CN102800006B - 基于客户购物意图挖掘的实时商品推荐方法 - Google Patents

Abstract

本发明公开了一种基于客户购物意图挖掘的实时商品推荐方法，包括以下步骤：步骤1：构建树状的客户购物意图模型；步骤2：实时检测用户行为，识别用户意图；步骤3：实时检测用户意图变化；步骤4：跟踪用户意图变化轨迹，进行用户深层意图的推测：基于用户离散的意图，对用户深层的意图进行推测；步骤5：确定商品推荐策略；根据客户的购物意图，确定商品的推荐策略。本发明的优点：自动识别客户购物意图，进行精准的个性化推荐，提高客户满意度；自动检测客户购物意图的变化，并调整商品推荐策略。实时适应客户不断变化的兴趣；基于用户意图模型，深入挖掘客户深层购物意图，为用户提供专业化的推荐服务。

Description

基于客户购物意图挖掘的实时商品推荐方法

技术领域

本发明涉及应用于电子商务领域，尤其涉及的是一种基于客户购物意图挖掘的实时商品推荐方法。

背景技术

最接近本发明的同类技术，大致分为两类：

(1)、电子商务的购物意图研究。

(2)、电子商务的个性化推荐研究。

下面分别介绍上述两种技术及其不足之处：

(1)、电子商务的购物意图研究。

从商业的角度，研究客户选择电子商务的原因。研究的方法，是通过调查问卷、访谈等，对调研数据进行统计分析，并得到结论。例如，相关文献通过调查、访谈等研究方法，把电子商务的购物意图，划分为12类。此研究的内容，是一种商业现象，并分析这种商业现象的成因。当前的研究过于简单，流于表面化，对电子商务购物意图深层次的内容，几乎没有涉及。例如：电子商务的意图识别、意图分析、意图推理、意图模型、意图挖掘、意图跳转、意图偏离等深层次内容，当前研究几乎没有涉及。而且，当前研究没有涉及进一步的商业应用，没有说明当前的研究有哪些具体的商业应用。

(2)、电子商务的个性化推荐研究。

电子商务的个性化推荐研究目前主要包括两种类型的推荐：一种是基于内容的个性化推荐；另外一种是基于协同过滤的个性化推荐。

基于内容的个性化推荐，有单纯基于商品信息的推荐和商品信息结合客户信息、历史行为、个人喜好等进行的推荐。单纯基于商品信息的推荐，因为商品属性很多，系统无法获取客户兴趣所在，存在较大的盲目性；结合用户历史行为，喜好等的推荐，由于客户的历史行为无法准确反映客户实时的购物意图，同样不适合客户即时购物过程中的推荐。

目前很多电子商务网站，采用基于协同过滤的个性化推荐，由于存在冷启动问题、数据稀疏等问题，所以同样不能为客户提供理想的实时推荐结果。

总之，当前的研究，无法为客户提供精准的实时推荐。理想的推荐应该迎合客户的意图。自动识别客户购物意图，进行相关推荐；实时跟踪客户购物意图的变化，智能调整推荐策略；同时跟踪客户意图跳转轨迹，基于用户意图模型对客户离散的意图进行聚合，深入挖掘客户的真正意图，并向客户推荐相关商品。为客户提供专业的推荐服务。

发明内容

本发明所要解决的技术问题是针对现有技术的不足提供一种基于客户购物意图挖掘的实时商品推荐方法。

本发明的技术方案如下：

一种基于客户购物意图挖掘的实时商品推荐方法，包括以下步骤：

步骤1：构建树状的客户购物意图模型；

步骤2：实时检测用户行为，识别用户意图；

步骤3：实时检测用户意图变化；

步骤4：跟踪用户意图变化轨迹，进行用户深层意图的推测：

基于用户离散的意图，对用户深层的意图进行推测，具体实现方式是记录用户意图变化的轨迹，分析不同意图之间的关联关系；

步骤5：确定商品推荐策略；

根据客户的购物意图，确定商品的推荐策略：

(a).如果获取的是客户的初次购物意图，或者意图没有发生跳转，则结合用户意图和当前商品信息进行推荐：

具体实现方式是：对用户的购物意图进行分词获取主题词，对当前商品信息进行分析，获取当前商品信息中的主题词；将意图主题词和商品信息主题词进行融合，对于不重合的进行合并，对于重合的进行权重的加权累加；然后对融合的主题词做语义扩展，与网站中其他产品进行匹配，寻找最相似的产品；产品的相似度用命中的主题词及其语义扩展的累加权重进行度量；

(b).如果客户的购物意图发生跳转，并且根据意图推测方法没有获取深层意图，则结合用户新的购物意图和当前产品信息进行推荐：

如果通过意图分析和比较，发现客户的购物意图发生了跳转，但是根据已有的跳转轨迹没有获取深层次意图；对应于用户意图模型，用户的各个离散的意图之间没有直接的共同父结点；或者有共同的父结点，但是父结点已经标识的字节点比例较低；以上两种情况下均不做用户深层意图的推测，根据当前的用户购物意图推荐相关的产品；

(c).如果用户意图发生跳转，并且获取了用户深层次的意图，则按照一定比例分别推荐跟用户当前意图和用户深层次意图相关的产品：

如果通过意图分析和比较，发现客户的购物意图发生了跳转，并且根据跳转轨迹和意图推荐方法获取了用户深层的意图，该情况下按照一定比例分别推荐跟当前用户意图和用户深层次意图相关的产品；具体实现方式如下：假设在当前推荐位上可以推荐产品个数为x，根据意图模型，当前意图的父结点共有n个子结点，已经标注为1的为m，则结合当前意图和产品信息推荐产品个数为结合其他子结点意图推荐产品个数为其它子结点意图的选择方式为随机选取。

所述步骤2中，系统通过三种途径获取用户的购物意图，具体包括：

1)分析用户在搜索引擎中输入的内容；

2)分析用户通过多维导航获取产品的路径；

3)提取用户购买/浏览产品的共同特征；

当用户通过搜索引擎进行搜索时，对搜索内容进行分词、语义扩展得到特征向量，将特征向量与意图模型中的结点进行匹配，将匹配的结点及其各层父结点标识为1；

当用户通过多为导航获取所需商品时，记录用户导航的完整路径，对路径信息进行基于语义的分析，将所有导航信息及其语义扩展与意图模型中结点匹配，将匹配结点及其各层父结点标识为1；

在用户购买/浏览的过程中，将用户的行为信息放入缓存，对于一定时间段内积累的缓存信息进行分析，提取共同特征，进行语义扩展，基于意图模型进行匹配，标识相应意图结点及其各层父结点。

所述的步骤3中，系统实时检查用户的意图，将每次获取的历史信息进行记录，每次获取用户意图后，都会与用户之前的意图进行比较；具体实现方式是对两次意图向量基于电子商务领域语义字典进行比较，如果语义完全相同，则认为用户意图没有变化，否则认为用户意图发生了变化。

本发明的优点：

(a).自动识别客户购物意图，进行精准的个性化推荐，提高客户满意度；

根据客户的搜索特征向量、多维导航路径、用户购买/浏览的产品信息，自动识别客户的购物意图，了解客户真正感兴趣的商品属性，从而进行相关商品的推荐，推荐结果更加精准。同时客户的购物意图与客户的购物满意度之间，存在着正相关的关系。识别客户的购物意图，并根据客户的购物意图向客户推荐相关的商品，就会提高客户的购物满意度，增强客户的粘性，培养忠诚客户。

(b).自动检测客户购物意图的变化，并调整商品推荐策略。实时适应客户不断变化的兴趣；

根据客户搜索特征向量的变化、客户关注商品类别以及购买/浏览产品信息的变化等，自动检测客户购物意图的变化，同时根据客户新的购物意图，调整推荐策略，推荐与客户最新意图相关度最高的商品。这样的商品推荐更加有针对性、更加准确、更加智能化。随着客户购物意图的变化，客户的购物意图模型通过机器学习，调整自身的参数，可以自适应客户购物意图的变化，并有针对性的向客户推荐商品。实时适应用户不断变化地购物兴趣。

(c).基于用户意图模型，深入挖掘客户深层购物意图，为用户提供专业化的推荐服务；

在树状的客户购物意图模型上面，客户的购物意图表现为一个个离散的点，每个点代表某时间段客户对某商品类别的购物意图，将这些离散的点进行聚类和深层挖掘，从而得到客户真正的购物意图，为用户提供专业化的推荐服务。

附图说明

图1基于用户购物意图推荐流程图；

图2树状的客户购物意图模型；

具体实施方式

以下结合具体实施例，对本发明进行详细说明。

Step1：构建树状的客户购物意图模型。

基于电子商务网站的分类体系，构建树形的用户意图模型，意图模型的深度以4层左右为宜。每一个用户意图模型都是电子商务网站分类体系的子部分。如图2所示，每一个结点对应一个标识0或者1，初始值均为0，用于标识用户的购物意图。当系统获取用户意图时，判断是否当前意图已经标识为1，若已经标识则意图模型不变，否则将相应意图结点及其各层父结点标识为1。说明用户有相应的购物意图。

Step2：实时检测用户行为，识别用户意图。

系统通过三种途径获取用户的购物意图，具体包括：

4)分析用户在搜索引擎中输入的内容

5)分析用户通过多维导航获取产品的路径

6)提取用户购买/浏览产品的共同特征。

当用户通过搜索引擎进行搜索时，对搜索内容进行分词、语义扩展等得到特征向量，将特征向量与意图模型中的结点进行匹配，将匹配的结点及其各层父结点标识为1。

当用户通过多为导航获取所需商品时，记录用户导航的完整路径，对路径信息进行基于语义的分析，将所有导航信息及其语义扩展与意图模型中结点匹配，将匹配结点及其各层父结点标识为1。

在用户购买/浏览的过程中，将用户的行为信息放入缓存。对于一定时间段内积累的缓存信息进行分析，提取共同特征，进行语义扩展。基于意图模型进行匹配，标识相应意图结点及其各层父结点。

step3：实时检测用户意图变化

系统实时检查用户的意图，将每次获取的历史信息进行记录，每次获取用户意图后，都会与用户之前的意图进行比较。具体实现方式是对两次意图向量基于电子商务领域语义字典进行比较。如果语义完全相同，则认为用户意图没有变化，否则认为用户意图发生了变化。

step4：跟踪用户意图变化轨迹，进行用户深层意图的推测

基于用户离散的意图，对用户深层的意图进行推测。具体实现方式是记录用户意图变化的轨迹，分析不同意图之间的关联关系，比如用户多次跳转的意图都属于意图模型中同一个父结点的子节点，并且用户已经关注的结点个数大于一定阀值(比如大于2)或者所占百分比大于一定的比例(比如大于50％，用于子结点个数较少的情况，比如总共三个子结点)，则认为用户实际上对父类的其他产品应该也有兴趣。比如用户先后从冰箱类、跳转到洗衣机类、然后是空调类，这时可以判断用户对其他大家电可能会有兴趣，比如平板电视、家庭影院等。

step5：确定商品推荐策略

根据客户的购物意图，确定商品的推荐策略。

(a).如果获取的是客户的初次购物意图，或者意图没有发生跳转，则结合用户意图和当前商品信息进行推荐。

具体实现方式是：对用户的购物意图进行分词获取主题词，对当前商品信息进行分析，获取当前商品信息中的主题词。将意图主题词和商品信息主题词进行融合，对于不重合的进行合并，对于重合的进行权重的加权累加。大部分情况下意图主题词跟产品信息主题词是重合的，至少语义上是重合的，因此能够突显用户的购物意图。然后对融合的主题词做语义扩展，与网站中其他产品进行匹配，寻找最相似的产品。产品的相似度用命中的主题词及其语义扩展的累加权重进行度量

(b).如果客户的购物意图发生跳转，并且根据我们的意图推测方法没有获取深层意图，则结合用户新的购物意图和当前产品信息进行推荐

如果通过意图分析和比较，发现客户的购物意图发生了跳转，但是根据已有的跳转轨迹没有获取深层次意图。对应于我们的用户意图模型，用户的各个离散的意图之间没有直接的共同父结点。比如用户从冰箱跳转到了加湿器，我们认为用户的购物意图之间没有关联或者关联较弱，如果进行用户意图进行推测，只能推测出用户对家用电器有兴趣，基于此进行推荐因为范围过于宽泛而没有意义。或者有共同的父结点，但是父结点已经标识的字节点比例较低，比如大家电有13个子类，目前用户只浏览过两个子类，比如从冰箱跳转到洗衣机，该情况下我们认为规律性还不够强，进行意图推测准确率可能不高。因此以上两种情况下均不做用户深层意图的推测，根据当前的用户购物意图推荐相关的产品，既推荐加湿器相关的产品。

(c).如果用户意图发生跳转，并且获取了用户深层次的意图，则按照一定比例分别推荐跟用户当前意图和用户深层次意图相关的产品。

如果通过意图分析和比较，发现客户的购物意图发生了跳转，并且根据跳转轨迹和我们的意图推荐方法获取了用户深层的意图。该情况下按照一定比例分别推荐跟当前用户意图和用户深层次意图相关的产品。具体实现方式如下：假设在当前推荐位上可以推荐产品个数为x，根据意图模型，当前意图的父结点共有n个子结点，已经标注为1的为m。则结合当前意图和产品信息推荐产品个数为)，结合其他子结点意图推荐产品个数为其它子结点意图的选择方式为随机选取。该推荐方式既考虑了用户的当前意图，又考虑了用户深层次的意图。随着用户深层意图的逐渐突显，结合用户深层次意图推荐的产品数目逐渐增加。比如用户先后浏览了大家电13个子分类中的3个跟10个的意图明显程度不同，因此推荐大家电其它产品的数量也不同。系统会自适应于深层意图的显现程度进行相应推荐策略的调整。推荐更加智能。

应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (1)

1.一种基于客户购物意图挖掘的实时商品推荐方法，其特征在于，包括以下步骤：

步骤1：构建树状的客户购物意图模型；

步骤2：实时检测用户行为，识别用户意图；

步骤3：实时检测用户意图变化；

步骤4：跟踪用户意图变化轨迹，进行用户深层意图的推测：

基于用户离散的意图，对用户深层的意图进行推测，具体实现方式是记录用户意图变化的轨迹，分析不同意图之间的关联关系；

步骤5：确定商品推荐策略；

根据客户的购物意图，确定商品的推荐策略：

(a).如果获取的是客户的初次购物意图，或者意图没有发生跳转，则结合用户意图和当前商品信息进行推荐：

具体实现方式是：对用户的购物意图进行分词获取主题词，对当前商品信息进行分析，获取当前商品信息中的主题词；将意图主题词和商品信息主题词进行融合，对于不重合的进行合并，对于重合的进行权重的加权累加；然后对融合的主题词做语义扩展，与网站中其他产品进行匹配，寻找最相似的产品；产品的相似度用命中的主题词及其语义扩展的累加权重进行度量；

(b).如果客户的购物意图发生跳转，并且根据意图推测方法没有获取深层意图，则结合用户新的购物意图和当前产品信息进行推荐：

如果通过意图分析和比较，发现客户的购物意图发生了跳转，但是根据已有的跳转轨迹没有获取深层次意图；对应于用户意图模型，用户的各个离散的意图之间没有直接的共同父结点；或者有共同的父结点，但是父结点已经标识的字节点比例较低；以上两种情况下均不做用户深层意图的推测，根据当前的用户购物意图推荐相关的产品；

(c).如果用户意图发生跳转，并且获取了用户深层次的意图，则按照一定比例分别推荐跟用户当前意图和用户深层次意图相关的产品：

如果通过意图分析和比较，发现客户的购物意图发生了跳转，并且根据跳转轨迹和意图推荐方法获取了用户深层的意图，该情况下按照一定比例分别推荐跟当前用户意图和用户深层次意图相关的产品；具体实现方式如下：假设在当前推荐位上可以推荐产品个数为x，根据意图模型，当前意图的父结点共有n个子结点，已经标注为1的为m，则结合当前意图和产品信息推荐产品个数为x×|1|m/n，结合其他子结点意图推荐产品个数为其它子结点意图的选择方式为随机选取；

所述步骤2中，系统通过三种途径获取用户的购物意图，具体包括：

分析用户在搜索引擎中输入的内容；

分析用户通过多维导航获取产品的路径；

提取用户购买/浏览产品的共同特征；

当用户通过搜索引擎进行搜索时，对搜索内容进行分词、语义扩展得到特征向量，将特征向量与意图模型中的结点进行匹配，将匹配的结点及其各层父结点标识为1；

当用户通过多为导航获取所需商品时，记录用户导航的完整路径，对路径信息进行基于语义的分析，将所有导航信息及其语义扩展与意图模型中结点匹配，将匹配结点及其各层父结点标识为1；

在用户购买/浏览的过程中，将用户的行为信息放入缓存，对于一定时间段内积累的缓存信息进行分析，提取共同特征，进行语义扩展，基于意图模型进行匹配，标识相应意图结点及其各层父结点；

所述步骤3中，系统实时检查用户的意图，将每次获取的历史信息进行记录，每次获取用户意图后，都会与用户之前的意图进行比较；具体实现方式是对两次意图向量基于电子商务领域语义字典进行比较，如果语义完全相同，则认为用户意图没有变化，否则认为用户意图发生了变化。