CN103970785A - 在线推荐方法和系统 - Google Patents
在线推荐方法和系统 Download PDFInfo
- Publication number
- CN103970785A CN103970785A CN201310039291.0A CN201310039291A CN103970785A CN 103970785 A CN103970785 A CN 103970785A CN 201310039291 A CN201310039291 A CN 201310039291A CN 103970785 A CN103970785 A CN 103970785A
- Authority
- CN
- China
- Prior art keywords
- user
- decision
- stage
- conversion ratio
- users
- 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.)
- Pending
Links
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- 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
Abstract
本发明涉及在线推荐的技术方案。根据本发明的实施方式提供一种计算机实现的推荐方法。该方法包括:根据第一用户在在线决策过程中的行为,确定该第一用户处于所述在线决策过程的哪个阶段,其中所述在线决策过程被划分为取决于决策转化率的多个阶段;根据一个或多个第二用户的历史行为记录,来选择将向该第一用户提供的推荐项,其中所述一个或多个第二用户是处于比所确定的阶段具有更高决策转化率的一个或多个阶段的用户。根据本发明的实施方式还提供相应的计算机实现的系统和装置。
Description
技术领域
本发明涉及计算机实现的方法和装置,更具体地,涉及一种在线推荐方法和系统。
背景技术
在现有技术中已经应用了在线推荐系统为用户提供推荐项,以促进用户作出决策,例如购买商品、接受服务、下载或订阅内容。例如,由于用户倾向于喜欢他们之前感兴趣的项目,因此推荐系统可以使用基于内容的方式进行项目推荐,其中可以使用关于用户的描述也可以使用关于项目(诸如商品、服务、内容等任何可以供应的项目)的描述。又如,由于评分类似的用户或者针对类似项目作出决策的用户通常更可能对特定类型项目具有相同的决策意向,因此推荐系统可以利用协同过滤的方式进行项目推荐。
但是,现有的推荐系统均是仅仅基于与决策有关的信息而实现决策所针对的项目的推荐。也就是说,现有的推荐系统仅考虑已经做出在线决策的用户和/或决策所针对的项目(例如,已购买的商品、已接受的服务、已下载或订阅的内容等),但是并没有考虑用户在做出决策之前的行为以及行为可能涉及的各种内容项。
因此,需要提供一种新的在线推荐的方案,从而能够向用户更加有效地提供内容更加丰富的推荐项
发明内容
为了解决现有技术中存在的问题,本发明的实施方式提供一种在线推荐方案,通过基于在线决策过程中各阶段的用户行为记录来选择推荐项,从而能够向用户更加有效地提供内容更加丰富的推荐项,进而提高在线决策的转化率。
根据本发明的一个方面,提供了一种计算机实现的推荐方法。该方法包括:根据第一用户在在线决策过程中的行为,确定该第一用户处于在线决策过程的哪个阶段,其中决策过程被划分为取决于决策转化率的多个阶段;根据一个或多个第二用户的历史行为记录,来选择将向该第一用户提供的推荐项,其中一个或多个第二用户是处于比所确定的阶段具有更高决策转化率的一个或多个阶段的用户。
根据本发明的另一个方面,提供了一种计算机实现的推荐系统。该系统包括:阶段检测器,被配置为根据第一用户在在线决策过程中的行为,确定该第一用户处于在线决策过程的哪个阶段,其中在线决策过程被划分为取决于决策转化率的多个阶段;推荐引擎,被配置为根据一个或多个第二用户的历史行为记录,来选择将向该第一用户提供的推荐项,其中一个或多个第二用户是处于比所确定的阶段具有更高决策转化率的一个或多个阶段的用户。
根据本发明的另一个方面,提供了一种计算机实现的推荐装置。该推荐装置包括:用于根据第一用户在在线决策过程中的行为,确定该第一用户处于在线决策过程的哪个阶段的装置,其中在线决策过程被划分为取决于决策转化率的多个阶段;以及用于根据一个或多个第二用户的历史行为记录,来选择将向该第一用户提供的推荐项的装置,其中一个或多个第二用户是处于比所确定的阶段具有更高决策转化率的一个或多个阶段的用户。
由上可见,本申请开创性的依据用户历史行为所反映的客观决策转化率将用户的在线决策过程划分为多个阶段,然后根据用户行为所处的阶段的进行信息推荐,很好的解决了现有技术中存在的上述问题。根据本发明的实施方式在技术上能够提高在线推荐的精准性和可定制性,使得所提供的推荐项能够更好地满足用户在当前阶段的实际需求,由此有效地推动第一用户向具有更高决策转化率的阶段进行转化,进而有效地提高了整个决策过程的决策转化率。
附图说明
通过结合附图对本公开示例性实施方式进行更详细的描述,本公开的上述以及其它目的、特征和优势将变得更加明显,其中,在本公开示例性实施方式中,相同的参考标号通常代表相同部件。
图1示出了适于用来实现本发明实施方式的示例性计算机系统/服务器12的框图。
图2示出了根据本发明一个实施方式的推荐方法的流程图。
图3示出了根据本发明一个实施方式的在线决策过程各个阶段的权值分配的示例。
图4示出了根据本发明一个实施方式的推荐系统的框图。
具体实施方式
下面将参照附图更详细地描述本公开的优选实施方式。虽然附图中显示了本公开的优选实施方式,然而应该理解,可以以各种形式实现本公开而不应被这里阐述的实施方式所限制。相反,提供这些实施方式是为了使本公开更加透彻和完整,并且能够将本公开的范围完整地传达给本领域的技术人员。
所属技术领域的技术人员知道,本发明可以实现为系统、方法或计算机程序产品。因此,本公开可以具体实现为以下形式,即:可以是完全的硬件、也可以是完全的软件(包括固件、驻留软件、微代码等),还可以是硬件和软件结合的形式,本文一般称为“电路”、“模块”或“系统”。此外,在一些实施例中,本发明还可以实现为在一个或多个计算机可读介质中的计算机程序产品的形式,该计算机可读介质中包含计算机可读的程序代码。
可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括——但不限于——电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括——但不限于——无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言-诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言-诸如”C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络-包括局域网(LAN)或广域网(WAN)-连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
下面将参照本发明实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述本发明。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机程序指令实现。这些计算机程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器,从而生产出一种机器,这些计算机程序指令通过计算机或其它可编程数据处理装置执行,产生了实现流程图和/或框图中的方框中规定的功能/操作的装置。
也可以把这些计算机程序指令存储在能使得计算机或其它可编程数据处理装置以特定方式工作的计算机可读介质中,这样,存储在计算机可读介质中的指令就产生出一个包括实现流程图和/或框图中的方框中规定的功能/操作的指令装置(instruction means)的制造品(manufacture)。
也可以把计算机程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机或其它可编程装置上执行的指令能够提供实现流程图和/或框图中的方框中规定的功能/操作的过程。
图1示出了适于用来实现本发明实施方式的示例性计算机系统/服务器12的框图。图1显示的计算机系统/服务器12仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图1所示,计算机系统/服务器12以通用计算设备的形式表现。计算机系统/服务器12的组件可以包括但不限于:一个或者多个处理器或者处理单元16,系统存储器28,连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线,微通道体系结构(MAC)总线,增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
计算机系统/服务器12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机系统/服务器12访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(RAM)30和/或高速缓存存储器32。计算机系统/服务器12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统34可以用于读写不可移动的、非易失性磁介质(图1未显示,通常称为“硬盘驱动器”)。尽管图1中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40,可以存储在例如存储器28中,这样的程序模块42包括——但不限于——操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
计算机系统/服务器12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信,还可与一个或者多个使得用户能与该计算机系统/服务器12交互的设备通信,和/或与使得该计算机系统/服务器12能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且,计算机系统/服务器12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器20通过总线18与计算机系统/服务器12的其它模块通信。应当明白,尽管图中未示出,可以结合计算机系统/服务器12使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
如在背景技术中所述,现有的诸如推荐系统中仅考虑了已经做出在线决策的用户和/或决策所针对的项目(例如,已购买的商品、已接受的服务、已下载或订阅的内容等),但是并没有考虑用户在做出决策之前的行为以及行为可能涉及的各种内容项。但实际上,用户在在线决策之前的行为能够反映出其针对一个项目作出决策的冲动等级。这些行为例如可以包括:在某一项目的浏览操作B,例如浏览时间B-Time、浏览频率B-Freq等;对于项目的比较C,例如所比较项目的数目等C-Num;对于项目的标记M;将一项目放入收藏夹或购入车等P;等等。又如这些行为还可以包括在线用户针对项目的不同方面进行的咨询,咨询的不同内容可能反映用户购买冲动的不同等级。考虑在线购买决策过程中决策所针对的项目为电冰箱作为示例,用户咨询产品颜色可能意味着其具有较低的购买冲动;用户咨询有关电冰箱的压缩机的信息或者有关促销的信息可能意味着其具有较高的购买冲动。本发明的发明人已经充分地注意到在线决策前的用户行为对于用户决策所具有的意义,由此提出本发明的各种实施方式,其中通过分析还未进行在线决策的用户在购买决策前的行为,确定该用户处于在线决策过程的哪个阶段,从而更加有效地向该用户提供能够更好地满足该用户在当前阶段的实际需求的推荐项。
在下文中,为了便于说明,将使用在线购买决策作为在线决策的具体示例。但是本领域的技术人员将理解,本发明的技术方案的各个实施方式并不限于在线购买决策过程,而是可以应用于任何适于使用推荐系统的在线决策过程。将可能使用上文所讨论的示例和/或符号化描述,以简化对于本发明各种实施方式的说明。
现在参看图2,图2示出了根据本发明一个实施方式的推荐方法的流程图。
在步骤S210中,根据第一用户在在线决策过程中的行为,确定该第一用户处于所述在线决策过程的哪个阶段。
在线决策过程是一个认知过程。以在线购买决策过程为例,已经发现可以将购买决策过程大致分为:提出需求阶段、信息搜集阶段、替代物对比阶段以及进行购买决策阶段。但是,上述阶段的划分仅是对于用户的行为的定性分析,因此根据现有技术难于监控和监测用户所处阶段,进而依据用户所处的不同阶段提供不同的推荐项。
为了能够定量的对用户所处的决策过程的阶段进行分析,根据本发明的各种实施方式,取决于决策转化率来将决策过程划分为多个阶段。根据本发明一个实施方式,决策转化率可以定义为具有特定行为并且做出决策的用户数目与具有该特定行为的用户总数的比值。
例如,在在线购买决策过程中,使得i表示已经对特定类型的项目执行在线操作的用户的索引,并且N表示用户的数目,则购买决策转化率CR可以估计为:
其中,I{·}表示指示函数,当I所作用的陈述为“真”时,指示函数值为“真”,否则为“假”。式1)考虑了浏览操作、浏览时间和比较操作的用户行为。式1)仅是估计购买决策转化率的一个具体示例,本领域技术人员可以理解还可以针对其它用户行为估计购买决策转化率。
在又一示例中,使得j表示已经对特定类型的项目咨询操作的用户的索引,并且M表示用户的数目,则购买决策转化率可以估计为:
其中,其中,I{·}表示指示函数,当I所作用的陈述为“真”时,指示函数值为“真”,否则为“假”。式2)考虑了用户对于特定项目咨询了项目的颜色和相关促销信息的行为。式2)仅是估计购买决策转化率的一个具体示例,本领域的技术人员可以理解还可以就用户咨询的项目的其它方面估计购买决策转化率。
根据上述决策转化率的定义,根据本发明的一个实施方式,在线决策过程可以包括决策阶段,其中决策阶段的决策转化率等于1。
再次考虑在线购买决策过程的示例,根据上述购买决策转化率的定义,可以针对各种用户的历史行为和历史行为的组合估计相应的购买决策转化率,并以购买决策转化率为依据对在线购买决策过程划分阶段。例如,一个示例性的阶段划分可以如表1所示:
表1
购买意愿 | 购买转化率 |
很弱 | <0.3% |
弱 | 0.3-0.8% |
中等 | 0.8-1.5% |
强 | 1.5-2.7 |
很强 | >2.7% |
本领域技术人员可以理解,如果需要可以以更细的粒度划分阶段,只要有足够的用户历史行为数据能够支持对应的购买决策转化率的估计。
根据本发明的一种实施方式,可以在运行步骤S210之前进行决策转化率的估计并且根据决策转化率划分决策过程的各个阶段,并且存储分配给各个阶段的用户行为和/或行为的组合。例如,可以在系统中存储下表2来作为划分购买决策过程的阶段的标准。
表2
因此,在步骤S210中,根据该第一用户在在线购买决策过程中的行为,可以确定该第一用户处于在线购买决策过程的哪个阶段。例如,当检测到第一用户浏览一项目电冰箱的次数小于2次、或者检测到该第一用户仅咨询了项目的颜色、或者检测到该第一用户仅标记了该电冰箱项目,则可以确定该第一用户处于在线购买决策过程的阶段1,具有很弱的购买意愿;当检测到第一用户浏览一项目电冰箱的次数大于10次、或者检测到该第一用户同时标记、浏览、比较该项目并且将其放入购物车、或者检测到该第一用户咨询了项目的颜色和促销,则可以确定该第一用户处于在线购买决策过程的阶段4,具有强的购买意愿;等等。
在步骤S220中,根据一个或多个第二用户的历史行为记录,来选择将向该第一用户提供的推荐项。根据本发明的实施方式,该一个或多个第二用户是处于比所确定的阶段具有更高决策转化率的一个或多个阶段的用户。这是因为,处于具有更高决策转化率的用户所关注的项目或者项目相关的信息很可能是具有较低决策转化率的阶段的用户所需要的搜集的促进其决策转化的信息。有针对性的向第一用户提供相应的推荐项能够有效地缩短第一用户搜索信息、比较产品等操作所需的时间,从而促进其进行决策。
继续考虑上述在线购买决策过程的示例,在已经确定第一用户处于在线购买决策过程的阶段2的情况下,则第二用户可以从处于阶段3、阶段4、阶段5的用户以及已经做出购买决策的用户中选择。
根据本发明的一个实施方式,可以从处于比针对第一用户所确定的阶段具有更高决策转化率的阶段的用户中确定与第一用户相似的一个或多个用户作为所述一个或多个第二用户。这样处于不同阶段,具有类似属性和偏好的潜在决策者可以提供给第一用户决策转化所需的个性化信息,从而促进其进行决策。
例如,在购买决策过程的实现方式,可以计算第一用户和处于比所确定的阶段具有更高购买决策转化率的一个或多个阶段的用户之间的相似度。如果第一用户与另一用户的购买行为相似度大于一定阈值,则确定该另一用户与所述第一用户相似。
可以使用任何适合的方式来计算两个用户之间的相似度。
例如,可以使用最近距离来度量用户间相似度。对于连续变量可以使用Euclidean距离d度量用户间相似度:
其中,p和q为用户购买产品的矢量。
对于离散变量可以使用Jaccard距离度量用户间相似度:
其中,A和B是用户购买产品的集合。
又如,可以使用基于余弦的相似度:
其中,x,y表示用户购买产品的矢量,rx,i和ry,i表示矢量x,y中的第i个元素。
再如,可以使用基于相关度的相似度:
其中,x,y表示两个不同的用户;rx表示用户x的购买产品的矢量,rx,i表示rx中的第i个元素,表示对rx中的所有元素求均值的结果;类似地,ry表示用户y的购买产品的矢量,ry,i表示ry中的第i个元素,表示对ry中的所有元素求均值的结果。
当确定了与第一用户相似的一个或多个第二用户之后,各个第二用户的历史行为记录可以作为选取推荐项的内容池。内容池可以包括:产品项;关于产品特征的信息项;关于产品服务的信息项;关于用户评论的信息项;关于用户咨询的信息项,等等。
通常,向第一用户提供的推荐项数目是有限的。为了优化推荐项,根据本发明一个实施方式,可以根据为在线决策过程的各个阶段所分配的权值,确定从各个阶段的选择的推荐项的数目。
图3示出了根据本发明一个实施方式的在线购买决策过程各个阶段的权值分配的示例。在图3所示的示例中,确定第一用户处于在线购买决策过程的阶段1,则比确定的阶段具有更高购买转化率的阶段2、3、4、5以及购买决策阶段可以被分配以不同的权值w2、w3、w4、w5和wB,用于确定从各个阶段中选择的推荐项的数目。
例如,可以配置w2=1,wi=0,则这种配置方案对应于仅在处于所确定的第一用户的阶段的下一阶段的用户中选择第二用户。该配置方案有利于有针对性的促使潜在购买者第一用户转化到下一阶段,提高其进行购买决策的可能性。
又如,可以配置wB=1,wi=0,则这种配置方案对应于仅在已经做出购买决策的用户中选择第二用户。该配置方案有利于向潜在购买者第一用户提供最终已经做出购买转化的推荐项。
再如,可以配置wi≠1,则这种配置方案对应于将从处于比所确定的第一用户的阶段具有更高转化率的所有阶段的用户中选择第二用户。该配置方案有利于最大程度的扩展推荐项的内容池。
可以根据不同需求,人工的配置分配给不同阶段的权值。根据本发明的另一有利的实施方式,还可以根据来自该阶段的推荐项是否被采纳,而自适应更新各个阶段的权值。例如,根据来自特定阶段i的产品项最终被第一用户所购买,则可以按照下式更新分配给阶段i的权值wi new:
其中,c是正常数,其与参数α一起用于确定将递增权值的量。确定新的wi new之后,将当前所有阶段的权值进行归一化,使得它们的和等于1。
本领域技术人员可以理解,式7)仅给出了更新分配给阶段i的权值的一个具体示例,任何适合于以自适应学习方式更新分配给各个阶段权值的方法均可以用于本发明的方法,而不背离本发明的实质。
若向第一用户提供推荐项的总个数为N,则从每个阶段选择的推荐项个数可以根据分配给不同阶段的权值来确定。例如,可以确定分配给阶段i的推荐项个数Ni为:
其中,表示下取整函数。
上述式8)仅示例性的给出一种计算分配给各个阶段推荐项的数目,本领域技术人员应该理解可以采用任何适当方式确定分配给各个阶段的推荐项数目,而不偏离本发明的实质。
如上文所述,所有第二用户的历史行为记录可以作为推荐项的内容池。在一个实施方式中,内容池中的每个内容项均具有度量其流行度的分值。现有的推荐系统已经存在多种对内容项的流行度进行打分的方案,根据本发明的实施方式可以采用任何适当的流行度打分方式,而不偏离本发明的实质。因此,出于简洁的目的,这里仅给出简单示例,而不再对内容项的流行度打分方式进行详述。
例如,内容池中的每个产品项可以按照如下方式进行流行度打分:
S项目流行度=f(项目销售量,驻留时间,访问频次) 9)
内容池中的评论项可以按照如下方式进行流行度打分:
S评论流行度=f(好评数目,中评次数,差评次数) 10)
根据本发明的一个实施方式,从比针对第一用户所确定的阶段具有更高决策转化率的一个或多个阶段的每个阶段所确定的第二用户的历史行为记录中,选择针对相应阶段所确定数目Ni个的、具有最高流行度分值的内容项作为向第一用户提供的推荐项。
图4示出了根据本发明一个实施方式的推荐系统的框图。
如图4所示,推荐系统400包括:阶段检测器410和推荐引擎420。
阶段检测器410被配置为根据第一用户在在线决策过程中的行为,确定该第一用户处于所述决策过程的哪个阶段。例如,在在线购买系统中,第一用户的行为可以推荐系统400的操作捕获模块(未示出)和咨询和评价获取模块(未示出)来监控和检测。根据本发明的一种实施方式,可以预先根据用户的历史行为进行决策转化率的估计并根据决策转化率划分决策过程的各个阶段。在阶段检测器410可以访问的存储装置(未示出)中存储分配给各个阶段的用户行为和/或行为的组合,作为划分决策过程的各个阶段的标准。
推荐引擎420被配置为根据一个或多个第二用户的历史行为记录来选择将向该第一用户提供的推荐项,其中该一个或多个第二用户是处于比所确定的阶段具有更高决策转化率的一个或多个阶段的用户。
根据本发明的一个实施方式,推荐引擎420还包括用户搜索引擎421。该用户搜索引擎421被配置为用于从处于比所确定的阶段具有更高决策转化率的阶段的用户中,确定与该第一用户相似的一个或多个用户作为所述一个或多个第二用户。如果所述第一用户与另一用户的决策行为相似度大于一定阈值,则用户搜索引擎421确定该另一用户与所述第一用户相似。
推荐引擎420还可以被配置为用于根据为在线决策过程的各个阶段所分配的权值,确定从各个阶段的选择的推荐项的数目。根据本发明的一个实施方式,系统400可以通过使用权值更新模块430来自适应地确定为在线决策过程的各个阶段分配的权值。权值更新模块430被配置为根据来自该阶段的推荐项是否被采纳,而自适应更新各个阶段的权值。
根据本发明的一个实施方式,推荐引擎420还可以被配置用于从比针对第一用户所确定的阶段具有更高决策转化率的一个或多个阶段的每个阶段所确定的第二用户的历史行为记录中,选择针对相应阶段所确定推荐项的数目的、具有最高流行度分值的内容项作为推荐项。根据本发明的一个实施方式,推荐引擎420所选择的推荐项可以包括但不限于从以下组中选择的一项或多项:产品项;关于产品特征的信息项;关于产品服务的信息项;关于用户评论的信息项;关于用户咨询的信息项。
根据本发明一个或多个实施方式的方法,使得能够根据第一用户所处的在线决策过程的阶段来提供推荐项,有效地推动第一用户向具有更高决策转化率的阶段进行转化,由此有效地提高了整个决策过程的决策转化率。有利地,本发明的一个或多个实施方式能够根据实际需求,通过配置分配给各个阶段的权值和/或调整更新权值的方式来有效地控制向第一用户提供推荐项的具体策略,由此提供了良好的灵活性和适应性。
附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本发明的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的技术改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (17)
1.一种计算机实现的推荐方法,包括:
根据第一用户在在线决策过程中的行为,确定该第一用户处于所述在线决策过程的哪个阶段,其中所述决策过程被划分为取决于决策转化率的多个阶段;
根据一个或多个第二用户的历史行为记录,来选择将向该第一用户提供的推荐项,其中所述一个或多个第二用户是处于比所确定的阶段具有更高决策转化率的一个或多个阶段的用户。
2.根据权利要求1所述的方法,其中所述决策转化率是具有特定行为并且做出决策的用户数目与具有该特定行为的用户总数的比值。
3.根据权利要求2所述的方法,其中所述在线决策过程包括决策阶段,所述决策阶段的决策转化率等于1。
4.根据权利要求1所述的方法,其中选择推荐项的步骤包括:
从处于比所确定的阶段具有更高决策转化率的阶段的用户中,确定与所述第一用户相似的一个或多个用户作为所述一个或多个第二用户。
5.根据权利要求4所述的方法,其中如果所述第一用户与另一用户的决策行为相似度大于一定阈值,则确定该另一用户与所述第一用户相似。
6.根据权利要求4或5所述的方法,其中选择推荐项的步骤还包括:
根据为所述在线决策过程的各个阶段所分配的权值,确定从各个阶段选择的推荐项的数目,
其中各个阶段的权值被配置为根据来自该阶段的推荐项是否被采纳而进行自适应更新。
7.根据权利要求6所述的方法,其中所述选择推荐项的步骤还包括:
从比所确定的阶段具有更高决策转化率的一个或多个阶段的每个阶段所确定的第二用户的历史行为记录中,选择针对相应阶段所确定推荐项的数目的、具有最高流行度分值的内容项作为所述推荐项。
8.根据权利要求1-6之任一所述的方法,其中所述推荐项包括以下组中选择的一项或多项:
产品项;
关于产品特征的信息项;
关于产品服务的信息项;
关于用户评论的信息项;
关于用户咨询的信息项。
9.一种计算机实现的推荐系统,包括:
阶段检测器,被配置为根据第一用户在在线决策过程中的行为,确定该第一用户处于所述在线决策过程的哪个阶段,其中所述在线决策过程被划分为取决于决策转化率的多个阶段;
推荐引擎,被配置为根据一个或多个第二用户的历史行为记录,来选择将向该第一用户提供的推荐项,其中所述一个或多个第二用户是处于比所确定的阶段具有更高决策转化率的一个或多个阶段的用户。
10.根据权利要求9所述的系统,其中所述决策转化率是具有特定行为并且做出决策的用户数目与具有该特定行为的用户总数的比值。
11.根据权利要求10所述的系统,其中所述在线决策过程包括决策阶段,所述决策阶段决策转化率等于1。
12.根据权利要求9所述的系统,其中所述推荐引擎进一步包括:
用户搜索引擎,被配置用于从处于比所确定的阶段具有更高决策转化率的阶段的用户中,确定与所述第一用户相似的一个或多个用户作为所述一个或多个第二用户。
13.根据权利要求12所述的系统,其中所述用户搜索引擎被配置为如果所述第一用户与另一用户的决策行为相似度大于一定阈值,则确定该另一用户与所述第一用户相似。
14.根据权利要求12或13所述的系统,其中所述推荐引擎还被配置用于根据为所述在线决策过程的各个阶段所分配的权值,确定从各个阶段选择的推荐项的数目,
所述系统还包括权值更新模块,被配置为根据来自该阶段的推荐项是否被采纳自适应更新各个阶段的权值。
15.根据权利要求14所述的系统,其中所述推荐引擎还被配置用于从比所确定的阶段具有更高决策转化率的一个或多个阶段的每个阶段所确定的第二用户的历史行为记录中,选择针对相应阶段所确定推荐项的数目的、具有最高流行度分值的内容项作为所述推荐项。
16.根据权利要求9-15之任一所述的系统,其中所述推荐项包括以下组中选择的一项或多项:
产品项;
关于产品特征的信息项;
关于产品服务的信息项;
关于用户评论的信息项;
关于用户咨询的信息项。
17.一种计算机实现的推荐装置,包括:
用于根据第一用户在在线决策过程中的行为,确定该第一用户处于所述在线决策过程的哪个阶段的装置,其中所述在线决策过程被划分为取决于决策转化率的多个阶段;
用于根据一个或多个第二用户的历史行为记录,来选择将向该第一用户提供的推荐项的装置,其中所述一个或多个第二用户是处于比所确定的阶段具有更高决策转化率的一个或多个阶段的用户。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310039291.0A CN103970785A (zh) | 2013-01-31 | 2013-01-31 | 在线推荐方法和系统 |
US14/165,628 US20140214592A1 (en) | 2013-01-31 | 2014-01-28 | Method and system for online recommendation |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310039291.0A CN103970785A (zh) | 2013-01-31 | 2013-01-31 | 在线推荐方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103970785A true CN103970785A (zh) | 2014-08-06 |
Family
ID=51223990
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310039291.0A Pending CN103970785A (zh) | 2013-01-31 | 2013-01-31 | 在线推荐方法和系统 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20140214592A1 (zh) |
CN (1) | CN103970785A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110580259A (zh) * | 2018-05-22 | 2019-12-17 | 上海大学 | 基于流程管理大数据的客户需求挖掘方法和设备 |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170032417A1 (en) * | 2015-08-01 | 2017-02-02 | International Business Machines Corporation | Detecting and generating online behavior from a clickstream |
CN105354056B (zh) * | 2015-10-23 | 2018-12-28 | 北京金山安全软件有限公司 | 一种app推荐信息展示方法和装置 |
CN105354729A (zh) * | 2015-12-14 | 2016-02-24 | 电子科技大学 | 一种电子商务系统中的商品推荐方法 |
CN106504019A (zh) * | 2016-10-31 | 2017-03-15 | 深圳前海弘稼科技有限公司 | 一种植物推荐方法及装置 |
CN109948068A (zh) * | 2017-09-30 | 2019-06-28 | 阿里巴巴集团控股有限公司 | 一种兴趣点信息的推荐方法和装置 |
US11151208B2 (en) * | 2019-08-02 | 2021-10-19 | Match Group, Llc | System and method for recommending users based on shared digital experiences |
CN111506816B (zh) * | 2020-04-20 | 2023-05-09 | 喜大(上海)网络科技有限公司 | 推荐方法、装置、设备及存储介质 |
US11436658B2 (en) * | 2020-08-21 | 2022-09-06 | Ebay Inc. | Concurrent browsing interface with recommendations based on user attributes |
CN112507235A (zh) * | 2020-12-22 | 2021-03-16 | 北京明略软件系统有限公司 | 一种混排物料推荐方法、系统、电子设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2001067354A1 (en) * | 2000-03-06 | 2001-09-13 | Wellogix, Inc. | Method and process for providing relevant data, comparing proposal alternatives, and reconciling proposals, invoices, and purchase orders with actual costs in a workflow process |
US20090187479A1 (en) * | 2008-01-22 | 2009-07-23 | Microsoft Corporation | Conversion tracking for paid search market |
US20110295824A1 (en) * | 2010-05-31 | 2011-12-01 | Red Hat, Inc. | Search prediction using context modeling |
CN102663626A (zh) * | 2012-04-26 | 2012-09-12 | 焦点科技股份有限公司 | 基于区域特征的协同过滤推荐方法 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7672865B2 (en) * | 2005-10-21 | 2010-03-02 | Fair Isaac Corporation | Method and apparatus for retail data mining using pair-wise co-occurrence consistency |
US7574422B2 (en) * | 2006-11-17 | 2009-08-11 | Yahoo! Inc. | Collaborative-filtering contextual model optimized for an objective function for recommending items |
US20100049538A1 (en) * | 2008-08-22 | 2010-02-25 | Durban Frazer | Method and apparatus for selecting next action |
US20120290374A1 (en) * | 2011-05-13 | 2012-11-15 | Dell Products L.P. | Social Marketplace Process and Architecture |
US8655730B1 (en) * | 2011-09-28 | 2014-02-18 | Amazon Technologies, Inc. | Selecting advertisements based on advertising revenue model |
US20130097011A1 (en) * | 2011-10-14 | 2013-04-18 | Microsoft Corporation | Online Advertisement Perception Prediction |
US20130231977A1 (en) * | 2012-02-06 | 2013-09-05 | Kenshoo Ltd. | System, method and computer program product for attributing a value associated with a series of user interactions to individual interactions in the series |
US10423984B2 (en) * | 2012-10-16 | 2019-09-24 | Facebook, Inc. | Sponsored stories in notifications |
US20140149425A1 (en) * | 2012-11-23 | 2014-05-29 | Mobitv, Inc. | View count weighted content recommendation |
US20140180798A1 (en) * | 2012-12-26 | 2014-06-26 | Richrelevance, Inc. | Contextual selection and display of information |
-
2013
- 2013-01-31 CN CN201310039291.0A patent/CN103970785A/zh active Pending
-
2014
- 2014-01-28 US US14/165,628 patent/US20140214592A1/en not_active Abandoned
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2001067354A1 (en) * | 2000-03-06 | 2001-09-13 | Wellogix, Inc. | Method and process for providing relevant data, comparing proposal alternatives, and reconciling proposals, invoices, and purchase orders with actual costs in a workflow process |
US20090187479A1 (en) * | 2008-01-22 | 2009-07-23 | Microsoft Corporation | Conversion tracking for paid search market |
US20110295824A1 (en) * | 2010-05-31 | 2011-12-01 | Red Hat, Inc. | Search prediction using context modeling |
CN102663626A (zh) * | 2012-04-26 | 2012-09-12 | 焦点科技股份有限公司 | 基于区域特征的协同过滤推荐方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110580259A (zh) * | 2018-05-22 | 2019-12-17 | 上海大学 | 基于流程管理大数据的客户需求挖掘方法和设备 |
Also Published As
Publication number | Publication date |
---|---|
US20140214592A1 (en) | 2014-07-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103970785A (zh) | 在线推荐方法和系统 | |
JP5961666B2 (ja) | タッチポイントをカスタマイズするシステム、方法、およびコンピュータ実行可能プログラム | |
CN105893526A (zh) | 多源数据融合系统和方法 | |
US20110213651A1 (en) | Computer-Implemented Method For Enhancing Targeted Product Sales | |
US10922701B2 (en) | Systems and methods for characterizing geographic regions | |
KR101403836B1 (ko) | 소비자 행동을 금융 상품으로서 가상화하기 | |
CN103412948A (zh) | 基于聚类的协同过滤的商品推荐方法及系统 | |
Cao et al. | Joint optimization of product family design and supplier selection under multinomial logit consumer choice rule | |
CN112330358A (zh) | 产品销量预测的方法和装置、存储介质和电子设备 | |
US11568343B2 (en) | Data analytics model selection through champion challenger mechanism | |
US20200074509A1 (en) | Business data promotion method, device, terminal and computer-readable storage medium | |
CN106485559A (zh) | 针对网店的作弊识别方法及装置 | |
Ingene et al. | Manufacturer-optimal wholesale pricing when retailers compete | |
KR102179397B1 (ko) | 상품 추천 서비스 시스템 및 그 방법, 그리고 이에 적용되는 장치 | |
US20170316442A1 (en) | Increase choice shares with personalized incentives using social media data | |
CN106598379A (zh) | 管理应用程序的方法及装置 | |
Suh | Machine learning based customer churn prediction in home appliance rental business | |
CN106709756A (zh) | 用户需求信息获取方法和装置 | |
US20170178164A1 (en) | Systems and Methods for Use in Processing Transaction Data | |
CN104462093A (zh) | 个人推荐方案 | |
Luo et al. | Linear programming embedded genetic algorithm for product family design optimization with maximizing imprecise part-worth utility function | |
Chaouch | Inventory control and periodic price discounting campaigns | |
US11042837B2 (en) | System and method for predicting average inventory with new items | |
CN112200602A (zh) | 用于广告推荐的神经网络模型训练方法及装置 | |
Yao et al. | Positioning–pricing problem of heterogeneous duopoly with uncertain consumer preferences |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20140806 |