CN115713384A - 推荐物品的方法、装置、存储介质及电子设备 - Google Patents
推荐物品的方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN115713384A CN115713384A CN202211418969.1A CN202211418969A CN115713384A CN 115713384 A CN115713384 A CN 115713384A CN 202211418969 A CN202211418969 A CN 202211418969A CN 115713384 A CN115713384 A CN 115713384A
- Authority
- CN
- China
- Prior art keywords
- target
- target object
- determining
- prediction index
- item
- 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 55
- 238000001914 filtration Methods 0.000 claims abstract description 37
- 230000006399 behavior Effects 0.000 claims description 54
- 238000012549 training Methods 0.000 claims description 12
- 238000012163 sequencing technique Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 abstract description 38
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000004891 communication Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 239000002537 cosmetic Substances 0.000 description 4
- 235000013399 edible fruits Nutrition 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 235000013372 meat Nutrition 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 206010052804 Drug tolerance Diseases 0.000 description 1
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000026781 habituation Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000003012 network analysis Methods 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 235000011888 snacks Nutrition 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请公开了一种推荐物品的方法、装置、存储介质及电子设备。其中，该方法包括：获取目标对象的行为数据，其中，行为数据至少包括：目标对象的购买行为信息；采用用户侧协同过滤模型确定针对目标物品的第一预测指标，采用物品侧协同过滤模型确定针对目标物品的第二预测指标；采用混合预测评分模型对第一预测指标和第二预测指标进行结合，得到目标对象对于每个未购买物品的目标评分；基于目标评分确定待向目标对象推荐的目标物品。本申请解决了相关技术中基于单一模型的串行处理方式，造成的短时间内处理数据的处理量比较有限，数据处理效率低下的技术问题。
Description
技术领域
本申请涉及大数据推送领域，具体而言，涉及一种推荐物品的方法、装置、存储介质及电子设备。
背景技术
近年来，随着大数据的兴起，数据库与数据挖掘、信息***与信息管理、图像处理与计算机视觉、社会网络分析、电子商务等很多领域的学者加人消费者行为研究的队伍。同时，这一研究领域也受到了电子商务、社交网络等数字经济形态下的企业的高度关注，消费者行为分析被视为数字经济形态下企业了解其消费者并开展营销活动的有效手段之。在这些新兴的领域，消费者行为研究被称为消费者画像，同时在社会计算等研究领域中占有重要的地位。
相关技术中，在基于大数据向用户推荐物品时，往往会直接基于某一模型对数据进行分析处理，这种串行的数据处理方式，导致数据在短时间处理量较小，处理量有限，数据处理效率较慢以及最终的推荐结果可能不准确。
针对上述的问题，目前尚未提出有效的解决方案。
发明内容
本申请实施例提供了一种推荐物品的方法、装置、存储介质及电子设备，以至少解决相关技术中基于单一模型的串行处理方式，造成的短时间内处理数据的处理量比较有限，数据处理效率低下的技术问题。
根据本申请实施例的一个方面，提供了一种推荐物品的方法，包括：获取目标对象的行为数据，其中，行为数据至少包括：目标对象的购买行为信息；采用用户侧协同过滤模型确定针对目标物品的第一预测指标，采用物品侧协同过滤模型确定针对目标物品的第二预测指标，其中，第一预测指标和第二预测指标均用于指示目标对象对目标物品的购买概率；采用混合预测评分模型对第一预测指标和第二预测指标进行结合，得到目标对象对于每个未购买物品的目标评分，其中，第一预测指标和第二预测指标在计算目标评分时各自所占的权重不同；基于目标评分确定待向目标对象推荐的目标物品。
可选地，基于目标评分确定待向目标对象推荐的目标物品，包括：获取目标对象未购买过物品的总数量；基于行为数据确定动态比例，计算总数量与动态比例的乘积k，其中，k为自然数；对每个未购买物品的评分进行排序，确定前k个未购买物品为为目标物品。
可选地，基于行为数据确定动态比例，包括：对行为数据进行分析，确定目标对象的购买力等级；确定目标对象所属的购买力等级对应的比例值为动态比例，其中，不同的购买力等级对应的比例值不同。
可选地，基于目标评分确定待向目标对象推荐的目标物品，包括：获取目标对象每个未购买物品对应的各个第一类型，基于行为数据确定目标对象购买频次最多的物品的第二类型；分别基于各个第一类型与第二类型确定每个未购买物品与购买频次最多的物品之间的余弦相似度；对每个未购买物品的评分进行排序得到排序结果，基于排序结果与余弦相似度确定目标物品。
可选地，基于排序结果与余弦相似度确定目标物品，包括：获取排序结果各个未购买物品对应的次序值；获取次序值与第一权重的第一乘积，以及余弦相似度与第二权重的第二乘积，确定各个未购买物品第一乘积与第二乘积的和值，其中，第一权重大于第二权重；根据和值对各个未购买物品进行排序，从排序结果选中预定数量的未购买物品为目标物品。
可选地，在采用混合预测评分模型对所述第一预测指标和第二预测指标进行结合，得到所述目标对象对于每个未购买物品的目标评分之前，还包括：分别对用户侧协同过滤模型的训练数据、物品侧协同过滤模型进行拟合，得到第一拟合值与第二拟合值；确定第一拟合值与第二拟合值的差值，在差值小于预设阈值的情况下，确定混合预测评分模型的精确度满足要求，基于混合预测评分模型对行为数据进行分析。
可选地，在基于目标评分确定待向目标对象推荐的目标物品之后，还包括：根据行为数据确定目标对象浏览购买平台的目标时段，并获取目标对象的终端标识；在目标时段内，将目标物品的商品信息推送至终端标识对应的终端。
根据本申请实施例的另一方面，还提供了一种推荐物品的装置，包括：获取模块，用于获取目标对象的行为数据，其中，行为数据至少包括：目标对象的购买行为信息；第一确定模块，用于采用用户侧协同过滤模型确定针对目标物品的第一预测指标，采用物品侧协同过滤模型确定针对目标物品的第二预测指标，其中，第一预测指标和第二预测指标均用于指示目标对象对目标物品的购买概率；第二确定模块，用于采用混合预测评分模型对第一预测指标和第二预测指标进行结合，得到目标对象对于每个未购买物品的目标评分，其中，第一预测指标和第二预测指标在计算目标评分时各自所占的权重不同；第三确定模块，用于基于目标评分确定待向目标对象推荐的目标物品。
根据本申请实施例的另一方面，还提供了一种非易失性存储介质，存储介质包括存储的程序，其中，在程序运行时控制存储介质所在设备执行任意一种推荐物品的方法。
根据本申请实施例的另一方面，还提供了一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，处理器被配置为执行指令，以实现任意一种推荐物品的方法。
在本申请实施例中，采用混合用户侧协同过滤模型以及物品测协同过滤模型分别对未购买物品进行评分的方式，通过获取目标对象的行为数据，采用用户侧协同过滤模型确定针对目标物品的第一预测指标，采用物品侧协同过滤模型针对目标物品的第二预测指标，然后，采用混合预测评分模型对第一预测指标与第二预测指标进行结合，得到目标对象对于每个未购买物品的目标评分，达到了基于目标评分确定待向目标对象推荐物品的目的，从而实现了基于不同模型对数据进行并行处理，节省数据处理时间，提高数据处理效率的技术效果，进而解决了相关技术中基于单一模型的串行处理方式，造成的短时间内处理数据的处理量比较有限，数据处理效率低下的技术问题。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是根据本申请实施例的推荐物品的方法的流程示意图；
图2是本申请一实施例的确定推荐目标物品的流程示意图；
图3是根据本申请实施例的另一方面的一种推荐物品的装置的结构示意图；
图4示出了可以用来实施本申请的实施例的示例电子设备400的示意性框图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，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，都应当属于本申请保护的范围。
需要说明的是，本申请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。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为了便于本领域技术人员更好的理解本申请相关实施例，先对本申请可能涉及的技术术语或者部分名词解释如下：
协同过滤(colaborative filtering.CF)是指利用***中所有用户的集体智慧(colective inteligence或wisdom of the crowd)，具体表现为观测到的用户对部分物品的反馈，为每个用户筛选出匹配其个性化偏好的物品。
根据本申请实施例，提供了一种推荐物品的方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机***中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本申请实施例的推荐物品的方法，如图1所示，该方法包括如下步骤：
步骤S102，获取目标对象的行为数据，其中，行为数据至少包括：目标对象的购买行为信息；
步骤S104，采用用户侧协同过滤模型确定针对目标物品的第一预测指标，采用物品侧协同过滤模型确定针对目标物品的第二预测指标，其中，第一预测指标和第二预测指标均用于指示目标对象对目标物品的购买概率；
步骤S106，采用混合预测评分模型对第一预测指标和第二预测指标进行结合，得到目标对象对于每个未购买物品的目标评分，其中，第一预测指标和第二预测指标在计算目标评分时各自所占的权重不同；
步骤S108，基于目标评分确定待向目标对象推荐的目标物品。
该推荐物品的方法中，通过获取目标对象的行为数据，其中，行为数据至少包括：目标对象的购买行为信息；采用用户侧协同过滤模型确定针对目标物品的第一预测指标，采用物品侧协同过滤模型确定针对目标物品的第二预测指标，其中，第一预测指标和第二预测指标均用于指示目标对象对目标物品的购买概率；采用混合预测评分模型对第一预测指标和第二预测指标进行结合，得到目标对象对于每个未购买物品的目标评分，其中，第一预测指标和第二预测指标在计算目标评分时各自所占的权重不同；基于目标评分确定待向目标对象推荐的目标物品，达到了基于目标评分确定待向目标对象推荐物品的目的，从而实现了基于不同模型对数据进行并行处理，节省数据处理时间，提高数据处理效率的技术效果，进而解决了相关技术中基于单一模型的串行处理方式，造成的短时间内处理数据的处理量比较有限，数据处理效率低下的技术问题。
本申请一些实施例中，基于目标评分确定待向目标对象推荐的目标物品，可以通过如下步骤实现，具体的，可获取目标对象未购买过物品的总数量；基于行为数据确定动态比例，计算总数量与动态比例的乘积k，其中，k为自然数；对每个未购买物品的评分进行排序，确定前k个未购买物品为为目标物品。
在本申请一示例性实施例中，基于行为数据确定动态比例，可以通过如下方式实现，具体的，可对行为数据进行分析，确定目标对象的购买力等级；确定目标对象所属的购买力等级对应的比例值为动态比例，其中，不同的购买力等级对应的比例值不同。例如，购买力等级共有10级，分别为1-10级，从1-10级对应的比例值分别为10％-100％，假如目标对象的购买力等级为3级，则目标对象的动态比例为30％，可以理解的，上述动态比例是一个根据用户的行为数据实时调整的数据值，例如，某客户上半月的购买力可能强于下半月的购买力，因此，上述上半月对应的动态比例值会大于下半月对应的动态比例。
作为本申请另一种可选的实施例中，基于目标评分确定待向目标对象推荐的目标物品，还可以为获取目标对象每个未购买物品对应的各个第一类型，基于行为数据确定目标对象购买频次最多的物品的第二类型；分别基于各个第一类型与第二类型确定每个未购买物品与购买频次最多的物品之间的余弦相似度；对每个未购买物品的评分进行排序得到排序结果，基于排序结果与余弦相似度确定目标物品。
举例而言，化妆品、水果以及肉类生鲜食品目标评分分别为5、7、7分，目标对象甲未购买过的物品的第一类型有化妆品、水果以及肉类生鲜食品；而基于目标对象甲的历史购买数据确定目标对象甲购买频次最多的物品的第二类型为零食，则可通过比较第一类型与第二类型的余弦相似度确定每个未购买物品的评分，而通过余弦相似度计算算法可以确定第一类型与第二类型的余弦相似度的关系为水果＞肉类生鲜＞化妆品，则结合目标评分可优先向用户推荐水果，其次推荐肉类生鲜，最后，可以推荐化妆品。
在本申请一些实施例中，基于排序结果与余弦相似度确定目标物品，可包括如下步骤，具体的，可获取排序结果各个未购买物品对应的次序值；获取次序值与第一权重的第一乘积，以及余弦相似度与第二权重的第二乘积，确定各个未购买物品第一乘积与第二乘积的和值，其中，第一权重大于第二权重；根据和值对各个未购买物品进行排序，从排序结果选中预定数量的未购买物品为目标物品。即为了确保推荐结果的准确性，在基于目标评分与物品类型余弦相似度两个维度确定目标物品的过程中，可以给不同维度上的物理量赋予不同的权重，以确保推荐结果的准确性。
可选地，在采用混合预测评分模型对所述第一预测指标和第二预测指标进行结合，得到所述目标对象对于每个未购买物品的目标评分之前，还包括：分别对用户侧协同过滤模型的训练数据、物品侧协同过滤模型进行拟合，得到第一拟合值与第二拟合值；确定第一拟合值与第二拟合值的差值，在差值小于预设阈值的情况下，确定混合预测评分模型的精确度满足要求，基于混合预测评分模型对行为数据进行分析。可以理解的，通过以上过程可以防止两个模型的训练数据过拟合，保证模型训练数据的有效性，进而提高训练结果的准确性，即模型精度。
作为一种可选的实施方式，在基于目标评分确定待向目标对象推荐的目标物品之后，还包括：根据行为数据确定目标对象浏览购买平台的目标时段，并获取目标对象的终端标识；在目标时段内，将目标物品的商品信息推送至终端标识对应的终端。例如，目标对象乙习惯性在周六的晚间22:00-23：00浏览购网网站A，则可以在每个周六的晚间22:00-23：00将目标物品的商品信息推送该目标对象所持有的移动终端。
需要说明的是，上述终端包括但不限于：平板设备，计算机设备，移动终端以及其他可穿戴具有显示功能的设备等。
图2是本申请一实施例的确定推荐目标物品的流程示意图，现结合该实施例对上述技术方案进行说明。
步骤一、从数据库获取用户行为数据集，并将所述用户行为数据集汇编成初始数据集，将所述初始数据集用户对部分物品的反馈数据进行UCF模型分析，获得为每个用户筛选出匹配其个性化偏好的物品概率。
首先，通过各大互联网站采集的用户对商品的评分、评价、购买或非购买行为等数据存储到数据库；其次，将数据库数据划分为评过分的用户和邻居用户数据、用户评过分的物品和邻居物品2个数据集合，然后，通过用户对物品的反馈，为每个用户筛选出匹配其个性化偏好的物品，最后，分别从数据库获取，基于用户协同过滤的UCF算法和基于物品协同过滤的ICF算法的分析数据。
步骤二，构建协同过滤模型，简称，CF模型。并通过回归算法对评分结果进行模型过拟合差值比较，并生成据有分析价值报表。
一、CF模型由用户侧模型简称UCF、物品侧模型简称ICF、混合预测评分模型三部分组成。
模型1、获取用户侧模型，获得用户u对物品j的预测评分
在UCF中，用户u对物品j的预测评分为：
其中
和
分别是用户u和用户w的平均评分，等号右侧第二项表示关于物品j的定义在用户u的近邻上的偏置(结合不同近邻w与用户u的相似度)。
需要说明的是，上述用户侧模型为一种可选的模型，其可以表现为其他模型形式。
模型2、获取物品侧模型，获得用户u对物品j的预测评分
首先，通过相似度度量，获取用户都评过分的集合数据。物品k和物品j之间的余弦相似度(adjusted cosine similarity,ACS)的定义为；
其中，
是用户u的平均评分，uk∩uj是对物品k和物品j都评过分的用户集合。
在ICF中，用户u对物品j的预测评分为：
其中，
表示用户u对物品j的top-K近邻的加权平均评分(结合不同近邻k与物品j的相似度)。
需要说明的是，上述物品侧模型为一种可选的模型，其可以表现为其他模型形式。
模型3、构建混合预测评分模型
在混合协同过滤(hybrid CF)算法中，将UCF的预测评分与ICF的预测评分相结合，得到混合的预测评分：
需要说明的是，上述混合预测评分模型为一种可选的模型，其可以表现为其他模型形式。还需要说明的是，本申请的上述模型均为已有模型，本申请并未对模型本身做出改进，其也可以选用其他通用模型实施本申请的实施例。
二、对模型1、模型2的训练数据进入回归训练，从而通过2个模型拟合值差值比较得到模型1、模型2的精准度。拟合值差值越小，模型3-混合预测评分模型获得的预测评分越准确，同时生成据有分析价值报表。
容易注意到的是，造成过拟合的原因可能有以下三点：(1)数据有噪声(废数据)、(2)训练数据不足，有限的训练数据、(3)训练模型过度导致模型非常复杂，因此，通过岭回归方法防止模型过拟合。为了解决上述问题，可将不适定问题转化为适定问题:为上述损失函数加上一个正则化项。
岭回归方法模型公式：||Xθ-y||2+||Γθ||2；X＝输入；y＝输出(预测结果)；||表示正则化；其中定义Γ＝aI(客观的训练结果＝拟合值)，防止过拟合运算过程：θ(a)＝(XTX+aI)-1XTy，Ⅰ是单位矩阵。θ为拟合超参数；XT为X的转置矩阵；a是单位矩阵的权重；θ(a)为a确定的情况下去求θ。
同理，需要说明的是，上述岭回归方法模型为可选的回归模型之一，本申请的上述岭回归算法模型为相关技术中的已有模型，本申请并未对该模型本身做出改进，其也可以选用其他通用回归模型实施本申请的实施例。
最后，将模型1和2数据结合岭回归模型运算得到的拟合值进行差值比较。
图3是根据本申请实施例的另一方面的一种推荐物品的装置，如图3所示，该装置包括：
获取模块30，用于获取目标对象的行为数据，其中，行为数据至少包括：目标对象的购买行为信息；
第一确定模块32，用于采用用户侧协同过滤模型确定针对目标物品的第一预测指标，采用物品侧协同过滤模型确定针对目标物品的第二预测指标，其中，第一预测指标和第二预测指标均用于指示目标对象对目标物品的购买概率；
第二确定模块34，用于采用混合预测评分模型对第一预测指标和第二预测指标进行结合，得到目标对象对于每个未购买物品的目标评分，其中，第一预测指标和第二预测指标在计算目标评分时各自所占的权重不同；
第三确定模块36，用于基于目标评分确定待向目标对象推荐的目标物品。
该推荐物品的装置中，获取模块30，用于获取目标对象的行为数据，其中，行为数据至少包括：目标对象的购买行为信息；第一确定模块32，用于采用用户侧协同过滤模型确定针对目标物品的第一预测指标，采用物品侧协同过滤模型确定针对目标物品的第二预测指标，其中，第一预测指标和第二预测指标均用于指示目标对象对目标物品的购买概率；第二确定模块34，用于采用混合预测评分模型对第一预测指标和第二预测指标进行结合，得到目标对象对于每个未购买物品的目标评分，其中，第一预测指标和第二预测指标在计算目标评分时各自所占的权重不同；第三确定模块36，用于基于目标评分确定待向目标对象推荐的目标物品，达到了基于目标评分确定待向目标对象推荐物品的目的，从而实现了基于不同模型对数据进行并行处理，节省数据处理时间，提高数据处理效率的技术效果，进而解决了相关技术中基于单一模型的串行处理方式，造成的短时间内处理数据的处理量比较有限，数据处理效率低下的技术问题。
根据本申请实施例的另一方面，还提供了一种非易失性存储介质，存储介质包括存储的程序，其中，在程序运行时控制存储介质所在设备执行任意一种推荐物品的方法。
具体地，上述存储介质用于存储以下功能的程序指令，实现以下功能：
获取目标对象的行为数据，其中，行为数据至少包括：目标对象的购买行为信息；采用用户侧协同过滤模型确定针对目标物品的第一预测指标，采用物品侧协同过滤模型确定针对目标物品的第二预测指标，其中，第一预测指标和第二预测指标均用于指示目标对象对目标物品的购买概率；采用混合预测评分模型对第一预测指标和第二预测指标进行结合，得到目标对象对于每个未购买物品的目标评分，其中，第一预测指标和第二预测指标在计算目标评分时各自所占的权重不同；基于目标评分确定待向目标对象推荐的目标物品。
可选地，在本实施例中，上述存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备，或者上述内容的任何合适组合。上述存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
在本申请一示例性实施例中，还提供了一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现上述任一项的推荐物品的方法。
可选地，该计算机程序在被处理器执行时可实现如下步骤：
获取目标对象的行为数据，其中，行为数据至少包括：目标对象的购买行为信息；采用用户侧协同过滤模型确定针对目标物品的第一预测指标，采用物品侧协同过滤模型确定针对目标物品的第二预测指标，其中，第一预测指标和第二预测指标均用于指示目标对象对目标物品的购买概率；采用混合预测评分模型对第一预测指标和第二预测指标进行结合，得到目标对象对于每个未购买物品的目标评分，其中，第一预测指标和第二预测指标在计算目标评分时各自所占的权重不同；基于目标评分确定待向目标对象推荐的目标物品。
根据本申请的实施例提供了一种电子设备，该电子设备包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行上述任一项的推荐物品的方法。
可选地，上述电子设备还可以包括传输设备以及输入输出设备，其中，该传输设备和上述处理器连接，该输入设备输出设备和上述处理器连接。
图4示出了可以用来实施本申请的实施例的示例电子设备400的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图4所示，设备400包括计算单元401，其可以根据存储在只读存储器(ROM)402中的计算机程序或者从存储单元408加载到随机访问存储器(RAM)403中的计算机程序，来执行各种适当的动作和处理。在RAM 403中，还可存储设备400操作所需的各种程序和数据。计算单元401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。
设备400中的多个部件连接至I/O接口405，包括：输入单元406，例如键盘、鼠标等；输出单元407，例如各种类型的显示器、扬声器等；存储单元408，例如磁盘、光盘等；以及通信单元409，例如网卡、调制解调器、无线通信收发机等。通信单元409允许设备400通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元401可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元401的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元401执行上文所描述的各个方法和处理，例如推荐物品的方法。例如，在一些实施例中，推荐物品的方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元408。在一些实施例中，计算机程序的部分或者全部可以经由ROM 402和/或通信单元409而被载入和/或安装到设备400上。当计算机程序加载到RAM 403并由计算单元401执行时，可以执行上文描述的推荐物品的方法的一个或多个步骤。备选地，在其他实施例中，计算单元401可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行推荐物品的方法。
本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
用于实施本申请的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本申请的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的***和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如，作为数据服务器)、或者包括中间件部件的计算***(例如，应用服务器)、或者包括前端部件的计算***(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将***的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式***的服务器，或者是结合了区块链的服务器。
上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。
在本申请的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本申请的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。
Claims (10)
1.一种推荐物品的方法，其特征在于，包括：
获取目标对象的行为数据，其中，所述行为数据至少包括：所述目标对象的购买行为信息；
采用用户侧协同过滤模型确定针对目标物品的第一预测指标，采用物品侧协同过滤模型确定针对所述目标物品的第二预测指标，其中，所述第一预测指标和所述第二预测指标均用于指示所述目标对象对所述目标物品的购买概率；
采用混合预测评分模型对所述第一预测指标和第二预测指标进行结合，得到所述目标对象对于每个未购买物品的目标评分，其中，第一预测指标和第二预测指标在计算所述目标评分时各自所占的权重不同；
基于所述目标评分确定待向所述目标对象推荐的目标物品。
2.根据权利要求1所述的方法，其特征在于，基于所述目标评分确定待向所述目标对象推荐的目标物品，包括：
获取所述目标对象未购买过物品的总数量；
基于所述行为数据确定动态比例，计算所述总数量与所述动态比例的乘积k，其中，k为自然数；
对所述每个未购买物品的评分进行排序，确定前k个未购买物品为为目标物品。
3.根据权利要求2所述的方法，其特征在于，基于所述行为数据确定动态比例，包括：
对所述行为数据进行分析，确定所述目标对象的购买力等级；
确定所述目标对象所属的购买力等级对应的比例值为所述动态比例，其中，所述不同的购买力等级对应的比例值不同。
4.根据权利要求1所述的方法，其特征在于，基于所述目标评分确定待向所述目标对象推荐的目标物品，包括：
获取所述目标对象所述每个未购买物品对应的各个第一类型，基于所述行为数据确定所述目标对象购买频次最多的物品的第二类型；
分别基于所述各个第一类型与所述第二类型确定所述每个未购买物品与所述购买频次最多的物品之间的余弦相似度；
对所述每个未购买物品的评分进行排序得到排序结果，基于所述排序结果与所述余弦相似度确定所述目标物品。
5.根据权利要求4所述的方法，其特征在于，基于所述排序结果与所述余弦相似度确定所述目标物品，包括：
获取所述排序结果所述各个未购买物品对应的次序值；
获取所述次序值与第一权重的第一乘积，以及所述余弦相似度与第二权重的第二乘积，确定所述各个未购买物品所述第一乘积与所述第二乘积的和值，其中，所述第一权重大于第二权重；
根据所述和值对各个未购买物品进行排序，从排序结果选中预定数量的未购买物品为所述目标物品。
6.根据权利要求1所述的方法，其特征在于，在采用混合预测评分模型对所述第一预测指标和第二预测指标进行结合，得到所述目标对象对于每个未购买物品的目标评分之前，所述方法还包括：
分别对所述用户侧协同过滤模型的训练数据、所述物品侧协同过滤模型进行拟合，得到第一拟合值与第二拟合值；
确定所述第一拟合值与所述第二拟合值的差值，在所述差值小于预设阈值的情况下，确定所述混合预测评分模型的精确度满足要求，基于混合预测评分模型对所述行为数据进行分析。
7.根据权利要求1至权利要求6任意一项所述的方法，其特征在于，在基于所述目标评分确定待向所述目标对象推荐的目标物品之后，所述方法还包括：
根据所述行为数据确定所述目标对象浏览购买平台的目标时段，并获取所述目标对象的终端标识；
在所述目标时段内，将所述目标物品的商品信息推送至所述终端标识对应的终端。
8.一种推荐物品的装置，其特征在于，包括：
获取模块，用于获取目标对象的行为数据，其中，所述行为数据至少包括：所述目标对象的购买行为信息；
第一确定模块，用于采用用户侧协同过滤模型确定针对目标物品的第一预测指标，采用物品侧协同过滤模型确定针对所述目标物品的第二预测指标，其中，所述第一预测指标和所述第二预测指标均用于指示所述目标对象对所述目标物品的购买概率；
第二确定模块，用于采用混合预测评分模型对所述第一预测指标和第二预测指标进行结合，得到所述目标对象对于每个未购买物品的目标评分，其中，第一预测指标和第二预测指标在计算所述目标评分时各自所占的权重不同；
第三确定模块，用于基于所述目标评分确定待向所述目标对象推荐的目标物品。
9.一种非易失性存储介质，其特征在于，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行权利要求1至7中任意一项所述推荐物品的方法。
10.一种电子设备，其特征在于，包括：
处理器；
用于存储所述处理器可执行指令的存储器；
其中，所述处理器被配置为执行所述指令，以实现如权利要求1至7中任一项所述的推荐物品的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211418969.1A CN115713384A (zh) | 2022-11-14 | 2022-11-14 | 推荐物品的方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211418969.1A CN115713384A (zh) | 2022-11-14 | 2022-11-14 | 推荐物品的方法、装置、存储介质及电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115713384A true CN115713384A (zh) | 2023-02-24 |
Family
ID=85233033
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211418969.1A Pending CN115713384A (zh) | 2022-11-14 | 2022-11-14 | 推荐物品的方法、装置、存储介质及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115713384A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118229362A (zh) * | 2024-05-23 | 2024-06-21 | 成都世纪飞扬科技集团有限公司 | 一种基于互联网大数据的广告精准投放方法和*** |
-
2022
- 2022-11-14 CN CN202211418969.1A patent/CN115713384A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118229362A (zh) * | 2024-05-23 | 2024-06-21 | 成都世纪飞扬科技集团有限公司 | 一种基于互联网大数据的广告精准投放方法和*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108205768B (zh) | 数据库建立方法和数据推荐方法及装置、设备和存储介质 | |
| US20200234218A1 (en) | Systems and methods for entity performance and risk scoring | |
| CN107730389A (zh) | 电子装置、保险产品推荐方法及计算机可读存储介质 | |
| EP4322031A1 (en) | Recommendation method, recommendation model training method, and related product | |
| CN112528153B (zh) | 内容推荐方法、装置、设备、存储介质以及程序产品 | |
| CN107886241B (zh) | 资源分析方法、装置、介质和电子设备 | |
| CN109213936B (zh) | 商品搜索方法和装置 | |
| JPWO2005024689A1 (ja) | 消費者の購買行動分析方法及び装置 | |
| CN115391669B (zh) | 一种智能推荐方法、装置、电子设备 | |
| KR102505103B1 (ko) | 온라인 커머스 데이터 기반의 큐레이션 서비스를 제공하는 방법 및 장치 | |
| CN111400613A (zh) | 物品推荐方法、装置、介质及计算机设备 | |
| CN111144933A (zh) | 商品推荐方法、装置、电子设备及存储介质 | |
| CN111966886A (zh) | 对象推荐方法、对象推荐装置、电子设备及存储介质 | |
| CN111626767B (zh) | 资源数据的发放方法、装置及设备 | |
| CN112598472A (zh) | 产品推荐方法、装置、***、介质和程序产品 | |
| CN113569162A (zh) | 数据处理方法、装置、设备及存储介质 | |
| CN106600360B (zh) | 推荐对象的排序方法及装置 | |
| CN106157281A (zh) | 一种图像主体识别方法及装置 | |
| CN115713384A (zh) | 推荐物品的方法、装置、存储介质及电子设备 | |
| WO2020150597A1 (en) | Systems and methods for entity performance and risk scoring | |
| CN109960777B (zh) | 物品评论个性化推荐方法、***、电子设备及存储介质 | |
| CN110796520A (zh) | 商品推荐的方法、装置、计算设备以及介质 | |
| CN115271866A (zh) | 一种产品推荐方法、装置、电子设备及可读存储介质 | |
| CN114925275A (zh) | 产品推荐方法、装置、计算机设备及存储介质 | |
| US20230230143A1 (en) | Product recommendation system, product recommendation method, and recordingmedium storing product recommendation program |
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 |