商品排序方法、系统及装置.pdf

《商品排序方法、系统及装置.pdf》由会员分享，可在线阅读，更多相关《商品排序方法、系统及装置.pdf（20页完成版）》请在专利查询网上搜索。

1、(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 201910045121.0 (22)申请日 2019.01.17 (71)申请人 北京京东尚科信息技术有限公司 地址 100195 北京市海淀区知春路76号8层 申请人 北京京东世纪贸易有限公司 (72)发明人 张尚志王江洪言艳花王辉 李伟亮 (74)专利代理机构 北京成创同维知识产权代理 有限公司 11449 代理人 蔡纯刘静 (51)Int.Cl. G06Q 30/06(2012.01) G06F 16/9535(2019.01) (54)发明名称 商品排序方法、 系统及装。

2、置 (57)摘要 本发明实施例提供了一种商品排序方法、 系 统及装置， 该商品排序方法， 包括： 获取用户在第 一商品列表页所触发商品的商品信息； 在接收到 换页指令后， 根据和商品信息的相似度， 更新在 第二商品列表页待显示商品的排序列表， 其中， 第二商品列表页为第一商品列表页经换页指令 后跳转到的商品列表页； 依照更新后的排序列 表， 将待显示商品显示在第二商品列表页。 本发 明缓解了传统商品排序方法对用户当前青睐商 品预测精准较差的技术问题。 权利要求书3页 说明书13页 附图3页 CN 111445302 A 2020.07.24 CN 111445302 A 1.一种商品排序方法，。

3、 其特征在于， 包括： 获取用户在第一商品列表页所触发商品的商品信息； 在接收到换页指令后， 根据和所述商品信息的相似度， 更新在第二商品列表页待显示 商品的排序列表， 其中， 所述第二商品列表页为所述第一商品列表页经所述换页指令后跳 转到的商品列表页； 依照更新后的所述排序列表， 将所述待显示商品显示在所述第二商品列表页。 2.根据权利要求1所述的方法， 其特征在于， 根据和所述商品信息的相似度， 更新在第 二商品列表页待显示商品的排序列表， 包括： 从所述商品信息中提取所述所触发商品的子信息集， 其中， 所述子信息集中至少包括 以下一种子信息： 图片信息、 标题信息、 价格信息、 标签信息。

4、； 计算所述待显示商品和所述子信息集中各子信息的相似度， 得到第一子相似度， 其中， 所述第一子相似度和所述子信息一一对应； 根据所述第一子相似度， 更新在第二商品列表页待显示商品的排序列表。 3.根据权利要求2所述的方法， 其特征在于， 所述子信息集中子信息的数量为多个， 根 据所述第一子相似度， 更新在第二商品列表页待显示商品的排序列表， 包括： 获取当前所述待显示商品和多个所述子信息之间的所述第一子相似度， 得到当前所述 待显示商品的多个所述第一子相似度； 根据多个所述第一子相似度， 更新当前所述待显示商品在所述排序列表中的排列顺 序， 以得到更新后的所述排序列表。 4.根据权利要求3所。

5、述的方法， 其特征在于， 根据多个所述第一子相似度， 更新当前所 述待显示商品在所述排序列表中的排列顺序， 以得到更新后的所述排序列表， 包括： 获取多个所述子信息相应的权重， 得到多个子权重， 其中， 所述子权重和所述子信息一 一对应； 基于各个所述子信息相应所述子权重和所述第一子相似度的乘积， 计算多个所述第一 子相似度的加权和； 根据所述加权和， 更新当前所述待显示商品在所述排序列表中的排列顺序。 5.根据权利要求2所述的方法， 其特征在于， 所述子信息集中的子信息包括图片信息， 计算所述待显示商品和所述子信息集中各子信息的相似度， 得到第一子相似度， 包括： 基于局部特征检测算法， 从。

6、所述待显示商品的图片中提取出局部特征， 得到所述局部 特征所形成的特征列表； 利用聚类算法， 对所述特征列表进行聚类， 并将所述聚类而得到的聚类中心确定为所 述特征列表的标准特征； 通过词袋模型， 求取所述标准特征出现概率最大的主题， 并将所述主题确定为所述待 显示商品的类别； 根据所述待显示商品的类别和所述图片信息的相似度， 确定所述待显示商品和所述图 片信息相应的第一子相似度。 6.根据权利要求5所述的方法， 其特征在于， 所述局部特征检测算法采用SIFT算法； 和/或， 所述聚类算法采用K-means算法； 和/或， 权利要求书 1/3 页 2 CN 111445302 A 2 所述词袋。

7、模型采用LDA模型。 7.根据权利要求1所述的方法， 其特征在于， 所述所触发商品的数量为多个， 根据和所 述商品信息的相似度， 更新在第二商品列表页待显示商品的排序列表， 包括： 获取当前所述待显示商品和多个所述所触发商品的相似度， 得到当前所述待显示商品 的多个第二子相似度； 根据多个所述第二子相似度之和， 更新当前所述待显示商品在所述排序列表中的排列 顺序， 以得到更新后的所述排序列表。 8.一种商品排序系统， 其特征在于， 包括： 获取模块， 用于获取用户在第一商品列表页所触发商品的商品信息； 更新模块， 用于在接收到换页指令后， 根据和所述商品信息的相似度， 更新在第二商品 列表页待。

8、显示商品的排序列表， 其中， 所述第二商品列表页为所述第一商品列表页经所述 换页指令后跳转到的商品列表页； 显示模块， 用于依照更新后的所述排序列表， 将所述待显示商品显示在所述第二商品 列表页。 9.根据权利要求8所述的系统， 其特征在于， 所述更新模块包括： 提取单元， 用于从所述商品信息中提取所述所触发商品的子信息集， 其中， 所述子信息 集中至少包括以下一种子信息： 图片信息、 标题信息、 价格信息、 标签信息； 计算单元， 用于计算所述待显示商品和所述子信息集中各子信息的相似度， 得到第一 子相似度， 其中， 所述第一子相似度和所述子信息一一对应； 更新单元， 用于根据所述第一子相似。

9、度， 更新在第二商品列表页待显示商品的排序列 表。 10.根据权利要求9所述的系统， 其特征在于， 所述子信息集中子信息的数量为多个， 所 述更新单元包括： 获取子单元， 用于获取当前所述待显示商品和多个所述子信息之间的所述第一子相似 度， 得到当前所述待显示商品的多个所述第一子相似度； 更新子单元， 用于根据多个所述第一子相似度， 更新当前所述待显示商品在所述排序 列表中的排列顺序， 以得到更新后的所述排序列表。 11.根据权利要求10所述的系统， 其特征在于， 所述更新子单元用于： 获取多个所述子信息相应的权重， 得到多个子权重， 其中， 所述子权重和所述子信息一 一对应； 基于各个所述子。

10、信息相应所述子权重和所述第一子相似度的乘积， 计算多个所述第一 子相似度的加权和； 根据所述加权和， 更新当前所述待显示商品在所述排序列表中的排列顺序。 12.根据权利要求9所述的系统， 其特征在于， 所述子信息集中的子信息包括图片信息， 所述计算单元用于： 基于局部特征检测算法， 从所述待显示商品的图片中提取出局部特征， 得到所述局部 特征所形成的特征列表； 利用聚类算法， 对所述特征列表进行聚类， 并将所述聚类而得到的聚类中心确定为所 述特征列表的标准特征； 权利要求书 2/3 页 3 CN 111445302 A 3 通过词袋模型， 求取所述标准特征出现概率最大的主题， 并将所述主题确定。

11、为所述待 显示商品的类别； 根据所述待显示商品的类别和所述图片信息的相似度， 确定所述待显示商品和所述图 片信息相应的第一子相似度。 13.根据权利要求12所述的系统， 其特征在于， 所述局部特征检测算法采用SIFT算法； 和/或， 所述聚类算法采用K-means算法； 和/或， 所述词袋模型采用LDA模型。 14.根据权利要求8所述的系统， 其特征在于， 所述所触发商品的数量为多个， 所述更新 模块用于： 获取当前所述待显示商品和多个所述所触发商品的相似度， 得到当前所述待显示商品 的多个第二子相似度； 根据多个所述第二子相似度之和， 更新当前所述待显示商品在所述排序列表中的排列 顺序， 以。

12、得到更新后的所述排序列表。 15.一种计算机可读存储介质， 其特征在于， 计算机可读存储介质存储有计算机指令， 计算机指令被执行时实现如权利要求1至7任一项的商品排序方法。 16.一种商品排序装置， 其特征在于， 包括： 存储器， 用于存储计算机指令； 处理器， 耦合到存储器， 处理器被配置为基于存储器存储的计算机指令执行实现如权 利要求1-7中任一项的商品排序方法。 权利要求书 3/3 页 4 CN 111445302 A 4 商品排序方法、 系统及装置 技术领域 0001 本发明涉及电子商务的技术领域， 特别涉及一种商品排序方法、 系统及装置。 背景技术 0002 电商行业的商品排序事务发。

13、生在用户进行一次查询之后， 搜索引擎召回商品展示 在界面之前。 对于用户的一次查询， 数百上千的商品可能会被返回。 如何实现一个理想的商 品排序， 使用户青睐的商品以最大概率出现在排序首端， 是电商行业的搜索业务一直致力 优化的要点。 0003 电商行业的搜索业务由三部分协作实现： 用于储存商品信息的索引文件、 根据查 询召回商品的搜索引擎， 以及由诸多规则形成的商品排序模型。 在索引文件、 搜索引擎查询 语句、 排序模型均固定的前提下， 用户通过查询形成的商品结果页也是固定的， 这忽略了用 户对商品的个性化需求。 目前， 一些电商网站， 通过用户网购行为数据为每一位用户建立用 户画像， 并基。

14、于用户画像实现用户商品的个性化排序。 具体地， 首先， 在用户本次网购中， 收 集用户查询、 点击、 加车、 下单等一系列网购的行为数据； 然后， 通过收集到的行为数据确定 用户购买的商品， 并基于用户购买的商品更新用户画像； 接下来， 在下一次网购中基于最新 版本的用户画像指导商品排序。 0004 上述商品排序方法中， 当前次商品排序所基于的用户画像是基于用户以前次的网 购数据而构建的， 而用户以前的网购数据是以以前搜索作为背景的， 即， 用户以前的网购数 据反映的是用户在以前网购时刻和网购环境的网购行为， 虽然对当前次用户的青睐商品具 有统计意义的预测功能， 但预测的精准性较差。 发明内容。

15、 0005 鉴于上述问题， 本发明的目的在于提供一种商品排序方法、 系统及装置， 以缓解传 统商品排序方法对用户当前青睐商品预测精准较差的技术问题。 0006 第一方面， 本发明实施例提供了一种商品排序方法， 包括： 0007 获取用户在第一商品列表页所触发商品的商品信息； 0008 在接收到换页指令后， 根据和所述商品信息的相似度， 更新在第二商品列表页待 显示商品的排序列表， 其中， 所述第二商品列表页为所述第一商品列表页经所述换页指令 后跳转到的商品列表页； 0009 依照更新后的所述排序列表， 将所述待显示商品显示在所述第二商品列表页。 0010 结合第一方面， 本发明实施例提供了第一。

16、方面的第一种可能的实施方式， 其中， 根 据和所述商品信息的相似度， 更新在第二商品列表页待显示商品的排序列表， 包括： 0011 从所述商品信息中提取所述所触发商品的子信息集， 其中， 所述子信息集中至少 包括以下一种子信息： 图片信息、 标题信息、 价格信息、 标签信息； 0012 计算所述待显示商品和所述子信息集中各子信息的相似度， 得到第一子相似度， 其中， 所述第一子相似度和所述子信息一一对应； 说明书 1/13 页 5 CN 111445302 A 5 0013 根据所述第一子相似度， 更新在第二商品列表页待显示商品的排序列表。 0014 结合第一方面的第一种可能的实施方式， 本发。

17、明实施例提供了第一方面的第二种 可能的实施方式， 其中， 所述子信息集中子信息的数量为多个， 根据所述第一子相似度， 更 新在第二商品列表页待显示商品的排序列表， 包括： 0015 获取当前所述待显示商品和多个所述子信息之间的所述第一子相似度， 得到当前 所述待显示商品的多个所述第一子相似度； 0016 根据多个所述第一子相似度， 更新当前所述待显示商品在所述排序列表中的排列 顺序， 以得到更新后的所述排序列表。 0017 结合第一方面的第二种可能的实施方式， 本发明实施例提供了第一方面的第三种 可能的实施方式， 其中， 根据多个所述第一子相似度， 更新当前所述待显示商品在所述排序 列表中的排。

18、列顺序， 以得到更新后的所述排序列表， 包括： 0018 获取多个所述子信息相应的权重， 得到多个子权重， 其中， 所述子权重和所述子信 息一一对应； 0019 基于各个所述子信息相应所述子权重和所述第一子相似度的乘积， 计算多个所述 第一子相似度的加权和； 0020 根据所述加权和， 更新当前所述待显示商品在所述排序列表中的排列顺序。 0021 结合第一方面的第一种可能的实施方式， 本发明实施例提供了第一方面的第四种 可能的实施方式， 其中， 所述子信息集中的子信息包括图片信息， 计算所述待显示商品和所 述子信息集中各子信息的相似度， 得到第一子相似度， 包括： 0022 基于局部特征检测算。

19、法， 从所述待显示商品的图片中提取出局部特征， 得到所述 SIFT特征所形成的特征列表； 0023 利用聚类算法， 对所述特征列表进行聚类， 并将所述聚类而得到的聚类中心确定 为所述特征列表的标准特征； 0024 通过词袋模型， 求取所述标准特征出现概率最大的主题， 并将所述主题确定为所 述待显示商品的类别； 0025 根据所述待显示商品的类别和所述图片信息的相似度， 确定所述待显示商品和所 述图片信息相应的第一子相似度。 0026 结合第一方面的第四种可能的实施方式， 本发明实施例提供了第一方面的第五种 可能的实施方式， 其中， 0027 所述局部特征检测算法采用SIFT算法； 和/或， 0。

20、028 所述聚类算法采用K-means算法； 和/或， 0029 所述词袋模型采用LDA模型。 0030 结合第一方面， 本发明实施例提供了第一方面的第六种可能的实施方式， 其中， 所 述所触发商品的数量为多个， 根据和所述商品信息的相似度， 更新在第二商品列表页待显 示商品的排序列表， 包括： 0031 获取当前所述待显示商品和多个所述所触发商品的相似度， 得到当前所述待显示 商品的多个第二子相似度； 0032 根据多个所述第二子相似度之和， 更新当前所述待显示商品在所述排序列表中的 排列顺序， 以得到更新后的所述排序列表。 说明书 2/13 页 6 CN 111445302 A 6 003。

21、3 第二方面， 本发明实施例提供了一种商品排序系统， 包括： 0034 获取模块， 用于获取用户在第一商品列表页所触发商品的商品信息； 0035 更新模块， 用于在接收到换页指令后， 根据和所述商品信息的相似度， 更新在第二 商品列表页待显示商品的排序列表， 其中， 所述第二商品列表页为所述第一商品列表页经 所述换页指令后跳转到的商品列表页； 0036 显示模块， 用于依照更新后的所述排序列表， 将所述待显示商品显示在所述第二 商品列表页。 0037 结合第二方面， 本发明实施例提供了第二方面的第一种可能的实施方式， 其中， 所 述更新模块包括： 0038 提取单元， 用于从所述商品信息中提取。

22、所述所触发商品的子信息集， 其中， 所述子 信息集中至少包括以下一种子信息： 图片信息、 标题信息、 价格信息、 标签信息； 0039 计算单元， 用于计算所述待显示商品和所述子信息集中各子信息的相似度， 得到 第一子相似度， 其中， 所述第一子相似度和所述子信息一一对应； 0040 更新单元， 用于根据所述第一子相似度， 更新在第二商品列表页待显示商品的排 序列表。 0041 结合第二方面的第一种可能的实施方式， 本发明实施例提供了第二方面的第二种 可能的实施方式， 其中， 所述子信息集中子信息的数量为多个， 所述更新单元包括： 0042 获取子单元， 用于获取当前所述待显示商品和多个所述子。

23、信息之间的所述第一子 相似度， 得到当前所述待显示商品的多个所述第一子相似度； 0043 更新子单元， 用于根据多个所述第一子相似度， 更新当前所述待显示商品在所述 排序列表中的排列顺序， 以得到所述排序列表。 0044 结合第二方面的第二种可能的实施方式， 本发明实施例提供了第二方面的第三种 可能的实施方式， 其中， 所述更新子单元用于： 0045 获取多个所述子信息相应的权重， 得到多个子权重， 其中， 所述子权重和所述子信 息一一对应； 0046 基于各个所述子信息相应所述子权重和所述第一子相似度的乘积， 计算多个所述 第一子相似度的加权和； 0047 根据所述加权和， 更新当前所述待显。

24、示商品在所述排序列表中的排列顺序。 0048 结合第二方面的第一种可能的实施方式， 本发明实施例提供了第二方面的第四种 可能的实施方式， 其中， 所述子信息集中的子信息包括图片信息， 所述计算单元用于： 0049 基于局部特征检测算法， 从所述待显示商品的图片中提取出局部特征， 得到所述 局部特征所形成的特征列表； 0050 利用聚类算法， 对所述特征列表进行聚类， 并将所述聚类而得到的聚类中心确定 为所述特征列表的标准特征； 0051 通过词袋模型， 求取所述标准特征出现概率最大的主题， 并将所述主题确定为所 述待显示商品的类别； 0052 根据所述待显示商品的类别和所述图片信息的相似度， 。

25、确定所述待显示商品和所 述图片信息相应的第一子相似度。 0053 结合第二方面的第四种可能的实施方式， 本发明实施例提供了第二方面的第五种 说明书 3/13 页 7 CN 111445302 A 7 可能的实施方式， 其中， 0054 所述局部特征检测算法采用SIFT算法； 和/或， 0055 所述聚类算法采用K-means算法； 和/或， 0056 所述词袋模型采用LDA模型。 0057 结合第二方面， 本发明实施例提供了第二方面的第六种可能的实施方式， 其中， 所 述所触发商品的数量为多个， 所述更新模块用于： 0058 获取当前所述待显示商品和多个所述所触发商品的相似度， 得到当前所述待。

26、显示 商品的多个第二子相似度； 0059 根据多个所述第二子相似度之和， 更新当前所述待显示商品在所述排序列表中的 排列顺序， 以得到更新后的所述排序列表。 0060 第三方面， 本发明实施例提供了一种计算机可读存储介质， 计算机可读存储介质 存储有计算机指令， 计算机指令被执行时实现如第一方面的商品排序方法。 0061 第四方面， 本发明实施例提供了一种商品排序装置， 包括： 0062 存储器， 用于存储计算机指令； 0063 处理器， 耦合到存储器， 处理器被配置为基于存储器存储的计算机指令执行实现 如第一方面的商品排序方法。 0064 本发明实施例带来了以下有益效果： 0065 本发明实。

27、施例提供的该商品排序方法， 包括： 获取用户在第一商品列表页所触发 商品的商品信息； 在接收到换页指令后， 根据和商品信息的相似度， 更新在第二商品列表页 待显示商品的排序列表， 其中， 第二商品列表页为第一商品列表页经换页指令后跳转到的 商品列表页； 依照更新后的排序列表， 将待显示商品显示在第二商品列表页。 0066 本发明实施例提供的商品排序方法， 使得用户浏览了第一商品列表页的商品后， 若通过换页指令要换页， 则在第二商品列表页得到根据与商品信息相似度而更新排列的商 品， 从而使得用户在第一商品列表页产生的购物行为信息实时反馈于第二商品列表页， 达 到了使用户即时网购行为反馈于当前次商。

28、品查询事务的目的， 优化了第二商品列表页所查 询商品的排序， 提升了第二商品列表页商品排序与用户搜索意图的契合度， 进而缓解了传 统商品排序方法对用户当前青睐商品预测精准较差的技术问题。 0067 本发明的其他特征和优点将在随后的说明书中阐述， 并且， 部分地从说明书中变 得显而易见， 或者通过实施本发明而了解。 本发明的目的和其他优点在说明书以及附图中 所特别指出的结构来实现和获得。 0068 为使本发明的上述目的、 特征和优点能更明显易懂， 下文特举较佳实施例， 并配合 所附附图， 作详细说明如下。 附图说明 0069 通过以下参照附图对本发明实施例的描述， 本发明的上述以及其他目的、 特。

29、征和 优点将更为清楚， 在附图中： 0070 图1为本发明实施例一提供的一种商品排序方法流程图； 0071 图2为本发明实施例一提供的一种根据和商品信息的相似度， 更新在第二商品列 表页待显示商品的排序列表的方法流程图； 说明书 4/13 页 8 CN 111445302 A 8 0072 图3所示为本发明实施例一提供的一种计算待显示商品和子信息集中各子信息的 相似度， 得到第一子相似度的方法流程图； 0073 图4所示为本发明实施例一提供的一种根据第一子相似度， 更新在第二商品列表 页待显示商品的排序列表的方法流程图； 0074 图5所示为本发明实施例一提供的另一种根据和商品信息的相似度， 。

30、更新在第二 商品列表页待显示商品的排序列表的方法流程图； 0075 图6所示为本发明实施例二提供的一种商品排序系统的结构框图； 0076 图7所示为本发明实施例四提供的一种商品排序装置的结构框图。 0077 图标： 100-获取模块； 200-更新模块； 300-显示模块； 701-存储器； 702-处理器； 703-输入输出设备。 具体实施方式 0078 以下将参照附图更详细地描述本发明的各种实施例。 在各个附图中， 相同的元件 采用相同或类似的附图标记来表示。 为了清楚起见， 附图中的各个部分没有按比例绘制。 0079 下面结合附图和实施例， 对本发明的具体实施方式作进一步详细描述。 00。

31、80 目前， 一些电商网站通过收集用户以前的网购行为数据建立用户画像， 然后通过 用户画像指导用户以后网购中向用户推送商品的商品排序， 从而使电商搜索由原来的 “千 人一面” ， 发展为今天个性化的 “千人千面” 。 这种传统商品排序方法中， 用户的每一次行为 数据都会作为用户画像形成的依据， 经过T+1模式计算， 在下次用户搜索商品后对商品排序 产生作用。 然而， 用户以前的网购数据反映的是用户在以前网购时刻和网购环境的网购行 为， 虽然对当前次用户的青睐商品具有统计意义的预测功能， 但预测的精准性较差。 基于 此， 本发明实施例提供的一种商品排序方法、 系统及装置， 可以缓解传统商品排序方。

32、法对用 户当前青睐商品预测精准较差的技术问题。 0081 为便于对本实施例进行理解， 下面结合附图和实施例， 对本发明的具体实施方式 作进一步详细描述。 0082 本发明实施例提供的一种商品排序方法， 如图1所示， 包括： 0083 步骤S102， 获取用户在第一商品列表页所触发商品的商品信息。 0084 步骤S104， 在接收到换页指令后， 根据和商品信息的相似度， 更新在第二商品列表 页待显示商品的排序列表， 其中， 第二商品列表页为第一商品列表页经换页指令后跳转到 的商品列表页。 0085 步骤S106， 依照更新后的排序列表， 将待显示商品显示在第二商品列表页。 0086 需要说明的是。

33、， 本发明实施例提供的商品排序方法可以应用在电商网站的搜索 端。 用户在电商网站的页面端点击所触发商品， 搜索端获取商品信息， 在用户通过页面端发 送换页指令后， 搜索端向页面端推送待显示商品。 0087 具体地， 第一商品列表页和第二商品列表页为两个相继展示商品的网页。 用户首 先会浏览第一商品列表页， 根据当前喜好会点击查看第一商品列表页中的商品， 用户所点 击查看的商品即为所触发商品。 用户在浏览第一商品列表页结束后， 发送换页指令， 然后浏 览第二商品列表页的商品。 0088 本发明实施例提供的商品排序方法中， 用户浏览了第一商品列表页的商品后， 若 说明书 5/13 页 9 CN 1。

34、11445302 A 9 通过换页指令要换页， 则在第二商品列表页得到根据与商品信息相似度而更新排列的商 品， 从而使得用户在第一商品列表页产生的购物行为信息实时反馈于第二商品列表页， 即 使得第二商品列表页待显示商品排序列表较精确地反映了用户在当前网购时刻和当前网 购环境中的喜恶， 达到了使用户即时网购行为反馈于当前次商品查询事务的目的， 优化了 第二商品列表页所查询商品的排序， 提升了商品排序与用户搜索意图的契合度， 进而缓解 了传统商品排序方法对用户当前青睐商品预测精准较差的技术问题。 0089 本发明实施例的一个可选实施方式中， 如图2所示， 步骤S104， 根据和商品信息的 相似度，。

35、 更新在第二商品列表页待显示商品的排序列表， 包括： 0090 步骤S201， 从商品信息中提取所触发商品的子信息集， 其中， 子信息集中至少包括 以下一种子信息： 图片信息、 标题信息、 价格信息、 标签信息。 0091 具体地， 标签信息例如有： 折扣、 热销、 新品、 赠品。 0092 步骤S202， 计算待显示商品和子信息集中各子信息的相似度， 得到第一子相似度， 其中， 第一子相似度和子信息一一对应。 0093 步骤S203， 根据第一子相似度， 更新在第二商品列表页待显示商品的排序列表。 0094 具体地， 待显示商品和子信息集中各子信息的相似度越高， 第一子相似度越大， 进 而，。

36、 越大相似度的待显示商品在排序列表中越靠前显示。 0095 一个典型的例子： 用户在第一商品列表页对标签为 “爆款低至5折” 的商品进行了 触发。 此情况下， 则从商品信息中提取到的子信息集包括 “爆款低至5折” 这一标签信息； 进 而， 根据待显示商品打折程度及畅销程度计算待显示商品和 “爆款低至5折” 这一子信息的 相似度， 计算第一子相似度， 并且打折和畅销的综合程度较高的待显示商品具有较大的第 一子相似度； 接下来， 在第二商品列表页中， 将第一子相似度较大的待显示商品排在较靠前 的位置。 0096 本发明实施例中， 子信息集中至少包括以下一种子信息： 图片信息、 标题信息、 价 格信。

37、息、 标签信息， 从而根据图片信息、 标题信息、 价格信息、 标签信息中的一种或多种来确 定待显示商品和所触发商品的相似度。 由于图片信息、 标题信息、 价格信息、 标签信息对所 触发商品特征有较好的描述性， 用户多是鉴于网页中的这些信息产生对商品的兴趣， 因而， 根据图片信息、 标题信息、 价格信息、 标签信息中的一种或多种来更新待显示商品和所触发 商品的相似度， 能更精确地使排序列表契合用户当前网购时刻和当前网购环境中的喜恶， 从而缓解传统商品排序方法对用户当前青睐商品预测精准较差的技术问题。 0097 为方便对技术方案进行讲解， 这里先假设所触发商品的数量为1， 且记为Pa； 而第 二商。

38、品列表页的待显示商品记为P。 下面对P和Pa各种子信息第一子相似度的计算进行详细 说明： 0098 (一)图片信息 0099 本发明实施例的另一个可选实施方式中， 子信息集中的子信息包括图片信息， 如 图3所示， 步骤S202， 计算待显示商品和子信息集中各子信息的相似度， 得到第一子相似度， 包括： 0100 步骤S301， 基于SIFT算法， 从待显示商品的图片中提取出SIFT特征， 得到SIFT特征 所形成的特征列表。 0101 具体地， SIFT(Scale-invariant feature transform)算法， 是一种检测局部特征 说明书 6/13 页 10 CN 11144。

39、5302 A 10 的算法， SIFT特征是图像的局部特征， SIFT特征对旋转、 尺度缩放、 亮度变化保持不变性， 对 视角变化、 仿射变换、 噪声也保持一定程度的稳定性。 0102 例如， 从待显示商品的图片中提取出若干个SIFT特征， 则特征列表包含上述若干 个SIFT特征， 每个SIFT特征的数据结构可以采用一个多维数组来表示。 0103 SIFT算法提取SIFT特征的实现思路如下： 0104 (1)尺度空间的生成； 0105 (2)检测尺度空间极值点； 0106 (3)精确定位极值点； 0107 (4)为每个关键点指定方向参数； 0108 (5)关键点描述子的生成。 0109 步骤S。

40、302， 利用K-means算法， 对特征列表进行聚类， 并将聚类而得到的聚类中心 确定为特征列表的标准特征。 0110 具体地， K-means算法， 是一种典型的聚类算法， 该算法用于基于距离将目标对象 聚类为紧凑且独立的若干个簇。 该算法执行完毕后， 取各簇聚类中心点作为该簇的标准特 征， 完成了对目标对象特征列表的降维。 其中， 聚类中心数即为目标对象特征降维后的维 数， 但由于聚类中心数量对SIFT特征降维并没有显著影响， 聚类中心数例如可以取值为所 有SIFT特征维度之和的方根。 0111 K-means算法的实现思路如下： 0112 (1)从n个数据对象中任意选择k个数据对象作为。

41、聚类的初始中心对象； 0113 (2)根据每个聚类的均值(中心对象)， 计算每个数据对象与这些中心对象的距离， 并根据最小距离重新对相应数据对象进行聚类划分； 0114 (3)重新计算每个聚类的均值(中心对象)； 0115 (4)循环(2)到(3)直到每个聚类的均值不再发生变化为止。 0116 步骤S303， 通过LDA模型， 求取标准特征出现概率最大的主题， 并将主题确定为待 显示商品的类别。 0117 具体地， LDA(Linear Discriminant Analysis)模型， 是一种典型的词袋模型， 用 于文档的分类。 LDA主题模型认为一篇文档遵从某种分布并选择有多个主题， 每个。

42、主题遵从 同样的分布并选择有多个词， 这种关系形成狄利克雷分布。 0118 LDA模型的实现思路如下： 0119 LDA主题模型认为一篇文档生成词语的方式如下： 0120 (1)从狄利克雷分布 中取样生成文档i的主题分布 i； 0121 (2)从主题分布 i中取样生成文档i第j个词的主题zi， j； 0122 (3)从狄利克雷分布 中取样生成主题zi， j的词语分布zi， j； 0123 (4)从词语分布zi， j中采样最终生成词语wi， j。 0124 使用Gibbs Sampling方法求解概率出现最大主题的过程如下： 0125 首先， 执行如下四个步骤： 0126 (1)遍历所有文档中的。

43、所有词语， 为其各随机分配一个主题； 0127 (2)对文档中的所有词语进行遍历， 对于遍历到的每个词语， 先拿出当前词语， 之 后根据LDA中topic sample的概率分布采样出新主题， 并更新文档中主题数量及各主题出 说明书 7/13 页 11 CN 111445302 A 11 现的次数、 词语数量及各词语出现的次数； 0128 (3)topic sample概率分布随之更新； 0129 (4)循环(2)(3)， 直至主题-词语参数矩阵和文档-主题矩阵 不再发生变化。 0130 然后， 基于求解得到的文档-主题矩阵， 选择文档下出现概率最大的主题作为文档 的类别。 0131 对于本发。

44、明实施例中的待显示图片， 出现概率最大的主题即是待显示图片的类 别。 0132 步骤S304， 根据待显示商品的类别和图片信息的相似度， 确定待显示商品和图片 信息相应的第一子相似度。 0133 具体地， 和图片信息相关的第一子相似度可记为Sp， 如果待显示商品的类别和图 片信息相似， 可令Sp1； 反之令Sp0。 0134 本发明实施例中， 结合SIFT算法、 K-means算法和LDA模型， 较精确地实现了待显示 商品和图片信息之间的第一子相似度的计算。 0135 需要强调的是， SIFT算法是作为本发明中求取特征列表的一种可选的局部特征检 测算法， K-means算法是作为本发明中一种求。

45、取标准特征的可选聚类算法， LDA模型是作为 本发明中一种求取待显示商品类别的可选词袋模型。 应当理解的是， 其它局部特征检测算 法(如， 加速鲁棒特征算法， 即SURF算法)、 聚类算法及词袋模型也可以应用于本发明实施例 中。 0136 (二)标题信息 0137 标题信息作为文本， 计算待显示商品和标题信息的第一子相似度可采用上述提到 的LDA算法。 和标题信息相关的第一子相似度可记为St， 如果待显示商品的类别和标题信息 相似， 可令St1； 反之令St0。 0138 (三)价格信息 0139 价格信息为数字信息， 跨度范围较大， 计算待显示商品和价格信息的第一子相似 度可采用上述提到的K。

46、-means算法。 0140 具体地， 采用K-means算法计算待显示商品和价格信息的第一子相似度， 本质是以 价格作为特征的单维度聚类， 聚类中心的数量需要根据查询商品的类型来确定， 然后由人 工根据查询商品的类型手段配置聚类中心的数量。 和价格信息相关的第一子相似度可记为 Spri， 如果待显示商品的类别和价格信息所属同一簇， 可令Spri1； 反之令Spri0。 0141 (四)标签信息 0142 计算待显示商品和标签信息的第一子相似度可采用如下公式： 0143 0144 例如， Pa标签为折扣、 热销、 新品， P标签为折扣、 热销， 则Pa标签与P标签之间交集 为折扣、 热销， 因。

47、而Pa标签与P标签之间交集的数量为2， Stg2/3。 0145 在子信息集中子信息的数量为多个的情况下， 本发明实施例的另一个可选实施方 式给出了步骤S203， 根据第一子相似度， 更新在第二商品列表页待显示商品的排序列表的 实施方式。 具体如图4所示， 包括： 0146 步骤S401， 获取当前待显示商品和多个子信息之间的第一子相似度， 得到当前待 说明书 8/13 页 12 CN 111445302 A 12 显示商品的多个第一子相似度； 0147 步骤S402， 根据多个第一子相似度， 更新当前待显示商品在排序列表中的排列顺 序， 以得到更新后的排序列表。 0148 具体地， 可以根据。

48、多个第一子相似度之和， 更新当前待显示商品在排序列表中的 排列顺序， 使得多个第一子相似度之和较大的待显示商品， 在第二商品列表页排在靠前位 置显示。 0149 下面以子信息的数量为2进行示例性说明。 两个子信息可以是图片信息、 标题信 息、 价格信息和标签信息中的任意两种不同的信息， 若两个子信息为图片信息和标题信息， 则多个第一子相似度为： 当前待显示商品和图片信息之间的第一子相似度， 当前待显示商 品和标题信息之间的第一子相似度， 那么步骤S402则根据这两个第一子相似度更新当前待 显示商品在排序列表中的排列顺序。 0150 本发明实施例， 根据多个第一子相似度， 更新当前待显示商品在排。

49、序列表中的排 列顺序， 使得排序列表更全面地契合用户当前网购时刻和当前网购环境中的喜恶， 从而缓 解传统商品排序方法对用户当前青睐商品预测精准较差的技术问题。 0151 本发明实施例的另一个可选实施方式中， 步骤S402， 根据多个第一子相似度， 更新 当前待显示商品在排序列表中的排列顺序， 以得到更新后的排序列表， 包括： 0152 获取多个子信息相应的权重， 得到多个子权重， 其中， 子权重和子信息一一对应； 0153 基于各个子信息相应子权重和第一子相似度的乘积， 计算多个第一子相似度的加 权和； 0154 根据加权和， 更新当前待显示商品在排序列表中的排列顺序。 0155 具体地， 可。

50、以将加权和较大的待显示商品， 在第二商品列表页排在靠前位置显示。 0156 若记图片信息相应子权重Wp和第一子相似度Sp， 标题信息相应子权重Wt和第一子 相似度St， 价格信息相应子权重Wpri和第一子相似度Spri， 标签信息相应子权重Wtag和第 一子相似度Stag， 则在多个子信息包括： 图片信息、 标题信息、 价格信息和标签信息的情况 下， 加权和为： ScoreSp*Wp+St*Wt+Spri*Wpri+Stag*Wtag。 0157 需要说明的是， 多个子信息相应的权重， 可以根据用户对多个子信息的注重程度 来确定， 用户越注重的子信息， 其相应的权重越大。 由于用户网购中多数有。