[发明专利]物品推送方法、计算机系统及存储介质

说明书

本公开提供了一种物品推送方法、计算机系统及存储介质；其中，所述物品推送方法，包括：确定历史用户信息和历史物品信息；根据所述历史用户信息和历史物品信息确定与目标用户相对应的目标物品；将所述目标物品推送至所述目标用户。

技术领域

本公开涉及机器学习技术领域，特别涉及一种物品推送方法、计算机系统及存储介质。

背景技术

目前，电商领域主流的商品推荐方式主要是协同过滤(Collaborative Filteringrecommendation)。协同过滤的前提是假设相似的用户可能会有相似的喜好，相似的物品可能会被相似的人所偏好。于是，协同过滤就要去寻找相似的用户或者相似的物品。

协同过滤通常有基于物品的协同和基于用户的协同量两个方向。这两个方向一个侧重于物品，一个侧重于用户，对于用户量和商品量都很大的情景，如何取舍成为一个重要的问题。此外，现有的协同过滤推荐方式还存在以下问题：(1)对于新出现的购物者，若只有一次购买记录，无法给出推荐商品；(2)某些商品购买数量很少，很难获得推荐；(3)采用协同过滤的商品推荐系统后续升级较为困难。

发明内容

(一)要解决的技术问题

鉴于上述问题，本公开的主要目的在于提供一种物品推送方法、计算机系统及存储介质，以便解决上述问题的至少之一。

(二)技术方案

根据本公开的一个方面，提供了一种物品推送方法，包括：

确定历史用户信息和历史物品信息；

根据所述历史用户信息和历史物品信息确定与目标用户相对应的目标物品；

将所述目标物品推送至所述目标用户。

进一步的，所述历史用户信息包括历史用户与历史物品的关系矩阵V^U，I，历史物品与历史用户的关系矩阵V^I，U；所述历史物品信息包括本次选择物品与上次选择物品的关系矩阵V^I，L，上次选择物品与本次选择物品的关系矩阵V^L，I。

进一步的，所述历史用户信息还包括历史用户与外部数据的关系矩阵V^U，K，外部数据与历史用户的关系矩阵V^K，U；所述历史物品信息还包括历史物品与外部数据的关系矩阵V^I，K，外部数据与历史物品的关系矩阵V^K，I，本次选择物品与所述上次之前的n次选择物品的关系矩阵V^I，L+1、V^I，L+2、…、V^I，L+n，所述上次之前的n次选择物品与本次选择物品的关系矩阵V^L+1，I、V^L+2，I、…、V^L+n，I；其中，所述外部数据包括天气、节假日、舆论数据。

进一步的，根据所述历史用户信息和历史物品信息确定与目标用户相对应的目标物品，包括：

根据历史用户与历史物品的关系矩阵V^U，I、历史物品与历史用户的关系矩阵V^I，U确定矩阵分解向量MF；

根据本次选择物品与上次选择物品的关系矩阵V^I，L、上次选择物品与本次选择物品的关系矩阵V^L，I确定分解非个性化马尔可夫链向量FMC；

根据向量MF和向量FMC确定概率向量p；

根据概率向量p确定与目标用户相对应的目标物品。

进一步的，根据历史用户与历史物品的关系矩阵V^U，I、历史物品与历史用户的关系矩阵V^I，U确定矩阵分解向量MF，包括：