本發(fā)明涉及大數(shù)據(jù)領(lǐng)域，特別是涉及一種推薦方法及裝置。

背景技術(shù)：

隨著電子商務(wù)的發(fā)展，越來越多的人利用電子商務(wù)平臺進行商品信息的獲取和商品的購買，在購買過程中，電子商務(wù)平臺通常會對用戶進行推薦，以提高用戶的購買體驗。目前的推薦算法主要有基于人口統(tǒng)計學(xué)的推薦、基于內(nèi)容的推薦、協(xié)同過濾推薦等，其中，協(xié)同過濾算法有基于領(lǐng)域的方法（基于記憶的方法）、隱語義模型、基于圖的隨機游走算法等。

但上述推薦算法通常都有嚴重的可擴展性問題，推薦的實效性較差，且在推薦過程中，通常只基于單點數(shù)據(jù)進行推薦，使得推薦的范圍較窄。如何避免推薦算法的可擴展性問題，提高推薦的實效性，擴大推薦范圍，是目前提高用戶購買體驗亟待解決的問題之一。

技術(shù)實現(xiàn)要素：

本發(fā)明主要解決的技術(shù)問題是提供一種推薦方法及裝置，可避免推薦算法的可擴展性問題，提高推薦的實效性，并可擴大推薦范圍。

為解決上述技術(shù)問題，本發(fā)明提供一種推薦方法，包括以下步驟：獲取用戶信息，用戶信息包括瀏覽信息和購買信息；提取用戶信息中的商品元素信息和行程元素信息；將商品元素信息和行程元素信息通過預(yù)先訓(xùn)練的BP神經(jīng)網(wǎng)絡(luò)的處理形成用戶評分；計算用戶評分與用戶評分庫里的評分值的相似度；獲取與用戶評分相似度較高的評分值對應(yīng)的門店信息；將門店信息進行推薦。

其中，預(yù)先訓(xùn)練的BP神經(jīng)網(wǎng)絡(luò)是以用戶信息為輸入、用戶評分為輸出的BP神經(jīng)網(wǎng)絡(luò)。

其中，用戶評分庫是將用戶信息中的商品元素信息和行程元素信息通過預(yù)先訓(xùn)練的BP神經(jīng)網(wǎng)絡(luò)的處理形成的用戶評分庫。

其中，商品元素信息為手表相關(guān)信息。

其中，門店信息為手表門店信息，包括門店地址信息、手表品牌信息及手表價格信息。

為解決上述技術(shù)問題，本發(fā)明提供一種推薦裝置，包括：第一獲取模塊，用于獲取用戶信息，用戶信息包括瀏覽信息和購買信息；提取模塊，用于提取用戶信息中的商品元素信息和行程元素信息；形成模塊，用于將商品元素信息和行程元素信息通過預(yù)先訓(xùn)練的BP神經(jīng)網(wǎng)絡(luò)的處理形成用戶評分；計算模塊，用于計算用戶評分與用戶評分庫里的評分值的相似度；第二獲取模塊，用于獲取與用戶評分相似度較高的評分值對應(yīng)的門店信息；推薦模塊，用于將門店信息進行推薦。

其中，預(yù)先訓(xùn)練的BP神經(jīng)網(wǎng)絡(luò)是以用戶信息為輸入、用戶評分為輸出的BP神經(jīng)網(wǎng)絡(luò)。

其中，用戶評分庫是將用戶信息中的商品元素信息和行程元素信息通過預(yù)先訓(xùn)練的BP神經(jīng)網(wǎng)絡(luò)的處理形成的用戶評分庫。

其中，商品元素信息為手表相關(guān)信息。

其中，門店信息為手表門店信息，包括門店地址信息、手表品牌信息及手表價格信息。

本發(fā)明的有益效果是：區(qū)別于現(xiàn)有技術(shù)的情況，本發(fā)明的推薦方法具體為：首先獲取用戶信息，該用戶信息包括瀏覽信息和購買信息，提取該用戶信息中的商品元素信息和行程元素信息，然后將提取的商品元素信息和行程元素信息通過預(yù)先訓(xùn)練的BP神經(jīng)網(wǎng)絡(luò)，形成用戶評分，計算該用戶評分與用戶評分庫里的評分值的相似度，獲取相似度較高的評分值對應(yīng)的門店信息，最后將獲取的門店信息進行推薦。其中，相似度的計算和門店信息的推薦采用基于用戶的協(xié)同過濾算法。通過上述方式，BP神經(jīng)網(wǎng)絡(luò)和協(xié)同過濾算法相結(jié)合，可解決協(xié)同過濾算法擴展性差的問題，提高推薦的實效性，且對于BP神經(jīng)網(wǎng)絡(luò)，對其權(quán)值進行人工適當(dāng)調(diào)節(jié)，可進一步提高推薦的實效性。在推薦過程中，基于商品元素信息和行程元素信息，大量的數(shù)據(jù)可擴大推薦的范圍。

附圖說明

圖1是本發(fā)明推薦方法一實施例的流程示意圖；

圖2是本發(fā)明推薦裝置一實施例的結(jié)構(gòu)示意圖。

具體實施方式

下面結(jié)合附圖和實施例對本發(fā)明進行詳細說明。

請參閱圖1，圖1是本發(fā)明推薦方法一實施例的流程示意圖，如圖1所示，包括以下步驟：

S11，獲取用戶信息，用戶信息包括瀏覽信息和購買信息。

本實施例方法由商品交易平臺實現(xiàn)，當(dāng)用戶使用該平臺時，對用戶進行門店信息的推薦。在推薦過程中，首先獲取用戶的信息，用戶信息為用戶在互聯(lián)網(wǎng)上的信息，如瀏覽信息、購買信息等。

S12，提取用戶信息中的商品元素信息和行程元素信息。

對于用戶信息，需提取其中有用的信息，具體為商品元素信息和行程元素信息。在本實施例中，商品元素信息為手表相關(guān)信息，如關(guān)于手表的瀏覽、購買、收藏、分享、評論等信息，行程元素信息為行程相關(guān)信息，如機票、車票、酒店、旅游網(wǎng)站的瀏覽等信息。對于手表相關(guān)信息、行程相關(guān)信息，還可包括其他內(nèi)容，這里不進行限定。

S13，將商品元素信息和行程元素信息通過預(yù)先訓(xùn)練的BP神經(jīng)網(wǎng)絡(luò)的處理形成用戶評分。

深度學(xué)習(xí)（Deep Learning）是機器學(xué)習(xí)中一個非常接近人工智能的領(lǐng)域，其動機在于建立、模擬人腦進行分析學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)。而神經(jīng)網(wǎng)絡(luò)是對人腦神經(jīng)工作的一種簡化生物模型，模擬人腦對神經(jīng)元之間的聯(lián)系和強度的調(diào)節(jié)過程。

BP（Back Propagation）神經(jīng)網(wǎng)絡(luò)為反向傳播神經(jīng)網(wǎng)絡(luò)，含有輸入層、輸出層及處于輸入層和輸出層之間的中間層，中間層包括單層或多層，又被稱為隱層，改變隱層的權(quán)系數(shù)能夠改變整個神經(jīng)網(wǎng)絡(luò)的性能。

由于BP神經(jīng)網(wǎng)絡(luò)采用BP算法，存在反向傳播的子過程，而該過程能夠通過反復(fù)修正權(quán)值和閾值，使得誤差函數(shù)值最小，從而使得訓(xùn)練出來的模型精度更高。具體地，本發(fā)明預(yù)先訓(xùn)練的BP神經(jīng)網(wǎng)絡(luò)是以用戶信息為輸入、用戶評分為輸出的BP神經(jīng)網(wǎng)絡(luò)。且該BP神經(jīng)網(wǎng)絡(luò)在訓(xùn)練過程中，設(shè)定自動學(xué)習(xí)規(guī)則，加入人工干預(yù)因素。

S14，計算用戶評分與用戶評分庫里的評分值的相似度。

在本實施例中，用戶評分庫是將用戶信息中的商品元素信息和行程元素信息通過預(yù)先訓(xùn)練的BP神經(jīng)網(wǎng)絡(luò)的處理形成的用戶評分庫。

S15，獲取與用戶評分相似度較高的評分值對應(yīng)的門店信息。

S16，將門店信息進行推薦。

在本實施例中，相似度的計算和門店信息的推薦采用基于用戶的協(xié)同過濾算法。用戶評分庫中的每一評分值對應(yīng)一用戶，且每一用戶對應(yīng)相應(yīng)的門店信息。其中，門店信息為手表門店信息，包括門店地址信息、手表品牌信息及手表價格信息。對于手表門店信息，還可包括其他內(nèi)容，這里不進行限定。

在推薦過程中，對于與用戶評分相似度較高的評分值，即與本實施例需進行推薦的用戶相似度較高的用戶，獲取該評分值對應(yīng)的門店信息，將獲取的門店信息進行推薦，且推薦時，對于步驟S12提取的商品元素信息和行程元素信息中涉及的門店信息，不進行推薦。

請參閱圖2，圖2是本發(fā)明推薦裝置一實施例的結(jié)構(gòu)示意圖，如圖2所示，包括：第一獲取模塊21、提取模塊22、形成模塊23、計算模塊24、第二獲取模塊25及推薦模塊26。

上述各模塊的功能具體如下：

第一獲取模塊21用于獲取用戶信息，用戶信息包括瀏覽信息和購買信息；提取模塊22用于提取用戶信息中的商品元素信息和行程元素信息；形成模塊23用于將商品元素信息和行程元素信息通過預(yù)先訓(xùn)練的BP神經(jīng)網(wǎng)絡(luò)的處理形成用戶評分；計算模塊24用于計算用戶評分與用戶評分庫里的評分值的相似度；第二獲取模塊25用于獲取與用戶評分相似度較高的評分值對應(yīng)的門店信息；推薦模塊26用于將門店信息進行推薦。

在本實施例中，推薦時，第一獲取模塊21首先獲取用戶信息，用戶信息為用戶在互聯(lián)網(wǎng)上的信息，如瀏覽信息、購買信息等。

對于用戶信息，需提取其中有用的信息，具體為商品元素信息和行程元素信息。在本實施例中，商品元素信息為手表相關(guān)信息，如關(guān)于手表的瀏覽、購買、收藏、分享、評論等信息，行程元素信息為行程相關(guān)信息，如機票、車票、酒店、旅游網(wǎng)站的瀏覽等信息。對于手表相關(guān)信息、行程相關(guān)信息，還可包括其他內(nèi)容，這里不進行限定。

在本實施例中，預(yù)先訓(xùn)練的BP神經(jīng)網(wǎng)絡(luò)是以用戶信息為輸入、用戶評分為輸出的BP神經(jīng)網(wǎng)絡(luò)。且該BP神經(jīng)網(wǎng)絡(luò)在訓(xùn)練過程中，設(shè)定自動學(xué)習(xí)規(guī)則，加入人工干預(yù)因素。

在本實施例中，用戶評分庫是將用戶信息中的商品元素信息和行程元素信息通過預(yù)先訓(xùn)練的BP神經(jīng)網(wǎng)絡(luò)的處理形成的用戶評分庫。

在本實施例中，相似度的計算和門店信息的推薦采用基于用戶的協(xié)同過濾算法。用戶評分庫中的每一評分值對應(yīng)一用戶，且每一用戶對應(yīng)相應(yīng)的門店信息。其中，門店信息為手表門店信息，包括門店地址信息、手表品牌信息及手表價格信息。對于手表門店信息，還可包括其他內(nèi)容，這里不進行限定。

在推薦過程中，對于與用戶評分相似度較高的評分值，即與本實施例需進行推薦的用戶相似度較高的用戶，第二獲取模塊25獲取該評分值對應(yīng)的門店信息，推薦模塊26將獲取的門店信息進行推薦，且推薦時，對于提取模塊22提取的商品元素信息和行程元素信息中涉及的門店信息，不進行推薦。

綜上所述，本發(fā)明BP神經(jīng)網(wǎng)絡(luò)和協(xié)同過濾算法相結(jié)合，可解決協(xié)同過濾算法擴展性差的問題，提高推薦的實效性，且對于BP神經(jīng)網(wǎng)絡(luò)，對其權(quán)值進行人工適當(dāng)調(diào)節(jié)，可進一步提高推薦的實效性。在推薦過程中，基于商品元素信息和行程元素信息，大量的數(shù)據(jù)可擴大推薦的范圍。

以上所述僅為本發(fā)明的實施例，并非因此限制本發(fā)明的專利范圍，凡是利用本發(fā)明說明書及附圖內(nèi)容所作的等效結(jié)構(gòu)或等效流程變換，或直接或間接運用在其他相關(guān)的技術(shù)領(lǐng)域，均同理包括在本發(fā)明的專利保護范圍內(nèi)。