CN113807905A - 物品的推荐方法及装置、计算机存储介质、电子设备 - Google Patents
物品的推荐方法及装置、计算机存储介质、电子设备 Download PDFInfo
- Publication number
- CN113807905A CN113807905A CN202011225139.8A CN202011225139A CN113807905A CN 113807905 A CN113807905 A CN 113807905A CN 202011225139 A CN202011225139 A CN 202011225139A CN 113807905 A CN113807905 A CN 113807905A
- Authority
- CN
- China
- Prior art keywords
- target
- user
- determining
- sample users
- value
- 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 63
- 238000011156 evaluation Methods 0.000 claims abstract description 62
- 238000004590 computer program Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 12
- 238000010586 diagram Methods 0.000 description 19
- 230000006399 behavior Effects 0.000 description 15
- 238000005516 engineering process Methods 0.000 description 8
- 238000003066 decision tree Methods 0.000 description 6
- 244000062793 Sorghum vulgare Species 0.000 description 5
- 235000019713 millet Nutrition 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 3
- 241000937908 Pricea Species 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000013210 evaluation model Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 235000011888 snacks Nutrition 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
- 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
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开涉及数据处理技术领域,提供了一种物品的推荐方法、物品的推荐装置、计算机存储介质、电子设备,其中,物品的推荐方法包括:确定目标用户在预设的M个特征维度下所属的目标类别;根据存储空间中预先存储的特征维度与评分值的对应关系,匹配各特征维度对应的评分值;根据存储空间中预先存储的目标类别与加权参数的对应关系,确定各目标类别对应的加权参数;根据评分值与加权参数,确定目标用户的消费潜力评估值;为目标用户推荐与消费潜力评估值对应的目标物品。本公开能够为新注册用户推荐与其消费能力相匹配的物品,使得推荐的物品能够准确覆盖用户需求,节省用户的物品查找时间。
Description
技术领域
本公开涉及数据处理技术领域,特别涉及一种物品的推荐方法、物品的推荐装置、计算机存储介质及电子设备。
背景技术
随着计算机和互联网技术的迅速发展,相关数据处理领域也在迅速发展。对于相关物品展示平台来说,若能实现为不同类型的用户推荐与其消费能力相匹配的物品,则能够大大节省用户搜寻商品的时间,提高用户满意度。
相关技术中,一般主要是基于用户的已有行为,如购买行为、浏览行为、购买的商品属性等这些行为特征,配合决策树等模型评估消费者的消费潜力,可见,相关技术中不能对新注册用户的消费潜力进行评估,无法对新注册用户进行准确推荐。
鉴于此,本领域亟需开发一种新的物品的推荐方法及装置。
需要说明的是,上述背景技术部分公开的信息仅用于加强对本公开的背景的理解。
发明内容
本公开的目的在于提供一种物品的推荐方法、物品的推荐装置、计算机存储介质及电子设备,进而至少在一定程度上避免了相关技术中无法对新注册用户进行准确推荐的缺陷。
本公开的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本公开的实践而习得。
根据本公开的第一方面,提供一种物品的推荐方法,包括:确定目标用户在预设的M个特征维度下所属的目标类别;其中,所述目标用户包括新注册用户,M为正整数;根据存储空间中预先存储的特征维度与评分值的对应关系,匹配各所述特征维度对应的评分值;根据所述存储空间中预先存储的目标类别与加权参数的对应关系,确定各所述目标类别对应的加权参数;根据所述评分值与所述加权参数,确定所述目标用户的消费潜力评估值;为所述目标用户推荐与所述消费潜力评估值对应的目标物品。
在本公开的示例性实施例中,所述确定目标用户在预设的M个特征维度下所属的目标类别,包括:获取目标用户在所述M个特征维度下的用户特征值;根据所述用户特征值确定所述目标用户在各特征维度下所属的目标类别。
在本公开的示例性实施例中,在确定目标用户在预设的M个特征维度下所属的目标类别之前,所述方法还包括:将获取到的样本用户划分为正样本用户和负样本用户;所述样本用户为在历史时间段内购买过指定类物品的用户;确定各所述样本用户在所述M个特征维度下所属的目标类别;根据各目标类别中正样本用户的数量、各目标类别中负样本用户的数量、正样本用户的总数量、负样本用户的总数量、各目标类别所包含的样本用户数量以及样本用户的总数量,确定各所述特征维度对应的卡方值;根据所述卡方值与所述样本用户的总数量,确定各所述特征维度对应的评分值;将所述特征维度与所述评分值对应存储至所述存储空间中。
在本公开的示例性实施例中,所述根据各目标类别中正样本用户的数量、各目标类别的负样本用户数量、正样本用户的总数量、负样本用户的总数量、各目标类别所包含的样本用户数量以及样本用户的总数量,确定各所述特征维度对应的卡方值,包括:根据各目标类别中正样本用户的数量、正样本用户的总数量、各目标类别所包含的样本用户数量、样本用户的总数量,确定第一统计值;根据各目标类别中负样本用户的数量、负样本用户的总数量、各目标类别所包含的样本用户数量、样本用户的总数量,确定第二统计值;将所述第一统计值与所述第二统计值的累加值确定为各所述特征维度对应的所述卡方值。
在本公开的示例性实施例中,所述将获取到的样本用户划分为正样本用户和负样本用户,包括:将所述指定类物品划分为低价物品和高价物品;将购买过所述高价物品的样本用户确定为所述正样本用户;以及,将购买过所述低价物品的样本用户确定为所述负样本用户。
在本公开的示例性实施例中,所述将所述指定类物品划分为低价物品和高价物品,包括:获取所述指定类物品对应的多个物品价格的第一分位数;将物品价格大于所述第一分位数的物品确定为所述高价物品;将物品价格小于或等于所述第一分位数的物品确定为所述低价物品。
在本公开的示例性实施例中,所述方法还包括:获取各目标类别中正样本用户的数量与所述正样本用户的总数量的第一比值;获取各目标类别中负样本用户的数量与所述负样本用户的总数量的第二比值;获取所述第一比值与所述第二比值的第三比值;将所述第三比值的自然对数确定为各目标类别对应的加权参数;将所述目标类别与所述加权参数对应存储至所述存储空间中。
在本公开的示例性实施例中,所述根据所述评分值与所述加权参数,确定所述目标用户的消费潜力评估值,包括:获取各特征维度下所述评分值与所述加权参数的乘积;将M个所述乘积之和确定为所述目标用户的消费潜力评估值。
在本公开的示例性实施例中,所述为所述目标用户推荐与所述消费潜力评估值对应的目标物品,包括:获取多个目标用户对应的多个消费潜力评估值的第二分位数;根据目标用户的消费潜力评估值与所述第二分位数的大小关系,确定所述目标用户的消费潜力等级;根据预先存储的消费潜力等级与目标物品的对应关系,为所述目标用户推荐指定目标物品。
根据本公开的第二方面,提供一种物品的推荐装置,包括:确定模块,用于确定目标用户在预设的M个特征维度下所属的目标类别;其中,所述目标用户包括新注册用户,M为正整数;评估模块,用于根据存储空间中预先存储的特征维度与评分值的对应关系,匹配各所述特征维度对应的评分值;根据所述存储空间中预先存储的目标类别与加权参数的对应关系,确定各所述目标类别对应的加权参数;根据所述评分值与所述加权参数,确定所述目标用户的消费潜力评估值;物品推荐模块,用于为所述目标用户推荐与所述消费潜力评估值对应的目标物品。
根据本公开的第三方面,提供一种计算机存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述第一方面所述的物品的推荐方法。
根据本公开的第四方面,提供一种电子设备,包括:处理器;以及存储器,用于存储所述处理器的可执行指令;其中,所述处理器配置为经由执行所述可执行指令来执行上述第一方面所述的物品的推荐方法。
由上述技术方案可知,本公开示例性实施例中的物品的推荐方法、物品的推荐装置、计算机存储介质及电子设备至少具备以下优点和积极效果:
在本公开的一些实施例所提供的技术方案中,一方面,确定目标用户在预设的M个特征维度下所属的目标类别,能够将目标用户划分为不同的类型,提高后续的推荐准确性。进一步的,根据存储空间中预先存储的特征维度与评分值的对应关系,匹配各特征维度对应的评分值,以及,根据存储空间中预先存储的目标类别与加权参数的对应关系,确定各目标类别对应的加权参数,从而,根据评分值与加权参数,确定目标用户的消费潜力评估值,提供了一种从用户特征出发评估用户消费潜力的新思路,使得目标用户不仅可以是历史用户,还可以是没有历史行为的新注册用户,解决了相关技术中仅从用户的已有行为出发对历史用户进行评估,而无法对新注册用户进行评估的问题。另一方面,为目标用户推荐与消费潜力评估值对应的目标物品,能够打通物品数据库和用户数据库,节省用户搜寻物品的时间,提高用户满意度,提高用户的浏览效率和物品交易率。
本公开应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。显而易见地,下面描述中的附图仅仅是本公开的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1示出本公开一示例性实施例中物品的推荐方法的流程示意图;
图2示出本公开一示例性实施例中物品的推荐方法的子流程示意图;
图3示出本公开一示例性实施例中物品的推荐方法的子流程示意图;
图4示出本公开一示例性实施例中物品的推荐方法的子流程示意图;
图5示出本公开一示例性实施例中物品的推荐方法的子流程示意图;
图6示出本公开一示例性实施例中物品的推荐方法的整体流程示意图;
图7示出本公开示例性实施例中物品的推荐装置的结构示意图;
图8示出本公开示例性实施例中计算机存储介质的结构示意图;
图9示出本公开示例性实施例中电子设备的结构示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本公开将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中,提供许多具体细节从而给出对本公开的实施方式的充分理解。然而,本领域技术人员将意识到,可以实践本公开的技术方案而省略所述特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知技术方案以避免喧宾夺主而使得本公开的各方面变得模糊。
本说明书中使用用语“一个”、“一”、“该”和“所述”用以表示存在一个或多个要素/组成部分/等;用语“包括”和“具有”用以表示开放式的包括在内的意思并且是指除了列出的要素/组成部分/等之外还可存在另外的要素/组成部分/等;用语“第一”和“第二”等仅作为标记使用,不是对其对象的数量限制。
此外,附图仅为本公开的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。
相关技术中,一般是基于统计学习的方法根据历史用户已经发生的购买行为(例如:订单金额、订单量、下单次数、下单时间)、浏览行为(例如:某一品类的PV(店铺内所有页面的浏览总量)、UV(店铺各页面的访问人数,一个用户在一天内多次访问店铺被记为一个访客))和购买的商品属性(例如:商品的档位、商品的价格)等,配合决策树,随机森林,GBDT(Gradient Boosting Decision Tree,又叫MART(Multiple Additive Regression Tree,是一种迭代的决策树算法)等模型预测相关用户的消费潜力。
然而,上述方法存在以下问题:第一,当前技术过于依赖用户的行为特征,对于并没有行为特征的新注册的用户无能为力;第二,决策树算法相对来说处理的数据量较小,无法针对大量数据进行复杂的计算和迭代。
在本公开的实施例中,首先提供了一种物品的推荐方法,至少在一定程度上克服相关技术中无法对新注册用户进行准确推荐的缺陷。
图1示出本公开一示例性实施例中物品的推荐方法的流程示意图,该物品的推荐方法的执行主体可以是对物品进行推荐处理的服务器。
参考图1,根据本公开的一个实施例的物品的推荐方法包括以下步骤:
步骤S110,确定目标用户在预设的M个特征维度下所属的目标类别;
步骤S120,根据存储空间中预先存储的特征维度与评分值的对应关系,匹配各特征维度对应的评分值;
步骤S130,根据存储空间中预先存储的目标类别与加权参数的对应关系,确定各所属类别目标类别对应的加权参数;
步骤S140,根据评分值与加权参数,确定目标用户的消费潜力评估值;
步骤S150,为目标用户推荐与消费潜力评估值对应的目标物品。
在图1所示实施例所提供的技术方案中,确定目标用户在预设的M个特征维度下所属的目标类别,能够将目标用户划分为不同的类型,提高后续的推荐准确性。进一步的,根据存储空间中预先存储的特征维度与评分值的对应关系,匹配各特征维度对应的评分值,以及,根据存储空间中预先存储的目标类别与加权参数的对应关系,确定各目标类别对应的加权参数,从而,根据评分值与加权参数,确定目标用户的消费潜力评估值,提供了一种从用户特征出发评估用户消费潜力的新思路,使得目标用户不仅可以是历史用户,还可以是没有历史行为的新注册用户,解决了相关技术中仅从用户的已有行为出发对历史用户进行评估,而无法对新注册用户进行评估的问题。另一方面,为目标用户推荐与消费潜力评估值对应的目标物品,能够打通物品数据库和用户数据库,节省用户搜寻物品的时间,提高用户满意度,提高用户的浏览效率和物品交易率。
以下对图1中的各步骤的具体实现过程进行详细阐述:
在本公开的示例性实施例中,可以预先从历史用户中筛选出样本用户,并结合样本用户的相关特征信息确定出各个特征维度对应的评分值。具体的,可以参考图2,图2示出本公开一示例性实施例中物品的推荐方法的子流程示意图,具体示出根据样本用户的相关信息,计算每个特征维度对应的用户特征值的子流程示意图,包含步骤S201-S205,以下结合图2对具体的实施方式进行解释。
在步骤S201中,将获取到的样本用户划分为正样本用户和负样本用户。
本步骤中,可以获取样本用户,样本用户可以是在历史时间段内购买过指定类物品的用户。指定类物品可以是手机类物品、家电类物品、日用品等。举例而言,当指定类物品为手机类物品时,指定类物品可以是同一个品牌下的手机,也可以是不同品牌下的手机。例如,同一个品牌下的多个手机可以是小米6、小米7、小米8等等小米系列的手机。例如,不同品牌下的多个手机可以是小米8、iphone11、华为P40等等,可以根据实际情况自行设定,属于本公开的保护范围。
进而,可以根据各样本用户购买过的物品价格,将样本用户划分为正样本用户和负样本用户。具体的,可以参考图3,图3示出本公开一示例性实施例中物品的推荐方法的子流程示意图,具体示出如何将样本用户划分为正样本用户和负样本用户的子流程示意图,包括步骤S301-S302,以下结合图3对具体的实施方式进行解释。
在步骤S301中,将指定类物品划分为低价物品和高价物品。
本步骤中,以指定类物品中包含物品A、物品B……物品Z为例进行说明,物品A的价格为priceA,物品B的价格为priceB……物品Z的价格为priceZ,进而,示例性的,可以将上述priceA、priceB……priceZ按照从小到大的顺序进行排序,形成一价格序列。进而,计算该价格序列的0.9分位数(0.9分位数也称为0.9分位点,它是将一组数值从小到大取数,最小值到0.9分位数的数值个数占所有数值个数的90%),进而,将物品价格小于该0.9分位数的物品确定为低价物品,将物品价格大于或等于该0.9分位数的物品确定为高价物品。
示例性的,还可以计算该价格序列的0.7分位数(0.7分位数也称为0.7分位点,它是将一组数值从小到大取数,最小值到0.7分位数的数值个数占所有数值个数的70%)和0.9分位数,进而,将物品价格小于或等于0.7分位数的物品确定为低价物品,将物品价格大于0.7分位数、小于0.9分位数的物品确定为中等价位物品,将物品价格大于或等于0.9分位数的物品确定为高价物品。
在步骤S302中,将购买过高价物品的样本用户确定为正样本用户,以及,将购买过低价物品的样本用户确定为负样本用户。
从而,参照上述步骤S301的相关解释,可以将购买上述高价物品的样本用户确定为正样本用户,将购买上述低价物品的样本用户确定为负样本用户。或者,还可以将购买上述高价物品的样本用户确定为正样本用户,将购买上述低价物品和中等价位物品的用户确定为负样本用户。
继续参考图2,在步骤S202中,确定各样本用户在M个特征维度下所属的目标类别。
本步骤中,可以确定样本用户在上述M个特征维度下的用户特征值。举例而言,该M个特征维度可以包括:用户收入(例如:月收入)、用户年龄、用户所处城市级别、用户科技爱好偏好、用户职业、用户婚姻状况、用户汽车品牌档位、用户有孩子的可能性、用户手机品牌偏好、用户零食种类偏好、用户孩子年龄等,可以根据实际情况自行设定,属于本公开的保护范围。从而,使得相关评估指标多样化,保证了后续的评估准确度。
示例性的,当特征维度为用户收入时,可以确定用户User1对应的用户特征值为:60000,用户User2对应的用户特征值为20000,用户User3对应的用户特征值为:3000。当特征维度为年龄时,可以确定用户User1对应的用户特征值为55,用户User2对应的用户特征值为30,用户User3对应的用户特征值为21。
进而,可以根据上述用户特征值,将样本用户划分至特征维度的不同目标类别。示例性的,当特征维度为“用户收入”时,目标类别可以包括“高收入、中等收入、低收入”等。
举例而言,可以设定当用户收入大于或等于50000时,则其所属的目标类别为“高收入”;当用户收入大于10000小于50000时,则其所属的目标类别为“中等收入”;当用户收入小于或等于10000时,则其所属的目标类别为“低收入”。则参照上述步骤S203的相关解释可知,用户User1在特征维度“用户收入”下所属的目标类别为“高收入”,用户User2在特征维度“用户收入”下所属的目标类别为“中等收入”,用户User3在特征维度“用户收入”下所属的目标类别为“低收入”。
举例而言,还可以设定当用户年龄大于或等于60岁时,则其所属的目标类别为“老年”;当用户年龄大于45岁、小于59岁时,则其所属的目标类别为“中年”;当用户年龄小于或等于45岁时,则其所属的目标类别为“青年”。则参照上述步骤S203的相关解释可知,用户User1在特征维度“用户年龄”下所属的目标类别为“中年”,用户User2和用户User3在特征维度“用户年龄”下所属的目标类别为“青年”。
在步骤S203中,根据各目标类别中正样本用户的数量、各目标类别中负样本用户的数量、正样本用户的总数量、负样本用户的总数量、各目标类别所包含的样本用户数量以及样本用户的总数量,确定各特征维度对应的卡方值。
本步骤中,示例性的,可以参考图4,图4示出本公开一示例性实施例中消费潜力评估方法的子流程示意图,具体示出确定特征维度对应的卡方值的子流程示意图,包含步骤S401-S403,以下结合图4对具体的实施方式进行解释。
在步骤S401中,根据各目标类别中正样本用户的数量、正样本用户的总数量、各目标类别所包含的样本用户数量、样本用户的总数量,确定第一统计值。
示例性的,可以参考如下表1,以目标类别为“高收入”为例,其所包含的正样本用户的数量为a11,其所包含的样本用户数量为P1;以目标类别为“中等收入”为例,其所包含的正样本用户的数量为a12,其所包含的样本用户数量为P2;以目标类别为“低收入”为例,其所包含的正样本用户的数量为a13,其所包含的样本用户数量为P3;正样本用户的总数量为R1,样本用户的总数量为N。
表1
从而,举例而言,对于目标类别为“高收入”的正样本用户,可以将属于“高收入”的正样本用户的数量作为观察频数f0,则f0=a11。进而,可以基于以下公式1计算期望频数fe:
其中,R1为正样本用户的数量,P1为属于“高收入”的样本用户的数量、N为样本用户的总数量。
在确定出f0和fe之后,可以基于以下公式2计算出统计值T11:
在步骤S402中,根据各目标类别中负样本用户的数量、负样本用户的总数量、各目标类别所包含的样本用户数量、样本用户的总数量,确定第二统计值。
示例性的,可以参考步骤S401中的表1,以目标类别为“高收入”为例,其所包含的负样本用户的数量为a21,其所包含的样本用户数量为P1;以目标类别为“中等收入”为例,其所包含的负样本用户的数量为a22,其所包含的样本用户数量为P2;以目标类别为“低收入”为例,其所包含的正样本用户的数量为a23,其所包含的样本用户数量为P3;负样本用户的总数量为R2,样本用户的总数量为N。
举例而言,对于目标类别为“高收入”的负样本用户,可以将属于“高收入”的负样本用户的数量作为观察频数f0,则f0=a21。进而,可以基于下述公式3计算频数fe:
其中,R2为负样本用户的数量,P1为属于“高收入”的样本用户的数量、N为样本用户的总数量。
在确定出f0和fe之后,可以基于上述公式4计算出统计值T21:
在步骤S403中,将第一统计值与第二统计值的累加值确定为各特征维度对应的卡方值。
在确定出第一统计值和第二统计值之后,可以将上述第一统计值和第二统计值的累加和确定为上述特征维度“用户收入”对应的卡方值X2。
在步骤S204中,根据卡方值与样本用户的总数量,确定各特征维度对应的评分值。
本步骤中,可以基于以下公式5计算特征维度“用户收入”对应的评分值C1:
其中,X2为上述卡方值,N为上述样本用户的总数量。
在步骤S205中,将特征维度与评分值对应存储至存储空间中。
本步骤中,可以参照上述步骤的相关解释,计算出各特征维度分别对应的评分值,并将其对应存储至存储空间中。示例性的,可以将特征维度“用户收入”与其对应的评分值C1对应存储至存储空间中,将特征维度“用户年龄”与其对应的评分值C2对应存储至存储空间中,将特征维度“用户所处城市级别”与其对应的评分值C3对应存储至存储空间中。需要说明的是,上述存储空间可以自行设置,举例而言,存储空间可以是用户数据库、光驱、移动存储设备、计算机的某个盘(例如:E盘)、某个具体的文件夹,手机的内部存储空间,手机的外部安全数字卡(Secure Digital Card,SD卡)等。
示例性的,还可以分别计算各特征维度下,不同的目标类别对应的加权参数,具体的,可以参考图5,图5示出本公开一示例性实施例中物品的推荐方法的子流程示意图,具体示出计算不同的目标类别对应的加权参数的子流程示意图,包含步骤S501-S505,以下结合图5对具体的实施方式进行解释。
在步骤S501中,获取各目标类别中正样本用户的数量与正样本用户的总数量的第一比值。
本步骤中,仍然以特征维度为“用户收入”为例进行说明,当目标类别为“高收入”时,可以获取正样本用户的数量a11与正样本用户的总数量R1的第一比值a11/R1。
在步骤S502中,获取各目标类别中负样本用户的数量与负样本用户的总数量的第二比值。
本步骤中,当目标类别为“高收入”时,可以获取负样本用户的数量a12与负样本用户的总数量R2的第二比值a12/R2。
在步骤S503中,获取第一比值与第二比值的第三比值。
在步骤S504中,将第三比值的自然对数确定为各目标类别对应的加权参数。
在步骤S505中,将目标类别与加权参数对应存储至存储空间中。
进而,可以将“高收入”与其对应的加权参数W11对应存储至存储空间中,将“中等收入”与其对应的加权参数W12对应存储至存储空间中,将“低收入”与其对应的加权参数W13对应存储至存储空间中。
类似的,当特征维度为“用户年龄”时,还可以将“老年”对应的加权参数W21对应存储至存储空间中,将“中年”与其对应的加权参数W22对应存储至存储空间中,将“青年”与其对应的加权参数W23对应存储至存储空间中。
继续参考图1,在步骤S110中,确定目标用户在预设的M个特征维度下所属的目标类别。
本步骤中,可以获取目标用户在M个特征维度下的用户特征值,并根据用户特征值确定目标用户在各特征维度下所属的目标类别。具体的,可以参考上述步骤S202的相关解释,本公开对此不再赘述。从而,能够将目标用户划分为不同的类型,提高后续的推荐准确性。
需要说明的是,目标用户可以是历史用户,也可以是新注册用户。从而,提供了一种从用户特征出发评估用户消费潜力的新思路,解决了相关技术中仅从用户的已有行为出发对历史用户进行评估,而无法对新注册用户进行评估的问题。
当目标用户为历史用户时,可以通过用户画像确定目标用户在预设的M个特征维度下的用户特征值,进而,根据用户特征值确定目标用户在各特征维度下所属的目标类别。
当目标用户为历史用户时,还可以向历史用户下发调查问卷,并通过目标用户反馈的问卷结果来确定其各特征维度所对应的用户特征值,并根据用户特征值确定目标用户在各特征维度下所属的目标类别。
当目标用户为新注册用户时,可以获取用户的注册信息,根据上述注册信息确定各特征维度对应的用户特征值,根据用户特征值确定目标用户在各特征维度下所属的目标类别。
在步骤S120中,根据存储空间中预先存储的特征维度与评分值的对应关系,匹配各特征维度对应的评分值。
本步骤中,可以参照上述步骤S205的相关解释,从上述存储空间(例如:用户数据库)中读取各特征维度分别对应的评分值。示例性的,当特征维度与上述M个特征维度相同时,则可以读取到特征维度对应的评分值为C1、C2、C3……CM。
在步骤S130中,根据预先存储目标类别与加权参数的对应关系,确定目标类别对应的加权参数。
本步骤中,可以参照上述步骤S505的相关解释,从上述存储空间(例如:用户数据库)中读取各个目标类别对应的加权参数,举例而言,当目标用户在特征维度“用户收入”下所属的目标类别为“高收入”时,可以读取到其特征维度“用户收入”对应的加权参数为W11;当用户年龄所属的目标类别为“中年”时,则可以读取到其特征维度“用户年龄”对应的加权参数为W22,……,类似的,可以读取出其他各特征维度所属的目标类别对应的加权参数。
在步骤S140中,根据评分值与加权参数,确定目标用户的消费潜力评估值。
在确定出上述评分值和对应的加权参数之后,可以基于以下公式6计算出目标用户的消费潜力评估值S:
S=C1*W11+C2*W22+……+CM*WMj 公式6
其中,S表示上述消费潜力评估值,C1表示第1个特征维度对应的评分值,W11表示目标用户在第1个特征维度下所属目标类别1对应的加权参数;C2表示第2个特征维度对应的评分值,W22表示目标用户在第2个特征维度下所属目标类别2对应的加权参数;CM表示第M个特征维度对应的评分值,WMj表示目标用户在第M个特征维度下所属目标类别j对应的加权参数。
进而,可以将目标用户的消费潜力评估值写入上述用户数据库,以避免数据丢失。
在步骤S150中,为目标用户推荐与消费潜力评估值对应的目标物品。
本步骤中,可以为目标用户推荐与消费潜力评估值对应的目标物品。示例性的,还可以根据上述消费潜力评估值,撤销对目标用户的当前推荐列表中指定物品的展示,以避免无效物品(即与用户消费潜力不匹配的物品,例如:为低消费潜力的用户推荐的顶级奢侈品,或为高消费潜力的目标用户推荐的打折品)的界面占用,优化用户体验。
示例性的,当目标用户累加到多个时,还可以将多个目标用户的消费潜力评估值按照从小到大的顺序排序,形成一数值序列。进而,可以计算该数值序列对应的0.9分位数,并将消费潜力评估值大于0.9分位数的目标用户确定为“高消费潜力用户”,将消费潜力评估值小于或等于上述0.9分位数的目标用户确定为“低消费潜力用户”。
示例性的,还可以计算该数值序列对应的0.7分位数、0.9分位数,进而,将消费潜力评估值大于或等于上述0.9分位数的目标用户确定为“高消费潜力用户”,将消费潜力评估值大于上述0.7分位数、小于上述0.9分位数的目标用户确定为“中消费潜力用户”,将消费潜力评估值小于或等于上述0.7分位数的目标用户确定为“低消费潜力用户”。
进而,可以根据预先存储的消费潜力等级与目标物品的对应关系,为目标用户推荐指定目标物品。示例性的,若目标用户为上述“高消费潜力用户”,在可以为该目标用户推荐“某品牌的高端配置手机、某品牌的高端配置电脑”等,以匹配其消费能力。从而,能够提高用户对目标物品的兴趣度,节省用户搜寻物品的时间,提高用户满意度,提高用户的浏览效率和物品交易率。
示例性的,还可以从物品数据库中读取上述目标物品的信息,并建立目标物品与目标用户的关联关系,从而,打通物品数据库与用户数据库,在不同时间段为目标用户推荐不同的目标物品,避免预设时间段内(例如:一年)重复确定目标用户的消费潜力评估值,节省***的计算资源,提高***对其他业务的处理效率。
需要说明的是,本公开中还可以将上述样本用户的特征维度及样本用户在上述M个特征维度下的用户特征值输入机器学习模型(例如:决策树、随机森林、强化学习等模型)中,多次调整参数以训练上述机器学习模型,使上述机器学习模型的损失函数趋于收敛,得到一消费潜力预测模型。进而,可以将目标用户在各特征维度的用户特征值输入上述训练好的消费潜力评估模型中,根据上述消费潜力评估模型的输出,得到上述目标用户对应的消费潜力评估值。进而,可以根据其消费潜力评估值为该目标用户推荐与其消费能力相匹配的目标物品。
示例性的,可以参考图6,图6示出本公开一示例性实施例中物品的推荐方法的整体流程示意图,包含步骤S601-S605,以下结合图6对具体的实施方式进行解释。
在步骤S601中,根据样本用户的用户属性筛选M个特征维度;
在步骤S602中,将样本用户划分为正样本用户和负样本用户;分别计算不同样本用户的各特征维度对应的评分值(C系数,又称列联系数),以及,各特征维度的不同目标类别对应的加权参数(WOE编码,Weight of Evidence,简称:WOE,证据权重);并将数据对应存储至存储空间中;
在步骤S603中,根据目标用户在各特征维度下的用户特征值,匹配各特征维度对应的评分值,以及,匹配其目标类别对应的加权参数;
在步骤S604中,根据评分值与加权参数,确定目标用户的消费潜力评估值;
在步骤S605中,根据消费潜力评估值,确定目标用户的消费潜力等级。
基于上述技术方案,本公开不仅能够解决相关技术中只能基于用户的已有行为(例如:购买行为和浏览行为)为其推荐物品,而无法为新注册用户推荐物品的技术问题,还能够为用户推荐与其消费能力相匹配的物品,使得推荐的物品能够准确覆盖用户需求,节省用户搜寻物品的时间,提高用户对目标物品的兴趣度、用户满意度、用户的浏览效率和物品交易率。
本公开还提供了一种物品的推荐装置,图7示出本公开示例性实施例中物品的推荐装置的结构示意图;如图7所示,物品的推荐装置700可以包括确定模块701、评估模块702和物品推荐模块703。其中:
确定模块701,用于确定目标用户在预设的M个特征维度下所属的目标类别。
在本公开的示例性实施例中,确定模块用于获取目标用户在M个特征维度下的用户特征值;根据用户特征值确定目标用户在各特征维度下所属的目标类别。
评估模块702,用于根据存储空间中预先存储的特征维度与评分值的对应关系,匹配各特征维度对应的评分值;根据存储空间中预先存储的目标类别与加权参数的对应关系,确定各目标类别对应的加权参数;根据评分值与加权参数,确定目标用户的消费潜力评估值。
在本公开的示例性实施例中,评估模块用于将获取到的样本用户划分为正样本用户和负样本用户;样本用户为在历史时间段内购买过指定类物品的用户;确定各样本用户在M个特征维度下所属的目标类别;根据各目标类别中正样本用户的数量、各目标类别中负样本用户的数量、正样本用户的总数量、负样本用户的总数量、各目标类别所包含的样本用户数量以及样本用户的总数量,确定各特征维度对应的卡方值;根据卡方值与样本用户的总数量,确定各特征维度对应的评分值;将特征维度与评分值对应存储至存储空间中。
在本公开的示例性实施例中,评估模块用于根据各目标类别中正样本用户的数量、正样本用户的总数量、各目标类别所包含的样本用户数量、样本用户的总数量,确定第一统计值;根据各目标类别中负样本用户的数量、负样本用户的总数量、各目标类别所包含的样本用户数量、样本用户的总数量,确定第二统计值;将第一统计值与第二统计值的累加值确定为各特征维度对应的卡方值。
在本公开的示例性实施例中,评估模块用于将指定类物品划分为低价物品和高价物品;将购买过高价物品的样本用户确定为正样本用户;以及,将购买过低价物品的样本用户确定为负样本用户。
在本公开的示例性实施例中,评估模块用于获取指定类物品对应的多个物品价格的第一分位数;将物品价格大于第一分位数的物品确定为高价物品;将物品价格小于或等于第一分位数的物品确定为低价物品。
在本公开的示例性实施例中,评估模块用于获取各目标类别中正样本用户的数量与正样本用户的总数量的第一比值;获取各目标类别中负样本用户的数量与负样本用户的总数量的第二比值;获取第一比值与第二比值的第三比值;将第三比值的自然对数确定为各目标类别对应的加权参数;将目标类别与加权参数对应存储至存储空间中。
物品推荐模块703,用于为目标用户推荐与消费潜力评估值对应的目标物品。
在本公开的示例性实施例中,物品推荐模块用于获取各特征维度下评分值与加权参数的乘积;将M个乘积之和确定为目标用户的消费潜力评估值。
在本公开的示例性实施例中,物品推荐模块用于获取多个目标用户对应的多个消费潜力评估值的第二分位数;根据目标用户的消费潜力评估值与第二分位数的大小关系,确定目标用户的消费潜力等级;根据预先存储的消费潜力等级与目标物品的对应关系,为目标用户推荐指定目标物品。
上述物品的推荐装置中各模块的具体细节已经在对应的物品的推荐方法中进行了详细的描述,因此此处不再赘述。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本公开的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
此外,尽管在附图中以特定顺序描述了本公开中方法的各步骤,但是,这并非要求或者暗示必须按照该特定顺序来执行这些步骤,或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的,可以省略某些步骤,将多个步骤合并为一个步骤执行,以及/或者将一个步骤分解为多个步骤执行等。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本公开实施方式的方法。
在本公开示例性实施方式中,还提供了一种能够实现上述方法的计算机存储介质。其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施例中,本公开的各方面还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在终端设备上运行时,所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。
参考图8所示,描述了根据本公开的实施方式的用于实现上述方法的程序产品800,其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在终端设备,例如个人电脑上运行。然而,本公开的程序产品不限于此,在本文件中,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。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、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。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(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。
计算机可读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,其中承载了可读程序代码。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。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、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。
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、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
此外,在本公开的示例性实施例中,还提供了一种能够实现上述方法的电子设备。
所属技术领域的技术人员能够理解,本公开的各方面可以实现为***、方法或程序产品。因此,本公开的各方面可以具体实现为以下形式,即:完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等),或硬件和软件方面结合的实施方式,这里可以统称为“电路”、“模块”或“***”。
下面参照图9来描述根据本公开的这种实施方式的电子设备900。图9显示的电子设备900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9所示,电子设备900以通用计算设备的形式表现。电子设备900的组件可以包括但不限于:上述至少一个处理单元910、上述至少一个存储单元920、连接不同***组件(包括存储单元920和处理单元910)的总线930以及显示单元940。
其中,所述存储单元存储有程序代码,所述程序代码可以被所述处理单元910执行,使得所述处理单元910执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。例如,所述处理单元910可以执行如图1中所示的:步骤S110,确定目标用户在预设的M个特征维度下所属的目标类别;步骤S120,根据存储空间中预先存储的特征维度与评分值的对应关系,匹配各特征维度对应的评分值;步骤S130,根据存储空间中预先存储的目标类别与加权参数的对应关系,确定各所属类别目标类别对应的加权参数;步骤S140,根据评分值与加权参数,确定目标用户的消费潜力评估值;步骤S150,为目标用户推荐与消费潜力评估值对应的目标物品。
存储单元920可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)9201和/或高速缓存存储单元9202,还可以进一步包括只读存储单元(ROM)9203。
存储单元920还可以包括具有一组(至少一个)程序模块9205的程序/实用工具9204,这样的程序模块9205包括但不限于:操作***、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线930可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、***总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备900也可以与一个或多个外部设备1000(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电子设备900交互的设备通信,和/或与使得该电子设备900能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口950进行。并且,电子设备900还可以通过网络适配器960与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器960通过总线930与电子设备900的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备900使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID***、磁带驱动器以及数据备份存储***等。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。
此外,上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明,而不是限制目的。易于理解,上述附图所示的处理并不表明或限制这些处理的时间顺序。另外,也易于理解,这些处理可以是例如在多个模块中同步或异步执行的。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其他实施例。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由权利要求指出。
Claims (12)
1.一种物品的推荐方法,其特征在于,包括:
确定目标用户在预设的M个特征维度下所属的目标类别;其中,所述目标用户包括新注册用户,M为正整数;
根据存储空间中预先存储的特征维度与评分值的对应关系,匹配各所述特征维度对应的评分值;
根据所述存储空间中预先存储的目标类别与加权参数的对应关系,确定各所述目标类别对应的加权参数;
根据所述评分值与所述加权参数,确定所述目标用户的消费潜力评估值;
为所述目标用户推荐与所述消费潜力评估值对应的目标物品。
2.根据权利要求1所述的方法,其特征在于,所述确定目标用户在预设的M个特征维度下所属的目标类别,包括:
获取目标用户在所述M个特征维度下的用户特征值;
根据所述用户特征值确定所述目标用户在各特征维度下所属的目标类别。
3.根据权利要求1或2所述的方法,其特征在于,在确定目标用户在预设的M个特征维度下所属的目标类别之前,所述方法还包括:
将获取到的样本用户划分为正样本用户和负样本用户;所述样本用户为在历史时间段内购买过指定类物品的用户;
确定各所述样本用户在所述M个特征维度下所属的目标类别;
根据各目标类别中正样本用户的数量、各目标类别中负样本用户的数量、正样本用户的总数量、负样本用户的总数量、各目标类别所包含的样本用户数量以及样本用户的总数量,确定各所述特征维度对应的卡方值;
根据所述卡方值与所述样本用户的总数量,确定各所述特征维度对应的评分值;
将所述特征维度与所述评分值对应存储至所述存储空间中。
4.根据权利要求3所述的方法,其特征在于,所述根据各目标类别中正样本用户的数量、各目标类别的负样本用户数量、正样本用户的总数量、负样本用户的总数量、各目标类别所包含的样本用户数量以及样本用户的总数量,确定各所述特征维度对应的卡方值,包括:
根据各目标类别中正样本用户的数量、正样本用户的总数量、各目标类别所包含的样本用户数量、样本用户的总数量,确定第一统计值;
根据各目标类别中负样本用户的数量、负样本用户的总数量、各目标类别所包含的样本用户数量、样本用户的总数量,确定第二统计值;
将所述第一统计值与所述第二统计值的累加值确定为各所述特征维度对应的所述卡方值。
5.根据权利要求3所述的方法,其特征在于,所述将获取到的样本用户划分为正样本用户和负样本用户,包括:
将所述指定类物品划分为低价物品和高价物品;
将购买过所述高价物品的样本用户确定为所述正样本用户;以及,
将购买过所述低价物品的样本用户确定为所述负样本用户。
6.根据权利要求5所述的方法,其特征在于,所述将所述指定类物品划分为低价物品和高价物品,包括:
获取所述指定类物品对应的多个物品价格的第一分位数;
将物品价格大于所述第一分位数的物品确定为所述高价物品;
将物品价格小于或等于所述第一分位数的物品确定为所述低价物品。
7.根据权利要求3所述的方法,其特征在于,所述方法还包括:
获取各目标类别中正样本用户的数量与所述正样本用户的总数量的第一比值;
获取各目标类别中负样本用户的数量与所述负样本用户的总数量的第二比值;
获取所述第一比值与所述第二比值的第三比值;
将所述第三比值的自然对数确定为各目标类别对应的加权参数;
将所述目标类别与所述加权参数对应存储至所述存储空间中。
8.根据权利要求1所述的方法,其特征在于,所述根据所述评分值与所述加权参数,确定所述目标用户的消费潜力评估值,包括:
获取各特征维度下所述评分值与所述加权参数的乘积;
将M个所述乘积之和确定为所述目标用户的消费潜力评估值。
9.根据权利要求1所述的方法,其特征在于,所述为所述目标用户推荐与所述消费潜力评估值对应的目标物品,包括:
获取多个目标用户对应的多个消费潜力评估值的第二分位数;
根据目标用户的消费潜力评估值与所述第二分位数的大小关系,确定所述目标用户的消费潜力等级;
根据预先存储的消费潜力等级与目标物品的对应关系,为所述目标用户推荐指定目标物品。
10.一种物品的推荐装置,其特征在于,包括:
确定模块,用于确定目标用户在预设的M个特征维度下所属的目标类别;其中,所述目标用户包括新注册用户,M为正整数;
评估模块,用于根据存储空间中预先存储的特征维度与评分值的对应关系,匹配各所述特征维度对应的评分值;根据所述存储空间中预先存储的目标类别与加权参数的对应关系,确定各所述目标类别对应的加权参数;根据所述评分值与所述加权参数,确定所述目标用户的消费潜力评估值;
物品推荐模块,用于为所述目标用户推荐与所述消费潜力评估值对应的目标物品。
11.一种计算机存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1~9中任意一项所述的物品的推荐方法。
12.一种电子设备,其特征在于,包括:
处理器;以及
存储器,用于存储所述处理器的可执行指令;
其中,所述处理器配置为经由执行所述可执行指令来执行权利要求1~9中任意一项所述的物品的推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011225139.8A CN113807905A (zh) | 2020-11-05 | 2020-11-05 | 物品的推荐方法及装置、计算机存储介质、电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011225139.8A CN113807905A (zh) | 2020-11-05 | 2020-11-05 | 物品的推荐方法及装置、计算机存储介质、电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113807905A true CN113807905A (zh) | 2021-12-17 |
Family
ID=78943487
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011225139.8A Pending CN113807905A (zh) | 2020-11-05 | 2020-11-05 | 物品的推荐方法及装置、计算机存储介质、电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113807905A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106355449A (zh) * | 2016-08-31 | 2017-01-25 | 腾讯科技(深圳)有限公司 | 用户选取方法和装置 |
CN107578332A (zh) * | 2017-09-22 | 2018-01-12 | 深圳乐信软件技术有限公司 | 一种推荐现金商品的方法、装置、设备及存储介质 |
CN108154420A (zh) * | 2017-12-26 | 2018-06-12 | 泰康保险集团股份有限公司 | 产品推荐方法及装置、存储介质、电子设备 |
CN109829763A (zh) * | 2019-02-21 | 2019-05-31 | 北京三快在线科技有限公司 | 消费能力评估方法及装置、电子设备、存储介质 |
CN110163717A (zh) * | 2019-04-12 | 2019-08-23 | 深圳壹账通智能科技有限公司 | 一种产品推荐方法、装置、计算机可读存储介质及服务器 |
CN110175895A (zh) * | 2019-05-31 | 2019-08-27 | 京东方科技集团股份有限公司 | 一种物品推荐方法及装置 |
CN110533495A (zh) * | 2018-05-24 | 2019-12-03 | 北京京东尚科信息技术有限公司 | 专业度评分、物品推荐的方法、***、设备和存储介质 |
CN111611496A (zh) * | 2020-04-09 | 2020-09-01 | 浙江口碑网络技术有限公司 | 产品推荐方法及其装置 |
-
2020
- 2020-11-05 CN CN202011225139.8A patent/CN113807905A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106355449A (zh) * | 2016-08-31 | 2017-01-25 | 腾讯科技(深圳)有限公司 | 用户选取方法和装置 |
CN107578332A (zh) * | 2017-09-22 | 2018-01-12 | 深圳乐信软件技术有限公司 | 一种推荐现金商品的方法、装置、设备及存储介质 |
CN108154420A (zh) * | 2017-12-26 | 2018-06-12 | 泰康保险集团股份有限公司 | 产品推荐方法及装置、存储介质、电子设备 |
CN110533495A (zh) * | 2018-05-24 | 2019-12-03 | 北京京东尚科信息技术有限公司 | 专业度评分、物品推荐的方法、***、设备和存储介质 |
CN109829763A (zh) * | 2019-02-21 | 2019-05-31 | 北京三快在线科技有限公司 | 消费能力评估方法及装置、电子设备、存储介质 |
CN110163717A (zh) * | 2019-04-12 | 2019-08-23 | 深圳壹账通智能科技有限公司 | 一种产品推荐方法、装置、计算机可读存储介质及服务器 |
CN110175895A (zh) * | 2019-05-31 | 2019-08-27 | 京东方科技集团股份有限公司 | 一种物品推荐方法及装置 |
CN111611496A (zh) * | 2020-04-09 | 2020-09-01 | 浙江口碑网络技术有限公司 | 产品推荐方法及其装置 |
Non-Patent Citations (2)
Title |
---|
崔亚洲;段刚;: "基于Web日志和商品分类的协同过滤推荐***", 电子科技大学学报(社科版), no. 03, 30 September 2006 (2006-09-30) * |
杨海龙;李松林;李卫军;: "基于GLSLIM模型的混合推荐算法研究", 信息与电脑(理论版), no. 20, 23 October 2017 (2017-10-23) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10296935B2 (en) | Real time audience forecasting | |
US11995112B2 (en) | System and method for information recommendation | |
AU2016346497B2 (en) | Method and system for performing a probabilistic topic analysis of search queries for a customer support system | |
US20190340688A1 (en) | Utilizing artificial intelligence to make a prediction about an entity based on user sentiment and transaction history | |
US20200234218A1 (en) | Systems and methods for entity performance and risk scoring | |
CN110135901A (zh) | 一种企业用户画像构建方法、***、介质和电子设备 | |
US20120047013A1 (en) | Real Time Statistics Extraction From Arbitrary Advertising Audiences | |
CN105550173A (zh) | 文本校正方法和装置 | |
CN112016796B (zh) | 综合风险评分请求处理方法、装置及电子设备 | |
US11734702B2 (en) | Enhanced survey information synthesis | |
CN110852785B (zh) | 用户分级方法、装置及计算机可读存储介质 | |
CN113393306A (zh) | 产品推荐方法、装置、电子设备及计算机可读介质 | |
CN112598472A (zh) | 产品推荐方法、装置、***、介质和程序产品 | |
CN107679916A (zh) | 用于获取用户兴趣度的方法及装置 | |
CN113139115A (zh) | 信息推荐方法、搜索方法、装置及客户端、介质及设备 | |
WO2020150597A1 (en) | Systems and methods for entity performance and risk scoring | |
CN113778979A (zh) | 一种直播点击率的确定方法和装置 | |
CN114595323B (zh) | 画像构建、推荐、模型训练方法、装置、设备及存储介质 | |
CN112016791B (zh) | 资源分配方法、装置及电子设备 | |
CN113807905A (zh) | 物品的推荐方法及装置、计算机存储介质、电子设备 | |
CN111105274A (zh) | 数据处理方法、装置、介质及电子设备 | |
CN111241382A (zh) | 数据处理方法及装置、存储介质、电子设备 | |
CN108846743B (zh) | 用于生成信息的方法和装置 | |
CN113222631A (zh) | 用于识别年龄的方法和装置 | |
CN115757956A (zh) | 一种组合产品推荐方法、装置、电子设备及存储介质 |
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 |