CN102722842A - 一种基于客户行为的商品推荐优化方法 - Google Patents
一种基于客户行为的商品推荐优化方法 Download PDFInfo
- Publication number
- CN102722842A CN102722842A CN2012101914519A CN201210191451A CN102722842A CN 102722842 A CN102722842 A CN 102722842A CN 2012101914519 A CN2012101914519 A CN 2012101914519A CN 201210191451 A CN201210191451 A CN 201210191451A CN 102722842 A CN102722842 A CN 102722842A
- Authority
- CN
- China
- Prior art keywords
- client
- commodity
- purchase interest
- buyinterest
- adjustment
- 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.)
- Pending
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于客户行为的商品推荐优化方法,包括以下步骤:步骤1:初始化;步骤2:根据畅销商品,调整注册客户的购买兴趣配置文件;步骤3:根据客户对推荐商品点击,调整注册客户的购买兴趣配置文件;步骤4:根据客户对推荐商品的购买,调整注册客户的购买兴趣配置文件;步骤5:根据客户低关注推荐商品,调整注册客户的购买兴趣配置文件;步骤6:根据客户对推荐商品的关注度,调整商品的推荐位排名;步骤7:根据客户对商品的购买兴趣值,调整注册客户的购买兴趣配置文件,将购买兴趣值排名靠前的商品,放在推荐位上。
Description
技术领域
本发明应用于B2C电子商务的商品推荐系统。能基于客户行为得到反馈信息,发现客户的购买兴趣,调整推荐的商品,有针对性的改进商品推荐系统的性能。
背景技术
随着B2C电子商务的迅猛发展,对商品推荐方法的研究也越发深入,但是从整体上来讲,相关研究还不够成熟,有很大的研究空间。
目前主流的商品推荐方法有两种:(1)、基于内容的推荐方法;(2)、基于协同过滤的推荐方法。这两种推荐方法都有不足之处,需要改进。
(1)、在基于内容的推荐方法中,根据客户u曾经购买过的商品,向客户u推荐类似商品,推荐结果多样性差。对于没有购买过任何商品的新客户,无法推荐商品,存在冷启动问题。自动化特征提取的方法,很难应用于多媒体商品。
(2)、在基于协同过滤的推荐方法中,基于客户购买商品的历史数据,离线计算客户相似度、商品相似度。以客户为行,以商品为列,构成一个矩阵M。如果客户i购买了商品j,那么M[i,j]=1,否则M[i,j]=0。
计算方法是通过余弦定理,计算向量之间夹角的余弦。例如商品向量X=<x1,x2,...,xn>,商品向量Y=<y1,y2,...,yn>,那么这两个商品向量X、Y之间夹角(设为θ)的余弦计算公式为(cosθ的值越小,商品向量X、Y的相似度越大):
上述方法存在数据稀疏问题和冷启动问题(新客户问题、新商品问题)。只能离线计算,不能在线更新,计算结果的更新有延迟。不够个性化,没有考虑客户的购买兴趣有很大的差别,并且客户的购买兴趣是不停变化的。
发明内容
为了改进现有商品推荐方法的不足,需要更加有针对性的向注册客户推荐个性化商品,根据客户反馈,调整向客户推荐的商品。本发明在现有商品推荐方法的基础上,不需要注册客户额外的劳动,方便快捷的获取注册客户对推荐商品的反馈信息;通过机器学习、知识推理、智能获取用户的购买兴趣,自动调整用户的购买兴趣曲线,调整注册客户的购买兴趣配置文件;通过线性回归,使得向注册客户推荐商品的曲线与注册客户的购买兴趣曲线尽量拟合。
本发明具体的技术方案:
一种基于客户行为的商品推荐优化方法,包括以下步骤:
步骤1:客户对所有商品的购买兴趣值,进行初始化;客户对所有商品类别的购买兴趣值,进行初始化;
步骤2:根据畅销商品,调整注册客户的购买兴趣配置文件:包括调整客户对畅销商品的购买兴趣值、调整客户对畅销商品所在类别的购买兴趣值、调整客户对其他商品的购买兴趣值、调整客户对其他类别商品的购买兴趣值;
步骤3:根据客户对推荐商品点击,调整注册客户的购买兴趣配置文件:包括调整客户对该商品的购买兴趣值、调整客户对该商品所在类别的购买兴趣值、调整客户对其他商品的购买兴趣值、调整客户对其他类别商品的购买兴趣值;
步骤4:根据客户对推荐商品的购买,调整注册客户的购买兴趣配置文件:包括调整客户对该商品的购买兴趣值、调整客户对该商品所在类别的购买兴趣值、调整客户对其他商品的购买兴趣值、调整客户对其他类别商品的购买兴趣值;
步骤5:根据客户低关注推荐商品,调整注册客户的购买兴趣配置文件:大幅降低客户对该商品的购买兴趣值、大幅降低客户对该商品所在类别的购买兴趣值;
步骤6:根据客户对推荐商品的关注度,调整商品的推荐位排名;
步骤7:根据客户对商品的购买兴趣值,调整注册客户的购买兴趣配置文件,将购买兴趣值排名靠前的商品,放在推荐位上。
所述的方法,所述步骤1的具体方法为:buyInterest(u,s)=clickWeight×clickCount(u,s)+buyWeight×buyCount(u,s)
buyInterestType(u,Type[s])=type Weight×buyInterest(u,s)
上述公式中,buyInterest(u,s)表示客户u商品s的购买兴趣,clickCount(u,s),表示客户u对推荐商品s的点击次数,clickWeight表示客户点击推荐商品的权重,buyCount(u,s),表示客户u对推荐商品s的购买个数,buyWeight表示客户购买推荐商品的权重,typeWeight表示商品类别的权重;
buyInterestType(u,Type[s])表示客户u对商品s所在商品类别的购买兴趣。Type[s]表示商品s所在的商品类别,buyInterest(u,s)表示客户u对商品s的购买兴趣,typeWeight表示商品所在类别的权重。各权重参数的设定,通过机器学习获得,并在系统运行过程中,根据商品推荐效果,不断调整;
初始化的时候,buyInterest(u,S[i])=iniBuyInterest,buyInterestType(u,Type[j])=iniInterestType。表示客户u对所有商品的购买兴趣值为iniBuyInterest,对所有商品类别的购买兴趣值为iniInterestType。
所述的方法,所述步骤2具体方法为:(1)对于近期畅销商品sBest,通过下述公式,调整客户对畅销商品sBest及其所在商品类别的购买兴趣值,公式如下:
buyInterest(u,sBest)=buyInterest(u,sBest)+popularity(sBest);
buyInterestType(u,Type[sBest])=type Weight×buyInterest(u,sBest);
buyInterest(u,sBest)表示客户u对畅销商品sBest的购买兴趣,popularity(sBest)表示商品sBest的畅销程度;
buyInterestType(u,Type[sBest])表示客户u对畅销商品sBest所在商品类别的购买兴趣,Type[sBest]表示畅销商品sBest所在的商品类别;
(2)调整客户对其他非畅销商品及其所在商品类别的购买兴趣值;公式如下:
buyInterest(u,sNotBest)=buyInterest(u,sNotBest)-notPopularity;
其中,buyInterest(u,sNotBest)表示客户u对非畅销产品sNotBest的购买兴趣,notPopularity表示对非畅销商品的购买兴趣减少值,但是buyInterest(u,sNotBest)>=0;
buyInterestType(u,Type[sNotBest])表示客户u对非畅销商品sNotBest所在商品类别的购买兴趣,Type[sNotBest]表示非畅销商品sNotBest所在的商品类别。
所述的方法,所述步骤3调整各个购买兴趣值具体采用公式如下:
buyInterest(u,s)=buyInterest(u,s)+clickWeight×clickCount(u,s)
buyInterestType(u,Type[s])=buyInterestType(u,Type[s])+typeWeight×buyInterest(u,s)
其中,clickWeight表示客户点击推荐商品的权重,clickCount(u,s)表示客户u点击推荐商品s的次数。
所述的方法,所述步骤4调整各个购买兴趣值具体采用的公式如下:
buyInterest(u,s)=buyInterest(u,s)+buyWeight×buyCount(u,s)
buyInterestType(u,Type[s])=buyInterestType(u,Type[s])+type Weight×buyInterest(u,s)
其中,buyWeight表示客户购买推荐商品的权重,buyCount(u,s)表示客户u购买推荐商品s的个数。
所述的方法,所述步骤5具体采用的公式如下:
buyInterest(u,s)=lowFocus(u,s)×buyInterest(u,s)
buyInterestType(u,Type[s])=buyInterestType(u,Type[s])-type Weight×buyInterest(u,s)
其中,lowFocus(u,s)表示客户u对商品s的低关注度,0<lowFocus(u,s)<1。
所述的方法,所述步骤6具体采用的公式如下:
rank(u,s)=rank(u,s)+focusDiff(u,s)
其中,rank(u,s)表示推荐给客户u的商品s的推荐位排名,focusDiff(u,s)表示客户对推荐商品的关注度与推荐商品的推荐位排名之间的误差。
所述的方法,所述步骤7具体采用的公式如下:
上述公式中,u表示客户,S表示商品集合,S[i]表示客户感兴趣的第i个商品,n表示客户感兴趣的商品的个数。
所述的方法,还包括步骤8:将客户的购买兴趣,形式化为散点,根据这些散点,拟合成一条反映客户购买兴趣的回归直线Y=aX+b,X表示时间,Y表示商品编号,并根据这条回归直线,预测客户下一步的购买行为。
本发明的有益效果为:
(1)、一定程度上结合了目前两种主流的商品推荐方法(基于内容的推荐方法、基于协同过滤的推荐方法),集中了两种推荐方法的优点。
(2)、方便快捷的获取注册客户对商品(特别是推荐位上的推荐商品)的反馈信息,不需要客户额外的劳动。
(3)、基于商品推荐位,获取更准确的注册客户的商品浏览、商品购买信息。
(4)、基于商品推荐位,对注册客户的推荐商品更个性化、更准确。
(5)、一定程度上解决了商品推荐系统的冷启动问题。
附图说明
图1是基于客户行为的商品推荐优化方法的流程图。
图2是客户购买历史的散点图及购买兴趣拟合线。
说明:图2是客户购买历史的散点图及购买兴趣拟合线,通过购买兴趣拟合线,把客户购买历史的散点进行拟合,找到客户的购买兴趣回归直线,并通过这条回归直线,预测客户将要发生的购买行为。图2中,横轴X表示时间,纵轴Y表示商品编号。图中的方形点,表示客户在某个时间购买的某个商品,一系列的方形点构成了客户购买历史的散点图。图2中的曲线,表示根据客户购买历史所形成的客户购买兴趣拟合线。
具体实施方式
以下结合具体实施例,对本发明进行详细说明。
参考图1,是基于客户行为的商品推荐优化方法的流程图,包括步骤1到步骤7:
步骤1:初始化。
客户对所有商品的购买兴趣值,进行初始化。客户对所有商品类别的购买兴趣值,进行初始化。
buyInterest(u,s)=clickWeight×clickCount(u,s)+buyWeight×buyCount(u,s)
buyInterestType(u,Type[s])=typeWeight×buyInterest(u,s)
上述公式中,buyInterest(u,s)表示客户u商品s的购买兴趣,clickCount(u,s),表示客户u对推荐商品s的点击次数,clickWeight表示客户点击推荐商品的权重,buyCount(u,s),表示客户u对推荐商品s的购买个数,buyWeight表示客户购买推荐商品的权重,typeWeight表示商品类别的权重。
buyInterestType(u,Type[s])表示客户u对商品s所在商品类别的购买兴趣。Type[s]表示商品s所在的商品类别,buyInterest(u,s)表示客户u对商品s的购买兴趣,typeWeight表示商品所在类别的权重。各权重参数的设定,通过机器学习获得,并在系统运行过程中,根据商品推荐效果,不断调整。
初始化的时候,buyInterest(u,S[i])=iniBuyInterest,buyInterestType(u,Type[j])=iniInterestType。表示客户u对所有商品的购买兴趣值为iniBuyInterest,对所有商品类别的购买兴趣值为iniInterestType。
然后进行步骤2。
步骤2:根据畅销商品,调整注册客户的购买兴趣配置文件。本步骤是为了解决冷启动问题。
调整客户对畅销商品的购买兴趣值。
调整客户对畅销商品所在类别的购买兴趣值。
调整客户对其他商品的购买兴趣值。
调整客户对其他类别商品的购买兴趣值。
(1).对于近期畅销商品sBest,通过下述公式,调整客户对畅销商品sBest及其所在商品类别的购买兴趣值。公式如下:
buyInterest(u,sBest)=buyInterest(u,sBest)+popularity(sBest)。
buyInterestType(u,Type[sBest])=typeWeight×buyInterest(u,sBest)。
buyInterest(u,sBest)表示客户u对畅销商品sBest的购买兴趣,popularity(sBest)表示商品sBest的畅销程度。
buyInterestType(u,Type[sBest])表示客户u对畅销商品sBest所在商品类别的购买兴趣,Type[sBest]表示畅销商品sBest所在的商品类别。
(2).调整客户对其他非畅销商品及其所在商品类别的购买兴趣值。公式如下:
buyInterest(u,sNotBest)=buyInterest(u,sNotBest)-notPopularity。
其中,buyInterest(u,sNotBest)表示客户u对非畅销产品sNotBest的购买兴趣,notPopularity表示对非畅销商品的购买兴趣减少值,但是buyInterest(u,sNotBest)>=0。
buyInterestType(u,Type[sNotBest])表示客户u对非畅销商品sNotBest所在商品类别的购买兴趣,Type[sNotBest]表示非畅销商品sNotBest所在的商品类别。
然后做步骤3。
步骤3:根据客户对推荐商品点击,调整注册客户的购买兴趣配置文件。
如果客户点击推荐位上的商品,那么根据客户的点击次数进行以下操作:
调整客户对该商品的购买兴趣值。
调整客户对该商品所在类别的购买兴趣值。
调整客户对其他商品的购买兴趣值。
调整客户对其他类别商品的购买兴趣值。
调整各个购买兴趣值具体采用公式如下:
buyInterest(u,s)=buyInterest(u,s)+clickWeight×clickCount(u,s)
buyInterestType(u,Type[s])=buyInterestType(u,Type[s])+type Weight×buyInterest(u,s)
其中,clickWeight表示客户点击推荐商品的权重,clickCount(u,s)表示客户u点击推荐商品s的次数。
然后进行步骤4。
步骤4:根据客户对推荐商品的购买,调整注册客户的购买兴趣配置文件。
如果客户购买推荐位上的商品,那么执行以下操作:
调整客户对该商品的购买兴趣值;
调整客户对该商品所在类别的购买兴趣值;
调整客户对其他商品的购买兴趣值;
调整客户对其他类别商品的购买兴趣值。
调整各个购买兴趣值具体采用的公式如下:
buyInterest(u,s)=buyInterest(u,s)+buyWeight×buyCount(u,s)
buyInterestType(u,Type[s])=buyInterestType(u,Type[s])+type Weight×buyInterest(u,s)
其中,buyWeight表示客户购买推荐商品的权重,buyCount(u,s)表示客户u购买推荐商品s的个数。
然后做进行5。
步骤5:根据客户低关注推荐商品,调整注册客户的购买兴趣配置文件。
如果推荐位的某商品长时间客户不点击、不购买,那么执行以下操作:
大幅降低客户对该商品的购买兴趣值;
大幅降低客户对该商品所在类别的购买兴趣值。
商品的客户低关注,是指客户对该商品的购买低,对该商品的点击量低。
上述操作具体采用的公式如下:
buyInterest(u,s)=lowFocus(u,s)×buyInterest(u,s)
buyInterestType(u,Type[s])=buyInterestType(u,Type[s])-type Weight×buyInterest(u,s)
其中,lowFocus(u,s)表示客户u对商品s的低关注度。0<lowFocus(u,s)<1。
然后进行步骤6。
步骤6:根据客户对推荐商品的关注度,调整商品的推荐位排名。
客户对推荐商品的关注度,是指客户对推荐商品的点击、购买情况。可以通过推荐系统的后台程序获取。
根据客户对推荐商品的关注度,调整商品的推荐位排名,使得客户的关注度和商品的推荐位排名保持一致。
如果客户对某推荐商品关注度高,那么调整该商品的推荐位排名,使得该商品的推荐位排名靠前。
如果客户对某推荐商品关注度低,那么调整该商品的推荐位排名,使得该商品的推荐位排名靠后。
上述操作具体采用的公式如下:
rank(u,s)=rank(u,s)+focusDiff(u,s)
其中,rank(u,s)表示推荐给客户u的商品s的推荐位排名,focusDiff(u,s)表示客户对推荐商品的关注度与推荐商品的推荐位排名之间的误差。
然后进行步骤7。
步骤7:调整注册客户的购买兴趣配置文件(profile)。
根据客户对商品的购买兴趣值,调整注册客户的购买兴趣配置文件(profile)。将购买兴趣值排名靠前的商品,放在推荐位上。
具体采用的公式如下:
上述公式中,u表示客户,S表示商品集合,S[i]表示客户感兴趣的第i个商品,n表示客户感兴趣的商品的个数。
将客户的购买兴趣,形式化为散点。如图2所示,根据这些散点,拟合成一条反映客户购买兴趣的回归直线Y=aX+b,X表示时间,Y表示商品编号。并根据这条回归直线,预测客户下一步的购买行为。
通过最小二乘法,求回归直线方程中a、b的值。所用公式如下:
应当理解的是,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,而所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (9)
1.一种基于客户行为的商品推荐优化方法,其特征在于,包括以下步骤:
步骤1:客户对所有商品的购买兴趣值,进行初始化;客户对所有商品类别的购买兴趣值,进行初始化;
步骤2:根据畅销商品,调整注册客户的购买兴趣配置文件:包括调整客户对畅销商品的购买兴趣值、调整客户对畅销商品所在类别的购买兴趣值、调整客户对其他商品的购买兴趣值、调整客户对其他类别商品的购买兴趣值;
步骤3:根据客户对推荐商品点击,调整注册客户的购买兴趣配置文件:包括调整客户对该商品的购买兴趣值、调整客户对该商品所在类别的购买兴趣值、调整客户对其他商品的购买兴趣值、调整客户对其他类别商品的购买兴趣值;
步骤4:根据客户对推荐商品的购买,调整注册客户的购买兴趣配置文件:包括调整客户对该商品的购买兴趣值、调整客户对该商品所在类别的购买兴趣值、调整客户对其他商品的购买兴趣值、调整客户对其他类别商品的购买兴趣值;
步骤5:根据客户低关注推荐商品,调整注册客户的购买兴趣配置文件:大幅降低客户对该商品的购买兴趣值、大幅降低客户对该商品所在类别的购买兴趣值;
步骤6:根据客户对推荐商品的关注度,调整商品的推荐位排名;
步骤7:根据客户对商品的购买兴趣值,调整注册客户的购买兴趣配置文件,将购买兴趣值排名靠前的商品,放在推荐位上。
2.根据权利要求1所述的方法,其特征在于,所述步骤1的具体方法为:
buyInterest(u,s)=clickWeight×clickCount(u,s)+buyWeight×buyCount(u,s)
buyInterestType(u,Type[s])=type Weight×buyInterest(u,s)
上述公式中,buyInterest(u,s)表示客户u商品s的购买兴趣,clickCount(u,s),表示客户u对推荐商品s的点击次数,clickWeight表示客户点击推荐商品的权重,buyCount(u,s),表示客户u对推荐商品s的购买个数,buyWeight表示客户购买推荐商品的权重,typeWeight表示商品类别的权重;
buyInterestType(u,Type[s])表示客户u对商品s所在商品类别的购买兴趣。Type[s]表示商品s所在的商品类别,buyInterest(u,s)表示客户u对商品s的购买兴趣,typeWeight表示商品所在类别的权重。各权重参数的设定,通过机器学习获得,并在系统运行过程中,根据商品推荐效果,不断调整;
初始化的时候,buyInterest(u,S[i])=iniBuyInterest,buyInterestType(u,Type[j])=iniInterestType。表示客户u对所有商品的购买兴趣值为iniBuyInterest,对所有商品类别的购买兴趣值为iniInterestType。
3.根据权利要求1所述的方法,其特征在于,所述步骤2具体方法为:(1)对于近期畅销商品sBest,通过下述公式,调整客户对畅销商品sBest及其所在商品类别的购买兴趣值,公式如下:
buyInterest(u,sBest)=buyInterest(u,sBest)+popularity(sBest);
buyInterestType(u,Type[sBest])=typeWeight×buyInterest(u,sBest);
buyInterest(u,sBest)表示客户u对畅销商品sBest的购买兴趣,popularity(uBest)表示商品sBest的畅销程度;
buyInterestType(u,Type[sBest])表示客户u对畅销商品sBest所在商品类别的购买兴趣,Type[sBest]表示畅销商品sBest所在的商品类别;
(2)调整客户对其他非畅销商品及其所在商品类别的购买兴趣值;公式如下:
buyInterest(u,sNotBest)=buyInterest(u,sNotBest)-notPopularity
其中,buyInterest(u,sNotBest)表示客户u对非畅销产品sNotBest的购买兴趣,notPopularity表示对非畅销商品的购买兴趣减少值,但是buyInterest(u,sNotBest)>=0;
buyInterestType(u,Type[sNotBest]表示客户u对非畅销商品sNotBest所在商品类别的购买兴趣,Type[sNotBest]表示非畅销商品sNotBest所在的商品类别。
4.根据权利要求1所述的方法,其特征在于,所述步骤3调整各个购买兴趣值具体采用公式如下:
buyInterest(u,s)=buyInterest(u,s)+clickWeight×clickCount(u,s)
buyInterestType(u,Type[s])=buyInterestType(u,Type[s])+type Weight×buyInterest(u,s)
其中,clickWeight表示客户点击推荐商品的权重,clickCount(u,s)表示客户u点击推荐商品s的次数。
5.根据权利要求1所述的方法,其特征在于,所述步骤4调整各个购买兴趣值具体采用的公式如下:
buyInterest(u,s)=buyInterest(u,s)+buyWeight×buyCount(u,s)
buyInterestType(u,Type[s])=buyInterestType(u,Type[s])+type Weight×buyInterest(u,s)
其中,buyWeight表示客户购买推荐商品的权重,buyCount(u,s)表示客户u购买推荐商品s的个数。
6.根据权利要求1所述的方法,其特征在于,所述步骤5具体采用的公式如下:
buyInterest(u,s)=lowFocus(u,s)×buyInterest(u,s)
buyInterestType(u,Type[s])=buyInterestType(u,Type[s])-type Weight×buyInterest(u,s)
其中,lowFocus(u,s)表示客户u对商品s的低关注度,0<lowFocus(u,s)<1。
7.根据权利要求1所述的方法,其特征在于,所述步骤6具体采用的公式如下:
rank(u,s)=rank(u,s)+focusDiff(u,s)
其中,rank(u,s)表示推荐给客户u的商品s的推荐位排名,focusDiff(u,s)表示客户对推荐商品的关注度与推荐商品的推荐位排名之间的误差。
8.根据权利要求1所述的方法,其特征在于,所述步骤7具体采用的公式如下:
上述公式中,u表示客户,S表示商品集合,S[i]表示客户感兴趣的第i个商品,n表示客户感兴趣的商品的个数。
9.根据权利要求1所述的方法,其特征在于,还包括步骤8:将客户的购买兴趣,形式化为散点,根据这些散点,拟合成一条反映客户购买兴趣的回归直线Y=aX+b,X表示时间,Y表示商品编号,并根据这条回归直线,预测客户下一步的购买行为。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2012101914519A CN102722842A (zh) | 2012-06-11 | 2012-06-11 | 一种基于客户行为的商品推荐优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2012101914519A CN102722842A (zh) | 2012-06-11 | 2012-06-11 | 一种基于客户行为的商品推荐优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102722842A true CN102722842A (zh) | 2012-10-10 |
Family
ID=46948589
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2012101914519A Pending CN102722842A (zh) | 2012-06-11 | 2012-06-11 | 一种基于客户行为的商品推荐优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102722842A (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102999586A (zh) * | 2012-11-15 | 2013-03-27 | 北京小米科技有限责任公司 | 一种网站推荐的方法和装置 |
CN105589971A (zh) * | 2016-01-08 | 2016-05-18 | 车智互联(北京)科技有限公司 | 训练推荐模型的方法、装置及推荐系统 |
CN105825390A (zh) * | 2015-01-05 | 2016-08-03 | 上海通路快建网络服务外包有限公司 | 一种商品推荐方法、装置及系统 |
CN106130756A (zh) * | 2016-06-15 | 2016-11-16 | 晶赞广告(上海)有限公司 | 一种预测访问内容点击率的方法及装置 |
CN106156970A (zh) * | 2015-04-17 | 2016-11-23 | 上海通路快建网络服务外包有限公司 | 货品关注度监测系统及监测方法 |
CN106257523A (zh) * | 2015-06-16 | 2016-12-28 | Lg电子株式会社 | 移动终端及其用户配置文件使用方法 |
CN106600372A (zh) * | 2016-12-12 | 2017-04-26 | 武汉烽火信息集成技术有限公司 | 一种基于用户行为的商品推荐方法及系统 |
CN106910108A (zh) * | 2017-01-24 | 2017-06-30 | 武汉奇米网络科技有限公司 | 一种商品列表展示方法及系统 |
CN107798560A (zh) * | 2017-10-23 | 2018-03-13 | 武汉科技大学 | 一种零售商店个性广告智能推送方法及系统 |
CN107866071A (zh) * | 2017-11-03 | 2018-04-03 | 杭州电魂网络科技股份有限公司 | 游戏角色推荐方法和装置 |
CN107944035A (zh) * | 2017-12-13 | 2018-04-20 | 合肥工业大学 | 一种融合视觉特征和用户评分的图像推荐方法 |
CN108062622A (zh) * | 2017-12-08 | 2018-05-22 | 歌尔股份有限公司 | 一种儿童对玩具喜好程度收集判别方法、评分方法及系统 |
CN109102127A (zh) * | 2018-08-31 | 2018-12-28 | 杭州贝购科技有限公司 | 商品推荐方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101206751A (zh) * | 2007-12-25 | 2008-06-25 | 北京科文书业信息技术有限公司 | 基于数据挖掘的顾客推荐系统及其方法 |
JP2008299839A (ja) * | 2007-05-31 | 2008-12-11 | Nhn Corp | キーワード推薦方法、コンピュータ読み取り可能な記録媒体、キーワード推薦システム |
CN102141986A (zh) * | 2010-01-28 | 2011-08-03 | 北京邮电大学 | 基于用户行为的个性化信息提供方法及系统 |
CN102479366A (zh) * | 2010-11-25 | 2012-05-30 | 阿里巴巴集团控股有限公司 | 一种商品推荐方法及系统 |
-
2012
- 2012-06-11 CN CN2012101914519A patent/CN102722842A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008299839A (ja) * | 2007-05-31 | 2008-12-11 | Nhn Corp | キーワード推薦方法、コンピュータ読み取り可能な記録媒体、キーワード推薦システム |
CN101206751A (zh) * | 2007-12-25 | 2008-06-25 | 北京科文书业信息技术有限公司 | 基于数据挖掘的顾客推荐系统及其方法 |
CN102141986A (zh) * | 2010-01-28 | 2011-08-03 | 北京邮电大学 | 基于用户行为的个性化信息提供方法及系统 |
CN102479366A (zh) * | 2010-11-25 | 2012-05-30 | 阿里巴巴集团控股有限公司 | 一种商品推荐方法及系统 |
Non-Patent Citations (2)
Title |
---|
王微微等: "一种基于用户行为反馈的兴趣度模型更新算法", 《辽宁大学学报自然科学版》 * |
王微微等: "一种基于用户行为的兴趣度模型", 《计算机工程与应用》 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102999586B (zh) * | 2012-11-15 | 2016-03-09 | 小米科技有限责任公司 | 一种网站推荐的方法和装置 |
CN102999586A (zh) * | 2012-11-15 | 2013-03-27 | 北京小米科技有限责任公司 | 一种网站推荐的方法和装置 |
CN105825390A (zh) * | 2015-01-05 | 2016-08-03 | 上海通路快建网络服务外包有限公司 | 一种商品推荐方法、装置及系统 |
CN106156970A (zh) * | 2015-04-17 | 2016-11-23 | 上海通路快建网络服务外包有限公司 | 货品关注度监测系统及监测方法 |
CN106257523A (zh) * | 2015-06-16 | 2016-12-28 | Lg电子株式会社 | 移动终端及其用户配置文件使用方法 |
CN105589971B (zh) * | 2016-01-08 | 2018-12-18 | 车智互联(北京)科技有限公司 | 训练推荐模型的方法、装置及推荐系统 |
CN105589971A (zh) * | 2016-01-08 | 2016-05-18 | 车智互联(北京)科技有限公司 | 训练推荐模型的方法、装置及推荐系统 |
CN106130756A (zh) * | 2016-06-15 | 2016-11-16 | 晶赞广告(上海)有限公司 | 一种预测访问内容点击率的方法及装置 |
CN106130756B (zh) * | 2016-06-15 | 2019-06-14 | 晶赞广告(上海)有限公司 | 一种预测访问内容点击率的方法及装置 |
CN106600372A (zh) * | 2016-12-12 | 2017-04-26 | 武汉烽火信息集成技术有限公司 | 一种基于用户行为的商品推荐方法及系统 |
CN106910108A (zh) * | 2017-01-24 | 2017-06-30 | 武汉奇米网络科技有限公司 | 一种商品列表展示方法及系统 |
CN107798560A (zh) * | 2017-10-23 | 2018-03-13 | 武汉科技大学 | 一种零售商店个性广告智能推送方法及系统 |
CN107866071A (zh) * | 2017-11-03 | 2018-04-03 | 杭州电魂网络科技股份有限公司 | 游戏角色推荐方法和装置 |
CN108062622A (zh) * | 2017-12-08 | 2018-05-22 | 歌尔股份有限公司 | 一种儿童对玩具喜好程度收集判别方法、评分方法及系统 |
CN108062622B (zh) * | 2017-12-08 | 2022-01-18 | 歌尔股份有限公司 | 一种儿童对玩具喜好程度收集判别方法、评分方法及系统 |
CN107944035A (zh) * | 2017-12-13 | 2018-04-20 | 合肥工业大学 | 一种融合视觉特征和用户评分的图像推荐方法 |
CN109102127A (zh) * | 2018-08-31 | 2018-12-28 | 杭州贝购科技有限公司 | 商品推荐方法及装置 |
CN109102127B (zh) * | 2018-08-31 | 2021-10-26 | 杭州贝购科技有限公司 | 商品推荐方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102722842A (zh) | 一种基于客户行为的商品推荐优化方法 | |
CN103412948B (zh) | 基于聚类的协同过滤的商品推荐方法及系统 | |
CN103544632A (zh) | 一种网络商品个性化推荐方法及系统 | |
CN103824192A (zh) | 混合推荐系统 | |
CN103617540A (zh) | 一种追踪用户兴趣变化的电子商务推荐方法 | |
AU2020244379A1 (en) | Content-based trading recommendations | |
CN109471963A (zh) | 一种基于深度强化学习的推荐算法 | |
CN103824213A (zh) | 一种基于用户偏好与商品属性的个性化推荐方法 | |
CN103309967A (zh) | 基于相似性传递的协同过滤方法及系统 | |
CN102968506A (zh) | 一种基于扩展特征向量的个性化协同过滤推荐方法 | |
CN101840559A (zh) | 在线国际商品交易系统 | |
CN104809626A (zh) | 一种基于用户信用评估的个性化商品推荐方法 | |
Bhattacharya et al. | Evolution, growth and challenges in e-commerce industry: A case of India | |
CN104424247A (zh) | 一种产品信息过滤推荐方法和装置 | |
CN107133836A (zh) | 一种自适应权重组合推荐算法 | |
Santhi | A study on the customer satisfaction towards online shopping in Tirupati Town | |
CN104680399A (zh) | 农资商品销售推荐方法 | |
Kaur et al. | Examining Factors Influencing Fashion Apparel Purchases in Omni-Channel Retailing: A Post-Covid-19 Study | |
Chen et al. | China’s rising Internet wave: Wired companies | |
CN105427118A (zh) | 一种应用于电子商务的商品销量预测算法 | |
CN105046535A (zh) | 一种基于行为预测的推荐方法和装置 | |
Nindhita et al. | Analysis of the Effect of Information Technology Development, Absorbility Capacity on MSMe Business Performance | |
Tang | Analysis on the new ways of international trade cross border E-commerce research from big data theory | |
Natanael et al. | Website E-Commerce dan E-Auction | |
Saputra et al. | Factors Affecting Repurchase Intention Interest in Fashion E-Commerce in Batam City |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C53 | Correction of patent of invention or patent application | ||
CB03 | Change of inventor or designer information |
Inventor after: Yao Mingdong Inventor after: Fan Yinglei Inventor after: Chen Hao Inventor after: Wang Shuxi Inventor before: Yao Mingdong |
|
COR | Change of bibliographic data |
Free format text: CORRECT: INVENTOR; FROM: YAO MINGDONG TO: YAO MINGDONG FAN YINGLEI CHEN HAO WANG SHUXI |
|
C12 | Rejection of a patent application after its publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20121010 |