CN104809637B - 计算机实现的商品推荐方法及系统 - Google Patents

Abstract

为了解决现有商品推荐系统推荐准确率低、系统复杂的问题，本发明提供了计算机实现的商品推荐方法和系统。该计算机实现的商品推荐方法包括采集消费者在购买过程的各个阶段的访问数据；以及基于所述访问数据，在所述各个阶段分别采用不同的拓扑模式来向消费者推荐商品。通过该方法和系统，解决了现有商品推荐系统推荐准确率低、系统复杂的问题。

Description

计算机实现的商品推荐方法及系统

技术领域

本发明涉及通信网络上的商品推荐，并具体地涉及计算机实现的商品推荐方法及设备。

背景技术

随着信息技术和电子商务的飞速发展，网络购物变得越来越受到消费者的青睐。商品推荐系统可帮助消费者在琳琅满目的商品中买到心仪的商品，同时帮助商家向消费者推荐商品，提高商品的销售率因此商品推荐系统已成为电子商务必不可少的一部分。准确的商品推荐对促进商品交易起着非常重要的作用。

现有商品推荐系统采用的技术方案主要有：(1)基于内容推荐，即系统根据消费者访问踪迹(如浏览，搜索记录等)或者消费者的个人隐私信息(如性别，年龄等)推荐消费者喜欢的相似商品。(2)基于关联规则推荐，即系统在一个交易数据库中统计已购买商品集A的交易中有多大比例同时购买了商品集B，系统根据这个统计结果向消费者推荐关联商品。(3)组合推荐，即系统利用上述推荐技术结合在一起向消费者推荐商品。

现有技术方案存在的缺点主要有三点：一是如果消费者已经购买某种商品，但是现有推荐系统会推荐重复的或者不符合消费者期望的商品给消费者。二是现有推荐系统因为不能在消费者的购买过程中(即时间维度上)做推荐的调整，所以推荐的准确性和成功率比较低，同时影响了消费者的购物体验和商家的商品销售。三是现有推荐系统对旧数据依赖比较大，同时系统规模比较复杂，不能很好满足消费者变化的购买商品需求。

发明内容

因此，需要一种能够减轻或解决上述问题的商品推荐方法及其相关系统。

根据本发明的一个方案，提供了一种计算机实现的商品推荐方法，包括：采集消费者在购买过程的各个阶段的访问数据；以及基于所述访问数据，在所述各个阶段分别采用不同的拓扑模式来向消费者推荐商品。

根据本发明的一个方案，提供了一种商品推荐系统，包括：采集器，用于采集消费者在购买过程的各个阶段的访问数据；以及分析器，用于基于所述访问数据，在所述各个阶段分别采用不同的拓扑模式来向消费者推荐商品。

利用本发明的上述方法和系统，利用针对消费者在购买过程不同阶段的行为分析来进行不同模式的推荐，使得所推荐商品符合消费者的期望，且简单有效，能够很好地满足消费者变化的购买商品需求。

附图说明

通过下面结合附图对发明进行的详细描述，将使本发明的上述特征和优点更加明显，其中：

图1是示出根据本发明的实施例的商品推荐方法的流程图；

图2是示出根据本发明的实施例的商品推荐系统的框图；

图3是示出根据本发明的实施例的购买前商品推荐的拓扑示意图；

图4是示出根据本发明的实施例的购买中商品推荐的拓扑示意图；以及

图5是示出根据本发明的实施例的购买后商品推荐的拓扑示意图；

具体实施方式

下面，参考附图详细说明本发明的优选实施方式。在附图中，虽然示于不同的附图中，但相同的附图标记用于表示相同的或相似的组件。为了清楚和简明，对已知功能和结构的详细描述将被省略，以避免使本发明的主题不清楚。

图1示出了根据本发明的实施例的计算机实现的商品推荐方法的简要流程图。该方法包括：步骤110，采集消费者在购买过程的各个阶段的访问数据；以及步骤120，基于所述访问数据，在各个阶段分别采用不同的拓扑模式来向消费者推荐商品。

在本发明的一些实施例中，消费者的购买过程被分为购买前、购买中和购买后等3个阶段。例如，可以将浏览商品时，对商品作初步的了解和比较的时间段定义为“购买前”，将消费者选中商品放入购物车中，对商品有购买意向的时间段定义为“购买中”，以及将对商品进行了下单操作或者取消购买的时间段定义为“购买后”。然而需要注意的是，根据本发明实施例的阶段划分也可以根据实际涉及的业务来进行其他定义。

此外，在其他一些实施例中，也可以采用更多或更少的阶段。例如，可以将消费者未下单之前的阶段进行合并，或将上述三个阶段进行细分等。

在上述的3阶段情况下，推荐商品可包括：在购买前采用树形结构推荐同类商品；在购买中采用环形结构推荐关联商品；以及在购买后采用网状结构推荐同类商品和关联商品。上述在不同阶段使用不同拓扑模式提供产品推荐的好处在于，根据对消费者行为的分析，这三种拓扑结构在上述三个阶段中能够分别比较准确和方便地表示商品之间的关系，有利于商品分类和推荐。此外，由于上述三种结构是计算机中常用的数据结构，采用这三种结构还能够方便所涉及的计算机的数据处理。

在本发明的一些实施例中，可基于要推荐商品的商品评估因素确定该要推荐商品的推荐度，并将推荐度排名靠前的要推荐商品作为推荐商品进行推荐。

在本发明的一些实施例中，在确定要推荐商品的推荐度时还可对商品评估因素进行加权处理。

在一些示例中，根据以下等式确定所述要推荐商品的推荐度：

其中，J(x)表示要推荐商品的推荐度，Xi(1≤i≤n)表示所使用的商品评估因素，以及Ci(1≤i≤n)表示Xi所对应的加权系数，其中，

在本发明的一些实施例中，商品评估因素包括销售量、好评数和发布时间中的一项或多项。当商品评估因素包括销售量、好评数和发布时间时，n＝3，在该情况下，X1表示销售量，X2表示好评数，X3表示发布时间且取值为商品从上柜距今的时间差，以及C1＝0.6，C2＝0.3，C3＝0.1。在一些实施例中，X3的单位可以是天。然而根据所涉及商品的情况，也可以采用其他适合的时间单位，例如月、周、小时、秒、毫秒等等，本发明对此不作限制。

在本发明的一些实施例中，当确定了要推荐的推荐商品后，可向消费者显示推荐商品，例如通过渲染器来向消费者消息。

图2示出了根据本发明的实施例的商品推荐系统的简要框图。如图2所示，该商品推荐系统200包括采集器210，用于采集消费者在购买过程的各个阶段的访问数据；以及分析器220，用于基于访问数据，在该各个阶段分别采用不同的拓扑模式来向消费者推荐商品。

在一些实施例中，该商品推荐系统还包括渲染器230，用于向消费者显示分析器220推荐的商品。

在一些实施例中，消费者的购买过程被分为购买前、购买中和购买后等3个阶段。在该情况下，分析器220用于：在购买前采用树形结构推荐同类商品，在购买中采用环形结构推荐关联商品，以及在购买后采用网状结构推荐同类商品和关联商品。

在本发明的一些实施例中，采集器210用于采集要推荐商品的商品评估因素。分析器220可基于要推荐商品的商品评估因素确定该要推荐商品的推荐度，并将推荐度排名靠前的要推荐商品作为推荐商品进行推荐。

在本发明的一些实施例中，分析器220还可在确定要推荐商品的推荐度时还可对商品评估因素进行加权处理。

在一些示例中，分析器220根据以下等式确定所述要推荐商品的推荐度：

其中，J(x)表示要推荐商品的推荐度，Xi(1≤i≤n)表示所使用的商品评估因素，以及Ci(1≤i≤n)表示Xi所对应的加权系数，其中，

在本发明的一些实施例中，商品评估因素包括销售量、好评数和发布时间中的一项或多项。当商品评估因素包括销售量、好评数和发布时间时，n＝3，X1表示销售量，C1＝0.6，X2表示好评数，C2＝0.3，X3表示发布时间，取值为从商品上柜距今的时间差，C3＝0.1。

在本发明的一些实施例中，分析器220还可以向收集器210反馈数据，来指导采集器动态采集数据。这些数据可包括采集策略及方法，采集器可根据这些反馈数据来动态采集消费者查看商品的记录。

需要注意的是，上述图2仅是为了示出本发明而做出的简要视图。为了清楚地示出本发明，在图2中省略了本领域技术人员已知的装置/组件。例如，在图2的示意图中还可包括一个或多个存储器，用于存储图2中各组件在执行相应操作时需要/输出的数据。例如，在图2的示意图中还可包括一个或多个输入/输出设备，如鼠标、USB设备、触摸屏等等，本发明不对此进行限制。

下面将参考图2示出的结构，针对购买过程的各个阶段对本发明的具体实施进行描述。

在消费者购买前阶段，在消费者查看某种商品时，采集器210检测到消费者的查看动作(或由不同于采集器210的检测器(未示出)检测)，并收集消费者在该阶段的访问数据，例如消费者所公开的个人信息，消费者的商品查看记录，如查看商品的停留时间等等。

该商品被定义为期望商品。采集器210获取此访问数据并传送给分析器220，分析器220以此商品为根节点生成高度为h(h≥1)的n(0≤n≤k1)叉树。子节点为同类商品。可根据前述推荐商品的确定方法来进行确定在同类商品中采用哪些商品来作为推荐商品。

如图3所示，h取值为1，然而在其他一些示例中，h也可以取其他值。例如，可通过将子节点(同类商品)置于不同的高度来对推荐商品进行分类。例如，当消费者的期望商品是iphone 6时，高度为1的子节点可以是相同厂商的其他产品，如iphone 4、4s、5等，高度为2的子节点可以是其他厂商的同档产品，如其他厂商同档次的手机等。当然，也可以将高度为1的子节点设置为其他厂商的同档产品，高度为2的子节点设置为相同厂商的其他产品，或根据实际情况采用其他设置方式，本发明对此不作限制。k1为子节点数目的上限值，在一些示例中取值为6，然而在其他一些示例中，例如根据具体显示屏的大小也可以取更大或更小的值。

同类商品的界定方法可采用本领域常用的同类商品界定方法，在此不再赘述。

分析器220将该n个推荐商品(同类商品)的相关数据传送给渲染器230。渲染器230在显示器(未示出)上利用该相关数据显示该n个推荐商品，供消费者在同类商品中挑选商品。

在消费者购买中阶段。消费者选中某种商品时，将该商品定义为期望商品，采集器210获取该期望商品的访问数据并传送给分析器220。如图3所示，分析器220以此商品为节点生成含n(1≤n≤k2)个节点的环。环上的节点为关联商品。可根据前述推荐商品的确定方法来进行确定在关联商品中采用哪些商品来作为推荐商品。

k2是节点数目的上限值，在一些示例中取值为7，然而在其他一些示例中，例如根据具体显示屏的大小也可以取更大或更小的值。

关联商品的界定方法可采用本领域常用的关联商品界定方法，在此不再赘述。

分析器220将该n个推荐商品(关联商品)的相关数据传送给渲染器230。渲染器230在显示器(未示出)上利用该相关数据显示该n个推荐商品，供消费者在关联商品中挑选商品。

在消费者购买后阶段，对于消费者已购买或查看过的商品，将其定义为期望商品。这里的期望商品可以指消费者已经购买的商品，或指消费者查看的最后一个商品等。当然，根据本发明的方案，本领域技术人员也可以采用其他定义，本发明对此不作限制。采集器210获取获取该期望商品的访问数据并传送给分析器220。如图5所示，分析器220根据此商品生成含有同类商品和关联商品的网。其中，同类商品的数量定义为n1，关联商品的数量定义为n2，n1和n2需要同时满足以下三个条件：0≤n1≤k3；0≤n2≤k3；0≤n1+n2≤k3。其中，k3为网状图中节点数目的上限值，在一些示例中可取值为6。在实际实现中，n1和n2的比例可根据上述约束条件动态变化。

分析器220将这些推荐商品(n1个同类商品和n2关联商品)的相关数据传送给渲染器230。渲染器230在显示器(未示出)上利用该相关数据来显示推荐商品，供消费者在这些商品中进行横向(同类商品选择)和纵向选择(关联商品选择)。

本系统的分析器在上述三个阶段中生成的同类商品或关联商品节点，是根据公式

计算出值，再将这些值逆序排列(即，从大到小排列)得到前n个商品来作为向消费者推荐的商品。其中，Xi(1≤i≤n)表示所使用的商品评估因素，Ci(1≤i≤n)表示Xi所对应的加权系数，其中，

在一些实施例中，商品评估因素可包括销售量、好评数和发布时间中的一项或多项。

在商品评估因素包括销售量、好评数和发布时间三者时，n＝3，此时X1可表示销售量，X2可表示好评数，X3可表示发布时间，取值为商品上柜距今的时间差。在该情况下，可存在以下关系：C1＝0.6，C2＝0.3，C3＝0.1。

利用本发明的上述方法和系统，利用针对消费者在购买过程不同阶段的行为分析来进行不同模式的推荐，使得所推荐商品符合消费者的期望，且简单有效，能够很好地满足消费者变化的购买商品需求。

上面的描述仅用于实现本发明的实施方式，本领域的技术人员应该理解，在不脱离本发明的范围的任何修改或局部替换，均应该属于本发明的权利要求来限定的范围，因此，本发明的保护范围应该以权利要求书的保护范围为准。

Claims (15)

1.一种计算机实现的商品推荐方法，包括：

采集一消费者在一次购买过程的各个阶段的访问数据，其中所述各个阶段包括购买前、购买中和购买后3个阶段；以及

基于所述访问数据，在所述各个阶段分别采用不同的拓扑模式来向所述消费者推荐商品，其中，所述向所述消费者推荐商品包括推荐所述各个阶段的期望商品的同类商品、和/或关联商品，包括：

在购买前采用树形结构推荐购买前阶段的期望商品的同类商品，包括以所述购买前阶段的期望商品为根节点生成高度为h的m叉树，其中，m叉树中子节点为同类商品，其中，h、m均为，且h≥1，1≤m≤k1，k1为子节点数目的上限值；其中，所述购买前阶段的述期望商品包括所述消费者在所述购买前阶段查看的商品；

在购买中采用环形结构推荐购买中阶段的期望商品的关联商品，包括以所述购买中阶段的期望商品为节点生成含s个节点的环，环上的节点为关联商品，s为整数，且1≤s≤k2，k2是节点数目的上限值；其中，所述购买中阶段的期望商品包括所述消费者在所述购买中阶段选中的商品；以及

在购买后采用网状结构推荐购买后阶段的期望商品的同类商品和关联商品，包括根据所述购买后阶段的期望商品生成含有同类商品和关联商品的网，同类商品的数量为n1，关联商品的数量为n2，n1和n2均为整数且同时满足以下三个条件：0≤n1≤k3；0≤n2≤k3；0≤n1+n2≤k3，其中，k3为网状图中节点数目的上限值；所述购买后阶段的期望商品包括所述消费者在所述购买后阶段已购买或查看过的商品。

2.根据权利要求1所述的方法，其中，推荐商品包括：

基于要推荐商品的商品评估因素确定所述要推荐商品的推荐度；以及

将推荐度排名靠前的要推荐商品作为推荐商品进行推荐。

3.根据权利要求2所述的方法，还包括：在确定所述要推荐商品的推荐度时对所述商品评估因素进行加权处理。

4.根据权利要求3所述的方法，其中，根据以下等式确定所述要推荐商品的推荐度：

其中，J(x)表示要推荐商品的推荐度，Xi(1≤i≤n)表示所使用的商品评估因素，以及Ci(1≤i≤n)表示Xi所对应的加权系数，其中，

5.根据权利要求4所述的方法，其中，所述商品评估因素包括销售量、好评数和发布时间中的一项或多项。

6.根据权利要求5所述的方法，其中，当所述商品评估因素包括销售量、好评数和发布时间时，n＝3，在该情况下，X1表示销售量，X2表示好评数，X3表示发布时间且取值为商品上柜距今的时间差，以及C1＝0.6，C2＝0.3，C3＝0.1。

7.一种商品推荐系统，包括：

采集器，用于采集一消费者在一次购买过程的各个阶段的访问数据，其中所述各个阶段包括购买前、购买中和购买后3个阶段；以及

分析器，用于基于所述访问数据，在所述各个阶段分别采用不同的拓扑模式来向所述消费者推荐商品，其中，所述向所述消费者推荐商品包括推荐所述各个阶段的期望商品的同类商品、和/或关联商品，包括：

在购买前采用树形结构推荐购买前阶段的期望商品的同类商品，包括以所述购买前阶段的期望商品为根节点生成高度为h的m叉树，其中，m叉树中子节点为同类商品，其中，h、m均为，且h≥1，1≤m≤k1，k1为子节点数目的上限值；其中，所述购买前阶段的述期望商品包括所述消费者在所述购买前阶段查看的商品；

在购买中采用环形结构推荐购买中阶段的期望商品的关联商品，包括以所述购买中阶段的期望商品为节点生成含s个节点的环，环上的节点为关联商品，s为整数，且1≤s≤k2，k2是节点数目的上限值；其中，所述购买中阶段的期望商品包括所述消费者在所述购买中阶段选中的商品；以及

在购买后采用网状结构推荐购买后阶段的期望商品的同类商品和关联商品，包括根据所述购买后阶段的期望商品生成含有同类商品和关联商品的网，同类商品的数量为n1，关联商品的数量为n2，n1和n2均为整数且同时满足以下三个条件：0≤n1≤k3；0≤n2≤k3；0≤n1+n2≤k3，其中，k3为网状图中节点数目的上限值；所述购买后阶段的期望商品包括所述消费者在所述购买后阶段已购买或查看过的商品。

8.根据权利要求7所述的商品推荐系统，还包括：

渲染器，用于向消费者显示所述分析器推荐的商品。

9.根据权利要求7所述的商品推荐系统，其中，

所述采集器用于采集要推荐商品的商品评估因素；以及

所述分析器用于：基于所述要推荐商品的商品评估因素确定所述要推荐商品的推荐度；以及将推荐度排名靠前的要推荐商品作为推荐商品进行推荐。

10.根据权利要求9所述的商品推荐系统，其中，所述分析器还用于在确定所述要推荐商品的推荐度时对所述商品评估因素进行加权处理。

11.根据权利要求10所述的商品推荐系统，其中，所述分析器根据以下等式确定所述要推荐商品的推荐度：

其中，J(x)表示要推荐商品的推荐度，Xi(1≤i≤n)表示所使用的商品评估因素，以及Ci(1≤i≤n)表示Xi所对应的加权系数，其中，

12.根据权利要求11所述的商品推荐系统，其中，所述商品评估因素包括销售量、好评数和发布时间中的一项或多项。

13.根据权利要求12所述的商品推荐系统，其中，当所述商品评估因素包括销售量、好评数和发布时间时，n＝3，在该情况下，X1表示销售量，X2表示好评数，X3表示发布时间且取值为商品上柜距今的时间差，以及C1＝0.6，C2＝0.3，C3＝0.1。

14.一种商品推荐装置，包括：

存储器；以及

耦接至所述存储器的处理器，所述处理器被配置为基于存储在所述存储器中的指令，执行根据权利要求1～6中任一项所述的方法。

15.一种计算机可读存储介质，其中，所述计算机可读存储介质存储有计算机指令，所述指令被处理器执行时实现根据权利要求1～6中任一项所述的方法。

Images