CN110766488A - 一种自动确定主题场景的方法和装置 - Google Patents

Abstract

本发明公开了一种自动确定主题场景的方法和装置，涉及搜索推荐领域。该方法的一具体实施方式包括：根据已知一段时间内的各个类目的搜索频次变化情况，预测各个类目未来一段时间的搜索频次，并计算各个类目的热度评分；对于热度评分靠前的N个类目，通过关键词提取方式，提取出各个类目中标题含有的实体词，进而得到各个类目对应的实体词列表；依据各个类目对应的实体词列表，计算各个类目间的相似度，将相似度最近的M个类目聚合为一个主题场景，生成至少一个主题场景。该实施方式能够提高以前单纯依靠人力完成的挖掘主题场景的推送效果。

Description

一种自动确定主题场景的方法和装置

技术领域

本发明涉及电子商务、自然语言处理、搜索推荐等技术领域，尤其涉及一种自动确定主题场景的方法和装置。

背景技术

随着电商公司业务的不断发展，积累了大量数据，依据现有的机器学习技术，可以从数据中挖掘出近期各个品类下搜索热度变化趋势，再结合类目间的相似度可以计算并构建出热点主题场景，进而选择出相关联的商品推送给用户，满足用户的需求。通过这种方式可以达到降低人力成本，提高效率，增强用户体验，提高商品转化率的目的。

目前，一般是运营人员根据最近运营情况，凭借自身对业务的理解，结合季节性、舆论趋势判断接下来一段时间重点推送的主题场景，并在每个主题场景中选择一些卖点不错的商品。然后将商品场景和商品数据整理成电子表格后发给技术人员，技术人员将数据通过后台结合一些用户特征推送给用户。

举例来讲，比如夏季快到了，运营人员凭借以往的经验，决定推送“清凉一夏”主题场景，然后在这个主题场景下选择若干商品，整理好后交给技术人员，技术人员再结合不同用户的消费习惯、偏好等推送，最终达到引流提高转化率的目的。

在实现本发明过程中，发明人发现现有技术中至少存在如下问题：

第一个缺点是人力资源的浪费，从主题选择到商品选择，均需要投入大量运营团队去核实、确定；第二个缺点是无法实时获取动态，人的精力是有限的，不可能凭借自身能力持续得获取到每天各种商品热度变化趋势；第三个缺点是主题创意受限制，凭借人自身经验，终究会有穷尽的时候；第四个缺点是主题商品的选择准确性，人为确定的主题场景是否是真正热点，该主题场景在未来几天是否是上升的趋势，人获取出来的结果并不一定准确。综上所述，现有阶段单纯依靠人力完成的主题场景的挖掘还有很多可以改进的空间。

发明内容

有鉴于此，本发明实施例提供一种自动确定主题场景的方法和装置，能够解决单纯依靠人力完成的主题场景的挖掘的问题。

为实现上述目的，根据本发明实施例的一个方面，提供了一种自动确定主题场景的方法，包括：

根据已知一段时间内的各个类目的搜索频次变化情况，预测各个类目未来一段时间的搜索频次，并计算各个类目的热度评分；

对于热度评分靠前的N个类目，通过各个类目对应的标题，提取出各个类目中标题含有的实体词，进而得到各个类目对应的实体词列表；

依据各个类目对应的实体词列表，计算各个类目之间的相似度，将相似度最近的M个类目聚合为一个主题场景，生成至少一个主题场景；

其中，N和M均为大于零的正整数。

可选地，预测各个类目未来一段时间的搜索频次，包括：

通过趋势预测函数预测各个类目未来一段时间的搜索频次，该趋势预测函数描述为：

y(t)＝g(t)+s(t)+h(t)+ε

其中，y(t)为预测的搜索频次，g(t)为成长趋势函数，s(t)为季节性影响函数，h(t)为节假日及事件影响函数，ε为异常分量。

可选地，计算各个类目的热度评分，包括：

针对每一个类目，已知一段时间内的该类目的搜索频次组成的数列为A，预测得到的该类目未来一段时间的搜索频次组成的数列为B，则通过数列A和数列B计算该类目的趋势指数和波动指数：

其中，M为趋势指数，N为波动指数，ACC为数列A中的最后一个值，BCC为数列B中的最后一个值；

基于趋势指数和波动指数，对各个类目进行降序排列，筛选出符合预设阈值的类目；

基于筛选出的各个类目的近期搜索频次，确定各个类目的热度评分。

可选地，通过各个类目对应的实体词列表的相似度，计算各个类目之间的相似度，包括：

根据两个类目的交集词数与并集词数的比例计算相似度：

其中，分子为两个类目对应的实体词列表的交集词数，分母为两个类目对应的实体词列表的并集词数。

可选地，还包括：根据各个主题场景对应的搜索词，确定各个主题场景对应的推荐商品；

其中，针对每一个主题场景，计算该主题场景对应的所有商品的综合评分，并按照综合评分进行降序排列，从而确定该主题场景对应的推荐商品。

可选地，计算该主题场景对应的所有商品的综合评分，包括：

针对每一个商品，通过该商品所述的主题场景的主题热度、该商品所属的类目的趋势指数、该商品近一段时间的销量，并结合权重，计算得到该商品的综合评分。

可选地，所述方法还包括：

根据各个搜索词的每日搜索频次及其所属的类目，以类目对应的所有搜索词中搜索频次的极大值作为该类目的搜索频次，从而确定已知一段时间内的各个类目的搜索频次变化情况。

另外，根据本发明实施例的另一个方面，提供了一种自动确定主题场景的装置，包括：

热度预测模块，用于根据已知一段时间内的各个类目的搜索频次变化情况，预测各个类目未来一段时间的搜索频次，并计算各个类目的热度评分；

类目筛选模块，用于通过各个类目对应的标题，提取出各个类目中标题含有的实体词，进而得到各个类目对应的实体词列表；

主题聚合模块，用于依据各个类目对应的实体词列表，计算各个类目之间的相似度，将相似度最近的M个类目聚合为一个主题场景，生成至少一个主题场景；

其中，N和M均为大于零的正整数。

可选地，预测各个类目未来一段时间的搜索频次，包括：

通过趋势预测函数预测各个类目未来一段时间的搜索频次，该趋势预测函数描述为：

y(t)＝g(t)+s(t)+h(t)+ε

其中，y(t)为预测的搜索频次，g(t)为成长趋势函数，s(t)为季节性影响函数，h(t)为节假日及事件影响函数，ε为异常分量。

可选地，计算各个类目的热度评分，包括：

针对每一个类目，已知一段时间内的该类目的搜索频次组成的数列为A，预测得到的该类目未来一段时间的搜索频次组成的数列为B，则通过数列A和数列B计算该类目的趋势指数和波动指数：

其中，M为趋势指数，N为波动指数，ACC为数列A中的最后一个值，BCC为数列B中的最后一个值；

基于趋势指数和波动指数，对各个类目进行降序排列，筛选出符合预设阈值的类目；

基于筛选出的各个类目的近期搜索频次，确定各个类目的热度评分。

可选地，通过各个类目对应的实体词列表的相似度，计算各个类目之间的相似度，包括：

根据两个类目的交集词数与并集词数的比例计算相似度：

其中，分子为两个类目对应的实体词列表的交集词数，分母为两个类目对应的实体词列表的并集词数。

可选地，还包括：

商品推荐模块，用于根据各个主题场景对应的搜索词，确定各个主题场景对应的推荐商品；

其中，针对每一个主题场景，计算该主题场景对应的所有商品的综合评分，并按照综合评分进行降序排列，从而确定该主题场景对应的推荐商品。

可选地，计算该主题场景对应的所有商品的综合评分，包括：

针对每一个商品，通过该商品所述的主题场景的主题热度、该商品所属的类目的趋势指数、该商品近一段时间的销量，并结合权重，计算得到该商品的综合评分。

可选地，所述热度预测模块还用于：

根据各个搜索词的每日搜索频次及其所属的类目，以类目对应的所有搜索词中搜索频次的极大值作为该类目的搜索频次，从而确定各个类目的搜索频次。

根据本发明实施例的另一个方面，还提供了一种电子设备，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现上述任一实施例所述的方法。

根据本发明实施例的另一个方面，还提供了一种计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现上述任一实施例所述的方法。

上述发明中的一个实施例具有如下优点或有益效果：因为采用通过各个类目对应的实体词的相似度，计算各个类目之间的相似度，将类目聚合为多个主题场景；根据各个主题场景对应的搜索词，确定各个主题场景对应的推荐商品的技术手段，所以克服了单纯依靠人力完成的技术问题；本发明通过已知的频次数据预测未来一段时间各个类目的搜索频次变化趋势，并结合评分机制，自动化抽取热点主题场景。本发明实施例可以实时有效地提取热点主题，并推荐综合评分较高的商品；相较于现有运行方案，较大地降低了人力成本，提高线上流量，进而提高转化率；能较为准确地反映未来一段时间具有上升趋势的热点主题场景。因此，本发明实施例可以每日自动化提取当日热点主题场景并进行商品推荐，降低人力工作量，提高热点提取准确性、多样性，进而达到引流提高转化率的效果。

上述的非惯用的可选方式所具有的进一步效果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自动确定主题场景的方法的主要流程的示意图；

图2是根据本发明一个可参考实施例的自动确定主题场景的方法的主要流程的示意图；

图3是根据本发明实施例的自动确定主题场景的装置的主要模块的示意图；

图4是本发明实施例可以应用于其中的示例性系统架构图；

图5是适于用来实现本发明实施例的终端设备或服务器的计算机系统的结构示意图。

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。

图1是根据本发明实施例的自动确定主题场景的方法的主要流程的示意图。如图1所示，作为本发明的一个实施例，所述自动确定主题场景的方法包括：

步骤101，根据各个类目的搜索频次，预测各个类目未来一段时间的搜索频次，并计算各个类目的评分。

在该步骤中，首先根据历史数据，确定各个类目的搜索频次；然后根据各个类目的搜索频次，预测这些类目未来一段时间(比如未来一周、未来半个月、未来一个月等)的搜索频次；最后基于历史搜索频次和预测搜索频次，计算各个类目的评分。

可选地，在步骤101之前，所述方法还可以包括：根据各个搜索词的每日搜索频次及其所属的类目，以类目对应的所有搜索词中搜索频次的极大值作为该类目的搜索频次，从而确定已知一段时间内的各个类目的搜索频次变化情况。

具体地，以三级类目为例：从数据库中获取最近一年中各个搜索词的每日搜索频次，以及各个搜索词所属的一级类目、二级类目、三级类目，从而整理出最近一年各个三级类目对应的各个搜索词的搜索频次。需要指出的是，一个搜索词所属的三级类目可以是多个，并不限于一个三级类目。在本发明的实施例中，以某一个类目对应的所有搜索词中搜索频次的极大值作为该类目的搜索频次。举例来说，以三级类目“水果生鲜”为例，该三级类目对应的搜索词包括苹果、香蕉、芒果，如果某一天，这三个搜索词的搜索频次分别为1000、2000、3000，则该三级类目在该天的搜索频次为3000，即以所有搜索频次中的极大值作为该三级类目的搜索频次。

在步骤101中，根据已知一段时间内的各个类目的搜索频次变化情况，预测各个类目未来一段时间的搜索频次，并计算各个类目的热度评分。

根据经验可以得出，类目的搜索频次(即热度)是一个受多种因素共同制约的时间序列，为了更好得完成指定类目的搜索频次趋势预测，可以用一个函数表达式进行描述建立数学模型。

需要说明的是，在本发明的实施例中，热度是指主要量化指标为类目在指定时间周期内的搜索频次，搜索频次越高，则热度越高，反之则越低。时间序列是指将同一统计指标的数值按其发生的时间先后顺序排列而成的数列。

考虑到搜索频次趋势主要在于其自身成长趋势、季节性影响和节假日及事件影响。将三个影响因素函数分别记为g(t)、s(t)、h(t)，可得趋势预测函数如式1-1所示。

y(t)＝g(t)+s(t)+h(t)+ε (1-1)

其中，y(t)为预测的搜索频次，g(t)为成长趋势函数，s(t)为季节性影响函数，h(t)为节假日及事件影响函数，ε为异常分量。

需要指出的是，ε由数据分布决定，是一个随机数或者误差。

1)成长趋势函数g(t)由成长曲线m(t)和分段线性函数n(t)构成，其数学表达式分别如式1-3和式1-4所示。

g(t)＝m(t)+n(t) (1-2)

n(t)＝(k+a(t)^Tδ)t+(p+a(t)^Tγ) (1-4)

其中，C(t)是随时间增长变化的基数，(k+a(t)^Tδ)是随时间变化的增长率，(p+a(t)^Tγ)是随时间变化的偏置值，δ和γ分别代表增长率、偏置值变化的增量。

2)季节性影响函数s(t)

众所周知，季节性影响函数会具有周期性变化的特点，而任意的周期性变化函数可以用傅里叶级数进行表示。故用傅里叶级数表达的季节性影响函数s(t)如式1-5所示。

其中，P是计算周期，a_n和b_n均为系数。

3)节假日及事件影响函数h(t)

如果以一年为周期来看，不同年份，相同的节假日对于目标函数的预测影响是相似的，比如春节对年货销量影响，端午节对粽子销量影响，在不同年影响方式是相似的。如果记是节假日为1，否为0，节假日列表Z(t)如式1-6所示。

Z(t)＝[1(t∈D₁),...,1(t∈D_L)] (1-6)

则节假日及事件影响函数h(t)如式1-7所示。

h(t)＝Z(t)κ (1-7)

其中，κ表示节假日对搜索次数的影响系数矩阵。

然后，通过预测的搜索频次计算，计算趋势指数M和波动指数N；最后依据趋势指数M和波动指数N确定各个类目的热度评分。

针对每一个类目，已知一段时间内的该类目的搜索频次组成的数列为A，预测得到的该类目未来一段时间的搜索频次组成的数列为B，则通过数列A和数列B计算该类目的趋势指数和波动指数：

其中，M为趋势指数，N为波动指数，ACC为数列A中的最后一个值，BCC为数列B中的最后一个值。

可选地，以三级类目为例，将已知某三级类目一年搜索频次组成的数列为A，通过上述预测方法计算出的未来一周的搜索频次组成的数列为B。记ACC为数列A中的最后一个值(也即是已知的最后一个数)，BCC为数列B中的最后一个值(也即是预测趋势中最后一个数)。

则趋势指数M和波动指数N计算公式如式1-9和式1-10所示。

然后，基于趋势指数和波动指数，对各个类目进行降序排列。可选地，可以基于趋势指数优先的原则，按照趋势指数、波动指数进行多条件降序排列。然后，筛选出符合预设阈值的类目，最后基于筛选出的各个类目的近期搜索频次(比如近三日的搜索频次)，确定各个类目的热度评分，选择前N个作为后续类目相似度聚合的基础。

需要指出的是，本发明实施例示例性地以三级类目为例进行说明，但是本领域技术人员应当知晓并不限于三级类目，也可以是二级类目、四级类目等，本发明实施例对此不作限制。

步骤102，对于热度评分靠前的N个类目，通过各个类目对应的标题，提取出各个类目中标题含有的实体词，进而得到各个类目对应的实体词列表。

标题包含实体词，比如：标题“Apple Watch Series 3智能手表(GPS+蜂窝网络款42毫米深空灰色铝金属表壳黑色运动型表带MQQT2CH/A)”，其中“智能手表”就是实体词。

在该步骤中，基于降序排列的多个类目，选取热度评分靠前的N各类目，通过这些类目对应个搜索词来确定各个商品标题，然后根据各个商品标题确定各个类目对应的实体词列表。其中，N为大于零的正整数。

需要指出的是，每一个类目对应多个搜索词，每个搜索词对应多个商品标题，每个标题对应多个实体词，因此每个类目可以对应多个实体词。

步骤103，依据各个类目对应的实体词列表，计算各个类目之间的相似度，将相似度最近的M个类目聚合为一个主题场景，生成至少一个主题场景。其中，M为大于零的正整数。

在该步骤中，类目与类目之前的相似度，可以通过不同类目的实体词列表的重合度进行计算。具体地，不同类目之间的相似度度量主要根据交集词数与并集词数的比例计算(也叫作Jaccard相似度系数)。其计算公式如式1-8所示。

其中，分子为两个类目对应的实体词列表的交集词数，分母为两个类目对应的实体词列表的并集词数。

举例来讲，若三级类目A下涉及的实体词列表为{a,b,c,d,e}，三级类目B下涉及的实体词列表为{a,c,e,f}，则三级类目A、B对应的共有词列表为{a,c,e}，长度为3，A、B对应的公有词列表为{a，b，c，d，e，f}，长度为6；故三级类目A、B对应的相似度计算值为3/6＝0.5。

需要说明的是，在本发明的实施例中，如果一个类目被聚合到一个主题中，则该类目不会参与其他主题场景的聚合。主题场景是指语义相关的词表达的中心含义所对应的业务领域。

作为本发明的再一个实施例，所述方法还包括：根据各个主题场景对应的搜索词，确定各个主题场景对应的推荐商品。

在该步骤中，可以先基于各个类目的搜索频次，对各个主题场景进行降序排列，然后选取前L个主题场景；然后，针对这L个主题场景，分别根据各个主题场景对应的搜索词，确定各个主题场景对应的推荐商品。其中，L为大于零的正整数。

作为本发明的又一个实施例，根据各个主题场景对应的搜索词，确定各个主题场景对应的推荐商品，可以包括：根据各个主题场景对应的搜索词，确定各个主题场景对应的所有商品；针对每一个主题场景，计算该主题场景对应的所有商品的综合评分，并按照综合评分进行降序排列，从而确定该主题场景对应的推荐商品。

可选地，所述算该主题场景对应的所有商品的综合评分，包括：针对每一个商品，通过该商品所述的主题场景的主题热度、该商品所属的类目的趋势指数、该商品近一段时间的销量，并结合权重，计算得到该商品的综合评分。

在本发明的实施例中，推荐商品主要依据商品所属的主题场景的主题热度、商品的趋势指数、商品的近三日销量共同决定，如公式1-14所示。其中，商品所属的主题场景的主题热度为所属主题场景下的三级类目对应的近三日平均搜索频次；趋势指数为商品所属的三级类目的趋势指数M(类目的极大值)；近三日销量为商品的近三日实际销量。

举例来说，记一个主题场景下有n个三级分类，Qn为该主题场景下第n个三级分类的搜索次数，K(x)表示商品x归属的三级分类，M(K(x))表示三级分类K(x)对应的趋势指数；S(x)表示商品x对应的近三日销量，R(x)表示商品x的综合得分。则该商品所属的主题场景的主题热度α、商品的趋势指数β、商品的近三日销量ρ结合式1-9可得计算公式如1-11至1-13所示。

α＝max{Q1，Q2，Q3，…Qn} (1-11)

β＝M(K(x)) (1-12)

ρ＝S(x) (1-13)

R(x)＝0.6α+0.35β+0.15ρ (1-14)

根据上面所述的各种实施例，可以看出本发明采用通过各个类目对应的实体词的相似度，计算各个类目之间的相似度，将类目聚合为多个主题场景；根据各个主题场景对应的搜索词，确定各个主题场景对应的推荐商品的技术方案，解决了单纯依靠人力完成的主题场景。本发明通过已知的频次数据预测未来一段时间各个类目的搜索频次变化趋势，并结合评分机制，自动化抽取热点主题场景。本发明实施例可以实时有效地提取热点主题，并推荐综合评分较高的商品；相较于现有运行方案，较大地降低了人力成本，提高线上流量，进而提高转化率；能较为准确地反映未来一段时间具有上升趋势的热点主题场景。因此，本发明实施例可以每日自动化提取当日热点主题场景并进行商品推荐，降低人力工作量，提高热点提取准确性、多样性，进而达到引流提高转化率的效果。

图2是根据本发明一个可参考实施例的自动确定主题场景的方法的主要流程的示意图，所述自动确定主题场景的方法可以包括：

步骤201，根据各个搜索词的每日搜索频次及其所属的类目，以类目对应的所有搜索词中搜索频次的极大值作为该类目的搜索频次，从而确定已知一段时间内的各个类目的搜索频次变化情况；

步骤202，根据各个类目近期的搜索频次变化情况，预测各个类目未来一段时间的搜索频次；

步骤203，根据已知的搜索频次和预测的搜索频次，计算各个类目的热度评分；

步骤204，对于热度评分靠前的N个类目，通过各个类目对应的标题，提取出各个类目中标题含有的实体词，进而得到各个类目对应的实体词列表；

步骤205，依据各个类目对应的实体词列表，计算各个类目之间的相似度；

步骤206，将相似度最近的M个类目聚合为一个主题场景，生成多个主题场景；

步骤207，基于各个类目的搜索频次，对各个主题场景进行降序排列，选取前L个主题场景；

步骤208，针对这L个主题场景，根据各个主题场景对应的搜索词，确定各个主题场景对应的所有商品；

步骤209，针对每一个主题场景，计算该主题场景对应的所有商品的综合评分，按照综合评分进行降序排列，从而确定该主题场景对应的推荐商品；

步骤210，确定各个主题场景对应的推荐商品。

另外，在本发明一个可参考实施例中自动确定主题场景的方法的具体实施内容，在上面所述自动确定主题场景的方法中已经详细说明了，故在此重复内容不再说明。

图3是根据本发明实施例的自动确定主题场景的装置的主要模块的示意图。如图3所示，所述自动确定主题场景的装置300包括热度预测模块301、类目筛选模块302、主题聚合模块303和商品推荐模块304。其中，所述热度预测模块301根据已知一段时间内的各个类目的搜索频次变化情况，预测各个类目未来一段时间的搜索频次，并计算各个类目的热度评分；所述类目筛选模块302对于热度评分靠前的N个类目，通过各个类目对应的标题，提取出各个类目中标题含有的实体词，进而得到各个类目对应的实体词列表；所述主题聚合模块303依据各个类目对应的实体词列表，计算各个类目之间的相似度，将相似度最近的M个类目聚合为一个主题场景，生成至少一个主题场景；其中，N和M均为大于零的正整数。

可选地，预测各个类目未来一段时间的搜索频次，包括：

通过趋势预测函数预测各个类目未来一段时间的搜索频次，该趋势预测函数描述为：

y(t)＝g(t)+s(t)+h(t)+ε

其中，y(t)为预测的搜索频次，g(t)为成长趋势函数，s(t)为季节性影响函数，h(t)为节假日及事件影响函数，ε为异常分量。

可选地，计算各个类目的热度评分，包括：

针对每一个类目，已知一段时间内的该类目的搜索频次组成的数列为A，预测得到的该类目未来一段时间的搜索频次组成的数列为B，则通过数列A和数列B计算该类目的趋势指数和波动指数：

其中，M为趋势指数，N为波动指数，ACC为数列A中的最后一个值，BCC为数列B中的最后一个值；

基于趋势指数和波动指数，对各个类目进行降序排列，筛选出符合预设阈值的类目；

基于筛选出的各个类目的近期搜索频次，确定各个类目的热度评分。

可选地，通过各个类目对应的实体词列表的相似度，计算各个类目之间的相似度，包括：

根据两个类目的交集词数与并集词数的比例计算相似度：

其中，分子为两个类目对应的实体词的交集词数，分母为两个类目对应的实体词的并集词数。

可选地，所述装置还包括商品推荐模块，所述商品推荐模块根据各个主题场景对应的搜索词，确定各个主题场景对应的推荐商品；其中，针对每一个主题场景，计算该主题场景对应的所有商品的综合评分，并按照综合评分进行降序排列，从而确定该主题场景对应的推荐商品。

可选地，计算该主题场景对应的所有商品的综合评分，包括：

针对每一个商品，通过该商品所述的主题场景的主题热度、该商品所属的类目的趋势指数、该商品近一段时间的销量，并结合权重，计算得到该商品的综合评分。

可选地，所述热度预测模块301还根据各个搜索词的每日搜索频次及其所属的类目，以类目对应的所有搜索词中搜索频次的极大值作为该类目的搜索频次，从而确定已知一段时间内的各个类目的搜索频次变化情况。

根据上面所述的各种实施例，可以看出本发明采用通过各个类目对应的实体词的相似度，计算各个类目之间的相似度，将类目聚合为多个主题场景；根据各个主题场景对应的搜索词，确定各个主题场景对应的推荐商品的技术方案，解决了单纯依靠人力完成的主题场景。本发明通过已知的频次数据预测未来一段时间各个类目的搜索频次变化趋势，并结合评分机制，自动化抽取热点主题场景。本发明实施例可以实时有效地提取热点主题，并推荐综合评分较高的商品；相较于现有运行方案，较大地降低了人力成本，提高线上流量，进而提高转化率；能较为准确地反映未来一段时间具有上升趋势的热点主题场景。因此，本发明实施例可以每日自动化提取当日热点主题场景并进行商品推荐，降低人力工作量，提高热点提取准确性、多样性，进而达到引流提高转化率的效果。

需要说明的是，在本发明所述自动确定主题场景的装置的具体实施内容，在上面所述自动确定主题场景的方法中已经详细说明了，故在此重复内容不再说明。

图4示出了可以应用本发明实施例的自动确定主题场景的方法或自动确定主题场景的方法的示例性系统架构400。

如图4所示，系统架构400可以包括终端设备401、402、403，网络404和服务器405。网络404用以在终端设备401、402、403和服务器405之间提供通信链路的介质。网络404可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备401、402、403通过网络404与服务器405交互，以接收或发送消息等。终端设备401、402、403上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。

终端设备401、402、403可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。

服务器405可以是提供各种服务的服务器，例如对用户利用终端设备401、402、403所浏览的购物类网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的产品信息查询请求等数据进行分析等处理，并将处理结果(例如目标推送信息、产品信息——仅为示例)反馈给终端设备。

需要说明的是，本发明实施例所提供的自动确定主题场景的方法一般在服务器405执行，相应地，所述自动确定主题场景的装置一般设置在服务器405中。本发明实施例所提供的自动确定主题场景的方法也可以在终端设备401、402、403执行，相应地，所述自动确定主题场景的装置一般设置在终端设备401、402、403上。

应该理解，图4中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

下面参考图5，其示出了适于用来实现本发明实施例的终端设备的计算机系统500的结构示意图。图5示出的终端设备仅仅是一个示例，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5所示，计算机系统500包括中央处理单元(CPU)501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储部分508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中，还存储有系统500操作所需的各种程序和数据。CPU 501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。

以下部件连接至I/O接口505：包括键盘、鼠标等的输入部分506；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分507；包括硬盘等的存储部分508；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至I/O接口505。可拆卸介质511，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器510上，以便于从其上读出的计算机程序根据需要被安装入存储部分508。

特别地，根据本发明公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分509从网络上被下载和安装，和/或从可拆卸介质511被安装。在该计算机程序被中央处理单元(CPU)501执行时，执行本发明的系统中限定的上述功能。

需要说明的是，本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——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。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该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。而在本发明中，计算机可读的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，其中承载了计算机可读的程序代码。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。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、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。计算机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、电线、光缆、RF等等，或者上述的任意合适的组合。

附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本发明实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中，例如，可以描述为：一种处理器包括热度预测模块、类目筛选模块和主题聚合模块，其中，这些模块的名称在某种情况下并不构成对该模块本身的限定。

作为另一方面，本发明还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该设备包括：根据已知一段时间内的各个类目的搜索频次变化情况，预测各个类目未来一段时间的搜索频次，并计算各个类目的热度评分；对于热度评分靠前的N个类目，通过各个类目对应的标题，提取出各个类目中标题含有的实体词，进而得到各个类目对应的实体词列表；依据各个类目对应的实体词列表，计算各个类目之间的相似度，将相似度最近的M个类目聚合为一个主题场景，生成至少一个主题场景；N和M均为大于零的正整数。

根据本发明实施例的技术方案，因为采用通过各个类目对应的实体词的相似度，计算各个类目之间的相似度，将类目聚合为多个主题场景；根据各个主题场景对应的搜索词，确定各个主题场景对应的推荐商品的技术手段，所以克服了单纯依靠人力完成的技术问题；本发明通过已知的频次数据预测未来一段时间各个类目的搜索频次变化趋势，并结合评分机制，自动化抽取热点主题场景。本发明实施例可以实时有效地提取热点主题，并推荐综合评分较高的商品；相较于现有运行方案，较大地降低了人力成本，提高线上流量，进而提高转化率；能较为准确地反映未来一段时间具有上升趋势的热点主题场景。因此，本发明实施例可以每日自动化提取当日热点主题场景并进行商品推荐，降低人力工作量，提高热点提取准确性、多样性，进而达到引流提高转化率的效果。

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 (16)

1.一种自动确定主题场景的方法，其特征在于，包括：

根据已知一段时间内的各个类目的搜索频次变化情况，预测各个类目未来一段时间的搜索频次，并计算各个类目的热度评分；

对于热度评分靠前的N个类目，通过各个类目对应的标题，提取出各个类目中标题含有的实体词，进而得到各个类目对应的实体词列表；

依据各个类目对应的实体词列表，计算各个类目之间的相似度，将相似度最近的M个类目聚合为一个主题场景，生成至少一个主题场景；

其中，N和M均为大于零的正整数。

2.根据权利要求1所述的方法，其特征在于，预测各个类目未来一段时间的搜索频次，包括：

通过趋势预测函数预测各个类目未来一段时间的搜索频次，该趋势预测函数描述为：

y(t)＝g(t)+s(t)+h(t)+ε

其中，y(t)为预测的搜索频次，g(t)为成长趋势函数，s(t)为季节性影响函数，h(t)为节假日及事件影响函数，ε为异常分量。

3.根据权利要求1所述的方法，其特征在于，计算各个类目的热度评分，包括：

针对每一个类目，已知一段时间内的该类目的搜索频次组成的数列为A，预测得到的该类目未来一段时间的搜索频次组成的数列为B，则通过数列A和数列B计算该类目的趋势指数和波动指数：

其中，M为趋势指数，N为波动指数，ACC为数列A中的最后一个值，BCC为数列B中的最后一个值；

基于趋势指数和波动指数，对各个类目进行降序排列，筛选出符合预设阈值的类目；

基于筛选出的各个类目的近期搜索频次，确定各个类目的热度评分。

4.根据权利要求1所述的方法，其特征在于，通过各个类目对应的实体词列表的相似度，计算各个类目之间的相似度，包括：

根据两个类目的交集词数与并集词数的比例计算相似度：

其中，分子为两个类目对应的实体词列表的交集词数，分母为两个类目对应的实体词列表的并集词数。

5.根据权利要求1所述的方法，其特征在于，还包括：根据各个主题场景对应的搜索词，确定各个主题场景对应的推荐商品；

其中，针对每一个主题场景，计算该主题场景对应的所有商品的综合评分，并按照综合评分进行降序排列，从而确定该主题场景对应的推荐商品。

6.根据权利要求5所述的方法，其特征在于，计算该主题场景对应的所有商品的综合评分，包括：

针对每一个商品，通过该商品所述的主题场景的主题热度、该商品所属的类目的趋势指数、该商品近一段时间的销量，并结合权重，计算得到该商品的综合评分。

7.根据权利要求1所述的方法，其特征在于，还包括：

根据各个搜索词的每日搜索频次及其所属的类目，以类目对应的所有搜索词中搜索频次的极大值作为该类目的搜索频次，从而确定已知一段时间内的各个类目的搜索频次变化情况。

8.一种自动确定主题场景的装置，其特征在于，包括：

热度预测模块，用于根据已知一段时间内的各个类目的搜索频次变化情况，预测各个类目未来一段时间的搜索频次，并计算各个类目的热度评分；

类目筛选模块，用于通过各个类目对应的标题，提取出各个类目中标题含有的实体词，进而得到各个类目对应的实体词列表；

主题聚合模块，用于依据各个类目对应的实体词列表，计算各个类目之间的相似度，将相似度最近的M个类目聚合为一个主题场景，生成至少一个主题场景；

其中，N和M均为大于零的正整数。

9.根据权利要求8所述的装置，其特征在于，预测各个类目未来一段时间的搜索频次，包括：

通过趋势预测函数预测各个类目未来一段时间的搜索频次，该趋势预测函数描述为：

y(t)＝g(t)+s(t)+h(t)+ε

其中，y(t)为预测的搜索频次，g(t)为成长趋势函数，s(t)为季节性影响函数，h(t)为节假日及事件影响函数，ε为异常分量。

10.根据权利要求8所述的装置，其特征在于，计算各个类目的热度评分，包括：

针对每一个类目，已知一段时间内的该类目的搜索频次组成的数列为A，预测得到的该类目未来一段时间的搜索频次组成的数列为B，则通过数列A和数列B计算该类目的趋势指数和波动指数：

其中，M为趋势指数，N为波动指数，ACC为数列A中的最后一个值，BCC为数列B中的最后一个值；

基于趋势指数和波动指数，对各个类目进行基于筛选出的各个类目的近期搜索频次，确定各个类目的热度评分。

11.根据权利要求8所述的装置，其特征在于，通过各个类目对应的实体词列表的相似度，计算各个类目之间的相似度，包括：

根据两个类目的交集词数与并集词数的比例计算相似度：

其中，分子为两个类目对应的实体词列表的交集词数，分母为两个类目对应的实体词列表的并集词数。

12.根据权利要求8所述的装置，其特征在于，还包括：

商品推荐模块，用于根据各个主题场景对应的搜索词，确定各个主题场景对应的推荐商品；

其中，针对每一个主题场景，计算该主题场景对应的所有商品的综合评分，并按照综合评分进行降序排列，从而确定该主题场景对应的推荐商品。

13.根据权利要求12所述的装置，其特征在于，计算该主题场景对应的所有商品的综合评分，包括：

针对每一个商品，通过该商品所述的主题场景的主题热度、该商品所属的类目的趋势指数、该商品近一段时间的销量，并结合权重，计算得到该商品的综合评分。

14.根据权利要求8所述的装置，其特征在于，所述热度预测模块还用于：

根据各个搜索词的每日搜索频次及其所属的类目，以类目对应的所有搜索词中搜索频次的极大值作为该类目的搜索频次，从而确定已知一段时间内的各个类目的搜索频次变化情。

15.一种电子设备，其特征在于，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。

16.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1-7中任一所述的方法。

Images