CN112041874A - 用于生成建议列表的计算机实现的方法和用于生成订单列表的系统 - Google Patents
用于生成建议列表的计算机实现的方法和用于生成订单列表的系统 Download PDFInfo
- Publication number
- CN112041874A CN112041874A CN201980019496.8A CN201980019496A CN112041874A CN 112041874 A CN112041874 A CN 112041874A CN 201980019496 A CN201980019496 A CN 201980019496A CN 112041874 A CN112041874 A CN 112041874A
- Authority
- CN
- China
- Prior art keywords
- product
- user
- score
- time
- preparation
- 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
- G06Q30/02—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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0639—Item locations
-
- 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
- G06Q30/0255—Targeted advertisements 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
- G06Q30/0264—Targeted advertisements based upon schedule
-
- 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]
- G06Q30/0633—Lists, e.g. purchase orders, compilation or processing
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
消费者一次又一次地购买牙膏、糖或橙汁。对于这些产品,购物不是体验,而是烦人的琐事。本发明旨在使这种琐事变得更容易,尤其是通过人工智能。本发明涉及一种计算机实现的方法,用于为用户生成用于存储在产品数据库中的产品的产品标识的建议列表。其特征在于,该建议列表是针对特定时间点生成的,即不仅与用户有关,而且与特定时刻有关。本方法通过分析该用户过去购买该产品的时间点和时间间隔,并且必要时与该产品相关的产品,以及必要时也通过分析其他购买者的相应时间点和时间间隔,确定该产品是否被包括在建议列表中。本发明还涉及一种用于生成订单列表和用于填充购物篮的系统,该系统使用被设计为执行该方法的装置。
Description
本发明涉及一种计算机实现的方法,用于向用户生成并且输出用于存储在产品数据库中的产品的产品标识的建议列表。此外,本发明涉及一种用于执行该方法的装置以及一种用于使用该装置生成具有产品标识的订单列表的系统。
在电子商务中,通过网站,例如经由在线商店,提供各种产品。访问网站的用户不仅能够在网站上搜索这些产品并获取有关产品的信息,还能够通过网站购买这些产品。为了使用户尽可能舒适和方便地搜索产品,将在网站被访问时存储用户数据。当该用户再次调用该网站时,将使用该用户数据来调整信息的呈现和用户对某些产品的搜索,以满足相关用户的需求。例如,对用户最后一次查看但未购买的产品进行存储。当用户随后再次调用该网站时,这些最后一次查看的产品将在开始页面上显示给他,以增加他再次调用该网站时购买这些产品的可能性。
已经发现的是,以这种方式,能够向用户建议购买他最后一次访问该网站时没有购买的产品。然而,这样的购买建议不适用于用户已经购买了某些产品并且可能希望再次购买这些产品的应用领域。尤其是在需要重复购买大量产品的应用领域中,需要向用户提供建议列表,以简化并加速购买过程。这样的应用领域出现在例如,在食品、保健卫生用品或药品的在线商店;在公司供应、批发和中间贸易中,以及几乎所有的产品领域。除了用于在线商店中之外,该方法还能够生成用于固定交易的购物列表/购买建议。
生成建议列表的最简单方法是仅显示用户在该商店曾经购买的所有产品。然而,在杂货店购买的不同食品的数量非常多。因此,该列表将包含用户当前时间最可能不想要购买的大量产品。另一方面,能够快速选择合适的食品对于在线杂货店是非常地重要。否则,在线购物将花费很长时间。此外,事实证明,人们经常一次又一次地购买相同的食品,因此需要生成用于重复购买食品的建议列表。
从US 9659 310 B1已知一种基于消耗的重复购买推荐的方法。这涉及通过订阅给出自动交付某些产品的推荐。通过订阅,在用户与商店之间约定了固定的时间间隔。基于模式的特征和用户的购买统计数据,建议重复购买的时间间隔、产品数量和产品类型。
本发明是基于以下技术问题,即指明引言中提到的类型的计算机实现的方法,该方法生成并输出尽可能与用户计划购买意向接近的建议列表。此外,将描述在引言中提到的类型的系统,该系统使用用于执行该方法的装置,并通过该装置能够将用户意图购买的产品装入购物篮。
根据本发明,这些问题通过具有权利要求1的特征的计算机实现的方法和具有权利要求24的特征的系统来解决。有利的设计方案和改进方案由从属权利要求得出。
本发明所基于的基本概念是必须考虑到产品的性质。有些产品,用户通常在一定时间段,例如几年内仅购买一次,例如烧烤钳。相比之下,其他产品的购买间隔要短得多,例如牛奶或卫生纸。因此,通过查看用户的购买历史,能够预测再次购买该产品的可能性。例如,能够确定用户过去在什么时间段内已经使用了一定数量的卫生纸。根据该间隔和必要时该间隔的波动,能够确定相关家庭在当前时刻是否或有多大可能再次需要卫生纸。如果是这种情况,或者可能性很大,则此产品将被包含在建议列表中。一方面,在这种情况下,能够考虑用户过去的个人消费。然而,另外,也能够考虑所有用户对该产品的确定的消费量。此外,根据本发明的方法提出产品的替代方案是可行的。此外,所谓的产品组也能够被视为产品。
本发明的方法将使用用户的购买历史以及其他用户的购买历史用于特定产品。如果不知道有关用户的进一步认知,则该方法也能够工作。实际上,还能够处理其他用户数据,例如家庭规模或用户的某些偏好。然而,该认知对于根据本发明的方法不是绝对必要的。
在一个示例性实施例中,在用户最近购买产品的第二次购买中,其他客户的购买历史会被考虑在内。从第三次购买开始,尤其要考虑用户本身的购买历史。因此,当选择产品时,应用一种函数,该函数取决于相关产品的单个用户的购买历史和其他用户的购买历史。权重随所进行的购买次数的变化而变化,权重表示一方面单个用户的购买历史和另一方面其他用户的购买历史是怎样的而包括在函数中。
优选地,函数不仅指向单个产品,而且指向产品组。例如,如果用户每个月购买一罐果酱,但是每次这种果酱的口味不同,则建议列表将包括在一个月后建议购买一罐果酱。如果仅考虑单个产品,则不会考虑购买不同口味的果酱。
当考虑单个用户的购买历史时,能够包括购买节奏的波动范围(例如,标准偏差,间隔四分位数/百分位数)。与较早的间隔相比,能够更大程度地考虑最后一个间隔。此外,能够包括购买产品的总频率。
最后,特别是基于过去的时间间隔,能够考虑是否按期购买产品。如果是这种情况,该产品将被添加到建议列表中。还能够考虑到产品的超期。如果是这种情况,该产品也能够被添加到建议列表中。然而,如果产品超期很多,则可以将其从建议列表中移除,这是因为它显然与用户不再相关。例如,如果用户每周购买烧烤木炭或鸡蛋,并且在某个时间点停止购买,则下次用户购买商品时,木炭或鸡蛋将被添加到建议列表中。自此之后的下次购买仍然是这种情况,但再下一次的购买就不是了。这考虑到该产品的季节可能已经结束,并且用户不再希望购买该产品(例如,由于降低胆固醇水平的目标,改吃素食等)。还能够考虑其他用户最初是否频繁购买了该产品,然后又不再购买了。以这种方式,能够标识不再需要的产品,例如具有2018年世界杯足球赛广告的商品;类似地,能够标识季节性产品,例如烧烤木炭。
该方法特别适用于在线食品零售店。然而,它也适用于药房或药店出售的产品。
根据本发明提出了一种计算机实现的方法,其用于为用户生成用于存储在产品数据库中的产品的产品标识的建议列表,其中:
a.通过服务器访问分配给用户的用户数据库,确定产品或确定存储在产品数据库中的产品中的产品,该产品用户过去购买过;
b.对于用户过去购买的至少一种已确定的产品,通过访问用户数据库来确定该用户过去第一次或哪几次购买过该产品;
c.服务器计算从用户过去最后一次购买产品的时间到目标时间的至少一个第一时间间隔;
d.如果确定了用户过去购买产品的多个时间点,则服务器对用户过去连续购买该产品的时间点计算一个或更多个第二时间间隔;
e.根据第一时间间隔,以及如果已经确定了该用户过去购买该产品的多个时间点,还根据所述一个或更多个第二时间间隔,服务器使用第一预测方法计算第一分数,该第一分数是用户在目标时间再次购买产品的可能性的度量;
f.用于产品标识的建议列表是基于第一分数生成的。
根据本发明的方法为用户实现了建议列表的生成,该建议列表最大可能包含用户希望购买的产品。这尤其是通过考虑用户的过去购买和这些过去购买的相应时间间隔来实现。
特别地,根据本发明的方法中的目标时间是要输出建议列表或要进行购买的时间。因此,这是一个预测时间。特别地,这是当前时间,例如,当调用网上商店时。然而,这也能够是不远的将来的一个时间点,例如发送电子新闻稿的时间。
在根据本发明的方法中,产品数据库和用户数据库也可以包含在单个数据库中,然后能够从其中检索相应的数据。
根据本发明的方法的一个实施例,对存储在产品数据库中的其他产品执行步骤b到f。尤其是针对用户过去或在所限定的整个时间段内购买的所有产品而执行这些步骤。
根据本发明方法的一个实施例,还执行以下步骤:
g.通过访问用户数据库,可以为多个其他用户确定其他用户在过去购买该产品的第二时间点;
h.对于多个其他用户中的每一个,服务器对于另一用户在过去连续购买该产品的时间点计算一个或更多个第三时间间隔;
i.根据为多个其他用户计算的一个或更多个第三时间间隔,所述服务器使用第二预测方法计算第二分数,该第二分数是任何用户在目标时间再次购买该产品的可能性的度量;
j.计算分配给产品和用户的函数的函数值,其变量至少包括第一分数和第二分数;
k.根据分配给产品的函数值,生成用于产品标识的建议列表。
这确保了为用户生成建议列表,该建议列表以甚至更高的可能性包含用户希望购买的产品。这尤其是通过以下来实现的,即不仅要考虑用户的过去购买以及过去购买的相应时间间隔,还要考虑其他用户购买这些产品的时间和相应的时间间隔。
根据本发明,能够基于用户的过去购买来生成相对较短的建议列表,因为确定之前已经购买的产品是否目前也确实需要。
与现有技术相比,例如US 9 659 310 B1,在根据本发明的方法中没有约定固定的时间间隔,而是根据估计的当前需求来动态地调整推荐;在这种情况下,要考虑相关用户行为的变化,并且还能够确定并包括季节依赖性。
根据本发明的方法的一个实施例,对存储在产品数据库中的其他产品执行步骤g到k。尤其针对用户过去或在所限定的整个时间段内购买的所有产品而执行这些步骤。
根据本发明的方法的一个实施例,根据第二时间间隔计算第一权重值,并且该第一权重值指示第一分数的可靠性。根据第三时间间隔计算第二权重值,该第二权重值指示第二分数的可靠性。当计算函数值时,然后用第一权重值对第一分数加权,并用第二权重值对第二分数加权。
根据本发明的方法的一个实施例,如果在步骤a中确定用户在过去仅购买了一次产品,则第一权重值为零。在一次过去购买产品的情况下,无法确定用户过去重复购买的时间间隔。然而,在这种情况下,该方法考虑了其他用户购买的时间和时间间隔,从而在这种情况下也能够生成并输出可能与用户的购买意向相对应的建议列表。
根据本发明方法的改进方案,用户过去购买产品的频率越高,使得计算出大量的第二时间间隔,第一权重值就越大。在步骤j中计算函数的函数值,通过这种方式对用户的先前认知的程度进行加权。在存在用户的许多已知的过去购买的情况下,尤其考虑第一分数,并且基于关于消费者的认知来生成第一分数。另一方面,如果对消费者过去购买的认知较少的情况下,则对第二分数的权重会更大,该第二分数考虑其他用户对相关产品的购买。
特别地,根据用户购买产品的频率以及必要时根据访问网站和商店的频率对第一分数和第二分数的影响进行加权。
第一分数和/或第二分数通过预测方法,特别是通过统计预测方法来确定,该预测方法用于估计用户的未来行为。
在特定的实施例中,尤其是使用神经网络来计算第一分数。然而,还能够使用其他预测方法来计算,例如逻辑回归、随机森林等。在特定实施例中,使用四层密集神经网络。为了计算第二分数,在特定实施例中使用逻辑回归。特别地,使用具有某些交叉变量的逻辑回归。已经发现,对第一分数和第二分数的这种计算能够生成特别准确的建议列表。然而,对于这两个分数,也能够使用其他方法。
例如,在预测方法中得出统计值。这样的值是例如中位数、标准偏差、四分位数以及最小值和最大值。这些值能够进行非线性转换。这在特定实施例中发生,但是对于该方法不是必需的。这些值被输入到预测方法中。
为了计算第一分数和/或第二分数,能够考虑各种附加的输入变量,这些附加的输入变量被聚合并表示一段时间内用户或其他用户的购买行为。
例如,能够计算第二时间间隔的中位数。然后,根据计算出的第二时间间隔的中位数来进一步计算第一分数。
此外,替代地或附加地,能够计算第二时间间隔的标准偏差。然后,根据计算出的第二时间间隔的标准偏差来进一步计算第一分数。
此外,替代地或附加地,能够计算第三时间间隔的中位数。如果第二时间点的数量低于阈值,则根据计算出的第三时间间隔的中位数来进一步计算第二分数。因此,如果用户的过去购买的次数很少,则考虑了其他用户的过去购买的第三时间间隔的中位数就变得尤为相关。
此外,在第一分数和/或第二分数的计算中能够考虑产品和/或用户的属性。
根据本发明的方法的一个实施例,例如通过访问产品数据库,将重复购买产品的可能性确定为产品的第一属性。然后,服务器根据第一属性进一步计算第一分数和/或第二分数。另外,第一属性能够指示产品的周期性,即不仅是重复购买的可能性,还是可能发生重复购买的时间间隔。还能够为周期性指明范围,即可能重复购买产品的时间间隔。第一属性作为产品性质存储在产品数据库中,该性质通常指明产品的周期性。因此,例如烧烤钳与例如产品奶相比而言,第一属性的值是不同的。
替代地或附加地,能够将产品的第二属性确定为是用户或另一用户在确定的购买产品的时间点购买产品的可能性。然后,服务器根据第二属性进一步计算第一分数和/或第二分数。以这种方式,能够确定产品的季节性,这考虑到在某个季节中比在另一个季节中更频繁地重复购买该产品的事实。这能够考虑到,例如,在夏季购买一产品更多,而在冬季购买该产品更少,反之亦然。尤其是能够通过用于生成产品优先级数据的方法来确定第二属性,如WO 2016/174142 A1中所述,该文档通过引用并入在本说明书中。
根据该方法的改进方案,替代地或附加地,将第一时间间隔与第二时间间隔的平均值之比确定为产品的第三属性。然后,替代地或附加地,服务器根据第三属性计算第一分数。
根据本发明的方法的改进方案,替代地或附加地,将第一时间间隔与第二时间间隔中的最后一个之比确定为产品的第四属性。然后,服务器根据第四属性进一步计算第一分数。
根据本发明的方法的改进方案,替代地或附加地,将用户或另一用户购买产品的时间确定为产品的第五属性。然后,服务器根据第五属性进一步计算第一分数和/或第二分数。以这种方式,能够考虑在某些时间购买产品的关联性。此外,在这种情况下,也能够考虑用户或另一用户购买产品是在星期几。
根据本发明的方法的改进方案,替代地或附加地,能够将用户或另一用户购买时产品是否打折确定为产品的第六属性。然后,服务器根据第六属性进一步计算第一分数和/或第二分数。这考虑了用户更愿意购买已施加折扣的产品。优选地,在生成第一分数和/或第二分数时考虑这一点。
根据本发明方法的改进方案,通过访问产品数据库来确定属于该产品的替代产品。然后,还对替代产品执行步骤a到h。替代产品能够是其他包装尺寸的产品。它们也能够是来自其他供应商的相同或相似产品。最后,可以考虑具有不同味道或气味或不同剂型的产品,特别是在药物的情况下。此外,替代产品可以是属于同一产品类型的产品,例如不同的奶酪,或也可以是满足相同需求的产品,例如香肠而不是奶酪。
作为购买产品的补充或替代,考虑了用户或另一用户已经经由网络访问了关于该产品的信息。例如,能够考虑以下情况:如果用户或另一用户已经在在线商店中调用了该产品,并且必要时还将其放置在电子购物篮中,但尚未购买该产品,或者替代地已购买了另一种产品。
在根据本发明的方法中,在购买产品时,产品标识、用户标识和/或购买时间被存储在用户数据库中以生成用户数据库。另外,能够存储购买产品的单位数量和购买产品时的价格。
根据本发明的方法的一个实施例,在购买产品时,通过第一传感器记录产品的产品标识,并通过第二传感器记录用户标识。然后所记录的产品标识和用户标识存储在用户数据库中。第一传感器能够例如是用于诸如条形码之类的编码的扫描器,其通过电子收银机连接到服务器。第二传感器能够例如记录用户的特征。例如,能够自动记录用户的生物特征。此外,用户能够将用户识别码直接输入到传感器中,或者当通过使用例如信用卡数据等作为用户标识来支付产品时,能够获得用户标识。
消费者一次又一次地购买牙膏、糖或橙汁。对于这些产品,购物不是体验,而是烦人的琐事。本发明使这种琐事变得更容易,尤其是通过人工智能。根据本发明的方法的特征尤其在于,建议列表是针对特定时间点/时间段生成的,即不仅与用户有关,而且与特定时刻有关。本方法通过分析该用户过去购买该产品的时间点和时间间隔,并且必要时与该产品相关的产品,以及必要时也通过分析其他购买者的相应时间点和时间间隔,确定该产品是否被包括在建议列表中。该方法还能够考虑但不依赖于其他变量,例如天气。根据用户先前访问的频率以及他/她已经购买了相关产品的频率,该方法根据不同的标准来确定建议列表。频率越低,就越会考虑其他消费者的购买行为;频率越高,就越会考虑特定用户的购买行为。
在其中一种子方法中,计算了反复购买产品的可能性。另外,还确定了所有用户和所有时间段的时间间隔及必要时其波动范围。从这三个变量中,使用一种预测方法(回归、随机森林、神经网络等)来得出独立于用户的预测。在第二子方法中,从用户指定的时间点、由该时间点产生的间隔以及它们的波动概率得出相关产品的用户指定的第一分数。在第三子方法中,确定了产品的季节依赖性。在汇总的方法中,建议列表是通过三种方法的组合得出的。为此,预测方法会考虑子方法的值、用户购买该产品的频率、以及必要时考虑例如该用户访问在线商店的整体访问频率。必要时,其他变量也能够包括在该方法中。函数值用于生成包含多个产品标识的建议列表。
该方法还能够用于确定何时向用户发送所建议的订单列表。
本发明还涉及一种用于数据处理的装置,该装置包括被配置为执行上述方法的处理器。
本发明还涉及一种用于生成具有产品标识的订单列表的系统。该系统包括上述数据处理的装置。该系统还包括输入接口,其用于检测用户输入以接受或修改由装置输出的建议列表,并生成具有产品标识的订单列表。特别地,以这样的方式设计输入接口,使得如果建议列表被接受,则订单列表将包含与建议列表相同的产品标识。如果通过用户输入来更改建议列表,则订单列表会包含具有产品标识的相应更改的列表。
根据根据本发明的系统的改进方案,所述系统还包括控制单元,其耦合到输入接口,并且被设计为通过访问产品数据库来确定在订单列表中产品标识的位置数据并将其输出给用户。
根据根据本发明的系统的改进方案,该系统还包括填充装置,其用于将在订单列表中分配了产品标识的产品填充到购物篮中。
根据本发明的系统的改进方案,该系统还包括控制单元,其到输入接口和填充装置,并且被设计为通过访问产品数据库将订单列表中的产品标识的位置数据发送到填充装置。在这种情况下,填充装置被设计为将订单列表中的产品标识的产品从与由控制单元发送的位置数据相对应的位置运输到购物篮中。
控制单元还能够耦合到填充装置。然后控制单元能够被设计为将在订单列表中的产品标识的位置数据发送到填充装置。然后,填充装置被设计为将订单列表中的产品标识的产品从与由控制单元发送的位置数据相对应位置运输到购物篮中。
利用根据本发明的系统,能够支持用户填充购物篮。通过生成建议列表来加速并简化选择,并且购物篮的填充由自动填充装置支持,该自动填充装置由控制单元控制。
最后,本发明涉及一种包括指令的计算机程序产品,该指令在由计算机执行时使计算机执行上述方法。
现在将参考附图基于示例性实施例来说明本发明。
图1示意性地示出了根据本发明的装置的实施例的结构;
图2示出了用户过去所进行的购买的时间顺序描述;
图3示出了其他用户过去所进行的购买的时间顺序描述;
图4示出了根据本发明的方法的示例性实施例的流程图;以及
图5示意性地示出了根据本发明的系统的示例性实施例的结构。
参考图1,首先说明根据本发明的装置1的实施例的结构:
装置1包括服务器2,其例如提供用于食品的在线商店。用户N的客户端3以本身已知的方式连接到服务器2,例如经由互联网。客户端3包括:输出单元4,例如显示器;和输入单元5,例如键盘和电子鼠标。输出单元4能够替代地经由移动设备或诸如是电视或其他设备之类的其他界面来提供。此外,一般用X表示的其他用户的一般用6表示的客户端能够经由互联网耦合到服务器2。图1示出了其他用户X1、X2和X3的三个客户端6-1、6-2和6-3的示例。客户端3和6能够通过服务器2调用网站,并使用这些网站购买各种产品P。
为了提供在线商店,服务器2耦合到产品数据库7和用户数据库8。用户数据库8存储服务器2提供的在线商店的用户的过去购买数据。产品数据库7存储关于在线商店中提供的产品的数据。
在在线商店的运行期间,服务器将关于用户交互的数据存储在用户数据库8中。例如,当某一用户N将产品P放入电子购物篮中时,对该数据进行存储。当用户N或另一用户X经由在线商店购买产品P时,也对该数据进行存储。
另外,服务器2在产品数据库7中存储了各个产品P的产品标识、产品P的性质和属性以及与产品P有关的任何其他数据,这将在之后说明。
可选地,装置1还能够记录商店中的购买。为此,该装置能够具有到记录单元11的接口,例如电子收银机。记录单元11耦合到第一传感器9和第二传感器10。在购买产品P时,第一传感器9能够记录用户标识,第二传感器10能够记录所购买产品P的产品标识。这些数据能够通过记录单元11存储在产品数据库7和用户数据库8中,使得服务器2也能够访问在商店中的这种购买。
参考图2和图3,说明了如何记录用户N和其他用户X的过去购买的时间顺序:
在图2和图3中,ZP通常表示时间点,附加N指定给用户N,附加X指定给另一用户X,以及附加数字作为编号。ZI表示时间间隔,其中,在这种情况下也使用相应的附加。VZP表示该方法输出建议列表的预测时间或目标时间。
例如,在图2中,示出了用户N过去在目标时间VZP之前的时间点ZP-N-1处购买了某一产品P的情况。目标时间VZP与用户N最后一次购买产品P的时间点ZP-N-1之间的时间间隔由ZI1-N表示。时间间隔ZI1-N被称为第一时间间隔。此外,在图2所示的情况下,用户N在其他时间点ZP-N-2、ZP-N-3、ZP-N-4购买了产品P。由此得出第二时间间隔ZI2-N-1、ZI2-N-2和ZI2-N-3。
通过服务器2或记录单元11将关于用户N购买产品的数据存储在用户数据库8中。特别地,对于每次购买存储以下数据:购买时间,包括时间和日期;用户标识,优选是假名;和产品标识,例如产品P的商品编号。此外,能够将购买产品的数量P和相应的价格存储在用户数据库8中。
以相同的方式,在在线商店的运行期间,也将其他用户X的购买存储在用户数据库8中。参考图3对此进行说明:
另一用户X在时间点ZP-X-1、ZP-X-2和ZP-X-3购买了相关产品P,因此,在这些购买的两个连续次数之间,导致了时间间隔ZI3-X-1和ZI3-X-2。这些时间间隔也被称为第三时间间隔。关于这些购买的数据还以用户指定的方式存储在用户数据库8中。
在下文中,参照图4说明根据本发明的方法的示例性实施例,同时,将描述根据本发明的装置1的其他设计方案。
该方法的出发点是,将用户N对产品P的过去购买与上述相关数据一起存储在用户数据库8中。以相同的方式,对于大量的其他用户X,将过去购买的相应数据也存储在用户数据库8中。此外,将产品P的性质和属性存储在产品数据库7中。
在步骤S1中,用户N通过客户端3来调用由服务器2运营的在线商店网站,其中,用户N登录,使得其经由用户标识被服务器2记录。
在步骤S2中,服务器2然后通过访问用户数据库8来确定用户N过去购买了哪些产品P。为此,对于过去购买能够使用一定的整个时间段。例如,能够查看用户N在过去14个月内的过去购买。例如,消费者过去购买了产品P1至Pn的情况。现在对这些产品P1到Pn中的每一个执行以下步骤:
在步骤S3中,通过服务器2访问用户数据库8来确定产品Pi,用户N在过去的哪个第一时间点ZP-N-1或在哪些时间点ZP-N-j(j>0)购买了产品Pi。
在步骤S4中,服务器2计算购买时间点之间的时间间隔。由于对于用户N的过去购买,时间点ZP-N-1始终存在,因此,服务器2计算出第一时间间隔ZI1-N。如果确定了用户N过去购买产品Pi的另外的时间点ZP-N-j,则服务器将对用户N过去连续购买产品Pi的时间点计算第二时间间隔ZI2-N-1或第二时间间隔ZI2-N-j。
然后,在步骤S5中,根据第一时间间隔ZI1-N,以及如果已经确定了用户N在过去购买产品Pi的多个时间点,还根据第二时间间隔ZI2-N-1或第二时间间隔ZI2-N-j,服务器2计算出第一分数,该第一分数是用户N将在目标时间VZP再次购买产品Pi的可能性的度量。还确定了第一权重值。第一权重值提供了对于以下可能性的第一分数的可靠性的度量:即通过考虑用户N的过去购买,该用户想要再次购买产品Pi的可能性。
为此,上述时间输入变量被聚合用于神经网络。聚合输入变量表征用户N在一定时间段内对于产品Pi的购买行为的发展。在本发明的示例性实施例中,为此使用了具有240万个突触的四层密集神经网络。已经发现的是,突触或层的数量减少会导致较差的结果,但增加并不会导致改善。因此,神经网络输出第一分数,并且在必要时,还输出第一权重值。
已经发现的是,与具有纯购买行为流,即单个购买交易,不对输入变量进行聚合的其他人工智能方法的计算相比,基于密集神经网络或逻辑回归进行的第一分数或第二分数的计算是具有优势的。为此,例如,能够实现具有递归神经网络的人工智能的应用,例如,在其中使用长短期记忆(LSTM)。然而,这种情况下的计算工作量很大。为根据本发明的方法指定的方法需要更少的计算能力,从而能够如此迅速地生成建议列表,使得该建议列表能够在在线商店中使用,而没有用户N在输出建议列表生成之前离开在线商店的情况。
另一种可能性是采用具有计算工作量较少的神经网络的方法,例如基于一维卷积神经网络。然而,在这种情况下,计算工作量还是远远大于利用结合了根据本发明的方法的所描述的聚合输入变量。
在步骤S6中,通过访问大量其他用户X的用户数据库8,确定了其他用户X中的每一个在过去的哪些第二时间点ZP-X-j(j>0)购买了产品Pi。据此,对于另一用户X,服务器2对于另一用户X在过去连续购买产品Pi的时间点计算第三时间间隔ZI3-X-1或第三时间间隔ZI3-X-j。
在步骤S7中,根据为多个其他用户X计算出的第三时间间隔ZI3-X-1或第三时间间隔ZI3-X-j,服务器2计算第二分数和第二权重值。在该示例性实施例中,为此使用具有某些交叉变量的逻辑回归。替代地,在这种情况下也能够使用神经网络。由逻辑回归生成的第二分数是对任何用户在目标时间VZP再次购买产品的可能性的度量。计算出的第二权重值也指示第二分数的可靠性。
在步骤S8中,计算分配给产品Pi的函数的函数值,对于该函数,变量包括第一分数和/或第二分数,用第一权重值对第一分数加权,用第二权重值对第二分数加权。加权确保了各个分数越有意义,则其在函数值中包含的程度就越大。
在本发明的示例性实施例中,如果确定了用户N在过去仅购买了一次产品Pi,即仅在时间点ZP-N-1购买了产品Pi,并且存在第一时间间隔ZI1-N,则将第一权重值设置为零,使得在计算函数值时不会考虑这种情况下的第一分数。然后仅基于第二分数来计算函数值,该第二分数是基于其他用户X的过去购买生成的。
如果已经确定了用户N对于产品Pi的几次过去购买,则第一权重值大于零。特别地,用户N在过去,尤其是在整个时间段内购买产品Pi的频率越高,权重值就越大。在这种情况下,尤其能够计算大量的第二时间间隔ZI2-N-j。然后在函数值的计算中,将较小程度上考虑基于其他用户X的购买获得的第二分数。例如,函数值越高,则用户在目标时间VZP再次购买相应的产品P的可能性就越大。
另一方面,也可以不考虑其他用户X的过去购买,使得第二权重值被设置为零。然后在该方法中仅考虑用户N的过去购买。
该方法从步骤S8返回到步骤S3,并且对用户N过去已经购买过至少一次的下一个产品Pj执行步骤S3至S8,直到针对所有产品P1至Pn执行了这些步骤。因此,对于每个产品都存在某个函数值。
在步骤S9中,然后根据分配给产品P的函数值生成包含产品标识的建议列表。在建议列表中能够例如包含函数值超过一定阈值的产品P的产品标识。替代地,能够将函数值最大的产品P的一定数量的产品标识包含在建议列表中。
在步骤S10中,然后将具有产品标识的建议列表经由输出单元4输出给用户N。替代地或附加地,它能够经由输出单元输出到另一装置以进行进一步处理。
在下文中,描述了对根据本发明的方法的前述示例性实施例的补充,其导致其他示例性实施例:
替代地或附加地,在步骤S5中,能够将用户N在整个时间段内购买产品Pi的次数视为聚合输入变量。
替代地或附加地,在步骤S5中,在第一分数的计算中,能够考虑将消费者N购买产品Pi时间点的第二时间间隔ZI2-N-j的中位数或某一百分位数作为聚合输入变量。
替代地或附加地,在步骤S5中,在第一分数的计算中时,也能够考虑用户N过去购买产品Pi的第二时间间隔ZI2-N-j的标准偏差。
替代地或附加地,在步骤S5中,用户N过去购买产品Pi的最后一次记录到的第二时间间隔ZI2-N-1也能够被考虑为聚合输入变量。
替代地,在确定统计变量时,能够在不同程度上考虑各个时间点和间隔,其中,在更大程度上考虑更新的时间点/间隔。
替代地或附加地,每个时间点和每个间隔能够作为输入变量被单独地流入到预测函数中。对于单个时间点,能够包括其他性质,例如星期几或某一时间,以及确定的其他数据,例如当时的天气结合到时间点中。
替代地或附加地,通过访问产品数据库7,能够将产品P的重复购买的可能性作为产品P的第一属性确定为聚合输入变量。该第一属性能够独立于用户N或其他用户X过去的任何购买而存储在产品数据库7中。它反映了产品本身的性质。当计算第一分数和第二分数时,能够在步骤S5和/或步骤S7中考虑该第一属性。
此外,替代地或附加地,作为产品P的第二属性,能够确定用户N在确定的时间点ZP-N-j购买产品P的可能性。此外,作为产品P的第二属性,能够确定在确定的时间点ZP-X-j处,另一用户X购买产品P的可能性。然后在计算第一分数或第二分数时,能够在步骤S5和/或步骤S7中考虑第二属性。以这种方式,用户N或另一用户X在先前购买该产品P时,考虑了产品P对所有用户的季节性强度。另外,能够在目标时间VZP处考虑了产品P对所有其他用户X的季节性强度。
例如能够通过用于生成产品优先级数据的方法来确定季节性强度,如WO 2016/174142 A1中所述,该专利通过引用并入说明书中。
替代地或附加地,当计算第一分数时,能够在步骤S5中考虑第三属性,该第三属性是第一时间间隔ZI1-N与第二时间间隔ZI2-N-j的平均值之比。以这种方式,相对于该用户N购买该产品P之间的典型时间间隔,考虑到了自用户N最后一次购买产品P以来的持续时间。
替代地或附加地,能够将第一时间间隔ZI1-N与第二时间间隔ZI2-Nj中的最后一个ZI2-N-1之比确定为产品P的第四属性,并且在计算第一分数时,在步骤S5中将其考虑作为聚合输入变量。以这种方式,相对于最后确定的第二时间间隔,考虑到了目标时间VZP与用户N最后一次购买该产品P之间的时间段。
对于相对较新的用户N或用户N与某个产品P的新组合,还不能根据该用户N过去的购买记录准确得出用于建议列表中产品P的函数值计算。如果用户N很少购买某一产品P,则很难预测他在再次访问在线商店时是否会再次购买该产品。在这种情况下,如上所述,产品需求的可能性是完全或大部分基于所有其他用户X过去购买产品P的一般重复购买特征预测的。为了在步骤S7中计算第二分数,在这种情况下,尤其能够替代地或附加地考虑以下聚合输入变量:
此外能够根据第三时间间隔ZI3-X-j的中位数计算第二分数。尤其是如果第一时间点的数量ZP-N-j,即用户N过去的购买次数低于阈值,则使用该聚合输入变量。
此外,能够替代地或附加地考虑所谓的AC分数。这指示了产品P的一般相对重复购买可能性,这是基于Agresti&Coull近似二项分布上的考虑,尽管此处未计算二项分布。
在根据本发明的方法的又一示例性实施例中,在步骤S3至S8的迭代中不仅考虑了用户N过去已经购买的产品Pi的数量。此外,对产品Pi的替代产品也进行了迭代。为此,通过访问产品数据库7来确定属于产品Pi的替代产品。然后对该替代产品执行步骤S2至S8,然后在考虑该替代产品的分数的情况下执行步骤S9和S10。
在另一示例性实施例中,不仅考虑了用户N或另一用户X过去对产品P的购买,而且还考虑了用户N或其他用户X的访问,在该访问中没有购买产品数据库7的产品P或没有购买包含产品数据库7的产品P的产品组。例如,该方法还可以考虑用户N或另一用户X仅在在线商店中访问有关产品P的信息,但尚未购买产品P。
在另一示例性实施例中,将用户N或另一用户X购买产品P的某一时间以及必要时星期几确定为产品P的第五属性。然后,根据该第五属性,在步骤S5或步骤S7中计算第一分数和/或第二分数。
如果产品P是在打折的时候购买的,也能够被考虑进去。此外,能够考虑到,购买的产品P在某一时间点是替换组中最便宜的产品。在计算第一分数和计算第二分数时都能够考虑这些因素的影响。
最后,还能够确定用户N或另一用户X对特定产品的忠诚度相对于替代品的忠诚度如何,并且在计算第一分数和/或第二分数时,将其作为另一聚合输入变量考虑在内。
参考图5,在下文中,将描述根据本发明的系统的示例性实施例,该系统用于生成具有用于填充购物篮15的产品标识的订单列表,该系统在该实施例中还被设计为填充购物篮15:
该系统包括参考图1并参考根据本发明的方法的示例性实施例描述的装置1。如已参考图1说明的,装置1耦合到记录单元11,该记录单元在系统的实施例中被设计为电子收银机11。电子收银机11连接到第一传感器9和第二传感器10。
该系统通常用于记录用户N和其他用户X的购买。在支付过程中,第二传感器10能够被设计为产品编码的扫描仪,例如,记录所购买产品的产品标识并将其发送到电子收银机11。在随后的支付过程中,通过第一传感器9,例如通过电子支付卡的标识来标识用户N或另一用户X。如上所述,电子收银机11将该数据存储在用户数据库8中。以这种方式,能够通过商店中的系统记录并存储用户N或另一用户X的购买。
另外,根据本发明该系统被设计为生成订单列表。为此,首先通过第一传感器9标识用户N。用户N的用户标识从电子收银机11发送到装置1。如上所述,装置1随后针对用户N过去已经购买的那些产品P为用户N生成建议列表。建议列表中产品的产品标识通过由装置1控制的触摸屏12输出。用户N能够经由触摸屏12接受建议列表,或者通过用户输入来更改建议列表。例如,用户N能够在触摸屏12上选择他尚未购买的其它产品P。因此,触摸屏12表示用于记录用户输入的输入接口,尤其是用于接受或修改由装置1输出的建议列表的输入接口。
当用户完成触摸屏12上的输入时,将生成具有产品标识的订单列表。
另外,该示例性实施例的系统被设计为在订单列表中输出产品标识的位置数据:
订单列表从触摸屏12发送到控制单元13。控制单元访问装置1的产品数据库7,将产品标识的位置数据加载到订单列表中,并将该位置数据发送给用户。例如,位置数据能够由触摸屏12显示。然而,优选地,位置数据以无线的方式发送到用户的移动设备。
此外,该示例性实施例的系统被设计为填充购物篮15:
在这种情况下,订单列表也从触摸屏12发送到控制单元13。控制单元13还耦合到装置1和第二传感器10。控制单元13将订单列表中的产品标识发送到第二传感器10,该第二传感器将其转发到电子收银机11。电子收银机11将该数据与第一传感器9发送的用户标识一起存储在用户数据库8中,使得这些购买在随后的购买交易中能够再次使用。
该系统还包括填充装置14,用于将在订单列表中分配了产品标识的产品P填充到购物篮15中。在控制单元13和填充装置14之间存在无线通信链路16。控制单元访问装置1的产品数据库7,将产品标识的位置数据加载到订单列表中,并将该位置数据发送给填充装置14。填充装置14是移动单元,通过该移动单元能够例如从某些位置的架子取走产品P并将其放置在购物篮15中。填充装置14经由无线通信链路16从控制单元13接收订单列表,其中在订单列表中具有产品的相应位置数据。然后,填充装置14移动到订单列表中产品的相应位置,并将这些产品P运输到购物篮15。如果购物篮15中的产品完全用订单列表中的产品填充,则填充装置14将此情况传达给控制单元13,控制单元13将相应的信号发送到电子收银机11。然后,电子收银机11能够例如经由互联网自动触发针对用户N的支付过程。用户N能够从购物篮15中取出产品P。
附图标记
1 装置
2 服务器
3 用户客户端
4 输出单元
5 输入单元
6 其他用户客户端
6-1 另一用户客户端
6-2 另一用户客户端
6-3 另一用户客户端
7 产品数据库
8 用户数据库
9 第一传感器
10 第二传感器
11 记录单元;电子收银机
12 触摸屏
13 控制单元
14 填充装置
15 购物篮
16 无线通信链路
Claims (28)
1.一种计算机实现的方法,其用于为用户生成用于存储在产品数据库中的产品的产品标识的建议列表,其中:
a.通过服务器访问分配给用户的用户数据库,确定产品或确定存储在所述产品数据库中的产品中的产品,所述产品用户过去购买过;
b.对于所述用户过去购买的至少一种已确定的产品,通过访问所述用户数据库来确定所述用户过去第一次或哪几次购买过所述产品;
c.所述服务器计算从所述用户过去最后一次购买所述产品的时间到目标时间的至少一个第一时间间隔;
d.如果确定了所述用户过去购买所述产品的多个时间点,则所述服务器对所述用户过去连续购买所述产品的时间点计算一个或更多个第二时间间隔;
e.根据所述第一时间间隔,以及如果已经确定了所述用户过去购买所述产品的多个时间点,还根据所述一个或更多个第二时间间隔,所述服务器使用第一预测方法计算第一分数,所述第一分数是所述用户在目标时间再次购买所述产品的可能性的度量;
f.用于产品标识的建议列表是基于所述第一分数生成的。
2.根据权利要求1所述的方法,
其特征在于,
对存储在所述产品数据库中的其他产品执行步骤b到f。
3.根据权利要求1或2所述的方法,
其特征在于,
还执行以下步骤:
g.通过访问所述用户数据库,为多个其他用户确定所述其他用户过去购买所述产品的第二时间点;
h.对于所述多个其他用户中的每一个,所述服务器对于另一用户在过去连续购买所述产品的时间点计算一个或更多个第三时间间隔;
i.根据为所述多个其他用户计算的一个或更多个第三时间间隔,所述服务器使用第二预测方法计算第二分数,所述第二分数是任何用户在所述目标时间再次购买所述产品的可能性的度量;
j.计算分配给所述产品和所述用户的函数的函数值,其变量至少包括所述第一分数和所述第二分数;
k.根据分配给所述产品的所述函数值,生成用于产品标识的建议列表。
4.根据权利要求3所述的方法,
其特征在于,
对存储在所述产品数据库中的其他产品执行步骤g至k。
5.根据前述权利要求之一所述的方法,
其特征在于,
根据所述第二时间间隔计算第一权重值,并且所述第一权重值指示所述第一分数的可靠性,
根据所述第三时间间隔计算第二权重值,并且所述第二权重值指示所述第二分数的可靠性,以及
当计算所述函数值时,然后用所述第一权重值对所述第一分数加权,并用所述第二权重值对所述第二分数加权。
6.根据权利要求5所述的方法,
其特征在于,
如果在步骤a中确定所述用户在过去仅购买了一次所述产品,则所述第一权重值为零。
7.根据前述权利要求之一所述的方法,
其特征在于,
所述用户过去购买所述产品的频率越高,使得计算出大量的第二时间间隔,所述第一权重值就越大。
8.根据前述权利要求之一所述的方法,
其特征在于,
通过神经网络来计算所述第一分数。
9.根据前述权利要求之一所述的方法,
其特征在于,
通过逻辑回归来计算所述第二分数。
10.根据前述权利要求之一所述的方法,
其特征在于,
计算所述第二时间间隔的中位数,并且根据计算出的第二时间间隔的中位数来进一步计算所述第一分数。
11.根据前述权利要求之一所述的方法,
其特征在于,
计算所述第二时间间隔的标准偏差,并且根据计算出的第二时间间隔的标准偏差来进一步计算所述第一分数。
12.根据前述权利要求之一所述的方法,
其特征在于,
计算所述第三时间间隔的中位数,如果所述第二时间点的数量低于阈值,则根据计算出的第三时间间隔的中位数进一步计算所述第二分数。
13.根据前述权利要求之一所述的方法,
其特征在于,
通过访问所述产品数据库,将重复购买所述产品的可能性确定为所述产品的第一属性,并且
所述服务器根据所述第一属性进一步计算所述第一分数和/或第二分数。
14.根据前述权利要求之一所述的方法,
其特征在于,
将所述产品的第二属性确定为是所述用户或另一用户在确定的购买所述产品的时间点购买所述产品的可能性,并且
然后,所述服务器根据所述第二属性进一步计算所述第一分数和/或第二分数。
15.根据前述权利要求之一所述的方法,
其特征在于,
将所述第一时间间隔与所述第二时间间隔的平均值之比确定为所述产品的第三属性,并且
所述服务器根据所述第三属性进一步计算所述第一分数。
16.根据前述权利要求之一所述的方法,
其特征在于,
将所述第一时间间隔与所述第二时间间隔的最后一个之比确定为所述产品的第四属性,并且
所述服务器根据所述第四属性进一步计算所述第一分数。
17.根据前述权利要求之一所述的方法,
其特征在于,
所述用户或另一用户购买所述产品的时间确定为所述产品的第五属性,并且
然后,所述服务器根据所述第五属性进一步计算所述第一分数和/或第二分数。
18.根据前述权利要求之一所述的方法,
其特征在于,
将所述用户或另一用户购买时所述产品是否打折确定为所述产品的第六属性,并且
所述服务器根据所述第六属性进一步计算所述第一分数和/或第二分数。
19.根据前述权利要求之一所述的方法,
其特征在于,
通过访问所述产品数据库来确定属于所述产品的替代产品,并且
还对所述替代产品执行步骤a到h。
20.根据前述权利要求之一所述的方法,
其特征在于,
经由输出单元或接口输出建议列表。
21.根据前述权利要求之一所述的方法,
其特征在于,
在购买产品时,产品标识、用户标识和/或购买时间被存储在所述用户数据库中。
22.根据前述权利要求之一所述的方法,
其特征在于,
在购买产品时,通过第一传感器记录所述产品的产品标识,并通过第二传感器记录用户标识,并且
所记录的产品标识和用户标识存储在所述用户数据库中。
23.一种用于数据处理的装置,其包括被配置为执行根据权利要求1至22之一所述的方法的处理器。
24.一种用于生成具有产品标识的订单列表的系统,包括:
根据权利要求23所述的数据处理装置,以及
输入接口,其用于检测用户输入以接受和/或修改由所述装置生成的建议列表,并生成具有产品标识的订单列表。
25.根据权利要求24所述的系统,
其特征在于,
所述系统还包括控制单元,其耦合到所述输入接口,并且被设计为通过访问产品数据库来确定在订单列表中的产品标识的位置数据并将所述订单列表输出给所述用户。
26.根据权利要求24或25所述的系统,
其特征在于,
所述系统还包括填充装置,其用于将在订单列表中分配了产品标识的产品填充到购物篮中。
27.根据权利要求26所述的系统,
其特征在于,
所述控制单元耦合到所述填充装置,
所述控制单元被设计为将订单列表中的产品标识的位置数据发送到所述填充装置,以及
所述填充装置被设计为将订单列表中的产品标识的产品从与由所述控制单元发送的位置数据相对应的位置运输到所述购物篮中。
28.一种计算机程序产品,包括指令,当所述指令由计算机执行时,所述指令使所述计算机执行根据权利要求1至22之一所述的方法。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201862643920P | 2018-03-16 | 2018-03-16 | |
US62/643,920 | 2018-03-16 | ||
PCT/EP2019/056736 WO2019175443A1 (de) | 2018-03-16 | 2019-03-18 | Computerimplementiertes verfahren zum erzeugen einer vorschlagsliste und anlage zum erzeugen einer bestellliste |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112041874A true CN112041874A (zh) | 2020-12-04 |
Family
ID=65904396
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201980019496.8A Pending CN112041874A (zh) | 2018-03-16 | 2019-03-18 | 用于生成建议列表的计算机实现的方法和用于生成订单列表的系统 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20200410573A1 (zh) |
EP (1) | EP3766034A1 (zh) |
CN (1) | CN112041874A (zh) |
WO (1) | WO2019175443A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113379480A (zh) * | 2021-05-16 | 2021-09-10 | 广州美术学院 | 一种购物用商品信息交互方法、装置、设备和存储介质 |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11282126B1 (en) * | 2019-06-24 | 2022-03-22 | Maplebear Inc. | Learning staple goods for a user |
US11430040B2 (en) * | 2020-01-29 | 2022-08-30 | Walmart Apollo, Llc | Smart basket recommendations for online selections |
US11676196B2 (en) | 2021-03-09 | 2023-06-13 | Maplebear, Inc. | Mapping recipe ingredients to products |
US11756105B2 (en) * | 2021-03-23 | 2023-09-12 | Ebay Inc | System and methods for message timing optimization |
DE102022134051A1 (de) * | 2022-12-20 | 2024-07-04 | Netzsch-Gerätebau GmbH | Geteilter elektronischer Warenkorb mit einer Hierarchie |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060149639A1 (en) * | 2004-12-31 | 2006-07-06 | Inventec Corporation | Method and system for creating a purchase suggesting list retailers |
US20060242011A1 (en) * | 2005-04-21 | 2006-10-26 | International Business Machines Corporation | Method and system for automatic, customer-specific purchasing preferences and patterns of complementary products |
KR20080029064A (ko) * | 2006-09-28 | 2008-04-03 | 주식회사 디앤샵 | 고객 관심상품 흥정 거래 방법 및 시스템 |
US20080243632A1 (en) * | 2007-03-30 | 2008-10-02 | Kane Francis J | Service for providing item recommendations |
US20090198557A1 (en) * | 2008-01-31 | 2009-08-06 | Intuit Inc. | Timing commercial offers based on long-term user data |
US20130138530A1 (en) * | 2011-11-28 | 2013-05-30 | W.W. Grainger, Inc. | System and method for using purchasing history data to automatically create a purchasing list |
US20150095185A1 (en) * | 2013-09-30 | 2015-04-02 | Ebay Inc. | Large-scale recommendations for a dynamic inventory |
US20150170251A1 (en) * | 2013-12-17 | 2015-06-18 | Wal-Mart Stores, Inc. | Methods And Systems To Create Purchase Lists From Customer Receipts |
US20150186977A1 (en) * | 2013-12-27 | 2015-07-02 | Cheri Nola Leonard | Regional item recommendations |
WO2017156067A1 (en) * | 2016-03-09 | 2017-09-14 | Wal-Mart Stores, Inc. | Predictive shopping |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9659310B1 (en) | 2012-03-14 | 2017-05-23 | Amazon Technologies, Inc. | Consumption based subscription frequency recommendations |
EP3089097A1 (de) | 2015-04-28 | 2016-11-02 | Omikron Data Quality GmbH | Verfahren zum erzeugen von prioritätsdaten für produkte |
-
2019
- 2019-03-18 EP EP19712947.1A patent/EP3766034A1/de active Pending
- 2019-03-18 WO PCT/EP2019/056736 patent/WO2019175443A1/de active Application Filing
- 2019-03-18 US US16/980,967 patent/US20200410573A1/en not_active Abandoned
- 2019-03-18 CN CN201980019496.8A patent/CN112041874A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060149639A1 (en) * | 2004-12-31 | 2006-07-06 | Inventec Corporation | Method and system for creating a purchase suggesting list retailers |
US20060242011A1 (en) * | 2005-04-21 | 2006-10-26 | International Business Machines Corporation | Method and system for automatic, customer-specific purchasing preferences and patterns of complementary products |
KR20080029064A (ko) * | 2006-09-28 | 2008-04-03 | 주식회사 디앤샵 | 고객 관심상품 흥정 거래 방법 및 시스템 |
US20080243632A1 (en) * | 2007-03-30 | 2008-10-02 | Kane Francis J | Service for providing item recommendations |
US20090198557A1 (en) * | 2008-01-31 | 2009-08-06 | Intuit Inc. | Timing commercial offers based on long-term user data |
US20130138530A1 (en) * | 2011-11-28 | 2013-05-30 | W.W. Grainger, Inc. | System and method for using purchasing history data to automatically create a purchasing list |
US20150095185A1 (en) * | 2013-09-30 | 2015-04-02 | Ebay Inc. | Large-scale recommendations for a dynamic inventory |
US20150170251A1 (en) * | 2013-12-17 | 2015-06-18 | Wal-Mart Stores, Inc. | Methods And Systems To Create Purchase Lists From Customer Receipts |
US20150186977A1 (en) * | 2013-12-27 | 2015-07-02 | Cheri Nola Leonard | Regional item recommendations |
WO2017156067A1 (en) * | 2016-03-09 | 2017-09-14 | Wal-Mart Stores, Inc. | Predictive shopping |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113379480A (zh) * | 2021-05-16 | 2021-09-10 | 广州美术学院 | 一种购物用商品信息交互方法、装置、设备和存储介质 |
CN113379480B (zh) * | 2021-05-16 | 2021-11-12 | 广州美术学院 | 一种购物用商品信息交互方法、装置、设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2019175443A1 (de) | 2019-09-19 |
EP3766034A1 (de) | 2021-01-20 |
US20200410573A1 (en) | 2020-12-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20230267508A1 (en) | Predictive recommendation system using absolute relevance | |
US10650434B2 (en) | Predictive shopping | |
CN112041874A (zh) | 用于生成建议列表的计算机实现的方法和用于生成订单列表的系统 | |
JP6273168B2 (ja) | 決定装置、決定方法および決定プログラム | |
US20200320600A1 (en) | Virtual Marketplace Enabling Machine-to-Machine Commerce | |
JP7028351B2 (ja) | 推奨情報特定装置、推奨情報特定システム、推奨情報特定方法、端末装置、及びプログラム | |
US20150324882A1 (en) | Commerce System and Method of Providing Shopping Agents and Sales Agents for Managing Purchasing Decisions | |
US20130066740A1 (en) | Commerce System and Method of Controlling the Commerce System Using Personalized Shopping List and Trip Planner | |
US20140095285A1 (en) | System for automating consumer shopping purchase-decision | |
JP6285515B2 (ja) | 決定装置、決定方法および決定プログラム | |
US20200320561A1 (en) | Method and apparatus using context to determine consumer deals | |
US20180096411A1 (en) | Recipe management system | |
JP6763049B2 (ja) | 提示装置、提示方法および提示プログラム | |
JP7447800B2 (ja) | レシート処理装置、制御方法、及びプログラム | |
US20150006285A1 (en) | Method and system for providing information regarding items in a retail store and computer programs thereof | |
JP6756809B2 (ja) | 提示装置、提示方法および提示プログラム | |
US20190108473A1 (en) | Method and System for Purchase Inventory | |
US11972464B2 (en) | Cumulative incrementality scores for evaluating the performance of machine learning models | |
US20240202771A1 (en) | Offline simulation of multiple experiments with variant adjustments | |
US20240046313A1 (en) | Pacing the delivery of content campaigns in an online concierge system using cross-retailer inventory stock levels | |
US20240177211A1 (en) | Identifying candidate replacement items with a source similarity score | |
US20220405794A1 (en) | System and method for throttling communications with consumer devices | |
US20230351465A1 (en) | Treatment selection and application using machine learning to predict cost of treatment where information about cost of treatment is unknown | |
US20230117762A1 (en) | Context modeling for an online concierge system | |
US20230368236A1 (en) | Treatment lift score aggregation for new treatment types |
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 |