TWI614702B - 電子商務網站導航方法及系統 - Google Patents

電子商務網站導航方法及系統 Download PDF

Info

Publication number
TWI614702B
TWI614702B TW101121751A TW101121751A TWI614702B TW I614702 B TWI614702 B TW I614702B TW 101121751 A TW101121751 A TW 101121751A TW 101121751 A TW101121751 A TW 101121751A TW I614702 B TWI614702 B TW I614702B
Authority
TW
Taiwan
Prior art keywords
category
recommendation
query
level
query term
Prior art date
Application number
TW101121751A
Other languages
English (en)
Other versions
TW201331873A (zh
Inventor
an-xiang Zeng
Chun-Xiang Pan
Original Assignee
Alibaba Group Services Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Alibaba Group Services Ltd filed Critical Alibaba Group Services Ltd
Publication of TW201331873A publication Critical patent/TW201331873A/zh
Application granted granted Critical
Publication of TWI614702B publication Critical patent/TWI614702B/zh

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/332—Query formulation
    • G06F16/3322—Query formulation using system suggestions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0603—Catalogue ordering

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Navigation (AREA)

Abstract

本發明提供了一種電子商務網站導航方法及系統，以解決現有的各種導航方法給出的搜尋結果與用戶搜尋意圖的相關性都較差，用戶不能快速找到想要的商品的問題，以減輕訪問伺服器的負擔。本發明提供的智慧導航汲取類目點擊導航和類目商品數量導航的精華，綜合考慮關鍵字對應的點擊、購買等歷史因素，以及查詢詞相關的商品數量資訊等，提供與搜尋意圖最相關的類目或屬性。而且，本發明的智慧導航引入了屬性推薦和屬性預選功能，如果用戶的查詢詞隱含了商品的描述資訊，導航提供屬性預選功能，精確鎖定目標商品。

Description

電子商務網站導航方法及系統
本申請關於網站導航技術，特別是關於一種電子商務網站導航方法，以及，一種電子商務網站導航系統。
目前，電子商務網站的購物模式主要分為三類：類目瀏覽、廣告運營和搜尋。其中，類目是指商品的分類，有前臺和後臺之分，前臺用於用戶介面(User Interface，UI)展示，後臺用於商品管理，前後臺的映射關係透過規則來描述。目前主流的類目體系以樹狀結構表示，每個父類目有多個子類目，但每個子類目只有一個父類目，因此，自上而下類目表示的範圍越來越小。
類目瀏覽方式由網站運營實現，首先組合一級類目，再按用戶的關注程度串列展示這些組合，當用戶想要購買某個類目下的商品時，進入該類目並逐層點擊子類目進行商品篩選。這種類目瀏覽方式要求用戶熟悉類目體系才能找到自己想要的商品。廣告運營是指通過廣告位宣傳單品或店家，用戶點擊廣告鏈結可直接購買或進入店鋪購買。而在搜尋模式下，用戶根據購買意圖輸入關鍵字進行查詢，得到推薦的類目列表和商品列表，這種方式不要求用戶瞭解類目體系，使用更方便，已成為主流的購買模式之一。
在這種主流的搜尋模式下，為了減少電子商務網站購 物過程中用戶的搜尋時間和點擊次數，智慧導航技術應運而生。
早期，電子商務網站使用類目商品數量導航。類目商品數量導航是指當用戶輸入關鍵字後，推薦類目排序由類目下相關商品數量決定，並逐層顯示。在這種利用文本匹配的類目商品數量導航方式下，隨著商品數量和商品類別的劇增，用戶指定關鍵字查詢時，得到的類目數大幅度增加，而且文本匹配無法反映查詢詞與類目的相關性，用戶無法判斷應該到哪些類目下進行更精細的篩選。例如，搜尋某型號的手機時推薦的第一個類目是“3C數位配件市場”，因為配件類目下的商品數量遠遠超過手機類目，但這個類目顯然不符合用戶的搜尋意圖。
針對上述問題，一種解決方案是，根據歷史的類目點擊行為對類目的相關性進行打分，類目會按照分數的高低動態展現，相關性自左至右逐漸降低，同時採用類目折疊隱藏相關性差的類目，這種導航方式稱為類目點擊導航。然而，這種導航方法仍然沒有抛開從頂層類目開始顯示的框架，用戶需要多次點擊才能選擇更精細的類目進行篩選。而且，類目點擊導航是根據用戶的歷史行為資料分析得到的，這部分的計算對類目的處理方式採用的是自頂向下的遍曆，並且展示方式也是逐層展開，不適合複雜的類目體系。例如，針對既豐富又複雜、層次很深的類目體系，逐級展示會導致搜尋路徑較長。
綜上所述，目前的各種導航方法給出的搜尋結果與用 戶搜尋意圖的相關性都較差，用戶不能快速找到想要的商品，這不但增加了用戶的搜尋時間，而且增加了類目相關伺服器的訪問負擔。
本發明提供了一種電子商務網站導航方法及系統，以解決現有的各種導航方法給出的搜尋結果與用戶搜尋意圖的相關性都較差，用戶不能快速找到想要的商品的問題，以減輕訪問伺服器的負擔。
為了解決上述問題，本發明公開了一種電子商務網站導航方法，包括：對網站日誌資料進行用戶行為的統計分析，得到與查詢詞對應的導航推薦模型所需的參考資料，所述參考資料包含與查詢詞對應的類目點擊分佈資料、和/或類目購買分佈資料、和/或類目相關性分佈資料；根據查詢詞對應的參考資料選擇該查詢詞待使用的導航推薦模型；將查詢詞對應的參考資料登錄所選的導航推薦模型中，計算查詢詞對應的推薦結果資料，其中，按照自底向上的推薦方式將符合條件的類目和/或屬性資料作為查詢詞對應的推薦結果資料；生成包含查詢詞與推薦結果資料映射關係的推薦詞表；當接收到線上輸入的用戶查詢詞時，查詢所述推薦詞 表，並將對應該用戶查詢詞的推薦結果資料輸出。
較佳地，所述按照自底向上的推薦方式將符合條件的類目和/或屬性資料作為查詢詞對應的推薦結果資料，包括：按照自底向上的推薦方式，將符合條件的下一層級類目替換上一層級類目後得到的類目和/或屬性資料，作為查詢詞對應的推薦結果資料；其中，所述符合條件的下一層級類目是指點擊占比超過預設閾值的下一層級類目，所述點擊占比是下一層級類目的點擊量占當前類目總點擊量的比值。
較佳地，通過以下方式得到與查詢詞對應的類目點擊分佈資料：根據網站日誌資料，統計透過查詢詞所點擊的類目分佈及每個類目的點擊量，得到與該查詢詞對應的類目點擊分佈資料。
較佳地，所述方法還包括：將透過查詢詞所點擊的各個類目的點擊量累加，得到每個查詢詞的總點擊量；過濾掉總點擊量少於預設值的查詢詞。
較佳地，所述方法還包括：根據網站日誌資料，統計每個用戶點擊每個查詢詞的點擊量，如果某用戶點擊某個查詢詞的點擊量超過預設值，則將該用戶點擊該查詢詞的點擊量進行削弱。
較佳地，透過以下方式得到與查詢詞對應的類目購買分佈資料：根據網站日誌資料，將查詢詞對應的用戶標識和點擊到的商品標識，與用戶標識和購買的商品標識，透過用戶標識關聯，得到透過某查詢詞點擊到某商品並產生 購買的類目購買分佈資料。
較佳地，透過以下方式得到與查詢詞對應的類目相關性分佈資料：根據網站日誌資料，統計透過查詢詞所點擊的各個類目中與查詢詞相關的商品數量，得到與查詢詞對應的類目相關性分佈資料。
較佳地，所述導航推薦模型包括父子類目推薦模型，所述將查詢詞對應的參考資料登錄父子類目推薦模型，計算查詢詞對應的推薦結果資料，包括：將查詢詞對應的參考資料匯總到一級類目；將點擊最多的兩個一級類目分別作為父類目，將剩餘的一級類目作為同一個父類目下的子類目；對上述每個父類目的子類目按照自底向上的推薦查看是否可被符合條件的下一層級類目所替換，最終將符合條件的類目和/或屬性資料作為推薦結果資料。
較佳地，所述導航推薦模型包括發散型推薦模型，所述將查詢詞對應的參考資料登錄發散型推薦模型，計算查詢詞對應的推薦結果資料，包括：將查詢詞對應的參考資料匯總到一級類目；按照點擊量從高到低對一級類目進行排序，並選擇排序靠前的多個一級類目；對上述選出的每個一級類目按照自底向上的推薦查看是否可被符合條件的下一層級類目所替換，最終將符合條件的類目和/或屬性資料作為推薦結果資料。
較佳地，所述導航推薦模型包括帶類目搜尋推薦模型，如果查詢詞中隱含類目資訊，則將查詢詞對應的參考資料登錄帶類目搜尋推薦模型，計算查詢詞對應的推薦結果 資料包括：根據查詢辭彙中隱含的類目資訊查找相應類目；將查詢詞對應的參考資料匯總到所述類目的下一層級類目；按照點擊量從高到低對下一層級類目進行排序，並選擇排序靠前的多個下一層級類目；對上述每個下一層級類目按照自底向上的推薦查看是否可被符合條件的再下一層級類目所替換，最終將符合條件的類目和/或屬性資料作為推薦結果資料。
較佳地，對每個類目按照自底向上的推薦查看是否可被符合條件的下一層級類目所替換，包括：按照類目層級自頂向下確定當前類目；如果當前類目是葉子類目，則返回推薦結果資料為當前類目；否則，將查詢詞對應的參考資料匯總到當前類目的下一層級類目；選出點擊占比超過預設閾值的下一層級類目，所述點擊占比是下一層級類目的點擊量占當前類目總點擊量的比值；根據當前期望推薦的類目個數計算下一層級期望推薦的類目個數；如果選出的下一層級類目個數大於下一層級期望推薦的類目個數，則取消往下一層級的推薦，返回推薦結果資料為當前類目；如果選出的下一層級類目個數小於等於下一層級期望推薦的類目個數，並且下一層級類目不是葉子類目，則將下一層級類目替換當前類目，並將下一層級類目的每個類目確定為當前類目，繼續按照上述步驟進行當前類目的下一層級類目的推薦。
較佳地，如果選出的下一層級類目個數小於下一層級期望推薦的類目個數，並且下一層級類目為葉子類目，則 將下一層級類目替換當前類目，並根據參考資料中的類目購買分佈資料選出相差的類目個數進行補充，達到下一層級期望推薦的類目個數。
較佳地，所述導航推薦模型包括類目屬性混排推薦模型，如果查詢詞中隱含商品的描述資訊，則將查詢詞對應的參考資料登錄類目屬性混排推薦模型，計算查詢詞對應的推薦結果資料，包括：將查詢詞對應的參考資料匯總到葉子類目，屬性出現在葉子類目；按照點擊量和/或熵差從高到低對屬性進行排序，並選擇排序靠前的多個屬性；針對上述選出的每個屬性，按照點擊量從高到低對屬性值進行排序，並選擇排序靠前的多個屬性值；將上述選出的多個屬性及其對應的屬性值作為查詢詞對應的推薦結果資料。
較佳地，所述方法還包括：判斷上述選出的每個屬性是否有子屬性，如果有，則將子屬性替換屬性；將替換後的子屬性及其屬性值作為查詢詞對應的推薦結果資料。
較佳地，所述導航推薦模型包括直達類目推薦模型，所述將查詢詞對應的參考資料登錄直達類目推薦模型，計算查詢詞對應的推薦結果資料包括：將查詢詞對應的參考資料匯總到一級類目；選出點擊占比超過預設閾值的一級類目，所述點擊占比是一級類目的點擊量占總點擊量的比值；檢查上述選出的每個一級類目的相關商品數量是否大於預設數量，如果是，則將該一級類目確定為直達類目，並作為查詢詞對應的推薦結果資料。
本發明還提供了一種電子商務網站導航系統，包括：資料分析模組，用於對網站日誌資料進行用戶行為的統計分析，得到與查詢詞對應的導航推薦模型所需的參考資料，所述參考資料包含與查詢詞對應的類目點擊分佈資料、和/或類目購買分佈資料、和/或類目相關性分佈資料；模型預測模組，用於根據查詢詞對應的參考資料選擇該查詢詞待使用的導航推薦模型；類目屬性推薦模組，用於將查詢詞對應的參考資料登錄所選的導航推薦模型中，計算查詢詞對應的推薦結果資料，其中，按照自底向上的推薦方式將符合條件的類目和/或屬性資料作為查詢詞對應的推薦結果資料；推薦詞表生成模組，用於生成包含查詢詞與推薦結果資料映射關係的推薦詞表；線上查詢模組，用於當接收到線上輸入的用戶查詢詞時，查詢所述推薦詞表，並將對應該用戶查詢詞的推薦結果資料輸出。
與現有技術相比，本發明包括以下優點：首先，本發明提供的智慧導航汲取類目點擊導航和類目商品數量導航的精華，綜合考慮關鍵字對應的點擊、購買等歷史因素，以及查詢詞相關的商品數量資訊等，提供與搜尋意圖最相關的類目或屬性。
與類目點擊導航最大的差異在於，本發明的智慧導航採用自底向上的推薦方式，與查詢詞對應的推薦結果資料 是按照自底向上的推薦方式類目和/或屬性資料作為查詢詞對應的推薦結果資料，如果某個類目的點擊或購買占比達到一定閾值，則停止向上回溯的過程，從而擺脫了從上而下逐級展示類目的模式，能更快地定位到用戶想要的商品類目。
與類目商品數量導航最大的差異在於，本發明的智慧導航提取類目下與查詢詞相關的商品數量而不是文本匹配意義上的商品數量，且商品數量資訊只在特定的情況下(如處理低頻查詢詞時)作為參考資料被使用。
其次，本發明的智慧導航引入了屬性推薦和屬性預選功能，如果用戶的查詢詞隱含了商品的描述資訊，導航提供屬性預選功能，精確鎖定目標商品。
當然，實施本發明的任一產品不一定需要同時達到以上所述的所有優點。
為使本發明的上述目的、特徵和優點能夠更加明顯易懂，下面結合附圖和具體實施方式對本發明作進一步詳細的說明。
本發明提出一種智慧導航方法，尤其適用於電子商務網站的導航，該導航方法汲取類目點擊導航和類目商品數量導航的精華，綜合考慮關鍵字對應的點擊、購買等歷史因素，同時加入查詢詞相關的商品數量資訊，提供與搜尋意圖最相關的類目或屬性。
其中，所述類目是指商品的分類，有前臺和後臺之分，前臺用於用戶介面(User Interface，UI)展示，後臺用於商品管理，前後臺的映射關係通過規則來描述。目前主流的類目體系以樹狀結構表示，每個父類目有多個子類目，但每個子類目只有一個父類目，因此，自上而下類目表示的範圍越來越小。所述屬性是指對商品的描述，如T恤的材質、價格等都可以作為T恤的屬性，並且每個屬性至少存在2個及以上的取值，如材質的屬性取值可以是純棉和羊毛。
下面透過實施例對本發明所述方法的實現流程進行詳細說明。
參照圖1，其為本發明實施例所述一種電子商務網站導航方法的流程圖。
步驟101，對網站日誌資料進行用戶行為的統計分析，得到與查詢詞對應的導航推薦模型所需的參考資料，所述參考資料包含與查詢詞對應的類目點擊分佈資料、和/或類目購買分佈資料、和/或類目相關性分佈資料；
其中，所述日誌是指伺服器對用戶查詢、點擊事件的記錄，由於資料量巨大，通常存儲在分散式文件系統中。所述用戶行為的統計分析是指對用戶點擊、購買等行為的統計分析。
下面分別詳細說明如何通過資料統計得到與查詢詞對應的類目點擊分佈資料、類目購買分佈資料、類目相關性分佈資料：
1)可通過以下方式得到與查詢詞對應的類目點擊分佈資料：根據網站日誌資料，統計通過查詢詞所點擊的類目分佈及每個類目的點擊量，得到與該查詢詞對應的類目點擊分佈資料。
例如，對於查詢詞“手套”，根據日誌統計用戶輸入“手套”一詞後所點擊的類目分佈，所述類目分佈包括廣度和深度的分佈，其中，廣度分佈如輸入“手套”點擊的一級類目有“戶外/登山/野營/旅行”和“服飾配件/皮帶/圍巾帽”，深度分佈如繼續點擊一級類目下的二級類目、三級類目，等等，直到葉子類目。對於用戶點擊的每個類目，根據日誌統計該類目的點擊量。通過上述統計分析，最終可以得到包含點擊類目分佈及每個類目點擊量的類目點擊分佈資料。
選擇性地，為了去除數據噪音，提高資料統計的精度，還可以包括以下步驟：將透過查詢詞所點擊的各個類目的點擊量累加，得到每個查詢詞的總點擊量；過濾掉總點擊量少於預設值的查詢詞。
例如，將透過查詢詞所點擊的所有一級類目、二級類目、……、葉子類目的點擊量相加，得到總點擊量。這樣，就可以過濾掉總點擊量較少的查詢詞，而保留總點擊量較多的查詢詞用於後續步驟。
選擇性地，為了防止用戶作弊，還可以包括以下步驟 ：根據網站日誌資料，統計每個用戶點擊每個查詢詞的點擊量，如果某用戶點擊某個查詢詞的點擊量超過預設值，則將該用戶點擊該查詢詞的點擊量進行削弱。
例如，某用戶A點擊某查詢詞X的點擊量超過一定閾值，則認為該用戶可能有惡意點擊的意圖或者僅為該用戶A的特別偏好，不能反映大多數用戶對查詢詞X的點擊傾向，甚至可能存在作弊行為，此時可以適當削弱該用戶的點擊量。一種常用的削弱方法是：將該用戶點擊該查詢詞的點擊量限定為預設的上限值，當然實際應用中也可以有其他削弱方法，在此不再一一列舉。
2)可透過以下方式得到與查詢詞對應的類目購買分佈資料：根據網站日誌資料，將查詢詞對應的用戶標識和點擊到的商品標識，與用戶標識和購買的商品標識，透過用戶標識關聯，得到通過某查詢詞點擊到某商品並產生購買的類目購買分佈資料。
選擇性地，可以直接將上述1)得到的查詢詞作為需要統計的查詢詞，再統計這些查詢詞引導的成交量。具體的，根據查詢詞的用戶id和點擊到的商品id，和用戶id購買的商品id進行關聯，找到搜尋了某查詢詞，並點擊到某商品，且產生了購買的資料。認為搜尋該查詢詞導致了這次購買，並認為該查詢詞和該商品所在類目有購買關係。
3)可透過以下方式得到與查詢詞對應的類目相關性分佈資料：根據網站日誌資料，統計透過查詢詞所點擊的各個類目中與查詢詞相關的商品數量，得到與查詢詞對應的類目相關性分佈資料。
選擇性地，同樣可以直接將上述1)得到的查詢詞作為需要統計的查詢詞。例如，統計透過某查詢詞所點擊的所有一級類目、二級類目、……、葉子類目下，每個類目中與查詢詞相關的商品數量，最終得到的類目相關性分佈資料包含透過查詢詞所點擊的各個類目以及每個類目下與查詢詞相關的商品數量。
需要說明的是，與查詢詞相關的商品數量不同于文本匹配意義上的商品數量。舉例來說，搜尋某型號的手機時，如果按照文本匹配，由於配件類目下的商品數量遠遠超過手機類目，所以推薦的第一個類目是“3C數位配件市場”。但是，如果按照本申請實施例所述的類目相關性分佈資料進行推薦，由於配件類目下的很多配件是用於數位產品的，而不是用於手機，所以配件類目下與手機相關的商品數量小於手機類目下與手機相關的商品數量，因此會優先推薦手機類目。
需要說明的是，參考資料可以包含上述類目點擊分佈資料、類目購買分佈資料、類目相關性分佈資料中的任意一種或幾種，並非必須同時包含。而且，當包含任意兩種以上時，可以透過按比例匯總加權，將匯總加權後得到的 值作為參考資料使用，具體實施例可參照圖2所示。
此外，選擇性地，基於上述1)、2)、3)的處理，還可以包含以下任意一個或多個步驟：
4)統計用戶在搜尋查詢詞時的導航點擊資料。
具體的，所述導航點擊資料是指用戶輸入查詢詞後，按照導航點擊了哪些類目，以及點擊了類目下的哪些商品。所述導航點擊資料也可以作為參考資料使用。
5)在類目體系中存在了相同意義類目時，需要在統計資料後將相同類目的資料進行合併。
例如，“筆記本電腦桌”既屬於“家俱”類目，又屬於“電腦配件類目”，此時“家俱”和“電腦配件類目”這兩個類目就是意義相同的類目，需要進行合併。
6)對點擊資料進行初步地去資料噪音處理，把點擊量較少的類目進行過濾。
即統計每個類目的點擊量，然後將點擊量少的類目過濾掉，保留點擊量多的類目用於後續處理。
7)過濾掉失效類目的資料。
網站系統每次調整類目分佈後，有些類目可能被刪除或合併到其他類目，這樣的類目就是失效類目。
步驟102，根據查詢詞對應的參考資料選擇該查詢詞待使用的導航推薦模型；本申請實施例中，提供了多種導航推薦模型，每種導航推薦模型適用於具有不同類型參考資料的查詢詞。根據參考資料的分佈特點，可以預測待使用的導航推薦模型。 舉例如下：
1、首先把各個類目的類目點擊分佈資料(簡稱點擊資料)、類目購買分佈資料(簡稱交易資料)、類目相關性分佈資料(簡稱商品數量資料)按比例匯總加權，並進行歸一化。其中，每種資料都具有一定比例的權重。所述歸一化是為了後續的計算方便而使用。
選擇性地，對於高頻查詢詞，可以提高點擊資料的權重，而對於低頻查詢詞，則可以提高商品數量的權重。例如，如果某查詢詞的點擊總數<100，則把商品數量的權重加大，其中權重=100/點擊總數。
2、把第1步得到的資料，按類目層級回溯到第一級類目。
經過第1步的處理，對應每個類目都得到一個匯總加權並進行歸一化後的資料，按照類目層級把低層類目的資料都層層回溯到上層類目，最後回溯到第一級類目，得到第一級類目對應的統計資料，所述統計資料是經過匯總加權和歸一化處理後的資料。
3、根據第一級類目的統計資料，選擇待使用的導航推薦模型，具體的選擇方法列舉如下：如果一級類目的點擊集中在“書籍”類目，則調用“書籍”類目推薦模型；如果點擊最多的2個一級類目集中在“男裝”“女裝”類目，則調用父子類目推薦模型；如果點擊最多的2個一級類目集中在“男鞋”“女鞋”類 目，則調用“鞋”類推薦模型；如果點擊最多的一級類目點擊占比<0.2，則調用發散型推薦模型；如果點擊最多的一級類目點擊占比>0.98，則調用直達類目推薦模型；如果查詢詞中隱含類目資訊，則調用帶類目搜尋推薦模型；如果查詢詞中隱含商品的描述資訊，則調用類目屬性混排推薦模型；……；如果上述情況都不滿足，則調用平鋪類目推薦模型。
其中，所述一級類目的點擊占比是指某個一級類目的點擊量與總點擊量的比值，即為該一級類目的點擊占比。
當然，上述僅作列舉，實際應用中還可以根據其他情況而選擇另外的導航推薦模型，本實施例不再一一列舉。
步驟103，將查詢詞對應的參考資料登錄所選的導航推薦模型中，計算查詢詞對應的推薦結果資料，其中，按照自底向上的推薦方式將符合條件的類目和/或屬性資料作為查詢詞對應的推薦結果資料；其中，推薦結果資料可以是類目資料(如圖3所示)，也可以是屬性資料(如圖4所示)，還可以是類目和屬性混合的資料(未給出示例圖)。
上述列舉的多種導航推薦模型基本都基於自動展開推薦方式，該推薦方式的核心思想是：按照類目層級，採用 自底向上的推薦方式，如果某個類目的點擊或購買占比達到一定閾值，則直接將該類目上提層級，或者將該類目替換上一層級類目。透過這樣的推薦方式，點擊或購買較多的低層級類目就可以直接跨越層級而提升到高層級顯示，從而擺脫了傳統的從上而下逐級展示類目的模式，幫助用戶更快地定位到用戶想要的商品類目。
需要說明的是，具體實現過程中，按照自底向上的推薦方式將符合條件的類目和/或屬性資料作為查詢詞對應的推薦結果資料，至少可以有兩種實現方式：一種方式是，按照自底向上的推薦方式(即圖2所述的自動展開推薦方式)，將符合條件的下一層級類目替換上一層級類目後得到的類目和/或屬性資料，作為查詢詞對應的推薦結果資料；其中，所述符合條件的下一層級類目是指點擊占比超過預設閾值的下一層級類目，所述點擊占比是下一層級類目的點擊量占當前類目總點擊量的比值。
另一種方式是，按照自底向上的推薦方式(即圖2所述的自動展開推薦方式)，直接將符合條件的類目和/或屬性資料上提層級，並作為查詢詞對應的推薦結果資料。
步驟104，生成包含查詢詞與推薦結果資料映射關係的推薦詞表；步驟105，當接收到線上輸入的用戶查詢詞時，查詢所述推薦詞表，並將對應該用戶查詢詞的推薦結果資料輸出。
基於上述內容，下面首先詳細說明自動展開推薦方式。
參照圖2，其為本申請實施例所述自動展開推薦方式的流程圖。
輸入各種參考資料，如類目點擊分佈資料(簡稱點擊資料)、類目購買分佈資料(簡稱交易資料)、類目相關性分佈資料(簡稱商品數量資料)，以及第一個當前類目期望推薦的類目個數，執行以下步驟：步驟201，按照類目層級自頂向下確定當前類目；例如，假設查詢詞“服裝”對應的類目分佈包含“女裝”類目和“男裝”類目，在“女裝”和“男裝”類目下各自包含多個子類目，如“男裝”類目下包含“T恤”、“POLO衫”、“長袖襯衫”等子類目。按照類目層級自頂向下，可以首先將多個子類目分別確定為當前類目。
各種導航推薦模型確定當前類目的方法各不相同，這將在後面介紹導航推薦模型時進行詳細說明。
步驟202，如果當前類目是葉子類目，則返回推薦結果資料為當前類目；葉子類目是類目層級中的最底層類目。
步驟203，否則，將查詢詞對應的參考資料匯總到當前類目的下一層級類目；即把各個類目的類目點擊分佈資料(簡稱點擊資料)、類目購買分佈資料(簡稱交易資料)、類目相關性分佈資料(簡稱商品數量資料)按比例匯總加權，並進行歸一 化。然後，按照類目層級把低層類目的資料都層層回溯到當前類目的下一層級類目。
例如，假設當前類目為“男裝”類目下的“T恤”類目時，將“T恤”類目下的參考資料都匯總到“T恤”的下一層級類目“長袖T恤”、“短袖T恤”、“七分/五分袖T恤”、“無袖T恤”等。
步驟204，選出點擊占比超過預設閾值的下一層級類目，所述點擊占比是下一層級類目的點擊量占當前類目總點擊量的比值；例如，假設“男裝”->“T恤”的下一層級類目中，“長袖T恤”、“短袖T恤”類目中每個類目的點擊占比都超過預設閾值，則選出這兩個類目。同樣，對於“男裝”->“POLO衫”的下一層級類目中，點擊占比都超過預設閾值的下一層級類目包含“長袖POLO衫”、“短袖POLO衫”。對於“男裝”->“長袖襯衫”的下一層級類目中，點擊占比都超過預設閾值的下一層級類目包含“帶領長袖襯衫”、“無領長袖襯衫”。
然後，對於選出的下一層級類目，還可以過濾出每個類目的參考資料，例如過濾出“長袖T恤”、“短袖T恤”這兩個類目下的參考資料，後續針對“T恤”類目的計算將使用這些過濾出來的資料，而不是查詢詞“服裝”或“男裝”對應的所有參考資料。
步驟205，根據當前期望推薦的類目個數計算下一層級期望推薦的類目個數； 當前期望推薦的類目個數X在步驟201之前已設定輸入，據此按照下述公式可以計算出當前類目的下一層級期望推薦的類目個數Y：Y=X*每個類目的點擊占比+1
例如，假設X取值為6，“男裝”->“T恤”類目的點擊占比為0.5，“男裝”->“POLO衫”類目的點擊占比為0.4，“男裝”->“長袖襯衫”類目的點擊占比為0.1；則“T恤”類目的下一層級期望推薦的類目個數Y為4，“POLO衫”類目的下一層級期望推薦的類目個數Y為3(3.4取整)，“長袖襯衫”類目的下一層級期望推薦的類目個數Y為1(1.6取整)。
步驟206，如果選出的下一層級類目個數大於下一層級期望推薦的類目個數，則取消往下一層級的推薦，返回推薦結果資料為當前類目；如前所述，“男裝”->“長袖襯衫”選出的下一層級類目個數2大於下一層級期望推薦的類目個數1，則取消往“長袖襯衫”的下一層級的推薦，返回推薦結果資料為“長袖襯衫”類目的資料。
步驟207，如果選出的下一層級類目個數小於等於下一層級期望推薦的類目個數，並且下一層級類目不是葉子類目，則將下一層級類目替換當前類目，並將下一層級類目的每個類目確定為當前類目，繼續按照上述步驟進行當前類目的下一層級類目的推薦；如前所述，“男裝”->“T恤”選出的下一層級類目個數 2小於下一層級期望推薦的類目個數4，並且下一層級類目“長袖T恤”、“短袖T恤”均不是葉子類目，則將“長袖T恤”、“短袖T恤”類目替換“T恤”類目，並且將“長袖T恤”、“短袖T恤”類目分別確定為當前類目，繼續按照上述步驟202至208進行遞迴計算。
同樣，“男裝”->“POLO衫”選出的下一層級類目個數2小於下一層級期望推薦的類目個數3，並且下一層級類目“長袖POLO衫”、“短袖POLO衫”均不是葉子類目，則將“長袖POLO衫”、“短袖POLO衫”類目替換“POLO衫”類目，並且將“長袖POLO衫”、“短袖POLO衫”類目分別確定為當前類目，繼續按照上述步驟202至208進行遞迴計算。
在後續的遞迴計算中，“長袖T恤”、“短袖T恤”、“長袖POLO衫”、“短袖POLO衫”均有可能被再下一層級的類目替換掉。由此可知，透過層層的篩選和替換，就可以把位於類目分佈低層的但是加權分值高的類目直接提升到上層類目中，這樣用戶就能快速找到該類目，無需從上而下逐層點擊才能在最下層找到該類目。
步驟208，如果選出的下一層級類目個數小於下一層級期望推薦的類目個數，並且下一層級類目為葉子類目，則將下一層級類目替換當前類目，並根據參考資料中的類目購買分佈資料補足類目資料。
假設下一層級類目“長袖POLO衫”、“短袖POLO衫”均是葉子類目，則同樣將“長袖POLO衫”、“短袖POLO衫 ”類目替換“POLO衫”類目，但是不再進行遞迴計算。此時期望推薦的類目個數為3，但是目前的類目個數為2，可以利用類目購買分佈資料(簡稱交易資料)補足類目資料，例如根據交易情況，選擇交易成交量最大的另一類目填補到“男裝”類目下。
最終，經過步驟201至208的第一次計算處理後，可得到如圖3所示的結果。其中，假設“長袖POLO衫”、“短袖POLO衫”均不是葉子類目。如果繼續對“長袖T恤”、“短袖T恤”、“長袖POLO衫”、“短袖POLO衫”按照圖2步驟進行計算，則圖3的展示結果還可能有所更改。
基於上述自動展開推薦方式，下面分別詳細說明每個導航推薦模型的具體推薦方法。
1)父子類目推薦模型
推薦方法包括以下步驟：步驟A1，將查詢詞對應的參考資料匯總到一級類目；如前所述，所述參考資料包括類目點擊分佈資料(簡稱點擊資料)、類目購買分佈資料(簡稱交易資料)、類目相關性分佈資料(簡稱商品數量資料)等資料，所述匯總包括按比例匯總加權和歸一化處理。
步驟B1，將點擊最多的兩個一級類目分別作為父類目；具體的，如果點擊最多的一級類目有兩個，即這兩個 一級類目的點擊量一樣，則選這兩個一級類目為父類目。如果點擊最多的一級類目有一個，點擊第二多的一級類目有一個，則選這兩個一級類目為父類目。
但是，如果點擊最多的一級類目只有一個，而點擊第二多的一級類目有兩個，此時可以按照下述方式確定父類目：點擊第二多的類目點擊>點擊最多那個類目的點擊*0.05；或者，點擊第二多的類目可以展開，並且點擊第二多的類目點擊>點擊最多那個類目的點擊*0.1。
滿足上述任一條件，則把點擊最多的第一、第二類目作為父類目推薦。
步驟C1，分別過濾出父類目下的參考資料，用自動展開推薦方式進行推薦；即對上述父類目的子類目按照自底向上的推薦查看是否可被符合條件的下一層級類目所替換，最終將符合條件的類目和/或屬性資料作為推薦結果資料。
例如，父類目為“男裝”和“女裝”，則對分別對“男裝”和“女裝”的每一個子類目，用圖2所示的自動展開推薦方式進行推薦。此時，初始設定每一個子類目為當前類目。
步驟D1，將剩餘的一級類目作為同一個父類目下的子類目，用自動展開推薦方式進行推薦；這個父類目可以定義為“其他”類目，如圖3所示。對“其他”類目的每個子類目，用圖2所示的自動展開推薦方 式，按照自底向上的推薦查看是否可被符合條件的下一層級類目所替換，最終得到具有新類目層級的推薦結果資料。
步驟E1，如果“其他”類目包含的子類目小於期望個數，使用類目購買分佈資料(簡稱交易資料)補足類目資料。
2)發散型推薦模型
推薦方法包括以下步驟：步驟A2，將查詢詞對應的參考資料匯總到一級類目；如前所述，所述參考資料包括類目點擊分佈資料(簡稱點擊資料)、類目購買分佈資料(簡稱交易資料)、類目相關性分佈資料(簡稱商品數量資料)等資料，所述匯總包括按比例匯總加權和歸一化處理。
步驟B2，按照點擊量從高到低對一級類目進行排序，並選擇排序靠前的多個一級類目；例如，最多選擇16個一級類目。
步驟C2，對上述選出的每個一級類目按照自底向上的推薦查看是否可被符合條件的下一層級類目所替換，最終將符合條件的類目和/或屬性資料作為推薦結果資料；步驟D2，將剩餘的一級類目作為“其他”類目的下級類目，用自動展開推薦方式進行推薦；步驟E2，如果“其他”類目包含的子類目小於期望個數 ，使用類目購買分佈資料(簡稱交易資料)補足類目資料。
3)直達類目推薦模型
直達類目推薦模型是用戶的查詢與某個前臺類目存在明確的對應關係時進入該類目進行搜尋，搜尋結果列表只返回該類目下的商品。其推薦方法包括以下步驟：步驟A3，將查詢詞對應的參考資料匯總到一級類目；如前所述，所述參考資料包括類目點擊分佈資料(簡稱點擊資料)、類目購買分佈資料(簡稱交易資料)、類目相關性分佈資料(簡稱商品數量資料)等資料，所述匯總包括按比例匯總加權和歸一化處理。
步驟B3，選出點擊占比超過預設閾值的一級類目，所述點擊占比是一級類目的點擊量占總點擊量的比值；例如，選出點擊占比大於>0.98的一級類目作為直達推薦類目。
步驟C3，檢查上述選出的每個一級類目的相關商品數量是否大於預設數量，如果是，則將該一級類目確定為直達類目，並作為查詢詞對應的推薦結果資料。
例如，設定所述預設數量為50。
步驟D3，如果直達到的類目是葉子類目，則還需要推薦該類目下的屬性。
關於屬性的推薦可參見下面5)中的類目屬性混排推 薦模型。
4)帶類目搜尋推薦模型
如果查詢詞中隱含類目資訊，則可以直接定位到這個類目，然後採用自動展開推薦方式在這個類目下進行類目推薦。
帶類目搜尋推薦模型的推薦方法包括以下步驟：步驟A4，根據查詢辭彙中隱含的類目資訊查找相應類目；例如，查詢詞“男裝T恤”包含“女裝”這個類目，則查找“男裝”類目下的參考資料。
步驟B4，將查詢詞對應的參考資料匯總到所述類目的下一層級類目；例如，將參考資料按照比例匯總加權並歸一化，回溯到“男裝”類目的下一層級類目“T恤”、“POLO衫”、“長袖襯衫”等。
步驟C4，按照點擊量從高到低對下一層級類目進行排序，並選擇排序靠前的多個下一層級類目；例如，選出“T恤”、“POLO衫”、“長袖襯衫”三個類目。
步驟D4，對上述每個下一層級類目按照自底向上的推薦查看是否可被符合條件的再下一層級類目所替換，最終將符合條件的類目和/或屬性資料作為推薦結果資料。
例如，對“T恤”、“POLO衫”、“長袖襯衫”這三個類目 按照圖2方法進行自動展開推薦。
5)類目屬性混排推薦模型
本發明實施例在提供類目推薦的基礎上，還提供了屬性推薦功能。屬性推薦是一種屬性直達的推薦，用戶的查詢與屬性的某個取值存在明確的對應關係時，帶上該條件進行搜尋，搜尋結果列表只返回具有該屬性取值的商品。
其推薦方法包括以下步驟：步驟A5，將查詢詞對應的參考資料匯總到葉子類目，屬性出現在葉子類目；步驟B5，按照點擊量和/或熵差從高到低對屬性進行排序，並選擇排序靠前的多個屬性；例如，選取排序靠前的5個屬性推薦。
其中，所述熵差是指選中某一項屬性的資訊增益。
步驟C5，針對上述選出的每個屬性，按照點擊量從高到低對屬性值進行排序，並選擇排序靠前的多個屬性值；由於每個屬性都具有多個屬性值，因此也需要對屬性值進行排序篩選。例如，如果屬性是數值類型屬性，選出點擊最高的6個值，按數值進行排序。
步驟D5，對於屬性值和查詢詞進行文本匹配，如果完全匹配，或同義詞匹配，則進行屬性預選；步驟E5，將上述進行屬性預選的多個屬性及其對應的屬性值作為查詢詞對應的推薦結果資料； 步驟F5，對於進行預選的屬性，判斷是否有子屬性，如果有子屬性，將子屬性進行上提展示。
即判斷上述選出的每個屬性是否有子屬性，如果有，則將子屬性替換屬性，並將替換後的子屬性及其屬性值作為查詢詞對應的推薦結果資料。
例如，參照圖4所示，是對應查詢詞“連衣裙”在連衣裙類目下的結果，其中“品牌”、“袖長”、“材質”、“裙長”、“圖案”是指屬性，每個屬性右側的資訊是屬性值，如屬性“圖案”的屬性值包括“純色”、“花色”、“條紋”。
再例如，參照圖5所示，對應查詢詞“nokia”給出品牌屬性直達推薦後，由於對應的品牌屬性還具有子屬性，因此直接展示出子屬性及其屬性值。
6)“書籍”類目推薦模型和“鞋”類推薦模型
這種明確類目的推薦與帶類目的推薦類似，都直接定位到某個類目後，採用自動展開推薦方式在這個類目下進行類目推薦。但不同之處在於：帶類目的推薦是查詢詞中隱含了類目資訊，而這種“書籍”或“鞋”類的推薦，其查詢詞中沒有隱含類目資訊，但是根據一級類目的集中點擊可以判斷出需要調用“書籍”類目推薦模型或“鞋”類推薦模型。
當然，除了這兩種推薦模型，也可以有“手機”或其他商品專有的類目推薦模型。
7)平鋪類目推薦模型
平鋪推薦是一種類似於發散推薦的方法，但平鋪推薦的類目個數相對較少，一般最多推薦8個一級類目，而發散推薦的類目個數較多，一般最多可以推薦16個一級類目。對於平鋪推薦的每個一級類目，也可以採用自動展開推薦方式進行類目推薦。
需要說明的是，上述僅列舉了幾種典型的導航推薦模型，但本發明的保護範圍不限定於上述列舉的幾種。
綜上所述，本發明實施例提供的智慧導航能夠根據用戶的查詢詞返回與用戶搜尋意圖相關的類目或屬性導航，用戶無需多次點擊，就能很快查找到自己需要的商品，這不但節省了用戶的搜尋時間，還減輕了相關伺服器的訪問負擔。
與類目點擊導航最大的差異在於，本發明的智慧導航採用自底向上的推薦方式，與查詢詞對應的推薦結果資料是按照自底向上的推薦將符合條件的下一層級類目替換上一層級類目後得到，如果某個類目的點擊或購買占比達到一定閾值，則停止向上回溯的過程，從而擺脫了從上而下逐級展示類目的模式，能更快地定位到用戶想要的商品類目。
與類目商品數量導航最大的差異在於，本發明的智慧導航提取類目下與查詢詞相關的商品數量而不是文本匹配意義上的商品數量，且商品數量資訊只在特定的情況下(如處理低頻查詢詞時)作為參考資料被使用。
而且，本發明的智慧導航引入了屬性推薦和屬性預選功能，如果用戶的查詢詞隱含了商品的描述資訊，導航提供屬性預選功能，精確鎖定目標商品。
並且，當可參考的歷史點擊資料較少時，如果純粹地利用這些點擊資料可能降低推薦類目的豐富性。針對此問題，本發明的智慧導航還參考了交易資料、相關商品數量、用戶的點擊導航情況等各種歷史資料，豐富了推薦類目。
需要說明的是，對於前述的方法實施例，為了簡單描述，故將其都表述為一系列的動作組合，但是本領域技術人員應該知悉，本發明並不受所描述的動作順序的限制，因為依據本發明，某些步驟可以採用其他順序或者同時進行。其次，本領域技術人員也應該知悉，說明書中所描述的實施例均屬於優選實施例，所涉及的動作並不一定是本發明所必需的。
基於上述方法實施例的說明，本發明還提供了相應的導航系統實施例，來實現上述方法實施例所述的內容。
參照圖6，是本發明實施例所述一種電子商務網站導航系統的結構圖。
所述導航系統可以包括以下模組：資料分析模組10，用於對網站日誌資料進行用戶行為的統計分析，得到與查詢詞對應的導航推薦模型所需的參考資料，所述參考資料包含與查詢詞對應的類目點擊分佈資料、和/或類目購買分佈資料、和/或類目相關性分佈資 料；模型預測模組20，用於根據查詢詞對應的參考資料選擇該查詢詞待使用的導航推薦模型；類目屬性推薦模組30，用於將查詢詞對應的參考資料登錄所選的導航推薦模型中，計算查詢詞對應的推薦結果資料，其中，按照自底向上的推薦方式將符合條件的類目和/或屬性資料作為查詢詞對應的推薦結果資料；推薦詞表生成模組40，用於生成包含查詢詞與推薦結果資料映射關係的推薦詞表；線上查詢模組50，用於當接收到線上輸入的用戶查詢詞時，查詢所述推薦詞表，並將對應該用戶查詢詞的推薦結果資料輸出。
其中，所述類目屬性推薦模組30按照自底向上的推薦方式，將符合條件的下一層級類目替換上一層級類目後得到的類目和/或屬性資料，作為查詢詞對應的推薦結果資料；其中，所述符合條件的下一層級類目是指點擊占比超過預設閾值的下一層級類目，所述點擊占比是下一層級類目的點擊量占當前類目總點擊量的比值。
其中，所述導航推薦模型可以包括父子類目推薦模型，發散型推薦模型，帶類目搜尋推薦模型，類目屬性混排推薦模型，直達類目推薦模型，平鋪類目推薦模型，“書籍”類目推薦模型，“鞋”類推薦模型，等等，多種類型的推薦模型。
具體的，所述資料分析模組10可採用圖1中步驟101 的方法進行統計分析，並得到與查詢詞對應的各種參考資料，在此不再詳述。
所述模型預測模組20可採用圖1中步驟102的方法選擇導航推薦模型，在此不再詳述。
進一步的，所述類目屬性推薦模組30可以包含自動展開推薦子模組，所述自動展開推薦子模組可採用圖2所示方法進行自動展開推薦計算，在此不再詳述。
而對於上述列舉的多種導航推薦模型，模型預測模組20會採用不同的推薦方法計算查詢詞對應的推薦結果資料，具體也可參見上述1)至7)對七個模型的說明。
對於上述導航系統實施例而言，由於其與方法實施例基本相似，所以描述的比較簡單，相關之處參見相關方法實施例的部分說明即可。
此外，基於上述方法實施例的說明，本發明還提供了另一種智慧導航在電子商務網站中的應用系統，如圖7所示。
參照圖7，其為智慧導航在電子商務網站中的應用系統架構圖。
所述應用系統主要包括類目屬性推薦、線下資料處理和線上即時查詢三大模組。
其中，類目屬性推薦模組的核心是：利用雲端計算平臺提供的分散式計算功能對用戶的行為資料(如搜尋日誌、點擊日誌和購買成交日誌)進行分析得到推薦系統需要的參考資料，再根據查詢詞的類型採用相應的模型推薦類 目或屬性等智慧導航推薦資料。
線下資料處理模組在得到智慧導航推薦資料後加入一致性檢查、坡改平調整、類目改名、失效檢查、商品數量檢查等處理邏輯對推薦效果進行調整，並結合部分超高頻查詢詞的人工編輯效果形成最終的推薦詞表。
線上即時查詢模組借助強大的apache框架，最終將類目屬性推薦資料讀入QP伺服器(全名為Query planer，對查詢詞進行改寫和添加附屬類目屬性資訊的伺服器)，QP向前端伺服器提供即時地線上查詢服務。
所述應用系統的主要工作過程如下：1、日誌收集伺服器將用戶行為資料轉化成可識別的記錄，並每隔一段時間將這些記錄寫入HDFS存儲系統；2、由於日誌資料量巨大，整個推薦的計算過程依賴雲端計算平臺。首先，利用雲端計算平臺對原始日誌進行分析，得到查詢詞相關的類目點擊分佈、類目購買分佈和類目相關性分佈(即類目商品數量資訊)等參考資料；再根據查詢詞的參考資料類型調用相應的導航推薦模型計算類目屬性的推薦；3、線下對雲端計算平臺的輸出資料進行一系列處理，包括一致性轉化、坡改平、類目改名、商品數量檢查、引入人工編輯資料等，形成以一定格式組織的推薦資料；4、將最終的推薦資料編譯成二進位文件，裝載至QP伺服器，在apache的框架下提供即時查詢服務；5、用戶在搜尋框輸入關鍵字之後點擊搜尋按鈕，前 端伺服器接收到該請求後向QP伺服器發出一條請求，QP伺服器返回包括智慧導航推薦資訊在內的資料。
本說明書中的各個實施例均採用遞進的方式描述，每個實施例重點說明的都是與其他實施例的不同之處，各個實施例之間相同相似的部分互相參見即可。
而且，上文中的“和/或”表示本文既包含了“和”的關係，也包含了“或”的關係，其中：如果方案A與方案B是“和”的關係，則表示某實施例中可以同時包括方案A和方案B；如果方案A與方案B是“或”的關係，則表示某實施例中可以單獨包括方案A，或者單獨包括方案B。
以上對本發明所提供的一種電子商務網站導航方法及系統，進行了詳細介紹，本文中應用了具體個例對本發明的原理及實施方式進行了闡述，以上實施例的說明只是用於幫助理解本發明的方法及其核心思想；同時，對於本領域的一般技術人員，依據本發明的思想，在具體實施方式及應用範圍上均會有改變之處，綜上所述，本說明書內容不應理解為對本發明的限制。
101~105‧‧‧步驟
201~208‧‧‧步驟
10‧‧‧資料分析模組
20‧‧‧模型預測模組
30‧‧‧類目屬性推薦模組
40‧‧‧推薦詞表生成模組
50‧‧‧線上查詢模組
圖1是本發明實施例所述一種電子商務網站導航方法的流程圖；圖2是本發明實施例所述自動展開推薦方式的流程圖；圖3是本發明實施例中自動展開推薦的示意圖； 圖4是本發明實施例中屬性推薦的示意圖；圖5是本發明實施例中子屬性推薦的示意圖；圖6是本發明實施例所述一種電子商務網站導航系統的結構圖；圖7是智慧導航在電子商務網站中的應用系統架構圖

Claims (14)

  1. 一種電子商務網站導航方法，其特徵在於，包括：對網站日誌資料進行用戶行為的統計分析，得到與查詢詞對應的導航推薦模型所需的參考資料，該參考資料包含與查詢詞對應的類目點擊分佈資料、和/或類目購買分佈資料、和/或類目相關性分佈資料；根據查詢詞對應的參考資料選擇該查詢詞待使用的導航推薦模型；將查詢詞對應的參考資料登錄所選的導航推薦模型中，計算查詢詞對應的推薦結果資料，其中，按照自底向上的推薦方式將符合條件的類目和/或屬性資料作為查詢詞對應的推薦結果資料；生成包含查詢詞與推薦結果資料映射關係的推薦詞表；當接收到線上輸入的用戶查詢詞時，查詢所述推薦詞表，並將對應該用戶查詢詞的推薦結果資料輸出，其中，該按照自底向上的推薦方式將符合條件的類目和/或屬性資料作為查詢詞對應的推薦結果資料，包括：按照自底向上的推薦方式，將符合條件的下一層級類目替換上一層級類目後得到的類目和/或屬性資料，作為查詢詞對應的推薦結果資料；其中，該符合條件的下一層級類目是指點擊占比超過預設閾值的下一層級類目，該點擊占比是下一層級類目的 點擊量占當前類目總點擊量的比值。
  2. 一種電子商務網站導航方法，其特徵在於，包括：對網站日誌資料進行用戶行為的統計分析，得到與查詢詞對應的導航推薦模型所需的參考資料，該參考資料包含與查詢詞對應的類目點擊分佈資料、和/或類目購買分佈資料、和/或類目相關性分佈資料；根據查詢詞對應的參考資料選擇該查詢詞待使用的導航推薦模型；將查詢詞對應的參考資料登錄所選的導航推薦模型中，計算查詢詞對應的推薦結果資料，其中，按照自底向上的推薦方式將符合條件的類目和/或屬性資料作為查詢詞對應的推薦結果資料；生成包含查詢詞與推薦結果資料映射關係的推薦詞表；當接收到線上輸入的用戶查詢詞時，查詢所述推薦詞表，並將對應該用戶查詢詞的推薦結果資料輸出，其中，對每個類目按照自底向上的推薦查看是否可被符合條件的下一層級類目所替換，包括：按照類目層級自頂向下確定當前類目；如果當前類目是葉子類目，則返回推薦結果資料為當前類目；否則，將查詢詞對應的參考資料匯總到當前類目的下一層級類目；選出點擊占比超過預設閾值的下一層級類目，該點擊 占比是下一層級類目的點擊量占當前類目總點擊量的比值；根據當前期望推薦的類目個數計算下一層級期望推薦的類目個數；如果選出的下一層級類目個數大於下一層級期望推薦的類目個數，則取消往下一層級的推薦，返回推薦結果資料為當前類目；如果選出的下一層級類目個數小於等於下一層級期望推薦的類目個數，並且下一層級類目不是葉子類目，則將下一層級類目替換當前類目，並將下一層級類目的每個類目確定為當前類目，繼續按照上述該步驟進行當前類目的下一層級類目的推薦。
  3. 如申請專利範圍第2項所述的方法，其中，透過以下方式得到與查詢詞對應的類目點擊分佈資料：根據網站日誌資料，統計通過查詢詞所點擊的類目分佈及每個類目的點擊量，得到與該查詢詞對應的類目點擊分佈資料。
  4. 如申請專利範圍第3項所述的方法，其中，還包括：將透過查詢詞所點擊的各個類目的點擊量累加，得到每個查詢詞的總點擊量；過濾掉總點擊量少於預設值的查詢詞。
  5. 如申請專利範圍第4項所述的方法，其中，還包括： 根據網站日誌資料，統計每個用戶點擊每個查詢詞的點擊量，如果某用戶點擊某個查詢詞的點擊量超過預設值，則將該用戶點擊該查詢詞的點擊量進行削弱。
  6. 如申請專利範圍第2至5項中任一項所述的方法，其中，透過以下方式得到與查詢詞對應的類目購買分佈資料：根據網站日誌資料，將查詢詞對應的用戶標識和點擊到的商品標識，與用戶標識和購買的商品標識，透過用戶標識關聯，得到透過某查詢詞點擊到某商品並產生購買的類目購買分佈資料。
  7. 如申請專利範圍第2至5項中任一項所述的方法，其中，透過以下方式得到與查詢詞對應的類目相關性分佈資料：根據網站日誌資料，統計透過查詢詞所點擊的各個類目中與查詢詞相關的商品數量，得到與查詢詞對應的類目相關性分佈資料。
  8. 如申請專利範圍第2項所述的方法，其中，該導航推薦模型包括父子類目推薦模型，該將查詢詞對應的參考資料登錄父子類目推薦模型，計算查詢詞對應的推薦結果資料，包括：將查詢詞對應的參考資料匯總到一級類目；將點擊最多的兩個一級類目分別作為父類目，將剩餘的一級類目作為同一個父類目下的子類目；對上述該每個父類目的子類目按照自底向上的推薦查 看是否可被符合條件的下一層級類目所替換，最終將符合條件的類目和/或屬性資料作為推薦結果資料。
  9. 如申請專利範圍第2項所述的方法，其中，該導航推薦模型包括發散型推薦模型，該將查詢詞對應的參考資料登錄發散型推薦模型，計算查詢詞對應的推薦結果資料，包括：將查詢詞對應的參考資料匯總到一級類目；按照點擊量從高到低對一級類目進行排序，並選擇排序靠前的多個一級類目；對上述該選出的每個一級類目按照自底向上的推薦查看是否可被符合條件的下一層級類目所替換，最終將符合條件的類目和/或屬性資料作為推薦結果資料。
  10. 如申請專利範圍第2項所述的方法，其中，該導航推薦模型包括帶類目搜尋推薦模型，如果查詢詞中隱含類目資訊，則將查詢詞對應的參考資料登錄帶類目搜尋推薦模型，計算查詢詞對應的推薦結果資料包括：根據查詢辭彙中隱含的類目資訊查找相應類目；將查詢詞對應的參考資料匯總到該類目的下一層級類目；按照點擊量從高到低對下一層級類目進行排序，並選擇排序靠前的多個下一層級類目；對上述該每個下一層級類目按照自底向上的推薦查看是否可被符合條件的再下一層級類目所替換，最終將符合條件的類目和/或屬性資料作為推薦結果資料。
  11. 如申請專利範圍第2項所述的方法，其中：如果選出的下一層級類目個數小於下一層級期望推薦的類目個數，並且下一層級類目為葉子類目，則將下一層級類目替換當前類目，並根據參考資料中的類目購買分佈資料選出相差的類目個數進行補充，達到下一層級期望推薦的類目個數。
  12. 如申請專利範圍第2項所述的方法，其中，該導航推薦模型包括類目屬性混排推薦模型，如果查詢詞中隱含商品的描述資訊，則將查詢詞對應的參考資料登錄類目屬性混排推薦模型，計算查詢詞對應的推薦結果資料，包括：將查詢詞對應的參考資料匯總到葉子類目，屬性出現在葉子類目；按照點擊量和/或熵差從高到低對屬性進行排序，並選擇排序靠前的多個屬性；針對上述該選出的每個屬性，按照點擊量從高到低對屬性值進行排序，並選擇排序靠前的多個屬性值；將上述該選出的多個屬性及其對應的屬性值作為查詢詞對應的推薦結果資料。
  13. 如申請專利範圍第2或12項所述的方法，其中，該導航推薦模型包括直達類目推薦模型，該將查詢詞對應的參考資料登錄直達類目推薦模型，計算查詢詞對應的推薦結果資料包括：將查詢詞對應的參考資料匯總到一級類目； 選出點擊占比超過預設閾值的一級類目，該點擊占比是一級類目的點擊量占總點擊量的比值；檢查上述該選出的每個一級類目的相關商品數量是否大於預設數量，如果是，則將該一級類目確定為直達類目，並作為查詢詞對應的推薦結果資料。
  14. 一種電子商務網站導航系統，其特徵在於，包括：資料分析模組，用於對網站日誌資料進行用戶行為的統計分析，得到與查詢詞對應的導航推薦模型所需的參考資料，該參考資料包含與查詢詞對應的類目點擊分佈資料、和/或類目購買分佈資料、和/或類目相關性分佈資料；模型預測模組，用於根據查詢詞對應的參考資料選擇該查詢詞待使用的導航推薦模型；類目屬性推薦模組，用於將查詢詞對應的參考資料登錄所選的導航推薦模型中，計算查詢詞對應的推薦結果資料，其中，按照自底向上的推薦方式將符合條件的類目和/或屬性資料作為查詢詞對應的推薦結果資料，其中將符合條件的下一層級類目替換上一層級類目後得到的類目和/或屬性資料，作為查詢詞對應的推薦結果資料，其中，所述符合條件的下一層級類目是指點擊占比超過預設閾值的下一層級類目，所述點擊占比是下一層級類目的點擊量占當前類目總點擊量的比值；推薦詞表生成模組，用於生成包含查詢詞與推薦結果 資料映射關係的推薦詞表；線上查詢模組，用於當接收到線上輸入的用戶查詢詞時，查詢該推薦詞表，並將對應該用戶查詢詞的推薦結果資料輸出。
TW101121751A 2012-01-19 2012-06-18 電子商務網站導航方法及系統 TWI614702B (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201210018295.6A CN103218719B (zh) 2012-01-19 2012-01-19 一种电子商务网站导航方法及***

Publications (2)

Publication Number Publication Date
TW201331873A TW201331873A (zh) 2013-08-01
TWI614702B true TWI614702B (zh) 2018-02-11

Family

ID=48798107

Family Applications (1)

Application Number Title Priority Date Filing Date
TW101121751A TWI614702B (zh) 2012-01-19 2012-06-18 電子商務網站導航方法及系統

Country Status (6)

Country Link
US (2) US9690846B2 (zh)
EP (1) EP2805223A4 (zh)
JP (1) JP5878245B2 (zh)
CN (1) CN103218719B (zh)
TW (1) TWI614702B (zh)
WO (1) WO2013109489A2 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI810339B (zh) * 2019-07-29 2023-08-01 張天立 關鍵字廣告惡意點擊分析系統

Families Citing this family (69)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050131837A1 (en) 2003-12-15 2005-06-16 Sanctis Jeanne D. Method, system and program product for communicating e-commerce content over-the-air to mobile devices
US8370269B2 (en) 2004-06-02 2013-02-05 Overstock.Com, Inc. System and methods for electronic commerce using personal and business networks
US8583480B2 (en) 2007-12-21 2013-11-12 Overstock.Com, Inc. System, program product, and methods for social network advertising and incentives for same
US9747622B1 (en) 2009-03-24 2017-08-29 Overstock.Com, Inc. Point-and-shoot product lister
US8874499B2 (en) * 2012-06-21 2014-10-28 Oracle International Corporation Consumer decision tree generation system
US10546262B2 (en) 2012-10-19 2020-01-28 Overstock.Com, Inc. Supply chain management system
US11023947B1 (en) * 2013-03-15 2021-06-01 Overstock.Com, Inc. Generating product recommendations using a blend of collaborative and content-based data
US11676192B1 (en) 2013-03-15 2023-06-13 Overstock.Com, Inc. Localized sort of ranked product recommendations based on predicted user intent
JP6056592B2 (ja) * 2013-03-26 2017-01-11 大日本印刷株式会社 情報推薦装置、推薦情報決定方法、推薦情報決定プログラム、及び情報推薦プログラム
US10810654B1 (en) 2013-05-06 2020-10-20 Overstock.Com, Inc. System and method of mapping product attributes between different schemas
US9483788B2 (en) 2013-06-25 2016-11-01 Overstock.Com, Inc. System and method for graphically building weighted search queries
US20150039623A1 (en) * 2013-07-30 2015-02-05 Yogesh Pandit System and method for integrating data
US20150039580A1 (en) * 2013-07-31 2015-02-05 Microsoft Corporation App annotation and facilitaton of user search task and user action
US10929890B2 (en) 2013-08-15 2021-02-23 Overstock.Com, Inc. System and method of personalizing online marketing campaigns
US10872350B1 (en) 2013-12-06 2020-12-22 Overstock.Com, Inc. System and method for optimizing online marketing based upon relative advertisement placement
CN104750760B (zh) * 2013-12-31 2018-11-23 ***通信集团上海有限公司 一种推荐应用软件的实现方法及装置
CN104778176A (zh) * 2014-01-13 2015-07-15 阿里巴巴集团控股有限公司 一种数据搜索处理方法及装置
WO2015127238A1 (en) * 2014-02-20 2015-08-27 Codifyd, Inc. Data display system and method
CN103902670B (zh) * 2014-03-17 2016-04-13 百度在线网络技术（北京）有限公司 搜索推荐方法和装置
CN104933081B (zh) * 2014-03-21 2018-06-29 阿里巴巴集团控股有限公司 一种搜索建议提供方法及装置
CN104035957B (zh) * 2014-04-14 2019-01-25 百度在线网络技术（北京）有限公司 搜索方法和装置
US9886170B2 (en) 2014-06-26 2018-02-06 Sap Se Breadth-first menu system for mobile applications
CN105528356B (zh) * 2014-09-29 2019-01-18 阿里巴巴集团控股有限公司 结构化标签生成方法、使用方法及装置
CN105630813A (zh) * 2014-10-30 2016-06-01 苏宁云商集团股份有限公司 基于用户自定义模板的关键词推荐方法和***
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
CN104391944A (zh) * 2014-11-25 2015-03-04 中国民生银行股份有限公司 产品方案推送方法及装置
CN105786936A (zh) 2014-12-23 2016-07-20 阿里巴巴集团控股有限公司 用于对搜索数据进行处理的方法及设备
CN104699751A (zh) * 2014-12-30 2015-06-10 北京奇虎科技有限公司 一种基于搜索词进行搜索推荐的方法和装置
US10943199B1 (en) * 2015-02-23 2021-03-09 Intuit Inc. Inventory recommendation tool and method
CN104750795B (zh) * 2015-03-12 2017-09-01 北京云知声信息技术有限公司 一种智能语义检索***和方法
CN108027944B (zh) * 2015-04-01 2021-08-13 电子湾有限公司 电子商务中的结构化项目组织机制
CN106156244B (zh) * 2015-04-28 2020-08-28 阿里巴巴集团控股有限公司 一种信息搜索导航方法及装置
WO2016191760A1 (en) * 2015-05-28 2016-12-01 GraphSQL, Inc. System and method for real-time graph-based recommendations
TW201705020A (zh) * 2015-07-23 2017-02-01 陳奕章 智慧型雲端搜尋系統
CN106469182B (zh) * 2015-08-21 2019-12-06 阿里巴巴集团控股有限公司 一种基于映射关系的信息推荐方法及装置
CN105159977B (zh) * 2015-08-27 2019-01-25 百度在线网络技术（北京）有限公司 信息交互处理方法及装置
US10290040B1 (en) * 2015-09-16 2019-05-14 Amazon Technologies, Inc. Discovering cross-category latent features
CN105373947A (zh) * 2015-10-13 2016-03-02 许昌义 双向物品交易网
CN106708843A (zh) * 2015-11-12 2017-05-24 北京国双科技有限公司 网站搜索词的推送方法及装置
CN105488136B (zh) * 2015-11-25 2019-03-26 北京京东尚科信息技术有限公司 选购热点标签的挖掘方法
US10083521B1 (en) * 2015-12-04 2018-09-25 A9.Com, Inc. Content recommendation based on color match
CN105550331A (zh) * 2015-12-21 2016-05-04 北京奇虎科技有限公司 基于引导的搜索方法及装置
US20170249686A1 (en) * 2016-02-29 2017-08-31 Wal-Mart Stores, Inc. System, method, and non-transitory computer-readable storage medium for displaying a hierarchy of categories for a search query on a webpage
CN107153656B (zh) * 2016-03-03 2020-12-01 阿里巴巴集团控股有限公司 一种信息搜索方法和装置
CN105701247A (zh) * 2016-03-03 2016-06-22 黄川东 一种工程产品参数化应用***的构建方法
US20170277737A1 (en) * 2016-03-23 2017-09-28 Ebay Inc. Compact index document generation for smart match autocomplete system
US10534845B2 (en) 2016-05-11 2020-01-14 Overstock.Com, Inc. System and method for optimizing electronic document layouts
US11093564B1 (en) 2016-09-26 2021-08-17 Splunk Inc. Identifying configuration parameters for a query using a metadata catalog
US11269961B2 (en) 2016-10-28 2022-03-08 Microsoft Technology Licensing, Llc Systems and methods for App query driven results
JP6275295B1 (ja) * 2017-01-19 2018-02-07 ヤフー株式会社 判定装置、判定方法、及び判定プログラム
CN108345481B (zh) * 2017-01-22 2023-04-18 腾讯科技（深圳）有限公司 一种页面显示方法、装置、客户端及服务器
CN107153697A (zh) * 2017-05-08 2017-09-12 浙江敢尚网络科技有限公司 一种商品交易网站中的商品搜索方法和装置
CN107220871B (zh) * 2017-05-11 2021-01-26 微重力（北京）科技有限公司 物品查询比较方法、装置、存储介质及处理器
CN107330752B (zh) * 2017-05-31 2020-09-29 北京京东尚科信息技术有限公司 识别品牌词的方法和装置
CN107291835B (zh) * 2017-05-31 2020-12-22 北京京东尚科信息技术有限公司 一种搜索词的推荐方法和装置
CN109388742A (zh) * 2017-08-09 2019-02-26 阿里巴巴集团控股有限公司 一种搜索方法、搜索服务器和搜索***
CN109829098A (zh) * 2017-08-28 2019-05-31 广东神马搜索科技有限公司 搜索结果优化方法、装置及服务器
CN108509497B (zh) * 2018-02-23 2022-08-09 创新先进技术有限公司 信息推荐方法、装置和电子设备
CN108335147B (zh) * 2018-02-28 2021-08-13 北京搜狐新媒体信息技术有限公司 一种基于用户行为的数据分析方法及***
US11573955B1 (en) * 2018-04-30 2023-02-07 Splunk Inc. Data-determinant query terms
US11514493B1 (en) 2019-03-25 2022-11-29 Overstock.Com, Inc. System and method for conversational commerce online
US11055765B2 (en) * 2019-03-27 2021-07-06 Target Brands, Inc. Classification of query text to generate relevant query results
US11205179B1 (en) 2019-04-26 2021-12-21 Overstock.Com, Inc. System, method, and program product for recognizing and rejecting fraudulent purchase attempts in e-commerce
US11734368B1 (en) 2019-09-26 2023-08-22 Overstock.Com, Inc. System and method for creating a consistent personalized web experience across multiple platforms and channels
CN112860985A (zh) * 2019-11-27 2021-05-28 云闪信(珠海市横琴)信息科技有限公司 应用导航方法、装置、电子设备及计算机可读存储介质
CN111078988B (zh) * 2019-12-23 2020-09-08 创意信息技术股份有限公司 一种电力服务信息热点检索方法、装置和电子设备
US11210596B1 (en) 2020-11-06 2021-12-28 issuerPixel Inc. a Nevada C. Corp Self-building hierarchically indexed multimedia database
CN113486253B (zh) * 2021-07-30 2024-03-19 抖音视界有限公司 搜索结果展示方法、装置、设备和介质
CN113570421A (zh) * 2021-09-23 2021-10-29 枣庄职业学院 一种基于大数据分析的电商营销***

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6055540A (en) * 1997-06-13 2000-04-25 Sun Microsystems, Inc. Method and apparatus for creating a category hierarchy for classification of documents
US20020019763A1 (en) * 1998-09-18 2002-02-14 Linden Gregory D. Use of product viewing histories of users to identify related products
US6480857B1 (en) * 2001-06-07 2002-11-12 David Chandler Method of organizing hierarchical data in a relational database
US20040019536A1 (en) * 2002-07-23 2004-01-29 Amir Ashkenazi Systems and methods for facilitating internet shopping
US20050015274A1 (en) * 2003-07-14 2005-01-20 David Fennell Fennell hierarchy for marketable product categorization
US20060112085A1 (en) * 2004-10-27 2006-05-25 Jaco Zijlstra Methods and systems for searching databases and displaying search results
TW201015475A (en) * 2008-10-02 2010-04-16 Yahoo Inc System and methodology for recommending purchases for a shopping intent
US20110225548A1 (en) * 2010-03-12 2011-09-15 Microsoft Corporation Reordering nodes in a hierarchical structure
US20110307839A1 (en) * 2010-06-09 2011-12-15 Alibaba Group Holding Limited Implementing website navigation

Family Cites Families (63)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5911145A (en) 1996-07-29 1999-06-08 Rae Technology, Inc. Hierarchical structure editor for web sites
US7236969B1 (en) 1999-07-08 2007-06-26 Nortel Networks Limited Associative search engine
US6493702B1 (en) 1999-05-05 2002-12-10 Xerox Corporation System and method for searching and recommending documents in a collection using share bookmarks
US6489968B1 (en) * 1999-11-18 2002-12-03 Amazon.Com, Inc. System and method for exposing popular categories of browse tree
US7937725B1 (en) 2000-07-27 2011-05-03 Koninklijke Philips Electronics N.V. Three-way media recommendation method and system
US6618717B1 (en) 2000-07-31 2003-09-09 Eliyon Technologies Corporation Computer method and apparatus for determining content owner of a website
US7080071B2 (en) 2000-08-04 2006-07-18 Ask Jeeves, Inc. Automated decision advisor
JP2002108939A (ja) 2000-10-02 2002-04-12 Web Boots:Kk 電子商取引を行うＷｅｂサイトの情報管理システム
WO2002091154A2 (en) 2001-05-10 2002-11-14 Changingworlds Limited Intelligent internet website with hierarchical menu
US7827055B1 (en) 2001-06-07 2010-11-02 Amazon.Com, Inc. Identifying and providing targeted content to users having common interests
US7797271B1 (en) 2001-06-18 2010-09-14 Versata Development Group, Inc. Custom browse hierarchies for subsets of items in a primary hierarchy
GB0117721D0 (en) 2001-07-20 2001-09-12 Surfcontrol Plc Database and method of generating same
US7917379B1 (en) 2001-09-25 2011-03-29 I2 Technologies Us, Inc. Large-scale supply chain planning system and method
US6978264B2 (en) 2002-01-03 2005-12-20 Microsoft Corporation System and method for performing a search and a browse on a query
US7716199B2 (en) 2005-08-10 2010-05-11 Google Inc. Aggregating context data for programmable search engines
US6993586B2 (en) 2002-05-09 2006-01-31 Microsoft Corporation User intention modeling for web navigation
US7353460B2 (en) 2002-08-06 2008-04-01 Robert Tu Consulting Inc. Web site navigation under a hierarchical menu structure
US7127681B1 (en) 2002-09-10 2006-10-24 Cisco Technology Inc. Method for managing contents of a web site
US7668885B2 (en) 2002-09-25 2010-02-23 MindAgent, LLC System for timely delivery of personalized aggregations of, including currently-generated, knowledge
US8630960B2 (en) * 2003-05-28 2014-01-14 John Nicholas Gross Method of testing online recommender system
US7526458B2 (en) 2003-11-28 2009-04-28 Manyworlds, Inc. Adaptive recommendations systems
US7606772B2 (en) 2003-11-28 2009-10-20 Manyworlds, Inc. Adaptive social computing methods
US20050222987A1 (en) 2004-04-02 2005-10-06 Vadon Eric R Automated detection of associations between search criteria and item categories based on collective analysis of user activity data
US8156448B2 (en) 2004-05-28 2012-04-10 Microsoft Corporation Site navigation and site navigation data source
JP4497309B2 (ja) 2004-06-24 2010-07-07 日本電気株式会社 情報提供装置、情報提供方法および情報提供用プログラム
US7540051B2 (en) 2004-08-20 2009-06-02 Spatial Systems, Inc. Mapping web sites based on significance of contact and category
US9031898B2 (en) 2004-09-27 2015-05-12 Google Inc. Presentation of search results based on document structure
US7620628B2 (en) 2004-12-06 2009-11-17 Yahoo! Inc. Search processing with automatic categorization of queries
US7590562B2 (en) 2005-06-29 2009-09-15 Google Inc. Product recommendations based on collaborative filtering of user data
WO2007024736A2 (en) 2005-08-19 2007-03-01 Biap Systems, Inc. System and method for recommending items of interest to a user
US20070192318A1 (en) * 2005-09-14 2007-08-16 Jorey Ramer Creation of a mobile search suggestion dictionary
US20070094267A1 (en) 2005-10-20 2007-04-26 Glogood Inc. Method and system for website navigation
US8363553B2 (en) 2005-11-29 2013-01-29 Telecom Italia S.P.A. Optimized dynamic routing in an optical network
JP2009521027A (ja) 2005-12-21 2009-05-28 インターナショナル・ビジネス・マシーンズ・コーポレーション ウェブ・コンテンツを再構成するための方法およびデータ処理システム
JP2007233443A (ja) 2006-02-27 2007-09-13 Sony Corp 項目選定方法、項目選定装置及び項目選定プログラム
US20070255755A1 (en) 2006-05-01 2007-11-01 Yahoo! Inc. Video search engine using joint categorization of video clips and queries based on multiple modalities
US7685192B1 (en) 2006-06-30 2010-03-23 Amazon Technologies, Inc. Method and system for displaying interest space user communities
JP4963129B2 (ja) 2006-09-11 2012-06-27 インターナショナル・ビジネス・マシーンズ・コーポレーション ナビゲーション・トポロジ内のナビゲーションを容易にし固定するためにショートカットを推薦する方法
CN100530185C (zh) 2006-10-27 2009-08-19 北京搜神网络技术有限责任公司 基于网络行为的个性化推荐方法和***
US8010410B2 (en) 2006-12-29 2011-08-30 Ebay Inc. Method and system for listing categorization
JP2008205820A (ja) 2007-02-20 2008-09-04 Canon Inc コンテンツ表示装置、コンテンツ表示方法、プログラム及び記憶媒体
US7647309B1 (en) 2007-03-29 2010-01-12 A9.Com, Inc. Browse relevance
US20090006179A1 (en) 2007-06-26 2009-01-01 Ebay Inc. Economic optimization for product search relevancy
US20090044150A1 (en) 2007-08-07 2009-02-12 Yahoo! Inc. System and method for simplified navigation
KR100898459B1 (ko) 2007-08-10 2009-05-21 엔에이치엔(주) 질의 분류 방법 및 그 시스템
US8108255B1 (en) 2007-09-27 2012-01-31 Amazon Technologies, Inc. Methods and systems for obtaining reviews for items lacking reviews
KR101049889B1 (ko) 2007-10-22 2011-07-19 주식회사 이베이지마켓 검색을 통한 행태분석에 기반한 키워드 그룹에 대하여광고를 수주하고 타겟 광고하는 웹 사이트 운영 방법 및온라인 시스템
US8972434B2 (en) 2007-12-05 2015-03-03 Kayak Software Corporation Multi-phase search and presentation for vertical search websites
US9195752B2 (en) 2007-12-20 2015-11-24 Yahoo! Inc. Recommendation system using social behavior analysis and vocabulary taxonomies
KR101552147B1 (ko) 2008-04-24 2015-09-11 삼성전자주식회사 방송 컨텐츠를 추천하는 방법과 그 장치
US9798807B2 (en) 2008-05-06 2017-10-24 Excalibur Ip, Llc Algorithmically generated topic pages
EP2291778A4 (en) 2008-06-14 2011-09-21 Corp One Ltd SEARCH BY UTILITY MODELS
CN101334792B (zh) 2008-07-10 2011-01-12 中国科学院计算技术研究所 一种个性化服务推荐***和方法
JP5227113B2 (ja) 2008-08-28 2013-07-03 京セラ株式会社 通信端末
US8615512B2 (en) 2008-09-30 2013-12-24 Yahoo! Inc. Guiding user moderation by confidence levels
KR101040119B1 (ko) 2008-10-14 2011-06-09 한국전자통신연구원 콘텐츠 검색 장치 및 방법
CN101446959A (zh) 2008-12-30 2009-06-03 深圳市迅雷网络技术有限公司 一种基于互联网的新闻推荐方法和***
JP5462510B2 (ja) 2009-03-24 2014-04-02 株式会社野村総合研究所 商品検索サーバ、商品検索方法、プログラム、および記録媒体
CN101515360A (zh) 2009-04-13 2009-08-26 阿里巴巴集团控股有限公司 向用户推荐网络目标信息的方法和服务器
US9443209B2 (en) 2009-04-30 2016-09-13 Paypal, Inc. Recommendations based on branding
US8429035B1 (en) 2009-08-26 2013-04-23 Jda Software Group, Inc. System and method of solving large scale supply chain planning problems with integer constraints
CN101770520A (zh) * 2010-03-05 2010-07-07 南京邮电大学 基于用户浏览行为的用户兴趣建模方法
CN102279851B (zh) 2010-06-12 2017-05-03 阿里巴巴集团控股有限公司 一种智能导航方法、装置和***

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6055540A (en) * 1997-06-13 2000-04-25 Sun Microsystems, Inc. Method and apparatus for creating a category hierarchy for classification of documents
US20020019763A1 (en) * 1998-09-18 2002-02-14 Linden Gregory D. Use of product viewing histories of users to identify related products
US6480857B1 (en) * 2001-06-07 2002-11-12 David Chandler Method of organizing hierarchical data in a relational database
US20040019536A1 (en) * 2002-07-23 2004-01-29 Amir Ashkenazi Systems and methods for facilitating internet shopping
US20050015274A1 (en) * 2003-07-14 2005-01-20 David Fennell Fennell hierarchy for marketable product categorization
US20060112085A1 (en) * 2004-10-27 2006-05-25 Jaco Zijlstra Methods and systems for searching databases and displaying search results
TW201015475A (en) * 2008-10-02 2010-04-16 Yahoo Inc System and methodology for recommending purchases for a shopping intent
US20110225548A1 (en) * 2010-03-12 2011-09-15 Microsoft Corporation Reordering nodes in a hierarchical structure
US20110307839A1 (en) * 2010-06-09 2011-12-15 Alibaba Group Holding Limited Implementing website navigation

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI810339B (zh) * 2019-07-29 2023-08-01 張天立 關鍵字廣告惡意點擊分析系統

Also Published As

Publication number Publication date
TW201331873A (zh) 2013-08-01
CN103218719A (zh) 2013-07-24
EP2805223A4 (en) 2015-09-02
EP2805223A2 (en) 2014-11-26
US9690846B2 (en) 2017-06-27
US20130191409A1 (en) 2013-07-25
US10657161B2 (en) 2020-05-19
JP5878245B2 (ja) 2016-03-08
WO2013109489A2 (en) 2013-07-25
CN103218719B (zh) 2016-12-07
JP2015501061A (ja) 2015-01-08
WO2013109489A3 (en) 2013-12-12
US20170286435A1 (en) 2017-10-05

Similar Documents

Publication Publication Date Title
TWI614702B (zh) 電子商務網站導航方法及系統
US9842170B2 (en) Method, apparatus and system of intelligent navigation
TWI512653B (zh) Information providing method and apparatus, method and apparatus for determining the degree of comprehensive relevance
US9633082B2 (en) Search result ranking method and system
TWI652584B (zh) 文本資訊的匹配、業務對象的推送方法和裝置
WO2018014759A1 (zh) 一种聚类数据表的展现方法、装置和***
CN103530299B (zh) 一种搜索结果的生成方法及装置
CN106326318B (zh) 搜索方法及装置
CA2964997A1 (en) Systems and methods for identifying influencers and their communities in a social data network
TW201501059A (zh) 訊息推薦方法及裝置
CN103678335A (zh) 商品标识标签的方法、装置及商品导航的方法
CN102236663A (zh) 一种基于垂直搜索的查询方法、***和装置
CN108073667B (zh) 产生用户浏览属性的方法、以及非暂存计算机可读介质
WO2013179512A1 (ja) 情報処理装置、情報処理方法、情報処理プログラム及び記録媒体
CN103123632B (zh) 搜索中心词确定方法及装置、搜索方法及搜索设备
CN104252456A (zh) 一种权重估计方法、装置及***
Ivanov The digital marketing with the application of cloud technologies
Ivanov Cloud-based Digital Marketing.
CN113536156B (zh) 搜索结果排序方法、模型构建方法、装置、设备和介质
JP5545896B2 (ja) 処理装置、処理方法、及びプログラム
TWI605351B (zh) Query method, system and device based on vertical search
TW201901493A (zh) 資料搜尋方法
TWI620080B (zh) 基於使用者行為的文件分類系統與方法
CN113408879A (zh) 基于订单的商铺显示方法及装置
TW201209745A (en) Intelligent navigation method, device and system