[发明专利]商品偏好预测方法、装置及电子设备

说明书

本发明提供一种商品偏好预测方法、装置及电子设备，所述方法包括：获取若干个可选商品各自的特征信息数据和市场信息数据；将特征信息数据和市场信息数据，输入至商品效用计算模型中，以分别输出各可选商品的商品效用；判定商品效用满足预设条件，则该商品效用对应的可选商品为目标商品；其中，市场信息数据至少包括商品所处场景、商品所对应商家信息、商品与竞品对比信息和商品展示位置；商品效用计算模型是基于预设效用参量并通过神经网络算法预先构建且训练好的机器学习网络，且预设效用参量至少包括特征权重向量、竞比向量和位置向量中的一种。本方法充分考虑了市场信息的影响，并从整体上有效提升用户对商品偏好预测的准确性。

技术领域

本发明涉及智能化电商技术领域，尤其涉及一种商品偏好预测方法、装置及电子设备。

背景技术

电子商务技术逐步成熟发展，网络购物也逐渐成为人们首选的购物方式。在网络购物过程中，当用户搜索某款产品时，电商平台往往会返回一系列可选商品，以供用户进行选择。分析用户对商品的偏好，并基于用户的偏好帮助用户从一系列可选商品中快速找到符合其需求的或最满意的商品，是电商平台为用户提供个性化服务的重要目标。而用户对商品的偏好，或者说用户对商品的满意度，不仅与商品自身的特征信息有关，也会受到商品所处市场的市场信息(如商品所处的具体市场情景、商品对应的商家、市场中其他竞品的对比干扰、商品在市场中的展示位置)的影响，比如特征信息完全相同的两个商品分别置于不同的市场时，用户对于上述两个商品的相对偏好则会发生变化。

现有一类经典的商品选择偏好分析方法，采用多项Logit模型(MultinomialLogit Model，简称MNL)。其采用一个固定的向量来描述用户对于商品的偏好权重(具体是用户基于商品的特征信息对于商品的偏好权重，也可简称商品属性权重)，并且通过商品属性的加权和来表示用户对商品的满意度。然而，该方法在计算用户对商品的偏好时，只考虑了商品自身的特征信息，却忽略了商品所处市场的市场信息对于商品选择偏好的影响。因此，上述经典的商品选择偏好分析方法在实际应用中准确性较差。

发明内容

本发明提供一种商品偏好预测方法、装置及电子设备，用以解决现有技术中经典的商品选择偏好分析方法在目标商品判断的应用中准确性较差的缺陷，从而有效提升预测用户对于商品的偏好选择的精准性。

本发明提供一种商品偏好预测方法，包括：

获取若干个可选商品各自的特征信息数据和市场信息数据；

将所述特征信息数据和所述市场信息数据，输入至商品效用计算模型中，以分别输出各可选商品的商品效用；

判定所述商品效用满足预设条件，则该所述商品效用对应的可选商品为目标商品；

其中，所述市场信息数据至少包括商品所处场景、商品所对应商家信息、商品与竞品对比信息和商品展示位置；

所述商品效用计算模型是基于预设效用参量并通过神经网络算法预先构建且训练好的机器学习网络，且所述预设效用参量至少包括特征权重向量、竞比向量和位置向量中的一种。

根据本发明提供的商品偏好预测方法，所述将所述特征信息数据和所述市场信息数据，输入至商品效用计算模型中，以分别输出各可选商品的商品效用，具体包括：

将所述特征信息数据以及所述市场信息数据中的所述商品所处场景和所述商品所对应商家信息，输入至特征效用计算子模型中，以分别输出各可选商品的特征效用；

将所述特征信息数据以及所述市场信息数据中的所述商品所处场景和所述商品与竞品对比信息，输入至竞比效用计算子模型，以分别输出各可选商品的竞比效用；

将所述特征信息数据以及所述市场信息数据中的所述商品所处场景和所述商品展示位置，输入至位置效用计算子模型，以分别输出各可选商品的位置效用；