商品推荐方法、装置、计算机设备及介质制造方法及图纸

本申请涉及人工智能，具体公开了一种商品推荐方法、装置、计算机设备及计算机可读存储介质，所述方法包括：获取多个用户的行为数据和商品的属性数据；根据各用户的行为数据和商品的属性数据建立与各用户一一对应的因子分解机模型；根据行为数据将多个用户分成若干簇，簇中的用户包括代表用户和非代表用户；根据各簇中代表用户的行为数据和/或非代表用户的行为数据确定对应簇中的各用户因子分解机模型的更新参数；根据确定的更新参数对各用户的因子分解机模型进行更新；基于更新后的各用户因子分解机模型将商品推荐给对应的用户。提升商品推荐的精度，缩短推荐的时间。本申请还涉及区块链技术，更新好的模型可以储存在区块链中。

【技术实现步骤摘要】
商品推荐方法、装置、计算机设备及介质
本申请涉及智能推荐
，尤其涉及一种商品推荐方法、装置、计算机设备及计算机可读存储介质。
技术介绍
目前，主流的推荐方法大多是根据用户的行为或商品的某单一特征进行推荐，将用户的行为和商品的特征分开进行推荐导致推荐的精准度不足，还有一些根据用户保存在本地的数据和服务器的商品特征进行交互，进行商品推荐，若用户数据过多会导致交互次数过高，计算量过大，推荐的时间久。
技术实现思路
本申请提供了一种商品推荐方法、装置、计算机设备及计算机可读存储介质，能够基于训练好的模型将商品推荐给用户，提升商品推荐的精准度以及缩短推荐的时间。第一方面，本申请提供了一种商品推荐方法，所述方法包括：获取多个用户的行为数据和商品的属性数据；根据各所述用户的行为数据和所述商品的属性数据建立与各所述用户一一对应的因子分解机模型；根据所述行为数据将所述多个用户分成若干簇，所述簇中的用户包括代表用户和非代表用户；根据各簇中所述代表用户的行为数据和/或所述非代表用户的行为数据确定对应簇中的各用户因子分解机模型的更新参数；根据确定的更新参数对所述各用户的因子分解机模型进行更新；基于训练好的各用户因子分解机模型将商品推荐给对应的用户。第二方面，一种商品推荐的装置，所述装置包括：数据获取模块，用于获取用户的行为数据和商品的属性数据；模型建立模块，用于根据各所述用户的行为数据和所述商品的属性数据建立与各所述用户一一对应的因子分解机模型；簇划分模块，用于根据所述行为数据将所述多个用户分成若干簇，所述簇中的用户包括代表用户和非代表用户；参数确定模块，用于根据各簇中所述代表用户的行为数据和/或所述非代表用户的行为数据确定对应簇中的各用户因子分解机模型的更新参数；模型训练模块，用于根据确定的更新参数对所述各用户的因子分解机模型进行更新；商品推荐模块，用于基于训练好的各用户因子分解机模型将商品推荐给对应的用户。第三方面，本申请提供了一种计算机设备，所述计算机设备包括存储器和处理器；所述存储器用于存储计算机程序；所述处理器，用于执行所述计算机程序并在执行所述计算机程序时实现上述的商品推荐方法。第四方面，本申请提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，若所述计算机程序被处理器执行，实现上述的商品推荐方法。本申请公开了一种商品推荐方法、装置、计算机设备及可读存储介质，通过获取多个用户的行为数据和商品的属性数据；根据各所述用户的行为数据和所述商品的属性数据建立与各所述用户一一对应的因子分解机模型；根据所述行为数据将所述多个用户分成若干簇，所述簇中的用户包括代表用户和非代表用户；根据各簇中所述代表用户的行为数据和/或所述非代表用户的行为数据确定对应簇中的各用户因子分解机模型的更新参数；根据确定的更新参数对所述各用户的因子分解机模型进行更新；基于训练好的各用户因子分解机模型将商品推荐给对应的用户，以使进行商品推荐的时候可以融合用户的行为数据以及商品的属性数据进行推荐，提升推荐的精准度，还能减少更新时的数据计算量。附图说明为了更清楚地说明本申请实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，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是本申请一实施例提供的一种商品推荐方法的流程示意图；图2是本申请一实施例提供的一种商品推荐方法的子步骤流程示意图；图3是本申请一实施例提供的一种商品推荐方法的子步骤流程示意图；图4是本申请一实施例提供的一种商品推荐方法的子步骤流程示意图；图5是本申请一实施例提供的一种商品推荐方法的子步骤流程示意图；图6是本申请一实施例提供的一种商品推荐的装置的结构示意框图；图7是本申请一实施例提供的一种计算机设备的结构示意框图。具体实施方式下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。附图中所示的流程图仅是示例说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解、组合或部分合并，因此实际执行的顺序有可能根据实际情况改变。另外，虽然在装置示意图中进行了功能模块的划分，但是在某些情况下，可以以不同于装置示意图中的模块划分。本申请的实施例还提供了一种商品推荐方法、装置、计算机设备及计算机可读存储介质。用于基于训练好的用户的因子分解机模型将商品推荐给对应的用户，以提升商品推荐的精准度，减少计算机的数据运算量。其中，该商品推荐方法可以用于服务器，当然也可以用于终端，其中，终端可以是平板电脑、笔记本电脑、台式电脑等电子设备；服务器例如可以为单独的服务器或服务器集群。但为了便于理解，以下实施例将以应用于服务器的商品推荐方法进行详细介绍。下面结合附图，对本申请的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。请参阅图1，图1是本申请实施例提供的一种商品推荐方法的示意流程图。如图1所示，该商品推荐方法可以包括以下步骤S110-步骤S160。步骤S110、获取多个用户的行为数据和商品的属性数据。示例性的，用户的行为数据可以是用户的商品购买偏好、商品浏览偏好、以及网购平台使用偏好等数据。示例性的，可以通过用户终端的网购平台app中的搜索词、搜索领域等相关信息确定用户的行为数据。例如，搜索词可以是与商品相关的关键词，也可以是商品名称或店铺名字，搜索领域可以是商品的所述领域，如获取到的搜索词为“教育辅导书”，对应的搜索领域可以是“书籍”和/或“教育用品”。示例性的，用户的行为数据还可以包括用户的个人隐私信息，如用户用于上网的终端设备号、网购送货地址、手机号码、身份信息等。示例性的，商品的属性信息可以是商品的名称、类别、用途、商品的点击率以及发货地址等信息。例如，获取到用户的曾经搜索且浏览过的一个商品为毛巾，通过浏览记录得到该毛巾为家用的洗浴用品，点击率为1万3千次，发货地为浙江。示例性的，可以通过发货地推测用户偏好的货源地址。步骤S120、根据各所述用户的行为数据和所述商品的属性数据建立与各所述用户一一对应的因子分解机模型。示例性的，根据各用户的行为数据和商品的属性数据建立与各用户对应的因子分解机模型，可以理解的，每个用户都有属于自己的因子分解机模型。示例性的，通过用户的行为数据与商品的属性数据的关联信息建立因子分解机模型，以提升模型的建模精度，可以减少训练的计算量。<本文档来自技高网...

【技术保护点】
1.一种商品推荐方法，其特征在于，所述方法包括：/n获取多个用户的行为数据和商品的属性数据；/n根据各所述用户的行为数据和所述商品的属性数据建立与各所述用户一一对应的因子分解机模型；/n根据所述行为数据将所述多个用户分成若干簇，所述簇中的用户包括代表用户和非代表用户；/n根据各簇中所述代表用户的行为数据和/或所述非代表用户的行为数据确定对应簇中的各用户因子分解机模型的更新参数；/n根据确定的更新参数对所述各用户的因子分解机模型进行更新；/n基于更新后的各用户因子分解机模型将商品推荐给对应的用户。/n

【技术特征摘要】
1.一种商品推荐方法，其特征在于，所述方法包括：
获取多个用户的行为数据和商品的属性数据；
根据各所述用户的行为数据和所述商品的属性数据建立与各所述用户一一对应的因子分解机模型；
根据所述行为数据将所述多个用户分成若干簇，所述簇中的用户包括代表用户和非代表用户；
根据各簇中所述代表用户的行为数据和/或所述非代表用户的行为数据确定对应簇中的各用户因子分解机模型的更新参数；
根据确定的更新参数对所述各用户的因子分解机模型进行更新；
基于更新后的各用户因子分解机模型将商品推荐给对应的用户。


2.根据权利要求1所述的商品推荐方法，其特征在于，所述根据各所述用户的行为数据和商品的属性数据建立与各所述用户一一对应的因子分解机模型包括：
对所述用户的行为数据进行编码处理得到用户的行为特征，和对所述商品的属性数据进行编码处理得到商品的公开特征；
根据所述用户的行为特征建立用户线性回归模型以及根据所述商品的公开特征建立商品线性回归模型；
基于所述用户线性回归模型和商品线性回归模型，获取初始化的用户线性回归模型参数和初始化的商品线性回归模型参数；
根据所述初始化的用户线性回归模型参数和商品线性回归模型参数建立与所述用户对应的因子分解机模型。


3.根据权利要求2所述的商品推荐方法，其特征在于，所述方法还包括：
根据所述用户的行为特征和所述商品的公开特征确定特征交叉矩阵；
获取所述特征交叉矩阵的系数；
所述根据所述初始化的用户线性回归模型参数和商品线性回归模型参数建立与所述用户对应的因子分解机模型，包括：
根据所述初始化的特征交叉矩阵的系数、所述初始化的用户线性回归模型参数和商品线性回归模型参数建立与所述用户对应的因子分解机模型。


4.根据权利要求1所述的商品推荐方法，其特征在于，所述基于更新后的各用户因子分解机模型将商品推荐给对应的用户，包括：
基于更新后与用户对应的因子分解机模型，根据所述用户的行为数据和待推荐商品的属性数据，预测与待推荐商品对应的用户喜好值；
根据所述用户喜好值将所述待推荐商品推荐给对应的用户。


5.根据权利要求1-4任一项所述的商品推荐方法，其特征在于，所述根据所述行为数据将所述多个用户分成若干簇，所述簇中的用户包括代表用户和非代表用户，包括：
对各所述用户的行为数据进行向量化处理得到与各所述用户对应的参数向量；
根据所述用户对应的参...

【专利技术属性】
技术研发人员：王健宗，李泽远，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：广东;44