[发明专利]基于知识图谱的商品推荐方法、装置、系统及存储介质

说明书

本发明实施例公开了一种基于知识图谱的商品推荐方法、装置、系统及存储介质。作为简单示例，本发明实施例提供的方法仅从相同购买行为来定义相似用户，除此之外，产品特征、品牌特征、用户标签等都可以用来定义用户相似性，并作为相似性推荐的关键关联实体构建进图模型中，通过分群算法进行聚类，以无监督学习的方式找到不同特征间的聚类情况，从而实现同时基于多维特征的精准推荐。不同于关系型数据库，图数据库的schema灵活性强，直接反应业务逻辑，分析人员可根据场景和业务需求变化灵活添加不同种类的新关系、新节点、新标签形成新的子图，从而动态调整新的推荐策略，而不用担心破坏已有的查询或应用程序的功能。

技术领域

本发明涉及计算机软件技术领域，具体涉及一种基于知识图谱的商品推荐方法、装置、系统及存储介质。

背景技术

随着消费者生活水平的提高，移动互联网普及程度的增强，电子商务系统的发展更加成熟。相比于线下零售业，电商行业正在以惊人的速度不断壮大。

推荐系统本质是客户和商品之间的桥梁，基本任务是帮助客户解决信息过载的问题，从海量商品中准确并快速找到客户最喜爱、最有可能购买的物品。所以，推荐系统的两个关键点，一个是准，一个是快。

在互联网领域，线上推荐系统常见的应用场景大致可分两类：一个是基于用户维度的推荐，即根据用户的历史行为和兴趣偏好进行推荐，比如网易云首页的推荐歌单、小红书首页的发现等；另一个是物品维度的推荐，也就是根据用户当前浏览的标的物进行推荐，比如淘宝特定商品的“找相似”功能。不管是基于用户维度的推荐还是基于物品维度的推荐，推荐过程本质是信息过滤的过程：推荐系统通过分析用户的历史购买和当前行为模式，在用户退出页面前过滤掉不太可能引起用户兴趣的产品，再根据优先等级返回最相关Top-N产品列表，大致流程如图1所示。

电商平台作为网购服务的提供方，主要的诉求是实现销售转化。各种推荐系统应运而生，以期帮助客户从海量商品中准确并快速找到客户最喜爱、最有可能购买的物品，从而增加客户粘性，提升客户体验。如今产品目录变更周期短、变更速度快；潜在客户服务要求高、等待耐心低；场景营销背景下推荐维度复杂、事物关联程度高。快速理解客户多维画像、将客户的即时兴趣与不断迭代的产品信息实时关联起来形成场景化、定制化推荐成为巨大挑战。

与商品推荐类似的一个场景，是品牌方希望通过用户的社交网络，来实现产品的精准营销。用户可以对他好友推荐的商品直接下单，这相比于传统的搜索、浏览、下单的消费历程，购买决策链条更短，能更直接地影响消费者。借助于大数据技术和移动社交媒体，社交应用呈现显著的移动化、本地化特征，是很好的商业营销导流入口。因其采购决策的天然社交性，电商、游戏、视频、互联网金融领域，甚至在线教育也都开始进行社交布局。如何有效通过大数据技术增强社交网络的熟人关系传播效应，增加品牌曝光、拉动用户增长并提升用户粘性，成为社交电商平台差异化竞争力的关键。

综上所述，无论是传统电商平台还是新兴的社交电商平台，都存在着海量用户与用户、用户与商品、商品与商品间的复杂关联，如何分析和挖掘这些关联关系成为提升商品推荐准确度的关键。

发明内容

针对现有技术中的技术缺陷，本发明实施例的目的在于提供一种基于知识图谱的商品推荐方法、装置、系统及存储介质，以解决背景技术中所提出的技术问题。

为实现上述目的，第一方面，本发明实施例提供了一种基于知识图谱的商品推荐方法，包括：

获取所有用户的历史消费行为数据，构建所有用户的商品推荐图模型；

查询目标用户的商品推荐图模型和其他用户的商品推荐图模型，获取预设时间段内与目标用户的消费相似度排序前L的相似消费用户；其中，所述相似消费用户为与目标用户购买过相同商品的其他用户，所述消费相似度为相似消费用户与目标用户购买过的相同商品的数量；

查询所述相似消费用户购买过的所有商品，从中剔除所述目标用户已经购买过的商品，获取第一待推荐商品；