CN103729383B - 商品信息的推送方法和装置 - Google Patents
商品信息的推送方法和装置 Download PDFInfo
- Publication number
- CN103729383B CN103729383B CN201210392599.9A CN201210392599A CN103729383B CN 103729383 B CN103729383 B CN 103729383B CN 201210392599 A CN201210392599 A CN 201210392599A CN 103729383 B CN103729383 B CN 103729383B
- Authority
- CN
- China
- Prior art keywords
- price
- user
- network behavior
- commodity
- training
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION 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
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Databases & Information Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本申请公开了一种商品信息的推送方法和装置,在该方法中,根据用户对商品发生网络行为的次数来确定商品价格区间,能够准确可靠地区分商品价格区间,从而能够得到完整的价格区间数据,能够克服现有技术中根据商品价格来划分商品的价格区间导致价格区间数据不准确的问题,并根据用户对商品发生网络行为的次数和商品价格区间来确定用户的购买力区间,向用户推送与用户的购买力区间对应的商品信息,能够基于准确完整的类目价格区间数据进行有效、准确的商品信息推送,能够解决现有技术中商品信息推送而无法搜索匹配到准确的商品信息,以及搜索匹配操作过多地占用系统资源、降低系统处理效率的问题。
Description
技术领域
本申请涉及信息处理技术领域,具体地,涉及一种商品信息的推送方法和装置。
背景技术
电子商务网站为了管理交易商品的商品信息,将各种商品归纳为一种逻辑形式的类目树,类目树中的节点包括根类目、子类目和叶子类目,叶子类目归属于子类目,子类目归属于根类目,例如,在女装的类目树中,根类目为女装,女装根类目下的子类目包括上衣和裤子,上衣子类目下的叶子类目包括衬衣和毛衣。
电子商务网站还会对类目中全部商品的价格进行分类,将同一类目下的商品价格划分为连续的多个价格区间。目前采用面积等分的方法来确定价格区间,例如,首先确定一个类目下不同的商品价格,将一个商品价格与该商品价格下发生网购行为的用户数量的乘积作为该商品价格的价格总和,将该类目下不同商品价格的价格总和相加后进行三等分求出等分值点,根据等分值点对应的商品价格可以得到三个价格区间,这三个价格区间分别为高、中、低价格区间。确定出来的每一类目下商品的价格区间可以作为多种网络应用的基础数据。例如,用户在一个类目下商品的购买力区间与该类目下商品的价格区间相对应,即根据用户的历史网购行为确定用户在一个类目下发生较多网络行为(例如购买和浏览行为)的价格区间,如果用户在高价格区间发生了较多的网购行为,则用户在该类目下的购买力为高购买力,在商品信息推荐时,检索匹配与用户在该类目下购买力区间相符的商品信息,即向用户推送该类目下与用户的高购买力区间对应的商品信息。
但是,在目前确定某一类目下商品的价格区间的面积等分算法中,存在明显的不合理的问题。
如果一个类目下的商品价格存在异常数值,例如一个商品大部分的价格为50元,但是存在一个异常数值10000元,这样的情况下采用面积等分算法时,通常会人工预先对异常数值进行过滤,去掉明显不合理的异常数值,但是人工过滤掉异常数值的操作通常和操作人员的经验以及对商品的熟悉程度有关,当一个商品的价格中的确存在明显区别于大部分价格数值的价格数值时,尽管该价格数值是真实数值,也有可能被人工过滤掉,这样就会造成划分出来的价格区间不准确的问题;
对于类目中的价格的数值较为集中的情况,计算出来的价格分界点存在重合,从而无法划分出价格区间,这样的类目也无法作为基础数据。
可见,目前根据商品价格计算价格区间的方法,存在类目价格区间数据不准确不完整的问题。
当向用户推送商品信息时,以不准确不完整的类目价格区间数据进行检索匹配会导致至少以下两个问题:第一,如果基础数据中不存在用户所关注的类目,这样系统向用户推送商品信息时,就无法匹配到准确的商品信息;第二,当无法匹配到用户所关注的类目的商品信息时,系统会多次进行匹配处理,直到满足匹配循环终止条件时才会结束匹配处理,这样就会造成过多地占用系统资源、降低系统处理效率的问题。
可见,现有的商品信息推送方法中,根据商品价格来划分类目的价格区间,导致类目价格区间数据不准确不完整的问题,以及基于不准确不完整的类目价格区间数据进行商品信息推送,导致无法搜索匹配到准确的商品信息,搜索匹配操作过多地占用系统资源、降低系统处理效率的问题。
发明内容
有鉴于此,本申请实施例提供了一种商品信息的推送方法和装置,用以解决现有技术中根据商品价格来划分类目的价格区间,导致类目价格区间数据不准确不完整的问题,以及基于不准确不完整的类目价格区间数据进行商品信息推送,导致无法搜索匹配到准确的商品信息,搜索匹配操作过多地占用系统资源、降低系统处理效率的问题。
本申请实施例技术方案如下:
一种商品信息的推送方法,包括:根据不同价格对应的商品上发生的网络行为的次数,将商品的价格分为至少两个实际价格区间;根据当前用户对每个价格对应的商品发生网络行为的次数,确定当前用户的购买力区间,购买力区间为所述至少两个实际价格区间中用户发生网络行为概率最高的实际价格区间;及,根据当前用户的购买力区间,推送该购买力区间对应的商品信息或服务。
一种商品信息的推送装置,包括:第一确定模块,用于根据不同价格对应的商品上发生的网络行为的次数,将商品的价格分为至少两个实际价格区间;第二确定模块,用于根据当前用户对每个价格对应的商品发生网络行为的次数,确定当前用户的购买力区间,购买力区间为所述第一确定模块确定的所述至少两个实际价格区间中用户发生网络行为概率最高的实际价格区间;推送模块,用于根据当前用户的购买力区间,推送该购买力区间对应的商品信息或服务。
本申请实施例根据用户对商品发生网络行为的次数来确定商品的价格区间,能够准确可靠地区分商品的价格区间,从而能够得到完整的商品的价格区间数据,能够克服现有技术中根据商品价格来划分价格区间导致价格区间数据不准确的问题,并根据用户对商品发生网络行为的次数和所划分的商品的价格区间来确定用户的购买力区间,向用户推送与用户的购买力区间对应的商品信息,能够基于准确完整的商品的价格区间数据进行有效、准确的商品信息推送,从而能够降低搜索匹配操作所占用的系统资源,提高系统处理效率,解决现有技术中商品信息推送而无法搜索匹配到准确的商品信息,以及搜索匹配操作过多地占用系统资源、降低系统处理效率的问题。
本申请的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本申请而了解。本申请的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
图1为本申请实施例提供的商品信息的推送方法的工作流程图;
图2a为图1中所示确定类目的价格区间的方法的工作流程图;
图2b为图2a中确定用户归属的训练价格区间的工作流程图;
图2c为图2a中在每个训练价格区间中确定价格分界点的工作流程图;
图3为本申请实施例提供的商品信息的推送装置的结构框图。
具体实施方式
以下结合附图对本申请的实施例进行说明,应当理解,此处所描述的实施例仅用于说明和解释本申请,并不用于限定本申请。
本申请实施例提出了一种商品信息的推送方法,该方法根据不同价格对应的商品发生网络行为的次数确定出商品的价格区间,基于确定出来的价格区间,根据一个用户对商品发生网络行为的次数确定该用户所对应的价格区间也即购买力区间,并根据用户的购买力区间,向用户推送购买力区间中的价格对应的商品信息或服务。
图1为本申请实施例提供的商品信息的推送方法的工作流程图,如图1所示,该方法包括:
步骤11、根据不同价格对应的商品上发生的网络行为的次数,将商品的价格分为至少两个实际价格区间;
步骤12、根据当前用户对每个价格对应的商品发生网络行为的次数,确定当前用户的购买力区间,购买力区间属于所述至少两个实际价格区间的其中之一;用户的购买力区间为在至少两个实际价格区间中用户发生网络行为的概率最高的实际价格区间。
步骤13、根据当前用户的购买力区间,推送该购买力区间对应的商品信息或服务。
其中,所述的商品,优选地,可以是同一类目下的商品。可以理解的,所述商品也可以是不同类目下的商品。
所述的网络行为包括用户对商品的点击浏览行为、对商品的购买行为和/或对商品页面的收藏行为。所述网络行为的对象可以是商品信息或提供商品信息的页面,并不限定于商品本身。
通过如图1所示的方法,本实施例根据不同价格对应的商品上发生网络行为的次数来确定商品的价格区间,能够准确可靠地区分商品的价格区间,从而能够得到完整的价格区间数据,能够克服现有技术中根据商品价格来划分价格区间导致价格区间数据不准确的问题,并根据当前用户对商品发生网络行为的次数确定当前用户的购买力区间,向当前用户推送与当前用户的购买力区间对应的商品信息或服务,能够基于准确完整的类目价格区间数据进行有效、准确的商品信息推送,从而能够降低搜索匹配操作所占用的系统资源,提高系统处理效率,解决现有技术中商品信息推送而无法搜索匹配到准确的商品信息,以及搜索匹配操作过多地占用系统资源、降低系统处理效率的问题。
步骤11中,本申请实施例确定商品的价格区间的依据是用户对价格对应的商品发生网络行为的次数。用户对商品发生网络行为的次数,可以体现用户的倾向,例如,用户在一个类目中的低价价格区间上的价格对应的商品发生网络行为的次数明显高于用户在高价价格区间上的价格对应的商品发生网络行为的次数,这种情况下,用户的倾向就是低价价格区间。这样,在用户具有显著的价格倾向的情况下,可以将商品对应的各个价格划分为多个价格区间。但是,用户在选择商品时,通常会对一个类目下的多个价格对应的商品发生网络行为,而在很多种情况下,用户对这多个价格对应的商品发生网络行为的次数的区别并不是十分显著,也即在很多情况下用户的价格倾向并不明显,这样就无法简单地划分出商品的价格区间。
针对于此,本申请实施例将一个类目下的商品价格划分为多个训练价格区间,基于该训练价格区间进行用户群划分操作,即将用户样本划分出能够体现用户对各个训练价格区间的价格倾向的用户群;基于该用户群进行确定价格分界点的操作,即基于划分得到的用户群确定出一个训练价格区间上用户对价格对应的商品较为稳定地发生网络行为的一个价格,将该具有稳定网络行为的价格作为价格分界点;最后,将该类目下的全部训练价格区间上由各个价格分界点重新构成的价格区间作为最终确定得到的该类目下的实际价格区间。
图2a中示出了图1中所示确定用户的购买力区间的方法的工作流程图。
确定用户的购买力区间的方法包括步骤21-步骤25。
步骤21,建立同一类目下商品的训练价格区间。
在本步骤中,同一类目下的商品价格划分为至少两个连续的训练价格区间,每个训练价格区间包括至少一个价格。在本申请一个实例中,基于价格对应的商品发生网络行为的次数将同一个类目下商品价格划分为至少两个训练价格区间。
具体地,可以将部分或全部用户在预定时间内段的历史网络行为数据作为用户样本,将用户样本中的用户对一个类目下的各个价格按照从小到大的顺序进行排序,分别统计每个价格上的商品发生网络行为的次数,统计该类目下用户对商品发生的网络行为的总次数。将对商品发生的网络行为的总次数按照预定数量进行等分。所述预定数量大于或等于2,所述预定数量与训练价格区间数量一致,如需将同一类目下商品价格划分两个训练价格区间,对应地将所述同一类目的商品发生的网络行为的总次数划分为两等分,得到所述总次数的一个或多个等分点。如,总次数为9,进行三等分,可以得到3、6两个等分点。
将任一价格上的商品发生网络行为的次数与小于该价格的其他价格(也即排序该价格之前的所有)对应的商品上发生网络行为的次数进行累加,得到该价格对应的网络行为次数累加值,找出大于或等于所述等分点且与所述等分点差值最小的累加值所对应的价格,该价格即为所述训练价格区间的分界点。
例如,一个类目下的价格为“20元”、“30元”、“40元”和“50元”,对四个价格按照从小到大的顺序进行排序,即“20元”、“30元”、“40元”、“50元”。确定各个价格对应的商品发生网络行为的次数,“20元”对应的商品发生网络行为的次数为50次,“30元”对应的商品发生网络行为的次数为80次,“40元”对应的商品发生网络行为的次数为60次,“50元”对应的商品发生网络行为的次数为110次。依次计算得到每个价格与排序在该价格之前的所有价格的商品上发生网络行为的次数的累加值。排序后的第1个价格、第2个价格、第3个价格、第4个价格对应的累加值分别为50次、130次、190次和300次。当预设将同一类目下的商品价格划分为2个价格区间时,所述的预定数量为2。对这300次进行二等分,则等分点为150次。如此,可以确定大于或等于所述等分点且与所述等分点差值最小的累加值为190次,该累加值所对应的价格为第三个价格,即“40元”。将“40元”作为所述训练价格区间的价格分界点,则“20元”至“40元”间的价格区间的为第一个训练价格区间,“40元”至“50元”间的价格区间为第二个训练价格区间。可以理解地,在确定所述训练价格区间的分界点时,也可以将与所述等分点差值最小的累加值所对应的价格作为所述训练价格区间的分界点。在上述具体实例中,与所述等分点差值最小的累加值为130次,对应的价格为“30元”,因此,也可以将“30元”作为所述训练价格区间的分界点。
在本申请另一些实例中,也可以基于价格的数值与该价格对应的商品发生网络行为的次数的乘积来进行所述训练价格区间的划分。具体地,可以将用户样本中的用户对一个类目下的各个价格按照从小到大的顺序进行排序,分别计算每个价格的数值与该价格对应的商品发生网络行为的次数的乘积,得到每个价格对应的所述乘积。对于任一价格,获得该价格与排序在该价格之前的所有价格对应的所述乘积进行累加得到累计额。如此,获得每一价格对应的所述累计额。将全部价格对应的所述乘积累加获得所述乘积的总额。将所述乘积的总额进行若干等分。将与所述等分点差值最小的累计额所对应的价格作为所述训练价格区间的分界点。也可以将大于或等于所述等分点且与所述等分点差值最小的累计额所对应的价格作为所述训练价格区间的分界点。
步骤22,根据用户的网络行为数据将用户划分为分别对应所述训练价格区间的用户群。
用户在不同的训练价格区间的网络行为具有不同的倾向性,因此可以根据用户网络行为对各训练价格区间的倾向性将用户分为与各训练价格区间对应的集合。比如,用户的网络行为发生在高价格的训练价格区间的倾向性比发生在低价格的训练价格区间的倾向性大,则该用户可以分到预设的与高价格的训练价格区间对应的高价倾向用户群,反之则可以将该用户分到预设的与低价格的训练价格区间对应的低价倾向用户群。
根据用户样本中的用户对该类目下不同价格对应的商品发生网络行为的次数,确定与各个训练价格区间相对应的用户群,对应于所述用户群的训练价格区间为该用户群中的用户所倾向的训练价格区间。
如上所述,通常用户的价格倾向并不明显,在这种情况下要对用户进行用户群划分,本申请实施例采用循环迭代的方法来划分用户群,以拉开用户倾向的区分度。
图2b中示出了根据所述训练价格区间划分倾向于不同训练价格区间的用户群。
根据训练价格区间划分用户群的方法包括:
步骤221,所述训练价格区间的用户群的初始划分。
对于用户样本中的一个用户,将该用户对一个训练价格区间上一个价格的商品发生的网络行为的次数与该价格的价格权值的乘积作为该用户对该价格的价格倾向系数。所述价格权值在首次进行用户群划分时可以为预定参数(例如,预定参数为1)。在后续使用迭代的方式对用户群的划分进行校正时,当前步骤中的所述价格权值可以是前一次用户群划分后计算得到的参数。
该用户在一个训练价格区间上的全部价格的价格倾向系数的和值为该用户在该训练价格区间上的网络行为倾向系数。可以用公式来计算网络行为倾向系数,其中,Qr(s)为第s个用户在第r个训练价格区间上的网络行为倾向系数,qi为第i个价格的权值,Ni(s)为第s个用户对第i个价格对应的商品发生网络行为的次数,k为第r个训练价格区间中全部价格的数量;s,i,r,k为自然数。
对比该用户在该类目下每个训练价格区间上的网络行为倾向系数,将网络行为倾向系数最高的训练价格区间作为该用户倾向的训练价格区间。倾向于同一个训练价格区间的用户构成与该训练价格区间相对应的中间用户群。当用户归属于某一用户群时可以表示该用户网络行为在该用户群对应的训练价格区间内具有最强的倾向性。
步骤222、将所述价格权值作为迭代变量,根据当前划分的中间用户群对每一价格对应的商品发生网络行为的次数计算该价格的价格权值。
在进行迭代运算时,将一个价格所在的训练价格区间对应的中间用户群中的用户对该价格对应的商品发生网络行为的平均次数确定为该价格的新的价格权值。
步骤223、根据新的价格权值对用户在所述训练价格区间上的网络行为倾向系数进行迭代运算,根据运算结果重新进行对用户群的划分。
使用迭代的方式对用户重新进行划分时,基于当前用户群计算得到的每一价格的价格权值计算用户当前对每一训练价格区间的网络行为倾向系数,并根据迭代计算得到的网络行为倾向系数重复步骤221对用户进行用户群的划分。
步骤224、根据预设的迭代结束条件判断是否结束迭代运算。
为了避免迭代无限进行,可以设定特定的结束条件。比较容易实现的一种方式是,预设一迭代次数阈值,当所述迭代运算的次数达到该阈值时结束迭代运算。
而为了保证达到合理的用户群划分准确性,优选的,另一种结束迭代的方式包括:对于一个训练价格区间上的一个价格,将该价格相邻两次确定的价格权值之间的差值的平方值作为迭代分量,将该类目下全部迭代分量的和值作为迭代向量,判断相邻两次确定的迭代向量之间的差值是否处于预定的阈值区间中,如果该差值处于预定的阈值区间中,处理进行到步骤225,如果不处于预定的阈值区间中,则进行下一次用户群的划分处理,处理返回步骤223;
步骤225、将迭代运算结束后得到的用户群的划分作为最终确定的用户群的分类。
优选地,在具体实现的过程中,可以先在用户样本中随机选取一小部分用户数据作为训练样本,通过该训练样本执行步骤221-步骤224,得到每个训练价格区间中的价格权值,然后再采用全部用户样本的数据执行步骤221-步骤224确定出最终的用户群,这样能够提高计算速度和计算效率、节省计算时间。
步骤23、根据每个用户群中的用户对其倾向的训练价格区间中的各个价格对应商品的网络行为概率,在每个训练价格区间中确定价格分界点。
进一步地,图2c示出了在每个训练价格区间中确定价格分界点的处理,步骤23包括如下子步骤231-233。
子步骤231、根据用户样本中每个用户对各自所倾向的训练价格区间中每个价格对应的商品发生网络行为的次数,分别确定用户样本中每个用户对于各自所倾向的训练价格区间内的每个价格的网络行为概率。
用户对某一价格的网络行为概率为该用户对该价格对应的商品发生网络行为的概率。具体地,网络行为概率可以为该用户对该价格对应的商品发生网络行为的次数与该用户对类目中全部价格对应的商品发生网络行为的总次数的商值,即,其中,Pi(s)为第s个用户第i个价格的网络行为概率,Ni(s)为第s个用户对第i个价格对应的商品发生网络行为的次数,k为类目中全部价格的数量。其中,所述网络行为包括针对商品的购买、浏览、收藏、列表和搜索行为。分别确定出每个用户对于各自所倾向的训练价格区间内的每个价格的用户网络行为概率。
子步骤232、根据用户对价格的网络行为概率,确定每一价格的网络行为稳定系数。
价格的网络行为稳定系数可以根据该价格所在的训练价格区间对应的用户群中的全部用户对于该价格的网络行为概率确定。具体的,所述价格的网络行为稳定系数为该价格所在的训练价格区间对应的用户群中的全部用户对于该价格的网络行为概率的熵值的倒数,即,其中,H(Pi)为第i个价格的网络行为稳定系数,为第i个价格所在的训练价格区间对应的用户群中的全部用户对于该价格的网络行为概率的熵值,Pi(s)为第s个用户对第i个价格的网络行为概率,M为第i个价格所在的训练价格区间对应的用户群中的全部用户的数量。
子步骤233、在一个训练价格区间内全部价格的网络行为稳定系数中,将网络行为稳定系数最高的价格作为该训练价格区间中的价格分界点。
步骤24、根据价格分界点确定实际价格区间。
将该类目样本下所确定的各训练价格区间中的价格分界点作为该类目样本的实际价格区间分界点,由实际价格区间分界点划分的价格区间为该类目样本的实际价格区间。
步骤25、基于上述划分出来的实际价格区间,确定用户的购买力区间。
所述购买力区间根据用户在各实际价格区间的网络行为概率统计而在实际价格区间中选择得到。
对于一个用户,根据该用户对于上述类目中每个价格对应的商品发生网络行为的次数,确定该用户对该类目中每个实际价格区间内的每个价格的网络行为概率,根据该用户在实际价格区间内的每个价格的网络行为概率的总和可以得到用户在每个实际价格区间的网络行为概率,用户在每个实际价格区间的网络行为概率最高的价格区间为该用户的购买力区间。如此,可以分别确定出每个用户的购买力区间。
具体地,用户对实际价格区间上的一个价格的网络行为概率可用以下公式表示,其中,Pt(s)为第s个用户对于实际价格区间中第t个价格的网络行为概率,Nt(s)为第s个用户对第t个价格对应的商品发生网络行为的次数,h为类目中全部价格的数量。其中,s、t、h为自然数,所述网络行为包括针对商品的购买、浏览、收藏、列表和搜索行为。
用户在一个实际价格区间上的网络行为概率可以用以下公式表示,其中,Ul(s)为第s个用户在第l个实际价格区间上的网络行为概率,Pt(s)为第s个用户对于第l个实际价格区间中第t个价格的网络行为概率,f为第l个实际价格区间中的价格的数量,其中,s、l、t、f为自然数。
根据上述划分的价格区间以及确定得到的用户的购买力区间,在进行商品信息或服务推送时,向用户推送用户的购买力区间对应的商品信息或服务。
根据如图2a所示的处理方法,根据用户对商品发生网络行为的次数来确定一个类目下的商品价格区间,能够准确可靠地区分一个类目下的商品价格区间,从而能够得到完整的价格区间数据,能够克服现有技术中根据商品价格的大小来划分类目的价格区间导致价格区间数据不准确的问题,从而为确定用户的购买力区间提供了准确完整的数据依据。
优选地,在执行上述步骤21之前,还可以对样本中的商品价格进行离散化处理以减小类目中商品价格的维度数,这样可以减小对用户样本分类及价格区间确定中的计算量。具体地,可以将每个价格除以预定的离散参数(例如取离散参数为10)后取整,以此作为商品对应的新价格,并以此新价格进行划分价格区间的处理。
通过上述处理过程,第一,基于价格对应的商品发生网络行为的次数来划分实际价格区间,能够有效地反映出用户对各个价格对应的商品的真实倾向,能够避免现有技术中仅根据商品的价格来划分价格区间导致计算出来的价格区间不正确的问题;第二,基于价格对应的商品发生网络行为的次数来划分实际价格区间,不需要人工对价格进行过滤,从而能够保留真实价格,反映真实的价格情况,能够避免现有技术中人工过滤价格导致价格区间不准确的问题;第三,基于价格对应的商品发生网络行为的次数来划分实际价格区间,能够避免现有技术中价格的数值较为集中,计算出来的价格分界点存在重合而无法划分价格区间的问题。
通过如上所述的处理过程,根据用户对商品发生网络行为的次数来确定一个类目下的商品价格区间,能够准确可靠地区分一个类目下的商品价格区间,从而能够得到完整的类目价格区间数据,能够克服现有技术中根据商品价格来划分类目的价格区间导致价格区间数据不准确的问题,并根据用户对该类目下的商品发生网络行为的次数和该类目下的商品价格区间来确定用户的购买力区间,向用户推送与用户的购买力区间对应的商品信息,能够基于准确完整的类目价格区间数据进行有效、准确的商品信息推送,从而能够降低搜索匹配操作所占用的系统资源,提高系统处理效率,解决现有技术中商品信息推送而无法搜索匹配到准确的商品信息,以及搜索匹配操作过多地占用系统资源、降低系统处理效率的问题。
基于相同的发明构思,本申请实施例还提供了一种商品信息的推送装置。
图3示出了本申请实施例提供的商品信息的推送装置的结构框图,如图3所示,该装置包括:
第一确定模块31,用于根据不同价格对应的商品上发生的网络行为的次数,将商品的价格分为至少两个实际价格区间;
第二确定模块32,连接至第一确定模块31,用于根据当前用户对每个价格对应的商品发生网络行为的次数,确定当前用户的购买力区间,购买力区间为所述第一确定模块31确定的所述至少两个实际价格区间中用户发生网络行为概率最高的实际价格区间;
推送模块33,连接至第二确定模块32,用于根据当前用户的购买力区间,推送该购买力区间中价格对应的商品信息或服务。
具体地,第一确定模块31具体用于:
(1)将商品价格划分为至少两个连续的训练价格区间,每个训练价格区间包括至少一个价格;具体地,分别统计每个价格上的商品发生网络行为的次数,统计对商品发生的网络行为的总次数;将对商品发生的网络行为的总次数按照预定数量进行等分;将任一价格上的商品发生网络行为的次数与小于该价格的其他价格对应的商品上发生网络行为的次数进行累加,得到该价格对应的网络行为次数累加值,找出大于或等于所述等分点且与所述等分点差值最小的累加值所对应的价格,并将该价格作为所述训练价格区间的分界点;或者,将用户样本中的用户对一个类目下的各个价格按照从小到大的顺序进行排序;分别计算每个价格的数值与该价格对应的商品发生网络行为的次数的乘积,得到每个价格对应的所述乘积;对于任一价格,获得该价格与排序在该价格之前的所有价格对应的所述乘积进行累加得到累计额;将全部价格对应的所述乘积累加获得所述乘积的总额;将所述乘积的总额进行若干等分;将与等分点差值最小的累计额所对应的价格作为所述训练价格区间的分界点;
由价格分界点构成的价格区间为该商品的训练价格区间;
(2)根据用户样本中的用户对不同价格对应的商品发生网络行为的次数,确定与各个训练价格区间相对应的用户群,对应于所述用户群的训练价格区间为该用户群中的用户所倾向的训练价格区间;具体包括:所述训练价格区间的用户群的初始划分:对于用户样本中的一个用户,将该用户对一个训练价格区间上一个价格对应的商品发生网络行为的次数与该价格的价格权值的乘积作为该用户对该价格的价格倾向系数,该用户在一个训练价格区间上全部价格的价格倾向系数的和值为该用户在该训练价格区间上的网络行为倾向系数;可以用公式来计算网络行为倾向系数,其中,Qr(s)为第s个用户在第r个训练价格区间上的网络行为倾向系数,qi为第i个价格的权值,Ni(s)为第s个用户对第i个价格对应的商品发生网络行为的次数,k为第r个训练价格区间中全部价格的数量;s,i,r,k为自然数;对比该用户在该类目下每个训练价格区间上的网络行为倾向系数,将网络行为倾向系数最高的训练价格区间作为该用户倾向的训练价格区间;对一个训练价格区间具有相同倾向的用户构成与该训练价格区间相对应的中间用户群;将所述价格权值作为迭代变量,根据当前划分的中间用户群对每一价格对应的商品发生网络行为的次数重新计算该价格的价格权值;其中,每一价格的价格权值为该价格所在的训练价格区间对应的中间用户群中的用户对该价格对应的商品发生网络行为的平均次数;根据新的价格权值对用户在所述训练价格区间上的网络行为倾向系数进行迭代运算,根据运算结果重新进行对用户群的划分。判断是否满足预设的所述迭代运算的结束条件,在满足该结束条件时结束所述迭代运算;及,将迭代运算结束后得到的用户群的划分作为最终确定的用户群的分类;判断是否满足预设的所述迭代运算的结束条件方式包括:对于一个训练价格区间上的一个价格,将该价格相邻两次确定的价格权值之间的差值的平方值作为迭代分量,将全部迭代分量的和值作为迭代向量,判断相邻两次确定的迭代向量之间的差值是否处于预定的阈值区间中,如果该差值处于预定的阈值区间中,则结束所述迭代运算;如果不处于预定的阈值区间中,则进行下一次用户群的划分处理。
(3)根据用户样本中每个用户对各自所倾向的训练价格区间中每个价格对应的商品发生网络行为的次数,分别确定用户样本中每个用户对于各自所倾向的训练价格区间内的每个价格的网络行为概率;
具体地,用户对于所倾向的训练价格区间中一个价格的网络行为概率为该用户对该价格对应的商品发生网络行为的次数与该用户对该训练价格区间中全部价格对应的商品发生网络行为的总次数的商值;即,其中,Pi(s)为第s个用户对于第i个价格的网络行为概率,Ni(s)为第s个用户对第i个价格对应的商品发生网络行为的次数,k类目中全部价格的数量。其中,所述网络行为包括针对商品的购买、浏览、收藏、列表和搜索行为。
(4)根据用户对价格的网络行为概率,确定价格的网络行为稳定系数;
具体地,价格的网络行为稳定系数为该价格所在的训练价格区间对应的用户群中的全部用户对于该价格的网络行为概率的熵值的倒数,即,其中,H(Pi)为第i个价格的网络行为稳定系数,为第i个价格所在的训练价格区间对应的用户群中的全部用户对于该价格的网络行为概率的熵值,Pi(s)为第s个用户对第i个价格的网络行为概率,M为第i个价格所在的训练价格区间对应的用户群中的全部用户的数量;
(5)在一个训练价格区间内全部价格的网络行为稳定系数中,将网络行为稳定系数最高的价格作为该训练价格区间中的价格分界点;
(6)将所确定的各训练价格区间中的价格分界点作为实际价格区间分界点,由实际价格区间分界点构成的价格区间为实际价格区间。
第二确定模块32,还具体用于:对于一个用户,根据该用户对每个价格对应的商品发生网络行为的次数,确定该用户对每个实际价格区间内的每个价格的网络行为概率,确定该用户在每个实际价格区间上的网络行为概率总和,网络行为概率总和最高的价格区间为该用户的购买力区间。
具体地,用户对实际价格区间上的一个价格的网络行为概率可用以下公式表示,其中,Pt(s)为第s个用户对于实际价格区间中第t个价格的网络行为概率,Nt(s)为第s个用户对第t个价格对应的商品发生网络行为的次数,h为类目中全部价格的数量。其中,s、t、h为自然数,所述网络行为包括针对商品的购买、浏览、收藏、列表和搜索行为。用户在一个实际价格区间上的网络行为概率可以用以下公式表示,其中,Ul(s)为第s个用户在第l个实际价格区间上的网络行为概率,Pt(s)为第s个用户对于第l个实际价格区间中第t个价格的网络行为概率,f为第l个实际价格区间中的价格的数量,其中,s、l、t、f为自然数。
图3所示装置的工作原理如图1所示,这里不在赘述。
第一确定模块31的工作原理如图2a所示,这里不在赘述。
根据如图3所示的装置,也能够准确可靠地区分一个类目下的商品价格区间,从而能够得到完整的类目价格区间数据,能够克服现有技术中根据商品价格来划分类目的价格区间导致价格区间数据不准确的问题,并且能够基于准确完整的类目价格区间数据进行有效、准确的商品信息推送,从而能够降低搜索匹配操作所占用的系统资源,提高系统处理效率,解决现有技术中商品信息推送而无法搜索匹配到准确的商品信息,以及搜索匹配操作过多地占用系统资源、降低系统处理效率的问题。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (18)
1.一种商品信息的推送方法,其特征在于,包括:
根据不同价格对应的商品上发生的网络行为的次数,将商品的价格分为至少两个实际价格区间;
根据当前用户对每个价格对应的商品发生网络行为的次数,确定当前用户的购买力区间,购买力区间为所述至少两个实际价格区间中用户发生网络行为概率最高的实际价格区间;及,
根据当前用户的购买力区间,推送该购买力区间对应的商品信息或服务。
2.根据权利要求1所述的方法,其特征在于,用户在所述实际价格区间的网络行为概率为用户对实际价格区间的每一价格的网络行为概率的总和,用户对某一价格的网络行为概率为该用户对该价格对应的商品发生网络行为的概率。
3.根据权利要求2所述的方法,其特征在于,用户对某一个价格的网络行为概率为用户对该价格对应的商品发生网络行为的次数与该用户对所述不同价格对应的商品发生网络行为的总次数的商值。
4.根据权利要求3所述的方法,其特征在于,根据不同价格对应的商品上发生的网络行为的次数,将商品的价格分为至少两个实际价格区间,具体包括:
将商品价格划分为至少两个训练价格区间,每个训练价格区间包括至少一个价格;
根据用户样本中的用户对所述不同价格对应的商品发生网络行为的次数,确定与各个训练价格区间相对应的用户群,对应于所述用户群的训练价格区间为该用户群中的用户所倾向的训练价格区间;
根据用户样本中每个用户对各自所倾向的训练价格区间中每个价格对应的商品发生网络行为的次数,分别确定用户样本中每个用户对于各自所倾向的训练价格区间内的每个价格的网络行为概率;
根据用户对价格的网络行为概率,确定价格的网络行为稳定系数,其中,一个价格的网络行为稳定系数为该价格所在的训练价格区间对应的用户群中的全部用户对于该价格的网络行为概率的熵值的倒数;
在一个训练价格区间内全部价格的网络行为稳定系数中,将网络行为稳定系数最高的价格作为该训练价格区间中的价格分界点;
将所确定的各训练价格区间中的价格分界点作为实际价格区间分界点,由实际价格区间分界点构成的价格区间为实际价格区间。
5.根据权利要求4所述的方法,其特征在于,确定用户的购买力区间的方法包括:
对于一个用户,根据该用户对每个价格对应的商品发生网络行为的次数,确定该用户对每个实际价格区间内的每个价格的网络行为概率,确定该用户在每个实际价格区间上的网络行为概率总和,网络行为概率总和最高的价格区间为该用户的购买力区间。
6.根据权利要求4所述的方法,其特征在于,将商品价格划分为至少两个训练价格区间,具体包括:
分别统计每个价格上的商品发生网络行为的次数,统计对商品发生的网络行为的总次数;
将对商品发生的网络行为的总次数按照预定数量进行等分;
将任一价格上的商品发生网络行为的次数与小于该价格的其他价格对应的商品上发生网络行为的次数进行累加,得到该价格对应的网络行为次数累加值,找出大于或等于所述等分点且与所述等分点差值最小的累加值所对应的价格,并将该价格作为所述训练价格区间的分界点;或者,
将商品价格按照从小到大的顺序进行排序;
分别计算每个价格的数值与该价格对应的商品发生网络行为的次数的乘积,得到每个价格对应的所述乘积;
对于任一价格,获得该价格与排序在该价格之前的所有价格对应的所述乘积进行累加得到累计额;
将全部价格对应的所述乘积累加获得所述乘积的总额;
将所述乘积的总额进行若干等分;
将与等分点差值最小的累计额所对应的价格作为所述训练价格区间的分界点。
7.根据权利要求4所述的方法,其特征在于,确定与各个训练价格区间相对应的用户群的方法包括:
所述训练价格区间的用户群的初始划分:对于用户样本中的一个用户,将该用户对一个训练价格区间上一个价格对应的商品发生网络行为的次数与该价格的价格权值的乘积作为该用户对该价格的价格倾向系数,该用户在一个训练价格区间上全部价格的价格倾向系数的和值为该用户在该训练价格区间上的网络行为倾向系数;对比该用户在每个训练价格区间上的网络行为倾向系数,将网络行为倾向系数最高的训练价格区间作为该用户倾向的训练价格区间;对一个训练价格区间具有相同倾向的用户构成与该训练价格区间相对应的中间用户群;
将所述价格权值作为迭代变量,根据当前划分的中间用户群对每一价格对应的商品发生网络行为的次数重新计算该价格的价格权值;其中,每一价格的价格权值为该价格所在的训练价格区间对应的中间用户群中的用户对该价格对应的商品发生网络行为的平均次数;
根据新的价格权值对用户在所述训练价格区间上的网络行为倾向系数进行迭代运算,根据运算结果重新进行对用户群的划分。
8.根据权利要求7所述的方法,其特征在于,确定与各个训练价格区间相对应的用户群的方法还包括:
判断是否满足预设的所述迭代运算的结束条件,在满足该结束条件时结束所述迭代运算;及
将迭代运算结束后得到的用户群的划分作为最终确定的用户群的分类;
判断是否满足预设的所述迭代运算的结束条件方式包括:对于一个训练价格区间上的一个价格,将该价格相邻两次确定的价格权值之间的差值的平方值作为迭代分量,将全部迭代分量的和值作为迭代向量,判断相邻两次确定的迭代向量之间的差值是否处于预定的阈值区间中,如果该差值处于预定的阈值区间中,则结束所述迭代运算;如果不处于预定的阈值区间中,则进行下一次用户群的划分处理。
9.根据权利要求1所述的方法,其特征在于,所述网络行为包括针对商品的购买、浏览、收藏、列表和搜索行为。
10.根据权利要求4所述的方法,其特征在于,所述商品为同一类目的商品。
11.一种商品信息的推送装置,其特征在于,包括:
第一确定模块,用于根据不同价格对应的商品上发生的网络行为的次数,将商品的价格分为至少两个实际价格区间;
第二确定模块,用于根据当前用户对每个价格对应的商品发生网络行为的次数,确定当前用户的购买力区间,购买力区间为所述第一确定模块确定的所述至少两个实际价格区间中用户发生网络行为概率最高的实际价格区间;
推送模块,用于根据当前用户的购买力区间,推送该购买力区间对应的商品信息或服务。
12.根据权利要求11所述的装置,其特征在于,所述第二确定模块,具体用于:
将用户对实际价格区间的每一价格的网络行为概率的总和确定为用户在所述实际价格区间的网络行为概率,将用户对某一价格对应的商品发生的网络行为的概率确定为该用户对该价格的网络行为概率。
13.根据权利要求12所述的装置,其特征在于,所述第二确定模块,具体用于:
将用户对某一个价格对应的商品发生网络行为的次数与该用户对所述不同价格对应的商品发生网络行为的总次数的商值确定为用户对该价格的网络行为概率。
14.根据权利要求13所述的装置,其特征在于,所述第一确定模块,具体用于:
将商品价格划分为至少两个训练价格区间,每个训练价格区间包括至少一个价格;
根据用户样本中的用户对所述不同价格对应的商品发生网络行为的次数,确定与各个训练价格区间相对应的用户群,对应于所述用户群的训练价格区间为该用户群中的用户所倾向的训练价格区间;
根据用户样本中每个用户对各自所倾向的训练价格区间中每个价格对应的商品发生网络行为的次数,分别确定用户样本中每个用户对于各自所倾向的训练价格区间内的每个价格的网络行为概率;
根据用户对价格的网络行为概率,确定价格的网络行为稳定系数,其中,一个价格的网络行为稳定系数为该价格所在的训练价格区间对应的用户群中的全部用户对于该价格的网络行为概率的熵值的倒数;
在一个训练价格区间内全部价格的网络行为稳定系数中,将网络行为稳定系数最高的价格作为该训练价格区间中的价格分界点;
将所确定的各训练价格区间中的价格分界点作为实际价格区间分界点,由实际价格区间分界点构成的价格区间为实际价格区间。
15.根据权利要求14所述的装置,其特征在于,所述第二确定模块,具体用于:
对于一个用户,根据该用户对每个价格对应的商品发生网络行为的次数,确定该用户对每个实际价格区间内的每个价格的网络行为概率,确定该用户在每个实际价格区间上的网络行为概率总和,网络行为概率总和最高的价格区间为该用户的购买力区间。
16.根据权利要求14所述的装置,其特征在于,所述第一确定模块,具体用于:
分别统计每个价格上的商品发生网络行为的次数,统计对商品发生的网络行为的总次数;
将对商品发生的网络行为的总次数按照预定数量进行等分;
将任一价格上的商品发生网络行为的次数与小于该价格的其他价格对应的商品上发生网络行为的次数进行累加,得到该价格对应的网络行为次数累加值,找出大于或等于所述等分点且与所述等分点差值最小的累加值所对应的价格,并将该价格作为所述训练价格区间的分界点;或者,
将商品价格按照从小到大的顺序进行排序;
分别计算每个价格的数值与该价格对应的商品发生网络行为的次数的乘积,得到每个价格对应的所述乘积;
对于任一价格,获得该价格与排序在该价格之前的所有价格对应的所述乘积进行累加得到累计额;
将全部价格对应的所述乘积累加获得所述乘积的总额;
将所述乘积的总额进行若干等分;
将与等分点差值最小的累计额所对应的价格作为所述训练价格区间的分界点。
17.根据权利要求14所述的装置,其特征在于,所述第一确定模块,具体用于:
所述训练价格区间的用户群的初始划分:对于用户样本中的一个用户,将该用户对一个训练价格区间上一个价格对应的商品发生网络行为的次数与该价格的价格权值的乘积作为该用户对该价格的价格倾向系数,该用户在一个训练价格区间上全部价格的价格倾向系数的和值为该用户在该训练价格区间上的网络行为倾向系数;对比该用户在每个训练价格区间上的网络行为倾向系数,将网络行为倾向系数最高的训练价格区间作为该用户倾向的训练价格区间;对一个训练价格区间具有相同倾向的用户构成与该训练价格区间相对应的中间用户群;
将所述价格权值作为迭代变量,根据当前划分的中间用户群对每一价格对应的商品发生网络行为的次数重新计算该价格的价格权值;其中,每一价格的价格权值为该价格所在的训练价格区间对应的中间用户群中的用户对该价格对应的商品发生网络行为的平均次数;
根据新的价格权值对用户在所述训练价格区间上的网络行为倾向系数进行迭代运算,根据运算结果重新进行对用户群的划分。
18.根据权利要求17所述的装置,其特征在于,所述第一确定模块,还用于:
判断是否满足预设的所述迭代运算的结束条件,在满足该结束条件时结束所述迭代运算;及
将迭代运算结束后得到的用户群的划分作为最终确定的用户群的分类;
判断是否满足预设的所述迭代运算的结束条件方式包括:对于一个训练价格区间上的一个价格,将该价格相邻两次确定的价格权值之间的差值的平方值作为迭代分量,将全部迭代分量的和值作为迭代向量,判断相邻两次确定的迭代向量之间的差值是否处于预定的阈值区间中,如果该差值处于预定的阈值区间中,则结束所述迭代运算;如果不处于预定的阈值区间中,则进行下一次用户群的划分处理。
Priority Applications (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210392599.9A CN103729383B (zh) | 2012-10-16 | 2012-10-16 | 商品信息的推送方法和装置 |
TW102109489A TWI587229B (zh) | 2012-10-16 | 2013-03-18 | Push method and device for product information |
US14/053,046 US20140108190A1 (en) | 2012-10-16 | 2013-10-14 | Recommending product information |
PCT/US2013/064924 WO2014062606A2 (en) | 2012-10-16 | 2013-10-15 | Recommending product information |
JP2015532189A JP5976943B2 (ja) | 2012-10-16 | 2013-10-15 | 製品情報の推薦 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210392599.9A CN103729383B (zh) | 2012-10-16 | 2012-10-16 | 商品信息的推送方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103729383A CN103729383A (zh) | 2014-04-16 |
CN103729383B true CN103729383B (zh) | 2017-04-12 |
Family
ID=50453461
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210392599.9A Active CN103729383B (zh) | 2012-10-16 | 2012-10-16 | 商品信息的推送方法和装置 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20140108190A1 (zh) |
JP (1) | JP5976943B2 (zh) |
CN (1) | CN103729383B (zh) |
TW (1) | TWI587229B (zh) |
WO (1) | WO2014062606A2 (zh) |
Families Citing this family (30)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104715409A (zh) * | 2015-03-20 | 2015-06-17 | 北京京东尚科信息技术有限公司 | 一种电子商务用户购买力分类方法及系统 |
CN106294500B (zh) * | 2015-06-09 | 2020-04-24 | 深圳市腾讯计算机系统有限公司 | 内容项目的推送方法、装置及系统 |
CN106445941A (zh) * | 2015-08-05 | 2017-02-22 | 北京奇虎科技有限公司 | 一种网站提供对象的推荐方法和装置 |
CN106469392A (zh) * | 2015-08-20 | 2017-03-01 | 阿里巴巴集团控股有限公司 | 选择及推荐展示对象的方法及装置 |
CN106611366A (zh) * | 2015-10-26 | 2017-05-03 | 阿里巴巴集团控股有限公司 | 自动选品的方法及装置 |
CN106708888B (zh) * | 2015-11-17 | 2020-06-26 | 阿里巴巴集团控股有限公司 | 推荐方法及装置 |
CN106919609B (zh) * | 2015-12-25 | 2020-05-05 | 北京国双科技有限公司 | 产品信息推送方法和装置 |
CN105516353B (zh) * | 2016-01-06 | 2018-12-25 | 沈思远 | 一种网络信息推广方法和系统 |
WO2018027642A1 (zh) * | 2016-08-10 | 2018-02-15 | 董访问 | 广告推送技术的权属展示方法和推送系统 |
WO2018027641A1 (zh) * | 2016-08-10 | 2018-02-15 | 董访问 | 根据价格及标签推送广告的方法和推送系统 |
WO2018027640A1 (zh) * | 2016-08-10 | 2018-02-15 | 董访问 | 广告推送技术的使用数据反馈方法和推送系统 |
CN108073578B (zh) * | 2016-11-07 | 2021-08-17 | 阿里巴巴集团控股有限公司 | 一种进行对象推荐的方法和系统 |
CN108230059B (zh) * | 2016-12-13 | 2022-04-15 | 中国联合网络通信集团有限公司 | 电影推荐方法及装置 |
WO2018191434A1 (en) * | 2017-04-12 | 2018-10-18 | Workpology, Inc. | Augmenting sustainable procurement data with artificial intelligence |
CN107292667A (zh) * | 2017-06-23 | 2017-10-24 | 北京小度信息科技有限公司 | 信息推送方法及装置 |
CN107392655B (zh) * | 2017-07-03 | 2020-06-05 | 携程计算机技术(上海)有限公司 | 优惠券推送方法、系统、存储介质、电子设备及分流方法 |
CN109389453A (zh) * | 2017-08-11 | 2019-02-26 | 苏宁云商集团股份有限公司 | 一种价格分析方法及装置 |
CN108109042A (zh) * | 2017-12-22 | 2018-06-01 | 中国联合网络通信集团有限公司 | 业务优惠信息推送方法及装置 |
CN113016169A (zh) * | 2019-01-15 | 2021-06-22 | 深圳市欢太科技有限公司 | 信息推送方法及相关产品 |
CN110569439A (zh) * | 2019-09-10 | 2019-12-13 | 拉扎斯网络科技(上海)有限公司 | 实体展示方法、装置、存储介质和电子设备 |
JP7457347B2 (ja) * | 2020-02-10 | 2024-03-28 | 株式会社イシダ | 商品候補提示システム及び会計処理システム |
CN113496423A (zh) * | 2020-03-18 | 2021-10-12 | 北京沃东天骏信息技术有限公司 | 信息推送方法、装置、设备及存储介质 |
CN111612499B (zh) * | 2020-04-03 | 2023-07-28 | 浙江口碑网络技术有限公司 | 信息的推送方法及装置、存储介质、终端 |
CN112070562B (zh) * | 2020-09-20 | 2021-08-13 | 包子信息技术(北京)有限公司 | 基于大数据与电子商务的商品识别方法及电商系统 |
CN112380432A (zh) * | 2020-11-13 | 2021-02-19 | 上海明略人工智能(集团)有限公司 | 物品的推荐方法和装置、存储介质及电子装置 |
CN112613948A (zh) * | 2020-12-25 | 2021-04-06 | 喀斯玛(北京)科技有限公司 | 一种基于严选策略的商品推送管理方法 |
CN112508631A (zh) * | 2021-02-07 | 2021-03-16 | 北京淇瑀信息科技有限公司 | 用户策略分配方法、装置及电子设备 |
US11625148B2 (en) * | 2021-04-19 | 2023-04-11 | Microsoft Technology Licensing, Llc | Intelligent snap assist recommendation model |
CN113694540B (zh) * | 2021-09-01 | 2024-03-12 | 深圳市乐天堂科技有限公司 | 一种智能发送消息方法、系统、存储介质以及终端 |
CN113643105B (zh) * | 2021-09-17 | 2024-01-19 | 北京快来文化传播集团有限公司 | 基于直播客户端的直播间商品展示方法和系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101154287A (zh) * | 2006-09-29 | 2008-04-02 | 阿里巴巴公司 | 一种过滤商品信息的方法及系统 |
CN101276451A (zh) * | 2007-03-28 | 2008-10-01 | 富士通株式会社 | 信息处理装置、信息处理方法和信息处理程序 |
US7899701B1 (en) * | 2004-06-16 | 2011-03-01 | Gary Odom | Method for categorizing a seller relative to a vendor |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7451106B1 (en) * | 1998-11-30 | 2008-11-11 | E-Lynxx Corporation | System and method for competitive pricing and procurement of customized goods and services |
JP2001290934A (ja) * | 2000-04-06 | 2001-10-19 | Toshiba Tec Corp | 情報端末装置 |
WO2001091001A2 (en) * | 2000-05-19 | 2001-11-29 | Manugistic Atlanta, Inc. | Dynamic pricing system |
JP2002032663A (ja) * | 2000-07-17 | 2002-01-31 | Nec Corp | 情報提供システム |
WO2006004621A2 (en) * | 2004-06-25 | 2006-01-12 | Cascade Consulting Partners, Inc. | System for effecting customized pricing for goods or services |
US7895116B2 (en) * | 2007-07-25 | 2011-02-22 | Mukesh Chatter | Seller automated engine architecture and methodology for optimized pricing strategies in automated real-time iterative reverse auctions over the internet and the like for the purchase and sale of goods and services |
US8086480B2 (en) * | 2008-09-25 | 2011-12-27 | Ebay Inc. | Methods and systems for activity-based recommendations |
JP2011018310A (ja) * | 2009-06-08 | 2011-01-27 | Sharp Corp | ウェブサービスシステム、プログラム、および、記録媒体 |
JP4536146B1 (ja) * | 2009-08-27 | 2010-09-01 | 株式会社アクティブコア | レコメンド装置、レコメンド方法およびレコメンドプログラム |
JP5637395B2 (ja) * | 2011-05-24 | 2014-12-10 | 株式会社Jvcケンウッド | 情報選択装置、情報選択方法、端末装置およびコンピュータプログラム |
US8762227B1 (en) * | 2011-07-01 | 2014-06-24 | Amazon Technologies, Inc. | Automatic product groupings for merchandising |
TWM426831U (en) * | 2011-09-30 | 2012-04-11 | Claridy Solutions Inc | Intelligent platform with interactive system service |
-
2012
- 2012-10-16 CN CN201210392599.9A patent/CN103729383B/zh active Active
-
2013
- 2013-03-18 TW TW102109489A patent/TWI587229B/zh active
- 2013-10-14 US US14/053,046 patent/US20140108190A1/en not_active Abandoned
- 2013-10-15 WO PCT/US2013/064924 patent/WO2014062606A2/en active Application Filing
- 2013-10-15 JP JP2015532189A patent/JP5976943B2/ja active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7899701B1 (en) * | 2004-06-16 | 2011-03-01 | Gary Odom | Method for categorizing a seller relative to a vendor |
CN101154287A (zh) * | 2006-09-29 | 2008-04-02 | 阿里巴巴公司 | 一种过滤商品信息的方法及系统 |
CN101276451A (zh) * | 2007-03-28 | 2008-10-01 | 富士通株式会社 | 信息处理装置、信息处理方法和信息处理程序 |
Non-Patent Citations (1)
Title |
---|
移动环境下的个性化推荐用户兴趣建模研究;刘滨强;《中国优秀硕士学位论文全文数据库 信息科技辑》;20100315(第3期);论文第6章 * |
Also Published As
Publication number | Publication date |
---|---|
JP2015528618A (ja) | 2015-09-28 |
US20140108190A1 (en) | 2014-04-17 |
TWI587229B (zh) | 2017-06-11 |
JP5976943B2 (ja) | 2016-08-24 |
TW201417013A (zh) | 2014-05-01 |
WO2014062606A2 (en) | 2014-04-24 |
WO2014062606A3 (en) | 2014-10-16 |
CN103729383A (zh) | 2014-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103729383B (zh) | 商品信息的推送方法和装置 | |
CN103886068B (zh) | 用于互联网用户行为分析的数据处理方法和装置 | |
CN102346894B (zh) | 推荐信息的输出方法、系统及服务器 | |
CN103164804B (zh) | 一种个性化的信息推送方法及装置 | |
CN104050187B (zh) | 搜索结果展示方法及系统 | |
CN106997358A (zh) | 信息推荐方法及装置 | |
CN109559208A (zh) | 一种信息推荐方法、服务器及计算机可读介质 | |
Kuo et al. | Intelligent menu planning: Recommending set of recipes by ingredients | |
CN103198161A (zh) | 微博水军识别方法与设备 | |
CN108876537A (zh) | 一种用于网上商场系统的混合推荐方法 | |
CN104809637A (zh) | 计算机实现的商品推荐方法及系统 | |
CN102841929A (zh) | 一种综合用户和项目评分及特征因素的推荐方法 | |
CN105260414A (zh) | 用户行为相似性计算方法及装置 | |
CN103366009B (zh) | 一种基于自适应聚类的图书推荐方法 | |
CN104718547A (zh) | 顾客数据解析系统 | |
CN110570233A (zh) | 用于电商平台的用户回购时间预测方法及装置 | |
CN104239335B (zh) | 特定用户信息获取方法及装置 | |
CN111899047A (zh) | 资源推荐方法、装置、计算机设备及计算机可读存储介质 | |
CN103870541B (zh) | 社交网络用户兴趣挖掘方法和系统 | |
CN104778237A (zh) | 一种基于关键用户的个性化推荐方法和系统 | |
CN110288362A (zh) | 刷单的预测方法、装置及电子设备 | |
CN108228911A (zh) | 一种相似视频的计算方法及装置 | |
CN110134783A (zh) | 个性化推荐的方法、装置、设备和介质 | |
CN106302568B (zh) | 一种用户行为评价方法、装置及系统 | |
CN110020152A (zh) | 应用推荐方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |