CN117499699B - 一种基于关联挖掘的直播商品排品和组货方法 - Google Patents

一种基于关联挖掘的直播商品排品和组货方法 Download PDF

Info

Publication number
CN117499699B
CN117499699B CN202311846548.3A CN202311846548A CN117499699B CN 117499699 B CN117499699 B CN 117499699B CN 202311846548 A CN202311846548 A CN 202311846548A CN 117499699 B CN117499699 B CN 117499699B
Authority
CN
China
Prior art keywords
live
commodity
array
value
values
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.)
Active
Application number
CN202311846548.3A
Other languages
English (en)
Other versions
CN117499699A (zh
Inventor
林敏�
于帆
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.)
Guangdong Moli Digital Technology Group Co ltd
Original Assignee
Guangdong Moli Digital Technology Group 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 Guangdong Moli Digital Technology Group Co ltd filed Critical Guangdong Moli Digital Technology Group Co ltd
Priority to CN202311846548.3A priority Critical patent/CN117499699B/zh
Publication of CN117499699A publication Critical patent/CN117499699A/zh
Application granted granted Critical
Publication of CN117499699B publication Critical patent/CN117499699B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
    • H04N21/21—Server components or server architectures
    • H04N21/218—Source of audio or video content, e.g. local disk arrays
    • H04N21/2187—Live feed
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/43—Processing of content or additional data, e.g. demultiplexing additional data from a digital video stream; Elementary client operations, e.g. monitoring of home network or synchronising decoder's clock; Client middleware
    • H04N21/442—Monitoring of processes or resources, e.g. detecting the failure of a recording device, monitoring the downstream bandwidth, the number of times a movie has been viewed, the storage space available from the internal hard disk
    • H04N21/44213—Monitoring of end-user related data
    • H04N21/44222—Analytics of user selections, e.g. selection of programs or purchase activity
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
    • H04N21/466—Learning process for intelligent management, e.g. learning user preferences for recommending movies
    • H04N21/4667—Processing of monitored end-user data, e.g. trend analysis based on the log file of viewer selections
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
    • H04N21/466—Learning process for intelligent management, e.g. learning user preferences for recommending movies
    • H04N21/4668—Learning process for intelligent management, e.g. learning user preferences for recommending movies for recommending content, e.g. movies
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/47—End-user applications
    • H04N21/478—Supplemental services, e.g. displaying phone caller identification, shopping application
    • H04N21/47815—Electronic shopping
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/47—End-user applications
    • H04N21/485—End-user interface for client configuration

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Social Psychology (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Human Computer Interaction (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及数据分析领域，并提供了一种基于关联挖掘的直播商品排品和组货方法，获取直播间内的商品列表，对所述商品列表内的直播商品进行实时的用户行为数据收集，得到基础数据，通过基础数据计算每件直播商品的关联解率，根据关联解率对直播商品进行排品调整。所述方法能够有效地提高商品在直播时段内的排品效果，通过对用户对于商品的行为数据进行挖掘分析，以实时的方式更新排品策略，最大程度地确保商品列表的前端能够动态地与数据保持高相关，准确地捕捉直播间用户实时的偏好信号，在海量的直播数据中实现快速响应以及分析处理，以高动态的方式对直播商品排品进行调整，充分提高商品推荐与实时数据的同步性。

Description

一种基于关联挖掘的直播商品排品和组货方法
技术领域
本发明涉及数据分析领域，特别涉及一种基于关联挖掘的直播商品排品和组货方法。
背景技术
随着移动互联网和社交媒体的迅速发展，直播电商逐渐成为电子商务的重要组成部分。直播电商结合了实时互动和即时购买的特点，为消费者提供了全新的购物体验。然而，随着直播平台和内容的快速增长，用户面临信息过载的问题，短时间内页面上的推荐商品与用户的实时行为数据并不匹配，这就需要直播平台提供更加智能和个性化的商品推荐服务。
在传统电商平台中，商品推荐通常基于用户的历史购买行为、浏览记录等进行，而在直播电商场景下，商品推荐需要考虑直播的实时性、互动性以及主播与观众之间的关系，同时商品的排品（选择何种商品进行展示）和组货（组合商品进行销售）是影响销售效率和用户购物体验的主要因素，传统的推荐算法在直播数据的实时处理方面缺乏有效的分析手段，如关联规则分析方法，关联规则分析是一种基于频繁项集的分析方法，它以最常出现在一起的元素之间的关系作为分析对象，而由于直播间内经常出现不同用户的进入或退出，造成直播间数据具有较强的随机性，即用户的行为数据特点表现为高度离散以及混杂，针对于直播间内用户频繁的行为数据，关联规则分析难以全面、有效地计算出各类数据的支持度，而排品或组货算法需要快速响应于这些数据的分析从而完成商品推荐策略，因此，一种基于关联挖掘的直播商品排品和组货方法，是提高直播商品推荐精度的关键。
发明内容
本发明的目的在于提出一种基于关联挖掘的直播商品排品和组货方法，以解决现有技术中所存在的一个或多个技术问题，至少提供一种有益的选择或创造条件。
本发明提供了一种基于关联挖掘的直播商品排品和组货方法，获取直播间内的商品列表，对所述商品列表内的直播商品进行实时的用户行为数据收集，得到基础数据，通过基础数据计算每件直播商品的关联解率，根据关联解率对直播商品进行排品调整。所述方法能够有效地提高商品在直播时段内的排品效果，通过对用户对于商品的行为数据进行挖掘分析，以实时的方式更新排品策略，最大程度地确保商品列表的前端能够动态地与数据保持高相关，准确地捕捉直播间用户实时的偏好信号，在海量的直播数据中实现快速响应以及分析处理，以高动态的方式对直播商品排品进行调整，充分提高商品推荐与实时数据的同步性。
为了实现上述目的，根据本发明的一方面，提供一种基于关联挖掘的直播商品排品和组货方法，所述方法包括以下步骤：
S100，获取直播间内的商品列表；
S200，对所述商品列表内的直播商品进行实时的用户行为数据收集，得到基础数据；
S300，通过基础数据计算每件直播商品的关联解率；
S400，根据关联解率对直播商品进行排品调整。
进一步地，步骤S100，获取直播间内的商品列表的方法具体为：通过直播间的后台管理系统，获取直播间内所有处于上架状态的商品，记这些商品共有N个，以Pdt(i)表示这N个商品中的第i个，i为序号，将这N个商品组成一个商品列表ProDuctList[]。
进一步地，步骤S200，对所述商品列表内的直播商品进行实时的用户行为数据收集的方法具体为：以Pdt(i)表示商品列表ProDuctList[]内的第i个直播商品，在直播间开播的任意一个时段T内，获取直播商品的平均点击量和平均购买数量，分别以Cli(i)和Pur(i)表示第i个直播商品Pdt(i)在时段T内的平均点击量和平均购买数量，以Cli(i)和Pur(i)作为直播商品Pdt(i)的用户行为数据，则N个直播商品Pdt(1),Pdt(2),…,Pdt(N)对应着2*N个用户行为数据Cli(1),Cli(2),…,Cli(N)以及Pur(1),Pur(2),…,Pur(N)，将Cli(1),Cli(2),…,Cli(N)组成数组Cli[]，将Pur(1),Pur(2),…,Pur(N)组成数组Pur[]，以数组Cli[]和数组Pur[]作为基础数据；
所述直播商品的平均点击量指直播商品在时段T内被点击的次数除以时段T的总秒数；所述直播商品的购买数量指直播商品在时段T内被购买的次数除以时段T的总秒数；
进一步地，S300，通过基础数据计算每件直播商品的关联解率的方法具体为：记Cli(i)为数组Cli[]内的第i个元素，记Pur(i)为数组Pur[]内的第i个元素，i为序号，i的取值范围为i=1,2,…,N，以CLRA(i)表示第i件直播商品Pdt(i)的关联解率，则CLRA(i)的计算方法为，将Pdt(i)对应的Cli(i)依次减去数组Cli[]内的N个元素从而得到N个第一数值，将Pdt(i)对应的Pur(i)依次减去数组Pur[]内的N个元素从而得到N个第二数值，将N个第一数值的绝对值依次除以数组Cli[]内所有元素的平均值从而得到N个第三数值，将N个第二数值的绝对值依次除以数组Pur[]内所有元素的平均值从而得到N个第四数值，将N个第三数值和N个第四数值全部累加后再除以第一系数所得到的值记为CLRA(i)，第一系数为N减1的值乘以2。
本步骤的有益效果为：对于直播数据的频繁更新，直播间的商品列表也需要持续更新以最大程度或最大概率地匹配直播间内的用户的需求，然而，直播间的商品排序并不是一味地将在某个时段内其平均点击量和平均购买量高的商品进行置顶，商品之间的排序更应该考虑直播数据的实时动态变化以及数据之间的关联性，本步骤的方法通过计算每件商品的关联解率，以关联解率反映当前时段内商品的需求匹配度，基于商品的点击数以及订单提交数以平衡这两项数据相对于实时数据的权重，通过关联解率对当前时段内的商品排品进行进一步调整，充分提高了排品的合理性以及直播商品的推荐效果。
进一步地，S400，根据关联解率对直播商品进行排品调整的方法具体为：
S401，将Pdt(1),Pdt(2),…,Pdt(N)所对应的N个关联解率CLRA(1),CLRA(2),…,CLRA(N)组成一个数组CLRA[]，则数组CLRA[]中含有N个值，以C(i)表示数组CLRA[]内N个值中的第i个值，记数组CLRA[]内的最大值为CLRA(M)；
创建一个空白的数组SL[]（用以存储解点的序号），设置变量j1和j2，变量j1的初值设置为1，变量j2的初值设置为CLRA(M)，从j1=1开始遍历变量j1，转至S402；
S402，在数组CLRA[]中，筛选出所有变量j2所对应的解点，在变量j2对应的所有解点中，筛选出值最大的解点，并记该解点为C(slt)，slt为序号，slt∈[1,N]（解点C(slt)包含于数组CLRA[]中，即解点C(slt)为数组CLRA[]内的元素），将C(slt)加入数组SL[]中；
将变量j2的值更新为C(slt)的值，同时将变量j1的值增加1，转至S403；
S403，如果变量j1的值小于N/2，则转至S402；如果变量j1的值大于或等于N/2，则转至S404；
S404，根据数组SL[]内的值对直播商品进行排品调整。
本步骤的有益效果为：直播中的数据往往具有较强的时效性，直播间的商品需要随着实时数据的变化而及时更新，而面对直播间内快速、大量的用户行为数据，如何在这些数据中有效、准确地提取用户的需求信息，是提高直播间内商品的推荐效果的关键，因此，本步骤的方法利用关联解率对用户的行为数据进行关联挖掘，同时，直播间内商品的浏览数据或购买数据反映了当前时段内直播间用户的兴趣偏好，包括商品的点击次数、页面停留时间、某个用户对于商品的浏览顺序等，通过实时地计算关联解率以动态地调整排品方案，相对于始终的将点击量高、购买次数高的商品置于列表顶端，在用户对直播间的参与度以及商品潜在热度的提升有着更灵敏的表现，能够实现更为动态、高效的直播商品排品方案。
进一步地，在数组CLRA[]中的变量j2所对应的解点为：在数组CLRA[]中任意选取一个值C(X)，X为序号，X∈[1,N]，并将数组CLRA[]内剩余的值组成一个数组PL[]，则数组PL[]内含有N-1个值，将C(X)与变量j2的值之间的差值的绝对值记为N(X)；所述数组CLRA[]内剩余的值，指在数组CLRA[]中剔除C(X)后所剩余的值；
如果数组PL[]中不存在任何值满足解点条件时，记C(X)为变量j2所对应的一个解点；如果数组PL[]中存在任意一个值满足解点条件时，则C(X)不为变量j2所对应的解点；
所述解点条件为：对于数组PL[]中的任意一个值PL(Y)，如果PL(Y)满足PL(Y)与C(X)之间的差值的绝对值小于N1(X)，同时满足PL(Y)与变量j2的值之间的差值的绝对值小于N1(X)时，则称PL(Y)为满足解点条件；其中，N1(X)等于N(X)除以2。
进一步地，根据数组SL[]内的值对直播商品进行排品调整的方法具体为：记数组SL[]内含有R个值，以SL(r)表示数组SL[]内的第r个元素，r为序号，r=1,2,…,R，对于直播间内所有处于上架状态的N件直播商品Pdt(1),Pdt(2),…,Pdt(N)，通过直播间的后台管理系统，在直播间的商品页面中依次对这R件直播商品Pdt(SL(1)),Pdt(SL(2)),…,Pdt(SL(R))进行置顶（商品Pdt(SL(1))在最前，Pdt(SL(2)),…,Pdt(SL(R))依次在后）；
其中，Pdt(SL(1))表示N件直播商品Pdt(1),Pdt(2),…,Pdt(N)中的第SL(1)件，Pdt(SL(2))表示N件直播商品Pdt(1),Pdt(2),…,Pdt(N)中的第SL(2)件，Pdt(SL(N))表示N件直播商品Pdt(1),Pdt(2),…,Pdt(N)中的第SL(N)件。
本发明的有益效果为：所述方法能够有效地提高商品在直播时段内的排品效果，通过对用户对于商品的行为数据进行挖掘分析，以实时的方式更新排品策略，最大程度地确保商品列表的前端能够动态地与数据保持高相关，准确地捕捉直播间用户实时的偏好信号，在海量的直播数据中实现快速响应以及分析处理，以高动态的方式对直播商品排品进行调整，充分提高商品推荐与实时数据的同步性。
附图说明
通过对结合附图所示出的实施方式进行详细说明，本发明的上述以及其他特征将更加明显，本发明附图中相同的参考标号表示相同或相似的元素，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图，在附图中：
图1所示为一种基于关联挖掘的直播商品排品和组货方法的流程图。
具体实施方式
以下将结合实施例和附图对本发明的构思、具体结构及产生的技术效果进行清楚、完整的描述，以充分地理解本发明的目的、方案和效果。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
在本发明的描述中，若干的含义是一个或者多个，多个的含义是两个以上，大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
如图1所示为根据本发明的一种基于关联挖掘的直播商品排品和组货方法的流程图，下面结合图1来阐述根据本发明的实施方式的一种基于关联挖掘的直播商品排品和组货方法。
本发明提出一种基于关联挖掘的直播商品排品和组货方法，所述方法包括以下步骤：
S100，获取直播间内的商品列表；
S200，对所述商品列表内的直播商品进行实时的用户行为数据收集，得到基础数据；
S300，通过基础数据计算每件直播商品的关联解率；
S400，根据关联解率对直播商品进行排品调整。
进一步地，步骤S100，获取直播间内的商品列表的方法具体为：通过直播间的后台管理系统，获取直播间内所有处于上架状态的商品，记这些商品共有N个，以Pdt(i)表示这N个商品中的第i个，i为序号，将这N个商品组成一个商品列表ProDuctList[]。
进一步地，步骤S200，对所述商品列表内的直播商品进行实时的用户行为数据收集的方法具体为：以Pdt(i)表示商品列表ProDuctList[]内的第i个直播商品，在直播间开播的任意一个时段T内，获取直播商品的平均点击量和平均购买数量，分别以Cli(i)和Pur(i)表示第i个直播商品Pdt(i)在时段T内的平均点击量和平均购买数量，以Cli(i)和Pur(i)作为直播商品Pdt(i)的用户行为数据，则N个直播商品Pdt(1),Pdt(2),…,Pdt(N)对应着2*N个用户行为数据Cli(1),Cli(2),…,Cli(N)以及Pur(1),Pur(2),…,Pur(N)，将Cli(1),Cli(2),…,Cli(N)组成数组Cli[]，将Pur(1),Pur(2),…,Pur(N)组成数组Pur[]，以数组Cli[]和数组Pur[]作为基础数据；
所述直播商品的平均点击量指直播商品在时段T内被点击的次数除以时段T的总秒数；所述直播商品的购买数量指直播商品在时段T内被购买的次数除以时段T的总秒数；
具体地，以Ts表示时段T的总秒数（即时段的长度，或称时段内含有Ts秒），以Tc表示直播商品在时段T内被点击的次数（被点击即用户点击并跳转至直播商品的详情介绍页），以Tp表示直播商品在时段T内被购买的次数（购买用户提交对该直播商品的购买订单），则所述直播商品的平均点击量等于Tc/Ts，所述直播商品的购买数量等于Tp/Ts。
进一步地，S300，通过基础数据计算每件直播商品的关联解率的方法具体为：记Cli(i)为数组Cli[]内的第i个元素，记Pur(i)为数组Pur[]内的第i个元素，i为序号，i的取值范围为i=1,2,…,N，以CLRA(i)表示第i件直播商品Pdt(i)的关联解率，则CLRA(i)的计算方法为，将Pdt(i)对应的Cli(i)依次减去数组Cli[]内的N个元素从而得到N个第一数值，将Pdt(i)对应的Pur(i)依次减去数组Pur[]内的N个元素从而得到N个第二数值，将N个第一数值的绝对值依次除以数组Cli[]内所有元素的平均值从而得到N个第三数值，将N个第二数值的绝对值依次除以数组Pur[]内所有元素的平均值从而得到N个第四数值，将N个第三数值和N个第四数值全部累加后再除以第一系数所得到的值记为CLRA(i)，第一系数为N减1的值乘以2；
其数学表达为：
；
式中，k为整数变量，k的取值范围为[1,N]，Cli(k)表示变量k在数组Cli[]内所对应的第k个元素，Pur(k)表示变量k在数组Pur[]内所对应的第k个元素，Mc为数组Cli[]内所有元素的平均值，Mp为数组Pur[]内所有元素的平均值。
进一步地，S400，根据关联解率对直播商品进行排品调整的方法具体为：
S401，将Pdt(1),Pdt(2),…,Pdt(N)所对应的N个关联解率CLRA(1),CLRA(2),…,CLRA(N)组成一个数组CLRA[]，则数组CLRA[]中含有N个值，以C(i)表示数组CLRA[]内N个值中的第i个值，记数组CLRA[]内的最大值为CLRA(M)；
创建一个空白的数组SL[]（用以存储解点的序号），设置变量j1和j2，变量j1的初值设置为1，变量j2的初值设置为CLRA(M)，从j1=1开始遍历变量j1，转至S402；
S402，在数组CLRA[]中，筛选出所有变量j2所对应的解点，在变量j2对应的所有解点中，筛选出值最大的解点，并记该解点为C(slt)，slt为序号，slt∈[1,N]（解点C(slt)包含于数组CLRA[]中，即解点C(slt)为数组CLRA[]内的元素），将C(slt)加入数组SL[]中；
将变量j2的值更新为C(slt)的值，同时将变量j1的值增加1，转至S403；
S403，如果变量j1的值小于N/2，则转至S402；如果变量j1的值大于或等于N/2，则转至S404；
S404，根据数组SL[]内的值对直播商品进行排品调整。
进一步地，在数组CLRA[]中的变量j2所对应的解点为：在数组CLRA[]中任意选取一个值C(X)，X为序号，X∈[1,N]，并将数组CLRA[]内剩余的值组成一个数组PL[]，则数组PL[]内含有N-1个值，将C(X)与变量j2的值之间的差值的绝对值记为N(X)；所述数组CLRA[]内剩余的值，指在数组CLRA[]中剔除C(X)后所剩余的值；
如果数组PL[]中不存在任何值满足解点条件时，记C(X)为变量j2所对应的一个解点；如果数组PL[]中存在任意一个值满足解点条件时，则C(X)不为变量j2所对应的解点；
所述解点条件为：对于数组PL[]中的任意一个值PL(Y)，如果PL(Y)满足PL(Y)与C(X)之间的差值的绝对值小于N1(X)，同时满足PL(Y)与变量j2的值之间的差值的绝对值小于N1(X)时，则称PL(Y)为满足解点条件；其中，N1(X)等于N(X)除以2；
其数学表达为：若PL(Y)满足abs(PL(Y)-N(X))<(N(X)/2)，同时满足abs(PL(Y)-V(j2))<(N(X)/2)，则称PL(Y)为满足解点条件，其中，abs()表示对()内的数取绝对值，V(j2)表示变量j2的值。
进一步地，根据数组SL[]内的值对直播商品进行排品调整的方法具体为：记数组SL[]内含有R个值，以SL(r)表示数组SL[]内的第r个元素，r为序号，r=1,2,…,R，对于直播间内所有处于上架状态的N件直播商品Pdt(1),Pdt(2),…,Pdt(N)，通过直播间的后台管理系统，在直播间的商品页面中依次对这R件直播商品Pdt(SL(1)),Pdt(SL(2)),…,Pdt(SL(R))进行置顶（商品Pdt(SL(1))在最前，Pdt(SL(2)),…,Pdt(SL(R))依次在后）；
其中，Pdt(SL(1))表示N件直播商品Pdt(1),Pdt(2),…,Pdt(N)中的第SL(1)件，Pdt(SL(2))表示N件直播商品Pdt(1),Pdt(2),…,Pdt(N)中的第SL(2)件，Pdt(SL(N))表示N件直播商品Pdt(1),Pdt(2),…,Pdt(N)中的第SL(N)件。
本发明提供了一种基于关联挖掘的直播商品排品和组货方法，获取直播间内的商品列表，对所述商品列表内的直播商品进行实时的用户行为数据收集，得到基础数据，通过基础数据计算每件直播商品的关联解率，根据关联解率对直播商品进行排品调整。所述方法能够有效地提高商品在直播时段内的排品效果，通过对用户对于商品的行为数据进行挖掘分析，以实时的方式更新排品策略，最大程度地确保商品列表的前端能够动态地与数据保持高相关，准确地捕捉直播间用户实时的偏好信号，在海量的直播数据中实现快速响应以及分析处理，以高动态的方式对直播商品排品进行调整，充分提高商品推荐与实时数据的同步性。尽管本发明的描述已经相当详尽且特别对几个所述实施例进行了描述，但其并非旨在局限于任何这些细节或实施例或任何特殊实施例，从而有效地涵盖本发明的预定范围。此外，上文以发明人可预见的实施例对本发明进行描述，其目的是为了提供有用的描述，而那些目前尚未预见的对本发明的非实质性改动仍可代表本发明的等效改动。

Claims (3)

1.一种基于关联挖掘的直播商品排品和组货方法，其特征在于，所述方法包括以下步骤：
S100，获取直播间内的商品列表；
S200，对所述商品列表内的直播商品进行实时的用户行为数据收集，得到基础数据；
S300，通过基础数据计算每件直播商品的关联解率；
S400，根据关联解率对直播商品进行排品调整；
步骤S200，对所述商品列表内的直播商品进行实时的用户行为数据收集的方法具体为：以Pdt(i)表示商品列表ProDuctList[]内的第i个直播商品，在直播间开播的任意一个时段T内，获取直播商品的平均点击量和平均购买数量，分别以Cli(i)和Pur(i)表示第i个直播商品Pdt(i)在时段T内的平均点击量和平均购买数量，以Cli(i)和Pur(i)作为直播商品Pdt(i)的用户行为数据，则N个直播商品Pdt(1),Pdt(2),…,Pdt(N)对应着2*N个用户行为数据Cli(1),Cli(2),…,Cli(N)以及Pur(1),Pur(2),…,Pur(N)，将Cli(1),Cli(2),…,Cli(N)组成数组Cli[]，将Pur(1),Pur(2),…,Pur(N)组成数组Pur[]，以数组Cli[]和数组Pur[]作为基础数据；
所述直播商品的平均点击量指直播商品在时段T内被点击的次数除以时段T的总秒数；所述直播商品的购买数量指直播商品在时段T内被购买的次数除以时段T的总秒数；
S300，通过基础数据计算每件直播商品的关联解率的方法具体为：记Cli(i)为数组Cli[]内的第i个元素，记Pur(i)为数组Pur[]内的第i个元素，i为序号，i的取值范围为i=1,2,…,N，以CLRA(i)表示第i件直播商品Pdt(i)的关联解率，则CLRA(i)的计算方法为，将Pdt(i)对应的Cli(i)依次减去数组Cli[]内的N个元素从而得到N个第一数值，将Pdt(i)对应的Pur(i)依次减去数组Pur[]内的N个元素从而得到N个第二数值，将N个第一数值的绝对值依次除以数组Cli[]内所有元素的平均值从而得到N个第三数值，将N个第二数值的绝对值依次除以数组Pur[]内所有元素的平均值从而得到N个第四数值，将N个第三数值和N个第四数值全部累加后再除以第一系数所得到的值记为CLRA(i)，第一系数为N减1的值乘以2；
S400，根据关联解率对直播商品进行排品调整的方法具体为：
S401，将Pdt(1),Pdt(2),…,Pdt(N)所对应的N个关联解率CLRA(1),CLRA(2),…,CLRA(N)组成一个数组CLRA[]，则数组CLRA[]中含有N个值，以C(i)表示数组CLRA[]内N个值中的第i个值，记数组CLRA[]内的最大值为CLRA(M)；
创建一个空白的数组SL[]，设置变量j1和j2，变量j1的初值设置为1，变量j2的初值设置为CLRA(M)，从j1=1开始遍历变量j1，转至S402；
S402，在数组CLRA[]中，筛选出所有变量j2所对应的解点，在变量j2对应的所有解点中，筛选出值最大的解点，并记该解点为C(slt)，slt为序号，slt∈[1,N]，将C(slt)加入数组SL[]中；
将变量j2的值更新为C(slt)的值，同时将变量j1的值增加1，转至S403；
S403，如果变量j1的值小于N/2，则转至S402；如果变量j1的值大于或等于N/2，则转至S404；
S404，根据数组SL[]内的值对直播商品进行排品调整；
在数组CLRA[]中的变量j2所对应的解点为：在数组CLRA[]中任意选取一个值C(X)，X为序号，X∈[1,N]，并将数组CLRA[]内剩余的值组成一个数组PL[]，则数组PL[]内含有N-1个值，将C(X)与变量j2的值之间的差值的绝对值记为N(X)；所述数组CLRA[]内剩余的值，指在数组CLRA[]中剔除C(X)后所剩余的值；
如果数组PL[]中不存在任何值满足解点条件时，记C(X)为变量j2所对应的一个解点；如果数组PL[]中存在任意一个值满足解点条件时，则C(X)不为变量j2所对应的解点；
所述解点条件为：对于数组PL[]中的任意一个值PL(Y)，如果PL(Y)满足PL(Y)与C(X)之间的差值的绝对值小于N1(X)，同时满足PL(Y)与变量j2的值之间的差值的绝对值小于N1(X)时，则称PL(Y)为满足解点条件；其中，N1(X)等于N(X)除以2。
2.根据权利要求1所述的一种基于关联挖掘的直播商品排品和组货方法，其特征在于，步骤S100，获取直播间内的商品列表的方法具体为：通过直播间的后台管理系统，获取直播间内所有处于上架状态的商品，记这些商品共有N个，以Pdt(i)表示这N个商品中的第i个，i为序号，将这N个商品组成一个商品列表ProDuctList[]。
3.根据权利要求1所述的一种基于关联挖掘的直播商品排品和组货方法，其特征在于，根据数组SL[]内的值对直播商品进行排品调整的方法具体为：记数组SL[]内含有R个值，以SL(r)表示数组SL[]内的第r个元素，r为序号，r=1,2,…,R，对于直播间内所有处于上架状态的N件直播商品Pdt(1),Pdt(2),…,Pdt(N)，通过直播间的后台管理系统，在直播间的商品页面中依次对这R件直播商品Pdt(SL(1)),Pdt(SL(2)),…,Pdt(SL(R))进行置顶。
CN202311846548.3A 2023-12-29 2023-12-29 一种基于关联挖掘的直播商品排品和组货方法 Active CN117499699B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311846548.3A CN117499699B (zh) 2023-12-29 2023-12-29 一种基于关联挖掘的直播商品排品和组货方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311846548.3A CN117499699B (zh) 2023-12-29 2023-12-29 一种基于关联挖掘的直播商品排品和组货方法

Publications (2)

Publication Number Publication Date
CN117499699A CN117499699A (zh) 2024-02-02
CN117499699B true CN117499699B (zh) 2024-03-26

Family

ID=89672991

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311846548.3A Active CN117499699B (zh) 2023-12-29 2023-12-29 一种基于关联挖掘的直播商品排品和组货方法

Country Status (1)

Country Link
CN (1) CN117499699B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110996110A (zh) * 2019-12-02 2020-04-10 深圳市云积分科技有限公司 一种直播过程中的商品调整方法和装置
CN112348649A (zh) * 2020-12-07 2021-02-09 福州市长乐区三互信息科技有限公司 直播类别推荐方法
CN117135370A (zh) * 2023-10-26 2023-11-28 深圳企域数字科技有限公司 一种基于aigc的直播间运营调控方法及系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110996110A (zh) * 2019-12-02 2020-04-10 深圳市云积分科技有限公司 一种直播过程中的商品调整方法和装置
CN112348649A (zh) * 2020-12-07 2021-02-09 福州市长乐区三互信息科技有限公司 直播类别推荐方法
CN117135370A (zh) * 2023-10-26 2023-11-28 深圳企域数字科技有限公司 一种基于aigc的直播间运营调控方法及系统

Also Published As

Publication number Publication date
CN117499699A (zh) 2024-02-02

Similar Documents

Publication Publication Date Title
US10152517B2 (en) System and method for identifying similar media objects
US9110955B1 (en) Systems and methods of selecting content items using latent vectors
CN106651546B (zh) 一种面向智慧社区的电子商务信息推荐方法
CN107332910B (zh) 信息推送方法和装置
CN106570718B (zh) 信息的投放方法及投放系统
US20060254411A1 (en) Method and system for music recommendation
CN107071578A (zh) Iptv节目推荐方法
CN110516163B (zh) 一种基于用户行为数据的商品排序方法及系统
CN105308636A (zh) 用于提供虚拟广告的设备和方法
CN107391681A (zh) 业务数据排行处理方法和机器可读存储介质
WO2014105940A1 (en) Techniques for measuring video profit
CN113327152A (zh) 商品推荐方法、装置、计算机设备及存储介质
CN115689682A (zh) 直播过程中的商品讲解顺序调整方法、装置、介质及设备
CN117035948A (zh) 基于大数据的任务智能处理方法及系统
CN117237024A (zh) 一种用于市场营销的推广方法及系统
CN117499699B (zh) 一种基于关联挖掘的直播商品排品和组货方法
US9843829B2 (en) Method and system for efficiently compiling media content items for a media-on-demand platform
CN116881242B (zh) 一种生鲜农产品电商采购数据智能存储系统
WO2023217194A1 (zh) 一种动态视频封面生成方法
CN113077319A (zh) 针对微详情页面的动态推荐方法及装置
JPH09167152A (ja) 対話的モデル作成方法
CN112950322A (zh) 一种基于协同过滤优化的电力零售套餐推荐方法和系统
CN108763515B (zh) 一种基于概率矩阵分解的时间敏感个性化推荐方法
Anesbury et al. Death by 1000 ‘true fans’: Do marketing laws apply to music listening?
CN107845019B (zh) 一种订单生成方法及网络销售平台

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
GR01 Patent grant
GR01 Patent grant