Nothing Special   »   [go: up one dir, main page]

CN109978580A - 对象推荐方法、装置以及计算机可读存储介质 - Google Patents

对象推荐方法、装置以及计算机可读存储介质 Download PDF

Info

Publication number
CN109978580A
CN109978580A CN201711455376.1A CN201711455376A CN109978580A CN 109978580 A CN109978580 A CN 109978580A CN 201711455376 A CN201711455376 A CN 201711455376A CN 109978580 A CN109978580 A CN 109978580A
Authority
CN
China
Prior art keywords
attribute
click
recommendation
browsing
determining
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
Application number
CN201711455376.1A
Other languages
English (en)
Inventor
郭雪茹
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Jingdong Century Trading Co Ltd
Beijing Jingdong Shangke Information Technology Co Ltd
Original Assignee
Beijing Jingdong Century Trading Co Ltd
Beijing Jingdong Shangke Information Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Jingdong Century Trading Co Ltd, Beijing Jingdong Shangke Information Technology Co Ltd filed Critical Beijing Jingdong Century Trading Co Ltd
Priority to CN201711455376.1A priority Critical patent/CN109978580A/zh
Publication of CN109978580A publication Critical patent/CN109978580A/zh
Pending legal-status Critical Current

Links

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
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0255—Targeted advertisements based on user history
    • 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
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations

Landscapes

  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Strategic Management (AREA)
  • Engineering & Computer Science (AREA)
  • Development Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本公开涉及一种对象推荐方法、装置以及计算机可读存储介质，涉及计算机技术领域。本公开的方法包括：获取具有推荐关联性的基准对象组成的基准对象组合；根据各个属性的重要程度以及备选对象的各个属性值与基准对象相应的属性值的相似度，确定与基准对象相似的备选对象作为推荐对象；根据基准对象组合中基准对象的对应关系确定推荐对象的对应关系，得到推荐对象组合，以便根据推荐对象组合为用户进行推荐。本公开的方案能够参考用户的使用习惯和兴趣，更加准确和全面的为用户推荐对象，并在一定程度上解决长尾商品不被推荐的问题，提升用户体验。

Description

对象推荐方法、装置以及计算机可读存储介质
技术领域
本公开涉及计算机技术领域，特别涉及一种对象推荐方法、装置以及计算机可读存储介质。
背景技术
随着互联网技术的发展，人们通过网络进行娱乐、社交、购物等日常活动已经变得越来越普及。
互联网平台通过智慧营销吸引用户已经成为较为普遍的现象。互联网平台通常会针对用户的购买或使用习惯为用户推荐产品，例如，为用户推荐相关的商品、游戏、新闻、视频或微博等。
互联网平台随着业务的发展会推出各种新的特色业务。对于这些特色业务，数据量还没有达到一定的级别，直接基于特色业务的数据进行推荐会不准确。目前，一般直接为用户推荐热门产品。
发明内容
发明人发现：直接为用户推荐热门产品，没有考虑用户的兴趣，推荐结果不精确、不全面，忽略了长尾商品的推荐，容易使用户产生疲劳，失去兴趣，用户体验不好。
本公开所要解决的一个技术问题是：如何在数据量少时更准确和全面地为用户推荐产品，提升用户体验。
根据本公开的一些实施例，提供的一种对象推荐方法，包括：获取具有推荐关联性的基准对象组成的基准对象组合；根据各个属性的重要程度以及备选对象的各个属性值与基准对象相应的属性值的相似度，确定与基准对象相似的备选对象作为推荐对象；根据基准对象组合中基准对象的对应关系确定推荐对象的对应关系，得到推荐对象组合，以便根据推荐对象组合为用户进行推荐。
在一些实施例中，采用以下方法确定属性的重要程度：根据属性对应的各个标签的点击次数和点击用户数确定该属性的点击度作为该属性的重要程度；或者，根据同一属性的标签的个数以及各个标签对应的对象浏览量确定该属性的浏览离散程度作为该属性的重要程度。
在一些实施例中，采用以下方法确定属性的重要程度：根据属性对应的各个标签的点击次数和点击用户数确定该属性的点击度；根据该属性的标签的个数以及各个标签对应的对象浏览量确定该属性的浏览离散程度；根据点击度和浏览离散程度确定该属性的重要程度。
在一些实施例中，属性的点击度为该属性对应的各个标签的总点击次数与总点击用户数的加权和。
在一些实施例中，点击次数和点击用户数为有效点击的点击次数和点击用户数；有效点击是根据点击引入信息确定的，点击引入信息包括：点击引入浏览对象的数量、点击引入的平均每个对象的浏览量和点击引入的平均每个对象的浏览时长中的至少一项。
在一些实施例中，属性的浏览离散程度为该属性的各个标签对应的对象浏览量的标准差。
在一些实施例中，采用以下方法确定与基准对象相似的备选对象：将备选对象的各个属性值与基准对象的各个属性值的相似度分别乘以对应的属性的重要程度，组合为备选对象的属性向量；将各个属性的重要程度组合为基准对象的属性向量；根据备选对象的属性向量和基准对象的属性向量的相似性确定与基准对象相似的备选对象。
在一些实施例中，基准对象组合是根据频繁模式增长FP-Grown算法对各个对象进行关联性分析得到的。
根据本公开的另一些实施例，提供的一种对象推荐装置，包括：基准对象确定模块，用于获取具有推荐关联性的基准对象组成的基准对象组合；推荐对象确定模块，用于根据各个属性的重要程度以及备选对象的各个属性值与基准对象相应的属性值的相似度，确定与基准对象相似的备选对象作为推荐对象；推荐组合确定模块，用于根据基准对象组合中基准对象的对应关系确定推荐对象的对应关系，得到推荐对象组合，以便根据推荐对象组合为用户进行推荐。
在一些实施例中，推荐对象确定模块用于根据属性对应的各个标签的点击次数和点击用户数确定该属性的点击度作为该属性的重要程度；或者，根据同一属性的标签的个数以及各个标签对应的对象浏览量确定该属性的浏览离散程度作为该属性的重要程度。
在一些实施例中，推荐对象确定模块用于根据属性对应的各个标签的点击次数和点击用户数确定该属性的点击度，根据该属性的标签的个数以及各个标签对应的对象浏览量确定该属性的浏览离散程度，根据点击度和浏览离散程度确定该属性的重要程度。
在一些实施例中，属性的点击度为该属性对应的各个标签的总点击次数与总点击用户数的加权和。
在一些实施例中，点击次数和点击用户数为有效点击的点击次数和点击用户数；有效点击是根据点击引入信息确定的，点击引入信息包括：点击引入浏览对象的数量、点击引入的平均每个对象的浏览量和点击引入的平均每个对象的浏览时长中的至少一项。
在一些实施例中，属性的浏览离散程度为该属性的各个标签对应的对象浏览量的标准差。
在一些实施例中，推荐对象确定模块用于将备选对象的各个属性值与基准对象的各个属性值的相似度分别乘以对应的属性的重要程度，组合为备选对象的属性向量；将各个属性的重要程度组合为基准对象的属性向量；根据备选对象的属性向量和基准对象的属性向量的相似性确定与基准对象相似的备选对象。
在一些实施例中，基准对象确定模块用于根据频繁模式增长FP-Grown算法对各个对象进行关联性分析得到基准对象组合。
根据本公开的又一些实施例，提供的一种对象推荐装置，包括：存储器；以及耦接至所述存储器的处理器，所述处理器被配置为基于存储在所述存储器设备中的指令，执行如前述任一个实施例的对象推荐方法。
根据本公开的再一些实施例，提供的一种对象推荐装置，计算机可读存储介质，其上存储有计算机程序，其中，该程序被处理器执行时实现前述任一个实施例的对象推荐方法的步骤。
本公开中优先获取基准对象组合，包含具有推荐关联性的基准对象，进一步从备选对象中选取与基准对象相似的备选对象作为推荐对象，在考虑属性值相似性的同时参考各个属性对于用户的重要程度确定两个对象的相似程度。本公开的方案应用于特色业务场景下，可以将互联网平台中的具有推荐关联性的对象作为基准对象，进一步确定特色业务中与基准对象相似的对象作为推荐对象，能够参考用户的使用习惯和兴趣，更加准确和全面的为用户推荐对象，并在一定程度上解决长尾商品不被推荐的问题，提升用户体验。
通过以下参照附图对本公开的示例性实施例的详细描述，本公开的其它特征及其优点将会变得清楚。
附图说明
为了更清楚地说明本公开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公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1示出本公开的一些实施例的对象推荐方法的流程示意图。
图2示出本公开的另一些实施例的对象推荐方法的流程示意图。
图3示出本公开的一些实施例的对象推荐装置的结构示意图。
图4示出本公开的另一些实施例的对象推荐装置的结构示意图。
图5示出本公开的又一些实施例的对象推荐装置的结构示意图。
具体实施方式
下面将结合本公开实施例中的附图，对本公开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公开一部分实施例，而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本公开及其应用或使用的任何限制。基于本公开中的实施例，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，都属于本公开保护的范围。
针对在特色业务中直接为用户推荐热门产品，没有考虑用户的兴趣，推荐结果不精确、不全面，忽略了长尾商品的推荐，用户体验不好的问题，提出本方案。下面结合图1描述本公开的对象推荐方法。
图1为本公开对象推荐方法一些实施例的流程图。如图1所示，该实施例的方法包括：步骤S102～S106。
步骤S102，获取具有推荐关联性的基准对象组成的基准对象组合。
对象例如为商品、视频、新闻、网页等各种与用户行为相关，可以向用户推荐的对象。具有推荐关联性的基准对象可以是根据用户的行为记录(例如前后预设天数内的购买记录、浏览记录等)利用现有的任意算法计算得到的，例如，具有推荐关联性的基准对象根据FP-Grown(频繁模式增长)算法对各个对象进行关联性分析得到的。具有推荐关联性的基准对象可以根据开展特色业务的互联网平台的数据或根据其他相关平台的数据获取。例如，针对电子商务平台，可以开展全球购等特色业务，可以首先根据电子商务平台的购买数据获取具有推荐关联性的商品。
步骤S104，根据各个属性的重要程度以及备选对象的各个属性值与基准对象相应的属性值的相似度，确定与基准对象相似的备选对象作为推荐对象。
在确定与基准对象相似的备选对象时，需要考虑两方面的因素：一方面是各个属性的重要程度，即用户在选择对象时更看重哪些方面的属性；另一方面是备选对象的各个属性值与基准对象对应的属性值的相似度。备选对象可以是与基准对象品类相同或相近的对象。备选对象可以是特色业务中的对象。
对象的属性用于表示对象的特征。例如，针对电子商务平台中的商品，属性包括：品牌、价格等。针对不同的商品可以有不同的属性，例如，针对手机这一品类的商品，属性可以是品牌、价格、颜色、屏幕尺寸等，针对护肤品，属性可以是品牌、价格、适合肤质、功效等。互联网平台可以针对对象的属性设置属性标签(例如在列表页和搜索页等)，用户点击属性标签可以筛选出相应的对象，例如标签为价格100－200，可以筛选出价格100－200的对象。属性值即属性对应的具体值，例如价格属性对应的属性值为100，颜色对应的属性值为红色。
属性值为具体对象在该属性下的值，例如，某一手机在价格属性下的属性值为3000元。判断同一属性的两个属性值的相似度的方法可以根据实际需求进行调整。例如，属性值相同则相似度为1，不相同则相似度为0。针对一些具有实际数值的特殊的属性值例如价格，可以将备选对象的属性值与基准对象的属性值的比值作为相似度，例如备选对象与基准对象的价格比为0.8，则两者的相似度为0.8；也可以设置备选对象的属性值与基准对象的属性值的差距阈值，将属性值与基准对象的属性值的差距在差距阈值之内的备选对象对应的相似度设置为1，超过差距阈值的备选对象对应的相似度设置为0。例如，将与基准对系的价格差距在基准对象的价格20％以内的备选对象对应的相似度设置为1。一些对象在一个属性下可能有多个值，例如，手机的合约属性，可以支持多个运营商的合约，则合约属性下可以有多个属性值。如果基准对象的一个属性包含多个属性值，则备选对象在该属性下只要有一个属性值与基准对象的相同，则可认为两者该属性对应的属性值相同。不限于所举示例。
属性的重要程度表示用户在对象选择时更关注对象的哪些属性。不同品类的对象的属性不同，各个属性的重要程度也不同。在一些实施例中，根据属性对应的各个标签的点击次数和点击用户数确定该属性的点击度作为该属性的重要程度。具体的，可以分别针对点击次数和点击用户数设置不同的权重，属性的点击度为该属性对应的各个标签的总点击次数与总点击用户数的加权和。
例如针对手机这一品类的对象，属性包括：品牌、价格、系统、屏幕尺寸等，分别针对品牌这一属性可以设置华为、苹果、三星等标签，针对价格这一属性可以设置1000－2000、2000－3000等标签，针对系统这一属性可以设置安卓、IOS等标签、针对屏幕尺寸这一属性可以设置3.1英寸－4.5英寸、4.6英寸－5.0英寸等标签，供用户点击筛选出相应的手机。可以获取每个标签的点击次数和点击用户数，确定一个属性下各个标签的总点击次数即各个标签的点击次数之和，各个标签的总点击用户数即各个标签的点击用户数之和。属性的点击度可以根据以下公式计算。
公式(1)中，为属性i的点击度，为属性i对应的各个标签的点击次数之和，α1为的权重，为属性i对应的各个标签的点击用户数之和，α2为的权重，i为正整数，为第i个属性的编号。可以对和分别进行归一化，归一化例如是将指标值除以该类指标中的最大值作为归一化值，也可以为属性i对应的各个标签的点击次数之和的归一值，即属性i对应的各个标签的点击次数之和与各个属性对应的各个标签的点击次数之和的最大值之比，也可以为属性i对应的各个标签的点击用户数之和的归一值，即属性i对应的各个标签的点击用户数之和与各个属性对应的各个标签的点击用户数之和的最大值之比。
可选的，上述标签的点击次数或点击用户数为有效点击的点击次数和点击用户数。有效点击可以根据点击引入信息确定的，点击引入信息包括：点击引入浏览对象的数量、点击引入的平均每个对象的浏览量和点击引入的平均每个对象的浏览时长中的至少一项。
可以分别针对点击引入浏览对象的数量、点击引入的平均每个对象的浏览量和点击引入的平均每个对象的浏览时长分别设置对应的阈值，如果上述三项信息中有一项低于对应的阈值，则认为该点击无效。也可以根据实际情况设置不同的判断标准。判断用户对标签的点击是否为有效点击可以进一步提高确定各个属性重要程度的准确性。有些用户可能由于点击错误，点击标签筛选出相应的对象后并没有进行浏览，这种点击则不计入有效点击行为中。
在一些实施例中，根据同一属性的标签的个数以及各个标签对应的对象浏览量确定该属性的浏览离散程度作为该属性的重要程度。具体的，属性的浏览离散程度为该属性的各个标签对应的对象浏览量的标准差。可以统计每个对象的浏览量，再确定对象对应的标签，则进一步可以得到每个标签对应的对象浏览量。例如参考表1所示，针对手机这一品类的对象，可以获取品牌、价格、屏幕尺寸等属性对应的各个标签的对象浏览量(PV)。例如，针对品牌这一属性可以进一步计算各个标签对应的对象浏览量的标准差。
表1
进一步，属性的浏览离散程度则可以根据以下公式计算。
公式(2)中，为属性i的浏览离散程度，N为属性i对应的标签的数量，1≤j≤N，j为正整数，表示属性i的标签j的浏览量，μ表示属性i的各个标签的浏览量的均值。可以对进行标准化，即除以属性i对应的各个标签的浏览量之和。属性的浏览离散程度越高，则该属性的重要程度越高。
上述两种确定属性重要程度的实施例可以相互结合和补充，例如有些属性的标签点击次数很少，但是该属性的对象浏览量很大，则可以主要利用属性的浏览离散程度来衡量属性的重要程度。进一步，可以结合根据属性的点击度和浏览离散程度确定该属性的重要程度。可以采用以下公式确定属性的重要程度。
公式(3)中，Wi为属性i的重要程度，为属性i的点击度，为属性i的浏览离散程度，β1为的权重，β2 的权重。
在确定备选对象的各个属性值与基准对象的各个属性值的相似度和各个属性的重要程度之后，下面描述如何选择与基准对象相似的备选对象。
在一些实施例中，将属性的重要程度作为对应的属性值的权重，将备选对象的各个属性值与基准对象的各个属性值的相似度进行加权，得到备选对象与基准对象的相似值，选取相似值最高的备选对象作为推荐对象。
在一些实施例中，将备选对象的各个属性值与基准对象的各个属性值的相似度分别乘以对应的属性的重要程度，组合为备选对象的属性向量，将各个属性的重要程度组合为基准对象的属性向量；根据备选对象的属性向量和基准对象的属性向量的相似性确定与基准对象相似的备选对象。
参考表2所示，为针对手机这一品类对象，获取的各个对象的属性、属性的重要程度和对应的属性值。
表2
在该应用例中，以SKU(库存量单位)1为基准对象，其他位备选对象，对于价格这一属性，如果SKU2或SKU3与SKU1的价格差距在SKU1价格的20％以内，则认为SKU2或SKU3与SKU1的价格属性值的相似度为1。针对其他属性，如果两者属性值相同，则相似度为1，否则，相似度为0。将各个属性的重要程度组合为基准对象SKU1的属性向量为(0.8，0.6，0.5，0.4)。将备选对象的各个属性值与基准对象的各个属性值的相似度分别乘以对应的属性的重要程度，组合为备选对象的属性向量。SKU2的属性向量为(0.8，0，0.5，0.4)，SKU3的属性向量为(0，0。6，0.5，0.4)。分别计算属性向量的相似性，则可以得到SKU2和SKU1的相似性，以及SKU3和SKU1的相似性。选取相似性高的备选对象作为推荐对象。例如计算向量之间的余弦相似性作为两向量之间的相似性。
针对互联网平台中使用时间较长，数据较多的用户，可以针对该用户采用上述实施例的方法为该用户确定推荐对象，例如，根据该用户的点击情况确定该用户对于每个属性的点击次数，确定该用户浏览各个标签的浏览量，进一步确定对于该用户各个属性的重要程度，最后确定对于该用户哪些备选对象与基准对象相似，从而确定推荐对象。
步骤S106，根据基准对象组合中基准对象的对应关系确定推荐对象的对应关系，得到推荐对象组合，以便根据推荐对象组合为用户进行推荐。
例如，基准对象组合为SKUA和SKUB，分别确定与SKUA相似的备选对象为SKUC，与SKUB相似的备选对象为SKUD，则推荐对象组合为SKUC和SKUD。当用户浏览或购买SKUC时则可向用户推荐SKUD。
对用户进行推荐时还可以集合用户的特征对推荐对象组合进行过滤。例如，用户半年内购买过手机，则不为该用户推荐手机。还可以针对推荐坑位的点击率确定推荐效果，对推荐对象组合的显示进行排序。推荐坑位即推荐对象在页面中显示的位置。
上述实施例的方法也可以应用于互联网平台基于其他类似或相关平台的用户数据在本平台为用户推荐对象的场景。
上述实施例的方法中优先获取基准对象组合，包含具有推荐关联性的基准对象，进一步从备选对象中选取与基准对象相似的备选对象作为推荐对象，在考虑属性值相似性的同时参考各个属性对于用户的重要程度确定两个对象的相似程度。上述实施例的方法应用于特色业务场景下，可以将互联网平台中的具有推荐关联性的对象作为基准对象，进一步确定特色业务中与基准对象相似的对象作为推荐对象，能够参考用户的使用习惯和兴趣，更加准确和全面的为用户推荐对象，并在一定程度上解决长尾商品不被推荐的问题，提升用户体验。
上述实施例的方法可以采用大数据系统实现，大数据系统中包括：大数据平台、Hadoop平台、Spark平台、ES(Elastic Search，弹性搜索)以及业务平台等。大数据平台可以从各个业务系统获取各种数据，例如用户操作数据、订单数据等，大数据平台对这些数据进行存储供其他组件调用。Hadoop平台用于对大数据平台中的数据进行加工，例如清洗等。Spark平台用于实现上述实施例中的方案获得推荐对象组合。ES用于存储Spark平台得到的推荐对象组合。业务平台用户调用ES中的数据为用户进行推荐。
下面结合图2描述本公开对象推荐方法一些应用例.
图2为本公开对象推荐方法一些应用例的流程图。如图2所示，该实施例的方法包括：步骤S202～S214。
步骤S202，根据互联网平台中的数据确定具有推荐关联性的基准对象组成的基准对象组合。
步骤S204，从特色业务平台中选取与基准对象品类相同或相近的对象作为备选对象。
步骤S206，确定备选对象与基准对象的各个属性的重要程度，以及备选对象的各个属性值与基准对象相应的属性值的相似度。
步骤S208，根据各个属性的重要程度以及备选对象的各个属性值与基准对象相应的属性值的相似度，确定备选对象与基准对象相似性。
步骤S210，从各个备选对象中选取与基准对象相似性最高的作为推荐对象。
步骤S212，根据基准对象组合中基准对象的对应关系确定推荐对象的对应关系，得到推荐对象组合。
步骤S214，基于推荐对象组合的数据，根据用户使用特色业务的行为以及推荐规则为用户推荐对象。
本公开还提供一种对象推荐装置，下面结合图3进行描述。
图3为本公开对象推荐装置的一些实施例的结构图。如图3所示，该实施例的装置30包括：基准对象确定模块302，推荐对象确定模块304，推荐组合确定模块306。
基准对象确定模块302，用于获取具有推荐关联性的基准对象组成的基准对象组合。例如，基准对象确定模块302可以执行上述实施例中的步骤S102。
在一些实施例中，基准对象确定模块302用于根据频繁模式增长FP-Grown算法对各个对象进行关联性分析得到基准对象组合。
推荐对象确定模块304，用于根据各个属性的重要程度以及备选对象的各个属性值与基准对象相应的属性值的相似度，确定与基准对象相似的备选对象作为推荐对象。例如，推荐对象确定模块304可以执行上述实施例中的步骤S104。
在一些实施例中，推荐对象确定模304块用于将备选对象的各个属性值与基准对象的各个属性值的相似度分别乘以对应的属性的重要程度，组合为备选对象的属性向量；将各个属性的重要程度组合为基准对象的属性向量；根据备选对象的属性向量和基准对象的属性向量的相似性确定与基准对象相似的备选对象。
在一些实施例中，推荐对象确定模块304用于根据属性对应的各个标签的点击次数和点击用户数确定该属性的点击度作为该属性的重要程度；或者，根据同一属性的标签的个数以及各个标签对应的对象浏览量确定该属性的浏览离散程度作为该属性的重要程度。
在一些实施例中，推荐对象确定模块304用于根据属性对应的各个标签的点击次数和点击用户数确定该属性的点击度，根据该属性的标签的个数以及各个标签对应的对象浏览量确定该属性的浏览离散程度，根据点击度和浏览离散程度确定该属性的重要程度。
可选的，属性的点击度为该属性对应的各个标签的总点击次数与总点击用户数的加权和。
进一步，点击次数和点击用户数为有效点击的点击次数和点击用户数；有效点击是根据点击引入信息确定的，点击引入信息包括：点击引入浏览对象的数量、点击引入的平均每个对象的浏览量和点击引入的平均每个对象的浏览时长中的至少一项。
可选的，属性的浏览离散程度为该属性的各个标签对应的对象浏览量的标准差。
推荐组合确定模块306，用于根据基准对象组合中基准对象的对应关系确定推荐对象的对应关系，得到推荐对象组合，以便根据推荐对象组合为用户进行推荐。例如，推荐组合确定模块306可以执行上述实施例中的步骤S106。
本公开还提供一种计算机可读存储介质其上存储有计算机程序，其中，该程序被处理器执行时实现前述任一个实施例的对象推荐方法的步骤。
本公开的实施例中的对象推荐装置可各由各种计算设备或计算机系统来实现，下面结合图4以及图5进行描述。
图4为本公开对象推荐装置的一些实施例的结构图。如图4所示，该实施例的装置40包括：存储器410以及耦接至该存储器410的处理器420，处理器420被配置为基于存储在存储器410中的指令，执行本公开中任意一些实施例中的对象推荐方法。
其中，存储器410例如可以包括系统存储器、固定非易失性存储介质等。系统存储器例如存储有操作系统、应用程序、引导装载程序(Boot Loader)、数据库以及其他程序等。
图5为本公开对象推荐装置的另一些实施例的结构图。如图5所示，该实施例的装置50包括：存储器510以及处理器520，分别与存储器410以及处理器420类似。还可以包括输入输出接口530、网络接口540、存储接口550等。这些接口530，540，550以及存储器510和处理器520之间例如可以通过总线560连接。输入输出接口530为显示器、鼠标、键盘、触摸屏等输入输出设备提供连接接口。网络接口540为各种联网设备提供连接接口，例如可以连接到数据库服务器或者云端存储服务器等。存储接口550为SD卡、U盘等外置存储设备提供连接接口。
本领域内的技术人员应当明白，本公开的实施例可提供为方法、系统、或计算机程序产品。因此，本公开可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用非瞬时性存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本公开是参照根据本公开实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解为可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅为本公开的较佳实施例，并不用以限制本公开，凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。

Claims (18)

1.一种对象推荐方法，包括：
获取具有推荐关联性的基准对象组成的基准对象组合；
根据各个属性的重要程度以及备选对象的各个属性值与所述基准对象相应的属性值的相似度，确定与所述基准对象相似的备选对象作为推荐对象；
根据所述基准对象组合中基准对象的对应关系确定推荐对象的对应关系，得到推荐对象组合，以便根据所述推荐对象组合为用户进行推荐。
2.根据权利要求1所述的对象推荐方法，其中，采用以下方法确定属性的重要程度：
根据属性对应的各个标签的点击次数和点击用户数确定该属性的点击度作为该属性的重要程度；
或者，
根据同一属性的标签的个数以及各个标签对应的对象浏览量确定该属性的浏览离散程度作为该属性的重要程度。
3.根据权利要求1所述的对象推荐方法，其中，采用以下方法确定属性的重要程度：
根据属性对应的各个标签的点击次数和点击用户数确定该属性的点击度；
根据该属性的标签的个数以及各个标签对应的对象浏览量确定该属性的浏览离散程度；
根据所述点击度和浏览离散程度确定该属性的重要程度。
4.根据权利要求2或3所述的对象推荐方法，其中，
所述属性的点击度为该属性对应的各个标签的总点击次数与总点击用户数的加权和。
5.根据权利要求4所述的对象推荐方法，其中，
所述点击次数和点击用户数为有效点击的点击次数和点击用户数；
所述有效点击是根据点击引入信息确定的，所述点击引入信息包括：点击引入浏览对象的数量、点击引入的平均每个对象的浏览量和点击引入的平均每个对象的浏览时长中的至少一项。
6.根据权利要求2或3所述的对象推荐方法，其中，
所述属性的浏览离散程度为该属性的各个标签对应的对象浏览量的标准差。
7.根据权利要求1所述的对象推荐方法，其中，采用以下方法确定与所述基准对象相似的备选对象：
将备选对象的各个属性值与所述基准对象的各个属性值的相似度分别乘以对应的属性的重要程度，组合为所述备选对象的属性向量；
将各个属性的重要程度组合为所述基准对象的属性向量；
根据所述备选对象的属性向量和所述基准对象的属性向量的相似性确定与所述基准对象相似的备选对象。
8.根据权利要求1所述的对象推荐方法，其中，
所述基准对象组合是根据频繁模式增长FP-Grown算法对各个对象进行关联性分析得到的。
9.一种对象推荐装置，包括：
基准对象确定模块，用于获取具有推荐关联性的基准对象组成的基准对象组合；
推荐对象确定模块，用于根据各个属性的重要程度以及备选对象的各个属性值与所述基准对象相应的属性值的相似度，确定与所述基准对象相似的备选对象作为推荐对象；
推荐组合确定模块，用于根据所述基准对象组合中基准对象的对应关系确定推荐对象的对应关系，得到推荐对象组合，以便根据所述推荐对象组合为用户进行推荐。
10.根据权利要求9所述的对象推荐装置，其中，
所述推荐对象确定模块用于根据属性对应的各个标签的点击次数和点击用户数确定该属性的点击度作为该属性的重要程度；或者，根据同一属性的标签的个数以及各个标签对应的对象浏览量确定该属性的浏览离散程度作为该属性的重要程度。
11.根据权利要求9所述的对象推荐装置，其中，
所述推荐对象确定模块用于根据属性对应的各个标签的点击次数和点击用户数确定该属性的点击度，根据该属性的标签的个数以及各个标签对应的对象浏览量确定该属性的浏览离散程度，根据所述点击度和浏览离散程度确定该属性的重要程度。
12.根据权利要求10或11所述的对象推荐装置，其中，
所述属性的点击度为该属性对应的各个标签的总点击次数与总点击用户数的加权和。
13.根据权利要求12所述的对象推荐装置，其中，
所述点击次数和点击用户数为有效点击的点击次数和点击用户数；
所述有效点击是根据点击引入信息确定的，所述点击引入信息包括：点击引入浏览对象的数量、点击引入的平均每个对象的浏览量和点击引入的平均每个对象的浏览时长中的至少一项。
14.根据权利要求10或11所述的对象推荐装置，其中，
所述属性的浏览离散程度为该属性的各个标签对应的对象浏览量的标准差。
15.根据权利要求9所述的对象推荐装置，其中，
所述推荐对象确定模块用于将备选对象的各个属性值与所述基准对象的各个属性值的相似度分别乘以对应的属性的重要程度，组合为所述备选对象的属性向量；将各个属性的重要程度组合为所述基准对象的属性向量；根据所述备选对象的属性向量和所述基准对象的属性向量的相似性确定与所述基准对象相似的备选对象。
16.根据权利要求9所述的对象推荐装置，其中，
所述基准对象确定模块用于根据频繁模式增长FP-Grown算法对各个对象进行关联性分析得到基准对象组合。
17.一种对象推荐装置，包括：
存储器；以及
耦接至所述存储器的处理器，所述处理器被配置为基于存储在所述存储器设备中的指令，执行如权利要求1-8任一项所述的对象推荐方法。
18.一种计算机可读存储介质，其上存储有计算机程序，其中，该程序被处理器执行时实现权利要求1-8任一项所述方法的步骤。
CN201711455376.1A 2017-12-28 2017-12-28 对象推荐方法、装置以及计算机可读存储介质 Pending CN109978580A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711455376.1A CN109978580A (zh) 2017-12-28 2017-12-28 对象推荐方法、装置以及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711455376.1A CN109978580A (zh) 2017-12-28 2017-12-28 对象推荐方法、装置以及计算机可读存储介质

Publications (1)

Publication Number Publication Date
CN109978580A true CN109978580A (zh) 2019-07-05

Family

ID=67074156

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711455376.1A Pending CN109978580A (zh) 2017-12-28 2017-12-28 对象推荐方法、装置以及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN109978580A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110443640A (zh) * 2019-07-18 2019-11-12 佛山科学技术学院 一种基于大数据的商品推送方法及存储介质
CN111581452A (zh) * 2020-03-26 2020-08-25 浙江口碑网络技术有限公司 推荐对象数据的获得方法、装置及电子设备
CN111931059A (zh) * 2020-08-19 2020-11-13 创新奇智(成都)科技有限公司 一种对象的确定方法、装置及存储介质
CN112116421A (zh) * 2020-09-09 2020-12-22 江苏亿讯网络科技有限公司 一种自建福利商城的商品优化推荐的方法和系统
CN112330406A (zh) * 2020-11-10 2021-02-05 深圳大学 一种长尾物品推荐方法、智能终端及存储介质
CN114004675A (zh) * 2021-10-29 2022-02-01 北京市商汤科技开发有限公司 一种对象选择方法、装置、计算机设备以及存储介质
CN114528482A (zh) * 2022-01-25 2022-05-24 北京三快在线科技有限公司 一种推荐对象确定方法、装置、电子设备及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102124466A (zh) * 2008-09-05 2011-07-13 索尼公司 内容推荐系统、内容推荐方法、内容推荐设备、程序以及信息存储介质
CN102542046A (zh) * 2011-12-27 2012-07-04 纽海信息技术（上海）有限公司 一种基于图书内容的图书推荐方法
CN103299651A (zh) * 2010-12-17 2013-09-11 北京交通大学 节目推荐装置和节目推荐方法
CN104063481A (zh) * 2014-07-02 2014-09-24 山东大学 一种基于用户实时兴趣向量的电影个性化推荐方法
CN106686460A (zh) * 2016-12-22 2017-05-17 Ut斯达康(深圳)技术有限公司 一种视频节目推荐方法及视频节目推荐装置
CN106779926A (zh) * 2016-12-02 2017-05-31 乐视控股（北京）有限公司 关联规则生成方法、装置及终端

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102124466A (zh) * 2008-09-05 2011-07-13 索尼公司 内容推荐系统、内容推荐方法、内容推荐设备、程序以及信息存储介质
CN103299651A (zh) * 2010-12-17 2013-09-11 北京交通大学 节目推荐装置和节目推荐方法
CN102542046A (zh) * 2011-12-27 2012-07-04 纽海信息技术（上海）有限公司 一种基于图书内容的图书推荐方法
CN104063481A (zh) * 2014-07-02 2014-09-24 山东大学 一种基于用户实时兴趣向量的电影个性化推荐方法
CN106779926A (zh) * 2016-12-02 2017-05-31 乐视控股（北京）有限公司 关联规则生成方法、装置及终端
CN106686460A (zh) * 2016-12-22 2017-05-17 Ut斯达康(深圳)技术有限公司 一种视频节目推荐方法及视频节目推荐装置

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110443640A (zh) * 2019-07-18 2019-11-12 佛山科学技术学院 一种基于大数据的商品推送方法及存储介质
CN111581452A (zh) * 2020-03-26 2020-08-25 浙江口碑网络技术有限公司 推荐对象数据的获得方法、装置及电子设备
CN111581452B (zh) * 2020-03-26 2023-10-17 浙江口碑网络技术有限公司 推荐对象数据的获得方法、装置及电子设备
CN111931059A (zh) * 2020-08-19 2020-11-13 创新奇智(成都)科技有限公司 一种对象的确定方法、装置及存储介质
CN112116421A (zh) * 2020-09-09 2020-12-22 江苏亿讯网络科技有限公司 一种自建福利商城的商品优化推荐的方法和系统
CN112330406A (zh) * 2020-11-10 2021-02-05 深圳大学 一种长尾物品推荐方法、智能终端及存储介质
CN112330406B (zh) * 2020-11-10 2024-05-24 深圳大学 一种长尾物品推荐方法、智能终端及存储介质
CN114004675A (zh) * 2021-10-29 2022-02-01 北京市商汤科技开发有限公司 一种对象选择方法、装置、计算机设备以及存储介质
CN114528482A (zh) * 2022-01-25 2022-05-24 北京三快在线科技有限公司 一种推荐对象确定方法、装置、电子设备及存储介质

Similar Documents

Publication Publication Date Title
CN109978580A (zh) 对象推荐方法、装置以及计算机可读存储介质
CN109325179B (zh) 一种内容推广的方法及装置
CN108960975A (zh) 基于用户画像的个性化精准营销方法、服务器及存储介质
CN110827114A (zh) 一种商品推荐方法及装置
CN107220852A (zh) 用于确定目标推荐用户的方法、装置和服务器
WO2018121700A1 (zh) 基于已安装应用来推荐应用信息的方法、装置、终端设备及存储介质
US10621641B2 (en) Method and device for pushing information
WO2018035164A1 (en) Description information generation and presentation systems, methods, and devices
EP3117339A1 (en) Systems and methods for keyword suggestion
CN108805598A (zh) 相似度信息确定方法、服务器及计算机可读存储介质
CN111626767B (zh) 资源数据的发放方法、装置及设备
US20160196579A1 (en) Dynamic deep links based on user activity of a particular user
CN107103028A (zh) 一种信息处理方法及装置
CN109190027A (zh) 多源推荐方法、终端、服务器、计算机设备、可读介质
CN106933905B (zh) 网页访问数据的监测方法和装置
US9508087B1 (en) Identifying similar display items for potential placement of content items therein
CN112989276B (zh) 信息推送系统的评价方法和装置
CN106919609A (zh) 产品信息推送方法和装置
CN110189188B (zh) 商品管理方法、装置、计算机设备及存储介质
CN110796520A (zh) 商品推荐的方法、装置、计算设备以及介质
CN116308663A (zh) 一种推荐方法、终端及存储介质
CN112015970A (zh) 产品推荐方法、相关设备及计算机存储介质
CN113158032B (zh) 一种信息推送方法和装置
CN107357847B (zh) 数据处理方法及其装置
JP5869931B2 (ja) 批評者に批評すべきアイテムを検出するレコメンドアイテム検出プログラム、装置及び方法

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20190705