商品包的生成方法、系统、存储介质及电子设备与流程

本技术涉及网络信息挖掘，具体涉及一种商品包的生成方法、系统、存储介质及电子设备。

背景技术：

1、随着移动互联网的蓬勃发展和电子支付手段的普及，电商平台已成为广大消费者网上购物的首选途径。为了提升客户的网络购物体验和平台销售业绩，电商平台会主动向用户推送商品包。

2、现有的商品包主要基于用户历史购买记录生成。举例来说，某用户1年前购买了婴儿洗浴用品，电商平台根据该记录，生成含有婴儿洗浴商品的商品包。但是，目前该用户的孩子可能已经进入儿童阶段，不再需要这类婴儿商品，而是需要儿童商品。

3、可见，现有方案会产生大量的无效商品包，浪费了平台的推送资源。

技术实现思路

1、本技术提供了一种商品包的生成方法、系统、存储介质及电子设备，可以生成贴合用户购买需求的商品包。

2、在本技术的第一方面，本技术提供了一种商品包的生成方法，包括：

3、获取用户已付款的第一商品和待付款的第二商品；

4、确定与所述第一商品相关联的第一推荐商品，所述第一商品的开始使用时间与所述第一推荐商品的预估开始使用时间之间的间隔时长大于0；

5、确定各所述第一推荐商品与所述第一商品的第一关联度；

6、根据各所述间隔时长和各所述第一关联度，组合各所述第一推荐商品，生成第一商品包；

7、根据所述第二商品，调整所述第一商品包中的第一推荐商品，得到目标商品包。

8、通过采用上述技术方案，获取用户已付款和待付款的商品，可以全面反映用户当前和未来的购买需求。根据第一商品确定使用时间连续的第一推荐商品，实现了推荐结果的持续性。进一步计算第一推荐商品与第一商品的多维关联度，综合评估了匹配程度，使推荐更加精准。通过组合算法优化选择关联度最大的推荐商品，形成匹配度最高的第一商品包。最后，根据第二待付款商品调整第一商品包，实现了推荐的动态更新，符合用户最新购买意向。可以结合用户购买行为，生成贴合用户购买需求的商品包。

9、可选的，所述根据各所述间隔时长和各所述第一关联度，组合各所述第一推荐商品，生成第一商品包，包括：

10、采用背包算法，根据各所述第一推荐商品的所述间隔时长和所述第一关联度，组合各所述第一推荐商品，得到所述第一商品包，其中，所述背包算法的背包容量为预设时长，背包算法的背包价值为第一商品包中各第一推荐商品的第一关联度。

11、通过采用上述技术方案，将预设商品包总时长作为背包容量，将商品关联度作为物品价值，商品使用时间间隔作为物品重量，这样将具体问题抽象为标准的背包问题模型。然后应用背包算法求解，在不超过总时长的约束下，选择能使背包内关联度价值总和最大的商品包。

12、可选的，所述采用背包算法，根据各所述第一推荐商品的所述间隔时长和所述第一关联度，组合各所述第一推荐商品，得到所述第一商品包，包括：

13、将各所述第一推荐商品的所述间隔时长和所述第一关联度代入所述背包算法的状态转移方程，得到目标推荐商品；

14、其中，所述状态转移方程为：

15、f(i，t)=max{f(i-1，t)，f(i-1，t-δt[i])+r[i]}；

16、式中，f(i，t)表示在预设时长内，前i个第一推荐商品的第一关联度之和最大，f(i-1，t)表示不包含第i个第一推荐商品时，前i-1个第一推荐商品在给定预设时长内得到最大的第一关联度之和，δt[i]表示第i个第一推荐商品的间隔时长，r[i]表示第i个第一推荐商品的第一关联度；

17、根据所述状态转移方程，依据动态规划算法，组合各所述目标推荐商品，得到第一商品包，所述第一商品包中第一推荐商品的间隔时长之和小于或等于所述预设时长，且，各第一推荐商品的第一关联度之和最大。

18、通过采用上述技术方案，应用动态规划算法对状态转移方程进行求解，可以获得最大化关联度的最优商品组合。相比背包算法直接求解，引入数学模型和动态规划使问题描述和求解更加精确。状态转移方程直观地表示了推荐商品选择需要优化和约束的条件。动态规划算法可以高效快速求解方程。获得最优解后再回溯推导即可获取关联度权重最大的目标商品包。

19、可选的，所述根据所述第二商品，调整所述第一商品包中的推荐商品，得到目标商品包，包括：

20、确定所述第二商品的开始使用时间与所述第一推荐商品的预估开始使用时间之间是否存在间隔时长，并将不存在间隔时长的第二商品添加至所述第一商品包中；

21、确定所述第一商品包的差额时长；

22、若存在间隔时长小于或等于所述差额时长的第二商品，则将间隔时长小于或等于差额时长的第二商品添加至所述第一商品包中；

23、若存在间隔时长大于所述差额时长的第二商品，则将间隔时长大于差额时长的第二商品替换第一商品包中第一关联度最低的第一推荐商品；

24、将调整后的第一商品包确定为所述目标商品包。

25、通过采用上述技术方案，判断第二商品与推荐商品使用时间是否连续，将不间隔的第二商品直接添加，避免时间断层。然后计算出第一商品包的剩余时间容量，在容量范围内直接添加间隔小于该容量的第二商品。当第二商品间隔超过容量时，进行替换操作，利用第二商品替换关联度最弱的推荐商品。在确保时间连续的前提下，实现了第二商品的融入，既发挥了第一商品包的主导作用，又反映了第二商品的最新影响。实现了对商品包的动态调整和优化，既保证了时间的连贯性，也体现了根据第二商品进行的关联度更新。

26、可选的，所述确定各所述第一推荐商品与所述第一商品的第一关联度，包括：

27、获取用户信息，根据所述用户信息，确定所述用户与各所述第一推荐商品的用户特性关联度；

28、根据所述第一商品的价格信息和评价信息，确定所述第一商品与各所述第一推荐商品的性价比关联度；

29、将各所述第一推荐商品的所述用户特性关联度乘以第一权重，得到第一关联值；

30、将所述性价比关联度乘以第二权重，得到第二关联值；

31、将各第一推荐商品的所述第一关联值和所述第二关联值之和确定为所述第一关联度。

32、通过采用上述技术方案，计算用户特性关联度，可以从用户特征维度评估商品的个性化匹配程度然后，计算性价比关联度，可以从性价比维度评估商品的匹配程度，推荐性价比相似的商品。为合理确定两个关联度的权重，分别为其设置权重系数。最后，计算加权关联值之和作为第一关联度，综合考虑了用户特性和性价比两个维度，计算出能够全面反映商品与用户匹配程度的第一关联度。

33、可选的，所述根据所述第二商品，调整所述第一商品包中的第一推荐商品，得到目标商品包之后，还包括：

34、将所述目标商品包发送至用户端；

35、接收所述用户端根据所述目标商品包反馈的第一反馈信息；

36、若所述第一反馈信息为满意，则将所述目标商品包添加至所述用户端的用户信息中；

37、若所述第一反馈信息为不满意，则根据所述第一反馈信息中的不满意商品，生成第二商品包，并将所述第二商品包发送至所述用户端，并接收所述用户端根据所述第二商品包反馈的第二反馈信息；

38、若确定所述用户端根据所述第二商品包反馈的第二反馈信息为不满意，则将所述第二反馈信息作为第一反馈信息，并重新执行所述根据所述第一反馈信息，生成第二商品包，并将所述第二商品包发送至所述用户端的步骤，直至所述第二反馈信息为满意。

39、通过采用上述技术方案，将目标商品包推送给用户，收集用户的反馈意见。如果反馈满意，则保存该商品包供未来直接使用。如果反馈不满意，则根据用户不满意的商品调整生成新商品包，重新获取反馈。如果新包反馈仍然不满意，则重复上述迭代调整过程，直到用户满意。通过与用户的多轮交互式反馈，可以持续逼近用户真实需求，逐步改进商品包的推荐效果。同时，这种闭环式的迭代机制可以训练系统自动调整推荐结果的能力。

40、可选的，所述根据所述第一反馈信息中的不满意商品，生成第二商品包，包括：

41、基于所述不满意商品，调整第一权重和第二权重；

42、删除所述目标商品包中的所述不满意商品，并重新执行所述确定与所述第一商品相关联的第一推荐商品的步骤，得到目标商品包；

43、将所述目标商品包作为所述第二商品包。

44、通过采用上述技术方案，根据反馈的不满意商品，降低它及其相关商品的权重。删除不满意商品，重新计算关联度生成新商品包。在重新生成时，由于不满意商品权重降低，新结果会自动避开不满意商品。将新生成的商品包作为第二商品包。通过用户反馈进行了针对性调整，又保留了原算法框架，结合了用户意见和历史数据。使得新商品包在排除不满意商品的基础上，仍体现了个性化推荐的连贯性。

45、在本技术的第二方面提供了一种商品包的生成系统，包括：

46、商品信息获取模块，用于获取用户已付款的第一商品和待付款的第二商品；

47、第一推荐商品确定模块，用于确定与所述第一商品相关联的第一推荐商品，所述第一商品的开始使用时间与所述第一推荐商品的预估开始使用时间之间的间隔时长大于0；

48、第一关联度计算模块，用于确定各所述第一推荐商品与所述第一商品的第一关联度；

49、第一商品包生成模块，用于根据各所述间隔时长和各所述第一关联度，组合各所述第一推荐商品，生成第一商品包；

50、目标商品包生成模块，用于根据所述第二商品，调整所述第一商品包中的第一推荐商品，得到目标商品包。

51、在本技术的第三方面提供了一种计算机存储介质，所述计算机存储介质存储有多条指令，所述指令适于由处理器加载并执行上述的方法步骤。

52、在本技术的第四方面提供了一种电子设备，包括：处理器、存储器；其中，所述存储器存储有计算机程序，所述计算机程序适于由所述处理器加载并执行上述的方法步骤。

53、综上所述，本技术实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：

54、通过采用本技术技术方案，获取用户已付款和待付款的商品，可以全面反映用户当前和未来的购买需求。根据第一商品确定使用时间连续的第一推荐商品，实现了推荐结果的持续性。进一步计算第一推荐商品与第一商品的多维关联度，综合评估了匹配程度，使推荐更加精准。通过组合算法优化选择关联度最大的推荐商品，形成匹配度最高的第一商品包。最后，根据第二待付款商品调整第一商品包，实现了推荐的动态更新，符合用户最新购买意向。可以结合用户购买行为，生成贴合用户购买需求的商品包。