CN111563792A - 商品的划分、推荐方法、装置、电子设备和存储介质 - Google Patents

商品的划分、推荐方法、装置、电子设备和存储介质 Download PDF

Info

Publication number
CN111563792A
CN111563792A CN202010247768.4A CN202010247768A CN111563792A CN 111563792 A CN111563792 A CN 111563792A CN 202010247768 A CN202010247768 A CN 202010247768A CN 111563792 A CN111563792 A CN 111563792A
Authority
CN
China
Prior art keywords
commodity
recommending
commodities
area
target
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.)
Granted
Application number
CN202010247768.4A
Other languages
English (en)
Other versions
CN111563792B (zh
Inventor
徐宸弋轩
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 QIYI Century Science and Technology Co Ltd
Original Assignee
Beijing QIYI Century Science and 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 QIYI Century Science and Technology Co Ltd filed Critical Beijing QIYI Century Science and Technology Co Ltd
Priority to CN202010247768.4A priority Critical patent/CN111563792B/zh
Publication of CN111563792A publication Critical patent/CN111563792A/zh
Application granted granted Critical
Publication of CN111563792B publication Critical patent/CN111563792B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations

Landscapes

  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明实施例提供了一种商品的划分、推荐方法、装置、电子设备和存储介质，其中，所述划分方法包括：获取新增的购物轨迹信息和已存在的多个商品举荐区；根据购物轨迹信息构建商品与多个商品举荐区之间的关联度评价因子，关联度评价因子表示商品与多个商品举荐区之间的关联关系；根据关联度评价因子从多个商品举荐区中筛选出与商品的关联度最高的目标商品举荐区；将商品划分到目标商品举荐区。本发明实施例在已存在商品举荐区的情况下，可以将新增的商品划分到关联度最高的目标商品举荐区中，避免等待达到下一周期时才重新将全部商品划分到对应的商品举荐区，从而提升商品推荐的实时性。

Description

商品的划分、推荐方法、装置、电子设备和存储介质
技术领域
本发明涉及电商技术领域，特别是涉及一种商品的划分方法、装置，一种商品的推荐方法、装置，以及一种电子设备和一种计算机可读存储介质。
背景技术
从现有的电商业务推荐系统需求来看，常规的商品推荐算法以用户浏览过、购买过的商品为核心进行衍生计算，在各类流量入口(如购物网页首屏等)处推荐商品，以吸引用户注意，进而提升商品的转化率。
现有的商品推荐算法大部分都着力于推荐与用户浏览或购买关联度最高的同类商品，但是这种推荐方式，需要按照设定的固定周期基于电子商城内的全部商品进行商品推荐，但是，电子商城内的商品会不断变动，而且，用户购买数据也会不断增加，在固定周期较长的情况下，无法及时根据全部商品进行商品推荐，商品推荐的实时性较差。
发明内容
本发明实施例的目的在于提供一种商品的划分方法、装置，一种商品的推荐方法、装置，以及一种电子设备和一种计算机可读存储介质，以实现提升商品推荐的实时性的问题。具体技术方案如下：
在本发明实施例的第一方面，首先提供了一种商品的划分方法，包括：获取新增的购物轨迹信息和已存在的多个商品举荐区，所述新增的购物轨迹信息表示全部用户对新增的商品的购买情况；根据所述购物轨迹信息构建所述商品与多个所述商品举荐区之间的关联度评价因子，所述关联度评价因子表示所述商品与多个所述商品举荐区之间的关联关系；根据所述关联度评价因子从多个所述商品举荐区中筛选出与所述商品的关联度最高的目标商品举荐区；将所述商品划分到所述目标商品举荐区。
可选地，所述根据所述购物轨迹信息构建所述商品与多个所述商品举荐区之间的关联度评价因子，包括：根据所述购物轨迹信息与多个所述商品举荐区之间的相关关系，和所述商品与所述购物轨迹信息之间的归属关系构建所述关联度评价因子。
可选地，所述关联度评价因子为
Figure BDA0002434388490000021
其中，
Figure BDA0002434388490000022
表示关联度评价因子，t表示购物轨迹信息的序号，i表示商品的序号，Tr表示购物轨迹信息的数量，k表示商品举荐区的序号，Eit表示第i个商品与第t个购物轨迹信息之间的归属关系，dtk表示第t条购物轨迹信息与第k个商品举荐区之间的相关关系。
可选地，所述根据所述关联度评价因子从多个所述商品举荐区中筛选出与所述商品的关联度最高的目标商品举荐区，包括：将所述关联度评价因子与预设数值进行比较；将与所述预设数值最接近的所述关联度评价因子对应的商品举荐区作为所述目标商品举荐区。
可选地，在所述将所述商品划分到所述目标商品举荐区之后，所述方法还包括：比较所述目标商品举荐区的商品的数量是否大于预设的商品举荐区的商品阈值；当所述目标商品举荐区的商品的数量大于所述商品阈值时，若多个所述商品举荐区中存在至少一个商品举荐区的商品的数量小于所述商品阈值，则对所述目标商品举荐区的商品进行调整；当所述目标商品举荐区的商品的数量大于所述商品阈值时，若多个所述商品举荐区中不存在商品举荐区的商品的数量小于所述商品阈值，则增加所述商品阈值。
可选地，所述对所述目标商品举荐区的商品进行调整，包括：基于顶点优化算法对所述目标商品举荐区的商品进行调整。
可选地，在所述将所述商品划分到所述目标商品举荐区之后，所述方法还包括：根据所述目标商品举荐区的商品所对应的用户的购物轨迹信息重新建立所述目标商品举荐区的商品之间的边关系。
在本发明实施例的第二方面，还提供了一种商品的推荐方法，包括：获取目标商品的属性信息；根据所述属性信息匹配到所述目标商品所属的商品举荐区，所述商品举荐区为按照如第一方面所述的商品的划分方法划分所得；推荐匹配到的所述商品举荐区内的商品。
可选地，所述推荐匹配到的所述商品举荐区内的商品，包括：推荐所述商品举荐区内与所述目标商品属于相同类型和/或不同类型的商品。
在本发明实施例的第三方面，还提供了一种商品的划分装置，包括：第一获取模块，用于获取新增的购物轨迹信息和已存在的多个商品举荐区，所述新增的购物轨迹信息表示全部用户对新增的商品的购买情况；构建模块，用于根据所述购物轨迹信息构建所述商品与多个所述商品举荐区之间的关联度评价因子，所述关联度评价因子表示所述商品与多个所述商品举荐区之间的关联关系；筛选模块，用于根据所述关联度评价因子从多个所述商品举荐区中筛选出与所述商品的关联度最高的目标商品举荐区；划分模块，用于将所述商品划分到所述目标商品举荐区。
可选地，所述构建模块，用于根据所述购物轨迹信息与多个所述商品举荐区之间的相关关系，和所述商品与所述购物轨迹信息之间的归属关系构建所述关联度评价因子。
可选地，所述关联度评价因子为
Figure BDA0002434388490000031
其中，
Figure BDA0002434388490000032
表示关联度评价因子，t表示购物轨迹信息的序号，i表示商品的序号，Tr表示购物轨迹信息的数量，k表示商品举荐区的序号，Eit表示第i个商品与第t个购物轨迹信息之间的归属关系，dtk表示第t条购物轨迹信息与第k个商品举荐区之间的相关关系。
可选地，所述筛选模块，用于将所述关联度评价因子与预设数值进行比较；将与所述预设数值最接近的所述关联度评价因子对应的商品举荐区作为所述目标商品举荐区。
可选地，所述装置还包括：比较模块，用于在所述划分模块将所述商品划分到所述目标商品举荐区之后，比较所述目标商品举荐区的商品的数量是否大于预设的商品举荐区的商品阈值；调整模块，用于当所述目标商品举荐区的商品的数量大于所述商品阈值时，若多个所述商品举荐区中存在至少一个商品举荐区的商品的数量小于所述商品阈值，则对所述目标商品举荐区的商品进行调整；增加模块，用于当所述目标商品举荐区的商品的数量大于所述商品阈值时，若多个所述商品举荐区中不存在商品举荐区的商品的数量小于所述商品阈值，则增加所述商品阈值。
可选地，所述调整模块，用于基于顶点优化算法对所述目标商品举荐区的商品进行调整。
可选地，所述装置还包括：扩展模块，用于在所述划分模块将所述商品划分到所述目标商品举荐区之后，根据所述目标商品举荐区的商品所对应的用户的购物轨迹信息重新建立所述目标商品举荐区的商品之间的边关系。
在本发明实施例的第四方面，还提供了一种商品的推荐装置，包括：第二获取模块，用于获取目标商品的属性信息；匹配模块，用于根据所述属性信息匹配到所述目标商品所属的商品举荐区，所述商品举荐区为通过如第三方面所述的商品的划分装置划分所得；推荐模块，用于推荐匹配到的所述商品举荐区内的商品。
可选地，所述推荐模块，用于推荐所述商品举荐区内与所述目标商品属于相同类型和/或不同类型的商品。
在本发明实施例的又一方面，还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述第一方面和/或第二方面所述的方法。
在本发明实施例的又一方面，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述第一方面和/或第二方面所述的方法。
在本发明实施例中，通过获取新增的购物轨迹信息和已存在的多个商品举荐区，根据购物轨迹信息构建新增的商品与多个商品举荐区之间的关联度评价因子，再根据关联度评价因子从已存在的多个商品举荐区中筛选出与待划分的商品关联度最高的目标商品举荐区，进而将待划分的商品划分到目标商品举荐区的技术手段。可以解决现有的商品推荐算法需要按照固定周期重新将全部商品划分为多个商品举荐区的技术问题，在已存在商品举荐区的情况下，可以将新增的商品划分到关联度最高的目标商品举荐区中，避免等待达到下一周期时才重新将全部商品划分到对应的商品举荐区，从而提升商品推荐的实时性。
附图说明
为了更清楚地说明本发明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简单地介绍。
图1为本发明实施例中一种商品的划分方法的步骤流程图。
图2为本发明实施例中已存在的多个商品举荐区的划分方法的步骤流程图。
图3为本发明实施例中一种商品的推荐方法的步骤流程图。
图4为本发明实施例中一种基于购物轨迹信息的商品多目标关联度增量优化推荐方法的框架图。
图5为本发明实施例中一种商品的划分装置的结构示意图。
图6为本发明实施例中一种商品的推荐装置的结构示意图。
图7为本发明实施例中一种电子设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行描述。
本发明实施例可以针对商品及订单的动态性，提出一种基于购物轨迹信息的商品划分方法。该划分方法可以在新增商品且新增的商品已产生对应的用户的购物轨迹信息的情况下，根据新增商品对应的用户的购物轨迹信息从已存在的商品举荐区中筛选出与新增商品关联度最高的目标商品举荐区，将新增商品划分到目标商品举荐区内。
如图1所示，示出了本发明实施例的一种商品的划分方法的步骤流程图。该划分方法具体可以包括如下步骤。
步骤101，获取新增的购物轨迹信息和已存在的多个商品举荐区。
在本发明实施例中，当电子商城中新增的商品之后，而且，新增的商品被用户购买，相应地产生了一定量的订单数据。新增的购物轨迹信息可以基于新增的商品的订单数据生成，购物轨迹信息可以包含但不限于：商品的属性信息，如商品名称、编号、类型、用途等等，商品的购买用户的相关信息，如用户名、用户ID等等，商品的购买信息，如购买时间、订单号等等。已存在的多个商品举荐区可以为已划分完毕的多个商品集合，每个商品举荐区中可以包含相关联的相同类型和/或不同类型的商品。
步骤102，根据购物轨迹信息构建商品与多个商品举荐区之间的关联度评价因子。
在本发明实施例中，在新增的商品的订单数据累积到一定量之后，基于订单数据生成的购物轨迹信息构建新增的商品与每个商品举荐区之间的关联度评价因子。关联度评价因子可以表示商品与商品举荐区之间的关联关系。
步骤103，根据关联度评价因子从多个商品举荐区中筛选出与商品的关联度最高的目标商品举荐区。
在本发明实施例中，由于关联度评价因子可以表示商品与商品举荐区之间的关联关系，因此可以根据关联度评价因子确定新增的商品与已存在的多个商品举荐区中的哪个商品举荐区的关联度最高，将关联度最高的商品举荐区作为目标商品举荐区。
步骤104，将商品划分到目标商品举荐区。
在本发明实施例中，若新增的商品的数量大于或等于一，则可以分别针对每个新增的商品执行上述步骤101至步骤104。也就是说，上述步骤101至步骤104中新增的商品可以指一个新增的商品。
本发明实施例提供的商品的划分方法，通过获取新增的购物轨迹信息和已存在的多个商品举荐区，根据购物轨迹信息构建新增的商品与多个商品举荐区之间的关联度评价因子，再根据关联度评价因子从已存在的多个商品举荐区中筛选出与待划分的商品关联度最高的目标商品举荐区，进而将待划分的商品划分到目标商品举荐区的技术手段。可以解决现有的商品推荐算法需要按照固定周期重新将全部商品划分为多个商品举荐区的技术问题，在已存在商品举荐区的情况下，可以将新增的商品划分到关联度最高的目标商品举荐区中，避免等待达到下一周期时才重新将全部商品划分到对应的商品举荐区，从而提升商品推荐的实时性。
在本发明的一种示例性实施例中，在执行上述步骤102时，可以根据购物轨迹信息与多个商品举荐区之间的相关关系，和商品与购物轨迹信息之间的归属关系构建关联度评价因子。
在实际应用中，关联度评价因子可以表示为
Figure BDA0002434388490000061
其中，
Figure BDA0002434388490000062
表示关联度评价因子，t表示购物轨迹信息的序号，i表示商品的序号，Tr表示购物轨迹信息的数量，k表示商品举荐区的序号，Eit表示第i个商品与第t个购物轨迹信息之间的归属关系，dtk表示第t条购物轨迹信息与第k个商品举荐区之间的相关关系。
当Eit＝1时，表示第i个商品属于第t个购物轨迹信息；当Eit＝0时，表示第i个商品不属于第t个购物轨迹信息。
在根据关联度评价因子从多个商品举荐区中筛选出与商品的关联度最高的目标商品举荐区时，可以将关联度评价因子与预设数值进行比较，将与预设数值最接近的关联度评价因子对应的商品举荐区作为目标商品举荐区。
在实际应用中，预设数值可以为1。也就是说，将关联度评价因子与1进行比较，
Figure BDA0002434388490000071
越接近于1，表示第i个商品与第k个商品举荐区之间的关联度越紧密。
在本发明的一种示例性实施例中，在执行上述步骤104之后，可以比较目标商品举荐区的商品的数量是否大于预设的商品举荐区的商品阈值。当目标商品举荐区的商品的数量大于商品阈值时，若多个商品举荐区中存在至少一个商品举荐区的商品的数量小于商品阈值，则对目标商品举荐区的商品进行调整；当目标商品举荐区的商品的数量大于商品阈值时，若多个商品举荐区中不存在商品举荐区的商品的数量小于商品阈值，则增加商品阈值。当目标商品举荐区的商品的数量小于或等于商品阈值时，保持新增的商品划分到目标商品举荐区不变。其中，商品阈值可以理解为商品举荐区包含的商品的最大数量。
在对目标商品举荐区的商品进行调整时，可以从目标商品举荐区内选择出关联度最低的商品，该关联度最低的商品为非新增的商品。将该关联度最低的商品划分到其他商品举荐区。其中，接收该关联度最低的商品的商品举荐区与该关联度最低的商品的关联度，大于任意商品举荐区与该关联度最低的商品的关联度。例如，从目标商品举荐区M5中选择出与目标商品举荐区M5关联度最低的商品v5，并将商品v5划分到商品举荐区M6中，商品v5与商品举荐区M6之间的关联度大于商品v5与其他商品举荐区(除M5和M6之外)之间的关联度。
在实际应用中，可以采用顶点优化算法对目标商品举荐区的商品进行调整，例如，采用Kernighan-Lin算法(一种启发式的图分割算法)对目标商品举荐区的商品进行调整。对目标商品举荐区的商品进行调整，即不断地进行目标商品举荐区与其他商品举荐区之间的商品的迁移。具体地，可以从目标商品举荐区中选择出一个非新增的商品，并从其他商品举荐区中选择出另一个商品，将选择出的两个商品组成商品对。在对商品对进行交换时，令选择出的两个商品所属的原商品举荐区的关联度得到提升。在上一轮的商品对交换完毕之后，选择下一轮的商品对进行交换，并对已交换的商品对进行标记，保证已交换的商品对不再进行交换。如此循环往复，直至商品举荐区的关联度不再得到明显的提升为止。例如，商品v1和商品v2为待交换的商品对。商品v1的迁移量定义为
Figure BDA0002434388490000081
和
Figure BDA0002434388490000082
其中，表示w(v1,v2)表示边(v1,v2)的总权重，origin(v1)表示在迁移前该商品对的总权重，而migrate(v1)表示迁移后该商品对的总权重。E是边的集合，M(v1)表示商品v1所属的商品举荐区，M(v2)表示商品v2所属的商品举荐区。
商品v1和商品v2交换对商品举荐区的关联度的影响增益为：gain(v1)＝migrate(v1)-origin(v1)。当gain(v1)>0时，表明对商品v1进行迁移可减少被划分的权重，提升商品举荐区M(v1)的关联度。在此基础之上，设定一个商品对迁移增益的表达为：
Figure BDA0002434388490000083
其中，2w(v1,v2)表示当两商品具有边关系时，减去其重复累加计算的边关系。其他情况表示除(v1,v2)∈E之外的情况。该商品对迁移增益可以准确的表达出商品迁移对商品举荐区整体划分的影响。
在本发明的一种示例性实施例中，在执行上述步骤104之后，还可以根据目标商品举荐区的商品所对应的用户的购物轨迹信息重新建立目标商品举荐区的商品之间的边关系。
本发明实施例提供的商品的划分方法，首先，可以在新增的商品产生一定量的订单数据之后，根据新增的商品与已存在的商品举荐区之间的关联度评价因子，将新增的商品划分到关联度最高的目标商品举荐区，并为目标商品举荐区重新建立边关系。然后，判断目标商品举荐区的商品是否超出商品举荐区包含的商品的最大数量。具体可以分为如下三种情况：(1)目标商品举荐区的商品的数量大于最大数量，且仍存在有剩余空间的商品举荐区，则对目标商品举荐区的商品进行调整；(2)目标商品举荐区的商品的数量大于最大数量，且其余商品举荐区均已满额，则对最大数量进行扩充；(3)目标商品举荐区的商品的数量小于或等于最大数量，则直接将新增的商品划分进目标商品举荐区。具体可以按照如下算法执行本发明实施例提供的商品的划分方法：
输入:已划分的购物轨迹曲线图Gn；新增的商品集Vr；商品举荐区包含的商品的最大数量Mmax
输出:重新划分的购物轨迹曲线图Gn+1
Figure BDA0002434388490000091
Figure BDA0002434388490000102
算法分析：计算关联度评价因子的时间复杂度为Ο(N)，执行商品迁移算法的时间复杂度为Ο(N)，因此，算法整体的时间复杂度为Ο(N)。本发明实施例综合考虑了3种新增的商品划分至目标商品举荐区的情况，相较于贪婪增量算法，保证了最优的划分质量不产生明显退化，在不违背初始的划分约束(最大数量的约束)下对现有划分进行快速调整。
如图2所示，示出了本发明实施例的已存在的多个商品举荐区的划分方法的步骤流程图。该已存在的多个商品举荐区的划分方法具体可以包括如下步骤。
步骤201，获取全部商品对应的全部用户的购物轨迹信息。
需要说明的是，该全部商品为新增商品之前的全部商品。即全部商品不包含新增的商品。
步骤202，根据购物轨迹信息生成全部商品和全部用户的购物轨迹曲线图。
在本发明的实施例中，购物轨迹曲线图包含顶点和边，顶点表示商品，边表示商品之间的相关关系。购物轨迹曲线图可以为无向图，购物轨迹曲线图中可以包括但不限于：顶点和边。其中，顶点表示商品，边表示两个商品之间的关系。V＝{vi；i＝1,2,…,|V|}是购物轨迹曲线图中|V|个商品的集合，E＝{eij；i,j＝1,2,…,|V|；i≠j；eij＝eji}是|E|个边的集合，eij连接顶点vi与vj。用户的购物轨迹信息可以为一个商品顶点子集V'＝{v'i；i＝1,2,…,|V'|}，其中v'i表示用户购买过的某个商品，V'表示用户购买的所有商品集合，为全部商品集合的一个子集。边eij∈E。eij权值初始为0，被某用户购物轨迹信息涉及的商品顶点子集V'＝{v'i；i＝1,2,…,|V'|},对
Figure BDA0002434388490000101
且i≠j，则边eij权值增加1。
在实际应用中，一条购物轨迹信息可以为一个顶点子集，表示所有购买过的商品集合，这个商品集合中任意两个顶点的边权值都应该为1，当得到第二条购物轨迹信息后，边权值会在第一条购物轨迹信息产生的所有边权值上进行累加，例如，第一条购物轨迹信息涉及到的商品有雪碧、芬达、可乐，第二条购物轨迹信息涉及到的商品只有雪碧、芬达，两条购物轨迹信息生成的权值，应该是雪碧和芬达变成2，雪碧可乐只有1，芬达可乐只有1。
根据购物轨迹信息定义购物轨迹曲线图指将所有的顶点分配进MN个非空且不相交的商品举荐区{M1,M2,…,MMN}内，这里
Figure BDA0002434388490000111
表示购物轨迹曲线图中属于第k个商品举荐区的顶点集合。划分购物轨迹曲线图也需要满足以下条件：
商品举荐区的数量MN满足：1≤MN≤|V|；
商品举荐区内商品的数量Mk满足：1≤|Mk|≤|V|，k＝1,2,…,MN；
商品举荐区不相交：
Figure BDA0002434388490000112
商品举荐区不为空：
Figure BDA0002434388490000113
所有的商品举荐区包含全部商品：M1∪…Mk∪…MMN＝V
步骤203，对待划分的各商品举荐区设定目标函数和约束条件。
在本发明的实施例中，目标函数可以表示商品举荐区内的商品的关联程度、商品举荐区间的商品的关联程度和商品举荐区间的通信时间。约束条件可以表示商品属于唯一商品举荐区、商品举荐区的数量和商品举荐区内商品的数量。
需要说明的是，上述步骤203可以在后续步骤204之前的任意时刻执行，例如，按照步骤201、步骤202和步骤203的顺序执行，或者，步骤203可以与步骤201或步骤202并行执行等等。步骤203的执行操作不影响步骤201和步骤202的执行操作。
步骤204，按照预设的划分算法将购物轨迹曲线图中的顶点划分到对应的符合目标函数和约束条件的商品举荐区。
在本发明的实施例中，将全部商品划分得到的商品举荐区内可以包含相关联的属于相同类型和/或不同类型的商品。
在本发明的一种示例性实施例中，在对待划分的各商品举荐区设定目标函数和约束条件时，可以对各商品举荐区设定第一目标函数、第二目标函数、第一约束条件、第二约束条件和第三约束条件。
在实际的应用中，第一目标函数用于对各商品举荐区内的商品的关联程度设置为最大值，还用于对各商品举荐区间的商品的关联程度设置为最小值。第一目标函数可以表示各商品举荐区内的商品所形成的边的权值之和为最大值。边的权值可以表示两个商品之间的相关程度，权值越大，表示两个商品之间的相关程度越紧密；权值越小，表示两个商品之间的相关程度越疏远。当所有的商品举荐区内的边的权值之和为最大值时，表示商品举荐区内的商品之间的相关程度最紧密。
各商品举荐区内的商品所形成的边的权值之和f1可以表示为：
Figure BDA0002434388490000121
其中，k表示商品举荐区的序号，MN表示商品举荐区的数量，i，j表示商品的序号，|V|表示全部商品的数量，Cik表示第i个商品与第k个商品举荐区之间的归属关系，Cjk表示第j个商品与第k个商品举荐区之间的归属关系，ωij表示第i个商品与第j个商品所形成的边的权值。当Cik＝1时，表示第i个商品属于第k个商品举荐区，当Cik＝0时，表示第i个商品不属于第k个商品举荐区。同理，当Cjk＝1时，表示第j个商品属于第k个商品举荐区，当Cjk＝0时，表示第j个商品不属于第k个商品举荐区。i＝1,2,…,|V|，k＝1,2,…,MN。
需要说明的是，商品举荐区内商品之间的相关程度最紧密，即商品举荐区间商品之间的相关程度最疏远，商品举荐区间的耦合性最低。
在实际的应用中，如果每个商品举荐区内商品的数量都很庞大，可以把每个商品举荐区分别存在一个单独的云节点上。若一条购物轨迹信息涉及到4个商品举荐区内的商品，则需要分别访问4个云节点以获取商品信息。若一条购物轨迹信息只涉及到1个商品举荐区内的商品，则只需要访问1个云节点即可。因此，第二目标函数是为了解决尽可能少地访问云节点，第二目标函数用于对各商品举荐区间的通信时间设置为最小值，即第二目标函数可以表示商品举荐区间的通信时间为最小值。
商品举荐区间的通信时间f2可以表示为
Figure BDA0002434388490000122
其中，c表示读取一个商品举荐区的通信时间，l表示购物轨迹信息的序号，Tr表示购物轨迹信息的数量，k表示商品举荐区的序号，MN表示商品举荐区的数量，dlk表示第l条购物轨迹信息与第k个商品举荐区之间的相关关系。当dlk＝1时，表示第l条购物轨迹信息与第k个商品举荐区相关；当dlk＝0时，表示第l条购物轨迹信息与第k个商品举荐区不相关。
在实际应用中，一个商品在某一时刻应当属于一个商品举荐区，且仅属于一个商品举荐区。第一约束条件用于将每个商品划分到对应的商品举荐区，即第一约束条件表示一个商品与任一商品举荐区之间的归属关系。第一约束条件可以表示为
Figure BDA0002434388490000131
其中，k表示商品举荐区的序号，MN表示商品举荐区的数量，Cik表示第i个商品与第k个商品举荐区之间的归属关系，Cik＝1表示第i个商品在一个时刻属于第k个商品举荐区，Cik＝0表示第i个商品在一个时刻不属于第k个商品举荐区，i＝1,2,…,|V|，|V|表示全部商品的数量。
在实际应用中，商品举荐区的数量应当在一定的范围内或者为一个适当的值。因此，第二约束条件用于对各商品举荐区的数量进行设置，即第二约束条件表示商品举荐区的数量在预设的商品举荐区数量范围内或为预设的数值。即MNmin≤MN≤MNmax；or MN＝MNfix；MNmin>1；MNmax<|V|；
其中，MN表示商品举荐区的数量，MNmin表示商品举荐区数量范围的最小值，MNmax表示商品举荐区数量范围的最大值，MNfix表示预设的数值，|V|表示全部商品的数量。该预设的数值可以根据经验或者实验所得，本发明实施例对预设的数值的取值不做具体限制。
在实际应用中，每个商品举荐区内商品的数量也应该在适当的范围内。因此，第三约束条件用于对各商品举荐区内商品的数量进行设置，即第三约束条件表示商品举荐区内商品的数量在预设的商品数据范围内。即Mmin≤|Mk|≤Mmax；Mmin≥1；Mmax≤|V|；k＝1,2,…,MN；
其中，k表示商品举荐区的序号，|Mk|表示第k个商品举荐区内商品的数量，Mmin表示商品数量范围的最小值，Mmax表示商品数量范围的最大值，|V|表示全部商品的数量。
在本发明的一种示例性实施例中，在按照预设的划分算法将购物轨迹曲线图中的顶点划分到对应的符合目标函数和约束条件的商品举荐区时，可以创建购物轨迹曲线图的初始化算法、选择算子、交叉算子和变异算子；根据划分算法、初始化算法、选择算子、交叉算子和变异算子将购物轨迹曲线图中的顶点划分到对应的符合目标函数和约束条件的商品举荐区。在根据划分算法、初始化算法、选择算子、交叉算子和变异算子将购物轨迹曲线图中的顶点划分到对应的符合目标函数和约束条件的商品举荐区时，可以按照初始化算法输出划分结果集合，划分结果集合表示购物轨迹曲线图中的顶点划分为多个商品举荐区；按照划分算法、选择算子、交叉算子和变异算子从划分结果集合中输出目标划分结果；其中，目标划分结果包含商品举荐区的数量、各商品举荐区内商品的数量和各商品举荐区内商品的属性信息。
下面，分别对上述各算法进行详细介绍和说明。
每一个购物轨迹曲线图代表一个第二代非支配集排序遗传算法(Non-dominatedSorting Genetic Algorithm-II，NSGA-II)的解、一代种群中的一个个体、一种推荐方案，本发明实施例用数组来表示购物轨迹曲线图，数组的一个元素表示一个商品，所以，数组的长度等于全部商品的数量，数组中每个元素的值表示商品所属的商品举荐区的序号。在实际的划分过程中，为了避免产生不可行解，始终采用第一约束条件、第二约束条件和第三约束条件对解进行限制。以此为基础，设计初始化算法：
输入：购物轨迹曲线图的全部商品；商品举荐区的数量MN；商品举荐区内商品的最大数量Mmax；
输出：种群中的个体indi
Figure BDA0002434388490000141
Figure BDA0002434388490000151
初始化算法工作如下：随机选择MN个商品作为各个商品举荐区的初始顶点，开始遍历全部商品举荐区，选择一个未置入任何商品举荐区且与该商品举荐区任意商品相连的商品置入，若发现剩余商品与现有商品举荐区内任何一个商品都没有购物轨迹关系，则随机并入一个商品举荐区内。重复直至所有的商品均属于某个商品举荐区。算法分析：从顶点集中抽取k个顶点的时间复杂度为Ο(1)，遍历顶点并填充商品举荐区的时间复杂度为Ο(N2)。因此该算法的时间复杂度为Ο(N2)。与传统的种群初始化算法相比，该算法可以避免产生不可行解，防止在输出时影响实际生产环境的使用，并且其初始化时有着较高的随机性，使种群多样性增加，加快算法整体的收敛速度。
本发明实施例通过第一目标函数和第二目标函数来综合判断最优个体，如何在第一目标函数和第二目标函数上评价个体的优劣，可以采用非支配集排序方法，通过将种群中的所有个体进行非支配集排序，来筛选出每一代中最优个体，逐步扩充交配池，保证新种群的收敛性。在此基础上，本发明实施例设计了针对购物轨迹曲线图的选择算子用来扩充交配池。设计基于非支配集排序的选择算子算法：
输入:第r代种群Gr；交配池规模Psize
输出:交配池Pr
Figure BDA0002434388490000152
Figure BDA0002434388490000161
基于非支配集排序的选择算法的具体思想如下：随机选择两个解并应用非支配排序对其比较，选择具有较高收敛性和多样性的解存储在交配池中，循环往复直到交配池达到预定义的规模，通常与遗传算法的种群规模相等。在该算法中，对Gr进行快速非支配排序的时间复杂度为Ο(NlogN)，扩充交配池的时间复杂度为Ο(N)，因此该算法的时间复杂度为Ο(NlogN)。非支配集排序的选择算法可以在不同倾向下寻找更符合实际需求的个体，得到多样性最高的结果。
针对购物轨迹曲线图设计的交叉算子主要负责从父母个体中产生新个体，由一个个新个体重新组成下一代种群。交叉算子也是扩充种群多样性的重要手段，为了防止新的解中存在商品举荐区冲突，通过重新标记的方式来优化重叠商品举荐区。设计交叉算子算法：
输入:交配池Pr
输出:下一代个体ind(r+1)i
1:在Pr中随机选择两个个体indri与indrj；
2:在解indri(indrj)中随机选择任一商品举荐区，并且将indrj(indri)中对应位置的值替换成indri(indrj)中的值，新的解被保存为新个体ind(r+1)i；
3:重新标记新个体ind(r+1)i。判断同一商品举荐区内的商品是否相互连接，如若不是，则被标记为新的商品举荐区；
4:return ind(r+1)i
交叉算法分析：随机抽取交配池Pr中两个个体的时间复杂度为Ο(1)，商品举荐区替换的时间复杂度为Ο(1)，重新标记新个体的时间复杂度为Ο(N)，因此该算法的时间复杂度为Ο(N)。与传统的交叉算子相比，该算法能够有效避免交叉操作产生不可行解，使新的个体仍能代表一种布局结果。应用重新标记的方式使每个新个体不影响原有种群内的父母个体，提升新个体的适应性，防止个体冲突。
为了防止个体优劣程度持续发散，本发明实施例设计了针对购物轨迹曲线图的变异算子来保证收敛性，通过随机抽取部分个体，并对其中的部分商品随机更换其所属商品举荐区，并计算优劣因子，如果优于原有个体则保留。设计变异算子算法：
输入:个体indri
输出:个体indri
Figure BDA0002434388490000172
变异算子算法分析：随机抽取个体中某一商品举荐区边界商品集的时间复杂度为Ο(1)，转移至相邻商品举荐区的时间复杂度为Ο(1)，重新标记的时间复杂度为Ο(N)，因此该算法的时间复杂度为Ο(N)。与传统的变异算子算法相比，为了满足购物轨迹曲线图的布局需求，该变异算子算法更具特殊性，能够在商品举荐区内寻找邻域商品并在满足约束条件的前提下进行迁移，保证变异后个体的可行性。
在实现了购物轨迹曲线图的主要NSGA-II算法中包括的初始化个体、选择算子、交叉算子、变异算子后，为了让算法能够尽快收敛，本发明实施例设计了针对购物轨迹曲线图的主从式-粗粒度多目标划分算法，算法主要思想为：(1)各个子节点初始化种群后，进行规定迭代GN次后，上报主节点最优个体；(2)主节点利用非支配集排序算出所有从节点提供的个体优劣因子；(3)主节点判断最优个体是否符合预期目标阈值或达到最大迭代次数；(4)若符合预期则下发通知子节点停止迭代，输出最优结果，若不符合则继续运算。基于NSGA-II的购物轨迹曲线图主从式-粗粒度多目标划分算法：
输入:购物轨迹曲线图的全部商品；
输出:最优个体indri
Figure BDA0002434388490000181
基于NSGA-II的购物轨迹曲线图主从式-粗粒度多目标划分算法分析：当算法终止时，输出的个体indri即为最优的购物轨迹曲线图布局方式，其中商品会按照关联度最高的商品举荐区进行分布，该算法的时间复杂度在排除NSGA-II及非支配集排序算法外，为Ο(N)。
如图3所示，示出了本发明实施例的一种商品的推荐方法的步骤流程图。该推荐方法具体可以包括如下步骤。
步骤301，获取目标商品的属性信息。
在本发明的实施例中，目标商品可以为用户待购买的商品，属性信息可以包括但不限于：名称、编号、类型、用途等等。
步骤302，根据属性信息匹配到目标商品所属的商品举荐区。
在本发明的实施例中，商品举荐区可以为执行上述商品的划分方法所得。商品举荐区内的商品具有各自的属性信息。可以将目标商品的属性信息与各商品举荐区内的各商品的属性信息进行比对，若目标商品的属性信息与某商品举荐区内某商品的属性信息匹配，则将该商品举荐区确定为目标商品所属的商品举荐区。在根据属性信息进行比对时，可以利用属性信息中具有唯一性的编号进行比对，本发明实施例对进行属性信息比对时所依据的比对对象、比对条件等不做具体限制。
步骤303，推荐匹配到的商品举荐区内的商品。
在匹配到目标商品所属的商品举荐区之后，可以将匹配到的商品举荐区内与目标商品属于相同类型和/或与目标商品属于不同类型的商品在流量入口处推荐给用户。
基于上述关于一种商品的划分方法和一种商品的推荐方法的相关说明，下面介绍一种基于购物轨迹信息的商品多目标关联度增量优化推荐方法。如图4所示，示出了本发明实施例的一种基于购物轨迹信息的商品多目标关联度增量优化推荐方法的框架图。该商品多目标关联度增量优化推荐方法主要可以包括四部分内容。
Ⅰ、购物轨迹曲线图的构建过程。Ⅱ、多目标问题公式化。Ⅲ、并行多目标平衡划分方法。Ⅳ、动态优化现有的推荐策略。其中，Ⅰ、Ⅱ和Ⅲ部分为根据不同订单数据获取静态最优推荐策略。
下面分别对上述四部分内容详细介绍。
Ⅰ、1.1获取全部商品的属性信息。
1.2获取全部用户的订单数据。
1.3根据全部商品的属性信息构建购物轨迹曲线图的顶点集合。
1.4根据全部用户的订单数据构建购物轨迹曲线图的边集合。
Ⅱ、2.1商品举荐区内商品间关联程度最大化的目标公式化。
2.2商品举荐区间商品间关联程度最小化的目标公式化。
2.3跨商品举荐区的通信时间最小化的目标公式化。
2.4平衡商品举荐区规模的约束。
Ⅲ、3.1构建选择算子、交叉算子和变异算子。
3.2设立主从式-粗粒度多目标遗传算法运行节点。
3.3各子节点通过选择算子、交叉算子和变异算子，生成新一代子种群，并传递给主节点。
3.4主节点利用非支配排序判断新一代种群最优解是否符合预期，直至获得最优解。
Ⅳ、4.1构建并计算新增的商品与商品举荐区之间的关联度评价因子。
4.2将新增的商品划分至关联度最高的目标商品举荐区，并扩展边关系。
4.3判断目标商品举荐区是否满足约束条件。
4.4根据不同情况，在确保不产生明显划分质量降低的前提下，优化现有的购物轨迹曲线图。
本发明实施例构建了目标函数和约束条件，有效地将商品推荐中的实际问题进行公式化表达。
本发明实施例基于NSGA-Ⅱ算法，设计了面向商品相关程度的初始化算法、选择算子、交叉算子、变异算子，对购物轨迹曲线图进行静态最优化划分，将划分后的商品举荐区存储在各个云平台节点中，使商品举荐区内的商品相关性最大化，商品举荐区间的商品相关性最小化，实现了商品举荐区规模平衡与跨商品举荐区通信时间最小化。
本发明实施例在处理频繁更迭的商品和订单数据实时增长时，购物轨迹曲线图的增量优化策略首先分析了新增的商品与已存在的商品举荐区的关联度，将新增的商品划分进关联度最高的目标商品举荐区，其次分析目标商品举荐区是否满足原有约束条件，并根据实际情况对目标商品举荐区的商品进行调整。本发明实施例主要有以下三方面优势：(1)能够实时调整商品举荐区的划分结果，使划分不产生明显退化，并输出最终商品推荐策略，能够快速适应新增商品和订单数据带来的影响；(2)相较于定期重新划分商品举荐区带来巨大的顶点迁移成本，能够极大减少需要迁移的商品数量，保证最低的跨商品举荐区通信成本；(3)保留原有历史商品数据，在访问和分析历史订单时可以提供快速的数据支撑，并为最新的最优推荐方案提供经验支撑。适应商品及订单数据的动态增长，提供了一种实时、可靠的商品推荐策略，有效的降低了运算时间，为电子商城的高质量商品推荐结果提供支撑。
本发明实施例针对电子商城中商品及订单数据的实时性、动态性和易变化等特性，定义了商品与商品举荐区之间的关联度评价因子。当新增商品并产生了一定量的订单数据之后，可以根据关联度评价因子将新增的商品快速地划分进关联度最高的商品举荐区。
本发明实施例将静态的商品举荐区划分策略与动态的新增商品的划分策略相结合，实现了高质量、低消耗的商品划分方案，以及快速、准确的商品推荐方案，解决了按照固定周期进行商品划分而导致的商品推荐的不稳定性，有效节省了运算资源，进而保证电子商城的商品推荐的时效性，提升电子商城的页面浏览量(Page View，PV)/唯一访客数(Unique Visitor，UV)以及PV和UV之间的转化率。
如图5所示，示出了本发明实施例的一种商品的划分装置的结构示意图。该划分装置可以包括如下模块。
第一获取模块51，用于获取新增的购物轨迹信息和已存在的多个商品举荐区，所述新增的购物轨迹信息表示全部用户对新增的商品的购买情况；
构建模块52，用于根据所述购物轨迹信息构建所述商品与多个所述商品举荐区之间的关联度评价因子，所述关联度评价因子表示所述商品与多个所述商品举荐区之间的关联关系；
筛选模块53，用于根据所述关联度评价因子从多个所述商品举荐区中筛选出与所述商品的关联度最高的目标商品举荐区；
划分模块54，用于将所述商品划分到所述目标商品举荐区。
在本发明的一种示例性实施例中，所述构建模块52，用于根据所述购物轨迹信息与多个所述商品举荐区之间的相关关系，和所述商品与所述购物轨迹信息之间的归属关系构建所述关联度评价因子。
在本发明的一种示例性实施例中，所述关联度评价因子为
Figure BDA0002434388490000221
其中，
Figure BDA0002434388490000222
表示关联度评价因子，t表示购物轨迹信息的序号，i表示商品的序号，Tr表示购物轨迹信息的数量，k表示商品举荐区的序号，Eit表示第i个商品与第t个购物轨迹信息之间的归属关系，dtk表示第t条购物轨迹信息与第k个商品举荐区之间的相关关系。
在本发明的一种示例性实施例中，所述筛选模块53，用于将所述关联度评价因子与预设数值进行比较；将与所述预设数值最接近的所述关联度评价因子对应的商品举荐区作为所述目标商品举荐区。
在本发明的一种示例性实施例中，所述装置还包括：
比较模块，用于在所述划分模块54将所述商品划分到所述目标商品举荐区之后，比较所述目标商品举荐区的商品的数量是否大于预设的商品举荐区的商品阈值；
调整模块，用于当所述目标商品举荐区的商品的数量大于所述商品阈值时，若多个所述商品举荐区中存在至少一个商品举荐区的商品的数量小于所述商品阈值，则对所述目标商品举荐区的商品进行调整；
增加模块，用于当所述目标商品举荐区的商品的数量大于所述商品阈值时，若多个所述商品举荐区中不存在商品举荐区的商品的数量小于所述商品阈值，则增加所述商品阈值。
在本发明的一种示例性实施例中，所述调整模块，用于基于顶点优化算法对所述目标商品举荐区的商品进行调整。
在本发明的一种示例性实施例中，所述装置还包括：
扩展模块，用于在所述划分模块54将所述商品划分到所述目标商品举荐区之后，根据所述目标商品举荐区的商品所对应的用户的购物轨迹信息重新建立所述目标商品举荐区的商品之间的边关系。
如图6所示，示出了本发明实施例的一种商品的推荐装置的结构示意图。该划分装置可以包括如下模块。
第二获取模块61，用于获取目标商品的属性信息；
匹配模块62，用于根据所述属性信息匹配到所述目标商品所属的商品举荐区，所述商品举荐区为通过如上所述的商品的划分装置划分所得；
推荐模块63，用于推荐匹配到的所述商品举荐区内的商品。
在本发明的一种示例性实施例中，所述推荐模块63，用于推荐所述商品举荐区内与所述目标商品属于相同类型和/或不同类型的商品。
上述装置实施例的介绍相对简单，相关之处可以参照上述方法实施例中的相关内容，在此不再赘述。
本发明实施例还提供了一种电子设备，如图7所示，包括处理器71、通信接口72、存储器73和通信总线74，其中，处理器71，通信接口72，存储器73通过通信总线74完成相互间的通信，
存储器73，用于存放计算机程序；
处理器71，用于执行存储器73上所存放的程序时，实现如下步骤：
获取新增的购物轨迹信息和已存在的多个商品举荐区，所述新增的购物轨迹信息表示全部用户对新增的商品的购买情况；根据所述购物轨迹信息构建所述商品与多个所述商品举荐区之间的关联度评价因子，所述关联度评价因子表示所述商品与多个所述商品举荐区之间的关联关系；根据所述关联度评价因子从多个所述商品举荐区中筛选出与所述商品的关联度最高的目标商品举荐区；将所述商品划分到所述目标商品举荐区。
在所述根据所述购物轨迹信息构建所述商品与多个所述商品举荐区之间的关联度评价因子时，根据所述购物轨迹信息与多个所述商品举荐区之间的相关关系，和所述商品与所述购物轨迹信息之间的归属关系构建所述关联度评价因子。
所述关联度评价因子为
Figure BDA0002434388490000231
其中，
Figure BDA0002434388490000232
表示关联度评价因子，t表示购物轨迹信息的序号，i表示商品的序号，Tr表示购物轨迹信息的数量，k表示商品举荐区的序号，Eit表示第i个商品与第t个购物轨迹信息之间的归属关系，dtk表示第t条购物轨迹信息与第k个商品举荐区之间的相关关系。
在所述根据所述关联度评价因子从多个所述商品举荐区中筛选出与所述商品的关联度最高的目标商品举荐区时，将所述关联度评价因子与预设数值进行比较；将与所述预设数值最接近的所述关联度评价因子对应的商品举荐区作为所述目标商品举荐区。
在所述将所述商品划分到所述目标商品举荐区之后，还包括：比较所述目标商品举荐区的商品的数量是否大于预设的商品举荐区的商品阈值；当所述目标商品举荐区的商品的数量大于所述商品阈值时，若多个所述商品举荐区中存在至少一个商品举荐区的商品的数量小于所述商品阈值，则对所述目标商品举荐区的商品进行调整；当所述目标商品举荐区的商品的数量大于所述商品阈值时，若多个所述商品举荐区中不存在商品举荐区的商品的数量小于所述商品阈值，则增加所述商品阈值。
在所述对所述目标商品举荐区的商品进行调整时，基于顶点优化算法对所述目标商品举荐区的商品进行调整。
在所述将所述商品划分到所述目标商品举荐区之后，还包括：根据所述目标商品举荐区的商品所对应的用户的购物轨迹信息重新建立所述目标商品举荐区的商品之间的边关系。
处理器71，还用于执行存储器73上所存放的程序时，实现如下步骤：
获取目标商品的属性信息；根据所述属性信息匹配到所述目标商品所属的商品举荐区，所述商品举荐区为按照如上所述的商品的划分方法划分所得；推荐匹配到的所述商品举荐区内的商品。
在所述推荐匹配到的所述商品举荐区内的商品时，推荐所述商品举荐区内与所述目标商品属于相同类型和/或不同类型的商品。
上述终端提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect，简称PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，简称EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述终端与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory，简称RAM)，也可以包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital Signal Processing，简称DSP)、专用集成电路(Application SpecificIntegrated Circuit，简称ASIC)、现场可编程门阵列(Field－Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在本发明提供的又一实施例中，还提供了一种计算机可读存储介质，该计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述实施例中任一所述的商品的划分方法和/或商品的推荐方法。
在本发明提供的又一实施例中，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述实施例中任一所述的商品的划分方法和/或商品的推荐方法。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘SolidState Disk(SSD))等。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，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。
以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。

Claims (13)

1.一种商品的划分方法，其特征在于，包括：
获取新增的购物轨迹信息和已存在的多个商品举荐区，所述新增的购物轨迹信息表示全部用户对新增的商品的购买情况；
根据所述购物轨迹信息构建所述商品与多个所述商品举荐区之间的关联度评价因子，所述关联度评价因子表示所述商品与多个所述商品举荐区之间的关联关系；
根据所述关联度评价因子从多个所述商品举荐区中筛选出与所述商品的关联度最高的目标商品举荐区；
将所述商品划分到所述目标商品举荐区。
2.根据权利要求1所述的方法，其特征在于，所述根据所述购物轨迹信息构建所述商品与多个所述商品举荐区之间的关联度评价因子，包括：
根据所述购物轨迹信息与多个所述商品举荐区之间的相关关系，和所述商品与所述购物轨迹信息之间的归属关系构建所述关联度评价因子。
3.根据权利要求2所述的方法，其特征在于，
所述关联度评价因子为
Figure FDA0002434388480000011
其中，
Figure FDA0002434388480000012
表示关联度评价因子，t表示购物轨迹信息的序号，i表示商品的序号，Tr表示购物轨迹信息的数量，k表示商品举荐区的序号，Eit表示第i个商品与第t个购物轨迹信息之间的归属关系，dtk表示第t条购物轨迹信息与第k个商品举荐区之间的相关关系。
4.根据权利要求2或3所述的方法，其特征在于，所述根据所述关联度评价因子从多个所述商品举荐区中筛选出与所述商品的关联度最高的目标商品举荐区，包括：
将所述关联度评价因子与预设数值进行比较；
将与所述预设数值最接近的所述关联度评价因子对应的商品举荐区作为所述目标商品举荐区。
5.根据权利要求1所述的方法，其特征在于，在所述将所述商品划分到所述目标商品举荐区之后，所述方法还包括：
比较所述目标商品举荐区的商品的数量是否大于预设的商品举荐区的商品阈值；
当所述目标商品举荐区的商品的数量大于所述商品阈值时，若多个所述商品举荐区中存在至少一个商品举荐区的商品的数量小于所述商品阈值，则对所述目标商品举荐区的商品进行调整；
当所述目标商品举荐区的商品的数量大于所述商品阈值时，若多个所述商品举荐区中不存在商品举荐区的商品的数量小于所述商品阈值，则增加所述商品阈值。
6.根据权利要求5所述的方法，其特征在于，所述对所述目标商品举荐区的商品进行调整，包括：
基于顶点优化算法对所述目标商品举荐区的商品进行调整。
7.根据权利要求1所述的方法，其特征在于，在所述将所述商品划分到所述目标商品举荐区之后，所述方法还包括：
根据所述目标商品举荐区的商品所对应的用户的购物轨迹信息重新建立所述目标商品举荐区的商品之间的边关系。
8.一种商品的推荐方法，其特征在于，包括：
获取目标商品的属性信息；
根据所述属性信息匹配到所述目标商品所属的商品举荐区，所述商品举荐区为按照如权利要求1-7中任一项所述的商品的划分方法划分所得；
推荐匹配到的所述商品举荐区内的商品。
9.根据权利要求8所述的方法，其特征在于，所述推荐匹配到的所述商品举荐区内的商品，包括：
推荐所述商品举荐区内与所述目标商品属于相同类型和/或不同类型的商品。
10.一种商品的划分装置，其特征在于，包括：
第一获取模块，用于获取新增的购物轨迹信息和已存在的多个商品举荐区，所述新增的购物轨迹信息表示全部用户对新增的商品的购买情况；
构建模块，用于根据所述购物轨迹信息构建所述商品与多个所述商品举荐区之间的关联度评价因子，所述关联度评价因子表示所述商品与多个所述商品举荐区之间的关联关系；
筛选模块，用于根据所述关联度评价因子从多个所述商品举荐区中筛选出与所述商品的关联度最高的目标商品举荐区；
划分模块，用于将所述商品划分到所述目标商品举荐区。
11.一种商品的推荐装置，其特征在于，包括：
第二获取模块，用于获取目标商品的属性信息；
匹配模块，用于根据所述属性信息匹配到所述目标商品所属的商品举荐区，所述商品举荐区为通过如权利要求10所述的商品的划分装置划分所得；
推荐模块，用于推荐匹配到的所述商品举荐区内的商品。
12.一种电子设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现权利要求1-9中任一所述的方法。
13.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-9中任一所述的方法。
CN202010247768.4A 2020-03-31 2020-03-31 商品的划分、推荐方法、装置、电子设备和存储介质 Active CN111563792B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010247768.4A CN111563792B (zh) 2020-03-31 2020-03-31 商品的划分、推荐方法、装置、电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010247768.4A CN111563792B (zh) 2020-03-31 2020-03-31 商品的划分、推荐方法、装置、电子设备和存储介质

Publications (2)

Publication Number Publication Date
CN111563792A true CN111563792A (zh) 2020-08-21
CN111563792B CN111563792B (zh) 2023-10-31

Family

ID=72071458

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010247768.4A Active CN111563792B (zh) 2020-03-31 2020-03-31 商品的划分、推荐方法、装置、电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN111563792B (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7720720B1 (en) * 2004-08-05 2010-05-18 Versata Development Group, Inc. System and method for generating effective recommendations
JP2012027757A (ja) * 2010-07-26 2012-02-09 Dainippon Printing Co Ltd 商品推薦装置、商品推薦システム、商品推薦方法、及びプログラム
CN103208073A (zh) * 2012-01-17 2013-07-17 阿里巴巴集团控股有限公司 获得推荐商品信息及提供商品信息的方法、装置
CN103577472A (zh) * 2012-08-03 2014-02-12 纽海信息技术（上海）有限公司 个人信息获得、推定、商品的分类、检索方法及系统
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
CN107609945A (zh) * 2017-09-15 2018-01-19 泾县麦蓝网络技术服务有限公司 一种应用于实体商店的商品推荐方法和系统
CN108009897A (zh) * 2017-12-25 2018-05-08 北京中关村科金技术有限公司 一种商品的实时推荐方法、系统及可读存储介质
CN109934646A (zh) * 2017-12-15 2019-06-25 北京京东尚科信息技术有限公司 预测新商品关联购买行为的方法及装置
CN110163666A (zh) * 2019-05-06 2019-08-23 北京三快在线科技有限公司 一种商品推荐的方法及装置
JP2019212126A (ja) * 2018-06-06 2019-12-12 アスクル株式会社 販売支援システム、販売支援方法および販売支援プログラム
CN110880136A (zh) * 2018-09-06 2020-03-13 北京京东尚科信息技术有限公司 配套产品的推荐方法、系统、设备和存储介质

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7720720B1 (en) * 2004-08-05 2010-05-18 Versata Development Group, Inc. System and method for generating effective recommendations
JP2012027757A (ja) * 2010-07-26 2012-02-09 Dainippon Printing Co Ltd 商品推薦装置、商品推薦システム、商品推薦方法、及びプログラム
CN103208073A (zh) * 2012-01-17 2013-07-17 阿里巴巴集团控股有限公司 获得推荐商品信息及提供商品信息的方法、装置
CN103577472A (zh) * 2012-08-03 2014-02-12 纽海信息技术（上海）有限公司 个人信息获得、推定、商品的分类、检索方法及系统
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
CN107609945A (zh) * 2017-09-15 2018-01-19 泾县麦蓝网络技术服务有限公司 一种应用于实体商店的商品推荐方法和系统
CN109934646A (zh) * 2017-12-15 2019-06-25 北京京东尚科信息技术有限公司 预测新商品关联购买行为的方法及装置
CN108009897A (zh) * 2017-12-25 2018-05-08 北京中关村科金技术有限公司 一种商品的实时推荐方法、系统及可读存储介质
JP2019212126A (ja) * 2018-06-06 2019-12-12 アスクル株式会社 販売支援システム、販売支援方法および販売支援プログラム
CN110880136A (zh) * 2018-09-06 2020-03-13 北京京东尚科信息技术有限公司 配套产品的推荐方法、系统、设备和存储介质
CN110163666A (zh) * 2019-05-06 2019-08-23 北京三快在线科技有限公司 一种商品推荐的方法及装置

Also Published As

Publication number Publication date
CN111563792B (zh) 2023-10-31

Similar Documents

Publication Publication Date Title
Keshavarz-Ghorabaee Assessment of distribution center locations using a multi-expert subjective–objective decision-making approach
CN110969516B (zh) 一种商品推荐方法及装置
Wang et al. A genetic-algorithm-based approach to the two-echelon capacitated vehicle routing problem with stochastic demands in logistics service
CN106600356B (zh) 多平台电子商务信息聚合方法及系统
Dakhel et al. A social recommender system using item asymmetric correlation
CN109710835B (zh) 一种带有时间权重的异构信息网络推荐方法
Su et al. Buffer allocation for hybrid manufacturing/remanufacturing system considering quality grading
Ying et al. Supply chain-oriented permutation flowshop scheduling considering flexible assembly and setup times
WO2022222834A1 (zh) 一种数据处理方法以及装置
Xiang et al. Cross-border e-commerce personalized recommendation based on fuzzy association specifications combined with complex preference model
İnce et al. A hybrid AHP-GA method for metadata-based learning object evaluation
CN111563791B (zh) 商品的划分、推荐方法、装置、电子设备和存储介质
Liang et al. Collaborative filtering based on information-theoretic co-clustering
CN110674178B (zh) 构建用户画像标签的方法及其系统
Zhang et al. Bipartite graph capsule network
CN111815410B (zh) 基于选择性邻域信息的商品推荐方法
Bauer et al. A framework for matrix factorization based on general distributions
CN111563792B (zh) 商品的划分、推荐方法、装置、电子设备和存储介质
Gandhi et al. Spatio-temporal multi-graph networks for demand forecasting in online marketplaces
Li et al. An integrated methodology for robustness analysis in feature fatigue problem
WO2017095371A1 (en) Product recommendations based on selected user and product attributes
Kryvoruchko et al. Cognitive Modeling and Formation of the Knowledge Base of the Information System for Assessing the Rating of Enterprises
Balasubramaniam et al. People to people recommendation using coupled nonnegative boolean matrix factorization
Wang et al. Constrained assortment optimization problem under the multilevel nested logit model
CN113450167A (zh) 一种商品推荐方法和装置

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
GR01 Patent grant
GR01 Patent grant