CN111339400B - 一种实现物品推荐的方法、装置、计算机存储介质及终端 - Google Patents

一种实现物品推荐的方法、装置、计算机存储介质及终端 Download PDF

Info

Publication number
CN111339400B
CN111339400B CN202010082753.7A CN202010082753A CN111339400B CN 111339400 B CN111339400 B CN 111339400B CN 202010082753 A CN202010082753 A CN 202010082753A CN 111339400 B CN111339400 B CN 111339400B
Authority
CN
China
Prior art keywords
user
item
probability
recommended
purchase
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
Application number
CN202010082753.7A
Other languages
English (en)
Other versions
CN111339400A (zh
Inventor
张�杰
罗华刚
于皓
吴信东
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.)
Beijing Mininglamp Software System Co ltd
Original Assignee
Beijing Mininglamp Software System 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 Beijing Mininglamp Software System Co ltd filed Critical Beijing Mininglamp Software System Co ltd
Priority to CN202010082753.7A priority Critical patent/CN111339400B/zh
Publication of CN111339400A publication Critical patent/CN111339400A/zh
Application granted granted Critical
Publication of CN111339400B publication Critical patent/CN111339400B/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
    • G06F16/90—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)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种实现物品推荐的方法、装置、计算机存储介质及终端，包括：根据用户的商品购买记录，为用户每一次的购物行为建立相应的样本；以建立的样本作为训练数据集，拟合获得用户购买的物品间的顺承概率关系；根据拟合获得的顺承概率关系，预估用户购买各待推荐物品的购买概率，并根据预估的各待推荐物品的购买概率进行物品推荐；其中，所述样本中包括：用户在前购买的每一件物品与各待推荐物品的时间差，还包括以下一项或任意组合的信息：用户的属性特征、商品的属性特征、用户登录购买平台前后的上下文特征。本发明实施例提升了推荐系统的准确率，提高了推荐系统的推荐效率和用户使用体验。

Description

一种实现物品推荐的方法、装置、计算机存储介质及终端
技术领域
本文涉及但不限于电子商务技术，尤指一种实现物品推荐的方法、装置、计算机存储介质及终端。
背景技术
随着互联网技术的应用发展，推荐系统的应用场景变得越来越广泛，如推荐新闻、音乐、电影、短视频和电商中的商品，因此推荐技术也得到了长足的发展，通过各种推荐算法不断提升了推荐系统的准确性。
目前，相关技术中的推荐算法包括：基于用户的推荐、基于物品的推荐及协同过滤；其中，基于用户的推荐包括：根据用户的属性，计算用户之间的相似度，根据用户的相似度为用户推荐物品。比如，用户A与用户B的各项属性(如：年龄、性别、学历、地区、职业、婚姻状态等)相似，则可以分析认定他们的喜好也相似，如果用户A购买过物品X，而用户B未购买过物品X，则为用户B推荐物品X。基于物品的推荐包括：根据物品的属性，计算物品之间的相似度，为用户推荐相似的物品。比如，物品X与物品Y非常相似，如果用户A购买过物品X，则为用户A推荐物品Y。协同过滤包括：协同过滤综合考虑用户和物品两种维度，形成了“物品-用户-物品”的协同效果；图1为相关技术协同过滤的示例图，如图1所示，从图1中可以看到用户1与用户2对电影1、电影2和电影3的评分相似，因此，可以判断用户2对未点评的电影4和电影5的评价会与用户1相似，根据用户2对电影4和电影5的评价，可以确定是否向用户推荐电影4和电影5。
然而，上述三种推荐算法仅考虑人和/或物品，没有考虑其他影响用户相关要素，导致推荐系统为用户提供的推荐准确度低，得到用户认可和选择的概率低，如何提升推荐系统的推荐效率及用户的使用体验，成为一个有待解决的问题。
发明内容
以下是对本文详细描述的主题的概述。本概述并非是为了限制权利要求的保护范围。
本发明实施例提供一种实现物品推荐的方法、装置、计算机存储介质及终端，能够提升推荐系统的推荐效率和用户的使用体验。
本发明实施例提供了一种实现物品推荐的方法，包括：
根据用户的商品购买记录，为用户每一次的购物行为建立相应的样本；
以建立的样本作为训练数据集，拟合获得用户购买的物品间的顺承概率关系；
根据拟合获得的顺承概率关系，预估用户购买各待推荐物品的购买概率，并根据预估的各待推荐物品的购买概率进行物品推荐；
其中，所述样本中包括：用户在前购买的每一件物品与各待推荐物品的时间差，还包括以下一项或任意组合的信息：用户的属性特征、商品的属性特征、用户登录购买平台前后的上下文特征。
在一种示例性实施例中，所述顺承概率关系包括通过以下公式确定的关系：
Figure BDA0002380888070000021
其中：λ表示用户u在时刻t购买物品i的强度函数；μ表示基础强度；pji表示购买物品j导致购买物品i的概率；pii表示重复购买物品i的概率；g为基础强度函数，表示当前物品的购买强度与购买物品j的时间长度相关。
在一种示例性实施例中，所述时间长度相关包括以下任一种类的相关：
非齐次泊松过程、更新过程、自校正过程和自激励过程。
在一种示例性实施例中，所述拟合获得用户购买的物品间的顺承概率关系包括：
通过随机梯度下降法或拟牛顿法对所述训练数据集中的样本进行拟合，获得用户购买的物品间的所述顺承概率关系。
在一种示例性实施例中，所述根据预估的各待推荐物品的购买概率进行物品推荐，包括：
根据预估获得的各待推荐物品的所述购买概率的大小，选择购买概率取值最大的预设数值个待推荐物品进行物品推荐。
另一方面，本发明实施例还提供一种计算机存储介质，所述计算机存储介质中存储有计算机程序，所述计算机程序被处理器执行时实现上述实现物品推荐的方法。
再一方面，本发明实施例还提供一种终端，包括：存储器和处理器，所述存储中保存有计算机程序；其中，
处理器被配置为执行存储器中的计算机程序；
所述计算机程序被所述处理器执行时实现如上述实现物品推荐的方法。
还一方面，本发明实施例还提供一种实现物品推荐的装置，包括：样本单元、拟合单元和推荐单元；其中，
样本单元用于：根据用户的商品购买记录，为用户每一次的购物行为建立相应的样本；
拟合单元用于：以建立的样本作为训练数据集，拟合获得用户购买的物品间的顺承概率关系；
推荐单元用于：根据拟合获得的顺承概率关系，预估用户购买各待推荐物品的购买概率，并根据预估的各待推荐物品的购买概率进行物品推荐；
其中，所述样本中包括：用户在前购买的每一件物品与各待推荐物品的时间差，还包括以下一项或任意组合的信息：用户的属性特征、商品的属性特征、用户登录购买平台前后的上下文特征。
在一种示例性实施例中，所述顺承概率关系包括通过以下公式确定的关系：
Figure BDA0002380888070000031
其中：λ表示用户u在时刻t购买物品i的强度函数；μ表示基础强度；pji表示购买物品j导致购买物品i的概率；pii表示重复购买物品i的概率；g为基础强度函数，表示当前物品的购买强度与购买物品j的时间长度相关。
在一种示例性实施例中，所述拟合单元具体用于：
通过随机梯度下降法或拟牛顿法对所述训练数据集中的样本进行拟合，获得用户购买的物品间的所述顺承概率关系。
与相关技术相比，本申请技术方案包括：根据用户的商品购买记录，为用户每一次的购物行为建立相应的样本；以建立的样本作为训练数据集，拟合获得用户购买的物品间的顺承概率关系；根据拟合获得的顺承概率关系，预估用户购买各待推荐物品的购买概率，并根据预估的各待推荐物品的购买概率进行物品推荐；其中，所述样本中包括：用户在前购买的每一件物品与各待推荐物品的时间差，还包括以下一项或任意组合的信息：用户的属性特征、商品的属性特征、用户登录购买平台前后的上下文特征。本发明实施例提升了推荐系统的准确率，提高了推荐系统的推荐效率和用户使用体验。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
附图说明
附图用来提供对本发明技术方案的进一步理解，并且构成说明书的一部分，与本申请的实施例一起用于解释本发明的技术方案，并不构成对本发明技术方案的限制。
图1为相关技术协同过滤的示例图；
图2为本发明实施例实现物品推荐的方法的流程图；
图3为本发明实施例实现物品推荐的装置的结构框图。
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明白，下文中将结合附图对本发明的实施例进行详细说明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互任意组合。
在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行。并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
图2为本发明实施例实现物品推荐的方法的流程图，如图2所示，包括：
步骤201、根据用户的商品购买记录，为用户每一次的购物行为建立相应的样本；
需要说明的是，本发明实施例商品购买记录可以包括：预设时长的商品购买记录；或，设定条数的商品购买记录；可以由本领域技术人员根据运算量和客户种类等进行分析调整。
其中，所述样本中包括：用户在前购买的每一件物品与各待推荐物品的时间差，还包括以下一项或任意组合的信息：用户的属性特征、商品的属性特征、用户登录购买平台前后的上下文特征。
需要说明的是，本发明实施例上下文特征可以包括：从哪个页面跳转过来的，查询了物品的信息；需要说明的是，上下文特征可以参照相关原理获得。此外，样本可以参照相关原理进行构建。
步骤202、以建立的样本作为训练数据集，拟合获得用户购买的物品间的顺承概率关系；
在一种示例性实施例中，所述顺承概率关系包括通过以下公式确定的关系：
Figure BDA0002380888070000051
其中：λ表示用户u在时刻t购买物品i的强度函数；μ表示基础强度；pji表示购买物品j导致购买物品i的概率；pii表示重复购买物品i的概率；g为基础强度函数，表示当前物品的购买强度与购买物品j的时间长度相关。
在一种示例性实施例中，重复购买的物品可以包括：打印机墨粉、净化水滤芯和打印纸等。
在一种示例性实施例中，所述时间长度相关包括以下任一种类的相关：
非齐次泊松过程、更新过程、自校正过程和自激励过程。
需要说明的是，本发明实施例可以由本领域技术人员根据经验确定时间长度相关的种类，一般的，可以选择自激励过程；设定时间长度相关后，可以由本领域技术人员根据相关原理确定基础强度函数。
在一种示例性实施例中，所述拟合获得用户购买的物品间的顺承概率关系包括：
通过随机梯度下降法或拟牛顿法对所述训练数据集中的样本进行拟合，获得用户购买的物品间的所述顺承概率关系。
步骤203、根据拟合获得的顺承概率关系，预估用户购买各待推荐物品的购买概率，并根据预估的各待推荐物品的购买概率进行物品推荐；
在一种示例性实施例中，所述根据预估的各待推荐物品的购买概率进行物品推荐，包括：
根据预估获得的各待推荐物品的所述购买概率的大小，选择购买概率取值最大的预设数值个待推荐物品进行物品推荐。
需要说明的是，推荐物品的数量可以由本领域技术人员根据经验值进行设定；可以由用户或技术人员根据物品推荐准确程度进行分析调整。
与相关技术相比，本申请技术方案包括：根据用户的商品购买记录，为用户每一次的购物行为建立相应的样本；以建立的样本作为训练数据集，拟合获得用户购买的物品间的顺承概率关系；根据拟合获得的顺承概率关系，预估用户购买各待推荐物品的购买概率，并根据预估的各待推荐物品的购买概率进行物品推荐；其中，所述样本中包括：用户在前购买的每一件物品与各待推荐物品的时间差，还包括以下一项或任意组合的信息：用户的属性特征、商品的属性特征、用户登录购买平台前后的上下文特征。本发明实施例提升了推荐系统的准确率，提高了推荐系统的推荐效率和用户使用体验。
本发明实施例还提供一种计算机存储介质，所述计算机存储介质中存储有计算机程序，所述计算机程序被处理器执行时实现上述实现物品推荐的方法。
本发明实施例还提供一种终端，包括：存储器和处理器，所述存储中保存有计算机程序；其中，
处理器被配置为执行存储器中的计算机程序；
所述计算机程序被所述处理器执行时实现如上述实现物品推荐的方法。
图3为本发明实施例实现物品推荐的装置的结构框图，如图3所示，包括：样本单元、拟合单元和推荐单元；其中，
样本单元用于：根据用户的商品购买记录，为用户每一次的购物行为建立相应的样本；
需要说明的是，本发明实施例商品购买记录可以包括：预设时长的商品购买记录；或，设定条数的商品购买记录；可以由本领域技术人员根据运算量和客户种类等进行分析调整。
拟合单元用于：以建立的样本作为训练数据集，拟合获得用户购买的物品间的顺承概率关系；
推荐单元用于：根据拟合获得的顺承概率关系，预估用户购买各待推荐物品的购买概率，并根据预估的各待推荐物品的购买概率进行物品推荐；
其中，所述样本中包括：用户在前购买的每一件物品与各待推荐物品的时间差，还包括以下一项或任意组合的信息：用户的属性特征、商品的属性特征、用户登录购买平台前后的上下文特征。
需要说明的是，本发明实施例上下文特征可以包括：从哪个页面跳转过来的，查询了物品的信息；需要说明的是，上下文特征可以参照相关原理获得。
在一种示例性实施例中，所述顺承概率关系包括通过以下公式确定的关系：
Figure BDA0002380888070000071
其中：λ表示用户u在时刻t购买物品i的强度函数；μ表示基础强度；pji表示购买物品j导致购买物品i的概率；pii表示重复购买物品i的概率；g为基础强度函数，表示当前物品的购买强度与购买物品j的时间长度相关。
在一种示例性实施例中，重复购买的物品可以包括：打印机墨粉、净化水滤芯和打印纸等。
在一种示例性实施例中，所述时间长度相关包括以下任一种类的相关：
非齐次泊松过程、更新过程、自校正过程和自激励过程。
需要说明的是，本发明实施例可以由本领域技术人员根据经验确定时间长度相关的种类，一般的，可以选择自激励过程；设定时间长度相关后，可以由本领域技术人员根据相关原理确定基础强度函数。
在一种示例性实施例中，所述拟合单元具体用于：
通过随机梯度下降法或拟牛顿法对所述训练数据集中的样本进行拟合，获得用户购买的物品间的所述顺承概率关系。
在一种示例性实施例中，推荐单元具体用于：
根据预估获得的各待推荐物品的所述购买概率的大小，选择购买概率取值最大的预设数值个待推荐物品进行物品推荐。
需要说明的是，推荐物品的数量可以由本领域技术人员根据经验值进行设定；可以由用户或技术人员根据物品推荐准确程度进行分析调整。
与相关技术相比，本申请技术方案包括：根据用户的商品购买记录，为用户每一次的购物行为建立相应的样本；以建立的样本作为训练数据集，拟合获得用户购买的物品间的顺承概率关系；根据拟合获得的顺承概率关系，预估用户购买各待推荐物品的购买概率，并根据预估的各待推荐物品的购买概率进行物品推荐；其中，所述样本中包括：用户在前购买的每一件物品与各待推荐物品的时间差，还包括以下一项或任意组合的信息：用户的属性特征、商品的属性特征、用户登录购买平台前后的上下文特征。本发明实施例提升了推荐系统的准确率，提高了推荐系统的推荐效率和用户使用体验。
“本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、装置中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。在硬件实施方式中，在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分；例如，一个物理组件可以具有多个功能，或者一个功能或步骤可以由若干物理组件合作执行。某些组件或所有组件可以被实施为由处理器，如数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。”

Claims (8)

1.一种实现物品推荐的方法，包括：
根据用户的商品购买记录，为用户每一次的购物行为建立相应的样本；
以建立的样本作为训练数据集，拟合获得用户购买的物品间的顺承概率关系；
根据拟合获得的顺承概率关系，预估用户购买各待推荐物品的购买概率，并根据预估的各待推荐物品的购买概率进行物品推荐；
其中，所述样本中包括：用户在前购买的每一件物品与各待推荐物品的时间差，还包括以下一项或任意组合的信息：用户的属性特征、商品的属性特征、用户登录购买平台前后的上下文特征；所述顺承概率关系包括通过以下公式确定的关系：
Figure FDA0004052035990000011
λ表示用户u在时刻t购买物品i的强度函数；μ表示基础强度；pji表示购买物品j导致购买物品i的概率；pii表示重复购买物品i的概率；/>
Figure FDA0004052035990000012
为基础强度函数，表示当前物品的购买强度与购买物品j的时间长度相关。
2.根据权利要求1所述的方法，其特征在于，所述时间长度相关包括以下任一种类的相关：
非齐次泊松过程、更新过程、自校正过程和自激励过程。
3.根据权利要求1～2任一项所述的方法，其特征在于，所述拟合获得用户购买的物品间的顺承概率关系包括：
通过随机梯度下降法或拟牛顿法对所述训练数据集中的样本进行拟合，获得用户购买的物品间的所述顺承概率关系。
4.根据权利要求1～2任一项所述的方法，其特征在于，所述根据预估的各待推荐物品的购买概率进行物品推荐，包括：
根据预估获得的各待推荐物品的所述购买概率的大小，选择购买概率取值最大的预设数值个待推荐物品进行物品推荐。
5.一种计算机存储介质，所述计算机存储介质中存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1～4中任一项所述的实现物品推荐的方法。
6.一种终端，包括：存储器和处理器，所述存储中保存有计算机程序；其中，
处理器被配置为执行存储器中的计算机程序；
所述计算机程序被所述处理器执行时实现如执行权利要求1～4中任一项所述的实现物品推荐的方法。
7.一种实现物品推荐的装置，包括：样本单元、拟合单元和推荐单元；其中，
样本单元用于：根据用户的商品购买记录，为用户每一次的购物行为建立相应的样本；
拟合单元用于：以建立的样本作为训练数据集，拟合获得用户购买的物品间的顺承概率关系；
推荐单元用于：根据拟合获得的顺承概率关系，预估用户购买各待推荐物品的购买概率，并根据预估的各待推荐物品的购买概率进行物品推荐；
其中，所述样本中包括：用户在前购买的每一件物品与各待推荐物品的时间差，还包括以下一项或任意组合的信息：用户的属性特征、商品的属性特征、用户登录购买平台前后的上下文特征；所述顺承概率关系包括通过以下公式确定的关系：
Figure FDA0004052035990000021
λ表示用户u在时刻t购买物品i的强度函数；μ表示基础强度；pji表示购买物品j导致购买物品i的概率；pii表示重复购买物品i的概率；/>
Figure FDA0004052035990000022
为基础强度函数，表示当前物品的购买强度与购买物品j的时间长度相关。
8.根据权利要求7所述的装置，其特征在于，所述拟合单元具体用于：
通过随机梯度下降法或拟牛顿法对所述训练数据集中的样本进行拟合，获得用户购买的物品间的所述顺承概率关系。
CN202010082753.7A 2020-02-07 2020-02-07 一种实现物品推荐的方法、装置、计算机存储介质及终端 Active CN111339400B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010082753.7A CN111339400B (zh) 2020-02-07 2020-02-07 一种实现物品推荐的方法、装置、计算机存储介质及终端

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010082753.7A CN111339400B (zh) 2020-02-07 2020-02-07 一种实现物品推荐的方法、装置、计算机存储介质及终端

Publications (2)

Publication Number Publication Date
CN111339400A CN111339400A (zh) 2020-06-26
CN111339400B true CN111339400B (zh) 2023-05-23

Family

ID=71181401

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010082753.7A Active CN111339400B (zh) 2020-02-07 2020-02-07 一种实现物品推荐的方法、装置、计算机存储介质及终端

Country Status (1)

Country Link
CN (1) CN111339400B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112200624A (zh) * 2020-09-28 2021-01-08 深圳市其乐游戏科技有限公司 商品推荐方法、装置、终端设备以及存储介质
CN113763110B (zh) * 2021-02-08 2024-09-20 北京沃东天骏信息技术有限公司 一种物品推荐方法和装置
CN113781171A (zh) * 2021-09-10 2021-12-10 未鲲(上海)科技服务有限公司 信息推送方法、装置、设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107730346A (zh) * 2017-09-25 2018-02-23 北京京东尚科信息技术有限公司 物品聚类的方法和装置
CN109460479A (zh) * 2018-11-19 2019-03-12 广州合摩计算机科技有限公司 一种基于事理图谱的预测方法、装置和系统
CN110110223A (zh) * 2019-04-15 2019-08-09 中国平安财产保险股份有限公司 信息推荐方法、装置、计算机设备和存储介质
CN110245237A (zh) * 2018-03-09 2019-09-17 北京国双科技有限公司 事件预测方法及装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150100386A1 (en) * 2013-10-04 2015-04-09 International Business Machines Corporation Digital framework for business model innovation

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107730346A (zh) * 2017-09-25 2018-02-23 北京京东尚科信息技术有限公司 物品聚类的方法和装置
CN110245237A (zh) * 2018-03-09 2019-09-17 北京国双科技有限公司 事件预测方法及装置
CN109460479A (zh) * 2018-11-19 2019-03-12 广州合摩计算机科技有限公司 一种基于事理图谱的预测方法、装置和系统
CN110110223A (zh) * 2019-04-15 2019-08-09 中国平安财产保险股份有限公司 信息推荐方法、装置、计算机设备和存储介质

Also Published As

Publication number Publication date
CN111339400A (zh) 2020-06-26

Similar Documents

Publication Publication Date Title
CN111339400B (zh) 一种实现物品推荐的方法、装置、计算机存储介质及终端
CN106126630B (zh) 一种业务对象的收藏、搜索方法和装置
CN108509457A (zh) 一种视频数据的推荐方法和装置
US20180165746A1 (en) Network Interaction System
CN109213802B (zh) 用户画像构建方法、装置、终端和计算机可读存储介质
US20120203723A1 (en) Server System and Method for Network-Based Service Recommendation Enhancement
KR101276969B1 (ko) 구입 관리 장치, 구입 관리 방법, 구입 관리 프로그램 및 기억 매체
WO2015188349A1 (en) Recommending of an item to a user
CN111339401B (zh) 一种物品推荐的方法、装置、计算机存储介质及终端
CN107103028A (zh) 一种信息处理方法及装置
WO2018089676A1 (en) Product tagging and purchasing method and system
JP5331159B2 (ja) 商品推薦方法、商品推薦装置及び商品推薦プログラム
KR20110023750A (ko) 오브젝트 커스터마이제이션 및 관리 시스템
CN110020910B (zh) 对象推荐方法和装置
CN113722546B (zh) 异常用户账户获取方法及装置、电子设备、存储介质
CN107578058A (zh) 忠诚度聚类的方法和装置
KR20190119743A (ko) 컨텐츠 정보 제공 장치 및 그 방법
CN109324955A (zh) 一种具有智能推荐功能的it运维系统界面生成方法
CN108288196B (zh) 一种业务对象的推荐方法和装置
US20200311707A1 (en) Systems and methods for mapping in-store transactions to customer profiles
CN113792952A (zh) 用于生成模型的方法和装置
CN116489216A (zh) 信息推送方法、装置、电子设备、存储介质及程序产品
CN116186119A (zh) 用户行为分析方法、装置、设备及存储介质
US10572926B1 (en) Using artificial intelligence to efficiently identify significant items in a database
CN110838019A (zh) 确定试用品发放人群的方法和装置

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