CN112258301B - 商品推荐方法、装置、系统、可读存储介质及电子设备 - Google Patents
商品推荐方法、装置、系统、可读存储介质及电子设备 Download PDFInfo
- Publication number
- CN112258301B CN112258301B CN202011421456.7A CN202011421456A CN112258301B CN 112258301 B CN112258301 B CN 112258301B CN 202011421456 A CN202011421456 A CN 202011421456A CN 112258301 B CN112258301 B CN 112258301B
- Authority
- CN
- China
- Prior art keywords
- commodity
- graph
- recommendation
- data
- algorithm
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
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]
-
- 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
- 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
- G06Q30/0635—Processing of requisition or of purchase orders
-
- 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
- G06Q30/0643—Graphical representation of items or shoppers
Abstract
本发明公开了一种商品推荐方法、装置、系统、可读存储介质及电子设备,方法包括:获取商品订单数据,并根据所述商品订单数据,生成商品关系图数据库;根据人工智能接口平台发送的应用端的推荐请求,从所述商品关系图数据库中确定出所述推荐请求对应的商品关系图;根据图算法库和所述推荐请求对应的商品关系图,确定所述商品关系图对应的商品推荐结果;将所述商品推荐结果发送给所述人工智能接口平台,以使所述人工智能接口平台输出所述商品推荐结果到所述应用端展示。通过本发明的技术方案,无需在应用端内部实现商品推荐功能,通过人工智能接口平台与不同应用端进行交互,满足多个应用端的不同推荐需求,处理方式相对灵活,同时提升了推荐效率。
Description
技术领域
本发明涉及商品推荐技术领域,尤其涉及商品推荐方法、装置、系统、可读存储介质及电子设备。
背景技术
现有技术中,针对移动终端的在线商品推荐系统,通常会采用设置于移动终端内部的一些数据处理模型实现。这些数学处理模型需要根据使用者个人的习惯的变动进行相适应的调整。
但是现有技术中,移动终端内部实现商品推荐的功能,通常受制于移动终端相对较小的运算能力,以及移动终端内部相对固定的数学处理模型,其数据处理依赖于远程服务端的支持,且处理方式比较固定,并不灵活。
发明内容
本发明提供一种商品推荐方法、装置、系统、可读存储介质及电子设备,无需在应用端内部实现商品推荐功能,通过人工智能接口平台与不同应用端进行交互,满足多个应用端的不同推荐需求,处理方式相对灵活,同时提升了推荐效率。
第一方面,本发明提供了一种商品推荐方法,包括:
获取商品订单数据,并根据所述商品订单数据,生成商品关系图数据库;
根据人工智能接口平台发送的应用端的推荐请求,从所述商品关系图数据库中确定出商品关系图;
根据图算法库和所述推荐请求对应的商品关系图,确定所述商品关系图对应的商品推荐结果;
将所述商品推荐结果发送给所述人工智能接口平台,以使所述人工智能接口平台输出所述商品推荐结果到所述应用端展示。
第二方面,本发明提供了一种装置,包括:
图生成模块,用于获取商品订单数据,并根据所述商品订单数据,生成商品关系图数据库;
图选择模块,用于根据人工智能接口平台发送的应用端的推荐请求,从所述商品关系图数据库中确定出商品关系图;
推荐模块,用于根据图算法库和所述推荐请求对应的商品关系图,确定所述商品关系图对应的商品推荐结果;
发送模块,用于将所述商品推荐结果发送给所述人工智能接口平台,以使所述人工智能接口平台输出所述商品推荐结果到所述应用端展示。
第三方面,本发明提供了一种商品推荐系统,包括:如第二方面所述的商品推荐装置、人工智能接口平台以及应用端;其中,
所述人工智能接口平台,用于接收所述应用端发送的推荐请求,并将所述推荐请求发送给所述商品推荐装置,接收所述商品推荐装置发送的商品推荐结果,并将所述商品推荐结果发送至所述应用端;
所述应用端,用于向所述人工智能接口平台发送推荐请求,并接收所述人工智能接口平台发送的商品推荐结果,根据所述推荐请求携带的显示形式信息对所述商品推荐结果进行转换,以得到可视化内容,对所述可视化内容进行展示。
第四方面,本发明提供了一种可读介质,包括执行指令,当电子设备的处理器执行所述执行指令时,所述电子设备执行如第一方面中任一所述的方法。
第五方面,本发明提供了一种电子设备,包括处理器以及存储有执行指令的存储器,当所述处理器执行所述存储器存储的所述执行指令时,所述处理器执行如第一方面中任一所述的方法。
本发明提供了一种商品推荐方法、装置、系统、可读存储介质及电子设备,该方法通过获取商品订单数据,并根据商品订单数据,确定商品关系图数据库,然后,根据人工智能接口平台发送的应用端的推荐请求,从商品关系图数据库中确定出推荐请求对应的商品关系图,然后,根据图算法库和商品关系图,确定商品关系图对应的商品推荐结果,之后,将商品推荐结果发送给人工智能接口平台,以使人工智能接口平台输出商品推荐结果到应用端展示,无需在应用端内部实现商品推荐功能,通过人工智能接口平台与不同应用端进行交互,满足多个应用端的不同推荐需求,处理方式相对灵活,同时提升了推荐效率。
上述的非惯用的优选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
为了更清楚地说明本发明实施例或现有的技术方案,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中记载的一些实施例,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为本发明一实施例提供的一种商品推荐方法的流程示意图;
图2为本发明一实施例提供的另一种商品推荐方法的流程示意图;
图3为本发明一实施例提供的一种商品推荐装置的结构示意图;
图4为本发明一实施例提供的一种商品推荐系统的结构示意图;
图5为本发明一实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合具体实施例及相应的附图对本发明的技术方案进行清楚、完整地描述。显然,所描述的实施例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。
应该理解的是,该商品推荐方法可应用于电子设备上,电子设备可以是一般计算机、服务器等,本申请中不一一列举。
如图1所示,为本发明实施例提供的商品推荐方法的具体实施例。本发明实施例中,所述方法具体包括以下步骤:
步骤101、获取商品订单数据,并根据所述商品订单数据,生成商品关系图数据库。
具体地,商品订单数据可以是元数据,元数据是关于数据仓库的数据,指在数据仓库建设过程中所产生的有关数据源定义,目标定义,转换规则等相关的关键数据。商品订单数据包括但不限于订单数据与订单流量。订单数据包括若干个订单,每个订单包括商品的名称、商品的类别、商品的品牌、商品所属的店铺等用于描述商品的数据。订单流量包括订单流量是指包含了至少一个订单的订单组合。
具体地,商品关系图数据库包括若干个商品关系图,商品关系图可以是无向图,也可以是有向图,还可以是加权有向图,优选加权有向图,当商品关系图为加权有向图时,商品关系图中包括若干个节点,节点之间通过有向边进行连接,且每个有向边携带有权重,其中,每个节点表示一个商品,节点有节点属性,比如,商品名称、购买者名称、商品类型、商品品牌、商品所属店铺等信息。
在一些实施例中,定期或实时对不同业务数据库中的原始商品订单数据进行抽取;对所述抽取的原始商品订单数据进行数据预处理,以得到商品订单数据。
通过访问已有的业务数据库,从已有业务数据库获取原始商品订单数据,比如,从业务数据库中获取订单数据以及订单流量。其中,业务数据库指的是用于保存业务相关信息的数据库,业务数据库中的数据可以包括各网络平台的商品相关的信息,例如京东、淘宝等电商平台上的用户的订单,也可以是某企业的商品的订单。在实际应用中,业务数据库可以是订单管理系统、供应链管理系统以及商业智能系统等。
获取的原始商品订单数据可能存在重复内容,与商品无关的内容,异常数据,也可能存在缺少数据等情况,因此需要通过数据预处理对原始商品订单数据进行处理,从而得到数据质量相对较高的商品订单数据,确保商品订单数据的参考价值。其中,数据预处理可以是剔除异常值、极端值处理、缺失值处理、数据归一化等,此处不做具体限定,具体需要结合实际情况处理。示例地,当用户昵称、淘宝用户昵称的约束规则无法完全满足图数据库的要求时,需要对一些诸如斜杠等的异常字符做转换剔除处理;当商品的购买数量过高时,说明购买该商品的用户多为分销商采购场景,需要对该用户所购买的商品进行去除等处理,确保商品推荐的真实性;对商品资料数据的补全,比如补充商品相关类目季节属性等。
这里,商品关系图数据库是实时或不定时更新的,从而确保数据的及时性,进而确保商品推荐结果的参考价值。
该实施例中,通过实时或定时抽取业务数据库中的原始商品订单数据进行清洗,实现了数据自动化获取的过程,提高了商品推荐的智能化。
需要说明的是,需要提前建立和对应的业务数据库之间的关联,从而实现商品订单数据的自动抽取,提高商品推荐的智能化。本发明实施例并不意图对业务数据库的类型进行限定,比如可以是层次式数据库、网络式数据库和关系式数据库,具体可以结合实际需求确定。
在一些实施例中,根据图数据库的元数据要求,对所述商品订单数据进行转换,以得到所述商品订单数据的图数据,所述图数据包括节点数据和节点关系数据;将所述图数据导入所述图数据库中,对导入所述图数据的图数据库进行更新重构,以生成商品关系图数据库。
该实施例中,基于图数据库的元数据要求,对商品订单数据进行转换,以得到商品订单数据的图数据,将图数据导入图数据库中,对导入图数据的图数据库进行更新重构,以生成商品关系图数据库,从而实现对商品关系图数据库的更新重构,确保了商品关系图数据库中的商品关系图的参考价值。
具体地,为了更快速的实现对图数据库中的更新,需要对多种更新方案进行对比,从而得到更新效率较高的目标更新方案,将图数据导入图数据库中,根据目标更新方案对导入图数据的图数据库进行更新重构,以生成商品关系图数据库。其中,目标更新方案可以是全量更新,也可以是热更新,具体需要结合实际场景确定,此处不做具体限定。其中,图数据库的更新重构可以理解为将图数据加入到图数据库中,对图数据库中旧数据进行更新,在保持其行为和信息语义的前提下改进其设计,可以对物理结构以及逻辑结构做适用性的变动。
具体地,图数据包括节点数据以及节点关系数据,节点数据包括若干个节点,每个节点代表一个商品,节点具有节点属性,节点关系数据用于描述各个节点之间的连接关系,从而构建节点之间的连接边。
在一些实施例中,根据图数据库的元数据要求,对所述商品订单数据进行聚合,生成聚合数据;以所述商品订单数据中的商品为节点,根据所述商品订单数据中的商品信息,确定节点数据;根据所述聚合数据,确定节点关系数据,所述节点关系数据包括节点对;将所述节点数据和所述节点关系数据确定为图数据。
该实施例中,通过元数据要求,对商品订单数据进行聚合,提取有价值的聚合数据,然后,以商品订单数据中的商品为节点,根据商品订单数据中的商品信息,确定节点数据,然后,根据聚合数据,确定节点关系数据,之后,将节点数据和节点关系数据确定为图数据。
具体地,节点对由可连接的两个节点形成,换言之,节点对实际表示的是商品对,商品对中的两个商品之间有关系,可以连接在一起。
具体地,元数据要求可以包括商品货号、商品类目、商品季节、用户昵称、购买数量等,这里,元数据要求仅仅作为示例,在实际应用中,元数据要求可以是多种多样的,具体可以结合实际需求确定,此处不做任何限定。
具体地,商品信息指的是商品的相关描述信息,形成节点属性,比如,可以包括商品名称、购买者名称、商品类型、商品品牌、商品所属店铺等信息。商品信息的具体内容可以结合实际需求设定,此处不做具体限定。
在一些实施例中,所述节点关系数据还包括所述节点对的连接边的方向以及所述节点对的连接边的权重,从而可构建加权有向图。
在一些实施例中,所述聚合数据包括商品对、所述商品对被同时购买的次数、所述商品对中每个商品的购买次数以及所述商品对被共同购买的用户数。
该实施例中的聚合数据具体需要结合实际场景确定,此处不做具体限定。
具体地,商品对中每个商品的购买次数指的是包括商品的订单数量。举例来说,有10个订单,5个订单中包括商品A,则商品A的购买次数是5。
具体地,商品对被同时购买的次数可以理解为同时包括商品对的订单数量,举例来说,有10个订单,商品对为A-B,若10个订单中有5个订单中均包括A-B,则说明A-B被同时购买的次数为5。商品对被共同购买的用户数可以理解为购买了商品对的用户数量,商品对不一定要出现在同一订单中,举例来说,商品订单数据中有100个订单,商品对为A-B,从100个订单中确定出每个用户的所有订单,当用户的所有订单中出现商品A和商品B时,表明该用户购买了商品A和商品B。
具体地,所述节点对所对应的商品对出现在所述商品订单数据中的同一订单内。当一个订单中包括两个或两个以上的商品时,说明用户倾向于同时购买这些商品,可以认为被同时购买的商品之间存在关系,举例来说,订单中包括A、B、C这3个商品,则可认为A、B、C这3个商品之间均存在连接关系,存在3个商品对:A-B、A-C以及B-C。
具体地,所述节点对所对应的商品对被同时购买的次数满足预设条件。预设条可以包括节点对所对应的商品对被同时购买的次数大于阈值,此时,则说明商品对中的两个商品之间存在关联,可以进行连接,应当理解的,如果商品对被同时购买的次数较少,则说明商品对中的两个商品之间存在关系的可能性较小,可能仅仅是特例。
具体地,所述节点对的连接边的权重根据所述节点对所对应的商品对被共同购买的用户数确定。比如,将节点对所对应的商品对被共同购买的用户数作为权重,举例来说,商品订单数据包括一个月的订单,商品对为A-B,同时有10个用户在一个月的订单中购买过商品A和商品B,那么,连接A与B的边的权重值为10。
具体地,所述节点对的连接边的方向根据所述节点对所对应的商品对中每个商品的购买次数确定。比如,节点对的连接边的方向为购买次数少的商品指向购买次数多的商品。举例来说,商品对为A-B,商品A的购买次数为5,商品B的购买次数为10,则商品对之间的连接边的方向是商品A指向商品B。作为一种可能的情况,当需要考虑商品的连带购买效果时,则节点对的连接边的方向可以根据节点对所对应的商品对中每个商品的首次购买时间确定,比如,节点对的连接边的方向为首次购买时间早的商品指向首次购买时间晚的商品。举例来说,商品订单数据包括一个月的订单,商品对为A-B,商品A在一个月内的首次购买时间为TA,商品B在一个月内的首次购买时间为TB,若TA早于TB,则商品对之间的连接边的方向是商品A指向商品B。
步骤102、根据人工智能接口平台发送的应用端的推荐请求,从所述商品关系图数据库中确定出所述推荐请求对应的商品关系图。
该实施例中通过推荐请求携带的数据信息,从庞大的数据中选择出推荐请求所对应的商品关系图。
具体地,解析应用端发送的推荐请求,以获取推荐请求携带的商品信息,从商品关系图数据库中寻找推荐请求携带的商品信息相关的商品关系图。其中,商品信息可以是商品名称、商品类型等,具体需要结合实际需求确定。
步骤103、根据图算法库和所述推荐请求对应的商品关系图,确定所述商品关系图对应的商品推荐结果。
图算法库中存储有多种图算法,从而满足不同的应用场景需求,拓展了应用场景的类型。同时,还可以在图数据库中增加新的图算法,确保满足新的业务需求。
在一个实施例中,获取图算法标识;从图算法库中选取图算法标识对应的目标图算法,根据目标图算法和所述推荐请求对应的商品关系图,确定商品关系图对应的商品推荐结果。
该实施例中,基于图算法标识,自动从图算法库中选择图算法,提高商品推荐的智能化。
当应用端的推荐请求携带图算法标识时,可选地,所述图算法标识基于对所述应用端的推荐请求解析得到。其中,采用现有技术中的解析方法对请求进行解析即可,此处不做过多赘述。
当应用端的推荐请求未携带图算法标识时,可选地,所述图算法标识基于对所述应用端的推荐请求解析得到的业务需求确定。具体地,人工智能接口平台解析应用端的推荐请求,并确定推荐请求携带的业务需求,根据业务需求指定图算法标识,这里,可以预先设置不同业务需求分别对应的图算法标识,实现根据实际业务需求,自动选择图算法,从而满足不同应用场景的需求。其中,业务需求可以包括分类目的货品搭配建议、店铺货品资源位优化、商详页推荐模块曝光以及商品集中彼此相关性强的小社群彼此间的推荐。在实际应用中,当图算法标识为关联规则推荐算法标识时,业务需求为分类目的货品搭配建议,分类目指的是商品的类别,比如,可以是女装、奢侈品、电器、内衣、男装、母婴、美妆、进口、洗护、手机、鞋靴等,具体需要结合实际需求确定,货品搭配建议可以是建议同一分类目中的多个货品之间的搭配,还可以建议不同分类目中的多个货品搭配;当图算法标识为出度中心性算法标识时,业务需求可以为店铺货品资源位优化,即将优势资源位曝光给流量效果好且连带性强的货品,这里,资源位指的是店铺页面中的容易吸引用户注意的位置;当图算法标识为入度中心性算法标识时,业务需求可以为商详页推荐模块曝光,商详页布局入度中心性强的货品区块进行推荐,减缓用户跳失,商详页可以理解为详细介绍商品的页面,货品区块可以理解为用于展示与商详页所介绍的商品相关的其他商品的区域;当图算法标识为社群发现算法标识时,业务需求可以为店铺货品资源位优化商品集中彼此相关性强的小社群彼此间的推荐。
在一些实施例中,所述商品推荐结果基于所述商品关系图内的商品分别与其他商品的权重大小、所述商品关系图内的商品的入度数大小、所述商品关系图内的商品的出度数大小、和/或所述商品关系图内的聚类商品集合确定;所述商品关系图内的商品分别与其他商品的权重大小基于所述图算法库中的关联规则算法确定;所述商品关系图内的商品的入度数大小基于所述图算法库中的入度中心性算法确定;所述商品关系图内的商品的出度数大小基于所述图算法库中的出度中心性算法确定;所述商品关系图内的聚类商品集合基于所述图算法库中的社群发现算法确定。
当推荐请求携带有一个目标商品时,需要确定目标商品对应的一个或多个推荐商品,这里,可以从商品关系中确定出和目标商品连接的商品作为推荐商品,也可以确定出包括目标商品的聚类商品集合,将聚类商品集合中除了目标商品之外的其他商品作为推荐商品,也可以从商品关系图中确定出和目标商品连接的商品,若该商品和目标商品属于同一聚类商品集中时,将该商品作为推荐商品,也可以将商品关系图中目标商品之外的其他商品作为推荐商品。
当推荐请求仅携带算法标识时,可以将商品关系图数据库中的所有商品作为推荐商品,也可以将商品关系图数据库中的任意一个或多个聚类商品集作为推荐商品。
之后,即可根据图算法库中的图算法确定推荐商品的推荐顺序。比如,可以根据关联规则算法确定目标商品和各个推荐商品之间的权重,按照权重由大到小的顺序,对各个推荐商品进行排序,确定商品推荐结果,也可以根据入度中心算法确定各个推荐商品的入度数,按照入度数由大到小的顺序,对各个推荐商品进行排序,确定商品推荐结果,也可以根据出度中心算法确定各个推荐商品的入度数,按照出度数由大到小的顺序,对各个推荐商品进行排序,确定商品推荐结果。
在实际应用中,当推荐请求携带目标商品与关联规则算法标识,商品推荐结果为按照共同购买次数从高到低排序的推荐商品,推荐商品是商品关系图中与目标商品相关的商品。推荐请求携带出度中心性算法标识,商品推荐结果为按照出度数大小排序后的商品关系图中的商品,之后,在商详页中直接输出商品推荐结果。推荐请求携带入度中心性算法标识,商品推荐结果为按照入度数大小排序后的商品关系图中的商品,之后,在商详页中直接输出商品推荐结果。当推荐请求携带社群发现算法标识时,商品推荐结果为多组相关性强的聚类商品集,比如,明星同款社群、小西装社群等。需要说明的是,如果推荐请求中未携带数据请求,即不需要针对特定的商品关系图进行处理,此时,推荐请求对应的商品关系图可以理解为商品关系图数据中的所有商品关系图。
步骤104、将所述商品推荐结果发送给所述人工智能接口平台,以使所述人工智能接口平台输出所述商品推荐结果到所述应用端展示。
这里,通过人工智能接口平台,将商品推荐结果发送给应用端进行展示。人工智能接口平台用于实现与应用端的对接。
具体地,人工智能接口平台以RESTfulapi的形式输出商品推荐结果到应用端进行展示。
通过以上技术方案可知,本实施例存在的有益效果是:基于图算法库中的算法,可实现的推荐类型与应用场景也大为拓展;基于人工智能接口平台将商品推荐结果发送到应用端进行展示,显著提升了推荐应用效率。同时无需在应用端内部实现商品推荐功能,通过人工智能接口平台与不同应用端进行交互,满足多个应用端的不同推荐需求,处理方式相对灵活。
图1所示仅为本发明所述方法的基础实施例,在其基础上进行一定的优化和拓展,还能够得到所述方法的其他优选实施例。
为了更加清楚的说明本发明的技术方案,请参考图2,本发明实施例提供了另一种商品推荐方法,本实施例在前述实施例的基础上,结合具体应用场景进行进一步的叙述。本实施例中,具体可以包括如下各个步骤:
步骤201、定期或实时对不同业务数据库中的原始商品订单数据进行抽取;对所述抽取的原始商品订单数据进行数据预处理,以得到商品订单数据。
可以每天抽取不同业务数据库中的原始商品订单数据,原始商品订单数据为csv文件,csv文件的存储方式简单,可以减少存储信息的容量,有利于网络传输以及客户端的再处理,同时是一堆没有任何说明的数据,具备基本的安全性。业务数据库可以包括大量的销售数据,商品订单数据包括每天的大量订单以及订单流量。
步骤202、根据图数据库的元数据要求,对所述商品订单数据进行聚合,生成聚合数据。
聚合数据包括商品订单数据中订单内的商品对、商品订单数据中商品对被同时购买的次数、商品订单数据中商品对中每个商品的购买次数以及商品订单数据中商品对被共同购买的用户数等有价值的数据。
步骤203、以所述商品订单数据中的商品为节点,根据所述商品订单数据中的商品信息,确定节点数据;根据所述聚合数据,确定节点关系数据,所述节点关系数据包括节点对;将所述节点数据和所述节点关系数据确定为图数据。
节点关系数据包括节点对、节点对的连接边的方向以及节点对的连接边的权重。节点对所对应的商品对被同时购买的次数大于预设阈值,节点对的连接边的权重为节点对所对应的商品对被购买的用户数,节点对的连接边的方向为节点对所对应的商品对中购买次数少的商品指向购买次数多的商品的方向。
步骤204、将所述图数据导入所述图数据库中,对导入所述图数据的图数据库进行更新重构,以生成商品关系图数据库。
图数据准备好后,图数据库会进行全量更新,每日滚动替换昨日的数据文件。这里,图数据准备好后,会对图数据库中节点对、节点对的连接边、节点对的连接边的权重进行更新,比如,对于图数据库中没有的节点对,则需要新增节点对,节点对的连接边的方向、节点对的连接边的权重,对于图数据库中已经存在的节点对,更新节点对的连接边的方向以及节点对的连接边的权重。
步骤205、根据人工智能接口平台发送的应用端的推荐请求,从所述商品关系图数据库中确定出所述推荐请求对应的商品关系图。
解析应用端的推荐请求以确定数据信息,根据数据信息从商品关系图数据库中确定出对应的商品关系图。
步骤206、获取图算法标识;从图算法库中确定出所述图算法标识对应的目标图算法;根据所述目标图算法和所述推荐请求对应的商品关系图,确定所述商品关系图对应的商品推荐结果。
接收人工智能接口平台发送的图算法标识,图算法标识基于人工智能接口平台对应用端的推荐请求携带的业务需求指定,人工智能接口平台预设设置好了不同业务需求所对应的图算法标识。
若目标图算法为社群发现算法和关联规则算法,推荐请求携带的目标商品为商品A,则通过社群发现算法确定出商品A所在的聚类商品集合,将该聚类商品集合中商品A之外的商品确定为推荐商品,基于关联规则算法,确定商品A分别与每个推荐商品之间的权重,按照权重的大小,对多个推荐商品进行排序,得到商品推荐结果。商品推荐结果指示了应用端的用户更倾向于购买的其它商品。
若目标图算法为入度中心性算法,确定商品关系图中每个商品的入度数,根据每个商品的入度数,对多个商品进行排序,得到商品推荐结果。商品推荐结果指示了更易于被引导链接的商品。
若目标图算法为出度中心性算法,确定商品关系图中每个商品的出度数,根据每个商品的出度数,对多个商品进行排序,得到商品推荐结果。商品推荐结果指示了更易于引导链接的商品。
步骤207、将所述商品推荐结果发送给所述人工智能接口平台,以使所述人工智能接口平台输出所述商品推荐结果到所述应用端展示。
人工智能接口平台以RESTfulapi的形式输出商品推荐结果到应用端展示,比如,在商品A的店铺商详页面增加商品推荐结果中的推荐商品进行展示以刺激用户的连带购买。
基于与本发明方法实施例相同的构思,请参考图3,本发明实施例还提供了商品推荐装置300,包括:
图生成模块301,用于获取商品订单数据,并根据所述商品订单数据,生成商品关系图数据库;
图选择模块302,用于根据人工智能接口平台发送的应用端的推荐请求,从所述商品关系图数据库中确定出所述推荐请求对应的商品关系图;
推荐模块303,用于根据图算法库和所述推荐请求对应的商品关系图,确定所述商品关系图对应的商品推荐结果;
发送模块304,用于将所述商品推荐结果发送给所述人工智能接口平台,以使所述人工智能接口平台输出所述商品推荐结果到所述应用端展示。
在一个实施例中,所述图生成模块301,包括:转换单元以及重构单元;其中,
所述转换单元,用于根据图数据库的元数据要求,对所述商品订单数据进行转换,以得到所述商品订单数据的图数据,所述图数据包括节点数据和节点关系数据;
所述重构单元,用于将所述图数据导入所述图数据库中,对导入所述图数据的图数据库进行更新重构,以生成商品关系图数据库。
在一个实施例中,所述转换单元,包括:聚合子单元、节点数据去确定子单元、关系数据确定子单元以及图数据确定子单元;其中,
所述聚合子单元,用于根据图数据库的元数据要求,对所述商品订单数据进行聚合,生成聚合数据;
所述节点数据去确定子单元,用于以所述商品订单数据中的商品为节点,根据所述商品订单数据中的商品信息,确定节点数据;
所述关系数据确定子单元,用于根据所述聚合数据,确定节点关系数据,所述节点关系数据包括节点对;
所述图数据确定子单元,用于将所述节点数据和所述节点关系数据确定为图数据。
在一个实施例中,所述节点关系数据还包括所述节点对的连接边的方向以及所述节点对的连接边的权重;
所述聚合数据包括商品对、所述商品对被同时购买的次数、所述商品对中每个商品的购买次数以及所述商品对被共同购买的用户数;
所述节点对所对应的商品对出现在所述商品订单数据中的同一订单内;
所述节点对所对应的商品对被同时购买的次数满足预设条件;
所述节点对的连接边的权重根据所述节点对所对应的商品对被共同购买的用户数确定;
所述节点对的连接边的方向根据所述节点对所对应的商品对中每个商品的购买次数确定。
在一个实施例中,所述推荐模块303,包括:标识获取单元、算法确定单元以及推荐单元;其中,
所述标识获取单元,用于获取图算法标识;
所述算法确定单元,用于从所述图算法库中确定出所述图算法标识对应的目标图算法;
所述推荐单元,用于根据所述目标图算法和所述推荐请求对应的商品关系图,确定所述商品关系图对应的商品推荐结果。
在一个实施例中,所述图算法标识基于对所述应用端的推荐请求解析得到;
在一个实施例中,所述图算法标识基于对所述应用端的推荐请求解析得到的业务需求确定。
在一个实施例中,所述商品推荐结果基于所述商品关系图内的商品分别与其他商品的权重大小、所述商品关系图内的商品的入度数大小、所述商品关系图内的商品的出度数大小、和/或所述商品关系图内的聚类商品集合确定;
所述商品关系图内的商品分别与其他商品的权重大小基于所述图算法库中的关联规则算法确定;
所述商品关系图内的商品的入度数大小基于所述图算法库中的入度中心性算法确定;
所述商品关系图内的商品的出度数大小基于所述图算法库中的出度中心性算法确定;
所述商品关系图内的聚类商品集合基于所述图算法库中的社群发现算法确定。
在一个实施例中,所述图生成模块301,包括:抽取单元以及处理单元;其中,
所述抽取单元,用于定期或实时对不同业务数据库中的原始商品订单数据进行抽取;
所述处理单元,用于对所述抽取的原始商品订单数据进行数据预处理,以得到商品订单数据。
基于与本发明方法实施例相同的构思,请参考图4,本发明实施例还提供了商品推荐系统,包括:上述任一实施例所述的商品推荐装置300、人工智能接口平台401以及应用端402;
所述人工智能接口平台401,用于接收所述应用端发送的推荐请求,并将所述推荐请求发送给所述商品推荐装置300,接收所述商品推荐装置300发送的商品推荐结果,并将所述商品推荐结果发送至所述应用端402;
所述应用端402,用于向所述人工智能接口401平台发送推荐请求,并接收所述人工智能接口平台401发送的商品推荐结果,根据所述推荐请求携带的显示形式信息对所述商品推荐结果进行转换,以得到可视化内容,对所述可视化内容进行展示。
该实施例提供的商品推荐系统,凭依图算法路库中丰富的图算法类型,可实现的推荐类型与应用场景也大为拓展,赋能商品运营的各推荐场景。整个商品推荐系统完全自动化运行,应用端获取商品推荐结果速度快且无延时,配合人工智能接口平台,将商品推荐数据转化输出为各应用场景所需的结果形式,显著提升了推荐应用效率。
具体地,人工智能接口平台401实现了商品推荐装置和应用端之间的对接,能够确保应用端快速接收到商品推荐结果,提高了推荐效果。
具体地,人工智能接口平台401对接收到的应用端的推荐请求进行解析,得到应用端的业务需求,然后根据业务需求指定图算法标识,并将图算法标识发送给商品推荐装置。这里,可以预先指定不同业务需求对应的图算法标识。
商品推荐装置300可以自动滚动抽取原始商品订单数据进行清洗转换生成对应图数据后,更新重构图数据库,以生成商品关系图数据库。
图5是本发明实施例提供的一种电子设备的结构示意图。在硬件层面,该电子设备包括处理器501以及存储有执行指令的存储器502,可选地还包括内部总线503及网络接口504。其中,存储器502可能包含内存5021,例如高速随机存取存储器(Random-AccessMemory,RAM),也可能还包括非易失性存储器5022(non-volatile memory),例如至少1个磁盘存储器等;处理器501、网络接口504和存储器502可以通过内部总线503相互连接,该内部总线503可以是ISA(Industry Standard Architecture,工业标准体系结构)总线、PCI(Peripheral Component Interconnect,外设部件互连标准)总线或EISA(ExtendedIndustry Standard Architecture,扩展工业标准结构)总线等;内部总线503可以分为地址总线、数据总线、控制总线等,为便于表示,图5中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。当然,该电子设备还可能包括其他业务所需要的硬件。当处理器501执行存储器502存储的执行指令时,处理器501执行本发明任意一个实施例中的方法,并至少用于执行如图1或图2所示的方法。
在一种可能实现的方式中,处理器从非易失性存储器中读取对应的执行指令到内存中然后运行,也可从其它设备上获取相应的执行指令,以在逻辑层面上形成一种商品推荐装置。处理器执行存储器所存放的执行指令,以通过执行的执行指令实现本发明任一实施例中提供的一种商品推荐方法。
处理器可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital Signal Processor,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。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。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。
本发明实施例还提供了一种计算机可读存储介质,包括执行指令,当电子设备的处理器执行执行指令时,所述处理器执行本发明任意一个实施例中提供的方法。该电子设备具体可以是如图5所示的电子设备;执行指令是一种商品推荐装置所对应计算机程序。
本领域内的技术人员应明白,本发明的实施例可提供为方法或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例,或软件和硬件相结合的形式。
本发明中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置实施例而言,由于其基本相似于方法实施例,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。
还需要说明的是,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、商品或者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、商品或者设备所固有的要素。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、商品或者设备中还存在另外的相同要素。
以上所述仅为本发明的实施例而已,并不用于限制本发明。对于本领域技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本发明的权利要求范围之内。
Claims (7)
1.一种商品推荐方法,其特征在于,包括:
获取商品订单数据,并根据所述商品订单数据,生成商品关系图数据库;
根据人工智能接口平台发送的应用端的推荐请求,从所述商品关系图数据库中确定出所述推荐请求对应的商品关系图;
根据图算法库和所述推荐请求对应的商品关系图,确定所述商品关系图对应的商品推荐结果;
将所述商品推荐结果发送给所述人工智能接口平台,以使所述人工智能接口平台输出所述商品推荐结果到所述应用端展示;
所述根据图算法库和所述推荐请求对应的商品关系图,确定所述商品关系图对应的商品推荐结果,包括:
获取图算法标识,所述图算法标识基于对所述应用端的推荐请求解析得到或者基于对所述应用端的推荐请求解析得到的业务需求确定;
从所述图算法库中确定出所述图算法标识对应的目标图算法;
根据所述目标图算法和所述推荐请求对应的商品关系图,确定所述商品关系图对应的商品推荐结果;
所述商品推荐结果基于所述商品关系图内的商品分别与其他商品的权重大小、所述商品关系图内的商品的入度数大小、所述商品关系图内的商品的出度数大小、所述商品关系图内的聚类商品集合确定;
所述商品关系图内的商品分别与其他商品的权重大小基于所述图算法库中的关联规则算法确定;
所述商品关系图内的商品的入度数大小基于所述图算法库中的入度中心性算法确定;
所述商品关系图内的商品的出度数大小基于所述图算法库中的出度中心性算法确定;
所述商品关系图内的聚类商品集合基于所述图算法库中的社群发现算法确定。
2.根据权利要求1所述的方法,其特征在于,所述根据所述商品订单数据,生成商品关系图数据库,包括:
根据图数据库的元数据要求,对所述商品订单数据进行转换,以得到所述商品订单数据的图数据,所述图数据包括节点数据和节点关系数据;
将所述图数据导入所述图数据库中,对导入所述图数据的图数据库进行更新重构,以生成商品关系图数据库。
3.根据权利要求1所述的方法,其特征在于,所述根据图数据库的元数据要求,对所述商品订单数据进行转换,以得到所述商品订单数据的图数据,包括:
根据图数据库的元数据要求,对所述商品订单数据进行聚合,生成聚合数据;
以所述商品订单数据中的商品为节点,根据所述商品订单数据中的商品信息,确定节点数据;
根据所述聚合数据,确定节点关系数据,所述节点关系数据包括节点对;
将所述节点数据和所述节点关系数据确定为图数据。
4.根据权利要求3所述的方法,其特征在于,所述节点关系数据还包括所述节点对的连接边的方向以及所述节点对的连接边的权重;
所述聚合数据包括商品对、所述商品对被同时购买的次数、所述商品对中每个商品的购买次数以及所述商品对被共同购买的用户数;
所述节点对所对应的商品对出现在所述商品订单数据中的同一订单内;
所述节点对所对应的商品对被同时购买的次数满足预设条件;
所述节点对的连接边的权重根据所述节点对所对应的商品对被共同购买的用户数确定;
所述节点对的连接边的方向根据所述节点对所对应的商品对中每个商品的购买次数确定。
5.根据权利要求1所述的方法,其特征在于,所述获取商品订单数据,包括:
定期或实时对不同业务数据库中的原始商品订单数据进行抽取;
对所述抽取的原始商品订单数据进行数据预处理,以得到商品订单数据。
6.一种商品推荐装置,其特征在于,包括:
图生成模块,用于获取商品订单数据,并根据所述商品订单数据,生成商品关系图数据库;
图选择模块,用于根据人工智能接口平台发送的应用端的推荐请求,从所述商品关系图数据库中确定出商品关系图;
推荐模块,用于根据图算法库和所述推荐请求对应的商品关系图,确定所述商品关系图对应的商品推荐结果;
发送模块,用于将所述商品推荐结果发送给所述人工智能接口平台,以使所述人工智能接口平台输出所述商品推荐结果到所述应用端展示;
所述推荐模块,包括:标识获取单元、算法确定单元以及推荐单元;其中,
所述标识获取单元,用于获取图算法标识,所述图算法标识基于对所述应用端的推荐请求解析得到或者基于对所述应用端的推荐请求解析得到的业务需求确定;
所述算法确定单元,用于从所述图算法库中确定出所述图算法标识对应的目标图算法;
所述推荐单元,用于根据所述目标图算法和所述推荐请求对应的商品关系图,确定所述商品关系图对应的商品推荐结果;
所述商品推荐结果基于所述商品关系图内的商品分别与其他商品的权重大小、所述商品关系图内的商品的入度数大小、所述商品关系图内的商品的出度数大小、所述商品关系图内的聚类商品集合确定;
所述商品关系图内的商品分别与其他商品的权重大小基于所述图算法库中的关联规则算法确定;
所述商品关系图内的商品的入度数大小基于所述图算法库中的入度中心性算法确定;
所述商品关系图内的商品的出度数大小基于所述图算法库中的出度中心性算法确定;
所述商品关系图内的聚类商品集合基于所述图算法库中的社群发现算法确定。
7.一种商品推荐系统,其特征在于,包括:权利要求6所述的商品推荐装置、人工智能接口平台以及应用端;
所述人工智能接口平台,用于接收所述应用端发送的推荐请求,并将所述推荐请求发送给所述商品推荐装置,接收所述商品推荐装置发送的商品推荐结果,并将所述商品推荐结果发送至所述应用端;
所述应用端,用于向所述人工智能接口平台发送推荐请求,并接收所述人工智能接口平台发送的商品推荐结果,根据所述推荐请求携带的显示形式对所述商品推荐结果进行转换,以得到可视化内容,对所述可视化内容进行展示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011421456.7A CN112258301B (zh) | 2020-12-08 | 2020-12-08 | 商品推荐方法、装置、系统、可读存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011421456.7A CN112258301B (zh) | 2020-12-08 | 2020-12-08 | 商品推荐方法、装置、系统、可读存储介质及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112258301A CN112258301A (zh) | 2021-01-22 |
CN112258301B true CN112258301B (zh) | 2021-11-02 |
Family
ID=74225294
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011421456.7A Active CN112258301B (zh) | 2020-12-08 | 2020-12-08 | 商品推荐方法、装置、系统、可读存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112258301B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113643101A (zh) * | 2021-08-30 | 2021-11-12 | 北京值得买科技股份有限公司 | 一种基于图数据库的商品热度计算方法及系统 |
CN115797020B (zh) * | 2023-02-06 | 2023-05-02 | 网思科技股份有限公司 | 基于图数据库的数据处理的零售推荐方法、系统和介质 |
CN117421492B (zh) * | 2023-12-19 | 2024-04-05 | 四川久远银海软件股份有限公司 | 一种数据要素商品的筛选系统及方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105228023A (zh) * | 2014-06-30 | 2016-01-06 | 惠州市水木网络科技有限公司 | 一种机顶盒游戏导航门户系统 |
CN105427125A (zh) * | 2015-10-29 | 2016-03-23 | 电子科技大学 | 基于商品网络连接图的商品簇划分方法 |
CN108090801A (zh) * | 2017-11-29 | 2018-05-29 | 维沃移动通信有限公司 | 商品推荐方法、移动终端及服务器 |
CN110491315A (zh) * | 2019-07-31 | 2019-11-22 | 安徽正风建设工程有限公司 | 一种科技展馆智能导览系统 |
CN112015998A (zh) * | 2020-11-02 | 2020-12-01 | 北京值得买科技股份有限公司 | 一种基于用户画像的商品推荐方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20150052923A (ko) * | 2013-11-06 | 2015-05-15 | 네이버 주식회사 | 소셜 네트워크 서비스 제공 시스템 및 방법 |
-
2020
- 2020-12-08 CN CN202011421456.7A patent/CN112258301B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105228023A (zh) * | 2014-06-30 | 2016-01-06 | 惠州市水木网络科技有限公司 | 一种机顶盒游戏导航门户系统 |
CN105427125A (zh) * | 2015-10-29 | 2016-03-23 | 电子科技大学 | 基于商品网络连接图的商品簇划分方法 |
CN108090801A (zh) * | 2017-11-29 | 2018-05-29 | 维沃移动通信有限公司 | 商品推荐方法、移动终端及服务器 |
CN110491315A (zh) * | 2019-07-31 | 2019-11-22 | 安徽正风建设工程有限公司 | 一种科技展馆智能导览系统 |
CN112015998A (zh) * | 2020-11-02 | 2020-12-01 | 北京值得买科技股份有限公司 | 一种基于用户画像的商品推荐方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112258301A (zh) | 2021-01-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112258301B (zh) | 商品推荐方法、装置、系统、可读存储介质及电子设备 | |
CN111784455B (zh) | 一种物品推荐方法及推荐设备 | |
CN110648185B (zh) | 一种目标人群圈选方法、装置及计算机设备 | |
US9223900B2 (en) | Machine optimization devices, methods, and systems | |
CN109816482B (zh) | 电商平台的知识图谱构建方法、装置、设备及存储介质 | |
CN106844407B (zh) | 基于数据集相关性的标签网络产生方法和系统 | |
CN104866474A (zh) | 个性化数据搜索方法及装置 | |
TWI752303B (zh) | 營銷資訊投放平台建立方法及裝置 | |
WO2017028735A1 (zh) | 选择及推荐展示对象的方法及装置 | |
CN107423356A (zh) | 评价信息的处理方法及装置、计算机可读介质、电子设备 | |
US11762819B2 (en) | Clustering model analysis for big data environments | |
JP2018045553A (ja) | 選択装置、選択方法および選択プログラム | |
CN112818226A (zh) | 数据处理方法、推荐方法、装置、电子设备及存储介质 | |
CN113837842A (zh) | 一种基于用户行为数据的商品推荐方法及设备 | |
CN110276018A (zh) | 在线教育系统的个性化推荐方法、终端及存储介质 | |
CN103440199A (zh) | 测试引导方法和装置 | |
CN112116426A (zh) | 一种推送物品信息的方法和装置 | |
CN113225580B (zh) | 直播数据处理方法、装置、电子设备及介质 | |
CN112749323A (zh) | 一种构建用户画像的方法和装置 | |
CN108416645B (zh) | 一种针对用户的推荐方法、装置、存储介质和设备 | |
CN112132660B (zh) | 商品推荐方法、系统、设备及存储介质 | |
WO2020135420A1 (zh) | 对用户进行分类的方法和装置 | |
CN112561636A (zh) | 一种推荐方法、装置、终端设备及介质 | |
CN111967970A (zh) | 基于spark平台的银行产品推荐方法及装置 | |
CN115114519A (zh) | 基于人工智能的推荐方法、装置、电子设备及存储介质 |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20211011 Address after: 250101 Room 906, 9th Floor, 2 Building, Osheng Building, 1166 Xinlu Street, Jinan High-tech Zone, Shandong Province Applicant after: Handu Yishe Electronic Commerce Group Co.,Ltd. Address before: 101400 Beijing Huairou District 11 Yingbin five five two story 2213 rooms. Applicant before: Beijing Tiantong Huizhi Technology Co.,Ltd. Applicant before: Handu Yishe Electronic Commerce Group Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |