CN104462386B - 一种基于不同维度特征和综合评价指数的残留物判定方法 - Google Patents

Abstract

一种基于不同维度特征和综合评价指数的残留物判定算法，步骤包括：计算基于不同维度特征的未通过筛选商品的满意度与不满意度；计算未通过筛选商品的整体满意度与整体不满意度；计算商品综合评价指数；判定残留物。本发明所提供的方法可以更合理有效地完成商品筛选，可以更具代表性更具科学性地为用户保留那些不满足但是接近部分筛选条件，同时高度符合其他筛选条件，并极有可能被用户接受的商品。

Description

一种基于不同维度特征和综合评价指数的残留物判定方法

技术领域

本发明涉及电商网站购物中商品筛选技术领域，具体为一种基于不同维度特征和综合评价指数的残留物判定算法。

背景技术

商品筛选，即按照条件对商品(尤其是同一品目下商品)进行的筛除性及对比性选择，该过程中用户体验的优劣是用户评价各电商网站购物体验的最重要指标之一。

由于用户对筛选条件的不确定，筛选结果与用户需求间可能存在误差。比如，当用户进行商品筛选时，常出现某些商品不满足部分筛选条件、同时高度符合其他筛选条件；这类商品在筛选系统中会被过滤掉，却经常可以被用户接受，甚至最终购买。

为解决相关问题，当前电商在商品筛选的基础上提供了商品推荐功能。其主要根据用户以往的购买或浏览记录进行商品推荐，或根据用户定义的筛选条件、提供其他进行过类似操作的用户的商品购买数据供用户参考；商品推荐可以在一定程度上解决筛选结果与用户需求之间的差异性问题，但由于商品的频繁更新，以往的用户购买数据往往并不具有代表性。

另外，当用户定义了多个条件进行商品搜索或商品筛选时，若结果为空，电商多呈现给用户去掉某一个或某几个筛选条件后的结果。这样的处理方式，因没有考虑到商品满足及不满足各筛选条件的程度，而不具有科学性。

发明内容

针对上述不足，本发明提供一种基于不同维度特征和综合评价指数的残留物判定算法。首先，将残留物定义为：在用户筛选过程中的一些不满足但是接近某些筛选条件、同时高度符合其他筛选条件，并极有可能被用户接受的商品。技术方案如下：

一种基于不同维度特征和综合评价指数的残留物判定算法，包括：

步骤1：计算未通过筛选商品整体满意度pos_u与整体不满意度neg_u：

其中，在有M个商品的N维数据集上，用户进行商品筛选的维度数量为n(n≤N)，不满足筛选条件的商品数量为m(m＜M)；不满足筛选条件的商品P_u(u∈[0,m-1])在筛选维度D_v(v∈[0,n-1])上的满意度为pos_u,v，不满意度为neg_u,v；维度的重要性，对应于维度权重向量ρ_v(v∈[0,n-1])。

步骤2：计算商品综合评价指数eva_u：

eva_u＝α·N_+/-(μ₁,δ₁)+β·N_p/n(μ₂,δ₂)

其中，n₊表示商品p_u满足筛选条件的维度总数，n_-(n₊+n_-＝n)表示不满足筛选条件的维度总数，根据n₊和n_-之差及商品整体满意度pos_u与整体不满意度neg_u之差定义商品综合评价指数,N_+/-表示综合评价指数中满足与不满足筛选条件的维度数的差部分，与n₊-n_-相关；N_p/n表示综合评价指数中商品整体满意度与不满意度的差部分，与pos_u-neg_u相关；且默认两部分重要性相同，即α＝β＝0.5；N_+/-和N_p/n分别满足高斯分布，即：

其中，μ＝∑_ux_u/_m，而对于N_+/-，_x为_n+-n-；对于N_p/n，_x为 pos_u-neg_u；可得到未通过筛选的所有商品的综合评价指数集合，即：

EVA＝{eva_u|u∈[0,m-1]}

步骤3：判定残留物：

将所有商品的综合评价指数排序，取排名前t的商品p_u′(u′∈[0,t-1])作为残留物的候选，其中

进一步的，上述步骤1中不满足筛选条件的商品在筛选维度上的满意度与不满意度计算方法如下：

若筛选维度属于确定型维度，假设用户筛选元素为集合F_j，则商品在第j个维度的满意度pos_j与不满意度neg_j为：

当d_j∈F_j时，

当时，

若筛选维度属于范围型维度，假设用户筛选条件为[a_j,b_j]，其中，a_j≤b_j；当a_j≠b_j时，商品在第j个维度的满意度pos_j与不满意度neg_j为：

当d_j∈[a_j,b_j]时，

当时，

若筛选维度属于极值型维度，假设用户筛选条件为[0,c_j]或[c_j,+∞)，其中，c_j≥0；当c_j≠0时，商品在第j个维度的满意度pos_j与不满意度neg_j为：

当d_j满足筛选条件时，

当d_j不满足筛选条件时，

特殊地，当a_j＝b_j或c_j＝0时，商品在第j个维度的满意度pos_j与不满意度neg_j为：

当d_j满足筛选条件时，

当d_j不满足筛选条件时，

其中，d_j为商品在第j个维度上的值；pos_j、neg_j取值范围为：

本发明的有益效果是:本发明所提供的方法可以更合理有效地完成商品筛选，可以更具代表性更具科学性地为用户保留那些不满足但是接近部分筛选条件，同时高度符合其他筛选条件，并极有可能被用户接受的商品。

附图说明

图1为一种基于不同维度特征和综合评价指数的残留物判定算法的步骤流程图。

具体实施方式

下面结合实施例对本发明做进一步的说明：

首先，定义商品在各维度上的商品满意度及不满意度。设共包含m个商品的n个数据维度(性能指标)的商品数据集可表示为矩阵D_m×n，定义如下，

D_m×n＝{d_i＝(d_i,0,d_i,1,...,d_i,j,...,d_i,n-1)^T|0≤i≤m-1,0≤j≤n-1} (1)

设pos_j、neg_j分别表示商品在第j个维度上的满意度及不满意度，分别表示商品在j个维度上满足筛选条件的满足程度或不满足筛选条件的不满足程度，其取值范围如下，

即，当商品在某维度上满足筛选条件时，其在该维度上的不满意度为0，而其满意度取值范围为[0,1]；反之，若商品在维度上不满足筛选条件时，其在该维度上的满意度取值0，不满意度取值范围为[0,1]。

然后，根据维度特征依次判定第j个数据维度的类型。

若用户在筛选该类维度时，非常确定自己的筛选条件，不存在或极少存在筛选掉自己所需商品的情况，则该维度属于确定型维度；

若用户在筛选该类维度时，给出一个理想中的范围，该范围内通常包含一个最理想的值，而整体范围却是不确定的，则该维度属于范围型维度；

若用户在筛选该类维度时，给出一个下限(或一个上限)，且在该下限以上的值越大越好，则该维度属于极值型维度。

设某商品在第j个维度上的值为d_j，用户在第j个维度上定义的筛选条件的描述如下：

1)若该维度为确定型维度，假设用户筛选元素为集合F_j；

2)若该维度为范围型维度，假设用户筛选条件为[a_j,b_j]。

3)若该维度为极值型维度，假设用户筛选条件为[0,c_j]或[c_j,+∞)。

其中，a_j≤b_j，c_j≥0。

具体判断步骤如下：

(1)根据商品维度特征分类，计算每个未通过筛选商品在各筛选维度上的商品满意度及不满意度。

若筛选维度属于确定型维度，则满意度取值或者为0，或者为1。当该商品在确定型维度上的值属于筛选集合时，满意度为1，不满意度为0；否则不满意度为1，满意度为0。即，

若筛选维度属于范围型维度，当商品在该维度上满足筛选条件时，其值越接近范围中间值，满意度越高；当商品不满足筛选条件时，其值越偏离筛选范围边界值，不满意度越高。当商品超出筛选范围很严重(在筛选范围外超出一个筛选范围长度)时，其不满意度将直接被判定为1。当a_j≠b_j时，满意度与不满意度的具体取值定义如下：

若筛选维度属于极值型维度，当商品在该维度上不满足筛选条件时，其值越偏离筛选范围边界值，不满意度越高。当商品满足筛选条件时，其值越偏离筛选范围边界值，满意度越高。当c_j≠0时，详细计算如下：

特殊地，在范围型维度上，当筛选条件上下限相等(即a_j＝b_j)时，或在极值型维度上c_j＝0 时，满意度与不满意度取值或者为0，或者为1。即，

(2)计算每个未通过筛选商品的整体满意度与整体不满意度。

在有M个商品的N维数据集上，假设用户进行商品筛选的维度数量为n(n≤N)，不满足筛选条件的商品数量为m(m＜M)。分别用上述方法计算出不满足筛选条件的商品P_u(u∈[0,m-1]) 在筛选维度D_v(v∈[0,n-1])上的满意度pos_u,v和不满意度neg_u,v。

在商品维度的三种不同特征之外，用户对不同维度的关注度也可能不同，维度的重要性，对应于维度权重向量ρ_v(v∈[0,n-1])。

使用加权方式计算商品P_u在各筛选维度上的整体满意度pos_u。即，

同样地，P_u在各筛选维度上的整体不满意度neg_u计算公式为，

(3)计算商品综合评价指数。

假设商品p_u满足筛选条件的维度总数为n₊，不满足筛选条件的维度总数为n_-(n₊+n_-＝n)，根据以下两个值定义商品的综合评价指数，

1)商品满足筛选条件的维度总数n₊和不满足的总数n_-之差，

2)商品的整体满意度pos_u与不满意度neg_u之差。

商品的综合评价指数被定义为：

eva_u＝α·N_+/-(μ₁,δ₁)+β·N_p/n(μ₂,δ₂) (9)

其中，N_+/-表示商品综合评价指数中满足与不满足筛选条件的维度数的差部分，与n₊-n_-相关；N_p/n表示商品综合评价指数中商品整体满意度与不满意度的差部分，与pos_u-neg_u相关，且α＝β＝0.5(本实施例默认两部分重要性相同)。N_+/-和N_p/n分别满足高斯分布，即：

其中，μ＝∑_ux_u/_m，而对于N_+/-，x为n₊-n_-；对于N_p/n，x为pos_u-neg_u。

可得到未通过筛选的所有商品的综合评价指数集合，即，

EVA＝{eva_u|u∈[0,m-1]} (11)

(4)判定残留物

将所有商品的综合评价指数排序，取排名前t的商品p_u′(u′∈[0,t-1])作为残留物的候选，其中，

Claims (2)

1.一种基于不同维度特征和综合评价指数的残留物判定方法，其特征在于，包括：

步骤1：计算未通过筛选商品整体满意度pos_u与整体不满意度neg_u：

${\mathrm{pos}}_u=\underset{v=0}{\overset{n-1}{\Σ}}{\mathrm{\ρ}}_v\·{\mathrm{pos}}_{u,v}/\underset{v=0}{\overset{n-1}{\Σ}}{\mathrm{\ρ}}_v$

${\mathrm{neg}}_u=\underset{v=0}{\overset{n-1}{\Σ}}{\mathrm{\ρ}}_v\·{\mathrm{neg}}_{u,v}/\underset{v=0}{\overset{n-1}{\Σ}}{\mathrm{\ρ}}_v$

其中，在有M个商品的N维数据集上，用户进行商品筛选的维度数量为n，n≤N，不满足筛选条件的商品数量为m，m<M；不满足筛选条件的商品P_u，在筛选维度D_v上的满意度为pos_u,v，不满意度为neg_u,v；维度的重要性，对应于维度权重向量ρ_v，其中，

u∈[0,m-1]，v∈[0,n-1]；

步骤2：计算商品综合评价指数eva_u：

eva_u＝α·N_+/-(μ₁,δ₁)+β·N_p/n(μ₂,δ₂)

其中，n₊表示商品p_u满足筛选条件的维度总数，n_-表示不满足筛选条件的维度总数，且n₊+n_-＝n，根据n₊和n_-之差及商品整体满意度pos_u与整体不满意度neg_u之差定义商品综合评价指数,N_+/-表示综合评价指数中满足与不满足筛选条件的维度数的差部分，与n₊-n_-相关；N_p/n表示综合评价指数中商品整体满意度与不满意度的差部分，与pos_u-neg_u相关；且默认两部分重要性相同，即α＝β＝0.5；N_+/-和N_p/n分别满足高斯分布，即：

$N(x,\mathrm{\&mu;},\mathrm{\&delta;})=\frac{1}{\mathrm{\&delta;}\sqrt{2\mathrm{\&pi;}}}{e}^{\frac{-{(x-\mathrm{\&mu;})}^2}{2{\mathrm{\&delta;}}^2}}$

其中，μ＝∑_ux_u/m，而对于N_+/-，x为n₊-n_-,即x_u表示商品p_u满足筛选条件的维度总数和不满足条件的维度总数之差；对于N_p/n，x为pos_u-neg_u,即x_u表示商品p_u的整体满意度与不满意度之差；得到未通过筛选的所有商品的综合评价指数集合，即：

EVA＝{eva_u|u∈[0,m-1]}；

步骤3：判定残留物：

将所有商品的综合评价指数排序，取排名前t的商品p_u′作为残留物的候选，其中，u′∈[0,t-1]，

2.根据权利要求1所述的一种基于不同维度特征和综合评价指数的残留物判定方法，其特征在于，所述步骤1中不满足筛选条件的商品在筛选维度上的满意度与不满意度计算方法如下：

若筛选维度属于确定型维度，假设用户筛选元素为集合F_j，则商品在第j个维度的满意度pos_j与不满意度neg_j为：

当d_j∈F_j时，

当时，

若筛选维度属于范围型维度，假设用户筛选条件为[a_j,b_j]，其中，a_j≤b_j；当a_j≠b_j时，商品在第j个维度的满意度pos_j与不满意度neg_j为：

当d_j∈[a_j,b_j]时，

当时，

若筛选维度属于极值型维度，假设用户筛选条件为[0,c_j]或[c_j,+∞)，其中，c_j≥0；当c_j≠0时，商品在第j个维度的满意度pos_j与不满意度neg_j为：

当d_j满足筛选条件时，

当d_j不满足筛选条件时，

特殊地，当a_j＝b_j或c_j＝0时，商品在第j个维度的满意度pos_j与不满意度neg_j为：

当d_j满足筛选条件时，

当d_j不满足筛选条件时，

其中，d_j为商品在第j个维度上的值；pos_j、neg_j取值范围为：