CN115392992A - 商品推荐方法、终端设备及计算机可读存储介质 - Google Patents

商品推荐方法、终端设备及计算机可读存储介质 Download PDF

Info

Publication number
CN115392992A
CN115392992A CN202110495578.9A CN202110495578A CN115392992A CN 115392992 A CN115392992 A CN 115392992A CN 202110495578 A CN202110495578 A CN 202110495578A CN 115392992 A CN115392992 A CN 115392992A
Authority
CN
China
Prior art keywords
sample
user
data
sample user
recommendation model
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
Application number
CN202110495578.9A
Other languages
English (en)
Inventor
张溶芳
许翀
潘思宇
蔡一欣
魏进武
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China United Network Communications Group Co Ltd
Original Assignee
China United Network Communications Group Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China United Network Communications Group Co Ltd filed Critical China United Network Communications Group Co Ltd
Priority to CN202110495578.9A priority Critical patent/CN115392992A/zh
Publication of CN115392992A publication Critical patent/CN115392992A/zh
Pending legal-status Critical Current

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

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (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)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本公开提供一种商品推荐方法、***、终端设备及计算机可读存储介质，其中，所述方法包括：获取样本用户特征数据集；将所述样本用户特征数据集划分为第一特征数据样本和第二特征数据样本；基于所述第一特征数据样本构建关于用户偏好的隐因子推荐模型；基于所述第二特征数据样本优化所述隐因子推荐模型，得到优化隐因子推荐模型；以及，基于所述优化隐因子推荐模型为待推荐用户进行商品推荐。本公开实施例通过构建及优化隐因子模型，补全了缺少数据用户的偏好内容，其至少可以为运营商用户尤其是缺少偏好数据的用户推荐其可能感兴趣的商品，提高商品的推荐效率，同时提升用户的终端使用体验。

Description

商品推荐方法、终端设备及计算机可读存储介质
技术领域
本公开涉及电子信息技术领域，尤其涉及一种商品推荐方法、一种终端设备以及一种计算机可读存储介质。
背景技术
随着电子信息技术的不断发展，线上营销策略营运而生。目前对用户进行商品推荐，主要通过运营商使用深度包检测技术记录用户浏览信息，对用户进行偏好商品的推荐，其存在很大的局限性。一是用户接入不同网络无法记录浏览信息，二是交互数据加密，比如很多应用程序使用数据加密等复杂协议，无法记录用户偏好数据等，导致不能为用户推荐其感兴趣的商品，商品推荐效率太低，同时还可能造成用户反感。
发明内容
本公开提供了一种商品推荐方法、终端设备及计算机可读存储介质，可以为运营商用户尤其是缺少偏好数据的用户推荐其可能感兴趣的商品，提高商品的推荐效率，同时提升用户的终端使用体验。
根据本公开实施例的一方面，提供一种商品推荐方法，所述方法包括：
获取样本用户特征数据集；
将所述样本用户特征数据集划分为第一特征数据样本和第二特征数据样本；
基于所述第一特征数据样本构建关于用户偏好的隐因子推荐模型；
基于所述第二特征数据样本优化所述隐因子推荐模型，得到优化隐因子推荐模型；以及，
基于所述优化隐因子推荐模型为待推荐用户进行商品推荐。
在一种实施方式中，所述获取样本用户特征数据集，包括：
采集初始样本用户数据，所述初始样本用户数据包括各样本用户的基本信息数据、各样本用户的通话信息数据、各样本用户的深度包检测数据及各样本用户的浏览数据；以及，
对所述初始样本用户数据进行清洗及整合，得到样本用户特征数据集。
在一种实施方式中，所述基于所述第一特征数据样本构建关于用户偏好的隐因子推荐模型，包括：
从所述第一特征数据样本中获取各样本用户的浏览频次数据和各样本用户所浏览内容；
将所述各样本用户的浏览频次数据进行归一化处理，得到各样本用户的偏好内容；
基于所述各样本用户的浏览频次数据对各样本用户所浏览内容进行分类，得到若干类别；
获取各样本用户分别对所述若干类别的评分；
计算各样本用户的偏好内容分别在所述若干类别上的权重；以及，
基于所述样本用户分别对所述若干类别的评分及所述各样本用户的偏好内容分别在所述若干类别上的权重构建关于用户偏好的隐因子推荐模型。
在一种实施方式中，所述基于所述第二特征数据样本优化所述隐因子推荐模型，得到优化隐因子推荐模型，包括：
基于所述第二特征数据样本分别计算各样本用户的所有特征数据分别对其偏好内容的影响权重；以及，
基于各样本用户的所有特征数据分别对其偏好内容的影响权重优化所述隐因子推荐模型，得到优化隐因子推荐模型。
在一种实施方式中，在获取样本用户特征数据集之后，以及将所述样本用户特征数据集划分为第一特征数据样本和第二特征数据样本之前，还包括：
将所述样本用户特征数据集按照预设比例划分为将所述样本用户特征数据集按照预设比例划分为用于构建隐因子推荐模型的特征数据训练集和用于测试隐因子推荐模型的特征数据测试集；
所述将所述样本用户特征数据集划分为第一特征数据样本和第二特征数据样本，包括：
将所述特征数据训练集划分为第一特征数据样本和第二特征数据样本。
在一种实施方式中，在基于所述第二特征数据样本优化所述隐因子推荐模型，得到优化隐因子推荐模型之后，以及基于所述优化隐因子推荐模型为待推荐用户进行商品推荐之前，还包括：
获取所述特征数据测试集中各样本用户的实际商品偏好；
基于所述优化隐因子推荐模型对所述特征数据测试集中的各样本用户进行商品偏好预测，得到各样本用户的商品偏好预测结果；以及，
基于所述各样本用户的商品偏好预测结果与所述实际商品偏好判断所述优化隐因子推荐模型是否合格，若是，则执行基于所述优化隐因子推荐模型为待推荐用户进行商品推荐的步骤。
在一种实施方式中，所述隐因子推荐模型，根据以下公式得到：
Figure BDA0003054265790000031
式中，Rui表示第u个样本用户对第i个偏好内容的评分集合，Pu表示第u个样本用户对第k类别的评分，T为矩阵运算符，Qi表示第u个样本用户的第i个偏好内容在第k类别上的权重。
在一种实施方式中，所述优化隐因子推荐模型，根据以下公式得到：
Figure BDA0003054265790000032
式中，Hui表示优化后的第u个样本用户对第i个偏好内容的评分集合；Pu表示第u个样本用户对第k类别的评分，T为矩阵运算符，Qi表示第u个样本用户的第i个偏好内容在第k类别上的权重；fu表示第u个样本用户的所有特征数据，wi表示第u个样本用户的所有特征数据对第i个偏好内容的影响权重。
根据本公开实施例的另一方面，提供一种终端设备，包括存储器和处理器，所述存储器中存储有计算机程序，当所述处理器运行所述存储器存储的计算机程序时，所述处理器执行所述的商品推荐方法。
根据本公开实施例的再一方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，所述处理器执行所述的商品推荐方法。
本公开的实施例提供的技术方案可以包括以下有益效果：
本公开实施例提供的商品推荐方法，通过获取样本用户特征数据集；将所述样本用户特征数据集划分为第一特征数据样本和第二特征数据样本；基于所述第一特征数据样本构建关于用户偏好的隐因子推荐模型；基于所述第二特征数据样本优化所述隐因子推荐模型，得到优化隐因子推荐模型；以及，基于所述优化隐因子推荐模型为待推荐用户进行商品推荐。本公开实施例通过构建及优化隐因子模型，补全了缺少数据用户的偏好内容，其至少可以为运营商用户尤其是缺少偏好数据的用户推荐其可能感兴趣的商品，提高商品的推荐效率，同时提升用户的终端使用体验。
本公开的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本公开而了解。本公开的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
附图说明
附图用来提供对本公开技术方案的进一步理解，并且构成说明书的一部分，与本公开的实施例一起用于解释本公开的技术方案，并不构成对本公开技术方案的限制。
图1为本公开实施例提供的一种商品推荐方法的流程示意图；
图2为本公开实施例提供的另一种商品推荐方法的流程示意图；
图3A为本公开实施例提供的又一种商品推荐方法的流程示意图；
图3B为图3A中隐因子推荐模型的示意图；
图4为本公开实施例提供的一种商品推荐***的结构示意图；
图5为本公开实施例提供的一种终端设备的结构示意图。
具体实施方式
为使本公开实施例的目的、技术方案和优点更加清楚，以下结合附图对本公开的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本公开，并不用于限制本公开。
需要说明的是，本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序；并且，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互任意组合。
在后续的描述中，使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本公开的说明，其本身没有特定的意义。因此，“模块”、“部件”或“单元”可以混合地使用。
请参照图1，图1为本公开实施例提供的一种商品推荐方法的流程示意图，所述方法包括步骤S101-S105。
在步骤S101中，获取样本用户特征数据集。
其中，样本用户特征数据集为运营商从海量运营商用户数据中选取的样本用户产生的运营商特征数据集合。
具体地，所述获取样本用户特征数据集，包括：
采集初始样本用户数据，所述初始样本用户数据包括各样本用户的基本信息数据、各样本用户的通话信息数据、各样本用户的深度包检测数据及各样本用户的浏览数据；以及，
对所述初始样本用户数据进行清洗及整合，得到样本用户特征数据集。
其中，用户基本信息数据(集)：包括用户ID、性别、年龄、终端类别等；用户通话信息数据(集)：包括主叫ID、被叫ID、呼叫时间、呼叫时长等；深度包检测数据(集)：包括用户ID、网络流量、上网时长；用户浏览数据(集)：用户ID、网络浏览URL(Uniform ResourceLocator，统一资源定位符)、URL所属内容偏好以及浏览频率等。在一些实施例中，也可以包含其他特征数据。
对初始样本用户数据进行清洗及整合，基于过滤原则筛掉异常用户，例如通话时长、通话频次及上网异常等，然后将上述用户基本信息、通话信息、深度包检测信息和用户浏览信息进行整合，即，对于同一样本用户的信息整合在一起，并可建立用户信息矩阵。
在步骤S102中，将所述样本用户特征数据集划分为第一特征数据样本和第二特征数据样本。
本实施例中，通过将用户特征数据集划分为第一特征数据样本和第二特征数据样本，分别构建隐因子推荐模型和优化隐因子模型，充分利用运营商数据例如通信类数据对用户未知偏好内容数据进行偏好补全，以提高商品推荐的准确性。其中，第一特征数据样本用于根据样本用户的浏览频次数据构建隐因子推荐模型，第二特征数据样本用于计算用户特征信息对偏好内容的影响，来优化模型提高准确度，具体内容可参照后文。
其中，对于第一特征数据样本和第二特征数据样本的划分，可以数据类型进行划分，具体地，将包含用户浏览频次数据的数据划分为第一特征数据样本，将包含用户所有特征数据的数据划分为第二特征数据样本。
在步骤S103中，基于所述第一特征数据样本构建关于用户偏好的隐因子推荐模型。
具体地，第一特征数据样本中包括样本用户的浏览频次数据，根据样本用户的浏览频次数据获取用户的偏好内容，并计算偏好内容评分，建立用户-偏好内容评分矩阵，得到关于用户偏好的隐因子推荐模型。
在步骤S104中，基于所述第二特征数据样本优化所述隐因子推荐模型，得到优化隐因子推荐模型。
具体地，第二特征数据样本包括用户所有特征数据，首先可以对各用户的特征数据的缺失值进行填充，对离散变量进行独热编码，连续数据进行归一化等，形成各用户的特征数据矩阵，进而对上述隐因子推荐模型进行优化，得到优化隐因子推荐模型，增加代表用户特征信息对偏好的影响，使得模型精确性更强。
在步骤S105中，基于所述优化隐因子推荐模型为待推荐用户进行商品推荐。
具体地，通过利用运营商大数据进行优化的隐因子推荐模型，对待推荐用户的偏好内容进行评分，根据用户偏好评分，进行前几名的偏好推荐，进而为待推荐用户推荐相应的偏好商品，优化运营商营销匹配策略。
相关技术中，通过设置用户信息录入***、用户信息采集***、数据分析***和推送***，所述的信息录入***用于对用户个人信息和购买商品信息录入；所述的用户采集***用于采集用户个人信息和购买商品信息的历史信息以及相对应的个人行为信息；所述的数据分析***用于对采集信息的个人信息和购买商品信息分析所述当前用户针对待预估商品的偏好值；所述的推送***用于通过所述当前用户针对预估商品的偏好值向所述当前用户推送待预估商品。上述相关技术不能很好地预测缺少偏好数据的用户感兴趣商品，将导致所推荐商品引起用户反感等问题。相较于上述相关技术，本公开实施例利用优化隐因子模型，补全了缺少数据用户的偏好内容，至少可以为运营商用户尤其是缺少偏好数据的用户推荐其可能感兴趣的商品，提高商品的推荐效率，同时提升用户的终端使用体验。
请参照图2，图2为本公开实施例提供的另一种商品推荐方法的流程示意图，相较于上一实施例，本公开实施例基于所述用户偏好内容评分及所述各样本用户的偏好内容分别在所述若干类别上的权重构建关于用户偏好的隐因子推荐模型，并基于各样本用户的所有特征数据分别对其偏好内容的影响权重优化隐因子推荐模型，以提高优化隐因子模型的准确性，更好地为用户推荐其感兴趣的商品，具体地，将步骤S103进一步划分为步骤S103a-步骤S103f，并将步骤S104进一步划分为步骤S104a和步骤S104b。
在步骤S103a中，从所述第一特征数据样本中获取各样本用户的浏览频次数据和各样本用户所浏览内容。
可以理解的是，浏览频次数据为样本用户实际浏览商品(或网页等其它内容)的频次。
在步骤S103b中，将所述各样本用户的浏览频次数据进行归一化处理，得到各样本用户的偏好内容；
在步骤S103c中，基于所述各样本用户的浏览频次数据对各样本用户所浏览内容进行分类，得到若干类别；
在步骤S103d中，获取各样本用户分别对所述若干类别的评分；
在步骤S103e中，计算各样本用户的偏好内容分别在所述若干类别上的权重；以及，
在步骤S103f中，基于所述各样本用户分别对所述若干类别的评分及所述各样本用户的偏好内容分别在所述若干类别上的权重构建关于用户偏好的隐因子推荐模型。
进一步地，所述基于所述第二特征数据样本优化所述隐因子推荐模型，得到优化隐因子推荐模型，包括：
在步骤S104a中，基于所述第二特征数据样本分别计算各样本用户的所有特征数据分别对其偏好内容的影响权重。
其中，所有特征数据为样本用户特征数据集中出现的所有特征数据类别，由于用户浏览数据的缺失等情况，通过计算所有特征数据类别对偏好内容的影响权重，优化隐因子模型，使模型更加准确，为缺少用户数据的用户进行合理商品推荐。
在步骤S104b中，基于各样本用户的所有特征数据分别对其偏好内容的影响权重优化所述隐因子推荐模型，得到优化隐因子推荐模型。
请参照图3A，图3A为本公开实施例提供的又一种商品推荐方法，在上一实施例的基础上，本公开实施例将样本用户数据集分为特征数据训练集和特征数据测试集，基于特征数据训练集构建优化隐因子模型，并基于特征数据测试集对获得的优化隐因子模型进行测试，以保证最终得到的优化隐因子模型进行商品推荐的准确性及合理。具体地，在步骤S101之后，以及步骤S102之前，还包括步骤S301-S304，并将步骤S102进一步划分为步骤S102a。
在步骤S301中，将所述样本用户特征数据集按照预设比例划分为用于构建隐因子推荐模型的特征数据训练集和用于测试隐因子推荐模型的特征数据测试集；
在步骤S102a中，将所述特征数据训练集划分为第一特征数据样本和第二特征数据样本。
其中，特征数据训练集和特征数据测试集按照预设比例进行随机划分，第一特征数据样本和第二特征数据样本根据数据类型进行划分，此处不再赘述。
进一步地，在步骤S104b之后，以及步骤S105之前，还包括以下步骤：
在步骤S302中，获取所述特征数据测试集中各样本用户的实际商品偏好；
具体地，特征数据测试集中可以包含各样本用户的实际商品偏好数据。
在步骤S303中，基于所述优化隐因子推荐模型对所述特征数据测试集中的各样本用户进行商品偏好预测，得到各样本用户的商品偏好预测结果；
在步骤S304中，基于所述各样本用户的商品偏好预测结果与所述实际商品偏好判断所述优化隐因子推荐模型是否合格，若是，则执行基于所述优化隐因子推荐模型为待推荐用户进行商品推荐的步骤。
需要说明的是，本领域技术人员可以结合现有技术及实际应用对预设比例进行适应性设定，例如将样本用户特征数据集划分为70％作为特征数据训练集，30％作为特征数据测试集。进一步地，如果特征数据测试集对本实施例得到的优化隐因子推荐模型测试为不合格，则基于特征数据训练集对模型进行训练，直到优化隐因子模型测试为合格，以提升模型的准确率。其中，测试为合格，即各样本用户的预测结果与特征数据测试集中的各样本用户的实际商品偏好相似度是不是达到要求的百分比，如果达到，说明合格，否则，为不合格。
在一种实施方式中，所述隐因子推荐模型，根据以下公式得到：
Figure BDA0003054265790000091
式中，Rui表示第u个样本用户对第i个偏好内容的评分集合，Pu表示第u个样本用户对第k类别的评分，T为矩阵运算符，Qi表示第u个样本用户的第i个偏好内容在第k类别上的权重。
为便于理解，结合图3B所示，将隐因子推荐模型用矩阵进行描述，其中用户偏好矩阵R(即Rui)表示，用户u对偏好内容i的评分集合；用户隐向量矩阵P(即Pu)：是用户u类别k的评分；偏好隐向量矩阵Q(即Qi)：是偏好内容i在类别k上的权重。
在一种实施方式中，所述优化隐因子推荐模型，根据以下公式得到：
Figure BDA0003054265790000101
式中，Hui表示优化后的第u个样本用户对第i个偏好内容的评分集合；Pu表示第u个样本用户对第k类别的评分，T为矩阵运算符，Qi表示第u个样本用户的第i个偏好内容在第k类别上的权重；fu表示第u个样本用户的所有特征数据，wi表示第u个样本用户的所有特征数据对第i个偏好内容的影响权重基于相同的技术构思，本公开实施例相应还提供一种商品推荐***法，如图4所示，所述***包括获取模块41、划分模块42、模型构建模块43、模型优化模块44以及推荐模块45，其中，
所述获取模块41，其设置为获取样本用户特征数据集；
所述划分模块42，其设置为将所述样本用户特征数据集划分为第一特征数据样本和第二特征数据样本；
所述模型构建模块43，其设置为基于所述第一特征数据样本构建关于用户偏好的隐因子推荐模型；
所述模型优化模块44，其设置为基于所述第二特征数据样本优化所述隐因子推荐模型，得到优化隐因子推荐模型；以及，
所述推荐模块45，其设置为基于所述优化隐因子推荐模型为待推荐用户进行商品推荐。
在一种实施方式中，所述获取模块41，包括：
采集单元，其设置为采集初始样本用户数据，所述初始样本用户数据包括各样本用户的基本信息数据、各样本用户的通话信息数据、各样本用户的深度包检测数据及各样本用户的浏览数据；以及，
清洗及整合单元，其设置为对所述初始样本用户数据进行清洗及整合，得到样本用户特征数据集。
在一种实施方式中，所述模型构建模块43，包括：
基于所述各样本用户的浏览频次数据对各样本用户所浏览内容进行分类，得到若干类别；
获取各样本用户分别对所述若干类别的评分；
计算各样本用户的偏好内容分别在所述若干类别上的权重；以及，
基于所述各样本用户分别对所述若干类别的评分及所述各样本用户的偏好内容分别在所述若干类别上的权重构建关于用户偏好的隐因子推荐模型。
获取单元，其设置从所述第一特征数据样本中获取各样本用户的浏览频次数据和各样本用户所浏览内容；
处理单元，其设置为将所述样本用户的浏览频次数据进行归一化处理，得到各样本用户的偏好内容；
分类单元，其设置为基于所述浏览频次数据对各样本用户所浏览内容进行分类，得到若干类别；
所述获取单元还设置为，获取各样本用户分别对所述若干类别的评分；
第一计算单元，其设置为计算各样本用户的偏好内容分别在所述若干类别上的权重；以及，
构建单元，其设置为基于所述各样本用户分别对所述若干类别的评分及所述各样本用户的偏好内容分别在所述若干类别上的权重构建关于用户偏好的隐因子推荐模型。
在一种实施方式中，所述模型优化模块，包括：
第二计算单元，其设置为基于第二特征数据样本分别计算各样本用户的所有特征数据分别对其偏好内容的影响权重；
优化单元，其设置为各样本用户的所有特征数据分别对其偏好内容的影响权重优化隐因子推荐模型，得到优化隐因子推荐模型。
在一种实施方式中，还包括：
所述划分模块42还设置为，在获取模块41获取样本用户特征数据集之后，以及划分第一特征数据样本和第二特征数据样本之前，将所述样本用户特征数据集按照预设比例划分为用于构建隐因子推荐模型的特征数据训练集和用于测试隐因子推荐模型的特征数据测试集；
所述划分模块42具体设置为，将所述特征数据训练集划分为第一特征数据样本和第二特征数据样本。
在一种实施方式中，在基于所述第二特征数据样本优化所述隐因子推荐模型，得到优化隐因子推荐模型之后，以及基于所述优化隐因子推荐模型为待推荐用户进行商品推荐之前，还包括：
所述获取模块41还设置为，在所述模型优化模块44优化隐因子推荐模型之后以及推荐模块45进行商品推荐之前，获取所述特征数据测试集中的各样本用户的实际商品偏好；
偏好预测模块，其设置为基于所述优化隐因子推荐模型对所述特征数据测试集中的各样本用户进行商品偏好预测，得到各样本用户的预测结果；
判断模块，其设置为基于所述各样本用户的预测结果与所述特征数据测试集中的各样本用户的实际商品偏好判断所述优化隐因子推荐模型是否合格，若是，则执行基于所述优化隐因子推荐模型为待推荐用户进行商品推荐的步骤。
在一种实施方式中，所述隐因子推荐模型，根据以下公式得到：
Figure BDA0003054265790000121
式中，Rui表示第u个样本用户对第i个偏好内容的评分集合，Pu表示第u个样本用户对第k类别的评分，T为矩阵运算符，Qi表示第u个样本用户的第i个偏好内容在第k类别上的权重
在一种实施方式中，所述优化隐因子推荐模型，根据以下公式得到：
Figure BDA0003054265790000122
式中，Hui表示优化后的第u个样本用户对第i个偏好内容的评分集合；Pu表示第u个样本用户对第k类别的评分，T为矩阵运算符，Qi表示第u个样本用户的第i个偏好内容在第k类别上的权重；fu表示第u个样本用户的所有特征数据，wi表示第u个样本用户的所有特征数据对第i个偏好内容的影响权重基于相同的技术构思，本公开实施例相应还提供一种终端设备，如图5所示，所述终端设备包括存储器51和处理器52，所述存储器51中存储有计算机程序，当所述处理器52运行所述存储器51存储的计算机程序时，所述处理器52执行所述的商品推荐方法。
基于相同的技术构思，本公开实施例相应还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，所述处理器执行所述的商品推荐方法。
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、***、装置中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。在硬件实施方式中，在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分；例如，一个物理组件可以具有多个功能，或者一个功能或步骤可以由若干物理组件合作执行。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。
最后应说明的是：以上各实施例仅用以说明本公开的技术方案，而非对其限制；尽管参照前述各实施例对本公开进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本公开各实施例技术方案的范围。

Claims (10)

1.一种商品推荐方法，其特征在于，包括：
获取样本用户特征数据集；
将所述样本用户特征数据集划分为第一特征数据样本和第二特征数据样本；
基于所述第一特征数据样本构建关于用户偏好的隐因子推荐模型；
基于所述第二特征数据样本优化所述隐因子推荐模型，得到优化隐因子推荐模型；以及，
基于所述优化隐因子推荐模型为待推荐用户进行商品推荐。
2.根据权利要求1所述的方法，其特征在于，所述获取样本用户特征数据集，包括：
采集初始样本用户数据，所述初始样本用户数据包括各样本用户的基本信息数据、各样本用户的通话信息数据、各样本用户的深度包检测数据及各样本用户的浏览数据；以及，
对所述初始样本用户数据进行清洗及整合，得到样本用户特征数据集。
3.根据权利要求1所述的方法，其特征在于，所述基于所述第一特征数据样本构建关于用户偏好的隐因子推荐模型，包括：
从所述第一特征数据样本中获取各样本用户的浏览频次数据和各样本用户所浏览内容；
将所述各样本用户的浏览频次数据进行归一化处理，得到各样本用户的偏好内容；
基于所述各样本用户的浏览频次数据对各样本用户所浏览内容进行分类，得到若干类别；
获取各样本用户分别对所述若干类别的评分；
计算各样本用户的偏好内容分别在所述若干类别上的权重；以及，
基于所述各样本用户分别对所述若干类别的评分及所述各样本用户的偏好内容分别在所述若干类别上的权重构建关于用户偏好的隐因子推荐模型。
4.根据权利要求3所述的方法，其特征在于，所述基于所述第二特征数据样本优化所述隐因子推荐模型，得到优化隐因子推荐模型，包括：
基于所述第二特征数据样本分别计算各样本用户的所有特征数据分别对其偏好内容的影响权重；以及，
基于各样本用户的所有特征数据分别对其偏好内容的影响权重优化所述隐因子推荐模型，得到优化隐因子推荐模型。
5.根据权利要求1所述的方法，其特征在于，在获取样本用户特征数据集之后，以及将所述样本用户特征数据集划分为第一特征数据样本和第二特征数据样本之前，还包括：
将所述样本用户特征数据集按照预设比例划分为用于构建隐因子推荐模型的特征数据训练集和用于测试隐因子推荐模型的特征数据测试集；
所述将所述样本用户特征数据集划分为第一特征数据样本和第二特征数据样本，包括：
将所述特征数据训练集划分为第一特征数据样本和第二特征数据样本。
6.根据权利要求5所述的方法，其特征在于，在基于所述第二特征数据样本优化所述隐因子推荐模型，得到优化隐因子推荐模型之后，以及基于所述优化隐因子推荐模型为待推荐用户进行商品推荐之前，还包括：
获取所述特征数据测试集中各样本用户的实际商品偏好；
基于所述优化隐因子推荐模型对所述特征数据测试集中的各样本用户进行商品偏好预测，得到各样本用户的商品偏好预测结果；以及，
基于所述各样本用户的商品偏好预测结果与所述实际商品偏好判断所述优化隐因子推荐模型是否合格，若是，则执行基于所述优化隐因子推荐模型为待推荐用户进行商品推荐的步骤。
7.根据权利要求3所述的方法，其特征在于，所述隐因子推荐模型，根据以下公式得到：
Figure FDA0003054265780000031
式中，Rui表示第u个样本用户对第i个偏好内容的评分集合，Pu表示第u个样本用户对第k类别的评分，T为矩阵运算符，Qi表示第u个样本用户的第i个偏好内容在第k类别上的权重。
8.根据权利要求4所述的方法，其特征在于，所述优化隐因子推荐模型，根据以下公式得到：
Figure FDA0003054265780000032
式中，Hui表示优化后的第u个样本用户对第i个偏好内容的评分集合；Pu表示第u个样本用户对第k类别的评分，T为矩阵运算符，Qi表示第u个样本用户的第i个偏好内容在第k类别上的权重；fu表示第u个样本用户的所有特征数据，wi表示第u个样本用户的所有特征数据对第i个偏好内容的影响权重。
9.一种终端设备，其特征在于，包括存储器和处理器，所述存储器中存储有计算机程序，当所述处理器运行所述存储器存储的计算机程序时，所述处理器执行根据权利要求1至8中任一项所述的商品推荐方法。
10.一种计算机可读存储介质，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，所述处理器执行根据权利要求1至8中任一项所述的商品推荐方法。
CN202110495578.9A 2021-05-07 2021-05-07 商品推荐方法、终端设备及计算机可读存储介质 Pending CN115392992A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110495578.9A CN115392992A (zh) 2021-05-07 2021-05-07 商品推荐方法、终端设备及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110495578.9A CN115392992A (zh) 2021-05-07 2021-05-07 商品推荐方法、终端设备及计算机可读存储介质

Publications (1)

Publication Number Publication Date
CN115392992A true CN115392992A (zh) 2022-11-25

Family

ID=84114389

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110495578.9A Pending CN115392992A (zh) 2021-05-07 2021-05-07 商品推荐方法、终端设备及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN115392992A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116629984A (zh) * 2023-07-24 2023-08-22 中信证券股份有限公司 基于嵌入模型的产品信息推荐方法、装置、设备和介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116629984A (zh) * 2023-07-24 2023-08-22 中信证券股份有限公司 基于嵌入模型的产品信息推荐方法、装置、设备和介质
CN116629984B (zh) * 2023-07-24 2024-02-06 中信证券股份有限公司 基于嵌入模型的产品信息推荐方法、装置、设备和介质

Similar Documents

Publication Publication Date Title
CN106485562B (zh) 一种基于用户历史行为的商品信息推荐方法及***
CN110717098B (zh) 基于元路径的上下文感知用户建模方法、序列推荐方法
JPWO2005024689A1 (ja) 消費者の購買行動分析方法及び装置
CN114579858A (zh) 内容推荐方法和装置、电子设备、存储介质
US20230153845A1 (en) System and method for generating custom data models for predictive forecasting
US20220027827A1 (en) Benchmarking of user experience quality
CN114610865A (zh) 召回文本推荐方法、装置、设备及存储介质
CN108268519B (zh) 一种推荐网络对象的方法和装置
CN108121741B (zh) 网站质量评估方法及装置
CN111461827A (zh) 产品评价信息的推送方法和装置
CN109460474B (zh) 用户偏好趋势挖掘方法
CN112464106B (zh) 对象推荐方法及装置
CN115392992A (zh) 商品推荐方法、终端设备及计算机可读存储介质
CN117453509A (zh) 网页性能评分方法、装置、设备及介质
CN111177564B (zh) 一种产品推荐方法及装置
CN110209944B (zh) 一种股票分析师推荐方法、装置、计算机设备和存储介质
CN116701772A (zh) 数据推荐方法和装置、计算机可读存储介质、电子设备
CN114817741A (zh) 一种理财产品精准推荐方法及装置
CN108460475A (zh) 基于学生上网行为的贫困生预测方法和装置
CN112487277B (zh) 数据分配方法、装置、可读存储介质和电子设备
CN113962216A (zh) 文本处理方法、装置、电子设备及可读存储介质
CN113837843A (zh) 产品推荐方法、装置、介质及电子设备
Fitrianto et al. Development of direct marketing strategy for banking industry: The use of a Chi-squared Automatic Interaction Detector (CHAID) in deposit subscription classification
Raghava-Raju Predicting Fraud in Electronic Commerce: Fraud Detection Techniques in E-Commerce
CN110782287A (zh) 实体相似度计算方法及装置、物品推荐***、介质、设备

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