CN111667290B - 业务展示方法和装置、计算机可读存储介质 - Google Patents
业务展示方法和装置、计算机可读存储介质 Download PDFInfo
- Publication number
- CN111667290B CN111667290B CN201910175363.1A CN201910175363A CN111667290B CN 111667290 B CN111667290 B CN 111667290B CN 201910175363 A CN201910175363 A CN 201910175363A CN 111667290 B CN111667290 B CN 111667290B
- Authority
- CN
- China
- Prior art keywords
- service
- target
- user
- time period
- historical
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000013508 migration Methods 0.000 claims abstract description 137
- 230000005012 migration Effects 0.000 claims abstract description 137
- 238000012549 training Methods 0.000 claims description 12
- 230000000694 effects Effects 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 12
- 230000001737 promoting effect Effects 0.000 description 12
- 238000004364 calculation method Methods 0.000 description 7
- 238000003066 decision tree Methods 0.000 description 7
- 230000001419 dependent effect Effects 0.000 description 6
- 238000007477 logistic regression Methods 0.000 description 6
- 230000007613 environmental effect Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000012417 linear regression Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007667 floating Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
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
- G06Q30/0202—Market predictions or forecasting for commercial activities
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)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种业务展示方法和装置、计算机可读存储介质。该方法包括:获取用户的历史业务迁移记录,根据用户的历史业务迁移记录确定目标业务的目标用户的账户;根据所述目标业务的历史迁移记录确定所述目标业务的N个高发时间段,其中,所述目标业务的迁移记录次数在所述高发时间段内高于高发阈值,其中N为大于1的正整数;获取所述目标业务在所述N个高发时间段的业务资源属性;根据所述业务资源属性确定第N+1个高发时间段;在所述第N+1个高发时间段内在所述目标用户的账户的业务展示位展示所述目标业务。本发明通过用户的历史业务迁移记录确定目标业务的目标用户的账户以及用户针对目标业务的下一个业务迁移高发时间段,向用户展示目标业务。
Description
技术领域
本发明涉及电子商务技术领域,特别涉及一种业务展示方法和装置、计算机可读存储介质。
背景技术
用户对商品的复购周期预测对于电商网站尤其重要。通常的假设是,一个用户在刚刚完成对某商品的购买后,会在一定周期内不会对该商品再次购买,这个周期通常指的就是商品复购周期。
计算电商网站的用户对商品复购周期主要有两个用处,1)如果周期内电商网站重复对用户进行推荐,不仅会降低用户体验,还会影响用户对商品的点击率。因此需要在一定周期内电商网站需要屏蔽同类商品的推荐。2)用户的购买历史是了解用户兴趣最主要的方式,特别是一些用户会对某类商品有重复购买欲望,如何将这些会重复周期购买的商品,在复购周期到临之时恰当的进行再度推荐,是电商网站需要持续探索并优化的推荐问题。因此,每一个电商网站都在试图寻找更好的计算复购周期的方法。
发明内容
申请人发现:相关技术并没有统一的或者广泛应用的用户复购周期计算方法,相关技术常用复购周期计算方式包括:1)针对已有目标用户(复购用户)的订单历史进行计算:将已有目标用户对某一类商品的平均订单完成时间间隔的某分位数(如50%分位数或70%分位数)作为此类商品的复购周期。2)针对全部用户的订单历史进行计算:基于某一类商品的复购率(复购率可等于统计周期内商品产生复购的人数除以商品全部产生购买的人数)计算,复购周期等于用户对商品的平均通用复购周期(全部用户的平均订单间隔)乘以复购率。
申请人发现:电商网站的购物环境中,影响用户对商品的复购因素有很多,相关技术方法仅通过简单的统计结果计算购物周期,缺少了很多因素的考虑,因此会导致计算出的周期不够准确。未考虑到的因素有:
1、不同的用户可能会产生复购的商品是不同的。相关技术没有考虑到不同用户个体的异质性对复购周期的影响。
2、当前大型电商网站每年都会有年度大型促销,每个季度和月份也会有个不同程度促销,相关技术没有考虑到各种环境因素如季节、节日促销活动等因素对复购周期的影响。
3、不是所有的用户都有稳定不变的复购周期,甚至可以说很少用户可以准确的像机器一样在特定时间进行复购。但是,又不可否认的是,有一部分用户有相对稳定或者形成一定复购规律的习惯。
因此本申请的技术方案首先需要寻找到这部分有复购规律的用户,其次再寻找到如何定义这个相对稳定的周期间隔有多久。
鉴于以上技术问题中的至少一项,本发明提供了一种业务展示方法和装置、计算机可读存储介质,可以通过用户的历史业务迁移记录确定目标业务的目标用户的账户以及用户针对目标业务的下一个业务迁移高发时间段,向用户展示目标业务。
根据本发明的一个方面,提供一种业务展示方法,包括:
获取用户的历史业务迁移记录,根据用户的历史业务迁移记录确定目标业务的目标用户的账户;
根据所述目标业务的历史迁移记录确定所述目标业务的N个高发时间段,其中,所述目标业务的迁移记录次数在所述高发时间段内高于高发阈值,其中N为大于1的正整数;
获取所述目标业务在所述N个高发时间段的业务资源属性;
根据所述业务资源属性确定第N+1个高发时间段;
在所述第N+1个高发时间段内在所述目标用户的账户的业务展示位展示所述目标业务。
在本发明的一些实施例中,所述业务展示方法还包括:
在第N+1个高发时间段未到达的情况下,检测目标用户是否产生了对目标业务的信息获取请求;
在目标用户产生对目标业务的信息获取请求的情况下,根据信息获取请求的频率,将第N+1个高发时间段提前。
在本发明的一些实施例中,所述根据所述目标业务的历史迁移记录确定所述目标业务的N个高发时间段包括:
判断每个预定时间段内目标业务的迁移记录次数是否大于高发阈值;
在预定时间段内目标业务的迁移记录次数大于高发阈值的情况下,将目标业务的迁移记录次数大于高发阈值的预定时间段确定为所述目标业务的高发时间段。
在本发明的一些实施例中,所述业务资源属性包括目标业务的所属类目、第N次高发时间段目标业务的迁移数量、N个高发时间段中每两个相邻时间段之间的平均时间间隔中的至少一项。
在本发明的一些实施例中,所述根据用户的历史业务迁移记录确定目标业务的目标用户的账户包括:将用户的历史业务迁移记录划分为目标数据集和历史数据集,并生成目标数据集特征和历史数据集特征;将目标数据集特征和历史数据集特征输入目标用户预测模型,获得目标用户的账户。
在本发明的一些实施例中,所述根据所述目标业务的历史迁移记录确定所述目标业务的N个高发时间段包括:将目标数据集特征和历史数据集特征输入高发时间段预测模型,确定所述目标业务的N个高发时间段。
在本发明的一些实施例中,所述根据所述业务资源属性确定第N+1个高发时间段包括:将所述业务资源属性输入高发时间段预测模型确定目标业务的第N+1个高发时间段。
在本发明的一些实施例中,所述业务展示方法还包括:
将用户的历史业务迁移记录分为训练集和测试集;
利用训练集对目标用户预测模型和高发时间段预测模型进行训练,生成模型拟合公式;
根据模型拟合公式在测试集的模型效果分析进行参数调整,对目标用户预测模型和高发时间段预测模型进行优化。
根据本发明的另一方面,提供一种业务展示装置,包括:
目标用户确定模块,用于获取用户的历史业务迁移记录,根据用户的历史业务迁移记录确定目标业务的目标用户的账户;
时间段确定模块,用于根据所述目标业务的历史迁移记录确定所述目标业务的N个高发时间段,其中,所述目标业务的迁移记录次数在所述高发时间段内高于高发阈值,其中N为大于1的正整数;
资源属性获取模块,用于获取所述目标业务在所述N个高发时间段的业务资源属性;
时间段预测模块,用于根据所述业务资源属性确定第N+1个高发时间段;
业务展示模块,用于在所述第N+1个高发时间段内在所述目标用户的账户的业务展示位展示所述目标业务。
在本发明的一些实施例中,所述业务展示装置用于执行实现如上述任一实施例所述的业务展示方法的操作。
根据本发明的另一方面,提供一种业务展示装置,包括:
存储器,用于存储指令;
处理器,用于执行所述指令,使得所述业务展示装置执行实现如上述任一实施例所述的业务展示方法的操作。
根据本发明的另一方面,提供一种计算机可读存储介质,其中,所述计算机可读存储介质存储有计算机指令,所述指令被处理器执行时实现如上述任一实施例所述的业务展示方法。
本发明通过用户的历史业务迁移记录确定目标业务的目标用户的账户以及用户针对目标业务的下一个业务迁移高发时间段,向用户展示目标业务。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术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发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明业务展示方法一些实施例的示意图。
图2a为本发明业务展示方法又一些实施例的示意图。
图2b实施例为本发明一个实施例中节日促销数据的示意图。
图3为本发明业务展示方法另一些实施例的示意图。
图4为本发明一个实施例中AUC指标的示意图。
图5为本发明业务展示装置一些实施例的示意图。
图6为本发明业务展示装置又一些实施例的示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本发明及其应用或使用的任何限制。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。
同时,应当明白,为了便于描述,附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论,但在适当情况下,所述技术、方法和设备应当被视为授权说明书的一部分。
在这里示出和讨论的所有示例中,任何具体值应被解释为仅仅是示例性的,而不是作为限制。因此,示例性实施例的其它示例可以具有不同的值。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步讨论。
图1为本发明业务展示方法一些实施例的示意图。优选的,本实施例可由本发明业务展示装置执行。该方法可以包括以下步骤:
步骤11,获取用户的历史业务迁移记录,根据用户的历史业务迁移记录确定目标业务的目标用户的账户。
在本发明的一些实施例中,业务迁移是将业务的数字信息从一种技术环境或数据存储平台转换到另一种技术环境或数据存储平台上。
在本发明的一些实施例中,步骤11可以包括:
步骤111,获取用户的历史业务迁移记录。
在本发明的一些实施例中,业务迁移可以是电子文件的迁移。比如迁移的业务是电子文件的迁移时,该电子文件从源地址迁移至目的地址,其中源地址可以是存储该电子文件的源存储地址,目的地址可以是该电子文件迁移的目的存储地址。在本发明的一些实施例中,所述用户的历史业务迁移记录可以包括已执行迁移业务的电子文件迁移记录信息。
步骤112,将用户的历史业务迁移记录划分为目标数据集和历史数据集,并生成目标数据集特征和历史数据集特征。
在本发明的一些实施例中,步骤112可以包括:对于过去一年半的电子文件迁移记录信息,可以选取一年电子文件迁移记录信息为历史数据集,半年数据为目标数据集。
例如:在本发明一些具体实施例中,可以将2017-01-01到2017-12-31作为历史数据集,用来挖掘分析用户的执行电子文件迁移的行为;将2018-01-01到2018-06-31作为目标数据集,用来验证用户是否执行电子文件迁移记录。
步骤113,将目标数据集特征和历史数据集特征输入目标用户预测模型,获得目标用户的账户。
步骤12,根据所述目标业务的历史迁移记录确定所述目标业务的N个高发时间段,其中,所述目标业务的迁移记录次数在所述高发时间段内高于高发阈值,其中N为大于1的正整数。
在本发明的一些实施例中,步骤12可以包括:
步骤121,判断每个预定时间段内目标业务的迁移记录次数是否大于高发阈值。
步骤122,在预定时间段内目标业务的迁移记录次数大于高发阈值的情况下,将目标业务的迁移记录次数大于高发阈值的预定时间段确定为所述目标业务的高发时间段。
在本发明的一些实施例中,步骤12可以包括:将目标数据集特征和历史数据集特征输入高发时间段预测模型,确定所述目标业务的N个高发时间段。
步骤13,获取所述目标业务在所述N个高发时间段的业务资源属性。
在本发明的一些实施例中,所述业务资源属性可以包括目标业务的所属类目、第N次高发时间段目标业务的迁移数量、N个高发时间段中每两个相邻时间段之间的平均时间间隔、目标业务迁移的源地址、等属性中的至少一项。
在本发明的一些实施例中,第N次高发时间段与第N+1次高发时间段之间的时间间隔为迁移周期。
步骤14,根据所述业务资源属性确定第N+1个高发时间段。
在本发明的一些实施例中,步骤14可以包括:将所述业务资源属性输入高发时间段预测模型确定目标业务的第N+1个高发时间段。
步骤15,在所述第N+1个高发时间段内在所述目标用户的账户的业务展示位内展示所述目标业务。
在本发明的一些实施例中,步骤15可以包括:
步骤151,在所述第N+1个高发时间段内,识别到所述目标用户账户或所述目标用户账户的关联账户处于操作状态的情况下,在用户终端生成业务展示位,其中,操作状态为目标用户使用目标用户账户或目标用户账户的关联账户在操作页面进行浏览等操作的状态。
在本发明的一些实施例中,所述业务展示位可以生成于操作界面中,还可以生成在基于操作界面的浮层或弹窗中。
在本发明的一些实施例中,所述用户终端可包括但不限于:智能手机、智能手表、平板电脑、计算机等设备。
步骤152,在用户终端的业务展示位中展示目标业务内容。
在本发明的一些实施例中,所述目标业务内容可以采用图片、文本、动画、短视频、声音等不同的多媒体形式进行展示。本发明对目标业务内容的展示方式具体可根据实际应用的需要进行设置或调整,并不应构成对本发明的限定。
基于本发明上述实施例提供的业务展示方法,可以通过用户的历史业务迁移记录确定目标业务的目标用户的账户以及用户针对目标业务的下一个业务迁移高发时间段,向用户展示目标业务。本发明上述实施例可以更加准确、更加实时、更加智能地确定目标用户针对目标业务的下一个业务迁移高发时间段。本发明上述实施例可以根据不同用户、不同目标用户产生确定相应的目标业务以及下一个目标业务迁移高发时间段,并向用户展示目标业务,实现千人千面的模型结果。
图2a为本发明业务展示方法又一些实施例的示意图。优选的,本实施例可由本发明业务展示装置执行。该方法可以包括以下步骤:
步骤21,获取用户的历史业务迁移记录,根据用户的历史业务迁移记录确定目标业务的目标用户的账户。
在本发明的一些实施例中,步骤21可以包括:
步骤211,获取用户的历史业务迁移记录。
在本发明的一些实施例中,业务迁移可以是商品或服务的迁移,该商品或服务从源地址迁移至目的地址,其中源地址可以是为商品或服务在数据库中原始记录的归属属性,比如该商品或服务的发件人、发件地址等等,目的地址可以是为商品或服务在数据库中迁移记录的归属属性,可以是该商品或服务的收件人、收件地址等等。
在本发明的一些实施例中,所述用户的历史业务迁移记录可以包括用户对各种商品、服务(例如电信业务、金融服务)等业务的订购记录(订单数据)。
在本发明的一些实施例中,用户订单数据可以包括用户标识、用户订购业务的业务标识、用户订购业务的所属类目、用户订购业务的订购时间、用户订购业务的订购数量、用户订购业务的收货地址所在区域等数据中的至少一项。
在本发明的一些实施例中,步骤211可以包括:获取用户(例如电商平台用户)过去预定周期(例如过去一年半)的全部有效订单历史数据,其中所述全部有效订单历史数据可以包括用户标识,订购业务,订购业务所属类目,订购时间,订购数量,收货地址所在区域;并去除全部有效订单历史数据中取消或者退货的订单内容。
在本发明的一些实施例中,所述用户的历史业务迁移记录还可以包括节日促销数据和用户账户信息。
在本发明的一些实施例中,节日促销数据可以包括过去预定时间段国家法定节假日和大型促销日期,以及日期是否属于促销的标记。
图2b实施例为本发明一个实施例中节日促销数据的示意图。图2b实施例给出了2017年1-2月的国家法定节假日和大型促销日期,以及日期是否属于促销的标记。
在本发明的一些实施例中,步骤211可以包括:获取诸如电商平台的商户平台过去预定时间段(例如过去一年半)的节假日促销特征;并根据过去一年国家法定节假日和大型促销日期,对一年半日期进行是否属于促销的标记。
在本发明的一些实施例中,用户账户信息可以包括用户性别、用户年龄、用户会员等级等数据中的至少一项。
步骤212,将用户的历史业务迁移记录划分为目标数据集和历史数据集,并生成目标数据集特征和历史数据集特征。
在本发明的一些实施例中,步骤212可以包括:对于过去一年半的用户订单数据,可以选取一年数据为历史数据集,半年数据为目标数据集。
例如:在本发明一个具体实施例中,可以将2017-01-01到2017-12-31作为历史数据集,用来挖掘用户的复购历史;将2018-01-01到2018-06-31作为目标数据集,用来验证用户是否产生复购行为。
步骤213,将目标数据集特征和历史数据集特征输入目标用户预测模型,获得目标用户的账户。
步骤22,根据所述目标业务的历史迁移记录确定所述目标业务的N个高发时间段,其中,所述目标业务的迁移记录次数在所述高发时间段内高于高发阈值,其中N为大于1的正整数。
在本发明的一些实施例中,步骤22可以包括:
步骤221,判断每个预定时间段内目标业务的迁移记录次数是否大于高发阈值。
步骤222,在预定时间段内目标业务的迁移记录次数大于高发阈值的情况下,将目标业务的迁移记录次数大于高发阈值的预定时间段确定为所述目标业务的高发时间段。
在本发明的一些实施例中,步骤22可以包括:将目标数据集特征和历史数据集特征输入高发时间段预测模型,确定所述目标业务的N个高发时间段。
步骤23,获取所述目标业务在所述N个高发时间段的业务资源属性。
在本发明的一些实施例中,所述业务资源属性可以包括目标业务的所属类目、第N次高发时间段目标业务的迁移数量、N个高发时间段中每两个相邻时间段之间的平均时间间隔、目标业务订购价格等属性中的至少一项。
在本发明的一些实施例中,第N次高发时间段与第N+1次高发时间段之间的时间间隔为复购周期。
步骤24,根据所述业务资源属性确定第N+1个高发时间段。
在本发明的一些实施例中,步骤24可以包括:将所述业务资源属性输入高发时间段预测模型确定目标业务的第N+1个高发时间段。
步骤25,在所述第N+1个高发时间段内在所述目标用户的账户的业务展示位展示所述目标业务。
基于本发明上述实施例提供的业务展示方法,通过加入用户个体因素和环境因素的特征因子,可以根据用户的历史业务迁移记录确定目标业务的目标用户的账户、以及目标用户针对目标业务的下一个业务迁移高发时间段,向用户展示目标业务。本发明上述实施例可以更加准确、更加实时、更加智能地确定目标用户针对目标业务的下一个业务迁移高发时间段。本发明上述实施例可以根据不同用户、不同目标用户产生确定相应的目标业务以及下一个目标业务迁移高发时间段,并向用户展示目标业务,实现千人千面的模型结果。
图3为本发明业务展示方法另一些实施例的示意图。优选的,本实施例可由本发明业务展示装置执行。如图3所示,该方法可以包括以下步骤:
步骤31,获取用户的历史业务迁移记录。步骤31与图2实施例的步骤211或图1实施例的步骤111相同或类似,这里不再详述。
步骤32,将用户的历史业务迁移记录划分为目标数据集和历史数据集,并生成目标数据集特征和历史数据集特征。
在本发明的一些实施例中,目标数据集特征可以包括:用户对目标业务是否为目标用户;用户对目标业务的复购时间距离上次复购时间天数。
在本发明的一些实施例中,历史数据集特征可以包括:
1、过去一年用户全部订单数量;
2、过去一年用户购买过的不同业务数量;
3、过去一年用户购买过的不同品类数量;
4、过去一年用户产生复购过的不同业务数量;
5、过去一年用户产生复购过的不同品类数量;
6、过去一年用户在促销日期产生的购买占比全部购买的占比;
7、过去一年用户在促销日期产生的复购占比全部复购的占比;
8、过去一年用户是否购买过该业务;
9、过去一年用户是否购买过该业务或其相似业务;
10、过去一年用户是否购买过该业务所属类目;
11、过去一年用户购买过该业务次数(订单数);
12、过去一年用户购买过该业务或其相似业务次数(订单数);
13、过去一年用户购买过该业务所属类目次数(订单数);
14、用户对业务复购周期间隔天数最大值;
15、用户对业务复购周期间隔天数最小值;
16、用户对业务复购周期间隔天数平均值;
17、用户上次购买该业务的时间距离当下时间间隔天数;
18、用户上次购买任意业务的时间距离当下时间间隔天数;
19、用户上次购买该业务的时间距离当下时间中产生购买的次数;
20、用户上次购买该业务的销量;
21、用户上次购买该业务时是否有促销;
22、过去一年用户购买过该业务所属类目次数(订单数);
23、该业务复购率(等于过去一年对业务产生复购对人数除以全部业务的订单人数);
24、该业务及相似业务的复购率(等于过去一年对业务及相似业务集合产生复购对人数除以业务和相似业务的订单人数);
25、该业务所属类目的复购率(等于过去一年对类目产生复购对人数除以全部类目的订单人数);
26、用户性别;
27、用户年龄;
28、用户会员等级。
步骤33,将用户的历史业务迁移记录分为训练集和测试集。
在本发明的一些具体实施例中,训练集和测试集的具体比例可为7比3。
步骤34,生成和优化目标用户预测模型和高发时间段预测模型,其中:目标用户预测模型用于预测用户是否有会复购;高发时间段预测模型,用于预测目标用户对目标业务的的订购高发时间段。
在本发明的一些实施例中,目标用户预测模型的因变量是目标数据集中的用户对目标业务是否有目标用户;目标用户预测模型的自变量是步骤32确定的历史数据集中的目标用户和目标业务相关特征(序号1-7,18-24的特征)。
在本发明的一些实施例中,步骤34中的目标用户预测模型可以采用的分类预测模型为GBDT(Gradient Boosting Decision Tree,梯度提升决策树)或LR(logisticregression,逻辑回归分析)。
其中,GBDT是一种迭代的决策树算法,是一种常用的非线性模型。与普通的决策树不同,该算法由多棵决策树组成,所有树的结论累加起来做最终答案,也就是说提升树的“提升”点,在于它是迭代多棵回归树来共同决策,是整个迭代过程生成的回归树的累加。每一棵回归树学习的是之前所有树的结论和残差,拟合得到一个当前的残差回归树。好比每一次结果都是“集体智慧”或者说“站在巨人的肩膀”的意思,会比单一决策树效果更佳。决策树的目标是使的残差最小,当采用平方误差损失函数时,残差的意义如公式:残差=真实值-预测值。
LR模型中逻辑回归分析是一种广义线性回归(generalized linear model),因此与多重线性回归分析有很多相同之处。它们的模型形式基本上相同,都具有w‘x+b,其中w和b是待求参数,其区别在于他们的因变量不同,多重线性回归直接将w‘x+b作为因变量,即y=w‘x+b,而logistic回归则通过函数L将w‘x+b对应一个隐状态p,p=L(w‘x+b),然后根据p与1-p的大小决定因变量的值。如果L是logistic函数,就是logistic回归,如果L是多项式函数就是多项式回归。logistic回归的因变量可以是二分类的,也可以是多分类的,但是二分类的更为常用,也更加容易解释,多类可以使用softmax方法进行处理。
在本发明的一些实施例中,高发时间段预测模型的因变量是目标数据集中的用户对业务的复购周期间隔(本发明购物周期间隔的单位是天数,其他场景也可以根据需要选择周)。高发时间段预测模型的自变量是步骤22确定的历史数据集中全部数据(序号1-24)。
在本发明的一些实施例中,步骤33中的高发时间段预测模型可采用的分类预测模型为:GBDT或XGBoost(eXtreme Gradient Boosting,极端梯度提升)。其中,XGBoost是工业界逐渐风靡的基于梯度提升算法的一个优化的版本,可以给预测模型带来能力的提升。XGBoost最大的特点在于,它能够自动利用CPU的多线程进行并行,同时在算法上加以改进提高了精度。
在本发明的一些实施例中,步骤34可以包括:
步骤341,利用训练集对目标用户预测模型和高发时间段预测模型进行训练,生成模型拟合公式。
步骤342,根据模型拟合公式在测试集的模型效果分析进行参数调整,对目标用户预测模型和高发时间段预测模型进行优化,以得到最优的模型生成结果,用来对未来的数据进行预测。
在本发明的一些实施例中,步骤342中的所述模型效果分析可以包括准确率、覆盖率、AUC等相关指标的分析。
在本发明的一些实施例中,主要使用AUC来对模型效果进行评估。在二分类问题中,一个样本的类别只有两种:0、1,但是预测结果有四种可能性:一个样本标签是1被预测成1,记成TP(True Positive),样本标签是1被预测为0,记成FP(False Positive),样本标签是0也被预测成0,记成TN(True Negative),样本标签是0被预测为1,记成FN(FalseNegative),具体如表1所示。
表1
训练集 | 预测1 | 预测0 |
实际1 | TP(True Positive) | FN(False Negative) |
实际0 | FP(False Positive) | TN(True Negative) |
图4为本发明一个实施例中AUC指标的示意图。如图4所示,AUC(Area undercurve)值的大小等于ROC曲线下面区域的面积,是一个0-1之间是数字。ROC曲线是基于样本的真实类别和预测概率来画的,如上图所示,ROC曲线的x轴是负正类率(false positiverate),y轴是真正类率(true positive rate)。
图4的横轴为:FPR(false positive rate,负正类率)特异度,代表分类器预测的正类中实际负实例占所有负实例的比例。FPR=FP/(FP+TN),划分实例中所有负例占所有负例的比例;(1-Specificity)。
图4的纵轴为:TPR(true positive rate,真正类率)灵敏度,代表分类器预测的正类中实际正实例占所有正实例的比例。TPR=TP/(TP+FN),Sensitivity(正类覆盖率)。
AUC越大,模型训练效果越好。本发明上述实施例通过对模型AUC指标的评估,可以有效衡量模型的效果,并且通过调整模型参数,可以增加特征个数和范围进行优化结果,完成对模型的不断优化。
步骤35,将目标数据集特征和历史数据集特征输入目标用户预测模型,获得目标用户的账户。
步骤36,根据所述目标业务的历史迁移记录确定所述目标业务的N个高发时间段,其中,所述目标业务的迁移记录次数在所述高发时间段内高于高发阈值,其中N为大于1的正整数。
在本发明的一些实施例中,步骤36可以包括:将目标数据集特征和历史数据集特征输入高发时间段预测模型,确定所述目标业务的N个高发时间段。
步骤37,获取所述目标业务在所述N个高发时间段的业务资源属性。
步骤38,根据所述业务资源属性确定第N+1个高发时间段。
在本发明的一些实施例中,步骤38可以包括:将所述业务资源属性输入高发时间段预测模型确定目标业务的复购周期,以及第N+1个高发时间段,其中,复购周期为第N次高发时间段与第N+1次高发时间段之间的时间间隔。
在本发明的一些实施例中,所述业务资源属性可以包括目标业务的所属类目、第N次高发时间段目标业务的迁移数量、N个高发时间段中每两个相邻时间段之间的平均时间间隔、目标业务订购价格等属性中的至少一项。
在本发明的一些实施例中,所述业务展示方法还可以包括:结合用户体验逻辑优化复购周期结果。
在本发明的一些实施例中,所述业务展示方法还可以包括:根据平台运营或体验需要,设置复购周期的最大值或最小值。
例如:可以根据平台运营或体验需要,设定复购周期不小于3天,不超过45天。
在本发明的一些实施例中,所述业务展示方法还可以包括:在第N+1个高发时间段未到达的情况下,检测目标用户是否产生了对目标业务的信息获取请求;在目标用户产生对目标业务的信息获取请求的情况下,根据信息获取请求的频率,将第N+1个高发时间段提前。
在本发明的一些实施例中,所述业务展示方法还可以包括:计算用户对目标业务的末次购买时间距离当前时间的未购买时间间隔;在所述未购买时间间隔小于复购周期的情况下,标记为未达到复购周期;在所述未购买时间间隔大于等于复购周期的情况下,标记为已达到复购周期。
在本发明的一些实施例中,未到达复购周期可以用0标识,已到达复购周期可以用1标识。即,采用0/1标识即可。
步骤39,在所述第N+1个高发时间段内(即到达复购周期的情况下),在所述目标用户的账户的业务展示位展示所述目标业务。
在本发明的一些实施例中,所述业务展示方法还可以包括:计算所有目标业务种类的通用高发时间段。针对非目标用户,根据通用高发时间段设置其下一个高发时间段。
在本发明的一些实施例中,所述根据通用高发时间段设置非目标用户的下一个高发时间段的步骤可以包括:根据通用高发时间段确定两个通用高发时间段之间的通用复购周期;针对非目标用户,将所述通用复购周期的预定百分比分位数作为非目标用户对复购业务的复购周期。
在本发明的一些实施例中,所述预定百分比分位数可以为30%-50%分位数(可根据实际结果调整)。
本发明上述实施例的关键突破点在于提升了用户业务高发时间段预测的准确度,创新点是通过加入用户画像特征和业务促销特征,并结合了机器学习的方式而代替传统统计计算方式,将模型预测分为目标用户预测和高发时间段预测,由此本发明上述实施例可以更好理解用户的购物历史中隐藏的复购规律或购买习惯,特别是考虑到了电商平台的逢节假日必促销的特征和用户喜欢在促销时囤货的特点,可以实时计算并调整用户的下一个高发时间段。
本发明上述实施例针对有复购规律的用户大大提升推荐的精准度和用户体验的同时,又可以覆盖到全部尚未产生复购规律的用户。
本发明上述实施例将相关技术简单统计方式改为统计结合机器学习的方法,计算结果更加人工智能。
图5为本发明业务展示装置一些实施例的示意图。如图5所示,所述业务展示装置可以包括目标用户确定模块51、时间段确定模块52、资源属性获取模块53、时间段预测模块54和业务展示模块55,其中:
目标用户确定模块51,用于获取用户的历史业务迁移记录,根据用户的历史业务迁移记录确定目标业务的目标用户的账户。
在本发明的一些实施例中,业务迁移是将业务的数字信息从一种技术环境或数据存储平台转换到另一种技术环境或数据存储平台上。
在本发明的一些实施例中,业务迁移可以是电子文件的迁移。比如迁移的业务是电子文件的迁移时,该电子文件从源地址迁移至目的地址,其中源地址可以是存储该电子文件的源存储地址,目的地址可以是该电子文件迁移的目的存储地址。在本发明的一些实施例中,所述用户的历史业务迁移记录可以包括已执行迁移业务的电子文件迁移记录信息。
在本发明的一些实施例中,业务迁移可以是商品或服务的迁移,该商品或服务从源地址迁移至目的地址,其中源地址可以是为商品或服务在数据库中原始记录的归属属性,比如该商品或服务的发件人、发件地址等等,目的地址可以是为商品或服务在数据库中迁移记录的归属属性,可以是该商品或服务的收件人、收件地址等等。
在本发明的一些实施例中,所述用户的历史业务迁移记录可以包括用户对各种商品、服务(例如电信业务、金融服务)等业务的订购记录(订单数据)。
在本发明的一些实施例中,用户订单数据可以包括用户标识、用户订购业务的业务标识、用户订购业务的所属类目、用户订购业务的订购时间、用户订购业务的订购数量、用户订购业务的收货地址所在区域等数据中的至少一项。
在本发明的一些实施例中,目标用户确定模块51可以用于获取用户(例如电商平台用户)过去预定周期(例如过去一年半)的全部有效订单历史数据,其中所述全部有效订单历史数据可以包括用户标识,订购业务,订购业务所属类目,订购时间,订购数量,收货地址所在区域;并去除全部有效订单历史数据中取消或者退货的订单内容。
在本发明的一些实施例中,所述用户的历史业务迁移记录还可以包括节日促销数据和用户账户信息。
在本发明的一些实施例中,节日促销数据可以包括过去预定时间段国家法定节假日和大型促销日期,以及日期是否属于促销的标记。
在本发明的一些实施例中,目标用户确定模块51可以用于获取诸如电商平台的商户平台过去预定时间段(例如过去一年半)的节假日促销特征;并根据过去一年国家法定节假日和大型促销日期,对一年半日期进行是否属于促销的标记。
在本发明的一些实施例中,用户账户信息可以包括用户性别、用户年龄、用户会员等级等数据中的至少一项。
在本发明的一些实施例中,目标用户确定模块51可以用于将用户的历史业务迁移记录划分为目标数据集和历史数据集,并生成目标数据集特征和历史数据集特征;将目标数据集特征和历史数据集特征输入目标用户预测模型,获得目标用户的账户。
在本发明的一些实施例中,目标用户确定模块51可以用于对于过去一年半的电子文件迁移记录信息,选取一年电子文件迁移记录信息为历史数据集,半年数据为目标数据集。
在本发明的一些实施例中,目标用户确定模块51可以用于将2017-01-01到2017-12-31作为历史数据集,用来挖掘分析用户的执行电子文件迁移的行为;将2018-01-01到2018-06-31作为目标数据集,用来验证用户是否执行电子文件迁移记录。
时间段确定模块52,用于根据所述目标业务的历史迁移记录确定所述目标业务的N个高发时间段,其中,所述目标业务的迁移记录次数在所述高发时间段内高于高发阈值,其中N为大于1的正整数。
在本发明的一些实施例中,时间段确定模块52可以用于判断每个预定时间段内目标业务的迁移记录次数是否大于高发阈值;在预定时间段内目标业务的迁移记录次数大于高发阈值的情况下,将目标业务的迁移记录次数大于高发阈值的预定时间段确定为所述目标业务的高发时间段。
在本发明的一些实施例中,时间段确定模块52可以用于将目标数据集特征和历史数据集特征输入高发时间段预测模型,确定所述目标业务的N个高发时间段。
资源属性获取模块53,用于获取所述目标业务在所述N个高发时间段的业务资源属性。
在本发明的一些实施例中,所述业务资源属性可以包括目标业务的所属类目、第N次高发时间段目标业务的迁移数量、N个高发时间段中每两个相邻时间段之间的平均时间间隔、目标业务迁移的源地址、目标业务订购价格等属性中的至少一项。
在本发明的一些实施例中,第N次高发时间段与第N+1次高发时间段之间的时间间隔为迁移周期。
时间段预测模块54,用于根据所述业务资源属性确定第N+1个高发时间段。
在本发明的一些实施例中,时间段预测模块54可以用于将所述业务资源属性输入高发时间段预测模型确定目标业务的复购周期,以及第N+1个高发时间段,其中,复购周期为第N次高发时间段与第N+1次高发时间段之间的时间间隔。
在本发明的一些实施例中,时间段预测模块54可以用于在第N+1个高发时间段未到达的情况下,检测目标用户是否产生了对目标业务的信息获取请求;在目标用户产生对目标业务的信息获取请求的情况下,根据信息获取请求的频率,将第N+1个高发时间段提前。
业务展示模块55,用于在所述第N+1个高发时间段内在所述目标用户的账户的业务展示位展示所述目标业务。
在本发明的一些实施例中,业务展示模块55可以用于在所述第N+1个高发时间段内,识别到所述目标用户账户或所述目标用户账户的关联账户处于操作状态的情况下,在用户终端生成业务展示位,其中,操作状态为目标用户使用目标用户账户或目标用户账户的关联账户在操作页面进行浏览等操作的状态;并在用户终端的业务展示位中展示目标业务内容。
在本发明的一些实施例中,所述业务展示位可以生成于操作界面中,还可以生成在基于操作界面的浮层或弹窗中。
在本发明的一些实施例中,所述用户终端可包括但不限于:智能手机、智能手表、平板电脑、计算机等设备。
在本发明的一些实施例中,所述目标业务内容可以采用图片、文本、动画、短视频、声音等不同的多媒体形式进行展示。本发明对目标业务内容的展示方式具体可根据实际应用的需要进行设置或调整,并不应构成对本发明的限定。
在本发明的一些实施例中,所述业务展示装置用于执行实现如上述任一实施例(例如图1-图4任一实施例)所述的业务展示方法的操作。
基于本发明上述实施例提供的业务展示装置,通过加入用户个体因素和环境因素的特征因子,可以根据用户的历史业务迁移记录确定目标业务的目标用户的账户、以及目标用户针对目标业务的下一个业务迁移高发时间段,向用户展示目标业务。本发明上述实施例可以更加准确、更加实时、更加智能地确定目标用户针对目标业务的下一个业务迁移高发时间段。本发明上述实施例可以根据不同用户、不同目标用户产生确定相应的目标业务以及下一个目标业务迁移高发时间段,并向用户展示目标业务,实现千人千面的模型结果。
图6为本发明业务展示装置又一些实施例的示意图。如图6所示,所述业务展示装置可以包括存储器61和处理器62,其中:
存储器61,用于存储指令。
处理器62,用于执行所述指令,使得所述业务展示装置执行实现如上述任一实施例(例如图1-图4任一实施例)所述的业务展示方法的操作。
本发明上述实施例的关键突破点在于提升了用户业务高发时间段预测的准确度,创新点是通过加入用户画像特征和业务促销特征,并结合了机器学习的方式而代替传统统计计算方式,将模型预测分为目标用户预测和高发时间段预测,由此本发明上述实施例可以更好理解用户的购物历史中隐藏的复购规律或购买习惯,特别是考虑到了电商平台的逢节假日必促销的特征和用户喜欢在促销时囤货的特点,可以实时计算并调整用户的下一个高发时间段。
本发明上述实施例针对有复购规律的用户大大提升推荐的精准度和用户体验的同时,又可以覆盖到全部尚未产生复购规律的用户。
本发明上述实施例将相关技术简单统计方式改为统计结合机器学习的方法,计算结果更加人工智能。
根据本发明的另一方面,提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述指令被处理器执行时实现如上述任一实施例(例如图1-图4任一实施例)所述的业务展示方法。
基于本发明上述实施例提供的计算机可读存储介质,通过加入用户个体因素和环境因素的特征因子,可以根据用户的历史业务迁移记录确定目标业务的目标用户的账户、以及目标用户针对目标业务的下一个业务迁移高发时间段,向用户展示目标业务。本发明上述实施例可以更加准确、更加实时、更加智能地确定目标用户针对目标业务的下一个业务迁移高发时间段。本发明上述实施例可以根据不同用户、不同目标用户产生确定相应的目标业务以及下一个目标业务迁移高发时间段,并向用户展示目标业务,实现千人千面的模型结果。
在上面所描述的业务展示装置可以实现为用于执行本申请所描述功能的通用处理器、可编程逻辑控制器(PLC)、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件或者其任意适当组合。
至此,已经详细描述了本发明。为了避免遮蔽本发明的构思,没有描述本领域所公知的一些细节。本领域技术人员根据上面的描述,完全可以明白如何实施这里公开的技术方案。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
本发明的描述是为了示例和描述起见而给出的,而并不是无遗漏的或者将本发明限于所公开的形式。很多修改和变化对于本领域的普通技术人员而言是显然的。选择和描述实施例是为了更好说明本发明的原理和实际应用,并且使本领域的普通技术人员能够理解本发明从而设计适于特定用途的带有各种修改的各种实施例。
Claims (10)
1.一种业务展示方法,其特征在于,包括:
获取用户的历史业务迁移记录,根据用户的历史业务迁移记录确定目标业务的目标用户的账户,其中,所述用户的历史业务迁移记录包括节日促销数据,节日促销数据包括过去预定时间段国家法定节假日和大型促销日期,以及日期是否属于促销的标记,所述根据用户的历史业务迁移记录确定目标业务的目标用户的账户包括:将用户的历史业务迁移记录划分为目标数据集和历史数据集,并生成目标数据集特征和历史数据集特征,将目标数据集特征和历史数据集特征输入目标用户预测模型,获得目标用户的账户;
根据所述目标业务的历史迁移记录确定所述目标业务的N个高发时间段,其中,所述目标业务的迁移记录次数在所述高发时间段内高于高发阈值,其中N为大于1的正整数,所述根据所述目标业务的历史迁移记录确定所述目标业务的N个高发时间段包括:将目标数据集特征和历史数据集特征输入高发时间段预测模型,确定所述目标业务的N个高发时间段;
获取所述目标业务在所述N个高发时间段的业务资源属性,其中,所述业务资源属性包括第N次高发时间段目标业务的迁移数量;
根据所述业务资源属性确定第N+1个高发时间段;
在所述第N+1个高发时间段内在所述目标用户的账户的业务展示位展示所述目标业务。
2.根据权利要求1所述的业务展示方法,其特征在于,还包括:
在第N+1个高发时间段未到达的情况下,检测目标用户是否产生了对目标业务的信息获取请求;
在目标用户产生对目标业务的信息获取请求的情况下,根据信息获取请求的频率,将第N+1个高发时间段提前。
3.根据权利要求1或2所述的业务展示方法,其特征在于,所述根据所述目标业务的历史迁移记录确定所述目标业务的N个高发时间段包括:
判断每个预定时间段内目标业务的迁移记录次数是否大于高发阈值;
在预定时间段内目标业务的迁移记录次数大于高发阈值的情况下,将目标业务的迁移记录次数大于高发阈值的预定时间段确定为所述目标业务的高发时间段。
4.根据权利要求1或2所述的业务展示方法,其特征在于,所述业务资源属性还包括目标业务的所属类目、N个高发时间段中每两个相邻时间段之间的平均时间间隔中的至少一项。
5.根据权利要求1或2所述的业务展示方法,其特征在于,
所述根据所述业务资源属性确定第N+1个高发时间段包括:将所述业务资源属性输入高发时间段预测模型确定目标业务的第N+1个高发时间段。
6.根据权利要求5所述的业务展示方法,其特征在于,还包括:
将用户的历史业务迁移记录分为训练集和测试集;
利用训练集对目标用户预测模型和高发时间段预测模型进行训练,生成模型拟合公式;
根据模型拟合公式在测试集的模型效果分析进行参数调整,对目标用户预测模型和高发时间段预测模型进行优化。
7.一种业务展示装置,其特征在于,包括:
目标用户确定模块,用于获取用户的历史业务迁移记录,根据用户的历史业务迁移记录确定目标业务的目标用户的账户,其中,所述用户的历史业务迁移记录包括节日促销数据,节日促销数据包括过去预定时间段国家法定节假日和大型促销日期,以及日期是否属于促销的标记,所述根据用户的历史业务迁移记录确定目标业务的目标用户的账户包括:将用户的历史业务迁移记录划分为目标数据集和历史数据集,并生成目标数据集特征和历史数据集特征,将目标数据集特征和历史数据集特征输入目标用户预测模型,获得目标用户的账户;
时间段确定模块,用于根据所述目标业务的历史迁移记录确定所述目标业务的N个高发时间段,其中,所述目标业务的迁移记录次数在所述高发时间段内高于高发阈值,其中N为大于1的正整数,所述根据所述目标业务的历史迁移记录确定所述目标业务的N个高发时间段包括:将目标数据集特征和历史数据集特征输入高发时间段预测模型,确定所述目标业务的N个高发时间段;
资源属性获取模块,用于获取所述目标业务在所述N个高发时间段的业务资源属性,其中,所述业务资源属性包括第N次高发时间段目标业务的迁移数量;
时间段预测模块,用于根据所述业务资源属性确定第N+1个高发时间段;
业务展示模块,用于在所述第N+1个高发时间段内在所述目标用户的账户的业务展示位展示所述目标业务。
8.根据权利要求7所述的业务展示装置,其特征在于,所述业务展示装置用于执行实现如权利要求2-6中任一项所述的业务展示方法的操作。
9.一种业务展示装置,其特征在于,包括:
存储器,用于存储指令;
处理器,用于执行所述指令,使得所述业务展示装置执行实现如权利要求1-6中任一项所述的业务展示方法的操作。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述指令被处理器执行时实现如权利要求1-6中任一项所述的业务展示方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910175363.1A CN111667290B (zh) | 2019-03-08 | 2019-03-08 | 业务展示方法和装置、计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910175363.1A CN111667290B (zh) | 2019-03-08 | 2019-03-08 | 业务展示方法和装置、计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111667290A CN111667290A (zh) | 2020-09-15 |
CN111667290B true CN111667290B (zh) | 2024-06-18 |
Family
ID=72382437
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910175363.1A Active CN111667290B (zh) | 2019-03-08 | 2019-03-08 | 业务展示方法和装置、计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111667290B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107220845A (zh) * | 2017-05-09 | 2017-09-29 | 北京小度信息科技有限公司 | 用户复购概率预测/用户质量确定方法、装置及电子设备 |
CN107784390A (zh) * | 2017-10-19 | 2018-03-09 | 北京京东尚科信息技术有限公司 | 用户生命周期的识别方法、装置、电子设备及存储介质 |
CN109064261A (zh) * | 2018-07-12 | 2018-12-21 | 北京京东金融科技控股有限公司 | 推荐商品的方法、装置和计算机可读存储介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108629413B (zh) * | 2017-03-15 | 2020-06-16 | 创新先进技术有限公司 | 神经网络模型训练、交易行为风险识别方法及装置 |
CN107909433A (zh) * | 2017-11-14 | 2018-04-13 | 重庆邮电大学 | 一种基于大数据移动电子商务的商品推荐方法 |
CN107944913B (zh) * | 2017-11-21 | 2022-03-22 | 重庆邮电大学 | 基于大数据用户行为分析的高潜在用户购买意向预测方法 |
-
2019
- 2019-03-08 CN CN201910175363.1A patent/CN111667290B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107220845A (zh) * | 2017-05-09 | 2017-09-29 | 北京小度信息科技有限公司 | 用户复购概率预测/用户质量确定方法、装置及电子设备 |
CN107784390A (zh) * | 2017-10-19 | 2018-03-09 | 北京京东尚科信息技术有限公司 | 用户生命周期的识别方法、装置、电子设备及存储介质 |
CN109064261A (zh) * | 2018-07-12 | 2018-12-21 | 北京京东金融科技控股有限公司 | 推荐商品的方法、装置和计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111667290A (zh) | 2020-09-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7120649B2 (ja) | 情報処理システム、情報処理装置、予測モデル抽出方法および予測モデル抽出プログラム | |
US11651381B2 (en) | Machine learning for marketing of branded consumer products | |
KR100961783B1 (ko) | 인공지능에 기반한 제품 및 제품 벤더 추천 장치 및 방법, 그 기록 매체 | |
CN106251174A (zh) | 信息推荐方法及装置 | |
Yang et al. | Big data market optimization pricing model based on data quality | |
TW201437933A (zh) | 搜尋引擎的結果排序方法及系統 | |
CN110647683B (zh) | 一种信息推荐方法、装置 | |
US20200293923A1 (en) | Predictive rfm segmentation | |
CN111738805B (zh) | 基于行为日志的搜索推荐模型生成方法、设备和存储介质 | |
CN116431931B (zh) | 实时增量数据统计分析方法 | |
CN107292713A (zh) | 一种基于规则与层级融合的个性推荐方法 | |
CN108171530B (zh) | 一种用于客单价和复购率的提升方法及装置 | |
US20160117702A1 (en) | Trend-based clusters of time-dependent data | |
BenMark et al. | How retailers can drive profitable growth through dynamic pricing | |
TW201734909A (zh) | 一種目標用戶的識別方法和裝置 | |
CN116739652A (zh) | 一种服装电商销量预测建模方法 | |
JP4386973B2 (ja) | 階層的予測モデル構築装置及びその方法 | |
Chen et al. | Modified economic production and raw material model with quality loss for conforming product | |
CN110490682B (zh) | 分析商品属性的方法和装置 | |
CN111667290B (zh) | 业务展示方法和装置、计算机可读存储介质 | |
CN107357847B (zh) | 数据处理方法及其装置 | |
CN110020918A (zh) | 一种推荐信息生成方法和系统 | |
CN111160929B (zh) | 一种客户类型的确定方法及装置 | |
CN110738538B (zh) | 识别相似物品的方法和装置 | |
Singh et al. | Customer life time value model framework using gradient boost trees with RANSAC response regularization |
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 |