CN112396488A - 产品变体的预测性选择 - Google Patents

Abstract

本发明涉及产品变体的预测性选择。所公开的技术包括接收物品的选择，其中该物品具有多个可选择配置。访问与该物品相关联的特征数据。该特征数据包括该物品的针对多个可选择配置的产品信息和购买历史。基于该特征数据，可选择配置中的一个或更多个可选择配置被预测为与选择相关联的用户感兴趣。呈现包括利用特征数据预测的配置的用户界面。

Description

产品变体的预测性选择

技术领域

本发明涉及产品变体的预测性选择。

背景技术

产品或服务通常由库存保有单位(SKU)标识符标识。SKU可以与出售或者出于库存目的而被跟踪的任何物品相关联。SKU可以唯一地标识具有与物品相关联的特定属性的物品，这些特定属性使该物品区别于其他物品。这样的属性可以包括制造商、描述、材料、尺寸和颜色。

在用户界面例如在web浏览器上呈现的产品网站上展现的许多物品或经由应用呈现的产品能够以多于一种配置获得。这样的物品可以被称为具有必须由用户选择的多个可选择变体的多SKU(MSKU)物品。例如，网页上显示的产品可能要求用户使用下拉菜单选择多个配置选项。用户必须选择这些值(例如颜色、尺寸、型号)以便购买该物品。用户还必须选择每个变体以便显示针对特定变体的价格及其可获得性。

本公开内容是针对这些和其他技术考虑而提出的。

发明内容

如上所述，浏览可配置选择所需的努力和延迟可能具有许多不利影响。例如，为了查看物品价格而要求从许多选择中进行选择可能导致用户失去购买物品的兴趣。另外，提供太多选择可能会使一些用户不知所措并且阻止用户完成购买。从资源的角度来看，处理许多特征组合可能会不必要地消耗计算、存储及网络资源。本公开内容为用户提供了一种自动选择最可能的变体并将所选择的变体展现给用户的方式。可以基于多种因素来预测变体，并且可以进一步选择变体以对一个或更多个目标进行优化。例如，可以选择被预测为使用户将选择所选中变体之一进行购买的可能性最大化的变体。在一些实施方式中，因素可以包括特定于特定用户的个性化因素。

在一些实施方式中，可以使用机器学习模型来确定一组个性化的推荐产品变体。在一个示例中，机器学习模型可以基于以下特征：例如销售百分比(特定变体是否具有可以产生兴趣的高销售率)、折扣百分比(特定变体是否与可以产生用户兴趣的较高折扣相关联)、点击次数(特定变体是否获得了其他用户的较高点击次数)以及过去的用户行为(基于先前点击、添加至购物车动作、过去购买，用户是否将对一组特定变体感兴趣)。机器学习模型可以被配置成预测可能感兴趣的变体。在一些实施方式中，可以基于呈现产品信息的设备的当前显示能力来确定推荐变体的数量。在一些实施方式中，可以利用强化学习来实施反馈和奖励以强化期望目标。

所公开的技术通过智能地选择一组可能的变体并简化用户界面从而在给定购买过程中向用户提供更多可以增加他们的兴趣水平以及参与度的相关信息，来解决上面提出的技术问题以及潜在的其他技术问题。所公开的技术还使得能够减少不必要的用户选择的量，从而减少计算资源(例如，维护配置的所有组合所需的存储器量或处理器周期数)和网络带宽(因为众多用户请求可能需要使用网络)的浪费。本文未具体提及的其他技术益处也可以通过所公开技术的实施来实现。

应当理解，以上描述的且以下进一步详细描述的主题可以被实现为计算机控制的装置、计算机实现的方法、计算设备、或者被实现为诸如计算机可读存储介质的制品。通过阅读下面的具体实施方式并查看相关附图，这些特征和各种其他特征将是明显的。

提供本发明内容是为了以简化形式介绍将在下面的具体实施方式中进一步描述的构思选择。本发明内容不旨在标识所要求保护的主题的关键特征或必要特征，也不旨在将本发明内容用于限制所要求保护的主题的范围。此外，所要求保护的主题不限于解决在本公开内容的任何部分中提到的任何或所有缺点的实现方式。

附图说明

参照附图描述具体实施方式。在附图中，附图标记的最左边的数字标识该附图标记首次出现在其中的附图。不同附图中的相同附图标记指示相似或相同的项。

图1是示出本文所公开的一个实施方式的系统图；

图2是示出根据本文所公开的一个实施方式的示例系统的各方面的图；

图3是示出根据本文所公开的一个实施方式的示例用户界面的图；

图4是示出如本文所公开的示例系统的框图；

图5是示出根据本文所公开的一个实施方式的说明性例程的各方面的流程图；

图6是示出根据本文所公开的一个实施方式的说明性例程的各方面的流程图；

图7是示出针对能够执行本文所描述的软件部件的计算机的示例计算机架构的各方面的计算机架构图。

图8是示出计算机环境的说明性示例的数据架构图。

具体实施方式

在各种实施方式中，以下具体实施方式提出了用于基于机器学习模型针对给定用户在产品页面上生成产品变体的个性化推荐和选择的技术。应当理解，尽管本文所公开的技术主要是在在线系统的背景下描述的，但是本文所描述的技术也可以用于在其他背景下生成变体的推荐和选择，这对于本领域技术人员而言将是明显的。

可用于在线购买的许多物品是具有一个或更多个可选择变体的多SKU(MSKU)物品。在一些示例中，可以经由下拉菜单或单选按钮来选择变体。通常，要求用户选择可用选项以确定是否还有库存以及价格将是多少，这些都是为了继续购买物品所需的。因此，所公开的实施方式可以通过提供个性化的最佳期望变体来改善用户体验同时促进物品的购买。在一些实施方式中，可以利用相应的指示符信号例如销售百分比或折扣百分比来呈现变体。基于物品信息和过去的用户行为，可以实现机器学习模型，该机器学习模型被配置成预测和展现用户最可能感兴趣的变体。在一些实施方式中，可以实施强化学习技术以基于所观察的数据来奖励学习过程。

在一个实施方式中，机器学习模型可以基于以下特征中的一个或更多个：

变体销售

该特性可以与已售出的特定变体的物品数量相关联，这通常可以指示用户的感兴趣水平。在一些情况下，可以通过指定时间段内售出的物品的数量或者特定区域或人口统计类别内售出的物品的数量对售出的物品的数量进行进一步划分。售出的物品的数量高可以指示用户可能更喜欢该变体的一般可能性。

变体折扣

该特性可以与特定变体是否具有可能在某些用户中产生兴趣的相关折扣相关联。在一些情况下，与其他变体相比，特定变体可能与较高折扣相关联。与给定变体相关联的高折扣可以指示用户可能更喜欢该变体的较高可能性。

变体点击

该特性可以与鼠标点击的次数或特定变体已经看到其他用户感兴趣的程度的其他指示相关联。在一些情况下，可以通过指定时间段内的点击次数或者特定区域或人口统计类别内的点击次数对点击次数进行进一步划分。高点击次数可以指示用户可能更喜欢该变体的一般可能性。

用户兴趣

该特性可以与如下数据相关联：该数据可以基于已知的用户偏好例如在用户账户中标识的偏好来指示用户是否对特定变体或一组变体感兴趣。与用户兴趣和偏好相关性较高的产品变体可以指示用户可能更喜欢该变体的较高可能性。

过去的用户行为

该特性可以与过去的用户行为例如鼠标点击、先前购买或添加至购物车的物品以及订阅或观看的物品的记录相关联。可以对该数据进行分析以推断可以指示与特定产品变体的相关性的偏好的模式。

基于可用数据，机器学习模型可以为用户预测最佳产品变体。可以预先选择最佳变体并将其呈现在产品页面上。在一些实施方式中，在预定时间之后，可以确定随后的用户动作以向机器学习模型提供反馈以及所选择的产品变体是否增加了期望目标的可能性。该目标可以包括，例如，增加物品的销售额或增加用户在产品站点上花费的时间。所得到的用户动作可以被反馈给机器学习模型以进一步更新模型。

将参照附图描述用于测试产品和监测的各种技术的各方面，在附图中，贯穿若干附图相似的附图标记表示相似的元件。在以下的具体实施方式中，参考形成其一部分的附图，并且作为说明性特定配置或示例示出。

在图1中示出的示例系统中，示出了实现变体预测功能110的系统100。变体预测功能110可以被配置成通过网络120向各种设备150以及计算设备130提供产品信息。用户界面160可以呈现在计算设备130上。用户界面160可以与应用140相结合来提供，应用140利用API经由网络120与变体预测功能110进行通信。在一些实施方式中，系统100可以被配置成向用户提供产品信息。在一个示例中，变体预测功能110可以被配置成预测最畅销或最期望的变体并将其展现给计算设备130和各种设备150。

图2示出了显示示例变体预测环境的框图。图2示出了可以包括服务器210的测试变体预测环境200。服务器210可以包括可以被统称为“服务器”的一个或更多个服务器。变体预测环境200还可以包括数据库215，数据库215可以被配置成存储由服务器210使用的各种信息，各种信息包括产品数据、用户数据等。变体预测环境200还可以包括通信服务器220，通信服务器220例如实现服务器210、在线服务器230和客户端设备240之间的网络通信。客户端设备240可以是可以由用户250使用以通过通信网络与服务器210连接的任何类型的计算设备。用户250可以是例如正在访问由通信服务器220和/或在线服务器230提供的服务的用户。服务器230可以由提供例如在线服务中涉及的任何一方操作。例如，服务器230可以被配置成实现拍卖站点或在线交易。因此，服务器230可以是本文所描述的如可以由拍卖经纪人、金融机构等操作的任何类型的计算设备。图2中展现的服务器和设备经由各种网络通信硬件和软件进行通信以促进数据的收集和交换以用于在联网环境中使用。

图3示出了根据本公开内容的可以用于向用户提供产品信息的显示器300的一个示例。显示器300可以呈现浏览器窗口302，浏览器窗口302可以呈现产品信息页面304。产品信息页面304可以包括与可供购买的特定物品有关的信息。产品信息页面304可以包括诸如物品描述308、物品图像318、数量311、价格312和交互式控件313的信息。产品信息页面304还可以提供针对颜色的最佳选择变体301。最佳选择变体301可以由机器学习模型基于与物品相关联的特征数据来确定。特征数据可以包括物品的产品信息和购买历史。如果用户不想要任何最佳变体301，则产品页面304可以进一步提供选项310以选择其他变体。

在各种实施方式中，可以确定关于要展现给用户的可选择变体的预测。在示例情形中，集中式数据库可以存储与物品相关联的特征数据。特征数据包括给定物品的产品信息和购买历史。产品信息可以包括针对每个可选择配置的销售数量、与可选择配置相关联的折扣以及针对可选择配置的用户点击次数。该数据库还可以包括与用户相关联的历史数据。历史数据可以包括先前点击、添加至购物车动作以及过去的购买。

查询功能可以用于从数据库查询最新信息。基于该最新信息，可以选择一个或更多个最佳变体或最佳配置以展现给例如正在其web浏览器上查看产品信息的用户。如果要求用户选择所有的产品变体，则用户可能查看配置的每种组合，从而导致网络和计算资源的低效利用。如果选择过程繁琐，则用户可能不希望继续该购买过程，这可能导致用户不满意并可能导致可能的用户参与和销售的损失。如果对产品变体的预测提供及时且理想的选择，则可以提高销售过程中的用户满意度。在一些情况下，可以基于以及时且高效的方式提供最佳产品变体来增加产品销量。

在一个实施方式中，可以实现用于确定最佳产品变体的机器学习模型。机器学习模型可以实现基于一个或更多个因素的可能的选择的确定。这些因素可以与产品历史例如针对每个可选择配置的销售数量、与可选择配置相关联的折扣以及针对可选择配置的用户点击次数相关联。这些因素也可以与诸如物品的价格、物品的类型以及对该物品感兴趣的用户的数量的项相关联。这些因素也可以与用户例如用户的购买历史以及对用户唯一的其他信息相关联。

如本公开内容中所使用的，产品变体可以与不同的SKU相对应并且可能涉及颜色、尺寸、型号和其他特征。产品变体通常可以称为配置或SKU。

在实施方式中，可以利用反馈循环来实现最佳变体机器学习模型以基于当前可用数据来更新预测。在一些配置中，最佳变体机器学习模型可以被配置成利用有监督学习技术、无监督学习技术或强化学习技术来预测最佳变体。例如，最佳变体机器学习模型可以通过对如本文所描述的产品数据和用户数据进行训练来利用有监督机器学习技术。在一些实施方式中，机器学习模型还可以或可替选地利用无监督机器学习技术来预测最佳变体，包括但不限于基于聚类的模型、基于预测的模型、基于平滑的模型或其他类型的无监督机器学习模型。在一些实施方式中，机器学习模型还可以或可替选地利用强化学习技术来预测最佳变体。例如，可以使用输入数据并基于观察到的用户动作来训练模型，可以基于模型的输出来奖励模型。

在一些实施方式中，可以对产品和用户数据进行分析以识别与最佳产品变体有关的趋势和模式，并确定哪些变体可能影响用户行为及交互，并且在一些情况下，确定哪些产品变体可能与增加用户行为的可能性——例如增加购买物品的可能性——有关。在一个实施方式中，最佳变体机器学习模型可以结合分类功能，该分类功能可以被配置成确定哪些产品变体与特定目标相关。分类功能例如可以连续地学习哪些产品变体与各种潜在结果有关。在一些实施方式中，可以结合有监督学习，其中机器学习模型可以对从各种产品数据和用户数据获得的观察进行分类。机器学习模型可以向这些观察分配元数据。可以通过机器学习模型更新元数据，以在进行新观察时更新与感兴趣目标的相关性并向新观察分配标签。机器学习模型可以学习哪些观察相似并分配元数据以标识这些观察。机器学习模型可以将未来的观察分类成类别。

在一些实施方式中，可以实现诸如特征子集选择算法或归纳算法的算法来定义分组或类别。还可以结合概率方法。可以结合一种或更多种估计方法，例如参数分类技术。在各种实施方式中，机器学习模型可以采用概率方法和启发式方法的组合以指导和缩减被分析的数据。

为了提供更可能指示针对数据的特定观察模式的成果的相关结果，可以标识最相关的模式并对其进行加权。在一些实施方式中，可以使用启发式模型来确定在结果中提供可接受的置信度的产品变体。例如，可以使用基于经验的技术例如专家建模来辅助参数的初始选择。启发式模型可以通过例如标记与特定模式相关的各种元数据来概率性地指示可能影响的参数。来自初始分析阶段的反馈可以被用于进一步改善初始选择，从而实现在程序化方法可能不切实际或不可行的情况下生成产品变体的可能候选的闭环系统。作为示例，可以在一些实施方式中使用马尔可夫建模(Markov modeling)或其变型(例如，隐马尔可夫模型(hidden Markov model)和分层隐马尔可夫模型(hierarchical hidden Markovmodel))来识别候选轮询频率，否则使用传统方法可能会错失候选轮询频率。

图4是根据一个实施方式的计算系统架构图，该计算系统架构图示出了本文所公开的用于产品变体的系统的概况。如图4所示，产品变体预测系统400可以被配置成基于由跟踪服务404生成并从用户应用402接收的产品数据和用户数据来预测产品变体。

跟踪服务404可以将所选择的跟踪数据发送至流传输平台406。在一种实现方式中，可以使用Kafka流水线来实现这样的流传输平台。数据流可以被提供给可以例如包括Hadoop工具的数据存储部件和分析部件450。数据和分析部件450可以向预处理和清理部件452提供数据，预处理和清理部件452可以被配置成处理所存储的数据。经处理的数据可以被提供给特征选择和提取部件454，特征选择和提取部件454可以被配置成针对给定物品、用户等选择数据和特性。经处理的数据可以被提供给机器学习模型456，机器学习模型456可以使用该数据和特性来生成对产品变体的预测并将该预测发送至配置系统460。在一些实施方式中，配置系统460可以被实现为分布式键值数据库例如Redis。

在一些配置中，机器学习模型456可以被配置成利用有监督机器学习技术和/或无监督机器学习技术来预测产品变体。例如，机器学习模型456可以通过对如本文所描述的产品和用户数据进行训练来利用有监督机器学习技术。机器学习模型456可以基于从产品和用户信息中提取的特征来生成预测。预测可以以各种形式例如单个产品变体或一组最佳产品变体提供。

图5是示出用于实现本文所公开的技术中的一些技术的例程500的各方面的图。本领域普通技术人员应当理解，本文所公开的方法的操作不一定以任何特定顺序展现，并且以替选顺序来执行这些操作中的一些或全部是可行的并且可以是可以设想的。为了便于描述和说明，已经以所演示的顺序展现了操作。在不脱离所附权利要求书的范围的情况下，可以添加、省略、一起执行和/或同时执行这些操作。

还应当理解，所示出的方法可以在任何时间结束，并且不需要以其整体来执行。可以通过执行如本文所定义的包括在计算机存储介质上的计算机可读指令来执行方法的一些或全部操作和/或基本等效的操作。如在说明书和权利要求书中所使用的，术语“计算机可读指令”及其变型在本文中被广泛地使用以包括例程、应用、应用模块、程序模块、程序、部件、数据结构、算法等。计算机可读指令可以在各种系统配置上实现，所述各种系统配置包括单处理器系统或多处理器系统、小型计算机、大型计算机、个人计算机、手持式计算设备、基于微处理器的可编程消费电子产品、其组合等。尽管下面描述的示例例程在计算设备上运行，但是可以理解，该例程可以在可以包括协同工作以执行本文所公开的操作的若干计算机的任何计算系统上执行。

因此，应当理解，本文所描述的逻辑操作被实现为(1)一系列计算机实现的动作或在计算系统例如本文所描述的那些计算系统上运行的程序模块和/或(2)计算系统内互连的机器逻辑电路或电路模块。实现方式是取决于计算系统的性能和其他要求的选择问题。因此，逻辑操作可以以软件、以固件、以专用数字逻辑及其任何组合来实现。

例程500在操作501处开始，操作501示出了接收物品的选择，其中该物品具有多个可选择配置。

然后，例程500进行至操作503，操作503示出了访问与该物品相关联的特征数据。在实施方式中，特征数据包括物品的针对多个可选择配置的产品信息和购买历史。

操作505示出了基于特征数据对可选择配置中的一个或更多个可选择配置进行预测，所述一个或更多个可选择配置被预测为与选择相关联的用户感兴趣。

接下来，操作507示出了使呈现包括利用特征数据预测的配置的用户界面。

在实施方式中，预测由机器学习部件执行。

在实施方式中，机器学习部件利用强化学习。

在实施方式中，产品信息包括针对每个可选择配置的销售数量、与可选择配置相关联的折扣以及针对可选择配置的用户点击次数中的一个或更多个。

在实施方式中，用户界面是网页。

在实施方式中，预测还基于与用户相关联的历史数据，该历史数据包括先前点击、添加至购物车动作以及过去的购买。

在实施方式中，每个可选择配置包括与物品相关联的库存保有单位(SKU)。

在实施方式中，基于用于呈现信息的显示器的呈现能力来发送在用户界面上呈现的预测的配置的数量。

在实施方式中，可选择配置包括颜色、尺寸、模型或变体中的一个或更多个。

在实施方式中，用户界面排除了未被预测为用户感兴趣的物品的配置。

在实施方式中，利用特征数据向用户呈现多个配置，多个配置包括具有销售数据和折扣数据的配置。

图6是示出用于实现本文所公开的技术中的一些技术的例程600的各方面的图。

例程600在操作601处开始，操作601示出了访问与物品相关联的特征数据。在实施方式中，该物品具有多个可选择配置。另外地且可选地，特征数据包括物品的针对多个可选择配置的产品信息和购买历史。

然后，例程600进行至操作603，操作603示出了基于特征数据对可选择配置中的一个或更多个可选择配置进行预测，所述一个或更多个可选择配置被预测为与选择相关联的用户感兴趣。

操作605示出了使呈现包括利用特征数据预测的配置的用户界面。

图7示出了能够提供本文所描述的功能的计算机例如被配置成实现上面参照图1至图6所描述的功能的计算设备的示例计算机架构。因此，图7中示出的计算机架构700示出了适于实现本文所描述的功能的服务器计算机或其他类型计算设备的架构。计算机架构700可以被用来执行本文所展现的各种软件部件以实现所公开的技术。

图7中示出的计算机架构700包括中央处理单元702(“CPU”)、包括随机存取存储器706(“RAM”)和只读存储器(“ROM”)708的系统存储器704以及将存储器704耦接至CPU 702的系统总线77。包含例如在启动期间帮助在计算机架构700内的元件之间传送信息的基本例程的固件被存储在ROM 708中。计算机架构700还包括用于存储操作系统714、其他数据以及一个或更多个可执行程序——例如存储产品数据715或存储用户数据717——的大容量存储设备712。

大容量存储设备712通过连接至总线77的大容量存储控制器(未示出)连接至CPU702。大容量存储设备712及其相关联的计算机可读介质为计算机架构700提供非易失性存储。尽管本文所包含的计算机可读介质的描述是指大容量存储设备例如固态驱动器、硬盘或光盘驱动器，但是本领域技术人员应当理解，计算机可读介质可以是可以由计算机架构700访问的任何可用的计算机存储介质或通信介质。

通信介质包括计算机可读指令、数据结构、程序模块或经调制的数据信号例如载波或其他传输机制中的其他数据，并且包括任何传递介质。术语“经调制的数据信号”意指使其特征中的一个或更多特征以在信号中对信息进行编码的方式进行改变或设置的信号。作为示例而非限制，通信介质包括有线介质例如有线网络或直接有线连接，以及无线介质例如声学、射频、红外和其他无线介质。上述的任何组合也应当被包括在计算机可读介质的范围内。

作为示例而非限制，计算机可读存储介质可以包括以用于存储信息例如计算机可读指令、数据结构、程序模块或其他数据的任何方法或技术实现的易失性的和非易失性的、可移除的和不可移除的介质。例如，计算机介质包括但不限于RAM、ROM、EPROM、EEPROM、闪速存储器或其他固态存储器技术、CD-ROM、数字多功能盘(“DVD”)、HD-DVD、蓝光盘(BLU-RAY)或其他光学存储装置、盒式磁带、磁带、磁盘存储装置或其他磁存储设备，或者可以用于存储期望信息并可以由计算机架构700访问的任何其他介质。出于权利要求书的目的，短语“计算机存储介质”、“计算机可读存储介质”及其变型本身并不包括波、信号和/或其他瞬态和/或无形通信介质。

根据各种实现方式，计算机架构700可以通过网络750和/或其他网络(未示出)使用与远程计算机的逻辑连接在联网环境下操作。实现计算机架构700的计算设备可以通过连接至总线77的网络接口单元716连接至网络750。应当理解，网络接口单元716也可以用于连接至其他类型的网络和远程计算机系统。

计算机架构700还可以包括用于接收和处理来自若干其他设备的输入的输入/输出控制器718，若干其他设备包括键盘、鼠标或电子笔(图7中未示出)。类似地，输入/输出控制器718可以向显示屏、打印机或其他类型的输出设备(图7中也未示出)提供输出。

应当理解，本文所描述的软件部件可以在被加载到CPU 702中并被执行时将CPU702和整个计算机架构700从通用计算系统转换成被定制成促进本文所展现的功能的专用计算系统。CPU 702可以由任意数目的晶体管或其他分立电路元件构成，这些晶体管或其他分立电路元件可以单独地或共同地假定任意数目的状态。更具体地，CPU 702可以响应于包含在本文所公开的软件模块内的可执行指令而作为有限状态机操作。这些计算机可执行指令可以通过指定CPU 702如何在状态之间转变来对CPU 702进行转换，从而对构成CPU 702的晶体管或其他分立硬件元件进行转换。

对本文所展现的软件模块进行编码也可以对本文所展现的计算机可读介质的物理结构进行转换。在本描述的不同实现方式中，对物理结构的特定转换可能取决于各种因素。这样的因素的示例可以包括但不限于用于实现计算机可读介质的技术、计算机可读介质被表征为主存储装置还是辅助存储装置等。如果计算机可读介质被实现为基于半导体的存储器，则可以通过对半导体存储器的物理状态进行转换将本文所公开的软件编码在计算机可读介质上。例如，该软件可以对构成半导体存储器的晶体管、电容器或其他分立电路元件的状态进行转换。该软件还可以对这样的部件的物理状态进行转换，以便在其上存储数据。

作为另一示例，本文所公开的计算机可读介质可以使用磁技术或光学技术来实现。在这样的实现方式中，本文所展现的软件可以在其被编码在磁介质或光学介质中时对磁介质或光学介质的物理状态进行转换。这些转换可以包括更改给定磁介质内的位置的磁特征。这些转换还可以包括更改给定光学介质内的位置的物理特征或特性，以改变那些位置的光学特性。在不脱离本说明书的范围和精神的情况下，物理介质的其他转换也是可行的，其中提供前述示例仅是为了便于本讨论。

鉴于以上内容，应当理解，在计算机架构700中发生了许多类型的物理转换以便存储和执行本文所展现的软件部件。还应当理解，计算机架构700可以包括其他类型的计算设备，其他类型的计算设备包括手持式计算机、嵌入式计算机系统、个人数字助理以及本领域技术人员已知的其他类型的计算设备。

还可以设想，计算机架构700可能并未包括图7中示出的所有部件，可以包括未在图7中明确示出的其他部件，或者可以利用与图7中示出的架构完全不同的架构。例如但不限于，本文所公开的技术可以与用于通过并行化来改进性能的多个CPU、用于较快计算的图形处理单元(“GPU”)和/或张量处理单元(“TPU”)一起使用。如本文所使用的，术语“处理器”包括CPU、GPU、TPU和其他类型的处理器。

图8示出了能够执行以上参照图1至图7描述的技术和处理的示例计算环境。在各种示例中，计算环境包括主机系统802。在各种示例中，主机系统802在网络804上操作、与网络804通信来操作或作为网络804的一部分操作。

网络804可以是或者可以包括各种接入网络。例如，一个或更多个客户端设备806(1)……806(N)可以经由网络804和/或其他连接与主机系统802通信。主机系统802和/或客户端设备可以包括但不限于以下各种设备中的任何一种：所述各种设备包括便携式设备或固定设备例如服务器计算机、智能电话、移动电话、个人数字助理(PDA)、电子书设备、膝上型计算机、台式计算机、平板计算机、便携式计算机、游戏控制台、个人媒体播放器设备，或者任何其他电子设备。

根据各种实现方式，主机系统802的功能可以由作为网络804的一部分或与网络804通信来执行的一个或更多个服务器提供。服务器可以托管各种服务、虚拟机、门户和/或其他资源。例如，可以托管一个或更多个门户、网站和/或其他信息或提供对一个或更多个门户、网站和/或其他信息的访问。

主机系统802可以包括处理器1208、存储器810。存储器810可以包括操作系统812、应用814和/或文件系统816。此外，存储器810可以包括上面参考图1至图7描述的存储单元82。

处理器808可以是单个处理单元或者是每一个都可以包括多个不同的处理单元的多个单元。处理器可以包括微处理器、微型计算机、微控制器、数字信号处理器、中央处理单元(CPU)、图形处理单元(GPU)、安全处理器等。可替选地或另外地，本文所描述的技术中的一些或全部可以至少部分地由一个或更多个硬件逻辑部件执行。例如但不限于，可以使用的说明性硬件逻辑部件的类型包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、状态机、复杂可编程逻辑器件(CPLD)、其他逻辑电路、片上系统(SoC)以及/或者基于指令执行操作的任何其他设备。除其他能力以外，处理器可以被配置成获取并执行存储在存储器810中的计算机可读指令。

存储器810可以包括一个计算机可读介质或计算机可读介质的组合。如本文所使用的，“计算机可读介质”包括计算机存储介质和通信介质。

计算机存储介质包括以用于存储信息例如计算机可读指令、数据结构、程序模块或其他数据的任何方法或技术实现的易失性的和非易失性的、可移除的和不可移除的介质。计算机存储介质包括但不限于：相变存储器(PCM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程ROM(EEPROM)、闪速存储器或其他存储器技术、致密盘ROM(CD-ROM)、数字多功能盘(DVD)或其他光学存储装置、盒式磁带、磁带、磁盘存储装置或其他磁存储装置，或者可以用于存储信息以供计算设备访问的任何其他介质。

相比之下，通信介质包括计算机可读指令、数据结构、程序模块或经调制的数据信号例如载波中的其他数据。如本文所限定的，计算机存储介质不包括通信介质。

主机系统802可以经由网络接口818通过网络804通信。网络接口818可以包括用于支持两个或更多个设备之间的通信的各种类型的网络硬件和软件。主机系统802还可以包括机器学习模型819。

本技术可以涉及在一个或更多个机器中发生的操作。如本文所使用的，“机器”意指用指令进行编程以执行专门的计算操作的物理数据存储和处理硬件。应当理解，两个或更多个不同的机器可以共享硬件部件。例如，同一集成电路可以是两个或更多个不同机器的一部分。

应当理解，本文所描述的方法可以在任何时间结束，并且不需要以其整体来执行。本文所描述的方法的一些或全部操作以及/或者基本上等同的操作可以通过执行包括在计算机存储介质上的如下面所定义的计算机可读指令来执行。如在说明书和权利要求书中所使用的，术语“计算机可读指令”及其变型在本文中被广泛地使用以包括例程、应用、应用模块、程序模块、程序、部件、数据结构、算法等。计算机可读指令可以在各种系统配置上实现，所述各种系统配置包括单处理器系统或多处理器系统、小型计算机、大型计算机、个人计算机、手持式计算设备、基于微处理器的可编程消费电子产品、其组合等。

因此，应当理解，本文所描述的逻辑操作被实现为(1)一系列计算机实现的动作或在计算系统上运行的程序模块以及/或者(2)在计算系统内互连的机器逻辑电路或电路模块。实现方式是取决于计算系统的性能和其他要求的选择问题。因此，本文所描述的逻辑操作被不同地称为状态、操作、结构设备、动作或模块。这些操作、结构设备、动作和模块可以以软件、以固件、以专用数字逻辑及其任何组合来实现。

如本文所描述的，结合本文所描述的附图，本文将例程的操作描述为至少部分地由应用、部件和/或电路来实现。尽管以下说明涉及指定附图中的部件，但是可以理解，例程的操作也可以以许多其他方式来实现。例如，例程可以至少部分地由计算机处理器或其他计算机的一个处理器或多个处理器来实现。另外，可替选地或者附加地，例程的一个或更多个操作可以至少部分地由单独工作的计算机或者与其他软件模块协同工作的计算机来实现。

例如，例程的操作在本文被描述为至少部分地由应用、部件和/或电路来实现，这些应用、部件和/或电路在本文被统称为模块。在一些配置中，模块可以是动态链接库(DLL)、静态链接库、通过应用编程接口(API)产生的功能、经编译的程序、解释程序、脚本或任何其他可执行指令集。数据和/或模块例如本文所公开的数据和模块，可以以数据结构存储在一个或更多个存储器部件中。可以通过寻址至数据结构的链接或引用来从数据结构中检索数据。

最后，尽管已经以特定于结构特征和/或方法动作的语言描述了本文所展现的各种技术，但是应当理解，在所附表示中限定的主题不必限于所描述的特定特征或动作。准确地说，这些特定特征和动作是作为实现所要求保护的主题的示例形式来公开的。

Claims (20)

1.一种呈现信息的方法，所述方法包括：

接收物品的选择，其中，所述物品具有多个可选择配置；

访问与所述物品相关联的特征数据，所述特征数据包括所述物品的针对所述多个可选择配置的产品信息和购买历史；

基于所述特征数据，对所述可选择配置中的一个或更多个可选择配置进行预测，所述一个或更多个可选择配置被预测为与所述选择相关联的用户感兴趣；以及

使呈现包括利用所述特征数据预测的配置的用户界面。

2.根据权利要求1所述的方法，其中，所述预测由机器学习部件执行。

3.根据权利要求2所述的方法，其中，所述机器学习部件利用强化学习。

4.根据权利要求1所述的方法，其中，所述产品信息包括针对所述可选择配置中的每个可选择配置的销售数量、与所述可选择配置相关联的折扣以及针对所述可选择配置的用户点击次数中的一个或更多个。

5.根据权利要求1所述的方法，其中，所述用户界面是网页。

6.根据权利要求1所述的方法，其中，所述预测还基于与所述用户相关联的历史数据，所述历史数据包括先前点击、添加至购物车动作以及过去的购买。

7.根据权利要求1所述的方法，其中，每个可选择配置包括与所述物品相关联的库存保有单位SKU。

8.根据权利要求1所述的方法，其中，在所述用户界面上呈现的预测的配置的数量基于用于呈现所述预测的配置的显示器的呈现能力来发送。

9.根据权利要求1所述的方法，其中，所述可选择配置包括颜色、尺寸、模型或变体中的一个或更多个。

10.根据权利要求1所述的方法，其中，所述用户界面排除了所述物品的未被预测为所述用户感兴趣的配置。

11.根据权利要求1所述的方法，其中，利用所述特征数据向所述用户展现多个配置，所述多个配置包括具有销售数据和折扣数据的配置。

12.一种计算系统，包括：

一个或更多个处理器；以及

计算机可读存储介质，其上存储有计算机可执行指令，所述计算机可执行指令在由所述处理器执行时，使所述处理器进行以下操作：

接收物品的选择，其中，所述物品具有多个可选择配置；

访问与所述物品相关联的特征数据，所述特征数据包括所述物品的针对所述多个可选择配置的产品信息和购买历史；

基于所述特征数据，对所述可选择配置中的一个或更多个可选择配置进行预测，所述一个或更多个可选择配置被预测为与所述选择相关联的用户感兴趣；以及

使呈现包括所预测的配置的用户界面。

13.根据权利要求12所述的计算系统，其中，所述预测由机器学习部件执行。

14.根据权利要求12所述的计算系统，其中，所述产品信息包括针对所述可选择配置中的每个可选择配置的销售数量、与所述可选择配置相关联的折扣以及针对所述可选择配置的用户点击次数中的一个或更多个。

15.根据权利要求12所述的计算系统，其中，所述预测还基于与所述用户相关联的历史数据，所述历史数据包括先前点击、添加至购物车动作以及过去的购买。

16.根据权利要求12所述的计算系统，其中，在所述用户界面上呈现的预测的配置的数量基于用于呈现所述信息的显示器的呈现能力来发送。

17.根据权利要求12所述的计算系统，其中，所述用户界面排除了所述物品的未被预测为所述用户感兴趣的配置。

18.一种计算机可读存储介质，其上存储有计算机可执行指令，所述计算机可执行指令在由计算设备的处理器执行时，使所述计算设备进行以下操作：

访问与物品相关联的特征数据，其中，所述物品具有多个可选择配置，所述特征数据包括所述物品的针对所述多个可选择配置的产品信息和购买历史；

基于所述特征数据，对所述可选择配置中的一个或更多个可选择配置进行预测，所述一个或更多个可选择配置被预测为与所述物品的选择相关联的用户感兴趣；以及

使呈现包括利用所述特征数据预测的配置的用户界面。

19.根据权利要求18所述的计算机可读存储介质，其中，所述预测由使用强化学习训练的机器学习部件执行。

20.根据权利要求19所述的计算机可读存储介质，其中，所述产品信息包括针对所述可选择配置中的每个可选择配置的销售数量、与所述可选择配置相关联的折扣、针对所述可选择配置的用户点击次数以及与所述用户相关联的历史数据中的一个或更多个，所述历史数据包括先前点击、添加至购物车动作以及过去的购买。

Images