CN113763072A - 用于分析信息的方法和装置 - Google Patents
用于分析信息的方法和装置 Download PDFInfo
- Publication number
- CN113763072A CN113763072A CN202010618819.XA CN202010618819A CN113763072A CN 113763072 A CN113763072 A CN 113763072A CN 202010618819 A CN202010618819 A CN 202010618819A CN 113763072 A CN113763072 A CN 113763072A
- Authority
- CN
- China
- Prior art keywords
- commodity
- information
- level
- anchor
- user
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 81
- 238000004458 analytical method Methods 0.000 claims abstract description 39
- 238000013145 classification model Methods 0.000 claims abstract description 34
- 230000003044 adaptive effect Effects 0.000 claims abstract description 32
- 230000008569 process Effects 0.000 claims abstract description 18
- 238000013135 deep learning Methods 0.000 claims abstract description 10
- 238000011156 evaluation Methods 0.000 claims description 25
- 239000013598 vector Substances 0.000 claims description 22
- 230000015654 memory Effects 0.000 claims description 19
- 230000008451 emotion Effects 0.000 claims description 18
- 230000006399 behavior Effects 0.000 claims description 13
- 230000003068 static effect Effects 0.000 claims description 13
- 238000010187 selection method Methods 0.000 claims description 12
- 230000004044 response Effects 0.000 claims description 9
- 239000002131 composite material Substances 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 235000013305 food Nutrition 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 239000002537 cosmetic Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 241001116389 Aloe Species 0.000 description 1
- 235000011399 aloe vera Nutrition 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000003796 beauty Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 235000021551 crystal sugar Nutrition 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 235000015219 food category Nutrition 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
- H04N21/25—Management operations performed by the server for facilitating the content distribution or administrating data related to end-users or client devices, e.g. end-user or client device authentication, learning user preferences for recommending movies
- H04N21/254—Management at additional data server, e.g. shopping server, rights management server
- H04N21/2542—Management at additional data server, e.g. shopping server, rights management server for selling goods, e.g. TV shopping
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0623—Item investigation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
- H04N21/21—Server components or server architectures
- H04N21/218—Source of audio or video content, e.g. local disk arrays
- H04N21/2187—Live feed
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
- H04N21/25—Management operations performed by the server for facilitating the content distribution or administrating data related to end-users or client devices, e.g. end-user or client device authentication, learning user preferences for recommending movies
- H04N21/254—Management at additional data server, e.g. shopping server, rights management server
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Databases & Information Systems (AREA)
- Signal Processing (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请公开了用于分析信息的方法和装置,涉及深度学习技术领域,具体实现方案为:响应于接收到商品分析请求,获取与商品分析请求对应的历史商品信息和直播信息;根据历史商品的起始播出时间点和历史商品的结束播出时间点,对历史商品信息进行划分,生成各个层级的商品信息;对各个层级的商品信息和与相应层级的商品信息对应的直播信息进行分析,确定各个层级的各类特征;根据各个层级的各类特征,利用商品与主播适应性分类模型,对库中商品进行选取,生成各个层级的不同类别的商品列表。该方案通过分级进行数据处理,简化了分析过程,通过考虑主播的引导性以及用户的个性化需求,实现为直播卖货的主播提供高适应性的个性化的商品列表。
Description
技术领域
本申请的实施例涉及计算机技术领域,具体涉及深度学习技术领域,尤其涉及用于分析信息的方法和装置。
背景技术
线上直播购物是一个新兴领域,因具有产品种类多和用户群差异化的特点其他领域的数据处理技术很难适用于此场景。由于直播卖货备选产品种类繁多,用户流动性大,主播主观选取的商品会产生较大的波动,并且在商品的选取过程中需要花费大量的时间和资源。目前行业普遍采用通过广告效应打造知名主播,利用品牌效应反馈到销售或通过面向用户的推荐系统提高商品曝光率,并未考虑主播的引导性以及用户的个性化需求。
发明内容
本申请提供了一种用于分析信息的方法、装置、设备以及存储介质。
根据本申请的第一方面,提供了一种用于分析信息的方法,该方法包括:响应于接收到商品分析请求,获取与商品分析请求对应的历史商品信息和与历史商品信息对应的直播信息,其中,历史商品信息用于表征主播销售过的历史商品的信息,直播信息用于表征主播在直播过程中的录制信息,历史商品信息包括历史商品的起始播出时间点和历史商品的结束播出时间点;根据历史商品的起始播出时间点和历史商品的结束播出时间点,对历史商品信息进行划分,生成各个层级的商品信息;对各个层级的商品信息和与相应层级的商品信息对应的直播信息进行分析,确定各个层级的各类特征,其中,各类特征包括:主播特征、商品特征和用户特征中的至少两项,用户特征用于表征访问过主播的直播平台的人员的特征;根据各个层级的主播特征、商品特征和用户特征中的至少两项,利用商品与主播适应性分类模型,对库中商品进行选取,生成各个层级的不同类别的商品列表,其中,商品与主播适应性分类模型用于表征基于商品与主播的适应性强弱判定结果对商品进行分类。
在一些实施例中,根据历史商品的起始播出时间点和历史商品的结束播出时间点,对历史商品信息进行划分,生成各个层级的商品信息,包括:根据历史商品的起始播出时间点、历史商品的结束播出时间点和直播信息,利用情绪曲线分层法对历史商品信息进行划分,生成各个层级的商品信息,其中,情绪曲线分层法用于表征基于直播信息中用户最高情绪值分析结果对商品进行划分。
在一些实施例中,对各个层级的商品信息进行分析,确定各个层级的主播特征,包括:根据商品评价指标的权重和各个层级的商品信息,对主播各个层级的商品信息进行评分,生成与各个层级的商品信息对应的各个层级的评分;并根据各个层级的评分,确定主播的综合评分;基于主播的综合评分与其他主播综合评分的对比结果,对主播进行特征标记,生成与对比结果对应的主播的特征标签作为各个层级的主播特征。
在一些实施例中,对各个层级的商品信息进行分析,确定各个层级的商品特征,包括:根据商品类别选取方法和各个层级的商品信息,确定各个层级的商品类别,并生成与各个层级的商品类别对应的各个层级的商品特征向量,其中,商品类别选取方法用于表征选取商品的推销频次最高的多类商品;根据各个层级的特征向量和理想商品模型,确定与各个层级的特征向量对应的各个层级的商品相似度作为各个层级的商品特征,其中,商品相似度为表征各个层级的商品类别与理想商品的接近程度。
在一些实施例中,对与各个层级的商品信息对应的直播信息进行分析,确定各个层级的用户特征,包括:根据与各个层级的商品信息对应的直播信息,选取与直播信息对应的各个层级的用户行为信息,其中,用户行为信息包括用户静态信息和用户动态信息;根据用户评价方法,对各个层级的用户静态信息和相应层级的用户动态信息进行分析,确定各个层级的用户质量特征作为各个层级的用户特征,其中,用户评价方法用于表征基于用户的购买历史、用户的停留时长和用户的消费能力中的至少一种进行用户的评价。
在一些实施例中,商品与主播适应性分类模型利用深度学习算法,通过训练而得到。
在一些实施例中,方法还包括:根据各个层级的不同类别的商品列表,确定与商品分析请求对应的目标列表;根据目标列表,生成与目标列表对应的商品备选方案。
在一些实施例中,方法还包括:对主播的特征标签进行判断;响应于主播的特征标签表征主播的综合评分低于其他主播综合评分的平均值,将目标列表中排序最后的商品信息替换为从数据库中选取得到的商品信息,生成更新后的目标列表。
根据本申请的第二方面,提供了一种用于分析信息的装置,装置包括:获取单元,被配置成响应于接收到商品分析请求,获取与商品分析请求对应的历史商品信息和与历史商品信息对应的直播信息,其中,历史商品信息用于表征主播销售过的历史商品的信息,直播信息用于表征主播在直播过程中的录制信息,历史商品信息包括历史商品的起始播出时间点和历史商品的结束播出时间点;分级单元,被配置成根据历史商品的起始播出时间点和历史商品的结束播出时间点,对历史商品信息进行划分,生成各个层级的商品信息;特征确定单元,被配置成对各个层级的商品信息和与相应层级的商品信息对应的直播信息进行分析,确定各个层级的各类特征,其中,各类特征包括:主播特征、商品特征和用户特征中的至少两项,用户特征用于表征访问过主播的直播平台的人员的特征;第一生成单元,被配置成根据各个层级的主播特征、商品特征和用户特征中的至少两项,利用商品与主播适应性分类模型,对库中商品进行选取,生成各个层级的不同类别的商品列表,其中,商品与主播适应性分类模型用于表征基于商品与主播的适应性强弱判定结果对商品进行分类。
在一些实施例中,分级单元进一步被配置成根据历史商品的起始播出时间点、历史商品的结束播出时间点和直播信息,利用情绪曲线分层法对历史商品信息进行划分,生成各个层级的商品信息,其中,情绪曲线分层法用于表征基于直播信息中用户最高情绪值分析结果对商品进行划分。
在一些实施例中,特征确定单元,包括:评分模块,被配置成根据商品评价指标的权重和各个层级的商品信息,对主播各个层级的商品信息进行评分,生成与各个层级的商品信息对应的各个层级的评分;并根据各个层级的评分,确定主播的综合评分;第一确定模块,被配置成基于主播的综合评分与其他主播综合评分的对比结果,对主播进行特征标记,生成与对比结果对应的主播的特征标签作为各个层级的主播特征。
在一些实施例中,特征确定单元,包括:第一选取模块,被配置成根据商品类别选取方法和各个层级的商品信息,确定各个层级的商品类别,并生成与各个层级的商品类别对应的各个层级的商品特征向量,其中,商品类别选取方法用于表征选取商品的推销频次最高的多类商品;第二确定模块,被配置成根据各个层级的特征向量和理想商品模型,确定与各个层级的特征向量对应的各个层级的商品相似度作为各个层级的商品特征,其中,商品相似度为表征各个层级的商品类别与理想商品的接近程度。
在一些实施例中,特征确定单元,包括:第二选取模块,被配置成根据与各个层级的商品信息对应的直播信息,选取与直播信息对应的各个层级的用户行为信息,其中,用户行为信息包括用户静态信息和用户动态信息;第三确定模块,被配置成根据用户评价方法,对各个层级的用户静态信息和相应层级的用户动态信息进行分析,确定各个层级的用户质量特征作为各个层级的用户特征,其中,用户评价方法用于表征基于用户的购买历史、用户的停留时长和用户的消费能力中的至少一种进行用户的评价。
在一些实施例中,第一生成单元中的商品与主播适应性分类模型利用深度学习算法,通过训练而得到。
在一些实施例中,装置还包括:列表确定单元,被配置成根据各个层级的不同类别的商品列表,确定与商品分析请求对应的目标列表;第二生成单元,被配置成根据目标列表,生成与目标列表对应的商品备选方案。
在一些实施例中,装置还包括:判断单元,被配置成对主播的特征标签进行判断;更新单元,被配置成响应于主播的特征标签表征主播的综合评分低于其他主播综合评分的平均值,将目标列表中排序最后的商品信息替换为从数据库中选取得到的商品信息,生成更新后的目标列表。
根据本申请的第三方面,提供了一种电子设备,包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行如第一方面中任一实现方式描述的方法。
根据本申请的第四方面,本申请提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,计算机指令用于使计算机执行如第一方面中任一实现方式描述的方法。
根据本申请的技术通过根据历史商品的起始播出时间点和历史商品的结束播出时间点,对历史商品信息进行划分,生成各个层级的商品信息,对各个层级的商品信息和与相应层级的商品信息对应的直播信息进行分析,确定各个层级的各类特征,根据各个层级的主播特征、商品特征和用户特征中的至少两项,利用商品与主播适应性分类模型,对库中商品进行选取,生成各个层级的不同类别的商品列表,解决了现有技术中主播主观选取商品使商品产生较大的波动,并且在商品的选取过程中需要花费大量的时间和资源的问题,通过分级进行数据处理使复杂问题转化为多目标问题,简化了分析过程,提高了系统执行效率;通过考虑主播的引导性以及用户的个性化需求,实现为直播卖货的主播提供高适应性的个性化的商品列表。
应当理解,本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征,也不用于限制本申请的范围。本申请的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本申请的限定。
图1是根据本申请的用于分析信息的方法的第一实施例的示意图;
图2是可以实现本申请实施例的用于分析信息的方法的场景图;
图3是根据本申请的用于分析信息的方法的第二实施例的示意图;
图4是根据本申请的用于分析信息的装置的一个实施例的结构示意图;
图5是用来实现本申请实施例的用于分析信息的方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明,其中包括本申请实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本申请的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了根据本申请的用于分析信息的方法的第一实施例的示意图100。该用于分析信息的方法,包括以下步骤:
步骤101,响应于接收到商品分析请求,获取与商品分析请求对应的历史商品信息和与历史商品信息对应的直播信息。
在本实施例中,当执行主体接收到商品分析请求后,可以通过有线连接方式或者无线连接方式从其他电子设备或者本地获取与商品分析请求对应的历史商品信息和与历史商品信息对应的直播信息。其中,历史商品信息可以包括历史商品的起始播出时间点和历史商品的结束播出时间点。历史商品信息可以表征主播销售过的历史商品的信息,直播信息可以表征主播在直播过程中的录制信息,直播信息可以包括用户行为信息。
步骤102,根据历史商品的起始播出时间点和历史商品的结束播出时间点,对历史商品信息进行划分,生成各个层级的商品信息。
在本实施例中,执行主体可以根据历史商品的起始播出时间点和历史商品的结束播出时间点,根据预设的播出时长对历史商品信息进行划分,生成不同播出时长的各个层级的商品信息。
步骤103,对各个层级的商品信息和与相应层级的商品信息对应的直播信息进行分析,确定各个层级的各类特征。
在本实施例中,执行主体可以利用分析算法,对各个层级的商品信息和与相应层级的商品信息对应的直播信息进行分析,确定各个层级的各类特征。各类特征包括:主播特征、商品特征和用户特征中的至少两项,用户特征用于表征访问过主播的直播平台的人员的特征。
在本实施例的一些可选的实现方式中,对各个层级的商品信息进行分析,确定各个层级的商品特征,包括:根据商品类别选取方法和各个层级的商品信息,确定各个层级的商品类别,并生成与各个层级的商品类别对应的各个层级的商品特征向量,其中,商品类别选取方法用于表征选取商品的推销频次最高的多类商品;根据各个层级的特征向量和理想商品模型,确定与各个层级的特征向量对应的各个层级的商品相似度作为各个层级的商品特征,其中,商品相似度为表征各个层级的商品类别与理想商品的接近程度。利用主播的理想商品模型对商品相似度特征进行判断,使提供的商品列表更加接近主播的理想商品。
在本实施例的一些可选的实现方式中,对各个层级的商品信息进行分析,确定各个层级的主播特征,包括:根据商品评价指标的权重和各个层级的商品信息,对主播各个层级的商品信息进行评分,生成与各个层级的商品信息对应的各个层级的评分;并根据各个层级的评分,确定主播的综合评分;基于主播的综合评分与其他主播综合评分的对比结果,对主播进行特征标记,生成与对比结果对应的主播的特征标签作为各个层级的主播特征。其中,商品评价指标包括:商品的销售量、商品的观看人数和商品的曝光率;主播的特征标签可以为0或1,当主播的特征标签为0时表征主播的综合评分低于其他主播综合评分的平均值,当主播的特征标签为1时表征主播的综合评分不低于其他主播综合评分的平均值。通过判断主播自身特征,生成针对于该主播的商品列表。
在本实施例的一些可选的实现方式中,对与各个层级的商品信息对应的直播信息进行分析,确定各个层级的用户特征,包括:根据与各个层级的商品信息对应的直播信息,选取与直播信息对应的各个层级的用户行为信息,其中,用户行为信息包括用户静态信息和用户动态信息;根据用户评价方法,对各个层级的用户静态信息和相应层级的用户动态信息进行分析,确定各个层级的用户质量特征作为各个层级的用户特征,其中,用户评价方法用于表征基于用户的购买历史、用户的停留时长和用户的消费能力中的至少一种进行用户的评价。用户静态信息可以包括用户消费等级、用户消费平均周期、用户性别、年龄、地域等信息。用户动态信息可以包括用户平台内的浏览、消费、查询、评论、点赞和添加购物车等信息。将用户质量特征作为用户特征进行商品列表的选取,从用户角度出发,提高了商品销售效果和用户观看体验。
步骤104,根据各个层级的主播特征、商品特征和用户特征中的至少两项,利用商品与主播适应性分类模型,对库中商品进行选取,生成各个层级的不同类别的商品列表。
在本实施例中,执行主体可以根据各个层级的主播特征、商品特征和用户特征,分别将库中商品输入商品与主播适应性分类模型,对库中商品进行判定,最后选取生成各个层级的不同类别的商品列表。商品与主播适应性分类模型用于表征基于商品与主播的适应性强弱判定结果对商品进行分类,适应性强弱的判定结果包括:适应性强、适应性中和适应性弱。商品与主播适应性分类模型可以基于K近邻,分类回归决策树,朴素贝叶斯,基于核方法的支持向量机,神经网络等构建。
继续参见图2,本实施例的用于分析信息的方法200运行于电子设备201中。电子设备201首先响应于接收到商品分析请求,获取与商品分析请求对应的历史商品信息和与历史商品信息对应的直播信息202,然后电子设备201根据历史商品的起始播出时间点和历史商品的结束播出时间点,对历史商品信息进行划分,生成各个层级的商品信息203,接着电子设备201对各个层级的商品信息和与相应层级的商品信息对应的直播信息进行分析,确定各个层级的各类特征204,最后电子设备201根据各个层级的各类特征,利用商品与主播适应性分类模型,对库中商品进行选取,生成各个层级的不同类别的商品列表205。
本申请的上述实施例提供的用于分析信息的方法通过根据历史商品的起始播出时间点和历史商品的结束播出时间点,对历史商品信息进行划分,生成各个层级的商品信息,对各个层级的商品信息和与相应层级的商品信息对应的直播信息进行分析,确定各个层级的各类特征,根据各个层级的主播特征、商品特征和用户特征中的至少两项,利用商品与主播适应性分类模型,对库中商品进行选取,生成各个层级的不同类别的商品列表,解决了现有技术中主播主观选取商品使商品产生较大的波动,并且在商品的选取过程中需要花费大量的时间和资源的问题,通过分级进行数据处理使复杂问题转化为多目标问题,简化了分析过程,提高了系统执行效率;通过考虑主播的引导性以及用户的个性化需求,实现为直播卖货的主播提供高适应性的个性化的商品列表。
进一步参考图3,其示出了用于分析信息的方法的第二实施例的示意图300。该方法的流程包括以下步骤:
步骤301,响应于接收到商品分析请求,获取与商品分析请求对应的历史商品信息和与历史商品信息对应的直播信息。
步骤302,根据历史商品的起始播出时间点和历史商品的结束播出时间点,对历史商品信息进行划分,生成各个层级的商品信息。
在本实施例的一些可选的实现方式中,根据历史商品的起始播出时间点和历史商品的结束播出时间点,对历史商品信息进行划分,生成各个层级的商品信息,包括:根据历史商品的起始播出时间点、历史商品的结束播出时间点和直播信息,利用情绪曲线分层法对历史商品信息进行划分,生成各个层级的商品信息,其中,情绪曲线分层法用于表征基于直播信息中用户最高情绪值分析结果对商品进行划分。例如,依照时长比例将实际推销阶段划分为三个层级,各层级时长比为2:2:3,其中一级分类商品记为Ai(i表示一级分类的第i个商品),二级分类商品记为Bj(j表示二级分类的第j个商品),三级分类为Ck(k表示三级分类的第k个商品),若出现跨层级商品,均记为前一层级。该分级方法从影视作品的角度出发,更加精细的进行商品信息的层级划分。
步骤303,对各个层级的商品信息和与相应层级的商品信息对应的直播信息进行分析,确定各个层级的各类特征。
在本实施例的一些可选的实现方式中,对各个层级的商品信息和与各个层级的商品信息对应的直播信息进行分析,确定各个层级的各类特征,包括:根据各个层级选取的不同的商品类别,计算各个商品类别的偏好程度,生成与各个层级选取的商品类别对应的用户偏好商品表;根据用户偏好商品表,对各个商品类别进行匹配,确定与商品类别对应的布尔量偏好特征值,其中,布尔量偏好特征值用于表征用户偏好商品表中是否有当前商品类别及当前商品类别在各个商品类别中的排名。通过考虑用户画像特征,进一步提高了商品销售效果和用户观看体验。
在本实施例的一些可选的实现方式中,对各个层级的商品信息和与各个层级的商品信息对应的直播信息进行分析,确定各个层级的各类特征,包括:根据主播的历史商品信息,针对各层级商品进行商品类别的选取,得到各层级中选定的各个商品类别信息、各层级中的与选定的各个商品类别信息对应的该类商品的价位和各层级中的未选定的商品的价位;根据各层级中的与选定的各个商品类别信息对应的该类商品的价位和各层级中的未选定的商品的价位,计算得到主播的一组特征向量;并根据主播的历史商品信息,对各层级中选定的各个商品类别信息进行分析,确定各个层级中用户偏好的商品类别及各个用户偏好的商品类别对应的偏好权重;根据主播的一组特征向量和各个用户偏好的商品类别对应的偏好权重,确定与特征向量对应的商品相似度。通过对商品相似度特征进行判断,使提供的商品列表更加接近主播的理想商品信息。
例如,主播对某品类商品的偏好权重Wa(偏好权重指该主播对于某类商品品类的喜好程度)通过直播外的推销行为体现。权重范围为[0,100],主播在该层级内的销售和评论等操作均有对应的偏好权重加分。例如食品,主播每在该层级时间段内推销一种食品,偏好程度加1;每与用户分享一次食品类别商品动态,偏好程度加5。偏好权重影响品类的推销频次,Δm=Wa×ξ,其中Δm为频次增量,ξ为比例系数。
根据主播直播历史记录,累加频次增量后,按推销频次从大到小排列商品品类,提取各层级推销频次最高的商品类别,每个层级取前三类,例如日化(2)、食品(4)、美妆(1)共计三类,其中2、4、1为商品品类在总体历史记录频次排名中的序号,日化为A层级推销频次最高的产品,以此类推。将这三类商品的价位与该层级其他商品的价位加权平均记为加权特征价位。作为理想商品模型,该理想商品的四维特征向量依次为品类1序号,品类2序号,品类3序号以及加权特征价位,作为相似程度的判定标准。
理想商品部分属性会随着事件(品类、价格变动等)推移和衰减,本文会对属性标签设立衰减函数,在平台内操作一次,修正权重为W权=W×e-z(t-ts)。W为操作权重,z为衰减速度,t-ts为当前时间与操作时间的差值。以更换商品品类为例,某促销活动期间,主播在A层级高频推销的产品冰糖芦荟从食品类转变为美妆类,则更改品类这一操作影响pl2、pr属性,未受影响的属性权重则为1,从而修正了理想商品的部分属性。
步骤304,根据各个层级的主播特征、商品特征和用户特征中的至少两项,利用商品与主播适应性分类模型,对库中商品进行选取,生成各个层级的不同类别的商品列表。
在本实施例中,执行主体可以根据各个层级的主播特征、商品特征和用户特征,利用训练得到的商品与主播适应性分类模型,对库中商品进行选取,生成各个层级的不同类别的商品列表。商品与主播适应性分类模型用于表征基于商品与主播的适应性强弱判定结果对商品进行分类。商品与主播适应性分类模型利用深度学习算法,通过训练而得到。
步骤305,根据各个层级的不同类别的商品列表,确定与商品分析请求对应的目标列表。
在本实施例中,执行主体可以根据各个层级的不同类别的商品列表,对各个商品列表进行选取,基于选取的商品信息确定最终的与商品分析请求对应的目标列表。
在本实施例的一些可选的实现方式中,方法还包括:对主播的特征标签进行判断;响应于主播的特征标签表征主播的综合评分低于其他主播综合评分的平均值,将目标列表中排序最后的商品信息替换为从数据库中选取得到的商品信息,生成更新后的目标列表。比如,当判定主播的特征标签为0(即表征主播的综合评分低于其他主播综合评分的平均值),剔除商品相似度最低的产品,根据斯塔克尔伯格模型,采用追随策略,遍历平台销量推荐榜,从中挑选适应性最高的商品替换为重点商品并重排其余商品。从主播特征角度,为主播配置更加适合的商品列表。
在本实施例的一些可选的实现方式中,还包括:根据目标列表,生成与目标列表对应的商品备选方案。基于商品的备选方案为主播提供各种精准的个性化服务。
在本实施例中,步骤301~303的具体操作与图1所示的实施例中的步骤101~103的操作基本相同,在此不再赘述。
从图3中可以看出,与图1对应的实施例相比,本实施例中的用于分析信息的方法的示意图300采用根据各个层级的主播特征、商品特征和用户特征中的至少两项,利用训练得到的商品与主播适应性分类模型,对库中商品进行选取,生成各个层级的不同类别的商品列表,根据各个层级的不同类别的商品列表,确定与商品分析请求对应的目标列表。利用深度学习技术后,商品与主播适应性分类模型可适用的范围更加广泛,使得经商品与主播适应性分类模型得到的最终商品的目标列表更加精准。
进一步参考图4,作为对上述各图所示方法的实现,本申请提供了一种用于分析信息的装置的一个实施例,该装置实施例与图1所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图4所示,本实施例的用于分析信息的装置400包括:获取单元401、分级单元402、特征确定单元403和第一生成单元404,其中,获取单元,被配置成响应于接收到商品分析请求,获取与商品分析请求对应的历史商品信息和与历史商品信息对应的直播信息,其中,历史商品信息用于表征主播销售过的历史商品的信息,直播信息用于表征主播在直播过程中的录制信息,历史商品信息包括历史商品的起始播出时间点和历史商品的结束播出时间点;分级单元,被配置成根据历史商品的起始播出时间点和历史商品的结束播出时间点,对历史商品信息进行划分,生成各个层级的商品信息;特征确定单元,被配置成对各个层级的商品信息和与相应层级的商品信息对应的直播信息进行分析,确定各个层级的各类特征,其中,各类特征包括:主播特征、商品特征和用户特征中的至少两项,用户特征用于表征访问过主播的直播平台的人员的特征;第一生成单元,被配置成根据各个层级的主播特征、商品特征和用户特征中的至少两项,利用商品与主播适应性分类模型,对库中商品进行选取,生成各个层级的不同类别的商品列表,其中,商品与主播适应性分类模型用于表征基于商品与主播的适应性强弱判定结果对商品进行分类。
在本实施例中,用于分析信息的装置400的获取单元401、分级单元402、特征确定单元403和第一生成单元404的具体处理及其所带来的技术效果可分别参考图1对应的实施例中的步骤101到步骤104的相关说明,在此不再赘述。
在本实施例的一些可选的实现方式中,分级单元进一步被配置成根据历史商品的起始播出时间点、历史商品的结束播出时间点和直播信息,利用情绪曲线分层法对历史商品信息进行划分,生成各个层级的商品信息,其中,情绪曲线分层法用于表征基于直播信息中用户最高情绪值分析结果对商品进行划分。
在本实施例的一些可选的实现方式中,特征确定单元,包括:评分模块,被配置成根据商品评价指标的权重和各个层级的商品信息,对主播各个层级的商品信息进行评分,生成与各个层级的商品信息对应的各个层级的评分;并根据各个层级的评分,确定主播的综合评分;第一确定模块,被配置成基于主播的综合评分与其他主播综合评分的对比结果,对主播进行特征标记,生成与对比结果对应的主播的特征标签作为各个层级的主播特征。
在本实施例的一些可选的实现方式中,特征确定单元,包括:第一选取模块,被配置成根据商品类别选取方法和各个层级的商品信息,确定各个层级的商品类别,并生成与各个层级的商品类别对应的各个层级的商品特征向量,其中,商品类别选取方法用于表征选取商品的推销频次最高的多类商品;第二确定模块,被配置成根据各个层级的特征向量和理想商品模型,确定与各个层级的特征向量对应的各个层级的商品相似度作为各个层级的商品特征,其中,商品相似度为表征各个层级的商品类别与理想商品的接近程度。
在本实施例的一些可选的实现方式中,特征确定单元,包括:第二选取模块,被配置成根据与各个层级的商品信息对应的直播信息,选取与直播信息对应的各个层级的用户行为信息,其中,用户行为信息包括用户静态信息和用户动态信息;第三确定模块,被配置成根据用户评价方法,对各个层级的用户静态信息和相应层级的用户动态信息进行分析,确定各个层级的用户质量特征作为各个层级的用户特征,其中,用户评价方法用于表征基于用户的购买历史、用户的停留时长和用户的消费能力中的至少一种进行用户的评价。
在本实施例的一些可选的实现方式中,第一生成单元中的商品与主播适应性分类模型利用深度学习算法,通过训练而得到。
在本实施例的一些可选的实现方式中,装置还包括:列表确定单元,被配置成根据各个层级的不同类别的商品列表,确定与商品分析请求对应的目标列表;第二生成单元,被配置成根据目标列表,生成与目标列表对应的商品备选方案。
在本实施例的一些可选的实现方式中,装置还包括:判断单元,被配置成对主播的特征标签进行判断;更新单元,被配置成响应于主播的特征标签表征主播的综合评分低于其他主播综合评分的平均值,将目标列表中排序最后的商品信息替换为从数据库中选取得到的商品信息,生成更新后的目标列表。
根据本申请的实施例,本申请还提供了一种电子设备和一种可读存储介质。
如图5所示,是根据本申请实施例的用于分析信息的方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图5所示,该电子设备包括:一个或多个处理器501、存储器502,以及用于连接各部件的接口,包括高速接口和低速接口。各个部件利用不同的总线互相连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个电子设备,各个设备提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图5中以一个处理器501为例。
存储器502即为本申请所提供的非瞬时计算机可读存储介质。其中,存储器存储有可由至少一个处理器执行的指令,以使至少一个处理器执行本申请所提供的用于分析信息的方法。本申请的非瞬时计算机可读存储介质存储计算机指令,该计算机指令用于使计算机执行本申请所提供的用于分析信息的方法。
存储器502作为一种非瞬时计算机可读存储介质,可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块,如本申请实施例中的用于分析信息的方法对应的程序指令/模块(例如,附图4所示的获取单元401、分级单元402、特征确定单元403和第一生成单元404)。处理器501通过运行存储在存储器502中的非瞬时软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例中的用于分析信息的方法。
存储器502可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据用于分析信息的电子设备的使用所创建的数据等。此外,存储器502可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中,存储器502可选包括相对于处理器501远程设置的存储器,这些远程存储器可以通过网络连接至用于分析信息的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
用于分析信息的方法的电子设备还可以包括:输入装置503和输出装置504。处理器501、存储器502、输入装置503和输出装置504可以通过总线或者其他方式连接,图5中以通过总线连接为例。
输入装置503可接收输入的数字或字符信息,以及产生与用于分析信息的电子设备的用户设置以及功能控制有关的键信号输入,例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置504可以包括显示设备、辅助照明装置(例如,LED)和触觉反馈装置(例如,振动电机)等。该显示设备可以包括但不限于,液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中,显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令,并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的,术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如,磁盘、光盘、存储器、可编程逻辑装置(PLD)),包括,接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
根据本申请实施例的技术方案,通过根据历史商品的起始播出时间点和历史商品的结束播出时间点,对历史商品信息进行划分,生成各个层级的商品信息,对各个层级的商品信息和与相应层级的商品信息对应的直播信息进行分析,确定各个层级的各类特征,根据各个层级的主播特征、商品特征和用户特征中的至少两项,利用商品与主播适应性分类模型,对库中商品进行选取,生成各个层级的不同类别的商品列表,解决了现有技术中主播主观选取商品使商品产生较大的波动,并且在商品的选取过程中需要花费大量的时间和资源的问题,通过分级进行数据处理使复杂问题转化为多目标问题,简化了分析过程,提高了系统执行效率;通过考虑主播的引导性以及用户的个性化需求,实现为直播卖货的主播提供高适应性的个性化的商品列表。采用根据各个层级的主播特征、商品特征和用户特征中的至少两项,利用训练得到的商品与主播适应性分类模型,对库中商品进行选取,生成各个层级的不同类别的商品列表,根据各个层级的不同类别的商品列表,确定与商品分析请求对应的目标列表。利用深度学习技术后,商品与主播适应性分类模型可适用的范围更加广泛,使得经商品与主播适应性分类模型得到的最终商品的目标列表更加精准。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本申请公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本申请保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等,均应包含在本申请保护范围之内。
Claims (18)
1.一种用于分析信息的方法,所述方法包括:
响应于接收到商品分析请求,获取与所述商品分析请求对应的历史商品信息和与所述历史商品信息对应的直播信息,其中,所述历史商品信息用于表征主播销售过的历史商品的信息,所述直播信息用于表征所述主播在直播过程中的录制信息,所述历史商品信息包括历史商品的起始播出时间点和历史商品的结束播出时间点;
根据所述历史商品的起始播出时间点和所述历史商品的结束播出时间点,对所述历史商品信息进行划分,生成各个层级的商品信息;
对各个层级的商品信息和与相应层级的商品信息对应的直播信息进行分析,确定各个层级的各类特征,其中,所述各类特征包括:所述主播特征、所述商品特征和用户特征中的至少两项,所述用户特征用于表征访问过所述主播的直播平台的人员的特征;
根据各个层级的所述主播特征、所述商品特征和所述用户特征中的至少两项,利用商品与主播适应性分类模型,对库中商品进行选取,生成各个层级的不同类别的商品列表,其中,所述商品与主播适应性分类模型用于表征基于商品与主播的适应性强弱判定结果对商品进行分类。
2.根据权利要求1所述的方法,其中,所述根据所述历史商品的起始播出时间点和所述历史商品的结束播出时间点,对所述历史商品信息进行划分,生成各个层级的商品信息,包括:
根据所述历史商品的起始播出时间点、所述历史商品的结束播出时间点和所述直播信息,利用情绪曲线分层法对所述历史商品信息进行划分,生成各个层级的商品信息,其中,所述情绪曲线分层法用于表征基于所述直播信息中用户最高情绪值分析结果对商品进行划分。
3.根据权利要求1所述的方法,其中,所述对各个层级的商品信息进行分析,确定各个层级的所述主播特征,包括:
根据商品评价指标的权重和各个层级的商品信息,对所述主播各个层级的商品信息进行评分,生成与各个层级的商品信息对应的各个层级的评分;并根据所述各个层级的评分,确定所述主播的综合评分;
基于所述主播的综合评分与其他主播综合评分的对比结果,对所述主播进行特征标记,生成与所述对比结果对应的所述主播的特征标签作为各个层级的所述主播特征。
4.根据权利要求1所述的方法,其中,所述对各个层级的商品信息进行分析,确定各个层级的所述商品特征,包括:
根据商品类别选取方法和各个层级的商品信息,确定各个层级的商品类别,并生成与各个层级的商品类别对应的各个层级的商品特征向量,其中,所述商品类别选取方法用于表征选取商品的推销频次最高的多类商品;
根据各个层级的特征向量和理想商品模型,确定与各个层级的特征向量对应的各个层级的商品相似度作为各个层级的所述商品特征,其中,所述商品相似度为表征各个层级的商品类别与理想商品的接近程度。
5.根据权利要求1所述的方法,其中,所述对与各个层级的商品信息对应的直播信息进行分析,确定各个层级的所述用户特征,包括:
根据与各个层级的商品信息对应的直播信息,选取与所述直播信息对应的各个层级的用户行为信息,其中,所述用户行为信息包括用户静态信息和用户动态信息;
根据用户评价方法,对各个层级的用户静态信息和相应层级的用户动态信息进行分析,确定各个层级的所述用户质量特征作为各个层级的所述用户特征,其中,所述用户评价方法用于表征基于用户的购买历史、用户的停留时长和用户的消费能力中的至少一种进行用户的评价。
6.根据权利要求1所述的方法,其中,所述商品与主播适应性分类模型利用深度学习算法,通过训练而得到。
7.根据权利要求3所述的方法,还包括:
根据各个层级的不同类别的商品列表,确定与所述商品分析请求对应的目标列表;
根据所述目标列表,生成与所述目标列表对应的商品备选方案。
8.根据权利要求7所述的方法,还包括:
对所述主播的特征标签进行判断;
响应于所述主播的特征标签表征所述主播的综合评分低于其他主播综合评分的平均值,将所述目标列表中排序最后的商品信息替换为从数据库中选取得到的商品信息,生成更新后的所述目标列表。
9.一种用于分析信息的装置,所述装置包括:
获取单元,被配置成响应于接收到商品分析请求,获取与所述商品分析请求对应的历史商品信息和与所述历史商品信息对应的直播信息,其中,所述历史商品信息用于表征主播销售过的历史商品的信息,所述直播信息用于表征所述主播在直播过程中的录制信息,所述历史商品信息包括历史商品的起始播出时间点和历史商品的结束播出时间点;
分级单元,被配置成根据所述历史商品的起始播出时间点和所述历史商品的结束播出时间点,对所述历史商品信息进行划分,生成各个层级的商品信息;
特征确定单元,被配置成对各个层级的商品信息和与相应层级的商品信息对应的直播信息进行分析,确定各个层级的各类特征,其中,所述各类特征包括:所述主播特征、所述商品特征和用户特征中的至少两项,所述用户特征用于表征访问过所述主播的直播平台的人员的特征;
第一生成单元,被配置成根据各个层级的所述主播特征、所述商品特征和所述用户特征中的至少两项,利用商品与主播适应性分类模型,对库中商品进行选取,生成各个层级的不同类别的商品列表,其中,所述商品与主播适应性分类模型用于表征基于商品与主播的适应性强弱判定结果对商品进行分类。
10.根据权利要求9所述的装置,其中,所述分级单元进一步被配置成根据所述历史商品的起始播出时间点、所述历史商品的结束播出时间点和所述直播信息,利用情绪曲线分层法对所述历史商品信息进行划分,生成各个层级的商品信息,其中,所述情绪曲线分层法用于表征基于所述直播信息中用户最高情绪值分析结果对商品进行划分。
11.根据权利要求9所述的装置,其中,所述特征确定单元,包括:
评分模块,被配置成根据商品评价指标的权重和各个层级的商品信息,对所述主播各个层级的商品信息进行评分,生成与各个层级的商品信息对应的各个层级的评分;并根据所述各个层级的评分,确定所述主播的综合评分;
第一确定模块,被配置成基于所述主播的综合评分与其他主播综合评分的对比结果,对所述主播进行特征标记,生成与所述对比结果对应的所述主播的特征标签作为各个层级的所述主播特征。
12.根据权利要求9所述的装置,其中,所述特征确定单元,包括:
第一选取模块,被配置成根据商品类别选取方法和各个层级的商品信息,确定各个层级的商品类别,并生成与各个层级的商品类别对应的各个层级的商品特征向量,其中,所述商品类别选取方法用于表征选取商品的推销频次最高的多类商品;
第二确定模块,被配置成根据各个层级的特征向量和理想商品模型,确定与各个层级的特征向量对应的各个层级的商品相似度作为各个层级的所述商品特征,其中,所述商品相似度为表征各个层级的商品类别与理想商品的接近程度。
13.根据权利要求9所述的装置,其中,所述特征确定单元,包括:
第二选取模块,被配置成根据与各个层级的商品信息对应的直播信息,选取与所述直播信息对应的各个层级的用户行为信息,其中,所述用户行为信息包括用户静态信息和用户动态信息;
第三确定模块,被配置成根据用户评价方法,对各个层级的用户静态信息和相应层级的用户动态信息进行分析,确定各个层级的所述用户质量特征作为各个层级的所述用户特征,其中,所述用户评价方法用于表征基于用户的购买历史、用户的停留时长和用户的消费能力中的至少一种进行用户的评价。
14.根据权利要求9所述的装置,其中,所述第一生成单元中的所述商品与主播适应性分类模型利用深度学习算法,通过训练而得到。
15.根据权利要求11所述的装置,还包括:
列表确定单元,被配置成根据各个层级的不同类别的商品列表,确定与所述商品分析请求对应的目标列表;
第二生成单元,被配置成根据所述目标列表,生成与所述目标列表对应的商品备选方案。
16.根据权利要求15所述的装置,还包括:
判断单元,被配置成对所述主播的特征标签进行判断;
更新单元,被配置成响应于所述主播的特征标签表征所述主播的综合评分低于其他主播综合评分的平均值,将所述目标列表中排序最后的商品信息替换为从数据库中选取得到的商品信息,生成更新后的所述目标列表。
17.一种电子设备,其特征在于,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-8中任一项所述的方法。
18.一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,所述计算机指令用于使所述计算机执行权利要求1-8中任一项所述的方法。
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010618819.XA CN113763072B (zh) | 2020-07-01 | 2020-07-01 | 用于分析信息的方法和装置 |
PCT/CN2021/091270 WO2022001349A1 (zh) | 2020-07-01 | 2021-04-30 | 用于分析信息的方法和装置 |
JP2022567820A JP2023525747A (ja) | 2020-07-01 | 2021-04-30 | 情報を分析するための方法及び装置 |
KR1020237001840A KR20230025459A (ko) | 2020-07-01 | 2021-04-30 | 정보 분석을 위한 방법 및 장치 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010618819.XA CN113763072B (zh) | 2020-07-01 | 2020-07-01 | 用于分析信息的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113763072A true CN113763072A (zh) | 2021-12-07 |
CN113763072B CN113763072B (zh) | 2023-09-22 |
Family
ID=78785421
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010618819.XA Active CN113763072B (zh) | 2020-07-01 | 2020-07-01 | 用于分析信息的方法和装置 |
Country Status (4)
Country | Link |
---|---|
JP (1) | JP2023525747A (zh) |
KR (1) | KR20230025459A (zh) |
CN (1) | CN113763072B (zh) |
WO (1) | WO2022001349A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117314591A (zh) * | 2023-11-29 | 2023-12-29 | 武汉商学院 | 一种农产品直播销售主播匹配推荐方法 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116502944A (zh) * | 2023-04-10 | 2023-07-28 | 好易购家庭购物有限公司 | 一种基于大数据分析的直播带货质量评价的方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013149430A1 (zh) * | 2012-04-01 | 2013-10-10 | 中兴通讯股份有限公司 | 属性设置方法及装置 |
US20170098170A1 (en) * | 2015-10-06 | 2017-04-06 | International Business Machines Corporation | Trading goods based on image processing for interest, emotion and affinity detection |
CN109104639A (zh) * | 2017-06-20 | 2018-12-28 | 阿里巴巴集团控股有限公司 | 直播系统、确定直播视频主题的方法、装置以及电子设备 |
CN109951724A (zh) * | 2017-12-20 | 2019-06-28 | 阿里巴巴集团控股有限公司 | 直播推荐方法、主播推荐模型训练方法及相关设备 |
WO2019174395A1 (zh) * | 2018-03-13 | 2019-09-19 | 阿里巴巴集团控股有限公司 | 一种信息推荐的方法、装置及设备 |
CN110599306A (zh) * | 2019-09-16 | 2019-12-20 | 腾讯科技(深圳)有限公司 | 商品推荐方法、交易记录存储方法、装置以及计算机设备 |
CN110830812A (zh) * | 2019-10-31 | 2020-02-21 | 广州市网星信息技术有限公司 | 相似主播分类模型训练方法、主播推荐方法及相关装置 |
CN110996110A (zh) * | 2019-12-02 | 2020-04-10 | 深圳市云积分科技有限公司 | 一种直播过程中的商品调整方法和装置 |
US20200128286A1 (en) * | 2018-10-17 | 2020-04-23 | International Business Machines Corporation | Live streaming social interaction to trigger product search |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110503531B (zh) * | 2019-08-30 | 2022-04-19 | 中国科学技术大学 | 时序感知的动态社交场景推荐方法 |
CN111080398B (zh) * | 2019-11-19 | 2024-04-05 | 浙江大搜车软件技术有限公司 | 商品推荐方法、装置、计算机设备和存储介质 |
-
2020
- 2020-07-01 CN CN202010618819.XA patent/CN113763072B/zh active Active
-
2021
- 2021-04-30 KR KR1020237001840A patent/KR20230025459A/ko unknown
- 2021-04-30 JP JP2022567820A patent/JP2023525747A/ja active Pending
- 2021-04-30 WO PCT/CN2021/091270 patent/WO2022001349A1/zh active Application Filing
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013149430A1 (zh) * | 2012-04-01 | 2013-10-10 | 中兴通讯股份有限公司 | 属性设置方法及装置 |
US20170098170A1 (en) * | 2015-10-06 | 2017-04-06 | International Business Machines Corporation | Trading goods based on image processing for interest, emotion and affinity detection |
CN109104639A (zh) * | 2017-06-20 | 2018-12-28 | 阿里巴巴集团控股有限公司 | 直播系统、确定直播视频主题的方法、装置以及电子设备 |
CN109951724A (zh) * | 2017-12-20 | 2019-06-28 | 阿里巴巴集团控股有限公司 | 直播推荐方法、主播推荐模型训练方法及相关设备 |
WO2019174395A1 (zh) * | 2018-03-13 | 2019-09-19 | 阿里巴巴集团控股有限公司 | 一种信息推荐的方法、装置及设备 |
US20200128286A1 (en) * | 2018-10-17 | 2020-04-23 | International Business Machines Corporation | Live streaming social interaction to trigger product search |
CN110599306A (zh) * | 2019-09-16 | 2019-12-20 | 腾讯科技(深圳)有限公司 | 商品推荐方法、交易记录存储方法、装置以及计算机设备 |
CN110830812A (zh) * | 2019-10-31 | 2020-02-21 | 广州市网星信息技术有限公司 | 相似主播分类模型训练方法、主播推荐方法及相关装置 |
CN110996110A (zh) * | 2019-12-02 | 2020-04-10 | 深圳市云积分科技有限公司 | 一种直播过程中的商品调整方法和装置 |
Non-Patent Citations (3)
Title |
---|
QI GAO: "Products recommend algorithm based on customer preference model and affective computing", 《IEEE XPLORE》 * |
周俊根: ""直播带货"多维观察", 《作文成功之路》, no. 18 * |
樊天星;: "网络电商直播:商品信息传播新时代", 新闻研究导刊, no. 09 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117314591A (zh) * | 2023-11-29 | 2023-12-29 | 武汉商学院 | 一种农产品直播销售主播匹配推荐方法 |
CN117314591B (zh) * | 2023-11-29 | 2024-02-20 | 武汉商学院 | 一种农产品直播销售主播匹配推荐方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2022001349A1 (zh) | 2022-01-06 |
KR20230025459A (ko) | 2023-02-21 |
CN113763072B (zh) | 2023-09-22 |
JP2023525747A (ja) | 2023-06-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11188831B2 (en) | Artificial intelligence system for real-time visual feedback-based refinement of query results | |
CN108230058B (zh) | 产品推荐方法及系统 | |
US10021200B2 (en) | Methods and systems for activity-based recommendations | |
US10963744B2 (en) | Cognitive automated and interactive personalized fashion designing using cognitive fashion scores and cognitive analysis of fashion trends and data | |
US9904949B1 (en) | Product recommendations | |
CN109684538A (zh) | 一种基于用户个人特征的推荐方法及推荐系统 | |
CN103678447B (zh) | 多变量交易分类 | |
CN108153792B (zh) | 一种数据处理方法和相关装置 | |
CA2655196A1 (en) | System and method for generating a display of tags | |
WO2008121884A1 (en) | Processes for calculating item distances and performing item clustering | |
US11580585B1 (en) | User-preferred item attributes | |
Rezaeinia et al. | Recommender system based on customer segmentation (RSCS) | |
CN112632403A (zh) | 推荐模型的训练方法、推荐方法、装置、设备和介质 | |
CN113763072B (zh) | 用于分析信息的方法和装置 | |
US8738459B2 (en) | Product recommendation | |
Agarwal | Decision making with association rule mining and clustering in supply chains | |
US20210090105A1 (en) | Technology opportunity mapping | |
CN116823410B (zh) | 数据处理方法、对象处理方法、推荐方法及计算设备 | |
US11887134B2 (en) | Product performance with location on page analysis | |
CN113326432A (zh) | 一种基于决策树与推荐方法的模型优选方法 | |
JP2022523634A (ja) | 個人向けの在庫管理のためのテキストデータの符号化 | |
KR20140031447A (ko) | 소비자의 성향 분류 장치 및 방법 | |
CN114330519A (zh) | 数据确定方法、装置、电子设备及存储介质 | |
Rehman et al. | Structured critical review on market basket analysis using deep learning & association rules | |
JP7184947B2 (ja) | 特定装置、特定方法及び特定プログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |