一种用户推荐的方法和设备技术

本申请涉及计算机网络技术领域，特别涉及一种用户推荐的方法和设备，用以解决现有技术在进行用户推荐时，推荐理由较为单一，推荐结果不够准确的问题。本申请实施例确定第一类用户中的目标用户；从第二类用户中确定与目标用户相关的特定用户；确定每个特定用户的特征参数，将确定的每个特定用户的特征参数进行整合处理，并将处理后的每个特定用户的特征参数输入到信任模型中；获取信任模型输出的为所述目标用户推荐的特定用户。由于本申请实施例在为目标用户推荐第二类用户时，采用基于信任特征的推荐方法，为目标用户进行准确推荐。

Method and device recommended by user

The invention relates to the technical field of computer network, especially relates to a method and a device to recommend a user, used to solve the user recommended, recommended reason is single. The recommended results are not accurate enough problems. The embodiment of the invention is to determine the first user in the target user; determining specific users associated with target users from second types of users; to determine the characteristic parameters of each particular user, the characteristic parameters of each specific user to determine the integration process, and each specific user input parameters after the treatment to the trust model; to obtain the specific user recommendation for the target user's trust model output. Since the application example recommends second types of users for the target user, the recommendation method based on the trust characteristic is adopted to accurately recommend the target user.

【技术实现步骤摘要】
一种用户推荐的方法和设备
本申请涉及计算机网络
，特别涉及一种用户推荐的方法和设备。
技术介绍
随着互联网技术的发展，越来越多的用户通过第三方电子交易平台进行交易。为了进一步为买卖双方用户提供更为优质的服务，交易平台在实现基本功能的基础上也在不断地完善其自身的功能。在用户通过第三方电子交易平台进行交易时，尤其在B类电子商务场景中，用户往往希望能够在众多的交易对象中，快速发现更加符合用户要求的交易对象。为了更加方便用户通过第三方电子交易平台进行交易，现有技术是在用户浏览网页时，根据用户的历史行为记录为用户推荐交易对象。例如，在用户为买家时，为买家推荐卖家的方法如图1所示，首先，在第三方电子交易平台的众多的卖中获取买家曾经有过行为的卖家，根据买家不同行为的权重对获取的卖家进行排序，排序结果如：A、B、……、M；然后确定与获取的每个卖家相似的其它卖家，经过协同过滤算法计算出卖家之间的相似度，如与卖家A相似的卖家按照相似度从高到低排序为：A1、A2、……、An；从而根据上述方法得到为买家推荐的卖家的推荐排序为A1、A2、……、An、B1、B2……但是，现有技术中根据买家和卖家之间的行为强度，以及买家之间的相似度进行推荐的方法，推荐的理由较为单一；并且现有的推荐方法没有考虑B类电商环境中用户更为注重的推荐因素，使得目前仅仅根据行为强度和相似度进行推荐，推荐结果不够准确。综上所述，目前在进行用户推荐时，推荐理由较为单一，推荐结果不够准确。
技术实现思路
本申请提供一种用户推荐的方法和设备，用以解决现有技术在进行用户推荐时，推荐理由较为单一，推荐结果不够准确的问题。基于上述问题，本申请实施例提供一种用户推荐的方法，包括：确定第一类用户中的目标用户；从第二类用户中确定与所述目标用户相关的特定用户；确定每个特定用户的特征参数，其中所述特征参数包括用于表征用户信用度的信任特征参数和用于表征与其它同类用户相似信息的信任扩展特征参数中的至少一者；将确定的每个特定用户的特征参数进行整合处理，并将处理后的每个特定用户的特征参数输入到信任模型中；获取所述信任模型输出的为所述目标用户推荐的特定用户。由于本申请实施例在为目标用户推荐第二类用户时，需要首先确定第二类用户中与目标用户相关的特定用户，基于选定的特定用户，确定每个特定用户的信任特征参数和信任扩展特征参数中的至少一者，并将每个特定用户的特征参数通过信任模型，从而确定为目标用户推荐的特定用户。本申请实施例在为目标用户推荐第二类用户时，采用基于信任特征的推荐方法，为目标用户进行准确推荐。可选的，所述特征参数还包括用于表征用户行为的行为特征参数。由于本申请实施例在进行用户推荐时，选用的用户的特征参数还包括行为特征参数，将行为特征参数和信任特征参数结合，从而更加准确的为用户进行推荐。可选的，根据下列方式获得所述信任模型：确定第一类用户和第二类用户之间的历史行为数据，以及确定每个第一类用户和每个第二类用户的所述特征参数；将所述历史行为数据和所述特征参数进行整合处理，并将处理后的所述历史行为数据和特征参数输入到初始信任模型中进行训练；保存训练后的所述初始信任模型作为所述信任模型。由于本申请实施例根据第一类用户和第二类用户之间的历史行为数据，以及每个用户的特征参数，对初始信任模型进行训练，得到信任模型，以使在推荐过程中利用信任模型进行用户推荐。可选的，所述第一类用户为卖家，所述第二类用户为买家；所述第一类用户为买家，所述第二类用户为卖家。由于本申请实施例既可以为买家推荐卖家，又可以为卖家推荐买家，从而本申请实施例的用户推荐的方法更加灵活。可选的，从所有第二类用户中确定与所述目标用户相关的所有特定用户，包括：若所述第一类用户为卖家，从所有第二类用户中，确定第二类用户的偏好类目与所述目标用户的主营类目有交集的第二类用户作为特定用户；若所述第一类用户为买家，从所有第二类用户中，确定第二类用户的主营类目与所述目标用户的偏好类目有交集的第二类用户作为特定用户。由于本申请实施例根据买家的偏好类目和卖家的主营类目确定特定用户，大大提升了召回的特定用户的数量，从而更加准确地为目标用户进行推荐。可选的，所述将确定的每个特定用户的特征参数进行整合处理，包括：根据所述信任模型的元素，将所述特定用户的特征参数整合处理为与所述元素同类型的特征参数；所述将所述历史行为数据和所述特征参数进行整合处理，包括：根据所述初始信任模型的元素，将所述历史行为数据整合处理为与所述元素同类型的历史行为数据，以及将所述特征参数整合处理为与所述元素同类型的特征参数。由于本申请实施例在将特征参数输入信任模型之前，以及将历史行为数据和特征参数输入初始信任模型之前，需要根据模型的元素对特征参数、历史行为数据进行整合处理，以使信任模型和初始信任模型准确识别特征参数和历史行为数据，从而保证了推荐的准确性。可选的，所述信任模型为LambdaMART信任模型；所述初始信任模型为LambdaMART初始信任模型。由于本申请实施例采用LambdaMART信任模型作为信任模型，采用LambdaMART初始信任模型作为初始信任模型，从而使得用户推荐的方法更为准确。另一方面，本申请实施例还提供一种用户推荐的设备，包括：第一确定模块，用于确定第一类用户中的目标用户；第二确定模块，用于从第二类用户中确定与所述目标用户相关的特定用户；第三确定模块，用于确定每个特定用户的特征参数，其中所述特征参数包括用于表征用户信用度的信任特征参数和用于表征与其它同类用户相似信息的信任扩展特征参数中的至少一者；处理模块，用于将确定的每个特定用户的特征参数进行整合处理，并将处理后的每个特定用户的特征参数输入到信任模型中；获取模块，用于获取所述信任模型输出的为所述目标用户推荐的特定用户。可选的，所述特征参数还包括用于表征用户行为的行为特征参数。可选的，所述处理模块，还用于：确定第一类用户和第二类用户之间的历史行为数据，以及确定每个第一类用户和每个第二类用户的所述特征参数；将所述历史行为数据和所述特征参数进行整合处理，并将处理后的所述历史行为数据和特征参数输入到初始信任模型中进行训练；保存训练后的所述初始信任模型作为所述信任模型。可选的，所述第一类用户为卖家，所述第二类用户为买家；所述第一类用户为买家，所述第二类用户为卖家。可选的，所述第二确定模块，具体用于：若所述第一类用户为卖家，从所有第二类用户中，确定第二类用户的偏好类目与所述目标用户的主营类目有交集的第二类用户作为特定用户；若所述第一类用户为买家，从所有第二类用户中，确定第二类用户的主营类目与所述目标用户的偏好类目有交集的第二类用户作为特定用户。可选的，所述处理模块，具体用于：根据所述信任模型的元素，将所述特定用户的特征参数整合处理为与所述元素同类型的特征参数；根据所述初始信任模型的元素，将所述历史行为数据整合处理为与所述元素同类型的历史行为数据，以及将所述特征参数整合处理为与所述元素同类型的特征参数。可选的，所述信任模型为LambdaMART信任模型；所述初始信任模型为LambdaMART初始信任模型。附图说明图1为
技术介绍
中为买家推荐卖家的方法；图2为本申请实施例用户推荐的方法的流程图；图3为本申请本文档来自技高网...

【技术保护点】
一种用户推荐的方法，其特征在于，该方法包括：确定第一类用户中的目标用户；从第二类用户中确定与所述目标用户相关的特定用户；确定每个特定用户的特征参数，其中所述特征参数包括用于表征用户信用度的信任特征参数和用于表征与其它同类用户相似信息的信任扩展特征参数中的至少一者；将确定的每个特定用户的特征参数进行整合处理，并将处理后的每个特定用户的特征参数输入到信任模型中；获取所述信任模型输出的为所述目标用户推荐的特定用户。

【技术特征摘要】
1.一种用户推荐的方法，其特征在于，该方法包括：确定第一类用户中的目标用户；从第二类用户中确定与所述目标用户相关的特定用户；确定每个特定用户的特征参数，其中所述特征参数包括用于表征用户信用度的信任特征参数和用于表征与其它同类用户相似信息的信任扩展特征参数中的至少一者；将确定的每个特定用户的特征参数进行整合处理，并将处理后的每个特定用户的特征参数输入到信任模型中；获取所述信任模型输出的为所述目标用户推荐的特定用户。2.如权利要求1所述的方法，其特征在于，所述特征参数还包括用于表征用户行为的行为特征参数。3.如权利要求1所述的方法，其特征在于，根据下列方式获得所述信任模型：确定第一类用户和第二类用户之间的历史行为数据，以及确定每个第一类用户和每个第二类用户的所述特征参数；将所述历史行为数据和所述特征参数进行整合处理，并将处理后的所述历史行为数据和特征参数输入到初始信任模型中进行训练；保存训练后的所述初始信任模型作为所述信任模型。4.如权利要求1所述的方法，其特征在于，所述第一类用户为卖家，所述第二类用户为买家；所述第一类用户为买家，所述第二类用户为卖家。5.如权利要求4所述的方法，其特征在于，从所有第二类用户中确定与所述目标用户相关的所有特定用户，包括：若所述第一类用户为卖家，从所有第二类用户中，确定第二类用户的偏好类目与所述目标用户的主营类目有交集的第二类用户作为特定用户；若所述第一类用户为买家，从所有第二类用户中，确定第二类用户的主营类目与所述目标用户的偏好类目有交集的第二类用户作为特定用户。6.如权利要求3所述的方法，其特征在于，所述将确定的每个特定用户的特征参数进行整合处理，包括：根据所述信任模型的元素，将所述特定用户的特征参数整合处理为与所述元素同类型的特征参数；所述将所述历史行为数据和所述特征参数进行整合处理，包括：根据所述初始信任模型的元素，将所述历史行为数据整合处理为与所述元素同类型的历史行为数据，以及将所述特征参数整合处理为与所述元素同类型的特征参数。7.如权利要求1～6任一所述的方法，其特征在于，所述信任模型为Lambd...

【专利技术属性】
技术研发人员：魏溪含，李博，
申请(专利权)人：阿里巴巴集团控股有限公司，
类型：发明
国别省市：开曼群岛,KY