本技术涉及大数据,尤其涉及一种商品推荐方法、装置、存储介质及计算机设备。
背景技术:
1、随着经济社会的发展,人们的消费水平持续提高,对购物体验的要求也越来越高。为了满足客户的购物体验,从而提高商品销售效率,一般企业会培训大量销售员,以使销售员掌握商品知识和销售技巧,当顾客在品牌门店和商场等购物场所选购商品时,能够根据顾客的需求推荐合适的商品,进一步增加商品交易的成功率。
2、然而,由于销售员们的专业水平和销售能力参差不齐,并且顾客们的喜好各不相同,通常会出现销售员推荐的商品与顾客的需求不匹配的情况,从而导致商品交易的成功率下降。因此传统的销售模式存在无法精准地确定并推荐顾客喜欢的商品的问题。
技术实现思路
1、本技术的目的旨在至少能解决上述的技术缺陷之一,特别是现有技术中无法精准地确定并推荐顾客喜欢的商品的技术缺陷。
2、第一方面,本技术提供了一种商品推荐方法,所述方法包括:
3、采集目标销售员的销售员数据、目标用户的用户数据以及所有商品的商品数据,并确定所述销售员数据对应的销售员数据特征、所述用户数据对应的用户数据特征以及每个所述商品数据对应的商品数据特征;
4、根据所述销售员数据特征、所述用户数据特征以及各个所述商品数据特征,获得所述目标销售员的销售员特征向量、所述目标用户的用户特征向量以及每个所述商品的商品特征向量;
5、根据所述销售员特征向量与各个所述商品特征向量的相似度得分,以及所述用户特征向量与各个所述商品特征向量的相似度得分,在所有商品中确定候选商品集合;
6、将所述销售员特征向量、所述用户特征向量以及所述候选商品集合中的各个商品的商品特征向量输入已建立的deepfm模型,通过fm层得到所述候选商品集合的各个商品的商品特征向量、所述销售员特征向量以及所述用户特征向量的一阶特征和二阶特征,并基于所述一阶特征和所述二阶特征确定所述fm层输出结果,所述输出结果通过sigmoid函数进行数值变换,得到所述候选商品集合中各个商品的评分;
7、基于各个所述评分,确定目标商品,并将所述目标商品返回推荐列表。
8、在其中一个实施例中,所述采集目标销售员的销售员数据、目标用户的用户数据以及所有商品的商品数据,并确定所述销售员数据对应的销售员数据特征、所述用户数据对应的用户数据特征以及每个所述商品数据对应的商品数据特征的步骤,包括:
9、将所述目标销售员的销售员数据、所述目标用户的用户数据以及所有所述商品的商品数据同步到数据仓库。
10、在所述数据仓库中,对所述销售员数据、所述用户数据以及每个所述商品数据进行抽取操作、转换操作和加载操作,得到所述销售员数据对应的销售员数据特征、所述用户数据对应的用户数据特征以及每个所述商品数据对应的商品数据特征。
11、在其中一个实施例中,所述根据所述销售员数据特征、所述用户数据特征以及各个所述商品数据特征,获得所述目标销售员的销售员特征向量、所述目标用户的用户特征向量以及每个所述商品的商品特征向量的步骤,包括:
12、在spark计算引擎中,采用item2vec将所述销售员数据特征、所述用户数据特征以及各个所述商品数据特征进行向量化操作,得到所述目标销售员的销售员特征向量、所述目标用户的用户特征向量以及每个所述商品的商品特征向量。
13、在其中一个实施例中,所述根据所述销售员特征向量与各个所述商品特征向量的相似度得分,以及所述用户特征向量与各个所述商品特征向量的相似度得分,在所有商品中确定候选商品集合的步骤,包括:
14、根据余弦相似度运算,得到所述销售员特征向量与各个所述商品特征向量的相似度得分,以及所述用户特征向量与各个所述商品特征向量的相似度得分;
15、基于所述销售员特征向量与各个所述商品特征向量的相似度得分,以及所述用户特征向量与各个所述商品特征向量的相似度得分,将每个所述商品按预设规则进行排序,得到排序结果;
16、根据所述排序结果,在所有商品中选取预设个数的商品作为所述候选商品集合。
17、在其中一个实施例中,所述方法还包括:
18、根据所述目标用户的用户数据,得到所述目标用户的用户信息;
19、将所述用户信息返回用户信息列表。
20、在其中一个实施例中,所述方法还包括:
21、当所述销售员数据、所述用户数据以及每个所述商品数据更新时,同步更新所述推荐列表的目标商品和所述用户信息列表的用户信息。
22、第二方面,本技术提供了一种商品推荐装置,所述装置包括:
23、数据采集模块,用于采集目标销售员的销售员数据、目标用户的用户数据以及所有商品的商品数据,并确定所述销售员数据对应的销售员数据特征、所述用户数据对应的用户数据特征以及每个所述商品数据对应的商品数据特征;
24、特征向量获取模块,用于根据所述销售员数据特征、所述用户数据特征以及各个所述商品数据特征,获得所述目标销售员的销售员特征向量、所述目标用户的用户特征向量以及每个所述商品的商品特征向量;
25、候选商品集合确定模块,用于根据所述销售员特征向量与各个所述商品特征向量的相似度得分,以及所述用户特征向量与各个所述商品特征向量的相似度得分,在所有商品中确定候选商品集合;
26、商品评分确定模块,用于将所述销售员特征向量、所述用户特征向量以及所述候选商品集合中的各个商品的商品特征向量输入已建立的deepfm模型,通过fm层得到所述候选商品集合的各个商品的商品特征向量、所述销售员特征向量以及所述用户特征向量的一阶特征和二阶特征,并基于所述一阶特征和所述二阶特征确定所述fm层输出结果,所述输出结果通过sigmoid函数进行数值变换,得到所述候选商品集合中各个商品的评分;
27、目标商品确定模块,用于基于各个所述评分,确定目标商品,并将所述目标商品返回推荐列表。
28、在其中一个实施例中,所述数据采集模块包括:
29、数据同步单元,用于将所述目标销售员的销售员数据、所述目标用户的用户数据以及所有所述商品的商品数据同步到数据仓库。
30、数据特征确定单元,用于在所述数据仓库中,对所述销售员数据、所述用户数据以及每个所述商品数据进行抽取操作、转换操作和加载操作,得到所述销售员数据对应的销售员数据特征、所述用户数据对应的用户数据特征以及每个所述商品数据对应的商品数据特征。
31、第三方面,本技术提供了一种存储介质,所述存储介质中存储有计算机可读指令,所述计算机可读指令被一个或多个处理器执行时,使得一个或多个处理器执行上述实施例中任一项所述商品推荐方法的步骤。
32、第四方面,本技术提供了一种计算机设备,包括:一个或多个处理器,以及存储器;所述存储器中存储有计算机可读指令,所述计算机可读指令被所述一个或多个处理器执行时,执行上述实施例中任一项所述商品推荐方法的步骤。
33、从以上技术方案可以看出,本技术实施例具有以下优点:
34、本技术提供的商品推荐方法、装置、存储介质及计算机设备,所述方法包括:采集目标销售员的销售员数据、目标用户的用户数据以及所有商品的商品数据,并确定所述销售员数据对应的销售员数据特征、所述用户数据对应的用户数据特征以及每个所述商品数据对应的商品数据特征;根据所述销售员数据特征、所述用户数据特征以及各个所述商品数据特征,获得所述目标销售员的销售员特征向量、所述目标用户的用户特征向量以及每个所述商品的商品特征向量;根据所述销售员特征向量与各个所述商品特征向量的相似度得分,以及所述用户特征向量与各个所述商品特征向量的相似度得分,在所有商品中确定候选商品集合;将所述销售员特征向量、所述用户特征向量以及所述候选商品集合中的各个商品的商品特征向量输入已建立的deepfm模型,通过fm层得到所述候选商品集合的各个商品的商品特征向量、所述销售员特征向量以及所述用户特征向量的一阶特征和二阶特征,并基于所述一阶特征和所述二阶特征确定所述fm层输出结果,所述输出结果通过sigmoid函数进行数值变换,得到所述候选商品集合中各个商品的评分;基于各个所述评分,确定目标商品,并将所述目标商品返回推荐列表。该商品推荐方法根据销售员的数据、用户的数据以及所有商品的数据对所有商品进行筛选,确定候选商品集合,再基于候选商品集合确定目标商品,降低了该方法的计算复杂度和加快该方法的计算速度,提高了商品推荐的效率;在对目标商品的评分时,采用了deepfm模型,deepfm模型能够学习并挖掘销售员与商品、用户与商品以及销售员与用户之间的特征联系,从而精准确定符合用户需求的目标商品,并加强销售员在客户购买商品行为的影响,进一步促使销售员可以准确推荐用户喜欢的商品,以提升商品交易的成功率。