CN111709815A - 一种基于边缘计算的商品处理方法 - Google Patents

Abstract

本申请公开了一种基于边缘计算的商品处理,包括：WP存储多种商品信息，商品信息包括商品名称、商品价格、商品类型和商品存放的物流仓库；MP存储物流仓库信息，物流仓库信息包括不同商品与WP的存储关系，以及商品的物流信息；MP根据用户购买记录，确定用户购买商品的优先级，依次将商品存储至用户最近的多个WP上；MP根据大数据商品组合算法，确定与购买过的商品的组合型商品，并搜索组合型商品对应的物流仓库；MP将组合型商品信息存储至与商品存储路径相同的WP上；MP将组合型商品从第一物流仓库转移至第二物流仓库中，其中第一物流仓库为组合型商品的物流仓库，第二物流仓库为存储了组合型商品信息的WP所对应的物流仓库。

Description

一种基于边缘计算的商品处理方法

技术领域

本申请涉及电子商务领域，尤其涉及一种基于边缘计算的商品处理方法。

背景技术

在电子商务领域，大多数的消费者喜欢并且习惯在网上进行商品购买，这是建立在成熟的信用体系和支付体系的基础上进行的。

但是在目前的商品购买流程中，需要用户打开一个特定的购物平台网站，从海量的商品里面精心挑选并选购商品，通常需要比价、比质量，以至于网上购物的时间花费较多。

为此，各大平台往往会进行用户购买行为分析，并基于用户的购买行为，推出“猜你喜欢”功能，即将用户浏览过、购买过或放入购物车的同类商品推荐给用户，实现智能推荐。

但是在目前的智能推荐功能中，只能实现同类商品的单一化推荐，而无法实现更深层次的智能化推荐，还处于“用户找商品”的初级阶段，而不是“商品找用户”的高阶阶段。

发明内容

本申请实施例提供一种基于边缘计算的商品处理的方法，用于解决现有技术中商品推荐单一化的问题。

本发明实施例提供一种基于边缘计算的商品处理的方法，应用于雾计算网络，所述雾计算网络包括多个移动边缘计算节点MEC，所述每个MEC为星型组网，且所述MEC包括工作节点WP和管理节点MP，所述方法包括：

所述WP存储多种商品信息，所述商品信息包括商品名称、商品价格及商品类型；

所述MP存储物流仓库信息，所述物流仓库信息包括不同商品与WP的存储关系，以及所述商品的物流信息，且所述MP与实体物流仓库一一对应；

所述MP根据用户购买记录，确定所述用户购买商品的优先级，依次将所述商品存储至所述用户最近的多个WP上，其中，商品存储路径按照所述优先级从高到低，依次存储至距离用户物理距离从近及远的WP上，且所述WP数量与所述商品数量一致；

所述MP根据大数据商品组合算法，确定与所述购买过的商品的组合型商品，并搜索所述组合型商品对应的物流仓库；

所述MP将所述组合型商品信息存储至与所述商品存储路径相同的WP上；

所述MP将所述组合型商品从第一物流仓库转移至第二物流仓库中，其中所述第一物流仓库为所述组合型商品的物流仓库，所述第二物流仓库为存储了所述组合型商品的WP所对应的物流仓库。

可选地，所述方法还包括：

所述MP还根据大数据商品推荐算法，确定与所述购买过的商品相似的商品，识别出所述相似商品对应的物流仓库；

所述MP将所述相似商品信息存储至与所述商品存储路径相同的WP上；

所述MP将所述相似商品从第三物流仓库转移至第四物流仓库中，其中所述第三物流仓库为所述相似商品的物流仓库，所述第四物流仓库为与存储了所述相似商品的WP相邻的物流仓库。

可选地，所述方法还包括：

所述MP根据所述用户购买记录，估算出所述用户画像；

所述MP根据所述用户画像，设置所述组合型商品和所述相似商品的推荐指数，并根据所述推荐指数依次推荐所述组合型商品和所述相似商品，其中，所述推荐指数用于指示商品推荐的优先级。

可选地，所述方法还包括：

所述组合型商品的推荐指数为x,且满足

所述相似商品的推荐指数为y，且满足

可选地，所述MP将所述组合型商品信息存储至与所述商品存储路径相同的WP上，包括：

根据所述用户的购买记录，动态更新所述组合型商品信息，并将所述更新后的组合型商品信息存储至所述商品存储路径相同的WP上。

可选地，所述WP预先存储有第一组合型商品信息，则所述将所述更新后的组合型商品信息存储至所述商品存储路径相同的WP上，包括：

识别所述更新后的组合型商品原先存储的WP，获取所述原先存储的WP中组合型商品信息，并将所述组合型商品信息存储到所述商品存储路径相同的WP上，并替换掉所述商品存储路径相同的WP中的第一组合型商品信息。

上述提供的基于边缘计算的商品处理的方法，通过设置MP和WP的信息网络，将组合型商品存放在距离用户较近的物流仓库，在用户下单后可快速发货，并实时进行信息流记录，提升了物流管理效率，提高了用户体验。

附图说明

为了更清楚地说明本申请实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍。

图1为一个实施例中物联网网络架构图；

图2为一个实施例中基于边缘计算的商品处理的流程示意图；

图3为一个实施例中商品处理示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

还应当理解，在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。

还应当进一步理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

如在本说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。

图1是本发明实施例的物联网网络架构图。如图1所示，物联网的网络架构可分为核心层、边缘层(雾计算层/雾计算网络)和物联网终端。其中，核心层采用了网络功能虚拟化NFV技术，可进行海量数据的交互与处理。边缘层包括多个移动边缘节点MEC，且多个MEC组成了星型的网络架构。边缘层的作用在于将数据计算和处理下沉到离用户侧更近的位置，而无需所有数据都上传至核心层处理，极大程度降低核心层的处理数据量，可实现海量数据的低时延与快速响应。在边缘层中，边缘节点按照电子商务的功能区分，可分为管理节点(Management Point,MP)和工作节点(Work Point，WP)，其中，MP用于管理商品的物流仓库信息，WP用于存储不同商品的信息，因此，一个MP(物流仓库信息)可以对应多个WP(商品信息)。

图2提供了一种基于边缘计算的商品处理方法流程图，该方法应用于雾计算网络，所述雾计算网络包括多个移动边缘计算节点MEC，所述每个MEC形成星型组网，且所述MEC包括工作节点WP和管理节点MP，所述方法包括：

S101、所述WP存储多种商品信息，所述商品信息包括商品名称、商品价格、商品类型和商品存放的物流仓库；

MEC包含多个WP，每一个WP上存储有多种商品的名称、价格和类型、存放的物流仓库等信息，在网络初始化阶段，WP上存储的商品是随机的，随着靠近该WP的用户数次购买之后，WP上存储的商品信息逐渐更新为用户购买的同一商品信息。在本发明实施例中，典型的商品存储格式采用XML格式，例如商品A，价格xx元，商品类型：婴幼儿奶粉，商品存储路径：仓库aa。

S102、所述MP存储物流仓库信息，所述物流仓库信息包括不同商品与WP的存储关系，以及所述商品的物流信息，且所述MP与实体物流仓库一一对应；

MP与WP均属于MEC，但是二者从功能定义上不相同，MP更多的是商品物流管理，即当前商品(型号)存储在MP本地的物流仓库，以及该商品需要运输至哪一个MP的物流仓库中，不需要详细的商品信息，而WP与MP对应，若当前商品从第一个MP运输至第二个MP，与第一个MP相对应的WP(第一WP)将当前商品信息删除，而与第二个MP对应的WP(第二WP)则添加该商品信息至本地记录中，其中，商品信息的获取可以根据商品ID进行更新。在其中一个实施例中，MP保存路径可以为：

物流仓库1：

商品ID1，存储在仓库1中的位置，存储量，保质期，物流信息…；

商品ID2，存储在仓库1中的位置，存储量…；

…

商品IDn，…

当发生物流运输时，与变动的MP对应的WP可根据商品ID，从商品数据库中进行商品详细信息的查找，并更新本地保存的商品信息。

需要说明的是，MP和WP的实际物理地理位置是相对的。从物理结构上，一个物流仓库可存储多个商品，从网络架构上，一个MP可对应多个WP，且MP作为边缘节点服务器，设置在实体物流仓库内部，可作为物流仓库信息管理器，即，MP与实体物流仓库一一对应，且每一个实体物流仓库分布在城市的各个区域中。WP也是一种边缘节点服务器，WP分布在与该实体物流仓库预设范围(例如5公里)之内，与用户的实际物理距离较近。WP存储的是不同的商品信息，该商品可以存储在本地的物流仓库中，也可能存储在不同的物流仓库中。每一个WP负责与之通信半径范围内物联网终端(用户终端)进行通信，并将该物联网终端的商品查询、购买、支付请求进行消息处理。例如，若当前用户需要查询并购买的商品1信息存储在第一WP上，且第一WP对应的MP中，显示该商品的库存存储在本地物流仓库中，则可直接从该本地物流仓库中进行物流货运，在用户支付后，最短时间内送到用户手上。若商品2的库存没有存储在本地物流仓库中，则第一MP需要从其他MP的仓库中发送调货指令，使得商品2从其他MP调用到第一MP中，并运送到该用户手上。

S103、所述MP根据用户购买记录，确定所述用户购买商品的优先级，依次将所述商品存储至所述用户最近的多个WP上，其中，商品存储路径按照所述优先级从高到低，依次存储至距离用户物理距离从近及远的WP上，且所述WP数量与所述商品数量一致；

每当用户在WP上进行交易并支付成功时，WP将该交易的商品ID发送至MP上，这样，每一次交易成功后WP上均保存有用户购买过的商品ID信息，MP根据该用户购买记录，确定用户购买商品的优先级。优先级的顺序可以根据用户浏览频次，购买频次，用户满意度等综合确定，例如，可以设定浏览频次、购买频次和用户满意度的权值，求出商品优先级的数值，并按照由大到小的顺序排列。例如，用户A的购买记录包括AA牌婴儿纸尿裤、BB牌牛奶、CC牌平板电脑，按照浏览频次、购买频次和用户满意度调查，优先级顺序为BB牌牛奶>AA牌纸尿裤>CC牌平板电脑，而距离用户由远及近的WP有3个，分别为WP1，WP2和WP3(物理距离越近，其信息传输路径越短，通信响应越高效)，则BB牌牛奶的商品信息存储至WP1，AA牌纸尿裤的商品信息存储至WP2，CC牌平板电脑的商品信息存储至WP3。这样在用户下一次浏览过程中，商品信息的调用可以优先从最近的WP1开始调用，快速显示BB牌牛奶的信息，且在WP1对应的MP1的物流仓库中进行备货，以便用户下单后及时出库。这样的保存路径设计，无论是从商品信息的推荐与加载响应，还是从出库到用户收到货的时间上来看，会极大地提升商品推荐与商品物流的效率，显著提高用户的浏览体验和购买体验。

S104、所述MP根据大数据商品组合算法，确定与所述购买过的商品的组合型商品，并搜索所述组合型商品对应的物流仓库；

商品组合是一个基于大数据挖掘技术而形成的销售模式。例如婴儿纸尿裤通常可以和婴儿奶粉进行商品组合，铅笔和橡皮擦可以形成商品组合，如果用户购买了婴儿纸尿裤，则婴儿奶粉可以作为组合型商品进行推荐。可以看出，组合型商品通常是针对用户同一个大的需求下的不同产品，其不同类型的产品可构成不同组的商品组合，通过大数据挖掘技术，高频次、贴合用户实际需求的商品组合也会持续更新。

大数据商品组合算法是一种基于规则关联规则的推荐算法，其特点是基于用户购买行为，大数据的用户行为分析，对当前购买的商品以及用户画像进行分析，从而进行商品组合的推荐。

从算法层面上，有如下几个核心概念需要说明：

项集：如果把不同特点的用户进行分类的话，就需要划分不同集合，用以表示不同特点用户群体，即项集，项集就是项的集合，不同的项表示不同的用户群体。包含0个或多个项的集合就是项集，如果包含k个项，则称为k项集。

置信度(confidence)：设同时购买了婴幼儿纸尿裤的人群为项集m，购买了婴幼儿奶粉的人群为项集n，设同时购买婴幼儿纸尿裤和婴幼儿奶粉的人群为项集X，那么为了衡量购买婴幼儿纸尿裤和购买婴幼儿奶粉这两种行为的相关程度，用X除以m就可以表示购买婴幼儿纸尿裤这种行为和同时购买婴幼儿纸尿裤和婴幼儿奶粉的相关程度，同理，X除以n可以表示购买婴幼儿奶粉这种行为和同时购买婴幼儿纸尿裤和婴幼儿奶粉这两种行为的相关程度。一句话总结：置信度就是同时购买多种产品的人数除以某一种产品的销售量，反映的是这种产品和其他产品之间的相关度。

支持度(suupport)：现在有了商品之间的相关程度，那么这种相关程度是否真实？需要一个稳健的衡量标准，假设婴幼儿纸尿裤和婴幼儿奶粉，用同时购买婴幼儿纸尿裤和婴幼儿奶粉的人数除以总人数，就会得到同时购买婴幼儿纸尿裤和婴幼儿奶粉的人数在人群中的比例，这个比例是以人群总数作为衡量标准的，可以反映出X人数是否有普遍意义，即：同时购买x和y的人数除以总人数，就可以得到支持度，支持度反应规则的可靠性。

经过一定的相关程度的排序，就可以得到不同商品之间的相关程度，这就是基于规则的频繁项集的挖掘方法，频繁项集的挖掘常用的算法有Apriori和FP-growth。和Apriori算法相比，FP-growth算法只需要对数据库进行两次遍历，从而高效发现频繁项集。

S105、所述MP将所述组合型商品信息存储至与所述商品存储路径相同的WP上；

以婴儿纸尿裤和婴儿奶粉为例，婴儿纸尿裤是用户购买过的商品，而婴儿奶粉则是组合型商品，婴儿纸尿裤由于购买频次多，用户满意度高，其优先级高，因此商品信息存储至离用户物理距离较近的一个WP上，定义为WP1，则相应地，婴儿奶粉的商品信息也存储在WP1上。可选地，同一个商品类型(婴儿奶粉)的商品也有不同品牌的区别，因此，WP1可存储多个品牌的婴儿奶粉商品信息，也可以只存储单一品牌的婴儿奶粉商品信息。

S106、所述MP将所述组合型商品从第一物流仓库转移至第二物流仓库中，其中所述第一物流仓库为所述组合型商品的物流仓库，所述第二物流仓库为存储了所述组合型商品信息的WP所对应的物流仓库。

在本发明实施例中，组合型商品(婴儿奶粉)的物流仓库与已购买的商品(婴儿纸尿裤)的物流仓库不同。设置组合型商品(婴儿奶粉)的物流仓库为第一物流仓库，而第二物流仓库为存储了所述组合型商品的WP所对应的物流仓库。存储了组合型商品信息的WP为存储了婴儿纸尿裤和婴儿奶粉的WP1，该WP1与本地物流仓库MP(即第二物流仓库)相对应，也即，WP1设置在第二物流仓库的周边。因此，物流运输可设置将该组合型商品(婴儿奶粉)从第一物流(距离用户远)仓库转移到第二物流仓库(距离用户近)，这样，在推荐给用户组合型商品后，用户下单即可快速从第二物流仓库(距离用户近)发货到用户手中，极大提升了货运效率。

图3是本发明实施例提供的一个示例性商品推荐与物流变动图。用户1是购买了商品1的用户，商品1存放在物流仓库1中，商品2存放在物流仓库2中，对应地，商品1的信息存储在WP1中，物流仓库1的信息存储在MP1中，物流仓库2的信息存储在WP2中，商品2的信息存储在WP2中，通过大数据商品组合算法，确定商品2属于商品1的组合型商品，则将商品2的信息添加至WP1上，同时删除原WP2的商品2信息，此外，将商品2从物流仓库2运输至物流仓库1，运输送到后，MP2的商品2信息删除，添加商品2的ID至MP1中。

在本发明其中一个实施例中，不仅可以将组合型商品推荐给用户，还可以将相似商品推荐给用户。具体方法如下：

MP还根据大数据商品推荐算法，确定与所述购买过的商品相似的商品，识别出所述相似商品对应的物流仓库；

MP将所述相似商品信息存储至与所述商品存储路径相同的WP上；

MP将所述相似商品从第三物流仓库转移至第四物流仓库中，其中所述第三物流仓库为所述相似商品的物流仓库，所述第四物流仓库为与存储了所述相似商品的WP相邻的物流仓库。

与组合型商品不同的是，相似商品往往和用户购买过的商品属于同一类型，但品牌和价格不同。一般用户的选择中，选择心仪的相似商品概率低于组合型商品，因此可以存放在WP相邻的物流仓库，而不占用WP本地的物流仓库资源。

在大数据推荐算法中，一般会采用协同过滤算法进行相似商品推荐。

协同过滤主要分为两大类，一大类是基于用户的，另一大类是基于商品的。基于用户的协同过滤推荐：这种方法主要关注的是用户，把用户之间根据相似程度分为多个类别，类别内的用户购买了什么，就给当前用户推荐什么。另一种是基于产品的过滤推荐：当用户搜索某物时，根据用户搜索的产品进行扩散，给用户推荐更多相关的相似的产品。同时，对这些相似的产品或者是相关的其他产品进行排序。然后再得到最终的推荐结果。在协同过滤算法中，重点是计算的关系依据---用户或者产品，会得到不同的结果；另一方面是相似度的计算方法。相似度的计算方法主要有以下几种：Consine相似度、皮尔逊相关系数、Jaccard相似度。

在本发明的其中一个实施例，MP还可以根据用户画像来进行商品推荐，并根据推荐指数来优先推荐部门商品。

MP根据所述用户购买记录，估算出所述用户画像；

MP根据所述用户画像，设置所述组合型商品和所述相似商品的推荐指数，并根据所述推荐指数依次推荐所述组合型商品和所述相似商品，其中，所述推荐指数用于指示商品推荐的优先级。

其中，所述组合型商品的推荐指数为x,且满足

其中，所述a为用户购买行为指数，b为权重占比，c为校正参数，d为价格因子，f(e)为产品组合逻辑函数；

所述相似商品的推荐指数为y，且满足

所述a为用户购买行为指数，b为权重占比，c为校正参数，d为价格因子，h(e)为产品相似逻辑函数。

在本发明的其中一个实施例中，MP将所述组合型商品信息存储至与所述商品存储路径相同的WP上，具体可以为：

根据所述用户的购买记录，动态更新所述组合型商品信息，并将所述更新后的组合型商品信息存储至所述商品存储路径相同的WP上。

在其中的一个实施例中，WP预先存储有第一组合型商品信息，则所述将所述更新后的组合型商品信息存储至所述商品存储路径相同的WP上，具体可以为：

识别所述更新后的组合型商品原先存储的WP，获取所述原先存储的WP中组合型商品信息，并将所述组合型商品信息存储到所述商品存储路径相同的WP上，并替换掉所述商品存储路径相同的WP中的第一组合型商品信息。

以上上述，仅为本申请的具体实施方式，但本申请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申请揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims (6)

1.一种基于边缘计算的商品处理方法，其特征在于，应用于雾计算网络，所述雾计算网络包括多个移动边缘计算节点MEC，所述每个MEC组成星型组网，且所述MEC包括工作节点WP和管理节点MP，所述方法包括：

所述WP存储多种商品信息，所述商品信息包括商品名称、商品价格、商品类型和商品存放的物流仓库；

所述MP存储物流仓库信息，所述物流仓库信息包括不同商品与WP的存储关系，以及所述商品的物流信息，且所述MP与实体物流仓库一一对应；

所述MP根据用户购买记录，确定所述用户购买商品的优先级，依次将所述商品存储至所述用户最近的多个WP上，其中，商品存储路径按照所述优先级从高到低，依次存储至距离用户物理距离从近及远的WP上，且所述WP数量与所述商品数量一致；

所述MP根据大数据商品组合算法，确定与所述购买过的商品的组合型商品，并搜索所述组合型商品对应的物流仓库；

所述MP将所述组合型商品信息存储至与所述商品存储路径相同的WP上；

所述MP将所述组合型商品从第一物流仓库转移至第二物流仓库中，其中所述第一物流仓库为所述组合型商品的物流仓库，所述第二物流仓库为存储了所述组合型商品信息的WP所对应的物流仓库。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

所述MP还根据大数据商品推荐算法，确定与所述购买过的商品相似的商品，识别出所述相似商品对应的物流仓库；

所述MP将所述相似商品信息存储至与所述商品存储路径相同的WP上；

所述MP将所述相似商品从第三物流仓库转移至第四物流仓库中，其中所述第三物流仓库为所述相似商品的物流仓库，所述第四物流仓库为与存储了所述相似商品的WP相邻的物流仓库。

3.根据权利要求2所述的方法，其特征在于，所述方法还包括：

所述MP根据所述用户购买记录，估算出所述用户画像；

所述MP根据所述用户画像，设置所述组合型商品和所述相似商品的推荐指数，并根据所述推荐指数依次推荐所述组合型商品和所述相似商品，其中，所述推荐指数用于指示商品推荐的优先级。

4.根据权利要求3所述的方法，其特征在于，所述方法还包括：

所述组合型商品的推荐指数为x,且满足

其中，所述a为用户购买行为指数，b为权重占比，c为校正参数，d为价格因子，f(e)为产品组合逻辑函数；

所述相似商品的推荐指数为y，且满足

所述a为用户购买行为指数，b为权重占比，c为校正参数，d为价格因子，h(e)为产品相似逻辑函数。

5.根据权利要求1-4任一项所述的方法，其特征在于，所述MP将所述组合型商品信息存储至与所述商品存储路径相同的WP上，包括：

根据所述用户的购买记录，动态更新所述组合型商品信息，并将所述更新后的组合型商品信息存储至所述商品存储路径相同的WP上。

6.根据权利要求5所述的方法，其特征在于，所述WP预先存储有第一组合型商品信息，则所述将所述更新后的组合型商品信息存储至所述商品存储路径相同的WP上，包括：

识别所述更新后的组合型商品原先存储的WP，获取所述原先存储的WP中组合型商品信息，并将所述组合型商品信息存储到所述商品存储路径相同的WP上，并替换掉所述商品存储路径相同的WP中的第一组合型商品信息。

Images