CN107993134A - 一种基于用户兴趣的智能购物交互方法及系统 - Google Patents

Abstract

本发明属于智能购物领域，具体为一种基于用户兴趣的智能购物交互方法及系统，该方法包括：将接收到的语音请求转化为文本信息；根据历史兴趣库，对文本信息进行兴趣度匹配，计算获得文本信息与历史兴趣库的相似兴趣模型；根据相似兴趣模型，进行语义分析获得物品关键信息；根据关键信息词在商品系统中进行匹配查询处理，获取查询处理结果；将查询处理的结果展示给用户。本发明提出的基于用户兴趣的智能购物交互方法及系统，可以将接收到的语音请求转化为文本，计算用户兴趣模型，并结合用户的历史兴趣模型获得相似兴趣模型，提高商品推荐的准确性，进而推荐满足用户兴趣的商品及其他信息，具有推荐针对性强且准确性高、用户的使用体验好等优点。

Description

一种基于用户兴趣的智能购物交互方法及系统

技术领域

本发明涉及智能购物领域，尤指一种基于用户兴趣的智能购物交互方法及系统。

背景技术

当今，随着互联网技术的迅速发展，线上购物受到用户的青睐，线上购物有很多优点：可以帮助用户节省时间，降低购物成本，扩大选择等，因此线上购物的规模在不断快速增长。线上交易方便的同时也存在一些问题，如线上商品种类繁杂，数量众多，用户很难迅速找到需要的商品；举例而言，用户想买一见红色防水防寒的骆驼牌冲锋衣，通常需要在购物网站做很多次的筛选，先选择冲锋衣，在选择品牌、颜色。实际上用户将各种选择转换为计算计算能直接识别关键字，计算机根据这些关键字查询，最终用户才能查到类似的商品。

随着电子商务规模的不断扩大，商品个数和种类快速增长，顾客需要花费大量的时间才能找到自己想买的商品。这种浏览大量无关的信息和产品过程无疑会使淹没在信息过载问题中的消费者不断流失。同时随着电子商务系统正处在不断的扩大化，系统结构不断的复杂化，用户及商品的数量几乎呈直线上身，然而现阶段很多推荐算法由于自身的条件限制，存在两个方面的问题：稀疏性问题与扩展性问题，这严重的影响了推荐的质量。另一方面，语音查询功能在各行业中都有非常实际的应用。随着移动终端的普及，越来越多的语音识别应用被开发。

比如亚马逊的Shopbot，如我想买42码黑色透气的耐克跑步鞋，Shopbot会继续问需要哪个号码并列出菜单让用户选择，然后问哪个品牌，价格范围等，都需要用户通过菜单选择，步骤繁琐且有些项目无法选择，如跑鞋是否透气等因素。当前方法存在的缺点：计算机无法理解人类的语言，无法准确识别自然语言中包含的所有商品属性等信息。因此，利用语音识别技术能够在一定程度上便于用户的搜索或操作，若能够将语音识别技术辅以主动根据用户需求对商品进行筛选推荐的系统，则有望更快、更便利地推荐最适合用户的产品，以达到使得用户能够更便捷地找寻所需商品的目的，从而大大改善用户的使用体验。

发明内容

为了解决现有技术存在的上述问题，本发明实施例提供一种基于用户兴趣的智能购物交互方法及系统，能够实现全程语音、甚至无屏幕购物，为用户提供了更加便捷的购物服务，进而解决了现阶段不能全程通过语音进行购物的问题。

本发明所采用的技术方案为：

本发明实施例的一个方面提出了一种基于用户兴趣的智能购物交互方法。该方法包括：S1，将接收到的语音请求转化为文本信息；S2，根据历史兴趣库，对所述文本信息进行兴趣度匹配，计算获得所述文本信息与历史兴趣库的相似兴趣模型；S3，根据相似兴趣模型，进行语义分析获得物品关键信息；S4，根据所述关键信息词在商品系统中进行匹配查询处理，获取查询处理结果；S5，将查询处理的结果展示给用户。

在本发明的另一实施方式中，还公开了一种基于用户兴趣的智能购物交互系统，包括：接收模块，用于将接收到的语音请求转化为文本信息；兴趣匹配模块，用于根据历史兴趣库，对所述文本信息进行兴趣度匹配，计算获得所述文本信息与历史兴趣库的相似兴趣模型；分析模块，用于根据相似兴趣模型，进行语义分析获得物品关键信息；查询模块，用于根据所述关键信息词在商品系统中进行匹配查询处理，获取查询处理结果；展示模块，用于将查询处理的结果展示给用户。

本发明的有益效果为：

本发明提出的基于用户兴趣的智能购物交互方法及系统，可以将接收到的语音请求转化为文本，计算用户兴趣模型，并结合用户的历史兴趣模型获得相似兴趣模型，提高商品推荐的准确定，进而推荐满足用户兴趣的商品及其他信息，具有推荐物品的针对性强且准确性高、用户的使用体验好的优点，有效提高了用户的购物体验。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，并不构成对本发明的限定。在附图中：

图1为本发明一实施例的基于用户兴趣的智能购物交互方法流程示意图。

图2为本发明一实施例的基于用户兴趣的智能购物交互系统结构示意图。

在附图中，相同或对应的标号表示相同或对应的部分。

具体实施方式

下面将参考若干示例性实施方式来描述本发明的原理和精神。应当理解，给出这些实施方式仅仅是为了使本领域技术人员能够更好地理解进而实现本发明，而并非以任何方式限制本发明的范围。相反，提供这些实施方式是为了使本公开更加透彻和完整，并且能够将本公开的范围完整地传达给本领域的技术人员。

以下配合图式及本发明的较佳实施例，进一步阐述本发明为达成预定发明目的所采取的技术手段。

图1为本发明一实施例的基于用户兴趣的智能购物交互方法流程示意图。如图1所示，该方法包括：

S1，将接收到的语音请求转化为文本信息；其中，所述语音请求包括查询请求和购买请求。

S2，根据历史兴趣库，对所述文本信息进行兴趣度匹配，计算获得所述文本信息与历史兴趣库的相似兴趣模型；

其中，该步骤具体包括：S21，将所述文本信息进行编辑，获得第一兴趣模型，存储至历史兴趣库；

S22，根据第一兴趣模型，在历史兴趣库中进行兴趣度匹配，获得多个相似兴趣模型，并进行相似度排名；

S23，选取相似度排名靠前的一定数量的相似兴趣模型。

S3，根据相似兴趣模型，进行语义分析获得物品关键信息；其中，将相似兴趣模型进行语义分析，并根据语义及词性结合分析，获取关键信息词。

S4，根据所述关键信息词在商品系统中进行匹配查询处理，获取查询处理结果；

S5，将查询处理的结果展示给用户。其中，查询处理的结果包括：商品的信息、确认是否购买的信息或者确认是否切换的信息。

在一具体实施例中，该交互方法的整体流程为：将语音信息转换成文本内容并生成词图(Lattice)；词图结构是一种有向无环图，节点代表时间，每条弧代表一个时间片内一个语音识别的候选结果，并伴随这个将语音信息转换成文本得到的STT候选结果的声学模型、语言学模型评分；

在词图结构中，每个链接弧表示了一个词(也可使用音节、音素)，该词在词名、起始时间、结束时间或是前置词三个方面至少有一个方面与其它链接弧不同；

将词图中的词串进行全局对齐，全局对齐后的词图中的圆点是弧的节点、两个节点中间的链接弧成为以拼音为单位的候选集，通过前向-后向算法来计算混淆集中每个候选链接弧的后验概率，根据每条候选链接弧的后验概率得分进行剪枝，保留后验概率超过预设阈值的候选链接弧，得到采用混淆网络方法优化后的词图；

上述优化只保留评判分较高的大多数弧，节点数和路径数大幅减少，减少了存储空间；正确的候选词可能不在一条路径中，而转换成混淆网络之后，原来不在一条路径上的候选也可以有偏序关系，从而提高了搜索效率；

对采用混淆网络方法优化后的词图进行索引标注得到索引库，索引标注的信息包括各链接弧的词拼音、起始时间、结束时间、声学模型评分、语言模型评分、前向得分、后向得分、局部路径的后验概率中的至少一种。

语音关键词检测就是要在有词图索引结构中找到匹配特定内容的局部路径并对该局部路径进行置信测度，每一个匹配的局部路径都是一个潜在的可能结果，利用后验概率值作为置信测度可以对这种可能性的大小进行度量。

采用预设的词项搜索算法，根据索引库从预设的推荐物品词典中进行词项搜索，得到搜索结果列表；语音关键词检测系统的搜索词项可以分为三种：

(1)由推荐物品词典中的单个词构成的词项。

(2)由推荐物品词典中的多个词构成的词项。

(3)至少包含一个推荐物品词典以外的词的词项。

前两种词项为词表内(In Vocabulary，IV)词，第三种词项为词表外(Out-OfVocabulary，OOV)词。基于词图创建索引，对于第一种词项，只需检索词项的每个节点。对于第二种词项，则需要在词图中寻找一条能与查询词项相匹配的局部路径。对于第三种词项，需要采用不同的检测逻辑，例如可以构建音素索引库，将查询词项表示成音素序列，在音素中查找匹配表示查询词项音素序列的局部路径。语音关键词检测的候选决策阶段是对检测到的关键词的正确与否做出判断的阶段，它舍弃可能性较小的检测结果，保留可能性较大的检测结果；

针对搜索结果列表进行重排序，得到推荐物品词典中的即时语音关键词。

其中，预先获取多组搜索结果列表样本，将搜索结果列表样本中得分排在前面的N个搜索结果视为相关的、得分排在倒数的最后N个搜索结果视为不相关的，把相关的N个搜索结果作为正面样本数据、把不相关的N个搜索结果作为负面样本数据来训练机器学习分类模型，完成机器学习分类模型的训练；将词项的搜索结果列表输入机器学习分类模型，通过机器学习分类模型对搜索结果列表进行重排序，得到重排序后的推荐物品词典中的即时语音关键词。

上述两步利用伪相关反馈的二次检索进行结果重排序，能够提高返回推荐词项列表的准确性。伪相关反馈的二次检索基本思路是得到词图的第一次检索结果后，假设得分排在前面的N个结果是相关的，而得分排在倒数的最后N个结果是不相关的。把这些分别作为正面和负面的例子用来训练具体查询的机器学习分类方法，并将训练后的机器学习分类方法用于初步检索的重排序。机器学习分类模型可根据需要采用支持向量机、多层感知等机器学习方法等模型，支持向量机、多层感知等机器学习方法的高区分能力优势可在二次检索中有效提升语音关键词检测性能。

尽管在附图中以特定顺序描述了本发明方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。

具体的，用户输入语音请求中涉及到查询范围的词语，例如：我购物车里有什么商品降价？我关注的商品有什么优惠？我最近看过的商品有什么促销？则商品查询范围可限定在：购物车降价商品/近1个月关注降价商品/近1个月浏览当前有促销商品，查询逻辑为(输出规则)：推荐购物车/关注的商品/浏览商品的数据+关键词；商品状态：自营、上架、货到付款、收货地址有货，数据查询的系统：购物车/用户关注数据/数据大数据用户浏览数据。在输出过程职工，如果服务系统异常，则音箱输出：抱歉，系统异常请稍后再试。同样在识别出语义，仅识别出唤醒词时，例如：请问京东音箱输出：欢迎使用京东服务，您可以说：我的订单到哪了、我要买矿泉水、最近牛奶有什么促销？

如果商品库中存在匹配数据，输出的商品信息句式可限定为：商品来源+商品名称+降价幅度+实时价+购买提示，音箱输出：您购物车的商品飞科(FLYCO)FS372全身水洗剃须刀，比加入时便宜了5元，目前价格是20元，确认购买还是换一个？用户输出：确认/是的/好的，同样系统响应：自动下单，购买数量默认为1，并且音箱输出：下单成功，您可在京东手机客户端查询订单详情；如用户确认购买后，商品有下架/无货，价格变动等情况则提示：失败原因+下单结果；音箱输出：抱歉，由于商品状态调整，本次下单失败。在确认是否购买时，用户输出：不买/不，系统响应：不自动下单，并且音箱输出：好的。如果在语音输出确认时，用户不回应(可设置不回应的时间，例如超5秒未收到回应)，系统响应：不自动下单，对话自动结束。推荐最后一个数据之后，用户再回应换一个或者下一个等，音箱输出：您的购物车/关注记录/最近浏览中没有更多优惠商品，请访问京东手机客户端查看其他促销活动。查询过程中，发现无匹配商品数据时，音箱输出：您的购物车/关注记录/最近浏览中没有优惠的商品，请访问京东手机客户端查看其他促销活动。

在介绍了本发明示例性实施方式的方法之后，接下来，参考图2对本发明示例性实施方式的基于用户兴趣的智能购物交互系统进行介绍。

基于用户兴趣的智能购物交互系统的实施可以参见上述方法的实施，重复之处不再赘述。以下所使用的术语“单元”或者“模块”，可以是实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。

图2为本发明一实施例的基于用户兴趣的智能购物交互系统结构示意图。如图2所示，该系统包括：

接收模块1，用于将接收到的语音请求转化为文本信息；其中，所述语音请求包括查询请求和购买请求。

兴趣匹配模块2，用于根据历史兴趣库，对所述文本信息进行兴趣度匹配，计算获得所述文本信息与历史兴趣库的相似兴趣模型；

其中，所述兴趣匹配模块2包括：

编辑单元，用于将所述文本信息进行编辑，获得第一兴趣模型，存储至历史兴趣库；

匹配单元，用于根据第一兴趣模型，在历史兴趣库中进行兴趣度匹配，获得多个相似兴趣模型，并进行相似度排名；

选取单元，用于选取相似度排名靠前的一定数量的相似兴趣模型。

分析模块3，用于根据相似兴趣模型，进行语义分析获得物品关键信息；其中，该模块还用于将相似兴趣模型进行语义分析，并根据语义及词性结合分析，获取关键信息词。

查询模块4，用于根据所述关键信息词在商品系统中进行匹配查询处理，获取查询处理结果；

展示模块5，用于将查询处理的结果展示给用户。其中，查询处理的结果包括：商品的信息、确认是否购买的信息或者确认是否切换的信息；所述商品的信息包括商品的状态信息，所述状态信息至少包括以下一项：运送方式、付款方式、收获地址、是否有货和优惠策略。

需要说明的是，本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本发明实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中，例如，可以描述为：一种处理器包括转化模块、语音分析模块、处理模块和输出模块。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如转化模块还可以被描述为“将接收到的语音请求转化为文本信息”。

本发明提出的基于用户兴趣的智能购物交互方法及系统，可以将接收到的语音请求转化为文本，计算用户兴趣模型，并结合用户的历史兴趣模型获得相似兴趣模型，提高商品推荐的准确定，进而推荐满足用户兴趣的商品及其他信息，具有推荐物品的针对性强且准确性高、用户的使用体验好的优点，有效提高了用户的购物体验。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于用户兴趣的智能购物交互方法，其特征在于，包括：

S1，将接收到的语音请求转化为文本信息；

S2，根据历史兴趣库，对所述文本信息进行兴趣度匹配，计算获得所述文本信息与历史兴趣库的相似兴趣模型；

S3，根据相似兴趣模型，进行语义分析获得物品关键信息；

S4，根据所述关键信息词在商品系统中进行匹配查询处理，获取查询处理结果；

S5，将查询处理的结果展示给用户。

2.根据权利要求1所述的基于用户兴趣的智能购物交互方法，其特征在于，所述语音请求包括查询请求和购买请求。

3.根据权利要求1所述的基于用户兴趣的智能购物交互方法，其特征在于，S2，根据历史兴趣库，对所述文本信息进行兴趣度匹配，计算获得所述文本信息与历史兴趣库的相似兴趣模型，包括：

S21，将所述文本信息进行编辑，获得第一兴趣模型，存储至历史兴趣库；

S22，根据第一兴趣模型，在历史兴趣库中进行兴趣度匹配，获得多个相似兴趣模型，并进行相似度排名；

S23，选取相似度排名靠前的一定数量的相似兴趣模型。

4.根据权利要求1所述的基于用户兴趣的智能购物交互方法，其特征在于，S3，根据相似兴趣模型，进行语义分析获得物品关键信息，包括：

将相似兴趣模型进行语义分析，并根据语义及词性结合分析，获取关键信息词。

5.根据权利要求1所述的基于用户兴趣的智能购物交互方法，其特征在于，所述查询处理的结果包括：商品的信息、确认是否购买的信息或者确认是否切换的信息；其中，

所述商品的信息包括商品的状态信息，所述状态信息至少包括以下一项：运送方式、付款方式、收获地址、是否有货和优惠策略。

6.一种基于用户兴趣的智能购物交互系统，其特征在于，包括：

接收模块，用于将接收到的语音请求转化为文本信息；

兴趣匹配模块，用于根据历史兴趣库，对所述文本信息进行兴趣度匹配，计算获得所述文本信息与历史兴趣库的相似兴趣模型；

分析模块，用于根据相似兴趣模型，进行语义分析获得物品关键信息；

查询模块，用于根据所述关键信息词在商品系统中进行匹配查询处理，获取查询处理结果；

展示模块，用于将查询处理的结果展示给用户。

7.根据权利要求6所述的基于用户兴趣的智能购物交互系统，其特征在于，所述语音请求包括查询请求和购买请求。

8.根据权利要求6所述的基于用户兴趣的智能购物交互系统，其特征在于，所述兴趣匹配模块包括：

编辑单元，用于将所述文本信息进行编辑，获得第一兴趣模型，存储至历史兴趣库；

匹配单元，用于根据第一兴趣模型，在历史兴趣库中进行兴趣度匹配，获得多个相似兴趣模型，并进行相似度排名；

选取单元，用于选取相似度排名靠前的一定数量的相似兴趣模型。

9.根据权利要求6所述的基于用户兴趣的智能购物交互系统，其特征在于，所述分析模块，还用于将相似兴趣模型进行语义分析，并根据语义及词性结合分析，获取关键信息词。

10.根据权利要求6所述的基于用户兴趣的智能购物交互系统，其特征在于，所述查询处理的结果包括：商品的信息、确认是否购买的信息或者确认是否切换的信息；其中，

所述商品的信息包括商品的状态信息，所述状态信息至少包括以下一项：运送方式、付款方式、收获地址、是否有货和优惠策略。