对象推荐方法及装置、电子设备及存储介质与流程

1.本发明涉及信息技术领域，尤其涉及一种对象推荐方法及装置、电子设备及存储介质。


背景技术：

2.在商品、服务等对象的购买场景中，存在销量小但种类较多的冷门对象由于总量巨大，导致累积起来的总收益超过主流对象的现象，称为长尾效应。目前针对长尾效应下的长尾产品推荐方案是通过利用图注意力网络进行推荐，需要利用到已经训练好的网络模型。这类方案中的模型对数据类型的依赖较强，相同网络模型在不同数据领域中得到的结果相差可能很大，导致固定模型在不同类型数据间的可迁移性和适应性较差。


技术实现要素：

3.有鉴于此，本发明提供一种对象推荐方法及装置、电子设备及存储介质。
4.本发明的技术方案是这样实现的：第一方面，本发明实施例提供一种对象推荐方法，包括：获取用户当前的搜索内容；基于所述用户的历史操作数据，确定待推荐的对象集合；基于所述搜索内容和对象的特征信息，确定所述对象集合中对象的用户关联度；所述特征信息至少包括：购买频率；根据所述对象的热度，确定所述对象的惩罚因子；其中，所述热度与所述惩罚因子负相关；基于所述惩罚因子和所述用户关联度，确定所述对象的匹配系数；所述匹配系数用于表征所述对象与用户需求的匹配程度；基于所述匹配系数，选择至少一个对象进行推荐。
5.进一步地，所述基于所述用户的历史操作数据，确定待推荐的对象集合，包括：基于所述用户的历史操作数据，确定所述用户的已购买对象；根据所述搜索内容和所述已购买对象，确定与所述搜索内容相关的对象，形成待推荐的对象集合。
6.进一步地，所述基于所述搜索内容和对象的特征信息，确定所述对象集合中对象的用户关联度，包括：基于所述搜索内容，确定搜索关键词；根据所述对象的特征信息和所述搜索关键词，确定所述对象集合中对象的用户关联度。
7.进一步地，所述根据所述对象的特征信息和所述搜索关键词，确定所述对象集合中对象的用户关联度，包括：根据所述对象的特征信息和所述搜索关键词，确定所述对象与用户的匹配程度；
基于所述匹配程度的高低对所述对象集合中的对象进行排序；对排序后的对象进行赋值，作为对象的用户关联度，其中，赋值的大小与所述对象与用户的匹配程度呈正相关。
8.进一步地，所述方法还包括：根据知识图谱，确定所述搜索关键词的关联词；所述根据所述对象的特征信息和所述搜索关键词，确定所述对象与用户的匹配程度，包括：根据所述搜索关键词和所述关联词，以及所述对象的特征信息，确定所述对象与用户的匹配程度。
9.进一步地，所述基于所述惩罚因子和所述用户关联度，确定所述对象的匹配系数，包括：确定所述惩罚因子与所述用户关联度的乘积为所述对象的匹配系数。
10.进一步地，所述基于所述匹配系数，选择至少一个对象进行推荐，包括：在所述对象集合中，选择所述匹配系数最大的至少一个对象进行推荐。
11.第二方面，本发明实施例提供一种对象推荐装置，包括：获取单元，用于获取用户当前的搜索内容；确定单元，用于基于所述用户的历史操作数据，确定待推荐的对象集合；基于所述搜索内容和对象的特征信息，确定所述对象集合中对象的用户关联度；所述特征信息至少包括：购买频率；根据所述对象的热度，确定所述对象的惩罚因子；其中，所述热度与所述惩罚因子负相关；基于所述惩罚因子和所述用户关联度，确定所述对象的匹配系数；所述匹配系数用于表征所述对象与用户需求的匹配程度；推荐单元，用于基于所述匹配系数，选择至少一个对象进行推荐。
12.第三方面，本发明实施例提供一种电子设备，所述电子设备包括：处理器和用于存储能够在处理器上运行的计算机程序的存储器；处理器运行所述计算机程序时，执行前述一个或多个技术方案所述方法的步骤。
13.第四方面，本发明实施例提供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可执行指令；计算机可执行指令被处理器执行后，能够实现前述一个或多个技术方案所述方法。
14.本发明提供的对象推荐方法，包括：基于用户的历史操作数据，确定待推荐的对象集合；基于搜索内容和对象的特征信息，确定所述对象集合中对象的用户关联度；所述特征信息至少包括：购买频率；根据所述对象的热度，确定所述对象的惩罚因子；其中，所述热度与所述惩罚因子负相关；基于所述惩罚因子和所述用户关联度，确定所述对象的匹配系数；所述匹配系数用于表征所述对象与用户需求的匹配程度；基于所述匹配系数，选择至少一个对象进行推荐。如此，一方面基于历史数据和对象热度确定待推荐对象，无需依赖固定的训练模型，既可依赖用户历史操作习惯和对象自身属性，针对性地推荐用户需要的对象，又不会受到数据类型的限制，从而提高在不同领域的对象中的适应性。另一方面，基于与热度负相关的惩罚因子表征对象的热度，进而确定的匹配系数在推荐过程中可以提高对热度偏低的冷门对象的针对性，更加适用于长尾商品等冷门对象的推荐。
附图说明
15.图1为本发明实施例提供的一种对象推荐方法的流程示意图；图2为本发明实施例提供的一种对象推荐方法的流程示意图；图3为本发明实施例提供的一种对象推荐方法的流程示意图；图4为本发明实施例提供的一种对象推荐方法的流程示意图；图5为本发明实施例提供的一种对象推荐方法的流程示意图；图6为本发明实施例提供的一种对象推荐方法的流程示意图；图7为本发明实施例提供的一种对象推荐方法的流程示意图；图8为本发明实施例提供的一种对象推荐装置的结构示意图；图9为本发明实施例提供的一种对象推荐方法的流程示意图。
具体实施方式
16.为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，所描述的实施例不应视为对本发明的限制，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
17.在以下的描述中，涉及到“一些实施例”，其描述了所有可能实施例的子集，但是可以理解，“一些实施例”可以是所有可能实施例的相同子集或不同子集，并且可以在不冲突的情况下相互结合。
18.在以下的描述中，所涉及的术语“第一\第二\第三”仅仅是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序，以使这里描述的本发明实施例能够以除了在这里图示或描述的以外的顺序实施。
19.除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本发明实施例的目的，不是旨在限制本发明。
20.如图1所示，本发明实施例提供一种对象推荐方法，包括：s110：获取用户当前的搜索内容；s120：基于所述用户的历史操作数据，确定待推荐的对象集合；s130：基于所述搜索内容和对象的特征信息，确定所述对象集合中对象的用户关联度；所述特征信息至少包括：购买频率；s140：根据所述对象的热度，确定所述对象的惩罚因子；其中，所述热度与所述惩罚因子负相关；s150：基于所述惩罚因子和所述用户关联度，确定所述对象的匹配系数；所述匹配系数用于表征所述对象与用户需求的匹配程度；s160：基于所述匹配系数，选择至少一个对象进行推荐。
21.在本发明实施例中，对象可以为实体产品、虚拟化产品、服务等可购买的对象。用户的搜索内容可以为用户输入的搜索内容，也可以为用户通过点击选项选定的内容等，例如在商品分类页面选择的商品类别。历史操作数据表征用户对产品等对象进行的购买、浏览等历史操作情况，可以包括历史点击数据、历史购买数据、历史浏览数据和/或历史收藏
数据等。
22.在一个实施例中，基于搜索内容和对象的特征信息，确定确定所述对象集合中对象的用户关联度，可以包括根据对象的购买频率对对象进行分类，例如，可以根据购买频率将对象分为易耗品（比如生活用品、零食、文具等，全年购买更新频率较高的产品）、周期产品（比如鞋子、驱蚊器等购买频率有周期特点的产品）、一次性购买产品（比如洗碗机、骨灰盒等，确认购买后就应该避免再次推送相同的产品）等。这里，购买频率可以通过采集一定数量的其他用户对该对象的历史购买数据，或者，也可以通过采集当前用户对该对象的历史购买数据，确定对象的购买频率。
23.在另一个实施例中，s130可以包括：基于对象的特征信息以及当前时刻，对待推荐的对象集合进行筛选；基于所述搜索内容和所述特征信息，确定筛选后的对象集合中对象的用户关联度α。这里，对待推荐的对象集合进行筛选，可以为基于对象的购买频率以及用户上一次购买该对象的时刻，确定当前时刻是否与对象的购买情况匹配，并筛选掉对象集合中不匹配的对象。示例性地，若确定对象的购买频率为每三个月一次，用户上一次购买该对象的时间距离当前已达到三个月，则当前时刻与对象的购买情况匹配，可以保留在筛选后的对象集合中。如此，用户关联度α可以表征对象的购买频率与用户当前购买需求的吻合程度，以及对象类型与搜索内容表征的用户需求的吻合程度。
24.在另一个实施例中，对象的热度可以包括销量、浏览量、收藏数、评论数等数据，也可以根据一定的转化率计算规则，将这些数据转化为热度值等量化数据。根据对象的热度确定惩罚因子β，可以为按负相关的一定规则进行β的赋值，即热度越低，对象的惩罚因子β越大，例如，可以按照负相关的线性平均或者指数平均进行β的赋值。示例性地，根据对象的热度将对象分为热度较低的冷门对象、热度适中的普通对象以及热度较高的热门对象，β的赋值可以采用如下区间范围：在一个实施例中，基于惩罚因子和用户关联度，确定对象的匹配系数φ，可以直接通过对用户关联度α和惩罚因子β求和或求积，或者，也可以对α和β设置权重系数，进行加权求和得到匹配系数φ。
25.在另一个实施例中，若需要应用于对热度较高的热门对象的推荐场景，则可以基于负相关的运算规则，对用户关联度α和惩罚因子β进行计算得到匹配系数，从而在匹配系数中体现与热度的正相关关系。
26.在另一个实施例中，待推荐的对象集合，以及，根据用户关联度α和惩罚因子β排序并赋值后的对象集合，可以保存并用于下一次获取到用户的搜索内容后，进行相应的对象推荐。可选地，每一次用户执行搜索动作后，可以根据用户搜索内容、以及相关的购买、点击等操作内容，对待推荐的对象集合以及根据α和β排序并赋值后的对象集合进行内容更新，以实现在下一次对象推荐时快速查询和应用。
27.如此，基于历史数据、购买频率和对象热度确定匹配系数，根据匹配系数进行对象推荐，既可根据用户购买习惯及对象自身属性，针对性地推荐用户需要的对象，又无需依赖
固定的训练模型，不会受到数据类型的限制，从而提高本方法在不同领域的对象中的适应性。另一方面，通过与热度负相关的惩罚因子表征对象的热度，进而确定的匹配系数可以提高对热度偏低的冷门对象的指向性，在推荐过程中可以实现对冷门对象的优先推荐，更加适用于长尾产品等冷门对象的推荐场景，提高推荐对象的多样性。
28.在一些实施例中，如图2所示，所述s120，包括：s121：基于所述用户的历史操作数据，确定所述用户的已购买对象；s122：根据所述搜索内容和所述已购买对象，确定与所述搜索内容相关的对象，形成待推荐的对象集合。
29.在本发明实施例中，基于历史操作数据确定已购买对象，可以通过历史操作数据中的历史购买数据，从中确定用户购买过的对象。进一步地，根据已购买对象，查找并筛选出与搜索内容相关的对象，例如，已购买对象包括鞋子、衣服等商品，则可以在所有鞋类、衣物类商品中根据搜索内容进行筛选，得到与搜索内容相关的商品集合。
30.如此，可以将待推荐的对象集合，与用户当前搜索需求和历史购买产品建立联系，使待推荐对象可以同时吻合用户的购买习惯和当前购买需求，从而在进一步地确定用户关联度过程中，抑制与用户关联性较低的无关对象的出现。
31.在一些实施例中，如图3所示，所述s130，包括：s131：基于所述搜索内容，确定搜索关键词；s132：根据所述对象的特征信息和所述搜索关键词，确定所述对象集合中对象的用户关联度；所述特征信息至少包括：购买频率。
32.在本发明实施例中，基于搜索内容确定搜索关键词，可以为通过文本分析和提取对搜索内容进行处理，例如，可以包括分词处理、词义分析等步骤，从而在搜索内容中确定关键词。
33.在一个实施例中，根据特征信息和搜索关键词，确定对象的用户关联度α，可以为基于购买频率和对象与搜索关键词的相似度，确定用户关联度，例如，与搜索关键词相似度高且购买频率高的对象，用户关联度较高。
34.示例性地，确定对象与搜索关键词的相似度，可以通过确定文本分析对象的名称、属性等内容，确定对象的关键词，并基于相似度算法等规则确定对象的关键词与搜索关键词的相似程度。
35.如此，基于搜索关键词的确定，可以大大降低用户输入的搜索内容中与用户需要查询的目标对象关联较低的无关内容的影响，从而提高对象匹配和推荐的准确性。
36.在一些实施例中，如图4所示，所述s132，包括：s1321：根据所述对象的特征信息和所述搜索关键词，确定所述对象与用户的匹配程度；所述特征信息至少包括：购买频率；s1322：基于所述匹配程度的高低对所述对象集合中的对象进行排序；s1323：对排序后的对象进行赋值，作为对象的用户关联度，其中，赋值的大小与所述对象与用户的匹配程度呈正相关。
37.在本发明实施例中，基于购买频率和搜索关键词确定的匹配程度，对对象进行排序，可以为按与关键词的相似度对对象进行初步排序，例如，由关键词直接匹配到的、由与关键词相似的其他词语匹配到的
…
等，进而基于购买频率进行二次排序，例如，购买频率较
高的易耗品、具备一定购买周期且已进入待购买周期的周期产品、一次性购买产品
…
等。
38.在一个实施例中，对于排序后的对象，可以按匹配程度从高到低的顺序，分别按从大到小的数值顺序进行赋值，作为用户关联度，例如，可以为按正相关通过线性平均或者指数平均等方法进行用户关联度α的赋值。
39.在一些实施例中，如图5所示，所述方法还包括：s101：根据知识图谱，确定所述搜索关键词的关联词；所述s1321，可包括：s1321a：根据所述搜索关键词和所述关联词，以及所述对象的特征信息，确定所述对象与用户的匹配程度；所述特征信息至少包括：购买频率。
40.在本发明实施例中，知识图谱可以为可视化描述词语属性以及不同词语之间的相互联系的图谱，可以直接从现有的知识库、语料库等资源中获取。可以在知识图谱中以搜索关键词为中心查找相关的关联词，也可以基于知识图谱中词语关联结构的分布，在搜索关键词的所有关联词中选取关联度高于一定阈值的关联词。示例性地，当搜索关键词为“帐篷”时，可以根据知识图谱确定该关键词属于“户外”类别，因此，基于知识图谱确定同属于“户外”的其他词语（例如“户外探照灯”等）为搜索关键词的关联词。
41.在一个实施例中，基于搜索关键词及其关联词，以及对象的购买频率，可以基于匹配程度对对象进行排序，进而对排序后的对象进行赋值，例如，当对象为待购买的产品时，对象的排序和用户关联度α的赋值规则可以为：可以理解的是，在每个区间范围内的具体赋值，根据排序后每个类别下对象的数量，赋值可以为整数也可以为非整数。
42.如此，基于搜索关键词和关联词的共同匹配筛选，可以大大丰富待推荐对象集合包含的对象数量，提高待推荐对象的多样性。进一步地，在排序及赋值过程中，可以形成更加详细具体的匹配程度区别，进而基于用户关联度的赋值，便于对不同对象进行有效的区分和排序，提高对象推荐的准确性。
43.在一些实施例中，如图6所示，所述s150，包括：s151：确定所述惩罚因子与所述用户关联度的乘积为所述对象的匹配系数；所述匹配系数用于表征所述对象与用户需求的匹配程度。
44.在本发明实施例中，计算匹配系数φ，采用计算惩罚因子与用户关联度的乘积，即φ=α*β。
45.如此，基于乘积得到的匹配系数，可以实现通过惩罚因子对用户关联度进行修正，形成匹配系数与惩罚因子的正相关关系，进而形成与对象热度的负相关关系，则匹配系数
可以体现对象的冷门程度，从而在基于匹配系数进行对象推荐时，可以更加适用于对热度偏低的冷门对象的推荐场景。
46.在一些实施例中，如图7所示，所述s160，包括：s161：在所述对象集合中，选择所述匹配系数最大的至少一个对象进行推荐。
47.在本发明实施例中，选取匹配系数最大的一个或多个对象进行推荐，可以为根据匹配系数从大到小对对象集合中的对象进行排序，在排序后的对象中选取最前面的至少一个对象推荐给用户。
48.在一个实施例中，若匹配系数为根据惩罚因子与用户关联度乘积得到，则选取匹配系数最大的一个或多个对象，具备较大的惩罚因子，即具备较低的热度，因而可以向用户推荐符合其购买需求且热度较低的冷门对象，从而提高对象推荐的丰富性，适用于冷门对象推荐场景。
49.如图8所示，本发明实施例提供一种对象推荐装置，包括：获取单元10，用于获取用户当前的搜索内容；确定单元20，用于基于所述用户的历史操作数据，确定待推荐的对象集合；基于所述搜索内容和对象的特征信息，确定所述对象集合中对象的用户关联度；所述特征信息至少包括：购买频率；根据所述对象的热度，确定所述对象的惩罚因子；其中，所述热度与所述惩罚因子负相关；基于所述惩罚因子和所述用户关联度，确定所述对象的匹配系数；所述匹配系数用于表征所述对象与用户需求的匹配程度；推荐单元30，用于基于所述匹配系数，选择至少一个对象进行推荐。
50.在一些实施例中，所述确定单元20还用于：根据知识图谱，确定所述搜索关键词的关联词。
51.以下结合上述任一实施例提供一个具体示例：如图9所示，本发明实施例提供一种对象推荐方法，用于根据用户的实时查询信息并结合用户的历史信息为用户推荐符合其偏好的物品。
52.s1、根据用户实时搜索词，文本分析提取搜索关键词，根据用户身份标识信息（identity document，id）查找用户历史购买、点击、浏览产品等数据，生成用户历史数据集h。
53.s2、根据s1得到的用户历史数据集h，结合搜索关键词及其关联词形成集合k，通过k和h找到产品集合p，包括：s21、通过关键词，通过知识图谱得到其关联词，共同组成集合k。比如，搜索关键词“帐篷”，根据知识图谱（或者标签关系）容易得到属于“户外”，在“户外”类型中将其他户外商品作为关键词的关联词。k={关键词1，关键词1关联词a，关键词1关联词b
…
关键词2，关键词2关联词a，关键词2关联词b
…
}。
54.s22、结合k和用户历史数据集h，分析h中已购买的产品性质，得到初步筛选的产品集合p，包括：用户已购买的产品性质主要根据购买频率划分，例如可以分为易耗品（生活用品、零食、文具等，全年购买更新频率较高的产品）、周期产品（鞋子、驱蚊器等购买频率有周期特点的产品）、一次性购买产品（确认购买后就应该避免再次推送相同的产品，比如洗碗机、骨灰盒等）等等；根据当前时间和不同性质产品的最近购买时间，结合k，产生推荐物品候选集p，p中的产品按照产品与用户的关联度（或相似度）α由高到低排序。α的取值范围可
以参考下列区间：具体地，在前面两档内部，根据每一档内部该产品购买的频率，由高到低排序并分配具体数值，数值可以为整数也可以为非整数。
55.s3、设定惩罚权重因子β，根据p中各产品的销量、评论数等转化率，将产品分为热门产品、普通产品与冷门产品，综合产品与用户的关联度（或相似度）α和惩罚权重因子β得到待推荐产品与用户的匹配数值φ=α*β。β可以参考以下区间范围，类似地根据每档内部的分布进行赋值。
56.不论按照销量还是评论数，数量越高的β越小，可以按照线性平均或者指数平均进行β的赋值。最后按照φ由高到低排序，根据排名选取排名前n位（top
‑
n）的产品作为推荐物品候选集p'。
57.s4、根据用户实际选择，再进一步迭代更新推荐物品候选集p'，比如产生新的购买行为，或者新的搜索行为，都可以对p和p'产生影响，按照前述步骤进行更新。如此，不用依赖于前期的固定模型训练，有针对性的对不同用户进行冷门产品的推荐，适用于有实时搜索关键词的长尾物品或者冷门物品的推荐。
58.本发明实施例还提供一种电子设备，所述电子设备包括：处理器和用于存储能够在处理器上运行的计算机程序的存储器，处理器运行所述计算机程序时，执行前述一个或多个技术方案所述方法的步骤。
59.本发明实施例还提供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可执行指令，计算机可执行指令被处理器执行后，能够实现前述一个或多个技术方案所述方法。
60.本实施例提供的计算机存储介质可为非瞬间存储介质。
61.在本技术所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
62.上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元，即可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
63.另外，在本发明各实施例中的各功能单元可以全部集成在一个处理模块中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
64.在一些情况下，上述任一两个技术特征不冲突的情况下，可以组合成新的方法技术方案。
65.在一些情况下，上述任一两个技术特征不冲突的情况下，可以组合成新的设备技术方案。
66.本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器（read
‑
only memory，rom）、随机存取存储器（random access memory，ram）、磁碟或者光盘等各种可以存储程序代码的介质。
67.以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。