CN102479366A

CN102479366A - 一种商品推荐方法及系统

Info

Publication number: CN102479366A
Application number: CN2010105601853A
Authority: CN
Inventors: 常富洋; 周洪喜
Original assignee: Alibaba Group Holding Ltd
Current assignee: Alibaba Group Holding Ltd
Priority date: 2010-11-25
Filing date: 2010-11-25
Publication date: 2012-05-30

Abstract

本申请公开了一种商品推荐方法及系统，一种商品推荐方法包括：获取用户的行为数据，所述行为数据包括：用户在网站的点击行为数据，或用户在网站的搜索行为数据；根据所述行为数据，确定所述用户的兴趣商品类目；在所确定的兴趣商品类目中，选取商品向所述用户推荐。本申请实施例所提供的技术方案，能够根据用户的行为数据确定用户的兴趣商品类目，并从用户的兴趣商品类目中选取商品向用户推荐。可以减少个人用户的无效浏览、点击等行为，提升购物感受。从购物网站的角度而言，除了可以提高网站交易量之外，还可以有效减轻网站服务器的负担，节省网络带宽资源占用。

Description

一种商品推荐方法及系统

技术领域

本申请涉及网络技术领域，特别是涉及一种商品推荐方法及系统。

背景技术

随着电子商务的不断发展，越来越多的用户选择在网上进行购物。用户通过浏览器访问购物网站，就可以方便地选择自己所需要的商品。根据用户的购买意图，可以将浏览购物网站的用户分为两类：一种是具有明确购买意图的用户，这种用户会直接通过网站的搜索引擎找到自己感兴趣的商品，在搜索结果中进行一定的比较和选择，最后决定是否购买；另一种则是不具有明确购买意图的用户，相对而言，这种用户在浏览购物网站时就像逛街一样，只是到处看看，如果遇到合适的商品，就有可能顺手买下。

在用户浏览购物网站选择商品的过程中，购物网站推荐系统起着十分重要的作用，特别是不具有明确购买意图的用户，会有很大的几率直接购买推荐系统所推荐的商品。一个高效的推荐系统，不仅可以方便用户使用、提高购物网站的交易量，更重要的是能够减少用户漫无目的浏览、点击等行为，从而减轻网站服务器的负担，节省网络带宽资源占用。

在现有的购物网站中，用户在购买商品以后可以对所购买的商品进行评分。例如，购物网站使用1到5的数字型评分规则，用户可以选择1分到5分之间的任何一个整数进行评分。每一个分数都代表着一种评价，5分代表非常满意，1分代表非常不满意。购物网站的推荐系统利用用户的评分进行推荐，例如，选取用户评分均值最高的一种或多种商品进行推荐。

现有的商品推荐方式，实际上是根据多数用户的兴趣或喜好来对商品进行统一推荐，然而具体到个体用户，其个人爱好很可能与其他人完全不同，这种情况下，用户无法获得更好的网上购物感受，而这些用户的浏览、点击等行为也会为网站服务器增加额外的负担，推荐系统实际上已经无法起到应有的作用。

发明内容

为解决上述技术问题，本申请实施例提供一种商品推荐方法及系统，以实现根据个体用户的需求推荐商品，从而提高用户购物感受、减轻购物网站服务器的负担，节省网络带宽资源占用。

本申请实施例提供一种商品推荐方法，包括：

获取用户的行为数据，所述行为数据包括：用户在网站的点击行为数据，或用户在网站的搜索行为数据；

根据所述行为数据，确定所述用户的兴趣商品类目；

在所确定的兴趣商品类目中，选取商品向所述用户推荐。

本申请实施例还提供一种商品推荐系统，包括：

行为数据获取模块，获取用户的行为数据，所述行为数据包括：用户在网站的点击行为数据，或用户在网站的搜索行为数据；

兴趣类目确定模块，用于根据所述行为数据，确定所述用户的兴趣商品类目；

推荐模块，用于在所确定的兴趣商品类目中，选取商品向所述用户推荐。

本申请实施例所提供的技术方案，能够根据用户的行为数据确定用户的兴趣商品类目，并从用户的兴趣商品类目中选取商品向用户推荐。与现有的商品推荐方案相比，本申请实施例的方案能够针对不同个人用户的兴趣，分别进行商品推荐。因此可以减少个人用户的无效浏览、点击等行为，提升购物感受。从购物网站的角度而言，除了可以提高网站交易量之外，还可以有效减轻网站服务器的负担，节省网络带宽资源占用。

附图说明

为了更清楚地说明本申请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申请中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。

图1为本申请实施例的商品推荐系统的应用架构示意图；

图2为本申请实施例商品推荐方法的一种流程图；

图3为本申请实施例商品推荐方法的另一种流程图；

图4为本申请实施例商品推荐系统的一种结构示意图；

图5为本申请实施例商品推荐系统的第二种结构示意图；

图6为本申请实施例商品推荐系统的第三种结构示意图；

图7为本申请实施例商品推荐系统的第四种结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本申请中的技术方案，下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员所获得的所有其他实施例，都应当属于本申请保护的范围。

首先对本申请实施例中的商品推荐系统的应用架构进行简单说明，参见图1所示，该系统包括至少一个用户终端100，以及购物网站服务器200。

在本申请实施例所提供的技术方案中，购物网站服务器200除了具有基本的网络商品交易处理功能之外，还具有向用户进行商品推荐的功能。在实际应用中，购物网站服务器200可以是服务器群的形式，其可以由多个不同功能的服务器组成，包括交易服务器、数据库服务器等等。其中，可以将具有商品推荐功能的模块置于交易服务器中，也可以设置一个具有独立商品推荐功能的服务器与交易服务器协同工作，本实施例对此并不进行限定。

下面对本申请实施例提供的一种商品推荐方法进行说明，包括以下步骤：

获取所述用户的行为数据，所述行为数据包括：用户在网站的点击行为数据，或用户在网站的搜索行为数据；

根据所获取的行为数据，确定用户的兴趣商品类目；

在所确定的兴趣商品类目中，选取商品向用户推荐。

上述方案可以在用户登录网站后执行，上述方案的执行主体，可以是一个独立的具有商品推荐功能的服务器设备，也可以是位于其他服务器设备中的一个功能实体。最终的推荐结果中可以包括一种或多种商品的相关信息，这些商品的信息可以是在购物网页的侧边栏、或者弹出窗口中以推荐列表的形式向用户展现。当然，本领域技术人员可以理解的是，还可以采用其他的方式向用户展现推荐结果，本申请对此并不进行限定。

本申请实施例所提供的技术方案，根据用户的行为数据确定用户的兴趣商品类目，并从用户的兴趣商品类目中选取相应的商品向用户推荐。与现有的商品推荐方案相比，本申请实施例方案是针对不同个人用户的兴趣，分别进行商品推荐。因此可以减少个人用户的无效浏览、点击等行为，提升购物感受。从购物网站的角度而言，除了可以提高网站交易量之外，还可以有效减轻网站服务器的负担，节省网络带宽资源占用。

下面结合具体的实施例方式，对本申请实施例提供的商品推荐方法进行说明。

图2所示为本申请实施例所提供的一种商品推荐方法的流程图。该方法可以包括以下步骤：

S101，获取所述用户的行为数据；

本申请实施例方案，可以在用户登录网站后，基于用户的行为的历史数据，对用户的购买兴趣进行分析，作为商品推荐的依据。对于在网站上进行注册的用户，系统都会记录用户的各种行为，并将这些行为记录在用户日志中。常见的用户行为数据包括用户的点击行为数据(例如曾经点击过哪些页面、点击页面的次数)和搜索行为数据(例如曾经使用过哪些搜索关键词、使用搜索关键词的次数)。对于电子商务网站而言，用户的行为数据还可以包括用户的卖、买行为数据等等。当然，对于不同应用的网站，所记录的具体行为数据的种类也各不相同。本领域技术人员也可以根据实际的应用需求，获取不同类型的用户行为数据用作兴趣分析，本实施例对此并不进行限定。

本申请实施例方案中，通过用户日志获取用户的各种行为数据，在实际应用中，可以获取用户从注册时间开始至今的行为数据作为计算用户兴趣度的依据。而考虑到用户的兴趣很可能是随着时间阶段性变化的，因此也可以选择用户在最近一段时间(例如一周、30天等等)的行为数据作为计算用户短期兴趣度的依据。本领域技术人员可以根据实际需求对所查询时间段进行设定。

S102，根据所获取的行为数据，确定用户的兴趣商品类目；

本实施例所提供的方案，可以依据用户在购物网站的点击行为数据或搜索行为数据来确定用户的兴趣商品类目。以下将分别进行说明：

1)根据用户的点击行为数据，确定用户的兴趣商品类目：

其中，所述用户行为数据可以是用户在所述网站的点击行为数据；所述根据所述行为数据，确定所述用户的兴趣商品类目包括：

根据用户对所述商品类目的点击概率、所述商品类目被用户随机点击的概率以及所述商品类目平均被点击的概率，判断用户对所述商品类目的点击概率是否大于所述商品类目被用户随机点击的概率与所述商品类目被平均点击的概率之和，如果是，则将该商品类目确定为用户的兴趣商品类目。

进一步地，可具体包括以下步骤：

a1：计算用户user_i对每个商品类目cat_j的点击概率P_usercat(user_i，cat_j)：

P_{usercat} ({user}_{i}, {cat}_{j}) = \frac{{count}_{i} ({cat}_{j})}{\underset{k &Element; u_{i}}{Σ} {count}_{i} ({cat}_{k})}

其中，P_usercat(user_i，cat_j)为用户user_i对商品类目cat_j的点击概率，count_i(cat_j)为用户user_i对商品类目cat_j及此商品类目下商品的点击次数，

为用户user_i对所有商品类目及商品类目下商品的点击次数，U_i为用户user_i点击的所有商品类目编号的集合；

b1：计算每个商品类目cat_j平均被点击的概率P_cat(cat_j)：

由于每个商品类目的受欢迎的程度不同，难免有的类目点击的次数比较高，有的类目点击的次数比较低，为了消除类目点击用户点击次数对类目兴趣判断的影响，引入了类目点击概率，计算方法如下：

P_{cat} ({cat}_{j}) = \frac{{count}_{0} ({cat}_{j})}{\underset{k &Element; U_{0}}{Σ} {count}_{0} ({cat}_{k})}

其中，P_cat(cat_j)为商品类目cat_j平均被点击的概率，count₀(cat_j)为商品类目cat_j下所有商品的数量，

为所有商品类目下商品的总数量，U₀为所有商品类目编号的集合；

c1：计算用户随机点击每个商品类目的概率P_randomcat(cat_j)：

假设用户没有感兴趣的商品类目，即用户对每个类目的点击行为都是随机的，此时认为用户对每个类目的点击为均匀分布。计算类目平均分布时不考虑用户对类目的点击计数，只考虑用户访问的类目的个数，计算方式如下：

P_{randomcat} ({cat}_{j}) = \frac{1}{count (U_{0})}

其中，P_randomcat(cat_j)为商品类目cat_j被用户随机点击的概率，count(U₀)为商品类目的个数，其中，U₀为所有商品类目编号的集合；例如，某网站共有3个商品类目，则用户随机点击每个商品类目的概率为1/3。

d1：判断P_usercat(user_i，cat_j)＞P_randomcat(cat_j)+P_cat(cat_j)是否成立，如果是，则将商品类目cat_j确定为用户user_i的兴趣商品类目。

在以上步骤的公式中，i表示用户的编号，j表示商品类目的编号，i、j的取值一般可以用自然数来表示，U₀表示所有商品类目编号的集合。例如，用户1共点击过cat₁、cat₂、cat₃三个商品类目，根据步骤a1，得出用户1对3个类目的点击概率分别为0.8、0.1、0.1；根据步骤b1，得到在不考虑点击次数的情况下，三个类目的点击概率分别为0.3、0.2、0.2；根据步骤c1，得到用户随机点击每个商品类目的概率均为1/3；那么，根据步骤d1，可得到对于cat₁而言，不等式是成立的，因此可以确定用户1的兴趣商品类目为cat₁。

由于本申请方案是针对不同的用户(对应不同的i取值)进行商品推荐，而上述步骤b1中的P_cat(cat_j)与步骤c1中的P_randomcat(cat_j)是与用户无关的，因此，可以预先对P_cat(cat_j)及P_randomcat(cat_j)的值进行存储。即不需要在每次推荐过程中都执行b1和c1的计算步骤，而仅在在商品类目或商品类目下的商品发生变化时，再对P_cat(cat_j)、P_randomcat(cat_j)的数值进行更新。

此外，可以理解的是，上述的步骤a1、b1、c1的执行顺序也可以交换，或者并列执行，这些并不影响本实施例技术方案的实现。

2)根据用户的搜索行为数据，确定用户的兴趣商品类目：

在用户行为数据中，一般还包括用户的搜索行为数据，包括用户使用过哪些关键词进行搜索、关键词的使用次数等等。这些数据也可以用来确定用户的兴趣商品类目，该方案具体可以包括以下步骤：

a2、从所述搜索行为数据中，提取用户使用过的搜索关键词以及搜索关键词的使用次数；

b2、根据搜索关键词与商品的对应关系，得到用户对商品的搜索次数；

在电子商务网站中，最常见的搜索行为是以商品名称作为关键词进行搜索，可以认为，用户每使用这种关键词搜索一次，就相当于对相应的商品做了一次搜索。

当然，在实际使用过程中，用户可能并不会使用完整的商品名称进行搜索，例如，商品的完整名称为“X(品牌)Y型号手机”，那么，用户很可能会只使用X或Y作为关键词进行搜索；或者，对于一些大型电子商务网站，用户也可能以商家名称等作为关键词进行搜索。针对这种情况，为了便于统计，可以根据所有用户的历史搜索行为，预先选取出一定数量的使用频率较高、或者比较具有代表性的关键词作为统计的依据。所选取的每个关键词都对应一种确定的商品，这样，一旦检测到用户所使用的搜索关键词与这些预置的关键词匹配，就可以认为用户对相应的商品做了一次搜索。

c2、根据商品与商品类目的对应关系，统计用户对每种商品类目的搜索次数；

d2、选取具有最高搜索次数的至少一个商品类目，将选取结果确定为所述用户的兴趣商品类目。

一般而言，用户的搜索行为往往能够直接体现用户的购买兴趣，因此，根据用户的搜索行为数据进行商品推荐，也可以收到较好的效果。当然，在实际应用中，还可以把用户直接使用商品类目名称作为搜索关键词的情况纳入用户对每种商品类目的搜索次数统计，以使统计更加完善。

S103，在所确定的兴趣商品类目中，选取商品向用户推荐。

在该步骤中，可以推荐该兴趣商品类目下的热销商品、优质商品或新进商品，最终的推荐结果中，可以包括一种或多种商品的相关信息，这些信息可以以推荐列表的形式向用户展现。

以上，提供了两种根据用户的行为数据进行商品推荐的具体方案，在实际应用中，这两种方案可以分别单独使用，也可以共同使用。例如，根据用户的点击行为数据和搜索行为数据，分别得到两组推荐结果，系统对这两组推荐结果进行综合处理，综合处理的方式可以是将两组推荐结果分别展示给用户，并且告知每组结果的推荐依据，让用户根据个人需求进行选择；当然，也可以分别从两组推荐结果中随机选取一部分，混合之后展示给用户。本实施例对具体的综合处理方式并不进行限定。

在本申请的另一个实施例中，上述步骤S103的一种具体实现方式还可以是：根据用户在网站的购买行为数据进行商品推荐，即：在应用上述实施例方案确定某个用户的兴趣商品类目后，进一步根据该用户的购买行为数据，判断该用户是否已购买过所述兴趣商品类目中的商品；如果是，则根据用户已购买商品的信息，选取商品向用户推荐，以实现更为准确的推荐结果。

其中，根据已购买商品的信息，选取商品向用户推荐具体可以采用以下几种方案：

1)计算所述已购买商品与其所属商品类目下其他商品的相似度，选取与所述已购买商品相似度最高的至少一种商品向所述用户推荐；

其中，两种商品A和B的之间的相似度sim(A，B)可以根据以下公式计算：

sim (A, B) = \frac{| U_{A} \cap U_{B} |}{| U_{A} \cup U_{B} |}

U_A表示购买过商品A的用户集合，U_B表示购买过商品B的用户集合，|U_A∩U_B|表示购买过商品A和商品B的用户总人数，|U_A∪U_B|表示购买过商品A或商品B的用户总人数。

上述方法是根据不同用户购买行为的相似性来确定商品之间的相似性，例如，有6名用户曾购买过商品A，有5名用户曾购买过商品B，其中有2名用户既购买过商品A又购买过商品B，那么，可以得到|U_A∩U_B|＝2，|U_A∪U_B|＝9，则商品A和B的之间的相似度为2/9。

假设用户曾经购买过商品类目1下的商品A，那么应用上述公式，可以分别计算出商品A与类目1下其他商品的相似度。进一步，可以按照商品A与类目1下其他商品的相似度排列的大小顺序，选取相似度最高的一种或多种商品，作为向当前用户推荐的商品；当然，也可以预先设置一个相似性阈值，如果某种商品的与商品A的相似度不小于该阈值，则可以对将这种商品加入推荐列表中，推荐给当前用户。

2)判断用户已购买商品是否为周期性消费商品；如果是，则向所述用户推荐所述已购买商品。

有些商品是具有比较固定的使用周期的，例如化妆品。如果用户已购买的商品属于这类周期性消费商品，那么系统可以判断用户本次登录网站时间与最近一次购买该商品的时间的间隔是否大于该商品的平均使用周期；如果是，则认为用户上次所购买的商品可能已经使用完毕，有了新的购买需求，从而可以向该用户再次推荐这种商品。

可以理解的是“否为周期性消费商品”是商品的一种固有属性，同时，对于周期性消费商品，还应该包括“平均使用周期”的属性。

3)判断用户已购买商品是否具有关联商品；如果是，则向所述用户推荐所述已购买商品的关联商品。

有些商品存在一些关联商品，例如，对于手机而言，其关联商品可能包括相应型号的电池、手机套等等，这些关联商品的信息也可以作为商品的一种固有属性。如果用户所购买过的商品存在关联商品，那么系统可以将这些关联商品加入推荐列表中，推荐给当前用户。

以上，提供了三种根据已购买商品的信息进行商品推荐的具体方案，在实际应用中，这三种方案可以分别单独使用，将所得到的不同推荐结果分别加入推荐列表中。也可以按照一定的顺序执行上述三种方案，图3示出了一种顺序执行上述三种方案的商品推荐方法的流程图，包括以下步骤：

S201，获取用户的行为数据；

S202，根据用户的行为数据，确定用户的兴趣商品类目；

S203，根据用户的购买行为数据，判断该用户是否已购买过所述兴趣商品类目中的商品，如果是，则执行步骤S204；

其中，步骤S201和S202的实现方式可以与S101和S102类似。而在S203中，首先判断用户是否已购买过所述兴趣商品类目中的商品，如果是，则执行后续的步骤，以实现更为准确的推荐结果。如果否，则可以直接按照S103的方式，例如推荐该兴趣商品类目下的热销商品、优质商品或新进商品等。。

S204，判断用户已购买商品是否为周期性消费商品，如果是，执行步骤S205，否则执行步骤S207；

S205，用户本次登录网站时间与最近一次购买该商品的时间的间隔是否大于该商品的平均使用周期，如果是，执行步骤S206，否则，执行步骤S207；

S206，向用户推荐所述已购买商品；

S207，判断用户已购买商品是否具有关联商品，如果是，则执行步骤S208，否则执行步骤S209；

S208，向用户推荐所述已购买商品的关联商品；

S209，计算所述已购买商品与其所属类目下其他商品的相似度，选取与所述已购买商品相似度最高的至少一种商品向用户推荐。

在本实施例所提供的技术方案中，确定用户的兴趣商品类目后，进一步根据该用户的购买行为数据，判断该用户是否已购买过所述兴趣商品类目中的商品；如果是，则根据用户已购买商品的信息，选取商品向用户推荐，以实现更为准确的推荐结果。

相应于上面的方法实施例，本申请还提供一种商品推荐系统。如图4所示，本申请实施例提供的一种商品推荐系统可以包括：

行为数据获取模块510，获取所述用户的行为数据，所述行为数据包括：用户在网站的点击行为数据，或用户在网站的搜索行为数据；

兴趣类目确定模块520，用于根据所述行为数据，确定所述用户的兴趣商品类目；

推荐模块530，用于在所确定的兴趣商品类目中，选取商品向所述用户推荐。

其中，所述行为数据获取模块510，具体可用于根据用户对所述商品类目的点击概率、所述商品类目被用户随机点击的概率以及所述商品类目平均被点击的概率，判断用户对所述商品类目的点击概率是否大于所述商品类目被用户随机点击的概率与所述商品类目被平均点击的概率之和，如果是，则将该商品类目确定为用户的兴趣商品类目。

进一步地，所述行为数据获取模块510获取的用户行为数据可以是用户在网站的点击行为数据；如图5所示，所述兴趣类目确定模块520，具体可以包括：

用户点击概率计算子模块5201，用于计算用户user_i对每个商品类目cat_j的点击概率P_usercat(user_i，cat_j)：

P_{usercat} ({user}_{i}, {cat}_{j}) = \frac{{count}_{i} ({cat}_{j})}{\underset{k &Element; U_{i}}{Σ} {count}_{i} ({cat}_{k})}

第一确定子模块5202，用于判断P_usercat(user_i，cat_j)＞P_randomcat(cat_j)+P_cat(cat_j)是否成立，如果是，则将商品类目cat_j确定为用户user_i的兴趣商品类目；

其中，P_randomcat(cat_j)为商品类目cat_j被用户随机点击的概率，P_cat(cat_j)为商品类目cat_j平均被点击的概率。

其中，行为数据获取模块510获取的用户行为数据还可以是用户在网站的搜索行为数据；如图6所示，所述兴趣类目确定模块520，具体还可以包括：

关键词提取子模块5203，用于从所述搜索行为数据中，提取用户使用过的搜索关键词以及搜索关键词的使用次数；

商品搜索次数获取子模块5204，用于根据搜索关键词与商品的对应关系，得到用户对商品的搜索次数；

类目搜索次数获取子模块5205，用于根据商品与商品类目的对应关系，统计用户对每种商品类目的搜索次数；

第二确定子模块5206，用于选取具有最高搜索次数的至少一个商品类目，将选取结果确定为所述用户的兴趣商品类目。

如图7所示，本申请实施例所提供的商品推荐系统中所述推荐模块530可以包括：

判断子模块5301，用于根据所述用户的购买行为数据，判断该用户是否已购买过所述兴趣商品类目中的商品；

推荐子模块5302，用于在用户已购买过所述兴趣商品类目中商品的情况下，根据用户已购买商品的信息，选取商品向所述用户推荐。

所述推荐子模块5302具体可以配置为：用于计算所述已购买商品与其所属类目下其他商品的相似度，并且选取与所述已购买商品相似度最高的至少一种商品向所述用户推荐；

其中，商品A和B的相似度sim(A，B)根据以下公式计算：

sim (A, B) = \frac{| U_{A} \cap U_{B} |}{| U_{A} \cup U_{B} |}

U_A为购买过商品A的用户集合，U_B为购买过商品B的用户集合，

|U_A∩U_B|为购买过商品A和商品B的用户总人数，

|U_A∪U_B|为购买过商品A或商品B的用户总人数。

在本申请的另一个实施例中，所述推荐子模块5302，还可以配置为：用于判断用户已购买商品是否为周期性消费商品；如果是，则向所述用户推荐所述已购买商品。其中，还可以进一步判断所述用户本次登录网站时间与最近一次购买该商品的时间的间隔是否大于该商品的平均使用周期；如果是，则向所述用户推荐所述已购买商品。

在本申请的另一个实施例中，所述推荐子模块5302，还可以配置为：用于判断用户已购买商品是否具有关联商品；如果是，则向所述用户推荐所述已购买商品的关联商品。

以上，提供了推荐子模块5302的三种具体配置方案，在实际应用中，这三种方案可以分别单独使用，以得到的不同的推荐结果，当然，推荐子模块5302也可以具体配置为顺序执行三种方案所对应的方法，具体可以参见方法实施例部分的描述，这里不再重复说明。

本申请实施例所提供的商品推荐系统，可以是一个独立的具有商品推荐功能的服务器设备，也可以是位于其他服务器设备中的一个功能实体。该系统用户的行为数据确定用户的兴趣商品类目，并根据用户的兴趣商品类目选取相应的商品向用户推荐。与现有的商品推荐方案相比，本申请实施例方案是针对不同个人用户的兴趣，分别进行商品推荐。因此可以减少个人用户的无效浏览、点击等行为，提升购物感受。从购物网站的角度而言，除了可以提高网站交易量之外，还可以有效减轻网站服务器的负担，节省网络带宽资源占用。

为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。

通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例或者实施例的某些部分所述的方法。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

本申请可用于众多通用或专用的计算系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。

本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

以上所述仅是本申请的具体实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。

Claims

1.一种商品推荐方法，其特征在于，包括：

根据所述行为数据，确定所述用户的兴趣商品类目；

在所确定的兴趣商品类目中，选取商品向所述用户推荐。

2.根据权利要求1所述的方法，其特征在于，所述用户行为数据为用户在所述网站的点击行为数据；所述根据所述行为数据，确定所述用户的兴趣商品类目包括：

3.根据权利要求2所述的方法，其特征在于，所述根据所述行为数据，确定所述用户的兴趣商品类目包括：

计算用户user_i对每个商品类目cat_j的点击概率P_usercat(user_i，cat_j)：

P_{usercat} ({user}_{i}, {cat}_{j}) = \frac{{count}_{i} ({cat}_{j})}{\underset{k &Element; U_{i}}{Σ} {count}_{i} ({cat}_{k})}

判断P_usercat(user_i，cat_j)＞P_randomcat(cat_j)+P_cat(cat_j)是否成立，如果是，则将商品类目cat_j确定为用户user_i的兴趣商品类目；

4.根据权利要求1所述的方法，其特征在于，所述用户行为数据为：用户在所述网站的搜索行为数据；所述根据所述行为数据，确定所述用户的兴趣商品类目包括：

从所述搜索行为数据中，提取用户使用过的搜索关键词以及搜索关键词的使用次数；

根据搜索关键词与商品的对应关系，得到用户对商品的搜索次数；

根据商品与商品类目的对应关系，统计用户对每种商品类目的搜索次数；

选取具有最高搜索次数的至少一个商品类目，将选取结果确定为所述用户的兴趣商品类目。

5.根据权利要求1至4任一项所述的方法，其特征在于，所述用户行为数据还包括：用户在所述网站的购买行为数据；所述在所确定的兴趣商品类目中，选取商品向所述用户推荐，包括：

根据所述用户的购买行为数据，判断该用户是否已购买过所述兴趣商品类目中的商品；

如果是，则根据用户已购买商品的信息，选取商品向所述用户推荐。

6.根据权利要求5所述的方法，其特征在于，所述根据用户已购买商品的信息，选取商品向所述用户推荐，包括：

计算所述与已购买商品与其所属商品类目下其他商品的相似度，选取与所述已购买商品相似度最高的至少一种商品向所述用户推荐；

其中，商品A和B的相似度sim(A，B)根据以下公式计算：

sim (A, B) = \frac{| U_{A} \cap U_{B} |}{| U_{A} \cup U_{B} |}

|U_A∩U_B|为购买过商品A和商品B的用户总人数，

|U_A∪U_B|为购买过商品A或商品B的用户总人数。

7.根据权利要求5所述的方法，其特征在于，所述根据用户已购买商品的信息，选取商品向所述用户推荐，包括：

判断用户已购买商品是否为周期性消费商品；如果是，则向所述用户推荐所述已购买商品。

8.根据权利要求7所述的方法，其特征在于，所述向所述用户推荐所述已购买商品，包括：

判断所述用户本次登录网站时间与最近一次购买该商品的时间的间隔是否大于该商品的平均使用周期；如果是，则向所述用户推荐所述已购买商品。

9.根据权利要求5所述的方法，其特征在于，所述根据用户已购买商品的信息，在所确定的兴趣商品类目中选取商品向所述用户推荐，包括：

判断用户已购买商品是否具有关联商品；如果是，则向所述用户推荐所述已购买商品的关联商品。

10.一种商品推荐系统，其特征在于，包括：

11.根据权利要求10所述的系统，其特征在于，所述用户行为数据为用户在网站的点击行为数据；所述兴趣类目确定模块，具体用于根据用户对所述商品类目的点击概率、所述商品类目被用户随机点击的概率以及所述商品类目平均被点击的概率，判断用户对所述商品类目的点击概率是否大于所述商品类目被用户随机点击的概率与所述商品类目被平均点击的概率之和，如果是，则将该商品类目确定为用户的兴趣商品类目。

12.根据权利要求11所述的系统，其特征在于，所述兴趣类目确定模块，具体包括：

用户点击概率计算子模块，用于计算用户user_i对每个商品类目cat_j的点击概率P_usercat(user_i，cat_j)：

P_{usercat} ({user}_{i}, {cat}_{j}) = \frac{{count}_{i} ({cat}_{j})}{\underset{k &Element; U_{i}}{Σ} {count}_{i} ({cat}_{k})}

第一确定子模块，用于判断P_usercat(user_i，cat_j)＞P_randomcat(cat_j)+P_cat(cat_j)是否成立，如果是，则将商品类目cat_j确定为用户user_i的兴趣商品类目；

13.根据权利要求10所述的系统，其特征在于，所述用户行为数据为：用户在网站的搜索行为数据；所述兴趣类目确定模块，包括：

关键词提取子模块，用于从所述搜索行为数据中，提取用户使用过的搜索关键词以及搜索关键词的使用次数；

商品搜索次数获取子模块，用于根据搜索关键词与商品的对应关系，得到用户对商品的搜索次数；

类目搜索次数获取子模块，用于根据商品与商品类目的对应关系，统计用户对每种商品类目的搜索次数；

第二确定子模块，用于选取具有最高搜索次数的至少一个商品类目，将选取结果确定为所述用户的兴趣商品类目。

14.根据权利要求10至13任一项所述的系统，其特征在于，所述用户行为数据还包括：用户在所述网站的购买行为数据；所述推荐模块包括：

判断子模块，用于根据所述用户的购买行为数据，判断该用户是否已购买过所述兴趣商品类目中的商品；

推荐子模块，用于在用户已购买过所述兴趣商品类目中商品的情况下，根据用户已购买商品的信息，选取商品向所述用户推荐。