一种进行商品推荐的方法和装置制造方法及图纸

本申请提供了一种进行商品推荐的方法和装置，其中，该方法包括：获取用户对电子商品进行行为操作而产生的用户行为数据，并根据用户行为数据确定用户对电子商品的商品关注度；将获取到的用户浏览行为数据输入到相似度预测模型，以获取相似度预测模型所输出的不同商品之间的商品相似度；根据用户的商品购买数据，以确定不同用户之间的用户相似度；根据所述商品关注度、商品相似度和用户相似度，确定向用户进行推荐的商品。本申请实施例通过相似度预测模型为用户推荐用户可能感兴趣的商品，节约了用户的浏览时间并为用户提供较为精准的个性化商品推荐。

A Method and Device for Recommending Commodities

This application provides a method and device for commodity recommendation. The method includes: obtaining user behavior data generated by user's behavior operation on electronic commodities, and determining user's attention to electronic commodities based on user behavior data; inputting the obtained user browsing behavior data into similarity prediction model to obtain similarity prediction model. Commodity similarity between different commodities exported; user similarity between different users is determined according to the purchase data of the user's commodities; and commodities recommended to users are determined according to the commodity attention, commodity similarity and user similarity. The embodiment of this application uses similarity prediction model to recommend products that users may be interested in, saves users'browsing time and provides users with more accurate personalized product recommendation.

【技术实现步骤摘要】
一种进行商品推荐的方法和装置
本申请涉及数据处理
，具体而言，涉及一种进行商品推荐的方法和装置。
技术介绍
近年来，随着电子商务规模的不断扩大，商品个数和种类快速增长，用户在挑选商品时，通常需要从大量的无关的商品中，花费大量的时间才能筛选出自己想要购买的商品，使得用户的使用体验下降。为了解决以上问题，电子商务推荐系统应运而生。目前互联网上的电子商务推荐系统，一般是基于商品销售排行、用户对商品的评价评分进行商品推荐。
技术实现思路
有鉴于此，本申请的目的在于提供一种进行商品推荐的方法和装置，以为用户提供较为精准的个性化商品推荐，以节约用户浏览不相关商品所耗费的时间。第一方面，本申请实施例提供了一种进行商品推荐的方法，其特征在于，包括：获取用户对电子商品进行行为操作而产生的用户行为数据，并根据用户行为数据确定用户对电子商品的商品关注度；将获取到的用户浏览行为数据输入到相似度预测模型，以获取相似度预测模型所输出的不同商品之间的商品相似度；根据用户的商品购买数据，确定不同用户之间的用户相似度；根据所述商品关注度、商品相似度和用户相似度，确定向用户进行推荐的商品。结合第一方面，本申请实施例提供了第一方面的第一种可能的实施方式，其中，所述用户行为数据包括用户对商品的点击次数数据、用户对商品的购买次数数据、用户对商品的收藏次数数据、用户将商品加购物车的行为数据和用户对商品的用户浏览行为数据；步骤根据用户行为数据确定用户对电子商品的商品关注度，包括：按照预设的权重值，对不同的所述用户行为数据进行加权计算，以确定用户对电子商品的商品关注度。结合第一方面，本申请实施例提供了第一方面的第二种可能的实施方式，其中，步骤将获取到的用户浏览行为数据输入到相似度预测模型，以获取相似度预测模型所输出的不同商品之间的商品相似度，包括：将所述用户浏览行为数据输入到第一预测模型，以生成表征用户对商品进行浏览的次序的商品浏览轨迹向量；根据所述用户浏览行为数据得到属性浏览轨迹样本，并将所述属性浏览轨迹样本输入到第二预测模型，以生成商品属性向量；所述商品属性向量用于表征相同商品属性所对应的不同商品之间的关联性。将所述商品浏览轨迹向量和所述商品属性向量输入到池化层，以确定不同商品之间的商品相似度。结合第一方面的第二种可能的实施方式，本申请实施例提供了第一方面的第三种可能的实施方式，其中，步骤将所述用户浏览行为数据输入到第一预测模型，以生成表征用户对商品进行浏览的次序的商品浏览轨迹向量，包括：根据所述用户浏览行为数据，生成无向图结构；无向图结构用于表征用户按照每一种浏览顺序对商品进行浏览后的商品之间的浏览的关联性；采用随机游走的方式，从所述无向图结构中提取商品浏览轨迹样本；所述商品浏览轨迹样本用于表征用户可能采用的商品浏览轨迹，或用户不可能采用的商品浏览轨迹；将商品浏览轨迹样本输入第一预测模型，以生成表征用户对商品进行浏览的浏览次序的商品浏览轨迹向量。结合第一方面的第三种可能的实施方式，本申请实施例提供了第一方面的第四种可能的实施方式，其中，步骤根据所述用户浏览行为数据得到属性浏览轨迹样本，并将所述属性浏览轨迹样本输入到第二预测模型，以生成商品属性向量，包括：使用商品属性分别对商品浏览轨迹样本中每个商品的识别标识进行替换，以生成属性浏览轨迹样本；分别将多个属性浏览轨迹样本输入到第二预测模型，以生成表征商品属性关联特征的各个商品属性子向量；所述商品属性包括库存量单位、标准化产品单元、产品名称、产品分类和产品品种。将所述各个商品属性子向量输入池化层，以生成表征商品属性关联特征的商品属性向量。结合第一方面，本申请实施例提供了第一方面的第五种可能的实施方式，其中，根据用户的商品购买数据，确定不同用户之间的用户相似度，包括：将用户的商品购买数据输入到协同过滤算法模型，以确定不同用户之间的用户相似度；所述商品购买数据包括用户的用户属性数据；所述用户属性数据包括年龄、性别、学历、籍贯。结合第一方面，本申请实施例提供了第一方面的第六种可能的实施方式，其中，根据所述商品关注度、商品相似度和用户相似度，确定向用户进行推荐的商品，包括：采用加权计算的方式，根据所述商品关注度、商品相似度值和用户相似度值，计算每个候选电子商品的推荐值；按照推荐值的大小，从候选电子商品的推荐值中确定向用户进行推荐的商品。结合第一方面，本申请实施例提供了第一方面的第七种可能的实施式，其中，所述相似度预测模型是word2vec模型。第二方面，本申请实施例还提供了一种进行商品推荐的装置，其特征在于，包括：第一数据生成模块，用于获取用户对电子商品进行操作而产生的用户行为数据，并根据用户行为数据确定用户对电子商品的商品关注度；第二数据生成模块，用于将获取到的用户浏览行为数据输入到相似度预测模型，以获取相似度预测模型所输出的不同商品之间的商品相似度；第三数据生成模块，用于根据用户的商品购买数据，以确定不同用户之间的用户相似度；数据处理模块，用于根据所述商品关注度、商品相似度和用户相似度，确定向用户进行推荐的商品。结合第三方面，本申请实施例还提供了一种一种电子设备，其特征在于，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当网络侧设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时，执行如第一方面中任一项所述的方法。本申请实施例提供的一种进行商品推荐的方法，通过获取用户对电子商品进行操作而产生的用户行为数据，并根据用户行为数据确定用户对电子商品的商品关注度；将获取到的用户浏览行为数据输入到相似度预测模型，以获取相似度预测模型所输出的不同商品之间的商品相似度；根据用户的商品购买数据，以确定不同用户之间的用户相似度；根据所述商品关注度、商品相似度和用户相似度，确定向用户进行推荐的商品。在该方法中，同时考虑到商品关注度、商品相似度和用户相似度这三个方面的要素，并最终确定推荐的商品，为用户提供了相对更加个性化并且较为精准的商品推荐信息，且可有效地帮助用户节省因浏览大量无关商品而耗费的时间。为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。附图说明为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。图1示出了本申请实施例所提供的一种进行商品推荐的方法的流程图；图2示出了本申请实施例所提供的一种进行商品推荐的优化方法的流程图；图3示出了本申请实施例所提供的另一种进行商品推荐的优化方法的流程图；图4示出了本申请实施例所提供的另一种进行商品推荐的优化方法的示意图；图5示出了本申请实施例所提供的一种进行商品推荐的装置的结构示意图；图6示出了本申请实施例所提供的一种进行商品推荐的电子设备的结构示意图。具体实施方式为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中附图，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本文档来自技高网...

【技术保护点】
1.一种进行商品推荐的方法，其特征在于，包括：获取用户对电子商品进行行为操作而产生的用户行为数据，并根据用户行为数据确定用户对电子商品的商品关注度；将获取到的用户浏览行为数据输入到相似度预测模型，以获取相似度预测模型所输出的不同商品之间的商品相似度；根据用户的商品购买数据，确定不同用户之间的用户相似度；根据所述商品关注度、商品相似度和用户相似度，确定向用户进行推荐的商品。

【技术特征摘要】
1.一种进行商品推荐的方法，其特征在于，包括：获取用户对电子商品进行行为操作而产生的用户行为数据，并根据用户行为数据确定用户对电子商品的商品关注度；将获取到的用户浏览行为数据输入到相似度预测模型，以获取相似度预测模型所输出的不同商品之间的商品相似度；根据用户的商品购买数据，确定不同用户之间的用户相似度；根据所述商品关注度、商品相似度和用户相似度，确定向用户进行推荐的商品。2.根据权利要求1所述的方法，其特征在于，所述用户行为数据至少包括用户对商品的点击次数数据、用户对商品的购买次数数据、用户对商品的收藏次数数据、用户将商品加购物车的行为数据和用户对商品的用户浏览行为数据；根据用户行为数据确定用户对电子商品的商品关注度，包括：按照预设的权重值，对不同的所述用户行为数据进行加权计算，以确定用户对电子商品的商品关注度。3.根据权利要求1所述的方法，其特征在于，将获取到的用户浏览行为数据输入到相似度预测模型，以获取相似度预测模型所输出的不同商品之间的商品相似度，包括：将所述用户浏览行为数据输入到第一预测模型，以生成表征用户对商品进行浏览的次序的商品浏览轨迹向量；根据所述用户浏览行为数据得到属性浏览轨迹样本，并将所述属性浏览轨迹样本输入到第二预测模型，以生成商品属性向量；所述商品属性向量用于表征相同商品属性所对应的不同商品之间的关联性；将所述商品浏览轨迹向量和所述商品属性向量输入到池化层，以确定不同商品之间的商品相似度。4.根据权利要求3所述的方法，其特征在于，步骤将所述用户浏览行为数据输入到第一预测模型，以生成表征用户对商品进行浏览的次序的商品浏览轨迹向量，包括：根据所述用户浏览行为数据，生成无向图结构；所述无向图结构用于表征用户按照每一种浏览顺序对商品进行浏览后的商品之间的浏览的关联性；采用随机游走的方式，从所述无向图结构中提取商品浏览轨迹样本；所述商品浏览轨迹样本用于表征用户可能采用的商品浏览轨迹；将商品浏览轨迹样本输入第一预测模型，以生成表征用户对商品进行浏览的浏览次序的商品浏览轨迹向量。5.根据权利要求4所述的方法...

【专利技术属性】
技术研发人员：韩亮，翁谦，张博宣，刘玉明，
申请(专利权)人：北京九狐时代智能科技有限公司，
类型：发明
国别省市：北京,11