CN107679898A - 一种商品推荐方法和装置 - Google Patents

一种商品推荐方法和装置 Download PDF

Info

Publication number
CN107679898A
CN107679898A CN201710879651.6A CN201710879651A CN107679898A CN 107679898 A CN107679898 A CN 107679898A CN 201710879651 A CN201710879651 A CN 201710879651A CN 107679898 A CN107679898 A CN 107679898A
Authority
CN
China
Prior art keywords
commodity
purchase
user
scoring
active user
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
CN201710879651.6A
Other languages
English (en)
Inventor
孙涛
林清雨
程金龙
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.)
Inspur Software Co Ltd
Original Assignee
Inspur Software 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 Inspur Software Co Ltd filed Critical Inspur Software Co Ltd
Priority to CN201710879651.6A priority Critical patent/CN107679898A/zh
Publication of CN107679898A publication Critical patent/CN107679898A/zh
Pending legal-status Critical Current

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
    • G06Q30/02—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
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0257—User requested
    • G06Q30/0258—Registration
    • 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
    • G06Q30/0269—Targeted advertisements based on user profile or attribute
    • 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

  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Strategic Management (AREA)
  • Engineering & Computer Science (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种商品推荐方法和装置，其中，该方法包括：获取至少一个用户的注册数据、行为数据和订购数据；针对每一个所述用户，均执行：根据当前用户的注册数据和订购数据，为所述当前用户添加至少一个画像标签；根据所述至少一个画像标签，确定至少一个关联用户；根据所述当前用户的行为数据和订购数据，以及所述至少一个关联用户的行为数据和订购数据，确定待推荐商品。本发明提供的方案能够提升用户体验。

Description

一种商品推荐方法和装置
技术领域
本发明涉及计算机技术领域，特别涉及一种商品推荐方法和装置。
背景技术
随着计算机技术的发展，通过电商平台进行网上购物变得越来越流行。而如何向用户提供具有针对性的推荐，进而提高电商平台的销量，是技术人员一直关心的问题。
现有技术中，电商平台一般按照商品的热度、销量或者价格等向用户推荐商品。
但是，现有的推荐方法忽略用户的偏好，用户体验较差。
发明内容
本发明实施例提供了一种商品推荐方法和装置，能够提升用户体验。
第一方面，本发明实施例提供了一种商品推荐方法，包括：
获取至少一个用户的注册数据、行为数据和订购数据；
针对每一个所述用户，均执行：
根据当前用户的注册数据和订购数据，为所述当前用户添加至少一个画像标签；
根据所述至少一个画像标签，确定至少一个关联用户；
根据所述当前用户的行为数据和订购数据，以及所述至少一个关联用户的行为数据和订购数据，确定待推荐商品。
优选地，
进一步包括：确定静态推荐商品；
所述根据所述当前用户的行为数据和订购数据，以及所述至少一个关联用户的行为数据和订购数据，确定待推荐商品，包括：
根据所述当前用户的行为数据和订购数据，确定所述当前用户的个性推荐商品；
根据所述至少一个关联用户的行为数据和订购数据，确定每一个所述关联用户的个性推荐商品；
根据所述当前用户的个性推荐商品、所述静态推荐商品和每一个所述关联用户的个性推荐商品，确定待推荐商品。
优选地，
所述行为数据，包括：订购顺序、搜索次数、查看次数、收藏状态和商品评分；
所述订购数据，包括：总购进量、总购进金额和购进频率；
所述根据所述当前用户的行为数据和订购数据，确定所述当前用户的个性推荐商品，包括：
根据所述当前用户的订购顺序，确定各个商品的优先度评分；
根据所述当前用户的搜索次数、查看次数、收藏状态、商品评分，以及下述第一公式，确定各个所述商品的关注度评分；
根据各个所述商品的优先度评分和各个所述商品的关注度评分，确定各个所述商品的行为评分；
根据所述当前用户的总购进量、总购进金额、购进频率，确定各个所述商品的总购进量评分、总购进金额评分、购进频率评分；
根据各个所述商品的总购进量评分、总购进金额评分、购进频率评分，以及下述第二公式，确定各个所述商品的订购评分；
根据各个所述商品的行为评分和各个所述商品的订购评分，确定各个所述商品的综合评分；
根据各个所述商品的综合评分，对各个所述商品进行排序，确定所述当前用户的个性推荐商品；
所述第一公式，包括：
Gi＝miw1+piw2+niw3+siw4
其中，Gi用于表征商品i的关注度评分，mi用于表征所述商品i的搜索次数，pi用于表征所述商品i的收藏状态，当所述商品i被收藏时，pi＝1，当所述商品i未被收藏时，pi＝0，ni用于表征所述商品i的查看次数，si用于表征所述商品i的商品评分，w1用于表征搜索系数，w2用于表征收藏系数，w3用于表征查看系数，w4用于表征商品评分系数，所述搜索系数、所述收藏系数、所述查看系数和所述商品评分系数为常数；
所述第二公式，包括：
Hj＝ajw5+bjw6+cjw7
其中，所述Hj用于表征商品j的订购评分,aj用于表征所述商品j的总购进量评分，bj用于表征所述商品j的总购进金额评分，cj用于表征所述商品j的购进频率评分，w5用于表征所述总购进量评分的权重，w6用于表征所述总购进金额评分的权重，w7用于表征所述购进频率评分的权重。
优选地，
所述订购数据，包括：至少一个单次购进量；
所述根据所述当前用户的个性推荐商品、所述静态推荐商品和每一个所述关联用户的个性推荐商品，确定待推荐商品，包括：
对所述当前用户的至少一个单次购进量进行线性拟合，确定当前购进量趋势线和所述当前购进量趋势线的单位向量；
针对每一个所述关联用户，均执行：对当前关联用户的至少一个单次购进量进行线性拟合，确定关联购进量趋势线和所述关联购进量趋势线的单位向量；根据下述第三公式、所述当前购进量趋势线的单位向量和所述关联购进量趋势线的单位向量，确定所述当前关联用户与所述当前用户的相关性；
根据各个所述关联用户与所述当前用户的相关性，在各个所述关联用户中确定目标关联用户；
根据所述当前用户的个性推荐商品、所述静态推荐商品和所述目标关联用户的个性推荐商品，确定所述待推荐商品；
所述第三公式，包括：
其中，cosA用于表征所述当前关联用户与所述当前用户的相关性，用于表征所述当前购进量趋势线的单位向量，用于表征所述关联购进量趋势线的单位向量。
优选地，
所述注册数据，包括：年龄；
所述订购数据，包括：总购进量；
进一步包括：预先设置年龄区间与画像标签的对应关系，总购进量区间与画像标签的对应关系；
所述根据当前用户的注册数据和订购数据，为所述当前用户添加至少一个画像标签，包括：
确定所述当前用户的年龄所在的当前年龄区间，确定所述当前年龄区间对应的当前画像标签，为所述当前用户添加所述当前画像标签；
确定所述当前用户的总购进量所在的目标总购进量区间，确定所述目标总购进量区间对应的目标画像标签，为所述当前用户添加所述目标画像标签。
第二方面，本发明实施例提供了一种商品推荐装置，包括：
获取单元，用于获取至少一个用户的注册数据、行为数据和订购数据；
处理单元，用于针对每一个所述用户，均执行：根据所述获取单元获取的当前用户的注册数据和订购数据，为所述当前用户添加至少一个画像标签；根据所述至少一个画像标签，确定至少一个关联用户；根据所述当前用户的行为数据和订购数据，以及所述至少一个关联用户的行为数据和订购数据，确定待推荐商品。
优选地，
进一步包括：
确定单元，用于确定静态推荐商品；
所述处理单元，用于根据所述当前用户的行为数据和订购数据，确定所述当前用户的个性推荐商品；根据所述至少一个关联用户的行为数据和订购数据，确定每一个所述关联用户的个性推荐商品；根据所述当前用户的个性推荐商品、所述静态推荐商品和每一个所述关联用户的个性推荐商品，确定待推荐商品。
优选地，
所述行为数据，包括：订购顺序、搜索次数、查看次数、收藏状态和商品评分；
所述订购数据，包括：总购进量、总购进金额和购进频率；
所述处理单元，用于根据所述当前用户的订购顺序，确定各个商品的优先度评分；
根据所述当前用户的搜索次数、查看次数、收藏状态、商品评分，以及下述第一公式，确定各个所述商品的关注度评分；
根据各个所述商品的优先度评分和各个所述商品的关注度评分，确定各个所述商品的行为评分；
根据所述当前用户的总购进量、总购进金额、购进频率，确定各个所述商品的总购进量评分、总购进金额评分、购进频率评分；
根据各个所述商品的总购进量评分、总购进金额评分、购进频率评分，以及下述第二公式，确定各个所述商品的订购评分；
根据各个所述商品的行为评分和各个所述商品的订购评分，确定各个所述商品的综合评分；
根据各个所述商品的综合评分，对各个所述商品进行排序，确定所述当前用户的个性推荐商品；
所述第一公式，包括：
Gi＝miw1+piw2+niw3+siw4
其中，Gi用于表征商品i的关注度评分，mi用于表征所述商品i的搜索次数，pi用于表征所述商品i的收藏状态，当所述商品i被收藏时，pi＝1，当所述商品i未被收藏时，pi＝0，ni用于表征所述商品i的查看次数，si用于表征所述商品i的商品评分，w1用于表征搜索系数，w2用于表征收藏系数，w3用于表征查看系数，w4用于表征商品评分系数，所述搜索系数、所述收藏系数、所述查看系数和所述商品评分系数为常数；
所述第二公式，包括：
Hj＝ajw5+bjw6+cjw7
其中，所述Hj用于表征商品j的订购评分,aj用于表征所述商品j的总购进量评分，bj用于表征所述商品j的总购进金额评分，cj用于表征所述商品j的购进频率评分，w5用于表征所述总购进量评分的权重，w6用于表征所述总购进金额评分的权重，w7用于表征所述购进频率评分的权重。
优选地，
所述订购数据，包括：至少一个单次购进量；
所述处理单元，用于对所述当前用户的至少一个单次购进量进行线性拟合，确定当前购进量趋势线和所述当前购进量趋势线的单位向量；
针对每一个所述关联用户，均执行：对当前关联用户的至少一个单次购进量进行线性拟合，确定关联购进量趋势线和所述关联购进量趋势线的单位向量；根据下述第三公式、所述当前购进量趋势线的单位向量和所述关联购进量趋势线的单位向量，确定所述当前关联用户与所述当前用户的相关性；
根据各个所述关联用户与所述当前用户的相关性，在各个所述关联用户中确定目标关联用户；
根据所述当前用户的个性推荐商品、所述静态推荐商品和所述目标关联用户的个性推荐商品，确定所述待推荐商品；
所述第三公式，包括：
其中，cosA用于表征所述当前关联用户与所述当前用户的相关性，用于表征所述当前购进量趋势线的单位向量，用于表征所述关联购进量趋势线的单位向量。
优选地，
所述注册数据，包括：年龄；
所述订购数据，包括：总购进量；
进一步包括：设置单元，用于设置年龄区间与画像标签的对应关系，总购进量区间与画像标签的对应关系；
所述处理单元，用于确定所述当前用户的年龄所在的当前年龄区间，确定所述当前年龄区间对应的当前画像标签，为所述当前用户添加所述当前画像标签；确定所述当前用户的总购进量所在的目标总购进量区间，确定所述目标总购进量区间对应的目标画像标签，为所述当前用户添加所述目标画像标签。
本发明实施例提供了一种商品推荐方法和装置，其中，该方法根据用户的注册数据和订购数据为用户添加画像标签，对全部用户进行分类，并确定当前用户的关联用户。通过分析当前用户的行为数据和订购数据，以及与当前用户相关的至少一个关联用户的行为数据和订购数据，确定待向当前用户推荐的待推荐商品。本发明提供的方法考虑当前用户和关联用户的行为数据、订购数据等，为当前用户提供个性化的推荐，能够提升用户体验。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一个实施例提供的一种商品推荐方法的流程图；
图2是本发明另一个实施例提供的一种商品推荐方法的流程图；
图3是本发明一个实施例提供的一种商品推荐装置的结构示意图；
图4是本发明另一个实施例提供的一种商品推荐装置的结构示意图；
图5是本发明又一个实施例提供的一种商品推荐装置的结构示意图。
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的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。
如图1所示，本发明实施例提供了一种商品推荐方法，该方法可以包括以下步骤：
步骤101：获取至少一个用户的注册数据、行为数据和订购数据。
该方法适用于不同的业务系统、电商平台等。注册数据主要包括用户在注册电商平台时的个人信息，例如，用户的性别、年龄、职业、身高等个人信息。
用户的行为数据主要指用户在订购商品的过程中产生的数据，采集用户的行为数据用于获取用户关注商品的规格、分析用户的偏好等。例如，记录不同商品的订购顺序，用户搜索商品的信息，用户在收藏夹中收藏的商品，用户浏览商品的记录，用户对不同的商品的评分等。
用户的订购数据主要指对于不同商品，用户的单次购进量，总购进量，单次购进金额，总购进金额，购进频率等。
步骤102：针对每一个用户，均执行：根据当前用户的注册数据和订购数据，为当前用户添加至少一个画像标签。
通过用户画像对用户进行分类，以对具有相同特征的用户进行分析，并且，一个用户可以具有多个不同的画像标签。在实际应用场景中，可以仅根据注册数据，或者仅根据订购数据添加标签，但是，同时根据注册数据和订购数据，对用户进行画像分析，其结果更加精确。
步骤103：根据至少一个画像标签，确定至少一个关联用户。
一般情况下，具有相同画像标签的用户相互关联。
步骤104：根据当前用户的行为数据和订购数据，以及至少一个关联用户的行为数据和订购数据，确定待推荐商品。
待推荐商品的数量并不固定，但是，数量过多可能导致用户体验较差。
在图1所示的本发明实施例中，根据用户的注册数据和订购数据为用户添加画像标签，对全部用户进行分类，并确定当前用户的关联用户。通过分析当前用户的行为数据和订购数据，以及与当前用户相关的至少一个关联用户的行为数据和订购数据，确定待向当前用户推荐的待推荐商品。本发明提供的方法考虑当前用户和关联用户的行为数据、订购数据等，为当前用户提供个性化的推荐，能够提升用户体验。
在本发明的一个实施例中，为了满足商家对某些商品的推广需求，该方法还包括：确定静态推荐商品；
根据当前用户的行为数据和订购数据，以及至少一个关联用户的行为数据和订购数据，确定待推荐商品，包括：
根据当前用户的行为数据和订购数据，确定当前用户的个性推荐商品；
根据至少一个关联用户的行为数据和订购数据，确定每一个关联用户的个性推荐商品；
根据当前用户的个性推荐商品、静态推荐商品和每一个关联用户的个性推荐商品，确定待推荐商品。
静态推荐商品为商家或者电商平台等强制向用户推荐的商品，与用户的行为数据等并无关联。在实际应用场景中，可以通过设置静态推荐商品的数量控制静态推荐商品在待推荐商品中的比重，以保证商品推荐的质量。
当待推荐商品中存在多个商品时，可以为每一个商品设置优先级顺序，以保证优先向用户符合用户个性特点的商品。
在本发明的一个实施例中，为了向用户推荐具有针对性的商品，行为数据，包括：订购顺序、搜索次数、查看次数、收藏状态和商品评分；
订购数据，包括：总购进量、总购进金额和购进频率；
根据当前用户的行为数据和订购数据，确定当前用户的个性推荐商品，包括：
根据当前用户的订购顺序，确定各个商品的优先度评分；
根据当前用户的搜索次数、查看次数、收藏状态、商品评分，以及下述式(1)，确定各个商品的关注度评分；
根据各个商品的优先度评分和各个商品的关注度评分，确定各个商品的行为评分；
根据当前用户的总购进量、总购进金额、购进频率，确定各个商品的总购进量评分、总购进金额评分、购进频率评分；
根据各个商品的总购进量评分、总购进金额评分、购进频率评分，以及下述式(2)，确定各个商品的订购评分；
根据各个商品的行为评分和各个商品的订购评分，确定各个商品的综合评分；
根据各个商品的综合评分，对各个商品进行排序，确定当前用户的个性推荐商品；
式(1)，包括：
Gi＝miw1+piw2+niw3+siw4 (1)
其中，Gi用于表征商品i的关注度评分，mi用于表征商品i的搜索次数，pi用于表征商品i的收藏状态，当商品i被收藏时，pi＝1，当商品i未被收藏时，pi＝0，ni用于表征商品i的查看次数，si用于表征商品i的商品评分，w1用于表征搜索系数，w2用于表征收藏系数，w3用于表征查看系数，w4用于表征商品评分系数，搜索系数、收藏系数、查看系数和商品评分系数为常数；
式(2)，包括：
Hj＝ajw5+bjw6+cjw7 (2)
其中，Hj用于表征商品j的订购评分,aj用于表征商品j的总购进量评分，bj用于表征商品j的总购进金额评分，cj用于表征商品j的购进频率评分，w5用于表征总购进量评分的权重，w6用于表征总购进金额评分的权重，w7用于表征购进频率评分的权重。
其中，利用预先设置的评分规则，确定各个商品的优先度评分。例如，商品Q的订购次数为3，每一次订购时，订购顺序为1、2、3，确定商品Q平均订购顺序为(1+2+3)/3＝2，类似的，得到商品E、T的平均订购顺序为3、1。根据评分规则，将平均订购顺序的倒序作为各个商品的优先度评分，例如，商品Q、E、T的优先度评分分别为2、1、3。
关于商品的关注度评分，例如，商品T的搜索次数mT＝2，商品T被收藏，pT＝1，商品T的查看次数nT＝1，商品T的商品评分sT＝5，搜索系数w1＝0.3，收藏系数w2＝0.3，查看系数w3＝0.2，商品评分系数w4＝0.2，代入式(1)，得到Gi＝2×0.3+1×0.3+1×0.2+5×0.2＝2.1。
根据用户的总购进量，利用预先确定的评分规则，确定总购进量评分。例如，总购进量为100，则总购进量评分为100。需要说明的是，评分规则是多种多样的。
在商品的订购评分中，总购进量评分、总购进金额评分、购进频率评分分别对应不同的权重，通过式(2)中w5、w6、w7进行体现。
在本发明的一个实施例中，为了在关联用户中确定关联性较大的用户，提高推荐的准确性，订购数据，包括：至少一个单次购进量；
根据当前用户的个性推荐商品、静态推荐商品和每一个关联用户的个性推荐商品，确定待推荐商品，包括：
对当前用户的至少一个单次购进量进行线性拟合，确定当前购进量趋势线和当前购进量趋势线的单位向量；
针对每一个关联用户，均执行：对当前关联用户的至少一个单次购进量进行线性拟合，确定关联购进量趋势线和关联购进量趋势线的单位向量；根据下述式(3)、当前购进量趋势线的单位向量和关联购进量趋势线的单位向量，确定当前关联用户与当前用户的相关性；
根据各个关联用户与当前用户的相关性，在各个关联用户中确定目标关联用户；
根据当前用户的个性推荐商品、静态推荐商品和目标关联用户的个性推荐商品，确定待推荐商品；
式(3)，包括：
其中，cosA用于表征当前关联用户与当前用户的相关性，用于表征当前购进量趋势线的单位向量，用于表征关联购进量趋势线的单位向量。
例如，分别采集当前用户和关联用户在2016年的单次购进量，其中，当前用户在2016年曾三次购买商品V，单次购进量分别为v1、v2、v3，关联用户在2016年曾四次购买商品B，单次购进量分别为b1、b2、b3、b4。利用v1、v2、v3进行线性拟合，得到当前购进量趋势线和当前购进量趋势线的单位向量类似的，得到关联购进量趋势线的单位向量代入式(3)，得到
cosA越接近0当前用户与相关用户的关联性越大，越接近1则当前用户与相关用户的关联性越小。需要说明的是，在本实施例中，单次购进量是指单次购进所有商品的总量。
在本发明的一个实施例中，为了对用户进行分类，注册数据，包括：年龄；
订购数据，包括：总购进量；
进一步包括：预先设置年龄区间与画像标签的对应关系，总购进量区间与画像标签的对应关系；
根据当前用户的注册数据和订购数据，为当前用户添加至少一个画像标签，包括：
确定当前用户的年龄所在的当前年龄区间，确定当前年龄区间对应的当前画像标签，为当前用户添加当前画像标签；
确定当前用户的总购进量所在的目标总购进量区间，确定目标总购进量区间对应的目标画像标签，为当前用户添加目标画像标签。
例如，年龄区间20-40对应标签“青年”，年龄区间40-55对应标签“中年”，总购进量区间10-20对应标签“普通客户”，总购进量区间21-30对应标签“重要客户”，当用户的年龄为21时，总购进量为22时，用户标签为“青年”、“普通客户”。
在本发明实施例中，为了对用户进行更加准确地划分，同时采用注册数据和订购数据为用户添加标签，在对用户划分要求不高的情况下，还可以仅采用注册数据或者订购数据，对用户进行划分。
如图2所示，本发明实施例以电商平台上向用户推荐商品为例，对商品推荐方法进行详细地说明，该方法包括：
步骤201：设置年龄区间与画像标签的对应关系，总购进量区间与画像标签的对应关系。
步骤202：获取至少一个用户的注册数据、行为数据和订购数据，其中，注册数据中包括：年龄，行为数据中包括：订购顺序、搜索次数、查看次数、收藏状态和商品评分，订购数据中包括：总购进量、总购进金额和购进频率。
步骤203：针对每一个用户，均执行：确定当前用户的年龄所在的当前年龄区间，确定当前年龄区间对应的当前画像标签，为当前用户添加当前画像标签。
步骤204：确定当前用户的总购进量所在的目标总购进量区间，确定目标总购进量区间对应的目标画像标签，为当前用户添加目标画像标签，根据当前画像标签和目标画像标签，确定至少一个关联用户。
步骤205：确定静态推荐商品。
步骤206：根据当前用户的订购顺序，确定各个商品的优先度评分；根据当前用户的搜索次数、查看次数、收藏状态、商品评分，确定各个商品的关注度评分；根据各个商品的优先度评分和各个商品的关注度评分，确定各个商品的行为评分。
利用式(4)确定各个商品的关注度评分。
Gi＝miw1+piw2+niw3+siw4 (4)
其中，Gi用于表征商品i的关注度评分，mi用于表征商品i的搜索次数，pi用于表征商品i的收藏状态，当商品i被收藏时，pi＝1，当商品i未被收藏时，pi＝0，ni用于表征商品i的查看次数，si用于表征商品i的商品评分，w1用于表征搜索系数，w2用于表征收藏系数，w3用于表征查看系数，w4用于表征商品评分系数，搜索系数、收藏系数、查看系数和商品评分系数为常数；
步骤207：根据当前用户的总购进量、总购进金额、购进频率，确定各个商品的总购进量评分、总购进金额评分、购进频率评分；根据各个商品的总购进量评分、总购进金额评分、购进频率评分，确定各个商品的订购评分。
利用式(5)确定各个商品的订购评分。
Hj＝ajw5+bjw6+cjw7 (5)
其中，Hj用于表征商品j的订购评分,aj用于表征商品j的总购进量评分，bj用于表征商品j的总购进金额评分，cj用于表征商品j的购进频率评分，w5用于表征总购进量评分的权重，w6用于表征总购进金额评分的权重，w7用于表征购进频率评分的权重。
步骤208：根据各个商品的行为评分和各个商品的订购评分，确定各个商品的综合评分，根据各个商品的综合评分，对各个商品进行排序，确定当前用户的个性推荐商品。
根据各个商品的综合评分由高到低的顺序，对各个商品进行排序，将排名最高的商品作为当前用户的个性推荐商品。
步骤209：根据至少一个关联用户的行为数据和订购数据，确定每一个关联用户的个性推荐商品。
关联用户的个性推荐商品的确定方法与上述步骤中当前用户的个性推荐商品的确定方法相同，此处不再赘述。
步骤210：根据当前用户的个性推荐商品、静态推荐商品和目标关联用户的个性推荐商品，确定待推荐商品。
当订购数据，包括：至少一个单次购进量时，可以通过确定关联用户与当前用户的相关性，对关联用户进行进一步筛选，过程如下：
A1：对当前用户的至少一个单次购进量进行线性拟合，确定当前购进量趋势线和当前购进量趋势线的单位向量；
A2：针对每一个关联用户，均执行：对当前关联用户的至少一个单次购进量进行线性拟合，确定关联购进量趋势线和关联购进量趋势线的单位向量；根据下述式(6)、当前购进量趋势线的单位向量和关联购进量趋势线的单位向量，确定当前关联用户与当前用户的相关性；
A3：根据各个关联用户与当前用户的相关性，在各个关联用户中确定目标关联用户；
A4：根据当前用户的个性推荐商品、静态推荐商品和目标关联用户的个性推荐商品，确定待推荐商品；
式(6)
其中，cosA用于表征当前关联用户与当前用户的相关性，用于表征当前购进量趋势线的单位向量，用于表征关联购进量趋势线的单位向量。
如图3所示，本发明实施例提供了一种商品推荐装置，包括：
获取单元301，用于获取至少一个用户的注册数据、行为数据和订购数据；
处理单元302，用于针对每一个用户，均执行：根据获取单元301获取的当前用户的注册数据和订购数据，为当前用户添加至少一个画像标签；根据至少一个画像标签，确定至少一个关联用户；根据当前用户的行为数据和订购数据，以及至少一个关联用户的行为数据和订购数据，确定待推荐商品。
在本发明的一个实施例中，如图4所示，该装置还包括：
确定单元303，用于确定静态推荐商品；
处理单元302，用于根据当前用户的行为数据和订购数据，确定当前用户的个性推荐商品；根据至少一个关联用户的行为数据和订购数据，确定每一个关联用户的个性推荐商品；根据当前用户的个性推荐商品、静态推荐商品和每一个关联用户的个性推荐商品，确定待推荐商品。
在本发明的一个实施例中，行为数据，包括：订购顺序、搜索次数、查看次数、收藏状态和商品评分；
订购数据，包括：总购进量、总购进金额和购进频率；
处理单元302，用于根据当前用户的订购顺序，确定各个商品的优先度评分；
根据当前用户的搜索次数、查看次数、收藏状态、商品评分，以及下述式(7)，确定各个商品的关注度评分；
根据各个商品的优先度评分和各个商品的关注度评分，确定各个商品的行为评分；
根据当前用户的总购进量、总购进金额、购进频率，确定各个商品的总购进量评分、总购进金额评分、购进频率评分；
根据各个商品的总购进量评分、总购进金额评分、购进频率评分，以及下述式(8)，确定各个商品的订购评分；
根据各个商品的行为评分和各个商品的订购评分，确定各个商品的综合评分；
根据各个商品的综合评分，对各个商品进行排序，确定当前用户的个性推荐商品；
式(7)，包括：
Gi＝miw1+piw2+niw3+siw4 (7)
其中，Gi用于表征商品i的关注度评分，mi用于表征商品i的搜索次数，pi用于表征商品i的收藏状态，当商品i被收藏时，pi＝1，当商品i未被收藏时，pi＝0，ni用于表征商品i的查看次数，si用于表征商品i的商品评分，w1用于表征搜索系数，w2用于表征收藏系数，w3用于表征查看系数，w4用于表征商品评分系数，搜索系数、收藏系数、查看系数和商品评分系数为常数；
式(8)，包括：
Hj＝ajw5+bjw6+cjw7 (8)
其中，Hj用于表征商品j的订购评分,aj用于表征商品j的总购进量评分，bj用于表征商品j的总购进金额评分，cj用于表征商品j的购进频率评分，w5用于表征总购进量评分的权重，w6用于表征总购进金额评分的权重，w7用于表征购进频率评分的权重。
在本发明的一个实施例中，订购数据，包括：至少一个单次购进量；
处理单元302，用于对当前用户的至少一个单次购进量进行线性拟合，确定当前购进量趋势线和当前购进量趋势线的单位向量；
针对每一个关联用户，均执行：对当前关联用户的至少一个单次购进量进行线性拟合，确定关联购进量趋势线和关联购进量趋势线的单位向量；根据下述式(9)、当前购进量趋势线的单位向量和关联购进量趋势线的单位向量，确定当前关联用户与当前用户的相关性；
根据各个关联用户与当前用户的相关性，在各个关联用户中确定目标关联用户；
根据当前用户的个性推荐商品、静态推荐商品和目标关联用户的个性推荐商品，确定待推荐商品；
式(9)，包括：
其中，cosA用于表征当前关联用户与当前用户的相关性，用于表征当前购进量趋势线的单位向量，用于表征关联购进量趋势线的单位向量。
在本发明的一个实施例中，注册数据，包括：年龄；
订购数据，包括：总购进量；
如图5所示，该包括：设置单元304，用于设置年龄区间与画像标签的对应关系，总购进量区间与画像标签的对应关系；
处理单元302，用于确定当前用户的年龄所在的当前年龄区间，确定当前年龄区间对应的当前画像标签，为当前用户添加当前画像标签；确定当前用户的总购进量所在的目标总购进量区间，确定目标总购进量区间对应的目标画像标签，为当前用户添加目标画像标签。
上述装置内的各单元之间的信息交互、执行过程等内容，由于与本发明方法实施例基于同一构思，具体内容可参见本发明方法实施例中的叙述，此处不再赘述。
本发明实施例提供了一种可读介质，包括执行指令，当存储控制器的处理器执行执行指令时，存储控制器执行上述任一实施例的方法。
本发明实施例提供了一种存储控制器，包括：处理器、存储器和总线；
存储器用于存储执行指令，处理器与存储器通过总线连接，当存储控制器运行时，处理器执行存储器存储的执行指令，以使存储控制器执行上述任一实施例的方法。
综上，本发明各个实施例至少具有如下效果：
1、在本发明实施例中，该方法根据用户的注册数据和订购数据为用户添加画像标签，对全部用户进行分类，并确定当前用户的关联用户。通过分析当前用户的行为数据和订购数据，以及与当前用户相关的至少一个关联用户的行为数据和订购数据，确定待向当前用户推荐的待推荐商品。本发明提供的方法考虑当前用户和关联用户的行为数据、订购数据等，为当前用户提供个性化的推荐，能够提升用户体验。
2、在本发明实施例中，为了满足商家对某些商品的推广需求，该方法还可以向用户推荐静态推荐商品，静态推荐商品与根据用户行为数据等个性化数据结合，形成待推荐商品，该待推荐商品既考虑了用户的偏好，又考虑了商家的广告需求。
3、在本发明实施例中，通过用户画像为各个用户添加标签，以区分不同类型的用户，在推荐的过程中，除了考虑用户自身的行为偏好，还考虑了与用户具有相同标签的群体的行为偏好，提高商品销量的同时保证了推荐的准确性。
需要说明的是，在本文中，诸如第一和第二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、物品或者设备中还存在另外的相同因素。
本领域普通技术人员可以理解：实现上述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在计算机可读取的存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；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中。
最后需要说明的是：以上所述仅为本发明的较佳实施例，仅用于说明本发明的技术方案，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所做的任何修改、等同替换、改进等，均包含在本发明的保护范围内。

Claims (10)

1.一种商品推荐方法，其特征在于，包括：
获取至少一个用户的注册数据、行为数据和订购数据；
针对每一个所述用户，均执行：
根据当前用户的注册数据和订购数据，为所述当前用户添加至少一个画像标签；
根据所述至少一个画像标签，确定至少一个关联用户；
根据所述当前用户的行为数据和订购数据，以及所述至少一个关联用户的行为数据和订购数据，确定待推荐商品。
2.根据权利要求1所述的商品推荐方法，其特征在于，进一步包括：确定静态推荐商品；
所述根据所述当前用户的行为数据和订购数据，以及所述至少一个关联用户的行为数据和订购数据，确定待推荐商品，包括：
根据所述当前用户的行为数据和订购数据，确定所述当前用户的个性推荐商品；
根据所述至少一个关联用户的行为数据和订购数据，确定每一个所述关联用户的个性推荐商品；
根据所述当前用户的个性推荐商品、所述静态推荐商品和每一个所述关联用户的个性推荐商品，确定待推荐商品。
3.根据权利要求2所述的商品推荐方法，其特征在于，
所述行为数据，包括：订购顺序、搜索次数、查看次数、收藏状态和商品评分；
所述订购数据，包括：总购进量、总购进金额和购进频率；
所述根据所述当前用户的行为数据和订购数据，确定所述当前用户的个性推荐商品，包括：
根据所述当前用户的订购顺序，确定各个商品的优先度评分；
根据所述当前用户的搜索次数、查看次数、收藏状态、商品评分，以及下述第一公式，确定各个所述商品的关注度评分；
根据各个所述商品的优先度评分和各个所述商品的关注度评分，确定各个所述商品的行为评分；
根据所述当前用户的总购进量、总购进金额、购进频率，确定各个所述商品的总购进量评分、总购进金额评分、购进频率评分；
根据各个所述商品的总购进量评分、总购进金额评分、购进频率评分，以及下述第二公式，确定各个所述商品的订购评分；
根据各个所述商品的行为评分和各个所述商品的订购评分，确定各个所述商品的综合评分；
根据各个所述商品的综合评分，对各个所述商品进行排序，确定所述当前用户的个性推荐商品；
所述第一公式，包括：
Gi＝miw1+piw2+niw3+siw4
其中，Gi用于表征商品i的关注度评分，mi用于表征所述商品i的搜索次数，pi用于表征所述商品i的收藏状态，当所述商品i被收藏时，pi＝1，当所述商品i未被收藏时，pi＝0，ni用于表征所述商品i的查看次数，si用于表征所述商品i的商品评分，w1用于表征搜索系数，w2用于表征收藏系数，w3用于表征查看系数，w4用于表征商品评分系数，所述搜索系数、所述收藏系数、所述查看系数和所述商品评分系数为常数；
所述第二公式，包括：
Hj＝ajw5+bjw6+cjw7
其中，所述Hj用于表征商品j的订购评分,aj用于表征所述商品j的总购进量评分，bj用于表征所述商品j的总购进金额评分，cj用于表征所述商品j的购进频率评分，w5用于表征所述总购进量评分的权重，w6用于表征所述总购进金额评分的权重，w7用于表征所述购进频率评分的权重。
4.根据权利要求2所述的商品推荐方法，其特征在于，
所述订购数据，包括：至少一个单次购进量；
所述根据所述当前用户的个性推荐商品、所述静态推荐商品和每一个所述关联用户的个性推荐商品，确定待推荐商品，包括：
对所述当前用户的至少一个单次购进量进行线性拟合，确定当前购进量趋势线和所述当前购进量趋势线的单位向量；
针对每一个所述关联用户，均执行：对当前关联用户的至少一个单次购进量进行线性拟合，确定关联购进量趋势线和所述关联购进量趋势线的单位向量；根据下述第三公式、所述当前购进量趋势线的单位向量和所述关联购进量趋势线的单位向量，确定所述当前关联用户与所述当前用户的相关性；
根据各个所述关联用户与所述当前用户的相关性，在各个所述关联用户中确定目标关联用户；
根据所述当前用户的个性推荐商品、所述静态推荐商品和所述目标关联用户的个性推荐商品，确定所述待推荐商品；
所述第三公式，包括：
其中，cosA用于表征所述当前关联用户与所述当前用户的相关性，用于表征所述当前购进量趋势线的单位向量，用于表征所述关联购进量趋势线的单位向量。
5.根据权利要求1所述的商品推荐方法，其特征在，
所述注册数据，包括：年龄；
所述订购数据，包括：总购进量；
进一步包括：预先设置年龄区间与画像标签的对应关系，总购进量区间与画像标签的对应关系；
所述根据当前用户的注册数据和订购数据，为所述当前用户添加至少一个画像标签，包括：
确定所述当前用户的年龄所在的当前年龄区间，确定所述当前年龄区间对应的当前画像标签，为所述当前用户添加所述当前画像标签；
确定所述当前用户的总购进量所在的目标总购进量区间，确定所述目标总购进量区间对应的目标画像标签，为所述当前用户添加所述目标画像标签。
6.一种商品推荐装置，其特征在于，包括：
获取单元，用于获取至少一个用户的注册数据、行为数据和订购数据；
处理单元，用于针对每一个所述用户，均执行：根据所述获取单元获取的当前用户的注册数据和订购数据，为所述当前用户添加至少一个画像标签；根据所述至少一个画像标签，确定至少一个关联用户；根据所述当前用户的行为数据和订购数据，以及所述至少一个关联用户的行为数据和订购数据，确定待推荐商品。
7.根据权利要求6所述的商品推荐装置，其特征在于，进一步包括：
确定单元，用于确定静态推荐商品；
所述处理单元，用于根据所述当前用户的行为数据和订购数据，确定所述当前用户的个性推荐商品；根据所述至少一个关联用户的行为数据和订购数据，确定每一个所述关联用户的个性推荐商品；根据所述当前用户的个性推荐商品、所述静态推荐商品和每一个所述关联用户的个性推荐商品，确定待推荐商品。
8.根据权利要求7所述的商品推荐装置，其特征在于，
所述行为数据，包括：订购顺序、搜索次数、查看次数、收藏状态和商品评分；
所述订购数据，包括：总购进量、总购进金额和购进频率；
所述处理单元，用于根据所述当前用户的订购顺序，确定各个商品的优先度评分；
根据所述当前用户的搜索次数、查看次数、收藏状态、商品评分，以及下述第一公式，确定各个所述商品的关注度评分；
根据各个所述商品的优先度评分和各个所述商品的关注度评分，确定各个所述商品的行为评分；
根据所述当前用户的总购进量、总购进金额、购进频率，确定各个所述商品的总购进量评分、总购进金额评分、购进频率评分；
根据各个所述商品的总购进量评分、总购进金额评分、购进频率评分，以及下述第二公式，确定各个所述商品的订购评分；
根据各个所述商品的行为评分和各个所述商品的订购评分，确定各个所述商品的综合评分；
根据各个所述商品的综合评分，对各个所述商品进行排序，确定所述当前用户的个性推荐商品；
所述第一公式，包括：
Gi＝miw1+piw2+niw3+siw4
其中，Gi用于表征商品i的关注度评分，mi用于表征所述商品i的搜索次数，pi用于表征所述商品i的收藏状态，当所述商品i被收藏时，pi＝1，当所述商品i未被收藏时，pi＝0，ni用于表征所述商品i的查看次数，si用于表征所述商品i的商品评分，w1用于表征搜索系数，w2用于表征收藏系数，w3用于表征查看系数，w4用于表征商品评分系数，所述搜索系数、所述收藏系数、所述查看系数和所述商品评分系数为常数；
所述第二公式，包括：
Hj＝ajw5+bjw6+cjw7
其中，所述Hj用于表征商品j的订购评分,aj用于表征所述商品j的总购进量评分，bj用于表征所述商品j的总购进金额评分，cj用于表征所述商品j的购进频率评分，w5用于表征所述总购进量评分的权重，w6用于表征所述总购进金额评分的权重，w7用于表征所述购进频率评分的权重。
9.根据权利要求7所述的商品推荐装置，其特征在于，
所述订购数据，包括：至少一个单次购进量；
所述处理单元，用于对所述当前用户的至少一个单次购进量进行线性拟合，确定当前购进量趋势线和所述当前购进量趋势线的单位向量；
针对每一个所述关联用户，均执行：对当前关联用户的至少一个单次购进量进行线性拟合，确定关联购进量趋势线和所述关联购进量趋势线的单位向量；根据下述第三公式、所述当前购进量趋势线的单位向量和所述关联购进量趋势线的单位向量，确定所述当前关联用户与所述当前用户的相关性；
根据各个所述关联用户与所述当前用户的相关性，在各个所述关联用户中确定目标关联用户；
根据所述当前用户的个性推荐商品、所述静态推荐商品和所述目标关联用户的个性推荐商品，确定所述待推荐商品；
所述第三公式，包括：
其中，cosA用于表征所述当前关联用户与所述当前用户的相关性，用于表征所述当前购进量趋势线的单位向量，用于表征所述关联购进量趋势线的单位向量。
10.根据权利要求6所述的商品推荐装置，其特征在，
所述注册数据，包括：年龄；
所述订购数据，包括：总购进量；
进一步包括：设置单元，用于设置年龄区间与画像标签的对应关系，总购进量区间与画像标签的对应关系；
所述处理单元，用于确定所述当前用户的年龄所在的当前年龄区间，确定所述当前年龄区间对应的当前画像标签，为所述当前用户添加所述当前画像标签；确定所述当前用户的总购进量所在的目标总购进量区间，确定所述目标总购进量区间对应的目标画像标签，为所述当前用户添加所述目标画像标签。
CN201710879651.6A 2017-09-26 2017-09-26 一种商品推荐方法和装置 Pending CN107679898A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710879651.6A CN107679898A (zh) 2017-09-26 2017-09-26 一种商品推荐方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710879651.6A CN107679898A (zh) 2017-09-26 2017-09-26 一种商品推荐方法和装置

Publications (1)

Publication Number Publication Date
CN107679898A true CN107679898A (zh) 2018-02-09

Family

ID=61137457

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710879651.6A Pending CN107679898A (zh) 2017-09-26 2017-09-26 一种商品推荐方法和装置

Country Status (1)

Country Link
CN (1) CN107679898A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108346090A (zh) * 2018-02-28 2018-07-31 深圳春沐源控股有限公司 商品推荐方法及装置
CN109255522A (zh) * 2018-08-14 2019-01-22 殷肇良 一种用户管理方法
CN110489642A (zh) * 2019-07-25 2019-11-22 山东大学 基于行为特征分析的商品推荐方法、系统、设备及介质
CN110807691A (zh) * 2019-10-31 2020-02-18 深圳市云积分科技有限公司 一种跨商品品类的商品推荐方法和装置
JP2020042676A (ja) * 2018-09-12 2020-03-19 株式会社三菱Ｕｆｊ銀行 情報処理装置及び情報処理方法
WO2020140911A1 (zh) * 2019-01-02 2020-07-09 中国移动通信有限公司研究院 数据处理方法及装置、数据节点及存储介质
CN113269569A (zh) * 2021-06-10 2021-08-17 杭州米橙科技有限公司 一种基于推广营销的客户定向管理系统
CN113763038A (zh) * 2021-08-23 2021-12-07 广州快批信息科技有限公司 一种业务的推广管理方法、装置及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070136111A1 (en) * 2005-03-22 2007-06-14 Adam Sussman Computer-implemented systems and methods for resource allocation
CN103077220A (zh) * 2012-12-29 2013-05-01 中国科学院深圳先进技术研究院 一种基于用户群关联度的个性化推荐方法及系统
CN105869001A (zh) * 2015-01-19 2016-08-17 苏宁云商集团股份有限公司 个性化商品推荐引流方法和系统
CN106651533A (zh) * 2016-12-29 2017-05-10 合肥华凌股份有限公司 一种基于用户行为的个性化商品推荐方法及装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070136111A1 (en) * 2005-03-22 2007-06-14 Adam Sussman Computer-implemented systems and methods for resource allocation
CN103077220A (zh) * 2012-12-29 2013-05-01 中国科学院深圳先进技术研究院 一种基于用户群关联度的个性化推荐方法及系统
CN105869001A (zh) * 2015-01-19 2016-08-17 苏宁云商集团股份有限公司 个性化商品推荐引流方法和系统
CN106651533A (zh) * 2016-12-29 2017-05-10 合肥华凌股份有限公司 一种基于用户行为的个性化商品推荐方法及装置

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108346090A (zh) * 2018-02-28 2018-07-31 深圳春沐源控股有限公司 商品推荐方法及装置
CN109255522A (zh) * 2018-08-14 2019-01-22 殷肇良 一种用户管理方法
JP2020042676A (ja) * 2018-09-12 2020-03-19 株式会社三菱Ｕｆｊ銀行 情報処理装置及び情報処理方法
WO2020140911A1 (zh) * 2019-01-02 2020-07-09 中国移动通信有限公司研究院 数据处理方法及装置、数据节点及存储介质
CN110489642A (zh) * 2019-07-25 2019-11-22 山东大学 基于行为特征分析的商品推荐方法、系统、设备及介质
CN110807691A (zh) * 2019-10-31 2020-02-18 深圳市云积分科技有限公司 一种跨商品品类的商品推荐方法和装置
CN110807691B (zh) * 2019-10-31 2022-03-04 深圳市云积分科技有限公司 一种跨商品品类的商品推荐方法和装置
CN113269569A (zh) * 2021-06-10 2021-08-17 杭州米橙科技有限公司 一种基于推广营销的客户定向管理系统
CN113763038A (zh) * 2021-08-23 2021-12-07 广州快批信息科技有限公司 一种业务的推广管理方法、装置及系统

Similar Documents

Publication Publication Date Title
CN107679898A (zh) 一种商品推荐方法和装置
Albadvi et al. A hybrid recommendation technique based on product category attributes
JP5662620B2 (ja) ユーザ行動に基づく内容情報推薦
CN103246980B (zh) 信息输出方法及服务器
CN102279851B (zh) 一种智能导航方法、装置和系统
US7805431B2 (en) System and method for generating a display of tags
CN103577988B (zh) 一种识别特定用户的方法和装置
US20130275269A1 (en) Searching supplier information based on transaction platform
CN109447713A (zh) 一种基于知识图谱的推荐方法及装置
TW201520790A (zh) 個性化資料搜尋方法和裝置
CN102339448B (zh) 团购平台信息处理方法及装置
CN110807669B (zh) 一种跨平台的用户信息管理方法和装置
CN103377249A (zh) 关键词投放方法及系统
CN113763089A (zh) 物品推荐方法及装置、计算机可存储介质
CN110807691B (zh) 一种跨商品品类的商品推荐方法和装置
KR101647364B1 (ko) 사용자 특성정보 및 상호작용 기반의 컨텐츠 추천 시스템，방법 및 그 기록매체
CN114969566B (zh) 一种距离度量的政务服务事项协同过滤推荐方法
CN106447364A (zh) 信息推荐方法及装置
CN107133811A (zh) 一种目标用户的识别方法和装置
JP6917348B2 (ja) 提供装置、提供方法、及び提供プログラム
Raj et al. Loyalty score generation for customers using sentimental analysis of reviews in e-commerce
CN107153697A (zh) 一种商品交易网站中的商品搜索方法和装置
CN113781171A (zh) 信息推送方法、装置、设备及存储介质
CN110968670B (zh) 一种流行商品的属性获取方法、装置、设备及存储介质
CN113127597A (zh) 搜索信息的处理方法、装置及电子设备

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: 20180209