CN104281585A - 一种对象排序方法和装置 - Google Patents
一种对象排序方法和装置 Download PDFInfo
- Publication number
- CN104281585A CN104281585A CN201310275139.2A CN201310275139A CN104281585A CN 104281585 A CN104281585 A CN 104281585A CN 201310275139 A CN201310275139 A CN 201310275139A CN 104281585 A CN104281585 A CN 104281585A
- Authority
- CN
- China
- Prior art keywords
- attractive force
- conversion ratio
- force score
- module
- 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
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- 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
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
Landscapes
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种对象排序方法和装置,既能加快对象更新频度,又能保证商品转化效率。所述方法包括:计算或者根据预测模型预测对象的吸引力得分,所述对象的吸引力得分表示所述对象吸引用户点击或购买的能力;基于每个对象的吸引力得分和存在时间生成该对象的分档排序分,根据分档排序分产生排序结果。所述对象排序装置包括第一模块和第二模块。本发明的方法和装置,使得搜索结果页中的每个对象的得分至少部分依赖于该对象的吸引力得分,此外还依赖于该对象的存在时间,吸引力得分保证了商品的转化效率,而存在时间则保证了该对象的更新频度,从而实现既能加快对象更新频度,又能保证商品转化效率。
Description
技术领域
本发明涉及计算机技术领域,具体涉及一种对象排序方法和装置。
背景技术
对于电子商务网站的搜索引擎来讲,有以对象的转化效率为目标的排序(比如以累计用户行为主导的商品排序),也有以更新频率为主导的排序(比如以距离发布时间为主的Hacker News排序)。所谓转化率,包括购买转化率、浏览转化率等,购买转化率简单理解就是一件商品购买的人数除以该件商品被浏览的次数,在其他因素一致的情况下,转化率高的商品优先展示给买家。所谓浏览转化率是指在搜索结果页中,给了一个商品展现的机会,这个商品能获得点击的概率,也就是商品点击次数/商品展现次数,这个指标在一定程度上,反应了用户对排序的满意度。任何一个商品搜索排序的调整,都是以转化率为目标的。
对于第一种排序方法,以商品累计的销量为主导的综合排序,转化率越高的商品,越容易排在前面;越排在前面的商品转化率越高。这样就会形成马太效应,导致销量高的商品长期排在前面,整个系统更新频率非常缓慢。
对于第二种排序方法,Hacker news排序是一个网络社区的排序,根据用户投票以及帖子的发布时间,得票高的文章和新的文章容易得到好的排名。但是Hacker news的排序适用于排序对象少,用户较多的场合。如果对于对象众多的商品排序场景直接利用这种方法,不会产生正面效果,因为有众多商品竞争头几页位置,因此Hacker new排序方法不能直接用于商品搜索场景。
因此,在商品众多的商品搜索场景中,缺乏一种既能加快对象更新频度,又保证商品转化效率的商品排序方法。
发明内容
本发明要解决的技术问题是提供一种对象排序方法和装置,既能加快对象更新频度,又能保证商品转化效率。
为解决上述技术问题,本发明提供了一种对象排序方法,所述方法包括:
计算或者根据预测模型预测对象的吸引力得分,所述对象的吸引力得分表示所述对象吸引用户点击或购买的能力;
基于每个对象的吸引力得分和存在时间生成该对象的分档排序分,根据分档排序分产生排序结果。
进一步地,所述计算对象的吸引力得分,包括:计算所述对象的浏览转化率,将所述浏览转化率作为所述对象的吸引力得分;或者计算所述对象的购买转化率,将所述购买转化率作为所述对象的吸引力得分;或者计算所述对象的浏览转化率和购买转化率,将所述浏览转化率和购买转化率的统计值作为所述对象的吸引力得分。
进一步地,所述根据预测模型预测对象的吸引力得分,包括:查找预测模型中与所述预测对象特征接近的对象,将该对象对应的吸引力得分作为所述预测对象的吸引力得分。
进一步地,所述基于每个对象的吸引力得分和存在时间生成该对象的分档排序分,包括:采用以下公式计算每个对象的第一分数,其中,S为对象的吸引力得分,所述T为对象的存在时间,G为平滑因子,将所述第一分数F作为分档排序分。
进一步地,所述根据分档排序分产生排序结果,包括:将对象的分档排序分与影响排序结果的其他特征分数的加权和作为该对象的排序分。
进一步地,所述计算或者根据预测模型预测对象的吸引力得分之前,所述方法还包括:对对象进行筛选,筛选出符合预设条件的预测对象。
为解决上述技术问题,本发明提供了一种对象排序装置,所述装置包括第一模块和第二模块,其中:
所述第一模块,用于计算或者根据预测模型预测对象的吸引力得分,所述对象的吸引力得分表示所述对象吸引用户点击或购买的能力;
所述第二模块,用于基于每个对象的吸引力得分和存在时间生成该对象的分档排序分,根据分档排序分产生排序结果。
进一步地,所述第一模块计算对象的吸引力得分,包括:所述第一模块计算所述对象的浏览转化率,将所述浏览转化率作为所述对象的吸引力得分;或者所述第一模块计算所述对象的购买转化率,将所述购买转化率作为所述对象的吸引力得分;或者所述第一模块计算所述对象的浏览转化率和购买转化率,将所述浏览转化率和购买转化率的统计值作为所述对象的吸引力得分。
进一步地,所述第一模块根据预测模型预测对象的吸引力得分,包括:所述第一模块查找预测模型中与所述预测对象特征接近的对象,将该对象对应的吸引力得分作为所述预测对象的吸引力得分。
进一步地,所述第二模块基于每个对象的吸引力得分和存在时间生成该对象的分档排序分,包括:所述第二模块采用以下公式计算每个对象的第一分数,其中,S为对象的吸引力得分,所述T为对象的存在时间,G为平滑因子,将所述第一分数F作为分档排序分。
进一步地,所述第二模块根据分档排序分产生排序结果,包括:所述第二模块将对象的分档排序分与影响排序结果的其他特征分数的加权和作为该对象的排序分。
进一步地,所述第一模块在计算或者根据预测模型预测对象的吸引力得分之前,还用于对对象进行筛选,筛选出符合预设条件的预测对象。
本发明申请的方法和装置使得搜索结果页中的每个对象的得分至少部分依赖于该对象的吸引力得分,此外还依赖于该对象的存在时间。吸引力得分保证了商品的转化效率,而存在时间则保证了该对象的更新频度。从而实现既能加快对象更新频度,又能保证商品转化效率,也就是说,刚发布的对象会比以前发布的对象更容易得到好的排名。
附图说明
图1为实施例1方法流程图;
图2为实施例1装置结构示意图。
具体实施方式
在一个典型的配置中,客户端或认证系统的计算设备可包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM),快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括非暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
为使本发明的目的、技术方案和优点更加清楚明白,下文中将结合附图对本发明的实施例进行详细说明。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互任意组合。
实施例1
如图1所示,包括以下步骤:
步骤110,计算或者根据预测模型预测对象的吸引力得分,所述对象的吸引力得分可以由所述对象的浏览转化率和/或购买转化率等来表示。
对象的吸引力得分表示对象吸引用户点击或吸引用户购买的能力。所谓吸引用户点击包括:吸引用户点击浏览,吸引用户点击收藏等,可分别通过浏览转化率或对象的收藏数体现;所谓吸引用户购买可以通过该对象的销量,或者该对象的购买转化率体现。
●可以采用以下方法之一计算对象的吸引力得分:
计算对象的浏览转化率,将浏览转化率作为对象的吸引力得分;
计算对象的购买转化率,将购买转化率作为对象的吸引力得分;
计算对象的浏览转化率和购买转化率,将浏览转化率和购买转化率的统计值(例如浏览转化率和购买转化率两者之和的平均值)作为对象的吸引力得分。
●可以采用以下方法预测对象的吸引力得分:
查找预测模型中与所述预测对象特征接近的对象,将该对象对应的吸引力得分作为所述预测对象的吸引力得分。
优选地,在计算或者根据预测模型预测对象的吸引力得分之前,还可以先对对象进行筛选,筛选出符合预设条件的预测对象。
以对象为商品为例,筛选逻辑可以包含但不限于是以下逻辑中的一种或者多种:商品的对应卖家达到预订标准;商品的销量达到预订标准;商品的上架时间达到预订标准。
步骤120,基于每个对象的吸引力得分和存在时间生成该对象的分档排序分,根据分档排序分产生排序结果。
生成分档排序分的一种优选方式是:采用以下公式计算每个对象的第一分数,其中,S为对象的吸引力得分,所述T为对象的存在时间,G为平滑因子,将所述第一分数F作为分档排序分。
生成分档排序分的另一种优选方式是:采用以下公式计算每个对象的第一分数:其中,S为对象的吸引力得分,所述T为对象的存在时间,对象的存在时间包括但不限于以下时间的任意一种:对象从首次发布到现在的时间;对象累计被浏览的时间;对象在给定的时间段内累计被浏览时间。G为平滑因子,对象的平滑因子取值范围不限,它的数值大小决定了排名随时间下降的速度,G越大,存在时间的影响因素越大;根据每个对象的第一分数将各对象分为多档,每一档对应相应的分档分,将每个对象的第一分数与该对象所在档对应的分档分之和作为该对象的分档排序分。
根据分档排序分产生排序结果,包括:将对象的分档排序分与影响排序结果的其他特征分数的加权和作为该对象的排序分。影响排序结果的其他特征包括但不限于以下特征中的一种或多种:文本相关性、类目相关性。文本相关性分数和类目相关性分数可采用现有成熟技术计算获得。
实现上述方法的对象排序装置,如图2所示,包括第一模块210和第二模块220,其中:
所述第一模块210,用于计算或者根据预测模型预测对象的吸引力得分,所述对象的吸引力得分表示所述对象吸引用户点击或购买的能力;
所述第二模块220,用于基于每个对象的吸引力得分和存在时间生成该对象的分档排序分,根据分档排序分产生排序结果。
在一个优选实施例中,第一模块210可以采用以下任一方式计算对象的吸引力得分:
第一模块210计算所述对象的浏览转化率,将所述浏览转化率作为所述对象的吸引力得分;
第一模块210计算所述对象的购买转化率,将所述购买转化率作为所述对象的吸引力得分;
第一模块210计算所述对象的浏览转化率和购买转化率,将所述浏览转化率和购买转化率的统计值作为所述对象的吸引力得分。
在一个优选实施例中,第一模块210采用以下方式根据预测模型预测对象的吸引力得分:第一模块210查找预测模型中与所述预测对象特征接近的对象,将该对象对应的吸引力得分作为所述预测对象的吸引力得分。
在一个优选实施例中,第一模块210在计算或者根据预测模型预测对象的吸引力得分之前,还用于对对象进行筛选,筛选出符合预设条件的预测对象。
在一个优选实施例中,第二模块220基于每个对象的吸引力得分和存在时间生成该对象的分档排序分,包括:第二模块220采用以下公式计算每个对象的第一分数,其中,S为对象的吸引力得分,所述T为对象的存在时间,G为平滑因子,将所述第一分数F作为分档排序分。
在一个优选实施例中,第二模块220根据分档排序分产生排序结果,包括:第二模块220将对象的分档排序分与影响排序结果的其他特征分数的加权和作为该对象的排序分。
下面结合具体示例对上述实施例1进行具体说明。
以对象为商品为例,下面分为两部分进行说明:
部分一,如何基于统计结果或者预测结果为每个对象预测一个吸引力得分;
首先说明如何基于统计结果为每个对象预测吸引力得分。
当对象为商品时,可以对用户行为日志进行统计,统计出每个对象的转化效率(简称转化率),将该转化率作为吸引力分数。如表1所示,以用户行为日志包括商品标识、商品展现次数、商品浏览次数和商品的购买次数为例进行说明,根据商品购买次数和商品浏览次数计算购买转化率得分(购买转化率得分为某一商品上发生的用户购买的次数与用户浏览的次数的比值,即商品购买次数/商品浏览次数)。该购买转化率可以作为吸引力分数。此外,浏览转化率也可以作为吸引力分数,浏览转化率为用户浏览某一商品的次数与该商品的展现次数的比值。此外,购买转化率与浏览转化率该两种转化效率的平均值也可以作为吸引力分数。
表1
再次说明如何基于预测结果为每个对象预测吸引力得分。
给定多个商品的吸引力分数、商品的各项特征,通过机器学习算法产生预测模型;当给定一个具体商品,根据该商品的各项特征,预测该商品的吸引力得分。
商品特征可以包括:用户行为特征(如浏览转化率,购买转化率或收藏数)、商品本身特征(比如商品详情页质量、商品图片质量等)、卖家特征(如卖家活跃度、卖家评分水平等)
样本数据如表2所示。
表2
商品id | 特征1 | 特征2 | 特征3 | 训练目标:吸引力得分 |
对象1 | 0.4 | 0.88 | 0.2 | 0.9 |
对象2 | 0.2 | 0.7 | 0.21 | 0.8 |
对象3 | 0.5 | 0.53 | 0.19 | 0.7 |
对象4 | 0.3 | 0.1 | 0.1 | 0.6 |
通过模型训练,可以用treelink(Gradient Boosting Decision Tree,梯度提升决策树)、也可以用LR模型(Logistic Regression,逻辑回归模型),训练得到模型文件,最后对未知对象进行预测,如表3所示。
表3
商品id | 特征1 | 特征2 | 特征3 | 预测得到的吸引力得分 |
对象5 | 0.3 | 0.7 | 0.1 | 0.85 |
对象6 | 0.6 | 0.6 | 0.2 | 0.8 |
对象7 | 0.4 | 0.3 | 0.25 | 0.3 |
基于预测获得对象的吸引力得分时,可以使用覆盖聚类算法。当采用聚类方法时,所述机器学习算法为某一聚类算法,预测模型为聚类结果;学习过程为:给定多个商品,获取他们在不同特征上的取值,以及这些商品各自的吸引力分数,将这些商品聚合成多个类,每个类得到平均的吸引力分数;预测过程为:对于一个吸引力未知的商品,计算它与哪个类最接近,将该类对应的平均吸引力分数作为该商品的吸引力分数。
部分二,如何根据每个对象的存在时间以及对应的吸引力得分计算分档排序分,以及如何根据分档排序分对对象进行排序。
为每个商品产生一个分档排序分,分档排序分至少部分依赖于该商品的吸引力分数以及该商品存在的时间;
分档排序分的计算,可以是采用下式:其中,S是吸引力得分,Tnow表示现在的时刻,Tdis表示对象的发布时间,(Tnow-Tdis)表示对象的存在时间。对象的存在时间包括但不限于以下时间任意之一:商品从首次发布到现在的时间;商品累计被浏览的时间;商品在给定的时间段内累计被浏览时间。G表示平滑因子,对象的平滑因子取值范围不限,它的数值大小决定了排名随时间下降的速度,G越大,存在时间的影响因素越大。表4为不同商品分档排序分的计算示例。
表4
商品id | 吸引力得分 | 对象的存在时间 | G | 分档排序分 |
对象1 | 0.1 | 2天 | 0.5 | 0.07 |
对象2 | 0.167 | 10天 | 0.5 | 0.05 |
对象3 | 0.055 | 5天 | 0.5 | 0.024 |
对象4 | 0.133 | 1天 | 0.5 | 0.133 |
在计算获得商品的分档排序分之后,为了拉开商品间的差距,可采用以下方法更新该分档排序分:
首先,根据各商品的原分档排序分的分布,对各商品进行分档。例如可以按比例分成不同的档位,比如按上一步的得分排行,top10%的对象归为一档,次top20%归为二档,接下来的30%归为三档,剩下的归为4档。如表5所示。
表5
商品id | 综合得分 | 分档 |
对象4 | 0.133 | 1档 |
对象1 | 0.07 | 2档 |
对象2 | 0.05 | 3档 |
对象3 | 0.024 | 4档 |
其次,为每一档的商品加对应的分档分,不同档位对应不同的分档分。比如同为一档的加10000分,同为二档的加7000分,同三档的加4000分,同为四档的加1000分。
原分档排序分与分档分之和为更新后的分档排序分。
根据分档排序分对对象进行排序。最终的排序分除了依赖分档排序分之外,还可能依赖于其他特征,例如商业排序还会涉及到一些商业规则,比如文本相关性、类目相关性、中小卖家流量均衡等等。则最终的排序分可能需要多个因子线性加权,final_score=w1*f1+w2*f2+w3*f3+…,其中f1为分档排序分,f2为文本相关性分数,f3为类目相关性分数,w为权重(经验值)。此处的排序分公式仅为一种示例。根据最终的排序分生成商品的搜索结果页。
本领域普通技术人员可以理解上述方法中的全部或部分步骤可通过程序来指令相关硬件完成,所述程序可以存储于计算机可读存储介质中,如只读存储器、磁盘或光盘等。可选地,上述实施例的全部或部分步骤也可以使用一个或多个集成电路来实现。相应地,上述实施例中的各模块/单元可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。本发明不限制于任何特定形式的硬件和软件的结合。
当然,本发明还可有其他多种实施例,在不背离本发明精神及其实质的情况下,熟悉本领域的技术人员当可根据本发明作出各种相应的改变和变形,但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。
Claims (12)
1.一种对象排序方法,其特征在于,所述方法包括:
计算或者根据预测模型预测对象的吸引力得分,所述对象的吸引力得分表示所述对象吸引用户点击或购买的能力;
基于每个对象的吸引力得分和存在时间生成该对象的分档排序分,根据分档排序分产生排序结果。
2.如权利要求1所述的方法,其特征在于:
所述计算对象的吸引力得分,包括:计算所述对象的浏览转化率,将所述浏览转化率作为所述对象的吸引力得分;或者计算所述对象的购买转化率,将所述购买转化率作为所述对象的吸引力得分;或者计算所述对象的浏览转化率和购买转化率,将所述浏览转化率和购买转化率的统计值作为所述对象的吸引力得分。
3.如权利要求1所述的方法,其特征在于:
所述根据预测模型预测对象的吸引力得分,包括:
查找预测模型中与所述预测对象特征接近的对象,将该对象对应的吸引力得分作为所述预测对象的吸引力得分。
4.如权利要求1所述的方法,其特征在于:
所述基于每个对象的吸引力得分和存在时间生成该对象的分档排序分,包括:
采用以下公式计算每个对象的第一分数,其中,S为对象的吸引力得分,所述T为对象的存在时间,G为平滑因子,将所述第一分数F作为分档排序分。
5.如权利要求4所述的方法,其特征在于:
所述根据分档排序分产生排序结果,包括:
将对象的分档排序分与影响排序结果的其他特征分数的加权和作为该对象的排序分。
6.如权利要求1所述的方法,其特征在于:
所述计算或者根据预测模型预测对象的吸引力得分之前,所述方法还包括:对对象进行筛选,筛选出符合预设条件的预测对象。
7.一种对象排序装置,其特征在于,所述装置包括第一模块和第二模块,其中:
所述第一模块,用于计算或者根据预测模型预测对象的吸引力得分,所述对象的吸引力得分表示所述对象吸引用户点击或购买的能力;
所述第二模块,用于基于每个对象的吸引力得分和存在时间生成该对象的分档排序分,根据分档排序分产生排序结果。
8.如权利要求7所述的装置,其特征在于:
所述第一模块计算对象的吸引力得分,包括:
所述第一模块计算所述对象的浏览转化率,将所述浏览转化率作为所述对象的吸引力得分;或者所述第一模块计算所述对象的购买转化率,将所述购买转化率作为所述对象的吸引力得分;或者所述第一模块计算所述对象的浏览转化率和购买转化率,将所述浏览转化率和购买转化率的统计值作为所述对象的吸引力得分。
9.如权利要求7所述的装置,其特征在于:
所述第一模块根据预测模型预测对象的吸引力得分,包括:
所述第一模块查找预测模型中与所述预测对象特征接近的对象,将该对象对应的吸引力得分作为所述预测对象的吸引力得分。
10.如权利要求7所述的装置,其特征在于:
所述第二模块基于每个对象的吸引力得分和存在时间生成该对象的分档排序分,包括:
所述第二模块采用以下公式计算每个对象的第一分数,其中,S为对象的吸引力得分,所述T为对象的存在时间,G为平滑因子,将所述第一分数F作为分档排序分。
11.如权利要求10所述的装置,其特征在于:
所述第二模块根据分档排序分产生排序结果,包括:
所述第二模块将对象的分档排序分与影响排序结果的其他特征分数的加权和作为该对象的排序分。
12.如权利要求7所述的装置,其特征在于:
所述第一模块在计算或者根据预测模型预测对象的吸引力得分之前,还用于对对象进行筛选,筛选出符合预设条件的预测对象。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310275139.2A CN104281585A (zh) | 2013-07-02 | 2013-07-02 | 一种对象排序方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310275139.2A CN104281585A (zh) | 2013-07-02 | 2013-07-02 | 一种对象排序方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104281585A true CN104281585A (zh) | 2015-01-14 |
Family
ID=52256466
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310275139.2A Pending CN104281585A (zh) | 2013-07-02 | 2013-07-02 | 一种对象排序方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104281585A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106021341A (zh) * | 2016-05-09 | 2016-10-12 | 上海二三四五网络科技有限公司 | 一种在用户终端中对展示信息进行排序的控制方法及装置 |
CN106682947A (zh) * | 2015-12-30 | 2017-05-17 | Tcl集团股份有限公司 | 用于共享环境的时间价值评估方法和系统 |
CN106874352A (zh) * | 2016-12-28 | 2017-06-20 | 河北中废通网络技术有限公司 | 一种搜索因子调整的方法 |
CN107229728A (zh) * | 2017-06-05 | 2017-10-03 | 努比亚技术有限公司 | 基于神经网络的搜索方法、设备及存储介质 |
CN107341187A (zh) * | 2017-06-07 | 2017-11-10 | 努比亚技术有限公司 | 搜索处理方法、装置、设备和计算机存储介质 |
CN108022144A (zh) * | 2016-10-31 | 2018-05-11 | 阿里巴巴集团控股有限公司 | 提供数据对象信息的方法及装置 |
CN108304407A (zh) * | 2017-01-12 | 2018-07-20 | 阿里巴巴集团控股有限公司 | 一种进行对象排序的方法和系统 |
CN110489525A (zh) * | 2019-08-09 | 2019-11-22 | 腾讯科技(深圳)有限公司 | 搜索结果的获取方法和装置、存储介质及电子装置 |
CN110659768A (zh) * | 2019-08-14 | 2020-01-07 | 中国科学院计算机网络信息中心 | 一种数据出版物学术影响力评价预测方法 |
CN111124676A (zh) * | 2019-12-12 | 2020-05-08 | 拉扎斯网络科技(上海)有限公司 | 资源分配方法、装置、可读存储介质和电子设备 |
CN113191819A (zh) * | 2021-05-20 | 2021-07-30 | 支付宝(杭州)信息技术有限公司 | 用于线下作业的方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110252031A1 (en) * | 2009-12-31 | 2011-10-13 | Michael Blumenthal | Method, Device, and System for Analyzing and Ranking Products |
US20110295716A1 (en) * | 2009-04-08 | 2011-12-01 | Ebay Inc. | Method, medium, and system for adjusting product ranking scores based on an adjustment factor |
CN102339296A (zh) * | 2010-07-26 | 2012-02-01 | 阿里巴巴集团控股有限公司 | 一种查询结果的排序方法和装置 |
CN102346894A (zh) * | 2010-08-03 | 2012-02-08 | 阿里巴巴集团控股有限公司 | 推荐信息的输出方法、系统及服务器 |
CN102542474A (zh) * | 2010-12-07 | 2012-07-04 | 阿里巴巴集团控股有限公司 | 查询结果排序方法及装置 |
CN102831526A (zh) * | 2011-06-17 | 2012-12-19 | 苏州工业园区辰烁软件科技有限公司 | 一种针对在线交易应用的商品搜索排序的方法和系统 |
-
2013
- 2013-07-02 CN CN201310275139.2A patent/CN104281585A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110295716A1 (en) * | 2009-04-08 | 2011-12-01 | Ebay Inc. | Method, medium, and system for adjusting product ranking scores based on an adjustment factor |
US20110252031A1 (en) * | 2009-12-31 | 2011-10-13 | Michael Blumenthal | Method, Device, and System for Analyzing and Ranking Products |
CN102339296A (zh) * | 2010-07-26 | 2012-02-01 | 阿里巴巴集团控股有限公司 | 一种查询结果的排序方法和装置 |
CN102346894A (zh) * | 2010-08-03 | 2012-02-08 | 阿里巴巴集团控股有限公司 | 推荐信息的输出方法、系统及服务器 |
CN102542474A (zh) * | 2010-12-07 | 2012-07-04 | 阿里巴巴集团控股有限公司 | 查询结果排序方法及装置 |
CN102831526A (zh) * | 2011-06-17 | 2012-12-19 | 苏州工业园区辰烁软件科技有限公司 | 一种针对在线交易应用的商品搜索排序的方法和系统 |
Non-Patent Citations (2)
Title |
---|
郑昀: "Hacker News与Reddit的算法比较", 《HTTPS://WWW.CNBLOGS.COM/ZHENGYUN_USTC/ARCHIVE/2010/12/15/AMIR.HTML》 * |
阮一峰: "基于用户投票的排名算法", 《HTTPS://KB.CNBLOGS.COM/PAGE/135656/#P1》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106682947A (zh) * | 2015-12-30 | 2017-05-17 | Tcl集团股份有限公司 | 用于共享环境的时间价值评估方法和系统 |
CN106021341A (zh) * | 2016-05-09 | 2016-10-12 | 上海二三四五网络科技有限公司 | 一种在用户终端中对展示信息进行排序的控制方法及装置 |
CN108022144B (zh) * | 2016-10-31 | 2022-05-24 | 阿里巴巴集团控股有限公司 | 提供数据对象信息的方法及装置 |
CN108022144A (zh) * | 2016-10-31 | 2018-05-11 | 阿里巴巴集团控股有限公司 | 提供数据对象信息的方法及装置 |
CN106874352A (zh) * | 2016-12-28 | 2017-06-20 | 河北中废通网络技术有限公司 | 一种搜索因子调整的方法 |
CN108304407B (zh) * | 2017-01-12 | 2022-02-25 | 阿里巴巴集团控股有限公司 | 一种进行对象排序的方法和系统 |
CN108304407A (zh) * | 2017-01-12 | 2018-07-20 | 阿里巴巴集团控股有限公司 | 一种进行对象排序的方法和系统 |
CN107229728A (zh) * | 2017-06-05 | 2017-10-03 | 努比亚技术有限公司 | 基于神经网络的搜索方法、设备及存储介质 |
CN107341187A (zh) * | 2017-06-07 | 2017-11-10 | 努比亚技术有限公司 | 搜索处理方法、装置、设备和计算机存储介质 |
CN110489525A (zh) * | 2019-08-09 | 2019-11-22 | 腾讯科技(深圳)有限公司 | 搜索结果的获取方法和装置、存储介质及电子装置 |
CN110659768A (zh) * | 2019-08-14 | 2020-01-07 | 中国科学院计算机网络信息中心 | 一种数据出版物学术影响力评价预测方法 |
CN110659768B (zh) * | 2019-08-14 | 2023-01-17 | 中国科学院计算机网络信息中心 | 一种数据出版物学术影响力评价预测方法 |
CN111124676A (zh) * | 2019-12-12 | 2020-05-08 | 拉扎斯网络科技(上海)有限公司 | 资源分配方法、装置、可读存储介质和电子设备 |
CN113191819A (zh) * | 2021-05-20 | 2021-07-30 | 支付宝(杭州)信息技术有限公司 | 用于线下作业的方法及装置 |
CN113191819B (zh) * | 2021-05-20 | 2023-04-18 | 支付宝(杭州)信息技术有限公司 | 用于线下作业的方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104281585A (zh) | 一种对象排序方法和装置 | |
CN104866474B (zh) | 个性化数据搜索方法及装置 | |
TWI652584B (zh) | 文本資訊的匹配、業務對象的推送方法和裝置 | |
CN110428298A (zh) | 一种店铺推荐方法、装置及设备 | |
CN104239351B (zh) | 一种用户行为的机器学习模型的训练方法及装置 | |
JP4524709B2 (ja) | 情報処理装置および方法、並びに、プログラム | |
CN105320719B (zh) | 一种基于项目标签和图形关系的众筹网站项目推荐方法 | |
US11243992B2 (en) | System and method for information recommendation | |
US20170017900A1 (en) | System and method for feature generation over arbitrary objects | |
US20090125382A1 (en) | Quantifying a Data Source's Reputation | |
CN104679771A (zh) | 一种个性化数据搜索方法和装置 | |
CN106940705A (zh) | 一种用于构建用户画像的方法与设备 | |
CN106600302A (zh) | 基于Hadoop的商品推荐系统 | |
CN104636402A (zh) | 一种业务对象的分类、搜索、推送方法和系统 | |
CN109636430A (zh) | 对象识别方法及其系统 | |
Zou et al. | Reinforcement learning to diversify top-n recommendation | |
JP2014209376A (ja) | オンライン商取引プラットフォームにおける広告ソースおよびキーワードセットの適合 | |
US20130179418A1 (en) | Search ranking features | |
Chung et al. | Categorization for grouping associative items using data mining in item-based collaborative filtering | |
US20160027049A1 (en) | Systems and methods for facilitating deals | |
CN113326432A (zh) | 一种基于决策树与推荐方法的模型优选方法 | |
Duan et al. | A hybrid intelligent service recommendation by latent semantics and explicit ratings | |
CN113763089A (zh) | 物品推荐方法及装置、计算机可存储介质 | |
Sharma et al. | Intelligent data analysis using optimized support vector machine based data mining approach for tourism industry | |
Zhang et al. | The approaches to contextual transaction trust computation in e‐Commerce environments |
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 |
Application publication date: 20150114 |
|
RJ01 | Rejection of invention patent application after publication |