[发明专利]一种商品推荐方法、系统、设备及介质

说明书

本发明实施例公开了一种商品推荐方法、系统、设备及介质。该方法包括：获取用户的历史数据，经过预处理得到用户特征数据；将用户特征数据进行编码处理和特征拼接处理，得到第一用户特征向量；将第一用户特征向量经过两个全连接层后转换成预设长度的第二用户特征向量；对第二用户特征向量进行增量聚类，以将第二用户特征向量对应的用户分至不同的簇；获取每个簇的所有用户的偏好集合；将偏好集合推荐给对应簇内的所有用户。通过获取用户的历史数据分析用户特征，将用户特征处理为预设长度的特征向量进行增量聚类，得到相似用户的偏好集合并推荐给相关用户，解决推荐商品的转换率较低的问题，实现提高推荐商品的准确性和转换率的效果。

技术领域

本发明实施例涉及计算机应用技术，尤其涉及一种商品推荐方法、系统、设备及介质。

背景技术

随着互联网技术的发展，互联网已成为人们生活中不可或缺的部分，人们生活中的消费、娱乐、学习、出行和理财等都离不开互联网。

同时电商的商品种类越来越丰富，促销活动层出不穷，产生的数据信息量巨大，人们在需要获取某种类数据时，可以通过主动搜索或相关应用程序的推荐得到想要的产品或服务。

用户希望在大量信息中得到符合自己偏好的商品推荐，如果应用程序的推荐不能良好的结合用户的潜在需要，导致人们面对过量信息需要花费大量时间去寻找符合他们要求的信息，会降低推荐商品的转换率较低，降低用户的粘性；推荐商品的不准确往往由于用户特征分析的不准确和仅基于用户已购买过的商品进行商品推荐，无法获得的用户未购买过的潜在偏好商品，同时由于新用户未购买商品，对于新用户无法进行准确的商品推荐。

发明内容

本发明提供一种商品推荐方法、系统、设备及介质，以实现根据用户偏好进行商品推荐，提高推荐商品的准确性和转换率。

第一方面，本发明实施例提供了一种商品推荐方法，包括：

获取用户的历史数据，经过预处理得到用户特征数据；

将所述用户特征数据进行编码处理；

对编码处理后的数据进行特征拼接处理，得到第一用户特征向量；

将所述第一用户特征向量经过两个全连接层后转换成预设长度的第二用户特征向量；

对所述第二用户特征向量进行增量聚类，以将所述第二用户特征向量对应的用户分至不同的簇；

获取每个簇的所有用户的偏好集合；

将所述偏好集合推荐给对应簇内的所有用户。

可选的，所述对所述第二用户特征向量进行增量聚类，将所述第二用户特征向量对应的用户分至不同的簇，包括：

采用聚类算法对所述第二用户特征向量进行预聚类；

保存预聚类的聚类中心和类标签；

获取用户新增的特征向量，并计算到各个所述聚类中心的距离；

将所述新增的特征向量对应的用户分到距离最近的聚类中心；

更新每个类的聚类中心。

可选的，所述获取每个簇的用户的偏好集合，包括：

获取一个簇的每个用户产生的商品信息，形成偏好预集合；

判断所述偏好预集合中的商品数量是否大于预设数值；

若所述商品数量大于预设数量，则对所述偏好预集合中的商品进行排序，并依次选取预设数量的商品形成偏好集合；

若所述商品数量不大于预设数量，则确定所述偏好预集合为所述偏好集合。