CN111339401A - 一种物品推荐的方法、装置、计算机存储介质及终端 - Google Patents
一种物品推荐的方法、装置、计算机存储介质及终端 Download PDFInfo
- Publication number
- CN111339401A CN111339401A CN202010082754.1A CN202010082754A CN111339401A CN 111339401 A CN111339401 A CN 111339401A CN 202010082754 A CN202010082754 A CN 202010082754A CN 111339401 A CN111339401 A CN 111339401A
- Authority
- CN
- China
- Prior art keywords
- user
- probability
- item
- purchasing
- fitting
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000001914 filtration Methods 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 16
- 230000006870 function Effects 0.000 claims description 72
- 230000006399 behavior Effects 0.000 claims description 9
- 238000011478 gradient descent method Methods 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims 4
- 230000002123 temporal effect Effects 0.000 claims 1
- 235000013350 formula milk Nutrition 0.000 description 8
- 230000000875 corresponding effect Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 5
- 239000000843 powder Substances 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008774 maternal effect Effects 0.000 description 1
- 239000008267 milk Substances 0.000 description 1
- 210000004080 milk Anatomy 0.000 description 1
- 235000013336 milk Nutrition 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 239000008213 purified water Substances 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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)
- 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；将拟合获得的顺承概率关系添加至预设的目标函数后，根据添加顺承概率关系的目标函数进行物品推荐；其中，所述目标函数包括：协同过滤的目标函数；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
技术领域
本文涉及但不限于电子商务技术，尤指一种物品推荐的方法、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。从推荐效果上看，协同过滤的技术最优。目前，相关技术中的协同过滤包括：
1、奇异值分解特征(SVDFeature)：将某用户是否购买某物品看做是一个概率值y，y由以下三组特征组成：g代表的全局环境特征，u代表的用户特征和i代表的物品特征；不同组的特征再两两相乘组成交叉特征，SVDFeature的目标函数如式1所示：
2、分解机LibFM与SVDFeature相似，区别是它没有将特征分组，任意不同的特征均两两相乘形成交叉特征，其目标函数如式2所示：
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，例如、协同过滤很可能给已经购买过婴儿车和婴儿奶粉的用户推荐婚纱或孕妇奶粉；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；
将拟合获得的顺承概率关系添加至预设的目标函数后，根据添加顺承概率关系的目标函数进行物品推荐；
其中，所述目标函数包括：协同过滤的目标函数；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，所述根据添加顺承概率关系的目标函数进行物品推荐，包括：
根据所述顺承概率关系，预估用户购买各待推荐物品的购买概率；
将预估的各待推荐物品的购买概率添加至所述目标函数后，根据添加购买概率的目标函数进行物品推荐。
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：
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。
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可执行指令，所述计算机可执行指令用于执行上述物品推荐的方法。
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；其中，
处理器被配置为执行存储器中的程序指令；
程序指令在处理器读取执行上述物品推荐的方法。
还一方面，本发明实施例还提供一种物品推荐的装置，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：将拟合获得的顺承概率关系添加至预设的目标函数后，根据添加顺承概率关系的目标函数进行物品推荐；
其中，所述目标函数包括：协同过滤的目标函数；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，所述推荐单元具体用于：
根据所述顺承概率关系，预估用户购买各待推荐物品的购买概率；
将预估的各待推荐物品的购买概率添加至所述目标函数后，根据添加购买概率的目标函数进行物品推荐；
其中，所述顺承概率关系包括通过以下公式确定的关系：
式中：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；将拟合获得的顺承概率关系添加至预设的目标函数后，根据添加顺承概率关系的目标函数进行物品推荐；其中，所述目标函数包括：协同过滤的目标函数；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为本发明实施例物品推荐的方法的流程图；
图3为本发明实施例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：
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、将拟合获得的顺承概率关系添加至预设的目标函数后，根据添加顺承概率关系的目标函数进行物品推荐；
其中，所述目标函数包括：协同过滤的目标函数；
在一种示例性实施例中，所述根据添加顺承概率关系的目标函数进行物品推荐，包括：
根据所述顺承概率关系，预估用户购买各待推荐物品的购买概率；
将预估的各待推荐物品的购买概率添加至所述目标函数后，根据添加购买概率的目标函数进行物品推荐。
以目标函数为LibFM的目标函数为例，在目标函数中添加顺承概率关系后，获得的计算公式可以是：
本发明实施例根据用户的商品购买记录，按照购买的时间获得了该用户在该时间点之后购买的其它商品与当前商品的顺承关系特征。在协同过滤的目标函数加入顺承关系信息时，可以通过相关技术中的数据驱动方式得到协同过滤矩阵：将协同过滤矩阵的求解问题，采用稀疏、低秩矩阵的矩阵补全方式进行求解，从而得到用于推荐物品的目标矩阵。
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；将拟合获得的顺承概率关系添加至预设的目标函数后，根据添加顺承概率关系的目标函数进行物品推荐；其中，所述目标函数包括：协同过滤的目标函数；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可执行指令，所述计算机可执行指令用于执行上述物品推荐的方法。
本发明实施例还提供一种终端，包括：存储器和处理器；其中，
处理器被配置为执行存储器中的程序指令；
程序指令在处理器读取执行上述物品推荐的方法。
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；
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：将拟合获得的顺承概率关系添加至预设的目标函数后，根据添加顺承概率关系的目标函数进行物品推荐；
其中，所述目标函数包括：协同过滤的目标函数；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，所述推荐单元具体用于：
根据所述顺承概率关系，预估用户购买各待推荐物品的购买概率；
将预估的各待推荐物品的购买概率添加至所述目标函数后，根据添加购买概率的目标函数进行物品推荐；
其中，所述顺承概率关系包括通过以下公式确定的关系：
式中：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；将拟合获得的顺承概率关系添加至预设的目标函数后，根据添加顺承概率关系的目标函数进行物品推荐；其中，所述目标函数包括：协同过滤的目标函数；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 (10)
1.一种物品推荐的方法，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；
将拟合获得的顺承概率关系添加至预设的目标函数后，根据添加顺承概率关系的目标函数进行物品推荐；
其中，所述目标函数包括：协同过滤的目标函数；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。
2.根据权利要求1所述的方法，其特征在于，所述根据添加顺承概率关系的目标函数进行物品推荐，包括：
根据所述顺承概率关系，预估用户购买各待推荐物品的购买概率；
将预估的各待推荐物品的购买概率添加至所述目标函数后，根据添加购买概率的目标函数进行物品推荐。
3.根据权利要求1或2所述的方法，其特征在于，所述顺承概率关系包括通过以下公式确定的关系：
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。
4.根据权利要求3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。
5.根据权利要求1或2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。
6.一种计算机存储介质，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1～5中任一项所述的实现物品推荐的方法。
7.一种终端，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1～5中任一项所述的实现物品推荐的方法。
8.一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：将拟合获得的顺承概率关系添加至预设的目标函数后，根据添加顺承概率关系的目标函数进行物品推荐；
其中，所述目标函数包括：协同过滤的目标函数；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。
9.根据权利要求8所述的装置，其特征在于，所述推荐单元具体用于：
根据所述顺承概率关系，预估用户购买各待推荐物品的购买概率；
将预估的各待推荐物品的购买概率添加至所述目标函数后，根据添加购买概率的目标函数进行物品推荐；
其中，所述顺承概率关系包括通过以下公式确定的关系：
式中：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。
10.根据权利要求8或9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。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010082754.1A CN111339401B (zh) | 2020-02-07 | 2020-02-07 | 一种物品推荐的方法、装置、计算机存储介质及终端 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010082754.1A CN111339401B (zh) | 2020-02-07 | 2020-02-07 | 一种物品推荐的方法、装置、计算机存储介质及终端 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111339401A true CN111339401A (zh) | 2020-06-26 |
| CN111339401B CN111339401B (zh) | 2023-05-26 |
Family
ID=71183607
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010082754.1A Active CN111339401B (zh) | 2020-02-07 | 2020-02-07 | 一种物品推荐的方法、装置、计算机存储介质及终端 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111339401B (zh) |
Cited By (2)
| 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 |
| CN113065932A (zh) * | 2021-05-06 | 2021-07-02 | 北京京东振世信息技术有限公司 | 一种物品推荐方法和装置 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2007030821A2 (en) * | 2005-09-09 | 2007-03-15 | True Demand Software, Inc. | Methods for reducing retail out-of-stocks using store-level rfid data |
| US20150100386A1 (en) * | 2013-10-04 | 2015-04-09 | International Business Machines Corporation | Digital framework for business model innovation |
| 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 |
| CN107862399A (zh) * | 2016-09-22 | 2018-03-30 | 北京嘀嘀无限科技发展有限公司 | 一种出行路线推荐处理方法及服务器 |
| CN108960712A (zh) * | 2018-06-13 | 2018-12-07 | 厦门七智厨房科技有限公司 | 一种谷物物流服务系统 |
| 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 |
-
2020
- 2020-02-07 CN CN202010082754.1A patent/CN111339401B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2007030821A2 (en) * | 2005-09-09 | 2007-03-15 | True Demand Software, Inc. | Methods for reducing retail out-of-stocks using store-level rfid data |
| US20150100386A1 (en) * | 2013-10-04 | 2015-04-09 | International Business Machines Corporation | Digital framework for business model innovation |
| CN107862399A (zh) * | 2016-09-22 | 2018-03-30 | 北京嘀嘀无限科技发展有限公司 | 一种出行路线推荐处理方法及服务器 |
| 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 |
| CN108960712A (zh) * | 2018-06-13 | 2018-12-07 | 厦门七智厨房科技有限公司 | 一种谷物物流服务系统 |
| 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 |
Cited By (2)
| 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 |
| CN113065932A (zh) * | 2021-05-06 | 2021-07-02 | 北京京东振世信息技术有限公司 | 一种物品推荐方法和装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111339401B (zh) | 2023-05-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6940646B2 (ja) | 情報推奨方法、情報推奨装置、機器および媒体 | |
| CN108665329B (zh) | 一种基于用户浏览行为的商品推荐方法 | |
| US20170169341A1 (en) | Method for intelligent recommendation | |
| 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 | |
| US20180165746A1 (en) | Network Interaction System | |
| JP6730275B2 (ja) | 広告のターゲット基準による閲覧者メトリックの使用 | |
| US20140222636A1 (en) | Comparing Financial Transactions Of A Social Networking System User To Financial Transactions Of Other Users | |
| US10580012B2 (en) | Article-suggestion system for automatically resolving customer-service requests | |
| US20200184515A1 (en) | Audience expansion according to user behaviors | |
| CN111783810B (zh) | 用于确定用户的属性信息的方法和装置 | |
| CN112465598B (zh) | 一种用户画像生成方法、装置、设备及计算机存储介质 | |
| CN112380449B (zh) | 信息推荐方法、模型训练方法及相关装置 | |
| US11507981B2 (en) | Automated lists | |
| WO2019188102A1 (ja) | 顧客の属性情報に基づきレコメンドを行う装置、方法、およびプログラム | |
| US10242381B1 (en) | Optimized selection and delivery of content | |
| US20180130119A1 (en) | Product tagging and purchasing method and system | |
| CN111339401B (zh) | 一种物品推荐的方法、装置、计算机存储介质及终端 | |
| CN112819504A (zh) | 用于定制评论的系统和方法 | |
| CN113205382B (zh) | 确定对象的方法、装置、设备、存储介质和程序产品 | |
| 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 | |
| CN105630185A (zh) | 显示广告预测中的时间动态 | |
| CN113822734B (zh) | 用于生成信息的方法和装置 | |
| CN108288196B (zh) | 一种业务对象的推荐方法和装置 | |
| CN113792952A (zh) | 用于生成模型的方法和装置 | |
| CN113077319A (zh) | 针对微详情页面的动态推荐方法及装置 |
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 |