CN102346894B - 推荐信息的输出方法、系统及服务器 - Google Patents

推荐信息的输出方法、系统及服务器 Download PDF

Info

Publication number
CN102346894B
CN102346894B CN201010246510.9A CN201010246510A CN102346894B CN 102346894 B CN102346894 B CN 102346894B CN 201010246510 A CN201010246510 A CN 201010246510A CN 102346894 B CN102346894 B CN 102346894B
Authority
CN
China
Prior art keywords
commodity
interest level
user behavior
purchase
behavior data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201010246510.9A
Other languages
English (en)
Other versions
CN102346894A (zh
Inventor
肖铨武
苏宁军
谭昶
刘淇
张金银
陈恩红
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Alibaba Group Holding Ltd
Original Assignee
Alibaba Group Holding Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Alibaba Group Holding Ltd filed Critical Alibaba Group Holding Ltd
Priority to CN201010246510.9A priority Critical patent/CN102346894B/zh
Priority to US13/136,420 priority patent/US20120036037A1/en
Priority to JP2013523152A priority patent/JP5789664B2/ja
Priority to PCT/US2011/001364 priority patent/WO2012018388A1/en
Priority to EP11814904.6A priority patent/EP2577591A4/en
Publication of CN102346894A publication Critical patent/CN102346894A/zh
Application granted granted Critical
Publication of CN102346894B publication Critical patent/CN102346894B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00Commerce
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24Querying
    • G06F16/245Query processing
    • G06F16/2457Query processing with adaptation to user needs
    • G06F16/24578Query processing with adaptation to user needs using ranking
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00Commerce
    • G06Q30/06Buying, selling or leasing transactions
    • G06Q30/0601Electronic shopping [e-shopping]
    • G06Q30/0631Item recommendations

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Information Transfer Between Computers (AREA)

Abstract

本申请公开了一种推荐信息的输出方法、系统及服务器,该方法包括:从用户行为数据库中提取预设的统计周期内的用户行为数据;将用户行为数据按照商品标识进行归类,获得每一种商品在统计周期内的感兴趣程度的时间序列;根据感兴趣程度的时间序列计算商品的购买峰值概率;当接收到输出推荐信息的命令时,将购买峰值概率按照从高到低的顺序进行排序,根据排序的结果输出商品的推荐信息。本申请按照用户行为数据自动统计商品在时间维度上的购买峰值概率,由此可以提高推荐系统的推荐准确率,减少不必要的数据在网络中的传输量;由于推荐信息由服务器自动修正并输出,充分利用了服务器的计算能力,当通过购买峰值概率调整推荐信息时,可以减少推荐系统的信息输入量和计算资源。

Description

推荐信息的输出方法、系统及服务器
技术领域
本申请涉及网络技术领域,尤其涉及一种推荐信息的输出方法、系统及服务器。
背景技术
网络购物已经成为人们生活中的一种常见的购物方式,用户在网站浏览商品并选择购物的过程中,网站的推荐引擎服务器可能向用户推荐热门商品,并将这些热门商品的相关信息呈现在网页的特定位置,供用户选择。现有技术中在输出推荐的商品信息时,仅仅按照商品的销量信息或者用户的感兴趣信息(例如:点击量或浏览量)进行推荐,比如,如果某件商品的历史购买量超过一定的数值,则向用户推荐该商品信息,或者,如果某件商品的点击量超过一定的数值,则向用户推荐该商品信息等。
发明人在对现有技术的研究过程中发现,现有技术中的商品信息推荐输出方法,仅仅统计了商品在购买量等维度上的信息,仅仅是购买量等历史数据的累加,而忽略了时间因素对于商品推荐信息的影响,例如,用户在购买商品时,根据季节的不同存在差异,用户会在夏天大量购买短袖类的服装,到了冬天该短袖类服装的累积购买量或点击量已经非常高,此时如果仍然向用户推荐该服装,则将导致推荐引擎服务器的推荐准确率下降,用户体验也不高;并且由于冬天时羽绒服类的服装的点击量或购买量势必剧增,如果仅仅通过对历史购买量或点击量的累加来决定向用户推荐的商品,在冬天时可能会将羽绒服类的服装信息连同一些用户不需要的短袖类服装信息同时推荐给用户,导致在网络中传输的数据量增大,降低了网络数据传输速度。而为了防止上述推荐信息不准确的情况发生,现有的推荐引擎服务器通常采用人工方式,手动修改推荐信息,使得推荐信息与推荐时间相匹配,但是人工修改推荐信息工作量较大,自动化程度不高,难以充分利用推荐引擎服务器的计算能力。
发明内容
本申请实施例的目的是提供一种推荐信息的输出方法、系统及服务器,以解决现有技术中输出的推荐信息与推荐时间不匹配,且人工操作导致工作量较大的问题。
为解决上述技术问题,本申请实施例提供了一种推荐信息的输出方法,是这样实现的:
一种推荐信息的输出方法,包括:
从用户行为数据库中提取预设的统计周期内的用户行为数据;
将所述用户行为数据按照商品标识进行归类,获得每一种商品在所述统计周期内的感兴趣程度的时间序列;
根据所述感兴趣程度的时间序列计算所述商品的购买峰值概率;
当接收到输出推荐信息的命令时,将所述购买峰值概率按照从高到低的顺序进行排序,根据所述排序的结果输出商品的推荐信息。
为解决上述技术问题,本申请实施例还提供了一种推荐信息的输出系统,是这样实现的:
一种推荐信息的输出系统,包括:数据处理服务器、信息推荐服务器,其中,
所述数据处理服务器,用于从用户行为数据库中提取预设的统计周期内的用户行为数据,将所述用户行为数据按照商品标识进行归类,获得每一种商品在所述统计周期内的感兴趣程度的时间序列,根据所述感兴趣程度的时间序列计算所述商品的购买峰值概率;
信息推荐服务器,用于当接收到输出推荐信息的命令时,从所述数据处理服务器中获取每种商品的购买峰值概率,将所述购买峰值概率按照从高到低的顺序进行排序,并根据所述排序的结果输出商品的推荐信息。
为解决上述技术问题,本申请实施例还提供了一种推荐信息的输出服务器,是这样实现的:
一种推荐信息的输出服务器,包括:
提取单元,用于从用户行为数据库中提取预设的统计周期内的用户行为数据;
归类单元,用于将所述用户行为数据按照商品标识进行归类,获得每一种商品在所述统计周期内的感兴趣程度的时间序列;
计算单元,用于根据所述感兴趣程度的时间序列计算所述商品的购买峰值概率;
接收单元,用于接收输出推荐信息的命令;
输出单元,用于将所述购买峰值概率按照从高到低的顺序进行排序,根据所述排序的结果输出商品的推荐信息。
可见,本申请实施例中从用户行为数据库中提取预设的统计周期内的用户行为数据,将所述用户行为数据按照商品标识进行归类,获得每一种商品在所述统计周期内的感兴趣程度的时间序列,根据所述感兴趣程度的时间序列计算所述商品的购买峰值概率,当接收到输出推荐信息的命令时,将所述购买峰值概率按照从高到低的顺序进行排序,根据所述排序的结果输出商品的推荐信息。本申请输出推荐信息的实施例考虑了商品在时间维度上的信息,按照用户行为数据自动统计商品在时间维度上的购买峰值概率,并根据购买峰值概率向用户推荐信息,由此可以提高推荐系统的推荐准确率,减少不必要数据在网络中的传输量,提升用户体验、提高网络传输速度;并且,由于推荐信息由服务器自动修正并输出,因此克服了现有技术中需要手动调整推荐信息导致推荐系统的自动化程度不高的问题,充分利用了服务器的计算能力,当通过购买峰值概率调整推荐信息时,可以减少推荐系统的信息输入量,节约推荐系统的计算资源。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本申请推荐信息的输出方法的第一实施例流程图;
图2为本申请推荐信息的输出方法的第二实施例流程图;
图3为本申请推荐信息的输出系统的实施例框图;
图4为本申请推荐信息的输出服务器的第一实施例框图;
图5为本申请推荐信息的输出服务器的第二实施例框图。
具体实施方式
本申请实施例提供一种推荐信息的输出方法、系统及服务器。
为了使本技术领域的人员更好地理解本申请实施例中的技术方案,并使本申请实施例的上述目的、特征和优点能够更加明显易懂,下面结合附图对本申请实施例中技术方案作进一步详细的说明。
参见图1,为本申请推荐信息的输出方法的第一实施例流程图:
步骤101:从用户行为数据库中提取预设的统计周期内的用户行为数据。
所有用户对商品的操作的行为数据都将保存到用户行为数据库中,用户行为数据的类型包括了用户对商品的点击数量、浏览数量、浏览时间、购买金额、购买数量等等,用户通过操作终端界面每完成一次用户行为时,服务器将该用户行为所触发的行为数据保存到行为数据库中与该用户对应的表项中。
在用户行为数据库中,对于同一种商品的不同用户行为数据可能通过不同的基础表进行保存,当需要对用户行为数据进行处理时,则可根据统计周期的开始时间和结束时间查找用户行为数据库中的若干基础数据表,从若干基础数据表中获取与统计周期匹配的用户行为数据,并生成一张数据汇总表,该数据汇总表中可以包含用户行为数据的发生日期、商品标识、用户标识和若干行为数据。
步骤102:将用户行为数据按照商品标识进行归类,获得每一种商品在统计周期内的感兴趣程度的时间序列。
由于所生成的数据汇总表中包含了日期、商品标识、用户标识和若干行为数据等字段,因此为了获取统计周期内所有用户对同一商品的感兴趣程度,可以按照商品标识的不同,提取具有同一商品标识的用户行为数据,对于具有同一商品标识的用户行为数据,按照用户行为数据的类型分别汇总每一种类型的用户行为数据,并生成每一种类型的用户行为数据的时间序列。其中,时间序列中的时间点的个数可以预先设置,以统计周期为一年为例,如果时间点为一天,则该时间序列中包含365个时间点,如果时间点为一周,则该时间序列中包含52个时间点。因此,每一种类型的用户行为数据的时间序列中包含了与时间点个数一致的离散值,每个离散值表示一个时间点上某一种类型的用户行为数据的集合。
通过每一种类型的用户行为数据的权重值,计算每一种商品的感兴趣程度的时间序列,该时间序列中包含了与时间点个数一致的感兴趣程度值。其中,权重值的计算可以通过建立用户行为模型,并运用机器学习方法获得,在实际应用中,可以采用现有的BP神经网络来训练权重并获得权重值,在此不再赘述。
步骤103:根据感兴趣程度的时间序列计算商品的购买峰值概率。
根据感兴趣程度的时间序列中的所有感兴趣程度值计算该时间序列的感兴趣程度平均值,根据感兴趣程度平均值计算感兴趣程度阈值,将每个感兴趣程度值与感兴趣程度平均值及感兴趣程度阈值分别进行比较,根据比较的结果,将低于感兴趣程度平均值的感兴趣程度值的购买峰值概率设置为0,将高于感兴趣程度阈值的感兴趣程度值的购买峰值概率设置为1,并根据感兴趣程度平均值和感兴趣程度阈值计算在上述两个值之间的感兴趣程度值的购买峰值概率。
步骤104:当接收到输出推荐信息的命令时,将购买峰值概率按照从高到低的顺序进行排序。
步骤105:根据排序的结果输出商品的推荐信息,结束当前流程。
在利用购买峰值概率的排序结果输出商品的推荐信息时,可以首先获取推荐系统输出的商品的初始推荐信息,对于初始推荐信息按照购买峰值概率的排序,调整其中的商品信息的排序。这种方式可以用于对现有推荐系统的推荐信息进行自动校正,提高用户体验。
也可以,从排序的结果中按照从高到低的顺序获取预设数量的商品的推荐信息,将预设数量的商品的推荐信息输入到推荐系统中,由推荐系统对预设数量的商品的推荐信息进行处理后输出商品的推荐信息。这种方式可以减少推荐系统的输入信息量和信息处理量,提高系统的推荐效率。
参见图2,为本申请推荐信息的输出方法的第二实施例流程图:
步骤201:从用户行为数据库中提取预设的统计周期内的用户行为数据。
所有用户对商品的操作的行为数据都将保存到用户行为数据库中,用户行为数据的类型包括了用户对商品的点击数量、浏览数量、浏览时间、购买金额、购买数量等等,用户通过操作终端界面每完成一次用户行为时,服务器将该用户行为所触发的行为数据保存到行为数据库中与该用户对应的表项中。
本申请实施例中,可以根据系统输入的触发命令开始进行用户行为数据的处理,或者按照预设的时间间隔自动进行用户行为数据的处理。在用户行为数据库中,对于同一种商品的不同用户行为数据可能通过不同的基础表进行保存,当需要对用户行为数据进行处理时,则可根据统计周期从若干基础表中提取所需要的用户行为数据到一张汇总数据表中,例如,统计周期为从2010年5月1日至2011年4月30日这一年内的用户行为数据,则按照统计周期从若干基础表中提取满足上述时间段的数据,并汇总到如下表1所示的数据汇总表中,该数据汇总表中包含如下字段:日期(用户行为数据的发生时间),用户ID,商品ID、用户行为数据(点击数、浏览数、购买金额):
日期 用户ID 商品ID 点击数 浏览数 购买金额
2010-5-1 UserA Product1 3 5 10.00
2010-5-1 UserA Product2 4 6 0.00
2010-5-1 UserA Product3 1 0 0.00
2010-5-1 UserB Product2 10 12 20.00
2010-5-2 UserB Product2 1 3 0.00
2010-5-2 UserC Product2 2 5 15.00
2010-5-2 UserC Product4 5 7 5.00
…… …… …… …… …… ……
表1
从上表1中可知,该数据汇总表中的每一个表项记录的是某个用户某一天对某个商品的用户行为数据的总和,即记录了多个用户与多种商品的多对多关系,为了进行后续商品购买峰值和购买周期的计算,需要对表1中的数据进行处理得到单一商品与多个用户的一对多关系,从而获取每个商品的推荐信息。例如,对于Product2,以其商品ID为索引,从表1中提取在一定时间段内(比如一年),所有用户对该Product2的点击数量、浏览数量、购买金额等用户行为数据的集合。
步骤202:将用户行为数据按照商品标识进行归类,获得每一种商品在统计周期内的感兴趣程度的时间序列。
在提取出每一种商品与用户行为数据的集合后,需要将同一种商品的各种用户行为数据进行归并。
假设x1(t)表示某一商品在t时间点的用户购买数量,那么时间序列{x1}={x1(t),t=1,2,...,n}就表示某一商品在时间点t=1到t=n之间的购买数量的集合,其中,n的取值可以根据实际需要确定,例如t=1到t=n可以表示一年中的每一天,即n取365,或者t=1到t=n表示一年中的每一周,即n取52;x1(t)表示在t时间点所有用户的购买数量的总和;上述t时间点指统计周期一年内的第t个时间点,例如,如果统计周期为2010年5月1日至2011年4月30日,则t=1时刻就指2010年5月1日这一天。上述列举的时间序列{x1}为购买数量的事件序列,同理,浏览数量、反馈数量、点击数量等用户行为数据对应的时间序列分别表示为{x2}、{x3}、{x4}。需要说明的是,用户行为数据可以不局限在上述列举的购买数量、浏览数量、反馈数量和点击数量这四种。
以表1中的用户行为数据为例,其中时间点t以天为单位,那么对于商品Product1,根据其“商品ID”和“日期”查找表1,将每一天中所有用户对该Product1的浏览数量相加,就得到Product1在一天中的用户浏览总数,依次类推,就可以得到每一天用户对Product1的浏览总数。假设选取某一天为t=1的时间点,并确定统计周期的时间长度为n,就可以得到一个Product1的用户浏览数量的时间序列{x2},它表示了从某一天t=1开始,其后n天在内的每一天Product1的用户浏览数量集合,记为{x2}={x2(t),t=1,2,...,n},n通常为统计周期内所包含的时间点的个数。
前面采集的为某种商品的若干用户行为数据的时间序列,而某种商品的用户感兴趣程度由若干用户行为数据共同确定,设用户对某种商品随时间变化的感兴趣程度设为时间序列{X}={X(t),t=1,2,...,n},{X}表示在统计周期t=1至t=n内用户对商品的感兴趣程度,其中X(t)表示第t个时间点上对该商品的感兴趣程度值,X(t)可以是用户行为数据的线性组合,假设共有m种用户行为数据,则X(t)可以按照下式进行计算:
{X(t)}=w1{x1(t)}+w2{x2(t)}+...+wm{xm(t)}
上式中,w1,w2,...,wm为该商品的每一种用户行为数据的权重值,表示每一种用户行为数据相对于用户对商品感兴趣程度值比重的强弱。权重值的计算可以通过建立用户行为模型,并运用机器学习方法获得,在实际应用中,可以采用现有的BP神经网络来训练权重并获得权重值,在此不再赘述。对于不同的商品,均按照上述方式来获取用户对商品的感兴趣程度的时间序列,每种商品的权重值w1,w2,...,wm可以不同,可以分别通过神经网络进行训练。
步骤203:根据感兴趣程度的时间序列分别计算商品的购买峰值概率和商品的呈现周期。
在计算商品的购买峰值概率时,可以按照如下方式进行:
首先,前述求得的每种商品的感兴趣程度的时间序列一般存在明显的上升趋势项,即在t=1至t=n的前期商品的感兴趣程度值往往小于后期的感兴趣程度值,因为商品在刚推出的时候往往不如该商品在呈现一段时间后用户行为数据的值大,例如,某个商品在推出的首周用户的点击数量较少,但过了一个月后,可能用户的点击数量会大幅上升。因此,为了去除上述随时间存在的上升趋势,可以通过样条拟合函数对求得的感兴趣程度的时间序列拟合一个线性函数,然后将感兴趣程度的时间序列减去这个线性函数,假设拟合的线性函数为y(t)=10t,则消除上升趋势后的感兴趣程度的时间序列{X}={X(t)-10t,t=1,2,...,n}。
其次,前述计算出的对于每一种商品的用户感兴趣程度的时间序列为:
{X}={X(t)-10t,t=1,2,...,n},为了描述方便仍然假设{X}={X(t),t=1,2,...,n},该{X}实际为横坐标为t的n个离散值的集合,每个离散值代表商品在某一天的用户感兴趣程度值,按照下式计算该时间序列的平均值avg:
avg=(X(1)+X(2)+...+X(n))/n
将X(t)值与avg进行比较,并将所有小于avg的点的峰值概率p设置为0,即这些点不可能成为峰值。
再次,对于高于avg的点,设置一个阈值z,该z按照下式进行计算:
z=(Xmax-avg)×0.6
上式中,Xmax为{X}={X(t),t=1,2,...,n}中的最大值,将X(t)值与z进行比较,所有大于z的点的峰值概率p设置为1,即这些点均为峰值。需要说明的是,上式中的0.6是一个经验值,在实际应用过程中,可以调整适当调整该值,从而计算合适的阈值z。
最后,对于在阈值z和avg之间的点,按照下式分别计算其峰值概率p:
p=(X(t)-avg)/(z-avg)
通过以上四步,就得到了一段时间内(t=1,2,...,n)每个时间点的峰值概率p,它也可以表示为一个时间序列{p}={p(t),t=1,2,...,n}。
在计算商品的购买周期时,可以按照如下方式进行:
用户对商品随时间变化的感兴趣程度的时间序列{X}和在{X}上发现的峰值概率时间序列{p},可以发现用户的购买周期。
首先对感兴趣程度的时间序列{X}使用FFT(快速傅立叶变换)进行计算,获取其中最强的正弦分量,根据该正弦分量发现可能存在的购买周期长度L;随后将时间序列{X}按长度L分割成若干时间段,比较各时间段之间是否相似,如果相似,则认为存在用户购买周期。在进行比较时可以采用模糊匹配峰值的方法,即在相同或相近的间隔内是否出现峰值,或者也可以采用cosine(余弦相似性)比较法,即比较各个时间段序列之间的相似程度,设两个等长的时间序列{P},{Q},则按如下公式计算其cosine值:
上式中的cosine值越接近1,则说明两个时间序列{P}和{Q}的相似性越高,由此确定存在购买周期L。
步骤204:根据呈现周期修正商品的购买峰值概率,获得商品的周期购买峰值概率。
在商品可能存在购买周期或者已经明确发现购买周期L时,可以将多个周期L(假定共有k个周期)的峰值时间点和峰值概率进行比较,计算每个峰值时间点上的多周期平均峰值概率pa
pa(t)=(p1(t)+p2(t)+...+pk(t))/k
其中p1,p2,...,pk表示时间点t的每个周期的峰值概率,这里对于峰值点定义p=1,非峰值点p=0,如果pa高于一个预设的阈值,就可以认为该时间点在多个周期中都是峰值,可以作为一个周期性的峰值进行记录,即该商品在每个周期的该时间点都会出现峰值,推荐时在每个周期的该时间点都可以推荐该商品。
步骤205:保存商品的购买峰值概率,并根据商品的信息更新情况按照预设的时间间隔维护商品的购买峰值概率和购买周期。
保存上述求得的信息至商品购买峰值数据表,该数据表中的表项包含的字段有商品ID、峰值时间点和峰值概率,对于周期平均峰值概率,可以进一步记录其周期长度。
上述商品购买峰值数据表可以保存在商品购买峰值数据库中,除了该数据库,还可以进一步设置商品信息数据库,用于保存商品的基本信息,包括商品的分类信息、商品是否存在、商品存在的持续时间、商品的描述信息等,上述基本信息可能随着时间的变化而发生变化,因此需要根据实时变化情况进行更新。商品的基本信息可以作为购买峰值计算的参考,例如,对于已经不存在的商品,可以停止计算其购买峰值概率和购买周期,并从数据库中删除该商品的信息,对于存在时间较短的商品,额可以等待其持续之间足够长,且用户行为数据充分时,再计算其购买峰值概率和购买周期。
步骤206:当接收到输出推荐信息的命令时,将购买峰值概率按照从高到低的顺序进行排序。
推荐系统按照现有方式可以得到某一天所要推荐的商品的推荐信息,但是通过现有技术的描述可知,上述推荐信息不准确,且包括大量用户不需要的信息,因此可以应用前述获得的商品购买峰值对该推荐结果进行修正。在修正时,以所要推荐的这一天所在的时间点为索引查找所保存的商品购买峰值数据表,获取该时间点上每种商品的峰值概率,根据峰值概率从高到低进行排列,仅向用户推荐排序靠前的信息,峰值概率越高的商品说明其越有可能成为热销商品。
步骤207:根据排序的结果输出商品的推荐信息,结束当前流程。
根据推荐场景的不同,通过获得的热销商品对推荐结果进行修正可以采用如下方式:
1)直接筛选推荐结果。对于推荐系统给出的初始推荐结果,根据峰值概率的从高到低对推荐结果进行排序,将热销商品的排序提前。例如,推荐系统根据用户浏览得到的用户可能喜欢的商品的推荐结果是羽绒服和T恤,而当前时间T恤的峰值概率高于羽绒服,则修正时将推荐结果中T恤的顺序排列到羽绒服之前。在实际应用中可以只将排序靠前的T恤推荐给用户,而不推荐羽绒服信息,因此可以减少数据在网络中的传输量,提高网络传输速度。
2)使用推荐系统筛选热销商品。在一些应用场景中,可能只需要展示少量的推荐商品,例如,只需要展示10种商品,但是推荐系统在按照现有方式输出推荐结果时,需要将所有商品输入到推荐系统中并输出推荐结果,即如果有一万种商品的信息,则这一万种商品的信息都需要输入到推荐系统中,而为了降低推荐系统的工作量,可以按照峰值概率的排序初次筛选出排名靠前的商品,例如,筛选出排在前200位的商品,将初始筛选出的商品输入到推荐系统中进行处理,则可以降低推荐系统的处理数据量,同时由于所输入的商品为按照峰值概率排序后的结果,因此可以提高用户对推荐结果的满意度。
上述实施例在应用时,可以将对用户行为数据进行处理获得购买峰值概率和购买周期的功能部署在一台服务器中实现,而将对购买峰值概率和购买周期及商品信息的存储和维护功能部署在另一台服务器中实现,由此实现负载均衡;当然,上述两部分功能也可以在一台服务器中执行,对此本申请实施例不进行限制。上述两部分功能可以离线执行,当需要输出推荐信息时,则由在线的信息推荐服务器通过TCP/IP协议与存储购买峰值概率和购买周期的服务器进行通信,获取购买峰值概率,并根据对其排序结果输出商品的推荐信息。
与本申请推荐信息的输出方法的实施例相对应,本申请还提供了推荐信息的输出系统及服务器的实施例。
参见图3,为本申请推荐信息的输出系统的实施例框图:
该系统包括:数据处理服务器310和信息推荐服务器320。
其中,所述数据处理服务器310,用于从用户行为数据库中提取预设的统计周期内的用户行为数据,将所述用户行为数据按照商品标识进行归类,获得每一种商品在所述统计周期内的感兴趣程度的时间序列,根据所述感兴趣程度的时间序列计算所述商品的购买峰值概率;
信息推荐服务器320,用于当接收到输出推荐信息的命令时,从所述数据处理服务器中获取每种商品的购买峰值概率,将所述购买峰值概率按照从高到低的顺序进行排序,并根据所述排序的结果输出商品的推荐信息。
进一步,该系统还可以包括数据维护服务器330,用于保存所述商品的购买峰值概率,并根据所述商品的信息更新情况按照预设的时间间隔维护所述商品的购买峰值概率。
参见图4,为本申请推荐信息的输出服务器的第一实施例框图:
该服务器包括:提取单元410、归类单元420、计算单元430、接收单元440和输出单元450。
其中,提取单元410,用于从用户行为数据库中提取预设的统计周期内的用户行为数据;
归类单元420,用于将所述用户行为数据按照商品标识进行归类,获得每一种商品在所述统计周期内的感兴趣程度的时间序列;
计算单元430,用于根据所述感兴趣程度的时间序列计算所述商品的购买峰值概率;
接收单元440,用于接收输出推荐信息的命令;
输出单元450,用于将所述购买峰值概率按照从高到低的顺序进行排序,根据所述排序的结果输出商品的推荐信息。
参见图5,为本申请推荐信息的输出服务器的第二实施例框图:
该服务器包括:提取单元510、归类单元520、计算单元530、修正单元540、保存单元550、维护单元560、接收单元570和输出单元580。
其中,提取单元510,用于从用户行为数据库中提取预设的统计周期内的用户行为数据;
归类单元520,用于将所述用户行为数据按照商品标识进行归类,获得每一种商品在所述统计周期内的感兴趣程度的时间序列;
计算单元530,用于根据所述感兴趣程度的时间序列计算所述商品的购买峰值概率,以及根据所述感兴趣程度的时间序列计算所述商品的呈现周期;
修正单元540,用于根据所述呈现周期修正所述商品的购买峰值概率,获得所述商品的周期购买峰值概率;
保存单元550,用于保存所述商品的购买峰值概率;
维护单元560,用于根据所述商品的信息更新情况按照预设的时间间隔维护所述商品的购买峰值概率;
接收单元570,用于接收输出推荐信息的命令;
输出单元580,用于将所述购买峰值概率按照从高到低的顺序进行排序,根据所述排序的结果输出商品的推荐信息。
具体的,所述提取单元510可以包括(图5中未示出):数据库查找单元,用于按照所述统计周期的开始时间和结束时间查找用户行为数据库中的若干基础数据表;汇总表生成单元,用于从所述若干基础数据表中获取与所述统计周期匹配的用户行为数据,并生成数据汇总表,所述数据汇总表中包含日期、商品标识、用户标识和若干行为数据。
具体的,所述归类单元520可以包括(图5中未示出):数据提取单元,用于按照商品标识提取具有同一商品标识的用户行为数据;时间序列生成单元,用于对于具有同一商品标识的用户行为数据,按照所述用户行为数据的类型分别汇总每一种类型的用户行为数据,并生成每一种类型的用户行为数据的时间序列;时间序列计算单元,用于通过每一种类型的用户行为数据的权重值,计算所述商品的感兴趣程度的时间序列。
具体的,所述计算单元530可以包括(图5中未示出):平均值计算单元,用于根据所述感兴趣程度的时间序列中的所有感兴趣程度值计算所述时间序列的感兴趣程度平均值;阈值计算单元,用于根据所述感兴趣程度平均值计算感兴趣程度阈值;感兴趣程度比较单元,用于将每个感兴趣程度值与所述感兴趣程度平均值及感兴趣程度阈值分别进行比较;比较结果执行单元,用于根据所述比较的结果,将低于所述感兴趣程度平均值的感兴趣程度值的购买峰值概率设置为0,将高于所述感兴趣程度阈值的感兴趣程度值的购买峰值概率设置为1,并根据所述感兴趣程度平均值和感兴趣程度阈值计算在上述两个值之间的感兴趣程度值的购买峰值概率。
具体的,所述输出单元580可以包括(图5中未示出):初始信息获取单元,用于获取推荐系统输出的商品的初始推荐信息;初始信息调整单元,用于按照所述购买峰值概率的排序,调整所述初始推荐信息中的商品信息的排序。或者,推荐信息获取单元,用于从所述排序的结果中按照从高到低的顺序获取预设数量的商品的推荐信息;推荐信息输出单元,用于将所述预设数量的商品的推荐信息输入到推荐系统中,所述推荐系统用于对所述预设数量的商品的推荐信息进行处理后输出商品的推荐信息。
通过以上的实施方式的描述可知,本申请实施例中从用户行为数据库中提取预设的统计周期内的用户行为数据,将所述用户行为数据按照商品标识进行归类,获得每一种商品在所述统计周期内的感兴趣程度的时间序列,根据所述感兴趣程度的时间序列计算所述商品的购买峰值概率,当接收到输出推荐信息的命令时,将所述购买峰值概率按照从高到低的顺序进行排序,根据所述排序的结果输出商品的推荐信息。本申请输出推荐信息的实施例考虑了商品在时间维度上的信息,按照用户行为数据自动统计商品在时间维度上的购买峰值概率,并根据购买峰值概率向用户推荐信息,由此可以提高推荐系统的推荐准确率,提升用户体验;并且,由于推荐信息由服务器自动修正并输出,因此克服了现有技术中需要手动调整推荐信息导致推荐系统的自动化程度不高的问题,充分利用了服务器的计算能力,当通过购买峰值概率调整推荐信息时,可以减少推荐系统的信息输入量,节约推荐系统的计算资源。
通过以上的实施方式的描述可知,本领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例或者实施例的某些部分所述的方法。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本申请可用于众多通用或专用的计算系统环境或配置中。例如:个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
虽然通过实施例描绘了本申请,本领域普通技术人员知道,本申请有许多变形和变化而不脱离本申请的精神,希望所附的权利要求包括这些变形和变化而不脱离本申请的精神。

Claims (14)

1.一种推荐信息的输出方法,其特征在于,包括:
从用户行为数据库中提取预设的统计周期内的用户行为数据;
将所述用户行为数据按照商品标识进行归类,获得每一种商品在所述统计周期内的感兴趣程度的时间序列;
根据所述每一种商品在所述统计周期内的感兴趣程度的时间序列,计算每种商品在时间维度上的购买峰值概率;
当接收到输出推荐信息的命令时,将当前时间点每种商品的购买峰值概率按照从高到低的顺序进行排序,从所述排序的结果中按照从高到低的顺序获取预设数量的商品的推荐信息,将所述预设数量的商品的推荐信息输入到推荐系统中,所述推荐系统用于对所述预设数量的商品的推荐信息进行处理后输出商品的推荐信息。
2.根据权利要求1所述的方法,其特征在于,所述从用户行为数据库中提取预设的统计周期内的用户行为数据包括:
按照所述统计周期的开始时间和结束时间查找用户行为数据库中的若干基础数据表;
从所述若干基础数据表中获取与所述统计周期匹配的用户行为数据,并生成数据汇总表,所述数据汇总表中包含日期、商品标识、用户标识和若干行为数据。
3.根据权利要求1所述的方法,其特征在于,所述将用户行为数据按照商品标识进行归类,获得每一种商品在统计周期内的感兴趣程度的时间序列包括:
按照商品标识提取具有同一商品标识的用户行为数据;
对于具有同一商品标识的用户行为数据,按照所述用户行为数据的类型分别汇总每一种类型的用户行为数据,并生成每一种类型的用户行为数据的时间序列;
通过每一种类型的用户行为数据的权重值,计算所述商品的感兴趣程度的时间序列。
4.根据权利要求1所述的方法,其特征在于,所述根据所述每一种商品在所述统计周期内的感兴趣程度的时间序列,计算所述商品的购买峰值概率,包括:
根据所述感兴趣程度的时间序列中的所有感兴趣程度值计算所述时间序列的感兴趣程度平均值;
根据所述感兴趣程度平均值计算感兴趣程度阈值;
将每个感兴趣程度值与所述感兴趣程度平均值及感兴趣程度阈值分别进行比较;
根据所述比较的结果,将低于所述感兴趣程度平均值的感兴趣程度值的购买峰值概率设置为0,将高于所述感兴趣程度阈值的感兴趣程度值的购买峰值概率设置为1,并根据所述感兴趣程度平均值和感兴趣程度阈值计算在上述两个值之间的感兴趣程度值的购买峰值概率。
5.根据权利要求1所述的方法,其特征在于,所述获得每一种商品在统计周期内的感兴趣程度的时间序列后,还包括:
根据所述感兴趣程度的时间序列计算所述商品的呈现周期;
根据所述呈现周期修正所述商品的购买峰值概率,获得所述商品的周期购买峰值概率。
6.根据权利要求1所述的方法,其特征在于,还包括:
保存所述商品的购买峰值概率,并根据所述商品的信息更新情况按照预设的时间间隔维护所述商品的购买峰值概率。
7.一种推荐信息的输出系统,其特征在于,包括:数据处理服务器、信息推荐服务器,其中,
所述数据处理服务器,用于从用户行为数据库中提取预设的统计周期内的用户行为数据,将所述用户行为数据按照商品标识进行归类,获得每一种商品在所述统计周期内的感兴趣程度的时间序列,根据所述每一种商品在所述统计周期内的感兴趣程度的时间序列,计算每种商品在时间维度上的购买峰值概率;
信息推荐服务器,用于当接收到输出推荐信息的命令时,从所述数据处理服务器中获取当前时间点每种商品的购买峰值概率,将所述购买峰值概率按照从高到低的顺序进行排序,并从所述排序的结果中按照从高到低的顺序获取预设数量的商品的推荐信息,将所述预设数量的商品的推荐信息输入到推荐系统中,所述推荐系统用于对所述预设数量的商品的推荐信息进行处理后输出商品的推荐信息。
8.根据权利要求7所述的系统,其特征在于,还包括:数据维护服务器,用于保存所述商品的购买峰值概率,并根据所述商品的信息更新情况按照预设的时间间隔维护所述商品的购买峰值概率。
9.一种推荐信息的输出服务器,其特征在于,包括:
提取单元,用于从用户行为数据库中提取预设的统计周期内的用户行为数据;
归类单元,用于将所述用户行为数据按照商品标识进行归类,获得每一种商品在所述统计周期内的感兴趣程度的时间序列;
计算单元,用于根据所述每一种商品在所述统计周期内的感兴趣程度的时间序列,计算每种商品在时间维度上的购买峰值概率;
接收单元,用于接收输出推荐信息的命令;
输出单元,用于将当前时间点每种商品的所述购买峰值概率按照从高到低的顺序进行排序,根据所述排序的结果输出商品的推荐信息;
所述输出单元包括:
推荐信息获取单元,用于从所述排序的结果中按照从高到低的顺序获取预设数量的商品的推荐信息;
推荐信息输出单元,用于将所述预设数量的商品的推荐信息输入到推荐系统中,所述推荐系统用于对所述预设数量的商品的推荐信息进行处理后输出商品的推荐信息。
10.根据权利要求9所述的服务器,其特征在于,所述提取单元包括:
数据库查找单元,用于按照所述统计周期的开始时间和结束时间查找用户行为数据库中的若干基础数据表;
汇总表生成单元,用于从所述若干基础数据表中获取与所述统计周期匹配的用户行为数据,并生成数据汇总表,所述数据汇总表中包含日期、商品标识、用户标识和若干行为数据。
11.根据权利要求9所述的服务器,其特征在于,所述归类单元包括:
数据提取单元,用于按照商品标识提取具有同一商品标识的用户行为数据;
时间序列生成单元,用于对于具有同一商品标识的用户行为数据,按照所述用户行为数据的类型分别汇总每一种类型的用户行为数据,并生成每一种类型的用户行为数据的时间序列;
时间序列计算单元,用于通过每一种类型的用户行为数据的权重值,计算所述商品的感兴趣程度的时间序列。
12.根据权利要求9所述的服务器,其特征在于,所述计算单元包括:
平均值计算单元,用于根据所述感兴趣程度的时间序列中的所有感兴趣程度值计算所述时间序列的感兴趣程度平均值;
阈值计算单元,用于根据所述感兴趣程度平均值计算感兴趣程度阈值;
感兴趣程度比较单元,用于将每个感兴趣程度值与所述感兴趣程度平均值及感兴趣程度阈值分别进行比较;
比较结果执行单元,用于根据所述比较的结果,将低于所述感兴趣程度平均值的感兴趣程度值的购买峰值概率设置为0,将高于所述感兴趣程度阈值的感兴趣程度值的购买峰值概率设置为1,并根据所述感兴趣程度平均值和感兴趣程度阈值计算在上述两个值之间的感兴趣程度值的购买峰值概率。
13.根据权利要求9所述的服务器,其特征在于,所述计算单元,还用于根据所述感兴趣程度的时间序列计算所述商品的呈现周期;
所述服务器还包括:修正单元,用于根据所述呈现周期修正所述商品的购买峰值概率,获得所述商品的周期购买峰值概率。
14.根据权利要求9所述的服务器,其特征在于,还包括:
保存单元,用于保存所述商品的购买峰值概率;
维护单元,用于根据所述商品的信息更新情况按照预设的时间间隔维护所述商品的购买峰值概率。
CN201010246510.9A 2010-08-03 2010-08-03 推荐信息的输出方法、系统及服务器 Active CN102346894B (zh)

Priority Applications (5)

Application Number Priority Date Filing Date Title
CN201010246510.9A CN102346894B (zh) 2010-08-03 2010-08-03 推荐信息的输出方法、系统及服务器
US13/136,420 US20120036037A1 (en) 2010-08-03 2011-08-01 Product reccommendation system
JP2013523152A JP5789664B2 (ja) 2010-08-03 2011-08-02 商品推薦システム
PCT/US2011/001364 WO2012018388A1 (en) 2010-08-03 2011-08-02 Product recommendation system
EP11814904.6A EP2577591A4 (en) 2010-08-03 2011-08-02 PRODUCT RECOMMENDATION SYSTEM

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201010246510.9A CN102346894B (zh) 2010-08-03 2010-08-03 推荐信息的输出方法、系统及服务器

Publications (2)

Publication Number Publication Date
CN102346894A CN102346894A (zh) 2012-02-08
CN102346894B true CN102346894B (zh) 2017-03-01

Family

ID=45545545

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201010246510.9A Active CN102346894B (zh) 2010-08-03 2010-08-03 推荐信息的输出方法、系统及服务器

Country Status (5)

Country Link
US (1) US20120036037A1 (zh)
EP (1) EP2577591A4 (zh)
JP (1) JP5789664B2 (zh)
CN (1) CN102346894B (zh)
WO (1) WO2012018388A1 (zh)

Families Citing this family (114)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130173419A1 (en) * 2011-12-30 2013-07-04 Certona Corporation Recommending repeated transactions
US8868596B2 (en) 2012-01-19 2014-10-21 Oracle International Corporation Set based item recommendation system
US9202227B2 (en) * 2012-02-07 2015-12-01 6 Sense Insights, Inc. Sales prediction systems and methods
CN103325047B (zh) * 2012-03-22 2018-01-16 北京京东尚科信息技术有限公司 网购引导装置及方法
US20150051950A1 (en) * 2012-03-22 2015-02-19 H.J. Heinz Company System and method for analyzing and predicting consumer behavior
US9256902B2 (en) * 2012-04-09 2016-02-09 Sears Brands, L.L.C. Non-transitory computer-readable media for presenting product recommendations
CN103578022A (zh) * 2012-07-19 2014-02-12 纽海信息技术(上海)有限公司 自动化网购装置及方法
CN103577429A (zh) * 2012-07-25 2014-02-12 阿里巴巴集团控股有限公司 数据分析、数据查询方法及装置
CN103578014A (zh) * 2012-08-07 2014-02-12 阿里巴巴集团控股有限公司 周期类营销邮件发送频率的确定方法及设备
US20140074649A1 (en) * 2012-09-13 2014-03-13 Coupons.Com Incorporated Grocery recommendation engine
CN103679494B (zh) * 2012-09-17 2018-04-03 阿里巴巴集团控股有限公司 商品信息推荐方法及装置
CN102938124A (zh) * 2012-10-29 2013-02-20 北京京东世纪贸易有限公司 确定节日热销商品的方法和装置
US20140136506A1 (en) * 2012-11-14 2014-05-15 Softlib Ltd. System and method for selecting data to be presented on a web site
CN103885968B (zh) * 2012-12-20 2019-04-12 北京百度网讯科技有限公司 一种用于提供推荐信息的方法和装置
CN104142940B (zh) * 2013-05-08 2017-11-17 华为技术有限公司 信息推荐处理方法及装置
CN104281585A (zh) * 2013-07-02 2015-01-14 阿里巴巴集团控股有限公司 一种对象排序方法和装置
KR102146987B1 (ko) * 2013-09-03 2020-08-24 에스케이플래닛 주식회사 상품 추천 서비스 시스템 및 그 방법, 그리고 이에 적용되는 장치
US9319486B2 (en) * 2013-09-25 2016-04-19 Google Inc. Predicting interest levels associated with publication and content item combinations
US20150120505A1 (en) * 2013-10-31 2015-04-30 International Business Machines Corporation In-store omnichannel inventory exposure
US11062378B1 (en) * 2013-12-23 2021-07-13 Massachusetts Mutual Life Insurance Company Next product purchase and lapse predicting tool
US11062337B1 (en) * 2013-12-23 2021-07-13 Massachusetts Mutual Life Insurance Company Next product purchase and lapse predicting tool
US11100524B1 (en) * 2013-12-23 2021-08-24 Massachusetts Mutual Life Insurance Company Next product purchase and lapse predicting tool
US20150242917A1 (en) * 2014-02-24 2015-08-27 Google Inc. Micropayment compensation for user-generated game content
US11042898B2 (en) 2014-03-18 2021-06-22 Staples, Inc. Clickstream purchase prediction using Hidden Markov Models
CN105100165B (zh) * 2014-05-20 2017-11-14 深圳市腾讯计算机系统有限公司 网络服务推荐方法和装置
CN104008193B (zh) * 2014-06-12 2017-04-05 安徽融数信息科技有限责任公司 一种基于典型用户群组发现技术的信息推荐方法
WO2015198376A1 (ja) 2014-06-23 2015-12-30 楽天株式会社 情報処理装置、情報処理方法、プログラム、記憶媒体
CN105740268B (zh) * 2014-12-10 2019-04-09 阿里巴巴集团控股有限公司 一种信息推送方法和装置
CN104598521B (zh) * 2014-12-12 2017-03-15 北京京东尚科信息技术有限公司 处理用户行为数据的方法和装置
US20160171382A1 (en) * 2014-12-16 2016-06-16 Facebook, Inc. Systems and methods for page recommendations based on online user behavior
KR101658714B1 (ko) * 2014-12-22 2016-09-21 연세대학교 산학협력단 온라인 활동 이력에 기초한 사용자의 온라인 활동 예측 방법 및 시스템
US10198762B1 (en) * 2014-12-23 2019-02-05 Staples, Inc. Ordering search results to maximize financial gain
CN105809465A (zh) * 2014-12-31 2016-07-27 中国移动通信集团公司 一种信息处理方法及装置
KR20160084102A (ko) * 2015-01-05 2016-07-13 에스케이플래닛 주식회사 정기구매 상품 추천 서비스 제공 시스템 및 방법, 그리고 이를 위한 장치 및 컴퓨터 프로그램이 기록된 기록매체
CN104599160B (zh) * 2015-02-06 2020-09-08 腾讯科技(深圳)有限公司 商品推荐方法和装置
JP6053093B1 (ja) * 2015-03-20 2016-12-27 楽天株式会社 情報処理装置、情報処理方法、プログラム
JP6509028B2 (ja) * 2015-05-13 2019-05-08 株式会社エヌ・ティ・ティ・データ 商品推薦装置、商品推薦方法及びプログラム
CN106296257A (zh) * 2015-06-11 2017-01-04 苏宁云商集团股份有限公司 一种基于用户行为分析的固定广告位投放方法及系统
CN105205685A (zh) * 2015-07-15 2015-12-30 北京京东尚科信息技术有限公司 虚拟商品数据处理方法和处理设备
CN105550923A (zh) * 2015-12-23 2016-05-04 阿里巴巴集团控股有限公司 在产品货架上展示网络产品的方法和装置
CN106971348B (zh) * 2016-01-14 2021-04-30 阿里巴巴集团控股有限公司 一种基于时间序列的数据预测方法和装置
WO2017124413A1 (zh) * 2016-01-21 2017-07-27 赵政荣 推荐优惠卷时技术背景的推送方法以及推荐系统
CN106997360A (zh) * 2016-01-25 2017-08-01 阿里巴巴集团控股有限公司 用户行为数据的处理方法和装置
US10825028B1 (en) 2016-03-25 2020-11-03 State Farm Mutual Automobile Insurance Company Identifying fraudulent online applications
US12073408B2 (en) 2016-03-25 2024-08-27 State Farm Mutual Automobile Insurance Company Detecting unauthorized online applications using machine learning
CN107291719A (zh) * 2016-03-30 2017-10-24 阿里巴巴集团控股有限公司 一种数据检索方法和装置、一种数据存储方法和装置
CN107346505A (zh) * 2016-05-06 2017-11-14 北京京东尚科信息技术有限公司 信息推送方法和装置
CN107423308B (zh) * 2016-05-24 2020-07-07 华为技术有限公司 主题推荐方法以及装置
CN107451832B (zh) * 2016-05-30 2023-09-05 北京京东尚科信息技术有限公司 推送信息的方法和装置
US20170364577A1 (en) * 2016-06-15 2017-12-21 Mastercard International Incorporated Search engine data validation method and system
CN106204063A (zh) * 2016-06-30 2016-12-07 北京奇艺世纪科技有限公司 一种付费用户挖掘方法及装置
CN107845005A (zh) * 2016-09-19 2018-03-27 北京京东尚科信息技术有限公司 网页生成方法和装置
CN106506328A (zh) * 2016-10-18 2017-03-15 江西博瑞彤芸科技有限公司 消息的推送方法
CN107092616B (zh) * 2016-11-02 2020-08-28 北京星选科技有限公司 一种对象排序方法及装置
CN108230057A (zh) * 2016-12-09 2018-06-29 阿里巴巴集团控股有限公司 一种智能推荐方法及系统
CN106855981A (zh) * 2016-12-16 2017-06-16 天脉聚源(北京)科技有限公司 基于购买行为的用户转移确定方法及装置
CN106682144B (zh) * 2016-12-20 2018-07-13 深圳壹账通智能科技有限公司 页面展示方法和装置
CN108230071A (zh) * 2016-12-21 2018-06-29 天脉聚源(北京)科技有限公司 一种互联网商城展示商品的方法和系统
CN108235360B (zh) * 2016-12-22 2021-08-06 上海掌门科技有限公司 甄别用户的方法及设备
CN108305091B (zh) * 2017-01-13 2022-04-26 北京京东尚科信息技术有限公司 电子设备、用户感兴趣感知度提取方法及装置
KR101778949B1 (ko) * 2017-01-18 2017-09-15 주식회사 파츠너 부품 관리 장치
TWI726981B (zh) * 2017-01-23 2021-05-11 香港商阿里巴巴集團服務有限公司 資訊投放用戶的篩選方法和設備
CN107016569A (zh) * 2017-03-21 2017-08-04 聚好看科技股份有限公司 一种网络产品的目标用户账号获取方法及装置
CN108665333B (zh) * 2017-03-31 2021-04-30 北京京东尚科信息技术有限公司 商品推荐方法、装置、电子设备和存储介质
CN108694182B (zh) * 2017-04-07 2021-03-02 北京嘀嘀无限科技发展有限公司 活动推送方法、活动推送装置和服务器
US10922717B2 (en) 2017-04-07 2021-02-16 Beijing Didi Infinity Technology And Development Co., Ltd. Systems and methods for activity recommendation
JP6852786B2 (ja) * 2017-04-20 2021-03-31 ヤマハ株式会社 機械学習装置、情報処理装置及び出力装置
CN107230137A (zh) * 2017-05-31 2017-10-03 北京小米移动软件有限公司 商品信息获取方法及装置
CN107480165B (zh) * 2017-06-21 2018-07-31 上海恺英网络科技有限公司 一种页面排位的方法及设备
CN107357874B (zh) * 2017-07-04 2020-09-29 北京京东尚科信息技术有限公司 用户分类方法及装置、电子设备、存储介质
KR101901863B1 (ko) * 2017-07-26 2018-09-27 (주)비에스지파트너스 기업 간 거래에서 예측된 정보 중심의 재원 추천 시스템 및 방법
CN107481039A (zh) * 2017-07-27 2017-12-15 平安科技(深圳)有限公司 一种事件处理方法及终端设备
JP7080608B2 (ja) * 2017-08-30 2022-06-06 ヤフー株式会社 推薦装置、推薦方法及び推薦プログラム
CN110069676A (zh) * 2017-09-28 2019-07-30 北京国双科技有限公司 关键词推荐方法和装置
CN109583922B (zh) * 2017-09-28 2021-11-02 北京京东尚科信息技术有限公司 分析购买需求的方法和装置
CN108958801B (zh) * 2017-10-30 2021-06-25 上海寒武纪信息科技有限公司 神经网络处理器及使用处理器执行向量最大值指令的方法
CN107749888A (zh) * 2017-10-30 2018-03-02 江西博瑞彤芸科技有限公司 一种用户行为数据的统计方法
CN108492138B (zh) * 2018-03-19 2020-03-24 平安科技(深圳)有限公司 产品购买预测方法、服务器及存储介质
CN108446963A (zh) * 2018-03-30 2018-08-24 深圳春沐源控股有限公司 资源信息推荐方法及资源信息推荐系统
CN108776914A (zh) * 2018-05-22 2018-11-09 广州品唯软件有限公司 一种基于神经网络的用户个性化商品浏览方法及装置
US11205218B2 (en) 2018-06-18 2021-12-21 Bby Solutions, Inc. Client user interface activity affinity scoring and tracking
CN108898496A (zh) * 2018-07-05 2018-11-27 北京京东金融科技控股有限公司 产品推荐方法、装置、介质及电子设备
CN109214886B (zh) * 2018-08-14 2023-09-22 平安科技(深圳)有限公司 商品推荐方法、系统及存储介质
CN109299910A (zh) * 2018-08-21 2019-02-01 北京海数宝科技有限公司 数据汇总方法、装置、计算机设备和存储介质
US12094456B2 (en) 2018-09-13 2024-09-17 Shanghai Cambricon Information Technology Co., Ltd. Information processing method and system
CN109447704A (zh) * 2018-10-26 2019-03-08 湖北大学 面向新零售的客户兴趣分析方法
CN109741082B (zh) * 2018-11-29 2021-04-06 杭州览众数据科技有限公司 一种基于时间序列分解的季节性商品需求预测方法
CN109615487A (zh) * 2019-01-04 2019-04-12 平安科技(深圳)有限公司 基于用户行为的产品推荐方法、装置、设备及存储介质
US11436632B2 (en) * 2019-03-08 2022-09-06 Verizon Patent And Licensing Inc. Systems and methods for machine learning-based predictive order generation
CN110033350B (zh) * 2019-04-11 2022-03-22 苏州市黄道婆网络科技有限公司 一种纺织面料移动互联网交易平台
CN110503469A (zh) * 2019-08-15 2019-11-26 中国平安财产保险股份有限公司 信息收集方法、装置、设备及计算机可读存储介质
CN110598766B (zh) * 2019-08-28 2022-05-10 第四范式(北京)技术有限公司 一种商品推荐模型的训练方法、装置及电子设备
US11803917B1 (en) 2019-10-16 2023-10-31 Massachusetts Mutual Life Insurance Company Dynamic valuation systems and methods
TWI723626B (zh) * 2019-11-12 2021-04-01 國立中山大學 具隱私保護機制的預測方法、電子裝置與電腦程式產品
CN110942401B (zh) * 2019-11-21 2023-12-19 黑龙江电力调度实业有限公司 一种电力物联网智能通讯方法
CN111105291B (zh) * 2019-11-29 2022-07-12 江苏苏宁物流有限公司 一种推荐策略数据的生成方法及装置
CN111178951B (zh) * 2019-12-20 2023-05-16 深圳大学 一种商品推荐方法及装置
CN111143678B (zh) * 2019-12-27 2023-10-17 第四范式(北京)技术有限公司 推荐系统和推荐方法
CN111125536A (zh) * 2019-12-30 2020-05-08 北京每日优鲜电子商务有限公司 信息推送方法、装置、计算机设备及存储介质
CN111241393A (zh) * 2020-01-07 2020-06-05 贵阳货车帮科技有限公司 消息推送方法、装置、电子设备及可读存储介质
CN112380217B (zh) * 2020-11-17 2024-04-12 安徽鸿程光电有限公司 数据处理方法、装置、设备及介质
CN112435134A (zh) * 2020-11-23 2021-03-02 泰康保险集团股份有限公司 信息列表生成方法及装置、可读存储介质以及电子设备
CN112288554B (zh) * 2020-11-27 2023-09-29 腾讯科技(深圳)有限公司 商品推荐方法和装置、存储介质及电子装置
CN112581236A (zh) * 2020-12-28 2021-03-30 北京滴普科技有限公司 一种商品的智能推荐方法、系统及其可读存储介质
US11636528B2 (en) * 2021-01-29 2023-04-25 Walmart Apollo, Llc Methods and apparatuses for recommending seasonal items
US11756105B2 (en) * 2021-03-23 2023-09-12 Ebay Inc System and methods for message timing optimization
CN113095876B (zh) * 2021-04-09 2022-10-18 青岛海信智慧生活科技股份有限公司 一种商品推荐方法及装置
US12093864B2 (en) * 2021-05-18 2024-09-17 Ebay Inc. Inventory item prediction and listing recommendation
CN113704627B (zh) * 2021-09-06 2022-05-17 中国计量大学 一种基于时间间隔图的会话推荐方法
US20230095858A1 (en) * 2021-09-30 2023-03-30 Ncr Corporation Purpose of purchase analysis to boost recommendation conversion rates
CN114119168A (zh) * 2021-12-01 2022-03-01 中国建设银行股份有限公司 一种信息推送方法及装置
CN116528010B (zh) * 2023-03-24 2024-03-19 广州市原象信息科技有限公司 一种直播带货服务调度推荐方法及系统
CN117132356B (zh) * 2023-08-29 2024-02-13 重庆大学 基于自适应用户兴趣变化周期的推荐方法、装置及系统
CN117056611B (zh) * 2023-10-11 2024-01-23 北京小糖科技有限责任公司 新兴趣的试探方法、装置、电子设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1908978A (zh) * 2006-08-16 2007-02-07 林�智 网上服饰评价与搭配系统及方法
CN101082972A (zh) * 2007-05-30 2007-12-05 华为技术有限公司 预测用户对商品的兴趣的方法、装置和广告发布方法
CN101136096A (zh) * 2006-08-31 2008-03-05 林�智 一种网上服饰评价与搭配系统及方法
CN101685517A (zh) * 2008-09-27 2010-03-31 英属维京群岛速位互动股份有限公司 消费信息的搜集、分析及回馈系统

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6430539B1 (en) * 1999-05-06 2002-08-06 Hnc Software Predictive modeling of consumer financial behavior
US8032405B2 (en) * 2006-11-22 2011-10-04 Proclivity Systems, Inc. System and method for providing E-commerce consumer-based behavioral target marketing reports
US20080270398A1 (en) * 2007-04-30 2008-10-30 Landau Matthew J Product affinity engine and method
US20100076847A1 (en) * 2008-07-17 2010-03-25 Robert Heller Internet Marketing Method
JP4839358B2 (ja) * 2008-09-04 2011-12-21 日本電信電話株式会社 購入予測方法、購入予測装置、購入予測プログラム、および、記録媒体
MX2011006340A (es) * 2008-12-12 2011-10-28 Atigeo Llc Suministro de recomendaciones utilizando la informacion determinada para dominios de interés.

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1908978A (zh) * 2006-08-16 2007-02-07 林�智 网上服饰评价与搭配系统及方法
CN101136096A (zh) * 2006-08-31 2008-03-05 林�智 一种网上服饰评价与搭配系统及方法
CN101082972A (zh) * 2007-05-30 2007-12-05 华为技术有限公司 预测用户对商品的兴趣的方法、装置和广告发布方法
CN101685517A (zh) * 2008-09-27 2010-03-31 英属维京群岛速位互动股份有限公司 消费信息的搜集、分析及回馈系统

Also Published As

Publication number Publication date
US20120036037A1 (en) 2012-02-09
EP2577591A4 (en) 2014-04-02
JP2013534340A (ja) 2013-09-02
CN102346894A (zh) 2012-02-08
JP5789664B2 (ja) 2015-10-07
EP2577591A1 (en) 2013-04-10
WO2012018388A1 (en) 2012-02-09

Similar Documents

Publication Publication Date Title
CN102346894B (zh) 推荐信息的输出方法、系统及服务器
CN105808685B (zh) 推广信息的推送方法及装置
CN102841946B (zh) 商品数据检索排序及商品推荐方法和系统
TWI587229B (zh) Push method and device for product information
CN106339393B (zh) 信息推送方法及装置
CN102591942B (zh) 一种应用自动推荐的方法及装置
CN109816482B (zh) 电商平台的知识图谱构建方法、装置、设备及存储介质
CN102541862A (zh) 跨网站的信息显示方法及系统
CN108108380A (zh) 搜索排序方法、搜索排序装置、搜索方法和搜索装置
CN106407349A (zh) 一种产品推荐方法及装置
CN105447186A (zh) 一种基于大数据平台的用户行为分析系统
CN104346698B (zh) 基于云计算和数据挖掘的餐饮会员大数据分析和考核系统
CN103136683A (zh) 计算产品参考价格的方法、装置及产品搜索方法、系统
CN103092861A (zh) 一种商品代表图的选取方法和系统
CN103744904B (zh) 一种提供信息的方法及装置
CN110619559B (zh) 基于大数据信息在电子商务中精准推荐商品的方法
CN110570233A (zh) 用于电商平台的用户回购时间预测方法及装置
CN105630836A (zh) 搜索结果的排序方法和装置
CN109919723A (zh) 一种基于用户和物品的个性化推荐方法
CN112258301A (zh) 商品推荐方法、装置、系统、可读存储介质及电子设备
CN107679943A (zh) 智能推荐方法和系统
CN110516163A (zh) 一种基于用户行为数据的商品排序方法及系统
TWI534732B (zh) Recommended information output method, system and server
CN102479193A (zh) 一种基于匹配出价系数进行匹配搜索推广的方法和设备
CN106302568A (zh) 一种用户行为评价方法、装置及系统

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 1163896

Country of ref document: HK

GR01 Patent grant
GR01 Patent grant
REG Reference to a national code

Ref country code: HK

Ref legal event code: GR

Ref document number: 1163896

Country of ref document: HK