CN111768260A - 推荐同兴趣用户的方法、装置及设备 - Google Patents
推荐同兴趣用户的方法、装置及设备 Download PDFInfo
- Publication number
- CN111768260A CN111768260A CN201910859197.7A CN201910859197A CN111768260A CN 111768260 A CN111768260 A CN 111768260A CN 201910859197 A CN201910859197 A CN 201910859197A CN 111768260 A CN111768260 A CN 111768260A
- Authority
- CN
- China
- Prior art keywords
- user
- interest
- users
- information
- circle
- 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
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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
-
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
Abstract
本发明实施例提供的推荐同兴趣用户的方法、装置及设备,该方法包括:根据第一用户在终端的操作,确定第一用户是否具有获取同兴趣用户的需求;在确定第一用户具有获取同兴趣用户的需求时,获取第一用户的特征信息;根据第一用户的特征信息以及兴趣圈预测模型,预测第一用户所属的兴趣圈,向第一用户的终端发送推荐信息,推荐信息中包括至少一个第二用户的标识,第二用户为第一用户所属兴趣圈中的用户。由此可见,本实施例在确定用户具有获取同兴趣用户的需求时,根据用户的特征信息预测得到用户所属的兴趣圈,然后将该兴趣圈中的其他用户推荐给该用户,使得用户能够快速寻找到与自己同兴趣的用户,从而提高该用户的拼团效率,提升拼团体验。
Description
技术领域
本发明实施例涉及互联网技术领域,尤其涉及一种推荐同兴趣用户的方法、装置及设备。
背景技术
随着互联网技术的高速发展,越来越多的人选择网上购物,用户通过终端浏览电商平台,选择所需商品并购买。商品团购在电商中得到广泛应用,商品团购是指多个消费者联合起来购买商品,以求得优惠价格的一种购物方式。
目前,电商平台为了提升用户购物体验,通常会向用户推荐其可能感兴趣的商品。示例性的,根据用户关注的或者已经购买的商品,计算其他商品与该商品之间的相似度或者关联度,并根据相似度或者关联度预测出用户可能感兴趣的商品,将这些可能感兴趣的商品推荐给用户。
然而,当用户感兴趣的商品为团购商品时,用户经常找不到能够一起参团的其他用户,或者需要花费很长的时间来寻找一起参团的其他用户,导致团购效率较低,使得用户团购体验不佳。
发明内容
本发明实施例提供一种推荐同兴趣用户的方法、装置及设备,用以提高用户找到同兴趣用户的效率,提升用户拼团体验。
第一方面,本发明实施例提供一种推荐同兴趣用户的方法,包括:
根据第一用户在终端的操作,确定所述第一用户是否具有获取同兴趣用户的需求;
在确定所述第一用户具有获取同兴趣用户的需求时,获取所述第一用户的特征信息;
根据所述第一用户的特征信息以及兴趣圈预测模型,预测所述第一用户所属的兴趣圈,所述兴趣圈中的各用户具有共同的兴趣;
向所述第一用户的终端发送推荐信息,所述推荐信息中包括至少一个第二用户的标识,所述第二用户为所述第一用户所属兴趣圈中的用户。
可选的,所述获取所述第一用户的特征信息,包括:
获取所述第一用户在终端的历史操作记录,所述历史操作记录包括:关注商品的记录、加入购物车商品的记录、购买商品的记录、浏览商品的记录、对推送消息的响应记录;
根据所述历史操作记录,获取所述第一用户的兴趣要素信息;
将所述历史操作记录和所述兴趣要素信息作为所述第一用户的特征信息。
可选的,所述向所述第一用户的终端发送推荐信息之前,还包括:
获取所述第一用户所属兴趣圈中的各用户的标识,以及各用户的在线状态;
若所述第一用户所属兴趣圈中存在处于在线状态的用户,则从处于在线状态的用户中选择出至少一个第二用户的标识。
可选的,所述获取所述第一用户所属兴趣圈中的各用户的标识,以及各用户的在线状态之后,还包括:
若所述第一用户所属兴趣圈中不存在处于在线状态的用户,则从所述第一用户所属兴趣圈中选择出至少一个离线用户的标识;
向各所述离线用户的标识对应的终端发送请求消息。
可选的,所述根据第一用户在终端的操作,确定所述第一用户是否具有获取同兴趣用户的需求,包括:
在检测到所述第一用户进行加入购物车操作,且所述第一用户领取有优惠券时,获取所述第一用户对应的购物车内的商品信息,以及所述第一用户对应的优惠券信息,根据所述商品信息以及所述优惠券信息,确定所述第一用户是否具有获取同兴趣用户的需求。
可选的,所述推荐信息中还包括各所述第二用户在最近预设时间段内购买的商品。
可选的,所述根据第一用户在终端的操作,确定所述第一用户是否具有获取同兴趣用户的需求,包括:
若检测到所述第一用户进行开团操作或者参团操作,则确定所述第一用户具有获取同兴趣用户的需求。
可选的,所述根据所述第一用户的兴趣特征信息以及兴趣圈预测模型,预测所述第一用户所属的兴趣圈之前,还包括:
获取多个第三用户的特征信息,所述特征信息包括历史操作记录和兴趣要素信息;
根据各所述第三用户的特征信息以及预设的标注规则,生成各所述第三用户对应的兴趣圈标签;
利用各所述第三用户的特征信息和兴趣圈标签,对待训练的兴趣圈预测模型进行训练,得到训练后的兴趣圈预测模型。
第二方面,本发明实施例提供一种推荐同兴趣用户的装置,包括:
确定模块,用于根据第一用户在终端的操作,确定所述第一用户是否具有获取同兴趣用户的需求;
获取模块,用于在确定所述第一用户具有获取同兴趣用户的需求时,获取所述第一用户的特征信息;
预测模块,用于根据所述第一用户的特征信息以及兴趣圈预测模型,预测所述第一用户所属的兴趣圈,所述兴趣圈中的各用户具有共同的兴趣;
推荐模块,用于向所述第一用户的终端发送推荐信息,所述推荐信息中包括至少一个第二用户的标识,所述第二用户为所述第一用户所属兴趣圈中的用户。
可选的,所述获取模块具体用于:
获取所述第一用户在终端的历史操作记录,所述历史操作记录包括:关注商品的记录、加入购物车商品的记录、购买商品的记录、浏览商品的记录、对推送消息的响应记录;
根据所述历史操作记录,获取所述第一用户的兴趣要素信息;
将所述历史操作记录和所述兴趣要素信息作为所述第一用户的特征信息。
可选的,所述推荐模块还用于:
获取所述第一用户所属兴趣圈中的各用户的标识,以及各用户的在线状态;
若所述第一用户所属兴趣圈中存在处于在线状态的用户,则从处于在线状态的用户中选择出至少一个第二用户的标识。
可选的,所述推荐模块还用于:
若所述第一用户所属兴趣圈中不存在处于在线状态的用户,则从所述第一用户所属兴趣圈中选择出至少一个离线用户的标识;
向各所述离线用户的标识对应的终端发送请求消息。
可选的,所述确定模块具体用于:
在检测到所述第一用户进行加入购物车操作,且所述第一用户领取有优惠券时,获取所述第一用户对应的购物车内的商品信息,以及所述第一用户对应的优惠券信息,根据所述商品信息以及所述优惠券信息,确定所述第一用户是否具有获取同兴趣用户的需求。
可选的,所述推荐信息中还包括各所述第二用户在最近预设时间段内购买的商品。
可选的,所述确定模块具体用于:
若检测到所述第一用户进行开团操作或者参团操作,则确定所述第一用户具有获取同兴趣用户的需求。
可选的,所述装置还包括构建模块,用于:
获取多个第三用户的特征信息,所述特征信息包括历史操作记录和兴趣要素信息;
根据各所述第三用户的特征信息以及预设的标注规则,生成各所述第三用户对应的兴趣圈标签;
利用各所述第三用户的特征信息和兴趣圈标签,对待训练的兴趣圈预测模型进行训练,得到训练后的兴趣圈预测模型。
第三方面,本发明实施例提供一种推荐设备,包括:存储器、处理器以及计算机程序,所述计算机程序存储在所述存储器中,所述处理器运行所述计算机程序执行如第一方面任一项所述的方法。
第四方面,本发明实施例提供一种计算机可读存储介质,所述计算机可读存储介质包括计算机程序,所述计算机程序被处理器执行时实现如第一方面任一项所述的方法。
本发明实施例提供的推荐同兴趣用户的方法、装置及设备,该方法包括:根据第一用户在终端的操作,确定第一用户是否具有获取同兴趣用户的需求;在确定第一用户具有获取同兴趣用户的需求时,获取第一用户的特征信息;根据第一用户的特征信息以及兴趣圈预测模型,预测第一用户所属的兴趣圈,向第一用户的终端发送推荐信息,推荐信息中包括至少一个第二用户的标识,第二用户为所述第一用户所属兴趣圈中的用户。由此可见,本实施例可以实时识别出用户是否具有获取同兴趣用户的需求,并在确定用户具有获取同兴趣用户的需求时,根据用户的特征信息预测得到用户所属的兴趣圈,然后将该兴趣圈中的其他用户推荐给该用户,使得用户能够快速找到与其同兴趣的用户。进而,用户可以与同兴趣用户进行拼团,提高用户的拼团效率,提升拼团体验。
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性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例适用的一种应用场景的示意图;
图2为本发明实施例提供的兴趣圈预测模型的构建方法的流程示意图;
图3为本发明实施例提供的兴趣圈预测模型的构建过程示意图;
图4为本发明一实施例提供的推荐同兴趣用户的方法的流程示意图;
图5为本发明另一实施例提供的推荐同兴趣用户的方法的流程示意图;
图6为本发明一实施例提供的推荐同兴趣用户的装置的结构示意图;
图7为本发明另一实施例提供的推荐同兴趣用户的装置的结构示意图;
图8为本发明实施例提供的推荐设备的结构示意图。
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。基于本发明中的实施例,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他实施例,都属于本发明保护的范围。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
本发明实施例适用于互联网领域中的拼团推荐场景。下面结合图1对本申请实施例的可能的应用场景进行介绍。图1为本发明实施例适用的一种应用场景的示意图。如图1所示,包括:服务器和多个终端。其中,终端是用户能够访问电商平台的任意电子设备,包括但不限于:计算机、智能手机、笔记本电脑、平板电脑、智能穿戴设备等。服务器可以为电商平台的后台服务器。
图1所示的场景中,用户通过终端访问电商平台,通过电商平台可以浏览商品、关注商品、购买商品等。在用户购买商品的过程中,可能出现获取同兴趣用户的需求,例如:在某些商品具有团购优惠的情况下,用户希望与他人一起团购该商品,因此,用户希望找到与自己同兴趣的用户来一起购买该商品,从而能够以优惠的价格买到该商品。
本申请实施例提供一种推荐同兴趣用户的方法,该方法由图1中的服务器执行,服务器能够实时地识别出用户是否具有获取同兴趣用户的需求,并在识别出用户具有获取同兴趣用户的需求的情况下,向该用户推荐与其具有共同兴趣的其他用户,从而该用户可以邀请其他用户拼团购买商品,提高用户团购效率,提升用户的购物体验。
下面以具体地实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例不再赘述。
为了描述方便,首先结合图2和图3描述本发明实施例中兴趣圈预测模型的构建方法。然后再结合图4和图5描述本发明实施例中利用兴趣圈预测模型对用户进行推荐同兴趣用户的方法。
图2为本发明实施例提供的兴趣圈预测模型的构建方法的流程示意图。图3为本发明实施例提供的兴趣圈预测模型的构建过程示意图。如图2和图3所示,本实施例的方法,包括:
S201:获取多个第三用户的特征信息。
其中,第三用户为待训练用户,用于训练兴趣圈预测模型。
本实施例中,用户的特征信息是能够指示出用户的特征的任意信息,包括但不限于:画像信息、行为信息、兴趣要素信息等。
示例性的,根据用户的注册信息,获取用户的画像信息。画像信息包括但不限于:年龄、性别、地理位置、购买能力、会员等级等。
示例性的,根据用户的历史操作记录,获取用户的行为信息。历史操作记录包括但不限于:关注商品的记录、加入购物车商品的记录、购买商品的记录、浏览商品的记录、对推送消息的响应记录等。
其中,可以通过对用户收藏或者关注的商品信息进行收集,得到关注商品的记录。可以通过对用户加入购物车的商品信息进行收集,得到加入购物车的商品的记录。可以对用户历史购买商品信息进行收集,得到购买商品的记录。还可以对用户浏览商品信息、点击查看过的商品信息进行收集,得到浏览商品的记录。
另外,电商平台为了提升用户购物体验,通常还会定期或者不定期地为用户推送消息。示例性的,用户购买一个行车记录仪之后,电商平台推测用户可能还需要购买存储卡,因此,会向该用户推送存储卡相关的消息。或者,用户刚刚预定完一个电影票,电商平台会向用户推送一条介绍爆米花的文章,并在文章中引入爆米花的商品详情页。
针对电商平台推送的消息,不同用户的响应不同。例如:有些用户会及时打开推送消息,有些用户则从来不打开推送消息,有些用户还可能仅在某些时间段打开推送消息。另外,还有些用户可能会对推送消息进行分享、点赞、评论、转发、收藏等。因此,本实施例中,服务器可以针对用户对推送消息的响应情况进行收集,得到对推送消息的响应记录。
示例性的,根据用户的操作记录,获取用户的兴趣要素信息。兴趣要素信息包括但不限于下述中的一种或者多种:喜好的商品品牌要素、喜好的服务要素、喜好的营销要素、喜好的互动要素等。
其中,商品品牌要素并非单指商品所属的某个品牌,而是指在商品详情页上,所展示出的商品的品牌要素,包括:商家的信誉水平、服务评价及评分情况,以及商品的品质等。不同兴趣的用户喜好的商品品牌要素不同。因此,可以将用户喜好的商品品牌要素作为一个兴趣挖掘点。
服务要素是商品详情页必不可少的部分,例如:运输服务、票据服务、退还服务等。不同兴趣的用户喜好的服务要素不同。因此,可以将用户喜好的服务要素作为一个兴趣挖掘点。
营销要素主要是指商品的促销活动和优惠政策,以及商品的各类关联推荐,例如:搭配套餐、猜你喜欢等营销元素。在商品详情页中通常包括“促销信息”、“促销标签”、“优惠信息”、“满减”、“换购”、“赠品”等营销活动,不同兴趣的用户喜好的营销要素不同。因此,可以将用户喜好的营销要素作为一个兴趣挖掘点。
互动要素主要是指用户在商品的评论区的互动方式以及活跃度。不同兴趣的用户喜好的互动要素不同,因此,可以将用户喜好的互动要素作为一个兴趣挖掘点。
S202:根据各所述第三用户的特征信息以及预设的标注规则,生成各所述第三用户对应的兴趣圈标签。
S203:利用各所述第三用户的特征信息和兴趣圈标签,对待训练的兴趣圈预测模型进行训练,得到训练后的兴趣圈预测模型。
本申请实施例中,通过对大量训练用户的特征信息进行分析统计,定义出预设的标注规则,用以标注用户特征信息与兴趣圈之间的关联关系。
以对推送消息的响应特征为例,可以从如下几个角度来定义标注规则。
(1)电商平台向大量用户推送消息后,用户通常会有选择地打开推送消息。若有些用户总是打开并浏览相同的推送消息,同时也屏蔽相同的推送消息,则说明这些用户具有共同兴趣的可能性更大。
(2)电商平台向大量用户推送消息后,用户通常会在相对空闲的时间段打开并浏览。如果有些用户总是在相同的时间段打开并浏览推送消息,则认为这些用户生活习惯比较相似,具有共同兴趣的可能性更大。
(3)电商平台向大量用户推送消息后,用户可以针对推送消息进行反馈,例如:点赞、转发、分享、评论等。若有些用户对相同推送消息的反馈方式总是相同,说明这些用户具有共同兴趣的可能性更大。
需要说明的是,上述仅以对推送消息的响应特征为例描述标注规则的定义方式,其他特征的标注规则的定义方式类似,此处不一一列举。
根据上述标注规则,对训练用户的特征信息进行标注,得到各个训练用户对应的兴趣圈标签。利用各训练用户的特征信息和兴趣圈标签,对待训练的兴趣圈预测模型进行有监督的训练,得到训练后的兴趣圈预测模型。
示例性的,将训练用户的特征信息输入兴趣圈预测模型,获取兴趣圈预测模型的输出结果,根据训练用户的兴趣圈标签以及输出结果,对兴趣圈预测模型的参数进行调整。重复上述过程,直至兴趣圈预测模型的输出结果的准确率达到预设条件或者达到收敛条件,训练过程结束。
本申请实施例对于兴趣圈预测模型的结构不作限定,例如,可以采用深度神经网络(Deep Neural Network,DNN)模型,还可以采用其他的网络模型。
本发明实施例提供的方法,通过获取训练用户的特征信息,并对训练用户的特征信息进行分析统计,得到训练用户对应的兴趣圈标签,进而利用训练用户的特征信息以及兴趣圈标签进行训练,得到兴趣圈预测模型。从而,在拼团场景中,可以利用兴趣圈预测模型预测得到用户所属的兴趣圈,进而根据用户所属的兴趣圈向用户推荐与其具有共同兴趣的用户,提高用户的拼团效率,提升用户的拼团体验。
图4为本发明一实施例提供的推荐同兴趣用户的方法的流程示意图。如图4所示,本实施例的方法,包括:
S401、根据第一用户在终端的操作,确定所述第一用户是否具有获取同兴趣用户的需求。
本实施例中,获取同兴趣用户的需求是指用户需要寻找与自己具有共同兴趣的用户的需求。一种场景中,当用户需要进行拼团购买时,用户通常需要寻找与自己具有共同兴趣的用户,因为同兴趣用户的购买需求通常也比较类似。因此,该场景下,获取同兴趣用户的需求,也可以称为拼团需求。其中,拼团购买可以为下述两种形式中的任一种。
第一种拼团购买的形式为:用户需要与他人凑单购买。即,将多个用户所需购买的商品在一个订单中购买,其中,多个用户所需购买的商品可以相同,也可以不同。该形式中,由于一个订单的成交金额较大,因此能够享受到一些优惠。这种拼团购买的形式可以称为凑单拼团。
第二种拼团购买的形式为:用户需要与他人团购某商品。即,多个用户均购买同一商品。该形式中,由于该商品的成交数量较多,因此能够享受到一些优惠。这种拼团购买的形式可以称为凑数量拼团。
本实施例中,第一用户为通过终端访问电商平台的任一用户。服务器可以根据第一用户在终端的操作,确定第一用户是否具有获取同兴趣用户的需求。其中,第一用户在终端的操作包括但不限于:浏览操作、关注操作、收藏操作、加入购物车操作、领取优惠券操作等。
示例性的,若第一用户当前浏览的商品为团购优惠商品,或者第一用户在预设时长内浏览的商品均为团购优惠商品,则确定第一用户具有获取同兴趣用户的需求。可以理解的,用户浏览的商品通常为用户感兴趣、需要购买的商品,若用户在一定时间段内浏览的商品均是团购优惠商品,则说明该用户具有获取同兴趣用户的需求。
示例性的,若检测到第一用户进行开团操作或者参团操作,则确定第一用户具有获取同兴趣用户的需求。例如:电商平台为了促销某商品,可能推出团购促销活动,例如:达到预设数量的用户购买该商品,则该商品具有一定的优惠力度。因此,用户可以针对该商品进行开团操作,或者,在该商品已开团的情况下,进行参团操作。
需要说明的是,上述的确定用户具有获取同兴趣用户的需求的方法仅为几种可能的示例,实际应用中还可以采用其他的确定方式,本实施例对此不作具体限定。
S402、在确定所述第一用户具有获取同兴趣用户的需求时,获取所述第一用户的特征信息。
其中,第一用户的特征信息与图2所示实施例中的特征信息类似,此处不再赘述。
S403、根据所述第一用户的特征信息以及兴趣圈预测模型,预测所述第一用户所属的兴趣圈,所述兴趣圈中的各用户具有共同的兴趣。
示例性的,将第一用户的特征信息输入兴趣预测模型,兴趣预测模型根据特征信息进行预测,并输出该第一用户所属的兴趣圈。其中,第一用户所属的兴趣圈的数量可以为一个或者多个。
S404、向所述第一用户的终端发送推荐信息,所述推荐信息中包括至少一个第二用户的标识,所述第二用户为所述第一用户所属兴趣圈中的用户。
示例性的,假设第一用户为A,通过上述步骤确定出用户A所属的兴趣圈为电子产品兴趣圈之后,由于用户A当前具有获取同兴趣用户的需求,因此,本实施例中可以将电子产品兴趣圈中的其他用户,例如用户B、用户C等推荐给用户A,使得用户A可以与这些用户取得联系进行拼团操作。
本实施例提供的推荐同兴趣用户的方法,可以根据用户的操作实时识别出用户是否具有获取同兴趣用户的需求,并在确定用户具有获取同兴趣用户的需求时,根据用户的特征信息预测得到用户所属的兴趣圈,然后将该兴趣圈中的其他用户推荐给该用户,使得用户能够快速寻找到与自己具有共同兴趣的用户,进而,用户可以与这些同兴趣用户进行拼团,提高该用户的拼团效率,提升拼团体验。
图5为本发明另一实施例提供的推荐同兴趣用户的方法的流程示意图。如图5所示,该方法包括:
S501:在检测到第一用户进行加入购物车操作,且所述第一用户领取有优惠券时,获取所述第一用户对应的购物车内的商品信息,以及所述第一用户对应的优惠券信息,根据所述商品信息以及所述优惠券信息,确定所述第一用户是否具有获取同兴趣用户的需求。
一种可能的场景中,在第一用户的账户中存在优惠券的情况下,例如存在满200减100的优惠券,若检测到第一用户向购物车中加入商品,则说明该用户可能需要使用该优惠券,即用户需要在订单中凑满200元。
另一种可能的场景中,在第一用户的购物车中已存在部分商品的情况下,若检测到第一用户进行领取优惠券的操作,例如,第一用户领取了满200件100的优惠券,则说明该用户可能需要使用该优惠券,即用户需要在订单中凑满200元。
上述两种场景下,可以根据该用户购物车内的商品信息以及优惠券信息,确定出该用户是否具有获取同兴趣用户的需求。示例性的,若购物车内的商品达不到使用该优惠券的条件,则确定该用户具有获取同兴趣用户的需求。若购物车内的商品已达到使用该优惠券的条件,则确定该用户不具有获取同兴趣用户的需求。
S502:在确定所述第一用户具有获取同兴趣用户的需求时,获取所述第一用户的特征信息。
S503:根据所述第一用户的特征信息以及兴趣圈预测模型,预测所述第一用户所属的兴趣圈,所述兴趣圈中的各用户具有共同的兴趣。
本实施例中,S502和S503的具体实施方式与图4所示实施例中的S402和S403类似,此处不再赘述。
S504:获取所述第一用户所属兴趣圈中的各用户的标识,以及各用户的在线状态。
其中,在线状态是指用户当前是否登录电商平台的状态。
S505:若所述第一用户所属兴趣圈中存在处于在线状态的用户,则从处于在线状态的用户中选择出至少一个第二用户的标识。
S506:向所述第一用户的终端发送推荐信息,所述推荐信息中包括所述至少一个第二用户的标识。
示例性的,假设用户A所属兴趣圈为服饰兴趣圈,则获取该服务兴趣圈中的各用户的标识以及在线状态。若服饰兴趣圈中存在处于在线状态的用户,则优先将处于在线状态的用户推荐给用户A。可以理解的,某些场景中,兴趣圈中处于在线状态的用户数量可能较多,因此,可以随机从处于在线状态的用户中选择出至少一个用户推荐给用户A。还可以根据之前历史推荐结果,确定出用户A与兴趣圈中的哪些在线用户的拼团次数较多,将拼团次数较多的在线用户推荐给用户A。进一步的,用户A可以通过即时通信工具与服务器推荐的用户取得联系,完成拼单过程。
S507:若所述第一用户所属兴趣圈中不存在处于在线状态的用户,则从所述第一用户所属兴趣圈中选择出至少一个离线用户的标识。
S508:向各所述离线用户的标识对应的终端发送请求消息。
示例性的,假设用户A所属兴趣圈为服饰兴趣圈,若当前时刻服饰兴趣圈中不存在处于在线状态的用户,即当前时刻服饰兴趣圈中的用户均处于离线状态,则选择出至少一个处于离线状态的用户的标识,向这些离线状态的用户的终端发送请求消息。例如:服务器向处于离线状态的用户B的终端发送消息“用户A目前有获取同兴趣用户的需求,请问您是否要与用户A进行拼团”。若用户B看到该消息后,确定需要进行拼团,则用户B可以通过即时通信工具与用户A取得联系。
一种可能的场景中,在第一用户具有凑单拼团需求的情况下,服务器还可以在推荐信息中包括各所述第二用户在最近预设时间段内购买的商品。这样,服务器向第一用户推荐第二用户后,即使第二用户不需要拼团,由于第一用户和第二用户具有相同的兴趣,第一用户也可能从第二用户近期购买的商品中获得购物灵感,进一步挖掘出自己还需要购买的商品,从而帮助第一用户快速完成凑单过程,提高购物效率。
在上述实施例的基础上,第一用户的终端接收到服务器发送的推荐信息之后,第一用户可以通过即时通信工具与推荐信息中的第二用户取得联系,完成拼单过程。进一步的,第一用户还可以与第二用户建立社交关系,例如:将第二用户加为好友、关注第二用户、收藏第二用户等,从而方便后续的拼团过程。
本实施例提供的推荐同兴趣用户的方法,可以根据用户的操作实时识别出用户是否具有获取同兴趣用户的需求,并在确定用户具有获取同兴趣用户的需求时,根据用户的特征信息预测得到用户所属的兴趣圈,然后将该兴趣圈中的其他用户推荐给该用户,使得用户能够快速寻找到与自己具有共同兴趣的用户,进而,用户可以与这些同兴趣用户进行拼团,从而提高该用户的拼团效率,提升拼团体验。进一步的,由于用户之间可以在同一个兴趣圈进行互动,一方面能够提升新用户的留存率,增加老用户的活跃度,另一方面,还可以提升长尾商品的曝光度,增加电商平台的流量。
图6为本发明一实施例提供的推荐同兴趣用户的装置的结构示意图。本实施例的推荐同兴趣用户的装置可以为软件和/或硬件的形式,推荐同兴趣用户的装置可以设置于图1所示的服务器中。如图6所示,本实施例的推荐同兴趣用户的装置600,包括:确定模块601、获取模块602、预测模块603和推荐模块604。
其中,确定模块601,用于根据第一用户在终端的操作,确定所述第一用户是否具有获取同兴趣用户的需求;
获取模块602,用于在确定所述第一用户具有获取同兴趣用户的需求时,获取所述第一用户的特征信息;
预测模块603,用于根据所述第一用户的特征信息以及兴趣圈预测模型,预测所述第一用户所属的兴趣圈,所述兴趣圈中的各用户具有共同的兴趣;
推荐模块604,用于向所述第一用户的终端发送推荐信息,所述推荐信息中包括至少一个第二用户的标识,所述第二用户为所述第一用户所属兴趣圈中的用户。
本实施例的推荐同兴趣用户的装置,可用于执行如图4所示的方法实施例,其实现原理和技术效果类似,此处不再赘述。
图7为本发明另一实施例提供的推荐同兴趣用户的装置的结构示意图;如图7所示,在图6所示实施例的基础上,本实施例的推荐同兴趣用户的装置600,还可以包括构建模块605。
可选的,所述获取模块602具体用于:
获取所述第一用户在终端的历史操作记录,所述历史操作记录包括:关注商品的记录、加入购物车商品的记录、购买商品的记录、浏览商品的记录、对推送消息的响应记录;
根据所述历史操作记录,获取所述第一用户的兴趣要素信息;
将所述历史操作记录和所述兴趣要素信息作为所述第一用户的特征信息。
可选的,所述推荐模块604还用于:
获取所述第一用户所属兴趣圈中的各用户的标识,以及各用户的在线状态;
若所述第一用户所属兴趣圈中存在处于在线状态的用户,则从处于在线状态的用户中选择出至少一个第二用户的标识。
可选的,所述推荐模块604还用于:
若所述第一用户所属兴趣圈中不存在处于在线状态的用户,则从所述第一用户所属兴趣圈中选择出至少一个离线用户的标识;
向各所述离线用户的标识对应的终端发送请求消息。
可选的,所述确定模块601具体用于:
在检测到所述第一用户进行加入购物车操作,且所述第一用户领取有优惠券时,获取所述第一用户对应的购物车内的商品信息,以及所述第一用户对应的优惠券信息,根据所述商品信息以及所述优惠券信息,确定所述第一用户是否具有获取同兴趣用户的需求。
可选的,所述推荐信息中还包括各所述第二用户在最近预设时间段内购买的商品。
可选的,所述确定模块601具体用于:
若检测到所述第一用户进行开团操作或者参团操作,则确定所述第一用户具有获取同兴趣用户的需求。
可选的,所述构建模块605用于:
获取多个第三用户的特征信息,所述特征信息包括历史操作记录和兴趣要素信息;
根据各所述第三用户的特征信息以及预设的标注规则,生成各所述第三用户对应的兴趣圈标签;
利用各所述第三用户的特征信息和兴趣圈标签,对待训练的兴趣圈预测模型进行训练,得到训练后的兴趣圈预测模型。
本实施例的推荐同兴趣用户的装置,可用于执行上述任一方法实施例的技术方案,其实现原理和技术效果类似,此处不再赘述。
图8为本发明实施例提供的推荐设备的结构示意图。本实施例的推荐设备可以作为图1中的服务器。如图8所示,本实施例的推荐设备800,包括:处理器801以及存储器802;其中,存储器802,用于存储计算机程序;处理器801,用于执行存储器存储的计算机程序,以实现上述实施例中的推荐同兴趣用户的方法。具体可以参见前述方法实施例中的相关描述。
可选的,所述推荐设备800还可以包括通信部件803,用于与终端进行通信。
可选地,存储器802既可以是独立的,也可以跟处理器801集成在一起。
当所述存储器802是独立于处理器801之外的器件时,所述推荐设备800还可以包括:总线804,用于连接所述存储器802和处理器801。
本实施例提供的推荐设备,可用于执行上述任一方法实施例中的技术方案,其实现原理和技术效果类似,本实施例此处不再赘述。
本发明实施例还提供一种计算机可读存储介质,所述计算机可读存储介质包括计算机程序,所述计算机程序用于实现如上任一方法实施例中的技术方案。
本发明实施例还提供一种芯片,包括:存储器、处理器以及计算机程序,所述计算机程序存储在所述存储器中,所述处理器运行所述计算机程序执行上述任一方法实施例中的技术方案。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。例如,以上所描述的设备实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个模块可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或模块的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述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单元,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。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在一个单元中。上述模块成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
上述以软件功能模块的形式实现的集成的模块,可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中,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,或者网络设备等)或处理器(英文:processor)执行本发明各个实施例所述方法的部分步骤。
应理解,上述处理器可以是中央处理单元(英文:Central Processing Unit,简称:CPU),还可以是其他通用处理器、数字信号处理器(英文:Digital Signal Processor,简称:DSP)、专用集成电路(英文:Application Specific Integrated Circuit,简称:ASIC)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合申请所公开的方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。
存储器可能包含高速RAM存储器,也可能还包括非易失性存储NVM,例如至少一个磁盘存储器,还可以为U盘、移动硬盘、只读存储器、磁盘或光盘等。
总线可以是工业标准体系结构(Industry Standard Architecture,ISA)总线、外部设备互连(Peripheral Component,PCI)总线或扩展工业标准体系结构(ExtendedIndustry Standard Architecture,EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示,本发明附图中的总线并不限定仅有一根总线或一种类型的总线。
上述存储介质可以是由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。存储介质可以是通用或专用计算机能够存取的任何可用介质。
一种示例性的存储介质耦合至处理器,从而使处理器能够从该存储介质读取信息,且可向该存储介质写入信息。当然,存储介质也可以是处理器的组成部分。处理器和存储介质可以位于专用集成电路(Application Specific Integrated Circuits,简称:ASIC)中。当然,处理器和存储介质也可以作为分立组件存在于电子设备或主控设备中。
本领域普通技术人员可以理解:实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时,执行包括上述各方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (12)
1.一种推荐同兴趣用户的方法,其特征在于,包括:
根据第一用户在终端的操作,确定所述第一用户是否具有获取同兴趣用户的需求;
在确定所述第一用户具有获取同兴趣用户的需求时,获取所述第一用户的特征信息;
根据所述第一用户的特征信息以及兴趣圈预测模型,预测所述第一用户所属的兴趣圈,所述兴趣圈中的各用户具有共同的兴趣;
向所述第一用户的终端发送推荐信息,所述推荐信息中包括至少一个第二用户的标识,所述第二用户为所述第一用户所属兴趣圈中的用户。
2.根据权利要求1所述的方法,其特征在于,所述获取所述第一用户的特征信息,包括:
获取所述第一用户在终端的历史操作记录,所述历史操作记录包括:关注商品的记录、加入购物车商品的记录、购买商品的记录、浏览商品的记录、对推送消息的响应记录;
根据所述历史操作记录,获取所述第一用户的兴趣要素信息;
将所述历史操作记录和所述兴趣要素信息作为所述第一用户的特征信息。
3.根据权利要求1所述的方法,其特征在于,所述向所述第一用户的终端发送推荐信息之前,还包括:
获取所述第一用户所属兴趣圈中的各用户的标识,以及各用户的在线状态;
若所述第一用户所属兴趣圈中存在处于在线状态的用户,则从处于在线状态的用户中选择出至少一个第二用户的标识。
4.根据权利要求3所述的方法,其特征在于,所述获取所述第一用户所属兴趣圈中的各用户的标识,以及各用户的在线状态之后,还包括:
若所述第一用户所属兴趣圈中不存在处于在线状态的用户,则从所述第一用户所属兴趣圈中选择出至少一个离线用户的标识;
向各所述离线用户的标识对应的终端发送请求消息。
5.根据权利要求1所述的方法,其特征在于,所述根据第一用户在终端的操作,确定所述第一用户是否具有获取同兴趣用户的需求,包括:
在检测到所述第一用户进行加入购物车操作,且所述第一用户领取有优惠券时,获取所述第一用户对应的购物车内的商品信息,以及所述第一用户对应的优惠券信息,根据所述商品信息以及所述优惠券信息,确定所述第一用户是否具有获取同兴趣用户的需求。
6.根据权利要求5所述的方法,其特征在于,所述推荐信息中还包括各所述第二用户在最近预设时间段内购买的商品。
7.根据权利要求1所述的方法,其特征在于,所述根据第一用户在终端的操作,确定所述第一用户是否具有获取同兴趣用户的需求,包括:
若检测到所述第一用户进行开团操作或者参团操作,则确定所述第一用户具有获取同兴趣用户的需求。
8.根据权利要求1至7任一项所述的方法,其特征在于,所述根据所述第一用户的兴趣特征信息以及兴趣圈预测模型,预测所述第一用户所属的兴趣圈之前,还包括:
获取多个第三用户的特征信息,所述特征信息包括历史操作记录和兴趣要素信息;
根据各所述第三用户的特征信息以及预设的标注规则,生成各所述第三用户对应的兴趣圈标签;
利用各所述第三用户的特征信息和兴趣圈标签,对待训练的兴趣圈预测模型进行训练,得到训练后的兴趣圈预测模型。
9.一种推荐同兴趣用户的装置,其特征在于,包括:
确定模块,用于根据第一用户在终端的操作,确定所述第一用户是否具有获取同兴趣用户的需求;
获取模块,用于在确定所述第一用户具有获取同兴趣用户的需求时,获取所述第一用户的特征信息;
预测模块,用于根据所述第一用户的特征信息以及兴趣圈预测模型,预测所述第一用户所属的兴趣圈,所述兴趣圈中的各用户具有共同的兴趣;
推荐模块,用于向所述第一用户的终端发送推荐信息,所述推荐信息中包括至少一个第二用户的标识,所述第二用户为所述第一用户所属兴趣圈中的用户。
10.根据权利要求9所述的装置,其特征在于,所述获取模块具体用于:
获取所述第一用户在终端的历史操作记录,所述历史操作记录包括:关注商品的记录、加入购物车商品的记录、购买商品的记录、浏览商品的记录、对推送消息的响应记录;
根据所述历史操作记录,获取所述第一用户的兴趣要素信息;
将所述历史操作记录和所述兴趣要素信息作为所述第一用户的特征信息。
11.一种推荐设备,其特征在于,包括:存储器、处理器以及计算机程序,所述计算机程序存储在所述存储器中,所述处理器运行所述计算机程序执行如权利要求1至8任一项所述的方法。
12.一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包括计算机程序,所述计算机程序被处理器执行时实现如权利要求1至8任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910859197.7A CN111768260A (zh) | 2019-09-11 | 2019-09-11 | 推荐同兴趣用户的方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910859197.7A CN111768260A (zh) | 2019-09-11 | 2019-09-11 | 推荐同兴趣用户的方法、装置及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111768260A true CN111768260A (zh) | 2020-10-13 |
Family
ID=72718925
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910859197.7A Pending CN111768260A (zh) | 2019-09-11 | 2019-09-11 | 推荐同兴趣用户的方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111768260A (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102760163A (zh) * | 2012-06-12 | 2012-10-31 | 奇智软件(北京)有限公司 | 一种特征信息的个性化推荐方法及装置 |
CN102915506A (zh) * | 2012-10-29 | 2013-02-06 | 江苏乐买到网络科技有限公司 | 一种推荐团购信息的系统 |
CN104933201A (zh) * | 2015-07-15 | 2015-09-23 | 蔡宏铭 | 基于同行信息的内容推荐方法及系统 |
CN105741131A (zh) * | 2016-01-22 | 2016-07-06 | 北京三快在线科技有限公司 | 一种推荐用户信息的方法及装置 |
CN106886910A (zh) * | 2015-12-16 | 2017-06-23 | 阿里巴巴集团控股有限公司 | 消费信息的推荐方法和装置、拼单的方法和装置 |
CN106970914A (zh) * | 2016-01-12 | 2017-07-21 | 北京京东尚科信息技术有限公司 | 一种基于社交电商的好友推荐方法及装置 |
CN107026885A (zh) * | 2016-02-02 | 2017-08-08 | 阿里巴巴集团控股有限公司 | 信息推送方法及装置 |
CN109064278A (zh) * | 2018-07-26 | 2018-12-21 | 北京三快在线科技有限公司 | 目标对象推荐方法及装置、电子设备、存储介质 |
WO2019007187A1 (zh) * | 2017-07-06 | 2019-01-10 | 广州优视网络科技有限公司 | 信息推送方法、装置及服务器、计算设备和存储介质 |
CN110223186A (zh) * | 2018-05-09 | 2019-09-10 | 腾讯科技(深圳)有限公司 | 用户相似度确定方法以及信息推荐方法 |
-
2019
- 2019-09-11 CN CN201910859197.7A patent/CN111768260A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102760163A (zh) * | 2012-06-12 | 2012-10-31 | 奇智软件(北京)有限公司 | 一种特征信息的个性化推荐方法及装置 |
CN102915506A (zh) * | 2012-10-29 | 2013-02-06 | 江苏乐买到网络科技有限公司 | 一种推荐团购信息的系统 |
CN104933201A (zh) * | 2015-07-15 | 2015-09-23 | 蔡宏铭 | 基于同行信息的内容推荐方法及系统 |
CN106886910A (zh) * | 2015-12-16 | 2017-06-23 | 阿里巴巴集团控股有限公司 | 消费信息的推荐方法和装置、拼单的方法和装置 |
CN106970914A (zh) * | 2016-01-12 | 2017-07-21 | 北京京东尚科信息技术有限公司 | 一种基于社交电商的好友推荐方法及装置 |
CN105741131A (zh) * | 2016-01-22 | 2016-07-06 | 北京三快在线科技有限公司 | 一种推荐用户信息的方法及装置 |
CN107026885A (zh) * | 2016-02-02 | 2017-08-08 | 阿里巴巴集团控股有限公司 | 信息推送方法及装置 |
WO2019007187A1 (zh) * | 2017-07-06 | 2019-01-10 | 广州优视网络科技有限公司 | 信息推送方法、装置及服务器、计算设备和存储介质 |
CN110223186A (zh) * | 2018-05-09 | 2019-09-10 | 腾讯科技(深圳)有限公司 | 用户相似度确定方法以及信息推荐方法 |
CN109064278A (zh) * | 2018-07-26 | 2018-12-21 | 北京三快在线科技有限公司 | 目标对象推荐方法及装置、电子设备、存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11935102B2 (en) | Matching user provided representations of items with sellers of those items | |
US20120089446A1 (en) | Publishing Commercial Information in a Social Network | |
US20110208418A1 (en) | Completing Obligations Associated With Transactions Performed Via Mobile User Platforms Based on Digital Interactive Tickets | |
CN103460235A (zh) | 基于社交网络系统中联系人的活动提供社交协约 | |
US20120089581A1 (en) | Informing Search Results Based on Commercial Transaction Publications | |
TW200951858A (en) | Method and apparatus for social network marketing with advocate referral | |
US20150095111A1 (en) | Method and system for using social media for predictive analytics in available-to-promise systems | |
US20140222611A1 (en) | System and method for a curator recommended sale of commodities | |
CN111800645B (zh) | 多媒体数据处理方法、装置、客户端及存储介质 | |
US9639886B1 (en) | System and computer-readable medium for encoding user interfaces configured to render stylist suggestions | |
US20140316872A1 (en) | Systems and methods for managing endorsements | |
KR20120033560A (ko) | 소셜 커머스 서비스 제공 방법 및 이를 위한 프로그램을 저장하는 컴퓨터로 판독 가능한 기록매체 | |
WO2013188684A1 (en) | Bulk purchasing by ad hoc consumer groups | |
CN110322209A (zh) | 评论信息处理方法、装置、系统及存储介质 | |
AU2019101649A4 (en) | An improved system and method for coordinating influencers on social media networks | |
US10977681B2 (en) | Personalized product pricing | |
CN111429214A (zh) | 一种基于交易数据的买卖双方匹配方法及装置 | |
CN108537607B (zh) | 跨商家消费积分系统 | |
CN106030641A (zh) | 对于用户生成的游戏内容的微支付补偿 | |
CN104951941A (zh) | 提供商品对象转让信息的方法及系统 | |
CN112330373A (zh) | 用户行为分析方法、装置及计算机可读存储介质 | |
US20140180871A1 (en) | Method, System and Program Product for Online Commercial and Social Activity | |
CN108510302A (zh) | 一种营销决策方法及交易服务器 | |
CA3126811A1 (en) | Real time user matching using purchasing behavior | |
EP4080899A1 (en) | Systems and methods for controlling transmission of live media streams |
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 |