CN111652648A - 智能生成个性化组合促销方案的方法及具有该方法的系统 - Google Patents
智能生成个性化组合促销方案的方法及具有该方法的系统 Download PDFInfo
- Publication number
- CN111652648A CN111652648A CN202010496300.9A CN202010496300A CN111652648A CN 111652648 A CN111652648 A CN 111652648A CN 202010496300 A CN202010496300 A CN 202010496300A CN 111652648 A CN111652648 A CN 111652648A
- Authority
- CN
- China
- Prior art keywords
- user
- promotion
- promotion scheme
- scheme
- personalized
- 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 74
- 230000006399 behavior Effects 0.000 claims abstract description 36
- 238000013178 mathematical model Methods 0.000 claims abstract description 29
- 238000012549 training Methods 0.000 claims abstract description 29
- 238000004364 calculation method Methods 0.000 claims abstract description 20
- 230000003993 interaction Effects 0.000 claims abstract description 6
- 239000013598 vector Substances 0.000 claims description 19
- 230000001737 promoting effect Effects 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000013135 deep learning Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 230000014759 maintenance of location Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 description 11
- 239000002131 composite material Substances 0.000 description 8
- 230000007613 environmental effect Effects 0.000 description 7
- 230000008859 change Effects 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 238000013459 approach Methods 0.000 description 4
- 238000010295 mobile communication Methods 0.000 description 3
- 238000012552 review Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06Q30/0207—Discounts or incentives, e.g. coupons or rebates
-
- 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
- G06F16/9536—Search customisation based on social or collaborative filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06Q30/0207—Discounts or incentives, e.g. coupons or rebates
- G06Q30/0222—During e-commerce, i.e. online transactions
-
- 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
- G06Q30/0207—Discounts or incentives, e.g. coupons or rebates
- G06Q30/0224—Discounts or incentives, e.g. coupons or rebates based on user history
-
- 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
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
- G06Q30/0269—Targeted advertisements based on user profile or attribute
- G06Q30/0271—Personalized advertisement
-
- 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
Abstract
本发明公开了一种智能生成个性化组合促销方案的方法,用于人机互动并针对用户画像个性化推荐促销方案,其特征在于,包括云平台、用户端;所述智能生成个性化组合促销方案的方法包括以下步骤:步骤S1:在云平台预先创建包括有多个用户画像的画像数据库,以及多个促销方案的促销方案数据库,基于画像数据库中的用户画像,建立其所对应的促销方案规则的预训练数学模型;步骤S2:通过用户端获取用户特征、浏览行为、设备信息,获取用户的样本用户画像;及步骤S3:所述预训练数学模型通过相似度计算,以将其对应样本用户画像的促销方案推荐至用户,并记录用户对所推荐的促销方案结的反馈结果,将其作为样本值进行训练以对预训练数学模型进行优化。
Description
技术领域
本发明涉及智能促销领域,具体涉及一种智能生成个性化组合促销方案的方法及具有该方法的系统。
背景技术
人机交互方式随着人工智能以及互联网的发展不断更新升级,用户在日常生活中和智能终端设备的交互变得愈加频繁,在网络技术飞速发展的今天,信息和资源也随之迅猛增长;在网络方面这种趋势显得尤为突出。面对Web上如此庞大的信息资源,Web上的“信息迷航”和“信息过载”等问题也在加剧。
“促销”是产品营销活动推广的有效手段和途径,由此一个好的促销方案尤为重要,现今社会中,促销方案完全依靠营销者制定,具有不可预见性,用户自主去筛选掉不感兴趣的促销方案十分困难,导致很多平台的促销信息利用率十分低下,为了防止此类问题的愈演愈烈,有必要提供一种智能生成个性化组合促销方案的方法,在Web上寻找更相关的促销方案以满足不同用户的个性化需求。
发明内容
为克服上述问题,本发明提供一种智能生成个性化组合促销方案的方法及具有该方法的系统。
为解决上述技术问题,本发明提供一种技术方案,即一种智能生成个性化组合促销方案的方法,用于人机互动并针对用户画像个性化推荐促销方案,包括云平台、用户端;所述智能生成个性化组合促销方案的方法包括以下步骤:步骤S1:在云平台预先创建包括有多个用户画像的画像数据库,以及多个促销方案的促销方案数据库,基于画像数据库中的用户画像,建立其所对应的促销方案规则的预训练数学模型;步骤S2:通过用户端获取用户特征、浏览行为、设备信息,获取用户的样本用户画像;及步骤S3:所述预训练数学模型通过相似度计算,以将其对应样本用户画像的促销方案推荐至用户,并记录用户对所推荐的促销方案的反馈结果,将其作为样本值进行训练以对预训练数学模型进行优化。
优选地,所述步骤S1包括:步骤S101:预先通过人工采集用户的用户特征、浏览行为、设备信息,并对其进行预处理以及标准化;步骤S102:基于步骤S101,建立深度学习的卷积神经网络模型以对用户进行分类并标记标签,从而形成用户画像;步骤S103:将不同的促销方案抽象成词,利用深度学习的Word2vec模型将促销方案训练为特征向量;及步骤S104:基于步骤S101~步骤S103,建立用户的协同过滤模型,通过行向量和/或列向量进行相似度计算,从而获得预训练数学模型。
优选地,所述步骤S2中,用户特征包括性别、昵称、头像、年龄段、职业、收入水平、籍贯、当前位置、居住地的任一种或者多种的组合;浏览行为包括浏览器的创建和消除、鼠标滚轮滑动以及点击、页面停留时间、购买、滑窗、收藏、关注、添加购物车的任一种或者多种的组合。
优选地,所述步骤S2中,其中获取所述浏览行为的方法为:步骤S201:收集每个页面的停留时间以及页面内容信息;步骤S202:对页面内容进行文本分析,获得页面的特征项;步骤S203:根据页面停留时间和特征项,分析出用户对每个特征项的兴趣程度,得到用户兴趣类权值;步骤S204:将权值较高的兴趣类作为关键词,从而得到用户浏览行为。
优选地,其中步骤S3包括:步骤S301:将同个样本用户画像对促销方案有过行为视为context,建立样本用户画像-context的矩阵;步骤S302:基于word2vec的模型计算所述促销方案的向量表达,进一步通过所述促销方案间以及样本用户画像之间的特征向量相似度计算,实现相似用户之间的商品和促销方案规则的推荐;及步骤S303:以相似用户对所推荐促销方案有过行为作为目标对数学模型进行训练优化。
优选地,进一步包括步骤S4,步骤S4:当步骤S2无法获取到样本用户画像时,将所述促销方案数据库和当前热门促销数据求得并集,使用Bandit算法从所述并集中推荐促销方案规则给用户,直至获取到样本用户画像,则进入步骤S3。
优选地,所述步骤S3中的相似度计算利用word2vec模型中的相似词在线查询功能。
为了解决上述技术问题,本发明提供另一技术方案如下:即一种智能生成个性化组合促销方案的系统,包括:云平台模块:用于预先创建包括有多个用户画像的画像数据库,以及多个促销方案的促销方案数据库,基于画像数据库中的用户画像,建立其所对应的促销方案规则,并建立预训练数学模型。
为了更好的解决上述技术问题,本发明提供再一技术方案如下:即一种计算机可读介质,其特征在于,所述计算机可读介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行上述的智能生成个性化组合促销方案的方法。
为了更好的解决上述技术问题,本发明提供又一技术方案如下:即一种设备,可和云平台以及用户端形成信息连接,所述设备包括电子控制单元、存储器,所述电子控制单元、存储器均采用电性连接;该所述存储器内部所储程序在执行时,需要利用到上述的智能生成个性化组合促销方案的方法。
与现有技术相比,本发明所提供的一种智能生成个性化组合促销方案的方法具有如下的有益效果:
1、当本发明提供的方法应用领域涉及在互联网的促销时,本发明首先在云平台实时预备好促销方案,再通过将用户特征以及环境信息发送至后端的云平台进行分析,从而云平台通过计算将与用户特征以及环境信息对应的促销方案反馈至用户端,用户端将促销方案下载后用于对用户进行个性化推荐的促销。
这样的好处在于,通过上述,云平台提供的促销方案组合完全针对用户进行个性化设置,因此本发明提供的方法和用户的互动性很强,促销方案在促销中更接近用户感兴趣的范围;相比较下针对性更强更容易接近用户真实需求,使得用户在使用过程中无需付出太多的主动性操作即可达到信息利用率最大化;同时实时采用云平台预存促销方案,实现了云端运用,很大程度上降低了商家制定和/或选择促销方案的成本。
具体而言,本发明首先在云平台预备好多个用户画像的画像数据库,以及多个促销方案的促销方案数据库,再通过采集各个用户端的样本用户画像,将用户特征信息发送至后端云平台进行计算,从而云平台通过计算将与用户特征对应的促销方案反馈至用户端,用户端将促销方案在Web、APP 应用对用户进行个性化推荐的促销。
当然,本领域技术人员也应当理解,使用该推荐的商用环境不仅仅限定于手机、平板等硬件,如将其方法整合其他设备中,也均应涵盖在本发明的权利范围内;如当本发明提供的方法应用领域涉及在公共设备或者娱乐设备时,同理可针对用户进行促销,如无人售货机、汽车、电视、可穿戴设备等,此时用户端应该等同于该类设备,用户在使用该类设备时,设备可通过实时授权访问的形式收集用户的样本用户画像,从而对用户实现智能化个性推荐。
当本发明提供的方法应用领域涉及在交通工具时,可随着用户端周边的环境变化,即所获取的样本用户画像的变化,可实时根据用户画像的地理位置信息,推荐周边店铺所举行的促销方案,给予用户更精确的促销方案,同时使得信息的传递率高效化,从而带来更智能化的交互体验。
通过上述,该发明所提出的方法并不局限于某一应用场景,在应用范围上不具备创造性的扩展也应涵盖于本发明的权利范围内。
2、通过综合环境信息、用户特征计算、历史促销记录并计算其和促销方案的相似度,来判断是否为用户所需的促销方案,并将促销方案下载至用户端中,其中促销方案包括红包、限时优惠、抽奖、拼团、礼品、集卡集卷、新人有礼、秒杀等,从而针对用户在促销方案上提供多元化服务,在面临冷启动用户时,可与互联网上的热门促销方案进行联动,增加促销方案的类型,从而可在促销中给予用户新鲜感,防止用户出现选择疲劳,带来更为良好的用户体验。
3、每个促销方案的推荐结果构成历史促销记录,用户在使用移动工具过程中或者在使用后,历史促销记录的内容会持续云平台并显示在用户端中,用户可以通过观察用户端访问云平台对历史促销记录进行回查,同时,历史促销记录会存储至云平台中,以往历史促销记录会作为信息被下一次获取,同时,该模型以用户对促销方案有过参与或者购买为目标进行训练,从而之后云平台推送的促销方案越来越趋近用户所需的甄选范围。
4、当用户端为无人售货机、汽车、电视、可穿戴设备等设备时,云平台将促销方案发往用户端采用OTA(OTA:空中下载技术),OTA是通过移动通信的空中接口对SIM卡数据及应用进行远程管理的技术。OTA技术的应用,使得用户端不仅可以提供语音和数据服务,而且还能提供新业务下载,因此用户端和云平台可实现云端下载,且实现了用户端的云端应用功能;
而用户端在接收促销方案时,采用闪存,闪存由于在用户端断电时也可以保存数据,是一种长寿命的非易失性存储器,它在断电情况下仍能保持所存储的数据信息。闪存是电子可擦除只读存储器的变种,因此即使用户端在断电情况下时,仍然可以对促销方案进行储存,防止遗漏数据,且闪存还具有内存越大,运行越快的特性,因此当面临庞大的用户群体进行促销方案推荐时,闪存的运用是较佳选择。
通过以上阐述,该智能生成个性化组合促销方案的方法通用性和可迁移性强,本发明可将该智能生成个性化组合促销方案的方法使用于多种应用环境中,广泛应用无人货柜、电商平台,满足更多元化的需求。
附图说明
图1是本发明第一实施例提供的智能生成个性化组合促销方案的方法的整体流程图;
图2是本发明第一实施例提供的智能生成个性化组合促销方案的方法中步骤S1的具体流程图;
图3是本发明第一实施例提供的智能生成个性化组合促销方案的方法中步骤S2的具体流程图;
图4是本发明第一实施例提供的智能生成个性化组合促销方案的方法中步骤S3的具体流程图;
图5是本发明第一实施例提供的智能生成个性化组合促销方案的方法中步骤S4的具体流程图;
图6是本发明第一实施例提供的智能生成个性化组合促销方案的方法中的具体模块图;
图7是本发明第一实施例提供的智能生成个性化组合促销方案的系统的模块示意图。
附图标识说明:
100、语音促销系统;10、用户端模块;20、用户端模块。
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,以下结合附图及实施实例,对本发明进行进一步详细说明。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。
本发明提供了一种智能生成个性化组合促销方案的方法,用于移动工具的人机互动并针对用户画像进行促销推荐,从而在海量用户信息群的基础下,针对每个用户进行个性化推荐促销,实现信息高利用率推广。
请参阅图1,本发明所提供的一种智能生成个性化组合促销方案的方法,其具体包括以下步骤:
步骤S1:在云平台预先创建包括有多个用户画像的画像数据库,以及多个促销方案的促销方案数据库,基于画像数据库中的用户画像,建立其所对应的促销方案规则的预训练数学模型;
步骤S2:通过用户端获取用户特征、浏览行为、设备信息,获取用户的样本用户画像;及
步骤S3:所述预训练数学模型通过相似度计算,以将其对应样本用户画像的促销方案推荐至用户,并记录用户对所推荐的促销方案结的反馈结果,将其作为样本值进行训练以对预训练数学模型进行优化。
可以理解,其中步骤S1中所述“云平台”为计算和数据存储处理兼顾的综合云计算平台,本行业领域人员很容易理解,采用云平台的方式在多设备管理领域的优势在于稳定性相对较好,同时兼顾高速、更容易的协作与多设备管理,因云平台是全网服务,几乎综合了全球终端的“云”提供的容量,不再局限于一台或者几台服务器之间。因此在促销方案推广上具有高可扩展性,在动态Web、APP 应用向用户推荐促销方案时提高整体的响应速度。
其中,上述“基于画像数据库中的用户画像,建立其所对应的促销方案规则的预训练数学模型”可根据以往市面上促销形式的经验进行人工预设,从而创建画像数据库中的用户画像对应的促销方案规则,如根据用户画像锁定为性别+网页+商品+浏览时长+浏览次数,人工设定促销方案为1、红包+限时优惠+礼品或者2、秒杀+拼团+积分或者3、新人有礼+抽奖+满减;示例性的如:男性用户+看了商务领带+看了详情页3分钟+看了两次,则根据经验该类男性的用户画像对于积分或者秒杀的兴趣程度较低,因此选定促销方案为红包+限时优惠+礼品的方式。
其中,所述步骤S2中的“用户端”可以理解为客户机;而用户端上的用户特征以及环境信息可通过用户的电子设备获取,或者通过电子设备上的软件获取。
可以理解,步骤S2中利用电子设备获取用户特征以及环境信息时,用户端可采用蓝牙申请访问用户端的通讯录、地图、GPS定位系统,当通过软件的方式获取时,如自身开发用于移动工具的软件系统内的数据通常包括用户的一些注册信息,示例性的如:安装该软件的时候,可以向用户询问是否允许读取位置信息,是否允许读取安装列表;如果系统内没有,可以对用户进行问答访问中获取信息,示例性的如:在用户浏览页面时,可以申请访问用户个人信息,或者通过外部源获取用户的相关信息,比如在该软件授权访问的软件上获取的用户特征,示例性的如:当前热门平台都允许采用第三方的账号登录,这个的好处也是为了能够从第三方获取到一些基本的用户特征。
其中“促销方案”主体上包括两种形式,一种是基于文本字段描述、语言包的形式,示例性的如:预先建立用于告知客户到店领取礼品的文本;另一种是基于软件功能实现的可与用户交互的促销方案,例如:红包、积分,需要用户点击动作进行领取。
而促销方案的具体内容上,包括但是不限制于红包、限时优惠、抽奖、拼团、礼品、集卡集卷、新人有礼、秒杀等。
其中,步骤S2中所述“用户特征”包括用户的性别、昵称、头像、年龄段、职业、收入水平、籍贯、当前位置、居住地的任一种或者多种的组合,浏览行为包括浏览器的创建和消除、鼠标滚轮滑动以及点击、页面停留时间、购买、滑窗、收藏、关注、添加购物车的任一种或者多种的组合。
其中,步骤S3中,“记录用户对所推荐的促销方案结果”可理解为用户面对所推荐促销方案所作行为,示例性的如:1、当用户看到所推荐的促销方案时,及时进行浏览并且发生过购买行为,系统记录用户的响应速度,以及购买时间;2、当用户看到所推荐的促销方案时,并未发生购买行为,则记录该结果并继续推荐同类促销产品,价格分别高于或者低于未发生购买行为的促销方案,如若当用户继续浏览后,还未发生购买行为,则对应调整促销产品以及促销方案,实时记录用户的购买行为。根据以上方式,通过用户反馈的方式进行大数据匹配以及适应性变动,建立数学模型。
请参阅图2,其中,步骤S1中所述“在云平台预先创建包括有多个用户画像的画像数据库,以及多个促销方案的促销方案数据库,基于画像数据库中的用户画像,建立其所对应的促销方案规则的预训练数学模型”,具体的步骤包括:
步骤S101:预先通过人工采集用户的用户特征、浏览行为、设备信息,并对其进行预处理以及标准化;
步骤S102:基于步骤S101,建立深度学习的卷积神经网络模型以对用户进行分类并标记标签,从而形成用户画像;
步骤S103:将不同的促销方案抽象成词,利用深度学习的Word2vec模型将促销方案训练为特征向量;及
步骤S104:基于步骤S101~步骤S103,建立用户的协同过滤模型,通过行向量和/或列向量进行相似度计算,从而获得预训练数学模型。
请继续参阅图3,步骤S2中所述“通过用户端获取用户特征、浏览行为、设备信息,获取用户的样本用户画像”具体步骤包括:
步骤S201:收集每个页面的停留时间以及页面内容信息;
步骤S202:对页面内容进行文本分析,获得页面的特征项;
步骤S203:根据页面停留时间和特征项,分析出用户对每个特征项的兴趣程度,得到用户兴趣类权值;及
步骤S204:将权值较高的兴趣类作为关键词,从而得到用户浏览行为。
所述步骤S2中,用户特征包括性别、昵称、头像、年龄段、职业、收入水平、籍贯、当前位置、居住地的任一种或者多种的组合;
浏览行为包括浏览器的创建和消除、鼠标滚轮滑动以及点击、页面停留时间、购买、滑窗、收藏、关注、添加购物车的任一种或者多种的组合。
请参阅图4,步骤S3中所述“预训练数学模型通过相似度计算以将其对应样本用户画像的促销方案推荐至用户,并记录用户对所推荐的促销方案的反馈结果,将其作为样本值进行训练以对预训练数学模型进行优化”,具体包括:
步骤S301:将同个样本用户画像对促销方案有过行为视为context,建立样本用户画像-context的矩阵;
步骤S302:基于word2vec的模型计算所述促销方案的向量表达,进一步通过所述促销方案间以及样本用户画像之间的特征向量相似度计算,实现相似用户之间的商品和促销方案规则的推荐;及
步骤S303:以相似用户对所推荐促销方案有过行为作为目标对数学模型进行训练优化。
其中,计算以上所有相似度的算法均可采用皮尔森相关系数或者余弦相似度算法,使用词向量求平均、或者加权、或者加权求平均计算相似度,综合用户特征、环境信息、用户历史记录和促销方案计算各个特征之间的匹配程度,从而甄选出用户所需的促销方案。
在该实施例中,所述步骤S302~步骤S303中的相似度计算利用word2vec模型中的相似词在线查询功能。
请参阅图5,一些实施例中,在上述步骤S3的基础上,进一步包括步骤S4;
步骤S4:当步骤S2无法获取到样本用户画像时,将所述促销方案数据库和当前热门促销数据求得并集,使用Bandit算法从所述并集中推荐促销方案规则给用户,直至获取到样本用户画像,则进入步骤S3。
可以理解,考虑到存在部分用户样本用户画像收集困难,即冷启动用户,运用Bandit算法首先推荐促销方案数据库中的促销方案以及当前热门促销数据的促销方案:在不断推荐给用户感兴趣的商品以及相似商品时,根据用户反馈一边探索用户新的兴趣,随着推荐轮数的增加,用户多次表明不感兴趣的促销方案被推荐的概率将越来越低;重复执行多次之后,用户的潜在特征将得到准确拟合,冷启动问题得到有效解决;从而获取到用户的样本用户画像。
可以理解,上述“当前热门促销数据”可采用基于流行度的算法,以将当下热门促销数据通过接口列入云平台对用户特征的计算中,从而加入热门促销方案以探索用户的兴趣,从而扩展促销方案数据库中促销方案的内容,使得推送促销方案多元化以增添用户的乐趣。
为更好地理解上述方案,请参阅图6,首先在云平台先预备促销方案数据库以及用户画像数据库,其中促销方案(item)可包括但是不限于红包、限时优惠、抽奖、拼团、礼品、集卡集卷、新人有礼、秒杀;将用户画像数据库中的用户画像和促销方案数据库的促销方案手工建立规则关联,用户端通过获取用户的样本用户画像(user),继而建立user-item的神经网络数学模型,将同个user对item有过行为视为context,该处“行为”可理解为购买或者参与,也可设定为其他标准,从而建立user-item的矩阵,基于word2vec的模型计算出item的向量表达,此时,通过行向量和/或列向量进行相似计算,如通过计算样本用户画像即user之间的相似度或者关联度,在更高阶上计算item之间的相似度或者关联度,即可实现相似用户之间的商品和促销方案规则的推荐。示例性的如:某一用户的样本用户画像所表现的特征为男性+看了打火机+看了详情页3分钟+看了两次,对所推荐的促销方案上有过购买或者参与行为,则认为该次推荐促销方案为有效的,同时该次作为训练样本进行促销方案规则优化,通过样本用户画像不断更新促销方案规则,同理在和该用户的用户画像相似或者有关联的用户上,同样推荐最优的促销方案,即所述“实现相似用户之间的商品和促销方案规则的推荐”。
一些实施例中,当用户端包括第三方设备时,如无人售货柜、车载机,云平台将促销方案传送至用户端的方法采用OTA(OTA:空中下载技术),空中下载技术通过移动通信的空中接口对SIM卡数据及应用进行远程管理的技术,示例性的如:用户通过手机扫码无人货柜,无人货柜通过访问用户手机获取样本用户画像并上传至云平台,云平台通过OTA将促销方案从无人货柜推荐给用户。
可以理解,OTA技术的应用,使得用户端不仅可以提供语音和数据服务,而且还能提供新业务下载,因此用户端和云平台可实现云端下载,且实现了用户端的云端应用功能。
更近一步地,此时用户端储存促销方案的载体采用闪存。
可以理解,采用闪存的优势在于,闪存在断电时也可以保存数据,是一种长寿命的非易失性存储器,它在断电情况下仍能保持所存储的数据信息。闪存是电子可擦除只读存储器的变种,因此即使用户端在断电情况下时,仍然可以对促销方案进行储存,防止遗漏数据,且闪存还具有特性为内存越大,运行越快的特性。
本领域技术人员也应当理解,如果将本发明的方法,即实施例一中的整体或部分步骤通过组合或者改进,代替本发明的系统中的相应步骤,同样落在本发明的保护范围内。
可以理解,由于每个促销方案的推荐结果构成历史促销记录,用户在使用移动工具过程中或者在使用后,历史促销记录的内容会持续云平台并显示在用户端中,用户可以通过观察用户端访问云平台对历史促销记录进行回查,同时,历史促销记录会存储至云平台中,以往历史促销记录会作为信息被下一次获取,即步骤S22中会进一步考虑到历史促销记录,从而之后云平台推送的促销方案越来越趋近用户所需的甄选范围。
请参阅图7,为了更好的解决上述技术问题,本发明提供又一技术方案如下:本发明还提供一种基于云平台的语音促销系统100,该智能生成个性化组合促销方案的系统100包括:
用户端模块10:用于实时获取用户特征、浏览行为、设备信息,获取用户的样本用户画像;
云平台模块20:用于预先创建包括有多个用户画像的画像数据库,以及多个促销方案的促销方案数据库,基于画像数据库中的用户画像,建立其所对应的促销方案规则,并建立预训练数学模型。
可以理解,该智能生成个性化组合促销方案的系统100的模块在运作时,需要利用到实施例一所述智能生成个性化组合促销方案的方法,因此无论将用户端模块、云平台模块整合或者配置不同的硬件产生于本发明所实现效果相似的功能,均属于本发明的保护范围内。
为了更好的解决上述技术问题,本发明提供又一技术方案如下:即一种计算机可读介质,所述计算机可读介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行权利要求上述的智能生成个性化组合促销方案的方法。
为了更好的解决上述技术问题,本发明提供又一技术方案如下:一种设备,可和云平台以及用户端形成信息连接,所述设备包括电子控制单元、存储器,所述电子控制单元、存储器均采用电性连接;
该所述存储器内部所储程序在执行时,需要利用到上述的智能生成个性化组合促销方案的方法的部分步骤或者整体步骤。
本领域技术人员也应当理解,如果将本发明所述方法或者系统以及设备,其中方法涉及到的全部或部分步骤组合或者拆分,以及简单的替换,其中设备或系统通过稠合、简单变化、串并联互相变换等方式进行组合、替换,如各组件、线路、单元摆放移动位置;或者将其所构成的促销一体设置;或者可拆卸设计;凡组合后的组件可以组成具有特定功能的电路设备/设备/设备/系统,用这样的电路设备/设备/设备/系统代替本发明相应组件同样落在本发明的保护范围内。
与现有技术相比,本发明所提供的一种智能生成个性化组合促销方案的方法具有如下的有益效果:
1、当本发明提供的方法应用领域涉及在互联网的促销时,本发明首先在云平台实时预备好促销方案,再通过将用户特征以及环境信息发送至后端的云平台进行分析,从而云平台通过计算将与用户特征以及环境信息对应的促销方案反馈至用户端,用户端将促销方案下载后用于对用户进行个性化推荐的促销。
这样的好处在于,通过上述,云平台提供的促销方案组合完全针对用户进行个性化设置,因此本发明提供的方法和用户的互动性很强,促销方案在促销中更接近用户感兴趣的范围;相比较下针对性更强更容易接近用户真实需求,使得用户在使用过程中无需付出太多的主动性操作即可达到信息利用率最大化;同时实时采用云平台预存促销方案,实现了云端运用,很大程度上降低了商家制定和/或选择促销方案的成本。
具体而言,本发明首先在云平台预备好多个用户画像的画像数据库,以及多个促销方案的促销方案数据库,再通过采集各个用户端的样本用户画像,将用户特征信息发送至后端云平台进行计算,从而云平台通过计算将与用户特征对应的促销方案反馈至用户端,用户端将促销方案在Web、APP 应用对用户进行个性化推荐的促销。
当本发明提供的方法应用领域涉及在交通工具时,可随着用户端周边的环境变化,即所获取的样本用户画像的变化,可实时根据用户画像的地理位置信息,推荐周边店铺所举行的促销方案,给予用户更精确的促销方案,同时使得信息的传递率高效化,从而带来更智能化的交互体验。
通过上述,该发明所提出的方法并不局限于某一应用场景,在应用范围上不具备创造性的扩展也应涵盖于本发明的权利范围内。
2、通过综合环境信息、用户特征计算、历史促销记录并计算其和促销方案的相似度,来判断是否为用户所需的促销方案,并将促销方案下载至用户端中,其中促销方案包括红包、限时优惠、抽奖、拼团、礼品、集卡集卷、新人有礼、秒杀等,从而针对用户在促销方案上提供多元化服务,在面临冷启动用户时,可与互联网上的热门促销方案进行联动,增加促销方案的类型,从而可在促销中给予用户新鲜感,防止用户出现选择疲劳,带来更为良好的用户体验。
3、每个促销方案的推荐结果构成历史促销记录,用户在使用移动工具过程中或者在使用后,历史促销记录的内容会持续云平台并显示在用户端中,用户可以通过观察用户端访问云平台对历史促销记录进行回查,同时,历史促销记录会存储至云平台中,以往历史促销记录会作为信息被下一次获取,同时,该模型以用户对促销方案有过参与或者购买为目标进行训练,从而之后云平台推送的促销方案越来越趋近用户所需的甄选范围。
4、当用户端为无人售货机、汽车、电视、可穿戴设备等设备时,云平台将促销方案发往用户端采用OTA(OTA:空中下载技术),OTA是通过移动通信的空中接口对SIM卡数据及应用进行远程管理的技术。OTA技术的应用,使得用户端不仅可以提供语音和数据服务,而且还能提供新业务下载,因此用户端和云平台可实现云端下载,且实现了用户端的云端应用功能;
而用户端在接收促销方案时,采用闪存,闪存由于在用户端断电时也可以保存数据,是一种长寿命的非易失性存储器,它在断电情况下仍能保持所存储的数据信息。闪存是电子可擦除只读存储器的变种,因此即使用户端在断电情况下时,仍然可以对促销方案进行储存,防止遗漏数据,且闪存还具有内存越大,运行越快的特性,当面临庞大的用户群体进行促销方案推荐时,闪存的运用是较佳选择。
通过以上阐述,该智能生成个性化组合促销方案的方法通用性和可迁移性强,本发明可将该智能生成个性化组合促销方案的方法使用于多种应用环境中,广泛应用无人货柜、电商平台,满足更多元化的需求。
以上仅为本发明较佳实施例而已,并不用以限制本发明,凡在本发明原则之内所作的任何修改,等同替换和改进等均应包含本发明的保护范围之内。
Claims (10)
1.一种智能生成个性化组合促销方案的方法,用于人机互动并针对用户画像个性化推荐促销方案,其特征在于,包括云平台、用户端;
所述智能生成个性化组合促销方案的方法包括以下步骤:
步骤S1:在云平台预先创建包括有多个用户画像的画像数据库,以及多个促销方案的促销方案数据库,基于画像数据库中的用户画像,建立其所对应的促销方案规则的预训练数学模型;
步骤S2:通过用户端获取用户特征、浏览行为、设备信息,获取用户的样本用户画像;及
步骤S3:所述预训练数学模型通过相似度计算,以将其对应样本用户画像的促销方案推荐至用户,并记录用户对所推荐的促销方案的反馈结果,将其作为样本值进行训练以对预训练数学模型进行优化。
2.如权利要求1所述的智能生成个性化组合促销方案的方法,其特征在于,
所述步骤S1包括:
步骤S101:预先通过人工采集用户的用户特征、浏览行为、设备信息,并对其进行预处理以及标准化;
步骤S102:基于步骤S101,建立深度学习的卷积神经网络模型以对用户进行分类并标记标签,从而形成用户画像;
步骤S103:将不同的促销方案抽象成词,利用深度学习的Word2vec模型将促销方案训练为特征向量;及
步骤S104:基于步骤S101~步骤S103,建立用户的协同过滤模型,通过行向量和/或列向量进行相似度计算,从而获得预训练数学模型。
3.如权利要求1中所述智能生成个性化组合促销方案的方法,
所述步骤S2中,用户特征包括性别、昵称、头像、年龄段、职业、收入水平、籍贯、当前位置、居住地的任一种或者多种的组合;
浏览行为包括浏览器的创建和消除、鼠标滚轮滑动以及点击、页面停留时间、购买、滑窗、收藏、关注、添加购物车的任一种或者多种的组合。
4.如权利要求1所述的智能生成个性化组合促销方案的方法,其特征在于,
所述步骤S2中,其中获取所述浏览行为的方法为:
步骤S201:收集每个页面的停留时间以及页面内容信息;
步骤S202:对页面内容进行文本分析,获得页面的特征项;
步骤S203:根据页面停留时间和特征项,分析出用户对每个特征项的兴趣程度,得到用户兴趣类权值;及
步骤S204:将权值较高的兴趣类作为关键词,从而得到用户浏览行为。
5.如权利要求1所述的智能生成个性化组合促销方案的方法,其特征在于,其中步骤S3包括:
步骤S301:将同个样本用户画像对促销方案有过行为视为context,建立样本用户画像-context的矩阵;
步骤S302:基于word2vec的模型计算所述促销方案的向量表达,进一步通过所述促销方案间以及样本用户画像之间的特征向量相似度计算,实现相似用户之间的商品和促销方案规则的推荐;及
步骤S303:以相似用户对所推荐促销方案有过行为作为目标对数学模型进行训练优化。
6.如权利要求1所述的智能生成个性化组合促销方案的方法,其特征在于,在步骤S2的基础上,进一步包括步骤S4,
步骤S4:当步骤S2无法获取到样本用户画像时,将所述促销方案数据库和当前热门促销数据求得并集,使用Bandit算法从所述并集中推荐促销方案规则给用户,直至获取到样本用户画像,则进入步骤S3。
7.如权利要求5中所述智能生成个性化组合促销方案的方法,其特征在于,所述步骤S3中的相似度计算利用word2vec模型中的相似词在线查询功能。
8.一种智能生成个性化组合促销方案的系统,其特征在于,包括:
用户端模块:用于实时获取用户特征、浏览行为、设备信息,获取用户的样本用户画像;
云平台模块:用于预先创建包括有多个用户画像的画像数据库,以及多个促销方案的促销方案数据库,基于画像数据库中的用户画像,建立其所对应的促销方案规则,并建立预训练数学模型。
9.一种计算机可读介质,其特征在于,所述计算机可读介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行权利要求1-7中任一项中所述的智能生成个性化组合促销方案的方法。
10.一种设备,可和云平台以及用户端形成信息连接,其特征在于,所述设备包括电子控制单元、存储器,所述电子控制单元、存储器均采用电性连接;
该所述存储器内部所储程序在执行时,需要利用到权利要求1~7任一项所述的智能生成个性化组合促销方案的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010496300.9A CN111652648A (zh) | 2020-06-03 | 2020-06-03 | 智能生成个性化组合促销方案的方法及具有该方法的系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010496300.9A CN111652648A (zh) | 2020-06-03 | 2020-06-03 | 智能生成个性化组合促销方案的方法及具有该方法的系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111652648A true CN111652648A (zh) | 2020-09-11 |
Family
ID=72349640
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010496300.9A Pending CN111652648A (zh) | 2020-06-03 | 2020-06-03 | 智能生成个性化组合促销方案的方法及具有该方法的系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111652648A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112184372A (zh) * | 2020-09-25 | 2021-01-05 | 魔玛智能科技(上海)有限公司 | 模块化产品互联网推荐系统及方法 |
CN112508607A (zh) * | 2020-12-02 | 2021-03-16 | 上海中商网络股份有限公司 | 数据推送方法、装置、计算机设备以及可读存储介质 |
CN113077317A (zh) * | 2021-04-19 | 2021-07-06 | 北京京东拓先科技有限公司 | 基于用户数据的物品推荐方法、装置、设备及存储介质 |
CN113159828A (zh) * | 2021-03-17 | 2021-07-23 | 深圳创维-Rgb电子有限公司 | 促销方案的推荐方法、装置及计算机可读存储介质 |
CN113313546A (zh) * | 2021-04-19 | 2021-08-27 | 深圳市竹芒信息技术有限公司 | 信息推荐方法、装置、计算机设备和存储介质 |
CN113313545A (zh) * | 2021-04-19 | 2021-08-27 | 深圳市竹芒信息技术有限公司 | 信息推荐方法、装置、计算机设备和存储介质 |
CN113570421A (zh) * | 2021-09-23 | 2021-10-29 | 枣庄职业学院 | 一种基于大数据分析的电商营销系统 |
CN113783709A (zh) * | 2021-08-31 | 2021-12-10 | 深圳市易平方网络科技有限公司 | 基于会议系统的参会人员监测处理方法、装置、智能终端 |
CN117014247A (zh) * | 2023-08-28 | 2023-11-07 | 广东金朋科技有限公司 | 基于状态学习的场景生成方法、系统及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN109118296A (zh) * | 2018-09-04 | 2019-01-01 | 南京星邺汇捷网络科技有限公司 | 活动推送方法、装置及电子设备 |
CN109191240A (zh) * | 2018-08-14 | 2019-01-11 | 北京九狐时代智能科技有限公司 | 一种进行商品推荐的方法和装置 |
CN109978630A (zh) * | 2019-04-02 | 2019-07-05 | 安徽筋斗云机器人科技股份有限公司 | 一种基于大数据建立用户画像的精准营销方法和系统 |
CN110163723A (zh) * | 2019-05-20 | 2019-08-23 | 深圳市和讯华谷信息技术有限公司 | 基于产品特征的推荐方法、装置、计算机设备及存储介质 |
CN110335123A (zh) * | 2019-07-11 | 2019-10-15 | 创新奇智(合肥)科技有限公司 | 基于社交电商平台的商品推荐方法、系统、计算机可读介质以及装置 |
CN111080413A (zh) * | 2019-12-20 | 2020-04-28 | 深圳市华宇讯科技有限公司 | 电商平台商品的推荐方法、装置、服务器和存储介质 |
-
2020
- 2020-06-03 CN CN202010496300.9A patent/CN111652648A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN109191240A (zh) * | 2018-08-14 | 2019-01-11 | 北京九狐时代智能科技有限公司 | 一种进行商品推荐的方法和装置 |
CN109118296A (zh) * | 2018-09-04 | 2019-01-01 | 南京星邺汇捷网络科技有限公司 | 活动推送方法、装置及电子设备 |
CN109978630A (zh) * | 2019-04-02 | 2019-07-05 | 安徽筋斗云机器人科技股份有限公司 | 一种基于大数据建立用户画像的精准营销方法和系统 |
CN110163723A (zh) * | 2019-05-20 | 2019-08-23 | 深圳市和讯华谷信息技术有限公司 | 基于产品特征的推荐方法、装置、计算机设备及存储介质 |
CN110335123A (zh) * | 2019-07-11 | 2019-10-15 | 创新奇智(合肥)科技有限公司 | 基于社交电商平台的商品推荐方法、系统、计算机可读介质以及装置 |
CN111080413A (zh) * | 2019-12-20 | 2020-04-28 | 深圳市华宇讯科技有限公司 | 电商平台商品的推荐方法、装置、服务器和存储介质 |
Non-Patent Citations (2)
Title |
---|
胡吉明: "《社会网络环境下基于用户关系的信息推荐服务研究》", 31 March 2015, 武汉大学出版社 * |
阮光册 等: "基于Word2vec的图书馆推荐系统多样性问题应用研究", 《图书馆杂志》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112184372A (zh) * | 2020-09-25 | 2021-01-05 | 魔玛智能科技(上海)有限公司 | 模块化产品互联网推荐系统及方法 |
CN112508607A (zh) * | 2020-12-02 | 2021-03-16 | 上海中商网络股份有限公司 | 数据推送方法、装置、计算机设备以及可读存储介质 |
CN113159828A (zh) * | 2021-03-17 | 2021-07-23 | 深圳创维-Rgb电子有限公司 | 促销方案的推荐方法、装置及计算机可读存储介质 |
CN113077317A (zh) * | 2021-04-19 | 2021-07-06 | 北京京东拓先科技有限公司 | 基于用户数据的物品推荐方法、装置、设备及存储介质 |
CN113313546A (zh) * | 2021-04-19 | 2021-08-27 | 深圳市竹芒信息技术有限公司 | 信息推荐方法、装置、计算机设备和存储介质 |
CN113313545A (zh) * | 2021-04-19 | 2021-08-27 | 深圳市竹芒信息技术有限公司 | 信息推荐方法、装置、计算机设备和存储介质 |
CN113313545B (zh) * | 2021-04-19 | 2024-04-23 | 深圳市竹芒信息技术有限公司 | 信息推荐方法、装置、计算机设备和存储介质 |
CN113783709A (zh) * | 2021-08-31 | 2021-12-10 | 深圳市易平方网络科技有限公司 | 基于会议系统的参会人员监测处理方法、装置、智能终端 |
CN113783709B (zh) * | 2021-08-31 | 2024-03-19 | 重庆市易平方科技有限公司 | 基于会议系统的参会人员监测处理方法、装置、智能终端 |
CN113570421A (zh) * | 2021-09-23 | 2021-10-29 | 枣庄职业学院 | 一种基于大数据分析的电商营销系统 |
CN117014247A (zh) * | 2023-08-28 | 2023-11-07 | 广东金朋科技有限公司 | 基于状态学习的场景生成方法、系统及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111652648A (zh) | 智能生成个性化组合促销方案的方法及具有该方法的系统 | |
CN111784455B (zh) | 一种物品推荐方法及推荐设备 | |
CN109033149B (zh) | 信息推荐方法、装置、服务器及存储介质 | |
US20150051973A1 (en) | Contextual-bandit approach to personalized news article recommendation | |
CN111242748B (zh) | 用于向用户推荐项目的方法、装置和存储介质 | |
CN107644036B (zh) | 一种数据对象推送的方法、装置及系统 | |
CN103620592A (zh) | 用于推荐结果的灵活多样化的方法和装置 | |
CN110008397B (zh) | 一种推荐模型训练方法及装置 | |
CN110163703B (zh) | 一种分类模型建立方法、文案推送方法和服务器 | |
TW200849131A (en) | A system and device for social shopping on-line | |
WO2018107102A1 (en) | Network interaction system | |
KR102049777B1 (ko) | 사용자 행위 기반의 아이템 추천 방법 및 장치 | |
CN108805598A (zh) | 相似度信息确定方法、服务器及计算机可读存储介质 | |
CN109767302B (zh) | 大数据精准模型的构建方法及装置 | |
CN111552835A (zh) | 文件推荐方法、装置及服务器 | |
US20190147482A1 (en) | System and method for providing relevant electronic offers in a mobile banking application | |
CN116089745A (zh) | 信息推荐方法、装置、电子设备及计算机可读存储介质 | |
CN115358807A (zh) | 物品的推荐方法和装置、存储介质及电子设备 | |
CN111787042B (zh) | 用于推送信息的方法和装置 | |
CN113822734A (zh) | 用于生成信息的方法和装置 | |
CN110781399A (zh) | 一种跨平台的信息推送方法和装置 | |
KR102402551B1 (ko) | 인플루언서 검색 서비스 제공방법, 장치 및 컴퓨터프로그램 | |
CN111967924A (zh) | 商品推荐方法、商品推荐装置、计算机设备和介质 | |
US20140052816A1 (en) | Network matchmaking system | |
Loukili et al. | Personalizing product recommendations using collaborative filtering in online retail: a machine learning approach |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200911 |
|
WD01 | Invention patent application deemed withdrawn after publication |