[發明專利]一種商品信息推送方法和裝置

在審

• 申請號: 202011156757.1
• 申請日: 2020-10-26
• 公開（公告）號: CN112348629A
• 公開（公告）日: 2021-02-09
• 發明（設計）人: 李銳佳;周建宏;王曙;文朝
• 申請（專利權）人: 邦道科技有限公司
• 主分類號: G06Q30/06
• 分類號: G06Q30/06;G06F16/9535;G06F16/9538;G06K9/62
• 代理公司: 北京路浩知識產權代理有限公司 11002
• 代理人: 郭亮

1.一種商品信息推送方法，其特征在于，包括：

提取商品類型集合中前預設數目的商品類型作為偏好商品類型集合，根據對于商品的評分和預設的推薦優先級算法，獲取所述偏好商品類型集合的推薦優先級，并根據所述推薦優先級生成實時推薦結果；

根據商品的標簽數據對用戶進行聚類處理，并生成每個用戶群體的局部推薦模型；根據所有用戶對商品的評分數據生成全局推薦模型，并通過與所述局部推薦模型的加權合并生成離線推薦結果；

將所述實時推薦結果和所述離線推薦結果進行加權計算，獲取混合推薦結果。

2.根據權利要求1所述的方法，其特征在于，所述方法還包括：

對用戶的各種隱性操作的次數賦予對應的權重值，計算所述各種隱性操作的次數與對應權重值的乘積；

計算所述乘積與前一時間周期的偏好程度和時間衰減因子乘積的和作為用戶對于該商品類型的偏好程度；

其中，所述隱性操作指能反映出用戶對于商品偏好的前端操作。

3.根據權利要求2所述的方法，其特征在于，所述根據用戶對于商品的評分和預設的推薦優先級算法，獲取所述用戶偏好商品類型集合的推薦優先級具體包括：

從所述用戶偏好商品類型集合中篩選出與用戶已進行評分的商品的相似度超過預設相似度閾值的商品；

基于所述超過預設相似度閾值的商品獲取候選商品值得推薦程度值和所述候選商品不值得推薦程度值；

根據所述用戶對于候選商品的評分預測、所述候選商品值得推薦的程度值、所述候選商品不值得推薦的程度值和預設的所述候選商品對應的類別權值獲取所述候選商品的推薦優先級。

4.根據權利要求3所述的方法，其特征在于，所述基于所述超過預設相似度閾值的商品獲取所述候選商品值得推薦程度值和所述候選商品不值得推薦程度值，具體包括：

將所述超過預設相似度閾值的商品作為候選商品，求解所述候選商品與具有顯性評分商品間的相似度和用戶對于商品的顯性評分間的乘積和，最后將所述乘積和除以所述候選商品數量的結果作為用戶對于候選商品的評分預測；

將所述候選商品中評分高于或等于預設閾值的數量作為優先級上升數，將所述候選商品中評分低于預設閾值的數量作為優先級下降數，根據所述優先級上升數求取所述候選商品值得推薦的程度值，根據所述優先級下降數求取所述候選商品不值得推薦的程度值。

5.根據權利要求3所述的方法，其特征在于，所述根據所述優先級上升數求取所述候選商品值得推薦的程度值，根據所述優先級下降數求取所述候選商品不值得推薦的程度值具體包括：

計算所述優先級上升數與1中最大值的對數，作為所述候選商品值得推薦程度值；

計算所述優先級下降數與1中最大值的對數，作為所述候選商品不值得推薦程度值。

6.根據權利要求1所述的方法，其特征在于，所述并根據所述推薦優先級生成實時推薦結果具體包括：

根據所述推薦優先級的高低順序對所述候選商品進行排列，并生成實時推薦列表。

7.根據權利要求1所述的方法，其特征在于，所述根據商品的標簽數據對用戶進行聚類處理，并生成每個用戶群體的局部推薦模型具體包括：

將用戶購買過商品的標簽數據輸入到LDA主題模型，獲取用戶的特征向量；

根據所述特征向量對用戶進行聚類處理，生成每個用戶群體的局部推薦模型。

8.一種商品信息推送裝置，其特征在于，包括：

實時推薦模塊：用于提取商品類型集合中前預設數目的商品類型作為偏好商品類型集合，根據用戶對于商品的評分和預設的推薦優先級算法，獲取所述偏好商品類型集合的推薦優先級，并根據所述推薦優先級生成實時推薦結果；

離線推薦模塊：用于根據商品的標簽數據對用戶進行聚類處理，并生成每個用戶群體的局部推薦模型；根據對于商品的評分生成全局推薦模型，并通過與所述局部推薦模型的加權合并生成離線推薦結果；

混合推薦模塊：用于將所述實時推薦結果和所述離線推薦結果進行加權計算，獲取混合推薦結果。