[发明专利]物品推荐方法、装置、介质及计算机设备

说明书

本申请涉及一种物品推荐方法。该方法包括：获取用户行为数据，所述用户行为数据包括多个账户的物品访问数据；根据所述用户行为数据进行特征提取得到多个特征向量；根据所述特征向量、所述物品访问数据以及预设的推荐模型得到各个账户对应的物品推荐列表；当接收到当前账户提交的物品推荐请求时，根据各个账户对应的物品推荐列表获取与所述物品推荐请求匹配的物品推荐列表；将与所述物品推荐请求匹配的物品推荐列表反馈至所述当前账户的终端展示。本申请可以根据各个用户的历史行为数据，进行特征提取，根据提取的特征对不同的账户推荐不同的物品，使得物品推荐的粒度更加精细，更加灵活，提高推荐的准确度。

技术领域

本申请涉及数据处理技术临域，特别是涉及一种物品推荐方法、装置、介质及计算机设备。

背景技术

对于离不开社交平台、新闻资讯、线上购物和金融服务的现代互联网用户来说，个性化推荐已经不是什么新鲜事儿。随着信息技术和互联网行业的发展，信息过载已经成为大众处理信息的挑战。对于用户而言，如何在呈指数增长的信息中快速、准确地定位到自己需要的物品是一件非常重要且极具挑战的事情；而对于商家而言，如何把恰当的物品及时呈现给用户，同样是一件颇具难度的事情。

传统的用户分群(Customer Segmentation)是把用户划分为多个群体，不同的群体采用不同的营销策略。营销领域中一个经典的方法就是RFM(Recency，Frequency，Monetary)模型，它主要依托三个要素：最近一次消费时间(Recency)、消费频率(Frequency)和消费金额(Monetary)。这与基于全量用户的无差异营销相比固然有了长足的进步，但距离“为每一个用户量身定制”仍然存在很大的差距。综上，用户细分只是初级阶段，而个性化推荐则是用户细分的终极追求。

因此，传统的技术方案中，根据不同人群进行物品推荐，然而即使同一人群之间的不同个体也可能存在喜好的差异，故传统的技术方案推荐的粒度不够精细，不够灵活，容易导致推荐不精准的问题。

发明内容

基于此，有必要针对上述技术问题，提供一种可以使得物品推荐的粒度更加精细，更加灵活，提高推荐的准确度的物品推荐方法、装置、计算机设备和存储介质。

一种物品推荐方法，方法包括：

获取用户行为数据，用户行为数据包括多个账户的物品访问数据；

根据用户行为数据进行特征提取得到多个特征向量；

根据特征向量、物品访问数据以及预设的推荐模型得到各个账户对应的物品推荐列表；

当接收到当前账户提交的物品推荐请求时，根据各个账户对应的物品推荐列表获取与物品推荐请求匹配的物品推荐列表；

将与物品推荐请求匹配的物品推荐列表反馈至当前账户的终端展示。

在其中一个实施例中，上述的根据用户行为数据进行特征提取得到多个特征向量，包括：

根据用户行为数据确定各个账户对应的第一特征向量以及各个物品对应的第二特征向量；

上述的物品访问数据包括被访问的物品数据，上述的根据特征向量、物品访问数据以及预设的推荐模型得到各个账户对应的物品推荐列表，包括：

根据第一特征向量、第二特征向量以及推荐模型确定各个账户之间的第一相似度以及各个物品之间的第二相似度；

根据第一相似度、第二相似度以及各物品数据确定各个账户对应的物品推荐列表。

在其中一个实施例中，上述的用户行为数据还包括用户关系数据，获取用户行为数据，包括：

获取第三方社交平台上各个账户的用户关系数据；