CN103679494A - 商品信息推荐方法及装置 - Google Patents

Abstract

本申请公开了商品信息推荐方法及装置，其中，所述方法包括：当监测到当前用户向待确认商品信息集合中添加选定商品信息时，获得该当前用户对所述选定商品信息的购买概率；其中，所述购买概率根据与待确认商品信息集合相关的用户历史操作行为信息确定；根据所述选定商品信息以及所述购买概率，确定待推荐的商品信息；将所述待推荐的商品信息返回给当前用户。通过本申请，能够提高推荐结果的有效性。

Description

商品信息推荐方法及装置

技术领域

本申请涉及网络购物技术领域，特别是涉及商品信息推荐方法及装置。

背景技术

随着电子商务的不断发展，越来越多的用户选择在网上进行购物。用户通过浏览器访问购物网站，就可以方便地选择自己所需的商品信息。在用户浏览购物网站选择商品信息的过程中，购物网站的推荐系统起着十分重要的作用，如果推荐得当，则会有很大的几率直接购买推荐系统所推荐的商品信息。一个高效的推荐系统，不仅可以方便用户使用、提高购物网站的交易量，更重要的是能够减少用户漫无目的进行的浏览、点击行为，从而减轻网站服务器的负担，节省网络带宽资源占用。

用户在浏览购物网站的过程中，在选中一件商品信息之后，如果还想选购其他的商品信息，或者还不确定是否最终要购买该商品信息，则可以通过网站提供的操作入口将该选中的商品信息暂时加入到一个待确认商品信息集合(一般俗称为“购物车”)中，在将多个商品信息都加入到购物车之后，可以进行批量付款，当然，如果最终不想购买购物车中的某商品信息，还可以将该商品信息从购物车中删除。

购物车的使用可以方便用户的操作，但是，用户在将某商品信息加入到购物车之后，如果需要选购其他商品信息，则需要重新进行浏览、搜索、挑选等等。为了缩短用户的购物路径，在用户使用购物车的过程中，购物网站的推荐系统也往往会根据加入到购物车中的商品信息向用户进行其他商品信息的推荐，将推荐结果返回在当前商品信息页面或者购物车页面中，这样，如果推荐出的商品信息恰好是用户需要选购的，则可以直接点击推荐结果，从而跳转到该推荐结果的页面，而不需要用户再反复浏览、搜索、挑选等操作，缩短购物路径。显然，推荐结果的有效性是至关重要的，盲目的推荐可能会使得推荐结果的使用率不高，浪费系统的计算资源。

发明内容

本申请提供了商品信息推荐方法及装置，能够提高推荐结果的有效性。

本申请提供了如下方案：

一种商品信息推荐方法，包括：

当监测到当前用户向待确认商品信息集合中添加选定商品信息时，获得该当前用户对所述选定商品信息的购买概率；其中，所述购买概率根据与待确认商品信息集合相关的用户历史操作行为信息确定；

根据所述选定商品信息以及所述购买概率，确定待推荐的商品信息；

将所述待推荐的商品信息返回给当前用户。

可选地，通过以下方式确定所述购买概率：

根据与待确认商品信息集合相关的用户历史操作行为信息，计算与该当前用户相关的购物犹豫度；

根据所述与该当前用户相关的购物犹豫度，确定所述购买概率；

其中，所述与所述待确认商品信息集合相关的用户历史操作行为信息包括：用户向所述待确认商品信息集合添加商品信息的次数X、用户从所述待确认商品信息集合中删除商品信息的次数Y，以及，用户购买所述待确认商品信息集合中的商品信息的次数Z；所述购物犹豫度与X、Y之和成正比，与Z成反比。

可选地，所述根据与待确认商品信息集合相关的用户操作行为信息，计算与该当前用户相关的购物犹豫度包括：

当监测到当前用户向待确认商品信息集合中添加选定商品信息时，获取与待确认商品信息集合相关的用户历史操作行为信息，并计算与该当前用户相关的购物犹豫度。

可选地，所述根据与待确认商品信息集合相关的用户操作行为信息，计算与该当前用户相关的购物犹豫度包括：

预先获取与待确认商品信息集合相关的用户历史操作行为信息，分别计算与各个用户相关的购物犹豫度信息，并保存计算结果；

当监测到当前用户向待确认商品信息集合中添加选定商品信息时，通过查询所述计算结果，获取与该当前用户相关的购物犹豫度信息。

可选地，所述根据与所述待确认商品信息集合相关的用户历史操作行为信息，计算与该当前用户相关的购物犹豫度包括：

根据该用户与所述待确认商品信息集合相关的全部历史操作行为信息，计算该当前用户的购物犹豫度；

所述根据所述与该当前用户相关的购物犹豫度，确定所述购买概率包括：

将该当前用户的购物犹豫度的反比例函数值，确定所述购买概率。

可选地，所述根据与所述待确认商品信息集合相关的用户历史操作行为信息，计算与该当前用户相关的购物犹豫度包括：

根据该当前用户在所述选定商品信息所属类目下与所述待确认商品信息集合相关的历史操作行为信息，获取该当前用户对该类目商品信息的购物犹豫度；

所述根据所述与该当前用户相关的购物犹豫度，确定所述购买概率包括：

将该当前用户对该类目商品信息的购物犹豫度的反比例函数值，确定为所述购买概率。

可选地，所述根据与所述待确认商品信息集合相关的用户历史操作行为信息，计算与该当前用户相关的购物犹豫度包括：

根据所有用户在所述选定商品信息所属类目下与所述待确认商品信息集合相关的历史操作行为信息，获取所有用户对该类目商品信息的平均购物犹豫度；

所述根据所述与该当前用户相关的购物犹豫度，确定所述购买概率包括：

将所述所有用户对该类目商品信息的平均购物犹豫度的反比例函数值，确定为所述购买概率。

可选地，所述根据与所述待确认商品信息集合相关的用户历史操作行为信息，计算与该当前用户相关的购物犹豫度包括：

根据该当前用户与所述待确认商品信息集合相关的全部历史操作行为信息，获取该当前用户的购物犹豫度；

根据该当前用户在所述选定商品信息所属类目下与所述待确认商品信息集合相关的历史操作行为信息，获取该当前用户对该类目商品信息的购物犹豫度；

根据所有用户在所述选定商品信息所属类目下与所述待确认商品信息集合相关的历史操作行为信息，获取所有用户对该类目商品信息的平均购物犹豫度；

所述根据所述与该当前用户相关的购物犹豫度，确定所述购买概率包括：

将该当前用户的购物犹豫度的反比例函数值、该当前用户对该类目商品信息的购物犹豫度的反比例函数值、以及所有用户对该类目商品信息的平均购物犹豫度的反比例函数值进行合并，将合并所得结果确定为所述购买概率。

可选地，所述将该当前用户的购物犹豫度的反比例函数值、该当前用户对该类目商品信息的购物犹豫度的倒数、以及所有用户对该类目商品信息的平均购物犹豫度的倒数进行合并包括：

根据预置的权重，将该当前用户的购物犹豫度的的反比例函数值、该当前用户对该类目商品信息的购物犹豫度的的反比例函数值、以及所有用户对该类目商品信息的平均购物犹豫度的的反比例函数值进行加权求和；其中，所有用户对该类目商品信息的平均购物犹豫度的的反比例函数值具有最高的权重，所述该当前用户对该类目商品信息的购物犹豫度的的反比例函数值具有最低的权重。

可选地，所述根据所述选定商品信息以及所述概率，确定待推荐的商品信息包括：

根据所述概率的大小，确定所述选定商品信息的相关商品信息与所述选定商品信息的相似商品信息在待推荐商品信息集合中所占的比例以及返回时出现的位置。

可选地，所述概率越大，所述选定商品信息的相关商品信息在待推荐商品信息集合中所占的比例越大，位置越靠前，所述概率越小，所述选定商品信息的相似商品信息在待推荐商品信息集合中所占的比例越大，位置越靠前。

一种商品信息推荐装置，包括：

购买概率获得单元，用于当监测到当前用户向待确认商品信息集合中添加选定商品信息时，获得该当前用户对所述选定商品信息的购买概率；其中，所述购买概率根据与待确认商品信息集合相关的用户历史操作行为信息确定；

待推荐商品信息确定单元，用于根据所述选定商品信息以及所述概率，确定待推荐的商品信息；

待推荐商品信息返回单元，用于将所述待推荐的商品信息返回给当前用户。

根据本申请提供的具体实施例，本申请公开了以下技术效果：

通过本申请，在需要根据加入到待确认商品信息集合中的当前选定商品信息进行推荐时，可以首先获得该用户购买当前选定商品信息的概率，以此分析出用户的意图，进而确定出需要向用户推荐哪些商品信息，并进行返回。在此过程中，由于在确定待推荐商品信息时，考虑了用户对当前选定商品信息的购买概率这一因素，因此，可以更有针对性地进行商品信息的推荐，使得推荐结果符合用户需求的概率大大提升，提高推荐结果的有效性。

此外，在获取用户购买当前选定商品信息的概率时，除了可以考虑当前用户自身的购物犹豫度，在另一种实现方式下，也可以考虑当前用户在当前选定商品信息所属类目下的购物犹豫度，为了避免“数据稀疏”，还可以考虑所有用户在当前选定商品信息所属类目下的平均购物犹豫度，或者综合考虑上述各种购物犹豫度，等等。

当然，实施本申请的任一产品并不一定需要同时达到以上所述的所有优点。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本申请实施例提供的方法的流程图；

图2是本申请实施例提供的装置的示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本申请保护的范围。

参见图1，本申请实施例提供的商品信息推荐方法可以包括以下步骤：

S101：当监测到当前用户向待确认商品信息集合中添加选定商品信息时，获得该当前用户对所述选定商品信息的购买概率；其中，所述购买概率根据与待确认商品信息集合相关的用户历史操作行为信息确定；

在本申请实施例中，能够在用户将选定商品信息加入到待确认集合(为方便描述，下文中均以“购物车”为例进行介绍)之后，为用户推荐其他的商品信息。其中，待推荐的商品信息可能会包括与当前加入购物车的选定商品信息相关的其他商品信息，例如，如果当前选定的商品信息是某款手机，则与该商品信息相关的商品信息可能包括手机壳、手机套等等，也就是说，某商品信息的相关商品信息一般是指用户在买了该商品信息之后，一般会同时购买的预置配套使用的商品信息。另外，待推荐的商品信息还可能包括与当前加入购物车的选定商品信息相似的其他商品信息，例如，如果当前选定的商品信息仍然是某款手机，则与该商品信息相似的其他商品信息可能是另一款手机，也就是说，某商品信息的相似商品信息一般是指与该商品信息的核心特征相似的商品信息，比如，属于同一类目等等。具体获取一个商品信息的相关商品信息或者相似商品信息的方法，现有技术中已经能够实现(例如，关联规则、协同过滤等方式)，但是，具体在推荐时，到底应该向用户推荐相关商品信息还是相似商品信息，或者更多地推荐相关商品信息还是相似商品信息，是现有技术未考虑的问题。

然而，在实际应用中，在用户选定一个商品信息加入购物车之后，根据用户接下来的意图的不同，其继续购物的目标也会有所不同，例如，如果用户接下来会购买该选定商品信息，则继续购物的目标可能会是该商品信息的相关商品信息，此时，应该更多的向用户推荐该商品信息的相关商品信息，这样才能保证推荐的有效性；而如果用户尚在犹豫中，不确定是否购买该加入购物车的商品信息，则其继续购物的目标可能会使该商品信息的相似商品信息，例如，可能想与其他的相似商品信息比较，看是否存在性价比更高的商品信息，此时，应该更多地向用户推荐该商品信息的相似商品信息，这样才能保证推荐的有效性。本申请实施例就是基于上述考虑，提出的商品信息推荐方法。在该方法中，在用户将一个选定商品信息加入到购物车之后，并不是马上为该用户选择待推荐的商品信息，而是首先判断该用户接下来的意图，为此，本申请实施例的实现方式时，获取该用户购买该选定商品信息的概率，通过该概率的高低，来判断用户的意图。

具体实现时，为了获取该用户购买该选定商品信息的概率，可以有多种实现方式，其中一种实现方式下，可以根据与购物车操作相关的用户历史操作行为信息，计算与该用户相关的购物犹豫度信息，然后再根据与该用户相关的购物犹豫度信息，确定该用户购买该选定商品信息的概率。其中，与购物车操作相关的用户历史操作行为信息包括：用户向购物车中添加商品信息的次数X、用户从购物车中删除商品信息的次数Y，以及，用户购买购物车中的商品信息的次数Z；购物犹豫度与X、Y之和成正比，与Z成反比。例如，假设CUR代表购物犹豫度，则可以通过以下公式(1)计算：

CUR＝(X+Y)/Z                    (1)

具体实现时，与该用户相关的购物犹豫度信息可以有多种，在计算各种购物犹豫度时，均可以使用公式(1)，只不过各个X、Y、Z分别代表的含义会略有不同。例如：

其中一种可以是当前用户自身的购物犹豫度，该当前用户自身的购物犹豫度是根据该当前用户自身的购物车操作相关的全部历史操作行为信息计算出来的，也就是说，假设当前用户是用户甲，则X可以代表该用户甲向购物车中添加商品信息的次数，Y代表该用户甲从购物车中删除商品信息的次数，Z则代表该用户甲最终购买了购物车中的商品信息的次数。例如，通过收集用户甲的历史操作行为信息可知，该用户甲向购物车添加商品信息的次数是10次，删除了5次，购买了5次，则该用户甲的购物犹豫度为(10+5)/5＝3。而如果该用户甲向购物车添加商品信息的次数是10次，没有从购物车中删除过商品信息，购买了10次，则该用户甲的购物犹豫度为(10+0)/10＝1。也就是说，如果一个用户总是反复地将商品信息添加到购物车，再从购物车中删除，最终购买的次数比较少，则证明该用户在向购物车中添加商品信息时，一般都并不是真正决定要购买，而是还在犹豫；而如果一个用户将商品信息添加到购物车之后，都是直接购买，或者很少删除，则证明该用户在执行将商品信息添加到购物车的动作之后，一般都是确定要购买的，显然，这些信息可以通过前面计算出来的购物犹豫度体现出来。在获取到一个用户自身的购物犹豫度之后，就可以将当前用户的购物犹豫度作为自变量代入一个反比例函数，得到当前用户的购物犹豫度的反比例函数值，并将其确定为该用户购买当前加入到购物车的选定商品信息的概率。其中，反比例函数的形式可以有多种，例如，假设用“ACUR”表示购买概率，用“用户CUR”表示当前用户购买当前商品信息的购买概率，则可以用以下反比例函数实现：

ACUR＝K/用户CUR                    (2)

在公式(2)中，K可以是一个常数，具体的值可以根据实际的需求设定，例如，可以将K的值取为1，则相当于直接将用户CUR的倒数作为该用户购买当前加入到购物车的选定商品信息的概率。

在上述方式下，是用一个用户的全部购物车操作行为计算出该用户的购物犹豫度，也就是说，在确定用户购买某选定商品信息的概率时，并不用区分该选定商品信息具体是什么商品信息，直接将该用户的购物犹豫度的倒数作为购买概率即可。但在实际应用中，同一个用户对不同类目的商品信息的购物犹豫度可能会有所不同，例如，某用户在选择数码类的商品信息时，一般都不会太犹豫，而在选择服饰类的商品信息时，却会比较犹豫，等等。因此，如果能够区分出一个用户对不同类目的商品信息的购物犹豫度，则可能会更好的确定出用户接下来的意图，进而，据此确定向用户推荐哪些商品信息时，则可能会使得推荐结果更加符合用户的需要，有效性得到进一步提高。

因此，在另一种实现方式下，可以首先确定出当前加入到购物车的选定商品信息所属的类目，然后，就可以根据当前用户在该类目下与购物车操作相关的历史操作行为信息，获取该用户对该类目商品信息的购物犹豫度，最后再取其倒数作为该用户购买该选定商品信息的购物犹豫度。其中，在确定当前选定商品信息所述的类目时，可以直接根据购物网站中为该选定商品信息设置的类目进行确定。例如，假设当前选定了某商品信息，购物网站为该商品信息设置的类目为“女装”，则就可以从当前用户的历史操作行为中，取出该用户向购物车中添加女装类商品信息的次数、从购物车中删除女装类商品信息的次数，以及该用户最终从购物车中购买了女装类商品信息的次数，然后利用公式(1)，即可计算出该用户在该类目下的购物犹豫度，然后将其反比例函数值作为购物概率，例如，取其倒数，即可作为该用户购买当前选定商品信息的概率。

该方式能够获得更优的推荐结果，但在实际应用中，单个用户在某一类目下与购物车操作相关的历史操作行为数据可能比较少，这会造成“数据稀疏”的现象，使得计算结果的参考价值降低，甚至对于第一次购买某类商品信息的用户而言，还可能无法计算出该用户在该类目下的购物犹豫度信息。例如，某用户甲第一次在某购物网站中购买手机，该手机属于“智能手机”类，此时，就无法获取到该用户在类目下的购物犹豫度。为了避免造成数据稀疏，可以获得当前商品信息所属类目的父类，计算出用户在该父类下的购物犹豫度；如果在该父类下的数据仍然比较稀疏，还可以计算出在该父类的父类下的购物犹豫度，以此类推。

或者，为了避免上述数据稀疏的问题，在本申请实施例中，还可以综合其他用户在某一类目下的购物车操作行为数据，以此计算出所有用户在该类目下的平均购物犹豫度，以其倒数作为当前用户购买当前选定商品信息的概率。也就是说，对于某类目的商品信息(例如服装类、大家电类等)而言，基本上所有用户对该类目商品信息的购物犹豫度都比较高，而另一类目的商品信息(例如食品类)，却是基本上所有用户对该类目商品信息的购物犹豫度都比较低，从这一点而言，其他用户对某类商品信息的购物犹豫度也可以大致反映出当前用户对某类商品信息的购物犹豫度。因此，在需要获取当前用户对当前选定商品信息的购买概率时，就可以首先获取到当前选定商品信息所属的类目，然后统计所有用户在该类目下的购物车操作相关行为数据，例如，当前选定商品信息是某手机，属于智能手机类目，则可以统计出所有用户将该类目下的商品信息加入到购物车的总次数、所有用户从购物车中删除该类目下的商品信息的某次数、所有用户购买购物车中的该类目商品信息的总次数，然后再代入到公式(1)中即可计算出所有用户在该类目下的平均购物犹豫度，之后将其反比例函数值作为购物概率，例如，取其倒数作为当前用户购买当前选定商品信息的概率即可。

以上所述的各种方式中，分别是计算出当前用户自身的购物犹豫度、当前用户在当前商品信息所属类目下的购物犹豫度、所有用户在当前商品信息所属类目下的平均购物犹豫度，然后分别取各自的反比例函数值作为当前用户购买当前商品信息的概率。在另一种实现方式下，还可以综合考虑上述各种购物犹豫度，例如，可以对上述各种购物犹豫度的反比例函数值进行合并，将合并所得结果确定为该当前用户购买该选定商品信息的概率。合并的方式可以有多种，例如，可以将上述各种购物犹豫度的反比例函数值相乘，再乘以某一系数，得到合并结果。或者，也可以将上述各种购物犹豫度的反比例函数值进行加权求和，将加权求和的结果作为当前用户购买当前商品信息的概率。例如，假设将当前用户自身的购物犹豫度的反比例函数值称为“用户ACUR”，将当前用户在当前商品信息所属类目下的购物犹豫度的反比例函数值称为“用户类目ACUR”，将所有用户在当前商品信息所属类目下的平均购物犹豫度的反比例函数值称为“类目ACUR”，则当前用户的综合购物犹豫度可以用以下公式(2)表示：

综合购物犹豫度＝(K*类目ACUR+M*用户类目ACUR+L*用户ACUR)/3(2)

其中，各种购物犹豫度分别对应的权重可以根据实际情况进行调整，在一种可选的实现方式下，为了获得更优的推荐结果，可以使得所有用户在当前商品信息所属类目下的平均购物犹豫度的反比例函数值(也即类目ACUR)具有最高的权重，当前用户对当前商品信息所属类目的购物犹豫度的反比例函数值(也即用户类目ACUR)具有最低的权重，当前用户本身的购物犹豫度的反比例函数值(也即用户ACUR)的权重居中。也就是说，对应到公式(2)中，K、M、L这三个系数分别对应类目ACUR、用户类目ACUR、用户ACUR的权重，因此三者之间可以具有如下的大小关系：K＞L＞M。

需要说明的是，计算各种购物犹豫度的操作，可以是在需要获取当前用户购买当前选定商品信息的概率时，即时进行计算，或者，在另一种实现方式下，计算的操作也可以是预先完成的，当需要获取当前用户购买当前选定商品信息的概率时，直接查询之前的计算结果即可。其中，无论是即时计算还是预先计算，具体的计算方法都是相同的。略有不同之处在于，在即时计算的方式下，由于已经获知了当前选定的具体商品信息，因此在计算基于类目的购物犹豫度时，仅计算当前选定商品信息所属类目下的购物犹豫度即可，而在预先计算的方式下，由于尚不知晓用户将会选定哪个商品信息，因此，就需要计算出各个类目下的购物犹豫度，当需要获取某用户购买某选定商品信息的概率时，再去查询该选定商品信息所在类目对应的购物犹豫度即可。其中，所谓的基于类目的购物犹豫度，包括前文所述的当前用户对某类目的购物犹豫度，以及所有用户对某类目的平均犹豫度。

另外需要说明的是，关于与购物车操作相关的用户历史操作行为信息的获取，由于购物网站服务器能够对各个用户与购物车操作相关的用户操作行为信息进行记录，而为用户选择待推荐商品信息的相关操作都可以在购物网站的服务器端来完成，因此，直接根据购物网站服务器端的记录即可获取到所需的用户历史操作行为信息。

S102：根据所述选定商品信息以及所述购买概率，确定待推荐的商品信息；

在获取到当前用户购买当前选定商品信息的概率之后，就可以根据该购买概率的大小分析出用户接下来的意图，也就是说可以确定当前选定商品信息的相关商品信息与当前选定商品信息的相似商品信息在待推荐商品信息集合中所占的比例以及显示时出现的位置。例如，可以预先设置一个阈值，如果发现当前用户购买当前选定商品信息的概率大于该阈值，则证明该用户接下来可能会购买该商品信息，因此，可以向该用户推荐当前商品信息的相关商品信息；如果发现当前用户购买当前选定商品信息的概率小于该阈值，则证明该用户接下来可能还需要对比其他的同类商品信息，因此，可以向该用户推荐当前商品信息的相似商品信息。或者，也可以不必将用户的意图明确地划分为两类，而是可以设置多个概率区间，每个概率区间对应的相关商品信息与相似商品信息在数目上的比例不同，当发现当前用户购买当前选定商品信息的概率属于某区间时，就按照该区间对应的比例，确定待推荐的商品信息。总之，当前用户购买当前选定商品信息的概率越大，选定商品信息的相关商品信息在待推荐商品信息集合中所占的比例越大，在显示时，位置也越靠前，相应的，选定商品信息的相似商品信息在待推荐商品信息集合中所占的比例越小，在显示时，位置也越靠后；当前用户购买当前选定商品信息的概率越小，选定商品信息的相似商品信息在待推荐商品信息集合中所占的比例越大，位置也越靠前，相应的，选定商品信息的相关商品信息在待推荐商品信息集合中所占的比例越小，在显示时，位置也越靠后。

S103：将所述待推荐的商品信息返回给当前用户。

当确定出待推荐的商品信息之后，就可以发送待推荐的，然后返回给用户，例如，可以以列表的形式返回在购物车页面中，在返回时，如果待推荐的商品信息中既包含当前选定商品信息的相关商品信息又包括相似商品信息，则相当于需要对推荐位进行切分，然后根据步骤S102中确定出的待推荐商品信息以及各自的位置进行返回即可。

总之，在本申请实施例中，在需要根据加入到待确认商品信息集合中的当前选定商品信息进行推荐时，可以首先获取到该用户购买当前选定商品信息的概率，以此分析出用户的意图，进而确定出需要向用户推荐哪些商品信息，并进行返回。在此过程中，由于在确定待推荐商品信息时，考虑了用户对当前选定商品信息的购买概率这一因素，因此，可以更有针对性地进行商品信息的推荐，使得推荐结果符合用户需求的概率大大提升，提高推荐结果的有效性。

此外，在获取用户购买当前选定商品信息的概率时，除了可以考虑当前用户自身的购物犹豫度，在另一种实现方式下，也可以考虑当前用户在当前选定商品信息所属类目下的购物犹豫度，为了避免“数据稀疏”，还可以考虑所有用户在当前选定商品信息所属类目下的平均购物犹豫度，或者还可以综合考虑上述各种购物犹豫度的因素。

与本申请实施例提供的商品信息推荐方法相对应，本申请实施例还提供了一种商品信息推荐装置，参见图2，该装置可以包括：

购买概率获得单元201，用于当监测到当前用户向待确认商品信息集合中添加选定商品信息时，获得该当前用户对所述选定商品信息的购买概率；其中，所述购买概率根据与待确认商品信息集合相关的用户历史操作行为信息确定；

待推荐商品信息确定单元202，用于根据所述选定商品信息以及所述购买概率，确定待推荐的商品信息；

待推荐商品信息返回单元203，用于将所述待推荐的商品信息返回给当前用户。

具体实现时，可以通过以下单元确定所述购买概率：

购物犹豫度计算单元，用于根据与待确认商品信息集合相关的用户历史操作行为信息，计算与该当前用户相关的购物犹豫度；

购买概率确定单元，用于根据所述与该当前用户相关的购物犹豫度，确定所述购买概率；

其中，所述与所述待确认商品信息集合相关的用户历史操作行为信息包括：用户向所述待确认商品信息集合添加商品信息的次数X、用户从所述待确认商品信息集合中删除商品信息的次数Y，以及，用户购买所述待确认商品信息集合中的商品信息的次数Z；所述购物犹豫度与X、Y之和成正比，与Z成反比。

在实际应用中，购物犹豫度可以是即时计算的，或者也可以是预先计算的，在即时计算的情况下，所述购物犹豫度计算单元包括：

即时计算子单元，用于当监测到当前用户向待确认商品信息集合中添加选定商品信息时，获取与待确认商品信息集合相关的用户历史操作行为信息，并计算与该当前用户相关的购物犹豫度。

在预先计算的方式下，所述购物犹豫度计算单元包括：

预先计算子单元，用于预先获取与待确认商品信息集合相关的用户历史操作行为信息，分别计算与各个用户相关的购物犹豫度信息，并保存计算结果；

查询子单元，用于当监测到当前用户向待确认商品信息集合中添加选定商品信息时，通过查询所述计算结果，获取与该当前用户相关的购物犹豫度信息。

具体在计算与该当前用户相关的购物犹豫度时，可以有多种方式，在其中一种方式下，所述购物犹豫度计算单元可以包括：

用户购物犹豫度计算子单元，用于根据该用户与所述待确认商品信息集合相关的全部历史操作行为信息，计算该当前用户的购物犹豫度；

所述购买概率确定单元包括：

第一确定子单元，用于将该当前用户的购物犹豫度的反比例函数值，确定为所述购买概率。

在另一种方式下，所述购物犹豫度计算单元包括：

用户类目购物犹豫度计算子单元，用于根据该当前用户在所述选定商品信息所属类目下与所述待确认商品信息集合相关的历史操作行为信息，获取该当前用户对该类目商品信息的购物犹豫度；

所述购买概率确定单元包括：

第二确定子单元，用于将该当前用户对该类目商品信息的购物犹豫度的反比例函数值，确定为所述购买概率。

再一种实现方式下，所述购物犹豫度计算单元包括：

类目购物犹豫度计算子单元，用于根据所有用户在所述选定商品信息所属类目下与所述待确认商品信息集合相关的历史操作行为信息，获取所有用户对该类目商品信息的平均购物犹豫度；

所述购买概率确定单元包括：

第三确定子单元，用于将所述所有用户对该类目商品信息的平均购物犹豫度的反比例函数值，确定为所述购买概率。

或者，也可以综合考虑各种购物犹豫度因素，此时，所述购物犹豫度计算单元包括：

用户购物犹豫度计算子单元，用于根据该当前用户与所述待确认商品信息集合相关的全部历史操作行为信息，获取该当前用户的购物犹豫度；

用户类目购物犹豫度计算子单元，用于根据该当前用户在所述选定商品信息所属类目下与所述待确认商品信息集合相关的历史操作行为信息，获取该当前用户对该类目商品信息的购物犹豫度；

类目购物犹豫度计算子单元，用于根据所有用户在所述选定商品信息所属类目下与所述待确认商品信息集合相关的历史操作行为信息，获取所有用户对该类目商品信息的平均购物犹豫度；

所述购买概率确定单元包括：

第四确定子单元，用于将该当前用户的购物犹豫度的反比例函数值、该当前用户对该类目商品信息的购物犹豫度的反比例函数值、以及所有用户对该类目商品信息的平均购物犹豫度的反比例函数值进行合并，将合并所得结果确定为所述购买概率。

具体在对所述将该当前用户的购物犹豫度的反比例函数值、该当前用户对该类目商品信息的购物犹豫度的反比例函数值、以及所有用户对该类目商品信息的平均购物犹豫度的反比例函数值进行合并时，可以是将该当前用户的购物犹豫度的反比例函数值、该当前用户对该类目商品信息的购物犹豫度的反比例函数值、以及所有用户对该类目商品信息的平均购物犹豫度的反比例函数值进行加权求和；其中，所有用户对该类目商品信息的平均购物犹豫度的反比例函数值具有最高的权重，所述该当前用户对该类目商品信息的购物犹豫度的反比例函数值具有最低的权重。

具体实现时，待推荐商品信息确定单元202具体可以用于：

根据所述概率的大小，确定所述选定商品信息的相关商品信息与所述选定商品信息的相似商品信息在待推荐商品信息集合中所占的比例以及返回时出现的位置。

其中，所述概率越大，所述选定商品信息的相关商品信息在待推荐商品信息集合中所占的比例越大，位置越靠前，所述概率越小，所述选定商品信息的相似商品信息在待推荐商品信息集合中所占的比例越大，位置越靠前。

通过本申请，在需要根据加入到待确认商品信息集合中的当前选定商品信息进行推荐时，可以首先获取到该用户购买当前选定商品信息的概率，以此分析出用户的意图，进而确定出需要向用户推荐哪些商品信息，并进行返回。在此过程中，由于在确定待推荐商品信息时，考虑了用户对当前选定商品信息的购买概率这一因素，因此，可以更有针对性地进行商品信息的推荐，使得推荐结果符合用户需求的概率大大提升，提高推荐结果的有效性。

此外，在获取用户购买当前选定商品信息的概率时，除了可以考虑当前用户自身的购物犹豫度，在另一种实现方式下，也可以考虑当前用户在当前选定商品信息所属类目下的购物犹豫度，为了避免“数据稀疏”，还可以考虑所有用户在当前选定商品信息所属类目下的平均购物犹豫度，或者综合考虑上述各种购物犹豫度，等等。

通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例或者实施例的某些部分所述的方法。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的装置及系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元返回的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

以上对本申请所提供的商品信息推荐方法及装置，进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本申请的限制。

Claims (12)

1.一种商品信息推荐方法，其特征在于，包括：

当监测到当前用户向待确认商品信息集合中添加选定商品信息时，获得该当前用户对所述选定商品信息的购买概率；其中，所述购买概率根据与待确认商品信息集合相关的用户历史操作行为信息确定；

根据所述选定商品信息以及所述购买概率，确定待推荐的商品信息；

将所述待推荐的商品信息返回给当前用户。

2.根据权利要求1所述的方法，其特征在于，通过以下方式确定所述购买概率：

根据与待确认商品信息集合相关的用户历史操作行为信息，计算与该当前用户相关的购物犹豫度；

根据所述与该当前用户相关的购物犹豫度，确定所述购买概率；

其中，所述与所述待确认商品信息集合相关的用户历史操作行为信息包括：用户向所述待确认商品信息集合添加商品信息的次数X、用户从所述待确认商品信息集合中删除商品信息的次数Y，以及，用户购买所述待确认商品信息集合中的商品信息的次数Z；所述购物犹豫度与X、Y之和成正比，与Z成反比。

3.根据权利要求2所述的方法，其特征在于，所述根据与待确认商品信息集合相关的用户操作行为信息，计算与该当前用户相关的购物犹豫度包括：

当监测到当前用户向待确认商品信息集合中添加选定商品信息时，获取与待确认商品信息集合相关的用户历史操作行为信息，并计算与该当前用户相关的购物犹豫度。

4.根据权利要求2所述的方法，其特征在于，所述根据与待确认商品信息集合相关的用户操作行为信息，计算与该当前用户相关的购物犹豫度包括：

预先获取与待确认商品信息集合相关的用户历史操作行为信息，分别计算与各个用户相关的购物犹豫度信息，并保存计算结果；

当监测到当前用户向待确认商品信息集合中添加选定商品信息时，通过查询所述计算结果，获取与该当前用户相关的购物犹豫度信息。

5.根据权利要求2至4任一项所述的方法，其特征在于，所述根据与所述待确认商品信息集合相关的用户历史操作行为信息，计算与该当前用户相关的购物犹豫度包括：

根据该用户与所述待确认商品信息集合相关的全部历史操作行为信息，计算该当前用户的购物犹豫度；

所述根据所述与该当前用户相关的购物犹豫度，确定所述购买概率包括：

将该当前用户的购物犹豫度的反比例函数值，确定所述购买概率。

6.根据权利要求2至4任一项所述的方法，其特征在于，所述根据与所述待确认商品信息集合相关的用户历史操作行为信息，计算与该当前用户相关的购物犹豫度包括：

根据该当前用户在所述选定商品信息所属类目下与所述待确认商品信息集合相关的历史操作行为信息，获取该当前用户对该类目商品信息的购物犹豫度；

所述根据所述与该当前用户相关的购物犹豫度，确定所述购买概率包括：

将该当前用户对该类目商品信息的购物犹豫度的反比例函数值，确定为所述购买概率。

7.根据权利要求2至4任一项所述的方法，其特征在于，所述根据与所述待确认商品信息集合相关的用户历史操作行为信息，计算与该当前用户相关的购物犹豫度包括：

根据所有用户在所述选定商品信息所属类目下与所述待确认商品信息集合相关的历史操作行为信息，获取所有用户对该类目商品信息的平均购物犹豫度；

所述根据所述与该当前用户相关的购物犹豫度，确定所述购买概率包括：

将所述所有用户对该类目商品信息的平均购物犹豫度的反比例函数值，确定为所述购买概率。

8.根据权利要求2至4任一项所述的方法，其特征在于，所述根据与所述待确认商品信息集合相关的用户历史操作行为信息，计算与该当前用户相关的购物犹豫度包括：

根据该当前用户与所述待确认商品信息集合相关的全部历史操作行为信息，获取该当前用户的购物犹豫度；

根据该当前用户在所述选定商品信息所属类目下与所述待确认商品信息集合相关的历史操作行为信息，获取该当前用户对该类目商品信息的购物犹豫度；

根据所有用户在所述选定商品信息所属类目下与所述待确认商品信息集合相关的历史操作行为信息，获取所有用户对该类目商品信息的平均购物犹豫度；

所述根据所述与该当前用户相关的购物犹豫度，确定所述购买概率包括：

将该当前用户的购物犹豫度的反比例函数值、该当前用户对该类目商品信息的购物犹豫度的反比例函数值、以及所有用户对该类目商品信息的平均购物犹豫度的反比例函数值进行合并，将合并所得结果确定为所述购买概率。

9.根据权利要求8所述的方法，其特征在于，所述将该当前用户的购物犹豫度的反比例函数值、该当前用户对该类目商品信息的购物犹豫度的倒数、以及所有用户对该类目商品信息的平均购物犹豫度的倒数进行合并包括：

根据预置的权重，将该当前用户的购物犹豫度的的反比例函数值、该当前用户对该类目商品信息的购物犹豫度的的反比例函数值、以及所有用户对该类目商品信息的平均购物犹豫度的的反比例函数值进行加权求和；其中，所有用户对该类目商品信息的平均购物犹豫度的的反比例函数值具有最高的权重，所述该当前用户对该类目商品信息的购物犹豫度的的反比例函数值具有最低的权重。

10.根据权利要求1至4任一项所述的方法，其特征在于，所述根据所述选定商品信息以及所述概率，确定待推荐的商品信息包括：

根据所述概率的大小，确定所述选定商品信息的相关商品信息与所述选定商品信息的相似商品信息在待推荐商品信息集合中所占的比例以及返回时出现的位置。

11.根据权利要求10所述的方法，其特征在于，所述概率越大，所述选定商品信息的相关商品信息在待推荐商品信息集合中所占的比例越大，位置越靠前，所述概率越小，所述选定商品信息的相似商品信息在待推荐商品信息集合中所占的比例越大，位置越靠前。

12.一种商品信息推荐装置，其特征在于，包括：

购买概率获得单元，用于当监测到当前用户向待确认商品信息集合中添加选定商品信息时，获得该当前用户对所述选定商品信息的购买概率；其中，所述购买概率根据与待确认商品信息集合相关的用户历史操作行为信息确定；

待推荐商品信息确定单元，用于根据所述选定商品信息以及所述概率，确定待推荐的商品信息；

待推荐商品信息返回单元，用于将所述待推荐的商品信息返回给当前用户。

Images