CN105979013A - 一种用户喜好信息推送方法和服务器及系统 - Google Patents
一种用户喜好信息推送方法和服务器及系统 Download PDFInfo
- Publication number
- CN105979013A CN105979013A CN201610543048.6A CN201610543048A CN105979013A CN 105979013 A CN105979013 A CN 105979013A CN 201610543048 A CN201610543048 A CN 201610543048A CN 105979013 A CN105979013 A CN 105979013A
- Authority
- CN
- China
- Prior art keywords
- user
- commodity
- likes
- hash
- eigenvalue
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/55—Push-based network services
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种用户喜好信息推送方法和服务器及系统,通过在向某一用户进行信息推送时,考察该用户的相关历史评价信息,计算出用户对商品的喜好度;再预判用户对未评价商品的喜好,进行相关喜好信息的推送。这样一来,向用户推送的信息就有较大的概率符合用户的需求,提高了推送的准确性,也提高了网络资源的利用率。
Description
技术领域
本发明涉及信息推送领域,尤其涉及一种用户喜好信息推送方法和服务器及系统。
背景技术
推荐系统(Recommendation System)是通过分析比较用户的兴趣爱好,从互联网的海量信息中挖掘用户可能感兴趣或需要的信息或商品,从而对用户做出相应的推荐。推荐实质上就是通过分析用户已选择的资源来预测用户对未选择资源的喜好程度,并将预测的结果以某种有效的形式展现给用户。和搜索引擎不同,推荐系统不仅要提供与用户之前品味爱好一致的推荐,而且要在用户没有明确目的的时候,帮助他们发现感兴趣的新内容。例如,当用户在移动终端的加油APP中查看加油站的信息时,并不能获得符合用户喜好的加油站信息,比如用户对加油站的油品、加油环境和价格比较关心,而现有的推荐系统并不能很好的结合上述信息对用户进行推荐,如何能推送用户喜好的加油站等信息是需要解决的技术问题。所以推荐的内容不仅要精准,而且要具有多样性,覆盖率足够高。目前的推荐系统忽视了推荐结果的多样性、新颖性、覆盖率等指标。只注重精确性的推荐方法获得的用户体验并不一定好。所以,如何有效提高推荐的多样性和准确性,是亟待解决的问题。
发明内容
本发明实施例所要解决的技术问题在于,提供一种用户喜好信息推送方法和服务器及系统。在信息推送过程中考虑用户历史评价的特点,有针对性的对用户进行信息推送。
解决上述技术问题,本发明实施例提供了一种用户喜好信息推送方法,包括:
S1:服务器获取当前用户的用户信息和用户对所有商品的历史评价信息;
S2:根据用户信息和用户对所有商品的历史评价信息,获取用户对商品的喜好度;
S3:服务器端根据用户对商品的喜好度,对其他的商品进行喜好度预判,当预判值大于预设的阈值后,则获取商品对应的相关内容,将获取到的内容信息推送到终端。
具体的,步骤S2具体包括:
S21.将用户U的所有评分商品分成两类:Ulike和Udislike,其中Ulike表示用户U喜欢的商品集合,Udislike表示用户U不喜欢的商品集合;
S22.统计用户U喜欢的商品集合Ulike中每个特征值mi出现的次数,用户U不喜欢的商品集合Udislike中每个特征值mj出现的次数;
S23.为用户U建立两个哈希表,HASHlike和HASHdislike,HASHlike表示用户U喜欢的商品集合,HASHdislike表示用户U不喜欢的商品集合,每个表中分别存储每个特征值及其在对应的集合中出现次数的映射关系;
S24.计算哈希表中各个特征值mi在集合中出现的概率;
S25.计算商品A具有特征值mi时,用户U喜欢的概率Pu(A|mi);并建立一个新的哈希表HASHp存储每个特征值mi到Pu(A|mi)的映射。
具体的,所述S21步骤中用户喜欢和不喜欢是通过判断预设的评分阈值确定的,当大于所述评分阈值时,判定用户喜欢此商品;当小于所述评分阈值时,判定用户不喜欢此商品。
优选的,所述评分阈值为:商品满分*0.6。
具体的,所述计算哈希表中各个特征值mi在集合中出现的概率,具体为通过如下公式进行计算:
其中mi表示商品中的特征值,Mi表示特征值mi出现的次数,LHASH表示对应的HASH表的长度,A表示商品A。
具体的,所述计算商品A具有特征值mi时,用户U喜欢的概率Pu(A|mi),具体为通过如下公式进行计算:利用贝叶斯公式计算,其中P(A)为商品A在n个总商品存在的概率,P(mi)为特征值mi出现的概率。
具体的,步骤S3具体包括:根据建立的哈希表HASHp,计算一个未评分商品是用户U喜欢的商品的可能性,首先通过查表找到此商品具有的特征值,然后计算此商品同时具有这些特征值时,用户U喜欢的概率P(A|m1...mn);如果此概率超过预设的阈值,则判定用户U喜欢此商品。
优选的,所述预设的阈值为0.5。
再一方面,本发明还提供了一种用户喜好信息推送服务器,包括:
信息获取模块,获取当前用户的用户信息和用户对所有商品的历史评价信息;
喜好度计算模块,根据用户信息和用户对所有商品的历史评价信息,获取用户对商品的喜好度;
推送模块,根据用户对商品的喜好度,对其他的商品进行喜好度预判,当预判值大于预设的阈值后,则获取商品对应的相关内容,将获取到的内容信息推送到终端。
具体的,所述喜好度计算模块包括:
分类模块,将用户U的所有评分商品分成两类:Ulike和Udislike,其中Ulike表示用户U喜欢的商品集合,Udislike表示用户U不喜欢的商品集合;
统计模块,统计用户U喜欢的商品集合Ulike中每个特征值mi出现的次数,用户U不喜欢的商品集合Udislike中每个特征值mj出现的次数;
哈希表建立模块,为用户U建立两个哈希表,HASHlike和HASHdislike,HASHlike表示用户U喜欢的商品集合,HASHdislike表示用户U不喜欢的商品集合,每个表中分别存储每个特征值及其在对应的集合中出现次数的映射关系;
哈希表计算模块,计算哈希表中各个特征值mi在集合中出现的概率;
商品喜好计算模块,计算商品A具有特征值mi时,用户U喜欢的概率Pu(A|mi);并建立一个新的哈希表HASHp存储每个特征值mi到Pu(A|mi)的映射。
具体的,分类模块还包括,评分判定模块,判定用户评分大于所述评分阈值时,判定用户喜欢此商品;当小于所述评分阈值时,判定用户不喜欢此商品。
具体的,所述哈希表计算模块具体还用于,计算其中mi表示商品中的特征值,Mi表示特征值mi出现的次数,LHASH表示对应的HASH表的长度,A表示商品A。
具体的,所述商品喜好计算模块具体还用于,利用贝叶斯公式计算,其中P(A)为商品A在n个总商品存在的概率,P(mi)为特征值mi出现的概率。
具体的,推送模块具体包括:未评商品计算模块,根据建立的哈希表HASHp,计算一个未评分商品是用户U喜欢的商品的可能性,通过查表找到此商品具有的特征值,计算此商品同时具有这些特征值时,用户U喜欢的概率P(A|m1...mn)。
本发明还提供了一种用户喜好信息推送系统,包括:上述的服务器;和移动终端,用于接收所述服务器推送的喜好信息,向用户显示。
实施本发明实施例,具有如下有益效果:在向某一用户进行信息推送时,考察该用户的相关历史评价信息,计算出用户对商品的喜好度;再预判用户对未评价商品的喜好,进行相关喜好信息的推送。这样一来,向用户推送的信息就有较大的概率符合用户的需求,提高了推送的准确性,也提高了网络资源的利用率。
附图说明
图1为本发明实施例中的用户喜好信息推送方法的一个具体流程示意图;
图2为本发明实施例中的一种用户喜好信息推送服务器的结构框图;
图3为本发明实施例中的喜好度计算模块的结构框图;
图4为本发明实施例的一种用户喜好信息推送系统的结构框图。
具体实施方式
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作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本发明实施例中基于一基本思路,即当用户对商品进行浏览时,服务器便获取用户之前对商品的评价信息,对每个商品的特征值概率进行计算,形成用户的喜好行为表,此过程属于学习的过程,最后以此来预测用户未评价过的商品对于用户的喜好度,形成推送信息。
此推送方法具体可以应用于包括但不限于手机终端或PC端中的加油站、售卖车品的推送中。
以下则对本发明的各具体实施例进行描述。
如图1所示,为本发明实施例中的用户喜好信息推送方法的一个具体流程示意图。该流程包括如下步骤。
S1:服务器获取当前用户的用户信息和用户对所有商品的历史评价信息。
例如,当用户在手机终端中浏览加油站的信息时,服务器将获取用户对使用过的加油站的历史评价信息,评价信息中可包括对加油站环境、人员服务环境、油品质量、价格、周边配套等进行的评价分数。
S2:根据用户信息和用户对所有商品的历史评价信息,获取用户对商品的喜好度。
此步骤具体包括:
S21.将用户U的所有评分商品分成两类:Ulike和Udislike,其中Ulike表示用户U喜欢的商品集合,Udislike表示用户U不喜欢的商品集合。
用户喜欢和不喜欢是通过判断预设的评分阈值确定的,当大于所述评分阈值时,判定用户喜欢此商品;当小于所述评分阈值时,判定用户不喜欢此商品。
评分阈值可以设定为:商品满分*0.6。例如,评分满分为5分,那么可设置3分为此阈值。
S22.统计用户U喜欢的商品集合Ulike中每个特征值mi出现的次数,用户U不喜欢的商品集合Udislike中每个特征值mj出现的次数。
其中特征值可以为加油站环境、人员服务环境、油品质量、价格、周边配套等的特征值。
S23.为用户U建立两个哈希表,HASHlike和HASHdislike,HASHlike表示用户U喜欢的商品集合,HASHdislike表示用户U不喜欢的商品集合,每个表中分别存储每个特征值及其在对应的集合中出现次数的映射关系。
S24.计算哈希表中各个特征值mi在集合中出现的概率。
其中mi表示商品中的特征值,Mi表示特征值mi出现的次数,LHASH表示对应的HASH表的长度,A表示商品A。
S25.计算商品A具有特征值mi时,用户U喜欢的概率Pu(A|mi);并建立一个新的哈希表HASHp存储每个特征值mi到Pu(A|mi)的映射。
具体为通过如下公式进行计算:利用贝叶斯公式计算,其中P(A)为商品A在n个总商品存在的概率,P(mi)为特征值mi出现的概率。
S3:服务器端根据用户对商品的喜好度,对其他的商品进行喜好度预判,当预判值大于预设的阈值后,则获取商品对应的相关内容,将获取到的内容信息推送到终端。
具体步骤:根据建立的哈希表HASHp,计算一个未评分商品是用户U喜欢的商品的可能性,首先通过查表找到此商品具有的特征值,然后计算此商品同时具有这些特征值时,用户U喜欢的概率P(A|m1...mn);如果此概率超过预设的阈值,则判定用户U喜欢此商品。其中所述预设的阈值为0.5。
本发明还提供了一种用户喜好信息推送服务器,如图2所示,为本发明实施例中的一种用户喜好信息推送服务器的一个具体的结构图,具体包括:
信息获取模块,获取当前用户的用户信息和用户对所有商品的历史评价信息。
喜好度计算模块,根据用户信息和用户对所有商品的历史评价信息,获取用户对商品的喜好度。
具体的,参考图3所示的喜好度计算模块的组成结构图,喜好度计算模块包括:
分类模块,将用户U的所有评分商品分成两类:Ulike和Udislike,其中Ulike表示用户U喜欢的商品集合,Udislike表示用户U不喜欢的商品集合。
分类模块还包括,评分判定模块,判定用户评分大于所述评分阈值时,判定用户喜欢此商品;当小于所述评分阈值时,判定用户不喜欢此商品。
统计模块,统计用户U喜欢的商品集合Ulike中每个特征值mi出现的次数,用户U不喜欢的商品集合Udislike中每个特征值mj出现的次数。
哈希表建立模块,为用户U建立两个哈希表,HASHlike和HASHdislike,HASHlike表示用户U喜欢的商品集合,HASHdislike表示用户U不喜欢的商品集合,每个表中分别存储每个特征值及其在对应的集合中出现次数的映射关系。
哈希表计算模块,计算哈希表中各个特征值mi在集合中出现的概率。
哈希表计算模块具体还用于,计算其中mi表示商品中的特征值,Mi表示特征值mi出现的次数,LHASH表示对应的HASH表的长度,A表示商品A。
商品喜好计算模块,计算商品A具有特征值mi时,用户U喜欢的概率Pu(A|mi);并建立一个新的哈希表HASHp存储每个特征值mi到Pu(A|mi)的映射。
商品喜好计算模块具体还用于,利用贝叶斯公式计算,其中P(A)为商品A在n个总商品存在的概率,P(mi)为特征值mi出现的概率。
推送模块,根据用户对商品的喜好度,对其他的商品进行喜好度预判,当预判值大于预设的阈值后,则获取商品对应的相关内容,将获取到的内容信息推送到终端。
推送模块具体还包括:未评商品计算模块,根据建立的哈希表HASHp,计算一个未评分商品是用户U喜欢的商品的可能性,通过查表找到此商品具有的特征值,计算此商品同时具有这些特征值时,用户U喜欢的概率P(A|m1...mn)。
本发明还提供了另一实施例,如图4所示的一种用户喜好信息推送系统的结构图,包括:如上述实施例的服务器;和移动终端,用于接收所述服务器推送的喜好信息,向用户显示。
例如,用户可以通过手机等移动终端获取服务器关于加油站和相关车品的信息,比如向用户推荐符合用户要求的环境好、油品好的加油站;向用户推荐关键用户关心的电子车载饰品等商品信息。
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。
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不脱离本发明的原理和宗旨的情况下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。本发明的范围由所附权利要求及其等同限定。
Claims (15)
1.一种用户喜好信息推送的方法,其特征在于,包括步骤:
S1:服务器获取当前用户的用户信息和用户对所有商品的历史评价信息;
S2:根据用户信息和用户对所有商品的历史评价信息,获取用户对商品的喜好度;
S3:服务器端根据用户对商品的喜好度,对其他的商品进行喜好度预判,当预判值大于预设的阈值后,则获取商品对应的相关内容,将获取到的内容信息推送到终端。
2.如权利要求1所述的一种用户喜好信息推送的方法,其特征在于,步骤S2具体包括:
S21.将用户U的所有评分商品分成两类:Ulike和Udislike,其中Ulike表示用户U喜欢的商品集合,Udislike表示用户U不喜欢的商品集合;
S22.统计用户U喜欢的商品集合Ulike中每个特征值mi出现的次数,用户U不喜欢的商品集合Udislike中每个特征值mj出现的次数;
S23.为用户U建立两个哈希表,HASHlike和HASHdislike,HASHlike表示用户U喜欢的商品集合,HASHdislike表示用户U不喜欢的商品集合,每个表中分别存储每个特征值及其在对应的集合中出现次数的映射关系;
S24.计算哈希表中各个特征值mi在集合中出现的概率;
S25.计算商品A具有特征值mi时,用户U喜欢的概率Pu(A|mi);并建立一个新的哈希表HASHp存储每个特征值mi到Pu(A|mi)的映射。
3.如权利要求2所述的一种用户喜好信息推送的方法,其特征在于,所述S21步骤中用户喜欢和不喜欢是通过判断预设的评分阈值确定的,当大于所述评分阈值时,判定用户喜欢此商品;当小于所述评分阈值时,判定用户不喜欢此商品。
4.如权利要求3所述的一种用户喜好信息推送的方法,其特征在于,所述评分阈值为:商品满分*0.6。
5.如权利要求2所述的一种用户喜好信息推送的方法,其特征在于,所述计算哈希表中各个特征值mi在集合中出现的概率,具体为通过如下公式进行计算:
其中mi表示商品中的特征值,Mi表示特征值mi出现的次数,LHASH表示对应的HASH表的长度,A表示商品A。
6.如权利要求2所述的一种用户喜好信息推送的方法,其特征在于,所述计算商品A具有特征值mi时,用户U喜欢的概率Pu(A|mi),具体为通过如下公式进行计算:利用贝叶斯公式计算,其中P(A)为商品A在n个总商品存在的概率,P(mi)为特征值mi出现的概率。
7.如权利要求1所述的一种用户喜好信息推送的方法,其特征在于,步骤S3具体包括:根据建立的哈希表HASHp,计算一个未评分商品是用户U喜欢的商品的可能性,首先通过查表找到此商品具有的特征值,然后计算此商品同时具有这些特征值时,用户U喜欢的概率P(A|m1...mn);如果此概率超过预设的阈值,则判定用户U喜欢此商品。
8.如权利要求7所述的一种用户喜好信息推送的方法,其特征在于,所述预设的阈值为0.5。
9.一种用户喜好信息推送服务器,其特征在于,所述服务器包括:
信息获取模块,获取当前用户的用户信息和用户对所有商品的历史评价信息;
喜好度计算模块,根据用户信息和用户对所有商品的历史评价信息,获取用户对商品的喜好度;
推送模块,根据用户对商品的喜好度,对其他的商品进行喜好度预判,当预判值大于预设的阈值后,则获取商品对应的相关内容,将获取到的内容信息推送到终端。
10.如权利要求9所述的一种用户喜好信息推送服务器,其特征在于,所述喜好度计算模块包括:
分类模块,将用户U的所有评分商品分成两类:Ulike和Udislike,其中Ulike表示用户U喜欢的商品集合,Udislike表示用户U不喜欢的商品集合;
统计模块,统计用户U喜欢的商品集合Ulike中每个特征值mi出现的次数,用户U不喜欢的商品集合Udislike中每个特征值mj出现的次数;
哈希表建立模块,为用户U建立两个哈希表,HASHlike和HASHdislike,HASHlike表示用户U喜欢的商品集合,HASHdislike表示用户U不喜欢的商品集合,每个表中分别存储每个特征值及其在对应的集合中出现次数的映射关系;
哈希表计算模块,计算哈希表中各个特征值mi在集合中出现的概率;
商品喜好计算模块,计算商品A具有特征值mi时,用户U喜欢的概率Pu(A|mi);并建立一个新的哈希表HASHp存储每个特征值mi到Pu(A|mi)的映射。
11.如权利要求10所述的一种用户喜好信息推送服务器,其特征在于,分类模块还包括,评分判定模块,判定用户评分大于所述评分阈值时,判定用户喜欢此商品;当小于所述评分阈值时,判定用户不喜欢此商品。
12.如权利要求10所述的一种用户喜好信息推送服务器,其特征在于,所述哈希表计算模块具体还用于,计算其中mi表示商品中的特征值,Mi表示特征值mi出现的次数,LHASH表示对应的HASH表的长度,A表示商品A。
13.如权利要求10所述的一种用户喜好信息推送服务器,其特征在于,所述商品喜好计算模块具体还用于,利用贝叶斯公式计算,其中P(A)为商品A在n个总商品存在的概率,P(mi)为特征值mi出现的概率。
14.如权利要求10所述的一种用户喜好信息推送服务器,其特征在于,推送模块具体还包括:未评商品计算模块,根据建立的哈希表HASHp,计算一个未评分商品是用户U喜欢的商品的可能性,通过查表找到此商品具有的特征值,计算此商品同时具有这些特征值时,用户U喜欢的概率P(A|m1...mn)。
15.一种用户喜好信息推送系统,其特征在于,包括:如权利要求9-14所述的服务器;和移动终端,用于接收所述服务器推送的用户喜好商品信息,向用户显示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610543048.6A CN105979013A (zh) | 2016-07-11 | 2016-07-11 | 一种用户喜好信息推送方法和服务器及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610543048.6A CN105979013A (zh) | 2016-07-11 | 2016-07-11 | 一种用户喜好信息推送方法和服务器及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105979013A true CN105979013A (zh) | 2016-09-28 |
Family
ID=56952967
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610543048.6A Pending CN105979013A (zh) | 2016-07-11 | 2016-07-11 | 一种用户喜好信息推送方法和服务器及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105979013A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108115702A (zh) * | 2017-12-28 | 2018-06-05 | 重庆柚瓣家科技有限公司 | 基于机器人的定向式信息推送系统 |
CN108694182A (zh) * | 2017-04-07 | 2018-10-23 | 北京嘀嘀无限科技发展有限公司 | 活动推送方法、活动推送装置和服务器 |
CN109344324A (zh) * | 2018-08-20 | 2019-02-15 | 中国平安人寿保险股份有限公司 | 推送活动的方法、装置、计算机设备和存储介质 |
CN111667196A (zh) * | 2020-06-22 | 2020-09-15 | 信阳农林学院 | 基于用户行为控制食品配方改进的方法、装置及设备 |
US10922717B2 (en) | 2017-04-07 | 2021-02-16 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for activity recommendation |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102902691A (zh) * | 2011-07-28 | 2013-01-30 | 上海拉手信息技术有限公司 | 推荐方法及系统 |
CN102938121A (zh) * | 2011-08-15 | 2013-02-20 | 阿里巴巴集团控股有限公司 | 一种商品信息投放方法和设备 |
CN102982131A (zh) * | 2012-11-16 | 2013-03-20 | 杭州东信北邮信息技术有限公司 | 一种基于马尔科夫链的图书推荐方法 |
CN103793419A (zh) * | 2012-10-31 | 2014-05-14 | 深圳市世纪光速信息技术有限公司 | 信息推送的方法和装置 |
CN103955464A (zh) * | 2014-03-25 | 2014-07-30 | 南京邮电大学 | 一种基于情境融合感知的推荐方法 |
CN104217334A (zh) * | 2013-06-05 | 2014-12-17 | 北京京东尚科信息技术有限公司 | 一种产品信息推荐方法、装置和系统 |
-
2016
- 2016-07-11 CN CN201610543048.6A patent/CN105979013A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102902691A (zh) * | 2011-07-28 | 2013-01-30 | 上海拉手信息技术有限公司 | 推荐方法及系统 |
CN102938121A (zh) * | 2011-08-15 | 2013-02-20 | 阿里巴巴集团控股有限公司 | 一种商品信息投放方法和设备 |
CN103793419A (zh) * | 2012-10-31 | 2014-05-14 | 深圳市世纪光速信息技术有限公司 | 信息推送的方法和装置 |
CN102982131A (zh) * | 2012-11-16 | 2013-03-20 | 杭州东信北邮信息技术有限公司 | 一种基于马尔科夫链的图书推荐方法 |
CN104217334A (zh) * | 2013-06-05 | 2014-12-17 | 北京京东尚科信息技术有限公司 | 一种产品信息推荐方法、装置和系统 |
CN103955464A (zh) * | 2014-03-25 | 2014-07-30 | 南京邮电大学 | 一种基于情境融合感知的推荐方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108694182A (zh) * | 2017-04-07 | 2018-10-23 | 北京嘀嘀无限科技发展有限公司 | 活动推送方法、活动推送装置和服务器 |
US10922717B2 (en) | 2017-04-07 | 2021-02-16 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for activity recommendation |
CN108115702A (zh) * | 2017-12-28 | 2018-06-05 | 重庆柚瓣家科技有限公司 | 基于机器人的定向式信息推送系统 |
CN108115702B (zh) * | 2017-12-28 | 2020-11-20 | 重庆柚瓣家科技有限公司 | 基于机器人的定向式信息推送系统 |
CN109344324A (zh) * | 2018-08-20 | 2019-02-15 | 中国平安人寿保险股份有限公司 | 推送活动的方法、装置、计算机设备和存储介质 |
CN111667196A (zh) * | 2020-06-22 | 2020-09-15 | 信阳农林学院 | 基于用户行为控制食品配方改进的方法、装置及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11868375B2 (en) | Method, medium, and system for personalized content delivery | |
Lipizzi et al. | Extracting and evaluating conversational patterns in social media: A socio-semantic analysis of customers’ reactions to the launch of new products using Twitter streams | |
US11494666B2 (en) | Systems and methods for online content recommendation | |
US20190294642A1 (en) | Website fingerprinting | |
US9336282B2 (en) | Systems and methods for identifying and analyzing internet users | |
US8655949B2 (en) | Correlated information recommendation | |
CN105979013A (zh) | 一种用户喜好信息推送方法和服务器及系统 | |
CN111444395B (zh) | 获取实体间关系表达的方法、系统和设备、广告召回系统 | |
US20180365710A1 (en) | Website interest detector | |
CN107862553A (zh) | 广告实时推荐方法、装置、终端设备及存储介质 | |
JP2019532445A (ja) | 多義コードを使用した類似度検索 | |
US10846613B2 (en) | System and method for measuring and predicting content dissemination in social networks | |
US9064264B2 (en) | Predicting visibility of content items | |
US20150220970A1 (en) | Representative user journeys for content sessions | |
CN102855309B (zh) | 一种基于用户行为关联分析的信息推荐方法及装置 | |
US9674128B1 (en) | Analyzing distributed group discussions | |
US20170364931A1 (en) | Distributed model optimizer for content consumption | |
US11263255B2 (en) | Content carousel in a social media timeline | |
CN105095256A (zh) | 基于用户之间相似度进行信息推送的方法及装置 | |
CN106610970A (zh) | 基于协同过滤的内容推荐系统与方法 | |
US20210311969A1 (en) | Automatically generating user segments | |
US11176143B2 (en) | Location-aware content detection | |
CN104050243A (zh) | 一种将搜索与社交相结合的网络搜索方法及其系统 | |
US20160147886A1 (en) | Querying Groups of Users Based on User Attributes for Social Analytics | |
KR101312575B1 (ko) | 기업과 소비자간의 정보 제공 시스템 및 정보 제공 방법 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20160928 |