專利名稱：基于客戶購物意圖挖掘的實(shí)時(shí)商品推薦方法
技術(shù)領(lǐng)域：
本發(fā)明涉及應(yīng)用于電子商務(wù)領(lǐng)域，尤其涉及的是一種基于客戶購物意圖挖掘的實(shí)時(shí)商品推薦方法。
背景技術(shù)：
最接近本發(fā)明的同類技術(shù)，大致分為兩類(I)、電子商務(wù)的購物意圖研究。(2)、電子商務(wù)的個(gè)性化推薦研究。
下面分別介紹上述兩種技術(shù)及其不足之處(I)、電子商務(wù)的購物意圖研究。從商業(yè)的角度，研究客戶選擇電子商務(wù)的原因。研究的方法，是通過調(diào)查問卷、訪談等，對調(diào)研數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析，并得到結(jié)論。例如，相關(guān)文獻(xiàn)通過調(diào)查、訪談等研究方法，把電子商務(wù)的購物意圖，劃分為12類。此研究的內(nèi)容，是一種商業(yè)現(xiàn)象，并分析這種商業(yè)現(xiàn)象的成因。當(dāng)前的研究過于簡單，流于表面化，對電子商務(wù)購物意圖深層次的內(nèi)容，幾乎沒有涉及。例如電子商務(wù)的意圖識(shí)別、意圖分析、意圖推理、意圖模型、意圖挖掘、意圖跳轉(zhuǎn)、意圖偏離等深層次內(nèi)容，當(dāng)前研究幾乎沒有涉及。而且，當(dāng)前研究沒有涉及進(jìn)一步的商業(yè)應(yīng)用，沒有說明當(dāng)前的研究有哪些具體的商業(yè)應(yīng)用。(2)、電子商務(wù)的個(gè)性化推薦研究。電子商務(wù)的個(gè)性化推薦研究目前主要包括兩種類型的推薦一種是基于內(nèi)容的個(gè)性化推薦；另外一種是基于協(xié)同過濾的個(gè)性化推薦?；趦?nèi)容的個(gè)性化推薦，有單純基于商品信息的推薦和商品信息結(jié)合客戶信息、歷史行為、個(gè)人喜好等進(jìn)行的推薦。單純基于商品信息的推薦，因?yàn)樯唐穼傩院芏?，系統(tǒng)無法獲取客戶興趣所在，存在較大的盲目性；結(jié)合用戶歷史行為，喜好等的推薦，由于客戶的歷史行為無法準(zhǔn)確反映客戶實(shí)時(shí)的購物意圖，同樣不適合客戶即時(shí)購物過程中的推薦。目前很多電子商務(wù)網(wǎng)站，采用基于協(xié)同過濾的個(gè)性化推薦，由于存在冷啟動(dòng)問題、數(shù)據(jù)稀疏等問題，所以同樣不能為客戶提供理想的實(shí)時(shí)推薦結(jié)果?？傊?dāng)前的研究，無法為客戶提供精準(zhǔn)的實(shí)時(shí)推薦。理想的推薦應(yīng)該迎合客戶的意圖。自動(dòng)識(shí)別客戶購物意圖，進(jìn)行相關(guān)推薦；實(shí)時(shí)跟蹤客戶購物意圖的變化，智能調(diào)整推薦策略；同時(shí)跟蹤客戶意圖跳轉(zhuǎn)軌跡，基于用戶意圖模型對客戶離散的意圖進(jìn)行聚合，深入挖掘客戶的真正意圖，并向客戶推薦相關(guān)商品。為客戶提供專業(yè)的推薦服務(wù)。

發(fā)明內(nèi)容
本發(fā)明所要解決的技術(shù)問題是針對現(xiàn)有技術(shù)的不足提供一種基于客戶購物意圖挖掘的實(shí)時(shí)商品推薦方法。本發(fā)明的技術(shù)方案如下一種基于客戶購物意圖挖掘的實(shí)時(shí)商品推薦方法，包括以下步驟
步驟I :構(gòu)建樹狀的客戶購物意圖模型；步驟2 :實(shí)時(shí)檢測用戶行為，識(shí)別用戶意圖；步驟3 :實(shí)時(shí)檢測用戶意圖變化；步驟4 :跟蹤用戶意圖變化軌跡，進(jìn)行用戶深層意圖的推測基于用戶離散的意圖，對用戶深層的意圖進(jìn)行推測，具體實(shí)現(xiàn)方式是記錄用戶意圖變化的軌跡，分析不同意圖之間的關(guān)聯(lián)關(guān)系；步驟5 :確定商品推薦策略；根據(jù)客戶的購物意圖，確定商品的推薦策略(a).如果獲取的是客戶的初次購物意圖，或者意圖沒有發(fā)生跳轉(zhuǎn)，則結(jié)合用戶意圖和當(dāng)前商品信息進(jìn)行推薦··具體實(shí)現(xiàn)方式是對用戶的購物意圖進(jìn)行分詞獲取主題詞，對當(dāng)前商品信息進(jìn)行分析，獲取當(dāng)前商品信息中的主題詞；將意圖主題詞和商品信息主題詞進(jìn)行融合，對于不重合的進(jìn)行合并，對于重合的進(jìn)行權(quán)重的加權(quán)累加；然后對融合的主題詞做語義擴(kuò)展，與網(wǎng)站中其他產(chǎn)品進(jìn)行匹配，尋找最相似的產(chǎn)品；產(chǎn)品的相似度用命中的主題詞及其語義擴(kuò)展的累加權(quán)重進(jìn)行度量；(b).如果客戶的購物意圖發(fā)生跳轉(zhuǎn)，并且根據(jù)意圖推測方法沒有獲取深層意圖，則結(jié)合用戶新的購物意圖和當(dāng)前產(chǎn)品信息進(jìn)行推薦如果通過意圖分析和比較，發(fā)現(xiàn)客戶的購物意圖發(fā)生了跳轉(zhuǎn)，但是根據(jù)已有的跳轉(zhuǎn)軌跡沒有獲取深層次意圖；對應(yīng)于用戶意圖模型，用戶的各個(gè)離散的意圖之間沒有直接的共同父結(jié)點(diǎn)；或者有共同的父結(jié)點(diǎn)，但是父結(jié)點(diǎn)已經(jīng)標(biāo)識(shí)的字節(jié)點(diǎn)比例較低；以上兩種情況下均不做用戶深層意圖的推測，根據(jù)當(dāng)前的用戶購物意圖推薦相關(guān)的產(chǎn)品；(c).如果用戶意圖發(fā)生跳轉(zhuǎn)，并且獲取了用戶深層次的意圖，則按照一定比例分別推薦跟用戶當(dāng)前意圖和用戶深層次意圖相關(guān)的產(chǎn)品如果通過意圖分析和比較，發(fā)現(xiàn)客戶的購物意圖發(fā)生了跳轉(zhuǎn)，并且根據(jù)跳轉(zhuǎn)軌跡和意圖推薦方法獲取了用戶深層的意圖，該情況下按照一定比例分別推薦跟當(dāng)前用戶意圖和用戶深層次意圖相關(guān)的產(chǎn)品；具體實(shí)現(xiàn)方式如下假設(shè)在當(dāng)前推薦位上可以推薦產(chǎn)品個(gè)數(shù)為x，根據(jù)意圖模型，當(dāng)前意圖的父結(jié)點(diǎn)共有n個(gè)子結(jié)點(diǎn)，已經(jīng)標(biāo)注為I的為m，則結(jié)合當(dāng)前意圖和產(chǎn)品信息推薦產(chǎn)品個(gè)數(shù)為xX I l|min,結(jié)合其他子結(jié)點(diǎn)意圖推薦產(chǎn)品個(gè)數(shù)為
XX-其它子結(jié)點(diǎn)意圖的選擇方式為隨機(jī)選取。
H ，所述的方法，所述步驟2中，系統(tǒng)通過三種途徑獲取用戶的購物意圖，具體包括4)分析用戶在搜索引擎中輸入的內(nèi)容；5)分析用戶通過多維導(dǎo)航獲取產(chǎn)品的路徑；6)提取用戶購買/瀏覽產(chǎn)品的共同特征；當(dāng)用戶通過搜索引擎進(jìn)行搜索時(shí)，對搜索內(nèi)容進(jìn)行分詞、語義擴(kuò)展等得到特征向量，將特征向量與意圖模型中的結(jié)點(diǎn)進(jìn)行匹配，將匹配的結(jié)點(diǎn)及其各層父結(jié)點(diǎn)標(biāo)識(shí)為I ;當(dāng)用戶通過多為導(dǎo)航獲取所需商品時(shí)，記錄用戶導(dǎo)航的完整路徑，對路徑信息進(jìn)行基于語義的分析，將所有導(dǎo)航信息及其語義擴(kuò)展與意圖模型中結(jié)點(diǎn)匹配，將匹配結(jié)點(diǎn)及其各層父結(jié)點(diǎn)標(biāo)識(shí)為I ;
在用戶購買/瀏覽的過程中，將用戶的行為信息放入緩存。對于一定時(shí)間段內(nèi)積累的緩存信息進(jìn)行分析，提取共同特征，進(jìn)行語義擴(kuò)展。基于意圖模型進(jìn)行匹配，標(biāo)識(shí)相應(yīng)意圖結(jié)點(diǎn)及其各層父結(jié)點(diǎn)。所述的方法，所述步驟3中，系統(tǒng)實(shí)時(shí)檢查用戶的意圖，將每次獲取的歷史信息進(jìn)行記錄，每次獲取用戶意圖后，都會(huì)與用戶之前的意圖進(jìn)行比較；具體實(shí)現(xiàn)方式是對兩次意圖向量基于電子商務(wù)領(lǐng)域語義字典進(jìn)行比較，如果語義完全相同，則認(rèn)為用戶意圖沒有變化，否則認(rèn)為用戶意圖發(fā)生了變化。本發(fā)明的優(yōu)點(diǎn)(a).自動(dòng)識(shí)別客戶購物意圖，進(jìn)行精準(zhǔn)的個(gè)性化推薦，提高客戶滿意度；根據(jù)客戶的搜索特征向量、多維導(dǎo)航路徑、用戶購買/瀏覽的產(chǎn)品信息，自動(dòng)識(shí)別客戶的購物意圖，了解客戶真正感興趣的商品屬性，從而進(jìn)行相關(guān)商品的推薦，推薦結(jié)果更加精準(zhǔn)。同時(shí)客戶的購物意圖與客戶的購物滿意度之間，存在著正相關(guān)的關(guān)系。識(shí)別客戶 的購物意圖，并根據(jù)客戶的購物意圖向客戶推薦相關(guān)的商品，就會(huì)提高客戶的購物滿意度，增強(qiáng)客戶的粘性，培養(yǎng)忠誠客戶。(b).自動(dòng)檢測客戶購物意圖的變化，并調(diào)整商品推薦策略。實(shí)時(shí)適應(yīng)客戶不斷變化的興趣；根據(jù)客戶搜索特征向量的變化、客戶關(guān)注商品類別以及購買/瀏覽產(chǎn)品信息的變化等，自動(dòng)檢測客戶購物意圖的變化，同時(shí)根據(jù)客戶新的購物意圖，調(diào)整推薦策略，推薦與客戶最新意圖相關(guān)度最高的商品。這樣的商品推薦更加有針對性、更加準(zhǔn)確、更加智能化。隨著客戶購物意圖的變化，客戶的購物意圖模型通過機(jī)器學(xué)習(xí)，調(diào)整自身的參數(shù)，可以自適應(yīng)客戶購物意圖的變化，并有針對性的向客戶推薦商品。實(shí)時(shí)適應(yīng)用戶不斷變化地購物興趣。(c).基于用戶意圖模型，深入挖掘客戶深層購物意圖，為用戶提供專業(yè)化的推薦服務(wù)；在樹狀的客戶購物意圖模型上面，客戶的購物意圖表現(xiàn)為一個(gè)個(gè)離散的點(diǎn)，每個(gè)點(diǎn)代表某時(shí)間段客戶對某商品類別的購物意圖，將這些離散的點(diǎn)進(jìn)行聚類和深層挖掘，從而得到客戶真正的購物意圖，為用戶提供專業(yè)化的推薦服務(wù)。


圖I基于用戶購物意圖推薦流程圖；圖2樹狀的客戶購物意圖模型；
具體實(shí)施例方式以下結(jié)合具體實(shí)施例，對本發(fā)明進(jìn)行詳細(xì)說明。Stepl :構(gòu)建樹狀的客戶購物意圖模型。基于電子商務(wù)網(wǎng)站的分類體系，構(gòu)建樹形的用戶意圖模型，意圖模型的深度以4層左右為宜。每一個(gè)用戶意圖模型都是電子商務(wù)網(wǎng)站分類體系的子部分。如圖2所示，每一個(gè)結(jié)點(diǎn)對應(yīng)一個(gè)標(biāo)識(shí)0或者1，初始值均為0，用于標(biāo)識(shí)用戶的購物意圖。當(dāng)系統(tǒng)獲取用戶意圖時(shí)，判斷是否當(dāng)前意圖已經(jīng)標(biāo)識(shí)為1，若已經(jīng)標(biāo)識(shí)則意圖模型不變，否則將相應(yīng)意圖結(jié)點(diǎn)及其各層父結(jié)點(diǎn)標(biāo)識(shí)為I。說明用戶有相應(yīng)的購物意圖。St印2 :實(shí)時(shí)檢測用戶行為，識(shí)別用戶意圖。系統(tǒng)通過三種途徑獲取用戶的購物意圖，具體包括7)分析用戶在搜索引擎中輸入的內(nèi)容8)分析用戶通過多維導(dǎo)航獲取產(chǎn)品的路徑 9)提取用戶購買/瀏覽產(chǎn)品的共同特征。當(dāng)用戶通過搜索引擎進(jìn)行搜索時(shí)，對搜索內(nèi)容進(jìn)行分詞、語義擴(kuò)展等得到特征向量，將特征向量與意圖模型中的結(jié)點(diǎn)進(jìn)行匹配，將匹配的結(jié)點(diǎn)及其各層父結(jié)點(diǎn)標(biāo)識(shí)為I。當(dāng)用戶通過多為導(dǎo)航獲取所需商品時(shí)，記錄用戶導(dǎo)航的完整路徑，對路徑信息進(jìn)行基于語義的分析，將所有導(dǎo)航信息及其語義擴(kuò)展與意圖模型中結(jié)點(diǎn)匹配，將匹配結(jié)點(diǎn)及其各層父結(jié)點(diǎn)標(biāo)識(shí)為I。在用戶購買/瀏覽的過程中，將用戶的行為信息放入緩存。對于一定時(shí)間段內(nèi)積累的緩存信息進(jìn)行分析，提取共同特征，進(jìn)行語義擴(kuò)展?；谝鈭D模型進(jìn)行匹配，標(biāo)識(shí)相應(yīng)意圖結(jié)點(diǎn)及其各層父結(jié)點(diǎn)。step3 :實(shí)時(shí)檢測用戶意圖變化系統(tǒng)實(shí)時(shí)檢查用戶的意圖，將每次獲取的歷史信息進(jìn)行記錄，每次獲取用戶意圖后，都會(huì)與用戶之前的意圖進(jìn)行比較。具體實(shí)現(xiàn)方式是對兩次意圖向量基于電子商務(wù)領(lǐng)域語義字典進(jìn)行比較。如果語義完全相同，則認(rèn)為用戶意圖沒有變化，否則認(rèn)為用戶意圖發(fā)生了變化。step4 :跟蹤用戶意圖變化軌跡，進(jìn)行用戶深層意圖的推測基于用戶離散的意圖，對用戶深層的意圖進(jìn)行推測。具體實(shí)現(xiàn)方式是記錄用戶意圖變化的軌跡，分析不同意圖之間的關(guān)聯(lián)關(guān)系，比如用戶多次跳轉(zhuǎn)的意圖都屬于意圖模型中同一個(gè)父結(jié)點(diǎn)的子節(jié)點(diǎn)，并且用戶已經(jīng)關(guān)注的結(jié)點(diǎn)個(gè)數(shù)大于一定閥值(比如大于2)或者所占百分比大于一定的比例(比如大于50%，用于子結(jié)點(diǎn)個(gè)數(shù)較少的情況，比如總共三個(gè)子結(jié)點(diǎn))，則認(rèn)為用戶實(shí)際上對父類的其他產(chǎn)品應(yīng)該也有興趣。比如用戶先后從冰箱類、跳轉(zhuǎn)到洗衣機(jī)類、然后是空調(diào)類，這時(shí)可以判斷用戶對其他大家電可能會(huì)有興趣，比如平板電視、家庭影院等。step5 :確定商品推薦策略根據(jù)客戶的購物意圖，確定商品的推薦策略。(a).如果獲取的是客戶的初次購物意圖，或者意圖沒有發(fā)生跳轉(zhuǎn)，則結(jié)合用戶意圖和當(dāng)前商品信息進(jìn)行推薦。具體實(shí)現(xiàn)方式是對用戶的購物意圖進(jìn)行分詞獲取主題詞，對當(dāng)前商品信息進(jìn)行分析，獲取當(dāng)前商品信息中的主題詞。將意圖主題詞和商品信息主題詞進(jìn)行融合，對于不重合的進(jìn)行合并，對于重合的進(jìn)行權(quán)重的加權(quán)累加。大部分情況下意圖主題詞跟產(chǎn)品信息主題詞是重合的，至少語義上是重合的，因此能夠突顯用戶的購物意圖。然后對融合的主題詞做語義擴(kuò)展，與網(wǎng)站中其他產(chǎn)品進(jìn)行匹配，尋找最相似的產(chǎn)品。產(chǎn)品的相似度用命中的主題詞及其語義擴(kuò)展的累加權(quán)重進(jìn)行度量(b).如果客戶的購物意圖發(fā)生跳轉(zhuǎn)，并且根據(jù)我們的意圖推測方法沒有獲取深層意圖，則結(jié)合用戶新的購物意圖和當(dāng)前產(chǎn)品信息進(jìn)行推薦
如果通過意圖分析和比較，發(fā)現(xiàn)客戶的購物意圖發(fā)生了跳轉(zhuǎn)，但是根據(jù)已有的跳轉(zhuǎn)軌跡沒有獲取深層次意圖。對應(yīng)于我們的用戶意圖模型，用戶的各個(gè)離散的意圖之間沒有直接的共同父結(jié)點(diǎn)。比如用戶從冰箱跳轉(zhuǎn)到了加濕器，我們認(rèn)為用戶的購物意圖之間沒有關(guān)聯(lián)或者關(guān)聯(lián)較弱，如果進(jìn)行用戶意圖進(jìn)行推測，只能推測出用戶對家用電器有興趣，基于此進(jìn)行推薦因?yàn)榉秶^于寬泛而沒有意義?；蛘哂泄餐母附Y(jié)點(diǎn)，但是父結(jié)點(diǎn)已經(jīng)標(biāo)識(shí)的字節(jié)點(diǎn)比例較低，比如大家電有13個(gè)子類，目前用戶只瀏覽過兩個(gè)子類，比如從冰箱跳轉(zhuǎn)到洗衣機(jī)，該情況下我們認(rèn)為規(guī)律性還不夠強(qiáng)，進(jìn)行意圖推測準(zhǔn)確率可能不高。因此以上兩種情況下均不做用戶深層意圖的推測，根據(jù)當(dāng)前的用戶購物意圖推薦相關(guān)的產(chǎn)品，既推薦加濕器相關(guān)的產(chǎn)品。(c).如果用戶意圖發(fā)生跳轉(zhuǎn)，并且獲取了用戶深層次的意圖，則按照一定比例分別推薦跟用戶當(dāng)前意圖和用戶深層次意圖相關(guān)的產(chǎn)品。
如果通過意圖分析和比較，發(fā)現(xiàn)客戶的購物意圖發(fā)生了跳轉(zhuǎn)，并且根據(jù)跳轉(zhuǎn)軌跡和我們的意圖推薦方法獲取了用戶深層的意圖。該情況下按照一定比例分別推薦跟當(dāng)前用戶意圖和用戶深層次意圖相關(guān)的產(chǎn)品。具體實(shí)現(xiàn)方式如下假設(shè)在當(dāng)前推薦位上可以推薦產(chǎn)品個(gè)數(shù)為x，根據(jù)意圖模型，當(dāng)前意圖的父結(jié)點(diǎn)共有n個(gè)子結(jié)點(diǎn)，已經(jīng)標(biāo)注為I的為m。則結(jié)合當(dāng)前意圖和產(chǎn)品信息推薦產(chǎn)品個(gè)數(shù)為xX 11 |min)，結(jié)合其他子結(jié)點(diǎn)意圖推薦產(chǎn)品個(gè)數(shù)
為XX=其它子結(jié)點(diǎn)意圖的選擇方式為隨機(jī)選取。該推薦方式既考慮了用戶的當(dāng)前意圖， n
又考慮了用戶深層次的意圖。隨著用戶深層意圖的逐漸突顯，結(jié)合用戶深層次意圖推薦的產(chǎn)品數(shù)目逐漸增加。比如用戶先后瀏覽了大家電13個(gè)子分類中的3個(gè)跟10個(gè)的意圖明顯程度不同，因此推薦大家電其它產(chǎn)品的數(shù)量也不同。系統(tǒng)會(huì)自適應(yīng)于深層意圖的顯現(xiàn)程度進(jìn)行相應(yīng)推薦策略的調(diào)整。推薦更加智能。應(yīng)當(dāng)理解的是，對本領(lǐng)域普通技術(shù)人員來說，可以根據(jù)上述說明加以改進(jìn)或變換，而所有這些改進(jìn)和變換都應(yīng)屬于本發(fā)明所附權(quán)利要求的保護(hù)范圍。
權(quán)利要求
1.一種基于客戶購物意圖挖掘的實(shí)時(shí)商品推薦方法，其特征在于，包括以下步驟 步驟I:構(gòu)建樹狀的客戶購物意圖模型； 步驟2 :實(shí)時(shí)檢測用戶行為，識(shí)別用戶意圖； 步驟3 :實(shí)時(shí)檢測用戶意圖變化； 步驟4 :跟蹤用戶意圖變化軌跡，進(jìn)行用戶深層意圖的推測 基于用戶離散的意圖，對用戶深層的意圖進(jìn)行推測，具體實(shí)現(xiàn)方式是記錄用戶意圖變化的軌跡，分析不同意圖之間的關(guān)聯(lián)關(guān)系； 步驟5 :確定商品推薦策略； 根據(jù)客戶的購物意圖，確定商品的推薦策略 (a).如果獲取的是客戶的初次購物意圖，或者意圖沒有發(fā)生跳轉(zhuǎn)，則結(jié)合用戶意圖和當(dāng)前商品信息進(jìn)行推薦 具體實(shí)現(xiàn)方式是對用戶的購物意圖進(jìn)行分詞獲取主題詞，對當(dāng)前商品信息進(jìn)行分析，獲取當(dāng)前商品信息中的主題詞；將意圖主題詞和商品信息主題詞進(jìn)行融合，對于不重合的進(jìn)行合并，對于重合的進(jìn)行權(quán)重的加權(quán)累加；然后對融合的主題詞做語義擴(kuò)展，與網(wǎng)站中其他產(chǎn)品進(jìn)行匹配，尋找最相似的產(chǎn)品；產(chǎn)品的相似度用命中的主題詞及其語義擴(kuò)展的累加權(quán)重進(jìn)行度量； (b).如果客戶的購物意圖發(fā)生跳轉(zhuǎn)，并且根據(jù)意圖推測方法沒有獲取深層意圖，則結(jié)合用戶新的購物意圖和當(dāng)前產(chǎn)品信息進(jìn)行推薦 如果通過意圖分析和比較，發(fā)現(xiàn)客戶的購物意圖發(fā)生了跳轉(zhuǎn)，但是根據(jù)已有的跳轉(zhuǎn)軌跡沒有獲取深層次意圖；對應(yīng)于用戶意圖模型，用戶的各個(gè)離散的意圖之間沒有直接的共同父結(jié)點(diǎn)；或者有共同的父結(jié)點(diǎn)，但是父結(jié)點(diǎn)已經(jīng)標(biāo)識(shí)的字節(jié)點(diǎn)比例較低；以上兩種情況下均不做用戶深層意圖的推測，根據(jù)當(dāng)前的用戶購物意圖推薦相關(guān)的產(chǎn)品； (c).如果用戶意圖發(fā)生跳轉(zhuǎn)，并且獲取了用戶深層次的意圖，則按照一定比例分別推薦跟用戶當(dāng)前意圖和用戶深層次意圖相關(guān)的產(chǎn)品 如果通過意圖分析和比較，發(fā)現(xiàn)客戶的購物意圖發(fā)生了跳轉(zhuǎn)，并且根據(jù)跳轉(zhuǎn)軌跡和意圖推薦方法獲取了用戶深層的意圖，該情況下按照一定比例分別推薦跟當(dāng)前用戶意圖和用戶深層次意圖相關(guān)的產(chǎn)品；具體實(shí)現(xiàn)方式如下假設(shè)在當(dāng)前推薦位上可以推薦產(chǎn)品個(gè)數(shù)為X，根據(jù)意圖模型，當(dāng)前意圖的父結(jié)點(diǎn)共有η個(gè)子結(jié)點(diǎn)，已經(jīng)標(biāo)注為I的為m，則結(jié)合當(dāng)前意圖和產(chǎn)品信息推薦產(chǎn)品個(gè)數(shù)為XX |1|1^11，結(jié)合其他子結(jié)點(diǎn)意圖推薦產(chǎn)品個(gè)數(shù)為^￥2其它 H ，子結(jié)點(diǎn)意圖的選擇方式為隨機(jī)選取。
2.根據(jù)權(quán)利要求I所述的方法，其特征在于，所述步驟2中，系統(tǒng)通過三種途徑獲取用戶的購物意圖，具體包括 1)分析用戶在搜索引擎中輸入的內(nèi)容； 2)分析用戶通過多維導(dǎo)航獲取產(chǎn)品的路徑； 3)提取用戶購買/瀏覽產(chǎn)品的共同特征； 當(dāng)用戶通過搜索引擎進(jìn)行搜索時(shí)，對搜索內(nèi)容進(jìn)行分詞、語義擴(kuò)展等得到特征向量，將特征向量與意圖模型中的結(jié)點(diǎn)進(jìn)行匹配，將匹配的結(jié)點(diǎn)及其各層父結(jié)點(diǎn)標(biāo)識(shí)為I ; 當(dāng)用戶通過多為導(dǎo)航獲取所需商品時(shí)，記錄用戶導(dǎo)航的完整路徑，對路徑信息進(jìn)行基于語義的分析，將所有導(dǎo)航信息及其語義擴(kuò)展與意圖模型中結(jié)點(diǎn)匹配，將匹配結(jié)點(diǎn)及其各層父結(jié)點(diǎn)標(biāo)識(shí)為I; 在用戶購買/瀏覽的過程中，將用戶的行為信息放入緩存。對于一定時(shí)間段內(nèi)積累的緩存信息進(jìn)行分析，提取共同特征，進(jìn)行語義擴(kuò)展。基于意圖模型進(jìn)行匹配，標(biāo)識(shí)相應(yīng)意圖結(jié)點(diǎn)及其各層父結(jié)點(diǎn)。
3.根據(jù)權(quán)利要求I所述的方法，其特征在于，所述步驟3中，系統(tǒng)實(shí)時(shí)檢查用戶的意圖，將每次獲取的歷史信息進(jìn)行記錄，每次獲取用戶意圖后，都會(huì)與用戶之前的意圖進(jìn)行比較；具體實(shí)現(xiàn)方式是對兩次意圖向量基于電子商務(wù)領(lǐng)域語義字典進(jìn)行比較，如果語義完全相同，則認(rèn)為用戶意圖沒有變化，否則認(rèn)為用戶意圖發(fā)生了變化。
全文摘要
本發(fā)明公開了一種基于客戶購物意圖挖掘的實(shí)時(shí)商品推薦方法，包括以下步驟步驟1構(gòu)建樹狀的客戶購物意圖模型；步驟2實(shí)時(shí)檢測用戶行為，識(shí)別用戶意圖；步驟3實(shí)時(shí)檢測用戶意圖變化；步驟4跟蹤用戶意圖變化軌跡，進(jìn)行用戶深層意圖的推測基于用戶離散的意圖，對用戶深層的意圖進(jìn)行推測；步驟5確定商品推薦策略；根據(jù)客戶的購物意圖，確定商品的推薦策略。本發(fā)明的優(yōu)點(diǎn)自動(dòng)識(shí)別客戶購物意圖，進(jìn)行精準(zhǔn)的個(gè)性化推薦，提高客戶滿意度；自動(dòng)檢測客戶購物意圖的變化，并調(diào)整商品推薦策略。實(shí)時(shí)適應(yīng)客戶不斷變化的興趣；基于用戶意圖模型，深入挖掘客戶深層購物意圖，為用戶提供專業(yè)化的推薦服務(wù)。
文檔編號(hào)G06Q30/02GK102800006SQ20121025569
公開日2012年11月28日 申請日期2012年7月23日 優(yōu)先權(quán)日2012年7月23日
發(fā)明者姚明東 申請人:姚明東