商品推荐方法、装置、计算机设备和存储介质与流程

1.本技术涉及互联网技术领域，特别是涉及一种商品推荐方法、装置、计算机设备和存储介质。


背景技术：

2.随着互联网技术的发展，电子商务系统得到了广泛应用，其中的商品信息不断扩增，随之也带来了信息过载的问题。为解决该问题，商品推荐应运而生，其通过分析用户过往的购买记录或商品的受欢迎程度等信息，推断用户的喜好并为用户推荐他们感兴趣的商品。
3.然而当前的推荐系统，主要研究用户之间以及商品之间的关系，但没有深入研究用户和商品本身所具有的许多信息，最终导致无法精确的给用户推荐相应的商品。


技术实现要素：

4.基于此，有必要针对上述技术问题，提供一种能够提高商品推荐精确度的商品推荐方法、装置、计算机设备和存储介质。
5.一种商品推荐方法，所述方法包括：
6.获取各商品的推荐评分，所述推荐评分用于标识各所述商品的推荐价值；
7.基于各所述商品的推荐评分，确定待推荐的目标商品；
8.所述商品的推荐评分的确定方式，包括：
9.获取所述商品的评论信息，获取所述评论信息中的特征词的热度信息；
10.基于商品知识图谱、评论信息和所述评论信息中的特征词的热度信息，确定所述商品的目标特征词，所述目标特征词用于标识所述商品的特征信息；
11.根据时间参数、所述特征词的热度信息以及各所述目标特征词关联的情感词的分数，确定所述商品的推荐评分。
12.在其中一个实施例中，所述评论信息中的特征词的热度信息的确定方式，包括：
13.获取用户点击所述商品的次数、所述用户浏览所述商品的时间以及所述用户评论信息中的特征词出现的次数；
14.将所述用户点击所述商品的次数、所述用户浏览所述商品的时间以及所述用户评论信息中特征词出现的次数分别与对应的常量运算之后的和作为所述评论信息中的特征词的热度信息。
15.在其中一个实施例中，所述基于商品知识图谱、评论信息和所述评论信息中的特征词的热度信息，确定所述商品的目标特征词，所述目标特征词用于标识所述商品的特征信息，包括：
16.基于所述商品知识图谱和所述商品的评论信息，确定所述商品的初始特征词集和初始待补全特征词集；
17.根据所述特征词的热度信息、所述初始待补全特征词集中，补全特征词的特征词
词频、词逆向集合频率，从所述初始待补全特征词集中确定目标待补全特征词；
18.将所述目标待补全特征词添加至所述初始特征词集中，确定所述商品的目标特征词。
19.在其中一个实施例中，所述根据所述特征词的热度信息、所述初始待补全特征词集中，补全特征词的特征词词频、词逆向集合频率，从所述初始待补全特征词集中确定目标待补全特征词，包括：
20.将所述特征词的热度信息与所述初始待补全特征词集中，对应的待补全特征词的特征词词频、词逆向集合频率相乘，获得各所述待补全特征词的特征词总权重；
21.基于各所述待补全特征词的特征词总权重，确定目标待补全特征词。
22.在其中一个实施例中，所述基于各所述待补全特征词的特征词总权重，确定目标待补全特征词，包括：
23.基于各所述待补全特征词的特征词总权重，从各所述待补全特征词中，选取预设比例的待补全特征词作为目标待补全特征词。
24.在其中一个实施例中，所述根据时间参数、所述特征词的热度信息以及各所述特征词关联的情感词分数，确定所述商品的推荐评分，包括：
25.将所述时间参数、所述特征词的热度信息以及各所述特征词关联的情感词分数相乘，确定所述商品的推荐评分。
26.在其中一个实施例中，还包括：
27.获取用户对所述商品的评论信息的评分；
28.基于所述用户对所述商品的评论信息的评分，确定所述商品的相似商品。
29.一种商品推荐装置，所述装置包括：
30.推荐评分获取模块，用于获取各商品的推荐评分，所述推荐评分用于标识各所述商品的推荐价值；
31.目标商品确定模块，用于基于各所述商品的推荐评分，确定待推荐的目标商品；
32.商品信息获取模块，用于获取所述商品的评论信息，获取所述评论信息中的特征词的热度信息；
33.商品特征词确定模块，用于基于商品知识图谱、评论信息和所述评论信息中的特征词的热度信息，确定所述商品的目标特征词，所述目标特征词用于标识所述商品的特征信息；
34.推荐评分确定模块，用于根据时间参数、所述特征词的热度信息以及各所述目标特征词关联的情感词的分数，确定所述商品的推荐评分。
35.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述的方法的步骤。
36.一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的方法的步骤。
37.上述商品推荐方法、装置、计算机设备和存储介质，根据获得的各商品的推荐评分，从而根据各商品的推荐评分，确定待推荐的目标商品，其中，在确定商品的推荐评分时，通过获取商品的评论热度信息，获取商品的评论信息；基于商品知识图谱、商品的评论热度信息和评论信息，确定商品的特征词，特征词用于标识商品的特征信息；根据时间参数、商
品的评论热度信息以及各所述特征词关联的情感词分数，确定所述商品的推荐评分。通过将商品知识图谱、商品的评论信息以及评论信息中的特征词的热度信息结合起来进行分析，从而可以确定商品的评论与评论之间的内在联系，从而通过上述方法可以提高商品推荐精确度。
附图说明
38.图1为一个实施例中商品推荐方法的应用环境图；
39.图2为一个实施例中商品推荐方法的流程示意图；
40.图3为一个实施例中商品推荐方法的流程示意图；
41.图4为一个实施例中商品推荐装置的结构框图；
42.图5为一个实施例中计算机设备的内部结构图；
43.图6为一个实施例中计算机设备的内部结构图。
具体实施方式
44.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
45.本技术提供的商品推荐方法，可以应用于如图1所示的应用环境中，该应用环境可以仅涉及终端102，也可以仅涉及服务器104，也可以同时涉及终端102和服务器104的系统，其中，终端102通过网络与服务器104进行通信。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。具体的，终端102或者服务器104完成一种商品推荐方法，该方法包括获取各商品的推荐评分，所述推荐评分用于标识各所述商品的推荐价值；基于各所述商品的推荐评分，确定待推荐的目标商品；所述商品的推荐评分的确定方式，包括：获取所述商品的评论热度信息，获取所述商品的评论信息；基于商品知识图谱、所述商品的评论热度信息和评论信息，确定所述商品的特征词，所述特征词用于标识所述商品的特征信息；根据时间参数、所述商品的评论热度信息以及各所述特征词关联的情感词分数，确定所述商品的推荐评分。
46.在一个实施例中，如图2所示，提供了一种商品推荐方法，以该方法应用于图1中的终端为例进行说明，包括以下步骤：
47.步骤s202，获取各商品的推荐评分，所述推荐评分用于标识各所述商品的推荐价值。
48.在其中一个实施例中，各商品的推荐评分是指计算得到的所有商品的推荐评分，商品的推荐评分可以用于标识该商品受到用户的喜爱程度，喜爱程度可以体现出该商品的推荐价值。
49.步骤s204，基于各所述商品的推荐评分，确定待推荐的目标商品。
50.在其中一个实施例中，当获得各商品的推荐评分之后，可以根据商品的推荐评分，确定待推荐的目标商品，其中，当获得商品的推荐评分之后，可以根据商品的推荐评分，从大到小进行排序，可以将推荐分数高的商品作为更受到用户群体喜爱的商品，具体的，可以
将推荐序列中的前k个商品给用户。
51.在其中一个实施例中，如图3所示，提供了一种商品的推荐评分的确定过程，以该过程应用于终端102或者服务器104为例进行说明，包括以下步骤：
52.步骤s302，获取所述商品的评论信息，获取所述评论信息中的特征词的热度信息。
53.在其中一个实施例中，特征词的热度信息是指商品的评论信息中，各特征词的话题热度，商品的评论信息是指任意一个商品的用户评论信息，其中，可以通过用户点击商品的次数、用户浏览商品的时间、评论信息中特征词出现的次数等来确定商品的评论信息中，特征词的热度信息，可以通过电商平台，如淘宝、京东等，获取某一种商品的用户评论信息，具体的，在获得用户的评论信息之后，可以去除评论信息中，字数少于预设字数的评论信息，预设字数可以根据实际情况进行调整，预设字数可以为100字，也可以为200字等，从而可以提高后续对评论信息进行处理时的精度。
54.步骤s304，基于商品知识图谱、评论信息和所述评论信息中的特征词的热度信息，确定所述商品的目标特征词，所述目标特征词用于标识所述商品的特征信息。
55.在其中一个实施例中，商品的知识图谱可以指由三元组组成的图谱，其中，商品的知识图谱可以是预先建立的，三元组的基本形式主要包括实体1、关系、实体2、属性、属性值等，实体是知识图谱中的最基本元素，如可以将商品作为实体，例如，将电扇作为实体1，将空调作为实体2，不同的实体间存在不同的关系，属性主要指对象可能具有的属性、特征、特性、特点以及参数，例如制冷量、风量等；属性值主要指对象指定属性的值。每个实体可用一个全局唯一确定的id(身份)来标识，每个属性
‑
属性值对可用来刻画实体的内在特性，而关系可用来连接两个实体，刻画它们之间的关联。
56.具体的，实体可以为空调，其对应的特征词可以为价格、外观等，其对应的情感词可以为公道、美观，特征词可以作为实体的属性，情感词可以作为属性词。
57.在其中一个实施例中，基于商品知识图谱、评论信息和评论信息中的特征词的热度信息，可以确定商品的目标特征词，目标特征词用于标识商品的特征信息。
58.步骤s306，根据时间参数、所述特征词的热度信息以及各所述目标特征词关联的情感词的分数，确定所述商品的推荐评分。
59.在其中一个实施例中，时间参数是指设定的一个时间段，用于确定在该时间段中商品的推荐评分，各目标特征词关联的情感词分数是指预先设定的目标特征词关联的情感词的分数，例如，目标特征词可以为价格，其对应的情感词可以为正面情感(好、不错、舒服)、中性情感(一般，还行，凑合)、负面情感(不好、很差、难受)，可以设置正面情感对应的得分为1，中性情感对应的得分为0、负面情感对应的得分为
‑
1，通过时间参数、商品的评论热度信息以及各特征词关联的情感词分数，可以确定商品的推荐评分。从而可以从时间角度、特征词的热度以及目标特征词关联的情感词分数，确定商品的推荐评分，通过考虑多个可能对商品推荐评分产生影响的因素，从而可以提高商品推荐精度。
60.上述商品推荐方法中，根据获得的各商品的推荐评分，从而根据各商品的推荐评分，确定待推荐的目标商品，其中，在确定商品的推荐评分时，通过获取商品的评论热度信息，获取商品的评论信息；基于商品知识图谱、商品的评论热度信息和评论信息，确定商品的特征词，特征词用于标识商品的特征信息；根据时间参数、商品的评论热度信息以及各所述特征词关联的情感词分数，确定所述商品的推荐评分。通过将商品知识图谱、商品的评论
信息以及评论信息中的特征词的热度信息结合起来进行分析，从而可以确定商品的评论与评论之间的内在联系，从而通过上述方法可以提高商品推荐精确度。
61.在其中一个实施例中，所述评论信息中的特征词的热度信息的确定方式，包括：
62.获取用户点击所述商品的次数、所述用户浏览所述商品的时间以及所述用户评论信息中的特征词出现的次数；
63.将所述用户点击所述商品的次数、所述用户浏览所述商品的时间以及所述用户评论信息中的特征词出现的次数分别与对应的常量运算之后的和作为所述评论信息中的特征词的热度信息。
64.在其中一个实施例中，参考公式1所示：
[0065][0066]
其中，h
i
表示用户点击商品的次数，g
i
表示用户浏览商品的时间，k
i
表示用户评论商品时，各特征词出现的次数，μ、都是常量，即小于1的权重，将用户点击所述商品的次数、用户浏览所述商品的时间以及用户评论信息中的特征词出现的次数分别与对应的常量运算之后的和作为评论信息中的特征词的热度信息。通过用户点击商品的次数、用户浏览商品的时间以及用户评论商品时，各特征词出现的次数计算评论信息中的特征词的热度信息，可以更加精确的确定评论信息中的特征词的热度信息。
[0067]
在其中一个实施例中，所述基于商品知识图谱、所述商品的评论热度信息和评论信息，确定所述商品的目标特征词，所述目标特征词用于标识所述商品的特征信息，包括：基于所述商品知识图谱和所述商品的评论信息，确定所述商品的初始特征词集和初始待补全特征词集；根据所述评论热度信息、所述初始待补全特征词集中的特征词词频、词逆向集合频率，从所述初始待补全特征词集中确定目标待补全特征词，将所述目标待补全特征词添加至所述初始特征词集中，确定所述商品的目标特征词。
[0068]
在其中一个实施例中，基于商品知识图谱和商品的评论信息，确定商品的初始特征词集，具体的，如公式2所示：
[0069]
f
i
＝af
i
∩bf
i
[0070]
其中，可以将商品知识图谱中商品实体i的属性所组成的集合定义为商品知识图谱中的商品特征集bfi＝{bf1，bf2,...}，可以将商品的评论信息组成的集合定义为评论特征集afi＝{af1,af2,...}，取评论特征集和商品知识图谱特征集的交集作为初始特征集fi＝{f1,f2,...}。
[0071]
在其中一个实施例中，基于商品知识图谱和商品的评论信息，确定商品的初始待补全特征词集，具体的，如公式3所示：
[0072]
rf
i
＝af
i
‑
bf
i
[0073]
其中，rf
i
表示初始待补全特征词集。
[0074]
在其中一个实施例中，初始待补全特征词集中的特征词词频是指特征词出现的频率，词逆向集合频率是指包含特征词的评论的个数，根据评论热度信息、待补全特征词集中的特征词词频、词逆向集合频率，从待补全特征词集中确定目标待补全特征词。从而通过上述方法可以确定目标待补全特征词。
[0075]
在其中一个实施例中，所述根据所述评论热度信息、所述待补全特征词集中的特
征词词频、词逆向集合频率，从所述初始待补全特征词集中确定目标待补全特征词，包括：将所述评论热度信息分别与所述待补全特征词集中，对应的待补全特征词的特征词词频、词逆向集合频率相乘，获得各所述待补全特征词的特征词总权重；基于各所述待补全特征词的特征词总权重，确定目标待补全特征词。
[0076]
在其中一个实施例中，如公式4所示：
[0077]
stf
‑
idf
′
＝stf
×
sidf
×
hot
i
[0078]
其中，stf
‑
idf
′
表示特征词总权重，stf表示特征词词频，sidf词逆向集合频率，hot
i
表示评论信息中的特征词的热度信息，将评论信息中的特征词的热度信息分别与待补全特征词集中，对应的待补全特征词的特征词词频、词逆向集合频率相乘，获得各待补全特征词的特征词总权重，从而通过上述方法可以确定目标待补全特征词。
[0079]
在其中一个实施例中，所述基于各所述待补全特征词的特征词总权重，确定目标待补全特征词，包括：
[0080]
基于各所述待补全特征词的特征词总权重，从各所述待补全特征词中，选取预设比例的待补全特征词作为目标待补全特征词。
[0081]
在其中一个实施例中，可以根据stf
‑
idf的值进行排序，将取值在预设比例范围内的词作为目标待补全特征词。
[0082]
在其中一个实施例中，所述根据时间参数、所述评论信息中的特征词的热度信息以及各所述特征词关联的情感词分数，确定所述商品的推荐评分，包括：将所述时间参数、所述评论信息中的特征词的热度信息以及各所述特征词关联的情感词分数相乘，确定所述商品的推荐评分。
[0083]
在其中一个实施例中，如公式5所示：
[0084]
q＝hot
i2
×
s
×
t
[0085]
q表示商品的推荐评分，将时间参数t、评论信息中的特征词的热度信息以及各特征词关联的情感词分数s相乘，确定商品的推荐评分。在计算商品的推荐评分时，充分考虑到了特征词的热度信息，从而可以提高商品的推荐的推荐精度。
[0086]
在其中一个实施例中，还包括，获取用户对所述商品的评论信息的评分；基于所述用户对所述商品的评论信息的评分，确定所述商品的相似商品。
[0087]
在其中一个实施例中，在确定商品的相似商品时，可以根据如下公式展开运算：
[0088][0089][0090]
其中，p表示目标用户u对评论i的平均评分，表示目标用户u对评论i的评分，q
u
表示预测用户u1对相似商品i的平均评分，i表示预测用户u1未曾评分过的物品，u1表示目标用户u的预测用户，n表示预测用户u1集合，sim(u，u1)表示目标用户u和预测用户u1之间的相似度。
[0091]
应该理解的是，虽然图2
‑
3的流程图中的各个步骤按照箭头的指示依次显示，但是
这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2
‑
3中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
[0092]
在一个实施例中，如图4所示，提供了一种商品推荐装置，包括：推荐评分获取模块、目标商品确定模块、商品信息获取模块、商品特征词确定模块和推荐评分确定模块，其中：
[0093]
推荐评分获取模块402，用于获取各商品的推荐评分，所述推荐评分用于标识各所述商品的推荐价值。
[0094]
目标商品确定模块404，用于基于各所述商品的推荐评分，确定待推荐的目标商品。
[0095]
商品信息获取模块406，用于获取所述商品的评论信息，获取所述评论信息中的特征词的热度信息。
[0096]
商品特征词确定模块408，用于基于商品知识图谱、评论信息和所述评论信息中的特征词的热度信息，确定所述商品的目标特征词，所述目标特征词用于标识所述商品的特征信息。
[0097]
推荐评分确定模块410，根据时间参数、所述特征词的热度信息以及各所述目标特征词关联的情感词的分数，确定所述商品的推荐评分。
[0098]
在其中一个实施例中，商品信息获取模块，用于获取用户点击所述商品的次数、所述用户浏览所述商品的时间以及所述用户评论信息中的特征词出现的次数；将所述用户点击所述商品的次数、所述用户浏览所述商品的时间以及所述用户评论信息中特征词出现的次数分别与对应的常量运算之后的和作为所述评论信息中的特征词的热度信息。
[0099]
在其中一个实施例中，商品特征词确定模块，用于基于所述商品知识图谱和所述商品的评论信息，确定所述商品的初始特征词集和初始待补全特征词集；根据所述评论热度信息、所述初始待补全特征词集中的特征词词频以及所述待补全特征词集中的词逆向集合频率，从所述初始待补全特征词集中确定目标待补全特征词，将所述目标待补全特征词添加至所述初始特征词集中，确定所述商品的目标特征词。
[0100]
在其中一个实施例中，商品特征词确定模块，用于将所述评论热度信息分别与所述初始待补全特征词集中，对应的待补全特征词的特征词词频、词逆向集合频率相乘，获得各所述待补全特征词的特征词总权重；基于各所述待补全特征词的特征词总权重，确定目标待补全特征词。
[0101]
在其中一个实施例中，商品特征词确定模块，用于基于各所述初始待补全特征词的特征词总权重，从各所述初始待补全特征词中，选取预设比例的待补全特征词作为目标待补全特征词。
[0102]
在其中一个实施例中，推荐评分确定模块，用于将所述时间参数、所述商品的评论热度信息以及各所述特征词关联的情感词分数相乘，确定所述商品的推荐评分。
[0103]
在其中一个实施例中，所述商品推荐装置还包括：
[0104]
相似商品确定模块，用于获取用户对所述商品的评论信息的评分；基于所述用户
对所述商品的评论信息的评分，确定所述商品的相似商品。
[0105]
关于商品推荐装置的具体限定可以参见上文中对于商品推荐方法的限定，在此不再赘述。上述商品推荐装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
[0106]
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图5所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储商品相关数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种商品推荐方法。
[0107]
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过wifi、运营商网络、nfc(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种商品推荐方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
[0108]
本领域技术人员可以理解，图5、图6中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0109]
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述商品推荐方法的步骤。
[0110]
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述商品推荐方法的步骤。
[0111]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(read
‑
only memory，rom)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(random access memory，ram)或外部高速缓冲存储器。作为说明而非局限，ram可以是多种形式，比如静态随机存取存储器(static random access memory，sram)或动态随机存取存储器(dynamic random access memory，dram)等。
[0112]
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0113]
以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术专利的保护范围应以所附权利要求为准。