CN109064278B - 目标对象推荐方法及装置、电子设备、存储介质 - Google Patents
目标对象推荐方法及装置、电子设备、存储介质 Download PDFInfo
- Publication number
- CN109064278B CN109064278B CN201810835263.2A CN201810835263A CN109064278B CN 109064278 B CN109064278 B CN 109064278B CN 201810835263 A CN201810835263 A CN 201810835263A CN 109064278 B CN109064278 B CN 109064278B
- Authority
- CN
- China
- Prior art keywords
- user
- data
- target
- users
- user group
- 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
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
本公开是关于一种目标对象推荐方法及装置、电子设备、存储介质,涉及互联网技术领域,该方法包括:获取用户群体中每个用户在目标场景中的特征数据,并获取所述每个用户在所述目标场景中的实时偏好数据;根据所述用户群体中所有用户的所述特征数据以及所述实时偏好数据,计算所述用户群体与多个候选对象之间的目标相似度;通过所述目标相似度从所述多个候选对象中确定至少一个目标对象向所述用户群体进行推荐。本公开能够快速实现对用户群体进行精准推荐。
Description
技术领域
本公开涉及互联网技术领域,具体而言,涉及一种目标对象推荐方法、目标对象推荐装置、电子设备以及计算机可读存储介质。
背景技术
随着互联网技术的发展,为用户推荐商品或者是商家时对推荐精准度的要求也越来越高。
相关技术中,在为团队或者用户群体推荐进行活动的商家或店铺时,可对团队中的多个用户进行同行分析,基于同行数据进行产品推荐;或者也可以根据应用场景选择适合该应用场景下多种推荐策略综合进行产品推荐。上述两种方式中,都是根据多个用户的特征数据进行产品推荐的,如果用户群体中的多个用户均不存在特征数据,会因为特征数据匮乏而导致无法进行推荐,并且使得针对用户群体进行推荐的精准度较差;除此之外,只通过特征数据向用户推荐时,难以满足实时性需求,灵活性较差。
需要说明的是,在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解,因此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
本公开的目的在于提供一种目标对象推荐方法及装置、电子设备、存储介质,进而至少在一定程度上克服由于相关技术的限制和缺陷而导致的不能精准推荐的问题。
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。
根据本公开的一个方面,提供一种目标对象推荐方法,包括:获取用户群体中每个用户在目标场景中的特征数据,并获取所述每个用户在所述目标场景中的实时偏好数据;根据所述用户群体中所有用户的所述特征数据以及所述实时偏好数据,计算所述用户群体与多个候选对象之间的目标相似度;通过所述目标相似度从所述多个候选对象中确定至少一个目标对象向所述用户群体进行推荐。
在本公开的一种示例性实施例中,获取用户群体中每个用户在目标场景中的特征数据包括:获取所述用户群体中每个用户在所述目标场景中的历史消费数据;根据所述历史消费数据的存在状态确定所述每个用户在所述目标场景中的特征数据。
在本公开的一种示例性实施例中,根据所述历史消费数据的存在状态确定所述每个用户在所述目标场景中的特征数据包括:对于存在所述历史消费数据的第一类用户,根据所述第一类用户的历史消费数据确定针对所述目标场景的店铺数据,并通过所述店铺数据提取所述第一类用户在所述目标场景中的特征数据。
在本公开的一种示例性实施例中,根据所述历史消费数据的存在状态确定每个用户在所述目标场景中的所述特征数据包括:对于不存在所述历史消费数据的第二类用户,则根据与所述第二类用户属于相同用户群体且与所述第二类用户匹配的第一类用户的所述特征数据确定所述第二类用户的特征数据。
在本公开的一种示例性实施例中,根据与所述第二类用户属于相同用户群体且存在所述历史消费数据的第一类用户的所述特征数据确定所述第二类用户的特征数据包括:获取所述用户群体中存在所述历史消费数据的所有第一类用户的第一画像数据;获取所述第二类用户的第二画像数据;将所述第一画像数据与所述第二画像数据进行匹配,以确定与所述第二类用户匹配的所述第一类用户;通过所述第一类用户的所述特征数据确定所述第二类用户的特征数据。
在本公开的一种示例性实施例中,获取所述每个用户在所述目标场景中的实时偏好数据包括:获取由所述用户群体中每个用户在第一预设时长内提交的针对所述目标场景的所述实时偏好数据。
在本公开的一种示例性实施例中,根据所述用户群体中所有用户的所述特征数据以及所述实时偏好数据,计算所述用户群体与多个候选对象之间的目标相似度包括:根据所有用户的所述特征数据确定第一特征向量,并根据所述第一特征向量以及每个候选对象的第一预设向量计算第一相似度;根据所有用户的所述实时偏好数据确定第二特征向量,并根据所述第二特征向量以及每个候选对象的第二预设向量计算第二相似度;通过所述第一相似度和所述第二相似度得到所述用户群体与每个候选对象之间的所述目标相似度。
在本公开的一种示例性实施例中,所述方法还包括:在所述用户群体所处地理位置的预设范围内确定与所述目标场景对应的所述多个候选对象。
在本公开的一种示例性实施例中,所述第一相似度的权重和所述第二相似度的权重之和为1。
在本公开的一种示例性实施例中,通过所述目标相似度从所述多个候选对象中确定至少一个目标对象包括:将按照所述目标相似度从大到小的排列顺序,排在前N位的N个候选对象确定为与所述用户群体对应的多个选择对象;对所述多个选择对象进行筛选得到所述至少一个目标对象。
在本公开的一种示例性实施例中,对所述多个选择对象进行筛选得到所述至少一个目标对象包括:在第二预设时长内对所述多个选择对象进行筛选得到剩余对象,并根据所述剩余对象确定所述用户群体的所述至少一个目标对象。
在本公开的一种示例性实施例中,所述剩余对象的数量大于等于目标对象的数量,根据所述剩余对象确定所述用户群体的所述至少一个目标对象包括:若进行筛选后剩余对象的数量等于所述目标对象的数量,则将所述剩余对象作为所述用户群体的所述至少一个目标对象;若进行筛选后剩余对象的数量大于所述目标对象的数量,则按照所述目标相似度从大到小的顺序对所述剩余对象进行筛选,以确定所述用户群体的所述至少一个目标对象。
根据本公开的一个方面,提供一种目标对象推荐装置,包括:数据获取模块,用于获取用户群体中每个用户在目标场景中的特征数据,并获取所述每个用户在所述目标场景中的实时偏好数据;相似度计算模块,用于根据所述用户群体中所有用户的所述特征数据以及所述实时偏好数据,计算所述用户群体与多个候选对象之间的目标相似度;推荐控制模块,用于通过所述目标相似度从所述多个候选对象中确定至少一个目标对象向所述用户群体进行推荐。
根据本公开的一个方面,提供一种电子设备,包括:处理器;以及存储器,用于存储所述处理器的可执行指令;其中,所述处理器配置为经由执行所述可执行指令来执行上述任意一项所述的目标对象推荐方法。
根据本公开的一个方面,提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任意一项所述的目标对象推荐方法。
本公开示例性实施例中提供的一种目标对象推荐方法、目标对象推荐装置、电子设备以及计算机可读存储介质中,一方面,通过所述用户群体中所有用户的所述特征数据以及所述实时偏好数据,计算所述用户群体与多个候选对象之间的目标相似度,进而确定至少一个目标对象向所述用户群体进行推荐,相对于相关技术而言增加了实时偏好维度,避免了缺乏特征数据导致的无法推荐的问题,能够提高确定的目标对象的精准度,实现针对用户群体的精准推荐;另一方面,由于用户偏好数据是实时更新的,通过实时偏好数据可增加推荐灵活性,提高推荐操作的实时性,进而提高用户体验。
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和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。显而易见地,下面描述中的附图仅仅是本公开的一些实施例,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示意性示出本公开示例性实施例中一种目标对象推荐方法示意图。
图2示意性示出本公开示例性实施例中获取第二类用户特征数据的流程图。
图3示意性示出本公开示例性实施例中根据特征和偏好进行推荐的流程图。
图4示意性示出本公开示例性实施例中目标对象推荐的具体流程图。
图5示意性示出本公开示例性实施例中一种目标对象推荐装置的框图。
图6示意性示出本公开示例性实施例中一种电子设备的框图。
图7示意性示出本公开示例性实施例中一种程序产品。
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。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技术方案以避免喧宾夺主而使得本公开的各方面变得模糊。
此外,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。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。
本示例实施方式中首先提供了一种目标对象推荐方法,可以应用于对包括处于相同地理位置的多个用户的用户群体进行产品推荐、活动店铺推荐等场景。参考图1所示,该目标对象推荐方法可以包括以下步骤:
在步骤S110中,获取用户群体中每个用户在目标场景中的特征数据,并获取所述每个用户在所述目标场景中的实时偏好数据;
在步骤S120中,根据所述用户群体中所有用户的所述特征数据以及所述实时偏好数据,计算所述用户群体与多个候选对象之间的目标相似度;
在步骤S130中,通过所述目标相似度从所述多个候选对象中确定至少一个目标对象向所述用户群体进行推荐。
在本示例性实施例中提供的目标对象推荐方法中,一方面,通过所述用户群体中所有用户的所述特征数据以及所述实时偏好数据,计算所述用户群体与多个候选对象之间的目标相似度,进而确定至少一个目标对象向所述用户群体进行推荐,相对于相关技术而言增加了用户的实时偏好数据,从而能够提高确定的目标对象的精准度,实现针对用户群体的精准推荐;另一方面,由于用户偏好数据是实时更新的,通过实时偏好数据可增加推荐灵活性,提高推荐操作的实时性,进而提高用户体验。
接下来,结合附图对本示例性实施例中的目标对象推荐方法进行进一步解释说明。
在步骤S110中,获取用户群体中每个用户在目标场景中的特征数据,并获取所述每个用户在所述目标场景中的实时偏好数据。
本示例性实施例中,用户群体中可包括预设平台中的多个注册用户,且多个用户所处的地理位置可相同。预设平台可以为例如网上购物平台、信息平台、线上线下电子商务平台O2O等任意合适的应用平台,且预设平台可以根据用户群体的每一次活动目的或者是使用次数等因素提前选定。目标场景可以包括吃的场景,玩的场景或者住的场景等等,例如可包括团购订单、外卖订单、酒店、KTV预定等,还可以包括美食、娱乐场所或项目、旅游景点等。需要说明的是,同一个用户在每个目标场景下的特征数据的维度均不同,不同用户在相同的目标场景下的具体特征数据可不同。举例而言,在吃的目标场景下,特征数据的维度包括但不限于星级、人均、评论数、菜系、距离、口味;在玩的目标场景下,特征数据的维度包括但不限于评价、人均、游玩项目;在住的目标场景下,特征数据的维度包括但不限于评价、人均、舒适度、环境。
在确定用户群体之后,可获取用户群体中每个用户在目标场景中的特征数据,具体包括:获取所述用户群体中每个用户在目标场景的历史消费数据;根据所述历史消费数据的存在状态确定所述每个用户在所述目标场景中的特征数据。此处的历史消费数据指的是用户群体中每一个用户在预设平台上针对目标场景的历史消费数据。为了提高历史消费数据的参考价值,可获取预设时长内每个用户在目标场景下的历史消费数据。预设时长可以为一年或者两年等等,此处不作特殊限定。可例如,获取用户群体1中每个用户一年内在吃的目标场景下的历史消费数据。
需要补充的是,用户群体中包括存在历史消费数据的用户,也包括不存在历史消费数据的用户,为了解决这种问题,可根据历史消费数据的存在状态确定所述每个用户在所述目标场景中的特征数据。其中,针对存在历史消费数据的用户和不存在历史消费数据的用户,确定特征数据的方法不同。具体而言,可将用户群体中存在针对目标场景的历史消费数据的用户确定为第一类用户。对于存在所述历史消费数据的第一类用户而言,根据所述第一类用户的历史消费数据确定针对所述目标场景的店铺数据,并通过所述店铺数据提取所述第一类用户在所述目标场景中的特征数据。也就是说,可获取用户群体中所有第一类用户在预设平台中针对吃的目标场景的历史消费数据的具体数据,根据这些具体数据挖掘出吃的目标场景下的用户去过的门店记录的店铺数据,通过对这些去过的门店记录的店铺数据进行融合处理得出每一个用户的特征数据。例如,对每个用户历史消费数据中每次去的店铺数据的星级、人均、评论数、菜系的数值进行平均处理得到每一个用户的特征数据;或者是选择用户去的次数较多的店铺数据的星级、人均、评论数、菜系的数值作为用户的特征数据。
除此之外,考虑到并不是用户群体中的所有用户都存在历史消费数据对应的特征数据,可能导致特征数据匮乏的问题。为了避免特征数据匮乏,可对用户的画像数据构建用户协同过滤体系,从属于相同用户群体的其他用户的特征数据来反推某一用户的特征数据,以此来丰富特征数据集。其中,可将不存在所述历史消费数据的用户确定为第二类用户。第二类用户只是经常活跃于应用平台内的注册用户,但该用户没有交易、团购、买单等具体的历史消费数据。为了解决这个问题,可通过相似用户推荐的方式获取第二类用户的特征数据。例如假设用户A不存在历史消费数据,则可以通过为用户A打标签的方式获取用户A的画像数据,然后通过用户A的标签在应用平台的用户数据库里通过标签协同过滤确定用户A匹配且有历史消费数据的用户B和用户C,然后将用户B和用户C的历史消费数据形成的特征数据作为用户A的特征数据,以此补充特征数据。
具体而言,对于不存在所述历史消费数据的第二类用户,可根据与所述第二类用户属于相同用户群体且与所述第二类用户匹配的第一类用户的所述特征数据确定所述第二类用户的特征数据。可包括以下步骤:获取所述用户群体中存在所述历史消费数据的所有第一类用户的第一画像数据;获取所述第二类用户的第二画像数据;将所述第一画像数据与所述第二画像数据进行匹配,以确定与所述第二类用户匹配的所述第一类用户;通过所述第一类用户的所述特征数据确定所述第二类用户的特征数据。
参考图2中所示,通过相似用户推荐的方式获取第二类用户的特征数据的具体步骤包括:步骤S201,获取存在特征数据的其他用户的画像数据,即获取用户群体1中所有第一类用户的画像数据,作为第一画像数据。此处的画像数据通过对用户打标签而得到。步骤S202,获取不存在特征数据的某个用户的画像数据,例如获取用户群体1中第二类用户11的画像数据作为第二画像数据。步骤S203,根据画像数据预测特征数据,例如根据第二类用户的画像数据预测第二类用户的特征数据,具体为:将第二类用户11的第二画像数据与用户群体1中所有第一类用户的第一画像数据进行相似度匹配。步骤S204,预测的特征数据。如果第二类用户11与第一类用户1匹配成功,可将第一类用户1的特征数据作为第二类用户11的特征数据。其中,可通过相似度最大确定与第二类用户11匹配的第一类用户,也可以通过其他方式确定与第二类用户11匹配的第一类用户,此处不作特殊限定。通过将用户群体1中的所有第一类用户与所有第二类用户进行匹配,可确定所有第二类用户的特征数据。需要说明的是,不同的第二类用户可对应相同的第一类用户,一个第二类用户可对应一个或多个第一类用户。
在获取到用户群体中大部分用户的特征数据之后,可获取所述每个用户在所述目标场景中的实时偏好数据。相同目标场景中,实时偏好数据的维度可与特征数据的维度相同,也可以不同。例如,在吃的目标场景中,用户的实时偏好数据的维度包括但不限于类目、人均、距离。实时偏好数据可由每个用户在第一预设时长内在操作界面上手动进行选择而确定,操作界面上可显示包括类目、人均、距离等实时偏好维度以及提交控件,每个用户在选择完自身的实时偏好后,需要点击提交控件。除此之外,还可获取通过自动提交等其他方式获取的实时偏好数据。第一预设时长可采用倒计时的方式显示在操作界面上,且第一预设时长可根据实际需求进行设置,例如可为1分钟或者30秒等等。
需要说明的是,若在倒计时结束前所有用户均提交完实时偏好,则根据所有用户的实时偏好数据继续进行其他流程;若在倒计时结束前只有部分用户提交完实时偏好,则等待倒计时结束,以当前已提交实时偏好的部分用户的实时偏好数据继续进行其他流程,未提交的用户则没有实时偏好数据。通过设置第一预设时长,可缩短用户决策时间,进而缩短整个活动的决策时间,快速确定用户的实时偏好数据,提高推荐效率。通过获取用户的在目标场景下的特征数据和实时偏好数据,可更准确地对用户群体进行推荐。
接下来,在步骤S120中,根据所述用户群体中所有用户的所述特征数据以及所述实时偏好数据,计算所述用户群体与多个候选对象之间的目标相似度。
本示例性实施例中,在用户群体中所有用户所在位置基本相同时,首先可在发起活动时,通过包含定位模块的移动终端对用户群体进行定位,以得到用户群体所在的地理位置;或者是通过手动选择发起活动时用户群体所处的地理位置。接下来,系统可以根据发起活动时用户群体所处的地理位置确定多个候选对象,具体可在发起活动时用户群体所处的地理位置的预设范围内确定与目标场景对应的多个候选对象。预设范围可根据实际需求进行设置,为了方便用户,预设范围可确定为用户群体所处地理位置附近的范围,例如2公里内。如此一来,可结合活动发起时用户群体的实时地理位置,在离用户群体比较近的预设范围内确定与目标场景对应的多个候选对象,得到更准确的推荐结果。可例如,在吃的目标场景下,多个候选对象为多个店铺。除此之外,本示例性实施例中的方法还可应用于用户群体中所有用户所在的地理位置不同的场景,此处不作详细说明。
在计算目标相似度时,可根据所有用户的所述特征数据确定第一特征向量,并根据所述第一特征向量以及每个候选对象的第一预设向量计算第一相似度。例如,步骤S110中确定的用户特征数据的维度包括:星级(s)、人均(c)、评论数(j)、菜系(d),可根据上述特征维度提取用户群体1中每个用户的特征数据,并将每个维度的特征数据进行归一化处理至[0,1]之间,以得到所有用户组成的用户群体的第一特征向量(s1,c1,j1,d1),(s2,c2,j2,d2)…(sn,cn,jn,dn)。其中,归一化方式例如可以为MinMax归一化。
与此同时,候选对象1相对于上述特征维度的第一预设向量为(s0,c0,j0,d0)。可计算用户群体的第一特征向量与候选对象1的第一预设向量之间的第一相似度。此处的第一相似度可为欧式距离、余弦相似度等等,可用sim1表示。
接下来,可根据所有用户的所述实时偏好数据确定第二特征向量,并根据所述第二特征向量以及每个候选对象的第二预设向量计算第二相似度。与根据特征数据计算第一相似度的过程类似,例如步骤S110中确定的用户实时偏好数据的维度包括类目(t)、人均(c)、距离(d),可根据上述实时偏好维度提取用户群体1中提交的所有用户的实时偏好数据,并将每个维度的实时偏好数据进行归一化处理至[0,1]之间,以得到所有用户组成的用户群体的第二特征向量(t1,c1,d1),(t2,c2,d2)…(tn,cn,dn)。其中,归一化方式例如可以为MinMax归一化。
与此同时,候选对象1针对上述实时偏好维度的第二预设向量为(t0,c0,d0)。可计算用户群体的第二特征向量与候选对象1的第二预设向量之间的第二相似度。此处的第二相似度依然可为欧式距离、余弦相似度等等,可用sim2表示。
在得到第一相似度sim1和第二相似度sim2之后,可对二者进行结合得到用户群体与候选对象之间的目标相似度sim=msim1+(1-m)sim2。如此一来,目标相似度可由特征数据和实时偏好数据两个维度决定,根据计算的目标相似度对用户群体进行推荐时,可避免缺乏特征数据导致的无法推荐的问题,提高目标相似度的准确率,同时提高操作的实时性和灵活性。具体地,在计算目标相似度时,第一相似度的权重可为m,第二相似度的权重可为1-m。如果某个用户群体中只存在第二类用户,而不存在第一类用户,则该用户群体对应的第一相似度的权重为0,此时只根据用户群体的实时偏好数据确定目标相似度,避免了缺乏特征数据导致的无法推荐以及推荐不准确的问题。
在步骤S130中,通过所述目标相似度从所述多个候选对象中确定至少一个目标对象向所述用户群体进行推荐。
本示例性实施例中,向用户群体推荐的目标对象的数量可以为一个,也可以为多个,此处不作特殊限定。本示例性实施例中以目标对象为一个为例进行说明。具体可对用户群体与所有候选对象之间的目标相似度进行排序,例如将目标相似度按照从大到小的顺序进行排列。然后可将排在前N位的N个候选对象确定为与用户群体对应的N个选择对象,这N个选择对象可组成候选集,其中,N的数值可等于或者小于候选对象的总数量。
参考图3所示,用户A对应特征数据A以及实时偏好数据A,用户B对应特征数据B以及实时偏好数据B,用户C对应特征数据C以及实时偏好数据C;确定包括用户A、用户B以及用户C的用户群体的特征向量和实时偏好向量;通过推荐系统计算用户群体和每个候选对象之间的目标相似度;通过目标相似度从大到小的排列顺序进行粗排,得到候选集。
进一步地,在确定N个选择对象之后,可对候选集中的N个选择对象进行二次筛选以得到至少一个目标对象。二次筛选需要在第二预设时长内完成,可通过所有用户手动进行筛选,也可通过每个用户的特征维度进行自动筛选,此处不作特殊限定。第二预设时长可根据实际需求进行设置,例如1分钟或者30秒等等。通过设置第二预设时长,可缩短用户决策时间,快速确定二次筛选结果,以快速向用户群体进行精准推荐。
以用户群体中的所有用户手动进行二次筛选为例进行说明。在确定N个选择对象后,每个用户都可以删除自己不喜欢的选择对象,得到剩余对象。在这个步骤中,手快的用户可以删除多个不喜欢的选择对象,手慢的用户可能一个都抢不到。接下来,可根据操作界面上存在的剩余对象的数量确定用户群体的至少一个目标对象。需要说明的是,如果剩余对象的数量等于目标对象的数量,则停止进行二次筛选。
以只选择一个目标对象为例进行说明。操作界面上剩余对象的数量需要大于等于一个,如果进行二次筛选后操作界面上只存在一个剩余对象,则将该剩余对象作为用户群体的目标对象即可。如果进行筛选后存在多个剩余对象,则在所述多个剩余对象中,按照目标相似度从大到小的顺序选择一个剩余对象作为用户群体的目标对象。举例而言,如果剩余对象只包括候选对象1,则将候选对象1作为用户群体的目标对象;如果剩余对象包括候选对象1、候选对象2、候选对象3,候选对象1的目标相似度为0.5,候选对象2的目标相似度为0.8,候选对象3目标相似度为0.4,则可以选择目标相似度最大的候选对象2作为用户群体的目标对象进行推荐。
以选择两个目标对象为例进行说明。操作界面上剩余对象的数量需要大于等于两个,在剩余对象的数量等于2时,则停止进行二次筛选。如果剩余对象只包括候选对象1和候选对象2,则将候选对象1和候选对象2作为用户群体的至少一个目标对象;如果剩余对象包括候选对象1、候选对象2、候选对象3,则可以按照目标相似度从大到小的顺序选择两个剩余对象作为用户群体的至少一个目标对象。例如,候选对象1的目标相似度为0.5,候选对象2的目标相似度为0.8,候选对象3目标相似度为0.4,则可将候选对象2和候选对象1作为用户群体的至少一个目标对象向用户群体进行推荐。确定多个目标对象的过程与确定一个目标对象的过程类似,因此此处不再赘述。
本示例性实施例中,通过每个用户删除自己不喜欢的候选对象进行二次筛选,可以增加决策过程的趣味性,能够提高决策效率,并且能达到精准推荐的目的。同时通过倒计时方式可以促使用户快速决策,提高操作效率。
图4示出了推荐目标对象的流程图,具体包括:
在步骤S401中,获取用户的特征数据。例如通过用户群体中每个用户的在目标场景中的历史消费数据获得特征数据,或根据用户标签协同过滤预估特征数据。
在步骤S402中,获取用户的实时偏好数据。例如通过用户在第一预设时长内输入或选择的实时偏好确定用户群体中每个用户在目标场景中的实时偏好数据。
在步骤S403中,得到粗排的候选集。例如通过特征数据以及实时偏好数据确定与候选对象的目标相似度,选出目标相似度排在前N位的候选对象作为粗排的候选集。
在步骤S404中,用户删除不喜欢的结果。例如通过用户在第二预设时长内从粗排的候选集中删掉不喜欢的候选对象,得到剩余对象。
在步骤S405中,得到至少一个目标对象作为推荐结果。例如将全部剩余对象或在剩余对象中按照相似度从大到小的顺序进行选择,得到至少一个推荐结果。
通过图4中的流程,可结合用户群体的地理位置,在与地理位置对应的多个候选对象中快速、精准地选择至少一个目标对象向用户群体推荐。同时通过设置第一预设时长和第二预设时长,可促使用户快速决策,提高操作效率。
本公开还提供了一种目标对象推荐装置。参考图5所示,该目标对象推荐装置500可以包括:
数据获取模块501,可以用于获取用户群体中每个用户在目标场景中的特征数据,并获取所述每个用户在所述目标场景中的实时偏好数据;
相似度计算模块502,可以用于根据所述用户群体中所有用户的所述特征数据以及所述实时偏好数据,计算所述用户群体与多个候选对象之间的目标相似度;
推荐控制模块503,可以用于通过所述目标相似度从所述多个候选对象中确定至少一个目标对象向所述用户群体进行推荐。
需要说明的是,上述目标对象推荐装置中各模块的具体细节已经在对应的目标对象推荐方法中进行了详细描述,因此此处不再赘述。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本公开的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
此外,尽管在附图中以特定顺序描述了本公开中方法的各个步骤,但是,这并非要求或者暗示必须按照该特定顺序来执行这些步骤,或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的,可以省略某些步骤,将多个步骤合并为一个步骤执行,以及/或者将一个步骤分解为多个步骤执行等。
在本公开的示例性实施例中,还提供了一种能够实现上述方法的电子设备。
所属技术领域的技术人员能够理解,本发明的各个方面可以实现为系统、方法或程序产品。因此,本发明的各个方面可以具体实现为以下形式,即:完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等),或硬件和软件方面结合的实施方式,这里可以统称为“电路”、“模块”或“系统”。
下面参照图6来描述根据本发明的这种实施方式的电子设备600。图6显示的电子设备600仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图6所示,电子设备600以通用计算设备的形式表现。电子设备600的组件可以包括但不限于:上述至少一个处理单元610、上述至少一个存储单元620、连接不同系统组件(包括存储单元620和处理单元610)的总线630。
其中,所述存储单元存储有程序代码,所述程序代码可以被所述处理单元610执行,使得所述处理单元610执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。例如,所述处理单元610可以执行如图1中所示的步骤:在步骤S110中,获取用户群体中每个用户在目标场景中的特征数据,并获取所述每个用户在所述目标场景中的实时偏好数据;在步骤S120中,根据所述用户群体中所有用户的所述特征数据以及所述实时偏好数据,计算所述用户群体与多个候选对象之间的目标相似度;在步骤S130中,通过所述目标相似度从所述多个候选对象中确定至少一个目标对象向所述用户群体进行推荐。
存储单元620可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)6201和/或高速缓存存储单元6202,还可以进一步包括只读存储单元(ROM)6203。
存储单元620还可以包括具有一组(至少一个)程序模块6205的程序/实用工具6204,这样的程序模块6205包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线630可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备600也可以与一个或多个外部设备800(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电子设备600交互的设备通信,和/或与使得该电子设备600能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口650进行。并且,电子设备600还可以通过网络适配器660与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器660通过总线630与电子设备600的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备600使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
在本公开的示例性实施例中,还提供了一种计算机可读存储介质,其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中,本发明的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在终端设备上运行时,所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。
参考图7所示,描述了根据本发明的实施方式的用于实现上述方法的程序产品700,其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在终端设备,例如个人电脑上运行。然而,本发明的程序产品不限于此,在本文件中,可读存储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。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、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。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(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。
计算机可读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,其中承载了可读程序代码。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。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、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。
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、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
此外,上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明,而不是限制目的。易于理解,上述附图所示的处理并不表明或限制这些处理的时间顺序。另外,也易于理解,这些处理可以是例如在多个模块中同步或异步执行的。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其他实施例。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由权利要求指出。
Claims (14)
1.一种目标对象推荐方法,其特征在于,包括:
根据用户群体中每个用户在目标场景的历史消费数据的存在状态,获取用户群体中每个用户在目标场景中的特征数据,并通过用户选择获取所述每个用户在所述目标场景中的实时偏好数据;所述用户群体中每个用户所处的地理位置相同;
根据所述用户群体中所有用户的所述特征数据以及所述实时偏好数据,计算所述用户群体与多个候选对象之间的目标相似度;
通过所述目标相似度从所述多个候选对象中确定至少一个目标对象向所述用户群体进行推荐。
2.根据权利要求1所述的目标对象推荐方法,其特征在于,根据所述历史消费数据的存在状态确定所述每个用户在所述目标场景中的特征数据包括:
对于存在所述历史消费数据的第一类用户,根据所述第一类用户的历史消费数据确定针对所述目标场景的店铺数据,并通过所述店铺数据提取所述第一类用户在所述目标场景中的特征数据。
3.根据权利要求1所述的目标对象推荐方法,其特征在于,根据所述历史消费数据的存在状态确定每个用户在所述目标场景中的所述特征数据包括:
对于不存在所述历史消费数据的第二类用户,则根据与所述第二类用户属于相同用户群体且与所述第二类用户匹配的第一类用户的所述特征数据确定所述第二类用户的特征数据。
4.根据权利要求3所述的目标对象推荐方法,其特征在于,根据与所述第二类用户属于相同用户群体且存在所述历史消费数据的第一类用户的所述特征数据确定所述第二类用户的特征数据包括:
获取所述用户群体中存在所述历史消费数据的所有第一类用户的第一画像数据;
获取所述第二类用户的第二画像数据;
将所述第一画像数据与所述第二画像数据进行匹配,以确定与所述第二类用户匹配的所述第一类用户;
通过所述第一类用户的所述特征数据确定所述第二类用户的特征数据。
5.根据权利要求1所述的目标对象推荐方法,其特征在于,获取所述每个用户在所述目标场景中的实时偏好数据包括:
获取由所述用户群体中每个用户在第一预设时长内提交的针对所述目标场景的所述实时偏好数据。
6.根据权利要求1所述的目标对象推荐方法,其特征在于,根据所述用户群体中所有用户的所述特征数据以及所述实时偏好数据,计算所述用户群体与多个候选对象之间的目标相似度包括:
根据所有用户的所述特征数据确定第一特征向量,并根据所述第一特征向量以及每个候选对象的第一预设向量计算第一相似度;
根据所有用户的所述实时偏好数据确定第二特征向量,并根据所述第二特征向量以及每个候选对象的第二预设向量计算第二相似度;
通过所述第一相似度和所述第二相似度得到所述用户群体与每个候选对象之间的所述目标相似度。
7.根据权利要求6所述的目标对象推荐方法,其特征在于,所述方法还包括:
在所述用户群体所处地理位置的预设范围内确定与所述目标场景对应的所述多个候选对象。
8.根据权利要求6所述的目标对象推荐方法,其特征在于,所述第一相似度的权重和所述第二相似度的权重之和为1。
9.根据权利要求6所述的目标对象推荐方法,其特征在于,通过所述目标相似度从所述多个候选对象中确定至少一个目标对象包括:
将按照所述目标相似度从大到小的排列顺序,将排在前N位的N个候选对象确定为与所述用户群体对应的多个选择对象;
对所述多个选择对象进行筛选得到所述至少一个目标对象。
10.根据权利要求9所述的目标对象推荐方法,其特征在于,对所述多个选择对象进行筛选得到所述至少一个目标对象包括:
在第二预设时长内对所述多个选择对象进行筛选得到剩余对象,并根据所述剩余对象确定所述用户群体的所述至少一个目标对象。
11.根据权利要求10所述的目标对象推荐方法,其特征在于,所述剩余对象的数量大于等于目标对象的数量,根据所述剩余对象确定所述用户群体的所述至少一个目标对象包括:
若进行筛选后剩余对象的数量等于所述目标对象的数量,则将所述剩余对象作为所述用户群体的所述至少一个目标对象;
若进行筛选后剩余对象的数量大于所述目标对象的数量,则按照所述目标相似度从大到小的顺序对所述剩余对象进行筛选,以确定所述用户群体的所述至少一个目标对象。
12.一种目标对象推荐装置,其特征在于,包括:
数据获取模块,用于根据用户群体中每个用户在目标场景的历史消费数据的存在状态,获取用户群体中每个用户在目标场景中的特征数据,并通过用户选择获取所述每个用户在所述目标场景中的实时偏好数据;所述用户群体中每个用户所处的地理位置相同;
相似度计算模块,用于根据所述用户群体中所有用户的所述特征数据以及所述实时偏好数据,计算所述用户群体与多个候选对象之间的目标相似度;
推荐控制模块,用于通过所述目标相似度从所述多个候选对象中确定至少一个目标对象向所述用户群体进行推荐。
13.一种电子设备,其特征在于,包括:
处理器;以及
存储器,用于存储所述处理器的可执行指令;
其中,所述处理器配置为经由执行所述可执行指令来执行权利要求1-11任意一项所述的目标对象推荐方法。
14.一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,所述计算机程序被处理器执行时实现权利要求1-11任意一项所述的目标对象推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810835263.2A CN109064278B (zh) | 2018-07-26 | 2018-07-26 | 目标对象推荐方法及装置、电子设备、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810835263.2A CN109064278B (zh) | 2018-07-26 | 2018-07-26 | 目标对象推荐方法及装置、电子设备、存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109064278A CN109064278A (zh) | 2018-12-21 |
CN109064278B true CN109064278B (zh) | 2021-04-02 |
Family
ID=64836575
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810835263.2A Active CN109064278B (zh) | 2018-07-26 | 2018-07-26 | 目标对象推荐方法及装置、电子设备、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109064278B (zh) |
Families Citing this family (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111984839A (zh) * | 2019-05-21 | 2020-11-24 | 北京沃东天骏信息技术有限公司 | 绘制用户画像的方法和装置 |
CN113366523B (zh) * | 2019-06-20 | 2024-05-07 | 深圳市欢太科技有限公司 | 资源推送方法及相关产品 |
CN110519378B (zh) * | 2019-08-29 | 2020-11-20 | 北京三快在线科技有限公司 | 确定目标对象的方法、装置、服务器及存储介质 |
CN112528130A (zh) * | 2019-09-02 | 2021-03-19 | 中国移动通信有限公司研究院 | 一种信息推荐方法、装置、设备及计算机可读存储介质 |
CN111768260A (zh) * | 2019-09-11 | 2020-10-13 | 北京京东尚科信息技术有限公司 | 推荐同兴趣用户的方法、装置及设备 |
JP7248560B2 (ja) * | 2019-11-01 | 2023-03-29 | 株式会社日立製作所 | リソースシェアリング支援システム及びリソースシェアリング支援方法 |
CN111080339B (zh) * | 2019-11-18 | 2024-01-30 | 口口相传(北京)网络技术有限公司 | 基于场景的类目偏好数据生成方法及装置 |
CN111198989A (zh) * | 2019-12-26 | 2020-05-26 | 东软集团股份有限公司 | 确定出行推荐数据的方法、装置、存储介质及电子设备 |
CN111738796A (zh) * | 2020-05-15 | 2020-10-02 | 珠海格力电器股份有限公司 | 产品定向推荐方法、装置、设备及计算机可读介质 |
CN112052388A (zh) * | 2020-08-20 | 2020-12-08 | 深思考人工智能科技(上海)有限公司 | 一种推荐美食店铺的方法及系统 |
CN112307334B (zh) * | 2020-10-29 | 2023-09-12 | 泰康保险集团股份有限公司 | 信息推荐方法、信息推荐装置、存储介质与电子设备 |
CN112100507B (zh) * | 2020-11-10 | 2021-02-12 | 南京研利科技有限公司 | 对象推荐的方法、计算设备和计算机可读存储介质 |
CN112581189A (zh) * | 2020-12-29 | 2021-03-30 | 科技谷(厦门)信息技术有限公司 | 一种供应商智能推荐系统及方法 |
CN113052662B (zh) * | 2021-04-20 | 2024-02-06 | 中国工商银行股份有限公司 | 数据处理方法、装置、电子设备和介质 |
CN113848748A (zh) * | 2021-11-15 | 2021-12-28 | 苏州蓝赫朋勃智能科技有限公司 | 一种智能家居控制方法和智能家居系统 |
CN114461870A (zh) * | 2021-12-21 | 2022-05-10 | 北京达佳互联信息技术有限公司 | 对象识别方法、装置、设备及存储介质 |
CN114676341B (zh) * | 2022-04-14 | 2023-01-31 | 杭州网易云音乐科技有限公司 | 推荐对象的确定方法、介质、装置和计算设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101271558A (zh) * | 2008-05-16 | 2008-09-24 | 华东师范大学 | 基于上下文信息的多策略商品推荐系统 |
CN102360386A (zh) * | 2011-10-12 | 2012-02-22 | 朱一超 | 电子商务网站智能导购系统和方法 |
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 |
CN105574216A (zh) * | 2016-03-07 | 2016-05-11 | 达而观信息科技(上海)有限公司 | 基于概率模型和用户行为分析的个性化推荐方法、系统 |
CN106126582A (zh) * | 2016-06-20 | 2016-11-16 | 乐视控股(北京)有限公司 | 推荐方法及装置 |
CN107424043A (zh) * | 2017-06-15 | 2017-12-01 | 北京三快在线科技有限公司 | 一种产品推荐方法及装置,电子设备 |
CN108198019A (zh) * | 2017-12-27 | 2018-06-22 | 网易无尾熊(杭州)科技有限公司 | 物品推荐方法及装置、存储介质、电子设备 |
-
2018
- 2018-07-26 CN CN201810835263.2A patent/CN109064278B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101271558A (zh) * | 2008-05-16 | 2008-09-24 | 华东师范大学 | 基于上下文信息的多策略商品推荐系统 |
CN102360386A (zh) * | 2011-10-12 | 2012-02-22 | 朱一超 | 电子商务网站智能导购系统和方法 |
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 |
CN105574216A (zh) * | 2016-03-07 | 2016-05-11 | 达而观信息科技(上海)有限公司 | 基于概率模型和用户行为分析的个性化推荐方法、系统 |
CN106126582A (zh) * | 2016-06-20 | 2016-11-16 | 乐视控股(北京)有限公司 | 推荐方法及装置 |
CN107424043A (zh) * | 2017-06-15 | 2017-12-01 | 北京三快在线科技有限公司 | 一种产品推荐方法及装置,电子设备 |
CN108198019A (zh) * | 2017-12-27 | 2018-06-22 | 网易无尾熊(杭州)科技有限公司 | 物品推荐方法及装置、存储介质、电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN109064278A (zh) | 2018-12-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109064278B (zh) | 目标对象推荐方法及装置、电子设备、存储介质 | |
US9633086B2 (en) | Goal-oriented user matching among social networking environments | |
JP6188674B2 (ja) | 軌道情報をプッシュするための方法及び装置 | |
US9877162B2 (en) | Systems and methods for generating a user location history | |
US10282797B2 (en) | Inference model for traveler classification | |
CN114706882A (zh) | 结构化信息卡的搜索和检索 | |
US10909606B2 (en) | Real-time in-venue cognitive recommendations to user based on user behavior | |
US20210073892A1 (en) | Product ordering method | |
US20200234218A1 (en) | Systems and methods for entity performance and risk scoring | |
CN103534697B (zh) | 用于提供统计对话管理器训练的方法和系统 | |
JP2010086150A (ja) | 地域情報検索装置、地域情報検索装置の制御方法、地域情報検索システム、および地域情報検索システムの制御方法 | |
CN110750697B (zh) | 商户分类方法、装置、设备及存储介质 | |
CN113592535B (zh) | 一种广告推荐方法、装置、电子设备和存储介质 | |
US20140280053A1 (en) | Contextual socially aware local search | |
CN105580043A (zh) | 用于推荐系统的基于强度的建模 | |
CN111209351A (zh) | 对象关系预测、对象推荐方法及装置、电子设备、介质 | |
CN113239173B (zh) | 问答数据的处理方法、装置、存储介质与电子设备 | |
CN112632379A (zh) | 路线推荐方法、装置、电子设备和存储介质 | |
CN110457339A (zh) | 数据搜索方法及装置、电子设备、存储介质 | |
CN111914188A (zh) | 推荐目标用户的选择方法、系统、设备及存储介质 | |
US20150278907A1 (en) | User Inactivity Aware Recommendation System | |
CN115131088A (zh) | 用于定位用户附近感兴趣的商品的智能计算机搜索功能 | |
CN106600360B (zh) | 推荐对象的排序方法及装置 | |
CN113298485A (zh) | 门店数据的生成方法、装置及电子设备 | |
US20090105937A1 (en) | Facility-guidance process, facility-guidance apparatus, and computer-readable medium storing facility-guidance program |
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 |