电商搜索的推荐方法及装置、设备、存储介质制造方法及图纸

本申请实施例公开了一种电商搜索的推荐方法，包括：响应于在客户端页面的访问行为，获取所述客户端页面的实时日志流；从所述客户端页面所呈现的至少两个商品中，确定出候选商品集；根据所述实时日志流，确定所述候选商品集中每一所述商品的奖励值；根据每一所述商品的奖励值，从所述候选商品集中筛选出目标商品集；将所述目标商品集中满足预设条件的商品作为待推荐商品；将所述待推荐商品在特定的坑位区间进行展示。本申请实施例还同时提供了一种电商搜索的推荐装置、设备及存储介质。设备及存储介质。设备及存储介质。

【技术实现步骤摘要】
电商搜索的推荐方法及装置、设备、存储介质


[0001]本申请涉及电子设备
，涉及但不限定于电商搜索的推荐方法及装置、设备、存储介质。

技术介绍

[0002]在电商搜索中，由于未曝光商品总是没有反馈，所以会存在很严重的马太效应，少数商品霸占的头部位置，商品间的流动性比较差，不仅有损商家的利益，也会伤害消费者的用户体验。探索利用(Exploration-Exploitation，EE)的主要思路是一部分流量给后面的商品曝光的机会，剩余流量利用曝光的反馈推荐。探索利用可以增强商品间的流动性，缓解马太效应，增加多样性，同时也有利用商品的冷启动，发掘用户的潜在需求，维持用户的长期兴趣。

技术实现思路

[0003]本申请实施例提供一种电商搜索的推荐方法及装置、设备、存储介质。
[0004]本申请实施例的技术方案是这样实现的：
[0005]第一方面，本申请实施例提供一种电商搜索的推荐方法，包括：
[0006]响应于在客户端页面的访问行为，获取所述客户端页面的实时日志流；
[0007]从所述客户端页面所呈现的至少两个商品中，确定出候选商品集；
[0008]根据所述实时日志流，确定所述候选商品集中每一所述商品的奖励值；
[0009]根据每一所述商品的奖励值，从所述候选商品集中筛选出目标商品集；
[0010]将所述目标商品集中满足预设条件的商品作为待推荐商品；
[0011]将所述待推荐商品在特定的坑位区间进行展示。
[0012]第二方面，本申请实施例提供一种电商搜索的推荐装置，包括：
[0013]获取模块，用于响应于在客户端页面的访问行为，获取所述客户端页面的实时日志流；
[0014]第一确定模块，用于从所述客户端页面所呈现的至少两个商品中，确定出候选商品集；
[0015]第二确定模块，用于根据所述实时日志流，确定所述候选商品集中每一所述商品的奖励值；
[0016]筛选模块，用于根据每一所述商品的奖励值，从所述候选商品集中筛选出目标商品集；
[0017]第三确定模块，用于将所述目标商品集中满足预设条件的商品作为待推荐商品；
[0018]展示模块，用于将所述待推荐商品在特定的坑位区间进行展示。
[0019]第三方面，本申请实施例提供一种电商搜索的推荐设备，包括存储器和处理器，所述存储器存储有可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述电商搜索的推荐方法中的步骤。
[0020]第四方面，本申请实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述电商搜索的推荐方法中的步骤。
[0021]本申请实施例提供的技术方案带来的有益效果至少包括：
[0022]在本申请实施例中，通过获取客户端页面的实时日志流，并从客户端页面所呈现的商品中选出候选商品集，然后基于实时日志流确定候选商品集中商品的奖励值(Reward)，再基于奖励值，从候选商品集中选出目标商品集，对目标商品集中的满足预设条件的商品进行展示，这样对排序靠后的商品给予一定的流量进行曝光的机会，剩余商品则利用曝光的反馈进行排序，从而增强商品间的流动性和多样性。
附图说明
[0023]为了更清楚地说明本申请实施例中的技术方案，下面将对实施例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的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图，其中：
[0024]图1为本申请实施例提供的一种电商搜索的推荐方法的流程示意图；
[0025]图2为本申请实施例提供的另一种电商搜索的推荐方法的流程示意图；
[0026]图3为本申请实施例提供的又一种电商搜索的推荐方法的流程示意图；
[0027]图4A为本申请实施例提供的电商搜索的推荐方法的整体框架示意图；
[0028]图4B为本申请实施例提供的电商搜索的推荐方法的逻辑流程图；
[0029]图4C为本申请实施例提供的推荐方法中利用贝塔分布产生的概率统计示意图；
[0030]图4D为本申请实施例提供的推荐方法中穿插策略的展示示意图；
[0031]图5为本申请实施例提供的一种电商搜索的推荐装置的组成结构示意图；
[0032]图6为本申请实施例提供的一种电商搜索的推荐设备的硬件实体示意图。
具体实施方式
[0033]为使本申请实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本申请一部分实施例，而不是全部的实施例。以下实施例用于说明本申请，但不用来限制本申请的范围。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
[0034]在以下的描述中，涉及到“一些实施例”，其描述了所有可能实施例的子集，但是可以理解，“一些实施例”可以是所有可能实施例的相同子集或不同子集，并且可以在不冲突的情况下相互结合。
[0035]需要指出，本申请实施例所涉及的术语“第一\第二\第三”仅仅是是区别类似的对象，不代表针对对象的特定推荐，可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序，以使这里描述的本申请实施例能够以除了在这里图示或描述的以外的顺序实施。
[0036]本
技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本申请实施例所属领域中的普通技术人员的一般理解相同的意义。
还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样被特定定义，否则不会用理想化或过于正式的含义来解释。
[0037]电子商务，简称电商，是指在互联网(Internet)、内部网(Intranet)和增值网(VAN，Value Added Network)上以电子交易方式进行交易活动和相关服务活动，是传统商业活动各环节的电子化、网络化。电子商务包括电子货币交换、供应链管理、电子交易市场、网络营销、在线事务处理、电子数据交换(EDI)、存货管理和自动数据收集系统。在此过程中，利用到的信息技术包括：互联网、外联网、电子邮件、数据库、电子目录和移动电话。可视为电商在纵向上的发展。伴随软硬件技术的迅猛提高，电商网站规模不断增大与消费者需求日益个性化之间的矛盾可有望得到解决。
[0038]电商搜索引擎支持各种维度的推荐，包括支持好评、销量、评论、价格等属性的推荐。而且对数据的实时性的要求非常高。电商搜索对数据的实时性要求主要体现在价格和库存两个方面。电电商搜索面向的对象主要是商品，其目的是让用户更快的找到满意的商品。电商搜索引擎的效果不仅要考虑买家(信息消费方)要求的结果多样性，还得考虑卖家(信息提供方)要求的曝光率。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种电商搜索的推荐方法，其特征在于，所述方法包括：响应于在客户端页面的访问行为，获取所述客户端页面的实时日志流；从所述客户端页面所呈现的至少两个商品中，确定出候选商品集；根据所述实时日志流，确定所述候选商品集中每一所述商品的奖励值；根据每一所述商品的奖励值，从所述候选商品集中筛选出目标商品集；将所述目标商品集中满足预设条件的商品作为待推荐商品；将所述待推荐商品在特定的坑位区间进行展示。2.如权利要求1所述的方法，其特征在于，所述根据所述实时日志流，确定所述候选商品集中每一所述商品的奖励值，包括：根据所述实时日志流，调用确定所述候选商品集中每一所述商品的奖励值。3.如权利要求1所述的方法，其特征在于，所述方法还包括：将当前时刻之前特定时间段内的每一所述商品的奖励值，作为延迟奖励值；相应地，根据所述延迟奖励值，从所述候选商品集中筛选出目标商品集。4.如权利要求1所述的方法，其特征在于，所述特定的坑位区间内坑位的数目为K，且K为大于等于1的正整数，所述根据每一所述商品的奖励值，从所述候选商品集中筛选出目标商品集，包括：按照特定的反馈指标，根据每一所述商品的奖励值，确定每一所述商品对应的正反馈参数和负反馈参数；根据所述正反馈参数和所述负反馈参数，通过贝塔分布生成每一所述商品的推荐值；将所述候选商品集中每一所述商品的推荐值最大的前K个商品，作为所述目标商品集。5.如权利要求4所述的方法，其特征在于，所述方法还包括：将所述正反馈参数加上第一初始值，得到第一目标参数；将所述负反馈参数加上第二初始值，得到第二目标参数；其中，所述第一初始值和所述第二初始值由贝叶斯平滑算法确定；相应地，根据所述第一目标参数和所述第二目标参数，通过贝塔分布生成每一所述商品的目标推荐值。6.如权利要求4所述的方法，其特征在于，所述特定的反馈指标至少包括以下之一：点击率、转化率和点击转化率；相应地，所述根据所述正反馈参数和所述负反馈参数，通过贝塔分布生成每一所述商品的推荐值，包括：根据所述正反馈参数和所述负反馈参数，按照下面的公式生成每一所述商品的推荐值：T
s_score
＝t1*beta(α1,β1)
CTR
+t2*beta(α2,β2)
CVR
+t3*beta(α3,β3)
CTCVR
；其中，T
s_score
为每一所述商品的推荐值，beta(α1,β1)
CTR
为按照点击率通过贝塔分布生成的每一所述商品的推荐分数，beta(α2,β2)
CVR
为按照转化率通过贝塔分布生成的每一所述商品的推荐分数，beta(α3,β3)
CTCVR
为按照点击转化率通过贝塔分布生成的每一所述商品的推荐分数，α1、α2和α3为每一所述商品的正反馈参数，β1、β2和β3为每一所述商品的负反馈参数，系数t1、t2和t3为通过逻辑回归模型训练进行...

【专利技术属性】
技术研发人员：张晓敏，
申请(专利权)人：北京京东世纪贸易有限公司，
类型：发明
国别省市：