CN109615428A - 商户推荐方法、装置、系统及服务器 - Google Patents
商户推荐方法、装置、系统及服务器 Download PDFInfo
- Publication number
- CN109615428A CN109615428A CN201811501931.4A CN201811501931A CN109615428A CN 109615428 A CN109615428 A CN 109615428A CN 201811501931 A CN201811501931 A CN 201811501931A CN 109615428 A CN109615428 A CN 109615428A
- Authority
- CN
- China
- Prior art keywords
- trade company
- recommended models
- user
- recommended
- update
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
- G06Q30/0255—Targeted advertisements based on user history
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例涉及信息处理领域,公开了一种商户推荐方法,包括:获取用户的商户浏览数据;根据所述商户浏览数据,确定是否需要更新商户推荐模型;当确定需要更新所述商户推荐模型,更新所述商户推荐模型;以更新后的商户推荐模型对商户进行排序,使得可以满足用户实际需求,提高商户排序结果与用户需求的匹配度,提高订单完成率,改善用户的使用体验。
Description
技术领域
本发明涉及信息处理领域,特别涉及一种商户推荐方法、装置、系统及服务器。
背景技术
目前,市面上有各类订餐APP供用户选择使用,这在一定程度上为人们的生活提供了便捷,面临各类订餐APP的选择时,用户越来越注重使用的体验。
发明人在实现本发明的过程中发现,当用户在订餐APP中浏览各类商户时,商户是按照一个已经训练好的固定的模型进行排序的,所以用户在浏览过程中看到的商户均是按照固定的模型进行排序的,因此,当排序结果无法符合用户需求时,即商户排序结果无法与用户的需求相匹配时,会在一定程度上降低订单完成率,影响到用户体验。
发明内容
本发明实施方式的目的在于提供一种商户推荐方法、装置系统及服务器,可以满足用户实际需求,提高商户排序结果与用户需求的匹配度,提高订单完成率,改善用户的使用体验。
为解决上述技术问题,本发明的实施方式提供了一种商户推荐方法,包括:获取用户的商户浏览数据;根据所述商户浏览数据,确定是否需要更新商户推荐模型;当确定需要更新所述商户推荐模型,更新所述商户推荐模型;以更新后的商户推荐模型对商户进行排序。
本发明的实施方式还提供了一种商户推荐系统,包括:算法服务器、文件服务器和排序服务器;所述算法服务器,用于获取用户的商户浏览数据,并根据所述商户浏览数据,确定是否需要更新商户推荐模型,当确定需要更新所述商户推荐模型后,更新所述当前的商户推荐模型,并将更新后的商户推荐模型发送至所述文件服务器;所述文件服务器,用于对所述更新后的商户推荐模型进行存储;所述排序服务器,用于从所述文件服务器获取所述更新后的商户推荐模型,并以所述更新后的商户推荐模型对商户进行排序。
本发明的实施方式还提供了一种商户推荐装置,包括:获取模块,用于获取用户的商户浏览数据;确定模块,用于根据所述商户浏览数据,确定是否需要更新商户推荐模型;模型更新模块,用于当确定需要更新所述商户推荐模型后,更新所述商户推荐模型;排序更新模块,用于以更新后的商户推荐模型对商户进行排序。
本发明的实施方式还提供了一种服务器,包括至少一个处理器;以及,与所述至少一个处理器通信连接的存储器和通信单元;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行以实现:获取用户的商户浏览数据;根据所述商户浏览数据,确定是否需要更新商户推荐模型;当确定需要更新所述商户推荐模型,更新所述商户推荐模型;以更新后的商户推荐模型对商户进行排序。
本发明的实施方式还提供了一种非易失性存储介质,用于存储计算机可读程序,所述计算机可读程序用于供计算机执行如上所述的商户推荐方法。
本发明实施方式相对于现有技术而言,主要区别及其效果在于:通过获取用户的商户浏览数据,并根据获取的商户浏览数据,确定是否需要更新商户推荐模型,即根据获取的用户浏览数据检测用户是否对商户推荐模型满意,从而确定是否需要更新商户推荐模型。如果确定需要更新商户推荐模型时,则更新商户推荐模型,并以更新后的商户推荐模型对商户进行排序,有利于在用户不满意商户推荐模型时,及时对商户推荐模型进行更新,以更新后的商户推荐模型对商户进行排序,以满足用户的实际需求,从而容易引起用户下单的行为,因此以更新后的商户推荐模型对商户进行排序还有利于提高商户排序结果与用户需求的匹配度,提高订单完成率,改善用户的使用体验。
另外,商户推荐模型为根据用户的行为特征计算用户与商户的匹配程度的模型;更新商户推荐模型,具体包括:根据用户的n个行为特征获取更新后的商户推荐模型;其中,更新前的商户推荐模型为根据用户的m个行为特征获取的商户推荐模型,n与m均为自然数,且n大于m。通过在需要更新商户推荐模型时扩大用户的行为特征的数量,进而根据较多数量的用户的行为特征计算用户与商户的匹配程度的商户推荐模型。由于更新后的商户推荐模型与更新前的商户推荐模型相比,考虑到了更多的行为特征,因此更有利于给出满足用户实际需求的推荐商户。
另外,所述根据用户的n个行为特征获取更新后的商户推荐模型,具体包括:根据所述n个行为特征,分别对所述匹配程度的影响度,调整所述n个行为特征中的各行为特征的权重。通过根据行为特征对匹配程度的影响度,对各行为特征的权重进行调整,有利于得到用户与商户的匹配程度更高的商户推荐模型。
另外,所述n个行为特征,包括用户的共性行为特征和用户的个性行为特征。通过根据用户的共性行为特征和个性行为特征获取更新后的商户推荐模型,有利于既满足不同用户之间的共性行为特征,又满足每一个用户的个性行为特征,极大程度的满足不同用户的实际需求。
另外,获取用户的商户浏览数据,具体为:接收通知消息,通知消息为检测到商户浏览数据满足预设条件时,发送的通知消息;根据商户浏览数据,确定是否需要更新商户推荐模型,具体包括:若接收到通知消息的数量大于预设门限,则确定需要更新商户推荐模型。通过在收到通知消息的数量大于预设门限时确定需要更新商户推荐模型,有利于在对商户推荐模型不满意的用户达到一定数量时,再确定需要更新商户推荐模型,而且服务器只需根据接收到的通知消息的数量就可以判断是否需要更新商户推荐模型,在一定程度上也降低了服务器的处理压力。
另外,商户浏览数据包括:浏览商户的数量;所述预设条件具体为:所述用户浏览商户的数量大于第一预设阈值时,还未检测到成交数据。由于用户浏览商户的数量和成交数据的关系,可以反映出用户在实际使用过程中,对商户推荐模型的满意程度,因此以此为依据触发通知消息的发送,简单有效。
另外,所述商户浏览数据包括:浏览商户的时间;所述预设条件具体为:所述用户浏览商户的时间大于第二预设阈值时,还未检测到成交数据。由于用户浏览商户的时间和成交数据的关系,也可以反映出用户在实际使用过程中,对商户推荐模型的满意程度,提供了另一种简单有效地触发通知消息的方式。
附图说明
图1是根据本发明第一实施方式中的商户推荐方法的流程图;
图2是根据本发明第二实施方式中的商户推荐方法的流程图;
图3是根据本发明第三实施方式中的商户推荐系统的示意图;
图4是根据本发明第四实施方式中的商户推荐装置的装置示意图;
图5是根据本发明第五实施方式提供的服务器的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合附图对本发明的各实施方式进行详细的阐述。然而,本领域的普通技术人员可以理解,在本发明各实施方式中,为了使读者更好地理解本申请而提出了许多技术细节。但是,即使没有这些技术细节和基于以下各实施方式的种种变化和修改,也可以实现本申请所要求保护的技术方案。以下各个实施例的划分是为了描述方便,不应对本发明的具体实现方式构成任何限定,各个实施例在不矛盾的前提下可以相互结合相互引用。
本发明的第一实施方式涉及一种商户推荐方法,应用于服务器。商户可以为订餐APP上入驻的商户,服务器可以根据商户推荐模型确定用户在浏览订餐APP的页面时,页面上各入驻商户的排列顺序,商户推荐模型可以为根据用户的行为特征计算的用户与商户的匹配程度的模型。用户的行为特征可以为口味、配送速度、消费金额、商户类型、配送距离等用户在订餐时通常会考虑到的筛选条件,需要说明的是,在实际应用中用户的行为特征并不以本实施方式所列举的为限。商户通常也会通过不同维度表征自身特征,比如说,商户的菜品的口味、商户可送达的配送范围、商户所针对的消费人群、商户的历史评价等。用户与商户的匹配程度可以理解为用户的行为特征与商户的特征的匹配程度。比如说,用户A的口味偏辣,而商户A的口味特色正好为偏辣,则可以认为在口味这一维度上,用户A与商户A的匹配程度较高。
本实施例中的商户推荐方法的流程图如图1所示,该方法包括:
步骤S101,获取用户的商户浏览数据。
具体的说,用户在浏览订餐APP上的商户时,服务器可以获取到用户的商户浏览数据,商户浏览数据可以为用户从打开订餐APP时开始,所浏览的商户的数量、类型、时间等数据。服务器可以通过接收客户端发送的商户浏览数据,获取到用户的商户浏览数据。客户端可以为手机、平板电脑等具有订餐APP的终端,本实施例中客户端以手机为例,但在实际应用中并不以此为限。服务器获取用户的商户浏览数据的方式可以为:安装有订餐APP的手机可以获取用户在打开订餐APP时浏览商户的数据,并将获取得到的商户浏览数据发送给服务器。
步骤S102,根据商户浏览数据,确定是否需要更新商户推荐模型,如果是,则执行步骤S103,否则该流程结束。
具体的说,服务器可以根据从手机端获取的商户浏览数据,进行判断是否需要更新订餐APP当前正在使用的商户推荐模型。商户浏览数据可以用来表征用户对订餐APP当前正在使用的商户推荐模型是否满意,如果用户不满意,则可以确定需要更新商户推荐模型。下面以两个例子对如何进一步判断是否需要更新商户推荐模型,进行具体说明:
在一个例子中,服务器获取的商户浏览数据可以为:用户浏览商户的数量。从用户打开订餐APP浏览的第一个商户开始计算,若用户浏览的商户数量大于第一预设阈值时,还未检测到成交数据。第一预设阈值可以由本领域技术人员根据实际需要进行设置,旨在表明用户一直在浏览订餐APP上的商户,在浏览的商户数量超过第一预设阈值时,还未检测到下单成交的数据,此时可以认为用户对订餐APP当前正在使用的商户推荐模型不满意。比如说,第一预设阈值可以设置为20,当用户在订餐APP的浏览界面浏览的商户的数量超过20个时,还没有下单,说明用户对商户推荐模型不满意。
在另一个例子中,服务器获取的商户浏览数据可以为:浏览商户的时间。从用户打开订餐APP时开始计时,若用户浏览的时间大于第二预设阈值时,还未检测到成交数。第二预设阈值可以由本领域技术人员根据实际需要进行设置,旨在表明用户一直在浏览订餐APP上的商户,在浏览的时间超过第二预设阈值时,还未检测到下单成交的数据,此时可以认为用户对订餐APP当前正在使用的商户推荐模型不满意。比如说,第二预设阈值可以设置为10分钟,当用户在订餐APP的浏览界面浏览的时间超过10分钟,还没有下单,说明用户对商户推荐模型不满意。
需要说明的是,本实施例中只是以利用浏览商户时间或是浏览商户时间来确定是否需要更新商户推荐模型为例,在实际应用中还可以将浏览商户时间和浏览商户时间结合起来,若浏览商户的数量超过第一预设阈值且浏览商户的时间超过第二预设阈值再确定需要更新商户推荐模型,或者还可以利用其他浏览数据进行确定,对此本实施方式不做具体限定。
当服务器根据获取的商户浏览数据得出有多数用户对商户推荐模型不满意时,可以确定需要对商户推荐模型进行更新。比如说,本领域技术人员可以预先设置一个门限值,当服务器根据获取的商户浏览数据得出对商户推荐模型不满意的人数超过预设的门限值时,服务器确定需要对商户推荐模型进行更新,然后进入步骤S103。
步骤S103,更新商户推荐模型。
具体的说,可以根据用户的n个行为特征获取更新后的商户推荐模型;其中,更新前的商户推荐模型为根据用户的m个行为特征获取的商户推荐模型,n与m均为自然数,且n大于m。为方便理解,本实施例以m为2,n为4进行举例说明,但在实际应用中只要n大于m即可,具体数量并不以此为限:
比如说,更新前的商户推荐模型为根据用户的2个行为特征获取的商户推荐模型,其中2个行为特征以口味和配送速度为例,即更新前的商户推荐模型为根据用户的口味和配送速度获取的商户推荐模型。更新后的商户推荐模型为根据用户的4个行为特征获取的商户推荐模型,其中4个行为特征以口味、配送速度、消费金额、配送距离为例,即更新后的商户推荐模型为根据用户的口味、配送速度消费金额和配送距离获取的商户推荐模型。
较佳的,更新后的商户推荐模型中,n个行为特征既包括共性行为特征还包括个性行为特征。共性行为特征可以理解为多数用户在点餐时选择的特征值都近似相同的行为特征,比如说不同用户对配送费或是配送速度的要求都相同,即对于配送费要求无配送费、对于配送速度要求30分钟到达等。个性行为特征可以理解为用户在点餐时选择的特征值不同的行为特征,比如说,不同用户对口味的要求不相同,口味即可作为个性行为特征。上述做法使得更新后的商户推荐模型不仅能满足多数用户共同的行为特征,还能满足个别用户的个性行为特征,有利于极大程度的满足不同用户的实际需求。
进一步的,每一个行为特征可以分别具有各自的权重,该权重的大小可以根据不同的行为特征对匹配程度的影响度确定,该匹配程度即为用户与商户的匹配程度。比如说,更新前的商户推荐模型中口味和配送速度的权重均为0.5,更新后的商户推荐模型中由于扩大了用户行为特征的数量,因此需要调整每一个行为特征分别对应的权重,假设口味、配送速度、消费金额、配送距离四个行为特征对匹配程度的影响度的影响度依次减小,则可以将口味、配送速度、消费金额、配送距离所对应的权重调整为0.4、0.3、0.2、0.1。具体的。商户推荐模型可以如下公式为例:
其中,ai为第i个用户行为特征所对应的权重,Xi为第i个用户不同行为特征对应的特征值,Fi(Xi)为第i个用户行为特征与商户的匹配程度。
其中,Fi(Xi)可以是用户的个性行为特征的匹配度,也可以是用户的共性行为特征的匹配度,对于共性行为特征的匹配度,可以是固有的值,即不会因不同用户个体发生变化,而对于共性行为特征的匹配度,可以是根据不同用户的行为特征值得到的个性化数据。比如说:更新后的商户推荐模型可以如下:Y=a1*F1(X1)+a2*F2(X2)+a3*F3(X3)+a4*F4(X4)+a5*F5(X5)
其中,F3(X3)、F4(X4)为共性行为特征的匹配度,对于这两项的输出值,即F3(X3)、F4(X4)的输出值不会因为用户的不同而变化,因此可以视为商户推荐模型的固有特征项。F1(X1)、F2(X2)、F5(X5)、为个性行为特征的匹配度,对于这三项不同用户的输入值会使得F1(X1)、F2(X2)、F5(X5)的输出值发生相应的变化,因此可以视为商户推荐模型的个性化特征项。在计算不同用户与商户的匹配程度时可只输入不同用户的个性化特征值X1、X2、X5从而得到不同用户的个性化输出值,再加上固定不变的共性输出值F3(X3)和F4(X4),共性输出值可以通过对用户的共性行为特征分析得到。
以上述公式(1)为参考,本实施例所举的例子中,更新前的商户推荐模型可以表示如下:
Y1=0.5*F1(X1)+0.5*F2(X2)
其中,F1(X1)为口味这一用户行为特征与商户的匹配程度,F2(X2)为配送速度这一用户行为特征与商户的匹配程度,X1为用户倾向的口味值,口味值可以为偏甜、偏辣、偏咸等,X2为用户倾向的配送速度大小,0.5为口味和配送速度所占的权重。
进一步的,本实施例所举的例子中,更新后的商户推荐模型可以表示如下:
Y2=0.4*F1(X1)+0.3*F2(X2)+0.2*F3(X3)+0.1*F4(X4)
其中,F1(X1)与F2(X2)的含义与更新前的商户推荐模型的公式中的F1(X1)与F2(X2)含义相同。F3(X3)为消费金额这一用户行为特征与商户的匹配程度,F4(X4)为配送距离这一用户行为特征与商户的匹配程度,X3为用户倾向的消费金额的值,比如说,消费金额可以为一个区间范围,比如0-20元、20-30元等,X4为用户倾向的配送距离的值,比如说,配送距离为1公里、2公里等。0.4、0.3、0.2、0.1依次为口味、配送速度、消费金额、配送距离所对应的权重。
步骤S104,以更新后的商户推荐模型对商户进行排序。
具体的说,可以利用更新后的商户推荐模型对商户进行打分,根据商户得分的高低对商户进行排序。服务器将排好序的商户作为一个数据包发送至客户端,客户端就可以将重新排好序的商户展示给用户。利用更新后的商户推荐模型对商户进行打分的方式可以为:将用户行为特征的特征值作为商户推荐模型的输入,商户推荐模型的输出即为商户的分数。
以上述更新后的商户推荐模型Y2为例,该商户推荐模型Y2的输入X1、X2、X3、X4即为用户行为特征的特征值,比如说口味的特征值X1可以为偏辣,配送速度的特征值X2可以为10千米每小时,消费金额的特征值X3可以为0-20元,配送距离的特征值X4为1公里,那么将上述特征值带入商户推荐模型Y2可以得到一个商户的得分。由于不同商户都具有各自不同的特色,因此不同的商户与用户之间匹配程度存在大小差异,这一大小差异使得不同商户的得分有高低之差。
进一步的,在步骤S101中,如果获取了用户A的商户浏览数据,则用户A的商户浏览数据可以携带用户A使用的客户端A的ID,服务器在利用更新后的商户推荐模型对商户进行打分时,将用户A的行为特征的特征值作为商户推荐模型的输入,输出的商户的分数为符合用户A的行为习惯的商户分数。服务器将符合用户A的排好序的商户列表作为一个数据包,根据客户端A的ID发送至客户端A,则用户A在客户端A上的订餐APP上浏览商户时,会看到新的推荐顺序。
下面以具体的APP订餐情境为例,对本实施的商户推荐方法进行说明:
用户A在使用手机打开订餐APP开始浏览商户时,手机开始监控用户的商户浏览数据,如果用户在浏览了20个商户后或者浏览了10分钟,都没有下单,那么说明用户对当前的商户排序并不满意,手机可以向服务器发送用户A的商户浏览数据,服务器在接收到用户A的商户浏览数据后,可以根据用户A的商户浏览数据确定用户A对商户推荐模型不满意。若服务器还根据接收到的其他用户的商户浏览数据得出还存在其他用户对商户推荐模型不满意,且对商户推荐模型不满意的人数超过50人,可以确定需要对商户推荐模型进行更新。服务器进行更新后,根据更新后的商户推荐模型以及用户A的使用习惯对商户进行重新排序,将重新排序后的商户作为数据包发送至用户A的手机,用户A则可以在手机上看到符合自己使用习惯的重新排序的商户,因此也就更容易下单。上述情境中以用户A为例,对于其他用户的处理与用户A类似,在此不再赘述。
与现有技术相比,本实施方式有利于在用户不满意商户推荐模型时,及时对商户推荐模型进行更新,以更新后的商户推荐模型对商户进行排序,有利于满足用户的实际需求,从而容易引起用户下单的行为,因此以更新后的商户推荐模型对商户进行排序还有利于提高提高商户排序结果与用户需求的匹配度,提高订单完成率,改善用户的使用体验。
本发明的第二实施方式涉及一种商户推荐方法,如图2所示,本实施方式中包括以下步骤:
步骤S201,接收通知消息。
具体的说,通知消息可以为客户端监测到商户浏览数据满足预设条件时,发送给服务器的通知消息。下面对本步骤中的预设条件的设置进行具体说明:
在一个例子中,商户浏览数据可以为浏览商户的数量,预设条件可以为:用户浏览商户的数量大于第一预设阈值时,还未检测到成交数据。第一预设阈值可以由本领域技术人员根据实际需要进行设置,旨在表明用户一直在浏览订餐APP上的商户,在浏览的商户数量超过第一预设阈值时,还未检测到下单成交的数据,此时可以认为用户对订餐APP当前正在使用的商户推荐模型不满意。
在另一个例子中,商户浏览数据可以为浏览商户的时间,预设条件可以为:用户浏览商户的时间大于第二预设阈值时,还未检测到成交数据。第二预设阈值可以由本领域技术人员根据实际需要进行设置,旨在表明用户一直在浏览订餐APP上的商户,在浏览的时间超过第二预设阈值时,还未检测到下单成交的数据,此时可以认为用户对订餐APP当前正在使用的商户推荐模型不满意。
在上述两个关于预设条件的例子中,若客户端检测到用户对商户推荐模型不满意后,向服务器发送通知信息。具体的,客户端可以通过消息系统将通知信息发送至服务器,服务器收到一条通知信息表示有一个用户对商户推荐模型不满意,若接收到多条通知信息则表示有多个用户都对商户推荐模型不满意。
步骤S202,判断接收到通知消息的数量是否大于预设门限,若是,则执行步骤S203,若否,则该流程结束。
具体的说,预设门限可以由本领域技术人员根据实际需要进行设置,旨在表征对商户推荐模型不满意的人数达到预设门限时需要对商户推荐模型进行更新。服务器每接收到一次通知信息会计数一次,若接收的通知消息的数量大于预设门限,则执行步骤S203,否则,该流程结束。
步骤S203,当确定需要更新商户推荐模型,更新商户推荐模型。
步骤S204,以更新后的商户推荐模型对商户进行排序。
步骤S203至步骤S204与第一实施例中步骤S103至步骤S104大致相同,为避免重复在此不再一一赘述。
同样以具体的APP订餐情境为例,对本实施的商户推荐方法进行说明:用户A在使用手机打开订餐APP开始浏览商户时,手机开始监控用户的商户浏览数据,如果用户在浏览了20个商户后,都没有下单,那么说明用户对当前的商户排序并不满意,手机可以向服务器发送通知信息,服务器会记录一次,并得出目前有一个用户对商户推荐模型不满意的结论,若服务器还接到了49条来自不同用户的手机的通知信息,服务器可以判定有50个用户对当前的商户推荐模型不满意,那么此时服务器会因为多数用户对商户推荐模型不满意而确定需要更新商户推荐模型,服务器进行更新后根据更新后的商户推荐模型以及不同用户的使用习惯对商户进行重新排序,将重新排序后的商户作为数据包发送至不同用户的手机,不同用户均可以在手机上看到符合自己使用习惯的重新排序的商户列表。其中,用户的使用习惯可以根据用户在APP上的历史下单记录、或是历史浏览记录分析得到,比如说,检测到用户浏览的甜品店的数量较多,可以分析得出该用户习惯的口味为偏甜。在实际应用中,用户的使用习惯还可以为预先分析得到的用户个性化数据,比如说,用户在下载订餐APP后,进行注册时,APP可以提醒用户输入个人喜好,比如提供不同口味、不同配送范围、不同价格范围等选项供用户选择,从而分析得到不同用户的个性化数据。不同用户的个性化数据作为商户推荐模型的输入,从而输出符合不同用户个性化需求的商户排序列表。
与现有技术相比,本实施方式有利于在对商户推荐模型不满意的用户达到一定数量时,再确定需要更新商户推荐模型。服务器只需根据接收到的通知消息的数量,确定是否需要更新商户推荐模型,在一定程度上也降低了服务器的处理压力。
本发明的第三实施方式涉及一种商户推荐系统,如图3所示,该系统包括:算法服务器301、文件服务器302和排序服务器303。
具体的说,算法服务器301用于获取用户的商户浏览数据,并根据商户浏览数据,确定是否需要更新当前的商户推荐模型,当确定需要更新所述当前的商户推荐模型后,更新当前的商户推荐模型,并将更新后的商户推荐模型发送至文件服务器302。算法服务器301可以具有高计算能力,以专门计算更新后的商户推荐模型,提高了获取更新后的商户推荐模型的速度和准确性。
进一步的,商户推荐模型可以为根据用户的行为特征计算用户与商户的匹配程度的模型;算法服务器301可以根据用户的n个行为特征获取更新后的商户推荐模型;其中,更新前的商户推荐模型为根据用户的m个行为特征获取的商户推荐模型,n与m均为自然数,且n大于m。其中,行为特征可以包括:口味、配送速度、消费金额、商户类型、配送距离等。
在一个例子中,算法服务器301可以根据n个行为特征,分别对匹配程度的影响度,调整n个行为特征中的各行为特征的权重。较佳的,n个行为特征,可以包括用户的共性行为特征和用户的个性行为特征。
在一个例子中,算法服务器301获取用户的商户浏览数据,可以为:接收通知消息,通知消息为检测到商户浏览数据满足预设条件时,发送的通知消息;若接收到通知消息的数量大于预设门限,则确定需要更新商户推荐模型。其中,商户浏览数据可以包括:浏览商户的数量;预设条件可以为:用户浏览商户的数量大于第一预设阈值时,还未检测到成交数据。
另外,商户浏览数据还可以包括:浏览商户的时间;预设条件可以为:用户浏览商户的时间大于第二预设阈值时,还未检测到成交数据。
进一步的,文件服务器302可以为amazon s3文件服务器,用于接收算法服务器301发送的更新后的商户推荐模型,amazon s3文件服务器超大的内存空间有利于对更新后的商户推荐模型的存储。
再进一步的,排序服务器303,用于从文件服务器302获取更新后的商户推荐模型,并以更新后的商户推荐模型对商户进行排序。排序服务器303,从文件服务器302获取更新后的商户推荐模型的方式可以如下两个例子:
在一个例子中,排序服务器303可以监控文件服务器302中的商户推荐模型的版本,若监控到商户推荐模型的更新版本,则从文件服务器302上获取商户推荐模型的更新版本。较佳的,排序服务器303可以以轮询的方式监控文件服务器302上的商户推荐模型的版本,即每隔一段时间到文件服务器302上查看依次是否有更新版本。
在另一个例子中,当文件服务器302接收到算法服务器301发送的更新后的商户推荐模型时,可以直接将接收到的更新后的商户推荐模型发送给排序服务器303。
当排序服务器303获取更新后的商户推荐模型后对不同商户进行排序,将重新排序后的商户作为一个数据包发送至相应的客户端。比如说,数据包A是排序服务器303针对于用户A得到的商户排序列表,则排序服务器303将数据包A发送至用户A所使用的客户端A,使得用户A在客户端A的订餐APP上浏览到重新排序的商户。
与现有技术相比,本实施方式针对模型更新、模型存储、商户排序分别有针对性的采用不同的服务器完成。利用算法服务器专门计算更新后的商户推荐模型,提高了获取更新后的商户推荐模型的速度和准确性。而且算法服务器生成更新后的商户推荐模型就发送给文件服务器,使得更新后的商户推荐模型不会占据算法服务器的空间,有利于进一步提高算法服务器的计算速度。利用文件服务器作为算法服务器和排序服务器之间传输更新后的商户推荐模型的中转站,文件服务器专门的存储空间,有利于对更新后的商户推荐模型的存储。排序服务器从文件服务器获取更新后的商户推荐模型,专门负责利用更新后的商户推荐模型对各商户进行排序,提高了排序的速度,有利于用户快速看到重新排序的商户列表。本实施方式通过三个服务器各自分工,相互配合完成,有利于快速、准确的完成对有用户的商户推荐,从而满足广大用户的实际需求。
不难发现,本实施方式为与第一实施方式相对应的系统实施例,本实施方式可与第一实施方式互相配合实施。第一实施方式中提到的相关技术细节在本实施方式中依然有效,为了减少重复,这里不再赘述。相应地,本实施方式中提到的相关技术细节也可应用在第一实施方式中。
本发明的第四实施方式涉及一种商户推荐装置,如图4所示,该装置包括:获取模块401,用于获取用户的商户浏览数据;确定模块402,用于根据商户浏览数据,确定是否需要更新商户推荐模型;模型更新模块403,用于当确定需要更新商户推荐模型后,更新商户推荐模型;排序更新模块,用于以更新后的商户推荐模型对商户进行排序。
在一个例子中,商户推荐模型为根据用户的行为特征计算用户与商户的匹配程度的模型。模型更新模块403具体用于,根据用户的n个行为特征获取更新后的商户推荐模型;其中,更新前的商户推荐模型为根据用户的m个行为特征获取的商户推荐模型,n与m均为自然数,且n大于m。其中,行为特征可以包括:口味、配送速度、消费金额、商户类型、配送距离等。
在一个例子中,模型更新模块403具体用于根据n个行为特征,分别对匹配程度的影响度,调整n个行为特征中的各行为特征的权重。n个行为特征,可以包括用户的共性行为特征和用户的个性行为特征。
在一个例子中,确定模块402,具体用于接收通知消息,通知消息为检测到商户浏览数据满足预设条件时,发送的通知消息;若接收到通知消息的数量大于预设门限,则确定需要更新商户推荐模型。
在一个例子中,商户浏览数据可以包括:浏览商户的数量,预设条件可以为:用户浏览商户的数量大于第一预设阈值时,还未检测到成交数据。
在另一个例子中,商户浏览数据可以包括:浏览商户的时间,预设条件可以为:用户浏览商户的时间大于第二预设阈值时,还未检测到成交数据。
与现有技术相比,采用本实施方式的商户推荐装置有利于在用户不满意商户推荐模型时,及时对商户推荐模型进行更新,以更新后的商户推荐模型对商户进行排序,有利于满足用户的实际需求,从而容易引起用户下单的行为,因此以更新后的商户推荐模型对商户进行排序还有利于提高成交率。
不难发现,本实施方式为与第一实施方式和第二实施方式相对应的装置实施例,本实施方式可与第一实施方式和第二实施方式互相配合实施。第一实施方式和第二实施方式中提到的相关技术细节在本实施方式中依然有效,为了减少重复,这里不再赘述。相应地,本实施方式中提到的相关技术细节也可应用在第一实施方式和第二实施方式中。
本发明的第五实施方式涉及一种服务器,如图5所示,该服务器包括:至少一个处理器501;以及,与至少一个处理器501通信连接的存储器502;以及,与扫描装置通信连接的通信组件503,通信组件503在处理器501的控制下接收和发送数据;其中,存储器502存储有可被至少一个处理器501执行的指令,指令被至少一个处理器501执行以实现:获取用户的商户浏览数据;根据所述商户浏览数据,确定是否需要更新商户推荐模型;当确定需要更新所述商户推荐模型,更新所述商户推荐模型;以更新后的商户推荐模型对商户进行排序。
具体地,该服务器包括:一个或多个处理器501以及存储器502,图5中以一个处理器501为例。处理器501、存储器502可以通过总线或者其他方式连接,图5中以通过总线连接为例。存储器502作为一种非易失性计算机可读存储介质,可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块。处理器501通过运行存储在存储器502中的非易失性软件程序、指令以及模块,从而执行设备的各种功能应用以及数据处理,即实现上述商户推荐方法。
存储器502可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储选项列表等。此外,存储器502可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施方式中,存储器502可选包括相对于处理器501远程设置的存储器502,这些远程存储器502可以通过网络连接至外接设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
一个或者多个模块存储在存储器502中,当被一个或者多个处理器501执行时,执行上述任意方法实施方式中的商户推荐方法。
上述产品可执行本申请实施方式所提供的方法,具备执行方法相应的功能模块和有益效果,未在本实施方式中详尽描述的技术细节,可参见本申请实施方式所提供的方法。
本发明的第六实施方式涉及一种非易失性存储介质,用于存储计算机可读程序,所述计算机可读程序用于供计算机执行上述部分或全部的方法实施例。
即,本领域技术人员可以理解,实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序存储在一个存储介质中,包括若干指令用以使得一个设备(可以是单片机,芯片等)或处理器(processor)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本领域的普通技术人员可以理解,上述各实施方式是实现本发明的具体实施例,而在实际应用中,可以在形式上和细节上对其作各种改变,而不偏离本发明的精神和范围。
本申请实施例公开了A1.一种商户推荐方法,包括:
获取用户的商户浏览数据;
根据所述商户浏览数据,确定是否需要更新商户推荐模型;
当确定需要更新所述商户推荐模型,更新所述商户推荐模型;
以更新后的商户推荐模型对商户进行排序。
A2.如A1所述的商户推荐方法,所述商户推荐模型为根据用户的行为特征计算用户与商户的匹配程度的模型;
所述更新所述商户推荐模型,具体包括:
根据用户的n个行为特征获取更新后的商户推荐模型;其中,更新前的所述商户推荐模型为根据用户的m个行为特征获取的商户推荐模型,所述n与所述m均为自然数,且所述n大于所述m。
A3.如A2所述的商户推荐方法,所述行为特征包括:
口味、配送速度、消费金额、商户类型、配送距离。
A4.如A2所述的商户推荐方法,所述根据用户的n个行为特征获取更新后的商户推荐模型,具体包括:
根据所述n个行为特征,分别对所述匹配程度的影响度,调整所述n个行为特征中的各行为特征的权重。
A5.如A2所述的商户推荐方法,所述n个行为特征,包括用户的共性行为特征和用户的个性行为特征。
A6.如A1至A5中任一项所述的商户推荐方法,所述获取用户的商户浏览数据,具体为:
接收通知消息,所述通知消息为检测到所述商户浏览数据满足预设条件时,发送的通知消息;
所述根据所述商户浏览数据,确定是否需要更新商户推荐模型,具体包括:
若接收到通知消息的数量大于预设门限,则确定需要更新商户推荐模型。
A7.如A6所述的商户推荐方法,所述商户浏览数据包括:浏览商户的数量;
所述预设条件具体为:所述用户浏览商户的数量大于第一预设阈值时,还未检测到成交数据。
A8.如A6所述的商户推荐方法,所述商户浏览数据包括:浏览商户的时间;
所述预设条件具体为:所述用户浏览商户的时间大于第二预设阈值时,还未检测到成交数据。
本申请实施例公开了B1.一种商户推荐系统,包括:算法服务器、文件服务器和排序服务器;
所述算法服务器,用于获取用户的商户浏览数据,并根据所述商户浏览数据,确定是否需要更新商户推荐模型,当确定需要更新所述商户推荐模型,更新所述商户推荐模型,并将更新后的商户推荐模型发送至所述文件服务器;
所述文件服务器,用于对所述更新后的商户推荐模型进行存储;
所述排序服务器,用于从所述文件服务器获取所述更新后的商户推荐模型,并以所述更新后的商户推荐模型对商户进行排序。
B2.如B1所述的商户推荐系统,所述排序服务器,具体用于:
监控所述文件服务器中的商户推荐模型的版本,若监控到所述商户推荐模型的更新版本,则从所述文件服务器上获取所述商户推荐模型的更新版本。
B3.如B2所述的商户推荐系统,所述排序服务器,具体用于:
以轮询的方式监控文件服务器上的商户推荐模型的版本。
本申请实施例公开了C1.一种商户推荐装置,包括:
获取模块,用于获取用户的商户浏览数据;
确定模块,用于根据所述商户浏览数据,确定是否需要更新商户推荐模型;
模型更新模块,用于当确定需要更新所述商户推荐模型,更新所述商户推荐模型;
排序更新模块,用于以更新后的商户推荐模型对商户进行排序。
本申请实施例公开了D1.一种服务器,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器和通信单元;
其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行以实现:
获取用户的商户浏览数据;
根据所述商户浏览数据,确定是否需要更新商户推荐模型;
当确定需要更新所述商户推荐模型,更新所述商户推荐模型;
以更新后的商户推荐模型对商户进行排序。
D2.如D1所述的服务器,所述商户推荐模型为根据用户的行为特征计算用户与商户的匹配程度的模型,所述处理器执行更新所述商户推荐模型,具体包括:
根据用户的n个行为特征获取更新后的商户推荐模型;其中,更新前的所述商户推荐模型为根据用户的m个的行为特征获取的商户推荐模型,所述n与所述m均为自然数,且所述n大于所述m。
D3.如D2所述的服务器,所述行为特征包括:
口味、配送速度、消费金额、商户类型、配送距离。
D4.如D2所述的服务器,所述根据用户的n个行为特征获取更新后的商户推荐模型,具体包括:
根据所述n个行为特征,分别对所述匹配程度的影响度,调整所述n个行为特征中的各行为特征的权重。
D5.如D2所述的服务器,所述n个行为特征,包括用户的共性行为特征和用户的个性行为特征。
D6.如D1所述的服务器,所述获取用户的商户浏览数据,具体为:
接收通知消息,所述通知消息为检测到所述商户浏览数据满足预设条件时,发送的通知消息;
所述根据所述商户浏览数据,确定是否需要更新商户推荐模型,具体包括:
若接收到通知消息的数量大于预设门限,则确定需要更新商户推荐模型。
D7.如D6所述的服务器,所述商户浏览数据包括:浏览商户的数量;
所述预设条件具体为:所述用户浏览商户的数量大于第一预设阈值时,还未检测到成交数据。
D8.如D6所述的服务器,所述商户浏览数据包括:浏览商户的时间;
所述预设条件具体为:所述用户浏览商户的时间大于第二预设阈值时,还未检测到成交数据。
本申请实施例公开了E1.一种非易失性存储介质,用于存储计算机可读程序,所述计算机可读程序用于供计算机执行A1至A8中任一项所述的商户推荐方法。
Claims (10)
1.一种商户推荐方法,其特征在于,包括:
获取用户的商户浏览数据;
根据所述商户浏览数据,确定是否需要更新商户推荐模型;
当确定需要更新所述商户推荐模型,更新所述商户推荐模型;
以更新后的商户推荐模型对商户进行排序。
2.根据权利要求1所述的商户推荐方法,其特征在于,所述商户推荐模型为根据用户的行为特征计算用户与商户的匹配程度的模型;
所述更新所述商户推荐模型,具体包括:
根据用户的n个行为特征获取更新后的商户推荐模型;其中,更新前的所述商户推荐模型为根据用户的m个行为特征获取的商户推荐模型,所述n与所述m均为自然数,且所述n大于所述m。
3.根据权利要求2所述的商户推荐方法,其特征在于,所述行为特征包括:
口味、配送速度、消费金额、商户类型、配送距离。
4.根据权利要求2所述的商户推荐方法,其特征在于,所述根据用户的n个行为特征获取更新后的商户推荐模型,具体包括:
根据所述n个行为特征,分别对所述匹配程度的影响度,调整所述n个行为特征中的各行为特征的权重。
5.根据权利要求2所述的商户推荐方法,其特征在于,所述n个行为特征,包括用户的共性行为特征和用户的个性行为特征。
6.根据权利要求1至5中任一项所述的商户推荐方法,其特征在于,所述获取用户的商户浏览数据,具体为:
接收通知消息,所述通知消息为检测到所述商户浏览数据满足预设条件时,发送的通知消息;
所述根据所述商户浏览数据,确定是否需要更新商户推荐模型,具体包括:
若接收到通知消息的数量大于预设门限,则确定需要更新商户推荐模型。
7.一种商户推荐系统,其特征在于,包括:算法服务器、文件服务器和排序服务器;
所述算法服务器,用于获取用户的商户浏览数据,并根据所述商户浏览数据,确定是否需要更新商户推荐模型,当确定需要更新所述商户推荐模型,更新所述商户推荐模型,并将更新后的商户推荐模型发送至所述文件服务器;
所述文件服务器,用于对所述更新后的商户推荐模型进行存储;
所述排序服务器,用于从所述文件服务器获取所述更新后的商户推荐模型,并以所述更新后的商户推荐模型对商户进行排序。
8.一种商户推荐装置,其特征在于,包括:
获取模块,用于获取用户的商户浏览数据;
确定模块,用于根据所述商户浏览数据,确定是否需要更新商户推荐模型;
模型更新模块,用于当确定需要更新所述商户推荐模型,更新所述商户推荐模型;
排序更新模块,用于以更新后的商户推荐模型对商户进行排序。
9.一种服务器,其特征在于,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器和通信单元;
其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行以实现:
获取用户的商户浏览数据;
根据所述商户浏览数据,确定是否需要更新商户推荐模型;
当确定需要更新所述商户推荐模型,更新所述商户推荐模型;
以更新后的商户推荐模型对商户进行排序。
10.一种非易失性存储介质,用于存储计算机可读程序,所述计算机可读程序用于供计算机执行如权利要求1至6中任一项所述的商户推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811501931.4A CN109615428A (zh) | 2018-12-10 | 2018-12-10 | 商户推荐方法、装置、系统及服务器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811501931.4A CN109615428A (zh) | 2018-12-10 | 2018-12-10 | 商户推荐方法、装置、系统及服务器 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109615428A true CN109615428A (zh) | 2019-04-12 |
Family
ID=66008751
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811501931.4A Pending CN109615428A (zh) | 2018-12-10 | 2018-12-10 | 商户推荐方法、装置、系统及服务器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109615428A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110310168A (zh) * | 2019-05-17 | 2019-10-08 | 北京小度信息科技有限公司 | 模型的调整方法、装置、服务器和存储介质 |
CN110851703A (zh) * | 2019-09-30 | 2020-02-28 | 口碑(上海)信息技术有限公司 | 一种数据处理方法及装置 |
CN112328892A (zh) * | 2020-11-24 | 2021-02-05 | 北京百度网讯科技有限公司 | 信息推荐方法、装置、设备及计算机存储介质 |
CN113094597A (zh) * | 2021-04-29 | 2021-07-09 | 平安国际智慧城市科技股份有限公司 | 基于机器学习的千人千面门户处理方法、装置及相关设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120109882A1 (en) * | 2010-10-29 | 2012-05-03 | Russell Kent Bouse | Systems and methods to consolidate and communicate user profiles and modality preferences information for content delivery or interaction experiences |
CN103412936A (zh) * | 2013-08-21 | 2013-11-27 | 五八同城信息技术有限公司 | 一种基于数据挖掘和云计算服务的菜品推荐系统 |
CN104731866A (zh) * | 2015-02-27 | 2015-06-24 | 湖南大学 | 一种基于位置的个性化美食推荐方法 |
CN106951572A (zh) * | 2017-04-12 | 2017-07-14 | 上海斐讯数据通信技术有限公司 | 一种餐饮推荐系统和餐饮推荐方法 |
CN107092629A (zh) * | 2017-01-18 | 2017-08-25 | 北京小度信息科技有限公司 | 推荐方法及装置 |
CN107423355A (zh) * | 2017-05-26 | 2017-12-01 | 北京三快在线科技有限公司 | 信息推荐方法及装置、电子设备 |
CN108780562A (zh) * | 2015-12-22 | 2018-11-09 | 北京嘀嘀无限科技发展有限公司 | 更新服务序列的系统和方法 |
-
2018
- 2018-12-10 CN CN201811501931.4A patent/CN109615428A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120109882A1 (en) * | 2010-10-29 | 2012-05-03 | Russell Kent Bouse | Systems and methods to consolidate and communicate user profiles and modality preferences information for content delivery or interaction experiences |
CN103412936A (zh) * | 2013-08-21 | 2013-11-27 | 五八同城信息技术有限公司 | 一种基于数据挖掘和云计算服务的菜品推荐系统 |
CN104731866A (zh) * | 2015-02-27 | 2015-06-24 | 湖南大学 | 一种基于位置的个性化美食推荐方法 |
CN108780562A (zh) * | 2015-12-22 | 2018-11-09 | 北京嘀嘀无限科技发展有限公司 | 更新服务序列的系统和方法 |
CN107092629A (zh) * | 2017-01-18 | 2017-08-25 | 北京小度信息科技有限公司 | 推荐方法及装置 |
CN106951572A (zh) * | 2017-04-12 | 2017-07-14 | 上海斐讯数据通信技术有限公司 | 一种餐饮推荐系统和餐饮推荐方法 |
CN107423355A (zh) * | 2017-05-26 | 2017-12-01 | 北京三快在线科技有限公司 | 信息推荐方法及装置、电子设备 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110310168A (zh) * | 2019-05-17 | 2019-10-08 | 北京小度信息科技有限公司 | 模型的调整方法、装置、服务器和存储介质 |
CN110851703A (zh) * | 2019-09-30 | 2020-02-28 | 口碑(上海)信息技术有限公司 | 一种数据处理方法及装置 |
CN112328892A (zh) * | 2020-11-24 | 2021-02-05 | 北京百度网讯科技有限公司 | 信息推荐方法、装置、设备及计算机存储介质 |
CN113094597A (zh) * | 2021-04-29 | 2021-07-09 | 平安国际智慧城市科技股份有限公司 | 基于机器学习的千人千面门户处理方法、装置及相关设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109615428A (zh) | 商户推荐方法、装置、系统及服务器 | |
US10268432B2 (en) | Method and apparatus for generating watch screen design for smart watch | |
CN107730313B (zh) | 基于推荐理由的店铺推荐方法及装置 | |
CN109999504B (zh) | 一种游戏道具推荐方法、装置、服务器及存储介质 | |
RU2015143316A (ru) | Способ и система определения оптимального значения параметра аукциона для цифрового объекта | |
US20160217383A1 (en) | Method and apparatus for forecasting characteristic information change | |
US10795953B2 (en) | Methods and systems for social network based content recommendations | |
US20120036037A1 (en) | Product reccommendation system | |
CN105635480B (zh) | 一种应用程序推荐方法及相应装置 | |
JP2010073170A (ja) | 推薦商品選択装置、推薦商品選択プログラムおよび商品検索装置 | |
CN103942193B (zh) | 一种信息推送的方法及装置 | |
KR20140098314A (ko) | 추천 컨텐츠 및 연관 컨텐츠 제공 방법 | |
CN106649323B (zh) | 推荐关键词的方法及装置 | |
CN109961351A (zh) | 信息推荐方法、装置、存储介质及计算机设备 | |
CN104077354B (zh) | 论坛中帖子的热度确定方法及相关装置 | |
CN106933822B (zh) | 一种内容推荐方法及装置 | |
JP6059169B2 (ja) | 算出装置、算出方法および算出プログラム | |
JP7245904B2 (ja) | 電子処理プラットフォームで行う品物対象の演算 | |
US20160071189A1 (en) | Information processing apparatus, information processing method, and program | |
JP6903629B2 (ja) | 評価システム、評価方法及びプログラム | |
WO2022116833A1 (zh) | 一种商品搜索方法、终端设备及服务器 | |
JP5299199B2 (ja) | 商品推奨方法及び商品推奨システム | |
JP2015179471A (ja) | 算出装置、算出方法および算出プログラム | |
CN111340583B (zh) | 信息获取方法、装置、计算机设备和存储介质 | |
JPWO2019016891A1 (ja) | レコメンド装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190412 |
|
RJ01 | Rejection of invention patent application after publication |