CN106980999A - 一种用户推荐的方法和设备 - Google Patents
一种用户推荐的方法和设备 Download PDFInfo
- Publication number
- CN106980999A CN106980999A CN201610035598.7A CN201610035598A CN106980999A CN 106980999 A CN106980999 A CN 106980999A CN 201610035598 A CN201610035598 A CN 201610035598A CN 106980999 A CN106980999 A CN 106980999A
- Authority
- CN
- China
- Prior art keywords
- buyer
- seller
- user
- characteristic parameter
- equations
- 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]
-
- 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]
- G06Q30/0609—Buyer or seller confidence or verification
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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及计算机网络技术领域，特别涉及一种用户推荐的方法和设备，用以解决现有技术在进行用户推荐时，推荐理由较为单一，推荐结果不够准确的问题。本申请实施例确定第一类用户中的目标用户；从第二类用户中确定与目标用户相关的特定用户；确定每个特定用户的特征参数，将确定的每个特定用户的特征参数进行整合处理，并将处理后的每个特定用户的特征参数输入到信任模型中；获取信任模型输出的为所述目标用户推荐的特定用户。由于本申请实施例在为目标用户推荐第二类用户时，采用基于信任特征的推荐方法，为目标用户进行准确推荐。
Description
技术领域
本申请涉及计算机网络技术领域，特别涉及一种用户推荐的方法和设备。
背景技术
随着互联网技术的发展，越来越多的用户通过第三方电子交易平台进行交易。为了进一步为买卖双方用户提供更为优质的服务，交易平台在实现基本功能的基础上也在不断地完善其自身的功能。
在用户通过第三方电子交易平台进行交易时，尤其在B类电子商务场景中，用户往往希望能够在众多的交易对象中，快速发现更加符合用户要求的交易对象。为了更加方便用户通过第三方电子交易平台进行交易，现有技术是在用户浏览网页时，根据用户的历史行为记录为用户推荐交易对象。例如，在用户为买家时，为买家推荐卖家的方法如图1所示，首先，在第三方电子交易平台的众多的卖中获取买家曾经有过行为的卖家，根据买家不同行为的权重对获取的卖家进行排序，排序结果如：A、B、……、M；然后确定与获取的每个卖家相似的其它卖家，经过协同过滤算法计算出卖家之间的相似度，如与卖家A相似的卖家按照相似度从高到低排序为：A1、A2、……、An；从而根据上述方法得到为买家推荐的卖家的推荐排序为A1、A2、……、An、B1、B2……
但是，现有技术中根据买家和卖家之间的行为强度，以及买家之间的相似度进行推荐的方法，推荐的理由较为单一；并且现有的推荐方法没有考虑B类电商环境中用户更为注重的推荐因素，使得目前仅仅根据行为强度和相似度进行推荐，推荐结果不够准确。
综上所述，目前在进行用户推荐时，推荐理由较为单一，推荐结果不够准确。
发明内容
本申请提供一种用户推荐的方法和设备，用以解决现有技术在进行用户推荐时，推荐理由较为单一，推荐结果不够准确的问题。
基于上述问题，本申请实施例提供一种用户推荐的方法，包括：
确定第一类用户中的目标用户；
从第二类用户中确定与所述目标用户相关的特定用户；
确定每个特定用户的特征参数，其中所述特征参数包括用于表征用户信用度的信任特征参数和用于表征与其它同类用户相似信息的信任扩展特征参数中的至少一者；
将确定的每个特定用户的特征参数进行整合处理，并将处理后的每个特定用户的特征参数输入到信任模型中；
获取所述信任模型输出的为所述目标用户推荐的特定用户。
由于本申请实施例在为目标用户推荐第二类用户时，需要首先确定第二类用户中与目标用户相关的特定用户，基于选定的特定用户，确定每个特定用户的信任特征参数和信任扩展特征参数中的至少一者，并将每个特定用户的特征参数通过信任模型，从而确定为目标用户推荐的特定用户。本申请实施例在为目标用户推荐第二类用户时，采用基于信任特征的推荐方法，为目标用户进行准确推荐。
可选的，所述特征参数还包括用于表征用户行为的行为特征参数。
由于本申请实施例在进行用户推荐时，选用的用户的特征参数还包括行为特征参数，将行为特征参数和信任特征参数结合，从而更加准确的为用户进行推荐。
可选的，根据下列方式获得所述信任模型：
确定第一类用户和第二类用户之间的历史行为数据，以及确定每个第一类用户和每个第二类用户的所述特征参数；
将所述历史行为数据和所述特征参数进行整合处理，并将处理后的所述历史行为数据和特征参数输入到初始信任模型中进行训练；
保存训练后的所述初始信任模型作为所述信任模型。
由于本申请实施例根据第一类用户和第二类用户之间的历史行为数据，以及每个用户的特征参数，对初始信任模型进行训练，得到信任模型，以使在推荐过程中利用信任模型进行用户推荐。
可选的，所述第一类用户为卖家，所述第二类用户为买家；
所述第一类用户为买家，所述第二类用户为卖家。
由于本申请实施例既可以为买家推荐卖家，又可以为卖家推荐买家，从而本申请实施例的用户推荐的方法更加灵活。
可选的，从所有第二类用户中确定与所述目标用户相关的所有特定用户，包括：
若所述第一类用户为卖家，从所有第二类用户中，确定第二类用户的偏好类目与所述目标用户的主营类目有交集的第二类用户作为特定用户；
若所述第一类用户为买家，从所有第二类用户中，确定第二类用户的主营类目与所述目标用户的偏好类目有交集的第二类用户作为特定用户。
由于本申请实施例根据买家的偏好类目和卖家的主营类目确定特定用户，大大提升了召回的特定用户的数量，从而更加准确地为目标用户进行推荐。
可选的，所述将确定的每个特定用户的特征参数进行整合处理，包括：
根据所述信任模型的元素，将所述特定用户的特征参数整合处理为与所述元素同类型的特征参数；
所述将所述历史行为数据和所述特征参数进行整合处理，包括：
根据所述初始信任模型的元素，将所述历史行为数据整合处理为与所述元素同类型的历史行为数据，以及将所述特征参数整合处理为与所述元素同类型的特征参数。
由于本申请实施例在将特征参数输入信任模型之前，以及将历史行为数据和特征参数输入初始信任模型之前，需要根据模型的元素对特征参数、历史行为数据进行整合处理，以使信任模型和初始信任模型准确识别特征参数和历史行为数据，从而保证了推荐的准确性。
可选的，所述信任模型为LambdaMART信任模型；
所述初始信任模型为LambdaMART初始信任模型。
由于本申请实施例采用LambdaMART信任模型作为信任模型，采用LambdaMART初始信任模型作为初始信任模型，从而使得用户推荐的方法更为准确。
另一方面，本申请实施例还提供一种用户推荐的设备，包括：
第一确定模块，用于确定第一类用户中的目标用户；
第二确定模块，用于从第二类用户中确定与所述目标用户相关的特定用户；
第三确定模块，用于确定每个特定用户的特征参数，其中所述特征参数包括用于表征用户信用度的信任特征参数和用于表征与其它同类用户相似信息的信任扩展特征参数中的至少一者；
处理模块，用于将确定的每个特定用户的特征参数进行整合处理，并将处理后的每个特定用户的特征参数输入到信任模型中；
获取模块，用于获取所述信任模型输出的为所述目标用户推荐的特定用户。
可选的，所述特征参数还包括用于表征用户行为的行为特征参数。
可选的，所述处理模块，还用于：
确定第一类用户和第二类用户之间的历史行为数据，以及确定每个第一类用户和每个第二类用户的所述特征参数；将所述历史行为数据和所述特征参数进行整合处理，并将处理后的所述历史行为数据和特征参数输入到初始信任模型中进行训练；保存训练后的所述初始信任模型作为所述信任模型。
可选的，所述第一类用户为卖家，所述第二类用户为买家；所述第一类用户为买家，所述第二类用户为卖家。
可选的，所述第二确定模块，具体用于：
若所述第一类用户为卖家，从所有第二类用户中，确定第二类用户的偏好类目与所述目标用户的主营类目有交集的第二类用户作为特定用户；若所述第一类用户为买家，从所有第二类用户中，确定第二类用户的主营类目与所述目标用户的偏好类目有交集的第二类用户作为特定用户。
可选的，所述处理模块，具体用于：
根据所述信任模型的元素，将所述特定用户的特征参数整合处理为与所述元素同类型的特征参数；根据所述初始信任模型的元素，将所述历史行为数据整合处理为与所述元素同类型的历史行为数据，以及将所述特征参数整合处理为与所述元素同类型的特征参数。
可选的，所述信任模型为LambdaMART信任模型；所述初始信任模型为LambdaMART初始信任模型。
附图说明
图1为背景技术中为买家推荐卖家的方法；
图2为本申请实施例用户推荐的方法的流程图；
图3为本申请实施例获得信任模型的方法的流程图；
图4为本申请实施例为买家推荐卖家的方法的流程图；
图5为本申请实施例为卖家推荐买家的方法的流程图；
图6为本申请实施例用户推荐的设备的结构示意图。
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。
本申请实施例确定第一类用户中的目标用户；从第二类用户中确定与所述目标用户相关的特定用户；确定每个特定用户的特征参数，其中所述特征参数包括用于表征用户信用度的信任特征参数和用于表征与其它同类用户相似信息的信任扩展特征参数中的至少一者；将确定的每个特定用户的特征参数进行整合处理，并将处理后的每个特定用户的特征参数输入到信任模型中；获取所述信任模型输出的为所述目标用户推荐的特定用户。
由于本申请实施例在为目标用户推荐第二类用户时，需要首先确定第二类用户中与目标用户相关的特定用户，基于选定的特定用户，确定每个特定用户的信任特征参数和信任扩展特征参数中的至少一者，并将每个特定用户的特征参数通过信任模型，从而确定为目标用户推荐的特定用户。本申请实施例在为目标用户推荐第二类用户时，采用基于信任特征的推荐方法，为目标用户进行准确推荐。
本申请实施例的信任模型可以为LambdaMART(Multiple Additive Regression Tree，多重加法回归树)信任模型，并且LambdaMART信任模型又可以称为λMART信任模型。本申请实施例的信任模型为有监督的机器学习信任模型，比如，GBDT(Gradient Boosting DecisionTree，迭代决策树)信任模型，逻辑回归信任模型，支持向量机信任模型。
下面结合说明书附图对本申请实施例作进一步详细描述。
如图2所示，本申请实施例一种用户推荐的方法，包括：
步骤201、确定第一类用户中的目标用户；
步骤202、从第二类用户中确定与所述目标用户相关的特定用户；
步骤203、确定每个特定用户的特征参数，其中所述特征参数包括用于表征用户信用度的信任特征参数和用于表征与其它用户相似信息的信任扩展特征参数中的至少一者；
步骤204、将确定的每个特定用户的特征参数进行整合处理，并将处理后的每个特定用户的特征参数输入到信任模型中；
步骤205、获取所述信任模型输出的为所述目标用户推荐的特定用户。
本申请实施例的第一类用户可以为买家，也可以为卖家。在第一类用户为买家时，第二类用户为卖家；在第一类用户为卖家时，第二类用户为买家。
可选的，本申请实施例的特征参数还包括用于表征用户行为的行为特征参数。
本申请实施例的特征参数包括信任特征参数、行为特征参数和信任扩展特征参数，其中特征参数包括买家的特征参数和卖家的特征参数。
下面针对不同类型的特征参数分别进行说明。
一、买家的特征参数。
买家的特征参数包括买家信任特征参数、买家行为特征参数和买家的信任扩展特征参数。
其中，买家信任特征参数是卖家最为关心的，有关买家信用度的特征参数；买家行为特征参数是有关买家在网站上的历史行为的特征参数；买家的信任扩展特征参数是表示买卖家之间相似关系的扩展特征参数。
下面针对买家的特征参数进行说明。
A、买家信任特征参数。
其中，买家信任特征参数具体包括但不限于关于下列内容的特征参数：
1、买家被黑名单的次数。
本申请实施例在整理买家信任特征参数时，从网络侧的记录中确定买家被黑名单的次数，并将买家对应的被黑名单次数整理在买家信任特征参数中。例如，对于买家A，从网络侧的记录中确定买家A被黑名单的次数为5次，则买家A的买家信任特征参数中包括“黑名单5次”。
2、买家在网站的价值。
本申请实施例在整理买家信任特征参数时，根据网络侧记录的买家的历史行为数据，获取该买家在网站历史消费记录。可以根据该买家在网站历史消费的总金额，对买家在网站的价值进行评估。例如，历史消费的总金额大于20000元的买家，为网站高价值用户；历史消费的总金额在5000-10000元之间的买家，为网站中价值用户；历史消费的总金额小于5000元的买家，为网站低价值用户。
还可以根据买家在网站购买的商品类型，对买家在网站的价值进行评估。具体商品类型可以分为奢侈品、中档商品和低价商品，其中，奢侈品可以定义为单个商品价格高于3000元；中档商品定义为单个商品价格在500-3000元之间；低价商品定义为单个商品价格低于500元。若买家购买的商品中，奢侈品所占比重最大，则该买家为网站高价值用户；若买家购买的商品中，中档商品所占比重最大，则该买家为网站中价值用户；若买家购买的商品中，低价商品所占比重最大，则该买家为网站低价值用户。
3、申请退款的次数。
本申请实施例在整理买家信任特征参数时，从网络侧的记录中获取该买家通过网站的历史购物信息，从历史购物信息中确定该买家申请退款的次数，并将该买家申请退款的次数整理成为买家信任特征参数。例如，针对买家B，根据买家B在网站的历史记录，确定买家B申请退款的次数为3次，则将“申请退款3次”作为买家B的信任特征参数。
4、买家的贸易类型。
本申请实施例在整理买家信任特征参数时，需要确定买家的贸易类型。其中卖家的贸易类型包括但不限于：个人买家、综合类经销商、小商贩。并且可以采用下列方式确定买家的贸易类型。
1)根据买家填写的用户资料确定买家的贸易类型。
本申请实施例的买家在网站上对应有买家的个人信息，并且该个人信息为用户填写的，在买家的个人信息中包括买家的贸易类型。在需要确定买家的贸易类型时，可以从买家填写的买家的个人资料中获取，从而确定买家的贸易类型。
例如，在买家A的用户资料中，买家填写的买家的贸易类型为个人买家，则在需要确定买家A的贸易类型时，获取买家A的用户资料，从用户资料中读取买家A的贸易类型为个人买家。
2)根据卖家对买家贸易类型的认定，确定买家的贸易类型。
本申请实施例在确定买家的贸易类型时，还可以根据卖家对买家贸易类型的认定。其中，卖家是指与买家有过历史行为的卖家，并且还需要根据多个卖家的认定，若多数卖家认为该买家为相同的贸易类型，则根据可以根据卖家的认定，确定买家的贸易类型。
例如，在确定买家C的贸易类型时，根据买家C与购买过的多个卖家之间的历史行为记录，获取多个卖家对买家C的贸易类型的认定，若多数卖家都认为买家C的贸易类型为综合经销商，则确定买家C的贸易类性为综合经销商。
3)根据买家的历史行为数据，确定买家的贸易类型。
本申请实施例在确定买家的贸易类型时，还可以根据买家的历史行为记录，确定买家的贸易类型。具体的，根据买家在网站购买的商品类型，每次购买的商品数量，同一类型商品购买的数量，以及购买商品的频率等信息确定买家的贸易类型。若买家只购买同一类型的商品，并且每次购买多数量同一类型的商品，购买的频率较高，并呈现一定周期性，则可以确定该买家为小商贩；若买家购买的商品类型比较广泛，并且每次购买数量很少，购买的时间比较随机，则可以确定该买家为个人买家；若买家购买的商品类型广泛，并且每一商品类型每次购买的数量较多，而且购买的频率较高，呈现一定周期性，则可以确定该买家为综合经销商。
例如，在确定买家B的贸易类型时，通过获取买家B的历史行为数据，确定买家B只购买女装，并且平均两周购买一次，每次购买的100件，平均每款女装购买5件，则通过上述数据，能够确定买家B为小商贩。
又比如，在确定买家C的贸易类型时，通过获取买家C的历史行为数据，确定买家C购买的商品类型包括：香烟、酒水、副食、服装和鞋子，并且针对每一类型的商品，每次购买的数量较多，而且，平均10天购买一次，则通过上述数据，能够确定买家C为综合经销商。
需要说明的是，本申请实施例给出的买家信任特征参数只是对本申请实施例买家信任特征参数的举例说明，本申请实施例想要保护的买家信任特征参数并不限于上述举例说明，任何能够体现买家信用度的特征参数均可作为本申请实施例的买家信任特征参数，均适用于本申请。
B、买家行为特征参数。
本申请实施例买家的特征参数还包括买家行为特征参数。买家的行为特征参数是根据买家在网站上的历史行为数据确定的。
具体的，买家行为特征参数具体包括但不限于下列内容的特征参数：
1、买家的活跃度。
本申请实施例将买家的活跃度分为高活跃度、中活跃度和低活跃度，在确定买家的活跃度时，根据下面的部分或全部特征进行确定。
特征一、买家在网站购买的频率。
本申请实施例在确定买家在网站购买的频率时，需要获取买家在网站的历史行为数据，统计出买家在网站购买的频率。买家在为网站购买的频率可以分为高频率购买、中频率购买和低频率购买。在确定买家在网站购买的频率时，以购买间隔的平均时间为界限进行划分。比如，在确定买家平均低于5天购买一次，则确定该买家为高频率购买的买家；在确定买家平均5-20天购买一次，则确定该买家为中频率购买的买家；在确定买家平均高于20天购买一次，则确定该买家为低频率购买的买家。
例如，在根据上述方式划分买家在网站购买的频率时，若在需要确定买家A在网站购买的频率时，获取买家A在网站的历史行为数据，根据买家A的历史行为数据确定买家A在网站购买的频率，若确定买家A平均10天在网站购买一次，则确定买家A为中频率购买的买家。
特征二、买家登录网站的频率。
本申请实施例在确定买家登录网站的频率时，统计出买家每天登录网站的记录。在确定买家登录网站的频率时，可以采用下列方式计算买家登录网站的频率值。
获取最近30一天内买家登录网站的情况，一天有登录网站则记为“1”，统计最近30内“1”的个数，将30与统计出的“1”的个数的商作为买家登录网站的频率值。根据计算得到的买家登录网站的频率值大小，可以将买家登录网站的频率分为高频率登录、中频率登录和低频率登录。比如，若频率值小于2，则确定买家登录网站的频率为高频率登录；若频率值在2与10之间，则确定买家登录网站的频率为中频率登录；若频率值大于10，则确定买家登录网站的频率为低频率登录。
例如，在根据上述方式划分买家登录网站的频率的方式，若在需要确定买家A登录网站的频率时，统计出买家A每天登录网站的记录，若确定买家A最近30天中有20天登录过网站，则计算得到买家A的登录频率值为1.5，则确定买家A登录网站的频率为高频率登录。
特征三、买家历史购买的次数。
本申请实施例在确定买家历史购买的次数时，需要获取买家在网站的历史行为数据，根据买家在网站的历史行为数据，得到买家历史购买次数。例如，对于买家A，获取买家A在网站的历史行为数据，确定买家A在网站总共购买次数为50次，则买家A对应的买家历史购买的次数的特征为“购买50次”。
特征四、买家评价的次数。
本申请实施例在确定买家评价的次数时，需要获取买家在网站的历史行为数据，根据买家在网站的历史行为数据，得到买家评价的次数。其中，买家评价为，买家在网站上购物后，在根据在购买过程中的用户体验，以及购买到商品的情况，买家对卖家给出的评价。
例如，对于买家A，获取买家A在网站的历史行为数据，确定买家A在网站对卖家进行评价的次数为20次，则买家A对应的买家评价的次数的特征为“评价20次”。
本申请实施例根据上述的部分或全部特征，综合评价买家的活跃度。若根据上述多个特征进行评价买家活跃度时，可以现有的小型算法进行评价买家活跃度，例如可以采用将每一个特征赋权值的方式，根据买家每一特征情况，以及对每一特征设置的权值，综合确定买家的活跃度。
需要说明的是，上述给出的关于确定买家活跃度的买家特征只是本申请实施例的举例说明，本申请实施例确定买家活跃度时选用的特征不限于上述举例，任何能够确定买家活跃度的特征都适用于本申请。
本申请实施例给出的根据上述部分或全部特征进行确定买家活跃度的方式只是本申请实施例的举例说明，本申请实施例根据买家特征确定买家活跃度的方式并不限于上述举例说明，任何能够实现根据买家特征确定买家活跃度的方法均适用于本申请。
2、买家购买的行业个数。
本申请实施例将买家购买的行业个数作为买家行为特征参数。其中，买家购买的行业个数，是根据买家历史购买的商品或者卖家的商品类型确定的。具体的，行业可以包括：服装、鞋子、副食、家电、电子产品和日用品等。
本申请实施例在确定买家购买的行业个数时，根据买家历史购买的商品所属的行业，确定买家购买的行业个数。例如，买家B历史购买的商品所属的行业分别为电子产品、服装和鞋子，则买家B购买的行业个数为3，则将买家B对应的买家购买的行业个数特征为“跨行业3”。
3、买家关注和被关注的用户数量。
本申请实施例将买家关注的用户数量作为买家行为特征参数，其中买家关注的用户数量为，买家关注的卖家的数量。买家关注的卖家数量越多，说明买家兴趣比较广泛，比较容易成为卖家的潜在客户，因此将买家关注的用户数量作为一个买家行为特征参数。具体的，在确定买家关注的用户数量时，通过访问买家的个人主页，能够获取到买家关注的用户数量。
比如，在确定买家A关注的用户数量时，通过访问买家A的个人主页，根据买家A的个人信息，确定买家A关注的用户数量为30，则买家A关注的用户数量的特征为“关注30”。
本申请实施例将买家被关注的用户数量作为买家行为特征参数，其中买家被关注的用户数量为，关注该买家的卖家的数量，以及关注该买家的其它买家数量。关注该买家的卖家数量越多，说明该买家兴趣比较广泛，消费能力较强，比较容易成为卖家的潜在客户；并且关注该买家的其它买家越多，卖家可以通过该买家获得更多的潜在客户。因此将买家被关注的用户数量作为一个买家行为特征参数。具体的，在确定买家被关注的用户数量时，也可以是通过访问买家的个人主页，能够获取到买家被关注的用户数量。
比如，在确定买家A被关注的用户数量时，通过访问买家A的个人主页，根据买家A的个人信息，确定买家A被100个用户关注，则买家A被关注的用户数量的特征为“被关注100”。
需要说明的是，本申请实施例给出的买家行为特征参数只是对本申请实施例买家行为特征参数的举例说明，本申请实施例想要保护的买家行为特征参数并不限于上述举例说明，任何能够体现买家历史行为的特征参数均可作为本申请实施例的买家行为特征参数，均适用于本申请。
本申请实施例在确定买家的信任特征参数和行为特征参数后，根据确定的买家信任特征参数和买家行为特征参数，生成买家的用户标签。在为卖家推荐买家时，将每一个买家的用户标签呈现给卖家。
C、买家的信任扩展特征参数。
其中，买家的信任扩展特征参数中包括与该买家相似的卖家，以及与该买家相似的其它买家。
本申请实施例根据买卖家的信任相似扩展特征和行为相似扩展特征，确定买家的信任扩展特征参数。
a、根据买卖家的信任相似扩展特征，确定买家的信任扩展特征参数。
其中，买卖家的信任相似扩展特征为根据买家的信任特征参数，以及网站上各个卖家的信任特征参数，确定与该买家具有相似关系的卖家。
根据该买家的信任特征参数，以及网站上其它买家的信任特征参数，确定与该买家相似的其它买家。
例如，假设买家的信任特征参数包括黑名单次数、买家的贸易类型、买家的活跃度和买家跨行业个数。假设买家A信任特征参数为：黑名单0次、个人买家、高活跃度和跨行业3个。在根据买卖家的信任相似扩展特征，确定买家A的信任相似扩展特征时，确定其他买家中，买家B信任特征参数为：黑名单0次、个人买家、高活跃度和跨行业2个，买家B与买家A的相似度最高，则确定与买家A相似的其它买家为买家B。在根据买卖家的信任相似扩展特征，确定买家A的信任相似扩展特征时，确定卖家中，卖家F的信任特征参数为：黑名单0次、高活跃度、卖家经营类目的数量为3和好评度为98％，卖家F与买家A的相似度最高，则确定与买家A相似的卖家为卖家F。
又比如，根据买家B的信任特征参数和行为特征参数沉淀下的关于买家B的用户标签包括淑女装，而根据买家C的信任特征参数和行为特征参数沉淀下的关于买家C的用户标签中也包括淑女装，则可以确定与买家B相似的其它买家为买家C；而根据卖家G的信任特征参数和行为特征参数沉淀下来的卖家G的用户标签中包括卖家G主营的服装类型为淑女装，则可以确定与买家B相似的卖家为卖家G。
具体该买家与网站上各个卖家的相似度可以采用协同过滤算法计算得到，而协同过滤算法为现有算法，具体计算过程在此不再赘述。
b、根据买卖家的行为相似扩展特征，确定买家的信任扩展特征参数。
本申请实施例买卖家的行为相似扩展特征是根据网络侧记录该买家的行为特征参数，确定网站上的卖家与其它买家认为的与该买家相似的其它买家。
例如，对于买家B，根据买家B的行为特征参数，多数卖家和其它买家认为买家B与买家C相似，则确定与买家B相似的其它买家为买家C。
二、卖家的特征参数。
卖家的特征参数包括卖家信任特征参数、卖家行为特征参数和卖家的信任扩展特征参数。
其中，卖家信任特征参数是买家最为关心的，有关卖家信用度的特征；卖家行为特征参数是有关卖家在网站上的历史行为的特征参数；卖家的信任扩展特征参数是表示买卖家之间相似关系的扩展特征参数。
下面针对卖家的特征参数进行说明。
A、卖家信任特征参数。
其中，卖家信任特征参数具体包括但不限于关于下列内容的特征参数：
1、卖家被黑名单的次数。
本申请实施例在整理卖家信任特征参数时，从网络侧的历史记录中确定卖家被黑名单的次数，并将卖家对应的被黑名单的次数作为卖家信任特征参数。例如，对于卖家E，从网络侧的记录中确定卖家E被黑名单的次数为10次，则卖家E的卖家信任特征参数中包括“黑名单10次”。
2、卖家的信用分值。
本申请实施例在整理卖家信任特征参数时，从网络侧获取该卖家的相关信息，从该卖家的相关信息中确定卖家的信用分值，将确定的卖家的信用分值作为卖家信任特征参数。例如，在确定卖家E的信用分值时，直接从网络侧获取记录的卖家E的相关信息，从获取到的卖家E的相关信息中确定卖家E的信用分值为80(以百分制为例)，则卖家E的卖家信任特征参数中包括“信用分值80”。
其中，本申请实施例卖家的信用分值是根据下列方式得到的。
本申请实施例卖家的信用分值为与该卖家有过历史行为的买家，对该卖家有关信用方面的评价。具体的，可以是与卖家有过交易的买家，在交易完成后，买家根据该次交易过程，以及购买到的商品质量，对该卖家的信用作出相应的评价，将买家的评价以分值的方式体现出来。根据与卖家有过行为的所有买家作出的评价，网络侧综合计算确定出卖家的信用分值。
例如，在确定卖家E的信用分值时，确定与卖家E有过交易并对卖家E的信用作出评价的所有买家，比如对卖家E的信用作出评价的买家有买家A、买家B和买家C。在买家A与卖家E的交易完成后，买家A针对卖家E的信用作出的评价为四颗星(最高五颗星)，以百分制为标准，确定买家A对卖家E的信用给出的评分为80分；在买家B与卖家E的交易完成后，买家B针对卖家E的信用作出的评价为五颗星，确定买家B对卖家E的信用给出的评分为100分；在买家C与卖家E的交易完成后，买家C针对卖家E的信用作出的评价为三颗星，确定买家C对卖家E的信用给出的评分为60分；综合买家A、买家B和买家C对卖家A作出的评分，计算得到对卖家E的平均评分为80分，则确定卖家E的信用分值为80分。
3、卖家的贸易能力。
本申请实施例将卖家的贸易能力分为贸易能力强、贸易能力中和贸易能力弱三个等级。在整理卖家信任特征参数时，获取网络侧记录的该卖家对应的贸易能力，将从网络侧获取的卖家对应的卖家的贸易能力作为卖家信任特征参数。例如，在确定卖家F的贸易能力时，获取网络侧记录的卖家F的相关信息，从卖家F的相关信息中获取网络侧记录的卖家F的贸易能力。
本申请实施例可以根据卖家的历史月均销量，确定卖家的贸易能力。比如，可以规定月均销量大于10000笔时，确定卖家的贸易能力为贸易能力强；规定月均销量在5000笔与10000笔之间时，确定卖家的贸易能力为中；规定月均销量小于5000笔时，确定卖家的贸易能力为贸易能力弱。
例如，采用上述的月均销量划分卖家的贸易能力的方式。在确定卖家F的贸易能力时，首先获取卖家F的月均销量，若卖家F的月均销量为8000笔，则根据上述的划分方式，确定卖家F的贸易能力为贸易能力中。
4、卖家获得的好评度。
本申请实施例卖家获得的好评度以百分比的形式体现。例如，卖家获得的好评度可以为95％。在确定卖家获得的好评度时，从网络侧获取该卖家对应的信息，从获取的卖家信息中确定记录的卖家获得的好评度，将获取到的网络侧记录的该卖家获得的好评度作为卖家信任特征参数。
本申请实施例网络侧在确定卖家的好评度时，首先确定出买家对该卖家进行评价的总数，并确定总的评价中好评的个数，将好评的个数与评价总数的比值，作为卖家获得的好评度。
例如，针对卖家F，网络侧记录的对于卖家F总的评价个数为1000，其中，好评个数为980，则确定卖家F获得的好评度为98％。
5、关注卖家的用户数量。
本申请实施卖家的个人信息中包括关注卖家的用户数量，在需要确定关注卖家的用户数量时，只需要读取卖家的个人信息，从卖家的个人信息中获取关注卖家的用户数量。其中，关注卖家的用户数量还可以称为卖家的粉丝数量。
例如，在确定关注卖家E的用户数量时，读取卖家E对应的网络侧记录的卖家E的个人信息，卖家E的个人信息中包括卖家E的粉丝数量为1000，则关注卖家E的用户数量为1000。
需要说明的是，本申请实施例给出的卖家信任特征参数只是对本申请实施例卖家信任特征参数的举例说明，本申请实施例想要保护的卖家信任特征参数并不限于上述举例说明，任何能够体现卖家信用度的特征均可作为本申请实施例的卖家信任特征参数，均适用于本申请。
B、买家行为特征参数。
本申请实施例卖家的特征参数还包括卖家行为特征参数。卖家行为特征参数是根据卖家在网站上的历史行为数据确定的。
具体的，卖家行为特征参数具体包括但不限于下列内容的特征：
1、卖家的活跃度。
本申请实施例将卖家的活跃度分为高活跃度、中活跃度和低活跃度，在确定卖家的活跃度时，根据下面的部分或全部特征进行确定。
特征一、卖家经营类目的数量。
本申请实施例在确定卖家经营类目的数量时，获取卖家在网站上经营的商品类型，确定卖家经营的所有的商品类目，从而确定卖家经营类目的数量。例如，对于卖家G，根据卖家G经营的所有商品，确定卖家G经营的所有商品所属的类目分别为服装、鞋子和厨具，则确定卖家G经营类目的数量为3。
特征二、卖家商品上新的频率。
本申请实施例将卖家商品上新频率划分为高频率、中频率和低频率。
具体的，可以根据下列方式对卖家商品上新的频率进行划分。
本申请实施例确定卖家两次上新的平均间隔时长，若卖家上新的平均间隔时长小于5天，则确定该卖家商品上新频率为高频率；若卖家上新的平均间隔时长大于5天，并且小于15天，则确定该卖家商品上新频率为中频率；若卖家上新的平均间隔时长大于15天，则确定该卖家商品上新频率为低频率。
特征三、卖家促销的频率。
本申请实施例将卖家促销的频率划分为高频率、中频率和低频率。
具体的，可以根据下列方式对卖家促销的频率进行划分。
本申请实施例确定卖家两次促销的平均间隔时长，若卖家促销的平均间隔时长小于10天，则确定该卖家促销的频率为高频率；若卖家促销的平均间隔时长大于10天，并且小于20天，则确定该卖家促销的频率为中频率；若卖家促销的平均间隔时长大于20天，则确定该卖家促销的频率为低频率。
需要说明的是，上述给出的关于确定卖家活跃度的卖家特征只是本申请实施例的举例说明，本申请实施例确定卖家活跃度时选用的特征不限于上述举例，任何能够确定卖家活跃度的特征都适用于本申请。
本申请实施例根据部分表征卖家行为的特征参数，可以采用下列方式确定卖家的活跃度。
比如，选用卖家经营类目的数量、卖家商品上新的频率和卖家促销的频率，作为评价卖家活跃度的标准。其中，卖家经营类目的数量采用数值标记，卖家商品上新的频率分为高频率、中频率、低频率，卖家促销的频率分为高频率、中频率、低频率。
下面根据这三个评价标准确定卖家的活跃度。
本申请实施例在根据这三个评价标准确定卖家活跃度时，将采用小型算法计算卖家针对每个评价标准的得分，并将根据三个评价标准所得分数相加，将根据相加得到的综合分值确定卖家活跃度。
其中，针对卖家经营类目的数量这一特征，采用如表1所示的计算方法。
表1
| 卖家经营类目的数量 | 对应的单个类目分值 | 得分计算规则 |
| A | 1 | 1*A |
针对卖家商品上新的频率，采用如表2所示的方法确定分值。
表2
| 卖家商品上新的频率 | 对应分值 |
| 高频率 | 3 |
| 中频率 | 2 |
| 低频率 | 1 |
针对卖家促销的频率，采用如表3所示的方法确定分值。
表3
| 卖家促销的频率 | 对应分值 |
| 高频率 | 3 |
| 中频率 | 2 |
| 低频率 | 1 |
在确定卖家活跃度时，将上述三个评价标准得到的分值相加，根据综合分值确定卖家的活跃度。其中卖家的活跃度分为高活跃度、中活跃度和低活跃度。比如，在确定卖家的活跃综合得分大于10分时，确定卖家的活跃度为高活跃度；在确定卖家的活跃综合得分小于10分，并大于5分时，确定卖家的活跃度为中活跃度；在确定卖家的活跃综合得分小于5分时，确定卖家的活跃度为低活跃度。
例如，在确定卖家F的活跃度时，确定卖家F经营类目的数量为2，则根据卖家经营类目的数量这一评价标准，计算得到卖家F的得分为2；卖家商品上新的频率为高频率，则确定卖家F根据卖家商品上新的频率这一评价标准得分为3分；卖家促销的频率为低频率，则确定卖家F根据卖家促销的频率这一评价标准得分为1分；则综合上述三个得分，确定卖家F活跃综合得分为6，从而确定卖家F的活跃度为中活跃度。
需要说明的是，本申请实施例给出的根据上述部分或全部特征进行确定卖家活跃度的方式只是本申请实施例的举例说明，本申请实施例根据卖家特征确定卖家活跃度的方式并不限于上述举例说明，任何能够实现根据卖家特征确定卖家活跃度的方法均适用于本申请。
2、卖家发货速度。
本申请实施例将卖家发货速度划分为高速和慢速。
本申请实施例根据在确定卖家的发货速度时，需要从网络侧获取有关卖家的历史行为数据，确定卖家在买家提交订单后平均发货的时长，根据卖家在买家提交订单后平均发货的时长，确定卖家的发货速度。
具体可以根据下列方式确定卖家的发货速度。
若确定卖家在买家提交订单后平均发货的时长小于两天(48小时)，则确定该卖家发货速度为高速；若确定卖家在买家提交订单后平均发货的时长大于两天(48小时)，则确定该卖家发货速度为慢速。
3、卖家经营的时长。
本申请实施例卖家经营的时长可以以年为单位进行统计。例如，卖家经营的时长可以为两年、或者三年。
本申请实施例在确定卖家经营的时长时，可以根据卖家开始经营的时间，计算得到卖家经营的时长；在卖家有记录自身的经营时长时，还可以直接从网络侧获取卖家的经营时长。
例如，卖家G为天猫的卖家，在获取卖家G经营的时长时，确定卖家G在网站上记录了自身经营的时长，比如，卖家G记录“入住天猫十周年”，则可以根据卖家G在网站的记录，确定卖家G经营的时长为10年。
需要说明的是，本申请实施例给出的卖家行为特征参数只是对本申请实施例卖家行为特征参数的举例说明，本申请实施例想要保护的卖家行为特征参数并不限于上述举例说明，任何能够体现卖家历史行为的特征均可作为本申请实施例的卖家行为特征参数，均适用于本申请。
本申请实施例在确定卖家的信任特征参数和行为特征参数后，根据确定的卖家信任特征参数和卖家行为特征参数，生成卖家的用户标签。在为买家推荐卖家时，将每一个卖家的用户标签呈现给买家。
C、卖家的信任扩展特征参数。
其中，卖家的信任扩展特征参数中包括与该卖家相似的买家，以及与该卖家相似的其它卖家。
本申请实施例根据买卖家的信任相似扩展特征和行为相似扩展特征，确定卖家的信任扩展特征参数。
a、根据买卖家的信任相似扩展特征，确定卖家的信任扩展特征参数。
其中，买卖家的信任相似扩展特征为根据卖家的信任特征参数，以及网站上各个买家的信任特征参数，确定与该卖家具有相似关系的买家。
根据该卖家的信任特征参数，以及网站上其它卖家的信任特征参数，确定与该卖家相似的其它卖家。
比如，卖家H作为一家主营淑女装的卖家，其根据信任特征参数和行为特征参数沉淀下的用户标签包括淑女装，在确定与卖家H具有相似关系的买家时，根据买家的信任特征参数，确定喜欢淑女装的买家，例如买家A喜欢淑女装，则确定买家A为与卖家H相似的买家。在确定与卖家H具有相似关系的其它卖家时，根据网站上其它卖家的信任特征参数，确定主营淑女装的其它卖家，假设确定卖家F主营淑女装，则确定与卖家H相似的其它卖家为卖家F。
具体该买家与网站上各个卖家的相似度可以采用协同过滤算法计算得到，而协同过滤算法为现有算法，具体计算过程在此不再赘述。
b、根据买卖家的行为相似扩展特征，确定卖家的信任扩展特征参数。
本申请实施例买卖家的行为相似扩展特征是根据网络侧记录该卖家的历史行为数据，确定网站上的买家认为的与该卖家相似的其它卖家。
例如，卖家G作为一家主营休闲服饰的卖家，根据卖家G的历史行为数据，可以是售卖对象、销售服饰的类别当信息，网站上的其它买家认为卖家F与卖家G相似，则确定与卖家G相似的卖家为卖家F。
本申请实施例在确定用户的特征参数后，将用户的特征参数输入信任模型，将信任模型输出的特定用户作为为目标用户推荐的用户。
具体的，如图3所示，本申请实施例获得信任模型的方法。
步骤301、确定第一类用户和第二类用户之间的历史行为数据，以及确定每个第一类用户和每个第二类用户的所述特征参数；
步骤302、将所述历史行为数据和所述特征参数进行整合处理，并将处理后的所述历史行为数据和特征参数输入到初始信任模型中进行训练；
步骤303、保存训练后的所述初始信任模型作为所述信任模型。
本申请实施例的初始信任模型可以为LambdaMART初始信任模型，并且LambdaMART初始信任模型也可以称为λMART模型。
本申请实施例第一类用户和第二类用户之间的历史行为数据为买卖家历史行为数据。
本申请实施例获取网络侧记录的买卖家历史行为数据，其中，买卖家历史行为数据包括但不限于：
购买、加购物车、关注、收藏、发消息、评价、浏览。
本申请实施例将历史行为数据和特征参数进行整合处理，下面分类介绍。
一、将历史行为数据进行整合处理。
本申请实施例对获取到的买卖家历史数据进行整合处理，具体可以采用下面的方式对数据进行整合和处理。
根据所述初始信任模型的元素，将所述历史行为数据整合处理为与所述元素同类型的历史行为数据。
本申请实施例预先对初始信任模型的元素预先设置，根据预先设置的初始信任模型的元素，将从网络侧获取的买卖家的历史行为数据整合处理为与初始信任模型的元素同类型的历史行为数据。
其中，在对买卖家的历史行为数据整合处理时，根据预先设置的初始信任模型的元素，确定每一个买卖家的历史行为数据与初始信任模型的元素的对应关系。
例如，初始信任模型的元素包括购买、评价和其它行为；而买卖家的历史行为数据包括购买、加购物车、关注、收藏、发消息、评价、浏览，则在根据初始信任模型的元素对买卖家的历史行为数据进行整合处理时，将买卖家的购买历史行为数据整理为“购买”；将买卖家的评价历史行为数据整理为“评价”；将买卖家的加购物车、关注、收藏、发消息、浏览历史行为数据整理为“其它行为”。
需要说明的是，在采用的初始信任模型不同时，采用的对历史行为数据整合处理的方法也不相同，本申请实施例对历史行为数据整合处理的方法只是对本申请实施例的举例说明，任何对历史行为数据整合处理，以使初始信任模型能够识别的方法均适用于本申请。
二、将特征参数进行整合处理。
本申请实施例对买家的信任特征参数、买家的行为特征参数、卖家的信任特征参数、卖家的行为特征参数和买卖家的信任扩展特征参数进行整合处理，具体可以采用下面的方式对数据进行整合和处理。
根据所述初始信任模型的元素，将所述特征参数整合处理为与所述元素同类型的历史行为数据。
本申请实施例预先对初始信任模型的元素预先设置，根据预先设置的初始信任模型的元素，将买卖家的信任特征参数、买卖家的行为特征参数以及买卖家的信任扩展特征参数整合处理为与初始信任模型的元素同类型的特征参数。
其中，在对买卖家的信任特征参数、买卖家的行为特征参数以及买卖家的信任扩展特征参数整合处理时，根据预先设置的初始信任模型的元素，确定每一个特征参数与初始信任模型的元素的对应关系。
例如，初始信任模型的元素包括活跃度、正信用度、负信用度、综合销售商、其它贸易类型和买卖家相似信息；而买家的特征参数包括买家活跃度、买家黑名单次数、买家为综合销售商、买家为小商贩和买家为个人买家、以及与买家相似的其它买家和与买家相似的卖家；卖家的特征参数包括卖家的活跃度、卖家被黑名单次数、卖家好评度、卖家经营时长、卖家差评数量、以及与卖家相似的其它卖家和与卖家相似的买家。则在根据初始信任模型的元素对买卖家的信任特征参数、买卖家行为特征参数以及买卖家的信任扩展特征参数整合处理时，将买家的活跃度的特征参数整合处理为“活跃度”；将买家黑名单次数的特征参数整合处理为“负信用度”；将买家为综合销售商的特征参数整合处理为“综合销售商”；将买家为小商贩；以及买家为个人买家的特征参数整合处理为“其它贸易类型”。将卖家的活跃度的特征参数整合处理为“活跃度”；将卖家黑名单次数和卖家差评数量的特征参数整合处理为“负信用度”；将卖家好评度、卖家经营时长的特征参数整合处理为“正信用度”；将买家的信任扩展特征参数和卖家的信任扩展特征参数整合处理为“买卖家相似信息”。
需要说明的是，在采用的初始信任模型不同时，采用的对特征参数整合处理的方法也不相同，本申请实施例对特征参数整合处理的方法只是对本申请实施例的举例说明，任何对特征参数整合处理，以使初始信任模型能够识别的方法均适用于本申请。
本申请实施例将上述整理好的历史行为数据和特征参数输入到初始信任模型，根据预先设置的规则，对初始信任模型进行训练操作。
假设，本申请实施例的买家的信任特征参数包括：
买家被黑名单的次数、买家在网站的价值(高、中、低)、买家的贸易类型(个人买家、综合销售商、小商贩)、买家的活跃度(高、中、低)和买家跨行业的个数。
本申请实施例的卖家的特征参数包括但不限于：
卖家被黑名单的次数、卖家的信用分值(0-100分)、卖家的好评度(0-100％)、卖家的活跃度(高、中、低)和卖家的经营时长。
本申请实施例预先设置的初始信任模型的元素包括：
负信用度、正信用度、高活跃度、中活跃度、低活跃度、综合销售商、其它贸易类型、高价值用户、中价值用户和低价值用户。
本申请实施例将整理处理后的买卖家历史行为数据、买家的特征参数、卖家的特征参数输入初始信任模型中进行训练。
可选的，本申请实施例对初始信任模型进行训练的标准为，使初始信任模型识别整理后的买卖家历史行为数据、买家的特征参数、卖家的特征参数，以及将整理后的买卖家历史行为数据、买家的特征参数、卖家的特征参数进行排序。
可选的，本申请实施例初始信任模型在训练过程中，经过多次对买卖家历史行为数据、买家的特征参数、卖家的特征参数排序的训练，初始信任模型根据各项特征参数的排序，生成各项特征参数对应的权值，以使在预测过程中，根据初始信任模型生成的各项特征参数对应的权值进行预测。
例如，本申请实施例的初始信任模型训练学习得到各项参数对应的权值如表4所示。
表4
本申请实施例将买卖家历史行为数据、买家的特征参数、卖家的特征参数输入到初始信任模型后，经过多次训练，使得初始信任模型能够将输入的各项参数进行排序。在技术人员根据经验判断初始信任模型训练完成后，或者初始信任模型自身通过判断输出的排序偏差小于预设偏差时，确定初始信任模型训练完成，将初始信任模型保存，得到信任模型。
需要说明的是，上述列举的特征参数，以及初始信任模型的训练标准为本申请实施例的举例说明，任何能够将初始信任模型进行训练，获得信任模型的方法均适用于本申请。
本申请实施例根据历史行为数据和特征参数对初始信任模型进行训练，具体的训练方法，可以参见《From RankNet to LambdaRank to LambdaMART:AnOverview》(Microsoft Research Technical Report MSR-TR-2010-82)中的内容，在此不再赘述。
本申请实施例根据信任模型，提供一种用户推荐的方法。
本申请实施例的目标用户可以是买家，也可以是卖家。在目标用户为买家时，需要为买家推荐卖家；在目标用户为卖家时，需要为卖家推荐买家。
下面针对目标用户不同分别进行介绍。
一、目标用户为买家。
本申请实施例在目标用户为买家时，需要为买家推荐卖家。
具体的，如图4所示，本申请实施例为买家推荐卖家的方法。
步骤401、确定卖家的主营类目与目标用户的偏好类目有交集的卖家作为特定卖家；
步骤402、将特定卖家的信任特征参数、行为特征参数和买卖家的信任扩展特征参数进行整合和处理；
步骤403、将整合和处理后的卖家的信任特征参数、行为特征参数和买卖家的信任扩展特征参数输入到信任模型中；
步骤404、获取信任模型输出的为买家推荐的卖家。
本申请实施例在目标用户为买家时，从所有卖家中，确定所有卖家的主营类目与所述目标用户的偏好类目有交集的卖家作为特定卖家。
其中，卖家的主营类目为卖家主要经营的商品的类型，其中，卖家的主营类目包括但不限于：服装、鞋子、家居用品、电子产品、家用电器、厨具、副食。
买家的偏好类目为：根据买家在网站的历史数据记录，确定买家历史购买过的商品类型，将买家购买过的商品类型作为买家的偏好类目。其中买家的偏好类目包括但不限于：服装、鞋子、家居用品、电子产品、家用电器、厨具、副食。
本申请实施例根据买家的偏好类目，以及根据所有卖家的主营类目，确定出卖家的主营类目与买家的偏好类目有交集的所有卖家，从而保证了根据买家的偏好类目召回的卖家数量。
例如，买家A在网站上只购买过服装和厨具，则买家A的偏好类目为服装和厨具，在网站上获取主营类目包括服装和/或厨具的所有卖家。
本申请实施例在确定出卖家的主营类目与目标用户的偏好类目有交集的所有卖家后，将卖家的信任特征参数、行为特征参数和信任扩展特征参数整理后，输入信任模型中，信任模型输出为目标用户推荐的卖家。
例如，买家A在网站上只购买过服装和厨具，则买家A的偏好类目为服装和厨具，在网站上获取主营类目包括服装和/或厨具的所有卖家。假设获取到的卖家有卖家E、卖家F、卖家G和卖家H，并且，卖家E的特征参数为：被黑名单1次、信用分值为90分、好评度95％、高活跃度、经营时长为2年；卖家F的特征参数为：被黑名单3次、信用分值为80分、好评度85％、高活跃度、经营时长为3年；卖家G的特征参数为：被黑名单0次、信用分值为90分、好评度90％、中活跃度、经营时长为5年；卖家H的特征参数为：被黑名单5次、信用分值为70分、好评度75％、低活跃度、经营时长为1年。
在对上述卖家E、卖家F、卖家G和卖家H的特征参数进行整合处理时。针对卖家E的特征参数，整理后的特征参数依次为：黑名单、正信用度、高活跃度、低价值用户；假设信任模型生成的各项特征参数对应的权值如表4所示，确定卖家E的综合分值M＝-20+20+10+0＝10；针对卖家F的特征参数，整理后的特征参数依次为：黑名单、中信用度、高活跃度、中价值用户；则根据信任模型中各项特征参数对应的权值，确定卖家F的综合分值M＝-20+0+10+5＝-5；针对卖家G的特征参数，整理后的特征参数依次为：正信用度、中活跃度、高价值用户；则根据信任模型中各项特征参数对应的权值，确定卖家G的综合分值M＝20+5+10＝35；针对卖家H的特征参数，整理后的特征参数依次为：黑名单、负信用度、低活跃度、低价值用户；则根据信任模型中各项特征参数对应的权值，确定卖家H的综合分值M＝-20+(-20)+0+0＝-40；则根据各个卖家的综合分值确定为买家推荐的卖家的顺序为卖家G、卖家E、卖家F、卖家H。
需要说明的是，上述根据输入信任模型的各项特征参数为买家推荐卖家的推荐方法，只是对本申请实施例信任模型预测过程的举例说明，任何能够利用训练后的信任模型进行预测的方法适用于本申请。
二、目标用户为卖家。
本申请实施例在目标用户为卖家时，需要为卖家推荐买家。
具体的，如图5所示，本申请实施例为卖家推荐买家的方法。
步骤501、确定买家的偏好类目与目标用户的主营类目有交集的买家作为特定买家；
步骤502、将特定买家的信任特征参数、行为特征参数和买卖家的信任扩展特征参数进行整合和处理；
步骤503、将整合和处理后的买家的信任特征参数、行为特征参数和买卖家的信任扩展特征参数输入到信任模型中；
步骤504、获取信任模型输出的为卖家推荐的买家。
本申请实施例在目标用户为卖家时，从所有买家中，确定买家的偏好类目与所述卖家的主营类目有交集的买家作为特定买家。
其中，卖家的主营类目为卖家主要经营的商品的类型，其中，卖家的主营类目包括但不限于：服装、鞋子、家居用品、电子产品、家用电器、厨具、副食。
买家的偏好类目为：根据买家在网站的历史数据记录，确定买家历史购买过的商品类型，将买家购买过的商品类型作为买家的偏好类目。其中买家的偏好类目包括但不限于：服装、鞋子、家居用品、电子产品、家用电器、厨具、副食。
本申请实施例根据该卖家的主营类目，以及根据所有买家的偏好类目，确定出买家的偏好类目与该卖家的主营类目有交集的所有买家，从而保证了根据卖家的主营类目召回的买家数量。
例如，卖家F主营类目为服装和厨具，则根据网络侧记录的所有买家的历史行为，确定买家的偏好类目中包括服装和/或厨具的所有买家。
本申请实施例在确定出买家的偏好类目与目标用户的主营类目有交集的所有买家后，将买家的信任特征参数、行为特征参数和信任扩展特征参数整理后，输入信任模型中，信任模型输出为目标用户推荐的买家。
例如，卖家H的主营类目为服装和厨具，在网站上获取购买过服装和/或厨具的所有买家，假设获取到的买家有买家A、买家B、买家C、买家D，并且，买家A的特征参数为：被黑名单1次、网站高价值用户、个人买家、中活跃度；买家B的特征参数为：被黑名单0次、网站高价值用户、小商贩、高活跃度；买家C的特征参数为：被黑名单2次、网站高价值用户、综合销售商、高活跃度；买家D的特征参数为：被黑名单1次、网站低价值用户、个人买家、中活跃度。
在对上述买家A、买家B、买家C、买家D的特征参数进行整合处理时。针对买家A的特征参数，整理后的特征参数依次为：黑名单、中价值用户、其它贸易类型、中活跃度；假设信任模型生成的各项特征参数对应的权值如表4所示，确定买家A的综合分值M＝-20+5+5+5＝-5；针对买家B的特征参数，整理后的特征参数依次为：高价值用户、其它贸易类型、高活跃度；则根据信任模型中各项特征参数对应的权值，确定买家B的综合分值M＝10+5+10＝25；针对买家C的特征参数，整理后的特征参数依次为：黑名单、高价值用户、综合销售商、高活跃度；则根据信任模型中各项特征参数对应的权值，确定买家C的综合分值M＝-20+10+10+10＝10；针对买家D的特征参数，整理后的特征参数依次为：黑名单、低价值用户、其它贸易类型、中活跃度；则根据信任模型中各项特征参数对应的权值，确定买家D的综合分值M＝-20+0+5+5＝-10；则根据各个卖家的综合分值确定为买家推荐的卖家的顺序为买家B、买家C、买家A、买家D。
需要说明的是，上述根据信任模型为用户推荐的方法只是对本申请实施例的举例说明，任何能够根据信任模型，进行用户推荐的方法均适用于本申请。
具体的，本申请实施例根据信任模型进行用户推荐，具体的推荐方法，可以参见《From RankNet to LambdaRank to LambdaMART:An Overview》(Microsoft Research Technical Report MSR-TR-2010-82)中的内容，在此不再赘述。
基于同一发明构思，本申请实施例中还提供了一种用户推荐的设备，由于该设备解决问题的原理与本申请实施例用户推荐的方法相似，因此该设备的实施可以参见方法的实施，重复之处不再赘述。
如图6所示，本申请实施例一种用户推荐的设备，包括：
第一确定模块601，用于确定第一类用户中的目标用户；
第二确定模块602，用于从第二类用户中确定与所述目标用户相关的特定用户；
第三确定模块603，用于确定每个特定用户的特征参数，其中所述特征参数包括用于表征用户信用度的信任特征参数和用于表征与其它同类用户相似信息的信任扩展特征参数中的至少一者；
处理模块604，用于将确定的每个特定用户的特征参数进行整合处理，并将处理后的每个特定用户的特征参数输入到信任模型中；
获取模块605，用于获取所述信任模型输出的为所述目标用户推荐的特定用户。
可选的，所述特征参数还包括用于表征用户行为的行为特征参数。
可选的，所述处理模块604，还用于：
确定第一类用户和第二类用户之间的历史行为数据，以及确定每个第一类用户和每个第二类用户的所述特征参数；将所述历史行为数据和所述特征参数进行整合处理，并将处理后的所述历史行为数据和特征参数输入到初始信任模型中进行训练；保存训练后的所述初始信任模型作为所述信任模型。
可选的，所述第一类用户为卖家，所述第二类用户为买家；所述第一类用户为买家，所述第二类用户为卖家。
可选的，所述第二确定模块602，具体用于：
若所述第一类用户为卖家，从所有第二类用户中，确定第二类用户的偏好类目与所述目标用户的主营类目有交集的第二类用户作为特定用户；若所述第一类用户为买家，从所有第二类用户中，确定第二类用户的主营类目与所述目标用户的偏好类目有交集的第二类用户作为特定用户。
可选的，所述处理模块604，具体用于：
根据所述信任模型的元素，将所述特定用户的特征参数整合处理为与所述元素同类型的特征参数；根据所述初始信任模型的元素，将所述历史行为数据整合处理为与所述元素同类型的历史行为数据，以及将所述特征参数整合处理为与所述元素同类型的特征参数。
可选的，所述信任模型为LambdaMART信任模型；所述初始信任模型为LambdaMART初始信任模型。
以上参照示出根据本申请实施例的方法、装置(系统)和/或计算机程序产品的框图和/或流程图描述本申请。应理解，可以通过计算机程序指令来实现框图和/或流程图示图的一个块以及框图和/或流程图示图的块的组合。可以将这些计算机程序指令提供给通用计算机、专用计算机的处理器和/或其它可编程数据处理装置，以产生机器，使得经由计算机处理器和/或其它可编程数据处理装置执行的指令创建用于实现框图和/或流程图块中所指定的功能/动作的方法。
相应地，还可以用硬件和/或软件(包括固件、驻留软件、微码等)来实施本申请。更进一步地，本申请可以采取计算机可使用或计算机可读存储介质上的计算机程序产品的形式，其具有在介质中实现的计算机可使用或计算机可读程序代码，以由指令执行系统来使用或结合指令执行系统而使用。在本申请上下文中，计算机可使用或计算机可读介质可以是任意介质，其可以包含、存储、通信、传输、或传送程序，以由指令执行系统、装置或设备使用，或结合指令执行系统、装置或设备使用。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。
Claims (14)
1.一种用户推荐的方法，其特征在于，该方法包括：
确定第一类用户中的目标用户；
从第二类用户中确定与所述目标用户相关的特定用户；
确定每个特定用户的特征参数，其中所述特征参数包括用于表征用户信用度的信任特征参数和用于表征与其它同类用户相似信息的信任扩展特征参数中的至少一者；
将确定的每个特定用户的特征参数进行整合处理，并将处理后的每个特定用户的特征参数输入到信任模型中；
获取所述信任模型输出的为所述目标用户推荐的特定用户。
2.如权利要求1所述的方法，其特征在于，所述特征参数还包括用于表征用户行为的行为特征参数。
3.如权利要求1所述的方法，其特征在于，根据下列方式获得所述信任模型：
确定第一类用户和第二类用户之间的历史行为数据，以及确定每个第一类用户和每个第二类用户的所述特征参数；
将所述历史行为数据和所述特征参数进行整合处理，并将处理后的所述历史行为数据和特征参数输入到初始信任模型中进行训练；
保存训练后的所述初始信任模型作为所述信任模型。
4.如权利要求1所述的方法，其特征在于，所述第一类用户为卖家，所述第二类用户为买家；
所述第一类用户为买家，所述第二类用户为卖家。
5.如权利要求4所述的方法，其特征在于，从所有第二类用户中确定与所述目标用户相关的所有特定用户，包括：
若所述第一类用户为卖家，从所有第二类用户中，确定第二类用户的偏好类目与所述目标用户的主营类目有交集的第二类用户作为特定用户；
若所述第一类用户为买家，从所有第二类用户中，确定第二类用户的主营类目与所述目标用户的偏好类目有交集的第二类用户作为特定用户。
6.如权利要求3所述的方法，其特征在于，所述将确定的每个特定用户的特征参数进行整合处理，包括：
根据所述信任模型的元素，将所述特定用户的特征参数整合处理为与所述元素同类型的特征参数；
所述将所述历史行为数据和所述特征参数进行整合处理，包括：
根据所述初始信任模型的元素，将所述历史行为数据整合处理为与所述元素同类型的历史行为数据，以及将所述特征参数整合处理为与所述元素同类型的特征参数。
7.如权利要求1～6任一所述的方法，其特征在于，所述信任模型为LambdaMART信任模型。
8.一种用户推荐的设备，其特征在于，包括：
第一确定模块，用于确定第一类用户中的目标用户；
第二确定模块，用于从第二类用户中确定与所述目标用户相关的特定用户；
第三确定模块，用于确定每个特定用户的特征参数，其中所述特征参数包括用于表征用户信用度的信任特征参数和用于表征与其它同类用户相似信息的信任扩展特征参数中的至少一者；
处理模块，用于将确定的每个特定用户的特征参数进行整合处理，并将处理后的每个特定用户的特征参数输入到信任模型中；
获取模块，用于获取所述信任模型输出的为所述目标用户推荐的特定用户。
9.如权利要求8所述的设备，其特征在于，所述特征参数还包括用于表征用户行为的行为特征参数。
10.如权利要求8所述的设备，其特征在于，所述处理模块，还用于：
确定第一类用户和第二类用户之间的历史行为数据，以及确定每个第一类用户和每个第二类用户的所述特征参数；将所述历史行为数据和所述特征参数进行整合处理，并将处理后的所述历史行为数据和特征参数输入到初始信任模型中进行训练；保存训练后的所述初始信任模型作为所述信任模型。
11.如权利要求8所述的设备，其特征在于，所述第一类用户为卖家，所述第二类用户为买家；所述第一类用户为买家，所述第二类用户为卖家。
12.如权利要求11所述的设备，其特征在于，所述第二确定模块，具体用于：
若所述第一类用户为卖家，从所有第二类用户中，确定第二类用户的偏好类目与所述目标用户的主营类目有交集的第二类用户作为特定用户；若所述第一类用户为买家，从所有第二类用户中，确定第二类用户的主营类目与所述目标用户的偏好类目有交集的第二类用户作为特定用户。
13.如权利要求8所述的设备，其特征在于，所述处理模块，具体用于：
根据所述信任模型的元素，将所述特定用户的特征参数整合处理为与所述元素同类型的特征参数；根据所述初始信任模型的元素，将所述历史行为数据整合处理为与所述元素同类型的历史行为数据，以及将所述特征参数整合处理为与所述元素同类型的特征参数。
14.如权利要求8～13任一所述的设备，其特征在于，所述信任模型为LambdaMART信任模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610035598.7A CN106980999A (zh) | 2016-01-19 | 2016-01-19 | 一种用户推荐的方法和设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610035598.7A CN106980999A (zh) | 2016-01-19 | 2016-01-19 | 一种用户推荐的方法和设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN106980999A true CN106980999A (zh) | 2017-07-25 |
Family
ID=59340569
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610035598.7A Pending CN106980999A (zh) | 2016-01-19 | 2016-01-19 | 一种用户推荐的方法和设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106980999A (zh) |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107451612A (zh) * | 2017-07-31 | 2017-12-08 | 陕西识代运筹信息科技股份有限公司 | 一种基于关注关系确定目标用户的处理方法和装置 |
| CN107464141A (zh) * | 2017-08-07 | 2017-12-12 | 北京京东尚科信息技术有限公司 | 用于信息推广的方法、装置、电子设备及计算机可读介质 |
| CN108053305A (zh) * | 2018-02-12 | 2018-05-18 | 北京小度信息科技有限公司 | 应用于商户推广的数据处理方法及装置 |
| CN109002506A (zh) * | 2018-07-01 | 2018-12-14 | 东莞市华睿电子科技有限公司 | 一种由品牌车型关注引起的信息推荐方法 |
| CN109002507A (zh) * | 2018-07-01 | 2018-12-14 | 东莞市华睿电子科技有限公司 | 一种大数据平台与品牌车型相结合的社交用户推荐方法 |
| CN109035076A (zh) * | 2018-07-16 | 2018-12-18 | 肯君(上海)智能科技有限公司 | 房产交易信息智能管理系统 |
| CN109767292A (zh) * | 2018-12-20 | 2019-05-17 | 厦门笨鸟电子商务有限公司 | 一种买家公司推荐方法 |
| CN109886768A (zh) * | 2018-12-24 | 2019-06-14 | 北京城市网邻信息技术有限公司 | 信用分数计算、更新方法、装置、系统和设备及存储介质 |
| CN111241423A (zh) * | 2020-01-17 | 2020-06-05 | 江西财经大学 | 融合信任不信任关系和注意力机制深度推荐方法及系统 |
| CN111475532A (zh) * | 2020-03-05 | 2020-07-31 | 拉扎斯网络科技（上海）有限公司 | 数据处理的优化方法及装置、存储介质、终端 |
| CN114629946A (zh) * | 2022-01-26 | 2022-06-14 | 深圳腾银信息咨询有限责任公司 | 一种跨平台的用户分析方法、装置、系统及介质 |
| WO2022203591A1 (en) * | 2021-03-22 | 2022-09-29 | Hitachi, Ltd. | Compatibility scoring system and method for evaluating compatibility |
| CN111353688B (zh) * | 2020-02-05 | 2024-02-27 | 口碑(上海)信息技术有限公司 | 一种用户资源分配方法以及装置 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102663627A (zh) * | 2012-04-26 | 2012-09-12 | 焦点科技股份有限公司 | 个性化推荐方法 |
| CN102903047A (zh) * | 2011-07-26 | 2013-01-30 | 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 |
| CN103426096A (zh) * | 2012-05-14 | 2013-12-04 | 阿里巴巴集团控股有限公司 | 一种推荐用户的方法及装置 |
| CN103971256A (zh) * | 2013-01-25 | 2014-08-06 | 阿里巴巴集团控股有限公司 | 一种信息推送方法及设备 |
| CN104462611A (zh) * | 2015-01-05 | 2015-03-25 | 五八同城信息技术有限公司 | 信息排序模型的建模方法、排序方法及建模装置、排序装置 |
| CN104809626A (zh) * | 2015-03-17 | 2015-07-29 | 徐邑江 | 一种基于用户信用评估的个性化商品推荐方法 |
-
2016
- 2016-01-19 CN CN201610035598.7A patent/CN106980999A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102903047A (zh) * | 2011-07-26 | 2013-01-30 | 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 |
| CN102663627A (zh) * | 2012-04-26 | 2012-09-12 | 焦点科技股份有限公司 | 个性化推荐方法 |
| CN103426096A (zh) * | 2012-05-14 | 2013-12-04 | 阿里巴巴集团控股有限公司 | 一种推荐用户的方法及装置 |
| CN103971256A (zh) * | 2013-01-25 | 2014-08-06 | 阿里巴巴集团控股有限公司 | 一种信息推送方法及设备 |
| CN104462611A (zh) * | 2015-01-05 | 2015-03-25 | 五八同城信息技术有限公司 | 信息排序模型的建模方法、排序方法及建模装置、排序装置 |
| CN104809626A (zh) * | 2015-03-17 | 2015-07-29 | 徐邑江 | 一种基于用户信用评估的个性化商品推荐方法 |
Cited By (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107451612A (zh) * | 2017-07-31 | 2017-12-08 | 陕西识代运筹信息科技股份有限公司 | 一种基于关注关系确定目标用户的处理方法和装置 |
| CN107464141A (zh) * | 2017-08-07 | 2017-12-12 | 北京京东尚科信息技术有限公司 | 用于信息推广的方法、装置、电子设备及计算机可读介质 |
| CN107464141B (zh) * | 2017-08-07 | 2021-09-07 | 北京京东尚科信息技术有限公司 | 用于信息推广的方法、装置、电子设备及计算机可读介质 |
| CN108053305B (zh) * | 2018-02-12 | 2021-07-30 | 北京星选科技有限公司 | 应用于商户推广的数据处理方法及装置 |
| CN108053305A (zh) * | 2018-02-12 | 2018-05-18 | 北京小度信息科技有限公司 | 应用于商户推广的数据处理方法及装置 |
| CN109002506A (zh) * | 2018-07-01 | 2018-12-14 | 东莞市华睿电子科技有限公司 | 一种由品牌车型关注引起的信息推荐方法 |
| CN109002507A (zh) * | 2018-07-01 | 2018-12-14 | 东莞市华睿电子科技有限公司 | 一种大数据平台与品牌车型相结合的社交用户推荐方法 |
| CN109035076A (zh) * | 2018-07-16 | 2018-12-18 | 肯君(上海)智能科技有限公司 | 房产交易信息智能管理系统 |
| CN109767292A (zh) * | 2018-12-20 | 2019-05-17 | 厦门笨鸟电子商务有限公司 | 一种买家公司推荐方法 |
| CN109886768A (zh) * | 2018-12-24 | 2019-06-14 | 北京城市网邻信息技术有限公司 | 信用分数计算、更新方法、装置、系统和设备及存储介质 |
| CN111241423A (zh) * | 2020-01-17 | 2020-06-05 | 江西财经大学 | 融合信任不信任关系和注意力机制深度推荐方法及系统 |
| CN111241423B (zh) * | 2020-01-17 | 2023-07-25 | 江西财经大学 | 融合信任不信任关系和注意力机制深度推荐方法及系统 |
| CN111353688B (zh) * | 2020-02-05 | 2024-02-27 | 口碑(上海)信息技术有限公司 | 一种用户资源分配方法以及装置 |
| CN111475532A (zh) * | 2020-03-05 | 2020-07-31 | 拉扎斯网络科技（上海）有限公司 | 数据处理的优化方法及装置、存储介质、终端 |
| CN111475532B (zh) * | 2020-03-05 | 2023-11-03 | 拉扎斯网络科技（上海）有限公司 | 数据处理的优化方法及装置、存储介质、终端 |
| WO2022203591A1 (en) * | 2021-03-22 | 2022-09-29 | Hitachi, Ltd. | Compatibility scoring system and method for evaluating compatibility |
| CN114629946A (zh) * | 2022-01-26 | 2022-06-14 | 深圳腾银信息咨询有限责任公司 | 一种跨平台的用户分析方法、装置、系统及介质 |
| CN114629946B (zh) * | 2022-01-26 | 2023-06-06 | 深圳腾银信息咨询有限责任公司 | 一种跨平台的用户分析方法、装置、系统及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106980999A (zh) | 一种用户推荐的方法和设备 | |
| Zenor | The profit benefits of category management | |
| JP6027679B2 (ja) | 祭日用売れ筋商品を決定するための方法及びデバイス | |
| Pervin et al. | An integrated inventory model with variable holding cost under two levels of trade-credit policy | |
| US11694218B2 (en) | Computer technology for automated pricing guidance | |
| CN110347924A (zh) | 果蔬商城管理系统及果蔬信息推送方法 | |
| CN110969512B (zh) | 一种基于用户购买行为的商品推荐方法和装置 | |
| CN106846019A (zh) | 一种信息投放用户的筛选方法和设备 | |
| CN106469392A (zh) | 选择及推荐展示对象的方法及装置 | |
| KR101509131B1 (ko) | 온라인 판매자 평가정보 제공방법 | |
| WO2019231802A1 (en) | Systems and methods for product recommendation | |
| US11651417B2 (en) | Method, system, and non-transitory processor-readable medium for intelligent listing creation for a for sale object | |
| Gangurde et al. | Building prediction model using market basket analysis | |
| CN110751537A (zh) | 一种基于线上线下的智能营销方法和装置 | |
| Liu et al. | Factors influencing consumers’ repurchase behavior on fresh food e-commerce platforms: An empirical study | |
| CN110807691B (zh) | 一种跨商品品类的商品推荐方法和装置 | |
| Čavoški et al. | Agent-based modelling and simulation in the analysis of customer behaviour on B2C e-commerce sites | |
| CN110866220B (zh) | 一种电商活动过程中的选品推荐系统 | |
| CN110020135B (zh) | 一种需求确定方法、资源推荐方法和相关装置 | |
| Long | Factors influencing consumers intention towards online food purchasing in Phnom Penh | |
| KR100407168B1 (ko) | 신체치수 체계를 적용한 의류 전자상거래 시스템 및 그를위한 신체치수 추정 방법 | |
| Marković et al. | Analysis of Interactions of Key Stakeholders on B2C e-Markets-Agent Based Modelling and Simulation Approach | |
| Zaharia | Online shopping motives-an empirical investigation of consumer buying behavior in Germany’s main online retail segments | |
| Adisa et al. | A Marketing Approach for The Internet Centered on E-Commerce | |
| Valliathal et al. | Designing retailer’s replenishment policies for non-instantaneous deteriorating items under fuzzy costs |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170725 |