CN110020921A - 一种ai推荐引擎赋能商品营销方法 - Google Patents
一种ai推荐引擎赋能商品营销方法 Download PDFInfo
- Publication number
- CN110020921A CN110020921A CN201910284148.5A CN201910284148A CN110020921A CN 110020921 A CN110020921 A CN 110020921A CN 201910284148 A CN201910284148 A CN 201910284148A CN 110020921 A CN110020921 A CN 110020921A
- Authority
- CN
- China
- Prior art keywords
- data
- algorithm
- recommended engine
- commodity
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- 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
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种AI推荐引擎赋能商品营销方法,包括如下步骤:(1)推荐引擎准备:包括算法准备和数据准备两部分;(2)推荐引擎发布:对推荐引擎进行配置,完成后即可进行发布;(3)推荐引擎在线实时推荐:对推荐商品进行排序,根据干预规则配置内容进行动态解析,对结果数据进行重排。本发明中推荐引擎从底层收集基础信息,经过清洗整合进入数据准备层。根据不同算法的输入要求,制定适配的特征视图。在算法配置阶段,经过算法的学习训练,得到用户对每种商品的评分,得出topN项目进行推荐。最后,可用数据分桶形式,进行评估效果,根据预测的准确性及时调整流量分流。
Description
技术领域
本发明涉及智能化商品推荐领域,具体是设计一种应用大数据实现AI推荐引擎赋能商品营销方法。
背景技术
当今社会正在从互联网的IT时代,过渡到今天的大数据DT时代。人类社会每日生成的数据的量、数据的多样性、数据的复杂性都经历了质的飞跃,可以说大数据正在引领人工智能的发展。如何合理利用数据资产,让大数据AI在实际的生产业务中发挥出应有的价值,是当前很多领域的研究方向。
在基于客户消费习惯进行个性化推荐时,很多企业遇到如下商品推荐问题。1、通过客户标签进行个性化客户分群,在根据不同客户分群推荐不同的商品,无法根据客户反馈效果进行推荐调整,过于依赖事前分析标签。2、无法实现冷启动推荐,对于新客户,在缺少关键画像数据下,推荐效果差。3、推荐效果的好坏依赖于业务人员的经验,无法做到根据每个人的不同情况推荐不同商品。
发明内容
发明目的:本发明目的在于针对现有技术的不足,提供一种AI推荐引擎赋能商品营销方法,使用了AI算法结合用户特征数据、商品特征数据、并通过实时接收用户操作反馈数据,不断优化商品推荐,解决传统投放中“不精准”、“反应慢”、“不智能”的问题,真正实现“千人千面”的个性化推荐,帮助运营商、金融等行业有效提升点击率、转化率及用户粘性,极大地增加客户的经营效益。
技术方案:本发明所述AI推荐引擎赋能商品营销方法,包括如下步骤:
(1)推荐引擎准备:包括算法准备和数据准备两部分,其中数据准备是将采集的用户数据、行为数据、商品数据和日志数据分类后处理为离线数据、近场数据和事件数据,为算法提供数据支持;算法准备是通过算法管理模块上传多种算法,并为相关算法预先补充商品特征、用户特征、商品MAB特征和用户行为特征;
(2)推荐引擎发布:对推荐引擎进行配置,将上传的算法进行分组设置,并设定干预规则,通过SQL通用函数动态设置,对算法排序的结构进行人为干预,最后设定推送规则,设置主动接触渠道规则和发送时间;推荐引擎配置完成后即可进行发布;
(3)推荐引擎在线实时推荐:推荐引擎接受用户请求,根据用户请求拉取推荐商品的主题、标签、素材和品类的召回集,再根据当前召回集拉取偏好和相似召回集,然后再通过召回集对素材相关的特征进行筛选过滤,将特征实时传入模型进行点击量预估,根据机器学习模型和/或深度学习模型实时打分,对推荐商品进行排序,在模型排序后,判断是否有步骤(2)配置的干预规则,如果有引入,根据干预规则配置内容进行动态解析,对结果数据进行重排。
本发明进一步优选地技术方案为,步骤(1)中数据准备部分的离线数据准备是将用户数据、行为数据、商品数据,提供标准的接口协议,通过智慧中心提供调度,将数据导入hadoop数据平台;
近场数据准备是将各渠道触点用户行为数据直接通过流处理引擎传到决策中心;
事件数据准备是外系统日志数据在加工和过滤后,通过文件、HTTP、socke或消息队列的方式输入到流处理进行过滤和累计,处理生成事件数据。
作为优选地,步骤(1)中算法管理模块上传的算法包括MAB、GBDT和/或LR算法。
优选地,步骤(2)中在对算法进行分组设置时,每个算法分组中设置一个默认算法,其余算法合并容量为100%。
优选地,步骤(3)中对推荐商品进行排序时,还包括根据实时监测营销数据并动态调控结果排序的步骤。
本发明中推荐引擎从底层收集基础信息,经过清洗整合进入数据准备层。根据不同算法的输入要求,制定适配的特征视图。在算法配置阶段,经过算法的学习训练,得到用户对每种商品的评分(score),基于自定义的规则影响score排名,得出topN项目进行推荐。最后,可用数据分桶形式,进行A/BTest评估效果,根据预测的准确性及时调整流量分流。
计算流程包括:
离线:负责数据的整合、特征的提取、模型的训练、以及线下的评估。
近线:接受各个外系统的日志事件,利用流处理引擎对数据进行清洗,处理成格式化的数据(更新准实时的特征数据),供上游的算法和模型使用。
在线:根据用户所处的场景,提取出相对应的特征,并利用多种机器学习算法(LR、GBDT),对多策略召回的结果进行融合和打分重排。
有益效果:(1)本发明中在推荐引擎配置和部署环节,支持多种沉淀算法,包括MABThompson、MAB UCB、MABLinUCB、FM、关联规则、协同过滤、内部推荐、监督学习,并支持动态SQL函数干预规则的配置,保证算法的多样性、干预规则的动态性;在推荐引擎实时推荐环节,通过收益模拟测算和投放策略制定、实时的、精确的将客户最爱的商品推荐给客户,实现“千人千面”的精准营销。
(2)本发明的推荐方法具有实时性:依托流、批数据处理能力,根据实时事件或数据上传,结合在线服务API,提供毫秒级推荐能力;灵活性:根据用户实时反馈的接触数据,灵活调整流量分配,实现”好推多推”的营销;通用性:内置常用算法,能基于客户业务的特点,由算法专家提供少量专属定制的策略服务即可达到推荐效果。
具体实施方式
下面对本发明技术方案进行详细说明,但是本发明的保护范围不局限于所述实施例。
实施例:一种AI推荐引擎赋能商品营销方法,包括如下步骤:
(1)推荐引擎准备:包括算法准备和数据准备两部分。
数据准备部分:
离线数据准备:将用户数据、行为数据、商品数据,提供标准的接口协议,通过智慧中心提供调度,将数据导入hadoop数据平台。
近线数据准备:各渠道触点用户行为数据,通过流处理引擎,直接将数据透传到决策中心。
事件数据准备:外系统日志数据在过滤和加工后,通过文件、HTTP、socket、消息队列(kafka/rocketMQ)等方式,输入到流处理进行过滤、累计等,处理生成事件数据。
算法准备部分:
算法数据准备:提供MAB、GBDT、LR等通用算法。通过算法管理模块上传算法。
特征数据准备:为了是特征相关算法起到应用作用,需要预先补充,商品特征、用户特征、商品MAB特征、用户行为特征。
用户特征:ide_fs_user_rt_basefeature PK:uid类型:USER
商品特征:ide_fs_item_rt_offer PK:item_id类型:ITEM
商品MAB特征:ide_mab_rt_win_feature PK:item_id类型:MAB_ITEM
用户行为特征:ide_fs_u2i_create_lifetime PK:id类型:U2I_ITEM。
(2)推荐引擎发布:对推荐引擎进行配置,将上传的算法进行分组设置,多个算法分桶组成一个算法分组,每个算法分组中必须有一个默认算法,其余算法合并容量为100%。另外推荐引擎可以被接触节点引入,并进行商品决策。设定干预规则,通过SQL通用函数动态设置,对算法排序的结构进行人为干预,例如:当客户点击某个商品,可以对其进行加权操作。最后设定推送规则,设置主动接触渠道规则,例如:短信、主动外呼,设定发送时间;推荐引擎配置完成后即可进行发布。
(3)推荐引擎在线实时推荐:推荐引擎接受用户请求,根据用户请求拉取推荐商品的主题、标签、素材和品类的召回集,再根据当前召回集拉取偏好和相似召回集,然后再通过召回集对素材相关的特征进行筛选过滤,将特征实时传入模型进行点击量预估,根据机器学习模型和/或深度学习模型实时打分,对推荐商品进行排序,在模型排序后,判断是否有步骤(2)配置的干预规则,如果有引入,根据干预规则配置内容进行动态解析,对结果数据进行重排。同时算法能够根据实时监测营销数据并动态调控结果排序,达到成本和流量的最优控制,实现营销智能决策。
推荐引擎计算流程如下:
离线:负责数据的整合、特征的提取、模型的训练、以及线下的评估。
近线:接受各个外系统的日志事件,利用流处理引擎对数据进行清洗,处理成格式化的数据(更新准实时的特征数据),供上游的算法和模型使用。
在线:根据用户所处的场景,提取出相对应的特征,并利用多种机器学习算法(LR、GBDT),对多策略召回的结果进行融合和打分重排。
具体实施时,如APP新用户商品推荐,对于某电商客户,在新注册入网后,对相关热卖商品进行推荐。相关流程包括:
推荐引擎配置:配置冷启动相关算法MAB、设置A/Btest对比分组,关联网站热卖商品相关数据、并配置投放运营位:腰封。
在用户登录APP,APP调用推荐引擎推荐对新用户进行商品推荐。推荐引擎同时接受客户反馈接口,动态调整流控和算法参数,做好冷启动的推荐数据收敛工作。实现留存新用户的目的。
而在存量用户猜你喜欢推荐时,根据用户的日常操作日志、以及其他用户日常操作日志、商品热度等信息。在猜你喜欢运营位持续为用户推荐个性化商品。相关流程包括:
推荐引擎配置:配置热启动相关算法:FM,关联网站商品、特征视图数据、并配置投放运营位:猜你喜欢运营位。
在用户登录APP,APP调用推荐引擎对存量用户进行商品推荐。推荐引擎同时接受客户反馈接口,动态调整流控和算法参数,实现“千人千面”个性化营销场景。
如上所述,尽管参照特定的优选实施例已经表示和表述了本发明,但其不得解释为对本发明自身的限制。在不脱离所附权利要求定义的本发明的精神和范围前提下,可对其在形式上和细节上作出各种变化。
Claims (5)
1.一种AI推荐引擎赋能商品营销方法,其特征在于,包括如下步骤:
(1)推荐引擎准备:包括算法准备和数据准备两部分,其中数据准备是将采集的用户数据、行为数据、商品数据和日志数据分类后处理为离线数据、近场数据和事件数据,为算法提供数据支持;算法准备是通过算法管理模块上传多种算法,并为相关算法预先补充商品特征、用户特征、商品MAB特征和用户行为特征;
(2)推荐引擎发布:对推荐引擎进行配置,将上传的算法进行分组设置,并设定干预规则,通过SQL通用函数动态设置,对算法排序的结构进行人为干预,最后设定推送规则,设置主动接触渠道规则和发送时间;推荐引擎配置完成后即可进行发布;
(3)推荐引擎在线实时推荐:推荐引擎接受用户请求,根据用户请求拉取推荐商品的主题、标签、素材和品类的召回集,再根据当前召回集拉取偏好和相似召回集,然后再通过召回集对素材相关的特征进行筛选过滤,将特征实时传入模型进行点击量预估,根据机器学习模型和/或深度学习模型实时打分,对推荐商品进行排序,在模型排序后,判断是否有步骤(2)配置的干预规则,如果有引入,根据干预规则配置内容进行动态解析,对结果数据进行重排。
2.根据权利要求1所述的AI推荐引擎赋能商品营销方法,其特征在于,步骤(1)中数据准备部分的离线数据准备是将用户数据、行为数据、商品数据,提供标准的接口协议,通过智慧中心提供调度,将数据导入hadoop数据平台;
近场数据准备是将各渠道触点用户行为数据直接通过流处理引擎传到决策中心;
事件数据准备是外系统日志数据在加工和过滤后,通过文件、HTTP、socke或消息队列的方式输入到流处理进行过滤和累计,处理生成事件数据。
3.根据权利要求1所述的AI推荐引擎赋能商品营销方法,其特征在于,步骤(1)中算法管理模块上传的算法包括MAB、GBDT和/或LR算法。
4.根据权利要求1所述的AI推荐引擎赋能商品营销方法,其特征在于,步骤(2)中在对算法进行分组设置时,每个算法分组中设置一个默认算法,其余算法合并容量为100%。
5.根据权利要求1所述的AI推荐引擎赋能商品营销方法,其特征在于,步骤(3)中对推荐商品进行排序时,还包括根据实时监测营销数据并动态调控结果排序的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910284148.5A CN110020921A (zh) | 2019-04-09 | 2019-04-09 | 一种ai推荐引擎赋能商品营销方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910284148.5A CN110020921A (zh) | 2019-04-09 | 2019-04-09 | 一种ai推荐引擎赋能商品营销方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110020921A true CN110020921A (zh) | 2019-07-16 |
Family
ID=67190961
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910284148.5A Pending CN110020921A (zh) | 2019-04-09 | 2019-04-09 | 一种ai推荐引擎赋能商品营销方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110020921A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110599243A (zh) * | 2019-09-03 | 2019-12-20 | 浩鲸云计算科技股份有限公司 | 一种面向客户的旅程营销方法和系统 |
CN111368206A (zh) * | 2020-03-17 | 2020-07-03 | 深圳市前海随手数据服务有限公司 | 一种业务推荐方法、装置、服务器及存储介质 |
CN111915329A (zh) * | 2020-07-30 | 2020-11-10 | 上海数策软件股份有限公司 | 一种基于汽车行业售后场景的个性化推荐方法及系统 |
CN111932150A (zh) * | 2020-09-17 | 2020-11-13 | 平安国际智慧城市科技股份有限公司 | 基于ai决策及引擎的流程执行方法、装置、设备及介质 |
CN111951049A (zh) * | 2020-08-14 | 2020-11-17 | 中国工商银行股份有限公司 | 基于商品相似度的推荐方法及装置 |
CN112307339A (zh) * | 2020-10-30 | 2021-02-02 | 中国平安人寿保险股份有限公司 | 基于用户画像的推荐信息生成方法、装置及计算机设备 |
CN113111253A (zh) * | 2020-12-31 | 2021-07-13 | 绍兴亿都信息技术股份有限公司 | 基于中医药知识的个性化推荐方法、系统、设备及介质 |
CN113378033A (zh) * | 2020-03-09 | 2021-09-10 | 北京沃东天骏信息技术有限公司 | 一种推荐模型的训练方法和装置 |
CN113704635A (zh) * | 2021-07-30 | 2021-11-26 | 西安交通大学 | 一种社交网络事件推荐方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104992352A (zh) * | 2015-07-10 | 2015-10-21 | 安徽新华传媒股份有限公司 | 一种个性化资源检索方法 |
US20160300144A1 (en) * | 2015-04-10 | 2016-10-13 | Tata Consultancy Services Limited | System and method for generating recommendations |
CN106126641A (zh) * | 2016-06-24 | 2016-11-16 | 中国科学技术大学 | 一种基于Spark的实时推荐系统及方法 |
CN106202106A (zh) * | 2015-05-06 | 2016-12-07 | 盛玲 | 一种高效数据分析推荐方法和系统 |
CN106600302A (zh) * | 2015-10-19 | 2017-04-26 | 玺阅信息科技(上海)有限公司 | 基于Hadoop的商品推荐系统 |
-
2019
- 2019-04-09 CN CN201910284148.5A patent/CN110020921A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160300144A1 (en) * | 2015-04-10 | 2016-10-13 | Tata Consultancy Services Limited | System and method for generating recommendations |
CN106202106A (zh) * | 2015-05-06 | 2016-12-07 | 盛玲 | 一种高效数据分析推荐方法和系统 |
CN104992352A (zh) * | 2015-07-10 | 2015-10-21 | 安徽新华传媒股份有限公司 | 一种个性化资源检索方法 |
CN106600302A (zh) * | 2015-10-19 | 2017-04-26 | 玺阅信息科技(上海)有限公司 | 基于Hadoop的商品推荐系统 |
CN106126641A (zh) * | 2016-06-24 | 2016-11-16 | 中国科学技术大学 | 一种基于Spark的实时推荐系统及方法 |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110599243A (zh) * | 2019-09-03 | 2019-12-20 | 浩鲸云计算科技股份有限公司 | 一种面向客户的旅程营销方法和系统 |
CN110599243B (zh) * | 2019-09-03 | 2023-04-18 | 浩鲸云计算科技股份有限公司 | 一种面向客户的旅程营销方法和系统 |
CN113378033A (zh) * | 2020-03-09 | 2021-09-10 | 北京沃东天骏信息技术有限公司 | 一种推荐模型的训练方法和装置 |
CN111368206A (zh) * | 2020-03-17 | 2020-07-03 | 深圳市前海随手数据服务有限公司 | 一种业务推荐方法、装置、服务器及存储介质 |
CN111915329A (zh) * | 2020-07-30 | 2020-11-10 | 上海数策软件股份有限公司 | 一种基于汽车行业售后场景的个性化推荐方法及系统 |
CN111951049A (zh) * | 2020-08-14 | 2020-11-17 | 中国工商银行股份有限公司 | 基于商品相似度的推荐方法及装置 |
CN111932150A (zh) * | 2020-09-17 | 2020-11-13 | 平安国际智慧城市科技股份有限公司 | 基于ai决策及引擎的流程执行方法、装置、设备及介质 |
CN111932150B (zh) * | 2020-09-17 | 2021-01-08 | 平安国际智慧城市科技股份有限公司 | 基于ai决策及引擎的流程执行方法、装置、设备及介质 |
CN112307339A (zh) * | 2020-10-30 | 2021-02-02 | 中国平安人寿保险股份有限公司 | 基于用户画像的推荐信息生成方法、装置及计算机设备 |
CN112307339B (zh) * | 2020-10-30 | 2023-11-03 | 中国平安人寿保险股份有限公司 | 基于用户画像的推荐信息生成方法、装置及计算机设备 |
CN113111253A (zh) * | 2020-12-31 | 2021-07-13 | 绍兴亿都信息技术股份有限公司 | 基于中医药知识的个性化推荐方法、系统、设备及介质 |
CN113704635A (zh) * | 2021-07-30 | 2021-11-26 | 西安交通大学 | 一种社交网络事件推荐方法及系统 |
CN113704635B (zh) * | 2021-07-30 | 2024-05-24 | 西安交通大学 | 一种社交网络事件推荐方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110020921A (zh) | 一种ai推荐引擎赋能商品营销方法 | |
CN105959374B (zh) | 一种数据推荐方法及其设备 | |
Manogaran et al. | ISOF: information scheduling and optimization framework for improving the performance of agriculture systems aided by industry 4.0 | |
US20060155513A1 (en) | Survey system | |
CN108009023A (zh) | 混合云中基于bp神经网络时间预测的任务调度方法 | |
JP4763028B2 (ja) | 討論支援システム、討論支援方法及び討論支援プログラム | |
CN108628964B (zh) | 一种智能场景化企业大数据系统 | |
US20190318412A1 (en) | Methods and machine-learning systems that provide a personalized concierge service | |
CN110245958A (zh) | 一种基于crm系统的客户智能打分方法及系统 | |
CN110196711A (zh) | 基于人工智能的插件式工单辅助决策方法及其系统 | |
CN116911962B (zh) | 一种基于数据模型的选品装置及方法 | |
CN109410015A (zh) | 一种基于云平台的大规模定制系统 | |
CN111126621A (zh) | 在线模型训练方法及装置 | |
CN106846082A (zh) | 基于硬件信息的旅游冷启动用户产品推荐系统及方法 | |
CN109461042A (zh) | 智能营养配餐方法、装置及系统 | |
CN111125518A (zh) | 家电信息推荐的系统及方法 | |
CN115936760A (zh) | 一种基于区块链和智能合约的需求匹配方法及系统 | |
CN113163063B (zh) | 智能外呼系统及方法 | |
Dai et al. | Incentive-aware recommender systems in two-sided markets | |
Luo et al. | Towards communication efficient and fair federated personalized sequential recommendation | |
CN111242643B (zh) | 一种微型环形零件制造服务信息实时更新系统 | |
CN108428191A (zh) | 农业和养殖业互联网生产过程监控系统及方法 | |
CN113222363B (zh) | 一种基于强化学习的智慧云制造系统及调度方法 | |
CN108334645A (zh) | 一种基于图模型反馈更新的活动推荐方法 | |
US20140143016A1 (en) | Method and system for implementing progressive profiling of potential customers |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190716 |