CN113420214A

CN113420214A - 一种电子交易对象推荐方法和装置及设备

Info

Publication number: CN113420214A
Application number: CN202110698466.3A
Authority: CN
Inventors: 翟正元; 曲文武; 李江漫; 孙春晓
Original assignee: Qingdao Hisense Smart Life Technology Co Ltd
Current assignee: Qingdao Hisense Smart Life Technology Co Ltd
Priority date: 2021-06-23
Filing date: 2021-06-23
Publication date: 2021-09-21
Anticipated expiration: 2041-06-23
Also published as: CN113420214B

Abstract

本发明提供了一种电子交易对象推荐方法和装置及设备，所述方法包括：响应于用户的推荐更新请求，获取用户最近一次交易的不同分类的电子交易对象的交易时间；根据当前时间和交易时间之间的差值，及不同分类的电子交易对象的推荐周期，计算周期评分；将周期评分大于第一预设阈值的分类对应历史的电子交易对象，作为候选集合，分别确定候选集合中每一候选电子交易对象所在的频繁项集；分别将各候选电子交易对象对应的周期评分和该电子交易对象所在的频繁项集的支持度求和，得到该候选电子交易对象的推荐评分；按照推荐评分的大小进行排序，获得电子交易对象的推荐结果。利用本发明公开的方法，基于推荐周期推荐电子交易对象，可以提升推荐精确度。

Description

一种电子交易对象推荐方法和装置及设备

技术领域

本发明涉及智能推荐技术领域，尤其涉及一种电子交易对象推荐方法和装置及设备。

背景技术

电子商务推荐系统利用电子商务网站向用户提供电子交易对象信息和建议，为用户提供决策支持和信息服务，帮助用户进行电子交易对象选择。随着电子商务规模的不断扩大，电子交易对象的种类快速增长，用户需要浏览大量信息、花费大量的时间才能找到需要的电子交易对象，为了提升电子交易对象推荐的效果和效率，个性化推荐系统应运而生。

个性化推荐系统通过海量数据挖掘，预测用户的兴趣和需求，进行电子交易对象推荐。相关技术中的个性化推荐系统采用不同的电子交易对象推荐方法，例如，协同过滤推荐、基于深度神经网络的推荐、基于内容的推荐等，但是上述电子交易对象推荐方法仅考虑了用户兴趣，往往会造成对用户需求的错误预测，例如，在用户刚刚执行过针对某一电子交易对象的交易后，向用户错误的推荐更多与该电子交易对象相似的电子交易对象，导致推荐准确率降低。

发明内容

本发明提供一种电子交易对象推荐方法和装置及设备，解决相关技术的电子交易对象推荐方法存在的错误预测用户需求及推荐准确率低的问题。

第一方面，本发明提供一种电子交易对象的推荐方法，该方法包括：

响应于用户的推荐更新请求，获取所述用户最近一次交易的不同分类的电子交易对象的交易时间；

根据当前时间和各分类的电子交易对象的交易时间之间的差值，及预先针对所述用户确定的不同分类的电子交易对象对应的推荐周期，计算表征不同分类的电子交易对象的所述差值与对应的推荐周期的差距的周期评分；

将周期评分大于第一预设阈值的分类对应历史的电子交易对象，作为候选集合，分别确定所述候选集合中每一候选电子交易对象所在的频繁项集；

分别将各候选电子交易对象对应的周期评分和该电子交易对象所在的频繁项集的支持度求和，得到该候选电子交易对象的推荐评分；

按照推荐评分的大小进行排序，获得电子交易对象的推荐结果。

可选地，采用如下方式预先针对所述用户确定不同分类的电子交易对象对应的推荐周期，包括：

获取所述用户在一段时间内交易的不同分类的电子交易对象的相关信息；

针对不同分类的电子交易对象的交易时间，确定表征所述用户在所述一段时间内各子时段是否交易该类电子交易对象的二进制序列；

按照不同长度划分各分类的电子交易对象对应的二进制序列，得到与不同长度对应的多个子序列集合；

将各分类对应的多个子序列集合的平均不相关性最小的子序列集合的长度，作为该分类的电子交易对象的推荐周期。

可选地，获取所述用户在一段时间内交易的不同分类的电子交易对象的相关信息，包括：

获取不同用户在一段时间内交易的不同分类的电子交易对象的相关信息；

根据所述相关信息，计算不同用户在所述一段时间内进行电子交易对象交易的次数，并筛除交易次数少于第三预设阈值的用户的相关信息；

针对筛选后的不同用户，计算该用户在所述一段时间内进行不同分类电子交易对象交易的次数，筛除交易次数少于第四预设阈值的分类对应的相关信息；

根据所述用户的标识信息，在筛选后的相关信息中获取所述用户在一段时间内交易的不同分类的电子交易对象的相关信息。

可选地，所述二进制序列的不同位置的比特位对应所述一段时间内不同子时段，各比特采用不同比特值分别表示该用户在对应的子时段交易该类电子交易对象，及该用户未在对应的子时段交易该类电子交易对象。

可选地，采用如下方式计算各分类对应的多个子序列集合的平均不相关性：

针对任一子序列集合，分别计算任意两个子序列之间的相关性R_ij(t)＝D²(V_Pi(t)-V_Pj(t))；

根据所述任意两个子序列之间的相关性，计算该子序列集合的平均不相关性

所述t为子序列集合中子序列的长度，V_Pi(t)表示子序列P_i(t)的向量，V_Pj(t)表示子序列P_j(t)的向量，D²(V₁-V₂)表示向量V₁、V₂的欧式距离平方，n(t)为子序列集合中子序列的个数。

可选地，计算表征不同分类的电子交易对象的所述差值与对应的推荐周期的差距的周期评分，包括：

将任一分类的电子交易对象的所述差值与对应的推荐周期的比值，作为表征该分类的电子交易对象的所述差值与对应的推荐周期的差距的周期评分。

可选地，采用如下方式确定每一候选电子交易对象所在的频繁项集及对应的支持度：

将所述用户在所述一段时间内交易的电子交易对象去重，并按照所述交易时间排序，获得电子交易对象序列；

确定包括所述电子交易对象序列中至少两个电子交易对象的不同项集，从所述不同项集中筛选支持度大于第二预设阈值的频繁项集，得到频繁项集集合；

在所述频繁项集集合中，分别确定所述候选集合中每一候选电子交易对象所在的频繁项集；

针对每一候选电子交易对象，将该候选电子交易对象所在的频繁项集对应的支持度求和，得到该候选电子交易对象所在的频繁项集的支持度。

第二方面，本发明提供一种电子交易对象推荐设备，包括存储器和处理器，其中：

所述存储器用于存储计算机程序；

所述处理器用于读取所述存储器中的程序并执行如下步骤：

可选地，所述处理器采用如下方式预先针对所述用户确定不同分类的电子交易对象对应的推荐周期，包括：

可选地，所述处理器获取所述用户在一段时间内交易的不同分类的电子交易对象的相关信息，包括：

可选地，所述处理器采用如下方式计算各分类对应的多个子序列集合的平均不相关性：

可选地，所述处理器计算表征不同分类的电子交易对象的所述差值与对应的推荐周期的差距的周期评分，包括：

可选地，所述处理器采用如下方式确定每一候选电子交易对象所在的频繁项集及对应的支持度：

第三方面，本发明提供一种电子交易对象推荐装置，包括：

数据获取单元，用于响应于用户的推荐更新请求，获取所述用户最近一次交易的不同分类的电子交易对象的交易时间；

周期评分单元，用于根据当前时间和各分类的电子交易对象的交易时间之间的差值，及预先针对所述用户确定的不同分类的电子交易对象对应的推荐周期，计算表征不同分类的电子交易对象的所述差值与对应的推荐周期的差距的周期评分；

频繁项集确定单元，用于将周期评分大于第一预设阈值的分类对应历史的电子交易对象，作为候选集合，分别确定所述候选集合中每一候选电子交易对象所在的频繁项集；

推荐评分单元，用于分别将各候选电子交易对象对应的周期评分和该电子交易对象所在的频繁项集的支持度求和，得到该候选电子交易对象的推荐评分；

推荐结果确定单元，用于按照推荐评分的大小进行排序，获得电子交易对象的推荐结果。

可选地，所述周期评分单元采用如下方式预先针对所述用户确定不同分类的电子交易对象对应的推荐周期，包括：

可选地，所述周期评分单元获取所述用户在一段时间内交易的不同分类的电子交易对象的相关信息，包括：

可选地，所述周期评分单元采用如下方式计算各分类对应的多个子序列集合的平均不相关性：

可选地，所述周期评分单元计算表征不同分类的电子交易对象的所述差值与对应的推荐周期的差距的周期评分，包括：

可选地，所述频繁项集确定单元采用如下方式确定每一候选电子交易对象所在的频繁项集及对应的支持度：

第四方面，本发明提供一种计算机程序介质，其上存储有计算机程序，该程序被处理器执行时实现如上述第一方面提供的电子交易对象的推荐方法的步骤。

第五方面，本发明提供一种芯片，所述芯片与设备中的存储器耦合，使得所述芯片在运行时调用所述存储器中存储的程序指令，实现本申请实施例上述各个方面以及各个方面涉及的任一可能涉及的方法。

第六方面，本发明提供一种计算机程序产品，当所述计算机程序产品在电子设备上运行时，使得所述电子设备执行实现本申请实施例上述各个方面以及各个方面涉及的任一可能涉及的方法。

本发明提供的一种电子交易对象推荐方法和装置及设备，具有以下有益效果：

根据预先针对不同用户确定的不同分类的电子交易对象对应的推荐周期，确定该用户的不同分类的电子交易对象的周期评分，并对历史的电子交易对象进行周期性的频繁项集挖掘，确定对应的支持度，及根据上述周期评分及支持度，确定周期性的推荐结果，实现了基于推荐周期对不同用户进行个性化的电子交易对象推荐，提高电子交易对象推荐的准确性。

附图说明

图1为本发明实施例提供的一种电子交易对象推荐方法的应用场景的示意图；

图2为本发明实施例提供的一种电子交易对象的推荐方法的流程图；

图3为本发明实施例提供的一种电子交易对象推荐方法的实施方式的流程图；

图4为本发明实施例提供的一种电子交易对象推荐设备的示意图；

图5为本发明实施例提供的一种电子交易对象推荐装置的示意图。

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，所描述的实施例仅仅是本申请一部分实施例，并不是全部的实施例。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。

需要说明的是，本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。

以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。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。

在本申请实施例的描述中，除非另有说明，“/”表示或的意思，例如，A/B可以表示A或B；文本中的“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况，另外，在本申请实施例的描述中，“多个”是指两个或多于两个，其它量词与之类似应当理解，此处所描述的优选实施例仅用于说明和解释本申请，并不用于限定本申请，并且在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。

以下，对本发明实施例中的部分用语进行解释说明，以便于本领域技术人员理解。

(1)本发明实施例中术语“频繁项集”，项集是指若干个项的集合，包含k个项的集合为k项集，频繁项集是指支持度大于等于最小支持度的项集，其中支持度是指某个集合在所有事务中出现的频率。

(2)本发明实施例中术语“欧氏距离”，也被称为欧几里得度量(euclideanmetric)，是一个通常采用的距离定义，指在m维空间中两个点之间的真实距离，或者向量的自然长度(即该点到原点的距离)，在二维和三维空间中的欧氏距离就是两点之间的实际距离。

(3)本发明实施例中术语“Apriori算法”，是第一个关联规则挖掘算法，也是最经典的关联规则挖掘算法，它利用逐层搜索的迭代方法找出数据库中项集的关系，以形成规则，其过程由连接(类矩阵运算)与剪枝(去掉那些没必要的中间结果)组成。

鉴于相关技术的电子交易对象推荐方法存在的上述问题，本申请提出一种电子交易对象推荐方法和装置及设备。

下面结合附图对本申请实施例中的一种电子交易对象推荐方法和装置及设备进行详细说明。

实施例1

如图1所示，本发明实施例提供一种电子交易对象推荐方法的应用场景的示意图，包括：

电子交易对象推荐设备101，响应于用户的推荐更新请求，获取上述用户最近一次交易的不同分类的电子交易对象的交易时间；根据当前时间和各分类的电子交易对象的交易时间之间的差值，及预先针对上述用户确定的不同分类的电子交易对象对应的推荐周期，计算表征不同分类的电子交易对象的上述差值与对应的推荐周期的差距的周期评分；将周期评分大于第一预设阈值的分类对应历史的电子交易对象，作为候选集合，分别确定上述候选集合中每一候选电子交易对象所在的频繁项集；分别将各候选电子交易对象对应的周期评分和该电子交易对象所在的频繁项集的支持度求和，得到该候选电子交易对象的推荐评分；按照推荐评分的大小进行排序，获得电子交易对象的推荐结果。

客户端设备102，用于显示从上述电子交易对象推荐设备101接收的电子交易对象的推荐结果。

上述电子交易对象推荐设备与上述客户端设备之间通过网络进行通信连接，该网络可以为局域网、广域网等。

上述客户端设备可以为便捷设备(例如：手机、平板、笔记本电脑等)，也可以为个人电脑(PC，Personal Computer)。

上述电子交易对象推荐设备可以为任何能够提供互联网服务的设备，例如，服务器等。

用户通过上述客户端设备中安装的客户端与电子交易对象推荐设备进行数据交互，其中，上述客户端可以为网页的浏览器，也可以为安装于移动用户设备，如手机，平板电脑等中的应用客户端。

需要说明的是，上述应用场景仅是对本发明实施例中一种可能的实施方式的说明，并不对本发明实施例产生限定，相反，本申请的实施方式可以应用于适用的任何场景，且上述应用场景可以根据具体的实施情况进行实体的增减、删改。

本发明实施例提供一种电子交易对象的推荐方法的流程图，如图2所示，包括：

步骤S201，响应于用户的推荐更新请求，获取所述用户最近一次交易的不同分类的电子交易对象的交易时间；

上述推荐请求的触发方式可以为用户打开交易电子交易对象的客户端，或用户刷新电子交易对象推荐页面，或用户点击电子交易对象推荐页面中的更新图标。

上述电子交易对象可以为有形的货物，例如生活用品、食物、建材等商品，也可以为无形的信息产品。

上述分类为预先划分的、涵盖全部电子交易对象的种类。

当存在n个分类时，上述获取上述用户最近一次交易的不同分类的电子交易对象的交易时间为：获取该用户最近一次交易的分类1的电子交易对象的交易时间1；……；获取该用户最近一次交易的分类n的电子交易对象的交易时间n。

步骤S202，根据当前时间和各分类的电子交易对象的交易时间之间的差值，及预先针对所述用户确定的不同分类的电子交易对象对应的推荐周期，计算表征不同分类的电子交易对象的所述差值与对应的推荐周期的差距的周期评分；

用户对电子交易对象进行交易的交易时间，存在交易规律和用户对不同电子交易对象的需求，本申请通过周期评分，衡量实际交易周期与推荐周期的差距，评价用户的需求。

不同用户对不同分类的电子交易对象的交易周期不同，同一用户对不同分类的电子交易对象的交易周期也是不同的，因此，预先针对上述用户确定不同分类的电子交易对象对应的推荐周期。

任一分类的电子交易对象的上述差值为当前时间和该分类的电子交易对象的交易时间之间的差值。

任一分类的电子交易对象的周期评分为该分类的电子交易对象的上述差值，与预先针对上述用户确定的该分类的电子交易对象的推荐周期的差距。

读取上述差距和上述推荐周期后，采用如下任一实施方式，计算表征不同分类的电子交易对象的上述差值与对应的推荐周期的差距的周期评分：

实施方式1：将任一分类的电子交易对象的上述差值与对应的推荐周期的比值，作为表征该分类的电子交易对象的上述差值与对应的推荐周期的差距的周期评分。

即，不同分类的电子交易对象的周期评分

其中，T_c为当前时间戳，T_la为最近一次交易各分类的电子交易对象的交易时间戳，T为对应的推荐周期。

实施方式2：将任一分类的电子交易对象的上述差值与对应的推荐周期的差值，作为表征该分类的电子交易对象的上述差值与对应的推荐周期的差距的周期评分。

即，不同分类的电子交易对象的周期评分score_c＝T_c-T_la-T，其中，T_c为当前时间戳，T_la为最近一次交易各分类的电子交易对象的交易时间戳，T为对应的推荐周期。

步骤S203，将周期评分大于第一预设阈值的分类对应历史的电子交易对象，作为候选集合，分别确定所述候选集合中每一候选电子交易对象所在的频繁项集；

上述第一预设阈值的具体数据可以根据具体的实施情况进行具体的设置，且上述第一预设阈值的具体数据受周期评分的具体实施方式的影响，例如，当上述周期评分为上述差值与对应的推荐周期的比值时，将上述第一预设阈值设置为1；当上述周期评分为上述差值与对应的推荐周期的差值时，将上述第一预设阈值设置为0，本发明实施例对此不进行任何限定。

上述历史的电子交易对象为上述用户在一段时间内交易的电子交易对象。

根据周期评分大于第一预设阈值的分类下，在上述一段时间内全部的已交易电子交易对象s_i，生成候选集合S＝{s_i}，其中，i＝1,…,n，n为上述已交易电子交易对象的数量。

需要说明的是，上述频繁项集为至少包括两个电子交易对象的集合，且上述集合的支持度大于第二预设阈值。

任一频繁项集的支持度表征用户对该频繁项集的兴趣度，上述兴趣度可以根据该频繁项集在频繁项集集合中出现的概率或次数衡量。

步骤S204，分别将各候选电子交易对象对应的周期评分和该电子交易对象所在的频繁项集的支持度求和，得到该候选电子交易对象的推荐评分；

上述候选集合S＝{s_i}中每个候选电子交易对象s_i的推荐评分TS_si＝score_si+score_c；

其中，score_c为任一候选电子交易对象对应的周期评分，score_si为该电子交易对象所在的频繁项集的支持度，score_c是商品s_i所对应的类别c的复购周期得分。

步骤S205，按照推荐评分的大小进行排序，获得电子交易对象的推荐结果。

按照推荐评分TS_si的大小对上述候选集合S＝{s_i}中的候选电子交易对象s_i进行排序，获得电子交易对象的推荐结果，并将上述排序结果存储至数据库。

本申请将电子交易对象推荐周期和推荐算法结合，可以提升电子交易对象推荐的准确性。

将上述预先针对上述用户确定的不同分类的电子交易对象对应的推荐周期存储在数据库中，在需要时从上述数据库中获取上述推荐周期。

上述推荐周期根据用户在一段时间内交易的不同分类的电子交易对象的相关信息确定，作为一种可选的实施方式，采用如下方式预先针对上述用户确定不同分类的电子交易对象对应的推荐周期，包括：

获取上述用户在一段时间内交易的不同分类的电子交易对象的相关信息；

针对不同分类的电子交易对象的交易时间，确定表征上述用户在上述一段时间内各子时段是否交易该类电子交易对象的二进制序列；

从数据库中获取上述相关信息。

上述一段时间的具体长度可以根据具体的实施情况进行具体的设置，作为一种可选的实施方式，将上述一段时间设置为一个月。

上述相关信息包括以下信息中的至少一项：用户标识、交易时间、电子交易对象分类、电子交易对象标识、电子交易对象数量。

作为一种可选的实施方式，将上述相关信息记为(id,T,c,n)，其中，id为电子交易对象标识，T为交易时间，c为电子交易对象分类，n为电子交易对象数量。

根据上述相关信息中的电子交易对象分类，对上述用户在一段时间内交易的所有电子交易对象，按照预设电子交易对象分类标准进行归类。

根据上述交易时间，对不同分类的电子交易对象进行二进制处理，确定表征上述用户在上述一段时间内各子时间段是否交易该类电子易对象的二进制序列。

需要说明的是，上述二进制序列的不同位置的比特位对应上述一段时间内不同子时段，各比特采用不同比特值分别表示该用户在对应的子时段交易该类电子交易对象，及该用户未在对应的子时段交易该类电子交易对象。

即，从上述一段时间的第一个子时段开始，对于每一子时段，如果该类电子易对象被上述用户交易，那么上述二进制序列的对应位置的比特位记为第一数值，如果该类电子易对象未被上述用户交易，那么上述二进制序列的对应位置的比特位记为第二数值。

作为一种可选的实施方式，上述第一数值为1，上述第二数值为0。

上述子时段的长度可以根据具体的实施情况进行具体的设置，例如，设置上述子时段为1天，本发明实施例对此不进行任何限定。

需要说明的是，确定表征上述用户在上述一段时间内各子时段是否交易该类电子交易对象的二进制序列之后，记录上述用户最近一次交易该类电子交易对象的交易时间。

上述划分二进制序列的长度为该二进制序列的比特位数量的约数，例如，例如若某二进制序列的比特位数量为30，则划分该二进制序列的长度为15、10、6、5、3、2。

按照不同长度划分各分类的电子交易对象对应的二进制序列时，计算所有可能的长度{t}，并根据计算的长度t将二进制序列进行均匀划分，得到子序列集合π(t)＝{P₁(t)|P₂(t)|…|P_n(t)(t)}，其中P₁(t),…,P_n(t)(t)表示按照长度t划分后得到的n(t)个子序列，n(t)为按长度t划分得到的子序列个数。

上述平均不相关性表示子序列集合中的不同子序列之间的相似度，上述相似度越高，上述平均不相关性越小。

将获得的不同分类的电子交易对象的推荐周期存储到数据库中。

在获取上述相关信息时，需要对信息进行筛选，采用如下实施方式获取上述用户在一段时间内交易的不同分类的电子交易对象的相关信息：

根据上述相关信息，计算不同用户在上述一段时间内进行电子交易对象交易的次数，并筛除交易次数少于第三预设阈值的用户的相关信息；

针对筛选后的不同用户，计算该用户在上述一段时间内进行不同分类电子交易对象交易的次数，筛除交易次数少于第四预设阈值的分类对应的相关信息；

根据上述用户的标识信息，在筛选后的相关信息中获取上述用户在一段时间内交易的不同分类的电子交易对象的相关信息。

上述第三预设阈值和上述第四预设阈值的具体数值可以根据具体的实施情况进行设置，例如，设置上述第三预设阈值为5，设置上述第四预设阈值为2，本发明实施例对此不进行任何限定。

如果上述用户的相关信息被筛除，即上述用户在上述一段时间内的交易次数过少无法确定推荐周期，可以直接结束流程，使用之前确定的推荐周期，或默认推荐周期，也可以调整获取上述相关信息的时间长度，直至上述用户的交易次数大于第三预设阈值。

如果某一分类的电子交易对象被筛除，即该分类的电子交易对象在上述一段时间内的交易次数过少无法确定推荐周期，可以直接忽略该分类的电子交易对象，只确定符合要求的分类的电子交易对象的推荐周期。

作为一种可选的实施方式，采用如下方式计算各分类对应的多个子序列集合的平均不相关性：

根据上述任意两个子序列之间的相关性，计算该子序列集合的平均不相关性

上述t为子序列集合中子序列的长度，V_Pi(t)表示子序列P_i(t)的向量，V_Pj(t)表示子序列P_j(t)的向量，D²(V₁-V₂)表示向量V₁、V₂的欧式距离平方，n(t)为子序列集合中子序列的个数。

作为一种可选的实施方式，采用如下方式确定每一候选电子交易对象所在的频繁项集及对应的支持度：

将上述用户在上述一段时间内交易的电子交易对象去重，并按照上述交易时间排序，获得电子交易对象序列；

确定包括上述电子交易对象序列中至少两个电子交易对象的不同项集，从上述不同项集中筛选支持度大于第二预设阈值的频繁项集，得到频繁项集集合；

在上述频繁项集集合中，分别确定上述候选集合中每一候选电子交易对象所在的频繁项集；

上述第二预设阈值的具体数据可以根据具体的实施情况进行具体的设置，例如，将上述第二预设阈值设置为3，本发明实施例对此不进行任何限定。

根据Apriori算法计算上述频繁项集集合和对应的支持度：扫描上述相关信息，确定每个电子交易对象的支持度，得到所有1-频繁项集的集合F₁；根据长度为k-1的频繁项集，产生长度为k的候选项集；删除其中含有长度为k-1的非频繁项集的候选项集；扫描上述相关信息，计算长度为k的候选项集的支持度；去除候选项集中支持度小于阈值的非频繁项集，记录所有k-频繁项集F_k和对应的支持度集合P_k；迭代上述步骤直到不产生新的频繁项集，即根据F1生成2-频繁项集F2，根据F2生成3-频繁项集F3，依次这样进行下去，直到得到K-频繁项集，记录所有K个频繁项集集合F₂,…,F_k,…F_K和对应的支持度集合P₂,…,P_k,…P_K。

获取包含候选集合S＝{s_i}中每个候选电子交易对象s_i且长度为2,…,k,…,K的候选项f₂,…,f_k,…f_K；若f_i是属于F_i,i＝2,…,K，则取出对应的频繁项支持度p_i；若f_i不属于F_i，则对应的频繁项支持度为0。

计算包含s_i的所有频繁项的支持度：

上述相关信息记录了单个用户在不同子时间段的交易行为，是一组时间序列数据，具有较强的时间规律性或者周期性，以上述二进制序列作为基础数据，通过周期检测算法检测上述二进制序列的周期，进而为上述用户的不同分类的电子交易对象建立周期模式，然后通过挖掘分析周期频繁项集，从而得到满足上述用户需求的电子交易对象，以提升推荐效率、推荐精确度和用户体验感。

如图3所示，本发明实施例提供一种电子交易对象推荐方法的实施方式的流程图，包括：

步骤S301，从数据库中获取不同用户在一段时间内交易的不同分类的电子交易对象的相关信息；

如下表1所示，从数据库中获取用户A、B、C、D、E、F、G在一个月内交易的不同分类的电子交易对象的相关数据，上述相关数据包括交易时间、用户标识、电子交易对象标识、电子交易对象分类。

表1：不同用户在一段时间内交易的不同分类的电子交易对象的相关信息

在获取上述表1的相关信息后，按照上述用户标识对上述相关信息进行分组，计算每组的交易次数，并筛除交易次数小于5的分组对应的相关信息。

抽取不同用户标识对应的交易时间和电子交易对象分类，以用户A为例，上述用户A对应的交易时间和电子交易对象分类如下表2所示。

表2用户A对应的交易时间和电子交易对象分类

步骤S302，针对不同分类的电子交易对象的交易时间，确定表征上述用户在上述一段时间内各子时段是否交易该类电子交易对象的二进制序列；

例如，对于用户A和电子交易对象分类c1，在子时段2020-05-01交易了c1分类的电子交易对象，所以其二进制值为1；未在子时段2020-05-02交易c1分类的电子交易对象，所以其二进制值为0；以此类推，最后得到用户A对于电子交易对象分类c1的二进制序列为(100001000001000010000100001000)；对于类型c3的二进制序列为(001000010000000000100001000100)；由于分类c2、c4、c5的交易次数不大于2，不计算分类c2、c4、c5的推荐周期。

步骤S303，按照不同长度划分各分类的电子交易对象对应的二进制序列，得到与不同长度对应的多个子序列集合；

对用户A的分类c1的二进制序列(100001000001000010000100001000)，进行t＝15、10、6、5四种划分，并计算每种划分下的二进制子序列的相关度。例如，当t＝10时，划分的子序列集合为(1000010000|0100001000|0100001000)，所对应的3个子序列为(1000010000)，(0100001000)，(0100001000)；当t＝5时，划分的子序列集合为(10000|10000|01000|01000|01000|01000)，所对应的6个子序列为(10000)，(10000)，(01000)，(01000)，(01000)，(01000)。

步骤S304，计算各子序列集合的平均不相关性，并将各分类对应的多个子序列集合的平均不相关性最小的子序列集合的长度，作为该分类的电子交易对象的推荐周期并保存到数据库，同时记录最近一次交易该分类的电子交易对象的交易时间。

例如，对于t＝10时的子序列P₁(10)＝(1000010000)和P₂(10)＝(0100001000)，向量差

为(1-1 0 0 0 1 -1 0 0 0)，不相关度R₁₂(10)＝4；以此类推，可以得到R₁₃(10)＝4,R₂₃(10)＝0，因此，当t＝10时，子序列集合的平均不相关性

以此类推，可计算得到：当t＝6时，子序列集合的平均不相关性

当t＝5时，子序列集合的平均不相关性

计算所有子序列集合的平均不相关性后，取平均不相关性最小的子序列集合的长度作为该分类电子交易对象的推荐周期并保存到数据库，同时记录该类别的最后购买时间，如下表3所示。

表3不同分类电子交易对象的推荐周期及交易时间

步骤S305，响应于用户的推荐更新请求，从数据库获取上述用户最近一次交易的不同分类的电子交易对象的交易时间及对应的推荐周期；

步骤S306，根据当前时间和各分类的电子交易对象的交易时间之间的差值，及对应的推荐周期，计算表征不同分类的电子交易对象的上述差值与对应的推荐周期的差距的周期评分；

例如，若当前时间为2020-06-01，计算用户A当前时间对分类c1、c3的周期评分分别为：

步骤S307，将周期评分大于第一预设阈值的分类对应历史的电子交易对象，作为候选集合，分别确定上述候选集合中每一候选电子交易对象所在的频繁项集及对应的支持度；

筛选分类c1，c3的商品集合{a1，a3，a5，a6}作为候选集合，计算上述候选集合中每一候选电子交易对象所在的频繁项集及对应的支持度。

对于每个用户在上述一段时间内交易的电子交易对象去重，并按照交易时间排序，得到电子交易对象序列。

例如，用户A的电子交易对象序列：a1a3a5a4a6a2a8；用户B的电子交易对象序列：a2a5a7a3a6a9；用户C的电子交易对象序列：a2a4a3a6a8a9a10；用户D的电子交易对象序列：a3a2a5a1a6a8；用户F的电子交易对象序列：a3a7；用户G的电子交易对象序列：a3a1a8。

根据Apriori算法计算频繁项集和支持度，其中，选取3作为第二预设阈值，最后的计算结果如下表4所示。

表4：频繁项集及对应的支持度

计算候选集合{a1，a3，a5，a6}中各候选电子交易对象所在的频繁项集及对应的支持度，例如，用户A最近一次交易的候选电子交易对象为a8，最近两次交易的候选电子交易对象为a2a8，最近三次交易的候选电子交易对象为a6a2a8。对于候选电子交易对象a1，项集a1a8，a1a2a8，a1a2a6a8的支持度分别为3，0，0；对于候选电子交易对象a3，项集a3a8，a3a2a8，a3a2a6a8的支持度分别为4，0，3；对于候选电子交易对象a5，项集a5a8，a5a2a8，a5a2a6a8的支持度分别为0，0，0；对于候选电子交易对象a6，项集a6a8，a6a2a8的项集支持度分别为3，4。

步骤S308，分别将各候选电子交易对象对应的周期评分和该电子交易对象所在的频繁项集的支持度求和，得到该候选电子交易对象的推荐评分；

候选电子交易对象a1的推荐评分：

候选电子交易对象a3的推荐评分：

候选电子交易对象a5的推荐评分：

候选电子交易对象a6的推荐评分：

步骤S309，按照推荐评分的大小进行排序，获得电子交易对象的推荐结果。

因为

因此，推荐结果为(a6a3a1a5)，或(a3a6a1a5)。将上述推荐结果保存到数据库，并将上述推荐结果发送到客户端设备进行推荐。

实施例2

本发明实施例提供一种电子交易对象推荐设备400的示意图，包括存储器401和处理器402，如图4所示，其中：

所述存储器用于存储计算机程序；

所述处理器用于读取所述存储器中的程序并执行如下步骤：

本发明实施例提供一种电子交易对象推荐装置的示意图，如图5所示，包括：

数据获取单元501，用于响应于用户的推荐更新请求，获取所述用户最近一次交易的不同分类的电子交易对象的交易时间；

周期评分单元502，用于根据当前时间和各分类的电子交易对象的交易时间之间的差值，及预先针对所述用户确定的不同分类的电子交易对象对应的推荐周期，计算表征不同分类的电子交易对象的所述差值与对应的推荐周期的差距的周期评分；

频繁项集确定单元503，用于将周期评分大于第一预设阈值的分类对应历史的电子交易对象，作为候选集合，分别确定所述候选集合中每一候选电子交易对象所在的频繁项集；

推荐评分单元504，用于分别将各候选电子交易对象对应的周期评分和该电子交易对象所在的频繁项集的支持度求和，得到该候选电子交易对象的推荐评分；

推荐结果确定单元505，用于按照推荐评分的大小进行排序，获得电子交易对象的推荐结果。

本发明还提供一种计算机程序介质，其上存储有计算机程序，该程序被处理器执行时实现上述实施例1中提供的电子交易对象的推荐方法的步骤。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。

在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。

所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存储的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘(solid state disk，SSD))等。

以上对本申请所提供的技术方案进行了详细介绍，本申请中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。