CN111899074A - 一种商城集中显示方法及系统 - Google Patents
一种商城集中显示方法及系统 Download PDFInfo
- Publication number
- CN111899074A CN111899074A CN202010790201.1A CN202010790201A CN111899074A CN 111899074 A CN111899074 A CN 111899074A CN 202010790201 A CN202010790201 A CN 202010790201A CN 111899074 A CN111899074 A CN 111899074A
- Authority
- CN
- China
- Prior art keywords
- word vector
- mall
- vector set
- user
- merchant
- 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]
- G06Q30/0623—Item investigation
- G06Q30/0625—Directed, with specific intent or strategy
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出了一种商城集中显示方法及系统,涉及互联网技术领域。一种商城集中显示方法包括:获取用户特征信息;获取商城词向量集;根据用户特征信息对应的商城词向量集,获取商城词向量集对应的商户词向量集;判断商户词向量集是否满足第一预设推荐条件;将满足第一预设推荐条件的商户及对应的商城集中显示在用户终端;其能够使得商户搜索的结果中的商户数量增多、且集中显示,避免遗漏,还能对商城及商户智能排序,满足用户的搜索需求。此外本发明还提出了一种商城集中显示方法系统,包括:第一获取模块、第二获取模块、第三获取模块、判断模块以及显示模块。
Description
技术领域
本发明涉及互联网技术领域,具体而言,涉及一种商城集中显示方法及系统。
背景技术
随着社会的发展,人们的购物欲望逐渐增加,各式购物商城也越来越多,用户可以商城挑选自己需要的商品。由于商城上的商户和商品数量庞大,因此用户在进行购物时,通常会在商城里找不到自己所需要购买的物品,或者找不到自己想要购买的物品在哪所商城里有上架出售,又或者用户不知道距离自己最近的商城在哪里。
在现有的网络搜索平台中,用户输入一个搜索关键词时,网络搜索平台会搜索出现有数据库中、商品命名或者店名与所述搜索关键词相同的商户作为搜索结果,并提供给用户。由于这种方法得到的搜索结果中,仅会出现商品命名或店名与搜索关键词完全一致的商户,当用户无法准确描述其搜索需求或混淆商户的店名时,输入的搜索关键词会与符合用户期望的准确关键词存在差异,进而导致命中结果遗漏,且无法集中显示商城信息,用户可选购的内容较少导致无法满足用户搜索需求。
发明内容
本发明的目的在于提供一种商城集中显示方法,其能够使得商户搜索的结果中的商户数量增多、且集中显示,避免遗漏,还能对商城及商户智能排序,满足用户的搜索需求。
本发明的另一目的在于提供一种商城集中显示系统,其能够运行一种商城集中显示方法。
本发明的实施例是这样实现的:
第一方面,本申请实施例提供一种商城集中显示方法,其包括以下步骤,获取用户特征信息;获取商城词向量集;根据用户特征信息对应的商城词向量集,获取商城词向量集对应的商户词向量集;判断商户词向量集是否满足第一预设推荐条件;将满足第一预设推荐条件的商户及对应的商城集中显示在用户终端。
在本发明的一些实施例中,上述获取用户特征信息包括获取用户所处的时间片;根据时间片与商城词向量集,匹配对应的商城特征信息。
在本发明的一些实施例中,上述获取用户特征信息包括获取用户所处的经纬度信息;根据经纬度信息与商城词向量集,匹配对应的商城特征信息。
在本发明的一些实施例中,上述获取用户特征信息包括获取用户的历史操作信息;根据用户的历史操作信息与商城词向量集,匹配对应的商城特征信息。
在本发明的一些实施例中,上述第一预设推荐条件包括根据用户特征信息和商城特征信息通过预测模型,构建第一预设推荐条件。
在本发明的一些实施例中,在上述获取商城词向量集对应的商户词向量集之后还包括,根据用户特征信息中的实时搜索词向量和商户词向量集,确定与搜索词相关的商户作为目标商户。
在本发明的一些实施例中,上述检测商户词向量集与实时搜索词向量的相似度;将相似度大于第一预设阈值的商户词向量集,作为目标商户词向量集。
在本发明的一些实施例中,上述将目标商户词向量集所对应的商户作为目标商户;将目标商户对应的商城显示在用户终端,并显示目标商户的商户特征信息。
第二方面,本申请实施例提供一种商城集中显示系统,包括第一获取模块,用于获取用户特征信息;第二获取模块,用于获取商城词向量集;第三获取模块,用于根据用户特征信息对应的商城词向量集,获取商城词向量集对应的商户词向量集;判断模块,用于判断商户词向量集是否满足第一预设推荐条件;显示模块,用于将满足第一预设推荐条件的商户及对应的商城集中显示在用户终端。
在本发明的一些实施例中,上述包括用于存储计算机指令的至少一个存储器;与存储器通讯的至少一个处理器,其中当至少一个处理器执行计算机指令时,至少一个处理器使系统执行:第一获取模块、第二获取模块、第三获取模块、判断模块以及显示模块。
相对于现有技术,本发明的实施例至少具有如下优点或有益效果:
可以通过用户的各项特征信息与商城的词向量集进行比对,选出最优的商城,在确定最优的商城后,再通过用户的各种特征信息与最优商城里的商户词向量集进行比对,选出商户满足预设推荐条件的部分集中显示在客户端,其能够使得商户搜索的结果中的商户数量增多、且集中显示,避免遗漏,能对商城及商户智能排序,还能显示出商户的各项信息,满足用户的搜索需求。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为本发明实施例提供的一种商城集中显示方法流程示意图;
图2为本发明实施例提供的一种商城集中显示方法详细流程示意图;
图3为本发明实施例提供的一种商城集中显示系统模块示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
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定义和解释。同时,在本申请的描述中,术语“第一”仅用于区分描述,而不能理解为指示或暗示相对重要性。
下面结合附图,对本申请的一些实施方式作详细说明。在不冲突的情况下,下述的各个实施例及实施例中的各个特征可以相互组合。
实施例1
请参阅图1,图1为本发明实施例提供的一种商城集中显示方法流程示意图,如下所示:
步骤S100,获取用户特征信息;
具体的,用户特征信息可以是用户历史操作信息、用户预录入信息以及用户实时信息等。
在一些实施方式中,用户历史操作信息可以包括用户历史搜索记录、用户历史点击记录、用户历史加购记录、用户历史备忘记录、用户历史收藏记录、用户历史反馈记录等。用户预录入信息可以包括用户姓名、用户昵称、用户年龄、用户联系电话、用户邮箱等。用户实时信息可以包括用户实时位置信息、用户实时运动信息、用户实时环境信息等。服务器端获取以上之一或者任意几个的组合信息。
步骤S110,获取商城词向量集;
具体的,获取商城的各种关键词,进行向量化然后集合一起。
在一些实施方式中,向量化是使用一套统一的标准打分,比如,商城信息,商城名称、商城成立时间、商城的品牌定位、商城的类别、商城的评价、商城的资产列表,逐项打分,分数范围[-1,1],用一套分值的集合代表一个商城,就是商城向量化。商城的词向量集可以通过word2vec(word to vector),可以从词性、感情色彩、程度等等方面量度,用一套分值代表一个词,从而词之间可以替换,比较。词向量通过训练生成,其每一维量度的作用也并不明确。词向量化常用于提取词的特征,提取后的特征再代入模型计算。可以采用One-hot、LSA、SVD、基于NNLM/RNNLM的词向量、word2vec、fastText、glove、elmo、GPT、BERT等模型进行词向量集训练。
步骤S120,根据用户特征信息对应的商城词向量集,获取商城词向量集对应的商户词向量集;
具体的,根据用户的特征信息对应的商城词向量集和预设的用于预测推荐商户的预测模型,对与对应的商城词向量集对应的推荐商户进行预测;其中,预测模型根据用户历史的特征信息训练得到。
在一些实施方式中,通过比对用户特征信息与商城词向量集,可以得到用户更倾向的商城里的商户信息,从而获得该商户的词向量集。
步骤S130,判断商户词向量集是否满足第一预设推荐条件;
具体的,第一预设推荐条件是与用户信息特征对应的商户词向量集,判断结果是满足第一预设推荐条件的,进入步骤S140,判断结果是不满足第一预设推荐条件的,则丢弃。
步骤S140,将满足第一预设推荐条件的商户及对应的商城集中显示在用户终端。
在一些实施方式中,根据用户的历史搜索记录,选定商城后,在该商城里选择符合用户历史搜索记录的商户进行集中显示,且会根据商户词向量集选择商户的特征信息进行显示,例如,用户的历史搜索记录是服装,结合用户的实时特征信息,选定商城为最近的“123商城”,然后在123商城模块中显示出“A服装品牌店铺”该店铺显示出“衬衣”、“牛仔裤”等商品;“B服装品牌店铺”该店铺显示出“T恤”、“运动衣”等商品;“C服装品牌店铺”该店铺显示出“连衣裙”、“长裙”等商品;用户的历史搜索记录是美食,结合用户的实时特征信息,选定商城为最近的“456商城”,然后在456商城模块中显示出“A美食店铺”该店铺显示出“小炒肉”、“西红柿炒蛋”;“B美食店铺”该店铺显示出“烤鱼”、“炸鱼”;“C美食店铺”该店铺显示出“牛排”、“红酒”。
实施例2
请参阅图2,图2为本发明实施例提供的一种商城集中显示方法详细流程示意图,如下所示:
步骤S200,获取用户所处的时间片,根据时间片与商城词向量集,匹配对应的商城特征信息;
具体的,用户所处的时间片为当前时间点所处的一个时间段。
在一些实施方式中,以单位时间为1小时为例,可以将一天的时间划分为若干个时间片,00:00到01:00为第一个时间片;01:00到02:00为第二个时间片,依次类推。也就是说,在01:00这一时刻会得到第一个时间片,可将第一个时间片编号为1,在02:00这一时刻会得到第二个时间片,可将第二个时间片编号为2,依次类推;
由于需要在用户打开系统时为用户提供实时的推荐内容,因此首先获取用户打开系统时的时间点,根据时间点确定用户当前所处的时间片。例如,获取到用户打开系统时的时间点为08:30,进一步地获取到用户当前所处的时间片为08:00到09:00的时间片。该时间片与商城词向量集进行匹配,寻找对应的商城特征信息,例如,08:00到09:00的时间片对应的商城特征信息为“早餐”,则将含有早餐业务的商城集中显示在客户端显示界面。
步骤S210,获取用户所处的经纬度信息,根据经纬度信息与商城词向量集,匹配对应的商城特征信息;
具体的,用户所处的经纬度信息为当前时间点所处的一个地理位置信息。
在一些实施方式中,由于需要在用户打开系统时为用户提供实时的推荐内容,因此首先获取用户打开系统时的地理位置信息,根据用户所处的经纬度确定用户当前所处的地理位置信息。例如,获取到用户打开系统时的经度为95°33′E,进一步地获取到用户当前所处的纬度为43°13′N。该地理位置信息与商城词向量集进行匹配,寻找对应的商城特征信息,例如,用户95°33′E到43°13′N的地理位置信息对应的商城特征信息为“95°40′E到43°23′N,A商城,B商城”,则将在一定范围内的商城集中显示在客户端显示界面。
步骤S220,获取用户的历史操作信息,根据用户的历史操作信息与商城词向量集,匹配对应的商城特征信息;
具体的,用户的历史操作信息为用户在此之前点击率较高的一个或多个操作信息对应的商城或商户。
在一些实施方式中,由于需要在用户打开系统时为用户提供实时的推荐内容,因此首先获取用户打开系统时的历史操作信息,根据用户在此时操作之前的历史操作确定用户喜好信息。例如,获取到用户打开系统时的点击率排行榜,进一步地获取到用户历史搜索记录。该历史操作信息与商城词向量集进行匹配,寻找对应的商城特征信息,例如,用户点击率排行榜对应的商城特征信息为“1.A商城,2.B商城,3.C商城”,则将在用户端的显示界面集中显示。
步骤S230,获取商城词向量集;
具体的,获取商城的各种关键词,进行向量化然后集合一起。
在一些实施方式中,向量化是使用一套统一的标准打分,比如,商城信息,商城名称、商城成立时间、商城的品牌定位、商城的类别、商城的评价、商城的资产列表,逐项打分,分数范围[-1,1],用一套分值的集合代表一个商城,就是商城向量化。商城的词向量集可以通过word2vec(word to vector),可以从词性、感情色彩、程度等等方面量度,用一套分值代表一个词,从而词之间可以替换,比较。词向量通过训练生成,其每一维量度的作用也并不明确。词向量化常用于提取词的特征,提取后的特征再代入模型计算。可以采用One-hot、LSA、SVD、基于NNLM/RNNLM的词向量、word2vec、fastText、glove、elmo、GPT、BERT等模型进行词向量集训练。
步骤S240,根据用户特征信息对应的商城词向量集,获取商城词向量集对应的商户词向量集;
具体的,根据用户的特征信息对应的商城词向量集和预设的用于预测推荐商户的预测模型,对与对应的商城词向量集对应的推荐商户进行预测;其中,预测模型根据用户历史的特征信息训练得到。
在一些实施方式中,通过比对用户特征信息与商城词向量集,可以得到用户更倾向的商城里的商户信息,从而获得该商户的词向量集。
步骤S250,根据用户特征信息中的实时搜索词向量和商户词向量集,确定与搜索词相关的商户作为目标商户;
在一些实施方式中,在获取到预测模型输出的与第一预设推荐条件对应的推荐词语后,将推荐词语转化为具体的推荐商户,再显示给用户。由于推荐词语可以是品牌词、商户词或是商品属性词等,符合推荐词语的商户的数量可能不止一家,而最终显示给用户的推荐商户是具体的某一家商户,因此可以根据第一预设推荐条件来对符合推荐词语的商户进行筛选,并确定最终显示给用户的推荐商户。例如,当推荐词语为Dior时,设置预设推荐条件为“商户与用户的距离小于2公里”,则获取与用户的距离小于2公里的售卖Dior的一家商户作为与第一预设推荐条件对应的推荐商户。
步骤S260,检测商户词向量集与实时搜索词向量的相似度;
具体的,分别求取实时搜索词向量和商户词向量集中的商户名称词向量的第一向量相似度、以及实时搜索词向量和商户词向量集中的商品名称词向量的第二向量相似度。
在一些实施方式中,商户词向量集与实时搜索词向量的相似度可以通过第一向量相似度和第二向量相似度加权计算得到,即对第一向量相似度和第二向量相似度进行加权计算如加权平均,得到商户词向量集与实时搜索词向量的相似度。如果商品名称词向量有多个,则第二向量相似度的数量也为多个,与商品名称词向量的个数相同。
例如,设搜索词向量为α(A1,B1),商户词向量集中的商户名称词向量为β(A2,B2),商品名称词向量为γ(A3,B3)、δ(A4,B4)、ε(A5,B5);则第一向量相似度为P1=α·β,第二向量相似度包括P2=α·γ,P3=α·δ,P4=α·ε;设P1、P2、P3、P4的权值分别为0.4、0.3、0.1、0.2;则商户词向量集与搜索词向量的相似度为:P=0.4P1+0.3P2+0.1P3+0.2P4。需要说明的是,前述仅为本实施方式中对加权计算的一种具体的举例,并不构成限定。在本发明的其他实施方式中,权值也可以不是预先设置的,而是通过其他方法求取的,例如,通过第一向量相似度和第二向量相似度的比值确定权值,即先求取第一向量相似度和第二向量相似度的比值P1:P2:P3:P4,使得权值的比值与第一向量相似度和第二向量相似度的比值相等,即权值分别为P1/(P1+P2+P3+P4)、P2/(P1+P2+P3+P4)、P3/(P1+P2+P3+P4)、P4/(P1+P2+P3+P4)。可以理解的哈斯,求取权值的方法还有很多,在此不进行一一列举。
商户词向量集与实时搜索词向量的相似度通过第一向量相似度和第二向量相似度加权计算得到仅为本实施方式中的一种具体的应用情况的举例。在本发明的其他实施方式中,商户词向量集与实时搜索词向量的相似度也可以通过其他的方法得到,如将第一向量相似度和第二向量相似度中的最大值作为商户词向量集与实时搜索词向量的相似度、将第一向量相似度和第二向量相似度中的最小值作为商户词向量集与搜索词向量的相似度等,在此不进行一一列举,具体可以根据实际情况进行选用。
步骤S270,将相似度大于第一预设阈值的商户词向量集,作为目标商户词向量集;
具体的,第一预设阈值为预先设置的相似度的门限值,即相似度大于第一预设阈值的商户词向量集即为目标商户词向量集。,
在一些实施方式中,获取到各个商户词向量集与搜索词向量的相似度后,会将这些相似度与第一预设阈值一一进行比较,获取相似度大于第一预设阈值的商户词向量集作为目标商户词向量集。
步骤S280,将目标商户词向量集所对应的商户作为目标商户;
具体的,根据目标商户词向量集获取到其对应的商户作为目标商户,对目标商户进行集中显示,从而将目标商户作为商户搜索结果提供给用户。
在一些实施方式中,通过搜索词向量和商户词向量集的相似度,表征搜索词与商户的相关性,并对与搜索词相关的商户作为搜索结果的目标商户进行显示。相较于现有技术中的搜索结果中仅显示商户名称或商品名称中包含有搜索词的商户,本实施方式的搜索结果中的商户数量更多,用户的选择性更多,且可以集中显示出来供用户自由选择。
步骤S290,将目标商户对应的商城显示在用户终端,并显示目标商户的商户特征信息。
在一些实施方式中,选出目标商户及其对应的商城后,第一界面为优选的商城集中显示,在每个商城模块中,还显示出商城的优选目标商户特征信息。
实施例3
请参阅图3,图3为本发明实施例提供的一种商城集中显示系统模块示意图,其包括第一获取模块、第二获取模块、第三获取模块、判断模块以及显示模块。
一种商城集中显示系统还包括存储器、处理器和通信接口,该存储器、处理器和通信接口相互之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。存储器可用于存储软件程序及模块,处理器通过执行存储在存储器内的软件程序及模块,从而执行各种功能应用以及数据处理。该通信接口可用于与其他节点设备进行信令或数据的通信。
其中,存储器可以是但不限于,随机存取存储器(Random Access Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-OnlyMemory,PROM),可擦除只读存储器(Erasable Programmable Read-Only Memory,EPROM),电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory,EEPROM)等。
处理器可以是一种集成电路芯片,具有信号处理能力。该处理器102可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(NetworkProcessor,NP)等;还可以是数字信号处理器(Digital Signal Processing,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,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。
在本申请所提供的实施例中,应该理解到,所揭露的方法和系统,也可以通过其它的方式实现。以上所描述的实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品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)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
综上所述,本申请实施例提供的一种商城集中显示方法及系统,其可以通过用户的各项特征信息与商城的词向量集进行比对,选出最优的商城,在确定最优的商城后,再通过用户的各种特征信息与最优商城里的商户词向量集进行比对,选出商户满足预设推荐条件的部分集中显示在客户端,其能够使得商户搜索的结果中的商户数量增多、且集中显示,避免遗漏,能对商城及商户智能排序,还能显示出商户的各项信息,满足用户的搜索需求。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
对于本领域技术人员而言,显然本申请不限于上述示范性实施例的细节,而且在不背离本申请的精神或基本特征的情况下,能够以其它的具体形式实现本申请。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本申请的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
Claims (10)
1.一种商城集中显示方法,其特征在于,包括以下步骤:
获取用户特征信息;
获取商城词向量集;
根据所述用户特征信息对应的所述商城词向量集,获取所述商城词向量集对应的商户词向量集;
判断所述商户词向量集是否满足第一预设推荐条件;
将满足第一预设推荐条件的商户及对应的商城集中显示在用户终端。
2.如权利要求1所述的一种商城集中显示方法,其特征在于,所述获取用户特征信息包括:
获取用户所处的时间片;
根据所述时间片与所述商城词向量集,匹配对应的商城特征信息。
3.如权利要求1所述的一种商城集中显示方法,其特征在于,所述获取用户特征信息包括:
获取用户所处的经纬度信息;
根据所述经纬度信息与所述商城词向量集,匹配对应的商城特征信息。
4.如权利要求1所述的一种商城集中显示方法,其特征在于,所述获取用户特征信息包括:
获取用户的历史操作信息;
根据所述用户的历史操作信息与所述商城词向量集,匹配对应的商城特征信息。
5.如权利要求1所述的一种商城集中显示方法,其特征在于,所述第一预设推荐条件包括:
根据所述用户特征信息和商城特征信息通过预测模型,构建所述第一预设推荐条件。
6.如权利要求1所述的一种商城集中显示方法,其特征在于,在所述获取所述商城词向量集对应的商户词向量集之后还包括:
根据用户特征信息中的实时搜索词向量和所述商户词向量集,确定与所述搜索词相关的商户作为目标商户。
7.如权利要求6所述的一种商城集中显示方法,其特征在于:
检测商户词向量集与所述实时搜索词向量的相似度;
将所述相似度大于第一预设阈值的商户词向量集,作为目标商户词向量集。
8.如权利要求7所述的一种商城集中显示方法,其特征在于:
将所述目标商户词向量集所对应的商户作为目标商户;
将所述目标商户对应的商城显示在用户终端,并显示所述目标商户的商户特征信息。
9.一种商城集中显示系统,其特征在于,包括:
第一获取模块,用于获取用户特征信息;
第二获取模块,用于获取商城词向量集;
第三获取模块,用于根据所述用户特征信息对应的所述商城词向量集,获取所述商城词向量集对应的商户词向量集;
判断模块,用于判断所述商户词向量集是否满足第一预设推荐条件;
显示模块,用于将满足第一预设推荐条件的商户及对应的商城集中显示在用户终端。
10.如权利要求9所述的一种商城集中显示系统,其特征在于,包括:
用于存储计算机指令的至少一个存储器;
与所述存储器通讯的至少一个处理器,其中当所述至少一个处理器执行所述计算机指令时,所述至少一个处理器使所述系统执行:第一获取模块、第二获取模块、第三获取模块、判断模块以及显示模块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010790201.1A CN111899074A (zh) | 2020-08-07 | 2020-08-07 | 一种商城集中显示方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010790201.1A CN111899074A (zh) | 2020-08-07 | 2020-08-07 | 一种商城集中显示方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111899074A true CN111899074A (zh) | 2020-11-06 |
Family
ID=73247359
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010790201.1A Pending CN111899074A (zh) | 2020-08-07 | 2020-08-07 | 一种商城集中显示方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111899074A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112364250A (zh) * | 2020-12-01 | 2021-02-12 | 武汉大根科技发展有限公司 | 基于大数据的数据通信服务系统 |
CN113297511A (zh) * | 2021-05-24 | 2021-08-24 | 北京三快在线科技有限公司 | 商户排序模型的构建方法、装置、服务器及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109657145A (zh) * | 2018-12-20 | 2019-04-19 | 拉扎斯网络科技(上海)有限公司 | 商户搜索方法及装置、电子设备及计算机可读存储介质 |
CN109754282A (zh) * | 2018-12-12 | 2019-05-14 | 武汉中科天宇科技有限公司 | 一种电子商城优惠商户的搜索方法及系统 |
CN110737826A (zh) * | 2019-09-06 | 2020-01-31 | 拉扎斯网络科技(上海)有限公司 | 搜索推荐方法、装置、电子设备及存储介质 |
-
2020
- 2020-08-07 CN CN202010790201.1A patent/CN111899074A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109754282A (zh) * | 2018-12-12 | 2019-05-14 | 武汉中科天宇科技有限公司 | 一种电子商城优惠商户的搜索方法及系统 |
CN109657145A (zh) * | 2018-12-20 | 2019-04-19 | 拉扎斯网络科技(上海)有限公司 | 商户搜索方法及装置、电子设备及计算机可读存储介质 |
CN110737826A (zh) * | 2019-09-06 | 2020-01-31 | 拉扎斯网络科技(上海)有限公司 | 搜索推荐方法、装置、电子设备及存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112364250A (zh) * | 2020-12-01 | 2021-02-12 | 武汉大根科技发展有限公司 | 基于大数据的数据通信服务系统 |
CN113297511A (zh) * | 2021-05-24 | 2021-08-24 | 北京三快在线科技有限公司 | 商户排序模型的构建方法、装置、服务器及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108108380B (zh) | 搜索排序方法、搜索排序装置、搜索方法和搜索装置 | |
CN106570722B (zh) | 一种智能推荐系统及智能推荐方法 | |
CN107424043B (zh) | 一种产品推荐方法及装置,电子设备 | |
US10505884B2 (en) | Entity classification and/or relationship identification | |
JP4733236B2 (ja) | 画像内に存在しない物品をレコメンドするシステム | |
CN110569432B (zh) | 商品序列计算方法、装置、计算机设备及存储介质 | |
CN104978346A (zh) | 提供用户评价信息的方法及系统 | |
TW201501059A (zh) | 訊息推薦方法及裝置 | |
JP2002150071A (ja) | 商品検索方法及び装置 | |
CN107092616B (zh) | 一种对象排序方法及装置 | |
CN108429776B (zh) | 网络对象的推送方法、装置、客户端、交互设备以及系统 | |
JP5831204B2 (ja) | 情報提供システム、情報提供方法及びプログラム | |
WO2019218654A1 (zh) | 产品排序 | |
CN111899074A (zh) | 一种商城集中显示方法及系统 | |
CN110727859B (zh) | 一种推荐信息推送方法及其装置 | |
CN110532351A (zh) | 推荐词展示方法、装置、设备及计算机可读存储介质 | |
JP6780992B2 (ja) | 判定装置、判定方法および判定プログラム | |
CN111080339A (zh) | 基于场景的类目偏好数据生成方法及装置 | |
CN110750697A (zh) | 商户分类方法、装置、设备及存储介质 | |
KR101596632B1 (ko) | 빅데이터 이미지를 이용한 상품 추천 방법 | |
Lamche et al. | Context-Aware Recommendations for Mobile Shopping. | |
CN111553762A (zh) | 提高搜索质量的方法、系统及终端设备 | |
CN116843376A (zh) | 一种营销效果预判方法、装置、存储介质及设备 | |
CN110765346A (zh) | 用户意图挖掘方法、装置以及设备 | |
KR102442988B1 (ko) | Cnn 학습 방식을 이용한 사용자 경험 기반 취향관계망 생성 시스템 |
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 |