CN110750623A - 商品组合方法、装置、电子设备及可读存储介质 - Google Patents

商品组合方法、装置、电子设备及可读存储介质 Download PDF

Info

Publication number
CN110750623A
CN110750623A CN201910894719.7A CN201910894719A CN110750623A CN 110750623 A CN110750623 A CN 110750623A CN 201910894719 A CN201910894719 A CN 201910894719A CN 110750623 A CN110750623 A CN 110750623A
Authority
CN
China
Prior art keywords
commodity
candidate
similarity
merchant
combination
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
CN201910894719.7A
Other languages
English (en)
Inventor
王厚志
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 Sankuai Online Technology Co Ltd
Original Assignee
Beijing Sankuai Online 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 Sankuai Online Technology Co Ltd filed Critical Beijing Sankuai Online Technology Co Ltd
Priority to CN201910894719.7A priority Critical patent/CN110750623A/zh
Publication of CN110750623A publication Critical patent/CN110750623A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/3331—Query processing
    • G06F16/334—Query execution
    • G06F16/3344—Query execution using natural language analysis
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06395—Quality analysis or management
    • 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
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0603—Catalogue ordering

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • Educational Administration (AREA)
  • Finance (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本公开的实施例提供了一种商品组合方法、装置、电子设备及可读存储介质，所述方法包括：获取针对目标商家的参考商品组合，所述参考商品组合包括参考商品；针对所述目标商家的候选商品，计算所述候选商品对应的词向量与所述参考商品对应的词向量之间的相似度，得到第一商品相似度，以及，计算所述候选商品对应的原材料与所述参考商品对应的原材料之间的相似度，得到第二商品相似度；根据所述第一商品相似度和第二商品相似度生成所述参考商品组合对应的目标商品组合。可以根据参考商品组合生成目标商家的商品组合，合理性较好，应用场景较广、商品组合具有多样性。

Description

商品组合方法、装置、电子设备及可读存储介质
技术领域
本公开的实施例涉及计算机处理技术领域，尤其涉及一种商品组合方法、装置、电子设备及可读存储介质。
背景技术
商品在进行销售时通常可以将多种商品组合，可以为顾客带来便捷性，有助于提高商品的销售额。
现有方案中，通常结合经验公式和商品属性对商品进行组合。例如，在餐饮销售行业中，4人火锅组合的经验公式为5个荤菜、6个素菜、4个主食、2个凉菜，此时，可以将每个菜品的属性匹配该火锅组合，得到5个荤菜(肥牛、鱼、虾、牛肚、排骨)、6个素菜(豆腐、海带、莲菜、金针菇、菠菜、花菜)、4个主食(4个米饭)、2个凉菜(凉拌黄瓜、凉拌腐竹)的火锅组合。
发明人对现有方案进行研究之后发现，经验公式的准确度会直接影响商品组合的合理性；且经验公式的应用场景受限制，此外经验公式得到的商品组合缺乏多样性。
发明内容
本公开的实施例提供一种商品组合方法、装置、电子设备及可读存储介质，以解决现有技术商品组合的上述问题。
根据本公开的实施例的第一方面，提供了一种商品组合方法，所述方法包括：
获取针对目标商家的参考商品组合，所述参考商品组合包括参考商品；
针对所述目标商家的候选商品，计算所述候选商品对应的词向量与所述参考商品对应的词向量之间的相似度，得到第一商品相似度，以及，计算所述候选商品对应的原材料与所述参考商品对应的原材料之间的相似度，得到第二商品相似度；
根据所述第一商品相似度和第二商品相似度生成所述参考商品组合对应的目标商品组合。
根据本公开的实施例的第二方面，提供了一种商品组合装置，所述装置包括：
参考商品获取模块，用于获取针对目标商家的参考商品组合，所述参考商品组合包括参考商品；
商品相似度计算模块，用于针对所述目标商家的候选商品，计算所述候选商品对应的词向量与所述参考商品对应的词向量之间的相似度，得到第一商品相似度，以及，计算所述候选商品对应的原材料与所述参考商品对应的原材料之间的相似度，得到第二商品相似度；
目标商品组合生成模块，用于根据所述第一商品相似度和第二商品相似度生成所述参考商品组合对应的目标商品组合。
根据本公开的实施例的第三方面，提供了一种电子设备，包括：
处理器、存储器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现前述商品组合方法。
根据本公开的实施例的第四方面，提供了一种可读存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行前述商品组合方法。
本公开的实施例提供了一种商品组合方法、装置、电子设备及可读存储介质，所述方法包括：获取针对目标商家的参考商品组合，所述参考商品组合包括参考商品；针对所述目标商家的候选商品，计算所述候选商品对应的词向量与所述参考商品对应的词向量之间的相似度，得到第一商品相似度，以及，计算所述候选商品对应的原材料与所述参考商品对应的原材料之间的相似度，得到第二商品相似度；根据所述第一商品相似度和第二商品相似度生成所述参考商品组合对应的目标商品组合。可以根据参考商品组合生成目标商家的商品组合，合理性较好，应用场景较广、商品组合具有多样性。
附图说明
为了更清楚地说明本公开的实施例的技术方案，下面将对本公开的实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的实施例的一些实施例，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示出了本公开的一种实施例中的商品组合方法步骤流程图；
图2示出了本公开的另一种实施例中的商品组合方法步骤流程图；
图3示出了本公开的一种实施例中分类标记的示意图；
图4示出了本公开的一种实施例中的商品组合装置的结构图；
图5示出了本公开的另一种实施例中的商品组合装置的结构图；
图6示出了本公开的一种实施例中的电子设备的结构图。
具体实施方式
下面将结合本公开的实施例中的附图，对本公开的实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本公开的实施例一部分实施例，而不是全部的实施例。基于本公开的实施例中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开的实施例保护的范围。
实施例一
参照图1，其示出了本公开的一种实施例中的商品组合方法的步骤流程图，具体如下。
步骤101，获取针对目标商家的参考商品组合，所述参考商品组合包括参考商品。
本公开的实施例应用于对目标商家提供的商品进行组合得到目标商品组合。
其中，参考商品组合可以从目标商家的历史销售记录中提取，例如，有些用户在下订单时经常将多种商品组合起来生成订单，从而可以将该订单中的组合作为参考商品组合。还可以将相似商家指定的商品组合或曾经销售过的商品组合作为目标商家的参考商品组合。
步骤102，针对所述目标商家的候选商品，计算所述候选商品对应的词向量与所述参考商品对应的词向量之间的相似度，得到第一商品相似度，以及，计算所述候选商品对应的原材料与所述参考商品对应的原材料之间的相似度，得到第二商品相似度。
其中，候选商品的词向量可以从语义上分析候选商品和参考商品之间的相似度；原材料可以从商品原料的结构上分析候选商品和参考商品之间的相似度，从而本公开的实施例可以从多个两个维度上更准确的描述相似度。
具体地，可以将商品的名称、描述信息、关键词的词向量拼接为商品的词向量，并计算向量之间的相似度得到第一商品相似度。
此外，还可以将包含的相同原材料的数目占比直接作为第二商品相似度。
步骤103，根据所述第一商品相似度和第二商品相似度生成所述参考商品组合对应的目标商品组合。
具体地，可以仅根据第一商品相似度从候选商品中选取与参考商品组合中每个参考商品的相似商品，得到目标商品组合，也可以仅根据第二商品相似度从候选商品中选取与参考商品组合中每个参考商品的相似商品，得到目标商品组合，还可以将两者结合从候选商品中选取与参考商品组合中每个参考商品的相似商品，得到目标商品组合。
综上所述，本公开的实施例提供了一种商品组合方法，所述方法包括：获取针对目标商家的参考商品组合，所述参考商品组合包括参考商品；针对所述目标商家的候选商品，计算所述候选商品对应的词向量与所述参考商品对应的词向量之间的相似度，得到第一商品相似度，以及，计算所述候选商品对应的原材料与所述参考商品对应的原材料之间的相似度，得到第二商品相似度；根据所述第一商品相似度和第二商品相似度生成所述参考商品组合对应的目标商品组合。可以根据参考商品组合生成目标商家的商品组合，合理性较好，应用场景较广、商品组合具有多样性。
实施例二
参照图2，其示出了在本公开的另一种实施例中的商品组合方法的具体步骤流程图，具体如下。
步骤201，获取目标商家的相似商家，所述相似商家具有对应的预设商品组合。
其中，预设商品组合可以为相似商家销售较好的、或预先制定的商品组合，本公开的实施例对其不加以限制。
具体地，可以从多种角度上确定与目标商家的相似商家，包括但不限于：通过售卖的商品是否包含相同商品以及相同商品的数目，通过网络销售平台上注册的商家类型，与目标商家对应同一商家类型的商家可以作为相似商家等。
可选地，在本公开的另一种实施例中，步骤201包括子步骤A1至A4：
子步骤A1，针对候选分词集合中的每个候选分词，根据所述候选分词在每个候选商家中的出现次数和包含所述候选分词的候选商家的数目，生成所述候选商家对应的贡献度向量。
其中，候选商家可以为任意商家，具体地，可以为网络销售平台上的任意商家，或其余方式获取的商家；候选分词集合可以由所有候选商家的商品信息中提取得到，例如，“西红柿炒鸡蛋”可以划分得到“西红柿”和“鸡蛋”两个分词，添加到候选分词集合中。
候选分词在每个候选商家中的出现次数可以为候选分词在候选商家的商品信息中的出现次数，例如，候选分词“西红柿”在“西红柿炒鸡蛋”、“西红柿鸡蛋羹”、“凉拌西红柿”三个商品信息中出现，从而候选分词“西红柿”在该候选商家到的出现次数为3。
可以理解，候选分词在候选商家中的出现次数越大，包含所述候选分词的候选商家的数目越小，该候选分词对该候选商家的贡献度向量越大；候选分词在候选商家中的出现次数越小，包含所述候选分词的候选商家的数目越大，该候选分词对该候选商家的贡献度越小。候选商家的贡献度向量由多个候选分词对候选商家的贡献度构成。
可选地，在本公开的另一种实施例中，子步骤A1包括子步骤A11至A14：
子步骤A11，根据所述候选分词在每个候选商家中的出现次数，计算所述候选分词对所述每个候选商家的贡献度。
可以理解，候选分词在候选商家中的出现次数越大，则代表该候选分词对该候选商家的贡献度越大；候选分词在候选商家中的出现次数越小，则代表该候选分词对该候选商家的贡献度越小。
具体地，可以根据如下公式计算得到第i个候选分词对第j个候选商家的贡献度CONi,j：
Figure BDA0002209854000000061
其中，NUM1i,j、NUM1k,j分别为第i、k个候选分词在第j个候选商家中的出现次数，K为候选商家的数目。
子步骤A12，针对每个候选分词，根据所述候选商家的总数目与包含所述候选分词的候选商家的总数目，确定所述候选分词对所述每个候选商家的贡献度权重。
在本公开的实施例中，候选商家的总数目越大，包含候选分词的候选商家的总数目越小，贡献度权重越大；候选商家的总数目越小，包含候选分词的候选商家的总数目越大，贡献度权重越小。可以理解，只要满足上述关系的公式均可用于计算贡献度向量。典型的，可以采用如下公式计算候选分词对候选商家的贡献度权重CONW：
Figure BDA0002209854000000062
其中，NUM1和NUM2分别为候选商家的总数目、包含候选分词的候选商家的总数目。
当然，还可以直接将NUM1和NUM2的比值作为贡献度权重。
子步骤A13，根据所述贡献度和所述贡献度权重确定所述候选分词对所述每个候选商家的加权贡献度。
具体地，可以将贡献度和贡献度权重相乘得到加权贡献度。
子步骤A14，针对每个候选商家，根据所述候选分词对所述每个候选商家的加权贡献度生成所述候选商家对应的贡献度向量。
具体地，每个候选商家的加权贡献度可以作为贡献度向量的其中一个维度，贡献度向量的数目为候选分词的数目。例如，候选分词包括N个分词：CP1、CP2、…、CPN，其对候选商家的加权贡献度分别为：WC1、WC2、…、WCN，从而得到该候选商家的贡献度向量为：[WC1，WC2，…，WCN]。
本公开的实施例可以结合候选分词在每个候选商家中的出现次数、候选商家的总数目、包含候选分词的数目，准确的生成候选商家的贡献度向量，有助于提高相似商家的准确度。
子步骤A2，计算候选商家对应的贡献度向量与所述目标商家对应的贡献度向量之间的相似度，得到第一商家相似度。
在实际应用中，第一商家相似度可以有多种计算方式，例如，余弦相似度、欧几里得相似度、Jaccard相似度、曼哈顿相似度、皮尔逊相似度。
具体地，按照如下余弦相似度计算得到第一商家相似度SSI1：
Figure BDA0002209854000000071
其中，CCi为候选商家的贡献度向量在第i个维度上的取值，TCi为目标商家的贡献度向量在第i个维度上的取值，I为向量的维数。
可以理解，按照上述其余方法计算第一商家相似度时，将CCi、TCi带入对应公式即可，在此不再赘述。
子步骤A3，计算所述候选商家对应的属性特征和所述目标商家对应的属性特征之间的相似度得到第二商家相似度。
其中，属性特征可以包括但不限于：商家的客单价、商家位置、商家类型。
具体地，可以逐个计算每个属性特征之间的差值或比值，作为候选商家和目标商家在该属性特征上的相似度，然后将候选商家和目标商家在所有属性特征上的相似度相加或相乘得到第二商家相似度。
在实际应用中，还可以将属性特征组成特征向量，然后计算向量之间的相似度，向量之间的相似度可以参照子步骤A2中的说明。
子步骤A4，根据所述第一商家相似度和所述第二商家相似度从所述候选商家中选取所述目标商家的相似商家。
具体地，可以按照第一商家相似度选取目标商家的相似商家，还可以按照第二商家相似度选取目标商家的相似商家，还可以将两者结合。
本公开的实施例可以从多个角度计算相似度，并确定目标商家的相似商家，有助于提高相似商家的准确度。
可选地，在本公开的另一种实施例中，所述子步骤A4包括子步骤A41至A42：
子步骤A41，对所述第一商家相似度和所述第二商家相似度进行加权运算得到综合商家相似度。
具体地，可以将第一商家相似度和第二商家相似度按照如下和的方式进行加权：
SSI＝w1·SSI1+w2·SSI2 (4)
或，将第一商家相似度和第二商家相似度按照如下积的方式进行加权：
SSI＝SSI1·SSI2 (5)
其中，SSI1、SSI2分别为第一商家相似度和第二商家相似度，w1、w2分别为权重。
可以理解，本公开的实施例对加权运算的具体公式不加以限制，仅要保证如下关系即可：若第一商家相似度越大、第二商家相似度越大，则综合商家相似度越大；若第一商家相似度越小、第二商家相似度越小，则综合商家相似度越小。
子步骤A42，从所述候选商家按照所述综合商家相似度降序排列的商家序列中，选取靠前位置中预设数量的商家得到所述目标商家的相似商家。
其中，预设数量可以按照实际应用场景设定，本公开的实施例对其不加以限制。在实际应用中，还可以结合商家相似度阈值，将综合商家相似度大于或等于商家相似度阈值，且排序靠前的商家作为目标商家的相似商家。
本公开的实施例可以对第一商家相似度和第二商家相似度进行加权，结合两者确定相似商家，有助于提高相似商家的准确度。
步骤202，从所述预设商品组合中选取参考商品组合，所述参考商品组合包括参考商品。
具体地，可以从不同角度选取较好的参考商品组合，例如，选取在历史时间内销量较高的预设商品组合，或，评价较高的预设商品组合，或，将价格合适、数量合适的预设商品组合，或，将访问量或下单量较高的预设商品组合，也可以将销量、评价、价格、数量、访问量或下单量其中多个结合。
可选地，在本公开的另一种实施例中，所述步骤202包括子步骤B1至B3：
子步骤B1，统计所述预设商品组合的销量，以及计算所述预设商品组合中对应有标签的商品占比得到标签覆盖率。
其中，销量可以为单位时间的历史销量，例如，一天或一月或一周的历史销量。
标签可以为对商品的描述信息，具有标签的商品更方便用户下单时了解该商品，从而预设商品组合中具有标签的商品越多越好。
子步骤B2，对所述销量、所述标签覆盖率和所述综合商家相似度进行加权运算得到所述预设商品组合的质量得分。
具体地，预设商品组合的质量得分SCORE可以参照如下公式计算得到：
SCORE＝w3·SVL+w4·LCV+w5·BSI (6)
其中，SVL为销量，LCV为标签覆盖率，BSI为综合商家相似度，w3、w4、w5分别为销量、标签覆盖率、综合商家相似度的权重。
当然，还可以以其余方式对三者进行加权，例如相乘，本公开的实施例对具体加权算法不加以限制。
子步骤B3，从所述预设商品组合按照所述质量得分降序排列的商品组合序列中，选取靠前位置中预设数量的预设商品组合得到参考商品组合。
其中，预设数量可以根据实际应用场景选取，本公开的实施例对其不加以限制。
此外，为了进一步保证参考商品组合的质量，还可以结合质量阈值选取参考商品组合，选取靠前位置中预设数量，且质量得分大于或等于质量阈值的预设商品组合作为参考商品组合。
本公开的实施例可以对预设商品组合预测得到质量得分，并根据商品质量得分选取参考商品组合，有助于提高参考商品组合的质量。
步骤203，针对所述目标商家的候选商品，采用预先训练得到的类型预测模型，分别预测所述候选商品和所述参考商品的名称中每个词的分类标记，所述分类标记包括主干词标记。
其中，类型预测模型可以为机器学习模型，例如，神经网络模型，可以通过预先标注了主干词标记、非主干词标记的样本训练得到。如图3所示，“家常西红柿炒鸡蛋大份”中，“家常”和“大份”被标记为0，即非主干词标记，“西红柿炒鸡蛋”被标记为主干词标记，在本公开的实施例中，将主干词标记具体细分为三种，B代表主干词标记的起始位置，M代表主干词标记的中间位置，E代表主干词标记的结束位置。从而类型预测模型可以预先从样本中学习到主干词的特征和非主干词的特征。
可以理解，主干词具体包括什么内容，与标注为主干词的样本相关，在本公开的实施例中，将烹饪方法也标记为主干词，例如，“炒”、“蒸”、“煮”等。
步骤204，分别从所述候选商品和所述参考商品的名称中提取分类标记为主干词标记的词，得到候选主干词和参考主干词。
基于步骤203中标注的样本，主干词标记的词对应为B、M、E对应的词。例如，将“西红柿炒鸡蛋”提取出来作为主干词。
步骤205，计算所述候选主干词对应的词向量与所述参考主干词对应的词向量之间的相似度，得到第一商品相似度。
在实际应用中，词向量之间的相似度可以有多种计算方式，例如，余弦相似度、欧几里得相似度、Jaccard相似度、曼哈顿相似度、皮尔逊相似度。
具体地，按照如下余弦相似度计算得到第一商品相似度CSI1：
Figure BDA0002209854000000101
其中，CVi为候选主干词的词向量在第i个维度上的取值，RVi为参考主干词的词向量在第i个维度上的取值，I为向量的维数。
可以理解，按照上述其余方法计算相似度时，将CVi、RVi带入对应公式即可，在此不再赘述。
本公开的实施例可以仅从主干词的语义上确定参考商品与候选商品之前的相似度，有助于提高相似度的准确度。
步骤206，针对所述目标商家的候选商品，确定所述候选商品对应的原材料和所述参考商品对应的原材料包含的相同原材料和总原材料。
其中，候选商品对应的原材料为生产候选商品时采用的材料，例如，对于外卖场景，“红烧茄子”的原材料为“茄子”，“西红柿炒鸡蛋”的原材料为“西红柿”和“鸡蛋”，“饼干”的原材料为“面粉”、“鸡蛋”等。可以理解，这里所说的原材料为主要原材料，配料可以不考虑，例如，盐、添加剂等。
在实际应用中，若候选商品的原材料包括：A、B、C、E，参考商品的原材料为B、C、D、E，从而相同原材料为：B、C、E，总原材料为A、B、C、D、E。
步骤207，根据所述相同原材料在所述总原材料中的数目占比，确定所述候选商品对应的原材料与所述参考商品对应的原材料之间的相似度，得到第二商品相似度。
可以理解，相同原材料在总原材料中的数目占比为相同原材料的数目与总原材料的数目的比值，例如，步骤206中的例子，数目占比为3/5＝0.6
具体地，可以直接将数目占比直接作为第二商品相似度，也可以对数目占比进行线性或非线性变化得到第二商品相似度，但需要保证如下关系：数目占比越大，第二商品相似度越大；数目占比越小，第二商品相似度越小。
本公开的实施例可以根据相同原材料的占比准确描述候选商品和参考商品之间的相似度，有助于提高商品组合的准确度，将与参考商品包含有较多相同原材料的候选商品作为参考商品的相似商品。
步骤208，对所述第一商品相似度与所述第二商品相似度进行加权计算，得到所述候选商品与所述参考商品的综合商品相似度。
具体地，综合商品相似度CCSI可以按照如下公式计算得到：
CCSI＝w6·CSI1+w7·CSI2 (8)
其中，w6为第一商品相似度的权重，w7为第二商品相似度的权重，CSI1、CSI2分别为第一商品相似度、第二商品相似度，w6、w7可以为归一化的权重。
步骤209，针对所述参考商品组合，根据所述综合商品相似度从目标商家的候选商品中选取与所述参考商品组合中每个参考商品的相似商品，作为目标商品组合中的目标商品。
具体地，可以选取与参考商品的综合商品相似度最高的候选商品，作为参考商品的相似商品。例如，若参考商品组合包括：RC1、RC2、RC3，其中，与RC1的综合商品相似度最大的候选商品为SC1，与RC2的综合商品相似度最大的候选商品为SC2，与RC3的综合商品相似度最大的候选商品为SC3，从而得到目标商品组合包括：SC1、SC2、SC3。
综上所述，基于实施例一，本公开的实施例提供了另一种商品组合方法，除具有实施例一的有益效果外，还可以结合候选分词在每个候选商家中的出现次数、候选商家的总数目、包含候选分词的数目，准确的生成候选商家的贡献度向量，有助于提高相似商家的准确度；从多个角度计算相似度，并确定目标商家的相似商家，有助于提高相似商家的准确度；可以对第一商家相似度和第二商家相似度进行加权，结合两者确定相似商家，有助于提高相似商家的准确度；可以对预设商品组合预测得到质量得分，并根据商品质量得分选取参考商品组合，有助于提高参考商品组合的质量；可以仅从主干词的语义上确定参考商品与候选商品之前的相似度，有助于提高相似度的准确度；可以根据相同原材料的占比准确描述候选商品和参考商品之间的相似度，有助于提高商品组合的准确度，将与参考商品包含有较多相同原材料的候选商品作为参考商品的相似商品。
实施例三
参照图4，其示出了在本公开的另一种实施例中的商品组合装置的结构图，具体如下。
参考商品获取模块301，用于获取针对目标商家的参考商品组合，所述参考商品组合包括参考商品。
商品相似度计算模块302，用于针对所述目标商家的候选商品，计算所述候选商品对应的词向量与所述参考商品对应的词向量之间的相似度，得到第一商品相似度，以及，计算所述候选商品对应的原材料与所述参考商品对应的原材料之间的相似度，得到第二商品相似度。
目标商品组合生成模块303，用于根据所述第一商品相似度和第二商品相似度生成所述参考商品组合对应的目标商品组合。
综上所述，本公开的实施例提供了一种商品组合装置，所述装置包括：参考商品获取模块，用于获取针对目标商家的参考商品组合，所述参考商品组合包括参考商品；商品相似度计算模块，用于针对所述目标商家的候选商品，计算所述候选商品对应的词向量与所述参考商品对应的词向量之间的相似度，得到第一商品相似度，以及，计算所述候选商品对应的原材料与所述参考商品对应的原材料之间的相似度，得到第二商品相似度；目标商品组合生成模块，用于根据所述第一商品相似度和第二商品相似度生成所述参考商品组合对应的目标商品组合。可以根据参考商品组合生成目标商家的商品组合，合理性较好，应用场景较广、商品组合具有多样性。
实施例三为实施例一对应的装置实施例，详细说明可以参照实施例一，在此不再赘述。
实施例四
参照图5，其示出了在本公开的一种实施例中的商品组合装置的结构图，具体如下。
参考商品获取模块401，用于获取针对目标商家的参考商品组合，所述参考商品组合包括参考商品；可选地，在本公开的实施例中，所述参考商品获取模块401包括：
相似商家获取子模块4011，用于获取目标商家的相似商家，所述相似商家具有对应的预设商品组合。
参考商品组合选取子模块4012，用于从所述预设商品组合中选取参考商品组合。
商品相似度计算模块402，用于针对所述目标商家的候选商品，计算所述候选商品对应的词向量与所述参考商品对应的词向量之间的相似度，得到第一商品相似度，以及，计算所述候选商品对应的原材料与所述参考商品对应的原材料之间的相似度，得到第二商品相似度；可选地，在本公开的实施例中，所述商品相似度计算模块402包括：
分类标记生成子模块4021，用于采用预先训练得到的类型预测模型，分别预测所述候选商品和所述参考商品的名称中每个词的分类标记，所述分类标记包括主干词标记。
主干词提取子模块4022，用于分别从所述候选商品和所述参考商品的名称中提取分类标记为主干词标记的词，得到候选主干词和参考主干词。
第一商品相似度计算子模块4023，用于计算所述候选主干词对应的词向量与所述参考主干词对应的词向量之间的相似度，得到第一商品相似度。
原材料确定子模块4024，用于确定所述候选商品对应的原材料和所述参考商品对应的原材料包含的相同原材料和总原材料。
第二商品相似度计算子模块4025，用于根据所述相同原材料在所述总原材料中的数目占比，确定所述候选商品对应的原材料与所述参考商品对应的原材料之间的相似度，得到第二商品相似度。
目标商品组合生成模块403，用于根据所述第一商品相似度和第二商品相似度生成所述参考商品组合对应的目标商品组合；可选地，在本公开的实施例中，所述目标商品组合生成模块403，包括：
商品相似度加权子模块4031，用于对所述第一商品相似度与所述第二商品相似度进行加权计算，得到所述候选商品与所述参考商品的综合商品相似度。
目标商品组合生成子模块4032，用于针对所述参考商品组合，根据所述综合商品相似度从目标商家的候选商品中选取与所述参考商品组合中每个参考商品的相似商品，作为目标商品组合中的目标商品。
可选地，在本公开的另一种实施例中，所述相似商家获取子模块4011，包括：
贡献度向量生成单元，用于针对候选分词集合中的每个候选分词，根据所述候选分词在每个候选商家中的出现次数和包含所述候选分词的候选商家的数目，生成所述候选商家对应的贡献度向量。
第一商家相似度计算单元，用于计算候选商家对应的贡献度向量与所述目标商家对应的贡献度向量之间的相似度，得到第一商家相似度。
第二商家相似度计算单元，用于计算所述候选商家对应的属性特征和所述目标商家对应的属性特征之间的相似度得到第二商家相似度。
相似商家选取单元，用于根据所述第一商家相似度和所述第二商家相似度从所述候选商家中选取所述目标商家的相似商家。
可选地，在本公开的另一种实施例中，所述贡献度向量生成单元包括：
贡献度计算子单元，用于根据所述候选分词在每个候选商家中的出现次数，计算所述候选分词对所述每个候选商家的贡献度。
贡献度权重确定子单元，用于针对每个候选分词，根据所述候选商家的总数目与包含所述候选分词的候选商家的总数目，确定所述候选分词对所述每个候选商家的贡献度权重。
贡献度加权子单元，用于根据所述贡献度和所述贡献度权重确定所述候选分词对所述每个候选商家的加权贡献度。
贡献度向量生成子单元，用于针对每个候选商家，根据所述候选分词对所述每个候选商家的加权贡献度生成所述候选商家对应的贡献度向量。
可选地，在本公开的另一种实施例中，所述相似商家选取单元，包括：
商家相似度加权子单元，用于对所述第一商家相似度和所述第二商家相似度进行加权运算得到综合商家相似度。
相似商家爱选取子单元，用于从所述候选商家按照所述综合商家相似度降序排列的商家序列中，选取靠前位置中预设数量的商家得到所述目标商家的相似商家。
可选地，在本公开的另一种实施例中，所述参考商品组合选取子模块4012：
标签覆盖率计算单元，统计所述预设商品组合的销量，以及计算所述预设商品组合中对应有标签的商品占比得到标签覆盖率。
质量得分计算单元，用于对所述销量、所述标签覆盖率和所述综合商家相似度进行加权运算得到所述预设商品组合的质量得分。
参考商品组合选取单元，用于从所述预设商品组合按照所述质量得分降序排列的商品组合序列中，选取靠前位置中预设数量的预设商品组合得到参考商品组合。
综上所述，基于实施例三，本公开的实施例提供了另一种商品组合装置，除具有实施例三的有益效果外，还可以结合候选分词在每个候选商家中的出现次数、候选商家的总数目、包含候选分词的数目，准确的生成候选商家的贡献度向量，有助于提高相似商家的准确度；从多个角度计算相似度，并确定目标商家的相似商家，有助于提高相似商家的准确度；可以对第一商家相似度和第二商家相似度进行加权，结合两者确定相似商家，有助于提高相似商家的准确度；可以对预设商品组合预测得到质量得分，并根据商品质量得分选取参考商品组合，有助于提高参考商品组合的质量；可以仅从主干词的语义上确定参考商品与候选商品之前的相似度，有助于提高相似度的准确度；可以根据相同原材料的占比准确描述候选商品和参考商品之间的相似度，有助于提高商品组合的准确度，将与参考商品包含有较多相同原材料的候选商品作为参考商品的相似商品。
实施例四为实施例二对应的装置实施例，详细说明可以参照实施例二，在此不再赘述。
本公开的实施例还提供了一种电子设备，参照图6，包括：处理器501、存储器502以及存储在所述存储器502上并可在所述处理器上运行的计算机程序5021，所述处理器501执行所述程序时实现前述实施例的商品组合方法。
本公开的实施例还提供了一种可读存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行前述实施例的商品组合方法。
对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本公开的实施例也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本公开的实施例的内容，并且上面对特定语言所做的描述是为了披露本公开的实施例的最佳实施方式。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本公开的实施例的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本公开的实施例的示例性实施例的描述中，本公开的实施例的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本公开的实施例要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本公开的实施例的单独实施例。
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
本公开的实施例的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本公开的实施例的商品组合设备中的一些或者全部部件的一些或者全部功能。本公开的实施例还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序。这样的实现本公开的实施例的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
应该注意的是上述实施例对本公开的实施例进行说明而不是对本公开的实施例进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本公开的实施例可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
以上所述仅为本公开的实施例的较佳实施例而已，并不用以限制本公开的实施例，凡在本公开的实施例的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本公开的实施例的保护范围之内。
以上所述，仅为本公开的实施例的具体实施方式，但本公开的实施例的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本公开的实施例揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本公开的实施例的保护范围之内。因此，本公开的实施例的保护范围应以权利要求的保护范围为准。

Claims (12)

1.一种商品组合方法，包括：
获取针对目标商家的参考商品组合，所述参考商品组合包括参考商品；
针对所述目标商家的候选商品，计算所述候选商品对应的词向量与所述参考商品对应的词向量之间的相似度，得到第一商品相似度，以及，计算所述候选商品对应的原材料与所述参考商品对应的原材料之间的相似度，得到第二商品相似度；
根据所述第一商品相似度和第二商品相似度生成所述参考商品组合对应的目标商品组合。
2.根据权利要求1所述的方法，其中，所述计算所述候选商品对应的词向量与所述参考商品对应的词向量之间的相似度，得到第一商品相似度的步骤，包括：
采用预先训练得到的类型预测模型，分别预测所述候选商品和所述参考商品的名称中每个词的分类标记，所述分类标记包括主干词标记；
分别从所述候选商品和所述参考商品的名称中提取分类标记为主干词标记的词，得到候选主干词和参考主干词；
计算所述候选主干词对应的词向量与所述参考主干词对应的词向量之间的相似度，得到第一商品相似度。
3.根据权利要求1所述的方法，其中，所述计算所述候选商品对应的原材料与所述参考商品对应的原材料之间的相似度，得到第二商品相似度的步骤，包括：
确定所述候选商品对应的原材料和所述参考商品对应的原材料包含的相同原材料和总原材料；
根据所述相同原材料在所述总原材料中的数目占比，确定所述候选商品对应的原材料与所述参考商品对应的原材料之间的相似度，得到第二商品相似度。
4.根据权利要求1至3其中任一项所述的方法，其中，所述根据所述第一商品相似度和第二商品相似度生成所述参考商品组合对应的目标商品组合的步骤，包括：
对所述第一商品相似度与所述第二商品相似度进行加权计算，得到所述候选商品与所述参考商品的综合商品相似度；
针对所述参考商品组合，根据所述综合商品相似度从目标商家的候选商品中选取与所述参考商品组合中每个参考商品的相似商品，作为目标商品组合中的目标商品。
5.根据权利要求4所述的方法，其中，所述获取针对目标商家的参考商品组合的步骤，包括：
获取目标商家的相似商家，所述相似商家具有对应的预设商品组合；
从所述预设商品组合中选取参考商品组合，所述参考商品组合由参考商品组成。
6.根据权利要求5所述的方法，其中，所述获取目标商家的相似商家的步骤，包括：
针对候选分词集合中的每个候选分词，根据所述候选分词在每个候选商家中的出现次数和包含所述候选分词的候选商家的数目，生成所述候选商家对应的贡献度向量；
计算候选商家对应的贡献度向量与所述目标商家对应的贡献度向量之间的相似度，得到第一商家相似度；
计算所述候选商家对应的属性特征和所述目标商家对应的属性特征之间的相似度得到第二商家相似度；
根据所述第一商家相似度和所述第二商家相似度从所述候选商家中选取所述目标商家的相似商家。
7.根据权利要求6所述的方法，其中，所述根据所述候选分词在每个候选商家中的出现次数和包含所述候选分词的候选商家的数目，生成所述候选商家对应的贡献度向量的步骤，包括：
根据所述候选分词在每个候选商家中的出现次数，计算所述候选分词对所述每个候选商家的贡献度；
针对每个候选分词，根据所述候选商家的总数目与包含所述候选分词的候选商家的总数目，确定所述候选分词对所述每个候选商家的贡献度权重；
根据所述贡献度和所述贡献度权重确定所述候选分词对所述每个候选商家的加权贡献度；
针对每个候选商家，根据所述候选分词对所述每个候选商家的加权贡献度生成所述候选商家对应的贡献度向量。
8.根据权利要求6所述的方法，其中，所述根据所述第一商家相似度和所述第二商家相似度从所述候选商家中选取所述目标商家的相似商家的步骤，包括：
对所述第一商家相似度和所述第二商家相似度进行加权运算得到综合商家相似度；
从所述候选商家按照所述综合商家相似度降序排列的商家序列中，选取靠前位置中预设数量的商家得到所述目标商家的相似商家。
9.根据权利要求5所述的方法，其中，所述从所述预设商品组合中选取参考商品组合的步骤，包括：
统计所述预设商品组合的销量，以及计算所述预设商品组合中对应有标签的商品占比得到标签覆盖率；
对所述销量、所述标签覆盖率和所述综合商家相似度进行加权运算得到所述预设商品组合的质量得分；
从所述预设商品组合按照所述质量得分降序排列的商品组合序列中，选取靠前位置中预设数量的预设商品组合得到参考商品组合。
10.一种商品组合装置，所述装置包括：
参考商品获取模块，用于获取针对目标商家的参考商品组合，所述参考商品组合包括参考商品；
商品相似度计算模块，用于针对所述目标商家的候选商品，计算所述候选商品对应的词向量与所述参考商品对应的词向量之间的相似度，得到第一商品相似度，以及，计算所述候选商品对应的原材料与所述参考商品对应的原材料之间的相似度，得到第二商品相似度；
目标商品组合生成模块，用于根据所述第一商品相似度和第二商品相似度生成所述参考商品组合对应的目标商品组合。
11.一种电子设备，包括：
处理器、存储器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-9中任一项所述的商品组合方法。
12.一种可读存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行如方法权利要求1-9中任一项所述的商品组合方法。
CN201910894719.7A 2019-09-20 2019-09-20 商品组合方法、装置、电子设备及可读存储介质 Pending CN110750623A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910894719.7A CN110750623A (zh) 2019-09-20 2019-09-20 商品组合方法、装置、电子设备及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910894719.7A CN110750623A (zh) 2019-09-20 2019-09-20 商品组合方法、装置、电子设备及可读存储介质

Publications (1)

Publication Number Publication Date
CN110750623A true CN110750623A (zh) 2020-02-04

Family

ID=69276816

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910894719.7A Pending CN110750623A (zh) 2019-09-20 2019-09-20 商品组合方法、装置、电子设备及可读存储介质

Country Status (1)

Country Link
CN (1) CN110750623A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111582731A (zh) * 2020-05-11 2020-08-25 拉扎斯网络科技（上海）有限公司 数据处理方法、装置、电子设备及可读存储介质
CN115271880A (zh) * 2022-08-10 2022-11-01 江苏衫数科技集团有限公司 一种服装选款的方法和系统

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111582731A (zh) * 2020-05-11 2020-08-25 拉扎斯网络科技（上海）有限公司 数据处理方法、装置、电子设备及可读存储介质
CN115271880A (zh) * 2022-08-10 2022-11-01 江苏衫数科技集团有限公司 一种服装选款的方法和系统
CN115271880B (zh) * 2022-08-10 2023-11-03 江苏衫数科技集团有限公司 一种服装选款的方法和系统

Similar Documents

Publication Publication Date Title
CN110298725B (zh) 商品组合的推荐方法、装置、电子设备及可读存储介质
CN109635198B (zh) 在商品展示平台上呈现用户搜索结果的方法、装置、介质及电子设备
US20130339163A1 (en) Food Recommendation Based on Order History
CN108648059B (zh) 订单推荐方法及装置
US20150169758A1 (en) Multi-partite graph database
US20130275037A1 (en) Consumer Information and Navigation System for Nutritional Substances
US20160103834A1 (en) Food recipe scoring and ranking system
JP2015510646A5 (zh)
CN110851571B (zh) 数据处理方法、装置、电子设备及计算机可读存储介质
US11823042B2 (en) System for measuring food weight
Chokr et al. Calories prediction from food images
EP2839424A2 (en) Consumer information system for nutritional substances
JP7013403B2 (ja) 食材又は調味料の使用量を推定する情報装置、プログラム及び方法
KR20170118297A (ko) 기상 정보에 기반한 상품 추천 방법
CN110750623A (zh) 商品组合方法、装置、电子设备及可读存储介质
Wang et al. The purchase willingness of consumers for red meat in China
US20200233875A1 (en) Methods and systems for nutritional analysis
Schäfer et al. User nutrition modelling and recommendation: Balancing simplicity and complexity
Ruede et al. Multi-task learning for calorie prediction on a novel large-scale recipe dataset enriched with nutritional information
Li et al. Cross-modal image-recipe retrieval via intra-and inter-modality hybrid fusion
WO2021183999A1 (en) Value based commodity selection
CN110555752A (zh) 个性化推荐方法、装置、电子设备及可读存储介质
CN110570271A (zh) 信息推荐方法、装置、电子设备及可读存储介质
CN117710530A (zh) 图像生成方法、装置、设备及存储介质
KR20170006313A (ko) 배식 정보 제공 장치 및 배식 정보 제공 방법

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