CN104239020A - 决策做出标准驱动的推荐 - Google Patents
决策做出标准驱动的推荐 Download PDFInfo
- Publication number
- CN104239020A CN104239020A CN201310250359.XA CN201310250359A CN104239020A CN 104239020 A CN104239020 A CN 104239020A CN 201310250359 A CN201310250359 A CN 201310250359A CN 104239020 A CN104239020 A CN 104239020A
- Authority
- CN
- China
- Prior art keywords
- decision
- option
- making
- standard
- score
- 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
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
-
- 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]
-
- 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]
- G06Q30/0623—Item investigation
-
- 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]
- G06Q30/0623—Item investigation
- G06Q30/0625—Directed, with specific intent or strategy
- G06Q30/0629—Directed, with specific intent or strategy for generating comparisons
-
- 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]
- G06Q30/0641—Shopping interfaces
Abstract
实施例提供了用于基于决策做出标准的推荐的系统。该系统可以包括决策引擎,其被配置为接收对与产品或服务类别相关联的选项问题的推荐的请求,而且基于偏好信息来确定产品或服务类别的多个选项中的选项。偏好信息可以包括激活的决策做出标准和相应的权重值。相应的权重值可以代表每个激活的决策做出标准的相对重要性。决策引擎可以被配置为确定所述多个选项中的选项包括,部分地基于激活的决策做出标准和相应的权重值来计算所述多个选项的得分,并且基于计算出的得分来选择所述多个选项当中的选项。决策引擎可以被配置为提供已确定的选项的显示,作为对产品或服务类别的推荐。
Description
技术领域
本申请涉及决策做出(decision-making)标准驱动的推荐。
背景技术
一般地,电子商务领域的特点可能在于客户、供应商和电子零售商。客户收集有关他们最终在网站上或在实体店里购买的产品和/或服务的信息。供应商可以包括生产所提供的产品和/或服务的制造商,而电子零售商可以举办吸引潜在客户以推荐由供应商提供的各种产品和/或服务的电子商务平台。
在今天的电子商务环境下,客户访问相对大量的信息以比较不同的当前提供的产品(offering)。可访问的信息(例如,由电子零售商提供的)可以包括产品和服务的固有特征、以及专家的评论、客户评论等。此外,客户可以接收有关他们将要购买的潜在产品/服务的推荐。通常,这些推荐基于其他用户的购买。然而,如果用户接收太多不相关的广告,则可能出现滥发(spamming)。此外,目前的机制不一定将关于产品或服务的所有可用信息收集到位于中心的地方。此外,信息的表示相对低效,以至于可能难以在竞争产品或服务之间进行比较。
发明内容
实施例提供了用于基于决策做出标准的推荐的系统。该系统可以包括至少一个处理器,和包括可由至少一个处理器执行的指令的非临时性计算机可读介质。所述指令可以被配置以实施决策引擎。决策引擎可以被配置为:接收关于对与产品或服务类别相关联的选项问题的推荐的请求,而且基于偏好信息来确定产品或服务类别的多个选项中的选项。偏好信息可以包括激活的决策做出标准和相应的权重值。决策做出标准可以代表影响至少一个终端用户对于该选项问题或先前的选项问题的决策的因素。相应的权重值可以代表每个激活的决策做出标准的相对重要性。决策引擎可以被配置为确定所述多个选项中的选项,包括:部分地基于激活的决策做出标准和相应的权重值来计算所述多个选项的得分,并且基于计算出的得分来选择所述多个选项当中的选项。决策引擎可以被配置为提供已确定的选项的显示,作为对产品或服务类别的推荐。
该系统可以包括数据库,其被配置为存储与多个终端用户相关联的多个简档,其中每个简档包括一个或多个选项问题的偏好信息。对于每个选项问题,偏好信息可以包括激活的决策做出标准、相应的权重值和至少一个已应用的过滤器。系统可以包括推荐确定单元、个性化推荐单元和基于人群的推荐单元,推荐确定单元被配置为基于终端用户是否与存储先前的选项问题所关联的先前的偏好信息的简档相关联来确定个性化推荐方案和基于人群的推荐方案之一;当推荐确定单元确定了个性化推荐方案时,个性化推荐单元被配置为根据个性化推荐方案,部分地基于与该终端用户相关联的至少一个先前的选项问题的激活的决策做出标准和相应的权重值来计算所述多个选项的得分;而且当推荐确定单元确定了基于人群的推荐方案时,基于人群的推荐单元被配置为部分地基于其他终端用户的选项问题的激活的决策做出标准和相应的权重值来计算所述多个选项的得分。
基于人群的推荐单元被配置为计算所述多个选项的得分可以包括:基于人群的推荐单元被配置为基于来自所述多个简档的偏好信息来选择具有超过第一阈值的使用频率的至少一个过滤器。基于人群的推荐单元可以被配置为选择至少一个激活的决策做出标准和相应的重要性类别,包括:计算每个决策做出标准已经被激活的次数,而且选择具有超过第二阈值的次数的至少一个激活的决策做出标准。基于人群的推荐单元可以被配置为基于所选择的至少一个过滤器、所选择的至少一个激活的决策做出标准和相应的重要性类别来计算所述多个选项的得分。
系统可以包括交互处理单元,其被配置为提供与已确定的选项相关联的多个决策做出标准的显示,其中,交互处理单元被配置为接收所述多个决策做出标准当中激活的决策做出标准的选择,而且每个激活的决策做出标准被分配到多个重要性类别当中的一个重要性类别。系统可以包括个性化推荐单元,其被配置为基于激活的决策做出标准和已分配的重要性类别来计算所述多个选项的得分,其中,个性化推荐单元被配置为基于计算出的得分来选择所述多个选项当中的选项。
被配置为提供与特定选项相关联的得分的显示的交互处理单元可以包括转换单元,其被配置为将与激活的决策做出标准相关联的重要性类别转换成多个权重值。交互处理单元可以被配置为响应于得分解释选择来提供与特定选择相对应的得分的解释的显示,包括提供所述多个权重值的显示,其中,交互处理单元被配置为接收对所述多个权重值中的至少一个的调整。个性化推荐单元可以被配置为基于已调整的权重值来重新计算所述多个选项的得分,并且基于重新计算的得分来选择所述多个选项当中的选项。
决策引擎可以被配置为计算每个决策做出标准的多个选项中的每对选项的成对偏好程度。偏好程度可以代表每个决策做出标准的每对选项中的第一选项和第二选项之间的偏好等级。决策引擎可以被配置为基于偏好程度来计算每个第一选项的单标准(uni-criterion)得分、基于单标准得分和相应的权重值来计算每个第一选项的加权的全局得分、重新调节每个第一选项的加权的全局得分、而且输出已重新调节的每个选项的加权的全局得分作为计算出的所述多个选项的得分。
决策引擎可以被配置为将激活的决策做出标准和相应的权重值保存在与终端用户相关联的简档中。
决策引擎可以被配置为接收可能影响终端用户的决策的外部因素。外部因素可以包括位置、天气和促销中的至少一个,而且所述决策引擎可以被配置为基于偏好信息和外部因素来确定所述多个选项中的选项。
系统还可以包括数据库和分析单元,数据库存储与多个终端用户相关联的多个简档,每个简档包括各自终端用户的偏好信息;分析单元被配置为分析产品或服务类别内的多个简档的偏好信息,包括:确定与影响终端用户对于产品或服务类别的决策相关的因素。
系统可以包括数据库和营销管理者单元,数据库存储与多个终端用户相关联的多个简档,每个简档包括各自终端用户的偏好信息,而且营销管理者单元被配置为基于偏好信息来确定对于终端用户的跨产品或跨服务的推荐。营销管理者单元可以被配置为基于偏好信息来确定对于终端用户的特定于用户的营销消息。
实施例提供了一种存储有指令的非临时性计算机可读介质,当所述指令被执行时使得至少一个处理器确定基于决策做出标准的推荐。所述指令可以包括指令以接收关于对与产品或服务类别相关联的选项问题的推荐的请求、基于偏好信息来确定产品或服务类别的多个选项中的选项。偏好信息可以包括激活的决策做出标准和相应的权重值。决策做出标准可以代表影响至少一个终端用户对于选项问题或先前的选项问题的决策的因素。相应的权重值可以代表每个激活的决策做出标准的相对重要性。
用于确定所述多个选项中的选项的指令可以包括指令以用于部分地基于激活的决策做出标准和相应的权重值来计算所述多个选项的得分并且基于计算出的得分来选择所述多个选项当中的选项、以及提供已确定的选项的显示作为对产品或服务类别的推荐。
用于计算所述多个选项的得分的指令可以包括指令以用于存储与多个终端用户相关联的多个简档。每个简档可以包括一个或多个选项问题的偏好信息。对于每个选项问题,偏好信息可以包括激活的决策做出标准、相应的权重值和至少一个已应用的过滤器。所述指令可以包括指令以用于基于终端用户是否与存储有关联于先前的选项问题的先前的偏好信息的简档相关联来确定个性化推荐方案和基于人群的推荐方案之一。所述指令可以包括指令以用于当确定了个性化推荐方案时,部分地基于与终端用户相关联的至少一个先前的选项问题的、激活的决策做出标准和相应的权重值来计算所述多个选项的得分,并且当确定了基于人群的推荐方案时,部分地基于其他终端用户的选项问题的、激活的决策做出标准和相应的权重值来计算所述多个选项的得分。
用于根据基于人群的推荐方案来计算所述多个选项的得分的指令可以包括指令以用于基于来自所述多个简档的偏好信息来选择具有超过第一阈值的使用频率的至少一个过滤器;选择至少一个激活的决策做出标准和相应的重要性类别,包括:计算每个决策做出标准已经被激活的次数,而且选择具有超过第二阈值的次数的至少一个激活的决策做出标准;以及基于所选择的至少一个过滤器、所选择的至少一个激活的决策做出标准和相应的重要性类别来计算所述多个选项的得分。
用于确定所述多个选项当中的选项的指令可以包括指令以用于提供与已确定的选项相关联的多个决策做出标准的显示,而且接收所述多个决策做出标准当中激活的决策做出标准的选择,其中每个激活的决策做出标准被分配到多个重要性类别当中的重要性类别。所述指令可以包括指令以用于基于激活的决策做出标准和已分配的重要性类别来计算所述多个选项的得分,以及基于计算出的得分来选择所述多个选项当中的选项。
用于确定所述多个选项当中的选项的指令可以包括指令以用于提供与特定选项相关联的得分的显示,而且将与激活的决策做出标准相关联的重要性类别转换成多个权重值,响应于得分解释选择来提供与特定选择相对应的得分的解释的显示,包括:提供所述多个权重值的显示,接收对所述多个权重值中的至少一个的调整,基于已调整的权重值来重新计算所述多个选项的得分,以及基于重新计算的得分来选择所述多个选项当中的选项。
所述指令可以包括指令以用于存储与多个终端用户相关联的多个简档,其中每个简档包括各自终端用户的偏好信息,而且分析产品或服务类别内的多个简档的偏好信息,包括:确定影响终端用户对于产品或服务类别的决策的因素。
所述指令可以包括指令以用于存储与多个终端用户相关联的多个简档,其中每个简档包括各自终端用户的偏好信息,而且基于偏好信息来确定对于终端用户的跨产品或跨服务的推荐。
实施例可以提供一种用于基于决策做出标准的推荐的计算机实施的方法。该方法可以包括接收对与产品或服务类别相关联的选项问题的推荐的请求,而且基于偏好信息来确定产品或服务类别的多个选项中的选项。偏好信息可以包括激活的决策做出标准和相应的权重值。决策做出标准可以代表影响至少一个终端用户对于选项问题或先前的选项问题的决策的因素。相应的权重值可以代表每个激活的决策做出标准的相对重要性。该方法可以包括部分地基于激活的决策做出标准和相应的权重值来计算所述多个选项的得分,并且基于计算出的得分来选择所述多个选项当中的选项,以及提供已确定的选项的显示作为对产品或服务类别的推荐。
计算所述多个选项的得分可以包括存储与多个终端用户相关联的多个简档。每个简档可以包括一个或多个选项问题的偏好信息。对于每个选项问题,偏好信息可以包括激活的决策做出标准、相应的权重值和至少一个已应用的过滤器。该方法可以包括基于终端用户是否与存储有关联于先前的选项问题的先前的偏好信息的简档相关联来确定个性化推荐方案和基于人群的推荐方案之一;当确定了个性化推荐方案时,部分地基于与该终端用户相关联的至少一个先前的选项问题的、激活的决策做出标准和相应的权重值来计算所述多个选项的得分;以及当确定了基于人群的推荐方案时,部分地基于其他终端用户的选项问题的、激活的决策做出标准和相应的权重值来计算所述多个选项的得分。
在附图和下面的描述中阐明一个或多个实施的细节。根据描述和附图以及权利要求书,其他特征将变得明显。
附图说明
图1示出了根据实施例的用于基于决策做出标准的推荐的系统;
图2示出了根据实施例的系统,以用于实施图1的系统;
图3示出了根据实施例的图1的决策引擎;
图4示出了根据实施例的由图1的系统产生的示例屏幕截图,其提供了激活的决策做出标准和确定的选项的已计算的得分的例子;
图5A示出了根据实施例的由图1的系统产生的示例性屏幕截图,其提供了计算出的得分的得分报告的示例;
图5B示出了根据实施例的由图1的系统产生的示例性屏幕截图,其提供比较两个或更多个选项的不同标准上的加权得分的比较报告的示例;
图6A示出了根据实施例的转换单元将重要性类别转换成权重值的示例操作;
图6B示出了根据实施例的转换单元将权重值转换回重要性类别的示例操作;
图7示出了根据实施例的决策引擎的各个组件执行的分数计算过程的示例操作;
图8示出了根据实施例的基于人群的推荐单元的示例操作;
图9示出了根据实施例的营销管理者单元的示例操作;
图10示出了根据实施例的分析单元生成的示例报告;
图11示出了根据另一实施例的分析单元生成的示例报告;
图12示出了根据另一实施例的分析单元生成的示例报告;
图13示出了根据实施例的代表图1的系统的示例操作的流程图;以及
图14示出了根据实施例的代表图1的系统的示例操作的流程图
具体实施方式
实施例提供了一种捕获与当对产品/服务做出决策/购买时考虑的因素有关的信息的系统。在一个例子中,有关寻找特定餐厅的决策做出标准可以包括客户评论、价格、邻近情况(neighborhood)、食物的质量、位置和/或促销。在另一个例子中,有关购买汽车的决策做出标准可以包括价格、长/宽、气缸数量、车门数量、颜色等。一般地,决策做出标准可以代表影响选择产品/服务的终端用户的特定决策的因素。当搜索特定的服务/产品时,这些决策做出标准中的一些对于终端用户而言可能比其他决策做出标准更重要。例如,当终端用户是寻找特定餐厅来招待客户的商务人士时,价格和促销与食物的质量和客户的评论相比可能相对不太重要。
根据实施例,系统可以向终端用户呈现有关特定服务/产品类别的决策做出标准,并允许终端用户激活并将一个或多个决策做出标准分类成不同的重要性类别(例如,最重要的,中等重要的,不太重要的)。系统可以将激活的决策做出标准的被分配的重要性类别转换成表示每个激活的决策做出标准的相对重要性的权重值。
然后,系统可以针对产品/服务类别检索多个已过滤/未过滤的选项(例如,可能购买的产品/服务),而且可以基于激活的决策做出标准和相应的权重值来计算这些选项中每个选项的得分。在一个具体的例子中,系统可以在显示器上提供具有最高计算得分的最佳10/20/30个选项(例如,显示的选项还可以与地图应用(mapping application)集成在一起以提供每一显示的选项的位置)以供终端用户考虑。
除了最佳选项的标识之外,系统还可以提供相应的计算得分,以及与激活的决策做出标准相关联的权重值的详细显示。权重值的这种详细显示可以向用户提供与如何计算得分有关的具体信息。用户可以通过改变它的权重(例如,通过使用滑动标尺(sliding scale)来增加与价格、位置等相关联的权重)来与所显示的权重值交互。然后,系统可以自动更新所计算的得分,并提供更新的选项列表。
当选择特定的产品/服务时,系统可以将偏好信息(例如,激活的决策做出标准、相关联的权重值、任何已应用的过滤器、和阈值)保存在与终端用户相关联的简档中。简档可以包括与用户有关的其他信息,诸如背景信息(例如,性别、职业、年龄等)。一般地,对于每个选项问题(以及对于每个终端用户),系统可以保存这个偏好信息,其捕获与影响终端用户选择特定产品/服务的实际因素有关的信息。
当同一终端用户希望搜索另一产品/服务(例如,与同一产品/服务类别或不同的产品/服务类别相关)时,系统可以利用在终端用户的简档中保存的偏好信息来做出推荐。另外,系统可以利用其他用户的偏好信息来做出产品/服务推荐。在一个例子中,为了确定对于终端用户A的推荐,系统可以确定其他类似境遇的终端用户B和C的简档(例如,终端用户A、B、C可能涉及与商务人士相关联的公共简档),然后基于来自与终端用户B和C相关联的所保存的简档的偏好信息(例如,决策做出标准、相关联的权重值、已应用的过滤器、和阈值)来计算将由终端用户A考虑的选项的得分。
结果,存储简档的数据库可以包含在与影响用户关于他们的选择/购买的决策的因素(和因素的重要性)有关的信息方面有价值的信息。
捕获的偏好信息被分析和概括,以向产品/服务的供应商提供趋势和见解。例如,系统可以分析包含偏好信息的简档,并执行决策做出标准分析。决策做出标准分析可以产生关于特定产品/服务类别(如汽车)的报告,其解释影响用户关于该产品/服务类别的决策的因素。例如,该报告可以标识这些因素以及它们在做出决策时的相对重要性、不同阶层人群之间的差异、和/或供应商的特定品牌或产品与其他品牌相比被如何感知/排名(perceived/ranked)。
此外,系统可以分析包含偏好信息的简档,而且为任何类型的营销活动确定跨产品推荐和特定于用户的营销消息。参照附图进一步解释这些和其它特征。
图1示出了根据实施例的用于基于决策做出标准的推荐的系统100。例如,系统100可以包括决策引擎(decision engine)102、数据库存储简档110(包括示例简档110-1)、存储有关于多个选项118的信息的数据源116、至少一个处理器120、以及非临时性计算机可读介质122。非临时性计算机可读介质122可以包括指令,当该指令被至少一个处理器120执行时被配置为实现包括决策引擎102的系统100的组件和/或功能,如下面进一步描述的。
非临时性计算机可读介质122可以包括一个或多个非易失性存储器,包括例如半导体存储器件,例如,EPROM、EEPROM和闪存器件;磁盘,例如内置硬盘或可移动盘;磁光盘;以及CD-ROM和DVD-ROM盘。除了存储可执行指令之外,非临时性计算机可读介质122还可以存储本文所讨论的任何类型的数据库结构,包括存储简档110和数据源116的数据库。可替换地,简档110和/或数据源116可以与具有决策引擎102的系统100外部的系统相关联,而且与简档110和数据源116相关联的信息可以由决策引擎102访问。至少一个处理器120可以包括任何类型的专用逻辑电路,例如,FPGA(现场可编程门阵列)或ASIC(专用集成电路)。
数据源116可以存储多个选项118。多个选项118可以包括与通过系统100推荐的产品/服务有关的信息。每个选项118可代表特定的产品或服务。因此,数据源116可以存储可以经由通过系统100提供的所有产品/服务以及相关联的数据。例如,对于每个选项118,数据源116可以标识特定的产品或服务,并包含关于产品或服务的信息,诸如它的名称、位置、类别(例如,是否是餐厅、汽车等)、电话号码,以及关于选项118的特性,诸如价格、质量、大小等。关于选项118的特性可以取决于产品/服务的类别而差别很大。例如,对于汽车选项,特性可以包括颜色、气缸数、价格、大小、轴距、重量、排量、门数等。然而,对于餐厅选项,特性可以包括价格、质量、座位数量、位置、外卖选项等。
在一个例子中,外部数据源104可以包括关于天气的信息、基于位置的信息、客户评论的选项118、和/或促销的选项118。一般地,外部数据源104可以代表任何类型的第三方源,其存储与购买相关的信息(例如,天气、基于位置的信息)、关于具体产品/服务的信息,诸如可以由外部系统保持的客户评论。
存储简档110的数据库可以存储与系统100所关联的多个终端用户的关联的简档110。每个简档110可以对应于注册到系统100的不同的终端用户。图1图示了作为属于特定用户的简档110-1的示例性简档。然而,应当注意,简档110可以包括任何数量的简档,可以是数百或数千个简档110。
简档110-1可以包括偏好信息112和用户信息114。用户信息114可以包括与用户相关联的任何类型的人口统计数据(demographic data),诸如年龄、性别、职业等。此外,用户信息114可以包括与终端用户相关联的行为或浏览数据(例如,访问与系统100相关联的网站的次数),以及交易数据,诸如购买的物品的数量、消费总额、购买的产品等。
根据实施例,对于每个选项问题,偏好信息112可以包括与简档110-1的终端用户相关联的激活的决策做出标准112-1、相应的权重值112-2、过滤器112-3和阈值112-4。选项问题可以是在产品/服务类别内的多个选项118当中搜索特定选项118的情况。例如,当用户登录到系统100、搜索多个汽车选项、并对特定汽车做出决定时,这个过程可以被称为选项问题。然后,当该终端用户执行对汽车选项(或不同的类别,诸如餐厅选项)的另一搜索、并对特定汽车或餐厅做出决定时,这个过程可以被成为单独的选项问题。然后,简档110-1可以为由与简档110-1相关联的终端用户执行的每个选项问题存储偏好信息112。
激活的决策做出标准112-1可以代表当在选项问题内对产品/服务做出决策/购买时考虑的因素。在一个例子中,有关寻找特定餐厅的激活的决策做出标准112-1可以包括客户评论、价格、邻近情况、食物的质量、位置和/或促销。在另一个例子中,有关购买汽车的激活的决策做出标准112-1可以包括价格、汽车的长/宽、气缸数量、车门数量、颜色等。一般地,激活的决策做出标准112-1可以代表影响终端用户选择产品/服务的特定决策的因素,并且可以取决于选项问题的类型而改变。当用户选择了决策做出标准(例如,分配给重要性类别)时,它被认为是激活的决策做出标准112-1。
一般地,对每一类别的产品/服务,决策做出标准的列表可以由系统100预定义。例如,对于汽车,该决策做出标准的列表对于每个选项问题可以包括相同的标准,因为它涉及到汽车。然而,如在本公开中稍后解释的,来自决策做出标准的列表的一个或多个决策做出标准可以被激活,而且激活的决策做出标准可以被存储/保存在简档110-1中作为激活的决策做出标准112-1。
权重值112-2可以代表激活的决策做出标准112-1的权重/显著性(significance)。例如,每个激活的决策做出标准112-1可以与权重值112-2相关联,其中权重值112-2可以代表相应的激活的决策做出标准112-1的相对重要性。如在本公开中稍后解释的,激活的决策做出标准112-1可以被分配到代表重要性等级的重要性类别。例如,有关特定服务/产品类别的决策做出标准的列表可以被呈现给终端用户,并且当激活一个或多个决策做出标准时,激活的一个或多个决策做出标准112-1可以被分类成不同的重要性类别(例如,最重要的,中等重要的,不太重要的)。激活的决策做出标准112-1的被分配的重要性类别可以被转换成表示每个激活的决策做出标准112-1的相对重要性的权重值112-2。
此外,应当注意的是,代替存储权重值112-2,简档110-1可以存储被分配的重要性类别。然后,在需要权重值112-2的时候,存储的重要性类别可被转换成权重值。在另一个实施例中,简档110可以为每个激活的决策做出标准112-1存储权重值112-2和重要性类别二者。
过滤器112-3可以包括标识对于特定选项问题已应用于多个选项118的一个或多个过滤器的信息。例如,相对于餐厅选项问题,提供给决策引擎102的多个选项118可以代表已经根据餐厅类型(例如,中餐或西餐)、位置和/或价格范围(例如,在10美元和50美元之间)进行了过滤的已过滤选项。因此,特定的过滤器112-3可以指定已应用的过滤器的类型以及它的过滤器设置。除了以上提供的具体例子以外,过滤器112-3可以包括任何类型的搜索约束,其取决于产品/服务类别的上下文(context)而差别很大。因此,对于每个选项问题,过滤器112-3可以指定已使用的过滤器,并且对于每个过滤器,过滤器112-3可以指定过滤器的类型和它的过滤器设置。
阈值112-4可以包括用于激活的决策做出标准112-1的偏好和/或冷漠(indifference)阈值。例如,偏好和/或冷漠阈值可以被提供用于特定的激活的决策做出标准112-1。在一个具体的例子中,如果价格是激活的决策做出标准112-1之一,冷漠和偏好阈值可以分别是20美元和40美元。这意味着,价格范围相差不到20美元的餐厅被认为是类似的(例如,冷漠阈值)。另一方面,如果两家餐厅的菜单价格之间存在40美元的差别,则更便宜的餐厅是首选的(例如,偏好阈值)。
决策引擎102可以接收对与产品或服务类别相关联的选项问题的推荐的请求。决策引擎102可以部分地基于偏好信息112来确定多个选项118中的选项105(例如,多个选项118可以代表有关的产品/服务类别的已过滤/未过滤选项)。例如,决策引擎102可以从与简档110-1相关联的终端用户接收对推荐的请求。该请求可以针对产品/服务类别内的产品/服务的推荐。在一个具体的例子中,该请求可以涉及对餐厅的推荐,或者该请求可以涉及对汽车的推荐。
决策引擎102可以从属于请求的数据源116接收多个已过滤/未过滤选项118。例如,决策引擎102可以响应于该请求而查询和接收涉及餐厅的多个选项118。在该上下文中,多个选项118可以代表与系统100相关联的所有(或基本所有)已过滤/未过滤餐厅。
然后,决策引擎102可以分析多个选项118,并且基于与发出该请求的终端用户相关联的简档110-1中的偏好信息112、和/或与其他终端用户的一个或多个简档110相关联的偏好信息112来确定多个选项118的至少一个子集(例如,最佳10/20/30个选项)作为确定的选项105。
如果简档110-1没有指定偏好信息112(例如,用户第一次使用系统100),则决策引擎102可以基于其他终端用户的偏好信息112来确定产品/服务推荐。这种推荐方案可以被称为基于人群的推荐方案。如果简档110-1没有指定偏好信息112(或者对于涉及同一产品/服务类别的先前的选项问题,或者对于涉及不同产品/服务类别的先前的选项问题),决策引擎102可以基于已存储的与当前终端用户的简档110-1相关联的偏好信息112来确定产品/服务推荐。这种推荐方案可以被称为个性化推荐方案。
为了从许多可用的选项118获得确定的选项105(根据基于人群的推荐方案或个性化推荐方案),决策引擎102可以部分地基于决策做出标准112-1和相应的权重值112-2来计算多个选项118的得分。比如,决策引擎102可以计算多个选项118中的每个选项118的得分,其中得分代表相应选项118的相关性,例如,相对高的得分将与终端用户高度相关。另外,决策引擎102可以利用过滤器112-3、阈值112-4、用户信息114、以及与系统100相关联的另外其它类型的信息(例如,外部数据源104),来计算多个选项118的得分。然后,决策引擎102可以基于计算出的得分来在多个选项118当中选择选项105。在一个例子中,决策引擎102可以选择具有最高得分的选项105,例如,具有最佳10/20/30个得分的选项105。
此外,除了向终端用户提供推荐之外,决策引擎102还可以基于偏好信息112确定跨产品或跨服务的推荐106。例如,如上所示,数据库可以存储许多终端用户的多个简档。每个简档可以存储关于一个或多个选项问题的先前的信息。然后,对于指定的全局人群(global population)中的每个用户,决策引擎102可以基于所捕获的偏好信息112确定跨产品或跨服务的推荐106。然后,决策引擎102可以执行向终端用户通知推荐的动作,诸如发送电子邮件、显示广告等。此外,使用偏好信息112,决策引擎102可以确定特定于用户的营销消息107。例如,决策引擎102可以将营销消息的内容定制为适合用户所指定的偏好。这些特性将参照图9进一步说明。
图2示出根据实施例的用于实施图1的系统100的系统200。例如,系统200可以包括与网络浏览器202和移动设备204接口的应用服务器208。网络浏览器202和移动设备204中的每一个可以与其自己的显示器201相关联。应用服务器208可以主控(host)推荐工具(例如,网站),其经由网络浏览器202和移动设备204提供给多个终端用户。
此外,系统200可以包括内存数据库系统210和第三方服务206。第三方服务206可以代表外部数据源104。应用服务器208可以与第三方服务206接口,以获得关于天气的信息、基于位置的信息、客户评论的选项118、和/或促销的选项118。在一个例子中,决策引擎102的逻辑可以通过内存数据库技术被向下推到数据库层。然而,可以想象的是,决策引擎102的逻辑可以合并到应用服务器208中。
内存数据库系统210可以包括决策引擎102、简档数据212和源数据214。源数据214可以代表图1的存储多个选项118的数据源116,简档数据212可以代表存储包括简档110-1的简档110的数据库。内存数据库系统210可以是一种类型的数据库管理系统,其依赖于用于计算机数据存储的主存储器。相反,传统的数据库系统使用磁盘存储机制。此外,内存数据库系统210可以支持实时分析和事务处理,包括复制和聚合技术。在一个实施例中,内存数据库系统210可以是由SAP开发的HANA企业1.0(任何版本)。
图3示出了根据实施例的决策引擎102。参照图3,决策引擎102可以包括推荐确定单元302、基于人群的推荐单元304、个性化推荐单元305、交互处理单元306、转换单元307、营销管理者单元308和分析单元310,其中推荐确定单元302被配置以确定推荐方案(例如,基于人群的推荐方案或个性化推荐方案)。
参照图3,推荐确定单元302可以接收对与特定产品/服务类别相关联的选项问题的推荐的请求,并基于终端用户是否与存储有先前的选项问题的偏好信息112的简档110相关联来确定使用哪个推荐方案(例如,个性化推荐方案和基于人群的推荐方案之一)。例如,推荐确定单元302可以确定发出该请求的终端用户是否是第一次登录到系统100。如果是,则该终端用户没有与其简档110相关联的任何已存储的偏好信息112。在这种情况下,推荐确定单元302确定基于人群的推荐方案将被利用。
在这种情况下,基于人群的推荐单元304可以被配置为部分地基于用于相同选项问题但是用于其他终端用户的决策做出标准112-1和相应的权重值112-2来计算多个选项的得分。在这种情况下,当终端用户第一次连接时,系统100不包含有关偏好信息112的信息(但是,系统100可以包含一些用户信息114)。为了向终端用户提供一些推荐,可以使用基于人群的推荐方案。在一个例子中,对于有关定位餐厅的选项问题,基于人群的推荐单元304可以分析已经搜索并定位餐厅的其他终端用户的偏好信息112,然后基于该偏好信息112计算多个选项118的得分。
如果推荐确定单元302确定终端用户与存储有用于一个或多个先前的选项问题的偏好信息112的简档110相关联,则个性化推荐单元305可以被配置为部分地基于用于该终端用户的一个或多个先前的选项问题的决策做出标准112-1和相应的权重值112-2来计算多个选项118的得分。综上所述,依赖于终端用户先前到系统100的连接,基于个性化推荐方案或基于人群的推荐方案,对多个选项118进行评分(scoring)。
决策引擎102(通过交互处理单元306)可以经由显示器201将确定的选项105提供给终端用户,并提供由系统100确定的任何类型的信息。另外,交互处理单元306可以处理用户与显示信息的交互,而且向其他单元提供任何更新的信息以进行进一步处理。交互处理单元306的更具体的操作将参照图4和图5进行说明。
转换单元307可以被配置为将重要性类别(例如,一个或多个激活的决策做出标准可以与重要性类别相关联)转换成权重值(而且反之亦然)。转换单元307的细节将参照图6A和图6B进一步说明。
营销管理者单元308可以被配置为确定跨产品推荐106和特定于用户的营销消息107。例如,对于指定的全局人群的每个用户,营销管理者单元308可以基于所捕获的偏好信息112来确定跨产品或跨服务推荐106。然后,营销管理者单元308可以执行向终端用户通知推荐的动作,诸如发送电子邮件、显示广告等。此外,使用偏好信息112,营销管理者单元308可以确定特定于用户的营销消息107。例如,营销管理者单元308可以将营销消息的内容定制为适合用户所指定的偏好。营销管理者单元308的细节将参照图9进一步说明。
分析单元310可以被配置以分析简档110中包含的偏好信息112,而且生成各种不同的报告。一般地,生成的报告可以提供有关在做出决策时哪些因素对于用户最重要的信息,诸如因素和相对重要性。
特别是,捕获的偏好信息112可以被分析和概括,以向产品/服务的供应商提供趋势和见解。例如,分析单元310可以分析包含偏好信息112的简档110,并执行决策做出标准分析108。在一个示例中,决策做出标准分析108可以产生关于特定产品/服务类别(如汽车)的报告,其解释影响用户关于产品/服务类别的决策的因素(见图10)。然而,一般地,分析单元310可以在终端用户的简档110中产生概括了捕获的决策做出标准112-1、相应的权重112-2和已应用的过滤器112-3的任何类型的报告。在一些例子中,报告可以标识在做出决策时的因素及其相对重要性(见图10)、不同阶层人群之间的差异(见图11)、和/或供应商的特定品牌或产品与其他品牌相比被如何感知/排名(见图12)。
图4示出了根据实施例的显示器201的屏幕截图400,其提供了激活的决策做出标准112-1和为确定的选项105计算出的得分的例子。
参照图4,最初,当终端用户第一次连接到系统100时,决策引擎102(例如,基于人群的推荐单元304)可以通过交互处理单元306将确定的选项105作为推荐经由显示器201提供给终端用户,如图4所示。在这个例子中,涉及餐厅推荐的两个选项105被提供给终端用户以供考虑——第一选项105-1和第二选项105-2。然而,基于人群的推荐单元304通过交互处理单元306可以经由显示器201提供任意数量的选项105。另外,图4的推荐工具与提供地理视图的地图应用集成在一起,从而终端用户可以看到所确定的选项105的位置。
计算出的得分与每个确定的选项105相关联。决策引擎102可以仅提供具有最高计算得分的选项118作为确定的选项105,其可以是最佳5、10、15个选项。评分(scoring)取决于推荐方案是个性化推荐方案还是基于人群的推荐方案,这两个推荐方案都将稍后在本公开中详细说明。
参照图4,在一个例子中,用户可以在与确定的选项105之一(例如,第二选项105-2)相关联的指示符上悬停或点击,而且交互处理单元306可以提供与确定的选项105相关联的得分概要(score summary)422。得分概要422可以提供计算出的得分、名称、地址、联系信息、以及与确定的选项105相关联的任何其他信息。在这个例子中,第二选项108-2的得分概要422提供了餐厅的名称、地址、和计算出的得分(95)。此外,得分概要422可以提供比较特征,该比较特征在激活时可以提供得分报告,该得分报告提供激活的决策做出标准的权重的详细说明,如参照图5A的描述。
终端用户能够基于他/她的偏好来改变计算出的得分,例如,设置过滤器412和激活决策做出标准438。例如,在左侧面板上,可以设置过滤器412。过滤器412可以包括任何类型的公知的、用于对可能的选项118(如价格,位置等)进行分类(sort through)的过滤器选项。过滤器412的类型和具体细节可能取决于选项问题的种类而差别很大。例如,与餐厅的选择相关联的过滤器412可以基本上不同于与汽车的选择相关联的过滤器412。
因此,通过使用过滤器412,终端用户可以对选项118(例如,位置、食物的类型、价格范围等)进行过滤。在这个特定的例子中,过滤器412可以包括餐厅类型过滤器414(例如,中餐或西餐)、位置过滤器416、价格范围过滤器418、和地铁线路过滤器419。在终端用户做出选择之后,决策引擎102可以将已应用的过滤器412作为过滤器112-3保存在与该终端用户相关联的简档110中。
在右侧面板中,交互处理单元306可以在显示器201上提供偏好选择区域432。应该注意的是,偏好选择区域432和过滤器412可以是位于应用的上下文内的选项卡(tab)。因此,右侧面板上的偏好选择区域432和左侧面板上的过滤器412的布置仅出于描述目的。在一个例子中,这些选项卡的集合可以位于显示器201的一个区域中(例如,左/右/上/下,等),其中,用户可以通过例如点击1.过滤器、2.偏好、或3.预订来将这些选项卡之一带到前景中。偏好选择区域432可以包括与产品/服务类别的类型相关的决策做出标准的列表434。在这个例子中,列表434可以包括客户评论、价格、周边情况、食物的质量、位置、和促销。然而,决策做出标准的列表434可以依赖于与选项问题的上下文而有很大的不同。
交互处理单元306可以接收对列表434当中激活的决策做出标准438的选择,而且可选地,与至少两个激活的决策做出标准438相关联的排序信息。每个激活的决策做出标准438可以被分配到多个重要性类别当中的一个重要性类别。排序信息可以代表当两个或更多个激活的决策做出标准438被分配在单一重要性类别中时,所述两个或更多个激活的决策做出标准438的排序。在这种情况下,与位置和促销相关的激活的决策做出标准438已经被分配到最重要的类别,与价格相关的激活的决策做出标准438已经被分配到中等重要的类别,而且与周边情况相关的激活的决策做出标准已经被分配到不太重要的类别。
特别是,终端用户可以通过将决策做出标准分配到重要性类别之一来从列表434中选择一个或多个决策做出标准438。重要性类别可能代表对于用户而言的不同级别的重要性,并且例如可以包括诸如最重要的、中等重要的和不太重要的类别。然而,重要性类别可以包括任意数量的类别。在一个特定的例子中,终端用户可以将决策做出标准拖放到重要性类别之一中。因此,终端用户可以选择他/她认为对于做出他的/她的决策而言重要的标准。
因此,基于用户与偏好选择区域432的交互,交互处理单元306可以接收激活的决策做出标准438的选择和分配给它的重要性类别、以及排序信息。当两个或更多个激活的决策做出标准438被分配在单一重要性类别之中时,交互处理单元306可以接收排序/得分信息。因此,排序信息可以指定单一重要性类别之内的激活的决策做出标准438的排序。
与激活的决策做出标准438相关联的被分配的重要性类别和排序/得分信息可以确定按照权重值的加权(the weighting in terms of weights values)。为了获得权重值,转换单元307可以将与激活的决策做出标准438相关联的被分配的重要性类别和排序信息转换为权重值。每个权重值可以代表相应的激活的决策做出标准438的相对重要性。重要性类别到权重值的转换(以及权重值到重要性类别的转换)的细节将参照图6A和图6B说明。
虽然图4中未示出,但是也可以为激活的决策做出标准438指定其他信息,诸如阈值(例如,冷漠和偏好阈值)。然而,根据一个实施例,决策引擎102也可以根据任何类型的已知的统计技术来确定(推断)该阈值。
然后,基于偏好信息(例如,已应用的过滤器、激活的决策做出标准和相应的权重值、阈值等等)、个性化推荐单元305可以为多个选项118中的每一个计算得分。例如,首先,基于人群的推荐单元304或个性化推荐单元305可以计算多个选项118的初始分数,并确定多个选项118的至少一个子集作为确定的选项105。然后,基于从转换单元307获得的权重值,个性化推荐单元305可以更新多个选项118的得分并且将更新的结果提供给显示器201。在另一实施例中,终端用户可以查看评分的详细解释,更改与激活的决策做出标准相关联的一个或多个权重值,并查看更新的结果,如参照图5A进一步说明的。
图5A示出了根据实施例的提供用于计算出的得分的得分报告506的示例的显示器201的屏幕截图500。例如,在得分概要504中的比较特征(comparefeature)激活之后,交互处理单元306可以提供对于得分报告506的显示。另外,在得分概要504中的比较特征激活之后(或者在图5A或5B中的其他选择控制),交互处理单元306可提供如图5B所示的比较报告560。
参考图5A,得分报告506可以提供对于与特定的确定的选项105相对应的得分的解释,包括提供对于多个权重值的显示。例如,如图5A所示,在接收到与第二选项105-2相关联的得分解释选择(例如,比较按钮的激活)之后,交互处理单元306可以提供得分报告506。
得分报告506可以包括:标识信息508,其指示确定的选项105;视觉指示器510,其示出与每个激活的决策做出标准相关的权重的百分比(或数量);以及设置调整器512,其允许终端用户可以调整应用到激活的决策做出标准上的权重。
标识信息508可以标识与第二选项105-2相关联的名称、地址、和联系信息。视觉指示器510可以包括示出与每个激活的决策做出标准相关联的权重的百分比(或数量)的任何类型的图示、曲线图、或者图表。例如,视觉指示器510可以允许终端用户可以容易地理解与激活的决策做出标准相关联的权重。设置调整器512可以包括允许终端用户调整权重的任何类型的用户交互控制。在图5A的具体示例中,滑动标尺被用作为设置调整器512。然而,设置调整器512可以包括其它类型的用户交互控制,诸如,单选按钮、提供实际权重值的字段等。
根据实施例,当用户通过设置调整器512来调整权重时,交互处理单元306结合转换单元307可自动更新视觉指示器510,并且个性化推荐单元305可以动态地改变得分,其可能会影响显示所确定的选项105中的哪个。这使得推荐对用户完全透明。通过使用设置调整器512,终端用户可以改变权重的值,以执行what-if(假设)分析,以及分析评分的敏感度。
最终,终端用户将根据所接收的个性化推荐而最终进行预订或者购买。然后,可以保存偏好信息112(例如,激活的决策做出标准112-1、对应的权重112-2、应用的过滤器112-3、和阈值112-4)来作为与终端用户相关联的简档110中的偏好信息112。此外,应当注意的是,可以将偏好信息112保存与在没有实际进行购买的终端用户相关联的简档110中。例如,当用户退出系统100时,决策引擎102可以在简档110中保存偏好信息112。
图5B示出了根据实施例的,提供比较报告560的示例的显示器201的屏幕截图550。例如,在激活选择控制(例如,比较特征)之后,交互处理单元306可以提供比较报告560。比较报告560可以包括比较图示565,其根据按照决策做出标准112-1的百分比来分解的计算出的得分来提供在两个或更多个选项105(例如,第一选项105-1和第二选项105-2)之间的差。
比较图示565可以包括示出与用于比较选项的每个激活的决策做出标准相关的权重得分的百分比(或数量)的任何类型的图示、曲线图、或者图表。例如,比较图示565示出了用于第一选项105-1的计算出的得分的决策做出标准112-1的加权得分的百分比,以及用于第二选项105-2的计算出的得分的决策做出标准112-2的加权得分的百分比。比较图示565可以允许终端用户可以容易地理解与用于两个或更多个选项的激活的决策做出标准相关联的加权得分。设置调整器512可以包括允许终端用户调整该加权的任何类型的用户交互控制。在图5A的具体示例中,滑动标尺被用作为设置调整器512。然而,设置调整器512可以包括其它类型的用户交互控制,诸如,单选按钮,提供实际权重值的字段等。设置调整器512允许用户改变用于整个选项问题的权重。然后,比较图示565示出每个选项的加权得分,并且包括考虑到设置调整器512所定义的标准的权重来解释每个选项在每个标准上表现如何的信息。
正如人们可以看到地,提供给用户的这种交互推荐基于他/她的偏好。这显然是与其他推荐系统相比显著的特点。此外,为每个用户以及为每个选项问题保存该偏好信息112。这意味着,该偏好信息112可以被重新用于后续(实时或批处理模式)的营销动作。
此外,系统100可以对新信息进行实时自动更新帐户。例如,系统100可以很容易地处理与当前选项问题相关的新数据,诸如,到用户位置的(例如,离移动电话的)距离、折扣、天气等。然后,当终端用户重新连接到系统100时,个性化推荐单元305可以更新不同选项118的推荐得分/排序。此外,决策引擎102还可以发送特定的通知给用户,以指示从他/她的最后(last)的选项问题以来是否有信息已经改变。
此外,新的选项可以很容易地添加到系统100。决策引擎102可以自动地向系统100中包括新的选项。在该上下文中,注意到不需要训练或者热身阶段,而仅仅需要关于新的选项的客观信息(objective information)。基于最初由用户提供的偏好信息112,客观信息可以被转换为个性化排序/得分。此外,新的选项问题可以很容易地添加到系统中。由于系统100的管理员可以指定在不同的选项问题之间的初始相似性,所以用于一个选项问题的偏好信息112可以被转移到其他选项问题。事实上,这种“转移(transfer)”可以由用户的行为来更新。
图6A示出根据实施例的转换单元307的示例操作。例如,转换单元307可以将重要性类别(例如,最重要的、中度重要的、不太重要的)转换为权重值。此外,用户可以随后通过设置调整器512来调整权重值,以执行一个或多个“假设(what-if)”分析场景。
可以计算权重的成对的强度比较矩阵(602)。例如,转换单元307可以计算成对的比较矩阵A,其中,每个元素aij对应于决策做出标准i相对于决策做出标准j的重要性强度。该强度越高,则决策做出标准i相对于决策做出标准j的重要性就越高。通过构建,每个元素可以通过aij利用约束来表示。在从重要性类别中计算权重值时,转换单元307可使用下面的表。
表1
在一个示例中,对于类别1(例如,最重要)的所有决策做出标准相比于类别2(例如,中等重要),转换单元307可以将该强度计算为4。对于类别2(例如,中等重要)的所有决策做出标准相比于类别3(例如,不太重要),转换单元307可以将该强度计算为4。对于类别1(例如,最重要)的所有决策做出标准相比于类别3(例如,不太重要),转换单元307可以将该强度计算为8。
对于同一类别的决策做出标准对i,j(但排序不同),转换单元307可以如下地计算该强度:
Difference_rank_ij=rank_i–rank_j
If(1<=Difference_rank_ij<8):
aji=(Difference_rank_ij+1)and
ElseIf(Difference_rank_ij>=8):
aji=8and
ElseIf(Difference_rank_ij<-8)
aij=8and
Else
aij=(Difference_rank_ij+1)and
应当注意的是,上面的示例利用三个不同的类别。然而,实施例可以利用任何数量的重要性类别。此外,最大强度比较值(在此被设置为9)也可以由系统管理员来改变。
表2示出所接收的排序信息和决策做出标准(例如,标准1至标准5)到重要性类别的分配的示例。
表2
非常重要(类别1) | 中等重要(类别2) | 不太重要(类别3) | |
排序1 | 标准1 | 标准3 | 标准4 |
排序2 | 标准2 | 标准5 | |
排序3 |
表3示出了由转换单元307计算的成对的重要性矩阵的示例。
表3
标准1 | 标准2 | 标准3 | 标准4 | 标准5 | 总共 | |
标准1 | 1 | 2 | 4 | 8 | 8 | 23 |
标准2 | 0.5 | 1 | 4 | 8 | 8 | 21.5 |
标准3 | 0.2 | 0.2 | 1 | 4 | 4 | 9.4 |
标准4 | 0.125 | 0.125 | 0.25 | 1 | 2 | 3.5 |
标准5 | 0.125 | 0.125 | 0.25 | 0.5 | 1 | 2 |
总共: | 66.242 |
可以推断权重值(604)。例如,转换单元307可以从对应于决策做出标准i相对于决策做出标准j的重要性强度的元素aij中推断出权重值。例如,转换单元307可以将A的行i的元素如下地求和:
等式(1):ri=Σiaij
然后,转换单元307将行的和归一化以获取权重值,如下所示:
等式(2):
此外,应当注意的是,也可以使用另一种方法来推断权重值。例如,权重值可以被映射到矩阵A的本征值。表4提供了表3的推断的权重值的示例。
表4
标准 | 相对值(5) |
标准1 | 0.387205(23/66.42) |
标准2 | 0.361953 |
标准3 | 0.158249 |
标准4 | 0.058923 |
标准5 | 0.03367 |
以下是根据实施例,用于将重要性类别转换为权重值的伪代码的示例。让我们假设存在q个标准。
此外,转换单元307可以将权重值转换为重要性类别。图6B所示了将权重值转换回重要性类别的转换单元307的示例操作。
可进行K-means(K-均值)聚类(clustering)(606)。例如,转换单元307可以在施加K=3,即3个聚类(cluster)的同时,在相对权重值上执行K-means聚类。然而,聚类的数量(K)可能包括任何类型的值。质心(centroid)的值可能是有序的。在一个实施例中,转换单元307可以将与最高质心相对应的聚类的元素分配到类别1。在该聚类内的标准的顺序(排序)相对于它们权重的顺序。
此外,转换单元307可以将与最低质心相对应的聚类的元素分配到类别3。在该聚类内的标准的顺序(排序)相对于它们权重的顺序。此外,转换单元307可以将剩余的标准分配到类别2,其具有对应于它们权重值的顺序的排序。该过程的优点是标准将被分布在三个类别上,并且对于每个类别总会存在至少一个标准。
或者,基于两个预定义的阈值(Δ1-2=0.30;Δ2-3=0.10),转换单元307可以将根据她她它们的权重的标准分配到具有与它们权重值的顺序相对应的排序的类别。
在转换单元307计算相应的权重值之后,个性化推荐单元305可以对多个选项118进行评分。例如,个性化推荐单元305可以被配置为部分地基于决策做出标准112-1和相应的权重值112-2,来计算多个选项118的得分。
图7示出了根据实施例的,通过包括个性化推荐单元305的决策引擎102的各个组件所执行的得分计算程序的示例操作。
基于所转换的权重值,个性化推荐单元305可以在考虑激活的决策做出标准112-1的同时,计算每个未过滤选项118的得分。由个性化推荐单元305所执行的计算可以基于PROMETHEE方法,其中,权重、冷漠和偏好阈值已经被确定。
例如,O={o1,o2,…,on}可以代表要被评分的选项118的集合,并且F={f1,f2,…,fm}可以代表激活的决策做出标准112-1。不失一般性地,假设所有标准(例如,客户评论值)被最大化。此外,fi(oj)代表关于标准fi对选项oj的评价,并且fi(oj)是数字值。映射可以由系统管理员来定义。
可以计算标准偏好度(702)。例如,对于关于标准k的选项i,j的每个有序对,可以计算成对的偏好度:该偏好度反映的是关于标准k,选项oi相比于选项oj好多少。始终在0和1之间。偏好度可以如下计算:
等式(3):
参数q,p对应于冷漠和偏好阈值。这些参数可以如下从数据中推断出:
等式(4):q=0.15*(max_evaluation_on_crit_k–min_evaluation_on_crit_k)
等式(5)p=0.85*(max_evaluation_on_crit_k–min_evaluation_on_crit_k)
可以计算单标准得分(704)。例如,用于每个选项oi的单标准得分φk(oi)可以计算如下:
等式(6):
可以计算全局得分(706)。例如,可以为每个选项oi计算加权的全局得分(例如,在-1和1之间),如下所示:
等式(7):
其中,wk表示与标准k相关的权重。
得分可能会被重新调节(rescale)(708)。例如,用于每个选项的得分可能会被如下地重新调节:
等式(8):
这使得可以避免“用户”可能不能理解的负得分。通过交互处理单元306,决策引擎102可以只提供具有最高的计算得分的选项118,作为确定的选项105,其可能是最佳的5、10、15个选项。
此外,交互处理单元306可以处理其它的用户交互,例如,如在图5A和图5B中所示的加权值的调整。例如,参考图5A,当用户通过设置调整器512来调整权重时,交互处理单元306(结合转换单元307)可自动更新视觉指示器510,并且个性化推荐单元305可以基于参考图7来解释的得分算法而动态地改变得分,这可能会影响到显示如上所确定的选项105中的哪一个。这使得推荐对用户完全透明。通过使用设置调整器512,终端用户可以改变权重的值,以执行what-if分析,并且分析评分的敏感度(sensitivity)。
在用户对选择满意之后,偏好信息112可以保存到与终端用户相关的简档110中。例如,决策引擎102可以被配置为将决策做出标准112-1、权重值112-2、过滤器112-3、和阈值112-4保存在简档110中。
图8示出了根据实施例的基于人群的推荐单元304的示例操作。例如,当终端用户第一次连接时,系统100可能不包括有关用户的至少偏好信息112。为了向其提供一些推荐,基于人群的推荐单元304可以部分地基于用于相同的选项问题但是用于其他终端用户的决策做出标准112-1和相应的权重值112-2,对多个选项118的得分执行基于人群的推荐方案。
可以选择至少一个过滤器(802)。例如,基于人群的推荐单元304可以基于来自其他终端用户的简档110的偏好信息112,选择具有超过阈值的使用频率的一个或多个过滤器。例如,基于人群的推荐单元304可以选择最常用的过滤器和相应的值(例如,超过阈值例如大于50%的相对频率)。接着,如下将仅仅考虑未过滤的决策做出标准。
可以定义活动标准和非活动标准(804)。例如,基于人群的推荐单元304可以被配置为选择一个或多个决策做出标准(例如,未过滤的标准)和其相应的重要性类别,包括:计算每个决策做出标准已经被激活的次数,以及选择具有超过阈值的次数的决策做出标准。例如,对于每个决策做出标准,基于人群的推荐单元304可以计算某个决策做出标准已经被终端用户激活的次数的比例。如果该比例大于一定的阈值(例如>50%),则基于人群的推荐单元304以接下来的操作中来考虑这些决策做出标准。
可以计算用于每个所选的标准的平均重要性(806)。例如,对于每个选择的决策做出标准,基于人群的推荐单元304确定平均重要性类别。换句话说,基于人群的推荐单元304可以为每个活动的标准计算每个标准的(由所有的用户所给定的)平均重要性。
可以计算权重(808)。例如,基于人群的推荐单元304可以使用在图6A中说明的算法来从平均重要性类别中计算权重值。可以计算得分(810)。例如,基于人群的推荐单元304可以使用参照图7所说明的算法来计算得分。
应该注意到,第一实时推荐基于全局人群或基于由用户登录时提供的特定阶层(segment)(例如学生、家庭、商务人士...)。当为每个用户保存了偏好信息112(过滤器、激活的标准、相应的权重、和阈值)时,基于人群或阶层的偏好映射可以被推断(通过现有的统计技术),并且被用于评分。
图9示出了根据实施例的营销管理者单元308的示例操作。例如,营销管理者单元308可以被配置成用于确定跨产品推荐106和特定于用户的营销消息107。
可以接收对目标人群的定义(902)。例如,营销管理者单元308可以接收对诸如一类用户的目标人群的定义。具体地,营销管理者单元308可以接收对属于某一组用户的定义,例如,商务人士、家庭、学生等。
确定是否施加产品类别(904)。例如,营销管理员可以选择产品类别,或营销经理单元308者基于人群对于若干产品的兴趣,使用协同(collaborative)过滤方法来推断哪个产品类别将可能与特定的用户相关。
如果营销管理者单元308没有接收到明确的产品类别,则可以使用协同过滤来为每个终端用户定义产品(906)。协同过滤是指如果较高比例的用户已购买类别A和B的两种产品/服务,那么营销管理者单元308可以将类别B推荐给只购买了类别A的产品的用户,并且反之亦然。应该注意的是,(相对于特定的产品/服务)协同过滤方法可以推荐产品/服务的类别。然而,如下面将解释的,营销管理者单元308可以从推断的类别中定义特定的选项(产品/服务)。
偏好信息可以被检索或计算(908)。例如,对于定义的人群内的每个用户,营销管理者单元308可以从它们的简档110中定义相应的偏好信息。例如,用户(将向其推荐定义/推断的类别的选项)的偏好信息可以包括:过滤器112-2(然而,过滤器信息可以是可选的)、激活的决策做出标准112-1、以及权重值112-3(或权重类别)。出于解释的目的,将向其推荐定义/推断的类别的选项的用户的偏好信息被表示为Y。
在一个示例中,营销管理者单元308确定用户是否已经从产品类别中选择了产品。如果用户已经从产品类别中选择了产品,则营销管理者单元308可以从以前保存的选项问题中检索偏好信息112。在一个示例中,营销管理者单元308可以将偏好信息112平均化。
在另一个示例中,营销管理者单元308可以确定终端用户没有从产品类别中选择特定的产品,但是已作出了对于另一选项问题的选择(用X表示)。因此,存在作出选择X和Y的用户。然后,营销管理者单元308可以找到与选项问题X的偏好信息相关的最相似的用户。如果相似度可以接受,则营销管理者单元308可以将这些相似用户的偏好信息112转用(impute)于选项问题Y。如果相似性不够高,则过程如如下解释地进行。
如果相似度不够高(或者不存在做出选择产品类型X和Y的用户),则营销管理者单元308可以进行以下分析之一。
第一,在存储在简档110中的之前的选项问题的集合中,营销管理者单元308可以确定选项问题Z,使得决策做出标准可以被映射用于选项问题X。例如,与餐厅的位置相关的选项问题和与酒吧的选择有关的选项问题可以包括类似的决策做出标准的集合,例如,位置、距离、服务质量、菜单的价格、促销活动、以及设施的类型。在这种情况下,营销管理单元308可以导入选项问题Z的偏好信息112(例如,其包含与选项问题X相似的决策做出标准),作为选项问题X的偏好信息。
第二,营销管理者单元308可以确定终端用户的先前的选项问题中不存在选项问题Z(例如,类似情况的选项问题)。在这种情况下,营销管理单元308可以定位类似于选项问题X的选项问题(而与用户无关),通过将偏好值平均化并且将其分配给用户来转用全局人群或者某一阶层(例如,学生)的选项问题D的偏好信息112。
可以为选项评分(910)。例如,营销管理者单元308可以被配置为使用在图7中的得分算法基于在操作1108中获取的偏好信息来计算选项118的得分,并且从类别Y中推荐一个或者多个最高得分的选项。
因此,基于评分,营销管理者单元308可以为终端用户确定跨产品的推荐106。然后,营销管理者单元308执行动作来向终端用户通知该推荐,例如,发送电子邮件、显示广告等。另外,使用偏好信息112,营销管理者单元308可以确定特定于用户的营销消息107。例如,营销管理者单元308可以将营销消息的内容定制为适合用户指定的偏好。用于具有不同偏好的不同用户的不同的营销消息的示例可以包括:
示例1
嗨,罗伯特,
这个星期,我们推荐餐厅XXX的令人愉悦的热辣汤。所有的菜单选择都会收到10%的折扣。在您用餐后,可以享受XX区域周边的繁华地段和其酒吧。
示例2
嗨,马克,
这个星期,我们推荐餐厅YYY的令人愉悦的西式菜单。这家餐厅已经收到良好的客户评论。在您用餐后,可以享受在世纪公园安静的周边散步。
例如,基于激活的决策做出标准112-1和相应的权重值112-2,营销管理者单元308可以确定对于特定的用户来说哪些因素重要,然后自动设计特定于用户的营销消息107。
图10例示了根据实施例的由分析单元310生成的示例报告。例如,分析单元310可以被配置为分析包含在简档110中的偏好信息112,并且生成各种不同的报告。一般情况下,生成的报告可以提供有关哪些因素对于用户而言是最重要的信息,诸如,在做出决定时的因素和相对重要性。
在这个具体的示例中,分析单元310通过检查过滤器112-3的使用百分比来分析偏好信息112。例如,当搜索汽车时,该报告提供了所应用的过滤器112-3的使用量。因此,汽车的供应商可以知晓与对于特定汽车的搜索最相关的因素。应该注意的是,图10的报告仅仅是一个示例。例如,分析单元310可以分析任何类型的偏好信息112,例如,激活的决策做出标准112-1、相应的权重112-2、应用的过滤器112-3、阈值112-4,并生成任何类似的报告。
图11示出根据实施例的由分析单元310产生的示例报告。例如,分析单元310可以获取提供不同阶层人群之间的差异的信息。在这个示例中,分析单元310在不同阶层的人群上分析决策做出标准112-1和其相应的权重值112-2(或强度等级)。因此,由图11提供的报告向汽车供应商提供了与各种阶层的人群购买汽车最相关的因素。
图12例示了根据实施例的由分析单元310生成的示例报告。例如,分析单元310可以获取关于特定的品牌或产品相比于其他品牌/产品的被如何感知/排序的信息。例如,分析单元310可以跟踪每个排序中特定品牌出现的次数。
图13示出了表示图1的系统100的示例操作的流程图。虽然图13被示出为顺序的、有序的操作列表,但是应该理解,一些或所有的操作可以以不同的顺序,或并列地,或迭代地,或者在时间上重叠地出现。
可以接收到系统的连接(1302)。例如,决策引擎102(例如,具体来说,推荐确定单元302)可以接收到系统100的连接。例如,用户可以登录到系统100中,并且之后,推荐确定单元302可以接收到系统100的连接。
可以按照选择来确定类别(1304)。例如,决策引擎102可以确定与产品类别或服务类别相关的特定类别是否被选择。如果选择了类别,则操作可以行进到在所选择的类别内确定选项105,例如,操作1306、1308、1310、1312、1314、1316、和1318。如果没有选择类别,则操作可以行进到确定跨产品的推荐106(以及可能的特定于用户的营销消息107),例如,操作1320、1322、1324、和1326。
如果产品被选择时,进行关于是否该用户是首次用户的确定(1306)。例如,如果用户是首次用户,则基于人群的推荐方案可以被使用,因为在此时,系统100不具有该用户的偏好信息112(1308)。如果用户不是首次用户,则个性化推荐方案可以被使用,因为系统100包括当前用户的至少一个先前的选项问题的偏好信息112(1310)。
更详细地,推荐确定单元302可以接收关于对特定产品/服务类别的推荐的请求,并且基于终端用户是否与存储了先前的选项问题的偏好信息112的简档110相关联来确定要使用的推荐方案(例如,个性化推荐方案和基于人群的推荐方案中的一个)。例如,推荐确定单元302可以确定发出请求的终端用户是否是第一次登录到系统100。如果是的话,则终端用户没有任何与其简档110相关联的存储的偏好信息112。例如,简档110不包含对于先前选项问题的偏好信息112。在这种情况下,推荐确定单元302确定应该使用基于人群的推荐方案。
执行基于人群的推荐方案(1308)。例如,部分地基于用于相同的选项问题、但是用于其他终端用户的决策做出标准112-1和相应的权重值112-2,基于人群的推荐单元304可以对用于多个选项118的得分执行基于人群的推荐方案。基于人群的推荐单元304可以根据参照图8所描述的操作来执行基于人群的推荐方案。然后,决策引擎102(通过交互处理单元306)可以通过显示器201来提供如图4所示的所确定的选项105。决策引擎102可以仅仅提供具有最高的计算得分的选项118来作为确定的选项105,其可能是最佳的5、10、15个选项。
然而,如果推荐确定单元302确定终端用户与存储用于一个或多个之前的选项问题的偏好信息112的简档110相关联,则推荐确定单元302可以确定使用个性化推荐方案。
执行更新的(最新的)个性化推荐(1310)。例如,个性化推荐单元305可以更新终端用户的最新的个性化推荐。例如,个性化推荐单元305可以从与终端用户相关联的简档110中接收偏好信息112,并且使用参考图7来说明的得分计算操作,基于偏好信息来计算选项118的得分。然后,决策引擎102(通过交互处理单元306)可以通过显示器201来提供如图4所示的所确定的选项105。决策引擎102可以仅仅提供具有最高的计算得分的选项118来作为确定的选项105,其可以是最佳的5、10、15个选项。
确定用户是否满意(1312)。例如,用户可以简单地选择所确定的选项105(图4所示)中的一个,以进行购买。然而,如果用户不满意,则用户可以与网站(诸如如图4的过滤器412和偏好选择区域432以及图5A的权重设置(通过设置调整器512))进行交互。
可以处理交互(1314)。例如,参考图4,用户可以在与所确定的选项105中的一个(例如,第二选项105-2)相关联的指示器上悬停或点击,并且交互处理单元306可以提供与所确定的选项105相关联的得分概要422。得分概要422可提供计算出的得分、名称、地址、联系信息,以及与所确定的选项105相关联的任何其他信息。
基于用户与偏好选择区域432的交互,交互处理单元306可以接收对于激活的决策做出标准和分配给其的重要性类别的选择,以及排序数据。
为了获取权重值,转换单元307可以将与激活的决策做出标准相关联的被分配的重要性类别和排序信息转换为权重值。参照图6A来说明由转换单元307进行的权重转换。
可以执行个性化推荐评分(1316)。例如,基于从转换单元307获取的权重值,个性化推荐单元305可以更新用于多个选项118的得分,并且向显示器201提供更新的结果。在另一实施例中,终端用户可以查看对于评分的详细说明,更改与激活的决策做出标准相关联的一个或多个权重值,并且查看更新的结果。例如,图5A的得分报告506可以提供与特定的确定的选项105相对应的得分的说明,包括提供对于多个权重值的显示。例如,如图5A中所示,在接收到对与第二选项105-2相关联的得分解释的选择(例如,激活比较按钮)之后,交互处理单元306可以提供得分报告506。此外,图5B的比较报告560可以提供对与两个或多个选项105相对应的得分的解释。
在图5A中,得分报告506可以包括:标识信息508,其指示确定的选项105;视觉指示器510,其示出与每个激活的决策做出标准相关的权重的百分比(或数量);以及设置调整器512,其允许终端用户调整应用到激活的决策做出标准的权重。在图5B中,比较报告560可以包括:比较图示565,其示出比较的选项的每个得分的加权;以及设置调整器512,其允许终端用户来调整该加权。
根据实施例,当用户通过图5A或图5B中的设置调整器512来调整权重时,交互处理单元306结合转换单元307可以自动更新的视觉指示器510,并且个性化推荐单元305可以动态地改变得分,其可能会影响哪一个确定的选项105将被显示。这使得推荐对用户完全透明。通过使用设置调整器512,终端用户可以改变权重值,以执行what-if分析,并且分析评分的敏感度。
偏好信息可以被保存(1318)。最终,基于接收到的个性化推荐,终端用户将最终进行预订或购买,(例如,在1312处,用户被识别为满意)。然后,偏好信息112(例如,激活的决策做出标准112-1、对应的权重112-2、应用的过滤器112-3、阈值112-4)可以被保存,作为在与终端用户相关联的简档110中的偏好信息112。
然而,如果未选择产品类别,则可以找到其他选项,以基于人群来进行推荐(1320)。例如,在这种情况下,决策引擎102可以识别出推荐工具将被用于跨产品的推荐106,以及可能的特定于用户的营销消息107。
例如,参照图9所说明地,营销管理者单元308可以接收对目标人群(例如,一类用户)的定义。结合目标人群,可以由管理员施加或者通过协同过滤方法确定产品/服务类别。
可以检索用户相关的偏好信息(1322)。例如,对于在所定义人群内每个用户,营销管理者单元308可以以参考图9所说明的方式来从它们的简档110中定义相应的偏好信息。
可以执行个性化推荐(1324)。例如,营销管理者单元308可以被配置为使用在图7中的得分计算操作,基于在操作1312中获取的偏好信息来计算选项118的得分,并且推荐最高得分选项中的一个或多个。因此,根据得分,营销管理单元308可以确定针对该终端用户的跨产品的推荐106。
可以执行动作(1326)。例如,营销管理者单元308可以执行动作来向终端用户通知推荐,例如,发送电子邮件,显示广告等。另外,使用偏好信息112,营销管理者单元308可以确定特定于用户的营销消息107。例如,营销管理单元308可以将营销消息的内容定制为适合用户指定的偏好。基于激活的决策做出标准112-1和相应的权重值112-2,营销管理者单元308可以确定哪些因素对于特定的用户是很重要的,然后自动设计特定于用户的营销消息107。
图14示出了表示根据实施例的图1的系统100的示例操作的流程图。虽然图14被示出为连续的、有序的操作列表,但应该理解,一些或所有的操作可以以不同的顺序、或并列地、或迭代地,或者可以在时间上重叠地出现。
可以接收关于对与产品或者服务类别相关联的选项问题的推荐的请求(1402)。例如,决策引擎102可以接收关于对与产品或者服务类别相关联的选项问题的推荐的请求。在一个示例中,决策引擎102可以从与简档110-1相关联的终端用户接收关于推荐的请求。请求可以关于对在产品/服务类别内的产品/服务的推荐。在一个特定的示例中,请求可以与对餐馆的推荐相关,或者请求可以与对汽车的推荐相关。
对于产品或者服务类别,可以基于偏好信息确定多个选项中的选项,其中,偏好信息部分地包括激活的决策做出标准和相应的权重值,该决策做出标准表示用于影响至少一个终端用户对于该选项问题或者之前的选项问题的决策的因素,并且该相应的权重值表示每个激活的决策做出标准的相对重要性(1404)。
例如,决策引擎102可以从属于该请求的数据源116中接收多个已过滤/未过滤的选项118。例如,响应于该请求,决策引擎102可以查询和接收与餐厅相关的多个选项118。在该上下文中,多个选项118可以表示与系统100相关联的所有(或几乎所有)的已过滤/未过滤的餐馆。
然后,决策引擎102可以分析多个选项118,并且基于在与发出请求的终端用户相关联的简档110-1中的偏好信息112,和/或与来自其他终端用户的一个或多个简档110相关的偏好信息112,来确定多个选项118的至少一个子集(例如,最佳的10/20/30个选项)作为所确定的选项105。
如果简档110-1没有指定偏好信息112(例如,用户第一次使用系统100),则决策引擎102可以基于其他终端用户的偏好信息112来确定产品/服务推荐。该推荐方案可称为基于人群的推荐方案。如果简档110-1指定了偏好信息112(无论是针对与相同产品/服务类别相关的先前的选项问题,还是针对与不同产品/服务类别相关的先前的选项问题),则决策引擎102可以基于与当前终端用户的简档110-1相关联的所存储的偏好信息112来确定产品/服务推荐。该推荐方案可称为个性化推荐方案。
通过部分地基于激活的决策做出标准和相应的权重值来计算多个选项的得分,以及基于所计算的得分在多个选项中选择选项,可以在多个选项中确定选项(1406)。
例如,为了从多个可用的选项118中获取确定的选项105(根据基于人群推荐方案或个性化推荐方案),决策引擎102可以部分地基于决策做出标准112-1和相应的权重值112-2来计算多个选项118的得分。例如,决策引擎102可以计算多个选项118的每个选项118的得分,其中,得分表示相应的选项118的相关性,例如,相对较高的得分将与终端用户高度相关。另外,决策引擎102可利用过滤器112-3、阈值112-4、用户信息114、以及与系统100相关联的其他类型的信息(例如,外部数据源104),来计算多个选项118的得分。然后,决策引擎102可以基于所计算的得分,在多个选项118中选择选项105。在一个示例中,决策引擎102可以选择具有最高得分的选项105,例如,具有最佳10/20/30个得分的选项105。
对确定的选项的显示可以被显示为对产品或服务类别的推荐(1408)。例如,决策引擎102可以通过显示器201来提供所确定的选项105,以供终端用户考虑,例如,如图4和5所提供的屏幕截图。
这里所描述的各种技术的实现可以被实现在数字电子电路中,或者在计算机硬件、固件、软件、或它们的组合中。所述实现可以被实现为一种计算机程序产品,即,有形地体现在信息载体中的计算机程序,例如,在机器可读存储设备中或者在传播的信号中,以用于通过数据处理装置来执行,或者控制数据处理装置的操作,其中,所述控制数据处理装置例如是可编程处理器、计算机、或者多个计算机。计算机程序,诸如如上所述的计算机程序可以用任何形式的编程语言,包括编译或解释语言来编写,并且可以以任何形式来部署,包括作为独立的程序或者作为模块、组件、子例程、或其他适于在计算环境中使用的单元。计算机程序可以被部署到一台计算机上执行,或在一个站点或者分布在多个站点并且通过通信网络互连的多台计算机上来执行。
方法步骤可以通过执行计算机程序的一个或多个可编程处理器来执行,以通过操作输入数据和产生输出来执行功能。方法步骤还可以通过专用逻辑电路,例如,FPGA(现场可编程门阵列)或ASIC(专用集成电路)来执行,或者装置可以被实施为专用逻辑电路,例如,FPGA(现场可编程门阵列)或ASIC(专用集成电路)。
通过举例的方式,用于执行计算机程序的合适的处理器包括通用和专用微处理器这两者,以及任何类型的数字计算机的任何一个或多个处理器。通常,处理器会从只读存储器或随机存取存储器或这两者中接收指令和数据。计算机的元件可以包括:用于执行指令的至少一个处理器,和用于存储指令和数据的一个或多个存储器设备。一般来说,计算机还可以包括,或者被可操作地耦合到例如,磁盘,磁光盘,或光盘的一个或多个用于存储数据的大容量存储设备,以从其接收数据或将数据传送到其上,或两者兼而有之。适合包含计算机程序指令和数据的信息载体包括所有形式的非易失性存储器,例如包括:半导体存储器设备,例如,EPROM、EEPROM、和闪存设备;磁盘,例如内置硬盘或可移动磁盘;磁光盘;和CD-ROM和DVD-ROM光盘。处理器和存储器可以被添加到,或合并到专用逻辑电路中。
为了提供与用户的交互,所述实现可以被实现在计算机上,其具有显示装置,例如,阴极射线管(CRT)或液晶显示(LCD)监视器,用于显示信息给用户;以及键盘和指示设备,例如,鼠标或轨迹球,通过其用户可以将输入提供到计算机。其他种类的设备也可以被用来提供与用户的交互;例如,提供给用户的反馈可以是任何形式的感觉反馈,例如,视觉反馈、听觉反馈、或触觉反馈;并且来自用户的输入可以以任何形式接收,包括声音、语音、或触觉输入。
所述实现可以实施在计算系统中,其包括例如,数据服务器的后端组件;或包括例如,应用程序服务器的中间件组件;或者包括例如,客户端计算机地前端组件,所述客户端计算机具有图形用户界面或Web浏览器,用户可以通过其来进行与实现的交互;或者包括该后端、中间件、或前端组件的任意组合。组件可以通过任何形式或介质的数字数据通信来互联,例如,通过通信网络来互连。通信网络的示例包括局域网络(LAN)和广域网(WAN),例如,因特网。
虽然在此已经示出了所述的实现方式的某些特征,但是对于本领域技术人员而言将可以出现很多修改、替换、更改和等同物。因此,应当理解的是,所附的权利要求意在覆盖落入实施例的范围内的所有这样的修改和变化。
Claims (20)
1.一种用于基于决策做出标准的推荐的系统,包括:
至少一个处理器;
非临时性计算机可读介质,其包括能够由所述至少一个处理器执行的指令,所述指令被配置为实施,
决策引擎,被配置为接收关于对与产品或服务类别相关联的选项问题的推荐的请求,
所述决策引擎被配置为基于偏好信息来确定产品或服务类别的多个选项中的选项,所述偏好信息部分地包括激活的决策做出标准和相应的权重值,所述决策做出标准代表影响至少一个终端用户对于该选项问题或先前的选项问题的决策的因素,所述相应的权重值代表每个激活的决策做出标准的相对重要性,
所述决策引擎被配置为确定所述多个选项中的选项包括:部分地基于激活的决策做出标准和相应的权重值来计算所述多个选项的得分,并且基于计算出的得分来选择所述多个选项当中的选项,以及
所述决策引擎被配置为提供已确定的选项的显示,作为对产品或服务类别的推荐。
2.如权利要求1所述的系统,其中,所述决策引擎被配置为计算所述多个选项的得分包括:
数据库被配置为存储与多个终端用户相关联的多个简档,每个简档包括一个或多个选项问题的偏好信息,对于每个选项问题,所述偏好信息包括激活的决策做出标准、相应的权重值和至少一个已应用的过滤器;
推荐确定单元被配置为基于该终端用户是否与存储了先前的选项问题所关联的先前的偏好信息的简档相关联来确定个性化推荐方案和基于人群的推荐方案之一;
当推荐确定单元确定了个性化推荐方案时,个性化推荐单元被配置为根据个性化推荐方案,部分地基于与该终端用户相关联的至少一个先前的选项问题的激活的决策做出标准和相应的权重值来计算所述多个选项的得分;以及
当推荐确定单元确定了基于人群的推荐方案时,基于人群的推荐单元被配置为部分地基于其他终端用户的选项问题的激活的决策做出标准和相应的权重值来计算所述多个选项的得分。
3.如权利要求2所述的系统,其中基于人群的推荐单元被配置为计算所述多个选项的得分包括:
基于人群的推荐单元被配置为基于来自所述多个简档的偏好信息来选择具有超过第一阈值的使用频率的至少一个过滤器;
基于人群的推荐单元被配置为选择至少一个激活的决策做出标准和相应的重要性类别包括:计算每个决策做出标准已经被激活的次数,而且选择具有超过第二阈值的次数的至少一个激活的决策做出标准;以及
基于人群的推荐单元被配置为基于所选择的至少一个过滤器、所选择的至少一个激活的决策做出标准和相应的重要性类别来计算所述多个选项的得分。
4.如权利要求1所述的系统,其中,所述决策引擎被配置为确定所述多个选项当中的选项包括:
交互处理单元被配置为提供与已确定的选项相关联的多个决策做出标准的显示;
其中,交互处理单元被配置为接收对所述多个决策做出标准当中激活的决策做出标准的选择,每个激活的决策做出标准被分配到多个重要性类别当中的重要性类别;以及
个性化推荐单元被配置为基于激活的决策做出标准和被分配的重要性类别来计算所述多个选项的得分,
其中,个性化推荐单元被配置为基于计算出的得分来选择所述多个选项当中的选项。
5.如权利要求4所述的系统,其中,所述决策引擎被配置为确定所述多个选项当中的选项包括:
交互处理单元被配置为提供与特定选项相关联的得分的显示;
转换单元被配置为将与激活的决策做出标准相关联的重要性类别转换成多个权重值;
交互处理单元被配置为响应于得分解释选择来提供与特定选项相对应的得分的解释的显示包括:提供所述多个权重值的显示,其中,交互处理单元被配置为接收对所述多个权重值中的至少一个的调整;以及
个性化推荐单元被配置为基于已调整的权重值来重新计算所述多个选项的得分,并且基于重新计算的得分来选择所述多个选项当中的选项。
6.如权利要求1所述的系统,其中,所述决策引擎被配置为计算所述多个选项的得分包括:
决策引擎被配置为计算每个决策做出标准的多个选项中的每对选项的成对的偏好程度,该偏好程度代表每个决策做出标准的每对选项中的第一选项和第二选项之间的偏好等级;
决策引擎被配置为基于该偏好程度来计算每个第一选项的单标准得分;
决策引擎被配置为基于该单标准得分和相应的权重值来计算每个第一选项的加权的全局得分;以及
决策引擎被配置为重新调节每个第一选项的加权的全局得分,而且输出已重新调节的每个第一选项的加权的全局得分作为计算出的所述多个选项的的得分。
7.如权利要求1所述的系统,其中,所述决策引擎被配置为将激活的决策做出标准和相应的权重值保存在与该终端用户相关联的简档中。
8.如权利要求1所述的系统,其中,所述决策引擎被配置为接收可能影响该终端用户的决策的外部因素,该外部因素包括位置、天气和促销中的至少一个,而且所述决策引擎被配置为基于偏好信息和外部因素来确定所述多个选项中的选项。
9.如权利要求1所述的系统,还包括:
数据库,存储与多个终端用户相关联的多个简档,每个简档包括各自终端用户的偏好信息;以及
分析单元,被配置为分析产品或服务类别内的多个简档的偏好信息,包括确定影响终端用户对于产品或服务类别的决策的因素。
10.如权利要求1所述的系统,还包括:
数据库,存储与多个终端用户相关联的多个简档,每个简档包括各自终端用户的偏好信息;以及
营销管理者单元,被配置为基于偏好信息来确定对于终端用户的跨产品或跨服务的推荐。
11.如权利要求10所述的系统,其中,所述营销管理者单元被配置为基于偏好信息来确定对于终端用户的特定于用户的营销消息。
12.一种存储有指令的非临时性计算机可读介质,当所述指令被执行时使得至少一个处理器确定基于决策做出标准的推荐,所述指令包括执行如下操作的指令:
接收关于对与产品或服务类别相关联的选项问题的推荐的请求;
基于偏好信息来确定产品或服务类别的多个选项中的选项,所述偏好信息部分地包括激活的决策做出标准和相应的权重值,所述决策做出标准代表影响至少一个终端用户对于该选项问题或先前的选项问题的决策的因素,所述相应的权重值代表每个激活的决策做出标准的相对重要性;
其中,用于确定所述多个选项中的选项的指令包括用于执行以下操作的指令:部分地基于激活的决策做出标准和相应的权重值来计算所述多个选项的得分并且基于计算出的得分来选择所述多个选项当中的选项;以及
提供所确定的选项的显示,作为对产品或服务类别的推荐。
13.如权利要求12所述的非临时性计算机可读介质,其中,用于计算所述多个选项的得分的指令包括用于执行以下操作的指令:
存储与多个终端用户相关联的多个简档,每个简档包括一个或多个选项问题的偏好信息,对于每个选项问题,所述偏好信息包括激活的决策做出标准、相应的权重值和至少一个已应用的过滤器;
基于终端用户是否与存储了先前的选项问题所关联的先前的偏好信息的简档相关联来确定个性化推荐方案和基于人群的推荐方案之一;
当确定了个性化推荐方案时,部分地基于与该终端用户相关联的至少一个先前的选项问题的激活的决策做出标准和相应的权重值来计算所述多个选项的得分;以及
当确定了基于人群的推荐方案时,部分地基于其他终端用户的选项问题的激活的决策做出标准和相应的权重值来计算所述多个选项的得分。
14.如权利要求13所述的非临时性计算机可读介质,其中用于根据基于人群的推荐方案来计算所述多个选项的得分的指令包括用于执行以下操作的指令:
基于来自所述多个简档的偏好信息来选择具有超过第一阈值的使用频率的至少一个过滤器;
选择至少一个激活的决策做出标准和相应的重要性类别,包括:计算每个决策做出标准已经被激活的次数,而且选择具有超过第二阈值的次数的至少一个激活的决策做出标准;以及
基于所选择的至少一个过滤器、所选择的至少一个激活的决策做出标准和相应的重要性类别来计算所述多个选项的得分。
15.如权利要求12所述的非临时性计算机可读介质,其中,用于确定所述多个选项当中的选项的指令包括用于执行以下操作的指令:
提供与已确定的选项相关联的多个决策做出标准的显示;
接收对所述多个决策做出标准当中激活的决策做出标准的选择,每个激活的决策做出标准被分配到多个重要性类别当中的一个重要性类别;
基于激活的决策做出标准和被分配的重要性类别来计算所述多个选项的得分;以及
基于计算出的得分来选择所述多个选项当中的选项。
16.如权利要求15所述的非临时性计算机可读介质,其中,用于确定所述多个选项当中的选项的指令包括用于执行以下操作的指令:
提供与特定选项相关联的得分的显示,而且将与激活的决策做出标准相关联的重要性类别转换成多个权重值;
响应于得分解释选择来提供与特定选项相对应的得分的解释的显示,包括:提供所述多个权重值的显示;
接收对所述多个权重值中的至少一个的调整;
基于已调整的权重值来重新计算所述多个选项的得分;以及
基于重新计算的得分来选择所述多个选项当中的选项。
17.如权利要求12所述的非临时性计算机可读介质,其中,所述指令包括用于执行以下操作的指令:
存储与多个终端用户相关联的多个简档,每个简档包括各自终端用户的偏好信息;以及
分析产品或服务类别内的多个简档的偏好信息,包括:确定与影响终端用户对于产品或服务类别的决策有关的因素。
18.如权利要求12所述的非临时性计算机可读介质,其中,所述指令包括用于执行以下操作的指令:
存储与多个终端用户相关联的多个简档,每个简档包括各自终端用户的偏好信息;以及
基于偏好信息来确定对于终端用户的跨产品或跨服务的推荐。
19.一种用于基于决策做出标准的推荐的计算机实施的方法,该方法包括:
接收关于对与产品或服务类别相关联的选项问题的推荐的请求;
基于偏好信息来确定产品或服务类别的多个选项中的选项,所述偏好信息部分地包括激活的决策做出标准和相应的权重值,所述决策做出标准代表影响至少一个终端用户对于选项问题或先前的选项问题的决策的因素,所述相应的权重值代表每个激活的决策做出标准的相对重要性;
其中,确定所述多个选项中的选项包括:部分地基于激活的决策做出标准和相应的权重值来计算所述多个选项的得分,并且基于计算出的得分来选择所述多个选项当中的选项;以及
提供已确定的选项的显示,作为对产品或服务类别的推荐。
20.如权利要求19所述的方法,其中,计算所述多个选项的得分包括:
存储与多个终端用户相关联的多个简档,每个简档包括一个或多个选项问题的偏好信息,对于每个选项问题,所述偏好信息包括激活的决策做出标准、相应的权重值和至少一个已应用的过滤器;
基于终端用户是否与存储了先前的选项问题所关联的先前的偏好信息的简档相关联来确定个性化推荐方案和基于人群的推荐方案之一;
当确定了个性化推荐方案时,部分地基于与该终端用户相关联的至少一个先前的选项问题的激活的决策做出标准和相应的权重值来计算所述多个选项的得分;以及
当确定了基于人群的推荐方案时,部分地基于其他终端用户的选项问题的激活的决策做出标准和相应的权重值来计算所述多个选项的得分。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310250359.XA CN104239020A (zh) | 2013-06-21 | 2013-06-21 | 决策做出标准驱动的推荐 |
US13/959,049 US10055776B2 (en) | 2013-06-21 | 2013-08-05 | Decision making criteria-driven recommendations |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310250359.XA CN104239020A (zh) | 2013-06-21 | 2013-06-21 | 决策做出标准驱动的推荐 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104239020A true CN104239020A (zh) | 2014-12-24 |
Family
ID=52111717
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310250359.XA Pending CN104239020A (zh) | 2013-06-21 | 2013-06-21 | 决策做出标准驱动的推荐 |
Country Status (2)
Country | Link |
---|---|
US (1) | US10055776B2 (zh) |
CN (1) | CN104239020A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106713104A (zh) * | 2015-08-12 | 2017-05-24 | 深圳市腾讯计算机系统有限公司 | 多媒体信息的推送方法和装置 |
CN106933848A (zh) * | 2015-12-29 | 2017-07-07 | 中国移动通信集团公司 | 一种信息发送方法和装置 |
CN107273672A (zh) * | 2017-05-31 | 2017-10-20 | 吉林省天壹参草中药饮片有限公司 | 痛经产品推荐方法、装置及终端设备 |
CN107660288A (zh) * | 2015-03-26 | 2018-02-02 | 泰雷兹公司 | 一种分数解释方法 |
CN108320208A (zh) * | 2017-12-22 | 2018-07-24 | 金瓜子科技发展(北京)有限公司 | 车辆推荐方法及装置 |
CN108460651A (zh) * | 2018-01-04 | 2018-08-28 | 金瓜子科技发展(北京)有限公司 | 车辆推荐方法及装置 |
CN109064283A (zh) * | 2018-07-27 | 2018-12-21 | 广州视源电子科技股份有限公司 | 商品推荐方法及装置、计算机可读存储介质 |
CN110619458A (zh) * | 2019-08-29 | 2019-12-27 | 深圳市新系区块链技术有限公司 | 一种多元主体硬件管理的方法和相关产品 |
CN111354451A (zh) * | 2020-03-04 | 2020-06-30 | 中国医科大学附属盛京医院 | 医院护理服务人员的智能推荐方法及系统 |
CN113095655A (zh) * | 2016-04-18 | 2021-07-09 | 阿菲尼帝有限公司 | 用于对联系中心系统中的配对策略进行基准检测的技术 |
US11425248B2 (en) | 2008-01-28 | 2022-08-23 | Afiniti, Ltd. | Techniques for hybrid behavioral pairing in a contact center system |
US11509768B2 (en) | 2008-01-28 | 2022-11-22 | Afiniti, Ltd. | Techniques for hybrid behavioral pairing in a contact center system |
Families Citing this family (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103488635A (zh) * | 2012-06-11 | 2014-01-01 | 腾讯科技(深圳)有限公司 | 一种获取产品信息的方法及装置 |
US10068205B2 (en) * | 2013-07-30 | 2018-09-04 | Delonaco Limited | Social event scheduler |
US9325654B2 (en) | 2014-02-28 | 2016-04-26 | Aol Inc. | Systems and methods for optimizing message notification timing based on electronic content consumption associated with a geographic location |
US9584968B2 (en) | 2014-05-21 | 2017-02-28 | Aol Inc. | Systems and methods for deploying dynamic geo-fences based on content consumption levels in a geographic location |
US11477602B2 (en) * | 2014-06-10 | 2022-10-18 | Verizon Patent And Licensing Inc. | Systems and methods for optimizing and refining message notification timing |
US10770176B2 (en) * | 2014-07-24 | 2020-09-08 | Optum, Inc. | System and method for identifying relationships in community healthcare measures |
US10438701B2 (en) * | 2014-07-24 | 2019-10-08 | Optum, Inc. | Community health scoring tool |
US20160110778A1 (en) * | 2014-10-17 | 2016-04-21 | International Business Machines Corporation | Conditional analysis of business reviews |
US9836522B2 (en) * | 2015-03-17 | 2017-12-05 | Sap Se | Framework for ordered clustering |
WO2016205564A1 (en) * | 2015-06-17 | 2016-12-22 | Apollo Enterprise Solutions, Ltd. | Psychographic decision system |
US10546269B1 (en) | 2015-09-02 | 2020-01-28 | Groupon, Inc. | Method and apparatus for managing item inventories |
US11748798B1 (en) * | 2015-09-02 | 2023-09-05 | Groupon, Inc. | Method and apparatus for item selection |
US10296837B2 (en) * | 2015-10-15 | 2019-05-21 | Sap Se | Comment-comment and comment-document analysis of documents |
US10417234B2 (en) | 2016-10-07 | 2019-09-17 | Sap Se | Data flow modeling and execution |
US10637964B2 (en) | 2016-11-23 | 2020-04-28 | Sap Se | Mutual reinforcement of edge devices with dynamic triggering conditions |
US10572924B2 (en) * | 2017-01-31 | 2020-02-25 | Walmart Apollo, Llc | Automatic generation of featured filters |
JP6870469B2 (ja) * | 2017-05-16 | 2021-05-12 | 富士通株式会社 | シミュレーションプログラム、シミュレーション方法及びシミュレーション装置 |
US11295397B1 (en) | 2017-10-27 | 2022-04-05 | Intuit Inc. | Systems, methods, and computer program products for matching service consumers and providers |
US10841020B2 (en) | 2018-01-31 | 2020-11-17 | Sap Se | Online self-correction on multiple data streams in sensor networks |
US11315008B2 (en) * | 2018-12-31 | 2022-04-26 | Wipro Limited | Method and system for providing explanation of prediction generated by an artificial neural network model |
US11663645B2 (en) * | 2021-01-29 | 2023-05-30 | Walmart Apollo, Llc | Methods and apparatuses for determining personalized recommendations using customer segmentation |
CN113158053B (zh) * | 2021-04-25 | 2022-09-30 | 平安科技(深圳)有限公司 | 服务类产品推荐方法、装置、计算机设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050144086A1 (en) * | 2002-10-21 | 2005-06-30 | Speiser Leonard R. | Product recommendation in a network-based commerce system |
CN102147838A (zh) * | 2010-03-15 | 2011-08-10 | 微软公司 | 购物助理 |
CN102254028A (zh) * | 2011-07-22 | 2011-11-23 | 青岛理工大学 | 一种集成属性和结构相似性的个性化商品推荐方法和系统 |
CN102654859A (zh) * | 2011-03-01 | 2012-09-05 | 北京彩云在线技术开发有限公司 | 一种歌曲推荐方法及系统 |
CN102902691A (zh) * | 2011-07-28 | 2013-01-30 | 上海拉手信息技术有限公司 | 推荐方法及系统 |
Family Cites Families (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1999054836A1 (en) * | 1998-04-21 | 1999-10-28 | Cambridge Consultants Limited | Decision aid |
US6266649B1 (en) | 1998-09-18 | 2001-07-24 | Amazon.Com, Inc. | Collaborative recommendations using item-to-item similarity mappings |
US8032506B1 (en) | 2000-08-25 | 2011-10-04 | Andrej Gregov | User-directed product recommendations |
US7412202B2 (en) | 2001-04-03 | 2008-08-12 | Koninklijke Philips Electronics N.V. | Method and apparatus for generating recommendations based on user preferences and environmental characteristics |
AU2003279992A1 (en) | 2002-10-21 | 2004-05-13 | Ebay Inc. | Listing recommendation in a network-based commerce system |
US20040083232A1 (en) | 2002-10-25 | 2004-04-29 | Christopher Ronnewinkel | Association learning for automated recommendations |
US20050108094A1 (en) * | 2003-11-18 | 2005-05-19 | Philippe Hugron | Method for making a decision according to customer needs |
EP1672484A1 (en) | 2004-12-17 | 2006-06-21 | Sap Ag | System for identification of context related information in knowledge sources |
US7676400B1 (en) | 2005-06-03 | 2010-03-09 | Versata Development Group, Inc. | Scoring recommendations and explanations with a probabilistic user model |
US8396788B2 (en) | 2006-07-31 | 2013-03-12 | Sap Ag | Cost-based deployment of components in smart item environments |
US7681140B2 (en) | 2007-03-23 | 2010-03-16 | Sap Ag | Model-based customer engagement techniques |
US9202243B2 (en) * | 2007-08-23 | 2015-12-01 | Dside Technologies, Llc | System, method, and computer program product for comparing decision options |
US7882056B2 (en) * | 2007-09-18 | 2011-02-01 | Palo Alto Research Center Incorporated | Method and system to predict and recommend future goal-oriented activity |
US8244564B2 (en) | 2009-03-31 | 2012-08-14 | Richrelevance, Inc. | Multi-strategy generation of product recommendations |
US20110131077A1 (en) | 2009-12-01 | 2011-06-02 | Microsoft Corporation | Context-Aware Recommendation Module Using Multiple Models |
US8301585B2 (en) | 2009-12-07 | 2012-10-30 | Business Objects Software Limited | Visualization recommendations based on measure metadata |
US8346895B2 (en) | 2009-12-21 | 2013-01-01 | Sap Ag | User productivity on-demand services |
CN102411591A (zh) * | 2010-09-21 | 2012-04-11 | 阿里巴巴集团控股有限公司 | 一种信息处理的方法及设备 |
US20130024313A1 (en) | 2011-05-22 | 2013-01-24 | Ariba, Inc. | Commerce network for matching buyers and sellers |
TWI493484B (zh) * | 2011-12-15 | 2015-07-21 | Ibm | 自動化判斷消費者偏好程度的方法與電腦裝置 |
-
2013
- 2013-06-21 CN CN201310250359.XA patent/CN104239020A/zh active Pending
- 2013-08-05 US US13/959,049 patent/US10055776B2/en active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050144086A1 (en) * | 2002-10-21 | 2005-06-30 | Speiser Leonard R. | Product recommendation in a network-based commerce system |
CN102147838A (zh) * | 2010-03-15 | 2011-08-10 | 微软公司 | 购物助理 |
CN102654859A (zh) * | 2011-03-01 | 2012-09-05 | 北京彩云在线技术开发有限公司 | 一种歌曲推荐方法及系统 |
CN102254028A (zh) * | 2011-07-22 | 2011-11-23 | 青岛理工大学 | 一种集成属性和结构相似性的个性化商品推荐方法和系统 |
CN102902691A (zh) * | 2011-07-28 | 2013-01-30 | 上海拉手信息技术有限公司 | 推荐方法及系统 |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11509768B2 (en) | 2008-01-28 | 2022-11-22 | Afiniti, Ltd. | Techniques for hybrid behavioral pairing in a contact center system |
US11425248B2 (en) | 2008-01-28 | 2022-08-23 | Afiniti, Ltd. | Techniques for hybrid behavioral pairing in a contact center system |
CN107660288A (zh) * | 2015-03-26 | 2018-02-02 | 泰雷兹公司 | 一种分数解释方法 |
CN106713104A (zh) * | 2015-08-12 | 2017-05-24 | 深圳市腾讯计算机系统有限公司 | 多媒体信息的推送方法和装置 |
CN106713104B (zh) * | 2015-08-12 | 2021-06-18 | 深圳市腾讯计算机系统有限公司 | 多媒体信息的推送方法和装置 |
CN106933848A (zh) * | 2015-12-29 | 2017-07-07 | 中国移动通信集团公司 | 一种信息发送方法和装置 |
CN106933848B (zh) * | 2015-12-29 | 2020-10-30 | 中国移动通信集团公司 | 一种信息发送方法和装置 |
CN113095655B (zh) * | 2016-04-18 | 2022-06-03 | 阿菲尼帝有限公司 | 用于对联系中心系统中的配对策略进行基准检测的技术 |
CN113095655A (zh) * | 2016-04-18 | 2021-07-09 | 阿菲尼帝有限公司 | 用于对联系中心系统中的配对策略进行基准检测的技术 |
CN107273672A (zh) * | 2017-05-31 | 2017-10-20 | 吉林省天壹参草中药饮片有限公司 | 痛经产品推荐方法、装置及终端设备 |
CN108320208A (zh) * | 2017-12-22 | 2018-07-24 | 金瓜子科技发展(北京)有限公司 | 车辆推荐方法及装置 |
CN108460651A (zh) * | 2018-01-04 | 2018-08-28 | 金瓜子科技发展(北京)有限公司 | 车辆推荐方法及装置 |
CN109064283B (zh) * | 2018-07-27 | 2021-08-24 | 广州视源电子科技股份有限公司 | 商品推荐方法及装置、计算机可读存储介质 |
CN109064283A (zh) * | 2018-07-27 | 2018-12-21 | 广州视源电子科技股份有限公司 | 商品推荐方法及装置、计算机可读存储介质 |
CN110619458A (zh) * | 2019-08-29 | 2019-12-27 | 深圳市新系区块链技术有限公司 | 一种多元主体硬件管理的方法和相关产品 |
CN111354451A (zh) * | 2020-03-04 | 2020-06-30 | 中国医科大学附属盛京医院 | 医院护理服务人员的智能推荐方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
US10055776B2 (en) | 2018-08-21 |
US20140379520A1 (en) | 2014-12-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104239020A (zh) | 决策做出标准驱动的推荐 | |
US20200402144A1 (en) | Graphical user interface for object discovery and mapping in open systems | |
Sari et al. | Review on customer segmentation technique on ecommerce | |
US11127032B2 (en) | Optimizing and predicting campaign attributes | |
US11966945B2 (en) | Conducting multivariate experiments | |
US8341101B1 (en) | Determining relationships between data items and individuals, and dynamically calculating a metric score based on groups of characteristics | |
US20140330646A1 (en) | System and method for activation of marketing allocations using search keywords | |
US11856258B2 (en) | Systems and methods for spatial and temporal experimentation on content effectiveness | |
US20170032416A1 (en) | Utilizing population density to facilitate providing offers | |
US20160042428A1 (en) | Personalized product recommendation based on brand personality scale | |
US20130204823A1 (en) | Tools and methods for determining relationship values | |
CA2822077A1 (en) | Method and apparatus for segmenting a customer base and interacting with customers of the segmented customer base | |
Mumford et al. | Footfall signatures and volumes: Towards a classification of UK centres | |
JP2016516239A (ja) | コンシューマーエイリアスおよび識別子を用いるための方法およびシステム | |
Smith | Metrics, locations, and lift: Mobile location analytics and the production of second-order geodemographics | |
Baray et al. | A new geographical pricing model within the principle of geomarketing-mix | |
US20220058685A1 (en) | Value Index Score | |
Lombardi et al. | The effect of context on misclassification costs in e-commerce applications | |
Aghdaie et al. | Customer-oriented benefit segmentation: an integrated approach | |
CN116934372A (zh) | 一种门店运营客户数据管理方法和系统 | |
US20200193351A1 (en) | Value Index Score | |
US11418919B1 (en) | Method of comparing locations and interactive audiences | |
CN112567410A (zh) | 用于选择性地显示关于地理区域中的活动的信息的系统、方法和计算机程序产品 | |
JP6646465B2 (ja) | 商圏分析システム | |
CN115271870A (zh) | 一种基于大数据的市场营销信息处理系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20141224 |