CN112308666A - 一种网上商城商品的推荐方法及其系统 - Google Patents
一种网上商城商品的推荐方法及其系统 Download PDFInfo
- Publication number
- CN112308666A CN112308666A CN202011155420.9A CN202011155420A CN112308666A CN 112308666 A CN112308666 A CN 112308666A CN 202011155420 A CN202011155420 A CN 202011155420A CN 112308666 A CN112308666 A CN 112308666A
- Authority
- CN
- China
- Prior art keywords
- commodity
- commodities
- module
- feature
- features
- 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
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000000605 extraction Methods 0.000 claims abstract description 31
- 239000013598 vector Substances 0.000 claims abstract description 23
- 230000006698 induction Effects 0.000 claims abstract description 20
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 239000003086 colorant Substances 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 235000008694 Humulus lupulus Nutrition 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
- G06Q30/0627—Directed, with specific intent or strategy using item specifications
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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种网上商城商品的推荐方法及其系统,所述网上商城商品的推荐系统包括数据处理模块、特征提取模块、权重分配模块、拓展模块和推荐模块,首先将获取的任意用户的购买记录及对应的评论进行预处理和清洗,然后对预处理后的所述购买记录进行商品归纳和特征提取,得到多个第一特征和多个第二特征;接着根据评论等级和商品属性对提取出的第一特征和第二特征进行权重分配和乘积运算,得到特征向量,其次根据每一个所述商品特征和所述商品属性进行拓展,同时计算每一级拓展路径相似度;最后将所述特征向量和相似度值进行内积运算,将得到的相关性概率按照降序排列,得到对应的推荐列表,能够准确的向用户推荐商品。
Description
技术领域
本发明涉及网上商城技术领域,尤其涉及一种网上商城商品的推荐方法及其系统。
背景技术
现有的商城商品推荐不够精细,主要是基于点击次数进行商品推荐,用户对某一商品点击查看次数多,在用户再次打开网页时,该商品的显示顺序就靠前,但此种推荐方法分析考量的维度少,不能真正反映用户真正实际想要的商品,不够系统,实际推荐的商品可能不是用户真正想要的。
发明内容
本发明的目的在于提供一种网上商城商品的推荐方法及其系统,能够准确的向用户推荐商品。
为实现上述目的,第一方面,本发明提供了一种网上商城商品的推荐方法,包括以下步骤:
获取任意用户的购买记录及对应评论,并对获取所有数据进行预处理;
对预处理后的所述购买记录进行商品归纳和特征提取;
根据评论等级和商品属性对提取出的商品特征进行权重分配,得到特征向量;
根据每一个所述商品特征和所述商品属性进行拓展,同时计算每一级拓展路径相似度;
将所述特征向量和相似度值进行内积运算,将得到的相关性概率按照降序排列,得到对应的推荐列表。
其中,对预处理后的所述购买记录进行商品归纳和特征提取,包括:
对预处理后的所述购买记录进行商品归纳,按照属性由大至小的归纳方法,对划分出的不同层次范围内的商品进行数量统计,并对不同属性范围内的商品进行特征提取,得到多个第一特征。
其中,对预处理后的所述购买记录进行商品归纳和特征提取,还包括:
结合对应类型下的商品数量,将大于设定阈值的商品进行挑选,并对相同属性范围内的不同类型下的商品进行特征提取,得到多个第二特征。
其中,根据评论等级和商品属性对提取出的商品特征进行权重分配,得到特征向量,包括:
根据提取出的多个所述第一特征对应的商品总量的比重和评论等级,计算出对应的第一权重,并根据提取出的多个所述第二特征对应的商品数量比重,计算出对应的第二权重。
其中,根据评论等级和商品属性对提取出的商品特征进行权重分配,得到特征向量,还包括:
将所述第一权重与对应的所述第二权重进行乘积运算,同时将得到的特征向量按照降序进行排列。
其中,根据每一个所述商品特征和所述商品属性进行拓展,同时计算每一级拓展路径相似度,包括:
根据每一个提取出的所述第一特征和商品属性,根据用户偏好对商品进行多级拓展,并且相邻两级拓展路径的所述第二权重依次降低。
第二方面,本发明提供了一种网上商城商品的推荐系统,所述网上商城商品的推荐系统包括数据处理模块、特征提取模块、权重分配模块、拓展模块和推荐模块,所述数据处理模块、所述特征提取模块、所述权重分配模块、所述拓展模块和所述推荐模块依次连接;
所述数据处理模块,用于获取任意用户的购买记录及对应评论,并对获取所有数据进行预处理;
所述特征提取模块,用于对预处理后的所述购买记录进行商品归纳和特征提取,得到多个第一特征和多个第二特征;
所述权重分配模块,用于根据提取出的多个所述第一特征对应的商品总量的比重和评论等级,计算出对应的第一权重,并根据提取出的多个所述第二特征对应的商品数量比重,计算出对应的第二权重;
所述拓展模块,用于根据每一个所述商品特征和所述商品属性进行拓展,同时计算每一级拓展路径相似度;
所述推荐模块,用于将所述特征向量和相似度值进行内积运算,将得到的相关性概率按照降序排列,得到对应的推荐列表。
本发明的一种网上商城商品的推荐方法及其系统,所述网上商城商品的推荐系统包括数据处理模块、特征提取模块、权重分配模块、拓展模块和推荐模块,首先将获取的任意用户的购买记录及对应的评论进行预处理和清洗,然后对预处理后的所述购买记录进行商品归纳和特征提取,得到多个第一特征和多个第二特征;接着根据评论等级和商品属性对提取出的第一特征和第二特征进行权重分配和乘积运算,得到特征向量,其次根据每一个所述商品特征和所述商品属性进行拓展,同时计算每一级拓展路径相似度;最后将所述特征向量和相似度值进行内积运算,将得到的相关性概率按照降序排列,得到对应的推荐列表,能够准确的向用户推荐商品。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明第一实施例提供的一种网上商城商品的推荐方法的步骤示意图。
图2是本发明第二实施例提供的一种网上商城商品的推荐方法的步骤示意图。
图3是本发明提供的一种网上商城商品的推荐系统的结构示意图。
1-数据处理模块、2-特征提取模块、3-权重分配模块、4-拓展模块、5-推荐模块。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
在本发明的描述中,需要理解的是,术语“长度”、“宽度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
请参阅图1,本发明第一实施例提供一种网上商城商品的推荐方法,包括以下步骤:
S101、获取任意用户的购买记录及对应评论,并对获取所有数据进行预处理。
具体的,在众多网上商城上获取设定时间内的任意用户购买商品的评分信息和购买记录即商品序列,所述属性数据包括:商品价格、商品产地、商品类型、生产日期等。由于获取的原始数据存在缺失、杂乱等问题无法直接用于后续的计算,需要对没有价值的数据进行清洗,例如,用户对商品的评分,去除那些用户已购买但是未评分的商品,还有客户已购买但是有退货的商品;若只是单一的获取第一次的评论信息,会导致评分单一,因此还应结合用户对某一个商品的追加评论,提取追评中的关键词,对追评内容进行等级划分,若获取的评分信息存在追评,则以所述追评等级进行表示,能够有效确保获取的评分信息能够准确代表用户对商品的准确评论,进而能够确保推荐的商品满足用户的购买欲望。
S102、对预处理后的所述购买记录进行商品归纳和特征提取。
具体的,对预处理后的所述购买记录进行商品归纳,根据目前商品的划分大类进行不同大类的归纳区分,按照属性由大至小的归纳方法,即是按照目前常用的商品分类方法,科学地、系统地逐级划分为门类、大类、中类、小类、品类以至品种、花色和规格;按照分类方法,将商品划分为三种类别,依次为大类、中类和小类,然后依次对划分出的不同层次范围内的商品进行数量统计,根据统计出来的数量,首先对不同大类范围内的商品进行特征提取,得到多个第一特征。
结合对应类型下的中类甚至小类的商品数量,将大于设定阈值的商品进行挑选,可以减少对较少数量的商品进行特征提取,减少系统的计算量和计算时间,接着对相同属性范围内的不同类型下的商品进行特征提取,即是对相同大类下的不同中类甚至不同小类下的所有商品进行特征提取,得到多个第二特征,根据商品分类进行特征提取,能够首先推荐出用户购买最多大类下的商品,然后根据选择出的大类,在对应范围下,再依次推荐出数量较多的中类和小类对应的商品,使其推荐的商品首先在大范围下符合用户购买欲望的,然后再逐步精细化推荐,提高推荐商品的满意度。
S103、根据评论等级和商品属性对提取出的商品特征进行权重分配,得到特征向量。
具体的,根据提取出的多个所述第一特征对应的商品总量的比重和评论等级,计算出对应的第一权重,并根据提取出的多个所述第二特征对应的商品数量比重,计算出对应的第二权重,所述第一权重和所述第二权重根据商品数量比重进行权重的划分,使权重值贴合统计出的用户的实际购买比例,同时在所述第一权重的计算过程中,增加了所述评论等级,根据每一个大类下的所有商品的评论等级的数量和在所有评论等级总的数量和下的比重,确定每个大类下的等级比重,将所述等级比重与所述商品数量比重进行乘积,得到对应的第一权重,而所述第二权重可以只是对应中类或者对应小类下的数量比重,也可以是评论等级比重和数量比重的乘积,融合将所述第一权重与对应的所述第二权重进行乘积运算,同时将得到的特征向量按照降序进行排列,可以直观的看出每种商品的排名,同时融合了评论等级权重,可以体现出用户对每种商品的喜爱度,方便更精细化和准确的推荐商品。
S104、根据每一个所述商品特征和所述商品属性进行拓展,同时计算每一级拓展路径相似度。
具体的,根据每一个提取出的所述第一特征和商品属性,根据用户偏好对商品进行多级拓展,同时每一方向上的拓展路径按照所述第二特征进行商品拓展,并且拓展路径的长度与所述第二权重的数值相对应,权重越大,长度越长,并且相邻两级拓展路径的所述第二权重依次降低,即在同一个方向的拓展路径下,后一级的拓展商品相较于前一级拓展商品的权重比例会降低,即越往后,商品的相似度会更低,因此需要计算出每一拓展路径上的不同级跳之间的相似度值,根据每一个商品在对用的拓展路径上的长度比例代表相似度值,利用相似度值表示对应商品距离最佳推荐商品的差距度。
S105、将所述特征向量和相似度值进行内积运算,将得到的相关性概率按照降序排列,得到对应的推荐列表。
具体的,将所述特征向量与所述相似度值进行内积运算,能够得到对应的每一个推荐商品的相关性概率,并将所述相关性概率按照降序排列,基于设定阈值进行选取,即选取前K个商品,得到对应的推荐列表,准确的给用户推荐商品。
请参阅图2,本发明第二实施例提供一种网上商城商品的推荐方法,包括以下步骤:
S201-S205的具体实施方式的内容与第一实施例中S101-S105的具体实时方式中的内容相同,此处不再赘述。
S206、获取用户的搜索关键词对所述推荐列表进行实时更新。
具体的,由于在每一次的用户选择商品的过程中,会进行对应的搜索,因此可以根据获取的用户的实时搜索关键词,在所述推荐列表中,提取对应的所述第二特征,同时调整所述第二权重比例,优先推荐所述第二特征对应的推荐商品列表,然后再由高至低的推荐所述推荐列表中的商品,同时对所述推荐列表进行更新,还可以根据用户的浏览界面实时获取对应的特征,然后更新所述推荐列表中的权重比例,然后更新所述推荐列表,使所述推荐列表中的推荐商品能够尽可能的向用户推荐当下最满意的商品。
请参阅图3,本发明提供一种网上商城商品的推荐系统,所述网上商城商品的推荐系统包括数据处理模块1、特征提取模块2、权重分配模块3、拓展模块4和推荐模块5,所述数据处理模块1、所述特征提取模块2、所述权重分配模块3、所述拓展模块4和所述推荐模块5依次连接;
所述数据处理模块1,用于获取任意用户的购买记录及对应评论,并对获取所有数据进行预处理;
所述特征提取模块2,用于对预处理后的所述购买记录进行商品归纳和特征提取,得到多个第一特征和多个第二特征;
所述权重分配模块3,用于根据提取出的多个所述第一特征对应的商品总量的比重和评论等级,计算出对应的第一权重,并根据提取出的多个所述第二特征对应的商品数量比重,计算出对应的第二权重;
所述拓展模块4,用于根据每一个所述商品特征和所述商品属性进行拓展,同时计算每一级拓展路径相似度;
所述推荐模块5,用于将所述特征向量和相似度值进行内积运算,将得到的相关性概率按照降序排列,得到对应的推荐列表。
在本实施方式中,首先在所述数据处理模块1中将获取的任意用户的购买记录及对应的评论进行预处理和清洗,例如,用户对商品的评分,去除那些用户已购买但是未评分的商品,还有客户已购买但是有退货的商品;然后对预处理后的所述购买记录按照属性由大至小的归纳方法,即是按照目前常用的商品分类方法,科学地、系统地逐级划分为门类、大类、中类、小类、品类以至品种、花色和规格进行商品归纳和特征提取,得到多个第一特征和多个第二特征;接着根据评论等级和商品属性对提取出的第一特征和第二特征进行权重分配和乘积运算,得到特征向量,在所述第一权重的计算过程中,增加了所述评论等级,可以体现出用户对每种商品的喜爱度,方便更精细化和准确的推荐商品;其次根据每一个所述商品特征和所述商品属性进行拓展,同时计算每一级拓展路径相似度,利用相似度值表示对应商品距离最佳推荐商品的差距度;最后将所述特征向量和相似度值进行内积运算,将得到的相关性概率按照降序排列,基于设定阈值进行选取,即选取前K个商品,得到对应的推荐列表,准确的给用户推荐商品,并还根据用户的搜索关键词和实时浏览记录,对所述推荐列表进行更新,使所述推荐列表中的推荐商品能够尽可能的向用户推荐当下最满意的商品。
本发明的一种网上商城商品的推荐方法及其系统,所述网上商城商品的推荐系统包括数据处理模块1、特征提取模块2、权重分配模块3、拓展模块4和推荐模块5,首先将获取的任意用户的购买记录及对应的评论进行预处理和清洗,然后对预处理后的所述购买记录进行商品归纳和特征提取,得到多个第一特征和多个第二特征;接着根据评论等级和商品属性对提取出的第一特征和第二特征进行权重分配和乘积运算,得到特征向量,其次根据每一个所述商品特征和所述商品属性进行拓展,同时计算每一级拓展路径相似度;最后将所述特征向量和相似度值进行内积运算,将得到的相关性概率按照降序排列,得到对应的推荐列表,能够准确的向用户推荐商品。
以上所揭露的仅为本发明一种较佳实施例而已,当然不能以此来限定本发明之权利范围,本领域普通技术人员可以理解实现上述实施例的全部或部分流程,并依本发明权利要求所作的等同变化,仍属于发明所涵盖的范围。
Claims (7)
1.一种网上商城商品的推荐方法,其特征在于,包括以下步骤:
获取任意用户的购买记录及对应评论,并对获取所有数据进行预处理;
对预处理后的所述购买记录进行商品归纳和特征提取;
根据评论等级和商品属性对提取出的商品特征进行权重分配,得到特征向量;
根据每一个所述商品特征和所述商品属性进行拓展,同时计算每一级拓展路径相似度;
将所述特征向量和相似度值进行内积运算,将得到的相关性概率按照降序排列,得到对应的推荐列表。
2.如权利要求1所述的网上商城商品的推荐方法,其特征在于,对预处理后的所述购买记录进行商品归纳和特征提取,包括:
对预处理后的所述购买记录进行商品归纳,按照属性由大至小的归纳方法,对划分出的不同层次范围内的商品进行数量统计,并对不同属性范围内的商品进行特征提取,得到多个第一特征。
3.如权利要求2所述的网上商城商品的推荐方法,其特征在于,对预处理后的所述购买记录进行商品归纳和特征提取,还包括:
结合对应类型下的商品数量,将大于设定阈值的商品进行挑选,并对相同属性范围内的不同类型下的商品进行特征提取,得到多个第二特征。
4.如权利要求3所述的网上商城商品的推荐方法,其特征在于,根据评论等级和商品属性对提取出的商品特征进行权重分配,得到特征向量,包括:
根据提取出的多个所述第一特征对应的商品总量的比重和评论等级,计算出对应的第一权重,并根据提取出的多个所述第二特征对应的商品数量比重,计算出对应的第二权重。
5.如权利要求4所述的网上商城商品的推荐方法,其特征在于,根据评论等级和商品属性对提取出的商品特征进行权重分配,得到特征向量,还包括:
将所述第一权重与对应的所述第二权重进行乘积运算,同时将得到的特征向量按照降序进行排列。
6.如权利要求5所述的网上商城商品的推荐方法,其特征在于,根据每一个所述商品特征和所述商品属性进行拓展,同时计算每一级拓展路径相似度,包括:
根据每一个提取出的所述第一特征和商品属性,根据用户偏好对商品进行多级拓展,并且相邻两级拓展路径的所述第二权重依次降低。
7.一种网上商城商品的推荐系统,其特征在于,
所述网上商城商品的推荐系统包括数据处理模块、特征提取模块、权重分配模块、拓展模块和推荐模块,所述数据处理模块、所述特征提取模块、所述权重分配模块、所述拓展模块和所述推荐模块依次连接;
所述数据处理模块,用于获取任意用户的购买记录及对应评论,并对获取所有数据进行预处理;
所述特征提取模块,用于对预处理后的所述购买记录进行商品归纳和特征提取,得到多个第一特征和多个第二特征;
所述权重分配模块,用于根据提取出的多个所述第一特征对应的商品总量的比重和评论等级,计算出对应的第一权重,并根据提取出的多个所述第二特征对应的商品数量比重,计算出对应的第二权重;
所述拓展模块,用于根据每一个所述商品特征和所述商品属性进行拓展,同时计算每一级拓展路径相似度;
所述推荐模块,用于将所述特征向量和相似度值进行内积运算,将得到的相关性概率按照降序排列,得到对应的推荐列表。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011155420.9A CN112308666A (zh) | 2020-10-26 | 2020-10-26 | 一种网上商城商品的推荐方法及其系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011155420.9A CN112308666A (zh) | 2020-10-26 | 2020-10-26 | 一种网上商城商品的推荐方法及其系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112308666A true CN112308666A (zh) | 2021-02-02 |
Family
ID=74331984
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011155420.9A Pending CN112308666A (zh) | 2020-10-26 | 2020-10-26 | 一种网上商城商品的推荐方法及其系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112308666A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9779441B1 (en) * | 2006-08-04 | 2017-10-03 | Facebook, Inc. | Method for relevancy ranking of products in online shopping |
CN108960945A (zh) * | 2017-05-18 | 2018-12-07 | 北京京东尚科信息技术有限公司 | 商品推荐方法和装置 |
CN111222332A (zh) * | 2020-01-06 | 2020-06-02 | 华南理工大学 | 一种结合注意力网络和用户情感的商品推荐方法 |
CN111369318A (zh) * | 2020-02-28 | 2020-07-03 | 安徽农业大学 | 一种基于商品知识图谱特征学习的推荐方法及系统 |
CN111507796A (zh) * | 2020-04-07 | 2020-08-07 | 桂林电子科技大学 | 一种基于知识图谱的网上商城商品推荐方法 |
-
2020
- 2020-10-26 CN CN202011155420.9A patent/CN112308666A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9779441B1 (en) * | 2006-08-04 | 2017-10-03 | Facebook, Inc. | Method for relevancy ranking of products in online shopping |
CN108960945A (zh) * | 2017-05-18 | 2018-12-07 | 北京京东尚科信息技术有限公司 | 商品推荐方法和装置 |
CN111222332A (zh) * | 2020-01-06 | 2020-06-02 | 华南理工大学 | 一种结合注意力网络和用户情感的商品推荐方法 |
CN111369318A (zh) * | 2020-02-28 | 2020-07-03 | 安徽农业大学 | 一种基于商品知识图谱特征学习的推荐方法及系统 |
CN111507796A (zh) * | 2020-04-07 | 2020-08-07 | 桂林电子科技大学 | 一种基于知识图谱的网上商城商品推荐方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tsiptsis et al. | Data mining techniques in CRM: inside customer segmentation | |
CN112102037B (zh) | 一种基于大数据的直播电商平台商品内容智能推送管理系统 | |
CN108346075B (zh) | 信息推荐方法和装置 | |
CN111695022B (zh) | 一种基于知识图谱可视化的兴趣搜索方法 | |
CN109684538A (zh) | 一种基于用户个人特征的推荐方法及推荐系统 | |
CN108153792B (zh) | 一种数据处理方法和相关装置 | |
CN104679771A (zh) | 一种个性化数据搜索方法和装置 | |
CN110232589B (zh) | 一种基于大数据的意向客户分析系统 | |
KR102109338B1 (ko) | 고객 맞춤형 의류 분석 및 추천 시스템 | |
CN111667337A (zh) | 一种商品评价的排序方法和系统 | |
CN111986007A (zh) | 一种商品聚合并计算相似度的方法 | |
CN116431931B (zh) | 实时增量数据统计分析方法 | |
CN112613953A (zh) | 一种商品选品方法、系统及计算机可读存储介质 | |
CN113034238B (zh) | 基于电子商务平台交易的商品品牌特征提取及智能推荐管理方法 | |
JP4386973B2 (ja) | 階層的予測モデル構築装置及びその方法 | |
CN106886934A (zh) | 用于确定商家品类的方法、系统和装置 | |
CN110968670B (zh) | 一种流行商品的属性获取方法、装置、设备及存储介质 | |
JP2002260076A (ja) | 自販機の商品構成調整支援システム、その方法、及び記録媒体 | |
CN112308666A (zh) | 一种网上商城商品的推荐方法及其系统 | |
CN108009726B (zh) | 一种结合用户评论的事物评价系统 | |
CN108009727B (zh) | 一种结合用户评论的事物评价方法 | |
Bahri et al. | Data Mining Techniques To Uncovering Customer Segments: K-Means Clustering Using The Elbow Method Approach In Medium-Scale Grocery | |
CN111435514A (zh) | 特征计算方法和装置、排序方法和设备、存储介质 | |
JP4234841B2 (ja) | データ分析装置 | |
JP4128033B2 (ja) | プロファイルデータ検索装置及びプログラム |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210202 |