[發(fā)明專利]基于重聚類的推送方法、裝置、計(jì)算機(jī)設(shè)備及存儲(chǔ)介質(zhì)

在審

• 申請(qǐng)?zhí)枺?/td>: 201811191703.1
• 申請(qǐng)日: 2018-10-12
• 公開（公告）號(hào): CN109166017A
• 公開（公告）日: 2019-01-08
• 發(fā)明（設(shè)計(jì)）人: 吳壯偉
• 申請(qǐng)（專利權(quán)）人: 平安科技（深圳）有限公司
• 主分類號(hào): G06Q30/06
• 分類號(hào): G06Q30/06;G06K9/62
• 代理公司: 深圳市精英專利事務(wù)所 44242
• 代理人: 林燕云

1.一種基于重聚類的推送方法，其特征在于，包括：

通過DBSCAN聚類對(duì)所獲取的用戶-評(píng)分矩陣進(jìn)行聚類，得到至少一個(gè)聚類群，及與每一聚類群一一對(duì)應(yīng)的子用戶-評(píng)分矩陣；

根據(jù)在子用戶-評(píng)分矩陣中所選中的行向量對(duì)應(yīng)的目標(biāo)用戶，獲取目標(biāo)用戶的行向量對(duì)應(yīng)的聚類群；

在目標(biāo)用戶對(duì)應(yīng)的聚類群中，計(jì)算獲取各評(píng)分行向量與目標(biāo)用戶的行向量之間的歐式距離，獲取各歐式距離中排名位于預(yù)設(shè)的第一排名閾值之前的歐式距離對(duì)應(yīng)的評(píng)分行向量，以組成相似用戶群評(píng)分矩陣；

根據(jù)相似用戶群評(píng)分矩陣中各評(píng)分行向量，獲取相似用戶群對(duì)各商品的綜合評(píng)分值，以組成商品推薦行向量；以及

由商品推薦行向量中評(píng)分排名位于預(yù)設(shè)的第二排名閾值之前的綜合評(píng)分值所對(duì)應(yīng)商品以得到商品推薦列表，將所述商品推薦列表推送至目標(biāo)用戶對(duì)應(yīng)的接收端。

2.根據(jù)權(quán)利要求1所述的基于重聚類的推送方法，其特征在于，所述通過DBSCAN聚類對(duì)用戶-評(píng)分矩陣進(jìn)行聚類，得到至少一個(gè)聚類群，包括：

將用戶-評(píng)分矩陣中任意一個(gè)行向量作為初始聚類中心；

根據(jù)預(yù)設(shè)的最小包含點(diǎn)數(shù)，獲取與初始聚類中心之間的間距在預(yù)設(shè)的掃描半徑之內(nèi)的行向量，以作為初始聚類群；

將初始聚類群中每一行向量作為聚類中心，獲取用戶-評(píng)分矩陣中與聚類中心直接密度可達(dá)、密度可達(dá)或密度相連的行向量，以作為調(diào)整后的聚類群。

3.根據(jù)權(quán)利要求1所述的基于重聚類的推送方法，其特征在于，所述根據(jù)相似用戶群評(píng)分矩陣中各評(píng)分行向量，獲取相似用戶群對(duì)各商品的綜合評(píng)分值，以組成商品推薦行向量，包括：

根據(jù)相似用戶群評(píng)分矩陣中各評(píng)分行向量分別與目標(biāo)用戶的行向量之間的歐式距離，以組成相似用戶群歐式距離行向量；

根據(jù)相似用戶群歐式距離行向量與相似用戶群評(píng)分矩陣相乘得到相似用戶群對(duì)各商品的綜合評(píng)分值，以組成商品推薦行向量。

4.根據(jù)權(quán)利要求1所述的基于重聚類的推送方法，其特征在于，所述獲取各歐式距離中排名位于預(yù)設(shè)的第一排名閾值之前的歐式距離對(duì)應(yīng)的評(píng)分行向量，以組成相似用戶群評(píng)分矩陣，包括：

獲取各歐式距離中排名位于預(yù)設(shè)的第一排名閾值之前的歐式距離對(duì)應(yīng)的評(píng)分行向量，按照評(píng)分行向量在對(duì)應(yīng)的子用戶-評(píng)分矩陣中行序號(hào)的先后順序進(jìn)行排列，得到相似用戶群評(píng)分矩陣。

5.根據(jù)權(quán)利要求1所述的基于重聚類的推送方法，其特征在于，所述通過DBSCAN聚類對(duì)所獲取的用戶-評(píng)分矩陣進(jìn)行聚類，得到至少一個(gè)聚類群，及與每一聚類群一一對(duì)應(yīng)的子用戶-評(píng)分矩陣之前，還包括：

獲取歷史商品信息集合，通過詞頻-逆文本頻率指數(shù)模型對(duì)所述歷史商品信息集合中每一歷史商品信息均進(jìn)行關(guān)鍵詞信息抽取，得到與每一歷史商品信息對(duì)應(yīng)的商品關(guān)鍵詞集合；

通過Word2Vec模型獲取每一商品關(guān)鍵詞集合中各商品關(guān)鍵詞對(duì)應(yīng)的詞向量；

獲取每一商品關(guān)鍵詞集合中各商品關(guān)鍵詞所對(duì)應(yīng)詞向量的平均值，以得到與每一商品關(guān)鍵詞集合對(duì)應(yīng)的統(tǒng)計(jì)向量；

通過DBSCAN聚類模型對(duì)商品關(guān)鍵詞集合對(duì)應(yīng)的統(tǒng)計(jì)向量進(jìn)行聚類，得到至少一個(gè)商品聚類簇；

若用戶-評(píng)分矩陣中包括空白值，根據(jù)所述空白值對(duì)應(yīng)的商品名稱，以獲取與商品名稱相應(yīng)的統(tǒng)計(jì)向量；

獲取與商品名稱相應(yīng)的統(tǒng)計(jì)向量所歸屬的商品聚類簇；

根據(jù)與商品名稱相應(yīng)的統(tǒng)計(jì)向量所歸屬的商品聚類簇，獲取與所述空白值對(duì)應(yīng)的商品名稱相應(yīng)的相似商品名稱，以作為相似商品結(jié)果；

根據(jù)所述空白值對(duì)應(yīng)的行向量，獲取與所述相似商品結(jié)果中每一商品名稱對(duì)應(yīng)的評(píng)分；

根據(jù)與所述相似商品結(jié)果中每一商品名稱對(duì)應(yīng)的評(píng)分進(jìn)行加權(quán)平均，得到所述空白值對(duì)應(yīng)的商品加權(quán)評(píng)分，以將空白值更新為對(duì)應(yīng)的商品加權(quán)評(píng)分。