CN111105291B - 一种推荐策略数据的生成方法及装置 - Google Patents
一种推荐策略数据的生成方法及装置 Download PDFInfo
- Publication number
- CN111105291B CN111105291B CN201911205604.9A CN201911205604A CN111105291B CN 111105291 B CN111105291 B CN 111105291B CN 201911205604 A CN201911205604 A CN 201911205604A CN 111105291 B CN111105291 B CN 111105291B
- Authority
- CN
- China
- Prior art keywords
- service
- commodity
- entity
- information
- commodities
- 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.)
- Active
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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- General Engineering & Computer Science (AREA)
- Finance (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (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
本发明公开了一种推荐策略数据的生成方法及装置，其中方法包括：获取与用户ID关联的服务商品和实体商品；将服务商品与服务商品关联表匹配，获得与服务商品对应的第一服务商品序列，将实体商品与实体商品档案信息表匹配，获得与实体商品对应的第二服务商品序列；结合第一服务商品序列和第二服务商品序列生成推荐策略数据，用于向用户推荐服务商品。本发明将有关联关系的服务商品与和实体商品有关联关系的服务商品相结合生成推荐策略数据，实现了个性化地向用户推荐服务商品，满足用户对服务商品的需求。
Description
技术领域
本发明涉及计算机技术领域，特别涉及一种推荐策略数据的生成方法及装置。
背景技术
目前为了提高用户消费体验感和实体商品使用体验感，实体商品往往关联很多服务商品，消费者面对种类繁多的服务商品很难进行有针对性的选择。而现有技术中适用于服务商品的推荐策略很少，不能结合用户需要进行定制化的推荐，导致服务商品不能有效被利用，消费者体验不佳。
发明内容
为了解决现有技术的问题，本发明实施例提供了一种推荐策略数据的生成方法及装置。所述技术方案如下：
一方面，提供了一种推荐策略数据的生成方法，包括：
获取与用户ID关联的服务商品和实体商品；
将所述服务商品与服务商品关联表匹配，获得与所述服务商品对应的第一服务商品序列，将所述实体商品与实体商品档案信息表匹配，获得与所述实体商品对应的第二服务商品序列，
其中，所述服务商品关联表包括各服务商品对应的第一服务商品序列，所述第一服务商品序列由与各服务商品对应且按照关联度排序的其他服务商品组成，所述实体档案信息表包括与所述用户ID关联的所有的实体商品的基本信息和各实体商品对应的服务商品信息；
结合所述第一服务商品序列和所述第二服务商品序列生成推荐策略数据，用于向用户推荐服务商品。
进一步地，所述服务商品关联表由包含下述步骤的方法生成：
将采集到的样本用户信息和样本服务商品信息分别特征训练，生成用户标签和服务商品标签；
利用所述用户标签与所述服务商品标签，以各样本用户为单位对样本服务商品进行分类汇总，形成分类汇总表；
将所述分类汇总表转置为包含每两个服务商品关联信息的关联信息表；
根据所述关联信息计算所述样本服务商品中每两个服务商品之间的关联度；
分别以所述样本服务商品中各服务商品为单位，对与其相关的其他服务商品按照所述关联度排序，生成各服务商品对应的所述第一服务商品序列，所述服务商品关联表由各服务商品对应的所述第一服务商品序列组成。
进一步地，根据所述关联信息计算所述样本服务商品中每两个服务商品之间的关联度，包括：
将所述关联信息与关联衰减系数结合计算所述样本服务商品中每两个服务商品之间的关联度。
进一步地，所述关联信息表包括：浏览关联信息表或购买关联信息表；所述浏览关联信息表包括：在统计周期内每两个服务商品被同一用户的浏览次数，所述购买关联信息表包括：在统计周期内每两个服务商品被同一用户的购买次数。
进一步地，所述实体商品档案信息的由包含以下步骤的方法生成：
根据与用户ID关联的实体商品获取所述实体商品信息以及与所述实体商品对应的服务商品；
获取与所述实体商品对应的服务商品的服务商品信息；
将所述实体商品信息以及与所述实体商品对应的服务商品信息结合，生成所述实体商品档案信息。
进一步地，获取所述实体商品信息包括：获取所述实体商品的维护周期、使用寿命；
获取与所述实体商品对应的服务商品的服务商品信息包括：获取与所述实体商品对应的服务商品的使用记录。
进一步地，所述方法还包括：根据与所述用户ID关联的用户信息判断所述用户是否为新用户，若所述用户为新用户，则在服务商品池中随机抽取服务商品，生成推荐策略数据。
另一方面，提供了一种推荐策略数据生成装置，包括：
关联模块，用于获取与用户ID关联的服务商品和实体商品；
匹配模块，将所述服务商品与服务商品关联表匹配，获得与所述服务商品对应的第一服务商品序列，将所述实体商品与实体商品档案信息表匹配，获得与所述实体商品对应的第二服务商品序列，
其中，所述服务商品关联表包括各服务商品对应的第一服务商品序列，所述第一服务商品序列由与各服务商品对应且按照关联度排序的其他服务商品组成，所述实体档案信息表包括与所述用户ID关联的所有的实体商品的基本信息和各实体商品对应的服务商品信息；
推荐策略数据生成模块，结合所述第一服务商品序列和所述第二服务商品序列生成推荐策略数据，用于向用户推荐服务商品。
进一步地，所述装置还包括：服务商品关联表生成模块，包括：
数据采集模块，用于采集样本用户信息和样本服务商品信息；
特征训练模块，用于将所述样本用户信息和所述样本服务商品信息分别进行特征训练，生成用户标签和服务商品标签；
关联度计算模块，用于利用所述用户标签与所述服务商品标签，以各样本用户为单位对样本服务商品进行分类汇总，形成分类汇总表，将所述分类汇总表转置为包含每两个服务商品关联信息的关联信息表，根据所述关联信息计算所述样本服务商品中每两个服务商品之间的关联度；
关联表生成模块，用于分别以所述样本服务商品中各服务商品为单位，对与其相关的其他服务商品按照所述关联度排序，生成各服务商品对应的所述第一服务商品序列，根据所述第一服务商品序列组成所述服务商品关联表。
进一步地，所述关联度计算模块，还用于将所述关联信息与关联衰减系数结合计算所述样本服务商品中每两个服务商品之间的关联度。
进一步地，所述关联信息表包括：浏览关联信息表或购买关联信息表；所述浏览关联信息表包括：在统计周期内每两个服务商品被同一用户的浏览次数，所述购买关联信息表包括：在统计周期内每两个服务商品被同一用户的购买次数。
进一步地，所述装置还包括：实体商品档案信息表生成模块，包括：
实体商品获取模块，用于根据与用户ID关联的实体商品获取所述实体商品信息以及与所述实体商品对应的服务商品；
服务信息获取模块，用于获取与所述实体商品对应的服务商品的服务商品信息；
档案生成模块，用于将所述实体商品信息以及与所述实体商品对应的服务商品信息结合，生成所述实体商品档案信息。
进一步地，实体商品获取模块，具体用于获取与所述实体商品对应的服务商品的服务商品信息包括：获取与所述实体商品对应的服务商品的使用记录。
进一步地，所述装置还包括：
判断模块，用于根据用户信息判断用户是否为新用户；
所述匹配模块，还用于当所述用户为新用户时，则从服务商品池中随机抽取服务商品；
所述推荐策略生成模块，还用于根据随机抽取的服务商品生成推荐策略数据。
本发明实施例提供的技术方案带来的有益效果是：
1、本发明将有关联关系的服务商品与和实体商品有关联关系的服务商品相结合生成推荐策略数据，实现了个性化地向用户推荐服务商品，满足用户对服务商品的需求；
2、本发明通过生成针对性的、具体化的推荐策略数据，有利于服务商品的充分利用，有利于运营商更好地为消费者服务，增强用户购买和使用体验。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述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他的附图。
图1是本发明实施例1提供的一种推荐策略数据的生成方法流程图；
图2是本发明实施例1提供的服务商品关联表的生成方法流程图；
图3是本发明实施例1提供的实体商品档案信息表的生成方法流程图；
图4是本发明实施例1提供的一种推荐策略数据的生成装置模块示意图；
图5是本发明实施例2提供的一种推荐策略数据的生成方法流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，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。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
目前各实体商品的商家或者生产厂家为了提高用户对实体商品的消费体验和使用体验，针对每种实体商品会推出不同的服务商品，例如，空调的加氟服务、清洗服务、维修服务，油烟机的清洗服务、维修服务，净水器的更换滤芯服务、维修服务等等，每种实体商品都跟着不同的服务商品。现有技术中当消费者有服务商品的需求时，通常都是主动根据实体商品查找对应的厂家或者商家联系获得服务商品，由于消费者不能全面地掌握服务商品的种类，便使得大量的已推出的服务商品没有被充分利用，并且由于消费者对实体产品不够了解，不能有针对性地选择与其对应的服务商品，从而造成服务商品的无效利用。以上种种均造成用户消费以及使用体验不佳，服务资源浪费。
为了解决现有技术存在的问题，本发明公开了一种推荐策略数据的生成方法及装置，下面以实施例的形式对本发明技术方案进行说明和解释。
实施例1
如图1所示，一种推荐策略数据的生成方法，包括：
获取与用户ID关联的服务商品和实体商品；
将服务商品与服务商品关联表匹配，获得与服务商品对应的第一服务商品序列，将实体商品与实体商品档案信息表匹配，获得与实体商品对应的第二服务商品序列；
结合第一服务商品序列和第二服务商品序列，生成推荐策略数据。
需要说明的是，上述方法中，实体档案信息表是为各用户单独建立的，包括了与用户ID关联的所有的实体商品的基本信息和各实体商品对应的服务商品信息。服务商品关联表是预先根据样本用户和样本服务商品数据预先构建的，包括各服务商品对应的第一服务商品序列，第一服务商品序列由与各服务商品对应且按照关联度排序的其它服务商品组成。进一步地，服务商品关联表可为基于用户对服务商品浏览次数将服务商品两两关联而建立的服务商品浏览关联表和基于用户对服务商品购买次数将服务商品两两关联而建立的服务商品购买关联表中的任意一种或两种。相应地，第一服务商品序列可以是由按照用户对服务商品浏览关联度排序的其他服务商品组成的商品浏览关联序列，和由按照用户对服务商品购买关联度排序的其它服务商品组成的商品购买关联序列中的一种或两种。当服务商品关联表包括基于浏览次数建立的服务商品关联表和基于购买次数建立的服务商品关联表时，推荐策略数据的生成则需要结合商品浏览关联序列和商品购买关联序列，具体地，可以根据服务商品自身的特点结合，例如对于房间清扫服务、甲醛检测服务等的推荐策略数据可以为：商品浏览关联序列+商品购买关联序列，当上述商品浏览关联序列和商品购买关联序列中的商品存在重复的服务商品时需要对重复的服务商品做去重处理，推荐策略数据中服务商品的顺序按照先商品浏览关联序列后商品购买关联序列排列。
如图2所示，上述方法中的服务商品关联表是预先构建的，构建方法包括：
根据采集到的样本用户信息和样本服务商品信息分别进行特征训练，生成用户标签和服务商品标签；
利用用户标签与服务商品标签，以各样本用户为单位对样本服务商品进行分类汇总，形成分类汇总表；
将分类汇总表转置为包含每两个服务商品关联信息的关联信息表；
根据关联信息计算样本服务商品中每两个服务商品之间的关联度；
分别以样本服务商品中各服务商品为单位，对与其相关的其它服务商品按照关联度排序，生成各服务商品对应的第一服务商品序列，服务商品关联表由各服务商品对应的第一服务商品序列组成。
需要说明的是，样本用户信息可以包括：用户地点、品牌偏好、消费能力、年龄层次、浏览行为、购买信息。样本服务商品信息可以包括：服务商品被购买的信息、被浏览的信息。用户标签是样本用户信息经过特征训练形成的用户特征抽象而成的，服务商品标签同样也是经过特征训练后形成的服务商品特征抽象而成的。多个用户标签可以组成用户画像，用来全面描述用户的形象，多个服务商品标签可以组成服务商品画像，用来全面描述服务商品的形象。
在对服务商品进行分类汇总后可以包括：将各用户关注的服务商品按照用户进行归类，生成用户为主键的服务商品分类汇总表，分类汇总表可以是如下面表1所示的形式：
表1
| 用户1 | A | B | C | … |
| 用户2 | C | A | D | … |
| 用户3 | B | D | C | … |
| 用户n | … | … | .. | … |
将分类汇总表转置为关联信息表时，可以将两个商品被同一用户的关注次数作为关联信息表的元素，转置过程如下表2所示，表中的值为两个商品被同一用户的关注次数，作为每两个服务商品的关联信息。
表2
| A | B | C | D | … | |
| A | 0 | 25 | 23 | 50 | … |
| B | 25 | 0 | 45 | 39 | … |
| C | 23 | 45 | 0 | 36 | … |
| D | 50 | 39 | 36 | 0 | … |
| … | … | … | .. | … | … |
上述方法中在计算每两个服务商品的关联度时可以直接选用关联信息表中两个服务商品被同一用户关注的次数。考虑到用户可能会有喜新厌旧，从而导致服务商品之间的关联度会随着时间增长而衰减，所以在计算关联度时还可以考虑关联衰减系数，将关联信息与关联衰减系数结合，考虑衰减度后关联度具体的计算公式为：
其中，n：统计期间，即当前日期－统计日期；C0：两个商品在当前日期被同一用户关注的次数；Cn：两个商品在距离当前时间第n天被同一用户关注的次数；α：关联衰减系数，
0≤Δt≤365，0<α≤1；Δt：计算日期与当前日期的间隔天数；Dn：两个商品的关联度。
根据关联度对每个服务商品的关联服务商品进行排序，形成的服务商品关联表可以是如下所示的矩阵的形式：
需要说明的是，上述服务商品关联表的构建方法中，所述的“关注”包括：浏览或者购买。当上述服务商品关联表为服务商品浏览关联表时，关联信息表为浏览关联信息表，表中包含的数据为每两个服务商品被同一用户浏览的次数。当上述服务商品关联表为服务商品购买关联表时，关联信息表为购买关联信息表，表中包含的数据为每两个服务商品被同一用户购买的次数。
上述方法公开的是针对有关联服务商品和实体商品的老用户推荐策略数据的方法，本实施例还公开了针对没有浏览服务商品记录且没有购买服务商品记录的新用户推荐策略数据的方法，包括：
根据与用户ID关联的用户信息判断用户是否为新用户，若用户为新用户，则在服务商品池中随机抽取服务商品，生成推荐策略数据。其中服务商品池可以是热点服务商品组成的服务商品池。
如图3所示，上述方法中的实体商品档案信息表的建立方法包括：
定期或不定期获取与用户ID关联的实体商品，根据实体商品获取对应的实体商品的信息以及与实体商品关联的服务商品；
获取与实体商品关联的服务商品的服务商品信息；
将实体商品信息和与实体商品关联的服务商品信息结合，生成实体商品档案信息。
本实施例公开的一种推荐策略数据的生成方法，通过用户对服务商品的关注程度计算两个服务商品的关联程度，根据服务商品的关联关系以及用户关注的实体商品对应的服务商品结合生成推荐策略数据，从而向用户推荐与其相关度更高的服务商品，以满足用户需求。
如图4所示，为了实现上述方法，本实施例还提供一种推荐策略数据的生成装置，包括：
关联模块，用于获取与用户ID关联的服务商品和实体商品；
匹配模块，用于将服务商品与服务商品关联表匹配，获取与服务商品对应的第一服务商品序列，将实体商品与实体商品档案信息表匹配，获得与实体商品对应的第二服务商品序列，
其中，服务商品关联表包括各服务商品对应的第一服务商品序列，第一服务商品序列由与各服务商品对应且按照关联度排序的其他服务商品组成，实体档案信息表包括与用户ID关联的所有的实体商品的基本信息和各实体商品对应的服务商品信息；
推荐策略数据生成模块，用于结合第一服务商品序列和第二服务商品序列生成推荐策略数据，用于向用户推荐服务商品。
上述装置中，当服务商品关联表包括：服务商品浏览关联表和服务商品购买关联表时，匹配模块，用于将服务商品与服务商品浏览关联表匹配，获取与服务商品对应的商品浏览关联序列，以及用于将服务商品与服务商品购买关联表匹配，获取与服务商品对应的商品购买关联序列，其中商品浏览关联序列和商品购买关联序列均为第一服务商品序列。相对应地，当服务商品关联表包括：服务商品浏览关联表和服务商品购买关联表时，推荐策略数据生成模块，用于根据服务商品自身特点并按照商品浏览关联序列和商品购买关联序列相结合，生成推荐策略数据。
服务商品关联表是系统内预先构建的，因此上述装置还包括：
服务商品关联表生成模块，包括：
数据采集模块，用于采集样本用户信息和样本服务商品信息；
特征训练模块，用户根据样本用户信息和样本服务商品信息分别进行特征训练，生成用户标签和服务商品标签；
关联度计算模块，用于按照用户标签和服务商品标签以各样本用户为单位对服务商品进行分类汇总，生成以服务商品的分类汇总表，将分类汇总表转置为包含服务商品关联信息的关联信息表，根据关联信息计算每两个服务商品的关联度；
关联表生成模块，用于分别以样本服务商品中各服务商品为单位，对与其相关的其他服务商品按照关联度排序，生成各服务商品对应的第一服务商品序列，服务商品关联表由各服务商品对应的第一服务商品序列组成。
商品档案信息表是针对各用户单独构建的，因此上述装置还包括：
实体商品档案生成模块，包括：
实体商品获取模块，用于获取与用户ID关联的实体商品，据实体商品获取对应的实体商品信息以及与实体商品对应的服务商品；
服务信息获取模块，用于获取与实体商品对应的服务商品的服务商品信息；
档案生成模块，用于将实体商品信息和与实体商品对应的服务商品信息结合，生成实体商品档案信息。
为了实现为新用户生成推荐策略数据，本实施例公开的装置还包括：
判断模块，用于根据用户信息判断用户是否为新用户，
匹配模块，还用于当所述用户为新用户时，则从服务商品池中随机抽取服务商品；
推荐策略生成模块，还用于根据随机抽取的服务商品生成推荐策略数据。
实施例2
本实施例在实施例1的基础上增加了根据用户已购买的实体商品更深层次地挖掘用户需求，有针对性地向用户推荐其所需的服务商品，如图5所示，具体的技术方案如下：
根据与获取到的用户ID关联的用户信息判断用户是否为新用户，若是新用户，则直接在服务商品池中随机抽取服务商品，生成推荐策略数据，若不是新用户，则执行下述步骤：
获取与用户ID关联的服务商品和实体商品。
将服务商品与服务商品浏览关联表匹配，获取与服务商品对应的商品浏览关联序列，将服务商品与服务商品购买关联表匹配，获取与服务商品对应的商品购买关联序列，将实体商品与实体商品档案信息匹配，获取与实体商品关联的服务商品序列，实体商品序列可以是与实体商品服务周期相关的实体商品维护关联服务商品序列和与实体商品使用寿命相关的实体商品使用寿命关联服务商品序列。
根据服务商品自身特点，将商品浏览关联序列、商品购买关联序列、实体商品维护关联服务商品序列、实体商品使用寿命关联服务商品序列相结合，生成推荐策略数据。
需要说明的是，上述方法中实体商品可以是有关联服务商品的实体商品。服务商品浏览关联表、服务商品购买关联表、实体商品档案信息均为预先生成的，三者的生成方法及形式已在实施例1中详细说明本实施例不加以赘述。实体商品档案信息中包括：用户已购买的实体商品品类、型号、购买时间、使用寿命、关联的服务商品、接收服务的记录、理论服务周期等等。
上述方法中最后生成推荐策略数据时：需要结合商品浏览关联序列、商品购买关联序列、实体商品维护关联服务商品序列、实体商品使用寿命关联服务商品序列四种数据序列，一同生成推荐策略数据。其中实体商品维护关联服务商品序列在实体商品到达服务周期时才会展示，实体商品使用寿命关联服务商品序列在实体商品到达预估的使用寿命后才会展示。例如，对于手机屏幕维修，推荐策略数据为：商品浏览关联序列+商品购买关联序列+维修/更换服务序列；对于空调清洗或者油烟机清洗，推荐策略数据为：商品浏览关联序列+商品购买关联序列+维修/更换服务序列+使用寿命序列。
与上述方法相对应地，本实施例还公开了一种推荐策略数据生成装置，包括：
关联模块，用于获取与用户ID关联的用户信息、服务商品、实体商品；
判断模块，用于根据用户信息判断用户是否为新用户；
匹配模块，用于当用户为新用户时，从服务商品池中随机抽取服务商品；当用户为老用户时，将服务商品与服务商品浏览关联表匹配，获取商品浏览关联序列，以及用于将服务商品与服务商品购买关联表匹配，获取商品购买关联序列，以及用于将实体商品与实体商品档案信息数据匹配，获取实体商品维护关联服务商品序列和实体商品使用寿命关联服务商品序列；
推荐策略数据生成模块，用于当用户为新用户时，根据随机抽取的服务商品生成推荐策略数据；当用户为老用户时，按照商品浏览关联序列、商品购买关联序列，实体商品维护关联服务商品序列和实体商品使用寿命关联服务商品序列结合，生成所述推荐策略数据。
为了实现服务商品关联表和实体商品档案信息的生成，上述装置还包括：服务商品关联表生成模块和实体商品档案生成模块。
服务商品关联表生成模块包括：
数据采集模块，用于采集样本用户信息和样本服务商品信息；
特征训练模块，用于根据样本用户信息和样本服务商品信息分别进行特征训练，生成用户标签和服务商品标签；
关联度计算模块，用于利用用户标签与服务商品标签，以各样本用户为单位对样本服务商品进行分类汇总，形成分类汇总表，将分类汇总表转置为包含每两个服务商品关联信息的关联信息表，根据关联信息计算样本服务商品中每两个服务商品之间的关联度；
关联表生成模块，用于分别以样本服务商品中各服务商品为单位，对与其相关的其他服务商品按照关联度排序，生成各服务商品对应的第一服务商品序列，根据第一服务商品序列组成服务商品关联表。
实体商品档案生成模块，包括：
实体商品信息获取模块，用于根据与用户ID关联的实体商品获取实体商品信息以及与实体商品对应的服务商品，其中实体商品信息包括：实体商品服务周期和实体商品使用寿命；
服务信息获取模块，用于获取与实体商品对应的服务商品的服务商品信息；
档案生成模块，用于将实体商品信息和与实体商品关联的服务商品信息结合，生成实体商品档案信息。
本发明实施例提供的技术方案带来的有益效果是：
1、本发明将有关联关系的服务商品与和实体商品有关联关系的服务商品相结合生成推荐策略数据，实现了个性化地向用户推荐服务商品，满足用户对服务商品的需求；
2、本发明通过生成针对性的、具体化的推荐策略数据，有利于服务商品的充分利用，有利于运营商更好地为消费者服务，增强用户购买和使用体验。
上述所有可选技术方案，可以采用任意结合形成本发明的可选实施例，在此不再一一赘述。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，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 (10)
1.一种推荐策略数据的生成方法，其特征在于，包括：
获取与用户ID关联的服务商品和实体商品；
将所述服务商品与服务商品关联表匹配，获得与所述服务商品对应的第一服务商品序列，将所述实体商品与实体商品档案信息表匹配，获得与所述实体商品对应的第二服务商品序列，
其中，所述服务商品关联表包括各服务商品对应的第一服务商品序列，所述第一服务商品序列由与各服务商品对应且按照关联度排序的其他服务商品组成，所述实体商品 档案信息表包括与所述用户ID关联的所有的实体商品的基本信息和各实体商品对应的服务商品信息；
结合所述第一服务商品序列和所述第二服务商品序列生成推荐策略数据，用于向用户推荐服务商品。
2.如权利要求1所述的一种推荐策略数据的生成方法，其特征在于，所述服务商品关联表由包含下述步骤的方法生成：
将采集到的样本用户信息和样本服务商品信息分别特征训练，生成用户标签和服务商品标签；
利用所述用户标签与所述服务商品标签，以各样本用户为单位对样本服务商品进行分类汇总，形成分类汇总表；
将所述分类汇总表转置为包含每两个服务商品关联信息的关联信息表；
根据所述关联信息计算所述样本服务商品中每两个服务商品之间的关联度；
分别以所述样本服务商品中各服务商品为单位，对与其相关的其他服务商品按照所述关联度排序，生成各服务商品对应的所述第一服务商品序列，所述服务商品关联表由各服务商品对应的所述第一服务商品序列组成。
3.如权利要求2所述的一种推荐策略数据的生成方法，其特征在于，根据所述关联信息计算所述样本服务商品中每两个服务商品之间的关联度，包括：
将所述关联信息与关联衰减系数结合计算所述样本服务商品中每两个服务商品之间的关联度。
4.如权利要求2或3所述的一种推荐策略数据的生成方法，其特征在于，所述关联信息表包括：浏览关联信息表或购买关联信息表；所述浏览关联信息表包括：在统计周期内每两个服务商品被同一用户的浏览次数，所述购买关联信息表包括：在统计周期内每两个服务商品被同一用户的购买次数。
5.如权利要求1～3中任意一项所述的一种推荐策略数据的生成方法，其特征在于，所述实体商品档案信息的由包含以下步骤的方法生成：
根据与用户ID关联的实体商品获取所述实体商品信息以及与所述实体商品对应的服务商品；
获取与所述实体商品对应的服务商品的服务商品信息；
将所述实体商品信息以及与所述实体商品对应的服务商品信息结合，生成所述实体商品档案信息。
6.如权利要求5所述的一种推荐策略数据的生成方法，其特征在于，获取所述实体商品信息包括：获取所述实体商品的维护周期、使用寿命；
获取与所述实体商品对应的服务商品的服务商品信息包括：获取与所述实体商品对应的服务商品的使用记录。
7.如权利要求1所述的一种推荐策略数据的生成方法，其特征在于，所述方法还包括：根据与所述用户ID关联的用户信息判断所述用户是否为新用户，若所述用户为新用户，则在服务商品池中随机抽取服务商品，生成推荐策略数据。
8.一种推荐策略数据生成装置，其特征在于，包括：
关联模块，用于获取与用户ID关联的服务商品和实体商品；
匹配模块，将所述服务商品与服务商品关联表匹配，获得与所述服务商品对应的第一服务商品序列，将所述实体商品与实体商品档案信息表匹配，获得与所述实体商品对应的第二服务商品序列，
其中，所述服务商品关联表包括各服务商品对应的第一服务商品序列，所述第一服务商品序列由与各服务商品对应且按照关联度排序的其他服务商品组成，所述实体商品 档案信息表包括与所述用户ID关联的所有的实体商品的基本信息和各实体商品对应的服务商品信息；
推荐策略数据生成模块，结合所述第一服务商品序列和所述第二服务商品序列生成推荐策略数据，用于向用户推荐服务商品。
9.如权利要求8所述的一种推荐策略数据生成装置，其特征在于，所述装置还包括：服务商品关联表生成模块，包括：
数据采集模块，用于采集样本用户信息和样本服务商品信息；
特征训练模块，用于将所述样本用户信息和所述样本服务商品信息分别进行特征训练，生成用户标签和服务商品标签；
关联度计算模块，用于利用所述用户标签与所述服务商品标签，以各样本用户为单位对样本服务商品进行分类汇总，形成分类汇总表，将所述分类汇总表转置为包含每两个服务商品关联信息的关联信息表，根据所述关联信息计算所述样本服务商品中每两个服务商品之间的关联度；
关联表生成模块，用于分别以所述样本服务商品中各服务商品为单位，对与其相关的其他服务商品按照所述关联度排序，生成各服务商品对应的所述第一服务商品序列，根据所述第一服务商品序列组成所述服务商品关联表。
10.如权利要求8所述的一种推荐策略数据生成装置，其特征在于，所述装置还包括：实体商品档案信息表生成模块，包括：
实体商品获取模块，用于根据与用户ID关联的实体商品获取所述实体商品信息以及与所述实体商品对应的服务商品；
服务信息获取模块，用于获取与所述实体商品对应的服务商品的服务商品信息；
档案生成模块，用于将所述实体商品信息以及与所述实体商品对应的服务商品信息结合，生成所述实体商品档案信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911205604.9A CN111105291B (zh) | 2019-11-29 | 2019-11-29 | 一种推荐策略数据的生成方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911205604.9A CN111105291B (zh) | 2019-11-29 | 2019-11-29 | 一种推荐策略数据的生成方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111105291A CN111105291A (zh) | 2020-05-05 |
| CN111105291B true CN111105291B (zh) | 2022-07-12 |
Family
ID=70421147
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911205604.9A Active CN111105291B (zh) | 2019-11-29 | 2019-11-29 | 一种推荐策略数据的生成方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111105291B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113902596B (zh) * | 2021-09-17 | 2022-06-14 | 广州认真教育科技有限公司 | 一种利用信息匹配的课后服务方法及系统 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101408960A (zh) * | 2007-10-12 | 2009-04-15 | 阿里巴巴集团控股有限公司 | 一种个性化信息推荐方法和装置 |
| CN102346894B (zh) * | 2010-08-03 | 2017-03-01 | 阿里巴巴集团控股有限公司 | 推荐信息的输出方法、系统及服务器 |
| CN106485562B (zh) * | 2015-09-01 | 2020-12-04 | 苏宁云计算有限公司 | 一种基于用户历史行为的商品信息推荐方法及系统 |
-
2019
- 2019-11-29 CN CN201911205604.9A patent/CN111105291B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN111105291A (zh) | 2020-05-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110222272B (zh) | 一种潜在客户挖掘与推荐方法 | |
| Hill et al. | Network-based marketing: Identifying likely adopters via consumer networks | |
| US9916594B2 (en) | Multidimensional personal behavioral tomography | |
| CN107590675B (zh) | 一种基于大数据的用户购物行为识别方法、储存设备及移动终端 | |
| CN110363604B (zh) | 页面生成方法和装置 | |
| CN108805598B (zh) | 相似度信息确定方法、服务器及计算机可读存储介质 | |
| US20050171859A1 (en) | Augmentation of lead with attractiveness information from external source | |
| AU2015300012B2 (en) | Information-processing system | |
| CN105654198B (zh) | 具有最优阈值筛选的品牌广告效果优化的方法 | |
| JP6507247B2 (ja) | 顧客価値評価方法及びシステム | |
| US20110165544A1 (en) | Activity data presenting apparatus, activity data presenting method and recording medium | |
| CN110727859B (zh) | 一种推荐信息推送方法及其装置 | |
| CN110689401A (zh) | 服务商品的推荐方法和装置 | |
| Ha et al. | The relationship between service quality and customer loyalty in specialty super markets: Empirical evidence in Vietnam | |
| CN111105291B (zh) | 一种推荐策略数据的生成方法及装置 | |
| JP6840446B2 (ja) | データ処理装置及びデータ処理方法 | |
| CA3138745A1 (en) | Method and device for circling and creating target population | |
| JP2010086171A (ja) | 広告課金管理システム | |
| CN115239413A (zh) | 一种商品推荐方法、装置、设备及存储介质 | |
| JP6320353B2 (ja) | デジタルマーケティングシステム | |
| CN108509459B (zh) | 数据处理方法和装置 | |
| CN111382343B (zh) | 一种标签体系生成方法及装置 | |
| CN108734553B (zh) | 商品推荐方法及系统 | |
| CN113344642A (zh) | 用于预测广告投资回报率的方法、装置、电子设备及可读存储介质 | |
| Iwata et al. | Extracting innovative buyers by scoring using Innovator Theory |
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 |