub>6</sub>s<sub>7</sub>…s<sub>12</sub> s<sub>13</sub>
s<sub>4</sub>s<sub>4</sub>s<sub>5</sub>s<sub>6</sub>s<sub>7</sub>…s<sub>13</sub> s<sub>14</sub>
序列特征为点击序列中连续的商品编号，其中，序列特征中商品编号的数量不大于10。
序列特征对应的商品特征为点击序列中排在序列特征中最后一个商品编号之后的商品编号。
点击序列为s1s2s3……s14，确定的序列特征和对应的商品特征如表1所示。从表1可以看出，一个点击序列可以构造出多个正训练样本。由于点击序列为用户的真实行为，因此，形成的是正训练样本。
S5：针对每个序列特征：确定序列特征中各个商品编号对应的属性词。
其中，属性词用于表征不同商品的共有属性。
S6：对序列特征对应的属性词进行去重，得到第一共有特征；序列特征、搜索词特征和第一共有特征构成用户特征，用户特征和商品特征构成正训练样本。
S7：将正训练样本中商品特征的商品编号替换成其他商品编号，得到负训练样本；正训练样本集和负训练样本集构成训练样本集。
S8：根据点击数据，确定预测样本集。
为了得到更加准确的推荐结果，根据点击时间在最近7天内的点击序列，生成用户特征。并且，用户特征中包括的序列特征分别对应不同的点击序列。
在本发明实施例中，可以根据点击数据，确定各个商品编号的出现频次。另外，商品特征的商品编号的出现频次大于预设的频次阈值。
S9：针对训练样本集中的每个训练样本：将序列特征、第一共有特征、搜索词特征和商品特征输入预测模型，以使预测模型执行：根据第一共有特征和搜索词特征，确定各个属性词的权重；根据第一共有特征和各个属性词的权重，得到第二共有特征；拼接序列特征、第二共有特征和搜索词特征；将拼接结果输入全连接网络，得到第一用户特征向量；根据商品特征，得到第一商品特征向量；根据第一用户特征向量和第一商品特征向量，调整预测模型的参数。
预测模型的处理方法请参考图2。该预测模型为双塔类模型，对用户特征和商品特征分别进行处理。
其中，用户特征初始化为均匀分布，商品特征初始化为零向量。
Q＝[q1、q2、q3……qn]，其中，Q用于表征搜索词特征，n用于表征搜索词的数量。
第一共有特征为：
Figure BDA0002428864580000141
其中，B用于表征第一共有特征，m用于表征属性词的数量，n用于表征属性词维度的数量(属性词维度的数量等于搜索词的数量)。
属性词的权重：
Figure BDA0002428864580000142
(B·QT)为属性词的权重。
第二共有特征：
Figure BDA0002428864580000143
C用于表征第二共有特征。
将拼接结果输入三层全连接网络，得到第一用户特征向量；计算第一用户特征向量和第一商品特征向量的内积；将得到的内积传递给sigmoid函数；将sigmoid函数的输出值传递给交叉熵函数，得到损失值；根据损失值调整预测模型的参数。
三层全连接网络采用的激活函数为Leaky ReLU。
模型的损失值通过下式计算。
loss＝-[label*log(output)+(1-label)*log(1-output)]
其中，loss用于表征模型的损失值，label用于保证标签，其中，正训练样本的标签为1，负训练样本的标签为0，output为sigmoid函数的输出值。
loss减少时，正训练样本的输出值会增大，使得内积值增大，负样本的输出值会减少，使得即内积值减少。基于此，在模型训练过程中，会增大正训练样本的第一用户特征向量和第一商品特征向量的内积值，同时，减少负训练样本中第一用户特征向量和第一商品特征向量的内积值，进而使得loss不断降低。
S10：针对预测样本集中的每个预测样本：将预测样本输入训练后的预测模型，得到第二用户特征向量和第二商品特征向量；计算第二用户特征向量与预测样本集对应的各个第二商品特征向量的相似度。
S11：针对每个第二用户特征向量：按照相似度由大到小的顺序，从各个第二商品特征向量对应的商品中选择出若干第一商品。
S12：对预测样本集对应的第一商品进行去重，得到若干第二商品。
S13：根据点击通过率CTR模型，确定各个第二商品的CTR。
S14：根据各个第二商品的CTR，从若干第二商品中选择出若干目标商品。
按照CTR由大到小的顺序对若干第二商品进行排序，截取排在预设位次之前的第二商品作为目标商品。在实际应用场景中，还可以基于商品的价格等因素，从若干第二商品中选择出若干目标商品。
S15：将若干目标商品推荐给用户。
若干目标商品构成推荐词表。将推荐词表反馈给客户端。客户端可以将推荐词表展示在用户的浏览页面中，展示的商品会吸引用户进行点击和消费，进而提高用户体验和商品的销量。
如图3所示，本发明实施例提供了一种商品推荐装置，包括：
获取模块301，配置为获取用户的点击数据；
确定模块302，配置为根据点击数据，确定若干点击序列；其中，点击序列中包括：用户点击的商品标识；根据若干点击序列，确定训练样本集和预测样本集；其中，训练样本中包括：序列特征和商品特征；商品特征包括的商品标识由点击序列中排在序列特征包括的商品标识之后的商品标识确定；
训练模块303，配置为根据训练样本集训练预测模型；
推荐模块304，配置为根据预测样本集和训练后的预测模型，向用户推荐商品。
在本发明的一个实施例中，点击序列由用户一次连续点击的商品标识依次构成，构成连续点击的相邻两次点击的时间间隔小于预设的时间阈值。
在本发明的一个实施例中，确定模块302，配置为针对每个点击序列：根据点击序列，确定若干正训练样本；其中，正训练样本的序列特征为点击序列中连续的商品标识；正训练样本的商品特征包括的商品标识为其对应的序列特征中最后一个商品标识之后的商品标识；若干正训练样本构成正训练样本集；根据正训练样本集，确定负训练样本集。
在本发明的一个实施例中，正训练样本中还包括：第一共有特征；确定模块302，配置为根据点击序列，确定若干序列特征和与序列特征对应的商品特征；针对每个序列特征：根据序列特征，确定第一共有特征；其中，第一共有特征用于表征序列特征对应的商品的属性。
在本发明的一个实施例中，确定模块302，配置为确定序列特征中各个商品标识对应的属性词；其中，属性词用于表征不同商品的共有属性；对序列特征对应的属性词进行去重，得到第一共有特征。
在本发明的一个实施例中，正训练样本中还包括：搜索词特征；确定模块302，配置为获取用户的搜索数据；根据搜索数据，确定搜索词特征；其中，搜索词特征由用户在预设时间段内的搜索词依次构成。
在本发明的一个实施例中，确定模块302，配置为将正训练样本中商品特征的商品标识替换成其他商品标识，得到负训练样本。
在本发明的一个实施例中，训练模块303，配置为针对训练样本集中的每个训练样本：将序列特征、第一共有特征、搜索词特征和商品特征输入预测模型，以使预测模型执行：根据第一共有特征和搜索词特征，确定第二共有特征；根据序列特征、第二共有特征和搜索词特征，得到第一用户特征向量；根据商品特征，得到第一商品特征向量；根据第一用户特征向量和第一商品特征向量，调整预测模型的参数。
在本发明的一个实施例中，训练模块303，配置为根据第一共有特征和搜索词特征，确定各个属性词的权重；根据第一共有特征和各个属性词的权重，得到第二共有特征。
在本发明的一个实施例中，训练模块303，配置为拼接序列特征、第二共有特征和搜索词特征；将拼接结果输入全连接网络，得到第一用户特征向量。
在本发明的一个实施例中，推荐模块304，配置为针对预测样本集中的每个预测样本：将预测样本输入训练后的预测模型，得到第二用户特征向量和第二商品特征向量；计算第二用户特征向量与预测样本集对应的各个第二商品特征向量的相似度；根据相似度，从各个第二商品特征向量对应的商品中选择若干目标商品；将若干目标商品推荐给用户。
在本发明的一个实施例中，推荐模块304，配置为针对每个第二用户特征向量：按照相似度由大到小的顺序，从各个第二商品特征向量对应的商品中选择出若干第一商品；对预测样本集对应的第一商品进行去重，得到若干第二商品；根据CTR模型，确定各个第二商品的CTR；根据各个第二商品的CTR，从若干第二商品中选择出若干目标商品。
本发明实施例提供了一种电子设备，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，
当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如上述任一实施例的方法。
图4示出了可以应用本发明实施例的商品推荐方法或商品推荐装置的示例性***架构400。
如图4所示，***架构400可以包括终端设备401、402、403，网络404和服务器405。网络404用以在终端设备401、402、403和服务器405之间提供通信链路的介质。网络404可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备401、402、403通过网络404与服务器405交互，以接收或发送消息等。终端设备401、402、403上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。
终端设备401、402、403可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器405可以是提供各种服务的服务器，例如对用户利用终端设备401、402、403所浏览的购物类网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的产品信息查询请求等数据进行分析等处理，并将处理结果(例如目标推送信息、产品信息--仅为示例)反馈给终端设备。
需要说明的是，本发明实施例所提供的商品推荐方法一般由服务器405执行，相应地，商品推荐装置一般设置于服务器405中。
应该理解，图4中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
下面参考图5，其示出了适于用来实现本发明实施例的终端设备的计算机***500的结构示意图。图5示出的终端设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图5所示，计算机***500包括中央处理单元(CPU)501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储部分408加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中，还存储有***500操作所需的各种程序和数据。CPU 501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
以下部件连接至I/O接口505：包括键盘、鼠标等的输入部分506；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507；包括硬盘等的存储部分508；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509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至I/O接口505。可拆卸介质511，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510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508。
特别地，根据本发明公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明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509从网络上被下载和安装，和/或从可拆卸介质511被安装。在该计算机程序被中央处理单元(CPU)501执行时，执行本发明的***中限定的上述功能。
需要说明的是，本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、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)、光纤、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。在本发明中，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。而在本发明中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本发明各种实施例的***、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。
描述于本发明实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中，例如，可以描述为：一种处理器包括发送模块、获取模块、确定模块和第一处理模块。其中，这些模块的名称在某种情况下并不构成对该模块本身的限定，例如，发送模块还可以被描述为“向所连接的服务端发送图片获取请求的模块”。
作为另一方面，本发明还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。上述计算机可读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一个该设备执行时，使得该设备包括：
获取用户的点击数据；
根据所述点击数据，确定训练样本集和预测样本集；其中，训练样本中包括：用户特征和商品特征；
根据所述训练样本集训练预测模型；
根据所述预测样本集和训练后的预测模型，向所述用户推荐商品。
根据本发明实施例的技术方案，
该方法基于包括序列特征和商品特征的训练样本训练预测模型，使训练后的预测模型学习到序列特征和商品特征的关联关系。基于训练后的预测模型进行预测，能够同时考虑序列特征、商品特征以及两者之间的关联关系，进而提高推荐结果的准确性。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，取决于设计要求和其他因素，可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (15)

1.一种商品推荐方法，其特征在于，包括：
获取用户的点击数据；
根据所述点击数据，确定若干点击序列；其中，所述点击序列中包括：所述用户点击的商品标识；
根据所述若干点击序列，确定训练样本集和预测样本集；其中，训练样本中包括：序列特征和商品特征；所述商品特征包括的商品标识由所述点击序列中排在所述序列特征包括的商品标识之后的商品标识确定；
根据所述训练样本集训练预测模型；
根据所述预测样本集和训练后的预测模型，向所述用户推荐商品。
2.如权利要求1所述的方法，其特征在于，
所述点击序列由所述用户一次连续点击的商品标识依次构成，构成所述连续点击的相邻两次点击的时间间隔小于预设的时间阈值。
3.如权利要求1所述的方法，其特征在于，
所述根据所述若干点击序列，确定训练样本集，包括：
针对每个所述点击序列：根据所述点击序列，确定若干正训练样本；其中，所述正训练样本的序列特征为所述点击序列中连续的商品标识；所述正训练样本的商品特征包括的商品标识为其对应的所述序列特征中最后一个商品标识之后的商品标识；所述若干正训练样本构成正训练样本集；
根据所述正训练样本集，确定负训练样本集。
4.如权利要求3所述的方法，其特征在于，
所述正训练样本中还包括：第一共有特征；
所述根据所述点击序列，确定若干正训练样本，包括：
根据所述点击序列，确定若干所述序列特征和与所述序列特征对应的商品特征；
针对每个所述序列特征：根据所述序列特征，确定所述第一共有特征；其中，所述第一共有特征用于表征所述序列特征对应的商品的属性。
5.如权利要求4所述的方法，其特征在于，
所述根据所述序列特征，确定所述第一共有特征，包括：
确定所述序列特征中各个商品标识对应的属性词；其中，所述属性词用于表征不同商品的共有属性；
对所述序列特征对应的属性词进行去重，得到所述第一共有特征。
6.如权利要求5所述的方法，其特征在于，
所述正训练样本中还包括：搜索词特征；
该方法进一步包括：
获取所述用户的搜索数据；
根据所述搜索数据，确定所述搜索词特征；其中，所述搜索词特征由所述用户在预设时间段内的搜索词依次构成。
7.如权利要求4所述的方法，其特征在于，
所述根据所述正训练样本集，确定负训练样本集，包括：
将所述正训练样本中商品特征的商品标识替换成其他商品标识，得到负训练样本。
8.如权利要求6所述的方法，其特征在于，
所述根据所述训练样本集训练预测模型，包括：
针对所述训练样本集中的每个训练样本：
将所述序列特征、所述第一共有特征、所述搜索词特征和所述商品特征输入所述预测模型，以使所述预测模型执行：
根据所述第一共有特征和所述搜索词特征，确定第二共有特征；
根据所述序列特征、所述第二共有特征和所述搜索词特征，得到第一用户特征向量；
根据所述商品特征，得到第一商品特征向量；
根据所述第一用户特征向量和所述第一商品特征向量，调整所述预测模型的参数。
9.如权利要求8所述的方法，其特征在于，
所述根据所述第一共有特征和所述搜索词特征，确定第二共有特征，包括：
根据所述第一共有特征和所述搜索词特征，确定各个所述属性词的权重；
根据所述第一共有特征和各个所述属性词的权重，得到所述第二共有特征。
10.如权利要求8所述的方法，其特征在于
所述根据所述序列特征、所述第二共有特征和所述搜索词特征，得到第一用户特征向量，包括：
拼接所述序列特征、所述第二共有特征和所述搜索词特征；
将拼接结果输入全连接网络，得到所述第一用户特征向量。
11.如权利要求1所述的方法，其特征在于，
所述根据所述预测样本集和训练后的预测模型，向所述用户推荐商品，包括：
针对所述预测样本集中的每个预测样本：将所述预测样本输入所述训练后的预测模型，得到第二用户特征向量和第二商品特征向量；计算所述第二用户特征向量与所述预测样本集对应的各个所述第二商品特征向量的相似度；
根据所述相似度，从各个所述第二商品特征向量对应的商品中选择若干目标商品；
将所述若干目标商品推荐给所述用户。
12.如权利要求11所述的方法，其特征在于，
所述根据所述相似度，从各个所述第二商品特征向量对应的商品中选择目标商品，包括：
针对每个所述第二用户特征向量：按照相似度由大到小的顺序，从各个所述第二商品特征向量对应的商品中选择出若干第一商品；
对所述预测样本集对应的第一商品进行去重，得到若干第二商品；
根据点击通过率CTR模型，确定各个所述第二商品的CTR；
根据各个所述第二商品的CTR，从所述若干第二商品中选择出所述若干目标商品。
13.一种商品推荐装置，其特征在于，包括：
获取模块，配置为获取用户的点击数据；
确定模块，配置为根据所述点击数据，确定若干点击序列；其中，所述点击序列中包括：所述用户点击的商品标识；根据所述若干点击序列，确定训练样本集和预测样本集；其中，训练样本中包括：序列特征和商品特征；所述商品特征包括的商品标识由所述点击序列中排在所述序列特征包括的商品标识之后的商品标识确定；
训练模块，配置为根据所述训练样本集训练预测模型；
推荐模块，配置为根据所述预测样本集和训练后的预测模型，向所述用户推荐商品。
14.一种电子设备，其特征在于，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，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-12中任一所述的方法。
15.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1-12中任一所述的方法。
CN202010229541.7A 2020-03-27 2020-03-27 一种商品推荐方法和装置 Pending CN113450172A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010229541.7A CN113450172A (zh) 2020-03-27 2020-03-27 一种商品推荐方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010229541.7A CN113450172A (zh) 2020-03-27 2020-03-27 一种商品推荐方法和装置

Publications (1)

Publication Number Publication Date
CN113450172A true CN113450172A (zh) 2021-09-28

Family

ID=77807820

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010229541.7A Pending CN113450172A (zh) 2020-03-27 2020-03-27 一种商品推荐方法和装置

Country Status (1)

Country Link
CN (1) CN113450172A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117172887A (zh) * 2023-11-02 2023-12-05 深圳市灵智数字科技有限公司 商品推荐模型训练方法及商品推荐方法
CN117611272A (zh) * 2023-10-25 2024-02-27 深圳市灵智数字科技有限公司 商品推荐方法、装置及电子设备

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104462333A (zh) * 2014-12-03 2015-03-25 上海耀肖电子商务有限公司 购物搜索推荐与告警方法和***
WO2018192491A1 (zh) * 2017-04-20 2018-10-25 北京京东尚科信息技术有限公司 信息推送方法和装置
US10387934B1 (en) * 2014-06-12 2019-08-20 Amazon Technologies, Inc. Method medium and system for category prediction for a changed shopping mission
CN110428295A (zh) * 2018-08-01 2019-11-08 北京京东尚科信息技术有限公司 商品推荐方法和***
CN110457581A (zh) * 2019-08-02 2019-11-15 达而观信息科技（上海）有限公司 一种资讯推荐方法、装置、电子设备及存储介质
CN110598845A (zh) * 2019-08-13 2019-12-20 中国平安人寿保险股份有限公司 数据处理方法、装置、计算机设备和存储介质
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

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10387934B1 (en) * 2014-06-12 2019-08-20 Amazon Technologies, Inc. Method medium and system for category prediction for a changed shopping mission
CN104462333A (zh) * 2014-12-03 2015-03-25 上海耀肖电子商务有限公司 购物搜索推荐与告警方法和***
WO2018192491A1 (zh) * 2017-04-20 2018-10-25 北京京东尚科信息技术有限公司 信息推送方法和装置
CN110428295A (zh) * 2018-08-01 2019-11-08 北京京东尚科信息技术有限公司 商品推荐方法和***
CN110457581A (zh) * 2019-08-02 2019-11-15 达而观信息科技（上海）有限公司 一种资讯推荐方法、装置、电子设备及存储介质
CN110598845A (zh) * 2019-08-13 2019-12-20 中国平安人寿保险股份有限公司 数据处理方法、装置、计算机设备和存储介质
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

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117611272A (zh) * 2023-10-25 2024-02-27 深圳市灵智数字科技有限公司 商品推荐方法、装置及电子设备
CN117172887A (zh) * 2023-11-02 2023-12-05 深圳市灵智数字科技有限公司 商品推荐模型训练方法及商品推荐方法
CN117172887B (zh) * 2023-11-02 2024-02-27 深圳市灵智数字科技有限公司 商品推荐模型训练方法及商品推荐方法

Similar Documents

Publication Publication Date Title
WO2018192491A1 (zh) 信息推送方法和装置
CN109947788B (zh) 数据查询方法和装置
WO2019072128A1 (zh) 对象识别方法及其***
CN110020162B (zh) 用户识别方法和装置
CN107832338B (zh) 一种识别核心产品词的方法和***
CN112925973B (zh) 数据处理方法和装置
CN111429161B (zh) 特征提取方法、特征提取装置、存储介质及电子设备
WO2023142520A1 (zh) 信息推荐方法及装置
CN113450172A (zh) 一种商品推荐方法和装置
CN110059172B (zh) 基于自然语言理解的推荐答案的方法和装置
CN112749323A (zh) 一种构建用户画像的方法和装置
CN112783468A (zh) 目标对象的排序方法和排序装置
CN110827101B (zh) 一种店铺推荐的方法和装置
CN112449217B (zh) 一种推送视频的方法、装置、电子设备和计算机可读介质
CN113744002A (zh) 推送信息的方法、装置、设备和计算机可读介质
CN113360816A (zh) 点击率预测的方法和装置
CN113495991A (zh) 一种推荐方法和装置
CN111833085A (zh) 一种计算物品价格的方法和装置
CN107357847B (zh) 数据处理方法及其装置
CN113762994B (zh) 用户运营管理的方法和装置
CN113627454B (zh) 物品信息聚类方法、推送方法和装置
CN113516524B (zh) 用于推送信息的方法和装置
CN114971767A (zh) 信息处理方法、装置、电子设备及存储介质
CN111125514B (zh) 用户行为分析的方法、装置、电子设备和存储介质
CN113191840A (zh) 物品信息显示方法、装置、电子设备和计算机可读介质

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