CN111639274A - 线上商品智能排序方法、装置、计算机设备和存储介质 - Google Patents
线上商品智能排序方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN111639274A CN111639274A CN202010484494.0A CN202010484494A CN111639274A CN 111639274 A CN111639274 A CN 111639274A CN 202010484494 A CN202010484494 A CN 202010484494A CN 111639274 A CN111639274 A CN 111639274A
- Authority
- CN
- China
- Prior art keywords
- user
- data
- target
- regression model
- user 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.)
- Granted
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
- G06F16/9538—Presentation of query results
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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]
- G06Q30/0641—Shopping interfaces
- G06Q30/0643—Graphical representation of items or shoppers
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- General Engineering & Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Analysis (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Economics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Algebra (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种线上商品智能排序方法、装置、计算机设备和存储介质,其中,方法包括:获取用户数据,用户数据根据用户类别分为第一用户数据和第二用户数据;基于预选的特征字段对用户数据进行特征值标准化处理,得到目标数据,目标数据根据用户类别分为第一目标数和第二目标数据;根据最小二乘回归法对目标数据进行训练,构建目标回归模型,目标回归模型根据用户类别分为第一回归模型和第二回归模型;接收用户的商品检索信息,基于目标回归模型对同类商品进行处理,得到同类商品排序。该技术方案通过根据客户行为,预测其对商品和对其意向商品的同类商品进行智能排序,为客户节约选购时间,提高了客户的购买效率。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种线上商品智能排序方法、装置、计算机设备和存储介质。
背景技术
线上购物在为用户带来足不出户的便利选购方式的同时,各式各样的商品也令大部分用户在选购时眼花缭乱,且用户无法通过实物观察比较商品,使得消费者在比对销量高低、价格起伏、评价好坏等等方面耗费大量时间精力,更是让不同偏好的用户“选择困难”。现阶段大部分电商平台对于智能推荐方面都是使用关键词搜索、对同类产品的点击次数等等,均为商品类别属性推荐,对商品其他属性的推荐却十分匮乏。
发明内容
基于此,有必要针对上述技术问题,提供一种线上商品智能排序方法、装置、计算机设备和存储介质。
一种线上商品智能排序方法,所述方法包括获取用户数据,所述用户数据根据用户类别分为第一用户数据和第二用户数据;基于预选的特征字段对所述用户数据进行特征值标准化处理,得到目标数据,所述目标数据根据用户类别分为第一目标数和第二目标数据;根据最小二乘回归法对所述目标数据进行训练,构建目标回归模型,所述目标回归模型根据用户类别分为第一回归模型和第二回归模型;接收用户的商品检索信息,基于所述目标回归模型对同类商品进行处理,得到同类商品排序。
在其中一个实施例中,所述获取用户数据,所述用户数据根据用户类别分为第一用户数据和第二用户数据,包括:获取用户数据,根据用户是否存在购物记录,将用户分为无购物记录的新用户和有购物记录的旧用户两种类别用户;将所述新用户对应的行为数据作为第一用户数据,将所述旧用户对应的成交数据作为第二用户数据。
在其中一个实施例中,所述基于预选的特征字段对所述用户数据进行特征值标准化处理,得到目标数据,所述目标数据根据用户类别分为第一目标数和第二目标数据,包括:根据预设的特征字段,获取所述特征字段对应的用户数据作为待处理数据;根据预设的特征标准对所述待处理用户数据进行标准化处理,得到目标数据。
在其中一个实施例中,所述根据最小二乘回归法对所述目标数据进行训练,构建目标回归模型,所述目标回归模型根据用户类别分为第一回归模型和第二回归模型,包括:根据所述目标数据构建多元线性函数;利用最小二乘原理对所述多元线性函数中的参数进行估计,得到所述参数估计值;根据所述参数估计值得到目标回归模型。
在其中一个实施例中,所述接收用户的商品检索信息,基于所述目标回归模型对同类商品进行处理,得到同类商品排序之后,还包括:根据所述商品排序依次对商品进行显示。
一种线上商品智能排序装置,所述装置包括数据获取模块、数据处理模块、模型构建模块和商品排序模块,其中:所述数据获取模块用于,获取用户数据,所述用户数据根据用户类别分为第一用户数据和第二用户数据;所述数据处理模块用于,基于预选的特征字段对所述用户数据进行特征值标准化处理,得到目标数据,所述目标数据根据用户类别分为第一目标数和第二目标数据;所述模型构建模块用于,根据最小二乘回归法对所述目标数据进行训练,构建目标回归模型,所述目标回归模型根据用户类别分为第一回归模型和第二回归模型;所述商品排序模块用于,接收用户的商品检索信息,基于所述目标回归模型对同类商品进行处理,得到同类商品排序。
在其中一个实施例中,所述数据获取模块还用于:获取用户数据,根据用户是否存在购物记录,将用户分为无购物记录的新用户和有购物记录的旧用户两种类别用户;将所述新用户对应的行为数据作为第一用户数据,将所述旧用户对应的成交数据作为第二用户数据。
在其中一个实施例中,所述数据处理模块还用于:根据预设的特征字段,获取所述特征字段对应的用户数据作为待处理数据;根据预设的特征标准对所述待处理用户数据进行标准化处理,得到目标数据。
一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述各个实施例中所述的线上商品智能排序方法的步骤。
一种存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述各个实施例中所述的线上商品智能排序方法的步骤。
上述线上商品智能排序方法、装置、计算机设备和存储介质,通过根据用户类别,对不同类别用户行为进行数据提取特征化处理后,并分别建模,再针对用户检索特定商品时,根据回归模型进行同类商品进行处理,得出基于其偏好的同类商品智能排序的方法,为用户节约选购时间,提高了用户的购买效率。
附图说明
图1为一个实施例中线上商品智能排序方法的流程示意图;
图2为一个实施例中线上商品智能排序装置的结构框图;
图3是一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,下面通过具体实施方式结合附图对本发明做进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
在一个实施例中,如图1所示,提供了一种线上商品智能排序方法,包括以下步骤:
S101获取用户数据,用户数据根据用户类别分为第一用户数据和第二用户数据。
具体地,获取用户数据,这里的用户数据包括用户的历史购买的各种特征字段,销量排行点击数、折扣点击数、价格排行点击数、折扣金额点击数、评论点击数和评论浏览时长等特征字段。根据用户是否存在购物记录,将用户分为未曾购过物的新用户,和已经购过物的旧用户,其中将新用户的用户数据定义为第一用户数据,将旧用户的用户数据定义为第二用户数据。
在一个实施例中,步骤S101获取用户数据,用户数据根据用户类别分为第一用户数据和第二用户数据包括:获取用户数据,根据用户是否存在购物记录,将用户分为无购物记录的新用户和有购物记录的旧用户两种类别用户;将新用户对应的行为数据作为第一用户数据,将旧用户对应的成交数据作为第二用户数据。具体地,若用户为新用户,即尚未购买过商品的,则获取其行为数据,包括:点击销量排行次数(x1)、点击折扣率次数(x2)、点击价格排行次数(x3)、点击折扣金额次数(x4)、点击评论次数(x5)和浏览评论时长(x6)。若用户为老用户,即已经购买过商品的,则获取其成交数据,包括:成交商品的销量排名(x7)、成交商品的价格排名(x8)、成交商品的折扣率排名(x9)、成交商品的折扣金额排名(x10)和成交商品的平均评分(x11)。
S102基于预选的特征字段对用户数据进行特征值标准化处理,得到目标数据,目标数据根据用户类别分为第一目标数和第二目标数据。
具体地,根据步骤S101中获取到的第一用户数据或者第二用户数据,对该用户数据进行处理,将用户数据中的每一特征字段分别根据预设的标准进行标准化处理,处理后得到的数据作为目标数据;同样地,将第一用户数据对应的目标数据定义为第一目标数据,将第二用户数据对应的目标数据定义为第二目标数据。
在一个实施例中,步骤S102包括:根据预设的特征字段,获取特征字段对应的用户数据作为待处理数据;根据预设的特征标准对待处理用户数据进行标准化处理,得到目标数据。具体地,针对新用户而言,待处理的是销量排行点击数、折扣点击数、价格排行点击数、折扣金额点击数、评论点击数和评论浏览时长等特征字段,而针对旧用户而言,待处理的是成交商品的销量排名、成交商品的价格排名、成交商品的折扣率排名、成交商品的折扣金额排名和成交商品的平均评分等特征字段,特征字段标准化具体处理如下表1特征名-指标赋值所示:
表1 特征名-指标赋值
S103根据最小二乘回归法对目标数据进行训练,构建目标回归模型,目标回归模型根据用户类别分为第一回归模型和第二回归模型。
具体地,最小二乘法主要是通过最小化误差的平方以及最合适数据的匹配函数。先是根据目标数据建立多元线性函数,再根据最小二乘原理分别对多元线性函数中的参数进行估计,最后再根据参数估计值得到相应的目标回归模型。同样地,将针对新用户的目标回归模型定义为第一回归模型,将针对旧用户的目标回归模型定义为第二回归模型。
在一个实施例中,步骤S103包括:根据目标数据构建多元线性函数;利用最小二乘原理对多元线性函数中的参数进行估计,得到参数估计值;根据参数估计值得到目标回归模型。具体地,针对新用户的多元线性函数表示为:
score1=c1+ax1+bx2+cx3+dx4+ex5+fx6
而针对旧用户的多元线性函数表示为:
score2=c2+gx7+hx8+ix9+jx10+kx11
然后再利用最小二乘原理对多元线性函数中的参数进行估计,具体如下公式所示,参数估计值应该使得Q达到最小:
其中Q为残差平方和,即对每一个需要估计的参数求偏导,并令其为0,求解相关方程组,得到参数估计值。再根据求出的参数估计值得到目标回归模型。
S104接收用户的商品检索信息,基于目标回归模型对同类商品进行处理,得到同类商品排序。
具体地,当用户搜索某一商品时,接收并识别用户搜索的商品,再利用步骤S103中建立的目标回归模型,对同类商品的信息进行一一计算,并得到每一同类商品的相应得分,最后再根据这些商品的得分,按照得分从高到低的顺序依次排序,就得到了基于本用户偏好的此类商品排序。例如,现有一旧用户,在商城选购“连衣裙”类商品,根据其成交数据,即第二用户数据,按照步骤S101至步骤S103依次进行,可得到其目标回归模型,即第二回归模型,具体函数为:score2=20.5+4x7-3.2x8-55x9+2x10+6.7x11,根据该函数计算了各个同类连衣裙的得分,其中A得分为85,B为72,C为70,按照得分排序,得分最高的A优先展示在搜索页第一名,以此类推。
在一个实施例中,步骤S104之后,还包括:根据同类商品排序依次对商品进行显示。具体地,根据步骤S104中得到的同类商品排序,依次在用户界面进行显示,以供用户选择参考。
上述实施例中,通过根据用户类别,对不同类别用户行为进行数据提取特征化处理后,并分别建模,再针对用户检索特定商品时,根据回归模型进行同类商品进行处理,得出基于其偏好的同类商品智能排序的方法,为用户节约选购时间,提高了用户的购买效率。
在一个实施例中,如图2所示,提供了一种线上商品智能排序装置,该装置包括数据获取模块201、数据处理模块202、模型构建模块203和商品排序模块204,其中:
数据获取模块201用于,获取用户数据,用户数据根据用户类别分为第一用户数据和第二用户数据;
数据处理模块202用于,基于预选的特征字段对用户数据进行特征值标准化处理,得到目标数据,目标数据根据用户类别分为第一目标数和第二目标数据;
模型构建模块203用于,根据最小二乘回归法对目标数据进行训练,构建目标回归模型,目标回归模型根据用户类别分为第一回归模型和第二回归模型;
商品排序模块204用于,接收用户的商品检索信息,基于目标回归模型对同类商品进行处理,得到同类商品排序。
在一个实施例中,上述数据获取模块201还用于,获取用户数据,根据用户是否存在购物记录,将用户分为无购物记录的新用户和有购物记录的旧用户两种类别用户;将新用户对应的行为数据作为第一用户数据,将旧用户对应的成交数据作为第二用户数据。
在一个实施例中,上述数据处理模块202还用于,根据预设的特征字段,获取特征字段对应的用户数据作为待处理数据;根据预设的特征标准对待处理用户数据进行标准化处理,得到目标数据。
在一个实施例中,上述模型构建模块203还用于,根据目标数据构建多元线性函数;利用最小二乘原理对多元线性函数中的参数进行估计,得到参数估计值;根据参数估计值得到目标回归模型。
在一个实施例中,装置还包括排序显示模块,其中:排序显示模块用于,根据同类商品排序依次对商品进行显示。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图3所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储配置模板,还可用于存储目标网页数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种线上商品智能排序方法。
本领域技术人员可以理解,图3中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的设备的限定,具体的设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,还提供一种存储介质,所述存储介质存储有计算机程序,所述计算机程序包括程序指令,所述程序指令当被计算机执行时使所述计算机执行如前述实施例所述的方法,所述计算机可以为上述提到的线上商品智能排序装置的一部分。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(RandomAccessMemory,RAM)等。
显然,本领域的技术人员应该明白,上述本发明的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在计算机存储介质(ROM/RAM、磁碟、光盘)中由计算装置来执行,并且在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。所以,本发明不限制于任何特定的硬件和软件结合。
以上内容是结合具体的实施方式对本发明所做的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。
Claims (10)
1.一种线上商品智能排序方法,其特征在于,包括:
获取用户数据,所述用户数据根据用户类别分为第一用户数据和第二用户数据;
基于预选的特征字段对所述用户数据进行特征值标准化处理,得到目标数据,所述目标数据根据用户类别分为第一目标数和第二目标数据;
根据最小二乘回归法对所述目标数据进行训练,构建目标回归模型,所述目标回归模型根据用户类别分为第一回归模型和第二回归模型;
接收用户的商品检索信息,基于所述目标回归模型对同类商品进行处理,得到同类商品排序。
2.如权利要求1所述的方法,其特征在于,所述获取用户数据,所述用户数据根据用户类别分为第一用户数据和第二用户数据,包括:
获取用户信息,根据用户是否存在购物记录,将用户分为无购物记录的新用户和有购物记录的旧用户两种类别用户;
将所述新用户对应的行为数据作为第一用户数据,将所述旧用户对应的成交数据作为第二用户数据。
3.如权利要求1所述的方法,其特征在于,所述基于预选的特征字段对所述用户数据进行特征值标准化处理,得到目标数据,所述目标数据根据用户类别分为第一目标数和第二目标数据,包括:
根据预设的特征字段,获取所述特征字段对应的用户数据作为待处理数据;
根据预设的特征标准对所述待处理用户数据进行标准化处理,得到目标数据。
4.如权利要求1所述的方法,其特征在于,所述根据最小二乘回归法对所述目标数据进行训练,构建目标回归模型,所述目标回归模型根据用户类别分为第一回归模型和第二回归模型,包括:
根据所述目标数据构建多元线性函数;
利用最小二乘原理对所述多元线性函数中的参数进行估计,得到所述参数估计值;
根据所述参数估计值得到目标回归模型。
5.如权利要求1所述的方法,其特征在于,所述接收用户的商品检索信息,基于所述目标回归模型对同类商品进行处理,得到同类商品排序之后,还包括:
根据所述同类商品排序依次对商品进行显示。
6.一种线上商品智能排序装置,其特征在于,包括数据获取模块、数据处理模块、模型构建模块和商品排序模块,其中:
所述数据获取模块用于,获取用户数据,所述用户数据根据用户类别分为第一用户数据和第二用户数据;
所述数据处理模块用于,基于预选的特征字段对所述用户数据进行特征值标准化处理,得到目标数据,所述目标数据根据用户类别分为第一目标数和第二目标数据;
所述模型构建模块用于,根据最小二乘回归法对所述目标数据进行训练,构建目标回归模型,所述目标回归模型根据用户类别分为第一回归模型和第二回归模型;
所述商品排序模块用于,接收用户的商品检索信息,基于所述目标回归模型对同类商品进行处理,得到同类商品排序。
7.如权利要求6所述的装置,其特征在于,所述数据获取模块还用于:
获取用户数据,根据用户是否存在购物记录,将用户分为无购物记录的新用户和有购物记录的旧用户两种类别用户;
将所述新用户对应的行为数据作为第一用户数据,将所述旧用户对应的成交数据作为第二用户数据。
8.如权利要求6所述的装置,其特征在于,所述数据处理模块还用于:
根据预设的特征字段,获取所述特征字段对应的用户数据作为待处理数据;
根据预设的特征标准对所述待处理用户数据进行标准化处理,得到目标数据。
9.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述方法的步骤。
10.一种存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010484494.0A CN111639274B (zh) | 2020-06-01 | 2020-06-01 | 线上商品智能排序方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010484494.0A CN111639274B (zh) | 2020-06-01 | 2020-06-01 | 线上商品智能排序方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111639274A true CN111639274A (zh) | 2020-09-08 |
CN111639274B CN111639274B (zh) | 2023-05-09 |
Family
ID=72329564
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010484494.0A Active CN111639274B (zh) | 2020-06-01 | 2020-06-01 | 线上商品智能排序方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111639274B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113361978A (zh) * | 2021-08-09 | 2021-09-07 | 湖南和信安华区块链科技有限公司 | 一种基于区块链的交易管理系统 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120066198A1 (en) * | 2005-09-14 | 2012-03-15 | Jorey Ramer | System for targeting advertising content to a plurality of mobile communication facilities |
CN102609860A (zh) * | 2012-01-20 | 2012-07-25 | 彭立发 | 一种适用于电子商务的商品与信息分类推荐方法及系统 |
CN103778235A (zh) * | 2014-01-26 | 2014-05-07 | 北京京东尚科信息技术有限公司 | 一种处理商品评价信息的方法和装置 |
CN103838885A (zh) * | 2014-03-31 | 2014-06-04 | 苏州大学 | 一种面向广告投放的潜在用户检索及用户模型排序方法 |
CN105184618A (zh) * | 2015-10-20 | 2015-12-23 | 广州唯品会信息科技有限公司 | 新用户的商品个性化推荐方法及系统 |
US20170148035A1 (en) * | 2015-11-23 | 2017-05-25 | Adobe Systems Incorporated | Buying Stage Determination in a Digital Medium Environment |
WO2017101317A1 (zh) * | 2015-12-14 | 2017-06-22 | 乐视控股(北京)有限公司 | 智能推荐的全端显示方法及装置 |
CN108022152A (zh) * | 2017-11-30 | 2018-05-11 | 北京长城华冠汽车技术开发有限公司 | 基于图像识别的用户商品自动推荐系统及推荐方法 |
CN108268464A (zh) * | 2016-12-30 | 2018-07-10 | 广东精点数据科技股份有限公司 | 一种基于协同过滤与logistic回归的个性化推荐方法及装置 |
CN109493123A (zh) * | 2018-10-23 | 2019-03-19 | 佛山欧神诺云商科技有限公司 | 一种基于大数据的商品推荐方法及装置 |
WO2019141801A1 (en) * | 2018-01-18 | 2019-07-25 | Universite Jean Monnet Saint Etienne | Method for processing a question in natural language |
US20190385213A1 (en) * | 2018-06-18 | 2019-12-19 | Target Brands, Inc. | System for presenting items in online environment based on previous item selections |
US20200117675A1 (en) * | 2017-07-26 | 2020-04-16 | Beijing Sankuai Online Technology Co., Ltd. | Obtaining of Recommendation Information |
-
2020
- 2020-06-01 CN CN202010484494.0A patent/CN111639274B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120066198A1 (en) * | 2005-09-14 | 2012-03-15 | Jorey Ramer | System for targeting advertising content to a plurality of mobile communication facilities |
CN102609860A (zh) * | 2012-01-20 | 2012-07-25 | 彭立发 | 一种适用于电子商务的商品与信息分类推荐方法及系统 |
CN103778235A (zh) * | 2014-01-26 | 2014-05-07 | 北京京东尚科信息技术有限公司 | 一种处理商品评价信息的方法和装置 |
CN103838885A (zh) * | 2014-03-31 | 2014-06-04 | 苏州大学 | 一种面向广告投放的潜在用户检索及用户模型排序方法 |
CN105184618A (zh) * | 2015-10-20 | 2015-12-23 | 广州唯品会信息科技有限公司 | 新用户的商品个性化推荐方法及系统 |
US20170148035A1 (en) * | 2015-11-23 | 2017-05-25 | Adobe Systems Incorporated | Buying Stage Determination in a Digital Medium Environment |
WO2017101317A1 (zh) * | 2015-12-14 | 2017-06-22 | 乐视控股(北京)有限公司 | 智能推荐的全端显示方法及装置 |
CN108268464A (zh) * | 2016-12-30 | 2018-07-10 | 广东精点数据科技股份有限公司 | 一种基于协同过滤与logistic回归的个性化推荐方法及装置 |
US20200117675A1 (en) * | 2017-07-26 | 2020-04-16 | Beijing Sankuai Online Technology Co., Ltd. | Obtaining of Recommendation Information |
CN108022152A (zh) * | 2017-11-30 | 2018-05-11 | 北京长城华冠汽车技术开发有限公司 | 基于图像识别的用户商品自动推荐系统及推荐方法 |
WO2019141801A1 (en) * | 2018-01-18 | 2019-07-25 | Universite Jean Monnet Saint Etienne | Method for processing a question in natural language |
US20190385213A1 (en) * | 2018-06-18 | 2019-12-19 | Target Brands, Inc. | System for presenting items in online environment based on previous item selections |
CN109493123A (zh) * | 2018-10-23 | 2019-03-19 | 佛山欧神诺云商科技有限公司 | 一种基于大数据的商品推荐方法及装置 |
Non-Patent Citations (1)
Title |
---|
吴爽: "基于回归树模型的推荐技术研究和应用" * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113361978A (zh) * | 2021-08-09 | 2021-09-07 | 湖南和信安华区块链科技有限公司 | 一种基于区块链的交易管理系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111639274B (zh) | 2023-05-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6134444B2 (ja) | 情報を推薦するための方法およびシステム | |
US20180047071A1 (en) | System and methods for aggregating past and predicting future product ratings | |
CN111080398B (zh) | 商品推荐方法、装置、计算机设备和存储介质 | |
US9082086B2 (en) | Adaptively learning a similarity model | |
US20140279263A1 (en) | Systems and methods for providing product recommendations | |
CN108665329A (zh) | 一种基于用户浏览行为的商品推荐方法 | |
WO2018175544A1 (en) | Method and system for facilitating purchase of vehicles by buyers and/or sale of vehicles by sellers | |
US20120296776A1 (en) | Adaptive interactive search | |
CN108292409B (zh) | 消费者决策树生成系统 | |
CN113077317A (zh) | 基于用户数据的物品推荐方法、装置、设备及存储介质 | |
CN113689259A (zh) | 基于用户行为的商品个性化推荐方法及系统 | |
CN111861605A (zh) | 业务对象推荐方法 | |
CN113689258A (zh) | 一种商品推荐热度生成方法及系统 | |
CN111639274B (zh) | 线上商品智能排序方法、装置、计算机设备和存储介质 | |
CN110889748B (zh) | 店商平台产品推荐方法、装置、计算机设备以及存储介质 | |
KR20230137861A (ko) | 고객 맞춤 준비로 구매 편의성을 제공하는 오프라인 구매 서비스 제공 방법 및 장치 | |
CN112085537A (zh) | 一种基于大数据分析商品的方法及系统 | |
CN116611796A (zh) | 一种店铺交易数据的异常检测方法及装置 | |
CN116029794A (zh) | 商品价格确定方法、装置、电子设备及存储介质 | |
CN111639989B (zh) | 商品推荐方法和可读存储介质 | |
US11282126B1 (en) | Learning staple goods for a user | |
CN113744024A (zh) | 一种商家匹配方法、装置、计算机设备及存储介质 | |
CN110738538B (zh) | 识别相似物品的方法和装置 | |
CN113781134A (zh) | 物品推荐方法、装置及计算机可读存储介质 | |
WO2014117268A1 (en) | Pricing intelligence for non-exact matching products |
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 |