CN116228282A - 一种用户数据倾向的智能商品分销方法 - Google Patents
一种用户数据倾向的智能商品分销方法 Download PDFInfo
- Publication number
- CN116228282A CN116228282A CN202310510872.1A CN202310510872A CN116228282A CN 116228282 A CN116228282 A CN 116228282A CN 202310510872 A CN202310510872 A CN 202310510872A CN 116228282 A CN116228282 A CN 116228282A
- Authority
- CN
- China
- Prior art keywords
- user
- matrix
- paid
- blog
- representing
- 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
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及商品分销的技术领域,揭露了一种用户数据倾向的智能商品分销方法,所述方法包括:根据用户‑付费博客收藏矩阵和付费博客‑付费博客引用矩阵构建用户‑付费博客偏好矩阵;计算得到用户相似度矩阵,并对用户相似度矩阵进行高阶相似度计算得到用户高阶相似度矩阵,进而构建用户增强相似度矩阵;确定表示用户倾向的用户偏好目标函数并进行优化求解,得到用户对不同付费博客的偏好并进行付费博客分销处理。本发明根据用户‑付费博客偏好矩阵以及用户增强相似度矩阵得到表征相似用户对付费博客偏好倾向的用户偏好目标函数,通过求解得到用户特征矩阵以及付费博客偏好特征矩阵,计算得到用户对不同付费博客的偏好值,实现付费博客分销处理。
Description
技术领域
本发明涉及商品分销的技术领域,尤其涉及一种用户数据倾向的智能商品分销方法。
背景技术
随着信息化社会的不断发展,人们可以通过互联网便捷地获取各式各样的信息,但是随着互联网中信息规模的飞速增长,人们往往需要花费较多的时间和精力才能找到自己所需要的信息。推荐***作为缓解信息过载问题的一种重要技术手段,通过挖掘用户历史行为数据,形成个性化推荐。在付费博客推荐过程中,每一篇博客有单独的标签,用于区分该博客的特征,现有的博客推荐大都基于标签进行,但是随着博客资源呈现指数式的增长,出现大量同质标签类型的博客,如何在该种条件下实现付费博客的精细化推荐是提高用户体验度的重要途径。针对该问题,本发明提出一种用户数据倾向的智能商品分销方法,提高付费博客的用户推荐满意度。
发明内容
有鉴于此,本发明提供一种用户数据倾向的智能商品分销方法,目的在于:1)根据用户对付费博客的购买情况以及所购买付费博客与其余博客之间的引用关系分别构建用户-付费博客收藏矩阵和付费博客-付费博客引用矩阵,通过考虑用户对付费博客的偏好随时间变化的问题,在计算用户间相似度时引入时间权重,即用户购买同一付费博客的时间与首次购买付费博客时间的差值在整体时间的占比越大,则表示该付费博客对用户的实时性较差,对应的时间权重越低,并基于时间权重以及用户购买付费博客的行为信息计算得到用户间的相似度,实现不同用户的相似性度量;2)将用户-付费博客收藏矩阵和付费博客-付费博客引用矩阵构建为用户-付费博客偏好矩阵,并将用户相似度矩阵依次转换为邻接矩阵和无向图,用户即为无向图中的顶点,通过分析用户间的封闭三角形结构关系,将用户相似度转换为结合邻接用户点边权重的高阶相似度度量,进而构建用户增强相似度矩阵,根据用户-付费博客偏好矩阵以及用户增强相似度矩阵得到表征相似用户对付费博客偏好倾向的用户偏好目标函数,通过对构建的用户偏好目标函数进行优化求解,求解得到用户特征矩阵以及付费博客偏好特征矩阵,进而计算得到用户对不同付费博客的偏好值,根据偏好值的排序顺序进行付费博客分销处理。
实现上述目的,本发明提供的一种用户数据倾向的智能商品分销方法,包括以下步骤:
S1:采集用户购买付费博客的行为信息和付费博客间的引用关系信息,分别构建用户-付费博客收藏矩阵和付费博客-付费博客引用矩阵,并根据用户-付费博客收藏矩阵和付费博客-付费博客引用矩阵构建用户-付费博客偏好矩阵;
S2:根据用户-付费博客收藏矩阵以及用户购买付费博客的行为信息计算得到用户相似度矩阵,并对用户相似度矩阵进行高阶相似度计算得到用户高阶相似度矩阵,其中模序分析为所述高阶相似度计算的主要实施方式;
S3:根据计算得到的用户高阶相似度矩阵和用户相似度矩阵,构建用户增强相似度矩阵;
S4:根据构建的用户增强相似度矩阵确定表示用户倾向的用户偏好目标函数;
S5:对构建的用户偏好目标函数进行优化求解,得到用户对不同付费博客的偏好并进行付费博客分销处理。
作为本发明的进一步改进方法:
可选地,所述S1步骤中采集用户购买付费博客的行为信息和付费博客间的引用关系信息,并构建用户-付费博客收藏矩阵和付费博客-付费博客引用矩阵,包括:
采集用户购买付费博客的行为信息以及付费博客与其余付费博客之间的引用关系信息,所采集信息的表示形式为:
其中:
n表示所选取用户的总数,m表示所选取付费博客的总数;
分别构建用户-付费博客收藏矩阵和付费博客-付费博客引用矩阵,所构建用户-付费博客收藏矩阵G为:
所构建付费博客-付费博客引用矩阵C为:
其中:
可选地,所述S1步骤中根据用户-付费博客收藏矩阵和付费博客-付费博客引用矩阵构建用户-付费博客偏好矩阵,包括:
根据用户-付费博客收藏矩阵和付费博客-付费博客引用矩阵构建用户-付费博客偏好矩阵:
其中:
可选地,所述S2步骤中计算得到用户相似度矩阵,包括:
根据用户-付费博客收藏矩阵以及用户购买付费博客的行为信息计算得到用户相似度矩阵,其中用户相似度矩阵的计算流程为:
计算不同用户之间对付费博客的时间权重:
其中:
e表示自然常数;
基于用户对付费博客的时间权重以及用户-付费博客收藏矩阵,计算不同用户之间的相似度:
其中:
构建用户相似度矩阵S:
其中:
用户相似度矩阵S中对角线上的值均表示用户自身相似度,将其设置为1。
可选地,所述S2步骤中对用户相似度矩阵进行高阶相似度计算得到用户高阶相似度矩阵,包括:
对用户相似度矩阵进行高阶相似度计算,得到用户高阶相似度矩阵,其中模序分析为所述高阶相似度计算的主要实施方式,所述高阶相似度计算流程为:
其中:
T表示矩阵的转置;
S24:将邻接矩阵B转换为无向图形式,无向图的顶点即为用户,其中邻接矩阵B中的第i行或第i列即对应用户i;
其中:
可选地,所述S3步骤中基于用户相似度矩阵以及用户高阶相似度矩阵构建用户增强相似度矩阵,包括:
其中:
可选地,所述S4步骤中确定表示用户倾向的用户偏好目标函数,包括:
其中:
可选地,所述S5步骤中对构建的用户偏好目标函数进行优化求解,包括:
对构建的用户偏好目标函数进行优化求解,求解得到用户特征矩阵以及付费博客偏好特征矩阵,所述优化求解流程为:
其中:
S54:基于迭代步长更新待优化求解参数:
其中:
并更新迭代步长:
可选地,所述S5步骤中根据用户对不同付费博客的偏好进行付费博客分销处理,包括:
其中:
将用户i未购买且偏好值大于预设定偏好阈值的付费博客向用户i推送。
为了解决上述问题,本发明提供一种电子设备,所述电子设备包括:
存储器,存储至少一个指令;
通信接口,实现电子设备通信;及处理器,执行所述存储器中存储的指令以实现上述所述的用户数据倾向的智能商品分销方法。
为了解决上述问题,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一个指令,所述至少一个指令被电子设备中的处理器执行以实现上述所述的用户数据倾向的智能商品分销方法。
相对于现有技术,本发明提出一种用户数据倾向的智能商品分销方法,该技术具有以下优势:
首先,本方案提出一种用户相似性度量方式,根据用户-付费博客收藏矩阵以及用户购买付费博客的行为信息计算得到用户相似度矩阵,其中用户相似度矩阵的计算流程为:计算不同用户之间对付费博客的时间权重:
其中:表示较小的正数;/>表示用户i和用户u对于付费博客j的时间权重;e表示自然常数;/>表示用户i首次购买付费博客的时间,/>表示用户u首次购买付费博客的时间,R表示所设置的时间阈值,/>,/>;/>表示用户i最后一次购买付费博客与首次购买付费博客之间的时间差值;基于用户对付费博客的时间权重以及用户-付费博客收藏矩阵,计算不同用户之间的相似度:
其中:用户相似度矩阵S中对角线上的值均表示用户自身相似度,将其设置为1。本方案根据用户对付费博客的购买情况以及所购买付费博客与其余博客之间的引用关系分别构建用户-付费博客收藏矩阵和付费博客-付费博客引用矩阵,通过考虑用户对付费博客的偏好随时间变化的问题,在计算用户间相似度时引入时间权重,即用户购买同一付费博客的时间与首次购买付费博客时间的差值在整体时间的占比越大,则表示该付费博客对用户的实时性较差,对应的时间权重越低,并基于时间权重以及用户购买付费博客的行为信息计算得到用户间的相似度,实现不同用户的相似性度量。
同时,本方案提出一种付费博客分销处理方式,通过对用户相似度矩阵进行高阶相似度计算,得到用户高阶相似度矩阵,所述高阶相似度计算流程为:将用户相似度矩阵S中对角线上的值均置为0,得到矩阵;基于矩阵/>计算得到用户相似度矩阵的邻接矩阵B:
其中:表示哈达玛积运算,表示逐元素相乘运算;T表示矩阵的转置;初始化一个n行n列的零矩阵/>;将邻接矩阵B转换为无向图形式,无向图的顶点即为用户,其中邻接矩阵B中的第i行或第i列即对应用户i;对于用户i和用户u的顶点/>,遍历顶点与任意另一个顶点所组成的封闭三角形结构,得到若干封闭三角形结构,对于任意封闭三角形结构/>以及/>,计算得到该封闭三角形结构关于的高阶相似度:
其中:表示封闭三角形结构/>中关于/>的高阶相似度;/>表示无向图中顶点所构成边的权重;将顶点/>与任意另一个顶点所组成的所有封闭三角形结构中关于/>的高阶相似度进行累加,累加结果即为用户i和用户u的高阶相似度/>,并将/>更新到零矩阵/>的第i行第u列,以及零矩阵/>的第u行第i列。确定表示用户倾向的用户偏好目标函数/>:
其中:表示修正参数,若/>不为0,则/>,若/>为0,则/>=0;/>表示修正参数,若/>不为0,则/>,若/>为0,则/>,/>表示用户增强相似度矩阵/>中第i行第q列的元素值;/>表示待优化求解的参数,U表示用户特征矩阵,V表示付费博客偏好特征矩阵,/>表示用户特征矩阵U中的第i行,/>表示付费博客偏好特征矩阵V中的第j行;/>表示正则项参数,将其设置为0.2;/>表示L1范数。本方案将用户-付费博客收藏矩阵和付费博客-付费博客引用矩阵构建为用户-付费博客偏好矩阵,并将用户相似度矩阵依次转换为邻接矩阵和无向图,用户即为无向图中的顶点,通过分析用户间的封闭三角形结构关系,将用户相似度转换为结合邻接用户点边权重的高阶相似度度量,进而构建用户增强相似度矩阵,根据用户-付费博客偏好矩阵以及用户增强相似度矩阵得到表征相似用户对付费博客偏好倾向的用户偏好目标函数,通过对构建的用户偏好目标函数进行优化求解,求解得到用户特征矩阵以及付费博客偏好特征矩阵,进而计算得到用户对不同付费博客的偏好值,根据偏好值的排序顺序进行付费博客分销处理。
附图说明
图1为本发明一实施例提供的一种用户数据倾向的智能商品分销方法的流程示意图;
图2为本发明一实施例提供的实现用户数据倾向的智能商品分销方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本申请实施例提供一种用户数据倾向的智能商品分销方法。所述用户数据倾向的智能商品分销方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之,所述用户数据倾向的智能商品分销方法可以由安装在终端设备或服务端设备的软件或硬件来执行,所述软件可以是区块链平台。所述服务端包括但不限于:单台服务器、服务器集群、云端服务器或云端服务器集群等。
实施例1
S1:采集用户购买付费博客的行为信息和付费博客间的引用关系信息,分别构建用户-付费博客收藏矩阵和付费博客-付费博客引用矩阵,并根据用户-付费博客收藏矩阵和付费博客-付费博客引用矩阵构建用户-付费博客偏好矩阵。
所述S1步骤中采集用户购买付费博客的行为信息和付费博客间的引用关系信息,并构建用户-付费博客收藏矩阵和付费博客-付费博客引用矩阵,包括:
采集用户购买付费博客的行为信息以及付费博客与其余付费博客之间的引用关系信息,所采集信息的表示形式为:
其中:
n表示所选取用户的总数,m表示所选取付费博客的总数;
分别构建用户-付费博客收藏矩阵和付费博客-付费博客引用矩阵,所构建用户-付费博客收藏矩阵G为:
所构建付费博客-付费博客引用矩阵C为:
其中:
所述S1步骤中根据用户-付费博客收藏矩阵和付费博客-付费博客引用矩阵构建用户-付费博客偏好矩阵,包括:
根据用户-付费博客收藏矩阵和付费博客-付费博客引用矩阵构建用户-付费博客偏好矩阵:
其中:
S2:根据用户-付费博客收藏矩阵以及用户购买付费博客的行为信息计算得到用户相似度矩阵,并对用户相似度矩阵进行高阶相似度计算得到用户高阶相似度矩阵。
所述S2步骤中计算得到用户相似度矩阵,包括:
根据用户-付费博客收藏矩阵以及用户购买付费博客的行为信息计算得到用户相似度矩阵,其中用户相似度矩阵的计算流程为:
计算不同用户之间对付费博客的时间权重:
其中:
e表示自然常数;
基于用户对付费博客的时间权重以及用户-付费博客收藏矩阵,计算不同用户之间的相似度:
其中:
构建用户相似度矩阵S:
其中:
用户相似度矩阵S中对角线上的值均表示用户自身相似度,将其设置为1。
所述S2步骤中对用户相似度矩阵进行高阶相似度计算得到用户高阶相似度矩阵,包括:
对用户相似度矩阵进行高阶相似度计算,得到用户高阶相似度矩阵,其中模序分析为所述高阶相似度计算的主要实施方式,所述高阶相似度计算流程为:
其中:
T表示矩阵的转置;
S24:将邻接矩阵B转换为无向图形式,无向图的顶点即为用户,其中邻接矩阵B中的第i行或第i列即对应用户i;
其中:
S3:根据计算得到的用户高阶相似度矩阵和用户相似度矩阵,构建用户增强相似度矩阵。
所述S3步骤中基于用户相似度矩阵以及用户高阶相似度矩阵构建用户增强相似度矩阵,包括:
其中:
S4:根据构建的用户增强相似度矩阵确定表示用户倾向的用户偏好目标函数。
所述S4步骤中确定表示用户倾向的用户偏好目标函数,包括:
其中:
S5:对构建的用户偏好目标函数进行优化求解,得到用户对不同付费博客的偏好并进行付费博客分销处理。
所述S5步骤中对构建的用户偏好目标函数进行优化求解,包括:
对构建的用户偏好目标函数进行优化求解,求解得到用户特征矩阵以及付费博客偏好特征矩阵,所述优化求解流程为:
其中:
S54:基于迭代步长更新待优化求解参数:
其中:
并更新迭代步长:
所述S5步骤中根据用户对不同付费博客的偏好进行付费博客分销处理,包括:
其中:
将用户i未购买且偏好值大于预设定偏好阈值的付费博客向用户i推送。
实施例2
如图2所示,是本发明一实施例提供的实现用户数据倾向的智能商品分销方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11、通信接口13和总线,还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序,如程序12。
其中,所述存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元,例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备,例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card, SMC)、安全数字(SecureDigital, SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据,例如程序12的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器11内的程序或者模块(用于实现智能商品分销的程序12等),以及调用存储在所述存储器11内的数据,以执行电子设备1的各种功能和处理数据。
所述通信接口13可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备1与其他电子设备之间建立通信连接,并实现电子设备内部组件之间的连接通信。
所述总线可以是外设部件互连标准(peripheral component interconnect,简称PCI)总线或扩展工业标准结构(extended industry standard architecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图2仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图2示出的结构并不构成对所述电子设备1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备1还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器10逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
可选地,该电子设备1还可以包括用户接口,用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的程序12是多个指令的组合,在所述处理器10中运行时,可以实现:
采集用户购买付费博客的行为信息和付费博客间的引用关系信息,分别构建用户-付费博客收藏矩阵和付费博客-付费博客引用矩阵,并根据用户-付费博客收藏矩阵和付费博客-付费博客引用矩阵构建用户-付费博客偏好矩阵;
根据用户-付费博客收藏矩阵以及用户购买付费博客的行为信息计算得到用户相似度矩阵,并对用户相似度矩阵进行高阶相似度计算得到用户高阶相似度矩阵;
根据计算得到的用户高阶相似度矩阵和用户相似度矩阵,构建用户增强相似度矩阵;
根据构建的用户增强相似度矩阵确定表示用户倾向的用户偏好目标函数;
对构建的用户偏好目标函数进行优化求解,得到用户对不同付费博客的偏好并进行付费博客分销处理。
具体地,所述处理器10对上述指令的具体实现方法可参考图1至图2对应实施例中相关步骤的描述,在此不赘述。
需要说明的是,上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。并且本文中的术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的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如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (9)
1.一种用户数据倾向的智能商品分销方法,其特征在于,所述方法包括:
S1:采集用户购买付费博客的行为信息和付费博客间的引用关系信息,分别构建用户-付费博客收藏矩阵和付费博客-付费博客引用矩阵,并根据用户-付费博客收藏矩阵和付费博客-付费博客引用矩阵构建用户-付费博客偏好矩阵;
S2:根据用户-付费博客收藏矩阵以及用户购买付费博客的行为信息计算得到用户相似度矩阵,并对用户相似度矩阵进行高阶相似度计算得到用户高阶相似度矩阵;
S3:根据计算得到的用户高阶相似度矩阵和用户相似度矩阵,构建用户增强相似度矩阵;
S4:根据构建的用户增强相似度矩阵确定表示用户倾向的用户偏好目标函数;
S5:对构建的用户偏好目标函数进行优化求解,得到用户对不同付费博客的偏好并进行付费博客分销处理。
2.如权利要求1所述的一种用户数据倾向的智能商品分销方法,其特征在于,所述S1步骤中采集用户购买付费博客的行为信息和付费博客间的引用关系信息,并构建用户-付费博客收藏矩阵和付费博客-付费博客引用矩阵,包括:
采集用户购买付费博客的行为信息以及付费博客与其余付费博客之间的引用关系信息,所采集信息的表示形式为:
其中:
n表示所选取用户的总数,m表示所选取付费博客的总数;
分别构建用户-付费博客收藏矩阵和付费博客-付费博客引用矩阵,所构建用户-付费博客收藏矩阵G为:
所构建付费博客-付费博客引用矩阵C为:
其中:
4.如权利要求1所述的一种用户数据倾向的智能商品分销方法,其特征在于,所述S2步骤中计算得到用户相似度矩阵,包括:
根据用户-付费博客收藏矩阵以及用户购买付费博客的行为信息计算得到用户相似度矩阵,其中用户相似度矩阵的计算流程为:
计算不同用户之间对付费博客的时间权重:
其中:
e表示自然常数;
基于用户对付费博客的时间权重以及用户-付费博客收藏矩阵,计算不同用户之间的相似度:
其中:
构建用户相似度矩阵S:
其中:
用户相似度矩阵S中对角线上的值均表示用户自身相似度,将其设置为1。
5.如权利要求4所述的一种用户数据倾向的智能商品分销方法,其特征在于,所述S2步骤中对用户相似度矩阵进行高阶相似度计算得到用户高阶相似度矩阵,包括:
对用户相似度矩阵进行高阶相似度计算,得到用户高阶相似度矩阵,所述高阶相似度计算流程为:
其中:
T表示矩阵的转置;
S24:将邻接矩阵B转换为无向图形式,无向图的顶点即为用户,其中邻接矩阵B中的第i行或第i列即对应用户i;
其中:
8.如权利要求7所述的一种用户数据倾向的智能商品分销方法,其特征在于,所述S5步骤中对构建的用户偏好目标函数进行优化求解,包括:
对构建的用户偏好目标函数进行优化求解,求解得到用户特征矩阵以及付费博客偏好特征矩阵,所述优化求解流程为:
其中:
S54:基于迭代步长更新待优化求解参数:
其中:
并更新迭代步长:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310510872.1A CN116228282B (zh) | 2023-05-09 | 2023-05-09 | 一种用户数据倾向的智能商品分销方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310510872.1A CN116228282B (zh) | 2023-05-09 | 2023-05-09 | 一种用户数据倾向的智能商品分销方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116228282A true CN116228282A (zh) | 2023-06-06 |
CN116228282B CN116228282B (zh) | 2023-08-11 |
Family
ID=86569878
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310510872.1A Active CN116228282B (zh) | 2023-05-09 | 2023-05-09 | 一种用户数据倾向的智能商品分销方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116228282B (zh) |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090125397A1 (en) * | 2007-10-08 | 2009-05-14 | Imedia Streams, Llc | Method and system for integrating rankings of journaled internet content and consumer media preferences for use in marketing profiles |
US20110302240A1 (en) * | 2010-06-03 | 2011-12-08 | Katsu Saito | Content recommendation system, content recommendation device, and content recommendation method |
CN105843860A (zh) * | 2016-03-17 | 2016-08-10 | 山东大学 | 一种基于并行item-based协同过滤算法的微博关注推荐方法 |
US20160299992A1 (en) * | 2015-04-09 | 2016-10-13 | Yahoo!, Inc. | Inductive matrix completion and graph proximity for content item recommendation |
CN106776881A (zh) * | 2016-11-28 | 2017-05-31 | 中国科学院软件研究所 | 一种基于微博平台的领域信息推荐***及方法 |
US20180032882A1 (en) * | 2016-07-27 | 2018-02-01 | Fuji Xerox Co., Ltd. | Method and system for generating recommendations based on visual data and associated tags |
CN109241203A (zh) * | 2018-09-27 | 2019-01-18 | 天津理工大学 | 一种融合时间因素的用户偏好和距离加权的聚类方法 |
CN110110203A (zh) * | 2018-01-11 | 2019-08-09 | 腾讯科技(深圳)有限公司 | 资源信息推送方法及服务器、资源信息展示方法及终端 |
CN110263189A (zh) * | 2019-06-24 | 2019-09-20 | 腾讯科技(深圳)有限公司 | 媒体内容的推荐方法、装置、存储介质和计算机设备 |
CN111931023A (zh) * | 2020-07-01 | 2020-11-13 | 西北工业大学 | 一种基于网络嵌入的社团结构识别方法及装置 |
CN113158041A (zh) * | 2021-04-19 | 2021-07-23 | 电子科技大学 | 一种基于多属性特征的文章推荐方法 |
CN114461899A (zh) * | 2021-12-24 | 2022-05-10 | 新奥新智科技有限公司 | 对用户的协同过滤推荐方法、装置、电子设备及存储介质 |
CN115357803A (zh) * | 2021-05-17 | 2022-11-18 | 连普乐士株式会社 | 账户推荐方法、计算机装置及计算机程序 |
CN115545349A (zh) * | 2022-11-24 | 2022-12-30 | 天津师范大学 | 基于属性敏感交互的时序社交媒体流行度预测方法及装置 |
CN116028727A (zh) * | 2023-03-30 | 2023-04-28 | 南京邮电大学 | 一种基于图像数据处理的视频推荐方法 |
-
2023
- 2023-05-09 CN CN202310510872.1A patent/CN116228282B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090125397A1 (en) * | 2007-10-08 | 2009-05-14 | Imedia Streams, Llc | Method and system for integrating rankings of journaled internet content and consumer media preferences for use in marketing profiles |
US20110302240A1 (en) * | 2010-06-03 | 2011-12-08 | Katsu Saito | Content recommendation system, content recommendation device, and content recommendation method |
US20160299992A1 (en) * | 2015-04-09 | 2016-10-13 | Yahoo!, Inc. | Inductive matrix completion and graph proximity for content item recommendation |
CN105843860A (zh) * | 2016-03-17 | 2016-08-10 | 山东大学 | 一种基于并行item-based协同过滤算法的微博关注推荐方法 |
US20180032882A1 (en) * | 2016-07-27 | 2018-02-01 | Fuji Xerox Co., Ltd. | Method and system for generating recommendations based on visual data and associated tags |
CN106776881A (zh) * | 2016-11-28 | 2017-05-31 | 中国科学院软件研究所 | 一种基于微博平台的领域信息推荐***及方法 |
CN110110203A (zh) * | 2018-01-11 | 2019-08-09 | 腾讯科技(深圳)有限公司 | 资源信息推送方法及服务器、资源信息展示方法及终端 |
CN109241203A (zh) * | 2018-09-27 | 2019-01-18 | 天津理工大学 | 一种融合时间因素的用户偏好和距离加权的聚类方法 |
CN110263189A (zh) * | 2019-06-24 | 2019-09-20 | 腾讯科技(深圳)有限公司 | 媒体内容的推荐方法、装置、存储介质和计算机设备 |
CN111931023A (zh) * | 2020-07-01 | 2020-11-13 | 西北工业大学 | 一种基于网络嵌入的社团结构识别方法及装置 |
CN113158041A (zh) * | 2021-04-19 | 2021-07-23 | 电子科技大学 | 一种基于多属性特征的文章推荐方法 |
CN115357803A (zh) * | 2021-05-17 | 2022-11-18 | 连普乐士株式会社 | 账户推荐方法、计算机装置及计算机程序 |
CN114461899A (zh) * | 2021-12-24 | 2022-05-10 | 新奥新智科技有限公司 | 对用户的协同过滤推荐方法、装置、电子设备及存储介质 |
CN115545349A (zh) * | 2022-11-24 | 2022-12-30 | 天津师范大学 | 基于属性敏感交互的时序社交媒体流行度预测方法及装置 |
CN116028727A (zh) * | 2023-03-30 | 2023-04-28 | 南京邮电大学 | 一种基于图像数据处理的视频推荐方法 |
Non-Patent Citations (2)
Title |
---|
谢修娟: "情境感知的移动阅读个性化推荐算法研究", 高技术通讯, vol. 29, no. 07, pages 640 - 647 * |
魏玲: "融合用户画像与协同过滤的知识付费平台个性化推荐模型", 情报理论与实践, vol. 44, no. 03, pages 188 - 193 * |
Also Published As
Publication number | Publication date |
---|---|
CN116228282B (zh) | 2023-08-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107220217A (zh) | 基于逻辑回归的特征系数训练方法和装置 | |
CN108074003B (zh) | 预测信息推送方法和装置 | |
CN115391669B (zh) | 一种智能推荐方法、装置、电子设备 | |
CN114912948B (zh) | 基于云服务的跨境电商大数据智能处理方法、装置及设备 | |
CN111652278B (zh) | 用户行为检测方法、装置、电子设备及介质 | |
CN113656690B (zh) | 产品推荐方法、装置、电子设备及可读存储介质 | |
CN111966886A (zh) | 对象推荐方法、对象推荐装置、电子设备及存储介质 | |
CN107346344A (zh) | 文本匹配的方法和装置 | |
CN111652282B (zh) | 基于大数据的用户偏好分析方法、装置及电子设备 | |
CN115204971B (zh) | 产品推荐方法、装置、电子设备及计算机可读存储介质 | |
CN110866625A (zh) | 促销指标信息生成方法和装置 | |
CN115048174A (zh) | 基于用户的个性化菜单生成方法、装置、设备及存储介质 | |
CN114386879A (zh) | 一种基于多产品多维度性能指标的评分与排行方法及*** | |
CN106157281A (zh) | 一种图像主体识别方法及装置 | |
CN109978594B (zh) | 订单处理方法、装置及介质 | |
CN113778979A (zh) | 一种直播点击率的确定方法和装置 | |
CN116228282B (zh) | 一种用户数据倾向的智能商品分销方法 | |
CN114625975B (zh) | 一种基于知识图谱的客户行为分析*** | |
CN116452297A (zh) | 一种基于商务市场数据的智能推荐方法及*** | |
CN116401602A (zh) | 事件检测方法、装置、设备及计算机可读介质 | |
CN113139129B (zh) | 虚拟阅读轨迹图生成方法、装置、电子设备及存储介质 | |
CN115641186A (zh) | 直播产品偏好的智能分析方法、装置、设备及存储介质 | |
CN113705686B (zh) | 图像分类方法、装置、电子设备及可读存储介质 | |
CN117710020B (zh) | 一种基于大数据的用户喜好的分析方法 | |
CN113592606B (zh) | 基于多重决策的产品推荐方法、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 |