CN111047389A - 一种ar购物应用的监控推荐分析方法及储存介质、系统 - Google Patents
一种ar购物应用的监控推荐分析方法及储存介质、系统 Download PDFInfo
- Publication number
- CN111047389A CN111047389A CN201911083504.3A CN201911083504A CN111047389A CN 111047389 A CN111047389 A CN 111047389A CN 201911083504 A CN201911083504 A CN 201911083504A CN 111047389 A CN111047389 A CN 111047389A
- Authority
- CN
- China
- Prior art keywords
- shopping
- user
- information
- commodity
- shopping application
- 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
Images
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种AR购物应用的监控推荐分析方法及储存介质、系统,包括利用用户的基础信息、对AR购物应用的操作信息、商品信息构建的AR购物神经网络模型,并且包括以下步骤:获取输入的用户的基础信息和/或对AR购物应用的操作信息;基于AR购物神经网络模型测算出该输入的用户的基础信息和/或对AR购物应用的操作信息中商品的关联程度;从而可以根据关联程度来为正在浏览的用户推荐关联程度高的商品,便于对不同用户的精准定位来推荐商品,提升用户的购物体验。
Description
技术领域
本发明涉及AR应用领域,特别是一种AR购物应用的监控推荐分析方法及储存介质、系统。
背景技术
随着网络通信技术的迅速发展,5G技术的到来将会为人们的生活带来改变,5G技术的高带宽、低时延特性将极大改善VR/AR体验,促进产业发展。
AR技术在为用户带来丰富体验的同时,也给人们工作生活的许多方面带来便利。随着AR技术的发展,出现在各个平台上的AR应用也越来越丰富,AR应用的渲染特效也越来越逼真。
目前,线上购物存在一个很大的弊端,消费者无法试用商品,不知道到买回来合不合适,很多消费者因此纠结犹豫。
随着AR技术的普及,AR技术将被应用于越来越多的领域中,例如AR购物,用户可以通过手机以及摄像头的配合,把网上的商品虚拟放置在自己的家中,借此查看到商品在自己家中或办公室里的摆放效果,而且现已支持上千款商品,这项功能会为买家提供更好的购物体验,选择合适的商品。通过AR呈现商品内容,消费者更能切实的感受到产品尺寸是否合适、颜色和设计风格是否搭配,有效减少后期的退换货。
而进一步地,在传统的商品监控推荐的系统中,只通过用户的年龄、所在地区、喜好等基础信息以及商品的类别等商品信息,来对用户于商品的相关性分析,由这些信息构建的分析模型只能适配于传统的商品监控模式,并且存在着不够精确的问题;
现今在AR技术的支持下的AR购物应用,传统的分析模型明显不能适应新时代的发展,不能满足用户的需求。
发明内容
本发明的目的在于至少解决现有技术中存在的技术问题之一,提供一种AR购物应用的监控推荐分析方法及储存介质、系统,基于AR购物神经网络模型,根据用户的基础信息和/或对AR购物应用的操作信息测算出用户与商品的关联程度。
本发明采用的技术方案是:
一种AR购物应用的监控推荐分析方法,包括利用用户的基础信息、对AR购物应用的操作信息、商品信息构建的AR购物神经网络模型,并且包括以下步骤:
获取输入的用户的基础信息和/或对AR购物应用的操作信息;
基于AR购物神经网络模型测算出该输入的用户的基础信息和/或对AR购物应用的操作信息中商品的关联程度。
还包括记录用户是否购买该商品的购买信息,并且利用购买信息构建AR购物神经网络模型,基于AR购物神经网络模型测算出对应商品的用户购买概率。
采集用户的基础信息和/或对AR购物应用的操作信息和/或商品信息和/或该商品的购买信息,输入给AR购物神经网络模型迭代更新。
所述AR购物神经网络模型包括输入层、隐藏层以及输出层,其中,
所述输入层的特征包括用户的基础信息和/或对AR购物应用的操作信息和/或商品信息;
所述隐藏层的激活函数为线性整流函数,所述隐藏层的损失函数为最小二乘法函数;
所述输出层的激活函数为Sigmoid函数;
用训练集在正向传播并输出预测结果和实际观察结果进行比较,计算隐藏层的损失函数的值,将隐藏层的损失函数的值反向传播,依据损失函数相对于权重的梯度,对每一个权重进行更新以最小化损失函数,并得出对应商品的用户购买概率。
所述用户的基础信息包括用户ID和/或用户设备型号和/或用户年龄和/或用户所在地区和/或用户性别和/或AR应用在用户设备中的CPU占有率和/或AR应用在用户设备中的内存使用率和/或AR应用在用户设备中的运行帧数。
所述对AR购物应用的操作信息包括凝视时间和/或添加操作和/或删除操作和/或旋转操作和/或缩放操作和/或移动操作。
所述AR购物应用的操作信息包括凝视时间,通过记录AR商品所放置在的锚点来记录AR商品所在位置,并且通过记录AR商品在同一锚点上停留的时间来得出凝视时间。
根据本发明实施例的一种AR购物应用的监控推荐分析方法,至少具有如下有益效果:
本发明的AR购物应用的监控推荐分析方法,利用用户的基础信息、对AR购物应用的操作信息、商品信息构建的AR购物神经网络模型,使得用户的基础信息、AR购物应用的操作信息、商品信息之间相关联,在其他用户浏览的过程中,能够获取到用户的基础信息以及浏览时的对AR购物应用的操作信息,基于AR购物神经网络模型的测算,能够得出不同商品与该正在浏览的用户之间的关联程度,进一步地,可以根据关联程度来为正在浏览的用户推荐关联程度高的商品,便于对不同用户的精准定位来推荐商品,提升用户的购物体验。
本发明还公开了一种储存介质,存储有上述任一实施例公开的一种AR购物应用的监控推荐分析方法的程序。
根据本发明实施例的一种储存介质,至少具有如下有益效果:
计算机能够运行储存介质中存储的程序,从而运行AR购物应用的监控推荐分析方法,获取到用户的基础信息以及浏览时的对AR购物应用的操作信息,用户使用计算机使用AR购物应用时,基于AR购物神经网络模型的测算,能够得出不同商品与该正在浏览的用户之间的关联程度,进一步地,可以根据关联程度来为正在浏览的用户推荐关联程度高的商品。
本发明还公开了一种系统,包括显示模块、操作模块以及分别与显示模块、操作模块连接的控制模块,控制模块能够控制显示模块展示AR购物应用,通过操作模块能够输入对AR购物应用的操作信息,控住模块能够根据上述任一实施例公开的一种AR购物应用的监控推荐分析方法运行。
根据本发明实施例的一种系统,至少具有如下有益效果:
控制模块通过显示模块向用户展示AR购物应用,提供相应的商品供用户选择,用户可以通过操作模块进行操作,输入对AR购物应用的操作信息,同时基于AR购物应用,控制模块能够获取到用户的基础信息以及浏览时的对AR购物应用的操作信息,从而在AR购物神经网络模型中测算出不同商品与该正在浏览的用户之间的关联程度,便于之后的一系列操作。
本发明还公开了一种系统,包括若干个终端设备以及监控端,所述终端设备通过服务器与监控端通信连接,终端设备能够运行AR购物应用,并且终端设备能够获取用户的基础信息、对AR购物应用的操作信息、商品信息上传服务器,监控端从服务器中获取用户的基础信息、对AR购物应用的操作信息、商品信息构建AR购物神经网络模型,并且监控端根据终端设备中输入的用户的基础信息和/或对AR购物应用的操作信息测算出商品的关联程度。
根据本发明实施例的一种系统,至少具有如下有益效果:
终端设备能够运行AR购物应用,用户使用终端设备,从而能够获取到用户的基础信息、对AR购物应用的操作信息、商品信息,多台终端设备对不同用户的行为以及信息进行获取,并且把数据打包上传到服务器中,监控端再利用这些数据建立出完善的AR购物神经网络模型,以便于后续终端设备中获取的用户的基础信息和/或对AR购物应用的操作信息基于AR购物神经网络模型测算出商品的关联程度,为不同的用户推送,整个系统有序运行,便于对不同用户的精准定位来推荐商品,提升用户的购物体验。
附图说明
下面结合附图对本发明的具体实施方式做进一步的说明。
图1是本发明AR购物应用的监控推荐分析方法的处理流程图。
图2是本发明AR购物应用的监控推荐分析方法的AR购物神经网络模型的示意图。
图3是本发明基于AR购物应用的监控推荐分析方法的其一系统的原理结构示意图。
图4是本发明于AR购物应用的监控推荐分析方法的另一系统的原理结构示意图。
具体实施方式
本部分将详细描述本发明的具体实施例,本发明之较佳实施例在附图中示出,附图的作用在于用图形补充说明书文字部分的描述,使人能够直观地、形象地理解本发明的每个技术特征和整体技术方案,但其不能理解为对本发明保护范围的限制。
在本发明的描述中,需要理解的是,涉及到方位描述,例如上、下、前、后、左、右等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
在本发明的描述中,若干的含义是一个或者多个,多个的含义是两个以上,大于、小于、超过等理解为不包括本数,以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
本发明的描述中,除非另有明确的限定,设置、安装、连接等词语应做广义理解,所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。
如图1、图2所示,一种AR购物应用的监控推荐分析方法,包括利用用户的基础信息、对AR购物应用的操作信息、商品信息构建的AR购物神经网络模型1,并且包括以下步骤:
获取输入的用户的基础信息和/或对AR购物应用的操作信息;
基于AR购物神经网络模型测算出该输入的用户的基础信息和/或对AR购物应用的操作信息中商品的关联程度。
其中,用户的基础信息、对AR购物应用的操作信息、商品信息均可以在常规的AR购物应用中获取,AR购物应用可以基于iOS系统(iOS12以上可支持)上运行,并且以下部分实施例以iOS系统进行说明,但是不局限于iOS系统,在AR购物应用中,用户可以注册个人账号,登记个人信息,在浏览过程中,AR购物应用可以提供各式各样的商品,用户可以在AR购物应用进行操作。
在获取用户的基础信息、对AR购物应用的操作信息、商品信息后,对信息预处理并使用向量表示,设置损失函数,构建完整的AR购物的ANN神经网络。
本发明的AR购物应用的监控推荐分析方法,利用用户的基础信息、对AR购物应用的操作信息、商品信息构建的AR购物神经网络模型,使得用户的基础信息、AR购物应用的操作信息、商品信息之间相关联,在其他用户浏览的过程中,能够获取到用户的基础信息以及浏览时的对AR购物应用的操作信息,基于AR购物神经网络模型的测算,能够得出不同商品与该正在浏览的用户之间的关联程度,进一步地,可以根据关联程度来为正在浏览的用户推荐关联程度高的商品,便于对不同用户的精准定位来推荐商品,提升用户的购物体验。
在某些实施例中,还包括记录用户是否购买该商品的购买信息,并且利用购买信息构建AR购物神经网络模型,基于AR购物神经网络模型测算出对应商品的用户购买概率。
在某些实施例中,构建了AR购物神经网络模型后,其他用户在使用AR购物应用时,同样也采集该浏览用户的基础信息和/或对AR购物应用的操作信息和/或商品信息和/或该商品的购买信息,然后再输入给AR购物神经网络模型进行迭代更新,从而进一步优化神经网络模型,提高测算的精准性;
在本设计中,为了优化AR购物神经网络模型的性能,将会采集浏览用户的基础信息、对AR购物应用的操作信息、商品信息和商品的购买信息,但不局限于此。
本设计利用AR商品的特征及用户进行的操作,分析了AR商品以及用户的操作信息与购买率之间的关系,构建一个用户分析SDK收集相关数据特征,构建ANN神经网络模型,训练特征并挖掘出对用户的购买率的影响。
在某些实施例中,用户的基础信息包括用户ID和/或用户设备型号和/或用户年龄和/或用户所在地区和/或用户性别和/或AR应用在用户设备中的CPU占有率和/或AR应用在用户设备中的内存使用率和/或AR应用在用户设备中的运行帧数。
在本设计中,用户的基础信息包括用户ID、用户设备型号、用户年龄、用户所在地区、用户性别、AR应用在用户设备中的CPU占有率、AR应用在用户设备中的内存使用率和AR应用在用户设备中的运行帧数,多种参数使得精准性大大提高。
其中,用户可以在iOS系统中创建一个AR购物应用唯一标识用户ID,然后在SDK(软件开发部件)中生成标识唯一终端设备deviceId和应用版本号appVersion标识唯一用户。
用户设备型号及用户ID等信息可以通过iOS系统提供的UIDevice类查询系统的各项指标信息;
而CPU占有率可通过iOS系统中host_cpu_load_info类,查询系统进程的信息;暂存的到信息,并获得AR购物应用中CPU核心的占有率。
内存使用率可使用iOS系统中底层c语言方法host_page_size()计算获取应用内存的占用数据。
在对用户设备的运行帧数获取时,可以利用定时器(例如CADisplayLink),可以让用户AR购物应用程序的显示与屏幕的硬件刷新保持同步,例如,iOS系统中正常的屏幕刷新率为60Hz(60次/每秒);
并且以屏幕刷新的频率调用指定选择器(selector),即每次屏幕刷新的时候就调用,并且利用定时器计时,那么只要统计每秒该方法执行的次数,通过次数/时间计算出当前屏幕的刷新率。
在某些实施例中,对AR购物应用的操作信息包括凝视时间和/或添加操作和/或删除操作和/或旋转操作和/或缩放操作和/或移动操作。
其中,以下以智能手机为例,旋转操作可以通过手势旋转UIPanGestureRecognizer()的代理方法,通过手势x轴映射到AR商品的y轴使其改变AR商品的旋转状态,再根据用户操作商品操作前和操作后的商品状态和用户手势操作判断物体的旋转;
类似地,缩放操作可以通过构建已定义的类来实现UIGestureRecognizerDelegate代理方法,并重写手势缩放UIPinchGestureRecognizer()方法实现手势缩放及移动的检测。
在获取凝视时间时,通过iOS系统集成ARKit来记录记录AR商品所放置在的锚点来记录AR商品所在位置,设立时间变量time记录该凝视时间,并且通过记录AR商品在同一锚点上停留的时间来得出凝视时间。
在构建AR购物神经网络模型时,AR购物神经网络模型1包括输入层11、隐藏层12以及输出层13,其中,输入层11的特征包括用户的基础信息和/或对AR购物应用的操作信息和/或商品信息,其中的各个特征分别为x1、x2……xm;
隐藏层12的激活函数为线性整流函数,隐藏层的损失函数为最小二乘法函数;
由于在某些实施例中,本设计输出层为标记用户是否购买该商品(即是一个0-1分类问题),则输出层13的激活函数可以使用Sigmoid函数,对于隐藏层的结果使用Sigmoid函数的到输出值为一个0-1的概率分布;
用训练集在正向传播并输出预测结果和实际观察结果进行比较,计算隐藏层的损失函数的值(误差)。将隐藏层的损失函数的值反向传播,依据损失函数相对于权重的梯度,对每一个权重进行更新以最小化损失函数,最小化损失函数使用Adam算法,适应参数的学习率,进行迭代训练模型得出输出值在0-1的概率分布,从而预测对应商品的用户购买概率。
本发明还公开了一种储存介质,存储有上述任一实施例公开的一种AR购物应用的监控推荐分析方法的程序。
计算机能够运行储存介质中存储的程序,从而运行AR购物应用的监控推荐分析方法,获取到用户的基础信息以及浏览时的对AR购物应用的操作信息,用户使用计算机使用AR购物应用时,基于AR购物神经网络模型的测算,能够得出不同商品与该正在浏览的用户之间的关联程度,进一步地,可以根据关联程度来为正在浏览的用户推荐关联程度高的商品。
本发明还公开了一种系统,如图3所示,包括显示模块2、操作模块3以及分别与显示模块2、操作模块3连接的控制模块4,控制模块4能够控制显示模块展示AR购物应用,通过操作模块3能够输入对AR购物应用的操作信息,控住模块能够根据上述任一实施例公开的一种AR购物应用的监控推荐分析方法运行。
其中,显示模块可以是显示屏,操作模块可以是外设键盘,显示模块和操作模块可以合为一体,例如触摸显示屏,控制模块可以由CPU及外围电路构成。
控制模块通过显示模块向用户展示AR购物应用,提供相应的商品供用户选择,用户可以通过操作模块进行操作,输入对AR购物应用的操作信息,同时基于AR购物应用,控制模块能够获取到用户的基础信息以及浏览时的对AR购物应用的操作信息,从而在AR购物神经网络模型中测算出不同商品与该正在浏览的用户之间的关联程度,便于之后的一系列操作。
本发明还公开了一种系统,如图4所示,包括若干个终端设备5以及监控端6,终端设备5通过服务器7与监控端6通信连接,终端设备5能够运行AR购物应用,并且终端设备5能够获取用户的基础信息、对AR购物应用的操作信息、商品信息上传服务器7,监控端6从服务器7中获取用户的基础信息、对AR购物应用的操作信息、商品信息构建AR购物神经网络模型,并且监控端6根据终端设备5中输入的用户的基础信息和/或对AR购物应用的操作信息测算出商品的关联程度。
其中,终端设备采集的数据可封装成JSON格式,并等待上传服务器。为了防止请求频繁,http请求每隔5s发送到服务器中,选取AR商品最终的状态(缩放大小、旋转角度、凝视时间等)作为AR商品的特征。
终端设备能够运行AR购物应用,用户使用终端设备,从而能够获取到用户的基础信息、对AR购物应用的操作信息、商品信息,多台终端设备对不同用户的行为以及信息进行获取,并且把数据打包上传到服务器中,监控端再利用这些数据建立出完善的AR购物神经网络模型,以便于后续终端设备中获取的用户的基础信息和/或对AR购物应用的操作信息基于AR购物神经网络模型测算出商品的关联程度,为不同的用户推送,整个系统有序运行,便于对不同用户的精准定位来推荐商品,提升用户的购物体验。
本领域的技术人员容易理解的是,在不冲突的前提下,上述优选方式可以自由地组合和叠加。
上面结合附图对本发明实施例作了详细说明,但是本发明不限于上述实施例,在所述技术领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下作出各种变化。
Claims (10)
1.一种AR购物应用的监控推荐分析方法,其特征在于,包括利用用户的基础信息、对AR购物应用的操作信息、商品信息构建的AR购物神经网络模型,并且包括以下步骤:
获取输入的用户的基础信息和/或对AR购物应用的操作信息;
基于AR购物神经网络模型测算出该输入的用户的基础信息和/或对AR购物应用的操作信息中商品的关联程度。
2.根据权利要求1所述的一种AR购物应用的监控推荐分析方法,其特征在于,还包括记录用户是否购买该商品的购买信息,并且利用购买信息构建AR购物神经网络模型,基于AR购物神经网络模型测算出对应商品的用户购买概率。
3.根据权利要求2所述的一种AR购物应用的监控推荐分析方法,其特征在于:采集用户的基础信息和/或对AR购物应用的操作信息和/或商品信息和/或该商品的购买信息,输入给AR购物神经网络模型迭代更新。
4.根据权利要求2所述的一种AR购物应用的监控推荐分析方法,其特征在于:所述AR购物神经网络模型包括输入层、隐藏层以及输出层,其中,
所述输入层的特征包括用户的基础信息和/或对AR购物应用的操作信息和/或商品信息;
所述隐藏层的激活函数为线性整流函数,所述隐藏层的损失函数为最小二乘法函数;
所述输出层的激活函数为Sigmoid函数;
用训练集在正向传播并输出预测结果和实际观察结果进行比较,计算隐藏层的损失函数的值,将隐藏层的损失函数的值反向传播,依据损失函数相对于权重的梯度,对每一个权重进行更新以最小化损失函数,并得出对应商品的用户购买概率。
5.根据权利要求1所述的一种AR购物应用的监控推荐分析方法,其特征在于:所述用户的基础信息包括用户ID和/或用户设备型号和/或用户年龄和/或用户所在地区和/或用户性别和/或AR应用在用户设备中的CPU占有率和/或AR应用在用户设备中的内存使用率和/或AR应用在用户设备中的运行帧数。
6.根据权利要求1所述的一种AR购物应用的监控推荐分析方法,其特征在于:所述对AR购物应用的操作信息包括凝视时间和/或添加操作和/或删除操作和/或旋转操作和/或缩放操作和/或移动操作。
7.根据权利要求6所述的一种AR购物应用的监控推荐分析方法,其特征在于:所述AR购物应用的操作信息包括凝视时间,通过记录AR商品所放置在的锚点来记录AR商品所在位置,并且通过记录AR商品在同一锚点上停留的时间来得出凝视时间。
8.一种储存介质,其特征在于:存储有如权利要求1-7任一项所述的一种AR购物应用的监控推荐分析方法的程序。
9.一种系统,其特征在于,包括显示模块、操作模块以及分别与显示模块、操作模块连接的控制模块,控制模块能够控制显示模块展示AR购物应用,通过操作模块能够输入对AR购物应用的操作信息,控住模块能够根据如权利要求1-7任一项所述的一种AR购物应用的监控推荐分析方法运行。
10.一种系统,其特征在于,包括若干个终端设备以及监控端,所述终端设备通过服务器与监控端通信连接,终端设备能够运行AR购物应用,并且终端设备能够获取用户的基础信息、对AR购物应用的操作信息、商品信息上传服务器,监控端从服务器中获取用户的基础信息、对AR购物应用的操作信息、商品信息构建AR购物神经网络模型,并且监控端根据终端设备中输入的用户的基础信息和/或对AR购物应用的操作信息测算出商品的关联程度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911083504.3A CN111047389A (zh) | 2019-11-07 | 2019-11-07 | 一种ar购物应用的监控推荐分析方法及储存介质、系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911083504.3A CN111047389A (zh) | 2019-11-07 | 2019-11-07 | 一种ar购物应用的监控推荐分析方法及储存介质、系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111047389A true CN111047389A (zh) | 2020-04-21 |
Family
ID=70231842
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911083504.3A Pending CN111047389A (zh) | 2019-11-07 | 2019-11-07 | 一种ar购物应用的监控推荐分析方法及储存介质、系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111047389A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112052146A (zh) * | 2020-07-24 | 2020-12-08 | 北京奇艺世纪科技有限公司 | 页面帧率测试方法、应用的安装文件生成方法及装置 |
CN116963006A (zh) * | 2023-07-27 | 2023-10-27 | 深圳微品致远信息科技有限公司 | 基于5g消息的内容自动化运营系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006252387A (ja) * | 2005-03-14 | 2006-09-21 | Brother Ind Ltd | 商品情報管理装置 |
US20170124627A1 (en) * | 2014-06-12 | 2017-05-04 | University-Industry Cooperation Group Of Kyung Hee University | Coaching method and system considering relationship type |
US20190012397A1 (en) * | 2017-07-10 | 2019-01-10 | Alpine Electronics, Inc. | Information providing apparatus and information providing method |
US20190205965A1 (en) * | 2017-12-29 | 2019-07-04 | Samsung Electronics Co., Ltd. | Method and apparatus for recommending customer item based on visual information |
CN110335107A (zh) * | 2019-05-28 | 2019-10-15 | 西安万像电子科技有限公司 | 商品推荐方法、装置及系统 |
-
2019
- 2019-11-07 CN CN201911083504.3A patent/CN111047389A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006252387A (ja) * | 2005-03-14 | 2006-09-21 | Brother Ind Ltd | 商品情報管理装置 |
US20170124627A1 (en) * | 2014-06-12 | 2017-05-04 | University-Industry Cooperation Group Of Kyung Hee University | Coaching method and system considering relationship type |
US20190012397A1 (en) * | 2017-07-10 | 2019-01-10 | Alpine Electronics, Inc. | Information providing apparatus and information providing method |
US20190205965A1 (en) * | 2017-12-29 | 2019-07-04 | Samsung Electronics Co., Ltd. | Method and apparatus for recommending customer item based on visual information |
CN110335107A (zh) * | 2019-05-28 | 2019-10-15 | 西安万像电子科技有限公司 | 商品推荐方法、装置及系统 |
Non-Patent Citations (1)
Title |
---|
高志强 等编, 中国铁道出版社 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112052146A (zh) * | 2020-07-24 | 2020-12-08 | 北京奇艺世纪科技有限公司 | 页面帧率测试方法、应用的安装文件生成方法及装置 |
CN116963006A (zh) * | 2023-07-27 | 2023-10-27 | 深圳微品致远信息科技有限公司 | 基于5g消息的内容自动化运营系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP4181026A1 (en) | Recommendation model training method and apparatus, recommendation method and apparatus, and computer-readable medium | |
US11687352B2 (en) | Machine-learning models applied to interaction data for determining interaction goals and facilitating experience-based modifications to interface elements in online environments | |
CA2944652C (en) | Inference model for traveler classification | |
CN110008397B (zh) | 一种推荐模型训练方法及装置 | |
WO2022228303A1 (zh) | 视频的处理方法、存储介质和处理器 | |
US11397764B2 (en) | Machine learning for digital image selection across object variations | |
CN108805594A (zh) | 信息推送方法和装置 | |
CN110851699A (zh) | 基于深度强化学习的信息流推荐方法、装置、设备及介质 | |
CN108629608A (zh) | 用户数据处理方法及装置 | |
CN110073382A (zh) | 用于显示商家位置处的库存数据的图形用户界面 | |
CN109087162A (zh) | 数据处理方法、系统、介质和计算设备 | |
CN110473042B (zh) | 用于获取信息的方法及装置 | |
CN116821475B (zh) | 基于客户数据的视频推荐方法、装置及计算机设备 | |
CN111047389A (zh) | 一种ar购物应用的监控推荐分析方法及储存介质、系统 | |
CN109063120A (zh) | 一种基于聚类的协同过滤推荐方法和装置 | |
CN114240555A (zh) | 训练点击率预测模型和预测点击率的方法和装置 | |
CN111680213B (zh) | 信息推荐方法、数据处理方法及装置 | |
KR102321786B1 (ko) | 상품 가격 예측 서버 및 그것의 동작방법 | |
CN111161009B (zh) | 信息推送方法、装置、计算机设备和存储介质 | |
CN112306606A (zh) | 一种用于呈现控件样式的方法与设备 | |
CN116467594A (zh) | 一种推荐模型的训练方法及相关装置 | |
CN110781399A (zh) | 一种跨平台的信息推送方法和装置 | |
CN104966212B (zh) | 用户移动化程度的检测方法及应用方法 | |
CN111915339A (zh) | 数据的处理方法、装置及设备 | |
CN113505215B (zh) | 产品推荐方法、装置、电子设备和存储介质 |
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 |