CN111133467B - 针对货物篮的快速学习推荐系统 - Google Patents

Abstract

实施例响应于接收到货物篮而提供对附加物品的推荐，从篮子类型的集合中确定货物篮的类型，接收作为目标推荐的附加目标物品的集合并接收所接收到的货物篮类型的历史。实施例基于所接收到的货物篮类型的历史迭代地执行将每个篮子类型聚类成多个簇，以及针对每个目标物品到所述多个簇中的每个簇的偏好更新。在多次迭代之后迭代地执行输出映射的序列和偏好参数的序列。实施例从映射的序列生成映射的制表的频率，然后基于映射的序列、偏好参数的序列和映射的制表的频率来生成推荐。

Description

针对货物篮的快速学习推荐系统

技术领域

一个实施例一般而言涉及提供推荐的计算机系统，特别地涉及提供适合于快速变化的产品的推荐的计算机系统。

背景技术

在线零售商使用“推荐系统”正在变得越来越普遍，“推荐系统”是根据客户的购买历史和所有其它客户的购买历史向客户推荐物品的系统。这种系统在餐饮业或酒店业中相对较为少见，在餐饮业或酒店业中，推荐通常是通过特设(ad hoc)手段进行的，诸如使用人类直觉，而不是分析客户的购买的系统化软件算法方法。

即使在采用软件方法时，它也可能因太慢而无法适应不断变化的产品以及不断变化的客户组合和偏好。在餐饮业中，可以对在同一订单中购买的物品进行历史检查，并从这样的检查过程中产生推荐。但是，如果可能由于其成本而不经常检查历史记录，那么此类推荐是静态的。即使经常检查历史记录，已知系统也仍然适应的缓慢，因为在系统可以更改其推荐之前必须输入大量新数据。

发明内容

实施例响应于接收到货物篮而提供针对附加物品的推荐。实施例从篮子类型的集合中确定货物篮的类型，接收作为目标推荐的附加目标物品的集合，并且接收所接收到的货物篮类型的历史。实施例基于所接收到的货物篮类型的历史迭代地执行将每个篮子类型聚类成多个簇，以及针对每个目标物品到所述多个簇中的每个簇的偏好更新。在多次迭代之后，迭代地执行输出映射的序列和偏好参数的序列。实施例从映射的序列生成映射的制表的频率，然后基于映射的序列、偏好参数的序列和映射的制表的频率来生成推荐。

附图说明

图1是根据实施例的可以实现本文公开的任何部件的计算机服务器/系统的框图。

图2和图3是根据一个实施例的当基于货物篮或服务篮推荐附加货物和服务时图1的推荐模块的功能的流程图。

图4-图6图示了根据本发明的实施例的UI的屏幕截图。

具体实施方式

一个实施例是一种系统，该系统分析客户在单次访问餐馆或宾馆时所购买的整篮货物和服务，并且基于该分析，基于篮子的内容推荐附加货物和服务。实施例使做出推荐所需的历史数据量最小化，从而提高了决策速度。

图1是根据本发明的实施例的计算机服务器/系统10的框图。虽然示出为单个系统，但是系统10的功能可以被实现为分布式系统。此外，本文公开的功能可以在可以通过网络耦合在一起的单独的服务器或设备上实现。此外，可以不包括系统10的一个或多个部件。例如，对于服务器的功能，系统10可能需要包括处理器和存储器，但是可以不包括图1中所示的其它部件中的一个或多个部件，诸如键盘或显示器。

系统10包括用于传送信息的总线12或其它通信机制，以及耦合到总线12用于处理信息的处理器22。处理器22可以是任何类型的通用或专用处理器。系统10还包括用于存储将由处理器22执行的信息和指令的存储器14。存储器14可以包括随机存取存储器(“RAM”)、只读存储器(“ROM”)、诸如磁盘或光盘之类的静态存储装置、或任何其它类型的计算机可读介质的任意组合。系统10还包括通信设备20，诸如网络接口卡，以提供对网络的访问。因此，用户可以直接或远程地通过网络或任何其它方法与系统10对接。

计算机可读介质可以是处理器22可以访问的任何可用介质，并且包括易失性和非易失性介质、可移动和不可移动介质以及通信介质。通信介质可以包括计算机可读指令、数据结构、程序模块，或调制数据信号(诸如载波或其它传输机制)中的其它数据，并且包括任何信息传递介质。

处理器22还经由总线12耦合到显示器24，诸如液晶显示器(“LCD”)。键盘26和光标控件设备28(诸如计算机鼠标)还耦合到总线12，以使用户能够与系统10对接。

在一个实施例中，存储器14存储当由处理器22执行时提供功能的软件模块。模块包括操作系统15，操作系统15为系统10提供操作系统功能。模块还包括推荐模块16以及本文公开的所有其它功能，该推荐模块16基于货物或服务篮来推荐其它货物和服务。系统10可以是更大系统的一部分。因此，系统10可以包括一个或多个附加功能模块18以包括附加功能，诸如Oracle公司的“Hospitality Simphony”销售点(“POS”)云和移动接待管理平台。数据库17耦合到总线12以提供用于模块16和18的集中存储并存储客户数据、产品数据、交易数据等。在一个实施例中，数据库17是可以使用结构化查询语言(“SQL”)来管理存储的数据的关系数据库管理系统(“RDBMS”)。在一个实施例中，专用销售点(“POS”)终端100用作允许用户使用用户接口进行选择并接收推荐的客户端设备。POS终端100通过包括有线或无线的任何通信手段或经由诸如互联网之类的附加网络耦合到系统10的其余部分。POS终端100本身可以执行本文公开的功能中的一些或全部功能，并且包括其自己的处理器、存储器等。

在一个实施例中，特别是当存在大量餐馆/宾馆、大量物品以及大量历史数据时，数据库17被实现为存储器中(in-memory)数据库(“IMDB”)。IMDB是一种数据库管理系统，其主要依赖于主存储器来存储计算机数据。它与采用盘存储机制的数据库管理系统形成对比。主存储器数据库比盘优化的数据库更快，这是因为盘访问比存储器访问更慢、内部优化算法更简单、并且执行更少的CPU指令。访问存储器中的数据消除了查询数据时的搜寻时间，从而提供比盘更快且更可预测的性能。

在一个实施例中，数据库17在被实现为IMDB时，是基于分布式数据网格来实现的。分布式数据网格是一种系统，其中计算机服务器的集合在一个或多个集群中一起工作，以管理分布式或集群环境内的信息和相关操作，诸如计算。分布式数据网格可以用于管理跨服务器共享的应用对象和数据。分布式数据网格提供了低响应时间、高吞吐量、可预测的可伸缩性、连续可用性和信息可靠性。在特定示例中，分布式数据网格(诸如例如Oracle公司的“Oracle Coherence”数据网格)将信息存储在存储器中来实现更高的性能，并采用冗余来保持该信息的副本跨多个服务器同步，从而确保系统的弹性，并在服务器发生故障时确保数据的持续可用性。

在一个实施例中，系统10是计算/数据处理系统，其包括用于企业组织的应用或分布式应用的集合，并且还可以实现物流、制造和库存管理功能。应用和计算系统10可以被配置为与基于云的联网系统、软件即服务(“SaaS”)体系架构或其它类型的计算解决方案一起操作，或可以被实现为基于云的联网系统、软件即服务体系架构或其它类型的计算解决方案。

一般而言，对历史交易的检查(如许多已知的推荐系统所做的那样)也可能过于简单，因为已知系统通常仅检查在一个订单中一起出现的成对物品，称为关联规则挖掘(“ARM”)。替代地，如本发明的实施例那样，订单中一起获得的所有物品集合是订单的类型或下订单的个体的类型的更好指示，并且使用该附加信息可以导致更好和更准确的推荐。此外，使用ARM的已知系统通常不考虑同样可以用于改善推荐的关于客户的任何人口统计信息。

此外，与餐馆推荐特别相关的是，餐馆中的产品频繁变化，这些变化的影响比零售中这种变化的影响可能要大得多，在零售中产品的数量远大于餐馆中的产品的数量。例如，杂货店的分类确实经常变化，但是由于典型的杂货店可能承载60,000个库存单位(“SKU”)，因此任何一个分类变化可能对总销售额产生相对较小的总体影响。作为对照，餐馆可能只提供数百种不同的物品，并且如果推荐只关注于一种类型的物品，诸如前菜(entrée)，那么推荐可能仅限于几十种。添加新的前菜可能会对客户产生重大影响，并且已知的推荐系统通常无法足够快地适应这种影响。

此外，在线零售商通常使用采用“与客户关联的交易”的推荐系统，这意味着按客户标记交易，使得客户的整个购买历史是可用的。具有会员卡计划的实体零售商通常也使用这种方法。但是，这种方法对于通常没有会员卡计划的餐馆通常没用。作为对照，本发明的实施例可以仅基于当前订单中的物品来进行推荐，因此即使在与客户关联的交易不用时也可以使用。

与餐馆类似，实施例在酒店业中也特别有用，在酒店业中，可以通过房间号识别客户。客户经常将购买计费到他们的宾馆房间，因此宾馆有可能查看在单次住宿期间客户购买的物品和服务的列表。该列表类似于餐馆客户在单次访问期间订购的物品集，并且可以由本发明的实施例以类似的方式用于产生对在宾馆处可用的其它物品和服务的推荐。在高端宾馆中，物品和服务的产品可能非常多，并且实施例可以允许宾馆确定它应该向客户推荐哪些其它物品和服务。

此外，实施例也可用于娱乐场宾馆中，娱乐场宾馆通常已经具有适当的系统来跟踪客户的购买和博弈，甚至不需要客户的房间号。娱乐场通常向客户发行会员卡，并且目前具有适当的系统以在客户购买物品或服务或进行博弈的任何时候扫描会员卡。本发明的实施例可以与这些系统一起工作，以在扫描会员卡时产生对另一种产品或服务的推荐。

在实施例中，“篮子”或“货物篮”是指客户单次访问这些类型的设施中的任何设施(例如，餐馆、宾馆、娱乐场宾馆等)时购买的货物或服务集合。对于餐馆，在一个实施例中，篮子只是订单中食物和饮料物品。对于宾馆或娱乐场，在一个实施例中，篮子是客户在单次住宿期间订购的货物和服务集合，该单次住宿可能包含很多天。此外，娱乐场可以将客户在住宿期间使用的博弈形式添加到篮子中。

此外，实施例中的“推荐”取决于特定的设施类型。对于餐馆，推荐可以是附加的食物或饮料物品。对于宾馆，推荐可以是宾馆出售的任何物品，包括食物和饮料，以及它可能提供的任何服务，诸如水疗服务或洗衣服务或客房服务。对于娱乐场，推荐还可以包括特定于娱乐场的货物或服务。

作为仅使用成对的物品的代替，实施例可以使用客户购买的整个篮子的物品。例如，实施例可以使用整个订单的特性，诸如订单中有多少儿童餐，以产生其推荐。对于宾馆，实施例可以使用客户订购了多少客房服务以及客户是否去过水疗。作为对照，使用ARM的已知解决方案在进行推荐时经常只考虑成对物品。

实施例还可以结合整个篮子使用客户的人口统计属性。例如，实施例可以使用客户的年龄(如果它是已知的话)，并且因此可以基于客户的年龄向客户推荐不同的产品或服务，即使所购买的一篮物品与不同客户购买的一篮物品相同。

因此，本发明的实施例具有使用客户的购买的以下特征中的一些或全部特征的能力：

·客户篮子中的各个物品；

·整个篮子的整体特性；

·客户的人口统计属性。

实施例使用下面更详细公开的算法/规则来减少适应产品的变化或客户偏好的变化所需的数据量。实施例通常基于上面公开的与餐馆和宾馆最相关的三个特征来生成推荐。

基于这三个特征，每个篮子被分类成几种不同的“类型”之一。特定的特征集(即特定的篮子特性和特定的人口统计属性以及不同的类型)作为输入被提供，并由餐馆或宾馆提供。例如，一组非常简单的类型可以是指示篮子中花费多少钱的等级(tiers)，使得这些等级指示客户在设施处消费的意愿。通常，类型将更复杂，并且将反映餐馆或宾馆认为对其业务重要的客户特性。例如，餐馆处的类型集可能是订单是否包含开胃菜、所订购的前菜的价格等级，以及订单是否包含儿童餐。因此，类型将是这些属性的所有组合，从而如果存在三个等级的前菜，那么总共将存在2×3×2个类型用于对每个订单进行分类。

实施例使用的第二输入是哪些货物或服务集将作为推荐的目标。例如，在餐馆中，推荐目标可以包括餐馆提供的所有开胃菜和饮料。典型地，餐馆会希望将推荐目标限制为特定物品，因为某些物品对于推荐来说没有意义，诸如另一个前菜。餐馆还可能对推动特定物品的销售感兴趣。类似地，对于宾馆，被推荐的特定货物和服务可能受到限制。

实施例然后继续从历史数据中发现针对每种篮子类型从目标集合中进行哪些推荐。实施例使用下面详细公开的规则/算法，以通过同时发现推荐并发现哪些类型彼此相似并且因此可以被组合来显著减少生成推荐的时间。簇是一组相似的类型，并且由于类型相似，因此整个簇的推荐可以是相同的。因此，实施例有效地减少了需要不同推荐的类型的数量，并且这减少了发现正确推荐所需的数据量。

此外，将类型分组成簇是动态的，并且可以适应变化的产品和客户以及客户偏好。因此，随着产品的变化和客户偏好的变化，曾在同一簇中的两种类型现在可能在不同的簇中。实施例将随着新购买数据的出现而动态地适应。

一般而言，出于本公开的目的，在一个实施例中的“组织”是单个餐馆连锁或者是单个宾馆连锁。在一个实施例中，“位置”是宾馆连锁内的特定宾馆或餐馆连锁内的特定餐馆。在一个实施例中，“物品”是货物或服务。

在一个实施例中，“篮子”是客户在单次访问内购买的物品集合。取决于特定的组织，除了所购买的物品外，篮子还可能附加有其它数据。例如，组织可以将有关客户的人口统计数据附加到篮子，如果组织拥有这样的数据的话。术语“篮子”是指购买的物品集合以及任何其它附加数据。附加数据由组织定义，并且实施例可以与组织定义的任何数据一起工作，只要它被存储在适当的数据库中并与篮子正确地关联即可。

在一个实施例中，“类型化的篮子”是指组织确定用于类型集合和每个篮子的类型的内容。具有其相关联的类型的篮子是“类型化的篮子”。实施例不需要任何种类的类型描述。替代地，需要一种将篮子与类型标签相关联的手段。例如，类型标签可以仅仅是整数，因为本发明不需要类型描述。篮子与类型标签的关联由组织预先执行以实现本发明的实施例。

本发明的实施例可以使用该特定位置处的历史篮子在每个位置处独立运行，并进行特定于该位置的推荐。

图2和图3是根据一个实施例的当基于货物或服务篮推荐附加货物和服务时图1的推荐模块16的功能的流程图。图2是整个处理的流程图，图3是“MCMC”采样功能的流程图，该“MCMC”采样功能是图2的功能的一部分。在一个实施例中，图2和图3的流程图的功能由存储在存储器或其它计算机可读或有形介质中的软件实现，并由处理器执行。在其它实施例中，功能可以由硬件(例如，通过使用专用集成电路(“ASIC”)、可编程门阵列(“PGA”)、现场可编程门阵列(“FPGA”)等)或硬件和软件的任何组合来执行。

在实现功能之前，实施例需要某些设置输入/参数。设置输入包括“目标物品”，这是本发明的实施例将从其产生推荐的物品集合。典型地，组织将推荐限制为来自一组特定的物品。例如，在餐馆中，推荐可能仅来自开胃菜或配菜，而不是前菜。在下面的公开中，假设存在稳定的目标物品集合，其随时间不频繁变化。但是，实施例也可以适于与变化的目标物品集合一起使用。

设置输入还包括“竞争性”和“非竞争性”物品的标识，该标识基于目标物品的特性被实现为标志。标志的值或者是“竞争性(Compete)”或者是“非竞争性(Non-compete)”(或者true或false等)。例如，在餐馆的情况下，通常将标志设置为“竞争性”，因为客户可能不会从目标集(开胃菜和配菜)中购买多于一种推荐的物品。但是，在宾馆的情况下，标志可能被设置为“非竞争性”，因为目标物品差异足够大，以至于可以想到客户可以购买不止一个物品，诸如购买额外的客房服务和水疗护理。

实施例还接收两种类型的“实时输入”，它们可以在每次实现图2和图3的功能时改变。每个输入由单独的链接算法/函数处理：MCMC采样206和映射制表209。实时输入包括类型化的篮子历史202。在一个实施例中，类型化的篮子历史202是篮子的整个历史(例如，去年的所有历史篮子)。篮子的整个历史在方框206、208、211、212和213的处理中被使用。

实施例然后在每次它接收到新的类型化的篮子时执行图2的功能。具体而言，在一个实施例中，发起功能206、208、211、212和213的是在历史数据中存在新篮子，这是由于客人完成了在宾馆的住宿，因此该篮子现在是历史的。在其它实施例中，宾馆可以等待例如两个星期，以累积多个新的历史篮子，使得206不仅仅因为只存在一个新的历史篮子而运行。因此，在实施例中，宾馆可以仅每两周运行206和相关联的方框。当篮子完成时(即，当客户完成其访问时)，在每个篮子上附上类型化标签。类似地，对于餐馆，可以为每次完成的客户访问生成新的篮子。

此外，除了处理新的历史篮子外，图2的功能还可以由宾馆或餐馆处的系统在204处请求推荐时发起。这两个发起由算法的不同部分来处理。在从202的发起中，历史篮子可能被分批处理。在从204的发起中，宾馆/餐馆正在寻找实时响应，因为它正在向尚未完成在宾馆住宿的客人做出推荐。在这种情况下，实施例使用在209、220、222和250处的功能来生成推荐。

另一个实时输入是对推荐204的查询，这是当接收到作为对推荐的请求的一部分的部分或完整类型化的篮子时。在推荐查询中接收到类型化的篮子之后，实施例以目标物品的子集进行响应，该目标物品的子集表示在250处生成的物品推荐。

当在202处出现新的类型化的历史篮子时，实施例执行两个功能：在206处的MCMC采样和在208处的映射制表。新的类型化的篮子出现是运行这两个功能的触发器，但是在执行时，将使用到目前为止在202处出现的类型化篮子的整个历史，而不仅仅是使用作为触发器的最近的篮子。

一旦功能被触发，就使用类型化的篮子历史202作为输入来执行MCMC采样206。在图3中示出了MCMC采样206的更详细的描述。MCMC采样206实现η次簇更新302和偏好更新304(以此顺序)，其中η是在实施例的初始配置期间一次性设置并且用于所有迭代的调整参数，并且用作迭代限制306。

簇更新302产生从类型到簇的新映射。实施例确定哪些类型可以被一起合并到同一簇中，因为它们的产品偏好相似。这里的映射显示了同一簇中有哪些类型。簇更新302使用到目前为止已经出现的类型化篮子的整个历史，而不仅仅是最近的类型化篮子。它还使用来自先前迭代的偏好更新304的结果。

对于在簇更新302中找到的每个簇c，偏好更新304生成一组“偏好参数”μ^(c)。每个μ^(c)是向量，其中对于每个目标物品j具有元素向量指示每个目标物品的簇偏好。向量的确切解释取决于“竞争性/非竞争性”标志的设置(在321处评估)，每种设置具有不同的计算方式。如果设置为“非竞争性”，那么在322处更新使用贝叶斯更新，这在下面更详细地公开。如果设置为竞争性，那么该功能在323处使用通过篮子制表的更新，这将在下面更详细地公开。

因此，MCMC采样步骤206的输出是当接收到新类型化篮子时的η个映射序列211和η个偏好参数序列212。对于在图3所示的循环(即，302、304和306)中的迭代s处产生的映射，映射序列的符号是M_s。因此，s从1变为η。

MCMC采样

包括簇更新302和偏好更新304的MCMC采样206的更详细描述如下。从将简档随机指派给簇的任意映射M₁开始，并从H₀中为每个簇对偏好参数进行采样。对于s＝1，…，η，重复如下采样处理：

簇更新302：令c_i＝M_s(i)表示在映射M_s下与简档i相关联的簇并且令c表示一般簇。对于每个简档i∈I，如下更新与该客户简档相关联的簇标签c_i。令n_-i,c为在映射M_s下映射到现有簇c的简档的数量(不包括简档i)。根据以下概率分布绘制候选簇标签

如果那么使用相应的参数向量/>如果/> 即如果候选簇不与在M_s下的任何现有簇对应，那么从H₀采样。

用以下概率将c_i的新值设置为/>

并且以概率1-a(c^*,c_i)不更改c_i，其中表示在给定购买历史/>和参数向量μ^c _i的情况下的似然函数。令M_s+1为由简档到簇(即，更新后的c_i的簇)的新指派给出的更新后的映射。

使用贝叶斯更新(322)进行偏好更新304：在MCMC采样206之后，如果在321处标志被设置为非竞争性，那么按以下方式执行使用322处的贝叶斯更新的非竞争性偏好更新：更新用于每个簇的偏好参数的向量：对于每个c∈{c₁，...，c_I}，计算μ^c的后验分布(给定历史X_t)，并从μ^c的后验分布中得出新的实现。

使用通过篮子制表进行更新(323)的偏好更新304：在MCMC采样206之后，如果在321处将标志设置为竞争性，那么使用在323处通过篮子制表进行的更新来执行针对竞争性的偏好更新。针对竞争性的偏好更新323如下：假定M_t是当前簇更新302中刚产生的映射。假定c是由M_t产生的簇之一。针对目标物品j的元素的计算为：

1.查看在202处接收到的所有类型化的篮子的历史。对于类型被M_t映射到簇c的所有篮子，计算满足以下条件的篮子的数量：

(a)篮子包含j(客户购买了目标物品j)。

(b)篮子根本不包含目标物品(客户没有购买目标物品)。

2.通过将上面的a除以b来形成比率v_j ^(c)。

3.取

在208处，实施例在完成MCMC采样206之后产生以下映射的制表(tabulation)。在从MCMC采样206生成的映射序列中，可能多次生成同一映射。将唯一映射标记为M_s，s＝1…L，其中L是不同映射的数量(此处下标只是不同映射的指示符，与下标指示MCMC循环计数的早先使用相反，因此L≤η)。与每个M_s相关联的是频率比例f_s，频率比例是在生成的映射序列中出现的次数的计数M_s除以序列中映射的总数(因此，它始终是0到1之间的数字)。f_s是映射制表208或当前制表217的输出。

当在204处接收到查询时，实施例通过使用映射的序列211、偏好参数的序列212和由(即，如由上一个新类型篮子触发的)MCMC采样206的最新运行产生的映射制表213在250处生成目标物品的推荐。在整个过程中，L是最新映射序列中不同映射的数量，并且f_l是映射的频率制表的符号。

令b是查询中接收到的类型化的篮子。实施例然后返回目标物品的集合作为对购买b的客户的推荐。将b的类型表示为i(即，类型化的篮子包括篮子及其类型)。

实施例取决于竞争性/非竞争性标志的设置(即，在220或222处)以不同的方式生成推荐的集合250。

对于在220处的竞争性情况，实施例采用在Saure,D.和Zeevi,A.的“Optimaldynamic assortment planning with demand learning”Manufacturing ServiceOper.Management 15(3),387-404(2013)中公开的算法3，其公开内容通过引用整体并入本文(“Saure”算法)。Saure算法如下确定是否要针对每个到达的客户t进行探索或利用。如果所有产品已经被探索了至少一定次数(ln(t)的阶次)，那么算法将利用当前的最优分类。否则，它提供包含被测试产品的分类(探索)。

Saure算法假设有同质的客户群体。但是，在动态聚类策略的贝叶斯设置中，估计是从映射和客户偏好的后验分布的近似得出的。因此，实施例使Saure算法适合于动态聚类策略。

实施例计算以下内容以创建Saure算法所需的输入：

1.每个目标物品j的指数平均效用v_j。使用以下公式，其中来自上面公开的针对竞争性的偏好更新，并且是根据映射M_l

计算得出的v_j ^(c)：

2.已经推荐目标物品j的次数。根据实施例，对于映射M_l和簇M_l(i)，将数量计算为类型在M_l(i)中的篮子接收j作为推荐的次数。

3.提供目标物品j的平均次数T_j。使用以下公式：

然后将上面的1和3提供给Saure算法，该算法在250处输出推荐的目标物品的集合。

对于在222处的非竞争性情况，实施例利用在Thompson,W.R.“On the likelihoodthat one unknown probability exceeds another in view of the evidence of twosamples”,Biometrika pp.285-294(1933)中公开的算法，其公开内容通过引用整体并入(“Thompson采样”)。对于在任何映射中出现的每个簇c，将Thompson采样应用于包括类型在c中的所有历史类型化篮子的集合的输入。Thompson采样为每个目标物品j输出数量

根据上面公开的用于映射制表的符号，假定在接收到针对推荐的查询时，实施例具有频率比例为f_l的不同映射M_l。实施例然后为每个目标物品j计算数量：

符号M_l(i)意味着映射M_l将类型i映射到的簇。现在，实施例采用具有最大Q_j的前C个目标物品j。这是提供给购买类型化的篮子b的客户的推荐的物品250的集合。

可以使用客户端/服务器模型来实现实施例，其中客户端可以是图1的POS设备100，并且图1的其余部分用作服务器。客户端可以向餐馆(例如，快餐店或快速服务餐馆)的收银员或服务器显示在图2的250处生成的推荐，然后收银员或服务器可以建议那些推荐。客户端还可以是客户可直接使用的设备，诸如放在餐馆桌子上的远程设备。

图4-图6图示了根据本发明实施例的UI的屏幕截图。图4中所示的示例针对被配置为支持“快速服务”餐馆的客户端设备，在该餐馆中，客户向收银员下订单，然后等待订单被配齐。实现本发明并提供发明性功能的客户端设备是专用设备。

图4图示了响应于形成当前订单的货物篮425而生成的五个推荐401-405。在这五个推荐当中，以红色和闪烁示出最佳推荐402。实施例通过采用具有最高购买概率的五个物品来生成这些推荐，这五个物品是基于订单中已经存在的其它物品计算的。排名功能在250处执行。

图5图示了如果客户有会员号的话，收银员可以如何以及在哪里输入客户的会员号，然后本发明可以使用与会员卡相关联的任何人口统计信息来修改推荐。人口统计信息可以与篮子类型的定义相关联。然后，收银员应当询问客户他或她是否要在订单中添加最佳物品(但是具有还推荐其它四个物品的灵活性)。然后，一些实施例提示收银员核实是否向客户给出了推荐。

图6图示了根据本发明实施例的高级系统图。“数据科学”或“DS”引擎是指生成推荐建议的实施例，包括系统10。在601处，DS引擎产生类型的列表、类型到簇的映射以及与每个簇相关联的购买概率。在门户602中，用户可以查看这个输出，并根据期望进行手动更改。然后，在603处，每个商店产生包含这个信息的文件。实施例为每个商店确定单独的推荐，从而允许客户口味的地区差异。然后在604处将这些按商店的文件加载到“Simphony”服务器中，然后该服务器在605处将文件分发到销售点系统(即，收银员实际使用的硬件)。然后，销售点系统在606处记录销售交易，销售交易然后被上传回Symphony服务器。实施例然后使用这些最新的销售结果来更新它的购买概率以及它的类型到簇的映射。

针对宾馆的本发明的实施例的示例用例

对于示例用例，假设具有会员卡计划的高端宾馆连锁店，并且该宾馆具有关于其客户的一些人口统计信息，诸如年龄。假设宾馆基于以下特性定义以下类型的集合：

·预定房间的人的年龄段：20-30、30-40、40-50、50-60、60+。

·客人聚会中的人数：1、2、3、4+。

·客人是否有孩子

·客人预订的房间的价格等级：高、中、低。

这些特性的每种组合或值集合形成一种类型。示例类型是：年龄30-40；2位客人；没有孩子；低。

类型总数为5×4×2×3＝120。本发明的实施例的目的是确定这120种类型中的哪些类型可以组合在一起，因为辅助产品的类型偏好足够相似。此处的示例特点表明，本发明足够灵活以至于只要宾馆具有确定其客人的特性的方法，宾馆就可以使用类型的任何特性。

为了简化这个示例，特性不包括客户在访问期间可能已经购买的附属物品篮的特性，并且实际上，这个示例中的篮子仅包括客人预订的房间。但是，在实际的实施方式中，特性可能包括关于客人在此住宿期间已经购买了哪些附属物品的一些指示，诸如篮子是否已经包括水疗护理(意味着客人在此住宿期间已经购买了水疗护理)。

具体的附属产品包括：

1.水疗护理；

2.健身房服务；

3.迷你酒吧物品；

4.客房服务。

这些是作为输入提供的“目标物品”集。这个示例的“篮子”只是客人在此特定访问期间已经购买的附属物品的集合。

最后，在209处设置“非竞争性”标志，因为这些附属物品可以一起都购买(即，它们不是彼此的替代物，并且实际上，典型的客户在单次访问中可能会购买多于一个)。

符号

该示例的目标产品中有4个物品(参见上文)，因此上面提到的向量μ是指长度为4的向量，给出了目标集中4个物品中每个物品的购买概率。μ的每个元素都是0到1之间的数字。注意的是，由于设置了“非竞争性”标志，因此元素的总和可以是任意值，包括大于1。每个元素表示独立于其它元素的购买概率，这意味着客户分别对每个元素进行决策。如果替代地设置“竞争性”标志，那么这将不成立，并且购买概率不是独立的并且实际上总和必须小于1。

处置新的历史篮子

如本文中所公开的，当客人完成住宿时，实施例在202处连续接收历史篮子。在接收到这些新的历史篮子之后，实施例运行MCMC采样206以处理篮子。

MCMC采样206是运行μ次的循环。每次迭代生成表，诸如下面的表1：

表1

上面仅示出了表的一部分。在实际的系统中，表将包含针对篮子特性的每种组合的行(因此共有120行)。“簇”列给出了类型到簇的映射，因此，上面示出的类型中的3种类型被指派给同一簇，指示在这个特定映射中，这3种类型被视为具有相同的偏好参数。标记为1到4的列给出了被表达为购买概率的针对每个目标物品的偏好参数(上面称为μ)。存在针对每个簇的一个偏好参数集合，因为根据定义，簇具有对于其所有组成类型相同的偏好参数。

注意的是，簇1的偏好参数的总和如何大于1。同样，这是因为设置了“非竞争性”标志。

假设上面的表1是由MCMC采样206在循环的迭代s中(经过s次循环之后)产生的。现在，对于迭代s+1，将使用来自迭代s的表1，并且以下步骤将产生新表：

1.(簇更新302)可能改变类型到簇的指派。

2.(偏好更新304)使用最新的历史篮子集合和在簇更新中进行的任何新指派，为每个簇生成新的偏好参数。

可能进行改变

这是个多步骤过程，针对当前表的每一行执行。例如，假设正在针对表的第3行执行该过程。系统已经产生了可能将第3行切换到的候选簇，即簇3(上表中行3当前位于簇2中)。实施例现在执行以下操作以确定是否将第3行实际切换到簇3：

1.为指派给其当前簇2的第3行计算“可能性”得分；提取具有第3行中指示的类型的每个历史篮子，并保持针对辅助产品的每次历史购买的上表中指示的购买概率的连续相乘。例如，如果历史篮子购买了水疗护理，那么将乘以0.1，因为0.1是簇2中水疗的购买概率。如果历史篮子同时具有水疗和迷你酒吧，那么将乘以0.1和0.3。对第3行中指示的类型的所有历史篮子进行这个操作。

2.除了现在使用针对簇3列出的购买概率而不是针对簇2的购买概率之外，通过相同的连续相乘，为切换到簇3的第3行计算第二个“可能性”得分。

3.用2中的可能性得分除以1中的可能性得分。如果比率大于1，那么将第3行切换到簇3。如果比率小于1，那么以等于该比率的概率将第3行切换到簇3。

可能性得分是每个簇的购买概率与实际购买历史的拟合程度的度量。因此，如果簇3对于购买描述得比簇2更好，那么以上过程将第3行切换到簇3。以这种方式，实施例可以将不同的行合并到同一簇中，这是本发明的基本点之一。

对上表的每一行执行上述步骤，以产生新表——表2，此处示出了表2的一部分：

表2

在这个示例中，第3行的类型已从簇2切换到簇3，因此簇3现在包括第3行和第5行中的两种类型，而簇2现在仅包括第2行和第4行中的类型。

为每个簇生成新的偏好参数

注意的是，在上面的新表2中，偏好参数为空。接下来，对每个簇执行偏好更新304以填充该簇的偏好参数。假设正在处理簇2，它包括第2行和第4行：

1.查找符合簇中任何行的类型的所有历史篮子，该行可以是第2行或第4行。假设有1000个篮子。

2.在1000个篮子中，找到购买每个附属物品的比率。例如，物品1＝0.1，物品2＝0.15，物品3＝0.3，物品4＝0.23。

3.这些值现在可以被用于偏好参数，即，μ[1]＝0.1,μ[2]＝0.15，等等。但是，这没有考虑这些值的不确定性，这意味着这些值仅是真实值的近似，因为过去客户的行为总是存在随机性。实施例通过使用Saure,D.和Zeevi,A.的“Optimal dynamic assortmentplanning with demand learning”，Manufacturing Service Oper.Management 15(3),387-404(2013)(“Saure”)的公式(4a)、(4b)和(4c)来考虑不确定性。使用这些公式来应用贝叶斯方法(标准方法)，并且所得到的μ值将略有更改，比如从上面的值更改为0.15、0.16、0.32和0.28。应用这种方法还允许宾馆经营者应用以前的经验并指定该方法所称的“先验值”，这意味着对μ的总体平均值的信任。在这种情况下，因为宾馆经营者可能已指定了先验值0.2、0.2、0.4、0.4，所以贝叶斯算法已经稍微增加了μ的值。先验值在Saure中用H₀表示，并在公式(4c)中被用作标准贝叶斯方法的输入。

这样就完成了MCMC采样206的当前迭代，现在MCMC采样206使用刚刚完成的表作为下一次迭代的输入来继续进行下一次迭代。如上面所公开的，每次迭代通过使用先前表的簇和偏好参数两者使用来自先前迭代的表来构建它的表。因此，在完成时，MCMC采样206产生了η个这样的表，每次迭代产生一个表。

映射制表步骤

在MCMC采样运行过所有η次迭代之后，映射制表208从MCMC采样206产生的表中仅提取簇映射(忽略偏好参数)，并且：

·确定不同的映射(有可能在MCMC采样的多于一次迭代中产生相同的映射)。不同映射的数量最多为η。

·对每个不同的映射计数映射的数量。

·为每个不同的映射生成频率比例。

假设在示例中MCMC采样206产生了10个不同的映射，其中η＝110。映射制表生成表，诸如下面的表3：

	计数	频率比例
			映射A	9	9/110＝0.081
映射B	11	11/110＝0.1
			(另外8个映射)

表3

产生多个映射而不是单个映射反映了关于映射真正是什么的不确定性。频率比例可以被解释为概率，因此，真正映射是映射A的概率为8.1％，是映射B的概率为10％。以这种方式处置不确定性是实施例的关键的新颖特征。

针对推荐的查询

如所公开的，实施例可以在204处对于针对推荐的查询做出响应。实施例被给予篮子及其类型，然后在250处以推荐来响应，其中一个或多个附属物品被推荐给客人。

假设给定的篮子具有上述映射表第3行中给出的类型。如果绝对地确定某个类型属于哪个簇，那么只需对第3行所属的任何簇运行Saure中公开的标准算法并以那种方式获得推荐就足够了。但是，如上面所公开的，本发明的关键特征是处理关于哪个映射是真实映射的不确定性。因此，有必要将多个映射与标准算法结合在一起。

因为在这个示例中设置了“非竞争性”标志，所以在222处对于针对推荐的查询的响应采用称为Thompson采样的标准算法。为了简化这个示例，仅使用上面公开的以下两个映射：映射A和映射B。考虑映射A。Thompson采样为映射A中的每个簇c和每个附属物品j给出数字Thompson采样也关于映射B运行，以针对映射B中的每个簇c和每个附属物品j给出数字/>这些数字在上面都标记有Q，但为清楚起见，它们将用它们所来自的映射进行标记。

如果只有一个映射，诸如映射A，那么通过使用数字获得推荐，因为映射A将第3行放在簇2中。在这4个数字中挑选最大的数字，并推荐相关联的附属物品。例如，如果宾馆只想做出单个推荐，那么挑选四个中最大的一个。

但是，由于存在多个映射，因此通过组合它们的效果来考虑映射A和映射B两者：

0.081是映射A的频率比例，0.1是映射B的频率比例。注意的是，映射B将第3行指派给簇3，因此上标变为簇3而不是簇2。省略号表示其它映射的贡献，每个都乘以对应的频率比例。换句话说，最终的Q_j是加权平均值，权重是映射的频率比例。以这种方式，实施例根据映射可能是真正映射的强度来跨所有映射取平均值。然后，为了获得推荐，选择与最大的Q_j相关联的附属物品。

如所公开的，实施例基于两个准则做出推荐：

1.哪些物品最有可能被客户接受。

2.哪些物品尚未经常被推荐给客户。

可以假设仅做1就足够了，但是在这种情况下，由于数据的随机性或数据不足，有可能永远不会推荐客户实际上相当乐于接受的物品。因此，实施例不时地“冒险”并且使用准则2而不是一直使用1来推荐物品。因此，实施例在“利用(exploitation)”(准则1)与“探索(exploration)”(准则2)之间进行平衡。

宾馆可以选择从针对推荐的查询中要被接收的推荐的数量。通常，它可能只想要1个推荐，在这种情况下，选择具有最高Q评分的附属物品，但如果宾馆期望更多推荐，则实施例可被配置为选择更多推荐。

在250处宾馆接收到推荐之后，该推荐可以被其它专用计算机系统用来提供进一步的功能。例如：

1.当客人进行购买并提供房间号时，推荐可以出现在宾馆具有的销售点系统上。销售点系统的用户然后向客人进行口头推荐。该推荐可以附带小的折扣。

2.推荐可以以电子邮件的形式发送给客人，同样可能有小的折扣。

3.推荐可以向客人承诺在客人下次入住宾馆时给出，以诱使客人选择再次入住宾馆。

如所公开的，实施例基于到目前为止客户已经购买了什么来推荐附加产品和服务，并且由于频繁改变的物品和服务的菜单而特别适用于餐馆和宾馆。除ARM以外的其它已知系统可能已经使用了整个篮子或人口统计属性来做出推荐，但是因为不同类型的篮子的数量可能相当大，所以这种系统在做出新推荐之前可能需要大量历史篮子信息，这减慢了系统可以使它的推荐适应产品或客户偏好的改变的速度。当添加人口统计属性时，问题变得甚至更加严重。

与已知系统相反，实施例依赖于在适应变化的产品或变化的客户偏好之前必须输入的新数据量的减少。因此，实施例使得仅基于客户购买的特征中的最多三个特征来产生推荐是可行的：(1)客户的篮子中的单独物品；(2)整个篮子的总体特性；或(3)客户的人口统计属性。实施例可以比已知系统更快地使它的推荐适应新数据，这在产品和客户偏好不断变化的行业中是重要的。

另外，由于餐馆通常没有会员计划，因此餐馆的推荐系统不能要求与客户相关的交易。已知的基于ARM的推荐系统不要求与客户相关的交易，但是通常限于只考虑成对的物品，并且不考虑篮子属性或人口统计属性。相反，实施例不要求与客户相关的交易，并且可以考虑篮子属性和人口统计属性。在宾馆和餐饮业中，包括人口统计属性的能力是重要的，这在他们的客户的定制处理中是感兴趣的。

本文具体说明和/或描述了若干实施例。但是，将认识到的是，在不背离本发明的精神和预期范围的情况下，所公开的实施例的修改和变化被以上教导涵盖，并且在所附权利要求的范围内。

Claims (22)

1.一种响应于接收到货物篮而提供对附加目标物品的推荐的方法，所述方法包括：

从篮子类型的集合中确定所述货物篮的类型；

接收作为目标推荐的附加目标物品的集合；

接收所接收到的货物篮的类型的历史；

基于所接收到的货物篮的类型的历史迭代地执行将所述篮子类型中的每个篮子类型聚类成多个簇，以及针对目标物品中的每个目标物品到所述多个簇中的每个簇的偏好更新，并且在多次迭代之后，所述迭代地执行输出映射的序列和偏好参数的序列；

从映射的序列生成映射的制表的频率；以及

基于映射的序列、偏好参数的序列和映射的制表的频率来生成推荐。

2.如权利要求1所述的方法，其中所述附加目标物品的集合被标记为竞争性的，并且生成推荐包括执行Saure算法。

3.如权利要求1所述的方法，其中所述附加目标物品的集合被标记为非竞争性的，并且生成推荐包括执行Thompson采样。

4.如权利要求1所述的方法，其中所述货物篮包括客户在当前访问期间在餐馆中订购的物品。

5.如权利要求1所述的方法，其中所述货物篮包括客户在当前访问期间在宾馆中购买的货物和服务。

6.如权利要求1所述的方法，其中所述偏好更新包括当所述附加目标物品的集合被标记为非竞争性时的贝叶斯更新。

7.如权利要求1所述的方法，其中所述偏好更新包括当所述附加目标物品的集合被标记为竞争性时，通过篮子制表进行更新。

8.一种其上存储有指令的非暂态计算机可读介质，所述指令在由处理器执行时使处理器响应于接收到货物篮而提供对附加目标物品的推荐，提供所述推荐包括：

从篮子类型的集合中确定所述货物篮的类型；

接收作为目标推荐的附加目标物品的集合；

接收所接收到的货物篮的类型的历史；

基于所接收到的货物篮的类型的历史迭代地执行将所述篮子类型中的每个篮子类型聚类成多个簇，以及针对目标物品中的每个目标物品到所述多个簇中的每个簇的偏好更新，并且在多次迭代之后，所述迭代地执行输出映射的序列和偏好参数的序列；

从映射的序列生成映射的制表的频率；以及

基于映射的序列、偏好参数的序列和映射的制表的频率来生成推荐。

9.如权利要求8所述的计算机可读介质，其中所述附加目标物品的集合被标记为竞争性的，并且生成推荐包括执行Saure算法。

10.如权利要求8所述的计算机可读介质，其中所述附加目标物品的集合被标记为非竞争性的，并且生成推荐包括执行Thompson采样。

11.如权利要求8所述的计算机可读介质，其中所述货物篮包括客户在当前访问期间在餐馆中订购的物品。

12.如权利要求8所述的计算机可读介质，其中所述货物篮包括客户在当前访问期间在宾馆中购买的货物和服务。

13.如权利要求8所述的计算机可读介质，其中所述偏好更新包括当所述附加目标物品的集合被标记为非竞争性时的贝叶斯更新。

14.如权利要求8所述的计算机可读介质，其中所述偏好更新包括当所述附加目标物品的集合被标记为竞争性时，通过篮子制表进行更新。

15.一种推荐系统，包括：

处理器，耦合到存储指令的存储设备，所述处理器执行所述指令以响应于接收到货物篮而提供对附加目标物品的推荐；

所述处理器从篮子类型的集合中确定所述货物篮的类型，接收作为目标推荐的附加目标物品的集合，并接收所接收到的货物篮的类型的历史；

所述处理器基于所接收到的货物篮的类型的历史迭代地执行将所述篮子类型中的每个篮子类型聚类成多个簇，以及针对目标物品中的每个目标物品到所述多个簇中的每个簇的偏好更新，并且在多次迭代之后，所述迭代地执行输出映射的序列和偏好参数的序列；

所述处理器从映射的序列生成映射的制表的频率，并基于映射的序列、偏好参数的序列和映射的制表的频率来生成推荐。

16.如权利要求15所述的推荐系统，其中所述附加目标物品的集合被标记为竞争性的，并且生成推荐包括执行Saure算法。

17.如权利要求15所述的推荐系统，其中所述附加目标物品的集合被标记为非竞争性的，并且生成推荐包括执行Thompson采样。

18.如权利要求15所述的推荐系统，其中所述货物篮包括客户在当前访问期间在餐馆中订购的物品。

19.如权利要求15所述的推荐系统，其中所述货物篮包括客户在当前访问期间在宾馆中购买的货物和服务。

20.如权利要求15所述的推荐系统，其中所述偏好更新包括当所述附加目标物品的集合被标记为非竞争性时的贝叶斯更新；以及当所述附加目标物品的集合被标记为竞争性时通过篮子制表进行更新。

21.如权利要求15所述的推荐系统，其中所述偏好更新包括当所述附加目标物品的集合被标记为竞争性时，通过篮子制表进行更新。

22.一种响应于接收到货物篮而提供对附加目标物品的推荐的装置，所述装置包括用于执行根据权利要求1-7中任一项所述的方法的部件。