商品信息推送方法、装置计算机设备及可读存储介质制造方法及图纸

本发明专利技术提供一种商品信息推送方法、装置计算机设备及可读存储介质，所述方法包括获取历史用户的商品历史数据，并生成多个商品历史标签；基于小批量K均值聚类算法和K均值聚类算法对多个商品历史标签进行多次聚类，生成标签类型识别模型，标签类型识别模型中包括多种不同类型的商品目标标签；获取新用户的商品浏览数据，并根据商品浏览数据生成与新用户对应的商品初始标签；将商品初始标签输入到标签类型识别模型中，根据预设的相似度算法确定商品初始标签与商品目标标签的相似度；基于相似度，向新用户推送商品信息。本发明专利技术通过基于小批量K均值聚类算法和K均值聚类算法进行多次聚类，生成标签类型识别模型，提高商品信息推送时效性。

【技术实现步骤摘要】
商品信息推送方法、装置计算机设备及可读存储介质
本专利技术涉及大数据信息处理
，具体涉及一种商品信息推送方法、装置计算机设备及可读存储介质。
技术介绍
在竞争日益激烈的销售行业中，快速对新用户类别判别分析尤为重要。基于人工智能不断发展，例如淘宝，京东、苏宁等类似行业中利用广大的商品数据信息，从而精准的对顾客的兴趣爱好进行判断，来进行商品的推销，从而解放了人工，又获得了用户的好评。因此迅速抓住顾客的需求，针对性的对顾客进行推销，不断积累用户，迅速占领市场，增大商品销量，捕捉用户的商品浏览数据显得尤为重要。现有技术中，很多对于用户的商品浏览数据挖掘基本上都是用的聚类算法，具体地，对于初始数据分类基本上采用K均值聚类算法进行聚类。K均值聚类算法过于繁琐，花费时间大，导致商品信息的推送不够及时，从而使得丢失大量新老用户。因此，急需提出一种商品信息推送方法、装置计算机设备及可读存储介质解决现有技术中存在的由于使用K均值聚类算法对初始数据进行聚类导致商品信息的推送不够及时，导致丢失大量新老用户的技术问题。
技术实现思路
本专利技术提供一种商品信息推送方法、装置计算机设备及可读存储介质，旨在解决现有技术中存在的由于使用K均值聚类算法对初始数据进行聚类导致信息的推送不够及时，导致丢失大量新老用户的技术问题。一方面，本专利技术提供一种商品信息推送方法，包括：获取历史用户的商品历史数据，并根据所述商品历史数据生成多个商品历史标签；基于小批量K均值聚类算法和K均值聚类算法对所述多个商品历史标签进行多次聚类，生成标签类型识别模型，所述标签类型识别模型中包括多种不同类型的商品目标标签；获取新用户的商品浏览数据，并根据所述商品浏览数据生成与所述新用户对应的商品初始标签；将所述商品初始标签输入到所述标签类型识别模型中，根据预设的相似度算法确定所述商品初始标签与所述多种不同类型的商品目标标签中商品目标标签的相似度；基于所述相似度，向所述新用户推送商品信息。在本专利技术一种可能的实现方式中，所述基于小批量K均值聚类算法和K均值聚类算法对所述多个商品历史标签进行多次聚类，生成标签类型识别模型包括：基于小批量K均值聚类算法和K均值聚类算法对所述多个商品历史标签进行多次聚类，生成初始标签类型识别模型，所述初始标签类型识别模型中包括多种不同类型的商品初始目标标签；判断所述商品初始目标标签的类型数是否小于阈值标签数量；若所述商品初始目标标签的类型数小于所述阈值标签数量，则基于所述K均值聚类算法和/或小批量K均值聚类算法对所述商品初始目标标签再次进行至少一次聚类，生成包括多种不同类型的商品二次目标标签的二次标签类型识别模型，所述商品二次目标标签的类型数大于或等于所述阈值标签数量，所述二次标签类型识别模型为所述标签类型识别模型；若所述商品初始目标标签的类型数大于或等于所述阈值标签数量，则所述初始标签类型识别模型为所述标签类型识别模型。在本专利技术一种可能的实现方式中，所述基于小批量K均值聚类算法和K均值聚类算法对所述多个商品历史标签进行多次聚类，生成初始标签类型识别模型包括：基于所述小批量K均值聚类算法对所述多个商品历史标签进行初次聚类，生成多种不同类型的商品初始聚类标签；判断所述多种不同类型的商品初始聚类标签中每一商品初始聚类标签中所述商品历史数据的个数是否大于阈值聚类数量；若所述商品初始聚类标签中所述商品历史数据的个数大于阈值聚类数量，则基于所述小批量K均值聚类算法对所述进行商品初始聚类标签进行二次聚类，生成所述初始标签类型识别模型；若所述初始聚类标签中所述商品历史数据的个数小于或等于所述阈值聚类数量，则基于所述K均值聚类算法对所述商品初始聚类标签进行二次聚类，生成所述初始标签类型识别模型。在本专利技术一种可能的实现方式中，所述商品历史数据包括：商品浏览内容、商品浏览时长、商品浏览区域以及商品检索内容中的至少一种。在本专利技术一种可能的实现方式中，所述预设的相似度算法为K最近邻算法。在本专利技术一种可能的实现方式中，在所述基于小批量K均值聚类算法和K均值聚类算法对所述多个商品历史标签进行多次聚类，生成标签类型识别模型之后还包括：基于所述商品历史数据构建商品测试集；将所述商品测试集输入到所述标签类型识别模型中，并获得所述商品测试集的标签类型识别结果；判断所述标签类型识别结果的可信度，若所述标签类型识别结果的可信度小于阈值可信度，则对所述商品历史数据重新进行多次聚类。在本专利技术一种可能的实现方式中，所述方法还包括：基于所述新用户的商品浏览数据对所述标签类型识别模型进行优化。另一方面，本专利技术提供一种商品信息推送装置，所述商品信息推送装置包括：数据获取模块，用于获取历史用户的商品历史数据，并根据所述商品历史数据生成多个商品历史标签；模型训练模块，用于基于小批量K均值聚类算法和K均值聚类算法对所述多个商品历史标签进行多次聚类，生成标签类型识别模型，所述标签类型识别模型中包括多种不同类型的商品目标标签；标签识别模块，用于获取新用户的商品浏览数据，并根据所述商品浏览数据生成与所述新用户对应的商品初始标签；相似度确认模块，用于将所述商品初始标签输入到所述标签类型识别模型中，根据预设的相似度算法确定所述商品初始标签与所述多种不同类型的商品目标标签中商品目标标签的相似度；推送模块，用于基于所述相似度，向所述新用户推送商品信息。在本专利技术一种可能的实现方式中，所述模型训练模块具体用于：基于小批量K均值聚类算法和K均值聚类算法对所述多个商品历史标签进行多次聚类，生成初始标签类型识别模型，所述初始标签类型识别模型中包括多种不同类型的商品初始目标标签；判断所述商品初始目标标签的类型数是否小于阈值标签数量；若所述商品初始目标标签的类型数小于所述阈值标签数量，则基于所述K均值聚类算法和/或小批量K均值聚类算法对所述商品初始目标标签再次进行至少一次聚类，生成包括多种不同类型的商品二次目标标签的二次标签类型识别模型，所述商品二次目标标签的类型数大于或等于所述阈值标签数量，所述二次标签类型识别模型为所述标签类型识别模型；若所述商品初始目标标签的类型数大于或等于所述阈值标签数量，则所述初始标签类型识别模型为所述标签类型识别模型。在本专利技术一种可能的实现方式中，所述模型训练模块具体还用于：基于所述小批量K均值聚类算法对所述多个商品历史标签进行初次聚类，生成多种不同类型的商品初始聚类标签；判断所述多种不同类型的商品初始聚类标签中每一商品初始聚类标签中所述商品历史数据的个数是否大于阈值聚类数量；若所述商品初始聚类标签中所述商品历史数据的个数大于阈值聚类数量，则基于所述小批量K均值聚类算法对所述进行商品初始聚类标签进行二次聚类，生成所述初始标签类型识别模型；若所述初始聚类标签中所述商品历史数据的个数小于或等于所述阈值聚类数量，则基于所述K均值聚类算法对所述商品初始聚类标签进行二次聚类本文档来自技高网...

【技术保护点】
1.一种商品信息推送方法，其特征在于，包括：/n获取历史用户的商品历史数据，并根据所述商品历史数据生成多个商品历史标签；/n基于小批量K均值聚类算法和K均值聚类算法对所述多个商品历史标签进行多次聚类，生成标签类型识别模型，所述标签类型识别模型中包括多种不同类型的商品目标标签；/n获取新用户的商品浏览数据，并根据所述商品浏览数据生成与所述新用户对应的商品初始标签；/n将所述商品初始标签输入到所述标签类型识别模型中，根据预设的相似度算法确定所述商品初始标签与所述多种不同类型的商品目标标签中商品目标标签的相似度；/n基于所述相似度，向所述新用户推送商品信息。/n

【技术特征摘要】
1.一种商品信息推送方法，其特征在于，包括：
获取历史用户的商品历史数据，并根据所述商品历史数据生成多个商品历史标签；
基于小批量K均值聚类算法和K均值聚类算法对所述多个商品历史标签进行多次聚类，生成标签类型识别模型，所述标签类型识别模型中包括多种不同类型的商品目标标签；
获取新用户的商品浏览数据，并根据所述商品浏览数据生成与所述新用户对应的商品初始标签；
将所述商品初始标签输入到所述标签类型识别模型中，根据预设的相似度算法确定所述商品初始标签与所述多种不同类型的商品目标标签中商品目标标签的相似度；
基于所述相似度，向所述新用户推送商品信息。


2.根据权利要求1所述的商品信息推送方法，其特征在于，所述基于小批量K均值聚类算法和K均值聚类算法对所述多个商品历史标签进行多次聚类，生成标签类型识别模型包括：
基于小批量K均值聚类算法和K均值聚类算法对所述多个商品历史标签进行多次聚类，生成初始标签类型识别模型，所述初始标签类型识别模型中包括多种不同类型的商品初始目标标签；
判断所述商品初始目标标签的类型数是否小于阈值标签数量；
若所述商品初始目标标签的类型数小于所述阈值标签数量，则基于所述K均值聚类算法和/或小批量K均值聚类算法对所述商品初始目标标签再次进行至少一次聚类，生成包括多种不同类型的商品二次目标标签的二次标签类型识别模型，所述商品二次目标标签的类型数大于或等于所述阈值标签数量，所述二次标签类型识别模型为所述标签类型识别模型；
若所述商品初始目标标签的类型数大于或等于所述阈值标签数量，则所述初始标签类型识别模型为所述标签类型识别模型。


3.根据权利要求2所述的商品信息推送方法，其特征在于，所述基于小批量K均值聚类算法和K均值聚类算法对所述多个商品历史标签进行多次聚类，生成初始标签类型识别模型包括：
基于所述小批量K均值聚类算法对所述多个商品历史标签进行初次聚类，生成多种不同类型的商品初始聚类标签；
判断所述多种不同类型的商品初始聚类标签中每一商品初始聚类标签中所述商品历史数据的个数是否大于阈值聚类数量；
若所述商品初始聚类标签中所述商品历史数据的个数大于阈值聚类数量，则基于所述小批量K均值聚类算法对所述进行商品初始聚类标签进行二次聚类，生成所述初始标签类型识别模型；
若所述初始聚类标签中所述商品历史数据的个数小于或等于所述阈值聚类数量，则基于所述K均值聚类算...

【专利技术属性】
技术研发人员：许聪，彭文飞，徐鲁，贾思晖，李问周，李辰伟，周帆，龚盼攀，罗智能，罗明璋，
申请(专利权)人：湖北三赫智能科技有限公司，长江大学，
类型：发明
国别省市：湖北;42