本申請(qǐng)?zhí)峁┝艘环N產(chǎn)品的推薦方法及裝置、電子設(shè)備、計(jì)算機(jī)存儲(chǔ)介質(zhì)，上述方法中，將用戶針對(duì)目標(biāo)產(chǎn)品產(chǎn)生用戶行為序列與挖掘得到的該用戶的目標(biāo)序列模式匹配，并根據(jù)匹配結(jié)果配置用戶和目標(biāo)產(chǎn)品的組合樣本的樣本權(quán)重。然后利用組合樣本的樣本權(quán)重，對(duì)基于用戶特征和產(chǎn)品特征的組合特征構(gòu)建的組合特征向量加權(quán)，得到組合特征向量的加權(quán)組合特征向量，并利用該加權(quán)組合特征向量，計(jì)算得到組合樣本所屬的類簇，該類簇通過多個(gè)聚類樣本的加權(quán)組合特征向量進(jìn)行聚類得到，最后將目標(biāo)產(chǎn)品推薦給組合樣本所屬的類簇中的聚類樣本對(duì)應(yīng)的用戶，從而結(jié)合序列模式挖掘和聚類算法實(shí)現(xiàn)將產(chǎn)品推薦給用戶。

技術(shù)領(lǐng)域

本申請(qǐng)涉及產(chǎn)品推薦技術(shù)領(lǐng)域，特別涉及一種產(chǎn)品的推薦方法及裝置、電子設(shè)備、計(jì)算機(jī)存儲(chǔ)介質(zhì)。

背景技術(shù)

個(gè)性化推薦在電商平臺(tái)、視頻軟件、廣告投放等領(lǐng)域具有重要的意義和廣泛的應(yīng)用場(chǎng)景。目前，主流的業(yè)務(wù)個(gè)性化推薦方法主要有基于人口統(tǒng)計(jì)學(xué)的推薦、基于內(nèi)容的推薦以及協(xié)調(diào)過濾算法推薦。

基于人口統(tǒng)計(jì)學(xué)的推薦的方法主要是將與目標(biāo)用戶在人口統(tǒng)計(jì)學(xué)特征上相似的用戶都喜好產(chǎn)品推薦給目標(biāo)用戶。基于內(nèi)容的推薦則是將與目標(biāo)用戶喜好的產(chǎn)品在產(chǎn)品特征上相似的產(chǎn)品推薦給目標(biāo)用戶。協(xié)調(diào)過濾算法推薦主要通過關(guān)聯(lián)算法、聚類算法、分類算法、回歸算法、矩陣分解、圖模型等來完成協(xié)同過濾，具體可以分為基于用戶的協(xié)同和基于物品的協(xié)同。其中，基于用戶的協(xié)同方法是將從歷史偏好數(shù)據(jù)上計(jì)算分析出與目標(biāo)用戶喜好相似的用戶，并將相似用戶的喜好產(chǎn)品推薦該目標(biāo)用戶；物品的協(xié)同則是對(duì)比目標(biāo)用戶和多個(gè)用戶的歷史偏好數(shù)據(jù)，基于目標(biāo)用戶和多個(gè)具有共同喜好產(chǎn)品的用戶，預(yù)測(cè)符合目標(biāo)用戶喜好的產(chǎn)品，并推薦給用戶。

但是這些方式主要都是針對(duì)目標(biāo)用戶，向目標(biāo)用戶推薦可能符合目標(biāo)用戶喜好的產(chǎn)品，而無法針對(duì)目標(biāo)產(chǎn)品，準(zhǔn)確地將目標(biāo)產(chǎn)品推薦給最有可能喜好或需要該產(chǎn)品的用戶。

發(fā)明內(nèi)容

基于上述現(xiàn)有技術(shù)的不足，本申請(qǐng)?zhí)峁┝艘环N產(chǎn)品的推薦方法及裝置、電子設(shè)備、計(jì)算機(jī)存儲(chǔ)介質(zhì)，以解決準(zhǔn)確地將目標(biāo)產(chǎn)品推薦給最有可能喜好或需要該產(chǎn)品的用戶的問題。

為了實(shí)現(xiàn)上述目的，本申請(qǐng)?zhí)峁┝艘韵录夹g(shù)方案：

本申請(qǐng)第一方面提供了一種產(chǎn)品的推薦方法，包括：

獲取目標(biāo)產(chǎn)品的產(chǎn)品特征和用戶的用戶特征、用戶行為序列；其中，所述用戶針對(duì)所述目標(biāo)產(chǎn)品產(chǎn)生所述用戶行為序列指代的用戶行為；

基于所述用戶行為序列與確定出的各個(gè)目標(biāo)序列模式的匹配結(jié)果，配置得到所述用戶和所述目標(biāo)產(chǎn)品的組合樣本的樣本權(quán)重；其中，所述匹配結(jié)果說明所述用戶行為序列與所述目標(biāo)序列模式相匹配時(shí)，所述組合樣本的樣本權(quán)重較高；所述目標(biāo)序列模式為對(duì)所述用戶轉(zhuǎn)化多個(gè)產(chǎn)品時(shí)產(chǎn)生的用戶行為序列進(jìn)行序列模式挖掘，得到的頻繁序列模式；

利用所述組合樣本的樣本權(quán)重，對(duì)基于所述用戶特征和所述產(chǎn)品特征的組合特征構(gòu)建的組合特征向量進(jìn)行加權(quán)，得到所述組合特征向量的加權(quán)組合特征向量；

利用所述組合特征向量的加權(quán)組合特征向量，計(jì)算得到所述組合樣本所屬的類簇；其中，所述類簇通過多個(gè)聚類樣本的加權(quán)組合特征向量進(jìn)行聚類得到，每個(gè)所述聚類樣本的加權(quán)組合特征向量由所述聚類樣本的組合特征向量與所述聚類樣本的樣本權(quán)重加權(quán)得到；一個(gè)所述聚類樣本對(duì)應(yīng)一個(gè)用戶以及所述用戶轉(zhuǎn)化的一個(gè)產(chǎn)品；

將所述目標(biāo)產(chǎn)品推薦給所述組合樣本所屬的類簇中的所述聚類樣本對(duì)應(yīng)的用戶。

可選地，在上述的產(chǎn)品的推薦方法中，所述利用所述組合特征向量的加權(quán)組合特征向量，計(jì)算得到所述組合樣本所屬的類簇，包括：

利用多個(gè)所述聚類樣本的加權(quán)組合特征向量進(jìn)行聚類，得到多個(gè)類簇；

利用所述組合特征向量的加權(quán)組合特征向量，計(jì)算得到所述組合樣本與每個(gè)所述類簇的聚類中心的距離；