CN112381627B - 育儿知识下的商品评分处理推荐方法、装置 - Google Patents

Abstract

本发明实施例提供的一种育儿知识下的商品评分处理推荐方法、装置；其中，上述育儿知识下的商品评分处理推荐方法，综合考虑标签匹配评分、商品销售情况评分、商品曝光评分实现了三级评分，可以精准高效的对商品进行综合评分；尤其是上述标签匹配评分，其基于标签匹配的级别距离可以判定知识和商品的关系；在构建好知识的知识标签体系和商品品类标签体系的情况下，基于知识标签的映射可以快速的形成业务的推广，适合于知识、商品的数据量比较少，用户量比较大，又有标签体系的情况下的商品评分推荐。

Description

育儿知识下的商品评分处理推荐方法、装置

技术领域

本发明涉及母婴知识信息分析技术领域，具体地涉及一种育儿知识下的商品评分处理推荐方法、装置。

背景技术

随着互联网的发展,针对用户来说会出现信息过载，用户在选择自己喜欢的信息的时候会出现选择困难的情况。

同时部分以母婴服务为主科技公司也大量面向用户推广使用应用APP，这样以母婴信息的推荐系统也越多的出现在市场上；纵观互联网科技企业所推出的推荐系统就是基于用户的行为形成集体智慧来降低选择的困难性，在互联网中得到了广泛的推广，并且产生了巨大的价值，可以说现在任何一个互联网公司没有自己的推荐系统是不可想象的。

在推荐系统中，如何在一个场景下推出符合当前场景下的信息是一个更加精确的推荐，各种不同场景下的推荐方法层出不穷。传统的场景化的推荐，需要考虑场景的信息、用户的信息和商品的信息，需要三者数据的整体回收，需要建立数据团队搭建一个庞大的数据体系才能够支撑，这种方法在中小型公司来说是不可能实现的。

举例说明，现有技术中存在一种一种基于聚类的协同过滤的商品推荐方法及系统（现有技术1： CN201310379073.1）；现有技术1所涉及方法包括：利用购物网站的API接口获取用户对商品的评分信息和商品的类型标签信息；根据用户的购买商品类型，对用户进行聚类；根据聚类的结果，并通过评分估值公式为用户；商品评分矩阵中缺省评分赋予评分估值；计算矩阵中商品之间的相似度，对目标用户未购买商品进行预测评分，并为目标用户推荐预测评分最高的前N件商品，本发明相比现有技术具有如下优点：解决了数据稀疏性的问题，减少了不同用户的评分尺度不一致的问题，提高了缺省赋值的准确性。

综上所述，专家学者们提出了采用上述传统方法对于信息的数据处理量依然很大，而且最终推出的可解释性不强，尤其在业务发展初期这种方法可操作性不强。

发明内容

有鉴于此，本发明提供一种育儿知识下的商品评分处理推荐方法、装置，用以解决上述技术问题。主要采取了基于用户的协同过滤结合传统的规则方法，可以快速的搭建起一个行之有效的场景化的育儿知识下的电商商品推荐，有效快捷，充分兼顾了在场景化推荐下，不仅要考虑用户的兴趣，而且要考虑和当前场景的一致性。

一方面，本发明实施例提供了一种育儿知识下的商品评分处理推荐方法，包括：

预设建立知识标签体系到电商品类标签体系的映射关系生成知识与商品的标签映射表；

其中，所述标签映射表包括如下四个方面的信息字段：知识标签信息、和与所述知识标签信息对应的知识标签级别、电商品类标签信息、和与所述电商品类标签信息对应的电商品类级别；所述知识标签级别用于描述对应的知识标签信息的数据层级；所述电商品类级别用于描述对应的电商品类标签信息的数据层级；

根据所述知识标签体系到所述电商品类体系的映射关系，预设定义设置知识和商品双维度框架下的标签匹配度评分模块；获取当前用户的信息，同时基于协同过滤算法获得向当前用户推荐商品的候选集合；

所述标签匹配度评分模块对进入候选集合的商品进行评分处理操作，求解得到候选商品第一级评分；

利用点击信息和曝光信息对进入候选集合的商品进行评分处理操作，得到候选商品第二级评分；

利用商品销售量和评分起始时刻以及点击信息和曝光信息对进入候选集合的商品进行评分处理操作，得到候选商品第三级评分；

求解所述候选集合中的商品的综合评分数值；所述综合评分数值=候选商品第一级评分+候选商品第二级评分+候选商品第三级评分；对所述候选集合中的多个商品的综合评分数值进行从高到低的排序得到商品的综合评分列表，在所述商品的综合评分列表中选择顺序高位的TopN的商品推送给当前用户。

优选的，作为一种可实施方案；预设定义设置知识和商品双维度框架下的标签匹配度评分模块，具体包括如下操作步骤：

参考知识标签和电商品类的关系设置反映商品标签匹配度的评分方法，将所述评分方法所应用的评分公式设置为所述标签匹配度评分模块的评分公式：

；

其中，x设置为评分系数；x根据所述知识标签级别和所述电商品类级别的级别差来确定；设定所述知识标签级别为KLevel，所述电商品类级别为GLevel，所述知识标签级别和所述电商品类级别的级别差绝对值=|KLevel-Glevel|；若级别差绝对值为0则x记为1；若级别差绝对值为1则x记为0.8；若级别差绝对值大于等于2则x记为0.5；

在定义设置标签匹配度评分模块的同时，还包括定义设置点击和曝光评分模块、定义设置所述商品销售评分模块；

定义设置所述点击和曝光评分模块，包括如下操作步骤：参考点击与曝光的关系设置反映商品曝光效率的评分方法，将所述评分方法所应用的评分公式设置为所述点击和曝光评分模块的评分公式：

, 其中α为最近一周点击次数与周曝光次数的比例，β为最近一个月点击次数与月曝光次数的比例；

定义设置所述商品销售评分模块，包括如下操作步骤：参考商品在不同时间周期内的销售关系设置反映商品销售量的评分方法；将所述评分方法所应用的评分公式设置为所述商品销售评分模块的评分公式：ScoreC=周销售量*1.2+周点击量*0.6+归一化月销售量*0.4，其中，当前的归一化月销售量的设置为小于100的销售量按照实际的量来进行计算，大于100的销售量按照100来进行计算。

优选的，作为一种可实施方案；所述基于协同过滤算法获得向当前用户推荐商品的候选集合，具体包括如下操作步骤：

利用基于用户的协同过滤算法获取求得当前用户感兴趣的商品，从而确定得到第一级商品列表；

然后获取当前用户存储的宝宝月龄信息，从所述第一级商品列表中过滤删除掉不符合宝宝月龄信息的商品，得到第二级商品列表；

获取当前用户的历史浏览商品信息，从所述第二级商品列表中过滤掉所述历史浏览商品信息中当前用户已经看过的商品，得到第三级商品列表；将所述第三级商品列表中的商品作为当前用户所需的候选集合的商品；所述第三级商品列表为候选集商品列表。

优选的，作为一种可实施方案；所述基于用户的协同过滤算法获取求得当前用户感兴趣的商品，从而确定得到第一级商品列表，具体包括如下操作步骤：

获取当前用户存储的宝宝月龄信息，基于所述宝宝月龄信息以及与所述宝宝月龄信息相对应的事件信息确定与当前用户最为接近的用户B；所述事件信息包括行为异常信息和饮食喜好信息、睡眠时间信息：

以当前用户以及用户B作为参考对象，利用基于用户的协同过滤算法，求解得到当前用户感兴趣的商品。

优选的，作为一种可实施方案；所述标签匹配度评分模块对进入候选集合的商品进行评分处理操作，求解得到候选商品第一级评分，具体包括如下操作步骤：

所述标签匹配度评分模块获取候选集合的商品，确定当前商品在所述标签映射表中的知识标签级别和电商品类的级别的级别差；

同时根据标签匹配度评分模块对应的评分方法，求解得到ScoreA的数值，且所述ScoreA的数值则为候选商品第一级评分的评分数值。

优选的，作为一种可实施方案；利用点击信息和曝光信息对进入候选集合的商品进行评分处理操作，得到候选商品第二级评分，具体包括如下操作步骤：

所述点击和曝光评分模块获取候选集合的商品，同时获取当前商品的评分起始时刻，从服务器获取评分起始时刻前一周的时间周期内的周点击次数和周曝光次数，获取评分起始时刻前一个月的时间周期内的月点击次数和月曝光次数；

同时根据点击和曝光评分模块对应的评分方法，求解得到ScoreB的数值，且所述ScoreB的数值则为候选商品第二级评分的评分数值。

优选的，作为一种可实施方案；利用商品销售量和评分起始时刻以及点击信息和曝光信息对进入候选集合的商品进行评分处理操作，得到候选商品第三级评分，具体包括如下操作步骤：

所述商品销售评分模块获取候选集合的商品，同时获取当前商品的评分起始时刻，从服务器获取评分起始时刻前一周的时间周期内的周点击次数、周销售量和归一化月销售量；

同时根据商品销售评分模块对应的评分方法，求解得到ScoreC的数值，且所述ScoreC的数值则为候选商品第三级评分的评分数值。

优选的，作为一种可实施方案；求解所述候选集合中的商品的综合评分数值；所述综合评分数值=候选商品第一级评分+候选商品第二级评分+候选商品第三级评分，具体包括如下操作步骤：

汇总所述标签匹配度评分模块的候选商品第一级评分、点击和曝光评分模块的候选商品第二级评分、商品销售评分模块的候选商品第三级评分的计算结果，求和计算所述候选集合中每一件商品对应的所述综合评分数值；

所述综合评分数值：Score=ScoreA+ScoreB+ScoreC。

优选的，作为一种可实施方案；在求解所述候选集合中的商品的综合评分数值操作之后，还包括在预设时间周期后针对当前用户的所述商品的综合评分列表执行修正调整处理操作：

在预设时间周期后，获取当前用户在所述预设时间周期内通过内容点击浏览的商品以及浏览商品的有效点击时长信息，从而得到浏览商品的有效点击时长信息表；所述有效点击时长信息表按照商品浏览时长从高到低顺序排列；

所述有效点击时长信息判断以每个预设时间分段内对当前商品的点击次数大于标准阈值的点击次数，且预设时间分段连续不间断形成的总体时长信息；

同时获取所述商品的综合评分列表的整体评分有效比；其中，单个商品的所述评分有效比=当前商品的综合评分数值/有效点击时长信息中包含的商品点击次数;且参与有效比评测的商品都是有点击的商品形成有效评测商品集，且无点击的商品不参与；所述整体评分有效比为有效评测商品集中所有商品的评分有效比的平均值；

判断所述整体评分有效比与整体评分标准阈值关系，当所述整体评分有效比高于整体评分标准阈值时，则认定有效评测商品集中有商品的评分与实际感兴趣商品存在严重偏离；

当所述整体评分有效比高于整体评分标准阈值时，对高于整体评分高标准阈的有效评测商品集中的异常评分商品进行评分降权处理，具体为将此类商品的综合评分数值乘以S进行评分降权处理操作，S为小于1的常数。

另一方面，本发明还提供了育儿知识下的商品评分处理推荐装置，所述装置包括模型初始计算模块、候选集合求解模块、标签匹配度评分模块、点击和曝光评分模块、商品销售评分模块、综合评分模块，其中：

模型初始计算模块，用于预设建立知识标签体系到电商品类标签体系的映射关系生成知识与商品的标签映射表；其中，所述标签映射表包括如下四个方面的信息字段：知识标签信息、和与所述知识标签信息对应的知识标签级别、电商品类标签信息、和与所述电商品类标签信息对应的电商品类级别；所述知识标签级别用于描述对应的知识标签信息的数据层级；所述电商品类级别用于描述对应的电商品类标签信息的数据层级；

候选集合求解模块，用于根据所述知识标签体系到所述电商品类体系的映射关系，预设定义设置知识和商品双维度框架下的标签匹配度评分模块；获取当前用户的信息，同时基于协同过滤算法获得向当前用户推荐商品的候选集合；

所述标签匹配度评分模块，用于对进入候选集合的商品进行评分处理操作，求解得到候选商品第一级评分；

所述点击和曝光评分模块，用于利用点击信息和曝光信息对进入候选集合的商品进行评分处理操作，得到候选商品第二级评分；

所述商品销售评分模块，用于利用商品销售量和评分起始时刻以及点击信息和曝光信息对进入候选集合的商品进行评分处理操作，得到候选商品第三级评分；

所述综合评分模块，用于求解所述候选集合中的商品的综合评分数值；所述综合评分数值=候选商品第一级评分+候选商品第二级评分+候选商品第三级评分；对所述候选集合中的多个商品的综合评分数值进行从高到低的排序得到商品的综合评分列表，在所述商品的综合评分列表中选择顺序高位的TopN的商品推送给当前用户。

与现有技术相比本发明实施例至少存在如下方面的技术优势：

本发明实施例提供了育儿知识下的商品评分处理推荐方法，其首先预设建立知识标签体系到电商品类标签体系的映射关系生成知识与商品的标签映射表；根据知识标签体系到所述电商品类体系的映射关系，预设定义设置知识和商品双维度框架下的标签匹配度评分模块；获取当前用户的信息，同时基于协同过滤算法获得向当前用户推荐商品的候选集合；并且利用标签匹配度评分模块对进入候选集合的商品进行评分处理操作，求解得到候选商品第一级评分；同时还利用点击信息和曝光信息对进入候选集合的商品进行评分处理操作，得到候选商品第二级评分；利用商品销售量和评分起始时刻以及点击信息和曝光信息对进入候选集合的商品进行评分处理操作，得到候选商品第三级评分；

本发明实施例提供的育儿知识下的商品评分处理推荐方法，综合考虑标签匹配评分、商品销售情况评分、商品曝光评分实现了三级评分，可以精准高效的对商品进行综合评分；尤其是上述标签匹配评分，其基于标签匹配的级别距离可以判定知识和商品的关系；在构建好知识的知识标签体系和商品品类标签体系的情况下，基于知识标签的映射可以快速的形成业务的推广，适合于知识、商品的数据量比较少，用户量比较大，又有标签体系的情况下的商品评分推荐。

附图说明

图1是本发明实施例一所提供的育儿知识下的商品评分处理推荐方法的整体流程图；

图2是本发明实施例一所提供的育儿知识下的商品评分处理推荐方法z中步骤S210的具体流程图；

图3是本发明实施例一所提供的育儿知识下的商品评分处理推荐方法中步骤S220-步骤S240的具体操作流程图；

图4是本发明实施例一所提供的育儿知识下的商品评分处理推荐方法中步骤S2201-步骤S2202的具体操作流程图；

图5是本发明实施例一所提供的育儿知识下的商品评分处理推荐方法的步骤S310-步骤S320的具体流程图；

图6是本发明实施例一所提供的育儿知识下的商品评分处理推荐方法的步骤S410-步骤S420的具体流程示意图；

图7是本发明实施例一所提供的育儿知识下的商品评分处理推荐方法的步骤S510-步骤S520的具体流程示意图；

图8是本发明实施例一所提供的育儿知识下的商品评分处理推荐方法的步骤S610-步骤S620的具体流程示意图；

图9是本发明实施例二所提供的育儿知识下的商品评分处理推荐装置的结构原理示意图。

标号：育儿知识下的商品评分处理推荐装置10；模型初始计算模块11；候选集合求解模块12；标签匹配度评分模块13；点击和曝光评分模块14；商品销售评分模块15；综合评分模块16。

具体实施方式

为了更好的理解本发明的技术方案，下面结合附图对本发明实施例进行详细描述。

应当明确，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

实施例一

本发明实施例提供了一种育儿知识下的商品评分处理推荐方法，本申请是研究特定应用场景下的特定技术问题；同时采用了特定的技术方案，该特定技术方案包括但不限于通过婴幼儿场景下的三级综合评分策略处理得到一个终极分析结果，包括但不限于参考多种技术因素实现完善上述三级综合评分策略；同时本申请的技术方案适应于知识已经有了标签体系，相关的知识已经打了标签；相关的商品也已经有了标签体系，这为后续建立知识标签体系到电商品类标签体系的映射关系生成知识与商品的标签映射表提供了技术基础。

图1为本发明一实施例一提供的一种育儿知识下的商品评分处理推荐方法的流程图，如图1所示，该方法包括：

步骤S100：预设建立知识标签体系到电商品类标签体系的映射关系生成知识与商品的标签映射表；

其中，所述标签映射表包括如下四个方面的信息字段：知识标签信息、和与所述知识标签信息对应的知识标签级别、电商品类标签信息、和与所述电商品类标签信息对应的电商品类级别；所述知识标签级别用于描述对应的知识标签信息的数据层级；所述电商品类级别用于描述对应的电商品类标签信息的数据层级；

知识与商品的标签映射表如下举例说明：

知识标签	知识标签级别	电商品类标签	电商品类级别
				五谷杂粮	4	米面粥	3
食材	3	米面粥	3

本发明实施例提供的育儿知识下的商品评分处理推荐方法，其建立关联映射的时候要考虑层级匹配的问题，尽可能多的提供匹配的关联信息，方便通过协同出来后的商品进行评分。

步骤S200：根据所述知识标签体系到所述电商品类体系的映射关系，预设定义设置知识和商品双维度框架下的标签匹配度评分模块；获取当前用户的信息，同时基于协同过滤算法获得向当前用户推荐商品的候选集合；

步骤S300：所述标签匹配度评分模块对进入候选集合的商品进行评分处理操作，求解得到候选商品第一级评分；

步骤S400：利用点击信息和曝光信息对进入候选集合的商品进行评分处理操作，得到候选商品第二级评分；

步骤S500：利用商品销售量和评分起始时刻以及点击信息和曝光信息对进入候选集合的商品进行评分处理操作，得到候选商品第三级评分；

步骤S600：求解所述候选集合中的商品的综合评分数值；所述综合评分数值=候选商品第一级评分+候选商品第二级评分+候选商品第三级评分；对所述候选集合中的多个商品的综合评分数值进行从高到低的排序得到商品的综合评分列表，在所述商品的综合评分列表中选择顺序高位的TopN的商品推送给当前用户。

本发明实施例提供了一种育儿知识下的商品评分处理推荐方法，其综合了三个方面的评分处理操作：一方面为：知识和商品的匹配程度，对应的得分为标签匹配得分；另一方面：点击和曝光的情况，一定程度上反应了商品的质量，尤其是新的商品的情况，用点击次数/曝光次数的比率来进行评分；再一方面：商品的销售情况，商品相关销售属性的评分。然而本发明实施例提供的育儿知识下的商品评分处理推荐方法，不仅仅是综合考虑了上述三个方面的评分建立了一个综合的评分体系，同时每个方面评分都综合考虑了特定的因素，权衡了各个因素可能对评分结果产生的失真以及不良影响，最终形成了一个行之有效的综合评分体系。

下面对本发明实施例提供的育儿知识下的商品评分处理推荐方法的具体方案以及具体流程做一下详细说明：

如图2所示，预设定义设置知识和商品双维度框架下的标签匹配度评分模块，具体包括如下操作步骤：

步骤S210：参考知识标签和电商品类的关系设置反映商品标签匹配度的评分方法，将所述评分方法所应用的评分公式设置为所述标签匹配度评分模块的评分公式：

；

其中x设置为评分系数；x根据所述知识标签级别和所述电商品类级别的级别差来确定；设定知识标签级别为KLevel，电商品类级别为GLevel，知识标签级别和电商品类级别的级别差绝对值=|KLevel-Glevel|，即x为知识标签级别和电商品类级别这二个级别做差后的绝对值， x =|KLevel-Glevel|；

当前x系数表如下：

级别差绝对值	评分系数x
		同级	1
差1级	0.8
		差1级以上	0.5

若级别差为零级（即同级）时，x记为1；若级别差为一级（即差一级）时，x记为0.8；若级别差大于或者等于二级时，x记为0.5；

上述标签匹配度评分模块的评分公式：

关于上述评分方法所设计创造思想在于；单个标签的匹配度限制在得分100中，以100分为基础标准，选择100主要为了和ScoreB、ScoreC有区间段区分。同时如果知识标签级别和电商品类级别的级别差为0即同级，则ScoreA则可以为100分；另外，x为评分系数，如果两个标签的级别差越小，则评分系数数值就越高，因为两个标签的级别差越小则说明对应的匹配度越高，理应得到更好的分数（即候选商品第一级评分也就越高）；

相反，如果级别差越大，评分系数就越小，说明知识标签和电商品类标签这两个标签的匹配度较差，所以这种情况下评分系数较低，由此知识标签和电商品类标签组合表述的商品的候选商品第一级评分也就较低。

在定义设置标签匹配度评分模块的同时，还包括定义设置点击和曝光评分模块、定义设置所述商品销售评分模块；

定义设置所述点击和曝光评分模块，包括如下操作步骤：参考点击与曝光的关系设置反映商品曝光效率的评分方法，将所述评分方法所应用的评分公式设置为所述点击和曝光评分模块的评分公式：

, 其中α为最近一周点击次数与周曝光次数的比例，β为最近一个月点击次数与月曝光次数的比例；其中α为最近一周点击次数与周曝光次数的比例（最近一周点击次数/周曝光次数），β为最近一个月点击次数与月曝光次数的比例（最近一个月点击次数/月曝光次数）；

需要说明的是，点击和曝光评分模块的评分方式同样有相应独到设计;综合了周点击与商品曝光率，同时也综合了月点击与商品曝光率这样可以得到一个反映商品曝光与实际点击之间的评分情况；一般而言，经过大量统计研究发现点击和曝光的比率一般在：5%-15%，这个点击和曝光评分模块的评分方式中选择1000和500作为基准常数主要是考虑和ScoreA、ScoreC有较好的可比性；同时，为了突出短期时间周期内点击和曝光的比率，其α对应的基准常数应当大于β的基准常数（本实施例优选方案为其α对应的基准常数为1000，然而β的基准常数为500；上述基准常数可随机选取，一旦确定下来不再更改）。

定义设置所述商品销售评分模块，包括如下操作步骤：参考商品在不同时间周期内的销售关系设置反映商品销售量的评分方法；将所述评分方法所应用的评分公式设置为所述商品销售评分模块的评分公式：ScoreC=周销售量*1.2+周点击量*0.6+归一化月销售量*0.4，其中，当前的归一化月销售量的设置为小于100的销售量按照实际的量来进行计算，大于100的销售量按照100来进行计算。

需要说明的是，商品销售评分模块的评分方式同样有相应独到设计;因为ScoreC主要是一个反映商品热度情况评分，其主要考虑了销售量和点击量，业务发展初期周销售量和点击量都不会特别大，所以纳入本发明实施例评分系统中（同样为了强化周销售量的评分主体作用，周点击量的评分次要作用，归一化月销售量的最小评分作用，其周销售量的基准常数相对于周点击量更大，最少的归一化月销售量的基准常数，本发明实施例优选的基准常数分别为周销售量的基准常数为1.2，周点击量的基准常数为0.6，归一化月销售量的基准常数为0.4；上述基准常数一旦确定下来不再更改）。与此同时，我研发人员经过大量的研究发现，上述月销售量也反应了热销情况，但是月点击量相对于月销售量而言其可能有更大的偏差，可信度较低，因此商品销售评分模块，其只选择了月销售量的参考因素，而没有采样月点击量进行分析处理；而且针对月销售量进行了归一化处理。归一化主要针对月销售量做一个处理，防止因为时间跨度过长销售量过大，导致对应分值过大，从而导致推荐不具有多样性。另外归一化的作用主要是规范化数据使数据的描述性好，可比性好。

如图3所示，在步骤S200中，所述基于协同过滤算法获得向当前用户推荐商品的候选集合，具体包括如下操作步骤：

步骤S220：利用基于用户的协同过滤算法获取求得当前用户感兴趣的商品，从而确定得到第一级商品列表；

步骤S230：然后获取当前用户存储的宝宝月龄信息，从所述第一级商品列表中过滤删除掉不符合宝宝月龄信息的商品，得到第二级商品列表；

步骤S240：获取当前用户的历史浏览商品信息，从所述第二级商品列表中过滤掉所述历史浏览商品信息中当前用户已经看过的商品，得到第三级商品列表；将所述第三级商品列表中的商品作为当前用户所需的候选集合的商品。

需要说明的是，在本申请的具体技术方案中，首先，基于全部用户行为形成所有用户对商品的兴趣，然后，当前登录的用户根据协同过滤，获得可以推荐的商品列表。比如：当前用户A历史感兴趣的商品为item1,item2，item5，用户B历史行为为item1，item2,item3,item4，item6 假定当前用户中没有比用户B更和用户A相似的用户了，那么用户A可推出的商品列表为: item1，item2,item3,item4,item6。协同过滤采用传统的基于用户的协同过滤算法即可，不是本发明的要点。用户通过协同过滤获得自己感兴趣的商品后，根据当前用户对应宝宝的月龄，过滤掉不符合月龄信息的商品，然后，再过滤到已经看到的商品，最终形成当前用户可推荐的商品候选集（即当前用户A已经看过item1,item2,那么当前可以推出的商品为item3,item4,item6）。

如图4所示，在步骤S220中，所述基于用户的协同过滤算法获取求得当前用户感兴趣的商品，从而确定得到第一级商品列表，具体包括如下操作步骤：

步骤S2201：获取当前用户存储的宝宝月龄信息，基于所述宝宝月龄信息以及与所述宝宝月龄信息相对应的事件信息确定与当前用户最为接近的用户B；所述事件信息包括行为异常信息和饮食喜好信息、睡眠时间信息：

步骤S2202：以当前用户以及用户B作为参考对象，利用基于用户的协同过滤算法，求解得到当前用户感兴趣的商品。

需要特殊说明的是，在上述应用过程中，需要首先获取当前用户（可以理解为用户A）存储的宝宝月龄信息，然后基于所述宝宝月龄信息以及与所述宝宝月龄信息相对应的事件信息确定与当前用户最为接近的用户B;本发明实施例采用基于机器学习的方法确定与用户A最为接近的用户B，同时本发明实施例创造性不仅考虑了两者的月龄信息，同时也参考了对应的事件信息（包括：行为异常信息和饮食喜好信息、睡眠时间信息），显然这也是本发明实施例结合母婴场景下的重要技术创新之一；因为事件信息的分析时结合了婴幼儿特定领域参考的信息，通过参考事件信息可以更为精准，且全面的得到与用户A更为接近更为相似的用户B了（研究发现婴幼儿特定领域，其影响用户较为重要事件就是婴儿的睡眠，婴儿的饮食喜好等活动状态信息，同时还有行为状态信息，例如行为异常等；然而本发明实施例则充分考虑了宝宝的月龄信息，同时结合了婴幼儿特定领域具有较好参考价值的事件信息全面了解得到与用户A更为接近更为相似的用户B）；通过上述步骤S2201-步骤S2202的运算可以实现精准，高效过滤获得得到当前用户的相似参考对象，即用户B；通过用户A感兴趣商品与用户B感兴趣商品实施基于用户的协同过滤算法，求解得到当前用户（即用户A）感兴趣的商品（即再通过上述步骤S230-步骤S240执行，最终形成当前用户可推荐的商品候选集）。

如图5所示，在步骤S300中，所述标签匹配度评分模块对进入候选集合的商品进行评分处理操作，求解得到候选商品第一级评分，具体包括如下操作步骤：

步骤S310：所述标签匹配度评分模块获取候选集合的商品，确定当前商品在所述标签映射表中的知识标签级别和电商品类的级别的级别差；

步骤S320：同时根据标签匹配度评分模块对应的评分方法，求解得到ScoreA的数值，且所述ScoreA的数值则为候选商品第一级评分的评分数值。

如图6所示，在步骤S400中，利用点击信息和曝光信息对进入候选集合的商品进行评分处理操作，得到候选商品第二级评分，具体包括如下操作步骤：

步骤S410：点击和曝光评分模块获取候选集合的商品，同时获取当前商品的评分起始时刻，从服务器获取评分起始时刻前一周的时间周期内的周点击次数和周曝光次数，获取评分起始时刻前一个月的时间周期内的月点击次数和月曝光次数；

步骤S420：同时根据点击和曝光评分模块对应的评分方法，求解得到ScoreB的数值。

需要说明的是，在本发明实施例的具体技术方案中，当前商品曝光的得分重复考虑了最近一周和最近一个月的商品点击的效率。同时，确定当前商品的评分起始时刻也是本发明实施例的技术创新之一；经过我研院人员发现，确定商品评分的评分起始时刻就是实时当前用户的访问时刻（即与获得向当前用户推荐商品的候选集合的时刻是同步）。因此进行ScoreB的数值求解时，需要不断更新当前的评分起始时刻；这样以当前的评分起始时刻为基准，获取评分起始时刻前一周的时间周期内的周点击次数和周曝光次数，获取评分起始时刻前一个月的时间周期内的月点击次数和月曝光次数才能更准确实施候选商品第二级评分；该评分体系综合考了评分起始时刻、周点击次数和周曝光次数以及前一个月的时间周期内的月点击次数和月曝光次数等关键因素，权衡了各个因素可能对评分结果产生积极影响，最终形成了一个有效的ScoreB评分体系。。

如图7所示，在步骤S500中，利用商品销售量和评分起始时刻以及点击信息和曝光信息对进入候选集合的商品进行评分处理操作，得到候选商品第三级评分，具体包括如下操作步骤：

步骤S510：所述商品销售评分模块获取候选集合的商品，同时获取当前商品的评分起始时刻，从服务器获取评分起始时刻前一周的时间周期内的周点击次数、周销售量和归一化月销售量；

步骤S520：同时根据商品销售评分模块对应的评分方法，求解得到ScoreC的数值。

需要说明的是，在本发明实施例的具体技术方案中，其中商品的销售量方面的评分，即候选商品第三级评分，同时参考了商品销售量和评分起始时刻以及点击信息和曝光信息等等；在进行候选商品第三级评分时，先要获取候选集合的商品，确定评分起始时刻、推算获取评分起始时刻前一周的时间周期内的周点击次数、周销售量和归一化月销售量等信息；最终根据以上信息求解计算ScoreC的数值，该评分体系综合考了起始时刻的重要性，同时综合考虑了周点击次数、周销售量以及归一化月销售量等关键因素，权衡了各个因素可能对评分结果产生积极影响，摒弃了不良因素影响（即月点击量相对于月销售量而言其可能有更大的偏差，可信度较低，因此商品销售评分模块，其只选择了月销售量的参考因素，而没有采样月点击量进行分析处理），最终形成了一个有效的ScoreC评分体系。

如图8所示，在所述步骤S600中，求解所述候选集合中的商品的综合评分数值；所述综合评分数值=候选商品第一级评分+候选商品第二级评分+候选商品第三级评分，具体包括如下操作步骤：

步骤S610：汇总所述标签匹配度评分模块的候选商品第一级评分、点击和曝光评分模块的候选商品第二级评分、商品销售评分模块的候选商品第三级评分的计算结果，求和计算所述综合评分数值；

步骤S620：所述综合评分数值：Score=ScoreA+ScoreB+ScoreC。

优选的，作为一种可实施方案；所述归一化月销售量获取包括如下操作步骤：

分析商品销售量预设时间周期内的热销商品，同时获取当前热销商品的月销售，针对所述热销商品实施月销量归一化处理，用以防止月销量评分过高导致出现销售量得分过高现象。上述归一化月销售量其实际上是对月销量的进一步加工处理可得到更加规范化数据，规范化数据使数据的描述性好，可比性好。

本发明实施例使用综合评分方式对商品推荐分数进行信息处理和排列推荐，综合考虑标签匹配评分、商品销售情况评分、商品曝光评分，这种评分方式相比较传统方式更好收集；即商品销售情况评分和商品曝光评分都和用户行为没关系，更好收集；尤其是上述标签匹配评分，其基于标签匹配的级别距离可以判定知识和商品的关系；在构建好知识的知识标签体系和商品品类标签体系的情况下，基于知识标签的映射可以快速的形成业务的推广，适合于知识、商品的数据量比较少，用户量比较大，又有标签体系的情况下的商品评分推荐。

传统场景化的搭建需要回收的数据包括场景化的埋点信息、用户的信息、知识的信息、商品的信息、在各个版本中的场景（针对各个版本需要收集这些数据针对商品的操作，相关数据复杂度高）。

本发明实施例应用的育儿知识下的商品评分处理推荐方法，其商品上的标签信息和知识上的标签相关来说成熟，采用规则化的方法不需要收集效果数据；

然而采用传统的方法需要在app端埋点，而且各个不同版本的埋点很难保持一致，而且在用户量大的情况下，需要进行很大的数据训练量；目前该系统(即实施例二的育儿知识下的商品评分处理推荐装置系统）的用户在不到2千万用户，知识在万级,暂定2万，商品在万级，暂定1万，一段时间内每个用户平均查看10条知识，平均每个知识上有3个标签，那么对应的数据量是：6万万亿的数据记录，那么训练这么大的数据，需要很大的计算量，在业务发展的初期，因为知识和商品的数量相对来说较少，基于标签的关联可以快速提供业务能力，不需要特别大的计算来形成一条知识和哪些商品发生关联；因此说，本发明实施例可以克服上述问题，本发明实施例预设建立知识标签体系到电商品类标签体系的映射关系生成知识与商品的标签映射表，并且结合多方面的参考评分因素快速的搭建起一个行之有效的场景化的育儿知识下的电商商品推荐策略，在后续应用时快速有效的实施评分计算，避免了传统评分方式需要采样大量数据的问题，而且这种评分方式较为全面（标签匹配度、特定的点击曝光角度，特定的商品销量角度进行分析），客观（参考了实际点击信息，销量信息），精简（部分数据归一化处理），准确(用户协同数据处理设计)地评估了商品的可推荐价值。

优选的，作为一种可实施方案；在步骤S600之后，还包括在预设时间周期后针对当前用户的所述商品的综合评分列表执行修正调整处理操作（上述操作可以根据情况进行选择使用）：

步骤S710：在预设时间周期后，获取当前用户在所述预设时间周期内通过内容点击浏览的商品以及浏览商品的有效点击时长信息，从而得到浏览商品的有效点击时长信息表；所述有效点击时长信息表按照商品浏览时长从高到低顺序排列；

所述有效点击时长信息判断以每个预设时间分段内对当前商品的点击次数大于标准阈值的点击次数，且预设时间分段连续不间断形成的总体时长信息；

步骤S720：同时获取所述商品的综合评分列表的整体评分有效比；其中，单个商品的所述评分有效比=当前商品的综合评分数值/有效点击时长信息中包含的商品点击次数，上述评分有效比代表了评分和点击有一定的相关性，参与有效比评测的商品都是有点击的商品，简称有效评测商品集，然而无点击的商品不参与（一般指新上架商品）。一个合理的有效的评分应该是和用户的点击呈一定的非线性的正相关性，这个是评分的基础;所述整体评分有效比为有效评测商品集所有商品有效比的平均值；

步骤S730：判断所述整体评分有效比与整体评分标准阈值关系，当所述整体评分有效比高于整体评分标准阈值时(整体评分标准阈值是一个范围)，则认定有效评测商品集中有商品的评分与实际感兴趣商品存在严重偏离。

步骤740: 当所述整体评分有效比高于整体评分标准阈值时，对高于整体评分高标准阈的有效评测商品集中的异常评分商品进行评分降权处理，具体为将此类商品的综合评分数值乘以S进行评分降权处理操作，S为小于1的常数。

当所述整体评分有效比高于整体评分标准阈值时，对高于整体评分标准阈值的有效评测商品集中的异常评分商品进行评分降权，将此类商品的综合评分数值乘以S进行评分降权处理操作，S为小于1的常数；举例说明，在其中一种典型的场景中，新商品上架，恰好曝光N次，点击N次，N<10，点击/曝光=1，在这种情况下ScoreB的得分会奇高（高的比较失真），综合评分数值Score得分也会偏高，此时整体评分有效比也会相对较高，这样就可以通过对整体评分有效比检验出来，对于高于整体评分标准阈值的有效评测商品集中的异常评分商品进行评分降权，整体弱化综合评分数值即Score评分数值。

需要说明特殊强调的是，评分有效比是一个较为实用的参数，一般来说评分有效比=评分(Score)/商品点击率，评分有效比一个点击率高的商品应该有更好的评分，如果评分有效比不在一个合理的范围区间，那么反应了评分有失真。然而为了进一步保障精度，减少数据运算量，本发明实施例将有效点击时长信息中包含的商品点击次数作为商品点击率进行后续计算，对“商品点击率”实现了更高的要求，更精确的运算处理；此时，单个商品的所述评分有效比=当前商品的综合评分数值/有效点击时长信息中包含的商品点击次数；面对整个候选集合还会设计有一个整体评分有效比，即候选集合中所有商品的评分有效比的平均值，以此来评判候选集合商品的得分真实性。

下面通过上述育儿知识下的商品评分处理推荐方法结合某个具体案例进行说明：

步骤一：应用上述评分公式：

进行运算处理；假设当前知识上K1的知识标签为：五谷杂粮，休闲零食，对应的商品Item4上的分类为：营养辅食-贸易和水果蔬菜（即当前知识匹配的是上述标签映射表中的黑色加粗字体部分）。因此，查表可知五谷杂粮的级别为4，对应的电商商品的级别为2，级别差为2，x对应的系数为0.5；休闲零食对应的级别为2，对应电商商品的分类为3级，级别差为1，x对应的系数为0.8，那么最终的得分为：

ScoreA=100*0.8+100*0.5=130（即候选商品第一级评分的得分）；

步骤二: 针对推荐的商品进行曝光率的效率评分，假设：item4的：周曝光量为100，周销售量为10，月曝光量为1000，月销售量为50，那么:

ScoreB=1000*α+500*β=1000*(10/100)+500*(50/1000)=125（即候选商品第二级评分的得分）；

步骤三: 针对推出的商品进行商品的评分，假设：item4的周销售量为10，周点击量为50，月销售量为50，那么最终商品销售的评分为:ScoreC=周销售量*1.2+周点击量*0.6+归一化月销售量*0.4=10*1.2+50*0.6+50*0.4=64（即候选商品第三级评分的得分）；

步骤四:经过上述操作步骤可以得到当前Item4的综合评分数值为：Score=ScoreA+ScoreB+ScoreC=130+125+64=319。对候选集合中的多个商品的综合评分数值进行从高到低的排序得到商品的综合评分列表，在商品的综合评分列表中选择顺序高位的TopN的商品推送给当前用户；即根据推出的商品按照评分进行排序，比如当前推出的:item4和item6，假设：商品item4的分数为319，商品item6的分数为200，此时如果推出是top1的话（此时TopN中的N=1），那么返回对应item4的这个商品（即推荐得分分数较高的商品；对于本实施例中可能存在的综合评分数值的修正处理，本实施例就不再赘述举例了。

如图9所示，基于同样的构思以及设计；本发明实施例二还提供了一种育儿知识下的商品评分处理推荐装置，其采用了上述实施例一中育儿知识下的商品评分处理推荐方法进行了信息处理；其中，所述育儿知识下的商品评分处理推荐装置10包括模型初始计算模块11、候选集合求解模块12、标签匹配度评分模块13、点击和曝光评分模块14、商品销售评分模块15、综合评分模块16，其中：

模型初始计算模块11，用于预设建立知识标签体系到电商品类标签体系的映射关系生成知识与商品的标签映射表；其中，所述标签映射表包括如下四个方面的信息字段：知识标签信息、和与所述知识标签信息对应的知识标签级别、电商品类标签信息、和与所述电商品类标签信息对应的电商品类级别；所述知识标签级别用于描述对应的知识标签信息的数据层级；所述电商品类级别用于描述对应的电商品类标签信息的数据层级；

候选集合求解模块12，用于根据所述知识标签体系到所述电商品类体系的映射关系，预设定义设置知识和商品双维度框架下的标签匹配度评分模块；获取当前用户的信息，同时基于协同过滤算法获得向当前用户推荐商品的候选集合；

所述标签匹配度评分模块13，用于对进入候选集合的商品进行评分处理操作，求解得到候选商品第一级评分；

所述点击和曝光评分模块14，用于利用点击信息和曝光信息对进入候选集合的商品进行评分处理操作，得到候选商品第二级评分；

所述商品销售评分模块15，用于利用商品销售量和评分起始时刻以及点击信息和曝光信息对进入候选集合的商品进行评分处理操作，得到候选商品第三级评分；

所述综合评分模块16，用于求解所述候选集合中的商品的综合评分数值；所述综合评分数值=候选商品第一级评分+候选商品第二级评分+候选商品第三级评分；对所述候选集合中的多个商品的综合评分数值进行从高到低的排序得到商品的综合评分列表，在所述商品的综合评分列表中选择顺序高位的TopN的商品推送给当前用户。

实施例三

相应地，本发明实施例三还提供了一种计算机存储介质，所述包括存储的程序，其中，在所述程序运行时控制所述所在设备执行上述育儿知识下的商品评分处理推荐方法。其中，在程序运行时控制存储介质所在设备执行上述育儿知识下的商品评分处理推荐方法的实施例的各步骤，具体描述可参见上述育儿知识下的商品评分处理推荐方法的实施例。

上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干指令用以使得一台计算机装置（可以是个人计算机，服务器，或者网络装置等）或处理器（Processor）执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（Read-Only Memory，ROM）、随机存取存储器（Random Access Memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。

Claims (5)

1.一种育儿知识下的商品评分处理推荐方法，其特征在于，包括：

预设建立知识标签体系到电商品类标签体系的映射关系生成知识与商品的标签映射表；

其中，所述标签映射表包括如下四个方面的信息字段：知识标签信息、和与所述知识标签信息对应的知识标签级别、电商品类标签信息、和与所述电商品类标签信息对应的电商品类级别；所述知识标签级别用于描述对应的知识标签信息的数据层级；所述电商品类级别用于描述对应的电商品类标签信息的数据层级；

根据所述知识标签体系到所述电商品类标签体系的映射关系，预设定义设置知识和商品双维度框架下的标签匹配度评分模块；获取当前用户的信息，同时基于协同过滤算法获得向当前用户推荐商品的候选集合；

所述标签匹配度评分模块对进入候选集合的商品进行评分处理操作，求解得到候选商品第一级评分；

利用点击信息和曝光信息对进入候选集合的商品进行评分处理操作，得到候选商品第二级评分；

利用商品销售量和评分起始时刻以及点击信息和曝光信息对进入候选集合的商品进行评分处理操作，得到候选商品第三级评分；

求解所述候选集合中的商品的综合评分数值；所述综合评分数值＝候选商品第一级评分+候选商品第二级评分+候选商品第三级评分；对所述候选集合中的多个商品的综合评分数值进行从高到低的排序得到商品的综合评分列表，在所述商品的综合评分列表中选择顺序高位的TopN的商品推送给当前用户；

预设定义设置知识和商品双维度框架下的标签匹配度评分模块，具体包括如下操作步骤：

参考知识标签和电商品类的关系设置反映商品标签匹配度的评分方法，将所述评分方法所应用的评分公式设置为所述标签匹配度评分模块的评分公式：SocreA＝∑100*x；

其中，x设置为评分系数；x根据所述知识标签级别和所述电商品类级别的级别差来确定；设定所述知识标签级别为KLevel，所述电商品类级别为GLevel，所述知识标签级别和所述电商品类级别的级别差绝对值＝|KLevel-Glevel|；若级别差绝对值为0则x记为1；若级别差绝对值为1则x记为0.8；若级别差绝对值大于等于2则x记为0.5；

在定义设置标签匹配度评分模块的同时，还包括定义设置点击和曝光评分模块、定义设置所述商品销售评分模块；

定义设置所述点击和曝光评分模块，包括如下操作步骤：参考点击与曝光的关系设置反映商品曝光效率的评分方法，将所述评分方法所应用的评分公式设置为所述点击和曝光评分模块的评分公式：ScoreB＝1000*α+500*β,其中α为最近一周点击次数与周曝光次数的比例，β为最近一个月点击次数与月曝光次数的比例；

定义设置所述商品销售评分模块，包括如下操作步骤：参考商品在不同时间周期内的销售关系设置反映商品销售量的评分方法；将所述评分方法所应用的评分公式设置为所述商品销售评分模块的评分公式：ScoreC＝周销售量*1.2+周点击量*0.6+归一化月销售量*0.4，其中，当前的归一化月销售量的设置为小于100的销售量按照实际的量来进行计算，大于100的销售量按照100来进行计算；

所述标签匹配度评分模块对进入候选集合的商品进行评分处理操作，求解得到候选商品第一级评分，具体包括如下操作步骤：

所述标签匹配度评分模块获取候选集合的商品，确定当前商品在所述标签映射表中的知识标签级别和电商品类的级别的级别差；

同时根据标签匹配度评分模块对应的评分方法，求解得到ScoreA的数值，且所述ScoreA的数值则为候选商品第一级评分的评分数值；

利用点击信息和曝光信息对进入候选集合的商品进行评分处理操作，得到候选商品第二级评分，具体包括如下操作步骤：

所述点击和曝光评分模块获取候选集合的商品，同时获取当前商品的评分起始时刻，从服务器获取评分起始时刻前一周的时间周期内的周点击次数和周曝光次数，获取评分起始时刻前一个月的时间周期内的月点击次数和月曝光次数；

同时根据点击和曝光评分模块对应的评分方法，求解得到ScoreB的数值，且所述ScoreB的数值则为候选商品第二级评分的评分数值；

利用商品销售量和评分起始时刻以及点击信息和曝光信息对进入候选集合的商品进行评分处理操作，得到候选商品第三级评分，具体包括如下操作步骤：

所述商品销售评分模块获取候选集合的商品，同时获取当前商品的评分起始时刻，从服务器获取评分起始时刻前一周的时间周期内的周点击次数、周销售量和归一化月销售量；

同时根据商品销售评分模块对应的评分方法，求解得到ScoreC的数值，且所述ScoreC的数值则为候选商品第三级评分的评分数值；

求解所述候选集合中的商品的综合评分数值；所述综合评分数值＝候选商品第一级评分+候选商品第二级评分+候选商品第三级评分，具体包括如下操作步骤：

汇总所述标签匹配度评分模块的候选商品第一级评分、点击和曝光评分模块的候选商品第二级评分、商品销售评分模块的候选商品第三级评分的计算结果，求和计算所述候选集合中每一件商品对应的所述综合评分数值；

所述综合评分数值：Score＝ScoreA+ScoreB+ScoreC。

2.根据权利要求1所述的育儿知识下的商品评分处理推荐方法，其特征在于，所述基于协同过滤算法获得向当前用户推荐商品的候选集合，具体包括如下操作步骤：

利用基于用户的协同过滤算法获取求得当前用户感兴趣的商品，从而确定得到第一级商品列表；

然后获取当前用户存储的宝宝月龄信息，从所述第一级商品列表中过滤删除掉不符合宝宝月龄信息的商品，得到第二级商品列表；

获取当前用户的历史浏览商品信息，从所述第二级商品列表中过滤掉所述历史浏览商品信息中当前用户已经看过的商品，得到第三级商品列表；将所述第三级商品列表中的商品作为当前用户所需的候选集合的商品；所述第三级商品列表为候选集商品列表。

3.根据权利要求2所述的育儿知识下的商品评分处理推荐方法，其特征在于，所述基于用户的协同过滤算法获取求得当前用户感兴趣的商品，从而确定得到第一级商品列表，具体包括如下操作步骤：

获取当前用户存储的宝宝月龄信息，基于所述宝宝月龄信息以及与所述宝宝月龄信息相对应的事件信息确定与当前用户最为接近的用户B；所述事件信息包括行为异常信息和饮食喜好信息、睡眠时间信息：

以当前用户以及用户B作为参考对象，利用基于用户的协同过滤算法，求解得到当前用户感兴趣的商品。

4.根据权利要求1所述的育儿知识下的商品评分处理推荐方法，其特征在于，在求解所述候选集合中的商品的综合评分数值操作之后，还包括在预设时间周期后针对当前用户的所述商品的综合评分列表执行修正调整处理操作：

在预设时间周期后，获取当前用户在所述预设时间周期内通过内容点击浏览的商品以及浏览商品的有效点击时长信息，从而得到浏览商品的有效点击时长信息表；所述有效点击时长信息表按照商品浏览时长从高到低顺序排列；

所述有效点击时长信息判断以每个预设时间分段内对当前商品的点击次数大于标准阈值的点击次数，且预设时间分段连续不间断形成的总体时长信息；

同时获取所述商品的综合评分列表的整体评分有效比；其中，单个商品的所述评分有效比＝当前商品的综合评分数值/有效点击时长信息中包含的商品点击次数；且参与有效比评测的商品都是有点击的商品形成有效评测商品集，且无点击的商品不参与；所述整体评分有效比为有效评测商品集中所有商品的评分有效比的平均值；

判断所述整体评分有效比与整体评分标准阈值关系，当所述整体评分有效比高于整体评分标准阈值时，则认定有效评测商品集中有商品的评分与实际感兴趣商品存在严重偏离；

当所述整体评分有效比高于整体评分标准阈值时，对高于整体评分高标准阈的有效评测商品集中的异常评分商品进行评分降权处理，具体为将此类商品的综合评分数值乘以S进行评分降权处理操作，S为小于1的常数。

5.一种育儿知识下的商品评分处理推荐装置，其特征在于，所述装置包括模型初始计算模块、候选集合求解模块、标签匹配度评分模块、点击和曝光评分模块、商品销售评分模块、综合评分模块，其中：

模型初始计算模块，用于预设建立知识标签体系到电商品类标签体系的映射关系生成知识与商品的标签映射表；其中，所述标签映射表包括如下四个方面的信息字段：知识标签信息、和与所述知识标签信息对应的知识标签级别、电商品类标签信息、和与所述电商品类标签信息对应的电商品类级别；所述知识标签级别用于描述对应的知识标签信息的数据层级；所述电商品类级别用于描述对应的电商品类标签信息的数据层级；

候选集合求解模块，用于根据所述知识标签体系到所述电商品类标签体系的映射关系，预设定义设置知识和商品双维度框架下的标签匹配度评分模块；获取当前用户的信息，同时基于协同过滤算法获得向当前用户推荐商品的候选集合；

所述标签匹配度评分模块，用于对进入候选集合的商品进行评分处理操作，求解得到候选商品第一级评分；

所述点击和曝光评分模块，用于利用点击信息和曝光信息对进入候选集合的商品进行评分处理操作，得到候选商品第二级评分；

所述商品销售评分模块，用于利用商品销售量和评分起始时刻以及点击信息和曝光信息对进入候选集合的商品进行评分处理操作，得到候选商品第三级评分；

所述综合评分模块，用于求解所述候选集合中的商品的综合评分数值；所述综合评分数值＝候选商品第一级评分+候选商品第二级评分+候选商品第三级评分；对所述候选集合中的多个商品的综合评分数值进行从高到低的排序得到商品的综合评分列表，在所述商品的综合评分列表中选择顺序高位的TopN的商品推送给当前用户；

预设定义设置知识和商品双维度框架下的标签匹配度评分模块，具体包括如下操作步骤：

参考知识标签和电商品类的关系设置反映商品标签匹配度的评分方法，将所述评分方法所应用的评分公式设置为所述标签匹配度评分模块的评分公式：SocreA＝∑100*x；

其中，x设置为评分系数；x根据所述知识标签级别和所述电商品类级别的级别差来确定；设定所述知识标签级别为KLevel，所述电商品类级别为GLevel，所述知识标签级别和所述电商品类级别的级别差绝对值＝|KLevel-Glevel|；若级别差绝对值为0则x记为1；若级别差绝对值为1则x记为0.8；若级别差绝对值大于等于2则x记为0.5；

在定义设置标签匹配度评分模块的同时，还包括定义设置点击和曝光评分模块、定义设置所述商品销售评分模块；

定义设置所述点击和曝光评分模块，包括如下操作步骤：参考点击与曝光的关系设置反映商品曝光效率的评分方法，将所述评分方法所应用的评分公式设置为所述点击和曝光评分模块的评分公式：ScoreB＝1000*α+500*β,其中α为最近一周点击次数与周曝光次数的比例，β为最近一个月点击次数与月曝光次数的比例；

定义设置所述商品销售评分模块，包括如下操作步骤：参考商品在不同时间周期内的销售关系设置反映商品销售量的评分方法；将所述评分方法所应用的评分公式设置为所述商品销售评分模块的评分公式：ScoreC＝周销售量*1.2+周点击量*0.6+归一化月销售量*0.4，其中，当前的归一化月销售量的设置为小于100的销售量按照实际的量来进行计算，大于100的销售量按照100来进行计算；

所述标签匹配度评分模块对进入候选集合的商品进行评分处理操作，求解得到候选商品第一级评分，具体包括如下操作步骤：

所述标签匹配度评分模块获取候选集合的商品，确定当前商品在所述标签映射表中的知识标签级别和电商品类的级别的级别差；

同时根据标签匹配度评分模块对应的评分方法，求解得到ScoreA的数值，且所述ScoreA的数值则为候选商品第一级评分的评分数值；

利用点击信息和曝光信息对进入候选集合的商品进行评分处理操作，得到候选商品第二级评分，具体包括如下操作步骤：

所述点击和曝光评分模块获取候选集合的商品，同时获取当前商品的评分起始时刻，从服务器获取评分起始时刻前一周的时间周期内的周点击次数和周曝光次数，获取评分起始时刻前一个月的时间周期内的月点击次数和月曝光次数；

同时根据点击和曝光评分模块对应的评分方法，求解得到ScoreB的数值，且所述ScoreB的数值则为候选商品第二级评分的评分数值；

利用商品销售量和评分起始时刻以及点击信息和曝光信息对进入候选集合的商品进行评分处理操作，得到候选商品第三级评分，具体包括如下操作步骤：

所述商品销售评分模块获取候选集合的商品，同时获取当前商品的评分起始时刻，从服务器获取评分起始时刻前一周的时间周期内的周点击次数、周销售量和归一化月销售量；

同时根据商品销售评分模块对应的评分方法，求解得到ScoreC的数值，且所述ScoreC的数值则为候选商品第三级评分的评分数值；

求解所述候选集合中的商品的综合评分数值；所述综合评分数值＝候选商品第一级评分+候选商品第二级评分+候选商品第三级评分，具体包括如下操作步骤：

汇总所述标签匹配度评分模块的候选商品第一级评分、点击和曝光评分模块的候选商品第二级评分、商品销售评分模块的候选商品第三级评分的计算结果，求和计算所述候选集合中每一件商品对应的所述综合评分数值；

所述综合评分数值：Score＝ScoreA+ScoreB+ScoreC。

Images