CN114493361A - 一种商品推荐算法的有效性评估方法和装置 - Google Patents

一种商品推荐算法的有效性评估方法和装置 Download PDF

Info

Publication number
CN114493361A
CN114493361A CN202210154644.0A CN202210154644A CN114493361A CN 114493361 A CN114493361 A CN 114493361A CN 202210154644 A CN202210154644 A CN 202210154644A CN 114493361 A CN114493361 A CN 114493361A
Authority
CN
China
Prior art keywords
purchase
algorithm
record
psku
commodity
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202210154644.0A
Other languages
English (en)
Inventor
周宇
周文
龙真真
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhongke Jingrui Changsha Technology Co ltd
Original Assignee
Zhongke Jingrui Changsha Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhongke Jingrui Changsha Technology Co ltd filed Critical Zhongke Jingrui Changsha Technology Co ltd
Priority to CN202210154644.0A priority Critical patent/CN114493361A/zh
Publication of CN114493361A publication Critical patent/CN114493361A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Educational Administration (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Finance (AREA)
  • Theoretical Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种商品推荐算法的有效性评估方法和装置，所述方法包括：基于用户的基本信息，获取一定时间段内所有用户的历史购买成交记录；基于历史购买成交记录，过滤掉所有的退货记录，选取最终成交的日志，随机抽取一定样本数量的成交记录作为最终的抽样信息表；基于获取的抽样信息表里的数据，进行清洗，对购买率进行加权计算，得出不同商品的真实购买率对照表；基于商品的真实购买率对照表，采用多维度指标对推荐算法的推荐效果进行评估；采用本发明的评估方法，如果评估结果会有负向效果，为是否实际线上测试提供参考，避免上线测试的时间成本和直接经济损失成本。

Description

一种商品推荐算法的有效性评估方法和装置
技术领域
本发明涉及大数据技术领域，具体涉及一种商品推荐算法的有效性评估方法和装置。
背景技术
随着电商的商品数量规模不断扩大，存货单位数量通常在千万到亿的数量级别，商品推荐算法的性能优劣直接关系到平台的销售。有个共识，就是推荐排名越是靠前的位置，点击和购买率就越高。如果可以把用户感兴趣的商品放到靠前的位置，那么用户成交和购买的意愿就高，反之，如果无法推荐出用户感兴趣的商品，用户就无法快速购买，或者放弃购买，转向其他平台，造成受益受损。
如何评价一个推荐算法的好坏，是一个很关键的问题。不能每次都把效果未知的算法上线实际测试，低效的算法直接影响收入，测试的成本攀高，而用户的购买情况又复杂多样。比如不同的年龄阶段，不同性别，不同地域，购买习惯，收入水平都有差距，每个具体的个体，又有很大的差异，无法完全用计算机来模拟真实用户行为和购买倾向，也无法通过部分评价员的人工评价来进行导向，因为样本太大，而评价员的背景和购买习惯也无法代表所有用户。即使公司真的愿意上线验证，时间代表性也是问题，比如早上和晚上，上班和下班时间，周末和平时，节假日之类，用户的购买习惯等都有差别，短时间的上线验证，也无法有效的评估全时段的效果，而过长时间的线上评估，会对营收造成影响，负向的优化会有损收入和利润，使人无法接受。
发明内容
为了解决现有技术中所存在的推荐算法评价方法低效，本发明提供一种商品推荐算法的有效性评估方法，包括：
基于用户的基本信息，获取一定时间段内所有用户的历史购买成交记录；
基于历史购买成交记录，过滤掉所有的退货记录，选取最终成交的日志，随机抽取一定样本数量的成交记录作为最终的抽样信息表；
基于获取的抽样信息表里的数据，进行清洗，对购买率进行加权计算，得出不同商品的真实购买率对照表；
基于商品的真实购买率对照表，采用多维度指标对推荐算法的推荐效果进行评估。
优选的，所述的用户基本信息包括：年龄、性别、地区、购买偏好、浏览商品的时间段、浏览内容。
优选的，所述的历史购买成交记录包括：用户使用的搜索词，用户id，当时返回的sku搜索排名、用户最终购买的商品。
其中所述sku为最小的商品单位。
优选的，所述的最终的抽样信息表，包括：序号、日期、用户ID、搜索词、当时sku排序。
优选的，所述的加权计算包括如下步骤：
S1：比较原始记录和测试排序记录中psku的位置，如果相同，跳过本条记录，继续比较下一条；
S2：如果原始记录的psku位置高于测试记录psku位置，则测试记录位置与原始记录位置差值cr的值小于0，判定效果变差；
S3：如果原始记录的psku位置低于测试记录psku位置，则测试记录位置与原始记录位置差值cr的值大于0，判定效果变好；
S4：如果cr不等于0，则查询本sku的gmv和cp，乘以cr，即得到本条对应的gmv和cp；
S5：如此遍历所有的测试结果，可以获得对于每条样本记录的cr，gmv，cp；
S6：将记录中所有gmv和cp求和，获得的值记作gmvSum，cpSum，cr为正的条目总数记为crPos，cr为负的条目总数记为crNeg；
其中：gmv表示商品的最终销售价格；
cp：净利润；
psku：购买的sku号；
cr:变化率，默认都为0，gmv和cp都默认为0。
优选的，所述的多维度指标评价方法，包括：
当crPos大于crNeg，表示该算法对应的记录位置靠前，则用户的购买意愿和成交概率增加；
当crPos小于crNeg，表示该算法对应的记录会靠后，则用户的购买意愿和
成交概率降低；
gmvSum大于0，表示该算法会增加总营收，反之则降低总营收；
cpSum大于0，表示该算法会增加总利润，反之则降低总利润；
优选的，所述样本数量为预设值或者按成交总规模的预设比例计算。
基于同一种发明构思，本发明还提供一种商品推荐算法的有效性评估装置，包括：
信息获取模块，用于基于用户的基本信息，获取一定时间段内所有用户的历史购买成交记录；
抽样模块，用于基于历史购买成交记录，过滤掉所有的退货记录，选取最终成交的日志，随机抽取一定样本数量的成交记录作为最终的抽样信息表；
数据构建模块，用于基于获取的抽样信息表里的数据，进行清洗，对购买率进行加权计算，得出不同商品的真实购买率对照表；
评估模块，用于基于商品的真实购买率对照表，采用多维度指标对推荐算法的推荐效果进行评估。
根据本公开的另一方面，提供一种电子设备，该电子设备包括：至少一个处理器；以及与该至少一个处理器通信连接的存储器。所述存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使所述至少一个处理器能够执行根据本公开实施例的方法。
根据本公开的另一方面，提供一种非暂态计算机可读存储介质，其中，所述非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行根据本公开实施例的方法。
与现有技术相比，本发明的有益效果为：
1、本发明提供了一种商品推荐算法的有效性评估方法及系统，包括：基于用户的基本信息，获取一定时间段内所有用户的历史购买成交记录；基于历史购买成交记录，过滤掉所有的退货记录，选取最终成交的日志，随机抽取一定样本数量的成交记录作为最终的抽样信息表；基于获取的抽样信息表里的数据，进行清洗，对购买率进行加权计算，得出不同商品的真实购买率对照表；基于商品的真实购买率对照表，采用多维度指标对推荐算法的推荐效果进行评估；采用本发明的评估方法，如果评估结果会有负向效果，为是否进行实际线上测试提供参考，避免上线测试的时间成本和直接经济损失成本；
2、本发明提供的技术方案中，基于商品的真实购买率对照表，采用多维度指标进行评价，保证了不是简单的用增加收入或者增加购买意愿来评价，更加贴近真实的电商运营需求；
3、采用本发明的评估方法，评估阶段得出的结论是算法会有负向效果，就可以不进行实际线上测试，避免了上线实际测试的时间成本和直接经济损失成本；
4、本发明提供的技术方案中，采用购买率加权计算，保证了不同程度的优化，以及结果的差异性，基于真实统计数据的购买率，也能够反应真实的购买率；不同商品虽然说购买率会不同，但是这个用全部的数据代替整体，在保证真实度的情况下，大大降低计算复杂度。
附图说明
图1为本发明的一种商品推荐算法的有效性评估方法步骤顺序图；
图2为本发明的评估系统框架图；
具体实施方式
为了更好地理解本发明，下面结合说明书附图和实例对本发明的内容做进一步的说明。
实施例1：本发明提供一种商品推荐算法的有效性评估方法，如图1所示，其主要包括：
S1基于用户的基本信息，获取一定时间段内所有用户的历史购买成交记录；
S2基于历史购买成交记录，过滤掉所有的退货记录，选取最终成交的日志，随机抽取一定样本数量的成交记录作为最终的抽样信息表；
S3基于获取的抽样信息表里的数据，进行清洗，对购买率进行加权计算，得出不同商品的真实购买率对照表；
S4基于商品的真实购买率对照表，采用多维度指标对推荐算法的推荐效果进行评估。各步骤具体如下所述：
首先获取一定时间段内所有用户的历史购买成交记录：
一般的搜索推荐算法，输入是用户的搜索关键词，用户id(注册的会员号，就是用户的唯一标识，系统可以通过这个id，找到用户的基本信息，比如年龄，性别，收货地址，现在匿名成交的系统已经不存在了，国家法律不允许)，输出就是返回给此用户的商品列表，包括排名和sku基本信息，比如输入框输入“苹果”，点击搜索，iphone13会排名第一，macair排第二等。搜索算法的备选sku也是有个范围的，只会在有限的sku内给出排序；
接下来基于历史购买成交记录，过滤掉所有的退货记录，选取最终成交的日志，随机抽取一定样本数量的成交记录作为最终的抽样信息表：
一般的电商系统，历史购买成交数据都是有完善日志记录的，本案为了代表性，只用一些基础的日志信息，不使用其他的特殊信息。主要包括：过去一个月的购买记录，包括用户使用的搜索词，用户id，当时返回的sku搜索排名(一般的成交都会集中在前40名，本案按40来取，但是是个参数，可以根据实际情况调整)，用户最终购买的商品；购买的修正记录，比如有退货之类，会有记录。退货记录用来修正购买记录，本案需要提取的是最终成交的日志，随机抽样20万条，或者如果系统成交量过于巨大，按系统成交总规模的比例2％之类。这也个参数，可以根据实际选择，经验值是不小于20万。
基于获取的抽样信息表里的数据，进行清洗，对购买率进行加权计算，得出不同商品的真实购买率对照表：
这样在数据库或者大数据系统中，可以形成一个成交的抽样信息表(sample表)，20万行，抽样的行如下形式：
序号 日期 用户id 搜索词 当时sku排序 购买序号
001 20211011 ID01 苹果 [sku01,sku02....sku40] [4]
002 20211012 ID02 衣服 [sku01,sku02....sku40] [2,5]
每个位置的购买率是可以通过日志进行计算的，这里剔除广告的影响，只考虑原始的排序结果，一般商用系统会有广告排名，广告会插入到靠前的位置。本案剔除广告的影响。一般系统会记录本条是否为广告，不选是广告的条目即可购买率对照表，按照一个月的成交数据。统计计算前20-40位的购买率，具体根据实际数据定，一般移动端设备占主要场景的平台，前20位基本可以满足要求，如果基于PC，可以统计前40位，每个位置的购买率记录为[prate1,prate2...prate40]，一般prate是递减的，但也不一定严格递减，比如每页显示20条记录，21项被排在第二页的第一位，购买率会超过第20位。
测试算法部署在测试环境，将抽样的行作为输入，灌入测试环境的服务器，并且记录输出，形成一个结果表，20万输入，错误和其他情况的丢弃，在系统错误率在可接受范围内，通常会有接近20万的输出，本案就认为全部正确，便于突出主要问题，错误处理根据实际情况确定。
输出的结果如以下形式，测试系统的sku范围限制在原始记录的sku范围内，比如原始记录的sku是sku1到sku40，那么测试系统的输出范围也是sku0到sku40，只是由于算法的调整导致排序不同。cr为change rate，默认都为0，gmv和cp都默认为0。测试结果表如下所示：
序号 日期 用户id 搜索词 测试系统sku排序 cr gmv cp
001 20211011 ID01 苹果 [sku10,sku09....sku40] 0
002 20211012 ID02 衣服 [sku03,sku04....sku40] 0
由于对算法进行了调整，所以测试系统的sku排序和线上系统的肯定有差异，冗余信息方便用户理解，实际操作中ID可以对应即可，不需要保存重复信息。多个算法测试可以共享一个sample表作为输入，不需要每次都重复生成后面将sample表的原始购买记录，当时排序记录，测试系统排序记录进行对比，流程如下，只是对比购买的sku号，记作psku,
1.如果原始记录和测试排序记录中，psku的位置一样，那么跳过本条，继续计算下一条；
2.原始记录的psku位置高于测试记录psku位置，比如原始psku排第一，测试结果psku排第三，那么cr的值就是prate3-prate1，将小于0，认为效果变差；
3.原始记录的psku位置低于测试记录psku位置，比如原始psku排第三，测试结果psku排第一，那么cr的值就是prate1-prate3，将大于0，认为效果变好；
4.如果cr不等于0，那么查询本sku的gmv和cp，乘以cr，就是本条对应的gmv和cp，比如本条用户购买的是iphone13，价格8000，利润600，测试系统排名1，原始记录排名3，购买率的差是10％，那么cr是0.1，gmv是800，cp是60；
5.如此遍历所有的测试结果，可以获得对于每条样本记录的cr，gmv，cp；
6.将记录中所有gmv和cp求和，获得的值记作gmvSum，cpSum，cr为正的条目总数记为crPos，cr为负的条目总数记为crNeg。
最后基于商品的真实购买率对照表，采用多维度指标对推荐算法的推荐效果进行评估如下：
1、当crPos大于crNeg，表示该算法对应的记录位置靠前，则用户的购买意愿和成交概率增加；
2、当crPos小于crNeg，表示该算法对应的记录会靠后，则用户的购买意愿和成交概率降低；
3、gmvSum大于0，表示该算法会增加总营收，反之则降低总营收
4、cpSum大于0，表示该算法会增加总利润，反之则降低总利润
在实际应用中，可以根据测试算法的目的，对结果进行评估。很多时候收入增加不会代表利润增加，因为很多低价商品会吸引用户购买，但是低价商品是亏本的。用户购买意愿降低也不代表利润减少，因为从整体来看，高价商品的购买意愿通常会低于低价商品，但是高价商品利润高，成交一个顶多个低价商品的利润。
本发明的可解释性包括以下几个重点：
1、从实际购买的样例中进行抽样，能够覆盖群体特征，数据量够大的情况下，随机抽样保证了数据时间空间是具备代表性的，并且分布和实际数据成比例；
2、实际抽样保留的数据，充分体现了用户个体差异性，让不同用户的特征抽样也符合真实情况，用户实际购买的数据作为抽样，准确的说明了用户在保持个体差异的情况下，体现的实际购买意愿；
3、抽样的时间跨度设置成1个月，可以把样本的时间差异体现出来，周末，节假日的影响也可以在样本中进行体现；
4、抽样的时间跨度设置成1个月，这样退货，虚假购买的影响会降低，如果抽样的时间跨度过低，比如1天，那么由于退货，刷单之类的影响，会影响真实购买的样本；
5、排序的sku限定在历史范围，而不是让测试系统按测试时的库存进行，把缺货，季节性商品之类的影响消除了，因为1个月前的货，在测试时可能由于换季等原因，已经下架，此时的排序中不存在当时购买的商品，并不是算法原因导致的。sku限定了范围，也可以让测试排序算法迅速得出结果，增加了测试效率；
6、采用购买率加权计算，保证了不同程度的优化，结果的差异性。基于真实统计数据的购买率，也能够反应真实的购买率。不同商品虽然说购买率会不同，但是这个用全部的数据代替整体，在保证真实度的情况下，大大降低计算复杂度；
7、评价指标的多维度，保证了不是简单的用增加收入或者增加购买意愿来评价，更加贴近真实的电商运营需求。
测试本身可以快速的进行，不需要花费过多的测试资源，一个qps是500的测试系统，跑20万条记录，理论完成时间是400秒，加上其他输入，输出，计算，等时间消耗，2000秒的时间内可以完成，开发者能够快速的得到系统性能的反馈，进行调整优化，节约了开发成本，提高开发效率。可以根据实际情况调整样本数量，获得更好的评估效果。
实施例2：为了更好地说明本发明的有效性，本发明还提供了实验室测试结果：
根据全部的销售日志，统计出前20个位置的平均购买率如下：
位置 购买率
1 26.55％
2 14.59％
3 11.87％
4 7.48％
5 6.23％
6 5.38％
7 4.50％
8 3.95％
9 4.22％
10 3.68％
11 3.60％
12 3.16％
13 3.29％
14 3.07％
15 2.88％
16 2.70％
17 3.74％
18 3.78％
19 3.70％
20 3.52％
本例子的平台80％流量来自于移动端，20％来自于PC端，可以看到购买率并不是严格递减，但是基本还是递减的趋势。不包含广告数据。
平台的日成交单数在百万级别，一共选择了有购买记录的13万条日志，清洗完数据之后，保留下126345条合法日志，其他的由于一致性检验不过而被删除，比如购买后有退货退款之类的记录。
测试算法实验组对于本组数据的评估方法得出的数据如下，其中A是对照组，作为基准，所有变化都是相对于对照组。通常线上正在运行的算法作为对照组：
算法名称 GmvSum CpSum crNeg crPos TotalCrCount
B -11.22 -126.11 11689 12876 24565
C -11.08 -126.03 11798 12850 24648
D -9.87 -129.30 12082 11586 23668
E -9.73 -129.81 12153 11575 23728
F -10.72 -123.28 11645 12948 24593
G -9.50 -126.55 11941 11665 23606
一般的排序算法调整，都不会导致排名变化过大，测试数据的变化率基本低于20％，和实际数据还是符合的，本组测试算法都是同一个主算法，只是参数有差异，期望的变化趋势和评估方法的结果符合。
将算法实际部署到线上进行测试，并运行了1个月之后进行统计，并进行了归一化处理之后，数据如下：
算法名称 GmvSum 实际GMV变化 CpSum 实际CP变化
B -11.22 -13.12 -126.11 -110.21
C -11.08 -12.03 -126.03 -111.34
D -9.87 -9.01 -129.30 -113.45
E -9.73 -8.43 -129.81 -120.97
F -10.72 -9.72 -123.28 -116.82
G -9.50 -8.20 -126.55 -120.65
可以看到，线上实际数据，和评估的数据呈现了正相关的趋势，预测的数据符合实际。如果采用本评估方法的结论，评估阶段得出的结论是算法会有负向效果，就可以不进行实际线上测试，避免了上线实际测试的时间成本和直接经济损失成本。
实施例3：基于同一种发明构思，本发明还提供了一种商品推荐算法的有效性评估系统，包括：
信息获取模块，用于基于用户的基本信息，获取一定时间段内所有用户的历史购买成交记录；
抽样模块，用于基于历史购买成交记录，过滤掉所有的退货记录，选取最终成交的日志，随机抽取一定样本数量的成交记录作为最终的抽样信息表；
数据构建模块，用于基于获取的抽样信息表里的数据，进行清洗，对购买率进行加权计算，得出不同商品的真实购买率对照表；
评估模块，用于基于商品的真实购买率对照表，采用多维度指标对推荐算法的推荐效果进行评估。

Claims (10)

1.一种商品推荐算法的有效性评估方法，其特征在于，包括：
基于用户的基本信息，获取一定时间段内所有用户的历史购买成交记录；
基于历史购买成交记录，过滤掉所有的退货记录，选取最终成交的日志，随机抽取一定样本数量的成交记录作为最终的抽样信息表；
基于获取的抽样信息表里的数据，进行清洗，对购买率进行加权计算，得出不同商品的真实购买率对照表；
基于商品的真实购买率对照表，采用多维度指标对推荐算法的推荐效果进行评估。
2.根据权利要求1所述的商品推荐算法的有效性评估方法，其特征在于，所述的用户基本信息包括：年龄、性别、地区、购买偏好、浏览商品的时间段、浏览内容。
3.根据权利要求1所述的商品推荐算法的有效性评估方法，其特征在于，所述的历史购买成交记录包括：用户使用的搜索词，用户id，当时返回的sku搜索排名、用户最终购买的商品；
其中所述sku为最小的商品单位。
4.根据权利要求1所述的商品推荐算法的有效性评估方法，其特征在于，所述的最终的抽样信息表，包括：序号、日期、用户ID、搜索词、当时sku排序。
5.根据权利要求1所述的商品推荐算法的有效性评估方法，其特征在于，所述的加权计算包括如下步骤：
S1：比较原始记录和测试排序记录中psku的位置，如果相同，跳过本条记录，继续比较下一条；
S2：如果原始记录的psku位置高于测试记录psku位置，则测试记录位置与原始记录位置差值cr的值小于0，判定效果变差；
S3：如果原始记录的psku位置低于测试记录psku位置，则测试记录位置与原始记录位置差值cr的值大于0，判定效果变好；
S4：如果cr不等于0，则查询本sku的gmv和cp，乘以cr，即得到本条对应的gmv和cp；
S5：如此遍历所有的测试结果，可以获得对于每条样本记录的cr，gmv，cp；
S6：将记录中所有gmv和cp求和，获得的值记作gmvSum，cpSum，cr为正的条目总数记为crPos，cr为负的条目总数记为crNeg；
其中：gmv表示商品的最终销售价格；
cp：净利润；
psku：购买的sku号；
cr:变化率，默认都为0，gmv和cp都默认为0。
6.根据权利要求1所述的商品推荐算法的有效性评估方法，其特征在于，所述的多维度指标评估方法，包括：
当crPos大于crNeg，表示该算法对应的记录位置靠前，则用户的购买意愿和成交概率增加；
当crPos小于crNeg，表示该算法对应的记录会靠后，则用户的购买意愿和成交概率降低；
当gmvSum大于0，表示该算法会增加总营收，反之则降低总营收；
当cpSum大于0，表示该算法会增加总利润，反之则降低总利润。
7.根据权利要求1所述的商品推荐算法的有效性评估方法，其特征在于，所述样本数量为预设值或者按成交总规模的预设比例计算。
8.一种商品推荐算法的有效性评估装置，其特征在于，包括：
信息获取模块，用于基于用户的基本信息，获取一定时间段内所有用户的历史购买成交记录；
抽样模块，用于基于历史购买成交记录，过滤掉所有的退货记录，选取最终成交的日志，随机抽取一定样本数量的成交记录作为最终的抽样信息表；
数据构建模块，用于基于获取的抽样信息表里的数据，进行清洗，对购买率进行加权计算，得出不同商品的真实购买率对照表；
评估模块，用于基于商品的真实购买率对照表，采用多维度指标对推荐算法的推荐效果进行评估。
9.一种电子设备，该电子设备包括：
至少一个处理器；以及，与该至少一个处理器通信连接的存储器，其特征在于：
该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行如权利要求1-7任一项所述的商品推荐算法的有效性评估方法。
10.一种非暂态计算机可读存储介质，其特征在于，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行如权利要求1-7任一项所述的商品推荐算法的有效性评估方法。
CN202210154644.0A 2022-02-21 2022-02-21 一种商品推荐算法的有效性评估方法和装置 Pending CN114493361A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210154644.0A CN114493361A (zh) 2022-02-21 2022-02-21 一种商品推荐算法的有效性评估方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210154644.0A CN114493361A (zh) 2022-02-21 2022-02-21 一种商品推荐算法的有效性评估方法和装置

Publications (1)

Publication Number Publication Date
CN114493361A true CN114493361A (zh) 2022-05-13

Family

ID=81482375

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210154644.0A Pending CN114493361A (zh) 2022-02-21 2022-02-21 一种商品推荐算法的有效性评估方法和装置

Country Status (1)

Country Link
CN (1) CN114493361A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118035044A (zh) * 2024-04-11 2024-05-14 福建省计量科学研究院（福建省眼镜质量检验站） 一种大数据推荐算法推荐准确度评价方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118035044A (zh) * 2024-04-11 2024-05-14 福建省计量科学研究院（福建省眼镜质量检验站） 一种大数据推荐算法推荐准确度评价方法

Similar Documents

Publication Publication Date Title
US11769194B2 (en) Method and system for presenting items in online environment based on previous item selections
US20050246358A1 (en) System & method of identifying and predicting innovation dissemination
US20060010029A1 (en) System & method for online advertising
US20050246391A1 (en) System & method for monitoring web pages
CN109711955B (zh) 基于当前订单的差评预警方法、系统、黑名单库建立方法
CN111144986B (zh) 一种基于分享行为的社交电商网站商品推荐方法及装置
CN110766428A (zh) 一种数据价值评估系统以及方法
CN109213936B (zh) 商品搜索方法和装置
US20200364743A1 (en) Predictive recommendation system using tiered feature data
US20170154268A1 (en) An automatic statistical processing tool
JP2018139036A (ja) 分析装置
KR102334404B1 (ko) 상품 추천 서버 및 그 제어방법
CN111861605A (zh) 业务对象推荐方法
CN117391820A (zh) 一种SaaS服务综合管理方法及系统
Newberry et al. Heterogeneous effects of online reputation for local and national retailers
Pradana Investigating the Repurchase Intention of E-Commerce Users from Service Quality and Expectation-Confirmation Theory Perspective
CN114493361A (zh) 一种商品推荐算法的有效性评估方法和装置
CN116611796B (zh) 一种店铺交易数据的异常检测方法及装置
CN116976995A (zh) 多目标推荐的处理方法及装置
CN111598660A (zh) 一种用于筛选供应商的计算机筛选装置、方法及存储介质
CN114219547B (zh) 一种门店订货量的确定方法、装置、设备及存储介质
CN112015970A (zh) 产品推荐方法、相关设备及计算机存储介质
CN115860865A (zh) 商品组合构造方法及其装置、设备、介质、产品
CN114925261A (zh) 关键词确定方法、装置、设备、存储介质及程序产品
CN111680941A (zh) 保价推荐方法、装置、设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination