CN113781143B - 对象推荐方法及装置 - Google Patents
对象推荐方法及装置 Download PDFInfo
- Publication number
- CN113781143B CN113781143B CN202011226780.3A CN202011226780A CN113781143B CN 113781143 B CN113781143 B CN 113781143B CN 202011226780 A CN202011226780 A CN 202011226780A CN 113781143 B CN113781143 B CN 113781143B
- Authority
- CN
- China
- Prior art keywords
- search
- feature
- average
- determining
- preference
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 230000006399 behavior Effects 0.000 claims description 149
- 238000012545 processing Methods 0.000 claims description 55
- 239000013598 vector Substances 0.000 claims description 41
- 230000003542 behavioural effect Effects 0.000 claims description 36
- 230000015654 memory Effects 0.000 claims description 13
- 238000013179 statistical model Methods 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 7
- 238000006243 chemical reaction Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 235000013361 beverage Nutrition 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 241000287196 Asthenes Species 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 230000003989 repetitive behavior Effects 0.000 description 1
- 208000013406 repetitive behavior Diseases 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 235000011888 snacks Nutrition 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
-
- 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)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开提供了一种对象推荐方法,包括确定来自用户的搜索信息的第一搜索特征;确定所述用户针对所述第一搜索特征的历史行为信息;确定与所述第一搜索特征关联的平均偏好信息;根据所述历史行为信息和所述平均偏好信息,确定所述用户针对所述第一搜索特征的预测偏好对象;向所述用户推送所述预测偏好对象。本公开还提供了一种对象推荐装置、一种电子设备及一种计算机可读存储介质。
Description
技术领域
本公开涉及互联网技术领域,更具体地,涉及一种对象推荐方法、一种对象推荐装置、一种电子设备以及一种计算机可读存储介质。
背景技术
随着互联网技术的迅速发展,电商领域得以日益成熟。用户在电商平台中会产生大量的用户行为,用户行为中包含很多细粒度且实时性强的用户偏好信息,因此,基于用户历史行为进行对象推荐是电商业务活动的重要内容之一。
在实现本发明公开构思过程中,发明人发现相关技术中在基于用户历史行为进行对象推荐时,由于电商业务日益更新,用户在电商平台中可能出现无历史行为或者历史行为数量很少的新需求,此时基于用户历史行为确定出的推荐对象可能无法满足用户的喜好偏好,这进而导致对象推荐匹配性不佳、转化率差的问题。
发明内容
有鉴于此,本公开提供了一种对象推荐匹配性强、推荐转化率高、推荐效果得以有效改善的对象推荐方法及装置。
本公开的一个方面提供了一种对象推荐方法,包括确定来自用户的搜索信息的第一搜索特征;确定上述用户针对上述第一搜索特征的历史行为信息;确定与上述第一搜索特征关联的平均偏好信息;根据上述历史行为信息和上述平均偏好信息,确定上述用户针对上述第一搜索特征的预测偏好对象;向上述用户推送上述预测偏好对象。
可选地,上述确定上述用户针对上述第一搜索特征的历史行为信息,包括确定上述用户针对上述第一搜索特征的至少一个历史行为特征;确定上述用户针对各上述历史行为特征的第二搜索特征。
可选地,上述确定与上述第一搜索特征关联的平均偏好信息,包括确定针对上述第一搜索特征的平均偏好对象;确定针对上述第一搜索特征的所有偏好对象的第一偏差程度。
可选地,上述根据上述历史行为信息和上述平均偏好信息,确定上述用户针对上述第一搜索特征的预测偏好对象,包括确定上述第一搜索特征与各上述第二搜索特征的第二偏差程度;基于上述平均偏好对象、上述历史行为特征、上述第一偏差程度和上述第二偏差程度,确定上述预测偏好对象。
可选地,上述根据上述历史行为信息和上述平均偏好信息,确定上述用户针对上述第一搜索特征的预测偏好对象,包括确定针对上述至少一个历史行为特征的平均行为特征;确定上述第一搜索特征与各上述第二搜索特征的第四偏差程度;确定针对各上述第二搜索特征的至少一个历史行为特征的第三偏差程度;基于上述平均偏好对象、上述平均行为特征、上述第一偏差程度、上述第四偏差程度和上述第三偏差程度,确定上述预测偏好对象。
可选地,上述确定针对上述至少一个历史行为特征的平均行为特征,包括根据用于表征各上述历史行为特征的词向量,确定与上述至少一个历史行为特征关联的所有词向量的平均词向量;上述平均词向量所表征的行为特征构成上述平均行为特征。
可选地,上述确定与上述第一搜索特征关联的平均偏好信息,包括:
可选地,利用针对所有用户的历史行为的统计数据,确定与上述第一搜索特征关联的平均偏好信息;或者,将上述第一搜索特征输入预设的统计模型,以得到上述平均偏好信息。
本公开的另一个方面提供一种对象推荐装置,包括第一处理模块,用于确定来自用户的搜索信息的第一搜索特征;第二处理模块,用于确定上述用户针对上述第一搜索特征的历史行为信息;第三处理模块,用于确定与上述第一搜索特征关联的平均偏好信息;第四处理模块,用于根据上述历史行为信息和上述平均偏好信息,确定上述用户针对上述第一搜索特征的预测偏好对象;信息推送模块,用于向上述用户推送上述预测偏好对象。
可选地,上述第二处理模块包括第一处理子模块,用于确定上述用户针对上述第一搜索特征的至少一个历史行为特征;第二处理子模块,用于确定上述用户针对各上述历史行为特征的第二搜索特征。
可选地,上述第三处理模块包括第三处理子模块,用于确定针对上述第一搜索特征的平均偏好对象;第四处理子模块,用于确定针对上述第一搜索特征的所有偏好对象的第一偏差程度。
可选地,上述第四处理模块包括第五处理子模块,用于确定上述第一搜索特征与各上述第二搜索特征的第二偏差程度;第六处理子模块,用于基于上述平均偏好对象、上述历史行为特征、上述第一偏差程度和上述第二偏差程度,确定上述预测偏好对象。
可选地,上述第四处理模块还包括第七处理子模块,用于确定针对上述至少一个历史行为特征的平均行为特征;第八处理子模块,用于确定上述第一搜索特征与各上述第二搜索特征的第四偏差程度;第九处理子模块,用于确定针对各上述第二搜索特征的至少一个历史行为特征的第三偏差程度;第十处理子模块,用于基于上述平均偏好对象、上述平均行为特征、上述第一偏差程度、上述第四偏差程度和上述第三偏差程度,确定上述预测偏好对象。
可选地,上述第七处理子模块包括第一处理单元,用于根据用于表征各上述历史行为特征的词向量,确定与上述至少一个历史行为特征关联的所有词向量的平均词向量;上述平均词向量所表征的行为特征构成上述平均行为特征。
本公开的另一个方面提供了一种电子设备。上述电子设备包括一个或多个处理器;以及存储器,用于存储一个或多个程序,其中,当上述一个或多个程序被上述一个或多个处理器执行时,使得上述一个或多个处理器实现本公开实施例的方法。
本公开的另一方面提供了一种计算机可读存储介质,其上存储有可执行指令,该指令被处理器执行时使处理器实现本公开实施例的方法。
通过本公开实施例,因为采用了确定来自用户的搜索信息的第一搜索特征;确定用户针对第一搜索特征的历史行为信息;确定与第一搜索特征关联的平均偏好信息;根据历史行为信息和平均偏好信息,确定用户针对第一搜索特征的预测偏好对象;向用户推送预测偏好对象的技术方案,所以至少部分地克服了相关技术中存在的对象推荐匹配性不佳、推荐转化率低的技术问题,进而达到了有效改善对象推荐匹配性、有效提升对象推荐转化率的技术效果。
附图说明
为了更完整地理解本公开及其优势,现在将参考结合附图的以下描述,其中:
图1示意性示出了根据本公开实施例的对象推荐***架构;
图2示意性示出了根据本公开一实施例的对象推荐方法的流程图;
图3示意性示出了根据本公开另一实施例的对象推荐方法的流程图;
图4示意性示出了本公开一实施例中用户历史行为与不同对象的相关度的示意图;
图5示意性示出了根据本公开实施例的对象推荐装置的框图;
图6示意性示出了根据本公开实施例的适于实现对象推荐方法和装置的电子设备的框图。
具体实施方式
以下,将参照附图来描述本公开的实施例。但是应该理解,这些描述只是示例性地,而并非要限制本公开的范围。在下面的详细描述中,为便于解释,阐述了许多具体的细节以提供对本公开实施例的全面理解。然而,明显地,一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本公开的概念。
在此使用的术语仅仅是为了描述具体实施例,而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在,但是并不排除存在或添加一个或多个其他特征、操步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义,除非另外定义。应注意,这里使用的术语应解释为具有与本说明书的上下文相一致的含义,而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下,一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如,“具有A、B和C中至少一个的***”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的***等)。
本公开的各个实施例提供了一种对象推荐方法以及能够应用该方法的装置。其中,该方法可以包括确定来自用户的搜索信息的第一搜索特征,然后确定用户针对第一搜索特征的历史行为信息,接下来确定与第一搜索特征关联的平均偏好信息,之后根据历史行为信息和平均偏好信息,确定用户针对第一搜索特征的预测偏好对象,最后向用户推送预测偏好对象。
如图1所示,该***架构100包括至少一个用户设备(图中示出了多个,如用户设备101、102、103)和服务器104。在该***架构100中,服务器104确定来自用户设备(如用户设备101、102、103)的用户搜索信息的第一搜索特征,然后确定用户针对第一搜索特征的历史行为信息,接下来确定与第一搜索特征关联的平均偏好信息,之后根据历史行为信息和平均偏好信息,确定用户针对第一搜索特征的预测偏好对象,最后向用户推送预测偏好对象。
以下将结合附图和具体实施例详细阐述本公开。
图2示意性示出了根据本公开一实施例的对象推荐方法的流程图。
如图2所示,该方法例如可以包括操作S210~S250。
在操作S210,确定来自用户的搜索信息的第一搜索特征。
在本公开实施例中,具体地,获取用户输入的搜索信息,具体可以是获取用户通过终端输入的用于搜索目标商品的信息。在获取到用户的搜索信息后,确定来自用户的搜索信息的第一搜索特征,第一搜索特征例如可以是用户的搜索词的词向量。在确定搜索信息的第一搜索特征时,可以利用词向量生成模型(例如word2vec模型)确定获取的用户的搜索词的词向量,作为来自用户的搜索信息的第一搜索特征。
接下来,在操作S220,确定用户针对第一搜索特征的历史行为信息。
在本公开实施例中,具体地,确定用户针对第一搜索特征的历史行为信息,可以包括确定用户针对第一搜索特征的至少一个历史行为特征,以及确定用户针对各历史行为特征的第二搜索特征。
可选地,在确定用户针对第一搜索特征的至少一个历史行为特征时,可以先确定与第一搜索特征关联的用户的至少一个历史行为,然后确定针对各历史行为的行为特征,得到与第一搜索特征关联的至少一个历史行为特征。其中,历史行为例如可以包括点击、浏览、收藏、购买、加购以及标记不喜欢等行为。历史行为特征具体可以是历史行为的词向量,具体可以利用词向量生成模型(例如word2vec模型)确定历史行为的历史行为特征。
用户针对第一搜索特征的历史行为,可以是用户的所有历史行为中与第一搜索特征关联的历史行为,也可以是用户的所有历史行为。例如,用户输入的搜索信息为“笔记本电脑”,在确定出用户的搜索信息的第一搜索特征后,获取用户针对第一搜索特征的历史行为。在获取用户针对第一搜索特征的历史行为时,可以根据用户的用户标识,从本地存储器或在线数据库中获取与第一搜索特征关联的历史行为。
用户针对各历史行为特征的第二搜索特征,例如可以是用户针对各历史行为特征的历史搜索词的词向量。其中,用户针对各历史行为特征的历史搜索词,可以是用户在进行各历史行为之前,通过用户终端输入的搜索词。在确定用户针对各历史行为特征的第二搜索特征时,可以从本地存储器或在线数据库中获取与各历史行为特征关联的至少一个历史搜索词。然后,利用词向量生成模型(例如word2vec模型)确定各历史搜索词的词向量,作为用户针对各历史行为特征的第二搜索特征。
接下来,在操作S230,确定与第一搜索特征关联的平均偏好信息。
在本公开实施例中,具体地,与第一搜索特征关联的平均偏好信息,指示所有用户针对第一搜索特征的平均喜好信息。示例性地,对于搜索词“笔记本电脑”,根据统计数据确定A平台中所有用户针对该搜索词购买最多的商品为B品牌轻薄笔记本,则B品牌轻薄笔记本为与“笔记本电脑”搜索词的搜索特征关联的平均偏好对象。确定与第一搜索特征关联的平均偏好信息,具体可以包括确定针对第一搜索特征的平均偏好对象,以及确定针对第一搜索特征的所有偏好对象的第一偏差程度。
在确定针对第一搜索特征的平均偏好对象时,可以根据统计数据确定所有用户针对第一搜索特征的平均偏好对象,也可以将第一搜索特征输入预先训练好的统计模型中,得到针对第一搜索特征的平均偏好对象。示例性地,可以根据第一搜索特征,从本地存储器或在线数据库中,获取所有用户针对第一搜索特征的所有偏好对象,然后在由统计数据得到的所有偏好对象中,确定对应用户数量最多的偏好对象,作为针对第一搜索特征的平均偏好对象。其中,任一用户针对第一搜索特征的偏好对象,为该用户基于第一搜索特征的预设历史行为对象,预设历史行为例如可以包括购买、收藏、加购物车行为,其中,不同预设历史行为的权重分布不同,例如购买行为的权重高于收藏行为。
在确定针对第一搜索特征的所有偏好对象的第一偏差程度时,可以确定各偏好对象的词向量,然后基于各偏好对象的词向量,建立高斯分布模型并将其中的/>作为第一偏差程度。
接下来,在操作S240,根据历史行为信息和平均偏好信息,确定用户针对第一搜索特征的预测偏好对象。
在本公开实施例中,具体地,根据所有用户针对第一搜索特征的平均偏好信息,以及根据用户针对第一搜索特征的历史行为信息,确定预测偏好对象。在根据历史行为信息和平均偏好信息,确定用户针对第一搜索特征的预测偏好对象时,具体可以先确定第一搜索特征与各第二搜索特征间的第二偏差程度,然后基于平均偏好对象、历史行为特征、第一偏差程度和第二偏差程度,确定预测偏好对象。
在确定第一搜索特征与各第二搜索特征间的第二偏差程度时,可以将用户针对第一搜索特征的各历史行为,看成与预测偏好对象νq关联的T个独立的、不确定性为的行为集合,于是可以基于各历史行为的历史行为特征νt建立高斯分布模型:
其中,为第一搜索特征与各第二搜索特征的第二偏差程度。此外,由于第一搜索特征是目标搜索词的词向量,第二搜索特征是历史搜索词的词向量,因此还可以计算目标搜索词的词向量与历史搜索词的词向量之间的距离,作为第二偏差程度/>
基于平均偏好对象μq、历史行为特征νt、第一偏差程度和第二偏差程度/>确定预测偏好对象νq,可以通过最大后验估计(MAP)得到:
其中,表示高斯概率密度函数,则该MAP存在如下解析解:
其中,k1:T表示用户的各历史行为,ν1:T表示各历史行为的行为特征。
接下来,在操作S250,向用户推送预测偏好对象。
在本公开实施例中,具体地,在确定出预测偏好对象后,向用户终端推送预测偏好对象,例如可以向用户推送与搜索词关联的推荐商品信息。可选地,当确定出不止一个预测偏好对象时,可以根据不同预测偏好对象的优先级,进行预测偏好对象的排序。
在本公开实施例中,确定来自用户的搜索信息的第一搜索特征;确定用户针对第一搜索特征的历史行为信息;确定与第一搜索特征关联的平均偏好信息;根据历史行为信息和平均偏好信息,确定用户针对第一搜索特征的预测偏好对象;向用户推送预测偏好对象。由于历史行为信息能够反映用户针对第一搜索特征的的个人偏好信息,平均偏好信息能够反映所有用户针对第一搜索特征的统计偏好信息,基于历史行为信息和平均偏好信息确定预测偏好对象并进行推送,这能够有效解决用户在电商平台中出现无历史行为或者历史行为数量较少的新需求时,无法基于用户历史行为确定推荐对象,或者确定出的推荐对象无法满足用户偏好的问题。通过结合所有用户针对第一搜索特征的平均偏好信息,确定用于向用户推荐的预测偏好对象,这有利于提升对象推荐的匹配准确率,和有利于提高对象推荐的转化率。
图3示意性示出了根据本公开另一实施例的对象推荐方法的流程图。
如图3所示,操作S240还可以包括操作S310~S340。
在操作S310,确定针对至少一个历史行为特征的平均行为特征。
在本公开实施例中,具体地,根据用于表征各历史行为特征的词向量,确定与至少一个历史行为特征关联的所有词向量的平均词向量,平均词向量所表征的行为特征构成平均行为特征。
在实际应用中,用户历史行为多为相似度较高的重复行为。然而,对于复购周期较长的一类对象,与针对该类对象的搜索词关联的用户历史行为数量往往较少,用户历史行为与该类对象的相关度较低,这类对象例如可以是手机、手表等奢侈品。而对于复购周期较短的对象,与针对该类对象的搜索词关联的用户历史行为数量往往较多,用户历史行为与该类对象的相关度较高,这类对象例如可以是零食、饮料等消耗品。图4示意性示出了本公开实施例中用户历史行为与不同对象的相关度的示意图,由图4可知,用户历史行为与“饮料”对象的相关度最高,与“手机”对象的相关度最低。
确定针对至少一个历史行为特征的平均历史行为特征,能够有效避免因与目标搜索词关联的用户历史行为数量较少,导致的预测偏好对象无法满足用户喜好偏好的问题,这能够有效提升测偏好对象与用户喜好偏好的匹配度。
接下来,在操作S320,确定第一搜索特征与各第二搜索特征的第四偏差程度。
在本公开实施例中,具体地,与M个历史搜索词对应的T个用户历史行为可能对应同一个偏好对象,甚至对应同一个历史搜索词,因此,M个历史搜索词可以认为是针对同一个历史搜索词进行了M次搜索,T个用户历史行为可以认为是同一个历史搜索词在M次搜索时分别对应的历史行为,当根据T个用户历史行为确定用户针对第一搜索特征的预测偏好对象νq时,影响确定的预测偏好对象νq与用户喜好偏好之间的匹配度的原因可以包括M次搜索时输入的M个历史搜索词之间的偏差程度,以及同一个历史搜索词在M次搜索中对应的T个历史行为之间的偏差程度。
其中,M次搜索时输入的M个历史搜索词之间的偏差程度,可以利用第一搜索特征νq与各第二搜索特征νm的第四偏差程度来进行表征。具体地,可以认为M个历史搜索词之间的偏差程度符合高斯分布,则:
通过该高斯分布模型,可以确定第一搜索特征νq与各第二搜索特征νm的第四偏差程度
接下来,在操作S330,确定针对各第二搜索特征的至少一个历史行为特征的第三偏差程度。
在本公开实施例中,具体地,针对各第二搜索特征νm的至少一个历史行为特征vm,t的第三偏差程度可用于表征同一个历史搜索词在M次搜索中对应的T个历史行为之间的偏差程度。可以认为T个历史行为之间的偏差程度符合高斯分布,则:
其中,t表示同一个历史搜索词,nt表示将同一个历史搜索词用于多次搜索,通过该高斯分布模型可以确定各第二搜索特征νm的至少一个历史行为特征vm,t的第三偏差程度/>
接下来,在操作S340,基于平均偏好对象、平均行为特征、第一偏差程度、第四偏差程度和第三偏差程度,确定预测偏好对象。
在本公开实施例中,具体地,可以基于平均偏好对象μq、平均行为特征第一偏差程度/>第四偏差程度/>和第三偏差程度/>利用最大后验估计(MAP),确定预测偏好对象νq。
具体地,
该MAP存在如下解析解:
其中,
在本公开实施例中,基于平均偏好对象、平均行为特征、第一偏差程度、第四偏差程度和第三偏差程度,确定预测偏好对象,由于平均偏好对象和第一偏差程度能够表征所有用户针对当前用户的第一搜索特征的喜好偏好,平均行为特征、第四偏差程度和第三偏差程度能够表征当前用户针对第一搜索特征的喜好偏好,因此本公开实施例的方法能够至少部分地解决当用户针对第一搜索特征的历史行为数量较少时,存在的预测偏好对象与当前用户的喜好偏好的匹配度度、且预测效率差的问题,这能够有效提升预测偏好对象与当前用户的喜好偏好的匹配程度以及预测效率。
图5示意性示出了根据本公开实施例的对象推荐装置的框图。
如图5所示,该装置可以包括第一处理模块501、第二处理模块502、第三处理模块503、第四处理模块504和信息推送模块505。
具体地,第一处理模块501,用于确定来自用户的搜索信息的第一搜索特征;第二处理模块502,用于确定用户针对第一搜索特征的历史行为信息;第三处理模块503,用于确定与第一搜索特征关联的平均偏好信息;第四处理模块504,用于根据历史行为信息和平均偏好信息,确定用户针对第一搜索特征的预测偏好对象;信息推送模块505,用于向用户推送预测偏好对象。
在本公开实施例中,确定来自用户的搜索信息的第一搜索特征;确定用户针对第一搜索特征的历史行为信息;确定与第一搜索特征关联的平均偏好信息;根据历史行为信息和平均偏好信息,确定用户针对第一搜索特征的预测偏好对象;向用户推送预测偏好对象。由于历史行为信息能够反映用户针对第一搜索特征的的个人偏好信息,平均偏好信息能够反映所有用户针对第一搜索特征的统计偏好信息,基于历史行为信息和平均偏好信息确定预测偏好对象并进行推送,这能够有效解决用户在电商平台中出现无历史行为或者历史行为数量较少的新需求时,无法基于用户历史行为确定推荐对象,或者确定出的推荐对象无法满足用户偏好的问题。通过结合所有用户针对第一搜索特征的平均偏好信息,确定用于向用户推荐的预测偏好对象,这有利于提升对象推荐的匹配准确率,和有利于提高对象推荐的转化率。
作为一种可选的实施例,第二处理模块包括第一处理子模块,用于确定用户针对第一搜索特征的至少一个历史行为特征;第二处理子模块,用于确定用户针对各历史行为特征的第二搜索特征。
作为一种可选的实施例,第三处理模块包括第三处理子模块,用于确定针对第一搜索特征的平均偏好对象;第四处理子模块,用于确定针对第一搜索特征的所有偏好对象的第一偏差程度。
作为一种可选的实施例,第四处理模块包括第五处理子模块,用于确定第一搜索特征与各第二搜索特征的第二偏差程度;第六处理子模块,用于基于平均偏好对象、历史行为特征、第一偏差程度和第二偏差程度,确定预测偏好对象。
作为一种可选的实施例,第四处理模块还包括第七处理子模块,用于确定针对至少一个历史行为特征的平均行为特征;第八处理子模块,用于确定第一搜索特征与各第二搜索特征的第四偏差程度;第九处理子模块,用于确定针对各第二搜索特征的至少一个历史行为特征的第三偏差程度;第十处理子模块,用于基于平均偏好对象、平均行为特征、第一偏差程度、第四偏差程度和第三偏差程度,确定预测偏好对象。
作为一种可选的实施例,第七处理子模块包括第一处理单元,用于根据用于表征各历史行为特征的词向量,确定与至少一个历史行为特征关联的所有词向量的平均词向量;平均词向量所表征的行为特征构成平均行为特征。
可选地,第一处理模块501、第二处理模块502、第三处理模块503、第四处理模块504和信息推送模块505中的模块、子模块中的任意多个、或其中任意多个的至少部分功能可以在一个模块中实现。根据本公开实施例的模块中的任意一个或多个可以被拆分成多个模块来实现。根据本公开实施例的模块中的任意一个或多个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上***、基板上的***、封装上的***、专用集成电路(ASIC),或可以通过对电路进行集成或封装的任何其他的合理方式的硬件或固件来实现,或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者根据本公开实施例的模块中的一个或多个可以至少被部分地实现为计算机程序模块,当该计算机程序模块被运行时,可以执行相应的功能。
图6示意性示出了根据本公开实施例的适于实现对象推荐方法和装置的电子设备的框图。图6示出的计算机***仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图6所示,根据本公开实施例的计算机***600包括处理器601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。处理器601例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如,专用集成电路(ASIC)),等等。处理器601还可以包括用于缓存用途的板载存储器。处理器601可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
在RAM 603中,存储有***600操作所需的各种程序和数据。处理器601、ROM 602以及RAM 603通过总线604彼此相连。处理器601通过执行ROM 602和/或RAM 603中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意,所述程序也可以存储在除ROM 602和RAM 603以外的一个或多个存储器中。处理器601也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。
可选地,***600还可以包括输入/输出(I/O)接口605,输入/输出(I/O)接口605也连接至总线604。***600还可以包括连接至I/O接口605的以下部件中的一项或多项:包括键盘、鼠标等的输入部分606;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607;包括硬盘等的存储部分608;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口606。可拆卸介质611,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器610上,以便于从其上读出的计算机程序根据需要被安装入存储部分608。
可选地,根据本公开实施例的方法流程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读存储介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分609从网络上被下载和安装,和/或从可拆卸介质611被安装。在该计算机程序被处理器601执行时,执行本公开实施例的***中限定的上述功能。可选地,上文描述的***、设备、装置、模块、单元等可以通过计算机程序模块来实现。
本公开还提供了一种计算机可读存储介质,该计算机可读存储介质可以是上述实施例中描述的设备/装置/***中所包含的;也可以是单独存在,而未装配入该设备/装置/***中。上述计算机可读存储介质承载有一个或者多个程序,当上述一个或者多个程序被执行时,实现根据本公开实施例的方法。
可选地,计算机可读存储介质可以是非易失性的计算机可读存储介质,例如可以包括但不限于:便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。例如,可选地,计算机可读存储介质可以包括上文描述的ROM 602和/或RAM 603和/或ROM 602和RAM 603以外的一个或多个存储器。
附图中的流程图和框图,图示了按照本公开各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
本领域技术人员可以理解,本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合,即使这样的组合或结合没有明确记载于本公开中。特别地,在不脱离本公开精神和教导的情况下,本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。
以上对本公开的实施例进行了描述。但是,这些实施例仅仅是为了说明的目的,而并非为了限制本公开的范围。尽管在以上分别描述了各实施例,但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围,本领域技术人员可以做出多种替代和修改,这些替代和修改都应落在本公开的范围之内。
Claims (8)
1.一种对象推荐方法,包括:
确定来自用户的搜索信息的第一搜索特征;
确定所述用户针对所述第一搜索特征的历史行为信息;
确定与所述第一搜索特征关联的平均偏好信息,所述平均偏好信息指示所有用户针对第一搜索特征的平均喜好信息,所述平均偏好信息包括平均偏好对象;
根据所述历史行为信息和所述平均偏好信息,确定所述用户针对所述第一搜索特征的预测偏好对象;
向所述用户推送所述预测偏好对象;
其中,所述确定与所述第一搜索特征关联的平均偏好信息包括:
确定针对所述第一搜索特征的平均偏好对象,所述平均偏好对象表征在所有用户针对所述第一搜索特征的所有偏好对象中用户数量最多的偏好对象;
确定针对所述第一搜索特征的所有偏好对象的第一偏差程度,所述第一偏差程度为根据所述所有偏好对象的词向量构成的高斯分布模型的方差;
所述根据所述历史行为信息和所述平均偏好信息,确定所述用户针对所述第一搜索特征的预测偏好对象,包括:
确定所述第一搜索特征与各第二搜索特征的第二偏差程度,所述第二搜索特征表征用户针对至少一个历史行为特征的历史搜索词的词向量,所述至少一个历史行为特征为与所述第一搜索特征关联的至少一个历史行为的特征,所述第二偏差程度包括由所述至少一个历史行为特征建立的高斯分布模型的方差,或所述第一搜索特征与各第二搜索特征之间的距离;
利用最大后验估计,基于所述平均偏好对象、所述历史行为特征、所述第一偏差程度和所述第二偏差程度,确定所述预测偏好对象。
2.根据权利要求1所述的方法,其中,所述确定所述用户针对所述第一搜索特征的历史行为信息,包括:
确定所述用户针对所述第一搜索特征的至少一个历史行为特征;
确定所述用户针对各所述历史行为特征的第二搜索特征。
3.根据权利要求1所述的方法,其中,所述根据所述历史行为信息和所述平均偏好信息,确定所述用户针对所述第一搜索特征的预测偏好对象,包括:
确定针对所述至少一个历史行为特征的平均行为特征,所述平均行为特征是由平均词向量所表征的行为特征构成的,所述平均词向量为所述至少一个历史行为特征的词向量的平均值;
确定所述第一搜索特征与各所述第二搜索特征的第四偏差程度,所述第四偏差程度表征所述用户针对所述第一搜索特征的至少一个历史行为特征的历史搜索词之间的偏差程度,所述第四偏差程度为根据至少一个所述历史搜索词构成的高斯分布模型的方差;
确定针对各所述第二搜索特征的至少一个历史行为特征的第三偏差程度,所述第三偏差程度为根据同一个历史搜索词的至少一个历史行为构成的高斯分布模型的方差;
利用最大后验估计,基于所述平均偏好对象、所述平均行为特征、所述第一偏差程度、所述第四偏差程度和所述第三偏差程度,确定所述预测偏好对象。
4.根据权利要求3所述的方法,其中,所述确定针对所述至少一个历史行为特征的平均行为特征,包括:
根据用于表征各所述历史行为特征的词向量,对所述至少一个历史行为特征关联的所有词向量求平均,得到所述平均词向量;所述平均词向量所表征的行为特征构成所述平均行为特征。
5.根据权利要求1所述的方法,其中,所述确定与所述第一搜索特征关联的平均偏好信息,包括:
利用针对所有用户的历史行为的统计数据,确定与所述第一搜索特征关联的平均偏好信息;或者,
将所述第一搜索特征输入预设的统计模型,以得到所述平均偏好信息。
6.一种对象推荐装置,包括:
第一处理模块,用于确定来自用户的搜索信息的第一搜索特征;
第二处理模块,用于确定所述用户针对所述第一搜索特征的历史行为信息;
第三处理模块,用于确定与所述第一搜索特征关联的平均偏好信息,所述平均偏好信息指示所有用户针对第一搜索特征的平均喜好信息,所述平均偏好信息包括平均偏好对象;
第四处理模块,用于根据所述历史行为信息和所述平均偏好信息,确定所述用户针对所述第一搜索特征的预测偏好对象;
信息推送模块,用于向所述用户推送所述预测偏好对象;
其中,所述确定与所述第一搜索特征关联的平均偏好信息包括:
确定针对所述第一搜索特征的平均偏好对象,所述平均偏好对象表征在所有用户针对所述第一搜索特征的所有偏好对象中用户数量最多的偏好对象;
确定针对所述第一搜索特征的所有偏好对象的第一偏差程度,所述第一偏差程度为根据所述所有偏好对象的词向量构成的高斯分布模型的方差;
所述根据所述历史行为信息和所述平均偏好信息,确定所述用户针对所述第一搜索特征的预测偏好对象,包括:
确定所述第一搜索特征与各第二搜索特征的第二偏差程度,所述第二搜索特征表征用户针对至少一个历史行为特征的历史搜索词的词向量,所述至少一个历史行为特征为与所述第一搜索特征关联的至少一个历史行为的特征,所述第二偏差程度包括由所述至少一个历史行为特征建立的高斯分布模型的方差,或所述第一搜索特征与各第二搜索特征之间的距离;
利用最大后验估计,基于所述平均偏好对象、所述历史行为特征、所述第一偏差程度和所述第二偏差程度,确定所述预测偏好对象。
7.一种电子设备,包括:
一个或多个处理器;以及
存储器,用于存储一个或多个程序,
其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现权利要求1至5中任一项所述的方法。
8.一种计算机可读存储介质,其上存储有可执行指令,该指令被处理器执行时使处理器实现权利要求1至5中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011226780.3A CN113781143B (zh) | 2020-11-05 | 2020-11-05 | 对象推荐方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011226780.3A CN113781143B (zh) | 2020-11-05 | 2020-11-05 | 对象推荐方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113781143A CN113781143A (zh) | 2021-12-10 |
CN113781143B true CN113781143B (zh) | 2024-05-24 |
Family
ID=78835135
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011226780.3A Active CN113781143B (zh) | 2020-11-05 | 2020-11-05 | 对象推荐方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113781143B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010272015A (ja) * | 2009-05-22 | 2010-12-02 | Yahoo Japan Corp | ネットショッピング管理装置 |
CN104679743A (zh) * | 2013-11-26 | 2015-06-03 | 阿里巴巴集团控股有限公司 | 一种确定用户的偏好模式的方法及装置 |
CN104933172A (zh) * | 2015-06-30 | 2015-09-23 | 百度在线网络技术(北京)有限公司 | 一种基于用户搜索行为的信息推送方法和装置 |
CN108664552A (zh) * | 2018-04-02 | 2018-10-16 | 拉扎斯网络科技(上海)有限公司 | 一种用户偏好挖掘方法及装置 |
CN108875090A (zh) * | 2018-08-07 | 2018-11-23 | 腾讯科技(深圳)有限公司 | 一种歌曲推荐方法、装置和存储介质 |
CN110097412A (zh) * | 2018-01-31 | 2019-08-06 | 阿里巴巴集团控股有限公司 | 物品推荐方法、装置、设备以及存储介质 |
CN110348919A (zh) * | 2018-04-02 | 2019-10-18 | 北京京东尚科信息技术有限公司 | 物品推荐方法、装置和计算机可读存储介质 |
CN111143543A (zh) * | 2019-12-04 | 2020-05-12 | 北京达佳互联信息技术有限公司 | 一种对象推荐方法、装置、设备及介质 |
CN111582984A (zh) * | 2020-05-08 | 2020-08-25 | 广州探途网络技术有限公司 | 一种商品推荐方法、装置及计算设备 |
CN111708950A (zh) * | 2020-06-22 | 2020-09-25 | 腾讯科技(深圳)有限公司 | 内容推荐方法、装置及电子设备 |
-
2020
- 2020-11-05 CN CN202011226780.3A patent/CN113781143B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010272015A (ja) * | 2009-05-22 | 2010-12-02 | Yahoo Japan Corp | ネットショッピング管理装置 |
CN104679743A (zh) * | 2013-11-26 | 2015-06-03 | 阿里巴巴集团控股有限公司 | 一种确定用户的偏好模式的方法及装置 |
CN104933172A (zh) * | 2015-06-30 | 2015-09-23 | 百度在线网络技术(北京)有限公司 | 一种基于用户搜索行为的信息推送方法和装置 |
CN110097412A (zh) * | 2018-01-31 | 2019-08-06 | 阿里巴巴集团控股有限公司 | 物品推荐方法、装置、设备以及存储介质 |
CN108664552A (zh) * | 2018-04-02 | 2018-10-16 | 拉扎斯网络科技(上海)有限公司 | 一种用户偏好挖掘方法及装置 |
CN110348919A (zh) * | 2018-04-02 | 2019-10-18 | 北京京东尚科信息技术有限公司 | 物品推荐方法、装置和计算机可读存储介质 |
CN108875090A (zh) * | 2018-08-07 | 2018-11-23 | 腾讯科技(深圳)有限公司 | 一种歌曲推荐方法、装置和存储介质 |
CN111143543A (zh) * | 2019-12-04 | 2020-05-12 | 北京达佳互联信息技术有限公司 | 一种对象推荐方法、装置、设备及介质 |
CN111582984A (zh) * | 2020-05-08 | 2020-08-25 | 广州探途网络技术有限公司 | 一种商品推荐方法、装置及计算设备 |
CN111708950A (zh) * | 2020-06-22 | 2020-09-25 | 腾讯科技(深圳)有限公司 | 内容推荐方法、装置及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN113781143A (zh) | 2021-12-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110874440A (zh) | 一种信息推送及其模型训练的方法、装置及电子设备 | |
US20170017882A1 (en) | Copula-theory based feature selection | |
CN112818226B (zh) | 数据处理方法、推荐方法、装置、电子设备及存储介质 | |
CN110990533B (zh) | 确定查询文本所对应标准文本的方法及装置 | |
CN112598472B (zh) | 产品推荐方法、装置、***、介质和程序产品 | |
CN111611390B (zh) | 一种数据处理方法及装置 | |
CN110766513A (zh) | 信息排序方法、装置、电子设备及可读存储介质 | |
CN112765478A (zh) | 用于推荐内容的方法、装置、设备、介质和程序产品 | |
CN112650942A (zh) | 产品推荐方法、装置、计算机***和计算机可读存储介质 | |
CN112330382B (zh) | 物品推荐方法、装置、计算设备和介质 | |
CN113781143B (zh) | 对象推荐方法及装置 | |
CN104731788A (zh) | 推广信息的处理方法及设备 | |
CN114860411B (zh) | 多任务学习方法、装置、电子设备和存储介质 | |
CN110930226A (zh) | 一种金融产品推荐方法、装置、电子设备及存储介质 | |
CN113094602B (zh) | 酒店推荐方法、***、设备及介质 | |
US10755308B2 (en) | Local-search optimization and pricing for rich ad allocation | |
CN112905885B (zh) | 向用户推荐资源的方法、装置、设备、介质和程序产品 | |
CN115238676A (zh) | 招标需求热点识别方法、装置、存储介质及电子设备 | |
CN113962403A (zh) | 运维处理方法、装置及电子设备 | |
CN113159877B (zh) | 数据处理方法、装置、***、计算机可读存储介质 | |
CN113011920B (zh) | 转化率预估模型的训练方法、装置及电子设备 | |
US20230177581A1 (en) | Product metadata suggestion using embeddings | |
CN113723759B (zh) | 基于设备意向度和设备风险度为设备提供互联网服务的方法及装置 | |
CN111476545B (zh) | 关键供电端的确定方法、装置、计算机设备和存储介质 | |
CN113743973B (zh) | 分析市场热点趋势的方法和装置 |
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 |