CN108665333B - 商品推荐方法、装置、电子设备和存储介质 - Google Patents

Abstract

本发明提供一种商品推荐方法、系统、电子设备和存储介质，能够以用户行为的特征数据为基础来计算商品关联度以及用户购物意图商品，从而在减少商品关联度计算的复杂程度以及在考虑到用户浏览比较商品的行为特点的情况下为用户推荐商品。该方法包括如下步骤：从用户对待选商品的行为来获得行为数据；基于离线购物周期内的行为数据，计算商品的关联度；在所述关联度大于预定阈值的商品集合中，基于在线购物周期内的行为数据，来计算用户意图购买商品，作为待被推荐给用户的商品。

Description

商品推荐方法、装置、电子设备和存储介质

技术领域

本发明涉及一种基于用户行为序列挖掘的商品推荐方法、系统、电子设备和存储介质。

背景技术

近年来电子商务兴起，越来越多的用户选择网络购物的方式购买所需商品。随着电子商务规模的不断扩大，商品种类和数量快速增长，用户需要花费大量的时间才能从海量商品中找到所需商品。为了提升用户购物体验，购物网站通过推荐系统为用户提供个性化的决策支持和商品信息服务。

推荐系统包括三个模块：用户兴趣模块、推荐对象模块、推荐算法模块。推荐系统将用户兴趣信息和推荐对象中的信息匹配，同时使用相应的推荐算法进行计算筛选，找到用户可能感兴趣的推荐对象，然后推荐给用户。用户兴趣模块的核心是计算用户的购买意图商品。推荐对象模块的核心是计算每一个商品的关联商品。推荐算法模块的核心是输入购买意图商品，从推荐对象模块中召回关联商品，然后对召回的结果进行合理排序。

在现有技术中，计算购物意图商品的一般的做法是将用户最近一段时间浏览的所有商品作为购物意图商品集合。而计算商品的关联度的一般做法是通过分词的方式将商品标题信息分解为特征向量，商品的关联度用特征向量的距离来表达。然而，用户购物的行为特点是浏览比较商品，根据比较信息做出决策，从而选出所需商品。直接使用最近浏览商品集合作为购物意图，没有考虑用户这一行为特点，造成购物意图商品中存在多余的对比商品数据。此外，从商品标题中提取特征向量的过程涉及到中文分词，中文分词技术有较高的开发成本。与此同时，计算特征向量距离可能面临高维的特征空间，计算时复杂度较高。

发明内容

有鉴于此，本发明实施例提供一种基于用户行为序列挖掘的商品推荐方法、系统、电子设备和存储介质，能够凭借降低了计算复杂度且提高了可信度的商品关联度和在考虑到用户浏览比较商品之后才做出购买行为这一特点的情况下所计算出的用户购物意图商品来为用户提供个性化的商品推荐。

为实现上述目的，根据本发明实施例的一个方面，提供了一种基于用户行为序列挖掘的商品推荐方法。

根据本发明的商品推荐方法包括如下步骤：从用户对待选商品的行为来获得行为数据并将其实时采集到用户行为日志中，所述行为数据包括离线购物周期内的行为数据和在线购物周期内的行为数据；基于离线购物周期内的行为数据，计算商品的关联度；在所述关联度大于预定阈值的商品集合中，基于在线购物周期内的行为数据，来计算用户意图购买商品，作为待被推荐给用户的商品。

可选地，所述行为数据包括：搜索、浏览、收藏、加入购物车以及购买。

基于离线购物周期且采用频繁模式挖掘的思想来计算商品关联度例如包括如下步骤：按照用户的行为类型，从离线购物周期内的行为数据中提取用户的浏览数据和用户的购买数据；统计用户的浏览数据中任一个商品I_i的出现次数N；对用户的浏览数据和用户的购买数据进行关联计算用以确定同类目商品相似度或商品搭配度，其中，同类目商品相似度是指用户从登陆到退出购物网站的一次访问中浏览商品I_i但却购买与之同类目的商品I_j的情况，而商品搭配度是指用户从登陆到退出购物网站的一次访问中用户浏览商品I_i但却购买与之不同类目的商品I_j的情况；根据上一步骤的结果统计出任一个商品I_i与所购买的商品I_j共同出现的次数K；根据公式R(I_i,I_j)＝K/N计算出商品I_i与I_j的关联度，也就是浏览商品I_i但却购买商品I_j的几率。

可选地，离线购物周期为一个月。

基于在线购物周期来计算购物意图商品例如包括步骤：由用户行为日志得到在线购物周期内的用户行为序列；在考虑最终购买商品I在用户行为序列中出现的频率、用户对最终购买商品I实施行为的时长以及用户行为的类型的情况下构建出最终购买商品I的如下偏好函数Pre(I)，假定{S_i}序列长度为N，最后购买的商品I在{S_i}中的位置的集合是{P_i}，1≤P_i≤N，行为类型的权重因子为{W_i}，其中∑W_i＝1，

其中

w_p表示位置p对应的行为权重；

对在线购物周期内的用户行为序列中的最后购买商品I的偏好值进行计算并与预先给定的偏好阈值进行比较，选出偏好值大于所述预先给定的偏好阈值的商品作为用户购物意图商品。

为实现上述目的，根据本发明实施例的另一个方面，提供了一种商品推荐装置。

本发明实施例的一种商品推荐装置包括：获得行为数据模块、推荐对象模块和用户兴趣模块，其中，所述获得行为数据模块用以从用户对待选商品的行为来获得行为数据并将其实时采集到用户行为日志中；所述推荐对象模块基于离线购物周期地采用频繁模式挖掘的思想来计算商品关联度；所述用户兴趣模块在关联度大于预定阈值的商品集合中，基于在线购物周期内的行为数据来计算用户意图购买商品，作为待被推荐给用户的商品。

可选地，行为数据是关于搜索、浏览、收藏、加入购物车以及购买中的至少一项的数据。

在商品推荐装置中计算商品的关联度包括如下步骤：按照用户的行为类型，从所述离线购物周期内的行为数据中提取用户的浏览数据和用户的购买数据；统计所述用户的浏览数据中任一个商品I_i的出现次数N；对所述用户的浏览数据和所述用户的购买数据进行关联计算，以确定同类目商品相似度或商品搭配度，其中，所述同类目商品相似度是指用户从登陆到退出购物网站的一次访问中浏览商品I_i但却购买与之同类目的商品I_j的情况，所述商品搭配度是指用户从登陆到退出购物网站的一次访问中用户浏览商品I_i但却购买与之不同类目的商品I_j的情况；根据所述关联计算的结果统计出所述任一个商品I_i与所购买的商品I_j共同出现的次数K；以及根据公式R(I_i,I_j)＝K/N计算出商品I_i与I_j的关联度，作为在浏览商品I_i之后购买商品I_j的可能性。

可选地，所述离线购物周期为一个月。

在商品推荐装置中计算用户意图购买商品包括如下步骤：由所述用户行为日志得到在线购物周期内的用户行为序列；构建出最后购买商品I的如下偏好函数Pre(I)，假定{S_i}序列长度为N，最后购买的商品I在{S_i}中的位置的集合是{P_i}，1≤P_i≤N，行为类型的权重因子为{W_i}，其中∑W_i＝1，

其中

w_p表示位置p对应的行为权重；

最后，将计算出的偏好值与偏好阈值进行比较并将所述偏好值大于所述偏好阈值的商品作为用户意图购物商品。

为实现上述目的，根据本发明实施例的再一方面，提供了一种电子设备。

本发明实施例的一种电子设备包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明实施例的基于用户行为序列挖掘的商品推荐方法。

为实现上述目的，根据本发明实施例的又一方面，提供了一种计算机可读存储介质。

本发明实施例的一种计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行本发明实施例的基于用户行为序列挖掘的商品推荐方法。

上述发明中的一个实施例具有如下优点或有益效果：考虑用户购物的行为序列，根据用户浏览比较商品之后才有可能购买的行为模式挖掘出商品关联度，从而降低了计算关联度的复杂度并同时提高了关联度的可信度。通过挖掘用户的实时行为序列，提出购物意图商品的计算公式。基于统计结果的计算公式能较好地反映出用户的真是购物意图。在此基础之上，以个性化的方式为用户进行商品推荐。

上述的技术方案将在下文中结合具体实施方式加以说明。

附图说明

附图用于更好地理解本发明，不构成对本发明的不当限定。其中：

图1是根据本发明实施例的一种基于用户行为序列挖掘的商品推荐方法的流程示意图；

图2是根据本发明实施例的一种基于离线购物周期且采用频繁模式挖掘的思想来计算商品关联度的主要步骤的示意图；

图3是根据本发明实施例的一种基于在线购物周期来计算购物意图商品的方法的主要步骤的示意图；

图4是根据本发明实施例的商品推荐装置的示意图，该商品推荐装置具有获得行为数据模块、推荐对象模块、用户兴趣模块；

图5是根据本发明实施例的电子设备的硬件结构示意图。

具体实施方式

以下结合附图对本发明的示范性实施例做出说明，其中包括本发明实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本发明的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

为了解决现有技术中的如下技术问题，即，从商品标题中提取特征向量来计算商品关联度设计到成本很高的中文分词技术，从而使得关联度计算非常复杂；此外，没有考虑到用户浏览比较后才有可能够买商品的行为特征，因此在直接使用最近浏览商品集合作为购物意图的情况下造成购物意图商品中存在多余的对比商品数据。本发明实施例提供了一种基于用户行为序列挖掘的商品推荐方案来解决现有技术中的上述技术问题。

如图1所示，本发明实施例的一种基于用户行为序列挖掘的商品推荐方法主要包括如下步骤：

步骤S1：将用户的行为数据实时地采集到用户行为日志中并对其进行形式化描述。

用户在进行网络购物时会看到很多的待选商品，在对这些商品进行对比和决策时会对商品产生一系列的行为数据，如搜索、浏览、收藏、加入购物车、购买等。这一系列的行为数据被实时的采集到用户行为日志中。其中实时行为数据通过消息系统传递，例如Kafka消息系统，而离线行为数据存储在数据库中，例如Hive数据库。

表1示例性地示出了用户行为日志的特征数据。

表1的数据包含7个字段，分别是会话ID，行为时长，用户ID，行为类型，商品ID，品牌ID，类目ID。其中会话ID是用户从登陆购物网站到退出网站的一次访问ID标识，其中，类目ID指的是商品所属的类别的ID，类别例如是上衣、裤子、帽子或鞋子，在此需要指出的是，类别并不局限于穿戴方面的分类，也就是说也适用于其它方面的分类。顾名思义，品牌ID是商品所属品牌的ID。而商品ID则是商品区别于其它商品的唯一标识。举例来说，商品A(毛衣)和商品B(衬衫)的类目均为上衣，也就是说它们具有相同的类目ID，但它们却具有不同的商品ID，用以区分毛衣和衬衫。

步骤S1的目的在于，为后续的实时与离线数据挖掘提供数据基础。

步骤S2：基于离线购物周期内的行为数据，计算商品的关联度。

步骤S3：在关联度大于预定阈值的商品集合中，基于在线购物周期内的行为数据来计算用户意图购买商品，作为待被推荐给用户的商品。

其中，本发明实施例中的离线购物周期例如可以是一个月。顺便提及，所述离线购物周期不限于一个月，也可以是一个或数个星期，或数个月，等等。

本发明实施例中，商品的关联度计算是为了表达用户“看了会买”的购物模式，其核心在于计算商品关联度大小R(I_i，I_j)。商品的关联包含两个意思，一是相同类目的商品关联，这种商品关系是为了给用户推荐类目ID相同但商品ID不同的商品；二是不同类目商品关联，这种商品关系是为了给用户推荐可以形成搭配的商品。因此，商品关联度可以如下地定义，即，看了商品I_i但却购买了商品I_j的几率，其中，i和j属于自然数且i不等于j。

如图2所示，基于离线购物周期，采用频繁模式挖掘的思想来计算商品关联度的步骤如下：

步骤S21：按照用户的行为类型，从离线购物周期内的行为数据中提取用户的浏览数据和用户的购买数据。其中，

View＝(会话ID，用户ID，商品ID，类目ID)

Buy＝(会话ID，用户ID，商品ID，类目ID)

步骤S22：统计用户的浏览数据中任一个商品I_i的出现次数N，具体而言是统计每个商品ID的出现次数N。例如以HQL语句select商品ID，count(会话ID)from View group by商品ID来实现。其结果例如表示为(View.商品ID，N)。

步骤S23：对用户的浏览数据和用户的购买数据进行关联计算用以确定同类目商品相似度或商品搭配度，在此例如通过HQL语句对用户浏览数据和用户购买数据进行join运算。其中，同类目商品相似度是指用户从登陆到退出购物网站的一次访问中浏览商品I_i但却购买与之同类目的商品I_j的情况，而商品搭配度是指用户从登陆到退出购物网站的一次访问中用户浏览商品I_i但却购买与之不同类目的商品I_j的情况。例如以HQL语言来加以说明，即，当join条件为：(View.会话ID＝Buy.会话ID and View.类目ID＝Buy.类目ID)或(View.会话ID＝Buy.会话ID and View.类目ID！＝Buy.类目ID)时，join后的结果均表示为(View.商品ID，Buy.商品ID，1)。

步骤S24：根据步骤S23的结果统计出任一个商品I_i与所购买的商品I_j共同出现的次数K，统计结果例如表示为(View.商品ID，Buy.商品ID，K)。

步骤S25：根据公式R(I_i，I_j)＝P((I_j|I_i)＝K/N计算出商品I_i与I_j的关联度，也就是浏览商品I_i但却购买商品I_j的几率

步骤S25中计算出的结果应存储在推荐对象模块的存储系统中，该推荐对象模块将在下文中具体阐释。

如图3所示，图1的步骤S3中基于在线购物周期来计算购物意图商品的步骤如下：

步骤S31：由用户行为日志得到在线购物周期内的用户行为序列。例如将用户行为日志按照会话ID和用户ID聚合并形成用户行为序列，表2示例性地示出如何形成用户行为序列，

会话ID	用户ID	行为序列	最后购买
				1	Uid1	S1,S2,S3,…	I
2	Uid2	S1,S2,S3,…	NULL

其中，客户的行为序列可以表示为{S_i}，而S_i则是该行为序列中任意一个行为且可以表示为S_i＝(行为时长，行为类型，商品ID)，行为序列中各个行为S1,S2,S3…是按照它们的行为时长做升序排列的，也就是说行为序列中的第一个行为S1的行为时长是最短的，后面的行为S2,S3…的行为时长是依次增大的。最后购买的商品I可能是行为序列{S_i}中涉及到的某个商品，但其也可以为空值。

步骤S32：在考虑最后购买商品I在用户行为序列中出现的频率、用户对最后购买商品I实施行为的时长以及用户行为的类型的情况下构建出最后购买商品I的偏好函数Pre(I)。

可以很明显地看出：

a)最后购买的商品I的商品ID在{S_i}中出现的频率越高，用户对该商品I越偏好；

b)用户对最后购买的商品I实施行为的行为时长在{S_i}中越大，用户对该商品I越偏好；

c)用户对最后购买的商品I的行为类型影响用户对该商品I的偏好。

基于以上因素，假定{S_i}序列长度为N，商品I在{S_i}中(以商品ID的方式)出现的位置的集合是{P_i}，1≤P_i≤N，行为类型的权重因子表示为{W_i}，其中∑W_i＝1。根据以上信息，例如可以得到计算公式：

其中

w_p表示位置p所对应的行为权重。

在此，对位置的集合{P_i}，1≤P_i≤N进行示例性的解释，假设行为序列{S_i}的长度为4，也就是仅由四个行为构成的序列，即，S1,S2,S3,S4，并且最终购买的商品I的商品ID在第一个行为S1和第三个S3中被涉及到，那么最终购买的商品I的位置集合{P_i}是序列1,3，也就是所属行为在行为序列{S_i}中的位置构成的序列。

步骤S33：对在线购物周期内的用户行为序列中的最后购买商品I的偏好值进行计算并与预先给定的偏好阈值进行比较，选出偏好值大于所述预先给定的偏好阈值的商品作为用户购物意图商品。

如图4所示，根据本发明的实施例，本发明提供了一种基于用户行为序列挖掘的商品推荐装置40，所述商品推荐装置包括：获得行为数据模块401、推荐对象模块402、用户兴趣模块403，其中，所述获得行为数据模块401用以从用户对待选商品的行为来获得行为数据并将其实时采集到用户行为日志中，所述行为数据包括离线购物周期内的行为数据和在线购物周期内的行为数据，所述推荐对象模块402基于离线购物周期地采用频繁模式挖掘的思想来计算商品关联度，并且所述用户兴趣模块403在关联度大于预定阈值的商品集合中，基于在线购物周期来计算用户意图购买商品，作为待被推荐给用户的商品。

根据本发明的实施例，本发明还提供了一种电子设备和一种可读存储介质。

本发明实施例的电子设备包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行本发明所提供的一种基于用户行为序列挖掘的商品推荐方法。

本发明实施例的计算机可读存储介质，所述计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行本发明所提供的基于用户行为序列挖掘的商品推荐方法。

图5是执行根据本发明实施例的基于用户行为序列挖掘的商品推荐方法的电子设备的硬件结构示意图。如图5所示，该电子设备包括：一个或多个处理器52以及存储器51，图5中以一个处理器52为例。其中，存储器51即为本发明所提供的计算机可读存储介质。

该电子设备还可以包括：输入装置53和输出装置54。

处理器52、存储器51、输入装置53和输出装置54可以通过总线或者其他方式连接，图5中以通过总线连接为例。

存储器51作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序，如本发明实施例中的基于用户行为序列挖掘的商品推荐方法的步骤S1至S3。处理器52通过运行存储在存储器51中的软件程序、指令等，从而执行基于用户行为序列挖掘的商品推荐方法。

输入装置53可接收输入的访问信息。输出装置54可包括显示屏等显示设备。

上述产品可执行本发明实施例所提供的方法。未在本实施例中详尽描述的技术细节，可参见本发明实施例所提供的方法。

上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，取决于设计要求和其他因素，可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (8)

1.一种商品推荐方法，其特征在于，包括如下步骤：

从用户对待选商品的行为来获得行为数据并将其实时采集到用户行为日志中，所述行为数据包括离线购物周期内的行为数据和在线购物周期内的行为数据；

基于离线购物周期内的行为数据，计算商品的关联度；

在所述关联度大于预定阈值的商品集合中，基于在线购物周期内的行为数据来计算用户意图购买商品，作为待被推荐给用户的商品；

所述计算商品的关联度包括：

按照用户的行为类型，从所述离线购物周期内的行为数据中提取用户的浏览数据和用户的购买数据；

统计所述用户的浏览数据中任一个商品I_i的出现次数N；

对所述用户的浏览数据和所述用户的购买数据进行关联计算，以确定同类目商品相似度或商品搭配度，其中，所述同类目商品相似度是指用户从登陆到退出购物网站的一次访问中浏览商品I_i但却购买与之同类目的商品I_i的情况，所述商品搭配度是指用户从登陆到退出购物网站的一次访问中用户浏览商品I_i但却购买与之不同类目的商品I_i的情况；

根据所述关联计算的结果统计出所述任一个商品I_i与所购买的商品I_i共同出现的次数K；以及

根据公式R(I_i，I_i)＝K/N计算出商品I_i与I_i的关联度，作为在浏览商品I_i之后购买商品I_i的可能性；

所述计算用户意图购买商品包括：

由所述用户行为日志得到在线购物周期内的用户行为序列；

构建出最后购买商品I的如下偏好函数Pre(I)，

假定{S_i}序列长度为N，最后购买的商品I在{S_i}中的位置的集合是{P_i}，1≤P_i≤N，行为类型的权重因子为{W_i}，其中∑W_i＝1，

将计算出的偏好值与偏好阈值进行比较并将所述偏好值大于所述偏好阈值的商品作为用户意图购物商品。

2.根据权利要求1所述的方法，其特征在于，

所述行为数据是关于搜索、浏览、收藏、加入购物车以及购买中的至少一项的数据。

3.根据权利要求1所述的方法，其特征在于，所述离线购物周期为一个月。

4.一种基于用户行为序列挖掘的商品推荐装置，其特征在于，所述商品推荐装置包括：获得行为数据模块、推荐对象模块、用户兴趣模块，其中，

所述获得行为数据模块被配置为从用户对待选商品的行为来获得行为数据并将其实时采集到用户行为日志中，所述行为数据包括离线购物周期内的行为数据和在线购物周期内的行为数据；

所述推荐对象模块被配置为基于离线购物周期的行为数据来计算商品关联度，并且

所述用户兴趣模块被配置为在所述关联度大于预定阈值的商品集合中，基于在线购物周期来计算用户意图购买商品，作为待被推荐给用户的商品；

所述计算商品的关联度包括：

按照用户的行为类型，从所述离线购物周期内的行为数据中提取用户的浏览数据和用户的购买数据；

统计所述用户的浏览数据中任一个商品I_i的出现次数N；

对所述用户的浏览数据和所述用户的购买数据进行关联计算，以确定同类目商品相似度或商品搭配度，其中，所述同类目商品相似度是指用户从登陆到退出购物网站的一次访问中浏览商品I_i但却购买与之同类目的商品I_i的情况，所述商品搭配度是指用户从登陆到退出购物网站的一次访问中用户浏览商品I_i但却购买与之不同类目的商品I_i的情况；

根据所述关联计算的结果统计出所述任一个商品I_i与所购买的商品I_i共同出现的次数K；以及

根据公式R(I_i，I_i)＝K/N计算出商品I_i与I_i的关联度，作为在浏览商品I_i之后购买商品I_i的可能性；

所述计算用户意图购买商品包括：

由所述用户行为日志得到在线购物周期内的用户行为序列；

构建出最后购买商品I的如下偏好函数Pre(I)，

假定{S_i}序列长度为N，最后购买的商品I在{S_i}中的位置的集合是{P_i}，1≤P_i≤N，行为类型的权重因子为{W_i}，其中∑W_i＝1，

将计算出的偏好值与偏好阈值进行比较并将所述偏好值大于所述偏好阈值的商品作为用户意图购物商品。

5.根据权利要求4所述的商品推荐装置，其特征在于，所述行为数据是关于搜索、浏览、收藏、加入购物车以及购买中的至少一项的数据。

6.根据权利要求4所述的商品推荐装置，其特征在于，所述离线购物周期为一个月。

7.一种电子设备，其特征在于，包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-3中任一项所述的方法。

8.一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计算机指令，所述计算机指令用于使所述计算机执行权利要求1-3中任一项所述的方法。

Images