CN113627995A - 商品推荐列表更新方法及其装置、设备、介质、产品 - Google Patents

Abstract

本申请涉及电商信息技术领域，公开一种商品推荐列表更新方法及其装置、设备、介质、产品，所述方法包括：根据商品推荐列表中的商品对象确定每个商品对象相对应的画像标签；统计各个画像标签相对应的标签指数，所述标签指数包括核心指数，为根据所有具有该画像标签的商品对象在多个历史时间形成的指定访问行为数据指标进行加权统计获得的统计数值；根据每个商品对象所具有的画像标签集合确定每个商品对象的排序分值，为该商品对象的所有画像标签相对应的所述标签指数的加权和值；根据所述排序分值对所述商品对象进行重排序以更新所述商品推荐列表。本申请能够快速确定新上线商品对象的推荐价值度，实现商品对象的推荐排序优化。

Description

商品推荐列表更新方法及其装置、设备、介质、产品

技术领域

本申请涉及电商信息技术领域，尤其涉及一种商品推荐列表更新方法及其相应的装置、计算机设备、计算机可读存储介质，以及计算机程序产品。

背景技术

电商平台中，特别是跨境电商的独立站点中，商户配置的上千万种商品，在需要进行商品推荐时，一般都需要根据某一参考信息进行排序，构成商品推荐列表，在需要进行商品推荐时，从该商品推荐列表中按这一参考信息排序组织商品，推荐给用户，由此可以突出重点商品，使成交率最大化。

现有技术中，商品推荐方式一般使用商品历史的转化情况进行推荐，或者根据用户的历史行为进行推荐。对于商品售卖情况和用户历史行为进行商品推荐需要商品产出过转化数据，而新上线的商品却缺乏可用的转化数据，因此，对于新商品而言，传统的推荐方式，其推荐效果比较差，不利于新商品的推荐。

发明内容

本申请的首要目的在于解决上述问题至少之一而提供一种商品推荐列表更新方法及其相应的装置、计算机设备、计算机可读存储介质、计算机程序产品。

为满足本申请的各个目的，本申请采用如下技术方案：

适应本申请的目的之一而提供的一种商品推荐列表更新方法，包括如下步骤：

根据商品推荐列表中的商品对象确定每个商品对象相对应的画像标签；

统计各个画像标签相对应的标签指数，所述标签指数包括核心指数，所述核心指数为根据所有具有该画像标签的商品对象在多个历史时间形成的指定访问行为数据指标进行加权统计获得的统计数值；

根据每个商品对象所具有的画像标签集合确定每个商品对象的排序分值，所述排序分值为该商品对象的所有画像标签相对应的所述标签指数的加权和值；

根据所述排序分值对所述商品对象进行重排序以更新所述商品推荐列表。

深化的实施例中，根据商品推荐列表中的商品对象确定每个商品对象相对应的画像标签，包括如下步骤：

根据商品对象的商品信息中提取的摘要文本及商品图片确定其表示商品分类的画像标签；

根据商品对象的商品信息中提取的商品属性数据确定其表征不同商品属性的多个画像标签；

将为每个商品对象确定出的所有画像标签构造为其相应的画像标签集合。

深化的实施例中，统计各个画像标签相对应的标签指数，包括如下步骤：

针对每个画像标签，统计其相对应的标签指数中的核心指数，所述核心指数为根据所有具有该画像标签的商品对象在多个历史时间形成的指定访问行为数据指标进行加权统计获得的统计数值；

针对每个画像标签，统计其相对应的标签指数中的至少一个附加指数，所述附加指数为根据所有具有该画像标签的商品对象在多个历史时间形成的附加访问行为数据指标进行加权统计获得的统计数值；

针对每个画像标签，计算其标签指数，所述标签指数为所述核心指数与所述附加指数的加权和值。

具体化的实施例中，针对每个画像标签，统计其相对应的标签指数中的核心指数，包括如下步骤：

确定所有具有该画像标签的商品对象在多个历史时间形成的指定访问行为数据指标相对应的指标数值，所述指定访问行为数据指标包括至少两个在业务逻辑上具有先后关联关系的目标数据指标；

计算各个历史时间相对应的所述指标数值的加权和值，其中加权所需的权重按照形成各个指标数值相对应的历史时间由近及远呈自大至小配置。

较佳的实施例中，所述目标数据指标包括第一目标数据指标和第二目标数据指标，第一目标数据指标为商品对象的点击率指标，第二目标数据指标为商品对象的转化率指标，该转化率指标的指标数值形成的历史时间为最近期。

扩展的实施例中，根据所述排序分值对所述商品对象进行重排序以更新所述商品推荐列表之后，包括如下步骤：

统计当前站点的所述商品推荐列表与用户自定义的商品推荐列表的排序信息统计其各自的曲线下面积；

将曲线下面积最大的商品推荐列表设置为当前启用的商品推荐列表。

扩展的实施例中，根据所述排序分值对所述商品对象进行重排序以更新所述商品推荐列表之后，包括如下步骤：

响应用户获取商品对象列表的搜索请求，获取该用户请求中的预设条件；

根据所述预设条件从所述商品推荐列表中匹配出与所述预设条件相匹配的多个商品对象；

构造商品推送页面，所述商品推送页面包括所述相匹配的多个商品对象对应的商品摘要信息，各个商品摘要信息按照其商品对象的所述排序分值排序；

向该用户推送所述商品推送页面。

适应本申请的目的之一而提供的一种商品推荐列表更新装置，包括：标签提取模块、汇总统计模块、分值确定模块，以及排序更新模块；其中，所述标签提取模块，用于根据商品推荐列表中的商品对象确定每个商品对象相对应的画像标签；所述汇总统计模块，用于统计各个画像标签相对应的标签指数，所述标签指数包括核心指数，所述核心指数为根据所有具有该画像标签的商品对象在多个历史时间形成的指定访问行为数据指标进行加权统计获得的统计数值；所述分值确定模块，用于根据每个商品对象所具有的画像标签集合确定每个商品对象的排序分值，所述排序分值为该商品对象的所有画像标签相对应的所述标签指数的加权和值；所述排序更新模块，用于根据所述排序分值对所述商品对象进行重排序以更新所述商品推荐列表。

深化的实施例中，所述标签提取模块包括：分类确定子模块，用于根据商品对象的商品信息中提取的摘要文本及商品图片确定其表示商品分类的画像标签；属性确定子模块，用于根据商品对象的商品信息中提取的商品属性数据确定其表征不同商品属性的多个画像标签；集合构造子模块，用于将为每个商品对象确定出的所有画像标签构造为其相应的画像标签集合。

深化的实施例中，所述汇总统计模块包括：核心统计子模块，用于针对每个画像标签，统计其相对应的标签指数中的核心指数，所述核心指数为根据所有具有该画像标签的商品对象在多个历史时间形成的指定访问行为数据指标进行加权统计获得的统计数值；附加统计子模块，用于针对每个画像标签，统计其相对应的标签指数中的至少一个附加指数，所述附加指数为根据所有具有该画像标签的商品对象在多个历史时间形成的附加访问行为数据指标进行加权统计获得的统计数值；加权汇总子模块，用于针对每个画像标签，计算其标签指数，所述标签指数为所述核心指数与所述附加指数的加权和值。

具体化的实施例中，所述核心统计子模块包括：指标确定单元，用于确定所有具有该画像标签的商品对象在多个历史时间形成的指定访问行为数据指标相对应的指标数值，所述指定访问行为数据指标包括至少两个在业务逻辑上具有先后关联关系的目标数据指标；核心计算单元，用于计算各个历史时间相对应的所述指标数值的加权和值，其中加权所需的权重按照形成各个指标数值相对应的历史时间由近及远呈自大至小配置。

较佳的实施例中，所述目标数据指标包括第一目标数据指标和第二目标数据指标，第一目标数据指标为商品对象的点击率指标，第二目标数据指标为商品对象的转化率指标，该转化率指标的指标数值形成的历史时间为最近期。

扩展的实施例中，本申请的商品推荐列表更新装置包括：评价统计模块，用于统计当前站点的所述商品推荐列表与用户自定义的商品推荐列表的排序信息统计其各自的曲线下面积；评价优选模块，用于将曲线下面积最大的商品推荐列表设置为当前启用的商品推荐列表。

扩展的实施例中，本申请的商品推荐列表更新装置包括：条件获取模块，用于响应用户获取商品对象列表的搜索请求，获取该用户请求中的预设条件；搜索匹配模块，用于根据所述预设条件从所述商品推荐列表中匹配出与所述预设条件相匹配的多个商品对象；页面构造模块，用于构造商品推送页面，所述商品推送页面包括所述相匹配的多个商品对象对应的商品摘要信息，各个商品摘要信息按照其商品对象的所述排序分值排序；页面推送模块，用于向该用户推送所述商品推送页面。

适应本申请的目的之一而提供的一种计算机设备，包括中央处理器和存储器，所述中央处理器用于调用运行存储于所述存储器中的计算机程序以执行本申请所述的商品推荐列表更新方法的步骤。

适应本申请的另一目的而提供的一种计算机可读存储介质，其以计算机可读指令的形式存储有依据所述的商品推荐列表更新方法所实现的计算机程序，该计算机程序被计算机调用运行时，执行该方法所包括的步骤。

适应本申请的另一目的而提供的一种计算机程序产品，包括计算机程序/指令，该计算机程序/指令被处理器执行时实现本申请任意一种实施例中所述商品推荐列表更新方法的步骤。

相对于现有技术，本申请的优势如下：

首先，本申请先确定各个商品对象的商品画像所获得的画像标签，然后以各个画像标签为统计维度，加权统计各个画像标签相对应的商品对象在多个历史时间形成的指定访问行为数据指标，获得各个画像标签相对应的标签指数，进而根据每个商品对象所拥有的画像标签来逐一确定其标签指数，将这些标签指数的加权和值作为商品对象的排序分值，以该排序分值对商品对象列表中的商品对象进行排序用于推荐商品。其中，每个商品对象所拥有的排序分值根据其拥有的画像标签进行加权求和，而每个画像标签对应的标签指数又是对指定访问行为数据按照时间晚近进行加权所得，提供了多个可供调节权重的节点，通过调节各个节点的权重便可组合出不同的排序策略，使商品推荐列表的排序更具灵活度。

其次，按照时间晚近对所述指定访问行为数据进行加权求取排序分值，可以自由定义出指定访问行为数据的时间晚近对权重的影响，从而可以平衡各种历史时点所形成的指定访问行为数据的参考价值，使排序效果更科学。例如组合出随时间晚近而权重衰减的策略，使得距今时间越长的访问行为数据，其参考价值越低，距今时间越短的访问行为数据，其参考价值越高，从而使参考信息更体现时效性，更适配商品的市场动态特征。

此外，对于商品推荐列表中新的商品对象而言，由于其排序分值可根据其画像标签来获取相应的标签指数进行加和，而不依赖于自身的销售转化数据，故获得了与其他旧商品对象同等的资格权限，可以直接参与到商品推荐列表中进行平等资格基础上的排序，避免对自身历史行为数据的依赖，提升了新商品对象的推荐匹配效率。

附图说明

本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：

图1为本申请的商品推荐列表更新方法的典型实施例的流程示意图；

图2为本申请的实施例中确定商品对象的画像标签的过程的流程示意图；

图3为本申请的实施例中统计画像标签的标签指数的过程的流程示意图；

图4为本申请的实施例中比较两个商品推荐列表的排序效果的流程示意图；

图5为本申请的实施例中应用商品推荐列表为用户搜索服务的过程的流程示意图；

图6为本申请的商品推荐列表更新装置的典型实施例的原理框图；

图7为本申请所采用的一种计算机设备的结构示意图。

具体实施方式

下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本申请，而不能解释为对本申请的限制。

本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本申请的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。

本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本申请所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样被特定定义，否则不会用理想化或过于正式的含义来解释。

本技术领域技术人员可以理解，这里所使用的“客户端”、“终端”、“终端设备”既包括无线信号接收器的设备，其仅具备无发射能力的无线信号接收器的设备，又包括接收和发射硬件的设备，其具有能够在双向通信链路上，进行双向通信的接收和发射硬件的设备。这种设备可以包括：蜂窝或其他诸如个人计算机、平板电脑之类的通信设备，其具有单线路显示器或多线路显示器或没有多线路显示器的蜂窝或其他通信设备；PCS(PersonalCommunications Service，个人通信系统)，其可以组合语音、数据处理、传真和/或数据通信能力；PDA(Personal Digital Assistant，个人数字助理)，其可以包括射频接收器、寻呼机、互联网/内联网访问、网络浏览器、记事本、日历和/或GPS(Global PositioningSystem，全球定位系统)接收器；常规膝上型和/或掌上型计算机或其他设备，其具有和/或包括射频接收器的常规膝上型和/或掌上型计算机或其他设备。这里所使用的“客户端”、“终端”、“终端设备”可以是便携式、可运输、安装在交通工具(航空、海运和/或陆地)中的，或者适合于和/或配置为在本地运行，和/或以分布形式，运行在地球和/或空间的任何其他位置运行。这里所使用的“客户端”、“终端”、“终端设备”还可以是通信终端、上网终端、音乐/视频播放终端，例如可以是PDA、MID(Mobile Internet Device，移动互联网设备)和/或具有音乐/视频播放功能的移动电话，也可以是智能电视、机顶盒等设备。

本申请所称的“服务器”、“客户端”、“服务节点”等名称所指向的硬件，本质上是具备个人计算机等效能力的电子设备，为具有中央处理器(包括运算器和控制器)、存储器、输入设备以及输出设备等冯诺依曼原理所揭示的必要构件的硬件装置，计算机程序存储于其存储器中，中央处理器将存储在外存中的程序调入内存中运行，执行程序中的指令，与输入输出设备交互，借此完成特定的功能。

需要指出的是，本申请所称的“服务器”这一概念，同理也可扩展到适用于服务器机群的情况。依据本领域技术人员所理解的网络部署原理，所述各服务器应是逻辑上的划分，在物理空间上，这些服务器既可以是互相独立但可通过接口调用的，也可以是集成到一台物理计算机或一套计算机机群的。本领域技术人员应当理解这一变通，而不应以此约束本申请的网络部署方式的实施方式。

本申请的一个或数个技术特征，除非明文指定，既可部署于服务器实施而由客户端远程调用获取服务器提供的在线服务接口来实施访问，也可直接部署并运行于客户端来实施访问。

本申请中所引用或可能引用到的神经网络模型，除非明文指定，既可部署于远程服务器且在客户端实施远程调用，也可部署于设备能力胜任的客户端直接调用。本领域技术人员应当理解，只要设备运行资源适格，均可用作所述神经网络模型相应的模型训练设备和模型运行设备。某些实施例中，当其运行于客户端时，其相应的智能可通过迁移学习来获得，以便降低对客户端硬件运行资源的要求，避免过度占用客户端硬件运行资源。

本申请所涉及的各种数据，除非明文指定，既可远程存储于服务器，也可存储于本地终端设备，只要其适于被本申请的技术方案所调用即可。

本领域技术人员对此应当知晓：本申请的各种方法，虽然基于相同的概念而进行描述而使其彼此间呈现共通性，但是，除非特别说明，否则这些方法都是可以独立执行的。同理，对于本申请所揭示的各个实施例而言，均基于同一发明构思而提出，因此，对于相同表述的概念，以及尽管概念表述不同但仅是为了方便而适当变换的概念，应被等同理解。

本申请即将揭示的各个实施例，除非明文指出彼此之间的相互排斥关系，否则，各个实施例所涉的相关技术特征可以交叉结合而灵活构造出新的实施例，只要这种结合不背离本申请的创造精神且可满足现有技术中的需求或解决现有技术中的某方面的不足即可。对此变通，本领域技术人员应当知晓。

本申请的一种商品推荐列表更新方法，可被编程为计算机程序产品，部署于终端设备和/或服务器中运行而实现，藉此，客户端可以网页程序或应用程序的形式访问该计算机程序产品运行后开放的用户界面，实现人机交互。

请参阅图1，在其典型实施例中，该方法包括如下步骤：

步骤S1100、根据商品推荐列表中的商品对象确定每个商品对象相对应的画像标签：

所述商品推荐列表，在本实施例中，泛指电商平台中管理相对独立的一个商户实例所持有的商品推荐列表，所述商户实例可以是一个跨境电商平台的独立站点的对应命名，也可以是一个B2C或B2B平台的一个管理上独立的线上商铺在计算机技术层面的对应命名，一般而言，一个商户实例拥有自身的网址及相关命名标识以供识别。所述商品推荐列表可以是该商户实例的商品数据库本身，也可以是独立构造的列表，对于后者，商品推荐列表中所包括的多个商品对象，一般来源于该商户实例的商品数据库。

推荐的实施例中，所述商品推荐列表可以定期更新，例如每天固定时间根据商户实例相应的数据进行更新，以便使该商品推荐列表及时反映最新数据隐含的信息。当有新的商品上线，从而对应构造出一个新的商品对象时，新的商品对象也可即时添加至该商品推荐列表中。某些变通实施的实例中，可以响应新商品对象添加到商品推荐列表的商品添加事件，触发本申请的技术方案的执行，以便使新商品对象与其他商品对象一起被整理。

借助本领域技术人员知晓的多种商品画像技术，可以确定每个商品对象相应的画像标签，这些画像标签按其功能至少可分为两类，一类用于表示商品对象的分类属性的分类标签，分类标签可以是商品类目树层次结构中各个层次的分类标签，另一类为用于表示商品对象的商品属性的属性标签，例如商品颜色、商品规格、商品款式等等。本实施例在对商品对象进行商品画像获得相应的画像标签之后，便可利用各个画像标签对商品推荐列表进行相关的统计。

步骤S1200、统计各个画像标签相对应的标签指数，所述标签指数包括核心指数，所述核心指数为根据所有具有该画像标签的商品对象在多个历史时间形成的指定访问行为数据指标进行加权统计获得的统计数值：

本申请实施画像标签相关统计的目的，在于对应每个所述的画像标签，统计出一个相应的标签指数，用于指示该画像标签的推荐价值度，其可根据商品推荐列表中拥有该画像标签的商品对象的访问行为数据进行统计。由此，每个画像标签最终均拥有一个标签指数，一个商品对象拥有多个画像标签，根据一个商品对象的多个画像标签查找其相应的标签指数，进行加和，便可为每个商品对象获得一个综合了所述多个画像标签的推荐价值度的综合推荐价值度，可作为后文所称的排序分值。

在本实施例中，每个画像标签的标签指数的计算方式，从商品对象的访问行为数据中提取出相关的访问行为数据指标，然后根据这些访问行为数据指标进行统计。所述的访问行为数据指标，包括但不限于商品对象的点击率、转化率、加购量、曝光量、支付量等为本领域技术人员所熟知的数据性指标。其中，各个所述的指标，还可以按照距离今天的时间远近进行细分，例如最近一天的转化率、最近七天的点击率、最近十四天的点击率、历史以来的点击率等。可以看出，各个访问行为数据指标一般都需要关联一个历史时间条件，采用这一条件对相应的历史时间形成的访问行为数据指标进行统计，即获得细分的访问行为数据指标。在此基础上，本申请可以从这些访问行为数据指标中根据先验知识进一步具体优选指定，以便确定出具有更高参考价值的指定访问行为数据指标，用于统计。同理，对于同一指定访问行为数据指标，可以优选其多个历史时间形成的对应数据，也可灵活确定。

在优选出不同历史时间形成的所述指定访问行为数据指标的基础上，便可依照期望的效果为各个指定访问行为数据指标赋予不同的权重，对其进行加权求和，加权求和后获得的和值，为核心指数。可以直接以该核心指数作为相应的画像标签的标签指数。在本申请的其他部分实施例中，标签指数还可包含由其他附加访问行为数据指标统计而成的附加指数，此处暂且不表。

在为各个指定访问行为数据指标匹配相应的权重时，可以遵循这样的原则：将所形成的历史时间距离今天最近的数据指标配备为具有较高权重，历史时间更长的次之，以此类推，实现按照时间晚近而将相应的权重匹配为由小到大，即距离今天的统计的历史时间越久，其配得的权重越小，反之，距离今天的统计的历史时间越近，其配得的权重越小。

进一步，如果指定访问行为数据指标中包括多个不同性质的数据指标，则可控制其中表示商品成功卖出的数据指标在相同时间条件下具有更高的权重，其他次之。

一个示例中，可以同时指定转化率、点击率这两种数据指标，其中转化率指标仅指前一天作为其历史时间周期计得，点击率数据指标可以是七天点击率、十四天点击率、全历史时期形成的点击率。这种情况下，一天的转化率能获得最高权重，七天点击率次之，十四天点击率更低，全历史时期对应的点击率的权重最小。此一示例，通过以为最近的转化率配以最高权重，比之单一采用一天点击率能够更为准确地反映商品的促销成功概率，并且，由于这些数据按照不同历史时期进行统计，按照时间衰减相应的权重，能够更为精准地刻画出点击率的时间衰减因素，更能精准地反映商品对象的推荐价值，从而使相应计得的标签指数更具有代表性，从而也进一步反映据此计得的画像标签的标签指数所代表的推荐价值度。

以上述的方法完成统计之后，各个画像标签便拥有了属于自身维度的标签指数，保存画像标签与标签指数之间映射关系数据，以便后续引用。

步骤S1300、根据每个商品对象所具有的画像标签集合确定每个商品对象的排序分值，所述排序分值为该商品对象的所有画像标签相对应的所述标签指数的加权和值：

参阅前文可知，每个商品对象对应拥有若干画像标签，构成一个画像标签集合，由于商品对象列表中全量商品对象相应的所有画像标签已经具备了相应的标签指数，因此，可以根据这一画像标签集合中的各个画像标签相对应的标签指数，来进一步计算每个商品对象的排序分值，以便后续实现商品推荐列表中的商品对象根据所述排序分值进行排序。

具体而言，逐一确定当前商品对象的各个画像标签相对应的标签指数，将这些标签进行加权求和，获得加权和值，即可作为所述的排序分值。当然，也可对该加权和值进行适当的变换，例如，变换为加权均值。还可以对其进行归一化，例如归一化为百分制的分数。诸如此类，本领域技术人员可以变通实施。

排序分值采用加权求和的方式确定，不能用于限缩本申请的创造精神所应涵盖的范围。之所以考虑采用加权求和的方式来处理，主要是因为考虑到不同的画像标签所反映的性质不同，例如，表示手机品牌的画像标签比表示手机尺寸的画像标签更能反映消费者的购买依据，因此，前者最好能比后者获得更高的权重。当然，简化到所有画像标签的权重均相等的情况时，也等效于将各个画像标签相对应的标签指数直接加和。对此，本领域技术人员可以根据实际情况灵活实施。

步骤S1400、根据所述排序分值对所述商品对象进行重排序以更新所述商品推荐列表：

获得各个商品对象的排序分值之后，便可对所述商品推荐列表进行重新排序实现更新，使其中的商品对象按照排序分值自高至低进行排序，以便后续调用商品推荐列表中的多个商品对象向用户推荐时，可以按照排序分值整理出的先后顺序进行调用即可。

可以理解，对于商品推荐列表中刚添加的新的商品对象，在本申请的方法得以执行之后，也将获得其相对应的排序分值，从而以平等资格参与商品推荐列表中的排序，不必依赖该新添加的商品对象自身的访问行为数据。

本典型实施例，相较于现有技术，取得诸多积极效果，例如：

首先，本申请先确定各个商品对象的商品画像所获得的画像标签，然后以各个画像标签为统计维度，加权统计各个画像标签相对应的商品对象在多个历史时间形成的指定访问行为数据指标，获得各个画像标签相对应的标签指数，进而根据每个商品对象所拥有的画像标签来逐一确定其标签指数，将这些标签指数的加权和值作为商品对象的排序分值，以该排序分值对商品对象列表中的商品对象进行排序用于推荐商品。其中，每个商品对象所拥有的排序分值根据其拥有的画像标签进行加权求和，而每个画像标签对应的标签指数又是对指定访问行为数据按照时间晚近进行加权所得，提供了多个可供调节权重的节点，通过调节各个节点的权重便可组合出不同的排序策略，使商品推荐列表的排序更具灵活度。

其次，按照时间晚近对所述指定访问行为数据进行加权求取排序分值，可以自由定义出指定访问行为数据的时间晚近对权重的影响，从而可以平衡各种历史时点所形成的指定访问行为数据的参考价值，使排序效果更科学。例如组合出随时间晚近而权重衰减的策略，使得距今时间越长的访问行为数据，其参考价值越低，距今时间越短的访问行为数据，参考价值越高，从而使参考信息更体现时效性，突出于最新的交易或点击行为的参考价值，更适配商品的市场动态特征。

此外，对于商品推荐列表中新的商品对象而言，由于其排序分值可根据其画像标签来获取相应的标签指数进行加和，而不依赖于自身的销售转化数据，故获得了与其他旧商品对象同等的资格权限，可以直接参与到商品推荐列表中进行平等资格基础上的排序，避免对自身历史行为数据的依赖，提升了新商品对象的推荐匹配效率。

请参阅图2，深化的实施例中，所述步骤S1100、根据商品推荐列表中的商品对象确定每个商品对象相对应的画像标签，包括如下步骤：

步骤S1110、根据商品对象的商品信息中提取的摘要文本及商品图片确定其表示商品分类的画像标签：

如前所述，商品对象的画像标签可以分为两类，其中一类为表示分类属性的分类标签，对此，可以借助基于深层语义学习且经预训练的神经网络模型来实现分类识别，从而确定相应的画像标签。

例如，基于Bert之类的文本特征提取模型从商品对象的商品信息中的摘要文本中提取出其文本特征信息，基于Resnet之类的图像特征提取模型来从商品对象的商品信息中的商品图片中提取出图像特征信息，然后，在融合文本特征信息和图像特征信息的基础上，采用分类模型进行分类，映射出其相应的分类概率最高的分类标签，即为所述商品对象的表示分类属性的画像标签。

又如，借助TextRCNN之类的文本特征提取模型从商品对象的商品信息中的摘要文本中提取出其文本特征信息，直接利用这一文本特征信息进行分类，也可获得所述表示分类属性的画像标签。

所述的摘要文本，是指依据商品标题、商品简介信息、商品属性信息等提取的文本，可以体现为商品对象的商品属性数据的形式，典型的，可以只包括所述的商品标题相对应的标题文本。

诸如此类，本领域技术人员可以采用任意一种相应的神经网络模型用于提取每个商品对象所述的表示分类的画像标签。

步骤S1120、根据商品对象的商品信息中提取的商品属性数据确定其表征不同商品属性的多个画像标签：

商品对象在被创建时，会匹配录入相应的商品属性数据，例如录入商品款式相应的商品属性数据“红色”，这些商品属性数据即为表征相应的商品对象的商品属性的画像标签，因此，可以直接调用。

步骤S1130、将为每个商品对象确定出的所有画像标签构造为其相应的画像标签集合：

对于每一个商品对象，将其表示分类相应的画像标签与其表示商品属性的画像标签构造为一个集合，便完成了商品对象的画像标签的获取。

本实施例中，根据两类画像标签采用不同的方式进行获取，对于其中表示商品属性的画像标签，直接调用商品对象的相关商品属性数据，对于其中表示分类的画像标签，采用经预训练的神经网络模型进行提取，由于神经网络模型能够智能化地根据商品对象的摘要文本和商品图片确定相对应的分类标签，并且整个商品推荐列表中的商品对象均是基于同一神经网络模型来获取画像标签，故可确定各个商品对象的画像标签均是从属于同一画像标签体系，因此，所获得的画像标签更为准确，据此进行统计时，口径统一，相应的统计数据更有参考价值。

请参阅图3，深化的实施例中，针对每个画像标签进行关于其标签指数的统计时，允许该标签指数由两个以上的指数构成，因此，所述步骤S1200、统计各个画像标签相对应的标签指数，包括如下步骤：

步骤S1210、针对每个画像标签，统计其相对应的标签指数中的核心指数，所述核心指数为根据所有具有该画像标签的商品对象在多个历史时间形成的指定访问行为数据指标进行加权统计获得的统计数值：

每个画像标签中的核心指数，参阅前述的实施例所揭示的手段进行实施，即根据多个历史时间形成的指定访问行为数据指标，进行加权统计，获得的统计数值，即为相应的画像标签的核心指数。在本实施例中，所述核心指数可以按照前一天转化率、前七天点击率、前十四天点击率、全历史时间点击率的示例进行实施，以计算每个画像标签相应的核心指数。

步骤S1220、针对每个画像标签，统计其相对应的标签指数中的至少一个附加指数，所述附加指数为根据所有具有该画像标签的商品对象在多个历史时间形成的附加访问行为数据指标进行加权统计获得的统计数值：

与核心指定同理，针对每个画像标签，还可以相同的按不同历史时间形成的附加防癌行为数据指标进行加权统计获得相应的附加指数。

所述的附加访问行为数据指标，其与所述指定访问行为数据指标一样，均是从访问行为数据指标中选出的。例如所述指定访问行为数据指标可以是所述的点击率和转化率，而所述的附加访问行为数据指标可以是所述的加购量(增加购买量)、曝光量、支付量等。

由此，附加访问行为数据指标对指定访问行为数据指标进一步补充，可以提供更为丰富了细化的参考信息，用于提升所述画像标签的标签指数的推荐价值度的代表性。

步骤S1230、针对每个画像标签，计算其标签指数，所述标签指数为所述核心指数与所述附加指数的加权和值：

获得了每个画像标签相对应的核心指数和附加指数之后，便可计算该画像标签相对应的标签指数。该标签指数为所述核心指数和附加指数的加权和值，较佳的，为所述核心指数赋予高于所述附加指数的权重，以突出核心指数对推荐价值度的指示作用。变通的实施例中，两个权重可相等，等效于将附加指数和核心指数直接求和值。

本实施例通过结合核心指数和附加指数来加权求和综合确定相应的标签指数，提升了标签指数可参考的信息量，使标签指数更能代表相应的推荐价值度，便于实现准确的商品对象排序。

具体化的实施例中，所述步骤1210、针对每个画像标签，统计其相对应的标签指数中的核心指数，包括如下步骤：

步骤1211、确定所有具有该画像标签的商品对象在多个历史时间形成的指定访问行为数据指标相对应的指标数值，所述指定访问行为数据指标包括至少两个在业务逻辑上具有先后关联关系的目标数据指标：

请继续参阅前文中关于采用点击率和转化率作为指定访问行为数据指标的示例。点击率与转化率在业务逻辑上是具有先后关联关系的，通常，一个商品对象被推荐给用户时之后，用户才能点击它，然后才决定是否对其进行购买或者做出其他操作，由此才获得其相应的转化数据，由此才能确定商品对象的点击率，因此，点击率与转化率具有业务逻辑上的前后关系，依照这一原理，所述转化率也可采用其他等效或者同样在业务逻辑上有关联的数据指标来替换，本领域技术人员根据这一原理可以灵活实施。

至于所述指定访问行为数据指标的数量，可以灵活设定。本实施例中，所述目标数据指标包括第一目标数据指标和第二目标数据指标，第一目标数据指标为商品对象的点击率指标，第二目标数据指标为商品对象的转化率指标，该转化率指标的指标数值形成的历史时间为最近期。适应计算所述指定访问行为数据指标所需，需调用这些目标数据指标相应的指标数值，这些指标数值一般已由电商平台事先统计而得，只需调用即可。否则，也可根据其定义而自行统计，对此，本领域技术人员均可理解。

步骤1212、计算各个历史时间相对应的所述指标数值的加权和值，其中加权所需的权重按照形成各个指标数值相对应的历史时间由近及远呈自大至小配置：

参阅前述，直接各个历史时间相对应的所述指标数值均被配以不同的权重，这些权重是按这些指标数值形成的历史时间来匹配的，指标数值形成的时间距今越长久，则其权重越低，距今越近，则其权重越高，据此即可将这些指标数值进行加权求和，获得相应的加权和值，即构成每个画像标签相对应的核心指数。

本实施例通过约束多个指定访问行为数据指标相对应的目标数据指标之间在业务逻辑上的先后关联性，提升了据此而确定的标签指数对推荐价值度的代表性，从而确保标签指数更为有效地表征反映相应的画像标签相对应的商品对象的活跃程度，特别在其中的目标数据指标是转化率和点击率的组合时，这种优势更为明显。

请参阅图4，扩展的实施例中，所述步骤S1400、根据所述排序分值对所述商品对象进行重排序以更新所述商品推荐列表之后，包括如下步骤：

步骤S1511、统计当前站点的所述商品推荐列表与用户自定义的商品推荐列表的排序信息统计其各自的曲线下面积：

如前所述，用户侧预置了各种数据埋点功能，故而为本申请的商品推荐列表的排序提供有价值的数据，本申请的商品推荐列表是根据其更新之前的埋点数据相关联确定的，而在该商品推荐列表被更新后，第二次更新之前的时间段内，所述的埋点数据又对第二次更新的商品推荐列表起同样的价值贡献，因此，利用当前的商品推荐列表的排序信息，可对其进行曲线下面积(AUC)统计评估，同理，对于用户自定义的推荐列表，也可进行相应的统计评估。AUC统计公式如下：

该公式的意义在于：首先对一个商品推荐列中的排序分值(score)从大到小排序，然后令最大的score对应的样本的rank为n，第二大score对应样本的rank为n-1，以此类推。然后把所有的正类样本的rank相加，再减去M-1种两个正样本组合的情况(M为正类样本的数目)。得到的就是所有的样本中有多少对正类样本的score大于负类样本的score。然后再除以M×N。

步骤S1512、将曲线下面积最大的商品推荐列表设置为当前启用的商品推荐列表：

两个商品推荐列表均获得所述的AUC值之后，便可进行比较，然后确定其中AUC值最大的商品推荐列表，视为排序更为科学的列表，将其设置为当前启用的商品推荐列表。

本实施例可以实现自动化地对两个排序关系不同的商品推荐列表的排序效果进行评价比较，实现自动化的A/B对比测试，确保为商户实例提供效果最优的商品推荐列表。

请参阅图5，扩展的实施例中，所述步骤S1400、根据所述排序分值对所述商品对象进行重排序以更新所述商品推荐列表之后，包括如下步骤：

步骤S1521、响应用户获取商品对象列表的搜索请求，获取该用户请求中的预设条件：

本申请的应用场景较为广泛，例如，用户进入“猜您喜欢”之类的专栏网页中查看可能符合自己潜在需求的产品时，可以触发本方法的执行而为其创建商品对象列表，最终在该专栏网页中展示商品推荐列表中的商品。又如，用户进入某一网页，该网页中具有商品广告栏，该商品广告栏也可以展示本申请为该用户推荐的目标商品对象。再如，用户从一个售卖某种在售商品对象的直播间切换到另一直播间时，可以利用本方法为该用户确定当前直播间在售的且与所述在售商品对象相似的商品对象列表。诸如此类，只要需要为用户推荐目标商品对象，均可应用本申请的技术方案，满足用户需求。

当用户进入相应的页面而向用户发起用于获取所述商品对象列表的搜索请求后，服务器便可从该请求中获得相应的预设条件，所述预设条件可以是某个商品的关键词以便在商品推荐列表中检索相匹配的商品对象，也可以是默认的从用户最近产生的用户行为信息中获取用户刚刚访问的商品对象，以便在商品推荐列表中检索相似商品对象。诸如此类，可灵活实施。

步骤S1522、根据所述预设条件从所述商品推荐列表中匹配出与所述预设条件相匹配的多个商品对象：

根据所述预设条件，启用预设的机制，例如根据关键词匹配或者根据用户刚刚访问的商品对象的特征信息进行匹配，便可从所述商品推荐列表中搜索到与所述预设条件相匹配的多个商品对象，构造为了一个商品对象列表以便用于推送。

步骤S1523、构造商品推送页面，所述商品推送页面包括所述相匹配的多个商品对象对应的商品摘要信息，各个商品摘要信息按照其商品对象的所述排序分值排序：

进而，需要响应该用户请求而为其构造商品推送页面，该商品推送页面包括所述商品对象列表中各个商品对象相对应的商品摘要信息，并且，确保积上商品摘要信息按照其商品对象的所述排序分值进行排序。

所述的商品摘要信息，主要包括所述商品对象的默认图片、价格信息、商品标题等，以及其他商品属性数据，可以由本领域技术人员灵活定义。

步骤S1524、向该用户推送所述商品推送页面：

最后，将所述商品推送页面推送给相应的用户，便可完成对该请求的响应。

本实施例将商品推荐列表用于为用户搜索商品服务，使用户可以更高效地获取各种热销商品，其中，当向用户推荐相应的商品对象是依据最新实施的用户行为消息中关联的商品对象的相似性确定时，可以及时响应用户所需，快速为用户推送满足其需求的更为匹配的热销商品。

请参阅图6，本申请提供的一种商品推荐列表更新装置，适应本申请的商品推荐列表更新方法进行功能化部署，包括：标签提取模块1100、汇总统计模块1200、分值确定模块1300，以及排序更新模块1400；其中，所述标签提取模块1100，用于根据商品推荐列表中的商品对象确定每个商品对象相对应的画像标签；所述汇总统计模块1200，用于统计各个画像标签相对应的标签指数，所述标签指数包括核心指数，所述核心指数为根据所有具有该画像标签的商品对象在多个历史时间形成的指定访问行为数据指标进行加权统计获得的统计数值；所述分值确定模块1300，用于根据每个商品对象所具有的画像标签集合确定每个商品对象的排序分值，所述排序分值为该商品对象的所有画像标签相对应的所述标签指数的加权和值；所述排序更新模块1400，用于根据所述排序分值对所述商品对象进行重排序以更新所述商品推荐列表。

深化的实施例中，所述标签提取模块1100包括：分类确定子模块，用于根据商品对象的商品信息中提取的摘要文本及商品图片确定其表示商品分类的画像标签；属性确定子模块，用于根据商品对象的商品信息中提取的商品属性数据确定其表征不同商品属性的多个画像标签；集合构造子模块，用于将为每个商品对象确定出的所有画像标签构造为其相应的画像标签集合。

深化的实施例中，所述汇总统计模块1200包括：核心统计子模块，用于针对每个画像标签，统计其相对应的标签指数中的核心指数，所述核心指数为根据所有具有该画像标签的商品对象在多个历史时间形成的指定访问行为数据指标进行加权统计获得的统计数值；附加统计子模块，用于针对每个画像标签，统计其相对应的标签指数中的至少一个附加指数，所述附加指数为根据所有具有该画像标签的商品对象在多个历史时间形成的附加访问行为数据指标进行加权统计获得的统计数值；加权汇总子模块，用于针对每个画像标签，计算其标签指数，所述标签指数为所述核心指数与所述附加指数的加权和值。

具体化的实施例中，所述核心统计子模块包括：指标确定单元，用于确定所有具有该画像标签的商品对象在多个历史时间形成的指定访问行为数据指标相对应的指标数值，所述指定访问行为数据指标包括至少两个在业务逻辑上具有先后关联关系的目标数据指标；核心计算单元，用于计算各个历史时间相对应的所述指标数值的加权和值，其中加权所需的权重按照形成各个指标数值相对应的历史时间由近及远呈自大至小配置。

较佳的实施例中，所述目标数据指标包括第一目标数据指标和第二目标数据指标，第一目标数据指标为商品对象的点击率指标，第二目标数据指标为商品对象的转化率指标，该转化率指标的指标数值形成的历史时间为最近期。

扩展的实施例中，本申请的商品推荐列表更新装置包括：评价统计模块，用于统计当前站点的所述商品推荐列表与用户自定义的商品推荐列表的排序信息统计其各自的曲线下面积；评价优选模块，用于将曲线下面积最大的商品推荐列表设置为当前启用的商品推荐列表。

扩展的实施例中，本申请的商品推荐列表更新装置包括：条件获取模块，用于响应用户获取商品对象列表的搜索请求，获取该用户请求中的预设条件；搜索匹配模块，用于根据所述预设条件从所述商品推荐列表中匹配出与所述预设条件相匹配的多个商品对象；页面构造模块，用于构造商品推送页面，所述商品推送页面包括所述相匹配的多个商品对象对应的商品摘要信息，各个商品摘要信息按照其商品对象的所述排序分值排序；页面推送模块，用于向该用户推送所述商品推送页面。

为解决上述技术问题，本申请实施例还提供计算机设备。如图7所示，计算机设备的内部结构示意图。该计算机设备包括通过系统总线连接的处理器、计算机可读存储介质、存储器和网络接口。其中，该计算机设备的计算机可读存储介质存储有操作系统、数据库和计算机可读指令，数据库中可存储有控件信息序列，该计算机可读指令被处理器执行时，可使得处理器实现一种商品推荐列表更新方法。该计算机设备的处理器用于提供计算和控制能力，支撑整个计算机设备的运行。该计算机设备的存储器中可存储有计算机可读指令，该计算机可读指令被处理器执行时，可使得处理器执行本申请的商品推荐列表更新方法。该计算机设备的网络接口用于与终端连接通信。本领域技术人员可以理解，图7中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

本实施方式中处理器用于执行图6中的各个模块及其子模块的具体功能，存储器存储有执行上述模块或子模块所需的程序代码和各类数据。网络接口用于向用户终端或服务器之间的数据传输。本实施方式中的存储器存储有本申请的商品推荐列表更新装置中执行所有模块/子模块所需的程序代码及数据，服务器能够调用服务器的程序代码及数据执行所有子模块的功能。

本申请还提供一种存储有计算机可读指令的存储介质，计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行本申请任一实施例的商品推荐列表更新方法的步骤。

本申请还提供一种计算机程序产品，包括计算机程序/指令，该计算机程序/指令被一个或多个处理器执行时实现本申请任一实施例所述商品推荐列表更新方法的步骤。

本领域普通技术人员可以理解实现本申请上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，该计算机程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)等计算机可读存储介质，或随机存储记忆体(Random Access Memory，RAM)等。

综上所述，本申请能够快速确定新上线商品对象的推荐价值度，实现商品对象的推荐排序优化，适用于多种应用场景。

本技术领域技术人员可以理解，本申请中已经讨论过的各种操作、方法、流程中的步骤、措施、方案可以被交替、更改、组合或删除。进一步地，具有本申请中已经讨论过的各种操作、方法、流程中的其他步骤、措施、方案也可以被交替、更改、重排、分解、组合或删除。进一步地，现有技术中的具有与本申请中公开的各种操作、方法、流程中的步骤、措施、方案也可以被交替、更改、重排、分解、组合或删除。

以上所述仅是本申请的部分实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。

Claims (10)

1.一种商品推荐列表更新方法，其特征在于，包括如下步骤：

根据商品推荐列表中的商品对象确定每个商品对象相对应的画像标签；

统计各个画像标签相对应的标签指数，所述标签指数包括核心指数，所述核心指数为根据所有具有该画像标签的商品对象在多个历史时间形成的指定访问行为数据指标进行加权统计获得的统计数值；

根据每个商品对象所具有的画像标签集合确定每个商品对象的排序分值，所述排序分值为该商品对象的所有画像标签相对应的所述标签指数的加权和值；

根据所述排序分值对所述商品对象进行重排序以更新所述商品推荐列表。

2.根据权利要求1所述的商品推荐列表更新方法，其特征在于，根据商品推荐列表中的商品对象确定每个商品对象相对应的画像标签，包括如下步骤：

根据商品对象的商品信息中提取的摘要文本及商品图片确定其表示商品分类的画像标签；

根据商品对象的商品信息中提取的商品属性数据确定其表征不同商品属性的多个画像标签；

将为每个商品对象确定出的所有画像标签构造为其相应的画像标签集合。

3.根据权利要求1所述的商品推荐列表更新方法，其特征在于，统计各个画像标签相对应的标签指数，包括如下步骤：

针对每个画像标签，统计其相对应的标签指数中的核心指数，所述核心指数为根据所有具有该画像标签的商品对象在多个历史时间形成的指定访问行为数据指标进行加权统计获得的统计数值；

针对每个画像标签，统计其相对应的标签指数中的至少一个附加指数，所述附加指数为根据所有具有该画像标签的商品对象在多个历史时间形成的附加访问行为数据指标进行加权统计获得的统计数值；

针对每个画像标签，计算其标签指数，所述标签指数为所述核心指数与所述附加指数的加权和值。

4.根据权利要求3所述的商品推荐列表更新方法，其特征在于，针对每个画像标签，统计其相对应的标签指数中的核心指数，包括如下步骤：

确定所有具有该画像标签的商品对象在多个历史时间形成的指定访问行为数据指标相对应的指标数值，所述指定访问行为数据指标包括至少两个在业务逻辑上具有先后关联关系的目标数据指标；

计算各个历史时间相对应的所述指标数值的加权和值，其中加权所需的权重按照形成各个指标数值相对应的历史时间由近及远呈自大至小配置。

5.根据权利要求4所述的商品推荐列表更新方法，其特征在于，所述目标数据指标包括第一目标数据指标和第二目标数据指标，第一目标数据指标为商品对象的点击率指标，第二目标数据指标为商品对象的转化率指标，该转化率指标的指标数值形成的历史时间为最近期。

6.根据权利要求1至5中任意一项所述的商品推荐列表更新方法，其特征在于，根据所述排序分值对所述商品对象进行重排序以更新所述商品推荐列表之后，包括如下步骤：

统计当前站点的所述商品推荐列表与用户自定义的商品推荐列表的排序信息统计其各自的曲线下面积；

将曲线下面积最大的商品推荐列表设置为当前启用的商品推荐列表。

7.根据权利要求1至5中任意一项所述的商品推荐列表更新方法，其特征在于，根据所述排序分值对所述商品对象进行重排序以更新所述商品推荐列表之后，包括如下步骤：

响应用户获取商品对象列表的搜索请求，获取该用户请求中的预设条件；

根据所述预设条件从所述商品推荐列表中匹配出与所述预设条件相匹配的多个商品对象；

构造商品推送页面，所述商品推送页面包括所述相匹配的多个商品对象对应的商品摘要信息，各个商品摘要信息按照其商品对象的所述排序分值排序；

向该用户推送所述商品推送页面。

8.一种计算机设备，包括中央处理器和存储器，其特征在于，所述中央处理器用于调用运行存储于所述存储器中的计算机程序以执行如权利要求1至7中任意一项所述的方法的步骤。

9.一种计算机可读存储介质，其特征在于，其以计算机可读指令的形式存储有依据权利要求1至7中任意一项所述的方法所实现的计算机程序，该计算机程序被计算机调用运行时，执行相应的方法所包括的步骤。

10.一种计算机程序产品，包括计算机程序/指令，其特征在于，该计算机程序/指令被处理器执行时实现权利要求1至7任意一项中所述方法的步骤。

Images