CN107437203A - 信息推送方法、装置、电子装置及计算机可读介质 - Google Patents

信息推送方法、装置、电子装置及计算机可读介质 Download PDF

Info

Publication number
CN107437203A
CN107437203A CN201710667498.0A CN201710667498A CN107437203A CN 107437203 A CN107437203 A CN 107437203A CN 201710667498 A CN201710667498 A CN 201710667498A CN 107437203 A CN107437203 A CN 107437203A
Authority
CN
China
Prior art keywords
commodity
user
purchasing
purchase
msub
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
CN201710667498.0A
Other languages
English (en)
Inventor
闫强
申肆
李爱华
葛胜利
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.)
Beijing Jingdong Century Trading Co Ltd
Beijing Jingdong Shangke Information Technology Co Ltd
Original Assignee
Beijing Jingdong Century Trading Co Ltd
Beijing Jingdong Shangke Information Technology 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 Beijing Jingdong Century Trading Co Ltd, Beijing Jingdong Shangke Information Technology Co Ltd filed Critical Beijing Jingdong Century Trading Co Ltd
Priority to CN201710667498.0A priority Critical patent/CN107437203A/zh
Publication of CN107437203A publication Critical patent/CN107437203A/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
    • 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
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0255—Targeted advertisements based on user history
    • 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
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0277—Online advertisement
    • 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)
  • Business, Economics & Management (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Databases & Information Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本公开提供一种信息推送方法、装置、电子装置及计算机存储介质，该方法包括：计算用户对复购商品的复购周期的周期衰减系数，其中所述复购商品为同一用户购买次数不少于两次的商品；依据所述复购商品的用户行为主题进行加权计算，得到用户行为特征；根据所述复购商品的实际价格与用户的购买力进行匹配，得到购买力差值；基于所述周期衰减系数、所述用户行为特征和所述购买力差值进行评估，得到用户对复购商品的潜在值。本公开针对某种复购商品的潜在值，也就是从复购周期、用户行为以及购买力等维度对该商品进行综合评分，用户行为数据量级越大，购买能力偏差越小，时间衰减系数越大，得到的评分越大，也就是用户对商品的潜在值就越大。

Description

信息推送方法、装置、电子装置及计算机可读介质
技术领域
本公开总体涉及互联网技术领域，具体而言，涉及一种信息推送方法、装置、电子装置及计算机可读介质。
背景技术
随着网上购物市场的成熟，线上购物已经和每个人的生活息息相关。线上购物在影响生活品质的同时，伴随而来的电商之间的竞争压力也是日益突出。在这种环境下，电商必须加以重视探究用户购买的潜在商品列表，同时如何对潜在商品列表进行排名，而且在排名后反馈给用户来提高用户的体验也成为各个电商分析用户数据的核心。
目前，有的电商采用变量排序对潜在商品列表进行排名，即按照事物相关变量进行相关变量的度量排序，但是结果是综合性不高，不能反映各个因子直接的综合影响，而且单一因子的影响过高，会影响后面排序的直接结果。
因此，现有技术中的技术方案还存在有待改进之处。
在所述背景技术部分公开的上述信息仅用于加强对本公开的背景的理解，因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开提供一种信息推送方法、装置、电子装置及计算机可读介质，解决上述技术问题。
本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。
根据本公开的一方面，提供一种信息推送方法，包括：
计算用户对复购商品的复购周期的周期衰减系数，其中所述复购商品为同一用户购买次数不少于两次的商品；
依据所述复购商品的用户行为主题进行加权计算，得到用户行为特征；
根据所述复购商品的实际价格与用户的购买力进行匹配，得到购买力差值；
基于所述周期衰减系数、所述用户行为特征和所述购买力差值进行评估，得到用户对复购商品的潜在值。
在本公开的一个实施例中，计算用户对复购商品的复购周期的周期衰减系数之前，还包括：
针对特定用户对所述复购商品的历史订单信息进行降序排列，其中所述特定用户为购买所述复购商品的次数超过两次的用户；
计算所述特定用户对所述复购商品的每相邻两次购买的时间差值；
根据所述购买间隔计算所述时间差值的均值和方差；
通过所述时间差值的均值和所述方差计算筛选区间，所述筛选区间为[均值-方差，均值+方差]；
将所述时间差值不属于所述筛选区间的数据剔除，得到筛选后的时间差值；
通过对所述筛选后的时间差值求平均值，得到所述复购商品的复购周期。
在本公开的一个实施例中，所述计算用户对复购商品的复购周期的周期衰减系数包括：
计算所述复购商品的最近一次购买时间距今天数；
根据所述复购商品的所述最近一次购买时间距今天数和所述复购周期计算所述周期衰减系数；
如果所述最近一次购买时间距今天数小于等于所述复购周期，则计算公式为：
如果所述最近一次购买时间距今天数大于所述复购周期，则计算公式为：
其中βi为针对复购商品i的所述周期衰减系数，DLi为针对复购商品i的所述最近一次购买时间距今天数，TLi为针对复购商品i的所述复购周期，α、α′为大小不同的预设常数。
在本公开的一个实施例中，所述用户行为主题包括：订购、浏览、加入购物车和收藏，所述依据所述复购商品的用户行为主题进行加权计算，得到用户行为特征包括：
计算每一所述用户行为主题的行为衰减系数，计算公式为：其中εiy为针对复购商品i的所述行为衰减系数，y为当前日期与所述用户行为主题最后一次发生日期的差异天数；
计算每一所述用户行为主题的行为权重系数；
根据所述行为衰减系数和所述行为权重系数计算所述用户行为特征，计算公式为：
其中Qi为针对复购商品i的所述用户行为特征，φi为针对复购商品i的所述行为权重系数，Zjy为第j种用户行为主题距离今天y天产生的数据量，所述用户行为主题包括j种用户行为。
在本公开的一个实施例中，所述行为权重系数的计算公式为：φi＝下单量/行为特征数据量，所述下单量为用户在特定时间范围内对所述复购商品下单的数量，所述行为特征数据量为用户在特定时间范围内对所述复购商品的订购数量、浏览数量、商品所属品类加入购物车的商品数量和收藏商品所述品类相关商品的收藏数量。
在本公开的一个实施例中，所述根据所述复购商品的实际价格与用户的购买力进行匹配，得到购买力差值包括：
对全局商品按照品类划分的集合进行价格排序；
对所述集合内的商品总量进行划分得到多个分组，并标记每一分组内的最小值、最大值和分组编号；
统计用户购买所述复购商品的历史以及购买时的价格信息，通过与多个所述分组中关联得到用户购买所述复购商品的分组编号；
在所述品类范围内计算分组编号的均值得到标准编号；
根据所述标准编号与所述用户购买所述复购商品的分组编号计算得到的差值的绝对值为所述购买力差值。
在本公开的一个实施例中，基于所述周期衰减系数、所述用户行为特征和所述购买力差值进行评估，得到用户对复购商品的潜在值的计算公式为：
Fi＝Qi*βi*Si -1/2；
其中Fi为所述用户对复购商品的潜在值，Si为所述购买力差值。
在本公开的一个实施例中，还包括：
根据所述用户对复购商品的潜在值对商品进行倒序排列；
按照设定的潜在值阈值剔除潜在值低的商品。
根据本公开的再一方面，提供一种信息推送装置，包括：
周期衰减模块，用于计算用户对复购商品的复购周期的时间衰减系数，其中所述复购商品为同一用户购买次数超过两次的商品；
用户行为加权模块，用于依据所述复购商品的用户行为主题进行加权计算，得到用户行为特征；
购买力差值模块，用于根据所述复购商品的实际价格与用户的购买力进行匹配，得到购买力差值；
潜在值评估模块，用于基于所述时间衰减系数、所述用户行为特征和所述购买力差值进行评估，得到用户对复购商品的潜在值。
根据本公开的又一方面，提供一种电子装置，包括处理器；存储器，存储用于所述处理器控制如上所述的操作的指令。
根据本公开的另一方面，提供一种计算机可读介质，其上存储有计算机可执行指令，所述可执行指令被处理器执行时实现如上所述的信息推送方法。
根据本公开实施例提供的信息推送方法、装置、电子装置及计算机可读介质，其中该信息推送方法针对某种复购商品的潜在值，也就是从复购周期、用户行为以及购买力等维度对该商品进行综合评分，用户行为数据量级越大，购买能力偏差越小，时间衰减系数越大，得到的评分越大，也就是用户对商品的潜在值就越大。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本公开。
附图说明
通过参照附图详细描述其示例实施例，本公开的上述和其它目标、特征及优点将变得更加显而易见。
图1示出本公开一实施例中提供的一种信息推送方法的步骤流程图。
图2示出本公开一实施例中计算复购周期的步骤流程图。
图3示出本公开一实施例中步骤S110的步骤流程图。
图4示出本公开一实施例中步骤S120的步骤流程图。
图5示出本公开一实施例中步骤S130的步骤流程图。
图6示出本公开一实施例中提供的另一种信息推送方法的步骤流程图。
图7示出本公开一实施例中提供的一种信息推送装置的示意图。
图8示出本公开一实施例中提供的另一种信息推送装置的示意图。
图9示出本公开一实施例提供的适于用来实现本申请实施例的电子装置的计算机系统的结构示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。
此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中，提供许多具体细节从而给出对本公开的实施方式的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而省略所述特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知结构、方法、装置、实现、材料或者操作以避免喧宾夺主而使得本公开的各方面变得模糊。
附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。
对于用户线上购物过程，常规流程为浏览，然后加入购物车，并发收藏等动作，最后下单购买。从业务角度，用户产生下单的商品和其行为数据有着高度的相关性，例如对于近期浏览量越大、购物车中存在特定品类数量越大、上次购买时间和商品购买周期越接近，那么该商品被用户购买的概率或者潜在值将会越大，此时平台推荐该商品成功的可能性较大。
图1示出本公开一实施例中提供的一种信息推送方法的流程图，包括以下步骤：
如图1所示，在步骤S110中，计算用户对复购商品的复购周期的周期衰减系数。其中本实施例中的复购商品可以为同一用户购买次数不少于两次的商品，即用户购买该商品的次数大于等于2，那么对于复购周期的研究和计算才有意义。
如图1所示，在步骤S120中，依据复购商品的用户行为主题进行加权计算，得到用户行为特征。
如图1所示，在步骤S130中，根据复购商品的实际价格与用户的购买力进行匹配，得到购买力差值。
如图1所示，在步骤S140中，基于周期衰减系数、用户行为特征和购买力差值进行评估，得到用户对复购商品的潜在值。
该方法基于对商品进行多维度的考虑进行评分计算，深度刻画用户对商品的潜在兴趣，能够为用户推荐更加接近用户预期的商品。
在本公开的一个实施例中，步骤S110计算用户对复购商品的复购周期的周期衰减系数之前，还包括：计算复购周期。
图2示出本公开一实施例中计算复购周期的步骤流程图，包括以下步骤：
如图2所示，在步骤S101中，针对特定用户对复购商品的历史订单信息进行降序排列，用户历史订单信息越多越好，订单信息时间轴越长，后续计算的数据也越准确。本实施例中的特定用户为购买复购商品的次数超过两次的用户。通过全量的订单信息，首先筛选特定用户，得到的数据格式为[用户ID，商品ID，购买时间(格式YYYY-MM-DD)，购买数量，购买次数排序]，同时在用户ID，商品ID范围内对购买时间进行降序排列。需要说明的是，这里的购买次数与购买数量不同，购买次数是指下单的次数，而用户购买一次可以购买多个商品，因此购买次数是小于或等于购买数量的。
如图2所示，在步骤S102中，计算特定用户对复购商品的每相邻两次购买的时间差值。通过步骤S101得到的数据，计算每个用户对该复购商品的购买间隔。因为步骤S101中的数据为高复购次数用户，所以得到的数据中每个用户和商品存在多个购买时间，在该步骤中计算用户ID和商品ID的相邻两次购买时间差值。假设购买次数排除为N的数据，时间差值为第N次购物时间减去第N-1次购物时间的间隔天数，然后再除以商品的数量，这样通过差值反应了用户使用商品的时间周期。得到的数据格式为[用户ID，商品ID，时间差值]，需要说明的是，这里的时间差值应该都为正数。
如图2所示，在步骤S103中，根据购买间隔计算时间差值的均值和方差。利用步骤S102得到的数据结果，计算商品ID维度的时间差值xi(1≤i≤n)的均值和方差，其中均值mean的计算公式为：方差std的计算公式为：
如图2所示，在步骤S104中，通过时间差值的均值和方差计算筛选区间，筛选区间为[均值-方差，均值+方差]。常规的购物过程中，难免会出现购物间断流失等情况，因此异常数据必须进行处理。对时间差值异常数据通过均值、方差构建筛选区间进行剔除。
如图2所示，在步骤S105中，将时间差值不属于筛选区间的数据剔除，得到筛选后的时间差值。该步骤通过[均值-方差，均值+方差]的筛选区间过滤步骤S102的时间差值数据。这种过滤方式主要是排除长尾数据的异常值，在数据量很大的情况下有很好的稳定性。该步骤产出数据格式与步骤S102相同，即[用户ID，商品ID，时间差值]。
如图2所示，在步骤S106中，通过对筛选后的时间差值求平均值，得到复购商品的复购周期。筛选出异常数据后，再对得到的时间差值利用上述求平均值的计算公式求平均值，复购周期，最终的数据格式为[商品ID，复购周期]。
通常用户购买的商品都具有使用的周期，使用完毕后将会再次购买。因此得到复购周期后，再进一步对复购周期进行研究，即对用户购买行为进行深度分析，主要反应用户购买时间距今约接近复购周期，那么商品评分的权重将会越大。
图3示出本公开一实施例中步骤S110的步骤流程图，包括以下步骤：
如图3所示，在步骤S111中，计算复购商品的最近一次购买时间距今天数，记为DLi。
如图3所示，在步骤S112中，根据复购商品的最近一次购买时间距今天数和复购周期计算周期衰减系数，其中复购商品i的复购周期记为TLi。
如果最近一次购买时间距今天数小于等于复购周期，则计算公式为：
如果最近一次购买时间距今天数大于复购周期，则计算公式为：
其中βi为针对复购商品i的周期衰减系数，调控系数α、α′为大小不同的预设常数，通常是一个经验值，调控系数的作用是调整TL/DL和DL/TL值相同时的重要程度，当DL≤TL时α可以为1。
图4示出本公开实施例中步骤S120的步骤流程图，包括以下步骤：
如图4所示，在步骤S121中，计算每一用户行为主题的行为衰减系数，记为εiy。εiy计算公式为：其中y为当前日期与用户行为主题最后一次发生日期的差异天数。
行为衰减系数εiy主要是为了解决用户行为数据在时间轴上的贡献不同问题，也就是说距当前时点越近的行为数据，越能反馈用户的潜在兴趣。但是对于这个随着时间久远的衰退，也不是线性递减，所以可以通过log函对数对其进行平滑。
如图4所示，在步骤S122中，计算每一用户行为主题的行为权重系数，记为φi。在本实施例中，用户行为主题包括：订购、浏览、加入购物车和收藏。而用户行为数据主要包含：订购数量、浏览数量、商品所属品类加入购物车商品数量和收藏商品所属品类相关商品收藏数量。订购数量为用户历史订购商品数量之和，浏览数量为用户历史浏览商品数据量之和，商品所属品类加入购物车商品数量为相关商品在购物车中，品类相同的数量，收藏商品所属品类相关商品收藏数量为相关商品用户进行了收藏，品类相同的商品数量。
每个用户行为主题数据都会对用户的喜好和购买产生潜在影响，常规情况每个主题数量和购买都为正相关，但是权重系数却大小不一。例如，商品i的行为数据权重系数φi可以为订够数量*1，浏览数量*1/8，商品所属品类加入购物车商品数量*1/4，收藏商品所属品类相关商品收藏数量*1/4。
为了综合考虑商品的潜在值，可以通过行为主题数据的加权进行评估。对于各主题权重系数，可以通过整体行为数据对购买下单的贡献情况进行设置。详细的方法步骤为：首先计算各个用户特定时间范围内行为特征数据量和相关商品的下单量，行为权重系数的计算公式为：φi＝下单量/行为特征数据量，下单量为用户在特定时间范围内对复购商品下单的数量，行为特征数据量为用户在特定时间范围内对复购商品的订购数量、浏览数量、商品所属品类加入购物车的商品数量和收藏商品品类相关商品的收藏数量。其中本实施例中的特定时间范围根据业务确定，本此处不限定具体数值。
对于用户的行为衰减系数在业务程度上和品类没有相关性，但是数据类型权重系数，目前不需要考虑到时间序列上，度量为一段时间内的值，如果和品类高度相关，在业务层面可以时间进行调整，例如可以向上进行聚合。
如图4所示，在步骤S123中，根据行为衰减系数和行为权重系数计算用户行为特征，记为Qi，Qi的计算公式为：Zjy为第j种用户行为主题距离今天y天产生的数据量，用户行为主题包括j种用户行为，以本实施例为例，共包含4中用户行为主题，因此j＝4。
图5示出本实施例中步骤S130的步骤流程图，包括以下步骤：
如图5所示，在步骤S131中，对全局商品按照品类划分的集合进行价格排序。
如图5所示，在步骤S132中，对集合内的商品总量进行划分得到多个分组，并标记每一分组内的最小值、最大值和分组编号。例如，按照排序和商品品类范围的商品总量进行100份均分，每份的编号为顺序号，即1-100，需要说明的是，这里的编号须保持顺序。该步骤最终得到的数据格式[商品品类，分组编号，最小值，最大值]。
如图5所示，在步骤S133中，统计用户购买复购商品的历史以及购买时的价格信息，通过与多个分组中关联得到用户购买复购商品的分组编号。通过品类关联步骤S132的结果，同时使得商品价格落在分组最小值和最大值区间之中，这样就可以产出该品类用户购买商品的分组编号，得到的数据格式为[用户，品类，分组编号]。对于商品i，可以关联获得相关品类，同时通过步骤S132可以获取用户购买复购商品的分组编号。
如图5所示，在步骤S134中，在品类范围内计算分组编号的均值得到标准编号。按照用户、品类求分组编号均值，将均值作为用户对该品类的购买能力标准，即编号均值作为标准编号，得到的数据格式为[用户，品类，标准编号]。
如图5所示，在步骤S135中，根据标准编号与用户购买复购商品的分组编号计算得到的差值的绝对值为购买力差值，即通过步骤S133和步骤S134的差值绝对值计算得到购买力差值。
在本公开的一个实施例中，基于周期衰减系数、用户行为特征和购买力差值进行评估，得到用户对复购商品的潜在值的计算公式为：
Fi＝Qi*βi*Si -1/2；
其中Fi为用户对复购商品的潜在值，Si为购买力差值。
基于上述方法中的步骤S110～S140，可以得到针对某种复购商品的潜在值，也就是从复购周期、用户行为以及购买力等维度对该商品进行综合评分，用户行为数据量级越大，购买能力偏差越小，时间衰减系数越大，得到的评分越大，也就是用户对商品的潜在值就越大，给用户的购物推荐更加符合用户需求，成功率也更高。
基于上述实施例，图6还示出本公开一实施例提供的另一种信息推送方法的流程图，如图6所示，除了包括上述步骤S110～S140，还进一步包括以下步骤：
如图6所示，在步骤S150中，根据用户对复购商品的潜在值对商品进行倒序排列。
如图6所示，在步骤S160中，按照设定的潜在值阈值剔除潜在值低的商品。
综上所述，基于上述方法中的S110～S160通过建立和用户购买高度相关的因子集，对用户潜在行为相关的商品进行打分，然后按照对商品的综合评分进行降序排列，排序在前面的就代表了潜在性越高。同时在实际应用过程中，可以根据设定的潜在值阈值进行过滤，对低于阈值的数据直接排出。最终获得用户相关潜在商品排序，从而为用户提供高度相关商品列表，提高平台服务品质。
图7示出本公开另一实施例中提供的一种信息推送装置的示意图，如图7所示，该装置700包括：周期衰减模块710、用户行为加权模块720、购买力差值模块730和潜在值评估模块740。
周期衰减模块710用于计算用户对复购商品的复购周期的时间衰减系数，其中复购商品为同一用户购买次数超过两次的商品。用户行为加权模块720用于依据复购商品的用户行为主题进行加权计算，得到用户行为特征。购买力差值模块730用于根据复购商品的实际价格与用户的购买力进行匹配，得到购买力差值。潜在值评估模块740用于基于时间衰减系数、用户行为特征和购买力差值进行评估，得到用户对复购商品的潜在值。
该装置中各个模块的功能参见上述方法实施例中的相关描述，此处不再赘述。同时该装置基于上述装置中的模块710～740，可以得到针对某种复购商品的潜在值，也就是从复购周期、用户行为以及购买力等维度对该商品进行综合评分，用户行为数据量级越大，购买能力偏差越小，时间衰减系数越大，得到的评分越大，也就是用户对商品的潜在值就越大，给用户的购物推荐更加符合用户需求，成功率也更高。
图8示出本公开一实施例中提供的另一种信息推送装置的示意图，如图8所示，该装置800包括：周期衰减模块710、用户行为加权模块720、购买力差值模块730、潜在值评估模块740、排序模块750和剔除模块760。
周期衰减模块710用于计算用户对复购商品的复购周期的时间衰减系数。用户行为加权模块720用于依据复购商品的用户行为主题进行加权计算，得到用户行为特征。购买力差值模块730用于根据复购商品的实际价格与用户的购买力进行匹配，得到购买力差值。潜在值评估模块740用于基于时间衰减系数、用户行为特征和购买力差值进行评估，得到用户对复购商品的潜在值。排序模块750用于根据用户对复购商品的潜在值对商品进行倒序排列。剔除模块760用于按照设定的潜在值阈值剔除潜在值低的商品。
该装置中各个模块的功能参见上述方法实施例中的相关描述，此处不再赘述。同时该装置基于上述装置中的模块710～760，通过建立和用户购买高度相关的因子集，对用户潜在行为相关的商品进行打分，然后按照对商品的综合评分进行降序排列，排序在前面的就代表了潜在性越高。同时在实际应用过程中，可以根据设定的潜在值阈值进行过滤，对低于阈值的数据直接排出。最终获得用户相关潜在商品排序，从而为用户提供高度相关商品列表，提高平台服务品质。
另一方面，本公开还提供了一种电子装置，包括处理器和存储器，存储器存储用于上述处理器控制以下的操作的指令：
计算用户对复购商品的复购周期的周期衰减系数，其中复购商品为同一用户购买次数不少于两次的商品；依据复购商品的用户行为主题进行加权计算，得到用户行为特征；根据复购商品的实际价格与用户的购买力进行匹配，得到购买力差值；基于周期衰减系数、用户行为特征和购买力差值进行评估，得到用户对复购商品的潜在值。
下面参考图9，其示出了适于用来实现本申请实施例的电子装置的计算机系统900的结构示意图。图9示出的电子装置仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图9所示，计算机系统900包括中央处理单元(CPU)901，其可以根据存储在只读存储器(ROM)902中的程序或者从存储部分907加载到随机访问存储器(RAM)903中的程序而执行各种适当的动作和处理。在RAM903中，还存储有系统900操作所需的各种程序和数据。CPU 901、ROM 902以及RAM 903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。
以下部件连接至I/O接口905：包括键盘、鼠标等的输入部分906；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分907；包括硬盘等的存储部分908；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分909。通信部分909经由诸如因特网的网络执行通信处理。驱动器910也根据需要连接至I/O接口905。可拆卸介质911，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器910上，以便于从其上读出的计算机程序根据需要被安装入存储部分908。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分909从网络上被下载和安装，和/或从可拆卸介质911被安装。在该计算机程序被中央处理单元(CPU)901执行时，执行本申请的系统中限定的上述功能。
需要说明的是，本申请所示的计算机可读介质可以是计算机可读信号介质或者计算机可读介质或者是上述两者的任意组合。计算机可读介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括发送单元、获取单元、确定单元和第一处理单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，发送单元还可以被描述为“向所连接的服务端发送图片获取请求的单元”。
另一方面，本公开还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该设备包括：计算用户对复购商品的复购周期的周期衰减系数，其中复购商品为同一用户购买次数不少于两次的商品；依据复购商品的用户行为主题进行加权计算，得到用户行为特征；根据复购商品的实际价格与用户的购买力进行匹配，得到购买力差值；基于周期衰减系数、用户行为特征和购买力差值进行评估，得到用户对复购商品的潜在值。
应清楚地理解，本公开描述了如何形成和使用特定示例，但本公开的原理不限于这些示例的任何细节。相反，基于本公开公开的内容的教导，这些原理能够应用于许多其它实施方式。
以上具体地示出和描述了本公开的示例性实施方式。应可理解的是，本公开不限于这里描述的详细结构、设置方式或实现方法；相反，本公开意图涵盖包含在所附权利要求的精神和范围内的各种修改和等效设置。

Claims (11)

1.一种信息推送方法，其特征在于，包括：
计算用户对复购商品的复购周期的周期衰减系数，其中所述复购商品为同一用户购买次数不少于两次的商品；
依据所述复购商品的用户行为主题进行加权计算，得到用户行为特征；
根据所述复购商品的实际价格与用户的购买力进行匹配，得到购买力差值；
基于所述周期衰减系数、所述用户行为特征和所述购买力差值进行评估，得到用户对复购商品的潜在值。
2.根据权利要求1所述的信息推送方法，其特征在于，计算用户对复购商品的复购周期的周期衰减系数之前，还包括：
针对特定用户对所述复购商品的历史订单信息进行降序排列，其中所述特定用户为购买所述复购商品的次数超过两次的用户；
计算所述特定用户对所述复购商品的每相邻两次购买的时间差值；
根据所述购买间隔计算所述时间差值的均值和方差；
通过所述时间差值的均值和所述方差计算筛选区间，所述筛选区间为[均值-方差，均值+方差]；
将所述时间差值不属于所述筛选区间的数据剔除，得到筛选后的时间差值；
通过对所述筛选后的时间差值求平均值，得到所述复购商品的复购周期。
3.根据权利要求2所述的信息推送方法，其特征在于，所述计算用户对复购商品的复购周期的周期衰减系数包括：
计算所述复购商品的最近一次购买时间距今天数；
根据所述复购商品的所述最近一次购买时间距今天数和所述复购周期计算所述周期衰减系数；
如果所述最近一次购买时间距今天数小于等于所述复购周期，则计算公式为：
<mrow> <msub> <mi>&amp;beta;</mi> <mi>i</mi> </msub> <mo>=</mo> <mfrac> <mrow> <msub> <mi>DL</mi> <mi>i</mi> </msub> <mo>+</mo> <mi>&amp;alpha;</mi> </mrow> <mrow> <msub> <mi>TL</mi> <mi>i</mi> </msub> </mrow> </mfrac> <mo>;</mo> </mrow>
如果所述最近一次购买时间距今天数大于所述复购周期，则计算公式为：
<mrow> <msub> <mi>&amp;beta;</mi> <mi>i</mi> </msub> <mo>=</mo> <mfrac> <mrow> <msub> <mi>TL</mi> <mi>i</mi> </msub> </mrow> <mrow> <msub> <mi>DL</mi> <mi>i</mi> </msub> <mo>+</mo> <msup> <mi>&amp;alpha;</mi> <mo>&amp;prime;</mo> </msup> </mrow> </mfrac> <mo>;</mo> </mrow>
其中βi为针对复购商品i的所述周期衰减系数，DLi为针对复购商品i的所述最近一次购买时间距今天数，TLi为针对复购商品i的所述复购周期，α、α′为大小不同的预设常数。
4.根据权利要求1所述的信息推送方法，其特征在于，所述用户行为主题包括：订购、浏览、加入购物车和收藏，所述依据所述复购商品的用户行为主题进行加权计算，得到用户行为特征包括：
计算每一所述用户行为主题的行为衰减系数，计算公式为：其中εiy为针对复购商品i的所述行为衰减系数，y为当前日期与所述用户行为主题最后一次发生日期的差异天数；
计算每一所述用户行为主题的行为权重系数；
根据所述行为衰减系数和所述行为权重系数计算所述用户行为特征，计算公式为：
<mrow> <msub> <mi>Q</mi> <mi>i</mi> </msub> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>j</mi> </munderover> <munderover> <mo>&amp;Sigma;</mo> <mn>1</mn> <mi>y</mi> </munderover> <msub> <mi>&amp;epsiv;</mi> <mrow> <mi>i</mi> <mi>y</mi> </mrow> </msub> <msub> <mi>&amp;phi;</mi> <mi>i</mi> </msub> <msub> <mi>Z</mi> <mrow> <mi>j</mi> <mi>y</mi> </mrow> </msub> </mrow>
其中Qi为针对复购商品i的所述用户行为特征，φi为针对复购商品i的所述行为权重系数，Zjy为第j种用户行为主题距离今天y天产生的数据量，所述用户行为主题包括j种用户行为。
5.根据权利要求4所述的信息推送方法，其特征在于，所述行为权重系数的计算公式为：φi＝下单量/行为特征数据量，所述下单量为用户在特定时间范围内对所述复购商品下单的数量，所述行为特征数据量为用户在特定时间范围内对所述复购商品的订购数量、浏览数量、商品所属品类加入购物车的商品数量和收藏商品所述品类相关商品的收藏数量。
6.根据权利要求1所述的信息推送方法，其特征在于，所述根据所述复购商品的实际价格与用户的购买力进行匹配，得到购买力差值包括：
对全局商品按照品类划分的集合进行价格排序；
对所述集合内的商品总量进行划分得到多个分组，并标记每一分组内的最小值、最大值和分组编号；
统计用户购买所述复购商品的历史以及购买时的价格信息，通过与多个所述分组中关联得到用户购买所述复购商品的分组编号；
在所述品类范围内计算分组编号的均值得到标准编号；
根据所述标准编号与所述用户购买所述复购商品的分组编号计算得到的差值的绝对值为所述购买力差值。
7.根据权利要求1所述的信息推送方法，其特征在于，基于所述周期衰减系数、所述用户行为特征和所述购买力差值进行评估，得到用户对复购商品的潜在值的计算公式为：
Fi＝Qi*βi*Si -1/2；
其中Fi为所述用户对复购商品的潜在值，Si为所述购买力差值。
8.根据权利要求1-7中任一项所述的信息推送方法，其特征在于，还包括：
根据所述用户对复购商品的潜在值对商品进行倒序排列；
按照设定的潜在值阈值剔除潜在值低的商品。
9.一种信息推送装置，其特征在于，包括：
周期衰减模块，用于计算用户对复购商品的复购周期的时间衰减系数，其中所述复购商品为同一用户购买次数超过两次的商品；
用户行为加权模块，用于依据所述复购商品的用户行为主题进行加权计算，得到用户行为特征；
购买力差值模块，用于根据所述复购商品的实际价格与用户的购买力进行匹配，得到购买力差值；
潜在值评估模块，用于基于所述时间衰减系数、所述用户行为特征和所述购买力差值进行评估，得到用户对复购商品的潜在值。
10.一种电子装置，其特征在于，包括：
处理器；
存储器，存储用于所述处理器控制如权利要求1-8任一项所述的操作的指令。
11.一种计算机可读介质，其上存储有计算机可执行指令，其特征在于，所述可执行指令被处理器执行时实现如权利要求1-8任一项所述的信息推送方法。
CN201710667498.0A 2017-08-07 2017-08-07 信息推送方法、装置、电子装置及计算机可读介质 Pending CN107437203A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710667498.0A CN107437203A (zh) 2017-08-07 2017-08-07 信息推送方法、装置、电子装置及计算机可读介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710667498.0A CN107437203A (zh) 2017-08-07 2017-08-07 信息推送方法、装置、电子装置及计算机可读介质

Publications (1)

Publication Number Publication Date
CN107437203A true CN107437203A (zh) 2017-12-05

Family

ID=60461024

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710667498.0A Pending CN107437203A (zh) 2017-08-07 2017-08-07 信息推送方法、装置、电子装置及计算机可读介质

Country Status (1)

Country Link
CN (1) CN107437203A (zh)

Cited By (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109214886A (zh) * 2018-08-14 2019-01-15 平安科技（深圳）有限公司 商品推荐方法、系统及存储介质
CN109961311A (zh) * 2017-12-26 2019-07-02 中国移动通信集团四川有限公司 客户推荐方法、装置、计算设备及存储介质
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
CN110348928A (zh) * 2018-04-08 2019-10-18 北京京东尚科信息技术有限公司 信息推送方法、装置及计算机可读存储介质
CN110570233A (zh) * 2019-08-16 2019-12-13 苏宁云计算有限公司 用于电商平台的用户回购时间预测方法及装置
CN110796520A (zh) * 2019-10-29 2020-02-14 中国工商银行股份有限公司 商品推荐的方法、装置、计算设备以及介质
CN110874775A (zh) * 2018-08-30 2020-03-10 中兴通讯股份有限公司 一种商品推送的方法及装置、设备、存储介质
CN110956514A (zh) * 2018-09-26 2020-04-03 北京京东尚科信息技术有限公司 一种生成订单信息的方法和装置
CN111325609A (zh) * 2020-02-28 2020-06-23 京东数字科技控股有限公司 一种商品推荐列表确定方法、装置、电子设备及存储介质
CN111639989A (zh) * 2020-04-28 2020-09-08 上海风秩科技有限公司 商品推荐方法和可读存储介质
CN111681088A (zh) * 2020-08-11 2020-09-18 北京每日优鲜电子商务有限公司 信息推送方法、装置、电子设备和计算机可读介质
CN111681055A (zh) * 2020-06-11 2020-09-18 广东微谱网络科技有限公司 一种商品复购推送方法、系统、设备及计算机可读介质
CN112819533A (zh) * 2021-01-29 2021-05-18 深圳脉腾科技有限公司 信息推送方法、装置、电子设备及存储介质
CN113256919A (zh) * 2020-02-10 2021-08-13 株式会社石田 商品候补提示系统及结算处理系统
CN113744020A (zh) * 2021-01-15 2021-12-03 北京沃东天骏信息技术有限公司 一种商品文案处理方法、装置、电子设备和存储介质
CN113763076A (zh) * 2020-07-21 2021-12-07 北京沃东天骏信息技术有限公司 数据过滤方法和装置
CN113763079A (zh) * 2020-08-05 2021-12-07 北京沃东天骏信息技术有限公司 一种信息推送的方法、装置和存储介质
CN114971747A (zh) * 2022-07-14 2022-08-30 广州卓铸网络科技有限公司 一种基于大数据商品精准营销的数据分析方法及系统
CN115345718A (zh) * 2022-10-19 2022-11-15 易商惠众(北京)科技有限公司 一种基于排他性的商品推荐方法及系统
WO2022262216A1 (zh) * 2021-06-15 2022-12-22 深圳前海微众银行股份有限公司 一种信息推荐方法、设备及存储介质
CN116862625A (zh) * 2023-09-05 2023-10-10 武汉森全科技有限公司 基于互联网大数据的生鲜水果线上推荐方法
CN116957750A (zh) * 2023-09-20 2023-10-27 苏州极易科技股份有限公司 商品包的生成方法、系统、存储介质及电子设备

Cited By (28)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109961311A (zh) * 2017-12-26 2019-07-02 中国移动通信集团四川有限公司 客户推荐方法、装置、计算设备及存储介质
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
CN110348928A (zh) * 2018-04-08 2019-10-18 北京京东尚科信息技术有限公司 信息推送方法、装置及计算机可读存储介质
CN109214886A (zh) * 2018-08-14 2019-01-15 平安科技（深圳）有限公司 商品推荐方法、系统及存储介质
CN109214886B (zh) * 2018-08-14 2023-09-22 平安科技（深圳）有限公司 商品推荐方法、系统及存储介质
CN110874775A (zh) * 2018-08-30 2020-03-10 中兴通讯股份有限公司 一种商品推送的方法及装置、设备、存储介质
CN110956514A (zh) * 2018-09-26 2020-04-03 北京京东尚科信息技术有限公司 一种生成订单信息的方法和装置
CN110570233A (zh) * 2019-08-16 2019-12-13 苏宁云计算有限公司 用于电商平台的用户回购时间预测方法及装置
CN110796520A (zh) * 2019-10-29 2020-02-14 中国工商银行股份有限公司 商品推荐的方法、装置、计算设备以及介质
CN113256919A (zh) * 2020-02-10 2021-08-13 株式会社石田 商品候补提示系统及结算处理系统
CN113256919B (zh) * 2020-02-10 2023-04-07 株式会社石田 商品候补提示系统及结算处理系统
CN111325609A (zh) * 2020-02-28 2020-06-23 京东数字科技控股有限公司 一种商品推荐列表确定方法、装置、电子设备及存储介质
CN111639989A (zh) * 2020-04-28 2020-09-08 上海风秩科技有限公司 商品推荐方法和可读存储介质
CN111639989B (zh) * 2020-04-28 2024-02-02 上海秒针网络科技有限公司 商品推荐方法和可读存储介质
CN111681055A (zh) * 2020-06-11 2020-09-18 广东微谱网络科技有限公司 一种商品复购推送方法、系统、设备及计算机可读介质
CN113763076A (zh) * 2020-07-21 2021-12-07 北京沃东天骏信息技术有限公司 数据过滤方法和装置
CN113763079A (zh) * 2020-08-05 2021-12-07 北京沃东天骏信息技术有限公司 一种信息推送的方法、装置和存储介质
CN111681088B (zh) * 2020-08-11 2020-12-11 北京每日优鲜电子商务有限公司 信息推送方法、装置、电子设备和计算机可读介质
CN111681088A (zh) * 2020-08-11 2020-09-18 北京每日优鲜电子商务有限公司 信息推送方法、装置、电子设备和计算机可读介质
CN113744020A (zh) * 2021-01-15 2021-12-03 北京沃东天骏信息技术有限公司 一种商品文案处理方法、装置、电子设备和存储介质
CN112819533A (zh) * 2021-01-29 2021-05-18 深圳脉腾科技有限公司 信息推送方法、装置、电子设备及存储介质
WO2022262216A1 (zh) * 2021-06-15 2022-12-22 深圳前海微众银行股份有限公司 一种信息推荐方法、设备及存储介质
CN114971747A (zh) * 2022-07-14 2022-08-30 广州卓铸网络科技有限公司 一种基于大数据商品精准营销的数据分析方法及系统
CN115345718A (zh) * 2022-10-19 2022-11-15 易商惠众(北京)科技有限公司 一种基于排他性的商品推荐方法及系统
CN116862625A (zh) * 2023-09-05 2023-10-10 武汉森全科技有限公司 基于互联网大数据的生鲜水果线上推荐方法
CN116862625B (zh) * 2023-09-05 2023-11-21 武汉森全科技有限公司 基于互联网大数据的生鲜水果线上推荐方法
CN116957750A (zh) * 2023-09-20 2023-10-27 苏州极易科技股份有限公司 商品包的生成方法、系统、存储介质及电子设备
CN116957750B (zh) * 2023-09-20 2023-12-15 苏州极易科技股份有限公司 商品包的生成方法、系统、存储介质及电子设备

Similar Documents

Publication Publication Date Title
CN107437203A (zh) 信息推送方法、装置、电子装置及计算机可读介质
CN102289759B (zh) 项目推荐系统以及项目推荐方法
CN107247786A (zh) 用于确定相似用户的方法、装置和服务器
KR101794221B1 (ko) 온라인 판매자의 정산 서비스를 위한 시스템 및 방법
CN107301592A (zh) 用于商品替代品发掘的方法及装置
EP2074564A2 (en) Diamond valuation method, apparatus and computer readable medium product
CN109685537B (zh) 用户行为的分析方法、装置、介质和电子设备
WO2010144234A1 (en) Systems, methods and computer program products for computing and outputting a timeline value, indication of popularity, and recommendation
CN111898029A (zh) 一种基于互联网的网购产品推荐系统
CN106846019A (zh) 一种信息投放用户的筛选方法和设备
CN107845016A (zh) 信息输出方法和装置
CN110111179A (zh) 药品组合的推荐方法、装置及计算机可读存储介质
CN110109901A (zh) 筛选目标对象的方法和装置
CN106779917A (zh) 一种基于云的网络交易平台
CN107358472A (zh) 数据处理方法及装置
CN107741967A (zh) 用于行为数据处理的方法、装置以及电子设备
CN109446403A (zh) 商品搜索匹配方法及系统
Newberry et al. Heterogeneous effects of online reputation for local and national retailers
CN105260460A (zh) 一种面向多样性的推荐方法
CN107844584A (zh) 用户挖掘方法、装置、电子设备及计算机可读存储介质
Kikkawa et al. Imperfect competition and the transmission of shocks: The network matters
Launtu The Effect of Price and Product Quality on Online Purchasing Decisions: Empirical Study in Lazada
US20190035032A1 (en) System and method for detecting and responding to transaction patterns
CN116630068A (zh) 一种保险费用核算方法和系统
CN115017548B (zh) 数据定价方法、装置及相关设备

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: 20171205