CN110555712A - 商品关联程度确定方法及装置 - Google Patents

商品关联程度确定方法及装置 Download PDF

Info

Publication number
CN110555712A
CN110555712A CN201810547831.9A CN201810547831A CN110555712A CN 110555712 A CN110555712 A CN 110555712A CN 201810547831 A CN201810547831 A CN 201810547831A CN 110555712 A CN110555712 A CN 110555712A
Authority
CN
China
Prior art keywords
purchasing
item
commodity
weight
user
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201810547831.9A
Other languages
English (en)
Inventor
周默
李凯东
周瑜
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Jingdong Century Trading Co Ltd
Beijing Jingdong Shangke Information Technology Co Ltd
Original Assignee
Beijing Jingdong Century Trading Co Ltd
Beijing Jingdong Shangke Information Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Jingdong Century Trading Co Ltd, Beijing Jingdong Shangke Information Technology Co Ltd filed Critical Beijing Jingdong Century Trading Co Ltd
Priority to CN201810547831.9A priority Critical patent/CN110555712A/zh
Publication of CN110555712A publication Critical patent/CN110555712A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data

Landscapes

  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Engineering & Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Finance (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本公开提供了一种商品关联程度确定方法及装置，涉及电子商务技术领域，其中方法包括：根据品类购买数据和用户非购买行为数据获得对于购买目标品类的品类购买行为与对于其它商品购买品类的用户非购买行为、品类购买行为相对应的关联关系，基于关联关系以及与品类购买行为和用户非购买行为相对应的权值确定商品购买品类之间的关联度，根据关联度选取关联品类。本公开的方法及装置，综合分析了浏览、加购物车、关注、购买等用户行为数据，通过可量化的关联系数计算出品类关联度，能够节省存储空间并能保证计算速度，可以应用于不同的商业营销场景，能够满足精准的品类定位分析，又能满足高召回率的营销活动，能够提高用户的使用感受度。

Description

商品关联程度确定方法及装置
技术领域
本公开涉及电子商务技术领域，尤其涉及一种商品关联程度确定方法及装置。
背景技术
目前，互联网电商业务发展迅速，所涉及商品的品类已经成千上万，在诸多的品类中，如何准确的识别和分析高关联品类，在精准营销、商品最优组合、跨品类拉新等业务场景中，起到了至关重要的作用。目前，关于品类关联度的计算方法主要包括两种：一是基于订单中频繁项集的关联规则分析，另一个是基于人工给定的规则直接计算品类关联度。传统的关联度计算方法，例如Apriori算法等，需要多次扫描全量数据库，会导致大量的计算资源开销以及内存开销，同时，线上很多场景是一对一，而不是多对一的规则，关联计算会出现大量的规则浪费。并且，现有的品类关联分析方法通常只是通过订单的单一维度进行的，无法综合考虑用户的整体购物行为。
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商品关联程度确定方法及装置。
根据本公开的一个方面，提供一种商品关联程度确定方法，包括：根据用户购物信息以及用户历史行为信息获得与商品购买品类相关联的品类购买数据和用户非购买行为数据；基于所述品类购买数据和所述用户非购买行为数据获得对于购买目标品类的品类购买行为与对于其它商品购买品类的用户非购买行为、品类购买行为相对应的关联关系；确定与品类购买行为和用户非购买行为相对应的权值；基于所述关联关系以及所述权值确定所述购买目标品类与其它商品购买品类之间的关联度；根据所述关联度从其它商品购买品类中选取与所述购买目标品类对应的关联品类。
可选地，获得所述关联关系包括：基于所述品类购买数据与所述用户非购买行为数据获得对于所述购买目标品类的品类购买行为与对于其它商品购买品类的用户非购买行为、品类购买行为相对应的关联系数。
可选地，所述品类购买数据包括：购买品类的总次数、购买品类的去重用户数；所述用户非购买行为数据包括：用户非购买行为的总次数、与用户非购买行为对应的去重用户数；其中，用户非购买行为包括：浏览、关注、加购物车。
可选地，确定对于所述购买目标品类的品类购买行为与对于第n个其它商品购买品类的用户非购买行为或品类购买行为之间的关联系数
其中，XCn为与第n个其它商品购买品类对应的用户非购买行为或品类购买行为的总次数，XUn为与此用户非购买行为或品类购买行为对应的去重用户数；YCn为购买了第n个其它商品购买品类的用户对于所述购买目标品类进行的用户非购买行为或品类购买行为的总次数，YUn为与此对于所述购买目标品类进行的用户非购买行为或品类购买行为的总次数对应的去重用户数。
可选地，所述基于所述关联关系以及所述权值确定所述购买目标品类与其它商品购买品类之间的关联度包括：根据所述关联系数以及所述权值确定所述购买目标品类与其它商品购买品类之间的关联度分值。
可选地，所述根据所述关联系数以及所述权值确定所述购买目标品类与其它商品购买品类之间的关联度分值包括：基于所述关联系数分别建立对于所述购买目标品类的品类购买行为与每个对于其它商品购买品类的用户非购买行为、品类购买行为相对应的关联度向量；根据所述关联度向量建立所述购买目标品类与其它商品购买品类相对应的关联度矩阵；基于所述权值生成权值向量，根据所述关联度矩阵和所述权值向量获得关联度分值向量。
可选地，所述根据所述关联度从其它商品购买品类中选取与所述购买目标品类对应的关联品类包括：将所述关联度分值向量中的关联度分值进行排序；基于预设的选取规则从所述排序中选取至少一个关联度分值；将此至少一个关联度分值所述对应的其它商品购买品类设置为所述关联品类。
可选地，所述确定与品类购买行为和用户非购买行为相对应的权值包括：根据设置的商品营销策略确定与品类购买行为和用户非购买行为相对应的权值。
可选地，所述权值包括：购买权值、浏览权值、加购物车权值、关注权值；所述根据设置的商品营销策略确定与品类购买行为和用户非购买行为相对应的权值包括：如果所述商品营销策略为品类精准营销策略，则将购买权值设置为大于浏览权值、加购物车权值和关注权值的和；如果所述商品营销策略为商品最优组合策略，则将购买权值、浏览权值、加购物车权值和关注权值设置为相同；如果所述商品营销策略为跨品类拉新策略，则将购买权值设置为0。
可选地，所述根据用户购物信息以及用户历史行为信息获得与商品购买品类相关联的品类购买数据与用户非购买行为数据包括：设置数据训练时段，获取在所述数据训练时段期间内的用户购物信息以及用户历史行为信息；其中，所述用户购物信息包括：下单信息；所述用户历史行为信息包括：浏览、关注、加购物车操作信息。
根据本发明的另一方面，提供一种商品关联程度确定装置，包括：数据统计模块，用于根据用户购物信息以及用户历史行为信息获得与商品购买品类相关联的品类购买数据和用户非购买行为数据；数据训练模块，用于基于所述品类购买数据和所述用户非购买行为数据获得对于购买目标品类的品类购买行为与对于其它商品购买品类的用户非购买行为、品类购买行为相对应的关联关系；权值设置模块，用于确定与品类购买行为和用户非购买行为相对应的权值；关联度获得模块，用于基于所述关联关系以及所述权值确定所述购买目标品类与其它商品购买品类之间的关联度；关联品类确定模块，用于根据所述关联度从其它商品购买品类中选取与所述购买目标品类对应的关联品类。
可选地，所述数据训练模块，用于基于所述品类购买数据与所述用户非购买行为数据获得对于所述购买目标品类的品类购买行为与对于其它商品购买品类的用户非购买行为、品类购买行为相对应的关联系数。
可选地，所述品类购买数据包括：购买品类的总次数、购买品类的去重用户数；所述用户非购买行为数据包括：用户非购买行为的总次数、与用户非购买行为对应的去重用户数；其中，用户非购买行为包括：浏览、关注、加购物车。
可选地，所述数据训练模块，具体用于确定对于所述购买目标品类的品类购买行为与对于第n个其它商品购买品类的用户非购买行为或品类购买行为之间的关联系数
其中，XCn为与第n个其它商品购买品类对应的用户非购买行为或品类购买行为的总次数，XUn为与此用户非购买行为或品类购买行为对应的去重用户数；YCn为购买了第n个其它商品购买品类的用户对于所述购买目标品类进行的用户非购买行为或品类购买行为的总次数，YUn为与此对于所述购买目标品类进行的用户非购买行为或品类购买行为的总次数对应的去重用户数。
可选地，所述关联度获得模块，根据所述关联系数以及所述权值确定所述购买目标品类与其它商品购买品类之间的关联度分值。
可选地，所述关联度获得模块，用于根据基于所述关联系数分别建立对于所述购买目标品类的品类购买行为与每个对于其它商品购买品类的用户非购买行为、品类购买行为相对应的关联度向量；根据所述关联度向量建立所述购买目标品类与其它商品购买品类相对应的关联度矩阵；基于所述权值生成权值向量，根据所述关联度矩阵和所述权值向量获得关联度分值向量。
可选地，所述关联品类确定模块，用于将所述关联度分值向量中的关联度分值进行排序；基于预设的选取规则从所述排序中选取至少一个关联度分值；将此至少一个关联度分值所述对应的其它商品购买品类设置为所述关联品类。
可选地，所述权值设置模块，用于根据设置的商品营销策略确定与品类购买行为和用户非购买行为相对应的权值。
可选地，所述权值包括：购买权值、浏览权值、加购物车权值、关注权值；所述权值设置模块，用于如果所述商品营销策略为品类精准营销策略，则将购买权值设置为大于浏览权值、加购物车权值和关注权值的和；如果所述商品营销策略为商品最优组合策略，则将购买权值、浏览权值、加购物车权值和关注权值设置为相同；如果所述商品营销策略为跨品类拉新策略，则将购买权值设置为0。
可选地，所述数据统计模块，用于设置数据训练时段，获取在所述数据训练时段期间内的用户购物信息以及用户历史行为信息；其中，所述用户购物信息包括：下单信息；所述用户历史行为信息包括：浏览、关注、加购物车操作信息。
根据本公开的又一方面，提供一种商品关联程度确定装置，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，执行如上所述的方法。
根据本公开的再一方面，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方法。
本公开的商品关联程度确定方法及装置，根据品类购买数据和用户非购买行为数据获得对于购买目标品类的品类购买行为与对于其它商品购买品类的用户非购买行为、品类购买行为相对应的关联关系，基于关联关系以及与品类购买行为和用户非购买行为相对应的权值确定商品购买品类之间的关联度，根据关联度选取关联品类；在进行关联分析时综合分析浏览、加购物车、关注、购买等用户行为数据，通过可量化的关联系数计算出品类关联度，能够节省存储空间并能保证计算速度，可以应用于不同的商业营销场景，能够满足精准的品类定位分析，又能满足高召回率的营销活动，能够提高用户的使用感受度。
附图说明
为了更清楚地说明本公开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为根据本公开的商品关联程度确定方法的一个实施例的流程示意图；
图2为根据本公开的商品关联程度确定方法的一个实施例的应用架构以及数据流程示意图；
图3为根据本公开的商品关联程度确定装置的一个实施例的模块示意图；
图4为根据本公开的商品关联程度确定装置的另一个实施例的模块示意图。
具体实施方式
下面参照附图对本公开进行更全面的描述，其中说明本公开的示例性实施例。下面将结合本公开实施例中的附图，对本公开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公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，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，都属于本公开保护的范围。下面结合各个图和实施例对本公开的技术方案进行多方面的描述。
图1为根据本公开的商品关联程度确定方法的一个实施例的流程示意图，如图所示：
步骤101，根据用户购物信息以及用户历史行为信息获得与商品购买品类相关联的品类购买数据和用户非购买行为数据。
步骤102，基于品类购买数据和用户非购买行为数据获得对于购买目标品类的品类购买行为与对于其它商品购买品类的用户非购买行为、品类购买行为相对应的关联关系。用户非购买行为包括浏览、关注、加购物车等，品类购买行为包括下单购买等。浏览行为包括浏览商品购买品类的产品的电商网页等；关注行为包括用户对商品购买品类的产品进行关注操作，包括预定降价通知、有货通知等，或在商品购买品类的产品的电商网页上设置关注等；加购物车行为包括将商品购买品类的产品加入购物车等。
步骤103，确定与品类购买行为和用户非购买行为相对应的权值。
步骤104，基于关联关系以及权值确定购买目标品类与其它商品购买品类之间的关联度。
步骤105，根据关联度从其它商品购买品类中选取与购买目标品类对应的关联品类。
通过对商品购买品类进行关联分析，获得商品关联程度，关联分析又称关联挖掘。获取用户购物信息以及用户历史行为信息可以有多种方式。可以设置数据训练时段，数据训练时段可以为一周、一月等，获取在数据训练时段期间内的用户购物信息以及用户历史行为信息。
用户购物信息包括：下单信息等。用户历史行为信息包括：浏览、关注、加购物车操作信息等。品类购买数据包括：购买品类的总次数、购买品类的去重用户数等。用户非购买行为数据包括：用户非购买行为的总次数、与用户非购买行为对应的去重用户数等。
例如，选取数据训练时段为1星期，统计该时段范围内每个用户购买品类的次数，以及所有用户购买该品类的总次数，如下表1所示：
用户名 购买品类 购买次数 所有用户购买品类总次数
userA 电视机 1 1000
userA 牙膏 3 20000
userB 牙膏 5 20000
…… …… ……
表1－用户购买该品类的数据表
统计该时间范围内每个用户浏览品类的次数，以及所有用户浏览该品类的总次数，如下表2所示：
用户名 浏览品类 浏览次数 所有用户浏览品类总次数
userA 电视机 80 100000
userA 电冰箱 30 80000
userB 洗面奶 50 50000
…… …… ……
表2－用户浏览品类的数据表
以用户作为关联条件，关联表1和表2，计算出在购买品类下浏览人数的排行矩阵，如下表3所示：
表3－购买品类与浏览的关联数据表
在一个实施例中，获取对于购买目标品类的品类购买行为与对于其它商品购买品类的用户非购买行为、品类购买行为相对应的关联关系可以有多种方式，可以计算对于购买目标品类的品类购买行为与对于其它商品购买品类的用户非购买行为、品类购买行为相对应的关联系数。
确定对于购买目标品类的品类购买行为与对于第n个其它商品购买品类的用户非购买行为或品类购买行为之间的关联系数
其中，XCn为与第n个其它商品购买品类对应的用户非购买行为或品类购买行为的总次数，XUn为与此用户非购买行为或品类购买行为对应的去重用户数；YCn为购买了第n个其它商品购买品类的用户对于购买目标品类进行的用户非购买行为或品类购买行为的总次数，YUn为与此对于购买目标品类进行的用户非购买行为或品类购买行为的总次数对应的去重用户数。
基于公式1－1并替换其中的参数，可以获得对于购买目标品类的品类购买行为分别与对于第n个其它商品购买品类的浏览行为、关注行为、加购物车行为和购买行为之间的关联系数。
获得对于购买目标品类的品类购买行为与对于第n个其它商品购买品类的浏览行为之间(购买－浏览)的关联系数
其中，VCn为与第n个其它商品购买品类对应的浏览行为的总次数，VUn为与此浏览行为的总次数对应的去重用户数；PCn为购买了第n个其它商品购买品类的用户对于购买目标品类进行浏览的总次数，PUn为与此对于购买目标品类进行浏览的总次数对应的去重用户数。
获得对于购买目标品类的品类购买行为与对于第n个其它商品购买品类的加购物车行为之间(购买－加购物车)的关联系数
其中，CCn为与第n个其它商品购买品类对应的加入购物车的总次数，CUn为与此加入购物车的总次数对应的去重用户数；ACn为购买了第n个其它商品购买品类的用户对于购买目标品类进行加入购物车操作的总次数，AUn为与此对于购买目标品类进行加入购物车操作的总次数对应的去重用户数。
获得对于购买目标品类的品类购买行为与对于第n个其它商品购买品类的关注行为之间(购买－关注)的关联系数
其中，FCn为与第n个其它商品购买品类对应的关注行为的总次数，FUn为与此关注的总次数对应的去重用户数；BCn为购买了第n个其它商品购买品类的用户对于购买目标品类进行关注的总次数，BUn为与此对于购买目标品类进行关注的总次数对应的去重用户数。
获得对于购买目标品类的品类购买行为与对于第n个其它商品购买品类的购买行为之间(购买－购买)的关联系数
其中，QCn为与第n个其它商品购买品类对应的购买的总次数，QUn为与此购买的总次数对应的去重用户数；ECn为购买了第n个其它商品购买品类的用户对于购买目标品类进行购买的总次数，EUn为与此对于购买目标品类进行购买的总次数对应的去重用户数。
根据关联系数以及权值确定购买目标品类与其它商品购买品类之间的关联度分值，确定关联度分值可以采用多种方法。可以基于关联系数分别建立对于购买目标品类的品类购买行为与每个对于其它商品购买品类的用户非购买行为、品类购买行为相对应的关联度向量，根据关联度向量建立购买目标品类与其它商品购买品类相对应的关联度矩阵，基于权值生成权值向量，根据关联度矩阵和权值向量获得关联度分值向量。
例如，确定对于购买目标品类的品类购买行为与对于第n个其它商品购买品类的浏览行为之间的关联系数。如上表3，获取购买目标品类CateP(例如为电视机)的前提下，浏览的其他品类CateVn(1≤n≤全品类个数)。假设CateVn的浏览品类总次数为VCn，浏览品类去重用户数VUn，购买CateVn同时又浏览CateP的品类总次数为PCn，浏览品类去重用户数PUn，基于公式1－2计算对于购买目标品类的品类购买行为与对于第n个其它商品购买品类的浏览行为之间的关联系数
基于关联系数λfn可以在(购买，浏览)特征空间下，建立对于购买目标品类的品类购买行为与对于其它商品购买品类的浏览行为相对应的关联度向量，即品类CateP与其他潜在关联品类CateVn的关联度向量：
按照相同的计算方法，计算出关联系数λcn、λfn、λpn，基于关联系数λcn、λfn、λpn可以在(购买，加购物车)、(购买，关注)、(购买，购买)特征空间下，建立对于购买目标品类的品类购买行为与对于其它商品购买品类的加购物车行为、关注行为、购买行为相对应的关联度向量
将以上4个向量合并为4×n的矩阵，并乘以一个权值向量W，则可得到最终的关联度评分向量：
其中，Wv为浏览权值，Wc为加购物车权值，Wf为关注权值，Wp为购买权值，Wv，Wc，Wf，Wp分别用于调整浏览、加购物车、关注、购买对整个关联度的影响程度。
根据关联度从其它商品购买品类中选取与购买目标品类对应的关联品类可以有多种方式。将关联度分值向量中的关联度分值进行排序，基于预设的选取规则从排序中选取至少一个关联度分值；将此至少一个关联度分值对应的其它商品购买品类设置为关联品类。例如，将关联度分值向量Vec的每个维度进行从大到小排序，取TopN，则可以获得关联度最高的N个品类，N可以为2、3、4等。
在一个实施例中，根据设置的商品营销策略确定与品类购买行为和用户非购买行为相对应的权值，权值包括：购买权值、浏览权值、加购物车权值、关注权值等。如果商品营销策略为品类精准营销策略，则将购买权值设置为大于浏览权值、加购物车权值和关注权值的和；如果商品营销策略为商品最优组合策略，则将购买权值、浏览权值、加购物车权值和关注权值设置为相同；如果商品营销策略为跨品类拉新策略，则将购买权值设置为0。
如图2所示，将本公开的商品关联程度确定方法用于实际的线上营销系统中。数据来源于基于Hadoop生态系统的数据集市，包含用于训练模型的离线数据和线上实时决策的流式数据。可以将近1周的浏览、关注、购物车、下单等数据通过MapReduce的方式获取，并进行处理，可以通过专门的计数程序统计这四种用户行为在不同商品购买品类下的次数，计数结果交由关联程序进行关联和排序。
线上实时数据流进入系统后，由权值调节器判断权值矩阵W该如何选取，W的取值策略事先通过规则配置好，分别对应营销系统中的不同场景。针对于不同的营销场景，具体策略如下：对于品类精准营销策略，该场景以促进用户下单为主要目的，选取的关联品类优先考虑下单维度，因此配置的权值要满足：Wp>>Wv+Wc+Wf；对于商品最优组合策略：该场景以推荐为主要目的，需要综合考虑关联品类的各种用户行为维度，因此配置的权值要满足：Wv:Wc:Wf:Wp≈1:1:1:1；对于跨品类拉新策略：该场景以拉新(用以提高新产品的影响度)为主要目的，需要排除掉下单维度的干扰，因此配置的权值要满足：Wp＝0。
在一个实施例中，本发明提供一种商品关联程度确定装置30，包括：数据统计模块31、数据训练模块32、权值设置模块33、关联度获得模块34和关联品类确定模块35。
数据统计模块31根据用户购物信息以及用户历史行为信息获得与商品购买品类相关联的品类购买数据和用户非购买行为数据。数据训练模块32基于品类购买数据和用户非购买行为数据获得对于购买目标品类的品类购买行为与对于其它商品购买品类的用户非购买行为、品类购买行为相对应的关联关系。
权值设置模块33确定与品类购买行为和用户非购买行为相对应的权值；关联度获得模块34基于关联关系以及权值确定购买目标品类与其它商品购买品类之间的关联度。关联品类确定模块35根据关联度从其它商品购买品类中选取与购买目标品类对应的关联品类。
在一个实施例中，数据统计模块31设置数据训练时段，获取在数据训练时段期间内的用户购物信息以及用户历史行为信息。用户购物信息包括：下单信息等；用户历史行为信息包括：浏览、关注、加购物车操作信息等。
数据训练模块32基于品类购买数据与用户非购买行为数据获得对于购买目标品类的品类购买行为与对于其它商品购买品类的用户非购买行为、品类购买行为相对应的关联系数。品类购买数据包括：购买品类的总次数、购买品类的去重用户数等；用户非购买行为数据包括：用户非购买行为的总次数、与用户非购买行为对应的去重用户数等；其中，用户非购买行为包括：浏览、关注、加购物车。
在一个实施例中，数据训练模块32确定对于购买目标品类的品类购买行为与对于第n个其它商品购买品类的用户非购买行为或品类购买行为之间的关联系数
其中，XCn为与第n个其它商品购买品类对应的用户非购买行为或品类购买行为的总次数，XUn为与此用户非购买行为或品类购买行为对应的去重用户数；YCn为购买了第n个其它商品购买品类的用户对于购买目标品类进行的用户非购买行为或品类购买行为的总次数，YUn为与此对于购买目标品类进行的用户非购买行为或品类购买行为的总次数对应的去重用户数。
关联度获得模块34关联系数以及权值确定购买目标品类与其它商品购买品类之间的关联度分值。关联度获得模块34根据基于关联系数分别建立对于购买目标品类的品类购买行为与每个对于其它商品购买品类的用户非购买行为、品类购买行为相对应的关联度向量。关联度获得模块34根据关联度向量建立购买目标品类与其它商品购买品类相对应的关联度矩阵；关联度获得模块34基于权值生成权值向量，根据关联度矩阵和权值向量获得关联度分值向量。
关联品类确定模块35将关联度分值向量中的关联度分值进行排序；基于预设的选取规则从排序中选取至少一个关联度分值，将此至少一个关联度分值对应的其它商品购买品类设置为关联品类。
权值设置模块33根据设置的商品营销策略确定与品类购买行为和用户非购买行为相对应的权值，权值包括：购买权值、浏览权值、加购物车权值、关注权值等。如果商品营销策略为品类精准营销策略，则权值设置模块33将购买权值设置为大于浏览权值、加购物车权值和关注权值的和；如果商品营销策略为商品最优组合策略，则权值设置模块33将购买权值、浏览权值、加购物车权值和关注权值设置为相同；如果商品营销策略为跨品类拉新策略，则权值设置模块33将购买权值设置为0。
图4为根据本公开的商品关联程度确定装置的另一个实施例的模块示意图。如图4所示，该装置可包括存储器41、处理器42、通信接口43以及总线44。存储器41用于存储指令，处理器42耦合到存储器41，处理器42被配置为基于存储器41存储的指令执行实现上述的商品关联程度确定方法。
存储器41可以为高速RAM存储器、非易失性存储器(non-volatile memory)等，存储器41也可以是存储器阵列。存储器41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42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公开的商品关联程度确定方法的一个或多个集成电路。
在一个实施例中，本公开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商品关联程度确定方法。
上述实施例中的商品关联程度确定方法和装置，根据统计的品类购买数据和用户非购买行为数据获得对于购买目标品类的品类购买行为与对于其它商品购买品类的用户非购买行为、品类购买行为相对应的关联关系，基于关联关系以及与品类购买行为和用户非购买行为相对应的权值确定商品购买品类之间的关联度，根据关联度选取关联品类；在进行关联分析时综合分析浏览、加购物车、关注、购买等用户行为数据，通过可量化的关联系数计算出品类关联度，能够节省存储空间并能保证计算速度，可以应用于不同的商业营销场景，能够满足精准的品类定位分析，又能满足高召回率的营销活动，能够提高用户的使用感受度。
可能以许多方式来实现本公开的方法和系统。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公开的方法和系统。用于方法的步骤的上述顺序仅是为了进行说明，本公开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，还可将本公开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公开的方法的机器可读指令。因而，本公开还覆盖存储用于执行根据本公开的方法的程序的记录介质。
本公开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公开限于所公开的形式。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公开的原理和实际应用，并且使本领域的普通技术人员能够理解本公开从而设计适于特定用途的带有各种修改的各种实施例。

Claims (22)

1.一种商品关联程度确定方法，包括：
根据用户购物信息以及用户历史行为信息获得与商品购买品类相关联的品类购买数据和用户非购买行为数据；
基于所述品类购买数据和所述用户非购买行为数据获得对于购买目标品类的品类购买行为与对于其它商品购买品类的用户非购买行为、品类购买行为相对应的关联关系；
确定与品类购买行为和用户非购买行为相对应的权值；
基于所述关联关系以及所述权值确定所述购买目标品类与其它商品购买品类之间的关联度；
根据所述关联度从其它商品购买品类中选取与所述购买目标品类对应的关联品类。
2.如权利要求1所述的方法，其中，获得所述关联关系包括：
基于所述品类购买数据与所述用户非购买行为数据获得对于所述购买目标品类的品类购买行为与对于其它商品购买品类的用户非购买行为、品类购买行为相对应的关联系数。
3.如权利要求2所述的方法，其中，
所述品类购买数据包括：购买品类的总次数、购买品类的去重用户数；
所述用户非购买行为数据包括：用户非购买行为的总次数、与用户非购买行为对应的去重用户数；
其中，用户非购买行为包括：浏览、关注、加购物车。
4.如权利要求3所述的方法，其中，
确定对于所述购买目标品类的品类购买行为与对于第n个其它商品购买品类的用户非购买行为或品类购买行为之间的关联系数
其中，XCn为与第n个其它商品购买品类对应的用户非购买行为或品类购买行为的总次数，XUn为与此用户非购买行为或品类购买行为对应的去重用户数；YCn为购买了第n个其它商品购买品类的用户对于所述购买目标品类进行的用户非购买行为或品类购买行为的总次数，YUn为与此对于所述购买目标品类进行的用户非购买行为或品类购买行为的总次数对应的去重用户数。
5.如权利要求2所述的方法，所述基于所述关联关系以及所述权值确定所述购买目标品类与其它商品购买品类之间的关联度包括：
根据所述关联系数以及所述权值确定所述购买目标品类与其它商品购买品类之间的关联度分值。
6.如权利要求5所述的方法，所述根据所述关联系数以及所述权值确定所述购买目标品类与其它商品购买品类之间的关联度分值包括：
基于所述关联系数分别建立对于所述购买目标品类的品类购买行为与每个对于其它商品购买品类的用户非购买行为、品类购买行为相对应的关联度向量；
根据所述关联度向量建立所述购买目标品类与其它商品购买品类相对应的关联度矩阵；
基于所述权值生成权值向量，根据所述关联度矩阵和所述权值向量获得关联度分值向量。
7.如权利要求6所述的方法，其特征在于，所述根据所述关联度从其它商品购买品类中选取与所述购买目标品类对应的关联品类包括：
将所述关联度分值向量中的关联度分值进行排序；
基于预设的选取规则从所述排序中选取至少一个关联度分值；
将此至少一个关联度分值所述对应的其它商品购买品类设置为所述关联品类。
8.如权利要求1所述的方法，其特征在于，所述确定与品类购买行为和用户非购买行为相对应的权值包括：
根据设置的商品营销策略确定与品类购买行为和用户非购买行为相对应的权值。
9.如权利要求8所述的方法，其中，所述权值包括：购买权值、浏览权值、加购物车权值、关注权值；所述根据设置的商品营销策略确定与品类购买行为和用户非购买行为相对应的权值包括：
如果所述商品营销策略为品类精准营销策略，则将购买权值设置为大于浏览权值、加购物车权值和关注权值的和；
如果所述商品营销策略为商品最优组合策略，则将购买权值、浏览权值、加购物车权值和关注权值设置为相同；
如果所述商品营销策略为跨品类拉新策略，则将购买权值设置为0。
10.如权利要求1所述的方法，所述根据用户购物信息以及用户历史行为信息获得与商品购买品类相关联的品类购买数据与用户非购买行为数据包括：
设置数据训练时段，获取在所述数据训练时段期间内的用户购物信息以及用户历史行为信息；
其中，所述用户购物信息包括：下单信息；所述用户历史行为信息包括：浏览、关注、加购物车操作信息。
11.一种商品关联程度确定装置，包括：
数据统计模块，用于根据用户购物信息以及用户历史行为信息获得与商品购买品类相关联的品类购买数据和用户非购买行为数据；
数据训练模块，用于基于所述品类购买数据和所述用户非购买行为数据获得对于购买目标品类的品类购买行为与对于其它商品购买品类的用户非购买行为、品类购买行为相对应的关联关系；
权值设置模块，用于确定与品类购买行为和用户非购买行为相对应的权值；
关联度获得模块，用于基于所述关联关系以及所述权值确定所述购买目标品类与其它商品购买品类之间的关联度；
关联品类确定模块，用于根据所述关联度从其它商品购买品类中选取与所述购买目标品类对应的关联品类。
12.如权利要求11所述的装置，其中，
所述数据训练模块，用于基于所述品类购买数据与所述用户非购买行为数据获得对于所述购买目标品类的品类购买行为与对于其它商品购买品类的用户非购买行为、品类购买行为相对应的关联系数。
13.如权利要求12所述的装置，其中，
所述品类购买数据包括：购买品类的总次数、购买品类的去重用户数；
所述用户非购买行为数据包括：用户非购买行为的总次数、与用户非购买行为对应的去重用户数；
其中，用户非购买行为包括：浏览、关注、加购物车。
14.如权利要求13所述的装置，其中，
所述数据训练模块，具体用于确定对于所述购买目标品类的品类购买行为与对于第n个其它商品购买品类的用户非购买行为或品类购买行为之间的关联系数
其中，XCn为与第n个其它商品购买品类对应的用户非购买行为或品类购买行为的总次数，XUn为与此用户非购买行为或品类购买行为对应的去重用户数；YCn为购买了第n个其它商品购买品类的用户对于所述购买目标品类进行的用户非购买行为或品类购买行为的总次数，YUn为与此对于所述购买目标品类进行的用户非购买行为或品类购买行为的总次数对应的去重用户数。
15.如权利要求12所述的装置，其中，
所述关联度获得模块，根据所述关联系数以及所述权值确定所述购买目标品类与其它商品购买品类之间的关联度分值。
16.如权利要求15所述的装置，其中，
所述关联度获得模块，用于根据基于所述关联系数分别建立对于所述购买目标品类的品类购买行为与每个对于其它商品购买品类的用户非购买行为、品类购买行为相对应的关联度向量；根据所述关联度向量建立所述购买目标品类与其它商品购买品类相对应的关联度矩阵；基于所述权值生成权值向量，根据所述关联度矩阵和所述权值向量获得关联度分值向量。
17.如权利要求16所述的装置，其中，
所述关联品类确定模块，用于将所述关联度分值向量中的关联度分值进行排序；基于预设的选取规则从所述排序中选取至少一个关联度分值；将此至少一个关联度分值所述对应的其它商品购买品类设置为所述关联品类。
18.如权利要求11所述的装置，其中，
所述权值设置模块，用于根据设置的商品营销策略确定与品类购买行为和用户非购买行为相对应的权值。
19.如权利要求18所述的装置，其中，所述权值包括：购买权值、浏览权值、加购物车权值、关注权值；
所述权值设置模块，用于如果所述商品营销策略为品类精准营销策略，则将购买权值设置为大于浏览权值、加购物车权值和关注权值的和；如果所述商品营销策略为商品最优组合策略，则将购买权值、浏览权值、加购物车权值和关注权值设置为相同；如果所述商品营销策略为跨品类拉新策略，则将购买权值设置为0。
20.如权利要求11所述的装置，其中，
所述数据统计模块，用于设置数据训练时段，获取在所述数据训练时段期间内的用户购物信息以及用户历史行为信息；
其中，所述用户购物信息包括：下单信息；所述用户历史行为信息包括：浏览、关注、加购物车操作信息。
21.一种商品关联程度确定装置，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，执行如权利要求1至10中任一项所述的方法。
22.一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如权利要求1至10中任一项所述的方法。
CN201810547831.9A 2018-05-31 2018-05-31 商品关联程度确定方法及装置 Pending CN110555712A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810547831.9A CN110555712A (zh) 2018-05-31 2018-05-31 商品关联程度确定方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810547831.9A CN110555712A (zh) 2018-05-31 2018-05-31 商品关联程度确定方法及装置

Publications (1)

Publication Number Publication Date
CN110555712A true CN110555712A (zh) 2019-12-10

Family

ID=68734380

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810547831.9A Pending CN110555712A (zh) 2018-05-31 2018-05-31 商品关联程度确定方法及装置

Country Status (1)

Country Link
CN (1) CN110555712A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111080411A (zh) * 2019-12-17 2020-04-28 深圳市梦网百科信息技术有限公司 一种基于网络中心度的商品推送方法、系统及终端设备
CN112950269A (zh) * 2021-03-02 2021-06-11 杭州唯赞数据科技有限公司 一种激励电商订单服务管理系统
CN113222706A (zh) * 2021-05-25 2021-08-06 深圳和锐网络科技有限公司 商品的二次推送方法、装置、电子设备及存储介质
CN113298568A (zh) * 2021-05-27 2021-08-24 北京沃东天骏信息技术有限公司 用于投放广告的方法及装置
CN113362141A (zh) * 2021-06-25 2021-09-07 上海浦东发展银行股份有限公司 一种关联商品的推荐方法、装置、介质及电子设备
CN115049442A (zh) * 2022-08-12 2022-09-13 南京中昇智建网络科技有限责任公司 一种数据分析方法及应用系统
CN115471302A (zh) * 2022-11-14 2022-12-13 山东智豆数字科技有限公司 基于大数据分析的电子营销数据处理方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013257793A (ja) * 2012-06-13 2013-12-26 Nippon Telegr & Teleph Corp <Ntt> 商品多様化推薦装置及び方法及びプログラム
JP2014102782A (ja) * 2012-11-22 2014-06-05 Jvc Kenwood Corp 情報選択装置、情報選択方法、および情報選択プログラム
CN105528374A (zh) * 2014-10-21 2016-04-27 苏宁云商集团股份有限公司 一种电子商务中的商品推荐方法及其系统
CN105608610A (zh) * 2016-03-22 2016-05-25 北京京东尚科信息技术有限公司 信息推送方法和装置
US20160171539A1 (en) * 2014-12-12 2016-06-16 Staples, Inc. Inference-Based Behavioral Personalization and Targeting
CN106228386A (zh) * 2016-07-12 2016-12-14 腾讯科技（深圳）有限公司 一种信息推送方法及装置
CN106485562A (zh) * 2015-09-01 2017-03-08 苏宁云商集团股份有限公司 一种基于用户历史行为的商品信息推荐方法及系统
CN107274242A (zh) * 2016-04-08 2017-10-20 上海旭薇物联网科技有限公司 一种基于关联分析算法的商品推荐方法
JP2017194906A (ja) * 2016-04-22 2017-10-26 株式会社Ｎｔｔドコモ 情報処理装置
CN107944896A (zh) * 2016-10-13 2018-04-20 北京京东尚科信息技术有限公司 确定商品关联程度的方法以及装置

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013257793A (ja) * 2012-06-13 2013-12-26 Nippon Telegr & Teleph Corp <Ntt> 商品多様化推薦装置及び方法及びプログラム
JP2014102782A (ja) * 2012-11-22 2014-06-05 Jvc Kenwood Corp 情報選択装置、情報選択方法、および情報選択プログラム
CN105528374A (zh) * 2014-10-21 2016-04-27 苏宁云商集团股份有限公司 一种电子商务中的商品推荐方法及其系统
US20160171539A1 (en) * 2014-12-12 2016-06-16 Staples, Inc. Inference-Based Behavioral Personalization and Targeting
CN106485562A (zh) * 2015-09-01 2017-03-08 苏宁云商集团股份有限公司 一种基于用户历史行为的商品信息推荐方法及系统
CN105608610A (zh) * 2016-03-22 2016-05-25 北京京东尚科信息技术有限公司 信息推送方法和装置
CN107274242A (zh) * 2016-04-08 2017-10-20 上海旭薇物联网科技有限公司 一种基于关联分析算法的商品推荐方法
JP2017194906A (ja) * 2016-04-22 2017-10-26 株式会社Ｎｔｔドコモ 情報処理装置
CN106228386A (zh) * 2016-07-12 2016-12-14 腾讯科技（深圳）有限公司 一种信息推送方法及装置
CN107944896A (zh) * 2016-10-13 2018-04-20 北京京东尚科信息技术有限公司 确定商品关联程度的方法以及装置

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111080411B (zh) * 2019-12-17 2023-09-15 深圳市梦网视讯有限公司 一种基于网络中心度的商品推送方法、系统及终端设备
CN111080411A (zh) * 2019-12-17 2020-04-28 深圳市梦网百科信息技术有限公司 一种基于网络中心度的商品推送方法、系统及终端设备
CN112950269A (zh) * 2021-03-02 2021-06-11 杭州唯赞数据科技有限公司 一种激励电商订单服务管理系统
CN113222706A (zh) * 2021-05-25 2021-08-06 深圳和锐网络科技有限公司 商品的二次推送方法、装置、电子设备及存储介质
CN113222706B (zh) * 2021-05-25 2024-01-30 深圳和锐网络科技有限公司 商品的二次推送方法、装置、电子设备及存储介质
CN113298568A (zh) * 2021-05-27 2021-08-24 北京沃东天骏信息技术有限公司 用于投放广告的方法及装置
CN113298568B (zh) * 2021-05-27 2024-02-13 北京沃东天骏信息技术有限公司 用于投放广告的方法及装置
WO2022247722A1 (zh) * 2021-05-27 2022-12-01 北京沃东天骏信息技术有限公司 用于投放广告的方法及装置
CN113362141A (zh) * 2021-06-25 2021-09-07 上海浦东发展银行股份有限公司 一种关联商品的推荐方法、装置、介质及电子设备
CN115049442B (zh) * 2022-08-12 2022-10-28 南京中昇智建网络科技有限责任公司 一种数据分析方法及应用系统
CN115049442A (zh) * 2022-08-12 2022-09-13 南京中昇智建网络科技有限责任公司 一种数据分析方法及应用系统
CN115471302B (zh) * 2022-11-14 2023-02-14 山东智豆数字科技有限公司 基于大数据分析的电子营销数据处理方法
CN115471302A (zh) * 2022-11-14 2022-12-13 山东智豆数字科技有限公司 基于大数据分析的电子营销数据处理方法

Similar Documents

Publication Publication Date Title
CN110555712A (zh) 商品关联程度确定方法及装置
JP5945332B2 (ja) パーソナライズ情報転送方法および装置
JP6152173B2 (ja) 商品検索結果の順位付け
CN109087177B (zh) 向目标用户推荐商品的方法、装置及计算机可读存储介质
CN109118336B (zh) 信息推荐方法、装置、计算机设备及存储介质
US9691096B1 (en) Identifying item recommendations through recognized navigational patterns
US20150379609A1 (en) Generating recommendations for unfamiliar users by utilizing social side information
US20140129376A1 (en) Item recommendation system, item recommendation method and program
EP2907052A1 (en) Method and system for search query recommendation
US11321724B1 (en) Product evaluation system and method of use
JP6679451B2 (ja) 選択装置、選択方法および選択プログラム
CN112036981B (zh) 一种用于提供目标对比商品的方法、装置、设备及介质
CN110930214A (zh) 一种用于满减活动的商品排序方法
CN106682923A (zh) 商品调整方法及系统
CN111582973A (zh) 一种商品推荐数据生成方法、装置及系统
CN113689259A (zh) 基于用户行为的商品个性化推荐方法及系统
CN111340565A (zh) 一种信息推荐方法、装置、设备及存储介质
CN106445965B (zh) 信息推广处理方法及装置
JP7043453B2 (ja) 情報処理装置、システム、情報処理方法、およびプログラム
Aprilianti et al. Implementation of weighted parallel hybrid recommender systems for e-commerce in indonesia
JP6397092B1 (ja) 配信装置、配信方法および配信プログラム
JP2020013447A (ja) 決定装置、決定方法および決定プログラム
CN112950322A (zh) 一种基于协同过滤优化的电力零售套餐推荐方法和系统
CN111654714A (zh) 信息处理方法、装置、电子设备和存储介质
US20160307220A1 (en) Non-transitory computer readable medium, information processing apparatus, and information processing method

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination