CN109389451B - 一种确定推荐信息的方法和系统 - Google Patents
一种确定推荐信息的方法和系统 Download PDFInfo
- Publication number
- CN109389451B CN109389451B CN201710672549.9A CN201710672549A CN109389451B CN 109389451 B CN109389451 B CN 109389451B CN 201710672549 A CN201710672549 A CN 201710672549A CN 109389451 B CN109389451 B CN 109389451B
- Authority
- CN
- China
- Prior art keywords
- attribute information
- information
- recommendation
- platform
- recommendation strategy
- 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
- 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]
- G06Q30/0633—Lists, e.g. purchase orders, compilation or processing
- G06Q30/0635—Processing of requisition or of purchase orders
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
本申请实施例涉及互联网技术领域,特别涉及一种确定推荐信息的方法和系统,用以解决现有技术中下游用户只能在上游网络平台的所有上有用户中寻找对应的上游用户,效率非常低的问题。本申请实施例根据第一对象的属性信息和第二对象的属性信息的映射关系确定目标属性信息对应的第二对象的属性信息,根据设定的推荐策略信息,从确定的第二对象的属性信息中选择至少一个符合推荐策略信息的属性信息,根据选择的属性信息,确定目标属性信息对应的推荐信息。由于能够根据从确定的第二对象的属性信息中选择至少一个符合推荐策略信息的属性信息,确定目标属性信息对应的推荐信息,从而提高了查找用户的效率。
Description
技术领域
本申请涉及互联网技术领域,特别涉及一种确定推荐信息的方法和系统。
背景技术
网络发布平台是发布者通过网络发布自己的产品,用户通过网络浏览产品,并通过网络进行交互的平台。
发布者在网络发布平台发布产品时都会为该产品配置产品信息。用户根据产品信息可以与网站发布平台针对一个产品发生交互行为。
目前,一件产品有可能在多个不同的网络发布平台上发布,不同的网络发布平台包括一个上游网络发布平台和至少一个下游子网络发布平台。
如果一个下游网络发布平台针对一个产品发生交互行为,在下游网络发布平台发布该产品的下游用户需要在上游网络平台上寻找一个发布该产品的上游用户,并通过上游网络平台针对该产品发生交互行为。
但是在下游网络发布平台发布该产品的下游用户需要在上游网络平台的所有上有用户中寻找对应的上游用户,效率非常低。
综上所述,目前下游用户只能在上游网络平台的所有上有用户中寻找对应的上游用户,效率非常低。
发明内容
本申请提供一种确定推荐信息的方法和系统,用以解决现有技术中存在的下游用户只能在上游网络平台的所有上有用户中寻找对应的上游用户,效率非常低的问题。
本申请实施例提供的一种确定推荐信息的方法,该方法包括:
根据第一对象的属性信息和第二对象的属性信息的映射关系,确定目标属性信息对应的第二对象的属性信息,其中所述目标属性信息是第一平台中的对象的属性信息,所述第一对象是第一平台中的对象,所述第二对象是第二平台中的对象;
根据设定的推荐策略信息,从确定的第二对象的属性信息中选择至少一个符合推荐策略信息的属性信息;
根据选择的属性信息,确定所述目标属性信息对应的推荐信息。
本申请实施例提供的一种确定推荐信息的系统,该系统包括:
信息确定模块,用于根据第一对象的属性信息和第二对象的属性信息的映射关系,确定目标属性信息对应的第二对象的属性信息,其中所述目标属性信息是第一平台中的对象的属性信息,所述第一对象是第一平台中的对象,所述第二对象是第二平台中的对象;
信息选择模块,用于根据设定的推荐策略信息,从确定的第二对象的属性信息中选择至少一个符合推荐策略信息的属性信息;
用户确定模块,用于根据选择的属性信息,确定所述目标属性信息对应的推荐信息。
本申请实施例根据第一对象的属性信息和第二对象的属性信息的映射关系确定目标属性信息对应的第二对象的属性信息,根据设定的推荐策略信息,从确定的第二对象的属性信息中选择至少一个符合推荐策略信息的属性信息,根据选择的属性信息,确定所述目标属性信息对应的推荐信息。由于能够从确定的第二对象的属性信息中选择至少一个符合推荐策略信息的属性信息,并根据选择的属性信息,确定所述目标属性信息对应的推荐信息,从而避免下游用户在上游网络平台的所有上有用户中寻找对应的上游用户,提高了查找用户的效率。
附图说明
为了更清楚地说明本申请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要介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例确定推荐信息的方法流程示意图;
图2为本申请实施例建立映射关系的过程示意图;
图3为本申请实施例下游商品和上游商品的映射关系示意图;
图4为本申请实施例加入相似商品进行关联的过程示意图;
图5为本申请实施例相似商品关联的示意图;
图6为本申请实施例加入相似商品的下游商品和上游商品的映射关系示意图;
图7为本申请实施例向用户发送推荐信息的方法流程示意图;
图8为本申请实施例确定推荐信息的系统结构示意图。
具体实施方式
本申请实施例可以应用于含有关联关系的多个平台的场景中。比如代销场景。
如果应用于代销场景,任何能够进行交易的对象都可以作为本申请实施例的对象,比如商品、服务等。
第一平台可以是下游平台(比如淘宝,拍拍,京东,苏宁,亚马逊,ebay等零售平台),第二平台可以是上游平台(比如1688、卓越批发网、慧聪网等批发平台)。
如果有买家在下游平台下订单购买商品,则售卖该商品的下游用户需要在上游平台下订单以使上游用户向买家发货。
下游平台的订单为根据用户购买的商品生成的订单;上游平台的订单为根据用户购买的商品订单,生成的代销的订单。
比如用户在第一平台上的小B商家购买一件上衣,第一平台会生成一个上衣的订单,包括尺寸、购买数量、价格、寄送地址等;由于小B商家是代销第二平台上的大B商家的上衣,所以根据第一平台上的订单,会生成针对第二平台的订单,并最终由大B商家根据第二平台的订单为用户寄送上衣。
本申请实施例的目标属性信息可以是买家在下游平台(即第一平台)下订单购买的商品的属性信息。
本申请实施例对象的属性信息包括属性内容,进一步还可以包括属性类型。属性类型为对象本身的信息的表述,属性内容为对象本身的信息。比如应用于代销场景,对象是颜色为红色,则颜色是属性类型,红色为属性内容。
其中,不同的场景、不同的平台以及不同的对象,对应的属性信息也不相同。
比如应用于代销场景,对象是颜色为红色,类型为短袖的衣服。平台A的衣服的属性信息为(颜色:炫彩红)以及(衣服种类:短袖);平台B的衣服的属性信息为(色彩:亮红色)以及(衣服种类:半袖)。
为了使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请作进一步地详细描述,显然,所描述的实施例仅仅是本申请一部份实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本申请保护的范围。
如图1所示,本申请实施例确定推荐信息的方法包括:
步骤100、根据第一对象的属性信息和第二对象的属性信息的映射关系,确定目标属性信息对应的第二对象的属性信息,其中所述目标属性信息是第一平台中的对象的属性信息,所述第一对象是第一平台中的对象,所述第二对象是第二平台中的对象;
步骤101、根据设定的推荐策略信息,从确定的第二对象的属性信息中选择至少一个符合推荐策略信息的属性信息;
步骤102、根据选择的属性信息,确定所述目标属性信息对应的推荐信息。
本申请实施例根据第一对象的属性信息和第二对象的属性信息的映射关系确定目标属性信息对应的第二对象的属性信息,根据设定的推荐策略信息,从确定的第二对象的属性信息中选择至少一个符合推荐策略信息的属性信息,根据选择的属性信息,确定所述目标属性信息对应的推荐信息。由于能够从确定的第二对象的属性信息中选择至少一个符合推荐策略信息的属性信息,并根据选择的属性信息,确定所述目标属性信息对应的推荐信息,从而避免下游用户在上游网络平台的所有上有用户中寻找对应的上游用户,提高了查找用户的效率。
在实施中,不同的应用场景,确定目标属性信息的范式也不同。
以代销场景为例:
如果有买家在下游平台下订单,则订单包含的商品的属性信息就是目标属性信息。
本申请实施例如果应用于代销场景,可以在下游用户需要根据下游平台的订单,从上游平台需要上游用户时自动为下游用户筛选上游用户。
一般一个下游平台的订单都包含购买的商品,以及商品的属性信息,根据订单就可以确定目标属性信息。
有的时候一个订单会有多个目标属性信息,比如订单中有帽子,蓝色和红色,则目标属性信息就是(帽子、蓝色)以及(帽子、红色);
比如订单中有帽子,颜色蓝色和红色;裤子,大号,蓝色,则目标属性信息就是3个,分别是(帽子、蓝色)(帽子、红色)(裤子、大号,颜色蓝色)。
可选的,本申请实施例可以在生成一个下游平台订单后,就根据该下游平台订单的目标属性信息确定对应的推荐信息;
也可以为每个下游平台的订单设置一个选项,在下游用户点击该选项后,就根据该选项对应的下游平台的订单确定目标属性信息,进而确定对应的推荐信息。
其中,第一对象的属性信息和第二对象的属性信息的映射关系可以通过人工手动进行建立,也可以由机器建立。机器建立的方式有很多,针对不同的应用场景,建立的方式也不相同,下面列举一种应用在代销场景下通过订单建立映射关系的方式。
这种建立映射关系的方式可以分为两步:1、建立订单关联;2、建立属性信息关联,具体可以参见图2。
1、分别针对不同的平台,以平台为维度从历史交易数据中确定每个平台的订单,比如淘宝平台和1688平台的交易数据就是两个不同的维度。
确定不同维度的平台中的上游平台和下游平台。
将上游平台的订单和下游平台的订单进行关联。由于一个代销商品,上游平台的订单和下游平台的订单的物流信息是相同的,所以可以通过订单的物流信息(例子运单号、收货地址等)建立关联的订单。
有可能一个下游订单会关联多个上游订单,比如下游订单中有多个商品,不同的商品由不同的上游用户发货;
也有可能多个下游订单会关联一个上游订单,比如同一个用户的多个下游订单由一个上游用户发货。
在建立订单关联后,进一步就可以关联属性信息。
2、根据关联的订单,关联属性信息时可以通过匹配算法,基于商品类目、标题、图片、SKUID(Stock Keeping Unit ID,库存量单位标识)等进行关联。
下面以SKUID为例介绍下进行属性信息关联的方式,其他方式与SKUID类似在此不再赘述。
在平台上有新增加的对象后,分别为该对象的不同属性信息分配不同的SKUID。
不同平台的SKUID可能不同,所以针对同一个对象的同一个属性信息会建立不同平台之间SKUID的关联关系。建立SKUID的关联关系时,可以通过人工建立,也可以通过机器建立。
在建立SKUID的关联关系后,根据下游订单中属性信息的SKUID,就可以确定对应的上游平台的SKUID;
进而确定与下游订单中关联的上游订单中的同一组SKUID对应的属性信息;
最后将两个属性信息进行关联。
其中,一个SKUID对应一个属性,比如蓝色对应一个SKUID,L号对应一个SKUID。一个属性信息中包括至少一个属性,也就是说一个属性信息对应的一组SKUID中包括至少一个SKUID。
比如表1是一个下游订单包含的组SKUID组。表2是表1关联的一个上游订单包含的SKUID组。表3是不同平台之间SKUID组的关联关系。
表1
表2
第一平台 | 第二平台 |
123415647821 | 23454682478 |
432116874025 | 32157942368 |
567858974268 | 67898745854 |
表3
根据表3中第二平台的SKUID组,可以从表2中找到与表1有关联关系的属性信息,具体可以参见表4。
第一对象的属性信息 | 第二对象的属性信息 |
裤子:蓝色,L号 | 裤子:天蓝色,大号 |
裙子;米色花纹,S号 | 裙子;条纹,小号 |
表4
这样就建立了第一对象的属性信息和第二对象的属性信息的映射关系。
在实施中,一个第一对象的属性信息可能会对应多个第二对象的属性信息。
以代销场景为例,比如下游用户在售卖裤子A时,根据不同的情况,有些裤子A从上游用户1处发货,有些裤子A从上游用户2处发货。而上游用户1对于裤子A的属性信息的描述与上游用户2对于裤子A的属性信息的描述有差别,比如都是红色,上游用户1处描述的是艳红色,上游用户2处描述的是红色,这样就会出现一个第一对象的属性信息对应多个第二对象的属性信息的情况。
还比如下游用户售卖的裤子A的颜色有白色和黄色。但是上游用户1的裤子只有白色,用户2只有黄色,这样也会出现一个第一对象的属性信息对应多个第二对象的属性信息的情况。
假设表5是下游订单A包含的SKUID组。表6是与下游订单A关联的上有订单包含的SKUID组。表7下游订单B包含的SKUID组。表8是与下游订单B关联的上有订单包含的SKUID组。表9是不同平台之间SKUID组的关联关系。
裤子:蓝色,L号 | 123415647821 |
帽子:红色 | 432116874025 |
表5
裤子:天蓝色,大号 | 123454682478 |
表6
裤子:蓝色,L号 | 123415647821 |
表7
裤子:蔚蓝色,大号 | 12387459868 |
表8
第一平台 | 第二平台 |
123415647821 | 89754682478 |
432116874025 | 45857942368 |
123415647821 | 12387459868 |
表9
从表5、表6和表9可以看出,(裤子,蓝色,L号)与(裤子,天蓝色,大号)关联;
从表7、表8和表9可以看出,(裤子,蓝色,L号)与(裤子,蔚蓝色,大号)关联。
即(裤子,蓝色,L号)关联两个属性信息,分别是(裤子,天蓝色,大号)和(裤子,蔚蓝色,大号)。
针对上面描述的方式就可以得到下游商品属性信息和上游商品属性信息的映射关系,具体如图3所示。
为了提高关联对象的数量,本申请实施例还可以根据相似的对象建立关联联系。
以应用于代销场景为例。
针对下游商品A,可以根据算法确定同平台与下游商品属性信息A相似的下游商品属性信息。
根据不同的算法,具体确定属性相似的方式也不同。
如果是图片相似度算法,例如SIFT(Scale-invariant feature transform,尺度不变特征转换),则通过比对商品的主图相似度从而判断两个商品是否相似。
针对一个下游商品,确定的同平台相似的下游商品的数量可能是一个,也可能是多个。
图4是加入相似商品进行关联的过程示意图。图4的映射关系中包括通过相似商品建立的映射关系以及直接建立的映射关系。
下面介绍下通过相似商品建立映射关系。
图5中与下游商品属性信息A相似的下游商品是下游商品属性信息B和下游商品属性信息C。
在确定相似的下游商品属性信息后,就可以将与相似的下游商品属性信息关联的上游商品属性信息与对应的下游商品属性信息关联。
比如与下游商品属性信息A相似的下游商品属性信息是下游商品属性信息B和下游商品属性信息C,与下游商品属性信息B关联的上游商品是上游商品属性信息b1;与下游商品属性信息C关联的上游商品属性信息是上游商品属性信息c1,则上游商品属性信息c1和上游商品属性信息b1也与下游商品属性信息A关联。
最后,与下游商品属性信息A关联上游商品属性信息包括上游商品属性信息a1、上游商品属性信息a2、上游商品属性信息b1和上游商品属性信息c1,具体参见图6。
由于上游商品属性信息b1和上游商品属性信息c1是通过相似商品与下游商品属性信息A关联,所以可以设置上游商品属性信息b1和上游商品属性信息c1的映射优先级低于上游商品属性信息a1、上游商品属性信息a2的映射优先级。
映射优先级具体的作用在后续会有介绍。
在建立了第一对象的属性信息和第二对象的属性信息的映射关系后,就可以根据该映射关系,确定推荐信息。
由于对象的数量不是固定的,比如代销场景中,会有新的商品在平台售卖,也会有售卖的商品下架,所以第一对象的属性信息和第二对象的属性信息的映射关系可以定期根据历史订单进行更新。更新方式与上述建立方式类似,在此不再赘述。
下面具体介绍如何确定推荐信息。
在实施中,会预先设置至少一个推荐策略信息,这个推荐策略信息可以由系统设置,也可以由用户自行设定;也可以系统设置后,用户也可以自行设定,并使用系统设置的部分或全部,以及自行设定的部分或全部。
推荐策略信息根据应用场景不同,具体内容也不同。
以应用于代销场景为例,推荐策略信息可以包括但不限于下列中的部分或全部:
A、同供应商优先:对于下游订单中的每一个商品,优先选择上游是同一个供应商的组合。这种策略可以保证下游订单尽可能少被拆单。
B、购买频次优先:对于多个与下游商品关联的上游商品,从中优先选择购买次数多的上游商品。
C、购买时间优先:对于多个与下游商品关联的上游商品,从中优先选择以最近一次购买的上游商品。
D、购买优惠优先:对于多个与下游商品关联的上游商品,从中优先选择最低价格的上游商品。
在确定需要使用的推荐策略信息后,根据确定的第二对象的属性信息就可以知道哪些属性信息符合推荐策略信息,并选择至少一个符合推荐策略信息的属性信息。
以应用于代销场景为例。
分销商选择了购买时间优先这个推荐策略信息,假设针对淘宝平台上包含裤子的订单,根据映射关系,确定该订单包含的目标属性信息对应的1688平台的属性信息为:
裤子1(A供应商)最近一次购买时间01-19;
裤子2(A供应商)最近一次购买时间01-11。
由于分销商选择了购买时间优先这个推荐策略信息,所以裤子2对应的属性信息是符合推荐策略信息的属性信息。
根据裤子2对应的供应商的信息,就可以生成对应的推荐信息。
这里的推荐信息根据应用场景的不同,具体内容也不同。
比如应用在代销场景中,则推荐信息可以是任何能够使下游用户确定每个目标属性信息对应哪个(或些)上游用户的第二对象的属性信息的信息。
丽日推荐的货源组合。即目标属性信息对应具体第二对象的哪个(或些)组sku(例如目标属性信息对象:裤子,尺码:L对应第二对象:长裤,尺码:L)。如果有多个第一对象,则有多对这种关系。
在实施中,可以以map的形式表述,即Map<key:目标属性信息,value:List<第二对象>>。Value是一个e。List中的第一个元素都是最优推荐。用户可以通过下拉框的方式查看。
比如Key是淘宝裤子,尺码:L;
Value是0:1688长裤A,尺码:L;
1:1688长裤B,尺码:大L;
其中,第0个元素是最优推荐,第1个是次优推荐的,以此类推。从而实现用户从中自己选择。
在实施中,设定的推荐策略信息为在选择属性信息时需要使用的推荐策略信息。也就是说,设定的推荐策略信息可以是全部推荐策略信息中的一部分,也可以是全部推荐策略信息。
其中,全部推荐策略信息包括系统设置的推荐策略信息和/或用户自行设定的推荐策略信息。
根据推荐策略信息的数量不同,具体的处理方式也有不同,下面分别进行说明。
方式一、推荐策略信息中包括一个推荐策略信息。
可选的,根据推荐策略信息从确定的第二对象的属性信息中选择至少一个符合推荐策略信息的属性信息;
若符合推荐策略信息的属性信息的数量大于设定数量,则从符合推荐策略信息的属性信息中筛选属性信息,以使筛选后的属性信息的数量不大于设定数量。
在实施中,设定数量可以是1,则针对一个目标属性信息会得到一个对应第二平台的属性信息,从而生成一个推荐信息。
当然,也可以设置大于1的数量,具体数量可以由用户设定。如果设定大于1的数量,则针对一个目标属性信息有可能得到一个对应第二平台的属性信息(比如符合推荐策略信息的属性信息就是1个),也可能得到多个对应第二平台的属性信息。
根据选择的属性信息,确定所述目标属性信息对应的推荐信息时,针对每个选择的属性信息都可以得到对应的一个推荐信息。
如果符合推荐策略信息的属性信息的数量大于设定数量,则从符合推荐策略信息的属性信息中筛选属性信息。
具体筛选的方式有很多,比如随机筛选。
还可以根据映射优先级进行筛选。具体的,根据所述映射关系中第一对象的属性信息与映射的第二对象的属性信息的映射优先级,从符合推荐策略信息的属性信息中筛选属性信息。
比如设定数量为1,符合推荐策略信息的属性信息是两个,即属性信息1和属性信息2。
在映射关系中,属性信息1与目标属性信息之间是通过相似对象建立的关联关系,属性信息2与目标属性信息之间是之间建立的关联关系,所以属性信息2与目标属性信息的映射优先级高于属性信息1与目标属性信息的映射优先级。
基于此,在筛选时可以选择属性信息1。
方式二、所述推荐策略信息中包括多个推荐策略信息。
可选的,根据推荐策略优先级,从确定的第二对象的属性信息中选择至少一个符合推荐策略信息的属性信息。
多个推荐策略信息中,每个推荐策略信息对应的推荐策略优先级可以由用户进行设置。
在根据推荐策略优先级选择属性信息时,按照优先级从高到低的顺序选择属性信息。即先使用优先级最高的,如果符合推荐策略信息的属性信息的数量大于设定数量,则使用优先级次高的,以此类推,直到符合推荐策略信息的属性信息的数量不大于设定数量。
具体的,将确定的第二对象的属性信息作为备选的属性信息;
按照推荐策略优先级选择未使用且优先级最高的推荐策略信息;
根据选择的推荐策略信息,从备选的属性信息中选择符合推荐策略信息的属性信息;
如果符合推荐策略信息的属性信息的数量大于设定数量,则将选择的属性信息作为备选的属性信息,并返回按照推荐策略优先级选择未使用且优先级最高的推荐策略信息的步骤,直到符合推荐策略信息的属性信息的数量不大于设定数量。
以应用在代销场景为例。
分销商选择了上述A、C和D三种策略。其中,优先级顺序为A>C>D。
这时候下游订单中三个商品分别是淘宝平台衬衫、淘宝平台裤子、淘宝平台帽子。
根据映射关系得知:
淘宝平台衬衫→1688平台衬衫1(B供应商);
淘宝平台衬衫→1688平台衬衫2(A供应商);
淘宝平台裤子→1688平台裤子1(A供应商),最近一次购买时间01-19;
淘宝平台裤子→1688平台裤子2(A供应商),最近一次购买时间01-11;
淘宝平台帽子→1688平台帽子1(B供应商);
淘宝平台帽子→1688平台帽子2(A供应商),售价11元;
淘宝平台帽子→1688平台帽子3(A供应商),售价12元。
假设预定数量为1,基于A策略,选择的都是A供应商,则选择的属性信息如下:
淘宝平台衬衫→1688平台衬衫2(A供应商);
淘宝平台裤子→1688平台裤子1(A供应商),最近一次购买时间1月19日;
淘宝平台裤子→1688平台裤子2(A供应商),最近一次购买时间1月11日;
淘宝平台帽子→1688平台帽子2(A供应商),售价11元;
淘宝平台帽子→1688平台帽子3(A供应商),售价12元。
由于裤子和帽子选择的属性信息的数量是2,大于设定数量,所以需要进一步根据C策略进行选择。
基于C策略,选择最近购买的,则选择的属性信息如下:
淘宝平台衬衫→1688平台衬衫2(A供应商);
淘宝平台裤子→1688平台裤子1(A供应商),最近一次购买时间1月19日;
淘宝平台帽子→1688平台帽子2(A供应商),售价11元;
淘宝平台帽子→1688平台帽子3(A供应商),售价12元。
由于帽子选择的属性信息的数量是2,大于设定数量,所以需要进一步根据C策略进行选择。
基于D策略,选择最便宜的,则选择的属性信息如下:
淘宝平台衬衫→1688平台衬衫2(A供应商);
淘宝平台裤子→1688平台裤子1(A供应商),最近一次购买时间1月19日;
淘宝平台帽子→1688平台帽子2(A供应商),售价11元。
最后的货源推荐是1688平台的衬衫2,1688平台的帽子2以及1688平台的裤子1。
如果使用了所有的推荐策略信息后,符合推荐策略信息的属性信息的数量还是大于设定数量,则根据所述映射关系中第一对象的属性信息与映射的第二对象的属性信息的映射优先级,从最后一次选择的属性信息中选择不大于设定数量的属性信息。
从最后一次选择的属性信息中选择不大于设定数量的属性信息的方式有很多,比如随机选择等。
以应用在代销场景为例。
分销商选择了上述A和C两种策略。其中,优先级顺序为A>C。
这时候下游订单中三个商品分别是淘宝平台衬衫、淘宝平台裤子、淘宝平台帽子。
根据映射关系得知:
淘宝平台衬衫→1688平台衬衫1(B供应商);
淘宝平台衬衫→1688平台衬衫2(A供应商);
淘宝平台裤子→1688平台裤子1(A供应商),最近一次购买时间01-19;
淘宝平台裤子→1688平台裤子2(A供应商),最近一次购买时间01-11;
淘宝平台帽子→1688平台帽子1(B供应商);
淘宝平台帽子→1688平台帽子2(A供应商),售价11元;
淘宝平台帽子→1688平台帽子3(A供应商),售价12元。
假设预定数量为1,基于A策略,选择的都是A供应商,则选择的属性信息如下:
淘宝平台衬衫→1688平台衬衫2(A供应商);
淘宝平台裤子→1688平台裤子1(A供应商),最近一次购买时间1月19日;
淘宝平台裤子→1688平台裤子2(A供应商),最近一次购买时间1月11日;
淘宝平台帽子→1688平台帽子2(A供应商),售价11元;
淘宝平台帽子→1688平台帽子3(A供应商),售价12元。
由于裤子和帽子选择的属性信息的数量是2,大于设定数量,所以需要进一步根据C策略进行选择。
基于C策略,选择最近购买的,则选择的属性信息如下:
淘宝平台衬衫→1688平台衬衫2(A供应商);
淘宝平台裤子→1688平台裤子1(A供应商),最近一次购买时间1月19日;
淘宝平台帽子→1688平台帽子2(A供应商),售价11元;
淘宝平台帽子→1688平台帽子3(A供应商),售价12元。
所有推荐策略信息都使用后,淘宝平台帽子选择的属性信息的数量是2,大于设定数量,所以需要从淘宝平台帽子选择的属性信息中再次选择1个属性信息。
假设选择1688平台帽子,则最后的货源推荐是1688平台的衬衫2,1688平台的帽子3以及1688平台的裤子1。
下面列举一个推荐策略信息中包括多个推荐策略信息的例子。
如图7所示,本申请实施例向用户发送推荐信息的方法包括:
步骤700、根据第一对象的属性信息和第二对象的属性信息的映射关系,确定目标属性信息对应的第二对象的属性信息。
步骤701、将确定的第二对象的属性信息作为备选的属性信息。
步骤702、按照推荐策略优先级选择未使用且优先级最高的推荐策略信息。
步骤703、根据选择的推荐策略信息,从备选的属性信息中选择符合推荐策略信息的属性信息。
步骤704、判断符合推荐策略信息的属性信息的数量是否大于设定数量,如果是,则执行步骤705;否则,执行步骤708。
步骤705、判断是否还有未使用的推荐策略信息,如果是,则执行步骤706;否则,执行步骤707。
步骤706、将选择的属性信息作为备选的属性信息,并返回步骤702。
步骤707、根据所述映射关系中第一对象的属性信息与映射的第二对象的属性信息的映射优先级,从最后一次选择的属性信息中选择不大于设定数量的属性信息。
步骤708、根据选择的属性信息,确定所述目标属性信息对应的推荐信息。
步骤709、向目标属性信息对应的用户推送确定的推荐信息。
基于同一发明构思,本发明实施例中还提供了一种确定推荐信息的系统,由于该系统解决问题的原理与本发明实施例确定推荐信息的方法相似,因此该系统的实施可以参见方法的实施,重复之处不再赘述。
如图8所示,本申请实施例确定推荐信息的系统包括:
信息确定模块800,用于根据第一对象的属性信息和第二对象的属性信息的映射关系,确定目标属性信息对应的第二对象的属性信息,其中所述目标属性信息是第一平台中的对象的属性信息,所述第一对象是第一平台中的对象,所述第二对象是第二平台中的对象;
信息选择模块801,用于根据设定的推荐策略信息,从确定的第二对象的属性信息中选择至少一个符合推荐策略信息的属性信息;
用户确定模块802,用于根据选择的属性信息,确定所述目标属性信息对应的推荐信息。
本申请实施例根据第一对象的属性信息和第二对象的属性信息的映射关系确定目标属性信息对应的第二对象的属性信息,根据设定的推荐策略信息,从确定的第二对象的属性信息中选择至少一个符合推荐策略信息的属性信息,根据选择的属性信息,确定所述目标属性信息对应的推荐信息。由于能够从确定的第二对象的属性信息中选择至少一个符合推荐策略信息的属性信息,并根据选择的属性信息,确定所述目标属性信息对应的推荐信息,从而避免下游用户在上游网络平台的所有上有用户中寻找对应的上游用户,提高了查找用户的效率。
在实施中,不同的应用场景,确定目标属性信息的范式也不同。
以代销场景为例:
如果有买家在下游平台下订单,则订单包含的商品的属性信息就是目标属性信息。
本申请实施例如果应用于代销场景,可以在下游用户需要根据下游平台的订单,从上游平台需要上游用户时自动为下游用户筛选上游用户。
一般一个下游平台的订单都包含购买的商品,以及商品的属性信息,根据订单就可以确定目标属性信息。
有的时候一个订单会有多个目标属性信息,比如订单中有帽子,颜色蓝色和红色,则目标属性信息就是(帽子、颜色蓝色)以及(帽子、颜色红色);
比如订单中有帽子,颜色蓝色和红色;裤子,尺码大号,颜色蓝色,则目标属性信息就是3个,分别是(帽子、颜色蓝色)(帽子、颜色红色)(裤子、尺码大号,颜色蓝色)。
可选的,本申请实施例可以在生成一个下游平台订单后,就根据该下游平台订单的目标属性信息确定对应的推荐信息;
也可以为每个下游平台的订单设置一个选项,在下游用户点击该选项后,就根据该选项对应的下游平台的订单确定目标属性信息,进而确定对应的推荐信息。
其中,第一对象的属性信息和第二对象的属性信息的映射关系可以通过人工手动进行建立,也可以由机器建立。机器建立的方式有很多,针对不同的应用场景,建立的方式也不相同,下面列举一种应用在代销场景下通过订单建立映射关系的方式。
这种建立映射关系的方式可以分为两步:1、建立订单关联;2、建立属性信息关联,具体可以参见图2。
1、分别针对不同的平台,以平台为维度从历史交易数据中确定每个平台的订单,比如淘宝平台和1688平台的交易数据就是两个不同的维度。
确定不同维度的平台中的上游平台和下游平台。
将上游平台的订单和下游平台的订单进行关联。由于一个代销商品,上游平台的订单和下游平台的订单的物流信息是相同的,所以可以通过订单的物流信息(例子运单号、收货地址等)建立关联的订单。
有可能一个下游订单会关联多个上游订单,比如下游订单中有多个商品,不同的商品由不同的上游用户发货;
也有可能多个下游订单会关联一个上游订单,比如同一个用户的多个下游订单由一个上游用户发货。
在建立订单关联后,进一步就可以关联属性信息。
2、根据关联的订单,关联属性信息时可以通过匹配算法,基于商品类目、标题、图片、SKUID等进行关联。
下面以SKUID为例介绍下进行属性信息关联的方式,其他方式与SKUID类似在此不再赘述。
在平台上有新增加的对象后,分别为该对象的不同属性信息分配不同的SKUID。
不同平台的SKUID可能不同,所以针对同一个对象的同一个属性信息会建立不同平台之间SKUID的关联关系。建立SKUID的关联关系时,可以通过人工建立,也可以通过机器建立,机器建立的方式可以参照201610772470.9中SKU映射关系建立方式,在此不再赘述。
在建立SKUID的关联关系后,根据下游订单中属性信息的SKUID,就可以确定对应的上游平台的SKUID;
进而确定与下游订单中关联的上游订单中的同一个SKUID对应的属性信息;
最后将两个属性信息进行关联。
在建立了第一对象的属性信息和第二对象的属性信息的映射关系后,就可以根据该映射关系,确定推荐信息。
由于对象的数量不是固定的,比如代销场景中,会有新的商品在平台售卖,也会有售卖的商品下架,所以第一对象的属性信息和第二对象的属性信息的映射关系可以定期根据历史订单进行更新。更新方式与上述建立方式类似,在此不再赘述。
下面具体介绍如何确定推荐信息。
在实施中,会预先设置至少一个推荐策略信息,这个推荐策略信息可以由系统设置,也可以由用户自行设定;也可以系统设置后,用户也可以自行设定,并使用系统设置的部分或全部,以及自行设定的部分或全部。
推荐策略信息根据应用场景不同,具体内容也不同。
以应用于代销场景为例,推荐策略信息可以包括但不限于下列中的部分或全部:
A、同供应商优先:对于下游订单中的每一个商品,优先选择上游是同一个供应商的组合。这种策略可以保证下游订单尽可能少被拆单。
B、购买频次优先:对于多个与下游商品关联的上游商品,从中优先选择购买次数多的上游商品。
C、购买时间优先:对于多个与下游商品关联的上游商品,从中优先选择以最近一次购买的上游商品。
D、购买优惠优先:对于多个与下游商品关联的上游商品,从中优先选择最低价格的上游商品。
在确定需要使用的推荐策略信息后,根据确定的第二对象的属性信息就可以知道哪些属性信息符合推荐策略信息,并选择至少一个符合推荐策略信息的属性信息。
其中,全部推荐策略信息包括系统设置的推荐策略信息和/或用户自行设定的推荐策略信息。
根据推荐策略信息的数量不同,具体的处理方式也有不同,下面分别进行说明。
方式一、推荐策略信息中包括一个推荐策略信息。
可选的,所述信息选择模块801具体用于:
若所述推荐策略信息中包括一个推荐策略信息,则根据推荐策略信息从确定的第二对象的属性信息中选择至少一个符合推荐策略信息的属性信息;
若符合推荐策略信息的属性信息的数量大于设定数量,则从符合推荐策略信息的属性信息中筛选属性信息,以使筛选后的属性信息的数量不大于设定数量。
在实施中,设定数量可以是1,则针对一个目标属性信息会得到一个对应第二平台的属性信息,从而生成一个推荐信息。
当然,也可以设置大于1的数量,具体数量可以由用户设定。如果设定大于1的数量,则针对一个目标属性信息有可能得到一个对应第二平台的属性信息(比如符合推荐策略信息的属性信息就是1个),也可能得到多个对应第二平台的属性信息。
根据选择的属性信息,确定所述目标属性信息对应的推荐信息时,针对每个选择的属性信息都可以得到对应的一个推荐信息。
如果符合推荐策略信息的属性信息的数量大于设定数量,则从符合推荐策略信息的属性信息中筛选属性信息。
具体筛选的方式有很多,比如随机筛选。
还可以根据映射优先级进行筛选。具体的,根据所述映射关系中第一对象的属性信息与映射的第二对象的属性信息的映射优先级,从符合推荐策略信息的属性信息中筛选属性信息。
比如设定数量为1,符合推荐策略信息的属性信息是两个,即属性信息1和属性信息2。
在映射关系中,属性信息1与目标属性信息之间是通过相似对象建立的关联关系,属性信息2与目标属性信息之间是之间建立的关联关系,所以属性信息2与目标属性信息的映射优先级高于属性信息1与目标属性信息的映射优先级。
基于此,在筛选时可以选择属性信息1。
方式二、所述推荐策略信息中包括多个推荐策略信息。
可选的,所述信息选择模块801具体用于:
若所述推荐策略信息中包括多个推荐策略信息,根据推荐策略优先级,从确定的第二对象的属性信息中选择至少一个符合推荐策略信息的属性信息。
多个推荐策略信息中,每个推荐策略信息对应的推荐策略优先级可以由用户进行设置。
在根据推荐策略优先级选择属性信息时,按照优先级从高到低的顺序选择属性信息。即先使用优先级最高的,如果符合推荐策略信息的属性信息的数量大于设定数量,则使用优先级次高的,以此类推,直到符合推荐策略信息的属性信息的数量不大于设定数量。
具体的,所述信息选择模块801具体用于:
将确定的第二对象的属性信息作为备选的属性信息;
按照推荐策略优先级选择未使用且优先级最高的推荐策略信息;
根据选择的推荐策略信息,从备选的属性信息中选择符合推荐策略信息的属性信息;
如果符合推荐策略信息的属性信息的数量大于设定数量,则将选择的属性信息作为备选的属性信息,并返回按照推荐策略优先级选择未使用且优先级最高的推荐策略信息的步骤,直到符合推荐策略信息的属性信息的数量不大于设定数量。
如果使用了所有的推荐策略信息后,符合推荐策略信息的属性信息的数量还是大于设定数量,则信息选择模块801根据所述映射关系中第一对象的属性信息与映射的第二对象的属性信息的映射优先级,从最后一次选择的属性信息中选择不大于设定数量的属性信息。
从最后一次选择的属性信息中选择不大于设定数量的属性信息的方式有很多,比如随机选择等。
可选的,用户确定模块802确定所述目标属性信息对应的推荐信息后,还可以将推荐信息发送给目标属性信息对应的用户,从而避免下游用户在上游网络平台的所有上有用户中寻找对应的上游用户,提高了查找用户的效率。
以上参照示出根据本申请实施例的方法、装置(系统)和/或计算机程序产品的框图和/或流程图描述本申请。应理解,可以通过计算机程序指令来实现框图和/或流程图示图的一个块以及框图和/或流程图示图的块的组合。可以将这些计算机程序指令提供给通用计算机、专用计算机的处理器和/或其它可编程数据处理装置,以产生机器,使得经由计算机处理器和/或其它可编程数据处理装置执行的指令创建用于实现框图和/或流程图块中所指定的功能/动作的方法。
相应地,还可以用硬件和/或软件(包括固件、驻留软件、微码等)来实施本申请。更进一步地,本申请可以采取计算机可使用或计算机可读存储介质上的计算机程序产品的形式,其具有在介质中实现的计算机可使用或计算机可读程序代码,以由指令执行系统来使用或结合指令执行系统而使用。在本申请上下文中,计算机可使用或计算机可读介质可以是任意介质,其可以包含、存储、通信、传输、或传送程序,以由指令执行系统、装置或设备使用,或结合指令执行系统、装置或设备使用。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (10)
1.一种确定推荐信息的方法,其特征在于,应用于代销场景,该方法包括:
根据第一对象的属性信息和第二对象的属性信息的映射关系,确定目标属性信息对应的第二对象的属性信息,其中所述目标属性信息是第一平台中的对象的属性信息,所述第一对象是第一平台中的对象,所述第二对象是第二平台中的对象,所述第一平台用于代销所述第二平台中的对象;
根据推荐策略信息,从确定的第二对象的属性信息中选择至少一个符合推荐策略信息的属性信息;
根据选择的属性信息,确定所述目标属性信息对应的推荐信息。
2.如权利要求1所述的方法,其特征在于,根据设定的推荐策略信息,从确定的第二对象的属性信息中选择至少一个符合推荐策略信息的属性信息,包括:
若所述推荐策略信息中包括一个推荐策略信息,则根据推荐策略信息从确定的第二对象的属性信息中选择至少一个符合推荐策略信息的属性信息;
若符合推荐策略信息的属性信息的数量大于设定数量,则从符合推荐策略信息的属性信息中筛选属性信息,以使筛选后的属性信息的数量不大于设定数量。
3.如权利要求1所述的方法,其特征在于,根据设定的推荐策略信息,从确定的第二对象的属性信息中选择至少一个符合推荐策略信息的属性信息,包括:
若所述推荐策略信息中包括多个推荐策略信息,根据推荐策略优先级,从确定的第二对象的属性信息中选择至少一个符合推荐策略信息的属性信息。
4.如权利要求3所述的方法,其特征在于,所述根据推荐策略优先级,从确定的第二对象的属性信息中选择至少一个符合推荐策略信息的属性信息,包括:
将确定的第二对象的属性信息作为备选的属性信息;
按照推荐策略优先级选择未使用且优先级最高的推荐策略信息;
根据选择的推荐策略信息,从备选的属性信息中选择符合推荐策略信息的属性信息;
如果符合推荐策略信息的属性信息的数量大于设定数量,则将选择的属性信息作为备选的属性信息,并返回按照推荐策略优先级选择未使用且优先级最高的推荐策略信息的步骤,直到符合推荐策略信息的属性信息的数量不大于设定数量。
5.如权利要求4所述的方法,其特征在于,所述根据推荐策略优先级,从确定的第二对象的属性信息中选择至少一个符合推荐策略信息的属性信息,还包括:
若使用优先级最低的推荐策略信息选择符合推荐策略信息的属性信息的数量大于设定数量,则根据所述映射关系中第一对象的属性信息与映射的第二对象的属性信息的映射优先级,从最后一次选择的属性信息中选择不大于设定数量的属性信息。
6.一种确定推荐信息的系统,其特征在于,应用于代销场景,该系统包括:
信息确定模块,用于根据第一对象的属性信息和第二对象的属性信息的映射关系,确定目标属性信息对应的第二对象的属性信息,其中所述目标属性信息是第一平台中的对象的属性信息,所述第一对象是第一平台中的对象,所述第二对象是第二平台中的对象,所述第一平台用于代销所述第二平台中的对象;
信息选择模块,用于根据设定的推荐策略信息,从确定的第二对象的属性信息中选择至少一个符合推荐策略信息的属性信息;
用户确定模块,用于根据选择的属性信息,确定所述目标属性信息对应的推荐信息。
7.如权利要求6所述的系统,其特征在于,所述信息选择模块具体用于:
若所述推荐策略信息中包括一个推荐策略信息,则根据推荐策略信息从确定的第二对象的属性信息中选择至少一个符合推荐策略信息的属性信息;
若符合推荐策略信息的属性信息的数量大于设定数量,则从符合推荐策略信息的属性信息中筛选属性信息,以使筛选后的属性信息的数量不大于设定数量。
8.如权利要求6所述的系统,其特征在于,所述信息选择模块具体用于:
若所述推荐策略信息中包括多个推荐策略信息,根据推荐策略优先级,从确定的第二对象的属性信息中选择至少一个符合推荐策略信息的属性信息。
9.如权利要求8所述的系统,其特征在于,所述信息选择模块具体用于:
将确定的第二对象的属性信息作为备选的属性信息;
按照推荐策略优先级选择未使用且优先级最高的推荐策略信息;
根据选择的推荐策略信息,从备选的属性信息中选择符合推荐策略信息的属性信息;
如果符合推荐策略信息的属性信息的数量大于设定数量,则将选择的属性信息作为备选的属性信息,并返回按照推荐策略优先级选择未使用且优先级最高的推荐策略信息的步骤,直到符合推荐策略信息的属性信息的数量不大于设定数量。
10.如权利要求9所述的系统,其特征在于,所述信息选择模块具体用于:
若使用优先级最低的推荐策略信息选择符合推荐策略信息的属性信息的数量大于设定数量,则根据所述映射关系中第一对象的属性信息与映射的第二对象的属性信息的映射优先级,从最后一次选择的属性信息中选择不大于设定数量的属性信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710672549.9A CN109389451B (zh) | 2017-08-08 | 2017-08-08 | 一种确定推荐信息的方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710672549.9A CN109389451B (zh) | 2017-08-08 | 2017-08-08 | 一种确定推荐信息的方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109389451A CN109389451A (zh) | 2019-02-26 |
CN109389451B true CN109389451B (zh) | 2021-10-19 |
Family
ID=65413840
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710672549.9A Active CN109389451B (zh) | 2017-08-08 | 2017-08-08 | 一种确定推荐信息的方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109389451B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110334185A (zh) * | 2019-07-05 | 2019-10-15 | 政采云有限公司 | 一种平台中数据的处理方法和装置 |
CN113761327B (zh) * | 2020-06-18 | 2024-06-18 | 北京沃东天骏信息技术有限公司 | 推荐策略的调度方法、设备以及存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012068557A1 (en) * | 2010-11-18 | 2012-05-24 | Wal-Mart Stores, Inc. | Real-time analytics of streaming data |
CN103377193A (zh) * | 2012-04-13 | 2013-10-30 | 阿里巴巴集团控股有限公司 | 信息提供方法、网页服务器以及网页浏览器 |
CN103578008A (zh) * | 2012-07-20 | 2014-02-12 | 阿里巴巴集团控股有限公司 | 一种推荐服装产品的方法以及装置 |
CN103942193A (zh) * | 2013-01-17 | 2014-07-23 | 腾讯科技(深圳)有限公司 | 一种信息推送的方法及装置 |
CN104579709A (zh) * | 2014-12-30 | 2015-04-29 | 北京奇虎科技有限公司 | 数据对象共享的方法和系统、及电子设备 |
CN105260480A (zh) * | 2015-11-09 | 2016-01-20 | 魅族科技(中国)有限公司 | 一种信息推荐方法以及终端 |
CN105701217A (zh) * | 2016-01-13 | 2016-06-22 | 腾讯科技(深圳)有限公司 | 一种信息处理方法及服务器 |
CN106447364A (zh) * | 2015-08-06 | 2017-02-22 | 阿里巴巴集团控股有限公司 | 信息推荐方法及装置 |
CN106446027A (zh) * | 2016-08-30 | 2017-02-22 | 五八同城信息技术有限公司 | 信息推荐方法及装置 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10198486B2 (en) * | 2012-06-30 | 2019-02-05 | Ebay Inc. | Recommendation filtering based on common interests |
US9600788B2 (en) * | 2012-12-27 | 2017-03-21 | Xerox Corporation | Crowdsourcing directory system |
CN104090909B (zh) * | 2014-06-09 | 2018-09-18 | 中国建设银行股份有限公司 | 针对不同电商平台的商品信息同步方法及装置 |
CN106251171A (zh) * | 2016-07-19 | 2016-12-21 | 厦门市讯讯电子商务有限公司 | 一种跨平台推荐销售实现分销的方法 |
-
2017
- 2017-08-08 CN CN201710672549.9A patent/CN109389451B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012068557A1 (en) * | 2010-11-18 | 2012-05-24 | Wal-Mart Stores, Inc. | Real-time analytics of streaming data |
CN103377193A (zh) * | 2012-04-13 | 2013-10-30 | 阿里巴巴集团控股有限公司 | 信息提供方法、网页服务器以及网页浏览器 |
CN103578008A (zh) * | 2012-07-20 | 2014-02-12 | 阿里巴巴集团控股有限公司 | 一种推荐服装产品的方法以及装置 |
CN103942193A (zh) * | 2013-01-17 | 2014-07-23 | 腾讯科技(深圳)有限公司 | 一种信息推送的方法及装置 |
CN104579709A (zh) * | 2014-12-30 | 2015-04-29 | 北京奇虎科技有限公司 | 数据对象共享的方法和系统、及电子设备 |
CN106447364A (zh) * | 2015-08-06 | 2017-02-22 | 阿里巴巴集团控股有限公司 | 信息推荐方法及装置 |
CN105260480A (zh) * | 2015-11-09 | 2016-01-20 | 魅族科技(中国)有限公司 | 一种信息推荐方法以及终端 |
CN105701217A (zh) * | 2016-01-13 | 2016-06-22 | 腾讯科技(深圳)有限公司 | 一种信息处理方法及服务器 |
CN106446027A (zh) * | 2016-08-30 | 2017-02-22 | 五八同城信息技术有限公司 | 信息推荐方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN109389451A (zh) | 2019-02-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109087177B (zh) | 向目标用户推荐商品的方法、装置及计算机可读存储介质 | |
CN109308652A (zh) | 线上批发方法、系统、终端设备及存储介质 | |
KR101695570B1 (ko) | 키워드 추출에 의한 온라인 쇼핑 장바구니의 자동 생성 방법 | |
US10339586B1 (en) | Techniques for identifying similar products | |
JP6627248B2 (ja) | プログラム及び情報処理装置 | |
KR101966009B1 (ko) | 큐레이션 콘텐츠 마케팅을 통한 리셀링 플랫폼 시스템 | |
CN109389451B (zh) | 一种确定推荐信息的方法和系统 | |
WO2017166534A1 (zh) | 在线购买会员服务的方法和装置 | |
KR20150042198A (ko) | 거래 지원 시스템 | |
KR101637986B1 (ko) | 최적 상품 제공 시스템 및 그 방법 | |
US11348153B2 (en) | Electronic search interface for identifying artisan sellers | |
CN105630806B (zh) | 利用信息交互软件发送数据项的方法及装置 | |
CN114219589B (zh) | 虚拟实体对象的生成和页面显示方法、装置和电子设备 | |
CN107767207B (zh) | 一种处理对象数据集合的方法和设备 | |
CN107169814B (zh) | 一种进行对象展示和处理订单的方法及设备 | |
CN112288507B (zh) | 展示信息确定的方法及装置 | |
CN103455937A (zh) | 社区商务云环境下面向大规模商家优选的矩阵适配方法 | |
JP7232934B2 (ja) | オンラインショッピングを管理するためのシステムおよび方法 | |
CN112330365A (zh) | 电商活动配置方法、装置、计算机设备和可读存储介质 | |
WO2016017242A1 (ja) | コーディネートサーバ、コーディネートシステム、及びコーディネート方法 | |
CN109389450B (zh) | 一种关联属性信息和生成数据集合的方法和系统 | |
JP2012155550A (ja) | 商品コーディネートシステム、商品コーディネート装置及び方法、商品コーディネートプログラム | |
KR20170052940A (ko) | 휴대용 단말기를 통한 상품 구매 및 정보제공 시스템 및 방법 | |
US20190188783A1 (en) | Method and system for placing a purchase via social media tagging | |
US20120316988A1 (en) | Method and system for online searching and purchasing of multiple products simultaneously |
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 |