CN109598564A - 一种具有时效性的用户对商品感兴趣程度的计算方法及装置 - Google Patents

Abstract

本发明提供一种具有时效性的用户对商品感兴趣程度的计算方法，其根据一定时长内用户访问某一商品的次数，每次访问该商品详情页的时间长度，访问与该商品同类别的相关产品次数，定义感兴趣指数为：θint(感兴趣指数)＝βfrq(访问频率系数)×γtme(访问时长系数)×λnum(访问同类型商品次数系数)×100％。本发明还提供一种提升二次营销成功率的方法，所述方法将所述用户浏览的商品按照感兴趣指数排序并进行优先推送，所述方法还可以将某一店铺中所述用户对各商品的感兴趣程度呈现在所述店铺的运营后台，用于运营人员制定二次营销策略。本发明还提供了对应的装置。本发明将有助于二次营销，也有助于用户尽快触达兴趣点。

Description

一种具有时效性的用户对商品感兴趣程度的计算方法及装置

技术领域

本发明涉及互联网电商领域，具体地说，是一种具有时效性的用户对商品感兴趣程度的计算方法及装置。

背景技术

目前主流电商平台通过用户访问过的商品类型推荐相关商品，电商管理后台仅有用户访问商品的简单参数，如：访问次数、点击量、页面跳出率，无法直观准确的帮助商户运营人员判断用户对于商品的感兴趣程度，对于商品的二次营销形成阻碍，且用户较难触达自己感兴趣的商品，购物体验差。

专利CN102929959A，公开日20130213，公开了一种基于用户行为的图书推荐方法，包括：根据用户在当前一天中对图书的浏览时间、访问次数、访问路径数、每条访问路径的访问次数、访问路径深度以及图书的内容字节数，计算出每位用户对其所浏览图书的用户-图书兴趣度；基于用户-图书兴趣度计算用户之间的相似度，并为目标用户选择若干个相似度高的邻居用户，然后将邻居用户已阅读而目标用户尚未阅读的图书向目标用户推荐。

专利文献CN105469263A，公开日20160406，公开了一种商品推荐方法，包括：获取用户浏览商品的历史行为数据；根据当前用户的用户信息、所述历史行为数据以及可供推荐的商品属性值组合，采用预先生成的商品属性值预测模型，获取所述当前用户目前感兴趣的商品属性值组合；获取与所述当前用户目前感兴趣的商品属性值组合对应的商品集合，并将所述商品集合中的商品中之至少一部分推荐给所述当前用户。所述商品属性值预测模型采用如下方式生成：采用LogisticRegression逻辑回归算法，以用户信息、用户浏览商品的历史行为数据、以及商品属性值组合作为训练集数据，建立所述商品属性值预测模型，该模型用于根据用户的浏览行为预测用户对特定商品属性值组合感兴趣的概率；所述用户对特定商品属性值组合感兴趣是指，用户对符合所述商品属性值组合的商品执行强行为操作，所述强行为包括以下元素中的至少一者：收藏、加入购物车、加入进货单、购买。

专利CN108230051A，公开日20180629，公开了一种基于标签权重算法的用户对商品关注度的确定计算方法，步骤包括：获取电信、电商等用户原始数据；原始数据需要按照用户进行分组，再按照用户浏览的商品(如手机、笔记本电脑、汽车、房产等)进行分类；数据按照商品型号分组、时间排序、网址、次数分组；按照标签权重公式计算，计算用户对某种商品的关注度，标签权重＝时间衰减因子×网址子权重×次数权重，时间衰减因子——时间越近，权重越高，如现在是2017.12.31日，最近一个星期2017.12.24～2017.12.30的权重为1，往前一个星期2017.12.17～2017.12.23的权重为0.667，再前一个星期2017.12.10～2017.12.16的权重为0.444，再前一个星期2017.12.03～2017.12.09的权重为0.296，再往前的权重为0；网址权重——网站PC端的权重，设置成1.0，如京东PC端、淘宝PC端、汽车类PC端、房产类PC端等，手机端的权重，设置成2，如京东、淘宝、汽车类、房产类移动端等；次数权重——时间衰减因子相同时间段类，浏览1次权重1.0，2次权重1.5，3～5次权重2，6～10权重2.5，11～50次以上权重3，51～100次以上权重2.5，100次以上权重1.5；根据标签权重公式计算各商品型号的关注度；最后按照关注度(标签权重)排序，确定用户对某商品型号的关注度。

然而，为提升商品二次营销的成功率，需要商户运营人员计算具有时效性的用户对各商品的感兴趣程度，以进一步安排有效的营销策略。准确计算具有时效性的用户对各商品的感兴趣程度离不开关键参数的精准选择和历史数据的恰当选取。上述各专利文献的方法在提升商品二次营销的成功率方面仍有不足。

发明内容

本发明针对现有技术中的不足，第一方面，提供一种具有时效性的用户对商品感兴趣程度的计算方法，应用以下公式计算：

θint＝βfrq×γtme×λnum×100％；

其中，θint表示感兴趣指数；

Βfrq表示访问频率系数，计算公式为：βfrq＝SUM(D1vst to Dxvst)/TOTALprod-vst，即以距离今天D1任意天数Dx的范围作为计算用户访问所述商品的商品详情页次数的时间跨度，进行该时段的所述商品的访问总次数的综合计算，并计算出该时段内所述用户对所述商品的访问总次数在电商平台所有商品的访问总次数的占比；

γtme表示访问时长系数，计算公式为：γtme＝SUM(D1tme to Dxtme)/TOTALprod-tme，即以距离今天D1任意天数Dx的范围作为用户访问所述商品的商品详情页累计时长的时间跨度，进行该时段的所述商品的商品详情页访问时长综合计算，并计算出该时段内所述用户对所述商品的商品详情页访问累计时长在电商平台所有商品的商品详情页访问累计时长的占比；

λnum表示访问同类型商品次数系数，计算公式为：λnum＝SUM(D1num to Dxnum)/TOTALprod-num，即以距离今天D1任意天数Dx的范围作为计算用户访问与所述商品同类型商品次数的时间跨度，进行该时段的同类型商品访问总次数综合计算，并计算出该时段内所述用户对所述商品同类型商品访问次数在电商平台所述商品以外的同类型商品访问总次数中占比的平均值。

作为一个优选例，所述Dx的数值范围为1-7。

作为另一优选例，所述具有时效性的用户对商品感兴趣程度的计算方法还包括以下步骤：获取用户在前Dx天的浏览所述商品所在电商平台的所有商品的历史行为数据，所述历史行为数据包括用户信息、商品信息和行为信息，所述行为信息至少包括访问所述商品所在电商平台各商品详情页的次数和访问各商品详情页的时长。

第二方面，本发明提供一种具有时效性的用户对商品感兴趣程度的计算装置，包括：

历史行为数据获取单元，用于获取用户在前Dx天的浏览所述商品所在电商平台的所有商品的历史行为数据，所述历史行为数据包括用户信息、商品信息和行为信息，所述行为信息至少包括访问所述商品所在电商平台各商品详情页的次数和访问各商品详情页的时长；

感兴趣指数计算单元，用于根据所述具有时效性的用户对商品感兴趣程度的计算方法计算得到用户对所述商品的感兴趣指数。

第三方面，本发明提供一种提升二次营销成功率的方法，包括以下步骤：

S1，获取用户在前Dx天的浏览某一电商平台的各商品的历史行为数据，所述历史行为数据包括用户信息、商品信息和行为信息，所述行为信息至少包括访问所述电商平台各商品详情页的次数、访问各商品详情页的时长；

S2，根据所述具有时效性的用户对商品感兴趣程度的计算方法计算得到用户对各商品的感兴趣指数。

作为一个优选例，所述提升二次营销成功率的方法进一步包括以下步骤：

S301，将用户所浏览的所述电商平台的各商品根据计算得到的感兴趣指数进行排序；

S401，将用户感兴趣指数高的商品优先推送给用户。

作为另一优选例，所述提升二次营销成功率的方法进一步包括以下步骤：

S302，电商平台系统将某一店铺中所述用户对各商品的感兴趣程度呈现在所述店铺的运营后台；

S402，所述店铺的运营人员根据所述店铺运营后台的所述用户对各商品的感兴趣程度，制定二次营销策略。

第四方面，本发明提供一种提升二次营销成功率的装置，包括：

历史行为数据获取单元，用于获取用户在前Dx天的浏览商品所在电商平台的所有商品的历史行为数据，所述历史行为数据包括用户信息、商品信息和行为信息，所述行为信息至少包括访问所述商品所在电商平台各商品详情页的次数和访问各商品详情页的时长；

感兴趣指数计算单元，用于根据所述具有时效性的用户对商品感兴趣程度的计算方法计算得到用户对所述商品的感兴趣指数。

作为一个优选例，所述提升二次营销成功率的装置还包括：

商品排序单元，用于电商平台系统将用户所浏览的所述电商平台的各商品根据计算得到的感兴趣指数进行排序；

商品推送单元，用于电商平台系统将用户感兴趣指数高的商品优先推送给用户。

作为另一优选例，所述提升二次营销成功率的装置还包括：

感兴趣指数呈现单元，用于电商平台系统将某一店铺中所述用户对各商品的感兴趣程度呈现在所述店铺的运营后台；

用户管理单元，用于所述店铺的运营人员根据所述店铺运营后台的所述用户对各商品的感兴趣程度，制定二次营销策略。

本发明优点在于：

1、本发明恰当地选择了关键参数，计算得到的具有时效性的用户对商品感兴趣程度符合用户对商品的实际感兴趣程度，能准确反映用户实际需求，准确度高；

2、本发明可以将用户对商品感兴趣程度的计算结果直观呈现在店铺运营后台，运营管理者能直观的看到用户对于商品的感兴趣程度，进行更有针对性的有效提升二次营销成功率；

3、本发明能实现在数据层面监测到用户面对一款商品的感兴趣程度的高低，帮助用户在电商平台浏览选择商品时更容易访问到自己感兴趣的推荐商品。当用户感兴趣程度高时，系统推荐同类型相关产品，帮助提升用户购买转化率；当用户感兴趣程度低时，系统推荐不同类型相关产品，帮助用户尽快触达自己的兴趣点。从而提升电商平台的用户体验。

附图说明

附图1是本发明实施例1具有时效性的用户对商品感兴趣程度的计算方法的示意图。

附图2是本发明实施例2具有时效性的用户对商品感兴趣程度的计算方法的示意图。

附图3是本发明实施例3促进商品二次营销的方法的示意图。

附图4是本发明实施例4具有时效性的用户对商品感兴趣程度的计算装置的示意图。

附图5是本发明实施例5提升二次营销成功率的装置的示意图。

附图6是本发明实施例6提升二次营销成功率的装置的示意图。

具体实施方式

下面结合附图对本发明提供的具体实施方式作详细说明。

附图中涉及的附图标记和组成部分如下所示：

1.历史行为数据获取单元 2.感兴趣指数计算单元

31.商品排序单元 41.商品推送单元

32.感兴趣指数呈现单元 42.用户管理单元

实施例1本发明一种具有时效性的用户对商品感兴趣程度的计算方法

请参见图1，图1是本发明实施例1具有时效性的用户对商品感兴趣程度的计算方法的示意图。

在电商平台上，判断用户对于一件商品是否感兴趣的关键参数在于：一定时长内用户访问该商品的次数，用户每次访问该商品的商品详情页的时间长度，用户访问与该商品同类别的相关产品次数。基于此，我们提出用户感兴趣指数算法，用户感兴趣指数公式结构：θint(感兴趣指数)＝βfrq(访问频率系数)×γtme(访问时长系数)×λnum(访问同类型商品次数系数)×100％。

βfrq访问频率系数：

βfrq＝SUM(D1vst to Dxvst)/TOTALprod-vst

计算访问频率系数，我们以距离今天D1任意天数Dx的范围作为计算用户访问该商品的商品详情页次数的时间跨度，进行该时段的该商品访问总次数的综合计算，并计算出该商品在这段时间内对电商平台所有商品总访问量的占比。

γtme访问时长系数：

γtme＝SUM(D1tme to Dxtme)/TOTALprod-tme

计算访问时长系数，我们以距离今天D1任意天数Dx的范围作为用户访问该商品的商品详情页累计时长的时间跨度，进行该时段该详情页访问时长综合计算，并计算出该详情页累计访问时长在全平台详情页访问累计时长的占比。

λnum访问同类型商品次数系数：

λnum＝SUM(D1num to Dxnum)/TOTALprod-num

计算访问同类型商品次数系数，我们以距离今天D1任意天数Dx的范围作为计算用户访问与该商品同类型商品次数的时间跨度，进行该时段的同类型商品访问总次数综合计算，并计算出该时段内该商品同类型商品访问次数在所有商品访问总次数中占比的平均值。

基于上述用户感兴趣指数算法，提供一种具有时效性的用户对商品感兴趣程度的计算方法，所述具有时效性的用户对商品感兴趣程度的计算方法包括计算所述用户感兴趣指数的步骤，且Dx为1-7天。

应用实例：

假设某商户运营人员要计算自己店铺中距离今天3天时间跨度内，用户对于A商品的感兴趣指数λA，已知用户访问该商品详情页3天时长内：访问商品A详情页总共25次，访问该电商平台所有商品详情页总共200次；访问商品A累计总时长为2000秒，访问该电商平台累计总时长为100000秒；用户访问商品A以外同类型的商品详情页总共50次。则有：λA＝(25/200)×(2000/100000)×(50/200)×100％＝0.0625％。

假设某商户运营人员要计算自己店铺中距离今天3天时间跨度内，用户对于B商品的感兴趣系指数λB，已知用户访问该商品详情页3天时长内：访问商品B详情页总共100次，访问该电商平台所有商品详情页总共200次；访问商品B累计总时长为30000秒，访问该电商平台累计总时长为100000秒；用户访问商品B以外同类型的商品详情页总共100次。则有：λB＝(100/200)×(30000/100000)×(100/200)×100％＝7.5％。

根据以上结果该商户运营人员很容易看出用户对于商品B的感兴趣程度远超过商品A，且由于选取的时间跨度为距离感兴趣系指数计算日的3天内，因此具有时效性，能代表用户近期的购买意向，故可进一步根据该结果制定销售策略。

实施例2本发明另一种具有时效性的用户对商品感兴趣程度的计算方法

请参见图2，图2是本发明实施例2具有时效性的用户对商品感兴趣程度的计算方法的示意图。

本实施例具有时效性的用户对商品A感兴趣程度的计算方法包括以下步骤：

S1，获取用户在前Dx天的浏览商品A所在电商平台的商品的历史行为数据，所述历史行为数据包括用户信息、商品信息和行为信息，所述用户信息选自用户ID、用户姓名、用户手机号的一种或几种，但不限于此；所述商品信息至少包括商品标识和商品类型(即商品类目)，所述商品标识选自商品ID、商品名称、商品照片的一种或几种，但不限于此；所述行为信息至少包括访问商品A所在电商平台各商品详情页的次数、访问各商品详情页的时长。

S2，计算用户对商品的感兴趣指数，公式结构：θint(感兴趣指数)＝βfrq(访问频率系数)×γtme(访问时长系数)×λnum(访问同类型商品次数系数)×100％。

βfrq访问频率系数：

βfrq＝SUM(D1vst to Dxvst)/TOTALprod-vst

计算访问频率系数，以距离今天D1天数Dx的范围作为计算用户访问商品A详情页的时间跨度，进行该时段的商品A访问总次数的综合计算，并计算出商品A在这段时间内对电商平台所有商品总访问量的占比。

γtme访问时长系数：

γtme＝SUM(D1tme to Dxtme)/TOTALprod-tme

计算访问时长系数，以距离今天D1天数Dx的范围作为用户访问商品A详情页累计时长的时间跨度，进行该时段该详情页访问时长综合计算，并计算出该详情页累计访问时长在全平台详情页访问累计时长的占比。

λnum访问同类型商品次数系数：

λnum＝SUM(D1num to Dxnum)/TOTALprod-num

计算访问同类型商品次数系数，以距离今天D1任意天数Dx的范围作为计算用户访问与商品A同类型商品次数的时间跨度，进行该时段的同类型商品访问总次数综合计算，并计算出该时段内商品A同类型商品访问次数在所有商品访问总次数中占比的平均值。

实施例3本发明一种提升二次营销成功率的方法

请参见图3，图3是本发明实施例3提升二次营销成功率的方法的示意图。本实施例的提升二次营销成功率的方法包括以下步骤：

S1，获取用户在前Dx天的浏览某一电商平台的各商品的历史行为数据，所述历史行为数据包括用户信息、商品信息和行为信息，所述用户信息选自用户ID、用户姓名、用户手机号的一种或几种，但不限于此；所述商品信息至少包括商品标识和商品类型(即商品类目)，所述商品标识选自商品ID、商品名称、商品照片的一种或几种，但不限于此；所述行为信息至少包括访问所述电商平台各商品详情页的次数、访问各商品详情页的时长。

S2，计算用户对各商品的感兴趣指数，公式结构：θint(感兴趣指数)＝βfrq(访问频率系数)×γtme(访问时长系数)×λnum(访问同类型商品次数系数)×100％。

βfrq访问频率系数：

βfrq＝SUM(D1vst to Dxvst)/TOTALprod-vst

计算访问频率系数，以距离今天D1天数Dx的范围作为计算用户访问各商品详情页的时间跨度，进行该时段的各商品访问总次数的综合计算，并计算出各商品在这段时间内对电商平台所有商品总访问量的占比。

γtme访问时长系数：

γtme＝SUM(D1tme to Dxtme)/TOTALprod-tme

计算访问时长系数，以距离今天D1天数Dx的范围作为用户访问各商品详情页累计时长的时间跨度，进行该时段各商品详情页访问时长综合计算，并计算出各商品详情页累计访问时长在全平台详情页访问累计时长的占比。

λnum访问同类型商品次数系数：

λnum＝SUM(D1num to Dxnum)/TOTALprod-num

计算访问各商品的同类型商品次数系数，以距离今天D1任意天数Dx的范围作为计算用户访问与各商品同类型商品次数的时间跨度，进行该时段的同类型商品访问总次数综合计算，并计算出该时段内各商品同类型商品访问次数在所有商品访问总次数中占比的平均值。

S301，将用户所浏览的所述电商平台的各商品根据计算得到的感兴趣指数进行排序。

S401，将用户感兴趣指数高的商品优先推送给用户。

实施例4本发明一种具有时效性的用户对商品感兴趣程度的计算装置

请参见图4，图4是本发明实施例4具有时效性的用户对商品感兴趣程度的计算装置的示意图。所述装置包括：

历史行为数据获取单元1，用于获取用户在前Dx天的浏览商品A所在电商平台的商品的历史行为数据，所述历史行为数据包括用户信息、商品信息和行为信息，所述用户信息选自用户ID、用户姓名、用户手机号的一种或几种，但不限于此；所述商品信息至少包括商品标识和商品类型(即商品类目)，所述商品标识选自商品ID、商品名称、商品照片的一种或几种，但不限于此；所述行为信息至少包括访问商品A所在电商平台各商品详情页的次数、访问各商品详情页的时长。

感兴趣指数计算单元2，用于根据公式计算用户对商品A的感兴趣指数，所述公式为：θint(感兴趣指数)＝βfrq(访问频率系数)×γtme(访问时长系数)×λnum(访问同类型商品次数系数)×100％。

βfrq访问频率系数：

βfrq＝SUM(D1vst to Dxvst)/TOTALprod-vst

计算访问频率系数，以距离今天D1天数Dx的范围作为计算用户访问商品A详情页的时间跨度，进行该时段的商品A访问总次数的综合计算，并计算出商品A在这段时间内对电商平台所有商品总访问量的占比。

γtme访问时长系数：

γtme＝SUM(D1tme to Dxtme)/TOTALprod-tme

计算访问时长系数，以距离今天D1天数Dx的范围作为用户访问商品A详情页累计时长的时间跨度，进行该时段该详情页访问时长综合计算，并计算出该详情页累计访问时长在全平台详情页访问累计时长的占比。

λnum访问同类型商品次数系数：

λnum＝SUM(D1num to Dxnum)/TOTALprod-num

计算访问同类型商品次数系数，以距离今天D1任意天数Dx的范围作为计算用户访问与商品A同类型商品次数的时间跨度，进行该时段的同类型商品访问总次数综合计算，并计算出该时段内商品A同类型商品访问次数在所有商品访问总次数中占比的平均值。

实施例5本发明一种提升二次营销成功率的装置

请参见图5，图5是本发明实施例5提升二次营销成功率的装置的示意图。

所述装置包括：

历史行为数据获取单元1，用于获取用户在前Dx天的浏览电商平台的商品的历史行为数据，所述历史行为数据包括用户信息、商品信息和行为信息，所述用户信息选自用户ID、用户姓名、用户手机号的一种或几种，但不限于此；所述商品信息至少包括商品标识和商品类型(即商品类目)，所述商品标识选自商品ID、商品名称、商品照片的一种或几种，但不限于此；所述行为信息至少包括访问各商品详情页的次数、访问各商品详情页的时长。

感兴趣指数计算单元2，用于根据公式计算用户对商品的感兴趣指数，所述公式为：θint(感兴趣指数)＝βfrq(访问频率系数)×γtme(访问时长系数)×λnum(访问同类型商品次数系数)×100％

βfrq访问频率系数：

βfrq＝SUM(D1vst to Dxvst)/TOTALprod-vst

计算访问频率系数，以距离今天D1天数Dx的范围作为计算用户访问各商品详情页的时间跨度，进行该时段的各商品访问总次数的综合计算，并计算出各商品在这段时间内对电商平台所有商品总访问量的占比。

γtme访问时长系数：

γtme＝SUM(D1tme to Dxtme)/TOTALprod-tme

计算访问时长系数，以距离今天D1天数Dx的范围作为用户访问各商品详情页累计时长的时间跨度，进行该时段各商品详情页访问时长综合计算，并计算出各商品详情页累计访问时长在全平台详情页访问累计时长的占比。

λnum访问同类型商品次数系数：

λnum＝SUM(D1num to Dxnum)/TOTALprod-num

计算访问同类型商品次数系数，以距离今天D1任意天数Dx的范围作为计算用户访问与各商品同类型商品次数的时间跨度，进行该时段的各商品同类型商品访问总次数综合计算，并计算出该时段内各商品同类型商品访问次数在所有商品访问总次数中占比的平均值。

商品排序单元31，用于电商平台系统将用户所浏览的所述电商平台的各商品根据计算得到的感兴趣指数进行排序。

商品推送单元41，用于电商平台系统将用户感兴趣指数高的商品优先推送给用户。需要说明的是，所述商品推送单元41还可设定一个临界值，例如，当所述用户对商品的感兴趣指数存在大于等于50％的情况时，将用户对商品的感兴趣指数大于等于50％的商品及其同类型相关产品优先推送给用户，而当所述用户对商品的感兴趣指数均小于50％时，则将用户对商品的感兴趣指数均小于50％的商品其类型以外的其他类型商品优先推送给用户。

实施例6本发明另一种提升二次营销成功率的装置

请参见图6，图6是本发明实施例6提升二次营销成功率的装置的示意图。

所述装置包括：

历史行为数据获取单元1，用于获取用户在前Dx天的浏览电商平台的商品的历史行为数据，所述历史行为数据包括用户信息、商品信息和行为信息，所述用户信息选自用户ID、用户姓名、用户手机号的一种或几种，但不限于此；所述商品信息至少包括商品标识和商品类型(即商品类目)，所述商品标识选自商品ID、商品名称、商品照片的一种或几种，但不限于此；所述行为信息至少包括访问各商品详情页的次数、访问各商品详情页的时长。

感兴趣指数计算单元2，用于根据公式计算用户对商品的感兴趣指数，所述公式为：θint(感兴趣指数)＝βfrq(访问频率系数)×γtme(访问时长系数)×λnum(访问同类型商品次数系数)×100％。

βfrq访问频率系数：

βfrq＝SUM(D1vst to Dxvst)/TOTALprod-vst

计算访问频率系数，以距离今天D1天数Dx的范围作为计算用户访问各商品详情页的时间跨度，进行该时段的各商品访问总次数的综合计算，并计算出各商品在这段时间内对电商平台所有商品总访问量的占比。

γtme访问时长系数：

γtme＝SUM(D1tme to Dxtme)/TOTALprod-tme

计算访问时长系数，以距离今天D1天数Dx的范围作为用户访问各商品详情页累计时长的时间跨度，进行该时段各商品详情页访问时长综合计算，并计算出各商品详情页累计访问时长在全平台详情页访问累计时长的占比。

λnum访问同类型商品次数系数：

λnum＝SUM(D1num to Dxnum)/TOTALprod-num

计算访问同类型商品次数系数，以距离今天D1任意天数Dx的范围作为计算用户访问与各商品同类型商品次数的时间跨度，进行该时段的各商品的同类型商品访问总次数综合计算，并计算出该时段内各商品同类型商品访问次数在所有商品访问总次数中占比的平均值。

感兴趣指数呈现单元32，用于电商平台系统将某一店铺中某一用户对各商品的感兴趣程度呈现在所述店铺的运营后台。

用户管理单元42，用于所述店铺的运营人员根据所述店铺运营后台的所述用户对各商品的感兴趣程度，制定二次营销策略。所述二次营销策略包括但不限于针对所述用户优先推送感兴趣指数高的商品、向所述用户推送手机短信。

实施例7方法测试

招募20名志愿者，各志愿者近期内均有2-3项购物需求，搭建电商平台供志愿者使用，测试期为7天，测试期每个志愿者保证每日至少1个小时的搜索时间，但不产生实际购物行为。第4天开始应用实施例6所述装置由相关店铺运营人员向志愿者推送感兴趣指数高的商品，于测试期结束，分发评分表给每位志愿者，对购物平台的使用体验以及推送商品与实际感兴趣商品的符合度进行打分，每个指标总分10分，分值越高，表明体验越好或符合度越高。然后由志愿者讲述与其他购物平台使用体验上的差异。结果表明，20名志愿者对该购物平台的使用体验平均分为7.3分，推送商品与实际感兴趣商品的符合度平均分为8.5分，均讲述该购物平台较其他平台明显能更快捷地找到自己感兴趣的商品。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员，在不脱离本发明方法的前提下，还可以做出若干改进和补充，这些改进和补充也应视为本发明的保护范围。

Claims (10)

1.一种具有时效性的用户对商品感兴趣程度的计算方法，其特征在于，应用以下公式计算：

θint＝βfrq×γtme×λnum×100％；

其中，θint表示感兴趣指数；

Βfrq表示访问频率系数，计算公式为：βfrq＝SUM(D1vst to Dxvst)/TOTALprod-vst，即以距离今天D1任意天数Dx的范围作为计算用户访问所述商品的商品详情页次数的时间跨度，进行该时段的所述商品的访问总次数的综合计算，并计算出该时段内所述用户对所述商品的访问总次数在电商平台所有商品的访问总次数的占比；

γtme表示访问时长系数，计算公式为：γtme＝SUM(D1tme to Dxtme)/TOTALprod-tme，即以距离今天D1任意天数Dx的范围作为用户访问所述商品的商品详情页累计时长的时间跨度，进行该时段的所述商品的商品详情页访问时长综合计算，并计算出该时段内所述用户对所述商品的商品详情页访问累计时长在电商平台所有商品的商品详情页访问累计时长的占比；

λnum表示访问同类型商品次数系数，计算公式为：λnum＝SUM(D1num to Dxnum)/TOTALprod-num，即以距离今天D1任意天数Dx的范围作为计算用户访问与所述商品同类型商品次数的时间跨度，进行该时段的同类型商品访问总次数综合计算，并计算出该时段内所述用户对所述商品同类型商品访问次数在电商平台所述商品以外的同类型商品访问总次数中占比的平均值。

2.根据权利要求1所述的具有时效性的用户对商品感兴趣程度的计算方法，其特征在于，所述Dx的数值范围为1-7。

3.根据权利要求1所述的具有时效性的用户对商品感兴趣程度的计算方法，其特征在于，所述具有时效性的用户对商品感兴趣程度的计算方法还包括以下步骤：获取用户在前Dx天的浏览所述商品所在电商平台的所有商品的历史行为数据，所述历史行为数据包括用户信息、商品信息和行为信息，所述行为信息至少包括访问所述商品所在电商平台各商品详情页的次数和访问各商品详情页的时长。

4.一种具有时效性的用户对商品感兴趣程度的计算装置，其特征在于，包括：

历史行为数据获取单元，用于获取用户在前Dx天的浏览所述商品所在电商平台的所有商品的历史行为数据，所述历史行为数据包括用户信息、商品信息和行为信息，所述行为信息至少包括访问所述商品所在电商平台各商品详情页的次数和访问各商品详情页的时长；

感兴趣指数计算单元，用于根据权利要求1所述具有时效性的用户对商品感兴趣程度的计算方法计算得到用户对所述商品的感兴趣指数。

5.一种提升二次营销成功率的方法，其特征在于，包括以下步骤：

S1，获取用户在前Dx天的浏览某一电商平台的各商品的历史行为数据，所述历史行为数据包括用户信息、商品信息和行为信息，所述行为信息至少包括访问所述电商平台各商品详情页的次数、访问各商品详情页的时长；

S2，根据权利要求1所述具有时效性的用户对商品感兴趣程度的计算方法计算得到用户对各商品的感兴趣指数。

6.根据权利要求5所述的提升二次营销成功率的方法，其特征在于，进一步包括以下步骤：

S301，将用户所浏览的所述电商平台的各商品根据计算得到的感兴趣指数进行排序；

S401，将用户感兴趣指数高的商品优先推送给用户。

7.根据权利要求5所述的提升二次营销成功率的方法，其特征在于，进一步包括以下步骤：

S302，电商平台系统将某一店铺中所述用户对各商品的感兴趣程度呈现在所述店铺的运营后台；

S402，所述店铺的运营人员根据所述店铺运营后台的所述用户对各商品的感兴趣程度，制定二次营销策略。

8.一种提升二次营销成功率的装置，其特征在于，包括：

历史行为数据获取单元，用于获取用户在前Dx天的浏览商品所在电商平台的所有商品的历史行为数据，所述历史行为数据包括用户信息、商品信息和行为信息，所述行为信息至少包括访问所述商品所在电商平台各商品详情页的次数和访问各商品详情页的时长；

感兴趣指数计算单元，用于根据权利要求1所述具有时效性的用户对商品感兴趣程度的计算方法计算得到用户对所述商品的感兴趣指数。

9.根据权利要求8所述的提升二次营销成功率的装置，其特征在于，还包括：

商品排序单元，用于电商平台系统将用户所浏览的所述电商平台的各商品根据计算得到的感兴趣指数进行排序；

商品推送单元，用于电商平台系统将用户感兴趣指数高的商品优先推送给用户。

10.根据权利要求8所述的提升二次营销成功率的装置，其特征在于，还包括：

感兴趣指数呈现单元，用于电商平台系统将某一店铺中所述用户对各商品的感兴趣程度呈现在所述店铺的运营后台；

用户管理单元，用于所述店铺的运营人员根据所述店铺运营后台的所述用户对各商品的感兴趣程度，制定二次营销策略。