一种物品推荐方法和装置与流程

1.本发明涉及计算机技术领域，尤其涉及一种物品推荐方法和装置。


背景技术：

2.目前，互联网电商网站广泛使用品类推荐的营销方式，通过大数据统计和机器学习手段分析用户行为，锁定目标人群，从而实现精准的触达，大大提升了订单转化率。
3.在实现本发明过程中，发明人发现现有技术中至少存在如下问题：
4.在现有技术中，常用的处理办法是根据用户的浏览行为，推测用户感兴趣的潜在品类，进而推荐该品类的热门商品，或与该品类相关的商品。此方法实现简单，仅需要设计一个计数器，超过一定浏览次数就会被标识出来。但浏览次数的阈值是个难确定的超参数，选取的不合理会导致识别不准确。并且，该方法无法具体给出目标用户识别正确的概率，当出现用户满足多个品类的浏览阈值的时候，无法进一步识别出用户到底更倾向于选择哪个品类。
5.此外，通过机器学习进行建模，判断用户是否对目标品类有购买意向。此方法直接提取浏览、点击、关注、加减购物车等普适的特征放到算法框架中计算，往往达不到最优的效果。并且，品类之间存在周期性和阶段性的特点，会随着时间的变化而变化，不考虑这些因素而建模，往往会导致模型的稳定性和泛化能力较差。


技术实现要素：

6.有鉴于此，本发明实施例提供一种物品推荐方法和装置，能够解决现有技术中物品推荐精准性差、稳定性低的问题。
7.为实现上述目的，根据本发明实施例的一个方面，提供了一种物品推荐方法，包括接收用户行为数据，获取行为对象的品类信息，以得到对应的品类时序生命周期；其中，所述品类时序生命周期是以时间为依据，不同阶段包括不同的品类信息；将用户行为数据分别通过预设的目标行为意向模型和品类选择模型，得到所处品类时序生命周期的阶段和推荐品类信息集合；根据所处品类时序生命周期的阶段，在推荐品类信息集合中进行筛选，以获得目标品类信息，进而发送该目标品类信息所包括的物品信息。
8.可选地，包括：
9.接收预设时间段的用户历史行为数据，获取行为对象的品类信息；
10.基于预设的关联模型，得到所述品类信息相应的所有关联品类信息；
11.根据所有关联品类信息，以时间为依据，构建品类时序生命周期；其中，通过品类信息分布密度对品类时序生命周期划分阶段。
12.可选地，基于预设的关联模型，得到所述品类信息相应的所有关联品类信息，包括：
13.根据两个品类各自的浏览总次数和浏览去重用户数，计算两个品类之间的关联系数；
14.根据关联系数，获得品类信息相应的关联品类信息。
15.可选地，包括：
16.根据用户行为数据，计算对品类的浏览次数；
17.当所述浏览次数大于预设的次数阈值时，对所述用户信息进行标记，并且将所述用户的行为数据分别通过预设的目标行为意向模型和品类选择模型，得到所处品类时序生命周期的阶段和推荐品类信息集合。
18.可选地，包括：
19.所述目标行为意向模型为基于随机森林模型和梯度提升树模型融合而成。
20.可选地，包括：
21.所述品类选择模型为基于多个随机森林模型进行归一化指数操作。
22.可选地，还包括：
23.根据品类时序生命周期，获得目标品类信息与对应时间点之后的品类信息之间的间隔时长；
24.确定对目标品类信息的物品执行目标行为，在所述间隔时长内发送对应时间点之后的该品类信息所包括的物品信息。
25.另外，根据本发明实施例的一个方面，提供了一种物品推荐装置，包括接收模块，用于接收用户行为数据，获取行为对象的品类信息，以得到对应的品类时序生命周期；其中，所述品类时序生命周期是以时间为依据，不同阶段包括不同的品类信息；处理模块，用于将用户行为数据分别通过预设的目标行为意向模型和品类选择模型，得到所处品类时序生命周期的阶段和推荐品类信息集合；推荐模块，用于根据所处品类时序生命周期的阶段，在推荐品类信息集合中进行筛选，以获得目标品类信息，进而发送该目标品类信息所包括的物品信息。
26.可选地，所述接收模块，还用于：
27.接收预设时间段的用户历史行为数据，获取行为对象的品类信息；
28.基于预设的关联模型，得到所述品类信息相应的所有关联品类信息；
29.根据所有关联品类信息，以时间为依据，构建品类时序生命周期；其中，通过品类信息分布密度对品类时序生命周期划分阶段。
30.可选地，所述接收模块基于预设的关联模型，得到所述品类信息相应的所有关联品类信息，包括：
31.根据两个品类各自的浏览总次数和浏览去重用户数，计算两个品类之间的关联系数；
32.根据关联系数，获得品类信息相应的关联品类信息。
33.可选地，所述处理模块，还用于：
34.根据用户行为数据，计算对品类的浏览次数；
35.当所述浏览次数大于预设的次数阈值时，对所述用户信息进行标记，并且将所述用户的行为数据分别通过预设的目标行为意向模型和品类选择模型，得到所处品类时序生命周期的阶段和推荐品类信息集合。
36.可选地，包括：
37.所述目标行为意向模型为基于随机森林模型和梯度提升树模型融合而成。
38.可选地，包括：
39.所述品类选择模型为基于多个随机森林模型进行归一化指数操作。
40.可选地，所述推荐模块，还用于：
41.根据品类时序生命周期，获得目标品类信息与对应时间点之后的品类信息之间的间隔时长；
42.确定对目标品类信息的物品执行目标行为，在所述间隔时长内发送对应时间点之后的该品类信息所包括的物品信息。
43.根据本发明实施例的另一个方面，还提供了一种电子设备，包括：
44.一个或多个处理器；
45.存储装置，用于存储一个或多个程序，
46.当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现上述任一物品推荐实施例所述的方法。
47.根据本发明实施例的另一个方面，还提供了一种计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现上述任一基于物品推荐实施例所述的方法。
48.上述发明中的一个实施例具有如下优点或有益效果：本发明通过接收用户行为数据，获取行为对象的品类信息，以得到对应的品类时序生命周期；其中，所述品类时序生命周期是以时间为依据，不同阶段包括不同的品类信息；将用户行为数据分别通过预设的目标行为意向模型和品类选择模型，得到所处品类时序生命周期的阶段和推荐品类信息集合；根据所处品类时序生命周期的阶段，在推荐品类信息集合中进行筛选，以获得目标品类信息，进而发送该目标品类信息所包括的物品信息。从而，本发明能够基于品类时序生命周期，形成由横向、纵向多个模型组合而成的模型体系，进而大大提升识别精度以及模型的泛化能力。
49.上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
50.附图用于更好地理解本发明，不构成对本发明的不当限定。其中：
51.图1是根据本发明第一实施例的物品推荐方法的主要流程的示意图
52.图2是根据本发明第二实施例的物品推荐方法的主要流程的示意图；
53.图3是根据本发明实施例的品类时序生命周期的示意图；
54.图4是根据本发明第三实施例的物品推荐方法的主要流程的示意图；
55.图5是根据本发明实施例的物品推荐装置的主要模块的示意图；
56.图6是本发明实施例可以应用于其中的示例性系统架构图；
57.图7是适于用来实现本发明实施例的终端设备或服务器的计算机系统的结构示意图。
具体实施方式
58.以下结合附图对本发明的示范性实施例做出说明，其中包括本发明实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识
到，可以对这里描述的实施例做出各种改变和修改，而不会背离本发明的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
59.图1是根据本发明第一实施例的物品推荐方法的主要流程的示意图，所述物品推荐方法可以包括：
60.步骤s101，接收用户行为数据，获取行为对象的品类信息，以得到对应的品类时序生命周期。
61.其中，所述品类时序生命周期是以时间为依据，不同阶段包括不同的品类信息。
62.较佳地，可以通过如下过程获得品类时序生命周期：
63.接收预设时间段的用户历史行为数据，获取行为对象的品类信息。基于预设的关联模型，得到所述品类信息相应的所有关联品类信息。根据所有关联品类信息，以时间为依据，构建品类时序生命周期。其中，通过品类信息分布密度对品类时序生命周期划分阶段。
64.进一步地，根据两个品类各自的浏览总次数和浏览去重用户数，计算两个品类之间的关联系数，进而得到所述品类信息相应的所有关联品类信息。
65.步骤s102，将用户行为数据分别通过预设的目标行为意向模型和品类选择模型，得到所处品类时序生命周期的阶段和推荐品类信息集合。
66.较佳地，根据用户行为数据，计算对品类的浏览次数。当所述浏览次数大于预设的次数阈值时，对所述用户信息进行标记，并且将所述用户的行为数据分别通过预设的目标行为意向模型和品类选择模型，得到所处品类时序生命周期的阶段和推荐品类信息集合。
67.值得说明的是，所述目标行为意向模型为基于随机森林模型和梯度提升树模型融合而成。而所述品类选择模型为基于多个随机森林模型进行归一化指数操作。
68.步骤s103，根据所处品类时序生命周期的阶段，在推荐品类信息集合中进行筛选，以获得目标品类信息，进而发送该目标品类信息所包括的物品信息。
69.较佳地，还可以在执行步骤s103之后，根据品类时序生命周期，获得目标品类信息与对应时间点之后的品类信息之间的间隔时长。确定对目标品类信息的物品执行目标行为，在所述间隔时长内发送对应时间点之后的该品类信息所包括的物品信息。
70.也就是说，本发明不仅可以推荐目标品类信息中物品信息，还可以在未来时间，推荐其他的品类信息中的物品信息。
71.进一步地，基于品类时序生命周期，计算出每个品类之间执行目标行为的时间间隔。假设共有n个品类，当不加任何约束时，会生成n2种组合。考虑到品类不需要与自身建立这种组合关系，则生成的组合数缩减为个。其中，w代表排列。
72.需要说明的是，由于阶段性特征导致大部分品类都存在先后顺序，对于先后顺序不明显的品类，建立容量为m的组合字典表，则生成的组合数变为个。其中，c代表组合。
73.每一种组合都是一个三元组，形如((a，b)，t)，其中a和b代表品类，t代表间隔时长。当用户被确切定位到某个阶段时，预估到用户接下来进入下一个阶段的可能时间，在未来的一段时间t内推荐具有时序关系的品类，从而提前对用户做品类推荐。
74.此外，如果在某个场景下，用户在前n-1个阶段都满足上述的阶段转移三元组表，那么在第n个阶段会大概率执行目标行为(例如购买)，可以适当的根据n的大小降低营销力
度。如果用户出现了阶段后退的行为，即从阶段n返回到了阶段n-m，则可以根据m的大小适当的增加营销力度。对于超过t时间很久的用户，为了促进用户的阶段前进，可以大力为用户增加营销力度。
75.综上所述，本发明提出了一种基于品类时序生命周期的物品推荐方法，通过品类关联关系的强弱进行聚类，进而划分出用户在某场景下购买商品时所经历的各个阶段。而每个阶段之间存在时序关系，每个阶段内部又可以拆分为是否处于当前阶段、是否存在购买意向、选择购买哪个具体品类等三个层次，这三个层次的目标人群呈漏斗型分布，使得整个模型转化为由横向、纵向多个模型组合而成的模型体系，对其进行建模可以大大提升识别精度以及模型的泛化能力。
76.图2是根据本发明第二实施例的物品推荐方法的主要流程的示意图，所述物品推荐方法可以包括：
77.步骤s201，接收用户行为数据，获取行为对象的品类信息，以得到对应的品类时序生命周期。
78.其中，所述品类时序生命周期是以时间为依据，不同阶段包括不同的品类信息。
79.较佳地，可以通过如下过程获得品类时序生命周期：
80.接收预设时间段的用户历史行为数据，获取行为对象的品类信息。基于预设的关联模型，得到所述品类信息相应的所有关联品类信息。根据所有关联品类信息，以时间为依据，构建品类时序生命周期。其中，通过品类信息分布密度对品类时序生命周期划分阶段。
81.进一步地，根据两个品类各自的浏览总次数和浏览去重用户数，计算两个品类之间的关联系数，进而得到所述品类信息相应的所有关联品类信息。
82.更进一步地，假设存在两个品类a和b，定义a品类的浏览总次数为ac，浏览去重用户数为au，浏览a品类同时又浏览b品类的总次数为bc，浏览去重用户数为bu。au与ac的比值和bu与bc的比值相乘后会得到一个小于1的数，取对数并取反获得关联系数。即关联系数为：
[0083][0084]
可以看出，根据关联系数，可以确定与所述品类相关联的所有品类。
[0085]
根据场景的不同，品类时序生命周期主要品类的购买顺序也不相同，以家装期场景为例，通常情况下，会先后购买地板砖、灯具、空调、电视等，结合品类关联模型的λ，可以找到与这4个主要品类相关联的其他品类，包括油漆、瓷砖、插座、窗帘、洗衣机、音响等。
[0086]
统计同一个用户，对上述目标品类的用户行为数据(例如浏览时间和购买时间)，以用户第一次浏览时间作为时间原点，构建品类时序生命周期，将落在相近区域的品类划分为一类，形成阶段划分聚类模型，即通过基于时序的品类聚类，如图3所示。
[0087]
值得说明的是，品类时序生命周期各阶段中包括的品类，会随着时间的推移而有所增减，会产生季节性或更长久的周期性变化。
[0088]
步骤s202，根据用户行为数据，计算对品类的浏览次数。
[0089]
步骤s203，当所述浏览次数大于预设的次数阈值时，对所述用户信息进行标记，并且将所述用户的行为数据分别通过预设的目标行为意向模型和品类选择模型，得到所处品类时序生命周期的阶段和推荐品类信息集合。
[0090]
较佳地，所述目标行为意向模型为基于随机森林模型和梯度提升树模型融合而
成。而所述品类选择模型为基于多个随机森林模型进行归一化指数操作。
[0091]
在一个具体的实施例中，如图4所示，采用强规则的方式进行粗粒度人群筛选，首选计算各个品类的平均浏览次数m，以此作为次数阈值，凡是浏览次数大于m的用户，均被打标为处于该阶段的潜在用户。针对于潜在用户，进行基于bagging的随机森林模型(rf)和基于boosting的梯度提升树模型(gbdt)融合而成的目标行为意向模型(例如购买意向模型)的计算以获得所处品类时序生命周期的阶段，其中采用加权平均的方法进行融合。
[0092]
针对潜在用户，进行基于多个随机森林模型计算之后，再进行softmax操作(归一化指数操作)。
[0093]
值得说明的是，无论是目标行为意向模型还是品类选择模型，训练集正样本可以为已购用户的行为数据，训练集负样本可以为触达干预未购买的用户行为数据。
[0094]
步骤s204，根据所处品类时序生命周期的阶段，在推荐品类信息集合中进行筛选，以获得目标品类信息，进而发送该目标品类信息所包括的物品信息。
[0095]
步骤s205，根据品类时序生命周期，获得目标品类信息与对应时间点之后的品类信息之间的间隔时长。
[0096]
步骤s206，确定对目标品类信息的物品执行目标行为，在所述间隔时长内发送对应时间点之后的该品类信息所包括的物品信息。
[0097]
图5是根据本发明实施例的物品推荐装置的主要模块的示意图，如图5所示，所述物品推荐装置500包括接收模块501、处理模块502和推荐模块503。其中，接收模块501接收用户行为数据，获取行为对象的品类信息，以得到对应的品类时序生命周期。其中，所述品类时序生命周期是以时间为依据，不同阶段包括不同的品类信息。处理模块502将用户行为数据分别通过预设的目标行为意向模型和品类选择模型，得到所处品类时序生命周期的阶段和推荐品类信息集合。推荐模块503根据所处品类时序生命周期的阶段，在推荐品类信息集合中进行筛选，以获得目标品类信息，进而发送该目标品类信息所包括的物品信息。
[0098]
较佳地，所述接收模块501还用于：
[0099]
接收预设时间段的用户历史行为数据，获取行为对象的品类信息。基于预设的关联模型，得到所述品类信息相应的所有关联品类信息。根据所有关联品类信息，以时间为依据，构建品类时序生命周期。其中，通过品类信息分布密度对品类时序生命周期划分阶段。
[0100]
进一步地，所述接收模块501基于预设的关联模型，得到所述品类信息相应的所有关联品类信息，包括：
[0101]
根据两个品类各自的浏览总次数和浏览去重用户数，计算两个品类之间的关联系数。根据关联系数，获得品类信息相应的关联品类信息。
[0102]
作为另一个实施例，所述处理模块502还用于：
[0103]
根据用户行为数据，计算对品类的浏览次数。当所述浏览次数大于预设的次数阈值时，对所述用户信息进行标记，并且将所述用户的行为数据分别通过预设的目标行为意向模型和品类选择模型，得到所处品类时序生命周期的阶段和推荐品类信息集合。
[0104]
还值得说明的是，所述目标行为意向模型为基于随机森林模型和梯度提升树模型融合而成。所述品类选择模型为基于多个随机森林模型进行归一化指数操作。
[0105]
作为又一个实施例，所述推荐模块503，还用于：
[0106]
根据品类时序生命周期，获得目标品类信息与对应时间点之后的品类信息之间的
间隔时长。确定对目标品类信息的物品执行目标行为，在所述间隔时长内发送对应时间点之后的该品类信息所包括的物品信息。
[0107]
需要说明的是，在本发明所述物品推荐方法和所述物品推荐装置在具体实施内容上具有相应关系，故重复内容不再说明。
[0108]
图6示出了可以应用本发明实施例的物品推荐方法或物品推荐装置的示例性系统架构600。
[0109]
如图6所示，系统架构600可以包括终端设备601、602、603，网络604和服务器605。网络604用以在终端设备601、602、603和服务器605之间提供通信链路的介质。网络604可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
[0110]
用户可以使用终端设备601、602、603通过网络604与服务器605交互，以接收或发送消息等。终端设备601、602、603上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。
[0111]
终端设备601、602、603可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
[0112]
服务器605可以是提供各种服务的服务器，例如对用户利用终端设备601、602、603所浏览的购物类网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的产品信息查询请求等数据进行分析等处理，并将处理结果(例如目标推送信息、产品信息
--
仅为示例)反馈给终端设备。
[0113]
需要说明的是，本发明实施例所提供的物品推荐方法一般由服务器605执行，相应地，物品推荐装置一般设置于服务器605中。
[0114]
应该理解，图6中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
[0115]
下面参考图7，其示出了适于用来实现本发明实施例的终端设备的计算机系统700的结构示意图。图7示出的终端设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
[0116]
如图7所示，计算机系统700包括中央处理单元(cpu)701，其可以根据存储在只读存储器(rom)702中的程序或者从存储部分708加载到随机访问存储器(ram)703中的程序而执行各种适当的动作和处理。在ram703中，还存储有系统700操作所需的各种程序和数据。cpu701、rom702以及ram703通过总线704彼此相连。输入/输出(i/o)接口705也连接至总线704。
[0117]
以下部件连接至i/o接口705：包括键盘、鼠标等的输入部分706；包括诸如阴极射线管(crt)、液晶显示器(lcd)等以及扬声器等的输出部分707；包括硬盘等的存储部分708；以及包括诸如lan卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至i/o接口705。可拆卸介质711，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器710上，以便于从其上读出的计算机程序根据需要被安装入存储部分708。
[0118]
特别地，根据本发明公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在
这样的实施例中，该计算机程序可以通过通信部分709从网络上被下载和安装，和/或从可拆卸介质711被安装。在该计算机程序被中央处理单元(cpu)701执行时，执行本发明的系统中限定的上述功能。
[0119]
需要说明的是，本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、rf等等，或者上述的任意合适的组合。
[0120]
附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0121]
描述于本发明实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中，例如，可以描述为：一种处理器包括接收模块、处理模块和推荐模块。其中，这些模块的名称在某种情况下并不构成对该模块本身的限定。
[0122]
作为另一方面，本发明还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该设备包括：接收用户行为数据，获取行为对象的品类信息，以得到对应的品类时序生命周期；其中，所述品类时序生命周期是以时间为依据，不同阶段包括不同的品类信息；将用户行为数据分别通过预设的目标行为意向模型和品类选择模型，得到所处品类时序生命周期的阶段和推荐品类信息集合；根据所处品类时序生命周期的阶段，在推荐品类信息集合中进行筛选，以获得目标品类信息，进而发送该目标品类信息所包括的物品信息。
[0123]
根据本发明实施例的技术方案，能够解决现有技术中物品推荐精准性差、稳定性低的问题。
[0124]
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，取决于设计要求和其他因素，可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。