[发明专利]一种商品关联关系的生成方法、装置、介质及电子设备

说明书

本发明实施例提供了一种商品关联关系的生成方法、装置、介质及电子设备，包括：根据所获取的查询条件，获取上述查询条件范围内的订单数据；根据上述订单数据中商品信息的被购买次数，对上述商品信息之间的关联权重进行表达，生成关联商品权重图像；对上述关联商品权重图像进行循环迭代，确定出关联权重最大的关联商品权重子图像；提取并输出上述关联商品权重子图像中的商品信息之间的关联关系。本发明实施例的技术方案实现了从海量电商数据中自动并快速地挖掘出关联商品簇，降低了成本，提升了交叉柜台展示，交叉促销，交叉推荐和库存管理等电商业务的效率。

技术领域

本发明涉及电子商务技术领域，具体而言，涉及一种商品关联关系的生成方法、装置、介质及电子设备。

背景技术

随着电子商务的飞速发展，消费者需要为给定的生活场景购买多个不同功能的关联商品，比如母婴食品的场景可能需要奶粉、菜粉、营养品、各种哺乳器材、婴儿餐桌、婴儿餐具、婴儿服饰、玩具和婴儿安全设备等商品。通常每一个场景都对应了需要一起或者先后购买的一些商品，即关联商品簇。在营销中使用关联商品簇可以使消费者感受到所涉及的生活场景,从而便捷购买生活场景所需商品；也可以使商家有机会把对有价值的商品推送给消费者，从而实现品类拉新和提升长尾商品，应用商品关联簇关系的电商营销业务是交叉销售，具体业务见下表：

现有技术主要依赖专家通过已知的商品的功能关系，手工设立这样的关联关系，例如：功能的不同，例如煤气灶台和抽油烟机，茶叶和茶具；配件功能附属商品，例如手机和手机屏幕保护膜；同系列产品,或者竞争性的产品；已知具体的消费场景：例如母婴、旅行或者家居园艺。而发掘面向场景的商品关联关系可以定义为数学枚举问题，通过人工智能的关联规则挖掘算法，例如先验Apriori和FP Growth Tree算法，从历史订单数据库提取数据，并且发现数据中商品的关联规则。

但是，上述现有技术方案存在以下缺陷：

(1)海量商品消费数据生成了大量的商品关联关系，人工成本高，也无法应对海量数据；

(2)商品关联关系通常超越了行业专家的知识体系；

(3)商品关联关系是面向场景的，多个商品以关联商品簇的形式服务于一个共同的场景,并且动态改变。

而现有的人工智能关联规则挖掘算法是通过减少搜索空间来挖掘部分的关联规则，其主要缺点有:

(1)广度优先搜索的先验Apriori等算法速度慢,消耗很大内存,并且有较大的计算误差；

(2)深度优先搜索的FP-Growth等算法是仅仅是基于高频繁商品集。因为高频繁商品和很多商品都关联,返回的计算结果重复冗余,并且无法在不同频繁程度的商品中找到关联关系，也不能用来计算整体数据的关联关系。

需要说明的是，在上述背景技术部分公开的信息仅用于加强对本发明的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

本发明实施例的目的在于提供一种商品关联关系的生成方法、装置、介质及电子设备，进而至少在一定程度上克服相关技术中需要耗费大量人工定义商品关联关系以及算法效率低下等一个或多个问题。

本发明的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本发明的实践而习得。

根据本发明实施例的第一方面，提供了一种商品关联关系的生成方法，包括：

根据上报数据的数据量配置布隆过滤器的切换时间点；

根据所获取的查询条件，获取上述查询条件范围内的订单数据；

根据上述订单数据中商品信息的被购买次数，对上述商品信息之间的关联权重进行表达，生成关联商品权重图像；