CN108198019A - 物品推荐方法及装置、存储介质、电子设备 - Google Patents

Abstract

本发明的实施方式提供了一种基于用户偏好的物品推荐方法及装置，属于数据处理技术领域，该方法包括：对用户历史行为数据进行第一预设处理得到用户中长期偏好；对用户实时行为数据进行第二预设处理得到用户实时偏好；根据所述用户中长期偏好以及用户实时偏好为用户推荐对应的物品。该方法可以更好的根据用户的偏好以及需求为用户推荐对应的物品，增加了物品推荐结果的精细度，使得用户可以在最短的时间内挑选到符合自己需求的物品，减少了用户挑选物品的时间同时也可以增加用户的消费额度。

Description

物品推荐方法及装置、存储介质、电子设备

技术领域

本发明的实施方式涉及数据处理领域，更具体地，本发明的实施方式涉及基于用户偏好的物品推荐方法、基于用户偏好的物品推荐装置、存储介质以及电子设备。

背景技术

本部分旨在为权利要求书中陈述的本发明的实施方式提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。

随着电子商务的飞速发展，越来越多的消费者选择通过网络购物来替代实体购物。为了可以使得消费者在最短的时间内找到符合的物品，各大购物网站大多数都是通过根据用户以往的购物习惯为用户进行推荐。

在现有的协同过滤物品推荐方法中，主要是给用户推荐一些和他们之前喜欢的物品相似的物品；但是，该算法并不利用物品的内容属性计算物品之间的相似度，它主要通过分析用户的行为记录计算物品之间的相似度。该算法认为，物品A和物品B具有很大的相似度是因为喜欢物品A的用户大都也喜欢物品B，基于物品的协同过滤算法主要分为两步：一、计算物品之间的相似度；二、根据物品的相似度和用户的历史行为给用户生成推荐列表。

发明内容

但是，在一些技术中，一方面，没有对用户偏好进行分析，使得物品的推荐结果不够精细，不能够正确的反应用户的喜好，使得用户无法在最短的时间内挑选到符合自己需求的物品；另一方面，推荐场景过于单一，使得用户不能在挑选一类物品的同时还可以看到其他需要购买的物品，减少了用户的消费数额；再一方面，不能对给定集合的物品做个性化推荐，减少了推荐页面的趣味性同时降低了用户购买的意愿。

因此在现有技术中，以协同过滤物品推荐的方法为用户推荐物品不能在较短的时间内达到较好的消费目的，这是非常令人烦恼的过程。

为此，非常需要一种改进的基于用户偏好的物品推荐方法、基于用户偏好的物品推荐装置、存储介质以及电子设备，以使用户可以根据推荐结果及时的找到符合自己需求的物品，并增加消费额度。

在本上下文中，本发明的实施方式期望提供一种基于用户偏好的物品推荐方法、基于用户偏好的物品推荐装置、存储介质以及电子设备。

根据本公开的一个方面，提供一种基于用户偏好的物品推荐方法，包括：

对用户历史行为数据进行第一预设处理得到用户中长期偏好；

对用户实时行为数据进行第二预设处理得到用户实时偏好；

根据所述用户中长期偏好以及用户实时偏好为用户推荐对应的物品。

在本公开的一种示例性实施例中，根据所述用户中长期偏好以及用户实时偏好为用户推荐对应的物品包括：

对所述用户实时偏好进行第三预设处理得到用户意图；

根据所述用户中长期偏好、用户实时偏好以及用户意图得到用户综合偏好；

根据所述用户综合偏好为用户推荐与所述用户综合偏好对应的物品。

在本公开的一种示例性实施例中，所述行为数据包括浏览行为数据、收藏行为数据、加购行为数据、购买行为数据以及曝光行为数据中的多种。

在本公开的一种示例性实施例中，对所述用户历史行为数据进行第一预设处理得到用户中长期偏好包括：

配置时间衰减函数，并根据所述时间衰减函数以及各所述历史行为数据的发生时间以及发生次数计算各所述历史行为数据的第一用户偏好值；

为各所述历史行为数据配置第一权重值，并根据各所述历史行为数据对应的第一用户偏好值以及第一权重值计算所述用户中长期偏好。

在本公开的一种示例性实施例中，对所述用户实时行为数据进行第二预设处理得到用户实时偏好包括：

根据所述时间衰减函数以及各所述实时行为数据的发生时间以及发生次数计算各所述实时行为数据的第二用户偏好值；

为各所述实时行为数据配置第二权重值，并根据各所述实时行为数据对应的第二用户偏好值以及第二权重值计算所述用户实时偏好。

在本公开的一种示例性实施例中，所述用户偏好包括用户类目偏好以及用户品牌偏好；

对所述用户实时偏好进行第三预设处理得到用户意图包括：

配置信息熵函数，并根据所述信息熵函数以及所述用户实时类目偏好预测所述用户意图。

在本公开的一种示例性实施例中，在根据所述用户中长期偏好、用户实时偏好以及用户意图得到用户综合偏好之后，所述基于用户偏好的物品推荐方法还包括：

将所述用户中长期偏好、用户实时偏好以及用户意图存储至分布式缓存集群中。

在本公开的一种示例性实施例中，在对用户实时行为数据进行第二预设处理得到用户实时偏好之后，所述基于用户偏好的物品推荐方法还包括：

对所述用户中长期偏好以及用户实时偏好进行归一化处理。

在本公开的一种示例性实施例中，根据所述用户中长期偏好以及用户实时偏好为用户推荐对应的物品还包括：

根据不同的推荐类型，为归一化处理后的用户中长期偏好以及用户实时偏好配置比例系数；

根据所述归一化处理后的用户中长期偏好以及用户实时偏好的比例系数计算用户整体偏好；

根据所述用户整体偏好为所述用户推荐对应的物品。

在本公开的一种示例性实施例中，所述衰减函数为：

其中，β为时间常数；t_ui为用户行为数据的产生时间；t为计算偏好的时间。

根据本公开的一个方面，提供一种基于用户偏好的物品推荐装置，包括：

第一处理模块，用于对用户历史行为数据进行第一预设处理得到用户中长期偏好；

第二处理模块，用于对用户实时行为数据进行第二预设处理得到用户实时偏好；

物品推荐模块，用于根据所述用户中长期偏好以及用户实时偏好为用户推荐对应的物品。

根据本公开的一个方面，提供一种存储介质，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任意一项所述的基于用户偏好的物品推荐方法。

根据本公开的一个方面，提供一种电子设备，包括：

处理器；以及

存储器，用于存储所述处理器的可执行指令；

其中，所述处理器配置为经由执行所述可执行指令来执行上述任意一项所述的基于用户偏好的物品推荐方法。

根据本发明实施方式的基于用户偏好的物品推荐方法和基于用户偏好的物品推荐装置，通过计算用户的中长期偏好以及实时偏好，然后根据用户的中长期偏好以及实时偏好为用户推荐对应的物品，可以更好的根据用户的偏好以及需求为用户推荐对应的物品，增加了物品推荐结果的精细度，使得用户可以在最短的时间内挑选到符合自己需求的物品，减少了用户挑选物品的时间同时也可以增加用户的消费额度。

附图说明

通过参考附图阅读下文的详细描述，本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本发明的若干实施方式，其中：

图1示意性地示出了根据本发明实施方式的基于用户偏好的物品推荐方法的流程图；

图2示意性地示出了根据本发明实施方式的基于用户偏好的物品推荐方法的框架图；

图3示意性地示出了根据本发明实施方式的对用户历史行为数据进行第一预设处理得到用户中长期偏好的方法流程图；

图4示意性地示出了根据本发明实施方式的对用户实时行为数据进行第二预设处理得到用户实时偏好的方法流程图；

图5示意性地示出了根据本发明实施方式的根据所述用户中长期偏好以及用户实时偏好为用户推荐对应的物品的方法流程图；

图6示意性地示出了根据本发明实施方式的另一种根据所述用户中长期偏好以及用户实时偏好为用户推荐对应的物品的方法流程图；

图7示意性地示出了根据本发明实施方式的基于用户偏好的物品推荐装置的框图；

图8示意性地示出了根据本发明实施方式的存储介质的示意图；

图9示意性地示出了根据本发明实施方式的电子设备的方框示意图图。

在附图中，相同或对应的标号表示相同或对应的部分。

具体实施方式

下面将参考若干示例性实施方式来描述本发明的原理和精神。应当理解，给出这些实施方式仅仅是为了使本领域技术人员能够更好地理解进而实现本发明，而并非以任何方式限制本发明的范围。相反，提供这些实施方式是为了使本发明更加透彻和完整，并且能够将本发明的范围完整地传达给本领域的技术人员。

本领域技术人员知道，本发明的实施方式可以实现为一种系统、装置、设备、方法或计算机程序产品。因此，本发明可以具体实现为以下形式，即：完全的硬件、完全的软件(包括固件、驻留软件、微代码等)，或者硬件和软件结合的形式。

根据本发明的实施方式，提出了一种基于用户偏好的物品推荐方法、基于用户偏好的物品推荐装置、存储介质以及电子设备。

在本文中，附图中的任何元素数量均用于示例而非限制，以及任何命名都仅用于区分，而不具有任何限制含义。

下面参考本发明的若干代表性实施方式，详细阐释本发明的原理和精神。

发明概述

本发明人发现，在现有的物品推荐方案中，采用协同过滤的方法为用户推荐和用户之前喜欢的物品相似的物品的方式较为单一，无法为用户呈现较为精细的推荐结果且不能够正确的反应用户的喜好；另外，由于用户已经购买过物品A了，因此在短时间也不会再购买与物品A具有很大相似度的物品B，这可能导致用户会对推荐的物品B产生较为厌恶的心里，降低了用户购物体验，进而不能很好的使用户产生购买的意愿。此外，由于对给定集合的物品做个性化推荐，因此减少了推荐页面的趣味性同时降低了用户购买的意愿。

鉴于上述内容，本发明的基本思想在于：一方面，通过计算用户的中长期偏好以及实时偏好，然后根据用户的中长期偏好以及实时偏好为用户推荐对应的物品，可以更好的根据用户的偏好以及需求为用户推荐对应的物品，增加了物品推荐结果的精细度，使得用户可以在最短的时间内挑选到符合自己需求的物品，减少了用户挑选物品的时间同时也可以增加用户的消费额度；另一方面，对用户意图进行预测，可以更为准确的为用户推荐用户所需的物品，提升了用户的购物体验；再一方面，根据不同的推荐类型为用户推荐对应的物品，可以对给定集合的物品或者品牌以及类目等做个性化的推荐，增加了用户购物的趣味性。

在介绍了本发明的基本原理之后，下面具体介绍本发明的各种非限制性实施方式。

示例性方法

下面结合图1来描述根据本发明示例性实施方式的基于用户偏好的物品推荐方法。

参考图1所示，该基于用户偏好的物品推荐方法可以包括以下步骤：

步骤S110.对用户历史行为数据进行第一预设处理得到用户中长期偏好。

步骤S120.对用户实时行为数据进行第二预设处理得到用户实时偏好。

步骤S130.根据所述用户中长期偏好以及用户实时偏好为用户推荐对应的物品。

在本发明示例性实施方式的基于用户偏好的物品推荐方法中，通过计算用户的中长期偏好以及实时偏好，然后根据用户的中长期偏好以及实时偏好为用户推荐对应的物品，可以更好的根据用户的偏好以及需求为用户推荐对应的物品，增加了物品推荐结果的精细度，使得用户可以在最短的时间内挑选到符合自己需求的物品，减少了用户挑选物品的时间同时也可以增加用户的消费额度。

下面，将结合附图对本发明示例性实施方式的基于用户偏好的物品推荐方法中的各步骤进行详细的解释以及说明。

参考图1所示，在步骤S110中，对用户历史行为数据进行第一预设处理得到用户中长期偏好。

在本示例性实施方式中，用户历史行为数据可以包括用户对物品的浏览(Click)、购买(Buy)、收藏(Follow)以及加购物车(Cart)等行为产生的数据；也可以包括用户待物品的其他行为产生的数据，例如可以是曝光(Show)等等，本示例性实施方式对此不做特殊限制；其中，用户历史行为数据可以包括用户近n天的行为数据，n可以包括3天、7天、15天、30天或者60天等等，也可以为其他数据，例如可以是90天等等，本示例对此不做特殊限制。进一步的，参考图2所示，首先，从数据库201中获取用户的历史行为数据；然后，通过离线计算集群203对获取到的历史行为数据进行第一预设处理得到用户中长期偏好；其中，离线计算集群可以包括Hive集群以及Hadoop集群，也可以包括其他集群，例如可以是Kafka集群等等，本示例对此不做特殊限制。

继续参考图1所示，在步骤S120中，对用户实时行为数据进行第二预设处理得到用户实时偏好。

在本示例性实施方式中，用户实时行为数据可以包括用户对物品的浏览(Click)、购买(Buy)、收藏(Follow)以及加购物车(Cart)等行为产生的数据；也可以包括用户待物品的其他行为产生的数据，例如可以是曝光(Show)等等，本示例性实施方式对此不做特殊限制。进一步的，继续参考图2所示，首先，从数据库201中获取用户的实时行为数据；然后，通过实时计算集群205对获取到的实时行为数据进行第二预设处理得到用户实时偏好；其中，实时计算集群可以包括Kafka集群或者Hadoop集群，也可以包括其他集群，例如可以是Hive集群等等，本示例对此不做特殊限制。

继续参考图1所示，在步骤S130中，根据所述用户中长期偏好以及用户实时偏好为用户推荐对应的物品。

在本示例性实施方式中，当得到上述用户中长期偏好以及实时偏好后，利用在线计算集群207对用户中长期偏好以及实时偏好进行处理，并根据处理结果为用户推荐对应的物品；其中，在线计算集群可以包括Kafka集群或者Hadoop集群，也可以包括其他集群，例如可以是Hive集群等等，本示例对此不做特殊限制。

图3示意性示出一种对所述用户历史行为数据进行第一预设处理得到用户中长期偏好的方法流程图。参考图3所示，对用户历史行为数据进行第一预设处理得到用户中长期偏好可以包括步骤S310以及步骤S320。

参考图3所示，在步骤S310中，配置时间衰减函数，并根据所述时间衰减函数以及各所述历史行为数据的发生时间以及发生次数计算各所述历史行为数据的第一用户偏好值。

在本示例性实施方式中，首先，配置时间衰减函数，其中，时间衰减函数例如可以为：其中，β为时间常数；t_ui为用户行为数据的产生时间(例如可以是2017-12-20 20:08)；t为计算偏好的时间(例如可以是2017-12-22 17:08)；其次，当时间衰减函数配置完成后，可以根据时间衰减函数以及各历史行为数据的发生时间以及发生次数计算各历史行为数据的第一用户偏好值。举例而言：

此处以用户历史行为数据中用户对物品的浏览(Click)行为为例，进一步的对根据时间衰减函数以及浏览行为发生时间以及发生次数计算浏览行为的第一用户偏好值进行说明。例如，某一用户对对物品的浏览行为次数为100次，则可以利用上述时间衰减函数以及该100次浏览行为中每一次的发生时间计算每一次浏览行为的用户偏好值；当每一次浏览行为的用户偏好值计算完成以后，计算每一次浏览行为的用户偏好值的总和得到浏览行为的用户偏好值。

另外，用户历史行为数据中用户对物品的购买(Buy)、收藏(Follow)以及加购物车(Cart)等行为用户偏好值与用户对物品的浏览(Click)行为的用户偏好值计算方法类似，此处不再一一赘述。

继续参考图3所示，在步骤S320中，为各所述历史行为数据配置第一权重值，并根据各所述历史行为数据对应的第一用户偏好值以及第一权重值计算所述用户中长期偏好。

在本示例性实施方式中，当分别得到上述用户历史行为数据中各行为对应的用户偏好值后，还需要为各历史行为数据配置第一权重值；其中，权重值的配置可以根据各历史行为数据对用户中长期偏好的影响来决定；例如，如果用户对某一物品的浏览次数以及收藏次数较多，则说明该用户对该物品较为喜欢或者购买的意愿较多，因此可以为浏览行为以及收藏行为配置较重的权重值；如果某一用户在一段时间内已经购买过某一物品，则可以说明该用户最近一段时间不再需要再次购买该物品了，因此可以为购买行为配置较轻的权重值。

进一步的，为了可以对用户的偏好得到更为详细的划分从而使得推荐结果更加准确，可以将用户偏好分为用户类目偏好以及用户品牌偏好；更进一步的，基于上述权重值以及各用户行为对应的偏好值得到的用户类目偏好以及用户品牌偏好可以如下所示：

上式中，为第i类物品的用户中长期类目偏好值；为第i类物品的用户中长期品牌偏好值；α₁、α₂、α₃以及α₄为各历史行为数据对应的权重值。

图4示意性示出一种对用户实时行为数据进行第二预设处理得到用户实时偏好的方法流程图。参考图4所示，对用户实时行为数据进行第二预设处理得到用户实时偏好可以包括步骤S410以及步骤S420。

参考图4所示，在步骤S410中，根据所述时间衰减函数以及各所述实时行为数据的发生时间以及发生次数计算各所述实时行为数据的第二用户偏好值。

在本示例性实施方式中，可以根据上述时间衰减函数以及各实时行为数据的发生时间以及发生次数计算各实时行为数据的第二用户偏好值。举例而言：

此处以用户实时行为数据中用户对物品的收藏(Follow)行为为例，进一步的对根据时间衰减函数以及收藏行为发生时间以及发生次数计算浏览行为的第一用户偏好值进行说明。例如，某一用户对对物品的浏览行为次数为50次，则可以利用上述时间衰减函数以及该50次收藏行为中每一次的发生时间计算每一次收藏行为的用户偏好值；当每一次收藏行为的用户偏好值计算完成以后，计算每一次收藏行为的用户偏好值的总和得到收藏行为的用户偏好值。

另外，用户历史行为数据中用户对物品的浏览(Click)、购买(Buy)、收藏(Follow)、加购物车(Cart)以及曝光(Show)等行为用户偏好值与用户对物品的收藏(Follow)行为的用户偏好值计算方法类似，此处不再一一赘述。

继续参考图4所示，在步骤S410中，为各所述实时行为数据配置第二权重值，并根据各所述实时行为数据对应的第二用户偏好值以及第二权重值计算所述用户实时偏好。

在本示例性实施方式中，当分别得到上述用户实时行为数据中各行为对应的用户偏好值后，还需要为各实时行为数据配置第一权重值；其中，权重值的配置可以根据各实时行为数据对用户实时偏好的影响来决定；例如，如果用户对某一物品的浏览次数以及收藏次数较多，则说明该用户对该物品较为喜欢或者购买的意愿较多，因此可以为浏览行为以及收藏行为配置较重的权重值；如果某一用户在最近已经购买过某一物品，则可以说明该用户最近一段时间不再需要再次购买该物品了，因此可以为购买行为配置较轻的权重值。

进一步的，由于用户实时偏好可以分为用户实时类目偏好以及用户实时品牌偏好；因此，基于上述权重值以及各用户行为对应的偏好值可以得到的用户实时类目偏好以及用户实时品牌偏好如下所示：

上式中，为第i类物品的用户中实时类目偏好值；为第i类物品的用户实时品牌偏好值；γ₁、γ₂、γ₃、γ₄以及γ₅为各实时行为数据对应的权重值。

更进一步的，当上述用户长期偏好以及用户实时偏好计算完成以后，为了便于在线计算集群进行调用，可以将用户长期偏好以及用户实时偏好以用户标识为键值存储至参考图2所示的分布式缓存集群209中；其中，分布式缓存集群可以包括Redis集群，也可以包括其他集群，例如可以是Tair集群等等，本示例对此不做特殊限制。

图5示意性示出一种根据所述用户中长期偏好以及用户实时偏好为用户推荐对应的物品的方法流程图。参考图5所示，根据用户中长期偏好以及用户实时偏好为用户推荐对应的物品可以包括步骤S510-步骤S530。

参考图5所示，在步骤S510中，对所述用户实时偏好进行第三预设处理得到用户意图。

在本示例实施方式中，对用户实时偏好进行第三预设处理得到用户意图可以包括：配置信息熵函数，并根据所述信息熵函数以及所述用户实时类目偏好预测所述用户意图。举例而言：

首先，配置上述信息熵函数；其中，该信息熵函数例如可以为：

其中，H(x)为用户实时偏好中某一实时类目偏好(或者某一实时品牌偏好)x的信息量；p(x_i)为用户实时偏好中某一实时类目偏好(或者某一实时品牌偏好)x的概率函数；进一步的，可以将用户的意图分析可以当作一个随机事件，通过计算用户偏好的信息熵，就可以预测用户的意图：如果信息熵越大，则代表用户偏好分布越分散，只是随表逛逛，没有明确的购买倾向；相反的，如果信息熵越小，则代表用户偏好比较集中，说明用户此刻有较明确的购买倾向，这时应该重点推荐与用户购买倾向相关的物品。进一步的，本示例实施方式采用信息熵来衡量用户的真实意图，信息熵可以消除不确定性所需信息量的度量，也即未知事件可能含有的信息量，一个事件或一个系统，准确的说是一个随机变量，它有着一定的不确定性，需要引入消除不确定性的信息量越多，则信息熵越高，反之则越低。

继续参考图5所示，在步骤S520中，根据所述用户中长期偏好、用户实时偏好以及用户意图得到用户综合偏好。

在本示例实施方式中，当得到上述用户中长期偏好、用户实时偏好以及用户意图后，可以为用户中长期偏好、用户实时偏好以及用户意图配置一定的比例系数，然后根据各自的比例系数得到用户的综合偏好。例如，为用户的中长期偏好配置的比例系数为0.3、用户实时偏好配置的比例系数为0.3、为用户意图配置的比例系数为0.4，则可以各比例系数得到用户的综合偏好。

继续参考图5所示，在步骤S530中，根据所述用户综合偏好为用户推荐与所述用户综合偏好对应的物品。

在本示例实施方式中，当得到用户综合偏好后，可以根据用户综合偏好为用户推荐对应的物品。例如，用户的综合偏好为女士外套长款羊绒灰色，则可以根据各关键词进行搜索然后将符合要求的物品按顺序一次排列；进一步的，在最开始的位置可以放置包含所有关键词的物品；然后依次往下排列，以供用户查找到符合要求的物品。

图6示意性示出另一种根据所述用户中长期偏好以及用户实时偏好为用户推荐对应的物品的方法流程图。参考图6所示，根据用户中长期偏好以及用户实时偏好为用户推荐对应的物品还可以包括步骤S610-步骤S630。

参考图6所示，在步骤S610中，根据不同的推荐类型，为归一化处理后的用户中长期偏好以及用户实时偏好配置比例系数。

在本示例实施方式中，为了便于对用户的整体偏好进行计算可以对所述用户中长期偏好以及用户实时偏好进行归一化处理。当归一化处理完成后，可以根据不同的推荐类型，为归一化处理后的用户中长期偏好以及用户实时偏好配置比例系数。例如，当推荐类型为用户实时类目偏好时，则可以为用户实时偏好配置较大的比例系数。

继续参考图6所示，在步骤S620中，根据所述归一化处理后的用户中长期偏好以及用户实时偏好的比例系数计算用户整体偏好。

继续参考图6所示，在步骤S630中，根据所述用户整体偏好为所述用户推荐对应的物品。

在本示例实施方式中，对上述步骤S620以及步骤S630进行进一步举例说明。

例如，某一推荐场景需要推荐30个商品，某个类目的权重占所有用户偏好类目权重的比例为0.2，那么这个类目截取商品集合的数量为6个，如果截取数量为小数，向上取整；最后按照用户类目偏好的权重值从大到小将商品集合合并，将合并之后的结果按具体业务场景的需求最终处理(譬如：填充、打散等)后得到需要的商品推荐结果；

又例如，以类目推荐为例，根据当前的推荐场景，从用户偏好类目中找出对应层级的类目，按权重从大到小排序，就得到类目推荐结果，如结果不足，可以用热门类目填充策略；

再例如，在以活动推荐为例，首先计算出每个活动的类目分布向量(可以根据活动下的商品映射到类目加权求和得到)，将每个活动的类目分布向量与用户的偏好类目向量求一个笛卡尔积得到用户对这个活动偏好权重，最后根据权重排序得到活动推荐结果。用户意图分析可以作为辅助可以用来补充和干预推荐结果，例如，识别当前用户随便逛逛，可以给他推荐一些随机热门的商品，丰富性要求比较高，反之，识别出用户有明确的购买倾向，此时可以将推荐结果中命中用户倾向的商品提权，以比较大的概率优先曝光给用户。

应当理解的是，本发明中采用的术语“第一”、“第二”仅起到区分的目的，并不意味着对实际内容进行限定。

综上所述，本发明提供的基于用户偏好的物品推荐方法的主要优势在于，一方面，通过计算用户的实时偏好以及长期偏好，再根据用户的实时偏好以及长期偏好为用户推荐对应的物品，可以更好的根据用户的偏好以及需求为用户推荐对应的物品，增加了物品推荐结果的精细度，使得用户可以在最短的时间内挑选到符合自己需求的物品，减少了用户挑选物品的时间同时也可以增加用户的消费额度；另一方面，对用户意图进行了预测，可以更为准确的为用户推荐用户所需的物品，提升了用户的购物体验；再一方面，根据不同的推荐类型为用户推荐对应的物品，可以对给定集合的物品或者品牌以及类目等做个性化的推荐，增加了用户购物的趣味性。

示例性装置

在介绍了本发明示例性实施方式的基于用户偏好的物品推荐方法之后，接下来，参考图7对本发明示例性实施方式的基于用户偏好的物品推荐装置进行描述。

参考图7所示，本发明示例性实施方式的基于用户偏好的物品推荐装置可以包括第一处理模块710第二处理模块720以及物品推荐模块730。其中：

第一处理模块710可以用于对用户历史行为数据进行第一预设处理得到用户中长期偏好。

第二处理模块720可以用于对用户实时行为数据进行第二预设处理得到用户实时偏好。

物品推荐模块730可以用于根据所述用户中长期偏好以及用户实时偏好为用户推荐对应的物品。

根据本公开的示例性实施例，物品推荐模块还可以用于：

对所述用户实时偏好进行第三预设处理得到用户意图；

根据所述用户中长期偏好、用户实时偏好以及用户意图得到用户综合偏好；

根据所述用户综合偏好为用户推荐与所述用户综合偏好对应的物品。

根据本公开的示例性实施例，所述行为数据包括浏览行为数据、收藏行为数据、加购行为数据、购买行为数据以及曝光行为数据中的多种。

根据本公开的示例性实施例，第一处理模块还可以用于：

配置时间衰减函数，并根据所述时间衰减函数以及各所述历史行为数据的发生时间以及发生次数计算各所述历史行为数据的第一用户偏好值；

为各所述历史行为数据配置第一权重值，并根据各所述历史行为数据对应的第一用户偏好值以及第一权重值计算所述用户中长期偏好。

根据本公开的示例性实施例，第二处理模块还可以用于：

根据所述时间衰减函数以及各所述实时行为数据的发生时间以及发生次数计算各所述实时行为数据的第二用户偏好值；

为各所述实时行为数据配置第二权重值，并根据各所述实时行为数据对应的第二用户偏好值以及第二权重值计算所述用户实时偏好。

根据本公开的示例性实施例，所述用户偏好包括用户类目偏好以及用户品牌偏好；

对所述用户实时偏好进行第三预设处理得到用户意图包括：

配置信息熵函数，并根据所述信息熵函数以及所述用户实时类目偏好预测所述用户意图。

根据本公开的示例性实施例，所述基于用户偏好的物品推荐装置还包括：

存储模块可以用户将所述用户中长期偏好、用户实时偏好以及用户意图存储至分布式缓存集群中。

根据本公开的示例性实施例，所述基于用户偏好的物品推荐装置还包括：

归一化处理模块可以用于对所述用户中长期偏好以及用户实时偏好进行归一化处理。

根据本公开的示例性实施例，物品推荐模块还可以用于：

根据不同的推荐类型，为归一化处理后的用户中长期偏好以及用户实时偏好配置比例系数；

根据所述归一化处理后的用户中长期偏好以及用户实时偏好的比例系数计算用户整体偏好；

根据所述用户整体偏好为所述用户推荐对应的物品。

由于本发明实施方式的基于用户偏好的物品推荐装置的各个功能模块与上述方法发明实施方式中相同，因此在此不再赘述。

示例性存储介质

在介绍了本发明示例性实施方式的基于用户偏好的物品推荐方法以及基于用户偏好的物品推荐装置之后，接下来，参考图8对本发明示例性实施方式的存储介质进行说明。

参考图8所示，描述了根据本发明的实施方式的用于实现上述方法的程序产品800，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此。

所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、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。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(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。

计算机可读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，其中承载了可读程序代码。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。可读信号介质还可以是可读存储介质以外的任何可读介质。

可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备。

示例性电子设备

在介绍了本发明示例性实施方式的存储介质之后，接下来，参考图对本发明示例性实施方式的电子设备进行说明。

在介绍了本发明示例性实施方式的存储介质之后，接下来，参考图9对本发明示例性实施方式的电子设备进行说明。

图9显示的电子设备900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。

如图9所示，电子设备900以通用计算设备的形式表现。电子设备900的组件可以包括但不限于：上述至少一个处理单元910、上述至少一个存储单元920、连接不同系统组件(包括存储单元920和处理单元910)的总线930、显示单元940。

其中，所述存储单元920存储有程序代码，所述程序代码可以被所述处理单元910执行，使得所述处理单元910执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。例如，所述处理单元910可以执行如图1中所示的步骤S110-S130。

存储单元920可以包括易失性存储单元，例如随机存取存储单元(RAM)9201和/或高速缓存存储单元9202，还可以进一步包括只读存储单元(ROM)9203。

存储单元920还可以包括具有一组(至少一个)程序模块9205的程序/实用工具9204，这样的程序模块9205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

总线930可以包括数据总线、地址总线和控制总线。

电子设备900也可以通过输入/输出(I/O)接口950，与一个或多个外部设备800(例如键盘、指向设备、蓝牙设备等)通信。并且，电子设备1000还可以通过网络适配器960与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器960通过总线930与电子设备900的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备900使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

应当注意，尽管在上文详细描述中提及了弹窗处理装置的若干模块或子模块，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本发明的实施方式，上文描述的两个或更多单元/模块的特征和功能可以在一个单元/模块中具体化。反之，上文描述的一个单元/模块的特征和功能可以进一步划分为由多个单元/模块来具体化。

应当注意，尽管在上文详细描述中提及了装置的若干单元/模块或子单元/模块，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本发明的实施方式，上文描述的两个或更多单元/模块的特征和功能可以在一个单元/模块中具体化。反之，上文描述的一个单元/模块的特征和功能可以进一步划分为由多个单元/模块来具体化。

此外，尽管在附图中以特定顺序描述了本发明方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。

虽然已经参考若干具体实施方式描述了本发明的精神和原理，但是应该理解，本发明并不限于所发明的具体实施方式，对各方面的划分也不意味着这些方面中的特征不能组合以进行受益，这种划分仅是为了表述的方便。本发明旨在涵盖所附权利要求的精神和范围内所包括的各种修改和等同布置。

Claims (10)

1.一种基于用户偏好的物品推荐方法，包括：

对用户历史行为数据进行第一预设处理得到用户中长期偏好；

对用户实时行为数据进行第二预设处理得到用户实时偏好；

根据所述用户中长期偏好以及用户实时偏好为用户推荐对应的物品。

2.根据权利要求1所述的基于用户偏好的物品推荐方法，其中，根据所述用户中长期偏好以及用户实时偏好为用户推荐对应的物品包括：

对所述用户实时偏好进行第三预设处理得到用户意图；

根据所述用户中长期偏好、用户实时偏好以及用户意图得到用户综合偏好；

根据所述用户综合偏好为用户推荐与所述用户综合偏好对应的物品。

3.根据权利要求2所述的基于用户偏好的物品推荐方法，其中，所述行为数据包括浏览行为数据、收藏行为数据、加购行为数据、购买行为数据以及曝光行为数据中的多种。

4.根据权利要求3所述的基于用户偏好的物品推荐方法，其中，对所述用户历史行为数据进行第一预设处理得到用户中长期偏好包括：

配置时间衰减函数，并根据所述时间衰减函数以及各所述历史行为数据的发生时间以及发生次数计算各所述历史行为数据的第一用户偏好值；

为各所述历史行为数据配置第一权重值，并根据各所述历史行为数据对应的第一用户偏好值以及第一权重值计算所述用户中长期偏好。

5.根据权利要求4所述的基于用户偏好的物品推荐方法，其中，对所述用户实时行为数据进行第二预设处理得到用户实时偏好包括：

根据所述时间衰减函数以及各所述实时行为数据的发生时间以及发生次数计算各所述实时行为数据的第二用户偏好值；

为各所述实时行为数据配置第二权重值，并根据各所述实时行为数据对应的第二用户偏好值以及第二权重值计算所述用户实时偏好。

6.根据权利要求5所述的基于用户偏好的物品推荐方法，其中，所述用户偏好包括用户类目偏好以及用户品牌偏好；

对所述用户实时偏好进行第三预设处理得到用户意图包括：

配置信息熵函数，并根据所述信息熵函数以及所述用户实时类目偏好预测所述用户意图。

7.根据权利要求4-6任一所述的基于用户偏好的物品推荐方法，其中，所述衰减函数为：

其中，β为时间常数；t_ui为用户行为数据的产生时间；t为计算偏好的时间。

8.一种基于用户偏好的物品推荐装置，包括：

第一处理模块，用于对用户历史行为数据进行第一预设处理得到用户中长期偏好；

第二处理模块，用于对用户实时行为数据进行第二预设处理得到用户实时偏好；

物品推荐模块，用于根据所述用户中长期偏好以及用户实时偏好为用户推荐对应的物品。

9.一种存储介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的基于用户偏好的物品推荐方法。

10.一种电子设备，包括：

处理器；以及

存储器，用于存储所述处理器的可执行指令；

其中，所述处理器配置为经由执行所述可执行指令来执行权利要求1至7中任一项所述的基于用户偏好的物品推荐方法。