CN106708883B - 推荐方法及装置 - Google Patents

推荐方法及装置 Download PDF

Info

Publication number
CN106708883B
CN106708883B CN201510788738.3A CN201510788738A CN106708883B CN 106708883 B CN106708883 B CN 106708883B CN 201510788738 A CN201510788738 A CN 201510788738A CN 106708883 B CN106708883 B CN 106708883B
Authority
CN
China
Prior art keywords
network service
user
network
recommended
preference
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
Application number
CN201510788738.3A
Other languages
English (en)
Other versions
CN106708883A (zh
Inventor
廖闯
杨超
倪娜
刘忠义
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.)
Alibaba Group Holding Ltd
Original Assignee
Alibaba Group Holding 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 Alibaba Group Holding Ltd filed Critical Alibaba Group Holding Ltd
Priority to CN201510788738.3A priority Critical patent/CN106708883B/zh
Priority to TW105118600A priority patent/TW201719532A/zh
Priority to US15/352,310 priority patent/US10298705B2/en
Priority to JP2018515935A priority patent/JP2018537753A/ja
Priority to PCT/US2016/062141 priority patent/WO2017087441A1/en
Publication of CN106708883A publication Critical patent/CN106708883A/zh
Application granted granted Critical
Publication of CN106708883B publication Critical patent/CN106708883B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/951—Indexing; Web crawling techniques
    • 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
    • H04L67/2866—Architectures; Arrangements
    • H04L67/30—Profiles
    • H04L67/306—User profiles
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L65/00—Network arrangements, protocols or services for supporting real-time applications in data packet communication
    • H04L65/40—Support for services or applications
    • 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
    • H04L67/51—Discovery or management thereof, e.g. service location protocol [SLP] or web services
    • 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
    • H04L67/535—Tracking the activity of the user

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • General Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Databases & Information Systems (AREA)
  • Multimedia (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Transfer Between Computers (AREA)

Abstract

本申请提供一种推荐方法及装置。方法包括：根据网络系统中用户在指定时间范围内对网络服务产生的网络行为数据，获得用户的网络服务序列、用户对网络服务的偏好向量以及用户的网络服务序列中的网络服务的属性向量；根据用户的网络服务序列、用户对网络服务的偏好向量、网络服务的属性向量以及待推荐网络服务提供商提供的网络服务列表，获得用户对待推荐网络服务提供商的偏好得分；根据用户对待推荐网络服务提供商的偏好得分，向待推荐网络服务提供商推荐潜在用户。本申请可以向网络服务提供商推荐更多高质量的潜在用户，提高用户覆盖率。

Description

推荐方法及装置
【技术领域】
本申请涉及互联网技术领域，尤其涉及一种推荐方法及装置。
【背景技术】
随着互联网技术的发展，用户可以从网站上获取的网络服务越来越多。在用户浏览网站选择网络服务的过程中，网站推荐系统起着十分重要的作用，特别是对于不具有明确需求的用户，很可能会直接选择网站推荐系统所推荐的网络服务。目前，各大网站都有自己的推荐系统以向用户推荐网络服务。实际上，网站除了可以向用户推荐网络服务之外，也可以从网络服务提供商的角度考虑，向网络服务提供商推荐潜在用户。
向网络服务提供商推荐潜在用户的主流方式是：从对网络服务提供商提供的网络服务有过直接行为(例如点击、浏览或购买等行为)的用户中，向网络服务提供商推荐潜在用户。这种方法推荐的用户数量有限，用户覆盖率较低。
【发明内容】
本申请的多个方面提供一种推荐方法及装置，用以向网络服务提供商推荐更多高质量的潜在用户，提高用户覆盖率。
本申请的一方面，提供一种推荐方法，包括：
根据网络系统中用户在指定时间范围内对网络服务产生的网络行为数据，获得所述用户的网络服务序列、所述用户对网络服务的偏好向量以及所述用户的网络服务序列中的网络服务的属性向量；
根据所述用户的网络服务序列、所述用户对网络服务的偏好向量、所述网络服务的属性向量以及待推荐网络服务提供商提供的网络服务列表，获得所述用户对所述待推荐网络服务提供商的偏好得分；
根据所述用户对所述待推荐网络服务提供商的偏好得分，向所述待推荐网络服务提供商推荐潜在用户。
本申请的另一方面，提供一种推荐装置，包括：
向量获取模块，用于根据网络系统中用户在指定时间范围内对网络服务产生的网络行为数据，获得所述用户的网络服务序列、所述用户对网络服务的偏好向量以及所述用户的网络服务序列中的网络服务的属性向量；
得分获取模块，用于根据所述用户的网络服务序列、所述用户对网络服务的偏好向量、所述网络服务的属性向量以及待推荐网络服务提供商提供的网络服务列表，获得所述用户对所述待推荐网络服务提供商的偏好得分；
推荐模块，用于根据所述用户对所述待推荐网络服务提供商的偏好得分，向所述待推荐网络服务提供商推荐潜在用户。
在本申请中，根据网络系统中用户在指定时间范围内对网络服务产生的网络行为数据，获得用户的网络服务序列、用户对网络服务的偏好向量以及用户的网络服务序列包含的网络服务的属性向量，之后根据用户的网络服务序列、用户对网络服务的偏好向量、网络服务的属性向量以及待推荐网络服务提供商提供的网络服务列表，获得用户对待推荐网络服务提供商的偏好得分，可以计算任意用户对待推荐网络服务提供商的偏好得分，并不限定必须是对待推荐网络服务提供商提供的网络服务有过网络行为的用户，进而根据用户对待推荐网络服务提供商的偏好得分，向待推荐网络服务提供商推荐潜在用户，可以保证推荐用户的质量，由此可见，本申请可以向网络服务提供商推荐更多高质量的潜在用户，有利于提高用户覆盖率。
【附图说明】
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本申请一实施例提供的推荐方法的流程示意图；
图2为本申请另一实施例提供的推荐装置的结构示意图。
【具体实施方式】
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
图1为本申请一实施例提供的推荐方法的流程示意图。如图1所示，该方法包括：
101、根据网络系统中用户在指定时间范围内对网络服务产生的网络行为数据，获得用户的网络服务序列、用户对网络服务的偏好向量以及用户的网络服务序列中的网络服务的属性向量。
102、根据上述用户的网络服务序列、用户对网络服务的偏好向量、网络服务的属性向量以及待推荐网络服务提供商提供的网络服务列表，获得用户对待推荐网络服务提供商的偏好得分。
103、根据用户对待推荐网络服务提供商的偏好得分，向待推荐网络服务提供商推荐潜在用户。
本实施例提供一种推荐方法，可由推荐装置来执行，用以向网络服务提供商推荐更多高质量的潜在用户，从而利于网络服务的推广和应用。本实施例提供的方法可用于任何基于互联网进行用户推荐的应用场景。举例说明，当网络店铺在电商网站上发布所提供商品对象时，电商网站采用本实施例提供的方法可以向该网络店铺推荐潜在购买用户。又例如，视频资源提供者在资源下载网站上传视频资源时，资源下载网站可以向视频资源提供者推荐潜在下载用户。又例如，外卖提供商通过外卖客户端提供外卖服务时，外卖客户端可以向外卖提供商推荐潜在下单用户等。
根据应用场景的不同，本实施例的网络系统、网络系统中的用户、用户的网络行为及网络服务等均会有所不同。本实施例不对网络系统、网络系统中的用户、用户的网络行为及网络服务等的实现形式进行限定。例如，网络系统可以是以各电商网站为核心的网络系统，相应的，网络系统中的网络服务可以为购物服务，例如在网络系统中提供商品对象以供用户购买，网络系统中用户的网络行为可以包括浏览、收藏、加购物车、购买、支付以及评论中的一种或多种。又例如，网络系统可以是以资源下载网站为核心的网络系统，相应的，网络系统中的网络服务可以为资源下载服务，例如音视频资源、文本资源等下载服务，网络系统中用户的网络行为可以包括预览、下载、播放等中的一种或多种。另外，本实施例的网络服务还可以是洗车服务、网上订票服务、养护服务、按摩服务、清洁服务、厨师上门服务、家政服务、家教服务、娱乐服务、吃喝服务、旅行服务、酒店服务、租车服务等等。
由上述举例可见，本实施例中的网络服务主要是指一些通过网络面向用户提供的服务，可以是电子商务、电子政务、公司业务流程电子化等各应用领域中的服务。相应的，本实施例将网络服务的提供者称为网络服务提供商。以网络服务为购物服务为例，则网络服务提供商可以是提供商品对象的网络店铺或商家。
值得说明的是，用于执行本实施例方法流程的推荐装置，可以作为各网站或客户端中的功能模块实现，或者也可以独立于各网站或客户端但能够与各网站或客户端进行通信，以配合各网站或客户端完成推荐。
对网络服务提供商来说，为了更好的推广或营销所提供的网络服务，一般会针对自己的用户群体进行服务推广或营销策略。网络服务提供商的用户群组不仅包括已有用户，还包括一些潜在用户。对网络服务提供商来说，面临着如何圈定更多高质量潜在用户的问题。本实施例提供的推荐方法可以很好的向网络服务提供商推荐更多高质量的潜在用户。
采用本实施例提供的推荐方法，可以向网络系统中任意网络服务提供商进行潜在用户的推荐。为了便于描述和区分，本实施例以向其中一个网络服务提供商进行潜在用户推荐为例进行说明，并将该网络服务提供商称为待推荐网络服务提供商。该待推荐网络服务提供商可以是网络系统中的任意网络服务提供商。
在本实施例中，为了能够向待推荐网络服务提供商推荐更多高质量的潜在用户，推荐用户的范围不再像现有技术那样受限于对待推荐网络服务提供商提供的网络服务有过网络行为的用户，而是从网络系统中任意用户群体中进行推荐，以便提高所推荐的潜在用户的数量。即本申请中的用户包括未与待推荐网络服务提供商发生过关联或直接网络行为的用户。当然，本申请的用户还可以包括与待推荐网络服务提供商发生过关联或直接网络行为的用户。为了能够从网络系统中任意用户群体中向待推荐网络服务提供商进行潜在用户的推荐，本实施例需要能够计算任意用户对待推荐网络服务提供商的偏好得分，然后基于用户对待推荐网络服务提供商的偏好得分进行推荐。进一步，本实施例通过将网络系统中用户的网络行为以及网络服务都进行向量化，为计算任意用户对待推荐网络服务提供商的偏好得分提供条件，使得用户对网络服务提供商的偏好得分的计算不再受限，之后基于向量化结果计算任意用户对任意网络服务提供商的偏好得分，进而根据用户对网络服务提供商的偏好得分向网络服务提供商进行潜在用户的推荐。
在实际应用中，推荐装置可以根据网络服务提供商的请求进行潜在用户推荐，也可以周期性的向网络服务提供商进行潜在用户推荐，或者也可以是两种方式的结合。本实施例对具体应用模式不做限定。
具体的，当确定需要对待推荐网络服务提供商进行潜在用户推荐时，例如预设推荐周期到达或者接收到待推荐网络服务提供商的推荐请求时，推荐装置可以获取网络系统在指定时间范围内的日志数据，从该日志数据中获取网络系统中用户在该指定时间范围内对网络服务产生的网络行为数据。举例说明，用户在指定时间范围内对网络服务产生的网络行为数据主要是指用户在该指定时间范围内对网络服务进行点击、浏览、购买、收藏等各种网络行为而产生的数据，例如用户标识、网络行为类型、网络行为发生时间、网络服务的标识、网络服务的属性、用户终端类型、用户终端标识等。
考虑到网络系统中不断产生网络行为数据，而随着时间的推移，历史的网络行为数据的作用会不断减弱，所以本实施例取一定时间范围内的网络行为数据，所述时间范围可以根据应用场景以及网络服务提供商的需求等因素灵活设置。举例说明，该时间范围可以是最近一月、最近一周、近三天等。
理论上来说，推荐装置可以获得网络系统中任何用户在指定时间范围内对网络服务产生的网络行为数据。在本实施例的推荐方法中，并不限定所使用的用户的数量，优选的可以是网络系统中每个用户在指定时间范围内对网络服务产生的网络行为数据。
在获得网络系统中用户在指定时间范围内对网络服务产生的网络行为数据之后，推荐装置可以按照网络行为发生的时间顺序，对用户在指定时间范围内对网络服务产生的网络行为数据进行统计，以获得用户的网络服务序列。例如，用户u1在指定时间范围内共对n1个网络服务发生过网络行为，则用户u1的网络服务序列可以表示为u1＝{w1,w2,......,wn1}；用户u2在指定时间范围内共对n2个网络服务发生过网络行为，则用户u2的网络服务序列可以表示为u2＝{w1,w2,......,wn2}；用户um在指定时间范围内共对nm个网络服务发生过网络行为，则用户um的网络服务序列可以表示为um＝{w1,w2,......,wnm}等，其中，w表示用户在指定时间范围内发生过网络行为的网络服务，w的下角标表示网络服务的个数。
然后，推荐装置根据用户的网络服务序列，对网络服务的属性信息进行向量化编码，以获得网络服务的属性向量。值得说明的是，一个用户可能对多个网络服务发生过网络行为，多个用户可能对同一个网络服务发生过网络行为。因此，对任意一个网络服务来说，可能包含于对该网络服务发生过网络行为的多个用户的网络服务序列中，于是可以根据所有对该网络服务发生过网络行为的用户的网络服务序列，对该网络服务的属性信息进行向量化编码，以获得网络服务的属性向量。
具体的，可以将以下公式(1)作为优化目标，以公式(1)的取值最大化为目标，对网络服务的属性信息进行向量化编码，从而获得网络服务的属性向量。
Figure BDA0000849145640000071
在上述公式(1)中，w表示用户的网络服务序列中的一个网络服务；context(w)表示网络服务w在用户的网络服务序列中的上下文。其中，左侧与该网络服务w为第一指定距离和右侧与该网络服务w相距为第二指定距离的网络服务构成该网络服务w的上下文，第一指定距离和第二指定距离可以相同也可以不相同，例如第一指定距离可以为0、1或2等，第二指定距离可以为0、1、2或3等，优选的，第一指定距离和第二指定距离不同时为0。p(w|context(w))表示网络服务w的条件概率；C表示用户的网络服务序列中包含该网络服务w的网络服务序列集合。例如，可以采用Google开源的Word2vec对网络服务的属性信息进行向量化编码。或者，也可以使用基于神经网络的语言模型方法对网络服务的属性信息进行Embedding编码，Embedding的目标函数为上述公式(1)。
接着，推荐装置可以根据用户的网络服务序列以及网络服务的属性向量，对用户对网络服务的偏好进行向量化编码，以获得用户对网络服务的偏好向量。
具体的，用户对一个网络服务发生过网络行为，例如点击过该网络服务，就表示用户对该网络服务表达了一次喜欢，则可以表示用户对该网络服务的偏好程度，而通过用户的网络服务序列可以得到用户对网络服务的兴趣模型，即用户对网络服务的偏好向量。
首先，通过用户对网络服务的偏好向量与网络服务的属性向量的内积，再对该内积做一次线性变换(sigmod)得到
Figure BDA0000849145640000081
该公式可以用来表达用户对一个网络服务的偏好程度。其中，p(u,itemuj)表示用户对其网络服务序列中第j个网络服务的偏好程度；u表示用户对网络服务的偏好向量；itemuj表示用户的网络服务序列中第j个网络服务的属性向量。
当用户只对上述一个网络服务发生过网络行为时，则对用户对网络服务的偏好进行向量化编码的过程就是最大化p(u,itemuj)的过程。当用户对整个网络服务序列中的网络服务均发生过网络行为时，则对用户对网络服务的偏好进行向量化编码的过程就是最大化如下公式(2)的过程。也就是说，以如下公式(2)作为优化目标，以公式(2)的取值最大化为目标，对用户对网络服务的偏好进行向量化编码，以获得用户对网络服务的偏好向量。
Figure BDA0000849145640000082
在上述公式(2)中，u表示用户对网络服务的偏好向量，itemuj表示用户的网络服务序列中第j个网络服务的属性向量，t表示用户的网络服务序列包含的网络服务的总数。
其中，在求解上述公式(2)的过程中，可以令f＝σ(u·itemuj)，则可以获得：
Figure BDA0000849145640000083
基于此，更新用户对网络服务的偏好向量u的过程可以采用如下公式(3)实现。
Figure BDA0000849145640000084
按照上述流程，对所有用户的网络服务序列进行处理后，可以获得每个用户对网络服务的偏好向量。
在获得用户的网络服务序列、用户对网络服务的偏好向量以及网络服务的属性向量之后，可以结合用户发生过网络行为的网络服务、待推荐网络服务提供商提供的网络服务、用户对网络服务的偏好向量以及网络服务的属性向量，来计算用户对待推荐网络服务提供商的偏好得分，进而基于用户对待推荐网络服务提供商的偏好得分，向待推荐网络服务提供商进行潜在用户的推荐。
具体的，可以根据以下公式(4)，计算每个用户对待推荐网络服务提供商的偏好得分。
Figure BDA0000849145640000091
在上述公式(4)中，u表示所述用户对网络服务的偏好向量；s表示待推荐网络服务提供商；Score(s,u)表示用户对待推荐网络服务提供商的偏好得分。其中，
Figure BDA0000849145640000092
itemui表示用户的网络服务序列中的第i个网络服务的属性向量，用户的网络服务序列中所有网络服务的属性向量构成一向量序列，如Iu＝{itemu1,itemu2,....,itemut}；itemsf表示待推荐服务提供商提供的网络服务中与itemui的相似度最高的网络服务的属性向量；t表示用户的网络服务序列包含的网络服务的总数；Is表示待推荐服务提供商提供的网络服务列表。
根据上述公式(4)可以计算出每个用户对待推荐网络服务提供商的偏好得分。之后，可以根据每个用户对待推荐网络服务提供商的偏好得分，判断哪些用户是该待推荐网络服务提供商的潜在用户。理论上说，偏好得分越高的用户，成为该待推荐网络服务提供商的潜在用户的可能性越大。
进一步，考虑到不同用户的网络行为的强度不一样，这样不同用户对同一网络服务提供商的偏好得分在不同用户之间不具有可比性。为便于进行比较，将用户对网络服务提供商的得分进行归一化，进而转化成用户对网络服务提供商的偏好概率(称为标准偏好得分)，使得不同用户对同一网络服务提供商的标准偏好得分可以进行比较。基于此，一种根据用户对待推荐网络服务提供商的偏好得分，向待推荐网络服务提供商推荐潜在用户的实施方式包括：
根据用户对所有网络服务提供商的偏好得分，对用户对待推荐网络服务提供商的偏好得分进行归一化处理，以获得用户对待推荐网络服务提供商的标准偏好得分；根据用户对待推荐网络服务提供商的标准偏好得分，向待推荐网络服务提供商推荐潜在用户。
其中，具体归一化的方法如下公式(5)：
Figure BDA0000849145640000101
其中，p(sd|u)表示用户对待推荐网络服务提供商的标准偏好得分；Score(si,u)表示用户对第i个网络服务提供商的偏好得分，N表示网络服务提供商的总数，sd表示待推荐网络服务提供商，Score(sd,u)表示用户对待推荐网络服务提供商的偏好得分。
例如，在获得每个用户对待推荐网络服务提供商的标准偏好得分后，可以选择标准偏好得分排名最靠前的若干个用户作为待推荐网络服务提供商的潜在用户，向待推荐网络服务提供商进行推荐。或者，在获得每个用户对待推荐网络服务提供商的标准偏好得分后，也可以选择标准偏好得分大于预设得分阈值的若干个用户作为待推荐网络服务提供商的潜在用户，向待推荐网络服务提供商进行推荐。
更进一步，为了向待推荐网络服务提供商提供更加高质量的潜在用户，除了使用用户对待推荐网络服务提供商的标准偏好得分之外，进一步结合用户在指定时间范围内的活跃度。则一种根据所述用户对所述待推荐网络服务提供商的标准偏好得分，向所述待推荐网络服务提供商推荐潜在用户，包括：
获取用户在指定时间范围内的活跃度；根据用户在指定时间范围内的活跃度和用户对待推荐网络服务提供商的标准偏好得分，向待推荐网络服务提供商推荐潜在用户。可选的，可以根据用户在指定时间范围内访问的网络服务详情页面的数量，确定用户在指定时间范围内的活跃度。理论上来说，用户访问的网络服务详情页面的数量越多，说明该用户的活跃度越高；反之，访问的网络服务详情页面的数量越少，说明该用户的活跃度越低。用户在指定时间范围内的活跃度具体可以采用以下公式(6)获得：
active(u)＝log(pv) (6)
在上述公式(6)中，active(u)表示用户在指定时间范围内的活跃度；pv表示用户在指定时间范围内访问的网络服务详情页面的数量。
可选的，上述根据用户在指定时间范围内的活跃度和用户对待推荐网络服务提供商的标准偏好得分，向待推荐网络服务提供商推荐潜在用户的一种具体实施方式如下：
对用户在指定时间范围内的活跃度和用户对待推荐网络服务提供商的标准偏好得分进行数值处理，获得用户对待推荐网络服务提供商的综合评分；然后，根据用户对待推荐网络服务提供商的综合评分，向待推荐网络服务提供商推荐潜在用户。例如，可以向待推荐网络服务提供商推荐综合评分排名最靠前的若干个用户作为待推荐网络服务提供商的潜在用户，向待推荐网络服务提供商进行推荐。或者，选择综合评分大于预设评分阈值的若干个用户作为待推荐网络服务提供商的潜在用户，向待推荐网络服务提供商进行推荐。
可选的，一种较为简单的计算综合评分的方式，如下公式(7)所示：
S(sd,u)＝p(sd|u)·active(u) (7)
在上述公式(7)中，S(sd,u)表示用户对待推荐网络服务提供商的综合评分，其他符号表示的含义可参见前述公式中的相应说明。
举例说明，假设用户A对网络服务提供商S的标准偏好得分为0.8，用户B对网络服务提供商S的标准偏好得分为0.7，如果仅按照标准偏好得分进行推荐，则用户A应该排在用户B的前面优先推荐给网络服务提供商S。但实际上，用户A在网络系统中的活跃程度明显不如用户B，例如用户A的活跃度为2，用户B的活跃度为10，所以可能用户B更有可能成为网络服务提供商S的潜在用户。而根据上述方式计算出用户A对网络服务提供商S的综合得分为1.6，而用户B对网络服务提供商S的综合得分为7，用户B的综合得分大于用户A的综合得分，所以需要优先将用户B推荐给网络服务提供商S，有利于提高推荐给网络服务提供商S的潜在用户的质量。
在本申请中，推荐装置根据网络系统中用户在指定时间范围内对网络服务产生的网络行为数据，获得用户的网络服务序列、用户对网络服务的偏好向量以及用户的网络服务序列包含的网络服务的属性向量，之后根据用户的网络服务序列、用户对网络服务的偏好向量、网络服务的属性向量以及待推荐网络服务提供商提供的网络服务列表，获得用户对待推荐网络服务提供商的偏好得分，可以计算任意用户对待推荐网络服务提供商的偏好得分，并不限定必须是对待推荐网络服务提供商提供的网络服务有过网络行为的用户，进而根据用户对待推荐网络服务提供商的偏好得分，向待推荐网络服务提供商推荐潜在用户，可以保证推荐用户的质量，由此可见，本申请可以向网络服务提供商推荐更多高质量的潜在用户，有利于提高用户覆盖率。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本申请所必须的。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
图2为本申请一实施例提供的推荐装置的结构示意图。如图2所示，该装置包括：向量获取模块21、得分获取模块22和推荐模块23。
向量获取模块21，用于根据网络系统中用户在指定时间范围内对网络服务产生的网络行为数据，获得用户的网络服务序列、用户对网络服务的偏好向量以及用户的网络服务序列中的网络服务的属性向量。
得分获取模块22，用于根据向量获取模块21获得的用户的网络服务序列、用户对网络服务的偏好向量、网络服务的属性向量以及待推荐网络服务提供商提供的网络服务列表，获得用户对待推荐网络服务提供商的偏好得分。
推荐模块23，用于根据得分获取模块22获得的用户对待推荐网络服务提供商的偏好得分，向待推荐网络服务提供商推荐潜在用户。
在一可选实施方式中，向量获取模块21具体可用于：
按照网络行为发生的时间顺序，对用户在指定时间范围内对网络服务产生的网络行为数据进行统计，以获得用户的网络服务序列；
根据用户的网络服务序列，对网络服务的属性信息进行向量化编码，以获得网络服务的属性向量；
根据用户的网络服务序列以及网络服务的属性向量，对用户对网络服务的偏好进行向量化编码，以获得用户对网络服务的偏好向量。
进一步，向量获取模块21在根据用户的网络服务序列，对网络服务的属性信息进行向量化编码，以获得网络服务的属性向量时，具体可用于：
以公式(1)的取值最大化为目标，对网络服务的属性信息进行向量化编码，以获得网络服务的属性向量。关于公式(1)的描述可参见前述方法实施例，在此不再赘述。
进一步，向量获取模块21在根据用户的网络服务序列以及网络服务的属性向量，对用户对网络服务的偏好进行向量化编码，以获得用户对网络服务的偏好向量时，具体可用于：
以公式(2)的取值最大化为目标，对用户对网络服务的偏好进行向量化编码，以获得用户对网络服务的偏好向量。关于公式(2)的描述可参见前述方法实施例，在此不再赘述。
在一可选实施方式中，得分获取模块22具体可用于：根据公式(4)，计算用户对待推荐网络服务提供商的偏好得分。关于公式(4)的描述可参见前述方法实施例，在此不再赘述。
在一可选实施方式中，推荐模块23具体可用于：
根据用户对所有网络服务提供商的偏好得分，对用户对待推荐网络服务提供商的偏好得分进行归一化处理，以获得用户对待推荐网络服务提供商的标准偏好得分；
根据用户对待推荐网络服务提供商的标准偏好得分，向待推荐网络服务提供商推荐潜在用户。
进一步，推荐模块23在根据用户对待推荐网络服务提供商的标准偏好得分，向待推荐网络服务提供商推荐潜在用户时，具体可用于：
获取用户在指定时间范围内的活跃度；
根据用户在指定时间范围内的活跃度和用户对待推荐网络服务提供商的标准偏好得分，向待推荐网络服务提供商推荐潜在用户。
进一步，推荐模块23在获取用户在指定时间范围内的活跃度时，具体可用于：根据用户在指定时间范围内访问的网络服务详情页面的数量，确定用户在指定时间范围内的活跃度。
可选的，网络服务可以是购物服务，例如在网络系统中提供商品对象以供用户购买，相应的，网络服务提供商可以是网络店铺或商家。、
值得说明的是，本实施例中网络系统中的用户包括未与待推荐网络服务提供商发生过关联或者直接网络行为的用户，当然，也可以包括与待推荐网络服务提供商发生过关联或者直接网络行为的用户，。也就是说，本申请的用户可以是网络系统中的任意用户群体。
本实施例提供的推荐装置，可以根据网络系统中用户在指定时间范围内对网络服务产生的网络行为数据，获得用户的网络服务序列、用户对网络服务的偏好向量以及用户的网络服务序列包含的网络服务的属性向量，之后根据用户的网络服务序列、用户对网络服务的偏好向量、网络服务的属性向量以及待推荐网络服务提供商提供的网络服务列表，获得用户对待推荐网络服务提供商的偏好得分，可以计算任意用户对待推荐网络服务提供商的偏好得分，并不限定必须是对待推荐网络服务提供商提供的网络服务有过网络行为的用户，进而根据用户对待推荐网络服务提供商的偏好得分，向待推荐网络服务提供商推荐潜在用户，可以保证推荐用户的质量。由此可见，本实施例提供的推荐装置可以向网络服务提供商推荐更多高质量的潜在用户，有利于提高用户覆盖率。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
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单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，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单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本申请各个实施例所述方法的部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。

Claims (16)

1.一种推荐方法，其特征在于，包括：
根据网络系统中用户在指定时间范围内对网络服务产生的网络行为数据，获得所述用户的网络服务序列、所述用户对网络服务的偏好向量以及所述用户的网络服务序列中的网络服务的属性向量；其中根据所述用户的网络服务序列，对所述网络服务的属性信息进行向量化编码，以获得所述网络服务的属性向量；
根据所述用户的网络服务序列、所述用户对网络服务的偏好向量、所述网络服务的属性向量以及待推荐网络服务提供商提供的网络服务列表，获得所述用户对所述待推荐网络服务提供商的偏好得分；
根据所述用户对所述待推荐网络服务提供商的偏好得分，向所述待推荐网络服务提供商推荐潜在用户。
2.根据权利要求1所述的方法，其特征在于，所述根据网络系统中用户在指定时间范围内对网络服务产生的网络行为数据，获得所述用户的网络服务序列、所述用户对网络服务的偏好向量以及所述用户的网络服务序列中的网络服务的属性向量，还包括：
按照网络行为发生的时间顺序，对所述用户在指定时间范围内对网络服务产生的网络行为数据进行统计，以获得所述用户的网络服务序列；
根据所述用户的网络服务序列以及所述网络服务的属性向量，对所述用户对网络服务的偏好进行向量化编码，以获得所述用户对网络服务的偏好向量。
3.根据权利要求1所述的方法，其特征在于，所述根据所述用户的网络服务序列，对所述网络服务的属性信息进行向量化编码，以获得所述网络服务的属性向量，包括：
以公式
Figure FDA0002525857860000011
的取值最大化为目标，对所述网络服务的属性信息进行向量化编码，以获得所述网络服务的属性向量；
w表示所述用户的网络服务序列中的网络服务；
context(w)表示所述网络服务在所述用户的网络服务序列中的上下文；
p(w|context(w))表示所述网络服务的条件概率；
C表示所述用户的网络服务序列中包含所述网络服务的网络服务序列集合。
4.根据权利要求2所述的方法，其特征在于，所述根据所述用户的网络服务序列以及所述网络服务的属性向量，对所述用户对网络服务的偏好进行向量化编码，以获得所述用户对网络服务的偏好向量，包括：
以公式
Figure FDA0002525857860000021
的取值最大化为目标，对所述用户对网络服务的偏好进行向量化编码，以获得所述用户对网络服务的偏好向量；
u表示所述用户对网络服务的偏好向量；
itemuj表示所述用户的网络服务序列中第j个网络服务的属性向量；
t表示所述用户的网络服务序列包含的网络服务的总数；
p(u,itemuj)表示所述用户对第j个网络服务的偏好程度。
5.根据权利要求1-4任一项所述的方法，其特征在于，所述根据所述用户对所述待推荐网络服务提供商的偏好得分，向所述待推荐网络服务提供商推荐潜在用户，包括：
根据所述用户对所有网络服务提供商的偏好得分，对所述用户对所述待推荐网络服务提供商的偏好得分进行归一化处理，以获得所述用户对所述待推荐网络服务提供商的标准偏好得分；
根据所述用户对所述待推荐网络服务提供商的标准偏好得分，向所述待推荐网络服务提供商推荐潜在用户。
6.根据权利要求5所述的方法，其特征在于，所述根据所述用户对所述待推荐网络服务提供商的标准偏好得分，向所述待推荐网络服务提供商推荐潜在用户，包括：
获取所述用户在所述指定时间范围内的活跃度；
根据所述用户在所述指定时间范围内的活跃度和所述用户对所述待推荐网络服务提供商的标准偏好得分，向所述待推荐网络服务提供商推荐潜在用户。
7.根据权利要求6所述的方法，其特征在于，所述获取所述用户在所述指定时间范围内的活跃度，包括：
根据所述用户在所述指定时间范围内访问的网络服务详情页面的数量，确定所述用户在所述指定时间范围内的活跃度。
8.根据权利要求1-4任一项所述的方法，其特征在于，所述用户包括未与所述待推荐网络服务提供商发生过关联的用户。
9.一种推荐装置，其特征在于，包括：
向量获取模块，用于根据网络系统中用户在指定时间范围内对网络服务产生的网络行为数据，获得所述用户的网络服务序列、所述用户对网络服务的偏好向量以及所述用户的网络服务序列中的网络服务的属性向量；其中根据所述用户的网络服务序列，对所述网络服务的属性信息进行向量化编码，以获得所述网络服务的属性向量；
得分获取模块，用于根据所述用户的网络服务序列、所述用户对网络服务的偏好向量、所述网络服务的属性向量以及待推荐网络服务提供商提供的网络服务列表，获得所述用户对所述待推荐网络服务提供商的偏好得分；
推荐模块，用于根据所述用户对所述待推荐网络服务提供商的偏好得分，向所述待推荐网络服务提供商推荐潜在用户。
10.根据权利要求9所述的装置，其特征在于，所述向量获取模块具体用于：
按照网络行为发生的时间顺序，对所述用户在指定时间范围内对网络服务产生的网络行为数据进行统计，以获得所述用户的网络服务序列；
根据所述用户的网络服务序列以及所述网络服务的属性向量，对所述用户对网络服务的偏好进行向量化编码，以获得所述用户对网络服务的偏好向量。
11.根据权利要求9所述的装置，其特征在于，所述向量获取模块具体用于：
以公式
Figure FDA0002525857860000031
的取值最大化为目标，对所述网络服务的属性信息进行向量化编码，以获得所述网络服务的属性向量；
w表示所述用户的网络服务序列中的网络服务；
context(w)表示所述网络服务在所述用户的网络服务序列中的上下文；
p(w|context(w))表示所述网络服务的条件概率；
C表示所述用户的网络服务序列中包含所述网络服务的网络服务序列集合。
12.根据权利要求10所述的装置，其特征在于，所述向量获取模块具体用于：
以公式
Figure FDA0002525857860000041
的取值最大化为目标，对所述用户对网络服务的偏好进行向量化编码，以获得所述用户对网络服务的偏好向量；
u表示所述用户对网络服务的偏好向量；
itemuj表示所述用户的网络服务序列中第j个网络服务的属性向量；
t表示所述用户的网络服务序列包含的网络服务的总数；
p(u,itemuj)表示所述用户对第j个网络服务的偏好程度。
13.根据权利要求9-12任一项所述的装置，其特征在于，所述推荐模块具体用于：
根据所述用户对所有网络服务提供商的偏好得分，对所述用户对所述待推荐网络服务提供商的偏好得分进行归一化处理，以获得所述用户对所述待推荐网络服务提供商的标准偏好得分；
根据所述用户对所述待推荐网络服务提供商的标准偏好得分，向所述待推荐网络服务提供商推荐潜在用户。
14.根据权利要求13所述的装置，其特征在于，所述推荐模块具体用于：
获取所述用户在所述指定时间范围内的活跃度；
根据所述用户在所述指定时间范围内的活跃度和所述用户对所述待推荐网络服务提供商的标准偏好得分，向所述待推荐网络服务提供商推荐潜在用户。
15.根据权利要求14所述的装置，其特征在于，所述推荐模块具体用于：
根据所述用户在所述指定时间范围内访问的网络服务详情页面的数量，确定所述用户在所述指定时间范围内的活跃度。
16.根据权利要求9-12任一项所述的装置，其特征在于，所述用户包括未与所述待推荐网络服务提供商发生过关联的用户。
CN201510788738.3A 2015-11-17 2015-11-17 推荐方法及装置 Active CN106708883B (zh)

Priority Applications (5)

Application Number Priority Date Filing Date Title
CN201510788738.3A CN106708883B (zh) 2015-11-17 2015-11-17 推荐方法及装置
TW105118600A TW201719532A (zh) 2015-11-17 2016-06-14 推薦方法及裝置
US15/352,310 US10298705B2 (en) 2015-11-17 2016-11-15 Recommendation method and device
JP2018515935A JP2018537753A (ja) 2015-11-17 2016-11-16 推奨方法およびデバイス
PCT/US2016/062141 WO2017087441A1 (en) 2015-11-17 2016-11-16 Recommendation method and device

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510788738.3A CN106708883B (zh) 2015-11-17 2015-11-17 推荐方法及装置

Publications (2)

Publication Number Publication Date
CN106708883A CN106708883A (zh) 2017-05-24
CN106708883B true CN106708883B (zh) 2020-09-29

Family

ID=58690603

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510788738.3A Active CN106708883B (zh) 2015-11-17 2015-11-17 推荐方法及装置

Country Status (5)

Country Link
US (1) US10298705B2 (zh)
JP (1) JP2018537753A (zh)
CN (1) CN106708883B (zh)
TW (1) TW201719532A (zh)
WO (1) WO2017087441A1 (zh)

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI726981B (zh) * 2017-01-23 2021-05-11 香港商阿里巴巴集團服務有限公司 資訊投放用戶的篩選方法和設備
CN107577736B (zh) * 2017-08-25 2021-12-17 武汉数字智能信息科技有限公司 一种基于bp神经网络的文件推荐方法及系统
CN107730320B (zh) * 2017-11-01 2021-12-07 北京星选科技有限公司 用户挖掘方法、装置、电子设备及计算机可读存储介质
CN108009262A (zh) * 2017-12-11 2018-05-08 北京骑骑智享科技发展有限公司 基于大数据分析炫轮的显示方法和装置
CN108711075A (zh) * 2018-05-22 2018-10-26 阿里巴巴集团控股有限公司 一种产品推荐方法和装置
CN110796505B (zh) * 2018-08-03 2023-07-04 淘宝（中国）软件有限公司 一种业务对象推荐方法以及装置
CN110889029B (zh) * 2018-08-17 2024-04-05 京东科技控股股份有限公司 城市目标推荐方法和装置
CN110209938B (zh) * 2019-05-31 2022-10-25 河南大学 一种基于服务多粒度属性的潜在用户推荐方法
CN112488746A (zh) * 2020-11-03 2021-03-12 广州易起行信息技术有限公司 基于大数据用户行为的旅游产品二次营销方法、电子设备、存储介质
US20220327597A1 (en) * 2021-04-13 2022-10-13 At&T Intellectual Property I, L.P. Systems and methods for quoting and recommending connectivity services
CN113407844B (zh) * 2021-07-13 2023-09-29 北京百度网讯科技有限公司 小程序框架的版本推荐方法、装置、设备以及存储介质
CN116108291B (zh) * 2023-04-12 2023-08-08 武汉中科通达高新技术股份有限公司 一种移动互联网流量服务推荐方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102103634A (zh) * 2009-12-22 2011-06-22 索尼公司 信息处理设备和方法
CN102124466A (zh) * 2008-09-05 2011-07-13 索尼公司 内容推荐系统、内容推荐方法、内容推荐设备、程序以及信息存储介质
CN102737092A (zh) * 2011-03-29 2012-10-17 索尼公司 内容推荐装置、推荐内容搜索方法和程序
CN103678672A (zh) * 2013-12-25 2014-03-26 北京中兴通软件科技股份有限公司 一种信息推荐方法

Family Cites Families (42)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6868389B1 (en) 1999-01-19 2005-03-15 Jeffrey K. Wilkins Internet-enabled lead generation
US20010051876A1 (en) * 2000-04-03 2001-12-13 Seigel Ronald E. System and method for personalizing, customizing and distributing geographically distinctive products and travel information over the internet
US7120629B1 (en) * 2000-05-24 2006-10-10 Reachforce, Inc. Prospects harvester system for providing contact data about customers of product or service offered by business enterprise extracting text documents selected from newsgroups, discussion forums, mailing lists, querying such data to provide customers who confirm to business profile data
US20040243459A1 (en) 2003-01-24 2004-12-02 Geritz William F. System and method for automating business development
US20050154648A1 (en) 2003-11-04 2005-07-14 Strause Todd M. Interactive lead generation system having a web-based application for reporting and following up with leads and methods of use thereof
US20050246221A1 (en) 2004-02-13 2005-11-03 Geritz William F Iii Automated system and method for determination and reporting of business development opportunities
US8004491B2 (en) * 2004-10-05 2011-08-23 Jeff Maynard System for and methods of storing and comparing computer generated continuous vector lines through a non-secure or a secure communication channel
US7991764B2 (en) * 2005-07-22 2011-08-02 Yogesh Chunilal Rathod Method and system for communication, publishing, searching, sharing and dynamically providing a journal feed
CA2841491C (en) * 2006-12-18 2019-04-16 Baker Hughes Incorporated System, program product, and method for drilling rig activity accounting and visualization
US20080288361A1 (en) 2007-05-17 2008-11-20 Geoffrey Rego System and method for lead generation and lead demand fulfillment
US8229780B2 (en) 2007-07-30 2012-07-24 Silvercarrot, Inc. System and method for online lead generation
JP4962782B2 (ja) * 2007-08-13 2012-06-27 富士通株式会社 利用者状態推定システム、利用者状態推定方法および利用者状態推定プログラム
US7991841B2 (en) 2007-10-24 2011-08-02 Microsoft Corporation Trust-based recommendation systems
US8856908B2 (en) * 2009-02-12 2014-10-07 Comcast Cable Communications, Llc Management and delivery of profile data
US8661050B2 (en) 2009-07-10 2014-02-25 Microsoft Corporation Hybrid recommendation system
CA2824751A1 (en) * 2009-09-26 2011-03-31 Disternet Technology Inc. System and method for micro-cloud computing
US20110131224A1 (en) * 2009-12-02 2011-06-02 International Business Machines Corporation Methods for Creating a Recommended Device List from Metrics
US8326663B2 (en) 2010-03-17 2012-12-04 Leapfrog Online Customer Acquisition, LLC System for optimizing lead close rates
US20110258016A1 (en) 2010-04-14 2011-10-20 Optify, Inc. Systems and methods for generating lead intelligence
US9367847B2 (en) 2010-05-28 2016-06-14 Apple Inc. Presenting content packages based on audience retargeting
KR101712988B1 (ko) * 2010-09-10 2017-03-07 삼성전자주식회사 이동통신 단말기에서 인터넷 서비스 제공 방법 및 장치
US20120198056A1 (en) 2011-01-31 2012-08-02 Yaacov Shama Techniques for Analyzing Website Content
JP6035705B2 (ja) * 2011-03-30 2016-11-30 ソニー株式会社 情報処理装置および方法、端末装置、並びに情報処理システム
KR101933466B1 (ko) * 2011-08-05 2019-04-08 삼성전자주식회사 개인망을 이용한 컴포넌트 기반 서비스 제공 방법 및 장치
US9026521B1 (en) 2011-08-19 2015-05-05 Isaac S. Daniel System and method for conducting company searches and lead generation using company code index
KR101797768B1 (ko) * 2011-08-31 2017-12-12 라인 가부시키가이샤 사용자 단말에서 취득한 애플리케이션의 사용 정보를 기반으로 한 서비스 시스템 및 그 방법
US9621404B2 (en) * 2011-09-24 2017-04-11 Elwha Llc Behavioral fingerprinting with social networking
US20130097017A1 (en) 2011-10-14 2013-04-18 Subrao Venugopal Shenoy Methods and systems for creating an intelligent online lead generation system connecting retail vendors with home buyers, sellers and renters in real estate transaction and move cycle
US20130138475A1 (en) * 2011-11-30 2013-05-30 G. Austin Allison Systems and methods for transaction-based sales lead generation
CN103327045B (zh) 2012-03-21 2017-03-22 腾讯科技（深圳）有限公司 社交网络中的用户推荐方法和系统
US20130262214A1 (en) * 2012-04-03 2013-10-03 Boon Corporation Decisioning system based on account behavior at individual merchant
WO2013157015A2 (en) * 2012-04-16 2013-10-24 Chunilal Rathod Yogesh A method and system for display dynamic & accessible actions with unique identifiers and activities.
US20130317895A1 (en) * 2012-05-22 2013-11-28 Chris Turner Wireless Mobile Communication System Rewards Royalty System and Method
US10628503B2 (en) 2012-11-27 2020-04-21 Gubagoo, Inc. Systems and methods for online web site lead generation service
US9189798B2 (en) 2012-11-27 2015-11-17 Gubagoo, Inc. Systems and methods for online website lead generation service
US20140278807A1 (en) * 2013-03-15 2014-09-18 Cloudamize, Inc. Cloud service optimization for cost, performance and configuration
CN104111959B (zh) * 2013-04-22 2017-06-20 浙江大学 基于社交网络的服务推荐方法
US20140358638A1 (en) 2013-06-04 2014-12-04 Sap Ag Dynamic intelligent lead identifier
US9489638B2 (en) * 2013-08-02 2016-11-08 Telefonaktiebolaget Lm Ericsson (Publ) Method and apparatus for propagating user preference information in a communications network
CN104378331B (zh) * 2013-08-14 2019-11-29 腾讯科技（北京）有限公司 网络媒介信息的播放及响应处理方法、装置和系统
CN104462385B (zh) * 2014-12-10 2018-07-03 山东科技大学 一种基于用户兴趣模型的电影个性化相似度计算方法
US20160189203A1 (en) 2014-12-27 2016-06-30 Teradata Us, Inc. Automatic and dynamic predictive analytics

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102124466A (zh) * 2008-09-05 2011-07-13 索尼公司 内容推荐系统、内容推荐方法、内容推荐设备、程序以及信息存储介质
CN102103634A (zh) * 2009-12-22 2011-06-22 索尼公司 信息处理设备和方法
CN102737092A (zh) * 2011-03-29 2012-10-17 索尼公司 内容推荐装置、推荐内容搜索方法和程序
CN103678672A (zh) * 2013-12-25 2014-03-26 北京中兴通软件科技股份有限公司 一种信息推荐方法

Also Published As

Publication number Publication date
WO2017087441A1 (en) 2017-05-26
CN106708883A (zh) 2017-05-24
US20170142209A1 (en) 2017-05-18
TW201719532A (zh) 2017-06-01
US10298705B2 (en) 2019-05-21
JP2018537753A (ja) 2018-12-20

Similar Documents

Publication Publication Date Title
CN106708883B (zh) 推荐方法及装置
CN106570008B (zh) 推荐方法及装置
US20180096073A1 (en) Recommendations Based On User Preference And Activities
US11354720B2 (en) Item recommendation techniques
CN105095256B (zh) 基于用户之间相似度进行信息推送的方法及装置
CN105095267B (zh) 一种用于用户参与项目的推荐方法及装置
US20150193685A1 (en) Optimal time to post for maximum social engagement
KR102453535B1 (ko) 온라인 쇼핑 플랫폼을 제공하는 방법 및 장치
Thomas Programming, filtering, adblocking: advertising and media automation
KR102460475B1 (ko) 사용자 데이터 기반 설득 언어를 이용한 콘텐츠 기획 및 제작 방법, 장치 및 시스템
CN108122153A (zh) 电子商务环境下基于云计算处理模式的个性化推荐方法
CN106844402B (zh) 数据处理方法及装置
KR101981612B1 (ko) 인플루언서 마케팅 실행 결과의 분석 서비스 제공 방법
KR102456425B1 (ko) 브랜드 이미지의 카테고리를 기반으로 한 브랜드 이미지 및 인플루언서 매칭 방법, 장치 및 시스템
CN110689402A (zh) 推荐商家的方法、装置、电子设备及可读存储介质
CN106708888B (zh) 推荐方法及装置
US20140101064A1 (en) Systems and Methods for Automated Reprogramming of Displayed Content
US20170147721A1 (en) Generating a model based on input
KR102402551B1 (ko) 인플루언서 검색 서비스 제공방법, 장치 및 컴퓨터프로그램
CN115964520A (zh) 元数据标签识别
KR20200128222A (ko) 인공지능을 이용한 성과 기반 콘텐츠 스타일 추천방법
CN108304407B (zh) 一种进行对象排序的方法和系统
CN111460300B (zh) 网络内容推送方法、装置及存储介质
CN113781171A (zh) 信息推送方法、装置、设备及存储介质
CN112488355A (zh) 基于图神经网络预测用户评级的方法和装置

Legal Events

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