CN107632989B - 一种商品对象选取、模型确定及使用热度确定方法与装置 - Google Patents
一种商品对象选取、模型确定及使用热度确定方法与装置 Download PDFInfo
- Publication number
- CN107632989B CN107632989B CN201610569600.9A CN201610569600A CN107632989B CN 107632989 B CN107632989 B CN 107632989B CN 201610569600 A CN201610569600 A CN 201610569600A CN 107632989 B CN107632989 B CN 107632989B
- Authority
- CN
- China
- Prior art keywords
- time period
- category
- commodity
- identification model
- use heat
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Cash Registers Or Receiving Machines (AREA)
Abstract
本申请公开了一种商品对象选取、模型确定及使用热度确定方法与装置,可基于用户输入的商品对象主题词、以及设定的对象识别模型,从海量对象中自动选择出至少一个商品对象作为满足用户需求的对象,从而大大提高了商品对象的选取效率,进而减少了人工盘货的成本,提高了运营效率。
Description
技术领域
本申请涉及互联网技术领域,尤其涉及一种商品对象选取、模型确定及使用热度确定方法与装置。
背景技术
为了提高电子商务***中的商品对象的成交性能,电子商务***常常会建立各种新的频道来增加商品对象曝光,比如,建立各种各样的特价秒杀活动主题频道、或者主打商品对象调性的主题频道等。
这些频道在刚建立之时都会碰到盘货问题,即,如何圈定适合该频道的商品对象,以达到频道成交最大化等。具体地,目前,为了解决上述问题,常采用人工方式为各新建频道选取相应的商品对象,即,由操作人员根据人为经验,主观去选择符合各新建频道所需主题的商品对象。
但是,由于采用人工方式进行商品对象的选取常常需要花费大量时间,从而使得商品对象的选取效率十分低下。
发明内容
本申请实施例提供了一种商品对象选取、模型确定及使用热度确定方法与装置,用以解决现有的商品对象选取方式所存在的效率低下的问题。
一方面,本申请实施例提供了一种商品对象选取方法,包括:
接收用户终端发送的商品对象主题词;
获取与所述商品对象主题词相匹配的初选对象;
基于设定的对象识别模型以及各初选对象在第一时间段内的使用特征数据,确定各初选对象在第二时间段的对象使用热度;其中,所述对象识别模型为训练得到的用于表征商品对象在第一时间段内的使用特征数据、与商品对象在第二时间段的对象使用热度之间的关联关系的识别模型;所述第一时间段为第二时间段的前一指定时间段;
根据各初选对象在所述第二时间段的对象使用热度,从初选对象中选取至少一个商品对象作为所述第二时间段内、与所述商品对象主题词相匹配的商品对象。
可选地,从初选对象中选取至少一个商品对象作为所述第二时间段内、与所述商品对象主题词相匹配的商品对象,包括:
从初选对象中选取至少一个对象使用热度不低于设定热度阈值的商品对象作为所述第二时间段内、与所述商品对象主题词相匹配的商品对象。
可选地,在基于设定的对象识别模型以及各初选对象在第一时间段内的使用特征数据,确定各初选对象在第二时间段的对象使用热度之前,所述方法还包括:
接收用户终端发送的对象识别模型训练样本数据,其中,所述对象识别模型训练样本数据中包含各对象识别模型样本对象的基础特征数据,且,每一对象识别模型样本对象的基础特征数据包括所述对象识别模型样本对象在各第三时间段内的使用特征数据,以及所述对象识别模型样本对象在各对应的第四时间段的对象使用热度;所述第三时间段为对应的第四时间段的前一指定时间段;
根据各对象识别模型样本对象的基础特征数据,对预先建立的用于预测商品对象在第一时间段内的使用特征数据、与商品对象在第二时间段的对象使用热度之间的关联关系的初始对象识别模型进行训练,得到所述对象识别模型。
可选地,在从初选对象中选取至少一个商品对象作为所述第二时间段内、与所述商品对象主题词相匹配的商品对象之前,所述方法还包括:
基于设定的类目识别模型、以及各初选对象对应的类目在与所述第二时间段相对应的一个或多个历史同期时间段的类目使用热度,确定各初选对象对应的类目在所述第二时间段的类目使用热度;其中,所述类目识别模型为训练得到的用于表征商品对象类目在第二时间段的类目使用热度、与商品对象类目在与该第二时间段相对应的一个或多个历史同期时间段的类目使用热度之间的关联关系的识别模型;
针对每一初选对象,根据所述初选对象对应的类目在所述第二时间段的类目使用热度,对所述初选对象在所述第二时间段的对象使用热度进行更新。
可选地,在基于设定的类目识别模型、以及各初选对象对应的类目在与所述第二时间段相对应的一个或多个历史同期时间段的类目使用热度,确定各初选对象对应的类目在所述第二时间段的类目使用热度之前,所述方法还包括:
接收用户终端发送的类目识别模型训练样本数据,其中,所述类目识别模型训练样本数据中包含各类目识别模型样本对象的基础特征数据,且,每一类目识别模型样本对象的基础特征数据包括所述类目识别模型样本对象对应的类目在各第五时间段的类目使用热度,以及所述类目识别模型样本对象对应的类目在与各第五时间段相对应的一个或多个历史同期时间段的类目使用热度;
根据各类目识别模型样本对象的基础特征数据,对预先建立的用于预测商品对象类目在第二时间段的类目使用热度、与商品对象类目在与该第二时间段相对应的一个或多个历史同期时间段的类目使用热度之间的关联关系的初始类目识别模型进行训练,得到所述类目识别模型。
其中,每一时间段的历史同期时间段是指与该时间段处于同一公历日或农历日下,且与该时间段相对应的历史时间段。
可选地,针对任一初选对象,在根据所述初选对象对应的类目在所述第二时间段的类目使用热度,对所述初选对象在所述第二时间段的对象使用热度进行更新之前,所述方法还包括:
若确定所述第二时间段为特定时间段,则若确定所述初选对象对应的类目为与所述第二时间段对应的特定时间段相匹配的类目,则根据设定的系数,增大所述初选对象对应的类目在所述第二时间段的类目使用热度。
可选地,在从初选对象中选取至少一个商品对象作为所述第二时间段内、与所述商品对象主题词相匹配的商品对象之前,所述方法还包括:
根据各初选对象对应的标题之间的相似度,确定各初选对象之间的相似度;
针对每一组由相互之间的相似度不低于第一相似度阈值的至少一个初选对象所组成的对象集合,保留所述对象集合中的一对象,并删除其它对象。
可选地,在获取与所述商品对象主题词相匹配的初选对象之前,所述方法还包括:
针对用户终端发送的每一商品对象主题词,基于设定的样本语料,确定与该商品对象主题词之间的相似度不低于第二相似度阈值的至少一个样本词语;
将确定的各样本词语作为最终所需的商品对象主题词。
其中,所述对象识别模型为回归模型;所述类目识别模型为线性模型。
另一方面,本申请实施例提供了另一种商品对象选取方法,包括:
接收用户输入的商品对象主题词,并将所述商品对象主题词发送至服务器;
接收所述服务器根据所述商品对象主题词返回的商品对象信息,并将所述商品对象信息所对应的商品对象作为第二时间段内、与所述商品对象主题词相匹配的商品对象;
其中,所述商品对象信息是所述服务器根据设定的对象识别模型、以及与所述商品对象主题词相匹配的各初选对象在第一时间段内的使用特征数据,从与所述商品对象主题词相匹配的初选对象中所选取的商品对象的相关信息;所述第一时间段为第二时间段的前一指定时间段;
所述设定的对象识别模型用于表征商品对象在第一时间段内的使用特征数据、与商品对象在第二时间段的对象使用热度之间的关联关系。
可选地,在接收用户输入的商品对象主题词之前,所述方法还包括:
接收用户输入的对象识别模型训练样本数据,其中,所述对象识别模型训练样本数据中包含各对象识别模型样本对象的基础特征数据,且,每一对象识别模型样本对象的基础特征数据包括所述对象识别模型样本对象在各第三时间段内的使用特征数据,以及所述对象识别模型样本对象在各对应的第四时间段的对象使用热度;所述第三时间段为对应的第四时间段的前一指定时间段;
将所述对象识别模型训练样本数据发送至服务器,由所述服务器根据所述对象识别模型训练样本数据中包含的各对象识别模型样本对象的基础特征数据,对预先建立的用于预测商品对象在第一时间段内的使用特征数据、与商品对象在第二时间段的对象使用热度之间的关联关系的初始对象识别模型进行训练,得到所述设定的对象识别模型。
又一方面,本申请实施例提供了一种模型确定方法,包括:
接收用户终端发送的对象识别模型训练样本数据,其中,所述对象识别模型训练样本数据中包含各对象识别模型样本对象的基础特征数据,且,每一对象识别模型样本对象的基础特征数据包括所述对象识别模型样本对象在各第三时间段内的使用特征数据,以及所述对象识别模型样本对象在各对应的第四时间段的对象使用热度;所述第三时间段为对应的第四时间段的前一指定时间段;
根据所述对象识别模型训练样本数据中包含的各对象识别模型样本对象的基础特征数据,对预先建立的用于预测商品对象在第一时间段内的使用特征数据、与商品对象在第二时间段的对象使用热度之间的关联关系的初始对象识别模型进行训练,得到用于表征商品对象在第一时间段内的使用特征数据、与商品对象在第二时间段的对象使用热度之间的关联关系的对象识别模型;所述第一时间段为第二时间段的前一指定时间段。
其中,所述使用特征数据至少包括浏览次数、收藏次数、加购次数、成交次数、评论次数、以及搜索次数中的任意一种或多种;所述对象使用热度至少包括成交量、成交额、以及成交转化率中的任意一种或多种。
再一方面,本申请实施例提供了另一种模型确定方法,包括:
接收用户终端发送的类目识别模型训练样本数据,其中,所述类目识别模型训练样本数据中包含各类目识别模型样本对象的基础特征数据,且,每一类目识别模型样本对象的基础特征数据包括所述类目识别模型样本对象对应的类目在各第一时间段的类目使用热度,以及所述类目识别模型样本对象对应的类目在与各第一时间段相对应的一个或多个历史同期时间段的类目使用热度;
根据所述类目识别模型训练样本数据中包含的各类目识别模型样本对象的基础特征数据,对预先建立的用于预测商品对象类目在第二时间段的类目使用热度、与商品对象类目在与该第二时间段相对应的一个或多个历史同期时间段的类目使用热度之间的关联关系的初始类目识别模型进行训练,得到用于表征商品对象类目在第二时间段的类目使用热度、与商品对象类目在与该第二时间段相对应的一个或多个历史同期时间段的类目使用热度之间的关联关系的类目识别模型。
其中,所述类目使用热度至少包括成交量、成交额、以及成交转化率中的任意一种或多种。
又一方面,本申请实施例还提供了一种使用热度确定方法,包括:
获取各商品对象在第一时间段内的使用特征数据;
基于商品对象在第一时间段内的使用特征数据与商品对象在第二时间段的对象使用热度之间的关联关系,以及,各商品对象在第一时间段内的使用特征数据,确定各商品对象在第二时间段的对象使用热度;
所述第一时间段为第二时间段的前一指定时间段;且,所述关联关系是根据各样本对象在各第三时间段的使用特征数据以及各样本对象在各对应的第四时间段的对象使用热度所建立的;所述第三时间段为对应的第四时间段的前一指定时间段。
又一方面,本申请实施例还提供了一种商品对象选取装置,包括:
主题词接收单元,用于接收用户终端发送的商品对象主题词;
对象获取单元,用于获取与所述商品对象主题词相匹配的初选对象;
热度确定单元,用于基于设定的对象识别模型以及各初选对象在第一时间段内的使用特征数据,确定各初选对象在第二时间段的对象使用热度;其中,所述对象识别模型为训练得到的用于表征商品对象在第一时间段内的使用特征数据、与商品对象在第二时间段的对象使用热度之间的关联关系的识别模型;所述第一时间段为第二时间段的前一指定时间段;
对象筛选单元,用于根据各初选对象在所述第二时间段的对象使用热度,从初选对象中选取至少一个商品对象作为所述第二时间段内、与所述商品对象主题词相匹配的商品对象。
另一方面,本申请实施例还提供了另一种商品对象选取装置,包括:
主题词接收单元,用于接收用户输入的商品对象主题词;
主题词发送单元,用于将所述商品对象主题词发送至服务器;
对象信息接收单元,用于接收所述服务器根据所述商品对象主题词返回的商品对象信息;
对象确定单元,用于将所述商品对象信息所对应的商品对象确定为第二时间段内、与所述商品对象主题词相匹配的商品对象;
其中,所述商品对象信息是所述服务器根据设定的对象识别模型、以及与所述商品对象主题词相匹配的各初选对象在第一时间段内的使用特征数据,从与所述商品对象主题词相匹配的初选对象中所选取的商品对象的相关信息;所述第一时间段为第二时间段的前一指定时间段;
所述设定的对象识别模型用于表征商品对象在第一时间段内的使用特征数据、与商品对象在第二时间段的对象使用热度之间的关联关系。
又一方面,本申请实施例还提供了一种模型确定装置,包括:
数据接收单元,用于接收用户终端发送的对象识别模型训练样本数据,其中,所述对象识别模型训练样本数据中包含各对象识别模型样本对象的基础特征数据,且,每一对象识别模型样本对象的基础特征数据包括所述对象识别模型样本对象在各第三时间段内的使用特征数据,以及所述对象识别模型样本对象在各对应的第四时间段的对象使用热度;所述第三时间段为对应的第四时间段的前一指定时间段;
模型训练单元,用于根据所述对象识别模型训练样本数据中包含的各对象识别模型样本对象的基础特征数据,对预先建立的用于预测商品对象在第一时间段内的使用特征数据、与商品对象在第二时间段的对象使用热度之间的关联关系的初始对象识别模型进行训练,得到用于表征商品对象在第一时间段内的使用特征数据、与商品对象在第二时间段的对象使用热度之间的关联关系的对象识别模型。
另一方面,本申请实施例还提供了另一种模型确定装置,包括:
数据接收单元,用于接收用户终端发送的类目识别模型训练样本数据,其中,所述类目识别模型训练样本数据中包含各类目识别模型样本对象的基础特征数据,且,每一类目识别模型样本对象的基础特征数据包括所述类目识别模型样本对象对应的类目在各第一时间段的类目使用热度,以及所述类目识别模型样本对象对应的类目在与各第一时间段相对应的一个或多个历史同期时间段的类目使用热度;
模型训练单元,用于根据所述类目识别模型训练样本数据中包含的各类目识别模型样本对象的基础特征数据,对预先建立的用于预测商品对象类目在第二时间段的类目使用热度、与商品对象类目在与该第二时间段相对应的一个或多个历史同期时间段的类目使用热度之间的关联关系的初始类目识别模型进行训练,得到用于表征商品对象类目在第二时间段的类目使用热度、与商品对象类目在与该第二时间段相对应的一个或多个历史同期时间段的类目使用热度之间的关联关系的类目识别模型。
再一方面,本申请实施例还提供了一种使用热度确定装置,包括:
数据获取单元,用于获取各商品对象在第一时间段内的使用特征数据;
热度确定单元,用于基于商品对象在第一时间段内的使用特征数据与商品对象在第二时间段的对象使用热度之间的关联关系,以及,各商品对象在第一时间段内的使用特征数据,确定各商品对象在第二时间段的对象使用热度;
所述第一时间段为第二时间段的前一指定时间段;且,所述关联关系是根据各样本对象在各第三时间段的使用特征数据以及各样本对象在各对应的第四时间段的对象使用热度所建立的;所述第三时间段为对应的第四时间段的前一指定时间段。
本申请有益效果如下:
本申请实施例提供了一种商品对象选取、模型确定及使用热度确定方法与装置,可基于用户输入的商品对象主题词以及设定的对象识别模型,从海量对象中自动选择出至少一个商品对象作为最终的满足用户需求的对象,从而大大提高了商品对象的选取效率,进而减少了人工盘货的成本,提高了运营效率。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简要介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域的普通技术人员来讲,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。
图1所示为本申请实施例一中的商品对象选取方法的一种可能的应用场景示意图;
图2所示为本申请实施例一中的商品对象选取方法的一种可能的流程示意图;
图3所示为本申请实施例一中的模型确定方法的一种可能的流程示意图;
图4所示为本申请实施例一中的另一种模型确定方法的一种可能的流程示意图;
图5所示为本申请实施例一中的一种使用热度确定方法的一种可能的流程示意图;
图6所示为本申请实施例二中的商品对象选取装置的一种可能的结构示意图;
图7所示为本申请实施例二中的另一种商品对象选取装置的一种可能的结构示意图;
图8所示为本申请实施例二中的模型确定装置的一种可能的结构示意图;
图9所示为本申请实施例二中的另一种模型确定装置的一种可能的结构示意图;
图10所示为本申请实施例二中的一种使用热度确定装置的一种可能的结构示意图。
具体实施方式
为了使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请作进一步地详细描述,显然,所描述的实施例仅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它实施例,都属于本申请保护的范围。
实施例一:
为了解决现有的商品对象选取方式所存在的效率低下的问题,本申请实施例一提供了一种商品对象选取方法,如图1所示,其为所述商品对象选取方法的一种可能的应用场景示意图,该场景例如可以包括:用户终端11以及服务器12,其中:
用户终端11可接收用户10输入的商品对象主题词,并将所述商品对象主题词发送至服务器12;服务器12可根据用户终端11发送的商品对象主题词,获取与所述商品对象主题词相匹配的初选对象,并基于设定的对象识别模型以及各初选对象在第一时间段内的使用特征数据,确定各初选对象在第二时间段的对象使用热度,并根据各初选对象在所述第二时间段的对象使用热度,从初选对象中选取至少一个商品对象作为所述第二时间段内、与所述商品对象主题词相匹配的商品对象;用户终端11可接收所述服务器12在选取至少一个商品对象后返回的所述至少一个商品对象的商品对象信息,并将所述商品对象信息所对应的商品对象作为所述第二时间段内、与所述商品对象主题词相匹配的商品对象;其中,所述设定的对象识别模型可用于表征商品对象在第一时间段内的使用特征数据、与商品对象在第二时间段的对象使用热度之间的关联关系;所述第一时间段为第二时间段的前一指定时间段。
其中,用户终端11和服务器12可通过通信网络进行通信连接,该网络可以为局域网、广域网等。用户终端11可以为手机、平板电脑、笔记本电脑、个人计算机等终端设备,甚至还可为安装于上述终端设备中的客户端;服务器12可以为任何能够支持商品对象的筛选等处理操作的服务器设备。
也就是说,本申请所述实施例中,可基于用户输入的商品对象主题词以及设定的对象识别模型,从海量对象中自动选择出至少一个商品对象作为最终的满足用户需求的对象,从而大大提高了商品对象的选取效率,进而减少了人工盘货的成本,提高了运营效率。
下面,将结合图1所示的应用场景,参考图2来对本申请实施例一中的商品对象选取方法进行示例性说明。需要注意的是,上述应用场景仅是为了便于理解本申请的精神和原理而示出,本申请的实施方式在此方面不受任何限制。相反,本申请的实施方式可以应用于适用的任何场景。
具体地,如图2所示,其为本申请实施例一中的商品对象选取方法的一种可能的流程示意图,所述商品对象选取方法可包括以下步骤:
步骤201:用户终端接收用户输入的对象识别模型训练样本数据,并将所述对象识别模型训练样本数据发送至服务器。
其中,所述对象识别模型训练样本数据中包含各对象识别模型样本对象的基础特征数据,且,每一对象识别模型样本对象的基础特征数据包括所述对象识别模型样本对象在各第三时间段内的使用特征数据,以及所述对象识别模型样本对象在各对应的第四时间段的对象使用热度;所述第三时间段为对应的第四时间段的前一指定时间段。
可选地,各对象识别模型样本对象等商品对象的使用特征数据至少可包括浏览次数、收藏次数、加购(加入购物车)次数、成交次数、评论次数、以及搜索次数中的任意一种或多种;各对象识别模型样本对象等商品对象的对象使用热度至少可包括成交量、成交额、成交转化率中的任意一种或多种。另外,需要说明的是,各对象识别模型样本对象等商品对象的使用特征数据可从各电子商务网站的商品对象运营信息中获取,各对象识别模型样本对象等商品对象的对象使用热度可基于各对象识别模型样本对象等商品对象的使用特征数据计算得到,此处不作赘述。
再有,需要说明的是,第三、第四时间段通常可为历史时间段,即,每一对象识别模型样本对象的基础特征数据通常可为相应的历史数据;且,第三、第四时间段、以及指定时间段等时间段的大小可根据实际情况灵活设置,如可设置为1天、1周、1月等等(通常最小为一天)。另外,第三、第四时间段的长度可相同也可不同,例如,第四时间段可为一天,而该第四时间段对应的第三时间段(即该第四时间段的前一指定时间段)可为一月或一年等,或者,第四时间段可为一月,而该第四时间段对应的第三时间段可为一天等;再有,第四时间段对应的第三时间段通常可为与该第四时间段相邻的前一指定时间段,当然,也可不相邻,对此不作限定。
步骤202:服务器接收用户终端发送的对象识别模型训练样本数据,并根据对象识别模型训练样本数据中的各对象识别模型样本对象的基础特征数据,对预先建立的初始对象识别模型进行训练,得到所需的对象识别模型。
其中,所述初始对象识别模型为用于预测商品对象在第一时间段内的使用特征数据、与商品对象在第二时间段的对象使用热度之间的关联关系的识别模型;所述对象识别模型为训练得到的用于表征商品对象在第一时间段内的使用特征数据、与商品对象在第二时间段的对象使用热度之间的关联关系的识别模型,所述第一时间段为第二时间段的前一指定时间段。
另外,与前述关于第三、第四时间段的描述相类似,第一、第二时间段等时间段的大小也可根据实际情况灵活设置,且,第一、第二时间段的长度可相同也可不同(不过,第一时间段的大小通常可与第三时间段相同,第二时间段的大小通常可与第四时间段相同),对此不作限定。
可选地,以各对象识别模型样本对象等商品对象的对象使用热度为成交量为例,可通过以下步骤训练得到相应的对象识别模型:
A1:建立与成交量相关的初始对象识别模型。
可选地,假设第三、第四时间段均可设置为1天;且假设可以y(t)表示某一商品对象在日期t的成交量,以x1(t-1)表示该商品对象在日期t-1的浏览次数,以x2(t-1)表示该商品对象在日期t-1的收藏次数,以x3(t-1)表示该商品对象在日期t-1的加购次数等等,以及,假设初始对象识别模型为线性模型;则建立的初始对象识别模型可表示为y(t)=a(1)*x1(t-1)+a(2)*x2(t-1)+a(3)*x3(t-1)+…,其中,a(1)、a(2)、a(3)、…等为需要估计的系数。
A2:计算得到各对象识别模型样本对象在每一第四时间段的成交量(如在日期t的日销量),并与各对象识别模型样本对象在对应的第三时间段的使用特征数据(如日期t-1的浏览、收藏、加购、成交、评论、搜索等特征数据)进行关联,得到多个关联数据;并基于得到的各关联数据,对建立的初始对象识别模型进行训练,得到a(1)、a(2)、a(3)等各系数的实际取值,以得到所需的对象识别模型。
需要说明的是,由于相对于线性模型来说,回归模型能够很好地交叉特征,提高预测能力并能够防止商家作弊,进而提高预测的准确性,因而,本实施例中,优选地,所述初始对象识别模型以及所述对象识别模型通常可为回归模型,如Gradient Boost RegressionTree(渐进梯度回归树)模型等。当然,如果对预测的准确性要求相对较低,所述初始对象识别模型以及所述对象识别模型也可采用线性模型,此处不作限定。
另外,需要说明的是,在训练得到所述对象识别模型之后,还可根据最新的对象识别模型样本数据实时或定时对所述对象识别模型进行更新,以提高所述对象识别模型的准确性。再有,以为某一频道选取商品对象为例,待该频道上线后,还可将各对象识别模型样本对象在各第三时间段内的使用特征数据、以及各对象识别模型样本对象在各对应的第四时间段的对象使用热度等分别替换为各对象识别模型样本对象在该频道下的相应的使用特征数据以及对象使用热度等,以更好地对商品对象在该频道下的对象使用热度进行预测,此处不再赘述。
再有,需要说明的是,本实施例中,步骤201以及步骤202为预先建立对象识别模型的步骤,并不是每次进行商品对象的选取时均需要执行的步骤,除非对象识别模型训练样本数据发生了相应更新。即,在执行完步骤201以及步骤202之后,可以多次重复执行后续各步骤,对此不作赘述。
步骤203:用户终端接收用户输入的商品对象主题词,并将所述商品对象主题词发送至服务器。
可选地,用户终端在接收到用户输入的商品对象主题词之后,除了可直接将接收到的商品对象主题词发送至服务器之外,还可对接收到的商品对象主题词进行扩充,并将扩充后的商品对象主题词发送至服务器,以提高商品对象主题词的丰富性。另外,由用户终端对用户输入的商品对象主题词进行扩充,还可避免当有大量用户终端同时向服务器发送商品对象主题词时,服务器需同时对接收到的大量商品对象主题词进行扩充的情况发生,以节省服务器的处理资源、减轻服务器的工作压力,进而可进一步提高后续商品对象选取的速度以及效率。
可选地,用户终端可通过以下方式对接收到的商品对象主题词进行扩充:
针对接收到的每一商品对象主题词,基于设定的样本语料,确定与该商品对象主题词之间的相似度不低于设定的相似度阈值(该阈值可根据实际情况灵活设置)的至少一个样本词语;将确定的各样本词语作为最终所需的商品对象主题词。
其中,所述设定的样本语料可为通过爬虫从外部网站上爬取到的电商新闻等语料库;另外,在基于设定的样本语料,确定与各商品对象主题词之间的相似度不低于设定的相似度阈值的至少一个样本词语时,可首先基于所述设定的样本语料训练word2vec模型等能够将词表征为实数值向量的语言模型,并基于训练后的word2vec模型等语言模型,将用户输入的各商品对象主题词以及样本语料中的各词语转化为向量;之后,可利用设定的相似度计算公式,如Cosine公式等,计算样本语料中的各词语与用户输入的各商品对象主题词之间的相似度;最后,通过设置相应的相似度阈值选择该值以上(可包含该值)的词语作为最终所需的主题词语。
例如,假设用户根据实际需求向用户终端输入了以下三个商品对象主题词:“快时尚”、“男装”,“女装”,则用户终端可基于设定的样本语料,对该三个词语进行扩充,如扩充得到“时尚”、“潮流”、“衬衫”、“西装”、“连衣裙”、“牛仔裤”等词语,并将扩充后的各词语作为最终的商品对象主题词。
步骤204:服务器接收用户终端发送的商品对象主题词,并获取与所述商品对象主题词相匹配的初选对象。
可选地,服务器可根据用户终端发送的商品对象主题词,基于文本挖掘的方法,从各电子商务网站的商品对象信息中,搜索对应的商品对象标题与用户终端发送的商品对象主题词相匹配(如部分匹配等)的商品对象,并将搜索到的各商品对象作为与用户终端发送的商品对象主题词相匹配的初选对象。
其中,电子商务网站中的每一商品对象信息可包括商品对象的ID(标识)、名称(即标题)、产地、卖家用户信息、类目等基本信息,此处不作赘述。
另外,可选地,服务器在根据接收到的用户终端发送的商品对象主题词,获取与所述商品对象主题词相匹配的初选对象之前,还可对接收到的商品对象主题词进行扩充,以便基于扩充后的商品对象主题词获取相应的初选对象。
其中,服务器对接收到的商品对象主题词进行扩充的具体实施方式与步骤203中用户终端对接收到的商品对象主题词进行扩充的具体实施方式相类似,对此不作赘述。
需要说明的是,由服务器而非用户终端来执行对用户输入的商品对象主题词进行扩充的操作,可降低对用户终端的性能要求,使得本申请实施例所述的方法适用范围更广;另外,对于用户终端而言,也可节省用户终端的处理资源、减轻用户终端的工作压力。
步骤205:服务器基于训练得到的所述对象识别模型以及各初选对象在第一时间段内的使用特征数据,确定各初选对象在第二时间段的对象使用热度。
例如,假设所述对象识别模型为服务器根据各对象识别模型样本对象在各日期的成交量,以及各对象识别模型样本对象在对应的日期之前的一个或多个日期的浏览、收藏、加购、成交、评论、搜索等特征数据所训练得到的对象识别模型,则可基于该对象识别模型,根据各初选对象在日期t+1之前的一个或多个日期的浏览、收藏、加购、成交、评论、搜索等特征数据,预测各初选对象在日期t+1的成交量。
需要说明的是,特殊地,本实施例中,当各商品对象的对象使用热度为成交额时,由于成交额的范围较大,可能无法很好预测,因而,还可不直接预测成交额,而是先基于与成交量相关的对象识别模型预测各商品对象的成交量,之后,再乘以对应的价格得到成交额,以提高预测的准确性。
步骤206:服务器根据各初选对象在所述第二时间段的对象使用热度,从初选对象中选取至少一个商品对象作为所述第二时间段内、与所述商品对象主题词相匹配的商品对象。
可选地,为了提高所选取的商品对象的准确性,服务器可根据各初选对象在所述第二时间段的对象使用热度,从初选对象中选取至少一个对象使用热度不低于设定热度阈值(该阈值可根据实际情况灵活设置)的商品对象作为所述第二时间段内、与所述商品对象主题词相匹配的商品对象。
另外,服务器还可以按照对象使用热度从大到小的顺序,对各初选对象进行排序,并取前K(K为任意正整数)个初选对象作为所述第二时间段内、与所述商品对象主题词相匹配的商品对象。
进一步地,为了提高所选取的商品对象的准确性,在从初选对象中选取至少一个商品对象作为所述第二时间段内、与所述商品对象主题词相匹配的商品对象之前,还可根据实际需求,对各初选对象进行人工筛选,或删除短期对象使用热度不高或价格不符合用户需求的商品对象(比如三天之内仅成交5件,价格在10到200元之间等的商品对象),以便基于筛选后的各初选对象选取所需的商品对象;和/或,
在从初选对象中选取至少一个商品对象作为所述第二时间段内、与所述商品对象主题词相匹配的商品对象之后,还可以根据实际需求,对选取的商品对象进行人工筛选,或删除短期对象使用热度不高或价格不符合用户需求的商品对象,并将筛选后的各商品对象作为最终所需的所述第二时间段内、与所述商品对象主题词相匹配的商品对象,对此均不作赘述。
进一步地,由于对于部分商品对象来说,其具有明显的季节性,比如6月穿连衣裙,9月穿大衣等,且,买家通常会提前购买该类商品对象,但该类商品对象在前述提前购买时间段的对象使用热度并不会很大,导致采用之前的预测方式无法使这些商品对象排在靠前的位置。因而,为了解决这种问题,在确定各初选对象在所述第二时间段的对象使用热度之后,还可根据时间信息调整各初选对象的对象使用热度、进而调整各初选对象的排序,以便根据热度调整后的各初选对象,选取最终所需的商品对象。即可利用时间序列模型,对类目在第二时间段的热度进行预测,从而使一些应季商品对象能够提前浮现,以进一步提高商品对象选取的准确性。
也就是说,在从初选对象中选取至少一个商品对象作为所述第二时间段内、与所述商品对象主题词相匹配的商品对象之前,所述方法还可包括:
基于设定的类目识别模型、以及各初选对象对应的类目在与所述第二时间段相对应的一个或多个历史同期时间段的类目使用热度,确定各初选对象对应的类目在所述第二时间段的类目使用热度;其中,所述类目识别模型为训练得到的用于表征商品对象类目在第二时间段的类目使用热度、与商品对象类目在与该第二时间段相对应的一个或多个历史同期时间段的类目使用热度之间的关联关系的识别模型;
针对每一初选对象,根据所述初选对象对应的类目在所述第二时间段的类目使用热度,对所述初选对象在所述第二时间段的对象使用热度进行更新。
可选地,针对每一初选对象,可将所述初选对象对应的类目在所述第二时间段的类目使用热度与所述初选对象在所述第二时间段的类目使用热度的乘积,或者二者的加权和(二者对应的权重可根据实际情况灵活设定),作为所述初选对象在所述第二时间段的更新后的对象使用热度。
其中,与对象使用热度相类似,所述类目使用热度至少可包括成交量、成交额、以及成交转化率中的任意一种或多种,且,各样本对象等商品对象的类目使用热度可基于各样本对象等商品对象的使用特征数据计算得到,对此不作限定。另外,每一时间段的历史同期时间段是指与该时间段处于同一公历日或农历日下,且与该时间段相对应的历史时间段;例如,针对时间段2016年01月01日~2016年01月05日而言,该时间段的历史同期时间段可为2015年01月01日~2015年01月05日、2014年01月01日~2014年01月05日等等,对此也不作赘述。
可选地,本实施例中,在基于设定的类目识别模型、以及各初选对象对应的类目在与所述第二时间段相对应的一个或多个历史同期时间段的类目使用热度,确定各初选对象对应的类目在所述第二时间段的类目使用热度之前,服务器可通过以下方式得到所述类目识别模型:
接收用户终端发送的类目识别模型训练样本数据,其中,所述类目识别模型训练样本数据中包含各类目识别模型样本对象的基础特征数据,且,每一类目识别模型样本对象的基础特征数据包括所述类目识别模型样本对象对应的类目在各第五时间段的类目使用热度,以及所述类目识别模型样本对象对应的类目在与各第五时间段相对应的一个或多个历史同期时间段的类目使用热度;
根据各类目识别模型样本对象的基础特征数据,对预先建立的用于预测商品对象类目在第二时间段的类目使用热度、与商品对象类目在与该第二时间段相对应的一个或多个历史同期时间段的类目使用热度之间的关联关系的初始类目识别模型进行训练,得到所述类目识别模型。
其中,需要说明的是,第五时间段通常可为历史时间段;且,与前述关于第一、第二、第三、第四时间段的描述相类似,第五时间段的大小也可根据实际情况灵活设置(不过,第五时间段的大小通常可与第二时间段相同),对此不作限定。
可选地,以各类目识别模型样本对象的类目使用热度为成交量为例,可通过以下步骤训练得到相应的类目识别模型:
B1:建立与成交量相关的初始类目识别模型。
例如,假设各第五时间段可设置为1个月;初始类目识别模型为线性模型;且假设今年t月某一类目的成交量为z(t),去年同期该类目的成交量为z(t-1),前年同期该类目的成交量为z(t-2),依此类推;则建立的初始类目识别模型可表示为z(t)=b(1)*z(t-1)+b(2)*z(t-2)+…,其中,b(1)、b(2)、…等为需要估计的系数。
需要说明的是,之所以使用线性模型作为类目识别模型,是因为模型参数少且类目的历史数据会比较稳定。当然,也可用其它模型,如回归模型作为类目识别模型,以提高类目使用热度预测的准确性,此处不作限定。
B2:利用最新一段时间的类目历史数据(比如今年最新的3个月的类目历史成交量等)以及其所对应的同期历史数据(如同一个公历日或农历日下的至少两年的同期历史数据),对建立的初始类目识别模型进行训练,得到b(1)、b(2)等各系数的实际取值,以得到最终所需的类目识别模型。
另外,需要说明的是,在训练得到所述类目识别模型之后,还可根据最新的类目识别模型样本数据实时或定时对所述类目识别模型进行更新,以提高所述类目识别模型的准确性;再有,以为某一频道选取商品对象为例,待该频道上线后,还可将各类目识别模型样本对象在各第五时间段的类目使用热度、以及各类目识别模型样本对象在与各第五时间段相对应的一个或多个历史同期时间段的类目使用热度等分别替换为各类目识别模型样本对象在该频道下的相应的类目使用热度等,以更好地对商品对象类目在该频道下的类目使用热度进行预测,此处不再赘述。
进一步地,在按照上述方式得到所述类目识别模型之后,若确定所述第二时间段为下一个月,则可基于训练得到的所述类目识别模型、以及各初选对象对应的类目在与所述下一个月相对应的一个或多个历史同期时间段(如,前一年或前两年等历史同期时间段)的类目使用热度,确定各初选对象对应的类目在所述下一个月的类目使用热度。
另外,需要说明的是,除了可按照上述方式预测下一个月的相关商品对象类目的类目使用热度之外,还可以天为单位,建立相应的初始类目识别模型,如建立如下初始类目识别模型z1(t)=b1(1)*z1(t-1)+b1(2)*z1(t-2)+…,其中,z1(t)为今年日期t某一类目的类目使用热度,z1(t-1)为去年同期该类目的类目使用热度,z1(t-2)为前年同期该类目的类目使用热度,依此类推;b1(1)、b1(2)等为需要估计的系数;之后,可利用最新一段时间的类目历史数据(比如90天等)以及其所对应的同期历史数据,对建立的初始类目识别模型进行训练,得到b1(1)、b1(2)等各系数的取值,以得到最终所需的类目识别模型;再之后,利用训练得到的类目识别模型,向后计算30天的各类目的类目使用热度,然后,加和平均得到各类目后一个月较为稳定的类目使用热度,此处不再赘述。
进一步地,为了使得所选取的商品对象更为符合用户需求,以提高商品对象的成交性能,当确定所述第二时间段为节假日等特定时间段时,还可对与该第二时间段对应的特定时间段相关的各类目的类目使用热度进行额外加权(额外加权的程度可根据实际需求而定),确保这些类目对应的商品对象能够及时浮现。例如,中秋节月饼会大热,因而,当所述第二时间段为中秋节时间段时,还可对月饼对应的类目进行额外加权。
也就是说,针对任一初选对象,在根据所述初选对象对应的类目在所述第二时间段的类目使用热度,对所述初选对象在所述第二时间段的对象使用热度进行更新之前,所述方法还可包括:
若确定所述第二时间段为特定时间段(如中秋节、端午节等节假日时间段等),则若确定所述初选对象对应的类目为与所述第二时间段对应的特定时间段相匹配的类目,则根据设定的系数(该系数可根据实际情况灵活调整,如,若类目与特定时间段的匹配程度较高,则系数可较大,若匹配程度较低,则系数可较小等),增大所述初选对象对应的类目在所述第二时间段的类目使用热度。
进一步地,由于直接将各商品对象按对象使用热度进行排序会导致有一些同质商品对象的出现,比如“中秋节礼物意大利进口费列罗巧克力玫瑰花DIY礼盒装生日情人包邮”和“顺丰包邮意大利费列罗巧克力DIY心形玫瑰礼盒装中秋节生日礼物”这两种商品对象非常类似,如果直接一并展示到前台会导致商品对象单一。因而,在从初选对象中选取至少一个商品对象作为所述第二时间段内、与所述商品对象主题词相匹配的商品对象之前,还可对各初选对象进行去同操作。
即,在从初选对象中选取至少一个商品对象作为所述第二时间段内、与所述商品对象主题词相匹配的商品对象之前,所述方法还可包括:
根据各初选对象对应的标题之间的相似度,确定各初选对象之间的相似度;
针对每一组由相互之间的相似度不低于设定的相似度阈值(该相似度阈值与前文中第一次提及的相似度阈值可相同或不同)的至少一个初选对象所组成的对象集合,保留所述对象集合中的一对象,并删除其它对象,以便后续可从执行删除操作后所得到的各初选对象中选取至少一个商品对象作为所述第二时间段内、与所述商品对象主题词相匹配的商品对象。
即,可通过计算商品对象标题的相似度得到各商品对象之间的相似度。另外,相似度计算可以采用杰卡德相似度公式J(A,B)=|A交B|/|A并B|(即,两个标题的相似度为两个标题共同词语的数量除以两个标题所有词语的数量)。例如,假设标题A是“榛子巧克力”,标题B是“牛奶巧克力”,则两者的相似度为1/3,因为标题交集有一个词语“巧克力”,而两个标题的并集有三个词语。当然,也可采用其它任意的相似度计算公式计算得到各商品对象之间的相似度,对此不作限定。
再有,针对每一组由相互之间的相似度不低于设定的相似度阈值的至少一个初选对象所组成的对象集合,在保留所述对象集合中的一对象时,通常可保留对应的对象使用热度最高的一对象,以提高商品对象的成交性能,提高用户的应用体验。
此外,以为某一频道选取商品对象为例,若该频道需要实现商品对象的每日更新,则还可以通过配置相关逻辑,使得该频道最终展示的商品对象几天之内不重复,此处不再赘述。
进一步地,本实施例中,除了可在从初选对象中选取至少一个商品对象作为所述第二时间段内、与所述商品对象主题词相匹配的商品对象之前,对各初选对象进行去同操作之外,还可在从初选对象中选取至少一个商品对象作为所述第二时间段内、与所述商品对象主题词相匹配的商品对象之后,采用类似方式对所选取的各商品对象进行去同操作。
另外,服务器在从初选对象中选取至少一个商品对象作为所述第二时间段内、与所述商品对象主题词相匹配的商品对象后,还可将所选取的商品对象的商品对象信息(如商品对象的ID、或商品对象的链接等唯一性标识信息)进行存储,和/或,发送给用户终端。
步骤207:用户终端接收所述服务器返回的与所述商品对象主题词相匹配的商品对象的商品对象信息,并将所述商品对象信息所对应的商品对象作为第二时间段内、与所述商品对象主题词相匹配的商品对象。
可选地,用户终端还可将接收到的商品对象信息进行显示,和/或,将所述商品对象信息所对应的商品对象进行显示,以便用户查看,对此不作赘述。
另外,需要说明的是,上述步骤201、步骤203以及步骤207独立地构成了在用户终端侧执行的商品对象选取流程,步骤202、步骤204~步骤206独立地构成了在服务器侧执行的商品对象选取流程,对此不作赘述。
进一步地,如图3、图4所示,本申请实施例还提供了两种模型确定方法。具体地,如图3所示,其为本申请实施例一中的一种模型确定方法的一种可能的流程示意图,所述模型确定方法可包括以下步骤:
步骤301:接收用户终端发送的对象识别模型训练样本数据。
其中,所述对象识别模型训练样本数据中包含各对象识别模型样本对象的基础特征数据,且,每一对象识别模型样本对象的基础特征数据包括所述对象识别模型样本对象在各第三时间段内的使用特征数据,以及所述对象识别模型样本对象在各对应的第四时间段的对象使用热度;所述第三时间段为对应的第四时间段的前一指定时间段。
步骤302:根据所述对象识别模型训练样本数据中包含的各对象识别模型样本对象的基础特征数据,对预先建立的初始对象识别模型进行训练,得到所需的对象识别模型。
其中,所述初始对象识别模型用于预测商品对象在第一时间段内的使用特征数据、与商品对象在第二时间段的对象使用热度之间的关联关系;所述第一时间段为第二时间段的前一指定时间段。
所述对象识别模型用于表征商品对象在第一时间段内的使用特征数据、与商品对象在第二时间段的对象使用热度之间的关联关系。
进一步地,如图4所示,其为本申请实施例一中的另一种模型确定方法的一种可能的流程示意图,所述另一种模型确定方法可包括以下步骤:
步骤401:接收用户终端发送的类目识别模型训练样本数据。
其中,所述类目识别模型训练样本数据中包含各类目识别模型样本对象的基础特征数据,且,每一类目识别模型样本对象的基础特征数据包括所述类目识别模型样本对象对应的类目在各设定的样本时间段(如前述商品对象选取方法中的第五时间段;另外,若不考虑前述商品对象选取方法,也可将该设定的样本时间段表示为第一时间段,以与本模型确定方法后续提及的第二时间段进行区分,对此不作赘述)的类目使用热度,以及所述类目识别模型样本对象对应的类目在与各设定的样本时间段相对应的一个或多个历史同期时间段的类目使用热度。
步骤402:根据所述类目识别模型训练样本数据中包含的各类目识别模型样本对象的基础特征数据,对预先建立的初始类目识别模型进行训练,得到所需的类目识别模型。
其中,所述初始类目识别模型用于预测商品对象类目在第二时间段的类目使用热度、与商品对象类目在与该第二时间段相对应的一个或多个历史同期时间段的类目使用热度之间的关联关系。
所述类目识别模型用于表征商品对象类目在第二时间段的类目使用热度、与商品对象类目在与该第二时间段相对应的一个或多个历史同期时间段的类目使用热度之间的关联关系。
另外,需要说明的是,图3、图4所示的模型确定方法的执行主体均可为服务器;且,图3、图4所示的模型确定方法的各步骤的具体实施可参见前述相关描述,对此均不作赘述。
进一步地,如图5所示,本申请实施例还提供了一种使用热度确定方法。所述使用热度确定方法可包括以下步骤:
步骤501:获取各商品对象在第一时间段内的使用特征数据;
步骤502:基于商品对象在第一时间段内的使用特征数据与商品对象在第二时间段的对象使用热度之间的关联关系,以及,各商品对象在第一时间段内的使用特征数据,确定各商品对象在第二时间段的对象使用热度;
其中,所述第一时间段为第二时间段的前一指定时间段;且,所述关联关系是根据各样本对象在各第三时间段的使用特征数据以及各样本对象在各对应的第四时间段的对象使用热度所建立的;所述第三时间段为对应的第四时间段的前一指定时间段。
需要说明的是,所述关联关系即类似于前述所述的设定的对象识别模型;另外,图5所示的使用热度确定方法的各步骤的具体实施可参见前述相关描述,对此不作赘述。
由本申请实施例一所述内容可知,在本申请实施例一所述方案中,可基于用户输入的商品对象主题词以及设定的对象识别模型,从海量对象中自动选择出至少一个商品对象作为最终的满足用户需求的对象,从而大大提高了商品对象的选取效率,进而减少了人工盘货的成本,提高了运营效率。
另外,由于可根据各初选对象在第二时间段的对象使用热度,从初选对象中选取至少一个对象使用热度不低于设定热度阈值的商品对象作为最终所需的商品对象,从而还可提高商品对象选取的准确性。
此外,由于还可基于时间序列模型,即类目识别模型,计算类目的类目使用热度,并根据类目的类目使用热度,对各商品对象的排序进行调整,从而还可根据季节以及节假日等及时调整商品对象,以进一步减少人工盘货的成本,提高运营效率。
最后,需要说明的是,本申请实施例所述方案无语言、软件或者硬件的限制,基于一般的云计算平台即可实现。但是,为了提高频道对象的选取效率,可优先选用性能高的编程语言(如C、C++或者Java等)和性能高的硬件等来实现,本申请实施例对此不作赘述。
实施例二:
基于与本申请实施例一相同的发明构思,本申请实施例二提供了一种商品对象选取装置,该商品对象选取装置的具体实施可参见上述方法实施例一中的有关服务器的相关描述,重复之处不再赘述,如图6所示,该商品对象选取装置主要可包括:
主题词接收单元601,可用于接收用户终端发送的商品对象主题词;
对象获取单元602,可用于获取与所述商品对象主题词相匹配的初选对象;
热度确定单元603,可用于基于设定的对象识别模型以及各初选对象在第一时间段内的使用特征数据,确定各初选对象在第二时间段的对象使用热度;其中,所述对象识别模型为训练得到的用于表征商品对象在第一时间段内的使用特征数据、与商品对象在第二时间段的对象使用热度之间的关联关系的识别模型;所述第一时间段为第二时间段的前一指定时间段;
对象筛选单元604,可用于根据各初选对象在所述第二时间段的对象使用热度,从初选对象中选取至少一个商品对象作为所述第二时间段内、与所述商品对象主题词相匹配的商品对象。
可选地,所述对象筛选单元604,具体可用于从初选对象中选取至少一个对象使用热度不低于设定热度阈值的商品对象作为所述第二时间段内、与所述商品对象主题词相匹配的商品对象。
可选地,所述商品对象选取装置还可包括对象识别样本数据接收单元605以及对象识别模型确定单元606:
所述对象识别样本数据接收单元605,可用于在基于设定的对象识别模型以及各初选对象在第一时间段内的使用特征数据,确定各初选对象在所述第二时间段的对象使用热度之前,接收用户终端发送的对象识别模型训练样本数据,其中,所述对象识别模型训练样本数据中包含各对象识别模型样本对象的基础特征数据,且,每一对象识别模型样本对象的基础特征数据包括所述对象识别模型样本对象在各第三时间段内的使用特征数据,以及所述对象识别模型样本对象在各对应的第四时间段的对象使用热度;所述第三时间段为对应的第四时间段的前一指定时间段;
所述对象识别模型确定单元606,可用于根据各对象识别模型样本对象的基础特征数据,对预先建立的用于预测商品对象在第一时间段内的使用特征数据、与商品对象在第二时间段的对象使用热度之间的关联关系的初始对象识别模型进行训练,得到所述对象识别模型。
可选地,所述商品对象选取装置还可包括类目热度确定单元607以及对象热度更新单元608:
所述类目热度确定单元607,可用于在从初选对象中选取至少一个商品对象作为所述第二时间段内、与所述商品对象主题词相匹配的商品对象之前,基于设定的类目识别模型、以及各初选对象对应的类目在与所述第二时间段相对应的一个或多个历史同期时间段的类目使用热度,确定各初选对象对应的类目在所述第二时间段的类目使用热度;其中,所述类目识别模型为训练得到的用于表征商品对象类目在第二时间段的类目使用热度、与商品对象类目在与该第二时间段相对应的一个或多个历史同期时间段的类目使用热度之间的关联关系的识别模型;
对象热度更新单元608,可用于针对每一初选对象,根据所述初选对象对应的类目在所述第二时间段的类目使用热度,对所述初选对象在所述第二时间段的对象使用热度进行更新。
可选地,所述商品对象选取装置还可包括类目识别样本数据接收单元609以及类目识别模型确定单元610:
所述类目识别样本数据接收单元609,可用于在基于设定的类目识别模型、以及各初选对象对应的类目在与所述第二时间段相对应的一个或多个历史同期时间段的类目使用热度,确定各初选对象对应的类目在所述第二时间段的类目使用热度之前,接收用户终端发送的类目识别模型训练样本数据,其中,所述类目识别模型训练样本数据中包含各类目识别模型样本对象的基础特征数据,且,每一类目识别模型样本对象的基础特征数据包括所述类目识别模型样本对象对应的类目在各第五时间段的类目使用热度,以及所述类目识别模型样本对象对应的类目在与各第五时间段相对应的一个或多个历史同期时间段的类目使用热度;
所述类目识别模型确定单元610,可用于根据各类目识别模型样本对象的基础特征数据,对预先建立的用于预测商品对象类目在第二时间段的类目使用热度、与商品对象类目在与该第二时间段相对应的一个或多个历史同期时间段的类目使用热度之间的关联关系的初始类目识别模型进行训练,得到所述类目识别模型。
其中,每一时间段的历史同期时间段是指与该时间段处于同一公历日或农历日下,且与该时间段相对应的历史时间段。
可选地,所述商品对象选取装置还可包括类目热度更新单元611:
所述类目热度更新单元611,可用于针对任一初选对象,在根据所述初选对象对应的类目在所述第二时间段的类目使用热度,对所述初选对象在所述第二时间段的对象使用热度进行更新之前,若确定所述第二时间段为特定时间段,则若确定所述初选对象对应的类目为与所述第二时间段对应的特定时间段相匹配的类目,则根据设定的系数,增大所述初选对象对应的类目在所述第二时间段的类目使用热度。
可选地,所述商品对象选取装置还可包括商品对象去同单元612:
所述商品对象去同单元612,可用于在从初选对象中选取至少一个商品对象作为所述第二时间段内、与所述商品对象主题词相匹配的商品对象之前,根据各初选对象对应的标题之间的相似度,确定各初选对象之间的相似度;针对每一组由相互之间的相似度不低于第一相似度阈值的至少一个初选对象所组成的对象集合,保留所述对象集合中的一对象,并删除其它对象。
可选地,所述商品对象选取装置还可包括主题词扩充单元613:
所述主题词扩充单元613,可用于在获取与所述商品对象主题词相匹配的初选对象之前,针对用户终端发送的每一商品对象主题词,基于设定的样本语料,确定与该商品对象主题词之间的相似度不低于第二相似度阈值的至少一个样本词语;将确定的各样本词语作为最终所需的商品对象主题词。
另外,需要说明的是,所述对象识别模型可为回归模型;所述类目识别模型可为线性模型。
进一步地,基于与本申请实施例一相同的发明构思,本申请实施例二还提供了另一种商品对象选取装置,该另一种商品对象选取装置的具体实施可参见上述方法实施例一中的有关用户终端的相关描述,重复之处不再赘述,如图7所示,该另一种商品对象选取装置主要可包括:
主题词接收单元701,可用于接收用户输入的商品对象主题词;
主题词发送单元702,可用于将所述商品对象主题词发送至服务器;
对象信息接收单元703,可用于接收所述服务器根据所述商品对象主题词返回的商品对象信息;
对象确定单元704,可用于将所述商品对象信息所对应的商品对象确定为第二时间段内、与所述商品对象主题词相匹配的商品对象;
其中,所述商品对象信息是所述服务器根据设定的对象识别模型、以及与所述商品对象主题词相匹配的各初选对象在第一时间段内的使用特征数据,从与所述商品对象主题词相匹配的初选对象中所选取的商品对象的相关信息;所述第一时间段为第二时间段的前一指定时间段;
所述设定的对象识别模型用于表征商品对象在第一时间段内的使用特征数据、与商品对象在第二时间段的对象使用热度之间的关联关系。
可选地,所述另一种商品对象选取装置还可包括对象识别样本数据接收单元705以及对象识别样本数据发送单元706:
所述对象识别样本数据接收单元705,可用于在接收用户输入的商品对象主题词之前,接收用户输入的对象识别模型训练样本数据,其中,所述对象识别模型训练样本数据中包含各对象识别模型样本对象的基础特征数据,且,每一对象识别模型样本对象的基础特征数据包括所述对象识别模型样本对象在各第三时间段内的使用特征数据,以及所述对象识别模型样本对象在各对应的第四时间段的对象使用热度;所述第三时间段为对应的第四时间段的前一指定时间段;
所述对象识别样本数据发送单元706,可用于将所述对象识别模型训练样本数据发送至服务器,由所述服务器根据所述对象识别模型训练样本数据中包含的各对象识别模型样本对象的基础特征数据,对预先建立的用于预测商品对象在第一时间段内的使用特征数据、与商品对象在第二时间段的对象使用热度之间的关联关系的初始对象识别模型进行训练,得到所述设定的对象识别模型。
可选地,所述另一种商品对象选取装置还可包括类目识别样本数据接收单元707以及类目识别样本数据发送单元708:
所述类目识别样本数据接收单元707,可用于在接收所述服务器根据所述商品对象主题词返回的商品对象信息之前,接收用户输入的类目识别模型训练样本数据,其中,所述类目识别模型训练样本数据中包含各类目识别模型样本对象的基础特征数据,且,每一类目识别模型样本对象的基础特征数据包括所述类目识别模型样本对象对应的类目在各第五时间段的类目使用热度,以及所述类目识别模型样本对象对应的类目在与各第五时间段相对应的一个或多个历史同期时间段的类目使用热度;
所述类目识别样本数据发送单元708,可用于将所述类目识别模型训练样本数据发送至服务器,由所述服务器根据所述类目识别模型训练样本数据中包含的各类目识别模型样本对象的基础特征数据,对预先建立的用于预测商品对象类目在第二时间段的类目使用热度、与商品对象类目在与该第二时间段相对应的一个或多个历史同期时间段的类目使用热度之间的关联关系的初始类目识别模型进行训练,得到用于表征商品对象类目在第二时间段的类目使用热度、与商品对象类目在与该第二时间段相对应的一个或多个历史同期时间段的类目使用热度之间的关联关系的类目识别模型。
进一步地,基于与本申请实施例一相同的发明构思,本申请实施例二还提供了一种模型确定装置,该模型确定装置的具体实施可参见上述方法实施例一中的有关第一种模型确定方法的相关描述,重复之处不再赘述,如图8所示,该模型确定装置主要可包括:
数据接收单元801,可用于接收用户终端发送的对象识别模型训练样本数据,其中,所述对象识别模型训练样本数据中包含各对象识别模型样本对象的基础特征数据,且,每一对象识别模型样本对象的基础特征数据包括所述对象识别模型样本对象在各第三时间段内的使用特征数据,以及所述对象识别模型样本对象在各对应的第四时间段的对象使用热度;所述第三时间段为对应的第四时间段的前一指定时间段;
模型训练单元802,可用于根据所述对象识别模型训练样本数据中包含的各对象识别模型样本对象的基础特征数据,对预先建立的用于预测商品对象在第一时间段内的使用特征数据、与商品对象在第二时间段的对象使用热度之间的关联关系的初始对象识别模型进行训练,得到用于表征商品对象在第一时间段内的使用特征数据、与商品对象在第二时间段的对象使用热度之间的关联关系的对象识别模型;所述第一时间段为第二时间段的前一指定时间段。
进一步地,基于与本申请实施例一相同的发明构思,本申请实施例二还提供了另一种模型确定装置,该另一种模型确定装置的具体实施可参见上述方法实施例一中的有关另一种模型确定方法的相关描述,重复之处不再赘述,如图9所示,该另一种模型确定装置主要可包括:
数据接收单元901,可用于接收用户终端发送的类目识别模型训练样本数据,其中,所述类目识别模型训练样本数据中包含各类目识别模型样本对象的基础特征数据,且,每一类目识别模型样本对象的基础特征数据包括所述类目识别模型样本对象对应的类目在各设定的样本时间段(如前述商品对象选取方法中的第五时间段;另外,若不考虑前述商品对象选取方法,也可将该设定的样本时间段表示为第一时间段,以与本模型确定装置后续提及的第二时间段进行区分,对此不作赘述)的类目使用热度,以及所述类目识别模型样本对象对应的类目在与各设定的样本时间段相对应的一个或多个历史同期时间段的类目使用热度;
模型训练单元902,可用于根据所述类目识别模型训练样本数据中包含的各类目识别模型样本对象的基础特征数据,对预先建立的用于预测商品对象类目在第二时间段的类目使用热度、与商品对象类目在与该第二时间段相对应的一个或多个历史同期时间段的类目使用热度之间的关联关系的初始类目识别模型进行训练,得到用于表征商品对象类目在第二时间段的类目使用热度、与商品对象类目在与该第二时间段相对应的一个或多个历史同期时间段的类目使用热度之间的关联关系的类目识别模型。
进一步地,基于与本申请实施例一相同的发明构思,本申请实施例二还提供了一种使用热度确定装置,该使用热度确定装置的具体实施可参见上述方法实施例一中的有关使用热度确定方法的相关描述,重复之处不再赘述,如图10所示,该使用热度确定装置主要可包括:
数据获取单元1001,可用于获取各商品对象在第一时间段内的使用特征数据;
热度确定单元1002,可用于基于商品对象在第一时间段内的使用特征数据与商品对象在第二时间段的对象使用热度之间的关联关系,以及,各商品对象在第一时间段内的使用特征数据,确定各商品对象在第二时间段的对象使用热度;
其中,所述第一时间段为第二时间段的前一指定时间段;且,所述关联关系是根据各样本对象在各第三时间段的使用特征数据以及各样本对象在各对应的第四时间段的对象使用热度所建立的;所述第三时间段为对应的第四时间段的前一指定时间段。
最后,需要说明的是,本申请实施例说明书以及附图中的任何命名(如第一时间段、第二时间段等)都仅用于区分,而不具有任何限制含义。
本领域技术人员应明白,本申请的实施例可提供为方法、装置(设备)、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、装置(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。
尽管已描述了本申请的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (18)
1.一种商品对象选取方法,其特征在于,包括:
接收用户终端发送的商品对象主题词;
获取与所述商品对象主题词相匹配的初选对象;
基于设定的对象识别模型以及各初选对象在第一时间段内的使用特征数据,确定各初选对象在第二时间段的对象使用热度;其中,所述对象识别模型为训练得到的用于表征商品对象在第一时间段内的使用特征数据、与商品对象在第二时间段的对象使用热度之间的关联关系的识别模型;所述第一时间段为第二时间段的前一指定时间段;
基于设定的类目识别模型、以及各初选对象对应的类目在与所述第二时间段相对应的一个或多个历史同期时间段的类目使用热度,确定各初选对象对应的类目在所述第二时间段的类目使用热度;其中,所述类目识别模型为训练得到的用于表征商品对象类目在第二时间段的类目使用热度、与商品对象类目在与该第二时间段相对应的一个或多个历史同期时间段的类目使用热度之间的关联关系的识别模型;
针对每一初选对象,根据所述初选对象对应的类目在所述第二时间段的类目使用热度,对所述初选对象在所述第二时间段的对象使用热度进行更新;
根据各初选对象在所述第二时间段的对象使用热度,从初选对象中选取至少一个商品对象作为所述第二时间段内、与所述商品对象主题词相匹配的商品对象。
2.如权利要求1所述的方法,其特征在于,从初选对象中选取至少一个商品对象作为所述第二时间段内、与所述商品对象主题词相匹配的商品对象,包括:
从初选对象中选取至少一个对象使用热度不低于设定热度阈值的商品对象作为所述第二时间段内、与所述商品对象主题词相匹配的商品对象。
3.如权利要求1所述的方法,其特征在于,在基于设定的对象识别模型以及各初选对象在第一时间段内的使用特征数据,确定各初选对象在第二时间段的对象使用热度之前,所述方法还包括:
接收用户终端发送的对象识别模型训练样本数据,其中,所述对象识别模型训练样本数据中包含各对象识别模型样本对象的基础特征数据,且,每一对象识别模型样本对象的基础特征数据包括所述对象识别模型样本对象在各第三时间段内的使用特征数据,以及所述对象识别模型样本对象在各对应的第四时间段的对象使用热度;所述第三时间段为对应的第四时间段的前一指定时间段;
根据各对象识别模型样本对象的基础特征数据,对预先建立的用于预测商品对象在第一时间段内的使用特征数据、与商品对象在第二时间段的对象使用热度之间的关联关系的初始对象识别模型进行训练,得到所述对象识别模型。
4.如权利要求3所述的方法,其特征在于,所述使用特征数据至少包括浏览次数、收藏次数、加购次数、成交次数、评论次数、以及搜索次数中的任意一种或多种;所述对象使用热度至少包括成交量、成交额、以及成交转化率中的任意一种或多种。
5.如权利要求1所述的方法,其特征在于,在基于设定的类目识别模型、以及各初选对象对应的类目在与所述第二时间段相对应的一个或多个历史同期时间段的类目使用热度,确定各初选对象对应的类目在所述第二时间段的类目使用热度之前,所述方法还包括:
接收用户终端发送的类目识别模型训练样本数据,其中,所述类目识别模型训练样本数据中包含各类目识别模型样本对象的基础特征数据,且,每一类目识别模型样本对象的基础特征数据包括所述类目识别模型样本对象对应的类目在各第五时间段的类目使用热度,以及所述类目识别模型样本对象对应的类目在与各第五时间段相对应的一个或多个历史同期时间段的类目使用热度;
根据各类目识别模型样本对象的基础特征数据,对预先建立的用于预测商品对象类目在第二时间段的类目使用热度、与商品对象类目在与该第二时间段相对应的一个或多个历史同期时间段的类目使用热度之间的关联关系的初始类目识别模型进行训练,得到所述类目识别模型。
6.如权利要求5所述的方法,其特征在于,每一时间段的历史同期时间段是指与该时间段处于同一公历日或农历日下,且与该时间段相对应的历史时间段。
7.如权利要求1所述的方法,其特征在于,针对任一初选对象,在根据所述初选对象对应的类目在所述第二时间段的类目使用热度,对所述初选对象在所述第二时间段的对象使用热度进行更新之前,所述方法还包括:
若确定所述第二时间段为特定时间段,则若确定所述初选对象对应的类目为与所述第二时间段对应的特定时间段相匹配的类目,则根据设定的系数,增大所述初选对象对应的类目在所述第二时间段的类目使用热度。
8.如权利要求1所述的方法,其特征在于,在从初选对象中选取至少一个商品对象作为所述第二时间段内、与所述商品对象主题词相匹配的商品对象之前,所述方法还包括:
根据各初选对象对应的标题之间的相似度,确定各初选对象之间的相似度;
针对每一组由相互之间的相似度不低于第一相似度阈值的至少一个初选对象所组成的对象集合,保留所述对象集合中的一对象,并删除其它对象。
9.如权利要求1所述的方法,其特征在于,在获取与所述商品对象主题词相匹配的初选对象之前,所述方法还包括:
针对用户终端发送的每一商品对象主题词,基于设定的样本语料,确定与该商品对象主题词之间的相似度不低于第二相似度阈值的至少一个样本词语;
将确定的各样本词语作为最终所需的商品对象主题词。
10.如权利要求1所述的方法,其特征在于,所述对象识别模型为回归模型;所述类目识别模型为线性模型。
11.如权利要求1所述的方法,其特征在于,通过以下方式确定使用热度:
获取各商品对象在第一时间段内的使用特征数据;
基于商品对象在第一时间段内的使用特征数据与商品对象在第二时间段的对象使用热度之间的关联关系,以及,各商品对象在第一时间段内的使用特征数据,确定各商品对象在第二时间段的对象使用热度;
所述第一时间段为第二时间段的前一指定时间段;且,所述关联关系是根据各样本对象在各第三时间段的使用特征数据以及各样本对象在各对应的第四时间段的对象使用热度所建立的;所述第三时间段为对应的第四时间段的前一指定时间段。
12.一种商品对象选取方法,其特征在于,包括:
接收用户输入的商品对象主题词,并将所述商品对象主题词发送至服务器;
接收所述服务器根据所述商品对象主题词返回的商品对象信息,并将所述商品对象信息所对应的商品对象作为第二时间段内、与所述商品对象主题词相匹配的商品对象;
其中,所述商品对象信息是所述服务器根据设定的对象识别模型、以及与所述商品对象主题词相匹配的各初选对象在第一时间段内的使用特征数据,和基于设定的类目识别模型、以及各初选对象对应的类目在与 所述第二时间段对应的一个或多个历史同期时间段的类目使用热度,从与所述商品对象主题词相匹配的初选对象中所选取的商品对象的相关信息;所述第一时间段为第二时间段的前一指定时间段;
所述设定的对象识别模型用于表征商品对象在第一时间段内的使用特征数据、与商品对象在第二时间段的对象使用热度之间的关联关系;
所述设定的类目识别模型用于表征商品对象类目在第二时间段的类目使用热度、与商品对象类目在该第二时间段相对应的一个或多个历史同期时间段的类目使用热度之间的关联关系。
13.如权利要求12所述的方法,其特征在于,在接收用户输入的商品对象主题词之前,所述方法还包括:
接收用户输入的对象识别模型训练样本数据,其中,所述对象识别模型训练样本数据中包含各对象识别模型样本对象的基础特征数据,且,每一对象识别模型样本对象的基础特征数据包括所述对象识别模型样本对象在各第三时间段内的使用特征数据,以及所述对象识别模型样本对象在各对应的第四时间段的对象使用热度;所述第三时间段为对应的第四时间段的前一指定时间段;
将所述对象识别模型训练样本数据发送至服务器,由所述服务器根据所述对象识别模型训练样本数据中包含的各对象识别模型样本对象的基础特征数据,对预先建立的用于预测商品对象在第一时间段内的使用特征数据、与商品对象在第二时间段的对象使用热度之间的关联关系的初始对象识别模型进行训练,得到所述设定的对象识别模型。
14.一种模型确定方法,其特征在于,包括:
接收用户终端发送的类目识别模型训练样本数据,其中,所述类目识别模型训练样本数据中包含各类目识别模型样本对象的基础特征数据,且,每一类目识别模型样本对象的基础特征数据包括所述类目识别模型样本对象对应的类目在各第一时间段的类目使用热度,以及所述类目识别模型样本对象对应的类目在与各第一时间段相对应的一个或多个历史同期时间段的类目使用热度;
根据所述类目识别模型训练样本数据中包含的各类目识别模型样本对象的基础特征数据,对预先建立的用于预测商品对象类目在第二时间段的类目使用热度、与商品对象类目在与该第二时间段相对应的一个或多个历史同期时间段的类目使用热度之间的关联关系的初始类目识别模型进行训练,得到用于表征商品对象类目在第二时间段的类目使用热度、与商品对象类目在与该第二时间段相对应的一个或多个历史同期时间段的类目使用热度之间的关联关系的类目识别模型。
15.如权利要求14所述的方法,其特征在于,所述类目使用热度至少包括成交量、成交额、以及成交转化率中的任意一种或多种。
16.一种商品对象选取装置,其特征在于,包括:
主题词接收单元,用于接收用户终端发送的商品对象主题词;
对象获取单元,用于获取与所述商品对象主题词相匹配的初选对象;
热度确定单元,用于基于设定的对象识别模型以及各初选对象在第一时间段内的使用特征数据,确定各初选对象在第二时间段的对象使用热度;其中,所述对象识别模型为训练得到的用于表征商品对象在第一时间段内的使用特征数据、与商品对象在第二时间段的对象使用热度之间的关联关系的识别模型;所述第一时间段为第二时间段的前一指定时间段;
基于设定的类目识别模型、以及各初选对象对应的类目在与所述第二时间段相对应的一个或多个历史同期时间段的类目使用热度,确定各初选对象对应的类目在所述第二时间段的类目使用热度;其中,所述类目识别模型为训练得到的用于表征商品对象类目在第二时间段的类目使用热度、与商品对象类目在与该第二时间段相对应的一个或多个历史同期时间段的类目使用热度之间的关联关系的识别模型;
针对每一初选对象,根据所述初选对象对应的类目在所述第二时间段的类目使用热度,对所述初选对象在所述第二时间段的对象使用热度进行更新;
对象筛选单元,用于根据各初选对象在所述第二时间段的对象使用热度,从初选对象中选取至少一个商品对象作为所述第二时间段内、与所述商品对象主题词相匹配的商品对象。
17.一种商品对象选取装置,其特征在于,包括:
主题词接收单元,用于接收用户输入的商品对象主题词;
主题词发送单元,用于将所述商品对象主题词发送至服务器;
对象信息接收单元,用于接收所述服务器根据所述商品对象主题词返回的商品对象信息;
对象确定单元,用于将所述商品对象信息所对应的商品对象确定为第二时间段内、与所述商品对象主题词相匹配的商品对象;
其中,所述商品对象信息是所述服务器根据设定的对象识别模型、以及与所述商品对象主题词相匹配的各初选对象在第一时间段内的使用特征数据,和基于设定的类目识别模型、以及各初选对象对应的类目在于所述第二时间段对应的一个或多个历史同期时间段的类目使用热度,从与所述商品对象主题词相匹配的初选对象中所选取的商品对象的相关信息;所述第一时间段为第二时间段的前一指定时间段;
所述设定的对象识别模型用于表征商品对象在第一时间段内的使用特征数据、与商品对象在第二时间段的对象使用热度之间的关联关系;
所述设定的类目识别模型用于表征商品对象类目在第二时间段的类目使用热度、与商品对象类目在该第二时间段相对应的一个或多个历史同期时间段的类目使用热度之间的关联关系。
18.一种模型确定装置,其特征在于,包括:
数据接收单元,用于接收用户终端发送的类目识别模型训练样本数据,其中,所述类目识别模型训练样本数据中包含各类目识别模型样本对象的基础特征数据,且,每一类目识别模型样本对象的基础特征数据包括所述类目识别模型样本对象对应的类目在各第一时间段的类目使用热度,以及所述类目识别模型样本对象对应的类目在与各第一时间段相对应的一个或多个历史同期时间段的类目使用热度;
模型训练单元,用于根据所述类目识别模型训练样本数据中包含的各类目识别模型样本对象的基础特征数据,对预先建立的用于预测商品对象类目在第二时间段的类目使用热度、与商品对象类目在与该第二时间段相对应的一个或多个历史同期时间段的类目使用热度之间的关联关系的初始类目识别模型进行训练,得到用于表征商品对象类目在第二时间段的类目使用热度、与商品对象类目在与该第二时间段相对应的一个或多个历史同期时间段的类目使用热度之间的关联关系的类目识别模型。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610569600.9A CN107632989B (zh) | 2016-07-19 | 2016-07-19 | 一种商品对象选取、模型确定及使用热度确定方法与装置 |
TW106118714A TW201816685A (zh) | 2016-07-19 | 2017-06-06 | 商品物件選取、模型確定及使用熱度確定方法與裝置 |
PCT/CN2017/092588 WO2018014764A1 (zh) | 2016-07-19 | 2017-07-12 | 一种商品对象选取、模型确定及使用热度确定方法与装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610569600.9A CN107632989B (zh) | 2016-07-19 | 2016-07-19 | 一种商品对象选取、模型确定及使用热度确定方法与装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107632989A CN107632989A (zh) | 2018-01-26 |
CN107632989B true CN107632989B (zh) | 2021-04-13 |
Family
ID=60991980
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610569600.9A Active CN107632989B (zh) | 2016-07-19 | 2016-07-19 | 一种商品对象选取、模型确定及使用热度确定方法与装置 |
Country Status (3)
Country | Link |
---|---|
CN (1) | CN107632989B (zh) |
TW (1) | TW201816685A (zh) |
WO (1) | WO2018014764A1 (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110309253A (zh) * | 2018-03-01 | 2019-10-08 | 北京京东尚科信息技术有限公司 | 选品方法、装置和计算机可读存储介质 |
CN111259302B (zh) * | 2020-01-19 | 2023-04-07 | 深圳市雅阅科技有限公司 | 信息推送方法、装置及电子设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103729359A (zh) * | 2012-10-12 | 2014-04-16 | 阿里巴巴集团控股有限公司 | 一种推荐搜索词的方法及*** |
CN105095210A (zh) * | 2014-04-22 | 2015-11-25 | 阿里巴巴集团控股有限公司 | 一种筛选推广关键词的方法和装置 |
CN105096152A (zh) * | 2014-05-20 | 2015-11-25 | 阿里巴巴集团控股有限公司 | 一种基于商品热度的操作执行方法及装置 |
CN105630836A (zh) * | 2014-11-05 | 2016-06-01 | 阿里巴巴集团控股有限公司 | 搜索结果的排序方法和装置 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102402757A (zh) * | 2010-09-15 | 2012-04-04 | 阿里巴巴集团控股有限公司 | 信息提供方法及装置、综合关联度确定方法及装置 |
CN102591876A (zh) * | 2011-01-14 | 2012-07-18 | 阿里巴巴集团控股有限公司 | 搜索结果排序方法及装置 |
CN104317945A (zh) * | 2014-10-31 | 2015-01-28 | 亚信科技(南京)有限公司 | 一种基于搜索行为的电商网站商品推荐方法 |
CN104820879A (zh) * | 2015-05-27 | 2015-08-05 | 北京京东尚科信息技术有限公司 | 一种用户行为信息的分析方法和装置 |
-
2016
- 2016-07-19 CN CN201610569600.9A patent/CN107632989B/zh active Active
-
2017
- 2017-06-06 TW TW106118714A patent/TW201816685A/zh unknown
- 2017-07-12 WO PCT/CN2017/092588 patent/WO2018014764A1/zh active Application Filing
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103729359A (zh) * | 2012-10-12 | 2014-04-16 | 阿里巴巴集团控股有限公司 | 一种推荐搜索词的方法及*** |
CN105095210A (zh) * | 2014-04-22 | 2015-11-25 | 阿里巴巴集团控股有限公司 | 一种筛选推广关键词的方法和装置 |
CN105096152A (zh) * | 2014-05-20 | 2015-11-25 | 阿里巴巴集团控股有限公司 | 一种基于商品热度的操作执行方法及装置 |
CN105630836A (zh) * | 2014-11-05 | 2016-06-01 | 阿里巴巴集团控股有限公司 | 搜索结果的排序方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN107632989A (zh) | 2018-01-26 |
WO2018014764A1 (zh) | 2018-01-25 |
TW201816685A (zh) | 2018-05-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11610242B2 (en) | System and method allowing social fashion selection in an electronic marketplace | |
CN111784455B (zh) | 一种物品推荐方法及推荐设备 | |
US11222273B2 (en) | Service recommendation method, apparatus, and device | |
KR101972285B1 (ko) | 이미지 평가 기법 | |
CN107332910B (zh) | 信息推送方法和装置 | |
CN106164822B (zh) | 保存通信会话的状态的方法、***和机器可读介质 | |
CN109829108B (zh) | 信息推荐方法、装置、电子设备及可读存储介质 | |
CN108280749B (zh) | 服务功能入口的展示方法及装置 | |
WO2018126740A1 (zh) | 用于推送信息的方法和装置 | |
US20170132318A1 (en) | Method, system, and device for item search | |
EP3896610A1 (en) | Information presentation method and device | |
CN107679103B (zh) | 用于实体的属性分析方法及*** | |
CN111429203A (zh) | 基于用户行为数据的商品推荐方法和装置 | |
US10248982B2 (en) | Automated extraction of product data from production data of visual media content | |
CN116308684B (zh) | 一种网购平台店铺信息推送方法及*** | |
CN112132660B (zh) | 商品推荐方法、***、设备及存储介质 | |
US20220222706A1 (en) | Systems and methods for generating real-time recommendations | |
US20170193584A1 (en) | Purchase recommendation system | |
CN111582979A (zh) | 服饰搭配推荐方法和装置及电子设备 | |
WO2024109558A1 (zh) | 推荐数据的处理方法、推荐方法、电子设备及存储介质 | |
CN112581226A (zh) | 产品推荐方法及*** | |
CN107632989B (zh) | 一种商品对象选取、模型确定及使用热度确定方法与装置 | |
CN110135938B (zh) | 订单确认页面的处理方法及装置 | |
US11706585B2 (en) | Location based mobile messaging shopping network | |
CN113298610A (zh) | 信息推荐与获取方法、设备及存储介质 |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20211102 Address after: Room 4-57-02, 4# commercial office building, plot jlh603-d03, Greenland International Expo City, Honggutan District, Nanchang City, Jiangxi Province Patentee after: Alibaba (Jiangxi) Co.,Ltd. Address before: Cayman Islands Grand Cayman capital building, a four storey No. 847 mailbox Patentee before: ALIBABA GROUP HOLDING Ltd. |
|
TR01 | Transfer of patent right |