CN105184618A - 新用户的商品个性化推荐方法及系统 - Google Patents
新用户的商品个性化推荐方法及系统 Download PDFInfo
- Publication number
- CN105184618A CN105184618A CN201510686281.5A CN201510686281A CN105184618A CN 105184618 A CN105184618 A CN 105184618A CN 201510686281 A CN201510686281 A CN 201510686281A CN 105184618 A CN105184618 A CN 105184618A
- Authority
- CN
- China
- Prior art keywords
- commodity
- sales volume
- item property
- history
- corresponding relation
- 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
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种新用户的商品个性化推荐方法及系统，针对新用户没有对应的购买商品的属性特征，通过根据记录的历史商品属性特征，以商品的销售量作为预测目标，获得商品属性特征与商品的销售量之间的对应关系，通过商品属性特征与商品的销售量之间的对应关系对待推荐商品的销售量进行预测，并对待推荐商品进行排序，根据排序结果进行个性化推荐。通过将预测目标设定为销售量，考虑的是有多少新用户进行购买而不是新用户贡献了多少销售额，对于占网页访问量大多数的新用户，这样设定预测目标的动机更明确，可进行精确的推荐，达到更好的推荐效果。
Description
技术领域
本发明涉及数据处理技术领域，特别涉及一种新用户的商品个性化推荐方法及系统。
背景技术
现有的推荐模型针对老客，模型预测目标为销售额，根据老客的购买点击收藏历史，给不同的用户推荐他们感兴趣的商品。即现有推荐模型针对老客，用历史加实时数据对模型进行训练，其中训练数据的预测目标是销售额，即目标是最大化销售额。模型训练结果输出各商品的销售额，根据销售额，输出商品排序，为用户达到个性化推荐的目的。
现有的商品推荐模型针对老用户，模型预测目标为销售额，根据老用户的购买点击收藏历史行为，给不同的用户推荐他们感兴趣的商品，缺点是过分依赖老用户的历史行为且是以销售额为预测目标，对用户群体中的绝大部分老用户可以起到精准推荐的作用，可是对于没有历史行为的新客，通过现有的商品推荐模式进行商品推荐，推荐精度不高，要提升新客数量和销售量就比较困难。
发明内容
基于此，有必要针对推荐精度不高的问题，提供一种提高推荐精度的新用户的商品个性化推荐方法及系统。
一种新用户的商品个性化推荐方法，包括如下步骤：
获取历史商品数据，根据所述历史商品数据，记录所述历史商品数据的历史商品的属性特征以及历史商品的销售量；
根据所述历史商品的属性特征以及所述历史商品的销售量，获得商品属性特征与商品的销售量之间的对应关系；
获取待推荐商品的属性特征；
根据所述待推荐商品的属性特征以及商品属性特征与商品的销售量之间的所述对应关系，预测待推荐商品的销售量；
根据所述待推荐商品的销售量，对所述待推荐商品进行排序；
根据所述待推荐商品的排序结果，为新用户推荐商品。
本发明还提供一种新用户的商品个性化推荐系统，包括：
第一获取模块，用于获取历史商品数据，根据所述历史商品数据，记录所述历史商品数据的历史商品的属性特征以及历史商品的销售量；
第二获取模块，用于根据所述历史商品的属性特征以及所述历史商品的销售量，获得商品属性特征与商品的销售量之间的对应关系；
第三获取模块，用于获取待推荐商品的属性特征；
预测模块，用于根据所述待推荐商品的属性特征以及商品属性特征与商品的销售量之间的所述对应关系，预测待推荐商品的销售量；
第一排序模块，用于根据所述待推荐商品的销售量，对所述待推荐商品进行排序；
推荐模块，用于根据所述待推荐商品的排序结果，为新用户推荐商品。
上述新用户的商品个性化推荐方法及系统，针对新用户没有对应的购买商品的属性特征，通过根据历史商品的属性特征，以商品的销售量作为预测目标，获取商品属性特征与商品的销售量之间的对应关系，根据推荐商品属性特征，通过商品属性特征与商品的销售量之间的对应关系对待推荐商品的销售量进行预测，并根据待推荐商品的销售量，对待推荐商品进行排序，根据排序结果进行个性化推荐。通过将预测目标设定为销售量，考虑的是有多少新用户进行购买而不是新用户贡献了多少销售额，对于占网页访问量大多数的新用户，这样设定预测目标的动机更明确，可进行精确的推荐，达到更好的推荐效果。
附图说明
图1为一实施方式的新用户的商品个性化推荐方法的流程图；
图2为另一实施方式的新用户的商品个性化推荐方法的子流程图；
图3为另一实施方式的新用户的商品个性化推荐方法的子流程图；
图4为一实施方式的新用户的商品个性化推荐系统的模块图；
图5为另一实施方式的新用户的商品个性化推荐系统的子模块图；
图6为另一实施方式的新用户的商品个性化推荐系统的子模块图。
具体实施方式
请参阅图1，提供一种实施方式的新用户的商品个性化推荐方法，包括以下步骤：
S100：获取历史商品数据，根据历史商品数据，记录历史商品数据的历史商品的属性特征以及历史商品的销售量。
用户访问网页进行商品购买行为，会产生购买的商品的相关数据，从而产生历史商品数据，根据历史商品数据，对历史商品的属性特征以及销售量进行记录，获取历史商品的属性特征以及销售量，以备后续查询和使用。
S200：根据历史商品的属性特征以及历史商品的销售量，获得商品属性特征与商品的销售量之间的对应关系。
在为新用户进行商品推荐时，由于新用户没有购买记录，没有购买商品的属性特征，从而根据已经记录的历史商品的属性特征以及历史商品的销售量，以获得商品属性特征与商品的销售量之间的对应关系，后续根据商品的属性特征以及商品属性特征与商品的销售量之间的对应关系，即可预知该商品的销售量。
在实际应用中，根据记录的历史商品的属性特征以及历史商品的销售量，获得商品属性特征与商品的销售量之间的对应关系的过程可视为对商品个性化推荐模型的训练过程，商品个性化推荐模型的输入为历史商品的属性特征，预测输出为历史商品的销售量，对商品个性化推荐模型的训练的过程即是对模型参数不断修正的过程，使商品的预测销售量不断接近商品的实际销售量。
S300：获取待推荐商品的属性特征。
在获得商品属性特征与商品的销售量之间的对应关系之后，即对商品个性化推荐模型训练完成后，需对待推荐商品的销售量进行预测，根据预测的销售量来决定给用户推荐哪种商品，从而需要获取待推荐商品的属性特征。
S400：根据待推荐商品的属性特征以及商品属性特征与商品的销售量之间的对应关系，预测待推荐商品的销售量。
在获得商品属性特征与商品的销售量之间的对应关系以及获取待推荐商品属性特征后，可以预测待推荐商品的销售量。即可视为对商品个性化推荐模型训练后，将待推荐商品的属性特征输入至训练后的商品个性化推荐模型，预测待推荐商品的销售量。
S500：根据待推荐商品的销售量，对待推荐商品进行排序。
根据商品属性特征与商品的销售量之间的对应关系对待推荐商品的销售量进行预测，得到待推荐商品的销售量，根据待推荐商品的销售量，对待推荐商品进行排序。在本实施例中，待对推荐商品的销售量越高，待推荐商品排序越靠前，表示该待推荐商品的权重越高，也说明越有可能推荐给用户。具体地，由于根据商品属性特征与商品的销售量之间的对应关系得到的待推荐商品的预测结果的数据量比较大，在进行待推荐商品的销售量数据传输时，可对其进行二进制化压缩处理，缩减数据量，减小存储空间。
S600：根据待推荐商品的排序结果，为新用户推荐商品。
对待推荐商品的排序结束后，根据排序结果进行商品个性化推荐。在本实施例中，商品的排序结果越靠前，为新用户推荐该商品的可能性越大，为新用户推荐排序结果为前预设值内的商品。例如，预设值为100，则为新用户个性化推荐排序结果为前100的商品。
根据调研，网页访问者中大多数是新用户，且市场关键绩效指标中主要考虑新增用户，也就是说，主要需要考虑的是有多少新用户，即商品能有多少人买，而不是考虑新客户贡献了多少销售额，从而将预测目标设为销售量，而不是现有推荐模型中的销售额。
上述提出的新用户的商品个性化推荐方法，针对新用户没有购买商品，即没有对应的历史商品的属性特征，通过根据记录的历史商品属性特征，以商品的销售量作为预测目标，获得商品属性特征与商品的销售量之间的对应关系，再根据待推荐商品属性特征，通过获得的商品属性特征与商品的销售量之间的对应关系对待推荐商品的销售量进行预测，并根据待推荐商品的销售量，对待推荐商品进行排序，根据排序结果进行个性化推荐。通过将预测目标设定为销售量，考虑的是有多少新用户进行购买而不是新用户贡献了多少销售额，对于占网页访问量大多数的新用户，这样设定预测目标的动机更明确，可进行精确的推荐，达到更好的推荐效果。通过实际测试，相较于利用现有的推荐模型为新用户推荐商品，通过本发明实施例提供的新用户的商品个性化推荐方法为新用户推荐商品，提高了销售量，且提高新客数量约5％。
请参阅图2，在其中一个实施例中，根据历史商品的属性特征以及历史商品的销售量，获得商品属性特征与商品的销售量之间的对应关系步骤S200包括：
S210：初始化商品属性特征与商品的销售量之间的对应关系。
现有的推荐模型一般采用的预测输出为商品的销售额，主要针对老用户，然而，根据调研发现，网页的访问量有大量新用户，对于新用户，主要需要考虑的是有多少新用户进行购买，即购买量，从而将商品的销售量作为商品个性化推荐模型的预测输出，即建立商品属性特征与商品的销售量之间的对应关系，并对商品属性特征与商品的销售量之间的对应关系进行初始化，针对新用户，可以进行更为精确的推荐。
S220：根据历史商品的属性特征以及历史商品的销售量，对商品属性特征与商品的销售量之间的对应关系进行修正，获得商品属性特征与商品的销售量之间的对应关系。
对商品属性特征与商品的销售量之间的对应关系进行初始化后，根据历史商品的属性特征，可预测得到相应的历史商品的销售量，预测的销售量与历史商品的销售量存在一定的误差，从而需要对商品属性特征与商品的销售量之间的对应关系进行修正，以获得商品属性特征与商品的销售量之间达到最佳的对应关系，使预测的销售量与历史商品的销售量更加接近。可以理解为，将历史商品的属性特征作为训练商品属性特征与商品的销售量之间的对应关系的训练样本，对商品属性特征与商品的销售量之间的对应关系进行不断的修正。请参阅图3，在其中一个实施例中，根据历史商品的属性特征以及历史商品的销售量，对商品属性特征与商品的销售量之间的对应关系进行修正，获得商品属性特征与商品的销售量之间的对应关系步骤S220包括步骤：
S221：对历史商品的属性特征进行预处理，使每个商品的属性特征的特征维数相同以及商品的属性特征类型相同，得到商品属性特征向量。
用户浏览网页进行购买行为时，会产生购买商品的商品数据，即产生历史商品数据，根据历史商品数据，记录历史商品数据的历史商品的属性特征以及历史商品的销售量。历史商品的属性特征包括当前时间点之前预设时间窗口内产生的商品属性特征以及预设时间内的历史商品属性特征，然而，在对用户进行推荐时，应推荐最近一段时间内用户常买的商品，从而只需获取预设时间内的历史商品属性特征即可，无需对所有历史商品属性特征进行获取，当前时间点之前预设时间窗口内产生的商品属性特征表示当前时间点之前预设时间窗口内用户购买的商品的属性特征。两种商品属性特征的获取方式是不一样的，从而会导致获取的商品属性特征的维数以及类型存在一定差异，从而对当前时间点之前预设时间窗口内产生的商品属性特征及预设时间内的历史商品属性特征进行预处理，使当前时间点之前预设时间窗口内产生的商品属性特征与预设时间内的历史商品属性特征的维数以及商品属性特征类型相同，并对当前时间点之前预设时间窗口内产生的商品属性特征与预设时间内的历史商品属性特征进行合并，得到商品属性特征向量，即是对历史商品属性特征进行预处理，使每个商品的属性特征的特征维数相同以及商品属性特征类型相同，得到商品属性特征向量。
S222：根据历史商品的销售量以及预设筛选条件，对商品属性特征向量进行筛选。
其中，预设筛选条件包括商品的销售量大于或等于预设值，这样可将销售量较低的历史商品进行排除，不用其属性特征对模型进行训练，即不使用商品的销售量较低的商品属性特征对商品属性特征与商品的销售量之间的对应关系进行修正，减小数据量。
S223：对筛选后的商品属性特征向量进行归一化处理。
S224：根据预设的数字与商品的属性特征的具体值之间的对应关系，将归一化的商品属性特征向量中商品的属性特征的具体值转换成对应的数字，形成商品属性特征输入向量。
这样可实现商品属性特征的数字化，例如，针对商品属性特征中的商品购买时间，为上午8点至9点的商品购买时间是与数字1对应的，当商品属性特征中的购买时间为8点30，则将该商品属性特征中的购买时间转换成1。
S225：根据商品属性特征输入向量以及历史商品的销售量，修正商品属性特征与商品的销售量之间的对应关系，获得商品属性特征与商品的销售量之间的对应关系。
修正商品属性特征与商品的销售量之间的对应关系，即是对商品个性化推荐模型进行训练过程，对商品个性化推荐模型中的模型参数进行训练，模型参数决定了商品个性化推荐模型的性能，当训练完成后，模型参数确定，商品属性特征与商品的销售量之间的对应关系确定，再通过训练修正完成后的商品属性特征与商品的销售量之间的对应关系对待推荐商品的销售量进行预测。
在其中一个实施例中，根据历史商品的属性特征以及历史商品的销售量，获得商品属性特征与商品的销售量之间的对应关系S200之后还包括步骤：
验证商品属性特征与商品的销售量之间的对应关系的准确性。
为了验证商品属性特征与商品的销售量之间的对应关系的好坏，需要对商品属性特征与商品的销售量之间的对应关系的准确性进行评估。
具体地，验证商品属性特征与商品的销售量之间的对应关系的准确性的步骤具体包括：
根据测试商品的属性特征以及商品属性特征与商品的销售量之间的对应关系，预测测试商品的销售量；
根据测试商品的预测销售量，对测试商品进行排序；
将测试商品的排序结果与测试商品的实际排序结果进行对比，确定商品属性特征与商品的销售量之间的对应关系的准确性。
模型训练完后，模型中的相关参数已经确定，商品属性特征与商品的销售量之间的对应关系确定，再利用商品属性特征与商品的销售量之间的对应关系对测试商品的销售量进行预测，再根据测试商品的销售量对测试商品进行排序，根据测试商品的排序结果与测试商品的实际排序结果，可以评估商品属性特征与商品的销售量之间的对应关系的好坏，即评估训练完成后的模型对测试商品的销售量预测的准确性。其中，测试商品可以为上述历史商品中的商品，也可以为专门用于对商品属性特征与商品的销售量之间的对应关系的准确性验证的商品，这些商品没有在上述商品属性特征与商品的销售量之间的对应关系修正过程中使用过。
在其中一个实施例中，根据待推荐商品的销售量，对待推荐商品进行排序步骤S500之后还包括步骤：
根据预设的规则，对排序后的待推荐商品进行重新排序，其中，预设的规则包括将售完的商品排到最后。
其中，预设的规则包括将售完的商品排到最后。例如，商品A通过步骤S500之后的排名比较靠前，排名第10，根据该排名，可向用户推荐商品A的，然而，商品A已经售完，从而，对将商品A进行重新排名，将其排到最后，从而在为用户进行推荐时，商品A推荐的可能性就小。另外，预设的规则还包括将当季流行的商品排到最前等。
请参阅图4，还提供一种实施方式的新用户的商品个性化推荐系统，包括：
第一获取模块100：用于获取历史商品数据，根据历史商品数据，记录历史商品数据的历史商品的属性特征以及历史商品的销售量。
用户访问网页进行商品购买行为，会产生购买的商品的相关数据，从而产生历史商品数据，根据历史商品数据，对历史商品的属性特征以及销售量进行记录，获取历史商品的属性特征以及销售量，以备后续查询和使用。
第二获取模块200：用于根据历史商品的属性特征以及历史商品的销售量，获得商品属性特征与商品的销售量之间的对应关系。
在为新用户进行商品推荐时，由于新用户没有购买记录，没有购买商品的属性特征，从而根据已经记录的历史商品的属性特征以及历史商品的销售量，以获得商品属性特征与商品的销售量之间的对应关系，后续根据商品的属性特征以及商品属性特征与商品的销售量之间的对应关系，即可预知该商品的销售量。
在实际应用中，根据记录的历史商品的属性特征以及历史商品的销售量，获得商品属性特征与商品的销售量之间的对应关系的过程可视为对商品个性化推荐模型的训练过程，商品个性化推荐模型的输入为历史商品的属性特征，预测输出为历史商品的销售量，对商品个性化推荐模型的训练的过程即是对模型参数不断修正的过程，使商品的预测销售量不断接近商品的实际销售量。
第三获取快300：用于获取待推荐商品的属性特征。
在获得商品属性特征与商品的销售量之间的对应关系之后，即对商品个性化推荐模型训练完成后，需对待推荐商品的销售量进行预测，根据预测的销售量来决定给用户推荐哪种商品，从而需要获取待推荐商品的属性特征。
预测模块400：用于根据待推荐商品的属性特征以及商品属性特征与商品的销售量之间的对应关系，预测待推荐商品的销售量。
在获得商品属性特征与商品的销售量之间的对应关系以及获取待推荐商品属性特征后，可以预测待推荐商品的销售量。即可视为对商品个性化推荐模型训练后，将待推荐商品的属性特征输入至训练后的商品个性化推荐模型，预测待推荐商品的销售量。
第一排序模块500：用于根据待推荐商品的销售量，对待推荐商品进行排序。
根据商品属性特征与商品的销售量之间的对应关系对待推荐商品的销售量进行预测，得到待推荐商品的销售量，根据待推荐商品的销售量，对待推荐商品进行排序。在本实施例中，待对推荐商品的销售量越高，待推荐商品排序越靠前，表示该待推荐商品的权重越高，也说明越有可能推荐给用户。具体地，由于根据商品属性特征与商品的销售量之间的对应关系得到的待推荐商品的预测结果的数据量比较大，在进行待推荐商品的销售量数据传输时，可对其进行二进制化压缩处理，缩减数据量，减小存储空间。
推荐模块600：用于根据待推荐商品的排序结果，为新用户推荐商品。
对待推荐商品的排序结束后，根据排序结果进行商品个性化推荐。在本实施例中，商品的排序结果越靠前，为新用户推荐该商品的可能性越大，为新用户推荐排序结果为前预设值内的商品。例如，预设值为100，则为新用户个性化推荐排序结果为前100的商品。
根据调研，网页访问者中大多数是新用户，且市场关键绩效指标中主要考虑新增用户，也就是说，主要需要考虑的是有多少新用户，即商品能有多少人买，而不是考虑新客户贡献了多少销售额，从而将预测目标设为销售量，而不是现有推荐模型中的销售额。
上述提出的新用户的商品个性化推荐系统，针对新用户没有购买商品，即没有对应的历史商品的属性特征，通过根据记录的历史商品属性特征，以商品的销售量作为预测目标，获得商品属性特征与商品的销售量之间的对应关系，再根据待推荐商品属性特征，通过获得的商品属性特征与商品的销售量之间的对应关系对待推荐商品的销售量进行预测，并根据待推荐商品的销售量，对待推荐商品进行排序，根据排序结果进行个性化推荐。通过将预测目标设定为销售量，考虑的是有多少新用户进行购买而不是新用户贡献了多少销售额，对于占网页访问量大多数的新用户，这样设定预测目标的动机更明确，可进行精确的推荐，达到更好的推荐效果。通过实际测试，相较于利用现有的推荐模型为新用户推荐商品，通过本发明实施例提供的新用户的商品个性化推荐系统为新用户推荐商品，提高了销售量，且提高新客数量约5％。
请参阅图5，在其中一个实施例中，第二获取模块200包括：
初始化单元210：用于初始化商品属性特征与商品的销售量之间的对应关系。
现有的推荐模型一般采用的预测输出为商品的销售额，主要针对老用户，然而，根据调研发现，网页的访问量有大量新用户，对于新用户，主要需要考虑的是有多少新用户进行购买，即购买量，从而将商品的销售量作为商品个性化推荐模型的预测输出，即建立商品属性特征与商品的销售量之间的对应关系，并对商品属性特征与商品的销售量之间的对应关系进行初始化，针对新用户，可以进行更为精确的推荐。
修正单元220：用于根据历史商品的属性特征以及历史商品的销售量，对商品属性特征与商品的销售量之间的对应关系进行修正，获得商品属性特征与商品的销售量之间的对应关系。
对商品属性特征与商品的销售量之间的对应关系进行初始化后，根据历史商品的属性特征，可预测得到相应的历史商品的销售量，预测的销售量与历史商品的销售量存在一定的误差，从而需要对商品属性特征与商品的销售量之间的对应关系进行修正，以获得商品属性特征与商品的销售量之间达到最佳的对应关系，使预测的销售量与历史商品的销售量更加接近。可以理解为，将历史商品的属性特征作为训练商品属性特征与商品的销售量之间的对应关系的训练样本，对商品属性特征与商品的销售量之间的对应关系进行不断的修正。
请参阅图6，在其中一个实施例中，修正单元220包括：
预处理单元221：用于对历史商品的属性特征进行预处理，使每个商品的属性特征的特征维数相同以及商品的属性特征类型相同，得到商品属性特征向量。
用户浏览网页进行购买行为时，会产生购买商品的商品数据，即产生历史商品数据，根据历史商品数据，记录历史商品数据的历史商品的属性特征以及历史商品的销售量。历史商品的属性特征包括当前时间点之前预设时间窗口内产生的商品属性特征以及预设时间内的历史商品属性特征，然而，在对用户进行推荐时，应推荐最近一段时间内用户常买的商品，从而只需获取预设时间内的历史商品属性特征即可，无需对所有历史商品属性特征进行获取，当前时间点之前预设时间窗口内产生的商品属性特征表示当前时间点之前预设时间窗口内用户购买的商品的属性特征。两种商品属性特征的获取方式是不一样的，从而会导致获取的商品属性特征的维数以及类型存在一定差异，从而对当前时间点之前预设时间窗口内产生的商品属性特征及预设时间内的历史商品属性特征进行预处理，使当前时间点之前预设时间窗口内产生的商品属性特征与预设时间内的历史商品属性特征的维数以及商品属性特征类型相同，并对当前时间点之前预设时间窗口内产生的商品属性特征与预设时间内的历史商品属性特征进行合并，得到商品属性特征向量，即是对历史商品属性特征进行预处理，使每个商品的属性特征的特征维数相同以及商品属性特征类型相同，得到商品属性特征向量。
筛选单元222：用于根据历史商品的销售量以及预设筛选条件，对商品属性特征向量进行筛选。
其中，预设筛选条件包括商品的销售量大于或等于预设值，这样可将销售量较低的历史商品进行排除，不用其属性特征对模型进行训练，即不使用商品的销售量较低的商品属性特征对商品属性特征与商品的销售量之间的对应关系进行修正，减小数据量。
归一化单元223：用于对筛选后的商品属性特征向量进行归一化处理。
格式化单元224：用于根据预设的数字与商品的属性特征的具体值之间的对应关系，将归一化的商品属性特征向量中商品的属性特征的具体值转换成对应的数字，形成商品属性特征输入向量。
这样可实现商品属性特征的数字化，例如，针对商品属性特征中的商品购买时间，为上午8点至9点的商品购买时间是与数字1对应的，当商品属性特征中的购买时间为8点30，则将该商品属性特征中的购买时间转换成1。
调整单元225：用于根据商品属性特征输入向量以及历史商品的销售量，修正商品属性特征与商品的销售量之间的对应关系，获得商品属性特征与商品的销售量之间的对应关系。
修正商品属性特征与商品的销售量之间的对应关系，即是对商品个性化推荐模型进行训练过程，对商品个性化推荐模型中的模型参数进行训练，模型参数决定了商品个性化推荐模型的性能，当训练完成后，模型参数确定，商品属性特征与商品的销售量之间的对应关系确定，再通过训练修正完成后的商品属性特征与商品的销售量之间的对应关系对待推荐商品的销售量进行预测。
在其中一个实施例中，上述个性化推荐系统还包括：
验证模块，用于验证商品属性特征与商品的销售量之间的对应关系的准确性。
为了验证商品属性特征与商品的销售量之间的对应关系的好坏，需要对商品属性特征与商品的销售量之间的对应关系的准确性进行评估。
具体地，验证模块包括：
预测单元，用于根据测试商品的属性特征以及商品属性特征与商品的销售量之间的对应关系，预测测试商品的销售量；
排序单元，用于根据测试商品的预测销售量，对测试商品进行排序；
验证单元，用于将测试商品的排序结果与测试商品的实际排序结果进行对比，确定商品属性特征与商品的销售量之间的对应关系的准确性。
模型训练完后，模型中的相关参数已经确定，商品属性特征与商品的销售量之间的对应关系确定，再利用商品属性特征与商品的销售量之间的对应关系对测试商品的销售量进行预测，再根据测试商品的销售量对测试商品进行排序，根据测试商品的排序结果与测试商品的实际排序结果，可以评估商品属性特征与商品的销售量之间的对应关系的好坏，即评估训练完成后的模型对测试商品的销售量预测的准确性。其中，测试商品可以为上述历史商品中的商品，也可以为专门用于对商品属性特征与商品的销售量之间的对应关系的准确性验证的商品，这些商品没有在上述商品属性特征与商品的销售量之间的对应关系修正过程中使用过。
在其中一个实施例中，上述个性化推荐系统还包括：
第二排序模块，用于根据预设的规则，对排序后的待推荐商品进行重新排序，其中，预设的规则包括将售完的商品排到最后。
其中，预设的规则包括将售完的商品排到最后。例如，商品A通过步骤S500之后的排名比较靠前，排名第10，根据该排名，可向用户推荐商品A的，然而，商品A已经售完，从而，对将商品A进行重新排名，将其排到最后，从而在为用户进行推荐时，商品A推荐的可能性就小。另外，预设的规则还包括将当季流行的商品排到最前等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种新用户的商品个性化推荐方法，其特征在于，包括如下步骤：
获取历史商品数据，根据所述历史商品数据，记录所述历史商品数据的历史商品的属性特征以及历史商品的销售量；
根据所述历史商品的属性特征以及所述历史商品的销售量，获得商品属性特征与商品的销售量之间的对应关系；
获取待推荐商品的属性特征；
根据所述待推荐商品的属性特征以及商品属性特征与商品的销售量之间的所述对应关系，预测待推荐商品的销售量；
根据所述待推荐商品的销售量，对所述待推荐商品进行排序；
根据所述待推荐商品的排序结果，为新用户推荐商品。
2.根据权利要求1所述的新用户的商品个性化推荐方法，其特征在于，所述根据所述历史商品的属性特征以及所述历史商品的销售量，获得商品属性特征与商品的销售量之间的对应关系的步骤包括：
初始化商品属性特征与商品的销售量之间的对应关系；
根据所述历史商品的属性特征以及所述历史商品的销售量，对商品属性特征与商品的销售量之间的所述对应关系进行修正，获得商品属性特征与商品的销售量之间的所述对应关系。
3.根据权利要求2所述的新用户的商品个性化推荐方法，其特征在于，所述根据所述历史商品的属性特征以及所述历史商品的销售量，对商品属性特征与商品的销售量之间的所述对应关系进行修正，获得商品属性特征与商品的销售量之间的所述对应关系的步骤包括：
对所述历史商品的属性特征进行预处理，使每个商品的属性特征的特征维数相同以及商品的属性特征类型相同，得到商品属性特征向量；
根据所述历史商品的销售量以及预设筛选条件，对所述商品属性特征向量进行筛选，其中，所述预设筛选条件包括所述历史商品的销售量大于或等于预设值；
对筛选后的商品属性特征向量进行归一化处理；
根据预设的数字与商品的属性特征的具体值之间的对应关系，将所述归一化的商品属性特征向量中商品的属性特征的具体值转换成对应的数字，形成商品属性特征输入向量；
根据所述商品属性特征输入向量以及所述历史商品的销售量，修正商品属性特征与商品的销售量之间的所述对应关系，获得商品属性特征与商品的销售量之间的所述对应关系。
4.根据权利要求1所述的新用户的商品个性化推荐方法，其特征在于，所述根据所述历史商品的属性特征以及所述历史商品的销售量，获得商品属性特征与商品的销售量之间的对应关系步骤之后还包括：
验证商品属性特征与商品的销售量之间的所述对应关系的准确性。
5.根据权利要求1所述的新用户的商品个性化推荐方法，其特征在于，所述根据所述待推荐商品的销售量，对所述待推荐商品进行排序之后还包括步骤：
根据预设的规则，对排序后的所述待推荐商品进行重新排序，其中，所述预设的规则包括将售完的商品排到最后。
6.一种新用户的商品个性化推荐系统，其特征在于，包括：
第一获取模块，用于获取历史商品数据，根据所述历史商品数据，记录所述历史商品数据的历史商品的属性特征以及历史商品的销售量；
第二获取模块，用于根据所述历史商品的属性特征以及所述历史商品的销售量，获得商品属性特征与商品的销售量之间的对应关系；
第三获取模块，用于获取待推荐商品的属性特征；
预测模块，用于根据所述待推荐商品的属性特征以及商品属性特征与商品的销售量之间的所述对应关系，预测待推荐商品的销售量；
第一排序模块，用于根据所述待推荐商品的销售量，对所述待推荐商品进行排序；
推荐模块，用于根据所述待推荐商品的排序结果，为新用户推荐商品。
7.根据权利要求6所述的新用户的商品个性化推荐系统，其特征在于，所述第二获取模块包括：
初始化单元，用于初始化商品属性特征与商品的销售量之间的对应关系；
修正单元，用于根据所述历史商品的属性特征以及所述历史商品的销售量，对商品属性特征与商品的销售量之间的所述对应关系进行修正，获得商品属性特征与商品的销售量之间的所述对应关系。
8.根据权利要求7所述的新用户的商品个性化推荐系统，其特征在于，所述修正单元包括：
预处理单元，用于对所述历史商品的属性特征进行预处理，使每个商品的属性特征的特征维数相同以及商品的属性特征类型相同，得到商品属性特征向量；
筛选单元，用于根据所述历史商品的销售量以及预设筛选条件，对所述商品属性特征向量进行筛选，其中，所述预设筛选条件包括所述历史商品的销售量大于或等于预设值；
归一化单元，用于对筛选后的商品属性特征向量进行归一化处理；
格式化单元，用于根据预设的数字与商品的属性特征的具体值之间的对应关系，将所述归一化的商品属性特征向量中商品的属性特征的具体值转换成对应的数字，形成商品属性特征输入向量；
调整单元，用于根据所述商品属性特征输入向量以及所述历史商品的销售量，修正商品属性特征与商品的销售量之间的所述对应关系，获得商品属性特征与商品的销售量之间的所述对应关系。
9.根据权利要求6所述的新用户的商品个性化推荐系统，其特征在于，上述新用户的商品个性化推荐系统还包括：
验证模块，用于验证商品属性特征与商品的销售量之间的所述对应关系的准确。
10.根据权利要求6所述的新用户的商品个性化推荐系统，其特征在于，上述新用户的商品个性化推荐系统还包括：
第二排序模块，用于根据预设的规则，对排序后的所述待推荐商品进行重新排序，其中，所述预设的规则包括将售完的商品排到最后。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510686281.5A CN105184618A (zh) | 2015-10-20 | 2015-10-20 | 新用户的商品个性化推荐方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510686281.5A CN105184618A (zh) | 2015-10-20 | 2015-10-20 | 新用户的商品个性化推荐方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN105184618A true CN105184618A (zh) | 2015-12-23 |
Family
ID=54906676
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510686281.5A Pending CN105184618A (zh) | 2015-10-20 | 2015-10-20 | 新用户的商品个性化推荐方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105184618A (zh) |
Cited By (23)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106227834A (zh) * | 2016-07-26 | 2016-12-14 | 合网络技术（北京）有限公司 | 多媒体资源的推荐方法及装置 |
| CN106502881A (zh) * | 2016-09-20 | 2017-03-15 | 北京三快在线科技有限公司 | 一种商品排序规则的测试方法和装置 |
| CN106934648A (zh) * | 2015-12-31 | 2017-07-07 | 阿里巴巴集团控股有限公司 | 一种数据处理方法和装置 |
| CN106934498A (zh) * | 2017-03-14 | 2017-07-07 | 携程旅游网络技术（上海）有限公司 | Ota网站中酒店房型的推荐方法及系统 |
| WO2017121285A1 (zh) * | 2016-01-14 | 2017-07-20 | 阿里巴巴集团控股有限公司 | 一种基于时间序列的数据预测方法和装置 |
| CN107092612A (zh) * | 2016-08-15 | 2017-08-25 | 北京小度信息科技有限公司 | 一种推送资源的方法及装置 |
| CN107424043A (zh) * | 2017-06-15 | 2017-12-01 | 北京三快在线科技有限公司 | 一种产品推荐方法及装置，电子设备 |
| CN108205768A (zh) * | 2016-12-20 | 2018-06-26 | 百度在线网络技术（北京）有限公司 | 数据库建立方法和数据推荐方法及装置、设备和存储介质 |
| CN108230641A (zh) * | 2016-12-21 | 2018-06-29 | 李汉忠 | 一种超市随机购物算法 |
| CN108288196A (zh) * | 2017-01-09 | 2018-07-17 | 阿里巴巴集团控股有限公司 | 一种业务对象的推荐方法和装置 |
| CN108694171A (zh) * | 2017-04-05 | 2018-10-23 | 腾讯科技（深圳）有限公司 | 信息推送的方法及装置 |
| CN108711075A (zh) * | 2018-05-22 | 2018-10-26 | 阿里巴巴集团控股有限公司 | 一种产品推荐方法和装置 |
| CN109727073A (zh) * | 2018-12-29 | 2019-05-07 | 携程旅游网络技术（上海）有限公司 | 访问流量控制方法、系统、电子设备和存储介质 |
| CN109816495A (zh) * | 2019-02-13 | 2019-05-28 | 北京达佳互联信息技术有限公司 | 商品信息推送方法、系统及服务器和存储介质 |
| CN110060107A (zh) * | 2019-04-25 | 2019-07-26 | 湖南餐效信息科技有限公司 | 营收估算方法、营收估算系统、终端及存储介质 |
| CN110134783A (zh) * | 2018-02-09 | 2019-08-16 | 阿里巴巴集团控股有限公司 | 个性化推荐的方法、装置、设备和介质 |
| WO2019233309A1 (zh) * | 2018-06-08 | 2019-12-12 | Oppo广东移动通信有限公司 | 信息处理方法和装置、电子设备、计算机可读存储介质 |
| CN110852772A (zh) * | 2018-08-21 | 2020-02-28 | 北京京东尚科信息技术有限公司 | 动态定价方法、系统、设备和存储介质 |
| CN111639274A (zh) * | 2020-06-01 | 2020-09-08 | 重庆锐云科技有限公司 | 线上商品智能排序方法、装置、计算机设备和存储介质 |
| CN112912874A (zh) * | 2018-11-13 | 2021-06-04 | 3M创新有限公司 | 用于电子商务内容生成和优化的深度因果学习 |
| CN113538055A (zh) * | 2021-07-20 | 2021-10-22 | 汇智数字科技控股(深圳)有限公司 | 用于亚马逊平台商品的销量预估方法、装置及处理器 |
| CN113743641A (zh) * | 2020-12-07 | 2021-12-03 | 北京沃东天骏信息技术有限公司 | 一种物品识别方法和装置 |
| CN111652674B (zh) * | 2020-05-15 | 2023-09-19 | 拉扎斯网络科技（上海）有限公司 | 一种资源推荐方法以及装置 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050065838A1 (en) * | 2003-09-18 | 2005-03-24 | International Business Machines Corporation | Accepting bids under uncertain future demands |
| CN101271558A (zh) * | 2008-05-16 | 2008-09-24 | 华东师范大学 | 基于上下文信息的多策略商品推荐系统 |
| CN102890686A (zh) * | 2011-07-21 | 2013-01-23 | 腾讯科技（深圳）有限公司 | 展示商品搜索结果的方法及系统 |
| CN103984998A (zh) * | 2014-05-30 | 2014-08-13 | 成都德迈安科技有限公司 | 基于云服务平台大数据挖掘的销售预测方法 |
| CN104200279A (zh) * | 2014-08-22 | 2014-12-10 | 北京京东尚科信息技术有限公司 | 商品首次需求预测方法和装置 |
| CN104504159A (zh) * | 2015-01-19 | 2015-04-08 | 齐鲁工业大学 | 多支持度的正负序列模式在客户购买行为分析中的应用 |
| CN104517224A (zh) * | 2014-12-22 | 2015-04-15 | 浙江工业大学 | 一种网络热销商品的预测方法及系统 |
| CN104537553A (zh) * | 2015-01-19 | 2015-04-22 | 齐鲁工业大学 | 重复负序列模式在客户购买行为分析中的应用 |
| CN104680399A (zh) * | 2015-03-13 | 2015-06-03 | 江苏物联网研究发展中心 | 农资商品销售推荐方法 |
-
2015
- 2015-10-20 CN CN201510686281.5A patent/CN105184618A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050065838A1 (en) * | 2003-09-18 | 2005-03-24 | International Business Machines Corporation | Accepting bids under uncertain future demands |
| CN101271558A (zh) * | 2008-05-16 | 2008-09-24 | 华东师范大学 | 基于上下文信息的多策略商品推荐系统 |
| CN102890686A (zh) * | 2011-07-21 | 2013-01-23 | 腾讯科技（深圳）有限公司 | 展示商品搜索结果的方法及系统 |
| CN103984998A (zh) * | 2014-05-30 | 2014-08-13 | 成都德迈安科技有限公司 | 基于云服务平台大数据挖掘的销售预测方法 |
| CN104200279A (zh) * | 2014-08-22 | 2014-12-10 | 北京京东尚科信息技术有限公司 | 商品首次需求预测方法和装置 |
| CN104517224A (zh) * | 2014-12-22 | 2015-04-15 | 浙江工业大学 | 一种网络热销商品的预测方法及系统 |
| CN104504159A (zh) * | 2015-01-19 | 2015-04-08 | 齐鲁工业大学 | 多支持度的正负序列模式在客户购买行为分析中的应用 |
| CN104537553A (zh) * | 2015-01-19 | 2015-04-22 | 齐鲁工业大学 | 重复负序列模式在客户购买行为分析中的应用 |
| CN104680399A (zh) * | 2015-03-13 | 2015-06-03 | 江苏物联网研究发展中心 | 农资商品销售推荐方法 |
Cited By (34)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106934648A (zh) * | 2015-12-31 | 2017-07-07 | 阿里巴巴集团控股有限公司 | 一种数据处理方法和装置 |
| CN106971348B (zh) * | 2016-01-14 | 2021-04-30 | 阿里巴巴集团控股有限公司 | 一种基于时间序列的数据预测方法和装置 |
| WO2017121285A1 (zh) * | 2016-01-14 | 2017-07-20 | 阿里巴巴集团控股有限公司 | 一种基于时间序列的数据预测方法和装置 |
| CN106971348A (zh) * | 2016-01-14 | 2017-07-21 | 阿里巴巴集团控股有限公司 | 一种基于时间序列的数据预测方法和装置 |
| CN106227834B (zh) * | 2016-07-26 | 2020-03-27 | 合一网络技术(北京)有限公司 | 多媒体资源的推荐方法及装置 |
| CN106227834A (zh) * | 2016-07-26 | 2016-12-14 | 合网络技术（北京）有限公司 | 多媒体资源的推荐方法及装置 |
| CN107092612A (zh) * | 2016-08-15 | 2017-08-25 | 北京小度信息科技有限公司 | 一种推送资源的方法及装置 |
| CN106502881B (zh) * | 2016-09-20 | 2022-01-14 | 北京三快在线科技有限公司 | 一种商品排序规则的测试方法和装置 |
| CN106502881A (zh) * | 2016-09-20 | 2017-03-15 | 北京三快在线科技有限公司 | 一种商品排序规则的测试方法和装置 |
| CN108205768B (zh) * | 2016-12-20 | 2022-07-05 | 百度在线网络技术（北京）有限公司 | 数据库建立方法和数据推荐方法及装置、设备和存储介质 |
| CN108205768A (zh) * | 2016-12-20 | 2018-06-26 | 百度在线网络技术（北京）有限公司 | 数据库建立方法和数据推荐方法及装置、设备和存储介质 |
| CN108230641A (zh) * | 2016-12-21 | 2018-06-29 | 李汉忠 | 一种超市随机购物算法 |
| CN108288196B (zh) * | 2017-01-09 | 2022-03-15 | 阿里巴巴集团控股有限公司 | 一种业务对象的推荐方法和装置 |
| CN108288196A (zh) * | 2017-01-09 | 2018-07-17 | 阿里巴巴集团控股有限公司 | 一种业务对象的推荐方法和装置 |
| CN106934498A (zh) * | 2017-03-14 | 2017-07-07 | 携程旅游网络技术（上海）有限公司 | Ota网站中酒店房型的推荐方法及系统 |
| CN108694171B (zh) * | 2017-04-05 | 2021-10-19 | 腾讯科技（深圳）有限公司 | 信息推送的方法及装置 |
| CN108694171A (zh) * | 2017-04-05 | 2018-10-23 | 腾讯科技（深圳）有限公司 | 信息推送的方法及装置 |
| CN107424043A (zh) * | 2017-06-15 | 2017-12-01 | 北京三快在线科技有限公司 | 一种产品推荐方法及装置，电子设备 |
| CN110134783A (zh) * | 2018-02-09 | 2019-08-16 | 阿里巴巴集团控股有限公司 | 个性化推荐的方法、装置、设备和介质 |
| CN110134783B (zh) * | 2018-02-09 | 2023-11-10 | 阿里巴巴集团控股有限公司 | 个性化推荐的方法、装置、设备和介质 |
| CN108711075A (zh) * | 2018-05-22 | 2018-10-26 | 阿里巴巴集团控股有限公司 | 一种产品推荐方法和装置 |
| WO2019233309A1 (zh) * | 2018-06-08 | 2019-12-12 | Oppo广东移动通信有限公司 | 信息处理方法和装置、电子设备、计算机可读存储介质 |
| CN110852772A (zh) * | 2018-08-21 | 2020-02-28 | 北京京东尚科信息技术有限公司 | 动态定价方法、系统、设备和存储介质 |
| CN112912874A (zh) * | 2018-11-13 | 2021-06-04 | 3M创新有限公司 | 用于电子商务内容生成和优化的深度因果学习 |
| CN109727073A (zh) * | 2018-12-29 | 2019-05-07 | 携程旅游网络技术（上海）有限公司 | 访问流量控制方法、系统、电子设备和存储介质 |
| CN109727073B (zh) * | 2018-12-29 | 2021-03-05 | 携程旅游网络技术（上海）有限公司 | 访问流量控制方法、系统、电子设备和存储介质 |
| CN109816495A (zh) * | 2019-02-13 | 2019-05-28 | 北京达佳互联信息技术有限公司 | 商品信息推送方法、系统及服务器和存储介质 |
| CN110060107A (zh) * | 2019-04-25 | 2019-07-26 | 湖南餐效信息科技有限公司 | 营收估算方法、营收估算系统、终端及存储介质 |
| CN111652674B (zh) * | 2020-05-15 | 2023-09-19 | 拉扎斯网络科技（上海）有限公司 | 一种资源推荐方法以及装置 |
| CN111639274A (zh) * | 2020-06-01 | 2020-09-08 | 重庆锐云科技有限公司 | 线上商品智能排序方法、装置、计算机设备和存储介质 |
| CN111639274B (zh) * | 2020-06-01 | 2023-05-09 | 重庆锐云科技有限公司 | 线上商品智能排序方法、装置、计算机设备和存储介质 |
| CN113743641A (zh) * | 2020-12-07 | 2021-12-03 | 北京沃东天骏信息技术有限公司 | 一种物品识别方法和装置 |
| CN113538055A (zh) * | 2021-07-20 | 2021-10-22 | 汇智数字科技控股(深圳)有限公司 | 用于亚马逊平台商品的销量预估方法、装置及处理器 |
| CN113538055B (zh) * | 2021-07-20 | 2023-11-07 | 汇智数字科技控股(深圳)有限公司 | 用于亚马逊平台商品的销量预估方法、装置及处理器 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105184618A (zh) | 新用户的商品个性化推荐方法及系统 | |
| CN106485562B (zh) | 一种基于用户历史行为的商品信息推荐方法及系统 | |
| CN107562818B (zh) | 信息推荐系统及方法 | |
| KR101871747B1 (ko) | 유사성향 기반 사용자-관광상품 추천 방법 및 시스템 | |
| CN103778548B (zh) | 商品信息与关键词匹配方法、商品信息投放方法及装置 | |
| CN107169806B (zh) | 用于确定商品属性对于购买决策的影响度的方法及装置 | |
| CN104679771A (zh) | 一种个性化数据搜索方法和装置 | |
| CN107153656B (zh) | 一种信息搜索方法和装置 | |
| CN102053971A (zh) | 用于面向排序的协同过滤的推荐方法和设备 | |
| CN103678518A (zh) | 一种推荐列表调整方法和装置 | |
| CN109685537B (zh) | 用户行为的分析方法、装置、介质和电子设备 | |
| CN113268656A (zh) | 一种用户推荐方法、装置、电子设备及计算机存储介质 | |
| CN117291649B (zh) | 一种集约化的营销数据处理方法及系统 | |
| CN111738805A (zh) | 基于行为日志的搜索推荐模型生成方法、设备和存储介质 | |
| CN106447384A (zh) | 确定目标用户的方法及装置 | |
| CN111652735A (zh) | 基于用户行为标签特征及商品特征的保险产品推荐的方法 | |
| CN104346428A (zh) | 信息处理装置、信息处理方法及程序 | |
| CN106294410A (zh) | 一种个性化信息推送时间的确定方法及确定系统 | |
| CN115311042A (zh) | 商品推荐方法、装置、计算机设备和存储介质 | |
| CN114861050A (zh) | 一种基于神经网络的特征融合推荐方法及系统 | |
| CN111127074B (zh) | 一种数据推荐方法 | |
| CN113407854A (zh) | 一种应用推荐方法、装置、设备及计算机可读存储介质 | |
| CN111861679A (zh) | 一种基于人工智能的商品推荐方法 | |
| CN105183878A (zh) | 一种基于马尔科夫预测算法的音乐分类的推荐方法 | |
| CN111680213A (zh) | 信息推荐方法、数据处理方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C41 | Transfer of patent application or patent right or utility model | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20160315 Address after: 510370 Guangdong, Guangzhou, Fangcun, No., No. 20 Huahai street, building 1-5 Applicant after: Guangzhou Pinwei Software Co., Ltd. Address before: 510370 Guangdong, Guangzhou, Fangcun, No., No. 20 Huahai street, building 1-5 Applicant before: Guangzhou VIPSHOP Information and Technology Co., Ltd. |
|
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20151223 |
|
| RJ01 | Rejection of invention patent application after publication |