CN106408377A - 购物推荐方法及系统 - Google Patents
购物推荐方法及系统 Download PDFInfo
- Publication number
- CN106408377A CN106408377A CN201610799072.6A CN201610799072A CN106408377A CN 106408377 A CN106408377 A CN 106408377A CN 201610799072 A CN201610799072 A CN 201610799072A CN 106408377 A CN106408377 A CN 106408377A
- Authority
- CN
- China
- Prior art keywords
- user
- score value
- score
- commercial
- label
- 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
-
- 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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明适用于网络技术领域,提供了购物推荐方法及系统,包括:分别获取用户定义的标签与系统商品标签和商家商品标签的匹配分值;获取用户消费能力分值;获取用户对商品质量和商家服务的评分分值;将所述匹配分值、用户消费能力分值和评分分值进行相加得到推荐总分;按照所述推荐总分,生成商品推荐信息并推荐给用户。本发明中通过分析用户信息、商品信息及评分信息确定推荐总分,多方面信息的综合考虑使得推荐的商品与用户的关联程度提高。
Description
技术领域
本发明属于网络技术领域,尤其涉及购物推荐方法及系统。
背景技术
随着互联网的发展,人们正处于一个信息爆炸的时代。相比于过去的信息匮乏,面对现阶段海量的信息数据,对信息的筛选和过滤成为了衡量一个系统的好坏。
一个具有良好用户体验的系统,会将海量信息进行筛选、过滤,将用户最关注最感兴趣的信息展现在用户面前,这大大增加了系统工作的效率,也节省了用户筛选信息的时间。
目前的购物推荐系统采用的算法是通过用户提交购买需求、结合用户位置、兴趣类型、物品类型等来推荐商品,但是这种方法推荐的商品与客户的关联程度较低。如何满足客户的需求,向他们推荐符合其购买习惯和爱好的商品已经成为当前购物的重要问题之一。
发明内容
本发明实施例的目的在于提供购物推荐方法及系统,旨在解决目前系统推荐的商品与客户的关联程度较低的问题。
本发明实施例是这样实现的,一种购物推荐方法,包括:
分别获取用户定义的商品标签与系统商品标签、商家商品标签的匹配分值;
获取用户消费能力分值;
获取用户对商品质量和商家服务的评分分值;
将所述匹配分值、用户消费能力分值和评分分值进行相加得到推荐总分;
按照所述推荐总分,生成商品推荐信息并推荐给用户。
本发明实施例的另一目的在于提供一种购物推荐系统,包括:
第一获取单元,用于分别获取用户定义的标签与系统商品标签、商家商品标签的匹配分值;
第二获取单元,用于获取用户消费能力分值;
第三获取单元,用于获取用户对商品质量和商家服务的评分分值;
第一计算单元,用于将所述匹配分值、用户消费能力分值和评分分值进行相加得到推荐总分;
推荐单元,用于按照所述推荐总分,生成商品推荐信息并推荐给用户。
在本发明实施例中,通过分析用户信息、商品信息及评分信息确定推荐总分,多方面信息的综合考虑使得推荐的商品与用户的关联程度提高。
附图说明
图1是本发明实施例提供的购物推荐方法的流程图;
图2是本发明实施例提供的购物推荐方法的构建商品库流程图;
图3是本发明实施例提供的购物推荐方法的构建用户库流程图;
图4是本发明实施例提供的购物推荐方法的构建评分体系流程图;
图5是本发明实施例提供的购物推荐系统的结构框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用于解释本发明,并不用于限定本发明。
图1是本发明实施例提供的购物推荐方法的流程图。
在S101中,分别获取用户定义的标签与系统商品标签、商家商品标签的匹配分值。
在S101之前还包括,构建商品库,如图2所示。
S201:配置系统商品标签;
S202:按照所述系统商品标签对商品进行分类管理;
S203:接收商家定义的商品标签;
S204:接收用户定义的商品标签;
S205:分别预设用户定义的商品标签与系统商品标签、商家商品标签的匹配分值。
所述系统商品标签包括大类、中类、小类、商品细目等。
所述大类包括:体现商品生产和流通领域的行业分工,如五金类、化工类、食品类、水产类等。
所述中类(商品品类)包括:体现具有若干共同性质或特征商品的总称,如食品类商品又可分为蔬菜和水果、肉和肉制品、乳和乳制品、蛋和蛋制品等。
所述小类(商品品种)包括:对中类商品的进一步划分,体现具体的商品名称。如酒类商品分为白酒、啤酒、葡萄酒、果酒等。
所述商品细目包括:对商品品种的详尽区分,包括商品的规格、花色、等级等,更具体地体现商品的特征,如60°高杯牌五粮液。
具体的,表1列出了手机的标签。
表1
大类 | 中类 | 小类 | 明细 |
通讯设备 | 数码产品 | 手机 | 华为Meta8 |
通讯设备 | 数码产品 | 手机 | iphone6s |
所述商家定义的商品标签,用于明确商家销售的产品的特点。具体的,所述商家定义的标签包括:
1)商品的基本信息,包括但不限于商品的品类、原产地、价格、制作工艺、原料、商品图片、服务等。
2)商家店面的地址,如商家有实体店,则可填写详细地址,系统通过详细地址,获取商家实体店的地理位置。
3)商家为商品定义标签。如商家对华为手机Meta8定义标签。如:商务、6.0英寸、华为、Meta8。
用户也可通过定义标签,来标明自己感兴趣的商品。如:手机、商务、6.0英寸。用户可通过自已定义的一个或多个标签,快速筛选出商品。
表2列出了用户定义的标签与商家定义的标签匹配度的计算规则;
表3列出了用户定义的标签与系统定义的标签的匹配度计算规则。
表2
匹配程度 | 分值 |
精确匹配 | 2 |
模糊匹配 | 0.5 |
匹配不到 | 0 |
表3
匹配程度 | 分值 |
精确匹配 | 1 |
模糊匹配 | 0.5 |
匹配不到 | 0 |
在S101之前还包括,构建用户库,如图3所示。
S301:配置用户标签;
S302:按照所述用户标签对用户进行分类管理;
S303:构建用户消费能力模型;
S304:根据所述用户消费能力模型预设用户消费能力分值。
所述用户标签包括但不限于用户的性别、年龄、学历、职位、所在城市、籍贯、品位、收入水平、婚育情况等以及孩子的年龄、性别等信息。
所述用户标签还包括用户消费能力。
所述用户消费能力包括:通过用户登记信息中提供的信息,如收入水平、历史消费行为。
所述用户消费能力还包括:用户的个人征信报告。用户提供的个人征信报告,针对个人征信评分较高的用户,系统结合用户的历史消费行为也会推荐远高于自己消费能力范围的产品。
所述用户消费能力还包括:第三方机构的用户消费习惯报告数据,如表4所示。
表4
用户消费能力级别 | 金额区间 |
高端用户 | 6000元以上 |
中高端用户 | 3000~6000元 |
中端用户 | 2000~3000元 |
中低端用户 | 1000~2000元 |
低端用户 | 1000元以下 |
在S102中,获取用户消费能力分值。
所述用户消费能力分值包括:用户查询的商品售卖价格是否落在用户的消0费能力的正态分布的范围内,如果落在范围内则进行加分,反之若未落在范围
内则进行减分。如表5所示。
表5
商品价格 | 分值 |
1000元以下 | -5 |
6000元以上 | -3 |
1000~2000元 | 1 |
2000~3000元 | 3 |
3000~6000元 | 5 |
在S103中,获取用户对商品质量和商家服务的评分分值。
如图4所示,在S103所述获取用户对商品质量和商家服务的评分分值包括:
S401:构建用户对商品质量的评分体系和用户对商家服务的评分体系;
S402:基于用户对商品质量的评分体系和用户对商家服务的评分体系,预设用户对商品质量和商家服务的评分分值。
在S101-S103之前还包括:
通过协同过滤推荐算法计算用户定义的标签与系统商品标签、商家商品标签的预设匹配分值、用户消费能力预设分值或用户对商品质量和商家服务的预设评分分值,分别得到各自的分值。
具体地,找出与目标用户u最相似的K个用户,用集合S(u,K)表示,将S中用户已标记过该标签的商品全部提取出来,并去除u已经标记过该标签的商品。对于每个候选商品i,用户u对它感兴趣的程度用如下公式计算:
其中wuv为余弦相似度,用于计算两个用户之间的相似度。rvi用户v对i的喜欢程度,在本发明实施例中设为1。设N(u)为用户u喜欢的物品集合,N(v)为用户v喜欢的物品集合,则u和v的相似度wuv是:
假设向用户A推荐商品,选取K=3个相似用户,相似用户为B、C、D,那么他们已标记过标签并且A没有标记过该标签的商品有:c、e,那么分别计算p(A,c)和p(A,e):
由此可以看出,用户A对c和e的喜欢程度是一样的。
然后将用户对该商品的用户标签与系统商品标签的匹配分值、商品质量评分、商家服务质量评分、用户消费能力评分分值、地理位置计算分值(可选维度)分别代入协同过滤推荐算法计算得分。
可选地,所述地理位置为用户的地理位置。
具体地,按距离用户当前位置的远近来计算分值。离用户越近,分值越大。
表6
与当前位置的距离 | 分值 |
10公里以上 | -5 |
5~10公里 | -3 |
5~10公里 | 1 |
1~5公里 | 3 |
1公里以内 | 5 |
表7列出了用户对商品质量的评分与对应的分值之间的关系,如用户对商品质量的评价为1颗星,则对应分值-5分;同样的用户对商家服务的评分与对应的分值之间的关系与表7一样。
表7
星数 | 分值 |
1星 | -5 |
2星 | -3 |
3星 | 1 |
4星 | 3 |
5星 | 5 |
在S104中,将所述匹配分值、用户消费能力分值和评分分值进行相加得到推荐总分。
在S105中,按照所述推荐总分,生成商品推荐信息并推荐给用户。
所述生成商品推荐信息并推荐给用户包括:
根据商品推荐总分的高低,显示用户查询结果;
或者以微信、短信、邮件等方式推送给用户最前面几个商品。
对应于该发明实施例提供的一种购物推荐方法,图5示出了本发明实施例提供的一种购物推荐系统的结构框图,为了便于说明,仅示出了与本实施例相关的部分。
参照图5,该系统包括:
第一获取单元51,用于分别获取用户定义的标签与系统商品标签、商家商品标签的匹配分值;
第二获取单元52,用于获取用户消费能力分值;
第三获取单元53,用于获取用户对商品质量和商家服务的评分分值;
第一计算单元54,用于将所述匹配分值、用户消费能力分值和评分分值进行相加得到推荐总分;
推荐单元55,用于按照所述推荐总分,生成商品推荐信息并推荐给用户。
所述第一获取单元51具体用于:
配置系统商品标签;
按照所述系统商品标签对商品进行分类管理;
接收商家定义的商品标签;
接收用户定义的商品标签;
分别预设用户定义的商品标签与系统商品标签、商家商品标签的匹配分值。
所述第二获取单元52具体用于:
配置用户标签;
按照所述用户标签对用户进行分类管理;
构建所述用户消费能力模型;
根据所述用户消费能力模型预设用户消费能力分值。
所述第三获取单元53具体用于:
构建用户对商品质量的评分体系和用户对商家服务的评分体系;
基于用户对商品质量的评分体系和用户对商家服务的评分体系,预设用户对商品质量和商家服务的评分分值。
所述系统还包括:
第二计算单元,用于通过协同过滤推荐算法计算用户定义的标签与系统商品标签、商家商品标签的预设匹配分值、用户消费能力预设分值或用户对商品质量和商家服务的预设评分分值,分别得到各自的分值。
在本发明实施例中,通过分析用户信息、商品信息及评分信息确定推荐总分,多方面信息的综合考虑使得推荐的商品与用户的关联程度提高。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种购物推荐方法,其特征在于,包括:
分别获取用户定义的商品标签与系统商品标签、商家商品标签的匹配分值;
获取用户消费能力分值;
获取用户对商品质量和商家服务的评分分值;
将所述匹配分值、用户消费能力分值和评分分值进行相加得到推荐总分;
按照所述推荐总分,生成商品推荐信息并推荐给用户。
2.如权利要求1所述的方法,其特征在于,所述分别获取用户定义的标签与系统商品标签、商家商品标签的匹配分值之前,所述方法还包括:
配置系统商品标签;
按照所述系统商品标签对商品进行分类管理;
接收商家定义的商品标签;
接收用户定义的商品标签;
分别预设用户定义的商品标签与系统商品标签、商家商品标签的匹配分值。
3.如权利要求1所述的方法,其特征在于,所述根据用户消费能力模型获取用户消费能力分值之前,所述方法还包括:
配置用户标签;
按照所述用户标签对用户进行分类管理;
构建用户消费能力模型;
根据所述用户消费能力模型预设用户消费能力分值。
4.如权利要求1所述的方法,其特征在于,所述获取用户对商品质量和商家服务的评分分值包括:
构建用户对商品质量的评分体系和用户对商家服务的评分体系;
基于用户对商品质量的评分体系和用户对商家服务的评分体系,预设用户对商品质量和商家服务的评分分值。
5.如权利要求2-4任一项所述的方法,其特征在于,包括:
通过协同过滤推荐算法计算用户定义的标签与系统商品标签、商家商品标签的预设匹配分值、用户消费能力预设分值或用户对商品质量和商家服务的预设评分分值,分别得到各自的分值。
6.一种购物推荐系统,其特征在于,包括:
第一获取单元,用于分别获取用户定义的标签与系统商品标签、商家商品标签的匹配分值;
第二获取单元,用于获取用户消费能力分值;
第三获取单元,用于获取用户对商品质量和商家服务的评分分值;
第一计算单元,用于将所述匹配分值、用户消费能力分值和评分分值进行相加得到推荐总分;
推荐单元,用于按照所述推荐总分,生成商品推荐信息并推荐给用户。
7.如权利要求6所述的系统,其特征在于,所述第一获取单元具体用于:
配置系统商品标签;
按照所述系统商品标签对商品进行分类管理;
接收商家定义的商品标签;
接收用户定义的商品标签;
分别预设用户定义的商品标签与系统商品标签、商家商品标签的匹配分值。
8.如权利要求6所述的系统,其特征在于,所述第二获取单元具体用于:
配置用户标签;
按照所述用户标签对用户进行分类管理;
构建所述用户消费能力模型;
根据所述用户消费能力模型预设用户消费能力分值。
9.如权利要求6所述的系统,其特征在于,所述第三获取单元具体用于:
构建用户对商品质量的评分体系和用户对商家服务的评分体系;
基于用户对商品质量的评分体系和用户对商家服务的评分体系,预设用户对商品质量和商家服务的评分分值。
10.如权利要求7-9所述的系统,其特征在于,所述系统还包括:
第二计算单元,用于通过协同过滤推荐算法计算用户定义的标签与系统商品标签、商家商品标签的预设匹配分值、用户消费能力预设分值或用户对商品质量和商家服务的预设评分分值,分别得到各自的分值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610799072.6A CN106408377A (zh) | 2016-08-31 | 2016-08-31 | 购物推荐方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610799072.6A CN106408377A (zh) | 2016-08-31 | 2016-08-31 | 购物推荐方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106408377A true CN106408377A (zh) | 2017-02-15 |
Family
ID=58002085
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610799072.6A Pending CN106408377A (zh) | 2016-08-31 | 2016-08-31 | 购物推荐方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106408377A (zh) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107798560A (zh) * | 2017-10-23 | 2018-03-13 | 武汉科技大学 | 一种零售商店个性广告智能推送方法及系统 |
CN108648059A (zh) * | 2018-05-16 | 2018-10-12 | 口口相传(北京)网络技术有限公司 | 订单推荐方法及装置 |
CN108805615A (zh) * | 2018-05-28 | 2018-11-13 | 广州招点信息科技有限公司 | 一种基于用户消费行为的优惠活动推送方法及系统 |
CN109522475A (zh) * | 2018-10-26 | 2019-03-26 | 浙江工业大学之江学院 | 一种基于用户历史消费数据的商家推荐方法 |
CN109711875A (zh) * | 2018-12-19 | 2019-05-03 | 口碑(上海)信息技术有限公司 | 内容推荐方法及装置 |
WO2019085372A1 (zh) * | 2017-10-31 | 2019-05-09 | 深圳春沐源控股有限公司 | 网上商城的商品推荐方法、商品推荐系统 |
CN109919737A (zh) * | 2019-03-20 | 2019-06-21 | 中电科大数据研究院有限公司 | 一种生产销售商品的推荐方法及系统 |
CN110209711A (zh) * | 2019-06-12 | 2019-09-06 | 浙江华坤道威数据科技有限公司 | 一种基于大数据的企业数据挖掘系统及其使用方法 |
CN110264252A (zh) * | 2019-06-01 | 2019-09-20 | 浙江华坤道威数据科技有限公司 | 一种基于lbs定位的广告定点投放系统 |
CN110737833A (zh) * | 2019-09-29 | 2020-01-31 | 海南省火蓝数据有限公司 | 一种基于推荐度的商品推送方法 |
CN111445296A (zh) * | 2020-04-13 | 2020-07-24 | 智粤云(广州)数字信息科技有限公司 | 基于大数据云平台的电子商务系统 |
CN111724183A (zh) * | 2019-03-20 | 2020-09-29 | 中国银联股份有限公司 | 一种商户推荐方法以及商户推荐系统 |
CN112465611A (zh) * | 2021-02-02 | 2021-03-09 | 北京淇瑀信息科技有限公司 | 向用户推送物品信息的方法、装置和电子设备 |
CN113393271A (zh) * | 2021-06-15 | 2021-09-14 | 湖南汽车工程职业学院 | 一种产品客户大数据适用匹配系统及计算机存储介质 |
CN113409124A (zh) * | 2021-07-08 | 2021-09-17 | 山东大学 | 一种基于贝叶斯回归分析的大宗商品推荐方法及系统 |
CN114429371A (zh) * | 2022-04-06 | 2022-05-03 | 新石器慧通(北京)科技有限公司 | 基于无人车的商品营销方法、装置、电子设备及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102542490A (zh) * | 2011-12-27 | 2012-07-04 | 纽海信息技术(上海)有限公司 | 基于模型匹配的商品推荐方法 |
CN102722838A (zh) * | 2012-05-25 | 2012-10-10 | 北京邮电大学 | 用于网站向用户推荐物品的方法和装置 |
CN102841946A (zh) * | 2012-08-24 | 2012-12-26 | 北京国政通科技有限公司 | 商品数据检索排序及商品推荐方法和系统 |
JP2013092865A (ja) * | 2011-10-25 | 2013-05-16 | Nippon Telegr & Teleph Corp <Ntt> | 情報提示装置、方法及びプログラム |
CN103412948A (zh) * | 2013-08-27 | 2013-11-27 | 北京交通大学 | 基于聚类的协同过滤的商品推荐方法及系统 |
CN103761237A (zh) * | 2013-12-04 | 2014-04-30 | 南京邮电大学 | 一种基于用户特征及其信任度的协同过滤推荐方法 |
CN105069140A (zh) * | 2015-08-19 | 2015-11-18 | 中国科学院自动化研究所 | 基于高阶用户偏好的推荐方法 |
-
2016
- 2016-08-31 CN CN201610799072.6A patent/CN106408377A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013092865A (ja) * | 2011-10-25 | 2013-05-16 | Nippon Telegr & Teleph Corp <Ntt> | 情報提示装置、方法及びプログラム |
CN102542490A (zh) * | 2011-12-27 | 2012-07-04 | 纽海信息技术(上海)有限公司 | 基于模型匹配的商品推荐方法 |
CN102722838A (zh) * | 2012-05-25 | 2012-10-10 | 北京邮电大学 | 用于网站向用户推荐物品的方法和装置 |
CN102841946A (zh) * | 2012-08-24 | 2012-12-26 | 北京国政通科技有限公司 | 商品数据检索排序及商品推荐方法和系统 |
CN103412948A (zh) * | 2013-08-27 | 2013-11-27 | 北京交通大学 | 基于聚类的协同过滤的商品推荐方法及系统 |
CN103761237A (zh) * | 2013-12-04 | 2014-04-30 | 南京邮电大学 | 一种基于用户特征及其信任度的协同过滤推荐方法 |
CN105069140A (zh) * | 2015-08-19 | 2015-11-18 | 中国科学院自动化研究所 | 基于高阶用户偏好的推荐方法 |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107798560A (zh) * | 2017-10-23 | 2018-03-13 | 武汉科技大学 | 一种零售商店个性广告智能推送方法及系统 |
WO2019085372A1 (zh) * | 2017-10-31 | 2019-05-09 | 深圳春沐源控股有限公司 | 网上商城的商品推荐方法、商品推荐系统 |
CN108648059A (zh) * | 2018-05-16 | 2018-10-12 | 口口相传(北京)网络技术有限公司 | 订单推荐方法及装置 |
CN108805615B (zh) * | 2018-05-28 | 2021-09-10 | 广州招点信息科技有限公司 | 一种基于用户消费行为的优惠活动推送方法及系统 |
CN108805615A (zh) * | 2018-05-28 | 2018-11-13 | 广州招点信息科技有限公司 | 一种基于用户消费行为的优惠活动推送方法及系统 |
CN109522475A (zh) * | 2018-10-26 | 2019-03-26 | 浙江工业大学之江学院 | 一种基于用户历史消费数据的商家推荐方法 |
CN109522475B (zh) * | 2018-10-26 | 2022-04-22 | 浙江工业大学之江学院 | 一种基于用户历史消费数据的商家推荐方法 |
CN109711875A (zh) * | 2018-12-19 | 2019-05-03 | 口碑(上海)信息技术有限公司 | 内容推荐方法及装置 |
CN111724183A (zh) * | 2019-03-20 | 2020-09-29 | 中国银联股份有限公司 | 一种商户推荐方法以及商户推荐系统 |
CN109919737A (zh) * | 2019-03-20 | 2019-06-21 | 中电科大数据研究院有限公司 | 一种生产销售商品的推荐方法及系统 |
CN110264252A (zh) * | 2019-06-01 | 2019-09-20 | 浙江华坤道威数据科技有限公司 | 一种基于lbs定位的广告定点投放系统 |
CN110209711B (zh) * | 2019-06-12 | 2020-08-28 | 浙江华坤道威数据科技有限公司 | 一种基于大数据的企业数据挖掘系统及其使用方法 |
CN110209711A (zh) * | 2019-06-12 | 2019-09-06 | 浙江华坤道威数据科技有限公司 | 一种基于大数据的企业数据挖掘系统及其使用方法 |
CN110737833A (zh) * | 2019-09-29 | 2020-01-31 | 海南省火蓝数据有限公司 | 一种基于推荐度的商品推送方法 |
CN110737833B (zh) * | 2019-09-29 | 2022-09-13 | 安徽火蓝数据有限公司 | 一种基于推荐度的商品推送方法 |
CN111445296A (zh) * | 2020-04-13 | 2020-07-24 | 智粤云(广州)数字信息科技有限公司 | 基于大数据云平台的电子商务系统 |
CN111445296B (zh) * | 2020-04-13 | 2020-11-06 | 广州市细行信息技术有限公司 | 基于大数据云平台的电子商务系统 |
CN112465611A (zh) * | 2021-02-02 | 2021-03-09 | 北京淇瑀信息科技有限公司 | 向用户推送物品信息的方法、装置和电子设备 |
CN113393271A (zh) * | 2021-06-15 | 2021-09-14 | 湖南汽车工程职业学院 | 一种产品客户大数据适用匹配系统及计算机存储介质 |
CN113393271B (zh) * | 2021-06-15 | 2022-09-23 | 湖南汽车工程职业学院 | 一种产品客户大数据适用匹配系统及计算机存储介质 |
CN113409124A (zh) * | 2021-07-08 | 2021-09-17 | 山东大学 | 一种基于贝叶斯回归分析的大宗商品推荐方法及系统 |
CN114429371A (zh) * | 2022-04-06 | 2022-05-03 | 新石器慧通(北京)科技有限公司 | 基于无人车的商品营销方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106408377A (zh) | 购物推荐方法及系统 | |
CN103246980B (zh) | 信息输出方法及服务器 | |
CN106651546B (zh) | 一种面向智慧社区的电子商务信息推荐方法 | |
Guerreiro et al. | Social networks and digital influencers: Their role in customer decision journey in tourism | |
CN103577472B (zh) | 个人信息获得、推定、商品的分类、检索方法及系统 | |
CN106776859A (zh) | 基于用户偏好的移动应用App推荐系统 | |
CN112102029B (zh) | 一种基于知识图谱的长尾推荐计算方法 | |
KR20160090509A (ko) | 감성기반 사용자특성 분석을 이용한 개인화된 광고 제공 서비스 방법 | |
CN108694606B (zh) | 一种基于关联规则的客户画像及服务推送方法 | |
CN111028029A (zh) | 一种线下商品推荐方法、装置和电子设备 | |
CN116385048A (zh) | 一种农产品智慧营销方法和系统 | |
Liu et al. | The Value of Multi-Dimensional Rating System: An Information Transfer View | |
CN106447459A (zh) | 一种根据商品属性自动分类的方法 | |
CN109615466A (zh) | 面向移动订餐系统的内容推荐和协同过滤推荐的混合方法 | |
Etuk et al. | The Interplay of Digital Marketing Dimensions and Customer’s Patronage of Fast Food Industries in Akwa Ibom State, Nigeria | |
CN102262764A (zh) | 一种基于回归模型的电子商务推荐方法 | |
Beneke et al. | A demographic Analysis of Brand Purchases: The Case ofprivate label breakfast cereal in South Africa | |
Dinakaran | Analyzing online food delivery industries using pythagorean fuzzy relation and composition | |
CN110020918A (zh) | 一种推荐信息生成方法和系统 | |
Srivastava | Motif analysis in the amazon product co-purchasing network | |
Kaul | Hedonism and culture: Impact on shopper behaviour | |
Chivu-Draghia et al. | Consumer preferences regarding sources of information and use of technology for wine selection-a survey of millennials and generation X sample in Romania. | |
CN111612540A (zh) | 一种基于数据分析的餐饮推荐系统 | |
Heo | The Influences of Restaurant Consumers' Electronic Word-of-Mouth (E-WOM) Information Communication on Product Perception Risk, Benefit and WOM Effect | |
CN106033586A (zh) | 基于社交平台的分组方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170215 |
|
RJ01 | Rejection of invention patent application after publication |