CN116977020A - 一种基于大数据的直播购物推荐化方法 - Google Patents
一种基于大数据的直播购物推荐化方法 Download PDFInfo
- Publication number
- CN116977020A CN116977020A CN202310865697.8A CN202310865697A CN116977020A CN 116977020 A CN116977020 A CN 116977020A CN 202310865697 A CN202310865697 A CN 202310865697A CN 116977020 A CN116977020 A CN 116977020A
- Authority
- CN
- China
- Prior art keywords
- image information
- user
- users
- interest point
- live
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000012545 processing Methods 0.000 claims abstract description 61
- 238000012549 training Methods 0.000 claims description 50
- 238000004458 analytical method Methods 0.000 claims description 18
- 238000012795 verification Methods 0.000 claims description 16
- 238000010219 correlation analysis Methods 0.000 claims description 13
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 238000003062 neural network model Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 238000013519 translation Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 description 6
- 210000002569 neuron Anatomy 0.000 description 6
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
- H04N21/21—Server components or server architectures
- H04N21/218—Source of audio or video content, e.g. local disk arrays
- H04N21/2187—Live feed
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
- H04N21/47—End-user applications
- H04N21/478—Supplemental services, e.g. displaying phone caller identification, shopping application
- H04N21/47815—Electronic shopping
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Databases & Information Systems (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- Signal Processing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供了一种基于大数据的直播购物推荐化方法、装置、设备及可读存储介质,涉及大数据处理技术领域,包括通过采用图像识别和层次分析法对直播间内所有用户观看过的直播图像信息进行处理,确定所有用户观看到次数超过阈值的商品图像,进而确定用户感兴趣的商品图像,并通过用户感兴趣的商品图像和用户在观看直播时的评论信息进行关联分析确定关联度,进而通过将关联度发送至训练后的预测模型,预测用户在不同时间段喜好的商品推荐链接,这样可以增加判断用户喜好的准确率,并针对于每个用户挂载不同的链接,增加用户消费的几率。
Description
技术领域
本发明涉及大数据处理技术领域,具体而言,涉及基于大数据的直播购物推荐化方法、装置、设备及可读存储介质。
背景技术
随着电商直播行业的快速发展,通过直播进行商品等推荐对象的推荐已成为一种流行的信息传递方式,在相关技术中训练时存在明显的样本选择偏差问题和训练数据稀疏问题,导致目前在直播实时推荐场景下推荐直播的准确性差,现需要一种能够在训练时进行调整,并针对于不同用户的不同特征,进行针对性推荐的方法。
发明内容
本发明的目的在于提供一种基于大数据的直播购物推荐化方法、装置、设备及可读存储介质,以改善上述问题。为了实现上述目的,本发明采取的技术方案如下:
第一方面,本申请提供了一种基于大数据的直播购物推荐化方法,包括:
获取直播间内所有用户观看过的直播图像信息和用户观看直播时的评论信息;
将所有用户观看过的直播图像信息进行分析处理,得到每个用户的兴趣点图像信息,所述兴趣点图像信息为用户观看次数超过预设阈值的商品图像信息;
将所有用户的所述兴趣点图像信息与所有用户观看直播时的评论信息进行灰色关联分析,得到所述兴趣点图像信息与用户观看直播时的评论信息的关联度;
将预设的推荐链接、所述兴趣点图像信息与用户观看直播时的评论信息的关联度发送至推荐链接生成模型进行处理,得到每个用户的购物推荐链接,所述推荐链接生成模型是基于所述关联度和预设的历史推荐链接预测当前时间段每个用户对应的推荐链接的模型;
将所述每个用户的购物推荐链接挂载在每个用户对应的直播页面。
另一方面,本申请还提供了一种基于大数据的直播购物推荐化装置,包括:
获取单元,用于获取直播间内所有用户观看过的直播图像信息和用户观看直播时的评论信息;
第一处理单元,用于将所有用户观看过的直播图像信息进行分析处理,得到每个用户的兴趣点图像信息,所述兴趣点图像信息为用户观看次数超过预设阈值的商品图像信息;
分析单元,用于将所有用户的所述兴趣点图像信息与所有用户观看直播时的评论信息进行灰色关联分析,得到所述兴趣点图像信息与用户观看直播时的评论信息的关联度;
第二处理单元,用于将预设的推荐链接、所述兴趣点图像信息与用户观看直播时的评论信息的关联度发送至推荐链接生成模型进行处理,得到每个用户的购物推荐链接,所述推荐链接生成模型是基于所述关联度和预设的历史推荐链接预测当前时间段每个用户对应的推荐链接的模型;
第三处理单元,用于将所述每个用户的购物推荐链接挂载在每个用户对应的直播页面。
本发明的有益效果为:
本发明通过采用图像识别和层次分析法对直播间内所有用户观看过的直播图像信息进行处理,确定所有用户观看到次数超过阈值的商品图像,进而确定用户感兴趣的商品,并且针对于用户直播时的评论信息判断用户对于商品图像是喜欢还是不喜欢,进而确定每个用户的商品,进而通过训练后的预测模型,预测用户在不同时间段喜好的商品,这样可以增加判断用户喜好的准确率,并且本发明还采用自编码器-解码器对历史推荐链接和所述兴趣点图像信息与用户观看直播时的评论信息的关联度进行降维,提取出相关性最大的兴趣点图像信息和用户观看直播时的评论信息进行预测,增加预测的精度。
本发明的其他特征和优点将在随后的说明书阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书、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
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用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为本发明实施例中所述的基于大数据的直播购物推荐化方法流程示意图;
图2为本发明实施例中所述的基于大数据的直播购物推荐化装置结构示意图。
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作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。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本发明的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
实施例1:
本实施例提供了一种基于大数据的直播购物推荐化方法。
参见图1,图中示出了本方法包括步骤S1、步骤S2、步骤S3、步骤S4和步骤S5。
步骤S1、获取直播间内所有用户观看过的直播图像信息和用户观看直播时的评论信息;
可以理解的是本步骤通过数据采集设备,采集所有直播间内的用户观看过得直播图像和所有用户在观看直播时评论的文字信息,进而通过用户的表现来获取用户对每种商品的关注程度。
步骤S2、将所有用户观看过的直播图像信息进行分析处理,得到每个用户的兴趣点图像信息,所述兴趣点图像信息为用户观看次数超过预设阈值的商品图像信息;
可以理解的是本步骤通过对所有用户观看过的直播图像进行分析,判断直播间内的每个用户的喜好商品,进而为之后的预测推荐链接做准备,本步骤中,步骤S2包括步骤S21、步骤S22、步骤S23和步骤S24。
步骤S21、将所有用户观看过的直播图像信息进行预处理,其中所述预处理步骤包括:小角度旋转、平面翻转、图片平移、亮度调整和对比度拉伸,得到预处理后的直播图像信息;
可以理解的是本步骤通过对直播图像信息进行预处理,通过上述步骤对采集到的图像进行图像增强,保障图像识别度,提高图像识别效率。
步骤S22、将预处理后的直播图像信息发送至图像识别模型进行图像识别,其中将所有图像基于Yolov3网络进行图像识别,得到每个图像中包含的商品图像信息;
可以理解的是本步骤通过Yolov3网络进行图像识别确定图像内每个商品位置,进而识别每个商品是属于哪一类的商品,为之后的商品预测提供依据,并且本步骤中所有商品均通过图像对比,判断Yolov3网络标记出来的商品是与哪一个商品相似度最高,进而确定是哪种商品,并将所有的商品图像进行保存。
步骤S23、将所有图像中包含的商品图像信息进行层次分析,确定每个商品图像信息所占比重;
可以理解的是本步骤中的层次分析法的步骤如下:
可以理解的是,在本步骤中,基于层次结构模型逐层对两两因素进行比较获得相对重要程度的关系,并使用1-9标度法对每个指标进行打分,并做归一化处理后得到判别矩阵,判别矩阵如下所述:
A=(aij)n×n
其中:A为判别矩阵;aij为当前层级的元素i和元素j对上一层级的重要性比例标度;i和j分别为不同种类的元素;n为层次结构模型的维度,所述元素为方案层中任一元素。
其中,权重计算公式如下所述:
其中,W'每个元素的权重系数,Wi为判别矩阵中每一行各标度数据的几何平均数。
本步骤还基于每个层次的权重向量计算每个元素的特征向量,并对每个所述元素的特征向量进行一致性检验,并判断一致性指标是否符合要求,来判断每个层次的权重向量是否符合要求,其中一致性指标的计算公式如下:
其中:R为一致性指标;λmax为判别矩阵的最大特征值;n为判别矩阵的阶数;E为平均随机一致性指标;
步骤S24、基于所述每个商品图像信息所占比重确定每个用户观看次数最多的商品图像信息,并将每个用户观看比重最多的所述商品图像信息命名为兴趣点图像信息。
可以理解的是本步骤通过确定每个商品图像信息所占比重确定每个用户观看次数最多的商品图像,进而为预测推荐链接提供依据,提高预测的准确性。
步骤S3、将所有用户的所述兴趣点图像信息与所有用户观看直播时的评论信息进行灰色关联分析,得到所述兴趣点图像信息与用户观看直播时的评论信息的关联度;
可以理解的是本步骤通过灰色关联分析确定每个用户的兴趣点图像信息与所有用户观看对应直播时的评论信息,进而确定其用户对该商品的喜爱程度,表明用户是喜欢该商品还是讨厌该商品,提高之后推荐链接的准确率,本步骤中,步骤S3包括步骤S31、
步骤S31、将所有用户观看直播时的评论信息发送至Bert模型中进行预训练,生成确定每个用户观看直播时的评论信息中的特征语句,所述特征语句为表现对直播间内商品的是否喜欢的语句;
可以理解的是本步骤通过对所有用户的评论语句进行预训练,进而快速确定每个用户对商品评论的特征语句,进而快速确定用户对直播间内商品的喜好程度。
步骤S32、将所述特征语句与每个用户进行一一对应,并将所述用户的特征语句对所述用户进行标记,得到标记后的用户信息;
可以理解的是本步骤通过将特征语句内的语义进行识别,进而快速判断每个用户对商品图像的喜好程度,并将该用户、商品图像和语义进行关联,快速确定是哪个用户喜欢哪一个商品。
步骤S33、将所有用户的所述兴趣点图像信息和所述标记后的用户信息进行灰色关联分析,其中将所述兴趣点图像信息中包含的每个图像信息所占比重和所述特征语句进行无纲量化处理,确定每个所述兴趣点图像信息中包含的图像信息和对应用户的特征语句之间的关联系数;
步骤S34、基于所述关联系数计算每个所述兴趣点图像信息中包含的图像信息和对应用户的特征语句之间的关联度,将所述关联度作为每个用户的兴趣点图像信息与对应用户观看直播时的评论信息的关联度。
可以理解的是本步骤通过灰色关联分析法对每个兴趣点图像和标记后的用户信息进行分析,确定每个所述兴趣点图像信息和用户观看直播时的评论信息之间的关联度。
步骤S4、将预设的推荐链接、所述兴趣点图像信息与用户观看直播时的评论信息的关联度发送至推荐链接生成模型进行处理,得到每个用户的购物推荐链接,所述推荐链接生成模型是基于所述关联度和预设的历史推荐链接预测当前时间段每个用户对应的推荐链接的模型;
可以理解的是本步骤通过将历史推荐链接、所述兴趣点图像信息与用户观看直播时的评论信息的关联度进行深度学习,进而生成每个用户在当前时间段对应的推荐链接,本步骤中,步骤S4包括步骤S41、步骤S42和步骤S43。
步骤S41、将预设的历史推荐链接、所述兴趣点图像信息与用户观看直播时的评论信息的关联度进行分类,得到训练集和验证集;
步骤S42、将训练集发送至LSTM神经网络模型进行处理,其中对训练集内的数据以小时为单位进行分段,并将不同时段的训练集输入值LSTM神经网络进行处理,得到不同时段的输出数据,所述输出数据为不同时间段的推荐链接;
可以理解的是本步骤是通过采用自编码器对每个图像信息进行编码,快速确定每个图像链接包含的商品图像序列,本步骤中,步骤S42包括步骤S421和步骤S422。
步骤S421、将所述训练集发送至自编码器进行训练,其中按照预设的编码公式进行编码,并采用反向传播和梯度下降算法调节所述自编码器的参数,得到每个时段的训练集的特征序列;
可以理解的是本步骤本发明采用自编码器-解码器对训练集数据进行降维,提取出相关性最大的数据进行预测,将增加预测的精度,其中自编码器-解码器的训练公式如下:
zi=f[wz·(xui+xdi)+bz]
yi=f(wy·zi+by)
式中,i为历史数据中各个时间段的索引,zi为Z中的各个时间段的特征序列,yi为Y中的各个时间段的重组数据,f()为sigmoid函数,wz为编码器的权重,wy为解码器的权重,bz为编码器的偏置,by为解码器的偏置;
可以理解的是调节参数即调节参数wz、wy、bz、by至L(X,Y)取最小值,L(X,Y)为X和Y之间的距离,L(X,Y)的计算公式如下:
其中,n为时间段的总数,其余参数参见已有说明。
步骤S422、将所述训练集和每个时段的训练集的特征序列按照预设的预测公式进行计算,得到不同时段的预测数据。
可以理解的是本步骤中的预测公式如下:
fi=σ(wf1·xi+wf2·zi+wf3·hi-1+bf)
ii=σ(wi1·xi+wi2·zi+wi3·hi-1+bi)
其中,ii为输入门,fi为遗忘门,hi-1为LSTM单元上个时刻的状态,为神经元的输入,Ci为神经元当前时刻的状态,/>为/>中各个时间段的LSTM输出门的输出,hi为LSTM的最终状态,σ(x)=1/1+e-x,tanh(x)=ex-e-x/ex+e-x,wf1为遗忘门兴趣点图像信息与用户观看直播时的评论信息xi的关联度值,wf2为遗忘门推荐链接的特征zi的权值,wf3为遗忘门LSTM单元上个时刻的状态的权值,wi1为输入门兴趣点图像信息与用户观看直播时的评论信息xi的关联度值,wi2为输入门推荐链接的特征zi的权值,wi3为输入门LSTM单元上个时刻的状态的权值,wc1为神经元当前时刻兴趣点图像信息与用户观看直播时的评论信息xi的关联度值,wc2为神经元当前时刻推荐链接的特征zi的权值,wc3为神经元当前时刻LSTM单元上个时刻的状态的权值,wo1为输出门兴趣点图像信息与用户观看直播时的评论信息xi的关联度值,wo2为输出门推荐链接的特征zi的权值,wo3为输出门LSTM单元上个时刻的状态的权值,bf,bi,bc和bo分别为遗忘门、输入门、神经元和输出门的偏置。
步骤S43、将所述验证集与所述输出数据进行对比,得到对比结果,若所述对比结果为所述验证集与所述输出数据不一致,则采用贝叶斯优化算法不断调节参数,直至所述对比结果为所述验证集与所述输出数据一致,其中所述参数为LSTM神经网络的权值和偏置,所述LSTM神经网络的权值为每个推荐链接对应的所述兴趣点图像信息与用户观看直播时的评论信息的关联度。
可以理解的是本步骤通过对LSTM神经网络模型进行训练,快速预测不同时间段的推荐链接,进而调整预测的准确率,达到高效快速的目的。
步骤S5、将所述每个用户的购物推荐链接挂载在每个用户对应的直播页面。
实施例2:
如图2所示,本实施例提供了一种基于大数据的直播购物推荐化装置,所述装置包括获取单元701、第一处理单元702、分析单元703、第二处理单元704和第三处理单元705。
获取单元701,用于获取直播间内所有用户观看过的直播图像信息和用户观看直播时的评论信息;
第一处理单元702,用于将所有用户观看过的直播图像信息进行分析处理,得到每个用户的兴趣点图像信息,所述兴趣点图像信息为用户观看次数超过预设阈值的商品图像信息;
分析单元703,用于将所有用户的所述兴趣点图像信息与所有用户观看直播时的评论信息进行灰色关联分析,得到所述兴趣点图像信息与用户观看直播时的评论信息的关联度;
第二处理单元704,用于将预设的推荐链接、所述兴趣点图像信息与用户观看直播时的评论信息的关联度发送至推荐链接生成模型进行处理,得到每个用户的购物推荐链接,所述推荐链接生成模型是基于所述关联度和预设的历史推荐链接预测当前时间段每个用户对应的推荐链接的模型;
第三处理单元705,用于将所述每个用户的购物推荐链接挂载在每个用户对应的直播页面。
在本公开的一种具体实施方式中,所述第一处理单元702包括第一处理子单元7021、第二处理子单元7022、第一分析子单元7023和第二分析子单元7024。
第一处理子单元7021,用于将所有用户观看过的直播图像信息进行预处理,其中所述预处理步骤包括:小角度旋转、平面翻转、图片平移、亮度调整和对比度拉伸,得到预处理后的直播图像信息;
第二处理子单元7022,用于将预处理后的直播图像信息发送至图像识别模型进行图像识别,其中将所有图像基于Yolov3网络进行图像识别,得到每个图像中包含的商品图像信息;
第一分析子单元7023,用于将所有图像中包含的商品图像信息进行层次分析,确定每个商品图像信息所占比重;
第二分析子单元7024,用于基于所述每个商品图像信息所占比重确定每个用户观看次数最多的商品图像信息,并将每个用户观看比重最多的所述商品图像信息命名为兴趣点图像信息。
在本公开的一种具体实施方式中,所述分析单元703包括第三处理子单元7031、第四处理子单元7032、第三分析子单元7033和第一计算子单元7034。
第三处理子单元7031,用于将所有用户观看直播时的评论信息发送至Bert模型中进行预训练,生成确定每个用户观看直播时的评论信息中的特征语句,所述特征语句为表现对直播间内商品的是否喜欢的语句;
第四处理子单元7032,用于将所述特征语句与每个用户进行一一对应,并将所述用户的特征语句对所述用户进行标记,得到标记后的用户信息;
第三分析子单元7033,用于将所有用户的所述兴趣点图像信息和所述标记后的用户信息进行灰色关联分析,其中将所述兴趣点图像信息中包含的每个图像信息所占比重和所述特征语句进行无纲量化处理,确定每个所述兴趣点图像信息中包含的图像信息和对应用户的特征语句之间的关联系数;
第一计算子单元7034,用于基于所述关联系数计算每个所述兴趣点图像信息中包含的图像信息和对应用户的特征语句之间的关联度,将所述关联度作为每个用户的兴趣点图像信息与对应用户观看直播时的评论信息的关联度。
在本公开的一种具体实施方式中,所述第二处理单元704包括分类子单元7041、第五处理子单元7042和第六处理子单元7043。
分类子单元7041,用于将预设的历史推荐链接、所述兴趣点图像信息与用户观看直播时的评论信息的关联度进行分类,得到训练集和验证集;
第五处理子单元7042,用于将训练集发送至LSTM神经网络模型进行处理,其中对训练集内的数据以小时为单位进行分段,并将不同时段的训练集输入值LSTM神经网络进行处理,得到不同时段的输出数据,所述输出数据为不同时间段的推荐链接;
第六处理子单元7043,用于将所述验证集与所述输出数据进行对比,得到对比结果,若所述对比结果为所述验证集与所述输出数据不一致,则采用贝叶斯优化算法不断调节参数,直至所述对比结果为所述验证集与所述输出数据一致,其中所述参数为LSTM神经网络的权值和偏置,所述LSTM神经网络的权值为每个推荐链接对应的所述兴趣点图像信息与用户观看直播时的评论信息的关联度。
在本公开的一种具体实施方式中,所述第五处理子单元7042包括第七处理子单元70421和第二计算子单元70422。
第七处理子单元70421,用于将所述训练集发送至自编码器进行训练,其中按照预设的编码公式进行编码,并采用反向传播和梯度下降算法调节所述自编码器的参数,得到每个时段的训练集的特征序列;
第二计算子单元70422,用于将所述训练集和每个时段的训练集的特征序列按照预设的预测公式进行计算,得到不同时段的预测数据。
需要说明的是,关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
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。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种基于大数据的直播购物推荐化方法,其特征在于,包括:
获取直播间内所有用户观看过的直播图像信息和用户观看直播时的评论信息;
将所有用户观看过的直播图像信息进行分析处理,得到每个用户的兴趣点图像信息,所述兴趣点图像信息为用户观看次数超过预设阈值的商品图像信息;
将所有用户的所述兴趣点图像信息与所有用户观看直播时的评论信息进行灰色关联分析,得到所述兴趣点图像信息与用户观看直播时的评论信息的关联度;
将预设的推荐链接、所述兴趣点图像信息与用户观看直播时的评论信息的关联度发送至推荐链接生成模型进行处理,得到每个用户的购物推荐链接,所述推荐链接生成模型是基于所述关联度和预设的历史推荐链接预测当前时间段每个用户对应的推荐链接的模型;
将所述每个用户的购物推荐链接挂载在每个用户对应的直播页面。
2.根据权利要求1所述的基于大数据的直播购物推荐化方法,其特征在于,所述将所有用户观看过的直播图像信息进行分析处理,得到每个用户的兴趣点图像信息,包括:
将所有用户观看过的直播图像信息进行预处理,其中所述预处理步骤包括:小角度旋转、平面翻转、图片平移、亮度调整和对比度拉伸,得到预处理后的直播图像信息;
将预处理后的直播图像信息发送至图像识别模型进行图像识别,其中将所有图像基于Yolov3网络进行图像识别,得到每个图像中包含的商品图像信息;
将所有图像中包含的商品图像信息进行层次分析,确定每个商品图像信息所占比重;
基于所述每个商品图像信息所占比重确定每个用户观看次数最多的商品图像信息,并将每个用户观看比重最多的所述商品图像信息命名为兴趣点图像信息。
3.根据权利要求1所述的基于大数据的直播购物推荐化方法,其特征在于,所述将所有用户的所述兴趣点图像信息与所有用户观看直播时的评论信息进行灰色关联分析,包括:
将所有用户观看直播时的评论信息发送至Bert模型中进行预训练,生成确定每个用户观看直播时的评论信息中的特征语句,所述特征语句为表现对直播间内商品的是否喜欢的语句;
将所述特征语句与每个用户进行一一对应,并将所述用户的特征语句对所述用户进行标记,得到标记后的用户信息;
将所有用户的所述兴趣点图像信息和所述标记后的用户信息进行灰色关联分析,其中将所述兴趣点图像信息中包含的每个图像信息所占比重和所述特征语句进行无纲量化处理,确定每个所述兴趣点图像信息中包含的图像信息和对应用户的特征语句之间的关联系数;
基于所述关联系数计算每个所述兴趣点图像信息中包含的图像信息和对应用户的特征语句之间的关联度,将所述关联度作为每个用户的兴趣点图像信息与对应用户观看直播时的评论信息的关联度。
4.根据权利要求1所述的基于大数据的直播购物推荐化方法,其特征在于,将预设的推荐链接、所述兴趣点图像信息与用户观看直播时的评论信息的关联度发送至推荐链接生成模型进行处理,包括:
将预设的历史推荐链接、所述兴趣点图像信息与用户观看直播时的评论信息的关联度进行分类,得到训练集和验证集;
将训练集发送至LSTM神经网络模型进行处理,其中对训练集内的数据以小时为单位进行分段,并将不同时段的训练集输入值LSTM神经网络进行处理,得到不同时段的输出数据,所述输出数据为不同时间段的推荐链接;
将所述验证集与所述输出数据进行对比,得到对比结果,若所述对比结果为所述验证集与所述输出数据不一致,则采用贝叶斯优化算法不断调节参数,直至所述对比结果为所述验证集与所述输出数据一致,其中所述参数为LSTM神经网络的权值和偏置,所述LSTM神经网络的权值为每个推荐链接对应的所述兴趣点图像信息与用户观看直播时的评论信息的关联度。
5.根据权利要求4所述的基于大数据的直播购物推荐化方法,其特征在于,所述将训练集发送至LSTM神经网络模型进行处理,包括:
将所述训练集发送至自编码器进行训练,其中按照预设的编码公式进行编码,并采用反向传播和梯度下降算法调节所述自编码器的参数,得到每个时段的训练集的特征序列;
将所述训练集和每个时段的训练集的特征序列按照预设的预测公式进行计算,得到不同时段的预测数据。
6.一种基于大数据的直播购物推荐化装置,其特征在于,包括:
获取单元,用于获取直播间内所有用户观看过的直播图像信息和用户观看直播时的评论信息;
第一处理单元,用于将所有用户观看过的直播图像信息进行分析处理,得到每个用户的兴趣点图像信息,所述兴趣点图像信息为用户观看次数超过预设阈值的商品图像信息;
分析单元,用于将所有用户的所述兴趣点图像信息与所有用户观看直播时的评论信息进行灰色关联分析,得到所述兴趣点图像信息与用户观看直播时的评论信息的关联度;
第二处理单元,用于将预设的推荐链接、所述兴趣点图像信息与用户观看直播时的评论信息的关联度发送至推荐链接生成模型进行处理,得到每个用户的购物推荐链接,所述推荐链接生成模型是基于所述关联度和预设的历史推荐链接预测当前时间段每个用户对应的推荐链接的模型;
第三处理单元,用于将所述每个用户的购物推荐链接挂载在每个用户对应的直播页面。
7.根据权利要求6所述的基于大数据的直播购物推荐化装置,其特征在于,所述装置包括:
第一处理子单元,用于将所有用户观看过的直播图像信息进行预处理,其中所述预处理步骤包括:小角度旋转、平面翻转、图片平移、亮度调整和对比度拉伸,得到预处理后的直播图像信息;
第二处理子单元,用于将预处理后的直播图像信息发送至图像识别模型进行图像识别,其中将所有图像基于Yolov3网络进行图像识别,得到每个图像中包含的商品图像信息;
第一分析子单元,用于将所有图像中包含的商品图像信息进行层次分析,确定每个商品图像信息所占比重;
第二分析子单元,用于基于所述每个商品图像信息所占比重确定每个用户观看次数最多的商品图像信息,并将每个用户观看比重最多的所述商品图像信息命名为兴趣点图像信息。
8.根据权利要求6所述的基于大数据的直播购物推荐化装置,其特征在于,所述装置包括:
第三处理子单元,用于将所有用户观看直播时的评论信息发送至Bert模型中进行预训练,生成确定每个用户观看直播时的评论信息中的特征语句,所述特征语句为表现对直播间内商品的是否喜欢的语句;
第四处理子单元,用于将所述特征语句与每个用户进行一一对应,并将所述用户的特征语句对所述用户进行标记,得到标记后的用户信息;
第三分析子单元,用于将所有用户的所述兴趣点图像信息和所述标记后的用户信息进行灰色关联分析,其中将所述兴趣点图像信息中包含的每个图像信息所占比重和所述特征语句进行无纲量化处理,确定每个所述兴趣点图像信息中包含的图像信息和对应用户的特征语句之间的关联系数;
第一计算子单元,用于基于所述关联系数计算每个所述兴趣点图像信息中包含的图像信息和对应用户的特征语句之间的关联度,将所述关联度作为每个用户的兴趣点图像信息与对应用户观看直播时的评论信息的关联度。
9.根据权利要求6所述的基于大数据的直播购物推荐化装置,其特征在于,所述装置包括:
分类子单元,用于将预设的历史推荐链接、所述兴趣点图像信息与用户观看直播时的评论信息的关联度进行分类,得到训练集和验证集;
第五处理子单元,用于将训练集发送至LSTM神经网络模型进行处理,其中对训练集内的数据以小时为单位进行分段,并将不同时段的训练集输入值LSTM神经网络进行处理,得到不同时段的输出数据,所述输出数据为不同时间段的推荐链接;
第六处理子单元,用于将所述验证集与所述输出数据进行对比,得到对比结果,若所述对比结果为所述验证集与所述输出数据不一致,则采用贝叶斯优化算法不断调节参数,直至所述对比结果为所述验证集与所述输出数据一致,其中所述参数为LSTM神经网络的权值和偏置,所述LSTM神经网络的权值为每个推荐链接对应的所述兴趣点图像信息与用户观看直播时的评论信息的关联度。
10.根据权利要求9所述的基于大数据的直播购物推荐化装置,其特征在于,所述装置包括:
第七处理子单元,用于将所述训练集发送至自编码器进行训练,其中按照预设的编码公式进行编码,并采用反向传播和梯度下降算法调节所述自编码器的参数,得到每个时段的训练集的特征序列;
第二计算子单元,用于将所述训练集和每个时段的训练集的特征序列按照预设的预测公式进行计算,得到不同时段的预测数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310865697.8A CN116977020A (zh) | 2023-07-13 | 2023-07-13 | 一种基于大数据的直播购物推荐化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310865697.8A CN116977020A (zh) | 2023-07-13 | 2023-07-13 | 一种基于大数据的直播购物推荐化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116977020A true CN116977020A (zh) | 2023-10-31 |
Family
ID=88476086
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310865697.8A Withdrawn CN116977020A (zh) | 2023-07-13 | 2023-07-13 | 一种基于大数据的直播购物推荐化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116977020A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118071466A (zh) * | 2024-04-17 | 2024-05-24 | 深圳市致尚信息技术有限公司 | 一种基于用户特征的电商产品精准推送方法及*** |
-
2023
- 2023-07-13 CN CN202310865697.8A patent/CN116977020A/zh not_active Withdrawn
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118071466A (zh) * | 2024-04-17 | 2024-05-24 | 深圳市致尚信息技术有限公司 | 一种基于用户特征的电商产品精准推送方法及*** |
CN118071466B (zh) * | 2024-04-17 | 2024-07-05 | 深圳市致尚信息技术有限公司 | 一种基于用户特征的电商产品精准推送方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109740148B (zh) | 一种BiLSTM结合Attention机制的文本情感分析方法 | |
CN110737801B (zh) | 内容分类方法、装置、计算机设备和存储介质 | |
CN109086658B (zh) | 一种基于生成对抗网络的传感器数据生成方法与*** | |
WO2018121690A1 (zh) | 对象属性检测、神经网络训练、区域检测方法和装置 | |
CN112381581B (zh) | 一种基于改进Transformer的广告点击率预估方法 | |
CN109670121A (zh) | 基于注意力机制的项目级和特征级深度协同过滤推荐算法 | |
CN114936623B (zh) | 一种融合多模态数据的方面级情感分析方法 | |
CN111597340A (zh) | 一种文本分类方法及装置、可读存储介质 | |
Zhang et al. | DeepQoE: A unified framework for learning to predict video QoE | |
CN114743020A (zh) | 一种结合标签语义嵌入和注意力融合的食物识别方法 | |
CN116977020A (zh) | 一种基于大数据的直播购物推荐化方法 | |
CN114503131A (zh) | 检索装置、检索方法、检索程序和学习模型检索*** | |
CN115130591A (zh) | 一种基于交叉监督的多模态数据分类方法及装置 | |
CN117392604A (zh) | 物联网实时信息监控管理***及方法 | |
CN114881173A (zh) | 基于自注意力机制的简历分类方法和装置 | |
CN111291189B (zh) | 一种文本处理方法、设备及计算机可读存储介质 | |
CN112949097A (zh) | 一种基于深度迁移学习的轴承剩余寿命预测模型和方法 | |
CN116824583A (zh) | 弱监督视频场景图生成方法、装置及电子设备 | |
CN116704208A (zh) | 基于特征关系的局部可解释方法 | |
CN117216265A (zh) | 一种基于改进的图注意力网络新闻主题分类方法 | |
CN111310048A (zh) | 基于多层感知机的新闻推荐方法 | |
CN116049377A (zh) | 一种基于矩阵分解和crnn的上下文感知推荐***和方法 | |
CN115393927A (zh) | 基于多级长短期记忆网络的多模态情感应急决策*** | |
CN111681748B (zh) | 基于智能视觉感知的医疗行为动作规范性评价方法 | |
CN114882007A (zh) | 一种基于记忆网络的图像异常检测方法 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20231031 |
|
WW01 | Invention patent application withdrawn after publication |