CN105630946A - 一种基于大数据的领域交叉推荐方法及装置 - Google Patents

一种基于大数据的领域交叉推荐方法及装置 Download PDF

Info

Publication number
CN105630946A
CN105630946A CN201510979783.7A CN201510979783A CN105630946A CN 105630946 A CN105630946 A CN 105630946A CN 201510979783 A CN201510979783 A CN 201510979783A CN 105630946 A CN105630946 A CN 105630946A
Authority
CN
China
Prior art keywords
user
line
targeted customer
theme
record
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.)
Granted
Application number
CN201510979783.7A
Other languages
English (en)
Other versions
CN105630946B (zh
Inventor
刘志强
沈志勇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN201510979783.7A priority Critical patent/CN105630946B/zh
Publication of CN105630946A publication Critical patent/CN105630946A/zh
Priority to PCT/CN2016/086407 priority patent/WO2017107416A1/zh
Priority to US15/564,323 priority patent/US10459996B2/en
Application granted granted Critical
Publication of CN105630946B publication Critical patent/CN105630946B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/31—Indexing; Data structures therefor; Storage structures
    • G06F16/313—Selection or weighting of terms for indexing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/3331—Query processing
    • G06F16/334—Query execution
    • G06F16/3346—Query execution using probabilistic model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • 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
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0255—Targeted advertisements based on user history
    • 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
    • G06Q30/0282—Rating or review of business operators or products
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Databases & Information Systems (AREA)
  • Development Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • General Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • General Business, Economics & Management (AREA)
  • Operations Research (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Software Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Educational Administration (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Algebra (AREA)
  • Computational Linguistics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提出了一种基于大数据的领域交叉推荐方法及装置，通过将用户在不同领域比如线上输入和线下行为进行对接和交叉分析，得到领域之间用户行为特征之间的对应关系，根据建立起的对应关系向用户进行内容推荐。将本发明的技术方案应用在互联网+零售领域的用户消费品牌精准推荐以及消费品牌潜在客户精准定位方面，能够实现多领域用户的交叉引流、用户精准营销、及潜在客户的精准定位等一系列的问题，且效果十分明显，从线下仿真测试以及线上真实消费测试中，都极大地提高了品牌推荐、用户定位的精准度，同时对线下零售GMV有较大的提升。

Description

一种基于大数据的领域交叉推荐方法及装置
技术领域
本发明涉及互联网技术领域，尤其涉及一种基于大数据的领域交叉推荐方法及装置。
背景技术
现有的针对多领域用户行为的分析方法相对简单。通过在不同领域内寻找与给定目标用户相近或相似用户的方式，实现目标用户的定位及用户推荐内容的生成。
现有技术的缺点是：
可解释性较差，无法建立不同领域行为特征的对应关系；
人为干预过多，需要定义用户距离的度量方式与阈值；
可扩展性差，无法通过建模结果对新用户进行快速建模和推荐。
发明内容
本发明要解决的技术问题是，提供一种基于大数据的领域交叉推荐方法及装置，对用户进行更精准的推荐服务。
本发明采用的技术方案是，所述基于大数据的领域交叉推荐方法，包括：
基于特定用户集里的用户的线上输入记录和线下行为记录分别进行主题建模；所述特定用户集里的用户均为同时具有线上输入记录和线下行为记录的用户；
根据主题建模的结果确定出从各线上输入的主题到各线下行为的主题的转移概率；
针对任一目标用户，基于所述转移概率以及所述目标用户的线上输入记录，向所述目标用户进行线下行为的内容推荐。
进一步的，所述线下行为记录，包括：线下消费记录；
所述线上输入记录，包括：利用搜索引擎的检索记录，和/或，通过输入法或者语音接收设备在特定应用中的输入记录；所述特定应用的类型，至少包括以下之一：聊天软件、搜索引擎、社交软件以及网上购物客户端软件。
进一步的，所述线下消费记录，包括：线下消费主题和线下消费品牌；
在所述线上输入记录为利用搜索引擎的检索记录的情况下，所述基于所述特定用户集里的用户的线上输入记录和线下行为记录分别进行主题建模，包括：
基于所述特定用户集里的用户的线下消费记录进行主题建模，得到在各消费主题中对于各品牌进行消费的概率P(品牌|消费主题)、以及每位用户对于各消费主题进行消费的概率P(消费主题|用户)；
基于所述特定用户集里的用户的线上检索记录进行主题建模LDA，得到在各检索主题中输入各检索词的概率P(检索词|检索主题)、以及每位用户对于各检索主题进行检索的概率P(检索主题|用户)。
进一步的，所述根据主题建模的结果确定出从各线上输入的主题到各线下行为的主题的转移概率，包括：
在每位用户对应的P(检索主题|用户)以及所述特定用户集里的用户对于各品牌的消费数据的基础上，或者，在P(品牌|消费主题)、每位用户对应的P(检索主题|用户)以及所述特定用户集里的用户对于各品牌的消费数据的基础上，通过运用双层概率图模型得到从各检索主题到各消费主题的转移概率P(消费主题|检索主题)。
进一步的，作为一种可选的技术方案，针对任一目标用户，基于所述转移概率以及所述目标用户的线上输入记录，向所述目标用户进行线下行为的内容推荐，包括：
A1：针对任一具备所述利用搜索引擎的检索记录的目标用户，按照下面的公式确定出所述目标用户对于各品牌进行消费的概率P0(品牌|用户)：
其中，是指针对所述特定用户集里的用户的线下行为记录中所涉及的所有消费主题求和，是指针对所述目标用户的检索记录中的所有检索主题求和，P0(检索主题|用户)是指根据所述目标用户的检索记录确定出的所述目标用户对于各检索主题进行检索的概率；
A2：根据P0(品牌|用户)向所述目标用户进行品牌推荐。
进一步的，作为另一种可选的技术方案，在任一所述目标用户还同时具备线下消费记录的情况下，针对所述目标用户，基于所述目标用户的线上输入记录以及所述转移概率，向所述目标用户进行线下行为的内容推荐，包括：
B1：针对任一所述目标用户，按照下面的公式确定出所述目标用户对于各品牌进行消费的概率P0(品牌|用户)：
其中，P0(品牌|消费主题)是指根据所述目标用户的消费记录确定出的所述目标用户在各消费主题中对于各品牌进行消费的概率，P0(消费主题|用户)是指根据所述目标用户的消费记录确定出的所述目标用户对于各消费主题进行消费的概率，是指针对所述特定用户集里的用户的线下行为记录中所涉及的所有消费主题求和，是指针对所述目标用户的检索记录中的所有检索主题求和，P0(检索主题|用户)是指根据所述目标用户的检索记录确定出的所述目标用户对于各检索主题进行检索的概率；
B2：根据P0(品牌|用户)向所述目标用户进行品牌推荐。
本发明还提供一种基于大数据的领域交叉推荐装置，包括：
建模模块，用于基于特定用户集里的用户的线上输入记录和线下行为记录分别进行主题建模；所述特定用户集里的用户均为同时具有线上输入记录和线下行为记录的用户；
计算模块，用于根据主题建模的结果确定出从各线上输入的主题到各线下行为的主题的转移概率；
推荐模块，用于针对任一目标用户，基于所述转移概率以及所述目标用户的线上输入记录，向所述目标用户进行线下行为的内容推荐。
进一步的，所述线下行为记录，包括：线下消费记录；
所述线上输入记录，包括：利用搜索引擎的检索记录，和/或，通过输入法或者语音接收设备在特定应用中的输入记录；所述特定应用的类型，至少包括以下之一：聊天软件、搜索引擎、社交软件以及网上购物客户端软件。
进一步的，所述线下消费记录，包括：线下消费主题和线下消费品牌；
在所述线上输入记录为利用搜索引擎的检索记录的情况下，所述建模模块，用于：
基于所述特定用户集里的用户的线下消费记录进行主题建模，得到在各消费主题中对于各品牌进行消费的概率P(品牌|消费主题)、以及每位用户对于各消费主题进行消费的概率P(消费主题|用户)；
基于所述特定用户集里的用户的线上检索记录进行主题建模LDA，得到在各检索主题中输入各检索词的概率P(检索词|检索主题)、以及每位用户对于各检索主题进行检索的概率P(检索主题|用户)。
进一步的，所述计算模块，具体用于：
在每位用户对应的P(检索主题|用户)以及所述特定用户集里的用户对于各品牌的消费数据的基础上，或者，在P(品牌|消费主题)、每位用户对应的P(检索主题|用户)以及所述特定用户集里的用户对于各品牌的消费数据的基础上，通过运用双层概率图模型得到从各检索主题到各消费主题的转移概率P(消费主题|检索主题)。
进一步的，作为一种可选的技术方案，所述推荐模块，具体用于：
针对任一具备所述利用搜索引擎的检索记录的目标用户，按照下面的公式确定出所述目标用户对于各品牌进行消费的概率P0(品牌|用户)：
其中，是指针对所述特定用户集里的用户的线下行为记录中所涉及的所有消费主题求和，是指针对所述目标用户的检索记录中的所有检索主题求和，P0(检索主题|用户)是指根据所述目标用户的检索记录确定出的所述目标用户对于各检索主题进行检索的概率；
根据P0(品牌|用户)向所述目标用户进行品牌推荐。
进一步的，作为另一种可选的技术方案，在任一所述目标用户还同时具备线下消费记录的情况下，所述推荐模块，具体用于：
B1：针对任一所述目标用户，按照下面的公式确定出所述目标用户对于各品牌进行消费的概率P0(品牌|用户)：
其中，P0(品牌|消费主题)是指根据所述目标用户的消费记录确定出的所述目标用户在各消费主题中对于各品牌进行消费的概率，P0(消费主题|用户)是指根据所述目标用户的消费记录确定出的所述目标用户对于各消费主题进行消费的概率，是指针对所述特定用户集里的用户的线下行为记录中所涉及的所有消费主题求和，是指针对所述目标用户的检索记录中的所有检索主题求和，P0(检索主题|用户)是指根据所述目标用户的检索记录确定出的所述目标用户对于各检索主题进行检索的概率；
B2：根据P0(品牌|用户)向所述目标用户进行品牌推荐。
采用上述技术方案，本发明至少具有下列优点：
本发明所述基于大数据的领域交叉推荐方法及装置，通过将用户在不同领域比如线上输入和线下行为进行对接和交叉分析，得到领域之间用户行为特征之间的对应关系，根据建立起的对应关系向用户进行内容推荐。将本发明的技术方案应用在互联网+零售领域的用户消费品牌精准推荐以及消费品牌潜在客户精准定位方面，能够实现多领域用户的交叉引流、用户精准营销、及潜在客户的精准定位等一系列的问题，且效果十分明显，从线下仿真测试以及线上真实消费测试中，都极大地提高了品牌推荐、用户定位的精准度，同时对线下零售GMV(GrossMerchandiseVolume，商品交易总量)有较大的提升。
附图说明
图1为本发明第一实施例的基于大数据的领域交叉推荐方法流程图；
图2为本发明第二实施例的基于大数据的领域交叉推荐方法流程图；
图3为本发明第三实施例的基于大数据的领域交叉推荐装置组成结构示意图；
图4为本发明第五实施例的针对特定的用户集中的商场消费数据和百度检索数据进行数据打通对接的示意图；
图5为本发明第五实施例的针对商场会员集合A’中的用户的商场消费数据进行建模的示意图；
图6为本发明第五实施例的针对商场会员集合A’中的用户的百度检索数据进行建模的示意图；
图7为本发明第五实施例的通过运用双层概率图模型确定出检索主题与消费主题之间的概率转移概率的示意图；
图8为本发明第五实施例的检索主题与消费主题的对应关系矩阵示意图；
图9为本发明第五实施例的第一检索图；
图10为本发明第五实施例的第二检索图。
具体实施方式
为更进一步阐述本发明为达成预定目的所采取的技术手段及功效，以下结合附图及较佳实施例，对本发明进行详细说明如后。
本发明第一实施例，一种基于大数据的领域交叉推荐方法，如图1所示，包括以下具体步骤：
步骤S101，针对特定用户集进行研究，所述特定用户集里的用户均为同时具有线上输入记录和线下行为记录的用户，基于所述特定用户集里的用户的线上输入记录和线下行为记录分别进行主题建模；
具体的，在本实施例中，所述线下行为记录，包括：线下消费记录；
所述线上输入记录，包括：利用搜索引擎的检索记录，和/或，通过输入法或者语音接收设备在特定应用中的输入记录；所述特定应用的类型，至少包括以下之一：聊天软件、搜索引擎、社交软件以及网上购物客户端软件等。
进一步的，所述线下消费记录，包括：线下消费主题和线下消费品牌；
在步骤S101中，在所述线上输入记录为利用搜索引擎的检索记录的情况下，所述基于所述特定用户集里的用户的线上输入记录和线下行为记录分别进行主题建模，包括：
基于所述特定用户集里的用户的线下消费记录进行主题建模，得到在各消费主题中对于各品牌进行消费的概率P(品牌|消费主题)、以及每位用户对于各消费主题进行消费的概率P(消费主题|用户)；
基于所述特定用户集里的用户的线上检索记录进行主题建模LDA，得到在各检索主题中输入各检索词的概率P(检索词|检索主题)、以及每位用户对于各检索主题进行检索的概率P(检索主题|用户)。
步骤S102，根据主题建模的结果确定出从各线上输入的主题到各线下行为的主题的转移概率；
具体的，步骤S102，包括：
在每位用户对应的P(检索主题|用户)以及所述特定用户集里的用户对于各品牌的消费数据的基础上，或者，优选的，在P(品牌|消费主题)、每位用户对应的P(检索主题|用户)以及所述特定用户集里的用户对于各品牌的消费数据的基础上，通过运用双层概率图模型得到从各检索主题到各消费主题的转移概率P(消费主题|检索主题)。
步骤S103，针对任一具备线上输入记录的目标用户，基于所述目标用户的线上输入记录以及所述转移概率，向所述目标用户进行线下行为的内容推荐。
具体的，步骤S103，包括：
A1：针对任一具备所述利用搜索引擎的检索记录的目标用户，按照下面的公式确定出所述目标用户对于各品牌进行消费的概率P0(品牌|用户)：
其中，是指针对所述特定用户集里的用户的线下行为记录中所涉及的所有消费主题求和，是指针对所述目标用户的检索记录中的所有检索主题求和，P0(检索主题|用户)是指根据所述目标用户的检索记录确定出的所述目标用户对于各检索主题进行检索的概率；
A2：根据P0(品牌|用户)向所述目标用户进行品牌推荐。
进一步的，可以选择P0(品牌|用户)中消费概率最高的或者处于前几位的品牌向目标用户进行推荐。
本发明第二实施例，一种基于大数据的领域交叉推荐方法，本实施例所述方法与第一实施例大致相同，即步骤S201～S202与第一实施例的步骤S101～S102相同，区别在于，如图2所示，本实施例的所述方法的步骤S203包括以下具体内容：
在任一所述目标用户同时具备利用搜索引擎的检索记录以及线下消费记录的情况下，针对所述目标用户，基于所述目标用户的线上输入记录以及所述转移概率，向所述目标用户进行线下行为的内容推荐，包括：
B1：针对任一所述目标用户，按照下面的公式确定出该线上用户对于各品牌进行消费的概率P0(品牌|用户)：
其中，P0(品牌|消费主题)是指根据所述线上用户的消费记录确定出的所述线上用户在各消费主题中对于各品牌进行消费的概率，P0(消费主题|用户)是指根据所述线上用户的消费记录确定出的所述线上用户对于各消费主题进行消费的概率，是指针对所述特定用户集里的用户的线下行为记录中所涉及的所有消费主题求和，是指针对所述目标用户的检索记录中的所有检索主题求和，P0(检索主题|用户)是指根据所述目标用户的检索记录确定出的所述目标用户对于各检索主题进行检索的概率；
B2：根据P0(品牌|用户)向所述目标用户进行品牌推荐。
本发明第三实施例，与第一实施例对应，本实施例介绍一种基于大数据的领域交叉推荐装置，如图3所示，包括以下组成部分：
1)建模模块301，用于基于所述特定用户集里的用户的线上输入记录和线下行为记录分别进行主题建模；所述特定用户集里的用户均为同时具有线上输入记录和线下行为记录的用户；
具体的，在本实施例中，所述线下行为记录，包括：线下消费记录；
所述线上输入记录，包括：利用搜索引擎的检索记录，和/或，通过输入法或者语音接收设备在特定应用中的输入记录；所述特定应用的类型，至少包括以下之一：聊天软件、搜索引擎、社交软件以及网上购物客户端软件等。
进一步的，所述线下消费记录，包括：线下消费主题和线下消费品牌；
在所述线上输入记录为利用搜索引擎的检索记录的情况下，所述建模模块，用于：
基于所述特定用户集里的用户的线下消费记录进行主题建模，得到在各消费主题中对于各品牌进行消费的概率P(品牌|消费主题)、以及每位用户对于各消费主题进行消费的概率P(消费主题|用户)；
基于所述特定用户集里的用户的线上检索记录进行主题建模(LatentDirichletAllocation，简称LDA)，得到在各检索主题中输入各检索词的概率P(检索词|检索主题)、以及每位用户对于各检索主题进行检索的概率P(检索主题|用户)。
2)计算模块302，用于根据主题建模的结果确定出从各线上输入的主题到各线下行为的主题的转移概率；
具体的，计算模块302用于：
在每位用户对应的P(检索主题|用户)以及所述特定用户集里的用户对于各品牌的消费数据的基础上，或者，优选的，在P(品牌|消费主题)、每位用户对应的P(检索主题|用户)以及所述特定用户集里的用户对于各品牌的消费数据的基础上，通过运用双层概率图模型得到从各检索主题到各消费主题的转移概率P(消费主题|检索主题)。
3)推荐模块303，用于针对任一具备线上输入记录的目标用户，基于所述目标用户的线上输入记录以及所述转移概率，向所述目标用户进行线下行为的内容推荐。
具体的，推荐模块303用于：
针对任一具备所述利用搜索引擎的检索记录的目标用户，按照下面的公式确定出所述目标用户对于各品牌进行消费的概率P0(品牌|用户)：
其中，是指针对所述特定用户集里的用户的线下行为记录中所涉及的所有消费主题求和，是指针对所述目标用户的检索记录中的所有检索主题求和，P0(检索主题|用户)是指根据所述目标用户的检索记录确定出的所述目标用户对于各检索主题进行检索的概率；
根据P0(品牌|用户)向所述目标用户进行品牌推荐。比如：可以选择P0(品牌|用户)中消费概率最高的或者处于前几位的品牌向目标用户进行推荐。
本发明第四实施例，一种基于大数据的领域交叉推荐装置，本实施例所述装置与第三实施例大致相同，区别在于，推荐模块303具体用于：
在任一所述目标用户同时具备利用搜索引擎的检索记录以及线下消费记录的情况下，针对所述目标用户，基于所述目标用户的线上输入记录以及所述转移概率，向所述目标用户进行线下行为的内容推荐，包括：
B1：针对任一所述目标用户，按照下面的公式确定出该线上用户对于各品牌进行消费的概率P0(品牌|用户)：
其中，P0(品牌|消费主题)是指根据所述线上用户的消费记录确定出的所述线上用户在各消费主题中对于各品牌进行消费的概率，P0(消费主题|用户)是指根据所述线上用户的消费记录确定出的所述线上用户对于各消费主题进行消费的概率，是指针对所述特定用户集里的用户的线下行为记录中所涉及的所有消费主题求和，是指针对所述目标用户的检索记录中的所有检索主题求和，P0(检索主题|用户)是指根据所述目标用户的检索记录确定出的所述目标用户对于各检索主题进行检索的概率；
B2：根据P0(品牌|用户)向所述目标用户进行品牌推荐。
本发明第五实施例，本实施例是在上述实施例的基础上，以基于百度检索内容向商场消费的转化情况来进行品牌推荐为例，结合附图4～10介绍一个本发明的应用实例。
本发明实施例的主要思路是：通过将用户在领域1(商场消费)的数据与用户在领域2(百度搜索引擎检索)的数据进行打通与交叉建模，建模过程如下：
步骤1，对用户的商场消费数据进行主题建模分析，得到品牌的聚类特征(消费主题)信息以及用户在不同聚类上的消费权重；
步骤2，对用户的百度检索数据进行主题建模分析，得到关键词的聚类特征(检索主题)信息以及用户在不同聚类上的分布权重；
步骤3，假设每一个检索主题与每一个消费主题之间有一个概率转移关系，用户通过该概率转移关系将检索主题转化为消费主题，进而在不同的消费主题进行品牌消费。根据上述假设，使用步骤1、2中得到的结果，反推出检索主题与消费主题的对应关系。
步骤4，在得到该对应关系之后，可以分别针对现有用户与新用户进行更精准的推荐服务，以及针对给定品牌的情况下，更精准地实现品牌潜在目标客户的定位。
下面基于上述解决问题的思路，详细介绍一下是如果基于百度检索内容向商场消费的转化情况来进行品牌推荐的过程。
第一阶段，确定研究的用户对象，即特定的用户集，针对该特定的用户集中的商场消费数据和百度检索数据进行数据打通对接。
如图4所示，左边A表示商场会员的消费数据，右边A’表示商场会员对应的在百度的检索数据，右边的B表示商场的目标用户在百度的检索数据。可见，本实施例先选取同时具备线下消费数据和线上检索数据的商场会员集合A’作为研究的用户对象。
第二阶段，基于该商场会员集合A’中的用户的线上检索数据和线下消费数据分别进行主题建模LDA，建模过程如下：
如图5所示，针对该商场会员集合A’中的用户的商场消费数据，进行LDA建模，根据每个用户的历史消费品牌，得到了品牌聚类特征P(品牌|消费主题)与每位用户的消费类型分布P(消费主题|用户)。品牌聚类特征即在各消费主题中对于各品牌进行消费的概率，每位用户的消费类型分布即每位用户对于各消费主题进行消费的概率。
如图6所示，针对该商场会员集合A’中的用户的百度检索数据，进行LDA建模，根据每个用户的检索词，得到了检索词聚类特征P(检索词|检索主题)与每位用户的检索主题分布P(检索主题|用户)。检索词聚类特征即各检索主题中输入各检索词的概率，每位用户的检索主题分布即每位用户对于各检索主题进行检索的概率。
第三阶段，根据建模结果进行推荐。
如图7所示，在前面得到的品牌聚类特征、用户的检索主题分布以及用户的实际品牌消费历史的基础上，通过运用双层概率图模型得到检索主题与消费主题之间的概率转移概率P(消费主题|检索主题)。
针对任一目标用户，根据如下公式生成用户的推荐内容：
其中，P0(品牌|消费主题)是指根据所述线上用户的消费记录确定出的所述线上用户在各消费主题中对于各品牌进行消费的概率，P0(消费主题|用户)是指根据所述线上用户的消费记录确定出的所述线上用户对于各消费主题进行消费的概率；
目标用户可以是那些没有真实消费历史数据的用户，但该目标用户至少应具备百度的检索数据，用于确定出P0(检索主题|用户)。如果没有真实消费历史数据，则只需要将上述公式中的P0(消费主题|用户)置为0即可。
下面简要的介绍一下本实施例的技术效果。
首先，该方案可以充分利用百度大数据的优势对其他领域的业务产生较大的业绩提升，让大数据真正发挥价值，实现真正的智能互联网+，与线上线下的真正打通。
其次，结合线下消费数据，可以帮助百度更好地理解到访用户，实现更精准、全面的用户刻画。形成数据闭环，帮助互联网广告更精准的投放。
以下分别充线下仿真测试及线上真实测试来说明使用百度大数据之后，对线下零售效率的提升效果：
以线下某零售商业地产为例，通过将其用户的消费数据与在百度的检索数据进行打通，按照本实施例的建模方法得到检索主题与消费主题的对应关系矩阵M，如图8所示，每一行表示一个线上检索主题对应的50个消费主题的概率分布，一共50行，表示一共有50个检索主题。
图8中的数值越大，表示这种对应关系越强，以该矩阵中的M(26,41)与M(46,10)为例，来说明这种对应关系的合理性。
M(26,41)表示标号为26的检索主题与标号为41的消费主题的对应关系，图8中显示这个对应关系很强，具体为：
矩阵中，M(26,41)为0.3，表示第一检索图9中左边检索词的用户的消费行为，有30％的概率会落在右边的这些品牌上。由图9不难发现，左边的检索主题为孕、婴、童，而右边的消费主题也为孕、婴、童，有很好的对应关系。
M(46,10)表示标号为46的检索主题与标号为10的消费主题的对应关系，图中显示这个对应关系很强，具体为：
矩阵中，M(46,10)为0.2，表示第二检索图10左边关键词的用户的消费行为，有20％的概率会落在右边的这些品牌上。由图10不难发现，左边的检索主题为化妆、护肤，而右边的消费主题也为化妆、护肤，有很好的对应关系。
另外，在线下仿真实验中，针对某一商场使用上述建模结果，相对于现有技术中纯用线下模型向商场会员进行的品牌推荐准确率6.1％来说有交大提升，在加入百度检索数据后，品牌推荐准确率提升到11.1％。
在线上真实实验中，对某商场6.1儿童节的促销活动信息，寻找潜在的目标客户进行定向推送，通过考察这些目标用户的到场消费率来衡量技术效果，相对于现有技术中仅是基于会员消费历史向商场会员进行的品牌推荐的准确率7.49％来说也有交大的提升，加上百度检索数据之后，用户的到场消费率提升到11.6％，提升幅度54.8％。
综上所述，通过在商场消费数据中，加入百度检索数据之后，对商场会员的消费推荐准确率以及品牌推广过程中潜在客户的定位精度有了明显的提升。间接作用到商场的GMV提升。
通过具体实施方式的说明，应当可对本发明为达成预定目的所采取的技术手段及功效得以更加深入且具体的了解，然而所附图示仅是提供参考与说明之用，并非用来对本发明加以限制。

Claims (12)

1.一种基于大数据的领域交叉推荐方法，其特征在于，包括：
基于特定用户集里的用户的线上输入记录和线下行为记录分别进行主题建模；所述特定用户集里的用户均为同时具有线上输入记录和线下行为记录的用户；
根据主题建模的结果确定出从各线上输入的主题到各线下行为的主题的转移概率；
针对任一目标用户，基于所述转移概率以及所述目标用户的线上输入记录，向所述目标用户进行线下行为的内容推荐。
2.根据权利要求1所述的基于大数据的领域交叉推荐方法，其特征在于，所述线下行为记录，包括：线下消费记录；
所述线上输入记录，包括：利用搜索引擎的检索记录，和/或，通过输入法或者语音接收设备在特定应用中的输入记录；所述特定应用的类型，至少包括以下之一：聊天软件、搜索引擎、社交软件以及网上购物客户端软件。
3.根据权利要求2所述的基于大数据的领域交叉推荐方法，其特征在于，所述线下消费记录，包括：线下消费主题和线下消费品牌；
在所述线上输入记录为利用搜索引擎的检索记录的情况下，所述基于所述特定用户集里的用户的线上输入记录和线下行为记录分别进行主题建模，包括：
基于所述特定用户集里的用户的线下消费记录进行主题建模，得到在各消费主题中对于各品牌进行消费的概率P(品牌|消费主题)、以及每位用户对于各消费主题进行消费的概率P(消费主题|用户)；
基于所述特定用户集里的用户的线上检索记录进行主题建模，得到在各检索主题中输入各检索词的概率P(检索词|检索主题)、以及每位用户对于各检索主题进行检索的概率P(检索主题|用户)。
4.根据权利要求3所述的基于大数据的领域交叉推荐方法，其特征在于，所述根据主题建模的结果确定出从各线上输入的主题到各线下行为的主题的转移概率，包括：
在每位用户对应的P(检索主题|用户)以及所述特定用户集里的用户对于各品牌的消费数据的基础上，或者，在P(品牌|消费主题)、每位用户对应的P(检索主题|用户)以及所述特定用户集里的用户对于各品牌的消费数据的基础上，通过运用双层概率图模型得到从各检索主题到各消费主题的转移概率P(消费主题|检索主题)。
5.根据权利要求4所述的基于大数据的领域交叉推荐方法，其特征在于，针对任一目标用户，基于所述转移概率以及所述目标用户的线上输入记录，向所述目标用户进行线下行为的内容推荐，包括：
A1：针对任一目标用户，按照下面的公式确定出所述目标用户对于各品牌进行消费的概率P0(品牌|用户)：
其中，是指针对所述特定用户集里的用户的线下行为记录中所涉及的所有消费主题求和，是指针对所述目标用户的检索记录中的所有检索主题求和，P0(检索主题|用户)是指根据所述目标用户的检索记录确定出的所述目标用户对于各检索主题进行检索的概率；
A2：根据P0(品牌|用户)向所述目标用户进行品牌推荐。
6.根据权利要求4所述的基于大数据的领域交叉推荐方法，其特征在于，在任一所述目标用户还同时具备线下消费记录的情况下，针对任一目标用户，基于所述转移概率以及所述目标用户的线上输入记录，向所述目标用户进行线下行为的内容推荐，包括：
B1：针对任一所述目标用户，按照下面的公式确定出所述目标用户对于各品牌进行消费的概率P0(品牌|用户)：
其中，P0(品牌|消费主题)是指根据所述目标用户的消费记录确定出的所述目标用户在各消费主题中对于各品牌进行消费的概率，P0(消费主题|用户)是指根据所述目标用户的消费记录确定出的所述目标用户对于各消费主题进行消费的概率，是指针对所述特定用户集里的用户的线下行为记录中所涉及的所有消费主题求和，是指针对所述目标用户的检索记录中的所有检索主题求和，P0(检索主题|用户)是指根据所述目标用户的检索记录确定出的所述目标用户对于各检索主题进行检索的概率；
B2：根据P0(品牌|用户)向所述目标用户进行品牌推荐。
7.一种基于大数据的领域交叉推荐装置，其特征在于，包括：
建模模块，用于基于所述特定用户集里的用户的线上输入记录和线下行为记录分别进行主题建模；所述特定用户集里的用户均为同时具有线上输入记录和线下行为记录的用户；
计算模块，用于根据主题建模的结果确定出从各线上输入的主题到各线下行为的主题的转移概率；
推荐模块，用于针对任一目标用户，基于所述转移概率以及所述目标用户的线上输入记录，向所述目标用户进行线下行为的内容推荐。
8.根据权利要求7所述的基于大数据的领域交叉推荐装置，其特征在于，所述线下行为记录，包括：线下消费记录；
所述线上输入记录，包括：利用搜索引擎的检索记录，和/或，通过输入法或者语音接收设备在特定应用中的输入记录；所述特定应用的类型，至少包括以下之一：聊天软件、搜索引擎、社交软件以及网上购物客户端软件。
9.根据权利要求8所述的基于大数据的领域交叉推荐装置，其特征在于，所述线下消费记录，包括：线下消费主题和线下消费品牌；
在所述线上输入记录为利用搜索引擎的检索记录的情况下，所述建模模块，用于：
基于所述特定用户集里的用户的线下消费记录进行主题建模，得到在各消费主题中对于各品牌进行消费的概率P(品牌|消费主题)、以及每位用户对于各消费主题进行消费的概率P(消费主题|用户)；
基于所述特定用户集里的用户的线上检索记录进行主题建模，得到在各检索主题中输入各检索词的概率P(检索词|检索主题)、以及每位用户对于各检索主题进行检索的概率P(检索主题|用户)。
10.根据权利要求9所述的基于大数据的领域交叉推荐装置，其特征在于，所述计算模块，具体用于：
在每位用户对应的P(检索主题|用户)以及所述特定用户集里的用户对于各品牌的消费数据的基础上，或者，在P(品牌|消费主题)、每位用户对应的P(检索主题|用户)以及所述特定用户集里的用户对于各品牌的消费数据的基础上，通过运用双层概率图模型得到从各检索主题到各消费主题的转移概率P(消费主题|检索主题)。
11.根据权利要求10所述的基于大数据的领域交叉推荐装置，其特征在于，所述推荐模块，具体用于：
针对任一所述目标用户，按照下面的公式确定出所述目标用户对于各品牌进行消费的概率P0(品牌|用户)：
其中，是指针对所述特定用户集里的用户的线下行为记录中所涉及的所有消费主题求和，是指针对所述目标用户的检索记录中的所有检索主题求和，P0(检索主题|用户)是指根据所述目标用户的检索记录确定出的所述目标用户对于各检索主题进行检索的概率；
根据P0(品牌|用户)向所述目标用户进行品牌推荐。
12.根据权利要求10所述的基于大数据的领域交叉推荐装置，其特征在于，在任一所述目标用户还同时具备线下消费记录的情况下，所述推荐模块，具体用于：
B1：针对任一所述目标用户，按照下面的公式确定出所述目标用户对于各品牌进行消费的概率P0(品牌|用户)：
其中，P0(品牌|消费主题)是指根据所述目标用户的消费记录确定出的所述目标用户在各消费主题中对于各品牌进行消费的概率，P0(消费主题|用户)是指根据所述目标用户的消费记录确定出的所述目标用户对于各消费主题进行消费的概率，是指针对所述特定用户集里的用户的线下行为记录中所涉及的所有消费主题求和，是指针对所述目标用户的检索记录中的所有检索主题求和，P0(检索主题|用户)是指根据所述目标用户的检索记录确定出的所述目标用户对于各检索主题进行检索的概率；
B2：根据P0(品牌|用户)向所述目标用户进行品牌推荐。
CN201510979783.7A 2015-12-23 2015-12-23 一种基于大数据的领域交叉推荐方法及装置 Active CN105630946B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201510979783.7A CN105630946B (zh) 2015-12-23 2015-12-23 一种基于大数据的领域交叉推荐方法及装置
PCT/CN2016/086407 WO2017107416A1 (zh) 2015-12-23 2016-06-20 一种基于大数据的领域交叉推荐方法及装置
US15/564,323 US10459996B2 (en) 2015-12-23 2016-06-20 Big data based cross-domain recommendation method and apparatus

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510979783.7A CN105630946B (zh) 2015-12-23 2015-12-23 一种基于大数据的领域交叉推荐方法及装置

Publications (2)

Publication Number Publication Date
CN105630946A true CN105630946A (zh) 2016-06-01
CN105630946B CN105630946B (zh) 2019-03-19

Family

ID=56045879

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510979783.7A Active CN105630946B (zh) 2015-12-23 2015-12-23 一种基于大数据的领域交叉推荐方法及装置

Country Status (3)

Country Link
US (1) US10459996B2 (zh)
CN (1) CN105630946B (zh)
WO (1) WO2017107416A1 (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106649842A (zh) * 2016-12-30 2017-05-10 上海博泰悦臻电子设备制造有限公司 一种基于融合数据的交叉推荐方法、系统及一种车机
CN106817296A (zh) * 2017-01-12 2017-06-09 微梦创科网络科技（中国）有限公司 信息推荐的测试方法、装置以及电子设备
WO2017107416A1 (zh) * 2015-12-23 2017-06-29 百度在线网络技术（北京）有限公司 一种基于大数据的领域交叉推荐方法及装置
CN107679702A (zh) * 2017-09-08 2018-02-09 绵阳西真科技有限公司 一种企业大数据智能分析管理方法
CN110246007A (zh) * 2019-05-28 2019-09-17 中国联合网络通信集团有限公司 一种商品推荐方法及装置
CN111178920A (zh) * 2018-11-09 2020-05-19 阿里巴巴集团控股有限公司 商品对象信息推荐方法、装置及系统
TWI763165B (zh) * 2020-12-09 2022-05-01 中華電信股份有限公司 預測購物網站的顧客的消費金額的電子裝置和方法

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10762157B2 (en) * 2018-02-09 2020-09-01 Quantcast Corporation Balancing on-side engagement
CN111723231B (zh) * 2019-03-20 2023-10-17 北京百舸飞驰科技有限公司 一种题目预测方法和装置
CN110335091A (zh) * 2019-07-15 2019-10-15 浪潮软件股份有限公司 一种基于长尾效应的卷烟惊喜度推荐方法及系统
CN116629983B (zh) * 2023-07-24 2023-09-22 成都晓多科技有限公司 基于用户偏好的跨领域商品推荐方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110093361A1 (en) * 2009-10-20 2011-04-21 Lisa Morales Method and System for Online Shopping and Searching For Groups Of Items
CN102479366A (zh) * 2010-11-25 2012-05-30 阿里巴巴集团控股有限公司 一种商品推荐方法及系统
CN104281622A (zh) * 2013-07-11 2015-01-14 华为技术有限公司 一种社交媒体中的信息推荐方法和装置
CN104317945A (zh) * 2014-10-31 2015-01-28 亚信科技（南京）有限公司 一种基于搜索行为的电商网站商品推荐方法
CN104680387A (zh) * 2015-02-27 2015-06-03 百度在线网络技术（北京）有限公司 信息展示方法和装置
CN105095279A (zh) * 2014-05-13 2015-11-25 深圳市腾讯计算机系统有限公司 文件推荐方法和装置
CN105117418A (zh) * 2015-07-30 2015-12-02 百度在线网络技术（北京）有限公司 基于搜索的服务信息管理系统及方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005222390A (ja) 2004-02-06 2005-08-18 Matsushita Electric Ind Co Ltd お薦め情報提供装置
US10129211B2 (en) * 2011-09-15 2018-11-13 Stephan HEATH Methods and/or systems for an online and/or mobile privacy and/or security encryption technologies used in cloud computing with the combination of data mining and/or encryption of user's personal data and/or location data for marketing of internet posted promotions, social messaging or offers using multiple devices, browsers, operating systems, networks, fiber optic communications, multichannel platforms
CN105630946B (zh) 2015-12-23 2019-03-19 百度在线网络技术（北京）有限公司 一种基于大数据的领域交叉推荐方法及装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110093361A1 (en) * 2009-10-20 2011-04-21 Lisa Morales Method and System for Online Shopping and Searching For Groups Of Items
CN102479366A (zh) * 2010-11-25 2012-05-30 阿里巴巴集团控股有限公司 一种商品推荐方法及系统
CN104281622A (zh) * 2013-07-11 2015-01-14 华为技术有限公司 一种社交媒体中的信息推荐方法和装置
CN105095279A (zh) * 2014-05-13 2015-11-25 深圳市腾讯计算机系统有限公司 文件推荐方法和装置
CN104317945A (zh) * 2014-10-31 2015-01-28 亚信科技（南京）有限公司 一种基于搜索行为的电商网站商品推荐方法
CN104680387A (zh) * 2015-02-27 2015-06-03 百度在线网络技术（北京）有限公司 信息展示方法和装置
CN105117418A (zh) * 2015-07-30 2015-12-02 百度在线网络技术（北京）有限公司 基于搜索的服务信息管理系统及方法

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017107416A1 (zh) * 2015-12-23 2017-06-29 百度在线网络技术（北京）有限公司 一种基于大数据的领域交叉推荐方法及装置
US10459996B2 (en) 2015-12-23 2019-10-29 Baidu Online Network Technology (Beijing) Co., Ltd Big data based cross-domain recommendation method and apparatus
CN106649842A (zh) * 2016-12-30 2017-05-10 上海博泰悦臻电子设备制造有限公司 一种基于融合数据的交叉推荐方法、系统及一种车机
CN106817296A (zh) * 2017-01-12 2017-06-09 微梦创科网络科技（中国）有限公司 信息推荐的测试方法、装置以及电子设备
CN107679702A (zh) * 2017-09-08 2018-02-09 绵阳西真科技有限公司 一种企业大数据智能分析管理方法
CN111178920A (zh) * 2018-11-09 2020-05-19 阿里巴巴集团控股有限公司 商品对象信息推荐方法、装置及系统
CN111178920B (zh) * 2018-11-09 2023-07-07 阿里巴巴(深圳)技术有限公司 商品对象信息推荐方法、装置及系统
CN110246007A (zh) * 2019-05-28 2019-09-17 中国联合网络通信集团有限公司 一种商品推荐方法及装置
CN110246007B (zh) * 2019-05-28 2021-11-19 中国联合网络通信集团有限公司 一种商品推荐方法及装置
TWI763165B (zh) * 2020-12-09 2022-05-01 中華電信股份有限公司 預測購物網站的顧客的消費金額的電子裝置和方法

Also Published As

Publication number Publication date
WO2017107416A1 (zh) 2017-06-29
US20190050484A1 (en) 2019-02-14
US10459996B2 (en) 2019-10-29
CN105630946B (zh) 2019-03-19

Similar Documents

Publication Publication Date Title
CN105630946A (zh) 一种基于大数据的领域交叉推荐方法及装置
Bianchi et al. Industrial policy for the manufacturing revolution: Perspectives on digital globalisation
Urban et al. Morphing banner advertising
Carranza et al. PLS–SEM in business promotion strategies. A multigroup analysis of mobile coupon users using MICOM
CN107909433A (zh) 一种基于大数据移动电子商务的商品推荐方法
Arenas-Márquez et al. Electronic word-of-mouth communities from the perspective of social network analysis
CN110310163A (zh) 一种精准制定营销策略的方法、设备及可读介质
Mahmud et al. Adoption factors of FinTech: evidence from an emerging economy country-wide representative sample
CN108230009A (zh) 一种用户偏好的预测方法及装置，电子设备
Khobzi et al. How significant are users’ opinions in social media?
JP2016177377A (ja) 学習装置、学習方法、及び学習プログラム
KR102456425B1 (ko) 브랜드 이미지의 카테고리를 기반으로 한 브랜드 이미지 및 인플루언서 매칭 방법, 장치 및 시스템
Yang et al. Impact of information sharing and forecast combination on fast-moving-consumer-goods demand forecast accuracy
Indriastuti et al. The importance of service experience, trust, and satisfaction on banking customer loyalty
Greenstein-Messica et al. Machine learning and operation research based method for promotion optimization of products with no price elasticity history
Chen et al. Observing algorithmic marketplaces in-the-wild
KR102585895B1 (ko) 오픈마켓에서의 키워드 마케팅 효율 증가를 위한 방법 및 시스템
Jiang et al. Open product design for social manufacturing
Yasar et al. A fuzzy-based application for marketing 4.0 brand perception in the COVID-19 process
Barkan et al. Modelling Session Activity with Neural Embedding.
Ferreira Capturing asymmetry in real exchange rate with quantile autoregression
Schrantz Location and Competitive Strategy in Retail: The Case of GameStop in Michigan
Zhang et al. An approach to multi-criteria decision-making under interval-valued intuitionistic fuzzy values and interval fuzzy measures
Kiziltas et al. Comparison of experienced and novice cost estimator behaviors in information pull and push methods
US20210256509A1 (en) Planning currency exchange transactions based on international travel budgeting information

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant