CN117114818A - 商品推荐方法、装置、存储介质及计算机设备 - Google Patents
商品推荐方法、装置、存储介质及计算机设备 Download PDFInfo
- Publication number
- CN117114818A CN117114818A CN202311352211.7A CN202311352211A CN117114818A CN 117114818 A CN117114818 A CN 117114818A CN 202311352211 A CN202311352211 A CN 202311352211A CN 117114818 A CN117114818 A CN 117114818A
- Authority
- CN
- China
- Prior art keywords
- commodity
- data
- salesman
- user
- feature vector
- 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 53
- 239000013598 vector Substances 0.000 claims abstract description 215
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 9
- 230000009466 transformation Effects 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000013475 authorization Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 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
- 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
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Engineering & Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请提供的商品推荐方法、装置、存储介质及计算机设备,可采集销售员数据、用户数据以及商品数据,并确定销售员数据特征、用户数据特征以及商品数据特征,从而获得销售员特征向量、用户特征向量以及商品特征向量;根据销售员特征向量与各个商品特征向量的相似度得分,以及用户特征向量与各个商品特征向量的相似度得分,确定候选商品集合;将销售员特征向量、用户特征向量以及候选商品集合中各个商品的特征向量输入DeepFM模型,以使该模型学习并挖掘销售员与商品、用户与商品、销售员与用户之间的特征联系,从而得到候选商品集合中各个商品的评分;基于各个商品的评分确定目标商品,并返回推荐列表。应用该方法能够精准确定符合用户需求的商品。
Description
技术领域
本申请涉及大数据技术领域,尤其涉及一种商品推荐方法、装置、存储介质及计算机设备。
背景技术
随着经济社会的发展,人们的消费水平持续提高,对购物体验的要求也越来越高。为了满足客户的购物体验,从而提高商品销售效率,一般企业会培训大量销售员,以使销售员掌握商品知识和销售技巧,当顾客在品牌门店和商场等购物场所选购商品时,能够根据顾客的需求推荐合适的商品,进一步增加商品交易的成功率。
然而,由于销售员们的专业水平和销售能力参差不齐,并且顾客们的喜好各不相同,通常会出现销售员推荐的商品与顾客的需求不匹配的情况,从而导致商品交易的成功率下降。因此传统的销售模式存在无法精准地确定并推荐顾客喜欢的商品的问题。
发明内容
本申请的目的旨在至少能解决上述的技术缺陷之一,特别是现有技术中无法精准地确定并推荐顾客喜欢的商品的技术缺陷。
第一方面,本申请提供了一种商品推荐方法,所述方法包括:
采集目标销售员的销售员数据、目标用户的用户数据以及所有商品的商品数据,并确定所述销售员数据对应的销售员数据特征、所述用户数据对应的用户数据特征以及每个所述商品数据对应的商品数据特征;
根据所述销售员数据特征、所述用户数据特征以及各个所述商品数据特征,获得所述目标销售员的销售员特征向量、所述目标用户的用户特征向量以及每个所述商品的商品特征向量;
根据所述销售员特征向量与各个所述商品特征向量的相似度得分,以及所述用户特征向量与各个所述商品特征向量的相似度得分,在所有商品中确定候选商品集合;
将所述销售员特征向量、所述用户特征向量以及所述候选商品集合中的各个商品的商品特征向量输入已建立的DeepFM模型,通过FM层得到所述候选商品集合的各个商品的商品特征向量、所述销售员特征向量以及所述用户特征向量的一阶特征和二阶特征,并基于所述一阶特征和所述二阶特征确定所述FM层输出结果,所述输出结果通过Sigmoid函数进行数值变换,得到所述候选商品集合中各个商品的评分;
基于各个所述评分,确定目标商品,并将所述目标商品返回推荐列表。
在其中一个实施例中,所述采集目标销售员的销售员数据、目标用户的用户数据以及所有商品的商品数据,并确定所述销售员数据对应的销售员数据特征、所述用户数据对应的用户数据特征以及每个所述商品数据对应的商品数据特征的步骤,包括:
将所述目标销售员的销售员数据、所述目标用户的用户数据以及所有所述商品的商品数据同步到数据仓库。
在所述数据仓库中,对所述销售员数据、所述用户数据以及每个所述商品数据进行抽取操作、转换操作和加载操作,得到所述销售员数据对应的销售员数据特征、所述用户数据对应的用户数据特征以及每个所述商品数据对应的商品数据特征。
在其中一个实施例中,所述根据所述销售员数据特征、所述用户数据特征以及各个所述商品数据特征,获得所述目标销售员的销售员特征向量、所述目标用户的用户特征向量以及每个所述商品的商品特征向量的步骤,包括:
在spark计算引擎中,采用item2vec将所述销售员数据特征、所述用户数据特征以及各个所述商品数据特征进行向量化操作,得到所述目标销售员的销售员特征向量、所述目标用户的用户特征向量以及每个所述商品的商品特征向量。
在其中一个实施例中,所述根据所述销售员特征向量与各个所述商品特征向量的相似度得分,以及所述用户特征向量与各个所述商品特征向量的相似度得分,在所有商品中确定候选商品集合的步骤,包括:
根据余弦相似度运算,得到所述销售员特征向量与各个所述商品特征向量的相似度得分,以及所述用户特征向量与各个所述商品特征向量的相似度得分;
基于所述销售员特征向量与各个所述商品特征向量的相似度得分,以及所述用户特征向量与各个所述商品特征向量的相似度得分,将每个所述商品按预设规则进行排序,得到排序结果;
根据所述排序结果,在所有商品中选取预设个数的商品作为所述候选商品集合。
在其中一个实施例中,所述方法还包括:
根据所述目标用户的用户数据,得到所述目标用户的用户信息;
将所述用户信息返回用户信息列表。
在其中一个实施例中,所述方法还包括:
当所述销售员数据、所述用户数据以及每个所述商品数据更新时,同步更新所述推荐列表的目标商品和所述用户信息列表的用户信息。
第二方面,本申请提供了一种商品推荐装置,所述装置包括:
数据采集模块,用于采集目标销售员的销售员数据、目标用户的用户数据以及所有商品的商品数据,并确定所述销售员数据对应的销售员数据特征、所述用户数据对应的用户数据特征以及每个所述商品数据对应的商品数据特征;
特征向量获取模块,用于根据所述销售员数据特征、所述用户数据特征以及各个所述商品数据特征,获得所述目标销售员的销售员特征向量、所述目标用户的用户特征向量以及每个所述商品的商品特征向量;
候选商品集合确定模块,用于根据所述销售员特征向量与各个所述商品特征向量的相似度得分,以及所述用户特征向量与各个所述商品特征向量的相似度得分,在所有商品中确定候选商品集合;
商品评分确定模块,用于将所述销售员特征向量、所述用户特征向量以及所述候选商品集合中的各个商品的商品特征向量输入已建立的DeepFM模型,通过FM层得到所述候选商品集合的各个商品的商品特征向量、所述销售员特征向量以及所述用户特征向量的一阶特征和二阶特征,并基于所述一阶特征和所述二阶特征确定所述FM层输出结果,所述输出结果通过Sigmoid函数进行数值变换,得到所述候选商品集合中各个商品的评分;
目标商品确定模块,用于基于各个所述评分,确定目标商品,并将所述目标商品返回推荐列表。
在其中一个实施例中,所述数据采集模块包括:
数据同步单元,用于将所述目标销售员的销售员数据、所述目标用户的用户数据以及所有所述商品的商品数据同步到数据仓库。
数据特征确定单元,用于在所述数据仓库中,对所述销售员数据、所述用户数据以及每个所述商品数据进行抽取操作、转换操作和加载操作,得到所述销售员数据对应的销售员数据特征、所述用户数据对应的用户数据特征以及每个所述商品数据对应的商品数据特征。
第三方面,本申请提供了一种存储介质,所述存储介质中存储有计算机可读指令,所述计算机可读指令被一个或多个处理器执行时,使得一个或多个处理器执行上述实施例中任一项所述商品推荐方法的步骤。
第四方面,本申请提供了一种计算机设备,包括:一个或多个处理器,以及存储器;所述存储器中存储有计算机可读指令,所述计算机可读指令被所述一个或多个处理器执行时,执行上述实施例中任一项所述商品推荐方法的步骤。
从以上技术方案可以看出,本申请实施例具有以下优点:
本申请提供的商品推荐方法、装置、存储介质及计算机设备,所述方法包括:采集目标销售员的销售员数据、目标用户的用户数据以及所有商品的商品数据,并确定所述销售员数据对应的销售员数据特征、所述用户数据对应的用户数据特征以及每个所述商品数据对应的商品数据特征;根据所述销售员数据特征、所述用户数据特征以及各个所述商品数据特征,获得所述目标销售员的销售员特征向量、所述目标用户的用户特征向量以及每个所述商品的商品特征向量;根据所述销售员特征向量与各个所述商品特征向量的相似度得分,以及所述用户特征向量与各个所述商品特征向量的相似度得分,在所有商品中确定候选商品集合;将所述销售员特征向量、所述用户特征向量以及所述候选商品集合中的各个商品的商品特征向量输入已建立的DeepFM模型,通过FM层得到所述候选商品集合的各个商品的商品特征向量、所述销售员特征向量以及所述用户特征向量的一阶特征和二阶特征,并基于所述一阶特征和所述二阶特征确定所述FM层输出结果,所述输出结果通过Sigmoid函数进行数值变换,得到所述候选商品集合中各个商品的评分;基于各个所述评分,确定目标商品,并将所述目标商品返回推荐列表。该商品推荐方法根据销售员的数据、用户的数据以及所有商品的数据对所有商品进行筛选,确定候选商品集合,再基于候选商品集合确定目标商品,降低了该方法的计算复杂度和加快该方法的计算速度,提高了商品推荐的效率;在对目标商品的评分时,采用了DeepFM模型,DeepFM模型能够学习并挖掘销售员与商品、用户与商品以及销售员与用户之间的特征联系,从而精准确定符合用户需求的目标商品,并加强销售员在客户购买商品行为的影响,进一步促使销售员可以准确推荐用户喜欢的商品,以提升商品交易的成功率。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。
图1为本申请实施例提供的商品推荐方法的流程示意图;
图2为本申请实施例提供的商品推荐装置的结构示意图;
图3为本申请实施例提供的计算机设备的结构示意图。
具体实施方式
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,都属于本申请保护的范围。
在一个实施例中,本申请提供了一种商品推荐方法,下述实施例以该方法应用于服务器为例进行说明。可以理解,执行商品推荐方法的服务器可以是单个服务器,也可以是由多个服务器组成的服务器集群,本申请对此不作具体限制。如图1所示,该方法具体包括如下步骤:
S101:采集目标销售员的销售员数据、目标用户的用户数据以及所有商品的商品数据,并确定所述销售员数据对应的销售员数据特征、所述用户数据对应的用户数据特征以及每个所述商品数据对应的商品数据特征。
本步骤中,可以通过企业端的账户登录信息确定目标销售员,并在目标销售员同意授权的情况下,获取销售员数据,并确定目标用户,在目标用户同意授权的情况下,获取用户数据。
其中,目标销售员为使用该商品推荐方法的任一销售员,销售员数据包括但不限于订单数据、客户数据以及行为数据,例如目标销售员售出的商品、服务的客户以及向客户推荐频率较高的商品等。目标用户为目标销售员服务的客户,用户数据包括但不限于用户的基本信息、兴趣偏好以及行为数据,例如用户的客户等级和已购买的商品等。
可以理解的是,数据特征的确定方法包括但不限于过滤法Fliter、包装法Wrapper和嵌入法Embedded。
S102:根据所述销售员数据特征、所述用户数据特征以及各个所述商品数据特征,获得所述目标销售员的销售员特征向量、所述目标用户的用户特征向量以及每个所述商品的商品特征向量。
S103:根据所述销售员特征向量与各个所述商品特征向量的相似度得分,以及所述用户特征向量与各个所述商品特征向量的相似度得分,在所有商品中确定候选商品集合。
本步骤中,计算销售员特征向量与各个商品特征向量的相似度得分,以及用户特征向量与各个商品特征向量的相似度得分,可以初步确定符合用户需求的商品,形成候选商品集合。
其中,相似度得分的计算方法包括但不限于欧氏距离相似度计算方法、皮尔逊相关系数计算方法和杰卡德距离计算方法。
S104:将所述销售员特征向量、所述用户特征向量以及所述候选商品集合中的各个商品的商品特征向量输入已建立的DeepFM模型,通过FM层得到所述候选商品集合的各个商品的商品特征向量、所述销售员特征向量以及所述用户特征向量的一阶特征和二阶特征,并基于所述一阶特征和所述二阶特征确定所述FM层输出结果,所述输出结果通过Sigmoid函数进行数值变换,得到所述候选商品集合中各个商品的评分。
本步骤中,将销售员特征向量、用户特征向量以及候选商品集合中各个商品的商品特征向量输入已建立的DeepFM模型,在该模型的FM层提取商品特征向量、销售员特征向量以及用户特征向量的一阶特征和二阶特征,并进行交叉组合,得到FM层的输出结果,该输出结果通过Sigmoid函数进行数值变换,将FM层的输出结果映射到(0,1)的阈值区间,从而得到候选商品集合中各个商品的评分。
进一步地,DeepFM模型的FM层用于处理特征向量之间的交叉特征,在FM层中,分别提取商品特征向量、销售员特征向量以及用户特征向量的一阶特征,并赋予每个特性向量权重进行加权求和,得到一阶特征结果,同时将商品特征向量、销售员特征向量以及用户特征向量进行两两组合,并赋予每个组合特征向量权重进行加权求和,得到二阶特征结果,将一阶特征结果和二阶特征结果进行累加,得到FM层的输出结果。
S105:基于各个所述评分,确定目标商品,并将所述目标商品返回推荐列表。
本步骤中,根据DeepFM模型给候选商品集合中各个商品的评分,确定符合用户需求的目标商品,并将目标商品返回推荐列表,以展示给用户和销售员,并辅助销售员向客户介绍并推销商品。
本申请提供的商品推荐方法、装置、存储介质及计算机设备,所述方法包括:采集目标销售员的销售员数据、目标用户的用户数据以及所有商品的商品数据,并确定所述销售员数据对应的销售员数据特征、所述用户数据对应的用户数据特征以及每个所述商品数据对应的商品数据特征;根据所述销售员数据特征、所述用户数据特征以及各个所述商品数据特征,获得所述目标销售员的销售员特征向量、所述目标用户的用户特征向量以及每个所述商品的商品特征向量;根据所述销售员特征向量与各个所述商品特征向量的相似度得分,以及所述用户特征向量与各个所述商品特征向量的相似度得分,在所有商品中确定候选商品集合;将所述销售员特征向量、所述用户特征向量以及所述候选商品集合中的各个商品的商品特征向量输入已建立的DeepFM模型,通过FM层得到所述候选商品集合的各个商品的商品特征向量、所述销售员特征向量以及所述用户特征向量的一阶特征和二阶特征,并基于所述一阶特征和所述二阶特征确定所述FM层输出结果,所述输出结果通过Sigmoid函数进行数值变换,得到所述候选商品集合中各个商品的评分;基于各个所述评分,确定目标商品,并将所述目标商品返回推荐列表。该商品推荐方法根据销售员的数据、用户的数据以及所有商品的数据对所有商品进行筛选,确定候选商品集合,再基于候选商品集合确定目标商品,降低了该方法的计算复杂度和加快该方法的计算速度,提高了商品推荐的效率;在对目标商品的评分时,采用了DeepFM模型,DeepFM模型能够学习并挖掘销售员与商品、用户与商品以及销售员与用户之间的特征联系,从而精准确定符合用户需求的目标商品,并加强销售员在客户购买商品行为的影响,进一步促使销售员可以准确推荐用户喜欢的商品,以提升商品交易的成功率。
在一个实施例中,所述采集目标销售员的销售员数据、目标用户的用户数据以及所有商品的商品数据,并确定所述销售员数据对应的销售员数据特征、所述用户数据对应的用户数据特征以及每个所述商品数据对应的商品数据特征的步骤,包括:
将所述目标销售员的销售员数据、所述目标用户的用户数据以及所有所述商品的商品数据同步到数据仓库。
在所述数据仓库中,对所述销售员数据、所述用户数据以及每个所述商品数据进行抽取操作、转换操作和加载操作,得到所述销售员数据对应的销售员数据特征、所述用户数据对应的用户数据特征以及每个所述商品数据对应的商品数据特征。
具体而言,将采集到的销售员数据、用户数据和商品数据同步到数据仓库,在数据仓库对各个数据进行ETL操作,也就是抽取操作extract、转换操作transform,以及加载操作load,从而得到各个数据的数据特征。可以理解的是,数据仓库可以存储和处理大量的数据,在数据仓库中进行ETL操作可以将大量且复杂的数据整合在一起,以便后续的数据分析和数据挖掘。
在一个实施例中,所述根据所述销售员数据特征、所述用户数据特征以及各个所述商品数据特征,获得所述目标销售员的销售员特征向量、所述目标用户的用户特征向量以及每个所述商品的商品特征向量的步骤,包括:
在spark计算引擎中,采用item2vec将所述销售员数据特征、所述用户数据特征以及各个所述商品数据特征进行向量化操作,得到所述目标销售员的销售员特征向量、所述目标用户的用户特征向量以及每个所述商品的商品特征向量。
具体而言,spark计算引擎具有运行速度快、易用性和容错性等优势,在spark计算引擎上处理数据可以更加高效快捷,在spark计算引擎上对各个数据特征进行向量化,能够提高数据的处理效率。
在一个实施例中,所述根据所述销售员特征向量与各个所述商品特征向量的相似度得分,以及所述用户特征向量与各个所述商品特征向量的相似度得分,在所有商品中确定候选商品集合的步骤,包括:
根据余弦相似度运算,得到所述销售员特征向量与各个所述商品特征向量的相似度得分,以及所述用户特征向量与各个所述商品特征向量的相似度得分;
基于所述销售员特征向量与各个所述商品特征向量的相似度得分,以及所述用户特征向量与各个所述商品特征向量的相似度得分,将每个所述商品按预设规则进行排序,得到排序结果;
根据所述排序结果,在所有商品中选取预设个数的商品作为所述候选商品集合。
具体而言,依据余弦相似度计算得到销售员特征向量与各个商品特征向量的相似度得分,以及用户特征向量与各个商品特征向量的相似度得分,将销售员特征向量与各个商品特征向量的相似度得分,以及用户特征向量与各个商品特征向量的相似度得分按照预设的权重计算,得到每个商品的得分,根据每个商品的得分,将每个商品从大到小进行排序,并选取预设个数的商品作为候选商品集合,其中。预设个数为大于等于1的整数值。
在一个实施例中,所述方法还包括:
根据所述目标用户的用户数据,得到所述目标用户的用户信息;
将所述用户信息返回用户信息列表。
具体而言,在目标用户授权的情况下,获取目标用户的用户信息并返回用户信息列表,可以使销售员在推荐列表和用户信息列表的辅助下,更准确地向用户推荐和介绍商品。
在一个实施例中,所述方法还包括:
当所述销售员数据、所述用户数据以及每个所述商品数据更新时,同步更新所述推荐列表的目标商品和所述用户信息列表的用户信息。
具体而言,随着销售员数据、用户数据以及每个商品数据的变化,可以更加精准地确定用户的喜好,从而推荐更符合用户需求的商品,同步更新推荐列表和用户信息可以辅助销售员更好的服务客户和推荐商品,进一步提升商品交易的成功率。
下面对本申请实施例提供的商品推荐装置进行描述,下文描述的商品推荐装置与上文描述的商品推荐方法可相互对应参照。
在一个实施例中,本申请提供了一种商品推荐装置。如图2所示,该装置具体包括数据采集模块201、特征向量获取模块202、候选商品集合确定模块203、商品评分确定模块204以及目标商品确定模块205,其中:
数据采集模块201,用于采集目标销售员的销售员数据、目标用户的用户数据以及所有商品的商品数据,并确定所述销售员数据对应的销售员数据特征、所述用户数据对应的用户数据特征以及每个所述商品数据对应的商品数据特征;
特征向量获取模块202,用于根据所述销售员数据特征、所述用户数据特征以及各个所述商品数据特征,获得所述目标销售员的销售员特征向量、所述目标用户的用户特征向量以及每个所述商品的商品特征向量;
候选商品集合确定模块203,用于根据所述销售员特征向量与各个所述商品特征向量的相似度得分,以及所述用户特征向量与各个所述商品特征向量的相似度得分,在所有商品中确定候选商品集合;
商品评分确定模块204,用于将所述销售员特征向量、所述用户特征向量以及所述候选商品集合中的各个商品的商品特征向量输入已建立的DeepFM模型,通过FM层得到所述候选商品集合的各个商品的商品特征向量、所述销售员特征向量以及所述用户特征向量的一阶特征和二阶特征,并基于所述一阶特征和所述二阶特征确定所述FM层输出结果,所述输出结果通过Sigmoid函数进行数值变换,得到所述候选商品集合中各个商品的评分;
目标商品确定模块205,用于基于各个所述评分,确定目标商品,并将所述目标商品返回推荐列表。
在一个实施例中,所述数据采集模块201包括:
数据同步单元,用于将所述目标销售员的销售员数据、所述目标用户的用户数据以及所有所述商品的商品数据同步到数据仓库。
数据特征确定单元,用于在所述数据仓库中,对所述销售员数据、所述用户数据以及每个所述商品数据进行抽取操作、转换操作和加载操作,得到所述销售员数据对应的销售员数据特征、所述用户数据对应的用户数据特征以及每个所述商品数据对应的商品数据特征。
在一个实施例中,所述特征向量获取模块202包括:
特征向量获取单元,用于在spark计算引擎中,采用item2vec将所述销售员数据特征、所述用户数据特征以及各个所述商品数据特征进行向量化操作,得到所述目标销售员的销售员特征向量、所述目标用户的用户特征向量以及每个所述商品的商品特征向量。
在一个实施例中,所述候选商品集合确定模块203包括:
相似度计算单元,用于根据余弦相似度运算,得到所述销售员特征向量与各个所述商品特征向量的相似度得分,以及所述用户特征向量与各个所述商品特征向量的相似度得分;
商品排序单元,用于基于所述销售员特征向量与各个所述商品特征向量的相似度得分,以及所述用户特征向量与各个所述商品特征向量的相似度得分,将每个所述商品按预设规则进行排序,得到排序结果;
候选商品集合确定单元,用于根据所述排序结果,在所有商品中选取预设个数的商品作为所述候选商品集合。
在一个实施例中,所述装置还包括:
用户信息获取模块,用于根据所述目标用户的用户数据,得到所述目标用户的用户信息;
用户信息返回模块,用于将所述用户信息返回用户信息列表。
在一个实施例中,所述装置还包括:
列表信息更新模块,用于当所述销售员数据、所述用户数据以及每个所述商品数据更新时,同步更新所述推荐列表的目标商品和所述用户信息列表的用户信息。
在一个实施例中,本申请还提供了一种存储介质,所述存储介质中存储有计算机可读指令,所述计算机可读指令被一个或多个处理器执行时,使得一个或多个处理器执行如上述实施例中任一项所述商品推荐方法的步骤。
在一个实施例中,本申请还提供了一种计算机设备,所述计算机设备中存储有计算机可读指令,所述计算机可读指令被一个或多个处理器执行时,使得一个或多个处理器执行如上述实施例中任一项所述商品推荐方法的步骤。
示意性地,如图3所示,图3为本申请实施例提供的一种计算机设备的内部结构示意图,该计算机设备300可以被提供为一服务器。参照图3,计算机设备300包括处理组件302,其进一步包括一个或多个处理器,以及由存储器301所代表的存储器资源,用于存储可由处理组件302的执行的指令,例如应用程序。存储器301中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理组件302被配置为执行指令,以执行上述任意实施例的商品推荐方法。
计算机设备300还可以包括一个电源组件303被配置为执行计算机设备300的电源管理,一个有线或无线网络接口304被配置为将计算机设备300连接到网络,和一个输入输出(I/O)接口305。计算机设备300可以操作基于存储在存储器301的操作***,例如WindowsServer TM、Mac OS XTM、Unix TM、Linux TM、Free BSDTM或类似。
本领域技术人员可以理解,图3中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
本申请可以应用于包含显示界面及采集组件的终端,示例如手机及计算机等设备。在用户授权的情况下,可以使用本申请提供的商品推荐方法采集授权用户的个人数据。示例如,在购物中心处,使用本申请的商品推荐方法,采集授权用户的个人数据,以进行商品推荐。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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、方法、物品或者设备不仅包括那些要素,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、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间可以根据需要进行组合,且相同相似部分互相参见即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种商品推荐方法,其特征在于,所述方法包括:
采集目标销售员的销售员数据、目标用户的用户数据以及所有商品的商品数据,并确定所述销售员数据对应的销售员数据特征、所述用户数据对应的用户数据特征以及每个所述商品数据对应的商品数据特征;
根据所述销售员数据特征、所述用户数据特征以及各个所述商品数据特征,获得所述目标销售员的销售员特征向量、所述目标用户的用户特征向量以及每个所述商品的商品特征向量;
根据所述销售员特征向量与各个所述商品特征向量的相似度得分,以及所述用户特征向量与各个所述商品特征向量的相似度得分,在所有商品中确定候选商品集合;
将所述销售员特征向量、所述用户特征向量以及所述候选商品集合中的各个商品的商品特征向量输入已建立的DeepFM模型,通过FM层得到所述候选商品集合的各个商品的商品特征向量、所述销售员特征向量以及所述用户特征向量的一阶特征和二阶特征,并基于所述一阶特征和所述二阶特征确定所述FM层的输出结果,所述输出结果通过Sigmoid函数进行数值变换,得到所述候选商品集合中各个商品的评分;
基于各个所述评分,确定目标商品,并将所述目标商品返回推荐列表。
2.根据权利要求1所述的商品推荐方法,其特征在于,所述采集目标销售员的销售员数据、目标用户的用户数据以及所有商品的商品数据,并确定所述销售员数据对应的销售员数据特征、所述用户数据对应的用户数据特征以及每个所述商品数据对应的商品数据特征的步骤,包括:
将所述目标销售员的销售员数据、所述目标用户的用户数据以及所有所述商品的商品数据同步到数据仓库;
在所述数据仓库中,对所述销售员数据、所述用户数据以及每个所述商品数据进行抽取操作、转换操作和加载操作,得到所述销售员数据对应的销售员数据特征、所述用户数据对应的用户数据特征以及每个所述商品数据对应的商品数据特征。
3.根据权利要求1所述的商品推荐方法,其特征在于,所述根据所述销售员数据特征、所述用户数据特征以及各个所述商品数据特征,获得所述目标销售员的销售员特征向量、所述目标用户的用户特征向量以及每个所述商品的商品特征向量的步骤,包括:
在spark计算引擎中,采用item2vec将所述销售员数据特征、所述用户数据特征以及各个所述商品数据特征进行向量化操作,得到所述目标销售员的销售员特征向量、所述目标用户的用户特征向量以及每个所述商品的商品特征向量。
4.根据权利要求1所述的商品推荐方法,其特征在于,所述根据所述销售员特征向量与各个所述商品特征向量的相似度得分,以及所述用户特征向量与各个所述商品特征向量的相似度得分,在所有商品中确定候选商品集合的步骤,包括:
根据余弦相似度运算,得到所述销售员特征向量与各个所述商品特征向量的相似度得分,以及所述用户特征向量与各个所述商品特征向量的相似度得分;
基于所述销售员特征向量与各个所述商品特征向量的相似度得分,以及所述用户特征向量与各个所述商品特征向量的相似度得分,将每个所述商品按预设规则进行排序,得到排序结果;
根据所述排序结果,在所有商品中选取预设个数的商品作为所述候选商品集合。
5.根据权利要求1至4任一项所述的商品推荐方法,其特征在于,所述方法还包括:
根据所述目标用户的用户数据,得到所述目标用户的用户信息;
将所述用户信息返回用户信息列表。
6.根据权利要求5所述的商品推荐方法,其特征在于,所述方法还包括:
当所述销售员数据、所述用户数据以及每个所述商品数据更新时,同步更新所述推荐列表的目标商品和所述用户信息列表的用户信息。
7.一种商品推荐装置,其特征在于,所述装置包括:
数据采集模块,用于采集目标销售员的销售员数据、目标用户的用户数据以及所有商品的商品数据,并确定所述销售员数据对应的销售员数据特征、所述用户数据对应的用户数据特征以及每个所述商品数据对应的商品数据特征;
特征向量获取模块,用于根据所述销售员数据特征、所述用户数据特征以及各个所述商品数据特征,获得所述目标销售员的销售员特征向量、所述目标用户的用户特征向量以及每个所述商品的商品特征向量;
候选商品集合确定模块,用于根据所述销售员特征向量与各个所述商品特征向量的相似度得分,以及所述用户特征向量与各个所述商品特征向量的相似度得分,在所有商品中确定候选商品集合;
商品评分确定模块,用于将所述销售员特征向量、所述用户特征向量以及所述候选商品集合中的各个商品的商品特征向量输入已建立的DeepFM模型,通过FM层得到所述候选商品集合的各个商品的商品特征向量、所述销售员特征向量以及所述用户特征向量的一阶特征和二阶特征,并基于所述一阶特征和所述二阶特征确定所述FM层输出结果,所述输出结果通过Sigmoid函数进行数值变换,得到所述候选商品集合中各个商品的评分;
目标商品确定模块,用于基于各个所述评分,确定目标商品,并将所述目标商品返回推荐列表。
8.根据权利要求7所述的商品推荐装置,其特征在于,所述数据采集模块包括:
数据同步单元,用于将所述目标销售员的销售员数据、所述目标用户的用户数据以及所有所述商品的商品数据同步到数据仓库;
数据特征确定单元,用于在所述数据仓库中,对所述销售员数据、所述用户数据以及每个所述商品数据进行抽取操作、转换操作和加载操作,得到所述销售员数据对应的销售员数据特征、所述用户数据对应的用户数据特征以及每个所述商品数据对应的商品数据特征。
9.一种存储介质,其特征在于:所述存储介质中存储有计算机可读指令,所述计算机可读指令被一个或多个处理器执行时,使得一个或多个处理器执行如权利要求1至6中任一项所述商品推荐方法的步骤。
10.一种计算机设备,其特征在于,包括:一个或多个处理器,以及存储器;
所述存储器中存储有计算机可读指令,所述计算机可读指令被所述一个或多个处理器执行时,执行如权利要求1至6中任一项所述商品推荐方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311352211.7A CN117114818A (zh) | 2023-10-19 | 2023-10-19 | 商品推荐方法、装置、存储介质及计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311352211.7A CN117114818A (zh) | 2023-10-19 | 2023-10-19 | 商品推荐方法、装置、存储介质及计算机设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117114818A true CN117114818A (zh) | 2023-11-24 |
Family
ID=88796832
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311352211.7A Pending CN117114818A (zh) | 2023-10-19 | 2023-10-19 | 商品推荐方法、装置、存储介质及计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117114818A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109493133A (zh) * | 2018-10-31 | 2019-03-19 | 深圳市轱辘汽车维修技术有限公司 | 一种确定推广产品的方法、装置及电子设备 |
CN110990712A (zh) * | 2019-10-14 | 2020-04-10 | 中国平安财产保险股份有限公司 | 产品数据推送方法、装置和计算机设备 |
KR20210144331A (ko) * | 2020-05-22 | 2021-11-30 | 주식회사 스타일셀러 | 온라인 쇼핑몰의 판매자에게 판매 상품을 추천하는 방법 및 장치 |
CN115953217A (zh) * | 2022-12-06 | 2023-04-11 | 广州欢聚时代信息科技有限公司 | 商品评分推荐方法及其装置、设备、介质、产品 |
-
2023
- 2023-10-19 CN CN202311352211.7A patent/CN117114818A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109493133A (zh) * | 2018-10-31 | 2019-03-19 | 深圳市轱辘汽车维修技术有限公司 | 一种确定推广产品的方法、装置及电子设备 |
CN110990712A (zh) * | 2019-10-14 | 2020-04-10 | 中国平安财产保险股份有限公司 | 产品数据推送方法、装置和计算机设备 |
KR20210144331A (ko) * | 2020-05-22 | 2021-11-30 | 주식회사 스타일셀러 | 온라인 쇼핑몰의 판매자에게 판매 상품을 추천하는 방법 및 장치 |
CN115953217A (zh) * | 2022-12-06 | 2023-04-11 | 广州欢聚时代信息科技有限公司 | 商品评分推荐方法及其装置、设备、介质、产品 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111784455B (zh) | 一种物品推荐方法及推荐设备 | |
Patro et al. | A hybrid action-related K-nearest neighbour (HAR-KNN) approach for recommendation systems | |
CN110503531B (zh) | 时序感知的动态社交场景推荐方法 | |
Bernardes et al. | A social formalism and survey for recommender systems | |
CN110910199A (zh) | 项目信息的排序方法、装置、计算机设备及存储介质 | |
CN105677780A (zh) | 可拓展的用户意图挖掘方法及其*** | |
US20130204701A1 (en) | Apparatus, system and methods for marketing targeted products to users of social media | |
CN113946752A (zh) | 基于大数据的金融产品推荐方法、装置、设备及存储介质 | |
CN105302879B (zh) | 用于确定用户需求的方法与装置 | |
CN111967924A (zh) | 商品推荐方法、商品推荐装置、计算机设备和介质 | |
CN111429161A (zh) | 特征提取方法、特征提取装置、存储介质及电子设备 | |
CN115423555A (zh) | 一种商品推荐方法、装置、电子设备及存储介质 | |
CN115392947A (zh) | 需求量预测方法以及装置 | |
CN106600360B (zh) | 推荐对象的排序方法及装置 | |
Aprilianti et al. | Implementation of weighted parallel hybrid recommender systems for e-commerce in indonesia | |
CN113641811B (zh) | 促进购买行为的会话推荐方法、***、设备及存储介质 | |
CN112801803B (zh) | 一种理财产品推荐方法和装置 | |
CN112036987B (zh) | 确定推荐商品的方法和装置 | |
Anusha et al. | Segmentation of retail mobile market using HMS algorithm | |
CN117291651A (zh) | 美妆行业的自然复购预测模型的创建方法及其应用 | |
CN116823404A (zh) | 商品组合推荐方法及其装置、设备、介质 | |
US20210110410A1 (en) | Methods, systems, and apparatuses for providing data insight and analytics | |
CN117114818A (zh) | 商品推荐方法、装置、存储介质及计算机设备 | |
CN115618079A (zh) | 会话推荐方法、装置、电子设备及存储介质 | |
CN114119078A (zh) | 目标资源确定方法、装置、电子设备及介质 |
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 |