CN114429384A - 基于电商平台的产品智能推荐方法及系统 - Google Patents

Abstract

本申请公开了一种基于电商平台的产品智能推荐方法及系统，该方法包括：查询一个目标用户的历史购物数据中的目标产品的数据及其对应的评价数据；获取与目标用户具有类似的购物行为的类似用户群体；获取备选产品列表；从备选产品列表中选择预设数量的备选产品；根据选中备选产品和目标产品的评价数据获得它们对应到预设的关键评价词类的情感分值并将这些情感分值构成分值输入矩阵；将分值输入矩阵输入至一个推荐模型以使推荐模型输出建议推荐产品。本申请的有益之处在于：提供了一种根据目标用户的购物行为特征指数获取类似用户群体并参考类似用户群体的购物行为为目标用户推荐产品的基于电商平台的产品智能推荐方法及系统。

Description

基于电商平台的产品智能推荐方法及系统

技术领域

本申请涉及计算机领域，具体而言，涉及一种基于电商平台的产品智能推荐方法及系统。

背景技术

随着电子商务的不断发展，网络购物用户规模会一直呈增长态势，致使购物网站中的推荐技术得到应用，带来的效果越来越明显。对于个性化推荐方法的探索，各电商平台都在不断增大投入并进行深入探索，为用户推荐感兴趣的电商来促进成单。然而现有的推荐方法大多基于用户的浏览与购买、收藏行为来为用户进行推荐，无法根据用户的主观情感为用户推荐符合用户要求的产品。

发明内容

本申请的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本申请的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。

本申请的一些实施例提出了基于电商平台的产品智能推荐方法及系统，来解决以上背景技术部分提到的技术问题。

作为本申请的第一方面，本申请的一些实施例提供了一种基于电商平台的产品智能推荐方法，包括：查询一个目标用户的历史购物数据中的目标产品的数据及其对应的评价数据；根据目标用户的历史购物数据生成目标用户在目标产品所处的产品分类的购物行为特征指数；根据目标用户的购物行为特征指数获取与目标用户具有类似的购物行为的类似用户群体；根据类似用户群体在产品分类下的历史购物数据获取与目标产品具有替代关系的备选产品并按照排序指数的大小排列以构成备选产品列表；从备选产品列表中选择预设数量的备选产品；根据选中备选产品和目标产品的评价数据获得它们对应到预设的关键评价词类的情感分值并将这些情感分值构成分值输入矩阵；将分值输入矩阵输入至一个推荐模型以使推荐模型输出建议推荐产品；其中，建议推荐产品为备选产品中的至少一个。

进一步的，其中，根据目标用户的历史购物数据生成目标用户在目标产品所处的产品分类的购物行为特征指数，包括：根据目标用户的历史购物数据生成目标用户在目标产品所处的产品分类的第一购物行为参数；根据目标用户的历史购物数据生成目标用户在目标产品所处的产品分类的第二购物行为参数；根据目标用户的历史购物数据生成目标用户在目标产品所处的产品分类的第三购物行为参数；将第一购物行为参数、第二购物行为参数、第三购物行为参数作为一个行为特征坐标系的三个坐标维度以获得目标用户的坐标值；其中，第一购物行为参数为一个与目标用户的购物金额线性关联的参数，第二购物行为参数为一个与目标用户的购物频次线性关联的参数，第三购物行为参数为一个与目标用户在目标产品所处的产品分类的购物占比线性关联的参数。

进一步的，其中，根据目标用户的购物行为特征指数获取与目标用户具有类似的购物行为的类似用户群体，包括：查询其他用户在目标产品所处的产品分类的历史购物数据；将其他用户在目标产品所处的产品分类的历史购物数据转化至行为特征坐标系以获取其他用户的坐标值。

进一步的，其中，根据目标用户的购物行为特征指数获取与目标用户具有类似的购物行为的类似用户群体，还包括：对其他用户的坐标值进行聚类分析以获取与目标用户具有类似的购物行为的类似用户群体。

进一步的，其中，根据类似用户群体在产品分类下的历史购物数据获取与目标产品具有替代关系的备选产品并按照排序指数的大小排列以构成备选产品列表，包括：查询与目标产品具有替代关系的备选产品的销量数据；根据备选产品的评价数据获得它们对应到预设的关键评价词类的情感预测分值；结合销量数据及情感预测分值对以备选产品进行排序以构成备选产品列表。

进一步的，其中，根据备选产品的评价数据获得它们对应到预设的关键评价词类的情感预测分值，包括：根据备选产品的评价数据获得备选产品的预设的关键评价词类及对应到预设的关键评价词类的情感分值；根据备选产品的预设的关键评价词类及对应到预设的关键评价词类的情感分值建立分值走势图；将分值走势图输入至一个预测模型以使预测模型输出情感预测分值。

进一步的，其中，预测模型采用LSTM神经网络模型。

进一步的，其中，预设的关键评价词类包括舒适、价格、美观、气味、尺寸、耐用及物流。

进一步的，其中，推荐模型采用LTR神经网络模型。

作为本申请的第二方面，本申请的一些实施例提供了一种基于电商平台的产品智能推荐系统，该基于电商平台的产品智能推荐系统执行前述的基于电商平台的产品智能推荐方法。

作为本申请的第三方面，本申请的一些实施例提供了一种基于电商平台的产品智能推荐装置，包括：查询模块，用于查询一个目标用户的历史购物数据中的目标产品的数据及其对应的评价数据；生成模块，用于根据目标用户的历史购物数据生成目标用户在目标产品所处的产品分类的购物行为特征指数；获取模块，用于根据目标用户的购物行为特征指数获取与目标用户具有类似的购物行为的类似用户群体；排序模块，用于根据类似用户群体在产品分类下的历史购物数据获取与目标产品具有替代关系的备选产品并按照排序指数的大小排列以构成备选产品列表；选择模块，用于从备选产品列表中选择预设数量的备选产品；构建模块，用于根据选中备选产品和目标产品的评价数据获得它们对应到预设的关键评价词类的情感分值并将这些情感分值构成分值输入矩阵；推荐模块，用于将分值输入矩阵输入至一个推荐模型以使推荐模型输出建议推荐产品；其中，建议推荐产品为备选产品中的至少一个。

作为本申请的第四方面，本申请的一些实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现上述第一方面任一实现方式所描述的方法。

作为本申请的第五方面，本申请的一些实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现上述第一方面任一实现方式所描述的方法。

本申请的有益效果在于：提供了一种根据目标用户的购物行为特征指数获取类似用户群体并参考类似用户群体的购物行为为目标用户推荐产品的基于电商平台的产品智能推荐方法及系统。

附图说明

构成本申请的一部分的附图用来提供对本申请的进一步理解，使得本申请的其它特征、目的和优点变得更明显。本申请的示意性实施例附图及其说明用于解释本申请，并不构成对本申请的不当限定。

另外，贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，元件和元素不一定按照比例绘制。

在附图中：

图1是根据本申请一种实施例的基于电商平台的产品智能推荐方法的主要步骤示意图；

图2是根据本申请一种实施例的基于电商平台的产品智能推荐方法中步骤S2的一部分具体步骤的示意图；

图3是根据本申请一种实施例的基于电商平台的产品智能推荐方法中步骤S3的一部分具体步骤的示意图；

图4是根据本申请一种实施例的基于电商平台的产品智能推荐方法中步骤S4的一部分具体步骤的示意图；

图5是根据本申请一种实施例的基于电商平台的产品智能推荐方法中步骤S42的一部分具体步骤的示意图；

图6是根据本申请一种实施例的基于电商平台的产品智能推荐方法中步骤S422的一部分具体步骤的示意图；

图7是根据本申请一种实施例的基于电商平台的产品智能推荐方法中步骤S422的一部分模型构建的示意图；

图8是根据本申请一种实施例的基于电商平台的产品智能推荐方法中关键评价词类的情感分值的分值走势图；

图9是根据本申请一种实施例的基于电商平台的产品智能推荐方法中各关键评价词类的情感分值比对图；

图10是根据本申请一种实施例的基于电商平台的产品智能推荐方法中分值输入矩阵的示意图。

图11是根据本申请一种实施例的基于电商平台的产品智能推荐装置的模块示意框图；

图12是根据本申请一种实施例的电子设备的结构示意图。

具体实施方式

下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。

另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。

需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。

需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。

本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。

下面将参考附图并结合实施例来详细说明本公开。

如图1所示，本申请的基于电商平台的产品智能推荐方法主要包括如下步骤：

S1：查询一个目标用户的历史购物数据中的目标产品的数据及其对应的评价数据。

具体而言，目标用户是具有唯一用户标识的个体，用户标识具体可以是用户的身份证、手机号或其使用的账号的用户名等，当用户通过用户终端访问电商平台时，服务器获取与目标用户关联的历史购物数据。其中目标产品可以是目标用户正在浏览查看、当前查询或发起退货操作关联的产品等，目标产品的数据可以是产品SKU编码、产品大类、产品子类及产品价格等可以反应商品信息的数据。目标产品对应的评价数据为目标用户针对目标产品的历史评价文本信息及目标产品在电商平台上公示的评价文本信息；若目标用户的历史购物数据中未识别到目标产品，则仅获取目标产品在电商平台上公示的评价文本信息。

S2：根据目标用户的历史购物数据生成目标用户在目标产品所处的产品分类的购物行为特征指数。

具体而言，目标产品所处的产品分类指电商平台按产品属性对产品的类别划分，采用这样的方式，以目标产品所处产品分类的购物行为特征指数表示目标用户的购物习惯，从而在具有较多分析数据的情况下能准确反映目标用户的真实情况，弥补采用单一目标产品购物数据的片面性。

S3：根据目标用户的购物行为特征指数获取与目标用户具有类似的购物行为的类似用户群体。

采用这样的方式，获取电商平台上与目标用户具有类似的购物行为的类似用户群体，从而获取基于类似用户群体的购物习惯的备选产品，以群体特征表示个体的特征，可以从电商平台上筛选到更多的备选产品。

S4：根据类似用户群体在产品分类下的历史购物数据获取与目标产品具有替代关系的备选产品并按照排序指数的大小排列以构成备选产品列表。

S5：从备选产品列表中选择预设数量的备选产品。

S6：根据选中备选产品和目标产品的评价数据获得它们对应到预设的关键评价词类的情感分值并将这些情感分值构成分值输入矩阵。

参见图9所示，还可根据备选产品和目标产品的评价数据建立各关键评价词类的情感分值比对图，由情感分值比对图可直观比较备选产品和目标产品在各关键评价词类上的情感分值。

具体而言，步骤S6中的分值输入矩阵以目标产品作为矩阵的第一行，将备选产品构成分值输入矩阵的其他行，作为优选方案，本申请的分值输入矩阵的每列对应预设的关键评价词类，其中关键评价词类可以包括舒适、价格、美观、气味、尺寸、耐用及物流等。情感分值包括1、-1和0，分别对应好评、差评、中评，本申请的其中一个分值输入矩阵的实施例参见图10所示。

S7：将分值输入矩阵输入至一个推荐模型以使推荐模型输出建议推荐产品。具体而言，建议推荐产品为备选产品中的一个或多个。

采用以上的技术方案，根据目标用户的购物行为特征指数获取具有类似的购物行为的类似用户群体，并参考类似用户群体的购物行为为目标用户推荐符合要求的产品，实现个性化推荐。

作为具体方案，其中，推荐模型采用LTR神经网络模型，该LTR神经网络模型的输入数据为分值输入矩阵，输出数据为n个建议推荐产品，其中，n≥1。

其中推荐模型的构建方法包括：采集电商平台上足够数量(大于等于50000条购物记录)的用户的历史购物数据，这些历史购物数据中包含了当时在用户购买时系统通过首页推荐等方式向用户反馈的建议推荐产品列表，然后将这些数据中用户实际购买的产品的确为当时建议推荐产品列表中的产品的这些历史购物记录作为训练集数据的基础，基于这些“预测命中”的购物数据生成分别对应每一个购物记录的分值输入矩阵，将分值输入矩阵作为推荐模型的训练集的输入数据，将这些购物记录中预测且最终用户购买的产品作为对应建议推荐产品的输出数据，然后采用这些历史购物数据所生产或包含的输入数据和输出数据训练一个LTR神经网络模型作为本申请的推荐模型。

作为具体方案，参照图2所示，上述步骤S2具体包括如下步骤：

S21：根据目标用户的历史购物数据生成目标用户在目标产品所处的产品分类的第一购物行为参数。

S22：根据目标用户的历史购物数据生成目标用户在目标产品所处的产品分类的第二购物行为参数。

S23：根据目标用户的历史购物数据生成目标用户在目标产品所处的产品分类的第三购物行为参数。

S24：将第一购物行为参数、第二购物行为参数、第三购物行为参数作为一个行为特征坐标系的三个坐标维度以获得目标用户的坐标值。

采用这样的方案，将目标用户的历史购物数据生成多个购物行为参数，并将这些购物行为参数体现在三维的特征坐标系中，通过将目标用户与其他用户的坐标值对比可以直观地获取与目标用户具有类似的购物行为的类似用户群体。

具体而言，第一购物行为参数表示一个与目标用户的历史周期内购物金额线性关联的参数，例如第一购物行为参数X＝αP₀，其中P₀为目标用户在历史周期内的总购物金额，α为常数；第二购物行为参数为一个与目标用户的历史周期内购物频次线性关联的参数，例如第二购物行为参数Y＝βN，其中N为目标用户在历史周期内的购物频次，β为常数；第三购物行为参数为一个与目标用户在目标产品所处的产品分类的购物占比线性关联的参数，例如第三购物行为参数Z＝γP₁/P₀，其中P₀为目标用户在历史周期内的总购物金额，P₁为目标用户在历史周期内于目标产品所处的产品分类下的购物金额，γ为常数。

采用这样的方式，从而使目标用户和类似用户群体在目标产品所处的产品分类的历史购物数据于行为特征坐标系中的坐标值分布不会过于离散。

作为具体方案，参照图3所示，上述步骤S3具体包括如下步骤：

S31：查询其他用户在目标产品所处的产品分类的历史购物数据。

具体而言，其他用户为电商平台上其他具有用户标识的用户，这些用户通过相应的用户终端访问电商平台，获取这些用户在电商平台所产生的历史购物数据。

S32：将其他用户在目标产品所处的产品分类的历史购物数据转化至行为特征坐标系以获取其他用户的坐标值。

具体而言，对其他用户在目标产品所处的产品分类的历史购物数据采用以上与步骤S21至S24相同的方式转化至行为特征坐标系。

S33：对其他用户的坐标值进行聚类分析以获取与目标用户具有类似的购物行为的类似用户群体。

采用这样的方案，通过坐标系转换及聚类分析的方式，选取包含目标用户的坐标点的聚类集合中的所有其他用户，可以有效获得与目标用户具有类似的购物行为的类似用户群体，弥补目标用户单一片面的购物数据，从而根据类似用户群体的购物数据获得与目标产品具有替代关系的备选产品，数据分析更加全面。

作为具体方案，参照图4所示，上述步骤S4具体包括如下步骤：

S41：查询与目标产品具有替代关系的备选产品的销量数据。

具体而言，销量数据可以备选产品的年销量数据、季度销量数据或月销售数据。更具体而言，销量数据可以根据目标产品所处产品分类的属性选择相应的销量数据，例如，和季节相关的产品应采用短周期内的销量数据，可以较准确的获取销量特征。

S42：根据备选产品的评价数据获得它们对应到预设的关键评价词类的情感预测分值。

S43：结合销量数据及情感预测分值对以备选产品进行排序以构成备选产品列表。

作为更具体方案，上述步骤S43可以具体采用如下方案：

首先，对所有的备选产品根据价格进行分层处理，根据价格将备选产品分成若干分层组，作为优选方案，将备选产品所处的产品品类的价格区间分成设定数目的分层组。比如，备选产品为某种类型的手机，获取电商平台上所有手机价格(已成交的价格，而不是挂牌价格)以构成手机这个产品大类的完整价格区间，比如500至50000；然后，为了分层更为合理，将完整价格区间中完整价格区间中较低价格的10％和较高价格的10％删除形成筛后价格区间，比如1500至20000；这里所指的10％不是在价格10％，而是在完整价格区间中所有价格构成一个集合{X1、X2、X2、…Xn},相同的价格仅在集合中仅作为一个元素，这里所指10％是指集合数量上的10％，比如集合里有100个元素，则10％则为10个，所以上述指的前10％就完整价格区间集合最低的若干个价格和最高的若干价格，这个数目占整体集合的10％。在设置程序时，可以设置M＝10％×N，N为完整价格区间中价格元素的总数，如果10％×N为整数则直接在完整价格区间的价格集合中除去价格最低和最高的M个价格元素从而形成筛后价格区间的集合，如果计算出的10％×N为非整数，则仅保留10％×N计算结果整数位作为M值。

在获得筛后价格区间后(比如1500至20000后)，根据筛后价格区间的最高价格和最低价的差值所处的数值区间，获取分层数(即分层组的组数)，比如筛后价格区间为1500至20000之后，差值为18500。差值18500落入到预设数值区间[15000,20000]中，预设数值区间[15000,20000]对应的分层数为10，即将筛后价格区间中的价格元素均分成10层(分成10个分层组)，如果遇到无法等分的情况时，可以采用如下方案完成分层：

假设分层数为K，筛后价格区间对应的价格集合元素为M个，则计算M能包含的K的最大倍数Q，然后将筛后价格区间对应的价格元素前KW个(价格较低的KW)价格元素进行分层，每个分层组内此时价格元素的数目相同W，然后，将剩余的价格元素M-KW的价格元素归集到最后一个分层组中，此时最后一个分层组的数目为W+M-KW。

通过以上方案形成备选产品大类的分层组后，将当前的备选产品分别对应到不同的分层组中，然后对应每个分层设置一个销量价格权重系数，价格越高的分层销量价格权重系数越高，作为一种优选方案，假设一个分层组的最高价格元素为Vmax、最低价格元素Vmin；而整个筛后价格区间最小值V0和最大值VM，则当前的分层的销量价格权重系数i为(Vmax-Vmin)/(VM-V0)。

在确定销售价格权重系数i后，计算销量得分L＝i×h，其中，h为备选产品的销量。

然后，再根据销量得分L和情感预测得分E，计算出排序分值Y＝L×E。

采用这样的方案，结合销量数据及情感预测分值筛选得出备选产品列表，对电商平台上存在的多种处于目标产品所处的产品分类下的产品进行预筛分，降低推荐模型对分值输入矩阵的运算量。

作为具体方案，参照图5所示，上述步骤S42具体包括如下步骤：

S421：根据备选产品的评价数据获得备选产品的预设的关键评价词类及对应到预设的关键评价词类的情感分值。

S422：根据备选产品的预设的关键评价词类及对应到预设的关键评价词类的情感分值建立分值走势图。

S423：将分值走势图输入至一个预测模型以使预测模型输出情感预测分值。

具体而言，其中，预测模型采用LSTM神经网络模型，该LSTM神经网络模型的输入数据为历史时期的分值走势图，输出数据为情感预测分值。

其中预测模型的构建方法为：采集历史周期内多个类似用户群体的对于某一备选产品评价数据并生成的分值走势图以构成预测模型的训练集的输入数据，输出情感预测分值构成预测模型的训练集的输出数据，采用训练集中对应的输入数据和输出数据训练预测模型，情感预测分值的预测准确率可以根据类似用户群体在下一时间节点的情感分值作比对，根据比对结果对预测模型进行修正。

作为具体方案，参照图6和图7所示，上述步骤S421至S422的具体步骤为：

ST01：根据行业和\或产品属性构建用于产品问题分析的特征维度。

ST02：通过爬虫获取足够数量的同一行业或同一类型产品的用户评论数据作为样本，根据中英文断句的标点符号对样本进行分句处理；根据ST01中构建的特征维度进行标注，得到带有维度标签和各维度情感标签的训练样本。

ST03：搭建包括至少一个Embedding层和两个Dense层的神经网络模型，使用ST02中标注后的训练样本按照7比3或8比2的比例拆分为训练样本和测试样本，对训练样本进行分词处理得到分词模型，并构建索引词表，然后将分词后的文本训练向量化模型，向量化后的样本训练得到多维度分类模型和各维度情感分析模型。

ST04：循环筛选包括各个维度分类下的各情感分的训练样本，利用词频统计提取出排在前N位的分词结果，纳入候选关键词库。

ST05：对候选关键词库中涉及相同问题的关键词进行分类合并，设置可统领涉及同类问题的小词的大词，得到大小词映射表。

ST06：根据中英文断句的标点符号对评价数据进行分句处理获得评论分句；对评论分句使用中分词模型、索引词表和向量化模型进行向量化处理转为向量矩阵。

ST07：将向量矩阵输入至多特征维度分类模型以使多特征维度分类模型输出维度分类结果。

ST08：将维度分类结果输入至情感分析模型以使情感分析模型输出所有评论分句的情感分值。

ST09：通过得到的维度分类结果和情感分值，根据大小词映射表，通过匹配小词来得到对应的关键评价词类。

ST10：根据得到的关键评价词类及关键评价词类对应的情感分值获得分值走势图。

步骤ST10获得的一个分值走势图如图8所示，从分值走势图中可直观获取关键评价词类对应的情感分值的变化趋势。

本申请的基于电商平台的产品智能推荐系统执行前述的基于电商平台的产品智能推荐方法。

如图11所示，本申请的基于电商平台的产品智能推荐装置，包括：查询模块，用于查询一个目标用户的历史购物数据中的目标产品的数据及其对应的评价数据；生成模块，用于根据目标用户的历史购物数据生成目标用户在目标产品所处的产品分类的购物行为特征指数；获取模块，用于根据目标用户的购物行为特征指数获取与目标用户具有类似的购物行为的类似用户群体；排序模块，用于根据类似用户群体在产品分类下的历史购物数据获取与目标产品具有替代关系的备选产品并按照排序指数的大小排列以构成备选产品列表；选择模块，用于从备选产品列表中选择预设数量的备选产品；构建模块，用于根据选中备选产品和目标产品的评价数据获得它们对应到预设的关键评价词类的情感分值并将这些情感分值构成分值输入矩阵；推荐模块，用于将分值输入矩阵输入至一个推荐模型以使推荐模型输出建议推荐产品；其中，建议推荐产品为备选产品中的至少一个。

如图12所示，电子设备800可以包括处理装置(例如中央处理器、图形处理器等)801，其可以根据存储在只读存储器(ROM)802中的程序或者从存储装置808加载到随机访问存储器(RAM)803中的程序而执行各种适当的动作和处理。在RAM803中，还存储有电子设备800操作所需的各种程序和数据。处理装置801、ROM802以及RAM803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。

通常，以下装置可以连接至I/O接口805：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置806：包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置807；包括例如磁带、硬盘等的存储装置808：以及通信装置809。通信装置809可以允许电子设备800与其他设备进行无线或有线通信以交换数据。虽然图12示出了具有各种装置的电子设备800，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图12中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。

特别地，根据本公开的一些实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的一些实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中，该计算机程序可以通过通信装置809从网络上被下载和安装，或者从存储装置808被安装，或者从ROM802被安装。在该计算机程序被处理装置801执行时，执行本公开的一些实施例的方法中限定的上述功能。

需要说明的是，本公开的一些实施例上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

在本公开的一些实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperTextTransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，adhoc端对端网络)，以及任何当前已知或未来研发的网络。

上述计算机可读介质可以是上述电子设备中所包含的：也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：查询一个目标用户的历史购物数据中的目标产品的数据及其对应的评价数据；根据目标用户的历史购物数据生成目标用户在目标产品所处的产品分类的购物行为特征指数；根据目标用户的购物行为特征指数获取与目标用户具有类似的购物行为的类似用户群体；根据类似用户群体在产品分类下的历史购物数据获取与目标产品具有替代关系的备选产品并按照排序指数的大小排列以构成备选产品列表；从备选产品列表中选择预设数量的备选产品；根据选中备选产品和目标产品的评价数据获得它们对应到预设的关键评价词类的情感分值并将这些情感分值构成分值输入矩阵；将分值输入矩阵输入至一个推荐模型以使推荐模型输出建议推荐产品；其中，建议推荐产品为备选产品中的至少一个。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言―诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言：诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。

也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。

例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。

以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (10)

1.一种基于电商平台的产品智能推荐方法，包括：

查询一个目标用户的历史购物数据中的目标产品的数据及其对应的评价数据；

根据所述目标用户的历史购物数据生成所述目标用户在所述目标产品所处的产品分类的购物行为特征指数；

根据所述目标用户的所述购物行为特征指数获取与所述目标用户具有类似的购物行为的类似用户群体；

根据所述类似用户群体在所述产品分类下的历史购物数据获取与所述目标产品具有替代关系的备选产品并按照排序指数的大小排列以构成备选产品列表；

从所述备选产品列表中选择预设数量的所述备选产品；

根据选中所述备选产品和所述目标产品的评价数据获得它们对应到预设的关键评价词类的情感分值并将这些所述情感分值构成分值输入矩阵；

将所述分值输入矩阵输入至一个推荐模型以使所述推荐模型输出建议推荐产品；

其中，所述建议推荐产品为所述备选产品中的至少一个。

2.根据权利要求1所述的基于电商平台的产品智能推荐方法，其中，所述根据所述目标用户的历史购物数据生成所述目标用户在所述目标产品所处的产品分类的购物行为特征指数，包括：

根据所述目标用户的历史购物数据生成所述目标用户在所述目标产品所处的产品分类的第一购物行为参数；

根据所述目标用户的历史购物数据生成所述目标用户在所述目标产品所处的产品分类的第二购物行为参数；

根据所述目标用户的历史购物数据生成所述目标用户在所述目标产品所处的产品分类的第三购物行为参数；

将所述第一购物行为参数、第二购物行为参数、第三购物行为参数作为一个行为特征坐标系的三个坐标维度以获得目标用户的坐标值；

其中，所述第一购物行为参数为一个与所述目标用户的购物金额线性关联的参数，所述第二购物行为参数为一个与所述目标用户的购物频次线性关联的参数，所述第三购物行为参数为一个与所述目标用户在所述目标产品所处的产品分类的购物占比线性关联的参数。

3.根据权利要求1述的基于电商平台的产品智能推荐方法，其中，所述根据所述目标用户的所述购物行为特征指数获取与所述目标用户具有类似的购物行为的类似用户群体，包括：

查询其他用户在所述目标产品所处的产品分类的历史购物数据；

将其他用户在所述目标产品所处的产品分类的历史购物数据转化至行为特征坐标系以获取其他用户的坐标值。

4.根据权利要求3所述的基于电商平台的产品智能推荐方法，其中，所述根据所述目标用户的所述购物行为特征指数获取与所述目标用户具有类似的购物行为的类似用户群体，还包括：

对其他用户的坐标值进行聚类分析以获取与所述目标用户具有类似的购物行为的类似用户群体。

5.根据权利要求1所述的基于电商平台的产品智能推荐方法，其中，所述根据所述类似用户群体在所述产品分类下的历史购物数据获取与所述目标产品具有替代关系的备选产品并按照排序指数的大小排列以构成备选产品列表，包括：

查询与所述目标产品具有替代关系的备选产品的销量数据；

根据所述备选产品的评价数据获得它们对应到预设的关键评价词类的情感预测分值；

结合销量数据及情感预测分值对以备选产品进行排序以构成备选产品列表。

6.根据权利要求4所述的基于电商平台的产品智能推荐方法，其中，所述根据所述备选产品的评价数据获得它们对应到预设的关键评价词类的情感预测分值，包括：

根据备选产品的评价数据获得备选产品的预设的关键评价词类及对应到预设的关键评价词类的情感分值；

根据备选产品的预设的关键评价词类及对应到预设的关键评价词类的情感分值建立分值走势图；

将所述分值走势图输入至一个预测模型以使所述预测模型输出情感预测分值。

7.根据权利要求6所述的基于电商平台的产品智能推荐方法，其中，所述预测模型采用LSTM神经网络模型。

8.根据权利要求1所述的基于电商平台的产品智能推荐方法，其中，所述预设的关键评价词类包括舒适、价格、美观、气味、尺寸、耐用及物流。

9.根据权利要求1所述的基于电商平台的产品智能推荐方法，其中，所述推荐模型采用LTR神经网络模型。

10.一种基于电商平台的产品智能推荐系统，所述基于电商平台的产品智能推荐系统执行如权利要求1至9任意一项所述的方法。

Images