CN112669086A - 多平台商品属性匹配处理方法及系统 - Google Patents

Abstract

本申请公开了多平台商品属性匹配处理方法及系统，该方法首先获取多网络平台的用户数据，从用户数据中提取出行为数据，生成行为数据集合，依据行为数据集合建立多网络平台的行为引导因素与用户行为之间的引导关系关联模型，从关联模型中确定出用户受行为引导因素影响而产生的被引导用户行为，得到每类被引导用户行为的引导因素域，依据关联模型和引导因素域判断行为状态变化情况，依据行为状态变化情况确定出与引导因素域相应的非电商平台的映射引导因素，并向用户施加该映射引导因素。该方法能够实现在非电商传统平台上根据商品属性实现面向目标用户的高效准确匹配的效果。

Description

多平台商品属性匹配处理方法及系统

技术领域

本申请涉及数据分析技术领域，特别涉及多平台商品属性匹配处理方法及系统。

背景技术

随着大数据分析技术的发展，目前大多数电商平台都具备了根据商品属性与用户的匹配程度，向用户推荐商品的功能，而该功能的实现主要是通过积累和分析用户在电商平台的购买记录、浏览记录、购物车放置记录等用户数据，同时还根据用户的社交关系分析其好友的上述记录，通过分析这些用户数据中相关联的商品，确定用户偏好倾向，例如用户偏好的商品类型、价格区间、商品品牌等，进而将商品属性与用户的偏好倾向进行匹配，将匹配程度高的商品推荐给用户，实现向用户推送更符合用户偏好的商品的功能。

近年来，传统的电商平台以外的各种网络平台，例如多媒体点播平台、短视频平台、视频直播平台等，也开始嵌入各种形式的商品推荐功能，例如在多媒体的播放前或者播放间隙可以有针对性地插入商品广告；短视频平台可以向用户推送商品相关的短视频等。

但是，这些非电商平台在实现上述功能的时候，面临的一个突出问题就是缺乏与商品属性相关联的用户数据，因为在这些非电商平台上积累的用户数据，例如多媒体点播的历史数据、短视频浏览历史数据、加入直播间历史数据等，均与商品属性之间缺乏直接关联度；另一方面，由于这些非电商平台并非专业进行商品买卖的电商平台，因此用户在这些非电商平台上对推荐商品的浏览、购买等行为的发生次数和频率均比较低，难以通过非电商平台的用户数据及相应的分析来向用户推送符合用户偏好的商品。

发明内容

基于此，为了解决非电商平台缺乏与商品属性相关联的用户数据而无法向用户推送符合用户偏好的商品，本申请公开了以下技术方案。

一方面，提供了一种多平台商品属性匹配处理方法，包括：

获取多网络平台的用户数据，从用户数据中提取出行为数据，生成行为数据集合；

依据所述行为数据集合建立多网络平台的行为引导因素与用户行为之间的引导关系关联模型；

从所述关联模型中确定出用户受所述行为引导因素影响而产生的被引导用户行为，得到每类被引导用户行为的引导因素域；

依据所述关联模型和所述引导因素域判断行为状态变化情况；

依据所述行为状态变化情况确定出与所述引导因素域相应的非电商平台的映射引导因素，并向用户施加该映射引导因素。

在一种可能的实施方式中，所述行为数据集合V＝{p₁，p₂，...p_i，...p_M}，其中，p_i为用户的第i类行为，M是行为类型总数，所述行为类型包括在电商平台中的浏览商品、收藏商品、收藏商家、将商品加入购物车、商品下单中的至少一项，还包括在非电商平台中的关注、点赞、转发、输入评论、进入直播间、驻留直播间、打赏、网址链接点击中的至少一项。

在一种可能的实施方式中，所述关联模型G包括{V，E}，其中，影响程度集合E＝{e₁₁，e₁₂，...e_ij，...e_ML}，e_ij为用户的第i类行为p_i受第j个行为引导因素e_j的影响程度，i＝1，2...M，j＝1，2...L，L为行为引导因素类型总数，所述行为引导因素包括信息出现方式因素、信息类型因素、信息内容因素、价格因素、时间因素、地理位置因素中的至少一项。

在一种可能的实施方式中，所述关联模型G还包括影响程度权重集合W，G＝{V，E，W}，其中，影响程度权重集合W＝{w₁₁，w₁₂，...w_ij，...w_ML}，w_ij为e_ij的权重值，0≤w_ij≤K，K为权重允许最大值。

在一种可能的实施方式中，所述行为状态变化情况的模型为：

x_i(t+1)＝x_i(t)+Δe_ij(t)

其中，x_i为每个p_i的行为状态，x_i∈R，R是每个p_i可能处于的所有行为状态的集合，x_i(t)为用户的第i类被引导行为在t时刻的行为状态，x_i(t+1)为在后时间阶段内的行为状态，e_ij(t+1)为在后时间阶段内的行为引导因素，e_ij(t)为在先时间阶段内的行为引导因素，β_i是第i类被引导行为的增益系数，Δe_ij(t)为在N_i内e_ij(t+1)相对于e_ij(t)的差异量对x_i(t+1)产生的增益。

另一方面，还提供了一种多平台商品属性匹配处理系统，包括：

行为数据生成模块，用于获取多网络平台的用户数据，从用户数据中提取出行为数据，生成行为数据集合；

关联模型建立模块，用于依据所述行为数据集合建立多网络平台的行为引导因素与用户行为之间的引导关系关联模型；

因素域确定模块，用于从所述关联模型中确定出用户受所述行为引导因素影响而产生的被引导用户行为，得到每类被引导用户行为的引导因素域；

行为状态判断模块，用于依据所述关联模型和所述引导因素域判断行为状态变化情况；

映射因素识别模块，用于依据所述行为状态变化情况确定出与所述引导因素域相应的非电商平台的映射引导因素，并向用户施加该映射引导因素。

在一种可能的实施方式中，所述行为数据集合V＝{p₁，p₂，...p_i，...p_M}，其中，p_i为用户的第i类行为，M是行为类型总数，所述行为类型包括在电商平台中的浏览商品、收藏商品、收藏商家、将商品加入购物车、商品下单中的至少一项，还包括在非电商平台中的关注、点赞、转发、输入评论、进入直播间、驻留直播间、打赏、网址链接点击中的至少一项。

在一种可能的实施方式中，所述关联模型G包括{V，E}，其中，影响程度集合E＝{e₁₁，e₁₂，...e_ij，...e_ML}，e_ij为用户的第i类行为p_i受第j个行为引导因素e_j的影响程度，i＝1，2...M，j＝1，2...L，L为行为引导因素类型总数，所述行为引导因素包括信息出现方式因素、信息类型因素、信息内容因素、价格因素、时间因素、地理位置因素中的至少一项。

在一种可能的实施方式中，所述关联模型G还包括影响程度权重集合W，G＝{V，E，W}，其中，影响程度权重集合W＝{w₁₁，w₁₂，...w_ij，...w_ML}，w_ij为e_ij的权重值，0≤w_ij≤K，K为权重允许最大值。

在一种可能的实施方式中，所述行为状态变化情况的模型为：

x_i(t+1)＝x_i(t)+Δe_ij(t)

其中，x_i为每个p_i的行为状态，x_i∈R，R是每个p_i可能处于的所有行为状态的集合，x_i(t)为用户的第i类被引导行为在t时刻的行为状态，x_i(t+1)为在后时间阶段内的行为状态，e_ij(t+1)为在后时间阶段内的行为引导因素，e_ij(t)为在先时间阶段内的行为引导因素，β_i是第i类被引导行为的增益系数，Δe_ij(t)为在N_i内e_ij(t+1)相对于e_ij(t)的差异量对x_i(t+1)产生的增益。

本申请公开的多平台商品属性匹配处理方法及系统，聚焦于用户在网络平台上的行为受到行为引导因素的影响程度，对从电商平台获得的用户数据，提取出用户的偏好性的用户行为类型，并且确定与该偏好性的用户行为类型所对应的行为引导因素，进而将商品属性与行为引导因素进行匹配，对于其他类型的网络平台，可以利用这些行为引导因素，确定这些平台的任何一种事物主体(例如短视频、直播等)对应的行为引导因素，选取与电商平台偏好性的用户行为类型所对应的行为引导因素，再利用上述公式推算其他平台的事物主体对用户行为的影响，从而实现商品的商品属性与用户的匹配，最终通过引导实现期望的用户行为，实现在非电商传统平台上根据商品属性实现面向目标用户的高效准确匹配的效果。

附图说明

以下参考附图描述的实施例是示例性的，旨在用于解释和说明本申请，而不能理解为对本申请的保护范围的限制。

图1是本申请公开的多平台商品属性匹配处理方法实施例的流程示意图。

图2是本申请公开的多平台商品属性匹配处理系统实施例的结构框图。

具体实施方式

为使本申请实施的目的、技术方案和优点更加清楚，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更加详细的描述。

下面参考图1详细描述本申请公开的多平台商品属性匹配处理方法实施例。

如图1所示，本实施例公开的方法主要包括如下步骤100至步骤500。

步骤100，获取多网络平台的用户数据，从用户数据中提取出行为数据，生成行为数据集合。

网络平台包括电商平台和非电商平台。为了适用于多平台特性，将电商平台和非电商平台均作为用户数据的采集对象。

对于电商平台来说，用户日常在电商平台上进行商品选购时，会产生大量的用户数据，而这些用户数据中包含着由用户行为引发和产生的数据。例如登录和退出电商平台的时间，表明了用户的总搜索时长；搜索商品的关键词及其所属的商品主题类型，表明了用户的兴趣点所在；浏览各商品搜索界面和商品介绍界面的耗时，表明了用户对各搜索结果和相应具体商品的兴趣度和满意度；点击平台首页推送窗的次数及所点击推送窗的商品主题类型，表明了平台推荐商品是否符合用户偏好；等等。

对于短视频平台、直播平台等非电商平台来说，用户日常在这些平台上进行视频浏览时，也会产生大量的用户数据。例如登录和退出非电商平台的时间，表明了用户的总浏览时长；搜索视频的关键词及其所属的主题类型，表明了用户的兴趣点所在；浏览各视频搜索界面和视频观看的耗时，表明了用户对各搜索结果和相应具体视频的兴趣度和满意度；等等。

可以理解的是，上述用户行为数据仅为举例，并未将所有的用户行为数据进行穷举。通过将上述行为数据进行组合，生成用户的行为数据集合。

在一种实施方式中，行为数据集合V为：V＝{o₁，o₂，...p_i，…p_M}。其中，p是用户行为类型，p_i为用户的第i类行为，由于网络平台所定义的用户行为的类型是有限的，因此i＝1，2...M，M是行为类型总数。

为了适用于多类型网络平台特性，行为集合V中的行为类型可以涵盖多个网络平台场景下的行为类型，例如，所述行为类型可以包括在电商平台中的浏览商品、收藏商品、收藏商家、将商品加入购物车、商品下单中的一项或多项，还包括在短视频平台中的关注、点赞、转发、输入评论以及在直播平台中的进入直播间、驻留直播间(在直播间停留超过一定时长被认为是驻留)、打赏、网址链接点击中的一项或多项。可以理解的是，上述的行为类型还可以是其他的行为类型，如本实施例在前文中提及的各种用户行为数据对应的行为类型。

步骤200，依据所述行为数据集合建立多网络平台的行为引导因素与用户行为之间的引导关系关联模型。

行为引导因素是引导用户做出用户行为的因素。例如电商平台在页面(首页、搜索页等各界面)设置版面来显示新增商品、优惠商品的图文介绍，在页面显示符合时节和时事的商品图文介绍，在进入页面时弹出当前的品类优惠活动的弹窗，等等。这些行为引导因素会引导用户点击相应按钮或链接，使用户浏览到网络平台期望用户浏览的信息，以及使用户参与到网络平台期望用户参与的活动。

关联模型用于表达各种行为引导因素对用户行为的引导关系。在一种实施方式中，所述关联模型G包括行为数据集合V和影响程度集合E。所述关联模型G＝{V，E}。E＝{e₁₁，e₁₂，...e_ij，...e_ML}，其中，e为用户行为受行为引导因素的影响程度，e_ij为用户的第i类行为p_i受第j个行为引导因素e_j的影响程度，i＝1，2...M，j＝1，2...L，L为行为引导因素类型总数。若行为p_i是受到行为引导因素e_j的影响而做出的，说明p_i受到了e_j的影响，则e_ij＞0；反之若行为不是受到e_j的影响而做出的，说明p_i未受到e_j的影响，则e_ij＝0。e_ij数值越大，则e_j对p_i的影响程度越大。可以理解的是，可以将e_ij的取值范围设置为0≤e_ij≤1，将受影响程度的最大值统一限定为1，便于数据的归一化。

为了适用于多类型网络平台特性，行为引导因素e_j可以结合多个网络平台的场景来定义，涵盖各种平台下的可能影响用户行为的因素。所述行为引导因素可以包括信息显示方式因素、信息类型因素、信息内容因素、价格因素、时间因素、地理位置因素中的一项或多项。其中，信息出现方式因素可以包括弹窗显示、新增版面显示、更新原有版面显示等方式。信息形式因素可以包括图片、文字、动画等形式。信息内容因素可以包括优惠信息、促销信息、红包发放信息、抽奖信息、注册认证信息、公众人物演讲活动信息、观后感信息、公众人物带货信息、使用效果信息，等等。价格因素可以包括商品的价格、直播打赏的金额，等等。时间因素可以包括短视频更新上传时间、短视频时长、直播开场和结束时间，等等。地理位置因素可以包括短视频上传者和直播现场所在的行政区是否是用户所在行政区，等等。可以理解的是，上述的行为引导因素还可以是其他的行为引导因素，网络平台所使用的现有引导手段均可作为本实施例中的引导因素，例如背景音乐因素等。

在一种实施方式中，所述关联模型除了包括行为数据集合V和影响程度集合E之外，还包括影响程度权重集合W。所述关联模型G＝{V，E，W}。W＝{w₁₁，w₁₂，...w_ij，...w_ML}，其中，w为行为引导因素的影响程度e的权重值，w_ij为e_ij的权重值，也就是用户的第i类行为p_i受第j个行为引导因素的影响程度e_ij的权重值，w_ij在一个预定的取值区间范围0≤w_ij≤K内取值，K为权重允许最大值。若影响程度e_ij的重要性越高，则w_ij的取值越大。w_ij可以根据本实施例所应用的具体场景和情况进行设定，w_ij可以是预先设定的固定值，依据影响程度e_ij的重要性而设置；w_ij也可以是时变值(随时间而发生规律性变化)，其变化区间依据影响程度e_ij的重要性而设置；w_ij甚至也可以是随机值，此时K的取值较低，以实现既打破固有规律又不会因此丧失数据真实性。

步骤300，从所述关联模型中确定出用户受所述行为引导因素影响而产生的被引导用户行为，得到每类被引导用户行为的引导因素域。

由于部分用户行为是受行为引导因素的影响而产生的，而还可能有一部分用户行为是不受行为引导因素的影响而自发产生的，其中不受影响而自发产生的这些用户行为的e_ij＝0。因此，需要依据关联模型G识别出受行为引导因素e的影响而产生的用户行为，称为被引导用户行为，进而得到被引导用户行为的用户行为类型p′。

每类被引导用户行为p_i均具有其对应的引导因素域N_i，N_i为所有的对第i类行为来说影响因素e_ij≠0的标号j组成的邻域，例如对于第3类被引导用户行为p₃来说，影响因素e₃₅、e₃₇、e₃₉不等于0，则第3类行为的引导因素域N₃＝{5，7，9}。可以理解的是，上述第3类指的是在所有类型中的第3类，而不是在所有被引导类型中的第3类。

步骤400，依据所述关联模型和所述引导因素域判断行为状态变化情况。

行为状态是用户行为的状态，例如对于浏览商品的用户行为来说，其行为状态可以是未发生(未浏览)、正在发生(正在浏览)、已发生(已经浏览完成)；对于收藏商品的用户行为来说，其行为状态还可以包括消除发生后果(取消收藏)。行为状态变化情况主要是在不同时间阶段下的行为状态是否发生变化，例如从未发生变为正在发生进而变为已发生。

对于被引导行为类型p_i的行为状态受到行为引导因素变化的影响，行为类型p_i在在后时间阶段的行为状态x_i(t+1)为:

x_i(t+1)＝x_i(t)+Δe_ij(t)

其中，x_i为每个被引导行为类型p_i的行为状态，x_i∈R，R是每个行为类型可能处于的所有行为状态的集合。x_i(t)为用户的第i类被引导行为在t时刻的行为状态，x_i(t+1)则为用户的第i类被引导行为在t+1时刻的行为状态，也就是在后时间阶段内的行为状态。

e_ij(t+1)为在后时间阶段内的行为引导因素，e_ij(t)为在先时间阶段内的行为引导因素。β_i是第i类被引导行为的增益系数，对于不同的用户行为类型来说，由于不同类型的行为受到影响程度可能不同，因此不同行为类型的增益系数β可能会有所不同。w_ij为e_ij的权重值。Δe_ij(t)为在N_i内e_ij(t+1)相对于e_ij(t)的差异量对x_i(t+1)产生的增益。随着时间阶段的推移，x_i(t+1)的数值会发生变化，并可能从集合R中的其中一种行为状态变化过渡到另一种行为状态。

步骤500，依据所述行为状态变化情况确定出与所述引导因素域相应的非电商平台的映射引导因素，并向用户施加该映射引导因素。

当电商平台的行为状态变化为能够表明用户做出符合平台期望的行为状态时，假设此时的被引导行为类型为p_a，具体为浏览电器商品信息，行为引导因素为属于电商平台因素的e_ab，具体为弹窗显示家电产品优惠信息，则p_a的当前状态x_a(t)变为正在浏览电器商品信息的行为状态。此时从关联模型中确定出能与e_ab起到相同效果且属于非电商平台因素的引导因素e_ac，e_ac与e_ab互为映射引导因素，e_ac能够引起与e_ab相同的行为状态变化情况，也就是都能够让用户从未浏览电器商品信息变为正在浏览电器商品信息，e_ac具体可以是在用户的表情栏中新增以电器为主题的带有优惠字样的表情系列并置顶，或者将指导及时发现电器优惠活动并以最优的优惠券搭配来省钱的短视频/直播在首页视频单中置顶并将优惠字样显示在屏幕上，或者将电器的选用技巧、维修保养的短视频/直播在首页视频单中置顶并将优惠字样显示在屏幕上，这些引导因素均能够起到使用户在发出表情时、浏览视频和直播时注意到电器产品并注意到该产品有优惠。

在确定出e_ac后，通过实施e_ac引导因素，引导用户注意到电器商品优惠信息，进而使用户点击相应的电器商品链接，实现使用户做出期望行为的效果，实现在非电商传统平台上根据商品属性实现面向目标用户的高效准确匹配的效果。

下面参考图2详细描述本申请公开的多平台商品属性匹配处理系统实施例。本实施例是用于实施前述的多平台商品属性匹配处理方法实施例的系统。如图2所示，本实施例公开的系统主要包括有：行为数据生成模块、关联模型建立模块、因素域确定模块、行为状态判断模块、映射因素识别模块。

行为数据生成模块用于获取多网络平台的用户数据，从用户数据中提取出行为数据，生成行为数据集合。

在一种实施方式中，所述行为数据集合V＝{p₁，p₂，...p_i，...p_M}，其中，p_i为用户的第i类行为，M是行为类型总数，所述行为类型包括在电商平台中的浏览商品、收藏商品、收藏商家、将商品加入购物车、商品下单中的至少一项，还包括在非电商平台中的关注、点赞、转发、输入评论、进入直播间、驻留直播间、打赏、网址链接点击中的至少一项。

关联模型建立模块用于依据所述行为数据集合建立多网络平台的行为引导因素与用户行为之间的引导关系关联模型。

在一种实施方式中，所述关联模型G包括{V，E}，其中，影响程度集合E＝{e₁₁，e₁₂，...e_ij，...e_ML}，e_ij为用户的第i类行为p_i受第j个行为引导因素e_j的影响程度，i＝1，2...M，j＝1，2…L，L为行为引导因素类型总数，所述行为引导因素包括信息出现方式因素、信息类型因素、信息内容因素、价格因素、时间因素、地理位置因素中的至少一项。

在一种实施方式中，所述关联模型G还包括影响程度权重集合W，G＝{V，E，W}，其中，影响程度权重集合W＝{w₁₁，w₁₂，...w_ij，...w_ML}，w_ij为e_ij的权重值，0≤w_ij≤K，K为权重允许最大值。

因素域确定模块用于从所述关联模型中确定出用户受所述行为引导因素影响而产生的被引导用户行为，得到每类被引导用户行为的引导因素域。

行为状态判断模块用于依据所述关联模型和所述引导因素域判断行为状态变化情况。

在一种实施方式中，所述行为状态变化情况的模型为：

x_i(t+1)＝x_i(t)+Δe_ij(t)

其中，x_i为每个p_i的行为状态，x_i∈R，R是每个p_i可能处于的所有行为状态的集合，x_i(t)为用户的第i类被引导行为在t时刻的行为状态，x_i(t+1)为在后时间阶段内的行为状态，e_ij(t+1)为在后时间阶段内的行为引导因素，e_ij(t)为在先时间阶段内的行为引导因素，β_i是第i类被引导行为的增益系数，Δe_ij(t)为在N_i内e_ij(t+1)相对于e_ij(t)的差异量对x_i(t+1)产生的增益。

映射因素识别模块用于依据所述行为状态变化情况确定出与所述引导因素域相应的非电商平台的映射引导因素，并向用户施加该映射引导因素。

本文中的模块、单元或组件的划分仅仅是一种逻辑功能的划分，在实际实现时可以有其他的划分方式，例如多个模块和/或单元可以结合或集成于另一个系统中。作为分离部件说明的模块、单元、组件在物理上可以是分开的，也可以是不分开的。作为单元显示的部件可以是物理单元，也可以不是物理单元，即可以位于一个具体地方，也可以分布到网格单元中。因此可以根据实际需要选择其中的部分或全部的单元来实现实施例的方案。

以上所述，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，可轻易想到的变化或替换，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所述权利要求的保护范围为准。

Claims (10)

1.一种多平台商品属性匹配处理方法，其特征在于，包括：

获取多网络平台的用户数据，从用户数据中提取出行为数据，生成行为数据集合；

依据所述行为数据集合建立多网络平台的行为引导因素与用户行为之间的引导关系关联模型；

从所述关联模型中确定出用户受所述行为引导因素影响而产生的被引导用户行为，得到每类被引导用户行为的引导因素域；

依据所述关联模型和所述引导因素域判断行为状态变化情况；

依据所述行为状态变化情况确定出与所述引导因素域相应的非电商平台的映射引导因素，并向用户施加该映射引导因素。

2.如权利要求1所述的处理方法，其特征在于，所述行为数据集合V＝{p₁，p₂，...p_i，...p_M}，其中，p_i为用户的第i类行为，M是行为类型总数，所述行为类型包括在电商平台中的浏览商品、收藏商品、收藏商家、将商品加入购物车、商品下单中的至少一项，还包括在非电商平台中的关注、点赞、转发、输入评论、进入直播间、驻留直播间、打赏、网址链接点击中的至少一项。

3.如权利要求2所述的处理方法，其特征在于，所述关联模型G包括{V，E}，其中，影响程度集合E＝{e₁₁，e₁₂，...e_ij，...e_ML}，e_ij为用户的第i类行为p_i受第j个行为引导因素e_j的影响程度，i＝1，2…M，j＝1，2…L，L为行为引导因素类型总数，所述行为引导因素包括信息出现方式因素、信息类型因素、信息内容因素、价格因素、时间因素、地理位置因素中的至少一项。

4.如权利要求3所述的处理方法，其特征在于，所述关联模型G还包括影响程度权重集合W，G＝{V，E，W}，其中，影响程度权重集合W＝{w₁₁，w₁₂，...w_ij，...w_ML}，w_ij为e_ij的权重值，0≤w_ij≤K，K为权重允许最大值。

5.如权利要求4所述的处理方法，其特征在于，所述行为状态变化情况的模型为：

x_i(t+1)＝x_i(t)+Δe_ij(t)

其中，x_i为每个p_i的行为状态，x_i∈R，R是每个p_i可能处于的所有行为状态的集合，x_i(t)为用户的第i类被引导行为在t时刻的行为状态，x_i(t+1)为在后时间阶段内的行为状态，e_ij(t+1)为在后时间阶段内的行为引导因素，e_ij(t)为在先时间阶段内的行为引导因素，β_i是第i类被引导行为的增益系数，Δe_ij(t)为在N_i内e_ij(t+1)相对于e_ij(t)的差异量对x_i(t+1)产生的增益。

6.一种多平台商品属性匹配处理系统，其特征在于，包括：

行为数据生成模块，用于获取多网络平台的用户数据，从用户数据中提取出行为数据，生成行为数据集合；

关联模型建立模块，用于依据所述行为数据集合建立多网络平台的行为引导因素与用户行为之间的引导关系关联模型；

因素域确定模块，用于从所述关联模型中确定出用户受所述行为引导因素影响而产生的被引导用户行为，得到每类被引导用户行为的引导因素域；

行为状态判断模块，用于依据所述关联模型和所述引导因素域判断行为状态变化情况；

映射因素识别模块，用于依据所述行为状态变化情况确定出与所述引导因素域相应的非电商平台的映射引导因素，并向用户施加该映射引导因素。

7.如权利要求6所述的处理系统，其特征在于，所述行为数据集合V＝{p₁，p₂，...p_i，...p_M}，其中，p_i为用户的第i类行为，M是行为类型总数，所述行为类型包括在电商平台中的浏览商品、收藏商品、收藏商家、将商品加入购物车、商品下单中的至少一项，还包括在非电商平台中的关注、点赞、转发、输入评论、进入直播间、驻留直播间、打赏、网址链接点击中的至少一项。

8.如权利要求7所述的处理系统，其特征在于，所述关联模型G包括{V，E}，其中，影响程度集合E＝{e₁₁，e₁₂，...e_ij，...e_ML}，e_ij为用户的第i类行为p_i受第j个行为引导因素e_j的影响程度，i＝1，2…M，j＝1，2…L，L为行为引导因素类型总数，所述行为引导因素包括信息出现方式因素、信息类型因素、信息内容因素、价格因素、时间因素、地理位置因素中的至少一项。

9.如权利要求8所述的处理系统，其特征在于，所述关联模型G还包括影响程度权重集合W，G＝{V，E，W}，其中，影响程度权重集合W＝{w₁₁，w₁₂，...w_ij，...w_ML}，w_ij为e_ij的权重值，0≤w_ij≤K，K为权重允许最大值。

10.如权利要求9所述的处理系统，其特征在于，所述行为状态变化情况的模型为：

x_i(t+1)＝x_i(t)+Δe_ij(t)

其中，x_i为每个p_i的行为状态，x_i∈R，R是每个p_i可能处于的所有行为状态的集合，x_i(t)为用户的第i类被引导行为在t时刻的行为状态，x_i(t+1)为在后时间阶段内的行为状态，e_ij(t+1)为在后时间阶段内的行为引导因素，e_ij(t)为在先时间阶段内的行为引导因素，β_i是第i类被引导行为的增益系数，Δe_ij(t)为在N_i内e_ij(t+1)相对于e_ij(t)的差异量对x_i(t+1)产生的增益。

Images