CN113781147A - 物品推荐方法和装置 - Google Patents
物品推荐方法和装置 Download PDFInfo
- Publication number
- CN113781147A CN113781147A CN202011291050.1A CN202011291050A CN113781147A CN 113781147 A CN113781147 A CN 113781147A CN 202011291050 A CN202011291050 A CN 202011291050A CN 113781147 A CN113781147 A CN 113781147A
- Authority
- CN
- China
- Prior art keywords
- item
- candidate
- items
- article
- articles
- 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 48
- 239000013598 vector Substances 0.000 claims description 33
- 238000004590 computer program Methods 0.000 claims description 10
- 238000012163 sequencing technique Methods 0.000 claims description 9
- 230000000694 effects Effects 0.000 abstract description 11
- 230000006399 behavior Effects 0.000 description 38
- 238000004422 calculation algorithm Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 5
- 238000001914 filtration Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000003542 behavioural effect Effects 0.000 description 2
- 238000000605 extraction Methods 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
- 238000012549 training Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06F18/22—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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0623—Item investigation
- G06Q30/0625—Directed, with specific intent or strategy
- G06Q30/0629—Directed, with specific intent or strategy for generating comparisons
-
- 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]
- G06Q30/0641—Shopping interfaces
- G06Q30/0643—Graphical representation of items or shoppers
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种物品推荐方法和装置,涉及计算机技术领域。该方法的一具体实施方式包括:根据若干用户的历史行为数据,确定当前用户的物品候选集;其中,所述物品候选集包括若干候选物品;针对每个所述候选物品:确定所述候选物品对应的若干相似物品;根据各个所述候选物品及其对应的相似物品,生成所述当前用户的召回物品候选集;根据所述召回物品候选集和预设的若干待推荐物品,确定若干目标物品;向所述当前用户推荐所述若干目标物品。该实施方式能够有效地将用户感兴趣的待推荐物品推荐给用户,推荐效果较好。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种物品推荐方法和装置。
背景技术
在当前这个信息***的时代,网络平台上存在着海量的物品,需要在诸多物品中挑选出用户感兴趣的待推荐物品,并将挑选出的待推荐物品推荐给用户。但现有的推荐方式,往往无法有效地将用户感兴趣的待推荐物品推荐给用户。
发明内容
有鉴于此,本发明实施例提供一种物品推荐方法和装置,能够有效地将用户感兴趣的待推荐物品推荐给用户。
第一方面,本发明实施例提供了一种物品推荐方法,包括:
根据若干用户的历史行为数据,确定当前用户的物品候选集;其中,所述物品候选集包括若干候选物品;
针对每个所述候选物品:确定所述候选物品对应的若干相似物品;
根据各个所述候选物品及其对应的相似物品,生成所述当前用户的召回物品候选集;
根据所述召回物品候选集和预设的若干待推荐物品,确定若干目标物品;
向所述当前用户推荐所述若干目标物品。
可选地,
所述根据若干用户的历史行为数据,确定当前用户的物品候选集,包括:
接收所述当前用户的推荐请求;其中,所述推荐请求中包括:所述当前用户的历史浏览物品标识;
根据所述历史行为数据及所述历史浏览物品标识,确定所述物品候选集。
可选地,
所述根据所述历史行为数据及所述历史浏览物品标识,确定所述物品候选集,包括:
根据所述历史行为数据,生成推荐词表;所述推荐词表中包括:所述历史行为针对的物品标识及其对应的若干候选物品标识;
查询所述推荐词表,确定所述历史浏览物品标识对应的若干候选物品标识;
根据所述若干候选物品标识,生成所述物品候选集。
可选地,进一步包括:
确定若干物品的图像向量;
所述确定所述候选物品对应的若干相似物品,包括:
在所述若干物品的图像向量中选定所述候选物品的图像向量;
根据所述候选物品的图像向量和所述若干物品中其他物品的图像向量,计算所述候选物品与各个所述其他物品的第一相似值;
根据所述第一相似值,在若干所述其他物品中确定所述候选物品对应的若干相似物品。
可选地,
所述确定若干物品的图像向量,包括:
获取所述若干物品的图像信息;
根据所述若干物品的图像信息,确定各个所述物品的图像特征;
根据各个所述物品的图像特征,生成各个所述物品的图像向量。
可选地,进一步包括:
确定若干物品的若干属性;
所述确定所述候选物品对应的若干相似物品,包括:
在所述若干物品的若干属性中选定所述候选物品的若干属性;
根据所述候选物品的若干属性及所述若干物品中其他物品的若干属性,计算所述候选物品与各所述其他物品的第二相似值;
根据所述第二相似值,从若干所述其他物品中确定所述获选物品对应的若干相似物品。
可选地,
所述根据各个所述候选物品及其对应的相似物品,生成所述当前用户的召回物品候选集,包括:
针对每个所述候选物品:从所述候选物品对应的若干相似物品中,选取预设数目个相似物品;
其中,各个所述候选物品及所述候选物品对应的相似物品构成所述当前用户的召回物品候选集。
可选地,
所述根据所述召回物品候选集和预设的若干待推荐物品,确定若干目标物品,包括:
针对所述召回物品候选集中的每个候选物品:判断所述候选物品是否属于所述待推荐物品,如果是,则将所述候选物品确定为所述目标物品;否则,判断所述候选物品对应的各相似物品中是否存在与所述待推荐物品相同的相似物品,如果存在,则将与所述待推荐物品相同的相似物品确定为所述目标物品。
可选地,
所述向所述当前用户推荐所述若干目标物品,包括:
根据预设的排序模型,对所述若干目标物品进行排序;
按照排序结果向所述当前用户推荐所述若干目标物品。
第二方面,本发明实施例提供了一种物品推荐装置,包括:
候选物品确定模块,配置为根据若干用户的历史行为数据,确定当前用户的物品候选集;其中,所述物品候选集包括若干候选物品;
相似物品确定模块,配置为针对每个所述候选物品:确定所述候选物品对应的若干相似物品;
召回物品生成模块,配置为根据各个所述候选物品及其对应的相似物品,生成所述当前用户的召回物品候选集;
目标物品确定模块,配置为根据所述召回物品候选集和预设的若干待推荐物品,确定若干目标物品;
物品推荐模块,配置为向所述当前用户推荐所述若干目标物品。
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:根据各个候选物品及其对应的相似物品,生成当前用户的召回物品候选集。召回物品候选集中不仅包括候选物品,还包括候选物品对应的相似物品。而物品候选集中仅包括候选物品。召回物品候选集中包括的物品数量比物品候选集中的更多。相比直接通过在物品候选集中选择目标物品的推荐方式,在召回物品候选集中选择目标物品,可选择的物品的范围更广。因此,能够更有效地将用户感兴趣的待推荐物品推荐给用户,推荐效果更好。
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物品推荐方法的流程图;
图2是本发明的另一个实施例提供的一种物品推荐方法的流程图;
图3是本发明的又一个实施例提供的一种物品推荐方法的流程图;
图4是本发明的再一个实施例提供的一种物品推荐方法的流程图;
图5是本发明的另一个实施例提供的一种物品推荐方法的流程图;
图6是本发明的一个实施例提供的一种物品推荐装置的示意图;
图7是本发明实施例可以应用于其中的示例性***架构图;
图8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。
推荐***主要包括:推荐模块和物品挂载模块。推荐模块又可进一步分为召回模块和点击率预估模块。召回模块负责从物品全集库中迅速挑选中用户可能感兴趣的物品候选集。点击率预估模块负责对物品候选集进行打分排序。***最终会按照物品的打分顺序展现给用户。
物品挂载模块中存储有若干待推荐物品。对于如何将用户感兴趣的待推荐物品推荐给用户,主要有下面两种应用范围较广的解决方案。
第一种方案:将物品挂载模块设置在召回模块的下游。通过物品挂载模块对物品候选集中的物品进行待推荐物品甄别、待推荐物品相关信息的填充以及待推荐物品信息实时变化调整的感知等。这种方案可以方便下游***的价格比较以及扣费逻辑。
在第一种方案中,由于召回模块与物品挂载模块为两个独立设置的模块,导致在物品候选集中存在很多不是待推荐物品的物品,这部分物品在物品挂载模块会被过滤,最终导致传送到下游点击率预估模块的物品数量较小,降低了有效物品的个数,使得点击率预估模型不能充分发挥打分性能。同时也会导致物品之间的竞价不充分造成平台的相关收入的损失。
由于召回模块与物品挂载模块为独立设置,召回模块能通过离线感知物品集合和在线感知物品集合能够增加物品候选集中待推荐物品占比。但物品管理人员对于物品出价的调整有时非常频繁,召回模块的离线感知物品集合往往并不能及时得到完整准确的待推荐物品集合。而在线感知物品集合,本质上是将物品过滤功能前置,能够在尾部增加新的待推荐物品,但这部分新增的待推荐物品可能并不是用户真正感兴趣的。因此,如果不能配合调整召回策略,在线感知物品策略起到的效果有限,同时由于接入了新的外部服务会明显增加召回模块的耗时与性能压力。
第二种方案:召回模块和物品挂载模块合并设立。召回基于待物品集合生成物品候选集,即召回模块能直接输出待推荐物品集合。但***中并非所有推荐需求都需展现待推荐物品,同时存在的待推荐物品的推荐需求与非待推荐物品的推荐需求会导致***过于复杂。此外,将两模块耦合在一起会导致维护成本大幅增加。
上述将用户感兴趣的待推荐物品推荐给用户的实现方式都存在着诸如:物品候选集中的有效物品个数较小、维护成本过高等问题。基于以上分析,本发明实施例提供了一种物品推荐方法,如图1所示,包括:
步骤101:根据若干用户的历史行为数据,确定当前用户的物品候选集;其中,物品候选集包括若干候选物品。
若干用户的历史行为数据为若干用户在统计时间段内的历史行为数据。统计时间段可根据具体需求进行设定,如统计时间段可以是当前时间的上周、当前时间的上个月或当前时间的上个季度等。历史行为数据为若干用户执行过的多个行为的相关数据。历史行为数据包括但不限于浏览点击、加购、下单、加关注等相关数据。
物品候选集中包括若干候选物品,候选物品为当前用户可能感兴趣的物品。将物品候选集中的候选物品推荐给当前用户,将有助于当前用户进行浏览点击、加购、下单、加关注等行为。
根据若干用户的历史行为数据,确定当前用户的物品候选集的方式具有多种。如根据若干用户的历史行为数据,可确定各物品的关联程度,再根据各物品的关联程度和当前用户的行为数据,确定当前用户的物品候选集。举例来说,如果多个用户在购买完羽毛球拍之后,都购买了羽毛球,就可确定羽毛球拍与羽毛球之间具有较强的关联性。当前用户已购买羽毛球拍,则可将不同品牌的羽毛球作为候选物品推荐给当前用户。
也可以应用召回算法,基于用户的各种行为数据,生成推荐词表。推荐词表用于存储具有较强关联关系的各物品。可根据推荐词表与当前用户的行为数据,确定当前用户的物品候选集。召回算法可包括CF(协同过滤算法,collaborative filtering)、SRS(序列推荐算法)、GraphBased(图召回算法)等。
还可以根据若干用户的历史行为数据,确定用户个行为之间的关联关系,在根据用户行为之间的关联关系和当前用户的行为数据,确定当前用户的物品候选集。举例来说,如果多个用户在加关注了某件物品,并在该物品价格下降超过10%以上的情况下,均购买了该件商品,则可确定用户加关注的行为与用户购买的行为之间具有较强的关联性。当前用户已加关注了某件物品,可在该物品价格下降超过10%以上的情况下,将该物品作为候选物品并推荐给当前用户。
步骤102:针对每个候选物品:确定候选物品对应的若干相似物品。
相似物品可以为与候选物品在若干属性上相同或相似的物品。属性可包括:种类、品牌、用途、产地、价格等。
步骤103:根据各个候选物品及其对应的相似物品,生成当前用户的召回物品候选集。
召回物品候选集中包含各个候选物品及其对应的若干相似物品。召回物品候选集相比物品候选集具有更多数量的物品。
步骤104:根据召回物品候选集和预设的若干待推荐物品,确定若干目标物品。
待推荐物品为***需要向用户进行推荐展示的物品。待推荐物品可以根据具体需求进行设定。如待推荐物品可以为物品推广***中的推广物品,待推荐物品也可以为广告挂载***中的广告物品等。
步骤105:向当前用户推荐若干目标物品。
目标物品为***推测的用户可能感兴趣的待推荐物品。目标物品可为步骤104中若干待推荐物品集合的一个子集。
本发明实施例的方案中,召回物品候选集中不仅包括候选物品,还包括候选物品对应的相似物品。而物品候选集中仅包括候选物品。召回物品候选集中包括的物品数量比物品候选集中的更多。在召回物品候选集中选择目标物品,可选择目标物品的范围更广,可选择目标物品的余地更大。因此,能够解决现有技术中无法有效地将用户感兴趣的待推荐物品推荐给用户的问题。
此外,上述步骤101-步骤103可由召回模块执行,上述步骤104可由物品挂载模块执行。由于召回模块与物品挂载模块为独立设置,本发明实施例的方法还可以解决由于将两模块耦合在一起,无法实现非待推荐物品的推荐需求且维护成本较高的问题。
在本发明的一个实施例中,根据各个候选物品及其对应的相似物品,生成当前用户的召回物品候选集,包括:
针对每个候选物品:从候选物品对应的若干相似物品中,选取预设数目个相似物品;
其中,各个候选物品及候选物品对应的相似物品构成当前用户的召回物品候选集。
预设数目可根据具体需求和***运载情况进行设定。预设数目可以为1、3等。
有些候选物品可能对应于较多数量的相似物品。如果将各个候选物品对应的所有相似物品都加入到召回物品候选集中,可能使召回物品候选集中物品数量过大,以致后续目标物品的确定过程耗时过多。
在本发明的一个实施例中,根据召回物品候选集和预设的若干待推荐物品,确定若干目标物品,包括:
针对召回物品候选集中的每个候选物品:判断候选物品是否属于待推荐物品,如果是,则将候选物品确定为目标物品;否则,判断候选物品对应的各相似物品中是否存在与待推荐物品相同的相似物品,如果存在,则将与待推荐物品相同的相似物品确定为目标物品。
候选物品为根据若干用户的历史行为数据确定的。相似物品是基于其他物品与候选物品的相似程度确定的。因此,当前用户对候选物品的感兴趣程度通常要高于对相似物品的感兴趣程度。
如果候选物品自身为待推荐物品,则将候选物品确定为目标物品。如果候选物品不为待推荐物品,再从其相似物品中选择目标物品。本发明实施例的方法,可以使确定的目标物品更容易被客户关注,推荐效果更好。
在本发明的一个实施例中,向当前用户推荐若干目标物品,包括:
根据预设的排序模型,对若干目标物品进行排序;
按照排序结果向当前用户推荐若干目标物品。
排序模型可以为CTR(点击率,Click-Through-Rate)排序模型,例如DCN模型或DeepFM模型等。按照排序结果向当前用户推荐若干目标物品,可以使目标物品的展示效果更好,***的点击转换率更高。
本发明实施例提供了一种物品推荐方法,如图2所示,包括:
步骤201:接收当前用户的推荐请求;其中,推荐请求中包括:当前用户的历史浏览物品标识。
当前用户打开网站内的特定应用或点击特定按钮后,***会接收到推荐请求。历史浏览物品标识为当前用户在统计时间段内浏览的物品标识。统计时间段可根据具体需求进行设定,如统计时间段可以是当前时间的上周、当前时间的上个月或当前时间的上个季度等。物品标识可在***中唯一确定该物品。
步骤202:根据历史行为数据及历史浏览物品标识,确定物品候选集。
根据历史行为数据,生成推荐词表;推荐词表中包括:历史行为针对的物品标识及其对应的若干候选物品标识;查询推荐词表,确定历史浏览物品标识对应的若干候选物品标识;根据若干候选物品标识,生成物品候选集。
推荐词表可以应用召回算法生成。推荐词表用于存储具有较强关联关系的各物品。推荐词表为键值(key-value)序列格式,每行格式为”物品1:物品2,物品3...”,首位物品1为key(键),后续长拉链”物品2,物品3,...”为value(值)。
可根据推荐词表与当前用户的历史浏览物品标识,确定当前用户的物品候选集。具体地,以当前用户的历史浏览物品标识为key,查询推荐词表中与该物品标识对应的值,并将该值确定为候选物品。
步骤203:针对每个候选物品:确定候选物品对应的若干相似物品。
步骤204:根据各个候选物品及其对应的相似物品,生成当前用户的召回物品候选集。
步骤205:根据召回物品候选集和预设的若干待推荐物品,确定若干目标物品。
步骤206:向当前用户推荐若干目标物品。
在本发明实施例中,通过若干用户的历史行为生成推荐词表,再根据推荐词表和当前用户的历史浏览物品标识,确定当前用户的物品候选集。由于推荐词表是根据若干用户的历史行为生成的,推荐词表较准确的记载了各物品之间的关联关系。因此,可使确定的当前用户的物品候选集较符合用户的兴趣点。
本发明实施例提供了一种物品推荐方法,如图3所示,包括:
步骤301:根据若干用户的历史行为数据,确定当前用户的物品候选集;其中,物品候选集包括若干候选物品。
步骤302:确定若干物品的图像向量。
图像向量为一组可用于表征物品图像特征的向量。不同的物品图像对应于不同的物品图像。为取得较好的推荐效果,选取物品的主图作为该物品的物品图像。物品的主图为物品在推荐页面的显示图像或物品的主要展示图像。
在本发明的一个实施例中,确定若干物品的图像向量,包括:
获取若干物品的图像信息;
根据若干物品的图像信息,确定各个物品的图像特征;
根据各个物品的图像特征,生成各个物品的图像向量。
图像信息可通过图像所对应的GIF文件、PSD文件等文件中获取到。再通过图像特征的提取算法,确定图像的特征。图像特征的提取算法可包括:HOG(histogram ofOriented Gradient,方向梯度直方图)、SIFT(Scale-invariant features transform,尺度不变特征变换)等。组合图像的各个特征,以生成物品的图像向量。
步骤303:针对每个候选物品:在若干物品的图像向量中选定候选物品的图像向量。
候选物品为若干物品中除去候选物品后的其余物品。
步骤304:根据候选物品的图像向量和若干物品中其他物品的图像向量,计算候选物品与各个其他物品的第一相似值。
第一相似值用于表征候选物品的主图与其他物品之间的主图相似程度。第一相似值可用结构相似性度量、余弦相似度及互信息等来表示。
步骤305:根据第一相似值,在若干其他物品中确定候选物品对应的若干相似物品。
可根据需求设定第一相似值对应的第一阈值,如果候选物品的主图与其他物品之间的主图之间的第一相似值不小于第一阈值,则确定该其他物品为该候选物品的相似物品;否则,确定该其他物品不为该候选物品的相似物品。
步骤306:根据各个候选物品及其对应的相似物品,生成当前用户的召回物品候选集。
步骤307:根据召回物品候选集和预设的若干待推荐物品,确定若干目标物品。
步骤308:向当前用户推荐若干目标物品。
在推荐页面上,大部分展示面积用于展示物品的图片。物品的图片很大程度上的主导了用户是否点击物品。本发明实施例基于物品图片信息确定物品的相似度,能够较短的时间内,准确确定候选物品的相似物品,明显增加点击率预估模型入口的物品候选集中的物品数量,在不调整召回策略的前提下提高推荐效果。
本发明实施例提供了一种物品推荐方法,如图4所示,包括:
步骤401:根据若干用户的历史行为数据,确定当前用户的物品候选集;其中,物品候选集包括若干候选物品。
步骤402:确定若干物品的若干属性。
属性用于表征物品的特性。属性可包括:种类、品牌、用途、产地、价格等。如果两个物品之间多个属性相同或相似,则这两个物品为相似物品。
步骤403:针对每个候选物品:在若干物品的若干属性中选定候选物品的若干属性。
候选物品为若干物品中除去候选物品后的其余物品。
步骤404:根据候选物品的若干属性及若干物品中其他物品的若干属性,计算候选物品与各其他物品的第二相似值。
第二相似值用于表征候选物品的属性与其他物品之间的属性相似程度。可通过多种方法计算第二相似值。例如,将候选物品与其他物品的相同属性的个数作为第二相似值。也可以为不同属性设置不同权重,以候选物品与其他物品的相同属性的权重之和作为第二相似值。
步骤405:根据第二相似值,在若干其他物品中确定候选物品对应的若干相似物品。
可根据需求设定第二相似值对应的第二阈值,如果候选物品的主图与其他物品之间的第二相似值不小于第二阈值,则确定该其他物品为该候选物品的相似物品;否则,确定该其他物品不为该候选物品的相似物品。
步骤406:根据各个候选物品及其对应的相似物品,生成当前用户的召回物品候选集。
步骤407:根据召回物品候选集和预设的若干待推荐物品,确定若干目标物品。
步骤408:向当前用户推荐若干目标物品。
本发明实施例基于物品属性确定物品之间的相似度,能够较短的时间内,准确确定候选物品的相似物品,明显增加点击率预估模型入口的物品候选集中的物品数量,并使推荐给用户的目标物品符合用户的关注点。
图5是本发明的另一个实施例提供的一种物品推荐方法的流程图。图5中的纵向部分包括离线步骤J1、J2和在线步骤J3-J10,图5中的横向部分包括请求模块对应的步骤J3、召回模块对应的步骤J1-J2及J4-J8、物品挂载模块对应的步骤J9-J10。
步骤J1:应用召回算法,基于用户的各种行为数据(包括但不限于浏览点击、加购、下单、加关注等),生成线上可用的推荐词表;
步骤J2:生成每个物品的图像向量。基于物品库中的物品主图信息,使用Encoder-Decoder(编码-解码)算法训练出图像特征,得到每个物品主图向量;
步骤J3:接收广告请求。用户打开网站应用后会产生广告推荐请求信息,请求中包含用户的历史浏览行为、用户画像等信息;
步骤J4,根据用户的相关信息使用J1中生成的推荐词表,召回用户感兴的物品候选集。以ICF(基于项目的协同过滤算法,Item based Collaborative Filtering)词表为例,使用用户的历史浏览行为作为检索key,将对应value序列作为物品候选集;
步骤J5:生成物品候选集。将步骤J4中各种召回方法词表融合,得到完整的物品候选集L1,...,Ln;
步骤J6:检索算法,基于步骤J5得到的物品候选集,使用检索算法,例如Faiss算法,为候选集中每个物品找到图像最相似的若干物品;
步骤J7:生成相似物品候选集。将步骤J6得到的结果进行物品去重操作,得到相似物品候选集;
步骤J8:在步骤J7生成的相似物品候选集中,截取最相似的K个物品。图示中K=2,物品L1的主图最相似的物品s1,s2。将截取后的物品集合与步骤J5集合进行合并,生成召回物品候选集合;
步骤J9:设置物品挂载模块,用于在线实时感知相关管理人员的操作,实时更新物品物料,物品广告单元索引,物品溢价计算;
步骤J10:使用物品挂载操作,对步骤J8生成的召回物品集合进行物品信息计算等操作。如图示,L1物品自身是待推荐物品,则过滤掉s1及s2;如果L2物品不是待推荐物品,依次遍历相似候选s3及s4,如果s3为待推荐物品后,则直接过滤掉s4,不再进行待推荐物品的判断;如果三个候选集均非待推荐物品,将三个候选集全部过滤掉;
将J10处理后的结果送入CTR排序模型。按照打分顺序,将选取的前K个物品展示给用户,K为正整数。
在推荐信息流场景中,每个物品通常展示给用户的有三行信息,包括:图片、标题、价格。其中,图片占展示面积的70%以上,图片的图片极大的主导了用户是否点击物品。本发明实施例针对推荐***与广告挂载***相互独立的情况,提出基于物品主图信息的广告推荐方法,能够极短增加***耗时,明显增加点击率预估模型入口的物品候选集中的物品数量,在不调整召回策略的前提下提高推荐效果,增加平台广告收入。
本发明实施例的技术关键点是针对推荐模块与物品挂载模块相同相互独立的情况,基于物品主图信息的广告场景推荐算法,根据信息流推荐位的特点捕获用户关注点,基于物品主图离线训练学***台广告收入。
如图6所示,本发明实施例提供了一种物品推荐装置,包括:
召回模块601,配置为根据若干用户的历史行为数据,确定当前用户的物品候选集;其中,所述物品候选集包括若干候选物品;针对每个所述候选物品:确定所述候选物品对应的若干相似物品;根据各个所述候选物品及其对应的相似物品,生成所述当前用户的召回物品候选集;
物品挂载模块602,配置为根据所述召回物品候选集和预设的若干待推荐物品,确定若干目标物品;向所述当前用户推荐所述若干目标物品。
在本发明的一个实施例中,该装置还包括:
请求模块603,配置为接收当前用户的推荐请求;其中,推荐请求中包括:当前用户的历史浏览物品标识;
召回模块601,具体配置为根据历史行为数据及历史浏览物品标识,确定物品候选集。
在本发明的一个实施例中,召回模块601具体配置为:
根据历史行为数据,生成推荐词表;推荐词表中包括:历史行为针对的物品标识及其对应的若干候选物品标识;查询推荐词表,确定历史浏览物品标识对应的若干候选物品标识;根据若干候选物品标识,生成物品候选集。
在本发明的一个实施例中,召回模块601具体配置为:
确定若干物品的图像向量;在若干物品的图像向量中选定候选物品的图像向量;根据候选物品的图像向量和若干物品中其他物品的图像向量,计算候选物品与各个其他物品的第一相似值;根据第一相似值,在若干其他物品中确定候选物品对应的若干相似物品。
在本发明的一个实施例中,召回模块601具体配置为:
获取若干物品的图像信息;根据若干物品的图像信息,确定各个物品的图像特征;根据各个物品的图像特征,生成各个物品的图像向量。
在本发明的一个实施例中,召回模块601具体配置为:
确定若干物品的若干属性;在若干物品的若干属性中选定候选物品的若干属性;根据候选物品的若干属性及若干物品中其他物品的若干属性,计算候选物品与各其他物品的第二相似值;根据第二相似值,从若干其他物品中确定获选物品对应的若干相似物品。
在本发明的一个实施例中,召回模块601具体配置为:
针对每个候选物品:从候选物品对应的若干相似物品中,选取预设数目个相似物品;其中,各个候选物品及候选物品对应的相似物品构成当前用户的召回物品候选集。
本发明的一个实施例中,物品挂载模块602具体配置为:
针对召回物品候选集中的每个候选物品:判断候选物品是否属于待推荐物品,如果是,则将候选物品确定为目标物品;否则,判断候选物品对应的各相似物品中是否存在与待推荐物品相同的相似物品,如果存在,则将与待推荐物品相同的相似物品确定为目标物品。
在本发明的一个实施例中,该装置还包括:
点击率预估模块604,配置为根据预设的排序模型,对若干目标物品进行排序;
按照排序结果向当前用户推荐若干目标物品。
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上述任一实施例的方法。
图7示出了可以应用本发明实施例的物品推荐方法或物品推荐装置的示例性***架构700。
如图7所示,***架构700可以包括终端设备701、702、703,网络704和服务器705。网络704用以在终端设备701、702、703和服务器705之间提供通信链路的介质。网络704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701、702、703通过网络704与服务器705交互,以接收或发送消息等。终端设备701、702、703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、办公应用等(仅为示例)。
终端设备701、702、703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705可以是提供各种服务的服务器,例如对用户利用终端设备701、702、703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,并将待推荐物品集合反馈给终端设备。
需要说明的是,本发明实施例所提供的物品推荐方法一般由服务器705执行,相应地,物品推荐装置一般设置于服务器705中。服务器705根据召回物品候选集和预设的若干待推荐物品,确定若干目标物品,并通过网络704发送给终端设备701、702、703。
应该理解,图7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8,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***800的结构示意图。图8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8所示,计算机***800包括中央处理单元(CPU)801,其可以根据存储在只读存储器(ROM)802中的程序或者从存储部分808加载到随机访问存储器(RAM)803中的程序而执行各种适当的动作和处理。在RAM 803中,还存储有***800操作所需的各种程序和数据。CPU 801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
以下部件连接至I/O接口805:包括键盘、鼠标等的输入部分809;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807;包括硬盘等的存储部分808;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809。通信部分809经由诸如因特网的网络执行通信处理。驱动器810也根据需要连接至I/O接口805。可拆卸介质811,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810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808。
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809从网络上被下载和安装,和/或从可拆卸介质811被安装。在该计算机程序被中央处理单元(CPU)801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:
根据若干用户的历史行为数据,确定当前用户的物品候选集;其中,所述物品候选集包括若干候选物品;
针对每个所述候选物品:确定所述候选物品对应的若干相似物品;
根据各个所述候选物品及其对应的相似物品,生成所述当前用户的召回物品候选集;
根据所述召回物品候选集和预设的若干待推荐物品,确定若干目标物品;
向所述当前用户推荐所述若干目标物品。
在本发明实施例的技术方案中,根据各个候选物品及其对应的相似物品,生成当前用户的召回物品候选集。召回物品候选集中包括候选物品及其对应的相似物品。相比召回物品候选集中只包括候选物品的推荐方式,增加了召回物品候选集中的物品数量。通过具有较多物品数量的召回物品候选集与待推荐物品,确定推荐给用户的目标物品,能够有效地将用户感兴趣的待推荐物品推荐给用户,推荐效果较好。
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 (12)
1.一种物品推荐方法,其特征在于,包括:
根据若干用户的历史行为数据,确定当前用户的物品候选集;其中,所述物品候选集包括若干候选物品;
针对每个所述候选物品:确定所述候选物品对应的若干相似物品;
根据各个所述候选物品及其对应的相似物品,生成所述当前用户的召回物品候选集;
根据所述召回物品候选集和预设的若干待推荐物品,确定若干目标物品;
向所述当前用户推荐所述若干目标物品。
2.根据权利要求1所述的方法,其特征在于,
所述根据若干用户的历史行为数据,确定当前用户的物品候选集,包括:
接收所述当前用户的推荐请求;其中,所述推荐请求中包括:所述当前用户的历史浏览物品标识;
根据所述历史行为数据及所述历史浏览物品标识,确定所述物品候选集。
3.根据权利要求2所述的方法,其特征在于,
所述根据所述历史行为数据及所述历史浏览物品标识,确定所述物品候选集,包括:
根据所述历史行为数据,生成推荐词表;所述推荐词表中包括:所述历史行为针对的物品标识及其对应的若干候选物品标识;
查询所述推荐词表,确定所述历史浏览物品标识对应的若干候选物品标识;
根据所述若干候选物品标识,生成所述物品候选集。
4.根据权利要求1所述的方法,其特征在于,进一步包括:
确定若干物品的图像向量;
所述确定所述候选物品对应的若干相似物品,包括:
在所述若干物品的图像向量中选定所述候选物品的图像向量;
根据所述候选物品的图像向量和所述若干物品中其他物品的图像向量,计算所述候选物品与各个所述其他物品的第一相似值;
根据所述第一相似值,在若干所述其他物品中确定所述候选物品对应的若干相似物品。
5.根据权利要求4所述的方法,其特征在于,
所述确定若干物品的图像向量,包括:
获取所述若干物品的图像信息;
根据所述若干物品的图像信息,确定各个所述物品的图像特征;
根据各个所述物品的图像特征,生成各个所述物品的图像向量。
6.根据权利要求1所述的方法,其特征在于,进一步包括:
确定若干物品的若干属性;
所述确定所述候选物品对应的若干相似物品,包括:
在所述若干物品的若干属性中选定所述候选物品的若干属性;
根据所述候选物品的若干属性及所述若干物品中其他物品的若干属性,计算所述候选物品与各所述其他物品的第二相似值;
根据所述第二相似值,从若干所述其他物品中确定所述获选物品对应的若干相似物品。
7.根据权利要求1所述的方法,其特征在于,
所述根据各个所述候选物品及其对应的相似物品,生成所述当前用户的召回物品候选集,包括:
针对每个所述候选物品:从所述候选物品对应的若干相似物品中,选取预设数目个相似物品;
其中,各个所述候选物品及所述候选物品对应的相似物品构成所述当前用户的召回物品候选集。
8.根据权利要求1所述的方法,其特征在于,
所述根据所述召回物品候选集和预设的若干待推荐物品,确定若干目标物品,包括:
针对所述召回物品候选集中的每个候选物品:判断所述候选物品是否属于所述待推荐物品,如果是,则将所述候选物品确定为所述目标物品;否则,判断所述候选物品对应的各相似物品中是否存在与所述待推荐物品相同的相似物品,如果存在,则将与所述待推荐物品相同的相似物品确定为所述目标物品。
9.根据权利要求1所述的方法,其特征在于,
所述向所述当前用户推荐所述若干目标物品,包括:
根据预设的排序模型,对所述若干目标物品进行排序;
按照排序结果向所述当前用户推荐所述若干目标物品。
10.一种物品推荐装置,其特征在于,包括:
召回模块,配置为根据若干用户的历史行为数据,确定当前用户的物品候选集;其中,所述物品候选集包括若干候选物品;针对每个所述候选物品:确定所述候选物品对应的若干相似物品;根据各个所述候选物品及其对应的相似物品,生成所述当前用户的召回物品候选集;
物品挂载模块,配置为根据所述召回物品候选集和预设的若干待推荐物品,确定若干目标物品;向所述当前用户推荐所述若干目标物品。
11.一种电子设备,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1-9中任一所述的方法。
12.一种计算机可读介质,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 |
---|---|---|---|
CN202011291050.1A CN113781147A (zh) | 2020-11-17 | 2020-11-17 | 物品推荐方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011291050.1A CN113781147A (zh) | 2020-11-17 | 2020-11-17 | 物品推荐方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113781147A true CN113781147A (zh) | 2021-12-10 |
Family
ID=78835316
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011291050.1A Pending CN113781147A (zh) | 2020-11-17 | 2020-11-17 | 物品推荐方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113781147A (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7720720B1 (en) * | 2004-08-05 | 2010-05-18 | Versata Development Group, Inc. | System and method for generating effective recommendations |
CN106651542A (zh) * | 2016-12-31 | 2017-05-10 | 珠海市魅族科技有限公司 | 一种物品推荐的方法及装置 |
CN108830689A (zh) * | 2018-06-13 | 2018-11-16 | 深圳乐信软件技术有限公司 | 物品推荐方法、装置、服务器和存储介质 |
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 |
CN110969516A (zh) * | 2019-12-25 | 2020-04-07 | 清华大学 | 一种商品推荐方法及装置 |
CN111415222A (zh) * | 2020-03-19 | 2020-07-14 | 苏州大学 | 一种物品推荐方法、装置、设备及计算机可读存储介质 |
CN111651678A (zh) * | 2020-06-18 | 2020-09-11 | 达而观信息科技(上海)有限公司 | 一种基于知识图谱的个性化推荐方法 |
CN111782925A (zh) * | 2019-04-04 | 2020-10-16 | 阿里巴巴集团控股有限公司 | 物品推荐方法、装置、设备、***及可读存储介质 |
CN111784455A (zh) * | 2020-06-30 | 2020-10-16 | 腾讯科技(深圳)有限公司 | 一种物品推荐方法及推荐设备 |
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 |
-
2020
- 2020-11-17 CN CN202011291050.1A patent/CN113781147A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7720720B1 (en) * | 2004-08-05 | 2010-05-18 | Versata Development Group, Inc. | System and method for generating effective recommendations |
CN106651542A (zh) * | 2016-12-31 | 2017-05-10 | 珠海市魅族科技有限公司 | 一种物品推荐的方法及装置 |
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 |
CN108830689A (zh) * | 2018-06-13 | 2018-11-16 | 深圳乐信软件技术有限公司 | 物品推荐方法、装置、服务器和存储介质 |
CN111782925A (zh) * | 2019-04-04 | 2020-10-16 | 阿里巴巴集团控股有限公司 | 物品推荐方法、装置、设备、***及可读存储介质 |
CN110969516A (zh) * | 2019-12-25 | 2020-04-07 | 清华大学 | 一种商品推荐方法及装置 |
CN111415222A (zh) * | 2020-03-19 | 2020-07-14 | 苏州大学 | 一种物品推荐方法、装置、设备及计算机可读存储介质 |
CN111651678A (zh) * | 2020-06-18 | 2020-09-11 | 达而观信息科技(上海)有限公司 | 一种基于知识图谱的个性化推荐方法 |
CN111784455A (zh) * | 2020-06-30 | 2020-10-16 | 腾讯科技(深圳)有限公司 | 一种物品推荐方法及推荐设备 |
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108664513B (zh) | 用于推送关键词的方法、装置以及设备 | |
CN108805598B (zh) | 相似度信息确定方法、服务器及计算机可读存储介质 | |
CN110020162B (zh) | 用户识别方法和装置 | |
US10290032B2 (en) | Blacklisting based on image feature analysis and collaborative filtering | |
CN107193932B (zh) | 信息推送方法和装置 | |
CN112925973B (zh) | 数据处理方法和装置 | |
CN112818224B (zh) | 信息推荐方法、装置、电子设备及可读存储介质 | |
CN113312512B (zh) | 训练方法、推荐方法、装置、电子设备以及存储介质 | |
CN110766486A (zh) | 确定物品类目的方法和装置 | |
CN109388548A (zh) | 用于生成信息的方法和装置 | |
CN113095893A (zh) | 确定物品销量的方法和装置 | |
CN112765478A (zh) | 用于推荐内容的方法、装置、设备、介质和程序产品 | |
CN112116426A (zh) | 一种推送物品信息的方法和装置 | |
CN110827101B (zh) | 一种店铺推荐的方法和装置 | |
CN112907334A (zh) | 一种对象推荐方法及装置 | |
CN112287208B (zh) | 用户画像生成方法、装置、电子设备及存储介质 | |
CN113450172A (zh) | 一种商品推荐方法和装置 | |
CN113495991A (zh) | 一种推荐方法和装置 | |
CN112115354A (zh) | 信息处理方法、装置、服务器及存储介质 | |
CN110490682B (zh) | 分析商品属性的方法和装置 | |
CN111782850A (zh) | 一种基于手绘图的物品搜索方法和装置 | |
CN107357847B (zh) | 数据处理方法及其装置 | |
CN110738538B (zh) | 识别相似物品的方法和装置 | |
CN110838019A (zh) | 确定试用品发放人群的方法和装置 | |
CN113781147A (zh) | 物品推荐方法和装置 |
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 |