CN107730336A - 一种在线交易中的商品推送方法及装置 - Google Patents

Abstract

本发明实施例公开了一种在线交易中的商品推送方法及装置，涉及互联网技术领域，能够提高推荐给用户的商品的准确率。本发明包括：读取待处理的关联规则所指向商品的订单数据，关联规则用于表示至少两个相互存在关联关系的商品；根据所指向商品的订单数据，获取关联规则的支持度和置信度，支持度用于表示关联规则所指向商品在日期粒度上的条件概率，置信度用于表示关联规则所指向商品在销量上的条件概率；根据关联规则的支持度和置信度从关联规则中过滤无效规则；根据经过过滤的关联规则，确定待推荐商品，并将待推荐商品向用户设备推送。本发明适用于用户购物时的相关在线交易中的商品推送。

Description

一种在线交易中的商品推送方法及装置

技术领域

本发明涉及互联网技术领域，尤其涉及一种在线交易中的商品推送方法及装置。

背景技术

当前的各大在线购物平台都采用了一些围绕商品销售进行的推荐、促销方案，以便在用户购物时推荐相关商品，从而增加交易量。主要是通过分析用户所购买商品间的相关性以得到推荐规则，并在用户完成一次购买行为后，根据推荐规则主动推荐相关商品，从而增加了商品的交叉销售机会。

但是，目前还是基于实际积累的订单数量粒度进行关联规则分析，一旦遇到促销活动、热门商品等非日常的销售量波动时，会使得这类商品在关联规则中出现比例过高，但这些类别商品往往市场需求较大，无法在关联规则挖掘的过程中屏蔽。并最终导致了，由于各个商品的销量差异极大，且实际中影响商品销量的外在因素十分复杂，使得所推荐给用户的商品的准确率较低，难以满足用户的真实需求。

发明内容

本发明的实施例提供一种在线交易中的商品推送方法及装置，能够提高推荐给用户的商品的准确率。

为达到上述目的，本发明的实施例采用如下技术方案：

第一方面，本发明的实施例提供的方法，包括：读取待处理的关联规则所指向商品的订单数据，所述关联规则用于表示至少两个相互存在关联关系的商品；根据所述所指向商品的订单数据，获取所述关联规则的支持度和置信度，所述支持度用于表示所述关联规则所指向商品在日期粒度上的条件概率，所述置信度用于表示所述关联规则所指向商品在销量上的条件概率；根据所述关联规则的支持度和置信度，从所述关联规则中过滤无效规则；根据经过过滤的关联规则，确定待推荐商品，并将所述待推荐商品向用户设备推送。

结合第一方面，在第一方面的第一种可能的实现方式中，所述根据经过过滤的关联规则，确定待推荐商品，包括：确定预设的推荐位数目，并根据经过过滤的关联规则，获取对应所述预设的推荐位数目的待推荐商品；所述预设的加权比大于等于40:1。

结合第一方面，在第一方面的第二种可能的实现方式中，所述根据所述所指向商品的订单数据，获取所述关联规则的支持度，包括：根据所述所指向商品的订单数据，确定所述所指向商品被同时购买的所在时间段的累计值，和，所述所指向商品首次被同时购买的时刻至当前时刻的时间段的总值；根据所述累计值和所述总值，得到所述关联规则的支持度。

结合第一方面，在第一方面的第三种可能的实现方式中，还包括：根据所述订单数据，确定所述关联规则所指向商品的销售情况，所述销售情况包括：同时购买了所述关联规则所指向商品的订单数目，没有同时购买所述关联规则所指向商品的订单数目，都没有购买所述关联规则所指向商品的订单数目；根据所述销售情况得到兴趣度，并根据所述兴趣度检测所述关联规则所指向商品之间是否存在关联，并保留所指向商品之间存在关联的关联规则。

结合第一方面的第三种可能的实现方式，在第四种可能的实现方式中，所述根据所述销售情况得到兴趣度，并根据所述兴趣度检测所述关联规则所指向商品之间是否存在关联，包括：获取兴趣度其中，所述关联规则所指向A、B两种商品，a表示同时购买了A和B的订单数目，b表示买了A但没有买B的订单数目，c表示买了B但没有买A的订单数目，d表示都没有购买A和B的订单数目；根据所述兴趣度确定所述关联规则所指向商品之间的相关度情况，并根据所述相关度情况判定是否存在关联，所述相关度情况包括：所述兴趣度大于零时，表示B与A的销售情况正相关；所述兴趣度小于零时，表示B与A的销售情况负相关；所述兴趣度等于零时，B与A相互独立不存在相关性。

结合第一方面，在第一方面的第五种可能的实现方式中，包括：确定所述关联规则出现的时间段，并确定所述关联规则的在时间上的分布情况；根据所述时间上的分布情况，过滤集中度大于阈值的关联规则。

结合第一方面的第五种可能的实现方式，在第六种可能的实现方式中，所述确定所述关联规则的在时间上的分布情况，包括：根据所述关联规则出现的时间段，得到每条关联规则的时间跨度和天数支持度，其中，时间跨度表示关联规则首次出现至最后出现时刻的总时长，天数支持度表示关联规则发生的总天数与时间跨度的比值；若一条关联规则的时间跨度大于第一阈值且天数支持度大于第二阈值，则保留这一条关联规则。

结合第一方面，在第一方面的第七种可能的实现方式中，所述根据经过过滤的关联规则，确定待推荐商品，并将所述待推荐商品向用户设备推送，包括：根据所述经过过滤的第一关联规则，确定与主商品对应的待推荐的第一从商品，并获取所述经过过滤的第一关联规则的兴趣度；确定第二关联规则所指向的与所述主商品对应的相似商品集合，并获取所述第二关联规则的兴趣度；根据所述经过过滤的第一关联规则的兴趣度和所述第二关联规则的兴趣度的得到第三关联规则的兴趣度，并根据所述经过过滤的所述第三关联规则，确定与所述相似商品集合对应的待推荐的第二从商品；通过所述第一从商品和所述第二从商品填充推荐位，并将所述推荐位中的商品向所述用户设备推送。

第二方面，本发明的实施例提供的装置，包括：包括：数据读取模块，用于读取待处理的关联规则所指向商品的订单数据，所述关联规则用于表示至少两个相互存在关联关系的商品；分析模块，用于根据所述所指向商品的订单数据，获取所述关联规则的支持度和置信度，所述支持度用于表示所述关联规则所指向商品在日期粒度上的条件概率，所述置信度用于表示所述关联规则所指向商品在销量上的条件概率；并根据所述关联规则的支持度和置信度，从所述关联规则中过滤无效规则；推送模块，用于根据经过过滤的关联规则，确定待推荐商品，并将所述待推荐商品向用户设备推送。

结合第二方面，在第二方面的第一种可能的实现方式中，所述分析模块，具体用于根据所述所指向商品的订单数据，确定所述所指向商品被同时购买的所在时间段的累计值，和，所述所指向商品首次被同时购买的时刻至当前时刻的时间段的总值；并根据所述累计值和所述总值，得到所述关联规则的支持度；所述分析模块，还用于根据所述订单数据，确定所述关联规则所指向商品的销售情况，所述销售情况包括：同时购买了所述关联规则所指向商品的订单数目，没有同时购买所述关联规则所指向商品的订单数目，都没有购买所述关联规则所指向商品的订单数目；并根据所述销售情况得到兴趣度，并根据所述兴趣度检测所述关联规则所指向商品之间是否存在关联，并保留所指向商品之间存在关联的关联规则；所述推送模块，具体用于确定预设的推荐位数目，并根据经过过滤的关联规则，获取对应所述预设的推荐位数目的待推荐商品；其中，所述预设的加权比大于等于40:1；所述推送模块，还用于根据所述经过过滤的第一关联规则，确定与主商品对应的待推荐的第一从商品，并获取所述经过过滤的第一关联规则的兴趣度；并确定第二关联规则所指向的与所述主商品对应的相似商品集合，并获取所述第二关联规则的兴趣度；再根据所述经过过滤的第一关联规则的兴趣度和所述第二关联规则的兴趣度的得到第三关联规则的兴趣度，并根据所述经过过滤的所述第三关联规则，确定与所述相似商品集合对应的待推荐的第二从商品；之后通过所述第一从商品和所述第二从商品填充推荐位，并将所述推荐位中的商品向所述用户设备推送。

相对于目前基于实际积累的订单数量粒度进行关联规则分析的方式，本发明实施例提供的在线交易中的商品推送方法及装置，对于关联规则的筛选过滤，基于关联规则的支持度和关联规则的置信度，通过支持度和置信度经过加权计算的调和得到的F1值过滤无效规则，将同时优化支持度和置信度这个双目标优化问题转化为单独优化F1值的单目标优化问题。并从规则出现的天数的粒度上来考虑规则的时间稳定性，在天数粒度上来定义规则的支持度，具体采用了关联规则的日期粒度的支持度和置信度，过滤掉了由于促销导致的无效规则，从而提高了推荐给用户的商品的命中数、准确率以及召回率。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。

图1为本发明实施例提供的***架构示意图；

图2为本发明实施例提供的在线交易中的商品推送方法的流程示意图；

图3为本发明实施例提供的在线交易中的商品推送装置结构示意图。

具体实施方式

为使本领域技术人员更好地理解本发明的技术方案，下面结合附图和具体实施方式对本发明作进一步详细描述。下文中将详细描述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。

本发明实例所提供的方法流程，可以应用在一种如图1所示的***，该***包括：在线平台***、管理服务器和用户设备，其中，管理服务器与在线平台***相连，或者管理服务器为集成于在线平台***中的某一个服务器设备。用户设备与在线平台***可以通过互联网或者无线网络通信。

本实施例中所揭示的在线平台***可以是：在线购物平台、电子商务平台等，具体是包括多个数据服务器和存储服务器组成的一种用于与用户设备进行数据交互的数据库的服务器集群***。商品的订单数据、用户的浏览记录等在线平台***在日常运行过程中产生的数据可存储在线平台***的存储服务器中，或者存储在于在线平台***建立了通信的数据库***。需要说明的是，在实际应用中在线平台***的存储服务器集群也可以专门进行组网并形成数据库，即在线平台***中集成了专用的数据库。

本实施例中所揭示的管理服务器，具体用于维护并管理在线平台***所采用的关联规则。

本实施例中所揭示的用户设备具体可以实做成单独一台装置，或整合于各种不同的媒体数据播放装置中，诸如机顶盒、移动电话、平板电脑(Tablet Personal Computer)、膝上型电脑(Laptop Computer)、多媒体播放器、数字摄影机、个人数字助理(personaldigital assistant，简称PDA)、导航装置、移动上网装置(Mobile Internet Device，MID)或可穿戴式设备(Wearable Device)等。

本发明实施例提供一种在线交易中的商品推送方法，如图2所示，包括：

S1、读取待处理的关联规则所指向商品的订单数据。

其中，通过管理服务器所读取的待处理的关联规则所指向商品的订单数据，至少包括商品信息、交易记录、销售记录等，也可包括促销记录、物流记录等。所述关联规则用于表示至少两个相互存在关联关系的商品。例如：关联规则可以表示为<g,f,bab_gf>，其中g和f分别是主商品g和从商品f，bab_gf是这条规则的兴趣度，其中，规则的兴趣度用于反映用户通过该规则接收到了所推送的商品信息，且购买了所推送的商品的情况，所推送的商品被成功购买的数量越多则兴趣度的数值越高。再例如：关联规则可以表示为<g,h,vab_gh>，其中g和h分别是主商品g和从商品h，vab_gh是这条规则的兴趣度，其中从商品h的数量可以为多个，比如：从商品h具体为所获取的与主商品相似的商品集合,g和h为同品牌同商品组，且h商品按vab_gh最多取指定数量的商品。

S2、根据所述所指向商品的订单数据，获取所述关联规则的支持度和置信度。

其中，所述支持度用于表示所述关联规则所指向商品在日期粒度上的条件概率，所述置信度用于表示所述关联规则所指向商品在销量上的条件概率。

S3、根据所述关联规则的支持度和置信度，从所述关联规则中过滤无效规则。

在本实施例中，管理服务器对于关联规则的筛选过滤，基于关联规则的支持度和关联规则的置信度，其中，保留这两个指标都大于各自阈值的关联规则，或者可以按照这两个指标的大小保留指定数量的关联规则。F1值可以是支持度和置信度经过加权计算的调和平均值。从而将同时优化支持度和置信度这个双目标优化问题转化为单独优化F1值的单目标优化问题。

S4、根据经过过滤的关联规则，确定待推荐商品，并将所述待推荐商品向用户设备推送。

举例来说：在实际订单中，经常出现购买某款手机后，购买豆浆机的置信度比购买移动电源的置信度还高，但在过去的一个季度中，购买豆浆机的订单却全集中在连续的3天，因此可以基本断定，买了这款手机再买豆浆机是由于促销造成的，即买了这款手机后，可以以极低的价格购买豆浆机这一促销策略导致这两件相关性不太强的商品表现出很高的相关性。相比而言，买了这款手机后，购买移动电源的规则，其置信度虽然没有购买豆浆机高，但该类订单在时间上的分布是很平稳的，并没有出现突发性，故购买这款手机后再购买移动电源是用户的真实行为，该条规则具有实际价值。

相对于目前基于实际积累的订单数量粒度进行关联规则分析的方式，本发明实施例提供的在线交易中的商品推送方法，对于关联规则的筛选过滤，基于关联规则的支持度和关联规则的置信度，通过支持度和置信度经过加权计算的调和得到的F1值过滤无效规则，将同时优化支持度和置信度这个双目标优化问题转化为单独优化F1值的单目标优化问题。并从规则出现的天数的粒度上来考虑规则的时间稳定性，在天数粒度上来定义规则的支持度，具体采用了关联规则的日期粒度的支持度和置信度，过滤掉了由于促销导致的无效规则，从而提高了推荐给用户的商品的命中数、准确率以及召回率。

在本实施例中，根据所述所指向商品的订单数据，获取所述关联规则的支持度的具体方式，包括：管理服务器根据所述所指向商品的订单数据，确定所述所指向商品被同时购买的所在时间段的累计值，和，所述所指向商品首次被同时购买的时刻至当前时刻的时间段的总值。再根据所述累计值和所述总值，得到所述关联规则的支持度。

其中，关联规则的支持度可以表示为其中，day(AB)表示所述所指向商品被同时购买的所在时间段的累计值,days表示所述所指向商品首次被同时购买的时刻至当前时刻的时间段的总值。以AB两个商品同时购买为例，假定发现AB在day.begin日首次出现被用户同时购买过，则在当前日day.now该规则的支持度为规则A-B出现的累计天数与总天数day.now-day.begin之比。中的分子为截止当前日子，AB被同时购买过的累计天数，分母为从发现AB首次被同时购买的日期到当前日期的总天数。这样定义的时间支持度实际衡量了规则的时间稳定性。显然，好的关联规则应该具有较高的时间稳定性，即该规则在日期时间的粒度上分布比较均匀。

在传统的关联规则中，使用规则的支持度阈值来衡量该条规则是否具有统计意义。支持度使用同时包含主从商品的订单数除以总订单数来衡量，其最小阈值的选取具有一定的主观性。对于综合零售电子商务企业，其每日的订单总量变化很大，如果单独考虑两个商品的总订单数，则不同主从商品间的订单数量会出现极大的差异，这导致支持度最小阈值的选取很难兼顾这种差异。目前的方案主要还是从订单数量粒度上去限定规则的支持度阈值。但是，对于综合零售电子商务企业，在其促销时段，由于用户行为受促销影响，用户的消费行为并不具有很强的可解释性。比如手机和豆浆机本身并不具有很强的相关性，但有可能出现买手机送豆浆机的促销策略，从而使得同时购买手机和豆浆机的订单大幅增加，最终导致买手机推荐豆浆机这条规则的置信度很高。但是，由于促销的影响，显然这条关联规则实际上时无效的。例如：在本实施例中提到的现有的标准的关联规则中，对于商品A、B的置信度的定义如下：其中，分子表示AB同时被购买订单数，而分母表示购买A的订单数，置信度是一个条件概率，其表示了购买A的条件下，再购买B的概率。

本实施例中，管理服务器通过所述F1值过滤无效规则，并没有从订单数量粒度上去限定规则的支持度阈值，而是从规则出现的天数的粒度上来考虑规则的时间稳定性，在天数粒度上来定义规则的支持度，具体采用了关联规则的日期粒度的支持度和置信度，过滤掉了由于促销导致的无效规则，例如：基于手机和豆浆机的订单数据，通过实际的离线测试结果表明：和改进前的方案相比，改进后方***率提升约10％，召回率提升约10-15％，推荐命中数增加约10-15％，使得推荐的命中数、准确率、召回率这三个关键指标得到了显著提升。

在本实施例中，根据经过过滤的关联规则确定待推荐商品的具体方式，包括：确定预设的推荐位数目，并根据经过过滤的关联规则，获取对应所述预设的推荐位数目的待推荐商品。其中，同一关联规则的支持度通常远大于其置信度，为了避免F1值被置信度所主导，在计算F1值时，可以给支持度较大的加权系数。在优选方案中，所述预设的加权比大于等于40:1。

具体的，预设的推荐位数目可以设置为5、10或20，管理服务器可以通过调整推荐位的数目来改善待推荐商品的准确率和召回率，例如：在预设的加权比等于40:1的加权F1值的情况下，经过本实施例筛选后的关联规则与标准关联规则在不同推荐位数目下的测试比较结果。

其中，在测试过程中，对支持度中规则累计天数的最小阈值取为10，对置信度中分子的最小阈值取为15。置信度计算时其分子的最小阈值表示为rule_count。相对于不考虑支持度的关联规则，基于加权F1值的方案准确率提升约20-23％，召回率提升约2.6-5.6％。由于加权F1值只改变了从商品的排序，故其对覆盖率没有影响。并且，当推荐位数目越少时，加权F1值方***率和召回率的提升越显著。

本实施例中，还提供一种进一步根据兴趣度检测所述关联规则所指向商品之间是否存在关联的规则过滤方式，以便进一步衡量关联规则的实际意义，过滤无效的关联规则。其中包括：

根据所述订单数据，确定所述关联规则所指向商品的销售情况。并根据所述销售情况得到兴趣度，并根据所述兴趣度检测所述关联规则所指向商品之间是否存在关联，并保留所指向商品之间存在关联的关联规则。

其中，所述销售情况包括：同时购买了所述关联规则所指向商品的订单数目，没有同时购买所述关联规则所指向商品的订单数目，都没有购买所述关联规则所指向商品的订单数目。

其中的具体流程包括：管理服务器获取兴趣度其中，所述关联规则所指向A、B两种商品，a表示同时购买了A和B的订单数目，b表示买了A但没有买B的订单数目，c表示买了B但没有买A的订单数目，d表示都没有购买A和B的订单数目。并根据所述兴趣度确定所述关联规则所指向商品之间的相关度情况，并根据所述相关度情况判定是否存在关联，所述相关度情况包括：所述兴趣度大于零时，B的购买确实有助于A的销售，表示B与A的销售情况正相关。所述兴趣度小于零时，B的购买反而对A的销售有不利的影响，表示B与A的销售情况负相关。所述兴趣度等于零时，B的购买和A的销售完全独立，B与A相互独立不存在相关性，互不影响。

若采用传统的基于提升度来衡量关联规则的实际意义的方案，其中：提升度的定义是实际应用中，通常提升度大于3的规则才具有实际应用价值。但是基于实际订单数据来计算提升度也会存在不同商品对间销量相差极大的困难。例如：使用传统的关联规则进行挖掘时，基于支持度阈值和置信度阈值的方案尽管能挖掘出一些规则，但挖掘出的规则未必有实际意义。举例来说：用户购买牛奶的概率为0.3，挖掘出用户购买面包后再购买牛奶的概率是0.2，对置信度而言0.2是一个较高的值，似乎给买了面包的用户推荐牛奶是合理的。但是，和用户购买牛奶的无条件概率0.3相比，用户购买面包后继续购买牛奶的概率反而比无条件购买牛奶的概率还要低，即购买面包这一行为实际上导致购买牛奶的概率降低了。因此，买了面包推荐牛奶的这条规则并无实际意义。

本实施例中采用兴趣度来衡量关联规则的实际意义，相比标准的关联规则中只用到了a和b两维信息，采用兴趣度来衡量则利用了a、b、c、d共四维信息，故兴趣度指标能够更加精细地刻画A和B被同时购买的相关程度。以热销商品抽纸为例、使用传统的关联规则挖掘时，抽纸出现在很多的挖掘规则中，这是由于实际订单中，抽纸和很多商品确实会被同时购买，但基于兴趣度的指标中，抽纸作为热销商品，其和其它很多商品被同时购买，反而使得抽纸表现出的“专一性”很差，从而导致抽纸作为从商品的规则的兴趣度并不高，甚至小于零。即得出：买了A再买B的兴趣度高，不仅仅要在实际订单中同时购买A和B的订单数多、并且A和其他商品被同时购买的订单数不能太多，极限情况就是B只和A一起被购买过，从来没有和除了A以外的商品被同时购买过，这样，才能很确信的说买了A后再买B的兴趣度确实高。

在本实施例中，还提供一种对关联规则进行分类分析的方案，其中包括：

确定所述关联规则出现的时间段，并确定所述关联规则的在时间上的分布情况。并根据所述时间上的分布情况，过滤集中度大于阈值的关联规则。

具体的，所述确定所述关联规则的在时间上的分布情况，包括：根据所述关联规则出现的时间段，得到每条关联规则的时间跨度和天数支持度。其中，时间跨度表示关联规则首次出现至最后出现时刻的总时长，天数支持度表示关联规则发生的总天数与时间跨度的比值。例如：具体在规则挖掘时，对出现在训练集中的每个规则，都有如下三个参数：该规则的首次出现日期、该规则的最后出现日期，该规则出现的总天数。较为合理的关联规则分为两类：第一类在时间上较为平稳，比如买手机后买手机壳，无时间和季节敏感性。第二类则具有季节和时间敏感性，如情人节前后的买了鲜花买巧克力。

对于前一类规则，长时间来看，其发生在时间上分布比较均匀。对第二类规则，长时间来看，该类规则的发生在日期上较为集中。依据此特点，对于每条规则，可以设置如下的过滤规则：若一条关联规则的时间跨度大于第一阈值且天数支持度大于第二阈值，则保留这一条关联规则。例如：管理服务器计算每条规则的时间跨度，即该规则首次出现至最后出现日期间的总天数day_diff，如果该day_diff>30天(第一阈值)，则该规则有可能属于第一类规则。但仅使用day_diff>30来判定还不够，还需对规则的时间平稳性进行约束，定义规则的天数支持度为该规则发生的总天数/day_diff，这里设定天数支持度的最小阈值为0.2(第二阈值)。即day_diff>30且规则天数支持度大于0.2的规则属于第一类规则。对第二类规则，无法对其day_diff值约束，则管理服务器根据rule_days判定，其中，rule_days表示规则从出现之日起，连续出现该规则的累计天数，这是因为考虑到过滤由于促销导致的不合理规则，若某个规则出现的天数大5，则将其判定为第二类规则。

在本实施例的实际应用中，也会出现根据经过过滤的关联规则所确定的待推荐商品数并不能完全填满可用的推荐位的情况。为充分利用推荐位，提供一种根据经过过滤的关联规则，确定待推荐商品，并将所述待推荐商品向用户设备推送的具体方法，包括：

根据所述经过过滤的第一关联规则，确定与主商品对应的待推荐的第一从商品，并获取所述经过过滤的第一关联规则的兴趣度。并确定第二关联规则所指向的与所述主商品对应的相似商品集合，并获取所述第二关联规则的兴趣度。再根据所述经过过滤的第一关联规则的兴趣度和所述第二关联规则的兴趣度的得到第三关联规则的兴趣度，并根据所述经过过滤的所述第三关联规则，确定与所述相似商品集合对应的待推荐的第二从商品。

通过所述第一从商品和所述第二从商品填充推荐位，并将所述推荐位中的商品向所述用户设备推送。例如：对于第一关联规则<g,f,bab_gf>，其中g和f分别是主商品和从商品，bab_gf是这条规则的兴趣度；通过g商品，关联第二关联规则<g,h,vab_gh>，其中g和h分别是主商品和从商品h，vab_gh是这条规则的兴趣度。获取相似商品h,限制g和h为同品牌同商品组，且h商品按vab_gh最多取排名前20；通过相似商品h，获取第三关联规则<h,m,bab_hm>,获取相关商品m，则<g,m,vab_gh*bab_hm>作为买了买补全规则。注意若对给定的g和m,存在多个h，则对vab_gh*bab_hm中不同的h进行求和来得到补全规则<h,m,bab_hm>的置信度bab_hm。从而实现了对于不同关联规则之间的相级联，使得用于补全推荐位的商品和主商品间的相关性得到了保证，进一步提升了补全后命中商品数和召回率。

本发明实施例还提供一种在线交易中的商品推送装置，具体可以运行在如图1所示的管理服务器上，该装置如图3所示包括：

数据读取模块，用于读取待处理的关联规则所指向商品的订单数据，所述关联规则用于表示至少两个相互存在关联关系的商品。

分析模块，用于根据所述所指向商品的订单数据，获取所述关联规则的支持度和置信度，所述支持度用于表示所述关联规则所指向商品在日期粒度上的条件概率，所述置信度用于表示所述关联规则所指向商品在销量上的条件概率。并根据所述关联规则的支持度和置信度，从所述关联规则中过滤无效规则。

推送模块，用于根据经过过滤的关联规则，确定待推荐商品，并将所述待推荐商品向用户设备推送。

在本实施例中，所述分析模块，具体用于根据所述所指向商品的订单数据，确定所述所指向商品被同时购买的所在时间段的累计值，和，所述所指向商品首次被同时购买的时刻至当前时刻的时间段的总值。并根据所述累计值和所述总值，得到所述关联规则的支持度。

所述分析模块，还用于根据所述订单数据，确定所述关联规则所指向商品的销售情况，所述销售情况包括：同时购买了所述关联规则所指向商品的订单数目，没有同时购买所述关联规则所指向商品的订单数目，都没有购买所述关联规则所指向商品的订单数目。并根据所述销售情况得到兴趣度，并根据所述兴趣度检测所述关联规则所指向商品之间是否存在关联，并保留所指向商品之间存在关联的关联规则。

所述推送模块，具体用于确定预设的推荐位数目，并根据经过过滤的关联规则，获取对应所述预设的推荐位数目的待推荐商品。其中，所述预设的加权比大于等于40:1。

所述推送模块，还用于根据所述经过过滤的第一关联规则，确定与主商品对应的待推荐的第一从商品，并获取所述经过过滤的第一关联规则的兴趣度。并确定第二关联规则所指向的与所述主商品对应的相似商品集合，并获取所述第二关联规则的兴趣度。再根据所述经过过滤的第一关联规则的兴趣度和所述第二关联规则的兴趣度的得到第三关联规则的兴趣度，并根据所述经过过滤的所述第三关联规则，确定与所述相似商品集合对应的待推荐的第二从商品。之后通过所述第一从商品和所述第二从商品填充推荐位，并将所述推荐位中的商品向所述用户设备推送。

相对于目前基于实际积累的订单数量粒度进行关联规则分析的方式，本发明实施例提供的在线交易中的商品推送装置，对于关联规则的筛选过滤，基于关联规则的支持度和关联规则的置信度，通过支持度和置信度经过加权计算的调和得到的F1值过滤无效规则，将同时优化支持度和置信度这个双目标优化问题转化为单独优化F1值的单目标优化问题。并从规则出现的天数的粒度上来考虑规则的时间稳定性，在天数粒度上来定义规则的支持度，具体采用了关联规则的日期粒度的支持度和置信度，过滤掉了由于促销导致的无效规则，从而提高了推荐给用户的商品的命中数、准确率以及召回率。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于设备实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (10)

1.一种在线交易中的商品推送方法，其特征在于，包括：

读取待处理的关联规则所指向商品的订单数据，所述关联规则用于表示至少两个相互存在关联关系的商品；

根据所述所指向商品的订单数据，获取所述关联规则的支持度和置信度，所述支持度用于表示所述关联规则所指向商品在日期粒度上的条件概率，所述置信度用于表示所述关联规则所指向商品在销量上的条件概率；

根据所述关联规则的支持度和置信度，从所述关联规则中过滤无效规则；

根据经过过滤的关联规则，确定待推荐商品，并将所述待推荐商品向用户设备推送。

2.根据权利要求1所述的方法，其特征在于，所述根据经过过滤的关联规则，确定待推荐商品，包括：确定预设的推荐位数目，并根据经过过滤的关联规则，获取对应所述预设的推荐位数目的待推荐商品；

所述预设的加权比大于等于40:1。

3.根据权利要求1所述的方法，其特征在于，所述根据所述所指向商品的订单数据，获取所述关联规则的支持度，包括：

根据所述所指向商品的订单数据，确定所述所指向商品被同时购买的所在时间段的累计值，和，所述所指向商品首次被同时购买的时刻至当前时刻的时间段的总值；

根据所述累计值和所述总值，得到所述关联规则的支持度。

4.根据权利要求1所述的方法，其特征在于，还包括：

根据所述订单数据，确定所述关联规则所指向商品的销售情况，所述销售情况包括：同时购买了所述关联规则所指向商品的订单数目，没有同时购买所述关联规则所指向商品的订单数目，都没有购买所述关联规则所指向商品的订单数目；

根据所述销售情况得到兴趣度，并根据所述兴趣度检测所述关联规则所指向商品之间是否存在关联，并保留所指向商品之间存在关联的关联规则。

5.根据权利要求4所述的方法，其特征在于，所述根据所述销售情况得到兴趣度，并根据所述兴趣度检测所述关联规则所指向商品之间是否存在关联，包括：

获取兴趣度其中，所述关联规则所指向A、B两种商品，a表示同时购买了A和B的订单数目，b表示买了A但没有买B的订单数目，c表示买了B但没有买A的订单数目，d表示都没有购买A和B的订单数目；

根据所述兴趣度确定所述关联规则所指向商品之间的相关度情况，并根据所述相关度情况判定是否存在关联，所述相关度情况包括：所述兴趣度大于零时，表示B与A的销售情况正相关；所述兴趣度小于零时，表示B与A的销售情况负相关；所述兴趣度等于零时，B与A相互独立不存在相关性。

6.根据权利要求1所述的方法，其特征在于，包括：

确定所述关联规则出现的时间段，并确定所述关联规则的在时间上的分布情况；

根据所述时间上的分布情况，过滤集中度大于阈值的关联规则。

7.根据权利要求6所述的方法，其特征在于，所述确定所述关联规则的在时间上的分布情况，包括：

根据所述关联规则出现的时间段，得到每条关联规则的时间跨度和天数支持度，其中，时间跨度表示关联规则首次出现至最后出现时刻的总时长，天数支持度表示关联规则发生的总天数与时间跨度的比值；

若一条关联规则的时间跨度大于第一阈值且天数支持度大于第二阈值，则保留这一条关联规则。

8.根据权利要求1所述的方法，其特征在于，所述根据经过过滤的关联规则，确定待推荐商品，并将所述待推荐商品向用户设备推送，包括：

根据所述经过过滤的第一关联规则，确定与主商品对应的待推荐的第一从商品，并获取所述经过过滤的第一关联规则的兴趣度；

确定第二关联规则所指向的与所述主商品对应的相似商品集合，并获取所述第二关联规则的兴趣度；

根据所述经过过滤的第一关联规则的兴趣度和所述第二关联规则的兴趣度的得到第三关联规则的兴趣度，并根据所述经过过滤的所述第三关联规则，确定与所述相似商品集合对应的待推荐的第二从商品；

通过所述第一从商品和所述第二从商品填充推荐位，并将所述推荐位中的商品向所述用户设备推送。

9.一种在线交易中的商品推送装置，其特征在于，包括：

数据读取模块，用于读取待处理的关联规则所指向商品的订单数据，所述关联规则用于表示至少两个相互存在关联关系的商品；

分析模块，用于根据所述所指向商品的订单数据，获取所述关联规则的支持度和置信度，所述支持度用于表示所述关联规则所指向商品在日期粒度上的条件概率，所述置信度用于表示所述关联规则所指向商品在销量上的条件概率；并根据所述关联规则的支持度和置信度，从所述关联规则中过滤无效规则；

推送模块，用于根据经过过滤的关联规则，确定待推荐商品，并将所述待推荐商品向用户设备推送。

10.根据权利要求9所述的装置，其特征在于，所述分析模块，具体用于根据所述所指向商品的订单数据，确定所述所指向商品被同时购买的所在时间段的累计值，和，所述所指向商品首次被同时购买的时刻至当前时刻的时间段的总值；并根据所述累计值和所述总值，得到所述关联规则的支持度；

所述分析模块，还用于根据所述订单数据，确定所述关联规则所指向商品的销售情况，所述销售情况包括：同时购买了所述关联规则所指向商品的订单数目，没有同时购买所述关联规则所指向商品的订单数目，都没有购买所述关联规则所指向商品的订单数目；并根据所述销售情况得到兴趣度，并根据所述兴趣度检测所述关联规则所指向商品之间是否存在关联，并保留所指向商品之间存在关联的关联规则；

所述推送模块，具体用于确定预设的推荐位数目，并根据经过过滤的关联规则，获取对应所述预设的推荐位数目的待推荐商品；其中，所述预设的加权比大于等于40:1；

所述推送模块，还用于根据所述经过过滤的第一关联规则，确定与主商品对应的待推荐的第一从商品，并获取所述经过过滤的第一关联规则的兴趣度；并确定第二关联规则所指向的与所述主商品对应的相似商品集合，并获取所述第二关联规则的兴趣度；再根据所述经过过滤的第一关联规则的兴趣度和所述第二关联规则的兴趣度的得到第三关联规则的兴趣度，并根据所述经过过滤的所述第三关联规则，确定与所述相似商品集合对应的待推荐的第二从商品；之后通过所述第一从商品和所述第二从商品填充推荐位，并将所述推荐位中的商品向所述用户设备推送。