专利名称：一种电子商务网站导航方法及系统的制作方法
技术领域：
本申请涉及网站导航技术，特别是涉及一种电子商务网站导航方法，以及，一种电子商务网站导航系统。
背景技术：
目前，电子商务网站的购物模式主要分为三类:类目浏览、广告运营和搜索。其中，类目是指商品的分类，有前台和后台之分，前台用于n(User Interface，用户界面)展示，后台用于商品管理，前后台的映射关系通过规则来描述。目前主流的类目体系以树状结构表示，每个父类目有多个子类目，但每个子类目只有一个父类目，因此，自上而下类目表示的范围越来越小。类目浏览方式由网站运营实现，首先组合一级类目，再按用户的关注程度串行展示这些组合，当用户想要购买某个类目下的商品时，进入该类目并逐层点击子类目进行商品筛选。这种类目浏览方式要求用户熟悉类目体系才能找到自己想要的商品。广告运营是指通过广告位宣传单品或店家，用户点击广告链接可直接购买或进入店铺购买。而在搜索模式下，用户根据购买意图输入关键词进行查询，得到推荐的类目列表和商品列表，这种方式不要求用户了解类目体系，使用更方便，已成为主流的购买模式之一。在这种主流的搜索模式下，为了减少电子商务网站购物过程中用户的搜索时间和点击次数，智能导航技术应运而生。早期，电子商务网站使用类目商品数量导航。类目商品数量导航是指当用户输入关键词后，推荐类目排序由类目下相关商品数量决定，并逐层显示。在这种利用文本匹配的类目商品数量导航方式下，随着商品数量和商品类别的剧增，用户指定关键词查询时，得到的类目数大幅度增加，而且文本匹配无法反映查询词与类目的相关性，用户无法判断应该到哪些类目下进行更精细的筛选。例如，搜索某型号的手机时推荐的第一个类目是“3C数码配件市场”，因为配件类目下的商品数量远远超过手机类目，但这个类目显然不符合用户的搜索意图。针对上述问题，一种解决方案是，根据历史的类目点击行为对类目的相关性进行打分，类目会按照分数的高低动态展现，相关性自左至右逐渐降低，同时采用类目折叠隐藏相关性差的类目，这种导航方式称为类目点击导航。然而，这种导航方法仍然没有抛开从顶层类目开始显示的框架，用户需要多次点击才能选择更精细的类目进行筛选。而且，类目点击导航是根据用户的历史行为数据分析得到的，这部分的计算对类目的处理方式采用的是自顶向下的遍历，并且展示方式也是逐层展开，不适合复杂的类目体系。例如，针对既丰富又复杂、层次很深的类目体系，逐级展示会导致搜索路径较长。综上所述，目前的各种导航方法给出的搜索结果与用户搜索意图的相关性都较差，用户不能快速找到想要的商品，这不但增加了用户的搜索时间，而且增加了类目相关服务器的访问负担。
发明内容
本申请提供了一种电子商务网站导航方法及系统，以解决现有的各种导航方法给出的搜索结果与用户搜索意图的相关性都较差，用户不能快速找到想要的商品的问题，以减轻访问服务器的负担。为了解决上述问题，本申请公开了一种电子商务网站导航方法，包括:对网站日志数据进行用户行为的统计分析，得到与查询词对应的导航推荐模型所需的参考数据，所述参考数据包含与查询词对应的类目点击分布数据、和/或类目购买分布数据、和/或类目相关性分布数据；根据查询词对应的参考数据选择该查询词待使用的导航推荐模型；将查询词对应的参考数据输入所选的导航推荐模型中，计算查询词对应的推荐结果数据，其中，按照自底向上的推荐方式将符合条件的类目和/或属性数据作为查询词对应的推荐结果数据；生成包含查询词与推荐结果数据映射关系的推荐词表；当接收到在线输入的用户查询词时，查询所述推荐词表，并将对应该用户查询词的推荐结果数据输出。优选地，所述按照自底向上的推荐方式将符合条件的类目和/或属性数据作为查询词对应的推荐结果数据，包括:按照自底向上的推荐方式，将符合条件的下一层级类目替换上一层级类目后得到的类目和/或属性数据，作为查询词对应的推荐结果数据；其中，所述符合条件的下一层级类目是指点击占比超过预设阈值的下一层级类目，所述点击占比是下一层级类目的点击量占当前类目总点击量的比值。优选地，通过以下方式得到与查询词对应的类目点击分布数据:根据网站日志数据，统计通过查询词所点击的类目分布及每个类目的点击量，得到与该查询词对应的类目点击分布数据。优选地，所述方法还包括:将通过查询词所点击的各个类目的点击量累加，得到每个查询词的总点击量；过滤掉总点击量少于预设值的查询词。优选地，所述方法还包括:根据网站日志数据，统计每个用户点击每个查询词的点击量，如果某用户点击某个查询词的点击量超过预设值，则将该用户点击该查询词的点击量进行削弱。优选地，通过以下方式得到与查询词对应的类目购买分布数据:根据网站日志数据，将查询词对应的用户标识和点击到的商品标识，与用户标识和购买的商品标识，通过用户标识关联，得到通过某查询词点击到某商品并产生购买的类目购买分布数据。优选地，通过以下方式得到与查询词对应的类目相关性分布数据:根据网站日志数据，统计通过查询词所点击的各个类目中与查询词相关的商品数量，得到与查询词对应的类目相关性分布数据。优选地，所述导航推荐模型包括父子类目推荐模型，所述将查询词对应的参考数据输入父子类目推荐模型，计算查询词对应的推荐结果数据，包括:将查询词对应的参考数据汇总到一级类目；将点击最多的两个一级类目分别作为父类目，将剩余的一级类目作为同一个父类目下的子类目；对上述每个父类目的子类目按照自底向上的推荐查看是否可被符合条件的下一层级类目所替换，最终将符合条件的类目和/或属性数据作为推荐结果数据。优选地，所述导航推荐模型包括发散型推荐模型，所述将查询词对应的参考数据输入发散型推荐模型，计算查询词对应的推荐结果数据，包括:将查询词对应的参考数据汇总到一级类目；按照点击量从高到低对一级类目进行排序，并选择排序靠前的多个一级类目；对上述选出的每个一级类目按照自底向上的推荐查看是否可被符合条件的下一层级类目所替换，最终将符合条件的类目和/或属性数据作为推荐结果数据。优选地，所述导航推荐模型包括带类目搜索推荐模型，如果查询词中隐含类目信息，则将查询词对应的参考数据输入带类目搜索推荐模型，计算查询词对应的推荐结果数据包括:根据查询词汇中隐含的类目信息查找相应类目；将查询词对应的参考数据汇总到所述类目的下一层级类目；按照点击量从高到低对下一层级类目进行排序，并选择排序靠前的多个下一层级类目；对上述每个下一层级类目按照自底向上的推荐查看是否可被符合条件的再下一层级类目所替换，最终将符合条件的类目和/或属性数据作为推荐结果数据。优选地，对每个类目按照自底向上的推荐查看是否可被符合条件的下一层级类目所替换，包括:按照类目层级自顶向下确定当前类目；如果当前类目是叶子类目，则返回推荐结果数据为当前类目；否则，将查询词对应的参考数据汇总到当前类目的下一层级类目；选出点击占比超过预设阈值的下一层级类目，所述点击占比是下一层级类目的点击量占当前类目总点击量的比值；根据当前期望推荐的类目个数计算下一层级期望推荐的类目个数；如果选出的下一层级类目个数大于下一层级期望推荐的类目个数，则取消往下一层级的推荐，返回推荐结果数据为当前类目；如果选出的下一层级类目个数小于等于下一层级期望推荐的类目个数，并且下一层级类目不是叶子类目，则将下一层级类目替换当前类目，并将下一层级类目的每个类目确定为当前类目，继续按照上述步骤进行当前类目的下一层级类目的推荐。优选地，如果选出的下一层级类目个数小于下一层级期望推荐的类目个数，并且下一层级类目为叶子类目，则将下一层级类目替换当前类目，并根据参考数据中的类目购买分布数据选出相差的类目个数进行补充，达到下一层级期望推荐的类目个数。优选地，所述导航推荐模型包括类目属性混排推荐模型，如果查询词中隐含商品的描述信息，则将查询词对应的参考数据输入类目属性混排推荐模型，计算查询词对应的推荐结果数据，包括:将查询词对应的参考数据汇总到叶子类目，属性出现在叶子类目；按照点击量和/或熵差从高到低对属性进行排序，并选择排序靠前的多个属性；针对上述选出的每个属性，按照点击量从高到低对属性值进行排序，并选择排序靠前的多个属性值；将上述选出的多个属性及其对应的属性值作为查询词对应的推荐结果数据。优选地，所述方法还包括:判断上述选出的每个属性是否有子属性，如果有，则将子属性替换属性；将替换后的子属性及其属性值作为查询词对应的推荐结果数据。优选地，所述导航推荐模型包括直达类目推荐模型，所述将查询词对应的参考数据输入直达类目推荐模型，计算查询词对应的推荐结果数据包括:将查询词对应的参考数据汇总到一级类目；选出点击占比超过预设阈值的一级类目，所述点击占比是一级类目的点击量占总点击量的比值；检查上述选出的每个一级类目的相关商品数量是否大于预设数量，如果是，则将该一级类目确定为直达类目，并作为查询词对应的推荐结果数据。
本申请还提供了一种电子商务网站导航系统，包括:数据分析模块，用于对网站日志数据进行用户行为的统计分析，得到与查询词对应的导航推荐模型所需的参考数据，所述参考数据包含与查询词对应的类目点击分布数据、和/或类目购买分布数据、和/或类目相关性分布数据；模型预测模块，用于根据查询词对应的参考数据选择该查询词待使用的导航推荐模型；类目属性推荐模块，用于将查询词对应的参考数据输入所选的导航推荐模型中，计算查询词对应的推荐结果数据，其中，按照自底向上的推荐方式将符合条件的类目和/或属性数据作为查询词对应的推荐结果数据；推荐词表生成模块，用于生成包含查询词与推荐结果数据映射关系的推荐词表；在线查询模块，用于当接收到在线输入的用户查询词时，查询所述推荐词表，并将对应该用户查询词的推荐结果数据输出。与现有技术相比，本申请包括以下优点:首先，本申请提供的智能导航汲取类目点击导航和类目商品数量导航的精华，综合考虑关键词对应的点击、购买等历史因素，以及查询词相关的商品数量信息等，提供与搜索意图最相关的类目或属性。与类目点击导航最大的差异在于，本申请的智能导航采用自底向上的推荐方式，与查询词对应的推荐结果数据是按照自底向上的推荐方式类目和/或属性数据作为查询词对应的推荐结果数据，如果某个类目的点击或购买占比达到一定阈值，则停止向上回溯的过程，从而摆脱了从上而下逐级展示类目的模式，能更快地定位到用户想要的商品类目。与类目商品数量导航最大的差异在于，本申请的智能导航提取类目下与查询词相关的商品数量而不是文本匹配意义上的商品数量，且商品数量信息只在特定的情况下(如处理低频查询词时)作为参考数据被使用。其次，本申请的智能导航引入了属性推荐和属性预选功能，如果用户的查询词隐含了商品的描述信息，导航提供属性预选功能，精确锁定目标商品。当然，实施本申请的任一产品不一定需要同时达到以上所述的所有优点。
图1是本申请实施例所述一种电子商务网站导航方法的流程图；图2是本申请实施例所述自动展开推荐方式的流程图；图3是本申请实施例中自动展开推荐的示意图；图4是本申请实施例中属性推荐的示意图；图5是本申请实施例中子属性推荐的示意图；图6是本申请实施例所述一种电子商务网站导航系统的结构图；图7是智能导航在电子商务网站中的应用系统架构图。
具体实施例方式为使本申请的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式
对本申请作进一步详细的说明。
本申请提出一种智能导航方法，尤其适用于电子商务网站的导航，该导航方法汲取类目点击导航和类目商品数量导航的精华，综合考虑关键词对应的点击、购买等历史因素，同时加入查询词相关的商品数量信息，提供与搜索意图最相关的类目或属性。其中，所述类目是指商品的分类，有前台和后台之分，前台用于n(UserInterface，用户界面)展示，后台用于商品管理，前后台的映射关系通过规则来描述。目前主流的类目体系以树状结构表示，每个父类目有多个子类目，但每个子类目只有一个父类目，因此，自上而下类目表示的范围越来越小。所述属性是指对商品的描述，如T恤的材质、价格等都可以作为T恤的属性，并且每个属性至少存在2个及以上的取值，如材质的属性取值可以是纯棉和羊毛。下面通过实施例对本申请所述方法的实现流程进行详细说明。参照图1，其为本申请实施例所述一种电子商务网站导航方法的流程图。步骤101，对网站日志数据进行用户行为的统计分析，得到与查询词对应的导航推荐模型所需的参考数据，所述参考数据包含与查询词对应的类目点击分布数据、和/或类目购买分布数据、和/或类目相关性分布数据；其中，所述日志是指服务器对用户查询、点击事件的记录，由于数据量巨大，通常存储在分布式文件系统中。所述用户行为的统计分析是指对用户点击、购买等行为的统计分析。下面分别详细说明如何通过数据统计得到与查询词对应的类目点击分布数据、类目购买分布数据、类目相关性分布数据:I)可通过以下方式得到与查询词对应的类目点击分布数据:根据网站日志数据，统计通过查询词所点击的类目分布及每个类目的点击量，得到与该查询词对应的类目点击分布数据。例如，对于查询词“手套”，根据日志统计用户输入“手套” 一词后所点击的类目分布，所述类目分布包括广度和深度的分布，其中，广度分布如输入“手套”点击的一级类目有“户外/登山/野营/旅行”和“服饰配件/皮带/围巾帽”，深度分布如继续点击一级类目下的二级类目、三级类目，等等，直到叶子类目。对于用户点击的每个类目，根据日志统计该类目的点击量。通过上述统计分析，最终可以得到包含点击类目分布及每个类目点击量的类目点击分布数据。可选地，为了去除数据噪音，提高数据统计的精度，还可以包括以下步骤:将通过查询词所点击的各个类目的点击量累加，得到每个查询词的总点击量；过滤掉总点击量少于预设值的查询词。例如，将通过查询词所点击的所有一级类目、二级类目........叶子类目的点击
量相加，得到总点击量。这样，就可以过滤掉总点击量较少的查询词，而保留总点击量较多的查询词用于后续步骤。可选地，为了防止用户作弊，还可以包括以下步骤:根据网站日志数据，统计每个用户点击每个查询词的点击量，如果某用户点击某个查询词的点击量超过预设值，则将该用户点击该查询词的点击量进行削弱。例如，某用户A点击某查询词X的点击量超过一定阈值，则认为该用户可能有恶意点击的意图或者仅为该用户A的特别偏好，不能反映大多数用户对查询词X的点击倾向，甚至可能存在作弊行为，此时可以适当削弱该用户的点击量。一种常用的削弱方法是:将该用户点击该查询词的点击量限定为预设的上限值，当然实际应用中也可以有其他削弱方法，在此不再一一列举。2)可通过以下方式得到与查询词对应的类目购买分布数据:根据网站日志数据，将查询词对应的用户标识和点击到的商品标识，与用户标识和购买的商品标识，通过用户标识关联，得到通过某查询词点击到某商品并产生购买的类目购买分布数据。可选地，可以直接将上述I)得到的查询词作为需要统计的查询词，再统计这些查询词引导的成交量。具体的，根据查询词的用户id和点击到的商品id，和用户id购买的商品id进行关联，找到搜索了某查询词，并点击到某商品，且产生了购买的数据。认为搜索该查询词导致了这次购买，并认为该查询词和该商品所在类目有购买关系。3)可通过以下方式得到与查询词对应的类目相关性分布数据:根据网站日志数据，统计通过查询词所点击的各个类目中与查询词相关的商品数量，得到与查询词对应的类目相关性分布数据。可选地，同样可以直接将上述I)得到的查询词作为需要统计的查询词。例如，统
计通过某查询词所点击的所有一级类目、二级类目........叶子类目下，每个类目中与查
询词相关的商品数量，最终得到的类目相关性分布数据包含通过查询词所点击的各个类目以及每个类目下与查询词相关的商品数量。需要说明的是，与查询词相关的商品数量不同于文本匹配意义上的商品数量。举例来说，搜索某型号的手机时，如果按照文本匹配，由于配件类目下的商品数量远远超过手机类目，所以推荐的第一个类目是“3C数码配件市场”。但是，如果按照本申请实施例所述的类目相关性分布数据进行推荐，由于配件类目下的很多配件是用于数码产品的，而不是用于手机，所以配件类目下与手机相关的商品数量小于手机类目下与手机相关的商品数量，因此会优先推荐手机类目。需要说明的是，参考数据可以包含上述类目点击分布数据、类目购买分布数据、类目相关性分布数据中的任意一种或几种，并非必须同时包含。而且，当包含任意两种以上时，可以通过按比例汇总加权，将汇总加权后得到的值作为参考数据使用，具体实施例可参照图2所示。此外，可选地，基于上述1)、2)、3)的处理，还可以包含以下任意一个或多个步骤:4)统计用户在搜索查询词时的导航点击数据。具体的，所述导航点击数据是指用户输入查询词后，按照导航点击了哪些类目，以及点击了类目下的哪些商品。所述导航点击数据也可以作为参考数据使用。5)在类目体系中存在了相同意义类目时，需要在统计数据后将相同类目的数据进行合并。例如，“笔记本电脑桌”既属于“家俱”类目，又属于“电脑配件类目”，此时“家俱”和“电脑配件类目”这两个类目就是意义相同的类目，需要进行合并。6)对点击数据进行初步地去数据噪音处理，把点击量较少的类目进行过滤。即统计每个类目的点击量，然后将点击量少的类目过滤掉，保留点击量多的类目用于后续处理。
7)过滤掉失效类目的数据。网站系统每次调整类目分布后，有些类目可能被删除或合并到其他类目，这样的类目就是失效类目。步骤102，根据查询词对应的参考数据选择该查询词待使用的导航推荐模型；本申请实施例中，提供了多种导航推荐模型，每种导航推荐模型适用于具有不同类型参考数据的查询词。根据参考数据的分布特点，可以预测待使用的导航推荐模型。举例如下:1、首先把各个类目的类目点击分布数据(简称点击数据)、类目购买分布数据(简称交易数据)、类目相关性分布数据(简称商品数量数据)按比例汇总加权，并进行归一化。其中，每种数据都具有一定比例的权重。所述归一化是为了后续的计算方便而使用。可选地，对于高频查询词，可以提高点击数据的权重，而对于低频查询词，则可以提高商品数量的权重。例如，如果某查询词的点击总数< 100，则把商品数量的权重加大，其中权重=100/点击总数。2、把第I步得到的数据，按类目层级回溯到第一级类目。经过第I步的处理，对应每个类目都得到一个汇总加权并进行归一化后的数据，按照类目层级把低层类目的数据都层层回溯到上层类目，最后回溯到第一级类目，得到第一级类目对应的统计数据，所述统计数据是经过汇总加权和归一化处理后的数据。3、根据第一级类目的统计数据，选择待使用的导航推荐模型，具体的选择方法列举如下:如果一级类目的点击集中在“书籍”类目，则调用“书籍”类目推荐模型；如果点击最多的2个一级类目集中在“男装” “女装”类目，则调用父子类目推荐模型；如果点击最多的2个一级类目集中在“男鞋” “女鞋”类目，则调用“鞋”类推荐模型；如果点击最多的一级类目点击占比< 0.2，则调用发散型推荐模型；如果点击最多的一级类目点击占比> 0.98，则调用直达类目推荐模型；如果查询词中隐含类目信息，则调用带类目搜索推荐模型；如果查询词中隐含商品的描述信息，则调用类目属性混排推荐模型；......；如果上述情况都不满足，则调用平铺类目推荐模型。其中，所述一级类目的点击占比是指某个一级类目的点击量与总点击量的比值，即为该一级类目的点击占比。当然，上述仅作列举，实际应用中还可以根据其他情况而选择另外的导航推荐模型，本实施例不再一一列举。步骤103，将查询词对应的参考数据输入所选的导航推荐模型中，计算查询词对应的推荐结果数据，其中，按照自底向上的推荐方式将符合条件的类目和/或属性数据作为查询词对应的推荐结果数据；其中，推荐结果数据可以是类目数据(如图3所示)，也可以是属性数据(如图4所示)，还可以是类目和属性混合的数据(未给出示例图)。
上述列举的多种导航推荐模型基本都基于自动展开推荐方式，该推荐方式的核心思想是:按照类目层级，采用自底向上的推荐方式，如果某个类目的点击或购买占比达到一定阈值，则直接将该类目上提层级，或者将该类目替换上一层级类目。通过这样的推荐方式，点击或购买较多的低层级类目就可以直接跨越层级而提升到高层级显示，从而摆脱了传统的从上而下逐级展示类目的模式，帮助用户更快地定位到用户想要的商品类目。需要说明的是，具体实现过程中，按照自底向上的推荐方式将符合条件的类目和/或属性数据作为查询词对应的推荐结果数据，至少可以有两种实现方式:一种方式是，按照自底向上的推荐方式(即图2所述的自动展开推荐方式)，将符合条件的下一层级类目替换上一层级类目后得到的类目和/或属性数据，作为查询词对应的推荐结果数据；其中，所述符合条件的下一层级类目是指点击占比超过预设阈值的下一层级类目，所述点击占比是下一层级类目的点击量占当前类目总点击量的比值。另一种方式是，按照自底向上的推荐方式(即图2所述的自动展开推荐方式)，直接将符合条件的类目和/或属性数据上提层级，并作为查询词对应的推荐结果数据。步骤104，生成包含查询词与推荐结果数据映射关系的推荐词表；步骤105，当接收到在线输入的用户查询词时，查询所述推荐词表，并将对应该用户查询词的推荐结果数据输出。基于上述内容，下面首先详细说明自动展开推荐方式。参照图2，其为本申请实施例所述自动展开推荐方式的流程图。输入各种参考数据，如类目点击分布数据(简称点击数据)、类目购买分布数据(简称交易数据)、类目相关性分布数据(简称商品数量数据)，以及第一个当前类目期望推荐的类目个数，执行以下步骤:步骤201，按照类目层级自顶向下确定当前类目；例如，假设查询词“服装”对应的类目分布包含“女装”类目和“男装”类目，在“女装”和“男装”类目下各自包含多个子类目，如“男装”类目下包含“T恤”、“P0L0衫”、“长袖衬衫”等子类目。按照类目层级自顶向下，可以首先将多个子类目分别确定为当前类目。各种导航推荐模型确定当前类目的方法各不相同，这将在后面介绍导航推荐模型时进行详细说明。步骤202，如果当前类目是叶子类目，则返回推荐结果数据为当前类目；叶子类目是类目层级中的最底层类目。步骤203，否则，将查询词对应的参考数据汇总到当前类目的下一层级类目；即把各个类目的类目点击分布数据(简称点击数据)、类目购买分布数据(简称交易数据)、类目相关性分布数据(简称商品数量数据)按比例汇总加权，并进行归一化。然后，按照类目层级把低层类目的数据都层层回溯到当前类目的下一层级类目。例如，假设当前类目为“男装”类目下的“T恤”类目时，将“T恤”类目下的参考数据都汇总到“T恤”的下一层级类目“长袖T恤”、“短袖T恤”、“七分/五分袖T恤”、“无袖T恤”等。步骤204，选出点击占比超过预设阈值的下一层级类目，所述点击占比是下一层级类目的点击量占当前类目总点击量的比值；例如，假设“男装“T恤”的下一层级类目中，“长袖T恤”、“短袖T恤”类目中每个类目的点击占比都超过预设阈值，则选出这两个类目。同样，对于“男装”_> “POLO衫”的下一层级类目中，点击占比都超过预设阈值的下一层级类目包含“长袖POLO衫”、“短袖POLO衫”。对于“男装”_> “长袖衬衫”的下一层级类目中，点击占比都超过预设阈值的下一层级类目包含“带领长袖衬衫”、“无领长袖衬衫”。然后，对于选出的下一层级类目，还可以过滤出每个类目的参考数据，例如过滤出“长袖T恤”、“短袖T恤”这两个类目下的参考数据，后续针对“T恤”类目的计算将使用这些过滤出来的数据，而不是查询词“服装”或“男装”对应的所有参考数据。步骤205，根据当前期望推荐的类目个数计算下一层级期望推荐的类目个数；当前期望推荐的类目个数X在步骤201之前已设定输入，据此按照下述公式可以计算出当前类目的下一层级期望推荐的类目个数Y:Y = X*每个类目的点击占比+1例如，假设X取值为6，“男装“T恤”类目的点击占比为0.5，“男装“P0L0衫”类目的点击占比为0.4，“男装“长袖衬衫”类目的点击占比为0.1 jlJ“T恤”类目的下一层级期望推荐的类目个数Y为4，“P0L0衫”类目的下一层级期望推荐的类目个数Y为3 (3.4取整)，“长袖衬衫”类目的下一层级期望推荐的类目个数Y为I (1.6取整)。步骤206，如果选出的下一层级类目个数大于下一层级期望推荐的类目个数，则取消往下一层级的推荐，返回推荐结果数据为当前类目；如前所述，“男装”-> “长袖衬衫”选出的下一层级类目个数2大于下一层级期望推荐的类目个数1，则取消往“长袖衬衫”的下一层级的推荐，返回推荐结果数据为“长袖衬衫”类目的数据。步骤207，如果选出的下一层级类目个数小于等于下一层级期望推荐的类目个数，并且下一层级类目不是叶子类目，则将下一层级类目替换当前类目，并将下一层级类目的每个类目确定为当前类目，继续按照上述步骤进行当前类目的下一层级类目的推荐；如前所述，“男装”_> “T恤”选出的下一层级类目个数2小于下一层级期望推荐的类目个数4，并且下一层级类目“长袖T恤”、“短袖T恤”均不是叶子类目，则将“长袖T恤”、“短袖T恤”类目替换“T恤”类目，并且将“长袖T恤”、“短袖T恤”类目分别确定为当前类目，继续按照上述步骤202至208进行递归计算。同样，“男装“P0L0衫”选出的下一层级类目个数2小于下一层级期望推荐的类目个数3，并且下一层级类目“长袖P0L0衫”、“短袖P0L0衫”均不是叶子类目，则将“长袖P0L0衫”、“短袖P0L0衫”类目替换“P0L0衫”类目，并且将“长袖P0L0衫”、“短袖P0L0衫”类目分别确定为当前类目，继续按照上述步骤202至208进行递归计算。在后续的递归计算中，“长袖T恤”、“短袖T恤”、“长袖P0L0衫”、“短袖P0L0衫”均有可能被再下一层级的类目替换掉。由此可知，通过层层的筛选和替换，就可以把位于类目分布低层的但是加权分值高的类目直接提升到上层类目中，这样用户就能快速找到该类目，无需从上而下逐层点击才能在最下层找到该类目。步骤208，如果选出的下一层级类目个数小于下一层级期望推荐的类目个数，并且下一层级类目为叶子类目，则将下一层级类目替换当前类目，并根据参考数据中的类目购买分布数据补足类目数据。假设下一层级类目“长袖P0L0衫”、“短袖P0L0衫”均是叶子类目，则同样将“长袖POLO衫”、“短袖POLO衫”类目替换“POLO衫”类目，但是不再进行递归计算。此时期望推荐的类目个数为3，但是目前的类目个数为2，可以利用类目购买分布数据(简称交易数据)补足类目数据，例如根据交易情况，选择交易成交量最大的另一类目填补到“男装”类目下。最终，经过步骤201至208的第一次计算处理后，可得到如图3所示的结果。其中，假设“长袖POLO衫”、“短袖P0L0衫”均不是叶子类目。如果继续对“长袖T恤”、“短袖T恤”、“长袖P0L0衫”、“短袖P0L0衫”按照图2步骤进行计算，则图3的展示结果还可能有所更改。基于上述自动展开推荐方式，下面分别详细说明每个导航推荐模型的具体推荐方法。I)父子类目推荐模型推荐方法包括以下步骤:步骤Al，将查询词对应的参考数据汇总到一级类目；如前所述，所述参考数据包括类目点击分布数据(简称点击数据)、类目购买分布数据(简称交易数据)、类目相关性分布数据(简称商品数量数据)等数据，所述汇总包括按比例汇总加权和归一化处理。步骤BI，将点击最多的两个一级类目分别作为父类目；具体的，如果点击最多的一级类目有两个，即这两个一级类目的点击量一样，则选这两个一级类目为父类目。如果点击最多的一级类目有一个，点击第二多的一级类目有一个，则选这两个一级类目为父类目。但是，如果点击最多的一级类目只有一个，而点击第二多的一级类目有两个，此时可以按照下述方式确定父类目:点击第二多的类目点击> 点击最多那个类目的点击*0.05 ；或者，点击第二多的类目可以展开，并且点击第二多的类目点击>点击最多那个类目的点击*0.1。满足上述任一条件，则把点击最多的第一、第二类目作为父类目推荐。步骤Cl，分别过滤出父类目下的参考数据，用自动展开推荐方式进行推荐；即对上述父类目的子类目按照自底向上的推荐查看是否可被符合条件的下一层级类目所替换，最终将符合条件的类目和/或属性数据作为推荐结果数据。例如，父类目为“男装”和“女装”，则对分别对“男装”和“女装”的每一个子类目，用图2所示的自动展开推荐方式进行推荐。此时，初始设定每一个子类目为当前类目。步骤Dl，将剩余的一级类目作为同一个父类目下的子类目，用自动展开推荐方式进行推荐；这个父类目可以定义为“其它”类目，如图3所示。对“其它”类目的每个子类目，用图2所示的自动展开推荐方式，按照自底向上的推荐查看是否可被符合条件的下一层级类目所替换，最终得到具有新类目层级的推荐结果数据。步骤E1，如果“其它”类目包含的子类目小于期望个数，使用类目购买分布数据(简称交易数据)补足类目数据。2)发散型推荐模型推荐方法包括以下步骤:
步骤A2，将查询词对应的参考数据汇总到一级类目；如前所述，所述参考数据包括类目点击分布数据(简称点击数据)、类目购买分布数据(简称交易数据)、类目相关性分布数据(简称商品数量数据)等数据，所述汇总包括按比例汇总加权和归一化处理。步骤B2，按照点击量从高到低对一级类目进行排序，并选择排序靠前的多个一级类目；例如，最多选择16个一级类目。步骤C2，对上述选出的每个一级类目按照自底向上的推荐查看是否可被符合条件的下一层级类目所替换，最终将符合条件的类目和/或属性数据作为推荐结果数据；步骤D2，将剩余的一级类目作为“其它”类目的下级类目，用自动展开推荐方式进行推荐；步骤E2，如果“其它”类目包含的子类目小于期望个数，使用类目购买分布数据(简称交易数据)补足类目数据。3)直达类目推荐模型直达类目推荐模型是用户的查询与某个前台类目存在明确的对应关系时进入该类目进行搜索，搜索结果列表只返回该类目下的商品。其推荐方法包括以下步骤:步骤A3，将查询词对应的参考数据汇总到一级类目；如前所述，所述参考数据包括类目点击分布数据(简称点击数据)、类目购买分布数据(简称交易数据)、类目相关性分布数据(简称商品数量数据)等数据，所述汇总包括按比例汇总加权和归一化处理。步骤B3，选出点击占比超过预设阈值的一级类目，所述点击占比是一级类目的点击量占总点击量的比值；例如，选出点击占比大于> 0.98的一级类目作为直达推荐类目。步骤C3，检查上述选出的每个一级类目的相关商品数量是否大于预设数量，如果是，则将该一级类目确定为直达类目，并作为查询词对应的推荐结果数据。例如，设定所述预设数量为50，。步骤D3，如果直达到的类目是叶子类目，则还需要推荐该类目下的属性。关于属性的推荐可参见下面5)中的类目属性混排推荐模型。4)带类目搜索推荐模型如果查询词中隐含类目信息，则可以直接定位到这个类目，然后采用自动展开推荐方式在这个类目下进行类目推荐。带类目搜索推荐模型的推荐方法包括以下步骤:步骤A4，根据查询词汇中隐含的类目信息查找相应类目；例如，查询词“男装T恤”包含“女装”这个类目，则查找“男装”类目下的参考数据。步骤B4，将查询词对应的参考数据汇总到所述类目的下一层级类目；例如，将参考数据按照比例汇总加权并归一化，回溯到“男装”类目的下一层级类目“T恤，，、“POLO衫”、“长袖衬衫”等。步骤C4，按照点击量从高到低对下一层级类目进行排序，并选择排序靠前的多个下一层级类目；例如，选出“T恤，，、“POLO衫”、“长袖衬衫”三个类目。步骤D4，对上述每个下一层级类目按照自底向上的推荐查看是否可被符合条件的再下一层级类目所替换，最终将符合条件的类目和/或属性数据作为推荐结果数据。例如，对“T恤”、“P0L0衫”、“长袖衬衫”这三个类目按照图2方法进行自动展开推荐。5)类目属性混排推荐模型本申请实施例在提供类目推荐的基础上，还提供了属性推荐功能。属性推荐是一种属性直达的推荐，用户的查询与属性的某个取值存在明确的对应关系时，带上该条件进行搜索，搜索结果列表只返回具有该属性取值的商品。其推荐方法包括以下步骤:步骤A5，将查询词对应的参考数据汇总到叶子类目，属性出现在叶子类目；步骤B5，按照点击量和/或熵差从高到低对属性进行排序，并选择排序靠前的多个属性；例如，选取排序靠前的5个属性推荐。其中，所述熵差是指选中某一项属性的信息增益。步骤C5，针对上述选出的每个属性，按照点击量从高到低对属性值进行排序，并选择排序靠前的多个属性值；由于每个属性都具有多个属性值，因此也需要对属性值进行排序筛选。例如，如果属性是数值类型属性，选出点击最高的6个值，按数值进行排序。步骤D5，对于属性值和查询词进行文本匹配，如果完全匹配，或同义词匹配，则进行属性预选；步骤E5，将上述进行属性预选的多个属性及其对应的属性值作为查询词对应的推荐结果数据；步骤F5，对于进行预选的属性，判断是否有子属性，如果有子属性，将子属性进行上提展示。即判断上述选出的每个属性是否有子属性，如果有，则将子属性替换属性，并将替换后的子属性及其属性值作为查询词对应的推荐结果数据。例如，参照图4所示，是对应查询词“连衣裙”在连衣裙类目下的结果，其中“品牌”、“袖长”、“材质”、“裙长”、“图案”是指属性，每个属性右侧的信息是属性值，如属性“图案”的属性值包括“纯色”、“花色”、“条纹”。再例如，参照图5所示，对应查询词“nokia”给出品牌属性直达推荐后，由于对应的品牌属性还具有子属性，因此直接展示出子属性及其属性值。6) “书籍”类目推荐模型和“鞋”类推荐模型这种明确类目的推荐与带类目的推荐类似，都直接定位到某个类目后，采用自动展开推荐方式在这个类目下进行类目推荐。但不同之处在于:带类目的推荐是查询词中隐含了类目信息，而这种“书籍”或“鞋”类的推荐，其查询词中没有隐含类目信息，但是根据一级类目的集中点击可以判断出需要调用“书籍”类目推荐模型或“鞋”类推荐模型。当然，除了这两种推荐模型，也可以有“手机”或其他商品专有的类目推荐模型。
7)平铺类目推荐模型平铺推荐是一种类似于发散推荐的方法，但平铺推荐的类目个数相对较少，一般最多推荐8个一级类目，而发散推荐的类目个数较多，一般最多可以推荐16个一级类目。对于平铺推荐的每个一级类目，也可以采用自动展开推荐方式进行类目推荐。需要说明的是，上述仅列举了几种典型的导航推荐模型，但本申请的保护范围不限定于上述列举的几种。综上所述，本申请实施例提供的智能导航能够根据用户的查询词返回与用户搜索意图相关的类目或属性导航，用户无需多次点击，就能很快查找到自己需要的商品，这不但节省了用户的搜索时间，还减轻了相关服务器的访问负担。与类目点击导航最大的差异在于，本申请的智能导航采用自底向上的推荐方式，与查询词对应的推荐结果数据是按照自底向上的推荐将符合条件的下一层级类目替换上一层级类目后得到，如果某个类目的点击或购买占比达到一定阈值，则停止向上回溯的过程，从而摆脱了从上而下逐级展示类目的模式，能更快地定位到用户想要的商品类目。与类目商品数量导航最大的差异在于，本申请的智能导航提取类目下与查询词相关的商品数量而不是文本匹配意义上的商品数量，且商品数量信息只在特定的情况下(如处理低频查询词时)作为参考数据被使用。而且，本申请的智能导航引入了属性推荐和属性预选功能，如果用户的查询词隐含了商品的描述信息，导航提供属性预选功能，精确锁定目标商品。并且，当可参考的历史点击数据较少时，如果纯粹地利用这些点击数据可能降低推荐类目的丰富性。针对此问题，本申请的智能导航还参考了交易数据、相关商品数量、用户的点击导航情况等各种历史数据，丰富了推荐类目。需要说明的是，对于前述的方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本申请所必需的。基于上述方法实施例的说明，本申请还提供了相应的导航系统实施例，来实现上述方法实施例所述的内容。参照图6，是本申请实施例所述一种电子商务网站导航系统的结构图。所述导航系统可以包括以下模块:数据分析模块10，用于对网站日志数据进行用户行为的统计分析，得到与查询词对应的导航推荐模型所需的参考数据，所述参考数据包含与查询词对应的类目点击分布数据、和/或类目购买分布数据、和/或类目相关性分布数据；模型预测模块20，用于根据查询词对应的参考数据选择该查询词待使用的导航推荐模型；类目属性推荐模块30，用于将查询词对应的参考数据输入所选的导航推荐模型中，计算查询词对应的推荐结果数据，其中，按照自底向上的推荐方式将符合条件的类目和/或属性数据作为查询词对应的推荐结果数据；推荐词表生成模块40，用于生成包含查询词与推荐结果数据映射关系的推荐词表；
在线查询模块50，用于当接收到在线输入的用户查询词时，查询所述推荐词表，并将对应该用户查询词的推荐结果数据输出。其中，所述类目属性推荐模块30按照自底向上的推荐方式，将符合条件的下一层级类目替换上一层级类目后得到的类目和/或属性数据，作为查询词对应的推荐结果数据；其中，所述符合条件的下一层级类目是指点击占比超过预设阈值的下一层级类目，所述点击占比是下一层级类目的点击量占当前类目总点击量的比值。其中，所述导航推荐模型可以包括父子类目推荐模型，发散型推荐模型，带类目搜索推荐模型，类目属性混排推荐模型，直达类目推荐模型，平铺类目推荐模型，“书籍”类目推荐模型，“鞋”类推荐模型，等等，多种类型的推荐模型。具体的，所述数据分析模块10可采用图1中步骤101的方法进行统计分析，并得到与查询词对应的各种参考数据，在此不再详述。所述模型预测模块20可采用图1中步骤102的方法选择导航推荐模型，在此不再详述。进一步的，所述类目属性推荐模块30可以包含自动展开推荐子模块，所述自动展开推荐子模块可采用图2所示方法进行自动展开推荐计算，在此不再详述。而对于上述列举的多种导航推荐模型，模型预测模块20会采用不同的推荐方法计算查询词对应的推荐结果数据，具体也可参见上述I)至7)对七个模型的说明。对于上述导航系统实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见相关方法实施例的部分说明即可。此外，基于上述方法实施例的说明，本申请还提供了另一种智能导航在电子商务网站中的应用系统,如图7所示。参照图7，其为智能导航在电子商务网站中的应用系统架构图。所述应用系统主要包括类目属性推荐、线下数据处理和线上实时查询三大模块。其中，类目属性推荐模块的核心是:利用云计算平台提供的分布式计算功能对用户的行为数据(如搜索日志、点击日志和购买成交日志)进行分析得到推荐系统需要的参考数据，再根据查询词的类型采用相应的模型推荐类目或属性等智能导航推荐数据。线下数据处理模块在得到智能导航推荐数据后加入一致性检查、坡改平调整、类目改名、失效检查、商品数量检查等处理逻辑对推荐效果进行调整，并结合部分超高频查询词的人工编辑效果形成最终的推荐词表。线上实时查询模块借助强大的apache框架，最终将类目属性推荐数据读入QP服务器(全名为Query planer，对查询词进行改写和添加附属类目属性信息的服务器)，QP向前端服务器提供实时地在线查询服务。所述应用系统的主要工作过程如下:1、日志收集服务器将用户行为数据转化成可识别的记录，并每隔一段时间将这些记录写入HDFS存储系统；2、由于日志数据量巨大，整个推荐的计算过程依赖云计算平台。首先，利用云计算平台对原始日志进行分析，得到查询词相关的类目点击分布、类目购买分布和类目相关性分布(即类目商品数量信息)等参考数据；再根据查询词的参考数据类型调用相应的导航推荐模型计算类目属性的推荐；
3、线下对云计算平台的输出数据进行一系列处理，包括一致性转化、坡改平、类目改名、商品数量检查、弓I入人工编辑数据等，形成以一定格式组织的推荐数据；4、将最终的推荐数据编译成二进制文件，装载至QP服务器，在apache的框架下提供实时查询服务；5、用户在搜索框输入关键词之后点击搜索按钮，前端服务器接收到该请求后向QP服务器发出一条请求，QP服务器返回包括智能导航推荐信息在内的数据。本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。而且，上文中的“和/或”表示本文既包含了 “和”的关系，也包含了 “或”的关系，其中:如果方案A与方案B是“和”的关系，则表示某实施例中可以同时包括方案A和方案B ;如果方案A与方案B是“或”的关系，则表示某实施例中可以单独包括方案A，或者单独包括方案B。以上对本申请所提供的一种电子商务网站导航方法及系统，进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式
及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。
权利要求
1.一种电子商务网站导航方法，其特征在于，包括: 对网站日志数据进行用户行为的统计分析，得到与查询词对应的导航推荐模型所需的参考数据，所述参考数据包含与查询词对应的类目点击分布数据、和/或类目购买分布数据、和/或类目相关性分布数据； 根据查询词对应的参考数据选择该查询词待使用的导航推荐模型； 将查询词对应的参考数据输入所选的导航推荐模型中，计算查询词对应的推荐结果数据，其中，按照自底向上的推荐方式将符合条件的类目和/或属性数据作为查询词对应的推荐结果数据； 生成包含查询词与推荐结果数据映射关系的推荐词表； 当接收到在线输入的用户查询词时，查询所述推荐词表，并将对应该用户查询词的推荐结果数据输出。
2.根据权利要求1所述的方法，其特征在于，所述按照自底向上的推荐方式将符合条件的类目和/或属性数据作为查询词对应的推荐结果数据，包括: 按照自底向上的推荐方式，将符合条件的下一层级类目替换上一层级类目后得到的类目和/或属性数据，作为查询词对应的推荐结果数据； 其中，所述符合条件的下一层级类目是指点击占比超过预设阈值的下一层级类目，所述点击占比是下一层级类目 的点击量占当前类目总点击量的比值。
3.根据权利要求1所述的方法，其特征在于，通过以下方式得到与查询词对应的类目点击分布数据: 根据网站日志数据，统计通过查询词所点击的类目分布及每个类目的点击量，得到与该查询词对应的类目点击分布数据。
4.根据权利要求3所述的方法，其特征在于，还包括: 将通过查询词所点击的各个类目的点击量累加，得到每个查询词的总点击量； 过滤掉总点击量少于预设值的查询词。
5.根据权利要求4所述的方法，其特征在于，还包括: 根据网站日志数据，统计每个用户点击每个查询词的点击量，如果某用户点击某个查询词的点击量超过预设值，则将该用户点击该查询词的点击量进行削弱。
6.根据权利要求1至5任一所述的方法，其特征在于，通过以下方式得到与查询词对应的类目购买分布数据: 根据网站日志数据，将查询词对应的用户标识和点击到的商品标识，与用户标识和购买的商品标识，通过用户标识关联，得到通过某查询词点击到某商品并产生购买的类目购买分布数据。
7.根据权利要求1至5任一所述的方法，其特征在于，通过以下方式得到与查询词对应的类目相关性分布数据: 根据网站日志数据，统计通过查询词所点击的各个类目中与查询词相关的商品数量，得到与查询词对应的类目相关性分布数据。
8.根据权利要求1所述的方法，其特征在于，所述导航推荐模型包括父子类目推荐模型，所述将查询词对应的参考数据输入父子类目推荐模型，计算查询词对应的推荐结果数据，包括:将查询词对应的参考数据汇总到一级类目； 将点击最多的两个一级类目分别作为父类目，将剩余的一级类目作为同一个父类目下的子类目； 对上述每个父类目的子类目按照自底向上的推荐查看是否可被符合条件的下一层级类目所替换，最终将符合条件的类目和/或属性数据作为推荐结果数据。
9.根据权利要求1所述的方法，其特征在于，所述导航推荐模型包括发散型推荐模型，所述将查询词对应的参考数据输入发散型推荐模型，计算查询词对应的推荐结果数据，包括: 将查询词对应的参考数据汇总到一级类目； 按照点击量从高到低对一级类目进行排序，并选择排序靠前的多个一级类目； 对上述选出的每个一级类目按照自底向上的推荐查看是否可被符合条件的下一层级类目所替换，最终将符合条件的类目和/或属性数据作为推荐结果数据。
10.根据权利要求1所述的方法，其特征在于，所述导航推荐模型包括带类目搜索推荐模型，如果查询词中隐含类目信息，则将查询词对应的参考数据输入带类目搜索推荐模型，计算查询词对应的推荐结果数据包括: 根据查询词汇中隐含的类目信息查找相应类目； 将查询词对应的参考数据汇总到所述类目的下一层级类目； 按照点击量从高到低对下一层级类目进行排序，并选择排序靠前的多个下一层级类目； 对上述每个下一层级类目按照自底向上的推荐查看是否可被符合条件的再下一层级类目所替换，最终将符合条件的类目和/或属性数据作为推荐结果数据。
11.根据权利要求8至10任一所述的方法，其特征在于，对每个类目按照自底向上的推荐查看是否可被符合条件的下一层级类目所替换，包括: 按照类目层级自顶向下确定当前类目； 如果当前类目是叶子类目，则返回推荐结果数据为当前类目； 否则，将查询词对应的参考数据汇总到当前类目的下一层级类目； 选出点击占比超过预设阈值的下一层级类目，所述点击占比是下一层级类目的点击量占当前类目总点击量的比值； 根据当前期望推荐的类目个数计算下一层级期望推荐的类目个数； 如果选出的下一层级类目个数大于下一层级期望推荐的类目个数，则取消往下一层级的推荐，返回推荐结果数据为当前类目； 如果选出的下一层级类目个数小于等于下一层级期望推荐的类目个数，并且下一层级类目不是叶子类目，则将下一层级类目替换当前类目，并将下一层级类目的每个类目确定为当前类目，继续按照上述步骤进行当前类目的下一层级类目的推荐。
12.根据权利要求11所述的方法，其特征在于: 如果选出的下一层级类目个数小于下一层级期望推荐的类目个数，并且下一层级类目为叶子类目，则将下一层级类目替换当前类目，并根据参考数据中的类目购买分布数据选出相差的类目个数进行补充，达到下一层级期望推荐的类目个数。
13.根据权利要求1所述的方法，其特征在于，所述导航推荐模型包括类目属性混排推荐模型，如果查询词中隐含商品的描述信息，则将查询词对应的参考数据输入类目属性混排推荐模型，计算查询词对应的推荐结果数据，包括: 将查询词对应的参考数据汇总到叶子类目，属性出现在叶子类目； 按照点击量和/或熵差从高到低对属性进行排序，并选择排序靠前的多个属性； 针对上述选出的每个属性，按照点击量从高到低对属性值进行排序，并选择排序靠前的多个属性值； 将上述选出的多个属性及其对应的属性值作为查询词对应的推荐结果数据。
14.根据权利要求13所述的方法，其特征在于，还包括: 判断上述选出的每个属性是否有子属性，如果有，则将子属性替换属性； 将替换后的子属性及其属性值作为查询词对应的推荐结果数据。
15.根据权利要求1或13所述的方法，其特征在于，所述导航推荐模型包括直达类目推荐模型，所述将查询词对应的参考数据输入直达类目推荐模型，计算查询词对应的推荐结果数据包括: 将查询词对应的参考数据 汇总到一级类目； 选出点击占比超过预设阈值的一级类目，所述点击占比是一级类目的点击量占总点击量的比值； 检查上述选出的每个一级类目的相关商品数量是否大于预设数量，如果是，则将该一级类目确定为直达类目，并作为查询词对应的推荐结果数据。
16.一种电子商务网站导航系统，其特征在于，包括: 数据分析模块，用于对网站日志数据进行用户行为的统计分析，得到与查询词对应的导航推荐模型所需的参考数据，所述参考数据包含与查询词对应的类目点击分布数据、和/或类目购买分布数据、和/或类目相关性分布数据； 模型预测模块，用于根据查询词对应的参考数据选择该查询词待使用的导航推荐模型； 类目属性推荐模块，用于将查询词对应的参考数据输入所选的导航推荐模型中，计算查询词对应的推荐结果数据，其中，按照自底向上的推荐方式将符合条件的类目和/或属性数据作为查询词对应的推荐结果数据； 推荐词表生成模块，用于生成包含查询词与推荐结果数据映射关系的推荐词表；在线查询模块，用于当接收到在线输入的用户查询词时，查询所述推荐词表，并将对应该用户查询词的推荐结果数据输出。
全文摘要
本发明提供了一种电子商务网站导航方法及系统，以解决现有的各种导航方法给出的搜索结果与用户搜索意图的相关性都较差，用户不能快速找到想要的商品的问题，以减轻访问服务器的负担。本发明提供的智能导航汲取类目点击导航和类目商品数量导航的精华，综合考虑关键词对应的点击、购买等历史因素，以及查询词相关的商品数量信息等，提供与搜索意图最相关的类目或属性。而且，本发明的智能导航引入了属性推荐和属性预选功能，如果用户的查询词隐含了商品的描述信息，导航提供属性预选功能，精确锁定目标商品。
文档编号G06Q30/00GK103218719SQ20121001829
公开日2013年7月24日 申请日期2012年1月19日 优先权日2012年1月19日
发明者曾安祥, 潘春香 申请人:阿里巴巴集团控股有限公司