TWI605399B - Method and device for sending product information - Google Patents
Method and device for sending product information Download PDFInfo
- Publication number
- TWI605399B TWI605399B TW100105660A TW100105660A TWI605399B TW I605399 B TWI605399 B TW I605399B TW 100105660 A TW100105660 A TW 100105660A TW 100105660 A TW100105660 A TW 100105660A TW I605399 B TWI605399 B TW I605399B
- Authority
- TW
- Taiwan
- Prior art keywords
- user
- product
- evaluation
- record
- information
- Prior art date
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/60—Scheduling or organising the servicing of application requests, e.g. requests for application data transmissions using the analysis and optimisation of the required network resources
-
- 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
- G06Q30/0241—Advertisements
-
- 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
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
- G06Q30/0269—Targeted advertisements based on user profile or attribute
-
- 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
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Description
本申請涉及通信技術領域,特別是涉及一種發送商品資訊的方法和裝置。
隨著互聯網的普及,互聯網系統在為用戶提供越來越多選擇的同時,其網站內容也變得更加複雜,以電子商務網站為例,用戶經常會迷失在電子商務網站提供的大量的商品資訊中,無法順利地找到自己需要的商品。為解決上述問題,互聯網系統通常根據用戶對商品的評價資訊,採用推薦演算法確定用戶可能需要的商品,並將該商品的資訊發送給用戶,從而幫助用戶找到所需的商品,順利地完成購物過程。
在互聯網系統所使用的推薦演算法中,SVD(Singular Value Decomposition,奇異值分解)演算法為較準確的演算法,可以通過矩陣分解分析主變數,達到降維和找到潛在變數的目的。具體地,將m×n階實矩陣A分解為m階正交陣U、n階正交陣V以及對角矩陣S的乘積。通過SVD演算法,可以從用戶對商品的評價資訊中分解得到用戶偏好資訊和商品獲評資訊,進而根據分解得到的用戶偏好資訊和商品獲評資訊向用戶推薦商品。
在實現本申請的過程中,申請人發現現有技術至少存在如下問題:
互聯網系統使用SVD演算法向用戶推薦商品時,無法將用戶資訊、商品資訊以及用戶對商品的評價資訊分配到多個運算節點進行運算,而只能在單一運算節點進行運算,導致運算節點處理的資料量大,且運算複雜,耗費時間較長。此外,應用單一運算節點的處理模式可擴展性差,隨著用戶和商品資訊的增多,該處理模式將無法滿足系統的性能要求。
本申請的目的在於提供一種發送商品資訊的方法和裝置,用以向用戶端發送推薦的商品資訊,為此,本申請採用如下技術方案:
一種發送商品資訊的方法,包括:
獲取用戶對商品的評價記錄,該評價記錄包括用戶標識、商品標識和評價資訊;
以用戶標識和商品標識作為主關鍵字,按照主關鍵字的區間將該評價記錄分解為多個子記錄集,並將該多個子記錄集分配到多個運算節點,其中,該評價記錄中與同一用戶標識或商品標識關聯的所有評價資訊包含在同一子記錄集中;
獲取該多個運算節點根據分配到的子記錄集得到的奇異值分解運算結果,根據該奇異值分解運算結果向用戶端發送推薦的商品資訊。
一種發送商品資訊的裝置,包括:
獲取模組,用於獲取用戶對商品的評價記錄,該評價記錄包括用戶標識、商品標識和評價資訊;
分配模組,用於以用戶標識和商品標識作為主關鍵字,按照主關鍵字的區間將該評價記錄分解為多個子記錄集,並將該多個子記錄集分配到多個運算節點,其中,該評價記錄中與同一用戶標識或商品標識關聯的所有評價資訊包含在同一子記錄集中;
發送模組,用於獲取該多個運算節點根據分配到的子記錄集得到的奇異值分解運算結果,根據該奇異值分解運算結果向用戶端發送推薦的商品資訊。
本申請的實施例包括以下優點,以用戶標識和商品標識作為主關鍵字將用戶對商品的評價記錄進行分解,並將分解得到的子記錄集分配到多個運算節點,使得評價記錄中與同一用戶標識或商品標識關聯的所有評價資訊包含在同一子記錄集中,達到了向多個運算節點合理、簡單地分配評價記錄的目的;進一步地,因為將用戶對商品的評價記錄分配到多個運算節點進行並行運算,根據多個運算節點的奇異值分解運算結果向用戶端發送推薦的商品資訊,降低了運算節點處理的資料量和運算的複雜程度,減少了運算節點的運算時間;採用用戶標識和商品標識作為主關鍵字分配評價記錄,能夠保證運算節點處理的資料的完整性,提高了運算的準確性。當然,實施本申請的實施例的任一產品並不一定需要同時達到以上所述的所有優點。
本申請實施例提供的技術方案中,獲取用戶對商品的評價記錄,該評價記錄包括用戶標識、商品標識和評價資訊;以用戶標識和商品標識作為主關鍵字,將評價記錄分解為多個子記錄集,並將該多個子記錄集分配到多個運算節點,其中,上述評價記錄中與同一用戶標識或商品標識關聯的所有評價資訊包含在同一子記錄集中;獲取多個運算節點根據分配到的子記錄集得到的奇異值分解運算結果,根據該奇異值分解運算結果向用戶端發送推薦的商品資訊。
下面將結合本申請中的附圖,對本申請中的技術方案進行清楚、完整的描述,顯然,所描述的實施例是本申請的一部分實施例,而不是全部的實施例。基於本申請中的實施例,本領域普通技術人員在沒有做出創造性勞動的前提下所獲得的所有其他實施例,都屬於本申請保護的範圍。
如圖1所示,為本申請實施例中的發送商品資訊的方法流程圖,包括以下步驟:
步驟101,獲取用戶對商品的評價記錄。
用戶在電子商務網站購物後,通常電子商務網站會提供給用戶對所購買的商品或交易過程是否滿意進行評價的機會,用戶的評價會以評價記錄的形式儲存在電子商務網站中。其中,評價記錄可以以文字檔案的形式儲存在資料庫中,包括用戶標識、商品標識和評價資訊。評價資訊可以是用戶對商品的評分,即,用戶對商品的偏好程度。例如,評價資訊可以是1到5之間的整數,1表示用戶對該商品非常不滿意,2表示用戶對該商品不滿意,3表示用戶可以接受該商品,4表示用戶對該商品滿意,5表示對該商品非常滿意。如果用戶沒有對商品進行評價,可以在評價記錄中將對應的評價資訊設置為0,如表1所示。
上述評價記錄也可以通過矩陣的形式表示,其中,矩陣的元素為評價資訊,元素的行標對應用戶標識和商品標識中的一種,元素的列標對應用戶標識和商品標識中的另一種。例如,表1所示的評價記錄可以通過以下矩陣表示:
在上述矩陣中,元素的行標對應商品標識,元素的列標對應用戶標識。
步驟102,對評價記錄進行格式轉換。
具體地,可以調整評價記錄中的各個用戶標識和/或商品標識對應的評價資訊的排列順序,還可以刪除某些用戶標識和/或商品標識對應的評價資訊。其中,被刪除的評價資訊可以是評價過的商品的數量小於預設的最低門限的用戶對應的評價資訊,例如,只評價過一件商品的用戶對應的評價資訊;也可以是評價過的商品的數量大於預設的最高門限的用戶對應的評價資訊,該評價資訊可能是由於網路中的惡意軟體的操作而生成的。被刪除的評價資訊還可以是被評價次數小於預設的最低門限的商品,例如,只被評價過一次的商品對應的評價資訊;也可以是被評價次數大於預設的最高門限的商品對應的評價資訊,該評價資訊也可能是由於網路中的惡意軟體的操作而生成的。通過對上述評價資訊的刪除操作,可以去除評價記錄中的雜訊影響。
當評價記錄通過矩陣的形式表示時,上述對評價記錄的格式轉換可以對應為:對矩陣進行列對換和行對換,並去掉矩陣中的某些行和列,將該矩陣轉換為多個不相交的子矩陣。隨著用戶數量和商品數量的急劇增多,而用戶評價的商品數量是有限的,多數商品並沒有評價記錄,因此,評價記錄對應的矩陣為稀疏矩陣,非零元素占全部元素的百分比很小。通過上述操作,可以將該稀疏矩陣中的非零元素集中到多個不相交的子矩陣中。例如,評價記錄可以通過以下稀疏矩陣1表示:
針對上述稀疏矩陣,可以將第2行和第3行進行對換,對換後,刪除僅包含1個非零元素的第1行、第2行、第6行、第10行、第1列、第9列和第10列,以及全部為零元素的第5列,得到以下矩陣2:
上述評價記錄還可以通過連通圖的形式表示,如圖2所示,其中,用戶和商品為連通圖的節點,用戶對商品的評價資訊為連接相應節點的邊。上述對評價記錄的格式轉換可以對應為:對連通圖進行去掉邊的操作,即,針對僅通過一個邊與其他節點連接的節點,去掉與該節點連接的邊,將該連通圖轉化為多個連通子圖,且各個連通子圖之間通過一個或多個邊連通。以圖2為例,通過去掉商品1與用戶1之間、商品10與用戶2之間、商品6與用戶9之間、商品3與用戶10之間的邊,得到通過兩個邊連通的兩個連通子圖,如圖3所示。
步驟103,以用戶標識和商品標識作為主關鍵字,按照主關鍵字的區間將評價記錄分解為多個子記錄集,並將分解得到的多個子記錄集分配到多個運算節點。
其中,主關鍵字(primary key)用於唯一地標識評價記錄中的每一條評價資訊。系統可以根據運算節點的數量、評價記錄的資訊量和非零元素的分佈特點,對主關鍵字進行區間劃分,得到主關鍵字的多個區間,主關鍵字的每個區間包含一個或多個用戶標識以及一個或多個商品標識,不同區間包含的用戶標識和商品標識之間均沒有重合部分,且評價記錄包含的所有用戶標識和商品標識均包含在劃分後的主關鍵字的區間中。
進一步地,可以根據劃分後的主關鍵字的區間分解評價記錄,將與主關鍵字的區間中包含的用戶標識和商品標識關聯的所有評價資訊作為與該區間對應的子記錄集,因此,分解得到的子記錄集為評價紀錄的子集,各個子記錄集與主關鍵字的各個區間一一對應,不同的子記錄集對應不同的用戶標識和不同的商品標識,且評價記錄中與同一用戶標識或商品標識關聯的所有評價資訊包含在同一子記錄集中,並被分配到同一運算節點。多個子記錄集分配到的多個運算節點位於分散式集群中,可進行並行運算。
以矩陣2對應的評價記錄為例,該評價記錄包含用戶2-4、6-8對商品2、4、5、7-9的評價資訊。可以將主關鍵字劃分為兩個區間:區間1包含用戶6-8以及商品2、4、5,區間2包含用戶2-4以及商品7-9,區間1和區間2包含的用戶標識和商品標識均沒有重合的部分。根據區間1和區間2分解評價記錄時,可以將與區間1包含的用戶6-8以及商品2、4、5關聯的所有評價資訊作為子記錄集1,將與區間2包含的用戶2-4以及商品7-9關聯的所有評價資訊作為子記錄集2。相應地,矩陣2可以分解為兩個不相交的子矩陣,其中,與子記錄集1對應的子矩陣為:
與子記錄集2對應的子矩陣為:
當評價記錄通過連通圖的形式表示時,可以按照主關鍵字的區間將評價記錄對應的連通圖分解為多個連通子圖,各個連通子圖與子記錄集一一對應,如圖4所示。將兩個連通子圖分配到兩個並行的運算節點,可以保證分配到各個運算節點的連通子圖的完整性。
如果採用用戶標識或商品標識作為主關鍵字分解評價記錄,評價記錄中與同一用戶標識或商品標識關聯的評價資訊可能會包含在多個子記錄集中。例如,對於矩陣2對應的評價記錄,如果將用戶6-8對所有商品的評價資訊作為一個子記錄集,將用戶2-4對所有商品的評價資訊作為另一個子記錄集,會導致與商品5關聯的評價資訊包含在兩個子記錄集中,與商品7關聯的評價資訊也包含在兩個子記錄集中。由於SVD演算法要求與同一商品或用戶關聯的所有評價資訊在同一個運算節點參與運算,上述分解得到的子記錄集無法滿足SVD演算法的要求。因此,本申請實施例採用用戶標識和商品標識共同作為分解評價記錄的主關鍵字,而不會採用用戶標識和商品標識中的一種作為分解評價記錄的主關鍵字。
步驟104,多個運算節點根據分配到的子記錄集進行SVD運算,得到用戶偏好資訊和商品獲評資訊。
具體地,各運算節點獲取相應的子記錄集後,可以採用SVD演算法分別對各自的子記錄集進行並行運算,得到奇異值分解運算結果。作為SVD運算的輸入量,子記錄集中包含用戶對商品的評價資訊,綜合了用戶對商品的偏好資訊以及商品獲得用戶評價的資訊;SVD運算可以從子記錄集中將上述兩種資訊分解出來,得到奇異值分解運算結果。其中,奇異值分解運算結果包括用戶偏好資訊和商品獲評資訊,用戶偏好資訊用於表示用戶對商品的偏好程度,包含多個與用戶一一對應的用戶向量,不同的用戶向量對應不同用戶對商品的偏好程度;商品獲評資訊用於表示商品的受歡迎程度,包含多個與商品一一對應的商品向量,不同的商品向量對應不同商品的受歡迎程度。上述用戶向量和商品向量可以通過陣列表示。
例如,當分配到運算節點的子記錄集可以通過m×n的矩陣A表示,m為用戶標識的個數,n為商品標識的個數時,矩陣A表示m個用戶對n個商品的評價記錄。運算節點可以通過SVD演算法將矩陣A分解為m階正交陣U、n階正交陣V以及對角矩陣S的乘積,m階正交陣U和n階正交陣V分別對應用戶偏好資訊和商品獲評資訊,其中,正交陣U的行或列對應的m個陣列為m個用戶對應的用戶向量,對應各個用戶的屬性;正交陣V的行或列對應的n個陣列為n個商品對應的商品向量,對應各個商品的屬性。
步驟105,獲取多個運算節點根據分配到的子記錄集得到的奇異值分解運算結果,根據該奇異值分解運算結果向用戶端發送推薦的商品資訊。
具體地,通過結合多個運算節點的奇異值分解運算結果,並對奇異值運算結果中的用戶偏好資訊和商品獲評資訊進行比較,可以確定向用戶端推薦的商品,並向用戶端發送對應的商品資訊。
在根據用戶向量之間的相似度進行商品推薦的場景,即,用戶-用戶的推薦場景下,可以根據計算出的用戶偏好資訊,對各個用戶對應的用戶向量進行成對比較,得到不同用戶之間的相似度。其中,不同用戶之間的相似度可以根據相應的用戶向量之間的差值計算得到,用戶向量之間的差值越小,用戶之間的相似度越大。針對用戶端的登錄用戶,可以按照該登錄用戶與其他用戶的相似度對其他用戶進行排序,確定相似度大於預設閾值或者滿足預設的排序條件(例如,排序在前N位)的用戶為與登錄用戶相匹配的用戶,將確定的用戶評價過的商品的資訊發送給用戶端。作為較佳的實施方式,該確定的用戶對上述商品的評價資訊大於預設的評價門限。
在根據商品向量之間的相似度進行商品推薦的場景,即,商品-商品的推薦場景下,可以根據計算出的商品獲評資訊,對各個商品對應的商品向量進行成對比較,得到不同商品之間的相似度。其中,不同商品之間的相似度可以根據相應的商品向量之間的差值計算得到,商品向量之間的差值越小,商品之間的相似度越大。針對用戶端的登錄用戶,可以按照該登錄用戶評價過的商品(較佳地,登錄用戶對該商品的評價資訊可以大於預設的評價門限)與其他商品的相似度對其他商品進行排序,確定相似度大於預設閾值或者滿足預設的排序條件(例如,排序在前N位)的商品為與登錄用戶評價過的商品相匹配的商品,將確定的商品的資訊發送給用戶端。
在根據用戶向量和商品向量的組合之間的相似度進行商品推薦的場景,即,用戶-商品的推薦場景下,可以根據用戶偏好資訊和商品獲評資訊,對用戶向量和商品向量的組合進行成對比較,得到不同用戶和商品的組合之間的相似度。其中,不同用戶和商品的組合之間的相似度可以根據相應的用戶向量和商品向量的組合之間的差值計算得到,用戶向量和商品向量的組合之間的差值越小,用戶和商品的組合之間的相似度越大。針對用戶端的登錄用戶以及該登錄用戶評價過的商品的組合,確定相似度大於預設閾值或者滿足預設的排序條件(例如,排序在前N位)的用戶和商品的組合為與上述組合相匹配的組合,將確定出的組合中的商品的資訊發送給用戶端。作為較佳的實施方式,確定出的組合中的用戶對該組合中商品的評價資訊大於預設的評價門限,和/或在登錄用戶以及該登錄用戶評價過的商品的組合中,登錄用戶對該商品的評價資訊大於預設的評價門限。
本申請的實施例包括以下優點,以用戶標識和商品標識作為主關鍵字將用戶對商品的評價記錄進行分解,並將分解得到的子記錄集分配到多個運算節點,使得評價記錄中與同一用戶標識或商品標識關聯的所有評價資訊包含在同一子記錄集中,達到了合理、簡單地分配評價記錄的目的;進一步地,因為將用戶對商品的評價記錄分配到多個運算節點進行並行運算,根據多個運算節點的奇異值分解運算結果向用戶端發送推薦的商品資訊,降低了運算節點處理的資料量和運算的複雜程度,減少了運算節點的運算時間;採用用戶標識和商品標識作為主關鍵字分配評價記錄,能夠保證運算節點處理的資料的完整性,提高了運算的準確性。當然,實施本申請的實施例的任一產品並不一定需要同時達到以上所述的所有優點。
根據上述實施方式中提供的發送商品資訊的方法,本申請實施例還提供了應用上述發送商品資訊的方法的裝置。
如圖5所示,為本申請實施例中的發送商品資訊的裝置結構示意圖,包括:
獲取模組510,用於獲取用戶對商品的評價記錄。
其中,評價記錄包括用戶標識、商品標識和評價資訊。
分配模組520,用於以用戶標識和商品標識作為主關鍵字,按照主關鍵字的區間將評價記錄分解為多個子記錄集,並將該多個子記錄集分配到多個運算節點。
其中,上述評價記錄中與同一用戶標識或商品標識關聯的所有評價資訊包含在同一子記錄集中。
發送模組530,用於獲取多個運算節點根據分配到的子記錄集得到的奇異值分解運算結果,根據該奇異值分解運算結果向用戶端發送推薦的商品資訊。
其中,奇異值分解運算結果包括用戶偏好資訊和商品獲評資訊。
相應地,上述發送模組530可以根據用戶偏好資訊,確定與用戶端的登錄用戶相匹配的用戶,將確定的用戶評價過的商品的資訊發送給用戶端;也可以根據商品獲評資訊,確定與用戶端的登錄用戶評價過的商品相匹配的商品,將確定出的商品的資訊發送給用戶端;還可以根據用戶偏好資訊和商品獲評資訊,確定與用戶端的登錄用戶及該登錄用戶評價過的商品的組合相匹配的組合,將確定出的組合中的商品的資訊發送給該用戶端。
較佳的,上述的裝置還可以進一步包括:
轉換模組540,用於對評價記錄進行格式轉換。
相應地,上述分配模組520,具體用於將通過轉換模組540進行格式轉換後的評價記錄分解為多個子記錄集。
具體地,上述轉換模組540,具體用於調整評價記錄中的各個用戶標識和/或商品標識對應的評價資訊的排列順序,和/或刪除滿足預設條件的用戶標識和/或商品標識對應的評價資訊。
上述轉換模組540可以對評價記錄對應的矩陣進行列對換和行對換,也可以從評價記錄對應的矩陣中刪除滿足預設條件的行和/或列。
本申請的實施例包括以下優點,以用戶標識和商品標識作為主關鍵字將用戶對商品的評價記錄進行分解,並將分解得到的子記錄集分配到多個運算節點,使得評價記錄中與同一用戶標識或商品標識關聯的所有評價資訊包含在同一子記錄集中,達到了合理、簡單地分配評價記錄的目的;進一步地,因為將用戶對商品的評價記錄分配到多個運算節點進行並行運算,根據多個運算節點的奇異值分解運算結果向用戶端發送推薦的商品資訊,降低了運算節點處理的資料量和運算的複雜程度,減少了運算節點的運算時間;採用用戶標識和商品標識作為主關鍵字分配評價記錄,能夠保證運算節點處理的資料的完整性,提高了運算的準確性。當然,實施本申請的實施例的任一產品並不一定需要同時達到以上所述的所有優點。
本領域技術人員可以理解實施例中的裝置中的模組可以按照實施例描述進行分佈於實施例的裝置中,也可以進行相應變化位於不同於本實施例的一個或多個裝置中。上述實施例的模組可以合併為一個模組,也可以進一步拆分成多個子模組。
通過以上的實施方式的描述,本領域的技術人員可以清楚地瞭解到本申請可借助軟體加必需的通用硬體平臺的方式來實現,當然也可以通過硬體,但很多情況下前者是更佳的實施方式。基於這樣的理解,本申請的技術方案本質上或者說對現有技術做出貢獻的部分可以以軟體產品的形式體現出來,該電腦軟體產品儲存在一個儲存媒體中,包括若干指令用以使得一台終端設備(可以是手機,個人電腦,伺服器,或者網路設備等)執行本申請各個實施例所述的方法。
以上所述僅是本申請的較佳實施方式,應當指出,對於本技術領域的普通技術人員來說,在不脫離本申請原理的前提下,還可以做出若干改進和潤飾,這些改進和潤飾也應視本申請的保護範圍。
510...獲取模組
520...分配模組
530...發送模組
540...轉換模組
圖1為本申請實施例中的發送商品資訊的方法流程圖;
圖2為本申請實施例中的評價記錄對應的連通圖;
圖3為本申請實施例中的格式轉換後的評價記錄對應的連通圖;
圖4為本申請實施例中的子記錄集對應的連通子圖;
圖5為本申請實施例中的發送商品資訊的裝置結構示意圖。
Claims (11)
- 一種發送商品資訊的方法,其特徵在於,包括:獲取用戶對商品的評價記錄,該評價記錄包括用戶標識、商品標識和評價資訊;以用戶標識和商品標識作為主關鍵字,將用戶標識中表示評價資訊的元素的數量與第一臨界值比較,當該用戶標識中的該些元素的數量小於該第一臨界值時,刪除該用戶標識中的每一個元素,按照主關鍵字的區間將該評價記錄分解為多個子記錄集,其中將該評價記錄分解為多個子記錄集包含:產生連通圖,其中用戶和商品為連通圖的節點以及用戶對商品的評價資訊為連接相應節點的邊,判定第一組節點是否以單邊連接至第二組節點,以及在該第一組節點是以單邊連接至第二組節點的情況下,將該單邊從該連通圖中移除,並將該多個子記錄集分配到多個運算節點,其中,該評價記錄中與同一用戶標識或商品標識關聯的評價資訊包含在同一子記錄集中;獲取該多個運算節點根據分配到的子記錄集得到的奇異值分解運算結果,根據該奇異值分解運算結果向用戶端發送推薦的商品資訊。
- 如申請專利範圍第1項所述的方法,其中,該奇異值分解運算結果包括用戶偏好資訊和商品獲評資訊; 該根據奇異值分解運算結果向用戶端發送推薦的商品資訊,包括:根據該用戶偏好資訊,確定與該用戶端的登錄用戶相匹配的用戶,將確定的用戶評價過的商品的資訊發送給該用戶端;和/或根據該商品獲評資訊,確定與該用戶端的登錄用戶評價過的商品相匹配的商品,將確定出的商品的資訊發送給該用戶端;和/或根據該用戶偏好資訊和商品獲評資訊,確定與該用戶端的登錄用戶及該登錄用戶評價過的商品的組合相匹配的組合,將確定出的組合中的商品的資訊發送給該用戶端。
- 如申請專利範圍第1項所述的方法,其中,該獲取用戶對商品的評價記錄之後,還包括:對該評價記錄進行格式轉換;將該評價記錄分解為多個子記錄集具體為:將格式轉換後的評價記錄分解為多個子記錄集。
- 如申請專利範圍第3項所述的方法,其中,該對評價記錄進行格式轉換,包括:調整評價記錄中的各個用戶標識和/或商品標識對應的評價資訊的排列順序,和/或刪除滿足預設條件的用戶標識和/或商品標識對應的評價資訊。
- 如申請專利範圍第4項所述的方法,其中,該調整評價記錄中的各個用戶標識和/或商品標識對應的評價資訊的排列順序,包括: 對該評價記錄對應的矩陣進行列對換和行對換;該刪除滿足預設條件的用戶標識和/或商品標識對應的評價資訊,包括:從該評價記錄對應的矩陣中刪除滿足預設條件的行和/或列。
- 如申請專利範圍第1項所述的方法,其中,該主關鍵字的區間包括一個或多個用戶標識以及一個或多個商品標識,不同區間包括的用戶標識和商品標識之間均沒有重合部分。
- 一種發送商品資訊的裝置,其特徵在於,包括:獲取模組,用於獲取用戶對商品的評價記錄,該評價記錄包括用戶標識、商品標識和評價資訊;分配模組,用於以用戶標識和商品標識作為主關鍵字,將用戶標識中表示評價資訊的元素的數量與第一臨界值比較,當該用戶標識的該些元素的數量小於該第一臨界值時,刪除該用戶標識中的每一個元素,按照主關鍵字的區間將該評價記錄分解為多個子記錄集,並將該多個子記錄集分配到多個運算節點,其中,該評價記錄中與同一用戶標識或商品標識關聯的評價資訊包含在同一子記錄集中以及其中將該評價記錄分解為多個子記錄集包含:產生連通圖,其中用戶和商品為連通圖的節點以及用戶對商品的評價資訊為連接相應節點的邊,判定第一組節點是否以單邊連接至第二組節點,以及 在該第一組節點是以單邊連接至第二組節點的情況下,將該單邊從該連通圖中移除;以及發送模組,用於獲取該多個運算節點根據分配到的子記錄集得到的奇異值分解運算結果,根據該奇異值分解運算結果向用戶端發送推薦的商品資訊。
- 如申請專利範圍第7項所述的裝置,其中,該奇異值分解運算結果包括用戶偏好資訊和商品獲評資訊;該發送模組,具體用於根據該用戶偏好資訊,確定與該用戶端的登錄用戶相匹配的用戶,將確定的用戶評價過的商品的資訊發送給該用戶端;和/或根據該商品獲評資訊,確定與該用戶端的登錄用戶評價過的商品相匹配的商品,將確定出的商品的資訊發送給該用戶端;和/或根據該用戶偏好資訊和商品獲評資訊,確定與該用戶端的登錄用戶及該登錄用戶評價過的商品的組合相匹配的組合,將確定出的組合中的商品的資訊發送給該用戶端。
- 如申請專利範圍第7項所述的裝置,其中,還包括:轉換模組,用於對該評價記錄進行格式轉換;該分配模組,具體用於將格式轉換後的評價記錄分解為多個子記錄集。
- 如申請專利範圍第9項所述的裝置,其中,該轉換模組,具體用於調整評價記錄中的各個用戶標識和/或商品標識對應的評價資訊的排列順序,和/或刪除 滿足預設條件的用戶標識和/或商品標識對應的評價資訊。
- 如申請專利範圍第10項所述的裝置,其中,該轉換模組,具體用於對該評價記錄對應的矩陣進行列對換和行對換;和/或從該評價記錄對應的矩陣中刪除滿足預設條件的行和/或列。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201010547218.0A CN102467709B (zh) | 2010-11-17 | 2010-11-17 | 一种发送商品信息的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW201222449A TW201222449A (en) | 2012-06-01 |
TWI605399B true TWI605399B (zh) | 2017-11-11 |
Family
ID=46071322
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW100105660A TWI605399B (zh) | 2010-11-17 | 2011-02-21 | Method and device for sending product information |
Country Status (6)
Country | Link |
---|---|
US (1) | US9160808B2 (zh) |
EP (1) | EP2641161A4 (zh) |
JP (1) | JP5922667B2 (zh) |
CN (1) | CN102467709B (zh) |
TW (1) | TWI605399B (zh) |
WO (1) | WO2012067949A1 (zh) |
Families Citing this family (36)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101438667B1 (ko) * | 2012-08-10 | 2014-09-12 | 영남대학교 산학협력단 | 비휘발성 램 기반의 b+ 트리 데이터베이스화 방법 |
US9372928B2 (en) * | 2013-07-01 | 2016-06-21 | Palo Alto Research Center Incorporated | System and method for parallel search on explicitly represented graphs |
JP5792256B2 (ja) * | 2013-10-22 | 2015-10-07 | 日本電信電話株式会社 | 疎グラフ作成装置及び疎グラフ作成方法 |
CN104978346A (zh) * | 2014-04-09 | 2015-10-14 | 阿里巴巴集团控股有限公司 | 提供用户评价信息的方法及*** |
CN105095241B (zh) * | 2014-04-30 | 2019-03-01 | 华为技术有限公司 | 一种信息推荐方法、装置及*** |
KR101616537B1 (ko) * | 2015-01-20 | 2016-04-28 | 네이버 주식회사 | 쇼핑 정보 제공 시스템 및 쇼핑 정보 제공 방법 |
RU2632131C2 (ru) | 2015-08-28 | 2017-10-02 | Общество С Ограниченной Ответственностью "Яндекс" | Способ и устройство для создания рекомендуемого списка содержимого |
US10515378B2 (en) * | 2015-09-14 | 2019-12-24 | Adobe Inc. | Extracting relevant features from electronic marketing data for training analytical models |
RU2632100C2 (ru) | 2015-09-28 | 2017-10-02 | Общество С Ограниченной Ответственностью "Яндекс" | Способ и сервер создания рекомендованного набора элементов |
RU2629638C2 (ru) | 2015-09-28 | 2017-08-30 | Общество С Ограниченной Ответственностью "Яндекс" | Способ и сервер создания рекомендуемого набора элементов для пользователя |
CN105279242A (zh) * | 2015-09-29 | 2016-01-27 | 浪潮(北京)电子信息产业有限公司 | 一种个性化推荐方法与*** |
CN106970927A (zh) * | 2016-01-14 | 2017-07-21 | 阿里巴巴集团控股有限公司 | 推广方法及装置 |
CN105809474B (zh) * | 2016-02-29 | 2020-11-17 | 深圳市未来媒体技术研究院 | 一种层次化商品信息过滤推荐方法 |
CN105956146A (zh) * | 2016-05-12 | 2016-09-21 | 腾讯科技(深圳)有限公司 | 一种物品信息的推荐方法及装置 |
RU2632144C1 (ru) | 2016-05-12 | 2017-10-02 | Общество С Ограниченной Ответственностью "Яндекс" | Компьютерный способ создания интерфейса рекомендации контента |
RU2636702C1 (ru) | 2016-07-07 | 2017-11-27 | Общество С Ограниченной Ответственностью "Яндекс" | Способ и устройство для выбора сетевого ресурса в качестве источника содержимого для системы рекомендаций |
RU2632132C1 (ru) | 2016-07-07 | 2017-10-02 | Общество С Ограниченной Ответственностью "Яндекс" | Способ и устройство для создания рекомендаций содержимого в системе рекомендаций |
USD882600S1 (en) | 2017-01-13 | 2020-04-28 | Yandex Europe Ag | Display screen with graphical user interface |
CN107464163A (zh) * | 2017-07-28 | 2017-12-12 | 深圳前海弘稼科技有限公司 | 信息推送方法、信息推送装置 |
CN107577759B (zh) * | 2017-09-01 | 2021-07-30 | 安徽广播电视大学 | 用户评论自动推荐方法 |
US10642688B2 (en) * | 2018-04-12 | 2020-05-05 | EMC IP Holding Company LLC | System and method for recovery of unrecoverable data with enhanced erasure coding and replication |
US10592338B2 (en) | 2018-04-27 | 2020-03-17 | EMC IP Holding Company LLC | Scale out data protection with erasure coding |
CN110706013A (zh) * | 2018-07-10 | 2020-01-17 | 鄢海军 | 一种数据分配方法及其设备、存储介质、电子设备 |
US11818204B2 (en) * | 2018-08-29 | 2023-11-14 | Credit Suisse Securities (Usa) Llc | Systems and methods for calculating consensus data on a decentralized peer-to-peer network using distributed ledger |
RU2720899C2 (ru) | 2018-09-14 | 2020-05-14 | Общество С Ограниченной Ответственностью "Яндекс" | Способ и система для определения зависящих от пользователя пропорций содержимого для рекомендации |
RU2714594C1 (ru) | 2018-09-14 | 2020-02-18 | Общество С Ограниченной Ответственностью "Яндекс" | Способ и система определения параметра релевантность для элементов содержимого |
RU2720952C2 (ru) | 2018-09-14 | 2020-05-15 | Общество С Ограниченной Ответственностью "Яндекс" | Способ и система для создания рекомендации цифрового содержимого |
CN109543094B (zh) * | 2018-09-29 | 2021-09-28 | 东南大学 | 一种基于矩阵分解的隐私保护内容推荐方法 |
RU2725659C2 (ru) | 2018-10-08 | 2020-07-03 | Общество С Ограниченной Ответственностью "Яндекс" | Способ и система для оценивания данных о взаимодействиях пользователь-элемент |
RU2731335C2 (ru) | 2018-10-09 | 2020-09-01 | Общество С Ограниченной Ответственностью "Яндекс" | Способ и система для формирования рекомендаций цифрового контента |
CN109379423A (zh) * | 2018-10-12 | 2019-02-22 | 成都信息工程大学 | 一种基于云平台的多源跨域数据交互*** |
RU2757406C1 (ru) | 2019-09-09 | 2021-10-15 | Общество С Ограниченной Ответственностью «Яндекс» | Способ и система для обеспечения уровня сервиса при рекламе элемента контента |
CN111162988B (zh) * | 2019-12-02 | 2022-04-22 | 平安资产管理有限责任公司 | 消息分发方法与*** |
CN111046299B (zh) * | 2019-12-11 | 2023-07-18 | 支付宝(杭州)信息技术有限公司 | 针对关系网络的特征信息提取方法及装置 |
CN112732439A (zh) * | 2021-01-05 | 2021-04-30 | 北京三快在线科技有限公司 | 一种资源获取方法、装置、存储介质及电子设备 |
CN115271428B (zh) * | 2022-07-25 | 2023-08-15 | 西南交通大学 | 基于svd分解的环境脆弱性评价方法、设备和介质 |
Family Cites Families (36)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7082426B2 (en) * | 1993-06-18 | 2006-07-25 | Cnet Networks, Inc. | Content aggregation method and apparatus for an on-line product catalog |
US5548798A (en) * | 1994-11-10 | 1996-08-20 | Intel Corporation | Method and apparatus for solving dense systems of linear equations with an iterative method that employs partial multiplications using rank compressed SVD basis matrices of the partitioned submatrices of the coefficient matrix |
US6990238B1 (en) * | 1999-09-30 | 2006-01-24 | Battelle Memorial Institute | Data processing, analysis, and visualization system for use with disparate data types |
AU2099201A (en) * | 1999-12-21 | 2001-07-03 | Tivo, Inc. | Intelligent system and methods of recommending media content items based on userpreferences |
GB2380580A (en) | 2000-06-22 | 2003-04-09 | Yaron Mayer | System and method for searching,finding and contacting dates on the internet in instant messaging networks and/or in other metods |
US20020062241A1 (en) * | 2000-07-19 | 2002-05-23 | Janet Rubio | Apparatus and method for coding electronic direct marketing lists to common searchable format |
US6687696B2 (en) | 2000-07-26 | 2004-02-03 | Recommind Inc. | System and method for personalized search, information filtering, and for generating recommendations utilizing statistical latent class models |
US6615208B1 (en) | 2000-09-01 | 2003-09-02 | Telcordia Technologies, Inc. | Automatic recommendation of products using latent semantic indexing of content |
AU2438602A (en) | 2000-10-18 | 2002-04-29 | Johnson & Johnson Consumer | Intelligent performance-based product recommendation system |
WO2002050633A2 (en) * | 2000-12-18 | 2002-06-27 | Manugistics, Inc. | System and method for enabling a configurable electronic business exchange platform |
US7475027B2 (en) * | 2003-02-06 | 2009-01-06 | Mitsubishi Electric Research Laboratories, Inc. | On-line recommender system |
JP4428036B2 (ja) | 2003-12-02 | 2010-03-10 | ソニー株式会社 | 情報処理装置および方法、プログラム、並びに、情報処理システムおよび方法 |
US7962461B2 (en) * | 2004-12-14 | 2011-06-14 | Google Inc. | Method and system for finding and aggregating reviews for a product |
JP5011545B2 (ja) | 2005-12-05 | 2012-08-29 | 国立大学法人京都大学 | 特異値分解装置、及び特異値分解方法 |
US8037003B2 (en) * | 2006-01-30 | 2011-10-11 | Xerox Corporation | Solution recommendation based on incomplete data sets |
US7860862B2 (en) | 2006-10-27 | 2010-12-28 | Yahoo! Inc. | Recommendation diversity |
EP2113155A4 (en) * | 2007-02-21 | 2010-12-22 | Nds Ltd | METHOD FOR PRESENTATION OF CONTENT |
US20070150428A1 (en) * | 2007-03-20 | 2007-06-28 | Brandyn Webb | Inference engine for discovering features and making predictions using generalized incremental singular value decomposition |
JP4538757B2 (ja) | 2007-12-04 | 2010-09-08 | ソニー株式会社 | 情報処理装置、情報処理方法、およびプログラム |
US20090024621A1 (en) * | 2007-07-16 | 2009-01-22 | Yahoo! Inc. | Method to set up online book collections and facilitate social interactions on books |
US8019707B2 (en) | 2007-09-20 | 2011-09-13 | Deutsche Telekom Ag | Interactive hybrid recommender system |
US8494978B2 (en) * | 2007-11-02 | 2013-07-23 | Ebay Inc. | Inferring user preferences from an internet based social interactive construct |
US8035855B2 (en) * | 2008-02-01 | 2011-10-11 | Xerox Corporation | Automatic selection of a subset of representative pages from a multi-page document |
GB0803238D0 (en) * | 2008-02-22 | 2008-04-02 | Isis Innovation | Parallel processing |
US8131732B2 (en) | 2008-06-03 | 2012-03-06 | Nec Laboratories America, Inc. | Recommender system with fast matrix factorization using infinite dimensions |
US8037080B2 (en) * | 2008-07-30 | 2011-10-11 | At&T Intellectual Property Ii, Lp | Recommender system utilizing collaborative filtering combining explicit and implicit feedback with both neighborhood and latent factor models |
JP5206251B2 (ja) * | 2008-09-05 | 2013-06-12 | 株式会社ニコン | 利用対象推薦装置、利用対象推薦方法およびプログラム |
US20100268661A1 (en) * | 2009-04-20 | 2010-10-21 | 4-Tell, Inc | Recommendation Systems |
JP2011008309A (ja) * | 2009-06-23 | 2011-01-13 | Hitachi Ltd | 電子商取引におけるサプライヤ評価方法及びそのシステム |
US8619984B2 (en) * | 2009-09-11 | 2013-12-31 | Microsoft Corporation | Differential privacy preserving recommendation |
US20110112981A1 (en) | 2009-11-09 | 2011-05-12 | Seung-Taek Park | Feature-Based Method and System for Cold-Start Recommendation of Online Ads |
US20110153663A1 (en) * | 2009-12-21 | 2011-06-23 | At&T Intellectual Property I, L.P. | Recommendation engine using implicit feedback observations |
CN101727644A (zh) * | 2009-12-28 | 2010-06-09 | 兆信(中国)网络科技有限公司 | 商品数字身份识别精确定位网络广告方法及其*** |
US9760802B2 (en) * | 2010-01-27 | 2017-09-12 | Ebay Inc. | Probabilistic recommendation of an item |
US8275384B2 (en) * | 2010-03-20 | 2012-09-25 | International Business Machines Corporation | Social recommender system for generating dialogues based on similar prior dialogues from a group of users |
US8676736B2 (en) * | 2010-07-30 | 2014-03-18 | Gravity Research And Development Kft. | Recommender systems and methods using modified alternating least squares algorithm |
-
2010
- 2010-11-17 CN CN201010547218.0A patent/CN102467709B/zh active Active
-
2011
- 2011-02-21 TW TW100105660A patent/TWI605399B/zh active
- 2011-11-10 EP EP11841867.2A patent/EP2641161A4/en not_active Withdrawn
- 2011-11-10 US US13/393,310 patent/US9160808B2/en active Active
- 2011-11-10 WO PCT/US2011/060266 patent/WO2012067949A1/en active Application Filing
- 2011-11-10 JP JP2013539914A patent/JP5922667B2/ja active Active
Also Published As
Publication number | Publication date |
---|---|
CN102467709B (zh) | 2017-03-01 |
JP2014500548A (ja) | 2014-01-09 |
JP5922667B2 (ja) | 2016-05-24 |
US9160808B2 (en) | 2015-10-13 |
TW201222449A (en) | 2012-06-01 |
WO2012067949A1 (en) | 2012-05-24 |
EP2641161A1 (en) | 2013-09-25 |
CN102467709A (zh) | 2012-05-23 |
EP2641161A4 (en) | 2016-05-18 |
US20130227054A1 (en) | 2013-08-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI605399B (zh) | Method and device for sending product information | |
US11710054B2 (en) | Information recommendation method, apparatus, and server based on user data in an online forum | |
CN106570008B (zh) | 推荐方法及装置 | |
Liu et al. | Wisdom of the better few: cold start recommendation via representative based rating elicitation | |
JP5897019B2 (ja) | 候補製品のリンクリストを判定する方法および装置 | |
US9400831B2 (en) | Providing information recommendations based on determined user groups | |
US9111231B2 (en) | Associating a web session with a household member | |
Chamberlain et al. | Real-time community detection in full social networks on a laptop | |
KR101590976B1 (ko) | 협업 필터링 기반 추천 성능을 향상 시키기 위한 의미 클러스터 기반 매트릭스 지역화 방법 및 장치 | |
CN111553744A (zh) | 联邦产品推荐方法、装置、设备及计算机存储介质 | |
Mashal et al. | Analysis of recommendation algorithms for Internet of Things | |
JP7231317B2 (ja) | 推定装置、推定方法及び推定プログラム | |
JP2017059031A (ja) | 情報処理装置、情報処理方法、及び、プログラム | |
CN110569446B (zh) | 一种构建推荐对象候选集的方法和*** | |
JP5492047B2 (ja) | 購買行動分析装置、購買行動分析方法、購買行動分析プログラム、購買行動分析システム及び制御方法 | |
CN113469786A (zh) | 物品推荐的方法、装置、计算机设备和存储介质 | |
CN110599281A (zh) | 一种确定目标店铺的方法和装置 | |
CN111553743A (zh) | 联邦产品推荐方法、装置、设备及计算机存储介质 | |
JP6175037B2 (ja) | クラスタ抽出装置及び方法及びプログラム | |
JP2014174781A (ja) | アイテム推薦システム、アイテム推薦方法およびアイテム推薦プログラム | |
CN113327145B (zh) | 一种物品推荐方法和装置 | |
JP6258246B2 (ja) | 解析装置、解析方法及びプログラム | |
Gan | TAFFY: incorporating tag information into a diffusion process for personalized recommendations | |
Sahu et al. | Personalized recommendation engine using HADOOP | |
Ting et al. | Transfer-learning based model for reciprocal recommendation |