一种商品推荐列表确定方法、装置、电子设备及存储介质
技术领域
本申请涉及互联网领域,尤其涉及一种商品推荐列表确定方法、装置、电子设备及存储介质。
背景技术
在电商应用内,为了解决商品信息过载的问题,推荐***会将用户在电商应用中发生的各种行为(例如浏览行为,加购行为,购买行为,收藏行为,关注行为、搜索行为等等)作为推荐因子,并且对推荐不同的行为赋予不同的权重进行商品的推荐。
但是,现有技术虽然考虑了各种行为对于商品推荐的重要性,但是对于推荐商品中可能存在许多复购率较低的商品(例如笔记本电脑、冰箱等使用寿命长的商品),导致例如现有的商品推荐方法进行商品推荐时的转化率(通过商品推荐产生订单的概率)低下。
发明内容
为了解决上述现有的商品推荐方法转化率低的技术问题,本申请提供了一种。
第一方面,本申请提供了一种商品推荐列表确定方法,包括:
获取用户的特征标签;
根据所述用户的特征标签,采用预设的推荐算法,得到与所述用户对应的初始推荐商品列表;
获取所述用户在预设时长内针对已购商品的历史行为数据;
根据所述历史行为数据,计算所述用户针对所述已购商品的复购分数;
检测所述待推荐列表中是否包含目标商品,所述目标商品为所述已购商品和/或与所述已购商品属于同一类目的商品;
若所述待推荐列表中包含所述目标商品,根据所述复购分数对所述初始推荐商品列表中的商品进行过滤或排序,得到目标推荐商品列表。
在一种可能的实现方式中,根据所述复购分数对所述初始推荐商品列表中的商品进行过滤或排序,得到目标推荐商品列表,包括:
若所述复购分数大于预设的分数阈值,则将所述复购分数与所述待推荐列表中所述目标商品对应的初始排序评分进行相加,得到所述已购商品的目标排序评分;
根据所述目标排序评分,对所述待推荐列表中的商品进行重新排序,得到目标商品推荐列表。
在一种可能的实现方式中,根据所述复购分数对所述初始推荐商品列表中的商品进行过滤或排序,得到目标推荐商品列表,包括:
若所述复购分数不大于预设的分数阈值,则将所述目标商品从所述待推荐列表中删除,得到目标商品推荐列表。
在一种可能的实现方式中,根据所述历史行为数据,计算所述用户针对所述已购商品的复购分数,包括:
根据所述历史行为数据,采用预设的第一计算公式分别计算所述用户针对所述已购商品进行的各种行为的行为因子;
根据所述行为因子,采用预设的第二计算公式计算所述用户针对所述已购商品的复购分数。
在一种可能的实现方式中,
所述第一计算公式如下:
Si=Ai*Ti
其中,Si表示所述用户针对已购商品进行的第i种行为的行为因子,Ai表示预设的第i种行为对应的分数,Ti表示所述用户在预设时长内针对所述已购商品进行的第i种行为的次数;
所述第二计算公式如下:
其中,SS表示所述用户针对所述已购商品的复购分数,ri表示预设的所述第i种行为的权重,n表示所述历史行为数据中包含的行为的种类数。
第二方面,本发明实施例还提供了一种商品推荐列表确定装置,包括:
特征获取模块,英语获取用户的特征标签;
初始列表生成模块,用于根据所述用户的特征标签,采用预设的推荐算法,得到与所述用户对应的初始推荐商品列表;
数据获取模块,用于获取所述用户在预设时长内针对已购商品的历史行为数据;
计算模块,用于根据所述历史行为数据,计算所述用户针对所述已购商品的复购分数;
检测模块,用于检测所述待推荐列表中是否包含目标商品,所述目标商品为所述已购商品和/或与所述已购商品属于同一类目的商品;
目标列表生成模块,若所述待推荐列表中包含所述目标商品,根据所述复购分数对所述初始推荐商品列表中的商品进行过滤或排序,得到目标推荐商品列表。
在一种可能的实现方式中,所述目标列表生成模块具体用于:
若所述复购分数大于预设的分数阈值,则将所述复购分数与所述待推荐列表中所述目标商品对应的初始排序评分进行相加,得到所述已购商品的目标排序评分;
根据所述目标排序评分,对所述待推荐列表中的商品进行重新排序,得到目标商品推荐列表。
在一种可能的实现方式中,所述目标列表生成模块具体用于:
若所述复购分数不大于预设的分数阈值,则将所述目标商品从所述待推荐列表中删除,得到目标商品推荐列表。
在一种可能的实现方式中,所述计算模块具体用于:
根据所述历史行为数据,采用预设的第一计算公式分别计算所述用户针对所述已购商品进行的各种行为的行为因子;
根据所述行为因子,采用预设的第二计算公式计算所述用户针对所述已购商品的复购分数。
在一种可能的实现方式中,
所述第一计算公式如下:
Si=Ai*Ti
其中,Si表示所述用户针对已购商品进行的第i种行为的行为因子,Ai表示预设的第i种行为对应的分数,Ti表示所述用户在预设时长内针对所述已购商品进行的第i种行为的次数;
所述第二计算公式如下:
其中,SS表示所述用户针对所述已购商品的复购分数,ri表示预设的所述第i种行为的权重,n表示所述历史行为数据中包含的行为的种类数。
第三方面,本发明实施例还提供了一种电子设备,包括:处理器和存储器,所述处理器用于执行所述存储器中存储的数据处理程序,以实现第一方面所述商品推荐列表确定方法。
第四方面,本发明实施例还提供了一种存储介质,所述存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现第一方面所述商品推荐列表确定方法。
本发明实施例提供的一种商品推荐列表确定方法,根据用户特征得到初始商品推荐列表,根据用户针对已购商品的历史行为数据,计算用户针对已购商品的复购分数,如果初始商品推荐列表中存在已购商品和/或与已购商品属于同一类目的商品,则根据已购商品的复购分数对初始商品推荐列表进行过滤或排序,得到目标商品推荐列表。本方案根据已购商品的复购分数对初始商品推荐列表进行过滤或排序,可以将一些复购率较低的商品从商品推荐列表中过滤掉,使得目标商品推荐列表更加符合用户的需求,从而提升了商品推荐的转化率。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种商品推荐列表确定方法的流程图;
图2为本申请实施例提供的一种商品推荐列表确定方法的流程图;
图3为本申请实施例提供的一种商品推荐列表确定装置的框图;
图4为本申请实施例提供的一种电子设备的示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请的一部分实施例,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的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。
图1为本发明实施例提供的一种商品推荐列表确定方法的流程图,如图1所示该方法可以包括如下步骤:
S11.获取用户的特征标签。
在一种可能的实现方式中,可以获取用户输入的特征标签,具体的可以根据用户的PIN获取用户预先输入的特征标签,其中用户的 PIN为用户的个人识别码。
和/或,获取用户的历史行为数据,根据所述历史行为数据采用预设的行为分析算法得到所述用户的特征标签,其中用户的历史行为数据也可以根据用户的PIN获取。
行为数据可以包括对商品的浏览行为数据、收藏行为数据、关注行为数据、加购行为数据、购买行为数据等。
预设的行为分析算法可以采用现有的成熟的行为分析算法。
特征标签可以包括工作、年龄、兴趣、性别等个人特征。
用户的特征标签可以反映出用户的需求和喜好,通过获取用户的特征标签可以为用户进行更好的商品推荐。
S12.根据所述用户的特征标签,采用预设的推荐算法,得到与所述用户对应的初始推荐商品列表。
其中,推荐算法可以为现有的成熟算法,例如协同过滤推荐算法 (CollaborativeFiltering Recommendation)、内容推荐算法 (Content-based Recommendation)、相似性推荐算法(Similarity Recommendation)、关联规则推荐算法(Association Rule BasedRecommendaion)等等,通过推荐算法会生成一个排序的商品列表,这个列表即为初始推荐商品列表,列表中的每个商品均有一个初始排序评分,初始推荐商品列表中的商品按照初始排序评分由高到低的顺序进行排序。
S13.获取所述用户在预设时长内针对已购商品的历史行为数据。
其中已购商品就是用户在预设时长内已经购买过的商品,也就是有购买行为的商品,已购商品可以为一种也可以为多种。
其中历史行为数据为距当前时间预设时长内的行为数据,其中预设时长根据需求设定,例如可以为1周或1个月等。
S14.根据所述历史行为数据,计算所述用户针对所述已购商品的复购分数。
若已购商品包含多种商品,则分别计算每种已购商品的复购分数。
其中复购就是再次购买的意思,复购分数越高表示用户再次购买该商品的几率越大。
S15.检测所述待推荐列表中是否包含目标商品,所述目标商品为所述已购商品和/或与所述已购商品属于同一类目的商品。
为了方便用户选购商品,通常会按照功能、类型等对商品进行分类,这就使得同一类目的商品通常具有相同的功能,例如笔记本电脑类,该类目下的商品则均是笔记本电脑。用户购买商品通常是为了利用商品具有的功能,当用户购买了具备某种功能的商品后,通常对具有相同功能的产品的需求就会降低,例如用户购买了一台A品牌的笔记本电脑后,其不单单会对A品牌的笔记本电脑的需求降低,而是会对全部的笔记本电脑的需求都会降低,因此将与已购商品属于同一类目的商品作为目标商品,提高了最后得到的目标推荐列表的转化率。
S16.若所述待推荐列表中包含所述目标商品,根据所述复购分数对所述初始推荐商品列表中的商品进行过滤或排序,得到目标推荐商品列表。
本实施例提供的一种商品推荐列表确定方法,根据用户特征得到初始商品推荐列表,根据用户针对已购商品的历史行为数据,计算用户针对已购商品的复购分数,如果初始商品推荐列表中存在已购商品和/或与已购商品属于同一类目的商品,则根据已购商品的复购分数对初始商品推荐列表进行过滤或排序,得到目标商品推荐列表。本方案根据已购商品的复购分数对初始商品推荐列表进行过滤或排序,可以将一些复购率较低的商品从商品推荐列表中过滤掉,使得目标商品推荐列表更加符合用户的需求,从而提升了商品推荐的转化率。
在上述实施例的基础上,S14.根据所述历史行为数据,可以采用下述方式分别计算用户针对各种已购商品的复购分数:
S141.根据所述历史行为数据,采用预设的第一计算公式分别计算所述用户针对所述已购商品进行的各种行为的行为因子。
S142.根据所述行为因子,采用预设的第二计算公式计算所述用户针对所述已购商品的复购分数。
具体的,所述第一计算公式如下:
Si=Ai*Ti
其中,Si表示所述用户针对已购商品进行的第i种行为的行为因子,Ai表示预设的第i种行为对应的分数,Ti表示所述用户在预设时长内针对所述已购商品进行的第i种行为的次数;
所述第二计算公式如下:
其中,SS表示所述用户针对所述已购商品的复购分数,ri表示预设的所述第i种行为的权重,n表示所述历史行为数据中包含的行为的种类数。
例如行为包括对商品的浏览行为、收藏行为、关注行为、加购行为(即加入购物车的行为)和购买行为,则n就是5,i的取值就是 1到5,在具体实施时,可以将浏览行为设置为第1种行为,将收藏行为设置为第2种行为,将关注行为设置为第3种行为,将加购行为设置为第4种行为,将购买行为设置为第5种行为。
其中,各种行为对应的分数和各种行为的权重可以根据实际情况和A/B测试算法进行设置,从而保证同一商品在不同用户上复购分数不一样,因为本方案目的是确定用户对商品的复购情况,所以优选的可以将购买行为的权重设置的最大。
通过上述方式,得到用户针对已购商品的复购分数,复购分数越大说明用户复购该商品的几率越大,因为上述计算过程充分考虑了用户的各种行为数据,因此得到的复购分数可以很好的反应出用户针对已购商品的复购需求,准确度高。
在上述实施例的基础上,S16根据所述复购分数对所述初始推荐商品列表中的商品进行过滤或排序,得到目标推荐商品列表,可以包括:
若所述复购分数大于预设的分数阈值,则将所述复购分数与所述待推荐列表中所述目标商品对应的初始排序评分进行相加,得到所述已购商品的目标排序评分;根据所述目标排序评分,对所述待推荐列表中的商品进行重新排序,得到目标商品推荐列表。
当复购分数超过分数阈值时,说明用户有对该商品的复购需求,而通常用户对排名越靠前的商品看的越仔细,排名越靠后的商品看的越不仔细,甚至有的用户都不会看排名靠后的推荐商品,这就导致本来用户购买率很高的商品由于排名靠后,而无法被用户发现,因此为了避免上述问题的出现,本实施例将复购分数超过分数阈值的商品的初始排序评分与复购分数相加,可以使该商品在商品推荐列表中的排名向前移,从而使得用户更容易看到该商品,由于用户有复购该商品的需求,所以用户购买该商品的几率很大,因此提高商品推荐的转化率。
在上述实施例的基础上,S16根据所述复购分数对所述初始推荐商品列表中的商品进行过滤或排序,得到目标推荐商品列表,可以包括:
若所述复购分数不大于预设的分数阈值,则将所述目标商品从所述待推荐列表中删除,得到目标商品推荐列表。
如果复购分数低就说明用户复购该商品的几率很小,即使推送用户也不会下单,反而会使用户因为推荐的商品不和心意而产生厌烦心理,使用户体验不佳,所以为了避免上述问题的出现,直接将复购分数低的商品从推荐列表中删除,保证了用户的购物体验,而且由于购买几率小也就是转化率小的商品删除了,所以整体上提高了商品推荐的转化率。
一个具体的例子
如图2所示,用户登录应用客户端,用户的PIN会上传至推荐***和商品-行为相关***,其中推荐***中的推荐算法会根据用户的 PIN得到用户的特征标签,进而根据预设的推荐算法得到与用户的特征标签对应的初始商品推荐列表,而商品-行为相关***记录有用户针对商品的历史行为数据,因此根据用户的PIN,通过商品-行为相关***可以得到该用户在一定时间内对商品的搜索行为、浏览行为、加购行为和购买行为等,采用预设的计算公式计算用户针对已购商品的复购分数,并生成一个如下所示的商品-复购分数矩阵:
|
Sku1 |
Sku2 |
Sku3 |
Sku4 |
Sku1 |
Score1 |
|
|
|
Sku2 |
|
Score2 |
|
|
Sku3 |
|
|
Score3 |
|
Sku4 |
|
|
|
Score4 |
其中Sku表示商品,Score表示商品的复购分数,例如Score1 就表示商品1即Sku1的复购分数,Score2就表示商品2即Sku2的复购分数,以此类推。
将初始商品推荐列表和商品-复购分数矩阵上传至推荐结果缓存区域,该缓存区域的主要目的是对初始商品推荐列表中的商品进行过滤或排序,从而得到目标商品推荐列表,如图2所示相关流程包括:判断初始商品推荐列表中是否包含目标商品,其中目标商品为已购商品和/或与已购商品属于同一类目的商品,如果没有,则初始商品推荐列表中的商品无需过滤或排序,确定初始商品推荐列表即为目标商品推荐列表,如果有,则根据商品-复购分数矩阵确定初始商品推荐列表中包含的目标商品的复购分数是否大于预设的分数阈值,如果不大于,就说明该目标商品的复购几率很小,将该目标商品从初始商品推荐列表中删除,得到目标推荐列表,如果该目标商品的复购分数大于预设的分数阈值,则说明该目标商品很可能会被购买,因此此时将复购分数加在该目标商品的初始排序评分上,并根据新的排序评分对初始商品推荐列表中的商品进行重新排序,得到目标推荐列表,通过将复购分数加到初始排序评分上这一方式,使该目标商品的排序向前移,使用户更容易发现该目标商品,提升商品推荐的转化率,最后将得到的目标商品推荐列表向用户展示,完成商品推荐。
本发明实施例还提供了一种商品推荐列表确定装置,如图3所示,该装置可以包括:
特征获取模块301,英语获取用户的特征标签;
初始列表生成模块302,用于根据所述用户的特征标签,采用预设的推荐算法,得到与所述用户对应的初始推荐商品列表;
数据获取模块303,用于获取所述用户在预设时长内针对已购商品的历史行为数据;
计算模块304,用于根据所述历史行为数据,计算所述用户针对所述已购商品的复购分数;
检测模块305,用于检测所述待推荐列表中是否包含目标商品,所述目标商品为所述已购商品和/或与所述已购商品属于同一类目的商品;
目标列表生成模块306,若所述待推荐列表中包含所述目标商品,根据所述复购分数对所述初始推荐商品列表中的商品进行过滤或排序,得到目标推荐商品列表。
在一种可能的实现方式中,所述目标列表生成模块306具体用于:
若所述复购分数大于预设的分数阈值,则将所述复购分数与所述待推荐列表中所述目标商品对应的初始排序评分进行相加,得到所述已购商品的目标排序评分;
根据所述目标排序评分,对所述待推荐列表中的商品进行重新排序,得到目标商品推荐列表。
在一种可能的实现方式中,所述目标列表生成模块306具体用于:
若所述复购分数不大于预设的分数阈值,则将所述目标商品从所述待推荐列表中删除,得到目标商品推荐列表。
在一种可能的实现方式中,所述计算模块304具体用于:
根据所述历史行为数据,采用预设的第一计算公式分别计算所述用户针对所述已购商品进行的各种行为的行为因子;
根据所述行为因子,采用预设的第二计算公式计算所述用户针对所述已购商品的复购分数。
在一种可能的实现方式中,
所述第一计算公式如下:
Si=Ai*Ti
其中,Si表示所述用户针对已购商品进行的第i种行为的行为因子,Ai表示预设的第i种行为对应的分数,Ti表示所述用户在预设时长内针对所述已购商品进行的第i种行为的次数;
所述第二计算公式如下:
其中,SS表示所述用户针对所述已购商品的复购分数,ri表示预设的所述第i种行为的权重,n表示所述历史行为数据中包含的行为的种类数。
在本申请另一实施例中,还提供了一种电子设备,如图4所示,包括处理器401、通信接口402、存储器403和通信总线404,其中,处理器401,通信接口402,存储器403通过通信总线404完成相互间的通信;
存储器403,用于存放计算机程序;
处理器401,用于执行存储器403上所存放的程序时,实现如下步骤:
获取用户的特征标签;
根据所述用户的特征标签,采用预设的推荐算法,得到与所述用户对应的初始推荐商品列表;
获取所述用户在预设时长内针对已购商品的历史行为数据;
根据所述历史行为数据,计算所述用户针对所述已购商品的复购分数;
检测所述待推荐列表中是否包含目标商品,所述目标商品为所述已购商品和/或与所述已购商品属于同一类目的商品;
若所述待推荐列表中包含所述目标商品,根据所述复购分数对所述初始推荐商品列表中的商品进行过滤或排序,得到目标推荐商品列表。
上述电子设备提到的通信总线404可以是外设部件互连标准 (PeripheralComponent Interconnect,简称PCI)总线或扩展工业标准结构(Extended IndustryStandard Architecture,简称EISA)总线等。该通信总线404可以分为地址总线、数据总线、控制总线等。为便于表示,图4中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
通信接口402用于上述电子设备与其他设备之间的通信。
存储器403可以包括随机存取存储器(Random Access Memory,简称RAM),也可以包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器401可以是通用处理器,包括中央处理器(Central ProcessingUnit,简称CPU)、网络处理器(Network Processor,简称 NP)等;还可以是数字信号处理器(Digital Signal Processing,简称 DSP)、专用集成电路(Application SpecificIntegrated Circuit,简称 ASIC)、现场可编程门阵列(Field-Programmable Gate Array,简称FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在本申请另一实施例中,还提供了一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有数据处理方法程序,所述数据处理方法程序被处理器执行时实现上述任一所述的商品推荐列表确定方法的步骤。
本发明实施例在具体实现时,可以参阅上述各个实施例,具有相应的技术效果。
需要说明的是,在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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。以上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。