CN110727813A - 一种商品图片的自适应热门指数排序方法 - Google Patents

一种商品图片的自适应热门指数排序方法 Download PDF

Info

Publication number
CN110727813A
CN110727813A CN201910797568.3A CN201910797568A CN110727813A CN 110727813 A CN110727813 A CN 110727813A CN 201910797568 A CN201910797568 A CN 201910797568A CN 110727813 A CN110727813 A CN 110727813A
Authority
CN
China
Prior art keywords
picture
commodity
user
pictures
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
Application number
CN201910797568.3A
Other languages
English (en)
Other versions
CN110727813B (zh
Inventor
陈雨
陈运文
于敬
刘文海
纪达麒
柳凯
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Daerguan Information Technology (shanghai) Co Ltd
Original Assignee
Daerguan Information Technology (shanghai) Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Daerguan Information Technology (shanghai) Co Ltd filed Critical Daerguan Information Technology (shanghai) Co Ltd
Priority to CN201910797568.3A priority Critical patent/CN110727813B/zh
Publication of CN110727813A publication Critical patent/CN110727813A/zh
Application granted granted Critical
Publication of CN110727813B publication Critical patent/CN110727813B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/55—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/53—Querying
    • G06F16/535—Filtering based on additional data, e.g. user or group profiles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/5866—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using information manually generated, e.g. tags, keywords, comments, manually generated location and time information
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Library & Information Science (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种商品图片的自适应热门指数排序方法，具体包括以下步骤：向各待推荐商品图片添加标签并按标签类别进行分类；获取用户的历史行为数据；计算每类标签下各待推荐商品图片的经时间衰减加权的点击率得分并按得分高低进行排序；构建用户图像；根据用户图像和各类标签的图片排行榜，生产推荐候选集推荐给用户。本发明的方法结合用户偏好的商品图片属性，将匹配度最高的商品图片推荐给用户，保证了用户体验，避免历史累计，降低了以前热门商品的权重，消除了马太效应。

Description

一种商品图片的自适应热门指数排序方法
技术领域
本发明涉及计算机数据处理技术领域，尤其涉及一种商品图片的自适应热门指数排序方法。
背景技术
随着时代发展，人们更加注重生活品质，在众多的商品中，能够让人们发现自己喜欢的物品，推荐系统起着很大的作用。
推荐系统是帮助用户快速发现感兴趣的信息的工具，主要通过用户的历史行为，充分挖掘用户的兴趣，主动给用户推荐感兴趣或者有用的信息。一个好的图片推荐系统应当要具有较高的推荐准确率、商品覆盖率、新颖性，能够给用户带来惊喜等。
马太效应，即强者更强，弱者更弱的效应。如果一个系统会增大热门物品和非热门物品流行度的差距，也就是让热门的物品更加热门，不热门的物品更加不热门，这样不热门的物品就很难甚至没有机会推荐给用户，那么这个系统就具有马太效应。
商品图片推荐系统和其他推荐系统不同的是：商品图片的内容很难用简短的语言表述清楚。图片内容可从图片属性进行衡量，比如对于服装图片，有风格、款式等，食品图片有食材、口味等。而且有些图片还具有一定时效性，比如服装图片。一个好的商品图片推荐系统不仅要具有较好的用户体验，较高的推荐准确率，还要消除马太效应，然而目前主流的推荐系统，是具有马太效应的。因此如何避免马太效应成为本领域技术人员需要解决的问题。
发明内容
有鉴于此，本发明提供了一种商品图片的自适应热门指数排序方法，用以解决上述背景技术中存在的问题。
一种商品图片的自适应热门指数排序方法，具体包括以下步骤：
S1，根据待推荐商品图片的商品属性向各个待推荐商品图片添加标签，并按标签类别对待推荐商品图片进行归类；
S2，获取用户在预设统计周期内的历史行为数据；
S3，根据用户的历史行为数据，计算每类标签下各待推荐商品图片的经时间衰减加权的点击率得分，并根据点击率得分高低获取各类标签的图片排行榜；
S4，根据用户的历史行为数据，构建用户画像；
S5，根据用户图像以及各类标签的图片排行榜，生产推荐候选集推荐给用户。
优选地，步骤S3中根据用户的历史行为数据，计算每类推荐标签下各待推荐商品图片的经时间衰减加权的点击率得分的具体步骤为：
S31，根据用户的历史行为数据，统计每类标签下每个待推荐商品图片在每个点击周期中的点击率；
S32，计算每个点击周期的时间衰减系数；
S33，分别计算每类标签下各个待推荐商品图片在整个预设统计周期内的经时间衰减加权的点击率得分；
S34，将每类标签下各个待推荐商品图片按照点击率得分高低分别进行排序，得到各类标签的图片排行榜。
优选地，第i类标签下第j张待推荐商品图片的点击率得分
Figure BDA0002181395510000031
其中，
Figure BDA0002181395510000032
为第i类标签下第j张待推荐商品图片在第Tk点击周期中的点击率，i和j均为正整数；decay(Tk,k,α)为第Tk点击周期的时间衰减系数；
预设统计周期T＝T1+T2+L+Tn，Tk为第k个点击周期，k＝1L n。
优选地，所述第Tk点击周期的时间衰减系数
Figure BDA0002181395510000033
其中，μ,α均为设定的时间衰减参数；
第i类标签下第j张待推荐商品图片在第Tk点击周期中的点击率
Figure BDA0002181395510000034
其中，
Figure BDA0002181395510000035
为第i类标签下第j张待推荐商品图片在第Tk点击周期中被点击的次数，为第i类标签下第j张待推荐商品图片在第Tk点击周期中被浏览的次数。
优选地，所述步骤S4中构建用户画像的具体步骤为：
S41，根据用户的历史行为数据，计算用户浏览过的每个图片的行为得分；
S42，将用户浏览过的所有图片按照一级属性进行分类；
S43，将每个一级属性下的图片按照二级属性进行再次分类，并将每个二级属性下的所有图片的行为得分进行求和，得到每个二级属性的行为总分；
S44，将各个一级属性下的所有的二级属性按照行为总分值的高低进行排序，得到各个一级属性的属性排行榜，并将每个属性排行榜中前N名的二级属性提取出来，作为用户的偏好属性，构建出用户画像，N为设定值。
优选地，所述二级属性为所述一级属性的子属性。
优选地，步骤S5中根据用户图像以及各类标签的图片排行榜，生产推荐候选集推荐给用户的具体步骤为：
S51，将用户的偏好属性进行两两交叉得到交叉属性，并将交叉属性对应的标签的图片排行榜中点击率得分最高的待推荐图片作为候选图片；
S52，计算每个候选图片的推荐得分；
S53，将所有的候选图片按照推荐得分高低进行排序，生产推荐候选集，推荐给用户。
优选地，候选图片的推荐得分
Figure BDA0002181395510000041
其中，g和h均为候选图片所属标签中的偏好属性在其对应的属性排行榜中的排位。
优选地，所述步骤S1中向单个待推荐商品图片添加标签的具体步骤为：将待推荐商品图片的商品属性进行交叉得到标签，将标签添加到待推荐商品图片上。
优选地，所述待推荐商品图片的商品属性中包含有多种属性。
本发明的有益效果是：
本申请的方法通过利用用户在预设统计周期内的历史行为数据，获取待推荐商品图经时间衰减加权的点击率得分，并通过构建的用户画像，结合用户偏好的商品图片属性，将匹配度最高的商品图片推荐给用户，保证了用户体验，避免历史累计，降低了以前热门商品的权重，消除了马太效应。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1是本发明的流程图。
具体实施方式
为了更好的理解本发明的技术方案，下面结合附图对本发明实施例进行详细描述。
应当明确，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
本发明实施例给出一种商品图片的自适应热门指数排序方法，具体包括以下步骤：
S1，根据待推荐商品图片的商品属性向各个待推荐商品图片添加标签，并按标签类别对待推荐商品图片进行分类。
具体地，所述待推荐商品图片的商品属性中包含有多种属性(比如服装图片包含风格、款式等一级属性，风格可细分为欧美风、中国风、韩系、日系等二级属性，款式可细分为典雅系列、时尚系列、印花系列、休闲系列等二级属性)，将待推荐商品图片的不同属性进行交叉得到标签，将标签添加到待推荐商品图片上，并按标签类别对待推荐商品图片进行分类。
S2，获取用户在预设统计周期内的历史行为数据。
预设统计周期内包含有若干个点击周期，预设统计周期T＝T1+T2+L+Tn，n为正整数。
S3，根据用户的历史行为数据，计算每类标签下各待推荐商品图片的经时间衰减加权的点击率得分，并根据点击率得分高低获取各类标签的图片排行榜。
具体地，构建各类标签的图片排行榜的具体步骤为：
S31，根据用户的历史行为数据，统计每类标签下每张待推荐商品图片在每个点击周期中的点击率；
第i类标签下第j张待推荐商品图片在第Tk点击周期中的点击率其中，
Figure BDA0002181395510000062
为第i类标签下第j张待推荐商品图片在第Tk点击周期中被点击的次数，
Figure BDA0002181395510000063
为第i类标签下第j张待推荐商品图片在第Tk点击周期中被浏览的次数，Tk为预设统计周期内第k个点击周期，k＝1L n。
S32，计算每个点击周期的时间衰减系数；
所述第Tk点击周期的时间衰减系数其中，μ,α均为设定的时间衰减参数。
S33，分别计算每类标签下各个待推荐商品图片在整个预设统计周期内的经时间衰减加权的点击率得分；
第i类标签下第j张待推荐商品图片的点击率得分
Figure BDA0002181395510000065
其中，
Figure BDA0002181395510000066
为第i类标签下第j张待推荐商品图片在第Tk点击周期中的点击率，i和j均为正整数；decay(Tk,k,α)为第Tk点击周期的时间衰减系数。
S34，将每类标签下各个待推荐商品图片按照点击率得分高低分别进行排序，得到各类标签的图片排行榜。
S4，根据用户的历史行为数据，构建用户画像。
具体地，构建用户画像的具体步骤为：
S41，根据用户的历史行为数据，计算用户浏览过的每个图片的行为得分；
用户的历史行为数据中包含有用户的历史行为，如点击、浏览、喜欢、不喜欢等行为，可根据预设的不同行为对应的行为分值，计算出用户浏览过的每个图片的行为得分。
S42，将用户浏览过的所有图片按照一级属性进行分类。
S43，将每个一级属性下的图片按照二级属性进行再次分类，并将每个二级属性下的所有图片的行为得分进行求和，得到每个二级属性的行为总分；
所述二级属性为所述一级属性的子属性。
S44，将各个一级属性下的所有的二级属性按照行为总分值的高低进行排序，得到各个一级属性的属性排行榜，并将每个属性排行榜中前N名的二级属性提取出来，作为用户的偏好属性，构建出用户画像，N为设定值。
S5，根据用户图像以及各类标签的图片排行榜，生产推荐候选集推荐给用户。
具体地，生产推荐候选集推荐给用户的具体步骤为：
S51，将用户的偏好属性进行两两交叉得到交叉属性，并将交叉属性对应的标签的图片排行榜中点击率得分最高的待推荐图片作为候选图片；
S52，计算每个候选图片的推荐得分；
候选图片的推荐得分
Figure BDA0002181395510000071
其中，g和h均为候选图片所属标签中的偏好属性在其对应的属性排行榜中的排位。
S53，将所有的候选图片按照推荐得分高低进行排序，生产推荐候选集，推荐给用户。
下面通过举例详细说明本实施例的具体实施方式。
S1，假设待推荐商品图片有5张，均为服装图片，分别为图片A、图片B、图片C、图片D、图片E，图片A的商品属性为韩系、典雅、时尚、印花，图片B的商品属性为韩系、典雅、印花，图片C的商品属性为中国、时尚、印花，图片D为中国、典雅、印花，图片E为中国、典雅、晚装、印花。
将这5张待推荐图片的不同商品属性进行交叉作为标签，添加到各个待推荐图片上，即得到韩系-典雅图片A、韩系-时尚图片A、韩系-印花图片A；韩系-典雅图片B、韩系-印花图片B；中国-时尚图片C、中国-印花图片C；中国-典雅图片D、中国-印花图片D，中国-典雅图片E、中国-晚装图片E、中国-印花图片E。
按照标签类别对待推荐商品图片进行分类，即
韩系-典雅类：图片A、图片B；
韩系-时尚类：图片A；
韩系-印花类：图片A、图片B
中国-时尚类：图片C；
中国-印花类：图片C、图片D、图片E；
中国-典雅类：图片D、图片E；
中国-晚装类：图片E。
S2，获取用户在预设统计周期T内的历史行为数据，T＝T1+T2+T3。
S3，计算上述S1中每类标签下每个待推荐商品图片在整个预设统计周期内的经时间衰减加权的点击率得分，并根据得分高低进行排序，得到各类标签的图片排行榜；
假设各类标签的图片排行榜如下：
标签1(韩系-典雅类)：图片A》图片B；
标签2(韩系-时尚类)：图片A；
标签3(韩系-印花类)：图片B》图片A；
标签4(中国-时尚类)：图片C；
标签5(中国-印花类)：图片C》图片E》图片D；
标签6(中国-典雅类)：图片D》图片E；
标签7(中国-晚装类)：图片E。
S4，构建用户画像：
首先，根据用户的历史行为数据，计算用户浏览过的每张图片的行为得分；将用户浏览过的所有图片按照一级属性进行分类，假设按风格和款式这两种属性进行分类(风格、款式均为一级属性)；
然后，将“风格”属性下的图片进行再次分类，分为欧美风、中国风、韩系(欧美风、中国风、韩系均为二级属性)；将“款式”属性下的图片进行再次分类，分为典雅、时尚、印花、晚装(典雅、时尚、印花、晚装均为二级属性)；
然后，将“欧美风”下的所有图片的行为得分进行求和，得到“欧美风”的行为总分；将“中国风”下的所有图片的行为得分进行求和，得到“中国风”的行为总分……依次类推，将每个二级属性下的所有图片的行为得分进行求和，得到每个二级属性的行为总分；
最后，将各个一级属性下的所有的二级属性按照行为总分值进行排序，假设“风格”属性的属性排行榜为韩系》中国风》欧美风，“款式”属性的属性排行榜为典雅》印花》时尚》晚装，将“风格”属性排行榜和“款式”属性排行榜的前2名的属性提取出来，即将韩系、中国风、典雅、印花作为用户的偏好属性。
S5，将用户的偏好属性进行交叉，得到韩系-典雅、韩系-印花、中国风-典雅、中国风-印花这四种交叉属性，将这四种交叉属性所对应的标签的图片排行榜中点击率得分最高的待推荐图片作为候选图片，即将图片A、图片B、图片C、图片D作为候选图片；
然后，分别计算图片A、图片B、图片C、图片D的推荐得分，例如图片A的推荐得分
Figure BDA0002181395510000101
g为图片A的标签(韩系-典雅)中“韩系”属性在其所属的“风格”属性排行榜中的排位，h为图片A的标签(韩系-典雅)中“典雅”属性在其所属的“款式”属性排行榜中的排位，即g＝1,h＝1；
最后，将图片A、图片B、图片C、图片D的推荐得分按得分高低进行排序，推荐给用户。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。

Claims (10)

1.一种商品图片的自适应热门指数排序方法，其特征在于，具体包括以下步骤：
S1，根据待推荐商品图片的商品属性向各个待推荐商品图片添加标签，并按标签类别对待推荐商品图片进行分类；
S2，获取用户在预设统计周期内的历史行为数据；
S3，根据用户的历史行为数据，计算每类标签下各待推荐商品图片的经时间衰减加权的点击率得分，并根据点击率得分高低获取各类标签的图片排行榜；
S4，根据用户的历史行为数据，构建用户画像；
S5，根据用户图像以及各类标签的图片排行榜，生产推荐候选集推荐给用户。
2.根据权利要求1所述的商品图片的自适应热门指数排序方法，其特征在于，步骤S3中根据用户的历史行为数据，计算每类推荐标签下各待推荐商品图片的经时间衰减加权的点击率得分的具体步骤为：
S31，根据用户的历史行为数据，统计每类标签下每个待推荐商品图片在每个点击周期中的点击率；
S32，计算每个点击周期的时间衰减系数；
S33，分别计算每类标签下各个待推荐商品图片在整个预设统计周期内的经时间衰减加权的点击率得分；
S34，将每类标签下各个待推荐商品图片按照点击率得分高低分别进行排序，得到各类标签的图片排行榜。
3.根据权利要求2所述的商品图片的自适应热门指数排序方法，其特征在于，第i类推荐标签下第j张待推荐商品图片的点击率得分
Figure FDA0002181395500000021
其中，
Figure FDA0002181395500000022
为第i类推荐标签下第j张待推荐商品图片在第Tk点击周期中的点击率，i和j均为正整数；decay(Tk,k,α)为第Tk点击周期的时间衰减系数；
预设统计周期T＝T1+T2+L+Tn，Tk为第k个点击周期，k＝1L n。
4.根据权利要求3所述的商品图片的自适应热门指数排序方法，其特征在于，所述第Tk点击周期的时间衰减系数
Figure FDA0002181395500000023
其中，μ,α均为设定的时间衰减参数；
第i类推荐标签下第j张待推荐商品图片在第Tk点击周期中的点击率
Figure FDA0002181395500000024
其中，为第i类推荐标签下第j张待推荐商品图片在第Tk点击周期中被点击的次数，为第i类推荐标签下第j张待推荐商品图片在第Tk点击周期中被浏览的次数。
5.根据权利要求1所述的商品图片的自适应热门指数排序方法，其特征在于，所述步骤S4中构建用户画像的具体步骤为：
S41，根据用户的历史行为数据，计算用户浏览过的每个图片的行为得分；
S42，将用户浏览过的所有图片按照一级属性进行分类；
S43，将每个一级属性下的图片按照二级属性进行再次分类，并将每个二级属性下的所有图片的行为得分进行求和，得到每个二级属性的行为总分；
S44，将各个一级属性下的所有的二级属性按照行为总分值的高低进行排序，得到各个一级属性的属性排行榜，并将每个属性排行榜中前N名的二级属性提取出来，作为用户的偏好属性，构建出用户画像，N为设定值。
6.根据权利要求5所述的商品图片的自适应热门指数排序方法，其特征在于，所述二级属性为所述一级属性的子属性。
7.根据权利要求5所述的商品图片的自适应热门指数排序方法，其特征在于，步骤S5中根据用户图像以及各类标签的图片排行榜，生产推荐候选集推荐给用户的具体步骤为：
S51，将用户的偏好属性进行两两交叉得到交叉属性，并将交叉属性对应的标签的图片排行榜中点击率得分最高的待推荐图片作为候选图片；
S52，计算每个候选图片的推荐得分；
S53，将所有的候选图片按照推荐得分高低进行排序，生产推荐候选集，推荐给用户。
8.根据权利要求7所述的商品图片的自适应热门指数排序方法，其特征在于，候选图片的推荐得分
Figure FDA0002181395500000031
其中，g和h均为候选图片所属标签中的偏好属性在其对应的属性排行榜中的排位。
9.根据权利要求1所述的商品图片的自适应热门指数排序方法，其特征在于，所述步骤S1中向单个待推荐商品图片添加标签的具体步骤为：
将待推荐商品图片的商品属性进行交叉得到标签，将标签添加到待推荐商品图片上。
10.根据权利要求9所述的商品图片的自适应热门指数排序方法，其特征在于，所述待推荐商品图片的商品属性中包含有多种属性。
CN201910797568.3A 2019-08-27 2019-08-27 一种商品图片的自适应热门指数排序方法 Active CN110727813B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910797568.3A CN110727813B (zh) 2019-08-27 2019-08-27 一种商品图片的自适应热门指数排序方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910797568.3A CN110727813B (zh) 2019-08-27 2019-08-27 一种商品图片的自适应热门指数排序方法

Publications (2)

Publication Number Publication Date
CN110727813A true CN110727813A (zh) 2020-01-24
CN110727813B CN110727813B (zh) 2023-06-09

Family

ID=69217789

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910797568.3A Active CN110727813B (zh) 2019-08-27 2019-08-27 一种商品图片的自适应热门指数排序方法

Country Status (1)

Country Link
CN (1) CN110727813B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111523041A (zh) * 2020-04-30 2020-08-11 掌阅科技股份有限公司 热度数据的推荐方法、计算设备及计算机存储介质
CN111582973A (zh) * 2020-04-09 2020-08-25 苏宁云计算有限公司 一种商品推荐数据生成方法、装置及系统
CN111723227A (zh) * 2020-06-14 2020-09-29 黄雨勤 基于人工智能和互联网的数据分析方法及云计算服务平台
CN112330427A (zh) * 2021-01-05 2021-02-05 中智关爱通(南京)信息科技有限公司 用于商品排序的方法、电子设备和存储介质
CN112749330A (zh) * 2020-06-05 2021-05-04 腾讯科技（深圳）有限公司 信息推送方法、装置、计算机设备和存储介质
CN113627995A (zh) * 2021-09-17 2021-11-09 广州华多网络科技有限公司 商品推荐列表更新方法及其装置、设备、介质、产品
CN115966206A (zh) * 2022-11-23 2023-04-14 中创科技(广州)有限公司 Ai语音识别的智能图片生成方法、装置、设备及介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102411754A (zh) * 2011-11-29 2012-04-11 南京大学 一种基于商品属性熵值的个性化推荐方法
WO2014032492A1 (zh) * 2012-08-28 2014-03-06 腾讯科技（深圳）有限公司 媒体内容推荐方法及设备
CN106327227A (zh) * 2015-06-19 2017-01-11 北京航天在线网络科技有限公司 一种信息推荐系统及信息推荐方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102411754A (zh) * 2011-11-29 2012-04-11 南京大学 一种基于商品属性熵值的个性化推荐方法
WO2014032492A1 (zh) * 2012-08-28 2014-03-06 腾讯科技（深圳）有限公司 媒体内容推荐方法及设备
CN106327227A (zh) * 2015-06-19 2017-01-11 北京航天在线网络科技有限公司 一种信息推荐系统及信息推荐方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
夏秀峰;张姝;李晓明;: "一种个性化标签云中的标签排序算法" *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111582973A (zh) * 2020-04-09 2020-08-25 苏宁云计算有限公司 一种商品推荐数据生成方法、装置及系统
CN111523041A (zh) * 2020-04-30 2020-08-11 掌阅科技股份有限公司 热度数据的推荐方法、计算设备及计算机存储介质
CN111523041B (zh) * 2020-04-30 2023-03-24 掌阅科技股份有限公司 热度数据的推荐方法、计算设备及计算机存储介质
CN112749330A (zh) * 2020-06-05 2021-05-04 腾讯科技（深圳）有限公司 信息推送方法、装置、计算机设备和存储介质
CN112749330B (zh) * 2020-06-05 2023-12-12 腾讯科技（深圳）有限公司 信息推送方法、装置、计算机设备和存储介质
CN111723227A (zh) * 2020-06-14 2020-09-29 黄雨勤 基于人工智能和互联网的数据分析方法及云计算服务平台
CN112330427A (zh) * 2021-01-05 2021-02-05 中智关爱通(南京)信息科技有限公司 用于商品排序的方法、电子设备和存储介质
CN113627995A (zh) * 2021-09-17 2021-11-09 广州华多网络科技有限公司 商品推荐列表更新方法及其装置、设备、介质、产品
CN115966206A (zh) * 2022-11-23 2023-04-14 中创科技(广州)有限公司 Ai语音识别的智能图片生成方法、装置、设备及介质

Also Published As

Publication number Publication date
CN110727813B (zh) 2023-06-09

Similar Documents

Publication Publication Date Title
CN110727813A (zh) 一种商品图片的自适应热门指数排序方法
Zhang et al. Can consumer-posted photos serve as a leading indicator of restaurant survival? Evidence from Yelp
Russakovsky et al. Imagenet large scale visual recognition challenge
CN110458627B (zh) 一种面向用户动态偏好的商品序列个性化推荐方法
Sewall Market segmentation based on consumer ratings of proposed product designs
CN104424296B (zh) 查询词分类方法和装置
CN109146626B (zh) 一种基于用户动态兴趣分析的时尚服装搭配推荐方法
CN107220365A (zh) 基于协同过滤与关联规则并行处理的精准推荐系统及方法
CN109165847B (zh) 一种基于推荐系统的项目推荐方法、装置及设备
CA2655196A1 (en) System and method for generating a display of tags
CN108665323A (zh) 一种用于理财产品推荐系统的集成方法
CN110020121A (zh) 基于迁移学习的软件众包项目推荐方法及系统
CN111667337A (zh) 一种商品评价的排序方法和系统
CN109242593A (zh) 一种基于案例推理的服装推荐方法、装置和存储介质
CN109858770A (zh) 对象质量评估方法和装置
CN107093122B (zh) 对象分类方法及装置
Płonka et al. Conjoint analysis models of digital packaging information features in customer decision-making
CN114169927A (zh) 基于多臂老虎机算法的产品个性化组合推荐方法
CN110020918B (zh) 一种推荐信息生成方法和系统
CN109146606A (zh) 一种品牌推荐方法、电子设备、存储介质及系统
CN113763072A (zh) 用于分析信息的方法和装置
CN106919647A (zh) 一种基于聚类的网络结构相似性推荐方法
CN110968670A (zh) 一种流行商品的属性获取方法、装置、设备及存储介质
Yu et al. TPJF: Machine Learning Based Intelligent Prediction of Preference for Japanese Food
CN113641915A (zh) 对象的推荐方法、装置、设备、存储介质和程序产品

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