[发明专利]对象推荐方法、装置以及计算机可读存储介质

说明书

本公开涉及一种对象推荐方法、装置以及计算机可读存储介质，涉及计算机技术领域。本公开的方法包括：获取具有推荐关联性的基准对象组成的基准对象组合；根据各个属性的重要程度以及备选对象的各个属性值与基准对象相应的属性值的相似度，确定与基准对象相似的备选对象作为推荐对象；根据基准对象组合中基准对象的对应关系确定推荐对象的对应关系，得到推荐对象组合，以便根据推荐对象组合为用户进行推荐。本公开的方案能够参考用户的使用习惯和兴趣，更加准确和全面的为用户推荐对象，并在一定程度上解决长尾商品不被推荐的问题，提升用户体验。

技术领域

本公开涉及计算机技术领域，特别涉及一种对象推荐方法、装置以及计算机可读存储介质。

背景技术

随着互联网技术的发展，人们通过网络进行娱乐、社交、购物等日常活动已经变得越来越普及。

互联网平台通过智慧营销吸引用户已经成为较为普遍的现象。互联网平台通常会针对用户的购买或使用习惯为用户推荐产品，例如，为用户推荐相关的商品、游戏、新闻、视频或微博等。

互联网平台随着业务的发展会推出各种新的特色业务。对于这些特色业务，数据量还没有达到一定的级别，直接基于特色业务的数据进行推荐会不准确。目前，一般直接为用户推荐热门产品。

发明内容

发明人发现：直接为用户推荐热门产品，没有考虑用户的兴趣，推荐结果不精确、不全面，忽略了长尾商品的推荐，容易使用户产生疲劳，失去兴趣，用户体验不好。

本公开所要解决的一个技术问题是：如何在数据量少时更准确和全面地为用户推荐产品，提升用户体验。

根据本公开的一些实施例，提供的一种对象推荐方法，包括：获取具有推荐关联性的基准对象组成的基准对象组合；根据各个属性的重要程度以及备选对象的各个属性值与基准对象相应的属性值的相似度，确定与基准对象相似的备选对象作为推荐对象；根据基准对象组合中基准对象的对应关系确定推荐对象的对应关系，得到推荐对象组合，以便根据推荐对象组合为用户进行推荐。

在一些实施例中，采用以下方法确定属性的重要程度：根据属性对应的各个标签的点击次数和点击用户数确定该属性的点击度作为该属性的重要程度；或者，根据同一属性的标签的个数以及各个标签对应的对象浏览量确定该属性的浏览离散程度作为该属性的重要程度。

在一些实施例中，采用以下方法确定属性的重要程度：根据属性对应的各个标签的点击次数和点击用户数确定该属性的点击度；根据该属性的标签的个数以及各个标签对应的对象浏览量确定该属性的浏览离散程度；根据点击度和浏览离散程度确定该属性的重要程度。

在一些实施例中，属性的点击度为该属性对应的各个标签的总点击次数与总点击用户数的加权和。

在一些实施例中，点击次数和点击用户数为有效点击的点击次数和点击用户数；有效点击是根据点击引入信息确定的，点击引入信息包括：点击引入浏览对象的数量、点击引入的平均每个对象的浏览量和点击引入的平均每个对象的浏览时长中的至少一项。

在一些实施例中，属性的浏览离散程度为该属性的各个标签对应的对象浏览量的标准差。

在一些实施例中，采用以下方法确定与基准对象相似的备选对象：将备选对象的各个属性值与基准对象的各个属性值的相似度分别乘以对应的属性的重要程度，组合为备选对象的属性向量；将各个属性的重要程度组合为基准对象的属性向量；根据备选对象的属性向量和基准对象的属性向量的相似性确定与基准对象相似的备选对象。

在一些实施例中，基准对象组合是根据频繁模式增长FP-Grown算法对各个对象进行关联性分析得到的。