CN109636494A - 药品推荐方法及系统 - Google Patents
药品推荐方法及系统 Download PDFInfo
- Publication number
- CN109636494A CN109636494A CN201710930638.9A CN201710930638A CN109636494A CN 109636494 A CN109636494 A CN 109636494A CN 201710930638 A CN201710930638 A CN 201710930638A CN 109636494 A CN109636494 A CN 109636494A
- Authority
- CN
- China
- Prior art keywords
- drug
- user
- information
- medicine
- portrait
- 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
- G06Q30/06—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
本发明公开了一种药品推荐方法及系统。所述药品推荐方法包括以下步骤:S1、获取药品销售列表,所述药品销售列表包括多个药品的药品信息;为每个药品设置对应的药品标签画像;所述药品标签画像包括至少一药品标签;所述药品标签根据所述药品信息设置;S2、为每个用户设置用户标签画像;所述用户标签画像包括至少一用户标签,所述用户标签根据用户信息设置;S3、根据所述用户标签画像和所述药品标签画像从所述药品销售列表中选择待推荐药品。本发明实现了为用户推荐精确的、个性化的且符合药品使用特性的药品。
Description
技术领域
本发明涉及商品推荐领域,特别涉及一种药品推荐方法及系统。
背景技术
电子通讯和互联网的快速发展,使得人们的生活模式和习惯发生很大的变化。越来越多的人倾向于网上购物,并且由于网上购物具有方便快捷、交易成本低、种类繁多和不受场地限制等特点,得到更为蓬勃的发展。在互联网购物过程中,如何将商品信息精确地推荐给合适的用户,使用户能便利地从茫茫商品信息中得到自己所需和所感兴趣的产品信息,节省用户搜索、查询时间,提高用户体验和信息处理效率也逐渐成为人们所关注的问题。
目前,没有专门针对药品的推荐系统,由于政策以及药品商品的特殊性,现有的商品推荐系统不能满足对药品推荐的精准性和特殊性的要求,若推荐错误的药品给用户,会造成无法挽救的损失。
发明内容
本发明要解决的技术问题是为了克服现有技术中的商品推荐不能满足对药品推荐的精准性和特殊性的要求的缺陷,提供一种精确、个性化且符合药品使用特性的药品推荐方法及系统。
本发明是通过下述技术方案来解决上述技术问题:
一种药品推荐方法,所述药品推荐方法包括以下步骤:
S1、获取药品销售列表,所述药品销售列表包括多个药品的药品信息;为每个药品设置对应的药品标签画像;所述药品标签画像包括至少一药品标签;所述药品标签根据所述药品信息设置;
S2、为每个用户设置用户标签画像;所述用户标签画像包括至少一用户标签,所述用户标签根据用户信息设置;
S3、根据所述用户标签画像和所述药品标签画像从所述药品销售列表中选择待推荐药品。
较佳地,步骤S3,具体包括:
S31、计算所述用户标签画像与每个药品的药品标签画像的第一相关偏好值;
S32、将所述第一相关偏好值大于第一阈值的药品选择为待推荐药品。
较佳地,所述用户标签包括用户历史操作信息标签和用户个人信息标签;所述用户历史操作信息标签根据用户历史操作信息设置,所述用户个人信息标签根据用户个人信息设置;
步骤S31,具体包括:
对不同的用户历史操作信息,进行权重加和,得到用户对每个药品的相关度;
根据用户个人信息以及所述药品信息,得到用户对药品的偏好度;
根据所述相关度和所述偏好度,计算用户对每个药品的相关偏好值。
较佳地,计算所述用户标签画像与每个药品的药品标签画像的第一相关偏好值的计算公式如下:
fk(correlationi,j,preferencei,j)>a;
correlationi,j=W1·Actioni,j;
preferencei,j=gk(personasi,drugj);
其中,fk为计算用户i对药品商品j的相关偏好值的函数;correlationi,j为用户i对药品j的相关度;W1为用户对用户历史操作信息的权重;Actioni,j为用户i对药品j的每种用户历史操作信息的得分矩阵;preferencei,j为用户i对药品j的偏好度;gk为通过用户个人信息personasi以及药品信息drugj计算偏好度的函数;a为阈值。
较佳地,所述药品推荐方法还包括:
获取用户的当前浏览信息;
步骤S32之后,还包括:
S33、根据所述当前浏览信息对所述待推荐药品进行筛选,得到最终的推荐药品。
较佳地,步骤S33,具体包括:
根据所述当前浏览信息计算所述用户标签画像与每个待推荐药品的第二相关偏好值;
将所述第二相关偏好值大于第二阈值的药品确定为最终的推荐药品。
较佳地,所述当前浏览信息包括用户当前的登录页面和当前操作信息;
根据所述当前浏览信息计算所述用户标签画像与每个待推荐药品的第二相关偏好值,具体包括:
当所述用户当前的登录页面为首页时,通过所述当前操作信息并基于协同过滤、矩阵奇异值分解推荐方法计算第二相关偏好值;
当所述用户当前的登录页面为搜索页时,通过所述当前操作信息并基于加权平均方法计算第二相关偏好值;
当所述用户当前的登录页面为商品详页时,通过所述当前操作信息并基于关联规则算法计算第二相关偏好值;
当所述用户当前的登录页面为购物车页时,通过药品的药品信息和药品类目之间的关联性方法计算第二相关偏好值;
当所述用户当前的登录页面为订单支付完成页时,通过所述当前操作信息和其他药品类目之间的关联性方法计算第二相关偏好值;
步骤S33之后还包括:
根据所述第二相关偏好值由高到低的顺序对所述最终的推荐药品排序后,生成推荐列表并进行推荐。
较佳地,药品信息包括以下参数中的至少一种:商品ID、名称、三级类目、品牌名称、品牌ID、生产厂家、厂家ID、药品类型、产品类型、销售状态、产品状态、销售价格、成分、性状、功能描述、禁忌信息、搭配用药信息和销售ID;
和/或,用户个人信息包括以下参数中的至少一种:用户性别、年龄、病史数据、访问偏好数据和行为偏好数据。
较佳地,步骤S1还包括:
统计所述药品销售列表中的药品的销售量,按照销售量由高至低的顺序排列所述药品销售列表中的药品。
较佳地,所述药品推荐方法还包括:
根据用户的购买信息,修改所述用户标签画像。
本发明还提供一种药品推荐系统,所述药品推荐系统包括:
药品销售列表获取模块,用于获取药品销售列表;所述药品销售列表包括多个药品的药品信息;
标签画像设置模块,用于为每个药品设置对应的药品标签画像;所述药品标签画像包括至少一药品标签;所述药品标签根据所述药品信息设置;
所述标签画像设置单元还用于为每个用户设置用户标签画像;所述用户标签画像包括至少一用户标签,所述用户标签根据用户信息设置;
药品推荐模块,用于根据所述用户标签画像和所述药品标签画像从所述药品销售列表中选择待推荐药品。
较佳地,所述药品推荐模块具体包括:
计算单元,用于计算所述用户标签画像与每个药品的药品标签画像的第一相关偏好值;
推荐单元,用于将所述第一相关偏好值大于第一阈值的药品选择为待推荐药品。
较佳地,用户标签包括用户历史操作信息标签和用户个人信息标签;所述用户历史操作信息标签包括用户历史操作信息,所述用户个人信息标签包括用户个人信息;
所述计算单元具体用于对不同的用户历史操作信息,进行权重加和,得到用户对每个药品的相关度;
所述计算单元还用于根据用户个人信息以及所述药品信息,得到用户对药品的偏好度;
所述计算单元还用于根据相关度和偏好度,计算用户对每个药品的相关偏好值。
较佳地,所述计算单元计算第一相关偏好值的计算公式如下:
fk(correlationi,j,preferencei,j)>a;
correlationi,j=W1·Actioni,j;
preferencei,j=gk(personasi,drugj);
其中,fk为计算用户i对药品商品j的相关偏好值的函数;correlationi,j为用户i对药品j的相关度;W1为用户对用户历史操作信息的权重;Actioni,j为用户i对药品j的每种用户历史操作信息的得分矩阵;preferencei,j为用户i对药品j的偏好度;gk为通过用户个人信息personasi以及药品信息drugj计算偏好度的函数;a为阈值。
较佳地,所述药品推荐系统还包括:
浏览信息获取模块,用于获取用户的当前浏览信息;
所述药品推荐模块还包括:
筛选单元,用于根据所述当前浏览信息对所述待推荐药品进行筛选,得到最终的推荐药品。
较佳地,所述筛选单元具体用于根据所述当前浏览信息计算所述用户标签画像与每个待推荐药品的第二相关偏好值;将所述第二相关偏好值大于第二阈值的药品确定为最终的推荐药品。
较佳地,所述当前浏览信息包括用户当前的登录页面和当前操作信息;
所述药品推荐模块还包括:排序单元;
当所述用户当前的登录页面为首页时,所述筛选单元通过所述当前操作信息并基于矩阵奇异值分解推荐系统计算第二相关偏好值;
当所述用户当前的登录页面为搜索页时,所述筛选单元通过所述当前操作信息并基于加权平均系统计算第二相关偏好值;
当所述用户当前的登录页面为商品详页时,所述筛选单元通过所述当前操作信息并基于关联规则算法计算第二相关偏好值;
当所述用户当前的登录页面为购物车页时,所述筛选单元通过药品的药品信息和药品类目之间的关联性系统计算第二相关偏好值;
当所述用户当前的登录页面为订单支付完成页时,所述筛选单元通过所述当前操作信息和其他药品类目之间的关联性系统计算第二相关偏好值;
所述排序单元用于根据所述第二相关偏好值由高到低的顺序对所述最终的推荐药品排序后,生成推荐列表并进行推荐。
较佳地,药品信息包括以下参数中的至少一种:商品ID、名称、三级类目、品牌名称、品牌ID、生产厂家、厂家ID、药品类型、产品类型、销售状态、产品状态、销售价格、成分、性状、功能描述、禁忌信息、搭配用药信息和销售ID;
和/或,用户个人信息包括以下参数中的至少一种:用户性别、年龄、病史数据、访问偏好数据、行为偏好数据和用户历史操作信息。
较佳地,所述药品推荐系统还包括:
统计模块,用于统计所述药品销售列表中的药品的销售量,并按照销售量由高至低的顺序排列所述药品销售列表中的药品。
较佳地,所述药品推荐系统还包括:
修改模块,用于根据用户的购买信息,修改所述用户标签画像。
本发明的积极进步效果在于:本发明实现了为用户推荐精确的、个性化的且符合药品使用特性的药品。
附图说明
图1为本发明实施例1的药品推荐方法的第一流程图。
图2为本发明实施例1的药品推荐方法的第二流程图。
图3为本发明实施例2的药品推荐系统的模块示意图。
具体实施方式
下面通过实施例的方式进一步说明本发明,但并不因此将本发明限制在所述的实施例范围之中。
实施例1
如图1所示,本实施例的药品推荐方法包括以下步骤:
步骤101、获取药品销售列表。
其中,药品销售列表包括多个药品的药品信息。药品信息包括以下参数中的至少一种:商品ID、名称、三级类目、品牌名称、品牌ID、生产厂家、厂家ID、药品类型(包括是否为处方药)、产品类型(产品、赠品和套餐等)、销售状态、产品状态(停用、启用和展示等)、销售价格、成分、性状、功能描述、禁忌信息、搭配用药信息(例如,乙肝抗病毒类目药品与乙肝保肝护肝类目搭配信息,以及药品所针对的疾病信息等)和销售ID等。
步骤102、为每个药品设置对应的药品标签画像;为每个用户设置用户标签画像。
其中,药品标签画像包括至少一个药品标签。药品标签根据药品信息设置,由于商品ID是每个药品商品的唯一标识,因此根据商品ID设置标签画像,每个药品商品只有一个标签画像。
用户标签画像包括至少一个用户标签,用户标签根据用户信息设置。用户信息包括用户历史操作信息和用户个人信息。用户标签具体包括用户历史操作信息标签和用户个人信息标签。用户历史操作信息标签根据用户历史操作信息设置,用户个人信息标签根据用户个人信息设置。其中,用户个人信息又包括以下参数中的至少一种:用户性别、年龄、病史数据、访问偏好数据和行为偏好数据等。
需要说明的是:本发明实例中的药品标签画像不同于一般的商品画像,还应包括对应的药品信息特征。比如:成份、性状、功能主治、禁忌等所生成的药品特征标签。以及包括对应的商品信息特征,除开基本商品信息特征之外,还可以包括比如:是否正品联盟、是否处方药、是否冷链等药品商品特有的商品属性特征。
标签一般是存储在HBase(是一个分布式的、面向列的开源数据库)、搜索引擎、HDFS(是一个高度容错性的系统),或者各种关系型或非关系型数据库里面的,当然是可以实现可视化的。设置标签画像的目的在于:个性化推荐、精准营销,设想效果以了解用户偏好,知道用户需要什么,进而进行相关的推荐和营销。
步骤103、根据用户标签画像和药品标签画像从药品销售列表中选择待推荐药品。
从而,可将待推荐药品推荐给用户,由于该待推荐药品是通过药品标签画像和用户标签画像针对对应的用户生成的,因此推荐结果较精确,且符合药品使用特性。推荐结果可通过药品推荐列表的形式展现给用户。
本实施例中,如图2所示,步骤103,具体包括:
步骤103-1、计算用户标签画像与每个药品的药品标签画像的第一相关偏好值。
具体的,步骤103-1包括:
对不同的用户历史操作信息,进行权重加和,得到用户对每个药品的相关度;
根据用户个人信息以及药品信息,得到用户对药品的偏好度;
根据相关度和偏好度,计算用户对每个药品的相关偏好值。
其中,用户历史操作包括用户的浏览、搜索、加车、收藏、咨询、购买、支付等行为。用户历史操作信息包括用户的浏览药品的次数、搜索药品的次数、药品加入购物车的数量、收藏药品的次数、咨询的次数、购买药品的次数等信息。
步骤103-2、将第一相关偏好值大于第一阈值的药品选择为待推荐药品。
本实施例中,计算用户标签画像与每个药品的药品标签画像的第一相关偏好值的计算公式如下:
fk(correlationi,j,preferencei,j)>a;
correlationi,j=W1·Actioni,j;
preferencei,j=gk(personasi,drugj);
其中,fk为计算用户i对药品商品j的相关偏好值的函数;correlationi,j为用户i对药品j的相关度;W1为用户对用户历史操作信息的权重;Actioni,j为用户i对药品j的每种用户历史操作信息的得分矩阵;preferencei,j为用户i对药品j的偏好度;gk为通过用户个人信息personasi以及药品信息drugj计算偏好度的函数,具体可采用TFIDF算法、word2vec、余弦夹角距离和汉明距离这四种算法;a为阈值。其中,关偏好值计算具体可采用层次分析法、模糊评价法、综合指数法和Topsis法。
以下通过具体实例对得分矩阵Actioni,j和W1进行解释:
假设[购买,加车,收藏,搜索,浏览]T的权重W1为[5,2,1,0.6,0.3]T。
假设某一用户对5个商品的操作行为的得分矩阵Actioni,j为:
矩阵中,每行的数据为用户对一个药品的每种操作的操作次数,以第一行为例,则表明该用户分别购买过1次,加车过1次,浏览过2次该商品。
通过以下计算可得:
从而,用户对这5个药品的相关度依次为:7.6,8,4.5,1.5,7.3。
本实施例中,为了提高药品推荐的准确性,还对步骤103获得的待推荐药品根据用户的不同使用场景作进一步筛选,此时药品推荐方法还包括:
步骤103’、获取用户的当前浏览信息;
步骤103和步骤103’之后,还包括:
步骤104、根据当前浏览信息对待推荐药品进行筛选,得到最终的推荐药品。
具体的,步骤104包括:根据当前浏览信息计算用户标签画像与每个待推荐药品的第二相关偏好值;将第二相关偏好值大于第二阈值的药品确定为最终的推荐药品。
本实施例中,当前浏览信息包括用户当前的登录页面和当前操作信息。
步骤104中,根据当前浏览信息计算用户标签画像与每个待推荐药品的第二相关偏好值,具体包括:
当用户当前的登录页面为首页时,通过当前操作信息并基于协同过滤、矩阵奇异值分解推荐方法计算第二相关偏好值。其中,当前操作信息包括:用户浏览药品商品的次数、是否将药加入购物车、是否购买等。从而,当用户进入首页时,则根据用户浏览次数较多、加车未购买等当前操作信息并基于改良的符合药品商品使用特征的协同过滤、矩阵奇异值分解推荐方法计算第二相关偏好值并排序,以将与首页关联性较高的药品商品作为最终的推荐药品。
改良的符合药品商品使用特征的协同过滤,即在正常的基于商品的协同过滤里面,添加以下规则:1、不允许推荐商品跨一级类目;2、基于用户购买以及药师处方下单得到的二级、三级类目关联规则,允许关联类目的药品商品推荐;3、通过矩阵奇异值分解得到关联的药品信息特征,允许具有关联的药品信息特征的药品商品得到推荐。
以下通过具体实例介绍通过符合药品商品使用特征的协同过滤方法进行药品推荐过滤的方法:因为药品商品的特殊性,不能跨药品的一级类目,二级类目,或者三级类目进行推荐。比如999感冒灵颗粒是常用药,很多用户经常买其他药品,同时也买了999感冒灵。但是,若某一用户购买了乙肝的恩替卡很有可能协同过滤推荐999感冒灵颗粒和福瑞复方鳖甲软肝片(而福瑞复方鳖甲软肝片因为和恩替卡常作为联合用药,所以被推荐概率较大)。但在推荐给用户的时候,因为涉及到乙肝用药的特殊性,所以应该推荐同二级类目(肝病科)的福瑞复方鳖甲软肝片,而过滤掉999感冒灵颗粒。
当用户当前的登录页面为搜索页时,通过当前操作信息并基于加权平均方法计算第二相关偏好值。也即可从待推荐药品中将用户浏览次数较多,具有历史购买记录的,以及符合用药特征的其他跨类目药品进行加权计算第二相关偏好值并排序,从而将与搜索页关联性较高的药品商品作为最终的推荐药品。
当用户当前的登录页面为商品详页时,通过当前操作信息并基于关联规则算法计算第二相关偏好值。也即将整体用户看了还看,买过同时购买、买过还买的药品,使用关联规则频繁项集计算第二相关偏好值并排序,将与商品详页关联性较高的药品商品作为最终的推荐药品。
当用户当前的登录页面为购物车页时,通过药品的药品信息和药品类目之间的关联性方法计算第二相关偏好值。并将与购物车内的药品的关联性较高的药品商品作为最终的推荐药品。
当用户当前的登录页面为订单支付完成页时,通过当前操作信息和其他药品类目之间的关联性方法计算第二相关偏好值。也即将用户浏览次数、搜索次数较多,购买的以及符合用药特征的其他跨类目商品的药品进行加权计算第二相关偏好值并排序,将与订单支付完成页关联性较高的药品商品作为最终的推荐药品。
从而,针对用户推荐符合当前用户使用场景的药品。
步骤105、将最终的推荐药品排序后推荐给用户。
具体的,根据第二相关偏好值由高到低的顺序对最终的推荐药品进行排序,并生成药品推荐列表后推荐给用户。
本实施例中,若用户购买了某药品,药品推荐方法还包括:
根据用户的购买信息,修改用户标签画像。
由于药品商品的特殊性,当用户购买某一药品商品时,相应的对用户标签画像进行修改,也即该用户添加上购买药品的属性标签以及疾病标签,比如:用户购买了乙肝类目下早期抗病毒药品商品,则给该用户应添加“乙肝早期”、“慢性病”、“抗病毒”标签。下一次则根据修改后的用户标签画像进行药品推荐,以确保推荐给用户的药品越来越精确。
本实施例中,步骤101还包括:
统计药品销售列表中的药品的销售量,按照销售量由高至低的顺序排列药品销售列表中的药品。
也就是说,药品销售列表可以是预置的,药品销售列表中药品商品的排列顺序可根据被操作的行为数据自动生成。比如按照商品的热销程度排序,由于药品商品的特殊性,必须要按照三级类目分别统计每个类目的热销程度,按照{[三级类目,(药品商品ID,热销程度)]}来统计排序。从而,当用户没有任何操作行为的时候,推荐热销药品,实现用户个性化推荐的冷启动。
本发明实施例可以获取包括一个以上的药品信息的药品销售列表,计算每个药品商品与用户的相关偏好值,然后生成针对该用户的个性化的药品销售列表。还可在不同的用户使用场景、基于不同的计算方法得到不同场景下的针对用户的药品销售列表,将药品销售列表推送给用户:一者可以精确地将药品商品信息推荐给有相应需求的用户;二者药品销售列表是根据用户的操作行为和用户信息所得到的,所以更能符合用户的需求,节省用户购买的时间和精力,提高购物体验和效率;三者针对首页、搜索页、商品详情页、购物车页、订单页和订单完成页都基于不同的算方法生成不同的药品销售列表,极大满足了用户不同的购物需求。
实施例2
如图3所示,本实施例的药品推荐系统包括:药品销售列表获取模块1、标签画像设置模块2和药品推荐模块3。
药品销售列表获取模块1用于获取药品销售列表;药品销售列表包括多个药品的药品信息。
标签画像设置模块2用于为每个药品设置对应的药品标签画像,为每个用户设置用户标签画像。
药品推荐模块3用于根据用户标签画像和药品标签画像从药品销售列表中选择待推荐药品。
从而,可将待推荐药品推荐给用户,由于该待推荐药品是通过药品标签画像和用户标签画像针对该用户生成的,因此推荐结果较精确,且符合药品使用特性。推荐结果可通过药品推荐列表的形式展现给用户。
本实施例中,药品标签画像包括至少一个药品标签。药品标签根据药品信息设置。药品信息包括以下参数中的至少一种:商品ID、名称、三级类目、品牌名称、品牌ID、生产厂家、厂家ID、药品类型、产品类型、销售状态、产品状态、销售价格、成分、性状、功能描述、禁忌信息、搭配用药信息和销售ID。由于商品ID是每个药品商品的唯一标识,因此根据商品ID设置标签画像,每个药品商品只有一个标签画像
用户标签画像包括至少一个用户标签,用户标签根据用户信息设置。用户信息包括用户历史操作信息和用户个人信息。用户个人信息又包括以下参数中的至少一种:用户性别、年龄、病史数据、访问偏好数据和行为偏好数据等。用户标签具体包括用户历史操作信息标签和用户个人信息标签。用户历史操作信息标签根据用户历史操作信息设置,用户个人信息标签根据用户个人信息设置。用户个人信息包括以下参数中的至少一种:用户性别、年龄、病史数据、访问偏好数据和行为偏好数据。
本实施例中,药品推荐模块3具体包括:计算单元31和推荐单元32。
计算单元31用于计算用户标签画像与每个药品的药品标签画像的第一相关偏好值。具体的,计算单元对不同的用户历史操作信息,进行权重加和,得到用户对每个药品的相关度,又根据用户个人信息以及药品信息,得到用户对药品的偏好度;计算单元还用于根据相关度和偏好度,计算用户对每个药品的相关偏好值。
推荐单元32用于将第一相关偏好值大于第一阈值的药品选择为待推荐药品。
本实施例中,计算单元计算第一相关偏好值的计算公式如下:
fk(correlationi,j,preferencei,j)>a (1)
correlationi,j=W1·Actioni,j (2)
preferencei,j=gk(personasi,drugj) (3)
其中,fk为计算用户i对药品商品j的相关偏好值的函数;correlationi,j为用户i对药品j的相关度;W1为用户对用户历史操作信息的权重;Actioni,j为用户i对药品j的每种用户历史操作信息的得分矩阵;preferencei,j为用户i对药品j的偏好度;gk为通过用户个人信息personasi以及药品信息drugj计算偏好度的函数;a为阈值。
本实施例中,为了提高药品推荐的准确性,可对待推荐药品根据用户的不同使用场景作进一步筛选后推荐给用户,此时药品推荐系统还包括:浏览信息获取模块4、统计模块5和修改模块6。药品推荐模块3还包括:筛选单元33和排序单元34。
浏览信息获取模块4用于获取用户的当前浏览信息。其中,当前浏览信息包括用户当前的登录页面和当前操作信息。当前操作信息包括:用户浏览药品商品的次数、是否将药加入购物车、是否购买等。
筛选单元33用于根据当前浏览信息对待推荐药品进行筛选,得到最终的推荐药品。具体的,筛选单元根据当前浏览信息计算用户标签画像与每个待推荐药品的第二相关偏好值;将第二相关偏好值大于第二阈值的药品确定为最终的推荐药品。
当用户当前的登录页面为首页时,筛选单元通过当前操作信息并基于矩阵奇异值分解推荐系统计算第二相关偏好值。也即当用户进入首页时,则根据用户浏览次数较多、加车未购买等当前操作信息并基于改良的符合药品商品使用特征的协同过滤、矩阵奇异值分解推荐方法计算第二相关偏好值并排序,以将与首页关联性较高的药品商品作为最终的推荐药品。
当用户当前的登录页面为搜索页时,筛选单元通过当前操作信息并基于加权平均系统计算第二相关偏好值。也即可从待推荐药品中将用户浏览次数较多,具有历史购买记录的,以及符合用药特征的其他跨类目药品进行加权计算第二相关偏好值并排序,从而将与搜索页关联性较高的药品商品作为最终的推荐药品。
当用户当前的登录页面为商品详页时,筛选单元通过当前操作信息并基于关联规则算法计算第二相关偏好值。也即将整体用户看了还看,买过同时购买、买过还买的药品,使用关联规则频繁项集计算第二相关偏好值并排序,将与商品详页关联性较高的药品商品作为最终的推荐药品。
当用户当前的登录页面为购物车页时,筛选单元通过药品的药品信息和药品类目之间的关联性系统计算第二相关偏好值。并将与购物车内的药品的关联性较高的药品商品作为最终的推荐药品。
当用户当前的登录页面为订单支付完成页时,筛选单元通过当前操作信息和其他药品类目之间的关联性系统计算第二相关偏好值。也即将用户浏览次数、搜索次数较多,购买的以及符合用药特征的其他跨类目商品的药品进行加权计算第二相关偏好值并排序,将与订单支付完成页关联性较高的药品商品作为最终的推荐药品。
从而,针对用户推荐符合当前用户使用场景的药品。
排序单元34可根据第二相关偏好值由高到低的顺序对最终的推荐药品排序后,生成推荐列表并进行推荐。
统计模块5用于统计药品销售列表中的药品的销售量,并按照销售量由高至低的顺序排列药品销售列表中的药品。
也就是说,药品销售列表可以是预置的,统计模块5可根据该药品商品被操作的行为数据对药品销售列表中的药品商品自动排序。比如按照商品的热销程度排序,由于药品商品的特殊性,必须要按照三级类目分别统计每个类目的热销程度,按照{[三级类目,(药品商品ID,热销程度)]}来统计排序。从而,当用户没有任何操作行为的时候,推荐热销药品,实现用户个性化推荐的冷启动。
修改模块6用于根据用户的购买信息,修改用户标签画像。当用户下一次登录系统时,则根据修改后的用户标签画像进行药品推荐,以确保推荐给用户的药品越来越精确。
本发明实施例可以获取包括一个以上的药品信息的药品销售列表,计算每个药品商品与用户的相关偏好值,然后生成针对该用户的个性化的药品销售列表。还可在不同的用户使用场景、基于不同的计算方法得到不同场景下的针对用户的药品销售列表,将药品销售列表推送给用户:一者可以精确地将药品商品信息推荐给有相应需求的用户;二者药品销售列表是根据用户的操作行为和用户信息所得到的,所以更能符合用户的需求,节省用户购买的时间和精力,提高购物体验和效率;三者针对首页、搜索页、商品详情页、购物车页、订单页和订单完成页都基于不同的算方法生成不同的药品销售列表,极大满足了用户不同的购物需求。
虽然以上描述了本发明的具体实施方式,但是本领域的技术人员应当理解,这仅是举例说明,本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下,可以对这些实施方式做出多种变更或修改,但这些变更和修改均落入本发明的保护范围。
Claims (20)
1.一种药品推荐方法,其特征在于,所述药品推荐方法包括以下步骤:
S1、获取药品销售列表,所述药品销售列表包括多个药品的药品信息;为每个药品设置对应的药品标签画像;所述药品标签画像包括至少一药品标签;所述药品标签根据所述药品信息设置;
S2、为每个用户设置用户标签画像;所述用户标签画像包括至少一用户标签,所述用户标签根据用户信息设置;
S3、根据所述用户标签画像和所述药品标签画像从所述药品销售列表中选择待推荐药品。
2.如权利要求1所述的药品推荐方法,其特征在于,步骤S3,具体包括:
S31、计算所述用户标签画像与每个药品的药品标签画像的第一相关偏好值;
S32、将所述第一相关偏好值大于第一阈值的药品选择为待推荐药品。
3.如权利要求2所述的药品推荐方法,其特征在于,所述用户标签包括用户历史操作信息标签和用户个人信息标签;所述用户历史操作信息标签根据用户历史操作信息设置,所述用户个人信息标签根据用户个人信息设置;
步骤S31,具体包括:
对不同的用户历史操作信息,进行权重加和,得到用户对每个药品的相关度;
根据用户个人信息以及所述药品信息,得到用户对药品的偏好度;
根据所述相关度和所述偏好度,计算用户对每个药品的相关偏好值。
4.如权利要求3所述的药品推荐方法,其特征在于,计算所述用户标签画像与每个药品的药品标签画像的第一相关偏好值的计算公式如下:
fk(correlationi,j,preferencei,j)>a;
correlationi,j=W1·Actioni,j;
preferencei,j=gk(personasi,drugj);
其中,fk为计算用户i对药品商品j的相关偏好值的函数;correlationi,j为用户i对药品j的相关度;W1为用户对用户历史操作信息的权重;Actioni,j为用户i对药品j的每种用户历史操作信息的得分矩阵;preferencei,j为用户i对药品j的偏好度;gk为通过用户个人信息personasi以及药品信息drugj计算偏好度的函数;a为阈值。
5.如权利要求2所述的药品推荐方法,其特征在于,所述药品推荐方法还包括:
获取用户的当前浏览信息;
步骤S32之后,还包括:
S33、根据所述当前浏览信息对所述待推荐药品进行筛选,得到最终的推荐药品。
6.如权利要求5所述的药品推荐方法,其特征在于,步骤S33,具体包括:
根据所述当前浏览信息计算所述用户标签画像与每个待推荐药品的第二相关偏好值;
将所述第二相关偏好值大于第二阈值的药品确定为最终的推荐药品。
7.如权利要求6所述的药品推荐方法,其特征在于,所述当前浏览信息包括用户当前的登录页面和当前操作信息;
根据所述当前浏览信息计算所述用户标签画像与每个待推荐药品的第二相关偏好值,具体包括:
当所述用户当前的登录页面为首页时,通过所述当前操作信息并基于协同过滤、矩阵奇异值分解推荐方法计算第二相关偏好值;
当所述用户当前的登录页面为搜索页时,通过所述当前操作信息并基于加权平均方法计算第二相关偏好值;
当所述用户当前的登录页面为商品详页时,通过所述当前操作信息并基于关联规则算法计算第二相关偏好值;
当所述用户当前的登录页面为购物车页时,通过药品的药品信息和药品类目之间的关联性方法计算第二相关偏好值;
当所述用户当前的登录页面为订单支付完成页时,通过所述当前操作信息和其他药品类目之间的关联性方法计算第二相关偏好值;
步骤S33之后还包括:
根据所述第二相关偏好值由高到低的顺序对所述最终的推荐药品排序后,生成推荐列表并进行推荐。
8.如权利要求3所述的药品推荐方法,其特征在于,药品信息包括以下参数中的至少一种:商品ID、名称、三级类目、品牌名称、品牌ID、生产厂家、厂家ID、药品类型、产品类型、销售状态、产品状态、销售价格、成分、性状、功能描述、禁忌信息、搭配用药信息和销售ID;
和/或,用户个人信息包括以下参数中的至少一种:用户性别、年龄、病史数据、访问偏好数据和行为偏好数据。
9.如权利要求1所述的药品推荐方法,其特征在于,步骤S1还包括:
统计所述药品销售列表中的药品的销售量,按照销售量由高至低的顺序排列所述药品销售列表中的药品。
10.如权利要求1所述的药品推荐方法,其特征在于,所述药品推荐方法还包括:
根据用户的购买信息,修改所述用户标签画像。
11.一种药品推荐系统,其特征在于,所述药品推荐系统包括:
药品销售列表获取模块,用于获取药品销售列表;所述药品销售列表包括多个药品的药品信息;
标签画像设置模块,用于为每个药品设置对应的药品标签画像;所述药品标签画像包括至少一药品标签;所述药品标签根据所述药品信息设置;
所述标签画像设置单元还用于为每个用户设置用户标签画像;所述用户标签画像包括至少一用户标签,所述用户标签根据用户信息设置;
药品推荐模块,用于根据所述用户标签画像和所述药品标签画像从所述药品销售列表中选择待推荐药品。
12.如权利要求11所述的药品推荐系统,其特征在于,所述药品推荐模块具体包括:
计算单元,用于计算所述用户标签画像与每个药品的药品标签画像的第一相关偏好值;
推荐单元,用于将所述第一相关偏好值大于第一阈值的药品选择为待推荐药品。
13.如权利要求12所述的药品推荐系统,其特征在于,用户标签包括用户历史操作信息标签和用户个人信息标签;所述用户历史操作信息标签包括用户历史操作信息,所述用户个人信息标签包括用户个人信息;
所述计算单元具体用于对不同的用户历史操作信息,进行权重加和,得到用户对每个药品的相关度;
所述计算单元还用于根据用户个人信息以及所述药品信息,得到用户对药品的偏好度;
所述计算单元还用于根据相关度和偏好度,计算用户对每个药品的相关偏好值。
14.如权利要求13所述的药品推荐系统,其特征在于,所述计算单元计算第一相关偏好值的计算公式如下:
fk(correlationi,j,preferencei,j)>a;
correlationi,j=W1·Actioni,j;
preferencei,j=gk(personasi,drugj);
其中,fk为计算用户i对药品商品j的相关偏好值的函数;correlationi,j为用户i对药品j的相关度;W1为用户对用户历史操作信息的权重;Actioni,j为用户i对药品j的每种用户历史操作信息的得分矩阵;preferencei,j为用户i对药品j的偏好度;gk为通过用户个人信息personasi以及药品信息drugj计算偏好度的函数;a为阈值。
15.如权利要求12所述的药品推荐系统,其特征在于,所述药品推荐系统还包括:
浏览信息获取模块,用于获取用户的当前浏览信息;
所述药品推荐模块还包括:
筛选单元,用于根据所述当前浏览信息对所述待推荐药品进行筛选,得到最终的推荐药品。
16.如权利要求15所述的药品推荐系统,其特征在于,所述筛选单元具体用于根据所述当前浏览信息计算所述用户标签画像与每个待推荐药品的第二相关偏好值;将所述第二相关偏好值大于第二阈值的药品确定为最终的推荐药品。
17.如权利要求16所述的药品推荐系统,其特征在于,所述当前浏览信息包括用户当前的登录页面和当前操作信息;
所述药品推荐模块还包括:排序单元;
当所述用户当前的登录页面为首页时,所述筛选单元通过所述当前操作信息并基于矩阵奇异值分解推荐系统计算第二相关偏好值;
当所述用户当前的登录页面为搜索页时,所述筛选单元通过所述当前操作信息并基于加权平均系统计算第二相关偏好值;
当所述用户当前的登录页面为商品详页时,所述筛选单元通过所述当前操作信息并基于关联规则算法计算第二相关偏好值;
当所述用户当前的登录页面为购物车页时,所述筛选单元通过药品的药品信息和药品类目之间的关联性系统计算第二相关偏好值;
当所述用户当前的登录页面为订单支付完成页时,所述筛选单元通过所述当前操作信息和其他药品类目之间的关联性系统计算第二相关偏好值;
所述排序单元用于根据所述第二相关偏好值由高到低的顺序对所述最终的推荐药品排序后,生成推荐列表并进行推荐。
18.如权利要求13所述的药品推荐系统,其特征在于,药品信息包括以下参数中的至少一种:商品ID、名称、三级类目、品牌名称、品牌ID、生产厂家、厂家ID、药品类型、产品类型、销售状态、产品状态、销售价格、成分、性状、功能描述、禁忌信息、搭配用药信息和销售ID;
和/或,用户个人信息包括以下参数中的至少一种:用户性别、年龄、病史数据、访问偏好数据、行为偏好数据和用户历史操作信息。
19.如权利要求11所述的药品推荐系统,其特征在于,所述药品推荐系统还包括:
统计模块,用于统计所述药品销售列表中的药品的销售量,并按照销售量由高至低的顺序排列所述药品销售列表中的药品。
20.如权利要求11所述的药品推荐系统,其特征在于,所述药品推荐系统还包括:
修改模块,用于根据用户的购买信息,修改所述用户标签画像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710930638.9A CN109636494A (zh) | 2017-10-09 | 2017-10-09 | 药品推荐方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710930638.9A CN109636494A (zh) | 2017-10-09 | 2017-10-09 | 药品推荐方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109636494A true CN109636494A (zh) | 2019-04-16 |
Family
ID=66051170
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710930638.9A Pending CN109636494A (zh) | 2017-10-09 | 2017-10-09 | 药品推荐方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109636494A (zh) |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110060057A (zh) * | 2019-04-18 | 2019-07-26 | 南京德通信息科技有限公司 | 一种基于大数据的保健品选购整合平台、方法和设备 |
CN110060127A (zh) * | 2019-04-18 | 2019-07-26 | 南京德通信息科技有限公司 | 一种用于医药的电子商务管理系统、方法和设备 |
CN110163672A (zh) * | 2019-05-13 | 2019-08-23 | 达疆网络科技(上海)有限公司 | 一种用户实时支付后的基于用户分层的差异化营销方法 |
CN111161021A (zh) * | 2019-12-23 | 2020-05-15 | 叮当快药科技集团有限公司 | 基于实时特征的推荐商品的快速二次排序方法和工具 |
CN111699503A (zh) * | 2019-06-04 | 2020-09-22 | 深圳海付移通科技有限公司 | 一种广告推荐方法、装置及电子设备 |
CN111931091A (zh) * | 2020-07-06 | 2020-11-13 | 广东技术师范大学 | 页面内容展示方法、装置、计算机设备及存储介质 |
CN112309530A (zh) * | 2019-07-31 | 2021-02-02 | 深圳百诺明医说科技有限公司 | 一种基于多标签的精确化用药推送方法及装置 |
CN112349371A (zh) * | 2020-11-18 | 2021-02-09 | 南通市第一人民医院 | 一种化疗病人药物记录评估方法和装置 |
CN112579893A (zh) * | 2020-12-15 | 2021-03-30 | 中国建设银行股份有限公司 | 一种信息推送、信息展示方法、装置及设备 |
CN112597398A (zh) * | 2021-03-05 | 2021-04-02 | 南京云联数科科技有限公司 | 药品推荐模型应用方法及系统 |
CN113393295A (zh) * | 2021-06-15 | 2021-09-14 | 北方健康医疗大数据科技有限公司 | 服务数据的推送方法、装置、电子设备及存储介质 |
CN113657970A (zh) * | 2021-08-30 | 2021-11-16 | 平安医疗健康管理股份有限公司 | 基于人工智能的药品推荐方法、装置、设备及存储介质 |
CN113722371A (zh) * | 2021-08-31 | 2021-11-30 | 平安国际智慧城市科技股份有限公司 | 一种基于决策树的药品推荐方法、装置、设备及存储介质 |
CN113808750A (zh) * | 2020-06-15 | 2021-12-17 | 阿里健康信息技术有限公司 | 数据处理方法及装置 |
CN114219569A (zh) * | 2021-12-14 | 2022-03-22 | 芸豆数字科技有限公司 | 一种中药饮片名称展示方法、装置、设备及存储介质 |
CN114792571A (zh) * | 2022-03-09 | 2022-07-26 | 广州方舟信息科技有限公司 | 药品信息推送方法、装置、服务器及计算机可读存储介质 |
CN115331773A (zh) * | 2022-10-11 | 2022-11-11 | 北京京东拓先科技有限公司 | 一种信息处理方法和装置 |
CN113657970B (zh) * | 2021-08-30 | 2024-06-28 | 深圳平安医疗健康科技服务有限公司 | 基于人工智能的药品推荐方法、装置、设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20070120702A (ko) * | 2006-06-20 | 2007-12-26 | 엔트랜드주식회사 | 의약품 판매 및 구매 매칭 서비스 제공 장치 및 방법 |
CN105373706A (zh) * | 2015-12-04 | 2016-03-02 | 上海斐讯数据通信技术有限公司 | 药品推送方法及系统 |
WO2016046744A1 (en) * | 2014-09-26 | 2016-03-31 | Thomson Reuters Global Resources | Pharmacovigilance systems and methods utilizing cascading filters and machine learning models to classify and discern pharmaceutical trends from social media posts |
CN106202893A (zh) * | 2016-06-30 | 2016-12-07 | 山东诺安诺泰信息系统有限公司 | 一种药品推荐方法 |
CN107092797A (zh) * | 2017-04-26 | 2017-08-25 | 广东亿荣电子商务有限公司 | 一种基于深度学习的药品推荐算法 |
-
2017
- 2017-10-09 CN CN201710930638.9A patent/CN109636494A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20070120702A (ko) * | 2006-06-20 | 2007-12-26 | 엔트랜드주식회사 | 의약품 판매 및 구매 매칭 서비스 제공 장치 및 방법 |
WO2016046744A1 (en) * | 2014-09-26 | 2016-03-31 | Thomson Reuters Global Resources | Pharmacovigilance systems and methods utilizing cascading filters and machine learning models to classify and discern pharmaceutical trends from social media posts |
CN105373706A (zh) * | 2015-12-04 | 2016-03-02 | 上海斐讯数据通信技术有限公司 | 药品推送方法及系统 |
CN106202893A (zh) * | 2016-06-30 | 2016-12-07 | 山东诺安诺泰信息系统有限公司 | 一种药品推荐方法 |
CN107092797A (zh) * | 2017-04-26 | 2017-08-25 | 广东亿荣电子商务有限公司 | 一种基于深度学习的药品推荐算法 |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110060127A (zh) * | 2019-04-18 | 2019-07-26 | 南京德通信息科技有限公司 | 一种用于医药的电子商务管理系统、方法和设备 |
CN110060057A (zh) * | 2019-04-18 | 2019-07-26 | 南京德通信息科技有限公司 | 一种基于大数据的保健品选购整合平台、方法和设备 |
CN110163672A (zh) * | 2019-05-13 | 2019-08-23 | 达疆网络科技(上海)有限公司 | 一种用户实时支付后的基于用户分层的差异化营销方法 |
CN111699503A (zh) * | 2019-06-04 | 2020-09-22 | 深圳海付移通科技有限公司 | 一种广告推荐方法、装置及电子设备 |
CN112309530A (zh) * | 2019-07-31 | 2021-02-02 | 深圳百诺明医说科技有限公司 | 一种基于多标签的精确化用药推送方法及装置 |
CN111161021A (zh) * | 2019-12-23 | 2020-05-15 | 叮当快药科技集团有限公司 | 基于实时特征的推荐商品的快速二次排序方法和工具 |
CN111161021B (zh) * | 2019-12-23 | 2021-10-08 | 叮当快药科技集团有限公司 | 基于实时特征的推荐商品的快速二次排序方法 |
CN113808750A (zh) * | 2020-06-15 | 2021-12-17 | 阿里健康信息技术有限公司 | 数据处理方法及装置 |
CN111931091A (zh) * | 2020-07-06 | 2020-11-13 | 广东技术师范大学 | 页面内容展示方法、装置、计算机设备及存储介质 |
CN112349371A (zh) * | 2020-11-18 | 2021-02-09 | 南通市第一人民医院 | 一种化疗病人药物记录评估方法和装置 |
CN112579893A (zh) * | 2020-12-15 | 2021-03-30 | 中国建设银行股份有限公司 | 一种信息推送、信息展示方法、装置及设备 |
CN112597398A (zh) * | 2021-03-05 | 2021-04-02 | 南京云联数科科技有限公司 | 药品推荐模型应用方法及系统 |
CN113393295A (zh) * | 2021-06-15 | 2021-09-14 | 北方健康医疗大数据科技有限公司 | 服务数据的推送方法、装置、电子设备及存储介质 |
CN113657970A (zh) * | 2021-08-30 | 2021-11-16 | 平安医疗健康管理股份有限公司 | 基于人工智能的药品推荐方法、装置、设备及存储介质 |
CN113657970B (zh) * | 2021-08-30 | 2024-06-28 | 深圳平安医疗健康科技服务有限公司 | 基于人工智能的药品推荐方法、装置、设备及存储介质 |
CN113722371A (zh) * | 2021-08-31 | 2021-11-30 | 平安国际智慧城市科技股份有限公司 | 一种基于决策树的药品推荐方法、装置、设备及存储介质 |
CN113722371B (zh) * | 2021-08-31 | 2024-04-12 | 深圳平安智慧医健科技有限公司 | 一种基于决策树的药品推荐方法、装置、设备及存储介质 |
CN114219569A (zh) * | 2021-12-14 | 2022-03-22 | 芸豆数字科技有限公司 | 一种中药饮片名称展示方法、装置、设备及存储介质 |
CN114792571A (zh) * | 2022-03-09 | 2022-07-26 | 广州方舟信息科技有限公司 | 药品信息推送方法、装置、服务器及计算机可读存储介质 |
CN114792571B (zh) * | 2022-03-09 | 2023-03-07 | 广州方舟信息科技有限公司 | 药品信息推送方法、装置、服务器及计算机可读存储介质 |
CN115331773A (zh) * | 2022-10-11 | 2022-11-11 | 北京京东拓先科技有限公司 | 一种信息处理方法和装置 |
CN115331773B (zh) * | 2022-10-11 | 2023-04-07 | 北京京东拓先科技有限公司 | 一种信息处理方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109636494A (zh) | 药品推荐方法及系统 | |
US8301514B1 (en) | System, method, and computer readable medium for providing recommendations based on purchase phrases | |
Li et al. | Using multidimensional clustering based collaborative filtering approach improving recommendation diversity | |
US9690846B2 (en) | Intelligent navigation of a category system | |
US9959563B1 (en) | Recommendation generation for infrequently accessed items | |
US10423999B1 (en) | Performing personalized category-based product sorting | |
US10410125B1 (en) | Artificial intelligence based identification of negative user sentiment in event data | |
US9953358B1 (en) | Behavioral filter for personalized recommendations based on behavior at third-party content sites | |
CN107004203A (zh) | 信息处理系统以及方法 | |
US20130166564A1 (en) | Providing information recommendations based on determined user groups | |
CN106997358A (zh) | 信息推荐方法及装置 | |
CN109447713A (zh) | 一种基于知识图谱的推荐方法及装置 | |
Li et al. | Grocery shopping recommendations based on basket-sensitive random walk | |
CN112750011A (zh) | 商品推荐方法、装置和电子设备 | |
JP2022501726A (ja) | スタイル推薦方法、装置及びコンピュータプログラム | |
CN108648058B (zh) | 产品排序方法及装置,电子设备、存储介质 | |
CN111899047A (zh) | 资源推荐方法、装置、计算机设备及计算机可读存储介质 | |
CN107274242A (zh) | 一种基于关联分析算法的商品推荐方法 | |
US10410273B1 (en) | Artificial intelligence based identification of item attributes associated with negative user sentiment | |
CN110135948A (zh) | 一种面向电子商务平台商品的推荐系统及方法 | |
US20150154685A1 (en) | Automated detection of new item features by analysis of item attribute data | |
CN108536786A (zh) | 一种信息推荐方法、装置、服务器及存储介质 | |
Małecki et al. | The classification of internet shop customers based on the cluster analysis and graph cellular automata | |
Chen et al. | Product recommendation system for small online retailers using association rules mining | |
Zhao et al. | Anatomy of a web-scale resale market: a data mining approach |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190416 |
|
WD01 | Invention patent application deemed withdrawn after publication |