CN109685631A - 一种基于大数据用户行为分析的个性化推荐方法 - Google Patents
一种基于大数据用户行为分析的个性化推荐方法 Download PDFInfo
- Publication number
- CN109685631A CN109685631A CN201910021432.3A CN201910021432A CN109685631A CN 109685631 A CN109685631 A CN 109685631A CN 201910021432 A CN201910021432 A CN 201910021432A CN 109685631 A CN109685631 A CN 109685631A
- Authority
- CN
- China
- Prior art keywords
- user
- commodity
- shopping cart
- interaction
- recommended
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000004458 analytical method Methods 0.000 title claims abstract description 22
- 230000003993 interaction Effects 0.000 claims abstract description 46
- 238000001914 filtration Methods 0.000 claims abstract description 14
- 101150113144 CARTPT gene Proteins 0.000 claims description 41
- 239000000284 extract Substances 0.000 claims description 8
- 230000003542 behavioural effect Effects 0.000 claims description 5
- 230000005856 abnormality Effects 0.000 claims description 2
- 238000000605 extraction Methods 0.000 claims description 2
- 230000006399 behavior Effects 0.000 abstract description 25
- 230000008901 benefit Effects 0.000 abstract description 4
- 238000003066 decision tree Methods 0.000 abstract description 3
- 238000013139 quantization Methods 0.000 abstract description 2
- 239000000047 product Substances 0.000 description 7
- 238000006243 chemical reaction Methods 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- 241001269238 Data Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000013065 commercial product Substances 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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)
- Strategic Management (AREA)
- Economics (AREA)
- Marketing (AREA)
- Development Economics (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
本发明属于个性化推荐领域，具体而言，涉及一种基于大数据用户行为分析的个性化推荐方法；所述方法包括通过分析用户基本特征，近期购物特征，量化用户的购物欲望；接下来通过分析商品近期的销售情况，筛选出多个商品作为用户的待推荐商品集；然后构建用户商品对，构建用户商品交互特征；随后利用梯度提升决策树模型预测每个用户商品对成交概率并按照概率排序选取靠前的用户商品对；最后过滤不符合相关规定的用户商品对并执行推荐操作；本发明充分利用了用户的历史行为数据，通过分析用户的浏览，关注或加入购物车等行为，量化用户对某件商品的购买意向。
Description
技术领域
本发明属于个性化推荐领域，具体而言，涉及一种基于大数据用户行为分析的个性化推荐方法。
背景技术
近年来，电商购物高速发展，各大购物网站在完成数以亿计的交易同时也积累了海量真实数据。如何从历史数据中找出规律，去预测用户未来的购买需求，让最合适的商品遇见最需要的人，是大数据应用在精准营销中的关键问题，也是所有电商平台在做智能化升级时所需要的核心技术。
现有的推荐算法大致可以分为三类：基于内容的推荐算法、协同过滤推荐算法和基于知识的推荐算法。
基于内容的推荐算法，原理是用户喜欢和自己关注过的Item在内容上类似的Item，比如用户看了哈利波特I，基于内容的推荐算法发现哈利波特II-VI，与用户以前观看的在内容上(共有很多关键词)有很大关联性，就把后者推荐给用户，这种方法可以避免Item的冷启动问题(冷启动：如果一个Item从没有被关注过，其他推荐算法则很少会去推荐，但是基于内容的推荐算法可以分析Item之间的关系，实现推荐)，但该方法弊端在于推荐的Item可能会重复，典型的就是新闻推荐，如果用户看了一则关于MH370的新闻，推荐的新闻和用户浏览过的内容很可能一致；另外一个弊端则是由于很难提取多媒体(比如音乐、电影、图片等)内容特征，则很难对多媒体内容进行推荐。
协同过滤算法，该算法原理是推荐具有相似兴趣的用户喜欢过的商品，比如用户的朋友喜欢电影哈利波特I，那么就会推荐给用户，这是最简单的基于用户的协同过滤算法，还有一种是基于Item的协同过滤算法，这两种方法都是将用户的所有数据读入到内存中进行运算的。
基于知识的推荐算法，也有学者将这种方法归为基于内容的推荐，这种方法比较典型的是构建领域本体，或者是建立一定的规则，进行推荐。混合推荐算法，则会融合以上方法，以加权或者串联、并联等方式进行融合。
但现有的推荐方法都存在一定的不足，其一当用户有新行为时，推荐结果无法高效的立即变化，从而导致用户流失；其二在系统冷启动阶段，新用户对很少的物品产生行为时，无法立即对他进行个性化推荐；其三很难提供令用户信服的推荐解释，会存在一定的用户干扰问题；最后从技术实现的角度来讲，由于将用户的所有数据存入到内存中，十分浪费资源，极大的加重了运算复杂度。
发明内容
本发明的目的是提供一种基于用户行为分析的个性化推荐方法，在现有推荐算法的基础上，通过分析用户与商品的的浏览，关注或加入购物车等行为等交互行为，通过提取交互特征将其转化为一个机器学习领域的二分类问题，预测得到用户高购买欲望商品集合，为后续数据分析和使用提供支持。
本发明的一种基于大数据用户行为分析的个性化推荐方法，所述方法包括以下步骤：
S1、分析用户的基本特征以及近期购物特征，构建用户召回模型，用于评估用户的购买欲望，通过二分类器选取有购买欲望的用户作为待推荐用户；
S2、分析商品的销售情况，提取出商品特征，构建商品召回模型，用于评估商品的销售情况；利用二分类器选择具有高成交率商品作为待推荐商品集合；
S3、为待推荐用户集合中的每个用户分别随机匹配待推荐商品集合中的商品，形成用户商品对；
S4、分析用户商品交互行为，构建个性化商品推荐模型，利用二分类器预测每个用户商品对成交概率，并按照成交概率进行降序排列；
S5、过滤不符合条件的相关用户商品对，并对符合条件的用户商品对执行推荐操作。
进一步的，所述步骤S1包括从总体用户集合中剔除异常数据，从而筛选出高购买欲望用户，分析用户历史购买记录提取用户行为特征，包括用户浏览商品详情页次数、用户加入购物车次数、用户购物车删除次数、用户下单次数、用户删除购物车次数、用户下单次数最大商品类别、用户下单次数最大商品品牌、用户最近浏览商品、用户最近购买商品、用户最近添加购物车商品以及用户最近删除购物车商品；构建二分类模型输出概率大于0.5的为待推荐用户集合。
优选的，本发明的二分类模型选择极限梯度提升树xgboost分类器。
进一步的，所述步骤S2包括提取商品特征，包括该商品被浏览次数统计、被点击次数、被购买次数、被添加购物车次数、该品牌在同类别中销量排名、该品牌在同类别中销量占比、品牌周一到周日平均每日下单次数、品牌当月最大下单日下单数、品牌当月最小下单日下单数、品牌下单数除以品牌添加购物车数以及品牌下单数处理品牌浏览详情页次数构建商品召回模型，选择高成交率商品，即成交概率大于0.5的作为待推荐商品集合。
进一步的，所述步骤S3包括将步骤S2得到的待推荐商品集合为每个待推荐用户随机匹配1500个商品组成用户商品对；随后提取用户产品行为特征，包括每天交互频率，最近一次交互时间，起始交互时间，是否添加过购物车，是否购买过，首次交互后两天交互次数，添加购物车前一天交互次数，添加购物车后一天交互次数，末次交互前一天交互次数，近3天、5天、7天、9天、11天交互情况、首次交互时间、末次交互时间、用户偏好交互时间段，平均交互时间长度。
进一步的，所述步骤S5包括加入过滤条件，按照过滤条件，过滤掉黑名单用户、过滤不合规商品、过滤敏感词语以及过滤掉敏感商品；并未符合过滤条件的用户商品对执行推荐操作。
购买模型可由以下步骤体现：
第一步：提取用户近期购物特征，构建用户召回模型，通过xgboost预测得到用户对商品的购买概率，选取有高购买欲望的用户作为待推荐用户，从而避免用户干扰；
第二步：提取商品销售特征，构建商品召回模型，选取热度商品作为待推荐商品；
第三步：提取用户商品交互特征，构建个性化推荐模型。
本发明的有益效果：
首先从用户角度出发，通过分析用户基本特征，近期购物特征，量化用户的购物欲望；接下来通过分析商品近期的销售情况，筛选出1500个商品作为用户的待推荐商品集；然后构建用户商品对，构建用户商品交互特征；随后利用梯度提升决策树模型预测每个用户商品对成交概率并按照概率排序选取前100个用户商品对；最后过滤不符合相关规定的用户商品对并执行推荐操作。本发明充分利用了用户的历史行为数据，通过分析用户的浏览，关注或加入购物车等行为，量化用户对某件商品的购买意向。在此基础上本发明提取了用户的历史行为特征，利用梯度提升决策树建立模型预测对哪一件商品额购买意向更高。商家可利用本发明对潜在高购买意向用户推送高购买意向商品的优惠信息做到精准营销，同时也可以用于预测商家的销售量，为商家的进货等安排提供决策。
附图说明
图1是本发明实施例提供的总体流程图；
图2是本发明实施例提供的功能结构图；
图3是本发明实施例提供的交互异常行为图；
图4是本发明实施例提供的高相关性特征图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。
实施例1
如图1和图2所示，本发明提出的一种基于用户行为分析的个性化推荐方法，包括以下步骤；
第一步：从用户池user_pool中进行用户召回user_recall从总体用户集合中筛选出高购买欲望用户，通过提取用户最近点击、收藏、加购物车、购买时间等特征，构建用户召回模型，使用二分类模型输出概率大于0.5的为待推荐用户集合；
第二步，从商品池item_pool中进行商品召回item_recall从总体商品集合中筛选出待推荐商品集合，提取商品被点击、收藏、加购物车、购买量与商品被购买转化率等特征，构建商品召回模型，使用二分类模型选择成交概率大于0.5的作为待推荐商品集合；
第三步：用户商品对user_item_sort预测得到高成交率的商品对，针对步骤一得到的用户集合，步骤二得到的商品集合为每个用户随机匹配1500个商品组成用户商品对，提取用户对除去该商品的同类其他商品的点击、收藏、加购物车、购买次数等特征构建个性化商品推荐模型，利用xgboost分类器预测每个用户商品对成交概率，并按照成交概率进行降序排列，最后按照概率为每个用户选取成交概率前100的待推荐商品子集；
第四步：用户商品规则过滤user_item_rule_filter基于规则的不合规用户商品对过滤，商家可在此步骤添加过滤规则，如过滤掉黑名单用户，过滤掉敏感商品等，最后执行推荐操作。
实施例2
为提升推荐算法中的用户商品对成交率，本发明通过分析用户浏览，关注或加入购物车等行为，分别构建用户召回模型，商品召回模型与个性化商品推荐模型从而实现个性化推荐的目的。此实例的目的是通过用户的历史行为来预测是否有购买意向，以及对哪一件商品的购买意向更高。实例中定义如下的符号：
U：提供的用户集合
I：提供的商品集合
A：用户商品对S的行为数据集合；
那么本发明目标使用电商多个品类下商品的历史销售数据，构建算法模型，预测用户在未来7天内对I中商品的购买。本实施例采用的功能结构图如图4所示：
用户召回
首先本发明将某日只有下单行为而无添加购物车或无浏览详情页这两种行为作为异常数据，删除当日下单用户商品对的所有历史交互数据，如图3所示，剔除了用户只有下单行为无添加购物车行为的下单用户商品对的所有历史交互信息，异常数据示意图如图1。接下来分析用户历史购买记录提取用户行为特征，包括用户浏览商品详情页次数、用户加入购物车次数、用户购物车删除次数、用户下单次数、用户删除购物车次数、用户下单次数最大商品类别、用户下单次数最大商品品牌、用户最近浏览商品、用户最近购买商品、用户最近添加购物车商品、用户最近删除购物车商品、用户15天点击次数、用户15天收藏次数、用户15天添加购物车次数、用户近7天点击转化率、用户近7天收藏转化率、用户近7天添加购物车转化率、用户最近一次浏览时长、用户平均近7天总浏览时长、用户近4小时8小时12小时各行为次数与各行为时长等。构建二分类模型输出概率大于0.5的为待推荐用户集合；
商品召回
提取商品特征，包括该商品被浏览次数统计、被点击次数、被购买次数、被添加购物车次数、该品牌在同类别中销量排名、该品牌在同类别中销量占比、品牌周一到周日平均每日下单次数、品牌当月最大下单日下单数、品牌当月最小下单日下单数、品牌下单数除以品牌添加购物车数、品牌下单数处理品牌浏览详情页次数、商品近7天被点击收藏加购物车购买量、商品近7天各个行为转化率、商品近7天各个行为次数的均值方差等。构建商品召回模型，选择成交概率大于0.5的作为待推荐商品集合；
其中部分高相关性用户特征、商品特征以及用户商品交互特征如图4所示。
用户商品对排序
首先针对步骤一得到的用户集合，步骤二得到的商品集合为每个用户随机匹配1500个商品组成用户商品对。随后提取用户产品行为特征，包括，每天交互频率，最近一次交互时间，起始交互时间，是否添加过购物车，是否购买过，首次交互后两天交互次数，添加购物车前一天交互次数，添加购物车后一天交互次数，末次交互前一天交互次数；近3天、5天、7天、9天、11天交互情况、首次交互时间、末次交互时间、用户偏好交互时间段，平均交互时间长度；用户对同类别商品的点击、收藏、加购物车、最近购买时间、最远时间的排名特征；不同时间粒度下的行为次数特征等。构建个性化商品推荐模型，利用xgboost分类器预测每个用户商品对成交概率，最后按照概率为每个用户选取成交率前100的待推荐商品子集；
规则过滤
商家在此步骤添加过滤规则，如过滤掉黑名单用户，过滤不合规商品，过滤敏感词语，过滤掉敏感商品等，最后执行推荐操作并保留返回的用户商品对交互数据，为接下来的数据分析与模型优化提供帮助。
本领域普通技术人员可以理解上述实施例的各种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，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：ROM、RAM、磁盘或光盘等。
以上所举实施例，对本发明的目的、技术方案和优点进行了进一步的详细说明，所应理解的是，以上所举实施例仅为本发明的优选实施方式而已，并不用以限制本发明，凡在本发明的精神和原则之内对本发明所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于大数据用户行为分析的个性化推荐方法，其特征在于，所述方法包括以下步骤：
S1、分析用户的基本特征以及近期购物特征，构建用户召回模型，用于评估用户的购买欲望，通过极限梯度提升树xgboost分类器选取有购买欲望的用户作为待推荐用户；
S2、分析商品的销售情况，提取出商品特征，构建商品召回模型，用于评估商品的销售情况；利用xgboost分类器选择具有高成交率商品作为待推荐商品集合；
S3、为待推荐用户集合中的每个用户分别随机匹配待推荐商品集合中的商品，形成用户商品对；
S4、分析用户商品交互行为，构建个性化商品推荐模型，利用xgboost分类器预测每个用户商品对成交概率，并按照成交概率进行降序排列；
S5、过滤不符合条件的相关用户商品对，并对符合条件的用户商品对执行推荐操作。
2.根据权利要求1所述的一种基于大数据用户行为分析的个性化推荐方法，其特征在于，所述步骤S1包括从总体用户集合中剔除异常行为数据，提取用户近期购物特征，构建用户召回模型，通过xgboost预测得到用户对商品的购买概率，选取输出购买概率大于0.5的用户作为待推荐用户集合。
3.根据权利要求2所述的一种基于大数据用户行为分析的个性化推荐方法，其特征在于，所述用户近期购物特征包括分析用户历史购买记录提取用户行为特征，具体包括用户浏览商品详情页次数、用户加入购物车次数、用户购物车删除次数、用户下单次数、用户删除购物车次数、用户下单次数最大商品类别、用户下单次数最大商品品牌、用户最近浏览商品、用户最近购买商品、用户最近添加购物车商品以及用户最近删除购物车商品。
4.根据权利要求1所述的一种基于大数据用户行为分析的个性化推荐方法，其特征在于，所述步骤S2包括提取商品特征，包括该商品被浏览次数统计、被点击次数、被购买次数、被添加购物车次数、该品牌在同类别中销量排名、该品牌在同类别中销量占比、品牌周一到周日平均每日下单次数、品牌当月最大下单日下单数、品牌当月最小下单日下单数、品牌下单数除以品牌添加购物车数以及品牌下单数处理品牌浏览详情页次数构建商品召回模型，通过xgboost分类器选择选择高成交率商品，即成交概率大于0.5的作为待推荐商品集合。
5.根据权利要求1所述的一种基于大数据用户行为分析的个性化推荐方法，其特征在于，所述步骤S3包括将步骤S2得到的待推荐商品集合为每个待推荐用户随机匹配1500个商品组成用户商品对；随后提取用户产品行为特征，包括每天交互频率，最近一次交互时间，起始交互时间，是否添加过购物车，是否购买过，首次交互后两天交互次数，添加购物车前一天交互次数，添加购物车后一天交互次数，末次交互前一天交互次数，近3天、5天、7天、9天以及11天的交互情况、首次交互时间、末次交互时间、用户偏好交互时间段以及平均交互时间长度。
6.根据权利要求1所述的一种基于大数据用户行为分析的个性化推荐方法，其特征在于，所述步骤S5包括加入过滤条件，按照过滤条件，过滤掉黑名单用户、过滤不合规商品、过滤敏感词语以及过滤掉敏感商品；并未符合过滤条件的用户商品对执行推荐操作。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910021432.3A CN109685631B (zh) | 2019-01-10 | 2019-01-10 | 一种基于大数据用户行为分析的个性化推荐方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910021432.3A CN109685631B (zh) | 2019-01-10 | 2019-01-10 | 一种基于大数据用户行为分析的个性化推荐方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109685631A true CN109685631A (zh) | 2019-04-26 |
| CN109685631B CN109685631B (zh) | 2021-06-01 |
Family
ID=66192938
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910021432.3A Active CN109685631B (zh) | 2019-01-10 | 2019-01-10 | 一种基于大数据用户行为分析的个性化推荐方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109685631B (zh) |
Cited By (34)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110070669A (zh) * | 2019-04-29 | 2019-07-30 | 东莞市糖酒集团美宜佳便利店有限公司 | 一种贩卖机出货方法 |
| CN110135948A (zh) * | 2019-05-09 | 2019-08-16 | 西北民族大学 | 一种面向电子商务平台商品的推荐系统及方法 |
| CN110264301A (zh) * | 2019-05-10 | 2019-09-20 | 拉扎斯网络科技（上海）有限公司 | 推荐方法、装置、电子设备和非易失性存储介质 |
| CN110442788A (zh) * | 2019-07-23 | 2019-11-12 | 北京奇艺世纪科技有限公司 | 一种信息推荐方法及装置 |
| CN110764665A (zh) * | 2019-09-19 | 2020-02-07 | 深圳思为科技有限公司 | 信息处理方法、信息处理装置及终端设备 |
| CN110992146A (zh) * | 2019-12-02 | 2020-04-10 | 泰康保险集团股份有限公司 | 服务信息推送方法、装置、设备及存储介质 |
| CN111008332A (zh) * | 2019-12-03 | 2020-04-14 | 腾讯科技（深圳）有限公司 | 内容项推荐方法、装置、服务器以及存储介质 |
| CN111105568A (zh) * | 2020-03-04 | 2020-05-05 | 焦作大学 | 一种市场营销信息的采集装置及方法 |
| CN111127155A (zh) * | 2019-12-24 | 2020-05-08 | 北京每日优鲜电子商务有限公司 | 商品推荐方法、装置、服务器和存储介质 |
| CN111429161A (zh) * | 2020-04-10 | 2020-07-17 | 杭州网易再顾科技有限公司 | 特征提取方法、特征提取装置、存储介质及电子设备 |
| CN111461841A (zh) * | 2020-04-07 | 2020-07-28 | 腾讯云计算（北京）有限责任公司 | 物品推荐方法、装置、服务器及存储介质 |
| CN111724235A (zh) * | 2020-06-09 | 2020-09-29 | 清华大学深圳国际研究生院 | 一种基于用户新奇度的在线商品推荐方法 |
| CN111784480A (zh) * | 2020-07-22 | 2020-10-16 | 中国银行股份有限公司 | 银行产品的推荐方法、装置、存储介质及电子设备 |
| CN111861679A (zh) * | 2020-08-04 | 2020-10-30 | 深圳市创智园知识产权运营有限公司 | 一种基于人工智能的商品推荐方法 |
| CN112102002A (zh) * | 2020-09-16 | 2020-12-18 | 珠海格力电器股份有限公司 | 基于知识图谱的商品推荐方法、装置、计算机和存储介质 |
| CN112116427A (zh) * | 2020-09-22 | 2020-12-22 | 深圳市分期乐网络科技有限公司 | 一种商品推荐方法、装置、电子设备及存储介质 |
| CN112163963A (zh) * | 2020-09-27 | 2021-01-01 | 中国平安财产保险股份有限公司 | 业务推荐方法、装置、计算机设备和存储介质 |
| CN112396496A (zh) * | 2020-11-28 | 2021-02-23 | 南京雄雉电子商务有限公司 | 一种基于云计算的电子商务平台商品智能推荐管理系统 |
| CN112749322A (zh) * | 2019-10-31 | 2021-05-04 | 阿里巴巴集团控股有限公司 | 商品对象信息推荐方法、装置及电子设备 |
| CN112767042A (zh) * | 2021-01-26 | 2021-05-07 | 上海乐享似锦科技股份有限公司 | 一种群组生成方法、装置、电子设备及存储介质 |
| CN112765477A (zh) * | 2021-03-05 | 2021-05-07 | 北京百度网讯科技有限公司 | 信息处理、信息推荐的方法和装置、电子设备和存储介质 |
| CN113052651A (zh) * | 2021-03-17 | 2021-06-29 | 广东便捷神科技股份有限公司 | 一种基于大数据的智能零售管理方法及系统 |
| CN113095861A (zh) * | 2020-01-08 | 2021-07-09 | 浙江大搜车软件技术有限公司 | 目标对象成交概率的预测方法、装置、设备及存储介质 |
| CN113191821A (zh) * | 2021-05-20 | 2021-07-30 | 北京大米科技有限公司 | 一种数据处理方法及装置 |
| CN113569127A (zh) * | 2020-04-29 | 2021-10-29 | 北京达佳互联信息技术有限公司 | 一种推荐对象的确定方法、装置、设备及存储介质 |
| CN114387043A (zh) * | 2022-03-24 | 2022-04-22 | 南京未迟智能科技服务有限公司 | 基于互联网数据分析的流量渠道分析配置方法及其系统 |
| CN115292630A (zh) * | 2022-10-09 | 2022-11-04 | 深圳市明源云客电子商务有限公司 | 数据处理方法、设备及计算机可读存储介质 |
| CN115311020A (zh) * | 2022-08-23 | 2022-11-08 | 佛山职业技术学院 | 一种农产品消费者行为分析管理方法及系统 |
| CN115841345A (zh) * | 2023-02-16 | 2023-03-24 | 杭州柚果供应链管理有限公司 | 跨境大数据智能化分析方法、系统以及存储介质 |
| CN115936803A (zh) * | 2022-11-28 | 2023-04-07 | 重庆长安汽车股份有限公司 | 一种基于大数据的个性化推荐方法及系统 |
| WO2023087933A1 (zh) * | 2021-11-19 | 2023-05-25 | 腾讯科技（深圳）有限公司 | 内容推荐方法、装置、设备、存储介质及程序产品 |
| CN116894692A (zh) * | 2023-09-11 | 2023-10-17 | 北京亿家老小科技有限公司 | 一种线上网络销售用户潜在需求分析监控方法及系统 |
| CN117575747A (zh) * | 2024-01-19 | 2024-02-20 | 山东街景智能制造科技股份有限公司 | 一种基于用户分析的个性化推荐方法 |
| CN118096241A (zh) * | 2024-04-24 | 2024-05-28 | 泉州好物有约品牌管理有限公司 | 基于大数据技术的品牌营销系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107292713A (zh) * | 2017-06-19 | 2017-10-24 | 武汉科技大学 | 一种基于规则与层级融合的个性推荐方法 |
| CN107818478A (zh) * | 2017-10-31 | 2018-03-20 | 携程计算机技术（上海）有限公司 | 基于预估收益的海外优惠券发放方法及系统 |
| CN108182621A (zh) * | 2017-12-07 | 2018-06-19 | 合肥美的智能科技有限公司 | 商品推荐方法及商品推荐装置、设备和存储介质 |
| CN108509457A (zh) * | 2017-02-28 | 2018-09-07 | 阿里巴巴集团控股有限公司 | 一种视频数据的推荐方法和装置 |
| CN108985830A (zh) * | 2018-07-05 | 2018-12-11 | 北京邮电大学 | 基于异质信息网络的推荐评分方法、装置 |
-
2019
- 2019-01-10 CN CN201910021432.3A patent/CN109685631B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108509457A (zh) * | 2017-02-28 | 2018-09-07 | 阿里巴巴集团控股有限公司 | 一种视频数据的推荐方法和装置 |
| CN107292713A (zh) * | 2017-06-19 | 2017-10-24 | 武汉科技大学 | 一种基于规则与层级融合的个性推荐方法 |
| CN107818478A (zh) * | 2017-10-31 | 2018-03-20 | 携程计算机技术（上海）有限公司 | 基于预估收益的海外优惠券发放方法及系统 |
| CN108182621A (zh) * | 2017-12-07 | 2018-06-19 | 合肥美的智能科技有限公司 | 商品推荐方法及商品推荐装置、设备和存储介质 |
| CN108985830A (zh) * | 2018-07-05 | 2018-12-11 | 北京邮电大学 | 基于异质信息网络的推荐评分方法、装置 |
Cited By (46)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110070669A (zh) * | 2019-04-29 | 2019-07-30 | 东莞市糖酒集团美宜佳便利店有限公司 | 一种贩卖机出货方法 |
| CN110135948A (zh) * | 2019-05-09 | 2019-08-16 | 西北民族大学 | 一种面向电子商务平台商品的推荐系统及方法 |
| CN110264301A (zh) * | 2019-05-10 | 2019-09-20 | 拉扎斯网络科技（上海）有限公司 | 推荐方法、装置、电子设备和非易失性存储介质 |
| CN110442788A (zh) * | 2019-07-23 | 2019-11-12 | 北京奇艺世纪科技有限公司 | 一种信息推荐方法及装置 |
| CN110764665A (zh) * | 2019-09-19 | 2020-02-07 | 深圳思为科技有限公司 | 信息处理方法、信息处理装置及终端设备 |
| CN112749322A (zh) * | 2019-10-31 | 2021-05-04 | 阿里巴巴集团控股有限公司 | 商品对象信息推荐方法、装置及电子设备 |
| CN110992146A (zh) * | 2019-12-02 | 2020-04-10 | 泰康保险集团股份有限公司 | 服务信息推送方法、装置、设备及存储介质 |
| CN111008332A (zh) * | 2019-12-03 | 2020-04-14 | 腾讯科技（深圳）有限公司 | 内容项推荐方法、装置、服务器以及存储介质 |
| CN111008332B (zh) * | 2019-12-03 | 2023-04-07 | 深圳市雅阅科技有限公司 | 内容项推荐方法、装置、服务器以及存储介质 |
| CN111127155A (zh) * | 2019-12-24 | 2020-05-08 | 北京每日优鲜电子商务有限公司 | 商品推荐方法、装置、服务器和存储介质 |
| CN113095861A (zh) * | 2020-01-08 | 2021-07-09 | 浙江大搜车软件技术有限公司 | 目标对象成交概率的预测方法、装置、设备及存储介质 |
| CN111105568B (zh) * | 2020-03-04 | 2021-10-12 | 焦作大学 | 一种市场营销信息的采集装置及方法 |
| CN111105568A (zh) * | 2020-03-04 | 2020-05-05 | 焦作大学 | 一种市场营销信息的采集装置及方法 |
| CN111461841A (zh) * | 2020-04-07 | 2020-07-28 | 腾讯云计算（北京）有限责任公司 | 物品推荐方法、装置、服务器及存储介质 |
| CN111461841B (zh) * | 2020-04-07 | 2023-04-07 | 腾讯云计算（北京）有限责任公司 | 物品推荐方法、装置、服务器及存储介质 |
| CN111429161A (zh) * | 2020-04-10 | 2020-07-17 | 杭州网易再顾科技有限公司 | 特征提取方法、特征提取装置、存储介质及电子设备 |
| CN111429161B (zh) * | 2020-04-10 | 2023-10-10 | 杭州网易再顾科技有限公司 | 特征提取方法、特征提取装置、存储介质及电子设备 |
| CN113569127B (zh) * | 2020-04-29 | 2023-11-21 | 北京达佳互联信息技术有限公司 | 一种推荐对象的确定方法、装置、设备及存储介质 |
| CN113569127A (zh) * | 2020-04-29 | 2021-10-29 | 北京达佳互联信息技术有限公司 | 一种推荐对象的确定方法、装置、设备及存储介质 |
| CN111724235A (zh) * | 2020-06-09 | 2020-09-29 | 清华大学深圳国际研究生院 | 一种基于用户新奇度的在线商品推荐方法 |
| CN111784480A (zh) * | 2020-07-22 | 2020-10-16 | 中国银行股份有限公司 | 银行产品的推荐方法、装置、存储介质及电子设备 |
| CN111861679A (zh) * | 2020-08-04 | 2020-10-30 | 深圳市创智园知识产权运营有限公司 | 一种基于人工智能的商品推荐方法 |
| CN112102002A (zh) * | 2020-09-16 | 2020-12-18 | 珠海格力电器股份有限公司 | 基于知识图谱的商品推荐方法、装置、计算机和存储介质 |
| CN112116427A (zh) * | 2020-09-22 | 2020-12-22 | 深圳市分期乐网络科技有限公司 | 一种商品推荐方法、装置、电子设备及存储介质 |
| CN112163963A (zh) * | 2020-09-27 | 2021-01-01 | 中国平安财产保险股份有限公司 | 业务推荐方法、装置、计算机设备和存储介质 |
| CN112163963B (zh) * | 2020-09-27 | 2024-04-02 | 中国平安财产保险股份有限公司 | 业务推荐方法、装置、计算机设备和存储介质 |
| CN112396496A (zh) * | 2020-11-28 | 2021-02-23 | 南京雄雉电子商务有限公司 | 一种基于云计算的电子商务平台商品智能推荐管理系统 |
| CN112396496B (zh) * | 2020-11-28 | 2021-07-23 | 上海垚亨电子商务有限公司 | 一种基于云计算的电子商务平台商品智能推荐管理系统 |
| CN112767042A (zh) * | 2021-01-26 | 2021-05-07 | 上海乐享似锦科技股份有限公司 | 一种群组生成方法、装置、电子设备及存储介质 |
| CN112765477B (zh) * | 2021-03-05 | 2022-03-25 | 北京百度网讯科技有限公司 | 信息处理、信息推荐的方法和装置、电子设备和存储介质 |
| CN112765477A (zh) * | 2021-03-05 | 2021-05-07 | 北京百度网讯科技有限公司 | 信息处理、信息推荐的方法和装置、电子设备和存储介质 |
| CN113052651A (zh) * | 2021-03-17 | 2021-06-29 | 广东便捷神科技股份有限公司 | 一种基于大数据的智能零售管理方法及系统 |
| CN113052651B (zh) * | 2021-03-17 | 2024-04-23 | 广东便捷神科技股份有限公司 | 一种基于大数据的智能零售管理方法及系统 |
| CN113191821A (zh) * | 2021-05-20 | 2021-07-30 | 北京大米科技有限公司 | 一种数据处理方法及装置 |
| WO2023087933A1 (zh) * | 2021-11-19 | 2023-05-25 | 腾讯科技（深圳）有限公司 | 内容推荐方法、装置、设备、存储介质及程序产品 |
| CN114387043A (zh) * | 2022-03-24 | 2022-04-22 | 南京未迟智能科技服务有限公司 | 基于互联网数据分析的流量渠道分析配置方法及其系统 |
| CN115311020A (zh) * | 2022-08-23 | 2022-11-08 | 佛山职业技术学院 | 一种农产品消费者行为分析管理方法及系统 |
| CN115311020B (zh) * | 2022-08-23 | 2024-04-05 | 佛山职业技术学院 | 一种农产品消费者行为分析管理方法及系统 |
| CN115292630A (zh) * | 2022-10-09 | 2022-11-04 | 深圳市明源云客电子商务有限公司 | 数据处理方法、设备及计算机可读存储介质 |
| CN115936803A (zh) * | 2022-11-28 | 2023-04-07 | 重庆长安汽车股份有限公司 | 一种基于大数据的个性化推荐方法及系统 |
| CN115841345A (zh) * | 2023-02-16 | 2023-03-24 | 杭州柚果供应链管理有限公司 | 跨境大数据智能化分析方法、系统以及存储介质 |
| CN116894692B (zh) * | 2023-09-11 | 2023-11-24 | 北京亿家老小科技有限公司 | 一种线上网络销售用户潜在需求分析监控方法及系统 |
| CN116894692A (zh) * | 2023-09-11 | 2023-10-17 | 北京亿家老小科技有限公司 | 一种线上网络销售用户潜在需求分析监控方法及系统 |
| CN117575747A (zh) * | 2024-01-19 | 2024-02-20 | 山东街景智能制造科技股份有限公司 | 一种基于用户分析的个性化推荐方法 |
| CN117575747B (zh) * | 2024-01-19 | 2024-04-05 | 山东街景智能制造科技股份有限公司 | 一种基于用户分析的个性化推荐方法 |
| CN118096241A (zh) * | 2024-04-24 | 2024-05-28 | 泉州好物有约品牌管理有限公司 | 基于大数据技术的品牌营销系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109685631B (zh) | 2021-06-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109685631A (zh) | 一种基于大数据用户行为分析的个性化推荐方法 | |
| CN107944913B (zh) | 基于大数据用户行为分析的高潜在用户购买意向预测方法 | |
| US20220301024A1 (en) | Sequential recommendation method based on long-term and short-term interests | |
| Simoudis | Reality check for data mining | |
| KR102213768B1 (ko) | 빅데이터 기반의 ai가 고객의 정보를 기반으로 구매전환율이 높은 상품을 노출시키는 고객 맞춤형 상품 추천 시스템 | |
| US20090198557A1 (en) | Timing commercial offers based on long-term user data | |
| Esmeli et al. | An analyses of the effect of using contextual and loyalty features on early purchase prediction of shoppers in e-commerce domain | |
| Shih et al. | An implementation and evaluation of recommender systems for traveling abroad | |
| KR20130033506A (ko) | 아이템 추천 방법 및 장치 | |
| Handojo et al. | A multi layer recency frequency monetary method for customer priority segmentation in online transaction | |
| CN113850654A (zh) | 物品推荐模型的训练方法、物品筛选方法、装置和设备 | |
| CN117056619A (zh) | 确定用户行为特征的方法和装置 | |
| Raj Kannan et al. | Mouse movement pattern based analysis of customer behavior (CBA-MMP) using cloud data analytics | |
| Johari et al. | The Hybrid Recommender System of the Indonesian Online Market Products using IMDb weight rating and TF-IDF | |
| CN116402569A (zh) | 基于知识图谱的商品推荐方法、装置、系统及存储介质 | |
| Ghous et al. | Deep Learning based Market Basket Analysis using Association Rules | |
| Franke et al. | Recommender services in scientific digital libraries | |
| Liu et al. | Understanding Consumer Preferences---Eliciting Topics from Online Q&A Community | |
| Racherla | Graph Neural Network for Service Recommender System in Digital Service Marketplace | |
| JADHAV | The Role of Data Science and Analytics in Predictive Modelling and Decision-Making | |
| DIVYA et al. | Matrix factorization for movie recommended system using deep learning | |
| Ganesh et al. | Characterising Online Purchasing Behaviour | |
| HB | An Overview of Data Mining | |
| Manthri et al. | Case studies on data mining in market analysis | |
| Chatzinikolaou | Study of the effectiveness of e-shop recommendation systems |
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 | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A personalized recommendation method based on big data user behavior analysis Effective date of registration: 20220520 Granted publication date: 20210601 Pledgee: Chongqing Branch of China Everbright Bank Co.,Ltd. Pledgor: BOLAA NETWORK Co.,Ltd. Registration number: Y2022500000028 |
|
| PC01 | Cancellation of the registration of the contract for pledge of patent right |
Date of cancellation: 20230614 Granted publication date: 20210601 Pledgee: Chongqing Branch of China Everbright Bank Co.,Ltd. Pledgor: BOLAA NETWORK Co.,Ltd.|Chongqing Wingshengda Technology Co.,Ltd. Registration number: Y2022500000028 |
|
| PC01 | Cancellation of the registration of the contract for pledge of patent right | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A Personalized Recommendation Method Based on Big Data User Behavior Analysis Effective date of registration: 20230809 Granted publication date: 20210601 Pledgee: Chongqing Branch of China Everbright Bank Co.,Ltd. Pledgor: BOLAA NETWORK Co.,Ltd.|Chongqing Wingshengda Technology Co.,Ltd. Registration number: Y2023500000055 |
|
| PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
| CB03 | Change of inventor or designer information |
Inventor after: Tong Yi Inventor before: Tong Yi Inventor before: Zhou Boyi |
|
| CB03 | Change of inventor or designer information |