TWI784218B - 商品排名裝置以及商品排名方法 - Google Patents
商品排名裝置以及商品排名方法 Download PDFInfo
- Publication number
- TWI784218B TWI784218B TW108145244A TW108145244A TWI784218B TW I784218 B TWI784218 B TW I784218B TW 108145244 A TW108145244 A TW 108145244A TW 108145244 A TW108145244 A TW 108145244A TW I784218 B TWI784218 B TW I784218B
- Authority
- TW
- Taiwan
- Prior art keywords
- commodity
- product
- score
- browsing
- ranking
- Prior art date
Links
Images
Landscapes
- Alcoholic Beverages (AREA)
- Control And Other Processes For Unpacking Of Materials (AREA)
- General Preparation And Processing Of Foods (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
提供一種商品排名裝置以及商品排名方法。商品排名方法方法包括:取得第一商品瀏覽歷程,其中第一商品瀏覽歷程對應於第一商品和第二商品;根據第一商品瀏覽歷程計算第一商品的第一分數以及第二商品的第二分數;根據第一分數以及第二分數判斷第一商品和第二商品之間的競合等級;根據競合等級判斷對應於第一商品的第一權重以及對應於第二商品的第二權重;以及根據第一權重以及第二權重對第一商品和第二商品進行排名。
Description
本發明是有關於一種電子裝置和方法,且特別是有關於一種商品排名裝置以及商品排名方法。
隨著全球電子商務的崛起,業界推出許多以協助電商平台經營之分析工具。分析工具可記錄網站的進站狀況、商品的瀏覽情形、商品購買記錄、進站的使用者或活動轉換率等指標,協助經營者以更具效益的方式經營網站。另一方面,學術界也提出了根據如商品類別或品牌等方面的資訊來評估商品優劣的相關文獻。
然而,習知的技術大多是強調網站經營、個別商品、個別品牌或個別賣家之銷售記錄的分析,而無著重於同一消費者對於不同商品間之選擇行為之探討。礙於市場資訊及廣告資源不對稱與商品眾多,消費者不見得可以全面綜合比較並選出最適合/喜愛商品。況且市場分眾各有擁護者,因此若僅個別商品進行分析,而不考慮是否來自同一消費者評價,則電商經營者難以評估該商品是否在所有商品中更具競爭力,從而制定合適的商業策略。
本發明提供一種商品排名裝置以及商品排名方法,可檢視同一消費者與電商平台的商品選購行為以獲得該消費者的主觀偏好程度,從而幫助電商經營者擬定符合消費者需求的商業策略。
本發明的商品排名裝置,包括處理器、儲存媒體以及收發器。收發器,取得第一商品瀏覽歷程,其中第一商品瀏覽歷程對應於第一商品和第二商品。儲存媒體儲存多個模組。處理器耦接儲存媒體和收發器,並且存取和執行多個模組,其中多個模組包括:評分模組、加權模組以及排名模組。評分模組根據第一商品瀏覽歷程計算第一商品的第一分數以及第二商品的第二分數,並且根據第一分數以及第二分數判斷第一商品和第二商品之間的競合等級。加權模組根據競合等級判斷對應於第一商品的第一權重以及對應於第二商品的第二權重。排名模組根據第一權重以及第二權重對第一商品和第二商品進行排名。
在本發明的一實施例中,上述的第一商品瀏覽歷程包括消費行動以及對應於消費行動的行動時間。
在本發明的一實施例中,上述的第一分數和第二分數對應於評分規則,並且評分模組根據評分規則、消費行動以及行動時間計算第一分數以及第二分數。
在本發明的一實施例中,上述的評分模組根據第一分數以及第二分數決定對應於第一商品和第二商品的第一偏好分數,其中第一偏好分數對應於第一商品瀏覽歷程。
在本發明的一實施例中,上述的收發器取得對應於第一商品和第二商品的第二商品瀏覽歷程,評分模組根據第二商品瀏覽歷程決定對應於第一商品和第二商品的第二偏好分數。
在本發明的一實施例中,上述的評分模組響應於第一偏好分數為正而將第一偏好分數加入正加總值,響應於第一偏好分數為負而將第一偏好分數加入負加總值,並且根據正加總值和負加總值計算競合等級。
在本發明的一實施例中,上述的評分模組響應於競合等級指示第一商品領先於第二商品而根據競合等級增加第一權重。
在本發明的一實施例中,上述的排名模組根據佩吉排名演算法對第一商品和第二商品進行排名。
在本發明的一實施例中,上述的消費行動包括瀏覽商品、將商品放入購物車或結帳商品,其中評分規則包括商品總瀏覽次數、商品平均瀏覽順序、第一次瀏覽商品和最後一次瀏覽商品之間的時間間隔或商品瀏覽時間與總瀏覽時間比率。
本發明的一種商品排名方法,包括:取得第一商品瀏覽歷程,其中第一商品瀏覽歷程對應於第一商品和第二商品;根據第一商品瀏覽歷程計算第一商品的第一分數以及第二商品的第二分數;根據第一分數以及第二分數判斷第一商品和第二商品之間的競合等級;根據競合等級判斷對應於第一商品的第一權重以及對應於第二商品的第二權重;以及根據第一權重以及第二權重對第一商品和第二商品進行排名。
基於上述,本發明的商品排名裝置以及商品排名方法可分析商品瀏覽歷程以計算出該名消費者對各類商品的偏好分數。商品排名裝置可根據不同消費者對各類商品的偏好分數計算出商品之間的競合等級,以取得不同商品之間的競爭關係的相關資訊。而後,商品排名裝置還可利用佩吉排名演算法來為各個商品進行排名,從而產生較不易受到市場資訊不對稱影響之公正的商品排名。
為了使本發明之內容可以被更容易明瞭,以下特舉實施例作為本發明確實能夠據以實施的範例。另外,凡可能之處,在圖式及實施方式中使用相同標號的元件/構件/步驟,係代表相同或類似部件。
圖1根據本發明的實施例繪示商品排名裝置100的示意圖。商品排名裝置100可包括處理器110、儲存媒體120以及收發器130。
處理器110例如是中央處理單元(central processing unit,CPU),或是其他可程式化之一般用途或特殊用途的微控制單元(micro control unit,MCU)、微處理器(microprocessor)、數位信號處理器(digital signal processor,DSP)、可程式化控制器、特殊應用積體電路(application specific integrated circuit,ASIC)、圖形處理器(graphics processing unit,GPU)、算數邏輯單元(arithmetic logic unit,ALU)、複雜可程式邏輯裝置(complex programmable logic device,CPLD)、現場可程式化邏輯閘陣列(field programmable gate array,FPGA)或其他類似元件或上述元件的組合。處理器110可耦接至儲存媒體120以及收發器130,並且存取和執行儲存於儲存媒體120中的多個模組和各種應用程式。
儲存媒體120例如是任何型態的固定式或可移動式的隨機存取記憶體(random access memory,RAM)、唯讀記憶體(read-only memory,ROM)、快閃記憶體(flash memory)、硬碟(hard disk drive,HDD)、固態硬碟(solid state drive,SSD)或類似元件或上述元件的組合,而用於儲存可由處理器110執行的多個模組或各種應用程式。在本實施例中,儲存媒體120可儲存包括評分模組121、加權模組122以及排名模組123等多個模組,其功能將於後續說明。
收發器130以無線或有線的方式傳送及接收訊號。收發器130還可以執行例如低噪聲放大、阻抗匹配、混頻、向上或向下頻率轉換、濾波、放大以及類似的操作。
圖2根據本發明的實施例繪示商品排名方法的流程圖,其中所述商品排名方法可由如圖1所示的商品排名裝置100實施。
在步驟S201中,處理器110可透過收發器130取得第一商品瀏覽歷程,其中所述第一商品瀏覽歷程對應於第一商品和第二商品。具體來說,第一商品瀏覽歷程可包括消費行動及/或對應於消費行動的行動時間。消費行動例如是根據實際需求而由使用者定義的。舉例來說,消費行動可包括例如瀏覽商品、將商品放入購物車或結帳商品等行動,但本發明不限於此。
舉例來說,處理器110可透過收發器130自一電商平台的網站取得多名消費者的商品瀏覽歷程,商品瀏覽歷程記錄了各個消費者在網站對各個商品進行的行動及/或進行該些行動所花費的時間,且不同的商品瀏覽歷程可能分別對應於不同的消費者或者分別對應於同一消費者的不同次的網站瀏覽行為。表1記載了電商平台的三筆商品瀏覽歷程(即:商品瀏覽歷程#1、#2和#3),其中商品瀏覽歷程中最左邊的欄位代表消費者的第一個行動,並且最右邊的欄位代表消費者的最後一個行動。在本實施例中,假設該電商平台販售的商品至少包括商品10、商品20、商品30以及商品40。
表1
商品瀏覽歷程索引 | 商品瀏覽歷程 | ||||
行動1 | 行動2 | 行動3 | 行動4 | 行動5 | |
#1 | 瀏覽商品30(5秒) | 瀏覽商品10(25秒) | 瀏覽商品20(15秒) | 瀏覽商品10(5秒) | 購買商品10 |
#2 | 瀏覽商品10(10秒) | 瀏覽商品30(15秒) | 瀏覽商品40(6秒) | N/A | N/A |
#3 | 瀏覽商品20(20秒) | 瀏覽商品10(8秒) | 瀏覽商品40(30秒) | N/A | N/A |
在一實施例中,商品瀏覽歷程可能包括由使用者定義之消費行動以外的其他特定行為。處理器110可響應於該特定行為不影響商品的排名結果而將該特定行為自商品瀏覽歷程刪除。如表2所示,表2的商品瀏覽歷程#2包括了不影響商品之排名結果行為:連線至電商平台的首頁。處理器110可響應於「連線至電商平台的首頁」的行為不影響商品(即:商品10、20、30和40)的排名結果而將該行為刪除,從而將表2的商品瀏覽歷程#2更新為如表1所示的商品瀏覽歷程#2。
表2
商品瀏覽歷程索引 | 商品瀏覽歷程 | |||
#2 | 瀏覽商品10(10秒) | 連線至電商平台的首頁(20秒) | 瀏覽商品30(15秒) | 瀏覽商品40(6秒) |
在步驟S202中,評分模組121根據第一商品瀏覽歷程計算第一商品的第一分數以及第二商品的第二分數。具體來說,第一分數和第二分數可對應於評分規則。評分模組121可根據評分規則以及第一商品瀏覽歷程(包括消費行動和消費行為)計算第一分數和第二分數。評分規則可包括例如商品總瀏覽次數、商品平均瀏覽順序、第一次瀏覽商品和最後一次瀏覽商品之間的時間間隔或商品瀏覽時間與總瀏覽時間比率的至少其中之一,但本發明不限於此。
舉例來說,評分模組121可根據評分規則以及如表1所示的商品瀏覽歷程計算出分別對應於商品10、20、30和40的分數,如表3所示,其中x1代表以「商品總瀏覽次數」為評分規則所計算出的各個商品的分數、x2代表以「商品平均瀏覽順序」為評分規則所計算出的各個商品的分數、x3代表以「第一次瀏覽商品和最後一次瀏覽商品之間的時間間隔」為評分規則所計算出的各個商品的分數並且x4代表以「商品瀏覽時間與總瀏覽時間比率」為評分規則所計算出的各個商品的分數。
表3
商品瀏覽歷程#1 | 商品瀏覽歷程#2 | 商品瀏覽歷程#3 | |||||||
商品10 | 商品20 | 商品30 | 商品10 | 商品30 | 商品40 | 商品10 | 商品20 | 商品40 | |
x1 | 2 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 |
x2 | 0.75 | 0.75 | 0.25 | 0.33 | 0.66 | 1 | 0.66 | 0.33 | 1 |
x3 | 40 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
x4 | 0.6 | 0.3 | 0.1 | 0.32 | 0.48 | 0.19 | 0.34 | 0.14 | 0.52 |
以表1的商品瀏覽歷程索引#1為例,商品瀏覽歷程索引#1記載了消費者共瀏覽了商品10兩次、瀏覽了商品20一次並且瀏覽了商品30一次。因此,評分模組121基於評分規則「商品總瀏覽次數」所計算出的對應於商品10、商品20和商品30的分數分別為2、1和1,如表3所示。若在同一個商品瀏覽歷程中,基於評分規則「商品總瀏覽次數」計算出商品i的分數與商品j的分數,對應到事先訂定的分數級距則可獲得商品i與商品j的偏好程度差距(從「商品總瀏覽次數」的觀點來看)。
評分模組121可根據方程式(1)以基於評分規則「商品平均瀏覽順序」計算各個商品的分數,其中為對應於商品i的分數、N為各個商品的瀏覽次數的加總、為商品i的瀏覽次數並且為對應商品i的第j次瀏覽的順序。以表1的商品瀏覽歷程索引#1為例,商品瀏覽歷程索引#1記載了消費者瀏覽商品的次數為四次(即:N=4)、商品10(即:i=10)被瀏覽的次數為二次(即:),商品10被瀏覽的順序為第二和第四(即:且)。因此,評分模組121可根據方程式(1)計算出商品10的分數為。類似地,評分模組121可根據方程式(1)計算出商品20的分數為0.75並且商品30的分數為0.25。若在同一個商品瀏覽歷程中,基於評分規則「商品平均瀏覽順序」計算出商品i的分數與商品j的分數,對應到事先訂定的分數級距則可獲得商品i與商品j的偏好程度差距(從「商品平均瀏覽順序」的觀點來看)。…(1)
商品瀏覽歷程索引#1記載了商品10第一次被瀏覽和最後一次被瀏覽的時間間隔為秒、商品20並沒有被瀏覽多次並且商品30並沒有被瀏覽多次。因此,評分模組121基於評分規則「第一次瀏覽商品和最後一次瀏覽商品之間的時間間隔」所計算出的對應於商品10、20和商品30的分數分別為40、0和0,如表3所示。若在同一個商品瀏覽歷程中,基於評分規則「第一次瀏覽商品和最後一次瀏覽商品之間的時間間隔」計算出商品i的分數與商品j的分數,對應到事先訂定的分數級距則可獲得商品i與商品j的偏好程度差距(從「第一次瀏覽商品和最後一次瀏覽商品之間的時間間隔」的觀點來看)。
商品瀏覽歷程索引#1記載了商品10被瀏覽的累積時間為秒、商品20被瀏覽的累積時間為15秒、商品30被瀏覽的累積時間為5秒並且總瀏覽時間為秒。因此,評分模組121基於評分規則「商品瀏覽時間與總瀏覽時間比率」所計算出的對應於商品10、20和商品30的分數分別為0.6、0.3和0.1,如表3所示。若在同一個商品瀏覽歷程中,基於評分規則「商品瀏覽時間與總瀏覽時間比率」計算出商品i的分數與商品j的分數,對應到事先訂定的分數級距則可獲得商品i與商品j的偏好程度差距(從「商品瀏覽時間與總瀏覽時間比率」的觀點來看)。
在步驟S203中,評分模組121可根據第一分數以及第二分數判斷第一商品和第二商品之間的競合等級。具體來說,評分模組121可根據第一分數以及第二分數決定對應於第一商品和第二商品的第一偏好分數,其中第一偏好分數對應於第一商品瀏覽歷程。評分模組121還可根據第一分數以及第二分數決定對應於第一商品和第二商品的第二偏好分數,其中第二偏好分數對應於第二商品瀏覽歷程。評分模組121可根據第一偏好分數和第二偏好分數計算第一商品和第二商品的競合等級。
評分模組121可根據商品的分數計算出該商品在特定評分規則下的分數級距。分數級距可由使用者根據實際需求而設計。以表3的商品瀏覽歷程#1為例,評分模組121可根據以下的方程式(2)計算出基於評分規則「商品平均瀏覽順序」所計算出的分數x2所對應的分數級距,其中下標i代表商品i的索引並且下標j代表第j商品瀏覽歷程。…(2)
在計算完商品在各個評分規則下的分數級距後,評分模組121可將各個商品的分數級距代入以下的方程式(3)以計算出以兩個商品為一組的偏好分數,其中代表商品i和商品j的偏好分數(偏好分數為正代表商品i較商品j具主觀偏好,且偏好分數為負代表商品j較商品i具主觀偏好)、F(k,l)代表k和l的函數(可由使用者根據實際需求而設計,例如)、r代表評分規則的索引、代表基於第r個評分規則所計算出的分數、代表商品i的分數所對應的分數級距(對應於不同評分規則的分數級距之函數可能不同,例如)、n代表評分模組121所採用的評分規則的總數並且代表對應於第r個評分規則的偏好權重(可由使用者根據實際需求而設計)。
偏好權重am與第m個評分規則的參考價值成正比。舉例來說,假設評分規則「商品總瀏覽次數」、「商品平均瀏覽順序」、「第一次瀏覽商品和最後一次瀏覽商品之間的時間間隔」以及「商品瀏覽時間與總瀏覽時間比率」的索引m分別為1、2、3和4。評分規則可依據參考樣本數的多寡決定其參考價值,若參考價值越高則權重越大,但本發明權重的訂定不限於此。
以表3為例,評分模組121可將表3中的各個分數代入方程式(3)而計算出以兩個商品的偏好分數,如表4所示。
表4
商品瀏覽歷程 | #1 | 偏好分數 | #2 | 偏好分數 | #3 | 偏好分數 |
組合1 | 商品10/商品20 | 0.4 | 商品10/商品30 | 0.3 | 商品10/商品20 | -0.01 |
組合2 | 商品10/商品30 | -0.2 | 商品10/商品40 | -0.6 | 商品10/商品40 | 0.15 |
組合3 | 商品20/商品30 | -0.6 | 商品30/商品40 | 0.1 | 商品20/商品40 | -0.3 |
值得注意的是,雖然本實施例以兩個商品為一組計算偏好分數,但本發明不限於此。舉例來說,評分模組121也可以三個商品(或三個以上)的商品為一組以計算偏好分數。
在計算完偏好分數後,評分模組121可根據偏好分數計算競合等級。具體來說,評分模組121可響應於第一偏好分數為正而將第一偏好分數加入一正加總值,並可響應於第一偏好分數為負而將第一偏好分數加入一負加總值。類似地,評分模組121可響應於第二偏好分數為正而將第二偏好分數加入該正加總值,並可響應於第二偏好分數為負而將第二偏好分數加入該負加總值。在計算完對應於第一商品與第二商品的正加總值和負加總值後,評分模組121可根據正加總值和負加總值計算第一商品與第二商品的熵,如方程式(4)所示,其中為商品i和商品j的熵、為商品i和商品j的正加總值並且為商品i和商品j的負加總值。 …(4)
以表4為例,評分模組121可從表4中查找出代表商品10/商品20的偏好分數的欄位共有兩個且該些欄位的值分別為0.4以及-0.01。評分模組121可將偏好分數0.4加入商品10/商品20的正加總值中,並將偏好分數-0.01加入商品10/商品20的負加總值中。在評分模組121將對應於商品10/商品20的所有偏好分數都分配到正加總值或負加總值之後,評分模組121可將正加總值和負加總值代入方程式(4)以計算出商品10/商品20的偏好分數=0.17。評分模組121可根據方程式(4)以及表4計算出兩個商品之間的熵,如表5所示。
表5
商品 | 正加總分 | 負加總分 | 熵 | |
商品10 | 商品20 | 0.4 | -0.01 | 0.17 |
商品30 | 0.3 | -0.2 | 0.97 | |
商品40 | 0.15 | -0.6 | 0.72 | |
商品20 | 商品30 | 0 | -0.6 | 0 |
商品40 | 0 | -0.3 | 0 | |
商品30 | 商品40 | 0.1 | 0 | 0 |
在計算完兩個商品的熵之後,評分模組121可基於預存於儲存媒體120中的表6取得兩個商品的競合等級,其中為商品i和商品j的熵、為商品i和商品j的正加總值並且為商品i和商品j的負加總值。值得注意的是,表6中用以區分各個等級區間的值可由使用者根據需求而調整,本發明不限於此。
表6
商品i /商品j 的競合等級 | ||
核心競爭 | ||
微幅領先(商品i 領先於商品j ) | ||
穩定領先(商品i 領先於商品j ) | ||
核心競爭 | ||
微幅落後(商品i 落後於商品j ) | ||
穩定落後(商品i 落後於商品j ) |
評分模組121可根據表5和表6計算出各個商品之間的競合等級,如表7所示。
表7
正加總分 | 負加總分 | 熵 | 競合等級 | ||
商品10 | 商品20 | 0.4 | -0.01 | 0.17 | 穩定領先 |
商品30 | 0.3 | -0.2 | 0.97 | 核心競爭 | |
商品40 | 0.15 | -0.6 | 0.72 | 微幅落後 | |
商品20 | 商品30 | 0 | -0.6 | 0 | 穩定落後 |
商品40 | 0 | -0.3 | 0 | 穩定落後 | |
商品30 | 商品40 | 0.1 | 0 | 0 | 穩定領先 |
在步驟S204中,加權模組122可根據競合等級判斷對應於第一商品的第一權重以及對應於第二商品的第二權重。具體來說,加權模組122可根據競合等級計算出各個商品之間的權重關係。若商品i穩定領先於商品j(或商品j穩定落後於商品i),則商品i自商品j獲得較多的權重(或稱「支持選票(a vote of support)」」。若商品i微幅領先於商品j(或商品j微幅落後於商品i),則商品i自商品j獲得較低的權重。若商品i和商品j的競合等級為核心競爭,則商品i不從商品j獲得權重。換句話說,加權模組122可響應於競合等級指示商品i領先於商品j而根據該競合等級增加商品i獲得的權重。
以表7為例,加權模組122可根據表7的競合等級取得各個商品之間的權重關係,如圖3所示。圖3根據本發明的實施例繪示不同商品之間的權重關係的示意圖。以商品10和商品40為例,從商品10指向商品40的箭頭代表商品40領先於商品10,並且商品10與商品40之間的w1代表商品40自商品10獲得的權重(或支持選票)。
在步驟S205中,排名模組123可根據第一權重以及第二權重對第一商品和第二商品進行排名。具體來說,排名模組123可基於圖3而根據佩吉排名(PageRank)演算法對商品10、20、30和40進行排名。在本實施例中,排名的結果為商品30>商品40>商品10>商品20。
綜上所述,本發明的商品排名裝置以及商品排名方法可將一消費者在一電商平台的商品瀏覽歷程記錄下來,並且分析商品瀏覽歷程以計算出該名消費者對各類商品的偏好分數。商品排名裝置可根據不同消費者對各類商品的偏好分數計算出商品之間的競合等級,以取得不同商品之間的競爭關係的相關資訊。而後,商品排名裝置還可利用佩吉排名演算法來為各個商品進行排名。根據本發明所產生的商品排名除了考慮到各個商品的熱門度或銷售數量之外,更進一步地考慮到同性質商品之間的競爭關係。因此,就算一商品的知名度不高,該商品還是可能因為其相較於其他同性質的商品更具競爭力而得到較高的名次。如此,可使商品排名比較不容易因受到市場資訊不對稱之影響而失去公正性。
100:商品排名裝置
110:處理器
120:儲存媒體
121:評分模組
122:加權模組
123:排名模組
130:收發器
S201、S202、S203、S204、S205:步驟
w1、w2、w3、w4、w5:權重
圖1根據本發明的實施例繪示商品排名裝置的示意圖。
圖2根據本發明的實施例繪示商品排名方法的流程圖。
圖3根據本發明的實施例繪示不同商品之間的權重關係的示意圖。
S201、S202、S203、S204、S205:步驟
Claims (10)
- 一種商品排名裝置,包括:收發器,取得第一商品瀏覽歷程,其中所述第一商品瀏覽歷程對應於第一商品和第二商品;儲存媒體,儲存多個模組;以及處理器,耦接所述儲存媒體和收發器,並且存取和執行所述多個模組,其中所述多個模組包括:評分模組,根據所述第一商品瀏覽歷程計算所述第一商品的第一分數以及所述第二商品的第二分數,並且根據所述第一分數以及所述第二分數判斷所述第一商品和所述第二商品之間的競合等級,其中所述競合等級關聯於所述第一商品和所述第二商品的熵,其中所述競合等級包括核心競爭、微幅領先、穩定領先、微幅落後以及穩定落後其中之一者,其中所述第一分數和所述第二分數對應於評分規則,其中所述評分規則包括商品平均瀏覽順序、第一次瀏覽商品和最後一次瀏覽商品之間的時間間隔或商品瀏覽時間與總瀏覽時間比率;加權模組,根據所述競合等級判斷對應於所述第一商品的第一權重以及對應於所述第二商品的第二權重;以及排名模組,根據所述第一權重以及所述第二權重對所述第一商品和所述第二商品進行排名。
- 如申請專利範圍第1項所述的商品排名裝置,其中所述第一商品瀏覽歷程包括消費行動以及對應於所述消費行動的行動時間。
- 如申請專利範圍第2項所述的商品排名裝置,其中所述評分模組根據所述評分規則、所述消費行動以及所述行動時間計算所述第一分數以及所述第二分數。
- 如申請專利範圍第3項所述的商品排名裝置,其中所述評分模組根據所述第一分數以及所述第二分數決定對應於所述第一商品和所述第二商品的第一偏好分數,其中所述第一偏好分數對應於所述第一商品瀏覽歷程。
- 如申請專利範圍第4項所述的商品排名裝置,其中所述收發器取得對應於所述第一商品和所述第二商品的第二商品瀏覽歷程,所述評分模組根據所述第二商品瀏覽歷程決定對應於所述第一商品和所述第二商品的第二偏好分數。
- 如申請專利範圍第5項所述的商品排名裝置,其中所述評分模組響應於所述第一偏好分數為正而將所述第一偏好分數加入正加總值,響應於所述第一偏好分數為負而將所述第一偏好分數加入負加總值,並且根據所述正加總值和所述負加總值計算所述競合等級。
- 如申請專利範圍第1項所述的商品排名裝置,其中所述評分模組響應於所述競合等級指示所述第一商品領先於所述第二商品而根據所述競合等級增加所述第一權重。
- 如申請專利範圍第1項所述的商品排名裝置,其中所述排名模組根據佩吉排名演算法對所述第一商品和所述第二商品進行排名。
- 如申請專利範圍第3項所述的商品排名裝置,其中所述消費行動包括瀏覽商品、將商品放入購物車或結帳商品。
- 一種商品排名方法,適用於包括收發器、儲存媒體以及處理器的商品排名裝置,且所述儲存媒體儲存評分模組、加權模組以及排名模組,所述商品排名方法包括:由所述處理器通過所述收發器從電商平台取得第一商品瀏覽歷程,其中所述第一商品瀏覽歷程對應於第一商品和第二商品;由所述處理器執行所述評分模組以根據所述第一商品瀏覽歷程計算所述第一商品的第一分數以及所述第二商品的第二分數;由所述處理器執行所述評分模組以根據所述第一分數以及所述第二分數判斷所述第一商品和所述第二商品之間的競合等級,其中所述競合等級關聯於所述第一商品和所述第二商品的熵,其中所述競合等級包括核心競爭、微幅領先、穩定領先、微幅落後以及穩定落後其中之一者,其中所述第一分數和所述第二分數對應於評分規則,其中所述評分規則包括商品平均瀏覽順序、第一次瀏覽商品和最後一次瀏覽商品之間的時間間隔或商品瀏覽時間與總瀏覽時間比率;由所述處理器執行所述加權模組以根據所述競合等級判斷對應於所述第一商品的第一權重以及對應於所述第二商品的第二權 重;以及由所述處理器執行所述排名模組以根據所述第一權重以及所述第二權重對所述第一商品和所述第二商品進行排名。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW108145244A TWI784218B (zh) | 2019-12-11 | 2019-12-11 | 商品排名裝置以及商品排名方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW108145244A TWI784218B (zh) | 2019-12-11 | 2019-12-11 | 商品排名裝置以及商品排名方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW202123127A TW202123127A (zh) | 2021-06-16 |
TWI784218B true TWI784218B (zh) | 2022-11-21 |
Family
ID=77516554
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW108145244A TWI784218B (zh) | 2019-12-11 | 2019-12-11 | 商品排名裝置以及商品排名方法 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI784218B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060224583A1 (en) * | 2005-03-31 | 2006-10-05 | Google, Inc. | Systems and methods for analyzing a user's web history |
CN102663626A (zh) * | 2012-04-26 | 2012-09-12 | 焦点科技股份有限公司 | 基于区域特征的协同过滤推荐方法 |
CN105469263A (zh) * | 2014-09-24 | 2016-04-06 | 阿里巴巴集团控股有限公司 | 一种商品推荐方法及装置 |
CN106327227A (zh) * | 2015-06-19 | 2017-01-11 | 北京航天在线网络科技有限公司 | 一种信息推荐系统及信息推荐方法 |
TWI591556B (zh) * | 2013-03-28 | 2017-07-11 | Alibaba Group Services Ltd | Search engine results sorting method and system |
TW201822104A (zh) * | 2016-12-09 | 2018-06-16 | 香港商阿里巴巴集團服務有限公司 | 智能推薦方法及系統 |
-
2019
- 2019-12-11 TW TW108145244A patent/TWI784218B/zh active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060224583A1 (en) * | 2005-03-31 | 2006-10-05 | Google, Inc. | Systems and methods for analyzing a user's web history |
CN101189608A (zh) * | 2005-03-31 | 2008-05-28 | 谷歌公司 | 用于分析用户的Web历史的系统和方法 |
CN102663626A (zh) * | 2012-04-26 | 2012-09-12 | 焦点科技股份有限公司 | 基于区域特征的协同过滤推荐方法 |
TWI591556B (zh) * | 2013-03-28 | 2017-07-11 | Alibaba Group Services Ltd | Search engine results sorting method and system |
CN105469263A (zh) * | 2014-09-24 | 2016-04-06 | 阿里巴巴集团控股有限公司 | 一种商品推荐方法及装置 |
CN106327227A (zh) * | 2015-06-19 | 2017-01-11 | 北京航天在线网络科技有限公司 | 一种信息推荐系统及信息推荐方法 |
TW201822104A (zh) * | 2016-12-09 | 2018-06-16 | 香港商阿里巴巴集團服務有限公司 | 智能推薦方法及系統 |
Also Published As
Publication number | Publication date |
---|---|
TW202123127A (zh) | 2021-06-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10402401B2 (en) | Search based on diversity | |
Häubl et al. | " Double Agents": Assessing the Role of Electronic Product Recommendation Systems | |
JP5828958B2 (ja) | ソーシャル商品推薦の提供 | |
Roberts et al. | Development and testing of a model of consideration set composition | |
US8515980B2 (en) | Method and system for ranking search results based on categories | |
US20160357870A1 (en) | Entity classification and/or relationship identification | |
US20160179818A1 (en) | Determining search result rankings based on trust level values associated with sellers | |
JP5401261B2 (ja) | 情報推薦方法及び装置 | |
US8392290B2 (en) | Seller conversion factor to ranking score for presented item listings | |
TW201335780A (zh) | 電子商務搜尋引擎的搜尋方法和電子商務搜尋引擎 | |
CN108664564A (zh) | 一种基于物品内容特征的改进协同过滤推荐方法 | |
KR101707660B1 (ko) | 연관 검색어를 이용한 관심사 카테고리 기반 이커머스 시스템 | |
CN110880061A (zh) | 商品到手价格的风险监管方法及系统 | |
WO2017148272A1 (zh) | 一种目标用户的识别方法和装置 | |
JP5404662B2 (ja) | 商品推薦装置及び方法及びプログラム | |
CN107093122B (zh) | 对象分类方法及装置 | |
Newberry et al. | Heterogeneous effects of online reputation for local and national retailers | |
US20180150754A1 (en) | Data analysis method, system and non-transitory computer readable medium | |
US20170316483A1 (en) | Generating a personalized list of items | |
TWI784218B (zh) | 商品排名裝置以及商品排名方法 | |
US20220114624A1 (en) | Digital Content Text Processing and Review Techniques | |
CN112308662A (zh) | 评价晒单推荐方法和装置 | |
CN110851702B (zh) | 信息推送的方法、装置、终端及计算机可读介质 | |
JP5900154B2 (ja) | 商品推薦方法及びサーバ装置 | |
CN113554532B (zh) | 经纪人列表页排序方法、存储介质及程序产品 |