评价晒单推荐方法和装置与流程

[0001]
本公开涉及信息处理领域，特别涉及一种评价晒单推荐方法和装置。


背景技术：

[0002]
在相关技术中，用户在电商平台购物的过程中，会对所购商品进行展示、评论，以便其他用户在电商平台购买相同和类似商品时提供相应的参考。电商平台也会将其它用户的展示和评论内容推荐给某个特定用户，即给该用户提供feed流。


技术实现要素：

[0003]
发明人通过研究发现，在相关技术中，电商平台在给用户提供feed流时，并不会考虑所提供的内容是否符合该用户的需求，因此会造成用户对所推荐的展示和评论内容不感兴趣的情况发生。
[0004]
据此，本公开提供一种评价晒单推荐方案，能够有效提升用户的使用粘性和商品转化率。
[0005]
根据本公开实施例的第一方面，提供一种评价晒单推荐方法，包括：采集用户的历史行为数据；根据所述用户的历史行为数据构建与所述用户相关联的长期偏好品类池、热销品类池和互动品类池；根据每个品类在所述长期偏好品类池、热销品类池和互动品类池中的出现情况确定所述每个品类的推荐权重；按照所述推荐权重从大到小的顺序，选择预定数量个所述用户的偏好品类；按照预定规则对与所述用户的偏好品类相关联的评价晒单进行评分；按照评分结果从高到低的顺序将评价晒单推荐给所述用户。
[0006]
在一些实施例中，根据所述用户的历史行为数据构建与所述用户相关联的长期偏好品类池包括：根据所述用户在第一预设周期内的品类点击量，确定所述用户对预设品类的第一偏好值；根据所述用户在所述第一预设周期内的加购数据，确定所述用户对所述预设品类的第二偏好值；将所述第一偏好值与所述第二偏好值的和值作为所述用户对所述预设品类的偏好分值；根据所述预设品类及对应的偏好分值构建所述长期偏好品类池。
[0007]
在一些实施例中，根据所述用户的历史行为数据构建与所述用户相关联的热销品类池包括：根据所述用户在第二预设周期内的订单量、浏览数据、关注数据或加购数据中的至少一项构建所述用户的热销品类池，其中所述第二预设周期大于所述第一预设周期。
[0008]
在一些实施例中，根据所述用户的历史行为数据构建与所述用户相关联的互动品类池包括：根据所述用户在第三预设周期内的点击预览行为、点赞行为、回复行为或分享行为中的至少一项计算所述用户针对预设品类的互动分数，其中所述第三预设周期小于所述第一预设周期；根据所述用户针对预设品类的互动分数构建所述用户的互动品类池。
[0009]
在一些实施例中，所述互动分数y为：y＝点击预览行为分数
×
n1+点赞行为分数
×
n2+回复行为分数
×
n3+分享行为分数
×
n4；其中，所述用户在第三预设周期内的点击预览行为、点赞行为、回复行为和分享行为的总数为n，n1为所述点击预览行为在所述n中的百分比，n2为所述点赞行为在所述n中的百分比，n3为所述回复行为在所述n中的百分比，n4为所
述分享行为在所述n中的百分比。
[0010]
在一些实施例中，指定品类的推荐权重w为：w＝u1x1+u2x2+u3x3；其中，u1为所述指定品类在所述长期偏好品类池中的出现情况，若所述指定品类出现在所述长期偏好品类池中，u1取1，否则u1取0，x1为所述长期偏好品类池的权重；u2为所述指定品类在所述热销品类池中的出现情况，若所述指定品类出现在所述热销品类池中，u2取1，否则u2取0，x2为所述热销品类池的权重；u3为所述指定品类在所述互动品类池中的出现情况，若所述指定品类出现在所述互动品类池中，u2取1，否则u2取0，x3为所述互动品类池的权重。
[0011]
在一些实施例中，x3>x1>x2。
[0012]
根据本公开实施例的第二方面，提供一种评价晒单推荐装置，包括：采集模块，被配置为采集用户的历史行为数据；品类池构建模块，被配置为根据所述用户的历史行为数据构建与所述用户相关联的长期偏好品类池、热销品类池和互动品类池；推荐权重确定模块，被配置为根据每个品类在所述长期偏好品类池、热销品类池和互动品类池中的出现情况确定所述每个品类的推荐权重；偏好品类选择模块，被配置为按照所述推荐权重从大到小的顺序，选择预定数量个所述用户的偏好品类；评分模块，被配置为按照预定规则对与所述用户的偏好品类相关联的评价晒单进行评分；推荐模块，被配置为按照评分结果从高到低的顺序将评价晒单推荐给所述用户。
[0013]
根据本公开实施例的第三方面，提供一种评价晒单推荐装置，包括：存储器，被配置为存储指令；处理器，耦合到存储器，处理器被配置为基于存储器存储的指令执行实现如上述任一实施例所述的方法。
[0014]
根据本公开实施例的第四方面，提供一种计算机可读存储介质，其中，计算机可读存储介质存储有计算机指令，指令被处理器执行时实现如上述任一实施例涉及的方法。
[0015]
通过以下参照附图对本公开的示例性实施例的详细描述，本公开的其它特征及其优点将会变得清楚。
附图说明
[0016]
为了更清楚地说明本公开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，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0017]
图1为本公开一个实施例的评价晒单推荐方法的流程示意图；
[0018]
图2为本公开一个实施例的评价晒单推荐装置的结构示意图；
[0019]
图3为本公开另一个实施例的评价晒单推荐装置的结构示意图。
具体实施方式
[0020]
下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本公开及其应用或使用的任何限制。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。
[0021]
除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本公开的范围。
[0022]
同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
[0023]
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为授权说明书的一部分。
[0024]
在这里示出和讨论的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它示例可以具有不同的值。
[0025]
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
[0026]
图1为本公开一个实施例的评价晒单推荐方法的流程示意图。在一些实施例中，下列的评价晒单推荐方法步骤由评价晒单推荐装置执行。
[0027]
在步骤101，采集用户的历史行为数据。
[0028]
在步骤102，根据用户的历史行为数据构建与用户相关联的长期偏好品类池、热销品类池和互动品类池。
[0029]
在一些实施例中，根据用户在第一预设周期内的品类点击量，确定用户对预设品类的第一偏好值。根据用户在第一预设周期内的加购数据，确定用户对预设品类的第二偏好值。将第一偏好值与第二偏好值的和值作为用户对预设品类的偏好分值，并根据预设品类及对应的偏好分值构建长期偏好品类池。
[0030]
在一些实施例中，第一预设周期为近三个月的时间段。
[0031]
在一些实施例中，通过利用tf(term frequency，词频)-idf(inverse document frequency，逆向文件频率)算法计算用户对预设品类的偏好分值。
[0032]
例如，用户在近三个月内点击品类的第一偏好值如公式(1)至公式(3)所示：
[0033]
tf＝n/n
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0034]
其中，n为用户对指定品类的点击量，n为该用户的点击总量。
[0035]
idf＝log(d/d+1)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0036]
其中，d为点击各品类的用户数量，d为用户总数。
[0037]
tf-idf＝ tf *idf
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0038]
即利用公式(1)至公式(3)能够计算出用户在近三个月内点击品类的第一偏好值。此外，也可利用公式(1)至公式(3)计算用户在近三个月内的第二偏好值。相应地，在计算第二偏好值的过程中，需要将与点击有关的数据换为与加购有关的数据。
[0039]
由于tf-idf算法本身并不是本公开的发明点所在，因此这里不再展开描述。
[0040]
在一些实施例中，根据用户在第二预设周期内的订单量、浏览数据、关注数据或加购数据中的至少一项构建用户的热销品类池，其中第二预设周期大于第一预设周期。
[0041]
例如，第二预设周期为近半年的时间段。
[0042]
在一些实施例中，通过利用最小二乘法，对用户在第二预设周期内的订单量、浏览数据、关注数据和加购数据进行处理，以计算品类热销排序，进而构建用户的热销品类池。
[0043]
在一些实施例中，根据用户在第三预设周期内的点击预览行为、点赞行为、回复行为或分享行为中的至少一项计算用户针对预设品类的互动分数，其中第三预设周期小于第
一预设周期。根据用户针对预设品类的互动分数构建用户的互动品类池。
[0044]
例如，第三预设周期为近72小时的时间段。
[0045]
在一些实施例中，互动分数y为：
[0046]
y＝点击预览行为分数
×
n1+点赞行为分数
×
n2
[0047]
+回复行为分数
×
n3+分享行为分数
×
n4(4)
[0048]
其中，用户在第三预设周期内的点击预览行为、点赞行为、回复行为和分享行为的总数为n，n1为点击预览行为在n中的百分比，n2为点赞行为在n中的百分比，n3为回复行为在n中的百分比，n4为分享行为在n中的百分比。即，n1+n2+n3+n4＝100％。
[0049]
在步骤103，根据每个品类在长期偏好品类池、热销品类池和互动品类池中的出现情况确定每个品类的推荐权重。
[0050]
在一些实施例中，指定品类的推荐权重w为：
[0051]
w＝u1x1+u2x2+ u3x3
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0052]
其中，u1为指定品类在长期偏好品类池中的出现情况，若指定品类出现在长期偏好品类池中，u1取1，否则u1取0，x1为长期偏好品类池的权重。
[0053]
u2为指定品类在热销品类池中的出现情况，若指定品类出现在热销品类池中，u2取1，否则u2取0，x2为热销品类池的权重。
[0054]
u3为指定品类在互动品类池中的出现情况，若指定品类出现在互动品类池中，u2取1，否则u2取0，x3为互动品类池的权重。
[0055]
在一些实施例中，x3>x1>x2。
[0056]
在步骤104，按照推荐权重从大到小的顺序，选择预定数量个用户的偏好品类。
[0057]
在步骤105，按照预定规则对与用户的偏好品类相关联的评价晒单进行评分。
[0058]
这里需要说明的是，通过预定规则筛选出优质评价晒单，即用户通过该评价晒单能够得到有关商品的更多信息，以弥补电商平台商品信息不足的缺陷。
[0059]
在步骤106，按照评分结果从高到低的顺序将评价晒单推荐给用户。
[0060]
例如，通过对用户历史行为数据进行处理，发现用户对手机和平板电脑这两个品类感兴趣，通过将与手机和平板电脑有关的优质评价晒单推荐给该用户，可有效提升用户体验，有效提升用户的使用粘性和商品转化率。
[0061]
图2为本公开一个实施例的评价晒单推荐装置的结构示意图。如图2所示，评价晒单推荐装置包括采集模块21、品类池构建模块22、推荐权重确定模块23、偏好品类选择模块24、评分模块25和推荐模块26。
[0062]
采集模块21被配置为采集用户的历史行为数据。
[0063]
品类池构建模块22被配置为根据用户的历史行为数据构建与用户相关联的长期偏好品类池、热销品类池和互动品类池。
[0064]
在一些实施例中，品类池构建模块22根据用户在第一预设周期内的品类点击量，确定用户对预设品类的第一偏好值。根据用户在第一预设周期内的加购数据，确定用户对预设品类的第二偏好值。将第一偏好值与第二偏好值的和值作为用户对预设品类的偏好分值，并根据预设品类及对应的偏好分值构建长期偏好品类池。
[0065]
在一些实施例中，第一预设周期为近三个月的时间段。
[0066]
在一些实施例中，通过利用tf-idf算法计算用户对预设品类的偏好分值。例如，利
用上述公式(1)至公式(3)计算用户对预设品类的偏好分值。
[0067]
由于tf-idf算法本身并不是本公开的发明点所在，因此这里不再展开描述。
[0068]
在一些实施例中，品类池构建模块22根据用户在第二预设周期内的订单量、浏览数据、关注数据或加购数据中的至少一项构建用户的热销品类池，其中第二预设周期大于第一预设周期。
[0069]
例如，第二预设周期为近半年的时间段。
[0070]
在一些实施例中，品类池构建模块22通过利用最小二乘法，对用户在第二预设周期内的订单量、浏览数据、关注数据和加购数据进行处理，以计算品类热销排序，进而构建用户的热销品类池。
[0071]
在一些实施例中，品类池构建模块22根据用户在第三预设周期内的点击预览行为、点赞行为、回复行为或分享行为中的至少一项计算用户针对预设品类的互动分数，其中第三预设周期小于第一预设周期。根据用户针对预设品类的互动分数构建用户的互动品类池。
[0072]
例如，第三预设周期为近72小时的时间段。
[0073]
在一些实施例中，利用上述公式(4)计算互动分数y。
[0074]
推荐权重确定模块23被配置为根据每个品类在长期偏好品类池、热销品类池和互动品类池中的出现情况确定每个品类的推荐权重。
[0075]
在一些实施例中，利用上述公式(5)计算指定品类的推荐权重w。
[0076]
偏好品类选择模块24，被配置为按照推荐权重从大到小的顺序，选择预定数量个用户的偏好品类。
[0077]
评分模块25被配置为按照预定规则对与用户的偏好品类相关联的评价晒单进行评分。
[0078]
推荐模块26被配置为按照评分结果从高到低的顺序将评价晒单推荐给用户。
[0079]
图3为本公开另一个实施例的评价晒单推荐装置的结构示意图。如图3所示，评价晒单推荐装置包括存储器31和处理器32。
[0080]
存储器31用于存储指令，处理器32耦合到存储器31，处理器32被配置为基于存储器存储的指令执行实现如图1中任一实施例涉及的方法。
[0081]
如图3所示，该评价晒单推荐装置还包括通信接口33，用于与其它设备进行信息交互。同时，该评价晒单推荐装置还包括总线34，处理器32、通信接口33、以及存储器31通过总线34完成相互间的通信。
[0082]
存储器31可以包含高速ram存储器，也可还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。存储器31也可以是存储器阵列。存储器31还可能被分块，并且块可按一定的规则组合成虚拟卷。
[0083]
此外，处理器32可以是一个中央处理器cpu，或者可以是专用集成电路asic，或是被配置成实施本公开实施例的一个或多个集成电路。
[0084]
本公开同时还涉及一种计算机可读存储介质，其中计算机可读存储介质存储有计算机指令，指令被处理器执行时实现如图1中任一实施例涉及的方法。
[0085]
在一些实施例中，在上面所描述的功能单元模块可以实现为用于执行本公开所描述功能的通用处理器、可编程逻辑控制器(programmable logic controller，简称：plc)、
数字信号处理器(digital signal processor，简称：dsp)、专用集成电路(application specific integrated 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、分立硬件组件或者其任意适当组合。
[0086]
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
[0087]
本公开的描述是为了示例和描述起见而给出的，而并不是无遗漏的或者将本公开限于所公开的形式。很多修改和变化对于本领域的普通技术人员而言是显然的。选择和描述实施例是为了更好说明本公开的原理和实际应用，并且使本领域的普通技术人员能够理解本公开从而设计适于特定用途的带有各种修改的各种实施例。