CN106022814A - 运用自适性机器学习以提供建议的系统和方法 - Google Patents

Abstract

本文中所描述的系统和方法运用自适性机器学习以向为客户从商品库存选择一个或多个商品的实体提供建议。客户信息、商品信息以及建议算法被存储且可通过建议引擎存取。所述建议算法以不同方式利用所述客户信息和所述商品信息来识别建议给客户的商品的不同子集。选择关于在所述商品库存中所识别的所述商品的所述子集中的两个或两个以上子集的信息，以用于显示给承担为所述客户选择商品的任务的所述实体。获得包含客户、选择和/或覆盖范围反馈信息的反馈信息，且依赖于所述客户反馈信息、所述选择反馈信息和/或所述覆盖范围反馈信息，使用自适性机器学习以修改所述所存储的客户信息、所述所存储的商品信息和/或所存储的建议算法。

Description

运用自适性机器学习以提供建议的系统和方法

优先权主张

本申请案主张2015年3月31日提交的第14/674,641号美国专利申请案的优先权。

技术领域

本发明的实施例大体上涉及运用自适性机器学习以向为客户从商品库存选择一个或多个商品的实体提供建议的系统和方法。

背景技术

建议系统在在线销售和数字媒体网站中正变得越来越常见。此类系统通常使用关于用户的偏好和购买行为的信息来建议用户可能感兴趣的内容和/或货物。此类建议系统通常将所建议的内容和/或货物呈现给用户，而使得用户不必明确地请求或寻找所述内容和/或货物。以此方式，可以将用户可能尚不了解的内容和/或货物引入到用户的注意力以供购买。然而，现有建议系统通常建议不适用于用户和/或与用户不良匹配的某些内容和/或货物。另外，用户通常不被告知为何将具体的内容和/或货物建议给他们，这可能使得用户不了解为何所建议的内容和/或货物可能使他们感兴趣，且可能使得用户失去对此类建议系统的信任。

发明内容

大部分现有建议系统是计算机实施的，且一旦实施，就完全依赖于计算机实施的算法来向用户提供建议。然而，尽管计算机极其善于分析结构化数据，但计算机通常并不善于分析非结构化数据。此外，尽管计算机极其善于实施算法(所述计算机经编程以实施所述算法)，但计算机并不善于分析多个算法的结果，或了解，针对具体用户，一些算法提供比其它算法更好的结果。另外，建议系统通常直接向人们(也称为消费者或客户)提供建议，这些人们确定他们是否想要购买所建议的内容和/或货物，其中此类内容和/或货物可以更一般地个别地称为商品或统称为商品。下文所描述的本发明技术的某些实施例提供相比于此类现有建议系统的改进。

本文中所述特定系统和方法运用自适性机器学习以向为客户从商品库存选择一个或多个商品的实体提供建议。客户信息、商品信息及建议算法被存储且可通过建议引擎存取。建议算法以不同方式利用客户信息和商品信息以识别建议给客户的商品的不同子集。选择关于在商品库存中所识别的商品的子集中的两个或两个以上子集的信息，以用于显示给承担为客户选择商品的任务的实体。获得包含客户、选择和/或覆盖范围反馈信息的反馈信息，且依赖于客户反馈信息、选择反馈信息和/或覆盖范围反馈信息，使用自适性机器学习以修改所存储的客户信息、所存储的商品信息和/或所存储的建议算法。

附图说明

图1说明根据本发明技术的实施例的计算机实施的系统，所述系统运用自适性机器学习以提供建议。

图2说明可以显示给承担为客户从商品库存选择商品的任务的实体的信息的实例。

图3是用于概述根据本发明技术的实施例的方法的高级流程图，所述方法运用自适性机器学习以向为客户从商品库存选择商品的实体提供建议。

图4是根据具体实施例的提供在图3中引入的步骤中的一个步骤处选定商品以用于显示的方法的一些另外细节的高级流程图。

附图标号说明

102 系统

112 建议引擎

122-1 建议算法数据库

122-2 客户数据库

122-3 库存数据库

132 为客户选择一个或多个商品的实体

142 为其选定商品的客户

152 反馈接口

162 属性修改器

172 算法修改器

212 最左列

222-1到222-6 行

302到322 步骤

402到406 步骤

具体实施方式

在以下详细描述中，参考形成其一部分且其中借助于说明示出具体说明性实施例的附图。应理解，可利用其它实施例且可做出机械和电气改变。因此，不应将以下详细描述视为具有限制意义。在以下描述中，相同的数字或参考标号将始终用于指代相同的部分或元件。另外，参考标号的第一数字位识别参考标号第一次出现的图式。

图1说明根据本发明技术的实施例的系统102，所述系统运用自适性机器学习以向为客户从商品库存选择商品的实体提供建议，而非直接向确定他们是否想要购买所建议的商品的客户提供建议。系统102尤其可用于辅助最好通过机器(例如，计算机)和人类的组合执行的任务。更确切地说，系统102尤其可用于利用以下事实：计算机通常经较好配备以分析或以其它方式处理结构化数据，而人类通常经较好配备以分析或以其它方式处理非结构化数据。换句话说，本文中所描述的实施例提供一种用于组合机器学习算法与内行人(human experts)判断的机制，如将从以下描述了解。

参考图1，系统102示出为包含建议引擎112，所述建议引擎以通信方式耦合到建议算法数据库122-1、客户数据库122-2以及库存数据库122-3。数据库122-1、122-2以及122-3可以个别地称为数据库122或统称为数据库122。还在图1示出的是块132，其表示为客户选择一个或多个商品的实体；以及块142，其表示已选定商品的客户。此类实体142可以是具有与包含在商品库存中的商品相关的专门知识的人。图1还示出反馈接口152，其接受各种类型反馈，包含客户反馈、选择反馈和覆盖范围反馈，所述反馈中的每一个反馈在下文另外详细论述。反馈接口152示出为以通信方式耦合到属性修改器162和算法修改器172。如下文将另外详细描述，根据实施例，属性修改器162经调适以依赖于通过反馈接口152所接收的客户反馈，运用自适性机器学习以修改存储在客户数据库122-2中的客户信息和/或存储在库存数据库122-3中的库存信息。根据实施例，算法修改器172经调适以依赖于选择反馈、覆盖范围反馈和/或客户反馈，运用自适性机器学习以修改存储在建议算法数据库122-1中的建议算法。

根据实施例，建议算法数据库122-1经调适以存储多个不同建议算法，其中的每一个建议算法以与其它算法不同的方式以利用客户信息和商品信息以针对客户中的任何特定客户来识别在商品库存中建议给客户中的所述特定客户的商品的子集。此类建议算法还可被称作建议规则，且建议算法数据库122-1还可类似地被称作建议规则数据库。客户数据库122-2经调适以针对多个客户中的每一个客户存储客户信息，所述客户信息指示与多个客户中的每一个客户相关联的客户属性。库存数据库122-3经调适以针对包含在商品库存中的多个商品中的每一个商品存储商品信息，所述商品信息指示与包含在商品库存中的多个商品中的每一个相关联的商品属性。根据实施例，客户是已经要求为其选定且予以提供(例如，邮寄、装运、发送或以其它方式提供)给他们本身的人们。

商品库存中的商品可以是例如女式服装，其中商品库存中的每个商品与不同件的女式服装相对应。对于更加具体的实例，商品库存中的商品可以包含裤子、衬裙、连衣裙、衬衫、毛衣、夹克、手镯、项链、围巾、帽子和/或类似者。存储在库存数据库122-3中的商品信息可以包含针对商品库存中的商品中的每一个商品的多个商品属性。商品属性中的一些属性可以是客观属性，而其它属性可以是主观属性。示例性客观商品属性包含：商品类型(例如，裤子、衬裙、连衣裙等)、商品设计者和/或品牌、商品尺寸、商品颜色、商品库存单位(SKU)号、商品图案(例如，纯色、方格花纹、细条纹等)、商品材料(例如，棉、羊毛、合成等)和/或类似者。示例性主观商品属性包含：适合于高个女性、适合于矮个女性、适合于胸部丰满的女性、适合于德克萨斯州的女性、适合于学院风的女性、适合于20岁的女性、适合于50岁的女性、适合于身体修长的的女性、休闲风、适合于正式场合、适合于热带旅行、适合于春天、适合于冬天、合身、偏小、偏大和/或类似者。主观商品属性还可以指定商品适合于的一种或多种体型(例如，直筒型、梨型、匙型、沙漏型、顶部沙漏型、倒三角型、椭圆型、菱型等)。客观商品属性中的至少一些属性可以自动地输入到库存数据库122-3中，而其它客观商品属性可以手动地输入到库存数据库122-3中。根据实施例，主观商品属性由对包含在库存中的商品的类型具有专门知识的实体(例如，人)指定，且手动地输入到库存数据库122-3中。商品库存还可以指定当前在商品库存中的每个商品的单位数。另外，商品库存可以指定已经订购的每个商品的单位数，以及预期何时接收经订购的商品以补充商品库存。商品属性还可以指定商品提供给客户的频率、商品被客户接受(例如，购买)的频率和/或商品在被提供给客户后被客户接受(例如，购买)的频率。这些仅是可被存储在库存数据库122-3中的商品属性的类型的一些实例，所述实例并不意图涵盖全部。针对商品库存中的商品中的每一个商品，商品属性中的至少一些属性，或更一般地说所存储的商品信息中的至少一部分，初始地至少部分基于从承担指定商品属性的任务的实体所接受的输入。例如，可以将基于网络的用户界面呈现给实体，所述用户界面使得所述实体能够例如响应于问题或类似者而输入关于商品的客观和主观信息。

存储在客户数据库122-2中的客户信息可以包含与多个客户中的每一个客户相关联的客户属性。客户属性中的一些属性可以是客观属性，而其它属性可以是主观属性。示例性客观客户属性包含：出生日期和/或年龄、身高、体重、腰围、胸围、罩杯尺寸、内缝长、躯干长、衬衫尺寸、连衣裙尺寸、裤子尺寸、住宅地址、客户是否是妈妈、职业和/或类似者。示例性主观客户属性包含：偏好的款式(例如，经典款、学院风、休闲风、波西米亚风等)、偏好的合身性(例如，宽松、合身、紧身等)、偏好的颜色方案(例如，亮色系、柔和色系)、偏好的图案(例如，纯色、条纹、花朵)和/或类似者。

主观客户属性还可以指定客户对具体风格的喜欢程度，所述风格例如但不限于，休闲风、前卫风、波西米亚风、经典款、性感风、学院风、浪漫风和/或类似者。主观客户属性可以是二进制的(例如，否或是，或者0或1)，或可以具有较大的粒度级(例如，在0和5之间的数，其中5指示最大偏好程度)。主观客户属性还可以指定客户对具体的设计者和/或品牌的喜欢程度。主观客户属性还可以指定客户指示的他们愿意花费在具体类型的商品上的钱。另一示例性客户属性是体型(例如，直筒型、梨型、匙型、沙漏型、顶部沙漏型、倒三角型、椭圆型、菱型等)。另外，与特定客户相关联的客户信息还可以指定特定客户已经成为由系统102提供建议服务的会员的时间、将商品装运给客户的频率、哪些商品被客户购买或以其它方式接受、哪些商品被客户退还或以其它方式不接受和/或类似者，这些指定内容中的中的每一个内容都是客观客户属性的另外实例。客观客户属性还可以指定客户实际上已在具体类型的商品上花费的钱。这些仅是可被存储在客户数据库122-2中的客户属性的类型的一些实例，所述实例并不意图涵盖全部。在实施例中，针对客户中的每一个客户，客户属性中的至少一些属性，或更一般地说，所存储的客户信息中的至少一部分，初始地至少部分基于从客户接受的输入。例如，可以将基于网络的用户界面呈现给客户，所述用户界面使得所述客户能够例如响应于问题或类似者而输入关于自身的客观和主观信息。

在各种实施例中，建议引擎112经调适以通过以下操作识别在商品库存中建议给客户中的任何特定客户的商品的多个不同子集：使用多个不同建议算法(存储在建议算法数据库122-1中)中的全部或一些建议算法(即，两个或两个以上建议算法中的每一个建议算法)以产生在库存中建议给客户中的所述特定客户的商品的不同子集。可以将库存中的商品的此类所识别子集显示给承担为客户中的特定客户从商品库存选择商品的任务的具体实体132(例如，个人)。相应地，建议引擎112可以用于分析关于包含在商品库存中的相对较大群组的商品的数据，且将所述相对较大群组缩小至相对较小群组，并且其后，个人可以使用其内行人判断来从相对较小群组选择商品以提供(例如，邮寄、装运、发送或以其它方式提供)给客户。

例如，假设特定实体132承担选择五个商品以发送到特定客户142的任务。当包含在库存中的商品的数目相对较大，且存在相对较大数目的不同建议算法(存储在建议算法数据库122-1中)时，承担为客户中的一个客户从商品库存选择商品的任务的实体可能不堪重负。例如，假设在商品库存中存在一万个不同商品，且存在存储于建议算法数据库122-1中的一百个不同建议算法。此外，假设商品的不同子集中的每一个子集(通过建议引擎112使用建议算法中的一个建议算法识别)包含六个商品。商品的子集中的每一个子集不必互斥，例如，有可能的是，使用两个不同建议算法识别的商品的两个不同子集可能相同，但这基本不太可能。然而，存在个别的商品可能包含在商品的不同子集中的超过一个子集中的较大可能性。继续此实例，且假设一百个不同建议算法中的每一个建议算法都被建议引擎112利用，那么这将导致六个商品的一百个不同子集被建议引擎112识别。换句话说，在此实例中，可能将关于六百个商品的信息显示给承担为客户142中的一个客户从商品库存选择商品的任务的实体132。尽管将一万个商品缩小至六百个商品可能是有帮助的，但承担为客户中的一个客户从商品库存选择商品的任务的实体仍很可能将不堪重负，或将至少忽略许多所建议的商品。本文中描述的本发明技术的实施例可以用于更好地帮助实体(承担为客户中的一个客户从商品库存选择商品的任务)为客户做出其选择。

根据实施例，包含在建议算法数据库122-1中的不同建议算法中的每一个建议算法具有相对应的不同主题。与建议算法相关联的主题可能或可能不与具体的客户属性相关。与具体客户属性相关的示例性主题包含：适合于高个女性、适合于矮个女性、适合于胸部丰满的女性、适合于德克萨斯州的女性、适合于学院风的女性、适合于20岁的女性、适合于50岁的女性、适合于身体修长的的女性、休闲风选择、适合于正式场合的选择、适合于热带旅行、适合于春天、适合于冬天、适合于喜欢经典风格的女性、适合于喜欢波西米亚风风格的女性和/或类似者。如可以从主题的此示例性列表了解，主题中的一些主题(与建议算法相对应)可以是与同商品库存中的商品相关联的属性的描述词相同或类似的描述词。根据实施例，对于主题中的至少一些主题，每个主题(与建议算法相对应)指示与使用建议算法选定的商品相关联的共同属性。例如，与使用主题“适合于高个女性”选定的商品相关联的共同属性是使用具有所述主题的建议算法选定的所有商品都被认为适合于至少5英尺8英寸的女性。对于另一实例，与使用主题“适合于德克萨斯州的女性”选定的商品相关联的共同属性是使用具有所述主题的建议算法选定的所有商品都被认为适合于生活在德克萨斯州的女性。建议算法可以比上文所论述的那些示例性算法具体得多，或可以复合两个或两个以上建议算法，例如，以识别“适合于德克萨斯州的高个女性”或“适合于冬天的学院风的女性”。当算法、或算法的组合变得更加具体时，覆盖范围和置信水平将很可能减小，在此情况下可以使用试探法来控制最小覆盖范围和/或置信度阈值。

其它主题可以更加一般地而非具体地与客户属性相关。例如，建议算法的进一步示例性主题包含：最畅销商品；最可能被购买；最高利润率；与先前购买的商品最类似；与先前购买的商品最不类似；最适合于休闲场合；最适合于商务场合；适合于融合；适合于突出；和/或类似者。这些仅是几个实例，所述实例并不意图涵盖全部。取决于商品库存中的商品的类型和为其选定商品的客户，建议算法的类型以及与其相关联的主题可以发生较大变化。优选地，可以将新建议算法添加到建议算法数据库122-1，而不影响系统102的其余部分和/或需要与其余部分的任何具体协调。这允许按需要测试且训练新算法，且去除不良执行的算法。

根据实施例，建议引擎112经调适以针对具有指示与使用建议算法选定的商品相关联的共同属性的主题的建议算法中的每一个建议算法，确定客户中的任何特定客户是否满足所述共同属性。随后，基于此类确定，建议引擎112可以排除关于使用具有指示客户中的特定客户不满足的共同属性的主题的任何建议算法所识别的子集中的一个或多个子集的信息，而不将所述信息显示给承担为客户中的特定客户从商品库存选择商品的任务的实体。例如，当特定客户是5英尺1英寸高且生活在俄勒冈州的女性时，建议引擎112可以确定所述特定客户不满足属性“高”且“生活在德克萨斯州”。相应地，建议引擎112可以排除关于被认为适合于高个女性的商品的子集的信息以及关于被认为适合于生活在德克萨斯州的女性的商品的子集的信息，而不将所述信息显示给承担为所述特定客户从商品库存选择商品的任务的实体。建议引擎112可以这样做的一种方式是不运行具有主题“适合于高个女性”的建议算法，且不运行具有主题“适合于生活在德克萨斯州的女性”的建议算法。替代地，建议引擎112可以运行具有主题“适合于高个女性”和“适合于生活在德克萨斯州的女性”的建议算法，但可以忽略或隐藏使用那些算法所识别的商品的子集，或以将不显示使用那些算法所识别的商品的子集的方式排列所述子集或对所述子集排序。其它变化也是可能的且在实施例的范围内。

一个或多个建议算法可以计算在与客户相关联的具体属性和与商品库存中的商品相关联的具体属性之间的距离或相似性度量，其中每个距离或相似性度量分配有权重。不同的建议算法可能聚焦于不同的属性和/或可能以彼此不同的方式对距离或相似性度量加权。另外或替代地，不同的建议算法可以使用不同方式来计算在与客户相关联的具体属性和与商品库存中的商品相关联的相对应属性之间的距离或相似性度量。

根据实施例，建议引擎112经调适以选择关于在库存中通过运行包含在建议算法数据库122-1中的算法中的全部或一些所识别的商品的多个不同子集中的两个或两个以上子集的信息，以用于将所述信息显示给承担为客户中的一个客户从商品库存选择商品的任务的实体。为了实现此任务，建议引擎112可以针对使用建议算法所识别的商品的子集中的至少一些子集中的每一个子集，计算量化商品的子集的一个或多个方面的一个或多个度量。量化商品的子集的各方面的示例性度量包含但不限于：指示成功(售出)的可能性的度量；指示利润的度量；指示与由客户中的一个客户接受的先前商品的相似性的度量；指示与由客户中的一个客户接受的先前商品的差异性的度量；指示客户满意的可能性的度量；指示客户保留的可能性的度量；指示最优地利用公司的库存的度量；指示实现客户的装运的成本的度量和/或类似者。建议引擎112随后可以依赖于一个或多个计算出的度量中的至少一个度量对商品的所识别子集中的至少一些子集排序，以产生商品的经排序子集。建议引擎112随后可以使用商品的经排序子集以选择关于库存中的商品的所识别子集中的两个或两个以上子集的信息以用于显示。

根据实施例，关于库存中的商品的所识别子集中的两个或两个以上子集的信息可经由通信接口(例如，网络浏览器)以被显示给承担为客户中的一个客户从商品库存选择商品的任务的实体(由图1中的块132表示)。这排除以下需要：实体(由图1中的块132表示)中的任一个实体获得定制软件以使得它们能够检查商品的所建议的子集(通过建议引擎112产生)，以便执行其从商品库存选择将提供(例如，装运)给客户的一个或多个商品的工作。换句话说，每个实体132可以利用通信接口(例如，网络浏览器)和通信网络(例如，因特网、LAN、WAN、无线网络、内联网、专用网络、公用网络、交换网络、这些网络的组合和/或类似者)来查看建议给特定客户的商品的子集。在替代实施例中，实体(由图1中的块132表示)可以使用定制的软件以使得它们能够检查商品的所建议的子集(通过建议引擎112产生)，以便执行其从商品库存选择将提供(例如，装运)给客户的一个或多个商品的工作。

图2现将用于说明可以显示给承担为客户142中的一个客户从商品库存选择商品的任务的实体132中的一个实体的信息的实例。例如，图2中示出的信息可以经由可经由网络浏览器访问的网页呈现，但并不限于此。参考图2，具体客户的属性在最左列212中示出，包含：姓名、年龄、城市以及居住州、罩杯尺寸、上衣尺寸、连衣裙尺寸以及裤子尺寸。包含在最左列212中的其它属性是指定客户对具体风格的喜欢程度的信息、指定客户愿意花费在各种类型的服装商品上的钱的信息，以及指定客户对具体设计者或品牌的偏好程度的历史信息。在最左列212的右侧的是多个行222-1、222-2、222-3、222-4、222-5以及222-6，所述行中的每一行可以被称为行222，且可以统称为行222。行222中的每一行包含关于通过建议引擎112使用包含在建议算法数据库122-1中的建议算法中的不同建议算法所识别的商品的不同子集的信息。此类所显示的信息可以是文本和/或图像信息。例如，在图2中，行222中的每一行包含在商品的所识别子集中的六个商品的缩略图。在实施例中，关于商品的另外图片和/或其它细节可以通过点击或以其它方式选择与商品相对应的缩略图来访问。行222中的每一行还示出为包含用于选择包含在所述行中的商品的子集的建议算法的主题的名称。例如，与行222-1相关联的主题是“适合于TX”；与行222-2相关联的主题是“适合于高个”；与行222-3相关联的主题是“适合于胸部丰满的人”；与行222-4相关联的主题是“适合于性感风”(其中“性感风(glam)”是性感风(glamourous)的简写)；与行222-5相关联的主题指示购买(其喜爱的)特定品牌的客户还购买了...；且与行222-6相关联的主题是“尝试过的和合身的”。图2中还示出的按钮232，所述按钮使得实体能够筛选所显示的商品，例如，使得如果选中“上衣”按钮，那么将仅显示上衣或在行222中突出显示上衣。

根据实施例，建议引擎112使用行排序算法以确定图2中示出的行222的次序。此行排序算法可以使用度量(其实例在上文提及)来对行222排序。可以使用另一算法(例如，关联算法)来指定每行中的商品的次序，例如，使得用于特定客户的(商品的所识别子集的)最相关的商品在所述行中的最左侧位置处示出，且最不相关的商品在所述行中的最右侧位置处示出。

在图2中，使用相同建议算法所识别的商品显示在同一行内，即，每行与使用建议算法中的同一建议算法产生的结果相对应。替代地，使用相同建议算法所识别的商品可以显示在同一列内，即，每列可以与建议算法中的一个建议算法相对应。更一般地说，可以将确定为适合于客户的库存划分成多个方面，其中每个方面表示以算法方式与零个、一个或多个具体客户属性匹配的商品的子集。

退还参考图1，将关于将哪些商品的子集显示给承担为客户142选择商品的任务的实体132的信息提供到反馈接口152，所述信息可被称作覆盖范围反馈。另外，还将关于哪些商品被实体132选定以提供给客户142的信息提供到反馈接口142，此信息被称作选择反馈。可被收集和利用的另外类型的反馈包含当个别商品被呈现在行或列内时，实体(承担为客户选择商品的任务)从哪些行或列进行选择，哪些行或列被忽略。此类反馈信息可用于例如校准商品的每个子集和/或其中商品的合格性、选择和/或销售率。

在将商品提供(例如，装运)给客户142之后，每个客户确定他们将保留或以其它方式接受哪些商品以及他们将退还或以其它方式拒绝哪些商品。关于特定客户接受哪些商品以及特定客户拒绝哪些商品的信息还示出为被提供到反馈接口，所述信息被称作客户反馈。客户反馈可以由客户输入，或可以由某一其它实体输入，例如，负责跟踪退还的或以其它方式拒绝的商品的实体。其它变化也是可能的。例如，客户可以提供显式的主观反馈，所述主观反馈指定他们对提供给他们的特定商品的满意程度。另外或替代地，在某些实施例中，可以要求客户对调查问题做出回应，其中对此类问题的回答是显式的主观客户反馈的另一实例。更一般地说，系统(例如，102)可以提示客户(例如，142)针对与选定给且提供给所述客户的商品相关联的各种不同属性提供显式的主观反馈。反馈可以替代地被认为是隐式的，因为所述反馈是基于由客户做出的一个或多个动作，例如，客户接受还是退还(且因此拒绝)商品。

反馈接口152将其接收的反馈或其信息指示提供到属性修改器162和/或算法修改器172。根据实施例，属性修改器162从反馈接口152接收客户反馈信息，且属性修改器162依赖于客户反馈信息，运用自适性机器学习以修改存储在数据库122-2和/或122-3中的客户信息和/或商品信息。例如，经由用户界面，客户可能已初始地指示他们喜欢具有性感风格的服装，而不喜欢具有休闲风格的服装。然而，尽管客户的关于其风格偏好的自身观点如此，但客户仍可以一贯地购买或以其它方式接受发送给他们的具有休闲风格的服装，且一贯地退还或以其它方式拒绝发送给他们的具有经典风格的服装。在此情况下，客户可能已经无意地错误描述其实际风格偏好。通过经由反馈接口152接收的此类客户反馈，属性修改器162可以修改存储在客户数据库122-2内的指定客户的风格偏好的信息。对于另一实例，如果指示为“适合于高个”的女性的商品反复地不被高个女性接受，而是反复被平均身高的女性接受，那么属性修改器162可以修改所述商品的一个或多个属性，使得所述商品不再与属性“适合于高个”相关联，而是具有“适合于平均身高”的属性。需要澄清的是，并非所有属性都互斥。例如，商品可以同时“适合于高个”且“适合于平均身高”。

如上文所提及，建议引擎112可以计算用以量化商品的子集的一个或多个方面的一个或多个度量。量化商品的子集的各方面的示例性度量包含但不限于：指示成功(售出)的可能性的度量；指示利润的度量；指示与由客户接受的先前商品的相似性的度量；指示与由客户和/或类似者接受的先前商品的差异性的度量。此类度量可以使用度量算法以依赖于存储在客户数据库122-2中的客户信息和/或存储在库存数据库122-2中的商品信息来确定。根据实施例，算法修改器172可以依赖于客户反馈以修改对一个或多个此类度量的计算。

与经验数据相比，由客户和/或内行人基于人的判断指定的属性可能不可靠。根据具体实施例，当例如使用反馈接口152收集到经验数据时，调整由人指定的属性。例如，客户可以指定他们“非常”学院风，但他们的购买行为可能表明他们并不是学院风，而是非常经典风。由客户输入或以其它方式指定的客户属性信息可以表示指示客户的偏好的先前值。当收集到越来越多的经验数据时，指定客户的偏好的所存储的信息可以随时间推移被修改。例如，可以对初始地客户指定的属性加以非常高的权重，并且其后，当收集到更多的经验数据时，可以对客户指定的属性加以越来越少的权重，且可以对经验数据加以越来越多的权重。可以对由内行人初始地指定的商品属性做出类似的调整。

图3的高级流程图现将用于概述根据本发明技术的实施例的方法，所述方法运用自适性机器学习以向为客户从商品库存选择商品的实体提供建议。此类方法提供一种组合机器学习算法与内行人判断的机制，以提供比可以仅使用机器或人类实现的结果更好的结果。参考图3，步骤302包括针对多个客户中的每一个客户存储客户信息，所述客户信息指示与多个客户中的每一个客户相关联的客户属性。此类客户信息可以存储在例如上文参考图1所论述的客户数据库122-2中。步骤304包括针对包含在商品库存中的多个商品中的每一个商品存储商品信息，所述商品信息指示与包含在商品库存中的多个商品中的每一个商品相关联的商品属性。此类商品信息可以存储在例如上文参考图1所论述的库存数据库122-3中。步骤306包括存储多个不同建议算法，所述建议算法中的每一个建议算法以与其它算法不同的方式利用客户信息和商品信息，以针对客户中的任何特定客户识别在商品库存中建议给客户中的所述特定客户的商品的子集。此类建议算法可以存储在例如上文参考图1所论述的建议算法数据库122-1中。示例性客户信息(在步骤302处存储)、示例性商品信息(在步骤304处存储)以及示例性建议算法在上文参考图1论述，且因此不必再次重复。

仍参考图3，步骤308包括选择向其建议商品的客户。客户可例如从已经指示他们想要提供(例如，装运)给他们的所建议商品的客户的列表或队列选定。取决于客户和负责将商品提供给客户的公司之间的协议，客户可例如具有以下选择：为他们选择保留或以其它方式接受的商品付款，且不为他们选择退还或以其它方式不接受的商品付款。

步骤310包括通过以下操作识别在商品库存中建议给客户(在步骤308处选定)的商品的多个不同子集：使用多个不同建议算法中的两个或两个以上建议算法中的每一个建议算法以产生在库存中建议给客户的商品的不同子集。步骤310可以例如通过上文参考图1所论述的建议引擎112利用存储在建议算法数据库122-1中的建议算法来执行。如果在建议算法数据库122-1中存在总共X个建议算法，那么可以使用所有X个算法且在步骤310处可以识别出商品的X个子集。替代地，可以仅执行被认为相关或以其它方式适合于客户的那些建议算法。例如，如果客户生活在俄勒冈州，那么可不在步骤310处执行具有“适合于在德克萨斯州的女性”的主题的建议算法，或可执行所述算法且可在后一步骤处(例如，在步骤312处)忽略其结果。

步骤312包括选择关于在库存中被识别作为步骤310的结果的商品的多个不同子集中的两个或两个以上子集的信息，以用于显示给承担为客户从商品库存选择商品的任务的实体。步骤312可例如通过上文参考图1所论述的建议引擎112来执行。假设在步骤310处识别除商品的X个子集，且X是相对较大的数(例如，一百)，且在步骤310处识别出的商品的每个子集包含Y个商品(例如，Y等于六)。相应地，在步骤310处可识别出多达六百个商品，然而，如果在不同子集内的商品存在重叠，那么所述数目可略微降低。执行步骤312以将待显示的商品缩小至更加可管理的数目，而非将所有六百个商品都显示给承担为客户选择商品的任务的实体。例如，步骤312可包括选择六个商品的六个子集以将每个子集用于显示，使得仅选定总共三十六个商品的信息以用于显示。根据具体实施例，执行步骤312的方法的另外细节在下文参考图4描述。在一个实施例中，在步骤312处经选定用于显示的所有商品可在相同屏幕上以相同时间同步地显示。在另一实施例中，在步骤312处经选定用于显示的商品的仅一部分可在相同屏幕上在相同时间显示，其中经选定用于显示的其它商品可通过滚动、下翻页或类似方式查看。

步骤314包括使得将在步骤312处选定的商品显示给承担为客户选择商品的任务的实体。步骤314可以包含例如产生网页，所述网页类似于上文所论述的在图2中示出的网页。关于库存中的商品的不同子集的信息(在步骤314处使得显示所述信息)可以包含在库存中被识别作为步骤312的结果的商品的文本和/或图像信息的不同子集，如上文参考图2所描述。

步骤316包括从承担为客户选择商品的任务的实体接收对将提供给客户的商品的选择。步骤310、312、314和316提供一种机制，其中依赖于计算机来分析结构化数据，且使用内行人判断来分析非结构化数据，且更一般地说，来改进可以仅使用计算机实现的结果。在某些实施例中，不同建议算法中的每一个建议算法具有相对应的不同主题，且关于库存中的商品的不同子集中的每一个子集的信息(使得显示所述信息)还包含关于用于选择商品的子集的建议算法的主题的文本和/或图像信息。使得在同一行或同一列中的一个中显示包含在商品的同一子集中的商品(使得在步骤318处显示所述商品)。

步骤318包括使得将在步骤316处为客户选定的商品提供(例如，装运)给客户。当将选定商品装运给客户时，可以将选定商品的识别符(例如，SKU)提供到在维持库存的仓库处的计算机和/或个人。选定商品可以自动地和/或手动地从库存选取且被装运给客户。当选定商品(例如，数字电影或数字音乐)用电子方式提供给客户时，可以将选定商品发送给客户。

步骤320包括收集反馈信息，所述反馈信息可以包含，例如，客户反馈、选择反馈及覆盖范围反馈。如上文参考图1所描述，此类反馈信息可通过反馈接口152接收。步骤322包括依赖于在步骤322处获得的反馈信息，修改客户信息(例如，存储在客户数据库122-2中)、商品信息(例如，存储在库存数据库122-3中)和/或建议算法(例如，存储在建议算法数据库122-1中)。如此可包含例如，依赖于在步骤320的实例处所接收的客户反馈信息，运用自适性机器学习以修改所存储的主观客户信息和/或所存储的主观商品信息，使得步骤310的进一步实例利用经修改的所存储客户信息和/或商品信息。另外或替代地，如此可包含依赖于客户反馈信息、选择反馈信息和/或覆盖范围反馈信息，运用自适性机器学习以修改建议算法，使得步骤310的进一步实例利用所修改的建议算法。例如，此类各种类型的反馈信息可以用于训练建议算法。在实施例中，覆盖范围反馈信息指示使得将哪些商品显示给承担为客户从商品库存选择一个或多个商品的任务的实体。在实施例中，选择反馈信息指示由承担为客户从商品库存选择一个或多个商品的任务的实体选定的商品。在实施例中，客户反馈可指定哪些商品被客户购买或以其它方式接受及哪些商品被客户退还或以其它方式不接受。其它类型的客户反馈也可被接受且用于修改客户信息、商品信息和/或建议算法。例如，客户可以更具体来说指定他们关于具体商品的喜欢程度和/或不喜欢的点以作为客户反馈的部分。此类各种类型的反馈信息的进一步示例性细节在上文参考图1论述，且更确切地说，在对反馈接口153的论述中。此类反馈信息是可以用于使用自适性机器学习训练建议算法的经验数据的实例。

当将新商品添加到商品库存时，初始地不存在可用于建议算法的针对新商品的反馈信息。这可以被称作“冷启动”问题。根据具体实施例，为了减轻冷启动问题，使用一个或多个内行人来指定新商品的属性，所述属性可以是二进制的、分类的或顺序的。例如，商品是否适合于高个女性是二进制属性。对于另一实例，商品适合于将自身描述为具有波西米亚风格的客户的程度可以是顺序属性。对再一实例，商品所适合于的体型可以是分类属性。可以存储(例如，在库存数据库122-3中)由内行人指定的商品属性且使其与商品相关联。为了减小差异性且增加稳健性，可以集中许多内行人的判断。

图4现将用于提供根据具体实施例的在步骤312处选定商品以用于显示的方法的一些另外细节。换句话说，图4用于提供步骤312的一些示例性细节。参考图4，步骤402包括针对在步骤310处(使用建议算法)所识别的商品的子集(或子集中的至少一些子集)中的每一个子集，计算用以量化商品的子集的一个或多个方面的一个或多个度量。示例性度量包含但不限于：指示成功的可能性的度量；指示利润的度量；指示与由客户中的一个客户接受的先前商品的相似性的度量；和/或指示与由客户中的一个客户接受的先前商品的差异性的度量。步骤404包括依赖于步骤402的结果，对在步骤310处(使用建议算法)所识别的商品的子集(或商品的子集中的至少一些)排序。例如，当在步骤402处仅确定每个子集的一个度量时，具有所述度量的最高值的子集可以在第一位，具有所述度量的次高值的子集可以在第二位等。当在步骤402处确定每个子集的多个度量时，度量可以求平均值、相加或以其它方式组合，以产生组合值，且具有最高组合值的子集可以在第一位，具有次高组合值的子集可以在第二位等。当组合多个度量时，取决于实施方案，可对所述度量都加以相同的权值，或可以对一些度量加以高于其它度量的权值。最后，步骤406包括依赖于在步骤404处的排序的结果，选择关于在库存中在步骤310处所识别的商品的多个不同子集中的两个或两个以上子集的信息以用于显示。例如，在步骤406处，可以选定前六个(或某一其它数目的)子集以用于显示，如图2中的情况一样，其中图2中的每行与商品的不同子集相对应。图4用于概述仅一个示例性算法，所述算法可被称作元算法，所述算法可以(在步骤312处)用于选择与承担选择将提供给客户的商品的任务的实体共享(在步骤310处)使用建议算法所识别的哪些商品。替代的元算法的使用是可能的且在本文中所描述的实施例的范围内。

简单地退还参考图3，在步骤310处利用的不同建议算法中的每一个建议算法可以具有相对应的不同主题，如上文参考图1所论述。不同主题中的每一个(或一些)主题可以指示与使用与所述主题相关联的建议算法选定的商品相关联的共同属性。再次参考图3，根据某些实施例，在步骤312处，对于具有指示与使用建议算法选定的商品相关联的共同属性的主题的建议算法中的每一个建议算法，存在对客户中的特定客户是否满足共同属性的确定。如果客户不满足与建议算法的主题相关联的共同属性，那么排除使用所述建议算法所识别的商品的子集(或将被识别的商品的子集)，而不将其显示给承担为客户从商品库存选择商品的任务的实体。

在上文所描述的实例中的许多实例中，商品库存中的商品描述为女式服装，且系统和方法描述为运用自适性机器学习以向选择一件或多件女式服装以发送或以其它方式提供给客户的实体建议女式服装的子集。然而，本发明技术的实施例并不限于此类型的商品，且更一般地说，本发明技术的实施例可以用于建议几乎任何类型的商品，所述建议将得益于组合机器学习算法与内行人判断。例如，商品库存中的商品可以替代地是男式服装、食品、葡萄酒、啤酒、艺术品、音乐或电影等等。取决于商品的类型，为客户选定的某些类型的商品可以通过将商品投递、邮寄或装运给客户来提供给客户，而其它类型的商品可以经由有线或无线通信网络用电子方式输送。优选地，基于使用越来越多的计算机产生的建议，承担为客户选择商品的任务的实体关于包含在商品库存中的商品的类型具有可接受的专门知识的水平。例如，当商品是女式服装时，选择将哪些商品发送给客户的实体可能已经研究时装、在时装行业工作和/或在服装零售行业工作。对于另一实例，当商品是葡萄酒时，选择将哪些商品发送给客户的实体可以是侍酒师、葡萄酒收藏家或已经为葡萄园工作。这些仅是几个实例，所述实例并不意图涵盖全部。

商品库存中的商品不必是实体产品。例如，商品库存中的商品可替代地是保险单。换句话说，本发明技术的实施例可用于为客户选择保险单。对于另一实例，商品库存中的商品可以是旅行套装，在此情况下，本发明技术的实施例可用于为客户选择旅行套装。商品库存中的商品还可能是工作的求职者，在此情况下，本发明技术的实施例可以用于帮助筛选简历或类似者以为客户选择具体的潜在雇员。对于再一实例，商品库存中的商品可以是入学申请，在此情况下，本发明技术的实施例可以用于帮助筛选学校申请以选择应该被学校接受的入学申请。这些仅是几个实例，所述实例并不意图涵盖全部。更一般地说，本文中所描述的实施例尤其可用于在以下领域提供建议，其中：(1)存在可用于为客户进行选择的许多选择；(2)需要针对客户将产品或服务(或更一般地说，商品)个性化；(3)存在关于商品和/或客户的结构化和非结构化数据，所述数据将得益于机器学习算法和内行人判断的组合(例如，使得机器可以处理结构化数据，且内行人可处理非结构化数据)；及(4)给予客户试用选定商品且提供关于他们关于其所试用的商品的喜欢和不喜欢的点的反馈的机会。如上文所提到，取决于商品库存中的商品的类型和为其选定商品的客户，建议算法的类型以及与其相关联的主题可以发生较大变化。

取决于所希望的配置，本文中所描述的标的物可以实施于系统、设备、方法和/或条款中。具体来说，本文中所描述的标的物的各种实施方案可以用计算机软件、固件或硬件和/或其组合以及用数字电子电路、集成电路及类似者实现。这些各种实施方案可包含在一或多个计算机程序中的实施方案，所述计算机程序可在可编程系统上执行和/或解译，所述可编程系统包含至少一个可编程处理器，所述可编程处理器可以是专用的或通用的，经耦合以从存储系统、至少一个输入装置以及至少一个输出装置接收数据和指令，并且向存储系统、至少一个输入装置以及至少一个输出装置发射数据和指令。

这些计算机程序(也被称作程序、软件、软件应用、应用程序、组件或代码)包含用于可编程处理器的机器指令，且可以在高级程序化和/或面向对象的编程语言中和/或在汇编/机器语言中实施。如本文中所使用，术语“机器可读媒体”指代用于将机器指令和/或数据提供到可编程处理器的任何计算机程序产品、设备和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD)，但并不限于此)，包含接收机器指令作为机器可读信号的机器可读媒体。术语“机器可读信号”是指用于向可编程处理器提供机器指令和/或数据的任何信号。

为了提供与用户的交互，本文中所描述的标的物可以在具有以下装置的计算机上实施：用于向用户显示信息的显示器装置(例如，阴极射线管(CRT)或液晶显示器(LCD)监视器，但并不限于此)以及键盘、触摸屏和/或指向装置(例如，鼠标、触控板或轨迹球，但并不限于此)，用户可以通过所述键盘、触摸屏和/或指向装置向计算机提供输入。其它种类的装置也可以用于提供与用户、管理员和/或管理者的交互；例如，提供给用户、管理员和/或管理者的反馈可以采用任何形式的感觉反馈(例如，视觉反馈、听觉反馈或触觉反馈)；且可以任何形式接收来自用户的输入，包含声音、话音或触觉输入。

本文中所描述的标的物可以在计算系统中实施，所述计算系统包含后端组件(例如，作为数据服务器)，或包含中间件组件(例如，应用程序服务器)，或包含前端组件(例如，具有图形用户界面(GUI)或网络浏览器的客户端计算机，通过所述图形用户界面或网络浏览器用户可以与本文中所描述的标的物的实施方案交互)，或此类后端、中间件或前端组件的任何组合。所述系统的组件可以通过任何形式或媒体的数字数据通信(例如通信网络)互连。通信网络的实例包含但不限于，局域网(“LAN”)、广域网(“WAN”)以及因特网。

计算系统可包含客户端和服务器。客户端和服务器大体上远离彼此且通常通过通信网络交互。客户端与服务器的关系借助于在对应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序产生。

前述描述中所阐述的实施方案并不表示符合本文中所描述的标的物的所有实施方案。替代地，这些实施方案仅是符合与所描述的标的物相关的方面的一些实例。只要可能，将贯穿图式使用相同的参考标号来指代相同或相似的部分。

尽管上文已经描述了本发明的各种实施例，但是应理解，这些实施例仅通过实例来呈现，而不是限制性的。所属领域的技术人员将清楚，在不脱离本发明的精神和范围的情况下可在形式及细节方面进行各种变化。例如，尽管上文已经详细地描述几个变化，但其它修改或添加也是可能的。具体来说，除了在本文中阐述的那些特征和/或变化之外，还可以提供其它特征和/或变化。例如，上文所描述的实施方案可以涉及所揭示的特征的各种组合和子组合和/或上文揭示的若干其它特征的组合和子组合。另外，附图中所描绘的和/或本文中所描述的逻辑流并不需要所示出的特定次序或顺序次序来实现所希望的结果。其它实施例可在以下权利要求书的范围内。

上文已经借助于说明指定功能的性能及其关系的功能构建块来描述本发明的实施例。这些功能构建块的边界通常在本文中界定以用于描述的便利性。只要适当地执行指定功能及其关系，便可界定替代边界。因此任何此类替代边界都在所主张的发明的范围和精神内。所属领域的技术人员将认识到，这些功能构建块可以通过离散组件、专用集成电路、执行适当的软件的处理器及类似者或其任何组合来实施。

本发明的广度和范围不应受到上述示例性实施例中任一实施例限制，而应仅根据以下权利要求书及其等效物界定。

Claims (27)

1.一种运用自适性机器学习以向实体提供建议的方法，所述实体为客户而从商品库存选择商品，所述方法包括：

(a)针对多个客户中的每一个客户，存储客户信息，所述客户信息指示与所述多个客户中的每一个客户相关联的客户属性；

(b)针对包含在商品库存中的多个商品中的每一个商品，存储商品信息，所述商品信息指示与包含在所述商品库存中的所述多个商品中的每一个商品相关联的商品属性；

(c)存储多个不同建议算法，所述多个不同建议算法中的每一个建议算法以与其它算法不同方式利用所述客户信息和所述商品信息，以针对所述客户中的任何特定客户来识别在所述商品库存中被建议给所述客户中的所述特定客户的所述商品的子集；

针对所述客户中的两个或两个以上客户中的每个客户执行以下步骤(d)、(e)和(f)，

(d)通过使用所述多个不同建议算法中的两个或两个以上建议算法中的每一个建议算法来识别在所述商品库存中建议给所述客户中的一个客户的所述商品的多个不同子集，以产生在所述库存中被建议给所述客户中的所述一个客户的所述商品的不同子集；

(e)选择关于在所述库存中被识别作为所述识别步骤的结果的所述商品的所述多个不同子集中的两个或两个以上子集的信息，以用于显示给承担为所述客户中的所述一个客户从所述商品库存中选择商品的任务的实体；以及

(f)从所述客户中的所述一个或多个客户接收客户反馈信息；以及

(g)依赖于在所述接收客户反馈步骤(f)的实例处所接收的所述客户反馈信息，运用自适性机器学习以修改所存储的所述客户信息或所存储的所述商品信息中的至少一信息，使得所述识别步骤(d)的进一步实例利用所存储的所述客户信息或所存储的所述商品信息中的经修改的所述至少一信息。

2.根据权利要求1所述的方法，其中选择以用于显示的步骤(e)包含：

(e.1)针对被识别作为所述识别步骤的结果的所述商品的子集中的至少一些子集中的每一个子集，计算用以量化所述商品的子集的一个或多个方面的一个或多个度量；

(e.2)依赖于所述计算步骤的结果，对被识别作为所述识别步骤的结果的所述商品的子集中的至少一些子集排序；以及

(e.3)依赖于所述排序步骤的结果，选择关于在所述库存中被识别作为所述识别步骤的结果的所述商品的所述多个不同子集中的两个或两个以上子集的信息以用于显示。

3.根据权利要求2所述的方法，其中量化所述商品的子集的一个或多个方面的所述一个或多个度量包括以下度量中的至少一个度量：

指示成功的可能性的度量；

指示利润的度量；

指示与由所述客户中的所述一个客户所接受的先前商品的相似性的度量；

指示与由所述客户中的所述一个客户所接受的先前商品的差异性的度量；

指示客户满意的可能性的度量；

指示客户保留的可能性的度量；

指示最优地利用商品库存的度量；或

指示实现客户的装运的成本的度量。

4.根据权利要求2所述的方法，其中：

所述不同建议算法中的每一个建议算法具有相对应的不同主题；

与所述不同建议算法中的至少一些建议算法相对应的所述不同主题中的至少一些主题中的每一个主题指示与使用所述建议算法所选定的商品相关联的共同属性；

步骤(e)进一步包括：

针对具有指示与使用所述建议算法选定的商品相关联的共同属性的主题的所述建议算法中的每一个建议算法，确定所述客户中的所述一个客户是否满足所述共同属性；以及

排除将关于使用所述建议算法所识别的所述子集中的一个或多个子集的信息显示给承担为所述客户中的所述一个客户从所述商品库存选择商品的任务的实体，所述建议算法具有指示所述客户中的所述一个客户不满足的所述共同属性的主题。

5.根据权利要求2所述的方法，其进一步包括依赖于所述客户反馈，运用自适性机器学习以修改在步骤(e)的实例处对所述一个或多个度量中的至少一个度量的计算。

6.根据权利要求1到5中任一项所述的方法，其中在步骤(f)处所接收的所述客户反馈信息的每个实例指示为所述客户选定的哪一个或哪几个商品被所述客户拒绝(如果存在的话)，以及为所述客户选定的哪一个或哪几个商品被所述客户接受(如果存在的话)。

7.根据权利要求1到5中任一项所述的方法，其中针对所述客户中的一个客户，在步骤(e)的实例和步骤(f)的实例之间进行以下步骤：

使得将关于所述库存中的所述商品的所述多个不同子集中的所述两个或两个以上子集的信息显示给所述实体，所述实体承担为所述客户中的所述一个客户从所述商品库存选择一个或多个商品的任务；

自承担为所述客户中的所述一个客户从所述商品库存选择商品的任务的所述实体接收一个或多个商品的选择，其将被提供给所述客户中的所述一个客户；以及

使得将被承担为所述客户中的所述一个客户从所述商品库存选择一个或多个商品的任务的所述实体所选定的所述一个或多个商品提供给所述客户中的所述一个客户。

8.根据权利要求7所述的方法，其进一步包括：

接收覆盖范围反馈信息，所述覆盖范围反馈信息指示使得将哪些商品显示给承担为所述客户中的所述一个客户从所述商品库存选择一个或多个商品的任务的所述实体；

接收选择反馈信息，所述选择反馈信息指示被承担为所述客户中的所述一个客户从所述商品库存选择一个或多个商品的任务的所述实体所选定的所述商品；以及

依赖于所述覆盖范围反馈信息或所述选择反馈信息中的至少一信息，运用自适性机器学习以修改所存储的所述建议算法中的至少一个建议算法，使得所述识别步骤的进一步实例利用所存储的所述建议算法中的经修改的所述至少一个建议算法。

9.根据权利要求7所述的方法，其中使得将关于所述库存中的所述商品的所述多个不同子集中的所述两个或两个以上子集的所述信息予以显示，所述信息包括关于在所述库存中被识别作为所述识别步骤(d)的结果的所述商品的所述多个不同子集中的所述两个或两个以上子集的文本信息或图像信息中的至少一个。

10.根据权利要求9所述的方法，其中不同建议算法中的每一个建议算法具有相对应的不同主题，并且其中使得将关于所述库存中的所述商品的所述多个不同子集中的所述两个或两个以上子集的所述信息予以显示，所述信息还包括关于用以选择所述商品的子集的所述建议算法的所述主题的文本信息或图像信息中的至少一个。

11.根据权利要求10所述的方法，其中使得将包含在在所述库存中将被显示的所述商品的所述多个不同子集中的所述两个或两个以上子集中的商品的同一子集中的商品显示在同一行或同一列中的一个中。

12.根据权利要求1到5中任一项所述的方法，其中：

由所存储的所述客户信息指示的所述客户属性中的一个或多个客户属性是客观客户属性；

由所存储的所述客户信息指示的所述客户属性中的一个或多个客户属性是主观客户属性；

由所存储的所述商品信息指示的所述商品属性中的一个或多个商品属性是客观商品属性；以及

由所存储的所述商品信息指示的所述商品属性中的一个或多个商品属性是主观商品属性；以及

依赖于在接收客户反馈步骤(f)的实例处所接收的所述客户反馈信息，运用自适性机器学习的所述步骤(e)被用于修改所述主观客户属性中的至少一个和/或所述主观商品属性中的至少一个。

13.一种运用自适性机器学习以向实体提供建议的方法，所述实体为客户从商品库存选择一个或多个商品，所述方法包括：

存取所存储的客户信息，所述客户信息指示与所述客户相关联的客户属性；

针对包含在商品库存中的多个商品中的每一个商品，存取所存储的商品信息，所述商品信息指示与包含在所述商品库存中的所述多个商品中的每一个商品相关联的商品属性；

存取所存储的建议算法，所述建议算法中的每一个建议算法以与其它算法不同的方式利用所述客户信息和所述商品信息，来识别在所述商品库存中被建议给所述客户的所述商品的子集；

通过使用所述多个不同建议算法中的两个或两个以上建议算法中的每一个建议算法来识别在所述商品库存中被建议给所述客户的所述商品的多个不同子集，以产生在所述库存中被建议给所述客户的所述商品的不同子集；

选择关于在所述库存中被识别作为识别步骤的结果的所述商品的所述多个不同子集中的两个或两个以上子集的信息，以用于显示给承担为所述客户从所述商品库存选择商品的任务的所述实体；

获得反馈信息，其包含客户反馈信息、选择反馈信息以及覆盖范围反馈信息；以及

依赖于所述客户反馈信息、所述选择反馈信息以及所述覆盖范围反馈信息，运用自适性机器学习以修改所存储的所述客户信息、所存储的所述商品信息及所存储的所述建议算法中的至少一个建议算法。

14.根据权利要求13所述的方法，其进一步在所述选择以用于显示与所述获得反馈信息之间包括：

使得将关于所述库存中的所述商品的所述多个不同子集中的所述两个或两个以上子集的信息显示给所述实体，所述实体承担为所述客户从所述商品库存选择一个或多个商品的任务；

自承担为所述客户从所述商品库存选择商品的任务的所述实体接收一个或多个商品的选择，其将被提供给所述客户；以及

使得将被承担为所述客户从所述商品库存选择一个或多个商品的任务的所述实体所选定的所述一个或多个商品提供给所述客户。

15.根据权利要求13或14所述的方法，其中所述建议算法中的每一个建议算法计算在与所述客户相关联的具体属性和与商品库存中的商品相关联的具体属性之间的距离或相似性度量，其中每一距离或相似性度量分配有权重。

16.一种运用自适性机器学习以向实体提供建议的系统，所述实体为客户从商品库存选择商品，所述系统包括：

一个或多个数据库，其经调适以存储：

针对多个客户中的每一个客户的客户信息，所述客户信息指示与所述多个客户中的每一个客户相关联的客户属性；

针对包含在商品库存中的多个商品中的每一个商品的商品信息，所述商品信息指示与包含在所述商品库存中的所述多个商品中的每一个商品相关联的商品属性；

多个不同建议算法，所述多个不同建议算法中的每一个建议算法以与其它算法不同的方式利用所述客户信息和所述商品信息以针对所述客户中的任何特定客户，来识别在所述商品库存中被建议给所述客户中的所述特定客户的所述商品的子集；

建议引擎，其经调适以：

通过使用所述多个不同建议算法中的两个或两个以上建议算法中的每一个建议算法来识别在所述商品库存中被建议给所述客户中的任何特定客户的所述商品的多个不同子集，以产生在所述库存中被建议给所述客户中的所述特定客户的所述商品的不同子集；且

选择关于所述库存中的所述商品的所识别的所述多个不同子集中的所述两个或两个以上子集的信息，以显示给承担为所述客户中的所述特定客户从所述商品库存选择商品的任务的实体；

反馈接口，其经调适以从所述客户中的一个或多个客户接收客户反馈信息；以及

属性修改器，其经调适以依赖于通过所述反馈接口所接收的所述客户反馈信息，运用自适性机器学习以修改存储在所述一个或多个数据库中被所述建议引擎使用的所述客户信息或所述商品信息中的至少一个。

17.根据权利要求16所述的系统，其中为选择以用于显示，所述建议引擎经调适以：

针对所述商品的所识别子集中的至少一些子集中的每一个子集，计算用以量化所述商品的子集的一个或多个方面的一个或多个度量；

依赖于计算出的所述一个或多个度量中的至少一个度量，对所述商品的所述所识别子集中的至少一些子集排序以产生商品的经排序子集；以及

使用所述商品的经排序子集以选择关于所述库存中的所述商品的所述所识别子集中的两个或两个以上子集的所述信息以用于显示。

18.根据权利要求17所述的系统，其中量化所述商品的子集的一个或多个方面的所述一个或多个度量包括以下度量中的至少一个度量：

指示成功的可能性的度量；

指示利润的度量；

指示与由所述客户中的所述一个客户所接受的先前商品的相似性的度量；

指示与由所述客户中的所述一个客户所接受的先前商品的差异性的度量；

指示客户满意的可能性的度量；

指示客户保留的可能性的度量；

指示最优地利用商品库存的度量；或

指示实现客户的装运的成本的度量。

19.根据权利要求17所述的系统，其中：

所述不同建议算法中的每一个建议算法具有相对应的不同主题；

与所述不同建议算法中的至少一些建议算法相对应的所述不同主题中的至少一些主题中的每一个主题指示与使用所述建议算法选定的商品相关联的共同属性；以及

所述建议引擎经调适以：

针对具有指示与使用所述建议算法选定的商品相关联的共同属性的主题的所述建议算法中的每一个建议算法，确定所述客户中的任何特定客户是否满足所述共同属性；以及

排除将关于使用所述建议算法所识别的所述子集中的一个或多个子集的信息显示给承担为所述客户中的所述特定客户从所述商品库存选择商品的任务的实体，所述建议算法具有指示所述客户中的所述特定客户不满足的所述共同属性的主题。

20.根据权利要求17所述的系统，其进一步包括算法修改器，所述修改器经调适以依赖于所述客户反馈，运用自适性机器学习以修改所述建议引擎对所述一个或多个度量中的至少一个度量的计算。

21.根据权利要求16到20中任一项所述的系统，其中通过所述反馈接口所接收的所述客户反馈信息的每个实例指示为所述客户中的特定客户选定的哪一个或哪几个商品被所述客户中的所述特定客户拒绝(如果存在的话)，以及为所述客户中的所述特定客户选定的哪一个或哪几个商品被所述客户的所述特定客户接受(如果存在的话)。

22.根据权利要求16到20中任一项所述的系统，其中在所述建议引擎选择关于所述库存中的所述商品的所识别的所述多个不同子集中的两个或两个以上子集的信息以用于显示之后，进行以下步骤：

将关于所述库存中的所述商品的所述多个不同子集中的所述两个或两个以上子集的信息显示给承担为所述客户中的所述特定客户从所述商品库存选择一个或多个商品的任务的所述实体；

承担为所述客户中的所述特定客户从所述商品库存选择商品的任务的所述实体选择一个或多个商品，其将被提供给所述客户中的所述特定客户；以及

使得将被承担为所述客户中的所述特定客户从所述商品库存选择一个或多个商品的任务的所述实体所选定的所述一个或多个商品提供给所述客户中的所述特定客户。

23.根据权利要求22所述的系统，其中：

所述反馈接口还经调适以接收覆盖范围反馈信息，所述覆盖范围反馈信息指示将哪些商品显示给承担为所述客户中的所述特定客户从所述商品库存选择一个或多个商品的任务的所述实体；

接收选择反馈信息，所述选择反馈信息指示所述商品中的哪些商品被承担为所述客户中的所述特定客户从所述商品库存选择一个或多个商品的任务的所述实体选定；以及

依赖于所述覆盖范围反馈信息或所述选择反馈信息中的至少一信息，运用自适性机器学习以修改所存储的所述建议算法中的至少一个建议算法。

24.根据权利要求22所述的系统，其中使得将关于所述库存中的所述商品的所述多个不同子集中的所述两个或两个以上子集的所述信息予以显示，所述信息包括关于在所述库存中被识别作为所述识别步骤的结果的所述商品的所述多个不同子集中的所述两个或两个以上子集的文本信息或图像信息中的至少一个。

25.根据权利要求24所述的系统，其中不同建议算法中的每一个建议算法具有相对应的不同主题，并且其中使得将关于所述库存中的所述商品的所述多个不同子集中的所述两个或两个以上子集的所述信息予以显示，所述信息还包括关于用以选择所述商品的子集的所述建议算法的所述主题的文本信息或图像信息中的至少一个。

26.根据权利要求25所述的系统，其中使得将包含在所述库存中被显示的所述商品的所述多个不同子集中的所述两个或两个以上子集中的商品的同一子集中的商品显示在同一行或同一列中的一个中。

27.根据权利要求16到20中任一项所述的系统，其中：

由所存储的所述客户信息指示的所述客户属性中的一个或多个客户属性是客观客户属性；

由所存储的所述客户信息指示的所述客户属性中的一个或多个客户属性是主观客户属性；

由所存储的所述商品信息指示的所述商品属性中的一个或多个商品属性是客观商品属性；以及

由所存储的所述商品信息指示的所述商品属性中的一个或多个商品属性是主观商品属性；以及

所述属性修改器经调适以依赖于所述客户反馈信息，运用自适性机器学习以修改所述主观客户属性中的至少一个和/或所述主观商品属性中的至少一个。