电子商务推荐模型的品牌特征提取方法及系统的制作方法
【专利摘要】本发明涉及一种电子商务推荐模型的品牌特征提取方法，包括：对进行电子商务销售的品牌的基础数据进行时间分片，从而构造不同时间片的品牌特征序列；根据上述构造的不同时间片的品牌特征序列，对品牌的交易数据进行热度和成本分析，提取品牌的特征。本发明还涉及一种电子商务推荐模型的品牌特征提取系统。本发明依据基本的用户日志信息和品牌操作信息进行维度扩建，提取新的特征集合，构建推荐模型的品牌特征体系。
【专利说明】电子商务推荐模型的品牌特征提取方法及系统
【技术领域】
[0001] 本发明涉及一种电子商务推荐模型的品牌特征提取方法及系统。
【背景技术】
[0002] 互联网和信息技术的发展引发了思维方法、生活方式和商业模式的巨大变革。在 全球商业语境下，"大数据时代"要求电商品牌运用海量数据处理系统对消费者从信息搜索 到产品购买甚至购买后行为的跟踪和搜索，针对消费者的需求做出更加实时和精细化的决 策。基本个性化推荐技术都需要从网站行为的日志信息中提取出用户和品牌的特征信息， 并通过特征选择，消除无关和冗余特征，才能得到令人满意的推荐效果。然而常规的网站日 志信息事无巨细地包含了每个请求的详细信息，冗余的信息中真正可以进行数据特征提取 的只有用户行为数据，包括点击、购买、收藏、购物车等操作信息。
[0003] 数据特征提取在数据管理和机器学习领域发挥着重要的作用，但是现有的数据特 征化是指在保留数据特征的情况下减小原始数据的规模。数据特征化的工业背景随着数据 大规模增长，产生隐含大量有效信息的高维海量数据，若要在这些高价值总量，低价值密度 的数据中发现有价值的知识，需要通过数据特征提取保留复杂数据中的有效信息，将低价 值密度的信息转化为高价值密度的信息。
[0004] 目前的特征提取方法可以在已知丰富的基础信息上提取得到所需的隐性特征，或 者通过专业人事获取业务相关的专业知识为背景。然而，在实际面临的数据挖掘工程中，希 望通过最稀少的信息构造出高维度且正交的数据特征是上述特征构建方案所不能实现的。
【发明内容】
[0005] 有鉴于此，有必要提供一种电子商务推荐模型的品牌特征提取方法及系统。
[0006] 本发明提供一种电子商务推荐模型的品牌特征提取方法，该方法包括如下步骤： 对进行电子商务销售的品牌的基础数据进行时间分片，从而构造不同时间片的品牌特征序 列；根据上述构造的不同时间片的品牌特征序列，对品牌的交易数据进行热度和成本分析， 提取品牌的特征。
[0007] 其中，该方法还包括：对上述提取的品牌的特征进行数值修正。
[0008] 所述的时间分片包括：常规的时间分片和基于购买行为的时间分片，其中所述常 规的时间分片包括：按照自然日期分片、根据品牌每天的营销状况及时间惩罚因子分片、按 照日期从近至远间隔由短变长分片，所述基于购买行为的时间分片方式指把用户对品牌的 时间行为序列以购买日期为切分点。
[0009] 所述的品牌的特征包括：品牌的转化比、品牌的营销周期、品牌的热度、品牌再购 买概率。
[0010] 所述的数值修正指通过log函数的进行数值修正。
[0011] 本发明还提供一种电子商务推荐模型的品牌特征提取系统，包括时间分片模块、 特征提取模块，其中：所述时间分片模块用于对进行电子商务销售的品牌的基础数据进行 时间分片，从而构造不同时间片的品牌特征序列；所述特征提取模块用于根据上述构造的 不同时间片的品牌特征序列，对品牌的交易数据进行热度和成本分析，提取品牌的特征。
[0012] 其中，该系统还包括数值修正模块，所述数值修正模块用于对上述提取的品牌的 特征进行数值修正。
[0013] 所述的时间分片包括：常规的时间分片和基于购买行为的时间分片，其中所述常 规的时间分片包括：按照自然日期分片、根据品牌每天的营销状况及时间惩罚因子分片、按 照日期从近至远间隔由短变长分片，所述基于购买行为的时间分片方式指把用户对品牌的 时间行为序列以购买日期为切分点。
[0014] 所述的品牌的特征包括：品牌的转化比、品牌的营销周期、品牌的热度、品牌再购 买概率。
[0015] 所述的数值修正指通过log函数的进行数值修正。
[0016] 本发明电子商务推荐模型的品牌特征提取方法及系统，能够使电子商务网站在海 量数据基础上，依据基本的用户日志信息和品牌操作信息进行维度扩建，提取新的特征集 合，构建推荐模型的品牌特征体系。本发明提取的数据价值高，提取效果好。
【专利附图】
【附图说明】
[0017] 图1为本发明电子商务推荐模型的品牌特征提取方法的流程图；
[0018] 图2为基于购买行为的时间分片方式示意图；
[0019] 图3为本发明电子商务推荐模型的品牌特征提取系统的硬件架构图。
【具体实施方式】
[0020] 下面结合附图及具体实施例对本发明作进一步详细的说明。
[0021] 参阅图1所示，是本发明电子商务推荐模型的品牌特征提取方法较佳实施例的作 业流程图。
[0022] 步骤S401，对进行电子商务销售的品牌的基础数据进行时间分片，构造不同时间 片的品牌特征序列。具体如下：
[0023] 本实施例以天猫商城为例进行说明。在天猫商城，每天都会有数千万的用户通过 品牌发现自己喜欢的商品，品牌是连接消费者和商品的最重要的纽带。在已有的历史记录 中，如何提取品牌的特征，第一个关键特征就在于品牌营销状况的时间序列特征。
[0024] 常规的时间分片有三种方式：
[0025] (1)按照自然日期分割，按周、半月、月分割，直接计算品牌不同时间跨度内的点 击、收藏等情况。以四个月总记录，若按周可以分割为16片，每片的点击、购买、收藏、购物 车为7天内点击、购买、收藏、购物车之和；若按半月可以分割为8片，每片的点击、购买、收 藏、购物车为14天内点击、购买、收藏、购物车之和；若按月可以分割为4片，每片的点击、购 买、收藏、购物车为30天内点击、购买、收藏、购物车之和。
[0026] (2)直接将品牌每天的营销状况乘以一个时间惩罚因子K，品牌最近被购买比前 一个月前被购买更为重要，所以时间惩罚与时间成反比，时间越近惩罚值越小，时间越远惩 罚值越大。
【权利要求】
1. 一种电子商务推荐模型的品牌特征提取方法，其特征在于，该方法包括如下步骤： 对进行电子商务销售的品牌的基础数据进行时间分片，从而构造不同时间片的品牌特 征序列； 根据上述构造的不同时间片的品牌特征序列，对品牌的交易数据进行热度和成本分 析，提取品牌的特征。
2. 如权利要求1所述的方法，其特征在于，该方法还包括：对上述提取的品牌的特征进 行数值修正。
3. 如权利要求1所述的方法，其特征在于，所述的时间分片包括：常规的时间分片和基 于购买行为的时间分片，其中所述常规的时间分片包括：按照自然日期分片、根据品牌每天 的营销状况及时间惩罚因子分片、按照日期从近至远间隔由短变长分片，所述基于购买行 为的时间分片方式指把用户对品牌的时间行为序列以购买日期为切分点。
4. 如权利要求1所述的方法，其特征在于，所述的品牌的特征包括：品牌的转化比、品 牌的营销周期、品牌的热度、品牌再购买概率。
5. 如权利要求2所述的方法，其特征在于，所述的数值修正指通过log函数的进行数值 修正。
6. -种电子商务推荐模型的品牌特征提取系统，其特征在于，该系统包括时间分片模 块、特征提取模块，其中： 所述时间分片模块用于对进行电子商务销售的品牌的基础数据进行时间分片，从而构 造不同时间片的品牌特征序列； 所述特征提取模块用于根据上述构造的不同时间片的品牌特征序列，对品牌的交易数 据进行热度和成本分析，提取品牌的特征。
7. 如权利要求6所述的系统，其特征在于，该系统还包括数值修正模块，所述数值修正 模块用于对上述提取的品牌的特征进行数值修正。
8. 如权利要求6所述的系统，其特征在于，所述的时间分片包括：常规的时间分片和基 于购买行为的时间分片，其中所述常规的时间分片包括：按照自然日期分片、根据品牌每天 的营销状况及时间惩罚因子分片、按照日期从近至远间隔由短变长分片，所述基于购买行 为的时间分片方式指把用户对品牌的时间行为序列以购买日期为切分点。
9. 如权利要求6所述的系统，其特征在于，所述的品牌的特征包括：品牌的转化比、品 牌的营销周期、品牌的热度、品牌再购买概率。
10. 如权利要求7所述的系统，其特征在于，所述的数值修正指通过log函数的进行数 值修正。
【文档编号】G06Q30/02GK104408641SQ201410593894
【公开日】2015年3月11日 申请日期:2014年10月29日 优先权日:2014年10月29日
【发明者】沈慧, 范小朋, 赵东辉, 须成忠 申请人:深圳先进技术研究院