CN107516235B - 商品偏好预估方法和装置 - Google Patents
商品偏好预估方法和装置 Download PDFInfo
- Publication number
- CN107516235B CN107516235B CN201610438551.5A CN201610438551A CN107516235B CN 107516235 B CN107516235 B CN 107516235B CN 201610438551 A CN201610438551 A CN 201610438551A CN 107516235 B CN107516235 B CN 107516235B
- Authority
- CN
- China
- Prior art keywords
- commodity
- sequence
- estimated
- behavior
- samples
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
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
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请公开了一种商品偏好预估方法和装置,其中,商品偏好预估方法包括:采集用户的历史行为样本,将历史行为样本分为商品序列样本和商品序列样本对应的行为序列样本;根据商品序列样本和行为序列样本生成分类器;获取当前用户的行为数据和待预估商品的信息;根据行为数据和待预估商品的信息,通过分类器获得当前用户对待预估商品的偏好值。本申请实施例的商品偏好预估方法和装置,能够实时地根据用户的行为数据来预估当前用户的对待预估商品的偏好,且利用训练好的分类器准确地预估出当前用户的商品偏好,时效性强。
Description
技术领域
本申请涉及计算机技术领域,尤其涉及一种商品偏好预估方法和装置。
背景技术
网络技术的快速发展使得互联网对社会生活的影响越来越大,网民作为互联网上信息传播的主体,其行为模式对于互联网上信息的传播过程有着直接影响,例如可基于用户的历史行为能够预估出用户对商品的偏好。其中,用户商品偏好预估可以广泛应用在搜索、推荐、广告中,利用用户商品偏好可以向用户推荐用户更感兴趣的商品。目前,传统的用户商品偏好预估都是基于离线的,在离线的情况下主要通过统计用户已购买、加购物车、收藏或者关系传播等历史数据来计算用户商品偏好。但是,上述方法存在两个缺点:1.不能有效的利用其他用户的行为数据来预估当前用户的商品偏好。2.不具有时效性,不能准确的预估当前用户当前时刻的商品偏好。
申请内容
本申请旨在至少在一定程度上解决相关技术中的技术问题之一。为此,本申请的一个目的在于提出一种商品偏好预估方法,能够实时地根据用户的行为数据来预估当前用户的对待预估商品的偏好,且利用训练好的分类器准确地预估出当前用户的商品偏好,时效性强。
本申请的第二个目的在于提出一种商品偏好预估装置。
为了实现上述目的,本申请第一方面实施例提出了一种商品偏好预估方法,包括:采集用户的历史行为样本,将所述历史行为样本分为商品序列样本和所述商品序列样本对应的行为序列样本;根据所述商品序列样本和所述行为序列样本生成分类器;获取当前用户的行为数据和待预估商品的信息;根据所述行为数据和所述待预估商品的信息,通过所述分类器获得所述当前用户对所述待预估商品的偏好值。
本申请实施例的商品偏好预估方法,通过采集用户的历史行为样本,将历史行为样本分为商品序列样本和商品序列样本对应的行为序列样本,再根据商品序列样本和行为序列样本生成分类器,然后获取当前用户的行为数据和待预估商品的信息,最后根据行为数据和待预估商品的信息,通过分类器获得当前用户对待预估商品的偏好值,能够实时地根据用户的行为数据来预估当前用户的对待预估商品的偏好,且利用训练好的分类器准确地预估出当前用户的商品偏好,时效性强。
本申请第二方面实施例提出了一种商品偏好预估装置,包括:采集模块,用于采集用户的历史行为样本,将所述历史行为样本分为商品序列样本和所述商品序列样本对应的行为序列样本;生成模块,用于根据所述商品序列样本和所述行为序列样本生成分类器;获取模块,用于获取当前用户的行为数据和待预估商品的信息;获得模块,用于根据所述行为数据和所述待预估商品的信息,通过所述分类器获得所述当前用户对所述待预估商品的偏好值。
本申请实施例的商品偏好预估装置,通过采集用户的历史行为样本,将历史行为样本分为商品序列样本和商品序列样本对应的行为序列样本,再根据商品序列样本和行为序列样本生成分类器,然后获取当前用户的行为数据和待预估商品的信息,最后根据行为数据和待预估商品的信息,通过分类器获得当前用户对待预估商品的偏好值,能够实时地根据用户的行为数据来预估当前用户的对待预估商品的偏好,且利用训练好的分类器准确地预估出当前用户的商品偏好,时效性强。
附图说明
图1是根据本申请一个实施例的商品偏好预估方法的流程图一;
图2是根据本申请一个实施例的商品偏好预估方法的流程图二;
图3是根据本申请一个实施例的商品偏好预估装置的结构示意图一;
图4是根据本申请一个实施例的商品偏好预估装置的结构示意图二。
具体实施方式
下面详细描述本申请的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本申请,而不能理解为对本申请的限制。
下面参考附图描述本申请实施例的商品偏好预估方法和装置。
图1是根据本申请一个实施例的商品偏好预估方法的流程图一。
如图1所示,商品偏好预估方法可包括:
S1、采集用户的历史行为样本,将历史行为样本分为商品序列样本和商品序列样本对应的行为序列样本。
其中,行为序列样本可以是点击与否的操作序列。举例来说,有N个商品,商品序列样本为A1、A2、A3…AN。与商品A1对应的行为为已点击,与商品A2对应的行为为未点击,与商品A3对应的行为为已点击…。由此,点击与否的操作序列则为:已点击、未点击、已点击…。上述两个序列为针对某一用户的序列样本。假设采集到M个用户的历史行为样本,则可针对每个用户均生成对应的商品序列样本和行为序列样本。
S2、根据商品序列样本和行为序列样本生成分类器。
具体地,可将商品序列样本和行为序列样本输入至RNN(循环神经网络,RecurrentNeural Networks)进行训练,以生成分类器。其中,分类器可以是softmax loss分类函数。RNN可以是LSTM(时间递归神经网络,Long-Short Term Memory)。
S3、获取当前用户的行为数据和待预估商品的信息。
举例来说,假设当前用户为用户i,则可针对用户i获取其对应的商品序列和用户i是否点击过这些商品的操作序列。另外,还可获取待预估商品的信息,例如用户i当前浏览的页面中存在A7、A8、A9、A10这几个商品,则可将A7、A8、A9、A10作为待预估偏好值的商品。其中,待预估商品的信息可包括点击过商品A7、A8、A9、A10的用户序列,即都有哪些用户点击过A7,哪些用户点击过A8,哪些用户点击过A9,哪些用户点击过A10。
S4、根据行为数据和待预估商品的信息,通过分类器获得当前用户对待预估商品的偏好值。
具体地,可将行为数据分为商品序列和商品序列对应的行为序列,然后将商品序列和行为序列输入至RNN,从而生成当前用户对应的隐层特征。最后,再根据隐层特征和待预估商品的信息,通过分类器预估出当前用户针对待预估商品的偏好值。
举例来说,假设当前用户为用户i,则可针对用户i获取其对应的商品序列和用户i是否点击过这些商品的操作序列,将这两个序列作为输入输入至RNN,生成用户i对应的隐层特征ht。然后再将隐层特征ht和待预估偏好值的商品A7的信息作为输入,输入至分类器,再通过分类器预估出用户i针对商品A7的点击概率,即对商品A7偏好值。也就是说,针对商品A7可挖掘出都有哪些用户点击过商品A7,这些用户又分别点击过哪些商品,由此挖掘出点击操作、用户、商品之间的关系,从而预测出用户i针对商品A7的点击概率。同理,可计算出用户i针对商品A8、A9、A10的点击概率,即对商品A8、A9、A10的偏好值。
应当理解的是,对多个商品进行偏好值预估时,采用的是分布式预估方法。
此外,如图2所示,本申请实施例的商品偏好预估方法还可包括:
S5、根据待预估商品的偏好值向当前用户推送待预估商品。
在通过分类器获得当前用户对待预估商品的偏好值之后,可根据待预估商品的偏好值向当前用户推送待预估商品。例如:可将商品的偏好值作为对商品进行排序的一个排序因素,如可按照偏好值从高到底的顺序对商品进行排序,向用户推送更符合用户需求的商品,从而提高用户对商品的浏览转化率以及购买转化率。
本申请实施例的商品偏好预估方法,通过采集用户的历史行为样本,将历史行为样本分为商品序列样本和商品序列样本对应的行为序列样本,再根据商品序列样本和行为序列样本生成分类器,然后获取当前用户的行为数据和待预估商品的信息,最后根据行为数据和待预估商品的信息,通过分类器获得当前用户对待预估商品的偏好值,能够实时地根据用户的行为数据来预估当前用户的对待预估商品的偏好,且利用训练好的分类器准确地预估出当前用户的商品偏好,时效性强。
为实现上述目的,本申请还提出一种商品偏好预估装置。
图3是根据本申请一个实施例的商品偏好预估装置的结构示意图一。
如图3所示,商品偏好预估装置可包括:采集模块110、生成模块120、获取模块130和获得模块140。其中,获得模块140可包括处理单元141、输入单元142和预估单元143。
采集模块110用于采集用户的历史行为样本,将历史行为样本分为商品序列样本和商品序列样本对应的行为序列样本。其中,行为序列样本可以是点击与否的操作序列。举例来说,有N个商品,商品序列样本为A1、A2、A3…AN。与商品A1对应的行为为已点击,与商品A2对应的行为为未点击,与商品A3对应的行为为已点击…。由此,点击与否的操作序列则为:已点击、未点击、已点击…。上述两个序列为针对某一用户的序列样本。假设采集到M个用户的历史行为样本,则可针对每个用户均生成对应的商品序列样本和行为序列样本。
生成模块120用于根据商品序列样本和行为序列样本生成分类器。具体地,可将商品序列样本和行为序列样本输入至RNN(循环神经网络,Recurrent Neural Networks)进行训练,以生成分类器。其中,分类器可以是softmax loss分类函数。RNN可以是LSTM(时间递归神经网络,Long-Short Term Memory)。
获取模块130用于获取当前用户的行为数据和待预估商品的信息。举例来说,假设当前用户为用户i,则可针对用户i获取其对应的商品序列和用户i是否点击过这些商品的操作序列。另外,还可获取待预估商品的信息,例如用户i当前浏览的页面中存在A7、A8、A9、A10这几个商品,则可将A7、A8、A9、A10作为待预估偏好值的商品。其中,待预估商品的信息可包括点击过商品A7、A8、A9、A10的用户序列,即都有哪些用户点击过A7,哪些用户点击过A8,哪些用户点击过A9,哪些用户点击过A10。
获得模块140用于根据行为数据和待预估商品的信息,通过分类器获得当前用户对待预估商品的偏好值。具体地,处理单元141可将行为数据分为商品序列和商品序列对应的行为序列,然后输入单元142用于将商品序列和行为序列输入至RNN,以生成当前用户对应的隐层特征。最后,预估单元143再根据隐层特征和待预估商品的信息,通过分类器预估出当前用户针对待预估商品的偏好值。举例来说,假设当前用户为用户i,则可针对用户i获取其对应的商品序列和用户i是否点击过这些商品的操作序列,将这两个序列作为输入输入至RNN,生成用户i对应的隐层特征ht。然后再将隐层特征ht和待预估偏好值的商品A7作为输入,输入至分类器,再通过分类器预估出用户i针对商品A7的点击概率,即对商品A7的偏好值。也就是说,针对商品A7可挖掘出都有哪些用户点击过商品A7,这些用户又分别点击过哪些商品,由此挖掘出点击操作、用户、商品之间的关系,从而预测出用户i针对商品A7的点击概率。同理,可计算出用户i针对商品A8、A9、A10的点击概率,即对商品A8、A9、A10的偏好值。
应当理解的是,对多个商品进行偏好值预估时,采用的是分布式预估方法。
此外,如图4所示,本申请实施例的商品偏好预估装置还可包括推送模块150。
推送模块150用于根据待预估商品的偏好值向当前用户推送待预估商品。在通过分类器获得当前用户对待预估商品的偏好值之后,可根据待预估商品的偏好值向当前用户推送待预估商品。例如:可将商品的偏好值作为对商品进行排序的一个排序因素,如可按照偏好值从高到底的顺序对商品进行排序,向用户推送更符合用户需求的商品,从而提高用户对商品的浏览转化率以及购买转化率。
本申请实施例的商品偏好预估方法,通过采集用户的历史行为样本,将历史行为样本分为商品序列样本和商品序列样本对应的行为序列样本,再根据商品序列样本和行为序列样本生成分类器,然后获取当前用户的行为数据和待预估商品的信息,最后根据行为数据和待预估商品的信息,通过分类器获得当前用户对待预估商品的偏好值,能够实时地根据用户的行为数据来预估当前用户的对待预估商品的偏好,且利用训练好的分类器准确地预估出当前用户的商品偏好,时效性强。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本申请的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本申请的限制,本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种商品偏好预估方法,其特征在于,包括以下步骤:
采集用户的历史行为样本,将所述历史行为样本分为商品序列样本和所述商品序列样本对应的行为序列样本,所述行为序列样本为点击与否的操作序列;
根据所述商品序列样本和所述行为序列样本生成分类器;
获取当前用户的行为数据和待预估商品的信息;
将所述行为数据分为商品序列和所述商品序列对应的行为序列,将所述商品序列和所述行为序列输入至循环神经网络RNN,以生成所述当前用户对应的隐层特征,根据所述隐层特征和所述待预估商品的信息,通过所述分类器预估出所述当前用户针对所述待预估商品的偏好值,所述待预估商品的信息包括点击过所述待预估商品的用户序列。
2.如权利要求1所述的方法,其特征在于,根据所述商品序列样本和所述行为序列样本生成分类器,包括:
将所述商品序列样本和所述行为序列样本输入至循环神经网络RNN进行训练,以生成所述分类器。
3.如权利要求1所述的方法,其特征在于,所述分类器包括softmax loss分类函数。
4.如权利要求1所述的方法,其特征在于,所述RNN包括时间递归神经网络LSTM。
5.如权利要求1所述的方法,其特征在于,在通过所述分类器获得所述当前用户对所述待预估商品的偏好值之后,还包括:
根据所述待预估商品的偏好值向所述当前用户推送所述待预估商品。
6.一种商品偏好预估装置,其特征在于,包括:
采集模块,用于采集用户的历史行为样本,将所述历史行为样本分为商品序列样本和所述商品序列样本对应的行为序列样本,所述行为序列样本为点击与否的操作序列;
生成模块,用于根据所述商品序列样本和所述行为序列样本生成分类器;
获取模块,用于获取当前用户的行为数据和待预估商品的信息;
获得模块,所述获得模块,包括:
处理单元,用于将所述行为数据分为商品序列和所述商品序列对应的行为序列;
输入单元,用于将所述商品序列和所述行为序列输入至循环神经网络RNN,以生成所述当前用户对应的隐层特征;
预估单元,用于根据所述隐层特征和所述待预估商品的信息,通过所述分类器预估出所述当前用户针对所述待预估商品的偏好值,所述待预估商品的信息包括点击过所述待预估商品的用户序列。
7.如权利要求6所述的装置,其特征在于,所述生成模块,用于:
将所述商品序列样本和所述行为序列样本输入至循环神经网络RNN进行训练,以生成所述分类器。
8.如权利要求6所述的装置,其特征在于,所述分类器包括softmax loss分类函数。
9.如权利要求6所述的装置,其特征在于,所述RNN包括时间递归神经网络LSTM。
10.如权利要求6所述的装置,其特征在于,还包括:
推送模块,用于在通过所述分类器获得所述当前用户对所述待预估商品的偏好值之后,根据所述待预估商品的偏好值向所述当前用户推送所述待预估商品。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610438551.5A CN107516235B (zh) | 2016-06-17 | 2016-06-17 | 商品偏好预估方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610438551.5A CN107516235B (zh) | 2016-06-17 | 2016-06-17 | 商品偏好预估方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107516235A CN107516235A (zh) | 2017-12-26 |
CN107516235B true CN107516235B (zh) | 2021-06-15 |
Family
ID=60721568
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610438551.5A Active CN107516235B (zh) | 2016-06-17 | 2016-06-17 | 商品偏好预估方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107516235B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108427708B (zh) * | 2018-01-25 | 2021-06-25 | 腾讯科技(深圳)有限公司 | 数据处理方法、装置、存储介质和电子装置 |
CN108805607A (zh) * | 2018-05-02 | 2018-11-13 | 开源物联网(广州)有限公司 | 用户偏好预估系统 |
CN108804531A (zh) * | 2018-05-02 | 2018-11-13 | 开源物联网(广州)有限公司 | 基于用户位置的推送预估系统 |
CN110069699B (zh) * | 2018-07-27 | 2022-12-16 | 创新先进技术有限公司 | 排序模型训练方法和装置 |
CN109460816B (zh) * | 2018-11-16 | 2020-09-18 | 焦点科技股份有限公司 | 一种基于深度学习的用户行为预测方法 |
CN110097433B (zh) * | 2019-05-14 | 2022-05-17 | 苏州大学 | 基于注意力机制的推荐方法、装置、设备及存储介质 |
CN110275964B (zh) * | 2019-06-26 | 2023-07-14 | 程淑玉 | 基于知识图谱与循环神经网络的推荐模型 |
CN110297982B (zh) * | 2019-07-04 | 2022-08-05 | 武汉斗鱼鱼乐网络科技有限公司 | 一种推荐方法、装置、设备及介质 |
CN110570279A (zh) * | 2019-09-04 | 2019-12-13 | 深圳创新奇智科技有限公司 | 一种基于用户实时行为的策略化推荐方法及装置 |
CN111461846B (zh) * | 2020-05-07 | 2021-06-25 | 拓森云电子商务集团有限公司 | 一种购物记录分析反馈系统及其方法 |
CN113674009A (zh) * | 2020-05-15 | 2021-11-19 | 北京沃东天骏信息技术有限公司 | 确定目标用户的方法和装置 |
CN112148352A (zh) * | 2020-09-16 | 2020-12-29 | 京东数字科技控股股份有限公司 | 组件配置方法、装置、设备及计算机可读介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105354277A (zh) * | 2015-10-30 | 2016-02-24 | 中国船舶重工集团公司第七0九研究所 | 一种基于递归神经网络的推荐方法及系统 |
CN105469263A (zh) * | 2014-09-24 | 2016-04-06 | 阿里巴巴集团控股有限公司 | 一种商品推荐方法及装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103345512A (zh) * | 2013-07-06 | 2013-10-09 | 北京品友互动信息技术有限公司 | 一种基于用户属性的网络广告点击率预测方法和装置 |
CN105335491B (zh) * | 2015-10-20 | 2018-11-09 | 杭州东信北邮信息技术有限公司 | 基于用户点击行为来向用户推荐图书的方法和系统 |
-
2016
- 2016-06-17 CN CN201610438551.5A patent/CN107516235B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105469263A (zh) * | 2014-09-24 | 2016-04-06 | 阿里巴巴集团控股有限公司 | 一种商品推荐方法及装置 |
CN105354277A (zh) * | 2015-10-30 | 2016-02-24 | 中国船舶重工集团公司第七0九研究所 | 一种基于递归神经网络的推荐方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN107516235A (zh) | 2017-12-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107516235B (zh) | 商品偏好预估方法和装置 | |
CN108665064B (zh) | 神经网络模型训练、对象推荐方法及装置 | |
CN109299994B (zh) | 推荐方法、装置、设备及可读存储介质 | |
CN105718184A (zh) | 一种数据处理方法和装置 | |
CN109711925A (zh) | 具有多个辅助域的跨域推荐数据处理方法、跨域推荐系统 | |
CN105677780A (zh) | 可拓展的用户意图挖掘方法及其系统 | |
JP5615857B2 (ja) | 分析装置、分析方法及び分析プログラム | |
CN106708821A (zh) | 基于用户个性化购物行为进行商品推荐的方法 | |
CN110175895B (zh) | 一种物品推荐方法及装置 | |
CN106326318B (zh) | 搜索方法及装置 | |
CN105976229A (zh) | 一种基于用户和项目混合的协同过滤算法 | |
CN108073667B (zh) | 产生用户浏览属性的方法、以及非暂存计算机可读介质 | |
CN104615721B (zh) | 用于基于退货关联信息推荐商品的方法和系统 | |
CN104616178A (zh) | 一种基于大数据多标记分类方法的电子商务商品推荐方法 | |
CN111949887A (zh) | 物品推荐方法、装置及计算机可读存储介质 | |
CN104751354A (zh) | 一种广告人群筛选方法 | |
Kavinkumar et al. | A hybrid approach for recommendation system with added feedback component | |
CN110555172A (zh) | 用户关系挖掘方法及装置、电子设备和存储介质 | |
Dhruv et al. | Artist recommendation system using hybrid method: A novel approach | |
CN112825182A (zh) | 一种确定推荐商品的方法和装置 | |
CN111651678A (zh) | 一种基于知识图谱的个性化推荐方法 | |
CN110598084A (zh) | 对象排序方法、商品排序方法、装置及电子设备 | |
CN113343077A (zh) | 一种融合用户兴趣时序波动的个性化推荐方法及系统 | |
CN112116426A (zh) | 一种推送物品信息的方法和装置 | |
Wang et al. | CAMO: A collaborative ranking method for content based recommendation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
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: 1248376 Country of ref document: HK |
|
GR01 | Patent grant | ||
GR01 | Patent grant |