CN109934646B - 预测新商品关联购买行为的方法及装置 - Google Patents

Abstract

本公开涉及数据处理技术领域，尤其涉及建立关联购买相似度与商品属性之间关系的方法及装置、预测新商品关联购买行为的方法及装置、存储介质、电子设备。该预测新商品关联购买行为的方法包括：利用关联购买相似度与商品属性之间的关系，计算新商品与同类各现有商品的关联购买相似度；根据所述新商品与同类各现有商品的关联购买相似度以及同类各现有商品的关联购买行为预测与所述新商品关联购买的商品。本公开的方案实现了在商品属性层面上计算新商品分别与现有商品的关联购买相似度。另外，实现了对新商品的关联购买商品的预测。

Description

预测新商品关联购买行为的方法及装置

技术领域

本公开涉及数据处理技术领域，尤其涉及一种建立关联购买相似度与商品属性之间关系的方法及装置、预测新商品关联购买行为的方法及装置、存储介质、电子设备。

背景技术

在商品的销售和购买过程中，常常出现在一次购买行为中购买多个商品的情况。例如，购买iphone7手机的消费者同时也购买了iphone7 手机的手机壳和屏幕贴膜。基于此，通过分析大量的订单数据，获取商品之间的关联关系，进而发掘出经常被共同购买的商品，为经营者提供商品摆放、促销、仓储等方面的建议。

目前，常用的获取商品之间的关联关系的方法为Louvain算法(社区发现算法)。该Louvain算法可以根据两个商品被共同购买的次数以及上述两个商品各自参与的共同购买的次数计算该商品之间的社区聚合度，从而根据两个商品之间的社区聚合度发掘出经常被共同购买的商品，从而为经营者提供商品摆放、促销、仓储等方面的建议。

然而，在上述方式中，一方面，仅在商品层面上挖掘商品之间的关联关系，无法在商品属性层面上挖掘商品之间的关联关系；另一方面，上述获取商品的关联关系的方法仅仅局限于现有商品，无法预测新商品与现有商品之间的关联关系。

需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

本公开的目的在于提供一种建立关联购买相似度与商品属性之间关系的方法及装置、一种预测新商品关联购买行为的方法及装置、存储介质、电子设备，便于预测新商品的关联购买商品。

根据本公开的一个方面，提供一种建立关联购买相似度与商品属性之间关系的方法，包括：

构造多个同类商品中每个商品的商品属性；

计算所述多个同类商品中全部任意两个商品之间的关联购买相似度；

使用机器学习方法建立两个商品的关联购买相似度与所述两个商品的商品属性之间的关系。

在本公开的一种示例性实施例中，所述构造多个同类商品中每个商品的商品属性包括：

对每个商品的商品信息进行自然语言处理，以得到每个商品的多组属性和属性值；

对于属性值为连续变量的属性和属性值组，将相应属性值离散化；

对于属性为共存属性的属性和属性值组，将相应属性值变换为属性且将变换得到的所述属性的属性值设置为布尔值。

在本公开的一种示例性实施例中，所述商品属性表达为如下结构： {Ai：ai，Bij：bij}，其中，Ai为互斥属性，ai为Ai对应的值，Bij为共存属性i的可能值，bij为布尔值。

在本公开的一种示例性实施例中，所述商品信息包括商品标签信息、商品包装规格信息和商品描述信息中的一种或多种。

在本公开的一种示例性实施例中，所述计算所述多个同类商品中全部任意两个商品之间的关联购买相似度包括：

构造商品关联购买网络，所述商品关联购买网络用于表示商品之间的关联购买行为；

构造基于所述商品关联购买网络的相似度评价标准；

利用所述相似度评价标准计算所述多个同类商品中全部任意两个商品之间的关联购买相似度。

在本公开的一种示例性实施例中，所述商品关联购买网络包括：

节点，表征用户购买的商品；

节点之间的边，表征所述边连接的两个商品为关联购买的商品；

边的权值，表征所述边连接的两个商品发生关联购买的次数。

在本公开的一种示例性实施例中，所述相似度评价标准为如下相似度计算公式：

其中，

S_i，j表示节点i的商品与节点j的商品之间的关联购买相似度，ω(α，i)表示节点α与节点i之间的边的权值，ω(α，j)表示节点α与节点 j之间的边的权值，neighbors(i)表示所有与节点i之间存在边的节点， neighbors(j)表示所有与节点j之间存在边的节点，

为0、1运算。

在本公开的一种示例性实施例中，所述机器学习方法包括随机森林拟合方法。

在本公开的一种示例性实施例中，所述使用机器学习方法建立两个商品的关联购买相似度与所述两个商品的商品属性之间的关系包括：

构造所述多个同类商品中全部任意两个商品的联合属性；

以所述全部任意两个商品的联合属性作为输入，以所述全部任意两个商品之间的关联购买相似度作为目标，通过所述随机森林拟合方法，建立两个商品的关联购买相似度与所述两个商品的商品属性之间的关系。

在本公开的一种示例性实施例中，所述联合属性表达为以下联合属性矩阵：

其中，A_ijk表示商品i与商品j第k个属性的联合属性值，T_ik表示商品i第k个属性的属性值,T_jk表示商品j第k个属性的属性值，K表示商品的属性的集合，Y为一大于max(T_ik，T_jk)的常数。

根据本公开的一个方面，提供一种预测新商品关联购买行为的方法，包括：

利用通过根据上述任意一项所述的方法建立的关联购买相似度与商品属性之间的关系，计算新商品与同类各现有商品的关联购买相似度；

根据所述新商品与同类各现有商品的关联购买相似度以及同类各现有商品的关联购买行为预测与所述新商品关联购买的商品。

在本公开的一种示例性实施例中，所述根据所述新商品与同类各现有商品的关联购买相似度以及同类各现有商品的关联购买行为预测与所述新商品关联购买的商品包括：

根据所述新商品与同类各现有商品的关联购买相似度，选取与所述新商品的关联购买相似度最高的前N个现有商品作为候选商品，或者根据所述新商品与同类各现有商品的关联购买相似度，选取与所述新商品的关联购买相似度最高的前N个现有商品，再根据所述前N个现有商品的销量，选择所述前N个现有商品中销量最大的前M个现有商品作为候选商品；

选择与所述候选商品发生关联购买的次数最多的前P个商品作为与所述新商品关联购买的商品。

在本公开的一种示例性实施例中，所述选择与所述候选商品发生关联购买的次数最多的前P个商品作为与所述新商品关联购买的商品包括：

利用商品关联购买网络选择与所述候选商品在预定时间段内发生关联购买的次数最多的前P个商品作为与所述新商品关联购买的商品；

其中，所述商品关联购买网络包括：

节点，表征用户购买的商品；

节点之间的边，表征所述边连接的两个商品为关联购买的商品；

边的权值，表征所述边连接的两个商品发生关联购买的次数。

在本公开的一种示例性实施例中，所述利用商品关联购买网络选择与所述候选商品在预定时间段内发生关联购买的次数最多的前P个商品作为与所述新商品关联购买的商品包括：

在所述商品关联购买网络中，将与所述候选商品的节点之间在所述预定时间段内存在边的节点的商品确定为候选商品的邻居商品；

将每个邻居商品对应的边的权值累加求和作为相应邻居商品的权值；

选择权值最大的前P个邻居商品作为与所述新商品关联购买的商品。

根据本公开的一个方面，提供一种建立关联购买相似度与商品属性之间关系的装置，包括：

构造模块，用于构造多个同类商品中每个商品的商品属性；

计算模块，用于计算所述多个同类商品中全部任意两个商品之间的关联购买相似度；

建立模块，用于使用机器学习方法建立两个商品的关联购买相似度与所述两个商品的商品属性之间的关系。

根据本公开的一个方面，提供一种预测新商品关联购买行为的装置，包括：

计算模块，用于利用通过根据上述任意一项所述的方法建立的关联购买相似度与商品属性之间的关系，计算新商品与同类各现有商品的关联购买相似度；

预测模块，用于根据所述新商品与同类各现有商品的关联购买相似度以及同类各现有商品的关联购买行为预测与所述新商品关联购买的商品。

根据本公开的一个方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任意一项所述的建立关联购买相似度与商品属性之间关系的方法或上述任意一项所述的预测新商品关联购买行为的方法。

根据本公开的一个方面，提供一种电子设备，包括：

处理器；以及

存储器，用于存储所述处理器的可执行指令；

其中，所述处理器配置为经由执行所述可执行指令来执行上述任意一项所述的建立关联购买相似度与商品属性之间关系的方法或上述任意一项所述的预测新商品关联购买行为的方法。

本公开一示例性实施例提供的一种建立关联购买相似度与商品属性之间关系的方法及装置。通过建立两个商品的关联购买相似度与两个商品的商品属性之间的关系，在商品属性层面上挖掘商品之间的关联购买关系。本公开另一示例性实施例提供的一种预测新商品关联购买行为的方法及装置，通过关联购买相似度与商品属性之间的关系，计算新商品与同类各现有商品的关联购买相似度，可以在商品属性层面上计算新商品分别与现有商品的关联购买相似度。另外，通过与新商品相似的现有商品的关联购买行为预测新商品的关联购买商品，可以实现对新商品的关联购买商品的预测。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

通过参照附图来详细描述其示例性实施例，本公开的上述和其它特征及优点将变得更加明显。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：

图1为本公开一示例性实施例中提供的一种建立关联购买相似度与商品属性之间关系的方法的流程图；

图2为本公开一示例性实施例中提供的构建多个同类商品中每个商品的商品属性的流程图；

图3为本公开一示例性实施例中提供的手机的商品描述信息的示意图；

图4为本公开一示例性实施例中提供的手机的商品标签信息的示意图；

图5为本公开一示例性实施例中提供的手机的商品包装规格信息的示意图；

图6为本公开一示例性实施例中提供的构建一个商品的商品属性的流程图；

图7为本公开一示例性实施例中提供的计算多个同类商品中全部任意两个商品之间的关联购买相似度的流程图；

图8为本公开一示例性实施例中提供的一种商品关联购买网络的结构示意图；

图9为本公开一示例性实施例中提供的构造商品关联购买网络的流程图；

图10为本公开一示例性实施例中提供的使用机器学习方法建立两个商品的关联购买相似度与两个商品的商品属性之间的关系的流程图；

图11为本公开一示例性实施例中提供的一种预测新商品关联购买行为的方法的流程图；

图12为本公开一示例性实施例中提供的根据新商品与同类各现有商品的关联购买相似度以及同类各现有商品的关联购买行为预测与新商品关联购买的商品的流程图；

图13为本公开一示例性实施例中提供的利用商品关联网络选择与候选商品在预定时间段内发生关联购买的次数最多的前P个商品作为与新商品关联购买的商品的流程图；

图14为本公开另一示例性实施例中提供的预测新商品关联购买行为的方法的流程图；

图15为本公开一示例性实施例中提供的一种建立关联购买相似度与商品属性之间关系的装置的框图；

图16为本公开一示例性实施例中提供的一种预测新商品关联购买行为的装置的框图；

图17为本公开示一示例性实施例中的电子设备的模块示意图；

图18为本公开示一示例性实施例中的程序产品示意图。

具体实施方式

现在将参考附图更全面地描述示例实施例。然而，示例实施例能够以多种形式实施，且不应被理解为限于在此阐述的实施例；相反，提供这些实施例使得本公开将全面和完整，并将示例实施例的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。

此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本公开的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组元、材料、装置、步骤等。在其它情况下，不详细示出或描述公知结构、方法、装置、实现、材料或者操作以避免模糊本公开的各方面。

附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个软件硬化的模块中实现这些功能实体或功能实体的一部分，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

附图中所示的流程图仅是示例性说明，不是必须包括所有的步骤。例如，有的步骤还可以分解，而有的步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。

图1示出了示例实施例中建立关联购买相似度与商品属性之间关系的方法的流程图。

参见图1，一种建立关联购买相似度与商品属性之间关系的方法可以包括以下步骤：

步骤S110、构造多个同类商品中每个商品的商品属性。

在本示例性实施例中，商品属性可以由商品的所有属性以及与各属性对应的属性值组成。例如，属性可以为品牌，与该属性对应的属性值可以为华为，再例如，属性可以为净含量，与该属性对应的属性值可以为10～20g。需要说明的是，由于构造多个同类商品中每个商品的商品属性的过程将在下文中进行详细的描述，因此，此处不再赘述。

步骤S120、计算多个同类商品中全部任意两个商品之间的关联购买相似度。

在本示例性实施例中，任意两个商品之间的关联购买相似度指任意两个商品之间的关联购买行为的相似度，任意两个商品之间的关联购买相似度越大说明该任意两个商品之间的关联购买行为越相似，任意两个商品之间的关联购买相似度越小说明任意两个商品之间的关联购买行为越不相似。需要说明的是，由于计算多个同类商品中全部任意两个商品之间的关联购买相似度的过程将在下文中进行详细的描述，因此此处不再赘述。

步骤S130、使用机器学习方法建立两个商品的关联购买相似度与两个商品的商品属性之间的关系。

在本示例性实施例中，机器学习方法可以是随机森林拟合方法、梯度提升决策树算法或xgboost算法等。下面以随机森林拟合方法为例对步骤S130进行说明。

首选根据步骤S110中构造的多个同类商品中每个商品的商品属性，计算全部任意两个商品的联合属性。

然后，将全部任意两个商品的联合属性作为随机森林拟合方法的输入，将步骤S120中计算多个同类商品中全部任意两个商品之间的关联购买相似度作为随机森林拟合方法的目标，建立两个商品的关联购买相似度与两个商品的商品属性之间的关系。建立两个商品的关联购买相似度与两个商品的商品属性之间的关系的方法的过程可如下文详细说明的。

根据本示例性实施例中的建立关联购买相似度与商品属性之间关系的方法，通过建立两个商品的关联购买相似度与两个商品的商品属性之间的关系，在商品属性层面上挖掘商品之间的关联购买关系。

图2示出了示例实施例中构造多个同类商品中每个商品的商品属性的流程图。

参见图2，构造多个同类商品中每个商品的商品属性可以包括以下步骤：

步骤S210、对每个商品的商品信息进行自然语言处理，以得到每个商品的多组属性和属性值。

在本示例性实施例中，商品信息可以包括商品标签信息、商品包装规格信息和商品描述信息中的一种或多种。商品标签信息可以包括商品的品牌、规格、材料构成、功能、使用方法等信息。商品包装规格信息包括商品的型号、品牌、生产地、生产厂家、生产批次等信息。商品描述信息指在商品的销售活动中，销售人员为商品撰写的用于介绍产品的文字信息，其通常包括品牌、型号、配置等信息。

自然语言处理可以包括拆词处理，即可以通过对每个商品的商品信息进行拆词处理，以得到每个商品的多组属性和属性值。下面，以手机为例进行说明，图3示出了手机的商品描述信息，图4示出了手机的商品标签信息，图5示出了手机的商品包装规格信息。对图3～图5中的信息进行拆词处理，得到12组属性和属性值，12组属性和属性值分别为{品牌：苹果}{型号：X10}{零售价：6999}{处理器：骁龙8976}{内存： 64G}{屏幕尺寸：5.0英寸}{操作系统：ios}{电池容量：1800}{颜色：金色}{摄像头：500万像素}{生产地：深圳}{包装尺寸：15*10cm}。

步骤S220、对于属性值为连续变量的属性和属性值组，将相应属性值离散化。

在本示例性实施例中，在属性值为一连续的数值时，该属性值为连续变量。将属性值离散化指将属性值划分为n各不重合且覆盖所有范围的区间。例如，对于属性和属性值组{净含量：10～20g}，将属性值10～20g 进行离散化，即可以将10～20g划分为：10～15g，15～20g。

步骤S230、对于属性为共存属性的属性和属性值组，将相应属性值变换为属性且将变换得到的属性的属性值设置为布尔值。

在本示例性实施例中，在同一属性对应的不用属性值可以共存时，属性为共存属性，例如，商品的适用人群为共存属性。在同一属性对应的不同属性值不可以共存时，属性为互斥属性，例如，品牌为互斥属性。

对于属性为共存属性的属性和属性值组，通过将相应属性值变换为属性且将变换得到的属性的属性值设置为布尔值的方式，将属性为共存属性的属性和属性值组的表达结构由{属性：属性值}转化为{属性值：布尔值}，布尔值的取值范围为0或1，其中在布尔值为0时，说明商品不存在属性值对应的共存属性，在布尔值为1时，说明商品中存在属性值对应的共存属性。例如，适用人群为共存属性，则将属性和属性值组{适用人群：老年人}变化为{老年人：1}。对于属性为互斥属性的属性和属性值组，保持原有的属性和属性值组的的表达结构，即{属性：属性值}。

通过步骤S210～S230构建的商品属性表达为如下结构：{Ai：ai，Bij： bij}，其中，Ai为互斥属性，ai为Ai对应的值，Bij为共存属性i的可能值，bij为布尔值。bij的取值范围为0或1，在b_ij＝0表示商品没有Bij 对应的共存属性、b_ij＝1表示商品有Bij对应的共存属性。以步骤S210 中举例得到的手机的12组属性和属性值为例，在零售价、内存、屏幕尺寸、电池容量、摄像头、生产地、以及包装尺寸为共存变量时，手机最终得到的商品属性表达结构为{品牌：苹果，型号：X10，6999：1，处理器：骁龙897，64G：1，5.0英寸：1，操作系统：ios，1800：1，颜色：金色，500万像素：1，深圳：1，15*10cm：1}。

图6为示例性实施例中提供的构建一个商品的商品属性的流程图。

参见图6，构建一个商品的商品属性可以包括以下步骤：

步骤S601：输入商品的商品标签信息、商品包装规格信息和商品描述信息；

步骤S602：对商品包装规格信息进行拆词，以得到商品的多组属性和属性值；

步骤S603：对商品标签信息以及商品描述信息进行拆词，以得到商品的多组属性和属性值；

步骤S604：将从商品包装规格信息中得到的多组属性和属性值与从商品标签信息以及商品描述信息中得到多组属性和属性值合并，即合并步骤S602以及步骤S603中以得到的多组属性和属性值；

步骤S605：遍历每组属性和属性值；

步骤S606：判断从属于属性的属性值是否为连续变量，若是，执行步骤S607；若否执行步骤S608；

步骤S607：将属性值离散化；

步骤S608：判断属性是否为共存属性，若是，执行步骤S609：若否，执行步骤S605，即对另一组属性和属性值进行上述判断；

步骤S609：将从属于该属性的属性值变换为属性，并将变换得到的属性的属性值设置为布尔值，并在步骤S609执行完成后，执行步骤S605，即对另一组属性和属性值进行上述判断；

步骤S610：在商品的所有属性和属性组均遍历完成之后，输出商品的商品属性。

图7示出了示例实施例中计算多个同类商品中全部任意两个商品之间的关联购买相似度的流程图。

参见图7，计算多个同类商品中全部任意两个商品之间的关联购买相似度可以包括以下步骤：

步骤S710、构造商品关联购买网络，商品关联购买网络表示商品之间的关联购买行为。

在本示例性实施例中，商品关联购买网络可以包括：节点，表征用户购买的商品；节点之间的边，表征边连接的两个商品为关联购买的商品；边的权值，表征边连接的两个商品发生关联购买的次数。例如，图 8示出了一种商品关联购买网络的结构示意图，在图8中，N1、N2和 N3为节点，N1、N2和N3分别对应用户购买的不同的商品。N1和N2 之间的连线以及N1和N3之间的连线为节点之间的边。

图9示出了示例实施例中构造商品关联购买网络的流程图。

参见图9，构造商品关联购买网络可以包括以下步骤：

步骤S901：提供一空白的商品关联购买网络；

步骤S902：获取全部的购买记录，并根据用户的身份证号和/或手机号和/或银行卡号和/或会员卡ID等对全部的购买记录进行分类，以得到各用户的购买记录；

步骤S903：对每一个用户的购买记录进行遍历以得到两个商品；

步骤S904：判断两个商品是否为同单购买商品，若是，执行步骤S905，若否，执行步骤S903；可以通过以下两种方式判断两个商品是否为同单购买商品，方式一：判断两个商品的订单号是否一致，并在两个商品的订单号一致时，确定该两个商品为同单购买商品；方式二，判断两个商品是否为同一用户购买且购买该两个商品的时间间隔是否小于预设时间间隔，并在判断两个商品为同一用户购买且购买该两个商品的时间间隔小于预设时间间隔时，确定该两个商品为同单购买商品。所述预设时间间隔例如为5分钟，或还可以为10分钟，本公开对此不作特殊限定；

步骤S905：判断在商品关联购买网络中是否存在分别与两个商品对应的节点，若是，执行S906；若不是，执行步骤S907；

步骤S906：判断分别与两个商品对应的节点之间是否存在边；若是，执行步骤S908；若不是，执行步骤S909；

步骤S907：在商品关联购买网络中添加节点，并执行步骤S906；

步骤S908：将分别与两个商品对应的节点之间的边的权值增加1，并返回步骤S903；

步骤S909：在分别与两个商品对应的节点之间添加边，将边的权值设置为0，并执行步骤S908；

步骤S910：在所有用户的购买记录均遍历完成时，输出构建完成的商品关联购买网络。

步骤S720、构造基于商品关联购买网络的相似度评价标准。

在本示例性实施例中，相似度评价标准为如下相似度计算公式：

其中，

S_i，j表示节点i的商品与节点j的商品之间的关联购买相似度，ω(α，i)表示节点α与节点i之间的边的权值，ω(α，j)表示节点α与节点 j之间的边的权值，neighbors(i)表示所有与节点i之间存在边的节点， neighbors(j)表示所有与节点j之间存在边的节点，

为0、1运算。

步骤S730、利用相似度评价标准计算多个同类商品中全部任意两个商品之间的关联购买相似度。

图10示出了示例实施例中使用机器学习方法建立两个商品的关联购买相似度与两个商品的商品属性之间的关系的流程图。

参见图10，使用机器学习方法建立两个商品的关联购买相似度与两个商品的商品属性之间的关系可以包括以下步骤：

步骤S1010、构造所述多个同类商品中全部任意两个商品的联合属性.

在本示例性实施例中，首先分别获取任意两个商品的商品属性；然后根据任意两个商品的商品属性构造任意两个商品的联合属性。联合属性可以表达为以下联合属性矩阵：

其中，A_ijk表示商品i与商品j第k个属性的联合属性值，T_ik表示商品i第k个属性的属性值,T_jk表示商品j第k个属性的属性值，K表示商品的属性的集合，Y为一大于max(T_ik，T_jk)的常数。所述Y是为了保证一个A_ijk的值对应唯一的一组T_ik和T_jk。例如，对于一组T_ik和T_jk， max(T_ik，T_jk)为99，此时，取Y＝100，则(12,40)和(40,12)都对应1240，且1240只能对应(12,40)这两个数的排列。

任意两个商品的联合属性矩阵可为一个K*1的矩阵。在k为共存属性时，A_ixk的取值范围为[0、1、2]，0表示两个商品均不具有共存属性， 1表示两个商品中的其中一个具有共存属性，2表示两个商品均具有共存属性。

步骤S1020、以所述全部任意两个商品的联合属性作为输入，以所述全部任意两个商品之间的关联购买相似度作为目标，通过所述随机森林拟合方法，建立两个商品的关联购买相似度与两个商品的商品属性之间的关系。

由上可知，通过建立两个商品的关联购买相似度与两个商品的商品属性之间的关系，在商品属性层面上挖掘商品之间的关联购买关系。

图11示出了示例实施例中预测新商品关联购买行为的方法的流程图。

参见图11，预测新商品关联购买行为的方法可以包括以下步骤：

步骤S1110、利用一关联购买相似度与商品属性之间的关系，计算新商品与同类各现有商品的关联购买相似度。

在本示例性实施例中，关联购买相似度与商品属性之间的关系为根据图1中的方法建立的关联购买相似度与商品属性之间的关系。

根据一实施例，通过构造新商品与同类各现有商品的联合属性，根据该联合属性并利用关联购买相似度与商品属性之间的关系，计算新商品与同类各现有商品的关联购买相似度。例如，将新商品与同类各现有商品的联合属性作为输入值输入到关联购买相似度与商品属性之间的关系中，从而可得到新商品与同类各现有商品的关联购买相似度。

构造新商品的商品属性及与同类各现有商品的联合属性的过程与前面描述的过程相同，此处不再赘述。

这里，关联购买相似度指新商品与现有商品的关联购买行为的相似度，新商品与现有商品的关联购买相似度越大说明新商品与现有商品的关联购买行为越相似，新商品与现有商品的关联购买相似度越小说明新商品与现有商品的关联购买行为越不相似。

步骤S1120、根据新商品与同类各现有商品的关联购买相似度以及同类各现有商品的关联购买行为预测与新商品关联购买的商品。例如，可将与同类现有商品发生关联购买次数最多的商品预测为与新商品关联购买的商品。

图12示出了示例实施例中根据新商品与同类各现有商品的关联购买相似度以及同类各现有商品的关联购买行为预测与新商品关联购买的商品的流程图。

参见图12，根据新商品与同类各现有商品的关联购买相似度以及同类各现有商品的关联购买行为预测与新商品关联购买的商品可以包括以下步骤：

步骤S1210、根据新商品与同类各现有商品的关联购买相似度，选取与新商品的关联购买相似度最高的前N个现有商品作为候选商品，或者根据新商品与同类各现有商品的关联购买相似度，选取与新商品的关联购买相似度最高的前N个现有商品，再根据前N个现有商品的销量，选择前N个现有商品中销量最大的前M个现有商品作为候选商品。

在本示例性实施例中，可以将新商品分别与各现有商品的关联购买相似度度按照关联购买相似度由大到小的顺序进行排序；选取与新商品的关联购买相似度最高的前N个现有商品作为候选商品。N的具体数值可以根据实际情况设置，例如，N可以为10、还可以20，本示例性实施例对此不作特殊限定。

替代地，还可以根据新商品与同类各现有商品的关联购买相似度，选取与新商品的关联购买相似度最高的前N个现有商品；再根据前N个现有商品中的各现有商品的销量，选取销量最大的前M个现有商品作为候选商品。M的具体数值可以根据实际情况设置，且M小于N。

步骤S1220、选择与候选商品发生关联购买的次数最多的前P个商品作为与新商品关联购买的商品。例如，可利用参照图13所描述的过程来确定与新商品关联购买的商品。

图13示出了示例实施例中利用商品关联购买网络选择与候选商品在预定时间段内发生关联购买的次数最多的前P个商品作为与新商品关联购买的商品。商品关联购买网络如前面所描述的，此处不再赘述。

参见图13，利用商品关联购买网络选择与候选商品在预定时间段内发生关联购买的次数最多的前P个商品作为与新商品关联购买的商品可包括以下步骤：

步骤S1310、在商品关联购买网络中，将与候选商品的节点之间在预定时间段内存在边的节点的商品确定为候选商品的邻居商品。

如前，商品关联购买网络表示商品之间的关联购买行为。商品关联购买网络可以包括：节点，表征用户购买的商品；节点之间的边，表征边连接的两个商品为关联购买的商品；边的权值，表征边连接的两个商品发生关联购买的次数。

基于此，在商品关联购买网络中找到候选商品的节点，并将与候选商品的节点之间在预定时间段内存在边的节点的商品确定为候选商品的邻居商品。所述预定时间段可以为一年，也可以为一个季度，还可以为一个月，本示例性实施例对此不作特殊限定。

步骤S1320、将每个邻居商品对应的边的权值累加求和作为相应邻居商品的权值。

例如，有3个候选商品，分别为候选商品1、候选商品2、候选商品 3。其中，候选商品1有3个邻居商品，分别为邻居商品a、邻居商品b、邻居商品c。候选商品2有2个邻居商品，分别为邻居商品a、邻居商品 d。候选商品3有3个邻居商品，分别为邻居商品b、邻居商品d、邻居商品f。由于候选商品1与候选商品2都具有邻居商品a，候选商品1与候选商品3都具有邻居商品b，候选商品2与候选商品3都具有邻居商品d，因此，分别将邻居商品a的权值、邻居商品b的权值、邻居商品d 的权值进行合并，最终得到的邻居商品包括邻居商品a、邻居商品b、邻居商品c、邻居商品d、邻居商品f，其中，邻居商品a的权值为9、邻居商品b的权值为6、邻居商品c的权值为1、邻居商品d的权值为6、邻居商品f的权值为8。

需要说明的是，所述邻居商品对应的边的权值指邻居商品与候选商品之间的边在预设时间段内的权值。

步骤S1330、选择权值最大的前P个邻居商品作为与新商品关联购买的商品。

在本示例性实施例中，将合并后的所有邻居商品按照权值由大到小的顺序进行排序，选取权值最大的前P个邻居商品，并将前P个邻居商品确定为与新商品关联购买的商品。P的具体数值可以根据实际需求设置。

例如，在步骤S1320中有5个邻居产品，分别为邻居商品a、邻居商品b、邻居商品c、邻居商品d、邻居商品f，其中，邻居商品a的权值为9、邻居商品b的权值为6、邻居商品c的权值为1、邻居商品d的权值为6、邻居商品f的权值为8。以权值由大到小的顺序对上述5个邻居产品进行排序，排序结果为邻居商品a、邻居商品f、邻居商品b、邻居商品d、邻居商品c。在P为2时，邻居商品a、邻居商品f为与新商品关联购买的商品。

图14示出了本公开另一示例性实施例中提供的预测新商品关联购买行为的方法的流程图。

参见图14，预测新商品关联购买行为的方法可以包括：

步骤S1401：构造新商品的商品属性；

步骤S1402：遍历所有现有商品的商品属性，以得到现有商品中的一现有商品的商品属性；

步骤S1403：根据新商品的商品属性和现有商品的商品属性计算新商品与现有商品的联合属性，计算新商品与现有商品的联合属性的方式与上述步骤S1110中计算新商品与现有商品的联合属性的方式相同，因此此处不再赘述；

步骤S1404：将新商品与现有商品的联合属性输入至关联购买相似度与商品属性之间的关系中，以得到新商品与现有商品的关联购买相似度；

步骤S1405：存储新商品与现有商品的关联购买相似度，并执行步骤S1402；

步骤S1406：在对所有现有商品的商品属性遍历完成后，即在计算出新商品与所有现有商品中的各现有商品的关联购买相似度后，对所有关联购买相似度进行排序，以选取与新商品的关联购买相似度最大的前十个现有商品；

步骤S1407：遍历前十个现有商品，以得到前十个现有商品中的一个现有商品；

步骤S1408：获取现有商品的所有邻居商品以及各邻居商品对应的权值，具体的，可以在商品关联购买网络中获取现有商品的邻居商品以及各邻居商品的权值；

步骤S1409：存储现有商品的全部邻居商品以及各邻居商品的权值，并执行步骤S1407；

步骤S14010：在对前十个现有商品遍历完成后，将前十个现有商品的所有邻居商品进行组合，并将相同的邻居商品的权值进行累加；

步骤S1411：根据权值由大到小的顺序对邻居商品进行排序，以得到权值最大的前十个邻居商品；

步骤S1412：将前十个邻居商品确定为与新商品关联购买的商品，并输出该前十个邻居商品。

综上，通过关联购买相似度与商品属性之间的关系，计算新商品与同类各现有商品的关联购买相似度，实现了在商品属性层面上计算新商品分别与现有商品的关联购买相似度。此外，通过与新商品相似的现有商品的关联购买行为预测新商品的关联购买商品，实现了对新商品的关联购买商品的预测，且预测方式简单有效。

需要说明的是，尽管在附图中以特定顺序描述了本公开中方法的各个步骤，但是，这并非要求或者暗示必须按照特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。

图15示出了示例实施例中建立关联购买相似度与商品属性之间关系的装置的框图。

参见图15，根据示例实施例的建立关联购买相似度与商品属性之间关系的装置1500可以包括：构造模块1501、计算模块1502、建立模块 1503，其中：

构造模块1501，可以用于构造多个同类商品中每个商品的商品属性；

计算模块1502，可以用于计算多个同类商品中全部任意两个商品之间的关联购买相似度；

建立模块1503，可以用于使用机器学习方法建立两个商品的关联购买相似度与两个商品的商品属性之间的关系。

上述中各建立关联购买相似度与商品属性之间关系的装置模块的具体细节已经在对应的建立关联购买相似度与商品属性之间关系的方法中进行了详细的描述，因此此处不再赘述。

图16示出了一种预测新商品关联购买行为的装置的框图，一种预测新商品关联购买行为的装置1600可以包括：计算模块1601和预测模块 1602，其中：

计算模块1601，可以用于利用通过根据上述任意一项的方法建立的关联购买相似度与商品属性之间的关系，计算新商品与同类各现有商品的关联购买相似度；

预测模块1602，可以用于根据新商品与同类各现有商品的关联购买相似度以及同类各现有商品的关联购买行为预测与新商品关联购买的商品。

上述中各预测新商品关联购买行为的装置模块的具体细节已经在对应的预测新商品关联购买行为的方法中进行了详细的描述，因此此处不再赘述。

应当注意，尽管在上文详细描述中提及了用于执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。

在本公开的示例性实施例中，还提供了一种能够实现上述方法的电子设备。

所属技术领域的技术人员能够理解，本发明的各个方面可以实现为系统、方法或程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。

下面参照图17来描述根据本发明的这种实施方式的电子设备1700。图17显示的电子设备1700仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图17所示，电子设备1700以通用计算设备的形式表现。电子设备 1700的组件可以包括但不限于：上述至少一个处理单元1710、上述至少一个存储单元1720、连接不同系统组件(包括存储单元1720和处理单元 1710)的总线1730、显示单元1740。

其中，存储单元存储有程序代码，程序代码可以被处理单元1710执行，使得处理单元1710执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。例如，处理单元1710可以执行如图1中所示的步骤S110、构造多个同类商品中每个商品的商品属性；步骤S120、计算多个同类商品中全部任意两个商品之间的关联购买相似度；步骤S130、使用机器学习方法建立两个商品的关联购买相似度与两个商品的商品属性之间的关系。机器学习方法可以包括随机森林拟合和梯度提升决策树算法；或者执行如图11中所示的步骤S1110、利用一关联购买相似度与商品属性之间的关系，计算新商品与同类各现有商品的关联购买相似度；步骤S1120、根据新商品与同类各现有商品的关联购买相似度以及同类各现有商品的关联购买行为预测与新商品关联购买的商品。

存储单元1720可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)17201和/或高速缓存存储单元17202，还可以进一步包括只读存储单元(ROM)17203 。

存储单元1720还可以包括具有一组(至少一个)程序模块17205的程序/实用工具17204，这样的程序模块17205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

总线1730可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。

电子设备1700也可以与一个或多个外部设备1770(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与电子设备1700 交互的设备通信，和/或与使得电子设备1700能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口1750进行。并且，电子设备1700还可以通过网络适配器1760与一个或者多个网络(例如局域网(LAN)，广域网 (WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器1760 通过总线1730与电子设备1700的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备1700使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，软件产品可以存储在一个非易失性存储介质(可以是CD-ROM， U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。

在本公开的示例性实施例中，还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当程序产品在终端设备上运行时，程序代码用于使终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。

参考图18所示，描述了根据本发明的实施方式的用于实现上述方法的程序产品1800，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，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。

程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、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。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(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。

计算机可读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，其中承载了可读程序代码。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。可读信号介质还可以是可读存储介质以外的任何可读介质，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。

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、有线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，程序设计语言包括面向对象的程序设计语言—诸如 Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

此外，上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其他实施例。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由权利要求指出。

应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限。

Claims (16)

1.一种建立关联购买相似度与商品属性之间关系的方法，其特征在于，包括：

构造多个同类商品中每个商品的商品属性；

计算所述多个同类商品中全部任意两个商品之间的关联购买相似度；

使用机器学习方法建立两个商品的关联购买相似度与所述两个商品的商品属性之间的关系；

所述使用机器学习方法建立两个商品的关联购买相似度与所述两个商品的商品属性之间的关系包括：

构造所述多个同类商品中全部任意两个商品的联合属性，所述联合属性表达为基于两个商品的共存属性和互斥属性确定的联合属性矩阵；

以所述全部任意两个商品的联合属性作为输入，以所述全部任意两个商品之间的关联购买相似度作为目标，通过随机森林拟合方法，建立两个商品的关联购买相似度与所述两个商品的商品属性之间的关系。

2.根据权利要求1所述的方法，其特征在于，所述构造多个同类商品中每个商品的商品属性包括：

对每个商品的商品信息进行自然语言处理，以得到每个商品的多组属性和属性值；

对于属性值为连续变量的属性和属性值组，将相应属性值离散化；

对于属性为共存属性的属性和属性值组，将相应属性值变换为属性且将变换得到的所述属性的属性值设置为布尔值。

3.根据权利要求2所述的方法，其特征在于，所述商品属性表达为如下结构：{Ai：ai，Bij：bij}，其中，Ai为互斥属性，ai为Ai对应的值，Bij为共存属性i的可能值，bij为布尔值。

4.根据权利要求2所述的方法，其特征在于，所述商品信息包括商品标签信息、商品包装规格信息和商品描述信息中的一种或多种。

5.根据权利要求1所述的方法，其特征在于，所述计算所述多个同类商品中全部任意两个商品之间的关联购买相似度包括：

构造商品关联购买网络，所述商品关联购买网络用于表示商品之间的关联购买行为；

构造基于所述商品关联购买网络的相似度评价标准；

利用所述相似度评价标准计算所述多个同类商品中全部任意两个商品之间的关联购买相似度。

6.根据权利要求5所述的方法，其特征在于，所述商品关联购买网络包括：

节点，表征用户购买的商品；

节点之间的边，表征所述边连接的两个商品为关联购买的商品；

边的权值，表征所述边连接的两个商品发生关联购买的次数。

7.根据权利要求6所述的方法，其特征在于，所述相似度评价标准为如下相似度计算公式：

其中，

S_i，j表示节点i的商品与节点j的商品之间的关联购买相似度，ω(α，i)表示节点α与节点i之间的边的权值，ω(α，j)表示节点α与节点j之间的边的权值，neighbors(i)表示所有与节点i之间存在边的节点，neighbors(j)表示所有与节点j之间存在边的节点，bool(∑_α∈N(ω(α,i)+ω(α,j))*θ(α)＝0)为0、1运算。

8.根据权利要求1所述的方法，其特征在于，所述联合属性表达为以下联合属性矩阵：

其中，A_ijk表示商品i与商品j第k个属性的联合属性值，T_ik表示商品i第k个属性的属性值,T_jk表示商品j第k个属性的属性值，K表示商品的属性的集合，Y为一大于max(T_ik，T_jk)的常数。

9.一种预测新商品关联购买行为的方法，其特征在于，包括：

利用通过根据权利要求1-8任一项所述的方法建立的关联购买相似度与商品属性之间的关系，计算新商品与同类各现有商品的关联购买相似度；

根据所述新商品与同类各现有商品的关联购买相似度以及同类各现有商品的关联购买行为预测与所述新商品关联购买的商品。

10.根据权利要求9所述的方法，其特征在于，所述根据所述新商品与同类各现有商品的关联购买相似度以及同类各现有商品的关联购买行为预测与所述新商品关联购买的商品包括：

根据所述新商品与同类各现有商品的关联购买相似度，选取与所述新商品的关联购买相似度最高的前N个现有商品作为候选商品，或者根据所述新商品与同类各现有商品的关联购买相似度，选取与所述新商品的关联购买相似度最高的前N个现有商品，再根据所述前N个现有商品的销量，选择所述前N个现有商品中销量最大的前M个现有商品作为候选商品；

选择与所述候选商品发生关联购买的次数最多的前P个商品作为与所述新商品关联购买的商品。

11.根据权利要求10所述的方法，其特征在于，所述选择与所述候选商品发生关联购买的次数最多的前P个商品作为与所述新商品关联购买的商品包括：

利用商品关联购买网络选择与所述候选商品在预定时间段内发生关联购买的次数最多的前P个商品作为与所述新商品关联购买的商品；

其中，所述商品关联购买网络包括：

节点，表征用户购买的商品；

节点之间的边，表征所述边连接的两个商品为关联购买的商品；

边的权值，表征所述边连接的两个商品发生关联购买的次数。

12.根据权利要求11所述的方法，其特征在于，所述利用商品关联购买网络选择与所述候选商品在预定时间段内发生关联购买的次数最多的前P个商品作为与所述新商品关联购买的商品包括：

在所述商品关联购买网络中，将与所述候选商品的节点之间在所述预定时间段内存在边的节点的商品确定为候选商品的邻居商品；

将每个邻居商品对应的边的权值累加求和作为相应邻居商品的权值；

选择权值最大的前P个邻居商品作为与所述新商品关联购买的商品。

13.一种建立关联购买相似度与商品属性之间关系的装置，其特征在于，包括：

构造模块，用于构造多个同类商品中每个商品的商品属性；

计算模块，用于计算所述多个同类商品中全部任意两个商品之间的关联购买相似度；

建立模块，用于构造所述多个同类商品中全部任意两个商品的联合属性，所述联合属性表达为基于两个商品的共存属性和互斥属性确定的联合属性矩阵；以所述全部任意两个商品的联合属性作为输入，以所述全部任意两个商品之间的关联购买相似度作为目标，通过随机森林拟合方法，建立两个商品的关联购买相似度与所述两个商品的商品属性之间的关系。

14.一种预测新商品关联购买行为的装置，其特征在于，包括：

计算模块，用于利用通过根据权利要求1-8任一项所述的方法建立的关联购买相似度与商品属性之间的关系，计算新商品与同类各现有商品的关联购买相似度；

预测模块，用于根据所述新商品与同类各现有商品的关联购买相似度以及同类各现有商品的关联购买行为预测与所述新商品关联购买的商品。

15.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1～8中任意一项所述的建立关联购买相似度与商品属性之间关系的方法或权利要求9～12中任意一项所述的预测新商品关联购买行为的方法。

16.一种电子设备，其特征在于，包括：

处理器；以及

存储器，用于存储所述处理器的可执行指令；

其中，所述处理器配置为经由执行所述可执行指令来执行权利要求1-8中任意一项所述的建立关联购买相似度与商品属性之间关系的方法或权利要求9-12中任意一项所述的预测新商品关联购买行为的方法。

Images