CN111159555A - 商品推荐方法、装置、服务器和存储介质 - Google Patents
商品推荐方法、装置、服务器和存储介质 Download PDFInfo
- Publication number
- CN111159555A CN111159555A CN201911404510.4A CN201911404510A CN111159555A CN 111159555 A CN111159555 A CN 111159555A CN 201911404510 A CN201911404510 A CN 201911404510A CN 111159555 A CN111159555 A CN 111159555A
- Authority
- CN
- China
- Prior art keywords
- commodity
- user
- scene
- feature
- data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 43
- 230000006399 behavior Effects 0.000 claims description 358
- 230000000875 corresponding effect Effects 0.000 claims description 59
- 235000013305 food Nutrition 0.000 claims description 35
- 238000012549 training Methods 0.000 claims description 16
- 238000002372 labelling Methods 0.000 claims description 7
- 230000015654 memory Effects 0.000 claims description 6
- 230000002596 correlated effect Effects 0.000 claims description 5
- 230000000694 effects Effects 0.000 abstract description 12
- 235000013399 edible fruits Nutrition 0.000 description 10
- 230000004044 response Effects 0.000 description 10
- 230000004927 fusion Effects 0.000 description 9
- 239000000463 material Substances 0.000 description 9
- 239000000284 extract Substances 0.000 description 7
- 235000013372 meat Nutrition 0.000 description 6
- 230000008447 perception Effects 0.000 description 6
- 235000013311 vegetables Nutrition 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 235000013601 eggs Nutrition 0.000 description 4
- 230000001932 seasonal effect Effects 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 4
- 241000219109 Citrullus Species 0.000 description 3
- 235000012828 Citrullus lanatus var citroides Nutrition 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000010411 cooking Methods 0.000 description 3
- 235000005686 eating Nutrition 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 244000157072 Hylocereus undatus Species 0.000 description 2
- 235000018481 Hylocereus undatus Nutrition 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000010791 quenching Methods 0.000 description 2
- 241000272525 Anas platyrhynchos Species 0.000 description 1
- 244000241257 Cucumis melo Species 0.000 description 1
- 235000015510 Cucumis melo subsp melo Nutrition 0.000 description 1
- FJJCIZWZNKZHII-UHFFFAOYSA-N [4,6-bis(cyanoamino)-1,3,5-triazin-2-yl]cyanamide Chemical compound N#CNC1=NC(NC#N)=NC(NC#N)=N1 FJJCIZWZNKZHII-UHFFFAOYSA-N 0.000 description 1
- 235000015278 beef Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000002537 cosmetic Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000020595 eating behavior Effects 0.000 description 1
- 235000006694 eating habits Nutrition 0.000 description 1
- 235000011494 fruit snacks Nutrition 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 235000015927 pasta Nutrition 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 235000011888 snacks Nutrition 0.000 description 1
- 235000014347 soups Nutrition 0.000 description 1
- 235000013599 spices Nutrition 0.000 description 1
- 235000019640 taste Nutrition 0.000 description 1
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
- G06F16/90—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)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (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
本申请公开了一种商品推荐方法、装置、服务器和存储介质,属于互联网技术领域。方法包括:接收终端的浏览请求,获取第一用户在商品行为场景下的第一历史行为数据,以及获取第一用户在非商品行为场景下的第二历史行为数据,非商品行为场景的主题与商品关联;根据第一历史行为数据,确定第一用户对应的第一商品特征,以及,根据第二历史行为数据,确定第一用户对应的第二商品特征;根据第一商品特征和第二商品特征,确定待推荐的多个目标商品以及多个目标商品在待请求的商品界面中的位置信息;向终端返回多个目标商品的商品信息和位置信息。本申请能够挖掘出第一用户潜在的兴趣偏好,进而提高商品推荐效果和准确性。
Description
技术领域
本申请涉及互联网技术领域,特别涉及一种商品推荐方法、装置、服务器和存储介质。
背景技术
随着互联网技术的发展,涌现了越来越多的生鲜电商。生鲜电商是指用电子商务的手段在互联网上销售生鲜类商品,如水果、蔬菜或肉类等。用户可以通过终端上安装的客户端购买所需的生鲜类商品。在用户通过客户端购买生鲜类商品时,服务器可以在客户端的商品界面中为用户推荐商品,用户可以直接从商品界面中选择感兴趣的商品进行购买。
相关技术中服务器获取用户的历史行为数据,该历史行为数据包括点击的商品信息、加入购物车的商品信息和下单购买的商品信息,根据该历史行为数据,为用户推荐商品。
相关技术中只根据历史行为数据为用户推荐商品,而历史行为数据中包括的用户维度数据不丰富,无法有效覆盖用户实时潜在偏好特征,影响推荐效果。
发明内容
本申请实施例提供了商品推荐方法、装置、服务器和存储介质,能够提高推荐效果的问题。所述技术方案如下:
一方面,提供了一种商品推荐方法,所述方法包括:
接收终端的浏览请求,获取第一用户在商品行为场景下的第一历史行为数据,以及获取所述第一用户在非商品行为场景下的第二历史行为数据,所述非商品行为场景的主题与商品关联;
根据所述第一历史行为数据,确定所述第一用户对应的第一商品特征,以及,根据所述第二历史行为数据,确定所述第一用户对应的第二商品特征;
根据所述第一商品特征和所述第二商品特征,确定待推荐的多个目标商品以及所述多个目标商品在待请求的商品界面中的位置信息;
向所述终端返回所述多个目标商品的商品信息和位置信息。
在一种可能的实现方式中,所述获取所述第一用户在非商品行为场景下的第二历史行为数据,包括:
获取所述第一用户在菜谱行为场景下的第二历史行为数据、所述第一用户在美食短视频行为场景下的第二历史行为数据、所述第一用户在美食直播行为场景下的第二历史行为数据和所述第一用户在美食知识话题问答行为场景下的第二历史行为数据中的至少一个第二历史行为数据。
在另一种可能的实现方式中,所述根据所述第一商品特征和所述第二商品特征,确定待推荐的多个目标商品以及所述多个目标商品在待请求的商品界面中的位置信息,包括:
获取第一场景数据,所述第一场景数据包括所述终端当前的位置信息和当前的时间信息中的至少一个;
根据所述第一场景数据,确定第一场景特征;
根据所述第一场景特征、所述第一商品特征和所述第二商品特征,确定所述多个目标商品以及所述多个目标商品在所述商品界面中的位置信息。
在另一种可能的实现方式中,所述根据所述第一场景特征、所述第一商品特征和所述第二商品特征,确定所述多个目标商品以及所述多个目标商品在所述商品界面中的位置信息,包括:
根据所述第一场景特征、所述第一商品特征和所述第二商品特征,通过第一商品推荐模型中,确定所述第一用户与商品库中的每个商品之间的第一匹配度;
根据所述第一用户与所述每个商品的第一匹配度,从所述商品库中选择第一匹配度最高的预设数量个目标商品;
根据所述第一用户与每个目标商品的第一匹配度,确定所述每个目标商品在所述商品界面中的显示位置,显示位置与页面顶端之间的距离与第一匹配度负相关。
在另一种可能的实现方式中,所述根据所述第一场景特征、所述第一商品特征和所述第二商品特征,通过第一商品推荐模型中,确定所述第一用户与商品库中的每个商品之间的第一匹配度,包括:
将所述第一场景特征、所述第一商品特征和所述第二商品特征输入所述第一商品推荐模型中;
基于所述第一商品特征和所述第二商品特征,确定所述第一用户与所述每个商品之间的第二匹配度;
确定与所述第一场景特征匹配的商品类型;
根据所述商品类型,增大所述第一用户与所述商品类型的商品之间的第二匹配度,得到所述第一用户与所述商品之间的第一匹配度。
在另一种可能的实现方式中,所述方法还包括:
获取多个样本数据,所述样本数据包括第二用户在所述商品行为场景下的第三历史行为数据、所述第二用户在所述非商品行为场景下的第四历史行为数据和第二场景数据;
根据所述第三历史行为数据,确定所述第二用户对应的第三商品特征,以及,根据所述第四历史行为数据,确定所述第二用户对应的第四商品特征,以及根据所述第二场景数据,确定第二场景特征;
对所述样本数据标注类别标签,所述类别标签包括第一类别标签和第二类别标签,所述第一类别标签用于表示所述第二用户对所述样本数据发生了下单行为,所述第二类别标签用于表示所述第二用户对所述样本数据没有发生下单行为;
根据所述第三商品特征、所述第四商品特征和所述第二场景特征以及所述样本数据的类别标签,训练第二商品推荐模型,得到所述第一商品推荐模型。
在另一种可能的实现方式中,所述根据所述第二历史行为数据,确定所述第一用户对应的第二商品特征,包括:
确定所述第二历史行为数据中的行为类型和行为数据;
根据所述行为数据,确定所述行为数据关联的商品信息;
根据所述行为类型和所述商品信息,确定所述第一用户对应的第二商品特征。
另一方面,提供了一种商品推荐装置,所述装置包括:
接收模块,用于接收终端的浏览请求;
获取模块,用于获取第一用户在商品行为场景下的第一历史行为数据,以及获取所述第一用户在非商品行为场景下的第二历史行为数据,所述非商品行为场景的主题与商品关联;
确定模块,用于根据所述第一历史行为数据,确定所述第一用户对应的第一商品特征,以及,根据所述第二历史行为数据,确定所述第一用户对应的第二商品特征;根据所述第一商品特征和所述第二商品特征,确定待推荐的多个目标商品以及所述多个目标商品在待请求的商品界面中的位置信息;
推荐模块,用于向所述终端返回所述多个目标商品的商品信息和位置信息。
在一种可能的实现方式中,所述获取模块,还用于获取所述第一用户在菜谱行为场景下的第二历史行为数据、所述第一用户在美食短视频行为场景下的第二历史行为数据、所述第一用户在美食直播行为场景下的第二历史行为数据和所述第一用户在美食知识话题问答行为场景下的第二历史行为数据中的至少一个第二历史行为数据。
在另一种可能的实现方式中,所述确定模块,还用于获取第一场景数据,所述第一场景数据包括所述终端当前的位置信息和当前的时间信息中的至少一个;根据所述第一场景数据,确定第一场景特征;根据所述第一场景特征、所述第一商品特征和所述第二商品特征,确定所述多个目标商品以及所述多个目标商品在所述商品界面中的位置信息。
在另一种可能的实现方式中,所述确定模块,还用于根据所述第一场景特征、所述第一商品特征和所述第二商品特征,通过第一商品推荐模型中,确定所述第一用户与商品库中的每个商品之间的第一匹配度;根据所述第一用户与所述每个商品的第一匹配度,从所述商品库中选择第一匹配度最高的预设数量个目标商品;根据所述第一用户与每个目标商品的第一匹配度,确定所述每个目标商品在所述商品界面中的显示位置,显示位置与页面顶端之间的距离与第一匹配度负相关。
在另一种可能的实现方式中,所述确定模块,还用于将所述第一场景特征、所述第一商品特征和所述第二商品特征输入所述第一商品推荐模型中;基于所述第一商品特征和所述第二商品特征,确定所述第一用户与所述每个商品之间的第二匹配度;确定与所述第一场景特征匹配的商品类型;根据所述商品类型,增大所述第一用户与所述商品类型的商品之间的第二匹配度,得到所述第一用户与所述商品之间的第一匹配度。
在另一种可能的实现方式中,所述装置还包括:
所述获取模块,还用于获取多个样本数据,所述样本数据包括第二用户在所述商品行为场景下的第三历史行为数据、所述第二用户在所述非商品行为场景下的第四历史行为数据和第二场景数据;
所述确定模块,还用于根据所述第三历史行为数据,确定所述第二用户对应的第三商品特征,以及,根据所述第四历史行为数据,确定所述第二用户对应的第四商品特征,以及根据所述第二场景数据,确定第二场景特征;
标注模块,用于对所述样本数据标注类别标签,所述类别标签包括第一类别标签和第二类别标签,所述第一类别标签用于表示所述第二用户对所述样本数据发生了下单行为,所述第二类别标签用于表示所述第二用户对所述样本数据没有发生下单行为;
训练模块,用于根据所述第三商品特征、所述第四商品特征和所述第二场景特征以及所述样本数据的类别标签,训练第二商品推荐模型,得到所述第一商品推荐模型。
在另一种可能的实现方式中,所述确定模块,还用于确定所述第二历史行为数据中的行为类型和行为数据;根据所述行为数据,确定所述行为数据关联的商品信息;根据所述行为类型和所述商品信息,确定所述第一用户对应的第二商品特征。
另一方面,提供了一种服务器,所述服务器包括处理器和存储器,所述存储器中存储有至少一条程序代码,所述至少一条程序代码由所述处理器加载并执行,以实现如上述任一可能实现方式所述的商品推荐方法。
另一方面,提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一条程序代码,所述至少一条程序代码由处理器加载并执行,以实现上述任一可能实现方式所述的商品推荐方法。
本申请实施例提供的技术方案带来的有益效果是:在本申请实施例中,获取第一用户在商品行为场景下的第一历史行为数据,以及获取第一用户在非商品行为场景下的第二历史行为数据,非商品行为场景的主题与商品关联;根据第一历史行为数据,确定第一用户对应的第一商品特征,以及,根据第二历史行为数据,确定第一用户对应的第二商品特征;根据第一商品特征和第二商品特征,确定待推荐的多个目标商品以及多个目标商品在待请求的商品界面中的位置信息;向终端返回多个目标商品的商品信息和位置信息。由于第一商品特征能够反映第一用户的显性商品特征,而第二商品特征能够反映第一用户的隐形商品特征;因此,本申请不仅能够挖掘出第一用户的显性商品特征,还能够挖掘出第一用户的隐形商品特征,显性商品特征和隐形商品特征能够更好的丰富用户画像数据,挖掘出其潜在的兴趣偏好,进而提高商品推荐效果和准确性。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性的,并不能限制本公开。
附图说明
图1是本申请实施例提供的一种实施环境的示意图;
图2是本申请实施例提供的一种服务器的结构示意图;
图3是本申请实施例提供的一种商品推荐的方法流程图;
图4是本申请实施例提供的一种商品推荐的方法流程图;
图5是本申请实施例提供的一种训练第一商品推荐模型的方法流程图;
图6是本申请实施例提供的一种商品推荐装置的结构示意图;
图7是本申请实施例提供的一种服务器的结构示意图。
具体实施方式
为使本申请的技术方案和优点更加清楚,下面对本申请实施方式作进一步地详细描述。
本申请实施例提供了一种商品推荐的实施环境,参见图1,该实施环境包括:终端101和服务器102。终端101和服务器102连接,该连接可以为无线连接,也可以为有线连接。终端101上安装目标应用,终端101通过该目标应用与服务器102之间进行数据交互。
其中,服务器102为该目标应用对应的服务器102。该目标应用可以为任一能够购买商品的客户端;例如,该目标应用可以为生鲜购物引用、服装购物引用、化妆品购物应用等,在本申请实施例中,仅以该目标应用为生鲜购物应用为例进行说明。
终端101包括但不限于智能手机、平板电脑、笔记本电脑、电子阅览器、台式电脑或者智能穿戴设备等。服务器102可以为既可以是一个服务器102,也可以是由多个服务器102组成的服务器102集群,也可以为一个云服务器102等。在本申请实施例中,对此都不作具体限定。
第一用户可以通过终端101上的目标应用登录服务器102,服务器102为第一用户推荐商品信息。在本申请实施例中,服务器102可以结合多场景数据,通过商品推荐模型,为第一用户推荐商品信息。相应的,参见图2,服务器102包括多场景数据融合模块1021、模型生成模块1022和线上实时感知推荐模块1023。多场景数据融合模块1021,用于获取第二用户在多个行为场景下的历史行为数据。模型生成模块1022,用于根据多个历史行为数据,生成商品推荐模型;线上实时感知推荐模块1023,用于获取第一用户在多个行为场景下的历史行为数据和第一场景数据,根据第一用户在多个行为场景下的历史行为数据和第一场景数据,通过商品推荐模型为第一用户推荐商品。
多场景数据融合模块1021包括线上多场景数据融合单元10211,以及,线上和线下数据融合单元10212。
其中,线上多场景数据融合单元10211,用于获取第二用户在线上的多个行为场景下的历史行为数据;例如,获取第二用户在商品行为场景下的第三历史行为数据,以及,获取第二用户在非商品行为场景下的第四历史行为数据。商品行为场景可以包括下单行为场景、点击行为场景、浏览行为场景、加入购物车行为场景和收藏行为场景中的至少一个行为场景。非商品行为场景包括菜谱行为场景、美食短视频行为场景、美食直播行为场景和美食知识话题问答行为场景中的一个或者多个。线上和线下数据融合单元10212,用于获取线下的场景数据。场景数据包括当前的位置信息和当前的时间信息中的至少一个。
模型生成模块1022包括样本构建单元10221、特征工程单元10222和模型训练单元10223。其中,样本构建单元10221,用于根据第三历史行为数据、第四历史行为数据和第二场景数据,构建多个样本数据。特征工程单元10222,用于根据多个样本数据,提取商品特征特征和场景特征。模型训练单元10223,用于根据商品特征和场景特征,以及其对应的类别标签,训练第二商品推荐模型,得到第一商品推荐模型。
其中,线上实时感知推荐模块1023包括线上预估引擎模块10231和感知推荐模块10232。线上预估引擎模块10231,用于获取第一用户在商品行为场景下的第一历史行为数据,以及获取第一用户在非商品行为场景下的第二历史行为数据,以及获取第一场景数据;根据第一历史行为数据,提取第一用户对应的第一商品特征,根据第二历史行为数据,提取第一用户对应的第二商品特征,根据第一场景数据,提取第一场景特征;根据第一商品特征、第二商品特征和第一场景特征,通过第一商品推荐模型,确定为第一用户推荐的多个目标商品。
感知推荐模块10232,用于对多个目标商品进行排序以及向第一用户推荐多个目标商品。
其中,线上预估引擎模块10231包括待推荐样本获取单元102311、实时多场景特征提取单元102312和线上模型预估单元102313。待推荐样本获取单元102311,用于获取第一历史行为数据、第二历史行为数据和第一场景数据。实时多场景特征提取单元102312,用于根据第一历史行为数据,提取第一商品特征,根据第二历史行为数据,提取第二商品特征,根据第一场景数据,提取第一场景特征。线上模型预估单元102313,用于根据第一商品特征、第二商品特征和第一场景特征,确定多个目标商品。
其中,感知推荐模块10232包括排序推荐单元102321和推荐结果推送单元102322。排序推荐单元102321,用于对多个目标商品进行排序;推荐结果推送单元102322,用于为将多个目标商品的位置信息和商品信息推荐给第一用户。
本申请实施例提供了一种商品推荐方法,参见图3,该方法包括:
步骤301:接收终端的浏览请求,获取第一用户在商品行为场景下的第一历史行为数据,以及获取第一用户在非商品行为场景下的第二历史行为数据,非商品行为场景的主题与商品关联。
步骤302:根据第一历史行为数据,确定第一用户对应的第一商品特征,以及,根据第二历史行为数据,确定第一用户对应的第二商品特征。
步骤303:根据第一商品特征和第二商品特征,确定待推荐的多个目标商品以及多个目标商品在待请求的商品界面中的位置信息。
步骤304:向终端返回多个目标商品的商品信息和位置信息。
在一种可能的实现方式中,获取第一用户在目标场景下的第二历史行为数据,包括:
获取第一用户在菜谱行为场景下的第二历史行为数据、第一用户在美食短视频行为场景下的第二历史行为数据、第一用户在美食直播行为场景下的第二历史行为数据和第一用户在美食知识话题问答行为场景下的第二历史行为数据中的至少一个第二历史行为数据。
在另一种可能的实现方式中,根据所述第一商品特征和第二商品特征,确定待推荐的多个目标商品以及多个目标商品在待请求的商品界面中的位置信息,包括:
获取第一场景数据,第一场景数据包括终端当前的位置信息和当前的时间信息中的至少一个;
根据第一场景数据,确定第一场景特征;
根据第一场景特征、第一商品特征和第二商品特征,确定多个目标商品以及多个目标商品在商品界面中的位置信息。
在另一种可能的实现方式中,根据第一场景特征、第一商品特征和第二商品特征,确定多个目标商品以及多个目标商品在商品界面中的显示位置,包括:
根据第一场景特征、第一商品特征和第二商品特征,通过第一商品推荐模型中,确定第一用户与商品库中的每个商品之间的第一匹配度;
根据第一用户与每个商品的第一匹配度,从商品库中选择第一匹配度最高的预设数量个目标商品;
根据第一用户与每个目标商品的第一匹配度,确定每个目标商品在商品界面中的显示位置,显示位置与页面顶端之间的距离与第一匹配度负相关。
在另一种可能的实现方式中,根据第一场景特征、第一商品特征和第二商品特征,通过第一商品推荐模型中,确定第一用户与商品库中的每个商品之间的第一匹配度,包括:
将第一场景特征、第一商品特征和第二商品特征输入第一商品推荐模型中;
基于第一商品特征和第二商品特征,确定第一用户与每个商品之间的第二匹配度;
确定与第一场景特征匹配的商品类型;
根据商品类型,增大第一用户与商品类型的商品之间的第二匹配度,得到第一用户与商品之间的第一匹配度。
在另一种可能的实现方式中,方法还包括:
获取多个样本数据,样本数据包括第二用户对商品的第三历史行为数据、第二用户在目标行为场景下的第四历史行为数据和第二场景数据;
根据第三历史行为数据,确定第二用户对应的第三商品特征,以及,根据第四历史行为数据,确定第二用户对应的第四商品特征,以及根据第二场景数据,确定第二场景特征;
对样本数据标注类别标签,类别标签包括第一类别标签和第二类别标签,第一类别标签用于表示第二用户对样本数据发生了下单行为,第二类别标签用于表示第二用户对样本数据没有发生下单行为;
根据第三商品特征、第四商品特征和第二场景特征以及样本数据的类别标签,训练第二商品推荐模型,得到第一商品推荐模型。
在另一种可能的实现方式中,根据第二历史行为数据,确定第一用户对应的第二商品特征,包括:
确定第二历史行为数据中的行为类型和行为数据;
根据行为数据,确定行为数据关联的商品信息;
根据行为类型和商品信息,确定第一用户对应的第二商品特征。
在本申请实施例中,获取第一用户在商品行为场景下的第一历史行为数据,以及获取第一用户在非商品行为场景下的第二历史行为数据,非商品行为场景的主题与商品关联;根据第一历史行为数据,确定第一用户对应的第一商品特征,以及,根据第二历史行为数据,确定第一用户对应的第二商品特征;根据第一商品特征和第二商品特征,确定待推荐的多个目标商品以及多个目标商品在待请求的商品界面中的位置信息;向终端返回多个目标商品的商品信息和位置信息。由于第一商品特征能够反映第一用户的显性商品特征,而第二商品特征能够反映第一用户的隐形商品特征;因此,本申请不仅能够挖掘出第一用户的显性商品特征,还能够挖掘出第一用户的隐形商品特征,显性商品特征和隐形商品特征能够更好的丰富用户画像数据,挖掘出其潜在的兴趣偏好,进而提高商品推荐效果和准确性。
本申请实施例提供了一种商品推荐方法,参见图4,应用于服务器,该方法包括:
步骤401:终端向服务器发送浏览请求,该浏览请求携带第一用户的用户标识。
终端上安装有目标应用,当用户使用该目标应用浏览商品时,终端向服务器发送浏览请求,该浏览请求中至少携带第一用户的用户标识,还可以携带终端的第一场景数据;第一场景数据包括终端当前的位置信息和当前的时间信息中的至少一个。
第一用户的用户标识可以为第一用户在服务器中注册的用户账号;例如,第一用户的用户标识可以为第一用户的姓名、电话号码或者昵称等。当前的时间信息可以包括当前的实时时间、当前的实时时间所在的时间段和当前的季节中的至少一个。时间段可以为上午、下午或者晚上等;季节可以为夏季、冬季、春天或者秋天等。例如,当前的时间信息包括当前实时时间:2019-12-27:11:20、上午、冬季。
需要说明的一点是,第一场景数据可以包括终端当前的位置信息,也可以包括终端当前的位置信息所属的场所,该场所可以为办公场所或者非办公场所;非办公场所可以为家庭住所、医院、公园、商场等。
步骤402:服务器接收终端的浏览请求,获取第一用户在商品行为场景下的第一历史行为数据。
商品行为场景可以包括下单行为场景、点击行为场景、浏览行为场景、加入购物车行为场景和收藏行为场景中的至少一个行为场景。第一历史行为数据包括发生行为和商品信息。发生行为包括下单行为、点击行为、浏览行为、加入购物车行为和收藏行为中的一个或者多个。例如,服务器获取第一用户在目标应用中下单的商品信息、点击的商品信息、浏览的商品信息、加入购物车的商品信息和收藏的商品信息中的一个或者多个商品信息。
需要说明的一点是,服务器获取的第一历史行为数据可以为第一用户在离当前时间最近的预设时长内的历史行为数据。预设时长可以根据需要进行设置并更改,在本申请实施例中,对预设时长不作具体限定;例如,预设时长可以为1天、一个月、半年或者一年等。在本申请实施例中,以预设时长为一年为例进行说明。相应的,服务器获取到的第一用户的第一历史行为数据为近一年的历史行为数据,这样会包含不同季节的商品信息,进而提高后续商品推荐的准确性。
在本申请实施例中,通过获取第一用户在商品行为场景下的第一历史行为数据,这个第一历史行为数据能够明显的体现出第一用户对商品的兴趣爱好,提高后续商品推荐的准确性。
步骤403:服务器获取第一用户在非商品行为场景下的第二历史行为数据,非商品行为场景的主题与商品关联。
非商品行为场景的主题与商品关联是指非商品行为场景的主题均是吃主题。非商品行为场景包括菜谱行为场景、美食短视频行为场景、美食直播行为场景和美食知识话题问答行为场景中的一个或者多个行为场景。相应的,服务器获取第一用户在非商品行为场景下的第二历史行为数据的步骤可以为:
服务器获取第一用户在菜谱行为场景下的第二历史行为数据、第一用户在美食短视频行为场景下的第二历史行为数据、第一用户在美食直播行为场景下的第二历史行为数据和第一用户在美食知识话题问答行为场景下的第二历史行为数据中的至少一个第二历史行为数据。
其中,第一用户在菜谱行为场景下的第二历史行为数据包括第一用户点击的菜谱数据、点赞的菜谱数据、收藏的菜谱数据和分享的菜谱数据中的一个或者多个。第一用户在美食短视频行为场景下的第二历史行为数据包括第一用户点击的美食短视频数据、点赞的美食短视频数据、收藏的美食短视频数据和分享的美食短视频数据中的一个或者多个。第一用户在美食直播行为场景下的第二历史行为数据包括第一用户观看的美食直播的流媒体数据。第一用户在美食知识话题问答行为场景下的第二历史行为数据包括第一用户参与的知识问答话题信息。
在本申请实施例中,服务器不仅获取商品行为场景下的第一历史行为数据,还获取非商品行为场景下的第二历史行为数据,从而能够将这些不同场景数据融合打通,而不是形成单一场景数据孤岛,这样会极大丰富用户画像行为数据,从而不仅可以挖掘出用户的显性商品特征(根据第一历史行为数据确定的),也可以挖掘出用户对菜谱、美食短视频、美食直播或者美食知识话题问答的行为背后的隐形商品特征,从而能够更准确的为第一用户推荐更合适的目标商品。
需要说明的一点是,步骤402和步骤403没有先后顺序,可以先执行步骤402,再执行步骤403;也可以先执行步骤403,再执行步骤402,也可以同时执行步骤402和403。
步骤404:服务器根据第一历史行为数据,确定第一用户对应的第一商品特征。
响应于第一历史行为数据包括第一用户在下单行为场景下的历史行为数据;则第一商品特征包括下单商品的商品标识、下单次数和下单时间中的一个或者多个。响应于第一历史行为数据包括第一用户在点击行为场景下的历史行为数据;则第一商品特征包括点击商品的商品标识、点击次数和点击时间中的一个或者多个。响应于第一历史行为数据包括第一用户在浏览行为场景下的历史行为数据;则第一商品特征包括浏览商品的商品标识、浏览时长和浏览时间中的一个或者多个。响应于第一历史行为数据包括第一用户在加入购物车行为场景下的历史行为数据;则第一商品特征包括加入购物车商品的商品标识、加入次数和加入时间中的一个或者多个。响应于第一历史行为数据包括第一用户在收藏场景下的历史行为数据;则第一商品特征包括收藏商品的商品标识、商品次数、收藏时间和收藏时长中的一个或者多个。
步骤405:服务器根据第二历史行为数据,确定第一用户对应的第二商品特征。
本步骤可以通过以下步骤(1)至(3)实现,包括:
(1)服务器确定第二历史行为数据中的行为类型和行为数据。
行为类型包括点击、点赞、收藏、分享、观看和参与中的一个或者多个。行为数据包括菜谱数据、美食短视频数据、流媒体数据和知识问答话题信息中的一个或者多个。
(2)服务器根据该行为数据,确定该行为数据关联的商品信息。
响应于该行为数据包括菜谱数据,则该行为数据关联的商品信息包括该菜谱数据中食材。其中,该食材可以包括蔬菜、面食和调料中的一个或者多个。
响应于该行为数据包括美食短视频,则服务器根据该行为数据,确定该行为数据关联的商品信息的步骤可以为:服务器获取该美食短视频的标题信息,对该标题信息进行分词操作,基于分词规则提取该标题信息中关于食材的关键词,根据该关键词,找到该关键词对应的商品信息。
响应于该行为数据包括美食直播的流媒体数据,则服务器根据该行为数据,确定该行为数据关联的商品信息的步骤可以为:服务器获取该美食直播的流媒体数据,从该流媒体数据中提取关于食材的商品信息。
响应于该行为数据包括第一用户参与的知识问答话题信息;则服务器根据该行为数据,确定该行为数据关联的商品信息的步骤可以为:服务器获取该话题信息进行分词操作,基于分词规则提取该标题信息中关于食材的关键词,根据该关键词,找到该关键词对应的商品信息。
(3)服务器根据该行为类型和该商品信息,确定第一用户对应的第二商品特征。
响应于第二历史行为数据包括第一用户在菜谱行为场景下的历史行为数据;则第二商品特征包括:商品标识、第一用户对菜谱的点击次数、点赞次数、收藏次数、分享次数和比例中的一个或者多个。其中,该比例为第二用户查看文档信息中菜谱所占比例。
响应于第二历史行为数据包括第一用户在美食短视频行为场景下的历史行为数据;则第二商品特征包括:商品标识、第一用户对美食短视频的点击次数、该美食短视频的播放时长、是否播放完毕、第一用户对美食短视频的点赞次数、收藏次数、分享次数和比例中的一个或者多个。其中,该比例为第二用户观看的短视频中美食短视频所占比例。
响应于第一历史行为数据包括第一用户在美食直播行为场景下的历史行为数据;则第二商品特征包括商品标识、第一用户观看美食直播的流媒体的观看时长、是否观看完毕、第一用户对主播送礼物次数和送礼物金额中的一个或者多个。
响应于第一历史行为数据包括第一用户在美食知识话题问答行为场景下的历史行为数据;则第二商品特征包括商品标识、第一用户参与的美食知识话题问答的次数、美食知识话题问答的个数和参与时长中的一个或者多个。
在本申请实施例中,通过获取第一用户的第二商品特征,能够挖掘出第一用户线上的潜在兴趣偏好,解决用户画像不够完善的问题。
需要说明的一点是,在第一用户在服务器中发生行为时,服务器可以提取第一用户的第一商品特征和第二商品特征,将用户标识、第一商品特征、第二商品特征和特征类型id(Identity document,身份证标识)进行关联,然后存储到redis(Remote DictionaryServer远程字典服务)和flink(Apache Flink,下一代大数据处理引擎)中。相应的,步骤402和404可以替换为:服务器根据第一用户的用户标识和第一商品特征的特征类型id,从redis和flink中获取第一用户对应的第一商品特征。
步骤403和405可以替换为:服务器根据第一用户的用户标识和第二商品特征的特征类型id,从redis和flink中获取第一用户对应的第二商品特征。
在本申请实施例中,在第一用户在服务器中发生行为时,服务器可以提取第一用户的第一商品特征和第二商品特征,将第一商品特征和第二商品特征存储到redis和flink中,后续直接从redis和flink中获取第一商品特征和第二商品特征,提高了模型训练效率。
需要说明的一点是,第一用户对菜谱和美食短视频属于隐式行为,没有直接出用户对某种商品的喜好,需要算法去计算隐式行为的比例推测出用户对某种品类或商品的潜在兴趣偏好,而且线上多场景数据融合产出的特征将会非常丰富和全面,更好刻画出用户的行为规律。并且,服务器获取到第一用户对应的第一商品特征和第二商品特征,能够丰富用户兴趣信息,更好抓取用户对商品的潜在兴趣。
步骤406:服务器根据第一商品特征和第二商品特征,确定待推荐的多个目标商品以及多个目标商品在待请求的商品界面中的位置信息。
本步骤可以通过以下步骤(1)至(3)实现,包括:
(1)服务器获取第一场景数据,第一场景数据包括终端当前的位置信息和当前的时间信息中的至少一个。
响应于在步骤401中终端向服务器发送的浏览请求中携带第一场景数据,在本步骤中,服务器从该浏览请求中获取第一场景数据;响应于在步骤401中终端向服务器发送的浏览请求中没有携带第一场景数据,服务器获取第一场景数据的步骤可以为:
响应于第一场景数据包括终端当前的位置信息,服务器根据第一用户的用户标识,获取第一用户的收货地址,根据第一用户的收货地址,确定第一终端当前的位置信息。
在一种可能的实现方式中,响应于第一用户的收货地址包括一个收货地址;则服务器根据第一用户的收货地址,确定第一终端当前的位置信息的步骤可以为:服务器直接将第一用户的收货地址确定为第一终端当前的位置信息。
在另一种可能的实现方式中,响应于第一用户的收货地址包括多个收货地址;则服务器根据第一用户的收货地址,确定第一终端当前的位置信息的步骤可以为:服务器从多个第一用户的收货地址中选择使用频次最高的收货地址,将选择的收货地址确定为第一终端当前的位置信息;或者,
服务器根据当前的时间信息,响应于该时间信息用于表示当前时间属于工作时间,从多个第一用户的收货地址中选择收货地址为办公地点的收货地址;响应于该时间信息用于表示当前时间属于非工作时间,从多个第一用户的收货地址中选择收货地址为家庭住址的收货地址;服务器将选择的收货地址确定为第一终端当前的位置信息。
(2)服务器根据第一场景数据,确定第一场景特征。
在一种可能的实现方式中,响应于第一场景数据包括终端当前的位置信息;则服务器根据第一场景数据,确定第一场景特征的步骤可以为:服务器根据当前的位置信息,确定第一用户当前所在场所的场所类型,将该场所类型作为第一场景特征。例如,第一用户当前所在场所的场所类型为公办场所,则第一场景特征的特征值为1;再如,第一用户当前所在场所的场所类型为家庭住所,则第一场景特征的特征值为0。
在另一种可能的实现方式中,响应于第一场景数据包括当前的时间信息;则服务器根据第一场景数据,确定第一场景特征的步骤可以为:服务器根据当前的时间信息,确定当前的季节,将该季节作为第一场景特征。例如,当前的季节为冬季,则第一场景特征为冬季;当前的季节为夏季,则第一场景特征为夏季;当前的季节为春天,则第一场景特征为春天;当前的季节为秋天,则第一场景特征为秋天。
(3)服务器根据第一场景特征、第一商品特征和第二商品特征,确定多个目标商品以及多个目标商品在商品界面中的位置信息。
服务器中存储第一商品推荐模型;服务器可以借助于第一商品推荐模型确定多个目标商品,以及多个目标商品在商品界面中的位置信息;相应的,本步骤可以通过以下步骤(3-1)至(3-3)实现,包括:
(3-1)服务器根据第一场景特征、第一商品特征和第二商品特征,通过第一商品推荐模型中,确定第一用户与商品库中的每个商品之间的第一匹配度。
本步骤可以通过以下步骤(A)至(D)实现,包括:
(A)服务器将第一场景特征、第一商品特征和第二商品特征,输入第一商品推荐模型中。
需要说明的一点是,在本步骤中,服务器可以将第一场景特征、第一商品特征和第二商品特征同时输入第一商品推荐模型中;服务器也可以仅将第一商品特征和第二商品特征输入第一商品推荐模型中,后续再将第一场景特征输入第一商品推荐模型中,
(B)服务器基于第一商品特征和第二商品特征,确定第一用户与商品库中的每个商品之间的第二匹配度。
在一种可能的实现方式中,服务器基于第一商品特征和第二商品特征,确定第一用户与商品库中的每个商品之间的第二匹配度,从而可以充分挖掘出商品库中用户喜爱的商品,后续为用户推荐的商品更广泛。
在另一种可能实现方式中,服务器从该商品库中选择多个热销商品,基于第一商品特征和第二商品特征,确定第一用户与每个热销商品之间的第二匹配度。
在本申请实施例中,服务器仅确定第一用户与每个热销商品之间的第二匹配度,不需要确定第一用户与商品库中的每个商品之间的第二匹配度,减少了计算量,提高了效率;并且,由于是确定第一用户与每个热销商品之间的第二匹配度,从而后续能够为用户推荐热销商品,提高了热销商品的曝光率。
(C)服务器确定与第一场景特征匹配的商品类型。
服务器中存储场景特征和商品类型的对应关系;相应的,在本步骤中,服务器根据第一场景特征,从场景特征和商品类型的对应关系中,获取与第一场景特征匹配的商品类型。
第一场景特征为夏季;则与第一场景特征匹配的商品类型为寒凉解渴的水果;例如,西瓜或者火龙果。第一场景特征为冬季,则与第一场景特征匹配的商品类型为肉类或者火锅类。例如,羊肉、牛肉、鸭血等。第一场景特征为办公场所,则与第一场景特征匹配的商品类型为休闲类;例如,水果或者零食。第一场景特征为家庭场所,则与第一场景特征匹配的商品类型为做饭类;例如,蛋肉、蔬菜或者水产商品。
(D)服务器根据该商品类型,增大第一用户与该商品类型的商品之间的第二匹配度,得到第一用户与商品之间的第一匹配度。
对于该商品类型的商品,服务器将第一用户与该商品之间的第二匹配度增加第一数值,得到第一用户与该商品之间的第一匹配度;对于非该商品类型的商品,服务器将第一用户与该商品之间的第二匹配度作为第一用户与该用户之间的第一匹配度。
其中,第一数值可以根据需要进行设置并更改,在本申请实施例中,对第一数值不作具体限定。例如,第一数值可以为0.2、0.3或者0.5。
在本申请实施例中,生鲜电商领域中,用户在不同的实时场景有不同需求,在办公场所位置,用户更偏好于购买水果零食等偏休闲类的商品,而在非办公场所位置,用户会偏好于购买肉蛋,蔬菜,水产和水果,种类会比办公场所丰富很,如果在办公场所位置,基于线上用户历史行推荐出的肉蛋,蔬菜和水产商品,用户购买率将会比平常在家购买时较低,甚至不会下单购买;除了是否是办公场所外,线下实时地理位置数据也会反馈出用户在当地的饮食行为习惯,这和外卖场景不同,外卖场景中不同省份和城市地区对外卖食品的口味并没有相差太大,更加偏向于随意,主要满足好吃和香就行,但在家做饭场景不一样,没那么随意,更注重材料新鲜而且根据自己饮食习惯搭配不同的食材,比如南方地区更偏向于海产和煲汤的材料,北方更偏向于肉蛋和火锅材料;又比如线下的实时季节数据,由于水果属于季节性商品,用户在不同季节对水果都有不同的需求,夏季偏向于寒凉解渴的水果,例如西瓜和火龙果,而这些水果在冬季需求量就不大,如果在夏季这个阶段推荐出适合这个季节的水果,将会大大增加用户的购买率。所以线下实时数据同样蕴含着用户潜在的兴趣偏好信息,如果只是单单用线上数据而没有做线上和线下场景数据做融合,那么用户画像数据并不是十分完善,并没有很好地通过用户隐式行为信息挖掘出其潜在的兴趣偏好,导致推荐效果多样性和新颖性较差,用户体验效果不好。
服务器基于当前实时月份数据做季节月份范围归类,判别出属于哪一个季节,比如当前时间是6月份,属于夏季月份范围,所以实时季节判别为夏季;比如当前时间为11月份,属于冬季月份范围,所以实时季节判别为冬季。处理后的实时季节数据可以做为季节特征放入模型中去学习,如果是实时季节为夏季,模型就会提高热带类水果的第一匹配度(比如西瓜,哈密瓜等),如果是实时季节为冬季,模型就会提高温补类商品的第一匹配度(比如羊肉),因为某些水果和食材带有特殊的季节性因子,当特定的季节来临时,用户会更多偏向于购买这种季节性水果和食材。
而本申请实施例中,结合第一场景特征,通过增加第一用户与第一场景特征匹配的商品类型的商品之间的匹配度,这样能够挖掘出第一用户给的隐式兴趣偏好,提高了推荐的准确性。
(3-2)服务器根据第一用户与每个商品的第一匹配度,从商品库中选择第一匹配度最高的预设数量个目标商品。
预设数量可以为服务器配置的固定数量;例如,预设数量可以为10或者20等。另外,预设数量还可以根据目标应用的客户端版本的不同进行设置并更改;例如,客户端版本1对应的预设数量为10,客户端版本2对应的预设数量为20。
(3-3)服务器根据第一用户与每个目标商品之间的第一匹配度,确定每个目标商品在商品界面中的位置信息。
其中,第一用户与目标商品之间的第一匹配度,与该目标商品在商品界面中的显示位置与页面顶端之间的距离负相关。也即第一用户与目标商品之间的第一匹配度越高,该目标商品的商品信息在商品界面的显示位置越靠上。
在本申请实施例中,第一用户与目标商品之间的第一匹配度越高,目标商品的商品信息在商品界面中的显示位置越靠上,这样能够将用户比较感兴趣的商品的商品信息显示在商品界面的比较靠上的位置,也即比较显眼的地方,从而提高了目标商品的曝光度以及销售量。
在本申请实施例中,通过将第一场景特征、第一商品特征和第二商品特征融合,也即将线上和线下多场景融合,感知第一用户实时位置或季节等数据,推荐适合线下场景的商品,从而大大提高下单率以及增强用户体验度。
步骤407:服务器向终端返回多个目标商品的商品信息和位置信息。
目标商品的商品信息包括目标商品的名称、描述信息、价格、图片中的一项或者多项信息。
步骤408:终端接收多个目标商品的商品信息和位置信息,根据该位置信息,渲染商品信息,得到商品界面。
终端接收该目标商品的商品信息和位置信息,在商品界面中该目标商品的位置信息对应的显示位置渲染其商品信息,从而目标用户可以从中选择自己需要的目标商品类目下的目标商品。
在本申请实施例中,获取第一用户在商品行为场景下的第一历史行为数据,以及获取第一用户在非商品行为场景下的第二历史行为数据,非商品行为场景的主题与商品关联;根据第一历史行为数据,确定第一用户对应的第一商品特征,以及,根据第二历史行为数据,确定第一用户对应的第二商品特征;根据第一商品特征和第二商品特征,确定待推荐的多个目标商品以及多个目标商品在待请求的商品界面中的位置信息;向终端返回多个目标商品的商品信息和位置信息。由于第一商品特征能够反映第一用户的显性商品特征,而第二商品特征能够反映第一用户的隐形商品特征;因此,本申请不仅能够挖掘出第一用户的显性商品特征,还能够挖掘出第一用户的隐形商品特征,显性商品特征和隐形商品特征能够更好的丰富用户画像数据,挖掘出其潜在的兴趣偏好,进而提高商品推荐效果和准确性。
本申请实施例提供了一种训练第一商品推荐模型的方法,参见图5,该方法包括:
步骤501:服务器获取多个样本数据,样本数据包括第二用户在商品行为场景下的第三历史行为数据、第二用户在非商品行为场景下的第四历史行为数据和第二场景数据。
本步骤中服务器获取第二用户在商品行为场景下的第三历史行为数据和步骤402相似;本步骤中服务器获取第二用户在非商品行为场景下的第四历史行为数据的步骤和步骤403相似;本步骤中服务器获取第二场景数据的步骤和步骤406中的(1)相似,在此不再赘述。
步骤502:服务器根据第三历史行为数据,确定第二用户对应的第三商品特征,以及,根据第四历史行为数据,确定第二用户对应的第四商品特征,以及根据第二场景数据,确定第二场景特征。
服务器根据第三历史行为数据,确定第二用户对应的第三商品特征的步骤和步骤404相似;服务器根据第四历史行为数据,确定第二用户对应的第四商品特征和步骤405相似;服务器根据第二场景数据,确定第二场景特征的步骤和步骤406中的(3)相似,在此不再赘述。
步骤503:服务器对样本数据标注类别标签,类别标签包括第一类别标签和第二类别标签,第一类别标签用于表示第二用户对样本数据发生了下单行为,第二类别标签用于表示第二用户对样本数据没有发生下单行为。
服务器根据第三商品特征、第四商品特征和第二场景特征,为第二用户推荐的商品,响应于用户对该商品发生了下单行为,则将该样本数据的类别标签标注为第一类别标签;响应于用户对该商品没有发生下单行为,则将该样本数据的类别标签标注为第二类别标签。
生鲜零售推荐最终目的是提高用户的下单率,所以样本构建主要围绕用户对商品下单的样本进行构建,第二用户对商品曝光却没有下单行为的样本作为负样本,也即将这类样本数据的类别标签标注为第一类别标签;第二用户对商品曝光而发生下单行为的样本作为正样本,也即将这类样本数据的类别标签标注为第二类别标签。
需要说明的一点是,服务器标注完样本数据的类别标签之后,可以直接将样本标签均作为模型训练学习的样本集合;也可以从样本数据中选择一定比例数量的样本数据作为模型训练学习的样本集合,也即对正负样本各自挑选一定比例数量作为模型训练学习的样本集合。
在本申请实施例中,对正负样本预先打上类别标签,能够对第一商品推荐模型学习结果起到非常大的作用,提高第一商品推荐模型的准确性。
步骤504:服务器根据第三商品特征、第四商品特征和第二场景特征以及样本数据的类别标签,训练第二商品推荐模型,得到第一商品推荐模型。
服务器将第三商品特征、第四商品特征和第二场景特征以及样本数据的类别标签,放进第二商品推荐模型中训练,基于准确度指标判别模型效果,选择最终模型效果最好的模型输出成第一商品推荐模型。
在本申请实施例中,获取第一用户在商品行为场景下的第一历史行为数据,以及获取第一用户在非商品行为场景下的第二历史行为数据,非商品行为场景的主题与商品关联;根据第一历史行为数据,确定第一用户对应的第一商品特征,以及,根据第二历史行为数据,确定第一用户对应的第二商品特征;根据第一商品特征和第二商品特征,确定待推荐的多个目标商品以及多个目标商品在待请求的商品界面中的位置信息;向终端返回多个目标商品的商品信息和位置信息。由于第一商品特征能够反映第一用户的显性商品特征,而第二商品特征能够反映第一用户的隐形商品特征;因此,本申请不仅能够挖掘出第一用户的显性商品特征,还能够挖掘出第一用户的隐形商品特征,显性商品特征和隐形商品特征能够更好的丰富用户画像数据,挖掘出其潜在的兴趣偏好,进而提高商品推荐效果和准确性。
本申请实施例提供了一种商品推荐装置,参见图6,该装置包括:
接收模块601,用于接收终端的浏览请求;
获取模块602,用于获取第一用户在商品行为场景下的第一历史行为数据,以及获取第一用户在非商品行为场景下的第二历史行为数据,非商品行为场景的主题与商品关联;
确定模块603,用于根据第一历史行为数据,确定第一用户对应的第一商品特征,以及,根据第二历史行为数据,确定第一用户对应的第二商品特征;根据第一商品特征和第二商品特征,确定待推荐的多个目标商品以及多个目标商品在待请求的商品界面中的位置信息;
推荐模块604,用于向终端返回多个目标商品的商品信息和位置信息。
在一种可能的实现方式中,获取模块602,还用于获取第一用户在菜谱行为场景下的第二历史行为数据、第一用户在美食短视频行为场景下的第二历史行为数据、第一用户在美食直播行为场景下的第二历史行为数据和第一用户在美食知识话题问答行为场景下的第二历史行为数据中的至少一个第二历史行为数据。
在另一种可能的实现方式中,确定模块603,还用于获取第一场景数据,第一场景数据包括终端当前的位置信息和当前的时间信息中的至少一个;根据第一场景数据,确定第一场景特征;根据第一场景特征、第一商品特征和第二商品特征,确定多个目标商品以及多个目标商品在商品界面中的位置信息。
在另一种可能的实现方式中,确定模块603,还用于根据第一场景特征、第一商品特征和第二商品特征,通过第一商品推荐模型中,确定第一用户与商品库中的每个商品之间的第一匹配度;根据第一用户与每个商品的第一匹配度,从商品库中选择第一匹配度最高的预设数量个目标商品;根据第一用户与每个目标商品的第一匹配度,确定每个目标商品在商品界面中的显示位置,显示位置与页面顶端之间的距离与第一匹配度负相关。
在另一种可能的实现方式中,确定模块603,还用于将第一场景特征、第一商品特征和第二商品特征输入第一商品推荐模型中;基于第一商品特征和第二商品特征,确定第一用户与每个商品之间的第二匹配度;确定与第一场景特征匹配的商品类型;根据商品类型,增大第一用户与商品类型的商品之间的第二匹配度,得到第一用户与商品之间的第一匹配度。
在另一种可能的实现方式中,装置还包括:
获取模块602,还用于获取多个样本数据,样本数据包括第二用户在商品行为场景下的第三历史行为数据、第二用户在非商品行为场景下的第四历史行为数据和第二场景数据;
确定模块603,还用于根据第三历史行为数据,确定第二用户对应的第三商品特征,以及,根据第四历史行为数据,确定第二用户对应的第四商品特征,以及根据第二场景数据,确定第二场景特征;
标注模块,用于对样本数据标注类别标签,类别标签包括第一类别标签和第二类别标签,第一类别标签用于表示第二用户对样本数据发生了下单行为,第二类别标签用于表示第二用户对样本数据没有发生下单行为;
训练模块,用于根据第三商品特征、第四商品特征和第二场景特征以及样本数据的类别标签,训练第二商品推荐模型,得到第一商品推荐模型。
在另一种可能的实现方式中,确定模块603,还用于确定第二历史行为数据中的行为类型和行为数据;根据行为数据,确定行为数据关联的商品信息;根据行为类型和商品信息,确定第一用户对应的第二商品特征。
在本申请实施例中,获取第一用户在商品行为场景下的第一历史行为数据,以及获取第一用户在非商品行为场景下的第二历史行为数据,非商品行为场景的主题与商品关联;根据第一历史行为数据,确定第一用户对应的第一商品特征,以及,根据第二历史行为数据,确定第一用户对应的第二商品特征;根据第一商品特征和第二商品特征,确定待推荐的多个目标商品以及多个目标商品在待请求的商品界面中的位置信息;向终端返回多个目标商品的商品信息和位置信息。由于第一商品特征能够反映第一用户的显性商品特征,而第二商品特征能够反映第一用户的隐形商品特征;因此,本申请不仅能够挖掘出第一用户的显性商品特征,还能够挖掘出第一用户的隐形商品特征,显性商品特征和隐形商品特征能够更好的丰富用户画像数据,挖掘出其潜在的兴趣偏好,进而提高商品推荐效果和准确性。
需要说明的是:上述实施例提供的商品推荐装置在商品推荐时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将服务器的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的商品推荐装置与商品推荐方法实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
图7是本申请实施例提供的一种服务器的结构示意图,该服务器700可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(central processingunits,CPU)701和一个或一个以上的存储器702,其中,存储器702中存储有至少一条程序代码,至少一条程序代码由处理器701加载并执行以实现上述各个方法实施例提供的商品推荐方法。当然,该服务器700还可以具有有线或无线网络接口、键盘以及输入输出接口等部件,以便进行输入输出,该服务器700还可以包括其他用于实现设备功能的部件,在此不做赘述。
本申请实施例还提供了一种计算机可读存储介质,该计算机可读存储介质中存储有至少一条程序代码,该至少一条程序代码由处理器加载并具有以实现上述实施例的商品推荐方法中所具有的操作。
以上所述仅是为了便于本领域的技术人员理解本申请的技术方案,并不用以限制本申请。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种商品推荐方法,其特征在于,所述方法包括:
接收终端的浏览请求,获取第一用户在商品行为场景下的第一历史行为数据,以及获取所述第一用户在非商品行为场景下的第二历史行为数据,所述非商品行为场景的主题与商品关联;
根据所述第一历史行为数据,确定所述第一用户对应的第一商品特征,以及,根据所述第二历史行为数据,确定所述第一用户对应的第二商品特征;
根据所述第一商品特征和所述第二商品特征,确定待推荐的多个目标商品以及所述多个目标商品在待请求的商品界面中的位置信息;
向所述终端返回所述多个目标商品的商品信息和位置信息。
2.根据权利要求1所述的方法,其特征在于,所述获取所述第一用户在非商品行为场景下的第二历史行为数据,包括:
获取所述第一用户在菜谱行为场景下的第二历史行为数据、所述第一用户在美食短视频行为场景下的第二历史行为数据、所述第一用户在美食直播行为场景下的第二历史行为数据和所述第一用户在美食知识话题问答行为场景下的第二历史行为数据中的至少一个第二历史行为数据。
3.根据权利要求1所述的方法,其特征在于,所述根据所述第一商品特征和所述第二商品特征,确定待推荐的多个目标商品以及所述多个目标商品在待请求的商品界面中的位置信息,包括:
获取第一场景数据,所述第一场景数据包括所述终端当前的位置信息和当前的时间信息中的至少一个;
根据所述第一场景数据,确定第一场景特征;
根据所述第一场景特征、所述第一商品特征和所述第二商品特征,确定所述多个目标商品以及所述多个目标商品在所述商品界面中的位置信息。
4.根据权利要求3所述的方法,其特征在于,所述根据所述第一场景特征、所述第一商品特征和所述第二商品特征,确定所述多个目标商品以及所述多个目标商品在所述商品界面中的位置信息,包括:
根据所述第一场景特征、所述第一商品特征和所述第二商品特征,通过第一商品推荐模型中,确定所述第一用户与商品库中的每个商品之间的第一匹配度;
根据所述第一用户与所述每个商品的第一匹配度,从所述商品库中选择第一匹配度最高的预设数量个目标商品;
根据所述第一用户与每个目标商品的第一匹配度,确定所述每个目标商品在所述商品界面中的显示位置,显示位置与页面顶端之间的距离与第一匹配度负相关。
5.根据权利要求4所述的方法,其特征在于,所述根据所述第一场景特征、所述第一商品特征和所述第二商品特征,通过第一商品推荐模型中,确定所述第一用户与商品库中的每个商品之间的第一匹配度,包括:
将所述第一场景特征、所述第一商品特征和所述第二商品特征输入所述第一商品推荐模型中;
基于所述第一商品特征和所述第二商品特征,确定所述第一用户与所述每个商品之间的第二匹配度;
确定与所述第一场景特征匹配的商品类型;
根据所述商品类型,增大所述第一用户与所述商品类型的商品之间的第二匹配度,得到所述第一用户与所述商品之间的第一匹配度。
6.根据权利要求4或5所述的方法,其特征在于,所述方法还包括:
获取多个样本数据,所述样本数据包括第二用户在所述商品行为场景下的第三历史行为数据、所述第二用户在所述非商品行为场景下的第四历史行为数据和第二场景数据;
根据所述第三历史行为数据,确定所述第二用户对应的第三商品特征,以及,根据所述第四历史行为数据,确定所述第二用户对应的第四商品特征,以及根据所述第二场景数据,确定第二场景特征;
对所述样本数据标注类别标签,所述类别标签包括第一类别标签和第二类别标签,所述第一类别标签用于表示所述第二用户对所述样本数据发生了下单行为,所述第二类别标签用于表示所述第二用户对所述样本数据没有发生下单行为;
根据所述第三商品特征、所述第四商品特征和所述第二场景特征以及所述样本数据的类别标签,训练第二商品推荐模型,得到所述第一商品推荐模型。
7.根据权利要求1所述的方法,其特征在于,所述根据所述第二历史行为数据,确定所述第一用户对应的第二商品特征,包括:
确定所述第二历史行为数据中的行为类型和行为数据;
根据所述行为数据,确定所述行为数据关联的商品信息;
根据所述行为类型和所述商品信息,确定所述第一用户对应的第二商品特征。
8.一种商品推荐装置,其特征在于,所述装置包括:
接收模块,用于接收终端的浏览请求;
获取模块,用于获取第一用户在商品行为场景下的第一历史行为数据,以及获取所述第一用户在非商品行为场景下的第二历史行为数据,所述非商品行为场景的主题与商品关联;
确定模块,用于根据所述第一历史行为数据,确定所述第一用户对应的第一商品特征,以及,根据所述第二历史行为数据,确定所述第一用户对应的第二商品特征;根据所述第一商品特征和所述第二商品特征,确定待推荐的多个目标商品以及所述多个目标商品在待请求的商品界面中的位置信息;
推荐模块,用于向所述终端返回所述多个目标商品的商品信息和位置信息。
9.一种服务器,其特征在于,所述服务器包括处理器和存储器,所述存储器中存储有至少一条程序代码,所述至少一条程序代码由所述处理器加载并执行,以实现如权利要求1至7任一所述的商品推荐方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有至少一条程序代码,所述至少一条程序代码由处理器加载并执行,以实现如权利要求1至7任一所述的商品推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911404510.4A CN111159555A (zh) | 2019-12-30 | 2019-12-30 | 商品推荐方法、装置、服务器和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911404510.4A CN111159555A (zh) | 2019-12-30 | 2019-12-30 | 商品推荐方法、装置、服务器和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111159555A true CN111159555A (zh) | 2020-05-15 |
Family
ID=70559543
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911404510.4A Pending CN111159555A (zh) | 2019-12-30 | 2019-12-30 | 商品推荐方法、装置、服务器和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111159555A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111612588A (zh) * | 2020-05-27 | 2020-09-01 | 腾讯科技(深圳)有限公司 | 商品呈现方法及装置、计算设备、计算机可读存储介质 |
CN112015998A (zh) * | 2020-11-02 | 2020-12-01 | 北京值得买科技股份有限公司 | 一种基于用户画像的商品推荐方法 |
CN112085567A (zh) * | 2020-09-09 | 2020-12-15 | 北京百度网讯科技有限公司 | 商品推荐方法、装置、电子设备以及可读介质 |
CN112579902A (zh) * | 2020-12-24 | 2021-03-30 | 第四范式(北京)技术有限公司 | 一种支持多个智能应用场景的行为数据治理方法和装置 |
CN113111182A (zh) * | 2021-04-15 | 2021-07-13 | 北京沃东天骏信息技术有限公司 | 信息推荐方法及装置、计算机可存储介质 |
CN113724047A (zh) * | 2021-09-01 | 2021-11-30 | 口碑(上海)信息技术有限公司 | 一种资源图像处理方法以及装置 |
CN113763082A (zh) * | 2020-09-04 | 2021-12-07 | 北京沃东天骏信息技术有限公司 | 一种信息推送方法和装置 |
Citations (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101344951A (zh) * | 2008-06-30 | 2009-01-14 | 熊刚 | 视频导购技术在电子商务网站中的应用方法 |
CN104834674A (zh) * | 2015-03-31 | 2015-08-12 | 北京奇艺世纪科技有限公司 | 收集用户行为数据、信息推荐方法及装置 |
CN105320702A (zh) * | 2014-08-04 | 2016-02-10 | Tcl集团股份有限公司 | 一种用户行为数据的分析方法、装置及智能电视 |
CN105653683A (zh) * | 2015-12-30 | 2016-06-08 | 东软集团股份有限公司 | 一种个性化推荐方法及装置 |
EP3096235A1 (en) * | 2014-01-17 | 2016-11-23 | Nintendo Co., Ltd. | Information processing system, information processing server, information processing program, and fatigue evaluation method |
CN106547365A (zh) * | 2015-09-17 | 2017-03-29 | 阿里巴巴集团控股有限公司 | 商品推荐的方法和装置 |
CN106951489A (zh) * | 2017-03-13 | 2017-07-14 | 杭州师范大学 | 一种用于稀疏大数据的个性化推荐方法和装置 |
CN106997358A (zh) * | 2016-01-22 | 2017-08-01 | 中移(杭州)信息技术有限公司 | 信息推荐方法及装置 |
CN107360222A (zh) * | 2017-06-30 | 2017-11-17 | 广东欧珀移动通信有限公司 | 商品信息推送方法、装置、存储介质以及服务器 |
CN107507017A (zh) * | 2017-07-07 | 2017-12-22 | 阿里巴巴集团控股有限公司 | 一种线下导购方法和装置 |
CN107705183A (zh) * | 2017-09-30 | 2018-02-16 | 深圳乐信软件技术有限公司 | 一种商品的推荐方法、装置、存储介质及服务器 |
CN108153753A (zh) * | 2016-12-02 | 2018-06-12 | 阿里巴巴集团控股有限公司 | 推荐方法、装置和系统 |
CN108665329A (zh) * | 2017-03-29 | 2018-10-16 | 北京京东尚科信息技术有限公司 | 一种基于用户浏览行为的商品推荐方法 |
CN108694658A (zh) * | 2018-07-31 | 2018-10-23 | 深圳春沐源控股有限公司 | 一种商品信息推送方法、相关装置及存储介质 |
CN108765051A (zh) * | 2018-04-16 | 2018-11-06 | 达而观信息科技(上海)有限公司 | 物品推荐方法和装置 |
CN109509054A (zh) * | 2018-09-30 | 2019-03-22 | 平安科技(深圳)有限公司 | 海量数据下商品推荐方法、电子装置及存储介质 |
CN109951724A (zh) * | 2017-12-20 | 2019-06-28 | 阿里巴巴集团控股有限公司 | 直播推荐方法、主播推荐模型训练方法及相关设备 |
CN110148042A (zh) * | 2019-05-23 | 2019-08-20 | 北京小米移动软件有限公司 | 智能购物车、购物辅助方法、装置、设备及可读存储介质 |
US20190272580A1 (en) * | 2018-03-02 | 2019-09-05 | Toshiba Tec Kabushiki Kaisha | Monitoring of customer consumption activity and management based on monitoring |
CN110287419A (zh) * | 2019-06-28 | 2019-09-27 | 重庆金窝窝网络科技有限公司 | 一种商品推荐方法、装置、服务器及存储介质 |
CN110532462A (zh) * | 2019-07-25 | 2019-12-03 | 北京三快在线科技有限公司 | 一种推荐方法、装置、设备及可读存储介质 |
-
2019
- 2019-12-30 CN CN201911404510.4A patent/CN111159555A/zh active Pending
Patent Citations (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101344951A (zh) * | 2008-06-30 | 2009-01-14 | 熊刚 | 视频导购技术在电子商务网站中的应用方法 |
EP3096235A1 (en) * | 2014-01-17 | 2016-11-23 | Nintendo Co., Ltd. | Information processing system, information processing server, information processing program, and fatigue evaluation method |
CN105320702A (zh) * | 2014-08-04 | 2016-02-10 | Tcl集团股份有限公司 | 一种用户行为数据的分析方法、装置及智能电视 |
CN104834674A (zh) * | 2015-03-31 | 2015-08-12 | 北京奇艺世纪科技有限公司 | 收集用户行为数据、信息推荐方法及装置 |
CN106547365A (zh) * | 2015-09-17 | 2017-03-29 | 阿里巴巴集团控股有限公司 | 商品推荐的方法和装置 |
CN105653683A (zh) * | 2015-12-30 | 2016-06-08 | 东软集团股份有限公司 | 一种个性化推荐方法及装置 |
CN106997358A (zh) * | 2016-01-22 | 2017-08-01 | 中移(杭州)信息技术有限公司 | 信息推荐方法及装置 |
CN108153753A (zh) * | 2016-12-02 | 2018-06-12 | 阿里巴巴集团控股有限公司 | 推荐方法、装置和系统 |
CN106951489A (zh) * | 2017-03-13 | 2017-07-14 | 杭州师范大学 | 一种用于稀疏大数据的个性化推荐方法和装置 |
CN108665329A (zh) * | 2017-03-29 | 2018-10-16 | 北京京东尚科信息技术有限公司 | 一种基于用户浏览行为的商品推荐方法 |
CN107360222A (zh) * | 2017-06-30 | 2017-11-17 | 广东欧珀移动通信有限公司 | 商品信息推送方法、装置、存储介质以及服务器 |
CN107507017A (zh) * | 2017-07-07 | 2017-12-22 | 阿里巴巴集团控股有限公司 | 一种线下导购方法和装置 |
CN107705183A (zh) * | 2017-09-30 | 2018-02-16 | 深圳乐信软件技术有限公司 | 一种商品的推荐方法、装置、存储介质及服务器 |
CN109951724A (zh) * | 2017-12-20 | 2019-06-28 | 阿里巴巴集团控股有限公司 | 直播推荐方法、主播推荐模型训练方法及相关设备 |
US20190272580A1 (en) * | 2018-03-02 | 2019-09-05 | Toshiba Tec Kabushiki Kaisha | Monitoring of customer consumption activity and management based on monitoring |
CN108765051A (zh) * | 2018-04-16 | 2018-11-06 | 达而观信息科技(上海)有限公司 | 物品推荐方法和装置 |
CN108694658A (zh) * | 2018-07-31 | 2018-10-23 | 深圳春沐源控股有限公司 | 一种商品信息推送方法、相关装置及存储介质 |
CN109509054A (zh) * | 2018-09-30 | 2019-03-22 | 平安科技(深圳)有限公司 | 海量数据下商品推荐方法、电子装置及存储介质 |
CN110148042A (zh) * | 2019-05-23 | 2019-08-20 | 北京小米移动软件有限公司 | 智能购物车、购物辅助方法、装置、设备及可读存储介质 |
CN110287419A (zh) * | 2019-06-28 | 2019-09-27 | 重庆金窝窝网络科技有限公司 | 一种商品推荐方法、装置、服务器及存储介质 |
CN110532462A (zh) * | 2019-07-25 | 2019-12-03 | 北京三快在线科技有限公司 | 一种推荐方法、装置、设备及可读存储介质 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111612588A (zh) * | 2020-05-27 | 2020-09-01 | 腾讯科技(深圳)有限公司 | 商品呈现方法及装置、计算设备、计算机可读存储介质 |
CN111612588B (zh) * | 2020-05-27 | 2023-12-26 | 腾讯科技(深圳)有限公司 | 商品呈现方法及装置、计算设备、计算机可读存储介质 |
CN113763082A (zh) * | 2020-09-04 | 2021-12-07 | 北京沃东天骏信息技术有限公司 | 一种信息推送方法和装置 |
CN112085567A (zh) * | 2020-09-09 | 2020-12-15 | 北京百度网讯科技有限公司 | 商品推荐方法、装置、电子设备以及可读介质 |
CN112015998A (zh) * | 2020-11-02 | 2020-12-01 | 北京值得买科技股份有限公司 | 一种基于用户画像的商品推荐方法 |
CN112579902A (zh) * | 2020-12-24 | 2021-03-30 | 第四范式(北京)技术有限公司 | 一种支持多个智能应用场景的行为数据治理方法和装置 |
CN113111182A (zh) * | 2021-04-15 | 2021-07-13 | 北京沃东天骏信息技术有限公司 | 信息推荐方法及装置、计算机可存储介质 |
CN113724047A (zh) * | 2021-09-01 | 2021-11-30 | 口碑(上海)信息技术有限公司 | 一种资源图像处理方法以及装置 |
CN113724047B (zh) * | 2021-09-01 | 2023-09-22 | 口碑(上海)信息技术有限公司 | 一种资源图像处理、展示的方法以及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111159555A (zh) | 商品推荐方法、装置、服务器和存储介质 | |
CN107424043B (zh) | 一种产品推荐方法及装置,电子设备 | |
JP5984834B2 (ja) | ウェブサイト横断情報を表示する方法およびシステム | |
US8718369B1 (en) | Techniques for shape-based search of content | |
US9043351B1 (en) | Determining search query specificity | |
WO2022228303A1 (zh) | 视频的处理方法、存储介质和处理器 | |
US20230214895A1 (en) | Methods and systems for product discovery in user generated content | |
WO2020243894A1 (zh) | 一种广告推荐方法、装置及电子设备 | |
CN109104639A (zh) | 直播系统、确定直播视频主题的方法、装置以及电子设备 | |
CN110175895B (zh) | 一种物品推荐方法及装置 | |
US20200226168A1 (en) | Methods and systems for optimizing display of user content | |
CN110209931B (zh) | 媒体内容的推送方法和装置、存储介质、电子装置 | |
US20200111121A1 (en) | Systems and methods for automatic processing of marketing documents | |
CN113689259A (zh) | 基于用户行为的商品个性化推荐方法及系统 | |
CN112488781A (zh) | 搜索推荐方法、装置、电子设备及可读存储介质 | |
Voldnes et al. | E-commerce of seafood–a review of existing research | |
Sorensen | Bestseller lists and the economics of product discovery | |
US11410418B2 (en) | Methods and systems for tagged image generation | |
CN115964520A (zh) | 元数据标签识别 | |
CN115374348A (zh) | 一种信息推荐方法、信息推荐装置和可读存储介质 | |
US20130173362A1 (en) | Methods and systems for displaying and advertising products and services using interactive mixed media | |
US20200111130A1 (en) | Systems and methods for automatic processing of marketing documents | |
CN108564400B (zh) | 商品信息推广系统及方法 | |
US20200226167A1 (en) | Methods and systems for dynamic content provisioning | |
CN112148971A (zh) | 数据处理方法、装置、电子设备及可读存储介质 |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20211130 Address after: Room 084, No. 1-309, 3rd floor, commercial building, No. 9 Wangjing street, Chaoyang District, Beijing 100102 Applicant after: Beijing Daily Youxian Technology Co.,Ltd. Address before: 100102 room 801, 08 / F, building 7, yard 34, Chuangyuan Road, Chaoyang District, Beijing Applicant before: BEIJING MISSFRESH E-COMMERCE Co.,Ltd. |
|
TA01 | Transfer of patent application right | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200515 |
|
WD01 | Invention patent application deemed withdrawn after publication |