CN102760163A - 一种特征信息的个性化推荐方法及装置 - Google Patents
一种特征信息的个性化推荐方法及装置 Download PDFInfo
- Publication number
- CN102760163A CN102760163A CN2012101935500A CN201210193550A CN102760163A CN 102760163 A CN102760163 A CN 102760163A CN 2012101935500 A CN2012101935500 A CN 2012101935500A CN 201210193550 A CN201210193550 A CN 201210193550A CN 102760163 A CN102760163 A CN 102760163A
- Authority
- CN
- China
- Prior art keywords
- characteristic information
- information
- tag along
- along sort
- characteristic
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 58
- 239000000284 extract Substances 0.000 claims description 23
- 238000000605 extraction Methods 0.000 claims description 21
- 230000008878 coupling Effects 0.000 claims description 6
- 238000010168 coupling process Methods 0.000 claims description 6
- 238000005859 coupling reaction Methods 0.000 claims description 6
- 244000188472 Ilex paraguariensis Species 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 239000002131 composite material Substances 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 abstract description 3
- 230000006399 behavior Effects 0.000 description 26
- 230000008569 process Effects 0.000 description 23
- 238000004422 calculation algorithm Methods 0.000 description 19
- 235000013410 fast food Nutrition 0.000 description 17
- 235000021186 dishes Nutrition 0.000 description 13
- 238000004590 computer program Methods 0.000 description 7
- 235000013305 food Nutrition 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 239000000047 product Substances 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 239000013065 commercial product Substances 0.000 description 4
- 230000036541 health Effects 0.000 description 4
- 235000014347 soups Nutrition 0.000 description 4
- 239000003795 chemical substances by application Substances 0.000 description 3
- 230000009194 climbing Effects 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 235000012149 noodles Nutrition 0.000 description 3
- 241000196324 Embryophyta Species 0.000 description 2
- 241000283074 Equus asinus Species 0.000 description 2
- 244000124853 Perilla frutescens Species 0.000 description 2
- 235000004348 Perilla frutescens Nutrition 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000003796 beauty Effects 0.000 description 2
- 230000003542 behavioural effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 210000000481 breast Anatomy 0.000 description 2
- 235000013372 meat Nutrition 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 235000011888 snacks Nutrition 0.000 description 2
- 241000272525 Anas platyrhynchos Species 0.000 description 1
- 244000105624 Arachis hypogaea Species 0.000 description 1
- 241000931705 Cicada Species 0.000 description 1
- 229920000742 Cotton Polymers 0.000 description 1
- 240000008790 Musa x paradisiaca Species 0.000 description 1
- 235000018290 Musa x paradisiaca Nutrition 0.000 description 1
- 241000555745 Sciuridae Species 0.000 description 1
- BQCADISMDOOEFD-UHFFFAOYSA-N Silver Chemical compound [Ag] BQCADISMDOOEFD-UHFFFAOYSA-N 0.000 description 1
- 241000404975 Synchiropus splendidus Species 0.000 description 1
- 240000000851 Vaccinium corymbosum Species 0.000 description 1
- 235000003095 Vaccinium corymbosum Nutrition 0.000 description 1
- 235000017537 Vaccinium myrtillus Nutrition 0.000 description 1
- 235000021014 blueberries Nutrition 0.000 description 1
- 235000008429 bread Nutrition 0.000 description 1
- 235000019219 chocolate Nutrition 0.000 description 1
- 238000005034 decoration Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000012467 final product Substances 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000013011 mating Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 235000020232 peanut Nutrition 0.000 description 1
- 229910052709 silver Inorganic materials 0.000 description 1
- 239000004332 silver Substances 0.000 description 1
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供了一种特征信息的个性化推荐方法和装置，其中，所述方法包括：接收客户端提交的特征信息获取请求，所述请求中包括用户标识；根据所述用户标识获取用户行为倾向信息；采用所述用户行为倾向信息按预置规则提取当前关联的特征信息；提取满足预设要求的当前关联的特征信息返回给客户端。本申请可以满足用户多样的个性化需求，减少用户的网上购物时间成本，提高电子商务商品购买的转化率。
Description
技术领域
本申请涉及信息处理技术领域，特别是涉及一种特征信息的个性化推荐方法和一种特征信息的个性化推荐装置。
背景技术
互联网是人们获取信息的一个重要途径，传统互联网的主要特点在于用户寻找自己感兴趣的事物时，需要通过浏览器进行大量的搜索，同时需要人工地过滤掉大量不相关的结果，操作繁琐，且耗费时间和精力。
以电子商务为例，传统电子商务的主要特点在于用户登陆各个电子商务平台，寻找自己感兴趣的商品，然后进行购买。但是随着电子商务规模的不断扩大，商家通过购物网站提供了大量的商品，使用户无法快速了解所有的商品，也无法直接检查商品的质量，用户需要花费大量的时间与精力才能找到自己需要的商品。这种浏览大量无关的信息和产品过程，无疑会使淹没在海量信息中的消费者因为没有发现在自己需要或者感兴趣的商品而不断流失，不仅仅使用户购物的时间成本大幅增加，同时使电子商务平台的商品购买的转化率非常低。
现有技术中，提出了根据用户购买或者浏览行为，运用某一种推荐算法进行特征信息(如商品信息)的个性化推荐方法，例如，首先根据图书类别、内容对图书进行聚类，建立图书聚类体系，比如A与B为一类图书。然后根据用户的浏览行为和购买记录，分析用户感兴趣图书，比如用户目前浏览商品为A或者历史购买过A，即可将同类的B图书推荐给A。
这些现有技术由于采用的推荐算法单一，从而使用户行为信息利用率低，导致推荐商品单一，例如针对平台上数百万中商品，仅仅能推荐出与用户浏览产品相近商品，无法满足用户多样化需求。
因此，目前需要本领域技术人员迫切解决的一个技术问题就是：提出一种特征信息的个性化推荐机制，以满足用户多样的个性化需求，减少用户的网上购物时间成本，提高电子商务商品购买的转化率。
发明内容
本申请所要解决的技术问题是提供一种特征信息的个性化推荐方法，用以满足用户的个性化需求，并提高推荐效率和覆盖率。
本申请还提供了一种特征信息的个性化推荐装置，用以保证上述方法在实际中的应用及实现。
为了解决上述问题，本申请实施例公开了一种特征信息的个性化推荐方法，包括：
接收客户端提交的特征信息获取请求，所述请求中包括用户标识；
根据所述用户标识获取用户行为倾向信息；
采用所述用户行为倾向信息按预置规则提取当前关联的特征信息；
提取满足预设要求的当前关联的特征信息返回给客户端。
优选地，所述特征信息包括团购商品信息，电子商务平台的商品信息，和/或，应用APP信息。
优选地，所述根据用户标识获取用户行为倾向信息的步骤包括：
获取所述用户在在先的预设时间段内，针对特征信息的操作信息，所述特征信息具有对应的URL，所述操作信息包括点击操作信息；
按照时间戳的大小分别设置各特征信息的权重大小；
按预置的特征信息的URL与分类标签的对应关系，确定所述用户在先操作的特征信息的分类标签；
记录所述用户标识，对应特征信息的分类标签及权重为用户行为倾向信息。
优选地，所述采用用户行为倾向信息按预置规则提取当前关联的特征信息的步骤包括：
获取当前的特征信息及对应的分类标签；
将所述当前特征信息的分类标签，与所述用户标识对应的特征信息分类标签进行匹配；
提取匹配的特征信息为当前关联的特征信息。
优选地，所述的方法，还包括：
生成第一特征信息数据集，所述第一特征信息数据集中包括特征信息的主分类标签及对应的子分类标签；
所述采用用户行为倾向信息按预置规则提取当前关联的特征信息的步骤包括：
将所述用户标识对应的特征信息分类标签与所述第一特征信息数据集中的主分类标签进行匹配；
提取所述主分类标签及对应子分类标签关联的特征信息为当前关联的特征信息。
优选地，所述生成第一特征信息数据集的步骤包括：
将各用户对应的特征信息分类标签按其权重降序排序；
提取排序在前的N个特征信息特征信息分类标签，所述N为正整数；
将所述特征信息分类标签分别两两组合，计算各两两组合的特征信息分类标签的频繁2项集，所述频繁2项集包括两两组合的特征信息的分类标签以及对应的出现次数；
将各用户对应的特征信息分类标签进行归类，计算各特征信息分类标签的频繁1项集，所述频繁项集包括各特征信息的分类标签以及对应的出现次数；
根据所述频繁2项集和频繁1项集，计算各特征信息分类标签的支持度和置信度，其中，所述支持度是指某两个特征信息分类标签同时出现的概率；所述置信度是指在出现某一特征信息分类标签的情况下，出现另一特征信息分类标签的概率；
按照预置的支持度阈值和置信度阈值对所述特征信息分类标签进行过滤；
按照所述置信度对所述特征信息分类标签进行排序；
将排序在首的特征信息的分类标签作为主分类标签，将其后的特征信息的分类标签作为子分类标签，保存生成第一特征信息数据集。
优选地，所述的方法，还包括：
将各用户对应的特征信息分类标签按其权重降序排序；
提取排序在前的M个特征信息分类标签，其中，所述M为正整数；
将各用户标识对应的M个特征信息分类标签进行组合；
提取具有所述特征信息分类标签组合的候选用户标识；
汇总所述候选用户标识对应的特征信息分类标签，保存生成第二特征信息数据集；
所述采用用户行为倾向信息按预置规则提取当前关联的特征信息的步骤包括：
将当前用户标识在第二特征信息数据集中，提取对应的特征信息分类标签为当前关联的特征信息。
优选地，所述满足预设要求的当前关联的特征信息为满足预设数量的当前关联的特征信息；或为，特征信息权重大于某预设阈值的当前关联的特征信息；或为，按特征信息权重降序排序在前的K个当前关联的特征信息，其中，所述K为正整数。
本申请实施例还公开了一种特征信息的个性化推荐装置，包括：
请求模块，用于接收客户端提交的特征信息获取请求，所述请求中包括用户标识；
用户兴趣识别模块，用于根据所述用户标识获取用户行为倾向信息；
特征信息匹配模块，用于采用所述用户行为倾向信息按预置规则提取当前关联的特征信息；
目标信息提取模块，用于提取满足预设要求的当前关联的特征信息返回给客户端。
优选地，所述特征信息包括团购商品信息，电子商务平台的商品信息，和/或，应用APP信息。
优选地，所述用户兴趣识别模块包括：
用户在先操作信息获取子模块，用于获取所述用户在在先的预设时间段内，针对特征信息的操作信息，所述特征信息具有对应的URL，所述操作信息包括点击操作信息；
权重设置子模块，用于按照所述时间的远近分别设置各特征信息的权重；
特征信息分类确定子模块，用于按预置的特征信息的URL与分类标签的对应关系，确定所述用户在先操作的特征信息的分类标签；
记录子模块，用于记录所述用户标识，对应特征信息的分类标签及权重为用户行为倾向信息。
优选地，所述特征信息匹配模块包括：
当前信息获取子模块，用于获取当前的特征信息及对应的分类标签；
第一匹配子模块，用于将所述当前特征信息的分类标签，与所述用户标识对应的特征信息分类标签进行匹配；
第一提取子模块，用于提取匹配的特征信息为当前关联的特征信息。
优选地，所述的装置，还包括：
第一数据集生成模块，用于生成第一特征信息数据集，所述第一特征信息数据集中包括特征信息的主分类标签及对应的子分类标签；
所述特征信息匹配模块包括：
第二匹配子模块，用于将所述用户标识对应的特征信息分类标签与所述第一特征信息数据集中的主分类标签进行匹配；
第二提取子模块，用于提取所述主分类标签及对应子分类标签关联的特征信息为当前关联的特征信息。
优选地，所述第一数据集生成模块包括：
排序子模块，用于将各用户对应的特征信息分类标签按其权重降序排序；
分类提取子模块，用于提取排序在前的N个特征信息特征信息分类标签，所述N为正整数；
频繁2项集计算子模块，用于将所述特征信息分类标签分别两两组合，计算各两两组合的特征信息分类标签的频繁2项集，所述频繁2项集包括两两组合的特征信息的分类标签以及对应的出现次数；
频繁1项集计算子模块，用于将各用户对应的特征信息分类标签进行归类，计算各特征信息分类标签的频繁1项集，所述频繁项集包括各特征信息的分类标签以及对应的出现次数；
支持度和置信度计算子模块，用于根据所述频繁2项集和频繁1项集，计算各特征信息分类标签的支持度和置信度，其中，所述支持度是指某两个特征信息分类标签同时出现的概率；所述置信度是指在出现某一特征信息分类标签的情况下，出现另一特征信息分类标签的概率；
过滤子模块，用于按照预置的支持度阈值和置信度阈值对所述特征信息分类标签进行过滤；
置信度排序子模块，用于按照所述置信度对所述特征信息分类标签进行排序；
保存子模块，用于将排序在首的特征信息的分类标签作为主分类标签，将其后的特征信息的分类标签作为子分类标签，保存生成第一特征信息数据集。
优选地，所述的装置，还包括：
排序模块，用于将各用户对应的特征信息分类标签按其权重降序排序；
分类提取模块，用于提取排序在前的M个特征信息分类标签，其中，所述M为正整数；
组合模块，用于将各用户标识对应的M个特征信息分类标签进行组合；
候选用户提取模块，用于提取具有所述特征信息分类标签组合的候选用户标识；
汇总模块，用于汇总所述候选用户标识对应的特征信息分类标签，保存生成第二特征信息数据集；
所述特征信息匹配模块包括：
第三提取子模块，用于将当前用户标识在第二特征信息数据集中，提取对应的特征信息分类标签为当前关联的特征信息。
优选地，所述满足预设要求的当前关联的特征信息为满足预设数量的当前关联的特征信息；或为，特征信息权重大于某预设阈值的当前关联的特征信息；或为，按特征信息权重降序排序在前的K个当前关联的特征信息，其中，所述K为正整数。
与现有技术相比，本申请具有以下优点：
1)将电子商务网站的浏览者转变为购买者：电子商务系统的访问者在浏览过程中经常并没有购买欲望，个性化推荐系统能够向用户推荐他们感兴趣的商品，从而促成购买过程。
2)提高电子商务网站的交叉销售能力：个性化推荐系统在用户购买过程中向用户提供其他有价值的商品推荐，用户能够从系统提供的推荐列表中购买自己确实需要但在购买过程中没有想到的商品，从而有效提高电子商务系统的交叉销售。
3)提高客户对电子商务网站的忠诚度：与传统的商务模式相比，电子商务系统使得用户拥有越来越多的选择，用户更换商家极其方便，只需要点击一两次鼠标就可以在不同的电子商务系统之间跳转。个性化推荐系统分析用户的购买习惯，根据用户需求向用户提供有价值的商品推荐。如果推荐系统的推荐质量很高，那么用户会对该推荐系统产生依赖。因此，个性化推荐系统不仅能够为用户提供个性化的推荐服务，而且能与用户建立长期稳定的关系，从而有效保留客户，提高客户的忠诚度，防止客户流失。
附图说明
图1是本申请的一种特征信息的个性化推荐方法实施例的步骤流程图；
图2是本申请的一种特征信息的个性化推荐装置实施例的结构框图。
具体实施方式
为使本申请的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本申请作进一步详细的说明。
参考图1，示出了本申请的一种特征信息的个性化推荐方法实施例的步骤流程图，具体可以包括如下步骤：
步骤101，接收用户提交的特征信息获取请求，所述请求中包括用户标识；
步骤102，根据所述用户标识获取该用户的行为倾向信息；
步骤103，采用所述用户的行为倾向信息按预置规则提取当前关联的特征信息；
步骤104，提取满足预设要求的当前关联的特征信息返回给用户。
个性化推荐是根据用户的兴趣特点和行为，向用户推荐用户感兴趣的信息和商品。以电子商务为例，随着电子商务规模的不断扩大，商品个数和种类快速增长，用户需要花费大量的时间才能找到自己想买的商品。这种浏览大量无关的信息和产品过程无疑会使淹没在信息过载问题中的消费者不断流失。为了解决这些问题，个性化推荐机制应运而生。个性化推荐是建立在海量数据挖掘基础上，可以帮助网站为其用户提供完全个性化的决策支持和信息服务，使用户能根据自己的兴趣爱好获得感兴趣或者满意的信息。
本申请实施例涉及客户端与服务器交互的过程，在实际中，用户通过安装在设备(PC，手机等)中的客户端，向服务器提交特征信息获取请求，服务器接收所述特征信息获取请求，并根据请求中的用户标识获取该用户的行为倾向信息，然后采用所述用户的行为倾向信息按预置规则提取当前关联的特征信息，再提取满足预设要求的当前关联的特征信息后返回给客户端，用户从客户端即可获知所述满足预设要求的当前关联的特征信息。
作为本申请实施例的具体示例，所述特征信息可以为团购商品信息，即本申请实施例可以提供一种团购平台的团购商品信息个性化推荐的方法；所述特征信息还可以为电子商务平台或交易平台的商品信息，即本申请实施例可以提供一种电子商务平台或交易平台的商品信息个性化推荐的方法；所述特征信息也可以为应用信息，即本申请实施例可以提供一种应用的个性化推荐方法。本申请实施例中所指的应用(Application)是指用户在网络上所使用的各种服务，如应用程序、网页、视频、小说、音乐、游戏、新闻、购物和邮箱等。应用数据集包含多个应用，来源于各个开放平台。
在本申请的一种优选实施例中，所述步骤102可以包括如下子步骤：
子步骤S11、获取所述用户在在先的预设时间段内，针对特征信息的操作信息，所述特征信息具有对应的URL，所述操作信息包括点击操作信息；
子步骤S12、按照所述时间戳的大小分别设置各特征信息的权重大小；
在具体实现中，时间戳的大小可以表征时间的远近，即时间戳较大，表示离当前时间比较近，时间戳较小，表示离当前时间比较远。
子步骤S13、按预置的特征信息的URL与分类标签的对应关系，确定所述用户在先操作的特征信息的分类标签；
子步骤S14、记录所述用户标识，对应特征信息的分类标签及权重为该用户的行为倾向信息。
以特征信息为团购商品信息为例，假设读取某用户最近30天点击的团购商品信息的原始日志内容如下：
1.80.229.242--[02/Feb/2012:22:00:00+0800]″GET/clk.gif？f＝http％3A％2F％2Ftuan.360.cn％2Frd.php％3Fgurl％3Dhttp％253A％252F％252Fxa.nuomi.com％252Fdeal％252F20120117124546341.html％253Futm_source％2
53D360％2526utm_medium％253Dneiye-pic％2526utm_campaign％253Ddaohang％2526cid％253D000302％26site％3Dnuo_mi％26sign％3D5f32bbcac90134dc08eadd594c1ec4b6&cId＝A&ct＝xi_an&s＝nuo_mi&ui＝189144973.2952143487
2916069115922.5364441759502.6696&c＝&cn＝1&o＝1&&v＝1.1&t＝1328191203984&u＝http://tuan.360.cn/index.html&cr＝http％3A％2F％2Ftuan.360.cn％2Fxi_an％2Fc_1.html％3F％26pageno％3D2HTTP/1.1″20043″http://t
uan.360.cn/xi_an/c_1.html？&pageno＝2″″Mozilla/4.0(compatible；MSIE 7.0；Windows NT 6.1；Trident/4.0；SLCC2；.NET CLR2.0.50727；.NET CLR 3.5.30729；.NET CLR 3.0.30729；Media Center PC6.0；
.NET4.0C；Tablet PC 2.0；360SE)″
预置的特征信息的URL与分类标签的对应关系如下：
http://26ju.com/team.php？id＝619网上购物运动户外运动装备：登山鞋
http://26ju.com/team.php？id＝621网上购物运动户外运动装备：登山鞋
http://26ju.com/team.php？id＝622网上购物羽绒服：棉服
http://26ju.com/team.php？id＝625网上购物运动户外运动装备：登山鞋
解析上述原始日志的内容提取特征信息的URL，在所述预置的特征信息的URL与分类标签的对应关系中进行映射，可以获得用户及其对应的分类标签为：
100014244.27477386632359579457470.8715899197171.1284 http://26ju.com/team.php？id＝619 1
100015805.34222151880745854218985.3531362193024.3210 http://26ju.com/team.php？id＝625 1
100015805.34222151880745854218985.3531362193024.3210 http://26ju.com/team.php？id＝622 1
需要说明的是，上例中的“1”为初始权重，在实际中，可以对该权重可以按时间递减的原则(因为取的原始数据是最近30天的用户点击数据，所以取离现在点击最远权重最小，距现在最近的点击权重最大)进行修正后累加，具体而言，所述权重修正公式可以为：
获得最终的用户倾向行为信息可以包括用户标识Uid，对应特征信息的分类标签interest及权重weight，如下所示：
100014244.27477386632359579457470.8715899197171.1284 旅游酒店 酒店：大床房 1
100015805.34222151880745854218985.3531362193024.3210 美容保健 美发：美发 3
100015805.34222151880745854218985.3531362193024.3210 美容保健 足疗：足疗 2
100016502.41759748414563887997000.4218974082510.9732 网上购物 服装配饰 男装：男装 6
100017144.78491405337623679976141.5957718968231.5786 本地美食 地方菜：松鼠桂鱼 1
当然，上述根据用户标识获取该用户的行为倾向信息的方法仅仅用作示例，本领域技术人员采用任一种获取用户行为倾向信息的方法均是可行的，本申请对此无需加以限制。
本申请实施例主要综合应用以下三种算法：
1.基于内容推荐(Content-based Recommendation)：
通过商品对商品建立相应的分类体系，系统基于用户浏览或者购买的历史记录，推测用户特征，努力向客户推荐与其以前喜欢的产品相似的产品。
2.基于关联规则推荐(Association Rule-based recommendation)
主要基于用户购买记录来计算商品之间的关联度，建立商品之间关联体系，则在用户购买其中一个商品的同时将另外其他与该商品关联度高的商品推荐给该用户。
3.协同过滤推荐(Collaborative Filtering-based recommendation)
根据用户的个人信息、历史行为信息等资料建立相同偏好用户群，在相似偏好用户群中根据用户的购买行为进行相互推荐。
本申请综合上述三种算法，充分利用用户各种信息，全方位的针对用户的行为进行个性化推荐。以上三种算法主要应用在步骤103中，以下具体说明。
在本申请的一种优选实施例中，所述步骤103可以包括如下子步骤：
子步骤S21、获取当前的特征信息及对应的分类标签；
子步骤S22、将所述当前特征信息的分类标签，与所述用户标识对应的特征信息分类标签进行匹配；
子步骤S23、提取匹配的特征信息为当前关联的特征信息。
本实施例即对应上述基于内容推荐的算法。所获得的当前关联的特征信息可以包括用户标识，算法标识和特征信息分类标签，例如：
100017442.94243768836710676066051.1386766486296.1657 1：休闲娱乐 电影票：影城
100033693.70816633496701235064561.7601467949793.9379 1：本地美食 西餐：牛排
100034657.68530253597592725533781.9454743779907.1906 1：本地美食 蛋糕：面包
100041870.32170318316260545488053.5780812490896.5578 1：本地美食 冬季进补：锅底
在上例中，特征信息分类标签之前的“1：”即为算法标识，意指该条记录为采用基于内容推荐的算法获得的结果。
本申请的另一种优选实施例中，还可以包括以下步骤：
生成第一特征信息数据集，所述第一特征信息数据集中包括特征信息的主分类标签及对应的子分类标签；
更为优选的是，可以通过以下子步骤生成所述第一特征信息数据集：
子步骤S31，将各用户对应的特征信息分类标签按其权重降序排序；
子步骤S32，提取排序在前的N个特征信息特征信息分类标签，所述N为正整数；
子步骤S33，将所述特征信息分类标签分别两两组合，计算各两两组合的特征信息分类标签的频繁2项集，所述频繁2项集包括两两组合的特征信息的分类标签以及对应的出现次数；
子步骤S34，将各用户对应的特征信息分类标签进行归类，计算各特征信息分类标签的频繁1项集，所述频繁项集包括各特征信息的分类标签以及对应的出现次数；
子步骤S35，根据所述频繁2项集和频繁1项集，计算各特征信息分类标签的支持度和置信度，其中，所述支持度是指某两个特征信息分类标签同时出现的概率；所述置信度是指在出现某一特征信息分类标签的情况下，出现另一特征信息分类标签的概率；
子步骤S36，按照预置的支持度阈值和置信度阈值对所述特征信息分类标签进行过滤；
子步骤S37，按照所述置信度对所述特征信息分类标签进行排序；
子步骤S38，将排序在首的特征信息的分类标签作为主分类标签，将其后的特征信息的分类标签作为子分类标签，保存生成第一特征信息数据集。
在这种情况下，所述步骤103可以包括如下子步骤：
子步骤S41，将所述用户标识对应的特征信息分类标签与所述第一特征信息数据集中的主分类标签进行匹配；
子步骤S42，提取所述主分类标签及对应子分类标签关联的特征信息为当前关联的特征信息。
本实施例即对应上述基于关联规则推荐的算法。以将本实施例应用在团购平台为例，假设获得频繁2项集的数据如下：
休闲娱乐 摄影写真：全家福 休闲娱乐KTV：音响 2
休闲娱乐 景点郊游：公园 休闲娱乐 摄影写真：全家福4 2
休闲娱乐 景点郊游：漂流 休闲娱乐 景点郊游：圆明园4 4
休闲娱乐 温泉养生：温泉：身体乳1
休闲娱乐 游玩游乐：DIY巧克力 休闲娱乐 摄影写真：拍摄 14
休闲娱乐 游玩游乐：乐园 休闲娱乐 游玩游乐：cs 3
获得频繁1项集的数据如下：
本地美食 其他美食：公园 139
本地美食 其他美食：钱柜 717
本地美食 冬季进补：粤菜 11422
本地美食 年夜饭：老鸭汤 67
网上购物 冬季大换装 冬季护肤：卸妆乳 144
网上购物 年货大采购 休闲零食：蓝莓 75
网上购物 年货大采购 休闲零食：蜜饯 357
设支持度阈值为20％，置信度阈值为50％，对团购商品信息的分类标签根据其支持度和置信度进行过滤，并按照置信度进行排序，提取前30个团购商品信息的分类标签，生成的第一特征信息数据集如下所示：
本地美食 快餐休闲：欢乐谷 本地美食 快餐休闲：羊杂汤本地美 食快餐休闲：拉面 本地美食 快餐休闲：真功夫 本地美食 快餐休闲：驴肉 本地美食 快餐休闲：避风塘 本地美食快餐
本地美食 东南亚菜：东南亚 本地美食 东南亚菜：港式 本地美食 东南亚菜：泰国餐厅 本地美食 东南亚菜：蕉叶 本地美食 东南亚菜：泰菜 本地美食 东南亚菜：印度烤饼 本地美食 东南亚菜：港式茶餐厅 本地美食 东南亚菜：东南亚菜 本地美食 东南亚菜：泰式料理 本地美食 东南亚菜：印度菜 本地美食 东南亚菜：泰国菜 本地美食 东南亚菜：尼泊尔本地美食 东南亚菜：粤品轩 本地美食 东南亚菜：花生 本地美食东南亚菜：港式点心
假设获得的用户标识及对应的团购商品信息分类标签如下：
100014244 本地美食 快餐休闲：欢乐谷 2
100015805 本地美食 东南亚菜：东南 3
……
则与上述第一特征信息数据集进行匹配的结果为：
100014244 本地美食 快餐休闲：羊杂汤 2 本地美食 快餐休闲：拉面 2本地美食 快餐休闲：真功夫 2 本地美食 快餐休闲：驴肉 2 本地美食 快餐休闲：避风塘 2 本地美食 快餐2
100015805 本地美食 东南亚菜：港式 3 本地美食 东南亚菜：泰国餐厅 3 本地美食 东南亚菜：蕉叶 3 本地美食 东南亚菜：泰菜 3 本地美食 东南亚菜：印度烤饼 3 本地美食东南亚菜：港式茶餐厅 3 本地美食 东南亚菜：东南亚菜 3 本地美食 东南亚菜：泰式料理 3本地美食 东南亚菜：印度菜 3
经过整理获得的当前关联的特征信息包括用户标识，算法标识，特征信息分类标签和权重，示例如下：
100014244 2：本地美食 快餐休闲：羊杂汤 2
100014244 2：本地美食 快餐休闲：拉面 2
100014244 2：本地美食 快餐休闲：真功夫 2
100015805 2：本地美食 东南亚菜：港式 3
100015805 2：本地美食 东南亚菜：泰国餐厅 3
100015805 2：本地美食 东南亚菜：蕉叶 3
100015805 2：本地美食 东南亚菜：泰菜 3
100015805 2：本地美食 东南亚菜：印度烤饼 3
100015805 2：本地美食 东南亚菜：港式茶餐厅 3
在本申请的又一种优选实施例中，还可以包括如下步骤：
将各用户对应的特征信息分类标签按其权重降序排序；
提取排序在前的M个特征信息分类标签其中，所述M为正整数；
将各用户标识对应的M个特征信息分类标签进行组合；
提取具有所述特征信息分类标签组合的候选用户标识；
汇总所述候选用户标识对应的特征信息分类标签，保存生成第二特征信息数据集；
在这种情况下，所述步骤103可以包括如下子步骤：
子步骤S51，将当前用户标识在第二特征信息数据集中，提取对应的特征信息分类标签为当前关联的特征信息。
本实施例即对应上述协同过滤推荐的算法。本算法的核心构思在于，如果两个用户所有的兴趣有N％的兴趣相同，即可认为这两个兴趣为相似用户，则可将对方曾经浏览或者购买过的商品推荐给另外一个用户。例如，对于每个uid，按照其特征信息分类标签权重进行降序排列，提取top5的特征信息分类标签，根据每个用户标识，将对应的5个兴趣进行三三组合，然后按照三个兴趣的组合对用户标识进行分组，即每个分组中会有若干个uid以及其权重最高的5个特征信息分类标签，在分组内对所有兴趣分类汇总，权重累加。然后按照权重进行降序排列生成第二特征信息数据集，对每个uid从第二特征信息数据集中按特征信息分类标签的权重从高到底进行推荐，即获得的当前关联的特征信息包括用户标识，算法标识，特征信息分类标签和权重，示例如下：
100017372.44642012739647012135549.5062924986063.9940 3：本地美食 西餐：西餐 3
100025849.59826871184240917123950.1697720246607.6733 3：休闲娱乐 电影票：电影票 1
100056338.27434717023718362338732.6968418777072.4450 3：本地美食 火锅：火锅 1
100065254.27015691532733036234471.7239746155148.2359 3：本地美食 火锅：火锅 1
100066023.92767061567614772833260.3897376916276.9664 3：本地美食 西餐：牛排 1
100066875.86390798587109565759626.5470679628200.1575 3：本地美食 火锅：火锅 1
100073680.89693795029697384169014.1732518644057.8572 3：休闲娱乐 电影票：影城 1
在具体实现中，所述满足预设要求的当前关联的特征信息可以为满足预设数量的当前关联的特征信息；也可以为，特征信息权重大于某预设阈值的当前关联的特征信息；还可以为，按特征信息权重降序排序在前的K个当前关联的特征信息，其中，所述K为正整数。
作为本申请实施例具体应用的一种示例，所述请求中还可以包括指定特征信息的关键词；在这种情况下，所述步骤104可以包括如下子步骤：
子步骤S61、提取具有指定算法标识的当前关联的特征信息为候选特征信息；
例如，提取具有如上三种算法标识的当前关联的特征信息为候选特征信息。
子步骤S62、采用所述指定特征信息的关键词在所述候选特征信息进行匹配，将匹配的候选特征信息返回给用户。
需要说明的是，对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本申请所必须的。
参照图2，示出了本申请的一种特征信息的个性化推荐装置实施例的结构框图，具体可以包括如下模块：
请求模块201，用于接收客户端提交的特征信息获取请求，所述请求中包括用户标识；
用户兴趣识别模块202，用于根据所述用户标识获取用户行为倾向信息；
特征信息匹配模块203，用于采用所述用户行为倾向信息按预置规则提取当前关联的特征信息；
目标信息提取模块204，用于提取满足预设要求的当前关联的特征信息返回给客户端。
作为本申请实施例具体应用的示例，所述特征信息可以包括团购商品信息，电子商务平台的商品信息，和/或，应用APP信息。
在具体实现中，所述用户兴趣识别模块202可以包括如下子模块：
用户在先操作信息获取子模块，用于获取所述用户在在先的预设时间段内，针对特征信息的操作信息，所述特征信息具有对应的URL，所述操作信息包括点击操作信息；
权重设置子模块，用于按照所述时间的远近分别设置各特征信息的权重；
特征信息分类确定子模块，用于按预置的特征信息的URL与分类标签的对应关系，确定所述用户在先操作的特征信息的分类标签；
记录子模块，用于记录所述用户标识，对应特征信息的分类标签及权重为用户行为倾向信息。
在本申请的一种优选实施例中，所述特征信息匹配模块203可以包括如下子模块：
当前信息获取子模块，用于获取当前的特征信息及对应的分类标签；
第一匹配子模块，用于将所述当前特征信息的分类标签，与所述用户标识对应的特征信息分类标签进行匹配；
第一提取子模块，用于提取匹配的特征信息为当前关联的特征信息。
在本申请的另一种优选实施例中，本申请实施例还可以包括以下模块：
第一数据集生成模块，用于生成第一特征信息数据集，所述第一特征信息数据集中包括特征信息的主分类标签及对应的子分类标签；
在这种情况下，所述特征信息匹配模块203可以包括如下子模块：
第二匹配子模块，用于将所述用户标识对应的特征信息分类标签与所述第一特征信息数据集中的主分类标签进行匹配；
第二提取子模块，用于提取所述主分类标签及对应子分类标签关联的特征信息为当前关联的特征信息。
优选的是，所述第一数据集生成模块包括：
排序子模块，用于将各用户对应的特征信息分类标签按其权重降序排序；
分类提取子模块，用于提取排序在前的N个特征信息特征信息分类标签，所述N为正整数；
频繁2项集计算子模块，用于将所述特征信息分类标签分别两两组合，计算各两两组合的特征信息分类标签的频繁2项集，所述频繁2项集包括两两组合的特征信息的分类标签以及对应的出现次数；
频繁1项集计算子模块，用于将各用户对应的特征信息分类标签进行归类，计算各特征信息分类标签的频繁1项集，所述频繁项集包括各特征信息的分类标签以及对应的出现次数；
支持度和置信度计算子模块，用于根据所述频繁2项集和频繁1项集，计算各特征信息分类标签的支持度和置信度，其中，所述支持度是指某两个特征信息分类标签同时出现的概率；所述置信度是指在出现某一特征信息分类标签的情况下，出现另一特征信息分类标签的概率；
过滤子模块，用于按照预置的支持度阈值和置信度阈值对所述特征信息分类标签进行过滤；
置信度排序子模块，用于按照所述置信度对所述特征信息分类标签进行排序；
保存子模块，用于将排序在首的特征信息的分类标签作为主分类标签，将其后的特征信息的分类标签作为子分类标签，保存生成第一特征信息数据集。
在本申请的又一种优选实施例中，本申请实施例还可以包括以下模块：
排序模块，用于将各用户对应的特征信息分类标签按其权重降序排序；
分类提取模块，用于提取排序在前的M个特征信息分类标签，其中，所述M为正整数；
组合模块，用于将各用户标识对应的M个特征信息分类标签进行组合；
候选用户提取模块，用于提取具有所述特征信息分类标签组合的候选用户标识；
汇总模块，用于汇总所述候选用户标识对应的特征信息分类标签，保存生成第二特征信息数据集；
在这种情况下，所述特征信息匹配模块203可以包括如下子模块：
第三提取子模块，用于将当前用户标识在第二特征信息数据集中，提取对应的特征信息分类标签为当前关联的特征信息。
在具体实现中，所述满足预设要求的当前关联的特征信息为满足预设数量的当前关联的特征信息；或为，特征信息权重大于某预设阈值的当前关联的特征信息；或为，按特征信息权重降序排序在前的K个当前关联的特征信息，其中，所述K为正整数。
作为本申请实施例具体应用的一种示例，所述当前关联的特征信息中还可以包括算法标识；所述请求中还可以包括指定特征信息的关键词；在这种情况下，所述目标信息提取模块304可以包括如下子模块：
算法提取子模块，用于提取具有指定算法标识的当前关联的特征信息为候选特征信息；
关键词匹配子模块，用于采用所述指定特征信息的关键词在所述候选特征信息进行匹配，将匹配的候选特征信息返回给客户端。
本申请实施例不仅可以应用于单台设备的应用环境中，还可以应用于服务器-客户端的应用环境，或者进一步应用于基于云技术的应用环境中。
由于所述装置实施例基本相应于前述方法实施例，故本实施例的描述中未详尽之处，可以参见前述实施例中的相关说明，在此就不赘述了。本申请装置实施例和系统实施例中所涉及的模块、子模块和单元可以为软件，可以为硬件，也可以为软件和硬件的组合。本说明书中的各个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个......”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上对本申请所提供的一种特征信息的个性化推荐方法和一种特征信息的个性化推荐装置进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。
Claims (16)
1.一种特征信息的个性化推荐方法，其特征在于，包括：
接收客户端提交的特征信息获取请求，所述请求中包括用户标识；
根据所述用户标识获取用户行为倾向信息；
采用所述用户行为倾向信息按预置规则提取当前关联的特征信息；
提取满足预设要求的当前关联的特征信息返回给客户端。
2.如权利要求1所述的方法，其特征在于，所述特征信息包括团购商品信息，电子商务平台的商品信息，和/或，应用APP信息。
3.如权利要求1所述的方法，其特征在于，所述根据用户标识获取用户行为倾向信息的步骤包括：
获取所述用户在在先的预设时间段内，针对特征信息的操作信息，所述特征信息具有对应的URL，所述操作信息包括点击操作信息；
按照时间戳的大小分别设置各特征信息的权重大小；
按预置的特征信息的URL与分类标签的对应关系，确定所述用户在先操作的特征信息的分类标签；
记录所述用户标识，对应特征信息的分类标签及权重为用户行为倾向信息。
4.如权利要求3所述的方法，其特征在于，所述采用用户行为倾向信息按预置规则提取当前关联的特征信息的步骤包括：
获取当前的特征信息及对应的分类标签；
将所述当前特征信息的分类标签，与所述用户标识对应的特征信息分类标签进行匹配；
提取匹配的特征信息为当前关联的特征信息。
5.如权利要求3或4所述的方法，其特征在于，还包括：
生成第一特征信息数据集，所述第一特征信息数据集中包括特征信息的主分类标签及对应的子分类标签；
所述采用用户行为倾向信息按预置规则提取当前关联的特征信息的步骤包括：
将所述用户标识对应的特征信息分类标签与所述第一特征信息数据集中的主分类标签进行匹配；
提取所述主分类标签及对应子分类标签关联的特征信息为当前关联的特征信息。
6.如权利要求5所述的方法，其特征在于，所述生成第一特征信息数据集的步骤包括：
将各用户对应的特征信息分类标签按其权重降序排序；
提取排序在前的N个特征信息特征信息分类标签，所述N为正整数；
将所述特征信息分类标签分别两两组合，计算各两两组合的特征信息分类标签的频繁2项集，所述频繁2项集包括两两组合的特征信息的分类标签以及对应的出现次数；
将各用户对应的特征信息分类标签进行归类，计算各特征信息分类标签的频繁1项集，所述频繁项集包括各特征信息的分类标签以及对应的出现次数；
根据所述频繁2项集和频繁1项集，计算各特征信息分类标签的支持度和置信度，其中，所述支持度是指某两个特征信息分类标签同时出现的概率；所述置信度是指在出现某一特征信息分类标签的情况下，出现另一特征信息分类标签的概率；
按照预置的支持度阈值和置信度阈值对所述特征信息分类标签进行过滤；
按照所述置信度对所述特征信息分类标签进行排序；
将排序在首的特征信息的分类标签作为主分类标签，将其后的特征信息的分类标签作为子分类标签，保存生成第一特征信息数据集。
7.如权利要求3或4或6所述的方法，其特征在于，还包括：
将各用户对应的特征信息分类标签按其权重降序排序；
提取排序在前的M个特征信息分类标签，其中，所述M为正整数；
将各用户标识对应的M个特征信息分类标签进行组合；
提取具有所述特征信息分类标签组合的候选用户标识；
汇总所述候选用户标识对应的特征信息分类标签，保存生成第二特征信息数据集；
所述采用用户行为倾向信息按预置规则提取当前关联的特征信息的步骤包括：
将当前用户标识在第二特征信息数据集中，提取对应的特征信息分类标签为当前关联的特征信息。
8.如权利要求7所述的方法，其特征在于，所述满足预设要求的当前关联的特征信息为满足预设数量的当前关联的特征信息；或为，特征信息权重大于某预设阈值的当前关联的特征信息；或为，按特征信息权重降序排序在前的K个当前关联的特征信息，其中，所述K为正整数。
9.一种特征信息的个性化推荐装置，其特征在于，包括：
请求模块，用于接收客户端提交的特征信息获取请求，所述请求中包括用户标识；
用户兴趣识别模块，用于根据所述用户标识获取用户行为倾向信息；
特征信息匹配模块，用于采用所述用户行为倾向信息按预置规则提取当前关联的特征信息；
目标信息提取模块，用于提取满足预设要求的当前关联的特征信息返回给客户端。
10.如权利要求9所述的装置，其特征在于，所述特征信息包括团购商品信息，电子商务平台的商品信息，和/或，应用APP信息。
11.如权利要求9所述的装置，其特征在于，所述用户兴趣识别模块包括：
用户在先操作信息获取子模块，用于获取所述用户在在先的预设时间段内，针对特征信息的操作信息，所述特征信息具有对应的URL，所述操作信息包括点击操作信息；
权重设置子模块，用于按照所述时间的远近分别设置各特征信息的权重；
特征信息分类确定子模块，用于按预置的特征信息的URL与分类标签的对应关系，确定所述用户在先操作的特征信息的分类标签；
记录子模块，用于记录所述用户标识，对应特征信息的分类标签及权重为用户行为倾向信息。
12.如权利要求11所述的装置，其特征在于，所述特征信息匹配模块包括：
当前信息获取子模块，用于获取当前的特征信息及对应的分类标签；
第一匹配子模块，用于将所述当前特征信息的分类标签，与所述用户标识对应的特征信息分类标签进行匹配；
第一提取子模块，用于提取匹配的特征信息为当前关联的特征信息。
13.如权利要求11或12所述的装置，其特征在于，还包括：
第一数据集生成模块，用于生成第一特征信息数据集，所述第一特征信息数据集中包括特征信息的主分类标签及对应的子分类标签；
所述特征信息匹配模块包括：
第二匹配子模块，用于将所述用户标识对应的特征信息分类标签与所述第一特征信息数据集中的主分类标签进行匹配；
第二提取子模块，用于提取所述主分类标签及对应子分类标签关联的特征信息为当前关联的特征信息。
14.如权利要求13所述的装置，其特征在于，所述第一数据集生成模块包括：
排序子模块，用于将各用户对应的特征信息分类标签按其权重降序排序；
分类提取子模块，用于提取排序在前的N个特征信息特征信息分类标签，所述N为正整数；
频繁2项集计算子模块，用于将所述特征信息分类标签分别两两组合，计算各两两组合的特征信息分类标签的频繁2项集，所述频繁2项集包括两两组合的特征信息的分类标签以及对应的出现次数；
频繁1项集计算子模块，用于将各用户对应的特征信息分类标签进行归类，计算各特征信息分类标签的频繁1项集，所述频繁项集包括各特征信息的分类标签以及对应的出现次数；
支持度和置信度计算子模块，用于根据所述频繁2项集和频繁1项集，计算各特征信息分类标签的支持度和置信度，其中，所述支持度是指某两个特征信息分类标签同时出现的概率；所述置信度是指在出现某一特征信息分类标签的情况下，出现另一特征信息分类标签的概率；
过滤子模块，用于按照预置的支持度阈值和置信度阈值对所述特征信息分类标签进行过滤；
置信度排序子模块，用于按照所述置信度对所述特征信息分类标签进行排序；
保存子模块，用于将排序在首的特征信息的分类标签作为主分类标签，将其后的特征信息的分类标签作为子分类标签，保存生成第一特征信息数据集。
15.如权利要求11或12或14所述的装置，其特征在于，还包括：
排序模块，用于将各用户对应的特征信息分类标签按其权重降序排序；
分类提取模块，用于提取排序在前的M个特征信息分类标签，其中，所述M为正整数；
组合模块，用于将各用户标识对应的M个特征信息分类标签进行组合；
候选用户提取模块，用于提取具有所述特征信息分类标签组合的候选用户标识；
汇总模块，用于汇总所述候选用户标识对应的特征信息分类标签，保存生成第二特征信息数据集；
所述特征信息匹配模块包括：
第三提取子模块，用于将当前用户标识在第二特征信息数据集中，提取对应的特征信息分类标签为当前关联的特征信息。
16.如权利要求15所述的装置，其特征在于，所述满足预设要求的当前关联的特征信息为满足预设数量的当前关联的特征信息；或为，特征信息权重大于某预设阈值的当前关联的特征信息；或为，按特征信息权重降序排序在前的K个当前关联的特征信息，其中，所述K为正整数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201210193550.0A CN102760163B (zh) | 2012-06-12 | 2012-06-12 | 一种特征信息的个性化推荐方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201210193550.0A CN102760163B (zh) | 2012-06-12 | 2012-06-12 | 一种特征信息的个性化推荐方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN102760163A true CN102760163A (zh) | 2012-10-31 |
| CN102760163B CN102760163B (zh) | 2015-04-29 |
Family
ID=47054620
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201210193550.0A Expired - Fee Related CN102760163B (zh) | 2012-06-12 | 2012-06-12 | 一种特征信息的个性化推荐方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN102760163B (zh) |
Cited By (42)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102956017A (zh) * | 2012-11-19 | 2013-03-06 | 江苏乐买到网络科技有限公司 | 一种可为买家提供有针对性商品信息的网络团购方法 |
| CN103246725A (zh) * | 2013-05-06 | 2013-08-14 | 上海河广信息科技有限公司 | 一种基于无线网络的数据业务推送系统和方法 |
| CN103593434A (zh) * | 2013-11-12 | 2014-02-19 | 北京奇虎科技有限公司 | 应用推荐方法及装置、服务器设备 |
| CN104112217A (zh) * | 2013-12-24 | 2014-10-22 | 珠海优特电力科技股份有限公司 | 一种口味选择信息的标示方法及应用方法 |
| CN104424298A (zh) * | 2013-09-02 | 2015-03-18 | 联想(北京)有限公司 | 一种信息推送方法和电子设备 |
| CN104462594A (zh) * | 2014-12-29 | 2015-03-25 | 北京奇虎科技有限公司 | 一种提供用户个性化资源消息推送的方法和装置 |
| CN104462593A (zh) * | 2014-12-29 | 2015-03-25 | 北京奇虎科技有限公司 | 一种提供用户个性化资源消息推送的方法和装置 |
| CN104536989A (zh) * | 2014-12-10 | 2015-04-22 | 百度在线网络技术（北京）有限公司 | 电子出版物的推荐方法及装置 |
| CN104615721A (zh) * | 2015-02-06 | 2015-05-13 | 北京京东尚科信息技术有限公司 | 用于基于退货关联信息推荐商品的方法和系统 |
| CN104750789A (zh) * | 2015-03-12 | 2015-07-01 | 百度在线网络技术（北京）有限公司 | 标签的推荐方法及装置 |
| CN105069663A (zh) * | 2015-08-31 | 2015-11-18 | 中国科学院计算技术研究所 | 一种基于用户偏好的信息推送方法和装置 |
| CN105138572A (zh) * | 2015-07-27 | 2015-12-09 | 百度在线网络技术（北京）有限公司 | 获取用户标签的关联度权值的方法和装置 |
| CN105335856A (zh) * | 2014-08-10 | 2016-02-17 | 高康 | 一种基于射频识别的智慧城市的实现方法及系统 |
| CN106157083A (zh) * | 2015-04-14 | 2016-11-23 | 阿里巴巴集团控股有限公司 | 挖掘潜在客户的方法和装置 |
| CN106446115A (zh) * | 2016-09-18 | 2017-02-22 | 成都九鼎瑞信科技股份有限公司 | 移动上网用户分类方法及装置 |
| CN106503078A (zh) * | 2016-09-30 | 2017-03-15 | 维沃移动通信有限公司 | 一种应用程序的推荐方法、服务器和移动终端 |
| WO2017063420A1 (zh) * | 2015-10-12 | 2017-04-20 | 百度在线网络技术（北京）有限公司 | 用于确定用户需求的方法与装置 |
| 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 |
| CN106791966A (zh) * | 2016-12-28 | 2017-05-31 | 武汉斗鱼网络科技有限公司 | 一种基于改进型关联规则的直播间推荐方法及系统 |
| CN107096227A (zh) * | 2017-04-18 | 2017-08-29 | 腾讯科技（深圳）有限公司 | 一种电子资源分配方法和装置 |
| CN107153657A (zh) * | 2016-03-03 | 2017-09-12 | 北京搜狗科技发展有限公司 | 一种网络数据处理方法、装置及服务器 |
| CN107203899A (zh) * | 2017-05-03 | 2017-09-26 | 北京小米移动软件有限公司 | 信息推送方法及设备 |
| CN107563859A (zh) * | 2017-08-31 | 2018-01-09 | 深圳前海弘稼科技有限公司 | 商品推荐方法、装置、设备及存储介质 |
| CN103744904B (zh) * | 2013-12-25 | 2018-02-16 | 北京京东尚科信息技术有限公司 | 一种提供信息的方法及装置 |
| CN107729416A (zh) * | 2017-09-27 | 2018-02-23 | 上海斐讯数据通信技术有限公司 | 一种书籍的推荐方法及系统 |
| CN107833110A (zh) * | 2017-11-24 | 2018-03-23 | 美的智慧家居科技有限公司 | 家电推荐方法、系统、服务器及计算机可读存储介质 |
| CN108197288A (zh) * | 2018-01-16 | 2018-06-22 | 平安好房（上海）电子商务有限公司 | 根据用户特征偏好的房源推送方法、装置、设备及介质 |
| CN108804454A (zh) * | 2017-04-28 | 2018-11-13 | 华为技术有限公司 | 一种群画像方法、群画像装置及服务器 |
| CN109101553A (zh) * | 2018-07-11 | 2018-12-28 | 政采云有限公司 | 用于购买方非受益方的行业的采购用户评价方法和系统 |
| CN109410008A (zh) * | 2018-10-31 | 2019-03-01 | 中国石油大学(华东) | 一种融合频繁项集的油田业务服务推荐方法 |
| CN109447719A (zh) * | 2018-12-17 | 2019-03-08 | 厦门美柚信息科技有限公司 | 目标推广商品自动确定方法、装置、介质及电子设备 |
| CN110427395A (zh) * | 2019-08-12 | 2019-11-08 | 西安文理学院 | 一种计算机数据采集挖掘系统 |
| CN110442784A (zh) * | 2019-07-08 | 2019-11-12 | 中国平安人寿保险股份有限公司 | 信息推荐方法、装置、计算机设备以及存储介质 |
| CN110489453A (zh) * | 2019-07-02 | 2019-11-22 | 广东工业大学 | 基于大数据日志分析的用户游戏实时推荐方法及系统 |
| CN110674410A (zh) * | 2019-10-08 | 2020-01-10 | 北京物灵科技有限公司 | 用户画像构建、内容推荐方法、装置及设备 |
| US10534801B2 (en) | 2014-09-12 | 2020-01-14 | Huawei Technologies Co., Ltd. | Map screen determining method and apparatus |
| CN110750561A (zh) * | 2018-07-20 | 2020-02-04 | 深圳市诚壹科技有限公司 | 一种关联应用程序挖掘的方法及装置 |
| CN110807669A (zh) * | 2019-10-31 | 2020-02-18 | 深圳市云积分科技有限公司 | 一种跨平台的用户信息管理方法和装置 |
| CN111027895A (zh) * | 2019-05-16 | 2020-04-17 | 珠海随变科技有限公司 | 商品的备料预测、行为数据收集方法、装置、设备和介质 |
| CN111159545A (zh) * | 2019-12-24 | 2020-05-15 | 贝壳技术有限公司 | 推荐房源确定方法及装置、房源推荐方法及装置 |
| CN111768260A (zh) * | 2019-09-11 | 2020-10-13 | 北京京东尚科信息技术有限公司 | 推荐同兴趣用户的方法、装置及设备 |
| CN112184275A (zh) * | 2019-07-03 | 2021-01-05 | 北京百度网讯科技有限公司 | 人群细分方法、装置、设备及存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060059225A1 (en) * | 2004-09-14 | 2006-03-16 | A9.Com, Inc. | Methods and apparatus for automatic generation of recommended links |
| US20080301241A1 (en) * | 2007-06-01 | 2008-12-04 | Concert Technology Corporation | System and method of generating a media item recommendation message with recommender presence information |
| CN101685521A (zh) * | 2008-09-23 | 2010-03-31 | 北京搜狗科技发展有限公司 | 在网页中展现广告的方法及系统 |
| CN101957834A (zh) * | 2010-08-12 | 2011-01-26 | 百度在线网络技术（北京）有限公司 | 一种基于用户特征进行内容推荐的方法与设备 |
| CN102143224A (zh) * | 2011-01-25 | 2011-08-03 | 张金海 | 基于手机上网用户行为的分析方法和装置 |
| CN102402766A (zh) * | 2011-12-27 | 2012-04-04 | 纽海信息技术（上海）有限公司 | 一种基于网页浏览的用户兴趣建模方法 |
-
2012
- 2012-06-12 CN CN201210193550.0A patent/CN102760163B/zh not_active Expired - Fee Related
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060059225A1 (en) * | 2004-09-14 | 2006-03-16 | A9.Com, Inc. | Methods and apparatus for automatic generation of recommended links |
| US20080301241A1 (en) * | 2007-06-01 | 2008-12-04 | Concert Technology Corporation | System and method of generating a media item recommendation message with recommender presence information |
| CN101685521A (zh) * | 2008-09-23 | 2010-03-31 | 北京搜狗科技发展有限公司 | 在网页中展现广告的方法及系统 |
| CN101957834A (zh) * | 2010-08-12 | 2011-01-26 | 百度在线网络技术（北京）有限公司 | 一种基于用户特征进行内容推荐的方法与设备 |
| CN102143224A (zh) * | 2011-01-25 | 2011-08-03 | 张金海 | 基于手机上网用户行为的分析方法和装置 |
| CN102402766A (zh) * | 2011-12-27 | 2012-04-04 | 纽海信息技术（上海）有限公司 | 一种基于网页浏览的用户兴趣建模方法 |
Non-Patent Citations (1)
| Title |
|---|
| 李微娜: "《面向用户偏好的MADM方法在个性化推荐中的应用》", 《万方学位论文数据库》 * |
Cited By (54)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102956017A (zh) * | 2012-11-19 | 2013-03-06 | 江苏乐买到网络科技有限公司 | 一种可为买家提供有针对性商品信息的网络团购方法 |
| CN103246725A (zh) * | 2013-05-06 | 2013-08-14 | 上海河广信息科技有限公司 | 一种基于无线网络的数据业务推送系统和方法 |
| CN104424298A (zh) * | 2013-09-02 | 2015-03-18 | 联想(北京)有限公司 | 一种信息推送方法和电子设备 |
| CN104424298B (zh) * | 2013-09-02 | 2018-07-06 | 联想(北京)有限公司 | 一种信息推送方法和电子设备 |
| CN103593434A (zh) * | 2013-11-12 | 2014-02-19 | 北京奇虎科技有限公司 | 应用推荐方法及装置、服务器设备 |
| CN104112217A (zh) * | 2013-12-24 | 2014-10-22 | 珠海优特电力科技股份有限公司 | 一种口味选择信息的标示方法及应用方法 |
| CN103744904B (zh) * | 2013-12-25 | 2018-02-16 | 北京京东尚科信息技术有限公司 | 一种提供信息的方法及装置 |
| CN105335856A (zh) * | 2014-08-10 | 2016-02-17 | 高康 | 一种基于射频识别的智慧城市的实现方法及系统 |
| US10534801B2 (en) | 2014-09-12 | 2020-01-14 | Huawei Technologies Co., Ltd. | Map screen determining method and apparatus |
| CN104536989A (zh) * | 2014-12-10 | 2015-04-22 | 百度在线网络技术（北京）有限公司 | 电子出版物的推荐方法及装置 |
| CN104462593A (zh) * | 2014-12-29 | 2015-03-25 | 北京奇虎科技有限公司 | 一种提供用户个性化资源消息推送的方法和装置 |
| CN104462594A (zh) * | 2014-12-29 | 2015-03-25 | 北京奇虎科技有限公司 | 一种提供用户个性化资源消息推送的方法和装置 |
| CN104615721A (zh) * | 2015-02-06 | 2015-05-13 | 北京京东尚科信息技术有限公司 | 用于基于退货关联信息推荐商品的方法和系统 |
| CN104615721B (zh) * | 2015-02-06 | 2018-02-16 | 北京京东尚科信息技术有限公司 | 用于基于退货关联信息推荐商品的方法和系统 |
| CN104750789A (zh) * | 2015-03-12 | 2015-07-01 | 百度在线网络技术（北京）有限公司 | 标签的推荐方法及装置 |
| CN104750789B (zh) * | 2015-03-12 | 2018-10-16 | 百度在线网络技术（北京）有限公司 | 标签的推荐方法及装置 |
| CN106157083B (zh) * | 2015-04-14 | 2020-04-24 | 阿里巴巴集团控股有限公司 | 挖掘潜在客户的方法和装置 |
| CN106157083A (zh) * | 2015-04-14 | 2016-11-23 | 阿里巴巴集团控股有限公司 | 挖掘潜在客户的方法和装置 |
| CN105138572B (zh) * | 2015-07-27 | 2019-12-10 | 百度在线网络技术（北京）有限公司 | 获取用户标签的关联度权值的方法和装置 |
| CN105138572A (zh) * | 2015-07-27 | 2015-12-09 | 百度在线网络技术（北京）有限公司 | 获取用户标签的关联度权值的方法和装置 |
| CN105069663A (zh) * | 2015-08-31 | 2015-11-18 | 中国科学院计算技术研究所 | 一种基于用户偏好的信息推送方法和装置 |
| WO2017063420A1 (zh) * | 2015-10-12 | 2017-04-20 | 百度在线网络技术（北京）有限公司 | 用于确定用户需求的方法与装置 |
| CN107153657A (zh) * | 2016-03-03 | 2017-09-12 | 北京搜狗科技发展有限公司 | 一种网络数据处理方法、装置及服务器 |
| CN106446115A (zh) * | 2016-09-18 | 2017-02-22 | 成都九鼎瑞信科技股份有限公司 | 移动上网用户分类方法及装置 |
| CN106503078A (zh) * | 2016-09-30 | 2017-03-15 | 维沃移动通信有限公司 | 一种应用程序的推荐方法、服务器和移动终端 |
| 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 |
| CN106791966B (zh) * | 2016-12-28 | 2019-11-15 | 武汉斗鱼网络科技有限公司 | 一种基于改进型关联规则的直播间推荐方法及系统 |
| CN106791966A (zh) * | 2016-12-28 | 2017-05-31 | 武汉斗鱼网络科技有限公司 | 一种基于改进型关联规则的直播间推荐方法及系统 |
| CN107096227A (zh) * | 2017-04-18 | 2017-08-29 | 腾讯科技（深圳）有限公司 | 一种电子资源分配方法和装置 |
| CN108804454B (zh) * | 2017-04-28 | 2021-12-10 | 华为技术有限公司 | 一种群画像方法、群画像装置及服务器 |
| CN108804454A (zh) * | 2017-04-28 | 2018-11-13 | 华为技术有限公司 | 一种群画像方法、群画像装置及服务器 |
| CN107203899A (zh) * | 2017-05-03 | 2017-09-26 | 北京小米移动软件有限公司 | 信息推送方法及设备 |
| CN107563859A (zh) * | 2017-08-31 | 2018-01-09 | 深圳前海弘稼科技有限公司 | 商品推荐方法、装置、设备及存储介质 |
| CN107729416B (zh) * | 2017-09-27 | 2021-11-19 | 杭州泰酷科技有限公司 | 一种书籍的推荐方法及系统 |
| CN107729416A (zh) * | 2017-09-27 | 2018-02-23 | 上海斐讯数据通信技术有限公司 | 一种书籍的推荐方法及系统 |
| CN107833110A (zh) * | 2017-11-24 | 2018-03-23 | 美的智慧家居科技有限公司 | 家电推荐方法、系统、服务器及计算机可读存储介质 |
| CN107833110B (zh) * | 2017-11-24 | 2021-05-28 | 美的智慧家居科技有限公司 | 家电推荐方法、系统、服务器及计算机可读存储介质 |
| CN108197288B (zh) * | 2018-01-16 | 2020-09-01 | 平安好房（上海）电子商务有限公司 | 根据用户特征偏好的房源推送方法、装置、设备及介质 |
| CN108197288A (zh) * | 2018-01-16 | 2018-06-22 | 平安好房（上海）电子商务有限公司 | 根据用户特征偏好的房源推送方法、装置、设备及介质 |
| CN109101553A (zh) * | 2018-07-11 | 2018-12-28 | 政采云有限公司 | 用于购买方非受益方的行业的采购用户评价方法和系统 |
| CN110750561A (zh) * | 2018-07-20 | 2020-02-04 | 深圳市诚壹科技有限公司 | 一种关联应用程序挖掘的方法及装置 |
| CN109410008B (zh) * | 2018-10-31 | 2021-06-04 | 中国石油大学(华东) | 一种融合频繁项集的油田业务服务推荐方法 |
| CN109410008A (zh) * | 2018-10-31 | 2019-03-01 | 中国石油大学(华东) | 一种融合频繁项集的油田业务服务推荐方法 |
| CN109447719A (zh) * | 2018-12-17 | 2019-03-08 | 厦门美柚信息科技有限公司 | 目标推广商品自动确定方法、装置、介质及电子设备 |
| CN111027895A (zh) * | 2019-05-16 | 2020-04-17 | 珠海随变科技有限公司 | 商品的备料预测、行为数据收集方法、装置、设备和介质 |
| CN110489453A (zh) * | 2019-07-02 | 2019-11-22 | 广东工业大学 | 基于大数据日志分析的用户游戏实时推荐方法及系统 |
| CN112184275A (zh) * | 2019-07-03 | 2021-01-05 | 北京百度网讯科技有限公司 | 人群细分方法、装置、设备及存储介质 |
| CN112184275B (zh) * | 2019-07-03 | 2023-08-08 | 北京百度网讯科技有限公司 | 人群细分方法、装置、设备及存储介质 |
| CN110442784A (zh) * | 2019-07-08 | 2019-11-12 | 中国平安人寿保险股份有限公司 | 信息推荐方法、装置、计算机设备以及存储介质 |
| CN110427395A (zh) * | 2019-08-12 | 2019-11-08 | 西安文理学院 | 一种计算机数据采集挖掘系统 |
| CN111768260A (zh) * | 2019-09-11 | 2020-10-13 | 北京京东尚科信息技术有限公司 | 推荐同兴趣用户的方法、装置及设备 |
| CN110674410A (zh) * | 2019-10-08 | 2020-01-10 | 北京物灵科技有限公司 | 用户画像构建、内容推荐方法、装置及设备 |
| CN110807669A (zh) * | 2019-10-31 | 2020-02-18 | 深圳市云积分科技有限公司 | 一种跨平台的用户信息管理方法和装置 |
| CN111159545A (zh) * | 2019-12-24 | 2020-05-15 | 贝壳技术有限公司 | 推荐房源确定方法及装置、房源推荐方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN102760163B (zh) | 2015-04-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102760163B (zh) | 一种特征信息的个性化推荐方法及装置 | |
| JP5984834B2 (ja) | ウェブサイト横断情報を表示する方法およびシステム | |
| CN106651546B (zh) | 一种面向智慧社区的电子商务信息推荐方法 | |
| US20220138831A1 (en) | Method of Providing Fashion Item Recommendation Service Using User's Body Type and Purchase History | |
| CN102609860A (zh) | 一种适用于电子商务的商品与信息分类推荐方法及系统 | |
| CN108648059B (zh) | 订单推荐方法及装置 | |
| CN108009897A (zh) | 一种商品的实时推荐方法、系统及可读存储介质 | |
| WO2020243894A1 (zh) | 一种广告推荐方法、装置及电子设备 | |
| KR20200045668A (ko) | 스타일 추천 방법, 장치 및 컴퓨터 프로그램 | |
| KR102227552B1 (ko) | 상황인지 알고리즘 기반 리뷰 카테고리를 이용한 음식점 노출 개인화 서비스 제공 시스템 | |
| CN106202516A (zh) | 一种根据时间节点的电子商务平台商品展示方法 | |
| CN105718184A (zh) | 一种数据处理方法和装置 | |
| KR101677128B1 (ko) | 화장품 성분정보를 이용한 상품 탐색 모바일 애플리케이션 | |
| CN102667777A (zh) | 检索辅助系统、检索辅助方法以及检索辅助程序 | |
| CN105809475A (zh) | “互联网+旅游”环境下支持o2o应用的商品推荐方法 | |
| CN103246980A (zh) | 信息输出方法及服务器 | |
| TW201539346A (zh) | 提供使用者評價資訊的方法及系統 | |
| CN108664564A (zh) | 一种基于物品内容特征的改进协同过滤推荐方法 | |
| KR101707660B1 (ko) | 연관 검색어를 이용한 관심사 카테고리 기반 이커머스 시스템 | |
| CN116894709A (zh) | 一种广告商品推荐方法和系统 | |
| CN109584003A (zh) | 智能推荐系统 | |
| JP6698730B2 (ja) | 抽出装置、抽出方法及び抽出プログラム | |
| KR20210131198A (ko) | 추천 상품 광고 방법, 장치 및 컴퓨터 프로그램 | |
| KR20220039697A (ko) | 코디네이션 패션 아이템을 추천하는 방법 | |
| Leitner et al. | Scalable social software services: towards a shopping community model based on analyses of established web service components and functions |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| ASS | Succession or assignment of patent right |
Owner name: BEIJING QIHU TECHNOLOGY CO., LTD. Free format text: FORMER OWNER: QIZHI SOFTWARE (BEIJING) CO., LTD. Effective date: 20121026 Owner name: QIZHI SOFTWARE (BEIJING) CO., LTD. Effective date: 20121026 |
|
| C41 | Transfer of patent application or patent right or utility model | ||
| COR | Change of bibliographic data |
Free format text: CORRECT: ADDRESS; FROM: 100016 CHAOYANG, BEIJING TO: 100088 XICHENG, BEIJING |
|
| TA01 | Transfer of patent application right |
Effective date of registration: 20121026 Address after: 100088 Beijing city Xicheng District xinjiekouwai Street 28, block D room 112 (Desheng Park) Applicant after: Beijing Qihu Technology Co., Ltd. Applicant after: Qizhi Software (Beijing) Co., Ltd. Address before: The 4 layer 100016 unit of Beijing city Chaoyang District Jiuxianqiao Road No. 14 Building C Applicant before: Qizhi Software (Beijing) Co., Ltd. |
|
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C14 | Grant of patent or utility model | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20150429 Termination date: 20190612 |
|
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| RR01 | Reinstatement of patent right |
Former decision: Patent right to terminate Former decision publication date: 20200602 |
|
| RR01 | Reinstatement of patent right | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20150429 Termination date: 20210612 |