CN107169806B - 用于确定商品属性对于购买决策的影响度的方法及装置 - Google Patents

Abstract

本发明公开了一种用于确定商品属性对于购买决策的影响度的方法及装置，其中的方法包括：获取预选或预订的第一商品和与第一商品相对应的替代商品，根据第一商品与替代商品的商品属性值的比较结果生成此商品属性的属性替换性特征；将属性替换性特征输入随机森林算法拟合模型进行替换性预测，根据属性替换性特征和进行替换性预测后的结果确定此商品属性对于购买决策的影响值。本发明的方法、装置，通过将商品属性对于购买决策的影响因素进行量化，可以准确获取商品属性对于购买决策的影响程度，有助于理解消费者在购物过程中是如何决策，能帮助电商企业更准确的捕获消费者的需求，同时也会增加消费者的购物体验。

Description

用于确定商品属性对于购买决策的影响度的方法及装置

技术领域

本发明涉及电子商务技术领域，尤其涉及一种用于确定商品属性对于购买决策的影响度的方法及装置。

背景技术

目前，随着电子商务的发展，人们购物方式也发生了变化，商品的种类也越来越多，怎样从各式各样并且数量庞大的商品中选出最符合消费者需求的商品，对于消费者和电商企业都是非常重要的。了解消费者在购物过程中如何决策，从而帮助消费者快速选择商品、满足其需求，对于提高消费者购物体验和增加电商企业的收入都有极大帮助。

目前，现有的有关消费者购买决策定量分析的研究重点是通过计量方法对某一影响网上消费者购买决策的因素做定量实证分析，主要有两种方案：1.通过问卷调查的方式，让被调查者选出哪些因素是最影响他们购物决策的；2.通过对比实验，验证某个因素是否真正影响购物决策。通过问卷调查等手段，费时费力，而且样本较少，不能得出一个可靠的结论。通过对比实验一般只对某一类商品进行研究，如手机，但是对于大量的不同类的商品，影响其购买决策的因素是不相同的，不能准确地确定其它产品影响购物决策的因素。

发明内容

有鉴于此，本发明要解决的一个技术问题是提供一种用于确定商品属性对于购买决策的影响度的方法及装置。

根据本发明的一个方面，提供一种用于确定商品属性对于购买决策的影响度的方法，包括：获取预选或预订的第一商品和与所述第一商品相对应的替代商品，其中，所述替代商品为实际购买的同类商品；提取所述第一商品以及所述替代商品的商品属性；根据所述第一商品与所述替代商品的商品属性值的比较结果生成此商品属性的属性替换性特征；将所述属性替换性特征输入随机森林算法拟合模型进行替换性预测，根据所述属性替换性特征和进行替换性预测后的结果确定此商品属性对于购买决策的影响值。

可选地，所述获取预选或预订的第一商品和与所述第一商品相对应的替代商品包括：根据用户历史订单数据和/或用户浏览历史数据获取所述第一商品和所述替代商品。

可选地，所述提取所述第一商品以及所述替代商品的商品属性包括：获取同类商品的n个商品替换组合，其中，所述商品替换组合由所述第一商品和所述替代商品组成，n为自然数；根据所述第一商品和所述替代商品所属的商品类别确定与此类商品相对应的属性黑名单；根据所述属性黑名单提取所述商品替换组中的所述第一商品和所述替代商品的m个有效商品属性，m为自然数。

可选地，所述根据所述第一商品与所述替代商品的商品属性值的比较结果生成此商品属性的属性替换性特征包括：获取每个商品替换组合中的所述第一商品和所述替代商品的m个有效商品属性值的比较结果；基于所述比较结果分别生成与m个有效商品属性相对应的m个属性替换特征向量；其中，所述属性替换特征向量包含n个元素，所述n个元素的值分别为n个商品替换组合中的所述第一商品和所述替代商品对同一个有效商品属性的比较结果。

可选地，如果确定第j个有效商品属性为非数值型，则判断第i个商品替换组合中的所述第一商品和所述替代商品对于此非数值型的有效商品属性的属性值是否相同，其中，0<j<＝m，0<i<＝n；如果是，则确定与第j个有效商品属性对应的属性替换特征向量X_j中的第i元素X_ij的值为1，如果否，则确定元素X_ij的值为0。

可选地，如果确定第j个有效商品属性为数值型，则计算第i个所述商品替换组合中的所述第一商品和所述替代商品对于此数值型的有效商品属性的属性值的距离，所述元素X_ij的值为所述距离。

可选地，所述

其中，

D_ij为第i个商品替换组合中的所述第一商品和所述替代商品对于第j个数值型有效商品属性的间距，

为第i个商品替换组合中的所述第一商品对于第j个有效商品属性的属性值，

为第i个商品替换组合中的所述替代商品对于第j个有效商品属性的属性值，MAX(D_ij)为n个D_ij中的最大值。

可选地，将商品属性替换特征向量X_j输入所述随机算法拟合模型进行替换性预测，获取属性预测向量S；确定第j个有效商品属性对于购买决策的影响值

根据本发明的另一方面，提供一种用于确定商品属性对于购买决策的影响度的装置，包括：替代商品获取模块，用于获取预选或预订的第一商品和与所述第一商品相对应的替代商品，其中，所述替代商品为实际购买的同类商品；属性提取模块，用于提取所述第一商品以及所述替代商品的商品属性；替换特征生成模块，用于根据所述第一商品与所述替代商品的商品属性值的比较结果生成此商品属性的属性替换性特征；影响值确定模块，用于将所述属性替换性特征输入随机森林算法拟合模型进行替换性预测，根据所述属性替换性特征和进行替换性预测后的结果确定此商品属性对于购买决策的影响值。

可选地，所述替代商品获取模块，还用于根据用户历史订单数据和/或用户浏览历史数据获取所述第一商品和所述替代商品。

可选地，所述属性提取模块，还用于获取同类商品的n个商品替换组合，其中，所述商品替换组合由所述第一商品和所述替代商品组成，n为自然数；根据所述第一商品和所述替代商品所属的商品类别确定与此类商品相对应的属性黑名单；根据所述属性黑名单提取所述商品替换组中的所述第一商品和所述替代商品的m个有效商品属性，m为自然数。

可选地，所述替换特征生成模块，还用于获取每个商品替换组合中的所述第一商品和所述替代商品的m个有效商品属性值的比较结果；基于所述比较结果分别生成与m个有效商品属性相对应的m个属性替换特征向量；其中，所述属性替换特征向量包含n个元素，所述n个元素的值分别为n个商品替换组合中的所述第一商品和所述替代商品对同一个有效商品属性的比较结果。

可选地，所述替换特征生成模块，还用于如果确定第j个有效商品属性为非数值型，则判断第i个商品替换组合中的所述第一商品和所述替代商品对于此非数值型的有效商品属性的属性值是否相同，其中，0<j<＝m，0<i<＝n；如果是，则确定与第j个有效商品属性对应的属性替换特征向量X_j中的第i元素X_ij的值为1，如果否，则确定元素X_ij的值为0。

可选地，所述替换特征生成模块，还用于如果确定第j个有效商品属性为数值型，则计算第i个所述商品替换组合中的所述第一商品和所述替代商品对于此数值型的有效商品属性的属性值的距离，所述元素X_ij的值为所述距离。

可选地，所述

其中，

D_ij为第i个商品替换组合中的所述第一商品和所述替代商品对于第j个数值型有效商品属性的间距，

为第i个商品替换组合中的所述第一商品对于第j个有效商品属性的属性值，

为第i个商品替换组合中的所述替代商品对于第j个有效商品属性的属性值，MAX(D_ij)为n个D_ij中的最大值。

可选地，所述影响值确定模块，用于将商品属性替换特征向量X_j输入所述随机算法拟合模型进行替换性预测，获取属性预测向量S；确定第j个有效商品属性对于购买决策的影响值

根据本发明的又一方面，提供一种用于确定商品属性对于购买决策的影响度的装置，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，执行如上所述的用于确定商品属性对于购买决策的影响度的方法。

根据本发明的再一方面，提供一种计算机可读存储介质，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如上所述的用于确定商品属性对于购买决策的影响度的方法。

本发明的用于确定商品属性对于购买决策的影响度的方法及装置，获取商品和与其替代商品的商品属性的替换性特征，基于随机森林算法拟合模型进行替换性预测，确定此商品属性对于购买决策的影响值，通过将商品属性对于购买决策的影响因素进行量化，可以准确获取商品属性对于购买决策的影响程度，能帮助电商企业更准确的捕获消费者的需求，同时也会增加消费者的购物体验。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为根据本发明的用于确定商品属性对于购买决策的影响度的方法的一个实施例的流程图；

图2为根据本发明的用于确定商品属性对于购买决策的影响度的装置的一个实施例的模块示意图；

图3为根据本发明的用于确定商品属性对于购买决策的影响度的装置的另一个实施例的模块示意图。

具体实施方式

下面参照附图对本发明进行更全面的描述，其中说明本发明的示例性实施例。下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

下文中的“第一”、“第二”等仅用于描述上相区别，并没有其它特殊的含义。

图1为根据本发明的用于确定商品属性对于购买决策的影响度的方法的一个实施例的流程图，如图1所示：

步骤101，获取预选或预订的第一商品和与第一商品相对应的替代商品，替代商品为实际购买的同类商品。

例如，多个用户分别在网页上浏览商品信息并选取饮料或通过下订单预订了饮料，但在实际购买付款或重新下订单时重新选取了另一种饮料，用于实际购买的饮料为用户预选或预订的饮料的替代商品。

步骤102，提取第一商品以及替代商品的商品属性。例如，提取饮料的商品属性包括：价格、容量、产地、生产厂家、品牌等。

步骤103，根据第一商品与替代商品的商品属性值的比较结果生成此商品属性的属性替换性特征。

例如，根据100个用户预定和实际购买的两种饮料的价格的比较结果，生成饮料价格的属性替换性特征。

步骤104，将属性替换性特征输入随机森林算法拟合模型进行替换性预测，根据属性替换性特征和进行替换性预测后的结果确定此商品属性对于购买决策的影响值。

例如，将饮料价格的属性替换性特征输入随机森林算法拟合模型进行替换性预测，根据饮料价格的属性替换性特征和进行替换性预测后的结果，确定饮料价格对于用户在购买饮料时的决策的影响值。

在一个实施例中，可以根据用户历史订单数据、用户浏览历史数据等获取第一商品和替代商品，获取同类商品的n个商品替换组合，商品替换组合由第一商品和替代商品组成，n可以根据实际情况进行设置，例如为100、200等。根据第一商品和替代商品所属的商品类别确定与此类商品相对应的属性黑名单，根据属性黑名单提取商品替换组中的第一商品和替代商品的m个有效商品属性，m可以设置，例如为3、4个等。

例如，根据用户历史订单数据获取了100个商品替换组合，每个商品替换组合中包括用户在先预订的饮料和实际购买的饮料，实际购买的饮料为在先预订的饮料的替代商品。饮料的商品属性包括：品牌、产地、样式、价格、容量、颜色、口味等。根据商品分类以及用户输入的属性黑名单有选择的生成具有研究意义的有效商品属性。例如，用户输入的与饮料相对应的属性黑名单中包括有颜色、口味，则根据属性黑名单提取饮料的5个有效商品属性：品牌、产地、样式、价格、容量。

获取每个商品替换组合中的第一商品和替代商品的m个有效商品属性值的比较结果，基于比较结果分别生成与m个有效商品属性相对应的m个属性替换特征向量，每个属性替换特征向量都包含n个元素，n个元素的值分别为n个商品替换组合中的第一商品和替代商品对同一个有效商品属性的比较结果。

例如，对于已经获取的100个商品替换组合，计算每个商品替换组合中的在先预订的饮料和实际购买的饮料的5个有效商品属性值(品牌、产地、样式、价格、容量)的比较结果，基于比较结果分别生成与5个有效商品属性(品牌、产地、样式、价格、容量)相对应的5个属性替换特征向量。

每个属性替换特征向量都包含100个元素，这100个元素的值分别为100个商品替换组合中的在先预订的饮料和实际购买的饮料对同一个有效商品属性的比较结果。计算后生成分别与品牌、产地、样式、价格、容量这5个属性对应的属性替换特征向量X₁、X₂、X₃、X₄、X₅。

如果确定第j个有效商品属性为非数值型，则判断第i个商品替换组合中的第一商品和替代商品对于此非数值型的有效商品属性的属性值是否相同，如果是，则确定与第j个有效商品属性对应的属性替换特征向量X_j中的第i元素X_ij的值为1，如果否，则确定元素X_ij的值为0。

当

时，X_ij＝1，当

时，X_ij＝0，

为第i个商品替换组合中的第一商品对于第j个有效商品属性的属性值，

为第i个商品替换组合中的替代商品对于第j个有效商品属性的属性值。

例如，确定第1、2、3个有效商品属性为品牌、产地、样式，都为非数值型，判断100个商品替换组合中的每个商品替换组合中的在先预订的饮料和实际购买的饮料对于品牌、产地、样式的属性值是否相同，如果是，则确定对应向量元素的值为1，如果否，则确定对应的向量元素的值为0。

如果确定第j个有效商品属性为数值型，则计算第i个商品替换组合中的第一商品和替代商品对于此数值型的有效商品属性的属性值的距离，将元素X_ij的值设置为此距离。

D_ij为第i个商品替换组合中的第一商品和替代商品对于第j个数值型有效商品属性的间距，MAX(D_ij)为n个D_ij中的最大值。

例如，确定第4、5个有效商品属性为价格、容量，都为数值型，计算100个商品替换组合中的每个商品替换组合中的在先预订的饮料和实际购买的饮料的价格、容量的距离，可以采用多种方法计算距离，例如通过式1－1和1－2计算对应的向量元素的值以及D_ij，其中的MAX(D_ij)为100个计算的D_ij中的最大值。对于数值型变量，如价格、容量等，计算出的属性值之间的距离，距离值为0和1之间的实数。

通过上述的计算后，获取分别与品牌、产地、样式、价格、容量这5个有效商品属性相对应的5个属性替换特征向量X₁、X₂、X₃、X₄、X₅。X₁、X₂、X₃、X₄、X₅中有100个元素，例如，X₁＝{1，0，1，1，……}；X₂＝{1,1,1,1……}、X₃＝{1,0,0,1……}、X₄＝{0.2,0.5,0.1,0.8……}、X₅＝{0.1,0.3,0.1,0.6……}。

随机森林是一种机器学习模型，通过自助法(bootstrap)重采样技术，从原始训练样本集N中有放回地重复随机抽取k个样本生成新的训练样本集合，然后根据自助样本集生成k个分类树组成随机森林，新数据的分类结果按分类树投票多少形成的分数而定。

决策树(decision tree)是一个树结构(可以是二叉树或非二叉树)。其每个非叶节点表示一个特征属性上的测试，每个分支代表这个特征属性在某个值域上的输出，而每个叶节点存放一个类别。使用决策树进行决策的过程就是从根节点开始，测试待分类项中相应的特征属性，并按照其值选择输出分支，直到到达叶子节点，将叶子节点存放的类别作为决策结果。随机森林是用随机的方式建立一个森林，森林里面有很多的决策树组成，随机森林的每一棵决策树之间是没有关联的。

在一个实施例中，建立随机森林算法拟合模型，可以预先获取关于商品属性和商品之间的替代性的样本，将样本输入到随机森林算法拟合模型进行训练，训练后的模型可以反映不同的商品属性对于预测替代性的能力的强弱。

将商品属性替换特征向量X_j输入随机算法拟合模型进行替换性预测，获取属性预测向量S，确定第j个有效商品属性对于购买决策的影响值为：

例如，将X₁、X₂、X₃、X₄、X₅作为自变量，采用随机森林的算法拟合模型预测替代性，分别得到与X₁、X₂、X₃、X₄、X₅对应的预测向量S，基于式1－3获得饮料的品牌、产地、样式、价格、容量这5个有效商品属性在决策树中的重要程度值(影响值)E，重要程度值E越大，说明这个属性对于顾客在购买决策中起的作用越大。

可以根据随机森林的预测结果，将每个属性影响购物决策的能力进行量化，得到影响值并输出到用户界面。用户界面允许用户自定义屏蔽一些属性，并能查看每个分类的商品，获知最影响购物决策的属性有哪些，影响程度有多大。

上述实施例提供的用于确定商品属性对于购买决策的影响度的方法，获取商品和与其替代商品的商品属性的替换性特征，基于随机森林算法拟合模型进行替换性预测，确定此商品属性对于购买决策的影响值，通过将商品属性对于购买决策的影响因素进行量化，可以准确获取商品属性对于购买决策的影响程度，有助于理解消费者在购物过程中是如何决策，能帮助电商企业更准确的捕获消费者的需求，提高自身企业的服务，快速帮助消费者找到心仪的商品，同时也会增加消费者的购物体验。

如图2所示，本发明提供一种用于确定商品属性对于购买决策的影响度的装置20，包括：替代商品获取模块21、属性提取模块22、替换特征生成模块23和影响值确定模块24。替代商品获取模块21获取预选或预订的第一商品和与第一商品相对应的替代商品，替代商品为实际购买的同类商品。

属性提取模块22提取第一商品以及替代商品的商品属性。替换特征生成模块23根据第一商品与替代商品的商品属性值的比较结果生成此商品属性的属性替换性特征。影响值确定模块24将属性替换性特征输入随机森林算法拟合模型进行替换性预测，根据属性替换性特征和进行替换性预测后的结果确定此商品属性对于购买决策的影响值。

替代商品获取模块21根据用户历史订单数据、用户浏览历史数据获取第一商品和替代商品。属性提取模块22获取同类商品的n个商品替换组合，商品替换组合由第一商品和替代商品组成，n为自然数，根据第一商品和替代商品所属的商品类别确定与此类商品相对应的属性黑名单，根据属性黑名单提取商品替换组中的第一商品和替代商品的m个有效商品属性，m为自然数。

替换特征生成模块23获取每个商品替换组合中的第一商品和替代商品的m个有效商品属性值的比较结果，基于比较结果分别生成与m个有效商品属性相对应的m个属性替换特征向量，属性替换特征向量包含n个元素，n个元素的值分别为n个商品替换组合中的第一商品和替代商品对同一个有效商品属性的比较结果。

替换特征生成模块23如果确定第j个有效商品属性为非数值型，则判断第i个商品替换组合中的第一商品和替代商品对于此非数值型的有效商品属性的属性值是否相同，如果是，则确定与第j个有效商品属性对应的属性替换特征向量X_j中的第i元素X_ij的值为1，如果否，则确定元素X_ij的值为0。

替换特征生成模块23如果确定第j个有效商品属性为数值型，则计算第i个商品替换组合中的第一商品和替代商品对于此数值型的有效商品属性的属性值的距离，元素X_ij的值为距离，

影响值确定模块24将商品属性替换特征向量X_j输入随机算法拟合模型进行替换性预测，获取属性预测向量S，确定第j个有效商品属性对于购买决策的影响值

图3为根据本发明的用于确定商品属性对于购买决策的影响度的装置的另一个实施例的模块示意图。如图3所示，该装置可包括存储器31、处理器32、通信接口33以及总线34。存储器31用于存储指令，处理器32耦合到存储器31，处理器32被配置为基于存储器31存储的指令执行实现上述的用于确定商品属性对于购买决策的影响度的方法。

存储器31可以为高速RAM存储器、非易失性存储器(non-volatile memory)等，存储器31也可以是存储器阵列。存储器31还可能被分块，并且块可按一定的规则组合成虚拟卷。处理器32可以为中央处理器CPU，或专用集成电路ASIC(Application SpecificIntegrated Circuit)，或者是被配置成实施本发明的用于确定商品属性对于购买决策的影响度的方法的一个或多个集成电路。

在一个实施例中，本发明提供一种计算机可读存储介质，计算机可读存储介质存储有计算机指令，指令被处理器执行时实现如上任一个实施例中的用于确定商品属性对于购买决策的影响度的方法。

上述实施例提供的用于确定商品属性对于购买决策的影响度的方法及装置，获取商品和与其替代商品的商品属性的替换性特征，基于随机森林算法拟合模型进行替换性预测，确定此商品属性对于购买决策的影响值，通过将商品属性对于购买决策的影响因素进行量化，可以准确获取商品属性对于购买决策的影响程度，有助于理解消费者在购物过程中是如何决策，能帮助电商企业更准确的捕获消费者的需求，同时也会增加消费者的购物体验。

可能以许多方式来实现本发明的方法和系统。例如，可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本发明的方法和系统。用于方法的步骤的上述顺序仅是为了进行说明，本发明的方法的步骤不限于以上具体描述的顺序，除非以其它方式特别说明。此外，在一些实施例中，还可将本发明实施为记录在记录介质中的程序，这些程序包括用于实现根据本发明的方法的机器可读指令。因

而，本发明还覆盖存储用于执行根据本发明的方法的程序的记录介质。

本发明的描述是为了示例和描述起见而给出的，而并不是无遗漏的或者将本发明限于所公开的形式。很多修改和变化对于本领域的普通技术人员而言是显然的。选择和描述实施例是为了更好说明本发明的原理和实际应用，并且使本领域的普通技术人员能够理解本发明从而设计适于特定用途的带有各种修改的各种实施例。

Claims (16)

1.一种用于确定商品属性对于购买决策的影响度的方法，其特征在于，包括：

获取预选或预订的第一商品和与所述第一商品相对应的替代商品，其中，所述替代商品为实际购买的同类商品；

提取所述第一商品以及所述替代商品的商品属性，包括：

获取同类商品的n个商品替换组合，所述商品替换组合由所述第一商品和所述替代商品组成，n为自然数；根据所述第一商品和所述替代商品所属的商品类别确定与此类商品相对应的属性黑名单；根据所述属性黑名单提取所述商品替换组中的所述第一商品和所述替代商品的m个有效商品属性，m为自然数；

根据所述第一商品与所述替代商品的商品属性值的比较结果生成此商品属性的属性替换性特征；

将所述属性替换性特征输入随机森林算法拟合模型进行替换性预测，根据所述属性替换性特征和进行替换性预测后的结果确定此商品属性对于购买决策的影响值。

2.如权利要求1所述的方法，其特征在于，所述获取预选或预订的第一商品和与所述第一商品相对应的替代商品包括：

根据用户历史订单数据和/或用户浏览历史数据获取所述第一商品和所述替代商品。

3.如权利要求1所述的方法，其特征在于，所述根据所述第一商品与所述替代商品的商品属性值的比较结果生成此商品属性的属性替换性特征包括：

获取每个商品替换组合中的所述第一商品和所述替代商品的m个有效商品属性值的比较结果；

基于所述比较结果分别生成与m个有效商品属性相对应的m个属性替换特征向量；

其中，所述属性替换特征向量包含n个元素，所述n个元素的值分别为n个商品替换组合中的所述第一商品和所述替代商品对同一个有效商品属性的比较结果。

4.如权利要求3所述的方法，其特征在于，还包括：

如果确定第j个有效商品属性为非数值型，则判断第i个商品替换组合中的所述第一商品和所述替代商品对于此非数值型的有效商品属性的属性值是否相同，其中，0<j<＝m，0<i<＝n；

如果是，则确定与第j个有效商品属性对应的属性替换特征向量X_j中的第i元素X_ij的值为1，如果否，则确定元素X_ij的值为0。

5.如权利要求4所述的方法，其特征在于，还包括：

如果确定第j个有效商品属性为数值型，则计算第i个所述商品替换组合中的所述第一商品和所述替代商品对于此数值型的有效商品属性的属性值的距离，所述元素X_ij的值为所述距离。

6.如权利要求5所述的方法，其特征在于，还包括：

所述

其中，

D_ij为第i个商品替换组合中的所述第一商品和所述替代商品对于第j个数值型有效商品属性的间距，

为第i个商品替换组合中的所述第一商品对于第j个有效商品属性的属性值，

为第i个商品替换组合中的所述替代商品对于第j个有效商品属性的属性值，MAX(D_ij)为n个D_ij中的最大值。

7.如权利要求4所述的方法，其特征在于，还包括:

将商品属性替换特征向量X_j输入所述随机森林算法拟合模型进行替换性预测，获取属性预测向量S；

确定第j个有效商品属性对于购买决策的影响值

8.一种用于确定商品属性对于购买决策的影响度的装置，其特征在于，包括：

替代商品获取模块，用于获取预选或预订的第一商品和与所述第一商品相对应的替代商品，其中，所述替代商品为实际购买的同类商品；

属性提取模块，用于提取所述第一商品以及所述替代商品的商品属性；其中，所述属性提取模块具体用于获取同类商品的n个商品替换组合，所述商品替换组合由所述第一商品和所述替代商品组成，n为自然数；根据所述第一商品和所述替代商品所属的商品类别确定与此类商品相对应的属性黑名单；根据所述属性黑名单提取所述商品替换组中的所述第一商品和所述替代商品的m个有效商品属性，m为自然数；

替换特征生成模块，用于根据所述第一商品与所述替代商品的商品属性值的比较结果生成此商品属性的属性替换性特征；

影响值确定模块，用于将所述属性替换性特征输入随机森林算法拟合模型进行替换性预测，根据所述属性替换性特征和进行替换性预测后的结果确定此商品属性对于购买决策的影响值。

9.如权利要求8所述的装置，其特征在于，

所述替代商品获取模块，还用于根据用户历史订单数据和/或用户浏览历史数据获取所述第一商品和所述替代商品。

10.如权利要求9所述的装置，其特征在于，

所述替换特征生成模块，还用于获取每个商品替换组合中的所述第一商品和所述替代商品的m个有效商品属性值的比较结果；基于所述比较结果分别生成与m个有效商品属性相对应的m个属性替换特征向量；其中，所述属性替换特征向量包含n个元素，所述n个元素的值分别为n个商品替换组合中的所述第一商品和所述替代商品对同一个有效商品属性的比较结果。

11.如权利要求10所述的装置，其特征在于，

所述替换特征生成模块，还用于如果确定第j个有效商品属性为非数值型，则判断第i个商品替换组合中的所述第一商品和所述替代商品对于此非数值型的有效商品属性的属性值是否相同，其中，0<j<＝m，0<i<＝n；如果是，则确定与第j个有效商品属性对应的属性替换特征向量X_j中的第i元素X_ij的值为1，如果否，则确定元素X_ij的值为0。

12.如权利要求11所述的装置，其特征在于，

所述替换特征生成模块，还用于如果确定第j个有效商品属性为数值型，则计算第i个所述商品替换组合中的所述第一商品和所述替代商品对于此数值型的有效商品属性的属性值的距离，所述元素X_ij的值为所述距离。

13.如权利要求12所述的装置，其特征在于，

所述

其中，

D_ij为第i个商品替换组合中的所述第一商品和所述替代商品对于第j个数值型有效商品属性的间距，

为第i个商品替换组合中的所述第一商品对于第j个有效商品属性的属性值，

为第i个商品替换组合中的所述替代商品对于第j个有效商品属性的属性值，MAX(D_ij)为n个D_ij中的最大值。

14.如权利要求10所述的装置，其特征在于，

所述影响值确定模块，用于将商品属性替换特征向量X_j输入所述随机森林算法拟合模型进行替换性预测，获取属性预测向量S；确定第j个有效商品属性对于购买决策的影响值

15.一种用于确定商品属性对于购买决策的影响度的装置，其特征在于，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，执行如权利要求1至7中任一项所述的用于确定商品属性对于购买决策的影响度的方法。

16.一种计算机可读存储介质，其特征在于，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如权利要求1至7中任一项所述的用于确定商品属性对于购买决策的影响度的方法。

Images