JP2019525280A - 商品レコメンドの方法・装置・設備及びコンピュータ可読記憶媒体 - Google Patents

Abstract

【課題】商品レコメンドの方法・装置・設備及びコンピュータ可読記憶媒体を提供することを課題とする。【解決手段】本発明は、商品レコメンドの方法・装置・設備及びコンピュータ可読記憶媒体を開示するものであり、該方法は、レコメンド商品をレコメンドするトリガーコマンドを検出した時、前記トリガーコマンドに基づいて前記レコメンド商品の購買に成功したユーザーの行動履歴データを取得するステップと、前記行動履歴データに基づいて前記ユーザーが前記レコメンド商品をリピート購入する予想スコアを計算するステップと、前記予想スコアがデフォルトスコアより大きい場合、前記レコメンド商品を前記ユーザーにレコメンドするステップと、を含む。本発明は、ユーザーの行動履歴データに基づいてユーザーがレコメンド商品をリピート購入する予想スコアを計算し、予想スコアによってレコメンド商品をユーザーにレコメンドするかどうかを決定し、レコメンド商品の購買率をアップし、かつ定期コース対象商品にとって定期継続率もアップすることを実現する。【選択図】図２

Description

本出願は、２０１７年６月２０日に中国特許庁に出願された「商品レコメンド方法、設備及びコンピュータ可読記憶媒体」という名称の中国特許出願第２０１７１０４７４４８５．１号の優先権を主張し、その全内容は、引用により本明細書に組み込まれる。

本発明は、インターネット技術分野に関し、特に、商品レコメンドの方法・装置・設備及びコンピュータ可読記憶媒体に関する。

インターネット技術が急速に発展する現在、様々なＡＰＰ（Ａｐｐｌｉｃａｔｉｏｎ、アプリケーションプログラム）ソフトウェアはよくユーザーに様々な商品をレコメンドしており、商品のレコメンドを通じて商品の販売率をアップしている。しかしながら、従来の商品レコメンドは、一般的に新規ユーザー向け、かつ一般的に広告方式を通じて商品をレコメンドしてユーザーに自主的に商品を見つけて商品を購買させる。

ユーザーは、某商品を購入することに成功した後、例えば保険商品又は財テク商品の購入に成功した場合、二度とこの商品に関心を寄せることがない。定期コース対象商品について、ユーザーから購買され商品は、期限になった後、ユーザーは対応のレコメンド情報を受信しなかった場合、該商品をリピート購入せず、又は該商品の継続購買を忘れ、従って該商品の購買率低下及び定期コース対象商品の定期継続率低下を招く。

本発明の主な目的は、低い商品購買率及び低い商品の定期継続率の技術的課題を解決するための商品レコメンドの方法・装置・設備及びコンピュータ可読記憶媒体を提供することである。

上記目的を達成するため、本発明は商品レコメンド方法を提供しており、前記商品レコメンド方法は、
レコメンド商品をレコメンドするトリガーコマンドを検出した時、前記トリガーコマンドに基づいて前記レコメンド商品の購買に成功したユーザーの行動履歴データを取得するステップと、
前記行動履歴データに基づいて前記ユーザーが前記レコメンド商品をリピート購入する予想スコアを計算するステップと、
前記予想スコアがデフォルトスコアより大きい場合、前記レコメンド商品を前記ユーザーにレコメンドするステップと、
を含む。

また上記目的を達成するため、本発明は商品レコメンド装置を更に提供しており、前記商品レコメンド装置は、
レコメンド商品をレコメンドするトリガーコマンドを検出した時、前記トリガーコマンドに基づいて前記レコメンド商品の購買に成功したユーザーの行動履歴データを取得するための取得モジュールと、
前記行動履歴データに基づいて前記ユーザーが前記レコメンド商品をリピート購入する予想スコアを計算するための計算モジュールと、
前記予想スコアがデフォルトスコアより大きい場合、前記レコメンド商品を前記ユーザーにレコメンドするためのレコメンドモジュールと、
を含む。

また上記目的を達成するため、本発明は商品レコメンド設備を更に提供しており、前記商品レコメンド設備は、メモリと、プロセッサと、前記メモリに格納され、前記プロセッサにおいて実行できる商品レコメンドプログラムとを備え、前記商品レコメンドプログラムが前記プロセッサで実行された時前記商品レコメンド方法のステップを実現する。

また上記目的を達成するため、本発明はコンピュータ可読記憶媒体を提供しており、前記コンピュータ可読記憶媒体は商品レコメンドプログラムを格納し、前記商品レコメンドプログラムがプロセッサで実行された時前記商品レコメンド方法のステップを実現する。

本発明は、レコメンド商品をレコメンドするトリガーコマンドを検出した時、前記トリガーコマンドに基づいて前記レコメンド商品の購買に成功したユーザーの行動履歴データを取得し、前記行動履歴データに基づいて前記ユーザーが前記レコメンド商品をリピート購入する予想スコアを計算し、前記予想スコアがデフォルトスコアより大きい場合、前記レコメンド商品を前記ユーザーにレコメンドすることを通じて、ユーザーの行動履歴データに基づいてユーザーがレコメンド商品をリピート購入する予想スコアを計算し、予想スコアによってレコメンド商品をユーザーにレコメンドするかどうかを決定し、レコメンド商品の購買率をアップし、かつ定期コース対象商品にとって定期継続率もアップすることを実現する。

本発明の実施形態に係るハードウェア実行環境の設備構造を示す模式図である。 本発明の実施例１に係る商品レコメンド方法のフローチャートである。 本発明の実施例２に係る商品レコメンド方法のフローチャートである。 本発明の実施例における前記予想スコアがデフォルトスコアより大きい場合、前記レコメンド商品を前記ユーザーにレコメンドするフローチャートである。

本発明の目的の達成、機能・特徴及び利点について、添付図面を基に実施例を組み合わせて更なる説明を行う。

ここで記述する具体的実施例は、あくまでも本発明の技術内容を明らかにするものであって、本発明が限定されるものではないことを理解すべきである。

図１を参照すると、図１は、本発明の実施形態に係るハードウェア実行環境の設備構造を示す模式図である。

本発明の実施例に係る商品レコメンド設備は、ＰＣとすることができ、スマートフォン、タブレットパソコン、電子書籍リーダー、ＭＰ３（Ｍｏｖｉｎｇ Ｐｉｃｔｕｒｅ Ｅｘｐｅｒｔｓ Ｇｒｏｕｐ Ａｕｄｉｏ Ｌａｙｅｒ ＩＩＩ，ＭＰＥＧ音声符号化方式レイヤー３）プレイヤー、ＭＰ４（Ｍｏｖｉｎｇ Ｐｉｃｔｕｒｅ Ｅｘｐｅｒｔｓ Ｇｒｏｕｐ Ａｕｄｉｏ Ｌａｙｅｒ ＩＶ，ＭＰＥＧ音声符号化方式レイヤー４）プレイヤー、ノートパソコン等のモバイル端末としもよい。

図１に示すように、該商品レコメンド設備は、プロセッサ１００１を含むことができ、例えばＣＰＵ、ネットワークインターフェース１００４、ユーザーインターフェース１００３、メモリ１００５、通信バス１００２である。通信バス１００２は、それら素子間の接続通信に用いられる。ユーザーインターフェース１００３は、ディスプレイ（Ｄｉｓｐｌａｙ）とキーボード（Ｋｅｙｂｏａｒｄ）のような入力ユニットとを含んでもよく、かつユーザーインターフェース１００３が標準の有線インターフェース、無線インターフェースを選択的に含むこともできる。ネットワークインターフェース１００４は、標準の有線インターフェース、無線インターフェース（ＷＩ−ＦＩインターフェース）を選択的に含むこともできる。メモリ１００５は、高速ＲＡＭメモリとすることができ、磁気ディスク式記憶装置のような不揮発性メモリ（ｎｏｎ−ｖｏｌａｔｉｌｅｍｅｍｏｒｙ）としてもよい。メモリ１００５は、選択的に前記プロセッサ１００１から独立した記憶装置としてもよい。

選択的に、商品レコメンド設備は、カメラ、ＲＦ（Ｒａｄｉｏ Ｆｒｅｑｕｅｎｃｙ，無線周波数）回路、センサー、オーディオ回路、ＷｉＦｉモジュール等を包括してもよい。

当業者であれば、図１に示す商品レコメンド設備の構造は、端末への限定を構成することなく、図面より多い又は少ない部品を含むことができ、或いは幾つかの部品を組み合わせ、若しくは異なる部品の配置とすることができることが理解できる。

図１に示すように、コンピュータ記憶媒体とするメモリ１００５内では、ＯＳと商品レコメンドプログラムとを含むことができる。ＯＳは、商品レコメンド設備のハードウェア及びソフトウェア資源を管理及び制御するプログラムであり、商品レコメンドプログラム及びその他のソフトウェア及び／又はプログラムの実行をサポートするものである。

図１に示す商品レコメンド設備において、ネットワークインターフェース１００４は、主にユーザーが所持する端末に接続してユーザーが所持する端末とデータ通信を行うために用いられ、ユーザーインターフェース１００３は主に取得したコマンド等を受信するために用いられる。プロセッサ１００１は、メモリ１００５内に保存されている商品レコメンドプログラムを呼び出して次の商品レコメンド方法のステップを実行するために用いられる。

本発明に係る商品レコメンド設備の具体的実施形態は、下記商品レコメンド方法の各実施例と基本的に同じであるため、ここでその説明を省略する。

上記ハードウェア構造に基づいて、商品レコメンド方法の各実施例を提供する。
（実施例１）

図２を参照すると、図２は、本発明の実施例１に係る商品レコメンド方法のフローチャートである。

本実施例では、商品レコメンド方法を提供しており、言及すべき点はフローチャート内において論理的順序を示しているが、幾つかの状況においてここと異なる順序で示す又は記述するステップを実行できる。

前記商品レコメンド方法は、以下のステップを含む。

ステップＳ１０：レコメンド商品をレコメンドするトリガーコマンドを検出した時、前記トリガーコマンドに基づいて前記レコメンド商品の購買に成功したユーザーの行動履歴データを取得する。

商品レコメンド設備は、レコメンド商品をレコメンドするトリガーコマンドを検出した時、トリガーコマンドに基づいてレコメンド商品の購買に成功したユーザーの行動履歴データを取得する。具体的には、商品レコメンド設備がトリガーコマンドを検出した時、商品レコメンド設備のプロセッサ１００１はトリガーコマンドに基づいてメモリ１００５内からレコメンド商品の購買に成功したユーザーの行動履歴データを取得する。行動履歴データは、レコメンド商品が出品するアプリ内の各商品に対するユーザーの関心度、該アプリ内の各商品の購入金額、購入した商品に対応する支払データ及びレコメンド商品のクリック数を含むがこれに限定されない。

本発明の実施例において、トリガーコマンドは、商品レコメンド設備から自動的にトリガーでき、作業員から手動的にトリガーしてもよい。該トリガーコマンドは、商品レコメンド設備から自動的にトリガーする場合、商品レコメンド設備内に１つの定時タスク（例えば、毎日該トリガーコマンドを定時トリガーし、又は一定時間間隔で該トリガーコマンドをトリガーするよう設定できる）を設定でき、定時タスクの条件になった時、商品レコメンド設備は該トリガーコマンドを自動的にトリガーする。更に、本実施例において、レコメンド商品の購買成功は、ユーザーが該レコメンド商品を購入し、かつレコメンド商品に対応する費用を支払ったことを意味している。

ステップＳ２０：前記行動履歴データに基づいて前記ユーザーが前記レコメンド商品をリピート購入する予想スコアを計算する。

ステップＳ３０：前記予想スコアがデフォルトスコアより大きい場合、前記レコメンド商品を前記ユーザーにレコメンドする。

ユーザーの行動履歴データを取得した後、行動履歴データに基づいてユーザーがレコメンド商品をリピート購入する予想スコアを計算し、また予想スコアはデフォルトスコアより大きいかどうかを判断する。予想スコアは、デフォルトスコアより大きい時、レコメンド商品をデフォルト方式により該ユーザーにレコメンドし、予想スコアはデフォルトスコアよりより小さいか又は等しい時、レコメンド商品を該ユーザーにレコメンドしない。

好ましくは、ステップＳ２０は、前記関心度、購入金額、支払データ及びクリック数に基づき、対応のデフォルトルールで前記関心度、購入金額、支払データ及びクリック数に対応する予想サブスコアを各々計算するステップａと、前記関心度、購入金額、支払データ及びクリック数のウェイトを確定するステップｂと、前記予想サブスコア及び前記ウェイトにより前記ユーザーが前記レコメンド商品をリピート購入する予想スコアを計算するステップｃと、を更に含む。

前記関心度に対応するウェイトは０．２５であり、前記購入金額に対応するウェイトは０．２であり、前記支払データに対応するウェイトは０．２５であり、前記クリック数に対応するウェイトは０．３であり、前記関心度に対応する予想サブスコアをＡと記し、前記購入金額に対応する予想サブスコアをＢと記し、前記支払データに対応する予想サブスコアをＣと記し、前記クリック数に対応する予想サブスコアをＤと記し、前記予想スコアをＳと記すと、前記予想スコアＳ＝Ａ×０．２５＋Ｂ×０．２＋Ｃ×０．２５＋Ｄ×０．３となる。

好ましくは、関心度、購入金額、支払データ及びクリック数を取得した時、各々関心度に対応するデフォルトルールで関心度の予想サブスコアを計算し、購入金額に対応するデフォルトルールで購入金額に対応する予想サブスコアを計算し、支払データに対応するデフォルトルールで支払データに対応する予想サブスコアを計算し、クリック数に対応するデフォルトルールでクリック数に対応する予想サブスコアを計算する。

関心度、購入金額、支払データ及びクリック数に対応する予想サブスコアを得た後、関心度、購入金額、支払データ及びクリック数の計算した予想スコアにおけるウェイトを確定し、関心度、購入金額、支払データ及びクリック数に対応する予想サブスコア及びウェイトに基づいて、ユーザーがレコメンド商品をリピート購入する予想スコアを計算する。

言及すべき点は、関心度、購入金額、支払データ及びクリック数の計算した予想スコアにおけるウェイトが具体的なニーズに応じて設定でき、本実施例において、関心度、購入金額、支払データ及びクリック数のウェイト比は５：４：５：６とする。本実施例の予想スコアの単位は、１００進法で表されるため、関心度に対応するウェイトが０．２５であり、購入金額に対応するウェイトが０．２であり、支払データに対応するウェイトが０．２５であり、クリック数に対応するウェイトが０．３である。関心度に対応する予想サブスコアをＡと記し、購入金額に対応する予想サブスコアをＢと記し、支払データに対応する予想サブスコアをＣと記し、クリック数に対応する予想サブスコアをＤと記し、予想スコアをＳと記すと、予想スコアＳ＝Ａ×０．２５＋Ｂ×０．２＋Ｃ×０．２５＋Ｄ×０．３となる。

本実施例において、行動履歴データは、ユーザーのアプリ内商品に対する関心度、アプリ内商品の購入金額、購入した商品に対応する支払データ及びレコメンド商品のクリック数を包括する。関心度は、ユーザーがアプリ内商品を閲覧する日数であり、アプリ内商品の購入金額はユーザーが該アプリ内において購入した全ての金額総和であり、支払データはユーザーの総支払回数及び支払い期日を過ぎた未払い回数であり、クリック数はユーザーがアプリ内においてレコメンド商品に関する内容をクリックした日数である。言及すべき点は、関心度及びクリック数の過程で計算量を減少するため、一定時間帯の関心度及びクリック数を取得するだけで設定でき、現時点から半年の関心度及びクリック数を取得するだけで設定できる。本実施例において、関心度及びクリック数は、日単位で計算を行い、すなわち、同日にユーザーが何回アプリ内商品を閲覧するかであり、関心度は１回と記し、ユーザーが同日に何回レコメンド商品に関する内容をクリックするかを問わず、クリック数も１回と記す。その他の実施例において、関心度及びクリック数の単位を時間と設定でき、又はユーザーの操作頻度を計算単位と設定できる。

言及すべき点は、デフォルトスコアは、具体的ニーズに応じて設定できる。本実施例において、かかわるスコアは、１００進法を用い、例えばデフォルトスコアを６０点、６５点等に設定でき、その他の実施例において、かかわるスコアも１００進法を使用しないでもよい。デフォルト方式が１種又は多種とすることができ、デフォルト方式としてはショートメール、電子メール及びウィーチャットが挙げられるがこれに限定されない。本実施例において、各行動履歴データでは対応のデフォルトルールを有し、異なる行動履歴データのデフォルトルールが異なり、予想スコア計算の過程で行動履歴データが対応するデフォルトルールを通じて行動履歴データに対応する予想サブスコアを算出してから予想サブスコアに基づいて予想スコアが得られる。

好ましくは、前記商品レコメンド方法は、レコメンド商品を購買する対応のアプリにログインするログイン操作を検出した時、前記ユーザーの前記アプリ内商品に対するクリック操作を検出するステップｄと、前記クリック操作に基づいて前記ユーザーは前記アプリ内商品を閲覧する行動履歴データを取得すると共に前記行動履歴データを保存するステップｅと、を更に含む。

好ましくは、本実施例において、レコメンド商品のアプリケーションプラットフォームはショップに対応するアプリであり、すなわち、商品レコメンド設備内にレコメンド商品と対応するアプリがインストールされている。レコメンド商品を購買する対応のアプリにログインするログイン操作を検出した時、ユーザーのアプリ内商品に対するクリック操作を検出し、また該クリック操作に基づいてユーザーのアプリ内商品に対する行動履歴データを取得して該行動履歴データを保存する。ユーザーのアプリ内商品に対するクリック操作を検出した時、該クリック操作の検出時間を記録し、また該時間及び対応の行動履歴データを一緒に保存する。

好ましくは、前記支払データに基づいて、前記支払データに対応するデフォルトルールで前記支払データに対応する予想サブスコアを計算するステップは、前記支払データ内の総支払回数及び支払い期日を過ぎた未払い回数の差を計算するステップｆと、前記差及び前記総支払回数に基づいて前記支払データに対応する予想サブスコアを計算するステップｇと、を含む。

好ましくは、支払データに基づいて支払データに対応するデフォルトルールで支払データに対応する予想サブスコアを計算する具体的過程は、支払データ内の総支払回数と支払い期日を過ぎた未払い回数の差を計算し、その差と総支払回数に基づいて支払データに対応する予想サブスコアＣを計算する。その差をｃ１と記し、総支払回数をｃ２と記すと、予想サブスコアＣ＝ｃ１／ｃ２＊ｃ３＋ｃ４となる、本実施例において、予想サブスコアは１００進法で表されることを保証するため、ｃ３＝ｃ４＝５０となる。ただし、その他の実施例において、ｃ３及びｃ４はその他の値に設定でき、かつｃ３及びｃ４の値が同じでも異なっていてもよい。

好ましくは、関心度に対応するデフォルトルールは、関心度ｎ１＜ａ１の時、Ａ＝Ａ１であり、ａ１≦ｎ１＜ａ２の時、Ａ＝Ａ１＋（ｎ１−ａ１−１）×Ｔ１／（ａ２− ａ１）であり、ｎ１≧ａ２の時、Ａ＝１００である。ｎ１は、半年内の関心度を表し、Ｔ１は関心度に対応する予想サブスコアの相関係数であり、予想サブスコアが１００進法で表されることを保証するため、Ｔ１の値は５０より小さく、本実施例においてＴ１＝４９．８８である。例えばａ１＝１０、ａ２＝１００、Ａ１＝５０、ｎ１＝６９の時、関心度に対応する予想サブスコアＡ＝８３．２５となる（本実施例において、予想サブスコアに対応する値は、小数点以下２桁までである）。

購入金額に対応するデフォルトルールは、購入金額ｎ２≦ｂ１の時、Ｂ＝Ｂ１であり、ｂ１＜ｎ２＜ｂ２の時、Ｂ＝Ｂ１＋（ｎ２−ｂ１）×Ｔ２／（ｂ２−ｂ１）であり、ｎ２≧ｂ２の時、Ｂ＝１００である。ｎ２は、ユーザーがアプリ内商品を購入した購入金額を表し、単位が元とし、Ｔ２は購入金額に対応する予想サブスコアを計算する相関係数であり、予想サブスコアが１００進法で表されることを保証するため、Ｔ２の値は５０より小さく、本実施例においてＴ２＝４９．８８である。例えばｂ１＝１０００、ｂ２＝５０００００、Ｂ１＝５０、ｎ２＝５００００の時、購入金額に対応する予想サブスコアＢ＝５０＋（５００００−１０００）×４９．８８／（５０００００−１０００）＝５４．９９となる（本実施例において、予想サブスコアに対応する値は、小数点以下２桁までである）。

クリック数に対応するデフォルトルールは、クリック数ｎ３≦ｄ１の時、Ｄ＝Ｄ１であり、ｄ１＜ｎ３＜ｄ２の時、Ｄ＝Ｄ１＋（ｎ３−ｄ１）×Ｔ３／（ｄ２−ｄ１）であり、ｎ３≧ｄ２の時、Ｄ＝１００である。ｎ３は、半年内のクリック数を表し、Ｔ３はクリック数に対応する想サブスコアを計算する相関係数であり、予想サブスコアが１００進法で表されることを保証するため、Ｔ３の値は５０より小さく、本実施例においてＴ３＝４９．８８である。例えばｄ１＝５、ｄ２＝１５、Ｄ１＝５０、ｎ３＝１２の時、クリック数に対応する予想サブスコアＤ＝５０＋（１２−５）×４９．８８／（１５−５）＝８４．９２となる（本実施例において、予想サブスコアに対応する値は、小数点以下２桁までである）。

言及すべき点は、本発明の実施例において、Ｔ１、Ｔ２及びＴ３が対応する値は、同じでも異なっていてもよい。

本発明は、レコメンド商品をレコメンドするトリガーコマンドを検出した時、前記トリガーコマンドに基づいて前記レコメンド商品の購買に成功したユーザーの行動履歴データを取得し、前記行動履歴データに基づいて前記ユーザーが前記レコメンド商品をリピート購入する予想スコアを計算し、前記予想スコアがデフォルトスコアより大きい場合、前記レコメンド商品を前記ユーザーにレコメンドすることを通じて、ユーザーの行動履歴データに基づいてユーザーがレコメンド商品をリピート購入する予想スコアを計算し、予想スコアによってレコメンド商品をユーザーにレコメンドするかどうかを決定し、レコメンド商品の購買率をアップし、同時にレコメンド商品を購買確率が小さいユーザーにレコメンドしてユーザーに迷惑する状況の発生を防止し、かつ定期コース対象商品にとって定期継続率もアップすることを実現する。
（実施例２）

更に、本発明の実施例２に係る商品レコメンド方法を提出する。

図３を参照すると、前記商品レコメンド方法の実施例２と前記商品レコメンド方法の実施例１との相違点は、商品レコメンド方法は前記ユーザーの関心のある商品を取得し、前記関心のある商品と前記レコメンド商品との間の類似度を確定するステップＳ４０を更に含むことである。

ステップＳ２０は、前記類似度及び前記行動履歴データに基づいて前記ユーザーが前記レコメンド商品をリピート購入する予想スコアを計算するステップＳ２１を含む。

ユーザーの関心のある商品を取得し、関心のある商品とレコメンド商品との間の類似度を確定し、また類似度及び取得した行動履歴データに基づいてユーザーがレコメンド商品をリピート購入する予想スコアを計算する。具体的には、関心のある商品とレコメンド商品との間の類似度を計算する時、ユーザーが商品購入時に考慮する主要要因によって関心のある商品とレコメンド商品との間の類似度を計算する。例えば、レコメンド商品は、財テク商品の時、財テク周期、リスク度、商品タイプ及び収益率という４つの要因から関心のある商品とレコメンド商品との間の類似度を計算することができる。

関心のある商品とレコメンド商品との間の類似度、及び行動履歴データに対応する予想サブスコアを算出した後、類似度及び各行動履歴データに対応するウェイトを確定し、類似度、各行動履歴データに対応する予想サブスコア及びウェイトによりユーザーがレコメンド商品をリピート購入する予想スコアを計算する。例えばＳ＝Ａ×ａ０＋Ｂ×ｂ０＋Ｃ×ｃ０＋Ｄ×ｄ０＋Ｅ×ｅ０と設定でき、Ｅは関心のある商品とレコメンド商品との間の類似度を表し、ａ０は関心度に対応するウェイトを表し、ｂ０は購入金額に対応するウェイトを表し、ｃ０は支払データに対応するウェイトを表し、ｄ０はクリック数に対応するウェイトを表し、ｅ０は類似度に対応するウェイトを表す。ａ０＋ｂ０＋ｃ０＋ｄ０＋ｅ０＝１が理解できるであろう。本実施例において、ａ０とｂ０とｃ０とｄ０とｅ０との間の比例は具体的なニーズに応じて設定できる。

好ましくは、本実施例において、類似度を予想スコア計算の１つの計算要素とし、その他の実施例において類似度を関心度、購入金額、支払データ又はクリック数に対応する予想サブスコア計算のウェイトとしてもよい。

好ましくは、類似度は、デフォルト類似度より大きいか又は等しい時、類似度を予想スコアの計算要素とし、類似度はデフォルト類似度より小さい時、類似度を予想スコアの計算要素としないよう設定できる。デフォルト類似度は、具体的なニーズに応じて設定でき、例えば本実施例においてデフォルト類似度を５０％に設定できる。

前記関心のある商品及び前記レコメンド商品が財テク商品の時、前記ステップＳ４０は、前記ユーザーの関心のある商品を取得すると共に前記関心のある商品の財テク周期、リスク度、商品タイプ及び収益率を取得するステップｈと、前記関心のある商品の財テク周期、リスク度、商品タイプ及び収益率を各々前記レコメンド商品の財テク周期、リスク度、商品タイプ及び収益率と比較し、前記関心のある商品と前記レコメンド商品との間の類似度を確定するステップｉと、を含む。

好ましくは、関心のある商品及びレコメンド商品が財テク商品の時、ユーザーの関心のある商品の財テク周期、リスク度、商品タイプ及び収益率を取得し、関心のある商品の財テク周期、リスク度、商品タイプ及び収益率を各々レコメンド商品の財テク周期、リスク度、商品タイプ及び収益率と比較し、関心のある商品とレコメンド商品との間の類似度を確定する。

具体的には、本実施例において、類似度はＷ＝Ｍ×ｍ１＋Ｎ×ｎ１＋Ｐ×ｐ１＋Ｑ×ｑ１で表される。Ｍは、財テク周期の類似度スコアであり、Ｎはリスク度の類似度スコアであり、Ｐは商品タイプの類似度スコアであり、Ｑは収益率の類似度スコアであり、ｍ１は関心のある商品とレコメンド商品との間の類似度計算における財テク周期のウェイトであり、ｎ１は関心のある商品とレコメンド商品との間の類似度計算におけるリスク度のウェイトであり、ｐ１は関心のある商品とレコメンド商品との間の類似度計算における商品タイプのウェイトであり、ｑ１は関心のある商品とレコメンド商品との間の類似度計算における収益率のウェイトである。本実施例において、ｍ１：ｎ１：ｐ１：ｑ１＝６：４：５：５であり、その他の実施例において、ｍ１とｎ１とｐ１とｑ１との間の比は、６：４：５：５と異なる比を設定できる。

本実施例において、財テク周期の類似度スコアは、関心のある商品とレコメンド商品の財テク周期に対応する等級の差で得られる。財テク周期に対応する等級としては、普通預金を０等級と記し、財テク周期がＹ＜３を１等級と記し、３＜Ｙ≦６を２等級と記し、６＜Ｙ≦１２を３等級と記し、１２＜Ｙ≦３６を４等級と記し、３６＜Ｙ≦６０を５等級と記し、６０＜Ｙを６等級と記す。財テク周期Ｙは、月単位とし、財テク周期の類似度スコアの総得点が１００点で、関心のある商品とレコメンド商品との間の財テク周期は１等級差当たり、財テク周期の類似度スコアが５点減点される。関心のある商品とレコメンド商品との間の財テク周期は、３等級差がある時、Ｍ＝１００−３×５＝８５で表される。

リスク度の類似度スコアは、関心のある商品とレコメンド商品のリスク度に対応する等級の差で得られる。リスク度に対応する等級としては、低リスクを１等級と記し、中低リスクを２等級と記し、中リスクを３等級と記し、中高リスクを４等級と記し、高リスクを５等級と記す。リスク度の類似度スコアの総得点が１００点で、関心のある商品とレコメンド商品との間のリスク度は１等級差当たり、リスク度の類似度スコアが５点減点される。関心のある商品とレコメンド商品との間のリスク度は、４等級差がある時、リスク度の類似度スコアはＭ＝１００−４×５＝８０で表される。

商品タイプの類似度スコアは、関心のある商品とレコメンド商品との間のタイプが同一の時、商品タイプの類似度スコアＰ＝１００であり、関心のある商品とレコメンド商品との間のタイプが異なる時、商品タイプの類似度スコアＰ＝９０であると設定できる。

収益率の類似度スコアの満点は１００点で、年収益率のパーセントで計算し、関心のある商品とレコメンド商品との間の年収益率が０．１％の差当たり、収益率の類似度スコアが１点減点される。関心のある商品とレコメンド商品との間の年収益率の差は、１．１％の時、収益率の類似度スコアＱ＝１００−１１＝８９となる。

言及すべき点は、財テク周期、リスク度、商品タイプ及び収益率に対応する類似度スコアを計算する過程で、かかわる具体的数値が具体的なニーズに応じて設定でき、上記数値に限定されない。

本実施例は、ユーザー関心のある商品とレコメンド商品との間の類似度及び行動履歴データに基づいてユーザーがレコメンド商品をリピート購入する予想スコアを計算することで、ユーザーがレコメンド商品をリピート購入することの予測精度を高める。
（実施例３）

更に本発明の実施例３に係る商品レコメンド方法を更に提出する。

図４を参照すると、前記商品レコメンド方法の実施例３と前記商品レコメンド方法の実施例１との相違点は、ステップＳ３０は前記予想スコアが前記デフォルトスコアより大きい場合、優遇方針に対応する優遇スコア範囲内にあるかどうかをチェックするステップＳ３１と、前記予想スコアが前記優遇スコア範囲内にある場合、前記レコメンド商品を前記ユーザーにレコメンドすると共に前記レコメンド商品購買の優遇方針を前記ユーザーに配信するステップＳ３２と、を含むことである。

前記予想スコアが前記デフォルトスコアより大きい場合、優遇方針に対応する優遇スコア範囲内にあるかどうかをチェックする。前記予想スコアが前記優遇スコア範囲内にある場合、レコメンド商品を前記ユーザーにレコメンドすると共に前記レコメンド商品を購買する優遇方針をユーザーに配信する。優遇方針及び優遇方針に対応する優遇スコアは、具体的なニーズに応じて設定でき、本発明の実施例において限定しない。予想スコアが優遇スコア範囲外の場合、該レコメンド商品レコメンドのみを該ユーザーにレコメンドする。

予想スコアが８０点より大きいか又は等しい時（優遇スコア範囲は８０〜１００点）、ユーザーはレコメンド商品購買の優遇方針を享受できる。レコメンド商品が財テク商品の時、各財テク商品に最低基本収益率がある。レコメンド商品の基本収益率が３．５％の時、異なる予想スコア範囲内に対応して収益率を高めるよう設定できる。８０≦Ｓ＜８５の時、収益率が３．５５％に等しく、８５≦Ｓ＜９０の時、収益率が３．６０％に等しく、９０≦Ｓ＜９５の時、収益率が３．６５％に等しく、９５≦Ｓ＜１００の時、収益率が３．７０％に等しい。

本実施例は、優遇方針の設定を通じてユーザーが優遇方針の条件を満たした場合、レコメンド商品をユーザーにレコメンドする時、優遇方針もユーザーに配信することで、更にユーザーのレコメンド商品購買率及び定期コース対象商品の定期継続率を向上する。

また本発明の実施例は商品レコメンド装置を更に提出し、前記商品レコメンド装置は、
レコメンド商品をレコメンドするトリガーコマンドを検出した時、前記トリガーコマンドに基づいて前記レコメンド商品の購買に成功したユーザーの行動履歴データを取得するための取得モジュールと、
前記行動履歴データに基づいて前記ユーザーが前記レコメンド商品をリピート購入する予想スコアを計算するための計算モジュールと、
前記予想スコアがデフォルトスコアより大きい場合、前記レコメンド商品を前記ユーザーにレコメンドするためのレコメンドモジュールと、
を含む。

好ましくは、前記取得モジュールは、更に前記ユーザーの関心のある商品を取得して前記関心のある商品と前記レコメンド商品との間の類似度を確定するために用いられる。

前記計算モジュールは、更に前記類似度及び前記行動履歴データに基づいて前記ユーザーが前記レコメンド商品をリピート購入する予想スコアを計算するために用いられる。

好ましくは、前記関心のある商品と前記レコメンド商品が財テク商品の時、前記取得モジュールは、
前記ユーザーの関心のある商品を取得すると共に前記関心のある商品の財テク周期、リスク度、商品タイプ及び収益率を取得するための取得ユニットと、
前記関心のある商品の財テク周期、リスク度、商品タイプ及び収益率を各々前記レコメンド商品の財テク周期、リスク度、商品タイプ及び収益率と比較して前記関心のある商品と前記レコメンド商品との間の類似度を確定するための確定ユニットと、
を含む。

好ましくは、前記商品レコメンド装置は、レコメンド商品を購買する対応のアプリにログインするログイン操作を検出した時、前記ユーザーの前記アプリ内商品に対するクリック操作を検出するための検出モジュールを更に含む。

前記取得モジュールは、更に前記クリック操作に基づいて前記ユーザーが前記アプリ内商品を閲覧する行動履歴データを取得すると共に前記行動履歴データを保存するために用いられる。

好ましくは、前記行動履歴データは、前記ユーザーの前記アプリ内商品に対する関心度、前記アプリ内商品の購入金額、購入した商品に対応する支払データ及び前記レコメンド商品のクリック数を包括する。

好ましくは、前記計算モジュールは、
前記関心度、購入金額、支払データ及びクリック数に基づいて各々対応するデフォルトルールで前記関心度、購入金額、支払データ及びクリック数に対応する予想サブスコアを計算するための第１計算ユニットと、
前記関心度、購入金額、支払データ及びクリック数のウェイトを確定するための確定ユニットと、
を含む。

前記第１計算ユニットは、更に前記予想サブスコア及び前記ウェイトに基づいて前記ユーザーが前記レコメンド商品をリピート購入する予想スコアを計算するために用いられる。

前記関心度に対応するウェイトは、０．２５であり、前記購入金額に対応するウェイトが０．２であり、前記支払データに対応するウェイトが０．２５であり、前記クリック数に対応するウェイトが０．３である。前記関心度に対応する予想サブスコアをＡと記し、前記購入金額に対応する予想サブスコアをＢと記し、前記支払データに対応する予想サブスコアをＣと記し、前記クリック数に対応する予想サブスコアをＤと記し、前記予想スコアをＳと記すと、前記予想スコアＳ＝Ａ×０．２５＋Ｂ×０．２＋Ｃ×０．２５＋Ｄ×０．３となる。

好ましくは、前記計算モジュールは、更に前記支払データ内の総支払回数と支払い期日を過ぎた未払い回数の差を計算し、その差と前記総支払回数に基づいて前記支払データに対応する予想サブスコアを計算するために用いられる。

好ましくは、前記レコメンドモジュールは、
前記予想スコアが前記デフォルトスコアより大きい場合、前記予想スコアは優遇方針に対応する優遇スコア範囲内にあるかどうかをチェックするためのチェックユニットと、
前記予想スコアが前記優遇スコア範囲内にある場合、前記レコメンド商品を前記ユーザーにレコメンドすると共に前記レコメンド商品購買の優遇方針を前記ユーザーに配信するためのレコメンドユニットと、
を含む。

言及すべき点は、商品レコメンド装置の各実施例は、上記商品レコメンド方法の各実施例と基本的に同じであるため、ここでその説明を省略する。

また、本発明の実施例は、コンピュータ可読記憶媒体を提供しており、前記コンピュータ可読記憶媒体は商品レコメンドプログラムを格納し、前記商品レコメンドプログラムがプロセッサで実行された時商品レコメンド方法のステップを実現する。

本発明に係るコンピュータ可読記憶媒体の具体的実施形態は、上記商品レコメンド方法の各実施例と基本的に同じであるため、ここでその説明を省略する。

当業者であれば、上記実施例の全部又は一部のステップの実現がハードウェアを通じて完成させることができ、プログラムを通じて関連のハードウェアに命令して完成させてもよく、前記プログラムはコンピュータ可読記憶媒体内に保存されることができ、上記記憶媒体がリードオンリーメモリ、ディスク又は光ディスク等としてもよいことが理解できる。

ここで言及すべき点は、本明細書で使用されるとき、用語「包括」、「含む」又はこれらの他のいかなる変形は、非排他的な包含をカバーすることが意図されていることである。例えば、列挙した構成要素を含むプロセス、方法、物品、または装置は、必ずしもそれらの構成要素だけに限定されず、そのようなプロセス、方法、物品、または装置に対して明示的に列挙してない、或いは固有の他の構成要素も含むことができる。更に多くの制限がない状況下において、字句「１個の……を含む」で限定する要素について、該構成要素を含むプロセス、方法、物品又は装置内に別の同一構成要素が存在していることも排除しない。

本発明の上記実施例の順番は、単に記述するためのであって、実施例の優劣を示していない。

以上の実施形態の記述を通じて、当業者であれば、上記実施例の方法がソフトウェアに必要な汎用ハードウェアプラットフォームを組み合わせる方式によって実現でき、当然ハードウェアを通じて実現することもできるが、多くの状況において前者が好適な実施形態であることが明確に理解できる。このような理解によれば、本発明の技術的手段の本質上又は従来技術に対して貢献する部分は、ソフトウェア製品の形で体現し、該コンピュータソフトウェア製品が１つの記憶媒体（例えばＲＯＭ／ＲＡＭ、ディスク、光ディスク）内に保存され、１台の端末（携帯電話、コンピュータ、サーバー、空調機又はネットワーク設備等でもよい）に本発明の各実施例に記載の方法を実行させる若干のコマンドを含む。

本発明では好ましい実施例を前述の通り開示したが、これらは決して本発明を限定するものではなく、本発明の明細書及び添付図面を利用して均等の範囲内で各種の変更や修飾、若しくは直接的又は間接的にその他の関連の技術分野に運用されることは、本発明の特許保護範囲内に含めるものであるのは勿論である。

Claims (14)

1. レコメンド商品をレコメンドするトリガーコマンドを検出した時、前記トリガーコマンドに基づいて前記レコメンド商品の購買に成功したユーザーの行動履歴データを取得するステップと、
   前記行動履歴データに基づいて前記ユーザーが前記レコメンド商品をリピート購入する予想スコアを計算するステップと、
   前記予想スコアがデフォルトスコアより大きい場合、前記レコメンド商品を前記ユーザーにレコメンドするステップと、
   を含むことを特徴とする、商品レコメンド方法。
2. 前記行動履歴データに基づいて前記ユーザーが前記レコメンド商品をリピート購入する予想スコアを計算するステップの前に、前記ユーザーの関心のある商品を取得し、前記関心のある商品と前記レコメンド商品との間の類似度を確定するステップを更に含み、
   前記行動履歴データに基づいて前記ユーザーが前記レコメンド商品をリピート購入する予想スコアを計算するステップは前記類似度及び前記行動履歴データに基づいて前記ユーザーが前記レコメンド商品をリピート購入する予想スコアを計算することを含む、
   ことを特徴とする請求項１に記載の商品レコメンド方法。
3. 前記関心のある商品及び前記レコメンド商品が財テク商品の時、前記ユーザーの関心のある商品を取得し、前記関心のある商品と前記レコメンド商品との間の類似度を確定するステップは、
   前記ユーザーの関心のある商品を取得すると共に前記関心のある商品の財テク周期、リスク度、商品タイプ及び収益率を取得することと、
   前記関心のある商品の財テク周期、リスク度、商品タイプ及び収益率を各々前記レコメンド商品の財テク周期、リスク度、商品タイプ及び収益率と比較し、前記関心のある商品と前記レコメンド商品との間の類似度を確定することと、
   を含むことを特徴とする、請求項２に記載の商品レコメンド方法。
4. レコメンド商品をレコメンドするトリガーコマンドを検出した時、前記トリガーコマンドに基づいて前記レコメンド商品の購買に成功したユーザーの行動履歴データを取得するステップの前に、
   前記レコメンド商品を購買する対応のアプリにログインするログイン操作を検出した時、前記ユーザーの前記アプリ内商品に対するクリック操作を検出するステップと、
   前記クリック操作に基づいて前記ユーザーは前記アプリ内商品を閲覧する行動履歴データを取得すると共に前記行動履歴データを保存するステップと、
   を更に含むことを特徴とする、請求項１に記載の商品レコメンド方法。
5. 前記行動履歴データは、前記ユーザーの前記アプリ内商品に対する関心度、前記アプリ内商品の購入金額、購入した商品に対応する支払データ及び前記レコメンド商品のクリック数を包括することを特徴とする、請求項４に記載の商品レコメンド方法。
6. 前記行動履歴データに基づいて前記ユーザーが前記レコメンド商品をリピート購入する予想スコアを計算するステップは、前記関心度、前記購入金額、前記支払データ及び前記クリック数に基づき、対応のデフォルトルールで前記関心度、前記購入金額、前記支払データ及び前記クリック数に対応する予想サブスコアを各々計算することと、前記関心度、前記購入金額、前記支払データ及び前記クリック数のウェイトを確定することと、前記予想サブスコア及び前記ウェイトにより前記ユーザーが前記レコメンド商品をリピート購入する予想スコアを計算することと、を含み、
   前記関心度に対応するウェイトは０．２５であり、前記購入金額に対応するウェイトは０．２であり、前記支払データに対応するウェイトは０．２５であり、前記クリック数に対応するウェイトは０．３であり、前記関心度に対応する前記予想サブスコアをＡと記し、前記購入金額に対応する前記予想サブスコアをＢと記し、前記支払データに対応する前記予想サブスコアをＣと記し、前記クリック数に対応する前記予想サブスコアをＤと記し、前記予想スコアをＳと記すと、前記予想スコアＳ＝Ａ×０．２５＋Ｂ×０．２＋Ｃ×０．２５＋Ｄ×０．３となることを特徴とする、請求項５に記載の商品レコメンド方法。
7. 前記支払データに基づいて、前記支払データに対応するデフォルトルールで前記支払データに対応する予想サブスコアを計算するステップは、
   前記支払データ内の総支払回数及び支払い期日を過ぎた未払い回数の差を計算することと、
   前記差及び前記総支払回数に基づいて前記支払データに対応する前記予想サブスコアを計算することと、
   を含むことを特徴とする、請求項６に記載の商品レコメンド方法。
8. 前記予想スコアがデフォルトスコアより大きい場合、前記レコメンド商品を前記ユーザーにレコメンドするステップは、
   前記予想スコアが前記デフォルトスコアより大きい場合、優遇方針に対応する優遇スコア範囲内にあるかどうかをチェックすることと、
   前記予想スコアが前記優遇スコア範囲内にある場合、前記レコメンド商品を前記ユーザーにレコメンドすると共に前記レコメンド商品購買の優遇方針を前記ユーザーに配信することと、
   を含むことを特徴とする、請求項１〜７のいずれか一項に記載の商品レコメンド方法。
9. レコメンド商品をレコメンドするトリガーコマンドを検出した時、前記トリガーコマンドに基づいて前記レコメンド商品の購買に成功したユーザーの行動履歴データを取得するための取得モジュールと、
   前記行動履歴データに基づいて前記ユーザーが前記レコメンド商品をリピート購入する予想スコアを計算するための計算モジュールと、
   前記予想スコアがデフォルトスコアより大きい場合、前記レコメンド商品を前記ユーザーにレコメンドするためのレコメンドモジュールと、
   を含むことを特徴とする、商品レコメンド装置。
10. 前記取得モジュールは、更に前記ユーザーの関心のある商品を取得して前記関心のある商品と前記レコメンド商品との間の類似度を確定するために用いられ、
    前記計算モジュールは更に前記類似度及び前記行動履歴データに基づいて前記ユーザーが前記レコメンド商品をリピート購入する予想スコアを計算するために用いられることを特徴とする、請求項９に記載の商品レコメンド装置。
11. 前記関心のある商品と前記レコメンド商品が財テク商品の時、前記取得モジュールは、
    前記ユーザーの関心のある商品を取得すると共に前記関心のある商品の財テク周期、リスク度、商品タイプ及び収益率を取得するための取得ユニットと、
    前記関心のある商品の財テク周期、リスク度、商品タイプ及び収益率を各々前記レコメンド商品の財テク周期、リスク度、商品タイプ及び収益率と比較して前記関心のある商品と前記レコメンド商品との間の類似度を確定するための確定ユニットと、
    を含むことを特徴とする、請求項１０に記載の商品レコメンド装置。
12. レコメンド商品を購買する対応のアプリにログインするログイン操作を検出した時、前記ユーザーの前記アプリ内商品に対するクリック操作を検出するための検出モジュールを更に含み、
    前記取得モジュールは、更に前記クリック操作に基づいて前記ユーザーが前記アプリ内商品を閲覧する行動履歴データを取得すると共に前記行動履歴データを保存するために用いられる、
    ことを特徴とする請求項９に記載の商品レコメンド装置。
13. メモリと、プロセッサと、前記メモリに格納され、前記プロセッサにおいて実行できる商品レコメンドプログラムとを備え、前記商品レコメンドプログラムが前記プロセッサで実行された時請求項１に記載の商品レコメンド方法のステップを実現することを特徴とする、商品レコメンド設備。
14. その中に商品レコメンドプログラムを格納し、前記商品レコメンドプログラムがプロセッサで実行された時請求項１に記載の商品レコメンド方法のステップを実現することを特徴とする、コンピュータ可読記憶媒体。