特表 2023-525747 情報を分析するための方法及び装置

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公表特許公報(A)

(11)【公表番号】

(43)【公表日】2023-06-19

(54)【発明の名称】情報を分析するための方法及び装置

(51)【国際特許分類】

   G06Q 30/0201 20230101AFI20230612BHJP

【ＦＩ】

G06Q30/0201

【審査請求】有

【予備審査請求】未請求

(21)【出願番号】P 2022567820

(86)(22)【出願日】2021-04-30

(85)【翻訳文提出日】2022-11-08

(86)【国際出願番号】 CN2021091270

(87)【国際公開番号】W WO2022001349

(87)【国際公開日】2022-01-06

(31)【優先権主張番号】202010618819.X

(32)【優先日】2020-07-01

(33)【優先権主張国・地域又は機関】CN

(81)【指定国・地域】

(71)【出願人】

【識別番号】520223893

【氏名又は名称】ベイジン・ジンドン・ゼンシ・インフォメーション・テクノロジー・カンパニー・リミテッド

(74)【代理人】

【識別番号】100166006

【弁理士】

【氏名又は名称】泉 通博

(74)【代理人】

【識別番号】100167793

【弁理士】

【氏名又は名称】鈴木 学

(74)【代理人】

【識別番号】100154070

【弁理士】

【氏名又は名称】久恒 京範

(74)【代理人】

【識別番号】100153280

【弁理士】

【氏名又は名称】寺川 賢祐

(72)【発明者】

【氏名】ジャン、シェンチャン

【テーマコード（参考）】

5L049

【Ｆターム（参考）】

5L049BB01

(57)【要約】

本出願は、情報を分析するための方法及び装置を開示し、深層学習技術の分野に関し、その具体的な実現スキームは、商品分析要求を受信したことに応答して、商品分析要求に対応する履歴商品情報と生放送情報を取得するステップ（１０１）と、履歴商品の放送の開始時点と履歴商品の放送の終了時点に基づいて、履歴商品情報を分割して、各階層の商品情報を生成するステップ（１０２）と、各階層の商品情報と、対応する階層の商品情報に対応する生放送情報とを分析して、各階層の様々な種類の特徴を決定するステップ（１０３）、各階層の様々な種類の特徴に基づいて、商品とアンカーの適応性分類モデルを利用して倉庫内の商品を選択して、各階層の異なるカテゴリの商品リストを生成するステップ（１０４）とを含む。当該スキームによれば、データ処理を階層的に実行することにより、分析プロセスを簡略化することができ、アンカーの誘導性及びユーザの個性的なニーズを考慮することにより、生放送で商品を販売するアンカーに適応性の高い個性的な商品リストを提供することを実現することができる。
【選択図】図１

【特許請求の範囲】

【請求項1】

商品分析要求を受信したことに応答して、前記商品分析要求に対応する履歴商品情報と、前記履歴商品情報に対応する生放送情報を取得するステップであって、前記履歴商品情報は、アンカーが販売した履歴商品の情報を特徴付けるために使用され、前記生放送情報は、前記生放送中のアンカーの録画情報を特徴付けるために使用され、前記履歴商品情報は、履歴商品の放送の開始時点と履歴商品の放送の終了時点を含む、ステップと、
前記履歴商品の放送の開始時点と前記履歴商品の放送の終了時点に基づいて、前記履歴商品情報を分割して、各階層の商品情報を生成するステップと、
各階層の商品情報と、対応する階層の商品情報に対応する生放送情報とを分析して、各階層の様々な種類の特徴を決定するステップであって、前記様々な種類の特徴は、アンカーの特徴、商品の特徴及びユーザの特徴のうちの少なくとも２つを含み、前記ユーザの特徴は、前記アンカーの生放送プラットフォームにアクセスした人の特徴を特徴付けるために使用されるステップと、
各階層の前記アンカーの特徴、前記商品の特徴及び前記ユーザの特徴のうちの少なくとも２つに基づいて、商品とアンカーの適応性分類モデルを利用して倉庫内の商品を選択して、各階層の異なるカテゴリの商品リストを生成するステップであって、前記商品とアンカーの適応性分類モデルは、商品とアンカーの適応性強弱の判定結果に基づいて商品を分類することを特徴付けるために使用されるステップと、
を含む、情報を分析するための方法。

【請求項2】

前記履歴商品の放送の開始時点と前記履歴商品の放送の終了時点に基づいて、前記履歴商品情報を分割して、各階層の商品情報を生成するステップは、
前記履歴商品の放送の開始時点、前記履歴商品の放送の終了時点及び前記生放送情報に基づいて、感情曲線階層化法を利用して前記履歴商品情報を分割して、各階層の商品情報を生成するステップであって、前記感情曲線階層化法は、前記生放送情報におけるユーザの最高感情値の分析結果に基づいて商品を分割することを特徴付けるために使用されるステップを含む、
請求項１に記載の方法。

【請求項3】

前記各階層の商品情報を分析して、各階層の前記アンカーの特徴を決定するステップは、
商品評価指標の重みと各階層の商品情報に基づいて、前記アンカーの各階層の商品情報を採点して、各階層の商品情報に対応する各階層のスコアを生成し、且つ前記各階層のスコアに基づいて、前記アンカーの総合スコアを決定するステップと、
前記アンカーの総合スコアと他のアンカーの総合スコアとの比較結果に基づいて、前記アンカーの特徴をタグ付けして、前記比較結果に対応する前記アンカーの特徴タグを各階層の前記アンカーの特徴として生成するステップと、を含む、
請求項１又は２に記載の方法。

【請求項4】

前記各階層の商品情報を分析して、各階層の前記商品の特徴を決定するステップは、
商品カテゴリ選択方法と各階層の商品情報に基づいて、各階層の商品カテゴリを決定し、且つ各階層の商品カテゴリに対応する各階層の商品の特徴ベクトルを生成するステップであって、前記商品カテゴリ選択方法は、選択された商品のうちの売り込み頻度が最も高い多種類の商品を特徴付けるために使用される、ステップと、
各階層の特徴ベクトルと理想商品モデルに基づいて、各階層の特徴ベクトルに対応する各階層の商品の類似度を各階層の前記商品の特徴として決定するステップであって、前記商品の類似度は、各階層の商品カテゴリと理想商品との近接度を特徴付けるために使用されるステップと、を含む、
請求項１～３のいずれか１項に記載の方法。

【請求項5】

前記各階層の商品情報に対応する生放送情報を分析して、各階層の前記ユーザの特徴を決定するステップは、
各階層の商品情報に対応する生放送情報に基づいて、前記生放送情報に対応する各階層のユーザ行動情報を選択するステップであって、前記ユーザ行動情報は、ユーザ静的情報とユーザ動的情報を含むステップと、
ユーザ評価方法に基づいて、各階層のユーザ静的情報と、対応する階層のユーザ動的情報とを分析して、各階層の前記ユーザ品質特徴を各階層の前記ユーザの特徴として決定するステップであって、前記ユーザ評価方法は、ユーザの購入履歴、ユーザの滞在時間長及びユーザの消費能力のうちの少なくとも１つに基づいてユーザの評価を実行することを特徴付けるために使用されるステップと、を含む、
請求項１～４のいずれか１項に記載の方法。

【請求項6】

前記商品とアンカーの適応性分類モデルは、深層学習アルゴリズムを利用して訓練によって得られる請求項１～５のいずれか１項に記載の方法。

【請求項7】

各階層の異なるカテゴリの商品リストに基づいて、前記商品分析要求に対応する目標リストを決定するステップと、
前記目標リストに基づいて、前記目標リストに対応する商品の代替案を生成するステップと、をさらに含む、
請求項１～６のいずれか１項に記載の方法。

【請求項8】

前記アンカーの特徴タグを判断するステップと、
前記アンカーの特徴タグが前記アンカーの総合スコアが他のアンカーの総合スコアの平均値より低いことを特徴付けたことに応答して、前記目標リストにおける最後にソートされる商品情報をデータベースから選択して得られた商品情報に置き換え、更新された前記目標リストを生成するステップと、をさらに含む、
請求項１～７のいずれか１項に記載の方法。

【請求項9】

商品分析要求を受信したことに応答して、前記商品分析要求に対応する履歴商品情報と、前記履歴商品情報に対応する生放送情報を取得するように構成される取得ユニットであって、前記履歴商品情報は、アンカーが販売した履歴商品の情報を特徴付けるために使用され、前記生放送情報は、前記生放送中のアンカーの録画情報を特徴付けるために使用され、前記履歴商品情報は、履歴商品の放送の開始時点と履歴商品の放送の終了時点を含む、取得ユニットと、
前記履歴商品の放送の開始時点と前記履歴商品の放送の終了時点に基づいて、前記履歴商品情報を分割して、各階層の商品情報を生成するように構成される階層化ユニットと、
各階層の商品情報と、対応する階層の商品情報に対応する生放送情報とを分析して、各階層の様々な種類の特徴を決定するように構成される特徴決定ユニットであって、前記様々な種類の特徴は、アンカーの特徴、商品の特徴及びユーザの特徴のうちの少なくとも２つを含み、前記ユーザの特徴は、前記アンカーの生放送プラットフォームにアクセスした人の特徴を特徴付けるために使用される、特徴決定ユニットと、
各階層の前記アンカーの特徴、前記商品の特徴及び前記ユーザの特徴のうちの少なくとも２つに基づいて、商品とアンカーの適応性分類モデルを利用して倉庫内の商品を選択して、各階層の異なるカテゴリの商品リストを生成するように構成される第１生成ユニットであって、前記商品とアンカーの適応性分類モデルは、商品とアンカーの適応性強弱の判定結果に基づいて商品を分類することを特徴付けるために使用される、第１生成ユニットと、
を備える、情報を分析するための装置。

【請求項10】

前記階層化ユニットは、前記履歴商品の放送の開始時点、前記履歴商品の放送の終了時点及び前記生放送情報に基づいて、前記生放送情報におけるユーザの最高感情値の分析結果に基づいて商品を分割することを特徴付けるために使用される感情曲線階層化法を利用して前記履歴商品情報を分割して、各階層の商品情報を生成するようにさらに構成される、請求項９に記載の装置。

【請求項11】

前記特徴決定ユニットは、
商品評価指標の重みと各階層の商品情報に基づいて、前記アンカーの各階層の商品情報を採点して、各階層の商品情報に対応する各階層のスコアを生成し、且つ前記各階層のスコアに基づいて、前記アンカーの総合スコアを決定するように構成される採点モジュールと、
前記アンカーの総合スコアと他のアンカーの総合スコアとの比較結果に基づいて、前記アンカーの特徴をタグ付けして、前記比較結果に対応する前記アンカーの特徴タグを各階層の前記アンカーの特徴として生成するように構成される第１決定モジュールと、を備える、
請求項９～１０のいずれか１項に記載の装置。

【請求項12】

前記特徴決定ユニットは、
選択された商品のうちの売り込み頻度が最も高い多種類の商品を特徴付けるために使用される商品カテゴリ選択方法と、各階層の商品情報に基づいて、各階層の商品カテゴリを決定し、各階層の商品カテゴリに対応する各階層の商品の特徴ベクトルを生成するように構成される第１選択モジュールと、
各階層の特徴ベクトルと理想商品モデルに基づいて、各階層の特徴ベクトルに対応する各階層の商品の類似度を各階層の前記商品の特徴として決定するように構成される第２決定モジュールであって、前記商品の類似度は、各階層の商品カテゴリと理想商品との近接度を特徴付けるために使用される、第２決定モジュールと、を備える、
請求項９～１１のいずれか１項に記載の装置。

【請求項13】

前記特徴決定ユニットは、
各階層の商品情報に対応する生放送情報に基づいて、前記生放送情報に対応する各階層のユーザ静的情報とユーザ動的情報を含むユーザ行動情報を選択するように構成される第２選択モジュールと、
ユーザの購入履歴、ユーザの滞在時間長及びユーザの消費能力のうちの少なくとも１つに基づいてユーザの評価を実行することを特徴付けるために使用されるユーザ評価方法に基づいて、各階層のユーザ静的情報と、対応する階層のユーザ動的情報とを分析して、各階層の前記ユーザ品質特徴を各階層の前記ユーザの特徴として決定するように構成される第３決定モジュールと、を備える、
請求項９～１２のいずれか１項に記載の装置。

【請求項14】

前記第１生成ユニットにおける前記商品とアンカーの適応性分類モデルは、深層学習アルゴリズムを利用して訓練によって得られる請求項９～１３のいずれか１項に記載の装置。

【請求項15】

各階層の異なるカテゴリの商品リストに基づいて、前記商品分析要求に対応する目標リストを決定するように構成されるリスト決定ユニットと、
前記目標リストに基づいて、前記目標リストに対応する商品の代替案を生成するように構成される第２生成ユニットと、をさらに備える、
請求項９～１４のいずれか１項に記載の装置。

【請求項16】

前記アンカーの特徴タグを判断するように構成される判断ユニットと、
前記アンカーの特徴タグが前記アンカーの総合スコアが他のアンカーの総合スコアの平均値より低いことを特徴付けたことに応答して、前記目標リストにおける最後にソートされる商品情報をデータベースから選択して得られた商品情報に置き換え、更新された前記目標リストを生成するように構成される更新ユニットと、をさらに備える、
請求項９～１５のいずれか１項に記載の装置。

【請求項17】

少なくとも１つのプロセッサと、
前記少なくとも１つのプロセッサに通信接続されたメモリと、を備え、
前記メモリには前記少なくとも１つのプロセッサによって実行可能な指令が記憶され、前記指令は、前記少なくとも１つのプロセッサに請求項１～８のいずれか１項に記載の方法を実行させることができるように、前記少なくとも１つのプロセッサによって実行される電子デバイス。

【請求項18】

コンピュータ指令が記憶された非一時的なコンピュータ可読記憶媒体であって、前記コンピュータ指令がコンピュータに請求項１～８のいずれか１項に記載の方法を実行させるために使用される非一時的なコンピュータ可読記憶媒体。

【発明の詳細な説明】

【技術分野】

【0001】

＜関連出願の相互参照＞
本特許出願は、２０２０年０７月０１日に提出された、出願番号が２０２０１０６１８８１９．Ｘであり、発明の名称が「情報を分析するための方法及び装置」の中国特許出願に基づく優先権を主張し、当該出願の全文を引用により本出願に組み込む。

【0002】

本出願の実施例は、コンピュータ技術の分野に関し、具体的に深層学習技術の分野に関し、特に情報を分析するための方法及び装置に関する。

【背景技術】

【0003】

オンライン・ライブショッピングは、新しい分野であり、製品の多様性やユーザグループの差異化により、このシナリオに他の分野のデータ処理技術を適用することは、困難である。生放送で販売される代替製品の種類が多く、ユーザの移動性が高いため、アンカーが商品を主観的に選択することによる商品の大きな変動が生じ、商品の選択プロセス中に大量の時間と資源を必要とする。現在、業界では、広告効果で知名度の高いアンカーを作り、ブランド効果を販売にフィードバックしたり、ユーザ向けの推奨システムで商品の露出率を向上させたりすることが一般的であり、アンカーの誘導性及びユーザの個性的なニーズは考慮されていない。

【発明の概要】

【課題を解決するための手段】

【0004】

本出願は、情報を分析するための方法、装置、デバイス及び記憶媒体を提供する。

【0005】

本出願の第１態様によれば、情報を分析するための方法を提供し、当該方法は、商品分析要求を受信したことに応答して、商品分析要求に対応する履歴商品情報と、履歴商品情報に対応する生放送情報とを取得するステップであって、履歴商品情報は、アンカーが販売した履歴商品の情報を特徴付けるために使用され、生放送情報は、生放送中のアンカーの録画情報を特徴付けるために使用され、履歴商品情報は、履歴商品の放送の開始時点と履歴商品の放送の終了時点を含むステップと、履歴商品の放送の開始時点と履歴商品の放送の終了時点に基づいて、履歴商品情報を分割して、各階層の商品情報を生成するステップと、各階層の商品情報と、対応する階層の商品情報に対応する生放送情報とを分析して、各階層の様々な種類の特徴を決定するステップであって、様々な種類の特徴は、アンカーの特徴、商品の特徴及びユーザの特徴のうちの少なくとも２つを含み、ユーザの特徴は、アンカーの生放送プラットフォームにアクセスした人の特徴を特徴付けるために使用されるステップと、各階層のアンカーの特徴、商品の特徴及びユーザの特徴のうちの少なくとも２つに基づいて、商品とアンカーの適応性分類モデルを利用して倉庫内の商品を選択して、各階層の異なるカテゴリの商品リストを生成するステップであって、商品とアンカーの適応性分類モデルは、商品とアンカーの適応性強弱の判定結果に基づいて商品を分類することを特徴付けるために使用されるステップと、を含む。

【0006】

いくつかの実施例では、履歴商品の放送の開始時点と履歴商品の放送の終了時点に基づいて、履歴商品情報を分割して、各階層の商品情報を生成するステップは、履歴商品の放送の開始時点、履歴商品の放送の終了時点及び生放送情報に基づいて、感情曲線階層化法を利用して履歴商品情報を分割して、各階層の商品情報を生成するステップであって、感情曲線階層化法は、生放送情報におけるユーザの最高感情値の分析結果に基づいて商品を分割することを特徴付けるために使用されるステップを含む。

【0007】

いくつかの実施例では、各階層の商品情報を分析して、各階層のアンカーの特徴を決定するステップは、商品評価指標の重みと各階層の商品情報に基づいて、アンカーの各階層の商品情報を採点して、各階層の商品情報に対応する各階層のスコアを生成することと、各階層のスコアに基づいて、アンカーの総合スコアを決定するステップと、アンカーの総合スコアと他のアンカーの総合スコアとの比較結果に基づいて、アンカーの特徴をタグ付けして、比較結果に対応するアンカーの特徴タグを各階層のアンカーの特徴として生成するステップと、を含む。

【0008】

いくつかの実施例では、各階層の商品情報を分析して、各階層の商品の特徴を決定することは、商品カテゴリ選択方法と各階層の商品情報に基づいて、各階層の商品カテゴリを決定し、各階層の商品カテゴリに対応する各階層の商品の特徴ベクトルを生成するステップであって、商品カテゴリ選択方法は、選択された商品のうちの売り込み頻度が最も高い多種類の商品を特徴付けるために使用されるステップと、各階層の特徴ベクトルと理想商品モデルに基づいて、各階層の特徴ベクトルに対応する各階層の商品の類似度を各階層の商品の特徴として決定するステップであって、商品の類似度は、各階層の商品カテゴリと理想商品との近接度を特徴付けるために使用されるステップと、を含む。

【0009】

いくつかの実施例では、各階層の商品情報に対応する生放送情報を分析して、各階層のユーザの特徴を決定するステップは、各階層の商品情報に対応する生放送情報に基づいて、生放送情報に対応する各階層のユーザ行動情報を選択するステップであって、ユーザ行動情報は、ユーザ静的情報とユーザ動的情報を含むステップと、ユーザ評価方法に基づいて、各階層のユーザ静的情報と、対応する階層のユーザ動的情報とを分析して、各階層のユーザ品質特徴を各階層のユーザの特徴として決定するステップであって、ユーザ評価方法は、ユーザの購入履歴、ユーザの滞在時間長及びユーザの消費能力のうちの少なくとも１つに基づいてユーザの評価を実行することを特徴付けるために使用されるステップと、を含む。

【0010】

いくつかの実施例では、商品とアンカーの適応性分類モデルは、深層学習アルゴリズムを利用して訓練によって得られる。

【0011】

いくつかの実施例では、方法は、各階層の異なるカテゴリの商品リストに基づいて、商品分析要求に対応する目標リストを決定するステップと、目標リストに基づいて、目標リストに対応する商品の代替案を生成するステップと、をさらに含む。

【0012】

いくつかの実施例では、方法は、アンカーの特徴タグを判断するステップと、アンカーの特徴タグはアンカーの総合スコアが他のアンカーの総合スコアの平均値より低いことを特徴付けたことに応答して、目標リストにおける最後にソートされる商品情報をデータベースから選択して得られた商品情報に置き換え、更新された目標リストを生成するステップと、をさらに含む。

【0013】

本出願の第２態様によれば、情報を分析するための装置を提供し、装置は、前記取得ユニットは、商品分析要求を受信したことに応答して、商品分析要求に対応する履歴商品情報と、履歴商品情報に対応する生放送情報とを取得するように構成される取得ユニットであって、履歴商品情報は、アンカーが販売した履歴商品の情報を特徴付けるために使用され、生放送情報は、生放送中のアンカーの録画情報を特徴付けるために使用され、履歴商品情報は、履歴商品の放送の開始時点と履歴商品の放送の終了時点を含む取得ユニットと、履歴商品の放送の開始時点と履歴商品の放送の終了時点に基づいて、履歴商品情報を分割して、各階層の商品情報を生成するように構成される階層化ユニットと、前記特徴決定ユニットは、各階層の商品情報と、対応する階層の商品情報に対応する生放送情報とを分析して、各階層の様々な種類の特徴を決定するように構成される特徴決定ユニットであって、様々な種類の特徴は、アンカーの特徴、商品の特徴及びユーザの特徴のうちの少なくとも２つを含み、ユーザの特徴は、アンカーの生放送プラットフォームにアクセスした人の特徴を特徴付けるために使用される特徴決定ユニットと、前記第１生成ユニットは、各階層のアンカーの特徴、商品の特徴及びユーザの特徴のうちの少なくとも２つに基づいて、商品とアンカーの適応性分類モデルを利用して倉庫内の商品を選択して、各階層の異なるカテゴリの商品リストを生成するように構成される第１生成ユニットであって、商品とアンカーの適応性分類モデルは、商品とアンカーの適応性強弱の判定結果に基づいて商品を分類することを特徴付けるために使用される第１生成ユニットと、を備える。

【0014】

いくつかの実施例では、階層化ユニットは、履歴商品の放送の開始時点、履歴商品の放送の終了時点及び生放送情報に基づいて、感情曲線階層化法を利用して履歴商品情報を分割して、各階層の商品情報を生成するようにさらに構成され、ここで、感情曲線階層化法は、生放送情報におけるユーザの最高感情値の分析結果に基づいて商品を分割することを特徴付けるために使用される。

【0015】

いくつかの実施例では、特徴決定ユニットは、商品評価指標の重みと各階層の商品情報に基づいて、アンカーの各階層の商品情報を採点して、各階層の商品情報に対応する各階層のスコアを生成し、且つ各階層のスコアに基づいて、アンカーの総合スコアを決定するように構成される採点モジュールと、アンカーの総合スコアと他のアンカーの総合スコアとの比較結果に基づいて、アンカーの特徴をタグ付けして、比較結果に対応するアンカーの特徴タグを各階層のアンカーの特徴として生成するように構成される第１決定モジュールと、を備える。

【0016】

いくつかの実施例では、特徴決定ユニットは、選択された商品のうちの売り込み頻度が最も高い多種類の商品を特徴付けるために使用される商品カテゴリ選択方法と、各階層の商品情報に基づいて、各階層の商品カテゴリを決定し、各階層の商品カテゴリに対応する各階層の商品の特徴ベクトルを生成するように構成される第１選択モジュールと、各階層の特徴ベクトルと理想商品モデルに基づいて、各階層の特徴ベクトルに対応する各階層の商品の類似度を各階層の商品の特徴として決定するように構成される第２決定モジュールであって、商品の類似度は、各階層の商品カテゴリと理想商品との近接度を特徴付けるために使用される第２決定モジュールと、を備える。

【0017】

いくつかの実施例では、特徴決定ユニットは、各階層の商品情報に対応する生放送情報に基づいて、生放送情報に対応する各階層のユーザ静的情報とユーザ動的情報を含むユーザ行動情報を選択するように構成される第２選択モジュールと、ユーザの購入履歴、ユーザの滞在時間長及びユーザの消費能力のうちの少なくとも１つに基づいてユーザの評価を実行することを特徴付けるために使用されるユーザ評価方法に基づいて、各階層のユーザ静的情報と、対応する階層のユーザ動的情報とを分析して、各階層のユーザ品質特徴を各階層のユーザの特徴として決定するように構成される第３決定モジュールと、を備える。

【0018】

いくつかの実施例では、第１生成ユニットにおける商品とアンカーの適応性分類モデルは、深層学習アルゴリズムを利用して訓練によって得られる。

【0019】

いくつかの実施例では、装置は、各階層の異なるカテゴリの商品リストに基づいて、商品分析要求に対応する目標リストを決定するように構成されるリスト決定ユニットと、目標リストに基づいて、目標リストに対応する商品の代替案を生成するように構成される第２生成ユニットと、をさらに備える。

【0020】

いくつかの実施例では、装置は、アンカーの特徴タグを判断するように構成される判断ユニットと、アンカーの特徴タグはアンカーの総合スコアが他のアンカーの総合スコアの平均値より低いことを特徴付けたことに応答して、目標リストにおける最後にソートされる商品情報をデータベースから選択して得られた商品情報に置き換え、更新された目標リストを生成するように構成される更新ユニットと、をさらに備える。

【0021】

本出願の第３態様によれば、電子デバイスを提供し、当該電子デバイスは、少なくとも１つのプロセッサと、少なくとも１つのプロセッサに通信接続されたメモリと、を備え、ここで、メモリには、少なくとも１つのプロセッサによって実行可能な指令が記憶され、当該指令は、少なくとも１つのプロセッサに第１態様のいずれかの実現方法で説明された方法を実行させることができるように、少なくとも１つのプロセッサによって実行される。

【0022】

本出願の第４態様によれば、本出願は、コンピュータ指令がコンピュータに第１態様のいずれかの実現方法で説明された方法を実行させるために使用されることを特徴とするコンピュータ指令が記憶された非一時的なコンピュータ可読記憶媒体を提供する。

【0023】

本出願による技術は、履歴商品の放送の開始時点と履歴商品の放送の終了時点に基づいて、履歴商品情報を分割することで、各階層の商品情報を生成し、各階層の商品情報と、対応する階層の商品情報に対応する生放送情報とを分析することで、各階層の様々な種類の特徴を決定し、各階層のアンカーの特徴、商品の特徴及びユーザの特徴のうちの少なくとも２つに基づいて、商品とアンカーの適応性分類モデルを利用して、倉庫内の商品を選択することで、各階層の異なるカテゴリの商品リストを生成することにより、従来技術におけるアンカーが商品を主観的に選択することによる商品の大きな変動が生じ、商品の選択プロセス中に大量の時間と資源を必要とするという問題を解決することができ、データ処理を階層的に実行することで複雑な問題を多目標問題に変換することにより、分析プロセスを簡略化し、システムの実行効率を向上させることができ、アンカーの誘導性及びユーザの個性的なニーズを考慮することにより、生放送で商品を販売するアンカーに適応性の高い個性的な商品リストを提供することを実現することができる。

【0024】

この一部に記載された内容は、本出願の実施例の主要な又は重要な特徴を特定することを意図するものではなく、本出願の範囲を限定するものでもないことが理解されるべきである。本出願の他の特徴は、以下の説明を通じて容易に理解される。

【図面の簡単な説明】

【0025】

図面は、本スキームをよりよく理解するためのものであり、本出願を限定するものではない。

【0026】

【図1】本出願による情報を分析するための方法の第１実施例の概略図である。

【図2】本出願の実施例に係る情報を分析するための方法を実現できるシーン図である。

【図3】本出願による情報を分析するための方法の第２実施例の概略図である。

【図4】本出願による情報を分析するための装置の一実施例の構造概略図である。

【図5】本出願の実施例に係る情報を分析するための方法を実現するための電子デバイスのブロック図である。

【発明を実施するための形態】

【0027】

以下、図面を参照して本出願の例示的な実施例を説明し、理解を容易にするために、それには、本出願の実施例の様々な詳細が含まれており、それらが単に例示的なものとみなされるべきである。したがって、当業者は、本出願の範囲及び精神から逸脱することなく、本明細書に記載された実施例に対して様々な変更及び修正を行うことができることを認識すべきである。同様に、明確かつ簡潔にするために、以下の説明では、公知の機能及び構造の説明を省略している。

【0028】

なお、矛盾しない場合には、本出願の実施例と実施例の特徴は、互いに組み合わせることができる。以下、図面を参照し、実施例と併せて本出願を詳細に説明する。

【0029】

図１は、本出願による情報を分析するための方法の第１実施例の概略図１００を示す。当該情報を分析するための方法は、以下のステップを含む。

【0030】

ステップ１０１：商品分析要求を受信したことに応答して、商品分析要求に対応する履歴商品情報と、履歴商品情報に対応する生放送情報とを取得する。

【0031】

本実施例では、実行主体は、商品分析要求を受信した後、有線接続方式又は無線接続方式で他の電子デバイス又はローカルから商品分析要求に対応する履歴商品情報と、履歴商品情報に対応する生放送情報とを取得することができる。ここで、履歴商品情報は、履歴商品の放送の開始時点と履歴商品の放送の終了時点を含んでもよい。履歴商品情報は、アンカーが販売した履歴商品の情報を特徴付けることができ、生放送情報は、生放送中のアンカーの録画情報を特徴付けることができ、生放送情報は、ユーザ行動情報を含んでもよい。

【0032】

ステップ１０２：履歴商品の放送の開始時点と履歴商品の放送の終了時点に基づいて、履歴商品情報を分割して、各階層の商品情報を生成する。

【0033】

本実施例では、実行主体は、履歴商品の放送の開始時点と履歴商品の放送の終了時点に基づいて、予め設定された放送時間長に基づいて履歴商品情報を分割して、放送時間長の異なる各階層の商品情報を生成することができる。

【0034】

ステップ１０３：各階層の商品情報と、対応する階層の商品情報に対応する生放送情報とを分析して、各階層の様々な種類の特徴を決定する。

【0035】

本実施例では、実行主体は、分析アルゴリズムを利用して各階層の商品情報と、対応する階層の商品情報に対応する生放送情報とを分析して、各階層の様々な種類の特徴を決定することができる。様々な種類の特徴は、アンカーの特徴、商品の特徴及びユーザの特徴のうちの少なくとも２つを含み、ユーザの特徴は、アンカーの生放送プラットフォームにアクセスした人の特徴を特徴付けるために使用される。

【0036】

本実施例のいくつかのオプションの実現方法では、各階層の商品情報を分析して、各階層の商品の特徴を決定することは、商品カテゴリ選択方法と各階層の商品情報に基づいて、各階層の商品カテゴリを決定し、各階層の商品カテゴリに対応する各階層の商品の特徴ベクトルを生成し、ここで、商品カテゴリ選択方法は、選択された商品のうちの売り込み頻度が最も高い多種類の商品を特徴付けるために使用されることと、各階層の特徴ベクトルと理想商品モデルに基づいて、各階層の特徴ベクトルに対応する各階層の商品の類似度を各階層の商品の特徴として決定し、ここで、商品の類似度は、各階層の商品カテゴリと理想商品との近接度を特徴付けるために使用されることと、を含む。アンカーの理想商品モデルを利用して商品の類似度特徴を判断することにより、提供される商品リストをアンカーの理想商品にさらに近づけることができる。

【0037】

本実施例のいくつかのオプションの実現方法では、各階層の商品情報を分析して、各階層のアンカーの特徴を決定することは、商品評価指標の重みと各階層の商品情報に基づいて、アンカーの各階層の商品情報を採点して、各階層の商品情報に対応する各階層のスコアを生成することと、各階層のスコアに基づいて、アンカーの総合スコアを決定することと、アンカーの総合スコアと他のアンカーの総合スコアとの比較結果に基づいて、アンカーの特徴をタグ付けして、比較結果に対応するアンカーの特徴タグを各階層のアンカーの特徴として生成することと、を含む。ここで、商品評価指標は、商品の販売量、商品の視聴者数及び商品の露出率を含み、アンカーの特徴タグは、０又は１であってもよく、アンカーの特徴タグが０の場合は、アンカーの総合スコアが他のアンカーの総合スコアの平均値より低いことを特徴付け、アンカーの特徴タグが１の場合は、アンカーの総合スコアが他のアンカーの総合スコアの平均値より低くないことを特徴付ける。アンカー自身の特徴を判断することで、当該アンカーに対応する商品リストを生成する。

【0038】

本実施例のいくつかのオプションの実現方法では、各階層の商品情報に対応する生放送情報を分析して、各階層のユーザの特徴を決定することは、各階層の商品情報に対応する生放送情報に基づいて、生放送情報に対応する各階層のユーザ行動情報を選択し、ここで、ユーザ行動情報は、ユーザ静的情報とユーザ動的情報を含むことと、ユーザ評価方法に基づいて、各階層のユーザ静的情報と、対応する階層のユーザ動的情報とを分析して、各階層のユーザ品質特徴を各階層のユーザの特徴として決定し、ここで、ユーザ評価方法は、ユーザの購入履歴、ユーザの滞在時間長及びユーザの消費能力のうちの少なくとも１つに基づいてユーザの評価を実行することを特徴付けるために使用されることと、を含む。ユーザ静的情報は、ユーザの消費レベル、ユーザの平均消費サイクル、ユーザの性別、年齢及び地域などの情報を含んでもよい。ユーザ動的情報は、ユーザプラットフォーム内での閲覧、消費、クエリ、コメント、称賛及びカート追加などの情報を含んでもよい。ユーザ品質特徴をユーザの特徴として商品リストを選択することで、ユーザの視点から、商品の販売効果とユーザの視聴体験を向上させることができる。

【0039】

ステップ１０４：各階層のアンカーの特徴、商品の特徴及びユーザの特徴のうちの少なくとも２つに基づいて、商品とアンカーの適応性分類モデルを利用して倉庫内の商品を選択して、各階層の異なるカテゴリの商品リストを生成する。

【0040】

本実施例では、実行主体は、各階層のアンカーの特徴、商品の特徴及びユーザの特徴に基づいて、倉庫内の商品を商品とアンカーの適応性分類モデルにそれぞれ入力し、倉庫内の商品を判定し、最後に各階層の異なるカテゴリの商品リストを選択して生成することができる。商品とアンカーの適応性分類モデルは、商品とアンカーの適応性強弱の判定結果に基づいて商品を分類することを特徴付けるために使用され、適応性強弱の判定結果は、適応性が強いこと、適応性が中程度であること、及び適応性が弱いことを含む。商品とアンカーの適応性分類モデルは、Ｋ近傍法、分類回帰決定木、ナイーブベイズ、カーネル法に基づくサポートベクターマシン、ニューラルネットワークなどに基づいて構築することができる。

【0041】

図２を参照し、続けると、本実施例の情報を分析するための方法２００は、電子デバイス２０１で実行されている。電子デバイス２０１は、まず、商品分析要求を受信したことに応答して、商品分析要求に対応する履歴商品情報と、履歴商品情報に対応する生放送情報２０２とを取得し、その後、電子デバイス２０１は、履歴商品の放送の開始時点と履歴商品の放送の終了時点に基づいて、履歴商品情報を分割して、各階層の商品情報２０３を生成し、次に、電子デバイス２０１は、各階層の商品情報と、対応する階層の商品情報に対応する生放送情報とを分析して、各階層の様々な種類の特徴２０４を決定し、最後に、電子デバイス２０１は、各階層の様々な種類の特徴に基づいて、商品とアンカーの適応性分類モデルを利用して倉庫内の商品を選択して、各階層の異なるカテゴリの商品リスト２０５を生成する。

【0042】

本出願の上記実施例が提供する情報を分析するための方法は、履歴商品の放送の開始時点と履歴商品の放送の終了時点に基づいて、履歴商品情報を分割することで、各階層の商品情報を生成し、各階層の商品情報と、対応する階層の商品情報に対応する生放送情報とを分析することで、各階層の様々な種類の特徴を決定し、各階層のアンカーの特徴、商品の特徴及びユーザの特徴のうちの少なくとも２つに基づいて、商品とアンカーの適応性分類モデルを利用して倉庫内の商品を選択することで、各階層の異なるカテゴリの商品リストを生成することにより、従来技術におけるアンカーが商品を主観的に選択することによる商品の大きな変動が生じ、商品の選択プロセス中に大量の時間と資源を必要とするという問題を解決することができ、データ処理を階層的に実行することで複雑な問題を多目標問題に変換することにより、分析プロセスを簡略化し、システムの実行効率を向上させることができ、アンカーの誘導性及びユーザの個性的なニーズを考慮することにより、生放送で商品を販売するアンカーに適応性の高い個性的な商品リストを提供することを実現することができる。

【0043】

図３をさらに参照すると、図３は、情報を分析するための方法の第２実施例の概略図３００を示す。当該方法のフローは、以下のステップを含む。

【0044】

ステップ３０１：商品分析要求を受信したことに応答して、商品分析要求に対応する履歴商品情報と、履歴商品情報に対応する生放送情報とを取得する。

【0045】

ステップ３０２：履歴商品の放送の開始時点と履歴商品の放送の終了時点に基づいて、履歴商品情報を分割して、各階層の商品情報を生成する。

【0046】

本実施例のいくつかのオプションの実現方法では、履歴商品の放送の開始時点と履歴商品の放送の終了時点に基づいて、履歴商品情報を分割して、各階層の商品情報を生成することは、履歴商品の放送の開始時点、履歴商品の放送の終了時点及び生放送情報に基づいて、感情曲線階層化法を利用して履歴商品情報を分割して、各階層の商品情報を生成し、ここで、感情曲線階層化法は、生放送情報におけるユーザの最高感情値の分析結果に基づいて商品を分割することを特徴付けるために使用されることを含む。例えば、時間長の比率によって実際の売り込み段階を３つの階層に分割し、各階層の時間長の比率は、２：２：３であり、ここで１級分類商品は、Ａｉ（ｉは、１級分類のｉ番目の商品を示す）と表記し、２級分類商品は、Ｂｊ（ｊは、２級分類のｊ番目の商品を示す）と表記し、３級分類商品は、Ｃｋ（ｋは、３級分類商品のｋ番目の商品を示す）と表記し、クロスレベルの商品が発生した場合、いずれも前の階層と表記する。当該階層化法は、映画・テレビ作品の観点から、商品情報の階層化をより細かく実行することができる。

【0047】

ステップ３０３：各階層の商品情報と、対応する階層の商品情報に対応する生放送情報とを分析して、各階層の様々な種類の特徴を決定する。

【0048】

本実施例のいくつかのオプションの実現方法では、各階層の商品情報と、各階層の商品情報に対応する生放送情報とを分析して、各階層の様々な種類の特徴を決定することは、各階層で選択された異なる商品カテゴリに基づいて、各商品カテゴリの嗜好度を計算し、各階層で選択された商品カテゴリに対応するユーザ嗜好商品表を生成することと、ユーザ嗜好商品表に基づいて、各商品カテゴリをマッチングし、商品カテゴリに対応するブール量嗜好特徴値を決定し、ここで、ブール量嗜好特徴値は、ユーザ嗜好商品表内に現在の商品カテゴリがあるかどうか、及び各商品カテゴリにおける現在の商品カテゴリのランキングを特徴付けるために使用されることと、を含む。ユーザの画像の特徴を考慮することにより、商品の販売効果とユーザの視聴体験をさらに向上させることができる。

【0049】

本実施例のいくつかのオプションの実現方法では、各階層の商品情報と、各階層の商品情報に対応する生放送情報とを分析して、各階層の様々な種類の特徴を決定することは、アンカーの履歴商品情報に基づいて、各階層商品の商品カテゴリを選択して、各階層で選択された各商品カテゴリ情報、各階層における選択された各商品カテゴリ情報に対応する当該カテゴリの商品の価格帯及び各階層における選択されていない商品の価格帯を得ることと、各階層における選択された各商品カテゴリ情報に対応する当該カテゴリの商品の価格帯と各階層における選択されていない商品の価格帯に基づいて、アンカーの特徴ベクトルのセットを計算して得ることと、アンカーの履歴商品情報に基づいて、各階層で選択された各商品カテゴリ情報を分析して、各階層でユーザが嗜好する商品カテゴリ及び各ユーザが嗜好する商品カテゴリに対応する嗜好重みを決定することと、アンカーの特徴ベクトルのセットと各ユーザが嗜好する商品カテゴリに対応する嗜好重みに基づいて、特徴ベクトルに対応する商品の類似度を決定することと、を含む。商品の類似度特徴を判断することにより、提供される商品リストをアンカーの理想商品情報にさらに近づけることができる。

【0050】

例えば、アンカーのあるカテゴリの商品に対する嗜好重みＷａ（嗜好重みとは、当該アンカーがある商品カテゴリを好む程度を指す）は、生放送外の売り込み行動により反映される。重みの範囲は、［０，１００］であり、当該階層内でのアンカーによる販売とコメントなどの操作は、それに応じた優先順位で重み付けされる。例えば、食品について、アンカーは、当該階層の期間中に１つの食品を売り込むごとに、嗜好度が１増加し、ユーザと食品カテゴリの商品動態を１回共有するごとに、嗜好度が５増加する。嗜好重みは、カテゴリの売り込み頻度に影響を与え、Δｍ＝Ｗａ×ζであり、ここで、Δｍは、頻度増分であり、ζは、比例係数である。

【0051】

アンカーの生放送履歴に基づいて、頻度増分を累加した後、商品カテゴリを売り込み頻度の高い順に並べ、各階層の売り込み頻度が最も高い商品カテゴリを抽出し、各階層から最初の３つのカテゴリ、例えば日用化粧品（２）、食品（４）、及び美容（１）の合計３つのカテゴリを取り、これから類推する。ここで、２、４、１は、履歴全体の頻度ランキングにおける商品カテゴリのシリアル番号であり、日用化粧品は、Ａ階層の売り込み頻度が最も高い製品である。これら３つのカテゴリの商品の価格帯と当該階層内の他の商品の価格帯を加重平均したものを加重特徴価格帯と記す。理想商品モデルとして、当該理想商品の４次元特徴ベクトルは、

であり、順に第１カテゴリのシリアル番号、第２カテゴリのシリアル番号、第３カテゴリのシリアル番号及び加重特徴価格帯であり、類似度の判定基準として使用される。

【0052】

理想商品の属性の一部は、イベント（カテゴリ、価格変動など）に伴って推移及び減衰し、本明細書では、属性ラベルの減衰関数を設定し、プラットフォーム内で１回操作し、修正重みは、Ｗ_重み＝Ｗ×ｅ^{－ｚ（ｔ－ｔｓ）}である。Ｗは、操作重みであり、ｚは、減衰速度であり、ｔ－ｔｓは、現在の時間と操作時間との差である。商品カテゴリの変更を例にとると、あるプロモーション活動期間中に、アンカーがＡ階層で高頻度に売り込む製品である氷砂糖アロエは、食品カテゴリから美容カテゴリに転換すると、カテゴリを変更するという操作は、ｐｌ_２及びｐｒ属性に影響を与え、影響を受けていない属性の重みは、１であるため、理想商品の属性の一部を修正することができる。

【0053】

ミンコフスキー距離は、ある商品と理想商品の類似度を表すために使用され、本明細書では、４次元を例にとると、選択されたある商品の特徴ベクトルは、

であり、修正重みは、計算中に、対応する次元の座標に重み付けされることにより、理想商品の類似度

を得ることができる。

【0054】

ステップ３０４：各階層のアンカーの特徴、商品の特徴及びユーザの特徴のうちの少なくとも２つに基づいて、商品とアンカーの適応性分類モデルを利用して倉庫内の商品を選択して、各階層の異なるカテゴリの商品リストを生成する。

【0055】

本実施例では、実行主体は、各階層のアンカーの特徴、商品の特徴及びユーザの特徴に基づいて、訓練によって得られた商品とアンカーの適応性分類モデルを利用して倉庫内の商品を選択して、各階層の異なるカテゴリの商品リストを生成することができる。商品とアンカーの適応性分類モデルは、商品とアンカーの適応性強弱の判定結果に基づいて商品を分類することを特徴付けるために使用される。商品とアンカーの適応性分類モデルは、深層学習アルゴリズムを利用して訓練によって得られる。

【0056】

ステップ３０５：各階層の異なるカテゴリの商品リストに基づいて、商品分析要求に対応する目標リストを決定する。

【0057】

本実施例では、実行主体は、各階層の異なるカテゴリの商品リストに基づいて、各商品リストを選択して、選択された商品情報に基づいて商品分析要求に対応する最終的な目標リストを決定することができる。

【0058】

本実施例のいくつかのオプションの実現方法では、方法は、アンカーの特徴タグを判断することと、アンカーの特徴タグがアンカーの総合スコアが他のアンカーの総合スコアの平均値より低いことを特徴付けたことに応答して、目標リストにおける最後にソートされる商品情報をデータベースから選択して得られた商品情報に置き換え、更新された目標リストを生成することと、をさらに含む。例えば、アンカーの特徴タグが０（すなわち、アンカーの総合スコアが他のアンカーの総合スコアの平均値より低いことを特徴付ける）であると判定された場合、商品の類似度が最も低い製品を排除し、スタッケルベルグモデルに基づいて、追従戦略を採用し、プラットフォームの販売量推奨ランキングをトラバースし、その中から適応性の最も高い商品を選択して重点商品に置き換え、残りの商品を再順位付けする。アンカーの特徴から、アンカーにより適切な商品リストを配置する。

【0059】

本実施例のいくつかのオプションの実現方法では、目標リストに基づいて、目標リストに対応する商品の代替案を生成することをさらに含む。商品の代替案に基づいてアンカーに様々な正確なパーソナライズド・サービスを提供する。

【0060】

本実施例では、ステップ３０１～３０３の具体的な操作は、図１に示される実施例におけるステップ１０１～１０３の操作と基本的に同じであり、ここでは繰り返さない。

【0061】

図３から分かるように、図１に対応する実施例と比較して、本実施例における情報を分析するための方法の概略図３００は、各階層のアンカーの特徴、商品の特徴及びユーザの特徴のうちの少なくとも２つに基づいて、訓練によって得られた商品とアンカーの適応性分類モデルを利用して倉庫内の商品を選択して、各階層の異なるカテゴリの商品リストを生成し、各階層の異なるカテゴリの商品リストに基づいて、商品分析要求に対応する目標リストを決定することを採用する。深層学習技術を利用することにより、商品とアンカーの適応性分類モデルが適用できる範囲をより広くし、商品とアンカーの適応性分類モデルによって得られた最終的な商品の目標リストの精度をより高くすることができる。

【0062】

図４をさらに参照すると、上記各図に示された方法の実現として、本出願は、情報を分析するための装置の一実施例を提供し、当該装置の実施例は、図１に示された方法の実施例に対応し、当該装置は、具体的には、様々な電子デバイスに適用することができる。

【0063】

図４に示すように、本実施例の情報を分析するための装置４００は、取得ユニット４０１、階層化ユニット４０２、特徴決定ユニット４０３及び第１生成ユニット４０４を含み、ここで、取得ユニットは、商品分析要求を受信したことに応答して、商品分析要求に対応する履歴商品情報と、履歴商品情報に対応する生放送情報とを取得するように構成され、ここで、履歴商品情報は、アンカーが販売した履歴商品の情報を特徴付けるために使用され、生放送情報は、生放送中のアンカーの録画情報を特徴付けるために使用され、履歴商品情報は、履歴商品の放送の開始時点と履歴商品の放送の終了時点を含み、階層化ユニットは、履歴商品の放送の開始時点と履歴商品の放送の終了時点に基づいて、履歴商品情報を分割して、各階層の商品情報を生成するように構成され、特徴決定ユニットは、各階層の商品情報と、対応する階層の商品情報に対応する生放送情報とを分析して、各階層の様々な種類の特徴を決定するように構成され、ここで、様々な種類の特徴は、アンカーの特徴、商品の特徴ユーザ及び特徴のうちの少なくとも２つを含み、ユーザの特徴は、アンカーの生放送プラットフォームにアクセスした人の特徴を特徴付けるために使用され、第１生成ユニットは、各階層のアンカーの特徴、商品の特徴及びユーザの特徴のうちの少なくとも２つに基づいて、商品とアンカーの適応性分類モデルを利用して倉庫内の商品を選択して、各階層の異なるカテゴリの商品リストを生成するように構成され、ここで、商品とアンカーの適応性分類モデルは、商品とアンカーの適応性強弱の判定結果に基づいて商品を分類することを特徴付けるために使用される。

【0064】

本実施例では、情報を分析するための装置４００の取得ユニット４０１、階層化ユニット４０２、特徴決定ユニット４０３及び第１生成ユニット４０４の具体的な処理及びそれによる技術的効果は、図１に対応する実施例におけるステップ１０１～ステップ１０４の関連説明をそれぞれ参照することができ、ここでは繰り返さない。

【0065】

本実施例のいくつかのオプションの実現方法では、階層化ユニットは、履歴商品の放送の開始時点、履歴商品の放送の終了時点及び生放送情報に基づいて、感情曲線階層化法を利用して履歴商品情報を分割して、各階層の商品情報を生成するようにさらに構成され、ここで、感情曲線階層化法は、生放送情報におけるユーザの最高感情値の分析結果に基づいて商品を分割することを特徴付けるために使用される。

【0066】

本実施例のいくつかのオプションの実現方法では、特徴決定ユニットは、商品評価指標の重みと各階層の商品情報に基づいて、アンカーの各階層の商品情報を採点して、各階層の商品情報に対応する各階層のスコアを生成し、且つ各階層のスコアに基づいて、アンカーの総合スコアを決定するように構成される採点モジュールと、アンカーの総合スコアと他のアンカーの総合スコアとの比較結果に基づいて、アンカーの特徴をタグ付けし、比較結果に対応するアンカーの特徴タグを各階層のアンカーの特徴として生成するように構成される第１決定モジュールと、を含む。

【0067】

本実施例のいくつかのオプションの実現方法では、特徴決定ユニットは、選択された商品のうちの売り込み頻度が最も高い多種類の商品を特徴付けるために使用される商品カテゴリ選択方法と、各階層の商品情報に基づいて、各階層の商品カテゴリを決定し、各階層の商品カテゴリに対応する各階層の商品の特徴ベクトルを生成するように構成される第１選択モジュールと、第２決定モジュールであって、前記第２決定モジュールは、各階層の特徴ベクトルと理想商品モデルに基づいて、各階層の特徴ベクトルに対応する各階層の商品の類似度を各階層の商品の特徴として決定するように構成され、ここで、商品の類似度は、各階層の商品カテゴリと理想商品との近接度を特徴付けるために使用される第２決定モジュールと、を含む。

【0068】

本実施例のいくつかのオプションの実現方法では、特徴決定ユニットは、各階層の商品情報に対応する生放送情報に基づいて、生放送情報に対応する各階層のユーザ静的情報とユーザ動的情報を含むユーザ行動情報を選択するように構成される第２選択モジュールと、ユーザの購入履歴、ユーザの滞在時間長及びユーザの消費能力のうちの少なくとも１つに基づいてユーザの評価を実行することを特徴付けるために使用されるユーザ評価方法に基づいて、各階層のユーザ静的情報と、対応する階層のユーザ動的情報とを分析して、各階層のユーザ品質特徴を各階層のユーザの特徴として決定するように構成される第３決定モジュールと、を含む。

【0069】

本実施例のいくつかのオプションの実現方法では、第１生成ユニットにおける商品とアンカーの適応性分類モデルは、深層学習アルゴリズムを利用して訓練によって得られる。

【0070】

本実施例のいくつかのオプションの実現方法では、装置は、各階層の異なるカテゴリの商品リストに基づいて、商品分析要求に対応する目標リストを決定するように構成されるリスト決定ユニットと、目標リストに基づいて、目標リストに対応する商品の代替案を生成するように構成される第２生成ユニットと、をさらに含む。

【0071】

本実施例のいくつかのオプションの実現方法では、装置は、アンカーの特徴タグを判断するように構成される判断ユニットと、アンカーの特徴タグはアンカーの総合スコアが他のアンカーの総合スコアの平均値より低いことを特徴付けたことに応答して、目標リストにおける最後にソートされる商品情報をデータベースから選択して得られた商品情報に置き換え、更新された目標リストを生成するように構成される更新ユニットと、をさらに含む。

【0072】

本出願の実施例によれば、本出願は、電子デバイスと可読記憶媒体をさらに提供する。

【0073】

図５に示すように、図５は、本出願の実施例に係る情報を分析するための方法の電子デバイスのブロック図である。電子デバイスは、ラップトップコンピュータ、デスクトップコンピュータ、ワークステーション、パーソナルデジタルアシスタント、サーバ、ブレードサーバ、大型コンピュータ、及び他の適切なコンピュータなど、様々な形式のデジタルコンピュータを表すことを目的としている。電子デバイスは、パーソナルデジタルプロセッサ、携帯電話、スマートフォン、ウェアラブルデバイス及び他の類似のコンピューティングデバイスなど、様々な形式のモバイルデバイスを表すこともできる。本明細書に示されるコンポーネント、それらの接続及び関係、及びそれらの機能は、単なる例であり、本明細書に記載及び／又は請求される本出願の実現を制限することを意図するものではない。

【0074】

図５に示すように、当該電子デバイスは、１つ又は複数のプロセッサ５０１、メモリ５０２、及び各コンポーネントを接続するための高速インターフェースと低速インターフェースを含むインターフェースを含む。各コンポーネントは、異なるバスを利用して相互に接続されており、共通のマザーボードにインストールされるか、又は必要に応じて他の方法でインストールされることができる。プロセッサは、メモリ又はメモリ上に記憶された、外部入力／出力装置（インターフェースに結合された表示装置など）にＧＵＩのグラフィカル情報を表示するための指令を含む、電子デバイス内で実行される指令を処理することができる。他の実施形態では、必要に応じて、複数のプロセッサ及び／又は複数のバスを複数のメモリ及び複数のメモリとともに使用する。同様に、複数の電子デバイスを接続することができ、各デバイスは、必要な操作の一部を提供することができる（例えば、サーバアレイ、ブレードサーバのセット、又はマルチプロセッサシステムとして）。図５では、１つのプロセッサ５０１を例にとる。

【0075】

メモリ５０２は、本出願が提供する非一時的なコンピュータ可読記憶媒体である。ここで、メモリには、少なくとも１つのプロセッサに本出願が提供する情報を分析するための方法を実行させるように、少なくとも１つのプロセッサによって実行可能な指令が記憶される。本出願の非一時的なコンピュータ可読記憶媒体には、コンピュータに本出願が提供する情報を分析するための方法を実行させるためのコンピュータ指令が記憶される。

【0076】

メモリ５０２は、非一時的なコンピュータ可読記憶媒体として、非一時的なソフトウェアプログラム、非一時的なコンピュータ実行可能プログラム及び本出願の実施例における情報を分析するための方法に対応するプログラム指令／モジュール（例えば、図面４に示される取得ユニット４０１、階層化ユニット４０２、特徴決定ユニット４０３及び第１生成ユニット４０４）などのモジュールを記憶するために使用され得る。プロセッサ５０１は、メモリ５０２に記憶された非一時的なソフトウェアプログラム、指令及びモジュールを実行することにより、サーバの様々な機能アプリケーション及びデータ処理を実行し、すなわち、上記方法の実施例における情報を分析するための方法を実現することができる。

【0077】

メモリ５０２は、プログラム記憶領域とデータ記憶領域を含んでもよく、ここで、プログラム記憶領域は、オペレーティングシステム及び少なくとも１つの機能に必要なアプリケーションプログラムを記憶することができ、データ記憶領域は、情報を分析するための電子デバイスの使用に基づいて作成されたデータなどを記憶することができる。さらに、メモリ５０２は、高速ランダムアクセスメモリを含んでもよく、また、少なくとも１つのディスク記憶装置、フラッシュメモリ装置、又は他の非一時的な固体記憶装置などの非一時的なメモリを含んでもよい。いくつかの実施例では、メモリ５０２は、任意選択的に、プロセッサ５０１に対して遠隔的に設定されたメモリを含み、これらの遠隔メモリは、ネットワークを介して情報を分析するための電子デバイスに接続されてもよい。上記ネットワークの例としては、インターネット、企業内イントラネット、ローカルエリアネットワーク、移動体通信ネットワーク及びそれらの組み合わせを含むが、これらに限定されない。

【0078】

情報を分析するための方法の電子デバイスは、入力装置５０３と出力装置５０４をさらに含んでもよい。プロセッサ５０１、メモリ５０２、入力装置５０３及び出力装置５０４は、バス又は他の方法で接続されてもよく、図５では、バスによる接続を例にとる。

【0079】

入力装置５０３は、入力されたデジタル情報又は文字情報を受信し、情報を分析するための電子デバイスのユーザ設定及び機能制御に関連するキー信号入力を生成することができ、例えば、タッチスクリーン、キーパッド、マウス、トラックパッド、タッチパッド、指示杆、１つ又は複数のマウスボタン、トラックボール、ジョイスティックなどの入力装置である。出力装置５０４は、表示装置、補助照明装置（例えば、ＬＥＤ）及び触覚フィードバック装置（例えば、振動モータ）などを含んでもよい。当該表示装置は、液晶ディスプレイ（ＬＣＤ）、発光ダイオード（ＬＥＤ）ディスプレイ及びプラズマディスプレイを含んでもよいが、これらに限定されない。いくつかの実施形態では、表示装置は、タッチスクリーンであってもよい。

【0080】

本明細書で説明されるシステムと技術の様々な実施形態は、デジタル電子回路システム、集積回路システム、特定用途向けＡＳＩＣ（特定用途向け集積回路）、コンピュータハードウェア、ファームウェア、ソフトウェア、及び／又はそれらの組み合わせで実現されてもよい。これらの様々な実施形態は、１つ又は複数のコンピュータプログラムに実施され、当該１つ又は複数のコンピュータプログラムは、少なくとも１つのプログラマブルプロセッサを含むプログラマブルシステム上で実行及び／又は解釈されてもよく、当該プログラマブルプロセッサは、専用又は汎用のプログラマブルプロセッサであってもよく、記憶システム、少なくとも１つの入力装置、及び少なくとも１つの出力装置からデータと指令を受信し、且つデータと指令を当該記憶システム、当該少なくとも１つの入力装置、及び当該少なくとも１つの出力装置に送信することができることを含んでもよい。

【0081】

これらのコンピューティングプログラム（プログラム、ソフトウェア、ソフトウェアアプリケーション、又はコードとも呼ばれる）は、プログラマブルプロセッサの機械指令を含み、これらのコンピューティングプログラムは、高度なプロセス及び／又はオブジェクト指向のプログラミング言語、及び／又はアセンブリ／機械言語を利用して実施されてもよい。本明細書で使用される「機械可読媒体」及び「コンピュータ可読媒体」という用語は、機械指令及び／又はデータをプログラマブルプロセッサに提供するために使用される任意のコンピュータプログラム製品、デバイス、及び／又は装置（例えば、磁気ディスク、光ディスク、メモリ、プログラマブル論理装置（ＰＬＤ））を指し、機械可読信号として機械指令を受信する機械可読媒体を含む。「機械可読信号」という用語は、機械指令及び／又はデータをプログラマブルプロセッサに提供するために使用される任意の信号を指す。

【0082】

ユーザとの対話を提供するために、本明細書で説明されるシステムと技術は、ユーザに情報を表示するための表示装置（例えば、ＣＲＴ（陰極線管）又はＬＣＤ（液晶ディスプレイ）モニタ）と、キーボード及びポインティングデバイス（例えば、マウス又はトラックボール）を有するコンピュータに実施されてもよく、ユーザは、当該キーボードと当該ポインティングデバイスを介して入力をコンピュータに提供することができる。他の種類の装置は、ユーザとの対話を提供することもでき、例えば、ユーザに提供されるフィードバックは、任意の形式の感覚的なフィードバック（例えば、視覚フィードバック、聴覚フィードバック、又は触覚フィードバック）であってもよく、任意の形式（声入力、音声入力又は、触覚入力を含む）でユーザからの入力を受信することができる。

【0083】

本明細書で説明されるシステムと技術は、バックグラウンドコンポーネントを含むコンピューティングシステム（例えば、データサーバとして）、又はミドルウェアコンポーネントを含むコンピューティングシステム（例えば、アプリケーションサーバ）、又はフロントエンドコンポーネントを含むコンピューティングシステム（例えば、ユーザが本明細書で説明されるシステムと技術の実施形態と対話できるグラフィカルユーザインターフェース又はネットワークブラウザを有するユーザコンピュータ）、又は当該バックグラウンドコンポーネント、ミドルウェアコンポーネント、又はフロントエンドコンポーネントの任意の組み合わせを含むコンピューティングシステムに実施されてもよい。システムのコンポーネントは、デジタルデータ通信の任意の形式又は媒体（例えば、通信ネットワーク）を介して互いに接続されてもよい。通信ネットワークの例としては、ローカルエリアネットワーク（ＬＡＮ）、ワイドエリアネットワーク（ＷＡＮ）及びインターネットを含む。

【0084】

コンピュータシステムは、クライアントとサーバを含んでもよい。クライアントとサーバは、通常、互いに離れており、且つ通信ネットワークを介して対話する。クライアントとサーバの関係は、対応するコンピュータで実行され、且つ互いにクライアント－サーバ関係を有するコンピュータプログラムを介して生成される。

【0085】

本出願の実施例に係る技術的解決手段によれば、履歴商品の放送の開始時点と履歴商品の放送の終了時点に基づいて、履歴商品情報を分割することで、各階層の商品情報を生成し、各階層の商品情報と、対応する階層の商品情報に対応する生放送情報とを分析することで、各階層の様々な種類の特徴を決定し、各階層のアンカーの特徴、商品の特徴及びユーザの特徴のうちの少なくとも２つに基づいて、商品とアンカーの適応性分類モデルを利用して倉庫内の商品を選択することで、各階層の異なるカテゴリの商品リストを生成することにより、従来技術におけるアンカーが商品を主観的に選択することによる商品の大きな変動が生じ、商品の選択プロセス中に大量の時間と資源を必要とするという問題を解決することができ、データ処理を階層的に実行することで複雑な問題を多目標問題に変換することにより、分析プロセスを簡略化し、システムの実行効率を向上させることができ、アンカーの誘導性及びユーザの個性的なニーズを考慮することにより、生放送で商品を販売するアンカーに適応性の高い個性的な商品リストを提供することを実現することができる。それは、各階層のアンカーの特徴、商品の特徴及びユーザの特徴のうちの少なくとも２つに基づいて、訓練によって得られた商品とアンカーの適応性分類モデルを利用して倉庫内の商品を選択することで、各階層の異なるカテゴリの商品リストを生成し、各階層の異なるカテゴリの商品リストに基づいて、商品分析要求に対応する目標リストを決定することを採用する。深層学習技術を利用することにより、商品とアンカーの適応性分類モデルが適用できる範囲をより広くし、商品とアンカーの適応性分類モデルによって得られた最終的な商品の目標リストの精度をより高くすることができる。

【0086】

以上に示された様々な形式のプロセスを使用して、ステップを並べ替えたり、追加したり、削除したりすることができることを理解すべきである。例えば、本出願に記載されている各ステップは、並行に実行されてもよいし、順次に実行されてもよいし、異なる順序で実行されてもよく、本出願に開示されている技術的解決手段の所望の結果を実現できる限り、本明細書では限定しない。

【0087】

上記特定の実施形態は、本出願の保護範囲を制限するものではない。当業者は、設計要件及び他の要因に応じて、さまざまな修正、組み合わせ、サブコンビネーション及び置換を行うことができると理解すべきである。本出願の精神及び原則内で行われる任意の修正、同等の置換及び改善などはいずれも、本出願の保護範囲内に含まれるべきである。

【図1】

【図2】

【図3】

【図4】

【図5】

【国際調査報告】