商品搜索方法和装置
技术领域
本公开涉及互联网技术领域,更具体地,涉及一种商品搜索方法和装置。
背景技术
随着互联网技术的快速发展,电子商务迅速兴起,各种电商平台提供了多种多样的线上商品交易渠道,极大地方便了人们的工作和生活。在商品信息展示时,常常会带有该商品的优惠信息,以利用优惠信息促进用户对商品的购买。
然而在现有技术中,商品的优惠信息的投放方式非常粗犷,例如在一段时间内所有商品的优惠信息均属于同一优惠类型,或者,某一类商品的优惠信息属于同一类型,没有考虑不同用户在面对不同商品的具体情景下可能会产生不同的优惠偏好。
发明内容
有鉴于此,本公开提供了一种更精准、多维度地考虑用户的优惠偏好的商品搜索方法和装置。
本公开的一个方面提供了一种商品搜索方法,包括:接收用户针对商品的搜索请求;获取与所述搜索请求相对应的搜索结果,所述搜索结果包括所述商品的相关信息;基于所述用户的属性数据和所述商品的属性数据,确定最优优惠类型;以及,与符合所述最优优惠类型的优惠信息相关联地输出所述搜索结果。
根据本公开的实施例,上述基于所述用户的属性数据和所述商品的属性数据,确定最优优惠类型包括:对于任一优惠类型,基于所述用户的属性数据获得所述用户关于所述优惠类型的第一偏好评分,基于所述商品的属性数据获得所述商品关于所述优惠类型的第二偏好评分;基于所述第一偏好评分和所述第二偏好评分,得到所述用户和所述商品关于所述优惠类型的综合偏好评分,即为所述优惠类型的综合偏好评分。比较各优惠类型的综合偏好评分,将综合偏好评分最高的优惠类型作为最优优惠类型。
根据本公开的实施例,上述基于所述用户的属性数据获得所述用户关于所述优惠类型的第一偏好评分包括:获取所述用户对应的第一历史订单数据,该第一历史订单数据中包含符合所述优惠类型的优惠信息的订单的数量为第一数量,该第一历史订单数据中包含符合任意优惠类型的优惠信息的订单的数量为第二数量;获取全体用户对应的第二历史订单数据,该第二历史订单数据中包含符合所述优惠类型的优惠信息的订单的数量为第三数量,该第二历史订单数据中包含符合任意优惠类型的优惠信息的订单的数量为第四数量;将第一数量与第二数量的比值相对于第三数量与第四数量的比值的占比作为所述用户关于所述优惠类型的第一偏好评分。
根据本公开的实施例,上述基于所述商品的属性数据获得所述商品关于所述优惠类型的第二偏好得分包括:基于所述商品的价格确定所述商品对应的价格分区;获取所述价格分区中的商品对应的第三历史订单数据,该第三历史订单数据中包含符合所述优惠类型的优惠信息的订单的数量为第五数量,该第三历史订单数据中包含符合任意优惠类型的优惠信息的订单的数量为第六数量;获取全体商品对应的第四历史订单数据,该第四历史订单数据中包含符合所述优惠类型的优惠信息的订单的数量为第七数量,该第四历史订单数据中包含符合任意优惠类型的优惠信息的订单的数量为第八数量;将第五数量与第六数量的比值相对于第七数量与第八数量的比值的占比作为所述商品关于所述优惠类型的第二偏好评分。
根据本公开的实施例,上述基于所述用户关于所述优惠类型的第一偏好评分和所述商品关于所述优惠类型的第二偏好评分,得到所述用户和所述商品关于所述优惠类型的综合偏好评分包括:获取上述第一偏好评分对应的第一权重,获取上述第二偏好评分对应的第二权重;基于所述第一权重和所述第二权重对上述第一偏好评分和上述第二偏好评分进行加权求和,得到所述用户和所述商品关于所述优惠类型的综合偏好评分。
根据本公开的实施例,上述获取第一偏好评分对应的第一权重,获取第二偏好评分对应的第二权重包括:根据所述用户的属性数据确定所述用户对应的客群类别,不同的客群类别表征不同的购买力水平;根据所述商品的价格确定所述商品对应的价格分区;构建优惠偏好模型,所述优惠偏好模型的输入包括所述客群类别关于各优惠类型的第一偏好评分和所述价格分区关于各优惠类型的第二偏好评分,所述优惠偏好模型的输出为所述客群类别和所述价格分区对应的最高的综合偏好评分,所述优惠偏好模型的参数包括第一权重参数和第二权重参数;获取所述客群类别和所述价格分区对应的最高的实际偏好评分;以所述最高的实际偏好评分为目标对所述优惠偏好模型的参数进行优化,将最优的第一权重参数的取值作为所述第一权重,将最优的第二权重参数的取值作为所述第二权重。
根据本公开的实施例,上述根据所述用户的属性数据确定所述用户对应的客群类别包括:基于所述用户在预设时间周期内的平均收入数据、平均订单价格和/或平均消费金额,确定所述用户对应的客群类别。
根据本公开的实施例,上述构建优惠偏好模型包括:获取对应于所述客群类别的多个样本用户的属性数据,获取对应于所述价格分区的多个样本商品的属性数据;基于所述多个样本用户的属性数据和所述多个样本商品的属性数据;对于任一优惠类型,基于所述多个样本用户的属性数据获得所述多个样本用户关于该优惠类型的第一偏好评分,将所述多个样本用户关于该优惠类型的第一偏好评分之和作为所述客群类别关于该优惠类型的第一偏好评分;基于所述多个样本商品的属性数据获得所述多个样本商品所对应的所述价格分区关于该优惠类型的第二偏好评分;基于第一权重参数和第二权重参数对所述客群类别关于该优惠类型的第一偏好评分和所述价格分区关于该优惠类型的第二偏好评分进行加权求和得到所述客群类别和所述价格分区对应关于该优惠类型的综合偏好评分。
根据本公开的实施例,上述获取所述客群类别和所述价格分区对应的最高的实际偏好评分包括:对于任一优惠类型,获取任一所述样本用户和所述价格分区对应的第五历史订单数据,所述第五历史订单数据中包含符合该优惠类型的优惠信息的订单的数量为第九数量,所述第五历史订单数据中包含符合任意优惠类型的优惠信息的订单的数量为第十数量;将第九数量与第十数量的比值占比作为所述样本用户和所述价格分区关于该优惠类型的实际偏好评分,将所述多个样本用户和所述价格分区关于该优惠类型的实际偏好评分之和作为所述客群类别和所述价格分区关于该优惠类型的实际偏好评分;比较所述客群类别和所述价格分区关于各优惠类型的实际偏好评分,得到所述客群类别和所述价格分区对应的最高的实际偏好评分。
根据本公开的实施例,上述获取第一偏好评分对应的第一权重,获取第二偏好评分对应的第二权重还包括:当无法确定所述用户对应的客群类别时,将第一预设值作为所述第一权重,将第二预设值作为所述第二权重。
本公开的另一个方面提供了一种商品搜索装置,包括接收模块、获取模块、决策模块和输出模块。接收模块用于接收用户针对商品的搜索请求。获取模块用于获取与所述搜索请求相对应的搜索结果,所述搜索结果包括所述商品的相关信息。决策模块用于基于所述用户的属性数据和所述商品的属性数据,确定最优优惠类型。输出模块用于与符合所述最优优惠类型的优惠信息相关联地输出所述搜索结果。
根据本公开的实施例,所述决策模块基于所述用户的属性数据和所述商品的属性数据,确定最优优惠类型包括:决策模块用于对于任一优惠类型,基于所述用户的属性数据获得所述用户关于所述优惠类型的第一偏好评分;基于所述商品的属性数据获得所述商品关于所述优惠类型的第二偏好评分;基于所述第一偏好评分和所述第二偏好评分,得到所述用户和所述商品关于所述优惠类型的综合偏好评分;将综合偏好评分最高的优惠类型作为最优优惠类型。
根据本公开的实施例,决策模块基于所述用户的属性数据获得所述用户关于所述优惠类型的第一偏好评分包括:决策模块用于获取所述用户对应的第一历史订单数据,所述第一历史订单数据中包含符合所述优惠类型的优惠信息的订单的数量为第一数量,所述第一历史订单数据中包含符合任意优惠类型的优惠信息的订单的数量为第二数量;获取全体用户对应的第二历史订单数据,所述第二历史订单数据中包含符合所述优惠类型的优惠信息的订单的数量为第三数量,所述第二历史订单数据中包含符合任意优惠类型的优惠信息的订单的数量为第四数量;将第一数量与第二数量的比值相对于第三数量与第四数量的比值的占比作为所述第一偏好评分。
根据本公开的实施例,决策模块基于所述商品的属性数据获得所述商品关于所述优惠类型的第二偏好得分包括:决策模块用于基于所述商品的价格确定所述商品对应的价格分区;获取所述价格分区中的商品对应的第三历史订单数据,所述第三历史订单数据中包含符合所述优惠类型的优惠信息的订单的数量为第五数量,所述第三历史订单数据中包含符合任意优惠类型的优惠信息的订单的数量为第六数量;获取全体商品对应的第四历史订单数据,所述第四历史订单数据中包含符合所述优惠类型的优惠信息的订单的数量为第七数量,所述第四历史订单数据中包含符合任意优惠类型的优惠信息的订单的数量为第八数量;将第五数量与第六数量的比值相对于第七数量与第八数量的比值的占比作为所述第二偏好评分。
根据本公开的实施例,决策模块基于所述第一偏好评分和所述第二偏好评分,得到所述用户和所述商品关于所述优惠类型的综合偏好评分包括:决策模块用于获取第一偏好评分对应的第一权重,获取第二偏好评分对应的第二权重;基于所述第一权重和所述第二权重对所述第一偏好评分和所述第二偏好评分进行加权求和,得到所述综合偏好评分。
根据本公开的实施例,决策模块获取第一偏好评分对应的第一权重,获取第二偏好评分对应的第二权重包括:决策模块用于根据所述用户的属性数据确定所述用户对应的客群类别,不同的客群类别表征不同的购买力水平;根据所述商品的价格确定所述商品对应的价格分区;构建优惠偏好模型,所述优惠偏好模型的输入包括所述客群类别关于各优惠类型的第一偏好评分和所述价格分区关于各优惠类型的第二偏好评分,所述优惠偏好模型的输出为所述客群类别和所述价格分区对应的最高的综合偏好评分,所述优惠偏好模型的参数包括第一权重参数和第二权重参数;获取所述客群类别和所述价格分区对应的最高的实际偏好评分;以所述最高的实际偏好评分为目标对所述优惠偏好模型的参数进行优化,将最优的第一权重参数的取值作为所述第一权重,将最优的第二权重参数的取值作为所述第二权重。
根据本公开的实施例,决策模块根据所述用户的属性数据确定所述用户对应的客群类别包括:决策模块用于基于所述用户在预设时间周期内的平均收入数据、平均订单价格和/或平均消费金额,确定所述用户对应的客群类别。
根据本公开的实施例,决策模块构建优惠偏好模型包括:决策模块用于获取对应于所述客群类别的多个样本用户的属性数据,获取对应于所述价格分区的多个样本商品的属性数据;基于所述多个样本用户的属性数据和所述多个样本商品的属性数据;对于任一优惠类型,基于所述多个样本用户的属性数据获得所述多个样本用户关于该优惠类型的第一偏好评分,将所述多个样本用户关于该优惠类型的第一偏好评分之和作为所述客群类别关于该优惠类型的第一偏好评分;基于所述多个样本商品的属性数据获得所述多个样本商品所对应的所述价格分区关于该优惠类型的第二偏好评分;基于第一权重参数和第二权重参数对所述客群类别关于该优惠类型的第一偏好评分和所述价格分区关于该优惠类型的第二偏好评分进行加权求和得到所述客群类别和所述价格分区对应关于该优惠类型的综合偏好评分。
根据本公开的实施例,决策模块获取所述客群类别和所述价格分区对应的最高的实际偏好评分包括:决策模块用于对于任一优惠类型,获取任一所述样本用户和所述价格分区对应的第五历史订单数据,所述第五历史订单数据中包含符合该优惠类型的优惠信息的订单的数量为第九数量,所述第五历史订单数据中包含符合任意优惠类型的优惠信息的订单的数量为第十数量;将第五数量与第六数量的比值占比作为所述样本用户和所述价格分区关于该优惠类型的实际偏好评分,将所述多个样本用户和所述价格分区关于该优惠类型的实际偏好评分之和作为所述客群类别和所述价格分区关于该优惠类型的实际偏好评分;比较所述客群类别和所述价格分区关于各优惠类型的实际偏好评分,得到所述客群类别和所述价格分区对应的最高的实际偏好评分。
根据本公开的实施例,决策模块获取第一偏好评分对应的第一权重,获取第二偏好评分对应的第二权重还包括:决策模块还用于当无法确定所述用户对应的客群类别时,将第一预设值作为所述第一权重,将第二预设值作为所述第二权重。
本公开的另一方面提供了一种计算机可读存储介质,存储有计算机可执行指令,所述指令在被执行时用于实现如上所述的方法。
本公开的另一方面提供了一种计算机程序,所述计算机程序包括计算机可执行指令,所述指令在被执行时用于实现如上所述的方法。
根据本公开的实施例,可以至少部分地解决/减轻/抑制/甚至避免现有技术中对商品优惠信息的粗犷投放,在需要向用户输出商品的搜索结果时,充分考虑用户面对商品的具体情景,将用户对优惠信息的需求放在具体情景中进行精准定位,能够极大地促进用户对商品的购买,提高用户转化率。
附图说明
通过以下参照附图对本公开实施例的描述,本公开的上述以及其他目的、特征和优点将更为清楚,在附图中:
图1示意性示出了根据本公开实施例的可以应用商品搜索方法和装置的示例性***架构;
图2示意性示出了根据本公开实施例的商品搜索方法的流程图;
图3A示意性示出了根据本公开实施例的商品搜索过程的数据流图;
图3B示意性示出了根据本公开实施例的IPM模型的示意图;
图3C示意性示出了根据本公开实施例的商品的搜索结果的示意图;
图3D示意性示出了根据本公开另一实施例的商品搜索方法的流程图;
图4示意性示出了根据本公开实施例的商品搜索装置的框图;以及
图5示意性示出了根据本公开实施例的计算机设备的框图。
具体实施方式
以下,将参照附图来描述本公开的实施例。但是应该理解,这些描述只是示例性的,而并非要限制本公开的范围。在下面的详细描述中,为便于解释,阐述了许多具体的细节以提供对本公开实施例的全面理解。然而,明显地,一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本公开的概念。
在此使用的术语仅仅是为了描述具体实施例,而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在,但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义,除非另外定义。应注意,这里使用的术语应解释为具有与本说明书的上下文相一致的含义,而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下,一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如,“具有A、B和C中至少一个的***”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的***等)。在使用类似于“A、B或C等中至少一个”这样的表述的情况下,一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如,“具有A、B或C中至少一个的***”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的***等)。
本公开的实施例提供了一种商品搜索方法以及装置。该方法包括搜索请求接收过程、搜索结果获取过程、优惠决策过程和搜索结果输出过程。在搜索请求接收过程接收到用户针对商品的搜索请求,在搜索结果获取过程获取到相应商品的搜索结果,在优惠决策过程基于发起搜索的用户的属性数据和所搜索的商品的属性数据确定最优优惠类型,并在搜索结果输出过程以与符合最优优惠类型的优惠信息相关联的方式输出搜索结果。
图1示意性示出了根据本公开实施例的可以应用商品搜索方法和装置的示例性***架构100。需要注意的是,图1所示仅为可以应用本公开实施例的***架构的示例,以帮助本领域技术人员理解本公开的技术内容,但并不意味着本公开实施例不可以用于其他设备、***、环境或场景。
如图1所示,根据该实施例的***架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种客户端应用,例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对用户利用终端设备101、102、103所浏览的网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的搜索请求等数据进行分析等处理,并将处理结果(例如根据用户请求获取或生成的搜索结果、网页、信息、或数据等)反馈给终端设备。
需要说明的是,本公开实施例所提供的商品搜索方法可以由服务器105执行。相应地,本公开实施例所提供的商品搜索装置一般可以设置于服务器105中。本公开实施例所提供的商品搜索方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地,本公开实施例所提供的商品搜索装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。
或者,本公开实施例所提供的商品搜索方法也可以由终端设备101、102、103执行。相应地,本公开实施例所提供的商品搜索装置一般可以设置于终端设备101、102、103中。本公开实施例所提供的商品搜索方法也可以由不同于终端设备101、102、103且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地,本公开实施例所提供的商品搜索装置也可以设置于不同于终端设备101、102、103且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的,根据实现需要,可以具有任意数目的终端设备、网络和服务器。
图2示意性示出了根据本公开实施例的商品搜索方法的流程图。
如图2所示,该方法包括在操作S201,接收用户针对商品的搜索请求。
本操作中,接收用户针对商品的搜索请求,可以是接收对应于用户的搜索行为的搜索请求,如当用户在搜索栏中输入商品相关信息时,接收用户针对该商品的搜索请求,也可以是接收对应于用户的其他行为的搜索请求,如当用户打开一个网页,该网页中需要展示一个或多个商品相关的信息,此时接收用户针对该一个或多个商品的搜索请求,等等。也就是说,在任何接收到关于商品的请求,需要将商品相关的信息输出的情景下,都可以看作接收当前用户针对相应商品的搜索请求。
然后,在操作S202,获取与所述搜索请求相对应的搜索结果,所述搜索结果包括所述商品的相关信息。
本操作中,每个商品均是由商家信息和产品信息共同来标识的,不同的商家所出售的相同的产品可以当做不同的商品,同一商家所出售的不同的产品也可以当做不同的商品,只有同一商家所出售的相同的产品才可以当做同一商品。当所述搜索结果中包括多个商品的相关信息时,该多个商品是指互不相同的多个商品。商品的相关信息可以包括:商品对应的商家信息、商品对应的产品信息、商品的价格等等供用户了解该商品的信息,可以根据需要选择,在此不做限制。
在操作S203,基于所述用户的属性数据和所述商品的属性数据,确定最优优惠类型。
本操作中,所述用户是指在操作S201中搜索请求对应的用户,用户的属性数据反映了该用户自身的特征属性,用户自身的特征属性会影响用户对优惠类型的偏好,商品的属性数据反映了商品的特征属性,当用户面对一个商品时,商品的特征属性也会影响用户对优惠类型的偏好,基于这两方面的因素来确定当用户面对一个商品时用户可能最偏好的优惠类型。
在操作S204,与符合所述最优优惠类型的优惠信息相关联地输出所述搜索结果。
本操作中,在确定用户在面对一个商品时可能最偏好的最优优惠类型后,与符合该最优优惠类型的优惠信息相关联地输出搜索结果,使得最终展现给用户的商品搜索结果将该优惠信息包含在内,以更准确地定位用户对于优惠信息的需求,促进用户对商品的购买。
需要说明的是,图2所示的商品搜索方法可以在服务器侧实施,也可以在客户端侧实施,当该方法在服务器侧实施时,在操作S201接收客户端提交的用户针对商品的搜索请求,在操作S202获取与所述搜索请求相对应的搜索结果,在操作S203考虑用户自身因素和商品因素确定最优优惠类型,在操作S204与符合所述最优优惠类型的优惠信息相关联地输出所述搜索结果,由客户端将所述搜索结果输出展示给相应的用户。当该方法在客户端侧实施时,在操作S201接收用户输入针对商品的搜索请求,在操作S202获取与所述搜索请求相对应的搜索结果,在操作S203考虑用户自身因素和商品因素确定最优优惠类型,并在操作S204与符合所述最优优惠类型的优惠信息相关联地输出所述搜索结果。
可见,图2所示的方法在需要向用户输出商品的搜索结果时,充分考虑用户面对商品的具体情景,根据具体用户在面对具体商品时的优惠偏好既会受到用户自身特征属性的影响,也会受到商品的特征属性的影响这一规律,基于用户的属性数据和商品的属性数据确定用户在此具体情景下最有可能偏好的最优优惠类型,将商品的搜索结果与该最优优惠类型对应的优惠信息相关联地输出,将用户对优惠信息的需求放在具体情景中进行精准定位,能够极大地促进用户对商品的购买,提高用户转化率。
在本公开的一个实施例中,上述操作S203基于所述用户的属性数据和所述商品的属性数据,确定最优优惠类型包括:对于任一优惠类型,基于所述用户的属性数据获得所述用户关于所述优惠类型的第一偏好评分,基于所述商品的属性数据获得所述商品关于所述优惠类型的第二偏好评分,基于所述第一偏好评分和所述第二偏好评分,得到所述用户和所述商品关于所述优惠类型的综合偏好评分,即所述优惠类型的综合偏好评分。比较各优惠类型的综合偏好评分,将综合偏好评分最高的优惠类型作为最优优惠类型。
举例进行说明,在接收到用户A针对商品B的搜索请求时,假设共有三种优惠类型:优惠类型1、优惠类型2和优惠类型3。对于优惠类型1,基于用户A的属性数据获得用户A关于优惠类型1的第一偏好评分,该第一偏好评分表示在不考虑商品是哪个仅考虑用户A自身特征属性的情况下,相当于用户A面对任何商品的场景下,用户A对优惠类型1的偏好程度,以及,基于商品B的属性数据获得商品B关于优惠类型1的第二偏好评分,该第二偏好评分表示在不考虑用户是谁仅考虑商品的特征属性的情况下,相当于全体用户面对商品B的场景下,全体用户对优惠类型1的偏好程度,然后,基于上述第一偏好评分和第二偏好评分就可以获得用户A和商品B关于优惠类型1的综合偏好评分,该综合偏好评分表示在既考虑用户A的特征属性又考虑商品B的特征属性的情况下,相当于用户A面对商品B的情景下,用户A对优惠类型1的偏好程度。同理地,按照上述逻辑可以获得优惠类型2的综合偏好评分和优惠类型3的综合偏好评分,请注意这些综合偏好评分都是限制在用户A面对商品B的情景下计算出来的,哪个优惠类型的综合偏好评分最高,表示在用户A面对商品B的情景下用户A对该优惠类型的偏好程度最高,即为最优优惠类型。
可以看到,本实施例一方面通过用户的属性数据考虑用户自身对于优惠类型的偏好,另一方面通过商品的属性数据考虑商品特征与优惠类型的适配程度,结合两方面得到具体场景下各优惠类型的综合偏好评分,通过比较各优惠类型的综合偏好评分能够精确地定位具体场景下的最优优惠类型。
具体地,在本公开的实施例中,上述基于所述用户的属性数据获得所述用户关于所述优惠类型的第一偏好评分可以包括:获取所述用户对应的第一历史订单数据,所述第一历史订单数据中包含符合所述优惠类型的优惠信息的订单的数量为第一数量,所述第一历史订单数据中包含符合任意优惠类型的优惠信息的订单的数量为第二数量;获取全体用户对应的第二历史订单数据,所述第二历史订单数据中包含符合所述优惠类型的优惠信息的订单的数量为第三数量,所述第二历史订单数据中包含符合任意优惠类型的优惠信息的订单的数量为第四数量;将第一数量与第二数量的比值相对于第三数量与第四数量的比值的占比作为所述第一偏好评分。
沿用上文中的例子进行说明,上文中基于用户A的属性数据获得用户A关于优惠类型1的第一偏好评分的过程可以是:获取用户A对应的第一历史订单数据,该第一历史订单数据包含了用户A所有历史购买行为对应的有效订单相关的数据,统计用户A对应的第一历史订单数据中包含符合优惠类型1的优惠信息的订单的数量为第一数量x1,统计用户A对应的第一历史订单数据中包含符合任意优惠类型(优惠类型1、优惠类型2或优惠类型3)的优惠信息的订单的数量为第二数量x2,计算第一数量x1和第二数量x2的比值x1/x2,该比值表示用户A在历史购买行为中,使用优惠类型1的订单和使用任意优惠类型的所有订单的比例。以及,获取全体用户对应的第二历史订单数据,全体用户是根据需要所选择的较大的用户样本集合,例如可以是电商平台上的全部或部分注册用户,该第二历史订单数据包含了各用户所有历史购买行为对应的有效订单相关的数据,统计全体用户对应的第二历史订单数据中包含符合优惠类型1的优惠信息的订单的数量为第三数量x3,统计全体用户对应的第二历史订单数据中包含符合任意优惠类型(优惠类型1、优惠类型2或优惠类型3)的优惠信息的订单的数量为第四数量x4,计算第三数量x3和第四数量x4的比值x3/x4,该比值表示全体用户在历史购买行为中,使用优惠类型1的订单和使用任意优惠类型的所有订单的比例。计算比值x1/x2相对于比值x3/x4的占比,将该占比作为用户A关于优惠类型1的第一偏好评分,该第一偏好评分表示在不考虑商品是哪个仅考虑用户A自身特征属性的情况下,相当于用户A面对任何商品的场景下,以全体用户对优惠类型1的偏好程度为基准,计算出来的用户A对优惠类型1的偏好程度。同理地,可以计算出来用户A对其他优惠类型的偏好程度,在此不再赘述。
在本实施例中,依据大量的用户属性数据勾勒用户画像,上述实施例中用户的属性数据为用户的历史订单数据,用户的历史订单数据能够准确地反映用户的购买行为习惯,进而从中可以反映出用户自身对于各种优惠类型的偏好程度。
具体地,在本公开的实施例中,上述基于所述商品的属性数据获得所述商品关于所述优惠类型的第二偏好得分可以包括:基于所述商品的价格确定所述商品对应的价格分区;获取所述价格分区中的商品对应的第三历史订单数据,所述第三历史订单数据中包含符合所述优惠类型的优惠信息的订单的数量为第五数量,所述第三历史订单数据中包含符合任意优惠类型的优惠信息的订单的数量为第六数量;获取全体商品对应的第四历史订单数据,所述第四历史订单数据中包含符合所述优惠类型的优惠信息的订单的数量为第七数量,所述第四历史订单数据中包含符合任意优惠类型的优惠信息的订单的数量为第八数量;将第五数量与第六数量的比值相对于第七数量与第八数量的比值的占比作为所述第二偏好评分。
仍然沿用上文中的例子进行说明,上文中基于商品B的属性数据获得商品B关于优惠类型1的第二偏好得分的过程可以是:根据全体商品的价格划分多个价格分区,全体商品是根据需要所选择的较大的商品样本集合,例如可以是电商平台上的全部或部分商品。基于商品B的价格确定商品B对应的价格分区,如100~200元。获取该价格分区(100~200元)中的商品对应的第三历史订单数据,该第三历史订单数据包含了全体用户对应的落入该价格分区(100~200元)中的所有有效订单相关的数据,统计该第三历史订单数据中包含符合优惠类型1的优惠信息的订单的数量为第五数量x5,统计该第三历史订单数据中包含符合任意优惠类型(优惠类型1、优惠类型2或优惠类型3)的优惠信息的订单的数量为第六数量x6,计算第五数量x5和第六数量x6的比值x5/x6,该比值表示全体用户在历史购买行为中,使用优惠类型1购买落入价格分区(100~200元)的商品的订单和使用任意优惠类型购买落入价格分区(100~200元)的商品的所有订单的比例。以及,获取全体商品对应的第四历史订单数据,该第四历史订单数据包含了全体用户对应的所有有效订单相关的数据,统计该第四历史订单数据中包含符合优惠类型1的优惠信息的订单的数量为第七数量x7,统计该第四历史订单数据中包含符合任意优惠类型(优惠类型1、优惠类型2或优惠类型3)的优惠信息的订单的数量为第八数量x8,计算第七数量x7和第八数量x8的比值x7/x8,该比值表示全体用户在历史购买行为中,使用优惠类型1的订单和使用任意优惠类型的所有订单的比例。将第五数量与第六数量的比值相对于第七数量与第八数量的比值的占比作为所述第二偏好评分。计算比值x5/x6相对于比值x7/x8的占比,将该占比作为商品B关于优惠类型1的第二偏好评分,该第二偏好评分表示在不考虑用户是谁仅考虑商品的特征属性的情况下,以全体用户面对全体商品时对优惠类型的偏好程度为基准,计算得到的全体用户面对商品B时对优惠类型1的偏好程度。同理地,可以计算出来全体用户面对商品B时对其他优惠类型的偏好程度,在此不再赘述。
本实施例中,商品的属性数据包括价格信息和历史订单数据,由于商品价格能够极大地影响用户购买商品时是否使用优惠信息、使用何种优惠信息等选择,因此根据商品的价格将商品划分至不同的价格分区中,不同的价格分区对用户优惠偏好的影响不同。商品所在的价格分区对应的历史订单数据能够准确地反映各价格分区中商品被用户购买的情况,进而从中可以反映出全体用户在面对相应商品时对于各种优惠类型的偏好程度。
具体地,在本公开的实施例中,上述基于所述第一偏好评分和所述第二偏好评分,得到所述用户和所述商品关于所述优惠类型的综合偏好评分包括:获取第一偏好评分对应的第一权重,获取第二偏好评分对应的第二权重;基于所述第一权重和所述第二权重对所述第一偏好评分和所述第二偏好评分进行加权求和,得到所述综合偏好评分。
沿用上文中的例子,在得到用户A关于优惠类型1的第一偏好评分和商品B关于优惠类型1的第二偏好评分之后,获取用户A关于优惠类型1的第一偏好评分对应的第一权重a,获取商品B关于优惠类型1的第二偏好评分对应的第二权重b,由于该第一偏好评分表示在用户A面对任何商品的场景下,用户A对优惠类型1的偏好程度,是主观因素,则相应的第一权重a表征的是主观因素所带来的影响程度,而第二偏好评分表示在全体用户面对商品B的场景下,全体用户对优惠类型1的偏好程度,是商品价格所导致的客观因素,则相应的第二权重b表征的是客观因素所带来的影响程度,因此基于第一权重a和第二权重b对第一偏好评分和第二偏好评分进行加权求和得到优惠类型1的综合偏好评分。
依据本实施例,当用户A面对商品B时,综合考虑主观因素和客观因素对用户优惠偏好的影响,计算得到各优惠类型的综合偏好评分,符合用户购买商品的实际行为规律,能够准确反映综合的优惠偏好程度。
需要说明的是,对于不同购买力的用户,主观因素所带来的影响程度可能不同,对于不同价格的商品,客观因素所带来的影响程度可能不同,因此在用户不同商品不同的情景下,所获取到的第一权重和第二权重可能是不同的,需要根据具体情况加以考虑。
在本公开的一个实施例中,可以通过构建模型、训练模型参数的方式获取不同购买力用户对应的第一权重和不同价格分区的商品对应的第二权重。具体地,对于全体用户,全体用户是根据需要所选择的较大的用户样本集合,例如可以是电商平台上的全部或部分注册用户,根据用户的购买力水平将各用户划分至多个客群类别中。对于全体商品,全体商品是根据需要所选择的较大的商品样本集合,例如可以是电商平台上的全部或部分商品,根据商品的价格将各商品划分至多个价格分区中。对于任一客群类别和任一价格分区,构建优惠偏好模型,所述优惠偏好模型的输入包括所述客群类别关于各优惠类型的第一偏好评分和所述价格分区关于各优惠类型的第二偏好评分,所述优惠偏好模型的输出为所述客群类别和所述价格分区对应的最高的综合偏好评分,所述优惠偏好模型的参数包括第一权重参数和第二权重参数。获取所述客群类别和所述价格分区对应的最高的实际偏好评分,以所述最高的实际偏好评分为目标对所述优惠偏好模型的参数进行优化,将优化得到的最优的第一权重参数的取值作为所述客群类别对应的第一权重,将优化得到的最优的第二权重参数的取值作为所述价格分区对应的第二权重。
其中,作为一个可选的实施例,上述构建优惠偏好模型包括:获取对应于所述客群类别的多个样本用户的属性数据,获取对应于所述价格分区的多个样本商品的属性数据;基于所述多个样本用户的属性数据和所述多个样本商品的属性数据;对于任一优惠类型,基于所述多个样本用户的属性数据获得所述多个样本用户关于该优惠类型的第一偏好评分,将所述多个样本用户关于该优惠类型的第一偏好评分之和作为所述客群类别关于该优惠类型的第一偏好评分;基于所述多个样本商品的属性数据获得所述多个样本商品所对应的所述价格分区关于该优惠类型的第二偏好评分;基于第一权重参数和第二权重参数对所述客群类别关于该优惠类型的第一偏好评分和所述价格分区关于该优惠类型的第二偏好评分进行加权求和得到所述客群类别和所述价格分区对应关于该优惠类型的综合偏好评分。
作为一个可选的实施例,上述获取所述客群类别和所述价格分区对应的最高的实际偏好评分包括:对于任一优惠类型,获取任一所述样本用户和所述价格分区对应的第五历史订单数据,所述第五历史订单数据中包含符合该优惠类型的优惠信息的订单的数量为第九数量,所述第五历史订单数据中包含符合任意优惠类型的优惠信息的订单的数量为第十数量;将第九数量与第十数量的比值占比作为所述样本用户和所述价格分区关于该优惠类型的实际偏好评分,将所述多个样本用户和所述价格分区关于该优惠类型的实际偏好评分之和作为所述客群类别和所述价格分区关于该优惠类型的实际偏好评分。比较所述客群类别和所述价格分区关于各优惠类型的实际偏好评分,得到所述客群类别和所述价格分区对应的最高的实际偏好评分。
则对于上文中用户A面对商品B的场景,在得到关于优惠类型1的第一偏好评分和第二偏好评分后,根据用户A的属性数据确定用户A对应的客群类别,根据商品B的价格确定商品B对应的价格分区。基于上文中的模型训练过程获得用户A对应的客群类别对应的第一权重以及商品B对应的价格分区对应的第二权重,基于所获取的第一权重和第二权重对第一偏好评分和第二偏好评分进行加权求和可以得到优惠类型1对应的综合偏好评分。
可以看到,上述过程中通过模型学习、目标函数的限制能够快速获得满足具体场景需求的第一权重和第二权重,其中第一权重与用户的购买力相关联,第二权重与商品的价格相关联。
在一个具体的实施例中,上述根据用户A的属性数据确定用户A对应的客群类别包括:基于用户A在预设时间周期内的平均收入数据、平均订单价格和/或平均消费金额,确定用户A对应的客群类别。
在本公开的另一个实施例中,如果当前用户为新用户,其所对应的属性数据很小,无法根据其历史购买行为的大数据来获知该用户的购买力水平时,即无法基于上述模型训练的方式获得第一权重和第二权重时,可以以预设的数值作为第一权重和第二权重,具体地,上述获取第一偏好评分对应的第一权重,获取第二偏好评分对应的第二权重还包括:当无法确定所述用户对应的客群类别时,将第一预设值作为所述第一权重,将第二预设值作为所述第二权重。本实施例考虑到没有历史购买行为数据或历史购买行为数据较少的用户在进行优惠决策时的情景,避免出现异常。
下面参考图3A~图3D,结合具体实施例对图2所示的方法做进一步说明。
图3A示意性示出了根据本公开实施例的商品搜索过程的数据流图。
如图3A所示,接收用户u针对商品B的搜索请求,获取商品B的搜索结果,该搜索结果中包括商品B的相关信息,然后要基于用户u的属性数据和商品B的属性数据确定用户u面对商品B时的最优优惠类型,并在输出商品B的搜索结果时将符合该最优优惠类型的优惠信息。
本实施例中预设共有三种优惠类型:免息优惠、直降优惠和满减优惠。在获取到商品B的搜索结果后,对于免息优惠,计算用户u关于该免息优惠的第一偏好评分mx_preferu,计算商品B所在的价格区间y关于该免息优惠的第二偏好评分mx_prefery;对于直降优惠,计算用户u关于该直降优惠的第一偏好评分zj_preferu,计算商品B所在的价格区间y关于该直降优惠的第二偏好评分zj_prefery;对于满减优惠,计算用户u关于该满减优惠的第一偏好评分mj_preferu,计算商品B所在的价格区间y关于该满减优惠的第二偏好评分mj_prefery。
以免息优惠为例说明计算第一偏好评分和第二偏好评分的具体过程,其他优惠类型同理,不再赘述。
通过如下公式计算用户u关于该免息优惠的第一偏好评分mx_preferu:
其中,mx_ordsu为用户u使用免息优惠的订单的数量,coupon-ordsu为用户u使用优惠的订单的数量,mx-preferu′为用户u使用免息优惠的订单与用户u使用优惠的所有订单的比重,称为用户u免息订单比重,mx_ords为全体用户使用免息优惠的订单的数量,coupon-ords为全体用户使用优惠的订单的数量,mx_prefer′为全体用户使用免息优惠的订单与全体用户使用优惠的所有订单的比重,称为全体用户免息订单比重,则用户u关于免息优惠的第一偏好评分mx_preferu定义为用户u免息订单比重相对于全体用户免息订单比重的提升。
可以看到,依托电商平台海量用户消费行为数据,经过算法处理排除异常数据。通过计算全体用户对三种不同优惠类型(直降优惠、满减优惠、免息优惠)的使用情况,可以得出整体用户的优惠偏好情况,同理可以计算每一用户的个人优惠偏好情况。通过计算个人偏好相对于整体的提升情况,可以识别用户对不同优惠类型的第一偏好评分,第一偏好评分越高代表用户自身对该优惠类型的偏好程度越高。
通过如下公式计算商品B所在的价格区间y关于该免息优惠的第二偏好评分mx_prefery:
其中,mx_ordsy,为在价格区间y使用免息优惠的订单的数量,coupon_ordsy为在价格区间y使用优惠的订单的数量,mx_preferu′为在价格区间y使用免息优惠的订单与在价格区间y使用优惠的所有订单的比重,称为价格区间y的免息订单比重,mx_prefer′为全体用户使用免息优惠的订单与全体用户使用优惠的所有订单的比重,也相当于全价为区间免息订单比重,则商品B所在的价格区间y关于该免息优惠的第二偏好评分mx_prefery定义为价格区间y的免息订单比重相对于全价为区间免息订单比重的提升。
基于电商平台海量数据,可以提取在不同价格区间内各优惠类型(直降优惠、满减优惠、免息优惠)的使用情况,通过分价格区间与全价格区间的对比,可以衡量价格因素对用户优惠选择的影响程度。
在计算得到各优惠类型对应的第一偏好评分和第二偏好评分之后,需要获取相应的第一权重和第二权重,以结合第一偏好评分和第二偏好评分计算各优惠类型的综合偏好评分。
本实施例通过以下方式获取第一权重和第二权重:
首先进行客群分类,根据IPM模型(其中I代表收入、P代表订单平均单价、M代表消费金额)将全体用户划分为购买力水平由强到弱的6个客群类别。
图3B示意性示出了根据本公开实施例的IPM模型的示意图。
如图3B所示,由I轴、P轴和M轴构成三维直角坐标系,如I表示用户每个月的收入,P表示用户每个月购买的订单的平均单价,M表示用户每个月的总消费金额,根据用户每个月的收入、每个月购买的订单的平均单价以及每个月的总消费金额来判断该用户的购买力水平,当对应的I、P和M都较高时,用户的购买力水平较高,当对应的I、P和M都较低时,用户的购买力水平较低,具体不同客群类别的特征如表1所示:
表1
其中,每项指标的高低判断标准可以根据需要设定,如设定为该指标的25%,当高于该指标的25%时确定为高,当低于该指标的25%确定为低。
经过客群分类之后,可以知道不同用户群体在优惠券类型的选择上,受用户选择(主观)与价格影响(客观)两方面因素的影响存在差异,对于高购买力人群,在购买商品时所呈现出的优惠偏好应主要受主观因素的影响,对于低购买力人群,购买商品时影响其优惠选择的主导因素应为价格因素。
对于不同客群,通过设计主客观因素不同的权重,最终计算出每一用户在不同价格的优惠偏好,构建优惠偏好模型如下:
其中,k表示客群类别,如表1中共有6种客群类别,r表示优惠类型,如r=1为免息优惠,r=2为直降优惠,r=3为满减优惠,i表示当前客群类别中的第i个用户,当前客群类别中共有n个用户,xr[i]表示第i个用户关于优惠类型r的第一偏好评分,yr[j]表示在价格分区j中的商品关于优惠类型r的第二偏好评分,ak×xr[i]+bk×yr[j]表示将当前客群类别中的第i个用户关于优惠类型r的第一偏好评分,通过第一权重参数ak和第二权重参数bk对当前客群类别中的第i个用户关于优惠类型r的第一偏好评分和价格分区j关于优惠类型r的第二偏好评分进行加权求和,计算得到当前客群类别中的第i个用户对于价格分区j关于优惠类型r的综合偏好评分,max(ak×xr[i]+bk×yr[j])为第i个用户对于价格分区j关于各优惠类型的综合偏好评分的最大值,表示将当前客群类别中的各用户对于价格分区j关于各优惠类型的综合偏好评分的最大值进行求和,输出为各优惠类型对应的综合偏好评分的最大值,即当前客群类别对于价格分区j所对应的最大综合偏好评分。
对上述优惠偏好模型进行优化,使得满足如下约束条件:
其中,zr[i,j]是z1[i,j]、z2[i,j]和z3[i,j]中的最大值,z1[i,j]是当前客群类别中的第i个用户对于价格分区j关于免息优惠的实际偏好评分,例如,该实际偏好评分可以等于该第i个用户使用免息优惠购买在价格分区j中的订单的数量与该第i个用户使用优惠购买在价格分区j中的订单的数量的比值。z2[i,j]是当前客群类别中的第i个用户对于价格分区j关于直降优惠的实际偏好评分,z3[i,j]是当前客群类别中的第i个用户对于价格分区j关于满减优惠的实际偏好评分,与z1[i,j]计算过程同理在此不再赘述,表示将当前客群类别中的各用户对于价格分区j关于优惠类型r的最大实际偏好评分进行求和得到当前客群类别对于价格分区j关于优惠类型r的最大实际偏好评分。可以知道,上述优化过程即是将当前客群类别对于价格分区j关于优惠类型r的最大实际偏好评分作为优化目标,令优惠偏好模型所计算出的当前客群类别对于价格分区j对应的最大综合偏好评分不断接近最大实际偏好评分,将最终优化得到的第一权重参数ak和第二权重参数bk作为当前客群类别面对价格分区j中的商品时的第一权重和第二权重。在更简化的流程中,价格分区j也可以对应于价格的完整区间,这样第一权重和第二权重仅与客群类别相关联。
因此,当要获取前文中用户u对于价格分区y中的商品B的第一权重和第二权重时,先确定用户u所在的客群类别,通过上述模型优化过程获取该客群类别对于价格分区y时的第一权重ak和第二权重bk。
则用户u对于价格分区y对应的最高的综合偏好评分通过如下公式进行计算:
preferuy=max{zj_preferuy,mj_preferuy,mx_preferuy}=max{ak×zj_preferu+bk×zj_prefery,ak×mj_preferu+bk×mj_prefery,ak×mx_preferu+bk×mx_prefery}
其中,zj_preferuy为用户u对于价格分区y关于直降优惠的综合偏好评分,mj_preferuy为用户u对于价格分区y关于满减优惠的综合偏好评分,mx_preferuy为用户u对于价格分区y关于免息优惠的综合偏好评分。最高的综合偏好评分preferuy对应的优惠类型即为用户u对于价格分区y中的商品B时所确定的最优优惠类型,将商品B的搜索结果同符合该最优优惠类型的优惠信息一同输出展示。
图3C示意性示出了根据本公开实施例的商品的搜索结果的示意图。
如图3C所示,在左边的图中,用户u对于价格分区y中的商品B时所确定的最优优惠类型为直降优惠,则在商品B的搜索结果中包括“立减8元”字样的符合直降优惠的信息;在中间的图中,用户u对于价格分区y中的商品B时所确定的最优优惠类型为满减优惠,则在商品B的搜索结果中包括“满300减10”字样的符合满减优惠的信息;在右边的图中,用户u对于价格分区y中的商品B时所确定的最优优惠类型为免息优惠,则在商品B的搜索结果中包括“即享12期息费6折”字样的符合免息优惠的信息。
在一种特殊情况下,用户为新用户,其所对应的历史数据没有或较少,无法通过上述模型训练的方法获得其相应的第一权重和第二权重,则另外设置第7个客群类别,对于该客群类别,预设第一权重为0,第二权重为1,该预设值可以根据实际情况进行调整,在此不做限制。利用该预设的第一权重和第二权重可以确定新用户在面对商品时的最优优惠类型,进行相应的优惠信息的输出和展示。
图3D示意性示出了根据本公开另一实施例的商品搜索方法的流程图。
如图3D所示,该方法包括操作S301~S308,具体如下:
在操作S301,获取用户登录信息,获取商品信息。
在操作S302,判断用户是否为新用户,是则执行操作S303,否则执行操作S304。
在操作S303,确定用户属于客群类别7,获取预设的第一权重a7和第二权重b7。
在操作S304,识别用户所属的客群类别k,基于优惠偏好模型获取该客群类别k对应的第一权重ak和第二权重bk。
在操作S305,计算用户关于各优惠类型的第一偏好评分。
在操作S306,计算商品所在的价格分区关于各优惠类型的第二偏好评分。
在操作S307,对第一偏好评分和第二偏好评分进行融合得到各优惠类型的综合偏好评分,对各优惠类型的综合偏好评分进行排序,将综合偏好评分最高的优惠类型作为最优优惠类型。
在操作S308,将符合最优优惠类型的优惠信息和商品的搜索结果在前端进行展示。
本方案通过收集用户历史消费记录及优惠使用情况相关数据,构建优惠偏好模型,刻画用户偏好,业务***通过调取模型结果,在商祥页以广告词形式显示用户当前商品最为偏好的优惠形式,实现“千人千面”(同一商品不同用户显示优惠信息不同)与“一人多面”(同一用户不同商品显示优惠信息不同)。其中,依托电商海量数据,可以调取用户在京东商城的所有消费记录及优惠券使用情况,同时可以了解在不同价格商品上各种不同类型优惠券的使用情况,以上数据均为实际交易产生的数据,具有真实有效的特点,基于以上数据,可以对用户的购买力、优惠偏好进行衡量。
由于用户的属性数据和商品的属性数据(如用户的历史订单数据、商品的历史订单数据)中存在大量出现退单的情况,这部分订单的优惠券使用情况最终均会被***所记录,因此需要首先剔除这部分无效订单对结果的影响。以及,由于电商平台的消费订单中会出现超大额订单(商家测试)或超小额订单(秒杀),同时会出现部分用户短时间内的订单量远远超过整体水平(刷单),这部分订单均会对结果产生严重的影响,因此在提取用户的消费记录时,排除了订单金额超过整体95%水平及订单金额低于整体5%的订单,同时还排除订单量超过整体水平95%以上的用户,以保证上述计算过程的有效性。
本公开借助大数据及金融云计算技术,通过对用户历史消费行为的分析,分别从产品(商品)及用户两个维度,结合客群特征,设计用户级别的优惠券差异化算法,刻画用户在不同价格商品的优惠偏好。通过该算法,可以对用户实施差异化定价:1)实现在同一件商品上对不同用户在商品的信息页展示其最偏好的利益点(优惠类型);2)实现对同一用户在不同的商品的信息页上展示其最偏好的利益点(优惠类型)。本公开主要解决3个问题:从成本控制上看,通过优惠偏好差异化,优化了营销资源投放,避免营销资源错投,从而达到节省费用的目的;从用户的角度看可以优化用户体验,在用户购物时提供其最需要的优惠类型,提升用户转化率,实现“千人千面”与“一人多面”;用户与商品两个维度相结合,解决了新客因无法获取历史消费数据而无法进行优惠偏好差异化的问题。
图4示意性示出了根据本公开实施例的商品搜索装置的框图。
如图4所示,商品搜索装置400包括接收模块410、获取模块420、决策模块430、和输出模块440。
接收模块410用于接收用户针对商品的搜索请求。
获取模块420用于获取与所述搜索请求相对应的搜索结果,所述搜索结果包括所述商品的相关信息。
决策模块430用于基于所述用户的属性数据和所述商品的属性数据,确定最优优惠类型。
输出模块440用于与符合所述最优优惠类型的优惠信息相关联地输出所述搜索结果。
根据本公开的实施例,决策模块430基于所述用户的属性数据和所述商品的属性数据,确定最优优惠类型包括:决策模块430用于对于任一优惠类型,基于所述用户的属性数据获得所述用户关于所述优惠类型的第一偏好评分;基于所述商品的属性数据获得所述商品关于所述优惠类型的第二偏好评分;基于所述第一偏好评分和所述第二偏好评分,得到所述用户和所述商品关于所述优惠类型的综合偏好评分;将综合偏好评分最高的优惠类型作为最优优惠类型。
根据本公开的实施例,决策模块430基于所述用户的属性数据获得所述用户关于所述优惠类型的第一偏好评分包括:决策模块430用于获取所述用户对应的第一历史订单数据,所述第一历史订单数据中包含符合所述优惠类型的优惠信息的订单的数量为第一数量,所述第一历史订单数据中包含符合任意优惠类型的优惠信息的订单的数量为第二数量;获取全体用户对应的第二历史订单数据,所述第二历史订单数据中包含符合所述优惠类型的优惠信息的订单的数量为第三数量,所述第二历史订单数据中包含符合任意优惠类型的优惠信息的订单的数量为第四数量;将第一数量与第二数量的比值相对于第三数量与第四数量的比值的占比作为所述第一偏好评分。
根据本公开的实施例,决策模块430基于所述商品的属性数据获得所述商品关于所述优惠类型的第二偏好得分包括:决策模块430用于基于所述商品的价格确定所述商品对应的价格分区;获取所述价格分区中的商品对应的第三历史订单数据,所述第三历史订单数据中包含符合所述优惠类型的优惠信息的订单的数量为第五数量,所述第三历史订单数据中包含符合任意优惠类型的优惠信息的订单的数量为第六数量;获取全体商品对应的第四历史订单数据,所述第四历史订单数据中包含符合所述优惠类型的优惠信息的订单的数量为第七数量,所述第四历史订单数据中包含符合任意优惠类型的优惠信息的订单的数量为第八数量;将第五数量与第六数量的比值相对于第七数量与第八数量的比值的占比作为所述第二偏好评分。
根据本公开的实施例,决策模块430基于所述第一偏好评分和所述第二偏好评分,得到所述用户和所述商品关于所述优惠类型的综合偏好评分包括:决策模块430用于获取第一偏好评分对应的第一权重,获取第二偏好评分对应的第二权重;基于所述第一权重和所述第二权重对所述第一偏好评分和所述第二偏好评分进行加权求和,得到所述综合偏好评分。
根据本公开的实施例,决策模块430获取第一偏好评分对应的第一权重,获取第二偏好评分对应的第二权重包括:决策模块430用于根据所述用户的属性数据确定所述用户对应的客群类别,不同的客群类别表征不同的购买力水平;根据所述商品的价格确定所述商品对应的价格分区;构建优惠偏好模型,所述优惠偏好模型的输入包括所述客群类别关于各优惠类型的第一偏好评分和所述价格分区关于各优惠类型的第二偏好评分,所述优惠偏好模型的输出为所述客群类别和所述价格分区对应的最高的综合偏好评分,所述优惠偏好模型的参数包括第一权重参数和第二权重参数;获取所述客群类别和所述价格分区对应的最高的实际偏好评分;以所述最高的实际偏好评分为目标对所述优惠偏好模型的参数进行优化,将最优的第一权重参数的取值作为所述第一权重,将最优的第二权重参数的取值作为所述第二权重。
根据本公开的实施例,决策模块430根据所述用户的属性数据确定所述用户对应的客群类别包括:决策模块430用于基于所述用户在预设时间周期内的平均收入数据、平均订单价格和/或平均消费金额,确定所述用户对应的客群类别。
根据本公开的实施例,决策模块430构建优惠偏好模型包括:决策模块430用于获取对应于所述客群类别的多个样本用户的属性数据,获取对应于所述价格分区的多个样本商品的属性数据;基于所述多个样本用户的属性数据和所述多个样本商品的属性数据;对于任一优惠类型,基于所述多个样本用户的属性数据获得所述多个样本用户关于该优惠类型的第一偏好评分,将所述多个样本用户关于该优惠类型的第一偏好评分之和作为所述客群类别关于该优惠类型的第一偏好评分;基于所述多个样本商品的属性数据获得所述多个样本商品所对应的所述价格分区关于该优惠类型的第二偏好评分;基于第一权重参数和第二权重参数对所述客群类别关于该优惠类型的第一偏好评分和所述价格分区关于该优惠类型的第二偏好评分进行加权求和得到所述客群类别和所述价格分区对应关于该优惠类型的综合偏好评分。
根据本公开的实施例,决策模块430获取所述客群类别和所述价格分区对应的最高的实际偏好评分包括:决策模块430用于对于任一优惠类型,获取任一所述样本用户和所述价格分区对应的第五历史订单数据,所述第五历史订单数据中包含符合该优惠类型的优惠信息的订单的数量为第九数量,所述第五历史订单数据中包含符合任意优惠类型的优惠信息的订单的数量为第十数量;将第五数量与第六数量的比值占比作为所述样本用户和所述价格分区关于该优惠类型的实际偏好评分,将所述多个样本用户和所述价格分区关于该优惠类型的实际偏好评分之和作为所述客群类别和所述价格分区关于该优惠类型的实际偏好评分;比较所述客群类别和所述价格分区关于各优惠类型的实际偏好评分,得到所述客群类别和所述价格分区对应的最高的实际偏好评分。
根据本公开的实施例,决策模块430获取第一偏好评分对应的第一权重,获取第二偏好评分对应的第二权重还包括:决策模块430还用于当无法确定所述用户对应的客群类别时,将第一预设值作为所述第一权重,将第二预设值作为所述第二权重。
需要说明的是,图4所示的商品搜索装置400可以配置于服务器侧,也可以配置于客户端侧。以及,需要说明的是,装置部分实施例中各模块/单元/子单元等的实施方式、解决的技术问题、实现的功能、以及达到的技术效果分别与方法部分实施例中各对应的步骤的实施方式、解决的技术问题、实现的功能、以及达到的技术效果相同或类似,在此不再赘述。
根据本公开的实施例的模块、子模块、单元、子单元中的任意多个、或其中任意多个的至少部分功能可以在一个模块中实现。根据本公开实施例的模块、子模块、单元、子单元中的任意一个或多个可以被拆分成多个模块来实现。根据本公开实施例的模块、子模块、单元、子单元中的任意一个或多个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上***、基板上的***、封装上的***、专用集成电路(ASIC),或可以通过对电路进行集成或封装的任何其他的合理方式的硬件或固件来实现,或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者,根据本公开实施例的模块、子模块、单元、子单元中的一个或多个可以至少被部分地实现为计算机程序模块,当该计算机程序模块被运行时,可以执行相应的功能。
例如,接收模块410、获取模块420、决策模块430、和输出模块440中的任意多个可以合并在一个模块中实现,或者其中的任意一个模块可以被拆分成多个模块。或者,这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合,并在一个模块中实现。根据本公开的实施例,接收模块410、获取模块420、决策模块430、和输出模块440中的至少一个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上***、基板上的***、封装上的***、专用集成电路(ASIC),或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现,或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者,接收模块410、获取模块420、决策模块430、和输出模块440中的至少一个可以至少被部分地实现为计算机程序模块,当该计算机程序模块被运行时,可以执行相应的功能。
图5示意性示出了根据本公开实施例的适于实现上文描述的方法的计算机设备的框图。图5示出的计算机设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图5所示,根据本公开实施例的计算机设备500包括处理器501,其可以根据存储在只读存储器(ROM)502中的程序或者从存储部分508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。处理器501例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如,专用集成电路(ASIC)),等等。处理器501还可以包括用于缓存用途的板载存储器。处理器501可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
在RAM 503中,存储有计算机设备500操作所需的各种程序和数据。处理器501、ROM502以及RAM 503通过总线504彼此相连。处理器501通过执行ROM 502和/或RAM 503中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意,所述程序也可以存储在除ROM 502和RAM 503以外的一个或多个存储器中。处理器501也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。
根据本公开的实施例,计算机设备500还可以包括输入/输出(I/O)接口505,输入/输出(I/O)接口505也连接至总线504。计算机设备500还可以包括连接至I/O接口505的以下部件中的一项或多项:包括键盘、鼠标等的输入部分506;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分507;包括硬盘等的存储部分508;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至I/O接口505。可拆卸介质511,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器510上,以便于从其上读出的计算机程序根据需要被安装入存储部分508。
根据本公开的实施例,根据本公开实施例的方法流程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分509从网络上被下载和安装,和/或从可拆卸介质511被安装。在该计算机程序被处理器501执行时,执行本公开实施例的***中限定的上述功能。根据本公开的实施例,上文描述的***、设备、装置、模块、单元等可以通过计算机程序模块来实现。
本公开还提供了一种计算机可读存储介质,该计算机可读存储介质可以是上述实施例中描述的设备/装置/***中所包含的;也可以是单独存在,而未装配入该设备/装置/***中。上述计算机可读存储介质承载有一个或者多个程序,当上述一个或者多个程序被执行时,实现根据本公开实施例的方法。
根据本公开的实施例,计算机可读存储介质可以是非易失性的计算机可读存储介质,例如可以包括但不限于:便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。例如,根据本公开的实施例,计算机可读介质可以包括上文描述的ROM502和/或RAM 503和/或ROM 502和RAM 503以外的一个或多个存储器。
附图中的流程图和框图,图示了按照本公开各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
本领域技术人员可以理解,本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合,即使这样的组合或结合没有明确记载于本公开中。特别地,在不脱离本公开精神和教导的情况下,本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。
以上对本公开的实施例进行了描述。但是,这些实施例仅仅是为了说明的目的,而并非为了限制本公开的范围。尽管在以上分别描述了各实施例,但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围,本领域技术人员可以做出多种替代和修改,这些替代和修改都应落在本公开的范围之内。