CN107705183B - 一种商品的推荐方法、装置、存储介质及服务器 - Google Patents
一种商品的推荐方法、装置、存储介质及服务器 Download PDFInfo
- Publication number
- CN107705183B CN107705183B CN201710940309.2A CN201710940309A CN107705183B CN 107705183 B CN107705183 B CN 107705183B CN 201710940309 A CN201710940309 A CN 201710940309A CN 107705183 B CN107705183 B CN 107705183B
- Authority
- CN
- China
- Prior art keywords
- commodity
- user
- training
- training model
- model
- 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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Medical Informatics (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例公开了一种商品的推荐方法、装置、存储介质及服务器。该方法包括:利用机器学习手段,对隐性行为数据与历史购买行为结果进行训练,得到训练模型;获取用户对待推荐商品的隐性行为数据,根据所述训练模型,得到所述用户对所述待推荐商品的兴趣度;根据所述用户对所述待推荐商品的兴趣度,进行商品推荐。通过采用本发明实施例所提供的技术方案,可以实现针对用户喜好的商品进行推荐,从而提高用户对推荐商品的购买转化率的效果。
Description
技术领域
本发明实施例涉及电商商品推荐技术领域,尤其涉及一种商品的推荐方法、装置、存储介质及服务器。
背景技术
目前,随着物联网技术的发展,网络购物的形式已经被广大消费者所接收。
现有技术中,电商针对用户进行商品推荐,往往是依据获取到显性数据,如用户对商品点赞、好评等,进行商品或者类似商品推荐的。然而很多用户没有对已购买的商品进行评价的习惯,这就使得电商推荐的商品的方式没有了数据基础,比较盲目,电商推荐的商品无法满足用户的喜好,购买转化率较低。
发明内容
本发明实施例提供一种商品的推荐方法、装置、存储介质及服务器,可以实现针对用户喜好的商品进行推荐,从而提高用户对推荐商品的购买转化率的效果。
第一方面,本发明实施例提供了一种商品的推荐方法,该方法包括:
利用机器学习手段,对隐性行为数据与历史购买行为结果进行训练,得到训练模型;
获取用户对待推荐商品的隐性行为数据,根据所述训练模型,得到所述用户对所述待推荐商品的兴趣度;
根据所述用户对所述待推荐商品的兴趣度,进行商品推荐。
进一步的,利用机器学习手段,对隐性行为数据与历史购买行为结果进行训练,得到训练模型,包括:
获取用户对至少一种商品的特征隐性行为数据,并获取用户对商品的购买行为结果,形成样本集;其中,所述用户对商品的特征隐性行为数据包括:至少一个特定时间段内,用户对商品的浏览、购买、加购物车、收藏、预约和预购中至少一种隐性行为的次数;
将所述样本集输入初始化的XGBoost模型进行训练,得到训练模型。
进一步的,在获取用户对至少一种商品的特征隐性行为,并获取用户对商品的购买行为结果,形成样本集之后,还包括:
将所述样本集划分为训练集和测试集;
相应的,将所述样本集输入初始化的XGBoost模型进行训练,得到训练模型,包括:
初始化XGBoost模型参数,所述模型参数包括:子树的最大深度、学习速率和子树个数中的一种或多种;
将所述训练集输入XGBoost模型进行模型训练,得到初步训练模型;
在测试集上进行所述初步训练模型测试,并判断测试结果是否满足预设条件;
若满足,则确定所述初步训练模型为训练模型,若不满足,则调整训练集正负样本比例和所述初步训练模型的参数,直至测试结果满足预设条件为止,并确定训练模型。
进一步的,所述获取用户对待推荐商品的隐性行为数据,根据所述训练模型,得到所述用户对待推荐商品的兴趣度,包括:
获取用户对待推荐商品的特征隐性行为数据;
根据所述训练模型,确定所述特征隐性行为数据对于用户购买结果的影响权重;
根据所述特征隐性行为数据和所述特征隐性行为的影响权重,计算所述用户对所述待推荐商品的兴趣度。
进一步的,所述根据所述特征隐性行为数据和所述特征隐性行为的影响权重,计算所述用户对所述待推荐商品的兴趣度,包括:
根据每个所述特征隐性行为数据与所述特征隐性行为的影响权重的乘积,得到每个所述特征隐性行为影响值;
加和所有所述特征隐性行为影响值,得到所述用户对所述待推荐商品的兴趣度。
第二方面,本发明实施例还提供了一种商品的推荐装置,该装置包括:
训练模型确定模块,用于利用机器学习手段,对隐性行为数据与历史购买行为结果进行训练,得到训练模型;
兴趣度确定模块,用于获取用户对待推荐商品的隐性行为数据,根据所述训练模型,得到所述用户对所述待推荐商品的兴趣度;
商品推荐模块,用于根据所述用户对所述待推荐商品的兴趣度,进行商品推荐。
进一步的,所述训练模型确定模块包括:
样本集获取单元,用于获取用户对至少一种商品的特征隐性行为数据,并获取用户对商品的购买行为结果,形成样本集;其中,所述用户对商品的特征隐性行为数据包括:至少一个特定时间段内,用户对商品的浏览、购买、加购物车、收藏、预约和预购中至少一种隐性行为的次数;
训练模型确定单元,用于将所述样本集输入初始化的XGBoost模型进行训练,得到训练模型。
进一步的,所述训练模型确定模块还包括:
样本集划分单元,用于将所述样本集划分为训练集和测试集;
相应的,所述训练模型确定单元包括:
参数初始化子单元,用于初始化XGBoost模型参数,所述模型参数包括:子树的最大深度、学习速率和子树个数中的一种或多种;
初步训练模型确定子单元,用于将所述训练集输入XGBoost模型进行模型训练,得到初步训练模型;
初步训练模型测试单元,用于在测试集上进行所述初步训练模型测试,并判断测试结果是否满足预设条件;
训练模型确定单元,用于若满足,则确定所述初步训练模型为训练模型,若不满足,则调整训练集正负样本比例和所述初步训练模型的参数,直至测试结果满足预设条件为止,并确定训练模型。
进一步的,所述兴趣度确定模块包括:
特征隐性行为获取单元,用于获取用户对待推荐商品的特征隐性行为数据;
特征隐性行为影响权重确定单元,用于根据所述训练模型,确定所述特征隐性行为数据对于用户购买结果的影响权重;
兴趣度计算单元,用于根据所述特征隐性行为数据和所述特征隐性行为的影响权重,计算所述用户对所述待推荐商品的兴趣度。
进一步的,所述兴趣度计算单元包括:
特征隐性行为影响值计算子单元,用于根据每个所述特征隐性行为数据与所述特征隐性行为的影响权重的乘积,得到每个所述特征隐性行为影响值;
兴趣度计算子单元加和所有所述特征隐性行为影响值,得到所述用户对所述待推荐商品的兴趣度。
第三方面,本发明实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本发明实施例所述的商品的推荐方法。
第四方面,本发明实施例提供了一种服务器,该服务器包括:处理器、存储器、通信接口和总线;所述处理器通过所述总线与所述存储器和所述通信接口连接;所述存储器存储有计算机执行指令;所述处理器调用所述存储器中存储的所述计算机执行指令,使得所述处理器执行如本发明实施例所述的商品的推荐方法。
本发明实施例通过对隐性行为数据与历史购买行为结果进行训练,得到机器学习训练模型,并获取当前用户对待推荐商品的隐性行为数据,根据训练模型,可以得到用户对待推荐商品的兴趣度,并根据所述兴趣对,进行商品的推荐,解决了北京技术中对于商品推荐没有显性数据基础,导致推荐效果不佳的问题,实现针对用户喜好的商品进行推荐,从而提高用户对推荐商品的购买转化率的效果。
附图说明
图1是本发明实施例一提供的商品的推荐方法的流程图;
图2是本发明实施例二提供的商品的推荐方法的流程图;
图3是本发明实施例三提供的商品的推荐方法的流程图;
图4是本发明实施例四提供的商品的推荐方法的流程图;
图5是本发明实施例五提供的商品的推荐装置的结构示意图;
图6为本发明实施例七提供的一种服务器的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
在更加详细地讨论示例性实施例之前应当提到的是,一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各步骤描述成顺序的处理,但是其中的许多步骤可以被并行地、并发地或者同时实施。此外,各步骤的顺序可以被重新安排。当其操作完成时所述处理可以被终止,但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
实施例一
图1是本发明实施例一提供的商品的推荐方法的流程图,本实施例可适用商品推荐情况,该方法可以由本发明实施例所提供的商品的推荐装置来执行,该装置可以由软件和/或硬件的方式来实现,并可集成于服务器中。
如图1所示,所述商品的推荐方法包括:
S110、利用机器学习手段,对隐性行为数据与历史购买行为结果进行训练,得到训练模型。
其中,历史购买行为结果可以是用户对某商品的最终购买结果为购买或者为未购买。隐性行为可以是用户对该商品的浏览、加购物车、购买、收藏、预约、预购以及购买等行为。隐性行为数据可以是上述隐性行为在发生购买行为之前的固定时间段所发成的次数,如,用户在4月1日购买一件商品,可以获取用户在3月1日至3月31日之间发生的对该商品的浏览、加购物车、购买、收藏、预约、预购以及购买等行为的次数。其中,为了增加训练模型的样本数量,可以用户当前日期之前一定时间的隐性行为数据和购买行为,如当前是4月1日,可以遍历3月1日至4月1日,每天用户的购买行为与当天所对应的隐性行为数据,作为训练模型的样本。这样可以扩大样本数量,提高模型的训练的准确性,更有利于根据购买行为结果确定每种隐性行为对购买行为结果的影响权重。
利用机器学习手段,对上述隐性行为数据与历史购买行为结果进行训练,可以得到隐性行为数据对购买行为结果的影响权重的模型。如,在购买商品之前30天内,用户对该商品加入购物车3次,浏览20次,预约0次,收藏1次等,可以根据这些数据进行训练,得到各种隐性行为对最终购买结果的影响权重。
S120、获取用户对待推荐商品的隐性行为数据,根据所述训练模型,得到所述用户对所述待推荐商品的兴趣度。
其中,待推荐商品可以是根据用户的一些浏览、加购物车等隐性行为确定的商品或者与之相类似的商品,如用户在一段时间内持续浏览某品牌的篮球鞋,则可以以篮球鞋作为待推荐商品。
其中,根据所述训练模型,得到所述用户对所述待推荐商品的兴趣度,可以是获取当前待推荐商品的隐性行为数据,结合上述示例,如获取用户对篮球鞋的近一个月的浏览次数、加购物车次数以及收藏次数等隐性行为数据,在得到对该待推荐商品的隐性行为数据之后,可以根据训练模型中,各种隐性行为对最终购买结果的影响权重,再根据当前待推荐商品的隐性行为数据以及各种隐性行为的影响权重确定用户对待推荐商品的兴趣度。
其中,兴趣度可以用数值来表示,数值越高的,表示用户对该待推荐商品的兴趣度越高,用户可能对其发生购买行为的概率就越高。兴趣度数值越低的,表示用户对该待推荐商品的兴趣度越低,用户可能对其发生购买行为的概率就越低。
S130、根据所述用户对所述待推荐商品的兴趣度,进行商品推荐。
其中,商品推荐的方式可以包括在电商主页的商品推荐窗口进行商品推荐,还可以是在专门设置的商品推荐页进行商品推荐。在得到用户对所述待推荐商品的兴趣度之后,根据兴趣度的大小,确定是否推荐该待推荐商品,以及如何推荐该待推荐商品。
本实施例的技术方案,通过对隐性行为数据与历史购买行为结果进行训练,得到机器学习训练模型,并获取当前用户对待推荐商品的隐性行为数据,根据训练模型,可以得到用户对待推荐商品的兴趣度,并根据所述兴趣对,进行商品的推荐,解决了北京技术中对于商品推荐没有显性数据基础,导致推荐效果不佳的问题,实现针对用户喜好的商品进行推荐,从而提高用户对推荐商品的购买转化率的效果。
实施例二
图2是本发明实施例二提供的商品的推荐方法的流程图。本实施例在上述实施例的基础上,对利用机器学习手段,对隐性行为数据与历史购买行为结果进行训练,得到训练模型进行了进一步的优化。
如图2所示,所述商品的推荐方法包括:
S210、获取用户对至少一种商品的特征隐性行为数据,并获取用户对商品的购买行为结果,形成样本集。
其中,所述用户对商品的特征隐性行为数据包括:至少一个特定时间段内,用户对商品的浏览、购买、加购物车、收藏、预约和预购中至少一种隐性行为的次数。特定时间段可以是30天、60天或者90天,可以包含一个特定时间段,还可以包含多个特定时间段,如以:7天浏览、近7天加购物车、近7天购买、近30天浏览、近30天购买、近30天收藏、近30天预约、近90天浏览、近90天购买的次数作为样本集的数据。样本集是可以用来进行模型训练的输入数据。其中,特征隐性行为数据包括至少一个特定时间段内,用户对商品的浏览、购买、加购物车、收藏、预约和预购中至少一种隐性行为的次数。购买行为结果可以包括购买和未购买两种结果,其中购买可以用“1”来表示,未购买可以用“0”来表示。这样,样本集中的每个样本就可以是一组数列,便于模型训练的结果输出。
S220、将所述样本集输入初始化的XGBoost模型进行训练,得到训练模型。
在本实施例中,可选的,机器学习模型采用的是XGBoost模型,XGBoost模型是一种十分精致的算法,可以处理各种不规则的数据。而且构造一个使用XGBoost的模型十分简单,并可以给预测模型带来能力的提升。
XGBoost模型需要进行模型参数的设置和调整,初始化XGBoost模型包括对XGBoost模型参数的初始化,具体包括:设置子树的最大深度为10,学习率为0.1,子树的个数为100。在利用样本集对XGBoost模型进行训练的过程,可以是对其参数不断更新的过程。值得说明的是,本发明实施例所提供的对于XGBoost模型参数的初始化仅为一种示例,还可以包含其他参数以及将以上参数设置为其他值。这样设置的好处是可以利用XGBoost模型的特点,得到特征隐性行为数据和所述特征隐性行为的影响权重。
S230、获取用户对待推荐商品的隐性行为数据,根据所述训练模型,得到所述用户对所述待推荐商品的兴趣度。
S240、根据所述用户对所述待推荐商品的兴趣度,进行商品推荐。
本实施例在上述实施例的基础上,提供了一种以特征隐性行为数据对XGBoost模型进行训练的方法,这样设置的好处是可以利用XGBoost模型的特点,根据用户对商品的购买行为结果确定每种隐性行为对购买行为结果的影响权重。这样设置的好处在于可以根据隐性行为数据得到用户对商品的兴趣度,为商品推荐提供数据基础。
实施例三
图3是本发明实施例三提供的商品的推荐方法的流程图。本实施例在上述实施例的基础上,对利用机器学习手段,对隐性行为数据与历史购买行为结果进行训练,得到训练模型进行了进一步的优化。
如图3所示,所述商品的推荐方法包括:
S310、获取用户对至少一种商品的特征隐性行为数据,并获取用户对商品的购买行为结果,形成样本集。
其中,所述用户对商品的特征隐性行为数据包括:至少一个特定时间段内,用户对商品的浏览、购买、加购物车、收藏、预约和预购中至少一种隐性行为的次数。
S320、将所述样本集划分为训练集和测试集。
其中,训练集用于对模型进行训练,测试集用于对训练好的模型进行测试,如果测试效果不好,可以调整已完成训练的模型的参数,直至测试合格为止。
在本实施例中,训练集和测试集可以是同一用户的,也可以是不同用户的,若为同一用户,则可以根据该用户的隐性行为数据推断该用户兴趣度较高的商品有哪些,并进行推荐。如果是不同用户的,可以根据训练模型得到广大用户的隐性行为数据对其购买行为的影响权重大数据,并且可以校验一部分用户的训练模型对其他用户的适用情况。
S330、初始化XGBoost模型参数,所述模型参数包括:子树的最大深度、学习速率和子树个数中的一种或多种。
S340、将所述训练集输入XGBoost模型进行模型训练,得到初步训练模型。
其中,初步训练模型即为没有经过测试集进行测试的模型。
S350、在测试集上进行所述初步训练模型测试,并判断测试结果是否满足预设条件;若满足,则执行S360;若不满足,则执行S370。
其中,满足预设条件可以是将初始化的模型采用训练集数据进行训练,然后在测试集上进行评估模型效果,即将在测试集数据输入初步训练模型进行测试的结果输入评价函数,根据评价函数的值确定当前初步训练模型是否能够在测试集上产生良好的效果。
S360、确定所述初步训练模型为训练模型。
S370、调整训练集正负样本比例和所述初步训练模型的参数,直至测试结果满足预设条件为止,并确定训练模型。
其中,调整训练集正负样本比例可以实现对训练集数据的调整,可以为数据分类等训练提供较好的训练样本数据基础。调整初步训练模型的参数,即为对模型进行参数调节,已达到能够较好的输出训练结果的效果。
S380、获取用户对待推荐商品的隐性行为数据,根据所述训练模型,得到所述用户对所述待推荐商品的兴趣度。
S390、根据所述用户对所述待推荐商品的兴趣度,进行商品推荐。
本实施例在上述各实施例的基础上,提供了对样本集划分为训练集和测试集的方案,并对后续的训练模型进行评价和调整,提高了训练模型的准确度,为能够为用户提供较好的商品推荐效果做出贡献。
实施例四
图4是本发明实施例四提供的商品的推荐方法的流程图。本实施例在上述各实施例的基础上,对获取用户对待推荐商品的隐性行为数据,根据所述训练模型,得到所述用户对待推荐商品的兴趣度,进行了进一步的优化。
如图4所示,所述商品的推荐方法包括:
S410、利用机器学习手段,对隐性行为数据与历史购买行为结果进行训练,得到训练模型。
S420、获取用户对待推荐商品的特征隐性行为数据。
其中,获取当前用户对待推荐商品的特征隐性行为数据,可以是当前用户对某商品近7天、近14天以及近30天的浏览、加购物车以及购买次数。
S430、根据所述训练模型,确定所述特征隐性行为数据对于用户购买结果的影响权重。
其中,S420和S430之间可以颠倒顺序,并且不影响本方案的实现。
S440、根据所述特征隐性行为数据和所述特征隐性行为的影响权重,计算所述用户对所述待推荐商品的兴趣度。
在本实施例中,优选的,根据所述特征隐性行为数据和所述特征隐性行为的影响权重,计算所述用户对所述待推荐商品的兴趣度,包括:
根据每个所述特征隐性行为数据与所述特征隐性行为的影响权重的乘积,得到每个所述特征隐性行为影响值;
加和所有所述特征隐性行为影响值,得到所述用户对所述待推荐商品的兴趣度。
S450、根据所述用户对所述待推荐商品的兴趣度,进行商品推荐。
本实施例在所述各实施例的基础上,提供了一种根据训练模型和获取到的用户特征隐性行为数据,确定用户对待推荐商品的兴趣度的具体实现方式,在上述各技术方案的基础上,提供了简便有效的算法,提高对待推荐商品兴趣度推断的准确性,进一步的使推荐的商品更能够为用户所接收,提高购买转化率。
实施例五
图5是本发明实施例五提供的商品的推荐装置的结构示意图。如图5所示,所述商品的推荐装置,包括:
训练模型确定模块510,用于利用机器学习手段,对隐性行为数据与历史购买行为结果进行训练,得到训练模型;
兴趣度确定模块520,用于获取用户对待推荐商品的隐性行为数据,根据所述训练模型,得到所述用户对所述待推荐商品的兴趣度;
商品推荐模块530,用于根据所述用户对所述待推荐商品的兴趣度,进行商品推荐。
本实施例的技术方案,通过对隐性行为数据与历史购买行为结果进行训练,得到机器学习训练模型,并获取当前用户对待推荐商品的隐性行为数据,根据训练模型,可以得到用户对待推荐商品的兴趣度,并根据所述兴趣对,进行商品的推荐,解决了北京技术中对于商品推荐没有显性数据基础,导致推荐效果不佳的问题,实现针对用户喜好的商品进行推荐,从而提高用户对推荐商品的购买转化率的效果。
在上述各实施例的基础上,可选的,所述训练模型确定模块510包括:
样本集获取单元,用于获取用户对至少一种商品的特征隐性行为数据,并获取用户对商品的购买行为结果,形成样本集;其中,所述用户对商品的特征隐性行为数据包括:至少一个特定时间段内,用户对商品的浏览、购买、加购物车、收藏、预约和预购中至少一种隐性行为的次数;
训练模型确定单元,用于将所述样本集输入初始化的XGBoost模型进行训练,得到训练模型。
在上述各实施例的基础上,可选的,所述训练模型确定模块510还包括:
样本集划分单元,用于将所述样本集划分为训练集和测试集;
相应的,所述训练模型确定单元包括:
参数初始化子单元,用于初始化XGBoost模型参数,所述模型参数包括:子树的最大深度、学习速率和子树个数中的一种或多种;
初步训练模型确定子单元,用于将所述训练集输入XGBoost模型进行模型训练,得到初步训练模型;
初步训练模型测试单元,用于在测试集上进行所述初步训练模型测试,并判断测试结果是否满足预设条件;
训练模型确定单元,用于若满足,则确定所述初步训练模型为训练模型,若不满足,则调整训练集正负样本比例和所述初步训练模型的参数,直至测试结果满足预设条件为止,并确定训练模型。
在上述各实施例的基础上,可选的,所述兴趣度确定模块520包括:
特征隐性行为获取单元,用于获取用户对待推荐商品的特征隐性行为数据;
特征隐性行为影响权重确定单元,用于根据所述训练模型,确定所述特征隐性行为数据对于用户购买结果的影响权重;
兴趣度计算单元,用于根据所述特征隐性行为数据和所述特征隐性行为的影响权重,计算所述用户对所述待推荐商品的兴趣度。
在上述各实施例的基础上,可选的,所述兴趣度计算单元包括:
特征隐性行为影响值计算子单元,用于根据每个所述特征隐性行为数据与所述特征隐性行为的影响权重的乘积,得到每个所述特征隐性行为影响值;
兴趣度计算子单元加和所有所述特征隐性行为影响值,得到所述用户对所述待推荐商品的兴趣度。
上述产品可执行本发明任意实施例所提供的方法,具备执行方法相应的功能模块和有益效果。
实施例六
本发明实施例还提供一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行一种商品的推荐的方法,该方法包括:
利用机器学习手段,对隐性行为数据与历史购买行为结果进行训练,得到训练模型;
获取用户对待推荐商品的隐性行为数据,根据所述训练模型,得到所述用户对所述待推荐商品的兴趣度;
根据所述用户对所述待推荐商品的兴趣度,进行商品推荐。
存储介质——任何的各种类型的存储器设备或存储设备。术语“存储介质”旨在包括:安装介质,例如CD-ROM、软盘或磁带装置;计算机系统存储器或随机存取存储器,诸如DRAM、DDR RAM、SRAM、EDO RAM,兰巴斯(Rambus)RAM等;非易失性存储器,诸如闪存、磁介质(例如硬盘或光存储);寄存器或其它相似类型的存储器元件等。存储介质可以还包括其它类型的存储器或其组合。另外,存储介质可以位于程序在其中被执行的计算机系统中,或者可以位于不同的第二计算机系统中,第二计算机系统通过网络(诸如因特网)连接到计算机系统。第二计算机系统可以提供程序指令给计算机用于执行。术语“存储介质”可以包括可以驻留在不同位置中(例如在通过网络连接的不同计算机系统中)的两个或更多存储介质。存储介质可以存储可由一个或多个处理器执行的程序指令(例如具体实现为计算机程序)。
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的商品的推荐的操作,还可以执行本发明任意实施例所提供的商品的推荐的方法中的相关操作。
实施例七
本发明实施例还可提供了一种服务器。图6为本发明实施例七提供的一种服务器的结构示意图。如图6所示,该服务器600可包括:处理器601、存储器602、通信接口603和总线604。处理器601通过总线604与存储器602和通信接口603连接。
其中,处理器601可以为中央处理器(Central Processing Unit,简称CPU)。处理器601还可以为其他通用处理器、数字信号处理器(Digital Signal Processing,简称DSP)、专用集成电路(Application Specific Integrated Circuit,简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器602,可以包括易失性存储器(volatile memory),例如随机存取存储器(Random-Access Memory,简称RAM);存储器602也可以包括非易失性存储器(non-volatilememory),例如只读存储器(Read-Only Memory,简称ROM),快闪存储器(flash memory),硬盘(Hard Disk Drive,简称HDD)或固态硬盘(Solid-State Drive,简称SSD);存储器602还可以包括上述种类的存储器的组合。
通信接口603可具体为接口电路,用于收发信息或请求的过程中,信号的接收和发送,通信接口603接收外部设备发送的信息后,给处理器601处理;另外,通信接口603可以通过无线通信与网络和其他设备通信。
而总线604可以包括数据总线、电源总线、控制总线和信号状态总线等。本实施例中为了清楚说明,在图6中将各种总线都示意为一条直线。
其中,存储器602存储有计算机执行指令。
处理器601调用存储器602中存储的该计算机执行指令,使得处理器601执行上述任一所述的商品的推荐方法。
本发明提供的服务器,可执行上述任一所述的商品的推荐的方法,其具体实现过程及有益效果与上述实施例类似,在此不再赘述。
优选实施例
为了能够让本领域的技术人员理解本发明实施例所提供的技术方案,本发明实施例还提供了优选实施例。
步骤1、学习每种隐性行为对于刻画用户对商品兴趣度的权重。这里,我们把该问题转化为:用户隐性行为对于决策是否购买(1:购买,0:未购买)对应商品的重要度,这就可以把该问题转化为一个二分类问题,可以使用有监督的且可以输出输入特征重要度的分类模型进行解决。XGBoost是一种新型的集成学习模型,它因出色的分类性能和计算效率在工业界被广泛使用。而且,该模型对数据集进行学习后可以输出每个输入特征的重要度,特别适合解决我们遇到的问题。利用XGBoost学习隐性行为重要度权重的步骤如下:
步骤a、准备训练数据。选择滞后90天到120天的这个时间段,遍历每天的数据,筛选出当天有隐性行为数据的用户,统计其对产生行为的商品的近7天浏览、近7天加购物车、近7天购买、近30天浏览、近30天购买、近30天收藏、近30天预约、近90天浏览、近90天购买的次数,分别用符号 和表示。并标记用户当天对该商品的购买行为,用符号yui(只有两种取值,1表示购买,0表示未购买)表示。这就形成了样本集
步骤b、将数据划分为训练集和测试集,训练集用户训练XGBoost模型,测试集用户评估模型效果。
步骤c、初始化XGBoost的参数,设置max_depth(子树的最大深度)为10,learning_rate(学习率)为0.1,n_estimators(子树的个数)为100。
步骤d、将初始化好的模型拟合训练集,然后在测试集上进行评估模型效果,即计算模型在测试集上的AUC值。
步骤e、调整训练集正负样本比例和模型参数直到模型在测试集上的效果达到可接受的结果(AUC值在0.8到0.9之间)。
步骤f、从训练好的模型中输出每个输入特征{xm,m=1,...,9}的重要度{nm,m=1,...,9},其中nm为特征xm在XGBoost构造的树中出现的次数。
步骤2、利用公式(3)将步骤1学习到行为特征重要度进行标准化,求得所有行为特征的权重{wm,m=1,...,9}。
将(u,i,rui)记录保存或更新到数据库。
步骤4、执行步骤3采样一段时间(例如,30天),然后利用基于物品协同过滤算法结合我们记录的用户对商品兴趣度进行商品推荐。
本发明合理利用用户不同的隐性行为刻画用户对商品的兴趣度,并将其应用到基于物品的协同过滤推荐算法中,提高了推荐结果的点击率。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种商品的推荐方法,其特征在于,包括:
利用机器学习手段,对隐性行为数据与历史购买行为结果进行训练,得到训练模型;
获取用户对待推荐商品的隐性行为数据,根据所述训练模型,得到所述用户对所述待推荐商品的兴趣度;
根据所述用户对所述待推荐商品的兴趣度,进行商品推荐;
所述获取用户对待推荐商品的隐性行为数据,根据所述训练模型,得到所述用户对待推荐商品的兴趣度,包括:
获取用户对待推荐商品的特征隐性行为数据;
根据所述训练模型,确定所述特征隐性行为数据对于用户购买结果的影响权重;
根据所述特征隐性行为数据和所述特征隐性行为的影响权重,计算所述用户对所述待推荐商品的兴趣度。
2.根据权利要求1所述的商品的推荐方法,其特征在于,利用机器学习手段,对隐性行为数据与历史购买行为结果进行训练,得到训练模型,包括:
获取用户对至少一种商品的特征隐性行为数据,并获取用户对商品的购买行为结果,形成样本集;其中,所述用户对商品的特征隐性行为数据包括:至少一个特定时间段内,用户对商品的浏览、购买、加购物车、收藏、预约和预购中至少一种隐性行为的次数;
将所述样本集输入初始化的XGBoost模型进行训练,得到训练模型。
3.根据权利要求2所述的商品的推荐方法,其特征在于,在获取用户对至少一种商品的特征隐性行为,并获取用户对商品的购买行为结果,形成样本集之后,还包括:
将所述样本集划分为训练集和测试集;
相应的,将所述样本集输入初始化的XGBoost模型进行训练,得到训练模型,包括:
初始化XGBoost模型参数,所述模型参数包括:子树的最大深度、学习速率和子树个数中的一种或多种;
将所述训练集输入XGBoost模型进行模型训练,得到初步训练模型;
在测试集上进行所述初步训练模型测试,并判断测试结果是否满足预设条件;
若满足,则确定所述初步训练模型为训练模型,若不满足,则调整训练集正负样本比例和所述初步训练模型的参数,直至测试结果满足预设条件为止,并确定训练模型。
4.根据权利要求1所述的商品的推荐方法,其特征在于,所述根据所述特征隐性行为数据和所述特征隐性行为的影响权重,计算所述用户对所述待推荐商品的兴趣度,包括:
根据每个所述特征隐性行为数据与所述特征隐性行为的影响权重的乘积,得到每个所述特征隐性行为影响值;
加和所有所述特征隐性行为影响值,得到所述用户对所述待推荐商品的兴趣度。
5.一种商品的推荐装置,其特征在于,包括:
训练模型确定模块,用于利用机器学习手段,对隐性行为数据与历史购买行为结果进行训练,得到训练模型;
兴趣度确定模块,用于获取用户对待推荐商品的隐性行为数据,根据所述训练模型,得到所述用户对所述待推荐商品的兴趣度;
商品推荐模块,用于根据所述用户对所述待推荐商品的兴趣度,进行商品推荐;
所述兴趣度确定模块包括:
特征隐性行为获取单元,用于获取用户对待推荐商品的特征隐性行为数据;
特征隐性行为影响权重确定单元,用于根据所述训练模型,确定所述特征隐性行为数据对于用户购买结果的影响权重;
兴趣度计算单元,用于根据所述特征隐性行为数据和所述特征隐性行为的影响权重,计算所述用户对所述待推荐商品的兴趣度。
6.根据权利要求5所述的商品的推荐装置,其特征在于,所述训练模型确定模块包括:
样本集获取单元,用于获取用户对至少一种商品的特征隐性行为数据,并获取用户对商品的购买行为结果,形成样本集;其中,所述用户对商品的特征隐性行为数据包括:至少一个特定时间段内,用户对商品的浏览、购买、加购物车、收藏、预约和预购中至少一种隐性行为的次数;
训练模型确定单元,用于将所述样本集输入初始化的XGBoost模型进行训练,得到训练模型。
7.根据权利要求6所述的商品的推荐装置,其特征在于,所述训练模型确定模块还包括:
样本集划分单元,用于将所述样本集划分为训练集和测试集;
相应的,所述训练模型确定单元包括:
参数初始化子单元,用于初始化XGBoost模型参数,所述模型参数包括:子树的最大深度、学习速率和子树个数中的一种或多种;
初步训练模型确定子单元,用于将所述训练集输入XGBoost模型进行模型训练,得到初步训练模型;
初步训练模型测试单元,用于在测试集上进行所述初步训练模型测试,并判断测试结果是否满足预设条件;
训练模型确定单元,用于若满足,则确定所述初步训练模型为训练模型,若不满足,则调整训练集正负样本比例和所述初步训练模型的参数,直至测试结果满足预设条件为止,并确定训练模型。
8.根据权利要求5所述的商品的推荐装置,其特征在于,所述兴趣度计算单元包括:
特征隐性行为影响值计算子单元,用于根据每个所述特征隐性行为数据与所述特征隐性行为的影响权重的乘积,得到每个所述特征隐性行为影响值;
兴趣度计算子单元加和所有所述特征隐性行为影响值,得到所述用户对所述待推荐商品的兴趣度。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-4中任一所述的商品的推荐方法。
10.一种服务器,其特征在于,包括:处理器、存储器、通信接口和总线;所述处理器通过所述总线与所述存储器和所述通信接口连接;所述存储器存储有计算机执行指令;所述处理器调用所述存储器中存储的所述计算机执行指令,使得所述处理器执行上述权利要求1-4中任一项所述的商品的推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710940309.2A CN107705183B (zh) | 2017-09-30 | 2017-09-30 | 一种商品的推荐方法、装置、存储介质及服务器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710940309.2A CN107705183B (zh) | 2017-09-30 | 2017-09-30 | 一种商品的推荐方法、装置、存储介质及服务器 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107705183A CN107705183A (zh) | 2018-02-16 |
CN107705183B true CN107705183B (zh) | 2021-04-27 |
Family
ID=61183539
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710940309.2A Active CN107705183B (zh) | 2017-09-30 | 2017-09-30 | 一种商品的推荐方法、装置、存储介质及服务器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107705183B (zh) |
Families Citing this family (35)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108416625A (zh) * | 2018-02-28 | 2018-08-17 | 阿里巴巴集团控股有限公司 | 营销产品的推荐方法和装置 |
CN108510321A (zh) * | 2018-03-23 | 2018-09-07 | 北京焦点新干线信息技术有限公司 | 一种房产用户画像的构建方法及装置 |
CN108549674B (zh) * | 2018-03-30 | 2021-11-09 | 咪咕文化科技有限公司 | 一种推荐方法、装置及存储介质 |
CN109087162A (zh) * | 2018-07-05 | 2018-12-25 | 杭州朗和科技有限公司 | 数据处理方法、系统、介质和计算设备 |
CN110428296A (zh) * | 2018-08-02 | 2019-11-08 | 北京京东尚科信息技术有限公司 | 物品的推荐方法、装置和计算机可读存储介质 |
CN109191240B (zh) * | 2018-08-14 | 2021-06-08 | 北京九狐时代智能科技有限公司 | 一种进行商品推荐的方法和装置 |
CN109213034B (zh) * | 2018-08-27 | 2020-04-21 | 硕橙(厦门)科技有限公司 | 设备健康度监控方法、装置、计算机设备及可读存储介质 |
CN109345302B (zh) * | 2018-09-27 | 2023-04-18 | 腾讯科技(深圳)有限公司 | 机器学习模型训练方法、装置、存储介质和计算机设备 |
CN109242654A (zh) * | 2018-11-15 | 2019-01-18 | 中国联合网络通信集团有限公司 | 一种物品推荐方法及系统 |
JP6852141B2 (ja) * | 2018-11-29 | 2021-03-31 | キヤノン株式会社 | 情報処理装置、撮像装置、情報処理装置の制御方法、および、プログラム |
CN109828659A (zh) * | 2018-12-25 | 2019-05-31 | 北京牡丹视源电子有限责任公司 | 一种基于虚拟现实的用户体验标注方法 |
CN110490685A (zh) * | 2019-03-27 | 2019-11-22 | 南京国科双创信息技术研究院有限公司 | 一种基于大数据分析的产品推荐方法 |
CN110049118A (zh) * | 2019-04-12 | 2019-07-23 | 深圳乐信软件技术有限公司 | 消息推送方法、装置、设备及存储介质 |
CN109961106B (zh) * | 2019-04-18 | 2022-03-18 | 北京百度网讯科技有限公司 | 轨迹分类模型的训练方法和装置、电子设备 |
CN110458637A (zh) * | 2019-06-19 | 2019-11-15 | 中国平安财产保险股份有限公司 | 基于神经网络的产品推送方法、及其相关设备 |
CN110287418B (zh) * | 2019-06-26 | 2021-10-19 | 拉扎斯网络科技(上海)有限公司 | 数据处理及倾向特征值识别方法、装置、电子设备 |
CN110442790B (zh) * | 2019-08-07 | 2024-05-10 | 深圳市雅阅科技有限公司 | 推荐多媒体数据的方法、装置、服务器和存储介质 |
CN114245910A (zh) * | 2019-08-23 | 2022-03-25 | 华为技术有限公司 | 一种自动机器学习AutoML系统、方法及设备 |
CN112712385B (zh) * | 2019-10-25 | 2024-01-12 | 北京达佳互联信息技术有限公司 | 广告推荐方法、装置、电子设备及存储介质 |
CN110781399A (zh) * | 2019-10-31 | 2020-02-11 | 深圳市云积分科技有限公司 | 一种跨平台的信息推送方法和装置 |
CN111080413A (zh) * | 2019-12-20 | 2020-04-28 | 深圳市华宇讯科技有限公司 | 电商平台商品的推荐方法、装置、服务器和存储介质 |
CN111159555A (zh) * | 2019-12-30 | 2020-05-15 | 北京每日优鲜电子商务有限公司 | 商品推荐方法、装置、服务器和存储介质 |
CN111090756B (zh) * | 2020-03-24 | 2020-07-17 | 腾讯科技(深圳)有限公司 | 基于人工智能的多目标推荐模型的训练方法及装置 |
CN113469763A (zh) * | 2020-03-30 | 2021-10-01 | 阿里巴巴集团控股有限公司 | 信息推荐方法、装置及电子设备 |
CN111815394A (zh) * | 2020-05-20 | 2020-10-23 | 北京嘀嘀无限科技发展有限公司 | 网约车租车商品方案推荐方法、电子设备及存储介质 |
CN111494964B (zh) * | 2020-06-30 | 2020-11-20 | 腾讯科技(深圳)有限公司 | 虚拟物品的推荐方法、模型的训练方法、装置及存储介质 |
CN111753058B (zh) * | 2020-06-30 | 2023-06-02 | 北京信息科技大学 | 一种文本观点挖掘方法及系统 |
CN113822730A (zh) * | 2020-08-03 | 2021-12-21 | 北京沃东天骏信息技术有限公司 | 信息的推荐方法、装置、计算设备及介质 |
CN112308669B (zh) * | 2020-10-29 | 2023-10-31 | 深圳大学 | 一种商品推荐方法、装置、存储介质及终端设备 |
CN113744017A (zh) * | 2020-11-13 | 2021-12-03 | 北京沃东天骏信息技术有限公司 | 电商搜索的推荐方法及装置、设备、存储介质 |
CN112508613B (zh) * | 2020-12-09 | 2024-03-19 | 天津狮拓信息技术有限公司 | 一种商品推荐方法、装置、电子设备和可读存储介质 |
CN114697889A (zh) * | 2020-12-31 | 2022-07-01 | 广州三星通信技术研究有限公司 | 处理信息的方法及其装置 |
CN113297481A (zh) * | 2021-05-08 | 2021-08-24 | 武汉卓尔数字传媒科技有限公司 | 基于流数据处理的信息推送方法、信息推送装置及服务器 |
CN113362141A (zh) * | 2021-06-25 | 2021-09-07 | 上海浦东发展银行股份有限公司 | 一种关联商品的推荐方法、装置、介质及电子设备 |
CN113706252B (zh) * | 2021-08-30 | 2024-05-03 | 康键信息技术(深圳)有限公司 | 产品推荐方法、装置、电子设备及存储介质 |
Citations (4)
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 |
CN106127546A (zh) * | 2016-06-20 | 2016-11-16 | 重庆房慧科技有限公司 | 一种基于智慧社区大数据的商品推荐方法 |
CN106204239A (zh) * | 2016-07-24 | 2016-12-07 | 广东聚联电子商务股份有限公司 | 一种基于大数据多标记的电子商务商品推荐方法 |
CN107203518A (zh) * | 2016-03-16 | 2017-09-26 | 阿里巴巴集团控股有限公司 | 在线系统个性化推荐的方法、系统以及装置、电子设备 |
-
2017
- 2017-09-30 CN CN201710940309.2A patent/CN107705183B/zh active Active
Patent Citations (4)
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 |
CN107203518A (zh) * | 2016-03-16 | 2017-09-26 | 阿里巴巴集团控股有限公司 | 在线系统个性化推荐的方法、系统以及装置、电子设备 |
CN106127546A (zh) * | 2016-06-20 | 2016-11-16 | 重庆房慧科技有限公司 | 一种基于智慧社区大数据的商品推荐方法 |
CN106204239A (zh) * | 2016-07-24 | 2016-12-07 | 广东聚联电子商务股份有限公司 | 一种基于大数据多标记的电子商务商品推荐方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107705183A (zh) | 2018-02-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107705183B (zh) | 一种商品的推荐方法、装置、存储介质及服务器 | |
US11995702B2 (en) | Item recommendations using convolutions on weighted graphs | |
US9760802B2 (en) | Probabilistic recommendation of an item | |
US11756097B2 (en) | Methods and apparatus for automatically detecting data attacks using machine learning processes | |
CN111340614B (zh) | 基于联邦学习的样本采样方法、设备及可读存储介质 | |
WO2017050188A1 (zh) | 一种交易数据处理方法及装置 | |
US20110035379A1 (en) | Probabilistic clustering of an item | |
US20110238615A1 (en) | Systems and methods for trend aware self-correcting entity relationship extraction | |
US11720940B2 (en) | System and apparatus for models based on data augmented with conceivable transitions | |
CN111738805B (zh) | 基于行为日志的搜索推荐模型生成方法、设备和存储介质 | |
CN104346428A (zh) | 信息处理装置、信息处理方法及程序 | |
US20220253721A1 (en) | Generating recommendations using adversarial counterfactual learning and evaluation | |
CN112132660B (zh) | 商品推荐方法、系统、设备及存储介质 | |
US11494593B2 (en) | Methods and apparatus for machine learning model hyperparameter optimization | |
US20210042619A1 (en) | Finite rank deep kernel learning with linear computational complexity | |
WO2022111095A1 (zh) | 一种产品推荐方法、装置、计算机存储介质及系统 | |
CN111680213B (zh) | 信息推荐方法、数据处理方法及装置 | |
US11551194B2 (en) | System to facilitate exchange of data segments between data aggregators and data consumers | |
CN111738787A (zh) | 一种信息推送方法及装置 | |
CN109446432A (zh) | 一种信息推荐方法及装置 | |
CN106649305A (zh) | 一种数据处理方法及装置 | |
Motte | Mathematical models for large populations, behavioral economics, and targeted advertising | |
CN111598638A (zh) | 点击率确定方法、装置及设备 | |
TWI763165B (zh) | 預測購物網站的顧客的消費金額的電子裝置和方法 | |
US20230368263A2 (en) | Methods and apparatus for determining attribute affinities for users |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |