一种用于电子商务中商品推荐列表的生成方法及生成系统技术方案

本发明专利技术公开了一种用于电子商务中商品推荐列表的生成方法，该方法包括以下步骤：S11采集用户的特征数据，并将各终端数据融合，得到融合后的实时预测特征向量；S12计算行为商品的购买概率；S13对S12得到的行为商品的购买概率进行修正，得到融合后的行为商品的购买概率；S14根据修正后的行为商品的购买概率，测算相似相关商品的购买概率，并按照购买率大小排序，生成商品推荐列表。同时还公开了一种用于电子商务中商品推荐列表的生成系统。该生产方法和生产系统能够提高商品推荐列表的预测精度。

【技术实现步骤摘要】

本专利技术涉及电子商务领域，具体来说，涉及一种用于电子商务中商品推荐列表的生成方法及生成系统。
技术介绍
目前，互联网电子商务的购买预测算法的标准是基于多维特征数据源，使用logisticregression模型，模型学习训练方法基本是最大似然算法，或是梯度下降算法。预测模型多采用统一的数据源，统一的模型，单终端的算法预测模型。在目前的商品购买预测中，单一模型的使用仍较为普遍,但同时也暴露出其难以全面描述复杂业务的全部关系,预测精度和鲁棒性不尽如人意的问题。同样，单终端和统一的数据源，也不利于提高商品购买的预测精度。
技术实现思路
技术问题：本专利技术实施例所要解决的技术问题是：提供一种用于电子商务中商品推荐列表的生成方法及生成系统，能够提高商品推荐列表的预测精度。技术方案：为解决上述技术问题，一方面，本实施例提供一种用于电子商务中商品推荐列表的生成方法，该方法包括以下步骤：S11采集用户的特征数据，并将各终端数据特征融合，得到融合后的实时预测特征向量；S12计算行为商品的购买概率；S13对S12得到的行为商品的购买概率进行修正，得到修正后的行为商品的购买概率；S14根据修正后的行为商品的购买概率，测算相似相关商品的购买概率，并按照购买率大小排序，生成商品推荐列表。作为一种实施例，所述的步骤S11中，所述的特征数据来源于PC端、WAP端和/或APP端站内数据，以及第三方线上数据和第三方线下终端数据；所述的特征数据包括历史离线特征数据和实时特征数据。作为一种实施例，所述的实时特征数据采用解析访问日志、点击日志、曝光日志、事件日志和/或订单日志的方法得到。作为一种实施例，所述的S11进一步包括：建立终端的映射关系，打通或寻路各终端的数据连接通道，将各特征数据通过映射关系关联得到融合后的特征向量，将各终端特征向量融合，得到融合后的实时预测特征向量。作为一种实施例，所述的S12进一步包括：首先对用户进行分类，并建立各类用户对应的分模型；然后将S11得到的实时预测特征向量带入相应用户的分模型中，计算行为商品的购买概率。作为一种实施例，所述的对用户进行分类包括：按照终端类型、用户类型和访客类型三种维度，对用户进行分类。作为一种实施例，所述的S13中，对S12得到的行为商品的购买概率进行修正是：采用将各分模型的首次训练结果和新修正参数作为模型融合的偏移融合因子，对S12得到的行为商品的购买概率进行修正，得到修正后的商品购买概率。作为一种实施例，所述的S14中，相似相关商品的购买概率按照式(1)测算：Score_i＝Master_SPU_Pos*SKU_Score_i/max(SKU_Score_i)式(1)其中，Score_i表示相似相关商品的购买概率，Master_SPU_Pos表示行为商品的购买概率，max(SKU_Score_i)表示相似相关商品列表中关联度最高值，SKU_Score_i表示相似相关商品SKU_i与行为商品的关联度。另一方面，本实施例提供一种用于电子商务中商品推荐列表的生成系统，该系统包括：采集模块：用于采集用户的特征数据，并将各终端数据融合，得到融合后的实时预测特征向量；计算模块：用于计算行为商品的购买概率；融合模块：用于对行为商品的购买概率进行修正，得到融合后的行为商品的购买概率；生成模块：用于测算相似相关商品的购买概率，并按照购买率大小排序，生成商品推荐列表。作为一种实施例，所述的采集模块中，特征数据来源于PC端、WAP端、APP端站内数据，以及第三方线上数据和线下终端数据；所述的特征数据包括历史离线特征数据和实时特征数据。作为一种实施例，所述的采集模块具体用于：建立终端的映射关系，打通各终端的数据连接通道，将各特征数据通过映射关系关联得到融合后的特征向量，将各终端特征向量融合，得到融合后的实时预测特征向量。作为一种实施例，所述的计算模块包括：分类子模块：用于对用户进行分类，形成多类用户；建模子模块：用于对各类用户建立对应的分模型；计算子模块：用于采集模块得到的实时预测特征向量带入相应用户的分模型中，计算行为商品的购买概率。作为一种实施例，所述的融合模块中，对行为商品的购买概率进行修正是，采用将各分模型的首次训练结果和新修正参数作为模型融合的偏移融合因子，对行为商品的购买概率进行修正，得到融合后的商品购买概率。作为一种实施例，所述的生成模块中，相似相关商品的购买概率按照式(1)测算：Score_i＝Master_SPU_Pos*SKU_Score_i/max(SKU_Score_i)式(1)其中，Score_i表示相似相关商品的购买概率，Master_SPU_Pos表示行为商品的购买概率，max(SKU_Score_i)表示相似相关商品列表中关联度最高值，SKU_Score_i表示相似相关商品SKU_i与行为商品的关联度。有益效果：与现有技术相比，本专利技术实施例提供的用于电子商务中商品推荐列表的生成方法及系统，采集多终端的特征数据，多数据融合，可以解决数据的完整性，提高模型精度。同时，根据用户分类建立多模型，利用多模型分别计算购买概率，多模型可以提高预测概率的准确性和推荐的准确性。多模型融合可以把多个模型的结果归一化，使得生成的商品推荐列表的精度更高，更符合用户的需求。另外，多终端数据融合可以解决不同终端的行为推荐的稳定性和准确性，多终端的数据覆盖的用户行为数据比单一终端的更加全面、丰富，从而使得鲁棒性更好。附图说明图1是本专利技术一实施例的流程框图；图2是本专利技术一实施例中模型训练的流程框图；图3是本专利技术一实施例中模型的分布图；图4是本专利技术另一实施例的结构框图。具体实施方式下面结合附图，对本专利技术实施例的技术方案进行详细的说明。如图1所述，本实施例提供一种用于电子商务中商品推荐列表的生成方法，包括以下步骤：S11采集用户的特征数据，并将各终端数据融合，得到融合后的实时预测特征向量；S12计算行为商品的购买概率；S13对S12得到的行为商品的购买概率进行修正，得到融合后的行为商品的购买概率；S14测算相似相关商品的购买概率，并按照购买率大小排序，生成商品推荐列表。上述实施例中，采集的用户特征数据来源于PC端、WAP端、APP端站内数据，以及第三方线上数据和线下终端数据。这样，从数据采集角度而言，这些特征数据覆盖了多个终端。与单个终端，例如WAP端相比，本实施例采集的数据来源范围广。多终端数据来源，为后续的购买概率预测提供了更准确的基础数据。作为一种优选方案，特征数据包括历史离线特征数据和实时特征数据。历史离线特征数据可以选择：会员属性或标签、会员忠诚度、会员购买力、会员偏好、会员历史访问指标等等。会员历史访问指标可以是：过去N天添加购物车行为次数、过去N天添加收藏夹行为次数、过去N天PV数、过去N天一个会话内最多PV数、过去N天网站访问时长、过去N天一个会话的最大时长、过去N天浏览商品详情页数量、过去N天一个会话内最多访问详情页数量、过去N天会话数量、过去N天天订单数量等等。实时特征数据采用解析访问日志、点击日志、曝光日志、事件日志、订单日志的方法得到。例如，实时特征数据包括四级页商品详情区点击次数(包括评价)、商品四级页收藏点击次数、列表页推荐点击次数本文档来自技高网...

【技术保护点】
一种用于电子商务中商品推荐列表的生成方法，其特征在于，该方法包括以下步骤：S11采集用户的特征数据，并将各终端数据特征融合，得到融合后的实时预测特征向量；S12计算行为商品的购买概率；S13对S12得到的行为商品的购买概率进行修正，得到修正后的行为商品的购买概率；S14根据修正后的行为商品的购买概率，测算相似相关商品的购买概率，并按照购买率大小排序，生成商品推荐列表。

【技术特征摘要】
1.一种用于电子商务中商品推荐列表的生成方法，其特征在于，该方法包括以下步骤：S11采集用户的特征数据，并将各终端数据特征融合，得到融合后的实时预测特征向量；S12计算行为商品的购买概率；S13对S12得到的行为商品的购买概率进行修正，得到修正后的行为商品的购买概率；S14根据修正后的行为商品的购买概率，测算相似相关商品的购买概率，并按照购买率大小排序，生成商品推荐列表。2.按照权利要求1所述的方法，其特征在于，所述的步骤S11中，所述的特征数据来源于PC端、WAP端和/或APP端站内数据，以及第三方线上数据和第三方线下终端数据；所述的特征数据包括历史离线特征数据和实时特征数据。3.按照权利要求2所述的方法，其特征在于，所述的实时特征数据采用解析访问日志、点击日志、曝光日志、事件日志和/或订单日志的方法得到。4.按照权利要求3所述的方法，其特征在于，所述的S11进一步包括：建立终端的映射关系，打通或寻路各终端的数据连接通道，将各特征数据通过映射关系关联得到融合后的特征向量，将各终端特征向量融合，得到融合后的实时预测特征向量。5.按照权利要求1所述的方法，其特征在于，所述的S12进一步包括：首先对用户进行分类，并建立各类用户对应的分模型；然后将S11得到的实时预测特征向量带入相应用户的分模型中，计算行为商品的购买概率。6.按照权利要求5所述的方法，其特征在于，所述的对用户进行分类包括：按照终端类型、用户类型和访客类型三种维度，对用户进行分类。7.按照权利要求5所述的方法，其特征在于，所述的S13中，对S12得到的行为商品的购买概率进行修正是：采用将各分模型的首次训练结果和新修正参数作为模型融合的偏移融合因子，对S12得到的行为商品的购买概率进行修正，得到修正后的商品购买概率。8.按照权利要求1所述的方法，其特征在于，所述的S14中，相似相关商品
\t的购买概率按照式(1)测算：Score_i＝Master_SPU_Pos*SKU_Score_i/max(SKU_Score_i)式(1)其中，Score_i表示相似相关商品的购买概率，Master_SPU_Pos表示行为商品的购买...

【专利技术属性】
技术研发人员：陈雪峰，孙奉海，张侦，刘勇，
申请(专利权)人：苏宁云商集团股份有限公司，
类型：发明
国别省市：江苏;32