[发明专利]产品变体的预测性选择

说明书

本发明涉及产品变体的预测性选择。所公开的技术包括接收物品的选择，其中该物品具有多个可选择配置。访问与该物品相关联的特征数据。该特征数据包括该物品的针对多个可选择配置的产品信息和购买历史。基于该特征数据，可选择配置中的一个或更多个可选择配置被预测为与选择相关联的用户感兴趣。呈现包括利用特征数据预测的配置的用户界面。

技术领域

本发明涉及产品变体的预测性选择。

背景技术

产品或服务通常由库存保有单位(SKU)标识符标识。SKU可以与出售或者出于库存目的而被跟踪的任何物品相关联。SKU可以唯一地标识具有与物品相关联的特定属性的物品，这些特定属性使该物品区别于其他物品。这样的属性可以包括制造商、描述、材料、尺寸和颜色。

在用户界面例如在web浏览器上呈现的产品网站上展现的许多物品或经由应用呈现的产品能够以多于一种配置获得。这样的物品可以被称为具有必须由用户选择的多个可选择变体的多SKU(MSKU)物品。例如，网页上显示的产品可能要求用户使用下拉菜单选择多个配置选项。用户必须选择这些值(例如颜色、尺寸、型号)以便购买该物品。用户还必须选择每个变体以便显示针对特定变体的价格及其可获得性。

本公开内容是针对这些和其他技术考虑而提出的。

发明内容

如上所述，浏览可配置选择所需的努力和延迟可能具有许多不利影响。例如，为了查看物品价格而要求从许多选择中进行选择可能导致用户失去购买物品的兴趣。另外，提供太多选择可能会使一些用户不知所措并且阻止用户完成购买。从资源的角度来看，处理许多特征组合可能会不必要地消耗计算、存储及网络资源。本公开内容为用户提供了一种自动选择最可能的变体并将所选择的变体展现给用户的方式。可以基于多种因素来预测变体，并且可以进一步选择变体以对一个或更多个目标进行优化。例如，可以选择被预测为使用户将选择所选中变体之一进行购买的可能性最大化的变体。在一些实施方式中，因素可以包括特定于特定用户的个性化因素。

在一些实施方式中，可以使用机器学习模型来确定一组个性化的推荐产品变体。在一个示例中，机器学习模型可以基于以下特征：例如销售百分比(特定变体是否具有可以产生兴趣的高销售率)、折扣百分比(特定变体是否与可以产生用户兴趣的较高折扣相关联)、点击次数(特定变体是否获得了其他用户的较高点击次数)以及过去的用户行为(基于先前点击、添加至购物车动作、过去购买，用户是否将对一组特定变体感兴趣)。机器学习模型可以被配置成预测可能感兴趣的变体。在一些实施方式中，可以基于呈现产品信息的设备的当前显示能力来确定推荐变体的数量。在一些实施方式中，可以利用强化学习来实施反馈和奖励以强化期望目标。

所公开的技术通过智能地选择一组可能的变体并简化用户界面从而在给定购买过程中向用户提供更多可以增加他们的兴趣水平以及参与度的相关信息，来解决上面提出的技术问题以及潜在的其他技术问题。所公开的技术还使得能够减少不必要的用户选择的量，从而减少计算资源(例如，维护配置的所有组合所需的存储器量或处理器周期数)和网络带宽(因为众多用户请求可能需要使用网络)的浪费。本文未具体提及的其他技术益处也可以通过所公开技术的实施来实现。

应当理解，以上描述的且以下进一步详细描述的主题可以被实现为计算机控制的装置、计算机实现的方法、计算设备、或者被实现为诸如计算机可读存储介质的制品。通过阅读下面的具体实施方式并查看相关附图，这些特征和各种其他特征将是明显的。

提供本发明内容是为了以简化形式介绍将在下面的具体实施方式中进一步描述的构思选择。本发明内容不旨在标识所要求保护的主题的关键特征或必要特征，也不旨在将本发明内容用于限制所要求保护的主题的范围。此外，所要求保护的主题不限于解决在本公开内容的任何部分中提到的任何或所有缺点的实现方式。

附图说明

参照附图描述具体实施方式。在附图中，附图标记的最左边的数字标识该附图标记首次出现在其中的附图。不同附图中的相同附图标记指示相似或相同的项。