CN111340565A - 一种信息推荐方法、装置、设备及存储介质 - Google Patents

一种信息推荐方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN111340565A
CN111340565A CN202010200353.1A CN202010200353A CN111340565A CN 111340565 A CN111340565 A CN 111340565A CN 202010200353 A CN202010200353 A CN 202010200353A CN 111340565 A CN111340565 A CN 111340565A
Authority
CN
China
Prior art keywords
user
probability
shopping
information
shop
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
Application number
CN202010200353.1A
Other languages
English (en)
Other versions
CN111340565B (zh
Inventor
卢剑锋
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 Aibee Technology Co Ltd
Original Assignee
Beijing Aibee Technology 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 Aibee Technology Co Ltd filed Critical Beijing Aibee Technology Co Ltd
Priority to CN202010200353.1A priority Critical patent/CN111340565B/zh
Publication of CN111340565A publication Critical patent/CN111340565A/zh
Application granted granted Critical
Publication of CN111340565B publication Critical patent/CN111340565B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • 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
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0282—Rating or review of business operators or products

Landscapes

  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Engineering & Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Finance (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请公开了一种信息推荐方法、装置、设备及存储介质，包括：获取用户的逛店信息，该逛店信息包括用户出入店铺的信息；根据该逛店信息，利用预先构建的第一概率模型确定出用户在未来的第一时间段内进入目标店铺的逛店概率，从而根据该逛店概率，确定是否将该目标店铺对应的营销策略信息推送给用户。由于用户的逛店信息可以在一定程度上体现用户的购买需求，因此，基于该逛店信息可以分析确定出用户在目标店铺进行购物的可能性，并可以向购物可能性较高的用户推送目标店铺的营销策略信息，进而可以实现针对于顾客作出精细化的营销，提高用户的购买转化率。

Description

一种信息推荐方法、装置、设备及存储介质
技术领域
本申请涉及数据处理技术领域，特别是涉及一种对象推荐方法、装置、设备及存储介质。
背景技术
在线下的商场购物场景中，顾客通常会基于自己的购买需求出入多家店铺，并当顾客浏览到店铺中存在满足自身的购买期望的商品时，顾客通常会购买该商品。
但是，在线下的购物商场中，大多数商家无法对顾客做精细化营销。比如，对于一名经常购买衣物的顾客，商场中的大多数服装店铺通常并不能确定该顾客是否存在较大的兴趣购买衣物，从而难以向该顾客作出针对性的营销策略，比如，向该顾客推送购物优惠券等。
发明内容
本申请实施例提供了一种信息推荐的方法、装置、设备及存储介质，以便于商家向不同顾客作出针对性的营销策略，从而可以提高顾客的购买转化率。
第一方面，本申请实施例提供了一种信息推荐方法，包括：
获取用户的逛店信息，所述逛店信息包括所述用户出入店铺的信息；
根据所述逛店信息，利用预先构建的第一概率模型确定出所述用户在未来第一时间段内进入目标店铺的逛店概率；
根据所述逛店概率，确定是否将所述目标店铺对应的营销策略信息推送给所述用户。
在一些可能的实施方式中，所述方法还包括：
获取所述用户的购物信息；
根据所述购物信息或组合信息，利用预先构建的第二概率模型确定出所述用户在所述第一时间段内在所述目标店铺内进行购物的购物概率，所述组合信息包括所述购物信息以及所述逛店信息；
则，所述根据所述逛店概率，确定是否将所述目标店铺对应的营销策略信息推送给所述用户，包括：
根据所述逛店概率、所述逛店概率对应的第一权重值、所述购物概率以及购物概率对应的第二权重值，计算出综合概率；
根据所述综合概率，确定是否将所述目标店铺对应的营销策略信息推送给所述用户。
在一些可能的实施方式中，所述第一时间段至少包括第一子时间段、第二子时间段；
则，根据所述逛店信息，利用预先构建的第一概率模型确定出所述用户在未来第一时间段内进入目标店铺的逛店概率，包括：
根据所述逛店信息，利用预先构建的第一概率模型确定出所述用户在所述第一子时间段内进入目标店铺的第一概率，以及在所述第二子时间段内进入所述目标店铺的第二概率；
计算所述第一概率以及所述第二概率的和值，得到所述用户在所述第一时间段内进入所述目标店铺的逛店概率；
所述根据所述购物信息或组合信息，利用预先构建的第二概率模型确定出所述用户在所述第一时间段内在所述目标店铺内进行购物的购物概率，包括：
根据所述逛店信息，利用预先构建的第二概率模型确定出所述用户在所述第一子时间段内在所述目标店铺内进行购物的第三概率，以及在所述第二子时间段内在所述目标店铺内进行购物的第四概率；
计算所述第三概率以及所述第四概率的和值，得到所述用户在所述第一时间段内在所述目标店铺内进行购物的购物概率。
在一些可能的实施方式中，所述根据所述综合概率，确定是否将所述目标店铺对应的营销策略信息推送给所述用户，包括：
当所述用户针对于所述目标店铺的综合概率大于第一预设阈值，或者，所述综合概率为多个候选用户针对于所述目标店铺的综合概率中最高的第一预设数量的综合概率时，确定将所述目标店铺对应的营销策略信息推送给所述用户。
在一些可能的实施方式中，所述根据所述综合概率，确定是否将所述目标店铺对应的营销策略信息推送给所述用户，包括：
当所述用户针对于所述目标店铺的综合概率大于第二预设阈值，或者，所述综合概率为多个候选店铺对应的综合概率中最高的前第二设数量的综合概率时，确定向所述用户推送所述目标店铺对应的营销策略信息。
在一些可能的实施方式中，所述根据所述综合概率，确定是否将所述目标店铺对应的营销策略信息推送给所述用户，包括：
当所述用户的购买信息满足所述目标店铺对应的基础推荐要求时，根据所述综合概率，确定是否将所述目标店铺对应的营销策略信息推送给所述用户，所述基础推荐要求包括所述目标店铺针对于所述用户的会员等级要求和/或用户客单价要求。
在一些可能的实施方式中，所述方法还包括：
记录第二时间段内为所述用户推送营销策略信息所对应的历史逛店概率、所述历史逛店概率对应的历史第一权重值、历史购物概率、所述历史购物概率对应的历史第二权重值、所述营销策略信息中的已核销信息以及未核销信息；
根据所述历史逛店概率、所述历史第一权重值、所述历史购物概率、所述历史第二权重值、所述已核销信息以及所述未核销信息，调整所述第一权重值以及所述第二权重值。
在一些可能的实施方式中，所述获取用户的逛店信息，包括：
获取所述用户的脸部图像以及包括所述用户的拍摄视频；
利用视觉处理算法对所述拍摄视频进行处理，得到与所述用户的脸部图像相匹配的所述用户的逛店信息。
在一些可能的实施方式中，所述逛店信息，包括所述用户的性别、年龄、脸部标识、进店时间、出店时间、所述用户所进入店铺的标识、逛店顺序以及店铺属性中的任意一种或多种。
在一些可能的实施方式中，所述购物信息，包括会员标识、用户购买商品所属店铺的标识、购买时间、购买金额、店铺类别、店铺品牌、店铺位置、会员注册时间、性别、年龄、会员等级以及会员积分中的任意一种或多种。
第二方面，本申请实施例还提供了一种信息推荐装置，包括：
第一获取模块，用于获取用户的逛店信息，所述逛店信息包括所述用户出入店铺的信息；
第一确定模块，用于根据所述逛店信息，利用预先构建的第一概率模型确定出所述用户在未来第一时间段内进入目标店铺的逛店概率；
第二确定模块，用于根据所述逛店概率，确定是否将所述目标店铺对应的营销策略信息推送给所述用户。
在一些可能的实施方式中，所述装置还包括：
第二获取模块，用于获取所述用户的购物信息；
第三确定模块，用于根据所述购物信息或组合信息，利用预先构建的第二概率模型确定出所述用户在所述第一时间段内在所述目标店铺内进行购物的购物概率，所述组合信息包括所述购物信息以及所述逛店信息；
则，所述第二确定模块，包括：
第一计算单元，用于根据所述逛店概率、所述逛店概率对应的第一权重值、所述购物概率以及购物概率对应的第二权重值，计算出综合概率；
第一确定单元，用于根据所述综合概率，确定是否将所述目标店铺对应的营销策略信息推送给所述用户。
在一些可能的实施方式中，所述第一时间段至少包括第一子时间段、第二子时间段；
则，所述第一确定模块，包括：
第二确定单元，用于根据所述逛店信息，利用预先构建的第一概率模型确定出所述用户在所述第一子时间段内进入目标店铺的第一概率，以及在所述第二子时间段内进入所述目标店铺的第二概率；
第二计算单元，用于计算所述第一概率以及所述第二概率的和值，得到所述用户在所述第一时间段内进入所述目标店铺的逛店概率；
所述第三确定模块，包括：
第三确定单元，用于根据所述逛店信息，利用预先构建的第二概率模型确定出所述用户在所述第一子时间段内在所述目标店铺内进行购物的第三概率，以及在所述第二子时间段内在所述目标店铺内进行购物的第四概率；
第三计算单元，用于计算所述第三概率以及所述第四概率的和值，得到所述用户在所述第一时间段内在所述目标店铺内进行购物的购物概率。
在一些可能的实施方式中，所述第二确定模块，具体用于当所述用户针对于所述目标店铺的综合概率大于第一预设阈值，或者，所述综合概率为多个候选用户针对于所述目标店铺的综合概率中最高的前第一预设数量的综合概率时，确定将所述目标店铺对应的营销策略信息推送给所述用户。
在一些可能的实施方式中，所述所述第二确定模块，具体用于当所述用户针对于所述目标店铺的综合概率大于第二预设阈值，或者，所述综合概率为多个候选店铺对应的综合概率中最高的前第二设数量的综合概率时，确定向所述用户推送所述目标店铺对应的营销策略信息。
在一些可能的实施方式中，所述确定单元，具体用于当所述用户的购买信息满足所述目标店铺对应的基础推荐要求时，根据所述综合概率，确定是否将所述目标店铺对应的营销策略信息推送给所述用户，所述基础推荐要求包括所述目标店铺针对于所述用户的会员等级要求和/或用户客单价要求。
在一些可能的实施方式中，所述装置还包括：
记录模块，用于记录第二时间段内为所述用户推送营销策略信息所对应的历史逛店概率、所述历史逛店概率对应的历史第一权重值、历史购物概率、所述历史购物概率对应的历史第二权重值、所述营销策略信息中的已核销信息以及未核销信息；
调整模块，用于根据所述历史逛店概率、所述历史第一权重值、所述历史购物概率、所述历史第二权重值、所述已核销信息以及所述未核销信息，调整所述第一权重值以及所述第二权重值。
在一些可能的实施方式中，所述第一获取模块，包括：
获取单元，用于获取所述用户的脸部图像以及包括所述用户的拍摄视频；
视频处理单元，用于利用视觉处理算法对所述拍摄视频进行处理，得到与所述用户的脸部图像相匹配的所述用户的逛店信息。
在一些可能的实施方式中，所述逛店信息，包括所述用户的性别、年龄、脸部标识、进店时间、出店时间、所述用户所进入店铺的标识、逛店顺序以及店铺属性中的任意一种或多种。
在一些可能的实施方式中，所述购物信息，包括会员标识、用户购买商品所属店铺的标识、购买时间、购买金额、店铺类别、店铺品牌、店铺位置、会员注册时间、性别、年龄、会员等级以及会员积分中的任意一种或多种。
第三方面，本申请实施例还提供了一种设备，包括：处理器和存储器；
所述存储器，用于存储指令或计算机程序；
所述处理器，用于执行所述指令或计算机程序，执行上述第一方面中任意一项所述的方法。
第四方面，本申请实施例还提供了一种计算机可读存储介质，包括指令或计算机程序，当其在计算机上运行时，使得计算机执行上述第一方面中任意一项所述的方法。
在本申请实施例的上述实现方式中，可以获取用户的逛店信息，该逛店信息包括用户出入店铺的信息，然后，根据该用户的逛店信息，可以利用预先构建的第一概率模型确定出用户在未来的第一时间段内进入目标店铺的逛店概率，从而可以进一步根据该逛店概率，确定是否将该目标店铺对应的营销策略信息推送给用户。可见，由于实际应用中顾客通常是先进入可能会购物的店铺中，再决定是否购买店铺中的商品，因此，用户的逛店信息可以在一定程度上体现用户的购买需求，从而基于该逛店信息可以分析确定出用户在目标店铺进行购物的可能性，并可以向购物可能性较高的用户推送目标店铺的营销策略信息，比如，推送优惠券或者其它优惠活动等，进而可以实现针对于顾客作出精细化的营销，提高用户的购买转化率。
附图说明
为了更清楚地说明本申请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申请中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
图1为本申请实施例中一示例性应用场景示意图；
图2为本申请实施例中一种信息推荐方法的流程示意图；
图3为本申请实施例中又一种信息推荐方法的流程示意图；
图4为本申请实施例中一种信息推荐装置的结构示意图；
图5为本申请实施例中一种设备的硬件结构示意图。
具体实施方式
在线下的商场购物场景中，大多数商家通常并不知道进入商场的顾客中，哪些顾客为真正具有购物需求，从而可能会将商场内的所有顾客均作为潜在的购物对象。这样，商家难以针对于真正存在购物需求的顾客作出精细化的营销，比如，针对该部分顾客推荐相应的购物优惠券等。
基于此，本申请实施例提供了一种信息推荐的方法，旨在向不同顾客确定出针对性的营销策略，从而可以提高顾客的购买转化率。具体的，可以获取用户的逛店信息，该逛店信息包括用户出入店铺的信息，然后，根据该用户的逛店信息，可以利用预先构建的第一概率模型确定出用户在未来的第一时间段内(也即为未来的某一段时间)进入目标店铺的逛店概率，从而可以进一步根据该逛店概率，确定是否将该目标店铺对应的营销策略信息推送给用户。可见，由于实际应用中顾客通常是先进入可能会购物的店铺中，再决定是否购买店铺中的商品，因此，用户的逛店信息可以在一定程度上体现用户的购买需求，从而基于该逛店信息可以分析确定出用户在目标店铺进行购物的可能性，并可以向购物可能性较高的用户推送目标店铺的营销策略信息，比如，推送优惠券或者其它优惠活动等，进而可以实现针对于顾客作出精细化的营销，提高用户的购买转化率。
作为一种示例，本申请实施例可以应用于如图1所示的示例性应用场景。在该场景中，商场内可以配置有摄像头101，该摄像头101可以对商场内的顾客进行拍摄，从而可以得到每个顾客对应的拍摄视频；然后，与摄像头101连接的计算设备102可以获取每个顾客对应的拍摄视频，并基于该拍摄视频获取到顾客的逛店信息，该逛店信息包括顾客出入店铺的信息，如，顾客在商场内出入哪些店铺的信息等；接着，计算设备102可以根据该顾客的逛店信息，利用预先构建的第一概率模型确定出该顾客在未来一段时间段内进入目标店铺的逛店概率，并进而根据该逛店概率，进一步确定出是否将该目标店铺对应的营销策略信息推送给该顾客，从而可以基于该营销策略信息引导顾客进入该目标店铺内进行购物，以满足该顾客的购物需求，同时也可以提高该顾客的购买转化率。
可以理解的是，上述场景仅是本申请实施例提供的一个场景示例，本申请实施例并不限于此场景。比如，在其它可能的应用场景中，在摄像头101与计算机设备102之间还可以添加第三方设备，该第三方设备可以基于顾客的拍摄视频生成该顾客的逛店信息，并将其发送给计算机设备102。这样，计算机设备102的计算量可以得到有效减少。总之，本申请实施例可以应用于任何可适用的场景中，而不局限于上述场景示例。
为使本申请的上述目的、特征和优点能够更加明显易懂，下面将结合附图对本申请实施例中的各种非限定性实施方式进行示例性说明。显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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它实施例，都属于本申请保护的范围。
参阅图2，图2示出了本申请实施例中一种信息推荐方法的流程示意图，该方法具体可以包括：
S201：获取用户的逛店信息，该逛店信息包括用户出入店铺的信息。
本实施例中，可以是根据用户(顾客)在商场(或者其它具有店铺的场景)内的逛店行为来进行信息推荐。因此，针对于每个用户，可以获取该用户的逛店信息，即该用户所出入店铺的信息。作为一种示例，该逛店信息，具体可以是用户的性别、年龄、脸部标识、进店时间、出店时间、该用户所进入店铺的标识(如店铺名称、品类等)、逛店顺序以及店铺属性中的任意一种或多种。
在一种可能的具体实施方式中，利用在用户所在的场景(如商场等)中配置诸如摄像头等的拍摄装置，该拍摄装置可以对用户进行拍摄，得到表征用户出入至少一家店铺情况的拍摄视频。同时，还可以获取该用户的脸部图像，这样，通过用户的脸部图像就可以从拍摄视频中定位出该用户出入店铺的视频内容，进而可以利用相应的视觉处理算法对该拍摄视频进行处理，得到与该用户脸部图像相匹配的用户的逛店信息。比如，当利用视觉处理算法识别出该用户出入名为“XXX服装店”的店铺，则可以记录用户进入该店铺的时刻以及出店的时刻，所进入店铺的名称，当然，还可以识别推测出该用户的性别以及年龄信息。
S202：根据获取的逛店信息，利用预先构建的第一概率模型确定出用户在未来第一时间段内进入目标店铺的逛店概率。
由于实际应用中，用户在出入店铺(即逛店)时，通常是为了挑选符合自己预期的商品，从而满足自己的购物需求。比如，当用户需要购买一件衣服时，通常会进入服装店铺来挑选满足自己预期的衣服(而基本不会出入珠宝、食品类店铺)，因此，基于用户的逛店信息，可以确定出用户在未来一段时间段(即第一时间段)内进入某家店铺(为便于描述，以下称之为目标店铺)的概率，即步骤S202中所述的逛店概率。可以理解，针对于目标店铺，逛店概率越大，表征用户出入该目标店铺的可能性越大；反之，逛店概率越小，则用户出入该目标店铺的可能性也就越小。
作为一种示例性的实施方式中，可以通过建模的方式来确定用户针对于目标店铺的逛店概率。具体的，可以基于用户的逛店信息构建第一特征集合，并基于该第一特征集合可以建模出用户在未来N(N为正整数)天发生逛店行为的概率P(cg＝1|x)，以及该用户所进入的店铺为该目标店铺的概率P(sg＝1|x)，则用户在未来N天内进入目标店铺的概率为Pg＝P(cg＝1|x)·P(sg＝1|x)，该模型可以是步骤S202中所述的第一概率模型。其中，cg表征用户未来N天内是否逛街，sg表征用户是否进入目标店铺，x为第一特征集合。作为一种示例，该x可以包括用户属性(如性别、年龄等)、店铺属性(如店铺类别等)以及用户逛店序列特征等。以此，可以建模计算出用户在未来N天内进入每家店铺所对应的概率。
值得注意的是，上述实施方式中，是在N已知的情况下进行建模，并计算出未来N天内用户进入目标店铺的概率。若当N的值发生变化时，如由7天变成15天，需要重新针对于该用户进行建模，以便于计算出用户在未来15天内会进入目标店铺的概率。
但是，在其它可能的实施方式中，N的值可以未知，此时，可以基于生存模型对用户的逛店概率进行建模。具体实现时，同样可以基于用户的逛店信息构建第一特征集合，然后，基于该第一特征集合可以建模出用户下次会进入店铺的概率P(yg＝1|x)。这样，在已知用户下次会进入店铺的情况下，用户在未来第d天进入目标店铺的概率p(Dg＝d|x，yg＝1)，则用户在未来第d天内进入目标店铺的概率为Pg＝P(yg＝1|x)·p(Dg＝d|x，yg＝1)，该模型可以是步骤S202中所述的第一概率模型。其中，yg表征用户下次是否逛店，Dg表征用户下次逛店距离最近一次逛店的天数。这样，针对于每个店铺，可以计算出用户未来每一天出入该店铺的概率。
可选的，本实施例中具体可以是通过指数分布建模的方式来计算出用户在第d天内进入目标店铺的概率为：
p(Dg＝d|x，yg＝1)＝λ(x′)exp(-λ(x′)d)
其中，x′＝f(x)，x′为根据第一特征集合至少进行向量化处理所得到特征向量，可以通过特征工程或者深度学习等方式进行获得；λ(x′)＝exp(wT x′)，λ(x′)表征生存分析中的风险函数，w为训练参数，也即为对模型进行训练时所需确定的参数,wT即表征训练参数w的转置。
这样，用户在未来N天内进入目标店铺的概率，即为用户在未来第1天、第2天、直至第N天进入目标店铺的概率之和。这样，即使N值发生变化，如由7天变成15天，则基于该生存模型可以分别计算出第1天至第15天用户进入目标店铺的概率，从而通过计算15个概率之和，即可得到用户在未来15天内进入目标店铺的概率，而无需重新对生存模型进行建模和训练。
对于构建出来的第一概率模型，可以利用至少一组历史逛店信息进行训练。在模型训练的过程中，也即为确定训练参数w的过程中，可以通过最小化如下损失函数训练模型参数w：
Figure BDA0002419145750000101
其中，y表征用户下次是否逛店，d表征用户下次逛店距离最近一次逛店的时间(可以以天为单位)，e为当前时刻距离用户最近一次逛店的时间(天)。
这样，用户在未来N天逛店的概率可以为：
P(cg＝1|x)＝P(yg＝1|x)·[exp(-λ(x)e)-exp(-λ(x)(e+N))]
需要说明的是，上述实施方式中，是以天(即24小时)为单位进行示例性说明，实际应用中，可以以任意时间长度为单位进行逛店概率计算。本实施例中，具体实现时，可以将是将未来的第一时间段划分为多个时间段(上述示例中即为将N天划分为N个时间段)，并分别计算出每个时间段所对应的概率。以将第一时间段划分为第一子时间段以及第二子时间段为例，在利用第一概率模型计算出用户在未来第一时间段内进入目标店铺的逛店概率时，具体可以是利用预先构建的第一概率模型分别确定出用户在第一子时间段内进入目标店铺的第一概率，以及在第二子时间段内进入目标店铺的第二概率，然后可以计算出第一概率以及第二概率的和值，该和值即为用户在未来第一时间段内进入目标店铺的逛店概率。当然，如果将第一时间段划分为三个或者三个以上的子时间段，该用户针对于目标店铺的逛店概率即为各个子时间段对应的概率之和。
S203：根据该逛店概率，确定是否将该目标店铺对应的营销策略信息推送给用户。
本实施例中，由于逛店概率可以用于表征用户进入目标店铺的概率大小，因此，在确定出用户在未来第一时间段内的进入目标店铺的逛店概率后，可以基于该逛店概率，从而商场的众多用户(顾客)中确定出具有较大可能性进入目标店铺的用户，从而可以进一步确定将该目标店铺的营销策略信息推送给该用户。
具体实现时，针对于店铺而言，可以计算出商场内各个用户相对于该店铺的逛店概率，从而可以从各个用户对应的逛店概率中确定出逛店概率较大的一定数量的用户(如20个用户等)，并向这些用户推送该店铺的营销策略信息，而对于其余客户可以不推送该营销策略信息。
针对于用户而言，可以计算出该用户相对于商场内每家店铺的逛店概率，从而可以从该用户相对于每家店铺的逛店概率中确定出逛店概率较大的一定数量的店铺(如5家店铺等)，并将这些店铺的营销策略信息推送给该用户，而不将其它店铺的营销策略信息推送给用户。
这样，通过针对性的向用户推送店铺的营销策略信息，可以有效提高用户的购买转化率。
实际应用中，该营销策略信息，具体可以是店铺的优惠券、优惠活动等。
本实施例中，获取用户的逛店信息，该逛店信息包括用户出入店铺的信息，然后，根据该用户的逛店信息，可以利用预先构建的第一概率模型确定出用户在未来的第一时间段内进入目标店铺的逛店概率，从而可以进一步根据该逛店概率，确定是否将该目标店铺对应的营销策略信息推送给用户。可见，由于实际应用中顾客通常是先进入可能会购物的店铺中，再决定是否购买店铺中的商品，因此，用户的逛店信息可以在一定程度上体现用户的购买需求，从而基于该逛店信息可以分析确定出用户在目标店铺进行购物的可能性，并可以向购物可能性较高的用户推送目标店铺的营销策略信息，比如，推送优惠券或者其它优惠活动等，进而可以实现针对于顾客作出精细化的营销，提高用户的购买转化率。
上述实施例中，是基于用户的逛店信息实现对用户的精细化营销，而在其它可能的实施方式中，还可以结合该逛店信息以及用户过去的购物信息来实现对用户的精细化营销。具体的，参阅图3，图3示出了本申请实施例中又一种信息推荐方法，该方法具体可以包括：
S301：获取用户的逛店信息以及购物信息，其中，该逛店信息包括用户出入店铺的信息。
本实施例中，主要是通过结合用户的逛店信息以及曾经在店铺中的购物信息来实现对用户的精细化营销，因此，在获取用户的逛店信息的同时，还可以获取用户的购物信息。
其中，步骤S301中获取用户逛店信息的方式与前述实施例中获取逛店信息的方式类似，可参照前述实施例中的相关之处描述，在此不做赘述。
作为一种示例，用户的购物信息，可以包含会员标识、用户购买商品所属店铺的标识、购买时间、购买金额、店铺类别、店铺品牌、店铺位置、会员注册时间、性别、年龄、会员等级以及会员积分中的任意一种或多种。
实际应用中，用户的购物信息可以分为三类，包括会员购买行为信息，会员信息以及店铺信息。其中，用户在店铺中购买完商品后，可以成为该店铺的会员，从而可以店铺对应的会员信息数据库中获取到该用户以及店铺相关信息。
会员购买行为信息，具体可以包括会员标识、用户购买商品所在店铺的标识、购买时间以及购买金额中的任意一种或者多种信息。该会员标识，具体可以是用户注册会员时的微信号或着手机号等可以用于标识用户身份的信息。
会员信息，具体可以包括会员标识、会员注册时间、性别、年龄、会员等级以及会员积分等信息中的任意一种或者多种信息。
店铺信息，具体可以包括用户购买商品所属店铺的标识、店铺类别、店铺品牌以及店铺位置等信息中的任意一种或者多种信息。
在获取同一用户的逛店信息以及购物信息的过程中，可以利用脸部图像来进行信息匹配。具体实现时，可以确定同一用户的会员标识与脸部标识，比如，用户在登录会员账号时相应的页面(如H5页面)授权人脸拍摄，得到该与该会员账号相匹配的用户脸部图像，从而可以将同一用户的会员标识与脸部标识实现匹配，这样，可以利用与会员账号对应的会员标识获取到该用户的购物信息，利用与用户脸部图像对应的脸部标识获取到该用户的购物信息，以此来获取到同一用户的购物信息以及逛店信息。
S302：根据获取的逛店信息，利用预先构建的第一概率模型确定出用户在未来第一时间段内进入目标店铺的逛店概率，并根据获取的购物信息或组合信息，利用预先构建的第二概率模型确定出用户在该第一时间段内在该目标店铺内进行购物的购物概率，其中，该组合信息包括购物信息以及逛店信息。
本实施例中，根据逛店信息，利用预先构建的第一概率模型确定出逛店概率的具体实现与上述实施例中步骤S202的实现过程类似，可参照上述实施例中的相关之处描述，在此不做赘述。所确定出的逛店概率为Pg＝P(cg＝1|x)·P(sg＝1|x)。
与确定逛店概率类似，本实施例中，也可以是通过建模的方式确定用户在未来第一时间段内在目标店铺内进行购物的购物概率。具体实现时，可以基于用户的购物信息或者组合信息构建第二特征集合，并基于该第二特征集合可以建模出用户在未来N天内进行购物的购物概率P(cb＝1|x)，以及该用户在目标店铺内购物的概率P(sb＝1|x)，则用户在未来N天内在目标店铺内购物的概率为Pb＝P(cb＝1|x)·P(sb＝1|x)，该模型可以是步骤3202中所述的第二概率模型。其中，cb表征用户未来N天内是否购物，sb表征用户未来N天内在目标店铺内是否购物。值得注意的是，在计算逛店概率时，x可以是第二特征集合，该第二特征集合可以包括用户购物所在店铺的序列特征，在一些实施方式中，该第二特征集合还可以包括用户属性(如性别、年龄等)、店铺属性(如店铺类别等)以及用户逛店序列特征。以此，可以建模计算出用户在未来N天内进入每家店铺进行购物的概率。
上述实施方式中，是在N已知的情况下进行建模，并计算出未来N天内用户在目标店铺内进行购物的概率。若当N的值发生变化时，如由7天变成15天，需要重新针对于该用户进行建模，以便于计算出用户在未来15天内会进入目标店铺的概率。
但是，在其它可能的实施方式中，N的值可以未知，此时，可以采用生存模型对用户的购物概率进行建模。具体实现时，可以基于所构建的第二特征集合建模出用户下次会在目标店铺内进行购物的概率P(yb＝1|x)，则，在已知用户下次会在目标店铺内购物的情况下，用户在未来第d天进入目标店铺能够购物的概率为p(Db＝d|x，yb＝1)，从而，用户在未来第d天内进入目标店铺进行购物的概率为Pb＝P(yb＝1|x)·p(Db＝d|x，yb＝1)，该模型可以是步骤S302中所述的第二概率模型。其中，yb表征用户下次是否购物，Db表征用户下次购物距离最近一次购物的天数。这样，针对于每个店铺，可以计算出用户在未来每一天在目标店铺内进行购物的概率。
与前述方法实施例中计算用户在第d天内进行目标店铺的概率的实施方式类似，本实施例中，也可以采用指数分布建模的方式来计算用户在第d天内进入目标店铺进行购物的概率，其为：
p(Db＝d|x，yb＝1)＝λ(x′)exp(-λ(x′)d)
其中，x′＝f(x)，x′为根据第二特征集合至少进行向量化处理所得到特征向量，可以通过特征工程或者深度学习等方式进行获得；λ(x′)＝exp(wT x′)，λ(x′)表征生存分析中的风险函数，w为训练参数，也即为对模型进行训练时所需确定的参数,wT即表征训练参数w的转置。
这样，用户在未来N天内在目标店铺内进行购物的购物概率，即为用户在未来第1天、第2天、直至第N天在该目标店铺内进行购物的概率之和。这样，即使N值发生变化，如由7天变成15天，则基于该生存模型可以分别计算出第1天至第15天用户在该目标店铺内进行购物的概率，从而通过计算15个概率之和，即可得到用户在未来15天内在该目标店铺内进行购物的购物概率，而无需重新对生存模型进行建模和训练。
与训练第一概率模型类似，对于构建出来的第二概率模型，可以利用至少一组历史购物信息完成训练。而确定训练参数w的过程中，可以通过最小化如下损失函数训练模型参数w：
Figure BDA0002419145750000151
在该实施方式中，y表征用户下次是否购物，d表征用户下次购物距离最近一次购物的时间，e为当前时刻距离用户最近一次购物的时间。这样，用户在未来N天内进行购物的概率可以为：
P(cb＝1|x)＝P(yb＝1|x)·[exp(-λ(x)e)-exp(-λ(x)(e+N))]
需要说明的是，上述实施方式中，是以天(即24小时)为单位进行示例性说明，实际应用中，可以以任意时间长度为单位进行购物概率计算。本实施例中，具体实现时，可以将是将未来的第一时间段划分为多个时间段，并分别计算出每个时间段所对应的概率。仍以将第一时间段划分为第一子时间段以及第二子时间段为例，在利用第二概率模型计算出用户在未来第一时间段内在目标店铺内进行购物的购物概率时，具体可以是利用预先构建的第二概率模型分别确定出用户在第一子时间段内在目标店铺内进行购物的第三概率，以及在第二子时间段内在目标店铺内进行购物的第四概率，然后可以计算出第三概率以及第四概率的和值，该和值即为用户在未来第一时间段内在目标店铺内进行购物的购物概率。当然，如果将第一时间段划分为三个或者三个以上的子时间段，该用户针对于目标店铺的购物概率即为各个子时间段对应的概率之和。
值得注意的是，本实施例中重点描述用户在未来第一时间段内在目标店铺内进行购物的购物概率的具体实现，而对于确定用户在未来第一时间段内进入目标店铺的逛店概率的具体实现过程，可以参照前述方法实施例中的相关之处描述，本实施例中不在赘述。
S303：根据确定出的逛店概率、购物概率、该逛店概率对应的第一权重值以及该购物概率对应的第二权重值，计算出综合概率。
本实施例中，基于逛店概率以及购物概率，可以确定是否将目标店铺对应的营销策略信息推送给该用户。具体实现时，如下述公式所示，可以分别计算出逛店概率与其对应的第一权重值之间的乘积，以及购物概率与其对应的第二权重值之间的乘积，从而将两个乘积之和作为综合概率。
P＝Wg*Pg+Wb*Pb
其中，P为综合概率，Wg为逛店概率Pg对应的第一权重值，Wb为购物概率Pb对应的第二权重值，其中，Wg与Wb可以预先设定的固定值(例如，可以均为0.5)，也可以是允许调整的值，并且，Wg与Wb之和为1。
需要说明的是，本实施例中，可以为计算用户的逛店概率以及购物概率进行分别建模，并且，当计算多个用户分别对应的逛店概率以及购物概率，且计算数据量较大时，可以采用multi-task(多任务)方式建模，即将多个相关的任务放在一起进行学习，通过共享参数，多个任务可以共享所学习到的信息，从而使得本实施例具有更好的泛化效果。
S304：根据该综合概率，确定是否将目标店铺对应的营销策略信息推送给用户。
在一种示例性的具体实施方式中，针对于目标店铺(如商场内的某个特定店铺)，可以计算出商场内各个候选用户(即可能会被推送营销策略信息的用户)所对应的综合概率，从而可以从多个候选用户针对于目标店铺所对应的综合概率中确定出综合概率较大的一定数量的用户，并向这些用户推送该店铺的营销策略信息(如优惠券、优惠活动等)，而对于其余客户可以不推送该营销策略信息。其中，评判用户对应的综合概率是否较大，具体可以是通过对各个候选用户针对于目标店铺的综合概率进行降序的方式实现，即可以从多个候选用户中挑选出综合概率的值最高的第一预设数量的用户，比如，挑选出综合概率的值最高的前5个用户等，并向所挑选出的用户分别推送目标店铺的营销策略信息；当然，也可以是比较各个候选用户针对于目标店铺的综合概率与第一预设阈值的大小，当候选用户对应的综合概率大于该第一预设阈值时，则可以确定向该用户推送目标店铺的营销策略信息等。本实施例中，对于如何根据综合概率，确定向哪些用户推送目标店铺的营销策略信息的具体实施方式并不进行限定。
实际应用中，所确定出的推送营销策略信息的用户数量可以与营销策略信息有关，比如，当营销策略信息具体为优惠券时，被推送优惠券的用户的数量可以为优惠券的数量。
针对于用户而言，可以计算出该用户相对于商场内每家候选店铺(即用户可能会进店购物的店铺)的综合概率，从而可以从该用户相对于每家候选店铺的综合概率中确定出综合概率较大的一定数量的店铺，并将这些店铺的营销策略信息推送给该用户，而不将其它店铺的营销策略信息推送给用户。其中，评判用户相对于候选店铺对应的综合概率是否较大，具体可以是通过对用户相对于各个候选店铺对应的综合概率进行降序的方式实现，即可以从用户相对于各个候选店铺中挑选出综合概率的值最高的第二预设数量的店铺，比如，挑选出综合概率的值最高的前10个店铺等，并向用户推送所挑选出的各个店铺的营销策略信息；当然，也可以是分别比较用户相对于各个候选店铺的综合概率与第二预设阈值的大小，当候选店铺对应的综合概率大于该第二预设阈值时，则可以确定将该候选店铺对应的营销策略信息推送给用户。本实施例中，对于如何根据综合概率，确定向用户推送哪些店铺的营销策略信息的具体实施方式并不进行限定。
这样，通过针对性的向用户推送店铺的营销策略信息，可以有效提高用户的购买转化率。
实际应用中，在确定出综合概率后，还可以考虑目标店铺的基础推荐要求来确定是否将目标店铺对应的营销策略信息推送给用户。该基础推荐要求，具体可以是该目标店铺针对于用户的会员等级要求，和/或，用户的客单价要求。
以基础推荐要求为用户的客单价为例，实际应用中，目标店铺的在向用户推送优惠券时，可能所推送的优惠券可以对用户的购物能力存在一定要求，比如，该优惠券具体为满2000元优惠300元时，则该优惠券所面向的用户应该是购物金额能够达到2000元的用户，而若用户以往的客单价记录表征用户以往的购物金额低于2000元以下，则即使向该用户推送该优惠券，用户也具有很大可能性不会使用该优惠券。因此，本实施例中，在确定是否推送满2000元优惠300元的优惠券给用户时，不仅可以基于用户对应的综合概率进行确定，还可以结合该目标店铺对于用户的客单价要求进行综合考量，从而使得推送优惠券的用户均具有消费2000元以上的预期。
类似的，基础推荐要求，具体可以是该目标店铺针对于用户的会员等级要求时，不满足会员等级要求的用户，不向其推送目标店铺对应的营销策略信息，而满足会员等级要求并且综合概率较大的用户，可以将该目标店铺对应的营销策略信息推送给该用户。
在进一步可能的实施方式中，上述计算综合概率的过程所采用的第一权重值以及第二权重值，还可以基于实际应用中关于营销策略信息的核销情况作出相应的调整，以进一步提高推送营销策略信息的准确率，进而提高用户的购买转换率。
具体实现时，可以记录第二时间段内为用户推送营销策略信息时采用的历史逛店概率、历史逛店概率对应的历史第一权重值、历史购物概率、历史购物概率对应的历史第二权重值、所推送的营销策略信息中的已核销信息以及未核销信息，该第二时间段为过去的某段时间，该历史第一权重值以及历史第二权重值为过去时间段内为用户计算综合概率时所采用的权重值。然后，可以根据历史逛店概率、历史第一权重值、历史购物概率、历史第二权重值、已核销信息以及未核销信息，调整当前为用户计算综合概率时所采用的第一权重值以及第二权重值。
作为一种示例，更新后的第一权重值Wg ’＝Wg+r*Sg，更新后的第二权重值Wb ’＝Wb+r*Sb，其中，r为学习率常量，可以预先设定；Wg为历史逛店概率对应的历史第一权重值，Wb为历史购物概率对应的历史第二权重值，Sg为逛店概率加权项贡献，Sb为购物概率加权项贡献，其分别可以通过如下公式计算得到：
Figure BDA0002419145750000181
Figure BDA0002419145750000182
其中，cp表征向用户推送的营销策略信息集合中的已核销信息集合(如已核销的优惠券集合等)，cn表征向用户推送的营销策略信息中的未核销信息集合，
Figure BDA0002419145750000191
表征向用户推送的第i个营销策略信息时所对应的逛店概率加权项(即历史第一权重值与逛店概率的乘积)，
Figure BDA0002419145750000192
表征向用户推送的第i个营销策略信息时所对应的购物概率加权项(即历史第二权重值与购物概率的乘积)。
在得到调整后的第一权重值以及第二权重值后，可以在下一次为确定是否为用户推送目标店铺的营销策略信息时，利用调整后的第一权重值以及第二权重值进行综合概率的计算。当然，在进一步的实施方式中，还可以对调整的后的第一权重值以及第二权重值进行归一化处理，以使得调整后的第一权重值与调整后的第二权重值之和为1。
实际应用中，可以迭代上述过程，循环调整第一权重值以及第二权重值，并且，每次迭代的过程中可以更新所记录的营销策略信息以及其对应的历史逛店概率、历史第一权重值、历史购物概率以及历史第二权重值等数据，从而可以在实际应用过程中基于用户逛店信息、购物信息以及营销策略信息的变化而作出适应性的调整。
本实施例中，结合用户的逛店信息以及购物信息，综合分析确定出用户在目标店铺进行购物的可能性(即综合概率)，并可以向购物可能性较高的用户推送目标店铺的营销策略信息，比如，推送优惠券或者其它优惠活动等，进而可以实现针对于顾客作出精细化的营销，提高用户的购买转化率。而且，基于已向用户推送的营销策略信息，还可以迭代调整计算综合概率时的第一权重值以及第二权重值，从而可以在实际应用过程中基于用户逛店信息、购物信息以及营销策略信息的变化而作出适应性的调整，提高了方案的灵活性。
此外，本申请实施例还提供了一种信息推荐装置。参阅图4，图4示出了本申请实施例中一种信息推荐装置的结构示意图，该装置400包括：
第一获取模块401，用于获取用户的逛店信息，所述逛店信息包括所述用户出入店铺的信息；
第一确定模块402，用于根据所述逛店信息，利用预先构建的第一概率模型确定出所述用户在未来第一时间段内进入目标店铺的逛店概率；
第二确定模块403，用于根据所述逛店概率，确定是否将所述目标店铺对应的营销策略信息推送给所述用户。
在一些可能的实施方式中，所述装置400还包括：
第二获取模块，用于获取所述用户的购物信息；
第三确定模块，用于根据所述购物信息或组合信息，利用预先构建的第二概率模型确定出所述用户在所述第一时间段内在所述目标店铺内进行购物的购物概率，所述组合信息包括所述购物信息以及所述逛店信息；
则，所述第二确定模块，包括：
第一计算单元，用于根据所述逛店概率、所述逛店概率对应的第一权重值、所述购物概率以及购物概率对应的第二权重值，计算出综合概率；
第一确定单元，用于根据所述综合概率，确定是否将所述目标店铺对应的营销策略信息推送给所述用户。
在一些可能的实施方式中，所述第一时间段至少包括第一子时间段、第二子时间段；
则，所述第一确定模块，包括：
第二确定单元，用于根据所述逛店信息，利用预先构建的第一概率模型确定出所述用户在所述第一子时间段内进入目标店铺的第一概率，以及在所述第二子时间段内进入所述目标店铺的第二概率；
第二计算单元，用于计算所述第一概率以及所述第二概率的和值，得到所述用户在所述第一时间段内进入所述目标店铺的逛店概率；
所述第三确定模块，包括：
第三确定单元，用于根据所述逛店信息，利用预先构建的第二概率模型确定出所述用户在所述第一子时间段内在所述目标店铺内进行购物的第三概率，以及在所述第二子时间段内在所述目标店铺内进行购物的第四概率；
第三计算单元，用于计算所述第三概率以及所述第四概率的和值，得到所述用户在所述第一时间段内在所述目标店铺内进行购物的购物概率。
在一些可能的实施方式中，所述第二确定模块，具体用于当所述用户针对于所述目标店铺的综合概率大于第一预设阈值，或者，所述综合概率为多个候选用户针对于所述目标店铺的综合概率中最高的前第一预设数量的综合概率时，确定将所述目标店铺对应的营销策略信息推送给所述用户。
在一些可能的实施方式中，所述所述第二确定模块，具体用于当所述用户针对于所述目标店铺的综合概率大于第二预设阈值，或者，所述综合概率为多个候选店铺对应的综合概率中最高的前第二设数量的综合概率时，确定向所述用户推送所述目标店铺对应的营销策略信息。
在一些可能的实施方式中，所述确定单元，具体用于当所述用户的购买信息满足所述目标店铺对应的基础推荐要求时，根据所述综合概率，确定是否将所述目标店铺对应的营销策略信息推送给所述用户，所述基础推荐要求包括所述目标店铺针对于所述用户的会员等级要求和/或用户客单价要求。
在一些可能的实施方式中，所述装置400还包括：
记录模块，用于记录第二时间段内为所述用户推送营销策略信息所对应的历史逛店概率、所述历史逛店概率对应的历史第一权重值、历史购物概率、所述历史购物概率对应的历史第二权重值、所述营销策略信息中的已核销信息以及未核销信息；
调整模块，用于根据所述历史逛店概率、所述历史第一权重值、所述历史购物概率、所述历史第二权重值、所述已核销信息以及所述未核销信息，调整所述第一权重值以及所述第二权重值。
在一些可能的实施方式中，所述第一获取模块401，包括：
获取单元，用于获取所述用户的脸部图像以及包括所述用户的拍摄视频；
视频处理单元，用于利用视觉处理算法对所述拍摄视频进行处理，得到与所述用户的脸部图像相匹配的所述用户的逛店信息。
在一些可能的实施方式中，所述逛店信息，包括所述用户的性别、年龄、脸部标识、进店时间、出店时间、所述用户所进入店铺的标识、逛店顺序以及店铺属性中的任意一种或多种。
在一些可能的实施方式中，所述购物信息，包括会员标识、用户购买商品所属店铺的标识、购买时间、购买金额、店铺类别、店铺品牌、店铺位置、会员注册时间、性别、年龄、会员等级以及会员积分中的任意一种或多种。
需要说明的是，上述装置各模块、单元之间的信息交互、执行过程等内容，由于与本申请实施例中方法实施例基于同一构思，其带来的技术效果与本申请实施例中方法实施例相同，具体内容可参见本申请实施例前述所示的方法实施例中的叙述，此处不再赘述。
本实施例中，由于实际应用中顾客通常是先进入可能会购物的店铺中，再决定是否购买店铺中的商品，因此，用户的逛店信息可以在一定程度上体现用户的购买需求，从而基于该逛店信息可以分析确定出用户在目标店铺进行购物的可能性，并可以向购物可能性较高的用户推送目标店铺的营销策略信息，比如，推送优惠券或者其它优惠活动等，进而可以实现针对于顾客作出精细化的营销，提高用户的购买转化率。
此外，本申请实施例还提供了一种设备。参阅图5，图5示出了本申请实施例中一种设备的硬件结构示意图，该设备500可以包括处理器501以及存储器502。
其中，所述存储器502，用于存储计算机程序；
所述处理器501，用于根据所述计算机程序执行上述方法实施例中所述的确定对象信息的方法。
另外，本申请实施例还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用于存储计算机程序，所述计算机程序用于执行上述方法实施例中所述的确定对象信息的方法。
本申请实施例中提到的“第一获取模块”、“第一确定模块”、“第一特征集合”、“第一预设阈值”、“第一预设数量”等名称中的“第一”只是用来做名字标识，并不代表顺序上的第一。该规则同样适用于“第二”、“第三”等。
通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到上述实施例方法中的全部或部分步骤可借助软件加通用硬件平台的方式来实现。基于这样的理解，本申请的技术方案可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如只读存储器(英文：read-only memory，ROM)/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者诸如路由器等网络通信设备)执行本申请各个实施例或者实施例的某些部分所述的方法。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
以上所述仅是本申请示例性的实施方式，并非用于限定本申请的保护范围。

Claims (10)

1.一种信息推荐方法，其特征在于，所述方法包括：
获取用户的逛店信息，所述逛店信息包括所述用户出入店铺的信息；
根据所述逛店信息，利用预先构建的第一概率模型确定出所述用户在未来第一时间段内进入目标店铺的逛店概率；
根据所述逛店概率，确定是否将所述目标店铺对应的营销策略信息推送给所述用户。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取所述用户的购物信息；
根据所述购物信息或组合信息，利用预先构建的第二概率模型确定出所述用户在所述第一时间段内在所述目标店铺内进行购物的购物概率，所述组合信息包括所述购物信息以及所述逛店信息；
则，所述根据所述逛店概率，确定是否将所述目标店铺对应的营销策略信息推送给所述用户，包括：
根据所述逛店概率、所述逛店概率对应的第一权重值、所述购物概率以及购物概率对应的第二权重值，计算出综合概率；
根据所述综合概率，确定是否将所述目标店铺对应的营销策略信息推送给所述用户。
3.根据权利要求2所述的方法，其特征在于，所述第一时间段至少包括第一子时间段、第二子时间段；
则，所述根据所述逛店信息，利用预先构建的第一概率模型确定出所述用户在未来第一时间段内进入目标店铺的逛店概率，包括：
根据所述逛店信息，利用预先构建的第一概率模型确定出所述用户在所述第一子时间段内进入目标店铺的第一概率，以及在所述第二子时间段内进入所述目标店铺的第二概率；
计算所述第一概率以及所述第二概率的和值，得到所述用户在所述第一时间段内进入所述目标店铺的逛店概率；
所述根据所述购物信息或组合信息，利用预先构建的第二概率模型确定出所述用户在所述第一时间段内在所述目标店铺内进行购物的购物概率，包括：
根据所述逛店信息，利用预先构建的第二概率模型确定出所述用户在所述第一子时间段内在所述目标店铺内进行购物的第三概率，以及在所述第二子时间段内在所述目标店铺内进行购物的第四概率；
计算所述第三概率以及所述第四概率的和值，得到所述用户在所述第一时间段内在所述目标店铺内进行购物的购物概率。
4.根据权利要求2所述的方法，其特征在于，所述根据所述综合概率，确定是否将所述目标店铺对应的营销策略信息推送给所述用户，包括：
当所述用户针对于所述目标店铺的综合概率大于第一预设阈值，或者，所述综合概率为多个候选用户针对于所述目标店铺的综合概率中最高的前第一预设数量的综合概率时，确定将所述目标店铺对应的营销策略信息推送给所述用户。
5.根据权利要求2所述的方法，其特征在于，所述根据所述综合概率，确定是否将所述目标店铺对应的营销策略信息推送给所述用户，包括：
当所述用户针对于所述目标店铺的综合概率大于第二预设阈值，或者，所述综合概率为多个候选店铺对应的综合概率中最高的前第二设数量的综合概率时，确定向所述用户推送所述目标店铺对应的营销策略信息。
6.根据权利要求2所述的方法，其特征在于，所述方法还包括：
记录第二时间段内为所述用户推送营销策略信息所对应的历史逛店概率、所述历史逛店概率对应的历史第一权重值、历史购物概率、所述历史购物概率对应的历史第二权重值、所述营销策略信息中的已核销信息以及未核销信息；
根据所述历史逛店概率、所述历史第一权重值、所述历史购物概率、所述历史第二权重值、所述已核销信息以及所述未核销信息，调整所述第一权重值以及所述第二权重值。
7.根据权利要求1所述的方法，其特征在于，所述获取用户的逛店信息，包括：
获取所述用户的脸部图像以及包括所述用户的拍摄视频；
利用视觉处理算法对所述拍摄视频进行处理，得到与所述用户的脸部图像相匹配的所述用户的逛店信息。
8.一种信息推荐装置，其特征在于，所述装置包括：
第一获取模块，用于获取用户的逛店信息，所述逛店信息包括所述用户出入店铺的信息；
第一确定模块，用于根据所述逛店信息，利用预先构建的第一概率模型确定出所述用户在未来第一时间段内进入目标店铺的逛店概率；
第二确定模块，用于根据所述逛店概率，确定是否将所述目标店铺对应的营销策略信息推送给所述用户。
9.一种设备，其特征在于，包括：处理器和存储器；
所述存储器，用于存储指令或计算机程序；
所述处理器，用于执行所述指令或计算机程序，执行权利要求1-7任意一项所述的方法。
10.一种计算机可读存储介质，其特征在于，包括指令或计算机程序，当其在计算机上运行时，使得计算机执行以上权利要求1-7任意一项所述的方法。
CN202010200353.1A 2020-03-20 2020-03-20 一种信息推荐方法、装置、设备及存储介质 Active CN111340565B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010200353.1A CN111340565B (zh) 2020-03-20 2020-03-20 一种信息推荐方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010200353.1A CN111340565B (zh) 2020-03-20 2020-03-20 一种信息推荐方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN111340565A true CN111340565A (zh) 2020-06-26
CN111340565B CN111340565B (zh) 2023-05-02

Family

ID=71182483

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010200353.1A Active CN111340565B (zh) 2020-03-20 2020-03-20 一种信息推荐方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN111340565B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112184332A (zh) * 2020-10-23 2021-01-05 浙江口碑网络技术有限公司 活动信息的推送方法、装置及设备
CN113127747A (zh) * 2021-05-17 2021-07-16 北京爱笔科技有限公司 信息推荐的方法、装置、设备及存储介质
CN113496432A (zh) * 2021-07-06 2021-10-12 北京爱笔科技有限公司 待推荐实体的挖掘方法、装置、设备及存储介质
CN116205679A (zh) * 2023-02-27 2023-06-02 深圳市秦丝科技有限公司 实体店铺营销推荐方法、装置、电子设备及存储介质

Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008204370A (ja) * 2007-02-22 2008-09-04 Fujitsu Ltd 顧客誘導方法
CN104346746A (zh) * 2014-09-27 2015-02-11 深圳市无微不至数字技术有限公司 一种线下商圈的消费动线规划系统及方法
CN106257444A (zh) * 2015-06-17 2016-12-28 阿里巴巴集团控股有限公司 一种信息的推送方法和设备
CN107909443A (zh) * 2017-11-27 2018-04-13 北京旷视科技有限公司 信息推送方法、装置及系统
CN107977863A (zh) * 2017-12-06 2018-05-01 北京小米移动软件有限公司 推送信息方法、装置及计算机可读存储介质
CN108492124A (zh) * 2018-01-22 2018-09-04 阿里巴巴集团控股有限公司 店铺信息推荐方法、装置及客户端
CN108520455A (zh) * 2018-04-10 2018-09-11 上海连尚网络科技有限公司 一种推荐信息的方法及设备
CN109003131A (zh) * 2018-07-18 2018-12-14 口口相传(北京)网络技术有限公司 基于用户场景属性信息的精准营销方法及装置
CN109389431A (zh) * 2018-09-30 2019-02-26 北京三快在线科技有限公司 优惠券的分配方法、装置、电子设备及可读存储介质
CN109658194A (zh) * 2018-12-20 2019-04-19 焦点科技股份有限公司 一种基于视频追踪的客户推荐方法及系统
CN110415091A (zh) * 2019-08-06 2019-11-05 重庆仙桃前沿消费行为大数据有限公司 商店及商品推荐方法、装置、设备及可读存储介质
CN110473043A (zh) * 2018-05-11 2019-11-19 北京京东尚科信息技术有限公司 一种基于用户行为的物品推荐方法和装置
CN110706014A (zh) * 2018-07-10 2020-01-17 杭州海康威视系统技术有限公司 一种商场店铺推荐方法、装置及系统
CN110751537A (zh) * 2019-09-29 2020-02-04 深圳市云积分科技有限公司 一种基于线上线下的智能营销方法和装置
CN110782312A (zh) * 2019-09-29 2020-02-11 深圳市云积分科技有限公司 一种基于用户线下行为的信息推荐方法和装置
CN110880133A (zh) * 2018-09-05 2020-03-13 上海红星美凯龙悦家互联网科技有限公司 商品信息推送方法、系统、存储介质、及电子设备
CN112700281A (zh) * 2020-12-30 2021-04-23 深圳前海微众银行股份有限公司 行为预测方法、装置、设备及计算机可读存储介质
US20210334875A1 (en) * 2018-06-29 2021-10-28 Boe Technology Group Co., Ltd. Commodity recommendation method and commodity recommendation device

Patent Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008204370A (ja) * 2007-02-22 2008-09-04 Fujitsu Ltd 顧客誘導方法
CN104346746A (zh) * 2014-09-27 2015-02-11 深圳市无微不至数字技术有限公司 一种线下商圈的消费动线规划系统及方法
CN106257444A (zh) * 2015-06-17 2016-12-28 阿里巴巴集团控股有限公司 一种信息的推送方法和设备
CN107909443A (zh) * 2017-11-27 2018-04-13 北京旷视科技有限公司 信息推送方法、装置及系统
CN107977863A (zh) * 2017-12-06 2018-05-01 北京小米移动软件有限公司 推送信息方法、装置及计算机可读存储介质
CN108492124A (zh) * 2018-01-22 2018-09-04 阿里巴巴集团控股有限公司 店铺信息推荐方法、装置及客户端
CN108520455A (zh) * 2018-04-10 2018-09-11 上海连尚网络科技有限公司 一种推荐信息的方法及设备
CN110473043A (zh) * 2018-05-11 2019-11-19 北京京东尚科信息技术有限公司 一种基于用户行为的物品推荐方法和装置
US20210334875A1 (en) * 2018-06-29 2021-10-28 Boe Technology Group Co., Ltd. Commodity recommendation method and commodity recommendation device
CN110706014A (zh) * 2018-07-10 2020-01-17 杭州海康威视系统技术有限公司 一种商场店铺推荐方法、装置及系统
CN109003131A (zh) * 2018-07-18 2018-12-14 口口相传(北京)网络技术有限公司 基于用户场景属性信息的精准营销方法及装置
CN110880133A (zh) * 2018-09-05 2020-03-13 上海红星美凯龙悦家互联网科技有限公司 商品信息推送方法、系统、存储介质、及电子设备
CN109389431A (zh) * 2018-09-30 2019-02-26 北京三快在线科技有限公司 优惠券的分配方法、装置、电子设备及可读存储介质
CN109658194A (zh) * 2018-12-20 2019-04-19 焦点科技股份有限公司 一种基于视频追踪的客户推荐方法及系统
CN110415091A (zh) * 2019-08-06 2019-11-05 重庆仙桃前沿消费行为大数据有限公司 商店及商品推荐方法、装置、设备及可读存储介质
CN110751537A (zh) * 2019-09-29 2020-02-04 深圳市云积分科技有限公司 一种基于线上线下的智能营销方法和装置
CN110782312A (zh) * 2019-09-29 2020-02-11 深圳市云积分科技有限公司 一种基于用户线下行为的信息推荐方法和装置
CN112700281A (zh) * 2020-12-30 2021-04-23 深圳前海微众银行股份有限公司 行为预测方法、装置、设备及计算机可读存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张朦朦: "基于视觉营销的网店首页布局研究", 《电子商务》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112184332A (zh) * 2020-10-23 2021-01-05 浙江口碑网络技术有限公司 活动信息的推送方法、装置及设备
CN113127747A (zh) * 2021-05-17 2021-07-16 北京爱笔科技有限公司 信息推荐的方法、装置、设备及存储介质
CN113127747B (zh) * 2021-05-17 2024-05-28 北京爱笔科技有限公司 信息推荐的方法、装置、设备及存储介质
CN113496432A (zh) * 2021-07-06 2021-10-12 北京爱笔科技有限公司 待推荐实体的挖掘方法、装置、设备及存储介质
CN116205679A (zh) * 2023-02-27 2023-06-02 深圳市秦丝科技有限公司 实体店铺营销推荐方法、装置、电子设备及存储介质
CN116205679B (zh) * 2023-02-27 2023-10-31 深圳市秦丝科技有限公司 实体店铺营销推荐方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
CN111340565B (zh) 2023-05-02

Similar Documents

Publication Publication Date Title
CN111340565B (zh) 一种信息推荐方法、装置、设备及存储介质
JP7105700B2 (ja) サービス対象のための時分割推薦方法及び装置
CN109102127B (zh) 商品推荐方法及装置
US9665902B2 (en) Personalized recommendation method and system, and computer-readable record medium
CN112330358A (zh) 产品销量预测的方法和装置、存储介质和电子设备
CN107808314B (zh) 用户推荐方法及装置
JP6440661B2 (ja) 判定装置、判定方法および判定プログラム
US20190155864A1 (en) Method and apparatus for recommending business object, electronic device, and storage medium
CN109213936B (zh) 商品搜索方法和装置
CN111260449B (zh) 一种模型训练的方法、商品推荐的方法、装置及存储介质
CN110555712A (zh) 商品关联程度确定方法及装置
KR20150121281A (ko) 고객의 상품에 대한 선호도에 기초하여 상품을 추천하기 위한 방법 및 그 방법을 수행하기 위한 명령어가 저장된 컴퓨터 판독가능한 기록매체
US20220414579A1 (en) Salesperson evaluation apparatus, salesperson evaluation method, and salesperson evaluation program
Lin et al. Monetary discount strategies for real-time promotion campaign
CN111626767B (zh) 资源数据的发放方法、装置及设备
CN111651679A (zh) 基于强化学习的推荐方法及装置
CN113095861A (zh) 目标对象成交概率的预测方法、装置、设备及存储介质
CN108665312B (zh) 用于生成信息的方法和装置
KR101737424B1 (ko) 사용자의 구매 및 참여 가능성에 기반하여 광고를 제공하는 방법 및 서버
CN111340566B (zh) 一种商品分类方法、装置、电子设备及存储介质
CN113077319A (zh) 针对微详情页面的动态推荐方法及装置
Liu et al. Network Effects and Multinetwork Sellers’ Dynamic Pricing in the US Smartphone Market
CN111178947A (zh) 广告位推荐方法和装置、计算机可读存储介质、电子设备
CN112508594B (zh) 带货视频的商品销量属性估算方法及装置
Hyben et al. Consumer acceptance on mobile shopping of textile goods in Austria: modelling an empirical study

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