结合RPA与AI的商品推荐方法和装置
文献发布时间:2023-06-19 09:35:27
技术领域
本发明涉及数据处理技术领域,具体涉及人工智能(Artificial Intelligence,简称AI)和机器人流程自动化(Robotic Process Automation,简称RPA)领域,尤其涉及一种结合RPA与AI的商品推荐方法和装置。
背景技术
机器人流程自动化(Robotic Process Automation,RPA),是通过特定的“机器人软件”,模拟人在计算机上的操作,按规则自动执行流程任务。
人工智能(Artificial Intelligence),英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。人工智能是计算机科学的一个分支,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器,该领域的研究包括机器人、语音识别、图像识别、自然语言处理和专家系统等。
随着计算机技术发展,在线购物成为一种主流的消费方式,因此,在线购物的有关应用提供的功能服务也越发多样化,其中,在线购物的有关应用可以为用户进行商品推荐,以提高产品的购买转换率。
相关技术中,有关应用提取用户的历史购买的搜索关键词,确定与搜索关键词关联度高的其他关键词,进而,根据其他关键词为用户推荐商品。
然而,上述根据用户历史购买的搜索词进行商品推荐的方式,完全依赖于用户的历史购买商品来推荐商品,导致推荐的商品与用户历史购买的商品相似度较高,推荐商品的购买转化率不高。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
为此,本发明的第一个目的在于提出一种结合RPA与AI的商品推荐方法,以根据不同的购物场景信息,适配不同的召回策略来召回候选推荐商品用于推荐,保证了推荐给用户的商品的转化率。
本发明的第二个目的在于提出一种结合RPA与AI的商品推荐装置。
本发明的第三个目的在于提出一种电子设备。
本发明的第四个目的在于提出一种非临时性计算机可读存储介质。
为达上述目的,本发明第一方面实施例提出了一种结合RPA与AI的商品推荐方法,包括:获取当前购物场景信息,并确定与所述当前购物场景信息对应的推荐场景信息;基于所述推荐场景信息确定对应的召回策略集合,其中,所述召回策略集合中包括至少一个召回策略;根据所述召回策略集合包含的至少一个召回策略,确定候选推荐商品;基于所述候选推荐商品,确定目标推荐商品,生成所述目标推荐商品的推荐数据并输出。
为达上述目的,本发明第二方面实施例提出了一种结合RPA与AI的商品推荐装置,包括:第一确定模块,用于获取当前购物场景信息,并确定与所述当前购物场景信息对应的推荐场景信息;第二确定模块,用于基于所述推荐场景信息确定对应的召回策略集合,其中,所述召回策略集合中包括至少一个召回策略;第三确定模块,用于根据所述召回策略集合包含的至少一个召回策略,确定候选推荐商品;生成模块,用于基于所述候选推荐商品,确定目标推荐商品,生成所述目标推荐商品的推荐数据并输出。
为达上述目的,本发明第三方面实施例提出了一种电子设备,其包括存储器、处理器及存储在所述存储器上并可在所述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,实现如第一方面实施例所述的结合RPA与AI的商品推荐方法。
为了实现上述目的,本发明第四方面实施例提出了一种非临时性计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如第一方面实施例所述的结合RPA与AI的商品推荐方法。
本发明实施例提出的技术方案,至少具备如下有益技术效果:
获取当前购物场景信息,并确定与当前购物场景信息对应的推荐场景信息,基于推荐场景信息确定对应的召回策略集合,其中,召回策略集合中包括至少一个召回策略,进而,根据召回策略集合包含的至少一个召回策略,确定候选推荐商品,最后,基于候选推荐商品,确定目标推荐商品,生成目标推荐商品的推荐数据并输出。由此,根据不同的购物场景信息,适配不同的召回策略来召回候选推荐商品用于推荐,保证了推荐给用户的商品的转化率。
本发明附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为本发明实施例所提供的一种结合RPA与AI的商品推荐方法的流程示意图;
图2为本发明实施例所提供的一种结合RPA与AI的商品推荐方法的流程示意图;
图3为本发明实施例所提供的另一种结合RPA与AI的商品推荐方法的流程示意图;
图4为本发明实施例所提供的又一种结合RPA与AI的商品推荐方法的流程示意图;
图5为本发明实施例所提供的再一种结合RPA与AI的商品推荐方法的流程示意图;
图6为本发明实施例所提供的一种结合RPA与AI的商品推荐装置的结构示意图;以及
图7为本发明实施例所提供的另一种结合RPA与AI的商品推荐装置的结构示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
下面参考附图描述本发明实施例的结合RPA与AI的商品推荐方法和装置。
针对上述背景技术中提到的,基于用户的历史购买商品的关键词来推荐商品,导致推荐的商品与用户的实际购买需求不符合,导致推荐商品的转化率不高的技术问题,本发明提出了一种优化的召回方式,根据不同的购物场景信息,适配不同的召回策略来召回候选推荐商品用于推荐,保证了推荐给用户的商品的转化率。
具体而言,图1为本发明实施例所提供的一种结合RPA与AI的商品推荐方法的流程示意图。方法应用于电子设备,电子设备提供基于机器人流程自动化RPA的商品推荐服务,在基于机器人流程自动化RPA的商品推荐服务时,基于自然语言处理NLP确定有关信息。
如图1所示,该商品推荐方法包括以下步骤:
步骤101,获取当前购物场景信息,并确定与当前购物场景信息对应的推荐场景信息。
本实施例中,获取当前购物场景信息,由于当前购物信息反映了用户的购物意向,因此,根据当前购物信息可确定对应的推荐场景信息,以便于基于推荐场景信息进一步总结与用户的购物意向对应的召回策略等。
需要说明的是,在不同的应用场景中,上述当前购物场景信息不同,根据当前购物场景信息确定的推荐场景信息也不同,示例说明如下:
示例一:
在本示例中,确定用户当前浏览的页面信息,该页面信息可以包括页面标识信息、页面内容信息、页面类型信息等,根据页面信息确定推荐场景信息,该推荐场景信息可以为任意区分不同推荐场景信息的标识信息,比如可以为数字、可以为字母、也可以为文字描述等,其中,当推荐场景信息为文字描述时,推荐场景信息可以包括“根据商品详情推荐场景”、“根据套餐余量推荐场景”等。
在本实施例中,可以基于自然语言处理(Natural Language Processing,简称NLP)技术对页面信息中的页面标识信息、页面内容信息、页面类型信息等进行提取。也可以根据根据光学字符识别OCR算法识别页面信息等。
示例二:
在本示例中,获取页面信息,查询预设的对应关系,获取与页面信息对应的推荐场景信息,比如,当页面信息为页面标识时,若是用户浏览的页面对应的页面标识为流量余量查看页面标识,则查询预设的对应关系,确定的对应的推荐场景信息为根据套餐流量余量推荐场景。
在本实施例中,可以基于NLP技术训练深度学习模型,该深度学习模型的输入为页面信息,输出为推荐场景信息。
示例三:
在本示例中,当前购物场景信息包括当前节假日信息,比如,若是当前为圣诞节,则推荐场景为基于圣诞节的推荐场景等。
步骤102,基于推荐场景信息确定对应的召回策略集合,其中,召回策略集合中包括至少一个召回策略。
步骤103,根据召回策略集合包含的至少一个召回策略,确定候选推荐商品。
具体的,基于推荐场景信息确定对应的召回策略集合,其中,召回策略集合中包括至少一个召回策略,并根据召回策略集合包含的至少一个召回策略,确定候选推荐商品,其中,由于推荐场景信息与用户的购买意向相关,因此,根据推荐场景确定的至少一个召回策略,可以保证召回的候选推荐商品与用户的购买意向相适配,另外,本实施例中的召回策略还可以为多个,当召回策略为多个时,可以实现从多维度来召回候选推荐商品,进一步保证了候选推荐商品的丰富度,激发用户的购买欲望。
其中,召回策略集合中的召回策略可以包括根据某些商品类型的销量排行榜召回,基于与历史购买的商品相似度高的商品召回、用户所在省市的商品的销量排行榜召回等。
作为一种可能的实现方式,可以预先设置推荐场景信息和召回策略集合的对应关系,在本实施例中,可以基于NLP技术训练深度学习模型,该深度学习模型的输入为推荐场景信息,输出为回策略集合。从而,查询该对应关系,获取与推荐场景信息对应的召回策略集合。比如,该对应关系中,与推荐场景信息“商品详情的推荐场景”对应的召回策略集合为“销量排行榜,当前浏览商品的相似商品”等,又比如,在对应关系中,与推荐场景信息“套餐余量推荐场景”对应的召回策略集合为“销量排行榜,当前浏览商品的相似商品、用户套餐余量召回”等。其中,用户套餐余量召回指的是,根据用户的套餐余量信息和历史订单中商品的流量消耗量来召回商品,使得召回的商品与用户的历史订单的商品类似消耗的流量不大于用户的套餐余量。又比如,该对应关系中,召回策略集合也可以用标识信息来标识,比如,存储的推荐场景信息为0,0对应的召回策略集合为a等。
作为另一种可能的实现方式,考虑到用户的购买需求是会随着时间段的变化而发生变化的,因而为了进一步把握用户的购买意向,结合时间策略来确定对应的召回策略集合。
在本实施例中,可以获取当前时间信息,该时间信息可以包括位于月份的时间段信息(比如月中、月初、月末)等,还可以为与节假日的距离时长等(比如距离过年多久等),结合时间信息及推荐场景信息,确定对应的召回策略集合。
比如,可以确定时间信息对应的时间段,比如,根据当前应用所在电子设备的时间信息确定当前时间段,查询预设的对应关系,获取与时间段及场景信息对应的召回策略集合。
在一种可能的实施方式中,基于所述时间信息及场景信息,确定对应的召回策略集合,包括:
查询预设的对应关系,获取与推荐场景信息对应的召回策略集合;
基于所述时间信息,对所述推荐场景信息对应的召回策略集合中的参数进行调整,生成与时间信息及推荐场景信息对应的召回策略集合。
其中,在一种实施方式中,时间信息可用于调整基于推荐场景信息确定的召回策略中,召回的商品的采集时间段参数,比如,当时间段为月初和月中,召回策略为销量排行榜召回时,则最终确定的召回策略为根据召回统计周期为过去48小时统计出的销量排行榜商品,在月末,召回策略为销量排行榜召回时,最终确定的召回策略为过去的24小时统计出的销量排行榜商品。
步骤104,基于候选推荐商品,确定目标推荐商品,生成目标推荐商品的推荐数据并输出。
具体的,基于候选推荐商品,确定出目标推荐商品,以便于生成目标推荐商品的推荐数据并输出。其中,在本发明的一个实施例中,在确定目标推荐商品后,还可以确定目标推荐商品的商品标识,可以根据该商品标识等信息确定候选推荐商品中是否包含重复的商品,若是包含重复商品,则对目标推荐商品去重。
其中,目标商品的推荐数据可以为包含目标商品的排序列表,也可以为包含目标商品的名单等。
考虑到有些场景下,目标推荐商品可能较少,在这种情况下,为了提高商品推荐体验,在获取目标推荐商品之后,判断目标推荐商品的数量是否小于预设推荐商品数量,该预设推荐商品数量可以根据待推荐用户的电子设备的屏幕大小等设置,也可以由用户自定义。
若小于该预设推荐商品数量,则计算预设推荐商品数量和目标推荐商品的数量的数量差值,获取与推荐场景信息对应的商品销量排行榜,其中,可以获取推荐场景信息对应的待推荐用户所在省份,根据用户所在省份确定该省份下的商品销量排行榜,或者,也可以理解,预先建立推荐场景信息对应的商品销量排行榜的对应关系,基于该对应关系,确定对应的商品销量排行榜,在商品销量排行榜中按照自上而下的排行顺序,获取与数量差值对应的补充推荐商品,将补充推荐商品和目标推荐商品推荐输出,可以理解,排行榜的自上而下是排序的由前到后,补充推荐商品与目标推荐商品的排序方式,可以是置于目标推荐商品之前,或者置于目标推荐商品之后,或者将补充推荐商品与目标推荐商品重新排序。
需要说明的是,在不同的应用场景中,基于候选推荐商品,生成目标推荐商品信息的方式不同,示例如下:
示例一:
在本示例中,基于推荐场景信息确定对应的过滤策略集合,其中,过滤策略集合中包含至少一个过滤策略,该至少一个过滤策略可以包括基于用户所在省市过滤,基于用户的积分余额过滤,基于用户支持的支付方式过滤,或者,至少一个过滤策略,包括基于商品属性的过滤策略,其中,商品属性包括商品的价位、省份等。
在一些可能的示例中,可以预先构建推荐场景信息和过滤策略集合的对应关系,通过查询该预设的对应关系,确定与推荐场景信息对应的过滤策略集合。在本实施例中,可以基于NLP技术训练深度学习模型,该深度学习模型的输入为推荐场景信息,输出为回策略集合。
进一步的,根据过滤策略集合包含的至少一个过滤策略,对候选推荐商品过滤,基于过滤后的候选推荐商品,确定目标推荐商品。
举例而言,当至少一个过滤策略包括基于销量过滤,则将候选推荐商品中销量不高的商品过滤。
在实际执行过程中,为了使得目标推荐商品能够更贴近用户的购买需求,在对候选推荐商品过滤时,还可以获取待推荐用户特征,基于待推荐用户特征,及和过滤策略集合,生成用户的个性化过滤策略集合,以基于用户的个性化过滤策略集合,对候选推荐商品过滤。其中,待推荐用户特征包括用户所在省份、用户的账户余额、用户的订单历史信息等。
举例而言,当过滤策略集合中包括根据销量排行过滤策略,而待推荐用户特征为用户余额400,则生成的个性化过滤策略集合中包含根据销量过滤出低于400的商品的个性化过滤策略。
示例二:在本示例中,基于推荐场景信息确定对应的排序策略集合,其中,排序策略集合中包含至少一个排序策略,在一些可能的示例中,查询预设的对应关系,确定与推荐场景信息对应的排序策略,进而,根据至少一个排序策略,对候选推荐商品排序,基于排序后的候选推荐商品,确定目标推荐商品,比如,直接将排序后的候选推荐商品中的前预设个数作为目标推荐商品等。
当然,可能在有些条件下,根据推荐场景信息确定的至少一个排序策略可能与当前候选推荐商品并不适配,比如,对于根据与用户历史购买的商品的相似度进行排序的商品而言,若是候选推荐商品中与用户历史购买的商品相似度均较低,则显然不能采用对应的排序策略来排序,因此,获取至少一个排序策略中每个排序策略对应的排序条件,提取目标推荐商品中与排序条件对应的参考信息,比如,排序条件是与用户历史购买商品的相似度大于预设阈值的候选推荐商品,占总的候选推荐商品数量的比例大于一定值,则参考信息为与用户历史购买的商品相似度大于预设阈值的候选推荐商品的比例,继而,将参考信息与每个排序策略对应的排序条件匹配,在至少一个排序策略中删除匹配失败的排序策略。
为了更加清楚的描述如何根据排序策略对候选推荐商品排序,下面结合具体的场景说明,说明如下:
场景一:
在本场景中,至少一个排序策略包括第一排序策略。
则如图2所示,上述步骤根据至少一个排序策略,对候选推荐商品排序包括:
步骤201,当至少一个排序策略包括第一排序策略时,获取用户的购买商品信息,并确定购买商品信息的第一消耗特征。
具体的,可以根据至少一个排序策略的策略内容信息或者标识信息等,确定至少一个排序策略中是否包含预设的第一排序策略,若是包含该第一排序策略,则获取用户的购买商品信息,该购买商品信息可以包括商品的类型、商品的数量、购买该商品的时间等,比如获取用户在距离当前的预设时段内,购买的商品信息,该购买商品信息可以通过调用用户的历史购买订单来获取,比如,基于NLP技术提取历史购买订单中的商品信息,并确定购买商品信息的第一消耗特征,其中,第一消耗特征对应于历史购买的商品的有效使用时长、剩余量等(剩余量可以根据之前采集的用户的消耗速度确定)、距离月底时间等。
步骤202,提取候选推荐商品的第二消耗特征。
具体的,提取候选推荐商品的第二消耗特征,该第二消耗特征可以包括目标推荐商品的商品单价、可使用时长等。
步骤203,将第一消耗特征和第二消耗特征输入到预先构建的打分模型,获取目标推荐商品的打分结果。
可以理解,预先构建打分模型,该打分模型可以通过大量样本数据训练得到。该预先构建的打分模型可以根据第一消耗特征和第二消耗特征得到对应的目标推荐商品的打分结果,其中,打分结果越高,表示该候选推荐商品的可推荐性越大。
在本发明的一个实施例中,该第一消耗特征和第二消耗特征均可以为多个,当为多个时,可以根据每个第一消耗特征和第二消耗特征对排序的贡献程度,设置对应的权重,根据每个第一消耗特征与对应权重的乘积值作为对应第一消耗特征的最终输入打分模型的第一消耗特征,同样的,根据每个第二消耗特征与对应权重的乘积值作为对应第二消耗特征的最终输入打分模型的第一消耗特征。
步骤204,根据打分结果对候选推荐商品排序。
可以理解,打分结果越高,则对应的候选推荐商品的排序越靠前,在本实施例中,根据打分结果对候选推荐商品排序。
场景二:
在本场景中,至少一个排序策略包括第一排序策略。
则如图3所示,上述步骤根据至少一个排序策略,对候选推荐商品排序包括:
步骤301,当至少一个排序策略包括第二排序策略时,获取用户的浏览购买商品信息,并提取浏览购买商品信息的第一商品属性特征。
具体的,可以根据至少一个排序策略的策略内容信息或者标识信息等,确定至少一个排序策略中是否包含预设的第二排序策略,该第二排序策略可以理解为DNN排序,若是包含该第二排序策略,则获取用户的购买商品的第一商品属性信息,该第一商品属性信息可以包括用户历史购买商品的商品标识、商品价格、商品购买时间等,在一些可能的示例中,可以基于NLP技术提取第一商品属性信息。
步骤302,提取候选推荐商品的第二商品属性特征。
与第一商品属性对应,该第二商品属性信息可以包括用户历史购买商品的商品标识、商品价格、商品购买时间等。
步骤303,根据预设的排序算法计算第一商品属性特征和第二商品属性特征的相似概率,并根据相似概率对候选推荐商品排序。
其中,该预设的排序算法可以为深度学习算法等,预先设置的排序算法可以根据大量样本数据学习得到,根据预设的排序算法计算第一商品属性和第二商品属性特征的相似概率,并根据相似概率对候选推荐商品排序,其中,显而易见的是,相似概率越高,则排序越靠前。
上述排序对每一个候选推荐商品都是平等考虑的,当一些场景下,后台操作人员为了商品的推广等,希望有些召回策略召回的商品的排序靠前。本发明也提供了一种对候选商品的排序进行干预的处理方式。
具体而言,如图4所示,在对候选推荐商品排序之后,该方法还可以包括:
步骤401,判断召回策略集合中是否包含预设排序前插属性的目标召回策略。
可以理解,召回策略集合中每个召回策略具有召回属性设置,该属性可以有技术人员根据推广需要人为修改等,其中,若是希望某种召回策略召回的候选推荐商品的排序靠前,可以通过将对应召回策略的属性设置为排序前插属性来实现,其中,排序前插属性可以为一串固定的编码,也可以为文字等。
判断召回策略集合中是否包含预设排序前插属性的目标召回策略,以确定是否有人为干预排序的情况发生。
步骤402,若包含目标召回策略,则在候选推荐商品中确定与目标召回策略对应的目标候选推荐商品。
具体的,若是包含目标召回策略,则在候选推荐商品中确定与目标召回策略对应的目标候选推荐商品,及筛选出来候选推荐商品中由目标召回策略召回的候选推荐商品。
步骤403,在排序后的候选推荐商品中,将排序顺序位于目标候选推荐商品之前的候选推荐商品,调整到目标候选推荐商品之后。
具体的,在排序后的候选推荐商品中,将排序顺序位于目标候选推荐商品之前的候选推荐商品,调整到目标候选推荐商品之后,也就是说,在候选推荐商品的排序结果中,所有的目标候选推荐商品都为需排序的前面,当目标候选推荐商品为多个时,多个目标候选推荐商品的顺序可以随机。
示例三:
在本示例中,可以对候选推荐商品进行过滤后,获取到目标推荐商品,其中,过滤方式可以为上述示例一所示出的方式,在过滤后,对目标推荐商品进行排序,其中,排序方式可以为根据上述示例二所示的方式排序,根据排序后的目标推荐商品生成包含目标推荐商品的推荐数据并输出。
应当理解的是,上述每个实施例中示出的商品推荐操作方法,都可以设置为一个单独的处理模块,不同实施例的处理模块可以共同作用形成一个灵活的商品推荐系统,下面结合具体的应用场景说明,其中,在该场景下,涉及到的处理方式仅仅是作为一种可能的示例,旨在用于解释本发明实施例的商品推荐方法,而不能看作是对本发明的限制。
参照图5,在实际应用中,可以根据确定的推荐场景信息确定出对应的召回策略集合,该召回策略集合中包含N个召回策略,其中,N为大于1的整数,进而,该召回策略集合可以由召回策略分发模块分发,其中,在实际应用中,为了保证召回效率,召回的候选推荐商品可能仅仅包括商品标识,因此,参照图5,还可以设置商品信息补全模块,该商品信息补全模块可以和数据库通信,根据商品标识补全候选推荐商品的商品信息。
进一步的,将候选推荐商品发送至过滤模块,过滤模块中可以根据用户属性(比如用户的历史订单信息),以及推荐场景信息来确定过滤策略结合,实现对候选推荐商品的过滤,生成目标推荐商品。
在得到目标推荐商品后,将目标推荐商品发送至通用的排序模块,可以结合待推荐用户的用户特征,以及当前推荐场景信息确定排序策略结合,基于排序策略来对目标推荐商品排序,进而,在排序后的目标推荐商品发送至运营和补齐模块,一方面,判断该目标推荐商品的熟练是否大于预设推荐商品数量,若小于,则根据待推荐用户所在省份的购买销量排行榜,按照自上而下的顺序补齐。另一方面,若是目标推荐商品中有商家已经交费推广的商品,则可以将对应的目标推荐商品提到排序的最前端。
最后,经由运营和补齐模块后,将排序后的目标推荐商品发送给待推荐用户。
综上,本发明实施例的结合RPA与AI的商品推荐方法,获取当前购物场景信息,并确定与当前购物场景信息对应的推荐场景信息,基于推荐场景信息确定对应的召回策略集合,其中,召回策略集合中包括至少一个召回策略,进而,根据召回策略集合包含的至少一个召回策略,确定候选推荐商品,最后,基于候选推荐商品,确定目标推荐商品,生成目标推荐商品的推荐数据并输出。由此,根据不同的购物场景信息,适配不同的召回策略来召回候选推荐商品用于推荐,保证了推荐给用户的商品的转化率。
为了实现上述实施例,本发明还提出了一种结合RPA与AI的商品推荐装置。所述装置应用于电子设备,电子设备提供基于机器人流程自动化RPA的商品推荐服务。图6是根据本发明一种结合RPA与AI的商品推荐装置的结构示意图,如图6所示,该商品推荐装置包括:第一确定模块10、第二确定模块20、第三确定模块30和生成模块40,其中,
第一确定模块10,用于获取当前购物场景信息,并确定与当前购物场景信息对应的推荐场景信息。
在本发明的一个实施例中,第一确定模块10具体用于确定用户当前浏览的页面信息;基于页面信息,确定推荐场景信息。
在本实施例中,第一确定模块10基于页面信息,确定待推荐商品类别;
基于待推荐商品类别,确定推荐场景信息。
第二确定模块20,用于基于推荐场景信息确定对应的召回策略集合,其中,召回策略集合中包括至少一个召回策略。
第三确定模块30,用于根据召回策略集合包含的至少一个召回策略,确定候选推荐商品。
在本发明的一个实施例中,第三确定模块30具体用于查询预设的对应关系,获取与推荐场景信息对应的召回策略集合。
在本发明的一个实施例中,第三确定模块30具体用于获取当前时间信息;
基于时间信息及推荐场景信息,确定对应的召回策略集合。
在本实施例中,第三确定模块30具体用于确定时间信息对应的时间段;
查询预设的对应关系,获取与时间段及场景信息对应的召回策略集合。
在本发明的一个实施例中,第三确定模块30具体用于基于推荐场景信息确定对应的过滤策略集合,其中,过滤策略集合中包含至少一个过滤策略;
根据过滤策略集合包含的至少一个过滤策略,对候选推荐商品过滤,基于过滤后的候选推荐商品,确定目标推荐商品。
在本发明的一个实施例中,第三确定模块30具体用于获取待推荐用户特征;
基于待推荐用户特征,及过滤策略集合,生成用户的个性化过滤策略集合;
基于用户的个性化过滤策略集合,对候选推荐商品过滤。
在本发明的一个实施例中,第三确定模块30具体用于基于推荐场景信息确定对应的排序策略集合,其中,排序策略集合中包含至少一个排序策略;
根据至少一个排序策略,对候选推荐商品排序;
基于排序后的候选推荐商品,确定目标推荐商品。
在本实施例中,第三确定模块30具体用于获取至少一个排序策略中每个排序策略对应的排序条件;
提取目标推荐商品中与排序条件对应的参考信息;
将参考信息与每个排序策略对应的排序条件匹配;
在至少一个排序策略中删除匹配失败的排序策略。
在本实施例中,第三确定模块30具体用于当至少一个排序策略包括第一排序策略时,获取用户的购买商品信息,并确定购买商品信息的第一消耗特征;
提取候选推荐商品的第二消耗特征;
将第一消耗特征和第二消耗特征输入到预先构建的打分模型,获取目标推荐商品的打分结果;
根据打分结果对候选推荐商品排序。
在本实施例中,第三确定模块30具体用于当至少一个排序策略包括第二排序策略时,获取用户的浏览购买商品信息,并提取浏览购买商品信息的第一商品属性特征;
提取候选推荐商品的第二商品属性特征;
根据预设的排序算法计算第一商品属性特征和第二商品属性特征的相似概率,并根据相似概率对候选推荐商品排序。
在本实施例中,如图7所示,在如图6所示的基础上,该装置还包括:判断模块50,其中,判断模块50判断召回策略集合中是否包含预设排序前插属性的目标召回策略,第三确定模块30具体用于若包含目标召回策略,则在候选推荐商品中确定与目标召回策略对应的目标候选推荐商品;
在排序后的候选推荐商品中,将排序顺序位于目标候选推荐商品之前的候选推荐商品,调整到目标候选推荐商品之后。
生成模块40,用于基于候选推荐商品,确定目标推荐商品,生成目标推荐商品的推荐数据并输出。
在本发明的一个实施例中,生成模块40,具体用于根据候选推荐商品的商品标识查询当前数据库,获取与商品标识对应的候选推荐商品信息;
基于候选推荐商品信息确定目标推荐商品。
在本发明的一个实施例中,生成模块40,具体用于判断目标推荐商品的数量是否小于预设推荐商品数量;
若小于预设推荐商品数量,则计算预设推荐商品数量和目标推荐商品的数量的数量差值;
获取与推荐场景信息对应的商品销量排行榜;
在商品销量排行榜中按照自上而下的排行顺序,获取与数量差值对应的补充推荐商品;
将补充推荐商品和目标推荐商品推荐输出。
在本发明的一个实施例中,生成模块40,具体用于判断目标推荐商品中是否包含重复商品;
若包含重复商品,则对重复商品去重。
在本发明的一个实施例中,生成模块40,具体用于对候选推荐商品进行过滤,获取目标推荐商品;
对目标推荐商品排序;
根据排序后的目标推荐商品生成推荐数据并输出。
需要说明的是,前述对结合RPA与AI的商品推荐方法实施例的解释说明也适用于该实施例的结合RPA与AI的商品推荐装置,此处不再赘述。
为了实现上述实施例,本发明还提出一种电子设备,包括:存储器、处理器及存储在存储器上并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,实现上述实施例中的结合RPA与AI的商品推荐方法。
为了实现上述实施例,本发明还提出一种非临时性计算机可读存储介质,当所述存储介质中的指令由处理器被执行时,使得能够执行上述实施例中的结合RPA与AI的商品推荐方法。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本发明的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本发明的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如,如果用硬件来实现和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本发明各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
- 结合RPA与AI的商品推荐方法和装置
- 结合RPA与AI的商品推荐方法和装置