CN105894295A - 一种动态关联购物评价方法 - Google Patents
一种动态关联购物评价方法 Download PDFInfo
- Publication number
- CN105894295A CN105894295A CN201410740434.5A CN201410740434A CN105894295A CN 105894295 A CN105894295 A CN 105894295A CN 201410740434 A CN201410740434 A CN 201410740434A CN 105894295 A CN105894295 A CN 105894295A
- Authority
- CN
- China
- Prior art keywords
- client
- commodity
- evaluation
- similarity
- data
- 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
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种动态关联购物评价方法,其特征在于,包括如下步骤:选择一种商品,选取包括该商品的浏览信息、商品购买信息及评价结果通过某一特征类的产品与其它同样有购买此特征商品的顾客,对于相同特征的产品,通过同样的购买经历形成评价数据关联,得出彼此的偏好相似度值,根据此数值,当关联的别的顾客购买同特征的某一商品时,可推算出此顾客的预期评价值作为参考。本发明提供的一种动态关联购物评价方法,对于购物者的评价,用方法使其有效关联使评价更具有真实性、动态化、个性化、精确、高效。
Description
技术领域
本发明涉及一种动态关联购物评价方法。
背景技术
随着互联网技术的不断发展,大数据时代的不断融合,网购市场越来越成熟,网上交易的规模不管是工业还是民用所占有的社会整体经济比重越来越大,简而言之,即信息发达且达成交易的速度也越来越快。现有技术中,网购平台一般都会设置有评价系统,包括对于商家服务及产品质量及物流速度的评价(包括商家的综合评价、对于不同产品特性做出的不同特性评价),现有的这种评价体系存在三个缺点:(1)概括笼统性评价,缺乏个性化评价参考;(2)无法杜绝炒作等虚假评价;(3)信息量庞大,无法做出准确评估,因此,才会导致现在网购服务中出现类似于在网购平台中刷信誉刷评价等一系列不诚信、不真实的虚假经营行为,或因为同质化评价信息太多,而无法做有效参考依据的情况。
因此,现有技术有待于改进。
发明内容
本发明为了解决现有技术的不足,提供一种动态关联购物评价方法,使评价更具有真实性、个性化、精确、高效。
为解决上述技术问题,本发明实施例提供的一种动态关联购物评价方法,采用如下技术方案:
一种动态关联购物评价方法,其特征在于,包括如下步骤:
选择一种商品,选取包括该商品的浏览信息、商品购买信息及评价结果通过某一特征类的产品与其它同样有购买此特征商品的顾客,对于相同特征的产品,通过同样的购买经历形成评价数据关联,得出彼此的偏好相似度值,根据此数值,当关联的别的顾客购买同特征的某一商品时,可推算出此顾客的预期评价值作为参考。
具体地,本方法具备相似度筛选功能,过滤数据,只选择有效数据,设定数值范围,不在该范围内则视为无效。
具体地,本方法可以选择层级结构,使得顾客的关联度成连锁状,当一层关联数据不足时可显示二层关联数据,依此类推。
具体地,本方法中同样的商品,每个顾客看到的评价度都各不相同,所以是个性化的。
具体地,本方法中当顾客购买一件商品并给出评分的同时就形成了其特有的数据关联,也影响其它与此相关联的顾客,所以数据的关联是动态的。
具体地,顾客可以选择看所有评价评论,也可以只看层级关联评论,此处层级也可以选择不同层级。
具体地,偏好相似度值的推算,可以是以百分比计算,也可以是减法差额,利用各种数学计算方法得出的相似值程序。
具体地,本方法对商品或者店铺的评价可以设定为只有相似度有效的人可以互相看,可以阻止商家为评价和购买人联系。
具体地,本方法显示在互联网页面上或APP上,对于评价结果的显示包括打分或者符号替代。
具体地,基于本方法所提供的评价圈内顾客的销量才视为有效销量。
本发明提供的一种动态关联购物评价方法,对于购物者的评价,用方法使其有效关联使评价更具有真实性、动态化、个性化、精确、高效。
具体实施方式
本发明实施例提供的一种动态关联购物评价方法,其特征在于,包括如下步骤:
选择一种商品,选取包括该商品的浏览信息、商品购买信息及评价结果通过某一特征类的产品与其它同样有购买此特征商品的顾客,对于相同特征的产品, 通过同样的购买经历形成评价数据关联,得出彼此的偏好相似度值,根据此数值,当关联的别的顾客购买同特征的某一商品时,可推算出此顾客的预期评价值作为参考。
具体地,本方法具备相似度筛选功能,过滤数据,只选择有效数据,设定数值范围,不在该范围内则视为无效。
具体地,本方法可以选择层级结构,使得顾客的关联度成连锁状,当一层关联数据不足时可显示二层关联数据,依此类推。
具体地,本方法中同样的商品,每个顾客看到的评价度都各不相同,所以是个性化的。
具体地,本方法中当顾客购买一件商品并给出评分的同时就形成了其特有的数据关联,也影响其它与此相关联的顾客,所以数据的关联是动态的。
具体地,顾客可以选择看所有评价评论,也可以只看层级关联评论,此处层级也可以选择不同层级。
具体地,偏好相似度值的推算,可以是以百分比计算,也可以是减法差额,利用各种数学计算方法得出的相似值程序。
具体地,本方法对商品或者店铺的评价可以设定为只有相似度有效的人可以互相看,可以阻止商家为评价和购买人联系。
具体地,本方法显示在互联网页面上或APP上,对于评价结果的显示包括打分或者符号替代。
具体地,基于本方法所提供的评价圈内顾客的销量才视为有效销量。
本发明所显示的数据为动态,本发明所涉及的软件系统实现包括如下:
包括数据存储模块、数据特征调用模块、数据对比模块、数据集成模块及前台显示平台,
所述数据存储模块用于存储所有购物平台所产生的流量数据;
所述数据特征调用模块用于收集购买产品特征并存入所述数据存储模块;
所述数据对比模块用于对同一特征产品内不同的购买客户进行特征对比,并得出相似值待用;
所述数据集成模块用于取得经过数据对比模块所得出的结果并进行综合分析;
所述数据集成模块在获得以上综合分析之后的结果之后即将数据融入前台显示平台,所述数据随时动态显示,且每一位顾客所看到的数据不同。
本发明提供的一种动态关联购物评价方法,对于购物者的评价,用算法使其有效关联使评价更具有真实性、动态化、个性化、精确、高效。
实施例1:
根据表1:甲是客户,购买男式皮鞋A款这一商品,使用产品后对该产品给出的评价为80分;
对比客户乙同样购买过A款男式皮鞋,对该商品的评价为90分,系统算出相似度88.89%;
对比客户丙同样购买过A款男式皮鞋,对该商品的评价为70分,系统算出相似度114.29%;
现在客户甲需要购买B款男式皮鞋;
通过对客户乙的相似度88.89%,推算出甲的评价为87分;
通过对客户丙的相似度114.29%,推算出甲的评价为97分;
再对推算的评价分数进行平均求值为92分;
系统给予客户甲对于B款男式皮鞋这件商品的推算值为92分。
表1
根据表1,平均相似度说明:
顾客甲购买A款男式皮鞋实评是80分,顾客乙在A款男式皮鞋的实评是90分,甲乙的相似度为88.89%;
顾客丙在A款男式皮鞋的实评是70分,顾客丙与顾客甲的相似度为114.29%;
顾客甲购买B款男式皮鞋实评是90分,顾客乙在购买B款男式皮鞋的实评也是90分,顾客甲与顾客乙的相似度为100%;
顾客丙在购买B款男式皮鞋之后的实评是85分,则顾客丙与顾客甲的相似度为105.88%;
顾客乙在购买C款男式皮鞋之后的实评为98分,经过乙客户前两次与甲的相似度的平均值算出为94.45%,可推出推测值为92;
顾客丙在购买C款男式皮鞋之后的实评为85分,经过顾客丙前两次与甲的相似度的平均值算出为110.09%,可推出推测值为93;两方平均值为92.5,为甲方实评的推测值。
表2
根据表2,有效相似度筛选说明:
假定有效范围为90%-110%;
顾客甲购买A款男式皮鞋的实评为80分,顾客乙购买A款男式皮鞋的实评为90分,则两者相似度为88.89%;不被计算入有效评价。
顾客丙购买A款男式皮鞋的实评为70分,顾客丙与顾客甲的相似度为114.29%;也不被计算入有效评价。
顾客甲在购买B款男式皮鞋的实评为90分,顾客乙购买B款男式皮鞋的实评为90分,则两者相似度为100%,计算入有效评价。
顾客丙在购买B款男式皮鞋的实评为85分,则顾客丙与顾客甲的相似度为105.88%,计算入有效评价。
顾客乙在购买C款男式皮鞋的实评为98分,由于顾客乙在购买A款男式皮鞋时的相似度并不计算入有效评价,因此取B款男式皮鞋的相似度,则可推出推测值为98。
顾客丙在购买C款男式皮鞋的实评为85分,由于顾客丙购买A款男式皮鞋的相似度也不计算入有效评价,因此也采取顾客丙购买B款男式皮鞋的相似度,得出推测值为89,顾客乙与顾客丙的推测值平均为93.5,即为顾客甲购买C款男式皮鞋的评价推测值。
表3
注:表3中假定设有效范围为90%~110%
实施例2:
根据表4,甲、乙、丙对于湘菜菜系的A、B、C三道菜品进行尝试;
甲是客户,对于A菜品食用过后的评分是80分;
对比客户乙同样对该食品给予评价,对该食品的评价为90分,系统算出相似度88.89%;
对比客户丙同样对该食品给予评价,对该食品的评价为70分,系统算出相似度114.29%;
同样的,甲对于B菜品品尝之后的评价是85分;
对比客户乙同样对该食品给予评价,对该食品的评价为80分,系统算出相似度106.25%;
对比客户丙同样对该食品给予评价,对该食品的评价为90分,系统算出相似度94.44%;
对于湘菜中的C菜品;
通过对客户乙的相似度88.89%和106.25%,得出平均相似度97.57%,推算出甲对于C菜品的评价为87.8分;
通过对客户丙的相似度114.29%和94.44%,得出平均相似度104.37%,推算出甲对于C菜品的评价为83.5分;
再对推算的评价分数进行平均求值为85.6分;
系统给予客户甲对于湘菜类的C菜品的推算值为86分。
表4
实施例3:
根据表5,对数据进行筛选
在庞大的数据库中针对相似度和平均相似度进行筛选;
相似度选中区间为(80%~120%);
平均相似度选中区间为(90%~110%);
因此在客户甲需要知道该店铺的性价比评价的时候,只有客户乙和客户丙提 供的相似度为有效值,推算值为85.6,显示为86分;
而客户ABC提供的相似度均为无效数据。
表5
实施例4:
层级结构说明:
根据表6,一层关联为A款男式皮鞋与B款男式皮鞋的对比,顾客1购买A款男式皮鞋的实评为80分,顾客2购买A款男式皮鞋的实评为90分,则顾客1和顾客2的相似度为88.89%。
顾客1并没购买B款男式皮鞋,顾客2购买了B款男式皮鞋,并且实评为98分,则通过顾客2与顾客1之前的相似度可得出推测值为87.1分,这是顾客1与顾客2的关联值结果,属于一层关联。
二层关联说明:
假设顾客2购买C款男式皮鞋后实评为95分,顾客3购买C款男式皮鞋后实评为85分,顾客3与顾客2的相似度为111.76%。
顾客3又购买了D款男式皮鞋,且实评为90分,由此可以通过如下公式得出顾客1对于D款男式皮鞋的推测值:
90(顾客3实评分)X 111.76%(顾客3与顾客2在购买C款男式皮鞋的相似度值)X 88.89%(顾客2与顾客1在购买A款男式皮鞋的相似度值)=89.4,由此得出顾客1购买D款男式皮鞋的推测值为89.4分。
层级结构是通过互相影响的评价圈得出的相似度值来推算未购买该款商品的顾客的推测值,即该顾客对于该未购买商品的评价预估值。
表6
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种动态关联购物评价方法,其特征在于,包括如下步骤:
选择一种商品,选取包括该商品的浏览信息、商品购买信息及评价结果通过某一特征类的产品与其它同样有购买此特征商品的顾客,对于相同特征的产品,通过同样的购买经历形成评价数据关联,得出彼此的偏好相似度值,根据此数值,当关联的别的顾客购买同特征的某一商品时,可推算出此顾客的预期评价值作为参考。
2.根据权利要求1所述的动态关联购物评价方法,其特征在于,本方法具备相似度筛选功能,过滤数据,只选择有效数据,设定数值范围,不在该范围内则视为无效。
3.根据权利要求1所述的动态关联购物评价方法,其特征在于,本方法可以选择层级结构,使得顾客的关联度成连锁状,当一层关联数据不足时可显示二层关联数据,依此类推。
4.根据权利要求1所述的动态关联购物评价方法,其特征在于,本方法中同样的商品,每个顾客看到的评价度都各不相同,所以是个性化的。
5.根据权利要求1所述的动态关联购物评价方法,其特征在于,本方法中当顾客购买一件商品并给出评分的同时就形成了其特有的数据关联,也影响其它与此相关联的顾客,所以数据的关联是动态的。
6.根据权利要求1所述的动态关联购物评价方法,其特征在于,顾客可以选择看所有评价评论,也可以只看层级关联评论,此处层级也可以选择不同层级。
7.根据权利要求1所述的动态关联购物评价方法,其特征在于,偏好相似度值的推算,可以是以百分比计算,也可以是减法差额,利用各种数学计算方法得出的相似值程序。
8.根据权利要求1所述的动态关联购物评价方法,其特征在于,本方法对商品或者店铺的评价可以设定为只有相似度有效的人可以互相看,可以阻止商家为评价和购买人联系。
9.根据权利要求1所述的动态关联购物评价方法,其特征在于,本方法显示在互联网页面上或APP上,对于评价结果的显示包括打分或者符号替代。
10.根据权利要求1所述的动态关联购物评价方法,其特征在于,基于本方法所提供的评价圈内顾客的销量才视为有效销量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410740434.5A CN105894295A (zh) | 2014-12-03 | 2014-12-03 | 一种动态关联购物评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410740434.5A CN105894295A (zh) | 2014-12-03 | 2014-12-03 | 一种动态关联购物评价方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105894295A true CN105894295A (zh) | 2016-08-24 |
Family
ID=56699522
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410740434.5A Pending CN105894295A (zh) | 2014-12-03 | 2014-12-03 | 一种动态关联购物评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105894295A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107330735A (zh) * | 2017-07-04 | 2017-11-07 | 百度在线网络技术(北京)有限公司 | 用于确定关联门店的方法和装置 |
CN110059256A (zh) * | 2019-04-26 | 2019-07-26 | 北京沃东天骏信息技术有限公司 | 用于展示信息的系统、方法及装置 |
CN112818082A (zh) * | 2019-11-15 | 2021-05-18 | 北京沃东天骏信息技术有限公司 | 评价文本推送方法和装置 |
-
2014
- 2014-12-03 CN CN201410740434.5A patent/CN105894295A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107330735A (zh) * | 2017-07-04 | 2017-11-07 | 百度在线网络技术(北京)有限公司 | 用于确定关联门店的方法和装置 |
CN110059256A (zh) * | 2019-04-26 | 2019-07-26 | 北京沃东天骏信息技术有限公司 | 用于展示信息的系统、方法及装置 |
CN110059256B (zh) * | 2019-04-26 | 2023-11-07 | 北京沃东天骏信息技术有限公司 | 用于展示信息的系统、方法及装置 |
CN112818082A (zh) * | 2019-11-15 | 2021-05-18 | 北京沃东天骏信息技术有限公司 | 评价文本推送方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Dauvergne et al. | Eco-business: A big-brand takeover of sustainability | |
TW201539346A (zh) | 提供使用者評價資訊的方法及系統 | |
CN109087177A (zh) | 向目标用户推荐商品的方法、装置及计算机可读存储介质 | |
WO2017012474A1 (zh) | 提供业务对象信息的方法及装置 | |
CN107862530A (zh) | 建立用户人际关系信息的方法及装置 | |
Cusumano | Amazon and whole foods: follow the strategy (and the money) | |
CN107563857A (zh) | 基于逻辑推理负关联规则修剪技术的客户购买行为分析方法 | |
Mathew | A study on changing trends in online shopping of Indian consumers in apparel segment | |
KR20130128145A (ko) | 콘텐츠 평가 시스템 | |
CN105894295A (zh) | 一种动态关联购物评价方法 | |
Baltierra | Virtual reality and augmented reality applied to E-commerce: A literature review | |
Choi et al. | Recent changes in consumer perception in sneaker resale market | |
KR20080028643A (ko) | 아바타를 이용하여 3디공간에서 물품구매가 가능한 온라인전자상거래 시스템 | |
Suzianti et al. | Customer preference analysis on fashion online shops using the Kano model and conjoint analysis | |
Dang et al. | Understanding Malaysian Consumer Online Purchase Intention: The Roles of Perceived Risk and Pervceived Value | |
CN110020135B (zh) | 一种需求确定方法、资源推荐方法和相关装置 | |
Machavolu et al. | Showrooming: the next threat to Indian retail | |
Marinković et al. | Understanding antecedents of customer satisfaction and word-of-mouth communication: Evidence from hypermarket chains | |
CN107870943A (zh) | 一种电商平台用户信息评价的系统及方法 | |
Devadas et al. | A cross sectional study on shopping values and mall attributes in relation to consumer age and gender | |
KR20140062623A (ko) | 웹 툰과 쇼핑몰 간 연동을 통한 상품 거래 방법 및 장치 | |
Irvine et al. | The rise and rise of online retail | |
Barvin | A comparative study on customer satisfaction towards online shopping and traditional shopping with special reference to Tirunelveli District | |
Srivastava et al. | E-COMMERCE IN THE POST COVID-19 ERA: CHALLENGES, OPPORTUNITIES AND | |
Jasrai et al. | An Examination of E-Loyalty for Online Purchase of Apparel among Y Generation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160824 |