掌桥专利:专业的专利平台
掌桥专利
首页

基于用户偏好的产品筛选方法及装置、设备、存储介质

文献发布时间:2024-01-17 01:27:33


基于用户偏好的产品筛选方法及装置、设备、存储介质

技术领域

本发明涉及产品推荐技术领域,具体涉及一种基于用户偏好的产品筛选方法及装置、设备、存储介质。

背景技术

产品搜索作为当前生活场景中最常见的交互行为,在面对消费者对产品的搜索需求时,仅能将符合用户搜索要求的多个产品搜索出来;但对搜索出的多个产品进行品质高低、价格高低,以及符合个性偏好的搜索排序,从而提供品质更高、价格更低、更符合介性偏好的搜索排序。

基于上述描述可以看出,现有的产品搜索方法无法根据用户偏好对产品执行对应的筛选策略,例如在意价格的用户,产品的筛选策略应更关注价格因素:注重品质的用户,产品的筛选策略应更关注产品品质因素。

针对上述相关技术中无法根据用户的个性化需求进行产品筛选,进而无法得到符合用户偏好的产品的问题,目前尚未提出有效的解决方案。

发明内容

本发明实施例提供了一种基于用户偏好的产品筛选方法及装置、设备、存储介质,用以克服相关技术中无法根据用户的个性化需求进行产品筛选,进而无法得到符合用户偏好的产品的问题。

为了实现上述目的,本发明实施例的第一方面,提供一种基于用户偏好的产品筛选方法,包括:

根据接收的产品需求信息,搜索出符合所述产品需求信息的多个候选产品;

获取用户行为特征,以及获取所述多个候选产品的基础特征和品质特征;

基于所述基础特征、所述品质特征以及所述用户行为特征生成所述多个候选产品的产品特征;

基于所述多个候选产品的产品特征,确定多个偏好权重值,所述多个候选产品与所述多个偏好权重值一一对应;

基于所述候选产品的偏好权重值、产品价值以及质价比指数,确定所述多个所述候选产品的得分;

根据所述多个候选产品的得分,对所述多个候选产品进行排序,并将排序结果中在预设范围的候选产品作为目标产品。

本发明提供的基于用户偏好的产品筛选方法,通过候选产品的偏好权重值、产品价值以及质价比指数,确定多个候选产品的得分,以及根据多个候选产品的得分,对多个候选产品进行排序,并将排序结果中在预设范围的候选产品作为目标产品,能够根据用户的个性化偏好,筛选出与用户匹配度较高的产品,进而达到提高用户体验的目的。

可选地,在第一方面的一种可能实现方式中,获取用户行为特征,包括:

获取用户的第一行为数据和第二行为数据,所述第一行为数据为第一预设时间段内的用户行为数据,所述第二行为数据为第二预设时间段内的用户行为数据,所述第一预设时间段小于所述第二预设时间段;

从所述第一行为数据中提取第一行为特征,以及从所述第二行为数据中提取第二行为特征;

基于所述第一行为特征和所述第二行为特征,构建用户行为特征。

本发明提供的基于用户偏好的产品筛选方法,通过获取用户的第一行为数据和第二行为数据,并从其行为数据中提取对应的行为特征,能够真实反映出用户短期时间内对产品的倾向变化,以及用户长期时间内的个性偏好,从而有助于筛选符合用户个性化偏好的产品,进而达到提高用户体验的目的。

可选地,在第一方面的一种可能实现方式中,获取所述多个候选产品的品质特征,包括:

获取样本数据集合,所述样本数据集合包含同一样本类别的多个第一自变量,所述第一自变量表示用于对候选产品进行品质评估的文本信息向量;

从所述样本数据集合中筛选出多个第二自变量,所述多个第二自变量表示同一样本类别的具有相关性的多个第一自变量;

对所述多个第二自变量进行提取,得到多个公共指标,所述公共指标表示同一样本类别下的多个候选产品共有的第二自变量;

确定所述多个公共指标的第一向量特征和第二向量特征,以及根据所述第一向量特征和所述第二向量特征,从所述多个公共指标中提取出用于品质评估的主成分指标,并将所述主成分指标作为所述多个候选产品的品质特征。

本发明提供的基于用户偏好的产品筛选方法,通过先筛选后提取的步骤得到公共指标,然后根据向量特征从多个公共指标中提取出主成分指标,能够提高用于品质评估的指标的提取准确率以及提取效率。

可选地,在第一方面的一种可能实现方式中,所述基于所述候选产品的偏好权重值、产品价值以及质价比指数,确定所述多个所述候选产品的得分,包括:

Score(i)=W(f

其中,i表示候选产品的编号,Score(i)表示候选产品的得分,W表示候选产品的偏好权重值,V表示候选产品的产品价值,f

本发明提供的基于用户偏好的产品筛选方法,通过候选产品的偏好权重值、产品价值以及质价比指数,确定多个所述候选产品的得分,能够将用户偏好、产品价值以及产品品质等多个方面作为候选产品进行排序的判断因素,能够基于用户的个性化需求对多个候选产品进行排序,从而筛选出与用户匹配度较高的产品,进而达到提高用户体验的目的。

可选地,在第一方面的一种可能实现方式中,所述方法还包括:

根据所述候选产品的品质数值和价格数值,生成所述候选产品的质价比数值;

根据所述质价比数值,以及所述质价比数值的最大值和最小值,确定所述候选产品的质价比指数。

可选地,在第一方面的一种可能实现方式中,所述根据所述质价比数值,以及所述质价比数值的最大值和最小值,确定所述候选产品的质价比指数,包括:

其中,QPR表示质价比指数,X

可选地,在第一方面的一种可能实现方式中,所述候选产品的基础特征包括产品名称、类别、规格、产地、价格。

本发明实施例的第二方面,提供一种基于用户偏好的产品筛选装置,包括:

候选产品搜索模块,用于根据接收的产品需求信息,搜索出符合所述产品需求信息的多个候选产品;

特征获取模块,用于获取用户行为特征,以及获取所述多个候选产品的基础特征和品质特征;

产品特征生成模块,用于基于所述基础特征、所述品质特征以及所述用户行为特征生成所述多个候选产品的产品特征;

偏好权重值计算模块,用于基于所述多个候选产品的产品特征,确定多个偏好权重值,所述多个候选产品与所述多个偏好权重值一一对应;

得分确定模块,用于基于所述候选产品的偏好权重值、产品价值以及质价比指数,确定所述多个所述候选产品的得分;

目标产品搜索模块,用于根据所述多个候选产品的得分,对所述多个候选产品进行排序,并将排序结果中在预设范围的候选产品作为目标产品。

本发明实施例的第三方面,提供一种计算机设备,包括存储器和处理器,所述存储器存储有可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述各个方法实施例中的步骤。

本发明实施例的第四方面,提供一种可读存储介质,所述可读存储介质中存储有计算机程序,所述计算机程序被处理器执行时用于实现本发明第一方面及第一方面各种可能设计的所述方法的步骤。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。

图1为本发明的基于用户偏好的产品筛选方法的流程示意图。

图2为本发明的基于用户偏好的产品筛选方法具体实施的流程示意图。

图3为本发明中生成候选产品的产品特征的流程示意图。

图4为本发明的基于用户偏好的产品筛选装置的原理框图。

图5为本发明中计算机设备的结构图。

具体实施方式

下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。

在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。

在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,还可以是两个元件内部的连通,可以是无线连接,也可以是有线连接。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。

此外,下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。

搜索是品质生活场景中最常见的交互行为之一。面对消费者高品质、个性化动态化的灵性搜索需求,搜索结果不仅要准确命中当前需求,同时还要提供品质更高、价格更低、更符合介性偏好的搜索排序。不同消费用户的偏好不同,选择倾向就不同,高品质搜索排序的结果也应有所不同。比如在意价格的用户,高品质产品的筛选策略应更关注价格因素;注重品质的用户,筛选策略应更关注产品品质因素。

本申请以高品质产品与服务、高品质生活内容为搜索标的,搭建高品质搜索排序模型。以高品质产品的搜索排序模型为例,依据产品的基础特征、品质特征以及消费者的行为特征,使用注意力机制考量搜索需求、用助偏好到喉选产品之间的相关关系,为消费者提供动态的搜索排序结果。

实施例1

本实施例提供一种基于用户偏好的产品筛选方法,如图1、2所示,其中图1为基于用户偏好的产品筛选方法的流程示意图,图2为具体实施的流程示意图;方法包括但不限于步骤S100至S600:

S100:根据接收的产品需求信息,搜索出符合所述产品需求信息的多个候选产品。

具体地,如图2中的“候选产品召回”环节所示,可以根据用户的搜索需求,从产品库中筛选出多个候选产品,形成面向当前搜索需求的召回集合。产品需求信息包括但不限于产品的关键词信息和细分类别信息(价格区间信息、发货地信息、所属品牌信息、产品款式信息),例如:当用户想要购买产品为鞋时,可以采用输入关键词的方式对产品进行筛选,例如“运动鞋、小众、便宜、时尚”;或者根据产品细分类别对产品进行筛选,对价格区间、发货地、品牌信息以及产品款式进行选择,然后基于选择结果对产品进行筛选,得到符合产品需求信息的多个候选产品。

S200:获取用户行为特征,以及获取所述多个候选产品的基础特征和品质特征。

具体地,用户行为特征Pv可以包括用户在预设时间内针对产品的查阅、点赞、收藏、购买、评价、分享等行为的特征信息。

具体地,候选产品的基础特征X可以包括产品名称、产品类别、产品规格、产品产地以及产品价格等;基础特征可以通过任何可实施方式获取,在此不做具体限定,例如扫描产品的二维码或者条形码得到产品的相关信息,并从中提取出基础特征。

具体地,候选产品的品质特征Q可以包括品质测序数据、产品的具体理化成分、外观因子指标信息以及性能因子指标信息。

优选地,获取用户行为特征,包括步骤S211-S213,具体如下:

S211:获取用户行为数据,所述用户行为数据包括用户的第一行为数据和第二行为数据,所述第一行为数据为第一预设时间段内的用户行为数据,所述第二行为数据为第二预设时间段内的用户行为数据,所述第一预设时间段小于所述第二预设时间段。

具体地,第一行为数据可以理解为用户的短期行为,其中短期行为与用户收入以及家庭等因素有关,短期行为主要用于表达用户近期对产品的倾向变化;第二行为数据可以理解为用户的长期行为,其中长期行为是由持续的短期行为形成的,长期行为主要用于表达用户对产品的通用偏好。

S212:从所述第一行为数据中提取第一行为特征,以及从所述第二行为数据中提取第二行为特征。

具体地,可以通过以下方式实现从所述第一行为数据中提取第一行为特征,或者从所述第二行为数据中提取第二行为特征的目的:预先训练用于行为特征提取的深度神经网络,对查阅、点赞、收藏、购买、评价、分享等行为的样本进行注意力计算后提取行为特征,例如图3中在获取到产品用户短期行为序列后,对其进行特征向量化出来,并对其向量化结果进行注意力计算,从而提取出每个第一行为特征;又或者在获取到产品用户长期行为序列后,对其进行特征向量化出来,并对其向量化结果进行注意力计算,从而提取出每个第二行为特征。

S213:基于所述第一行为特征和所述第二行为特征,构建用户行为特征。

具体地,如图3所示,在利用预先训练用于行为特征提取的深度神经网络提取到第一行为特征和第二行为特征后,可以对第一行为特征和第二行为特征进行向量连接,得到用户行为特征Pv。

优选地,获取所述候选产品的品质特征,包括步骤S221-S224,具体如下:

S221:获取样本数据集合,所述样本数据集合包含同一样本类别的多个第一自变量,所述第一自变量表示用于对候选产品进行品质评估的文本信息向量。

具体地,获取的样本数据集合中包括符合所述产品需求信息的多个候选产品,这里的多个候选产品是在同一样本类别下的,例如多个候选产品为机械锁、电子锁、指纹锁等不同的锁,但这些不同类型的锁同属于“锁”这个样本类别下;第一自变量为对候选产品进行品质评估的文本信息向量,例如锁的用户评价信息、价格、材质、环境指数等等。

优选地,获取样本数据集合之后,还包括:对所述样本数据集合中的多个第一自变量进行预处理,所述预处理包括标准化处理、归一化处理和中心化处理。

具体地,通过对多个第一自变量进行标准化处理、归一化处理和中心化处理,来解决量纲不统一、数据分布形态不标准等问题,并提高各自变量数据基向量的正交性,得到更合适指标提取的样本数据。其中,样本数据的标准化处理,是通过一定的数学变换方式,将原始数据按照一定的比例进行转换,使之落入到一个小的特定区间内,例如0~1或-1~1的区间内,消除不同变量之间性质、量纲、数量级等特征属性的差异,将其转化为一个无量纲的相对数值,也就是标准化数值,使各指标的数值都处于同一个数量级别上,从而便于不同单位或数量级的指标能够进行综合分析和比较;样本数据的归一化处理,是将不同变化范围的值映射到相关的固定范围中,以减少规模、特征、分布差异的影响,这个固定范围可以为[0,1]或[-1,1];样本数据的中心化处理,是指变量减去均值,其实上是一个平移的过程,平移后所有数据的中心为(0,0),最终得到服从标准正态分布的样本数据。

S222:从所述样本数据集合中筛选出多个第二自变量,所述多个第二自变量表示同一样本类别的具有相关性的多个第一自变量。

具体地,对于任一类别的多维度自变量样本数据,可以使用KMO测度(Kaiser-Meyer-Olkin,KMO)和巴特利特球形检验法(Bartlerrs球状检验方法)计算各个自变量的相关性,从而分析样本数据是否适合实施指标提取。

步骤S222还包括步骤1.1-步骤1.2,具体如下:

步骤1.1:计算第一自变量之间的偏相关系数和各个第一自变量的独立显著值;

步骤1.2:根据所述偏相关系数和所述独立显著值,从多个第一自变量中筛选出多个第二自变量。

具体地,可以通过KMO测度(Kaiser-Meyer-Olkin,KMO)方法比较用于产品进行品质测序的自变量之间的简单相关系数和偏相关系数,取值在0到1之间。各自变量之间的偏相关系数越大,自变量之间的公共指标(即公共因子)越少,KMO测度值越接近于0,样本数据不适合实施指标提取。通过Bartlerrs球状检验方法计算各个第一自变量的独立显著值,来检验各个自变量数据是否符合球形分布,从而检验各自变量是否各自独立;其中独立显著值越小,意味着自变量样本数据越逼近,说明各自变量之间存在相关性,适合进行指标提取。

步骤S222还包括步骤2.1-步骤2.2,具体如下:

步骤2.1:如果所述偏相关系数大于第三阈值,并且所述独立显著值小于第四阈值时,则将其对应的多个第一自变量作为第二自变量;

步骤2.2:如果所述偏相关系数小于或者等于第三阈值,或者所述独立显著值大于或者等于第四阈值时,则将其对应的多个第一自变量不作为第二自变量。

在上述步骤2.1至步骤2.2中,第三阈值和第四阈值可以根据实际应用情况进行设置,在此不做具体限定,例如假设第三阈值为0.6,第四阈值为0.05,当利用KMO测度方法对样本数据检测输出的偏相关系数大于0.6,并且Bartlerrs球状检测输出的独立显著值小于0.05时,则将其对应的多个第一自变量作为第二自变量,可以用于该类别的指标提取;当利用KMO测度方法对样本数据检测输出的偏相关系数小于或者等于0.6,或者Bartlerrs球状检测输出的独立显著值大于或者等于0.05时,则将其对应的多个第一自变量不作为第二自变量,不可以用于该类别的指标提取。

S223:对所述多个第二自变量进行提取,得到多个公共指标,所述公共指标表示同一样本类别下的多个候选产品共有的第二自变量。

具体地,公共指标也可以为公共因子,可以使用机器学习库Scikit-learn的PCA主成分分析方法(Principai Component Analysis PCA)对具有相关性的多维度自变量,即第二自变量进行降维处理,以生成该类别品质测序的公共因子。

S224:确定所述多个公共指标的第一向量特征和第二向量特征,以及根据所述第一向量特征和所述第二向量特征,从所述多个公共指标中提取出用于品质评估的主成分指标,并将所述主成分指标作为所述候选产品的品质特征。其中,第一向量特征和第二向量特征不同。

具体地,公共指标的第一向量特征可以为公共因子的特征值,第二向量特征可以为公共因子的方差解释率,其中特征值和方差解释率越大,表示对该类别产品的解释力度越大。

优选地,所述第一向量特征为特征值,第二向量特征为方差解释率;步骤S224还包括步骤3.1,具体如下:

步骤3.1:将所述特征值大于第一阈值,并且累积方差解释率大于第二阈值的多个公共指标,作为该样本类别的主成分指标;所述累积方差解释率表示多个公共指标的方差解释率之和。

具体地,第一阈值和第二阈值可以根据实际应用情况进行设定,在此不做具体限定;以第一阈值为1,第二阈值为60%为例对上述步骤S410进行说明:在计算所有公共指标的特征值以及方差解释率后,将各个公共指标按照其特征值从大到小进行排序,选取特征值大于1、累积方差解释率大于60%的多个公共指标作为该类别品质测序的主成分指标,以实现品质测序多维度自变量的特征压缩和降维解释。以表1为例进行说明:

表1

其中,成分1、2、...5表示公共指标1、2、...5,对应的初始特征值的合计为特征值,前5个公共指标的特征值均大于1,第一公共指标1的特征值为8.048,占总特征值的比例(即方差解释率)为16.095%,表示第一公共指标1解释了多个公共指标16.095%的信息,当设置的第二阈值为40%时,那么排名前5的公共指标的累积方差解释率为45.458%,超过第二阈值,表示前5个公共指标对所有公共指标的解释已经很充分,因此可以将前5个公共指标作为主成分指标。

S300:基于所述基础特征、所述品质特征以及所述用户行为特征生成所述多个候选产品的产品特征。

具体地,如图3所示,生成候选产品的产品特征的步骤主要分为两步:第一,对用户行为特征Pv、候选产品的基础特征X以及品质特征Q进行向量连接得到特征向量;第二,将特征向量与位置编码进行结合得到产品特征F。

S400:基于所述多个候选产品的产品特征,确定多个偏好权重值,所述多个候选产品与所述多个偏好权重值一一对应。

具体地,如图2中的“注意力特征增强”环节所示:将多个候选产品的产品特征输入至编码器模块,对多个候选产品进行自注意力计算得到与多个候选产品对应的多个注意力增强特征;然后对多个候选产品的多个注意力增强特征进行softmax归一化计算,得到各个候选产品的注意力权重W,即上述步骤S400中的多个偏好权重值。

S500:基于所述候选产品的偏好权重值、产品价值以及质价比指数,确定所述多个所述候选产品的得分。

具体地,多个所述候选产品的得分的确定方法如下:

Score(i)=W(f

其中,i表示候选产品的编号,Score(i)表示候选产品的得分,W表示候选产品的偏好权重值,V表示候选产品的产品价值,f

其中,候选产品的价值V可以通过浏览、点赞、评价、分享、购买等数据计算得到,通过归一化处理,在不改变各候选产品价值数据分布形态的前提下,压缩分布范围,使其与质价比指数处于同一数值量级。

其中,质价比指数QPR是指分析产品的品质水平与价格水平,可反映其购买程度的一种定量计算方式。消费者在任意场景下,通过芯片扫描或扫码识别完成目标产品定位,并获取质价比指数信息。质价比指数QPR可以通过以下方式得到:

根据所述质价比数值,以及所述质价比数值的最大值和最小值,确定所述候选产品的质价比指数,数学表达式如下:

其中,QPR表示质价比指数,X

具体地,同一类别产品价格数据,通常存在量纲不统一且差异较大的问题。因此,需要统一价格量纲,并对价格数据进行10为底的对数转换,以便在不改变价格相对分布的前提下,将数据压缩在一定的范围内。对同类别产品计算生成的质价比数据做归一化处理,映射至[1,100]的指数区间,可使质价比指数更符合百分制的识别习惯。

其中,质价比数值X

X

其中,Q表示产品品质,lgp表示产品价格。

举例说明:某细分类别7款产品的质价比指数如表2所示:

表2

S400:根据所述多个候选产品的得分,对所述多个候选产品进行排序,并将排序结果中在预设范围的候选产品作为目标产品。

具体地,根据候选产品的得分可以将多个候选产品进行由大到小或由小到大的顺序进行排序,选取排序结果中在预设范围内的候选产品作为目标产品,其中预设范围可以是指产品得分的范围,也可以是指产品排名的名次范围,在此不做具体限定,可以根据实际情况自行设定。

具体地,如图2所示:输出模块可以根据产品得分Score得到候选产品排序规则,对候选产品排序得分Score进行归一化的softmax处理,可计算得出当前排序规则百下,各候选产品被选中的预测概率Label Aladdin P(ylW.V.QPR:).计算各候选产品被选中的预测概率与用户实际点按概率之间的损失,可评估模型输出高品质搜索排序的准确度,并通过训练可学习参数f、faptsbkrA溪热通近损失最小化,完成模型的迭代收敛,从而实现高品质搜索排序的学习优化与动态输出。用于量化表达当前搜索需求R下,召回集合中哪些候选产品更值得被关注,从而完成对多个候选产品的动态排序。

实施例2

本施例提供一种基于用户偏好的产品筛选装置,如图4所示,包括:

候选产品搜索模块,用于根据接收的产品需求信息,搜索出符合所述产品需求信息的多个候选产品;

特征获取模块,用于获取用户行为特征,以及获取所述多个候选产品的基础特征和品质特征;

产品特征生成模块,用于基于所述基础特征、所述品质特征以及所述用户行为特征生成所述多个候选产品的产品特征;

偏好权重值计算模块,用于基于所述多个候选产品的产品特征,确定多个偏好权重值,所述多个候选产品与所述多个偏好权重值一一对应;

得分确定模块,用于基于所述候选产品的偏好权重值、产品价值以及质价比指数,确定所述多个所述候选产品的得分;

目标产品搜索模块,用于根据所述多个候选产品的得分,对所述多个候选产品进行排序,并将排序结果中在预设范围的候选产品作为目标产品。

优选地,特征获取模块,包括:

行为数据获取单元,用于获取用户的第一行为数据和第二行为数据,所述第一行为数据为第一预设时间段内的用户行为数据,所述第二行为数据为第二预设时间段内的用户行为数据,所述第一预设时间段小于所述第二预设时间段;

行为特征提取单元,用于从所述第一行为数据中提取第一行为特征,以及从所述第二行为数据中提取第二行为特征;

用户行为特征构建单元,用于基于所述第一行为特征和所述第二行为特征,构建用户行为特征。

优选地,特征获取模块,包括:

样本数据获取单元,用于获取样本数据集合,所述样本数据集合包含同一样本类别的多个第一自变量,所述第一自变量表示用于对候选产品进行品质评估的文本信息向量;

第二自变量筛选单元,用于从所述样本数据集合中筛选出多个第二自变量,所述多个第二自变量表示同一样本类别的具有相关性的多个第一自变量;

公共指标提取单元,用于对所述多个第二自变量进行提取,得到多个公共指标,所述公共指标表示同一样本类别下的多个候选产品共有的第二自变量;

品质特征提取单元,用于确定所述多个公共指标的第一向量特征和第二向量特征,以及根据所述第一向量特征和所述第二向量特征,从所述多个公共指标中提取出用于品质评估的主成分指标,并将所述主成分指标作为所述多个候选产品的品质特征。

优选地,得分确定模块还用于通过以下数学表达式确定多个所述候选产品的得分,包括:

Score(i)=W(f

其中,i表示候选产品的编号,Score(i)表示候选产品的得分,W表示候选产品的偏好权重值,V表示候选产品的产品价值,f

优选地,基于用户偏好的产品筛选装置,还包括:

质价比数值生成单元,用于根据所述候选产品的品质数值和价格数值,生成所述候选产品的质价比数值;

质价比指数确定单元,用于根据所述质价比数值,以及所述质价比数值的最大值和最小值,确定所述候选产品的质价比指数。

优选地,质价比指数确定单元还用于通过以下数学表达式确定候选产品的质价比指数,包括:

其中,QPR表示质价比指数,X

优选地,所述候选产品的基础特征包括产品名称、类别、规格、产地、价格。

实施例3

本发明还提供一种计算机设备,如图5所示,包括存储器和处理器,存储器存储有可在处理器上运行的计算机程序,处理器执行计算机程序时实现上述的各种实施方式提供的基于用户偏好的产品筛选方法。

本发明还提供一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述的各种实施方式提供的基于用户偏好的产品筛选方法。

本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

显然,上述实施例仅仅是为清楚地说明所作的举例,而并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

相关技术
  • 潜在用户筛选方法、装置、计算机设备及存储介质
  • 用户饮食偏好画像构建方法、装置以及机器可读存储介质
  • 基于动态子图的验证方法、装置、用户设备及存储介质
  • 穿戴式设备用户的安全提醒方法、装置、设备及存储介质
  • 基于模板的产品构建方法、装置、计算机设备及存储介质
  • 一种基于用户偏好的推荐方法、装置、设备及存储介质
  • 产废用户筛选方法、装置、设备、存储介质和程序产品
技术分类

06120116224611