CN105446802A - 一种基于转化率的操作执行方法及装置 - Google Patents

Abstract

本申请公开了一种基于转化率的操作执行方法，用以解决现有技术中基于商品针对人群的转化率的值执行特定操作时，得到的操作结果准确性较差的问题。方法包括：确定商品针对用户所属人群的转化率预估模型；根据属于所述人群的用户对于所述商品的商品信息的访问日志，对所述转化率预估模型进行修正，得到修正后的转化率预估模型；利用修正后的转化率预估模型，预测所述商品针对所述用户所属人群的转化率的值；根据预测出的所述商品针对所述用户所属人群的转化率的值，执行特定操作。本申请还公开了一种基于转化率的操作执行装置。

Description

一种基于转化率的操作执行方法及装置

技术领域

本申请涉及计算机技术领域，尤其涉及一种基于转化率的操作执行方法及装置。

背景技术

针对信息搜索领域而言，当引入“商品针对人群的转化率”作为影响搜索结果排序方式的因素后，采用相同搜索关键词的不同用户往往会得到按照不同排序方式排列的搜索结果。其中，商品针对人群的转化率，是指人群在单位时间内对于商品的购买量与对于商品的浏览量的比值。

以分属人群“高级白领”和“学生”的两个用户为例，当这两个用户分别采用搜索关键词“T恤”搜索商品信息时，若以“T恤”这一商品分别针对这两个人群的转化率作为影响搜索结果排序方式的一个因素，则这两个用户往往会得到按照不同排序方式排列的各种“T恤”的信息。

上述搜索方式的优点在于，能够使搜索结果的排序方式更贴近用户真实的搜索需求，让搜索更懂用户；缺陷在于，现有技术中，商品针对人群的转化率往往是通过对大量历史数据的离线处理得到的，在用户对于商品信息的搜索过程中，该转化率往往不会随着用户所属人群针对商品信息的访问情况的变化而发生变化，因此，当用户所属人群对于商品的购买情况发生变化时，可能会出现根据该转化率得到的搜索结果的排序方式与用户需求不匹配的问题。

需要说明的是，根据商品针对人群的转化率的值，除了可以实现对于搜索结果的排序外，还可以执行其他一些特定操作，比如根据该转化率的值判断是否向用户提供商品等。与前文所述的问题类似，由于该转化率的值往往不会随着用户所属人群针对商品信息的访问情况的变化而发生变化，从而基于该转化率的值执行的特定操作的操作结果可能会存在准确性较差的问题。

发明内容

本申请实施例提供一种基于转化率的操作执行方法，用以解决现有技术中基于商品针对人群的转化率的值执行特定操作时，得到的操作结果准确性较差的问题。

本申请实施例还提供一种基于转化率的操作执行装置，用以解决现有技术中基于商品针对人群的转化率的值执行特定操作时，得到的操作结果准确性较差的问题。

本申请实施例采用下述技术方案：

一种基于转化率的操作执行方法，包括：确定商品针对用户所属人群的转化率预估模型；根据属于所述人群的用户对于所述商品的商品信息的访问日志，对所述转化率预估模型进行修正，得到修正后的转化率预估模型；利用修正后的转化率预估模型，预测所述商品针对所述用户所属人群的转化率的值；根据预测出的所述商品针对所述用户所属人群的转化率的值，执行特定操作。

一种基于转化率的操作执行装置，包括：模型确定单元，用于确定商品针对用户所属人群的转化率预估模型；修正单元，用于根据属于所述人群的用户对于所述商品的商品信息的访问日志，对模型确定单元确定的转化率预估模型进行修正，得到修正后的转化率预估模型；预测单元，用于利用修正单元修正后的转化率预估模型，预测所述商品针对所述用户所属人群的转化率的值；操作执行单元，用于根据预测单元预测出的所述商品针对所述用户所属人群的转化率的值，执行特定操作。

本申请实施例采用的上述至少一个技术方案能够达到以下有益效果：

由于可以支持根据人群对于商品信息的访问日志，对商品针对该人群的转化率预估模型进行修正，并利用修正后的转化率预估模型，预测商品针对用户所属人群的转化率的值，因此可以使得预测出的转化率的值随着人群针对商品信息的访问情况的变化而发生变化，进而使得基于该转化率的值执行的特定操作的操作结果准确性较高。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1为本申请实施例1提供的一种基于转化率的操作执行方法的具体实现流程图；

图2为用于实现实施例2提供的商品信息的排序方法的***结构示意图；

图3为本申请实施例2提供的商品信息的排序方法的实现流程示意图；

图4为本申请实施例3提供的一种基于转化率的操作执行装置的具体结构示意图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

以下结合附图，详细说明本申请各实施例提供的技术方案。

实施例1

为了解决现有技术中基于商品针对人群的转化率的值执行特定操作时，得到的操作结果准确性较差的问题，实施例1提供一种基于转化率的操作执行方法，该方法的具体实现流程图如图1所示，主要包括下述步骤：

步骤11，确定商品针对用户所属人群的转化率预估模型。

其中，商品针对用户所属人群的转化率预估模型为用于预测“商品针对用户所属人群的转化率的值”的模型。

以“T恤”这一商品为例，针对不同人群，可以有不同的转化率预估模型。

比如，“T恤”针对“学生”这一人群，可以有一个转化率预估模型，该模型用于预测对“T恤”的商品信息进行了访问、且归属于“学生”这一人群的用户中，会有多少用户会购买“T恤”。类似地，“T恤”针对“白领”这一人群，也可以有一个转化率预估模型，该模型用于预测对“T恤”的商品信息进行了访问、且归属于“白领”这一人群的用户中，会有多少用户会购买“T恤”。

本申请实施例中，若已经预先设置了不同商品针对不同人群的转化率预估模型，则步骤11的具体实现方式可以包括：确定用户所属人群的信息；根据商品的标识和用户所属人群的信息，确定商品针对用户所属人群的转化率预估模型。比如，可以根据用户所属人群的信息，以及商品的标识，对预先设置的转化率预估模型进行查询，以获得与用户所属人群的信息以及商品的标识均匹配的转化率预估模型。

本申请实施例中，上述用户所属人群的信息可以是根据用户的属性信息确定的，而用户的属性信息则可以是根据访问日志确定出的。其中，用户的属性信息可以包括但不限于用户的性别、用户的商品属性偏好、用户的购买能力或用户所处的地理位置等。其中，商品属性偏好用于表示用户偏爱的商品属性的属性值。商品属性往往包括商品的品牌和/或商品的价格等等。

由于可以采用现有技术实现根据访问日志确定用户的属性信息，因此本申请实施例对此不再赘述。以下着重介绍一种根据用户的属性信息确定用户所属人群的信息的方式，该方式包括下述子步骤：

子步骤a：根据用户的属性信息，确定用户的用户属性特征向量；

其中，用户属性特征向量可以是对用户的各属性信息进行量化后，对各量化值进行组合而得到的。

子步骤b：通过比较人群类别的聚类中心与确定的用户属性特征向量，确定各聚类中心与确定的用户属性特征向量的相似度；

其中，所述人群类别是对多个用户的属性信息特征向量进行聚类而获得的。

子步骤c：根据各聚类中心与确定的用户属性特征向量的相似度，确定用户所属人群的信息。

一般地，可以将与确定的用户属性特征向量的相似度最大的聚类中心所属的人群类别，确定为用户所属人群。

步骤12，根据属于人群的用户对于所述商品的商品信息的访问日志，对转化率预估模型进行修正，得到修正后的转化率预估模型。

本申请实施例中，对于转化率预估模型的修正方式可以比较灵活，且采用什么样的修正方式往往取决于实际所使用的转化率预估模型。

举例而言，若下述假设成立：

通过执行步骤11确定出的某商品针对某人群的转化率预估模型是一种映射关系；

具备该映射关系的一方是“该人群中的10000个用户在单位时长内对于该商品的购买量的值”这一特征和这一特征的权重值“1”，另一方是“该商品针对该人群的转化率的值”；

上述权重值是基于“该人群中的10000个用户在单位时长内对于该商品的购买量的值为10”这一统计信息确定出的；

具备该映射关系的两方是正相关关系。

那么，假设根据10000个该人群中的用户在的单位时长内对于该商品的商品信息的访问日志，确定出这10000个用户在单位时长内对于该商品的实际购买量的值为2，则可以将上述权重值“1”修正为“0.2”，从而使得相对于利用未修正的映射关系确定出的转化率的值而言，后续利用修正后的映射关系(即修正后的转化率预估模型)确定出的转化率的值会比较小。

步骤13，利用修正后的转化率预估模型，预测商品针对用户所属人群的转化率的值。

仍然以前文所述的实例为例，若将某商品针对某人群的转化率预估模型修正为“该人群中的10000个用户在单位时长内对于该商品信息的购买量为20”和“该商品针对该人群的转化率的值为0.02”的映射关系。则可以根据该模型，可以预测该商品针对该人群的转化率的值为0.02。

步骤14，根据预测出的商品针对用户所属人群的转化率的值，执行特定操作。

本申请实施例中，特定操作可以包括但不限于下述操作中的一种或多种：

确定商品信息在商品信息列表页面中的排列位置；

提供商品信息；

确定商品信息的热度。

特别地，当特定操作包括确定商品信息在商品信息列表页面中的排列位置时，步骤14的实现过程可以包括：根据第一权重值、第二权重值，以及预测出的商品针对用户所属人群的转化率的值，确定商品信息在商品信息列表页面中的排列位置。其中，第一权重值是根据商品信息的商品属性信息和用户的用户属性信息确定的；第二权重值是根据商品信息的商品属性信息和用户所属人群的信息确定的。

本申请实施例中，确定第一权重值的方式可以是：根据商品属性信息和用户属性信息，查找预先设置的商品属性信息、用户属性信息和第一权重值的映射关系。该映射关系可以是采用机器学习模型(比如LogisticRegression模型)，对大量的离线数据进行训练而得到的。其中，在采用机器学习模型对离线数据进行训练时，简单来说，针对某商品属性信息而言，可以统计具备某用户属性信息的众多用户对于具备该商品属性信息的商品的购买情况(或浏览情况)，并根据购买情况(或浏览情况)，确定一个权重值。

类似地，本申请实施例中，确定第二权重值的方式也可以是：根据商品属性信息和用户所属人群的信息，查找预先设置的商品属性信息、用户属性信息和第二权重值的映射关系。该映射关系也可以是采用机器学习模型，对大量的离线数据进行训练而得到的。

进一步地，根据第一权重值、第二权重值，以及预测出的商品针对所述用户所属人群的转化率的值，可以按照如下式[1]所示的方式，计算商品信息的排序得分；然后，再根据该排序得分以及将要展示在商品列表页面中的其他商品信息的排序得分，确定商品信息在商品信息列表页面中的排列位置。一般地，排序得分越高，商品信息在该页面中的排列位置越靠前；反之，则越靠后。

$\mathrm{Score}=\frac{1}{1+e^{-\underset{w=1}{\overset{W}{\mathrm{\Σ}}}{\mathrm{weight}}_w}}*\∂---\left[1\right]$

公式1中：

Score为商品信息的排序得分；

若将第一权重值、第二权重值，以及预测出的商品针对所述用户所属人群的转化率的值均称为“数值”，则weight_w为由第一权重值、第二权重值，以及预测出的商品针对所述用户所属人群的转化率的值构成的数值集合中的编号为w的数值；

W为该数值集合中包含的数值的总数目；

w为该数值集合中的数值的编号，其取值范围为[1，W]；

为用于对进行放大的“放大因子”，其取值范围可以是(1，+∞)。

采用实施例1提供的该方法，由于可以支持根据人群对于商品信息的访问日志，对商品针对该人群的转化率预估模型进行修正，并利用修正后的转化率预估模型，预测商品针对户所属人群的转化率的值，因此，可以使得预测出的转化率的值随着人群针对商品信息的访问情况的变化而发生变化，进而使得基于该转化率的值执行的特定操作的操作结果准确性较高。

本申请实施例1提供的该方法中，步骤13的执行时机可以是在获得搜索关键词，并查找到与该搜索关键词相匹配的所述商品的商品信息后。而步骤11～步骤12的执行时机则可以是：在获得属于步骤11中所述人群的用户对于所述商品的商品信息的访问日志后。即，一旦获得所述人群的用户对于所述商品的商品信息的访问日志，则可以执行步骤11和步骤12，但可以是在出现步骤13的执行条件(比如获得搜索关键词，并查找到与该搜索关键词相匹配的所述商品的商品信息)时，才执行步骤13，以及步骤14。

需要说明的是，实施例1所提供方法的各步骤的执行主体均可以是同一设备，或者，该方法也由不同设备作为执行主体。比如，步骤11和步骤12的执行主体可以为设备1，步骤13和步骤14的执行主体可以为设备2；又比如，步骤11的执行主体可以为设备1，步骤12～步骤14的执行主体可以为设备2；等等。

实施例2

实施例2提供一种商品信息的排序方法。

用于实现该方法的***的结构示意图如图2所示，主要包括：日志实时收集和解析模块21、实时计算用户偏好模块22、实时判断用户群体模块23、实时增量学习模块24、在线实时更新商品索引模块25、商品在线索引模块26、在线商品排序模块27、用户数据库28以及商品数据库29。该些模块的功能介绍如下：

日志实时收集和解析模块21，用于获取用户终端生成的针对商品信息的访问日志并解析；以及，在通过解析访问日志而获得位于访问日志的特定字段的信息(简称特定字段信息)后，将特定字段信息发送给实时计算用户偏好模块22和实时增量学习模块24。

实时计算用户偏好模块22，用于根据日志实时收集和解析模块21发送的位于特定字段信息，确定用户属性信息；并在确定出用户属性信息后，将用户属性信息和相应的用户ID发送给实时判断用户群体模块23；以及，根据确定出的用户属性信息，更新用户数据库28中的与所述相应的用户ID对应保存的用户属性信息。

实时判断用户群体模块23，用于根据实时计算用户偏好模块22发送的用户属性信息，确定用户所属人群的信息；并根据确定出的用户所属人群的信息，更新用户数据库28中的、与用户A的用户ID对应保存的用户所属人群的信息。

实时增量学习模块24，用于从日志实时收集和解析模块21发送的特定字段信息中，确定用户ID和商品ID；并从用户数据库28中，获取与确定出的用户ID对应保存的用户所属人群的信息。

此外，实时增量学习模块24还用于根据日志实时收集和解析模块21发送的特定字段信息中的商品ID，以及从用户数据库28中获取的、与确定出的用户ID对应保存的用户所属人群的信息，确定特定字段信息中的商品ID表示的商品分别针对确定出的用户ID表示的用户所属各人群的转化率(即商品转化率)预估模型；并根据日志实时收集和解析模块21发送的特定字段信息，对通过离线训练的方式得到的转化率预估模型进行在线学习修正；以及根据修正后的转化率预估模型，预测特定字段信息中的商品ID表示的商品分别针对确定出的用户ID表示的用户所属各人群的商品转化率；利用预测出的商品转化率，更新商品数据库29中与特定字段信息中的商品ID对应保存的商品转化率。

需要说明的是，为了在实时增量学习模块24接收到特定字段信息后，预留充足的时间给用户数据库28进行信息更新，实时增量学习模块24可以从接收到特定字段信息的时刻起进行计时，并在计时时长等于预设时间长度后，才从用户数据库28和商品数据库29中分别获取信息。

在线实时更新商品索引模块25，用于根据商品数据库29中被更新的商品转化率的值，对用于保存商品信息的数据库(简称商品信息数据库)中的商品信息索引的权重值进行更新。

商品在线索引模块26，用于根据用户输入的搜索关键词，在商品信息数据库中查找与搜索关键词相匹配的商品信息索引，并搜索与搜索关键词相匹配的商品信息索引所指向的商品信息。

在线商品排序模块27，用于根据输入搜索关键词的用户的用户ID，从用户数据库28中获取与该用户ID对应存储的用户属性信息和用户所属人群的信息；并根据获取的与该用户ID对应存储的用户所属人群的信息，获取商品在线索引模块26搜索到的商品信息索引的特定权重值；以及，确定获取到的用户属性信息的权重值和用户所属人群的信息的权重值；并根据确定出的用户属性信息的权重值和用户所属人群的信息的权重值，以及获取的商品信息索引的特定权重值，计算商品在线索引模块26搜索到的各商品信息的排序得分。在确定出商品在线索引模块26确定的每个商品信息的排序得分后，确定该些商品信息的排列顺序，并根据该排列顺序生成商品信息列表页面推送给用户终端进行显示。

用户数据库28，其可以为高性能的分布式数据库，用于对应存储用户属性信息、用户所属人群的信息和相应的用户ID。

商品数据库29，其可以为支持列更新的分布式海量数据库，用于对应存储商品分别针对不同人群的商品转化率和相应的商品ID。

针对上述各模块的功能，需要进一步详细说明的内容如下：

对于日志实时收集和解析模块21的功能而言，针对不同用户，该模块获取的特定字段信息可以包括如表1所示的内容：

表1：

一般地，用户针对商品信息所执行的一些操作，包括在浏览器中输入的用于触发浏览器搜索商品信息的搜索关键词、服务器向用户终端发送的商品详情页面，商品信息的一些相关数据(比如商品ID)、用户的一些相关数据(比如用户ID)、用户针对商品信息执行过的点击收藏或购买等操作，以及该些操作的相关数据等，都会被记录在针对商品信息的访问日志中，并由浏览器上运行的脚本发送到日志服务器。日志实时收集和解析模块21可以从浏览器与日志服务器之间的日志发送通道中实时获取脚本发送的访问日志，并从获取的访问日志中解析出特定字段信息。

基于如图2所示的各模块的功能，以下以同属相同人群的用户A和用户B为例，结合说明书附图3，说明如何根据用户A的访问日志，更新用户数据库28和商品数据库29，进而如何在用户B进行商品信息搜索时，提供与用户B所属的人群的信息和用户B输入的搜索关键词均匹配的商品信息。

具体地，说明书附图3所示的该流程图主要用于描述一种商品信息的排序方法，该方法包括如下步骤：

步骤31，当用户A利用其手机上安装的浏览器，采用用户ID“abc”访问某购物网站，并对“香奈儿手包”这一商品的商品信息执行了点击收藏以及点击购买这样的操作后，手机生成针对该商品信息的访问日志；由浏览器通过日志发送通道，向日志服务器发送该访问日志。

其中，可以假设该访问日志的特定字段的信息如下表2所示。

表2：

步骤32，日志实时收集和解析模块21可以但不限于利用storm(一种分布式的、容错的实时计算***。其为现有技术，此处不再赘述)，从步骤31中所述的日志发送通道实时获取用户A的手机发送的访问日志；解析获取到的该访问日志的特定字段，获得特定字段信息；之后，通过控制storm的spout节点，将获得的特定字段信息分别发送给用户偏好模块22和实时增量学习模块24。

步骤33，用户偏好模块22(可以但不限于是storm的bolt节点)根据日志实时收集和解析模块21发送的特定字段信息中包括的用户针对商品信息执行过的操作的类型、商品价格、商品品牌、为了获取商品信息而使用过的搜索关键词以及商品的卖家ID，确定用户A的属性信息。

一般地，确定出的用户A的属性信息可以有多种。实施例2中，假设确定出的用户A的属性信息是用户A的性别、用户A的商品属性偏好和用户A的购买能力。其中，商品属性偏好用于表示用户偏爱的商品属性的属性值。商品属性往往包括商品的品牌和/或商品的价格等等。

根据特定字段信息确定用户属性信息的方式可以有多种。举例而言，若用户属性信息是用户的性别、用户的商品属性偏好和用户的购买能力，而特定字段信息包括用户针对商品信息执行过的操作的类型、商品价格、商品品牌、为了获取商品信息而使用过的搜索关键词以及商品的卖家ID时，可以采用下述子步骤确定用户属性信息：

子步骤一：判断用户针对商品信息执行过的操作的类型是否为“点击购买”，若是，则执行子步骤二；否则，执行子步骤三。

子步骤二：根据商品价格和预设的多个商品价格区间，确定商品价格所处的价格区间；根据商品品牌和预设的多个商品品牌集合，确定商品品牌所属的商品品牌集合；根据商品的卖家ID和预设的多个卖家ID集合，确定商品的卖家ID所属的卖家ID集合，并根据确定出的卖家ID集合确定用户的购买习惯信息；而后执行子步骤三。

其中，单个卖家ID集合中的卖家的特定属性(该特定属性比如可以是店铺规模)的属性值相同；不同卖家ID集合中的卖家的所述特定属性的属性值不同。

通过执行子步骤二，比如可以假设确定出：商品价格处于价格区间1；商品品牌属于商品品牌集合3；卖家ID所属的卖家ID集合是卖家ID集合5。此外，还可以假设根据不同卖家ID集合与用户购买习惯信息的预设对应关系，进一步确定用户的购买习惯信息为：表示“会在奢侈品牌店铺购买商品”的信息。

子步骤三：根据为了获取商品信息而使用过的搜索关键词，确定用户的性别；并在判断出当前已确定出商品价格所处的价格区间、商品品牌所属的商品品牌集合，以及用户的购买习惯信息时，执行步骤子步骤四；在判断出当前没有确定出商品价格所处的价格区间、商品品牌所属的商品品牌集合，以及用户的购买习惯信息时，结束流程。

在子步骤三中，比如假设该搜索关键词包含“女士”这样的关键词单元，则可以确定用户的性别为“女”。

子步骤四：根据确定出的商品价格所处的价格区间、商品品牌所属的商品品牌集合，以及用户的购买习惯信息，确定用户的商品属性偏好和用户的购买能力。

比如，若确定出的价格区间表示用户购买的商品价格偏高，确定出的商品品牌集合表示用户购买的是奢侈品牌，且用户的购买习惯表示“会在奢侈品牌店铺购买商品”，则可以确定用户的商品属性偏好为“偏好购买价格较高的奢侈品”，并且确定出用户的购买能力为“能够购买价格较高的商品”。

实施例2中，还可以采用现有技术中的已有其他方式，实现根据特定字段信息确定用户属性信息，此处不再赘述。

步骤34，用户偏好模块22根据确定出的用户A的商品属性偏好和用户A的购买能力，更新用户数据库28中的与用户A的用户ID对应保存的用户属性信息；此外，还将用户A的用户ID、用户A的性别的信息、用户A的商品属性偏好的信息和用户A的购买能力的信息发送给实时判断用户群体模块23。

步骤35，实时判断用户群体模块23根据实时计算用户偏好模块22发送的用户A的性别的信息、用户A的商品属性偏好的信息和用户A的购买能力的信息，确定用户所属人群为“高收入工作者”、“都市贵妇”以及“高级白领”；并根据用户A的用户ID，以及确定出的用户所属人群的信息，更新用户数据库28中的与用户A的用户ID对应保存的用户所属人群的信息。

实施例2中，可以采用K最邻近结点算法(K-NearestNeighboralgorithm，KNN)，实现根据用户A的性别的信息、用户A的商品属性偏好的信息和用户A的购买能力的信息，确定用户所属人群的信息。

具体而言，采用KNN确定用户所属人群的信息的过程可以包括下述子步骤：

子步骤a：获得用于进行离线训练的样本信息，样本信息包括多个用户的性别的信息、商品属性偏好的信息和购买能力的信息；根据获得的样本信息，对所述多个用户进行聚类，从而确定出所述多个用户分属的用户类别。

上述“用户类别”即“人群”。同属同一人群的用户满足：任意两个用户的用户属性特征向量的相似度的值大于第一相似度阈值。

其中，“用户属性特征向量”是根据用户的性别的信息、商品属性偏好的信息和购买能力的信息确定出的一个特征向量。比如，通过对用户的性别的信息、商品属性偏好的信息和购买能力的信息分别进行量化，可以得到相应的量化值；进而可以将对应于同一用户的各量化值组合为一个特征向量，作为该用户的用户属性向量。

子步骤b：针对待确定所属人群的用户，根据当前确定出的该用户的性别的信息、商品属性偏好的信息和购买能力的信息，确定该用户的用户属性特征向量；

子步骤c：确定通过执行子步骤b而确定出的用户属性特征向量与通过执行步骤a而确定出的各用户类别的聚类中心的相似度的值，并将确定出的最大相似度的值所对应的用户类别，确定为待确定所属人群的用户所属的用户类别，从而实现对该用户所属人群的确定。

可选的，子步骤c中，还可以将确定出的大于第二相似度阈值的相似度的值所对应的用户类别，确定为待确定所属人群的用户所属的用户类别。

实施例2中，还可以采用现有技术中的已有其他方式，实现根据用户属性信息确定用户所属人群的信息，此处不再赘述。

步骤36，实时增量学习模块24从日志实时收集和解析模块21发送的特定字段信息中，确定用户ID和商品ID；并从用户数据库28中获取与确定出的用户ID对应保存的用户所属人群的信息(分别为“高收入工作者”、“都市贵妇”以及“高级白领”)。

步骤37，实时增量学习模块24根据日志实时收集和解析模块21发送的特定字段信息中的商品ID，以及从用户数据库28中获取的确定出的用户ID对应保存的用户所属人群的信息，确定该商品ID表示的商品分别针对该用户ID表示的用户所属各人群的转化率预估模型，并根据特定字段信息，对确定出的转化率预估模型进行在线学习修正。

实施例2中，以“香奈儿手包”分别针对“高收入工作者”、“都市贵妇”和“高级白领”的商品转化率为例，一种简单的通过离线训练的方式得到的转化率预估模型的形式可以如下表3所示：

表3：

基于日志实时收集和解析模块21在最近一天时间内发送来的特定字段信息(包含步骤36中所述的日志实时收集和解析模块21发送的特定字段信息)，实时增量学习模块24可以分别确定“高收入工作者”、“都市贵妇”和“高级白领”这三个人群分别对于“香奈儿手包”的单日浏览量。需要说明的是，针对“人群对于商品信息的单日浏览量”这一统计项目而言，其统计依据可以是“商品ID”这一统计依据。针对其他统计项目而言，也可以以其他特定字段信息作为统计依据。

在确定出“高收入工作者”、“都市贵妇”和“高级白领”这三个人群分别对于“香奈儿手包”的单日浏览量的基础上，可以确定出与该单日浏览量所处的浏览量区间相匹配的权重值；进而根据该权重值，预测这三个人群分别对于“香奈儿手包”的单日购买量。比如，以“高收入工作者”这一人群为例，若确定出的单日浏览量为100，则可以确定该单日浏览量所处的浏览量区间为[50，200]；进而可以根据与该权重值区间对应的“特征的权重值”，预测“高收入工作者”这一人群对于“香奈儿手包”的单日购买量为100×0.02＝2。其中，“特征的权重值”是转化率预估模型中的一个参数值，其可以但不限于为预先根据历史数据统计得到的商品转化率的值。

进一步地，可以判断预测出的上述三个人群分别对于“香奈儿手包”的单日购买量与基于特定字段信息统计得到的上述三个人群分别对于“香奈儿手包”的单日实际购买量是否对应一致，若不一致，则对表3所示的转化率预估模型进行修正。比如，仍然以“高收入工作者”这一人群为例，若预测出的该人群对于“香奈儿手包”的单日购买量为2，而基于所述在最近一天时间内发送来的特定字段信息统计得到的单日购买量为1，则可以将表3所示的针对“高收入工作者”这一人群的转化率预估模型中的特征的权重值进行修正，比如将其修正为0.01。类似地，若基于所述在最近一天时间内发送来的特定字段信息统计得到的单日购买量为5，则也可以对该特征的权重值进行修正，比如将其修正为0.05。

实施例2中，通过对特征的权重值进行修正，可以使得转化率预估模型与人群当前针对商品信息的操作行为更为匹配，从而使得后续根据修正后的转化率预估模型预测出的商品转化率的值的准确度更高。

步骤38，实时增量学习模块24根据修正后的转化率预估模型，预测从特定字段的信息中确定出的商品ID表示的“香奈儿手包”分别针对所述确定出的用户ID表示的用户所属各人群的商品转化率的值；并利用预测出的商品转化率的值，更新商品数据库29中与所述确定出的商品ID对应保存的、“香奈儿手包”分别针对不同人群的商品转化率的值。

比如，以“高收入工作者”这一人群为例，假设通过执行步骤37，将该人群对于“香奈儿手包”的转化率预估模型中的特征的权重值修正为0.05，则可以根据该权重值，确定与该权重值存在特定映射关系的商品转化率的值。比如假设与该权重值存在特定映射关系的商品转化率的值也为0.05。

步骤39，在线实时更新商品索引模块25根据商品数据库29中被更新的商品转化率的值，对用于保存商品信息的数据库(简称商品信息数据库)中的商品信息索引的权重值进行更新。

一般地，商品转化率的值与商品信息索引的权重值之间可以设置有一定的映射关系，从而可以根据商品转化率的值，更新商品信息索引的权重值。比如，当商品数据库29中被更新的商品转化率的值为“香奈儿手包”针对“高收入工作者”的商品转化率的值时，可以根据该商品转化率的值，对商品信息数据库中的、对应于“香奈儿手包”的商品信息索引的权重值进行更新。比如，若该商品转化率的值为0.05，则可以假设权重值也更新为0.05。

实施例2中，同一商品信息可以有多个商品信息索引。不同的商品信息索引可以对应不同人群的信息和不同的权重值，如下表4所示。

表4：

步骤310，商品在线索引模块26根据用户B在访问购物网站时输入的搜索关键词“香奈儿包”，在商品信息数据库中查找与该搜索关键词相匹配的商品信息索引，进而再查找与该搜索关键词相匹配的商品信息索引所指向的商品信息。

步骤311，在线商品排序模块27根据输入搜索关键词的用户B的用户ID“123”，从用户数据库28中获取与该用户ID对应存储的用户属性信息和用户所属人群的信息；并根据获取的与该用户ID对应存储的用户所属人群的信息，获取商品在线索引模块26搜索到的商品信息索引的特定权重值。其中，该特定权重值为：商品在线索引模块26搜索到的商品信息索引的各权重值中，与获取的用户所属人群的信息相对应的权重值。

比如，可以假设获取到的用户属性信息为：用户B的性别、用户B的商品属性偏好的信息和用户B的购买能力的信息；获取到的用户所属人群的信息包括：“高收入工作者”的信息、“都市贵妇”的信息以及“高级白领”的信息。此外，还可以假设获取到的商品信息索引的特定权重值包括：表4中与Tag0对应得分权重值0.05、与Tag1对应的权重值0.04以及与Tag2对应的权重值0.02。

步骤312，在线商品排序模块27确定通过执行步骤311而获取到的用户属性信息的权重值和用户所属人群的信息的权重值；并根据确定出的用户属性信息的权重值和用户所属人群的信息的权重值，以及通过执行步骤311而获取的商品信息索引的特定权重值，计算商品在线索引模块26搜索到的各商品信息的排序得分。

实施例2中，可以采用下述公式[2]计算商品信息的排序得分：

${\mathrm{Score}}_i=\frac{1}{1+e^{-\underset{j=1}{\overset{T}{\mathrm{\Σ}}}{\mathrm{weight}}_{\mathrm{ij}}}}*\∂---\left[2\right]$

公式[2]中，i表示商品在线索引模块26根据搜索关键词“香奈儿包”，搜索到的单个商品信息在搜索到的所有商品信息中的编号，取值范围为[1，N]。N为商品在线索引模块26根据搜索关键词“香奈儿包”搜索到的所有商品信息的总数目。

Score_i表示编号为i的商品信息的排序得分。

j表示权重值集合中的权重值的编号，取值范围为[1，T]，T为编号为i的商品信息对应的权重值集合中的权重值总数目。其中，权重值集合中的权重值包含：根据编号为i的商品信息的商品属性信息和通过执行步骤312而确定的用户属性信息确定出的权重值、根据编号为i的商品信息的商品属性信息和用户所属人群的信息确定出的权重值，以及通过执行步骤311而获取的、编号为i的商品信息的商品信息索引的特定权重值。其中，商品属性信息可以包括但不限于：商品所属类目的信息、商品价格所属的价格区间的信息、用于表示商品来源(国产或进口)的信息，等等。

可选的，权重值集合中也可以仅包含根据编号为i的商品信息的商品属性信息和通过执行步骤312而确定的用户属性信息确定出的权重值，以及所述特定权重值；或者，权重值集合中可以仅包含根据编号为i的商品信息的商品属性信息和用户所属人群的信息确定出的权重值，以及所述特定权重值；或者，权重值集合中可以仅包含所述特定权重值。

weight_ij表示编号为i的商品信息对应的权重值集合中的编号为j的权重值。

为用于对进行放大的“放大因子”，其取值范围可以是(1，+∞)。

针对上述公式[2]而言，若假设：

1、查找到的商品信息包含“香奈儿手包”。

2、获取到的用户B的各用户属性信息分别表示：用户B的性别为“女”、用户B偏好购买价格较高的奢侈品、用户B能够购买价格较高的商品。

3、获取到的用户所属人群的信息包括：“高收入工作者”的信息、“都市贵妇”的信息以及“高级白领”的信息。

4、获取到的商品信息索引的特定权重值如表4所示，包括：与Tag0对应得分权重值0.05、与Tag1对应的权重值0.04以及与Tag2对应的权重值0.02。

同时，进一步假设：

5、“香奈儿手包”的商品属性信息为：商品所属类目为“女包”(下文将该商品属性信息简称X)、商品所属价格区间为“高价”(下文将该商品属性信息简称Y)，以及商品为进口商品(下文将该商品属性信息简称Z)。

6、根据X和“用户B的性别为‘女’”的用户属性信息，确定的权重值的特征ID为20010，权重值的大小为0.05；根据X和“用户B偏好购买价格较高的奢侈品”，确定的权重值的特征ID为20567，权重值的大小为0.02；根据X和“用户B能够购买价格较高的商品”，确定的权重值的特征ID为20837，权重值的大小为0.01。

7、根据Y和“用户B的性别为‘女’”，确定的权重值的特征ID为20020，权重值的大小为0.01；根据Y和“用户B偏好购买价格较高的奢侈品”，确定的权重值的特征ID为20666，权重值的大小为0.1；根据Y和“用户B能够购买价格较高的商品”，确定的权重值的特征ID为20800，权重值的大小为0.8。

8、根据Z和“用户B的性别为‘女’”，确定的权重值的特征ID为20050，权重值的大小为0.01；根据Z和“用户B偏好购买价格较高的奢侈品”，确定的权重值的特征ID为20283，权重值的大小为0.05；根据Z和“用户B能够购买价格较高的商品”，确定的权重值的特征ID为20555，权重值的大小为0.05。

9、根据X和“高收入工作者”，确定的权重值的特征ID为40110，权重值的大小为0.01；根据X和“都市贵妇”，确定的权重值的特征ID为40337，权重值的大小为0.05；根据X和“高级白领”，确定的权重值的特征ID为40543，权重值的大小为0.04。

10、根据Y和“高收入工作者”，确定的权重值的特征ID为40563，权重值的大小为0.06；根据Y和“都市贵妇”，确定的权重值的特征ID为40320，权重值的大小为0.05；根据Y和“高级白领”，确定的权重值的特征ID为40543，权重值的大小为0.06。

11、根据Z和“高收入工作者”，确定的权重值的特征ID为40887，权重值的大小为0.04；根据Z和“都市贵妇”，确定的权重值的特征ID为40258，权重值的大小为0.08；根据Z和“高级白领”，确定的权重值的特征ID为40222，权重值的大小为0.05。

本申请实施例中，根据商品属性信息和用户属性信息确定权重值的方式可以是：根据商品属性信息和用户属性信息，查找预先设置的商品属性信息、用户属性信息和权重值的映射关系。该映射关系可以是采用机器学习模型(比如LogisticRegression模型)，对大量的离线数据进行训练而得到的。其中，在采用机器学习模型对离线数据进行训练时，简单来说，针对某商品属性信息而言，可以统计具备某用户属性信息的众多用户对于具备该商品属性信息的商品的购买情况(或浏览情况)，并根据购买情况(或浏览情况)，确定一个权重值。

类似地，本申请实施例中，根据商品属性信息和用户所属人群的信息确定权重值的方式也可以是：根据商品属性信息和用户所属人群的信息，查找预先设置的商品属性信息、用户属性信息和权重值的映射关系。该映射关系也可以是采用机器学习模型，对大量的离线数据进行训练而得到的。

基于上述假设1～11，可以将的值和上述权重值代入公式[2]，从而计算得到查找到的“香奈儿手包”的排序得分。

可选的，实施例2中，还可以采用下述公式[3]计算商品信息的排序得分：

${\mathrm{score}}_i=\frac{1}{1+e^{-({\mathrm{weight}}_{i0}+\underset{j=1}{\overset{T}{\mathrm{\Σ}}}{\mathrm{weight}}_{\mathrm{ij}})}}*\∂---\left[3\right]$

公式[3]中，weight_i0表示不同于权重值集合中的权重值的其他权重值。比如可以是编号为i的该商品信息的热度的权重值。

公式[3]中其他参数的含义请参照对于公式[2]中参数的含义解释，此处不再赘述。

可选的，上述公式[2]和[3]中也可以不包含。

步骤313，在线商品排序模块27在确定出商品在线索引模块26确定的每个商品信息的排序得分后，确定该些商品信息的排列顺序，并根据该排列顺序，生成商品信息列表页面推送给用户B进行显示。

实施例3

实施例3提供一种基于转化率的操作执行装置，用以解决现有技术中基于商品针对人群的转化率的值执行特定操作时，得到的操作结果准确性较差的问题。该装置的具体结构示意图如图4所示，包括模型确定单元41、修正单元42、预测单元43和操作执行单元44。各单元的功能介绍如下：

模型确定单元41，用于确定商品(以下称所述商品)针对用户(以下称所述用户)所属人群的转化率预估模型；

修正单元42，用于根据属于人群的用户对于所述商品的商品信息(以下称所述商品信息)的访问日志，对模型确定单元41确定的转化率预估模型进行修正，得到修正后的转化率预估模型；

预测单元43，用于利用修正单元42修正后的转化率预估模型，预测所述商品针对所述用户所属人群的转化率的值；

操作执行单元44，用于根据预测单元43预测出的所述商品针对所述用户所属人群的转化率的值，执行特定操作。

可选的，当特定操作包括确定所述商品信息在商品信息列表页面中的排列位置时，操作执行单元44用于：根据第一权重值、第二权重值，以及预测出的所述商品针对所述用户所属人群的转化率的值，确定所述商品信息在商品信息列表页面中的排列位置。其中，第一权重值是根据所述商品信息的商品属性信息和所述用户的用户属性信息确定的；所述第二权重值是根据所述商品信息的商品属性信息和所述用户所属人群的信息确定的。

可选的，对应于模型确定单元41功能的一种实现方式，可以将模型确定单元41划分为以下子单元：

人群信息确定子单元，用于确定所述用户所属人群的信息；

模型确定子单元，用于根据所述商品的标识和人群信息确定子单元确定出的所述用户所属人群的信息，确定商品针对所述用户所属人群的转化率预估模型。

可选的，对应于人群信息确定子单元功能的一种实现方式，可以将人群信息确定子单元划分为以下模块：

属性信息确定模块，用于根据属于人群的用户对于所述商品信息的访问日志，确定所述用户的属性信息；

人群信息确定模块，用于根据属性信息确定模块确定的所述用户的属性信息，确定所述用户所属人群的信息。

可选的，人群信息确定模块，具体可以用于根据所述用户的属性信息，确定所述用户的用户属性特征向量；通过比较人群类别的聚类中心与确定的用户属性特征向量，确定各聚类中心与确定的用户属性特征向量的相似度；根据各聚类中心与确定的用户属性特征向量的相似度，确定所述用户所属人群的信息。其中，上述人群类别是对多个用户的属性信息特征向量进行聚类而获得的。

可选的，操作执行单元44可以用于根据商品信息索引的权重与所述商品针对所述用户所属人群的转化率之间的映射关系，以及预测出的所述转化率的值，对商品信息索引的权重值进行更新；根据更新后的商品信息索引的权重值，执行特定操作。

可选的，本申请实施例提供的该装置还可以包括下述功能单元：

关键词获得单元，用于在预测单元利用修正后的转化率预估模型，预测所述商品针对所述用户所属人群的转化率的值前，获得搜索关键词；

查找单元，用于查找到与关键词获得单元获得的搜索关键词相匹配的所述商品的商品信息。

采用本申请实施例提供的上述装置，由于可以支持根据人群对于商品信息的访问日志，对商品针对该人群的转化率预估模型进行修正，并利用修正后的转化率预估模型，预测商品针对用户所属人群的转化率的值，因此可以使得预测出的转化率的值随着人群针对商品信息的访问情况的变化而发生变化，进而使得基于该转化率的值执行的特定操作的操作结果准确性较高。

本领域内的技术人员应明白，本申请的实施例可提供为方法、***、或计算机程序产品。因此，本申请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，本申请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(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于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的装置。

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。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于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的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flashRAM)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitorymedia)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

本领域技术人员应明白，本申请的实施例可提供为方法、***或计算机程序产品。因此，本申请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，本申请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(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (14)

1.一种基于转化率的操作执行方法，其特征在于，包括：

确定商品针对用户所属人群的转化率预估模型；

根据属于所述人群的用户对于所述商品的商品信息的访问日志，对所述转化率预估模型进行修正，得到修正后的转化率预估模型；

利用修正后的转化率预估模型，预测所述商品针对所述用户所属人群的转化率的值；

根据预测出的所述商品针对所述用户所属人群的转化率的值，执行特定操作。

2.如权利要求1所述的方法，其特征在于，当所述特定操作包括确定所述商品信息在商品信息列表页面中的排列位置时，根据预测出的所述商品针对所述用户所属人群的转化率的值，执行特定操作，包括：

根据第一权重值、第二权重值，以及预测出的所述商品针对所述用户所属人群的转化率的值，确定所述排列位置；

其中，所述第一权重值是根据所述商品信息的商品属性信息和所述用户的用户属性信息确定的；所述第二权重值是根据所述商品信息的商品属性信息和所述用户所属人群的信息确定的。

3.如权利要求1所述的方法，其特征在于，确定商品针对用户所属人群的转化率预估模型，包括：

确定所述用户所属人群的信息；

根据所述商品的标识和所述用户所属人群的信息，确定商品针对所述用户所属人群的转化率预估模型。

4.如权利要求3所述的方法，其特征在于，确定所述用户所属人群的信息，包括：

根据所述访问日志，确定所述用户的属性信息；

根据所述用户的属性信息，确定所述用户所属人群的信息。

5.如权利要求4所述的方法，其特征在于，根据所述用户的属性信息，确定所述用户所属人群的信息，包括：

根据所述用户的属性信息，确定用户的用户属性特征向量；

通过比较人群类别的聚类中心与确定的用户属性特征向量，确定各聚类中心与确定的用户属性特征向量的相似度；其中，所述人群类别是对多个用户的属性信息特征向量进行聚类而获得的；

根据各聚类中心与确定的用户属性特征向量的相似度，确定所述用户所属人群的信息。

6.如权利要求1所述的方法，其特征在于，根据预测出的所述商品针对所述用户所属人群的转化率的值，执行特定操作，包括：

根据商品信息索引的权重与所述商品针对所述用户所属人群的转化率之间的映射关系，以及预测出的所述转化率的值，对商品信息索引的权重值进行更新；

根据更新后的商品信息索引的权重值，执行特定操作。

7.如权利要求1～6任一权项所述的方法，其特征在于，利用修正后的转化率预估模型，预测所述商品针对所述用户所属人群的转化率的值前，所述方法还包括：

获得搜索关键词；

查找到与所述搜索关键词相匹配的所述商品的商品信息。

8.一种基于转化率的操作执行装置，其特征在于，包括：

模型确定单元，用于确定商品针对用户所属人群的转化率预估模型；

修正单元，用于根据属于所述人群的用户对于所述商品的商品信息的访问日志，对模型确定单元确定的转化率预估模型进行修正，得到修正后的转化率预估模型；

预测单元，用于利用修正单元修正后的转化率预估模型，预测所述商品针对所述用户所属人群的转化率的值；

操作执行单元，用于根据预测单元预测出的所述商品针对所述用户所属人群的转化率的值，执行特定操作。

9.如权利要求8所述的装置，其特征在于，当所述特定操作包括确定所述商品信息在商品信息列表页面中的排列位置时，操作执行单元用于：

根据第一权重值、第二权重值，以及预测出的所述商品针对所述用户所属人群的转化率的值，确定所述排列位置；

其中，所述第一权重值是根据所述商品信息的商品属性信息和所述用户的用户属性信息确定的；所述第二权重值是根据所述商品信息的商品属性信息和所述用户所属人群的信息确定的。

10.如权利要求8所述的装置，其特征在于，模型确定单元包括：

人群信息确定子单元，用于确定所述用户所属人群的信息；

模型确定子单元，用于根据所述商品的标识和人群信息确定子单元确定出的所述用户所属人群的信息，确定商品针对所述用户所属人群的转化率预估模型。

11.如权利要求10所述的装置，其特征在于：人群信息确定子单元，包括：

属性信息确定模块，用于根据所述访问日志，确定所述用户的属性信息；

人群信息确定模块，用于根据属性信息确定模块确定的所述用户的属性信息，确定所述用户所属人群的信息。

12.如权利要求11所述的装置，其特征在于：

人群信息确定模块，用于根据所述用户的属性信息，确定用户的用户属性特征向量；通过比较人群类别的聚类中心与确定的用户属性特征向量，确定各聚类中心与确定的用户属性特征向量的相似度；其中，所述人群类别是对多个用户的属性信息特征向量进行聚类而获得的；根据各聚类中心与确定的用户属性特征向量的相似度，确定所述用户所属人群的信息。

13.如权利要求8所述的装置，其特征在于：

操作执行单元，用于根据商品信息索引的权重与所述商品针对所述用户所属人群的转化率之间的映射关系，以及预测出的所述转化率的值，对商品信息索引的权重值进行更新；根据更新后的商品信息索引的权重值，执行特定操作。

14.如权利要求8～13任一权项所述的装置，其特征在于，所述装置还包括：

关键词获得单元，用于在预测单元利用修正后的转化率预估模型，预测所述商品针对所述用户所属人群的转化率的值前，获得搜索关键词；

查找单元，用于查找到与关键词获得单元获得的搜索关键词相匹配的所述商品的商品信息。