CN111461843B - 一种用于电商平台的尺码表生成及尺码推荐方法 - Google Patents

Abstract

本发明公开了一种用于电商平台的尺码表生成及尺码推荐方法，涉及信息处理技术领域，包括收集对不同商品的客服推荐和客户的实际反馈信息，并识别其中的尺码信息，形成尺码数据库；根据尺码数据库存储的尺码信息形成基础尺码表，分析基础尺码表的合理性，通过算法优化更新基础尺码表，生成更新尺码表。本发明公开的一种用于电商平台的尺码表生成及尺码推荐方法将客户实际反馈信息与基本尺码表进行对比判断，获得更贴近于客户需求的更新尺码表，使其生成的尺码表更加符合客户需求和实际情况，避免生产商或者商家提供的尺码表与实际尺码需求之间的偏差，影响客服的使用体验。

Description

一种用于电商平台的尺码表生成及尺码推荐方法

技术领域

本发明涉及信息处理技术领域，具体涉及一种用于电商平台的尺码表生成及尺码推荐方法。

背景技术

在零售行业中，衣服服饰品类一直是一个非常重要的商品品类。随着电商行业的急速发展，网上购物的占比越来越重要。就衣服服饰类的购买过程而言，在从线下到线上的转化中，遇到一个场景占比很大，但又不好解决的问题，就是衣服的尺码该如何选择。线下实体店铺，顾客能够直接试穿衣服，真实感受到衣服上身后的质感，从而做出准确判断。但线上不具备试穿衣服的条件，只能靠一些测量值，比如身高，体重，胸围，臀围等估计尺码，一旦不太满意，就会是一次失败的购物体验。

目前线上购物中，商家为客户提供以下几种尺码选择方式：（1）卖家提供服饰的具体指标；（2）提供身高体重的转化表；（3）引入应答机器人。

由于大部分顾客对于自己身体部位的具体尺寸不清楚，且顾客自己测量时也难有确定的标准，因此往往只是根据身高体重来寻找合适的尺码，导致尺码选择不准。而提供身高体重的尺码转化表则相对更加合理，高效，无论顾客自己根据尺码转化表自己判断还是客服人员根据顾客的信息为顾客匹配，都可以快速的得到尺码较合适的服饰。而引入应答机器人也需要在有比较完善的尺码转化表才能实现更好更快的尺码推荐。

可见，为了提高线上服装尺码推荐的快速准确，准备较为完善的尺码表是关键点。

现有的尺码表有两种生成方法，其一为人工编辑生成；其二为通过相关指标智能转化生成。人工编辑生成工作量大，而且一次性的添加多个尺码表后，会因惯性思维或疲劳的关系，编辑的准确性不一定能够保障，从而影响尺码表的可用性。另外，像服装这种有一定热销时间区的商品，新来一件商品，可能编辑了尺码表后，还没来得及卖出去几件，就该下架了。或者款式本身比较冷门，编辑了后无人问津，也会影响编辑全量尺码表的性价比。通过商品规格的相关指标进行智能转化，有一定可行性，能节约人力。但本身这个学习过程是一个比较复杂的过程，另外，是否具有通用性并不能保证，比如，不同款式的衣服，可能指标都一样，但由于风格问题，适合不用的身高体重的人穿，因此只是一种理想的情况。

发明内容

本发明针对现有技术，提供了一种用于电商平台的尺码表生成方法，将客户实际反馈信息与基本尺码表进行对比判断，获得更贴近于客户需求的更新尺码表。

本发明针对现有技术，还提供了一种用于电商平台的尺码推荐方法。

本发明通过下述技术方案实现：所述一种用于电商平台的尺码表生成方法，包括：收集对不同商品的客服推荐和客户的实际反馈信息，并识别其中的尺码信息，形成尺码数据库；

根据尺码数据库存储的尺码信息形成基础尺码表，分析基础尺码表的合理性，通过算法优化更新基础尺码表，生成更新尺码表。

在上述技术方案中，所述更新尺码表定时更新或者根据新增一个客户实际反馈信息进行更新，获得更加完善合理、更贴近于客户需求的更新尺码表。上述技术方案中，所述基础尺码表可以是直接从尺码数据库统计出来的。

进一步地，收集对不同商品的客服推荐和客户的实际反馈信息主要包括商品的唯一标识码，客户的唯一标识码；客户与客服聊天过程中涉及的身高、体重和尺码需求，客服推荐尺码，客户使用后对尺码合适度的评价；尺码数据库通过商品的唯一标识码和客户的唯一标识码作为唯一key收集对不同商品的客服推荐和客户的实际反馈信息。

在上述技术方案中，客户使用后对尺码合适度的评价包括：大、小、紧、松、短、长、偏大、偏小、偏紧、偏松、偏短、偏长、太大、太小、太紧、太松、太短、太长、合适、可以、还行、还好、准确、合身等。

进一步地，所述基础尺码表通过对尺码数据库内的尺码信息进行分片、权重分析后得到，其具体包括以下步骤：

根据尺码数据库存储的身高、体重分别进行分片，获得身高分片和体重分片，一身高分片和一体重分片组成单元分片；统计每个单元分片出现的样例数，获得样例数最多的单元分片，进而得到出现次数最多的尺码，将其作为代表尺码，并将代表尺码的样例数记为该身高分片和体重分片的权重，获得每个单元分片的权重；

判断每个单元分片对应的样例数，根据每一单元分片在每一尺码的样例数和整体样例数的比值作为该单元分片的样本分布，得到一个基础尺码表。

进一步地，分析尺码数据库中客户的实际反馈信息时，根据可用性判断对客户的实际反馈信息进行筛选，去除不可用的客户实际反馈信息。

进一步地，所述可用性判断通过信息量和信息冲突进行判断，其具体包括以下步骤：

根据单元分片和尺码之间在基础尺码表上的对应关系，将任两个尺码的体重分片和身高分片的大小对应关系相同的单元分片权重定义为可比，并将与一单元分片可比的单元分片权重之和记为可比数；可比的任两个尺码的大小关系与该两个尺码的单元分片的大小关系不同时，该两个尺码的单元分片权重定义为冲突，并将与一单元分片冲突的单元分片权重之和记为冲突数；

统计每一单元分片的可比数和冲突数，得到每个单元分片冲突率，按权重加成得到总体冲突率；

根据冲突率设定阈值，根据阈值进行可用性判断。

进一步地，将所有单元分片根据冲突数的大小进行排序，从小到大依次尝试激活每个分片。对激活的单元分片进行拓展，根据单元分片的拓展结果更新基本尺码表，获得更新尺码表。

进一步地，单元分片的拓展范围为每个尺码的小边界值和大边界值所涵盖的区间；所述小边界值为该尺码所涵盖的最小身高、体重；所述大边界值为该尺码所涵盖的最大身高、体重。

本发明还提供了一种用于电商平台的尺码推荐方法，根据上述方法生成的更新尺码表向客户推荐尺码。

进一步地，向客户推荐尺码时，具体包括以下步骤：

客户登录电商平台，向电商平台发送商品的唯一标识码和尺码询问；

电商平台根据客户提供的商品的唯一标识码，先找到该商品对应的更新尺码表；

再根据用户提供的尺码信息，获得该商品更新尺码表上对应该客户身高体重的单元分片，然后推荐给客户。

上述技术方案中，还可以根据客户的需求，在标准尺码单元分片上进行正向偏移或者反向偏移后，再推荐给客户。如客户需求较宽松，则在根据客户的身高体重推荐的标准尺码分片上推荐大一码尺码；如客户需求较紧身，则在根据客户的身高体重推荐的标准尺码分片上推荐小一码尺码，使其更符合客户需求。

进一步地，向客户推荐尺码时，一并向客户和更新程序的中间处理模块发送更新尺码表和冲突数。

进一步地，尺码推荐可通过客服人工推荐或者问答机器人推荐。

本发明与现有技术相比，具有以下优点及有益效果：

（1）本发明所提供的一种用于电商平台的尺码表生成方法，将客户实际反馈信息与基本尺码表进行对比判断，获得更贴近于客户需求的更新尺码表，使其生成的尺码表更加符合客户需求和实际情况，避免生产商或者商家提供的尺码表与实际尺码需求之间的偏差，影响客服的使用体验。

（2）本发明所提供的一种用于电商平台的尺码表生成方法，根据客户不断的实际反馈信息实现尺码表的不断更新，使尺码表更加细化准确，对应效果更好。

（3）本发明所提供的一种用于电商平台的尺码推荐方法，根据更新后的尺码表向客户推荐尺码，使其推荐的尺码更加准确。

附图说明

图1为本发明的一些实施例中生成的更新尺码表的示意图；

图2为本发明的一些实施例中应答机器人的推荐流程示意图；

图3为本发明一些实施例中尺码表生成方法的流程示意图。

具体实施方式

下面结合实施例对本发明作进一步地详细说明，但本发明的实施方式不限于此。

现有电商平台上向客户推荐尺码，常常是客服或者应答机器人根据生产商或者电商平台在商品销售之前编辑而成的尺码表进行推荐。电商品台在商品上架之前直接编辑，其工作量大，准确性也难以保障，从而影响尺码表的可用性。生产商提供的尺码表常常是通过商品规格的相关化指标进行转化，有一定的可行性，能节约人力；但通用性不能保证，比如，不同款式的衣服，可能指标都一样，但由于风格问题，适合不用的身高体重的人穿，因此只是一种理想的情况。

针对上述问题，申请人提供了一种用于电商平台的尺码生成方法，如图3所示，包括以下步骤：

A1）收集对不同商品的客服推荐和客户的实际反馈信息，并识别其中的尺码信息，形成尺码数据库；

A2）分析尺码数据库中客服推荐与客户的实际反馈信息，根据客户反馈信息形成基础尺码表，再通过一系列算法，优化更新基础尺码表，获得更新尺码表。

需要说明的是，收集对不同商品的客服推荐和客户的实际反馈信息主要包括商品的唯一标识码，客户的唯一标识码；客户与客服聊天过程中涉及的身高、体重和尺码需求，客服推荐尺码，成单记录，客户使用后对尺码合适度的评价；尺码数据库通过商品的唯一标识码和客户的唯一标识码作为唯一key收集对不同商品的客服推荐和客户的实际反馈信息。

在客户与客服聊天过程中的信息提取通常为：正常情况下用户和客服都会通过url定位关键商品，因此可以提取出商品的唯一标识码，客户的唯一标识码。从聊天信息中，识别客服提到的身高、体重，以及商品的尺码信息，并记录下来。

需要说明的是，在信息提取过程中，由于不同的客户对身高体重和尺码表示会采用不同的标准，因此需要对聊天中的身高、体重、尺码信息进行转化。首先确定身高、体重和尺码的标准表示方法，再根据标准表示方法的与客户表示的身高、体重、尺码信息的转化公式进行转化，并将转化后的数据存储在尺码数据库中。

需要说明的是，成单记录中的信息提取跟聊天记录中的信息提取相似，即根据承担记录识别出商品的唯一标识码、客户的唯一标识码、尺码信息等。

需要说明的是，客户使用后对尺码合适度的评价中的信息提取跟聊天记录中的信息提取相似，即根据评价记录提取客户的唯一标识码、商品的唯一标识码和对尺码合适度的评价。其中，客户使用后对尺码合适度的评价包括：大、小、紧、松、短、长、偏大、偏小、偏紧、偏松、偏短、偏长、太大、太小、太紧、太松、太短、太长、合适、可以、还行、还好、准确、合身等。

根据上述记录提取得到信息，其中信息包括，商品的唯一标识码，用户的唯一标识码，身高，体重，尺码，反馈。然后按商品的唯一标识码+用户的唯一标识码作为唯一key，记录在尺码数据库中。

需要说明的是，商品的唯一标识码可以为商品ID或者将商品ID加密后形成的标识码；优选地，商品的唯一标识码为将商品ID加密后形成标识码；同理的，用户的唯一标识码可以为用户ID或者将用户ID加密后形成的标识码，优选为将用户ID加密形成的标识码，便于保护用户隐私。

可选的，尺码数据库可更新，使尺码数据库可以实时的收录数据，也能补充数据，因为有唯一key的原因，尺码数据库的更新可以从历史数据信息库中读取已经记录的信息，没有就新增。比如评论的反馈数据一定会比聊天数据和成单记录后产生，但通过唯一key，能够将信息补充进去。

上述信息提取完成后，分析尺码数据库中客户的实际反馈信息时，根据可用性判断对客户的实际反馈信息进行筛选，去除不可用的客户实际反馈信息。

其中，可用性判断通过信息量和信息冲突进行判断，其具体包括以下步骤：

A21）根据身高、体重进行分片，获得身高分片和体重分片，一身高分片和一体重分片组成单元分片；统计每个单元分片出现的样例数，获得样例数最多的单元分片，进而得到出现次数最多的尺码，将其作为代表尺码，并将代表尺码的样例数记为该身高分片和体重分片的权重，进而获得每个单元分片的权重；

A22）判断每个单元分片对应的样例数，根据每种尺码的样例数和整体样例数的比值作为该单元分片的样本分布，得到一个基础尺码表；

A23）根据单元分片和尺码之间在基础尺码表上的对应关系，将任两个尺码的体重分片和身高分片的大小对应关系相同的单元分片权重定义为可比，并将与一单元分片可比的单元分片权重之和记为可比数；可比的任两个尺码的大小关系与该两个尺码的单元分片的大小关系不同时，该两个尺码的单元分片权重定义为冲突，并将与一单元分片冲突的单元分片权重之和记为冲突数；

A24）统计每一单元分片的可比数和冲突数，得到每个单元分片冲突率，按权重加成得到总体冲突率；

A25）根据冲突率设定阈值，根据阈值进行可用性判断。通过可用性判断后，可以继续往下生产更新尺码表；

A26）将所有分片根据冲突数的大小进行排序，从小到大依次尝试激活每个单元分片；

A27）对激活的单元分片进行拓展，根据单元分片的拓展结果更新基本尺码表，获得更新尺码表。

需要说明的是，在A23）中可比和冲突示例如下：单元分片a和单元分片b，首先单元分片a≠单元分片b，那么如果存在单元分片a的身高<=单元分片b的身高且单元分片a的体重<=单元分片b的体重，这种情况称为分片可比，单元分片a和单元分片b可比，单元分片b和单元分片a也可比。将与单元分片a可比的所有单元分片的权重加起来，定义为可比数。如果单元分片a的身高体重都不比单元分片b大，那么正常逻辑单元分片a对应的尺码应该不比单元分片b对应的尺码大，如果单元分片a对应的尺码比单元分片b对应的尺码大，则为冲突，单元分片a和单元分片b冲突，单元分片b也和单元分片a冲突。需要注意的是，冲突的一定是可比的。将与单元分片a冲突的所有单元分片的权重加起来，定义为冲突数。

需要说明的是，分片是根据身高、体重进行分片，如身高2cm一个档位，体重2kg一个档位。将每一个样例都归属到对应的单元分片中，每个单元分片里能够统计到不同的尺码各多少次。每个单元分片中选取出现次数最多的最为代表尺码，这个尺码的样例数记为权重，但同时也会记录尺码分布。

需要说明的是，对样例进行可用性判断后，对被判断为不准确的样例，有两种处理方式：（1）不准确的尺码直接丢弃（2）不准确的尺码修正后使用，比如如果是S码但偏小，就纠正成M码，如果是XL码但偏大，就正成L码。当数据量足够大时，可选L，数据量比较小，每例数据价值都比较高时，可选2。

需要说明的是，冲突数的定义为：每个单元分片中的冲突的样例数量，可比数定义为每个单元分片中可比的样例数量。如此统计每个单元分片的可比数和冲突数，按权重加成。冲突太大就是冲突数/可比数太大。如果商品a冲突率很高，也就是体型更大的人选了更小的衣服，我们就会怀疑数据的真实性。因此，信息量太小或冲突太大，都会对尺码学习的准确性有影响，导致最终结果置信度不高。

需要说明的是，阈值可根据需要进行设定，其对应不同的商品或者在不同的电商品台可采用不同的阈值。

需要说明的是，由于单元分片内样例冲突大，则该样例是不置信的，若单元分片的冲突数较大，则该单元分片也是不置信的，因此为了减少冲突，尽可能的覆盖更多的单元分片，对于不置信的单元分片不激活，因此单元分片的激活采用按冲突数的大小进行排序，并按照从小到大的顺序，依次激活，如果某分布激活后出现冲突，则该单元分片不激活。

激活后，每一尺码对应的单元分片均为没有冲突的单元分片，但此时获得的单元分片组成的尺码表可能是不连贯的，需要对单元分片进行拓展，其具体为：单元分片的拓展范围为每个尺码的小边界值和大边界值所涵盖的区间；所述小边界值为该尺码所涵盖的最小身高、体重；所述大边界值为该尺码所涵盖的最大身高、体重。如图1所示，从左往右身高越来越大，从上往下，体重越来越重，那么左上，就是小边界，右下就是大边界。我们通过每个尺码零星分布的样本，找到这个区间的大边界和小边界，然后在边界之间，推荐这个尺码。

如：未拓展的单元分片组成的尺码表有（168-170cm，50-52kg）穿L，（172-174，50-52kg）穿L，（170-172，50-52kg）没有数据，因此根据这两个单元分片可以推导出：（170-172，50-52kg）也该穿L。

本发明还公开了一种用于电商平台的尺码表的推荐方法，即将上述生成的更新尺码表推荐给客户。

其具体包括以下步骤：

B1）客户登录电商平台，向电商平台发送商品的唯一标识码和尺码询问；

B2）电商平台根据客户提供的商品的唯一标识码，先找到该商品对应的更新尺码表；

B3）电商平台再根据用户提供的尺码信息，获得该商品更新尺码表上对应该客户身高体重的单元分片，然后推荐给客户。

上述技术方案中，还可以根据客户的需求，在标准尺码的单元分片上进行正向偏移或者反向偏移后，再推荐给客户。如客户需求较宽松，则在根据客户的身高体重推荐的标准尺码分片上推荐大一码尺码；如客户需求较紧身，则在根据客户的身高体重推荐的标准尺码分片上推荐小一码尺码，使其更符合客户需求。

在一些实施例中，向客户推荐尺码时，一并向客户和更新程序的中间处理模块发送更新尺码表和冲突数。

在一些实施例中，尺码推荐可通过客服人工推荐或者问答机器人推荐。采用问答机器人推荐时，可以以图2的流程调用查询的接口。这样，通过获取了用户的身高，体重之后，能直接对应到分片，查询后除了能拿到该单元分片的推荐尺码外，还能拿到具体的尺码分布，以及冲突数等。因为身高体重推荐的尺码不是绝对的，可以兼容这种多样性，如果该单元分片在边界上或尺码分布两个尺码都40%以上且数量足，那么话术就可以是“喜欢宽松点的选L，喜欢紧身点的选M”；如果尺码分布集中，推荐尺码也是该尺码的话，就可以直接推荐某个尺码。

以上所述，仅是本发明的较佳实施例，并非对本发明做任何形式上的限制，凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化，均落入本发明的保护范围之内。

Claims (7)

1.一种用于电商平台的尺码表生成方法，其特征在于，包括：

收集对不同商品的客服推荐和客户的实际反馈信息，并识别其中的尺码信息，形成尺码数据库；

根据尺码数据库存储的尺码信息形成基础尺码表，分析基础尺码表的合理性，通过算法优化更新基础尺码表，生成更新尺码表；

所述基础尺码表通过对尺码数据库内的尺码信息进行分片、权重分析后得到，其具体包括以下步骤：

根据尺码数据库存储的身高、体重分别进行分片，获得身高分片和体重分片，一身高分片和一体重分片组成单元分片；统计每个单元分片出现的样例数，获得样例数最多的单元分片，进而得到出现次数最多的尺码，将其作为代表尺码，并将代表尺码的样例数记为该身高分片和体重分片的权重，获得每个单元分片的权重；

判断每个单元分片对应的样例数，根据每一单元分片在每一尺码的样例数和整体样例数的比值作为该单元分片的样本分布，得到一个基础尺码表；

通过可用性判断来分析基础尺码表的合理性，去除基础尺码表中置信度低的尺码数据；

将所有单元分片根据冲突数的大小进行排序，从小到大依次尝试激活每个单元分片，对激活的分片进行拓展，根据单元分片的拓展结果更新基本尺码表，获得更新尺码表。

2.根据权利要求1所述的一种用于电商平台的尺码表生成方法，其特征在于：收集对不同商品的客服推荐和客户的实际反馈信息主要包括商品的唯一标识码，客户的唯一标识码；客户与客服聊天过程中涉及的身高、体重和尺码需求，客服推荐尺码，成单记录，客户使用后对尺码合适度的评价；尺码数据库通过商品的唯一标识码和客户的唯一标识码作为唯一key收集对不同商品的客服推荐和客户的实际反馈信息。

3.根据权利要求1所述的一种用于电商平台的尺码表生成方法，其特征在于：所述可用性判断通过信息量和信息冲突进行判断，其具体包括以下步骤：

根据单元分片和尺码之间在基础尺码表上的对应关系，将任两个尺码的体重分片和身高分片的大小对应关系相同的单元分片权重定义为可比，并将与一单元分片可比的单元分片权重之和记为可比数；可比的任两个尺码的大小关系与该两个尺码的单元分片的大小关系不同时，该两个尺码的单元分片权重定义为冲突，并将与一单元分片冲突的单元分片权重之和记为冲突数；

统计每一单元分片的可比数和冲突数，得到每个单元分片冲突率，按权重加成得到总体冲突率；

根据冲突率设定阈值，根据阈值进行可用性判断。

4.根据权利要求3所述的一种用于电商平台的尺码表生成方法，其特征在于：单元分片的拓展范围为每个尺码的小边界值和大边界值所涵盖的区间；所述小边界值为该尺码所涵盖的最小身高、体重；所述大边界值为该尺码所涵盖的最大身高、体重。

5.一种用于电商平台的尺码推荐方法，其特征在于：根据权利要求1~4任一项所生成的更新尺码表向客户推荐尺码。

6.根据权利要求5所述的一种用于电商平台的尺码推荐方法，其特征在于：向客户推荐尺码时，具体包括以下步骤：

客户登录电商平台，向电商平台发送商品的唯一标识码和尺码询问；

电商平台根据客户提供的商品的唯一标识码，先找到该商品对应的更新尺码表；

根据用户提供的尺码信息，获得该商品更新尺码表上对应该客户身高体重的分片，然后推荐给客户。

7.根据权利要求6所述的一种用于电商平台的尺码推荐方法，其特征在于：尺码推荐可通过客服人工推荐或者问答机器人推荐。

Images