CN114971817A - 基于用户需求画像的产品自适应服务方法、介质及装置 - Google Patents
基于用户需求画像的产品自适应服务方法、介质及装置 Download PDFInfo
- Publication number
- CN114971817A CN114971817A CN202210906537.9A CN202210906537A CN114971817A CN 114971817 A CN114971817 A CN 114971817A CN 202210906537 A CN202210906537 A CN 202210906537A CN 114971817 A CN114971817 A CN 114971817A
- Authority
- CN
- China
- Prior art keywords
- product
- user
- attention
- demand
- list
- 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
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
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- General Engineering & Computer Science (AREA)
- Finance (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供一种基于用户需求画像的产品自适应服务方法、介质及装置;所述基于用户需求画像的产品自适应服务方法为:通过用户显式需求建模生成用户显式需求画像,通过用户隐式需求建模生成用户隐式需求画像,并将两者进行有效加权,形成用户个性化需求画像;并从准确推荐和查全推荐两个维度入手,设计两种应用场景下的参数灵活配置方案,根据不同准确率和查全率应用要求自适应调整具体参数,实现基于用户个性化需求画像的产品场景式自适应服务。
Description
技术领域
本发明涉及智能推荐技术领域,具体而言,涉及一种基于用户需求画像的产品自适应服务方法、介质及装置。
背景技术
随着网络时代的兴盛,互联网的规模不断扩大,广阔分布的互联网使得数据资源呈***式增长,用户要在海量信息空间中获得符合自己需求的信息越发困难,形成“信息过载”这一典型问题。推荐***的出现很好的解决了这个问题。
个性化推荐利用数据挖掘等技术从用户的历史记录中收集用户的偏好,帮助用户获取感兴趣的信息,以解决互联网信息“超负载”问题。与传统搜索引擎等信息检索技术相比,推荐***最大的优势在于能够为用户提供个性化的服务,***根据用户的个人信息或浏览行为引导用户,针对不同的用户,该过程的反馈结果也会不同。
但推荐***也存在如下典型问题:
(1)“冷启动”问题,冷启动问题是数据稀疏问题的一种极端情况,一般发生在初始状态***评分数据太少时,***的可用数据太少,因而无法做出适当的推荐。***出现新用户时,由于***掌握的用户信息很少,无法准确判断用户的关注偏好,无法为用户提供针对性的信息;
(2)查全服务与准确服务问题,定义产品服务准确率为***推送的产品中用户感兴趣(实际需要)的产品数量与推送的情报产品数量总和之间的比值,反映推送产品的多样性;定义产品服务查全率为***推送的产品中用户感兴趣(实际需要)的产品数量与产品库中与用户需求真实相关的产品数量总和之间的比值,反映推送产品的准确性。两项指标相关性较强,但查全率和准确率基本难以同时兼顾。
发明内容
本发明旨在提供一种基于用户需求画像的产品自适应服务方法、介质及装置,以解决上述存在的问题。
本发明提供的一种基于用户需求画像的产品自适应服务方法,包括如下步骤:
步骤1:用户显式需求建模生成用户显式需求画像;具体地:利用结构化的需求建模工具,采集用户的产品需求,包括用户关注的产品主题以及产品关键词,输出结构化的用户显式需求列表;该用户显式需求列表即为用户显式需求画像;
步骤2:用户隐式需求建模生成用户隐式需求画像;具体地:用户登录产品服务***后,产品服务***通过自动采集用户的交互式操作行为及交互式操作产品对象,利用需求挖掘算法,提取用户关注重点,由此输出结构化的用户隐式需求列表;该用户隐式需求列表即为用户隐式需求画像;
步骤3:对用户显式需求画像和用户隐式需求画像赋予不同的权重,然后对用户显式需求画像和用户隐式需求画像进行有效加权,生成用户个性化需求画像;
步骤4:实现基于用户个性化需求画像的准确推荐和查全推荐两种不同场景下的产品智能推荐,具体地:
当用户对准确推荐要求相较于对查全推荐要求更高时,产品服务***自动在满足预设查全率的基础上将关注度高的产品推荐给用户;
当用户对查全推荐要求相较于对准确推荐要求更高时,产品服务***自动在满足预设准确率的基础上将关注度不为零的产品推荐给用户。
本发明还提供一种计算机终端存储介质,存储有计算机终端可执行指令,所述计算机终端可执行指令用于执行上述的基于用户需求画像的产品自适应服务方法。
本发明还提供一种计算装置,包括:
至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述的基于用户需求画像的产品自适应服务方法。
综上所述,由于采用了上述技术方案,本发明的有益效果是:
为了构建用户个性化需求画像并定时更新,本发明通过用户显式需求建模生成用户显式需求画像,通过用户隐式需求建模生成用户隐式需求画像,并将两者进行有效加权,形成用户个性化需求画像;并从准确推荐和查全推荐两个维度入手,设计两种应用场景下的参数灵活配置方案,根据不同准确率和查全率应用要求自适应调整具体参数,实现基于用户个性化需求画像的产品场景式自适应服务。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为本发明实施例中基于用户需求画像的产品自适应服务方法的流程图。
图2为本发明实施例中生成用户显式需求画像的流程图。
图3为本发明实施例中生成用户隐式需求画像的流程图。
图4为本发明实施例中生成用户个性化需求画像的流程图。
图5为本发明实施例中实现基于用户个性化需求画像的准确推荐和查全推荐两种不同场景下的产品智能推荐的流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例
如图1所示,本实施例提出一种基于用户需求画像的产品自适应服务方法,包括如下步骤:
步骤1:用户显式需求建模生成用户显式需求画像;如图2所示,即,利用结构化的需求建模工具,采集用户的产品需求,包括用户关注的产品主题以及产品关键词(如日期范围、作者、来源等),输出结构化的用户显式需求列表;该用户显式需求列表即为用户显式需求画像。
本实施例中,所述用户显式需求画像表示为:
其中:
T hist_i (i∈(1~h))表示用户关注的第i个产品的产品主题,w hist_i (i∈(1~h))表示对用户关注的第i个产品的产品主题的关注度值,h为用户关注的产品的产品主题数量,w hist_1+w hist_2+w hist_3+…+w hist_h =1;
Kword hist_j (j∈(1~g))表示用户关注的产品的第j个产品关键词;w’hist_j (j∈(1~g))表示对用户关注的产品的第j个产品关键词的关注度,g为用户关注的产品的产品关键词数量,w’hist_1+w’hist_2+w’hist_3+…+w’hist_g =1。
步骤2:用户隐式需求建模生成用户隐式需求画像;即,用户登录产品服务***后,产品服务***通过自动采集用户的交互式操作行为及交互式操作产品对象,利用需求挖掘算法,提取用户关注重点,由此输出结构化的用户隐式需求列表;该用户隐式需求列表即为用户隐式需求画像。如图3所示,具体包括如下子步骤:
步骤21,采集并记录用户的交互式操作行为及操作对象:
其中:表示用户在登录产品服务***期间对产品的交互式操作行为矩阵,l表示具有包括浏览、收藏或下载的交互式操作行为的产品总数,Q i1表示用户对第i个产品的浏览行为,Q i2表示用户对第i个产品的收藏行为,Q i3表示用户对第i个产品的下载行为;举例说明:当用户对第i个产品进行了操作Q i1(浏览行为)时,设Q i1=1;否则,Q i1=0。
步骤22,计算用户对产品的关注度:
步骤221,构建用户操作行为与产品关注度的映射关系矩阵:
步骤222,通过用户在登录产品服务***期间对产品的交互式操作行为矩阵以及用户操作行为与产品关注度的映射关系矩阵,计算用户在登录产品服务***期间对产品关注度列表:
步骤23,计算用户隐式需求列表,生成用户隐式需求画像:
步骤231,对用户关注的每个产品进行产品主题及产品关键词采集,输出产品主题列表以及产品关键词列表:
产品主题列表表示为:
其中:T i (i∈(1~l))表示第i个产品的产品主题,认为一个产品有且只有一个产品主题;
产品关键词列表表示为:
其中:[Kword i ](i∈(1~l))表示第i个产品的产品关键词,认为一个产品有一个或多个产品关键词;第i个产品的的产品关键词列表表示为:
Kword i =[[Kword i1,w i1],[Kword i2,w i2],…,[Kword ik ,w ik ]],i∈(1~l);
其中:k表示第i个产品的产品关键词数量;[Kword iq ,w iq ](q∈(1~k))中,Kword iq 表示第i个产品的第q个产品关键词,w iq 表示第q个产品关键词的权重;
步骤232,计算用户对产品主题的关注度,认为一个产品有且只有一个产品主题,则用户对第i个产品的产品主题关注度即用户对第i个产品的关注度:
首先计算用户对每个产品的产品主题关注度,表示为:
然后对产品主题关注度列表求并集,合并相同主题,输出用户对产品主题关注度:当有多个产品的产品主题相同时,用户对该产品主题的关注度为对该产品主题下所有关注度之和;即,当第i个产品与第j个产品的产品主题相同,即T i =T j (i∈(1~l),j∈(1~l),i≠j)时,用户对产品主题T i 的关注度;通过合并相同产品主题下的多个关注度,输出用户对产品主题关注度列表,表示:
最后对各产品主题关注度进行归一化处理,归一化公式如下:
输出归一化后的用户对产品主题关注度列表,表示为:
其中,w i (i∈(1~n))为归一化后的用户对第i个产品的产品主题关注度,w 1+w 2+…+ w n =1;
步骤233,计算用户对产品关键词的关注度,认为一个产品有一个或多个产品关键词,用户对产品关键词的关注度为用户对产品的关注度乘以产品关键词权重:
首先计算用户对每个产品关键词的关注度,表示为:
然后对产品关键词关注度列表求并集,合并相同产品关键词,输出用户对产品关键词关注度:遍历用户对产品关键词关注度列表,当有多个产品关键词相同时,用户对该产品关键词的关注度为对该产品关键词的所有关注度之和;即,当第i个产品的产品关键词Kword ik 与第j个产品的产品关键词Kword jm 相同,即Kword ik =Kword jm 时,用户对产品关键词Kword ik 的关注度为w ik =w ik +w jm ;通过合并相同产品关键词下的多个关注度,输出用户对产品关键词关注度列表,表示:
最后,对各产品关键词关注度进行归一化处理,归一化公式如下:
输出归一化后的用户对产品关键词关注度列表,表示为:
其中,w i (i∈(1~p))为归一化后的第i个产品关键词关注度,w 1+w 2+…+ w p =1;
步骤234,基于步骤232和步骤233计算出的用户产品主题关注度和用户产品关键词关注度,生成用户隐式需求列表,即用户隐式需求画像,表示为:
步骤3:对用户显式需求画像和用户隐式需求画像赋予不同的权重,然后对用户显式需求画像和用户隐式需求画像进行有效加权,生成用户个性化需求画像;如图4所示,具体包括如下子步骤:
步骤31,为用户历史需求画像和用户隐式需求画像分配权重:
w hist +w inter =1
其中,w hist 表示用户历史需求画像的权重,w inter 表示用户隐式需求画像的权重;
需要说明的是,用户初次登录产品服务***期间,用户历史需求画像为用户显式需求画像;用户再次登录产品服务***时,用户历史需求画像为前一次登录产品服务***期间生成的用户个性化需求画像;
步骤32,个性化需求的产品主题关注度计算:
步骤321,利用步骤31输出的权重,对用户历史需求画像中的产品主题关注度与用户隐式需求画像中的产品主题关注度进行加权,输出用户个性化需求的产品主题关注度,表示为:
步骤322,对产品主题关注度列表中相同产品主题进行合并:遍历用户对产品主题关注度列表,当有多个产品主题相同时,用户对该产品主题的关注度为对该产品主题的所有关注度之和;即,当产品主题Thist_1与产品主题Tn相同时,用户对产品主题Thist_1的关注度为(w hist ×w hist_1+w inter ×w n );通过合并相同产品主题下的多个关注度,输出用户个性化需求列表的产品主题关注度列表,表示为:
步骤33,个性化需求的产品关键词关注度计算:
步骤331,利用步骤31输出的权重值,对用户历史需求画像中的产品关键词关注度与用户隐式需求画像中的产品关键词关注度进行加权,输出用户个性化需求的产品关键词关注度,表示为:
步骤332,对产品关键词列表中相似产品关键词进行合并:
设置产品关键词的相似度阈值x,如果两个产品关键词的相似度大于x,则认为两个产品关键词为相似词,能够进行合并;
遍历用户对产品关键词关注度列表的产品关键词,利用词向量算法,计算每个产品关键词的词向量,并利用余弦相似度算法,计算两两产品关键词的词向量间夹角余弦值,如果余弦值大于相似度阈值x,则认为两个产品关键词相似,能够进行合并,其关注度为对各产品关键词的关注度之和;
举例说明:设相似度阈值x=0.9,通过遍历产品关键词,及词向量计算和余弦相似度计算,计算出产品关键词Kword 1和Kword g+m的相似度为0.95,则认为Kword 1和Kword g+m相似,将产品关键词Kword 1和Kword g+m合并为Kword 1,其关注度值为(w 1+w g+m );输出用户个性化需求的产品关键词关注度列表,表示为:
步骤4:实现基于用户个性化需求画像的准确推荐和查全推荐两种不同场景下的产品智能推荐;如图5所示,具体包括如下子步骤:
步骤41,基于个性化需求产品主题的用户对产品关注度计算:
步骤411,遍历产品库中所有产品,对产品库中每个产品进行产品主题采集,输出第i个产品的产品主题T i ;
步骤412,遍历用户个性化需求主题列表,将产品主题T i 与用户个性化需求主题列表中产品主题T j 进行匹配计算:若匹配成功,停止遍历,对第i个产品的关注度D T_i 等于用户个性化需求主题列表中对产品主题T j 的关注度w j ;若匹配失败,则执行步骤413;
步骤413,重复步骤412,j=j+1,j≤n,直到对用户个性化需求主题列表遍历结束;表明第i个产品的产品主题T i 与用户个性化需求主题列表中所有产品主题均匹配失败,则基于个性化需求主题的用户对第i个产品的关注度w i =0;
步骤414,重复步骤411~413,直到对产品库中所有产品遍历结束,输出基于用户个性化需求主题的用户对产品关注度,表示为:
其中:y表示产品库中产品总数量;D T_i (i∈(1~y))表示基于用户个性化需求主题的用户对第i个产品的关注度;
步骤42,基于个性化需求产品关键词的用户对产品关注度计算:
步骤421,遍历产品库中所有产品,对产品库中每个产品进行产品关键词采集,输出第i个产品的产品关键词列表,表示为:
{Kword i }=[[Kword i1,w i1],[Kword i2,w i2],…,[Kword ik ,w ik ]]
其中:{Kword i }表示第i个产品的产品关键词列表;[Kword ij ,w ij ](j∈(1~k))分别表示第i个产品的第j个产品关键词以及及该关键词的权重,k表示第i个产品的产品关键词数量;
步骤422,分别计算第i个产品和用户个性化需求产品关键词列表的特征向量:
首先对第i个产品的产品关键词列表和用户个性化需求的产品关键词列表求并集,输出词袋模型,表示为:
其中,Kword i1,Kword i2,…,Kword ik 分别表示第i个产品的k个产品关键词,Kword 1,Kword 2,…,Kword f分别为用户个性化需求产品关键词列表中的f个产品关键词;
举例说明:当产品关键词Kword i1=Kword 1时,输出词袋模型为:
以词袋模型U中的产品关键词为索引,其对应的数值用产品关键词权重表示,未在产品关键词列表中出现的产品关键词,则权重为0,分别生成第i个产品和用户个性化需求产品关键词的词袋向量,称之为特征向量。
举例说明:当产品关键词Kword i1=Kword 1时,输出第i个产品的词袋向量和用户个性化需求产品关键词列表的词袋向量如下所示:
其中:Kword i1,Kword i2,…,Kword ik ,Kword 2,…,Kword f为索引号;[w i1,w i2,…,w ik ,0,0]为第i个产品的特征向量;[w i ,0,…,0,w 2,w f ]为用户个性化需求产品关键词列表的特征向量。
步骤423,计算基于个性化需求产品关键词的用户对产品关注度:
采用余弦计算公式,第i个产品的特征向量和用户个性化需求产品关键词列表的特征向量之间夹角余弦值,用以第i个产品和用户个性化需求产品关键词列表之间的相似度;特征向量夹角余弦值越接近于1,相似度越高,则认为用户对该产品的关注度越高,计算公式如下:
其中:D Kword_i 为基于个性化需求产品关键词的用户对第i个产品的关注度;
步骤424,重复步骤421~423,直到对产品库中所有产品遍历结束,输出基于用户个性化需求产品关键词的用户对产品关注度,表示为:
其中:y表示产品库中产品总数量;D Kword_i (i∈(1~y))表示基于用户个性化需求产品关键词的用户对第i个产品的关注度;
步骤43,基于步骤41和步骤42的输出结果,计算基于个性化需求画像的产品关注度:
步骤431,遍历产品库中所有产品,基于个性化需求画像的用户对第i个产品的关注度为基于个性化需求产品关键词的用户对第i个产品的关注度与基于个性化需求产品主题的用户对第i个产品的关注度权重的乘积,表示为:
其中:表示基于个性化需求画像的用户对第i个产品的关注度;D Kword_i 表示基于个性化需求产品关键词的用户对第i个产品的关注度;D T_i 表示基于个性化需求主题的用户对第i个产品的关注度;max(D T_1,D T_2,…,D T_y )表示基于个性化需求产品主题的用户对产品关注度最大值;min(D T_1,D T_2,…,D T_y )表示基于个性化需求产品主题的用户对产品关注度最小值;
步骤432,遍历结束后,输出用户对产品库中所有产品关注度列表,表示为:
步骤44,基于产品关注度实现基于用户个性化需求画像的准确推荐和查全推荐两种不同场景下的产品智能推荐:
当用户对准确推荐要求相较于对查全推荐要求更高时,产品服务***自动在满足预设查全率的基础上将关注度高的产品推荐给用户;
当用户对查全推荐要求相较于对准确推荐要求更高时,产品服务***自动在满足预设准确率的基础上将关注度不为零的产品推荐给用户。
由此,实现基于用户个性化需求画像的场景式产品自适应服务。
此外,在一些实施例中,提出一种计算机终端存储介质,存储有计算机终端可执行指令,所述计算机终端可执行指令用于执行如前文实施例所述的基于用户需求画像的产品自适应服务方法。计算机存储介质的示例包括磁性存储介质(例如,软盘、硬盘等)、光学记录介质(例如,CD-ROM、DVD等)或存储器,如存储卡、ROM或RAM等。计算机存储介质也可以分布在网络连接的计算机***上,例如是应用程序的商店。
此外,在一些实施例中,提出一种计算装置,包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如前文实施例所述的基于用户需求画像的产品自适应服务方法。计算装置的示例包括PC机、平板电脑、智能手机或PDA等。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于用户需求画像的产品自适应服务方法,其特征在于,包括如下步骤:
步骤1:用户显式需求建模生成用户显式需求画像;
步骤2:用户隐式需求建模生成用户隐式需求画像;
步骤3:对用户显式需求画像和用户隐式需求画像赋予不同的权重,然后对用户显式需求画像和用户隐式需求画像进行有效加权,生成用户个性化需求画像;
步骤4:实现基于用户个性化需求画像的准确推荐和查全推荐两种不同场景下的产品智能推荐。
2.根据权利要求1所述的基于用户需求画像的产品自适应服务方法,其特征在于,步骤1中用户显式需求建模生成用户显式需求画像的方法包括:
利用结构化的需求建模工具,采集用户的产品需求,包括用户关注的产品主题以及产品关键词,输出结构化的用户显式需求列表;该用户显式需求列表即为用户显式需求画像。
3.根据权利要求2所述的基于用户需求画像的产品自适应服务方法,其特征在于,所述用户显式需求画像表示为:
其中:表示用户显式需求画像;表示用户关注的产品主题的关注度列表;表示用户对产品关键词的关注度列表;T hist_i (i∈(1~h))表示用户关注的第i个产品的产品主题,w hist_i (i∈(1~h))表示对用户关注的第i个产品的产品主题的关注度,h为用户关注的产品的产品主题数量,w hist_1+w hist_2+w hist_3+…+w hist_h =1;Kword hist_j (j∈(1~g))表示用户关注的产品的第j个产品关键词;w’hist_j (j∈(1~g))表示对用户关注的产品的第j个产品关键词的关注度,g为用户关注的产品的产品关键词数量,w’hist_1+w’hist_2+w’hist_3+…+w’hist_g =1。
4.根据权利要求1所述的基于用户需求画像的产品自适应服务方法,其特征在于,步骤2中用户隐式需求建模生成用户隐式需求画像的方法包括:
用户登录产品服务***后,产品服务***通过自动采集用户的交互式操作行为及交互式操作产品对象,利用需求挖掘算法,提取用户关注重点,由此输出结构化的用户隐式需求列表;该用户隐式需求列表即为用户隐式需求画像。
5.根据权利要求4所述的基于用户需求画像的产品自适应服务方法,其特征在于,步骤2中用户隐式需求建模生成用户隐式需求画像的方法包括如下子步骤:
步骤21,采集并记录用户的交互式操作行为及操作对象:
其中:表示用户在登录产品服务***期间对产品的交互式操作行为矩阵,l表示具有包括浏览、收藏或下载的交互式操作行为的产品总数,Q i1表示用户对第i个产品的浏览行为,Q i2表示用户对第i个产品的收藏行为,Q i3表示用户对第i个产品的下载行为;
步骤22,计算用户对产品的关注度:
步骤221,构建用户操作行为与产品关注度的映射关系矩阵:
步骤222,通过用户在登录产品服务***期间对产品的交互式操作行为矩阵以及用户操作行为与产品关注度的映射关系矩阵,计算用户在登录产品服务***期间对产品关注度列表:
步骤23,计算用户隐式需求列表,生成用户隐式需求画像:
步骤231,对用户关注的每个产品进行产品主题及产品关键词采集,输出产品主题列表以及产品关键词列表:
产品主题列表表示为:
其中:T i (i∈(1~l))表示第i个产品的产品主题,认为一个产品有且只有一个产品主题;
产品关键词列表表示为:
其中:[Kword i ](i∈(1~l))表示第i个产品的产品关键词,认为一个产品有一个或多个产品关键词;第i个产品的的产品关键词列表表示为:
Kword i =[[Kword i1,w i1],[Kword i2,w i2],…,[Kword ik ,w ik ]],i=1~l;
其中:k表示第i个产品的产品关键词数量;[Kword iq ,w iq ](q=1~k)中,Kword iq 表示第i个产品的第q个产品关键词,w iq 表示第q个产品关键词的权重;
步骤232,计算用户对产品主题的关注度,认为一个产品有且只有一个产品主题,则用户对第i个产品的产品主题关注度即用户对第i个产品的关注度:
首先计算用户对每个产品的产品主题关注度,表示为:
然后对产品主题关注度列表求并集,合并相同主题,输出用户对产品主题关注度:当有多个产品的产品主题相同时,用户对该产品主题的关注度为对该产品主题下所有关注度之和;通过合并相同产品主题下的多个关注度,输出用户对产品主题关注度列表,表示:
最后对各产品主题关注度进行归一化处理,归一化公式如下:
输出归一化后的用户对产品主题关注度列表,表示为:
其中,w i (i∈(1~n))为归一化后的用户对第i个产品的产品主题关注度,w 1+w 2+…+ w n =1;
步骤233,计算用户对产品关键词的关注度,认为一个产品有一个或多个产品关键词,用户对产品关键词的关注度为用户对产品的关注度乘以产品关键词权重:
首先计算用户对每个产品关键词的关注度,表示为:
然后对产品关键词关注度列表求并集,合并相同产品关键词,输出用户对产品关键词关注度:遍历用户对产品关键词关注度列表,当有多个产品关键词相同时,用户对该产品关键词的关注度为对该产品关键词的所有关注度之和;即,当第i个产品的产品关键词Kword ik 与第j个产品的产品关键词Kword jm 相同,即Kword ik =Kword jm 时,用户对产品关键词Kword ik 的关注度为w ik =w ik +w jm ;通过合并相同产品关键词下的多个关注度,输出用户对产品关键词关注度列表,表示:
最后,对各产品关键词关注度进行归一化处理,归一化公式如下:
输出归一化后的用户对产品关键词关注度列表,表示为:
其中,w i (i∈(1~p))为归一化后的第i个产品关键词关注度,w 1+w 2+…+w p =1;
步骤234,基于步骤232和步骤233计算出的用户产品主题关注度和用户产品关键词关注度,生成用户隐式需求列表,即用户隐式需求画像,表示为:
6.根据权利要求5所述的基于用户需求画像的产品自适应服务方法,其特征在于,步骤3中对用户显式需求画像和用户隐式需求画像赋予不同的权重,然后对用户显式需求画像和用户隐式需求画像进行有效加权,生成用户个性化需求画像的方法,包括如下子步骤:
步骤31,为用户历史需求画像和用户隐式需求画像分配权重:
w hist +w inter =1
其中,w hist 表示用户历史需求画像的权重,w inter 表示用户隐式需求画像的权重;
步骤32,个性化需求的产品主题关注度计算:
步骤321,利用步骤31输出的权重,对用户历史需求画像中的产品主题关注度与用户隐式需求画像中的产品主题关注度进行加权,输出用户个性化需求的产品主题关注度,表示为:
步骤322,对产品主题关注度列表中相同产品主题进行合并:遍历用户对产品主题关注度列表,当有多个产品主题相同时,用户对该产品主题的关注度为对该产品主题的所有关注度之和;即,当产品主题Thist_1与产品主题Tn相同时,用户对产品主题Thist_1的关注度为(w hist ×w hist_1+w inter ×w n );通过合并相同产品主题下的多个关注度,输出用户个性化需求列表的产品主题关注度列表,表示为:
步骤33,个性化需求的产品关键词关注度计算:
步骤331,利用步骤31输出的权重值,对用户历史需求画像中的产品关键词关注度与用户隐式需求画像中的产品关键词关注度进行加权,输出用户个性化需求的产品关键词关注度,表示为:
步骤332,对产品关键词列表中相似产品关键词进行合并:
设置产品关键词的相似度阈值x,如果两个产品关键词的相似度大于x,则认为两个产品关键词为相似词,能够进行合并;
遍历用户对产品关键词关注度列表的产品关键词,利用词向量算法,计算每个产品关键词的词向量,并利用余弦相似度算法,计算两两产品关键词的词向量间夹角余弦值,如果余弦值大于相似度阈值x,则认为两个产品关键词相似,能够进行合并,其关注度为对各产品关键词的关注度之和。
7.根据权利要求6所述的基于用户需求画像的产品自适应服务方法,其特征在于,步骤31中,用户初次登录产品服务***期间,用户历史需求画像为用户显式需求画像;用户再次登录产品服务***时,用户历史需求画像为前一次登录产品服务***期间生成的用户个性化需求画像。
8.根据权利要求1所述的基于用户需求画像的产品自适应服务方法,其特征在于,步骤4中实现基于用户个性化需求画像的准确推荐和查全推荐两种不同场景下的产品智能推荐的方法包括如下子步骤:
步骤41,基于个性化需求产品主题的用户对产品关注度计算:
步骤411,遍历产品库中所有产品,对产品库中每个产品进行产品主题采集,输出第i个产品的产品主题T i ;
步骤412,遍历用户个性化需求主题列表,将产品主题T i 与用户个性化需求主题列表中产品主题T j 进行匹配计算:若匹配成功,停止遍历,对第i个产品的关注度D T_i 等于用户个性化需求主题列表中对产品主题T j 的关注度w j ;若匹配失败,则执行步骤413;
步骤413,重复步骤412,j=j+1,j≤n,直到对用户个性化需求主题列表遍历结束;表明第i个产品的产品主题T i 与用户个性化需求主题列表中所有产品主题均匹配失败,则基于个性化需求主题的用户对第i个产品的关注度w i =0;
步骤414,重复步骤411~413,直到对产品库中所有产品遍历结束,输出基于用户个性化需求主题的用户对产品关注度,表示为:
其中:y表示产品库中产品总数量;D T_i (i∈(1~y))表示基于用户个性化需求主题的用户对第i个产品的关注度;
步骤42,基于个性化需求产品关键词的用户对产品关注度计算:
步骤421,遍历产品库中所有产品,对产品库中每个产品进行产品关键词采集,输出第i个产品的产品关键词列表,表示为:
{Kword i }=[[Kword i1,w i1],[Kword i2,w i2],…,[Kword ik ,w ik ]]
其中:{Kword i }表示第i个产品的产品关键词列表;[Kword ij ,w ij ](j∈(1~k))分别表示第i个产品的第j个产品关键词以及及该关键词的权重,k表示第i个产品的产品关键词数量;
步骤422,分别计算第i个产品和用户个性化需求产品关键词列表的特征向量:
首先对第i个产品的产品关键词列表和用户个性化需求的产品关键词列表求并集,输出词袋模型,表示为:
其中,Kword i1,Kword i2,…,Kword ik 分别表示第i个产品的k个产品关键词,Kword 1,Kword 2,…,Kword f分别为用户个性化需求产品关键词列表中的f个产品关键词;
举例说明:当产品关键词Kword i1=Kword 1时,输出词袋模型为:
以词袋模型U中的产品关键词为索引,其对应的数值用产品关键词权重表示,未在产品关键词列表中出现的产品关键词,则权重为0,分别生成第i个产品和用户个性化需求产品关键词的词袋向量,称之为特征向量;
步骤423,计算基于个性化需求产品关键词的用户对产品关注度:
采用余弦计算公式,第i个产品的特征向量和用户个性化需求产品关键词列表的特征向量之间夹角余弦值,用以第i个产品和用户个性化需求产品关键词列表之间的相似度;计算公式如下:
其中:D Kword_i 为基于个性化需求产品关键词的用户对第i个产品的关注度;
步骤424,重复步骤421~423,直到对产品库中所有产品遍历结束,输出基于用户个性化需求产品关键词的用户对产品关注度,表示为:
其中:y表示产品库中产品总数量;D Kword_i (i∈(1~y))表示基于用户个性化需求产品关键词的用户对第i个产品的关注度;
步骤43,基于步骤41和步骤42的输出结果,计算基于个性化需求画像的产品关注度:
步骤431,遍历产品库中所有产品,基于个性化需求画像的用户对第i个产品的关注度为基于个性化需求产品关键词的用户对第i个产品的关注度与基于个性化需求产品主题的用户对第i个产品的关注度权重的乘积,表示为:
其中:表示基于个性化需求画像的用户对第i个产品的关注度;D Kword_i 表示基于个性化需求产品关键词的用户对第i个产品的关注度;D T_i 表示基于个性化需求主题的用户对第i个产品的关注度;max(D T_1,D T_2,…,D T_y )表示基于个性化需求产品主题的用户对产品关注度最大值;min(D T_1,D T_2,…,D T_y )表示基于个性化需求产品主题的用户对产品关注度最小值;
步骤432,遍历结束后,输出用户对产品库中所有产品关注度列表,表示为:
步骤44,基于产品关注度实现基于用户个性化需求画像的准确推荐和查全推荐两种不同场景下的产品智能推荐:
当用户对准确推荐要求相较于对查全推荐要求更高时,产品服务***自动在满足预设查全率的基础上将关注度高的产品推荐给用户;
当用户对查全推荐要求相较于对准确推荐要求更高时,产品服务***自动在满足预设准确率的基础上将关注度不为零的产品推荐给用户。
9.一种计算机终端存储介质,存储有计算机终端可执行指令,其特征在于,所述计算机终端可执行指令用于执行如权利要求1-8中任一权利要求所述的基于用户需求画像的产品自适应服务方法。
10.一种计算装置,其特征在于,包括:
至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1-8中任一权利要求所述的基于用户需求画像的产品自适应服务方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210906537.9A CN114971817B (zh) | 2022-07-29 | 2022-07-29 | 基于用户需求画像的产品自适应服务方法、介质及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210906537.9A CN114971817B (zh) | 2022-07-29 | 2022-07-29 | 基于用户需求画像的产品自适应服务方法、介质及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114971817A true CN114971817A (zh) | 2022-08-30 |
CN114971817B CN114971817B (zh) | 2022-11-22 |
Family
ID=82968879
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210906537.9A Active CN114971817B (zh) | 2022-07-29 | 2022-07-29 | 基于用户需求画像的产品自适应服务方法、介质及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114971817B (zh) |
Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110307813A1 (en) * | 2010-06-11 | 2011-12-15 | International Business Machines Corporation | Interactive Ring-Shaped Interface |
US20120066072A1 (en) * | 2007-05-25 | 2012-03-15 | Issar Amit Kanigsberg | Recommendation Systems and Methods Using Interest Correlation |
CN103235824A (zh) * | 2013-05-06 | 2013-08-07 | 上海河广信息科技有限公司 | 根据浏览网页确定用户感兴趣的网页文本的方法和*** |
CN103235823A (zh) * | 2013-05-06 | 2013-08-07 | 上海河广信息科技有限公司 | 根据相关网页和当前行为确定用户当前兴趣的方法和*** |
US20140101243A1 (en) * | 2012-10-05 | 2014-04-10 | Facebook, Inc. | Method and apparatus for identifying common interest between social network users |
US20150120722A1 (en) * | 2013-10-31 | 2015-04-30 | Telefonica Digital Espana, S.L.U. | Method and system for providing multimedia content recommendations |
CN105142028A (zh) * | 2015-07-29 | 2015-12-09 | 华中科技大学 | 面向三网融合的电视节目内容搜索与推荐方法 |
CN105677846A (zh) * | 2016-01-06 | 2016-06-15 | 中国传媒大学 | 推荐***及其构建方法 |
WO2017193323A1 (zh) * | 2016-05-12 | 2017-11-16 | 深圳大学 | 一种基于用户偏好的个性化推荐方法及其*** |
US20180197090A1 (en) * | 2017-01-10 | 2018-07-12 | Facebook, Inc. | Externally informed counterfactual prediction |
US10394885B1 (en) * | 2016-03-15 | 2019-08-27 | Intuit Inc. | Methods, systems and computer program products for generating personalized financial podcasts |
CN110263106A (zh) * | 2019-06-25 | 2019-09-20 | 中国人民解放军国防科技大学 | 协同舆论欺诈检测方法和装置 |
CN110362740A (zh) * | 2019-06-10 | 2019-10-22 | 河海大学 | 一种水利门户信息混合推荐方法 |
CN111079028A (zh) * | 2019-12-04 | 2020-04-28 | 上海财经大学 | 基于多源辅助信息的协同过滤推荐***及方法 |
CN112269932A (zh) * | 2020-10-30 | 2021-01-26 | 金天国际医疗科技有限公司 | 基于大数据的中小型企业资源整合处理*** |
CN112632397A (zh) * | 2021-01-04 | 2021-04-09 | 同方知网(北京)技术有限公司 | 基于多类型学术成果画像及混合推荐策略的个性化推荐方法 |
WO2021070681A1 (ja) * | 2019-10-10 | 2021-04-15 | 株式会社村田製作所 | 関心度評価システムおよび関心度評価方法 |
CN113988060A (zh) * | 2021-08-31 | 2022-01-28 | 中国电子科技集团公司第十五研究所 | 数据信息推荐方法、装置、终端设备和存储介质 |
CN114764732A (zh) * | 2020-12-30 | 2022-07-19 | 美的集团股份有限公司 | 一种商品推荐方法、设备及计算机可读存储介质 |
CN114781348A (zh) * | 2022-04-11 | 2022-07-22 | 中国电子科技集团公司第十研究所 | 一种基于词袋模型的文本相似度计算方法及*** |
-
2022
- 2022-07-29 CN CN202210906537.9A patent/CN114971817B/zh active Active
Patent Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120066072A1 (en) * | 2007-05-25 | 2012-03-15 | Issar Amit Kanigsberg | Recommendation Systems and Methods Using Interest Correlation |
US20110307813A1 (en) * | 2010-06-11 | 2011-12-15 | International Business Machines Corporation | Interactive Ring-Shaped Interface |
US20140101243A1 (en) * | 2012-10-05 | 2014-04-10 | Facebook, Inc. | Method and apparatus for identifying common interest between social network users |
CN103235824A (zh) * | 2013-05-06 | 2013-08-07 | 上海河广信息科技有限公司 | 根据浏览网页确定用户感兴趣的网页文本的方法和*** |
CN103235823A (zh) * | 2013-05-06 | 2013-08-07 | 上海河广信息科技有限公司 | 根据相关网页和当前行为确定用户当前兴趣的方法和*** |
US20150120722A1 (en) * | 2013-10-31 | 2015-04-30 | Telefonica Digital Espana, S.L.U. | Method and system for providing multimedia content recommendations |
CN105142028A (zh) * | 2015-07-29 | 2015-12-09 | 华中科技大学 | 面向三网融合的电视节目内容搜索与推荐方法 |
CN105677846A (zh) * | 2016-01-06 | 2016-06-15 | 中国传媒大学 | 推荐***及其构建方法 |
US10394885B1 (en) * | 2016-03-15 | 2019-08-27 | Intuit Inc. | Methods, systems and computer program products for generating personalized financial podcasts |
WO2017193323A1 (zh) * | 2016-05-12 | 2017-11-16 | 深圳大学 | 一种基于用户偏好的个性化推荐方法及其*** |
US20180197090A1 (en) * | 2017-01-10 | 2018-07-12 | Facebook, Inc. | Externally informed counterfactual prediction |
CN110362740A (zh) * | 2019-06-10 | 2019-10-22 | 河海大学 | 一种水利门户信息混合推荐方法 |
CN110263106A (zh) * | 2019-06-25 | 2019-09-20 | 中国人民解放军国防科技大学 | 协同舆论欺诈检测方法和装置 |
WO2021070681A1 (ja) * | 2019-10-10 | 2021-04-15 | 株式会社村田製作所 | 関心度評価システムおよび関心度評価方法 |
CN111079028A (zh) * | 2019-12-04 | 2020-04-28 | 上海财经大学 | 基于多源辅助信息的协同过滤推荐***及方法 |
CN112269932A (zh) * | 2020-10-30 | 2021-01-26 | 金天国际医疗科技有限公司 | 基于大数据的中小型企业资源整合处理*** |
CN114764732A (zh) * | 2020-12-30 | 2022-07-19 | 美的集团股份有限公司 | 一种商品推荐方法、设备及计算机可读存储介质 |
CN112632397A (zh) * | 2021-01-04 | 2021-04-09 | 同方知网(北京)技术有限公司 | 基于多类型学术成果画像及混合推荐策略的个性化推荐方法 |
CN113988060A (zh) * | 2021-08-31 | 2022-01-28 | 中国电子科技集团公司第十五研究所 | 数据信息推荐方法、装置、终端设备和存储介质 |
CN114781348A (zh) * | 2022-04-11 | 2022-07-22 | 中国电子科技集团公司第十研究所 | 一种基于词袋模型的文本相似度计算方法及*** |
Non-Patent Citations (6)
Title |
---|
CHUNLIANG LU 等: "Twitter User Modeling and Tweets Recommendation Based on Wikipedia Concept Graph", 《WORKSHOPS AT THE TWENTY-SIXTH AAAI CONFERENCE ON ARTIFICIAL INTELLIGENCE》 * |
JINGHUAZHAO 等: "User personality prediction based on topic preference and sentiment analysis using LSTM model", 《PATTERN RECOGNITION LETTERS》 * |
张培颖: "基于模糊隶属度的个性化网页推荐***", 《计算机***应用》 * |
徐麟军 等: "学习资源个性化检索***中用户兴趣建模研究", 《电脑知识与技术》 * |
葛桂丽 等: "基于情境感知的用户个性化兴趣建模", 《计算机应用研究》 * |
陆洲 等: "基于用户兴趣模型聚类的协同过滤推荐算法", 《微计算机信息》 * |
Also Published As
Publication number | Publication date |
---|---|
CN114971817B (zh) | 2022-11-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11748397B2 (en) | Dynamic feedback in a recommendation system | |
JP4650541B2 (ja) | 推薦装置および方法、プログラム、並びに記録媒体 | |
JP4678546B2 (ja) | 推薦装置および方法、プログラム、並びに記録媒体 | |
JP4538757B2 (ja) | 情報処理装置、情報処理方法、およびプログラム | |
US20150242750A1 (en) | Asymmetric Rankers for Vector-Based Recommendation | |
WO2016077255A1 (en) | Hybrid explanations in collaborative filter based recommendation system | |
CN112328849A (zh) | 用户画像的构建方法、基于用户画像的对话方法及装置 | |
CN112950325B (zh) | 一种社交行为融合的自注意力序列推荐方法 | |
CN111858969B (zh) | 多媒体数据推荐方法、装置、计算机设备和存储介质 | |
CN111488526A (zh) | 一种推荐方法及装置 | |
Su et al. | Effective social content-based collaborative filtering for music recommendation | |
CN115455280A (zh) | 一种推荐列表确定方法和服务器 | |
CN114357201B (zh) | 基于信息感知的视听推荐方法、*** | |
CN115618024A (zh) | 多媒体推荐方法、装置及电子设备 | |
JP2024508502A (ja) | 情報をプッシュする方法および装置 | |
CN107506479A (zh) | 一种对象推荐方法和装置 | |
JP5013161B2 (ja) | 情報処理装置および情報処理方法、提供装置および提供方法、並びにプログラム | |
CN110569447B (zh) | 一种网络资源的推荐方法、装置及存储介质 | |
CN113836390A (zh) | 资源推荐方法、装置、计算机设备及存储介质 | |
CN114971817B (zh) | 基于用户需求画像的产品自适应服务方法、介质及装置 | |
El Alami et al. | Improving Neighborhood-Based Collaborative Filtering by a Heuristic Approach and an Adjusted Similarity Measure. | |
CN112035740A (zh) | 项目使用时长预测方法、装置、设备及存储介质 | |
JP5625792B2 (ja) | 情報処理装置、潜在特徴量算出方法、及びプログラム | |
CN111563159B (zh) | 文本排序方法及装置 | |
CN117909542A (zh) | 一种视频推荐方法、装置、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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |