店商平台产品推荐方法、装置、计算机设备以及存储介质与流程

本发明涉及计算机技术的技术领域，尤其是涉及一种店商平台产品推荐方法、装置、计算机设备以及存储介质。

背景技术：

冷启动，指的是在产品初期，从目标用户转化为种子用户的过程。这个过程，产品的可能状态有功能不完善、产品测试期、产品上线期(发布期)，需要找到一小波粉丝成为产品的使用者或者粉丝，再通过冷启动的粉丝，以太阳线的模式爆发增长。

目前市面上常见的招推荐算法，都是在侧重解决一个用户在海量商品中做出心仪选择的问题。比如：“对于一个新用户，应该推荐什么商品给他，如何完成冷启动？”、“什么样的商品才是用户需要的？”以及“如何做到以物推物？”等，因此，在有新用户进入时，由于没有相关的历史数据，难以向新用户推荐合适的商品，因此还有改善空间。

技术实现要素：

本发明的目的是提供一种能够对新用户推荐相关的商品，提升用户的使用体验的店商平台产品推荐方法、装置、计算机设备以及存储介质。

本发明的上述发明目的一是通过以下技术方案得以实现的：

一种店商平台产品推荐方法，所述店商平台产品推荐方法包括：

s10：获取用户行为日志，根据所述用户行为日志建立用户行为数据和用户属性数据；

s20：从所述用户行为数据中提取用户特征数据，并根据所述用户特征数据建立用户特征向量；

s30：根据所述用户特征向量获取待推荐物品数据集；

s40：对所述待推荐物品数据集进行过滤后，得到对应的推荐结果。

通过采用上述技术方案，在新用户进入时，通过获取该用户的用户行为数据，以及填写的用户属性数据，进而建立该用户特征数据，从而能够根据该用户的用户属性数据快速建立用户特征向量，同时，根据该用户特征向量构建该待推荐物品数据集后，经过过滤后，生成最终的推荐结果，能够提升推荐结果的可信度。

本发明进一步设置为：步骤s20包括：

s21：从所述用户行为数据中获取用户查询数据；

s22：根据所述用户查询数据，计算所述用户查询数据与所述用户属性数据对应的关联程度，作为用户兴趣度数据；

s23：根据所述用户兴趣度数据和所述用户属性数据建立所述用户特征向量。

通过采用上述技术方案，通过用户的用户行为数据，以及结合用户的属性数据，能够建立出与用户的兴趣相关的用户特征向量，便于后续向用户推荐商品。

本发明进一步设置为：步骤s30包括：

s31：获取商品特征值；

s32：使用所述商品特征值与所述用户特征向量进行比对，根据比对结果生成所述待推荐物品数据集。

通过采用上述技术方案，通过获取商品的特征值，能够使用该商品的特征值，与搭建的用户特征向量进行比对，进而能够使得将符合用户兴趣以及属性的商品推荐给用户。

本发明进一步设置为：在步骤s40之后，所述店商平台产品推荐方法还包括：

s50：获取用户购买记录；

s60：将所述用户购买记录与所述推荐结果关联后，存储至预设的数据库中。

通过采用上述技术方案，在用户购买了商品后，将用户购买记录与推荐结果进行关联，一是能够存储用户的行为的数据，进而有助于更新用户的兴趣的数据，二是能够有助于将用户购买记录和最终的推荐结果进行比对，进而有助于根据比对的结果更新推荐算法。

本发明进一步设置为：在步骤s50之后，所述店商平台产品推荐方法还包括：

s51：获取所述用户特征向量；

s52：根据所述用户购买记录对所述用户特征向量进行更新。

通过采用上述技术方案，通过不断更新用户的用户特征向量，能够使得该用户特征向量更加符合用户的兴趣以及属性，有助于后续给用户进行推荐商品时，推荐的商品更加符合用户当前的属性。

本发明的上述发明目的二是通过以下技术方案得以实现的：

一种店商平台产品推荐装置，所述店商平台产品推荐装置包括：

日志获取模块，用于获取用户行为日志，根据所述用户行为日志建立用户行为数据和用户属性数据；

向量搭建模块，用于从所述用户行为数据中提取用户特征数据，并根据所述用户特征数据建立用户特征向量；

初推荐模块，用于根据所述用户特征向量获取待推荐物品数据集；

主推荐模块，用于对所述待推荐物品数据集进行过滤后，得到对应的推荐结果。

通过采用上述技术方案，在新用户进入时，通过获取该用户的用户行为数据，以及填写的用户属性数据，进而建立该用户特征数据，从而能够根据该用户的用户属性数据快速建立用户特征向量，同时，根据该用户特征向量构建该待推荐物品数据集后，经过过滤后，生成最终的推荐结果，能够提升推荐结果的可信度。

本发明的上述发明目的三是通过以下技术方案得以实现的：

一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述店商平台产品推荐方法的步骤。

本发明的上述发明目的四是通过以下技术方案得以实现的：

一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述店商平台产品推荐方法的步骤。

综上所述，本发明的有益技术效果为：

在新用户进入时，通过获取该用户的用户行为数据，以及填写的用户属性数据，进而建立该用户特征数据，从而能够根据该用户的用户属性数据快速建立用户特征向量，同时，根据该用户特征向量构建该待推荐物品数据集后，经过过滤后，生成最终的推荐结果，能够提升推荐结果的可信度。

附图说明

图1是本发明一实施例中店商平台产品推荐方法的一流程图；

图2是本发明一实施例中店商平台产品推荐方法中步骤s20的实现流程图；

图3是本发明一实施例中店商平台产品推荐方法中步骤s30的实现流程图；

图4是本发明一实施例中店商平台产品推荐方法中的另一流程图；

图5是本发明一实施例中店商平台产品推荐方法中的另一流程图；

图6是本发明一实施例中店商平台产品推荐装置的一原理框图；

图7是本发明一实施例中计算机设备的一示意图。

具体实施方式

以下结合附图对本发明作进一步详细说明。

实施例一：

在一实施例中，如图1所示，本发明公开了一种店商平台产品推荐方法，具体包括如下步骤：s10：获取用户行为日志，根据用户行为日志建立用户行为数据和用户属性数据。

在本实施例中，用户行为日志是指按照时间周期，例如每日，记录每一用户在电子商务平台上的操作的数据，该数据所属的用户的唯一标识以及特性的数据表格。用户行为数据是指用户在电子商务平台上进行操作的行为的数据。其中，该用户行为数据包括用户在该电子商务平台上对商品的搜索、查询以及购买等，且对商品的搜索已经查询的方式，可以通过点击商品的链接，或者是通过在搜索框中输入关键词等方式。用户属性数据是指标识该用户的个人属性的数据。例如，该用户属性数据可以是用户的年龄、性别、职业等数据。

具体地，在有新用户在该电子商务平台中第一次进行操作时，记录该用户的用户行为数据，并将该用户行为数据与该用户的用户属性数据进行关联。该用户属性数据的获取可以是在用户注册时，通过在注册页面让用户进行填写或者选择。也可以是用户进入该电子商务平台时，该电子商务平台的客户端没有检测到有用户账户的自动登录信息，则在页面自动弹出让用户选择和/或填写属性信息的页面，在用户选择和/或填写完属性信息后，得到该用户的临时的用户属性数据。

进一步地，将该用户属性数据和用户行为数据组成该用户行为日志。

优选地，若该新用户进入该电子商务平台时，没有选择和/或填写属性信息，也没有预先注册账号，则可以通过建立临时账户的方式，预先记录该新用户此次操作的用户行为数据，若检测到用户选择购买商品时，提示用户进行注册账户，进而获取用户属性数据，并将该用户属性数据与临时账户的用户行为数据进行关联，作为后续向该用户推荐商品的依据。

s20：从用户行为数据中提取用户特征数据，并根据用户特征数据建立用户特征向量。

在本实施例中，用户特征数据是指用户标识用户的特征的数据。用户特征向量是指用于反映用户的兴趣的数据。

具体地，通过从用户行为数据中，根据每一类型的操作行为，例如搜索、点击以及购买等，统计每一类型的具体的操作行为，作为该用户特征数据。进而统计该用户感兴趣的商品的类型，进而监理该用户特征向量。

s30：根据用户特征向量获取待推荐物品数据集。

在本实施例中，待推荐物品数据集是指准备向用户推荐的商品的集合。

具体地，通过获取商品的属性的特征，例如商品的类别、功能以及品牌等属性，与用户特征向量进行比对，进而将与该用户特征向量最接近的待推荐物品数据集作为待推荐物品数据集。

s40：对待推荐物品数据集进行过滤后，得到对应的推荐结果。

在本实施例中，推荐结果是指最终向用户推荐的商品的结果。

具体地，根据待推荐物品数据集中每一商品的使用的用途，生成对应的推荐原因，使得用户能够从该推荐原因中在推荐结果中的商品之间进行比较，同时，可通过结合其他用户对该商品的评价以及使用经验，对待推荐物品数据集中的商品进行筛选以及排名。

在本实施例中，在新用户进入时，通过获取该用户的用户行为数据，以及填写的用户属性数据，进而建立该用户特征数据，从而能够根据该用户的用户属性数据快速建立用户特征向量，同时，根据该用户特征向量构建该待推荐物品数据集后，经过过滤后，生成最终的推荐结果，能够提升推荐结果的可信度。

在一实施例中，如图2所示，在步骤s20中，即从用户行为数据中提取用户特征数据，并根据用户特征数据建立用户特征向量，具体包括如下步骤：

s21：从用户行为数据中获取用户查询数据。

在本实施例中，用户查询数据是指用户在电子商务平台查询商品的数据。

具体地，根据该用户行为数据，从该用户点击查看的商品中，获取查看商品的名称以及类别，从该用户输入的搜索关键字/词中，获取该关键字/词对应的商品种类。

进一步地，从该商品的名称以及类别，以及商品种类组成该用户查询数据。

s22：根据用户查询数据，计算用户查询数据与用户属性数据对应的关联程度，作为用户兴趣度数据。

在本实施例中，用户兴趣度数据是指用户对商品的类别感兴趣的程度。

具体地，可以通过以下公式计算该用户属性数据对应的用户，对其查询的用户查询数据的关联程度：

其中，i＝1…n是该商品的类别c中，商品具有的标签，mci指的商品的类别c和标签i的关联度(可以简单记为是1),nui指的是用户u的标签i的权重值,当用户不具有此标签时nui＝0，qc指的是商品的类别c的质量，可以使用该用户对该商品的类别c的点击率(click/pv)表示。

进一步地，将计算得到的ruc作为该用户兴趣度数据。

s23：根据用户兴趣度数据和用户属性数据建立所述用户特征向量。

具体地，将用户对商品的类型，以及用户属性数据作为用户特征，进而监理该用户特征向量。

在一实施例中，如图3所示，在步骤s30中，即根据用户特征向量获取待推荐物品数据集，具体包括如下步骤：

s31：获取商品特征值。

在本实施例中，商品特征值是指该商品的类型中的商品的属性特征。

具体地，通过人工打标签与机器自动打标签相结合的方式，其中机器自动打标签是采用分词+word2vec实现对该商品做标签。针对机器自动打标签，需要采取机器学习的相关算法来实现，即针对一系列给定的标签，给内容选取其中匹配度最高的几个标签。将该标签作为用户特征值。

s32：使用商品特征值与用户特征向量进行比对，根据比对结果生成待推荐物品数据集。

具体地，由于不同的类型的商品的属性以及使用场景不同，可根据业务的不同，即每一商品的类型的不同，预先设置对应的推荐算法，使得每一类型的商品对应的推荐算法能够针对该类型的商品进行推荐。

进一步地，采用对应的推荐算法，将商品特征值与用户特征向量进行比对，根据比对结果生成待推荐物品数据集。

在一实施例中，如图4所示，在步骤s40之后，店商平台产品推荐方法还包括：s50：获取用户购买记录。

在本实施例中，用户购买记录是指用户在获取到推荐结果后，购买商品的记录。

具体地，在向用户发送推荐结果后，若检测到用户购买了商品，则将用户购买的商品的信息作为该用户购买记录。其中，该商品的信息可以与该商品特征值对应，包括商品的名称、类型以及用途等。

s60：将用户购买记录与推荐结果关联后，存储至预设的数据库中。

具体地，将该用户购买记录与推荐结果关联后，存储至预设的数据库中，用于后续分析优化对应的推荐算法。

在一实施例中，如图5所示，在步骤s50之后，店商平台产品推荐方法还包括：s51：获取用户特征向量。

具体地，在获取到用户购买记录后，再获取该用户特征向量。

s52：根据用户购买记录对用户特征向量进行更新。

具体地，从该用户购买记录中，获取用户购买的商品的信息，将该商品的信息的特征，更新至该用户特征中，进而更新该用户特征向量。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

实施例二：

在一实施例中，提供一种店商平台产品推荐装置，该店商平台产品推荐装置与上述实施例中店商平台产品推荐方法一一对应。如图6所示，该店商平台产品推荐装置包括日志获取模块10、向量搭建模块20、初推荐模块30和主推荐模块40。各功能模块详细说明如下：

日志获取模块10，用于获取用户行为日志，根据用户行为日志建立用户行为数据和用户属性数据；

向量搭建模块20，用于从用户行为数据中提取用户特征数据，并根据用户特征数据建立用户特征向量；

初推荐模块30，用于根据用户特征向量获取待推荐物品数据集；

主推荐模块40，用于对待推荐物品数据集进行过滤后，得到对应的推荐结果。

优选地，向量搭建模块20包括：

数据获取子模块21，用于从用户行为数据中获取用户查询数据；

计算子模块22，用于根据用户查询数据，计算用户查询数据与用户属性数据对应的关联程度，作为用户兴趣度数据；

向量搭建子模块23，用于根据用户兴趣度数据和用户属性数据建立用户特征向量。

优选地，初推荐模块30包括：

商品特征获取子模块31，用于获取商品特征值；

比对子模块里32，用于使用商品特征值与用户特征向量进行比对，根据比对结果生成待推荐物品数据集。

优选地，店商平台产品推荐装置还包括：

购买记录获取模块50，用于获取用户购买记录；

关联存储模块60，用于将用户购买记录与推荐结果关联后，存储至预设的数据库中。

优选地，店商平台产品推荐装置还包括：

向量获取模块51，用于获取用户特征向量；

向量更新模块52，用于根据用户购买记录对用户特征向量进行更新。关于店商平台产品推荐装置的具体限定可以参见上文中对于店商平台产品推荐方法的限定，在此不再赘述。上述店商平台产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。

实施例三：

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7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、网络接口和数据库。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用户特征向量、用户购买记录以及用户属性数据。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店商平台产品推荐方法。

在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：

s10：获取用户行为日志，根据用户行为日志建立用户行为数据和用户属性数据；

s20：从用户行为数据中提取用户特征数据，并根据用户特征数据建立用户特征向量；

s30：根据用户特征向量获取待推荐物品数据集；

s40：对待推荐物品数据集进行过滤后，得到对应的推荐结果。

实施例四：

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以下步骤：

s10：获取用户行为日志，根据用户行为日志建立用户行为数据和用户属性数据；

s20：从用户行为数据中提取用户特征数据，并根据用户特征数据建立用户特征向量；

s30：根据用户特征向量获取待推荐物品数据集；

s40：对待推荐物品数据集进行过滤后，得到对应的推荐结果。

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，本申请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/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。

以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。