CN107808314A - 用户推荐方法及装置 - Google Patents
用户推荐方法及装置 Download PDFInfo
- Publication number
- CN107808314A CN107808314A CN201610813831.XA CN201610813831A CN107808314A CN 107808314 A CN107808314 A CN 107808314A CN 201610813831 A CN201610813831 A CN 201610813831A CN 107808314 A CN107808314 A CN 107808314A
- Authority
- CN
- China
- Prior art keywords
- user
- recommended
- class
- reference feature
- coefficient
- 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.)
- Granted
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
- G06Q30/06—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)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种用户推荐方法及装置,属于网络技术领域。所述方法包括:在接收到用户推荐请求时,获取待推荐用户的用户特征;将待推荐用户的用户特征输入预测模型,得到多个第一类用户中每个第一类用户的推荐系数;根据每个第一类用户的推荐系数,向待推荐用户进行推荐,其中,第一类用户用于向第二类用户提供资源服务。本发明通过根据该第一类用户的征信特征,对该第一类商户的信用情况和金融情况进行衡量,根据该第二类用户的用户特征,对不同第二类用户进行针对性地分析,以实现用户推荐,提高用户推荐的准确性,使用户能够查看到更符合其意愿的第一类用户,提高所推荐用户的转化率。
Description
技术领域
本发明涉及网络技术领域,特别涉及一种用户推荐方法及装置。
背景技术
随着网络技术的不断发展,服务商通过网络向用户提供的服务也越来越多,且越来越完善。例如,当用户想要寻找附近其他用户或指定其他用户时,该其他用户包括提供餐饮服务或其他生活服务的商户,可以通过输入搜索关键字在生活服务类应用平台上获取推荐商户,或者查询该指定商户的消费评价及地理位置等信息。
生活服务类应用平台除了可以根据搜索关键字向用户推荐商户以外,还可以通过商户所在的地理位置信息、商户评分、用户历史浏览记录、历史购买记录等向用户推荐商户。例如,当用户选择根据商户评分获取推荐商户时,将商户按商户评分按从高到低的顺序依次排列,根据排序结果向用户推荐商户;当用户选择获取附近商户时,根据该用户当前所处的地理位置信息,将商户按与用户之间的距离从近到远的顺序依次排列,根据排序结果向用户推荐商户。
在实现本发明的过程中,发明人发现现有技术至少存在以下问题:
由于上述商户推荐方法均从用户角度进行推荐,用于获取推荐商户的参数存在局限性,因此会导致商户推荐的准确率低,所推荐的商户并不符合用户意愿,用户也不会点击或访问所推荐的商户,从而导致所推荐商户的转化率低。
发明内容
为了解决现有技术的问题,本发明实施例提供了一种用户推荐方法及装置。所述技术方案如下:
一方面,提供了一种用户推荐方法,所述方法包括:
在接收到用户推荐请求时,获取待推荐用户的用户特征;
将所述待推荐用户的用户特征输入预测模型,得到多个第一类用户中每个第一类用户的推荐系数,所述预测模型基于所述多个第一类用户的征信特征和多个第二类用户的用户特征建立,所述第一类用户用于向所述第二类用户提供资源服务;
根据所述每个第一类用户的推荐系数,向所述待推荐用户进行推荐。
另一方面,提供了一种用户推荐装置,所述装置包括:
用户特征获取模块,用于在接收到用户推荐请求时,获取待推荐用户的用户特征;
输入模块,用于将所述用户特征获取模块获取到的所述待推荐用户的用户特征输入预测模型,得到多个第一类用户中每个第一类用户的推荐系数,所述预测模型基于所述多个第一类用户的征信特征和多个第二类用户的用户特征建立,所述第一类用户用于向所述第二类用户提供资源服务;
推荐模块,用于根据所述输入模块将所述待推荐用户的用户特征输入所述预测模型后得到的所述每个第一类用户的推荐系数,向所述待推荐用户进行推荐。
本发明实施例提供的技术方案带来的有益效果是:
通过同时基于第一类用户的征信特征和第二类用户的用户特征,对该第一类用户进行推荐,能够实现根据该第一类用户的征信特征,对该第一类商户的信用程度和金融程度进行衡量,根据该第二类用户的用户特征,对不同第二类用户进行针对性地分析,从而达到提高用户推荐的准确性的目的,使得用户能够查看到更符合其意愿的第一类用户,从而提高所推荐用户的转化率。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅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是本发明实施例提供的一种用户推荐方法的应用环境示意图;
图2是本发明实施例提供的一种用户推荐方法流程图;
图3是本发明实施例提供的一种用户推荐装置框图;
图4是本发明实施例提供的一种装置400的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施方式作进一步地详细描述。
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
图1是本发明实施例提供的一种用户推荐方法的应用环境示意图,如图1所述,其示出了本发明实施例所涉及的实施环境的结构示意图,该用户推荐方法的应用环境中包括:服务器101和至少一个终端102。
终端102通过无线或者有线网络和服务器101连接,终端102可以为电脑,智能手机、平板电脑等电子设备。
服务器101可以为互联网应用服务器,该互联网应用服务器,可以为互联网应用提供后台服务。互联网应用作为一个为智能终端提供语音、视频、图片、文字等信息交互服务的应用程序,具有可跨通信运营商、跨操作系统平台发送语音、视频、图片和文字等优点。
互联网应用服务器可以被配置为一个通过互联网提供服务的服务器,该互联网应用服务器可以为社交应用服务器,例如,即时通信服务器、论坛或微博等社交网站对应的服务器,还可以为通过互联网能够实现支付等业务的服务器,本发明实施例对互联网应用服务器的类型不进行具体限定。
当然,该服务器101也可以为其他服务器,如多媒体资源共享服务器等,本发明实施例对该服务器的类型不作具体限定。
图2是本发明实施例提供的一种用户推荐方法流程图,参见图2,该方法的执行主体为服务器,该方法包括:
201、对于任一第一类用户,根据与该第一类用户对应的访问用户的征信特征、与该第一类用户对应的交易用户的征信特征及该第一类用户的下级用户的征信特征,获取该第一类用户的征信特征,该访问用户为访问过该第一类用户的第二类用户,该交易用户为与该第一类用户存在历史资源转换记录的第二类用户。
在本发明实施例中,该第一类用户用于向该第二类用户提供资源服务,该第一类用户可以为生活服务类商户,如餐饮类商户、服饰类商户或者娱乐服务类商户等;该第二类用户可以为用户或买家,即该第二类用户可以通过资源转换获取该第一类用户提供的服务,该资源转换是指使用虚拟货币购买线上或线下服务或商品的过程。相应地,本发明所提供的用户推荐方法可以适用于生活服务类应用中,如外卖类应用、点评类应用等,以实现向该第一类用户推荐更符合该第一类用户购买意愿或访问意愿的第二类用户的目的。
该征信特征用于表示用户的信用程度,可以用征信分数的形式表示,该征信特征的确定方法包括以下两种:
第一种、用户的征信分数可以根据用户的线上行为数据确定,也可以根据用户的线下关联行为数据确定,或者根据用户的线上行为数据和线下关联行为数据确定,也可以根据用户的其他数据确定该信用分数,本发明实施例对此不作具体限定。
需要说明的是,该用户的线上行为数据可以包括社交互动行为数据、虚拟增值服务数据、经济行为数据和娱乐休闲行为数据中的至少一种数据,线下关联行为数据可以包括穿戴设备数据、旅游出行数据、O2O(Online to Offline,即线上到线下)生活服务数据中的至少一种数据,当然,该线上行为数据和线下关联行为数据分别还可以包括或可以为其他数据,本发明实施例对此不作具体限定。
第二种、第一类用户的征信特征也可以根据第二类用户对其服务或产品质量等的评分进行确定,相应地,第二类用户的征信特征可以根据第一类用户对该第二类用户在交易过程中的行为等的评分进行确定,该行为可以为是否频繁退换货、是否故意损坏商品等。
例如,对于任一第一类用户,第二类用户以五分制的形式对该第一类用户进行评分,可以将多个第二类用户评分的平均值确定为该第二类用户的征信特征,或者去除多个评分中的一个最大值和一个最小值后得到的平均值,确定为该第二类用户的征信特征;当然,根据第二类用户对第一类用户的评分确定该第二类用户的征信特征的过程,也可以通过其他方法实现,本发明实施例对此不作限定。
需要说明的是,对于第二类用户的征信特征的确定方法,与上述示例中的确定第一类用户的征信特征的方法同理,此处不作赘述。
在本发明实例中,确定用户的征信特征的过程,可以采用上述两种方法中的任一种方法实现,也可以采用其他方法实现,本发明实施例对此也不作具体限定。
为了获取用于准确衡量该第一类用户的信用程度的征信特征,该获取该第一类用户的征信特征的方法包括步骤2011至2015:
2011、根据在多个时段的每个时段内,该访问用户中每个用户的征信特征,获取在该每个时段内该访问用户的征信分布。
当该访问用户的数量为p,第i个访问用户在第j个月前的信用特征用Ai,j表示时,其中i的范围为1至p,j的范围的1至k,该访问用户在第j个月前的征信分布记为Mj=F(A1,j,A2,j,…,Ap,j),该F函数可以为频数统计函数,也可以是频率统计函数,或者其他能够体现分布情况的统计函数,本发明实施例对此不作具体限定。
例如,当该征信特征以征信分数表示,该F函数为频率统计函数时,该Mj可以表示在每个征信分数区间内的访问用户占所有访问用户的比例;当该F函数为频数统计函数时,该Mj可以表示在每个征信分数区间内的访问用户的用户数量。
由于该第一类用户的访问用户会随着时间的变化而变化,例如,当该第一类用户的经营产品或所提供的服务发生变化时,访问该第一类用户的访问用户也会变化,因此通过获取该访问用户在多个时段的每个时段内的征信分布,能够获取访问该第一类用户的访问用户的征信特征的变化情况。
通过获取该访问用户在该多个时段的每个时段内的征信分布,能够反应该第一类用户的服务质量或产品质量的变化情况,进而能够根据该变化情况适应性地调整所推荐的用户,避免向第二类用户提供服务质量不好或产品质量不佳的第一类用户。
2012、根据在该多个时段的每个时段内,该交易用户中每个用户的征信特征,获取在该每个时段内该交易用户的征信分布。
当该交易用户的数量为q,第i个交易用户在第j个月前的信用特征用Ai,j表示时,其中i的范围为1至q,j的范围的1至k,该交易用户在第j个月前的征信分布记为Nj=F(A1,j,A2,j,…,Aq,j),该F函数为与获取访问用户在每个时段内的征信分布的函数相同。
与访问用户的征信分布同理,该交易用户的征信特征也会随时间的变化,即随该第一类用户的产品质量或服务质量随时间的变化而变化,例如,当在第6个月前,一半以上的交易用户的征信特征在较高水平,而在第6个月至第12个月,交易用户的征信特征分布呈下降趋势时,可以确定该第一类用户的产品质量或服务质量降低。
通过获取交易用户在该多个时段的每个时段内的征信分布,能够反应该第一类用户的服务质量或产品质量的变化情况,进而能够根据该变化情况适应性地调整所推荐的用户,避免向第二类用户提供服务质量不好或产品质量不佳的第一类用户。
2013、根据在该每个时段内该访问用户的信用分布和在该每个时段内该交易用户的信用分布,获取在该每个时段内该访问用户和该交易用户的征信分布差异。
当该访问用户在第j个月前的征信分布记为Mj=F(A1,j,A2,j,…,Ap,j),该交易用户在第j个月前的征信分布记为Nj=F(A1,j,A2,j,…,Aq,j)时,该访问用户和该交易用户在第j个月前的征信分布差异可以表示为Dj=P(Mj,Nj),该P为距离函数,可以为KL(Kullback–Leibler)距离函数,或者其他距离函数,如欧氏距离函数等,本发明实施例对此不作限定。
例如,当征信特征以五分制的征信分数表示,且Mj=(11%,8%,34%,22%,25%),Nj=(5%,13%,28%,26%,28%)时,即访问用户中征信分数为1分、2分、3分、4分和5分的用户分别占总访问用户的11%,8%,34%,22%和25%,交易用户中征信分数为1分、2分、3分、4分和5分的用户分别占总交易用户的5%,13%,28%,26%和28%,该P=(6%,5%,6%,4%,3%)。
2014、获取该第一类用户的下级用户的征信特征。
该第一类用户的下级用户为商户的工作人员,获取该下级用户的征信特征的方法可以为:从服务器获取该第一类用户的社交网络信息,从该社交网络信息中获取该第一类用户的下级用户,获取每个下级用户的服务质量、用户评价等信息,并根据该信息获取该下级用户的征信特征。
例如,对于外卖类应用,该第一类用户为该外卖类应用上注册的商户,该第一类用户的下级用户包括商户的客服、送餐员等,该下级用户的征信特征可以根据咨询答复情况、送餐准时率、交易用户对该下级用户的服务评价及对该商户的综合评价,还可以根据该下级用户是否有借贷不还的记录等,获取该下级用户的征信特征。
由于该第一类用户的下级用户的征信特征,能够反映该第一类用户的服务质量和金融情况,因此通过获取该第一类用户的下级用户的征信特征,能够降低对低信用或金融状况不佳的商户的推荐概率,为提高用户推荐的准确性的基础。
2015、根据该多个时段的征信分布差异和每个下级用户的征信特征,获取该第一类用户的征信特征。
该第一类用户的征信特征可以表示为Q=Z(a1C1,a2C2,…,asCs,M1,M2,…,Mk,N1,N2,…,Nk,D1,D2,…,Dk),k表示该多个时段的时段数,s表示第一类用户的下级用户的用户数量,a1表示,C1至Cs分别表示s个下级员工的征信特征,a1至as分别表示s个下级员工的征信特征的权重系数,该权重系数可以根据职位高低确定,如职位越高,权重越高;也可以根据下级用户的用户等级确定,如等级越高,权重越高;或者还可以根据其他方法确定该权重系数,本发明实施例对此不作具体限定。
其中,Z可以表示分类模型对应的分类函数,该分类模型为将多个第一类用户作为训练样本,采用SVM(Support Vector Machine,支持向量机)或最大熵或随机森林等机器学习方法训练得到的模型,该分类模型用于根据所输入的第一类用户对应的访问用户的征信分布、交易用户的征信分布、征信分布差异和下级用户的征信特征作为输入,得到该第一类用户的征信特征。
通过结合访问用户的征信特征和交易用户的征信特征,能够反映第二类用户对该第一类用户的客观评价,即访问该商户或在该商户产生交易的第二类用户的征信特征越高,表示该第一类商户的征信特征越高;通过根据该第一类用户的下级用户的征信特征,能够反映该第一类用户的信用情况和金融情况,相互结合能够提高第一类用户推荐的准确性,即向第二类用户推荐符合其意愿的第一类用户,从而能够提高所推荐的第一类用户的转化率。
202、在接收到用户推荐请求时,获取待推荐用户的用户特征。
在接收到该待推荐用户发送的推荐应用获取请求时,服务器获取该待推荐用户的用户特征,以对该待推荐用户的用户特征进行分析,从而实现根据该待推荐用户的用户特征,有针对性地向该待推荐用户进行推荐。
该待推荐用户的用户特征包括征信特征、用户年龄、所处地理位置、历史浏览记录、用户性别等特征,还可以包括其他特征,本发明实施例对此不作具体限定。
例如,当终端检测到待推荐用户在生活服务类应用,如外卖类应用或点评类应用中打开用户推荐页面,或者检测到用户对上述应用中的推荐用户选项的触发操作时,终端向服务器发送推荐用户获取请求,该推荐用户获取请求可以携带该待推荐用户的用户特征,或者携带该待推荐用户的用户标识,以使得服务器能够根据该待推荐用户的用户标识查询到该待推荐用户的用户特征,进而根据该待推荐用户的用户特征,向该待推荐用户进行第一类用户的推荐,即推荐符合该待推荐用户需求的商户。
203、将该待推荐用户的用户特征输入预测模型,得到多个第一类用户中每个第一类用户的推荐系数,该预测模型基于该多个第一类用户的征信特征和多个第二类用户的用户特征建立。
基于该多个第一类用户的征信特征和该多个第二类用户的用户特征建立该预测模型的方法可以为:将该多个第一类用户的征信特征和该多个第二类用户的用户特征作为训练样本,通过训练得到该预测模型;其中,该用户特征除了包括征信特征以外,还包括年龄、性别等用户画像特征、在线交互特征、历史下载记录等特征,建立该预测模型所采用的方法可以为SVM(Support Vector Machine,支持向量机),也可以为最大熵或随机森林等机器学习方法,还可以采用其他的算法建立该预测模型,本发明实施例对作为训练样本的该第二类用户的用户特征及建立预测模型所采用的具体算法均不作限定。
在本发明另一实施例中,建立该预测模型的具体方法可以包括以下两种:
第一种、根据该多个第一类用户的征信特征、该多个第二类用户的用户特征以及该多个第一类用户和该多个第二类用户之间的相关性信息,建立第一子模型,该第一子模型用于基于所输入的用户特征获取该每个第一类用户的推荐系数。
在本发明实施例中,第一类用户和第二类用户之间的相关性信息用于反映第一类用户和第二类用户之间的关联性,包括地理位置关系性、时间关联性及消费关联性等,通过根据该相关性信息建立第一子模型,能够实现根据待推荐用户当前所处的地理位置、请求推荐用户的时间等信息,针对性地向该待推荐用户进行用户推荐,进而能够达到提高推荐准确性的目的。
该第一类用户的征信特征即为步骤2015中获取到的征信特征;该第二类用户的用户特征包括征信特征、年龄、性别等用户画像特征、在线交互特征、历史下载记录等特征;该多个第一类用户和该多个第二类用户之间的相关性信息包括:每个第二类用户对该每个第一类用户的历史点击记录、该每个第二类用户与该每个第一类用户之间的距离信息和该每个第二类用户对该每个第一类用户的点击时间信息。
其中,对于任一第一类用户,该历史点击记录可以为在历史推荐中,第二类用户对该第一类用户的点击次数与推荐次数的比值;该历史点击记录也可以为第二类用户对该第一类用户的点击次数和推荐次数;也可以为其他点击记录信息,本发明实施例对此不作限定。该历史点击记录能够反映向第二类用户推荐该第一类用户时,该第二类用户点击该第一类用户的意愿的强烈程度,从而能够使服务器确定该推荐是否为符合第二类用户意愿的推荐。
第二类用户与第一类用户之间的距离信息,即用户与商户之间的距离,该距离信息能够反映该第二类用户与该第一类用户之间的位置相关性,使用该距离信息作为训练样本训练得到的预测模型,能够实现根据第二类用户所处的地理位置,选择性地向该第二类用户推荐距离较近的第一类用户目的。
例如,当该第二类用户在地理位置A时,向该第二类用户推荐位于该地理位置A附近的第一类用户A1,A2,…中的部分第一类用户。
该点击时间信息是指第二类用户访问该第一类用户的时间信息,由于同一个第二类用户在不同的时间所访问的第一类用户可能不同,因此该点击时间信息能够反映该第二类用户的访问习惯,使用该点击时间信息作为训练样本训练得到的预测模型,能够实现根据待推荐用户的访问习惯向该待推荐用户推荐不同第一类用户的目的。
例如,当该生活服务类应用为外卖类应用时,对于任一第二类用户,该第二类用户的访问习惯可以为:在早上访问早餐店类的第一类用户,在中午访问简餐类的第一类用户,在下午访问下午茶类、休闲娱乐类的第一类用户,在晚上访问健身类、养生保健类等的第一类用户。
再例如,当第二类用户在中午11:30至12:30期间对第一类用户B1的点击次数较B2多,在下午6:30至8:30期间对第一类用户B2的点击次数较B1多,那么当该第二类用户在中午12:00向服务器发送用户推荐请求时,该服务器根据点击时间信息获取到的B1的推荐系数较B2的推荐系数更大。
第二种、根据该多个第一类用户的征信特征和该多个第二类用户的用户特征,建立第二子模型,该第二子模型用于基于该多个第一类用户的征信特征和所输入的该待推荐用户的用户特征,获取该每个第一类用户的价值相关性,并将该价值相关性获取为该推荐系数,该价值相关性用于指示该第二类用户的资源转换能力与第一类用户的资源转换均值的匹配程度。
在本发明实施例中,该价值相关性能够反映第一类用户与第二类用户是否可能发生交易行为,或者第二类用户的经济能力是否满足第一类用户的消费水平,因此通过获取该价值相关性,能够实现根据待推荐用户的经济能力或历史消费记录,向该待推荐用户推荐符合其消费能力的第一类用户,从而达到提高用户推荐准确性的目的。
该第一类用户的资源转换均值可以为人均消费金额,也可以为第一类用户人为规定的最低人均消费,本发明实施例对此不作具体限定。
在本发明实施例中获取该第二类用户的资源转换能力的方法包括以下两种:
资源转换能力获取方法一、该第二类用户的用户特征包括历史消费记录,根据该历史消费记录获取该第二类用户的资源转换能力,例如,当第二类用户的历史消费记录为78,119,91时,将该消费记录的平均值96获取为该第二类用户的资源转移能力,或者将该消费记录的最大值获取为该第二类用户的资源转移能力,本发明实施例对此不作限定。
资源转换能力获取方法二、根据用户手动选择的用于表示消费水平的价格区间,获取该第二类用户的资源转移能力,例如,当第二类用户选择的价格区间在50-100时,将100获取为该第二类用户的资源转移能力。
获取该第二类用户的资源转换能力的过程可以采用上述两种方法中的任一种方法实现,也可以采用其他方法实现,本发明实施例对此不作具体限定。
需要说明的是,在建立该第二子模型所采用的训练方法与建立该第一子模型所采用的训练方法可以相同,也可以不同,本发明实施例对此也不作限定。
在本发明实施例中,可以只采用第一种模型建立方法建立的第一子模型作为该预测模型,以根据该多个第一类用户的征信特征、该多个第二类用户的用户特征以及该多个第一类用户和该多个第二类用户之间的相关性信息,向该第二类用户进行用户推荐;也可以只采用第二种模型建立方法建立的第二子模型作为该预测模型,以根据基于多个第一类用户的征信特征和该多个第二类用户的用户特征获取到的价值相关性,向该第二类用户进行用户推荐。
当然,也可以结合该第一子模型和该第二子模型生成该预测模型,在接收到推荐应用获取请求时,采用上该预测模型获取第一类用户的推荐系数,进而实现向第二类用户进行用户推荐的目的。
该第一子模型和该第二子模型结合的方法可以为:将该第一子模型获取到的推荐系数与该第二子模型获取到的推荐系数的乘积,获取为该预测模型的推荐系数;也可以将该第一子模型获取到的推荐系数与该第二子模型获取到的推荐系数的和值,或者其他算法得到的数值,获取为该预测模型的推荐系数,本发明实施例对此不作具体限定。
在本发明另一实施例中,在该用户推荐页面上还可以显示第一功能选项、第二功能选项和第三功能选项,在该三个功能选项的显示区域附近可以分别显示提示信息,以提醒每个功能选项实现的功能。
例如,该第一功能选项显示区域附近的提示信息,用于指示该第一功能选项用于基于该多个第一类用户的征信特征、该多个第二类用户的用户特征以及该多个第一类用户和该多个第二类用户之间的相关性信息,获取第一类用户的推荐系数;需要说明的是,该相关性信息还可以包括多个选项,如历史点击记录、距离信息和点击时间信息等,以供用户选择,服务器再根据用户的选择,调整每个相关性信息的权重,以进一步提高用户推荐的准确性。
该第二功能选项显示区域附近的提示信息,用于指示该第二功能选项用于基于价值相关性,获取第一类用户的推荐系数;该第三功能选项显示区域附近的提示信息,用于指示该第三功能选项用于基于该多个第一类用户的征信特征、该多个第二类用户的用户特征、该多个第一类用户和该多个第二类用户之间的相关性信息以及获取到的价值相关性,获取第一类用户的推荐系数。
通过上述方法推荐应用,能够提高用户推荐的针对性,进而能够向第二类用户推荐更符合用户需求的第一类用户,从而达到提高转化率的目的。
204、根据该每个第一类用户的推荐系数,向该待推荐用户进行推荐。
在本发明实施例中,任一第一类用户的推荐系数越大,表示向该待推荐用户推荐该第一类用户后,用户对该第一类用户访问的可能性越大。根据该每个第一类用户的推荐系数,向该待推荐用户进行推荐的方法可以为:对于任一第一类用户,如果该第一类用户的推荐系数大于预设阈值,向该待推荐用户推荐该第一类用户,如果该第一类用户的推荐系数不大于该预设阈值,则不向该待推荐用户推荐该第一类用户。
通过根据上述步骤得到的预测模型得到的该第一类用户的推荐系数,向该待推荐用户进行推荐,能够达到提高推荐准确性的目的,从而提高所推荐用户的转化率。
在本发明另一实施例中,根据该每个第一类用户的推荐系数,向该待推荐用户进行推荐的方法可以为:根据该每个第一类用户的推荐系数,从该多个第一类用户中获取指定用户,该指定用户为推荐系数大于预设阈值的第一类用户;向该待推荐用户推荐该指定用户。具体地,将该指定用户按推荐系数从大到小进行排序;向终端发送排序结果,以在该终端显示按推荐系数从大到小的顺序排列的该指定用户。
通过向该待推荐用户的终端发送推荐系数从大到小的顺序排列的该指定用户,能够使得该待推荐用户优先查看到推荐系数较大的第一类用户,从而能够提高用户选择第一类用户,即选择商户的速度,避免浪费该待推荐用户更多的选择时间。
在本发明又一实施例中,为了进一步提高用户推荐的准确率,在第N次向该待推荐用户进行用户推荐时,所采用的用户推荐方法可以为:在第N次向该待推荐用户进行推荐时,将该待推荐用户的用户特征输入该预测模型,得到该多个第一类用户中每个第一类用户的第N次推荐系数;根据该每个第一类用户的第N次推荐系数和该每个第一类用户的前N-1次推荐系数,获取该每个第一类用户的N次推荐系数和值;根据该每个第一类用户的N次推荐系数和值,向该待推荐用户进行推荐。其中,N为大于1的正整数。
例如,当向该待推荐用户进行3次推荐的推荐系数如下表1所示时,在第4次向该待推荐用户进行用户推荐时,先根据预测模型获取初始的第四次推荐的每个第一类应用的推荐系数,包括:第一类用户A3的推荐系数为9,第一类用户A1的推荐系数为8,第一类用户A4的推荐系数为8,第一类用户B1的推荐系数为6,第一类用户A2的推荐系数为5,获取前四次推荐的每个第一类用户的推荐系数的和值,并重新排序获取所推荐的第一类用户及每个第一类用户的推荐系数。
表1
通过采用上述方法向该待推荐用户进行用户推荐,能够根据每个第一类用户在每次推荐后的点击情况等实时获取最新的推荐系数,再根据该最新的推荐系数与前N-1次推荐系数的和值进行推荐,能够进一步达到提高用户推荐准确性的目的。
本发明实施例所提供的用户推荐方法,通过根据该第一类用户的征信特征,对该第一类商户的信用情况和金融情况进行衡量,根据该第二类用户的用户特征,对不同第二类用户进行针对性地分析,以实现用户推荐,提高用户推荐的准确性,使用户能够查看到更符合其意愿的第一类用户,提高所推荐用户的转化率;通过获取价值相关性,能够实现根据待推荐用户的经济能力或历史消费记录,向该待推荐用户推荐符合其消费能力的第一类用户,从而达到进一步提高用户推荐准确性的目的。
图3是本发明实施例提供的一种用户推荐装置框图。参照图3,该装置包括用户特征获取模块301,输入模块302和推荐模块303。
用户特征获取模块301,用于在接收到用户推荐请求时,获取待推荐用户的用户特征;
输入模块302,用于将所述用户特征获取模块301获取到的所述待推荐用户的用户特征输入预测模型,得到多个第一类用户中每个第一类用户的推荐系数,所述预测模型基于所述多个第一类用户的征信特征和多个第二类用户的用户特征建立,所述第一类用户用于向所述第二类用户提供资源服务;
推荐模块303,用于根据所述输入模块302将所述待推荐用户的用户特征输入所述预测模型后得到的所述每个第一类用户的推荐系数,向所述待推荐用户进行推荐。
在本发明提供的第一种可能实现方式中,所述装置还包括:
模型建立模块,用于根据所述多个第一类用户的征信特征和所述多个第二类用户的用户特征,建立所述预测模型。
在本发明提供的第二种可能实现方式中,所述模型建立模块用于:
根据所述多个第一类用户的征信特征、所述多个第二类用户的用户特征以及所述多个第一类用户和所述多个第二类用户之间的相关性信息,建立第一子模型,所述第一子模型用于基于所输入的用户特征获取所述每个第一类用户的推荐系数。
在本发明提供的第三种可能实现方式中,所述模型建立模块用于:
根据所述多个第一类用户的征信特征和所述多个第二类用户的用户特征,建立第二子模型,所述第二子模型用于基于所述多个第一类用户的征信特征和所输入的所述待推荐用户的用户特征,获取所述每个第一类用户的价值相关性,并将所述价值相关性获取为所述推荐系数,所述价值相关性用于指示所述第二类用户的资源转换能力与第一类用户的资源转换均值的匹配程度。
在本发明提供的第四种可能实现方式中,所述多个第一类用户和所述多个第二类用户之间的相关性信息包括:每个第二类用户对所述每个第一类用户的历史点击记录、所述每个第二类用户与所述每个第一类用户之间的距离信息和所述每个第二类用户对所述每个第一类用户的点击时间信息。
在本发明提供的第五种可能实现方式中,所述装置还包括:
征信特征获取模块,用于对于任一第一类用户,根据与所述第一类用户对应的访问用户的征信特征、与所述第一类用户对应的交易用户的征信特征及所述第一类用户的下级用户的征信特征,获取所述第一类用户的征信特征,所述访问用户为访问过所述第一类用户的第二类用户,所述交易用户为与所述第一类用户存在历史资源转换记录的第二类用户。
在本发明提供的第六种可能实现方式中,所述征信特征获取模块用于:
根据在多个时段的每个时段内,所述访问用户中每个用户的征信特征,获取在所述每个时段内所述访问用户的征信分布;
根据在所述多个时段的每个时段内,所述交易用户中每个用户的征信特征,获取在所述每个时段内所述交易用户的征信分布;
根据在所述每个时段内所述访问用户的信用分布和在所述每个时段内所述交易用户的信用分布,获取在所述每个时段内所述访问用户和所述交易用户的征信分布差异;
获取所述第一类用户的下级用户的征信特征;
根据所述多个时段的征信分布差异和每个下级用户的征信特征,获取所述第一类用户的征信特征。
在本发明提供的第七种可能实现方式中,所述推荐模块303用于:
根据所述每个第一类用户的推荐系数,从所述多个第一类用户中获取指定用户,所述指定用户为推荐系数大于预设阈值的第一类用户;
向所述待推荐用户推荐所述指定用户。
在本发明提供的第八种可能实现方式中,所述推荐模块303还用于:
将所述指定用户按推荐系数从大到小进行排序;
向终端发送排序结果,以在所述终端显示按推荐系数从大到小的顺序排列的所述指定用户。
在本发明提供的第九种可能实现方式中,所述输入模块302还用于在第N次向所述待推荐用户进行推荐时,将所述待推荐用户的用户特征输入所述预测模型,得到所述多个第一类用户中每个第一类用户的第N次推荐系数;
所述装置还包括和值获取模块,所述和值获取模块用于根据所述每个第一类用户的第N次推荐系数和所述每个第一类用户的前N-1次推荐系数,获取所述每个第一类用户的N次推荐系数和值;
所述推荐模块303还用于根据所述每个第一类用户的N次推荐系数和值,向所述待推荐用户进行推荐,其中,N为大于1的正整数。
需要说明的是:上述实施例提供的用户推荐装置在进行用户推荐时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将设备的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的用户推荐装置与用户推荐方法实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
图4是本发明实施例提供的一种装置400的结构示意图。例如,装置400可以被提供为一服务器。参照图4,装置400包括处理组件422,其进一步包括一个或多个处理器,以及由存储器432所代表的存储器资源,用于存储可由处理组件422的执行的指令,例如应用程序。存储器432中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理组件422被配置为执行指令,以执行上述应用推荐方法。
装置400还可以包括一个电源组件426被配置为执行装置400的电源管理,一个有线或无线网络接口450被配置为将装置400连接到网络,和一个输入输出(I/O)接口458。装置400可以操作基于存储在存储器432的操作系统,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM或类似。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (20)
1.一种用户推荐方法,其特征在于,所述方法包括:
在接收到用户推荐请求时,获取待推荐用户的用户特征;
将所述待推荐用户的用户特征输入预测模型,得到多个第一类用户中每个第一类用户的推荐系数,所述预测模型基于所述多个第一类用户的征信特征和多个第二类用户的用户特征建立,所述第一类用户用于向所述第二类用户提供资源服务;
根据所述每个第一类用户的推荐系数,向所述待推荐用户进行推荐。
2.根据权利要求1所述的方法,其特征在于,所述在接收到用户推荐请求时,获取待推荐用户的用户特征之前,所述方法还包括:
根据所述多个第一类用户的征信特征和所述多个第二类用户的用户特征,建立所述预测模型。
3.根据权利要求2所述的方法,其特征在于,所述根据所述多个第一类用户的征信特征和所述多个第二类用户的用户特征,建立所述预测模型,包括:
根据所述多个第一类用户的征信特征、所述多个第二类用户的用户特征以及所述多个第一类用户和所述多个第二类用户之间的相关性信息,建立第一子模型,所述第一子模型用于基于所输入的用户特征获取所述每个第一类用户的推荐系数。
4.根据权利要求2或3所述的方法,其特征在于,所述根据所述多个第一类用户的征信特征和所述多个第二类用户的用户特征,建立所述预测模型,包括:
根据所述多个第一类用户的征信特征和所述多个第二类用户的用户特征,建立第二子模型,所述第二子模型用于基于所述多个第一类用户的征信特征和所输入的所述待推荐用户的用户特征,获取所述每个第一类用户的价值相关性,并将所述价值相关性获取为所述推荐系数,所述价值相关性用于指示所述第二类用户的资源转换能力与第一类用户的资源转换均值的匹配程度。
5.根据权利要求3所述的方法,其特征在于,所述多个第一类用户和所述多个第二类用户之间的相关性信息包括:每个第二类用户对所述每个第一类用户的历史点击记录、所述每个第二类用户与所述每个第一类用户之间的距离信息和所述每个第二类用户对所述每个第一类用户的点击时间信息。
6.根据权利要求1所述的方法,其特征在于,所述在接收到用户推荐请求时,获取待推荐用户的用户特征之前,所述方法还包括:
对于任一第一类用户,根据与所述第一类用户对应的访问用户的征信特征、与所述第一类用户对应的交易用户的征信特征及所述第一类用户的下级用户的征信特征,获取所述第一类用户的征信特征,所述访问用户为访问过所述第一类用户的第二类用户,所述交易用户为与所述第一类用户存在历史资源转换记录的第二类用户。
7.根据权利要求6所述的方法,其特征在于,所述根据与所述第一类用户对应的访问用户的征信特征、与所述第一类用户对应的交易用户的征信特征及所述第一类用户的下级用户的征信特征,获取所述第一类用户的征信特征,包括:
根据在多个时段的每个时段内,所述访问用户中每个用户的征信特征,获取在所述每个时段内所述访问用户的征信分布;
根据在所述多个时段的每个时段内,所述交易用户中每个用户的征信特征,获取在所述每个时段内所述交易用户的征信分布;
根据在所述每个时段内所述访问用户的信用分布和在所述每个时段内所述交易用户的信用分布,获取在所述每个时段内所述访问用户和所述交易用户的征信分布差异;
获取所述第一类用户的下级用户的征信特征;
根据所述多个时段的征信分布差异和每个下级用户的征信特征,获取所述第一类用户的征信特征。
8.根据权利要求1所述的方法,其特征在于,所述根据所述每个第一类用户的推荐系数,向所述待推荐用户进行推荐,包括:
根据所述每个第一类用户的推荐系数,从所述多个第一类用户中获取指定用户,所述指定用户为推荐系数大于预设阈值的第一类用户;
向所述待推荐用户推荐所述指定用户。
9.根据权利要求8所述的方法,其特征在于,所述向所述待推荐用户推荐所述指定用户,包括:
将所述指定用户按推荐系数从大到小进行排序;
向终端发送排序结果,以在所述终端显示按推荐系数从大到小的顺序排列的所述指定用户。
10.根据权利要求1所述的方法,其特征在于,所述根据所述每个第一类用户的推荐系数,向所述待推荐用户进行推荐之后,所述方法还包括:
在第N次向所述待推荐用户进行推荐时,将所述待推荐用户的用户特征输入所述预测模型,得到所述多个第一类用户中每个第一类用户的第N次推荐系数;
根据所述每个第一类用户的第N次推荐系数和所述每个第一类用户的前N-1次推荐系数,获取所述每个第一类用户的N次推荐系数和值;
根据所述每个第一类用户的N次推荐系数和值,向所述待推荐用户进行推荐,其中,N为大于1的正整数。
11.一种用户推荐装置,其特征在于,所述装置包括:
用户特征获取模块,用于在接收到用户推荐请求时,获取待推荐用户的用户特征;
输入模块,用于将所述用户特征获取模块获取到的所述待推荐用户的用户特征输入预测模型,得到多个第一类用户中每个第一类用户的推荐系数,所述预测模型基于所述多个第一类用户的征信特征和多个第二类用户的用户特征建立,所述第一类用户用于向所述第二类用户提供资源服务;
推荐模块,用于根据所述输入模块将所述待推荐用户的用户特征输入所述预测模型后得到的所述每个第一类用户的推荐系数,向所述待推荐用户进行推荐。
12.根据权利要求11所述的装置,其特征在于,所述装置还包括:
模型建立模块,用于根据所述多个第一类用户的征信特征和所述多个第二类用户的用户特征,建立所述预测模型。
13.根据权利要求12所述的装置,其特征在于,所述模型建立模块用于:
根据所述多个第一类用户的征信特征、所述多个第二类用户的用户特征以及所述多个第一类用户和所述多个第二类用户之间的相关性信息,建立第一子模型,所述第一子模型用于基于所输入的用户特征获取所述每个第一类用户的推荐系数。
14.根据权利要求12或13所述的装置,其特征在于,所述模型建立模块用于:
根据所述多个第一类用户的征信特征和所述多个第二类用户的用户特征,建立第二子模型,所述第二子模型用于基于所述多个第一类用户的征信特征和所输入的所述待推荐用户的用户特征,获取所述每个第一类用户的价值相关性,并将所述价值相关性获取为所述推荐系数,所述价值相关性用于指示所述第二类用户的资源转换能力与第一类用户的资源转换均值的匹配程度。
15.根据权利要求13所述的装置,其特征在于,所述多个第一类用户和所述多个第二类用户之间的相关性信息包括:每个第二类用户对所述每个第一类用户的历史点击记录、所述每个第二类用户与所述每个第一类用户之间的距离信息和所述每个第二类用户对所述每个第一类用户的点击时间信息。
16.根据权利要求11所述的装置,其特征在于,所述装置还包括:
征信特征获取模块,用于对于任一第一类用户,根据与所述第一类用户对应的访问用户的征信特征、与所述第一类用户对应的交易用户的征信特征及所述第一类用户的下级用户的征信特征,获取所述第一类用户的征信特征,所述访问用户为访问过所述第一类用户的第二类用户,所述交易用户为与所述第一类用户存在历史资源转换记录的第二类用户。
17.根据权利要求16所述的装置,其特征在于,所述征信特征获取模块用于:
根据在多个时段的每个时段内,所述访问用户中每个用户的征信特征,获取在所述每个时段内所述访问用户的征信分布;
根据在所述多个时段的每个时段内,所述交易用户中每个用户的征信特征,获取在所述每个时段内所述交易用户的征信分布;
根据在所述每个时段内所述访问用户的信用分布和在所述每个时段内所述交易用户的信用分布,获取在所述每个时段内所述访问用户和所述交易用户的征信分布差异;
获取所述第一类用户的下级用户的征信特征;
根据所述多个时段的征信分布差异和每个下级用户的征信特征,获取所述第一类用户的征信特征。
18.根据权利要求11所述的装置,其特征在于,所述推荐模块用于:
根据所述每个第一类用户的推荐系数,从所述多个第一类用户中获取指定用户,所述指定用户为推荐系数大于预设阈值的第一类用户;
向所述待推荐用户推荐所述指定用户。
19.根据权利要求18所述的装置,其特征在于,所述推荐模块还用于:
将所述指定用户按推荐系数从大到小进行排序;
向终端发送排序结果,以在所述终端显示按推荐系数从大到小的顺序排列的所述指定用户。
20.根据权利要求11所述的装置,其特征在于,所述输入模块还用于在第N次向所述待推荐用户进行推荐时,将所述待推荐用户的用户特征输入所述预测模型,得到所述多个第一类用户中每个第一类用户的第N次推荐系数;
所述装置还包括和值获取模块,所述和值获取模块用于根据所述每个第一类用户的第N次推荐系数和所述每个第一类用户的前N-1次推荐系数,获取所述每个第一类用户的N次推荐系数和值;
所述推荐模块还用于根据所述每个第一类用户的N次推荐系数和值,向所述待推荐用户进行推荐,其中,N为大于1的正整数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610813831.XA CN107808314B (zh) | 2016-09-09 | 2016-09-09 | 用户推荐方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610813831.XA CN107808314B (zh) | 2016-09-09 | 2016-09-09 | 用户推荐方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107808314A true CN107808314A (zh) | 2018-03-16 |
CN107808314B CN107808314B (zh) | 2020-04-21 |
Family
ID=61569661
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610813831.XA Active CN107808314B (zh) | 2016-09-09 | 2016-09-09 | 用户推荐方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107808314B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110688573A (zh) * | 2019-09-24 | 2020-01-14 | 支付宝(杭州)信息技术有限公司 | 信用项目中的发约单推荐方法以及装置 |
CN110781404A (zh) * | 2019-09-26 | 2020-02-11 | 平安科技(深圳)有限公司 | 好友关系链匹配方法、系统、计算机设备及可读存储介质 |
CN111105819A (zh) * | 2019-12-13 | 2020-05-05 | 北京达佳互联信息技术有限公司 | 剪辑模板的推荐方法、装置、电子设备及存储介质 |
CN111339432A (zh) * | 2020-05-15 | 2020-06-26 | 支付宝(杭州)信息技术有限公司 | 电子对象的推荐方法、装置和电子设备 |
CN112633993A (zh) * | 2021-01-12 | 2021-04-09 | 武汉天源迪科数据科技有限公司 | 一种基于移动互联网的线上商城管理系统 |
CN112819497A (zh) * | 2019-11-18 | 2021-05-18 | 百度在线网络技术(北京)有限公司 | 转化率预测方法、装置、设备和存储介质 |
CN113240526A (zh) * | 2020-12-14 | 2021-08-10 | 王玉华 | 应用于云计算和区块链金融的业务推荐方法及云计算系统 |
CN111353688B (zh) * | 2020-02-05 | 2024-02-27 | 口碑(上海)信息技术有限公司 | 一种用户资源分配方法以及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103489108A (zh) * | 2013-08-22 | 2014-01-01 | 浙江工商大学 | 社区商务云中大规模订单撮合方法 |
CN104462333A (zh) * | 2014-12-03 | 2015-03-25 | 上海耀肖电子商务有限公司 | 购物搜索推荐与告警方法和系统 |
US20150363861A1 (en) * | 2014-06-13 | 2015-12-17 | Sailthru, Inc, | System and method for improved personalization using beacon technology |
-
2016
- 2016-09-09 CN CN201610813831.XA patent/CN107808314B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103489108A (zh) * | 2013-08-22 | 2014-01-01 | 浙江工商大学 | 社区商务云中大规模订单撮合方法 |
US20150363861A1 (en) * | 2014-06-13 | 2015-12-17 | Sailthru, Inc, | System and method for improved personalization using beacon technology |
CN104462333A (zh) * | 2014-12-03 | 2015-03-25 | 上海耀肖电子商务有限公司 | 购物搜索推荐与告警方法和系统 |
Non-Patent Citations (1)
Title |
---|
杨帆: "O2O电子商务模式探究-以外卖订餐平台为例", 《微型电脑应用》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110688573A (zh) * | 2019-09-24 | 2020-01-14 | 支付宝(杭州)信息技术有限公司 | 信用项目中的发约单推荐方法以及装置 |
CN110781404A (zh) * | 2019-09-26 | 2020-02-11 | 平安科技(深圳)有限公司 | 好友关系链匹配方法、系统、计算机设备及可读存储介质 |
CN112819497A (zh) * | 2019-11-18 | 2021-05-18 | 百度在线网络技术(北京)有限公司 | 转化率预测方法、装置、设备和存储介质 |
CN112819497B (zh) * | 2019-11-18 | 2023-10-10 | 百度在线网络技术(北京)有限公司 | 转化率预测方法、装置、设备和存储介质 |
CN111105819A (zh) * | 2019-12-13 | 2020-05-05 | 北京达佳互联信息技术有限公司 | 剪辑模板的推荐方法、装置、电子设备及存储介质 |
CN111105819B (zh) * | 2019-12-13 | 2021-08-13 | 北京达佳互联信息技术有限公司 | 剪辑模板的推荐方法、装置、电子设备及存储介质 |
CN111353688B (zh) * | 2020-02-05 | 2024-02-27 | 口碑(上海)信息技术有限公司 | 一种用户资源分配方法以及装置 |
CN111339432A (zh) * | 2020-05-15 | 2020-06-26 | 支付宝(杭州)信息技术有限公司 | 电子对象的推荐方法、装置和电子设备 |
CN113240526A (zh) * | 2020-12-14 | 2021-08-10 | 王玉华 | 应用于云计算和区块链金融的业务推荐方法及云计算系统 |
CN112633993A (zh) * | 2021-01-12 | 2021-04-09 | 武汉天源迪科数据科技有限公司 | 一种基于移动互联网的线上商城管理系统 |
Also Published As
Publication number | Publication date |
---|---|
CN107808314B (zh) | 2020-04-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107808314A (zh) | 用户推荐方法及装置 | |
Shocker et al. | Multiattribute approaches for product concept evaluation and generation: A critical review | |
AU2015345985B2 (en) | Obtaining data relating to customers, processing the same and providing output of electronically generated customer offers | |
KR102297669B1 (ko) | 제조사 및 유통사 간 연결을 위한 매칭 서비스 제공 시스템 | |
EP1727063A1 (en) | Systems for user profiling and search results filtering based on propensity modelling | |
CN109840730B (zh) | 用于数据预测的方法及装置 | |
Huang et al. | Predictive and prescriptive analytics for location selection of add‐on retail products | |
Pinto et al. | A network design model for a meal delivery service using drones | |
CN104751345B (zh) | 一种基于位置的数据处理方法以及装置 | |
Dong | [Retracted] Construction of Mobile E‐Commerce Platform and Analysis of Its Impact on E‐Commerce Logistics Customer Satisfaction | |
CN106682947A (zh) | 用于共享环境的时间价值评估方法和系统 | |
CN109544271A (zh) | 一种交易管理系统 | |
Chen et al. | Joint product variety, pricing and scheduling decisions in a flexible facility | |
KR102564359B1 (ko) | 온라인 마켓에서 판매 상품의 판매 가격을 결정하는 방법 | |
Yoon et al. | Cooperative production switchover coordination for the real-time order acceptance decision | |
CN113762990B (zh) | 商品推荐的方法、装置、计算设备及计算机存储介质 | |
KR20150020739A (ko) | 그린 포인트 서비스 시스템 및 그 서비스 방법 | |
CN107256498A (zh) | 业务对象发送方法、装置、设备及系统 | |
Yuan et al. | Designing public storage warehouses with high demand for revenue maximisation | |
TWM618658U (zh) | 禮券管理系統及終端設備 | |
US9672546B2 (en) | Accurate and instantaneous commodity pricing information system | |
Herbon | Monetary aspects of acquiring technology for price discrimination of a perishable storable product | |
Yang | Research on early warning of customer churn based on mutual information and integrated learning—taking ctrip as an example | |
KR102564355B1 (ko) | 고객 정보를 이용하여 온라인 마켓의 판매 상품을 추천하는 방법 | |
KR102598867B1 (ko) | 인공지능을 활용하여 재고 비용을 예측함으로써 판매 가격을 결정하는 방법 및 이를 수행하는 가격 결정 시스템 |
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 |