CN105786838B - 一种信息匹配处理方法和装置 - Google Patents
一种信息匹配处理方法和装置 Download PDFInfo
- Publication number
- CN105786838B CN105786838B CN201410806898.1A CN201410806898A CN105786838B CN 105786838 B CN105786838 B CN 105786838B CN 201410806898 A CN201410806898 A CN 201410806898A CN 105786838 B CN105786838 B CN 105786838B
- Authority
- CN
- China
- Prior art keywords
- data
- supplier
- request
- history
- data set
- 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.)
- Active
Links
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及数据处理领域,特别是一种信息匹配处理方法和装置,所述方法包括:获取第一数据请求,第一数据请求包含用于描述产品需求的第一文本信息;基于所述第一文本信息匹配得到历史供应商数据集合和潜在供应商数据集合;所述历史供应商数据集合为基于第一文本信息计算第一数据请求与历史数据请求集合中的各历史数据请求的相似性而确定的至少一个历史数据请求所对应的供应商数据集合,其包括基于历史供应商行为数据获得的、对至少一个历史数据请求进行响应的各供应商数据;潜在供应商数据集合基于第一文本信息与保存的供应商基本数据进行文本相似度计算而确定;根据不同的权重计算各供应商的匹配度,以确定与所述第一数据请求匹配的供应商数据。
Description
技术领域
本发明涉及数据处理技术领域,特别是涉及一种信息匹配处理方法和装置。
背景技术
在互联网技术中,面对海量的信息,用户仅依赖浏览与搜索,很难获取对自己真正有用的信息。而在用户反复浏览与查询的过程中,不仅降低了用户的体验,用户所在客户端与服务器的多次数据交互,也会严重占用宝贵的互联网带宽资源。因此,需要一种信息匹配处理的方法,为用户提供符合其需求的有用信息。
在例如电子商务网站的应用场景下,用户在电子商务网站采购例如工业品和原材料等产品时,用户需要通过输入文本信息,例如填写描述采购需求的询价单来发布自己的采购需求,电子商务网站根据用户输入的文本信息与网站保存的供应商的文本信息进行文本相似度匹配计算,从而获得相似度较高的供应商集合并推荐给用户,从而在海量的信息中匹配出满足用户需求的信息。
然而,现有技术存在的这种信息匹配处理方法,只考虑用户输入的文本信息与供应商的文本信息的相似度,并未综合考虑其他因素,得到的匹配结果往往并不准确。而这种仅考虑单一因素未能全面反映样本数据客观性的信息匹配方法,得到的匹配结果不能够满足用户的需求时,用户需要进行反复的信息交互操作才能够获得满足需求的信息,从而增加了用户所在客户端与服务器的数据交互,加大了服务器的数据处理负载,降低了服务器的处理性能,并严重占用了宝贵的互联网带宽资源。
发明内容
为解决上述技术问题,本发明公开了一种信息匹配处理方法和装置,可提高信息匹配的客观性和准确性,提高了用户体验,降低了服务器的数据处理负载,提高服务器的处理性能,节省宝贵的互联网带宽资源。
技术方案如下:
根据本发明实施例的第一方面,公开了一种信息匹配处理方法,所述方法包括:
获取第一数据请求,所述第一数据请求包含用于描述产品需求的第一文本信息;
基于所述第一文本信息匹配得到历史供应商数据集合和潜在供应商数据集合;其中,所述历史供应商数据集合为基于所述第一文本信息计算所述第一数据请求与历史数据请求集合中的各历史数据请求的相似性而确定的至少一个历史数据请求所对应的供应商数据集合,且所述历史供应商数据集合包括基于历史供应商行为数据获得的、对所述至少一个历史数据请求进行响应的各供应商数据;所述潜在供应商数据集合为基于所述第一文本信息与保存的供应商基本数据进行文本相似度计算而确定的供应商数据集合;
根据不同的权重计算所述历史供应商数据集合和潜在供应商数据集合包含的各供应商的匹配度,以确定与所述第一数据请求匹配的供应商数据。
根据本发明实施例的第二方面,公开了一种信息匹配处理装置,所述装置包括:
获取单元,用于获取第一数据请求,所述第一数据请求包含用于描述产品需求的第一文本信息;
匹配单元,用于基于所述第一文本信息匹配得到历史供应商数据集合和潜在供应商数据集合;其中,所述历史供应商数据集合为基于所述第一文本信息计算所述第一数据请求与历史数据请求集合中的各历史数据请求的相似性而确定的至少一个历史数据请求所对应的供应商数据集合,且所述历史供应商数据集合包括基于历史供应商行为数据获得的、对所述至少一个历史数据请求进行响应的各供应商数据;所述潜在供应商数据集合为基于所述第一文本信息与保存的供应商基本数据进行文本相似度计算而确定的供应商数据集合;
确定单元,用于根据不同的权重计算所述历史供应商数据集合和潜在供应商数据集合包含的各供应商的匹配度,以确定与所述第一数据请求匹配的供应商数据。
本发明实施例的一个方面能够达到的有益效果为:本发明提供的方法和装置,在获取到第一数据请求时,可以基于第一数据请求包含的第一文本信息以及保存的供应商历史行为数据匹配得到历史供应商数据集合,并基于所述第一文本信息与供应商基本数据匹配得到潜在供应商数据集合,进而根据不同的权重从历史供应商数据集合和潜在供应商数据集合中确定出于所述第一数据请求匹配的供应商信息。本发明由于综合考虑了供应商行为数据的相似性匹配与供应商基本数据的文本相似性匹配,得出的匹配数据更为客观、准确,从而降低了用户的反复操作,减少了用户所在客户端与服务器的数据交互,不仅提高了用户体验,还降低了服务器的数据处理负载,提高了服务器的处理性能,节省了宝贵的互联网带宽资源。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种信息匹配处理方法流程示意图;
图2为本发明实施例提供的供应商索引建立流程示意图;
图3为本发明实施例提供的信息匹配处理装置示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明中的技术方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
发明人在实现本发明的过程中发现,现有技术存在的信息匹配处理方法,只考虑用户输入的文本信息与供应商的文本信息的相似度,并未综合考虑其他因素,得到的匹配结果往往并不准确。而这种仅考虑单一因素未能全面反映样本数据客观性的信息匹配方法,得到的匹配结果不能够满足用户的需求时,用户需要进行反复的信息交互操作才能够获得满足需求的信息,从而增加了用户所在客户端与服务器的数据交互,加大了服务器的数据处理负载,降低了服务器的处理性能,并严重占用了宝贵的互联网带宽资源。
基于此,本发明公开了一种信息匹配处理方法和装置,综合考虑了供应商行为数据的相似性匹配与供应商基本数据的文本相似性匹配,可提高信息匹配的客观性和准确性,提高了用户体验,降低了服务器的数据处理负载,提高服务器的处理性能,节省宝贵的互联网带宽资源。
在本发明的一种应用场景中,在电子商务类网站,用户在电子商务网站采购例如工业品和原材料等产品时,用户需要通过输入文本信息,例如填写描述采购需求的询价单来发布自己的采购需求,电子商务网站根据用户输入的文本信息匹配计算得到对该采购请求最可能感兴趣、最可能报价并交易成功的供应商数据集合,以推荐给用户,从而在海量的信息中匹配出满足用户需求的信息。在以下实施例的介绍中,本发明以此应用场景为例进行说明。当然,以上仅为本发明一种应用场景的介绍,本发明提供的方法还可以应用到其他场景中。
参见图1,为本发明实施例提供的一种信息匹配处理方法流程示意图。
S101,获取第一数据请求,所述第一数据请求包含用于描述产品需求的第一文本信息。
用户在客户端输入第一数据请求,网站所在服务器获取客户端发送的第一数据请求。例如,用户在电子商务网站上购买商品进行操作时,网站可以接收到用户所在客户端提交的数据请求。所述第一数据请求包含用于描述产品需求的第一文本信息。具体地,所述第一数据请求具体表现形式可以为描述采购需求的询价单(英文全称为Request forquotation,英文缩写为RFQ),所述RFQ包含的所述第一文本信息可以包括采购标题、采购要求等,采购要求又可以包括报价截止日期、期望收货日期、收货地信息、交易方式、对供应商的要求、补充说明等信息。
S102,基于所述第一文本信息匹配得到历史供应商数据集合和潜在供应商数据集合;其中,所述历史供应商数据集合为基于所述第一文本信息计算所述第一数据请求与历史数据请求集合中的各历史数据请求的相似性而确定的至少一个历史数据请求所对应的供应商数据集合,所述历史供应商数据集合包括基于历史供应商行为数据获得的、对所述至少一个历史数据请求进行响应的各供应商数据;所述潜在供应商数据集合为基于所述第一文本信息与保存的供应商基本数据进行文本相似度计算而确定的供应商数据集合。
其中,步骤S102又可以包括步骤S1021和步骤S1022,其中,步骤S1021和步骤S1022并没有必然的先后执行顺序,二者可以并行地执行,也可以颠倒地执行。
S1021,基于所述第一数据请求包含的第一文本信息以及历史供应商行为数据匹配得到历史供应商数据集合。
其中,步骤S1021又可以包括:
S1021A,基于所述第一文本信息计算所述第一数据请求与历史数据请求集合中的各历史数据请求的相似性,根据所述相似性计算结果确定至少一个历史数据请求所对应的供应商数据集合。
具体地,步骤S1021A在具体实现时可以包括以下步骤:
(1)基于所述第一文本信息获得所述第一数据请求的文本特征向量以及基于所述历史数据请求集合中的各历史数据请求的第二文本信息获得所述各历史数据请求的文本特征向量。
当有新的数据请求提交时,服务器首先对所述数据请求包含的文本信息进行分词处理,获得其文本特征向量。获得文本特征向量的过程具体通过计算分词处理得到的各词语的单文本词汇频率-逆文本频率值(英文全称为term frequency–inverse documentfrequency,英文缩写为TF-IDF)得到。
计算TF-IDF的过程可以如下所示:
某一词语的单文本词汇频率值tfi,j值可以通过以下公式得到:
其中,ni,j是该词语在在第一数据请求对应的第一文本信息集合dj中的出现次数,而分母∑knk,j则是在文件dj中所有字词的出现次数之和。
逆向文件频率(inverse document frequency,IDF)是一个词语普遍重要性的度量。某一特定词语的IDF,可以由总文件数目除以包含该词语之文件的数目,再将得到的商取对数得到:
具体到本发明实施例,对数的分子|D|为历史数据请求(对应总文本)的数目,对数的分母|{j:ti∈dj}|为包含词语ti的数据请求的数目(即ni,j不等于0的数据请求的数目)。
然后,再利用得到的tfi,j值和idfi值得到某一词语的tfidfi,j值:
tfidfi,j=tifi,j×idfi (3)
假设在词汇表中有64000个词,如果词汇表中的词没有在文本(对应数据请求)中出现,则其对应的TF-IDF值为零,这样就可以得到一个64000维的向量,使用所述向量作为表征数据请求的文本特征向量。则第一数据请求的文本特征向量就是由各词语的TF-IDF值组成的多维向量。
类似地,可以得到历史数据请求集合中的各历史数据请求的文本特征向量。具体实现时,可以对历史存在的各数据请求(例如RFQ)进行建模,构建文本索引。具体地,对每一个数据请求包含的文本信息进行分词处理,计算各词汇的TF-IDF值,得到各历史数据请求的文本特征向量。也可以利用TF-IDF值构建倒排索引,便于匹配查询,所述倒排索引的形式为(word,rfqId,value),其中word为通过分词处理得到的各词语,rfqId为数据请求对应的标识ID,value可以用词语word的TF-IDF值表示。
(2)基于余弦夹角公式计算所述第一数据请求的文本特征向量与所述各历史数据请求的文本特征向量的相似性。
如果两个数据请求的文本特征向量越相近,则其越相似。而衡量两个向量的相近程度,可以利用余弦夹角公式衡量。如果两个向量的方向一致,即夹角接近零,那么这两个向量就相近。而要确定两个向量方向是否一致,这就要用到余弦定理计算向量的夹角了。
其中,向量a和向量b的相似性similarity(a,b)可表示为:
Similarity(a,b)=cos(a,b)
=(向量a与向量b的内积)/(向量a与向量b模的乘积) (4)
举一个具体的例子,假如第一数据请求X和第二数据请求Y对应向量分别是x1,x2,...,x64000和y1,y2,...,y64000,
那么它们夹角的余弦等于,
当两个文本特征向量夹角的余弦等于1时,这两个文本特征向量完全一致;当夹角的余弦越接近于1时,两个文本特征向量越相似;夹角的余弦越小,两个文本特征向量越不相关。因此,可以根据余弦夹角计算结果判断两个文本特征向量的相似性。
(3)根据相似性计算结果确定至少一个历史数据请求,获得与所述至少一个历史数据请求所对应的供应商数据集合。
具体实现时,可以根据上述相似性计算结果,确定相似性大于第一阈值的至少一个数据请求作为与第一数据请求匹配的数据请求集合,进而根据所述至少一个数据请求确定出与所述数据请求对应的供应商数据集合。
当然,也可以将相似度最高的预设数量个数据请求作为与第一数据请求匹配的数据请求集合。例如,相似度值排在前50位的数据请求作为与第一数据请求匹配的数据请求。
S1021B,基于历史供应商行为数据获得对所述至少一个历史数据请求进行响应的各供应商数据。
服务器根据保存的历史供应商行为数据,从中检索出曾经对所述历史数据请求进行响应的供应商数据。例如,如果供应商曾对所述数据请求响应,例如发送过报价请求,则其反馈系数为A;如果供应商未对所述数据请求进行响应,其反馈系数为B。因此可以根据保存的反馈系数确定出曾对所述至少一个历史数据请求进行响应的各供应商数据。
其中,所述基于历史供应商行为数据获得的、对所述至少一个历史数据请求进行响应的各供应商数据可以包括下述中的至少一者:
基于历史供应商行为数据获得的,对所述至少一个历史数据请求进行响应且响应成功的各供应商数据;
基于历史供应商行为数据获得的,对所述至少一个历史数据请求进行响应且响应未成功的各供应商数据。
其中,对所述至少一个历史数据请求进行响应且响应成功的各供应商数据具体可以为对数据请求RFQ进行报价并交易成功的供应商,对所述至少一个历史数据请求进行响应且响应未成功的各供应商数据具体可以为对数据请求RFQ进行报价但交易未成功的供应商。
由此即可根据所述第一数据请求包含的第一文本信息以及历史供应商行为数据匹配得到历史供应商数据集合
S1022,基于所述第一数据请求包含的第一文本信息以及保存的供应商基本数据进行文本相似度计算,根据相似度计算结果确定潜在供应商数据集合。
具体实现时,步骤S1022可以包括:
S1022A,根据供应商基本数据建立倒排索引。
具体实现时,可以根据供应商分组的主营建模信息建立索引,并将索引并将索引文件存放在硬盘中。具体实现时,可以对供应商的类目信息、产品信息、属性信息和产品的用户自分组信息分别进行必要的分词处理,然后根据预先设定的权重系数进行加权汇总计算,得到具体供应商的不同关键词对应的数值即供应商的主营向量。最后,将供应商的主营向量即计算的关键词进行倒排索引,建立(build)到硬盘上(比如,build到开源搜索引擎lucene中),供后续查询使用。具体实现流程可以如图2所示。
其中,供应商的类目信息一般而言没有特别指明的话,就是指最底层的叶子类目。供应商在注册时以及可能的后续维护管理时可以选择自己的商品主要的类目。比如,某个供应商注册时,考虑到自己主要生产鞋子,选择或者填写自己的所属(叶子)类目是鞋子。这里所谓的“供应商的类目信息”,就是叶子类目的名称,比如“鞋子”。
其中,产品信息就是供应商上架的所有商品。对这些商品的标题进行分词处理,比如,商品标题为“最新热销韩版修身连衣裙”,分词结果为“最新”,“热销”,“韩版”,“修身”,“连衣裙”。一般的,会抛弃没有太多意义的修饰词,比如“最新”,“热销”。这样,经过分词处理获得产品词“连衣裙”和修饰词“韩版”,“修身”。
其中,属性信息可以包括材料中的纯棉、涤纶;样式中的长款、短袖等;风格中的韩版、瑞丽、波西米亚等,在此不限定。
其中,产品的用户自分组信息为用户自定义的商品分组信息。例如,商品在网页上展现时,很多时候卖家会根据自己的需要和商品特点,设置一些新的分组,类似于类目信息。比如,增加一个商品分类为“腐女内衣”、“潮男夹克”等。对此信息的处理方式和产品信息类似。
如图2,为来自不同方面的词语给予不同的权重,比如,类目信息的权重w1较小,而产品的用户自分组信息w4会相对大一些。产品信息和属性信息的权重w2和w3介于两者之间。即可以根据经验设定:w1>w4>w2>w3。
然后将所有的词分别计算相应的tf-idf值,具体计算方法可以参照步骤S1021A中对tf-idf值的计算过程。具体实现时,考虑到权重系数,在计算单文本词汇频率值tfi,j值和/或计算逆向文件频率IDF值时,词语在文本信息集合中的出现次数为该词语的实际出现次数乘以权重系数得到的结果。例如,考虑到前面的权重w1,w2,w3,w4,在不同的组内出现一次就不是简单的1,而是1*wx(x=1~4)。比如,在第二组中出现了5次,就是5*w2。最后,再计算tf-idf数值,当然这是调整了的tf-idf数值。
最后对于具体每个供应商,得到一个(词,数值)的向量,结果就是形如(companyId,word,value)的表达。其中,companyId为供应商的ID号,word为分词得到的词语,value为该词语对应的tf-idf数值。
在建立供应商所以文件时,可以将词分为产品词和修饰词两类,比如对于“韩版修身连衣裙”,“连衣裙”是产品词,而“韩版”和“修身”是修饰词。另外,很多属性词,比如半袖,长袖,棉纺等都是修饰词。为了强调产品词以及后续的查找精度,可以将产品词单列出来进行“建模”——这样,对于每一个供应商,都会得到两组数据。一组是基于产品词的建模结果,一组是基于所有词的建模结果。另外,所谓的索引文件,是指根据主营建模所生成供应商主营信息中的产品词和所有词(即所有的分词处理结果)分别建立索引。从索引文件的结构来看,就是形如(word,companyId,value)的表达。
S1022B,基于所述第一文本信息从所述倒排索引中检索得到匹配的供应商数据。
具体实现时,如果第一数据请求RFQ的主题Subject字段(例如采购标题)中的产品词个数不为0,则利用这些产品词来检索索引文件中的产品词索引;如果产品词个数为0,则利用所有词检索索引文件中的所有词索引。
S1022C,基于所述供应商数据中的文本信息与所述第一文本信息进行文本相似度计算。
由步骤S1022C的查询结果则可以根据第一数据请求中的文本信息对应的查询词,取得倒排索引中该词针对某个具体comapnyId的tf-idf数值。因为查询词有多个,也就得到多组数据,将相同的comanyId进行合并,得到汇总后的总的tf-idf数值。将每个供应商的总tf-idf总分作为其相似度得分。
S1022D,基于所述文本相似度计算结果而确定潜在供应商数据集合。
在一种实现方式中,可以直接基于文本相似度计算结果确定潜在供应商数据集合。例如,将每个供应商的相似度得分由大到小排序后,将预定数量个相似度最高的供应商作为潜在供应商数据集合。例如取出前K(比如,K=200)个供应商。也可以将相似度得分大于第二阈值的供应商作为潜在供应商数据集合。
在另外一种实现方式中,还可以获得各供应商的个性化得分,然后基于所述文本相似度计算结果以及所述各供应商的个性化得分进行加权处理,根据加权处理结果确定潜在供应商数据集合。其中,所述个性化得分为基于所述供应商的基本信息和历史行为数据而确定。
其中,根据系统设定,供应商个性化得分分为两大部分:
(1)供应商的各种基本信息:比如公司注册资本、加入网站的年份数、网站给与的等级评定、历史交易总数、被投诉情况等。根据这些数据,给供应商打一个评价分。
(2)供应商的动态反馈分:比如,供应商收到rfq报价信息后,是否进行了报价,后续的成交概率等。对于30天内从来不报价的供应商,动态反馈分为0,经常报价并且成功率高的供应商该分数也越高。
而后,基于供应商的个性化指标得分和相似度分值,计算出一个最终的分数。计算公式可以是灵活而多样的,例如Score=w1*value1+w3*value2。个性化得分和相似度得分分别乘以一个权重系数得出最终的分数。最后,根据最终的score分数进行排序,取出top50个供应商作为潜在供应商数据集合。
S103,根据不同的权重计算所述历史供应商数据集合和潜在供应商数据集合包含的各供应商的匹配度,以确定与所述第一数据请求匹配的供应商数据。
具体实现时,步骤S103可以包括:
S1031,获得历史供应商数据集合中的各供应商对应的权重系数以及潜在供应商数据集合中的各供应商对应的权重系数;其中,所述历史供应商数据集合中的各供应商对应的权重系数大于所述潜在供应商数据集合中的各供应商对应的权重系数。
具体实现时,当所述历史供应商数据集合包括对所述至少一个历史数据请求进行响应且响应成功的各供应商数据和对所述至少一个历史数据请求进行响应且响应未成功的各供应商数据时,所述历史供应商数据集合中的各供应商对应的权重系数包括第三权重系数和第四权重系数,其中,所述第三权重系数与对所述至少一个历史数据请求进行响应且响应成功的各供应商数据相对应,所述第四权重系数与对所述至少一个历史数据请求进行响应且响应未成功的各供应商数据相对应,第三权重系数大于第四权重系数,所述第四权重系数大于所述潜在供应商数据集合中的各供应商对应的权重系数。
S1032,获得历史供应商数据集合和潜在供应商数据集合包含的各供应商的个性化得分;所述个性化得分为基于所述供应商的基本信息和历史行为数据而确定。
个性化得分的确定可以参照步骤S1022D的实现。
S1033,基于所述各供应商的个性化得分以及其对应的权重系数,得到匹配度得分。
其中,匹配度得分可以等于个性化得分乘以所述供应商对应的权重系数。
S1034,根据所述匹配度得分确定与所述第一数据请求匹配的供应商数据。
具体实现时,可以将匹配度得分大于第三阈值的供应商数据确定为与所述第一数据请求匹配的供应商数据。也可以将预设数量中匹配度得分最高的供应商数据确定为与所述第一数据请求匹配的供应商数据。
假设历史供应商数据集合包括对所述至少一个历史数据请求进行响应且响应成功的各供应商数据vec1和对所述至少一个历史数据请求进行响应且响应未成功的各供应商数据vec2时,潜在供应商数据集合为vec3,其中,vec1对应权重系数w1,vec2对应权重系数w2,vec1对应权重系数w3,其中,w1>w2>w3。在初始时,可以设定w1=1.1,w2=1.0,w3=0.9。较佳地,本发明实施例还可以包括对所述权重系数进行更新调整的步骤,使得三个权重改变调整到更加合理。
进一步地,本发明实施例提供的方法还包括:更新所述历史供应商的行为数据,根据更新后的所述历史供应商行为数据调整其反馈系数;所述反馈系数用于描述所述供应商对数据请求的响应行为;基于所述反馈系数调整所述历史供应商数据集合中的各供应商对应的权重系数以及所述潜在供应商数据集合中的各供应商对应的权重系数。
下面以权重系数为3个为例进行说明。具体实现时,需要每天离线重新计算w1,w2和w3。首先,对历史的所有询价单RFQ的最终报价及交易情况,设定不同的反馈系数f。对于报价并交易成功,反馈系数f=1.05,报价但是未交易成功f=1.01,如果未报价则f=0.95。
这样,分别重新计算w1,w2和w3:
对于来自vec1中的供应商(k=1~m),根据这些供应商后续的操作情况给与不同的f数值,那么w1=w1*f1*f2*…*fm
对于来自vec2中的供应商(k=1~n),根据这些供应商后续的操作情况给与不同的f数值,那么,w2=w2*f1*f2*…*fn
对于来自vec3中的供应商(k=1~s),根据这些供应商后续的操作情况给与不同的f数值,那么,w3=w3*f1*f2*…*fs
这样,就实现了数据的闭环反馈,不断调整w1,w2和w3的权重。
需要说明的是,对于确定的与第一数据请求匹配的供应商,服务器系统会自动发一个“报价邀请”请求给供应商,系统会跟踪记录供应商的行为数据,例如该供应商后续是否报价、是否成交。理论上,vec1中的供应商报价并成交的可能性会大一些,但也有不报价或者报价了最终未成交的。如果vec1的供应商全部报价并且成交,那么说明vec1中的供应商成交概率高,所以w1的值计算会比前一天要变大了一些;反之,如果报价成交都很少,那么会比昨天的w1值小。由此,即可根据供应商的行为数据不断调整权重系数,使之更为合理。
以上对本发明的方法实施例进行了详细地介绍,本发明提供的方法和装置,在获取到第一数据请求时,可以基于第一数据请求包含的第一文本信息以及保存的供应商历史行为数据匹配得到历史供应商数据集合,并基于所述第一文本信息与供应商基本数据匹配得到潜在供应商数据集合,进而根据不同的权重从历史供应商数据集合和潜在供应商数据集合中确定出于所述第一数据请求匹配的供应商信息。本发明由于综合考虑了供应商行为数据的相似性匹配与供应商基本数据的文本相似性匹配,得出的匹配数据更为客观、准确,从而降低了用户的反复操作,减少了用户所在客户端与服务器的数据交互,不仅提高了用户体验,还降低了服务器的数据处理负载,提高了服务器的处理性能,节省了宝贵的互联网带宽资源。
参见图3,为本发明实施例提供的信息匹配处理装置示意图。
一种信息匹配处理装置300,所述装置包括:
获取单元301,用于获取第一数据请求,所述第一数据请求包含用于描述产品需求的第一文本信息。
匹配单元302,用于基于所述第一文本信息匹配得到历史供应商数据集合和潜在供应商数据集合;其中,所述历史供应商数据集合为基于所述第一文本信息计算所述第一数据请求与历史数据请求集合中的各历史数据请求的相似性而确定的至少一个历史数据请求所对应的供应商数据集合,所述历史供应商数据集合包括基于历史供应商行为数据获得的、对所述至少一个历史数据请求进行响应的各供应商数据;所述潜在供应商数据集合为基于所述第一文本信息与保存的供应商基本数据进行文本相似度计算而确定的供应商数据集合。
确定单元303,用于根据不同的权重计算所述历史供应商数据集合和潜在供应商数据集合包含的各供应商的匹配度,以确定与所述第一数据请求匹配的供应商数据。
进一步的,所述匹配单元包括第一匹配子单元和第二匹配子单元,其中,所述第一匹配子单元包括:
特征向量获得子单元,用于基于所述第一文本信息获得所述第一数据请求的文本特征向量以及基于所述历史数据请求集合中的各历史数据请求的第二文本信息获得所述各历史数据请求的文本特征向量;
相似性计算子单元,用于基于余弦夹角公式计算所述第一数据请求的文本特征向量与所述各历史数据请求的文本特征向量的相似性;
数据集合确定子单元,用于根据相似性计算结果确定至少一个历史数据请求,获得与所述至少一个历史数据请求所对应的供应商数据集合。
进一步的,所述基于历史供应商行为数据获得的、对所述至少一个历史数据请求进行响应的各供应商数据包括下述中的至少一者:
基于历史供应商行为数据获得的,对所述至少一个历史数据请求进行响应且响应成功的各供应商数据;
基于历史供应商行为数据获得的,对所述至少一个历史数据请求进行响应且响应未成功的各供应商数据。
进一步的,所述确定单元具体包括:
权重系数获得子单元,用于获得历史供应商数据集合中的各供应商对应的权重系数以及潜在供应商数据集合中的各供应商对应的权重系数;其中,所述历史供应商数据集合中的各供应商对应的权重系数大于所述潜在供应商数据集合中的各供应商对应的权重系数;
第一个性化得分获得子单元,用于获得历史供应商数据集合和潜在供应商数据集合包含的各供应商的个性化得分;所述个性化得分为基于所述供应商的基本信息和历史行为数据而确定;
匹配度计算子单元,用于基于所述各供应商的个性化得分以及其对应的权重系数,得到匹配度得分;
第一确定子单元,用于根据所述匹配度得分确定与所述第一数据请求匹配的供应商数据。
进一步的,当所述历史供应商数据集合包括对所述至少一个历史数据请求进行响应且响应成功的各供应商数据和对所述至少一个历史数据请求进行响应且响应未成功的各供应商数据时,所述历史供应商数据集合中的各供应商对应的权重系数包括第三权重系数和第四权重系数,其中,所述第三权重系数与对所述至少一个历史数据请求进行响应且响应成功的各供应商数据相对应,所述第四权重系数与对所述至少一个历史数据请求进行响应且响应未成功的各供应商数据相对应,第三权重系数大于第四权重系数,所述第四权重系数大于所述潜在供应商数据集合中的各供应商对应的权重系数。
进一步的,所述装置还包括:
更新单元,用于更新所述历史供应商的行为数据,根据更新后的所述历史供应商行为数据调整其反馈系数;所述反馈系数用于描述所述供应商对数据请求的响应行为;
调整单元,用于基于所述反馈系数调整所述历史供应商数据集合中的各供应商对应的权重系数以及所述潜在供应商数据集合中的各供应商对应的权重系数。
进一步的,所述匹配单元包括第一匹配子单元和第二匹配子单元,其中所述第二匹配子单元包括:
索引建立子单元,用于根据供应商基本数据建立倒排索引;
检索子单元,用于基于所述第一文本信息从所述倒排索引中检索得到匹配的供应商数据;
文本相似度计算子单元,用于基于所述供应商数据中的文本信息与所述第一文本信息进行文本相似度计算;
第二确定子单元,用于基于所述文本相似度计算结果而确定潜在供应商数据集合。
进一步的,所述第二匹配子单元还包括:
第二个性化得分获得子单元,用于获得各供应商的个性化得分;所述个性化得分为基于所述供应商的基本信息和历史行为数据而确定;
则所述第二确定子单元具体用于:
基于所述文本相似度计算结果以及所述各供应商的个性化得分进行加权处理,根据加权处理结果确定潜在供应商数据集合。
上述各单元的功能可对应于图1详细描述的上述方法的处理步骤,于此不再赘述。需要说明的是,由于对方法实施例进行详细的阐述,对装置实施例的描述较为简单,本领域技术人员可以理解的是,可以参照方法实施例构造本发明的装置实施例。本领域技术人员在不付出创造性劳动下获取的其他实现方式均属于本发明的保护范围。
本领域技术人员可以理解的是,以上对方法和装置实施例进行了示例性说明,以上不视为对本发明的限制,本领域技术人员在不付出创造性劳动下获得的其他实现方式均属于本发明的保护范围。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。本发明可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本发明,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置实施例而言,由于其基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。以上所述仅是本发明的具体实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (16)
1.一种信息匹配处理方法,其特征在于,所述方法包括:
获取第一数据请求,所述第一数据请求包含用于描述产品需求的第一文本信息;
基于所述第一文本信息匹配得到历史供应商数据集合和潜在供应商数据集合;其中,所述历史供应商数据集合为基于所述第一文本信息计算所述第一数据请求与历史数据请求集合中的各历史数据请求的相似性而确定的至少一个历史数据请求所对应的供应商数据集合,且所述历史供应商数据集合包括基于历史供应商行为数据获得的、对所述至少一个历史数据请求进行响应的各供应商数据;所述潜在供应商数据集合为基于所述第一文本信息与保存的供应商基本数据进行文本相似度计算而确定的供应商数据集合;
根据不同的权重计算所述历史供应商数据集合和潜在供应商数据集合包含的各供应商的匹配度,以确定与所述第一数据请求匹配的供应商数据。
2.根据权利要求1所述的方法,其特征在于,基于所述第一文本信息计算所述第一数据请求与历史数据请求集合中的各历史数据请求的相似性而确定的至少一个历史数据请求所对应的供应商数据集合,具体包括:
基于所述第一文本信息获得所述第一数据请求的文本特征向量以及基于所述历史数据请求集合中的各历史数据请求的第二文本信息获得所述各历史数据请求的文本特征向量;
基于余弦夹角公式计算所述第一数据请求的文本特征向量与所述各历史数据请求的文本特征向量的相似性;
根据相似性计算结果确定至少一个历史数据请求,获得与所述至少一个历史数据请求所对应的供应商数据集合。
3.根据权利要求2所述的方法,其特征在于,所述基于历史供应商行为数据获得的、对所述至少一个历史数据请求进行响应的各供应商数据包括下述中的至少一者:
基于历史供应商行为数据获得的,对所述至少一个历史数据请求进行响应且响应成功的各供应商数据;
基于历史供应商行为数据获得的,对所述至少一个历史数据请求进行响应且响应未成功的各供应商数据。
4.根据权利要求1所述的方法,其特征在于,所述根据不同的权重计算所述历史供应商数据集合和潜在供应商数据集合包含的各供应商的匹配度,以确定与所述第一数据请求匹配的供应商数据具体包括:
获得历史供应商数据集合中的各供应商对应的权重系数以及潜在供应商数据集合中的各供应商对应的权重系数;其中,所述历史供应商数据集合中的各供应商对应的权重系数大于所述潜在供应商数据集合中的各供应商对应的权重系数;
获得历史供应商数据集合和潜在供应商数据集合包含的各供应商的个性化得分;所述个性化得分为基于所述供应商的基本信息和历史行为数据而确定;
基于所述各供应商的个性化得分以及其对应的权重系数,得到匹配度得分;
根据所述匹配度得分确定与所述第一数据请求匹配的供应商数据。
5.根据权利要求4所述的方法,其特征在于,当所述历史供应商数据集合包括对所述至少一个历史数据请求进行响应且响应成功的各供应商数据和对所述至少一个历史数据请求进行响应且响应未成功的各供应商数据时,所述历史供应商数据集合中的各供应商对应的权重系数包括第三权重系数和第四权重系数,其中,所述第三权重系数与对所述至少一个历史数据请求进行响应且响应成功的各供应商数据相对应,所述第四权重系数与对所述至少一个历史数据请求进行响应且响应未成功的各供应商数据相对应,第三权重系数大于第四权重系数,所述第四权重系数大于所述潜在供应商数据集合中的各供应商对应的权重系数。
6.根据权利要求4或5所述的方法,其特征在于,所述方法还包括:
更新所述历史供应商的行为数据,根据更新后的所述历史供应商行为数据调整其反馈系数;所述反馈系数用于描述所述供应商对数据请求的响应行为;
基于所述反馈系数调整所述历史供应商数据集合中的各供应商对应的权重系数以及所述潜在供应商数据集合中的各供应商对应的权重系数。
7.根据权利要求1所述的方法,其特征在于,所述基于所述第一文本信息与保存的供应商基本数据进行文本相似度计算而确定的供应商数据集合包括:
根据供应商基本数据建立倒排索引;
基于所述第一文本信息从所述倒排索引中检索得到匹配的供应商数据;
基于所述供应商数据中的文本信息与所述第一文本信息进行文本相似度计算;
基于所述文本相似度计算结果而确定潜在供应商数据集合。
8.根据权利要求7所述的方法,其特征在于,所述方法还包括:
获得各供应商的个性化得分;所述个性化得分为基于所述供应商的基本信息和历史行为数据而确定;
则所述基于所述文本相似度计算结果而确定潜在供应商数据集合包括:
基于所述文本相似度计算结果以及所述各供应商的个性化得分进行加权处理,根据加权处理结果确定潜在供应商数据集合。
9.一种信息匹配处理装置,其特征在于,所述装置包括:
获取单元,用于获取第一数据请求,所述第一数据请求包含用于描述产品需求的第一文本信息;
匹配单元,用于基于所述第一文本信息匹配得到历史供应商数据集合和潜在供应商数据集合;其中,所述历史供应商数据集合为基于所述第一文本信息计算所述第一数据请求与历史数据请求集合中的各历史数据请求的相似性而确定的至少一个历史数据请求所对应的供应商数据集合,且所述历史供应商数据集合包括基于历史供应商行为数据获得的、对所述至少一个历史数据请求进行响应的各供应商数据;所述潜在供应商数据集合为基于所述第一文本信息与保存的供应商基本数据进行文本相似度计算而确定的供应商数据集合;
确定单元,用于根据不同的权重计算所述历史供应商数据集合和潜在供应商数据集合包含的各供应商的匹配度,以确定与所述第一数据请求匹配的供应商数据。
10.根据权利要求9所述的装置,其特征在于,所述匹配单元包括第一匹配子单元和第二匹配子单元,其中,所述第一匹配子单元包括:
特征向量获得子单元,用于基于所述第一文本信息获得所述第一数据请求的文本特征向量以及基于所述历史数据请求集合中的各历史数据请求的第二文本信息获得所述各历史数据请求的文本特征向量;
相似性计算子单元,用于基于余弦夹角公式计算所述第一数据请求的文本特征向量与所述各历史数据请求的文本特征向量的相似性;
数据集合确定子单元,用于根据相似性计算结果确定至少一个历史数据请求,获得与所述至少一个历史数据请求所对应的供应商数据集合。
11.根据权利要求10所述的装置,其特征在于,所述基于历史供应商行为数据获得的、对所述至少一个历史数据请求进行响应的各供应商数据包括下述中的至少一者:
基于历史供应商行为数据获得的,对所述至少一个历史数据请求进行响应且响应成功的各供应商数据;
基于历史供应商行为数据获得的,对所述至少一个历史数据请求进行响应且响应未成功的各供应商数据。
12.根据权利要求9所述的装置,其特征在于,所述确定单元具体包括:
权重系数获得子单元,用于获得历史供应商数据集合中的各供应商对应的权重系数以及潜在供应商数据集合中的各供应商对应的权重系数;其中,所述历史供应商数据集合中的各供应商对应的权重系数大于所述潜在供应商数据集合中的各供应商对应的权重系数;
第一个性化得分获得子单元,用于获得历史供应商数据集合和潜在供应商数据集合包含的各供应商的个性化得分;所述个性化得分为基于所述供应商的基本信息和历史行为数据而确定;
匹配度计算子单元,用于基于所述各供应商的个性化得分以及其对应的权重系数,得到匹配度得分;
第一确定子单元,用于根据所述匹配度得分确定与所述第一数据请求匹配的供应商数据。
13.根据权利要求12所述的装置,其特征在于,当所述历史供应商数据集合包括对所述至少一个历史数据请求进行响应且响应成功的各供应商数据和对所述至少一个历史数据请求进行响应且响应未成功的各供应商数据时,所述历史供应商数据集合中的各供应商对应的权重系数包括第三权重系数和第四权重系数,其中,所述第三权重系数与对所述至少一个历史数据请求进行响应且响应成功的各供应商数据相对应,所述第四权重系数与对所述至少一个历史数据请求进行响应且响应未成功的各供应商数据相对应,第三权重系数大于第四权重系数,所述第四权重系数大于所述潜在供应商数据集合中的各供应商对应的权重系数。
14.根据权利要求12或13所述的装置,其特征在于,所述装置还包括:
更新单元,用于更新所述历史供应商的行为数据,根据更新后的所述历史供应商行为数据调整其反馈系数;所述反馈系数用于描述所述供应商对数据请求的响应行为;
调整单元,用于基于所述反馈系数调整所述历史供应商数据集合中的各供应商对应的权重系数以及所述潜在供应商数据集合中的各供应商对应的权重系数。
15.根据权利要求9所述的装置,其特征在于,所述匹配单元包括第一匹配子单元和第二匹配子单元,其中所述第二匹配子单元包括:
索引建立子单元,用于根据供应商基本数据建立倒排索引;
检索子单元,用于基于所述第一文本信息从所述倒排索引中检索得到匹配的供应商数据;
文本相似度计算子单元,用于基于所述供应商数据中的文本信息与所述第一文本信息进行文本相似度计算;
第二确定子单元,用于基于所述文本相似度计算结果而确定潜在供应商数据集合。
16.根据权利要求15所述的装置,其特征在于,所述第二匹配子单元还包括:
第二个性化得分获得子单元,用于获得各供应商的个性化得分;所述个性化得分为基于所述供应商的基本信息和历史行为数据而确定;
则所述第二确定子单元具体用于:
基于所述文本相似度计算结果以及所述各供应商的个性化得分进行加权处理,根据加权处理结果确定潜在供应商数据集合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410806898.1A CN105786838B (zh) | 2014-12-22 | 2014-12-22 | 一种信息匹配处理方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410806898.1A CN105786838B (zh) | 2014-12-22 | 2014-12-22 | 一种信息匹配处理方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105786838A CN105786838A (zh) | 2016-07-20 |
CN105786838B true CN105786838B (zh) | 2019-07-12 |
Family
ID=56385398
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410806898.1A Active CN105786838B (zh) | 2014-12-22 | 2014-12-22 | 一种信息匹配处理方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105786838B (zh) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107918778B (zh) * | 2016-10-11 | 2022-03-15 | 阿里巴巴集团控股有限公司 | 一种信息匹配方法及相关装置 |
CN107194783A (zh) * | 2017-06-01 | 2017-09-22 | 来三斤(厦门)网络科技有限公司 | 一种saas模式的供应链金融管理系统,方法和装置 |
CN107171941A (zh) * | 2017-06-01 | 2017-09-15 | 来三斤(厦门)网络科技有限公司 | 一种分享和社交模式的互联网供应链平台,方法和装置 |
CN107451881A (zh) * | 2017-06-22 | 2017-12-08 | 北京小度信息科技有限公司 | 信息获取方法及装置 |
CN109325509B (zh) * | 2017-07-31 | 2023-01-17 | 北京国双科技有限公司 | 相似度确定方法及装置 |
CN107909242B (zh) * | 2017-10-17 | 2022-01-04 | 上海虹谷信息科技有限公司 | 基于线上交易产品匹配的方法、平台、终端及存储介质 |
CN108595507A (zh) * | 2018-03-21 | 2018-09-28 | 上海数据交易中心有限公司 | 数据流通方法、装置及系统、存储介质、终端 |
CN109345361A (zh) * | 2018-11-05 | 2019-02-15 | 深圳市鹏朗贸易有限责任公司 | 在线招标采购的方法、终端及计算机可读介质 |
CN112241873A (zh) * | 2020-06-12 | 2021-01-19 | 广元量知汇科技有限公司 | 基于大数据的智慧政务云平台 |
CN112241598A (zh) * | 2020-10-27 | 2021-01-19 | 万翼科技有限公司 | 基于家具的供应商选择方法及相关装置 |
CN112380322A (zh) * | 2020-11-24 | 2021-02-19 | 云汉芯城(上海)互联网科技股份有限公司 | 一种询价文本处理方法、系统及电子设备和存储介质 |
CN112712407A (zh) * | 2020-12-25 | 2021-04-27 | 云汉芯城(上海)互联网科技股份有限公司 | 一种新客引流的方法、装置、存储介质和设备 |
CN113344678A (zh) * | 2021-06-30 | 2021-09-03 | 中国工商银行股份有限公司 | 一种动态报价择优方法及装置 |
CN115129764A (zh) * | 2022-06-20 | 2022-09-30 | 欧冶工业品股份有限公司 | 基于供需智能匹配的采购数据分析方法和系统 |
CN115829695B (zh) * | 2023-02-16 | 2023-05-12 | 中信联合云科技有限责任公司 | 基于数据处理的电商线上线下货物调配方法和装置 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103258008A (zh) * | 2013-04-16 | 2013-08-21 | 武汉理工大学 | 基于用户情境的多层次服务资源发现方法和系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140359519A1 (en) * | 2013-05-31 | 2014-12-04 | Microsoft Corporation | Determination of Intended Navigation Destination Based on User-Generated and Analysis-Based Information |
-
2014
- 2014-12-22 CN CN201410806898.1A patent/CN105786838B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103258008A (zh) * | 2013-04-16 | 2013-08-21 | 武汉理工大学 | 基于用户情境的多层次服务资源发现方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN105786838A (zh) | 2016-07-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105786838B (zh) | 一种信息匹配处理方法和装置 | |
JP6356744B2 (ja) | ウェブサイト横断情報を表示する方法およびシステム | |
JP5897019B2 (ja) | 候補製品のリンクリストを判定する方法および装置 | |
CN103886487B (zh) | 基于分布式的b2b平台的个性化推荐方法与系统 | |
Maki | Fact and fiction in economics: models, realism and social construction | |
US10409821B2 (en) | Search result ranking using machine learning | |
US20090125382A1 (en) | Quantifying a Data Source's Reputation | |
JP5859606B2 (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 | |
WO2013016503A1 (en) | Providing social product recommendations | |
CN105787767A (zh) | 一种广告点击率预估模型获取方法与系统 | |
CN113643103B (zh) | 基于用户相似度的产品推荐方法、装置、设备及存储介质 | |
US11367117B1 (en) | Artificial intelligence system for generating network-accessible recommendations with explanatory metadata | |
JP6235443B2 (ja) | 抽出装置、抽出方法および抽出プログラム | |
Banerjee et al. | Implementing e-commerce model for agricultural produce: A research roadmap | |
CN113706251A (zh) | 基于模型的商品推荐方法、装置、计算机设备和存储介质 | |
Soleymaninejad et al. | Evaluation of two major online travel agencies of US using TOPSIS method | |
Sarika | Server selection by using weighted sum and revised weighted sum decision models | |
CN114969566A (zh) | 一种距离度量的政务服务事项协同过滤推荐方法 | |
Zhang et al. | The research of e-commerce recommendation system based on collaborative filtering technology | |
Chatwin | An overview of computational challenges in online advertising | |
US20170193539A1 (en) | Time-value estimation method and system for sharing environment | |
CN105512298A (zh) | 基于机器学习的感兴趣内容预测方法 | |
Kumar et al. | Using entropy and AHP-TOPSIS for comprehensive evaluation of internet shopping malls and solution optimality | |
CN110020918B (zh) | 一种推荐信息生成方法和系统 | |
Ge | A user-based collaborative filtering recommendation algorithm based on folksonomy smoothing |
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 |