[发明专利]一种商品推送方法及装置

说明书

本发明实施例提供一种商品推送方法及装置，其中，方法包括：获取当前用户信息流文本，根据商品专用词典库对当前用户信息流文本进行分词，获得当前用户信息流文本的当前用户词向量，并确定当前用户词向量对应的商品类别；根据预先建立的每一商品类别对应的用户语料词向量集合，确定当前用户词向量的商品类别对应的用户语料词向量集合；进一步确定当前用户词向量中每一个特征在用户语料词向量集合中的权重值，得到当前用户词向量的权值向量；将权值向量与预先建立的商品信息词向量矩阵的乘积中最大值向量所对应的商品设定推荐商品。本发明通过对当前用户信息流文本按商品类别分类，结合商品信息文本计算相似度，实现更精准的商品推荐。

技术领域

本发明涉及互联网信息流广告领域，尤其涉及一种基于文本推荐的信息流商品推送方法及装置。

背景技术

随着信息领域技术的飞速发展，互联网的数据呈现指数级的增长。社交平台的蓬勃发展，产生了海量的信息流文本数据。如何将有效的信息提供给相关的用户面临着巨大的挑战，推荐系统能够满足用户的个性化需求，得到了广泛的研究和推广应用。

推荐系统的研究始于20世纪90年代，按照使用的算法不同主要分为三类：基于内容(Content-Based)的推荐，协同过滤(Collaborative Filtering)推荐，以及混合(hybird)推荐。基于内容的推荐算法源于信息检索技术和数据挖掘技术，它主要是通过数学建模使用一组物品属性来描述物品特征，从学习出的模型中，计算产品特征之间的相似度，再根据用户属性特征分析用户偏好，对用户进行个性化推荐。协同过滤推荐算法主要是依赖其他与该用户兴趣一致的用户，综合考虑最近邻用户的兴趣偏好来进行产品推荐。混合推荐算法将不同的推荐算法组合到一起，实现产品的个性化推荐。

常规的基于内容的推荐系统，依赖于大量的用户历史行为数据，以此作为训练样本，生产推荐结果，然而在做商品推荐时，在有价值的用户历史行为数据较少的情况下，难以进行有效地推荐。而协同过滤推荐依赖于其他属性相似的用户数据，可能出现冷启动的问题。同时，信息流数据存在更新快，有效内容少等特点，常规的方法难以实现有效的商品推荐。

发明内容

本发明实施例提供一种商品推荐方法，通过获取一组属性相似的用户的信息流文本数据构造语料库，解决了单一用户的信息流文本内容特征稀疏的问题；并针对商品池构造专有词典，利用专有词典对信息流文本进行语义分词，通过朴素贝叶斯分类器对文本预分类，再结合TF-IDF和商品池中商品匹配，得到用户信息流文本对应的商品信息。

为实现上述目的，一方面，本发明实施例提供了一种商品推送方法，所述方法包括：

获取当前用户信息流文本，根据商品专用词典库对所述当前用户信息流文本进行分词，获得当前用户信息流文本的当前用户词向量，并确定所述当前用户词向量对应的商品类别，所述商品专用词典库包括各个商品类别对应的专用词；

根据预先建立的每一商品类别对应的用户语料词向量集合，确定所述当前用户词向量的商品类别对应的用户语料词向量集合；

根据所述当前用户词向量、以及确定出的用户语料词向量集合，确定所述当前用户词向量中每一个特征在所述用户语料词向量集合中的权重值，得到所述当前用户词向量的权值向量；

将所述权值向量与预先建立的商品信息词向量矩阵的乘积中最大值向量所对应的商品设定为向所述当前用户进行推荐的商品并将商品进行推荐。

另一方面，本发明实施例提供了一种商品推送装置，所述装置包括：

当前用户信息处理单元：用于获取当前用户信息流文本，根据商品专用词典库对所述当前用户信息流文本进行分词，获得当前用户信息流文本的当前用户词向量，并确定所述当前用户词向量对应的商品类别，所述商品专用词典库包括各个商品类别对应的专用词；