CN111861679A - 一种基于人工智能的商品推荐方法 - Google Patents

Abstract

本申请公开了一种基于人工智能的商品推荐方法，包括：边缘服务器基于用户购买历史记录及用户自然属性，获取目标用户的POI，将目标用户的POI发送至商品推荐服务器；商品推荐服务器基于POI，生成与POI匹配的商品；商品推荐服务器获取多个关联参数；商品推荐服务器将多个关联参数按照决策树模型进行子集分类，并生成商品推荐决策树，其中，子集包括商品的品牌力子集及评论专业度子集，商品推荐决策树包括品牌力子决策树和评论专业度子决策树；若品牌力子决策树和评论专业度子决策树的决策结果均为推荐，确定决策树的决策结果为推荐，商品推荐服务器生成商品的推荐信息，并发送商品的推荐信息至目标用户，推荐信息中包括商品的品牌介绍及专业评论。

Description

一种基于人工智能的商品推荐方法

技术领域

本申请涉及电子商务领域，尤其涉及一种基于人工智能的商品推荐方法。

背景技术

在电子商务领域，用户在选购商品时往往会挑选对商品的质量进行评判，由于商品是在线下单购买，商品的质量评判只是单纯基于商品的介绍和用户的评价，尤其是置顶用户的评价会极大程度上左右一个消费者是否进行商品购买的最终决定。

因此，从消费者的角度出发，对于商品的购买很大程度上由两大块内容决定，第一是品牌影响力，第二是用户评论度，以消费类电子产品为例，不同的品牌之间价格和质量差别很大，同一品牌不同型号的产品价格和质量差异也很大，因此如何将品牌和商品的专业评论相结合，为目标用户进行商品推荐和购买是一个急需解决的问题。

然而，现有技术中，品牌力缺乏客观判断标准，商品的评论更为主观，无法进行商品评论的专业度判断，因此也就无法进行目标用户的商品精准推荐，导致推荐精度低，成单率低。

发明内容

本申请实施例提供一种基于人工智能的商品推荐的方法，用于解决现有技术中商品推荐转化率低且购买方式单一化的问题。

本发明实施例提供一种基于人工智能的商品推荐方法，包括：

边缘服务器基于用户购买历史记录及用户自然属性，获取目标用户的兴趣点POI，并将所述目标用户的POI发送至商品推荐服务器；

所述商品推荐服务器基于所述POI，生成与所述POI匹配的商品；

所述商品推荐服务器获取与所述商品的多个关联参数；

所述商品推荐服务器将所述多个关联参数按照决策树模型进行子集分类，并生成商品推荐决策树，其中，所述子集包括商品的品牌力子集及评论专业度子集，所述商品推荐决策树包括品牌力子决策树和评论专业度子决策树；

若所述品牌力子决策树和评论专业度子决策树的决策结果均为推荐，确定所述决策树的决策结果为推荐，所述商品推荐服务器生成所述商品的推荐信息，并发送所述商品的推荐信息至所述目标用户，所述推荐信息中包括所述商品的品牌介绍及专业评论。

可选地，所述商品推荐服务器将多个关联参数按照决策树模型进行子集分类，并生成商品推荐决策树，包括：

所述商品推荐服务器将所述多个关联参数分为评论专业度子集和品牌力子集，其中，所述评论专业度包括评价力属性和用户专业性属性，所述评价力属性包括评论字数、引用度、特征度，所述用户专业性属性包括用户购买力、用户认证情况及用户活跃程度；

将专业度作为根节点，评价力作为第一父节点、用户专业性作为第二父节点，所述评论字数、所述引用度、所述特征度为所述第一父节点的叶子节点，所述用户购买力、用户认证情况和用户活跃程度作为所述第二父节点的叶子节点，生成评论专业度子决策树，并基于所述专业度子决策树确定所述评论专业度的决策结果。

可选地，基于决策树确定所述专业度的决策结果，包括：

判断所述评论字数是否超过第一预设阈值，若超过则决策结果设置为1，未超过则设置为0；

判断所述引用度是否超过第二预设阈值，若超过则决策结果设置为1，未超过则设置为0；

判断所述特征度是否超过第三预设阈值，若超过则决策结果设置为1，未超过则设置为0；

若上述三者决策结果值求和后大于等于2，则设置所述评价力决策结果为拟推荐，否则设置为不推荐；

判断所述用户购买力是否为高，若是则决策结果设置为1，若否则设置为0；

判断所述用户活跃程度是否为高，若是则决策结果设置为1，若否则设置为0；

判断所述用户认证情况是否高于第四预设阈值，若是则决策结果设置为1，若否则设置为0；

若所述用户购买力、所述用户活跃程度和所述用户认证情况决策结果值求和后大于等于2，则设置所述用户专业性决策结果为拟推荐，否则设置为不推荐；

若所述决策力决策结果、所述用户专业性决策结果均为拟推荐，则设置所述评论专业度决策结果为推荐。

可选地，所述方法还包括：

所述品牌力包括广告投放率和售后投诉率；

将所述品牌力作为根节点，所述广告投放率作为第一叶子节点，所述售后投诉率作为第二叶子节点，生成品牌力子决策数，并基于所述品牌力子决策树确定所述品牌力的决策结果。

可选地，所述基于所述品牌力子决策树确定所述品牌力的决策结果，包括：

判断所述广告投放率是否超过第五预设阈值，若超过则决策结果设置为1，否则设置为0；

判断所述售后投诉率是否超过第六预设阈值，若未超过则决策结果设置为1，否则设置为0；

将所述广告投放率和售后投诉率的决策结果进行求和，若求和后的结果大于等于1，则设置所述品牌力的决策结果为推荐。

可选地，在基于所述专业度子决策树确定所述评论专业度的决策结果之前，所述方法还包括：

获取发表所述评论的用户的个性化标签，所述个性化标签包括所述发表评论的用户的自然属性、所述行业关联度及社会影响力；

若所述个性化标签不满足预设条件，则滤除所述专业度子决策树确定所述评论专业度的决策结果。

本发明实施例提供的商品推荐方法，通过决策树模型，对品牌力和用户评论专业度进行量化，最终输出是否推荐的结论，并基于该结论推荐该商品，解决了现有技术中由于缺乏专业用户评论及品牌力量化导致无法精准推送的问题，提升了商品推荐与购买的成单率。

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为一个实施例中基于人工智能的商品推荐流程示意图；

图2为一个实施例中基于人工智能的商品推荐决策树示意图。

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是本发明实施例的基于人工智能的商品推荐方法流程图。如图1所示，该方法包括：

S101、边缘服务器基于用户购买历史记录及用户自然属性，获取目标用户的兴趣点POI，并将所述目标用户的POI发送至商品推荐服务器；

其中，边缘服务器是距离用户最近的一个边缘节点，边缘节点MEC是边缘计算网络架构中的边缘服务器集群，分布式设置在不同地区，将云端的数据处理能力部分设置在边缘节点可有效降低云端的计算量，提升数据处理效率。边缘服务器可基于目标用户的购买历史记录和自然属性(例如年龄、性别、身高等自然属性)，获取用户的兴趣点(point ofinterest,POI)。兴趣点可以作为用户的兴趣标签，在一定程度范围内将用户进行用户画像，从而拟获得该目标用户对什么类型的商品可能感兴趣。

S102、所述商品推荐服务器基于所述POI，生成与所述POI匹配的商品；

商品推荐服务器是云服务器集群中的一类云服务器，用于基于用户的兴趣点，匹配相关的产品并通过边缘服务器或直接推荐给目标用户。

在本发明实施例中，商品推荐服务器基于该POI生成与该POI匹配的商品，例如，若该目标用户喜欢户外运动，则篮球、运动鞋、运动衣等可以作为拟推荐的商品。但是，同类型的商品其质量、品牌千差万别，如何精准推荐最精准的商品给该目标用户，需要将商品进行精细化分级，以保证拟推荐的商品是质量优且成单率高。

S103、所述商品推荐服务器获取与所述商品的多个关联参数；

商品的关联参数主要分为两类，第一类是品牌影响力，第二类是商品评价/评论专业度。

对于第一类，品牌影响力主要是目标用户群体对于该类商品的印象，可以通过广告投放率和售后投诉率两个参数来表示，其中，广告投放率越高，证明该产品的品牌传播范围越广，售后投诉率越低，证明该品牌质量越好。广告投放率可以通过各大媒体平台进行广告投放频次和时间段进行计算，例如单位时间内投放的媒体平台数量和时间段，不同时间段可以设置不同权值，黄金时段和空闲时段的权值不相同，投放的媒体平台数量与权值的乘积即可作为衡量广告投放程度的高低。售后投诉率往往通过电商平台内部获取该数据，这里不再累述。

对于第二类，一款易于成单，且值得推荐的商品往往意味着有相当一部分用户进行过评论，且其评论较为客观、公正且正向。大部分时候，目标用户会基于一个足够客观且专业的评论进行下单，因此，如何寻找具备相当专业水平的评论的商品是推荐成功与否的关键。而目前网上的评论大多数参差不齐、一般而言，大多数用户能做到的评论是打分+晒图，参考价值和意义不大，而网上专业的测评文章篇幅太长，大多数购买用户并没有真正参考过该测评文章而选择购买。但是，用户的消费从众心理使得在购买前或着重看一下置顶的几个评论，然而通常置顶的评论并不会给出一个中肯的意见，因此，如果通过人工智能算法识别一个专业性强的意见，并推荐给目标用户，则推荐成功率会大大提高。

因此，对于第二类，商品评价专业度本身包括评价本身的专业性，以及做出该评价的用户其本身的专业性。对于前者，往往可以从如下几个参数进行决策：发表的评论字数、引用度和特征度，发表的评论字数越多证明该评论信息越多，可信程度越高，引用度是其他用户对该评论的引用程度和/或点赞数，通常而言一条好的评论，其他用户会比较认可，通过对该条评论进行点赞或转述(引用)，因此，引用度越高，该评论越受重视，一定程度上可认为该评论越专业。特征度是评论中引用的产品参数或术语(以手机为例，例如拍摄像素、续航时间、光圈、ISO等)，一般而言，在一条评论中出现技术术语、产品参数越多的，证明该评论对产品理解较一般人越深入，因此，若评论中出现的特征度越多，证明该评论越专业。对于后者，往往可以从如下几个参数进行决策：用户购买力、用户活跃程度和用户认证情况。用户购买力是基于用户购买记录、购买金额、消费能力来决定的，用户购买的东西越多，金额越大，证明该用户经济基础较好，有较好的消费力和专业评判基础。反之，如果一个用户没有买过类似的商品，那大部分情况下该用户也无法对同类商品做出一个客观性的评价。用户活跃程度即该用户对某一类商品的评论次数、留言次数、浏览商品的频次的统称，可以用浏览同类商品的页面浏览量PV等参数来表示。用户认证情况是基于系统对该用户的等级来制定的，例如“大v”、“达人”、“小白”等，是来自于系统的用户评估系统得出的用户认证情况，该用户认证结论的获取属于现有技术，本发明实施例不再累述。

S104、所述商品推荐服务器将所述多个关联参数按照决策树模型进行子集分类，并生成商品推荐决策树，其中，所述子集包括商品的品牌力子集及评论专业度子集，所述商品推荐决策树包括品牌力子决策树和评论专业度子决策树；

决策树是一种机器学习的方法。决策树是一种树形结构，其中每个内部节点表示一个属性上的判断，每个分支代表一个判断结果的输出，最后每个叶节点代表一种分类结果。

决策树学习的算法通常是一个递归地选择最优特征，并根据该特征对训练数据进行分割，使得各个子数据集有一个最好的分类的过程。这一过程对应着对特征空间的划分，也对应着决策树的构建。(以ID3算法为例)

开始：构建根节点，将所有训练数据都放在根节点，选择一个最优特征，按着这一特征将训练数据集分割成子集，使得各个子集有一个在当前条件下最好的分类。

如果这些子集已经能够被基本正确分类，那么构建叶节点，并将这些子集分到所对应的叶节点去。

如果还有子集不能够被正确的分类，那么就对这些子集选择新的最优特征，继续对其进行分割，构建相应的节点，如果递归进行，直至所有训练数据子集被基本正确的分类，或者没有合适的特征为止。

每个子集都被分到叶节点上，即都有了明确的类，这样就生成了一颗决策树。

上述的步骤可应用于商品推荐决策树的生成步骤中，其中，商品推荐决策树包括两颗子决策树，分别为品牌力决策树和评论专业度决策树，具体如下：

商品推荐服务器将多个关联参数分为评论专业度子集和品牌力子集，其中，评论专业度包括评价力属性(评论本身)和用户专业性属性(用户专业度)，评价力属性包括评论字数、引用度、特征度，用户专业性属性包括用户购买力、用户认证情况及用户活跃程度；

具体地，在评论专业度决策树中，将专业度作为根节点，评价力作为第一父节点、用户专业性作为第二父节点，评论字数、引用度、特征度为第一父节点的叶子节点，用户购买力、用户认证情况和用户活跃程度作为第二父节点的叶子节点，生成评论专业度子决策树(如图2所示)，并基于专业度子决策树确定评论专业度的决策结果。

其中，基于决策树确定专业度的决策结果，具体可以为：

判断评论字数是否超过第一预设阈值(例如大于100个字)，若超过则决策结果设置为1，未超过则设置为0；

判断引用度是否超过第二预设阈值(例如点赞数超过5，或被其他用户转述超过5)，若超过则决策结果设置为1，未超过则设置为0；

判断特征度是否超过第三预设阈值(例如提及到的产品参数或技术术语超过5)，若超过则决策结果设置为1，未超过则设置为0；

若上述三者决策结果值求和后大于等于2，则设置评价力决策结果为拟推荐，否则设置为不推荐；

判断用户购买力是否为高(本发明实施例可以自定义一个范围区间，例如购买金额累计超过5000元人民币即为购买力高)，若是则决策结果设置为1，若否则设置为0；

判断用户活跃程度是否为高(例如网页浏览量大于等于某一阈值)，若是则决策结果设置为1，若否则设置为0；

判断用户认证情况是否高于第四预设阈值(例如，大于等于“达人”等级)，若是则决策结果设置为1，若否则设置为0；

若用户购买力、用户活跃程度和用户认证情况决策结果值求和后大于等于2，则设置用户专业性决策结果为拟推荐，否则设置为不推荐；

若决策力决策结果、用户专业性决策结果均为拟推荐，则设置评论专业度决策结果为推荐。即，拥有一个“合格”(决策结果为推荐)的专业评论的商品，其商品推荐性较好，成单率较高，系统将优先推荐具备专业评论的商品给用户，若无合格的专业评论，其推荐等级较低，系统将不推荐该商品给用户。因此，本发明实施例的核心在于：量化专业评论的专业等级，选择该决策结果为“推荐”的专业评论(即，若决策结果为推荐，则该专业评论的专业等级较好，满足推荐条件)，并推荐该评论对应的商品给用户。

此外，可选地，在基于所述专业度子决策树确定所述评论专业度的决策结果之前，还可以增加一个专业评论度的过滤操作，即不满足该过滤条件的情况下，该评论不作为推荐的评论推送给目标用户，该过滤操作具体为：

获取发表所述评论的用户的个性化标签，所述个性化标签包括所述发表评论的用户的自然属性、所述行业关联度及社会影响力；通常而言，若发表评论的用户是与该商品所从事行业相关的，且社会影响力较高(例如是高级工程师)，则对该商品越有发言权，例如从事手机行业的高级研发工程师，其用户评论可信度优于一般的用户评论。此外，用户的自然属性、所述行业关联度及社会影响力可以从电商平台获取。

若所述个性化标签不满足预设条件(例如，该用户所从事行业与该类型商品的关联度低，或只是作为普通的商品加工工人，其社会影响力低，不足以发表专业的评论)，则滤除所述专业度子决策树确定所述评论专业度的决策结果。

对于品牌力子集而言，如何对品牌力进行量化是关键，在本发明实施例中，品牌力包括广告投放率和售后投诉率；其中，如图2所示，品牌力作为根节点，广告投放率作为第一叶子节点，售后投诉率作为第二叶子节点，生成品牌力子决策数，并基于品牌力子决策树确定品牌力的决策结果。具体为：

判断广告投放率是否超过第五预设阈值(例如单位时间内是否超过3次广告投放)，若超过则决策结果设置为1，否则设置为0；

判断售后投诉率是否超过第六预设阈值(例如单位时间内是否超过3次售后投诉)，若未超过则决策结果设置为1，否则设置为0；

将广告投放率和售后投诉率的决策结果进行求和，若求和后的结果大于等于1，则设置品牌力的决策结果为推荐。

S105、若所述品牌力子决策树和评论专业度子决策树的决策结果均为推荐，确定所述决策树的决策结果为推荐，所述商品推荐服务器生成所述商品的推荐信息，并发送所述商品的推荐信息至所述目标用户，所述推荐信息中包括所述商品的品牌介绍及专业评论。

专业评论即是上文中提及到的、评论专业度决策结果为“推荐”的评论/商品评价。

单一的品牌决策结果或专业评论度结果均不能决定是否最终推荐该商品，而是缺一不可，既要品牌足够好，也要有相当水平的专业评论(由其他用户做出的)，目标用户才会根据推荐信息从而最终买单。

本发明实施例提供的商品推荐方法，通过决策树模型，对品牌力和用户评论专业度进行量化，最终输出是否推荐的结论，并基于该结论推荐该商品，解决了现有技术中由于缺乏专业用户评论及品牌力量化导致无法精准推送的问题，提升了商品推荐与购买的成单率。

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)

1.一种基于人工智能的商品推荐方法，其特征在于，包括：

边缘服务器基于用户购买历史记录及用户自然属性，获取目标用户的兴趣点POI，并将所述目标用户的POI发送至商品推荐服务器；

所述商品推荐服务器基于所述POI，生成与所述POI匹配的商品；

所述商品推荐服务器获取与所述商品的多个关联参数；

所述商品推荐服务器将所述多个关联参数按照决策树模型进行子集分类，并生成商品推荐决策树，其中，所述子集包括商品的品牌力子集及评论专业度子集，所述商品推荐决策树包括品牌力子决策树和评论专业度子决策树；

若所述品牌力子决策树和评论专业度子决策树的决策结果均为推荐，确定所述决策树的决策结果为推荐，所述商品推荐服务器生成所述商品的推荐信息，并发送所述商品的推荐信息至所述目标用户，所述推荐信息中包括所述商品的品牌介绍及专业评论。

2.根据权利要求1所述的方法，其特征在于，所述商品推荐服务器将多个关联参数按照决策树模型进行子集分类，并生成商品推荐决策树，包括：

所述商品推荐服务器将所述多个关联参数分为评论专业度子集和品牌力子集，其中，所述评论专业度包括评价力属性和用户专业性属性，所述评价力属性包括评论字数、引用度、特征度，所述用户专业性属性包括用户购买力、用户认证情况及用户活跃程度；

将专业度作为根节点，评价力作为第一父节点、用户专业性作为第二父节点，所述评论字数、所述引用度、所述特征度为所述第一父节点的叶子节点，所述用户购买力、用户认证情况和用户活跃程度作为所述第二父节点的叶子节点，生成评论专业度子决策树，并基于所述专业度子决策树确定所述评论专业度的决策结果。

3.根据权利要求2所述的方法，其特征在于，基于决策树确定所述专业度的决策结果，包括：

判断所述评论字数是否超过第一预设阈值，若超过则决策结果设置为1，未超过则设置为0；

判断所述引用度是否超过第二预设阈值，若超过则决策结果设置为1，未超过则设置为0；

判断所述特征度是否超过第三预设阈值，若超过则决策结果设置为1，未超过则设置为0；

若上述三者决策结果值求和后大于等于2，则设置所述评价力决策结果为拟推荐，否则设置为不推荐；

判断所述用户购买力是否为高，若是则决策结果设置为1，若否则设置为0；

判断所述用户活跃程度是否为高，若是则决策结果设置为1，若否则设置为0；

判断所述用户认证情况是否高于第四预设阈值，若是则决策结果设置为1，若否则设置为0；

若所述用户购买力、所述用户活跃程度和所述用户认证情况决策结果值求和后大于等于2，则设置所述用户专业性决策结果为拟推荐，否则设置为不推荐；

若所述决策力决策结果、所述用户专业性决策结果均为拟推荐，则设置所述评论专业度决策结果为推荐。

4.根据权利要求2所述的方法，其特征在于，所述方法还包括：

所述品牌力包括广告投放率和售后投诉率；

将所述品牌力作为根节点，所述广告投放率作为第一叶子节点，所述售后投诉率作为第二叶子节点，生成品牌力子决策数，并基于所述品牌力子决策树确定所述品牌力的决策结果。

5.根据权利要求4所述的方法，其特征在于，所述基于所述品牌力子决策树确定所述品牌力的决策结果，包括：

判断所述广告投放率是否超过第五预设阈值，若超过则决策结果设置为1，否则设置为0；

判断所述售后投诉率是否超过第六预设阈值，若未超过则决策结果设置为1，否则设置为0；

将所述广告投放率和售后投诉率的决策结果进行求和，若求和后的结果大于等于1，则设置所述品牌力的决策结果为推荐。

6.根据权利要求2所述的方法，其特征在于，在基于所述专业度子决策树确定所述评论专业度的决策结果之前，所述方法还包括：

获取发表所述评论的用户的个性化标签，所述个性化标签包括所述发表评论的用户的自然属性、所述行业关联度及社会影响力；

若所述个性化标签不满足预设条件，则滤除所述专业度子决策树确定所述评论专业度的决策结果。

Images