本申请公开了一种商品推荐方法，包括：获取用户浏览商品的历史行为数据；根据当前用户的用户信息、所述历史行为数据以及可供推荐的商品属性值组合，采用预先生成的商品属性值预测模型，获取所述当前用户目前感兴趣的商品属性值组合；获取与所述当前用户目前感兴趣的商品属性值组合对应的商品集合，并将所述商品集合中的商品中之至少一部分推荐给所述当前用户。本申请同时提供一种商品推荐装置。采用本申请提供的方法，可以为当前浏览商品的用户实时、准确地推荐其目前感兴趣的商品信息，不仅可以节省用户浏览商品的时间、有效改善用户体验，还可以提高网站的商品销量。
【技术实现步骤摘要】
本申请涉及个性化推荐领域，具体涉及一种商品推荐方法。本申请同时提供一种 商品推荐装置。
技术介绍
随着互联网的普及和网站技术的发展，越来越多的用户选择在网上浏览、挑选、或 者购买自己需要的商品。然而随着商品数目和种类的快速增长，用户往往需要花费大量的 时间进行浏览才能找到自己需要的或者感兴趣的商品，这样可能会造成光顾网站的消费者 的不断流失。在这种情况下，很多网站都不同程度地采用各种形式的推荐技术向用户进行 商品推荐，例如，根据用户的兴趣特点和购买行为，有针对性地向用户推荐其可能购买或者 感兴趣的商品及信息。通过商品推荐，一方面可以提高购物网站的销量，另一方面，便于用 户快速找到自己所需的商品，同时还可以避免用户因为频繁搜索查找而产生的不必要的搜 索流量，减轻网站服务器的负担。 现有技术中，通常采用计算商品之间的相关性来实现商品推荐功能，具体说包括 以下两个步骤： 1)离线计算每种商品的相关性。根据用户在特定时间段内针对某一商品的各种行 为（浏览、收藏、购买）发生的次数，进行加权求和得到用户对该商品的偏好数值（并可以 进一步得到偏好度数值），构建由用户、商品、用户对商品的偏好数值（或者偏好度）组成的 矩阵，然后使用相关性计算方法计算出所有商品之间的两两相关性数值，例如，采用如下所 示的余弦夹角公式进行相关性计算，其中代表矩阵中第m个用户对第j个商品的偏好 数值： 很做丄?订昇轱米，对t母一T冏rn，?耳乂勺兵琨刃TO天的目U (Topk)商品作 为结果备用。 2)用户访问网站时，以该用户当前浏览的商品作为基准商品或者以用户刚刚浏览 过的一个或者多个商品作为基准商品，根据在步骤1中的计算结果，选取与基准商品相关 的多个商品，作为推荐结果展示给用户；进一步地，也可以先对用户刚刚浏览过的多个基准 商品，按照行为类型（购买、收藏或者仅浏览）和发生时间距离当前时间的差值，对基准商 品进行评分，然后根据步骤1中的计算结果选取与基准商品相关的多个商品，并针对选取 的每个商品，将与其对应的基准商品的分值和该商品与基准商品的相关性数值相乘，根据 得到的乘积进行排序，最后将排在前面的特定数量的商品作为推荐结果展示给用户。 上述推荐方式，存在以下两个缺陷： 1)无法实时地反映用户的需求。上述方式中选用的相关商品是离线计算好的，并 没有针对用户最近的访问行为进行调整，然而用户的购买行为，通常会受到诸多实时要素 的影响，例如，用户购买电风扇，如果当前温度很高，用户可能倾向于购买带水槽的冷风扇； 如果当前虽然是夏天但是雷电交加，用户则可能倾向于购买带基座、且比较重的落地扇。用 户的购买倾向不同，最近在网站上浏览的商品自然也不同，而上述推荐方式，由于没有考虑 用户最近在线上的浏览行为，因此推荐给用户的商品信息可能无法满足用户的需求。 2)推荐结果不够准确。上述推荐方式根据常规的理解和经验，依据用户行为确定 用户偏好，并将相关性算法的计算结果直接加以应用，这种方式没有建模过程，没有经过大 量样本数据的训练和验证，因此可能会导致推荐结果不够准确，用户需要经过较长时间的 浏览、查找过程才能找到自己所需的商品。
技术实现思路
本申请提供一种商品推荐方法，以解决现有技术无法为当前用户实时、准确地进 行商品推荐的问题。本申请另外提供一种商品推荐装置。 本申请提供一种商品推荐方法，包括： 获取用户浏览商品的历史行为数据； 根据当前用户的用户信息、所述历史行为数据以及可供推荐的商品属性值组合， 采用预先生成的商品属性值预测模型，获取所述当前用户目前感兴趣的商品属性值组合； 获取与所述当前用户目前感兴趣的商品属性值组合对应的商品集合，并将所述商 品集合中的商品中之至少一部分推荐给所述当前用户。 可选的，在执行所述获取与所述当前用户目前感兴趣的商品属性值组合对应的商 品集合的步骤后，执行下述操作： 针对所述商品集合中的每个商品，采用预先生成的商品偏好预测模型，以所述用 户信息、所述商品的商品属性值和所述历史行为数据作为输入，计算所述当前用户对所述 向品感兴趣的概率； 按照所述概率的值从大到小的顺序，选择预定数量的商品，并将所选商品组成新 的向品集合； 相应的，所述将所述商品集合中的商品中至少一部分推荐给所述当前用户是指， 将上述新的商品集合中的商品中至少一部分推荐给所述当前用户。 可选的，所述用户信息包括：用户标识、性别、年龄、收入水平、和住址； 所述商品属性包括：所属类目、价格区间、风格、和材料。 可选的，所述历史行为数据包括：在预先设定时间段内的用户行为数据、与商品属 性值组合相关的用户行为数据、与商品相关的用户行为数据、用户对商品属性值组合的行 为数据、以及用户对商品的行为数据和相关的场景标识。 可选的，所述根据当前用户的用户信息、所述历史行为数据以及可供推荐的商品 属性值组合，采用预先生成的商品属性值预测模型，获取所述当前用户目前感兴趣的商品 属性值组合，包括： 针对每种可供推荐的商品属性值组合，采用预先生成的商品属性值预测模型，以 所述用户信息、所述历史行为数据、以及所述商品属性值组合为输入，计算所述用户对所述 商品属性值组合感兴趣的概率； 选取上述概率中的最大值对应的商品属性值组合，作为所述当前用户目前感兴趣 的商品属性值组合。 可选的，所述获取与所述当前用户目前感兴趣的商品属性值组合对应的商品集 合，采用如下方式实现： 采用所述商品属性值组合中的各个属性值对应的关键字，对商品数据库进行检 索，并用检索得到的符合所述商品属性值组合的商品组成所述商品集合。 可选的，所述商品属性值预测模型采用如下方式生成： 采用Logistic Regression逻辑回归算法，以用户信息、用户浏览商品的历史行为 数据、以及商品属性值组合作为训练集数据，建立所述商品属性值预测模型，该模型用于根 据用户的浏览行为预测用户对特定商品属性值组合感兴趣的概率； 所述用户对特定商品属性值组合感兴趣是指，用户对符合所述商品属性值组合的 商品执行强行为操作，所述强行为包括以下元素中的至少一者：收藏、加入购物车、加入进 货单、购买。 可选的，所述商品偏好预测模型采用如下方式生成： 采用Logistic Regression逻辑回归算法，以用户信息、用户浏览商品的历史行为 数据、以及商品属性值作为训练集数据，建立所述商品偏好预测模型，该模型用于根据用户 的浏览行为预测用户对特定商品感兴趣的概率； 所述用户对特定商品感兴趣是指，用户对所述商品执行强行为操作，所述强行为 包括以下元素中的至少一者：收藏、加入购物车、加入进货单、购买。 可选的，生成所述商品属性值预测模型和生成所述商品偏好预测模型的过程还分 别包括对已建立的预测模型进行验证的过程，所述验证过程包括： 采用相应的验证集数据，计算用于评估所述预测模型是否可用的指标值； 判断所述指标值是否大于预先设定的验证阈值； 若是，判定所述预测模型可以用于相应的预测功能；若否，调整建立模型所使用的 数据、重新建立相应的预测模型。 可选的，所述指标包括:AUC指标或交易覆盖率指标。。 相应的，本申请还提供一种商品推荐装置，包括： 历史行为数据获取单元，用于获取用户浏览商品的历史行为数据； 商品属性值组合获取本文档来自技高网...
【技术保护点】
一种商品推荐方法，其特征在于，包括：获取用户浏览商品的历史行为数据；根据当前用户的用户信息、所述历史行为数据以及可供推荐的商品属性值组合，采用预先生成的商品属性值预测模型，获取所述当前用户目前感兴趣的商品属性值组合；获取与所述当前用户目前感兴趣的商品属性值组合对应的商品集合，并将所述商品集合中的商品中之至少一部分推荐给所述当前用户。
【技术特征摘要】
【专利技术属性】
技术研发人员：杨志雄，梁丽，张洪，
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
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。