CN107045700A - 基于流式用户行为分析的产品推送方法和装置 - Google Patents

基于流式用户行为分析的产品推送方法和装置 Download PDF

Info

Publication number
CN107045700A
CN107045700A CN201710240056.8A CN201710240056A CN107045700A CN 107045700 A CN107045700 A CN 107045700A CN 201710240056 A CN201710240056 A CN 201710240056A CN 107045700 A CN107045700 A CN 107045700A
Authority
CN
China
Prior art keywords
user
data
candidate set
merchandise classification
degrees
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
Application number
CN201710240056.8A
Other languages
English (en)
Inventor
张振
裴宏祥
于滨
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.)
China United Network Communications Group Co Ltd
Original Assignee
China United Network Communications Group Co 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 China United Network Communications Group Co Ltd filed Critical China United Network Communications Group Co Ltd
Priority to CN201710240056.8A priority Critical patent/CN107045700A/zh
Publication of CN107045700A publication Critical patent/CN107045700A/zh
Pending legal-status Critical Current

Links

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
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • 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
    • G06F16/955—Retrieval from the web using information identifiers, e.g. uniform resource locators [URL]
    • 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

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Accounting & Taxation (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种基于流式用户行为分析的产品推送方法和装置，其中，该方法包括：获取各用户的用户行为数据；根据用户行为数据，采用流计算方法确定用户行为信息；根据用户行为信息，采用流计算方法确定各用户的关联推荐商品类别候选集，每一个关联推荐商品类别候选集中包括关联商品推荐度数据、与关联商品推荐度数据对应的影响因子数据；对各用户的关联推荐商品类别候选集进行合并频集处理，确定各商品类别的支持度；根据各商品类别的支持度，确定推荐商品列表，其中，推荐商品列表中包括推荐商品类别。从而提供了可以准确的为用户推荐商品的方法，根据用户自身的需求以及当前的大数据分析的结果，为用户推荐商品，满足用户的需求。

Description

基于流式用户行为分析的产品推送方法和装置
技术领域
本发明涉及终端技术领域，尤其涉及一种基于流式用户行为分析的产品推送方法和装置。
背景技术
随着社会发展和进步，现在的终端可以智能化的为用户推荐商品等，以便于用户查找需要的商品。
现有技术中，通常终端会统计大部分人曾经搜索过的商品，进而经过统计之后把大部分人曾经搜索过的商品推荐给用户；或者终端根据自身的设置或者广告主的需求，把想推荐给用户的商品去推荐给用户；或者用户在该终端上有过搜索记录，然后终端把与搜索记录中的相关产品，都推荐给用户。
然而现有技术中，把大部分人曾经搜索过的商品推荐给用户、以及把想推荐给用户的商品去推荐给用户的方法，不能满足当前用户的需求；终端把与搜索记录中的相关产品都推荐给用户的方法并不准确，推荐方法不准确。
发明内容
本发明提供一种基于流式用户行为分析的产品推送方法和装置，用以解决现有技术中终端把与搜索记录中的相关产品都推荐给用户的方法，并不准确，推荐方法不准确的问题。
本发明的一方面是提供一种基于流式用户行为分析的产品推送方法，包括：
获取各用户的用户行为数据；
根据用户行为数据，采用流计算方法确定用户行为信息，其中，用户行为信息包括用户浏览信息和/或用户购买信息；
根据用户行为信息，采用流计算方法确定各用户的关联推荐商品类别候选集，其中，每一个关联推荐商品类别候选集中包括关联商品推荐度数据、与关联商品推荐度数据对应的影响因子数据；
对各用户的关联推荐商品类别候选集进行合并频集处理，确定各商品类别的支持度；
根据各商品类别的支持度，确定推荐商品列表，其中，推荐商品列表中包括推荐商品类别。
本发明的另一方面是提供一种基于流式用户行为分析的产品推送装置，包括：
获取模块，用于获取各用户的用户行为数据；
第一计算模块，用于根据用户行为数据，采用流计算方法确定用户行为信息，其中，用户行为信息包括用户浏览信息和/或用户购买信息；
第二计算模块，用于根据用户行为信息，采用流计算方法确定各用户的关联推荐商品类别候选集，其中，每一个关联推荐商品类别候选集中包括关联商品推荐度数据、与关联商品推荐度数据对应的影响因子数据；
合并模块，用于对各用户的关联推荐商品类别候选集进行合并频集处理，确定各商品类别的支持度；
确定模块，用于根据各商品类别的支持度，确定推荐商品列表，其中，推荐商品列表中包括推荐商品类别。
本发明的技术效果是：通过获取各用户的用户行为数据；根据用户行为数据，采用流计算方法确定用户行为信息，其中，用户行为信息包括用户浏览信息和/或用户购买信息；根据用户行为信息，采用流计算方法确定各用户的关联推荐商品类别候选集，其中，每一个关联推荐商品类别候选集中包括关联商品推荐度数据、与关联商品推荐度数据对应的影响因子数据；对各用户的关联推荐商品类别候选集进行合并频集处理，确定各商品类别的支持度；根据各商品类别的支持度，确定推荐商品列表，其中，推荐商品列表中包括推荐商品类别。从而提供了可以准确的为用户推荐商品的方法，根据用户自身的需求以及当前的大数据分析的结果，为用户推荐商品，满足用户的需求。
附图说明
图1为本发明实施例一提供的基于流式用户行为分析的产品推送方法的流程图；
图2为本发明实施例二提供的基于流式用户行为分析的产品推送方法的流程图；
图3为本发明实施例三提供的基于流式用户行为分析的产品推送装置的结构示意图；
图4为本发明实施例四提供的基于流式用户行为分析的产品推送装置的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1为本发明实施例一提供的基于流式用户行为分析的产品推送方法的流程图，如图1所示，本实施例的方法，包括：
步骤101、获取各用户的用户行为数据。
在本实施例中，具体的，通过java script收集各用户的用户行为数据。
步骤102、根据用户行为数据，采用流计算方法确定用户行为信息，其中，用户行为信息包括用户浏览信息和/或用户购买信息。
在本实施例中，具体的，根据用户行为数据，采用流计算方法确定用户行为信息，用户行为信息包括用户浏览信息和/或用户购买信息，用户行为信息包括商品类别。
举例来说，可以获取到用户的购买记录，表1为用户购买记录，表1中的序号表征的是用户，字母表征的是商品。
表1用户购买记录
步骤103、根据用户行为信息，采用流计算方法确定各用户的关联推荐商品类别候选集，其中，每一个关联推荐商品类别候选集中包括关联商品推荐度数据、与关联商品推荐度数据对应的影响因子数据。
在本实施例中，具体的，根据用户行为信息，采用流计算方法中的Hadoop计算方式，确定各用户的关联推荐商品类别候选集，每一个关联推荐商品类别候选集中包括关联商品推荐度数据、与关联商品推荐度数据对应的影响因子数据，该影响因子数据为一种权重。进而依据Hadoop计算得出关联商品推荐度数据、以及对应的影响因子数据，然后，通过流计算方法计算得到关联推荐商品类别候选集。
举例来说，在内存库中存在数据，如下：
在2-12日(影响因子)，用户集合1同时购买了商品a,b,c；
在2-12日(影响因子)，用户集合2同时购买了商品单c,d,e；
在2-12日(影响因子)，用户集合3同时购买了商品单c,f,e,g；
可以得到关联推荐商品类别候选集中包括了商品c。
步骤104、对各用户的关联推荐商品类别候选集进行合并频集处理，确定各商品类别的支持度。
其中，步骤104的实现方式为：
对各用户的关联推荐商品类别候选集进行合并频集处理，得到每一个关联商品推荐度数据的比重；根据各关联商品推荐度数据的比重，确定各商品类别的支持度。
在本实施例中，具体的，对各用户的关联推荐商品类别候选集进行合并频集处理，得到每一个关联商品推荐度数据的比重，根据各关联商品推荐度数据的比重确定各商品类别的支持度。
举例来说，表2为影响因子记录表，表3为关联推荐商品类别候选集；设定最小支持度为50％，将表3去除支持度小于等于50&的候选商品，得到表4处理后的关联推荐商品类别候选集。
表2影响因子记录表
表3关联推荐商品类别候选集
候选商品 影响因子 支持度
A Y1 50％+20％
A * 50％
B * 75％
C * 75％
D * 25％
E * 75％
表4处理后的关联推荐商品类别候选集
候选商品 影响因子 支持度
A、B Y1 25％+20％
A、C Y1 50％+20％
A、E Y1 25％+20％
A、B * 25％
A、C * 50％
A、E * 25％
B、C * 50％
B、E * 75％
C、E * 50％
然后，对各用户的关联推荐商品类别候选集进行合并频集处理，得到每一个关联商品推荐度数据的比重，即影响因子。表5为合并频集处理后的关联推荐商品类别候选集。
表5合并频集处理后的关联推荐商品类别候选集
然后，根据各关联商品推荐度数据的比重确定各商品类别的支持度，得到商品的结果集，如表6所示。
表6商品的结果集
结果集 影响因子 支持度
A、B、E Y1 50％+20％
步骤105、根据各商品类别的支持度，确定推荐商品列表，其中，推荐商品列表中包括推荐商品类别。
在本实施例中，具体的，根据各商品类别的支持度，确定推荐商品列表，推荐商品列表中包括推荐商品类别。
其中，针对新用户的推荐主要采用如下方式进行：获取预设的各用户的关联推荐商品类别候选集，一个关联推荐商品类别候选集中包括关联商品推荐度数据、与关联商品推荐度数据对应的影响因子数据；对各用户的关联推荐商品类别候选集进行合并频集处理，得到每一个关联商品推荐度数据的比重，根据各关联商品推荐度数据的比重确定各商品类别的支持度；根据各商品类别的支持度，确定推荐商品列表，推荐商品列表中包括推荐商品类别；确定推荐商品列表中支持度最大的推荐商品类别，并查找支持度最大的推荐商品类别的商品信息，显示该商品信息。
本实施例通过获取各用户的用户行为数据；根据用户行为数据，采用流计算方法确定用户行为信息，其中，用户行为信息包括用户浏览信息和/或用户购买信息；根据用户行为信息，采用流计算方法确定各用户的关联推荐商品类别候选集，其中，每一个关联推荐商品类别候选集中包括关联商品推荐度数据、与关联商品推荐度数据对应的影响因子数据；对各用户的关联推荐商品类别候选集进行合并频集处理，确定各商品类别的支持度；根据各商品类别的支持度，确定推荐商品列表，其中，推荐商品列表中包括推荐商品类别。从而提供了可以准确的为用户推荐商品的方法，根据用户自身的需求以及当前的大数据分析的结果，为用户推荐商品，满足用户的需求。
图2为本发明实施例二提供的基于流式用户行为分析的产品推送方法的流程图，在实施例一的基础上，如图2所示，本实施例的方法，在步骤103之前，还包括：
步骤201、获取用户的预设商品类别候选集以及影响因子更新信息，其中，预设商品类别候选集中包括用户在预设时间内购买的商品的关联商品推荐度数据、与关联商品推荐度数据对应的影响因子数据，或者，预设商品类别候选集中包括根据大数据而自动调整出的关联商品推荐度数据、与关联商品推荐度数据对应的影响因子数据；根据预设商品类别候选集以及影响因子更新信息，判断是否需要更新关联推荐商品类别候选集；若确定需要更新关联推荐商品类别候选集，则更新关联推荐商品类别候选集。
在本实施例中，具体的，其中，在“根据用户行为信息，采用流计算方法中的Hadoop计算方式，确定各用户的关联推荐商品类别候选集”之前，获取用户的预设商品类别候选集以及影响因子更新信息，预设商品类别候选集中包括用户在预设时间内购买的商品的关联商品推荐度数据、与关联商品推荐度数据对应的影响因子数据，或者预设商品类别候选集中包括根据大数据而自动调整出的关联商品推荐度数据、与关联商品推荐度数据对应的影响因子数据；根据预设商品类别候选集以及影响因子更新信息，判断是否需要更新关联推荐商品类别候选集；若确定需要更新关联推荐商品类别候选集，则更新关联推荐商品类别候选集。进而当一个用户同时购买了几个商品后得到商品类别候选集，而后结合当前影响因子和之前的商品候选集库进行对比分析查看是否需要更新候选集类别库、以及影响因子。
在步骤105之后，还包括：
步骤202、确定推荐商品列表中支持度最大的推荐商品类别，查找支持度最大的推荐商品类别的商品信息，显示该商品信息。
在本实施例中，具体的，确定推荐商品列表中支持度最大的推荐商品类别，并查找支持度最大的推荐商品类别的商品信息，显示该商品信息。
本申请通过java script收集各用户的用户行为数据；根据用户行为数据，采用流计算方法确定用户行为信息；根据用户行为信息，采用流计算方法中的Hadoop计算方式，确定各用户的关联推荐商品类别候选集，一个关联推荐商品类别候选集中包括关联商品推荐度数据、与关联商品推荐度数据对应的影响因子数据；对各用户的关联推荐商品类别候选集进行合并频集处理，得到每一个关联商品推荐度数据的比重，根据各关联商品推荐度数据的比重确定各商品类别的支持度；根据各商品类别的支持度，确定推荐商品列表，推荐商品列表中包括推荐商品类别；确定推荐商品列表中支持度最大的推荐商品类别，并查找支持度最大的推荐商品类别的商品信息，显示该商品信息。并且，可以获取用户的预设商品类别候选集以及影响因子更新信息，预设商品类别候选集中包括用户在预设时间内购买的商品的关联商品推荐度数据、与关联商品推荐度数据对应的影响因子数据，或者预设商品类别候选集中包括根据大数据而自动调整出的关联商品推荐度数据、与关联商品推荐度数据对应的影响因子数据；根据预设商品类别候选集以及影响因子更新信息，判断是否需要更新关联推荐商品类别候选集；若确定需要更新关联推荐商品类别候选集，则更新关联推荐商品类别候选集。从而提供了可以准确的为用户推荐商品的方法，根据用户自身的需求以及当前的大数据分析的结果，为用户推荐商品，满足用户的需求。
图3为本发明实施例三提供的基于流式用户行为分析的产品推送装置的结构示意图，如图3所示，本实施例的装置，包括：
获取模块31，用于获取各用户的用户行为数据；
第一计算模块32，用于根据用户行为数据，采用流计算方法确定用户行为信息，其中，用户行为信息包括用户浏览信息和/或用户购买信息；
第二计算模块33，用于根据用户行为信息，采用流计算方法确定各用户的关联推荐商品类别候选集，其中，每一个关联推荐商品类别候选集中包括关联商品推荐度数据、与关联商品推荐度数据对应的影响因子数据；
合并模块34，用于对各用户的关联推荐商品类别候选集进行合并频集处理，确定各商品类别的支持度；
确定模块35，用于根据各商品类别的支持度，确定推荐商品列表，其中，推荐商品列表中包括推荐商品类别。
本实施例的基于流式用户行为分析的产品推送装置可执行本发明实施例一提供的基于流式用户行为分析的产品推送方法，其实现原理相类似，此处不再赘述。
本实施例通过获取各用户的用户行为数据；根据用户行为数据，采用流计算方法确定用户行为信息，其中，用户行为信息包括用户浏览信息和/或用户购买信息；根据用户行为信息，采用流计算方法确定各用户的关联推荐商品类别候选集，其中，每一个关联推荐商品类别候选集中包括关联商品推荐度数据、与关联商品推荐度数据对应的影响因子数据；对各用户的关联推荐商品类别候选集进行合并频集处理，确定各商品类别的支持度；根据各商品类别的支持度，确定推荐商品列表，其中，推荐商品列表中包括推荐商品类别。从而提供了可以准确的为用户推荐商品的方法，根据用户自身的需求以及当前的大数据分析的结果，为用户推荐商品，满足用户的需求。
图4为本发明实施例四提供的基于流式用户行为分析的产品推送装置的结构示意图，在实施例三的基础上，如图4所示，装置，还包括：
调整模块41，用于在第二计算模块33根据用户行为信息，采用流计算方法确定各用户的关联推荐商品类别候选集之前，获取用户的预设商品类别候选集以及影响因子更新信息，其中，预设商品类别候选集中包括用户在预设时间内购买的商品的关联商品推荐度数据、与关联商品推荐度数据对应的影响因子数据，或者，预设商品类别候选集中包括根据大数据而自动调整出的关联商品推荐度数据、与关联商品推荐度数据对应的影响因子数据；根据预设商品类别候选集以及影响因子更新信息，判断是否需要更新关联推荐商品类别候选集；若确定需要更新关联推荐商品类别候选集，则更新关联推荐商品类别候选集。
显示模块42，用于在确定模块35根据各商品类别的支持度，确定推荐商品列表之后，确定推荐商品列表中支持度最大的推荐商品类别，查找支持度最大的推荐商品类别的商品信息，显示该商品信息。
合并模块34，具体用于：
对各用户的关联推荐商品类别候选集进行合并频集处理，得到每一个关联商品推荐度数据的比重；根据各关联商品推荐度数据的比重，确定各商品类别的支持度。
本实施例的基于流式用户行为分析的产品推送装置可执行本发明实施例一提供的基于流式用户行为分析的产品推送方法，其实现原理相类似，此处不再赘述。
本申请通过java script收集各用户的用户行为数据；根据用户行为数据，采用流计算方法确定用户行为信息；根据用户行为信息，采用流计算方法中的Hadoop计算方式，确定各用户的关联推荐商品类别候选集，一个关联推荐商品类别候选集中包括关联商品推荐度数据、与关联商品推荐度数据对应的影响因子数据；对各用户的关联推荐商品类别候选集进行合并频集处理，得到每一个关联商品推荐度数据的比重，根据各关联商品推荐度数据的比重确定各商品类别的支持度；根据各商品类别的支持度，确定推荐商品列表，推荐商品列表中包括推荐商品类别；确定推荐商品列表中支持度最大的推荐商品类别，并查找支持度最大的推荐商品类别的商品信息，显示该商品信息。并且，可以获取用户的预设商品类别候选集以及影响因子更新信息，预设商品类别候选集中包括用户在预设时间内购买的商品的关联商品推荐度数据、与关联商品推荐度数据对应的影响因子数据，或者预设商品类别候选集中包括根据大数据而自动调整出的关联商品推荐度数据、与关联商品推荐度数据对应的影响因子数据；根据预设商品类别候选集以及影响因子更新信息，判断是否需要更新关联推荐商品类别候选集；若确定需要更新关联推荐商品类别候选集，则更新关联推荐商品类别候选集。从而提供了可以准确的为用户推荐商品的方法，根据用户自身的需求以及当前的大数据分析的结果，为用户推荐商品，满足用户的需求。
本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、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发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，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发明各实施例技术方案的精神和范围。

Claims (8)

1.一种基于流式用户行为分析的产品推送方法，其特征在于，包括：
获取各用户的用户行为数据；
根据用户行为数据，采用流计算方法确定用户行为信息，其中，用户行为信息包括用户浏览信息和/或用户购买信息；
根据用户行为信息，采用流计算方法确定各用户的关联推荐商品类别候选集，其中，每一个关联推荐商品类别候选集中包括关联商品推荐度数据、与关联商品推荐度数据对应的影响因子数据；
对各用户的关联推荐商品类别候选集进行合并频集处理，确定各商品类别的支持度；
根据各商品类别的支持度，确定推荐商品列表，其中，推荐商品列表中包括推荐商品类别。
2.根据权利要求1所述的方法，其特征在于，在所述根据各商品类别的支持度，确定推荐商品列表之后，还包括：
确定推荐商品列表中支持度最大的推荐商品类别，查找支持度最大的推荐商品类别的商品信息，显示该商品信息。
3.根据权利要求1所述的方法，其特征在于，所述对各用户的关联推荐商品类别候选集进行合并频集处理，确定各商品类别的支持度，包括：
对各用户的关联推荐商品类别候选集进行合并频集处理，得到每一个关联商品推荐度数据的比重；
根据各关联商品推荐度数据的比重，确定各商品类别的支持度。
4.根据权利要求1-3任一项所述的方法，其特征在于，在所述根据用户行为信息，采用流计算方法确定各用户的关联推荐商品类别候选集之前，还包括：
获取用户的预设商品类别候选集以及影响因子更新信息，其中，所述预设商品类别候选集中包括用户在预设时间内购买的商品的关联商品推荐度数据、与关联商品推荐度数据对应的影响因子数据，或者，预设商品类别候选集中包括根据大数据而自动调整出的关联商品推荐度数据、与关联商品推荐度数据对应的影响因子数据；
根据预设商品类别候选集以及影响因子更新信息，判断是否需要更新关联推荐商品类别候选集；
若确定需要更新关联推荐商品类别候选集，则更新关联推荐商品类别候选集。
5.一种基于流式用户行为分析的产品推送装置，其特征在于，包括：
获取模块，用于获取各用户的用户行为数据；
第一计算模块，用于根据用户行为数据，采用流计算方法确定用户行为信息，其中，用户行为信息包括用户浏览信息和/或用户购买信息；
第二计算模块，用于根据用户行为信息，采用流计算方法确定各用户的关联推荐商品类别候选集，其中，每一个关联推荐商品类别候选集中包括关联商品推荐度数据、与关联商品推荐度数据对应的影响因子数据；
合并模块，用于对各用户的关联推荐商品类别候选集进行合并频集处理，确定各商品类别的支持度；
确定模块，用于根据各商品类别的支持度，确定推荐商品列表，其中，推荐商品列表中包括推荐商品类别。
6.根据权利要求5所述的装置，其特征在于，所述装置，还包括：
显示模块，用于在所述确定模块根据各商品类别的支持度，确定推荐商品列表之后，确定推荐商品列表中支持度最大的推荐商品类别，查找支持度最大的推荐商品类别的商品信息，显示该商品信息。
7.根据权利要求5所述的装置，其特征在于，所述合并模块，具体用于：
对各用户的关联推荐商品类别候选集进行合并频集处理，得到每一个关联商品推荐度数据的比重；
根据各关联商品推荐度数据的比重，确定各商品类别的支持度。
8.根据权利要求5-7任一项所述的装置，其特征在于，所述装置，还包括：
调整模块，用于在所述第二计算模块根据用户行为信息，采用流计算方法确定各用户的关联推荐商品类别候选集之前，获取用户的预设商品类别候选集以及影响因子更新信息，其中，所述预设商品类别候选集中包括用户在预设时间内购买的商品的关联商品推荐度数据、与关联商品推荐度数据对应的影响因子数据，或者，预设商品类别候选集中包括根据大数据而自动调整出的关联商品推荐度数据、与关联商品推荐度数据对应的影响因子数据；根据预设商品类别候选集以及影响因子更新信息，判断是否需要更新关联推荐商品类别候选集；若确定需要更新关联推荐商品类别候选集，则更新关联推荐商品类别候选集。
CN201710240056.8A 2017-04-13 2017-04-13 基于流式用户行为分析的产品推送方法和装置 Pending CN107045700A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710240056.8A CN107045700A (zh) 2017-04-13 2017-04-13 基于流式用户行为分析的产品推送方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710240056.8A CN107045700A (zh) 2017-04-13 2017-04-13 基于流式用户行为分析的产品推送方法和装置

Publications (1)

Publication Number Publication Date
CN107045700A true CN107045700A (zh) 2017-08-15

Family

ID=59545395

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710240056.8A Pending CN107045700A (zh) 2017-04-13 2017-04-13 基于流式用户行为分析的产品推送方法和装置

Country Status (1)

Country Link
CN (1) CN107045700A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107481114A (zh) * 2017-08-16 2017-12-15 北京京东尚科信息技术有限公司 商品推荐方法、装置、电子商务系统及存储介质
CN108846698A (zh) * 2018-06-14 2018-11-20 安徽鼎龙网络传媒有限公司 一种微场景管理后台微信商城云处理压缩系统
CN109784967A (zh) * 2018-12-05 2019-05-21 微梦创科网络科技（中国）有限公司 一种信息的推送方法和装置
CN110163703A (zh) * 2018-02-12 2019-08-23 阿里巴巴集团控股有限公司 一种分类模型建立方法、文案推送方法和服务器
CN110288484A (zh) * 2019-04-02 2019-09-27 上海瀚之友信息技术服务有限公司 一种基于大数据平台的保险分类的用户推荐方法及系统
CN110634040A (zh) * 2018-06-22 2019-12-31 北京京东尚科信息技术有限公司 信息推荐方法和装置
CN112418989A (zh) * 2020-11-20 2021-02-26 中国建设银行股份有限公司 权益产品推荐方法及装置

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107481114A (zh) * 2017-08-16 2017-12-15 北京京东尚科信息技术有限公司 商品推荐方法、装置、电子商务系统及存储介质
CN110163703A (zh) * 2018-02-12 2019-08-23 阿里巴巴集团控股有限公司 一种分类模型建立方法、文案推送方法和服务器
CN108846698A (zh) * 2018-06-14 2018-11-20 安徽鼎龙网络传媒有限公司 一种微场景管理后台微信商城云处理压缩系统
CN110634040A (zh) * 2018-06-22 2019-12-31 北京京东尚科信息技术有限公司 信息推荐方法和装置
CN109784967A (zh) * 2018-12-05 2019-05-21 微梦创科网络科技（中国）有限公司 一种信息的推送方法和装置
CN110288484A (zh) * 2019-04-02 2019-09-27 上海瀚之友信息技术服务有限公司 一种基于大数据平台的保险分类的用户推荐方法及系统
CN110288484B (zh) * 2019-04-02 2022-12-13 上海瀚之友信息技术服务有限公司 一种基于大数据平台的保险分类的用户推荐方法及系统
CN112418989A (zh) * 2020-11-20 2021-02-26 中国建设银行股份有限公司 权益产品推荐方法及装置

Similar Documents

Publication Publication Date Title
CN107045700A (zh) 基于流式用户行为分析的产品推送方法和装置
US9928537B2 (en) Management and storage of distributed bookmarks
CN108121737B (zh) 一种业务对象属性标识的生成方法、装置和系统
US20240070694A1 (en) Customer clustering using integer programming
US10664888B2 (en) Method and system for attribute extraction from product titles using sequence labeling algorithms
JP6109290B2 (ja) 分類された誤配置の識別
US9400831B2 (en) Providing information recommendations based on determined user groups
CN110532479A (zh) 一种信息推荐方法、装置及设备
CN104899246B (zh) 基于模糊机制用户评分邻域信息的协同过滤推荐方法
US11127063B2 (en) Product and content association
CN109447713A (zh) 一种基于知识图谱的推荐方法及装置
Cho et al. Implementation of Personalized recommendation System using k-means Clustering of Item Category based on RFM
CN103020128B (zh) 与终端设备交互数据的方法与装置
CN108109058B (zh) 一种融合人格特质和物品标签的单分类协同过滤方法
CN107911448A (zh) 一种内容推送方法及装置
CN105894310A (zh) 一种个性化推荐方法
CN103353880A (zh) 一种利用相异度聚类和关联的数据挖掘方法
CN106708871A (zh) 一种社交业务特征用户的识别方法和装置
CN115423555A (zh) 一种商品推荐方法、装置、电子设备及存储介质
Cho et al. Mining association rules using RFM scoring method for personalized u-commerce recommendation system in emerging data
CN111768213B (zh) 一种用户标签权重评估方法
CN107562533A (zh) 一种数据加载处理方法及装置
CN103425688B (zh) 信息提供方法及服务器
Cho et al. Periodicity analysis using weighted sequential pattern in recommending service
JP2018116662A (ja) 情報処理装置、情報処理方法、およびプログラム

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: 20170815