CN107230098A - 一种业务对象的分时推荐方法和系统 - Google Patents

一种业务对象的分时推荐方法和系统 Download PDF

Info

Publication number
CN107230098A
CN107230098A CN201610180312.4A CN201610180312A CN107230098A CN 107230098 A CN107230098 A CN 107230098A CN 201610180312 A CN201610180312 A CN 201610180312A CN 107230098 A CN107230098 A CN 107230098A
Authority
CN
China
Prior art keywords
user
recommended
business object
period
behavior data
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
CN201610180312.4A
Other languages
English (en)
Inventor
周俊
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 CN201610180312.4A priority Critical patent/CN107230098A/zh
Priority to TW106105134A priority patent/TW201737176A/zh
Priority to JP2018549516A priority patent/JP7105700B2/ja
Priority to PCT/CN2017/076549 priority patent/WO2017162070A1/zh
Publication of CN107230098A publication Critical patent/CN107230098A/zh
Priority to US16/140,308 priority patent/US20190026816A1/en
Pending legal-status Critical Current

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q30/00Commerce
    • G06Q30/02Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241Advertisements
    • G06Q30/0251Targeted advertisements
    • G06Q30/0255Targeted advertisements based on user history
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q30/00Commerce
    • G06Q30/06Buying, selling or leasing transactions
    • G06Q30/0601Electronic shopping [e-shopping]
    • G06Q30/0631Item recommendations
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90Details of database functions independent of the retrieved data types
    • G06F16/95Retrieval from the web
    • G06F16/953Querying, e.g. by the use of web search engines
    • G06F16/9535Search customisation based on user profiles and personalisation
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q30/00Commerce
    • G06Q30/02Marketing; Price estimation or determination; Fundraising
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q30/00Commerce
    • G06Q30/02Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241Advertisements
    • G06Q30/0251Targeted advertisements
    • G06Q30/0253During e-commerce, i.e. online transactions
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q30/00Commerce
    • G06Q30/02Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241Advertisements
    • G06Q30/0251Targeted advertisements
    • G06Q30/0269Targeted advertisements based on user profile or attribute
    • G06Q30/0271Personalized advertisement
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q30/00Commerce
    • G06Q30/02Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241Advertisements
    • G06Q30/0272Period of advertisement exposure
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04LTRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00Network arrangements or protocols for supporting network services or applications
    • H04L67/50Network services
    • H04L67/535Tracking the activity of the user
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04LTRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00Network arrangements or protocols for supporting network services or applications
    • H04L67/50Network services
    • H04L67/55Push-based network services

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Databases & Information Systems (AREA)
  • Computer Hardware Design (AREA)
  • Data Mining & Analysis (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请实施例提供了一种业务对象的分时推荐方法和系统,所述方法包括:获取业务平台上的用户行为日志;采用所述用户行为日志确定推荐时间段;分别针对所述推荐时间段设置推荐策略;采用所述推荐策略在对应的推荐时间段中为用户推荐业务对象。本申请实施例用以满足用户深层次需求,提高业务平台的业务对象推荐效力。

Description

一种业务对象的分时推荐方法和系统
技术领域
本申请涉及数据处理技术领域,特别是涉及一种业务对象的分时推荐方法和一种业务对象的分时推荐系统。
背景技术
促销就是营销者向用户传递有关本企业及商品的各种信息,说服或吸引用户购买其商品,以达到扩大销售量的目的。各个电商平台较为常用的促销方式是在节日或者某些预定时间进行商品促销,鼓励用户购买商品。
传统的节日促销方案,就是电商平台将一系列优惠商品在促销时间段,以优惠价格提供给用户进行购买,在不同的促销时间段,提供的商品都是固定不变。然而,用户在不同时间段的购买心态是不一样的。比如,刚开始进行商品促销时,假设商品促销时间从0点开始,用户会在此时疯抢商品,购买早已经看好的商品,等到2点之后,用户提前看好的商品都已经购买完毕,这时候用户目的性减弱,很有可能会随机购买商品。传统的商品推荐方案,由于商品都是固定不变,因此没有考虑到用户的购买心态和购物习惯,势必会影响用户的购物体验,不能满足用户深层次的需求,降低电商平台商品的销售量。
发明内容
鉴于上述问题,提出了本申请实施例以便提供一种克服上述问题或者至少部分地解决上述问题的一种业务对象的分时推荐方法和相应的一种业务对象的分时推荐系统。
为了解决上述问题,本申请实施例公开了一种业务对象的分时推荐方法,包括:
获取业务平台上的用户行为日志;
采用所述用户行为日志确定推荐时间段;
分别针对所述推荐时间段设置推荐策略;
采用所述推荐策略在对应的推荐时间段中为用户推荐业务对象。
优选地,所述用户行为日志包括用户行为数据,所述采用用户行为日志确定推荐时间段的步骤包括:
采用所述用户行为数据计算出用户在各个时间点的活跃度;
基于所述各个时间点的活跃度设置推荐时间段。
优选地,所述采用推荐策略在对应的推荐时间段中为用户推荐业务对象的步骤包括:
获取某一用户在第一指定时间阶段的用户行为数据;所述用户属于一个或多个的用户群体;
依据所述用户行为数据确定第一推荐对象;
确定所述用户群体在第二指定时间阶段的第二推荐对象;
在推荐时间段中为所述用户推荐所述第一推荐对象和所述第二推荐对象。
优选地,所述依据用户行为数据确定第一推荐对象的步骤包括:
获取所述用户行为数据对应的业务对象;
将所述业务对象作为第一推荐对象。
优选地,所述确定用户群体在第二指定时间阶段的第二推荐对象的步骤包括:
获取所述用户群体在第二指定时间阶段的用户行为数据;
统计所述用户行为数据所对应的业务对象的数量;
将所述业务对象的数量为前N位的业务对象作为第二推荐对象;所述N为正整数。
优选地,所述采用推荐策略在对应的推荐时间段中为用户推荐业务对象的步骤包括:
获取某一用户在第三指定时间阶段的用户行为数据;
依据所述用户行为数据确定第三推荐对象;
随机从预置对象数据库中获取第四推荐对象;
在推荐时间段中为所述用户推荐所述第三推荐对象和所述第四推荐对象。
优选地,所述采用推荐策略在对应的推荐时间段中为用户推荐业务对象的步骤包括:
获取某一用户在第四指定时间段的用户行为数据;所述用户行为数据具有对应的业务对象;
按照预置的协同过滤算法采用所述业务对象确定第五推荐对象;
获取预置的常用业务对象作为第六推荐对象
在推荐时间段中为所述用户推荐所述第五推荐对象和所述第六推荐对象。
优选地,所述业务平台为电商平台,所述业务对象为商品,所述用户行为数据包括用户对于商品的点击行为数据,没点击行为数据,浏览行为数据,添加购物车行为数据,收藏行为数据,流量数据。
本申请实施例还公开了一种业务对象的分时推荐系统,包括:
用户行为日志获取模块,用于获取业务平台上的用户行为日志;
推荐时间段确定模块,用于采用所述用户行为日志确定推荐时间段;
推荐策略设置模块,用于分别针对所述推荐时间段设置推荐策略;
业务对象推荐模块,用于采用所述推荐策略在对应的推荐时间段中为用户推荐业务对象。
优选地,所述用户行为日志包括用户行为数据,所述推荐时间段确定模块包括:
活跃度计算子模块,用于采用所述用户行为数据计算出用户在各个时间点的活跃度;
推荐时间段设置子模块,用于基于所述各个时间点的活跃度设置推荐时间段。
优选地,所述业务对象推荐模块包括:
第一用户行为数据获取子模块,用于获取某一用户在第一指定时间阶段的用户行为数据;所述用户属于一个或多个的用户群体;
第一推荐对象确定子模块,用于依据所述用户行为数据确定第一推荐对象;
第二推荐对象确定子模块,用于确定所述用户群体在第二指定时间阶段的第二推荐对象;
第一业务对象推荐子模块,用于在推荐时间段中为所述用户推荐所述第一推荐对象和所述第二推荐对象。
优选地,所述第一推荐对象确定子模块包括:
业务对象获取单元,用于获取所述用户行为数据对应的业务对象;
第一推荐对象设置单元,用于将所述业务对象作为第一推荐对象。
优选地,所述第二推荐对象确定子模块包括:
用户行为数据获取单元,用于获取所述用户群体在第二指定时间阶段的用户行为数据;
业务对象的数量统计单元,用于统计所述用户行为数据所对应的业务对象的数量;
第二推荐对象设置单元,用于将所述业务对象的数量为前N位的业务对象作为第二推荐对象;所述N为正整数。
优选地,所述业务对象推荐模块包括:
第二用户行为数据获取子模块,用于获取某一用户在第三指定时间阶段的用户行为数据;
第三推荐对象确定子模块,用于依据所述用户行为数据确定第三推荐对象;
第四推荐对象确定子模块,用于随机从预置对象数据库中获取第四推荐对象;
第二业务对象推荐子模块,用于在推荐时间段中为所述用户推荐所述第三推荐对象和所述第四推荐对象。
优选地,所述业务对象推荐模块包括:
第三用户行为数据获取子模块,用于获取某一用户在第四指定时间段的用户行为数据;所述用户行为数据具有对应的业务对象;
第五推荐对象确定子模块,用于按照预置的协同过滤算法采用所述业务对象确定第五推荐对象;
第六推荐对象确定子模块,用于获取预置的常用业务对象作为第六推荐对象
第三业务对象推荐子模块,用于在推荐时间段中为所述用户推荐所述第五推荐对象和所述第六推荐对象。
本申请实施例包括以下优点:
本申请实施例利用业务平台的用户行为日志,统计分析在该业务平台上的用户在不同时间段的用户行为,从而相应的设置一系列的推荐策略,再基于推荐策略分时为用户推荐业务对象,由于是分时基于推荐策略来为用户推荐业务对象,能够满足用户深层次需求,提高业务平台的业务对象推荐效力。
本申请实施例的业务平台和业务对象可以对应为电商平台和商品,通过用户行为日志计算出用户在各个时间点的活跃度,由于活跃度能够反映用户的购买心态和购物习惯,故可根据活跃度来设置推荐时间段,其中,推荐时间段会设置有适应的推荐策略,能够为用户在相应的推荐时间段中采用适应的推荐策略为用户推荐商品,由于本申请实施例中考虑用户的购买心态和购物习惯,满足用户深层次需求,提高了用户购物体验效果,大幅提升电商平台的商品销售量。
附图说明
图1是本申请的一种业务对象的分时推荐方法实施例的步骤流程图;
图2是本申请的一种节日商品大促销的流程示意图;
图3是本申请的一种业务对象的分时推荐系统实施例的结构框图。
具体实施方式
为使本申请的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本申请作进一步详细的说明。
参照图1,示出了本申请的一种业务对象的分时推荐方法实施例的步骤流程图,具体可以包括如下步骤:
步骤101,获取业务平台上的用户行为日志;
需要说明的是,本申请实施例中业务平台是指电商平台,业务对象则是电商平台上不同业务领域的具体事物,例如商品。为使本领域技术人员更好地理解本申请实施例,在本说明书中,主要采用商品作为业务对象的一种示例进行说明。
本申请实施例中的商品可以是由一个或多个电商网站或电商平台所展示的一款或多款商品,所展示的商品具有一个或多个商品信息,例如商品属性,例如商品图像、商品名称、商品价格、商品描述、商品的型号、或商品的参数等等。
在具体实现中,电商平台中记录了用户行为日志,该用户行为日志包括用户与商品的用户行为数据,具体为用户对于电商平台上商品的点击行为,没点击行为,浏览行为,添加购物车行为,收藏行为等交互行为数据。除此之外,用户行为日志中还可以包括用户基本数据,具体为用户的性别,年龄,所属城市,职业或购买力等非常多维度的数据。
其中,点击行为是指用户点击进入电商平台页面上展示商品的主页。可以理解,在电商平台页面上展示了很多商品,用户通常不可能点击进入所有商品的主页,故没点击行为是指用户没点击进入电商平台页面上展示商品的主页,浏览行为则是指用户浏览了电商平台上页面的商品,和/或点击进入展示商品的主页浏览详细信息,由于添加购物车行为和收藏行为是网上购物常用做法,就不在进行赘述了。
当然,上述的用户行为日志中用户行为数据和用户基本数据仅仅是作为示例,在本申请实施例中,可以适当添加或减少用户行为日志中的某些数据,本申请实施例对此不加以限制。
步骤102,采用所述用户行为日志确定推荐时间段;
在本申请的一种优选实施例中,所述用户行为日志可以包括用户行为数据,所述步骤102可以包括如下子步骤:
子步骤S11,采用所述用户行为数据计算出用户在各个时间点的活跃度;
子步骤S12,基于所述各个时间点的活跃度设置推荐时间段。
在本申请实施例中,通过对用户行为日志进行统计分析,得到电商平台上整体用户的在各个时间点的活跃度,活跃度可以在一定程度上反映用户的购买需求,故而通过活跃度这个指标可分析出适当的推荐时间段。
活跃度可以是各个时间点在电商平台进行点击行为的用户数量与电商平台整体用户的数量的比例。当然,除了仅利用点击行为的用户数量外,还可以利用诸如进行浏览行为,添加购物车行为,收藏行为的用户数量与整体用户的数量比例,作为用户的活跃度,本申请实施例对此不加以限制。其中,仅采用点击行为计算得到的活跃度也可以称为点击率。根据活跃度在某个时间段的分布情况,进一步设置推荐时间段。
在实际设置推荐时间段时,为了便于用户记忆和满足某些用户对于整数的强迫症需求,推荐时间段可设置为整点到整点,例如0-1点,2-3点。
步骤103,分别针对所述推荐时间段设置推荐策略;
在现实生活中,用户商品购买需求随时间段变化而变化。由于不同时间段的购买需求不同,自然需要在设置适应的推荐策略,才能为用户提供符合其购买需求的商品。在本申请的一种示例中,推荐策略可由操作人员设置,通过机器学习得到各个推荐时间段的模型(model),放置到电商平台上服务用户,为用户提供符合其需求的商品。还可以根据用户行为数据,反过来调整推荐策略。
步骤104,采用所述推荐策略在对应的推荐时间段中为用户推荐业务对象。
当用户进入电商平台后,确定用户当前的系统时间所属的推荐时间段,再按照该推荐时间段对应的推荐策略为用户推荐商品。
本申请实施例尤其适用于节日商品大促销这种能提高用户购物欲的活动。参照图2所示的本申请的一种节日商品大促销的流程示意图,进行节日商品促销的过程可以包括:
(1)离线收集用户行为日志,进入“分时统计分析装置”,统计分析用户在不同时间点的购买需求,从而输出各个推荐时间段所对应的一系列策略。例如,某一天内用户的购买需求可能是:i:0-2点,用户疯抢阶段;ii:3-7点,用户乱买阶段;iii:8-18点,用户平稳购买阶段;iv:19-24点,用户不甘阶段。
(2)进入“分时推荐装置”推荐商品到“节日大促推销系统”;“节日大促推销系统”是个容器,它里面可以使用各种推销策略。“分时推荐装置”设置有各个推荐时间段所对应的推荐策略,当需要进行促销活动时,将“分时推荐装置”中的推荐策略输入到“节日大促推销系统”,“节日大促推销系统”就开始为用户按照推荐策略来推荐商品。
本申请实施例是根据用户在不同时段的购买需求设置推荐策略,推荐策略在不同时间阶段可分别为如下所示:
第一阶段:用户都在疯抢商品,推荐用户最近1天内浏览/点击/添加购物车的商品+2小时内热销商品;
第二阶段:用户购买完比较失落,推荐用户最近1周内浏览/点击/添加购物车的商品+1天内热销商品;
第三阶段:将商品搭配推荐范围扩大,满足大家上班时闲逛的情形,推荐商品时,将考虑一定的随机因素;
第四阶段:节日商品大促销活动即将结束,对日常消费类目商品进行加权+用户的长期行为喜好的商品。
需要说明的是,推荐时间段和推荐策略都可以调整,在实时本申请实施例时,可以按照现实情况来划分推荐时间段和制定推荐策略,例如调整上述四个阶段的推荐策略,本申请实施例对此不加以限制。
为了本领域技术人员更好地理解本申请实施例的在上述四个阶段的推荐策略,以下采用具体实例进行说明。
(1)针对第一阶段和第二阶段的推荐策略,其概括可以为如所述步骤104的子步骤:
子步骤S21,获取某一用户在第一指定时间阶段的用户行为数据;所述用户属于一个或多个的用户群体;
子步骤S22,依据所述用户行为数据确定第一推荐对象;
子步骤S23,确定所述用户群体在第二指定时间阶段的第二推荐对象;
子步骤S24,在推荐时间段中为所述用户推荐所述第一推荐对象和所述第二推荐对象。
在本申请的一种优选实施例中,所述依据所述用户行为数据确定第一推荐对象的步骤,也即是子步骤S22可以包括如下子步骤:
子步骤a1,获取所述用户行为数据对应的业务对象;
子步骤a2,将所述业务对象作为第一推荐对象。
在本申请的一种优选实施例中,所述确定用户群体在第二指定时间阶段的第二推荐对象的步骤,也即是所述子步骤S23可以包括如下子步骤:
子步骤b1,获取所述用户群体在第二指定时间阶段的用户行为数据;
子步骤b2,统计所述用户行为数据所对应的业务对象的数量;
子步骤b3,将所述业务对象的数量为前N位的业务对象作为第二推荐对象;所述N为正整数。
第一阶段和第二阶段的推荐策略,主要都是为用户推荐在指定时间段用户有过交互行为的商品,以及,在指定时间段被用户所在群体大量购买的商品。具体地,在第一阶段,将最近1天内浏览/点击/添加购物车的商品作为第一推荐对象,2小时内热销商品作为第二推荐对象推荐给用户。同理,在第二阶段,将最近1周内浏览/点击/添加购物车的商品作为第一推荐对象,1天内热销商品作为第二推荐对象推荐给用户。
在电商平台中的用户,都会属于一个或者多个用户群体,用户群体的划分可以按照用户基本数据。例如,按照年龄划分,按照用户是否结婚划分,用户属于哪些群体,都是预先根据其基本用户数据(当然也可以根据用户行为数据)进行用户群体划分。电商平台统计每个用户群体在某个时间段里面商品的购买数量,并按照购买数量按序排列在榜单,通常排序在前面N位的商品都认为是热销商品。
(2)针对第三阶段的推荐策略,其概括为如所述步骤104的子步骤:
子步骤S31,获取某一用户在第三指定时间阶段的用户行为数据;
子步骤S32,依据所述用户行为数据确定第三推荐对象;
子步骤S33,随机从预置对象数据库中获取第四推荐对象;
子步骤S34,在推荐时间段中为所述用户推荐所述第三推荐对象和所述第四推荐对象。
第三阶段的推荐策略,主要是将用户近2周内浏览/点击/添加购物车的商品作为第三推荐对象,以及从电商平台中按随机因素抽选的商品作为获取第四推荐对象推荐给用户。
随机因素是指随机从电商平台预置的商品库中抽选一些用户从来没有浏览过的商品,以满足用户的新奇性。例如,对于一个年龄在20岁的女生,电商平台主要推荐的是她近2周有过交互行为的商品,同时加上一些随机从商品库选择的商品,比如可能选择的是工作后所用的化妆品或者童装等等。
(3)针对第四阶段的推荐策略,其概括为如所述步骤104的子步骤:
子步骤S41,获取某一用户在第四指定时间段的用户行为数据;所述用户行为数据具有对应的业务对象;
子步骤S42,按照预置的协同过滤算法采用所述业务对象确定第五推荐对象;
子步骤S43,获取预置的常用业务对象作为第六推荐对象
子步骤S44,在推荐时间段中为所述用户推荐所述第五推荐对象和所述第六推荐对象。
第四阶段的推荐策略,主要是对日常消费商品进行加权,以提高这些商品被选中的概率,这些商品作为第六推荐对象,以及,利用用户近半年的用户行为日志,分析用户的喜好来挑选商品作为第五推荐对象推荐给用户。可以理解,用户有过交互行为次数越多的商品,越是符合用户长期行为喜好的商品,通常用户喜好计算的过程可以利用个性化的推荐方法。
目前,业界常用的个性化推荐方法是基于协同过滤(CollaborativeFiltering,简称CF)技术。协同过滤是通过分析用户兴趣,找到用户与感兴趣商品相似的商品,或者在用户群中找到用户的相似(兴趣)用户,综合这些相似用户或相似商品,形成用户对此商品的喜好程度预测。协同过滤具体可以包括有如下几种方法,在下面描述中Item表示商品,User表示用户:
(1)最常用的一类方法是基于Item的协同过滤方法,也就是通过User与Item的交互行为数据来得到Item间的相似度,核心原理就是如果User同时点击或者交互了Item A与Item B,则对Item A与Item B间的相似度投了一票,这样通过大量的交互行为数据就能最终确定Item间的相似度。
(2)另外一类是基于User的协同过滤方法,核心原理就是假设UserA与User B是相似的User,则User B的交互Item可以直接作为User A的推荐Item;而确定User A与User B的相似程度往往使用User的交互Item向量,即计算两者的Item向量的余弦夹角,直观上说就是两者交互的共同Item越多两者越相似。
(3)此外,还有一类方法就是根据User交互的Item,获取其Item的title(主题)或者详情中的信息得到User的喜好词来表示User,并在后端建立词-Item的倒排链表,然后线上根据倒排链表生成User的喜好词,喜好词召回Item的方式来展现。
需要说明的是,上述协同过滤方法仅仅是作为示例,在实际中可以使用其他的算法来进行用户个性化推荐,本申请实施例对此不加以限制。
本申请实施例通过用户行为日志计算出用户在各个时间点的活跃度,由于活跃度能够反映用户的购买心态和购物习惯,故可根据活跃度来设置推荐时间段,其中,推荐时间段会设置有适应的推荐策略,能够为用户在相应的推荐时间段中采用适应的推荐策略为用户推荐商品,由于本申请实施例中考虑用户的购买心态和购物习惯,满足用户深层次需求,提高了用户购物体验效果,大幅提升电商平台的商品销售量。
需要说明的是,对于方法实施例,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,本申请实施例并不受所描述的动作顺序的限制,因为依据本申请实施例,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,所涉及的动作并不一定是本申请实施例所必须的。
参照图3,示出了本申请的一种业务对象的分时推荐系统实施例的结构框图,具体可以包括如下模块:
用户行为日志获取模块201,用于获取业务平台上的用户行为日志;
推荐时间段确定模块202,用于采用所述用户行为日志确定推荐时间段;
在本申请的一种优选实施例中,所述用户行为日志可以包括用户行为数据,所述推荐时间段确定模块202可以包括如下子模块:
活跃度计算子模块,用于采用所述用户行为数据计算出用户在各个时间点的活跃度;
推荐时间段设置子模块,用于基于所述各个时间点的活跃度设置推荐时间段。
推荐策略设置模块203,用于分别针对所述推荐时间段设置推荐策略;
业务对象推荐模块204,用于采用所述推荐策略在对应的推荐时间段中为用户推荐业务对象。
在本申请的一种优选实施例中,所述业务对象推荐模块204可以包括如下子模块:
第一用户行为数据获取子模块,用于获取某一用户在第一指定时间阶段的用户行为数据;所述用户属于一个或多个的用户群体;
第一推荐对象确定子模块,用于依据所述用户行为数据确定第一推荐对象;
第二推荐对象确定子模块,用于确定所述用户群体在第二指定时间阶段的第二推荐对象;
第一业务对象推荐子模块,用于在推荐时间段中为所述用户推荐所述第一推荐对象和所述第二推荐对象。
在本申请的一种优选实施例中,所述第一推荐对象确定子模块包括:
业务对象获取单元,用于获取所述用户行为数据对应的业务对象;
第一推荐对象设置单元,用于将所述业务对象作为第一推荐对象。
在本申请的一种优选实施例中,所述第二推荐对象确定子模块包括:
用户行为数据获取单元,用于获取所述用户群体在第二指定时间阶段的用户行为数据;
业务对象的数量统计单元,用于统计所述用户行为数据所对应的业务对象的数量;
第二推荐对象设置单元,用于将所述业务对象的数量为前N位的业务对象作为第二推荐对象;所述N为正整数。
在本申请的一种优选实施例中,所述业务对象推荐模块204可以包括如下子模块:
第二用户行为数据获取子模块,用于获取某一用户在第三指定时间阶段的用户行为数据;
第三推荐对象确定子模块,用于依据所述用户行为数据确定第三推荐对象;
第四推荐对象确定子模块,用于随机从预置对象数据库中获取第四推荐对象;
第二业务对象推荐子模块,用于在推荐时间段中为所述用户推荐所述第三推荐对象和所述第四推荐对象。
在本申请的一种优选实施例中,所述业务对象推荐模块204可以包括如下子模块:
第三用户行为数据获取子模块,用于获取某一用户在第四指定时间段的用户行为数据;所述用户行为数据具有对应的业务对象;
第五推荐对象确定子模块,用于按照预置的协同过滤算法采用所述业务对象确定第五推荐对象;
第六推荐对象确定子模块,用于获取预置的常用业务对象作为第六推荐对象
第三业务对象推荐子模块,用于在推荐时间段中为所述用户推荐所述第五推荐对象和所述第六推荐对象。
在本申请的一种优选实施例中,所述业务平台可以为电商平台,所述业务对象为商品,所述用户行为数据可以包括用户对于商品的点击行为数据,没点击行为数据,浏览行为数据,添加购物车行为数据,收藏行为数据,流量数据。
对于系统实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
本领域内的技术人员应明白,本申请实施例的实施例可提供为方法、装置、或计算机程序产品。因此,本申请实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
在一个典型的配置中,所述计算机设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括非持续性的电脑可读媒体(transitory media),如调制的数据信号和载波。
本申请实施例是参照根据本申请实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上,使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请实施例的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请实施例范围的所有变更和修改。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上对本申请所提供的一种业务对象的分时推荐方法和一种业务对象的分时推荐系统,进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。

Claims (15)

1.一种业务对象的分时推荐方法,其特征在于,包括:
获取业务平台上的用户行为日志;
采用所述用户行为日志确定推荐时间段;
分别针对所述推荐时间段设置推荐策略;
采用所述推荐策略在对应的推荐时间段中为用户推荐业务对象。
2.根据权利要求1所述的方法,其特征在于,所述用户行为日志包括用户行为数据,所述采用用户行为日志确定推荐时间段的步骤包括:
采用所述用户行为数据计算出用户在各个时间点的活跃度;
基于所述各个时间点的活跃度设置推荐时间段。
3.根据权利要求1或2所述的方法,其特征在于,所述采用推荐策略在对应的推荐时间段中为用户推荐业务对象的步骤包括:
获取某一用户在第一指定时间阶段的用户行为数据;所述用户属于一个或多个的用户群体;
依据所述用户行为数据确定第一推荐对象;
确定所述用户群体在第二指定时间阶段的第二推荐对象;
在推荐时间段中为所述用户推荐所述第一推荐对象和所述第二推荐对象。
4.根据权利要求3所述的方法,其特征在于,所述依据用户行为数据确定第一推荐对象的步骤包括:
获取所述用户行为数据对应的业务对象;
将所述业务对象作为第一推荐对象。
5.根据权利要求3所述的方法,其特征在于,所述确定用户群体在第二指定时间阶段的第二推荐对象的步骤包括:
获取所述用户群体在第二指定时间阶段的用户行为数据;
统计所述用户行为数据所对应的业务对象的数量;
将所述业务对象的数量为前N位的业务对象作为第二推荐对象;所述N为正整数。
6.根据权利要求1或2所述的方法,其特征在于,所述采用推荐策略在对应的推荐时间段中为用户推荐业务对象的步骤包括:
获取某一用户在第三指定时间阶段的用户行为数据;
依据所述用户行为数据确定第三推荐对象;
随机从预置对象数据库中获取第四推荐对象;
在推荐时间段中为所述用户推荐所述第三推荐对象和所述第四推荐对象。
7.根据权利要求1或2所述的方法,其特征在于,所述采用推荐策略在对应的推荐时间段中为用户推荐业务对象的步骤包括:
获取某一用户在第四指定时间段的用户行为数据;所述用户行为数据具有对应的业务对象;
按照预置的协同过滤算法采用所述业务对象确定第五推荐对象;
获取预置的常用业务对象作为第六推荐对象
在推荐时间段中为所述用户推荐所述第五推荐对象和所述第六推荐对象。
8.根据权利要求1或2所述的方法,其特征在于,所述业务平台为电商平台,所述业务对象为商品,所述用户行为数据包括用户对于商品的点击行为数据,没点击行为数据,浏览行为数据,添加购物车行为数据,收藏行为数据,流量数据。
9.一种业务对象的分时推荐系统,其特征在于,包括:
用户行为日志获取模块,用于获取业务平台上的用户行为日志;
推荐时间段确定模块,用于采用所述用户行为日志确定推荐时间段;
推荐策略设置模块,用于分别针对所述推荐时间段设置推荐策略;
业务对象推荐模块,用于采用所述推荐策略在对应的推荐时间段中为用户推荐业务对象。
10.根据权利要求9所述的系统,其特征在于,所述用户行为日志包括用户行为数据,所述推荐时间段确定模块包括:
活跃度计算子模块,用于采用所述用户行为数据计算出用户在各个时间点的活跃度;
推荐时间段设置子模块,用于基于所述各个时间点的活跃度设置推荐时间段。
11.根据权利要求9或10所述的系统,其特征在于,所述业务对象推荐模块包括:
第一用户行为数据获取子模块,用于获取某一用户在第一指定时间阶段的用户行为数据;所述用户属于一个或多个的用户群体;
第一推荐对象确定子模块,用于依据所述用户行为数据确定第一推荐对象;
第二推荐对象确定子模块,用于确定所述用户群体在第二指定时间阶段的第二推荐对象;
第一业务对象推荐子模块,用于在推荐时间段中为所述用户推荐所述第一推荐对象和所述第二推荐对象。
12.根据权利要求11所述的系统,其特征在于,所述第一推荐对象确定子模块包括:
业务对象获取单元,用于获取所述用户行为数据对应的业务对象;
第一推荐对象设置单元,用于将所述业务对象作为第一推荐对象。
13.根据权利要求11所述的系统,其特征在于,所述第二推荐对象确定子模块包括:
用户行为数据获取单元,用于获取所述用户群体在第二指定时间阶段的用户行为数据;
业务对象的数量统计单元,用于统计所述用户行为数据所对应的业务对象的数量;
第二推荐对象设置单元,用于将所述业务对象的数量为前N位的业务对象作为第二推荐对象;所述N为正整数。
14.根据权利要求9或10所述的系统,其特征在于,所述业务对象推荐模块包括:
第二用户行为数据获取子模块,用于获取某一用户在第三指定时间阶段的用户行为数据;
第三推荐对象确定子模块,用于依据所述用户行为数据确定第三推荐对象;
第四推荐对象确定子模块,用于随机从预置对象数据库中获取第四推荐对象;
第二业务对象推荐子模块,用于在推荐时间段中为所述用户推荐所述第三推荐对象和所述第四推荐对象。
15.根据权利要求9或10所述的系统,其特征在于,所述业务对象推荐模块包括:
第三用户行为数据获取子模块,用于获取某一用户在第四指定时间段的用户行为数据;所述用户行为数据具有对应的业务对象;
第五推荐对象确定子模块,用于按照预置的协同过滤算法采用所述业务对象确定第五推荐对象;
第六推荐对象确定子模块,用于获取预置的常用业务对象作为第六推荐对象
第三业务对象推荐子模块,用于在推荐时间段中为所述用户推荐所述第五推荐对象和所述第六推荐对象。
CN201610180312.4A 2016-03-25 2016-03-25 一种业务对象的分时推荐方法和系统 Pending CN107230098A (zh)

Priority Applications (5)

Application Number Priority Date Filing Date Title
CN201610180312.4A CN107230098A (zh) 2016-03-25 2016-03-25 一种业务对象的分时推荐方法和系统
TW106105134A TW201737176A (zh) 2016-03-25 2017-02-16 業務對象的分時推薦方法和系統
JP2018549516A JP7105700B2 (ja) 2016-03-25 2017-03-14 サービス対象のための時分割推薦方法及び装置
PCT/CN2017/076549 WO2017162070A1 (zh) 2016-03-25 2017-03-14 一种业务对象的分时推荐方法和系统
US16/140,308 US20190026816A1 (en) 2016-03-25 2018-09-24 Time-division Recommendation Method and Apparatus for Service Objects

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610180312.4A CN107230098A (zh) 2016-03-25 2016-03-25 一种业务对象的分时推荐方法和系统

Publications (1)

Publication Number Publication Date
CN107230098A true CN107230098A (zh) 2017-10-03

Family

ID=59899219

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610180312.4A Pending CN107230098A (zh) 2016-03-25 2016-03-25 一种业务对象的分时推荐方法和系统

Country Status (5)

Country Link
US (1) US20190026816A1 (zh)
JP (1) JP7105700B2 (zh)
CN (1) CN107230098A (zh)
TW (1) TW201737176A (zh)
WO (1) WO2017162070A1 (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108550046A (zh) * 2018-03-07 2018-09-18 阿里巴巴集团控股有限公司 一种资源和营销推荐方法、装置及电子设备
CN108563681A (zh) * 2018-03-07 2018-09-21 阿里巴巴集团控股有限公司 一种内容推荐方法、装置、电子设备及系统
CN108875043A (zh) * 2018-06-27 2018-11-23 腾讯科技(北京)有限公司 用户数据处理方法、装置、计算机设备和存储介质
CN109903111A (zh) * 2017-12-11 2019-06-18 北京京东尚科信息技术有限公司 用于个性化推荐的排序方法,排序模型训练方法和排序系统
WO2019134544A1 (zh) * 2018-01-02 2019-07-11 阿里巴巴集团控股有限公司 营销信息的推送方法及装置
CN110458668A (zh) * 2019-08-15 2019-11-15 中国银行股份有限公司 确定产品推荐算法的方法及装置
CN110766493A (zh) * 2018-07-26 2020-02-07 阿里巴巴集团控股有限公司 业务对象提供方法、服务器、电子设备、存储介质
CN111582902A (zh) * 2019-02-18 2020-08-25 阿里巴巴集团控股有限公司 数据处理方法、业务处理方法及装置
CN111935204A (zh) * 2020-06-11 2020-11-13 杭州情咖网络技术有限公司 一种节目推荐方法、装置及电子设备
CN115374370A (zh) * 2022-10-26 2022-11-22 小米汽车科技有限公司 基于多模型的内容推送方法、装置和电子设备
EP4220526A4 (en) * 2020-09-23 2024-01-24 Beijing Wodong Tianjun Information Technology Co., Ltd. INFORMATION RECOMMENDATION METHOD AND APPARATUS

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110581875A (zh) * 2018-06-11 2019-12-17 阿里巴巴集团控股有限公司 应用于云货架的信息推送方法、装置和系统
CN110415063B (zh) * 2018-07-31 2022-07-05 北京京东尚科信息技术有限公司 商品推荐方法、装置、电子设备及可读介质
CN109840800A (zh) * 2018-12-14 2019-06-04 深圳壹账通智能科技有限公司 一种基于积分的产品推荐方法、装置、存储介质和服务器
CN112749322B (zh) * 2019-10-31 2024-06-21 阿里巴巴集团控股有限公司 商品对象信息推荐方法、装置及电子设备
CN111833153B (zh) * 2020-07-17 2024-03-05 深圳市活力天汇科技股份有限公司 一种购买高铁票时推荐航班的方法
CN112650921B (zh) * 2020-12-18 2024-06-18 中国平安人寿保险股份有限公司 一种对象推荐方法、装置、设备及存储介质
US20230245197A1 (en) * 2022-01-28 2023-08-03 Walmart Apollo, Llc Systems and methods for personalizing recommendations using real-time signals of a user session

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104111946A (zh) * 2013-04-19 2014-10-22 腾讯科技(深圳)有限公司 基于用户兴趣的聚类方法和装置
CN104699705A (zh) * 2013-12-06 2015-06-10 腾讯科技(深圳)有限公司 信息推送方法、服务器及系统
CN104866540A (zh) * 2015-05-04 2015-08-26 华中科技大学 一种基于群体用户行为分析的个性化推荐方法
CN105430504A (zh) * 2015-11-27 2016-03-23 中国科学院深圳先进技术研究院 基于电视观看日志挖掘的家庭成员结构识别方法与系统

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5429525B2 (ja) * 2009-03-16 2014-02-26 ブラザー工業株式会社 商品推奨方法及び商品推奨システム
CN101515360A (zh) * 2009-04-13 2009-08-26 阿里巴巴集团控股有限公司 向用户推荐网络目标信息的方法和服务器
CN103700004A (zh) * 2013-12-10 2014-04-02 深圳先进技术研究院 一种微博广告服务信息推送方法及装置
CN105279206A (zh) * 2014-07-25 2016-01-27 北京龙源创新信息技术有限公司 一种智能推荐方法和系统
CN105045859A (zh) * 2015-07-10 2015-11-11 海信集团有限公司 一种智能设备的用户特征分析方法及装置
JP6160665B2 (ja) * 2015-08-07 2017-07-12 株式会社Jvcケンウッド 情報選択装置、情報選択方法、端末装置およびコンピュータプログラム

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104111946A (zh) * 2013-04-19 2014-10-22 腾讯科技(深圳)有限公司 基于用户兴趣的聚类方法和装置
CN104699705A (zh) * 2013-12-06 2015-06-10 腾讯科技(深圳)有限公司 信息推送方法、服务器及系统
CN104866540A (zh) * 2015-05-04 2015-08-26 华中科技大学 一种基于群体用户行为分析的个性化推荐方法
CN105430504A (zh) * 2015-11-27 2016-03-23 中国科学院深圳先进技术研究院 基于电视观看日志挖掘的家庭成员结构识别方法与系统

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109903111A (zh) * 2017-12-11 2019-06-18 北京京东尚科信息技术有限公司 用于个性化推荐的排序方法,排序模型训练方法和排序系统
WO2019134544A1 (zh) * 2018-01-02 2019-07-11 阿里巴巴集团控股有限公司 营销信息的推送方法及装置
CN112818250A (zh) * 2018-03-07 2021-05-18 创新先进技术有限公司 一种内容推荐方法、装置、电子设备及系统
CN108550046B (zh) * 2018-03-07 2021-03-02 创新先进技术有限公司 一种资源和营销推荐方法、装置及电子设备
CN108563681A (zh) * 2018-03-07 2018-09-21 阿里巴巴集团控股有限公司 一种内容推荐方法、装置、电子设备及系统
WO2019169964A1 (zh) * 2018-03-07 2019-09-12 阿里巴巴集团控股有限公司 一种资源和营销推荐方法、装置及电子设备
CN112818250B (zh) * 2018-03-07 2024-03-08 创新先进技术有限公司 一种内容推荐方法、装置、电子设备及系统
CN108550046A (zh) * 2018-03-07 2018-09-18 阿里巴巴集团控股有限公司 一种资源和营销推荐方法、装置及电子设备
CN108563681B (zh) * 2018-03-07 2021-02-02 创新先进技术有限公司 一种内容推荐方法、装置、电子设备及系统
CN108875043A (zh) * 2018-06-27 2018-11-23 腾讯科技(北京)有限公司 用户数据处理方法、装置、计算机设备和存储介质
CN108875043B (zh) * 2018-06-27 2022-02-25 腾讯科技(北京)有限公司 用户数据处理方法、装置、计算机设备和存储介质
CN110766493A (zh) * 2018-07-26 2020-02-07 阿里巴巴集团控股有限公司 业务对象提供方法、服务器、电子设备、存储介质
CN110766493B (zh) * 2018-07-26 2023-04-28 阿里巴巴集团控股有限公司 业务对象提供方法、服务器、电子设备、存储介质
CN111582902A (zh) * 2019-02-18 2020-08-25 阿里巴巴集团控股有限公司 数据处理方法、业务处理方法及装置
CN111582902B (zh) * 2019-02-18 2023-07-21 阿里巴巴(北京)软件服务有限公司 数据处理方法、业务处理方法及装置
CN110458668A (zh) * 2019-08-15 2019-11-15 中国银行股份有限公司 确定产品推荐算法的方法及装置
CN111935204A (zh) * 2020-06-11 2020-11-13 杭州情咖网络技术有限公司 一种节目推荐方法、装置及电子设备
EP4220526A4 (en) * 2020-09-23 2024-01-24 Beijing Wodong Tianjun Information Technology Co., Ltd. INFORMATION RECOMMENDATION METHOD AND APPARATUS
CN115374370A (zh) * 2022-10-26 2022-11-22 小米汽车科技有限公司 基于多模型的内容推送方法、装置和电子设备

Also Published As

Publication number Publication date
US20190026816A1 (en) 2019-01-24
WO2017162070A1 (zh) 2017-09-28
JP2019512809A (ja) 2019-05-16
TW201737176A (zh) 2017-10-16
JP7105700B2 (ja) 2022-07-25

Similar Documents

Publication Publication Date Title
CN107230098A (zh) 一种业务对象的分时推荐方法和系统
Ren et al. Demand forecasting in retail operations for fashionable products: methods, practices, and real case study
See-To et al. Customer reviews for demand distribution and sales nowcasting: a big data approach
Ratchford et al. Online and offline retailing: What we know and directions for future research
JP6356744B2 (ja) ウェブサイト横断情報を表示する方法およびシステム
Kim et al. Online demand under limited consumer search
US20180365718A1 (en) Machine learning for marketing of branded consumer products
KR20140056731A (ko) 구매추천 시스템 및 방법
CN107633416B (zh) 一种业务对象的推荐方法、装置和系统
CN109493113A (zh) 一种优惠信息的提供方法以及装置
CN109447762A (zh) 商品推荐方法及其装置、服务器、商品推荐系统
CN106570031A (zh) 一种业务对象的推荐方法和装置
CN106919995A (zh) 一种判断用户群体流失倾向的方法及装置
Zheng et al. A scalable purchase intention prediction system using extreme gradient boosting machines with browsing content entropy
CN115496566A (zh) 基于大数据的地区特产推荐方法及系统
CN111127074A (zh) 一种数据推荐方法
Xiong et al. Personalized intelligent hotel recommendation system for online reservation--A perspective of product and user characteristics
Prabakaran et al. A survey on recommendation systems using collaborative filtering techniques
Goldstein et al. Are we there yet? Analyzing progress in the conversion funnel using the diversity of searched products
Li et al. Integrating empirical estimation and assortment personalization for e-commerce: A consider-then-choose model
CN110020118A (zh) 一种计算用户之间相似度的方法及装置
CN107633422A (zh) 一种基于用户行为的市场预测方法及装置
Grad-Gyenge et al. Recommendation techniques on a knowledge graph for email remarketing
KR20220120986A (ko) 팬 커뮤니티를 연계한 굿즈 추천 템플릿 제공 프로그램을 기록한 기록매체
Somya et al. A novel approach to collect and analyze market customer behavior data on online shop

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
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 1245876

Country of ref document: HK

RJ01 Rejection of invention patent application after publication

Application publication date: 20171003

RJ01 Rejection of invention patent application after publication