CN116823409A - 一种基于目标搜索数据的智能筛选方法及系统 - Google Patents

Abstract

本发明提供一种基于目标搜索数据的智能筛选方法及系统，涉及搜索数据筛选技术领域，包括如下步骤：步骤S1，收录搜索数据以及销售数据；步骤S2，对搜索数据以及销售数据进行分析；步骤S3，对品牌进行分类；步骤S4，分析不同品牌的品牌搜索比；步骤S5，计算每个商品的商品推荐值；步骤S6，更新商品推荐值；本发明用于解决现有的搜索数据筛选技术还存在对数据有效性的分析不足以及缺少对用户消费水平的分析，导致推送商品不符合用户需求以及用户预期的问题。

Description

一种基于目标搜索数据的智能筛选方法及系统

技术领域

本发明涉及搜索数据筛选技术领域，尤其涉及一种基于目标搜索数据的智能筛选方法及系统。

背景技术

搜索数据筛选技术，是指根据用户搜索的信息对搜索结果进行智能筛选以及智能推送的技术，搜索数据筛选技术通过获取用户的搜索信息，在后台经过大量的数据处理，可以结合用户数据以及平台数据对用户的搜索结果进行智能筛选，以确保推送结果符合用户需求。

现有的搜索数据筛选技术中，通常都是根据用户的搜索量以及浏览量对搜索内容进行排序后展示给用户，缺少了对数据有效性的分析，同时，用户每次搜索时，通常都会进行一次搜索量以及浏览量的综合评比，导致服务器的数据处理量较大，负荷较高，针对同一用户推送的商品，商品价格参差不齐，难以与用户的消费水平贴合，比如在申请公开号为“CN107169842A”的申请文件中，公开了“一种基于商品数据的电子商务数据筛选系统”，该方案在对用户推送商品时就没有对用户的消费水平进行分析，易导致推送的商品不符合用户的消费预期，现有的搜索数据筛选技术还存在对数据有效性的分析不足以及缺少对用户消费水平的分析，导致推送商品不符合用户需求以及用户预期的问题。

发明内容

针对现有技术存在的不足，本发明提供了一种基于目标搜索数据的智能筛选方法及系统，能够获取用户对搜索商品的浏览时间，对其浏览的有效性进行判定，剔除大量的浏览量内的无效浏览，同时，针对不同用户，对商品赋予商品推荐值来向用户进行商品推送，省去了每次搜索时服务器大量的数据处理量，且针对用户，结合了用户消费能力的判断，以解决现有的搜索数据筛选技术还存在对数据有效性的分析不足以及缺少对用户消费水平的分析，导致推送商品不符合用户需求以及用户预期的问题。

为了实现上述目的，第一方面，本发明提供一种基于目标搜索数据的智能筛选方法，包括如下步骤：

步骤S1，建立商品数据库，收录第一评估时间内历史记录中商品的搜索数据以及销售数据；

步骤S2，对搜索数据以及销售数据进行分析，计算每个商品的搜索热度；

步骤S3，建立品牌数据库，获取用户搜索品牌的次数，标记为搜索品牌次数，获取品牌评分，对搜索品牌次数以及品牌评分进行分析，并根据分析结果对品牌进行分类，录入品牌数据库；

步骤S4，读取用户搜索数据库，获取历史搜索数据，对历史搜索数据进行分析，得到不同品牌的品牌搜索比；

步骤S5，当用户进行搜索时，获取搜索热度、商品价格以及消费等级，计算每个商品的商品推荐值，根据商品推荐值向用户推送商品；

步骤S6，获取用户的反馈数据，对反馈数据进行分析，并更新商品推荐值。

进一步地，所述步骤S1包括如下子步骤：

步骤S101，建立商品数据库；

步骤S102，获取第一评估时间内商品的搜索数据并录入商品数据库，所述搜索数据包括搜索次数以及平均浏览有效时长；

步骤S103，获取第一评估时间内商品的销售数据并录入商品数据库，所述销售数据包括销售数量以及退货数量。

进一步地，所述步骤S102包括如下子步骤：

步骤S1021，用户进入商品的浏览页面后，对用户的浏览时长进行计时；

步骤S1022，将浏览时长与第一浏览阈值进行比对，若浏览时长小于第一浏览阈值，则输出数据不可靠信号；若浏览时长大于等于第一浏览阈值，则输出数据可靠信号；

步骤S1023，若输出数据不可靠信号，则将浏览时长标记为浏览无效时长；若输出数据可靠信号，则将浏览时长标记为浏览有效时长；

步骤S1024，通过平均浏览有效时长算法对搜索次数以及浏览有效时长进行计算，得到商品的平均浏览有效时长；

所述平均浏览有效时长算法配置为：；其中，Py为平均浏览有效时长，Ty_i为第i个浏览有效时长，S为搜索次数，n为浏览有效时长的数据数。

进一步地，所述步骤S2包括如下子步骤：

步骤S201，通过热度分析公式对商品的搜索次数、平均浏览有效时长、销售数量以及退货数量进行计算，得到商品的搜索热度；

所述热度分析公式设置为：；其中，R为搜索热度，M为销售数量，B为退货数量，α为搜索系数，β为浏览系数，γ为销售系数，δ为退货系数，A为浏览转换系数。

进一步地，所述步骤S3包括如下子步骤：

步骤S301，建立品牌数据库；

步骤S302，获取第一评估时间内用户搜索品牌的次数，标记为搜索品牌次数；

步骤S303，获取平台内品牌旗舰店的评分，标记为品牌评分；

步骤S304，将品牌评分与第一评分阈值以及第二评分阈值进行比对，若品牌评分小于等于第一评分阈值，则输出低端品牌信号；若品牌评分大于第一评分阈值且小于等于第二评分阈值，则输出中端待定信号；若品牌评分大于第二评分阈值，则输出高端待定信号；

步骤S305，若输出高端待定信号，则将搜索品牌次数与第一搜索阈值进行比对，若搜索品牌次数小于等于第一搜索阈值，则输出中端品牌信号；若搜索品牌次数大于第一搜索阈值，则输出高端品牌信号；

步骤S306，若输出中端待定信号，则将搜索品牌次数与第二搜索阈值进行比对，若搜索品牌次数小于等于第二搜索阈值，则输出中端品牌信号；若搜索品牌次数大于第二搜索阈值，则输出高端品牌信号；

步骤S307，若输出低端品牌信号，则将对应品牌划分为低端品牌并录入品牌数据库；若输出中端品牌信号，则将对应品牌划分为中端品牌并录入品牌数据库；若输出高端品牌信号，则将对应品牌划分为高端品牌并录入品牌数据库。

进一步地，所述步骤S4包括如下子步骤：

步骤S401，读取用户搜索数据库，获取用户的历史搜索数据，所述历史搜索数据包括品牌历史搜索次数以及消费等级，所述消费等级包括低消费等级、中消费等级以及高消费等级；

步骤S402，获取与用户购买商品相同的商品，查找销量最高的商品，标记为性价比商品，获取性价比商品的价格，标记为性价比价格，将中消费等级的价格区间设置为（2Px/3，2Px），其中，Px为性价比价格；

步骤S403，获取用户购买商品的价格，标记为购买价格，将购买价格与价格区间进行查找比对，若购买价格小于价格区间最小值，则输出低消费信号；若购买价格存在于价格区间内，则输出中消费信号；若购买价格大于价格区间最大值，则输出高消费信号；

步骤S404，对用户的历史订单进行分析，获取输出的低消费信号、中消费信号以及给高消费信号的数量，分别标记为低消费次数、中消费次数以及高消费次数，查找其中最大值，若低消费次数最大，则标记用户为低消费等级；若中消费次数最大，则标记用户为中消费等级；若高消费次数最大，则标记用户为高消费等级；

步骤S405，查找用户的品牌历史搜索次数中搜索低端品牌的次数、中端品牌的次数以及高端品牌的次数，分别标记为历史低端搜索数、历史中端搜索数以及历史高端搜索数；将所有品牌的品牌历史搜索次数的总和设定为品牌历史搜索总次数；

步骤S406，分别计算历史低端搜索数、历史中端搜索数以及历史高端搜索数所占品牌历史搜索总次数的比例，分别标记为低端搜索比、中端搜索比以及高端搜索比，整合并标记为品牌搜索比。

进一步地，所述步骤S5包括如下子步骤：

步骤S501，当用户进行搜索时，获取搜索热度、商品价格以及消费等级；

步骤S502，若消费等级为低消费等级，则选取低消费推荐值公式；若消费等级为中消费等级，则选取中消费推荐值公式；若消费等级为高消费等级，则选取高消费推荐值公式；通过低消费推荐值公式、中消费推荐值公式以及高消费推荐值公式对商品的搜索热度、商品价格以及消费等级进行计算，得到商品推荐值；

所述低消费推荐值公式设置为：；其中，Rv为商品推荐值，Sp为品牌搜索比，P为商品价格，K为第一推荐系数，χ为第一性价比系数；

所述中消费推荐值公式设置为：；其中，Pt为价格区间的中值；

所述高消费推荐值公式设置为：；其中，λ为第二性价比系数；

步骤S503，计算所有商品的商品推荐值，并按照商品推荐值从大到小的顺序向用户推荐商品。

进一步地，所述步骤S6包括如下子步骤：

步骤S601，设置第一增幅阈值、第二增幅阈值以及第三增幅阈值，其中，第一增幅阈值小于第二增幅阈值，第二增幅阈值小于第三增幅阈值；设置第一降幅阈值；

步骤S602，监测用户是否点击商品进入浏览页面，若为是，则输出用户已点击信号；若为否，则输出用户未点击信号；

步骤S603，获取用户对商品的浏览页面的浏览时长，标记为推荐浏览时长，将推荐浏览时长与第二浏览阈值进行比对，若推荐浏览时长小于等于第二浏览阈值，则输出用户未仔细浏览信号；若推荐浏览时长大于第二浏览阈值，则输出用户已仔细浏览信号；

步骤S604，获取用户是否购买商品，若为是，则输出用户已购买商品信号；若为否，则输出用户未购买商品信号；

步骤S605，根据输出的信号对商品的推荐值进行更新。

进一步地，所述步骤S605包括如下子步骤：

步骤S6051，若输出用户未点击信号，则将对应商品的商品推荐值降低第一降幅阈值；若输出用户已点击信号，则将对应商品的商品推荐值提高第一增幅阈值；

步骤S6052，若输出用户已仔细浏览信号，则将商品推荐值提高第二增幅阈值；若输出用户未仔细浏览信号，则保持商品推荐值；

步骤S6053，若输出用户已购买商品信号，则将商品推荐值提高第三增幅阈值；若输出用户未购买商品信号，则保持商品推荐值。

第二方面，本发明提供一种基于目标搜索数据的智能筛选系统，包括数据获取模块、推送筛选模块、数据存储模块、商品推送模块以及筛选学习模块；所述数据获取模块、数据存储模块、筛选学习模块以及商品推送模块分别与推送筛选模块数据连接；

所述数据获取模块包括商品数据获取单元、用户数据获取单元以及用户反馈获取单元，所述商品数据获取单元用于获取商品的搜索数据以及销售数据；所述用户数据获取单元用于获取用户的历史搜索数据；所述用户反馈获取单元用于获取用户的反馈数据；

所述推送筛选模块包括搜索热度计算单元、搜索习惯分析单元以及推送判断单元，所述搜索热度计算单元用于对搜索数据以及销售数据进行计算，得到商品的搜索热度；所述搜索习惯分析单元用于分析用户的历史搜索数据，得到不同品牌的品牌搜索比；所述推送判断单元用于分析搜索热度、商品价格以及消费等级，为商品计算商品推荐值；

所述数据存储模块包括商品数据库、品牌数据库以及用户搜索数据库，所述商品数据库用于存储商品的被搜索数据以及销售数据；所述品牌数据库用于存储不同品牌的分类；所述用户搜索数据库用于存储用户的历史搜索数据；

所述商品推送模块用于根据商品推荐值向用户推送商品；

所述筛选学习模块用于分析用户的反馈数据，并更新商品推荐值。

第三方面，本申请提供一种电子设备，包括处理器以及存储器，所述存储器存储有计算机可读取指令，当所述计算机可读取指令由所述处理器执行时，运行如上所述方法中的步骤。

第四方面，本申请提供一种存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，运行如上所述方法中的步骤。

本发明的有益效果：本发明通过获取用户对页面的浏览时长，分析并剔除其中的无效数据，优势在于，可以使用户的浏览数据更加准确，避免用户误点导致的错误数据以及无效数据干扰分析结果，导致误差，提高了浏览数据的有效性以及准确性；

本发明通过为商品计算商品推荐值，通过推荐值的大小决定推送商品的顺序，优势在于，可以避免用户每次进行搜索时，服务器都要进行大量运算才能得到针对不同用户的推荐商品，同时推荐完成后，根据用户的反馈对商品推荐值进行更新，提高了商品推送的运算速度；

本发明通过获取用户的订单，针对用户每种商品的消费水平进行分析，对用户总的消费等级进行判断，再结合消费等级对商品推荐值进行计算，优势在于，可以更加贴合用户的消费水平以及消费喜好，避免推荐的商品价格不符合用户接受范围，提高了推荐商品的准确性以及价格的合理性。

本发明附加方面的优点将在下面的具体实施方式的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其他特征、目的和优点将会变得更明显：

图1为本发明的方法的步骤流程图；

图2为本发明的商品推荐值的计算流程图；

图3为本发明的更新商品推荐值的流程图；

图4为本发明的系统的原理框图。

具体实施方式

为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本发明。

实施例一

本发明提供了一种基于目标搜索数据的智能筛选方法，能够获取用户对搜索商品的浏览时间，对其浏览的有效性进行判定，剔除大量的浏览量内的无效浏览，同时，针对不同用户，对商品赋予商品推荐值来向用户进行商品推送，省去了每次搜索时服务器大量的数据处理量，且针对用户，结合了用户消费能力的判断，以解决现有的搜索数据筛选技术还存在对数据有效性的分析不足以及缺少对用户消费水平的分析，导致推送商品不符合用户需求以及用户预期的问题。

请参阅图1所示，一种基于目标搜索数据的智能筛选方法包括步骤S1，收录搜索数据以及销售数据；步骤S2，对搜索数据以及销售数据进行分析；步骤S3，对品牌进行分类；步骤S4，分析不同品牌的品牌搜索比；步骤S5，计算每个商品的商品推荐值；步骤S6，更新商品推荐值；具体为：

步骤S1，建立商品数据库，收录历史记录中商品的搜索数据以及销售数据；步骤S1包括如下子步骤：

步骤S101，建立商品数据库；

步骤S102，获取第一评估时间内商品的搜索数据并录入商品数据库，搜索数据包括搜索次数以及平均浏览有效时长；由于在数据统计过程中存在很多由于用户误触而进入浏览页面的情况，导致数据统计的准确性不足，因此需要对用户浏览的时长进行判断，浏览到一定时长后，此次浏览的数据才能够作为分析时的凭证；

步骤S102包括如下子步骤：

步骤S1021，用户进入商品的浏览页面后，对用户的浏览时长进行计时；

步骤S1022，将浏览时长与第一浏览阈值进行比对，若浏览时长小于第一浏览阈值，则输出数据不可靠信号；若浏览时长大于等于第一浏览阈值，则输出数据可靠信号；

步骤S1023，若输出数据不可靠信号，则将浏览时长标记为浏览无效时长；若输出数据可靠信号，则将浏览时长标记为浏览有效时长；

步骤S1024，通过平均浏览有效时长算法对搜索次数以及浏览有效时长进行计算，得到商品的平均浏览有效时长；

平均浏览有效时长算法配置为：；其中，Py为平均浏览有效时长，Ty_i为第i个浏览有效时长，S为搜索次数，n为浏览有效时长的数据数；

具体实施中，第一评估时间设置为7天，第一浏览阈值设置为5s，获取到搜索次数为18614次，记录下用户的浏览时长为32s，通过比对得到浏览时长大于第一浏览阈值，则输出数据可靠信号，将浏览时长标记为浏览有效时长，读取浏览有效数据库中的数据，得到浏览有效时长的数据数n为8623，将所有浏览有效时长相加的结果为103476s，则通过平均浏览有效时长算法计算得到平均浏览有效时长Py为5.56s，计算结果保留两位小数，将搜索次数为18614次以及平均浏览有效时长为5.56s录入商品数据库；

步骤S103，获取第一评估时间内商品的销售数据并录入商品数据库，销售数据包括销售数量以及退货数量；

具体实施中，获取到销售数量为2857，退货数量为163，录入商品数据库。

步骤S2，对搜索数据以及销售数据进行分析，计算每个商品的搜索热度；步骤S2包括如下子步骤：

步骤S201，通过热度分析公式对商品的搜索次数、平均浏览有效时长、销售数量以及退货数量进行计算，得到商品的搜索热度；

热度分析公式设置为：；其中，R为搜索热度，M为销售数量，B为退货数量，α为搜索系数，β为浏览系数，γ为销售系数，δ为退货系数，A为浏览转换系数；α、β、γ、δ以及A均为常数且大于零；

具体实施中，α设置为0.1，β设置为10，γ设置为0.5，δ设置为10，A设置为0.1，搜索次数S为18614次、平均浏览有效时长Py为5.56s、销售数量M为2857以及退货数量B为163，通过计算得到搜索热度R为2.36，计算结果保留两位小数，热度分析公式计算过程仅为相关性计算，非单位对应计算。

步骤S3，建立品牌数据库，获取用户搜索品牌的次数，标记为搜索品牌次数，获取品牌评分，对搜索品牌次数以及品牌评分进行分析，并根据分析结果对品牌进行分类，录入品牌数据库；步骤S3包括如下子步骤：

步骤S301，建立品牌数据库；

步骤S302，获取第一评估时间内用户搜索品牌的次数，标记为搜索品牌次数；

步骤S303，获取平台内品牌旗舰店的评分，标记为品牌评分；

步骤S304，将品牌评分与第一评分阈值以及第二评分阈值进行比对，若品牌评分小于等于第一评分阈值，则输出低端品牌信号；若品牌评分大于第一评分阈值且小于等于第二评分阈值，则输出中端待定信号；若品牌评分大于第二评分阈值，则输出高端待定信号；

具体实施中，第一评分阈值设置为4，第二评分阈值设置为4.5，建立品牌数据库，获取到搜索品牌次数为3823，获取到品牌评分为4.8，通过比对得到品牌评分大于第二评分阈值，则输出高端待定信号；

步骤S305，若输出高端待定信号，则将搜索品牌次数与第一搜索阈值进行比对，若搜索品牌次数小于等于第一搜索阈值，则输出中端品牌信号；若搜索品牌次数大于第一搜索阈值，则输出高端品牌信号；

步骤S306，若输出中端待定信号，则将搜索品牌次数与第二搜索阈值进行比对，若搜索品牌次数小于等于第二搜索阈值，则输出中端品牌信号；若搜索品牌次数大于第二搜索阈值，则输出高端品牌信号；

步骤S307，若输出低端品牌信号，则将对应品牌划分为低端品牌并录入品牌数据库；若输出中端品牌信号，则将对应品牌划分为中端品牌并录入品牌数据库；若输出高端品牌信号，则将对应品牌划分为高端品牌并录入品牌数据库；

具体实施中，第一搜索阈值设置为2000，第二搜索阈值设置为4000，输出了高端待定信号，则将搜索品牌次数与第一搜索阈值进行比对，通过比对得到搜索品牌次数大于第一搜索阈值，则输出高端品牌信号，将对应品牌划分为高端品牌并录入品牌数据库。

步骤S4，读取用户搜索数据库，获取历史搜索数据，对历史搜索数据进行分析，得到不同品牌的品牌搜索比；由于在日常购物中，用户购买的商品的品牌类型并不总是相同的，低端品牌、中端品牌以及高端品牌都会进行购买，因此，可以对其搜索的比例进行分析，在进行商品推荐时根据其品牌搜索比进行推送可以更加迎合用户的搜索习惯；步骤S4包括如下子步骤：

步骤S401，读取用户搜索数据库，获取用户的历史搜索数据，历史搜索数据包括品牌历史搜索次数以及消费等级，消费等级包括低消费等级、中消费等级以及高消费等级；

具体实施中，获取到用户对品牌的品牌历史搜索次数为29次，用户的消费等级为中消费等级，消费等级的判定请参阅步骤S402至步骤S404；

步骤S402，获取与用户购买商品相同的商品，查找销量最高的商品，标记为性价比商品，获取性价比商品的价格，标记为性价比价格，将中消费等级的价格区间设置为（2Px/3，2Px），其中，Px为性价比价格；

步骤S403，获取用户购买商品的价格，标记为购买价格，将购买价格与价格区间进行查找比对，若购买价格小于价格区间最小值，则输出低消费信号；若购买价格存在于价格区间内，则输出中消费信号；若购买价格大于价格区间最大值，则输出高消费信号；

步骤S404，对用户的历史订单进行分析，获取输出的低消费信号、中消费信号以及给高消费信号的数量，分别标记为低消费次数、中消费次数以及高消费次数，查找其中最大值，若低消费次数最大，则标记用户为低消费等级；若中消费次数最大，则标记用户为中消费等级；若高消费次数最大，则标记用户为高消费等级；

具体实施中，获取到性价比商品为商品1，性价比价格Px为256，则将中消费等级的价格区间设置为（170.67，512），计算结果保留两位小数，获取到购买价格为199，通过查找比对得到购买价格存在于价格区间内，则输出中消费信号；对用户的历史订单分析完成后，得到低消费次数为26次，中消费次数为123次，高消费次数为37次，通过比对得到中消费次数最大，则标记用户为中消费等级；

步骤S405，查找用户的品牌历史搜索次数中搜索低端品牌的次数、中端品牌的次数以及高端品牌的次数，分别标记为历史低端搜索数、历史中端搜索数以及历史高端搜索数；将所有品牌的品牌历史搜索次数的总和设定为品牌历史搜索总次数；

步骤S406，分别计算历史低端搜索数、历史中端搜索数以及历史高端搜索数所占品牌历史搜索总次数的比例，分别标记为低端搜索比、中端搜索比以及高端搜索比，整合并标记为品牌搜索比；

具体实施中，查找得到历史低端搜索数为164，历史中端搜索数为563，历史高端搜索数为185，品牌历史搜索总次数为912，计算得到低端搜索比为0.18，中端搜索比为0.62，高端搜索比为0.20，计算结果保留两位小数。

请参阅图2所示，步骤S5，当用户进行搜索时，获取搜索热度、商品价格以及消费等级，计算每个商品的商品推荐值，根据商品推荐值向用户推送商品；步骤S5包括如下子步骤：

步骤S501，当用户进行搜索时，获取搜索热度、商品价格以及消费等级；

步骤S502，若消费等级为低消费等级，则选取低消费推荐值公式；若消费等级为中消费等级，则选取中消费推荐值公式；若消费等级为高消费等级，则选取高消费推荐值公式；通过低消费推荐值公式、中消费推荐值公式以及高消费推荐值公式对商品的搜索热度、商品价格以及消费等级进行计算，得到商品推荐值；

低消费推荐值公式设置为：；其中，Rv为商品推荐值，Sp为品牌搜索比，P为商品价格，K为第一推荐系数，χ为第一性价比系数；

中消费推荐值公式设置为：；其中，Pt为价格区间的中值；

高消费推荐值公式设置为：；其中，λ为第二性价比系数；

步骤S503，计算所有商品的商品推荐值，并按照商品推荐值从大到小的顺序向用户推荐商品；其中，K、χ和λ均为常数且大于零；

具体实施中，K设置为1000，χ设置为0.8，λ设置为2，获取到搜索热度R为2.36，商品价格P为299，消费等级为中消费等级，则选取中消费推荐值公式，则品牌搜索比为中端搜索比，即0.62，价格区间为（170.67，512），通过计算得到价格区间的中值Pt为341.335，通过中消费推荐值公式计算得到商品推荐值Rv为34.56，计算结果保留两位小数；计算得到商品1的商品推荐值为34.56，商品2的商品推荐值为32.50，商品3的商品推荐值为28.42，商品4的商品推荐值为29.84，按照商品推荐值从大到小的顺序向用户推荐商品。

请参阅图3所示，步骤S6，获取用户的反馈数据，对反馈数据进行分析，并更新商品推荐值；在日常搜索中，服务器通常会处理大量数据对用户的喜好进行分析，再为用户推荐商品，导致服务器运算量较大，而采用为商品设置商品推荐值的方式可以有效避免这种问题，在一定周期内只需要进行一次大量运算，运算完成后根据用户的反馈数据对商品推荐值进行更新，同时更新推荐商品的顺序，可以高效且准确地找到用户的喜好，并向其推送商品；步骤S6包括如下子步骤：

步骤S601，设置第一增幅阈值、第二增幅阈值以及第三增幅阈值，其中，第一增幅阈值小于第二增幅阈值，第二增幅阈值小于第三增幅阈值；设置第一降幅阈值；

步骤S602，监测用户是否点击商品进入浏览页面，若为是，则输出用户已点击信号；若为否，则输出用户未点击信号；

步骤S603，获取用户对商品的浏览页面的浏览时长，标记为推荐浏览时长，将推荐浏览时长与第二浏览阈值进行比对，若推荐浏览时长小于等于第二浏览阈值，则输出用户未仔细浏览信号；若推荐浏览时长大于第二浏览阈值，则输出用户已仔细浏览信号；

步骤S604，获取用户是否购买商品，若为是，则输出用户已购买商品信号；若为否，则输出用户未购买商品信号；

具体实施中，第一增幅阈值设置为0.5，第二增幅阈值设置为1，第三增幅阈值设置为1.5，第一降幅阈值设置为1，第二浏览阈值设置为10s，监测到用户点击进入商品1的浏览页面，则输出用户已点击信号；获取到推荐浏览时长为21s，通过比对得到推荐浏览时长大于第二浏览阈值，则输出用户已仔细浏览信号；获取到用户未购买商品，则输出用户未购买商品信号；

步骤S605，根据输出的信号对商品的推荐值进行更新；

步骤S605包括如下子步骤：

步骤S6051，若输出用户未点击信号，则将对应商品的商品推荐值降低第一降幅阈值；若输出用户已点击信号，则将对应商品的商品推荐值提高第一增幅阈值；

步骤S6052，若输出用户已仔细浏览信号，则将商品推荐值提高第二增幅阈值；若输出用户未仔细浏览信号，则保持商品推荐值；

步骤S6053，若输出用户已购买商品信号，则将商品推荐值提高第三增幅阈值；若输出用户未购买商品信号，则保持商品推荐值；

具体实施中，商品推荐值为34.56，输出了用户已点击信号，则将商品推荐值提高第一增幅阈值，此时商品推荐值为35.06；输出了用户已仔细浏览信号，则将商品推荐值提高第二增幅阈值，此时商品推荐值为36.06；输出了用户未购买商品信号，则保持商品推荐值，则更新后的商品推荐值为36.06。

实施例二

请参阅图4，第二方面，本发明提供一种基于目标搜索数据的智能筛选系统，包括数据获取模块、推送筛选模块、数据存储模块、商品推送模块以及筛选学习模块；数据获取模块、数据存储模块、筛选学习模块以及商品推送模块分别与推送筛选模块数据连接；

数据获取模块包括商品数据获取单元、用户数据获取单元以及用户反馈获取单元，商品数据获取单元用于获取商品的搜索数据以及销售数据；用户数据获取单元用于获取用户的历史搜索数据；用户反馈获取单元用于获取用户的反馈数据；

推送筛选模块包括搜索热度计算单元、搜索习惯分析单元以及推送判断单元，搜索热度计算单元用于对搜索数据以及销售数据进行计算，得到商品的搜索热度；搜索习惯分析单元用于分析用户的历史搜索数据，得到不同品牌的品牌搜索比；推送判断单元用于分析搜索热度、商品价格以及消费等级，为商品计算商品推荐值；

数据存储模块包括商品数据库、品牌数据库以及用户搜索数据库，商品数据库用于存储商品的搜索数据以及销售数据；品牌数据库用于存储不同品牌的分类；用户搜索数据库用于存储用户的历史搜索数据；

商品推送模块用于根据商品推荐值向用户推送商品；

筛选学习模块用于分析用户的反馈数据，并更新商品推荐值。

实施例三

第三方面，本申请提供一种电子设备，包括处理器以及存储器，存储器存储有计算机可读取指令，当计算机可读取指令由处理器执行时，运行如上任意一项方法中的步骤。通过上述技术方案，处理器和存储器通过通信总线和/或其他形式的连接机构互连并相互通讯，存储器存储有处理器可执行的计算机程序，当电子设备运行时，处理器执行该计算机程序，以执行时执行上述实施例的任一可选的实现方式中的方法，以实现以下功能：收录搜索数据以及销售数据；对搜索数据以及销售数据进行分析；对品牌进行分类；分析不同品牌的品牌搜索比；计算每个商品的商品推荐值；更新商品推荐值。

实施例四

第四方面，本申请提供一种存储介质，其上存储有计算机程序，计算机程序被处理器执行时，运行如上任意一项方法中的步骤。通过上述技术方案，计算机程序被处理器执行时，执行上述实施例的任一可选的实现方式中的方法，以实现以下功能：收录搜索数据以及销售数据；对搜索数据以及销售数据进行分析；对品牌进行分类；分析不同品牌的品牌搜索比；计算每个商品的商品推荐值；更新商品推荐值。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统或计算机程序产品。因此，本发明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，本发明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上实施的计算机程序产品的形式。其中，存储介质可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器（Static RandomAccess Memory，简称SRAM），电可擦除可编程只读存储器（Electrically ErasableProgrammable Read-Only Memory，简称EEPROM），可擦除可编程只读存储器（ErasableProgrammable Red Only Memory，简称EPROM），可编程只读存储器（Programmable Red-Only Memory，简称PROM），只读存储器（Read-OnlyMemory，简称ROM），磁存储器，快闪存储器，磁盘或光盘。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。

以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种基于目标搜索数据的智能筛选方法，其特征在于，包括如下步骤：

步骤S1，建立商品数据库，收录第一评估时间内历史记录中商品的搜索数据以及销售数据；

步骤S2，对搜索数据以及销售数据进行分析，计算每个商品的搜索热度；

步骤S3，建立品牌数据库，获取用户搜索品牌的次数，标记为搜索品牌次数，获取品牌评分，对搜索品牌次数以及品牌评分进行分析，并根据分析结果对品牌进行分类，录入品牌数据库；

步骤S4，读取用户搜索数据库，获取历史搜索数据，对历史搜索数据进行分析，得到不同品牌的品牌搜索比；

步骤S5，当用户进行搜索时，获取搜索热度、商品价格以及消费等级，计算每个商品的商品推荐值，根据商品推荐值向用户推送商品；

步骤S6，获取用户的反馈数据，对反馈数据进行分析，并更新商品推荐值。

2.根据权利要求1所述的一种基于目标搜索数据的智能筛选方法，其特征在于，所述步骤S1包括如下子步骤：

步骤S101，建立商品数据库；

步骤S102，获取第一评估时间内商品的搜索数据并录入商品数据库，所述搜索数据包括搜索次数以及平均浏览有效时长；

步骤S103，获取第一评估时间内商品的销售数据并录入商品数据库，所述销售数据包括销售数量以及退货数量。

3.根据权利要求2所述的一种基于目标搜索数据的智能筛选方法，其特征在于，所述步骤S102包括如下子步骤：

步骤S1021，用户进入商品的浏览页面后，对用户的浏览时长进行计时；

步骤S1022，将浏览时长与第一浏览阈值进行比对，若浏览时长小于第一浏览阈值，则输出数据不可靠信号；若浏览时长大于等于第一浏览阈值，则输出数据可靠信号；

步骤S1023，若输出数据不可靠信号，则将浏览时长标记为浏览无效时长；若输出数据可靠信号，则将浏览时长标记为浏览有效时长；

步骤S1024，通过平均浏览有效时长算法对搜索次数以及浏览有效时长进行计算，得到商品的平均浏览有效时长；

所述平均浏览有效时长算法配置为：；其中，Py为平均浏览有效时长，Ty_i为第i个浏览有效时长，S为搜索次数，n为浏览有效时长的数据数。

4.根据权利要求3所述的一种基于目标搜索数据的智能筛选方法，其特征在于，所述步骤S2包括如下子步骤：

步骤S201，通过热度分析公式对商品的搜索次数、平均浏览有效时长、销售数量以及退货数量进行计算，得到商品的搜索热度；

所述热度分析公式设置为：；其中，R为搜索热度，M为销售数量，B为退货数量，α为搜索系数，β为浏览系数，γ为销售系数，δ为退货系数，A为浏览转换系数。

5.根据权利要求4所述的一种基于目标搜索数据的智能筛选方法，其特征在于，所述步骤S3包括如下子步骤：

步骤S301，建立品牌数据库；

步骤S302，获取第一评估时间内用户搜索品牌的次数，标记为搜索品牌次数；

步骤S303，获取平台内品牌旗舰店的评分，标记为品牌评分；

步骤S304，将品牌评分与第一评分阈值以及第二评分阈值进行比对，若品牌评分小于等于第一评分阈值，则输出低端品牌信号；若品牌评分大于第一评分阈值且小于等于第二评分阈值，则输出中端待定信号；若品牌评分大于第二评分阈值，则输出高端待定信号；

步骤S305，若输出高端待定信号，则将搜索品牌次数与第一搜索阈值进行比对，若搜索品牌次数小于等于第一搜索阈值，则输出中端品牌信号；若搜索品牌次数大于第一搜索阈值，则输出高端品牌信号；

步骤S306，若输出中端待定信号，则将搜索品牌次数与第二搜索阈值进行比对，若搜索品牌次数小于等于第二搜索阈值，则输出中端品牌信号；若搜索品牌次数大于第二搜索阈值，则输出高端品牌信号；

步骤S307，若输出低端品牌信号，则将对应品牌划分为低端品牌并录入品牌数据库；若输出中端品牌信号，则将对应品牌划分为中端品牌并录入品牌数据库；若输出高端品牌信号，则将对应品牌划分为高端品牌并录入品牌数据库。

6.根据权利要求5所述的一种基于目标搜索数据的智能筛选方法，其特征在于，所述步骤S4包括如下子步骤：

步骤S401，读取用户搜索数据库，获取用户的历史搜索数据，所述历史搜索数据包括品牌历史搜索次数以及消费等级，所述消费等级包括低消费等级、中消费等级以及高消费等级；

步骤S402，获取与用户购买商品相同的商品，查找销量最高的商品，标记为性价比商品，获取性价比商品的价格，标记为性价比价格，将中消费等级的价格区间设置为（2Px/3，2Px），其中，Px为性价比价格；

步骤S403，获取用户购买商品的价格，标记为购买价格，将购买价格与价格区间进行查找比对，若购买价格小于价格区间最小值，则输出低消费信号；若购买价格存在于价格区间内，则输出中消费信号；若购买价格大于价格区间最大值，则输出高消费信号；

步骤S404，对用户的历史订单进行分析，获取输出的低消费信号、中消费信号以及给高消费信号的数量，分别标记为低消费次数、中消费次数以及高消费次数，查找其中最大值，若低消费次数最大，则标记用户为低消费等级；若中消费次数最大，则标记用户为中消费等级；若高消费次数最大，则标记用户为高消费等级；

步骤S405，查找用户的品牌历史搜索次数中搜索低端品牌的次数、中端品牌的次数以及高端品牌的次数，分别标记为历史低端搜索数、历史中端搜索数以及历史高端搜索数；将所有品牌的品牌历史搜索次数的总和设定为品牌历史搜索总次数；

步骤S406，分别计算历史低端搜索数、历史中端搜索数以及历史高端搜索数所占品牌历史搜索总次数的比例，分别标记为低端搜索比、中端搜索比以及高端搜索比，整合并标记为品牌搜索比。

7.根据权利要求6所述的一种基于目标搜索数据的智能筛选方法，其特征在于，所述步骤S5包括如下子步骤：

步骤S501，当用户进行搜索时，获取搜索热度、商品价格以及消费等级；

步骤S502，若消费等级为低消费等级，则选取低消费推荐值公式；若消费等级为中消费等级，则选取中消费推荐值公式；若消费等级为高消费等级，则选取高消费推荐值公式；通过低消费推荐值公式、中消费推荐值公式以及高消费推荐值公式对商品的搜索热度、商品价格以及消费等级进行计算，得到商品推荐值；

所述低消费推荐值公式设置为：；其中，Rv为商品推荐值，Sp为品牌搜索比，P为商品价格，K为第一推荐系数，χ为第一性价比系数；

所述中消费推荐值公式设置为：；其中，Pt为价格区间的中值；

所述高消费推荐值公式设置为：；其中，λ为第二性价比系数；

步骤S503，计算所有商品的商品推荐值，并按照商品推荐值从大到小的顺序向用户推荐商品。

8.根据权利要求7所述的一种基于目标搜索数据的智能筛选方法，其特征在于，所述步骤S6包括如下子步骤：

步骤S601，设置第一增幅阈值、第二增幅阈值以及第三增幅阈值，其中，第一增幅阈值小于第二增幅阈值，第二增幅阈值小于第三增幅阈值；设置第一降幅阈值；

步骤S602，监测用户是否点击商品进入浏览页面，若为是，则输出用户已点击信号；若为否，则输出用户未点击信号；

步骤S603，获取用户对商品的浏览页面的浏览时长，标记为推荐浏览时长，将推荐浏览时长与第二浏览阈值进行比对，若推荐浏览时长小于等于第二浏览阈值，则输出用户未仔细浏览信号；若推荐浏览时长大于第二浏览阈值，则输出用户已仔细浏览信号；

步骤S604，获取用户是否购买商品，若为是，则输出用户已购买商品信号；若为否，则输出用户未购买商品信号；

步骤S605，根据输出的信号对商品的推荐值进行更新。

9.根据权利要求8所述的一种基于目标搜索数据的智能筛选方法，其特征在于，所述步骤S605包括如下子步骤：

步骤S6051，若输出用户未点击信号，则将对应商品的商品推荐值降低第一降幅阈值；若输出用户已点击信号，则将对应商品的商品推荐值提高第一增幅阈值；

步骤S6052，若输出用户已仔细浏览信号，则将商品推荐值提高第二增幅阈值；若输出用户未仔细浏览信号，则保持商品推荐值；

步骤S6053，若输出用户已购买商品信号，则将商品推荐值提高第三增幅阈值；若输出用户未购买商品信号，则保持商品推荐值。

10.一种基于目标搜索数据的智能筛选系统，基于如权利要求1-9任意一项所述的基于目标搜索数据的智能筛选方法实现，其特征在于，包括数据获取模块、推送筛选模块、数据存储模块、商品推送模块以及筛选学习模块；所述数据获取模块、数据存储模块、筛选学习模块以及商品推送模块分别与推送筛选模块数据连接；

所述数据获取模块包括商品数据获取单元、用户数据获取单元以及用户反馈获取单元，所述商品数据获取单元用于获取商品的搜索数据以及销售数据；所述用户数据获取单元用于获取用户的历史搜索数据；所述用户反馈获取单元用于获取用户的反馈数据；

所述推送筛选模块包括搜索热度计算单元、搜索习惯分析单元以及推送判断单元，所述搜索热度计算单元用于对搜索数据以及销售数据进行计算，得到商品的搜索热度；所述搜索习惯分析单元用于分析用户的历史搜索数据，得到不同品牌的品牌搜索比；所述推送判断单元用于分析搜索热度、商品价格以及消费等级，为商品计算商品推荐值；

所述数据存储模块包括商品数据库、品牌数据库以及用户搜索数据库，所述商品数据库用于存储商品的搜索数据以及销售数据；所述品牌数据库用于存储不同品牌的分类；所述用户搜索数据库用于存储用户的历史搜索数据；

所述商品推送模块用于根据商品推荐值向用户推送商品；

所述筛选学习模块用于分析用户的反馈数据，并更新商品推荐值。