CN105243563A - 预测商品价格的方法和装置 - Google Patents
预测商品价格的方法和装置 Download PDFInfo
- Publication number
- CN105243563A CN105243563A CN201510689312.2A CN201510689312A CN105243563A CN 105243563 A CN105243563 A CN 105243563A CN 201510689312 A CN201510689312 A CN 201510689312A CN 105243563 A CN105243563 A CN 105243563A
- Authority
- CN
- China
- Prior art keywords
- data
- predicted
- commodity
- relevant
- price
- 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
本发明提出一种预测商品价格的方法和装置，该预测商品价格的方法包括：获取与待预测商品相关的数据，所述数据包括如下项中的一项或多项：待预测商品的相关商品的历史价格数据、与待预测商品相关的用户兴趣数据、与待预测商品相关的宏观数据；根据所述数据进行分析，得到待预测商品的预测价格；将所述预测价格通过客户端展示给用户。该方法能够提高商品价格的预测准确度。
Description
技术领域
本发明涉及数据处理技术领域，尤其涉及一种预测商品价格的方法和装置。
背景技术
在日常生活中，人们会遇到需要预测商品价格的场景，例如，需要预测房产价格。以房产价格预测为例，现有技术中，通常是以房产所在小区为维度进行分析，考虑因素较单一，从而预测准确度不高。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
为此，本发明的一个目的在于提出一种预测商品价格的方法，该方法可以提高商品价格的预测准确度。
本发明的另一个目的在于提出一种预测商品价格的装置。
为达到上述目的，本发明第一方面实施例提出的预测商品价格的方法，包括：获取与待预测商品相关的数据，所述数据包括如下项中的一项或多项：待预测商品的相关商品的历史价格数据、与待预测商品相关的用户兴趣数据、与待预测商品相关的宏观数据；根据所述数据进行分析，得到待预测商品的预测价格；将所述预测价格通过客户端展示给用户。
本发明第一方面实施例提出的预测商品价格的方法，通过获取待预测商品的相关的数据，该相关的数据不局限在一种维度上，从而可以在预测时考虑更多的因素，提高预测准确度。
为达到上述目的，本发明第二方面实施例提出的预测商品价格的装置，包括：获取模块，用于获取与待预测商品相关的数据，所述数据包括如下项中的一项或多项：待预测商品的相关商品的历史价格数据、与待预测商品相关的用户兴趣数据、与待预测商品相关的宏观数据；预测模块，用于根据所述数据进行分析，得到待预测商品的预测价格；展示模块，用于将所述预测价格通过客户端展示给用户。
本发明第二方面实施例提出的预测商品价格的装置，通过获取待预测商品的相关的数据，该相关的数据不局限在一种维度上，从而可以在预测时考虑更多的因素，提高预测准确度。
本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1是本发明一实施例提出的预测商品价格的方法的流程示意图；
图2是本发明另一实施例提出的预测商品价格的方法的流程示意图；
图3是本发明实施例中真实值与预测值的比较示意图；
图4是本发明实施例应用到待预测商品相关的产品中的示意图；
图5是本发明实施例应用到专门的预测产品中的示意图；
图6是本发明另一实施例提出的预测商品价格的装置的结构示意图；
图7是本发明另一实施例提出的预测商品价格的装置的结构示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的模块或具有相同或类似功能的模块。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。相反，本发明的实施例包括落入所附加权利要求书的精神和内涵范围内的所有变化、修改和等同物。
图1是本发明一实施例提出的预测商品价格的方法的流程示意图，该方法包括：
S11：获取与待预测商品相关的数据，所述数据包括如下项中的一项或多项：待预测商品的相关商品的历史价格数据、与待预测商品相关的用户兴趣数据、与待预测商品相关的宏观数据。
本发明实施例中，以房产预测为例，可以理解的是，本发明的预测方法也可以应用到其他商品的预测。
本发明实施例中，以与待预测房产相关的数据包括如下三项为例，可以理解的是，也可以根据实际需要调整选择如下项中的一项或多项：
待预测房产的相关房产的历史价格数据，与待预测房产相关的用户兴趣数据，与待预测房产相关的宏观数据。
其中，上述各项数据可以通过多种途径获取，例如：
获取所述历史价格数据，包括如下项中的一项或多项：
从所述待预测商品的售卖网站获取所述相关商品的历史出售价格；
从所述待预测商品的交易平台网站获取所述相关商品的历史成交价格；
从线下获取所述相关商品的历史价格。
获取所述用户兴趣数据，包括如下项中的一项或多项：
通过搜索引擎获取用户产生的与待预测商品相关的行为数据；
通过基于位置的服务获取用户产生的与待预测商品相关的行为数据；
通过网络社区获取用户产生的与待预测商品相关的行为数据；
通过社交网络获取用户产生的与待预测商品相关的行为数据；
通过输入法获取用户产生的与待预测商品相关的行为数据；
通过浏览器获取用户产生的与待预测商品相关的行为数据。
获取所述宏观数据，包括：
获取与待预测商品相关的关键词的检索量。
所述与待预测商品相关的关键词包括如下项中的一项或多项：
与待预测商品所属类别相关的关键词；
与特定区域的待预测商品所属类别相关的关键词；
与待预测商品相关的国家政策或地区政策的关键词。
S12：根据所述数据进行分析，得到待预测商品的预测价格。
例如，当所述数据包括：所述历史价格数据、所述用户兴趣数据和所述宏观数据时，所述根据所述数据进行分析，得到待预测商品的预测价格，包括：
对所述历史价格数据进行垂直预测，得到垂直预测数据；
根据所述垂直预测数据、所述用户兴趣数据和所述宏观数据进行分析，得到待预测商品的预测价格。
S13：将所述预测价格通过客户端展示给用户。
例如，服务端在得到预测价格后，可以将预测价格发送给客户端，由客户端展示给用户。
本实施例中，通过获取待预测商品的相关的数据，该相关的数据不局限在一种维度上，从而可以在预测时考虑更多的因素，提高预测准确度。
图2是本发明另一实施例提出的预测商品价格的方法的流程示意图，该方法包括：
S21：房产数据采集模块获取待预测房产的相关房产的历史价格数据。
其中，房产数据采集模块可以收集不同信息源的数据，并对来自不同信息源的数据进行甄别、归类和数据去噪，数据去噪时可以根据预设规则执行，从而提高预测可信度。
如图2所示，不同信息源的数据可以包括：
S211：房产价格自动收集部件从房产的售卖网站获取相关房产的历史出售价格。
例如，房产价格自动收集部件从主流的房产中介网站上通过网络爬虫技术爬取相关房产的历史挂牌价。其中，相关房产例如是与待预测的房产位于同一个小区的房产。
S212：房产交易中心连接部件从房产的交易平台网站获取相关房产的历史成交价格。
例如，房产交易中心连接部件从由房产局下属的官方机构，也就是房产交易中心获取历史成交价及近期成交量。
S213：线下数据录入部件从线下获取相关房产的历史价格。
例如，线下数据录入部件整理来自线下的房屋中介或房地产商所提供的房产销售数据。
S22：大数据兴趣挖掘模块获取与待预测房产相关的用户兴趣数据。
其中，大数据兴趣挖掘模块可以从不同的途径获取到用户兴趣数据。
如图2所示，用户兴趣数据的获取可以具体包括：
S221：搜索引擎数据挖掘部件通过搜索引擎获取用户产生的与待预测商品相关的行为数据；
例如，搜索引擎数据挖掘部件负责挖掘用户在搜索引擎上对待预测房产所在小区的搜索量，包括但不仅限于来自pc端和移动端的检索。
S222：基于位置的服务挖掘部件通过基于位置的服务获取用户产生的与待预测商品相关的行为数据；
例如，基于位置的服务挖掘部件负责挖掘用户通过基于位置的服务对待预测房产所在小区进行的相关行为，包括但不仅限于：查询、定位及以该小区为起止点的路线规划；
S223：网络社区数据挖掘部件通过网络社区获取用户产生的与待预测商品相关的行为数据；
例如，网络社区数据挖掘部件，负责挖掘用户在网络社区(包括但不仅限于：百度贴吧、天涯、各大房产交易论坛等)中进行与待预测房产所在小区相关帖子的行为，包括但不仅限于：发布、回复及点击。
S224：社交数据挖掘部件通过社交网络获取用户产生的与待预测商品相关的行为数据；
例如，社交数据挖掘部件具体是指微博数据挖掘部件，负责挖掘用户在微博中进行与待预测房产所在小区相关微博的行为，包括但不仅限于：发布、回复、点赞及转发。
S225：输入法数据挖掘部件通过输入法获取用户产生的与待预测商品相关的行为数据；
例如，输入法数据挖掘部件，负责挖掘用户通过输入法键入待预测房产所在小区的次数及频率，包括但不仅限于来自移动端及pc端的输入。
S226：浏览器数据挖掘部件通过浏览器获取用户产生的与待预测商品相关的行为数据。
例如，浏览器数据挖掘部件负责挖掘用户通过浏览器浏览的包含与待预测房产所在小区相关网页的次数及频率，包括但不仅限于来自移动端及pc端的浏览。
S23：宏观调控挖掘模块获取与待预测房产相关的宏观数据。
通过从宏观的角度切入，可以捕捉整体或突发的趋势变化，从而提高预测精度。
例如，搜索热词表及搜索量获取模块，用于获取与待预测房产相关的关键词的检索量。
待预测房产相关的关键词包括但不限于：
对“房子”、“房价”、“出售房”、“二手房”等与房屋相关的关键词；
对“上海房价”、“浦东房价”等涉及某块地域的与房屋相关的关键词；
对“上海公积金贷款额度调整”等涉及房屋价格的国家或地方政策的检索量会对相应城市的房价造成促进或抑制的作用。
S21-S23无时序限制关系。
S24：历史信息垂直预测模块对所述历史价格数据进行垂直预测，得到垂直预测数据。
垂直预测是指根据历史价格数据预测未来相应时间段的价格，例如，根据2014年10-12月的价格数据预测2015年10-12月的价格数据。
垂直预测所使用的算法及公式包括但不限于以下方法：Elman局部反馈神经网络、传统机器学习回归类算法及百度大数据垂直预测平台。
S25：大数据兴趣分析模块根据所述垂直预测数据、所述用户兴趣数据和所述宏观数据进行分析，得到待预测房产的预测价格。
大数据兴趣分析模块，本模块主要负责分析由挖掘模块所整理出的待预测小区的兴趣数据，包括六个维度下的数据：搜索量、LBS搜索数、LBS定位次数、LBS路线规划次数、网络社区发帖数、网络社区回复数、网络社区点击数、微博发布数、微博转发数、微博回复数、微博点赞数、输入法键入次数及浏览器浏览相关网页次数，以上的数据均包含来自PC端及移动端的数据，并由分析模块统计总量、变化量及变化率。
随后将之前所得数据的所有数据作为输入，包括兴趣数据、宏观数据及垂直预测数据，都作为能引起房价变化的因素并将之予以分析，所使用的分析算法包括但不限于：传统机器学习回归类算法、径向基神经网络、自竞争神经网络及其余神经网络类算法。
经过上述处理，参见图3，给出了一些小区的房产的真实值与预测值的比较示意图。从图3可以看出，预测准确度比较高。
在具体使用时，该方法可以应用到待预测商品相关的产品中，例如，参见图4，应用到房产信息频道，当用户查询房产信息时，会给出相关的房产价格数据41，该房产价格数据不仅包括历史价格还包括预测价格。或者，
该方法可以应用到专门用于预测信息的预测平台，例如，参见图5，预测开放平台可以用于不同信息的预测，其中，可以新增房产预测模块51。
本实施例中，通过获取待预测商品的相关的数据，该相关的数据不局限在一种维度上，从而可以在预测时考虑更多的因素，提高预测准确度。在获取各种维度的数据时，可以通过多种途径，可以进一步提高预测准确度。
图6是本发明另一实施例提出的预测商品价格的装置的结构示意图，该装置60包括：获取模块61、预测模块62和展示模块63。
获取模块61，用于获取与待预测商品相关的数据，所述数据包括如下项中的一项或多项：待预测商品的相关商品的历史价格数据、与待预测商品相关的用户兴趣数据、与待预测商品相关的宏观数据；
本发明实施例中，以房产预测为例，可以理解的是，本发明的预测方法也可以应用到其他商品的预测。
本发明实施例中，以与待预测房产相关的数据包括如下三项为例，可以理解的是，也可以根据实际需要调整选择如下项中的一项或多项：
待预测房产的相关房产的历史价格数据，与待预测房产相关的用户兴趣数据，与待预测房产相关的宏观数据。
其中，上述各项数据可以通过多种途径获取，例如：
参见图7，所述获取模块61包括：用于获取历史价格数据的第一单元611，所述第一单元具体用于执行如下项中的一项或多项：
从所述待预测商品的售卖网站获取所述相关商品的历史出售价格；
从所述待预测商品的交易平台网站获取所述相关商品的历史成交价格；
从线下获取所述相关商品的历史价格。
第一单元对应方法实施例中的房产数据采集模块，具体内容可以参见相关描述。
参见图7，所述获取模块61包括：用于获取用户兴趣数据的第二单元612，所述第二单元具体用于执行如下项中的一项或多项：
通过搜索引擎获取用户产生的与待预测商品相关的行为数据；
通过基于位置的服务获取用户产生的与待预测商品相关的行为数据；
通过网络社区获取用户产生的与待预测商品相关的行为数据；
通过社交网络获取用户产生的与待预测商品相关的行为数据；
通过输入法获取用户产生的与待预测商品相关的行为数据；
通过浏览器获取用户产生的与待预测商品相关的行为数据。
第二单元对应方法实施例中的大数据兴趣挖掘模块，具体内容可以参见相关描述。
参见图7，所述获取模块61包括：用于获取宏观数据的第三单元613，所述第三单元具体用于：
获取与待预测商品相关的关键词的检索量。
所述与待预测商品相关的关键词包括如下项中的一项或多项：
与待预测商品所属类别相关的关键词；
与特定区域的待预测商品所属类别相关的关键词；
与待预测商品相关的国家政策或地区政策的关键词。
第三单元对应方法实施例中的宏观调控挖掘模块，具体内容可以参见相关描述。
预测模块62，用于根据所述数据进行分析，得到待预测商品的预测价格；
当所述数据包括：所述历史价格数据、所述用户兴趣数据和所述宏观数据时，所述预测模块具体用于：
对所述历史价格数据进行垂直预测，得到垂直预测数据；
根据所述垂直预测数据、所述用户兴趣数据和所述宏观数据进行分析，得到待预测商品的预测价格。
垂直预测是指根据历史价格数据预测未来相应时间段的价格，例如，根据2014年10-12月的价格数据预测2015年10-12月的价格数据。
垂直预测所使用的算法及公式包括但不限于以下方法：Elman局部反馈神经网络、传统机器学习回归类算法及百度大数据垂直预测平台。
随后将之前所得数据的所有数据作为输入，包括兴趣数据、宏观数据及垂直预测数据，都作为能引起房价变化的因素并将之予以分析，所使用的分析算法包括但不限于：传统机器学习回归类算法、径向基神经网络、自竞争神经网络及其余神经网络类算法。
经过上述处理，参见图3，给出了一些小区的房产的真实值与预测值的比较示意图。从图3可以看出，预测准确度比较高。
展示模块63，用于将所述预测价格通过客户端展示给用户。
例如，服务端在得到预测价格后，可以将预测价格发送给客户端，由客户端展示给用户。
在具体使用时，该装置可以应用到待预测商品相关的产品中，例如，参见图4，应用到房产信息频道，当用户查询房产信息时，会给出相关的房产价格数据41，该房产价格数据不仅包括历史价格还包括预测价格。或者，
该装置可以应用到专门用于预测信息的预测平台，例如，参见图5，预测开放平台可以用于不同信息的预测，其中，可以新增房产预测模块51。
本实施例中，通过获取待预测商品的相关的数据，该相关的数据不局限在一种维度上，从而可以在预测时考虑更多的因素，提高预测准确度。在获取各种维度的数据时，可以通过多种途径，可以进一步提高预测准确度。
需要说明的是，在本发明的描述中，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本发明的描述中，除非另有说明，“多个”的含义是指至少两个。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既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。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (12)
1.一种预测商品价格的方法，其特征在于，包括：
获取与待预测商品相关的数据，所述数据包括如下项中的一项或多项：
待预测商品的相关商品的历史价格数据、与待预测商品相关的用户兴趣数据、与待预测商品相关的宏观数据；
根据所述数据进行分析，得到待预测商品的预测价格；
将所述预测价格通过客户端展示给用户。
2.根据权利要求1所述的方法，其特征在于，当所述数据包括：所述历史价格数据、所述用户兴趣数据和所述宏观数据时，所述根据所述数据进行分析，得到待预测商品的预测价格，包括：
对所述历史价格数据进行垂直预测，得到垂直预测数据；
根据所述垂直预测数据、所述用户兴趣数据和所述宏观数据进行分析，得到待预测商品的预测价格。
3.根据权利要求1所述的方法，其特征在于，获取所述历史价格数据，包括如下项中的一项或多项：
从所述待预测商品的售卖网站获取所述相关商品的历史出售价格；
从所述待预测商品的交易平台网站获取所述相关商品的历史成交价格；
从线下获取所述相关商品的历史价格。
4.根据权利要求1所述的方法，其特征在于，获取所述用户兴趣数据，包括如下项中的一项或多项：
通过搜索引擎获取用户产生的与待预测商品相关的行为数据；
通过基于位置的服务获取用户产生的与待预测商品相关的行为数据；
通过网络社区获取用户产生的与待预测商品相关的行为数据；
通过社交网络获取用户产生的与待预测商品相关的行为数据；
通过输入法获取用户产生的与待预测商品相关的行为数据；
通过浏览器获取用户产生的与待预测商品相关的行为数据。
5.根据权利要求1所述的方法，其特征在于，获取所述宏观数据，包括：
获取与待预测商品相关的关键词的检索量。
6.根据权利要求5所述的方法，其特征在于，所述与待预测商品相关的关键词包括如下项中的一项或多项：
与待预测商品所属类别相关的关键词；
与特定区域的待预测商品所属类别相关的关键词；
与待预测商品相关的国家政策或地区政策的关键词。
7.根据权利要求1-6任一项所述的方法，其特征在于，所述商品是房产。
8.一种预测商品价格的装置，其特征在于，包括：
获取模块，用于获取与待预测商品相关的数据，所述数据包括如下项中的一项或多项：待预测商品的相关商品的历史价格数据、与待预测商品相关的用户兴趣数据、与待预测商品相关的宏观数据；
预测模块，用于根据所述数据进行分析，得到待预测商品的预测价格；
展示模块，用于将所述预测价格通过客户端展示给用户。
9.根据权利要求8所述的装置，其特征在于，当所述数据包括：所述历史价格数据、所述用户兴趣数据和所述宏观数据时，所述预测模块具体用于：
对所述历史价格数据进行垂直预测，得到垂直预测数据；
根据所述垂直预测数据、所述用户兴趣数据和所述宏观数据进行分析，得到待预测商品的预测价格。
10.根据权利要求8所述的装置，其特征在于，所述获取模块包括：用于获取历史价格数据的第一单元，所述第一单元具体用于执行如下项中的一项或多项：
从所述待预测商品的售卖网站获取所述相关商品的历史出售价格；
从所述待预测商品的交易平台网站获取所述相关商品的历史成交价格；
从线下获取所述相关商品的历史价格。
11.根据权利要求8所述的装置，其特征在于，所述获取模块包括：用于获取用户兴趣数据的第二单元，所述第二单元具体用于执行如下项中的一项或多项：
通过搜索引擎获取用户产生的与待预测商品相关的行为数据；
通过基于位置的服务获取用户产生的与待预测商品相关的行为数据；
通过网络社区获取用户产生的与待预测商品相关的行为数据；
通过社交网络获取用户产生的与待预测商品相关的行为数据；
通过输入法获取用户产生的与待预测商品相关的行为数据；
通过浏览器获取用户产生的与待预测商品相关的行为数据。
12.根据权利要求8所述的装置，其特征在于，所述获取模块包括：用于获取宏观数据的第三单元，所述第三单元具体用于：
获取与待预测商品相关的关键词的检索量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510689312.2A CN105243563A (zh) | 2015-10-21 | 2015-10-21 | 预测商品价格的方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510689312.2A CN105243563A (zh) | 2015-10-21 | 2015-10-21 | 预测商品价格的方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN105243563A true CN105243563A (zh) | 2016-01-13 |
Family
ID=55041199
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510689312.2A Pending CN105243563A (zh) | 2015-10-21 | 2015-10-21 | 预测商品价格的方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105243563A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105869019A (zh) * | 2016-03-31 | 2016-08-17 | 金蝶软件（中国）有限公司 | 一种商品价格预测方法及装置 |
| CN108520324A (zh) * | 2018-04-13 | 2018-09-11 | 北京京东金融科技控股有限公司 | 用于生成信息的方法和装置 |
| CN110210881A (zh) * | 2018-02-28 | 2019-09-06 | 中兴通讯股份有限公司 | 一种用户兴趣预测方法、装置及系统 |
| CN110837921A (zh) * | 2019-10-29 | 2020-02-25 | 西安建筑科技大学 | 基于梯度提升决策树混合模型的房地产价格预测研究方法 |
| CN114693368A (zh) * | 2022-04-14 | 2022-07-01 | 荃豆数字科技有限公司 | 一种基于行为数据的客户维护方法、装置及存储介质 |
-
2015
- 2015-10-21 CN CN201510689312.2A patent/CN105243563A/zh active Pending
Non-Patent Citations (2)
| Title |
|---|
| 白丽娟 等: "基于搜索关键词关注度的商品房价格指数预测", 《预测》 * |
| 闫妍 等: "基于TEI@I方法论的房价预测方法", 《系统工程理论与实践》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105869019A (zh) * | 2016-03-31 | 2016-08-17 | 金蝶软件（中国）有限公司 | 一种商品价格预测方法及装置 |
| CN110210881A (zh) * | 2018-02-28 | 2019-09-06 | 中兴通讯股份有限公司 | 一种用户兴趣预测方法、装置及系统 |
| CN108520324A (zh) * | 2018-04-13 | 2018-09-11 | 北京京东金融科技控股有限公司 | 用于生成信息的方法和装置 |
| CN110837921A (zh) * | 2019-10-29 | 2020-02-25 | 西安建筑科技大学 | 基于梯度提升决策树混合模型的房地产价格预测研究方法 |
| CN114693368A (zh) * | 2022-04-14 | 2022-07-01 | 荃豆数字科技有限公司 | 一种基于行为数据的客户维护方法、装置及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11354584B2 (en) | Systems and methods for trend aware self-correcting entity relationship extraction | |
| Yazdani et al. | New integration of MCDM methods and QFD in the selection of green suppliers | |
| Gosling et al. | A supply chain flexibility framework for engineer-to-order systems | |
| Koulayev | Search for differentiated products: identification and estimation | |
| CN106327227A (zh) | 一种信息推荐系统及信息推荐方法 | |
| CN102385601B (zh) | 一种产品信息的推荐方法及系统 | |
| CN105243563A (zh) | 预测商品价格的方法和装置 | |
| CN110222272A (zh) | 一种潜在客户挖掘与推荐方法 | |
| CN104077286A (zh) | 商品信息的搜索方法及系统 | |
| Prasanna Venkatesan et al. | Supply chain risk prioritisation using a hybrid AHP and PROMETHEE approach | |
| CN110135876A (zh) | 销量预测的方法及装置 | |
| WO2016153962A1 (en) | Methods and systems for predictive engine evaluation, tuning, and replay of engine performance | |
| CN109840796B (zh) | 决策因素分析装置与决策因素分析方法 | |
| Janssen et al. | Consumer search markets with costly revisits | |
| CN111709810A (zh) | 基于推荐模型的对象推荐方法及装置 | |
| KR102547491B1 (ko) | Ｂ２ｂ 시장을 위한 인공지능 기반 판매가격 결정 서비스 제공 시스템 | |
| CN107885796A (zh) | 信息推荐方法及装置、设备 | |
| CN110851699A (zh) | 基于深度强化学习的信息流推荐方法、装置、设备及介质 | |
| Evers et al. | Systems analysis using simulation | |
| CN103383702A (zh) | 一种基于用户投票排名的个性化新闻推荐的方法及系统 | |
| CN104036402A (zh) | 本地生活服务行业使用的个性化营销方法和顾客管理系统 | |
| Wang et al. | E-business system investment for fresh agricultural food industry in China | |
| Wang et al. | Short‐Term Traffic Volume Forecasting with Asymmetric Loss Based on Enhanced KNN Method | |
| CN106407316A (zh) | 基于主题模型的软件问答推荐方法和装置 | |
| CN115423555A (zh) | 一种商品推荐方法、装置、电子设备及存储介质 |
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: 20160113 |
|
| RJ01 | Rejection of invention patent application after publication |