本發(fā)明涉及電子商務(wù)領(lǐng)域，具體來說，涉及一種用于電子商務(wù)中商品推薦列表的生成方法及生成系統(tǒng)。

背景技術(shù)：

目前，互聯(lián)網(wǎng)電子商務(wù)的購買預(yù)測算法的標(biāo)準(zhǔn)是基于多維特征數(shù)據(jù)源，使用logistic regression模型，模型學(xué)習(xí)訓(xùn)練方法基本是最大似然算法，或是梯度下降算法。預(yù)測模型多采用統(tǒng)一的數(shù)據(jù)源，統(tǒng)一的模型，單終端的算法預(yù)測模型。

在目前的商品購買預(yù)測中，單一模型的使用仍較為普遍,但同時也暴露出其難以全面描述復(fù)雜業(yè)務(wù)的全部關(guān)系,預(yù)測精度和魯棒性不盡如人意的問題。同樣，單終端和統(tǒng)一的數(shù)據(jù)源，也不利于提高商品購買的預(yù)測精度。

技術(shù)實現(xiàn)要素：

技術(shù)問題：本發(fā)明實施例所要解決的技術(shù)問題是：提供一種用于電子商務(wù)中商品推薦列表的生成方法及生成系統(tǒng)，能夠提高商品推薦列表的預(yù)測精度。

技術(shù)方案：為解決上述技術(shù)問題，一方面，本實施例提供一種用于電子商務(wù)中商品推薦列表的生成方法，該方法包括以下步驟：

S11采集用戶的特征數(shù)據(jù)，并將各終端數(shù)據(jù)特征融合，得到融合后的實時預(yù)測特征向量；

S12計算行為商品的購買概率；

S13對S12得到的行為商品的購買概率進行修正，得到修正后的行為商品的購買概率；

S14根據(jù)修正后的行為商品的購買概率，測算相似相關(guān)商品的購買概率，并按照購買率大小排序，生成商品推薦列表。

作為一種實施例，所述的步驟S11中，所述的特征數(shù)據(jù)來源于PC端、WAP端和/或APP端站內(nèi)數(shù)據(jù)，以及第三方線上數(shù)據(jù)和第三方線下終端數(shù)據(jù)；所述的 特征數(shù)據(jù)包括歷史離線特征數(shù)據(jù)和實時特征數(shù)據(jù)。

作為一種實施例，所述的實時特征數(shù)據(jù)采用解析訪問日志、點擊日志、曝光日志、事件日志和/或訂單日志的方法得到。

作為一種實施例，所述的S11進一步包括：建立終端的映射關(guān)系，打通或?qū)ぢ犯鹘K端的數(shù)據(jù)連接通道，將各特征數(shù)據(jù)通過映射關(guān)系關(guān)聯(lián)得到融合后的特征向量，將各終端特征向量融合，得到融合后的實時預(yù)測特征向量。

作為一種實施例，所述的S12進一步包括：首先對用戶進行分類，并建立各類用戶對應(yīng)的分模型；然后將S11得到的實時預(yù)測特征向量帶入相應(yīng)用戶的分模型中，計算行為商品的購買概率。

作為一種實施例，所述的對用戶進行分類包括：按照終端類型、用戶類型和訪客類型三種維度，對用戶進行分類。

作為一種實施例，所述的S13中，對S12得到的行為商品的購買概率進行修正是：采用將各分模型的首次訓(xùn)練結(jié)果和新修正參數(shù)作為模型融合的偏移融合因子，對S12得到的行為商品的購買概率進行修正，得到修正后的商品購買概率。

作為一種實施例，所述的S14中，相似相關(guān)商品的購買概率按照式(1)測算：

Score_i＝Master_SPU_Pos*SKU_Score_i/max(SKU_Score_i) 式(1)

其中，Score_i表示相似相關(guān)商品的購買概率，Master_SPU_Pos表示行為商品的購買概率，max(SKU_Score_i)表示相似相關(guān)商品列表中關(guān)聯(lián)度最高值，SKU_Score_i表示相似相關(guān)商品SKU_i與行為商品的關(guān)聯(lián)度。

另一方面，本實施例提供一種用于電子商務(wù)中商品推薦列表的生成系統(tǒng)，該系統(tǒng)包括：

采集模塊：用于采集用戶的特征數(shù)據(jù)，并將各終端數(shù)據(jù)融合，得到融合后的實時預(yù)測特征向量；

計算模塊：用于計算行為商品的購買概率；

融合模塊：用于對行為商品的購買概率進行修正，得到融合后的行為商品的購買概率；

生成模塊：用于測算相似相關(guān)商品的購買概率，并按照購買率大小排序，生成商品推薦列表。

作為一種實施例，所述的采集模塊中，特征數(shù)據(jù)來源于PC端、WAP端、APP端站內(nèi)數(shù)據(jù)，以及第三方線上數(shù)據(jù)和線下終端數(shù)據(jù)；所述的特征數(shù)據(jù)包括歷史離線特征數(shù)據(jù)和實時特征數(shù)據(jù)。

作為一種實施例，所述的采集模塊具體用于：建立終端的映射關(guān)系，打通各終端的數(shù)據(jù)連接通道，將各特征數(shù)據(jù)通過映射關(guān)系關(guān)聯(lián)得到融合后的特征向量，將各終端特征向量融合，得到融合后的實時預(yù)測特征向量。

作為一種實施例，所述的計算模塊包括：

分類子模塊：用于對用戶進行分類，形成多類用戶；

建模子模塊：用于對各類用戶建立對應(yīng)的分模型；

計算子模塊：用于采集模塊得到的實時預(yù)測特征向量帶入相應(yīng)用戶的分模型中，計算行為商品的購買概率。

作為一種實施例，所述的融合模塊中，對行為商品的購買概率進行修正是，采用將各分模型的首次訓(xùn)練結(jié)果和新修正參數(shù)作為模型融合的偏移融合因子，對行為商品的購買概率進行修正，得到融合后的商品購買概率。

作為一種實施例，所述的生成模塊中，相似相關(guān)商品的購買概率按照式(1)測算：

Score_i＝Master_SPU_Pos*SKU_Score_i/max(SKU_Score_i) 式(1)

其中，Score_i表示相似相關(guān)商品的購買概率，Master_SPU_Pos表示行為商品的購買概率，max(SKU_Score_i)表示相似相關(guān)商品列表中關(guān)聯(lián)度最高值，SKU_Score_i表示相似相關(guān)商品SKU_i與行為商品的關(guān)聯(lián)度。

有益效果：與現(xiàn)有技術(shù)相比，本發(fā)明實施例提供的用于電子商務(wù)中商品推薦列表的生成方法及系統(tǒng)，采集多終端的特征數(shù)據(jù)，多數(shù)據(jù)融合，可以解決數(shù)據(jù)的完整性，提高模型精度。同時，根據(jù)用戶分類建立多模型，利用多模型分別計算購買概率，多模型可以提高預(yù)測概率的準(zhǔn)確性和推薦的準(zhǔn)確性。多模型融合可以把多個模型的結(jié)果歸一化，使得生成的商品推薦列表的精度更高，更符合用戶的需求。另外，多終端數(shù)據(jù)融合可以解決不同終端的行為推薦的穩(wěn)定性和準(zhǔn)確性，多終端的數(shù)據(jù)覆蓋的用戶行為數(shù)據(jù)比單一終端的更加全面、豐富，從而使得魯棒性更好。

附圖說明

圖1是本發(fā)明一實施例的流程框圖；

圖2是本發(fā)明一實施例中模型訓(xùn)練的流程框圖；

圖3是本發(fā)明一實施例中模型的分布圖；

圖4是本發(fā)明另一實施例的結(jié)構(gòu)框圖。

具體實施方式

下面結(jié)合附圖，對本發(fā)明實施例的技術(shù)方案進行詳細的說明。

如圖1所述，本實施例提供一種用于電子商務(wù)中商品推薦列表的生成方法，包括以下步驟：

S11采集用戶的特征數(shù)據(jù)，并將各終端數(shù)據(jù)融合，得到融合后的實時預(yù)測特征向量；

S12計算行為商品的購買概率；

S13對S12得到的行為商品的購買概率進行修正，得到融合后的行為商品的購買概率；

S14測算相似相關(guān)商品的購買概率，并按照購買率大小排序，生成商品推薦列表。

上述實施例中，采集的用戶特征數(shù)據(jù)來源于PC端、WAP端、APP端站內(nèi)數(shù)據(jù)，以及第三方線上數(shù)據(jù)和線下終端數(shù)據(jù)。這樣，從數(shù)據(jù)采集角度而言，這些特征數(shù)據(jù)覆蓋了多個終端。與單個終端，例如WAP端相比，本實施例采集的數(shù)據(jù)來源范圍廣。多終端數(shù)據(jù)來源，為后續(xù)的購買概率預(yù)測提供了更準(zhǔn)確的基礎(chǔ)數(shù)據(jù)。作為一種優(yōu)選方案，特征數(shù)據(jù)包括歷史離線特征數(shù)據(jù)和實時特征數(shù)據(jù)。歷史離線特征數(shù)據(jù)可以選擇：會員屬性或標(biāo)簽、會員忠誠度、會員購買力、會員偏好、會員歷史訪問指標(biāo)等等。會員歷史訪問指標(biāo)可以是：過去N天添加購物車行為次數(shù)、過去N天添加收藏夾行為次數(shù)、過去N天PV數(shù)、過去N天一個會話內(nèi)最多PV數(shù)、過去N天網(wǎng)站訪問時長、過去N天一個會話的最大時長、過去N天瀏覽商品詳情頁數(shù)量、過去N天一個會話內(nèi)最多訪問詳情頁數(shù)量、過去N天會話數(shù)量、過去N天天訂單數(shù)量等等。實時特征數(shù)據(jù)采用解析訪問日志、點擊日志、曝光日志、事件日志、訂單日志的方法得到。例如，實時特征數(shù)據(jù)包括四級頁商品詳情區(qū)點擊 次數(shù)(包括評價)、商品四級頁收藏點擊次數(shù)、列表頁推薦點擊次數(shù)、列表頁收藏點擊次數(shù)、列表頁商品點擊次數(shù)、用戶瀏覽pv、搜索頁收藏點擊次數(shù)、搜索頁推薦點擊次數(shù)、新動態(tài)促銷頁商品點擊次數(shù)、用戶靜態(tài)商品促銷頁pv等等。

在S11中，實時預(yù)測特征向量的確定方法為：建立終端的映射關(guān)系，打通各終端的數(shù)據(jù)連接通道，將各特征數(shù)據(jù)通過映射關(guān)系關(guān)聯(lián)得到融合后的特征向量，將各終端特征向量融合，得到融合后的實時預(yù)測特征向量。對于非會員，可以通過cookie、手機串號等對應(yīng)映射關(guān)系關(guān)聯(lián)得到融合后的特征指標(biāo)。對于會員，可以通過會員編碼等關(guān)聯(lián)實時數(shù)據(jù)和歷史數(shù)據(jù)，得到融合后的特征指標(biāo)。通過會員關(guān)系、各終端識別碼進行數(shù)據(jù)連接和關(guān)聯(lián)，得到融合數(shù)據(jù)。

在通過S11得到融合后的實時預(yù)測特征向量后，需要計算行為商品的購買概率。本實施例提供的行為商品的購買概率的測算方法不同于傳統(tǒng)方法。本實施例采用多模型的預(yù)測方法，具體來說：首先，對用戶進行分類，并建立各類用戶對應(yīng)的分模型；然后，將S11得到的實時預(yù)測特征向量帶入相應(yīng)用戶的分模型中，計算行為商品的購買概率。

對用戶進行分類的方式有很多，作為一種優(yōu)選方案，本實施例選擇按照終端類型、用戶類型、訪客類型三種維度，對用戶進行分類，并對每類用戶建立一分模型。例舉一實例，將用戶分為8類，具體分類如下：

PC新訪客模型：針對無歷史行為特征的、且今天訪問網(wǎng)站的PC訪客而建立的模型。

PC老訪客模型：針對有歷史行為特征的PC訪客而建立的模型。

PC新會員模型，針對無歷史行為特征的、且今天注冊為會員的PC會員而建立的模型。

PC老會員模型，針對有歷史行為特征的、且之前注冊為會員的PC會員而建立的模型。

WAP訪客模型，針對非注冊會員的WAP訪客而建立的模型。

WAP會員模型，針對注冊會員的WAP會員而建立的模型。

APP訪客模型，針對非注冊會員的APP訪客而建立的模型。

APP會員模型，針對注冊會員的APP會員而建立的模型。

當(dāng)然除此之外，其他的用戶分類方法亦可行，只要分別建立相應(yīng)分類的模型， 并進行訓(xùn)練。

采用上述多模型測算得到的行為商品的購買概率也為多個。本實施例對多個模型進行融合，得到統(tǒng)一的行為商品的購買概率，即融合后的行為商品的購買概率。對S12得到的行為商品的購買概率進行修正，具體過程為：采用將各分模型的首次訓(xùn)練結(jié)果和新修正參數(shù)作為模型融合的偏移融合因子，對S12得到的行為商品的購買概率進行概率修正，得到修正的概率，即得到融合后的商品購買概率。修正的方法是多模型概率融合模型進行計算。

各分模型的新修正參數(shù)可以自由設(shè)定，例如，新修正參數(shù)為轉(zhuǎn)化率、點擊率或者模型分類。

多模型融合可視為再次的機器學(xué)習(xí)過程。設(shè)有3個分類模型：分模型M1、分模型M2和分模型M3，利用測試樣本數(shù)據(jù)進行模型測試，測試數(shù)據(jù)輸出的結(jié)果分別為F1，F(xiàn)2和F3。用訓(xùn)練樣本數(shù)據(jù)通過模型輸出的訓(xùn)練數(shù)據(jù)預(yù)測結(jié)果為f1，f2和f3。將f1，f2、f3和各分模型的轉(zhuǎn)化率合并到訓(xùn)練樣本數(shù)據(jù)中，對各分模型再次訓(xùn)練，得到修正的模型。再用修正的模型訓(xùn)練測試樣本數(shù)據(jù)，得到結(jié)果a，b和c。

本實施例中，行為商品是指用戶在電子商務(wù)網(wǎng)站上有操作行為的商品。操作行為例如：瀏覽、點擊、加入收藏夾等行為。相似相關(guān)商品是指與行為商品相似或相關(guān)的商品。相似相關(guān)商品由行為商品按照關(guān)聯(lián)規(guī)則、協(xié)同過濾等關(guān)聯(lián)方法計算得出的商品列表，然后根據(jù)支持度和信任度選取分別滿足用戶給定的閾值，按照閾值過濾得到商品。其中選取的關(guān)聯(lián)場景包括但不限于瀏覽最終購買、看了還看、看了最終購買、配件搭配場景等。本實施例以式(1)計算相似相關(guān)商品的購買概率：

Score_i＝Master_SPU_Pos*SKU_Score_i/max(SKU_Score_i) 式(1)

其中，Score_i表示相似相關(guān)商品的購買概率，Master_SPU_Pos表示行為商品的購買概率，max(SKU_Score_i)表示相似相關(guān)商品列表中關(guān)聯(lián)度最高值，SKU_Score_i表示相似相關(guān)商品與行為商品的關(guān)聯(lián)度。

本實施例采用多數(shù)據(jù)源、多終端類型的數(shù)據(jù)，進行訓(xùn)練多模型的實時計算購買轉(zhuǎn)化預(yù)測概率。同時模型采用線性分片和融合打通的訓(xùn)練樣本數(shù)據(jù)，并且對分片的多模型采用偏移量因子進行模型融合歸一處理，最終得到一個精度高、多終 端融合的實時購買概率預(yù)測的模型。本實施例根據(jù)不同終端、不同人群的實時訪問行為，提供一個實時、個性化的基于用戶購買概率的商品推薦方法。本實施例可以實時采集數(shù)據(jù)，并進行計算，向用戶實時推薦商品。

本實施例根據(jù)不同的數(shù)據(jù)終端和融合數(shù)據(jù)，按照人群分別訓(xùn)練模型，然后按照分群片區(qū)的偏移修正，融合各模型，得到統(tǒng)一的模型。融合所用的方法有很多，大部分人直接用機器學(xué)習(xí)里的各類方法，或者用統(tǒng)計回歸等。本實施例選用各分模型初步預(yù)測結(jié)果加新修正參數(shù)重新訓(xùn)練的方法，得到融合模型。其他機器學(xué)習(xí)的方法預(yù)測精度提高有限、模型比較復(fù)雜。本實施例中，步驟S11采集的數(shù)據(jù)來源于多個終端。步驟S13中，對人群進行了分類，并對每類人群分別建立了分模型；然后對各分模型進行訓(xùn)練，將首次訓(xùn)練結(jié)果和新修正參數(shù)作為模型融合的偏移融合因子，對各分模型進行融合歸一處理，得到修正后的統(tǒng)一模型，即融合后的統(tǒng)一模型；最后利用該融合后的統(tǒng)一模型進行概率測算。相比較其他機器學(xué)習(xí)方法，本實施例從數(shù)據(jù)來源和模型建立兩方面，尤其是融合后的統(tǒng)一模型，提高了預(yù)測精度。與現(xiàn)有技術(shù)中建立一個總模型相比，本實施例采用對各分類人群分別建立分模型，模型簡單。不同類別的人群，影響購買概率的因素不同。建立一個總模型需要考慮各類人群的影響因素。而對各分類人群建立分模型，僅僅需要考慮該類人群的影響因素，不需要考慮其他類人群的影響因素。因此，本實施例的模型簡單。

對本實施例采用的方法和利用單一模型進行預(yù)測的方法進行比較。按照單一模型預(yù)測，分類器正確判斷陽性樣本的值高于陰性樣本之概率(英文全稱：Area Under the ROC Curve，文中簡稱：AUC)為0.70。采用本實施例方法，AUC＝0.85。本實施例的方法的預(yù)測精度高于單一模型的預(yù)測精度。

圖2所示，為本實施例中涉及的模型的離線自動訓(xùn)練流程，具體如下：

S21根據(jù)不同終端選取實時行為特征數(shù)據(jù)和歷史特征數(shù)據(jù)。

該實時行為特征數(shù)據(jù)和歷史特征數(shù)據(jù)包括PC端、WAP端、APP端等站內(nèi)數(shù)據(jù)，也包括第三方線上數(shù)據(jù)和線下終端數(shù)據(jù)。例如，實時行為特征數(shù)據(jù)包括：詳情訪問特征、搜索特征、列表頁訪問特征、促銷訪問特征、頁面點擊特征、收藏夾次數(shù)、購物車次數(shù)等。歷史特征數(shù)據(jù)包括：會員屬性或標(biāo)簽、會員忠誠度、會員購買力、會員偏好、會員歷史訪問指標(biāo)等。舉例來說，會員歷史訪問指標(biāo)包括過去 N天添加購物車行為次數(shù)、過去N天添加收藏夾行為次數(shù)、過去N天PV數(shù)、過去N天一個會話內(nèi)最多PV數(shù)、過去N天網(wǎng)站訪問時長、過去N天一個會話的最大時長、過去N天瀏覽商品詳情頁數(shù)量、過去N天一個會話內(nèi)最多訪問詳情頁數(shù)量、過去N天會話數(shù)量、過去N天訂單數(shù)量。

S22根據(jù)S21采集的實時行為特征數(shù)據(jù)和歷史特征數(shù)據(jù)，分別提取部分?jǐn)?shù)據(jù)作為訓(xùn)練樣本數(shù)據(jù)和離線測試樣本數(shù)據(jù)，得到特征向量。

該特征向量包括實時行為特征和歷史特征指標(biāo)。提取部分?jǐn)?shù)據(jù)可以是1-30天產(chǎn)生的數(shù)據(jù)，也可以是其他天數(shù)內(nèi)產(chǎn)生的數(shù)據(jù)。

S23根據(jù)S22得到的數(shù)據(jù)，訓(xùn)練模型。

依照上述實施例所述，按照終端類型、用戶類型和訪客類型維度，對用戶進行分類，并對每類用戶建立一分模型。使用logistic regression模型訓(xùn)練各分模型。

舉例來說，訓(xùn)練的各分模型包括：

PC新訪客模型，訓(xùn)練的樣本數(shù)據(jù)包括無歷史行為特征的PC訪客(非會員)；

PC老訪客模型，訓(xùn)練的樣本數(shù)據(jù)包括有歷史歷史行為特征的PC訪客(非會員)；

PC新會員模型，訓(xùn)練的樣本數(shù)據(jù)包括無歷史行為特征的PC會員；

PC老會員模型，訓(xùn)練的樣本數(shù)據(jù)包括有歷史歷史行為特征的PC會員；

WAP訪客模型，訓(xùn)練的樣本數(shù)據(jù)包括WAP訪客(非會員)；

WAP會員模型，訓(xùn)練的樣本數(shù)據(jù)包括WAP會員；

APP訪客模型，訓(xùn)練的樣本數(shù)據(jù)包括APP訪客(非會員)；

APP會員模型，訓(xùn)練的樣本數(shù)據(jù)包括APP會員。

用p(y＝1|x)表示邏輯回歸函數(shù)(用戶購買概率的模型)，如式(2)所示：

$p(y=1|x)=\frac{1}{1+\exp (-f\left(x\right))}$ 式(2)

其中，p(y＝1|x)表示轉(zhuǎn)化概率，f(x)表示特征向量的線性函數(shù)。

由于特征選取較多，且模型比較復(fù)雜，會產(chǎn)生過擬合、特征共線性等問題，選用LASSO回歸的方法進行模型的變量選擇和正則化,lasso回歸的RSS形式如下：

$\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(y_i-{\mathrm{\β}}_0-\underset{j=1}{\overset{\mathrm{\ρ}}{\mathrm{\Σ}}}{\mathrm{\β}}_j{x}_{\mathrm{ij}})}^2+\mathrm{\λ}\underset{j=1}{\overset{\mathrm{\ρ}}{\mathrm{\Σ}}}\left|{\mathrm{\β}}_j\right|$ 式(3)

其中，y表示預(yù)測變量，β₀表示常量，β_j表示變量參數(shù)，λ表示lasso懲罰系數(shù)，i表示樣本數(shù)量，j表示模型變量數(shù)量，x_ij表示變量。

模型按照終端、用戶類型、訪客類型維度進行分片處理，分片后的模型如式(4)：

$p(y=1|x)=\frac{1}{1+\exp (-{\mathrm{\π}}_m*{\mathrm{\ω}}_i{x}_i)}$ 式(4)

其中，p(y＝1|x)表示轉(zhuǎn)化概率，即購買概率；π表示分模型，即各分類用戶對應(yīng)的分模型，m表示模型數(shù)量，x表示變量，ω表示權(quán)重，i表示樣本數(shù)量。

S24，根據(jù)S23得到的如式(4)所示的訓(xùn)練模型，加入首次訓(xùn)練結(jié)果和新修正參數(shù)進行融合，得到融合后的統(tǒng)一模型。

如圖4所示，為另一實施例。該實施例提供一種用于電子商務(wù)中商品推薦列表的生成系統(tǒng)，包括：

采集模塊：用于采集用戶的特征數(shù)據(jù)，并將各終端數(shù)據(jù)融合，得到融合后的實時預(yù)測特征向量；

計算模塊：用于計算行為商品的購買概率；

融合模塊：用于對行為商品的購買概率進行修正，得到融合后的行為商品的購買概率；

生成模塊：用于測算相似相關(guān)商品的購買概率，并按照購買率大小排序，生成商品推薦列表。

該實施例中，采集模塊采集的用戶特征數(shù)據(jù)來源于PC端、WAP端、APP端站內(nèi)數(shù)據(jù)，以及第三方線上數(shù)據(jù)和線下終端數(shù)據(jù)。這樣，從數(shù)據(jù)采集角度而言，這些特征數(shù)據(jù)覆蓋了多個終端。與單個終端，例如WAP端相比，本實施例采集的數(shù)據(jù)來源范圍廣。多終端數(shù)據(jù)來源，為后續(xù)的購買概率預(yù)測提供了更準(zhǔn)確的基礎(chǔ)數(shù)據(jù)。作為一種優(yōu)選方案，特征數(shù)據(jù)包括歷史離線特征數(shù)據(jù)和實時特征數(shù)據(jù)。歷史離線特征數(shù)據(jù)可以選擇：會員屬性或標(biāo)簽、會員忠誠度、會員購買力、會員偏好、會員歷史訪問指標(biāo)等等。會員歷史訪問指標(biāo)可以是：過去N天添加購物車行為次 數(shù)、過去N天添加收藏夾行為次數(shù)、過去N天PV數(shù)、過去N天一個會話內(nèi)最多PV數(shù)等等。實時特征數(shù)據(jù)采用解析訪問日志、點擊日志、曝光日志、事件日志、訂單日志的方法得到。例如，實時特征數(shù)據(jù)包括四級頁商品詳情區(qū)點擊次數(shù)(包括評價)、商品四級頁收藏點擊次數(shù)、列表頁推薦點擊次數(shù)、列表頁收藏點擊次數(shù)、列表頁商品點擊次數(shù)等等。

在采集模塊中，實時預(yù)測特征向量的方法為：建立終端的映射關(guān)系，打通各終端的數(shù)據(jù)連接通道，將各特征數(shù)據(jù)通過映射關(guān)系關(guān)聯(lián)得到融合后的特征向量，將各終端特征向量融合，得到融合后的實時預(yù)測特征向量。對于非會員，可以通過cookie、手機串號等對應(yīng)映射關(guān)系關(guān)聯(lián)得到融合后的特征指標(biāo)。對于會員，可以通過會員編碼等關(guān)聯(lián)實時數(shù)據(jù)和歷史數(shù)據(jù)，得到融合后的特征指標(biāo)。通過會員關(guān)系、各終端識別碼進行數(shù)據(jù)連接和關(guān)聯(lián)，得到融合數(shù)據(jù)。

通過采集模塊得到融合后的實時預(yù)測特征向量后，需要計算行為商品的購買概率。本實施例中的計算模塊包括：

分類子模塊：用于對用戶進行分類，形成多類用戶；

建模子模塊：用于對各類用戶建立對應(yīng)的分模型；

計算子模塊：用于采集模塊得到的實時預(yù)測特征向量帶入相應(yīng)用戶的分模型中，計算行為商品的購買概率。

該計算模塊不同于現(xiàn)有的其他計算模塊。該計算模塊通過分類子模塊對用戶進行分類，形成多類用戶；然后通過建模子模塊對各類用戶建立對應(yīng)的分模型；最后利用計算子模塊將采集模塊得到的實時預(yù)測特征向量，帶入相應(yīng)用戶的分模型中，計算行為商品的購買概率。對用戶進行分類的方式有很多，作為一種優(yōu)選方案，本實施例選擇按照終端類型、用戶類型、訪客類型三種維度，對用戶進行分類，并對每類用戶建立一分模型。本計算模塊由于采用了多個分模型，其測算得到的行為商品的購買概率為多個。本實施例對多個模型進行融合，得到統(tǒng)一的行為商品的購買概率，即融合后的行為商品的購買概率。對計算模塊得到的行為商品的購買概率進行修正，具體過程為：采用將各分模型的首次訓(xùn)練結(jié)果和新修正參數(shù)作為模型融合的偏移融合因子，對計算模塊得到的行為商品的購買概率進行概率修正，得到修正的概率。修正的方法是多模型概率融合模型進行計算。

各分模型的新修正參數(shù)可以自由設(shè)定，例如，新修正參數(shù)為轉(zhuǎn)化率、點擊率 或者模型分類。

多模型融合可視為再次的機器學(xué)習(xí)過程。設(shè)有3個分類模型：分模型M1、分模型M2和分模型M3，利用測試樣本數(shù)據(jù)進行模型測試，測試數(shù)據(jù)輸出的結(jié)果分別為F1，F(xiàn)2和F3。用訓(xùn)練樣本數(shù)據(jù)通過模型輸出的訓(xùn)練數(shù)據(jù)預(yù)測結(jié)果為f1，f2和f3。將f1，f2、f3和各分模型的轉(zhuǎn)化率合并到訓(xùn)練樣本數(shù)據(jù)中，對各分模型再次訓(xùn)練，得到修正的模型。再用修正的模型訓(xùn)練測試樣本數(shù)據(jù)，得到結(jié)果a，b和c。

本實施例中，行為商品是用戶有訪問等行為的商品，相似相關(guān)商品是指與用戶行為商品相似或相關(guān)的商品。作為一種優(yōu)選方案，按照式(1)測算相似相關(guān)商品的購買概率。

Score_i＝Master_SPU_Pos*SKU_Score_i/max(SKU_Score_i) 式(1)

其中，Score_i表示相似相關(guān)商品的購買概率，Master_SPU_Pos表示行為商品的購買概率，max(SKU_Score_i)表示相似相關(guān)商品列表中關(guān)聯(lián)度最高值，SKU_Score_i表示相似相關(guān)商品SKU_i與行為商品的關(guān)聯(lián)度。

本領(lǐng)域技術(shù)人員應(yīng)該知曉，實現(xiàn)上述實施例的方法或者系統(tǒng)，可以通過計算機程序指令來實現(xiàn)。該計算機程序指令裝載到可編程數(shù)據(jù)處理設(shè)備上，例如計算機，從而在可編程數(shù)據(jù)處理設(shè)備上執(zhí)行相應(yīng)的指令，用于實現(xiàn)上述實施例的方法或者系統(tǒng)實現(xiàn)的功能。

本領(lǐng)域技術(shù)人員依據(jù)上述實施例，可以對本申請進行非創(chuàng)造性的技術(shù)改進，而不脫離本發(fā)明的精神實質(zhì)。這些改進仍應(yīng)視為在本申請權(quán)利要求的保護范圍之內(nèi)。