[發(fā)明專利]向用戶推薦商品的方法和裝置

在審

• 申請?zhí)枺?/td>: 201610364937.6
• 申請日: 2016-05-27
• 公開（公告）號: CN107437195A
• 公開（公告）日: 2017-12-05
• 發(fā)明（設(shè)計）人: 劉思喆
• 申請（專利權(quán)）人: 北京京東尚科信息技術(shù)有限公司;北京京東世紀(jì)貿(mào)易有限公司
• 主分類號: G06Q30/02
• 分類號: G06Q30/02
• 代理公司: 中科專利商標(biāo)代理有限責(zé)任公司11021
• 代理人: 王洵

技術(shù)領(lǐng)域

本發(fā)明涉及電子商務(wù)領(lǐng)域，具體涉及一種向用戶推薦商品的方法和裝置。

背景技術(shù)

在電商平臺上很多用戶在登錄之后，發(fā)現(xiàn)沒有迅速引起購買的欲望，則很快會從電商平臺的頁面退出。我們期待能夠有一種方法可以使得用戶能夠在平臺上停留時間延長，直至發(fā)生購買行為。雖然平臺上優(yōu)質(zhì)的商品有很多，如何通過一種技術(shù)將這些商品進行有效的組織，并將這些商品同用戶進行完美的匹配是本發(fā)明要解決的問題。

現(xiàn)有技術(shù)中存在一種根據(jù)用戶偏好來推薦新聞的方案，其收集熱門新聞和用戶歷史對新聞的偏好度，以此對新聞進行排序，向用戶推薦個性化的新聞。該現(xiàn)有技術(shù)在用戶偏好和新聞屬性的匹配具有較好的效果，但在用戶購買(瀏覽)歷史過濾上，尤其是實時反饋，這類直接影響用戶體驗的關(guān)鍵點并無優(yōu)化。

發(fā)明內(nèi)容

根據(jù)本發(fā)明的第一方面，一種向用戶推薦項目的方法，包括：獲取全局優(yōu)選項目，全局優(yōu)選項目中的每個項目都具有至少一個項目屬性；獲取用戶興趣信息，所述用戶興趣信息包括人口屬性信息、類目偏好信息、品牌偏好信息中一個或多個；根據(jù)每個項目的項目屬性和用戶興趣信息，計算每個項目和用戶興趣信息之間的距離，并根據(jù)計算的距離，對所有全局優(yōu)選項目進行排序，形成第一項目清單；基于用戶歷史選擇項目和/或用戶反饋，從所述第一項目清單中移除一部分項目，根據(jù)剩余的項目生成第二項目清單；以及向用戶推薦第二項目清單中的項目。

根據(jù)本發(fā)明的第二方面，提供一種向用戶推薦項目的裝置，包括：全局優(yōu)選項目獲取模塊，被配置為獲取全局優(yōu)選項目，全局優(yōu)選項目中的每個項目都具有至少一個項目屬性；用戶興趣信息獲取或模塊，被配置為獲取用戶興趣信息，所述用戶興趣信息包括人口屬性信息、類目偏好信息、品牌偏好信息中一個或多個；第一項目清單生成模塊，被配置為根據(jù)每個項目的項目屬性和用戶興趣信息，計算每個項目和用戶興趣信息之間的距離，并根據(jù)計算的距離，對所有全局優(yōu)選項目進行排序，形成第一項目清單；第二項目清單生成模塊，被配置為基于用戶歷史選擇項目和/或用戶反饋，從所述第一項目清單中移除一部分項目，根據(jù)剩余的項目生成第二項目清單；以及推薦模塊，被配置為向用戶推薦第二項目清單中的項目。

可以看出，本發(fā)明在向用戶推薦商品時，不僅考慮了用戶偏好，還考慮了購買歷史和用戶反饋，因此向用戶推薦他/她更喜歡的候選商品集，有利于刺激用戶在電商平臺上購物。

附圖說明

圖1是根據(jù)本發(fā)明實施例的商品推薦系統(tǒng)的架構(gòu)圖。

圖2是根據(jù)本發(fā)明實施例的向用戶推薦項目的方法的流程圖。

圖3是根據(jù)本發(fā)明實施例的向用戶推薦項目的裝置的示意框圖。

具體實施方式

以下對本發(fā)明的示例性實施例做出說明，其中包括本發(fā)明實施例的各種細節(jié)以有助于理解，應(yīng)當(dāng)將它們認為僅僅是示例性的。因此，本領(lǐng)域的技術(shù)人員應(yīng)當(dāng)認識到，可對本文描述的實施例做出各種修改和改變，而不脫離本發(fā)明的范圍和精神。

圖1是根據(jù)本發(fā)明實施例的商品推薦系統(tǒng)100的架構(gòu)圖。商品推薦系統(tǒng)100可以包括商品聚合及全局排序模塊110、用戶興趣模塊120、商品屬性填充模塊130、排序模塊140、已購商品的產(chǎn)品詞級過濾模塊150、反饋過濾模塊160以及業(yè)務(wù)規(guī)則層模塊170。

在一個實施例中，商品聚合及全局排序模塊110可以根據(jù)熱銷商品111、促銷商品112、優(yōu)質(zhì)商品113、新品114四類數(shù)據(jù)源，聚合成為推薦的候選集合。同時，根據(jù)系統(tǒng)記錄的歷史情況，計算這部分候選集的排序情況，過濾掉質(zhì)量較差的商品，最終選取預(yù)估效果最好的TopN清單。

在一個實施例中，用戶興趣模塊120離線收集顧客的人口屬性信息121、類目偏好信息122、品牌偏好信息123。這些信息參與最終的商品排序。

對于任意商品，它們對應(yīng)兩類信息。一是商品固有的信息，比如商品對應(yīng)的類目信息、品牌信息、供應(yīng)商等。二是經(jīng)過后臺計算的商品推斷信息，比如有些商品只會被女性用戶購買，那么這個商品的推斷標(biāo)簽為女性。因此，在一個實施例中，商品屬性填充模塊130用于對商品填充由這兩類數(shù)據(jù)構(gòu)成的附加信息。

在一個實施例中，排序模塊140可以根據(jù)用戶對商品的興趣和商品屬性的匹配程度，對商品進行個性化排序。具體地，根據(jù)每個商品的屬性和用戶興趣信息，計算每個商品和用戶興趣信息之間的距離，并根據(jù)計算的距離，對所有全局優(yōu)選商品進行排序。例如，如果商品屬性和用戶興趣之間的差越小，說明用戶更可能對該商品感興趣。因此，根據(jù)計算差按照升序排列商品。用戶最感興趣的商品排序越靠前。