CN105913301B - 拼单信息处理方法和系统 - Google Patents

Abstract

本发明公开一种拼单信息处理方法，通过计算订单信息与优惠信息的数据差值；结合浏览记录的元数据筛选符合条件的预推荐数据，其中浏览记录的元数据是数据搜索的中间数据，基于该中间数据搜索与之相关的数据，在这些数据中确定符合所述数据差值的预推荐数据，保证了预推荐数据的可推荐性；为提高预推荐数据的匹配性、可用性和推荐效率，基于消费记录的元数据搜索与之相关的数据，生成预排除数据；在预推荐数据中排除相应预排除数据，生成符合所述数据差值的推荐信息。本发明还公开一种拼单信息处理系统能够实现上述拼单信息处理方法，解决了现有技术中存在的优惠信息使用不便，耗费消费者过长购物时间，以及优惠信息使用率低的实际问题。

Description

拼单信息处理方法和系统

技术领域

本发明涉及信息处理技术领域，具体为一种拼单信息处理方法和系统。

背景技术

通常，优惠券（也称优惠信息）的使用规则往往是满指定金额才能享受预订优惠。对消费者而言，购买金额与指定金额往往存在一定差额：如果消费金额不足致使不能使用优惠券。或者，消费者为享受优惠进行临时凑单，不情愿地临时购买不实用的产品或服务，事后会让消费者有上当受骗感，使得优惠券的消费体验极为不佳。在临时凑单时，遴选商品或服务需要耗费时间往往较长，主要因为消费者不仅考虑自身实际需要，又要考虑实际优惠差额，往往选择出适合的商品或服务比较困难。

消费者持有多项优惠券，往往多项优惠券不能在同一份订单中同时使用，消费者需要人工拆分订单，才能使用多项优惠券，如此间接地阻碍了优惠券的使用便捷性。拆分订单需要考虑拆分后订单金额，还要考虑其他拆分订单的金额，在计算金额和调整订单内容上，往往耗费消费者很多时间，给出合理的订单拆分方案比较困难。

在进入支付流程时，对于消费者而言，往往意味着消费行为即将结束，在支付时却发现消费数据不满足优惠信息中指定的条件数据，多数消费者可能会为凑单享受优惠临时增加消费需求，由于时间仓促有限，仅为拼凑数据差值，往往考虑不周致使胡乱拼单。这种情况下的拼单处理，极易出现形式上享受了优惠，实质上搭配一些不实用的产品或服务。整体上看，耗费了消费者较多精力和时间在数据差值上，直接影响了消费者最终的消费体验，间接降低了相应优惠信息再次使用的概率，同时也不利于优惠信息的推广和使用。

以下举例说明，在当当网上购买书籍，当当网推出“满100减30”的优惠活动。某消费者在当当网购书，其订单信息的消费数据为88.5元，数据差值为11.5元。通常情况下，该消费者重新构想自己购书需求，然后根据自己重新拟定的购书需求去查找合适的书籍，而且该书籍要满足数据差值11.5元的要求。假设价格在11.5元至25元的书籍是该消费者心理承受价格，如果书价超出该价格范围，该消费者将不能接受相应拼单。在这样的条件下，理论上消费者自行查找相应书籍，能够找到很多符合条件的书籍，但是阅读挑选适合其需求的书籍，可能要耗费相当多的时间，可能11.5元的凑单时间多于88.5元的购物时间，即便这样也有可能选购不到自己实际适合的书籍，进而影响了消费者的整体购物体验，不利于优惠信息的推广和使用。

最终，为了使用优惠信息，延长了购物时间，耗费了额外精力，影响了消费体验，同时也造成了优惠信息使用率低的实际问题。

发明内容

本发明旨在公开一种拼单信息处理方法和系统，用于解决现有技术中存在的优惠信息使用不便，耗费消费者过长购物时间，以及优惠信息使用率低的实际问题。

一方面，本发明提供一种拼单信息处理方法，具体方案为：拼单信息包括订单信息、优惠信息和推荐信息，所述优惠信息包括条件数据和优惠数据；该方法包括如下步骤：

（a）计算所述订单信息的消费数据与所述优惠信息的条件数据之间的数据差值；

（b）获取浏览记录中的元数据，基于该元数据搜索、判断和确定符合所述数据差值的预推荐数据；

（c）获取消费记录中的元数据，基于该元数据搜索、判断和确定预排除数据；

（d）在所述预推荐数据中排除所述预排除数据，生成所述拼单信息的推荐信息。

进一步地，在上述拼单信息处理方法中，所述拼单信息包括推荐信息组，推荐信息组包括若干条推荐信息，在一项所述推荐信息组中，推荐信息的消费数据总和满足所述数据差值。

进一步地，在上述拼单信息处理方法中，当推荐信息组包括一条或多条预排除数据时，在该推荐信息组中排除所述预排除数据，并基于该排除的预排除数据搜索、判断和确定相应的预替换数据，该预替换数据和推荐信息组的其他预推荐数据组合生成新的推荐信息组。

进一步地，在上述拼单信息处理方法中，通过所述浏览记录的元数据，搜索与该元数据相关的同类数据，在该同类数据中判断和确定所述预推荐数据；或者，通过所述消费记录的元数据，搜索与该元数据相关的同类数据，在该同类数据中判断和确定所述预排除数据。

进一步地，在上述拼单信息处理方法中，在获取所述浏览记录的元数据或所述消费记录的元数据时，提炼相应元数据的关键词或关键词组，根据所述关键词或关键词组搜索与该元数据相关的同类数据。

进一步地，在上述拼单信息处理方法中，所述浏览记录的元数据具有访问时间、访问耗时和访问频率中部分或全部的数据属性；在确定预推荐数据的步骤中，利用数据属性筛选符合预定条件的元数据。

进一步地，在上述拼单信息处理方法中，所述浏览记录的元数据包括存储在购物车内的元数据，在确定预推荐数据的步骤中，基于购物车内的元数据搜索、判断和确定符合所述数据差值的预推荐数据。

进一步地，在上述拼单信息处理方法中，所述浏览记录的元数据还包括未存储在购物车内的元数据，如果没有符合所述数据差值的预推荐数据，或者符合所述数据差值的预推荐数据被排除，则基于未存储在购物车内的元数据搜索、判断和确定符合所述数据差值的预推荐数据。

进一步地，在上述拼单信息处理方法中，在所述消费记录的元数据中，部分元数据具有反排除属性，如果相应元数据或者该元数据相关的同类数据符合所述数据差值，则相应元数据及其相关的同类数据均不属于预排除数据，而属于预推荐数据。

进一步地，在上述拼单信息处理方法中，拼单信息包括多条优惠信息，计算订单信息的消费数据与每一条优惠信息的条件数据之间的数据差值，基于数据差值确定一条最佳优惠信息。

进一步地，在上述拼单信息处理方法中，将订单拆分为多项子订单，每项子订单信息对应一条优惠信息，其中，所有子订单信息对应优惠信息的优惠数据总和大于最佳优惠信息的优惠数据；

判断每项子订单信息的消费数据是否满足其对应优惠信息的条件数据，如果不满足，对相应子订单信息按照所述步骤（a）至所述步骤（d）处理。

进一步地，在上述拼单信息处理方法中，拆分后每项子订单信息的消费数据均满足对应优惠信息的条件数据；且每项子订单信息的消费数据与对应优惠信息的条件数据之间的数据差值，位于预定差值范围内。

进一步地，在上述拼单信息处理方法中，经处理后仍不满足的，减少订单拆分项数，重新拆分订单，使重拆后的每项子订单信息的消费数据均满足一条优惠信息的条件数据，且所有子订单信息对应优惠信息的优惠数据总和大于最佳优惠信息的优惠数据。

进一步地，在上述拼单信息处理方法中，获取预推荐数据与预排除数据的数据交集，在预推荐数据中排除该数据交集，生成拼单信息的推荐信息。

另一方面，本发明还提供一种拼单信息处理系统，具体方案如下：该系统能够实施上述任一项中所述的拼单信息处理方法。该系统包括：计算模块，用于计算所述订单信息的消费数据与所述优惠信息的条件数据之间的数据差值；预推荐模块，用于获取浏览记录中的元数据，基于该元数据搜索、判断和确定符合所述数据差值的预推荐数据；预排除模块，用于获取消费记录中的元数据，基于该元数据搜索、判断和确定预排除数据；推荐模块，用于在所述预推荐数据中排除所述预排除数据，生成所述拼单信息的推荐信息。

进一步地，在上述拼单信息处理系统中，该系统还包括拆单模块，用于基于订单信息和对应的优惠信息进行拆分相应订单，使拆分后子订单信息的消费数据满足其对应优惠信息的条件数据。

本发明的有益技术效果如下：本发明的拼单信息处理方法，通过计算获取订单信息与优惠信息的数据差值；结合浏览记录中的元数据筛选符合条件的预推荐数据，其中浏览记录的元数据是数据搜索的中间数据，基于该中间数据搜索与之相关的数据，在这些数据中确定符合所述数据差值的预推荐数据，如此能够保证预推荐数据的可推荐性；为提高预推荐数据的匹配性、可用性和推荐效率，结合消费记录中的元数据搜索与之相关的数据，将这些数据作为预排除数据；在预推荐数据中排除那些预排除数据，生成符合所述数据差值的推荐信息，供用户作针对性地自主选择。本发明的拼单信息处理系统实现了上述拼单信息处理方法，能够解决现有技术中存在的优惠信息使用不便，耗费消费者过长购物时间，以及优惠信息使用率低的实际问题。

附图说明

构成本发明的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1为本发明拼单信息处理方法的流程示意图；以及

图2为本发明拼单信息处理系统的模块示意图。

具体实施方式

以下将结合说明书附图对本发明的具体实施方案进行详细阐述，但是本发明可以由权利要求限定和覆盖的多种不同方式实施。

本发明提供的拼单信息处理方法，通过对订单信息和优惠信息进行合理的技术处理，能够解决上述现有技术中实际存在的技术问题。该方法能够应用于各互联网购物平台的订单处理系统，尤其适用于订单支付系统，基于优惠信息提供最佳的拼单方案，并在给消费者提供优惠的同时，节省购物时间，提高购物体验，提升优惠信息使用率。

本发明提供一种拼单信息处理方法，拼单信息包括订单信息、优惠信息和推荐信息，所述优惠信息包括条件数据和优惠数据。具体地，订单信息包括用户信息和消费数据，消费数据包括订单内容和订单金额。优惠信息的条件数据是指定的消费金额或者消费条件，优惠数据是在满足相应条件数据的基础上由商家提供的相应优惠内容，该优惠内容包括但不限于以下几种情形：（1）买指定数量，送预定数量，例如买一送一，买三送二等；（2）买指定金额，减预定金额，满100减20，满1000减300等；（3）买指定数量或金额，给予预定折扣。

如图1所示，拼单信息处理方法包括如下步骤：

步骤（a）：计算所述订单信息的消费数据与所述优惠信息的条件数据之间的数据差值。其中，步骤（a）作为第一步处理工序，是后面两步骤的先决条件。在一些具体实施例中，数据差值表现为订单金额的区别上。在另一些实施例中，数据差值也可以体现在订单内容上，例如指定商品或服务，指定类别产品或服务未在订单信息中。进一步地，数据差值既表现在订单金额上，又同时表现在订单内容上，换言之，在订单金额和订单内容上，两者均有相应数据差值，共同组成最终的数据差值。

步骤（b）：获取浏览记录中的元数据，基于该元数据搜索、判断和确定符合所述数据差值的预推荐数据。浏览记录的元数据是基于消费者先前的访问记录和访问内容创建生成的访问数据。对于预推荐数据而言，这些元数据是中间数据，是用来查找除元数据自身外的符合所述数据差值的其他数据，能够避免由于元数据不满足所述数据差值导致无法获得相应预推荐数据的情况发生。

步骤（c）：获取消费记录中的元数据，基于该元数据搜索、判断和确定预排除数据。同浏览记录的元数据一样，消费记录的元数据也仅是中间数据，如果仅排除已购产品或服务的元数据，数据排除范围过窄，有可能导致预推荐数据中有很多推荐杂音数据，进而影响推荐数据的可行性和有效性。

步骤（d）：在所述预推荐数据中排除所述预排除数据，生成所述拼单信息的推荐信息。在具体实现时，可通过以下方式进行数据排除：首先获取预推荐数据与预排除数据的数据交集，之后在预推荐数据中排除该数据交集，最终生成拼单信息的推荐信息。预推荐数据经过排除筛选程序，使得相应推荐信息的匹配度和可用性得到提升，一定程度上减少了消费者用于再次浏览筛选的额外购物时间，提升了消费者的购物体验，提高了消费者使用优惠信息的积极性，以及也提高了相关优惠信息的使用率。

在上述拼单信息处理方法的一个具体实施例中，所述拼单信息包括推荐信息组，推荐信息组包括若干条推荐信息，在一项所述推荐信息组中，推荐信息的消费数据总和满足所述数据差值。作为一个整体，推荐信息组要么刚刚好满足所述数据差值，要么超出一定数据差值，但是超出范围仍能为消费者所能接受的范围。例如，在消费者购书时，数据差值体现在订单金额上，缺少40元，推荐信息组中的推荐信息，可以是一本不少于40元的书籍，也可以是多本总价不少于40元的书籍，多本书籍对应多条推荐信息，共同组成推荐信息组。根据实际需要，推荐信息组可以有多组，供消费者选择。根据消费者的消费行为（浏览记录和消费记录），能够找到符合数据差值的多组推荐信息组，并结合相关性或优先级高低进行排序推荐。

在上述拼单信息处理方法的一个具体实施例中，当推荐信息组包括一条或多条预排除数据时，在该推荐信息组中排除所述预排除数据，并基于该排除的预排除数据搜索、判断和确定相应的预替换数据，该预替换数据和推荐信息组的其他预推荐数据组合生成新的推荐信息组。例如，某消费者购书时，数据差值体现在订单金额上，缺少40元，在一项推荐信息组中，推荐信息包括：20元的《杀死一只知更鸟》，15元的《双城记》，以及10元的《老人与海》。根据搜集的消费记录，分析判断得知该消费者先前已购买了《老人与海》。此时需要将《老人与海》预排除数据从该一项推荐信息组中剔除，然后再基于预排除数据《老人与海》重新为该项推荐信息组提供替换的推荐信息。当然，在该实施例中，推荐信息组包括多条预排除数据，假定15元的《双城记》也是预排除数据，此时可以单独根据每一项预排除数据进行确定对应的预替换数据，也可以将多项预排除数据合并在一起作为一个整体，作为预替换数据的元数据来使用，寻找最终可行的预替换数据。另外，将预排除数据的中部分数据合并组合起来作为一个整体，基于合并组合后的整体去搜索、判断和确定相应的预替换数据，能够减少预替换数据的数量，优化拼单信息处理流程。在本实施例中，如此设计能够进一步保证推荐信息组内的推荐信息完整性和可用性，优化推荐信息的处理机制，有助于优惠信息使用率的提高。

在上述拼单信息处理方法的一个具体实施例中，通过所述浏览记录的元数据，搜索与该元数据相关的同类数据，在该同类数据中判断和确定所述预推荐数据；或者，通过所述消费记录的元数据，搜索与该元数据相关的同类数据，在该同类数据中判断和确定所述预排除数据。不论是浏览记录的元数据，还是消费记录的元数据，以它们为中间数据，作为线索条件，去查找符合相应条件的同类数据。对于预推荐数据而言，仅仅局限于浏览记录的元数据本身，可能由于元数据的数量少，尽管元数据的可推荐性很强，但是往往不满足相应数据差值的条件，进而导致实际的预推荐数据缺乏针对性。因此，扩展消费记录的元数据，将搜索范围扩展到其同类数据上，在满足推荐性强的基础上，能够提高预推荐数据的针对性。对于预排除数据而言，仅仅排除消费记录中的元数据本身，不足以排除推荐信息的杂音数据（也称无用数据），将相应元数据的同类数据集体排除在预推荐数据之外，能够进一步提高推荐信息的可推荐性，节省消费者在浏览杂音数据的购物时间，提高相应购物满意度。

在上述拼单信息处理方法的一个具体实施例中，在获取所述浏览记录的元数据或所述消费记录的元数据时，提炼相应元数据的关键词或关键词组，根据所述关键词或关键词组搜索与该元数据相关的同类数据。浏览记录的元数据和消费记录的元数据的处理方法基本相同，在提炼相应关键词或关键词组时，均可通过词组或词语语法进行提取相应词语。在本实施例中，元数据被解析和分解为对应关键词或者关键词组，成为搜索元数据的同类数据的索引。换言之，以此关键词或关键词组作为整体，作为对应元数据及其同类数据的索引条件。例如，浏览记录的某元数据为：华为荣耀手机7手机壳，相应关键词组可为：荣耀7、手机壳。基于“荣耀7”和“手机壳”作为索引条件，搜索出符合数据差额的预推荐数据。

在上述拼单信息处理方法的一个具体实施例中，所述浏览记录的元数据具有访问时间、访问耗时和访问频率中部分或全部的数据属性；在确定预推荐数据的步骤中，利用数据属性筛选符合预定条件的元数据。通常，对于浏览记录而言，访问时间越近，访问耗时越长，访问频率越高，代表着相应元数据的可推荐性越高，通过对这些数据属性的限定，能够进一步提高于预推荐数据的可用性。例如，访问时间限定在1周内或1月内，访问耗时限定在浏览某元数据超过5分钟，访问频率限定在3次以上等等。基于实际需要，对这些数据属性的筛选限定可以自由组合，可以仅有访问时间、访问耗时或访问频率，也可以有它们中的部分组合或者全部组合。

在上述拼单信息处理方法的一个具体实施例中，所述浏览记录的元数据包括存储在购物车内的元数据，在确定预推荐数据的步骤中，基于购物车内的元数据搜索、判断和确定符合所述数据差值的预推荐数据。通常情况下，存放在购物车内的元数据，一定是浏览记录中的元数据。因为将相应元数据放入购物车，代表着消费者通过初步筛选对该元数据产生过可能的购买意向，换言之，购物车内的元数据是消费者的消费意向数据。基于这部分消费意向数据进行搜索、判断和确定符合所述数据差值的预推荐数据，能够极大地提高预推荐数据的被接受的可能性。

在上述拼单信息处理方法的一个具体实施例中，在上述拼单信息处理方法中，所述浏览记录的元数据还包括未存储在购物车内的元数据，如果没有符合所述数据差值的预推荐数据，或者符合所述数据差值的预推荐数据被排除，则基于未存储在购物车内的元数据搜索、判断和确定符合所述数据差值的预推荐数据。基于存储在购物车内的元数据（消费意向数据）进行搜索、判断和确定符合所述数据差值的预推荐数据，没有符合所述数据差值的预推荐数据，或者符合所述数据差值的预推荐数据被排除。在这种情况下，作为存储在购物车内元数据的补充数据，那些未存储在购物车内的元数据，能够起到很好的数据填补功能。

在上述拼单信息处理方法的一个具体实施例中，在所述消费记录的元数据中，部分元数据具有反排除属性，如果相应元数据或者该元数据相关的同类数据符合所述数据差值，则相应元数据及其相关的同类数据均不属于预排除数据，而属于预推荐数据。通常情况下，一些元数据是被消费者反复使用的，还有一些元数据虽不是反复使用，但对消费者而言有再次使用的可能。根据消费者提供的数据要求或者元数据自身的数据属性，对元数据设置反排除属性，避免其被纳入预排除数据，结合实际需要减少预排除数据，提高推荐信息的可靠性。

在上述拼单信息处理方法的一个具体实施例中，拼单信息包括多条优惠信息，计算订单信息的消费数据与每一条优惠信息的条件数据之间的数据差值，基于数据差值确定一条最佳优惠信息。根据数据差值的区别大与小，结合优惠信息的优惠数据，综合评估在多条优惠信息中确定一条最佳优惠信息，帮助消费者优中选优。在多数情况下，如果由于选择疏忽导致未使用最佳优惠信息，消费者会先取消订单，再重新下单，这时候往往出现使相应已被使用的优惠信息无法恢复的情形。之后，消费者再重新一一选择相应订单内容，并重新下单生成新的订单信息，再使用最佳优惠信息，毫无意义地耗费了消费者的购物时间。在本实施例中，拼单信息处理方法能够帮助选择最佳优惠信息，使得消费者节省消费时间，避免优惠信息浪费，能够获得最佳的消费体验，也间接提高优惠信息的实际使用率。

在上述拼单信息处理方法的一个具体实施例中，将订单拆分为多项子订单，每项子订单信息对应一条优惠信息，其中，所有子订单信息对应优惠信息的优惠数据总和大于最佳优惠信息的优惠数据；判断每项子订单信息的消费数据是否满足其对应优惠信息的条件数据，如果不满足，对相应子订单信息按照所述步骤（a）至所述步骤（d）处理。在本实施例中，通过拆分订单能够获取比最佳优惠信息的优惠数据更多的优惠。例如，某项订单信息的订单金额为550元，优惠信息包括若干条“满100减10”，“满200减30”，“满300减60元”。在此种情况下，消费者如果仅选择最佳优惠信息“满300减60”，显然有近250元的消费金额未享受到优惠。根据情况，可以拆分订单，一子订单信息对应一条最佳优惠信息“满300减60”，另一子订单对应优惠信息“满200减30”。当然，也可以选择两条最佳优惠信息“满300减60”，对不满足优惠信息的条件数据的子订单信息，按照上述拼单信息处理方法中步骤（a）至步骤（d）进行补足相应数据差值。拼单信息处理方法提供多种优惠解决方案，如果优惠方案需要补足条件，结合消费者需要，提供相应推荐信息，完善优惠解决方案。根据本实施例方案，如此拼单信息处理，能够使消费者获取最大最优的优惠，提升消费者消费体验，提高优惠信息的实际使用率。

在上述拼单信息处理方法的一个具体实施例中，拆分后每项子订单信息的消费数据均满足对应优惠信息的条件数据；且每项子订单信息的消费数据与对应优惠信息的条件数据之间的数据差值，位于预定差值范围内。在本实施例中，限定子订单信息的消费数据不过多地超出其对应优惠信息的条件数据，避免影响到其他子订单信息的消费数据满足其对应优惠信息的条件数据。通过设定预定差值范围，如果超出该预定差值范围，启动对应调整措施，调整相关的推荐信息，使最终子订单信息超出优惠信息的数据差值均在该预定差值范围内。例如，某项订单信息的订单金额为550元，优惠信息包括若干条“满100减10”，“满200减30”，“满300减60元”。消费者选择两条最佳优惠信息“满300减60”，拆分订单后：（1）一子订单的订单金额为310元，满足最佳优惠信息的条件数据，且相应数据差值为10元，未超出预定差值范围0～50元；（2）另一子订单的订单金额为240元，不满足最佳优惠信息的条件数据，通过推荐信息补足，最终该子订单的订单金额为380元，虽然满足了最佳优惠信息的条件数据，但是该子订单信息与优惠信息的数据差额为80元，超出了预定差值范围0～50元。对于消费者而言，该推荐信息是不适当的，因为在380元基础上，稍微加上20多元的另一推荐信息，再通过拆分该子订单，一项略超300元的子订单，另一项略超100元的子订单，可使消费者在享受最佳优惠信息基础上，再享受额外优惠。通常情况下，消费者仅仅期望拆分后的子订单要么刚刚好满足相应优惠信息的条件数据，要么期望略微超过相应优惠信息的条件数据。这样的订单拆分才能使消费者获得最佳消费体验，也获得了最佳优惠解决方案，并且有助于优惠信息的应用和推广，提高优惠信息的使用率。

在上述拼单信息处理方法的一个具体实施例中，在上述实施例基础上，如果经拼单处理后仍不满足相应条件的，减少订单拆分项数，重新拆分订单，使重拆后的每项子订单信息的消费数据均满足一条优惠信息的条件数据，且所有子订单信息对应优惠信息的优惠数据总和大于最佳优惠信息的优惠数据。在拼单信息处理时，如果确实没有合适的推荐信息可使用，通过放弃少部分优惠信息，使整个拼单优惠方案能够得以实现，一定程度上也能够照顾到消费者的实际需求。对于部分消费者而言，不可能为了少部分优惠信息，而选择实际并不需要的推荐信息。本实施例的拼单信息处理方法，能够很好地关联消费者的实际需求，针对其实际需求提供针对性的拼单优惠方案，帮助消费者减少不需要的推荐信息，能够提高消费者的消费体验。

另一方面，本发明还提供一种拼单信息处理系统，该系统能够实施上述任一项中所述的拼单信息处理方法。如图2所示，该系统包括：计算模块，用于计算所述订单信息的消费数据与所述优惠信息的条件数据之间的数据差值；预推荐模块，用于获取浏览记录中的元数据，基于该元数据搜索、判断和确定符合所述数据差值的预推荐数据；预排除模块，用于获取消费记录中的元数据，基于该元数据搜索、判断和确定预排除数据；推荐模块，用于在所述预推荐数据中排除所述预排除数据，生成所述拼单信息的推荐信息。

本发明的拼单信息处理系统实现了上述拼单信息处理方法，利用计算模块获取订单信息与优惠信息的数据差值，预推荐模块提供符合相应条件的预推荐数据，预排除模块根据排除条件提供预排除数据，推荐模块将排除在预推荐数据，最终供用户作针对性地自主选择，能够解决现有技术中存在的优惠信息使用不便，耗费消费者过长购物时间，以及优惠信息使用效率低的实际问题。

在上述拼单信息处理系统的一个具体实施例中，该系统还包括拆单模块，用于基于订单信息和对应的优惠信息进行拆分相应订单，使拆分后子订单信息的消费数据满足其对应优惠信息的条件数据。通过拆分模块，使消费者减少自行手工拼拆单的时间，使其获得更佳的消费体验，使各项优惠信息得到充分利用，同时提高了优惠信息的使用率。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (12)

1.拼单信息处理方法，其特征在于，拼单信息包括订单信息、优惠信息和推荐信息，所述优惠信息包括条件数据和优惠数据；该方法包括如下步骤：

(a)计算所述订单信息的消费数据与所述优惠信息的条件数据之间的数据差值；

(b)获取浏览记录中的元数据，基于该元数据搜索、判断和确定符合所述数据差值的预推荐数据；

(c)获取消费记录中的元数据，基于该元数据搜索、判断和确定预排除数据；

(d)在所述预推荐数据中排除所述预排除数据，生成所述拼单信息的推荐信息；

其中，将所述浏览记录的元数据或所述消费记录的元数据作为中间数据，并将所述中间数据为线索条件，查找符合相应条件的同类数据；

在所述消费记录的元数据中，部分元数据具有反排除属性，如果相应元数据或者该元数据相关的同类数据符合所述数据差值，则相应元数据及其相关的同类数据均不属于预排除数据，而属于预推荐数据；

拼单信息包括多条优惠信息，计算订单信息的消费数据与每一条优惠信息的条件数据之间的数据差值，基于数据差值确定一条最佳优惠信息；

将订单拆分为多项子订单，每项子订单信息对应一条优惠信息，其中，所有子订单信息对应优惠信息的优惠数据总和大于最佳优惠信息的优惠数据；判断每项子订单信息的消费数据是否满足其对应优惠信息的条件数据，如果不满足，对相应子订单信息按照所述步骤(a)至所述步骤(d)处理；

拆分后每项子订单信息的消费数据均满足对应优惠信息的条件数据；且每项子订单信息的消费数据与对应优惠信息的条件数据之间的数据差值，位于预定差值范围内；通过设定预定差值范围，超出该预定差值范围，启动对应调整措施，调整相关的推荐信息，使最终子订单信息超出优惠信息的数据差值均在该预定差值范围内。

2.根据权利要求1所述的方法，其特征在于，所述拼单信息包括推荐信息组，推荐信息组包括若干条推荐信息，在一项所述推荐信息组中，推荐信息的消费数据总和满足所述数据差值。

3.根据权利要求2所述的方法，其特征在于，当推荐信息组包括一条或多条预排除数据时，在该推荐信息组中排除所述预排除数据，并基于该排除的预排除数据搜索、判断和确定相应的预替换数据，该预替换数据和推荐信息组的其他预推荐数据组合生成新的推荐信息组。

4.根据权利要求1所述的方法，其特征在于，通过所述浏览记录的元数据，搜索与该元数据相关的同类数据，在该同类数据中判断和确定所述预推荐数据；或者，通过所述消费记录的元数据，搜索与该元数据相关的同类数据，在该同类数据中判断和确定所述预排除数据。

5.根据权利要求4所述的方法，其特征在于，在获取所述浏览记录的元数据或所述消费记录的元数据时，提炼相应元数据的关键词或关键词组，根据所述关键词或关键词组搜索与该元数据相关的同类数据。

6.根据权利要求1所述的方法，其特征在于，所述浏览记录的元数据具有访问时间、访问耗时和访问频率中部分或全部的数据属性；在确定预推荐数据的步骤中，利用数据属性筛选符合预定条件的元数据。

7.根据权利要求1所述的方法，其特征在于，所述浏览记录的元数据包括存储在购物车内的元数据，在确定预推荐数据的步骤中，基于购物车内的元数据搜索、判断和确定符合所述数据差值的预推荐数据。

8.根据权利要求7所述的方法，其特征在于，所述浏览记录的元数据还包括未存储在购物车内的元数据，如果没有符合所述数据差值的预推荐数据，或者符合所述数据差值的预推荐数据被排除，则基于未存储在购物车内的元数据搜索、判断和确定符合所述数据差值的预推荐数据。

9.根据权利要求1所述的方法，其特征在于，经处理后仍不满足的，减少订单拆分项数，重新拆分订单，使重拆后的每项子订单信息的消费数据均满足一条优惠信息的条件数据，且所有子订单信息对应优惠信息的优惠数据总和大于最佳优惠信息的优惠数据。

10.根据权利要求1至9任一项中所述的方法，其特征在于，获取预推荐数据与预排除数据的数据交集，在预推荐数据中排除该数据交集，生成拼单信息的推荐信息。

11.拼单信息处理系统，其特征在于，能够实施如权利要求1至10任一项中所述的拼单信息处理方法，该系统包括：

计算模块，用于计算所述订单信息的消费数据与所述优惠信息的条件数据之间的数据差值；

预推荐模块，用于获取浏览记录中的元数据，基于该元数据搜索、判断和确定符合所述数据差值的预推荐数据；

预排除模块，用于获取消费记录中的元数据，基于该元数据搜索、判断和确定预排除数据；

推荐模块，用于在所述预推荐数据中排除所述预排除数据，生成所述拼单信息的推荐信息。

12.根据权利要求11所述的系统，其特征在于，该系统还包括拆单模块，用于基于订单信息和对应的优惠信息进行拆分相应订单，使拆分后子订单信息的消费数据满足其对应优惠信息的条件数据。

Images