CN104281890A - 电子商务系统中预测流行商品的方法和系统 - Google Patents

Abstract

该发明提供了一种电子商务系统中预测流行商品的方法和系统，涉及互联网商品流行趋势预测技术领域。首先按照评分类型对商品进行分类，如：可以对该商品进行评分的为一类，只有“赞”之类二元选择的商品为一类等，选择一类商品，获得该类所有被关注过的商品在当前时间段内被关注的次数，统计为流行度向量；再获得该类商品的评分数据，通过流行度向量和评分数据计算出该类所有商品未来一段时间的流行度向量，从而具有在保证商品流行趋势预测排名的准确性、实时性以及效率的同时，还能提高对“潜力商品”以及商品流行趋势进行预测的准确性。

Description

电子商务系统中预测流行商品的方法和系统

技术领域

本发明涉及互联网商品流行趋势预测技术领域，具体来讲，涉及一种电子商务系统中预测流行商品的方法和系统。

背景技术

随着互联网的推广和普及，越来越多的人习惯于在互联网上购买、评论及关注各类商品。而对于提供这些商品的在线服务商而言，预先知道哪些商品在未来一段时间会流行就具有非常重要得意义，同样对于消费个体来说，他们也能根据商品的流行趋势帮助其对商品的选择。

推荐技术在理论和应用层面都具有重大的意义和价值，它不仅是电子商务系统的核心技术，而且是几乎所有WEB应用的必备技术，例如好友推荐，新闻推荐等等。

现有推荐算法通常将注意力集中到系统的微观层面，主要考虑单个用户或者产品找到合适的另一半。事实上，推荐算法不仅能从微观层面上预测单个用户未来可能感兴趣的商品，也能在宏观层面预测商品度的未来演化情况，而且宏观上流行的商品总是会对推荐算法结果产生显著影响。宏观预测可以为用户中的趋势引领者提前提供相关信息来节省他们在众多商品中的搜寻时间，为在线运营商提供库存管理的指导以及为广告商提供广告投放的策略等等。

传统的一些趋势预测方法是根据商品历史或一段时间的流行度的时间序列去预测其未来的流行趋势，然而这类方法存在在以下的问题：一方面由于计算的复杂性，使得在线服务商往往很难将其直接利用到系统中，另一方面传统的方法也不能很好的对前文提到的“潜力商品”进行预测。

本发明将利用推荐算法，把个体用户的微观行为汇聚到宏观的商品流行性。具体而言，若某个商品被广泛的推荐给不同用户，此商品的度在未来将显著增加。这种基于微观的分析方法将使我们得到比基于宏观分析的偏好依附算法更丰富的趋势预测结果。我们将设计合理的整合方法，以达到最好的趋势预测精度。

发明内容

本发明的目的在于克服上述现有技术的不足，提供一种能在保证商品流行趋势预测排名的准确性、实时性以及效率的同时，还能提高对“潜力商品”以及商品流行趋势上升或是下降进行预测能力的方法。

本发明提供一种电子商务系统中对商品流行趋势预测的方法，首先按照评分类型对商品进行分类，如：可以对该商品进行评分的为一类，只有“赞”之类二元选择的商品为一类等，选择一类商品，获得该类所有被关注(购买，评论等)过的商品在当前时间段内被关注的次数，统计为流行度向量；再获得该类商品的评分数据，通过流行度向量和评分数据计算出该类所有商品未来一段时间的流行度向量，从而实现发明目的。因而本发明一种电子商务系统中对商品流行趋势预测的方法包括：

步骤1、按评分类型对商品进行分类，选择一类商品，获得当前时间段该类所有被关注过商品的流行度向量，商品的流行度表示为商品被关注的次数；

步骤2、获得步骤1选定的一类商品在当前时间段内系统中所有对该类商品发生评分行为的用户对商品的评分记录，并根据这些评分记录构建用户对商品的评分矩阵；

步骤3、根据该类所有商品在第t个时间段的流行度向量和评分矩阵，预测计算各商品在t+1时间段的流行度，其中t为大于等于1的整数。

其中步骤2中评分矩阵只是其中一种评分表示方法，其它评分表示发方法同样在本专利保护范围内。

其中，所述步骤1中选定一类商品，获得当前时间段该类所有商品的流行度向量，该向量中的第i个元素表示第i个商品在当前时间段的流行度，即该商品在此时间段中被用户关注的次数。

所述步骤1中商品的流行度表示为商品被用户购买、评论或评分等的次数。

根据商品的流行度可以得到商品在该时间段的流行排名，即商品的流行度越大，其排名越靠前。

进一步的，所述步骤1中的时间段可以是周、月、季度等。

所述步骤2的评分矩阵中的每一个元素表示某一用户对某一商品的评分，如评分矩阵第i行第j列元素的值即表示第i个用户对第j个商品的评分值，若用户i未对商品j评分，则其评分值设为0；对于不包含评分的系统，只有“赞”之类二元选择的商品如新闻等，其评分值为只取0和1，即用户对商品发生上述行为的则评分值为1，否则为0；

所述步骤3中利用步骤2得到的评分矩阵及下列公式来计算用户对一类商品的预测评分矩阵：

$X_{\mathrm{i\&alpha;}}\left(t\right)=<A_i\left(t\right)>+\frac{{\mathrm{\&Sigma;}}_{j\&Element;{\mathrm{NNS}}_i}\mathrm{sim}(i,j)(A_{\mathrm{jk}}\left(t\right)-<A_j\left(t\right)>)}{{\mathrm{\&Sigma;}}_{j\&Element;{\mathrm{NNS}}_i\left(\right|\mathrm{sim}(i,j)\left|\right)}}$

其中，A(t)表示在时间段t的评分矩阵，A_i(t)表示在时间段t第i个用户的评分向量；A_jk(t)表示在时间段t第j个用户对第k个商品的评分；NNS_i表示用户i的最近邻居集；符号<·>表示求向量的平均值；sim(i,j)表示用户i与用户j的相似度，其定义如下：

$\mathrm{sim}(i,j)=\frac{(A_i\left(t\right)-<A_i\left(t\right)>)(A_j\left(t\right)-<A_j\left(t\right)>)}{\left|\right|A_i\left(t\right)-<A_i\left(t\right)>\left|\right|\&CenterDot;\left|\right|A_j\left(t\right)-<A_j\left(t\right)>\left|\right|}$

其中A_i(t)与前文一致，符号||·||表示求向量的2-范数；

根据得到的预测评分矩阵X(t)，将X(t)的每一列的元素求和得到一个向量，向量中第k个元素的值作为第k个商品的预测流行度，通过这些预测流行度来预测商品在未来的流行排名。

所述步骤3根据得到的预测评分矩阵X(t)，另一种计算方法为：a)将预测评分矩阵X(t)映射为邻接矩阵即该邻接矩阵的每一个元素只能取0或者1，具体规则为若某一个元素X_iα(t)大于等于某一个阈值则X_iα(t)＝1表示系统会推荐见该商品给用户，否则X_iα(t)＝0系统不会推荐见该商品给用户；b)对得到的邻接矩阵同样将的每一列的元素求和得到一个向量，向量中第k个元素的值作为第k个商品的预测流行度，预测流行度越大，则相应的流行度排名越靠前。

在进一步的，如在评分只能为1-5的系统中，阈值通常取为3，即通常选取评分系统中评分范围的中值，而对于评分矩阵本身即为0、1的邻接矩阵时，此时

一种使用商品流行趋势预测方法的预测系统，该系统包括：

用于获得及更新用户和商品信息的模块，用于对用户及商品信息处理及预测商品流行趋势的计算模块，用于配置系统的配置文档模块，用于读写数据的数据接口模块，用于商品流行趋势的排名与更新模块，商品流行趋势预测逻辑控制总线，用于存储用户及商品信息和商品趋势预测结果等的信息存储模块；

其中所述获得及更新用户和商品信息的模块用于从信息存储模块中获得并更新用户和商品信息，包括用户和商品的唯一性标识、用户对商品的评分值、评分时间等信息，当所需预测商品的流行趋势的时间更新时，该模块将同时更新用户和商品信息；

所述计算模块用于对通过获得的用户和商品信息进行处理和预测流行趋势的计算，包括：根据用户及商品信息构建用户对商品的评分矩阵；计算商品当前的流行度；计算商品当前的流行度排名；计算用户间的相似度；计算用户对商品的预测评分矩阵；计算商品的预测流行度；计算商品的预测流行度排名，将计算的结果存储于信息存储模块；

所述配置文档模块用于存储所述流行趋势预测系统的配置信息，配置信息包括用户及商品各类信息的储存格式及数据类型；系统时间段粒度的大小(即每个时间段的跨度，如一周，一月等)；系统版本信息及更新信息等；

所述数据接口模块用于读取更新模块所需的用户及商品数据，读取计算模块在预测商品流行趋势时所需的数据，写入计算模块的计算结果；

所述排名与更新模块用于对多个商品根据所述计算模块所计算的商品的预测流行度，对所述多条商品进行预测流行度排名的更新及显示；

所述商品流行趋势预测逻辑控制单元用于控制数据借口模块对需要数据的读取，控制更新模块对数据的更新，控制计算模块对数据的处理及计算，控制排名与更新模块对计算结果进行排名与更新，根据配置文档控制数据读取与写入的格式及数据类型，设定时间段大小。

采用本发明可以达到如下的优势：

本发明从时间维度和商品的流行度出发，引入推荐算法，在保证商品流行趋势预测排名的准确性以及效率的同时，还可以提高对上述“潜力商品”的预测准确率以及对商品流行趋势是上升还是下降的预测准确率。

附图说明

图1是根据本发明一个实施例的商品流行趋势预测方法的整体流程图；

图2是根据本发明一个实施例的构建用户和商品评分矩阵的方法的流程图；

图3是根据本发明一个实施例的商品流行趋势预测算法流程图；

图4是根据本发明一个实施例的商品和用户信息更新流程图；

图5是根据本发明一个实施例的商品流行趋势预测系统的框图；

图6是根据本发明一个实施例的商品流行趋势预测逻辑控制单元框图。

具体实施方式

下面结合附图和具体实施方式对本发明加以说明。

根据本发明的一个实施例，提供一种商品流行趋势预测方法。图1示出了该预测方法的一个实施例，包括以下步骤：

步骤1002、对要处理的系统中的用户和商品赋予唯一标识。

本发明可以使用各种标识方法来唯一地标识一条微博，从商品发布开始，可将该商品相关的信息对应到其唯一标识，以便统计这些信息。商品相关信息包括如商品的发布时间、用户对商品的评分等。

步骤1004、根据设定的时间段和商品的唯一标识，统计该时间段用户对商品的评分记录并构建用户对商品的评分矩阵。

根据本发明的一个实施例，步骤1004包括以下步骤：

步骤2002、根据时间段确定系统中用户和商品的行为的数据集。

步骤2004、对数据集中各个用户对商品的评分记录等进行统计，包括商品的发布时间，用户对商品的评分、评分时间等。

步骤2006、获得该时间段用户对商品的评分矩阵，矩阵中的第i行第j列的元值为第i个用户对商品j的评分值。

在进一步的实施例中，设定的时间段可以是周、月、季度、年等。

步骤1006、根据步骤1004得到的评分矩阵利用推荐算法计算用户对商品的预测评分矩阵。

  

在一个实施例中，用户对商品的评分矩阵和预测评分矩阵如上所示，两个矩阵中第i行第j列分别表示用户i对商品j的评分值和预测评分值。需要注意的是，评分矩阵中有的元素为0表示该用户未对该商品进行评分，而预测评分矩阵中则不存在用户未对商品评分，但是预测评分并不一定等于评分矩阵中的评分。

步骤1008、根据得到的用户对商品的预测评分矩阵预测商品在下一个时间段的流行趋势排名。

根据本发明的一个实施例，步骤1008具体包括以下步骤：

步骤3002、根据评分矩阵计算用户对商品的预测评分矩阵，其计算方法如下：

$X_{\mathrm{i\&alpha;}}\left(t\right)=<A_i\left(t\right)>+\frac{{\mathrm{\&Sigma;}}_{j\&Element;{\mathrm{NNS}}_i}\mathrm{sim}(i,j)(A_{\mathrm{jk}}\left(t\right)-<A_j\left(t\right)>)}{{\mathrm{\&Sigma;}}_{j\&Element;{\mathrm{NNS}}_i\left(\right|\mathrm{sim}(i,j)\left|\right)}}$

其中，A(t)表示在时间段t的评分矩阵，A_i(t)表示在时间段t第i个用户的评分向量；A_jk(t)表示在时间段t第j个用户对第k个商品的评分；NNS_i表示用户i的最近邻居集；符号<·>表示求向量的平均值；sim(i,j)表示用户i与用户j的相似度，其定义如下：

$\mathrm{sim}(i,j)=\frac{(A_i\left(t\right)-<A_i\left(t\right)>)(A_j\left(t\right)-<A_j\left(t\right)>)}{\left|\right|A_i\left(t\right)-<A_i\left(t\right)>\left|\right|\&CenterDot;\left|\right|A_j\left(t\right)-<A_j\left(t\right)>\left|\right|}$

其中A_i(t)与前文一致。符号||·||表示求向量的2-范数。

步骤3004、根据得到的预测评分矩阵选择预测方法，本发明提供了两种不同的预测方法。

步骤3006、利用预测方法1计算商品的预测流行度。将预测评分矩阵每一列求和，将得到的所有用户对商品的评分和做为商品的预测流行度。

步骤3008、利用预测方法2计算商品的预测流行度。将预测评分矩阵映射为01的邻接矩阵，再将该矩阵的每一列求和，作为商品的预测流行度。

步骤3010、根据商品的预测流行度得到商品的预测流行排名。预测流行度越高则对应的商品的预测流行排名越低。

上述实施例给出了构建初始时间段用户对商品评分矩阵的方法，由于商品和用户的行为会随着时间的推移而发生变化，例如，系统中新商品和新用户的加入，用户对未评分过的商品评分等。因此还需要在预测商品流行趋势前对商品和用户的信息进行更新，根据本发明的一个实施例，该更新的执行过程如图4所示，主要包括以下步骤：

步骤4002,、获取新添加的数据集或新设定的时间段。

新添加的数据集包好上述所述的用户和商品的相关信息。

步骤4004、判断用户对商品的评分记录是否已达到设定值；

如果是则转步骤4006用新加入的数据替换原数据集中时间最早的一部分数据，对于只是重新设定时间段，则直接添加(删除)相应的数据集；否则转到步骤4008将新的数据集加入到用于构建用户对商品的评分矩阵的数据集中，从而得到新的数据集。

步骤4010、构建新的用户对商品的评分矩阵并更新。

根据本发明的一个实施例，还提供一种商品流行趋势预测系统，用于对商品的流行趋势排名进行预测。图5示出了该商品流行趋势预测系统的运行环境，包括互联网在线服务平台，以及诸如PC机、笔记本电脑电脑、手机等的终端。如图5所示，商品流行趋势预测系统需要与现有的互联网在线服务平台通过互联网进行数据的交互。通过数据的读取，可以由商品流行趋势预测系统对商品的流行趋势进行预测，从而用户可以例如通过上述终端，经由互联网来查看商品流行趋势预测的结果。

图6示出了微博流行趋势预测系统的一个实施例的框图。如图6所示，该系统主要包括：配置文档模块6001、数据读取接口模块6101、商品流行趋势预测逻辑控制单元6201、构建及更新用户对商品的评分矩阵模块模块6301、商品流行趋势预测模块6302，以及商品流行趋势更新与排名模块6303。以下分别对系统中的各个模块或单元进行详细描述。

A.配置文档模块6001

在一个实施例中，配置文档模块6001包括运行商品流行预测系统所需的一些配置信息，例如：读取的数据格式、商品及用户所使用的数据集的大小或时间范围、商品及用户信息的更新策略、商品流行趋势预测更新的时间段等。

B.数据读取接口模块6101

数据读取接口模块6101主要负责数据的读取，按照配置的数据格式将数据读取到商品流行趋势预测系统中，供商品流行趋势预测逻辑控制单元调用。在一个实施例中，本系统中涉及到的数据主要包括商品和用户的信息和商品与用户更新信息，即上述用于构建用户对商品的评分矩阵的数据。

C.商品流行趋势预测逻辑控制单元6201

商品流行趋势预测逻辑控制单元6201用于控制整个商品流行趋势预测系统的执行逻辑和流程。在一个实施例中，商品流行趋势预测逻辑控制单元6201用于提供控制如上文中结合图1-4描述的数据的读取、用户对商品的评分矩阵的构建及更新、商品流行趋势排名的预测，以及商品流行趋势的更新与排名等功能。

D.构建及更新用户对商品的评分矩阵模块6301

构建及更新用户对商品的评分矩阵模块模块6301用于如上文中结合图2描述的，根据配置文档模块6001的配置信息，以及通过数据读取接口模块6101提供的商品和用户信息或商品及用户更新信息，包括构建及更新用户对商品的评分矩阵。由于商品和用户的信息是动态变化的，随着时间的推移连同新的数据集的加入，该模块6301还用于如上文中结合图4描述的，完成数据的更新。

E.商品流行趋势预测模块6302

微博流行趋势预测模块6302用于执行本发明提供的商品流行趋势预测方法。如上文中结合图1-3所描述的，构建及更新用户对商品的评分矩阵等信息，预测商品在将来某个时间段的流行趋势排名。在一个实施例中，该模块可包括用于获得及更新用户对商品的评分矩阵以及计算用户对商品的评分矩阵，以及预测商品在将来某个时间的流行度和流行趋势排名的计算模块。

F.商品流行趋势更新与排名模块6303

商品流行趋势更新与排名模块6303用于如上文中结合图1所描述的，根据设定的更新时间，对商品流行趋势预测的结果进行更新并且重新排名。

Claims (8)

1.一种电子商务系统中对商品流行趋势预测的方法，该方法包括：

步骤1、按评分类型对商品进行分类，选择一类商品，获得当前时间段该类所有被关注过商品的流行度向量，商品的流行度表示为商品被关注的次数；

步骤2、获得步骤1选定的一类商品在当前时间段内系统中所有对该类商品发生评分行为的用户对商品的评分记录，并根据这些评分记录构建用户对商品的评分矩阵；

步骤3、根据该类所有商品在第t个时间段的流行度向量和评分矩阵，预测计算各商品在t+1时间段的流行度，其中t为大于等于1的整数。

其中，所述步骤1中选定一类商品，获得当前时间段该类所有商品的流行度向量，该向量中的第i个元素表示第i个商品在当前时间段的流行度，即该商品在此时间段中被用户关注的次数。

2.如权利要求1所述的一种电子商务系统中对商品流行趋势预测的方法，其特征在于所述步骤1中商品的流行度表示为商品被用户购买、评论或评分等的次数。

3.如权利要求1所述的一种电子商务系统中对商品流行趋势预测的方法，其特征在于所述步骤1中的时间段可以是周、月、季度等。

4.如权利要求1所述的一种电子商务系统中对商品流行趋势预测的方法，其特征在于所述步骤2的评分矩阵中的每一个元素表示某一用户对某一商品的评分，如评分矩阵第i行第j列元素的值即表示第i个用户对第j个商品的评分值，若用户i未对商品j评分，则其评分值设为0；对于不包含评分的系统，只有“赞”之类二元选择的商品如新闻等，其评分值为只取0和1，即用户对商品发生上述行为的则评分值为1，否则为0。

5.如权利要求1所述的一种电子商务系统中对商品流行趋势预测的方法，其特征在于所述步骤3中利用步骤2得到的评分矩阵及下列公式来计算用户对一类商品的预测评分矩阵：

$X_{\mathrm{i\&alpha;}}\left(t\right)=<A_i\left(t\right)>+\frac{{\mathrm{\&Sigma;}}_{j\&Element;{\mathrm{NNS}}_i}\mathrm{sim}(i,j)(A_{\mathrm{jk}}\left(t\right)-<A_j\left(t\right)>)}{{\mathrm{\&Sigma;}}_{j\&Element;{\mathrm{NNS}}_i}\left(\right|\mathrm{sim}(i,j)\left|\right)}$

其中，A(t)表示在时间段t的评分矩阵，A_i(t)表示在时间段t第i个用户的评分向量；A_jk(t)表示在时间段t第j个用户对第k个商品的评分；NNS_i表示用户i的最近邻居集；符号<·>表示求向量的平均值；sim(i,j)表示用户i与用户j的相似度，其定义如下：

$\mathrm{sim}(i,j)=\frac{(A_i\left(t\right)-<A_i\left(t\right)>)(A_j\left(t\right)-<A_j\left(t\right)>)}{\left|\right|A_i\left(t\right)-<A_i\left(t\right)>\left|\right|\&CenterDot;\left|\right|A_j\left(t\right)-<A_j\left(t\right)>\left|\right|}$

其中A_i(t)与前文一致，符号||·||表示求向量的2-范数；

根据得到的预测评分矩阵X(t)，将X(t)的每一列的元素求和得到一个向量，向量中第k个元素的值作为第k个商品的预测流行度，通过这些预测流行度来预测商品在未来的流行排名。

6.如权利要求1所述的一种电子商务系统中对商品流行趋势预测的方法，其特征在于所述步骤3根据得到的预测评分矩阵X(t)，另一种计算方法为：a)将预测评分矩阵X(t)映射为邻接矩阵即该邻接矩阵的每一个元素只能取0或者1，具体规则为若某一个元素X_iα(t)大于等于某一个阈值则X_iα(t)＝1表示系统会推荐见该商品给用户，否则X_iα(t)＝0系统不会推荐见该商品给用户；b)对得到的邻接矩阵同样将的每一列的元素求和得到一个向量，向量中第k个元素的值作为第k个商品的预测流行度，预测流行度越大，则相应的流行度排名越靠前。

7.如权利要求1所述的一种电子商务系统中对商品流行趋势预测的方法，其特征在于在进一步的，如在评分只能为1-5的系统中，阈值取为3，即通常选取评分系统中评分范围的中值，而对于评分矩阵本身即为0、1的邻接矩阵时，此时

8.一种使用商品流行趋势预测方法的预测系统，该系统包括：

用于获得及更新用户和商品信息的模块，用于对用户及商品信息处理及预测商品流行趋势的计算模块，用于配置系统的配置文档模块，用于读写数据的数据接口模块，用于商品流行趋势的排名与更新模块，商品流行趋势预测逻辑控制总线，用于存储用户及商品信息和商品趋势预测结果等的信息存储模块；

其中所述获得及更新用户和商品信息的模块用于从信息存储模块中获得并更新用户和商品信息，包括用户和商品的唯一性标识、用户对商品的评分值、评分时间等信息，当所需预测商品的流行趋势的时间更新时，该模块将同时更新用户和商品信息；

所述计算模块用于对通过获得的用户和商品信息进行处理和预测流行趋势的计算，包括：根据用户及商品信息构建用户对商品的评分矩阵；计算商品当前的流行度；计算商品当前的流行度排名；计算用户间的相似度；计算用户对商品的预测评分矩阵；计算商品的预测流行度；计算商品的预测流行度排名，将计算的结果存储于信息存储模块；

所述配置文档模块用于存储所述流行趋势预测系统的配置信息，配置信息包括用户及商品各类信息的储存格式及数据类型；系统时间段粒度的大小；系统版本信息及更新信息等；

所述数据接口模块用于读取更新模块所需的用户及商品数据，读取计算模块在预测商品流行趋势时所需的数据，写入计算模块的计算结果；

所述排名与更新模块用于对多个商品根据所述计算模块所计算的商品的预测流行度，对所述多条商品进行预测流行度排名的更新及显示；

所述商品流行趋势预测逻辑控制单元用于控制数据借口模块对需要数据的读取，控制更新模块对数据的更新，控制计算模块对数据的处理及计算，控制排名与更新模块对计算结果进行排名与更新，根据配置文档控制数据读取与写入的格式及数据类型，设定时间段大小。