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 PDFInfo
- 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
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
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。
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)
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 |
-
2022
- 2022-02-21 CN CN202210154644.0A patent/CN114493361A/zh active Pending
Cited By (1)
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 |