CN112182365A - 推荐信息生成方法、装置、电子设备及存储介质 - Google Patents
推荐信息生成方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112182365A CN112182365A CN202010955825.4A CN202010955825A CN112182365A CN 112182365 A CN112182365 A CN 112182365A CN 202010955825 A CN202010955825 A CN 202010955825A CN 112182365 A CN112182365 A CN 112182365A
- Authority
- CN
- China
- Prior art keywords
- user
- shop
- images
- fellow
- users
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000003860 storage Methods 0.000 title claims abstract description 16
- 230000006399 behavior Effects 0.000 claims description 76
- 238000004590 computer program Methods 0.000 claims description 15
- 238000004458 analytical method Methods 0.000 abstract description 25
- 238000010586 diagram Methods 0.000 description 12
- 230000009471 action Effects 0.000 description 7
- 238000000605 extraction Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000005065 mining Methods 0.000 description 5
- 238000013486 operation strategy Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000001815 facial effect Effects 0.000 description 4
- 235000012054 meals Nutrition 0.000 description 4
- 230000003993 interaction Effects 0.000 description 3
- 239000003795 chemical substances by application Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 235000019640 taste Nutrition 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 239000002537 cosmetic Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/161—Detection; Localisation; Normalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/168—Feature extraction; Face representation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2216/00—Indexing scheme relating to additional aspects of information retrieval not explicitly covered by G06F16/00 and subgroups
- G06F2216/03—Data mining
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Animal Behavior & Ethology (AREA)
- Computational Linguistics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请了一种推荐信息生成方法、装置、电子设备及存储介质。所述方法包括:获得店铺内用户的图像;对所述店铺内用户的图像进行分析,确定同行人员;将所述同行人员的人脸图像与人脸库中的各个人脸图像匹配,得到所述同行人员的历史消费行为数据;根据所述同行人员的历史消费行为数据,生成对应的推送信息。该方法扩大了对用户的历史消费行为数据进行分析的用户群体,提升了用户数据的数量和价值,进而使得所获得的推送信息能更加贴合推送主体(接收推送信息的主体)自身的实际需求;同时,由于可以从多个维度对用户数据进行分析,因而可以提升所获得的分析结果的丰富程度,扩大分析结果所适用的推送主体的受众范围,增强了用户数据的利用率。
Description
技术领域
本申请实施例涉及数据处理技术领域,尤其涉及一种推荐信息生成方法、装置、电子设备及存储介质。
背景技术
目前,线下店铺为提升运营收益,通常会对所有到店的用户的历史消费行为数据进行分析,然后根据分析结果调整运营策略。因而,获取具有分析价值的用户数据尤为重要。
在相关技术中,由于用户在结账时可以通过扫描二维码下单及结账,或者通过到收银台人工结账等方式,因此大多数店铺通过结账人可以获取一部分到店消费的用户的数据,而无法获取到店消费的其他用户的数据,这使得店铺所获取的用户数据存在较大的局限性,无法真实反映用户到店消费的情况,导致根据这类用户数据的分析结果存在一定的偏差,进而对店铺做出正确的运营策略产生干扰。例如,某餐厅只能通过结账获得一部分结账用户的数据,而对于其它无需结账的用户则无法获取其用户数据,使得餐厅无法获得较为丰富的用户数据,影响餐厅的运营决策。
可见,相关技术中,线下店铺获取用户数据的方式效率较低,极大地限制了用户数据的丰富度,影响店铺对用户数据的挖掘工作。
发明内容
本申请实施例提供一种推荐信息生成方法、装置、电子设备及存储介质,能充分挖掘同行人的消费信息,生成推荐信息,向用户或商家进行推荐。
本申请实施例第一方面提供了一种推荐信息生成方法,所述方法包括:
获得店铺内用户的图像;
对所述店铺内用户的图像进行分析,确定同行人员;
将所述同行人员的人脸图像与人脸库中的各个人脸图像匹配,得到所述同行人员的历史消费行为数据;
根据所述同行人员的历史消费行为数据,生成对应的推送信息。
可选地,获得店铺内用户的图像,包括:
通过所述店铺中沿用户行进路线上顺次布设的多个图像采集装置,采集所述店铺内用户的图像;其中,所述多个图像采集装置中的部分图像采集装置的图像采集范围覆盖顾客落座的位置,和/或,所述多个图像采集装置中的一个图像采集装置的图像采集范围覆盖所述店铺的收银台周围的预设范围;
将所述同行人员的人脸图像与人脸库中的各个人脸图像匹配,得到所述同行人员的历史消费行为数据,包括:
将所述同行人员的人脸图像与人脸库中的各个人脸图像匹配,确定所述同行人员的身份信息;
根据所述同行人员的身份信息,从历史消费行为数据库中提取所述同行人员的历史消费行为数据。
可选地,所述方法还包括:
对所述店铺的多个用户各自的历史消费行为数据进行解析,确定所述店铺的消费用户群体特征;
对所述店铺的消费用户群体特征进行推送。
可选地,对所述店铺内用户的图像进行分析,确定同行人员包括:
根据所述店铺内用户的多张图像的采集时刻、图像中用户在所述店铺的位置信息,对所述多张图像进行聚类,确定同行人员。
可选地,在确定同行人员之后,所述方法还包括:
对所述同行人员的人脸图像进行特征提取;
根据提取到的所述同行人员的人脸图像特征,结合知识图谱,预测所述同行人员之间的关系;
对所述同行人员之间的关系进行解析,确定所述店铺的目标客群;
将所述店铺的目标客群推送给所述店铺的终端设备。
本申请实施例第二方面提供一种推荐信息生成装置,所述装置包括:
获得模块,用于获得店铺内用户的图像;
确定模块,用于对所述店铺内用户的图像进行分析,确定同行人员;
匹配模块,用于将所述同行人员的人脸图像与人脸库中的各个人脸图像匹配,得到所述同行人员的历史消费行为数据;
生成模块,用于根据所述同行人员的历史消费行为数据,生成对应的推送信息。
可选地,所述获得模块包括:
采集模块,用于通过所述店铺中沿用户行进路线上顺次布设的多个图像采集装置,采集所述店铺内用户的图像;其中,所述多个图像采集装置中的部分图像采集装置的图像采集范围覆盖顾客落座的位置,和/或,所述多个图像采集装置中的一个图像采集装置的图像采集范围覆盖所述店铺的收银台周围的预设范围;
所述匹配模块包括:
匹配子模块,用于将所述同行人员的人脸图像与人脸库中的各个人脸图像匹配,确定所述同行人员的身份信息;
提取子模块,用于根据所述同行人员的身份信息,从历史消费行为数据库中提取所述同行人员的历史消费行为数据。
可选地,所述装置还包括:
第一解析模块,用于对所述店铺的多个用户各自的历史消费行为数据进行解析,确定所述店铺的消费用户群体特征;
第一推送模块,用于对所述店铺的消费用户群体特征进行推送。
可选地,所述确定模块包括:
确定子模块,用于根据所述店铺内用户的多张图像的采集时刻、图像中用户在所述店铺的位置信息,对所述多张图像进行聚类,确定同行人员。
可选地,所述装置还包括:
提取模块,用于在确定同行人员之后,对所述同行人员的人脸图像进行特征提取;
预测模块,用于在确定同行人员之后,根据提取到的所述同行人员的人脸图像特征,结合知识图谱,预测所述同行人员之间的关系;
第二解析模块,用于在确定同行人员之后,对所述同行人员之间的关系进行解析,确定所述店铺的目标客群;
第二推送模块,用于在确定同行人员之后,将所述店铺的目标客群推送给所述店铺的终端设备。
本申请实施例第三方面提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本申请第一方面所述的推荐信息生成方法中的步骤。
本申请实施例第四方面提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行时实现本申请第一方面所述的推荐信息生成方法中的步骤。
通过本实施例的推荐信息生成方法,首先获得店铺内用户的图像,然后对店铺内用户的图像进行分析,确定同行人员。接着将同行人员的人脸图像与人脸库中的各个人脸图像匹配,得到同行人员的历史消费行为数据;最后,根据同行人员的历史消费行为数据,生成对应的推送信息。该方法具有如下多个技术效果:
一、通过识别店铺的同行人员,将用户的线上行为数据与其同伴的线上的行为数据打通,作为大数据行为分析的基础,不仅扩大了对用户的历史消费行为数据进行分析的用户群体,而且提升了用户数据的数量和价值。对这类具有价值且足够数量的用户数据进行挖掘所获得的推送信息,能更加贴合推送主体(接收推送信息的主体)自身的实际需求,提升推送主体的业务收益。
二、由于提升了用户数据的数量和价值,因而可以从多个维度对用户数据进行分析,并提升所获得的分析结果的丰富程度,扩大了分析结果所适用的推送主体的受众范围,增强了用户数据的利用率。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例的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申请的一些实施例,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是本申请一实施例示出的一种推荐信息生成方法的流程图;
图2是本申请一实施例示出的又一种推荐信息生成方法的流程图;
图3是本申请一实施例示出的一种信息推送方法的流程图;
图4是本申请一实施例示出的又一种信息推送方法的流程图;
图5是本申请一实施例示出的一种推荐信息生成装置的结构框图;
图6是本申请一实施例示出的一种电子设备的示意图。
具体实施方式
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。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。
图1是本申请一实施例示出的一种推荐信息生成方法的流程图。参照图1,本申请的推荐信息生成方法包括如下步骤:
步骤S11:获得店铺内用户的图像。
在本实施例中,店铺主要是指线下店铺。店铺的类型可以是多种,例如餐厅、服饰店、化妆品店等,本实施例对此不作具体限制。只要支持用户到店消费的线下店铺,都可以作为实施本申请的推荐信息生成方法的店铺。
具体实施时,对于获得店铺内用户的图像,既可以获得全部用户的图像,也可以获得部分用户的图像。在获得部分用户的图像时,需要设置筛选条件,例如筛选在某个时间范围内到店的用户的图像,或者筛选在某个节日内到店的用户的图像,或者筛选到店的女性用户的图像等,本实施例对此不作具体限制。
具体实施时,对于获得店铺内用户的图像,既可以获得多个店铺的用户的图像,也可以获得单个店铺的用户的图像。在获得多个店铺的用户的图像时,需要设置筛选条件,例如筛选所有类型为餐厅的店铺的用户的图像,或者筛选某个行政区域内所有类型的店铺的用户的图像等,本实施例对此不作具体限制。
在本实施例中,执行主体可以是服务器,或者具有数据处理功能的终端设备,本实施例对此不作具体限制。在获得店铺内用户的图像时,执行主体既可以直接从店铺内的终端中获得图像,也可以从第三方平台中获得图像,本实施例对此不作具体限制。例如,第三方平台可以是工作人员部署的存储服务器,用于存储采集的所有店铺的用户的图像。
步骤S12:对所述店铺内用户的图像进行分析,确定同行人员。
在本实施例中,同行人员是指共同到店铺进行消费的用户。示例地,用户A和几个朋友一起到火锅店吃火锅,那么用户A和这几个朋友为同行人员。再示例地,用户B和家人一起去电影院,那么用户B和家人为同行人员。
在本实施例中,在对图像进行分析时,首先需要筛选出具有同行人员特征的图像,同行人员特征包括多个,例如入座在同一个餐桌、在多个场景下均行走在一起,相互间有肢体交互等,本实施例对此不作具体限制。
其中,确定同行人员时仅根据同行人员特征即可实现,无需识别出每一个用户的人脸图像。例如,某张图像中,餐桌1上有6个用户,且某个用户正在向另一个用户敬酒,可以分析得到该图像具有同行人员特征,因而即使不知道每一个用户的人脸图像,依然可以确定餐桌1上的6个用户为一组同行人员。
步骤S13:将所述同行人员的人脸图像与人脸库中的各个人脸图像匹配,得到所述同行人员的历史消费行为数据。
在本实施例中,在确定出同行人员后,还需要识别出同行人员中每一个用户的人脸图像。具体地,对于每一帧具有同行人员特征的图像,可以提取出同行人员中每一个用户的人脸图像。在提取人脸图像时,可以采取已有的图像处理技术实现,本实施例对此不作具体限制。
在本实施例中,仅识别出同行人员中每一个用户的人脸图像还不足以获得同行人员的个人信息(例如:年龄、职业、历史消费行为数据等),因此,需要将同行人员的人脸图像与人脸库中的各个人脸图像匹配,得到同行人员的个人信息,进而获得其历史消费行为数据。历史消费行为数据是用户在所有店铺的历史消费行为数据,并不局限于当前所在的店铺。
其中,人脸库中至少包含有多个用户的人脸图像,还可以包含每个人脸图像对应的用户的个人信息。在人脸库中包含每个人脸图像对应的用户的个人信息时,在匹配到某个用户的人脸图像后,可以同时提供该用户的个人信息;在人脸库中不包含每个人脸图像对应的用户的个人信息时,在匹配到某个用户的人脸图像后,可以提供该用户的个人信息的获取方式,以使得服务器可以通过该获取方式获得该用户的个人信息。
步骤S14:根据所述同行人员的历史消费行为数据,生成对应的推送信息。
在本实施例中,可以从多个维度对同行人员的历史消费行为数据进行分析,例如分析同行人员倾向于到哪些类型的店铺消费,或者分析在一种类型的店铺中同行人员倾向于到哪个店铺消费,又或者分析某个类型的店铺中,何种关系的同行人员占据主要地位等。其中,何种关系的同行人员是指同行人员相互之间是何种关系,例如是家人、朋友或者同事等。
在本实施例中,推送主体(接收推送信息的主体)可以是多种类型,例如店铺、用户、其它第三方共享平台等,本实施例对此不作具体限制。推送主体采用的推送设备(接收推送信息的设备)也可以是多种类型,例如服务器、普通计算机、手机、平板等,本实施例对此不作具体限制。
在本实施例中,从同一维度对同行人员的历史消费行为数据进行分析所获得的分析结果对不同的推送主体带来的价值不同,因而,对于每一个维度的分析结果,可以根据推送主体的不同而生成不同的推送信息,并进行推送。当然,同一推送主体对不同维度的分析结果的关注程度不同,因而,推送主体也可以预先订阅感兴趣的维度的推送信息,从而达到针对性推送。
通过本实施例的推荐信息生成方法,首先获得店铺内用户的图像,然后对店铺内用户的图像进行分析,确定同行人员。接着将同行人员的人脸图像与人脸库中的各个人脸图像匹配,得到同行人员的历史消费行为数据;最后,根据同行人员的历史消费行为数据,生成对应的推送信息。该方法具有如下多个技术效果:
一、通过识别店铺的同行人员,将用户的线上行为数据与其同伴的线上的行为数据打通,作为大数据行为分析的基础,不仅扩大了对用户的历史消费行为数据进行分析的用户群体,而且提升了用户数据的数量和价值。对这类具有价值且足够数量的用户数据进行挖掘所获得的推送信息,能更加贴合推送主体(接收推送信息的主体)自身的实际需求,提升推送主体的业务收益。
二、由于提升了用户数据的数量和价值,因而可以从多个维度对用户数据进行分析,并提升所获得的分析结果的丰富程度,扩大了分析结果所适用的推送主体的受众范围,增强了用户数据的利用率。
结合以上实施例,在一种实施方式中,本申请还提供了又一种推荐信息生成方法。下面将以店铺是餐厅为例,对该另一种推荐信息生成方法进行详细说明。图2是本申请一实施例示出的又一种推荐信息生成方法的流程图。参照图2,本申请的推荐信息生成方法可以包括:
步骤S21:通过所述店铺中沿用户行进路线上顺次布设的多个图像采集装置,采集所述店铺内用户的图像;其中,所述多个图像采集装置中的部分图像采集装置的图像采集范围覆盖顾客落座的位置,和/或,所述多个图像采集装置中的一个图像采集装置的图像采集范围覆盖所述店铺的收银台周围的预设范围。
在本实施例中,店铺通过部署的图像采集装置采集店内用户的图像。在部署图像采集装置时,按照沿用户行进路线上顺次布设的目的是:最大化图像采集范围。在沿用户行进路线上顺次布设时,具有多种部署方式,例如单测部署、双侧部署、双侧错位部署、双侧对称部署、部署数量等,本实施例对此不作具体限制。
无论采用何种部署方式,需至少满足如下两个条件:一,图像采集范围应当覆盖顾客落座的位置;二,图像采集范围应当覆盖到店铺的收银台周围的预设周围。满足条件一是出于:用户到店后需要长期入座在餐桌,因而在部署时保证图像采集范围覆盖所有顾客落座的位置,可以最大化地采集到进入店铺的用户的清晰图像,提升用户人脸识别的成功率。满足条件二是出于:识别出同行人中的结账用户,进而从多维度对用户数据进行分析,实现对用户数据的深度挖掘。
在一种实施方式中,店铺在部署图像采集装置时,也可以不按照沿用户行进路线上顺次布设的方式,因为考虑到在某些情况下,例如店铺的内部结构比较复杂,或者用户的行进路线有多种的情况,如果不按照行进路线顺次布设,而是采用其他能更好地覆盖图像采集区域的方式布设图像采集装置,能更好地采集进入店铺的用户的图像或者节约图像采集装置。因此,无论是按照沿用户行进路线上顺次布设的方式还是其他方式,均应遵守图像采集效果最佳的原则。
具体实施例时,店铺内的图像采集装置可以将采集的图像上传到店铺内的终端中,再由店铺内的终端将图像上传到服务器指定的存储平台,或者直接上传到服务器。
在本实施例中,图像采集装置可以是任意包含图像采集组件的装置,图像采集组件可以具有多种类型和型号。本实施例对图像采集组件和图像采集组件的载体不作具体限制。
步骤S22:对所述店铺内用户的图像进行分析,确定同行人员。
对步骤S22的说明,请参照前文所述,本实施例在此不作赘述。
步骤S23:将所述同行人员的人脸图像与人脸库中的各个人脸图像匹配,确定所述同行人员的身份信息。
步骤S24:根据所述同行人员的身份信息,从历史消费行为数据库中提取所述同行人员的历史消费行为数据。
在本实施例中,身份信息是指唯一标识一个用户的信息。要获取一个用户的历史消费行为信息,仅依靠其人脸图像是不够的,需要首先根据人脸图像确定其身份信息,再根据身份信息获得其历史消费行为数据。身份信息例如可以是用户在指定平台上注册的账户,或者用户的身份证号等,本实施例对此不作具体限制。人脸库中应当至少包含各个用户的身份信息,并在人脸图像匹配成功时一并提供对应的用户的身份信息。
在本实施例中,设置了单独的历史消费行为数据库以存储用户的历史消费行为数据,因此,在获得用户的身份信息后,可以根据其身份信息从历史消费行为数据中获得对应的历史消费行为数据。例如,针对包括用户A、用户B以及用户C的一组同行人员,可以分别根据用户A、用户B以及用户C各自的人脸图像从历史消费行为数据库中提取对应的历史消费行为数据。
步骤S25:根据所述同行人员的历史消费行为数据,生成对应的推送信息。
对步骤S25的说明,请参照前文所述,本实施例在此不作赘述。
本实施例提供了获得店铺的用户的图像和同行人员的历史消费行为数据的方法,使得后续对用户的历史行为数据的分析工作得以顺利进行。
结合以上实施例,本申请还提供了一种确定同行人员的方法,具体地,上述步骤S12包括:
根据所述店铺内用户的多张图像的采集时刻、图像中用户在所述店铺的位置信息,对所述多张图像进行聚类,确定同行人员。
在本实施例中,由于同一个用户可能经常到同一家店铺消费,因而为防止对该用户的人脸识别产生干扰,在采集图像时,需要为采集的每一帧图像添加时间信息。
在具体实施时,可以根据图像的采集时刻和图像中用户在店铺的位置信息这两个因素对图像进行聚类,以确定同行人员。示例地,对于餐厅X,如果以入座在同一个餐桌为同行人员特征,那么确定同行人的过程可以为:在某日11:00-14:00之间的所有采集的图像中,将同时入座在同一餐桌的用户确定为同行人员,例如某张图像中,用户1-用户3入座在餐桌1,用户4-用户7入座在餐桌2,用户8-用户16入座在餐桌3,那么可以将用户1-用户3作为该日中午到店就餐的一组同行人员,将用户4-用户7作为该日中午到店就餐的一组同行人员,将用户8-用户16作为该日中午到店就餐的一组同行人员。
实际上,在根据图像的采集时刻和图像中用户在店铺的位置信息对图像进行聚类时,还可以加入其他同行人员特征,以使确定出的同行人员的准确度更高,防止将非同行人员错误认定为同行人员。例如,在以入座在同一个餐桌的用户为同行人员这一规则确定出多组同行人员后,进一步通过相互间有肢体交互这一同行人员特征,通过图像判断该组同行人员之间是否有肢体交互,例如:拍肩膀、敬酒、说话等,如果有,表明是同行人员的概率较高,如果相互之间没有肢体交互,表明是同行人员的概率较低。
当然,除了通过相互间有肢体交互这一同行人员特征来提升确定同行人员的精准度外,还可以设置其它同行人员特征,本实施例对同行人员特征的类型不作具体限制。
在本实施例中,可以通过图像的采集时刻和图像中用户在店铺的位置信息确定出同行人员,使得后续对用户的历史行为数据的分析工作得以顺利进行。
在本实施例中,在得到同行人员的历史消费行为数据后,可以对同行人员的历史消费行为数据进行分析,并根据分析结果生成针对不同推送主体的推送信息,然后进行推送。
下面将列举对同行人员的历史消费行为数据进行分析,并针对性推送的多个场景:
场景一、向目标店铺推送其消费群体特征。
图3是本申请一实施例示出的一种信息推送方法的流程图。参照图3,本申请的方法在实施时还可以包括如下步骤:
步骤S31:对所述店铺的多个用户各自的历史消费行为数据进行解析,确定所述店铺的消费用户群体特征。
步骤S32:对所述店铺的消费用户群体特征进行推送。
以目标店铺是餐厅X为例,服务器可以通过预设时间段内的餐厅X内的用户的图像,识别出在该段时间内到餐厅X消费过的所有用户的人脸图像,然后将各个用户的人脸图像与人脸库中的人脸图像进行匹配,以获得各个用户的历史消费行为数据。然后分多个维度对用户的历史消费行为数据进行分析,得到统计数据,即消费用户群体特征,例如分别从年龄区间、消费区间、性别三个维度绘制得到年龄区间-用户数统计图、消费区间-用户数统计图、性别-用户数统计图,其中,统计图可以是条状统计图、扇形统计图等,本实施例对此不作具体限制。根据年龄区间-用户数统计图可以得出到餐厅X消费的主要用户群体属于哪个年龄区间,根据消费区间-用户数统计图可以得出到餐厅X消费的主要用户群体属于哪个消费区间,根据性别-用户数统计图可以得出到餐厅X消费的主要用户群体属于男性用户还是女性用户,这些都是餐厅X的消费用户群体特征。
服务器在分析得到餐厅X的消费用户群体特征之后,一方面可以将这些消费用户群体特征推送给餐厅X,以便于餐厅X调整运营策略;另一方面,还可以将这些消费用户群体特征推送给其他的服务器平台,使得这些服务器平台根据餐厅X的消费用户群体特征,向餐厅X的推送运营策略。当然,针对餐厅X的消费用户群体特征的推送主体还可以是其他类型,例如仅用于存储数据的服务器,本实施例对推送主体的类型不作具体限制。
场景二、向目标店铺推送其目标客群。
图4是本申请一实施例示出的又一种信息推送方法的流程图。参照图4,该信息推送方法在具体实施时可以包括如下步骤:
步骤S41:获得店铺内用户的图像。
对步骤S41的说明请参照前文所述,本实施例在此不作赘述。
步骤S42:根据所述店铺内用户的多张图像的采集时刻、图像中用户在所述店铺的位置信息,对所述多张图像进行聚类,确定同行人员。
对步骤S42的说明请参照前文所述,本实施例在此不作赘述。
步骤S43:对所述同行人员的人脸图像进行特征提取。
步骤S44:根据提取到的所述同行人员的人脸图像特征,结合知识图谱,预测所述同行人员之间的关系。
步骤S45:对所述同行人员之间的关系进行解析,确定所述店铺的目标客群。
步骤S46:将所述店铺的目标客群推送给所述店铺的终端设备。
在步骤S43-步骤S46中,在确定一组同行人员之后,可以识别出该组同行人员中每个用户的人脸图像,再针对识别出的各个人脸图像进行特征提取,获得每一个用户的人脸图像特征,再结合知识图谱技术,对该组同行人员相互之间的关系进行预测。例如,一组同行人员中包括用户1、用户2以及用户3,对用户1-用户3的人脸图像特征进行分析可以得知,用户1为女性,且年龄区间属于25-35岁,用户2为女性,且年龄区间属于5-12岁,用户3为男性,且年龄区间属于25-35岁。因此可以预测得到的是该组同行人员可能来自一个家庭,相互之间是亲子关系。再例如,另一组同行人员中包括用户4和用户5,对用户4-用户5的人脸图像特征进行分析可以得知,用户4为女性,且年龄区间属于18-25岁,用户5为男性,且年龄区间属于28-25岁,因此可以预测得到的是该组同行人员可能是情侣关系。
因此,针对一个目标店铺,可以根据到店的同行人员之间的关系,统计出各种关系的同行人员的到店次数,例如按照亲子关系、闺密、情侣、朋友等多个维度统计出每个维度的到店次数,如果属于亲子关系的同行人员的到店次数较多,表明该目标店铺的消费人群中,以家庭为单位消费的人群较多,如果属于情侣关系的同行人员的到店次数较多,表明该目标店铺的消费人群中,情侣较多,以此类推。
服务器在统计出各种关系的同行人员的到店次数之后,可以根据统计结果确定店铺的目标客群,然后向该店铺的终端设备推送其目标客群。例如,如果确定的店铺A的目标客群为情侣,那么生成推送信息,以告知该店铺其目标客群为情侣,并推送所有历史到店的情侣的信息。再例如,如果确定的店铺B的目标客群为朋友群,那么生成推送信息,以告知该店铺其目标客群为朋友群,并推送所有历史到店的朋友群的各个用户的信息。
场景三、向同行人员推送信息
具体实施时,可以执行如下步骤:
针对一组同行人员,整合其中每个用户的历史消费行为数据,生成推送信息;
将该推送信息推送给该组同行人员中每一个用户所在的终端。
该场景适用于一组同行人员共同到店消费的情况。以用户1-用户4到餐厅Y就餐为例,如果用户1正在点菜,但不知道用户2-用户4喜欢何种口味的菜品,可以查看服务器推送的用户2-用户4的饮食偏好。服务器会根据用户1-用户4的历史消费行为数据统计各个用户消费过的各个口味的菜品的次数,将消费次数较高的菜品作为对应用户的偏好菜品并进行推送。接上例,如果用户1查看推送信息中显示用户2消费菜品M的次数较多,则可以点上菜品M,显示用户3消费菜品N的次数较多,则可以点上菜品N。
当然,为保护用户的隐私,服务器在整合同行人员中每个用户的历史消费行为数据并生成推送信息时,可以不用显示各个偏好菜品所对应的用户。
场景三、向用户推送区域内的店铺信息
具体实施时,服务器可以获得某个区域内的所有店铺的消费群体特征、目标客群等数据并存储。在检测到某个用户存在消费需求(例如点开某消费平台)时,根据该用户所在区域的所有店铺,预测该用户可能感兴趣的店铺并进行推荐。示例地,如果该用户曾经作为闺密关系的同行人员中的一个用户并产生了消费,那么可以将其所在区域的所有店铺中,目标客群主要是闺密关系的群体的店铺推送给该用户,以吸引该用户进行消费。如果该用户曾经作为情侣关系的同行人员中的一个用户并产生了消费,那么可以将其所在区域的所有店铺中,目标客群主要是情侣关系的群体的店铺推送给该用户,以吸引该用户进行消费。
示例地,用户1中午时候打开某平台软件想要在晚上预订周边的一个火锅店,服务器可以向用户1推送其所在区域中,属于闺密关系的同行人员消费次数较高的火锅店,或者属于情侣关系的同行人员消费次数较高的火锅店等。
场景四、向目标店铺推送区域内的其它店铺信息
具体实施时,服务器可以获得某个区域内的所有店铺的消费群体特征、目标客群等数据并存储。然后根据目标店铺的请求,向其推送所在区域内其它店铺的信息,使其更好地了解自己的特色、定位,或者是否需要调整运营策略等。
当然,本申请的推送信息的推送场景不限于上述列举的四种,具体可以根据实际业务需求设置。
本申请中,在满足隐私框架内,将线下顾客与线上顾客的行为数据打通,具体地,在线下店铺场景中,众多人流中,通过识别顾客的同伴,进而将顾客的线上行为数据与同伴的线上(互联网上)的行为数据打通,作为大数据行为分析的基础,能有效提升用户数据的分析价值,提升分析结果的丰富性及增强用户数据的利用率。
通过本实施例的推荐信息生成方法,首先获得店铺内用户的图像,然后对店铺内用户的图像进行分析,确定同行人员。接着将同行人员的人脸图像与人脸库中的各个人脸图像匹配,得到同行人员的历史消费行为数据;最后,根据同行人员的历史消费行为数据,生成对应的推送信息。该方法具有如下多个技术效果:
一、通过识别店铺的同行人员,将用户的线上行为数据与其同伴的线上的行为数据打通,作为大数据行为分析的基础,不仅扩大了对用户的历史消费行为数据进行分析的用户群体,而且提升了用户数据的数量和价值。对这类具有价值且足够数量的用户数据进行挖掘所获得的推送信息,能更加贴合推送主体(接收推送信息的主体)自身的实际需求,提升推送主体的业务收益。
二、由于提升了用户数据的数量和价值,因而可以从多个维度对用户数据进行分析,并提升所获得的分析结果的丰富程度,扩大了分析结果所适用的推送主体的受众范围,增强了用户数据的利用率。
基于同一发明构思,本申请还提供了一种推荐信息生成装置500。参考图5,图5是本申请一实施例示出的一种推荐信息生成装置的结构框图。如图5所示,该推荐信息生成装置500包括:
获得模块501,用于获得店铺内用户的图像;
确定模块502,用于对所述店铺内用户的图像进行分析,确定同行人员;
匹配模块503,用于将所述同行人员的人脸图像与人脸库中的各个人脸图像匹配,得到所述同行人员的历史消费行为数据;
生成模块504,用于根据所述同行人员的历史消费行为数据,生成对应的推送信息。
可选地,所述获得模块501包括:
采集模块,用于通过所述店铺中沿用户行进路线上顺次布设的多个图像采集装置,采集所述店铺内用户的图像;其中,所述多个图像采集装置中的部分图像采集装置的图像采集范围覆盖顾客落座的位置,和/或,所述多个图像采集装置中的一个图像采集装置的图像采集范围覆盖所述店铺的收银台周围的预设范围;
所述匹配模块503包括:
匹配子模块,用于将所述同行人员的人脸图像与人脸库中的各个人脸图像匹配,确定所述同行人员的身份信息;
提取子模块,用于根据所述同行人员的身份信息,从历史消费行为数据库中提取所述同行人员的历史消费行为数据。
可选地,所述装置500还包括:
第一解析模块,用于对所述店铺的多个用户各自的历史消费行为数据进行解析,确定所述店铺的消费用户群体特征;
第一推送模块,用于对所述店铺的消费用户群体特征进行推送。
可选地,所述确定模502块包括:
确定子模块,用于根据所述店铺内用户的多张图像的采集时刻、图像中用户在所述店铺的位置信息,对所述多张图像进行聚类,确定同行人员。
可选地,所述装置500还包括:
提取模块,用于在确定同行人员之后,对所述同行人员的人脸图像进行特征提取;
预测模块,用于在确定同行人员之后,根据提取到的所述同行人员的人脸图像特征,结合知识图谱,预测所述同行人员之间的关系;
第二解析模块,用于在确定同行人员之后,对所述同行人员之间的关系进行解析,确定所述店铺的目标客群;
第二推送模块,用于在确定同行人员之后,将所述店铺的目标客群推送给所述店铺的终端设备。
基于同一发明构思,本申请另一实施例提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本申请上述任一实施例所述的推荐信息生成方法中的步骤。
基于同一发明构思,本申请另一实施例提供一种电子设备600,如图6所示。图6是本申请一实施例示出的一种电子设备的示意图。该电子设备包括存储器602、处理器601及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行时实现本申请上述任一实施例所述的推荐信息生成方法中的步骤。
对于装置实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
本领域内的技术人员应明白,本申请实施例的实施例可提供为方法、装置、或计算机程序产品。因此,本申请实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请实施例是参照根据本申请实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上,使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请实施例的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请实施例范围的所有变更和修改。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上对本申请所提供的一种推荐信息生成方法、装置、电子设备及存储介质。,进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (8)
1.一种推荐信息生成方法,其特征在于,所述方法包括:
获得店铺内用户的图像;
对所述店铺内用户的图像进行分析,确定同行人员;
将所述同行人员的人脸图像与人脸库中的各个人脸图像匹配,得到所述同行人员的历史消费行为数据;
根据所述同行人员的历史消费行为数据,生成对应的推送信息。
2.根据权利要求1所述的方法,其特征在于,获得店铺内用户的图像,包括:
通过所述店铺中沿用户行进路线上顺次布设的多个图像采集装置,采集所述店铺内用户的图像;其中,所述多个图像采集装置中的部分图像采集装置的图像采集范围覆盖顾客落座的位置,和/或,所述多个图像采集装置中的一个图像采集装置的图像采集范围覆盖所述店铺的收银台周围的预设范围;
将所述同行人员的人脸图像与人脸库中的各个人脸图像匹配,得到所述同行人员的历史消费行为数据,包括:
将所述同行人员的人脸图像与人脸库中的各个人脸图像匹配,确定所述同行人员的身份信息;
根据所述同行人员的身份信息,从历史消费行为数据库中提取所述同行人员的历史消费行为数据。
3.根据权利要求1所述的方法,其特征在于,所述方法还包括:
对所述店铺的多个用户各自的历史消费行为数据进行解析,确定所述店铺的消费用户群体特征;
对所述店铺的消费用户群体特征进行推送。
4.根据权利要求1所述的方法,其特征在于,对所述店铺内用户的图像进行分析,确定同行人员包括:
根据所述店铺内用户的多张图像的采集时刻、图像中用户在所述店铺的位置信息,对所述多张图像进行聚类,确定同行人员。
5.根据权利要求4所述的方法,其特征在于,在确定同行人员之后,所述方法还包括:
对所述同行人员的人脸图像进行特征提取;
根据提取到的所述同行人员的人脸图像特征,结合知识图谱,预测所述同行人员之间的关系;
对所述同行人员之间的关系进行解析,确定所述店铺的目标客群;
将所述店铺的目标客群推送给所述店铺的终端设备。
6.一种推荐信息生成装置,其特征在于,所述装置包括:
获得模块,用于获得店铺内用户的图像;
确定模块,用于对所述店铺内用户的图像进行分析,确定同行人员;
匹配模块,用于将所述同行人员的人脸图像与人脸库中的各个人脸图像匹配,得到所述同行人员的历史消费行为数据;
生成模块,用于根据所述同行人员的历史消费行为数据,生成对应的推送信息。
7.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-5任一所述的推荐信息生成方法中的步骤。
8.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行时实现如权利要求1-5任一所述的推荐信息生成方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010955825.4A CN112182365A (zh) | 2020-09-11 | 2020-09-11 | 推荐信息生成方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010955825.4A CN112182365A (zh) | 2020-09-11 | 2020-09-11 | 推荐信息生成方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112182365A true CN112182365A (zh) | 2021-01-05 |
Family
ID=73920659
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010955825.4A Withdrawn CN112182365A (zh) | 2020-09-11 | 2020-09-11 | 推荐信息生成方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112182365A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112861000A (zh) * | 2021-02-10 | 2021-05-28 | 深兰科技(上海)有限公司 | 信息推送方法、装置、设备及计算机可读存储介质 |
CN115215185A (zh) * | 2022-07-11 | 2022-10-21 | 广州广日电梯工业有限公司 | 基于机器视觉的电梯关门控制方法、系统、装置及介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108876430A (zh) * | 2018-04-28 | 2018-11-23 | 广东智媒云图科技股份有限公司 | 一种基于人群特征的广告推送方法、电子设备及存储介质 |
CN109472677A (zh) * | 2018-12-28 | 2019-03-15 | 出门问问信息科技有限公司 | 信息推送方法、装置、电子设备及计算机可读存储介质 |
CN109544203A (zh) * | 2018-10-15 | 2019-03-29 | 西安黑瞳信息科技有限公司 | 一种餐厅的用户习惯记录与推荐方法 |
CN110704826A (zh) * | 2019-09-02 | 2020-01-17 | 深圳壹账通智能科技有限公司 | 信息推荐方法及装置、存储介质和电子设备 |
CN110766454A (zh) * | 2019-10-12 | 2020-02-07 | 广州臻一计算机系统有限公司 | 门店的顾客到访信息收集方法以及门店子系统架构 |
CN110889719A (zh) * | 2019-11-19 | 2020-03-17 | 珠海亿智电子科技有限公司 | 基于用户消费特征的广告推送系统及方法 |
-
2020
- 2020-09-11 CN CN202010955825.4A patent/CN112182365A/zh not_active Withdrawn
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108876430A (zh) * | 2018-04-28 | 2018-11-23 | 广东智媒云图科技股份有限公司 | 一种基于人群特征的广告推送方法、电子设备及存储介质 |
CN109544203A (zh) * | 2018-10-15 | 2019-03-29 | 西安黑瞳信息科技有限公司 | 一种餐厅的用户习惯记录与推荐方法 |
CN109472677A (zh) * | 2018-12-28 | 2019-03-15 | 出门问问信息科技有限公司 | 信息推送方法、装置、电子设备及计算机可读存储介质 |
CN110704826A (zh) * | 2019-09-02 | 2020-01-17 | 深圳壹账通智能科技有限公司 | 信息推荐方法及装置、存储介质和电子设备 |
CN110766454A (zh) * | 2019-10-12 | 2020-02-07 | 广州臻一计算机系统有限公司 | 门店的顾客到访信息收集方法以及门店子系统架构 |
CN110889719A (zh) * | 2019-11-19 | 2020-03-17 | 珠海亿智电子科技有限公司 | 基于用户消费特征的广告推送系统及方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112861000A (zh) * | 2021-02-10 | 2021-05-28 | 深兰科技(上海)有限公司 | 信息推送方法、装置、设备及计算机可读存储介质 |
CN112861000B (zh) * | 2021-02-10 | 2023-07-14 | 深兰科技(上海)有限公司 | 信息推送方法、装置、设备及计算机可读存储介质 |
CN115215185A (zh) * | 2022-07-11 | 2022-10-21 | 广州广日电梯工业有限公司 | 基于机器视觉的电梯关门控制方法、系统、装置及介质 |
CN115215185B (zh) * | 2022-07-11 | 2023-12-19 | 广州广日电梯工业有限公司 | 基于机器视觉的电梯关门控制方法、系统、装置及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Phorasim et al. | Movies recommendation system using collaborative filtering and k-means | |
CN109190586B (zh) | 顾客到访分析方法、装置及存储介质 | |
US10115118B2 (en) | Obtaining event reviews | |
CN104254859B (zh) | 建立社交网络组 | |
CN106126992B (zh) | 一种基于人脸识别的智能服务提供方法、系统及智能终端 | |
CN110162717A (zh) | 一种推荐好友的方法和设备 | |
CN108369633A (zh) | 相册的视觉表示 | |
US20030033195A1 (en) | Retail site location void analysis system and method | |
US9720570B2 (en) | Dynamic sorting and inference using gesture based machine learning | |
CN112182365A (zh) | 推荐信息生成方法、装置、电子设备及存储介质 | |
US9361392B1 (en) | Comparing subsets of user identities of a social networking platform | |
CN116595398A (zh) | 基于元宇宙的资源智能匹配方法及相关装置 | |
US12002052B2 (en) | Feature subspace isolation and disentanglement in merchant embeddings | |
Legara et al. | Inferring passenger types from commuter eigentravel matrices | |
JP2004258764A (ja) | 人物情報管理システムおよび人物情報管理装置 | |
CN114691990A (zh) | 查询选项的推荐方法、装置、服务器、存储介质及产品 | |
US20180300376A1 (en) | Method and system for evaluating user persona data | |
Esmaeili et al. | Personalizing group recommendation to social network users | |
Koetphrom et al. | Comparing filtering techniques in restaurant recommendation system | |
CN109896374A (zh) | 电梯屏幕展示方法及系统 | |
CN110110206B (zh) | 物品间关系挖掘及推荐方法、装置、计算设备、存储介质 | |
Aditya et al. | Machine learning based platform and recommendation system for food ordering services within premises | |
Wu et al. | Enhancing retailer marketing with an facial recognition integrated recommender system | |
CN110312222B (zh) | 一种基于WiFi位置指纹的商场好友推荐方法 | |
KR20160044858A (ko) | 얼굴 정보를 이용한 실종 가족 찾기 시스템 및 방법 그리고 이를 구현하는 프로그램을 기록한 기록 매체 |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210105 |