CN113627454A - 物品信息聚类方法、推送方法和装置 - Google Patents
物品信息聚类方法、推送方法和装置 Download PDFInfo
- Publication number
- CN113627454A CN113627454A CN202010386461.2A CN202010386461A CN113627454A CN 113627454 A CN113627454 A CN 113627454A CN 202010386461 A CN202010386461 A CN 202010386461A CN 113627454 A CN113627454 A CN 113627454A
- Authority
- CN
- China
- Prior art keywords
- information
- article information
- article
- clustering
- browsing
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 67
- 230000007704 transition Effects 0.000 claims abstract description 144
- 239000011159 matrix material Substances 0.000 claims abstract description 141
- 239000013598 vector Substances 0.000 claims abstract description 36
- 238000012546 transfer Methods 0.000 claims description 125
- 238000004364 calculation method Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 8
- 230000000875 corresponding effect Effects 0.000 description 57
- 238000010586 diagram Methods 0.000 description 19
- 230000008569 process Effects 0.000 description 14
- 230000006870 function Effects 0.000 description 10
- 239000002184 metal Substances 0.000 description 10
- 230000006399 behavior Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 238000000354 decomposition reaction Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- 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
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/55—Push-based network services
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Probability & Statistics with Applications (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了物品信息聚类方法、推送方法和装置,涉及计算机技术领域。该方法的一具体实施方式包括:收集样本数据,样本数据包括多条物品信息的浏览时间点以及多条物品信息的状态转移信息;根据浏览时间点和状态转移信息,计算多条物品信息的相关度矩阵;从相关度矩阵中,为每一条物品信息分解出对应的特征向量;根据每一条物品信息对应的特征向量,对多条物品信息进行聚类操作。该实施方式能够有效地提高聚类的准确度,从而真实的体现出用户需求。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种物品信息聚类方法、推送方法和装置。
背景技术
对商品进行聚类划分不仅有助于商品的管理,更是一种营销手段。例如:将属于同一类别的商品信息或者同一聚类的商品信息展示在前端的同一个栏目下,就可以吸引顾客在浏览完(或购买完)一件商品后又会去浏览或购买同一栏目下的相关商品。
在实现本发明过程中,发明人发现现有技术中至少存在如下问题:
目前存在的物品信息聚类方法并未考虑不同物品信息浏览的时间点,对聚类的影响。因此,目前存在的物品信息聚类方法,聚类的准确度较低,往往不能真实的体现出用户需求。
发明内容
有鉴于此,本发明实施例提供一种物品信息聚类方法、推送方法和装置,能够有效地提高聚类的准确度,从而真实的体现出用户需求。
为实现上述目的,根据本发明实施例的一个方面,提供了一种物品信息聚类方法,包括:
收集样本数据,所述样本数据包括多条物品信息的浏览时间点以及多条物品信息的状态转移信息;
根据所述浏览时间点和所述状态转移信息,计算所述多条物品信息的相关度矩阵;
从所述相关度矩阵中,为每一条所述物品信息分解出对应的特征向量;
根据每一条所述物品信息对应的特征向量,对所述多条物品信息进行聚类操作。
优选地,
收集样本数据的步骤包括:
采集多个用户的浏览信息和/或订单信息;
从每一个所述用户的浏览信息和/或订单信息中,提取用户特征标识、用户浏览的物品信息的浏览时间点以及多条物品信息的状态转移信息;
将属于同一所述用户特征标识的所述物品信息的浏览时间点以及所述多条物品信息的状态转移信息划分到一个样本组;
利用多个所述样本组构成样本数据。
优选地,所述物品信息聚类方法,进一步包括:从每一个所述用户的浏览信息和/或订单信息中,提取多条物品信息的物品特征标识;
为所述样本组构建多个所述物品特征标识、多个所述浏览时间点以及状态转移信息之间的关联关系;
利用多个所述样本组构成样本数据的步骤包括:由多个所述样本组的多个关联关系组成样本数据。
优选地,
计算所述多条物品信息的相关度矩阵的步骤包括:
根据每一个所述样本组所包括的所述物品信息的浏览时间点以及所述多条物品信息的状态转移信息,计算每两个物品信息之间的转移速率;
利用计算出的每两个物品信息之间的转移速率,构建转移速率矩阵;
根据所述转移速率矩阵,计算所述多条物品信息的相关度矩阵。
优选地,
根据所述转移速率矩阵,计算所述多条物品信息的相关度矩阵的步骤包括:
将所述转移速率矩阵代入预设的计算关系式中,确定出转移概率矩阵,其中,所述转移概率矩阵为与转移时间差相关的矩阵;
计算每两个物品信息之间的转移时间差;
利用所述转移时间差和所述转移概率矩阵,计算出所述多条物品信息的相关度矩阵。
优选地,
计算每两个物品信息之间的转移时间差的步骤包括:
利用每一个所述样本组中所包括的所述物品信息的浏览时间点以及所述多条物品信息的状态转移信息,计算每两个物品信息之间的转移时间差;
或者,
利用设定时间段内统计出的多条物品信息的新的浏览时间点以及所述多条物品信息的新的状态转移信息,计算每两个物品信息之间的转移时间差;
或者,
利用每一个所述样本组中所包括的所述物品信息的浏览时间点、所述多条物品信息的状态转移信息、设定时间段内统计出的多条物品信息的新的浏览时间点以及所述多条物品信息的新的状态转移信息,计算每两个物品信息之间的转移时间差。
第二方面,本发明实施例提供一种物品信息推送方法,包括:
确定与当前展示物品信息相关的聚类结果,其中,所述聚类结果基于相关度矩阵分解出的特征向量确定出,所述相关度矩阵根据多条物品信息的浏览时间点以及多条物品信息的状态转移信息计算出;
从所述聚类结果中,选取预设个数的物品信息作为待展示物品信息;
推送所述待展示物品信息到所述当前展示物品信息所在页面。
优选地,
选取预设个数的物品信息作为待展示物品信息的步骤包括:
确定所述聚类结果中的物品信息与所述当前展示物品信息的聚类距离;
根据所述聚类距离,选取预设个数的物品信息作为待展示物品信息。
优选地,
选取预设个数的物品信息作为待展示物品信息的步骤包括:
利用余弦相似度,计算所述聚类结果中的物品信息与所述当前展示物品信息的相似度;
根据所述相似度,选取预设个数的物品信息作为待展示物品信息。
第三方面,本发明实施例提供一种物品信息聚类装置,包括:收集单元、计算与分解单元以及聚类单元,其中,
所述收集单元,用于收集样本数据,所述样本数据包括多条物品信息的浏览时间点以及多条物品信息的状态转移信息;
所述计算与分解单元,用于根据所述收集单元收集到的样本数据包括的所述时间点和所述状态转移信息,计算所述多条物品信息的相关度矩阵;从所述相关度矩阵中,为每一条所述物品信息分解出对应的特征向量;
所述聚类单元,用于根据每一条所述物品信息对应的特征向量,对所述多条物品信息进行聚类操作。
优选地,
所述收集单元,用于采集多个用户的浏览信息以及订单信息;从每一个所述用户的浏览信息和/或订单信息中,提取用户特征标识、用户浏览的物品信息的浏览时间点以及多条物品信息的状态转移信息;将属于同一所述用户特征标识的所述物品信息的浏览时间点以及所述多条物品信息的状态转移信息划分到一个样本组;利用多个所述样本组构成样本数据。
优选地,
所述收集单元,进一步用于从每一个所述用户的浏览信息和/或订单信息中,提取多条物品信息的物品特征标识;为所述样本组构建多个所述物品特征标识、多个所述浏览时间点以及状态转移信息之间的关联关系;由多个所述样本组的多个关联关系组成样本数据。
优选地,
所述计算与分解单元,用于根据每一个所述样本组所包括的所述物品信息的浏览时间点以及所述多条物品信息的状态转移信息,计算每两个物品信息之间的转移速率;利用计算出的每两个物品信息之间的转移速率,构建转移速率矩阵;根据所述转移速率矩阵,计算所述多条物品信息的相关度矩阵。
第四方面,本发明实施例提供一种物品信息推送装置,包括:处理单元以及展示单元,其中,
所述处理单元,用于确定与当前展示物品信息相关的聚类结果,其中,所述聚类结果基于相关度矩阵分解出的特征向量确定出,所述相关度矩阵根据多条物品信息的浏览时间点以及多条物品信息的状态转移信息计算出;
所述展示单元,用于从所述处理单元确定出的所述聚类结果中,选取预设个数的物品信息作为待展示物品信息;推送所述待展示物品信息到所述当前展示物品信息所在页面。
优选地,
所述展示单元,用于确定所述聚类结果中的物品信息与所述当前展示物品信息的聚类距离;根据所述聚类距离,选取预设个数的物品信息作为待展示物品信息;
或者,
所述展示单元,用于利用余弦相似度,计算所述聚类结果中的物品信息与所述当前展示物品信息的相似度;根据所述相似度,选取预设个数的物品信息作为待展示物品信息。
上述发明中的一个实施例具有如下优点或有益效果:一般来说,两个物品信息的浏览时间点之间的时间差异以及浏览的物品信息的转移方向以及转移目标能够比较准确的体现出两个物品信息被关联浏览的情况,即多个物品信息之间被关联浏览,不仅受物品信息的浏览时间点影响,而且受物品信息的转移方向以及转移目标的影响。本发明实施例根据时间点和状态转移信息,计算多条物品信息的相关度矩阵;从相关度矩阵中,为每一条物品信息分解出对应的特征向量,即将浏览时间点和转移状态信息引入到计算相关度矩阵,能够保证计算出的相关度矩阵能够比较真实的反映浏览过程中不同物品信息之间浏览关联度,能够比较真实的体现出用户实际浏览行为或购物行为。因此,能够使聚类结果更加准确度,从而真实的体现出用户需求。
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是根据本发明实施例的物品信息聚类方法的主要流程的示意图;
图2是根据本发明实施例的收集样本数据的主要流程的示意图;
图3是根据本发明实施例的由样本组构成样本数据的主要流程的示意图;
图4是根据本发明实施例的样品组包括的关联关系的示意图;
图5是根据本发明实施例的计算多条物品信息的相关度矩阵的主要流程的示意图;
图6是根据本发明另一实施例的计算多条物品信息的相关度矩阵的主要流程的示意图;
图7是根据本发明实施例的部分聚类结果的示意图;
图8是根据本发明实施例的物品信息推送方法的主要流程的示意图;
图9是根据本发明实施例的物品信息聚类装置的主要单元的示意图;
图10是根据本发明实施例的物品信息推送装置的主要单元的示意图;
图11是本发明实施例可以应用于其中的示例性***架构图;
图12是适于用来实现本发明实施例的服务器的计算机***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。
物品信息的浏览时间点是一个时刻,是指从开始浏览一个物品信息到浏览该物品信息结束之间的任意一个时间点,比如开始浏览物品信息的时间点、浏览物品信息过程中的一个时间点以及浏览物品信息结束时的时间点中的任意一种时间点。而多条物品信息的浏览时间点采用统一的标准。比如,所有的物品信息的浏览时间点都为开始浏览物品信息的时间点;或者,所有的物品信息的浏览时间点都为开始浏览物品信息的时间点;或者,所有的物品信息的浏览时间点都为浏览物品信息过程中的一个时间点(所有的物品信息的浏览时间点满足同一标准,比如,该所有的物品信息的浏览时间点与开始浏览该物品信息的时间点之差为一个固定值)。
样本数据主要来源于大量用户的一定时间内浏览的物品信息和/或大量用户的一定时间内的订单信息。
状态转移信息包括物品信息之间的浏览顺序以及浏览方向,比如,用户A的历史浏览信息中记录了在浏览物品信息a以后又浏览了物品信息b,浏览物品信息b之后又浏览了物品信息c,则状态转移信息包括:物品信息a、物品信息b以及物品信息c的顺序及浏览方向。为;该状态转移信息可以以文本的形式记录,比如(a,b),(b,c)(该(a,b)即指示浏览顺序和方向从物品信息a跳转到物品信息b,该(b,c)即指示浏览顺序和方向从物品信息b跳转到物品信息c);可以以流程的方式记录,比如a→b→c。
一般来说,用户在不同的时刻处于不同的状态(即用户在不同的时刻所浏览的物品信息页面不同),而用户达到不同状态(即用户从一个物品信息页面转移到另一个物品信息页面)对应的时间的差反映了两条物品信息(两件商品)之间潜在的关联关系,因为用户一般浏览完一条物品信息(一件商品)后在较短时间内会转移到另一种相关度或相似度很大的一条物品信息(一件商品),进行比较,从而择优购买。但是用户浏览完一条物品信息(一件商品)后,一般不会在较短时间内跳转到一条不相关物品信息(一件不相关的商品)所在的页面。因此,用户跳转到不同物品信息(商品)所用的时间差影响着不同物品信息(商品)之间的转移速率,间接反映不同物品信息(商品)之间的相关关系。
图1是根据本发明实施例的一种物品信息聚类方法,如图1所示,该物品信息聚类方法可包括如下步骤:
S101:收集样本数据,样本数据包括多条物品信息的浏览时间点以及多条物品信息的状态转移信息;
S102:根据浏览时间点和状态转移信息,计算多条物品信息的相关度矩阵;
S103:从相关度矩阵中,为每一条物品信息分解出对应的特征向量;
S104:根据每一条物品信息对应的特征向量,对多条物品信息进行聚类操作。
其中,聚类操作可以通过配置多种聚类方法比如K-Means聚类方法、均值偏移聚类方法、DBSCAN聚类方法、高斯混合模型(GMM)的期望最大化(EM)聚类方法以及层次聚类方法等现有的聚类方法。可通过随机或者指定配置的任意一个聚类方法完成上述S104的聚类操作。
在上述物品信息聚类方法中,用于聚类的特征向量是由相关度矩阵得到的,而相关度矩阵与样品数据包括的物品信息的浏览时间点和状态转移信息相关。
一般来说,两个物品信息的浏览时间点之间的时间差异以及浏览的物品信息的转移方向以及转移目标能够比较准确的体现出两个物品信息被关联浏览的情况,即多个物品信息之间被关联浏览,不仅受物品信息的浏览时间点影响,而且受物品信息的转移方向以及转移目标的影响。本发明实施例根据时间点和状态转移信息,计算多条物品信息的相关度矩阵;从相关度矩阵中,为每一条物品信息分解出对应的特征向量,即将浏览时间点和转移状态信息引入到计算相关度矩阵,能够保证计算出的相关度矩阵能够比较真实的反映浏览过程中不同物品信息之间浏览关联度,能够比较真实的体现出用户实际浏览行为或购物行为。因此,从相关度矩阵中,为每一条物品信息分解出对应的特征向量,根据每一条物品信息对应的特征向量,对多条物品信息进行聚类操作,能够使聚类结果更加准确度,从而真实的体现出用户需求。
在本发明一个实施例中,如图2所示,上述步骤S101的具体实施方式可包括如下步骤:
S201:采集多个用户的浏览信息和/或订单信息;
S202:从每一个用户的浏览信息和/或订单信息中,提取用户特征标识、用户浏览的物品信息的浏览时间点以及多条物品信息的状态转移信息;
S203:将属于同一用户特征标识的物品信息的浏览时间点以及多条物品信息的状态转移信息划分到一个样本组;
S204:利用多个样本组构成样本数据。
浏览信息一般是指在一定时间内的浏览情况,该浏览情况可包括有用户浏览的物品信息、物品信息的浏览时间点、用户浏览的多个物品信息的跳转方向;对于订单信息来说,该跳转方向可以为物品信息在一个订单信息中的排序情况。
比如,上述步骤S203得到的部分样本组可如下所示:
(user_1,sku1(t0),sku2(t1),sku3(t2),sku4(t3),sku5(t4),sku2(t5),sku1(t6));(user_2,sku6(t0’),sku7(t1’),sku8(t2’),sku8(t3’));(user_3,sku6(t0”),sku9(t1”),sku10(t2”),sku11(t3”));(user_4,sku12(t0”’),sku13(t1”’),sku14(t2”’),sku15(t3”’),sku16(t4”’),sku11(t5”’))等。
其中,user_1、user_2、user_3以及user_4表示用户特征标识;sku1、sku2、sku3、sku4、sku5、sku6、sku7、sku8、sku9、sku10、sku11、sku12、sku13、sku14、sku15以及sku16表示不同的物品信息的物品特征标识;t0、t1、t2、t3、t4、t5以及t6表征用户user_1浏览的每一个物品信息对应的浏览时间点;t0’、t1’、t2’以及t3’表征用户user_2浏览的每一个物品信息对应的浏览时间点;t0”、t1”、t2”以及t3”表征用户user_3浏览的每一个物品信息对应的浏览时间点;t1”’、t2”’、t3”’、t4”’以及t5”’表征用户user_4浏览的每一个物品信息对应的浏览时间点。其中,每一个样品组中,物品信息的排序表征状态转移信息,比如,针对(user_1,sku1(t0),sku2(t1),sku3(t2),sku4(t3),sku5(t4),sku2(t5),sku1(t6))来说,其状态转移信息为,浏览sku1转移(切换或跳转)到浏览sku2,浏览sku2转移(切换或跳转)到浏览sku3,浏览sku3转移(切换或跳转)到浏览sku4,浏览sku4转移(切换或跳转)到浏览sku5,浏览sku5转移(切换或跳转)到浏览sku2,sku2转移(切换或跳转)到浏览sku1。
通过上述过程,实现了按照用户组对浏览时间点以及多条物品信息的状态转移信息进行管理,由于不同用户的浏览情况存在差异,而且根据用户组对浏览时间点以及多条物品信息的状态转移信息进行管理,在计算相关度矩阵的过程中引入用户组,能够有效地提高相关度矩阵的准确度。
在本发明一个实施例中,针对划分出样本组以及由样本组构成样本数据,如图3所示,可包括如下步骤:
S301:从每一个用户的浏览信息和/或订单信息中,提取多条物品信息的物品特征标识;
S302:为样本组构建多个物品特征标识、多个浏览时间点以及状态转移信息之间的关联关系;
S303:由多个样本组的多个关联关系组成样本数据。
其中,上述S302为user_1、user_2、user_3以及user_4构建出的关联关系可如图4所示。其中,同一种连线类型指示同一个用户浏览的,比如,连线类型为实线表征用户user_1对应的样本组中的关联关系,连线类型为第一类虚线表征用户user_2对应的样本组中的关联关系,连线类型为第二类虚线表征用户user_3对应的样本组中的关联关系,连线类型为第三类虚线表征用户user_4对应的样本组的关联关系,带箭头的连线两端所对应的物品信息的特征标识指示两个物品信息之间的浏览转移,其中,箭头所指示的方向即为浏览物品信息的转移方向。另外,在上述关联关系中还记录了每一个物品信息所对应的浏览时间点。
如图4所示,用户user_1,从浏览sku1开始,开始浏览sku1(由此确定出的sku1对应的浏览时间点为t0),从sku1转移到浏览sku2(由此确定出的sku2对应的浏览时间为t1),从sku2转移到浏览sku3(由此确定出的sku3对应的浏览时间为t2),从sku3转移到浏览sku4(由此确定出的sku4对应的浏览时间为t3),从sku4转移到浏览sku5(由此确定出的sku5对应的浏览时间为t4),从sku5转移到浏览sku2(由此确定出的sku2对应的浏览时间为t5),从sku2转移到浏览sku1(由此确定出的sku1对应的浏览时间为t6);
用户user_2,从浏览sku6开始,开始浏览sku6(由此确定出的sku6对应的浏览时间点为t0’),从sku6转移到浏览sku7(由此确定出的sku7对应的浏览时间点为t1’),从sku7转移到浏览sku8(由此确定出的sku8对应的浏览时间点为t2’),从sku8转移到浏览sku8(由此确定出的sku8对应的浏览时间点为t3’));其中,从sku8转移到浏览sku8可以为sku8可能存在至少两个链接,通过sku8的一个链接转移到sku8的另一个链接;
用户user_3,从浏览sku6开始,开始浏览sku6(由此确定出的sku6对应的浏览时间点为t0”),从sku6转移到浏览sku9(由此确定出的sku9对应的浏览时间点为t1”),从sku9转移到浏览sku10(由此确定出的sku10对应的浏览时间点为t2”),从sku10转移到浏览sku11(由此确定出的sku11对应的浏览时间点为t3”);
用户user_4,从浏览sku12开始,开始浏览sku12(由此确定出的sku12对应的浏览时间点为t0”’),从sku12转移到浏览sku13(由此确定出的sku13对应的浏览时间点为t1”’),从sku13转移到浏览sku14(由此确定出的sku14对应的浏览时间点为t2”’),从sku14转移到浏览sku15(由此确定出的sku15对应的浏览时间点为t3”’),从sku15转移到浏览sku16(由此确定出的sku16对应的浏览时间点为t4”’),从sku16转移到浏览sku11(由此确定出的sku11对应的浏览时间点为t5”’)等。
值得说明的是,图4示出的物品信息的特征标识(sku1、sku2、……)可以采用不同形状的简图如圆形、方形等或者不同颜色的简图如红色的实心圆、黑色实心圆等。带箭头的不同类型的连接线还可用不同颜色的连接线替换。
通过上述关联关系构建出样本组,实现了以图形结构管理样本组以及样本数据,使样本组中所包含的有效信息如浏览时间点以及状态转移信息更加简单、清晰。
在本发明一个实施例中,如图5所示,上述计算多条物品信息的相关度矩阵可包括如下步骤:
S501:根据每一个样本组所包括的物品信息的浏览时间点以及多条物品信息的状态转移信息,计算每两个物品信息之间的转移速率;
S502:利用计算出的每两个物品信息之间的转移速率,构建转移速率矩阵;
S503:根据转移速率矩阵,计算多条物品信息的相关度矩阵。
其中,计算每两个物品信息之间的转移速率的具体实施方式可包括:
利用下述计算公式组,计算每两个物品信息之间的转移速率。
计算公式组:
其中,qi,j表征从物品信息i转移到物品信息j的转移速率;λ表征计算常数;表征通过样本数据统计出的从物品信息i转移到物品信息j所需的平均转移时间;N表征样本数据中包括的样本组的总个数;k表征样本数据中第k个样本组;i→j表征从浏览物品信息i转移到浏览物品信息j;Ik(i→j)表征示性函数,即当样本数中第k个样本组包括从浏览物品信息i转移到浏览物品信息j这一状态转移信息,则Ik(i→j)=1,当样本数中第k个样本组不包括从物品信息i转移到物品信息j这一状态转移信息,则Ik(i→j)=0;
其中,i=j表征用户在浏览物品信息i后,又一次进入到物品信息所在的页面。
上述步骤S502采用齐次马尔科夫随机过程,构建出的转移速率矩阵如下:
其中,Q表征转移速率矩阵;qvu表征第v行第u列所对应的转移速率,其为对样本数据中的物品信息任意排序后第v个物品信息转移到第u个物品信息的转移速率;v和u的取值范围为0到m中的任意整数;样本数据包括的物品信息的总个数为m+1,即形成(m+1)×(m+1)的矩阵,m为不小于2的正整数。
由于用户浏览当前商品与其上一时刻浏览的商品相关,与其他时刻浏览商品关系不大,其与齐次马尔科夫随机过程类似,因此,本发明实施例可基于齐次马尔科夫随机过程得到上述转移速率矩阵。
在本发明一个实施例中,如图6所示,根据转移速率矩阵,计算多条物品信息的相关度矩阵可包括如下步骤:
S601:将转移速率矩阵代入预设的计算关系式中,确定出转移概率矩阵,其中,转移概率矩阵为与转移时间差相关的矩阵;
S602:计算每两个物品信息之间的转移时间差;
S603:利用转移时间差和转移概率矩阵,计算出多条物品信息的相关度矩阵。
其中,步骤S601中的预设的计算关系式如下所示:
其中,P(t)表征转移概率矩阵;Q表征转移速率矩阵;t表征转移时间差;K表征设定参数(用户可根据实际需要进行设定),其中,K值越大,结果越精确,其与用户给出的统计量或者用户所要求的精确度相关;
将上述预设的计算关系式结合正则性条件得到转移概率矩阵。
转移概率矩阵:
其中,正则性条件:
值得说明的是,上述预设的计算关系式可基于柯尔莫哥洛夫前向方程积分得到。
其中,P(t)表征转移概率矩阵,该转移概率矩阵是与时间差t有关的动态变量;pvu(t)表征第v行第u列所对应的转移概率关系式,其为对样本数据中的物品信息任意排序后第v个物品信息转移到第u个物品信息的转移概率关系式,该转移概率关系式与时间差t有关的动态变量;和u的取值范围为0到m中的任意整数;样本数据包括的物品信息的总个数为m+1,即形成(m+1)×(m+1)的矩阵,m为不小于2的正整数。
即:得到的转移概率矩阵或转移概率矩阵中的转移概率关系式是与转移时间差t有关的动态变量,利用矩阵P(t)可以得到任意两个物品信息在任意时间间隔内的转移概率。
一般来说,上述转移概率矩阵中每一个转移概率关系式可包括相应的物品信息的特征标识(该物品信息的特征标识是指能够唯一表征物品或物品信息的特征比如目前电商平台常用的sku编号等),以方便后面计算相关度矩阵。
在实际应用中,基于上述转移概率矩阵,为了得到相关度矩阵,需先获知每两个物品信息之间的转移时间差。在本发明实施例中,步骤S602计算每两个物品信息之间的转移时间差的具体实施方式可以有三种。
具体实施方式一:
利用样本数据或者每一个样本组中所包括的物品信息的浏览时间点以及多条物品信息的状态转移信息,计算每两个物品信息之间的转移时间差;
该转移时间差即为上述实施例给出的 计算得到,可表示为即对样本数据中的物品信息任意排序后第v个物品信息i转移到第u个物品信息j的转移时间差;tv,u表征代入转移概率矩阵第v行第u列的转移概率关系式Pvu(t)中的转移时间差;表征表征通过样本数据统计出的从物品信息i转移到物品信息j所需的平均转移时间;N表征样本数据中包括的样本组的总个数;k表征样本数据中第k个样本组;i→j表征从浏览物品信息i转移到浏览物品信息j;Ik(i→j)表征示性函数,即当样本数中第k个样本组包括从浏览物品信息i转移到浏览物品信息j这一状态转移信息,则Ik(i→j)=1,当样本数中第k个样本组不包括从物品信息i转移到物品信息j这一状态转移信息,则Ik(i→j)=0。
具体实施方式二:
利用设定时间段内统计出的多条物品信息的新的浏览时间点以及多条物品信息的新的状态转移信息,计算每两个物品信息之间的转移时间差;
该设定时间段是在实际应用中的任意时间段,其一般为采集样本数据之外的时间段。
该具体实施方式二中通过计算得到,tgd′表征设定时间段内统计出的多条物品信息中的从物品信息g转移到物品信息d所需的转移时间差;M表征设定时间段内统计出的多条物品信息所属于用户的总个数;y表征设定时间段内统计出的多条物品信息所属于所有用户中的第y个用户;g→d表征从浏览物品信息g转移到浏览物品信息d;Iy(g→d)表征示性函数,即当设定时间段内统计出的第y个用户包括从浏览物品信息g转移到浏览物品信息d这一状态转移信息,则Iy(g→d)=1,当设定时间段内统计出的第y个用户不包括从浏览物品信息g转移到浏览物品信息d这一状态转移信息,则Iy(g→d)=0。
具体实施方式三:
利用每一个样本组中所包括的物品信息的浏览时间点、多条物品信息的状态转移信息、设定时间段内统计出的多条物品信息的新的浏览时间点以及多条物品信息的新的状态转移信息,计算每两个物品信息之间的转移时间差。
该具体实施方式三可通过对上述具体实施例一的结果和具体实施例二的结果加和得到,即tgd″=tgd′+tg,d,其中,tgd′是由上述具体实施方式二得到的;tg,d是由上述具体实施方式一得到的,tg,d表征样本数据或者每一个样本组中所包括的物品信息中的从物品信息g转移到物品信息d所需的平均转移时间。
该具体实施方式三也可以将样本数据与设定时间段内统计出的多条物品信息的新的浏览时间点以及多条物品信息结合,然后通过计算得到,tgd″表征具体实施例三计算得到从物品信息g转移到物品信息d所需的转移时间差;N表征样本数据中包括的样本组的总个数;M表征设定时间段内统计出的多条物品信息所属于用户的总个数;x表征设定时间段内统计出的多条物品信息所属于所有用户中的第x个用户或者样本数据中第x个样本组;g→d表征从浏览物品信息g转移到浏览物品信息d;Ix(g→d)表征示性函数,即当设定时间段内统计出的第x个用户包括从浏览物品信息g转移到浏览物品信息d这一状态转移信息或者当样本数据中第x个样本组包括从浏览物品信息g转移到浏览物品信息d这一状态转移信息,则Ix(g→d)=1,当设定时间段内统计出的第x个用户不包括从浏览物品信息g转移到浏览物品信息d这一状态转移信息或者当样本数据中第x个样本组不包括从浏览物品信息g转移到浏览物品信息d这一状态转移信息,则Iy(g→d)=0。
上述各个实施例中样本数据可采集大量用户的浏览情况,以尽可能包括了所有的物品信息,从而使上述实施例中设定时间段所包括的物品信息全部属于样本数据给出的物品信息,以使设定时间段所包括的物品信息能够采用上述转移概率矩阵。
上述设定时间段可以为某一天或者从某一时刻开始的24h或48h等。
将上述转移时间差代入上述转移概率矩阵中对应的转移概率关系式后,即可得到物品信息之间的相关度矩阵。
P表征相关度矩阵;pvu表征计算得到的第v行第u列所对应的转移概率;v和u的取值范围为0到m中的任意整数;m为不小于2的正整数。
值得说明的是,针对上述计算每两个物品信息之间的转移时间差的具体实施方式二来说,设定时间段内的统计出的多条物品信息不一定能够涵盖转移概率矩阵所包括的所有物品信息,那么,对于转移概率矩阵中任意一个或多个转移概率来说,在采用具体实施方式二并未得到该转移概率对应的转移时间差,则在相关度矩阵中,将该转移概率相对应的位置赋值为零。
上述相关度矩阵P中的值即为每两个物品信息之间的转移概率,其反应了两个物品信息之间的亲密关系,因此本发明实施例给出的方案中将两个物品信息之间的转移概率看作他们之间的内积矩阵。
另外,上述步骤S103的具体实施方式可包括:利用计算公式P=UΛUT和计算公式X=UΛ1/2对相关度矩阵进行分解,即可得到每一条物品信息分解出对应的特征向量。
其中U表征由相关度矩阵P的特征向量构成的矩阵,Λ表征以相关度矩阵P的特征值为对角元素的对角阵,X表征每个物品信息的特征向量构成的矩阵,X中的每一行代表一条物品信息的特征向量。
其中,P=UΛUT和X=UΛ1/2是采用古典尺度法或者多维尺度法得到的。
基于上述实施例给出的方案,分别为三个物品信息skuA、skuB及skuC进行聚类操作,得到的聚类结果可如图7所示。图7所示的三个物品信息skuA、skuB及skuC的聚类结果可以为,分别以物品信息skuA、skuB及skuC为中心,设定半径的圆内所包含的其他物品信息。
即本发明实施例提供的方案不需要训练模型,也不用花费大量的资源进行数据标注,其是基于用户的购物信息或者浏览信息,计算物品信息之间的转移概率矩阵,利用矩阵分解的方法来获取物品信息的特征向量。与训练模型相比,本发明实施例提供的方案所需的计算资源比较少,因此,本发明实施例提供的方案能够有效地降低人工成本和计算资源消耗。
如图8所示,本发明实施例提供一种物品信息推送方法。该物品信息推送方法可包括如下步骤:
S801:确定与当前展示物品信息相关的聚类结果,其中,聚类结果基于相关度矩阵分解出的特征向量确定出,相关度矩阵根据多条物品信息的浏览时间点以及多条物品信息的状态转移信息计算出;
S802:从聚类结果中,选取预设个数的物品信息作为待展示物品信息;
S803:推送待展示物品信息到当前展示物品信息所在页面。
其中,步骤S801确定出的聚类结果可通过上述各个实施例提供的物品信息聚类方法得到。
其中,选取预设个数的物品信息作为待展示物品信息的步骤的可有两种具体实施方式。
选取预设个数的物品信息作为待展示物品信息的第一种具体实施方式:
确定聚类结果中的物品信息与当前展示物品信息的聚类距离;根据聚类距离,选取预设个数的物品信息作为待展示物品信息。
在聚类结果得到的聚类图中,该聚类距离即为其他物品信息的位置到当前展示物品信息的位置的直线距离。
该预设个数可以根据需求进行相应地设定,比如,根据电商货架能够摆放的物品个数,或者根据页面能够展示的物品个数确定等。
选取预设个数的物品信息作为待展示物品信息的第二种具体实施方式:
利用余弦相似度,计算聚类结果中的物品信息与当前展示物品信息的相似度;根据相似度,选取预设个数的物品信息作为待展示物品信息。
如图9所示,本发明实施例提供一种物品信息聚类装置900,该物品信息聚类装置900可包括:收集单元901、计算与分解单元902以及聚类单元903,其中,
收集单元901,用于收集样本数据,样本数据包括多条物品信息的浏览时间点以及多条物品信息的状态转移信息;
计算与分解单元902,用于根据收集单元901收集到的样本数据包括的时间点和状态转移信息,计算多条物品信息的相关度矩阵;从相关度矩阵中,为每一条物品信息分解出对应的特征向量;
聚类单元903,用于根据每一条物品信息对应的特征向量,对多条物品信息进行聚类操作。
在本发明一个实施例中,收集单元901,用于采集多个用户的浏览信息以及订单信息;从每一个用户的浏览信息和/或订单信息中,提取用户特征标识、用户浏览的物品信息的浏览时间点以及多条物品信息的状态转移信息;将属于同一用户特征标识的物品信息的浏览时间点以及多条物品信息的状态转移信息划分到一个样本组;利用多个样本组构成样本数据。
在本发明一个实施例中,收集单元901,进一步用于从每一个用户的浏览信息和/或订单信息中,提取多条物品信息的物品特征标识;为样本组构建多个物品特征标识、多个浏览时间点以及状态转移信息之间的关联关系;由多个样本组的多个关联关系组成样本数据。
在本发明一个实施例中,计算与分解单元902,用于根据每一个样本组所包括的物品信息的浏览时间点以及多条物品信息的状态转移信息,计算每两个物品信息之间的转移速率;利用计算出的每两个物品信息之间的转移速率,构建转移速率矩阵;根据转移速率矩阵,计算多条物品信息的相关度矩阵。
在本发明一个实施例中,计算与分解单元902,用于将转移速率矩阵代入预设的计算关系式中,确定出转移概率矩阵,其中,转移概率矩阵为与转移时间差相关的矩阵;计算每两个物品信息之间的转移时间差;利用转移时间差和所述转移概率矩阵,计算出多条物品信息的相关度矩阵。
在本发明一个实施例中,计算与分解单元902,进一步用于利用每一个样本组中所包括的物品信息的浏览时间点以及多条物品信息的状态转移信息,计算每两个物品信息之间的转移时间差。
在本发明一个实施例中,计算与分解单元902,进一步用于利用设定时间段内统计出的多条物品信息的新的浏览时间点以及多条物品信息的新的状态转移信息,计算每两个物品信息之间的转移时间差。
在本发明一个实施例中,计算与分解单元902,进一步用于利用每一个样本组中所包括的物品信息的浏览时间点、多条物品信息的状态转移信息、设定时间段内统计出的多条物品信息的新的浏览时间点以及多条物品信息的新的状态转移信息,计算每两个物品信息之间的转移时间差。
如图10所示,本发明实施例提供一种物品信息推送装置1000,该物品信息推送装置1000可包括:处理单元1001以及展示单元1002,其中,
处理单元1001,用于确定与当前展示物品信息相关的聚类结果,其中,聚类结果基于相关度矩阵分解出的特征向量确定出,相关度矩阵根据多条物品信息的浏览时间点以及多条物品信息的状态转移信息计算出;
展示单元1002,用于从处理单元1001确定出的聚类结果中,选取预设个数的物品信息作为待展示物品信息;推送待展示物品信息到当前展示物品信息所在页面。
在本发明一个实施例中,展示单元1002,用于确定聚类结果中的物品信息与当前展示物品信息的聚类距离;根据聚类距离,选取预设个数的物品信息作为待展示物品信息。
在本发明一个实施例中,展示单元1002,用于利用余弦相似度,计算聚类结果中的物品信息与当前展示物品信息的相似度;根据相似度,选取预设个数的物品信息作为待展示物品信息。
值得说明的是,上述物品信息聚类装置和物品信息推送装置可集成到同一个装置或***中。
图11示出了可以应用本发明实施例的物品信息聚类方法或物品信息聚类装置或物品信息推送方法或物品信息推送装置的示例性***架构1100。
如图11所示,***架构1100可以包括终端设备1101、1102、1103,网络1104和服务器1105。网络1104用以在终端设备1101、1102、1103和服务器1105之间提供通信链路的介质。网络1104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1101、1102、1103通过网络1104与服务器1105交互,以接收或发送消息等。终端设备1101、1102、1103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1101、1102、1103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1105可以是提供各种服务的服务器,例如对用户利用终端设备1101、1102、1103所浏览的购物类网站提供支持的后台管理服务器,又例如为用户利用终端设备1101、1102、1103所浏览的物品信息推送与所浏览的物品信息相关的其他物品信息(仅为示例)。后台管理服务器可以对采集到的样本数据中的物品信息的浏览时间点、状态转移信息、聚类结果等数据进行分析等处理,并将处理结果(例如聚类结果、推送的物品信息--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物品信息聚类方法和/或物品信息推送方法一般由服务器1105执行,相应地,物品信息聚类装置和/或物品信息推送装置一般设置于服务器1105中。
应该理解,图11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12,其示出了适于用来实现本发明实施例的服务器的计算机***1200的结构示意图。图12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12所示,计算机***1200包括中央处理单元(CPU)1201,其可以根据存储在只读存储器(ROM)1202中的程序或者从存储部分1208加载到随机访问存储器(RAM)1203中的程序而执行各种适当的动作和处理。在RAM 1203中,还存储有***1200操作所需的各种程序和数据。CPU 1201、ROM 1202以及RAM 1203通过总线1204彼此相连。输入/输出(I/O)接口1205也连接至总线1204。
以下部件连接至I/O接口1205:包括键盘、鼠标等的输入部分1206;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1207;包括硬盘等的存储部分1208;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1209。通信部分1209经由诸如因特网的网络执行通信处理。驱动器1210也根据需要连接至I/O接口1205。可拆卸介质1211,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1210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1208。
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1209从网络上被下载和安装,和/或从可拆卸介质1211被安装。在该计算机程序被中央处理单元(CPU)1201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单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括收集单元、计算与分解单元以及聚类单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,收集单元还可以被描述为“收集样本数据的单元”。
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:收集样本数据,样本数据包括多条物品信息的浏览时间点以及多条物品信息的状态转移信息;根据浏览时间点和状态转移信息,计算多条物品信息的相关度矩阵;从相关度矩阵中,为每一条物品信息分解出对应的特征向量;根据每一条物品信息对应的特征向量,对多条物品信息进行聚类操作。
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:采集多个用户的浏览信息和/或订单信息;从每一个用户的浏览信息和/或订单信息中,提取用户特征标识、用户浏览的物品信息的浏览时间点以及多条物品信息的状态转移信息;将属于同一用户特征标识的物品信息的浏览时间点以及多条物品信息的状态转移信息划分到一个样本组;利用多个样本组构成样本数据。
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:从每一个用户的浏览信息和/或订单信息中,提取多条物品信息的物品特征标识;为样本组构建多个物品特征标识、多个浏览时间点以及状态转移信息之间的关联关系;由多个样本组的多个关联关系组成样本数据。
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:根据每一个样本组所包括的物品信息的浏览时间点以及多条物品信息的状态转移信息,计算每两个物品信息之间的转移速率;利用计算出的每两个物品信息之间的转移速率,构建转移速率矩阵;根据转移速率矩阵,计算多条物品信息的相关度矩阵。
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:确定与当前展示物品信息相关的聚类结果,其中,聚类结果基于相关度矩阵分解出的特征向量确定出,相关度矩阵根据多条物品信息的浏览时间点以及多条物品信息的状态转移信息计算出;从聚类结果中,选取预设个数的物品信息作为待展示物品信息;推送待展示物品信息到当前展示物品信息所在页面。
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:确定聚类结果中的物品信息与当前展示物品信息的聚类距离;根据聚类距离,选取预设个数的物品信息作为待展示物品信息。
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:利用余弦相似度,计算聚类结果中的物品信息与当前展示物品信息的相似度;根据相似度,选取预设个数的物品信息作为待展示物品信息。
根据本发明实施例的技术方案,根据时间点和状态转移信息,计算多条物品信息的相关度矩阵;从相关度矩阵中,为每一条物品信息分解出对应的特征向量,即将浏览时间点和转移状态信息引入到计算相关度矩阵,能够保证计算出的相关度矩阵能够比较真实的反映浏览过程中不同物品信息之间浏览关联度,能够比较真实的体现出用户实际浏览行为或购物行为。因此,从相关度矩阵中,为每一条物品信息分解出对应的特征向量,根据每一条物品信息对应的特征向量,对多条物品信息进行聚类操作,能够使聚类结果更加准确度,从而真实的体现出用户需求。
根据本发明实施例的技术方案,实现了按照用户组对浏览时间点以及多条物品信息的状态转移信息进行管理,由于不同用户的浏览情况存在差异,而且根据用户组对浏览时间点以及多条物品信息的状态转移信息进行管理,在计算相关度矩阵的过程中引入用户组,能够有效地提高相关度矩阵的准确度。
另外,根据本发明实施例的技术方案,通过关联关系构建出样本组,实现了以图形结构管理样本组以及样本数据,使样本组中所包含的有效信息如浏览时间点以及状态转移信息更加简单、清晰。
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 (17)
1.一种物品信息聚类方法,其特征在于,包括:
收集样本数据,所述样本数据包括多条物品信息的浏览时间点以及多条物品信息的状态转移信息;
根据所述浏览时间点和所述状态转移信息,计算所述多条物品信息的相关度矩阵;
从所述相关度矩阵中,为每一条所述物品信息分解出对应的特征向量;
根据每一条所述物品信息对应的特征向量,对所述多条物品信息进行聚类操作。
2.根据权利要求1所述物品信息聚类方法,其特征在于,收集样本数据的步骤包括:
采集多个用户的浏览信息和/或订单信息;
从每一个所述用户的浏览信息和/或订单信息中,提取用户特征标识、用户浏览的物品信息的浏览时间点以及多条物品信息的状态转移信息;
将属于同一所述用户特征标识的所述物品信息的浏览时间点以及所述多条物品信息的状态转移信息划分到一个样本组;
利用多个所述样本组构成样本数据。
3.根据权利要求2所述物品信息聚类方法,其特征在于,
进一步包括:从每一个所述用户的浏览信息和/或订单信息中,提取多条物品信息的物品特征标识;
为所述样本组构建多个所述物品特征标识、多个所述浏览时间点以及状态转移信息之间的关联关系;
利用多个所述样本组构成样本数据的步骤包括:由多个所述样本组的多个关联关系组成样本数据。
4.根据权利要求2或3任一所述物品信息聚类方法,其特征在于,计算所述多条物品信息的相关度矩阵的步骤包括:
根据每一个所述样本组所包括的所述物品信息的浏览时间点以及所述多条物品信息的状态转移信息,计算每两个物品信息之间的转移速率;
利用计算出的每两个物品信息之间的转移速率,构建转移速率矩阵;
根据所述转移速率矩阵,计算所述多条物品信息的相关度矩阵。
5.根据权利要求4所述物品信息聚类方法,其特征在于,根据所述转移速率矩阵,计算所述多条物品信息的相关度矩阵的步骤包括:
将所述转移速率矩阵代入预设的计算关系式中,确定出转移概率矩阵,其中,所述转移概率矩阵为与转移时间差相关的矩阵;
计算每两个物品信息之间的转移时间差;
利用所述转移时间差和所述转移概率矩阵,计算出所述多条物品信息的相关度矩阵。
6.根据权利要求5所述物品信息聚类方法,其特征在于,计算每两个物品信息之间的转移时间差的步骤包括:
利用每一个所述样本组中所包括的所述物品信息的浏览时间点以及所述多条物品信息的状态转移信息,计算每两个物品信息之间的转移时间差;
或者,
利用设定时间段内统计出的多条物品信息的新的浏览时间点以及所述多条物品信息的新的状态转移信息,计算每两个物品信息之间的转移时间差;
或者,
利用每一个所述样本组中所包括的所述物品信息的浏览时间点、所述多条物品信息的状态转移信息、设定时间段内统计出的多条物品信息的新的浏览时间点以及所述多条物品信息的新的状态转移信息,计算每两个物品信息之间的转移时间差。
7.一种物品信息推送方法,其特征在于,包括:
确定与当前展示物品信息相关的聚类结果,其中,所述聚类结果基于相关度矩阵分解出的特征向量确定出,所述相关度矩阵根据多条物品信息的浏览时间点以及多条物品信息的状态转移信息计算出;
从所述聚类结果中,选取预设个数的物品信息作为待展示物品信息;
推送所述待展示物品信息到所述当前展示物品信息所在页面。
8.根据权利要求7所述物品信息推送方法,其特征在于,选取预设个数的物品信息作为待展示物品信息的步骤包括:
确定所述聚类结果中的物品信息与所述当前展示物品信息的聚类距离;
根据所述聚类距离,选取预设个数的物品信息作为待展示物品信息。
9.根据权利要求7所述物品信息推送方法,其特征在于,选取预设个数的物品信息作为待展示物品信息的步骤包括:
利用余弦相似度,计算所述聚类结果中的物品信息与所述当前展示物品信息的相似度;
根据所述相似度,选取预设个数的物品信息作为待展示物品信息。
10.一种物品信息聚类装置,其特征在于,包括:收集单元、计算与分解单元以及聚类单元,其中,
所述收集单元,用于收集样本数据,所述样本数据包括多条物品信息的浏览时间点以及多条物品信息的状态转移信息;
所述计算与分解单元,用于根据所述收集单元收集到的样本数据包括的所述时间点和所述状态转移信息,计算所述多条物品信息的相关度矩阵;从所述相关度矩阵中,为每一条所述物品信息分解出对应的特征向量;
所述聚类单元,用于根据每一条所述物品信息对应的特征向量,对所述多条物品信息进行聚类操作。
11.根据权利要求10所述物品信息聚类装置,其特征在于,
所述收集单元,用于采集多个用户的浏览信息以及订单信息;从每一个所述用户的浏览信息和/或订单信息中,提取用户特征标识、用户浏览的物品信息的浏览时间点以及多条物品信息的状态转移信息;将属于同一所述用户特征标识的所述物品信息的浏览时间点以及所述多条物品信息的状态转移信息划分到一个样本组;利用多个所述样本组构成样本数据。
12.根据权利要求11所述物品信息聚类装置,其特征在于,
所述收集单元,进一步用于从每一个所述用户的浏览信息和/或订单信息中,提取多条物品信息的物品特征标识;为所述样本组构建多个所述物品特征标识、多个所述浏览时间点以及状态转移信息之间的关联关系;由多个所述样本组的多个关联关系组成样本数据。
13.根据权利要求11或12所述物品信息聚类装置,其特征在于,
所述计算与分解单元,用于根据每一个所述样本组所包括的所述物品信息的浏览时间点以及所述多条物品信息的状态转移信息,计算每两个物品信息之间的转移速率;利用计算出的每两个物品信息之间的转移速率,构建转移速率矩阵;根据所述转移速率矩阵,计算所述多条物品信息的相关度矩阵。
14.一种物品信息推送装置,其特征在于,包括:处理单元以及展示单元,其中,
所述处理单元,用于确定与当前展示物品信息相关的聚类结果,其中,所述聚类结果基于相关度矩阵分解出的特征向量确定出,所述相关度矩阵根据多条物品信息的浏览时间点以及多条物品信息的状态转移信息计算出;
所述展示单元,用于从所述处理单元确定出的所述聚类结果中,选取预设个数的物品信息作为待展示物品信息;推送所述待展示物品信息到所述当前展示物品信息所在页面。
15.根据权利要求14所述物品信息推送装置,其特征在于,
所述展示单元,用于确定所述聚类结果中的物品信息与所述当前展示物品信息的聚类距离;根据所述聚类距离,选取预设个数的物品信息作为待展示物品信息;
或者,
所述展示单元,用于利用余弦相似度,计算所述聚类结果中的物品信息与所述当前展示物品信息的相似度;根据所述相似度,选取预设个数的物品信息作为待展示物品信息。
16.一种物品信息聚类电子设备,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1-6中任一所述的方法。
17.一种计算机可读介质,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1-9中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010386461.2A CN113627454B (zh) | 2020-05-09 | 2020-05-09 | 物品信息聚类方法、推送方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010386461.2A CN113627454B (zh) | 2020-05-09 | 2020-05-09 | 物品信息聚类方法、推送方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113627454A true CN113627454A (zh) | 2021-11-09 |
CN113627454B CN113627454B (zh) | 2024-06-18 |
Family
ID=78376426
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010386461.2A Active CN113627454B (zh) | 2020-05-09 | 2020-05-09 | 物品信息聚类方法、推送方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113627454B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115037517A (zh) * | 2022-05-06 | 2022-09-09 | 全球能源互联网研究院有限公司南京分公司 | 智能物联终端安全状态采集方法、装置及电子设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106204581A (zh) * | 2016-07-08 | 2016-12-07 | 西安交通大学 | 基于pca与k均值聚类的动态脑功能连接模式分解方法 |
CN107103329A (zh) * | 2016-02-22 | 2017-08-29 | 阿里巴巴集团控股有限公司 | 一种数据聚类方法及装置 |
US20180012132A1 (en) * | 2016-07-08 | 2018-01-11 | Curtis MEADOW | Method for performing automated analysis of sensor data time series |
CN110706092A (zh) * | 2019-09-23 | 2020-01-17 | 深圳中兴飞贷金融科技有限公司 | 风险用户识别方法和装置,存储介质及电子设备 |
WO2020088058A1 (zh) * | 2018-10-31 | 2020-05-07 | 北京字节跳动网络技术有限公司 | 生成信息的方法和装置 |
-
2020
- 2020-05-09 CN CN202010386461.2A patent/CN113627454B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107103329A (zh) * | 2016-02-22 | 2017-08-29 | 阿里巴巴集团控股有限公司 | 一种数据聚类方法及装置 |
CN106204581A (zh) * | 2016-07-08 | 2016-12-07 | 西安交通大学 | 基于pca与k均值聚类的动态脑功能连接模式分解方法 |
US20180012132A1 (en) * | 2016-07-08 | 2018-01-11 | Curtis MEADOW | Method for performing automated analysis of sensor data time series |
WO2020088058A1 (zh) * | 2018-10-31 | 2020-05-07 | 北京字节跳动网络技术有限公司 | 生成信息的方法和装置 |
CN110706092A (zh) * | 2019-09-23 | 2020-01-17 | 深圳中兴飞贷金融科技有限公司 | 风险用户识别方法和装置,存储介质及电子设备 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115037517A (zh) * | 2022-05-06 | 2022-09-09 | 全球能源互联网研究院有限公司南京分公司 | 智能物联终端安全状态采集方法、装置及电子设备 |
CN115037517B (zh) * | 2022-05-06 | 2023-11-17 | 全球能源互联网研究院有限公司南京分公司 | 智能物联终端安全状态采集方法、装置及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN113627454B (zh) | 2024-06-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107274209A (zh) | 预测促销活动销售数据的方法和装置 | |
CN107908616B (zh) | 预测趋势词的方法和装置 | |
CN111274341A (zh) | 一种网点选址方法和装置 | |
CN112749323B (zh) | 一种构建用户画像的方法和装置 | |
CN112825182A (zh) | 一种确定推荐商品的方法和装置 | |
WO2023142520A1 (zh) | 信息推荐方法及装置 | |
CN112925973A (zh) | 数据处理方法和装置 | |
CN112347147A (zh) | 基于用户关联关系的信息推送方法、装置及电子设备 | |
CN115423555A (zh) | 一种商品推荐方法、装置、电子设备及存储介质 | |
CN113495991A (zh) | 一种推荐方法和装置 | |
CN110633405B (zh) | 用于推送信息的方法和装置 | |
CN113450172B (zh) | 一种商品推荐方法和装置 | |
CN110232581B (zh) | 一种为用户提供优惠券的方法和装置 | |
CN110827101A (zh) | 一种店铺推荐的方法和装置 | |
CN113627454B (zh) | 物品信息聚类方法、推送方法和装置 | |
CN112784861B (zh) | 相似度的确定方法、装置、电子设备和存储介质 | |
CN110110267B (zh) | 提取对象特征、搜索对象的方法和装置 | |
CN112667770A (zh) | 一种对物品进行分类的方法和装置 | |
CN110826948A (zh) | 仓库选品方法和装置 | |
CN113516524B (zh) | 用于推送信息的方法和装置 | |
CN113762994B (zh) | 用户运营管理的方法和装置 | |
CN112035581B (zh) | 基于模型的任务处理方法、装置、设备和介质 | |
CN110766431A (zh) | 判断用户对优惠券是否敏感的方法和装置 | |
CN113191840A (zh) | 物品信息显示方法、装置、电子设备和计算机可读介质 | |
CN113722593A (zh) | 事件数据处理方法、装置、电子设备和介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |