CN111967914B

CN111967914B - 基于用户画像的推荐方法、装置、计算机设备和存储介质

Info

Publication number: CN111967914B
Application number: CN202010868453.1A
Authority: CN
Inventors: 聂嘉良; 向林; 白金蓬
Original assignee: Gree Electric Appliances Inc of Zhuhai; Zhuhai Lianyun Technology Co Ltd
Current assignee: Gree Electric Appliances Inc of Zhuhai; Zhuhai Lianyun Technology Co Ltd
Priority date: 2020-08-26
Filing date: 2020-08-26
Publication date: 2025-02-28
Anticipated expiration: 2040-08-26
Also published as: CN111967914A

Abstract

本发明提供一种基于用户画像的推荐方法、装置、计算机设备和存储介质，该方法包括获取用户行为数据；解析所述用户行为数据，获得用户特征向量；基于所述用户特征向量，构建用户画像；从所述用户画像中提取出按预设规则排列的前若干个产品，获得若干个预选产品；获取产品分类数据；将所述产品分类数据关联各所述预选产品，获取所述产品分类数据中与各所述预选产品对应的产品分类；根据所述产品分类推送产品消息。通过构建用户画像，并且将用户画像与产品分类数据关联，进而确定用户感兴趣的产品分类，将该产品分类对应的产品消息推送至用户，使得产品消息能够精准推送，使得体验更佳。

Description

基于用户画像的推荐方法、装置、计算机设备和存储介质

技术领域

本发明涉及商品推送技术领域，特别涉及一种基于用户画像的推荐方法、装置、计算机设备和存储介质。

背景技术

随着互联网的不断发展，尤其是移动互联网的高速发展，各类应用程序为更好的用户体验以及由针对性地推送产品，应用程序能够根据用户的订阅或者爱好推送消息。

推送消息一般都是通过用户手动订阅，无法智能推荐，导致用户只会关注自己已知感兴趣的内容，无法推送潜在的感兴趣的消息。而对于一些简单地根据用户的兴趣获得用户的感兴趣的产品进行推送，则由于感兴趣的产品的计算过程较为简单，导致推送不精确，导致用户感知不佳。

发明内容

基于此，有必要针对上述技术问题，提供一种基于用户画像的推荐方法、装置、计算机设备和存储介质。

一种基于用户画像的推荐方法，包括：

获取用户行为数据；

解析所述用户行为数据，获得用户特征向量；

基于所述用户特征向量，构建用户画像；

从所述用户画像中提取出按预设规则排列的前若干个产品，获得若干个预选产品；

获取产品分类数据；

将所述产品分类数据关联各所述预选产品，获取所述产品分类数据中与各所述预选产品对应的产品分类；

根据所述产品分类推送产品消息。

在其中一个实施例中，所述基于所述用户特征向量，构建用户画像的步骤包括：

基于所述用户特征向量，采用TF-IDF算法构建所述用户画像。

在其中一个实施例中，所述基于所述用户特征向量，采用TF-IDF算法构建所述用户画像的步骤包括：

基于所述用户特征向量，获取用户购买的各类产品的权重；

基于用户购买的各类产品的权重，采用TF-IDF算法构建所述用户画像。

在其中一个实施例中，所述从所述用户画像中提取出按预设规则排列的前若干个产品，获得若干个预选产品的步骤包括：

基于所述用户画像中的各类产品的权重，按权重由大至小的排序从所述用户画像中提取出前若干个产品，获得若干个所述预选产品。

在其中一个实施例中，所述根据所述产品分类推送产品消息的步骤包括：

根据从所述产品分类数据中获取的所述产品分类，生成产品推送列表；

推送所述产品推送列表。

在其中一个实施例中，所述获取用户行为数据包括用户注册数据、用户评论数据、用户点击数据和用户地理位置数据。

一种基于用户画像的推荐装置，包括：

用户行为获取模块，用于获取用户行为数据；

用户特征向量获取模块，用于解析所述用户行为数据，获得用户特征向量；

用户画像构建模块，用于基于所述用户特征向量，构建用户画像；

预选产品提取模块，用于从所述用户画像中提取出按预设规则排列的前若干个产品，获得若干个预选产品；

产品分类数据获取模块，用于获取产品分类数据；

产品分类获取模块，用于将所述产品分类数据关联各所述预选产品，获取所述产品分类数据中与各所述预选产品对应的产品分类；

产品消息推送模块，用于根据所述产品分类推送产品消息。

在其中一个实施例中，所述用户画像构建模块还用于基于所述用户特征向量，采用TF-IDF算法构建所述用户画像。

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，其特征在于，所述处理器执行所述计算机程序时实现以下步骤：

获取用户行为数据；

解析所述用户行为数据，获得用户特征向量；

基于所述用户特征向量，构建用户画像；

获取产品分类数据；

根据所述产品分类推送产品消息。

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以下步骤：

获取用户行为数据；

解析所述用户行为数据，获得用户特征向量；

基于所述用户特征向量，构建用户画像；

获取产品分类数据；

根据所述产品分类推送产品消息。

上述基于用户画像的推荐方法、装置、计算机设备和存储介质，通过构建用户画像，并且将用户画像与产品分类数据关联，进而确定用户感兴趣的产品分类，将该产品分类对应的产品消息推送至用户，使得产品消息能够精准推送，使得体验更佳。

附图说明

图1为一个实施例中基于用户画像的推荐方法的应用场景示意图；

图2为一个实施例中基于用户画像的推荐方法的流程示意图；

图3为一个实施例中基于用户画像的推荐装置的结构框图；

图4为一个实施例中计算机设备的内部结构图；

图5为一个实施例中基于用户画像的推荐方法的实施过程示意图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请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申请，并不用于限定本申请。

实施例一

本申请提供的基于用户画像的推荐方法，可以应用于如图1所示的应用环境中。其中，计算机102通过网络与服务器104通过网络进行通信。其中，终端102可以但不限于是各种个人计算机、服务器、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。终端102上运行应用软件，用户通过终端102上的应用软件访问服务器104，进行注册用户账户，并对服务器104上展示的商品进行浏览、收藏、评论和购买，服务器104获取该用户的注册、浏览、收藏、评论和购买等用户行为数据，解析所述用户行为数据，获得用户特征向量；基于所述用户特征向量，构建用户画像；从所述用户画像中提取出按预设规则排列的前若干个产品，获得若干个预选产品；获取产品分类数据；将所述产品分类数据关联各所述预选产品，获取所述产品分类数据中与各所述预选产品对应的产品分类；根据所述产品分类向终端102推送产品消息。使得用户在浏览商品时，能够被精确推送产品消息，使得体验更佳。

实施例二

本实施例中，如图2所示，提供了一种基于用户画像的推荐方法，其包括：

步骤210，获取用户行为数据。

本步骤中，采集用户的行为的数据，用户行为包括：用户的注册行为、对应用程序内的商品的操作行为，对应用程序内的商品的操作行为包括点击、浏览、评论、收藏、购买等，该评论可以是输入文字信息进行评论，也可以是点击评价星级、等级进行评论。该用户行为数据即为这些行为的统计数据或者输入的数据。比如，评价的等级、购买的次数、购买的价格、浏览停留的时间、点击的次数等。

在一个实施例中，所述获取用户行为数据包括用户注册数据、用户评论数据、用户点击数据和用户地理位置数据。

本实施例中，用户注册数据即为用户注册信息，包括用户的个人信息，比如，用户的年龄、性别、所在地、职业、兴趣、学历等。用户评论数据包括用户的评价数据，比如，用户对产品的好评、差评和和中评等。用户点击数据包括产品被点击的频率、点击量。用户地理位置数据即为用户地理位置信息。应该理解的是，该用户行为数据为构建用户画像的数据来源。本申请中，通过用户行为来收集用户数据和更新产品数据。收集的用户数据包括用户注册信息、获取用户评论、通过埋点获取用户点击信息、用户地理位置等；更新产品数据：获取用户对某产品点击量来更新产品的受欢迎程度。

在一个实施例中，在获取用户行为数据之后，还包括存储用户行为数据。

本实施例中，将收集到的数据存储到磁盘或内存中，根据用户行为数据的大小可以选择存储在单机或分布式文件系统中。数据分为结构化数据和非结构化数据，结构化数据主要存在关系型数据模型中，比如MySQL、Hive，非结构化数据主要存在非关系型数据模型中，比如Redis、Hbase。

步骤220，解析所述用户行为数据，获得用户特征向量。

具体地，每一用户都可以以向量表示，该向量中，包含用户的各种行为数据，通过将用户行为数据解析转换为用户特征向量，通过用户特征向量反映用户对不同产品的感兴趣程度。本实施例中，解析所述用户行为数据，获得用户对产品的感兴趣的权重值，基于该权重值获得用包含权重值的用户特征向量

一个实施例中，采用TF-IDF算法解析所述用户行为数据，得到用户特征的结构化表示，即为用户特征向量。

具体地，TF-IDF(term frequency–inverse document frequency，词频-逆文档频率)是一种用于信息检索与文本挖掘的常用加权技术。TF-IDF是一种统计方法，用以评估一字词对于一个文件集或一个语料库中的其中一份文件的重要程度。字词的重要性随着它在文件中出现的次数成正比增加，但同时会随着它在语料库中出现的频率成反比下降。TF-IDF加权的各种形式常被搜索引擎应用，作为文件与用户查询之间相关程度的度量或评级。除了TF-IDF以外，互联网上的搜索引擎还会使用基于链接分析的评级方法，以确定文件在搜索结果中出现的顺序。

步骤230，基于所述用户特征向量，构建用户画像。

在一个实施例中，所述基于所述用户特征向量，构建用户画像的步骤包括：基于所述用户特征向量，采用TF-IDF算法构建所述用户画像。

在一个实施例中，所述基于所述用户特征向量，采用TF-IDF算法构建所述用户画像的步骤包括：基于所述用户特征向量，获取用户购买的各类产品的权重；基于用户购买的各类产品的权重，采用TF-IDF算法构建所述用户画像。本实施例中，用户购买产品的权重用于反映用户对产品的感兴趣程度，这样，通过产品权重，能够构建反映出用户对不同产品的感兴趣程度的用户画像。

构建过程为：

本实施例中，以用户行为数据为基础，使用TF-IDF算法得到用户特征的结构化表示，基于此构建用户画像。假设用户已经购买了一些产品，为用户构建画像详细过程如下：

(1)记所有用户的集合为D＝{d₁,d₂,...,d_m}，这些用户购买的所有产品集合为T＝{t₁,t₂,...,t_n}，即m个用户购买了n个不同的产品。

(2)将每个用户以一个向量表示：d_j＝(w_1j,w_2j,...,w_nj)，其中w_1j表示第1个产品对于用户j的权重值，权重值越大表示用户对该产品越感兴趣。求出k个产品对于用户j的权重w^k _j的式子为：

其中，式子(1)中的TF(t_k,d_j)表示用户d_j购买产品t_k的次数，n_k表示所有用户购买第k个产品的总次数；式子(2)的含义是对算法结果归一化，将不同用户的表示向量归到同一量级上。

步骤240，从所述用户画像中提取出按预设规则排列的前若干个产品，获得若干个预选产品。

本步骤中，产品按预设规则排列，能够反映出用户对产品的关注程度、感兴趣程度，通过将用户画像中的产品按预设规则排列，并且提取在该排列中的排在前面的若干个产品，作为预选产品。

具体地，每一用户的用户画像中包括用户对不同产品的感兴趣程度，该感兴趣程度可通过购买的次数、浏览的次数、浏览的时长、收藏的时间等用户行为数据反映，因此，从用户画像中提取感兴趣程度靠前的若干个产品，作为预选产品。使得提取出的产品为用户最感兴趣的产品。

在一个实施例中，所述从所述用户画像中提取出按预设规则排列的前若干个产品，获得若干个预选产品的步骤包括：基于所述用户画像中的各类产品的权重，按权重由大至小的排序从所述用户画像中提取出前若干个产品，获得若干个所述预选产品。

本实施例中，由于用户画像是基于产品对用户的权重构建的，因此，通过已构建的用户画像，即可获得各产品对用户的权重，获得产品的权重值，按权重值的由大至小的排序，提取在该排序中的排在前面的若干个产品，作为预选产品。从而使得提取出的产品为用户最感兴趣的产品。

步骤250，获取产品分类数据。

具体地址，该产品分类数据也可称为产品分类表，该产品分类数据记录了各种产品的分类。比如，某款手机，其小类为手机或者通信工具，大类为数码产品。该产品分类数据为预先建立的数据表。

步骤260，将所述产品分类数据关联各所述预选产品，获取所述产品分类数据中与各所述预选产品对应的产品分类。

本实施例中，将产品分类数据与用户画像关联，从而能够从产品分类数据中获取与预选产品的类别对应的产品分类。比如，提取出的预选产品为某型号的手机，则从产品分类数据中获取与预选产品的类别对应的产品分类为手机或者数码产品。

步骤270，根据所述产品分类推送产品消息。

本步骤中，根据预选产品确定里产品分类数据中的产品分类后，将该产品分类对应的产品消息推送至用户的客户端，使得能够精准地向用户推送产品，提高用户的使用感知，使得用户体验更佳。

在一个实施例中，所述根据所述产品分类推送产品消息的步骤包括：根据从所述产品分类数据中获取的所述产品分类，生成产品推送列表；推送所述产品推送列表。

本实施例中，由于从所述产品分类数据中获取的所述产品分类的数量可以是多个，因此，为里便于对这些产品分类对应的产品进行推送，则生成包含各产品分类的产品推送列表，将该产品推送列表推送至用户，使得多个产品消息能够同时推送，提高推送效率。

实施例三

本实施例中，请参见图5，图5中的“产品”即为要推送的具体对象，本申请中的“推送消息”也可以具体理解为“推送产品”。为了便于说明，以下的描述中统一将“消息”称为“产品”。

用户可以对产品产生一些行为，如关注、购买、收藏等，以下统一称这些行为为“购买”。

1、数据收集：构建用户画像的数据来源。智能推送系统通过用户行为来收集用户数据和更新产品数据。收集用户数据：用户注册信息、获取用户评论、通过埋点获取用户点击信息、用户地理位置等；更新产品数据：获取用户对某产品点击量来更新产品的受欢迎程度。

2、数据存储：将收集到的数据存储到磁盘或内存中，根据数据的大小可以选择存储在单机或分布式文件系统中。数据分为结构化数据和非结构化数据，结构化数据主要存在关系型数据模型(MySQL、Hive)中，非结构化数据主要存在非关系型数据模型中(Redis、Hbase)。

3、用户画像构建：以数据库中存储的用户数据为基础，使用TF-IDF算法得到用户特征的结构化表示(即用户画像)。假设用户已经购买了一些产品，为用户构建画像详细过程如下：

(1)记所有用户的集合为D＝{d₁,d₂,...,d_m},这些用户购买的所有产品集合为T＝{t₁,t₂,...,t_n}，即m个用户购买了n个不同的产品。

(2)将每个用户以一个向量表示：d_j＝(w_1j,w_2j,...,w_nj)，其中w_1j表示第1个产品对于用户j的权重，权重值越大表示用户对该产品越感兴趣。求出k个产品对于用户j的权重w^k _j的式子为：

4、产品分类：将所有产品进行归类，比如将苹果归为食品-水果类，将小米10归为数码产品-手机类等，将这些数据归纳到一起形成一个结构化关系型数据表。

5、关联：将用户画像中排名靠前的产品取出，与步骤4中的数据表进行关联，得到应该向用户推荐的同类别其它产品。

6、推荐：将步骤5中的结果进行排序，生成一份对该用户的推荐列表，将推荐列表推送给用户。

实施例四

本实施例中，如图3所示，提供了一种基于用户画像的推荐装置，包括：

用户行为获取模块310，用于获取用户行为数据；

用户特征向量获取模块320，用于解析所述用户行为数据，获得用户特征向量；

用户画像构建模块330，用于基于所述用户特征向量，构建用户画像；

预选产品提取模块340，用于从所述用户画像中提取出按预设规则排列的前若干个产品，获得若干个预选产品；

产品分类数据获取模块350，用于获取产品分类数据；

产品分类获取模块360，用于将所述产品分类数据关联各所述预选产品，获取所述产品分类数据中与各所述预选产品对应的产品分类；

产品消息推送模块370，用于根据所述产品分类推送产品消息。

在一个实施例中，所述用户画像构建模块还用于基于所述用户特征向量，采用TF-IDF算法构建所述用户画像。

在一个实施例中，所述用户画像构建模块包括：

产品权重获取单元，用于基于所述用户特征向量，获取用户购买的各类产品的权重；

用户画像构建单元，用于基于用户购买的各类产品的权重，采用TF-IDF算法构建所述用户画像。

在一个实施例中，所述预选产品提取模块还用于基于所述用户画像中的各类产品的权重，按权重由大至小的排序从所述用户画像中提取出前若干个产品，获得若干个所述预选产品。

在一个实施例中，所述产品消息推送模块包括：

产品推送列表生成单环，用于根据从所述产品分类数据中获取的所述产品分类，生成产品推送列表；

产品推送列表推送单元，用于推送所述产品推送列表。

关于基于用户画像的推荐装置的具体限定可以参见上文中对于基于用户画像的推荐方法的限定，在此不再赘述。上述基于用户画像的推荐装置中的各个单元可全部或部分通过软件、硬件及其组合来实现。上述各单元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单元对应的操作。

实施例五

本实施例中，提供了计算机设备。其内部结构图可以如图4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、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，且该非易失性存储介质部署有数据库，该数据库用于存储用户行为数据和用户画像。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。该计算机设备的网络接口用于与部署了应用软件的其他计算机设备通信。该计算机程序被处理器执行时以实现一种基于用户画像的推荐方法。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。

本领域技术人员可以理解，图3中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请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。

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，该存储器存储有计算机程序，该处理器执行计算机程序时实现以下步骤：

获取用户行为数据；

解析所述用户行为数据，获得用户特征向量；

基于所述用户特征向量，构建用户画像；

获取产品分类数据；

根据所述产品分类推送产品消息。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

基于所述用户特征向量，采用TF-IDF算法构建所述用户画像。

基于所述用户特征向量，获取用户购买的各类产品的权重；

推送所述产品推送列表。

实施例六

本实施例中，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：

获取用户行为数据；

解析所述用户行为数据，获得用户特征向量；

基于所述用户特征向量，构建用户画像；

获取产品分类数据；

根据所述产品分类推送产品消息。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

基于所述用户特征向量，采用TF-IDF算法构建所述用户画像。

基于所述用户特征向量，获取用户购买的各类产品的权重；

推送所述产品推送列表。

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。

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。

以上所述实施例仅表达了本申请的几种实施方式，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，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims

1.一种基于用户画像的推荐方法，其特征在于，包括：

获取用户行为数据，所述用户行为数据包括用户对产品的点击数据；

解析所述用户行为数据，获得用户特征向量；

基于所述用户特征向量，构建用户画像，包括：基于所述用户特征向量，采用TF-IDF算法构建所述用户画像，步骤包括：

基于所述用户特征向量，获取用户购买的各类产品的权重；

基于用户购买的各类产品的权重，采用TF-IDF算法构建所述用户画像，采用以下表达式：

其中，TF(t_k,d_j)为用户d_j购买产品t_k的次数；n_k为所有用户购买第k个产品的总次数；w^k _j为k个产品对于用户j的权重；D＝{d₁,d₂,...,d_m}为所有用户的集合；T＝{t₁,t₂,...,t_n}为用户购买的所有产品集合；d_j＝(w_1j,w_2j,...,w_nj)为每个用户以一个向量表示；w^1j为第1个产品对于用户j的权重；

从所述用户画像中提取出按预设规则排列的前若干个产品，获得若干个预选产品，包括：基于所述用户画像中的各类产品的权重，按权重由大至小的排序从所述用户画像中提取出前若干个产品，获得若干个所述预选产品；

获取产品分类数据；

根据所述产品分类推送产品消息。

2.根据权利要求1所述的方法，其特征在于，所述根据所述产品分类推送产品消息的步骤包括：

推送所述产品推送列表。

3.根据权利要求1所述的方法，其特征在于，所述获取用户行为数据还包括用户注册数据、用户评论数据和用户地理位置数据。

4.一种基于用户画像的推荐装置，其特征在于，包括：

用户行为获取模块，用于获取用户行为数据，所述用户行为数据包括用户对产品的点击数据；

用户画像构建模块，用于基于所述用户特征向量，构建用户画像，包括：基于所述用户特征向量，采用TF-IDF算法构建所述用户画像，步骤包括：

基于所述用户特征向量，获取用户购买的各类产品的权重；

预选产品提取模块，用于从所述用户画像中提取出按预设规则排列的前若干个产品，获得若干个预选产品，包括：基于所述用户画像中的各类产品的权重，按权重由大至小的排序从所述用户画像中提取出前若干个产品，获得若干个所述预选产品；

产品分类数据获取模块，用于获取产品分类数据；

产品消息推送模块，用于根据所述产品分类推送产品消息。

5.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至3中任一项所述基于用户画像的推荐方法的步骤。

6.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至3中任一项所述的基于用户画像的推荐方法的步骤。