CN112328901B - 基于云计算和区块链金融的业务推荐方法及云计算系统 - Google Patents
基于云计算和区块链金融的业务推荐方法及云计算系统 Download PDFInfo
- Publication number
- CN112328901B CN112328901B CN202011469138.8A CN202011469138A CN112328901B CN 112328901 B CN112328901 B CN 112328901B CN 202011469138 A CN202011469138 A CN 202011469138A CN 112328901 B CN112328901 B CN 112328901B
- Authority
- CN
- China
- Prior art keywords
- transaction
- information
- terminal
- commodity transaction
- commodity
- 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06316—Sequencing of tasks or work
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
- G06Q10/103—Workflow collaboration or project management
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Technology Law (AREA)
- Data Mining & Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明是关于基于云计算和区块链金融的业务推荐方法及云计算系统,该方案能够从本地交易和异地交易两个层面实现目标业务请求终端和目标业务响应终端之间的交易业务匹配,尽可能减少买卖双方在交易业务匹配过程中的耗时。能够基于目标业务匹配结果实现对目标业务请求终端的商品交易信息推送,以实现智能化和针对性的商品交易信息推送,无需目标业务请求终端逐一去查找合适的商品交易信息,进而减少目标业务请求终端针对商品交易信息的查询耗时,由于商品交易信息是云计算系统主动推送的,因而无需目标业务请求终端在云计算系统上进行大量的查询筛选操作,从而减少云计算系统的运行负荷,避免引发云计算系统的瘫痪。
Description
技术领域
本申请涉及云计算和区块链业务技术领域,具体而言,涉及一种基于云计算和区块链金融的业务推荐方法及云计算系统。
背景技术
随着区块链支付的不断改进和完善,其应用场景也越来越广泛。区块链支付除了在跨境支付领域得到广泛应用,在一些商品交易平台也逐渐得到应用,使得商品交易平台无需作为中间的资金转送角色。在区块链支付技术的支持下,商品交易平台扮演的角色逐渐从间接支付平台转换为信息提供平台,而交易双方可以基于区块链支付直接进行商品交易,无需向商品交易平台给付手续费。然而,现目前的交易双方在进行交易之前,会耗费大量时间来查询和筛选所对应的商品交易信息,在交易双方对商品交易信息进行查询和筛选的过程中,商品交易平台需要处理对应的查询筛选请求,这样会增加商品交易平台的运行负荷,当查询筛选请求较多时,可能引发商品交易平台的瘫痪。
发明内容
本申请的第一个方面公开了一种基于云计算和区块链金融的业务推荐方法,所述方法包括:当检测到有业务请求终端发出业务询问请求时,获取本地业务终端队列和异地业务终端队列,其中,所述本地业务终端队列和所述异地业务终端队列均包括目标业务响应终端和目标业务请求终端;依据所述本地业务终端队列生成第一业务终端画像集,并对所述第一业务终端画像集进行业务终端画像配对,以得到第一业务终端画像配对结果;依据所述异地业务终端队列生成第二业务终端画像集,并对所述第二业务终端画像集进行业务终端画像配对,以得到第二业务终端画像配对结果;对所述第一业务终端画像配对结果和所述第二业务终端画像配对结果进行配对结果分析,得到目标业务响应终端和目标业务请求终端的目标业务匹配结果;将所述目标业务匹配结果与业务询问请求进行相关性分析,并在所述目标业务匹配结果满足预设相关性条件时,判定所述目标业务请求终端匹配所述目标业务响应终端;根据所述业务询问请求向所述目标业务请求终端推荐所述目标业务响应终端的商品交易信息。
本申请的第二个方面公开了一种云计算系统,包括处理引擎、网络模块和存储器;所述处理引擎和所述存储器通过所述网络模块通信,所述处理引擎从所述存储器中读取计算机程序并运行,以执行第一个方面所述的方法。
有益技术效果
在上述方案中,能够在检测到业务询问请求时,从本地交易和异地交易两个层面对不同的业务终端进行画像处理,从而确定本地业务终端队列以及本地业务终端队列各自对应的业务终端画像集,进而对不同的业务终端画像配对结果进行分析,以确定出目标业务响应终端和目标业务请求终端的目标业务匹配结果。如此,能够从本地交易和异地交易两个层面实现目标业务请求终端和目标业务响应终端之间的交易业务匹配,这样能够尽可能减少买卖双方在交易业务匹配过程中的耗时。这样,能够基于目标业务匹配结果实现对目标业务请求终端的商品交易信息推送,以实现智能化和针对性的商品交易信息推送,无需目标业务请求终端逐一去查找合适的商品交易信息,进而减少目标业务请求终端针对商品交易信息的查询耗时,此外,由于商品交易信息是云计算系统主动推送的,因而无需目标业务请求终端在云计算系统上进行大量的查询筛选操作,从而减少云计算系统的运行负荷,避免引发云计算系统的瘫痪。
在后面的描述中,将部分地陈述其他的特征。在检查后面内容和附图时,本领域的技术人员将部分地发现这些特征,或者可以通过生产或运用了解到这些特征。通过实践或使用后面所述详细示例中列出的方法、工具和组合的各个方面,当前申请中的特征可以被实现和获得。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
附图中的方法、系统和/或程序将根据示例性实施例进一步描述。这些示例性实施例将参照图纸进行详细描述。这些示例性实施例是非限制的示例性实施例,其中参考数字在附图的各个视图中代表相似的机构。
图1是根据本发明的一些实施例所示的一种示例性基于云计算和区块链金融的业务推荐系统的框图。
图2是根据本发明的一些实施例所示的一种示例性云计算系统中硬件和软件组成的示意图。
图3是根据本发明的一些实施例所示的一种示例性基于云计算和区块链金融的业务推荐方法和/或过程的流程图。
图4是根据本发明的一些实施例所示的一种示例性基于云计算和区块链金融的业务推荐装置的框图。
具体实施方式
发明人发现,常见的商品交易平台大多只将卖家的相关商品信息进行批量展示,不会主动向买家推送相关的卖家商品信息。在卖家商品信息较多的情况下,需要买家一个一个地去筛选或者浏览,极大地耽搁了买家的时间。此外,在交易双方对商品交易信息进行查询和筛选的过程中,商品交易平台需要处理对应的查询筛选请求,这样会增加商品交易平台的运行负荷,当查询筛选请求较多时,可能引发商品交易平台的瘫痪。
为此,本发明实施例提供了基于云计算和区块链金融的业务推荐方法及云计算系统,能够主动地实现目标业务响应终端和目标业务请求终端之间的业务匹配,也即买卖双方的意向匹配,这样能够基于目标业务匹配结果实现对目标业务请求终端的商品交易信息推送,以实现智能化和针对性的商品交易信息推送,无需目标业务请求终端逐一去查找合适的商品交易信息,这样进而减少目标业务请求终端针对商品交易信息的查询耗时。由于商品交易信息是云计算系统主动推送的,因而无需目标业务请求终端在云计算系统上进行大量的查询筛选操作,从而减少云计算系统的运行负荷,避免引发云计算系统的瘫痪
为了更好的理解上述技术方案,下面通过附图以及具体实施例对本发明技术方案做详细的说明,应当理解本发明实施例以及实施例中的具体特征是对本发明技术方案的详细的说明,而不是对本发明技术方案的限定,在不冲突的情况下,本发明实施例以及实施例中的技术特征可以相互组合。
在下面的详细描述中,通过实例阐述了许多具体细节,以便提供对相关指导的全面了解。然而,对于本领域的技术人员来说,显然可以在没有这些细节的情况下实施本发明。在其他情况下,公知的方法、程序、系统、组成和/或电路已经在一个相对较高水平上被描述,没有细节,以避免不必要的模糊本发明的方面。
这些和其他特性、当前申请披露的功能、执行的方法、结构中相关元素的功能和部件的组合和生产经济性,在参照附图进行以下描述的考虑中可能会变得更加明显,所有这些形成本申请的一部分。然而,需要理解清楚的是,附图仅仅是为了说明和描述的目的,并不旨在限制本申请的范围。应当了解的是,这些图纸不是按比例绘制的。然而,应当明确理解的是,附图仅用于说明和描述的目的,并不意图限制本发明的范围。应当知晓的是,这些附图并不依照比例。
本申请中使用流程图说明根据本申请的实施例的系统所执行的执行过程。应当明确理解的是,流程图的执行过程可以不按顺序执行。相反,这些执行过程可以以相反的顺序或同时执行。另外,可以将至少一个其他执行过程添加到流程图。一个或多个执行过程可以从流程图中删除。
图1是根据本发明的一些实施例所示的一种示例性基于云计算和区块链金融的业务推荐系统10的框图,基于云计算和区块链金融的业务推荐系统10可以包括云计算系统100和至少一个业务请求终端200。
在一些实施例中,如图2所示,云计算系统100可以包括处理引擎110、网络模块120和存储器130,处理引擎110和存储器130通过网络模块120通信。
处理引擎110可以处理相关的信息和/或数据以执行本申请中描述的一个或多个功能。例如,在一些实施例中,处理引擎110可以包括至少一个处理引擎(例如,单核处理引擎或多核处理器)。仅作为示例,处理引擎110可以包括中央处理单元(Central ProcessingUnit,CPU)、专用集成电路(Application-Specific Integrated Circuit,ASIC)、专用指令集处理器(Application-Specific Instruction-set Processor,ASIP)、图形处理单元(Graphics Processing Unit,GPU)、物理处理单元(Physics Processing Unit,PPU)、数字信号处理器(Digital Signal Processor,DSP)、现场可编程门阵列(Field ProgrammableGate Array,FPGA)、可编程逻辑器件(Programmable Logic Device,PLD)、控制器、微控制器单元、精简指令集计算机(Reduced Instruction-Set Computer,RISC)、微处理器等或其任意组合。
网络模块120可以促进信息和/或数据的交换。在一些实施例中,网络模块120可以是任何类型的有线或无线网络或其组合。仅作为示例,网络模块120可以包括缆线网络、有线网络、光纤网络、电信网络、内部网络、互联网、局域网络(Local Area Network,LAN)、广域网(Wide Area Network,WAN)、无线局域网络(Wireless Local Area Network,WLAN)、城域网(Metropolitan Area Network,MAN)、公用电话交换网(Public Telephone SwitchedNetwork,PSTN)、蓝牙网络、无线个域网络、近场通讯(Near Field Communication,NFC)网络等或上述举例的任意组合。在一些实施例中,网络模块120可以包括至少一个网络接入点。例如,网络模块120可以包括有线或无线网路接入点,如基站和/或网路接入点。
存储器130可以是,但不限于,随机存取存储器(Random Access Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-OnlyMemory,PROM),可擦除只读存储器(Erasable Programmable Read-Only Memory,EPROM),电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory,EEPROM)等。其中,存储器130用于存储程序,所述处理引擎110在接收到执行指令后,执行所述程序。
可以理解,图2所示的结构仅为示意,云计算系统100还可包括比图2中所示更多或者更少的组件,或者具有与图2所示不同的配置。图2中所示的各组件可以采用硬件、软件或其组合实现。
图3是根据本发明的一些实施例所示的一种示例性基于云计算和区块链金融的业务推荐方法和/或过程的流程图,基于云计算和区块链金融的业务推荐方法应用于图1中的云计算系统100,具体可以包括以下步骤S21-步骤S24所描述的内容。
步骤S21,当检测到有业务请求终端发出业务询问请求时,获取本地业务终端队列和异地业务终端队列,其中,所述本地业务终端队列和所述异地业务终端队列均包括目标业务响应终端和目标业务请求终端。例如,业务询问请求可以是对应的二手商品购买需求。本地业务终端队列可以理解为:在设定时段内,历史交易行为对应的发生地位于本地区域的业务终端组成的队列。异地业务终端队列可以理解为:在设定时段内,历史交易行为对应的发生地位于其他区域的业务终端组成的队列。设定时段的长短、本地区域、其他区域的划分可以根据实际的交易情况进行灵活设置,在此不作更多限定。目标业务响应终端可以是商品卖方终端,目标业务请求终端可以是商品买房终端。
步骤S22,依据所述本地业务终端队列生成第一业务终端画像集,并对所述第一业务终端画像集进行业务终端画像配对,以得到第一业务终端画像配对结果,其中,所述第一业务终端画像配对结果包括所述本地业务终端队列中的目标业务请求终端画像和目标业务响应终端画像。例如,业务终端画像用于对不同的业务终端进行标记,画像是一个常见的技术术语,可以参照相关专利或者现有技术进行了解,在此不作赘述。
步骤S23,依据所述异地业务终端队列生成第二业务终端画像集,并对所述第二业务终端画像集进行业务终端画像配对,以得到第二业务终端画像配对结果,其中,所述第二业务终端画像配对结果包括所述异地业务终端队列中的目标业务请求终端画像和目标业务响应终端画像。
步骤S24,对所述第一业务终端画像配对结果和所述第二业务终端画像配对结果进行配对结果分析,得到目标业务响应终端和目标业务请求终端的目标业务匹配结果;将所述目标业务匹配结果与业务询问请求进行相关性分析,并在所述目标业务匹配结果满足预设相关性条件时,判定所述目标业务请求终端匹配所述目标业务响应终端;根据所述业务询问请求向所述目标业务请求终端推荐所述目标业务响应终端的商品交易信息。例如,第一业务终端画像配对结果主要针对本地交易业务,第二业务终端画像配对结果主要针对异地交易业务,而将这两个配对结果进行分析,能够从本地交易和异地交易两个层面实现目标业务请求终端和目标业务响应终端之间的交易业务匹配,这样能够尽可能减少买卖双方在交易业务匹配过程中的耗时。商品交易信息可以理解为目标业务响应终端的商品售卖信息以及目标业务响应终端的相关降价信息和售后服务信息等。
在实施上述步骤S21-步骤S24的内容时,能够在检测到业务询问请求时,从本地交易和异地交易两个层面对不同的业务终端进行画像处理,从而确定本地业务终端队列以及本地业务终端队列各自对应的业务终端画像集,进而对不同的业务终端画像配对结果进行分析,以确定出目标业务响应终端和目标业务请求终端的目标业务匹配结果。如此,能够从本地交易和异地交易两个层面实现目标业务请求终端和目标业务响应终端之间的交易业务匹配,这样能够尽可能减少买卖双方在交易业务匹配过程中的耗时。这样,能够基于目标业务匹配结果实现对目标业务请求终端的商品交易信息推送,以实现智能化和针对性的商品交易信息推送,无需目标业务请求终端逐一去查找合适的商品交易信息,这样进而减少目标业务请求终端针对商品交易信息的查询耗时。由于商品交易信息是云计算系统主动推送的,因而无需目标业务请求终端在云计算系统上进行大量的查询筛选操作,从而减少云计算系统的运行负荷,避免引发云计算系统的瘫痪。
接下来将对一些可选实施例进行说明,这些实施例应当理解为示例,不应理解为实现本方案所必不可少的技术特征。
对于一些可能的实施例,步骤S22中,依据所述本地业务终端队列生成第一业务终端画像集,并对所述第一业务终端画像集进行业务终端画像配对,以得到第一业务终端画像配对结果的步骤,可以包括以下步骤S221-步骤S224。
步骤S221,按照画像处理指示对所述本地业务终端队列进行处理,得到第一业务终端画像集。例如,画像处理指示可以预先设定,在此不作限定。关于画像处理指示的相关算法已有比较成熟的技术,可以参阅相关的专利或者文献,本方案不在展开叙述。
步骤S222,对所述第一业务终端画像集进行终端画像标定,得到所述第一业务终端画像集对应的第一目标终端对,其中,所述第一目标终端对包括目标业务请求终端和目标业务响应终端。例如,终端画像标定可以理解为目标业务请求终端和目标业务响应终端之间的配对。
步骤S223,获取所述第一目标终端对在所述第一业务终端画像集中的画像配对率,得到第一初始画像配对结果。例如,画像配对率可以用于预测交易成功率,画像配对率越高,交易成功率越大。
步骤S224,依据所述画像处理指示将所述第一初始画像配对结果映射到所述本地业务终端队列中,得到第一业务终端画像配对结果。
如此设计,基于上述步骤S221-步骤S224,能够依据画像处理指示实现对第一业务终端画像集的确定以及终端画像标定,从而考虑画像配对率,以确保第一业务终端画像配对结果与本地业务终端队列的高相关性。
在上述基础上,画像处理指示包括买方画像处理指示和卖方画像处理指示,所述本地业务终端队列包括常住地终端子队列,其中,常住地可以理解为在长时间内没有存在异地交易情况,基于此,步骤S221所描述的按照画像处理指示对所述本地业务终端队列进行处理,得到第一业务终端画像集的步骤,可以包括步骤S2211-步骤S2214。
步骤S2211,将所述本地业务终端队列按照买方画像处理指示进行画像处理,得到第一画像处理结果。
步骤S2212,将所述本地业务终端队列按照卖方画像处理指示进行画像处理,得到第二画像处理结果。
步骤S2213,依据所述常住地终端子队列和所述第一画像处理结果对所述第二画像处理结果进行画像分组,得到多个画像分组。
步骤S2214,筛选出所述多个画像分组中包含所述常住地终端子队列的至少一个目标画像分组,并将所述至少一个目标画像分组与所述第一画像处理结果进行画像整合,得到第一业务终端画像集。
这样一来,通过上述步骤S2211-步骤S2214,能够将常住地终端子队列考虑在内,从而实现对不同画像处理结果的分组,进而确保第一业务终端画像集能够完整、准确地反应本地交易的相关画像信息,为后续进行业务匹配提供可信度较高的决策依据。
在上述基础上,所述第一初始画像配对结果包括第一业务终端画像集中的目标业务请求终端画像和目标业务响应终端画像,基于此,步骤S224所描述的依据所述画像处理指示将所述第一初始画像配对结果映射到所述本地业务终端队列中,得到第一业务终端画像配对结果的步骤,可以包括以下步骤S2241和步骤S2242。
步骤S2241,依据所述第一业务终端画像集中的目标业务请求终端画像和所述买方画像处理指示,得到本地业务终端队列中的目标业务请求终端画像。
步骤S2242,依据所述第一业务终端画像集中的目标业务响应终端画像和所述卖方画像处理指示,得到本地业务终端队列中的目标业务响应终端画像,目标业务请求终端画像和目标业务响应终端画像构成第一业务终端画像配对结果。
可以理解,步骤S23的实现方式与步骤S22的实现方式类似,在此不作更多说明。
进一步地,所述目标业务匹配结果包括目标业务请求终端与目标业务响应终端之间的地理位置距离、目标业务响应终端的商品交易记录及目标业务请求终端的商品交易记录,基于此,步骤S24所描述的对所述第一业务终端画像配对结果和所述第二业务终端画像配对结果进行配对结果分析,得到目标业务响应终端和目标业务请求终端的目标业务匹配结果的步骤,可以包括以下步骤S2411-步骤S2413所描述的内容。
步骤S2411,对所述异地业务终端队列中的目标业务请求终端画像和目标业务响应终端画像进行配对结果分析,得到目标业务请求终端与目标业务响应终端之间的地理位置距离。
步骤S2412,对所述本地业务终端队列中的目标业务响应终端画像和所述异地业务终端队列中的目标业务响应终端画像进行配对结果分析,得到目标业务响应终端的商品交易记录。
步骤S2413,对所述本地业务终端队列中的目标业务请求终端画像和所述异地业务终端队列中的目标业务请求终端画像进行配对结果分析,得到目标业务请求终端的商品交易记录。
这样,能够基于上述步骤S2411-步骤S2413,将目标业务请求终端与目标业务响应终端之间的地理位置距离、目标业务响应终端的商品交易记录及目标业务请求终端的商品交易记录考虑在内,从而确保目标业务匹配结果能够从多个方面反应目标业务响应终端和目标业务请求终端的匹配情况,从而为后续的商品交易信息的推送提供全面的判定依据。
对于一些可能的实施例而言,步骤S24所描述的在所述目标业务匹配结果满足预设相关性条件时,判定所述目标业务请求终端匹配所述目标业务响应终端的步骤,包括步骤S2420:当目标业务请求终端与目标业务响应终端之间的地理位置距离小于预设地理位置距离、且目标业务响应终端的商品交易记录与目标业务请求终端的商品交易记录之间满足预设相关性条件时,判定所述目标业务请求终端匹配所述目标业务响应终端。如此一来,能够基于上述步骤S2420,能够基于不同业务终端之间的地理位置距离以及商品交易记录实现业务相关性的判断,从而确保目标业务请求终端与目标业务响应终端之间的匹配能够尽可能地符合实际交易情况。
对于进一步的实施例而言,对于步骤S2420而言,目标业务响应终端的商品交易记录与目标业务请求终端的商品交易记录之间满足预设相关性条件的判断方式,可以包括步骤S2421-步骤S2426。
步骤S2421,按照商品交易时段的先后顺序将目标业务响应终端的商品交易记录与目标业务请求终端的商品交易记录进行合并,得到待处理商品交易记录。
步骤S2422,通过预先统计的商品交易评价信息获取待处理商品交易记录中的各个商品交易事项在商品交易协商周期的各个交易信息调整事项中对应的调整事项信息集合,其中每个商品交易事项相对于每个所述交易信息调整事项而言对应一个调整事项信息集合。例如,商品交易评价信息可以是买卖双方各自作出的交易评价,商品交易协商周期可以是买卖双方进行磋商的时段。交易信息调整事项可以是针对交易条款进行修改的事项。
步骤S2423,根据所述调整事项信息集合确定所述商品交易事项在各所述交易信息调整事项中的实时商品交易需求信息,或者根据所述调整事项信息集合以及所述商品交易事项的历史商品交易需求信息确定所述商品交易事项在各所述交易信息调整事项中的实时商品交易需求信息,所述历史商品交易需求信息为所述商品交易事项在最近一次协商后的实时商品交易需求信息。例如,协商可以理解为买卖双方通过业务终端进行信息交流。
步骤S2424,根据所述商品交易事项在各所述交易信息调整事项中的实时商品交易需求信息以及所述历史商品交易需求信息确定所述商品交易事项在各所述交易信息调整事项中的交易需求变化信息,并将所述商品交易事项在各所述交易信息调整事项中的交易需求变化信息通过时序特征处理得到各所述交易信息调整事项的调整事项时序特征,而后根据所述商品交易事项在各所述交易信息调整事项中的交易需求变化信息以及对应的各所述交易信息调整事项的调整事项时序特征确定所述商品交易事项在当前商品交易状态中的交易需求变化信息,其中所述调整事项时序特征为所述商品交易事项在所述交易信息调整事项中的交易需求变化信息与所述商品交易事项在所有交易信息调整事项中的交易需求变化信息的交易需求变化记录的动态时序特征。
步骤S2425,根据各所述商品交易事项在所述当前商品交易状态中的交易需求变化信息确定所述待处理商品交易记录的交易需求变化信息,并根据所述待处理商品交易记录的交易需求变化信息确定所述当前商品交易状态对应的商品交易相关度。例如,商品交易相关度用于表征当前商品交易状态的匹配程度,商品交易相关度越大,当前商品交易状态的匹配程度越高。
步骤S2426,判断所述商品交易相关度是否达到预设的相关度阈值;在所述商品交易相关度达到所述预设的相关度阈值的前提下,确定目标业务响应终端的商品交易记录与目标业务请求终端的商品交易记录之间满足预设相关性条件。例如,相关度阈值可以根据实际情况进行设置,在此不作限定。
可以理解,基于上述步骤S2421-步骤S2426,不仅能够考虑商品交易事项,还能够考虑业务修改事项,从而全方位地考虑商品交易的整体情况,这样能够结合不同的交易需求变化信息确定当前商品交易状态对应的商品交易相关度。如此,在判定目标业务响应终端的商品交易记录与目标业务请求终端的商品交易记录之间的相关性时,能够确保判定结果与实际的业务交易情况相匹配,并充分考虑买卖双方的交易意愿和交易习惯,尽可能地提高匹配之后的交易处理速率,从而减少目标业务请求终端和目标业务响应终端之间的交易处理耗时。
进一步地,在步骤S2422中,通过预先统计的商品交易评价信息获取待处理商品交易记录中的各个商品交易事项在商品交易协商周期的各个交易信息调整事项中对应的调整事项信息集合,具体包括步骤S2422a-步骤S2422c。
步骤S2422a,将所述待处理商品交易记录的商品交易类型对应的实时商品交易需求信息作为待处理商品交易记录的交易事项分析指标。
步骤S2422b,根据所述待处理商品交易记录的交易事项分析指标确定预先统计的商品交易评价信息的已完成事项的分析指标。
步骤S2422c,利用所述预先统计的商品交易评价信息依次对各所述交易信息调整事项中预先统计的商品交易评价信息的已完成事项的分析指标对应的商品交易事项进行交易事项解析,以获取所述调整事项信息集合,所述调整事项信息集合与所述商品交易事项的事项标签相对应。
进一步地,在步骤S2423中,所述根据所述调整事项信息集合以及所述商品交易事项的历史商品交易需求信息确定所述商品交易事项在各所述交易信息调整事项中的实时商品交易需求信息,具体包括步骤S2423a-步骤S2423d。
步骤S2423a,分别确定各调整事项信息的交易事项调整数据所对应的匹配所述调整事项信息集合的调整事项信息的数量,所述交易事项调整数据与所述商品交易事项的商品交易类型的商品交易需求标签一致。
步骤S2423b,根据所述调整事项信息集合中各调整事项信息的调整事项信息特征以及所述调整事项信息的交易事项调整数据所对应的匹配所述调整事项信息集合的调整事项信息的数量确定所述商品交易事项对应的实时商品交易需求信息的交易需求特征。
步骤S2423c,若根据所述交易需求特征生成的商品交易事项对应的初始商品交易需求信息与所述历史商品交易需求信息存在重叠商品交易需求,根据所述重叠商品交易需求的交易需求特征确定所述商品交易事项在各所述交易信息调整事项中的实时商品交易需求信息。
步骤S2423d,若根据所述交易需求特征生成的商品交易事项对应的初始商品交易需求信息与所述历史商品交易需求信息不存在重叠商品交易需求,将所述历史商品交易需求信息作为所述商品交易事项在各所述交易信息调整事项中的实时商品交易需求信息。
如此,基于上述步骤S2423a-步骤S2423d,能够确保商品交易事项在各交易信息调整事项中的实时商品交易需求信息与实际交易情况之间的动态匹配,避免实时商品交易需求信息出现滞后或者偏差。
另外的实施例中,步骤S2423所描述的根据所述调整事项信息集合确定所述商品交易事项在各所述交易信息调整事项中的实时商品交易需求信息,还可以选择性地包括:分别确定各调整事项信息的交易事项调整数据所对应的匹配所述调整事项信息集合的调整事项信息的数量,所述交易事项调整数据与所述商品交易事项的商品交易类型的商品交易需求标签一致;根据所述调整事项信息集合中各调整事项信息的调整事项信息特征以及所述调整事项信息的交易事项调整数据所对应的匹配所述调整事项信息集合的调整事项信息的数量确定所述商品交易事项对应的实时商品交易需求信息的交易需求特征;根据所述交易需求特征确定所述商品交易事项在各所述交易信息调整事项中的实时商品交易需求信息。
在进一步的一个实施例中,步骤S2424所描述的根据所述商品交易事项在各所述交易信息调整事项中的交易需求变化信息以及对应的各所述交易信息调整事项的调整事项时序特征确定所述商品交易事项在当前商品交易状态中的交易需求变化信息,具体为:将所述商品交易事项相对于各所述交易信息调整事项的交易需求变化信息以及对应的各所述交易信息调整事项的调整事项时序特征的交易需求匹配结果作为所述商品交易事项在当前商品交易状态中的交易需求变化信息。
在进一步的一个实施例中,步骤S2425所描述的所述根据各所述商品交易事项在所述当前商品交易状态中的交易需求变化信息确定所述待处理商品交易记录的交易需求变化信息,具体为以下步骤S24251和步骤S24252所进一步描述的内容。
步骤S24251,将所述当前商品交易状态的各待处理商品交易记录中各所述商品交易事项的交易需求变化信息进行时序特征处理,得到各所述商品交易事项的交易事项时序特征,所述交易事项时序特征为所述商品交易事项的交易需求变化信息与所述待处理商品交易记录中所有商品交易事项的交易需求变化信息的交易需求变化记录的动态时序特征。
步骤S24252,将各所述商品交易事项的交易需求变化信息以及对应的各所述商品交易事项的交易事项时序特征的交易需求匹配结果作为所述待处理商品交易记录的交易需求变化信息。
对于一些可能的实施例而言,步骤S24所描述的根据所述业务询问请求向所述目标业务请求终端推荐所述目标业务响应终端的商品交易信息,可以包括:根据所述业务询问请求确定所述目标业务响应终端的直接商品交易类别以及关联商品交易类别;通过所述直接商品交易类别以及所述关联商品交易类别确定与所述业务询问请求中的询问需求信息相匹配的待推送商品类别;基于所述待推送商品类别以及所述目标业务响应终端的目标业务响应终端画像生成所述商品交易信息,并将所述商品交易信息推送给所述目标业务请求终端。例如,直接商品交易类别以及关联商品交易类别可以针对性地扩大业务询问请求的交易需求覆盖面,从而确保推送给目标业务请求终端的商品交易信息尽可能与目标业务请求终端的购买需求相匹配。
在上述步骤S21-步骤S24的基础上,云计算系统还可以与其他服务商平台进行通信,从而基于目标业务请求终端的二手商品购买行为向其他服务商平台提供目标业务请求终端的用户画像信息,以便于服务商平台直接向目标业务请求终端推送对应的产品或者服务。为此,还可以包括以下步骤S25所描述的内容。
步骤S25,在接收到所述目标业务请求终端基于所述商品交易信息反馈的推荐确认信息以及所述目标业务请求终端基于所述商品交易信息反馈的商品交易完成信息时,对所述目标业务请求终端进行用户画像分析,得到得到用户画像分析结果。如此,云计算系统可以将得到的用户画像分析结果发送给其他服务商平台,以便于服务商平台直接向目标业务请求终端推送对应的产品或者服务。当然,用户画像分析是预先经过目标业务请求终端授权的。
基于此,对于一些可替换的实施例,步骤S25所描述的内容,具体可以包括以下步骤S31-步骤S35。
步骤S31,获取针对目标业务请求终端的业务数据分析指令。例如,目标业务请求终端可以是智能设备,包括但不限于智能手机、各类电脑产品以及车载通信设备等。业务数据分析指令可以是与云计算系统通信的服务商平台发起的。当然,该业务数据分析指令仅针对目标业务请求终端的非隐私性交互业务,例如经过目标业务请求终端授权的视频观看业务、在线购物业务、在线论坛业务或政企服务业务等。
步骤S32,当基于所述业务数据分析指令确定所述目标业务请求终端处于业务数据交互状态时,基于所述业务数据分析指令确定用户数据分析策略。例如,业务数据交互状态可以用于表征目标业务请求终端处于业务交互在线状态或者业务交互活跃状态。不同的业务场景下,业务数据交互状态可以不同,在视频观看业务场景下,业务数据交互状态可以是用户进行弹幕输入状态,对于在线购物业务而言,业务数据交互状态可以是用户进行商品查找的浏览状态或者商品购买的点击状态。用户数据分析策略用于提供对用户数据进行分析的指导性意见。进一步地,可以通过业务数据分析指令中携带的业务数据分析需求来制定用户数据分析策略,业务数据分析需求可以包括针对不同类型的用户画像的获取需求,在此不作一一赘述。
步骤S33,获取与业务交互时段相关的业务交互对象和业务交互类型数据,基于所述与业务交互时段相关的业务交互对象得到目标业务交互对象数据。例如,业务交互时段可以是与业务数据交互状态对应的时段,例如用户进行弹幕输入的时段,或者用户进行商品查找的浏览状态的时段,在此不作限定。业务交互对象可以是与目标业务请求终端存在业务交互的其他终端。业务交互类型数据用于表征不同的业务交互类型,如上述提到的视频弹幕交互、购物交互等。目标业务交互对象数据用于记录业务交互对象的相关特征信息。
步骤S34,基于所述用户数据分析策略的分析策略指示信息、所述业务交互类型数据及所述目标业务交互对象数据确定用户数据采集策略。例如,分析策略指示信息可以包含针对不同用户数据的数据分析逻辑算法或者逻辑编程语句,关于底层的逻辑算法以及逻辑编程语句在此不再进行进一步说明。用户数据采集策略用于指导云计算系统进行针对性的用户数据采集,进一步如指导云计算系统对哪些类型的用户数据进行采集,对哪些类型的用户数据进行过滤或者丢弃,如此一来,能够在进行用户画像分析之前,预先对用户数据进行针对性采集,避免引入过多的无用数据而增加用户数据的噪声比例。
步骤S35,通过所述用户数据采集策略从所述目标业务请求终端中采集待处理用户数据,并基于所述用户数据分析策略对所述待处理用户数据进行用户画像分析,得到用户画像分析结果。例如,待处理用户数据基本都是具有分析价值和挖掘价值的数据,这样一来,在进行用户画像分析时,能够针对性地对待处理用户数据进行分析,不仅可以提高用户画像的分析速率,还可以提高用户画像的分析精度,从而提升用户数据的处理效率。
综上步骤S31-步骤S35所述,本方案在进行用户画像分析之前,会基于业务数据分析指令确定用户数据分析策略,然后与业务交互时段相关的业务交互对象和业务交互类型数据,这样可以确定出用户数据采集策略。如此,云计算系统能够基于用户数据采集策略对目标业务请求终端的用户数据进行针对性采集,从而过滤掉一些无用的数据,这样一来,在进行用户画像分析时,能够直接对具有数据分析和挖掘价值的待处理用户数据进行分析,不仅可以提高用户画像的分析速率,还可以提高用户画像的分析精度,从而提升用户数据的处理效率。可以理解,上述方法能够将用户数据分析策略以及用户数据采集策略进行结合,从而提高用户画像分析的智能化程度。
接下来将对一些可选实施例进行说明,这些实施例应当理解为示例,不应理解为实现本方案所必不可少的技术特征。
可以理解,在可能的实施例中,为了确保目标业务交互对象数据的实时性,从而提高用户画像分析的时效性,避免用户画像分析出现滞后,步骤S33中,基于所述与业务交互时段相关的业务交互对象得到目标业务交互对象数据,可以包括以下步骤S331和步骤S332。
步骤S331,对所述与业务交互时段相关的业务交互对象进行业务交互行为检测,得到业务交互行为所对应的实时业务交互对象数据及所述实时业务交互对象数据的交互对象变化数据。例如,业务交互行为检测可以通过预先设置的检测线程实现,检测线程的相关配置为现有技术,在此不作更多说明。
步骤S332,将所述业务交互行为所对应的实时业务交互对象数据及所述实时业务交互对象数据的交互对象变化数据作为目标业务交互对象数据。
如此设计,基于上述步骤S331和步骤S332,能够基于预设的检测线程实现对实时业务交互对象数据及所述实时业务交互对象数据的交互对象变化数据的确定,这样可以确保目标业务交互对象数据的实时性,从而提高用户画像分析的时效性,避免用户画像分析出现滞后。
在一个更为进一步的实施例中,步骤S34所描述的基于所述用户数据分析策略的分析策略指示信息、所述业务交互类型数据及所述目标业务交互对象数据确定用户数据采集策略,可以通过以下步骤S340实现。
步骤S340,将所述用户数据分析策略的分析策略指示信息、所述业务交互类型数据及所述目标业务交互对象数据发送至预设的采集策略生成模型,在预设的采集策略生成模型中基于所述用户数据分析策略的分析策略指示信息、所述业务交互类型数据及所述目标业务交互对象数据确定用户数据采集策略。例如,预设的采集策略生成模型可以是预先搭建的算法模型,该模型的训练样本和测试样本可以根据之前的用户画像分析记录得到,在此不作赘述。如此设计,能够基于采集策略生成模型对用户数据采集策略进行确定,从而确保用户数据采集策略与实际用户行为相匹配。
可以理解的时,在步骤S340的基础上,在预设的采集策略生成模型中基于所述用户数据分析策略的分析策略指示信息、所述业务交互类型数据及所述目标业务交互对象数据确定用户数据采集策略,进一步包括以下步骤S341-步骤S344所描述的内容。其中,以下的采集策略生成模型的不同的功能单元可以理解为采集策略生成模型的不同处理层或者不同处理线程,而这些功能单元的相关功能可以通过参数调节进行适应性调整,在此也不作更多说明。
步骤S341,通过调用所述采集策略生成模型的数据整合单元,将所述业务交互类型数据及所述目标业务交互对象数据整合为采集策略匹配信息;通过调用所述采集策略生成模型的信息处理单元,生成所述分析策略指示信息对应的页面点击分析结果,生成所述采集策略匹配信息对应的用户行为模拟结果;其中,所述页面点击分析结果和所述用户行为模拟结果分别包括多个具有不同用户兴趣热度值的用户行为事件。例如,用户兴趣热度值用于表征用户行为事件中的不同点击事件之间的相关度,用户行为事件中包括多个不同点击事件。
步骤S342,提取所述分析策略指示信息在所述页面点击分析结果的任一用户行为事件的原始用户访问轨迹信息,将所述用户行为模拟结果中具有最小用户兴趣热度值的用户行为事件确定为目标用户行为事件;通过所述信息处理单元,将所述原始用户访问轨迹信息映射到所述目标用户行为事件,在所述目标用户行为事件中得到原始访问轨迹映射信息,并根据所述原始用户访问轨迹信息、所述原始访问轨迹映射信息,生成所述分析策略指示信息和所述采集策略匹配信息之间的信息关联标签集。
步骤S343,以所述原始访问轨迹映射信息为参考信息在所述目标用户行为事件中获取业务交互描述信息,根据所述信息关联标签集对应的标签分组结果,将所述业务交互描述信息映射到所述原始用户访问轨迹信息所在用户行为事件,在所述原始用户访问轨迹信息所在用户行为事件中得到所述业务交互描述信息对应的待处理策略匹配信息,确定与所述待处理策略匹配信息对应的目标用户访问轨迹信息。
步骤S344,获取所述原始用户访问轨迹信息映射到所述目标用户行为事件中的信息映射记录;根据所述待处理策略匹配信息与所述信息映射记录上的多个待匹配事件记录对应的历史策略匹配信息之间的信息关联度,在所述用户行为模拟结果中依次获取所述目标用户访问轨迹信息对应的目标点击事件,直至获取到的所述目标点击事件所在用户行为事件的影响权重与所述目标用户访问轨迹信息在所述页面点击分析结果中的影响权重一致时,停止获取下一用户行为事件中的目标点击事件,并建立所述目标用户访问轨迹信息与最后一次获取到的目标点击事件之间的数据处理关联关系;根据所述数据处理关联关系,调用所述采集策略生成模型的策略生成单元对所述采集策略匹配信息进行信息特征提取,并根据信息特征提取结果生成所述用户数据采集策略。例如,数据处理关联关系可以用于记录分析策略指示信息和采集策略匹配信息之间的对应关系,从而实现用户数据分析策略和用户数据采集策略的深度融合。
这样一来,通过上述步骤S341-步骤S344,能够通过调用采集策略生成模型的不同功能单元实现对分析策略指示信息、业务交互类型数据及目标业务交互对象数据的关联分析,这样能够考虑用户数据分析策略和用户数据采集策略之间的互相关联性,从而确保通过用户数据采集策略采集得到的待处理用户数据能够与用户数据分析策略进行高度匹配,这样可以精准、实时地得到用户画像分析结果。
在上述内容的基础上,为了实现对用户数据的针对性采集以尽可能地减少或者剔除噪声数据,步骤S35所描述的通过所述用户数据采集策略从所述目标业务请求终端中采集待处理用户数据,进一步可以包括3511-步骤S3516所描述的内容。
步骤S3511,根据所述用户数据采集策略中的数据采集指示信息确定用户数据类别集合,其中,所述用户数据类别集合包括n个用户数据类别,每个用户数据类别具有m个数据类别标签,所述n为大于1的整数,所述m为大于1的整数。例如,数据采集指示信息用于指导所需要采集的用户数据是哪些,用户数据类别可以理解为一级标签,数据类别标签可以理解为二级标签。
步骤S3512,根据所述用户数据类别集合生成热度数据类别集合,其中,所述热度数据类别集合包括n个热度数据类别,每个热度数据类别为对用户数据类别进行筛分后得到的,且所述每个热度数据类别具有m个热度数据类别标签。例如,热度数据类别用于表征较为热门的数据类别,也就是那些具有潜在价值的用户数据对应的类别。
步骤S3513,针对于目标热度数据类别标签,根据所述热度数据类别集合确定类别标签选用率,其中,所述目标热度数据类别标签属于所述m个热度数据类别标签中的任意一个热度数据类别标签。顾名思义,类别标签选用率用于表征类别标签被选中的概率。
步骤S3514,针对于所述目标热度数据类别标签,若满足数据热度评价条件,则将所述类别标签选用率对应的所述目标热度数据类别标签作为待筛选类别标签。例如,数据热度评价条件可以根据实际需求进行设计,在此不作限定。
步骤S3515,重复上述确定所述待筛选类别标签的步骤,直至完成对所述m个热度数据标签的处理。
步骤S3516,判断确定出的待筛选类别标签的数量是否超过预设数量;在确定出的待筛选类别标签的数量未超过所述预设数量的前提下,根据所述待筛选类别标签从所述目标业务请求终端中采集与所述待筛选类别标签对应的待处理用户数据;在确定出的待筛选类别标签的数量超过所述预设数量的前提下,将确定出的待筛选类别标签按照类别标签选用率的由大到小的顺序进行排序,并选取排序考前的所述预设数量个待筛选类别标签作为待使用类别标签,根据所述待使用类别标签从所述目标业务请求终端中采集与所述待使用类别标签对应的待处理用户数据。例如,预设数据量可以根据实际情况进行调整,在此不作限定。
可以理解,根据上述步骤S3511-步骤S3516所描述的内容,能够确定多级的类别标签,并且将热度数据考虑在内,然后分析类别标签选用率,这样能够基于选择出的待使用类别标签精准地从目标业务请求终端中采集对应的待处理用户数据,确保待处理用户数据是具有潜在的挖掘和分析价值的,尽可能避免引入过多的噪声数据。
对于一些可以考虑选择的实施例而言,步骤S35所描述的基于所述用户数据分析策略对所述待处理用户数据进行用户画像分析,得到用户画像分析结果,进一步可以包括步骤S3521-步骤S3524。
步骤S3521,根据所述用户数据分析策略中包括用户画像分析指标以及所述待处理用户数据,获取用于进行用户画像特征比较的各用户行为数据特征的数据特征识别度及画像特征比较事项对应的全局特征描述信息的全局特征描述置信度,其中,针对任一用户行为数据特征,该用户行为数据特征的数据特征识别度为该用户行为数据特征能够匹配的局部特征描述信息的局部特征描述置信度。例如,用户画像分析指标用于指示用户画像分析的方向和侧重点。用户行为数据特征可以以特征向量或者其他形式进行表示,在此不作限定。特征描述可以理解为对特征进行的可视化描述,本领域技术人员在本申请所提供的内容的基础上结合现有的专利文献或者论坛,能够合理地推导出前后文的相关技术术语的含义,在此不作更多说明。
步骤S3522,根据各所述用户行为数据特征的数据特征识别度及所述全局特征描述置信度,为各所述用户行为数据特征分配局部特征描述信息,其中,各所述用户行为数据特征分别分配所述全局特征描述信息的部分局部特征描述信息,且各所述用户行为数据特征分配的局部特征描述信息的信息集合包括所述全局特征描述信息。
步骤S3523,根据为各所述用户行为数据特征分配的局部特征描述信息,分别生成各所述用户行为数据特征对应的数据特征匹配指示,其中,针对任一用户行为数据特征,该用户行为数据特征对应的数据特征匹配指示表示分配给该用户行为数据特征的局部特征描述信息。
步骤S3524,分别执行各所述用户行为数据特征对应的数据特征匹配指示,以实现为各所述用户行为数据特征分别匹配自身所分配的局部特征描述信息,并基于各所述用户行为数据特征分别将参考画像分析结果的画像分析描述信息与各所述用户行为数据特征自身匹配的局部特征描述信息进行比对,得到所述目标业务请求终端的用户画像分析结果。例如,参考画像分析结果是预先配置的,可以根据实际需求进行灵活配置,在此不作更多说明。
这样一来,通过上述步骤S3521-步骤S3524,能够对用户行为数据特征进行全局性和局部性的分析,从而考虑用户画像在全局层面和局部层面的差异性以及关联性,这样确定出的用户画像分析结果能够从实际层面反应用户的实际画像情况。
更进一步地,步骤S3522中,所述根据各所述用户行为数据特征的数据特征识别度及所述全局特征描述置信度,为各所述用户行为数据特征分配局部特征描述信息,可以包括以下步骤S35221和步骤S35222。
步骤S35221,获取各所述用户行为数据特征的用户点击频率,其中,所述用户点击频率表示用户行为数据特征的点击事件关联度。
步骤S35222,基于所述全局特征描述置信度、各所述用户行为数据特征的用户点击频率及各所述用户行为数据特征的数据特征识别度,为各所述用户行为数据特征分配局部特征描述信息,其中,针对任一用户行为数据特征,该用户行为数据特征分配的局部特征描述信息的局部特征识别度与该用户行为数据特征的用户点击频率正相关,且该用户行为数据特征分配的局部特征描述信息的局部特征识别度不大于该用户行为数据特征的数据特征识别度。
在上述步骤S35222的基础上,所述基于所述全局特征描述置信度、各所述用户行为数据特征的用户点击频率及各所述用户行为数据特征的数据特征识别度,为各所述用户行为数据特征分配局部特征描述信息,示例性地可以包括以下步骤a-步骤d。
步骤a,计算各未分配的用户行为数据特征的用户点击频率的页面点击频率均值,并计算各未分配的用户行为数据特征的用户点击频率与所述页面点击频率均值的比值,分别得到各未分配的用户行为数据特征的点击事件关联度的有效点击事件占比,其中,所述未分配的用户行为数据特征为尚未分配局部特征描述信息的用户行为数据特征。
步骤b,根据各未分配的用户行为数据特征的点击事件关联度的有效点击事件占比及所述全局特征描述置信度,分别得到各未分配的用户行为数据特征的待分配局部特征识别度,其中,针对任一未分配的用户行为数据特征,该未分配的用户行为数据特征的待分配局部特征识别度与该未分配的用户行为数据特征的点击事件关联度的有效点击事件占比正相关。
步骤c,若各未分配的用户行为数据特征的待分配局部特征识别度均不大于自身的数据特征识别度,针对任一未分配的用户行为数据特征,在所述全局特征描述信息的未分配的局部特征描述信息中,选取该未分配的用户行为数据特征自身待分配局部特征识别度大小的局部特征描述信息,分配给该未分配的用户行为数据特征,其中,各所述用户行为数据特征分配的局部特征描述信息不存在信息交集。
步骤d,若存在目标用户行为数据特征,针对任一目标用户行为数据特征,在所述全局特征描述信息的未分配的局部特征描述信息中,选取与该目标用户行为数据特征的数据特征识别度大小匹配的局部特征描述信息,分配给该目标用户行为数据特征,将所述全局特征描述置信度的大小更新为当前全局特征描述信息中未分配的局部特征描述信息的局部特征识别度大小,返回上述步骤计算各未分配的用户行为数据特征的用户点击频率的页面点击频率均值,并计算各未分配的用户行为数据特征的用户点击频率与所述页面点击频率均值的比值,分别得到各未分配的用户行为数据特征的点击事件关联度的有效点击事件占比继续执行,其中,所述目标用户行为数据特征为待分配局部特征识别度大于自身的数据特征识别度的未分配局部特征描述信息的用户行为数据特征。
如此设计,基于上述步骤a-步骤d,能够在为各用户行为数据特征分配局部特征描述信息时,充分考虑用户点击频率的页面点击频率均值以及各未分配的用户行为数据特征的点击事件关联度的有效点击事件占比,以上用户点击频率、点击事件关联度以及对应的有效点击事件占比能够从数值层面上反应各用户行为数据特征之间的关联关系以及对应的局部特征描述信息之间的关联关系,这样能够确保分配得到的局部特征描述信息之间不会存在较多的误差和缺失。
在另外的实施例中,除了实施上述步骤a-步骤d,还可以选择性地实施以下实施例:一个所述用户行为数据特征对应一个数据特征分组,同一数据特征分组中的各用户行为数据特征的用户点击频率及数据特征识别度相同。基于此,在上述步骤S35222的基础上,所述基于所述全局特征描述置信度、各所述用户行为数据特征的用户点击频率及各所述用户行为数据特征的数据特征识别度,为各所述用户行为数据特征分配局部特征描述信息,可以包括以下步骤S11-步骤S15。
步骤S11,计算各未分配的用户行为数据特征的用户点击频率的页面点击频率均值,其中,所述未分配的用户行为数据特征为尚未分配局部特征描述信息的用户行为数据特征。
步骤S12,针对任一未分配数据特征分组,计算该数据特征分组中单个用户行为数据特征的用户点击频率与所述页面点击频率均值的比值,得到该数据特征分组中单个用户行为数据特征的点击事件关联度的有效点击事件占比,其中,所述未分配数据特征分组为尚未分配局部特征描述信息的用户行为数据特征所属数据特征分组。
步骤S13,针对任一未分配数据特征分组,根据该数据特征分组中单个用户行为数据特征的点击事件关联度的有效点击事件占比及所述全局特征描述置信度,得到该数据特征分组中单个用户行为数据特征的待分配局部特征识别度,其中,针对任一用户行为数据特征,该用户行为数据特征的待分配局部特征识别度与该用户行为数据特征的点击事件关联度的有效点击事件占比正相关。
步骤S14,若各未分配数据特征分组对应的待分配局部特征识别度均不大于自身数据特征分组对应的数据特征识别度,针对任一未分配局部特征描述信息的用户行为数据特征,在所述全局特征描述信息的未分配的局部特征描述信息中,选取该用户行为数据特征自身待分配局部特征识别度大小的局部特征描述信息,分配给该用户行为数据特征,其中,各所述用户行为数据特征分配的局部特征描述信息不存在信息交集。
步骤S15,若存在目标数据特征分组,针对任一目标数据特征分组,在所述全局特征描述信息的未分配的局部特征描述信息中,分别为该目标数据特征分组中的各用户行为数据特征选取该目标数据特征分组对应的数据特征识别度大小的局部特征描述信息,分配给该目标数据特征分组中的各用户行为数据特征,将所述全局特征描述置信度的大小更新为当前全局特征描述信息中未分配的局部特征描述信息的局部特征识别度大小,返回上述步骤计算各未分配的用户行为数据特征的用户点击频率的页面点击频率均值继续执行,其中,所述目标数据特征分组为对应的待分配局部特征识别度大于自身对应的数据特征识别度的未分配局部特征描述信息的数据特征分组。
可以理解,上述步骤S11-步骤S15对应的技术效果差不多与上述步骤a-步骤d类似,因此上述步骤a-步骤d以及步骤S11-步骤S15可以任意选择一种进行实施,在此不作限定。
在其他的一些可以进行替换的实施例中,步骤S3524所描述的所述基于各所述用户行为数据特征分别将参考画像分析结果的画像分析描述信息与各所述用户行为数据特征自身匹配的局部特征描述信息进行比对,得到所述目标业务请求终端的用户画像分析结果,可以包括:基于各所述用户行为数据特征,并行地将所述参考画像分析结果的画像分析描述信息与各所述用户行为数据特征自身匹配的局部特征描述信息进行比对;当基于任一所述用户行为数据特征进行比对得到比对时效性权重大于预设时效性权重阈值的目标分析结果时,结束各所述用户行为数据特征针对所述参考画像分析结果的画像分析描述信息的比对;通过比对时效性权重大于预设时效性权重阈值的目标分析结果,确定所述参考画像分析结果的画像分析描述信息的用户画像分析结果。如此,在确定用户画像分析结果时,能够充分考虑比对时效性权重对用户画像的影响,从而确保用户画像分析结果能够及时地反应用户的实际情况,从而为服务商提供及时的画像信息指导,便于服务商及时地进行相关服务产品的推送。
在其他的一些可以进行替换的实施例中,在步骤S3521所描述的所述获取用于进行用户画像特征比较的各用户行为数据特征的数据特征识别度及所述用户画像特征比较对应的全局特征描述信息的全局特征描述置信度之后,所述方法还包括:计算各所述用户行为数据特征的数据特征识别度的置信度分析结果,得到第一识别置信度;若所述第一识别置信度小于所述全局特征描述置信度,在所述全局特征描述信息中删除部分局部特征描述信息,使得删除后的所述全局特征描述信息的全局特征描述置信度不大于所述第一识别置信度。
在其他的一些可以进行替换的实施例中,所述目标业务请求终端的业务处理线程中预先配置有分析指令上报子线程。基于此,步骤S31中,所述获取针对目标业务请求终端的业务数据分析指令,包括:获取所述分析指令上报子线程上报的业务数据分析指令。在步骤S31的所述获取针对所述目标业务请求终端的业务数据分析指令之后,还包括:基于所述分析指令上报子线程上报的业务数据分析指令检测业务处理线程的线程运行标签;当检测到业务处理线程的线程运行标签的数量变化时,确定所述目标业务请求终端处于业务数据交互状态。
在其他的一些可以进行替换的实施例中,所述目标业务请求终端的业务处理线程预先配置有交互对象识别子线程。基于此,步骤S31中,所述获取针对目标业务请求终端的业务数据分析指令,包括:获取所述交互对象识别子线程采集到的所述业务处理线程的当前业务交互对象。在步骤S31的所述获取针对所述目标业务请求终端的业务数据分析指令之后,还包括:基于所述交互对象识别子线程采集到的所述业务处理线程的当前业务交互对象,获取交互对象标识集;当所述业务处理线程对应的线程运行记录中出现所述交互对象标识集的更新记录时,确定所述目标业务请求终端处于业务数据交互状态。
在其他的一些可以进行替换的实施例中,所述目标业务请求终端的业务处理线程预先配置有交互对象识别子线程。基于此,步骤S31中,所述获取针对所述目标业务请求终端的业务数据分析指令,包括:获取所述交互对象识别子线程采集到的所述目标业务请求终端的业务处理线程的当前业务交互对象。在步骤S31的所述获取针对所述目标业务请求终端的业务数据分析指令之后,还包括:在所述当前业务交互对象中检测交互状态标识;基于检测结果确定所述目标业务请求终端是否处于业务数据交互状态。
图4是根据本发明的一些实施例所示的一种示例性基于云计算和区块链金融的业务推荐装置140的框图,所述基于云计算和区块链金融的业务推荐装置140可以包括以下功能模块。
终端队列获取模块141,用于当检测到有业务请求终端发出业务询问请求时,获取本地业务终端队列和异地业务终端队列,其中,所述本地业务终端队列和所述异地业务终端队列均包括目标业务响应终端和目标业务请求终端。
第一画像配对模块142,用于依据所述本地业务终端队列生成第一业务终端画像集,并对所述第一业务终端画像集进行业务终端画像配对,以得到第一业务终端画像配对结果,其中,所述第一业务终端画像配对结果包括所述本地业务终端队列中的目标业务请求终端画像和目标业务响应终端画像。
第二画像配对模块143,用于依据所述异地业务终端队列生成第二业务终端画像集,并对所述第二业务终端画像集进行业务终端画像配对,以得到第二业务终端画像配对结果,其中,所述第二业务终端画像配对结果包括所述异地业务终端队列中的目标业务请求终端画像和目标业务响应终端画像。
商品交易推荐模块144,用于对所述第一业务终端画像配对结果和所述第二业务终端画像配对结果进行配对结果分析,得到目标业务响应终端和目标业务请求终端的目标业务匹配结果;将所述目标业务匹配结果与业务询问请求进行相关性分析,并在所述目标业务匹配结果满足预设相关性条件时,判定所述目标业务请求终端匹配所述目标业务响应终端;根据所述业务询问请求向所述目标业务请求终端推荐所述目标业务响应终端的商品交易信息。
可以理解,上述装置实施例的说明可以参照对应的方法实施例的说明。
基于上述同样的发明构思,还提供了一种系统实施例,进一步的描述如下。
一种基于云计算和区块链金融的业务推荐系统,包括互相之间通信的云计算系统和至少一个业务请求终端;其中,所述云计算系统用于:
当检测到有业务请求终端发出业务询问请求时,获取本地业务终端队列和异地业务终端队列,其中,所述本地业务终端队列和所述异地业务终端队列均包括目标业务响应终端和目标业务请求终端;
依据所述本地业务终端队列生成第一业务终端画像集,并对所述第一业务终端画像集进行业务终端画像配对,以得到第一业务终端画像配对结果,其中,所述第一业务终端画像配对结果包括所述本地业务终端队列中的目标业务请求终端画像和目标业务响应终端画像;
依据所述异地业务终端队列生成第二业务终端画像集,并对所述第二业务终端画像集进行业务终端画像配对,以得到第二业务终端画像配对结果,其中,所述第二业务终端画像配对结果包括所述异地业务终端队列中的目标业务请求终端画像和目标业务响应终端画像;
对所述第一业务终端画像配对结果和所述第二业务终端画像配对结果进行配对结果分析,得到目标业务响应终端和目标业务请求终端的目标业务匹配结果;将所述目标业务匹配结果与业务询问请求进行相关性分析,并在所述目标业务匹配结果满足预设相关性条件时,判定所述目标业务请求终端匹配所述目标业务响应终端;根据所述业务询问请求向所述目标业务请求终端推荐所述目标业务响应终端的商品交易信息。
可以理解,上述系统实施例的说明可以参照对应的方法实施例的说明。
需要理解的是,针对上述内容没有进行名词解释的技术术语,本领域技术人员可以根据上述所公开的内容进行前后推导毫无疑义地确定其所指代的含义,例如针对一些值、系数、权重、指数、因子等术语,本领域技术人员可以根据前后的逻辑关系进行推导和确定,这些数值的取值范围可以根据实际情况进行选取,例如0~1,又例如1~10,再例如50~100,在此均不作限定。
本领域技术人员可以根据上述已公开的内容毫无疑义对一些预设的、基准的、预定的、设定的以及目标的技术特征/技术术语进行确定,例如阈值、阈值区间、阈值范围等。对于一些未作解释的技术特征术语,本领域技术人员完全能够基于前后文的逻辑关系进行合理地、毫无疑义地推导,从而清楚、完整地实施上述技术方案。未作解释的技术特征术语的前缀,例如“第一”、“第二”、“上一个”、“下一个”、“前一个”、“后一个”、“当前”、“历史”、“最新”、“最佳”、“目标”、“指定”和“实时”等,可以根据前后文进行毫无疑义地推导和确定。未作解释的技术特征术语的后缀,例如“列表”、“特征”、“序列”、“集合”、“矩阵”、“单元”、“元素”、“轨迹”和“清单”等,也可以根据前后文进行毫无疑义地推导和确定。
本发明实施例公开的上述内容对于本领域技术人员而言是清楚完整的。应当理解,本领域技术人员基于上述公开的内容对未作解释的技术术语进行推导和分析的过程是基于本申请所记载的内容进行的,因此上述内容并不是对整体方案的创造性的评判。
上文已对基本概念做了描述,显然,对于本领域技术人员来说,上述详细披露仅作为示例,而并不构成对本申请的限定。虽然此处并没有明确说明,本领域技术人员可以对本申请进行各种修改、改进和修正。该类修改、改进和修正在本申请中被建议,所以该类修改、改进、修正仍属于本申请示范实施例的精神和范围。
同时,本申请使用了特定术语来描述本申请的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此,应强调并注意的是,本说明书中在不同部分两次或多次提到的“一实施例”或“一个实施例”或“一替代性实施例”并不一定是指同一实施例。此外,本申请的至少一个实施例中的某些特征、结构或特点可以进行适当的组合。
另外,本领域普通技术人员可以理解的是,本申请的各个方面可以通过若干具有可专利性的种类或情况进行说明和描述,包括任何新的和有用的工序、机器、产品或物质的组合,或对他们任何新的和有用的改进。相应地,本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可以被称为“单元”、“组件”或“系统”。此外,本申请的各方面可以表现为位于至少一个计算机可读介质中的计算机产品,所述产品包括计算机可读程序编码。
计算机可读信号介质可能包含一个内含有计算机程序编码的传播数据信号,例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式,包括电磁形式、光形式等等、或合适的组合形式。计算机可读信号介质可以是除计算机可读存储介质之外的任何计算机可读介质,该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机可读信号介质上的程序编码可以通过任何合适的介质进行传播,包括无线电、电缆、光纤缆线、RF、或类似介质、或任何上述介质的组合。
本申请各方面执行所需的计算机程序码可以用一种或多种程序语言的任意组合编写,包括面向对象程序设计,如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET,Python等,或类似的常规程序编程语言,如"C"编程语言,Visual Basic,Fortran2003,Perl,COBOL 2002,PHP,ABAP,动态编程语言如Python,Ruby和Groovy或其它编程语言。所述程式设计编码可以完全在用户计算机上执行、或作为独立的软体包在用户计算机上执行、或部分在用户计算机上执行部分在远程计算机执行、或完全在远程计算机或服务器上执行。在后种情况下,远程计算机可以通过任何网络形式与用户计算机连接,比如局域网络(LAN)或广域网(WAN),或连接至外部计算机(例如通过因特网),或在云计算环境中,或作为服务使用如软件即服务(SaaS)。
此外,除非申请专利范围中明确说明,本申请所述处理元件和序列的顺序、数位字母的使用、或其他名称的使用,并非用于限定本申请流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例,但应当理解的是,该类细节仅起到说明的目的,附加的申请专利范围并不仅限于披露的实施例,相反,申请专利范围旨在覆盖所有符合本申请实施例实质和范围的调整和等价组合。例如,虽然以上所描述的系统组件可以通过硬件装置实现,但是也可以只通过软件的解决方案得以实现,如在现有的服务器或行动装置上安装所描述的系统。
同样应当理解的是,为了简化本申请揭示的表述,从而帮助对至少一个发明实施例的理解,前文对本申请实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。但是,这种披露方法幷不意味着本申请对象所需要的特征比权利要求中提及的特征多。实际上,实施例的特征要少于上述披露的单个实施例的全部特征。
Claims (8)
1.一种基于云计算和区块链金融的业务推荐方法,其特征在于,所述方法包括:
当检测到有业务请求终端发出业务询问请求时,获取本地业务终端队列和异地业务终端队列,其中,所述本地业务终端队列和所述异地业务终端队列均包括目标业务响应终端和目标业务请求终端;
依据所述本地业务终端队列生成第一业务终端画像集,并对所述第一业务终端画像集进行业务终端画像配对,以得到第一业务终端画像配对结果;
依据所述异地业务终端队列生成第二业务终端画像集,并对所述第二业务终端画像集进行业务终端画像配对,以得到第二业务终端画像配对结果;
对所述第一业务终端画像配对结果和所述第二业务终端画像配对结果进行配对结果分析,得到目标业务响应终端和目标业务请求终端的目标业务匹配结果;将所述目标业务匹配结果与业务询问请求进行相关性分析,并在所述目标业务匹配结果满足预设相关性条件时,判定所述目标业务请求终端匹配所述目标业务响应终端;根据所述业务询问请求向所述目标业务请求终端推荐所述目标业务响应终端的商品交易信息;
所述目标业务匹配结果包括目标业务请求终端与目标业务响应终端之间的地理位置距离、目标业务响应终端的商品交易记录及目标业务请求终端的商品交易记录,所述对所述第一业务终端画像配对结果和所述第二业务终端画像配对结果进行配对结果分析,得到目标业务响应终端和目标业务请求终端的目标业务匹配结果的步骤,包括:
对所述异地业务终端队列中的目标业务请求终端画像和目标业务响应终端画像进行配对结果分析,得到目标业务请求终端与目标业务响应终端之间的地理位置距离;
对所述本地业务终端队列中的目标业务响应终端画像和所述异地业务终端队列中的目标业务响应终端画像进行配对结果分析,得到目标业务响应终端的商品交易记录;
对所述本地业务终端队列中的目标业务请求终端画像和所述异地业务终端队列中的目标业务请求终端画像进行配对结果分析,得到目标业务请求终端的商品交易记录;
其中,所述在所述目标业务匹配结果满足预设相关性条件时,判定所述目标业务请求终端匹配所述目标业务响应终端的步骤,包括:
当目标业务请求终端与目标业务响应终端之间的地理位置距离小于预设地理位置距离、且目标业务响应终端的商品交易记录与目标业务请求终端的商品交易记录之间满足预设相关性条件时,判定所述目标业务请求终端匹配所述目标业务响应终端;
目标业务响应终端的商品交易记录与目标业务请求终端的商品交易记录之间满足预设相关性条件的判断方式,包括:
按照商品交易时段的先后顺序将目标业务响应终端的商品交易记录与目标业务请求终端的商品交易记录进行合并,得到待处理商品交易记录;
通过预先统计的商品交易评价信息获取待处理商品交易记录中的各个商品交易事项在商品交易协商周期的各个交易信息调整事项中对应的调整事项信息集合,其中每个商品交易事项相对于每个所述交易信息调整事项而言对应一个调整事项信息集合;
根据所述调整事项信息集合确定所述商品交易事项在各所述交易信息调整事项中的实时商品交易需求信息,或者根据所述调整事项信息集合以及所述商品交易事项的历史商品交易需求信息确定所述商品交易事项在各所述交易信息调整事项中的实时商品交易需求信息,所述历史商品交易需求信息为所述商品交易事项在最近一次协商后的实时商品交易需求信息;
根据所述商品交易事项在各所述交易信息调整事项中的实时商品交易需求信息以及所述历史商品交易需求信息确定所述商品交易事项在各所述交易信息调整事项中的交易需求变化信息,并将所述商品交易事项在各所述交易信息调整事项中的交易需求变化信息通过时序特征处理得到各所述交易信息调整事项的调整事项时序特征,而后根据所述商品交易事项在各所述交易信息调整事项中的交易需求变化信息以及对应的各所述交易信息调整事项的调整事项时序特征确定所述商品交易事项在当前商品交易状态中的交易需求变化信息,其中所述调整事项时序特征为所述商品交易事项在所述交易信息调整事项中的交易需求变化信息与所述商品交易事项在所有交易信息调整事项中的交易需求变化信息的交易需求变化记录的动态时序特征;
根据各所述商品交易事项在所述当前商品交易状态中的交易需求变化信息确定所述待处理商品交易记录的交易需求变化信息,并根据所述待处理商品交易记录的交易需求变化信息确定所述当前商品交易状态对应的商品交易相关度;
判断所述商品交易相关度是否达到预设的相关度阈值;在所述商品交易相关度达到所述预设的相关度阈值的前提下,确定目标业务响应终端的商品交易记录与目标业务请求终端的商品交易记录之间满足预设相关性条件。
2.根据权利要求1所述的方法,其特征在于,所述依据所述本地业务终端队列生成第一业务终端画像集,并对所述第一业务终端画像集进行业务终端画像配对,以得到第一业务终端画像配对结果的步骤,包括:
按照画像处理指示对所述本地业务终端队列进行处理,得到第一业务终端画像集;
对所述第一业务终端画像集进行终端画像标定,得到所述第一业务终端画像集对应的第一目标终端对,其中,所述第一目标终端对包括目标业务请求终端和目标业务响应终端;
获取所述第一目标终端对在所述第一业务终端画像集中的画像配对率,得到第一初始画像配对结果;
依据所述画像处理指示将所述第一初始画像配对结果映射到所述本地业务终端队列中,得到第一业务终端画像配对结果。
3.根据权利要求2所述的方法,其特征在于,所述画像处理指示包括买方画像处理指示和卖方画像处理指示,所述本地业务终端队列包括常住地终端子队列,所述按照画像处理指示对所述本地业务终端队列进行处理,得到第一业务终端画像集的步骤,包括:
将所述本地业务终端队列按照买方画像处理指示进行画像处理,得到第一画像处理结果;
将所述本地业务终端队列按照卖方画像处理指示进行画像处理,得到第二画像处理结果;
依据所述常住地终端子队列和所述第一画像处理结果对所述第二画像处理结果进行画像分组,得到多个画像分组;
筛选出所述多个画像分组中包含所述常住地终端子队列的至少一个目标画像分组,并将所述至少一个目标画像分组与所述第一画像处理结果进行画像整合,得到第一业务终端画像集;
其中,所述第一初始画像配对结果包括第一业务终端画像集中的目标业务请求终端画像和目标业务响应终端画像,所述依据所述画像处理指示将所述第一初始画像配对结果映射到所述本地业务终端队列中,得到第一业务终端画像配对结果的步骤,包括:
依据所述第一业务终端画像集中的目标业务请求终端画像和所述买方画像处理指示,得到本地业务终端队列中的目标业务请求终端画像;
依据所述第一业务终端画像集中的目标业务响应终端画像和所述卖方画像处理指示,得到本地业务终端队列中的目标业务响应终端画像,目标业务请求终端画像和目标业务响应终端画像构成第一业务终端画像配对结果。
4.根据权利要求1所述的方法,其特征在于,通过预先统计的商品交易评价信息获取待处理商品交易记录中的各个商品交易事项在商品交易协商周期的各个交易信息调整事项中对应的调整事项信息集合,具体为:
将所述待处理商品交易记录的商品交易类型对应的实时商品交易需求信息作为待处理商品交易记录的交易事项分析指标;
根据所述待处理商品交易记录的交易事项分析指标确定预先统计的商品交易评价信息的已完成事项的分析指标;
利用所述预先统计的商品交易评价信息依次对各所述交易信息调整事项中预先统计的商品交易评价信息的已完成事项的分析指标对应的商品交易事项进行交易事项解析,以获取所述调整事项信息集合,所述调整事项信息集合与所述商品交易事项的事项标签相对应;
其中,所述根据所述调整事项信息集合以及所述商品交易事项的历史商品交易需求信息确定所述商品交易事项在各所述交易信息调整事项中的实时商品交易需求信息,具体包括:
分别确定各调整事项信息的交易事项调整数据所对应的匹配所述调整事项信息集合的调整事项信息的数量,所述交易事项调整数据与所述商品交易事项的商品交易类型的商品交易需求标签一致;
根据所述调整事项信息集合中各调整事项信息的调整事项信息特征以及所述调整事项信息的交易事项调整数据所对应的匹配所述调整事项信息集合的调整事项信息的数量确定所述商品交易事项对应的实时商品交易需求信息的交易需求特征;
若根据所述交易需求特征生成的商品交易事项对应的初始商品交易需求信息与所述历史商品交易需求信息存在重叠商品交易需求,根据所述重叠商品交易需求的交易需求特征确定所述商品交易事项在各所述交易信息调整事项中的实时商品交易需求信息;
若根据所述交易需求特征生成的商品交易事项对应的初始商品交易需求信息与所述历史商品交易需求信息不存在重叠商品交易需求,将所述历史商品交易需求信息作为所述商品交易事项在各所述交易信息调整事项中的实时商品交易需求信息;
其中,根据所述调整事项信息集合确定所述商品交易事项在各所述交易信息调整事项中的实时商品交易需求信息,具体包括:
分别确定各调整事项信息的交易事项调整数据所对应的匹配所述调整事项信息集合的调整事项信息的数量,所述交易事项调整数据与所述商品交易事项的商品交易类型的商品交易需求标签一致;
根据所述调整事项信息集合中各调整事项信息的调整事项信息特征以及所述调整事项信息的交易事项调整数据所对应的匹配所述调整事项信息集合的调整事项信息的数量确定所述商品交易事项对应的实时商品交易需求信息的交易需求特征;
根据所述交易需求特征确定所述商品交易事项在各所述交易信息调整事项中的实时商品交易需求信息;
其中,根据所述商品交易事项在各所述交易信息调整事项中的交易需求变化信息以及对应的各所述交易信息调整事项的调整事项时序特征确定所述商品交易事项在当前商品交易状态中的交易需求变化信息,具体为:
将所述商品交易事项相对于各所述交易信息调整事项的交易需求变化信息以及对应的各所述交易信息调整事项的调整事项时序特征的交易需求匹配结果作为所述商品交易事项在当前商品交易状态中的交易需求变化信息。
5.根据权利要求1所述的方法,其特征在于,所述根据各所述商品交易事项在所述当前商品交易状态中的交易需求变化信息确定所述待处理商品交易记录的交易需求变化信息,具体为:
将所述当前商品交易状态的各待处理商品交易记录中各所述商品交易事项的交易需求变化信息进行时序特征处理,得到各所述商品交易事项的交易事项时序特征,所述交易事项时序特征为所述商品交易事项的交易需求变化信息与所述待处理商品交易记录中所有商品交易事项的交易需求变化信息的交易需求变化记录的动态时序特征;
将各所述商品交易事项的交易需求变化信息以及对应的各所述商品交易事项的交易事项时序特征的交易需求匹配结果作为所述待处理商品交易记录的交易需求变化信息。
6.根据权利要求1-5任一项所述的方法,其特征在于,根据所述业务询问请求向所述目标业务请求终端推荐所述目标业务响应终端的商品交易信息,包括:
根据所述业务询问请求确定所述目标业务响应终端的直接商品交易类别以及关联商品交易类别;
通过所述直接商品交易类别以及所述关联商品交易类别确定与所述业务询问请求中的询问需求信息相匹配的待推送商品类别;
基于所述待推送商品类别以及所述目标业务响应终端的目标业务响应终端画像生成所述商品交易信息,并将所述商品交易信息推送给所述目标业务请求终端。
7.根据权利要求1-5任一项所述的方法,其特征在于,所述方法还包括:
在接收到所述目标业务请求终端基于所述商品交易信息反馈的推荐确认信息以及所述目标业务请求终端基于所述商品交易信息反馈的商品交易完成信息时,对所述目标业务请求终端进行用户画像分析,得到用户画像分析结果。
8.一种云计算系统,其特征在于,包括处理引擎、网络模块和存储器;所述处理引擎和所述存储器通过所述网络模块通信,所述处理引擎从所述存储器中读取计算机程序并运行,以执行权利要求1-7任一项所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011469138.8A CN112328901B (zh) | 2020-12-14 | 2020-12-14 | 基于云计算和区块链金融的业务推荐方法及云计算系统 |
CN202110615609.XA CN113240526B (zh) | 2020-12-14 | 2020-12-14 | 应用于云计算和区块链金融的业务推荐方法及云计算系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011469138.8A CN112328901B (zh) | 2020-12-14 | 2020-12-14 | 基于云计算和区块链金融的业务推荐方法及云计算系统 |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110615609.XA Division CN113240526B (zh) | 2020-12-14 | 2020-12-14 | 应用于云计算和区块链金融的业务推荐方法及云计算系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112328901A CN112328901A (zh) | 2021-02-05 |
CN112328901B true CN112328901B (zh) | 2021-12-17 |
Family
ID=74301617
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110615609.XA Active CN113240526B (zh) | 2020-12-14 | 2020-12-14 | 应用于云计算和区块链金融的业务推荐方法及云计算系统 |
CN202011469138.8A Active CN112328901B (zh) | 2020-12-14 | 2020-12-14 | 基于云计算和区块链金融的业务推荐方法及云计算系统 |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110615609.XA Active CN113240526B (zh) | 2020-12-14 | 2020-12-14 | 应用于云计算和区块链金融的业务推荐方法及云计算系统 |
Country Status (1)
Country | Link |
---|---|
CN (2) | CN113240526B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112685478B (zh) * | 2021-02-23 | 2022-01-14 | 爱云保(上海)科技有限公司 | 针对云业务和用户画像挖掘的信息处理方法及云服务器 |
CN115049498B (zh) * | 2022-08-11 | 2022-10-25 | 深圳前海橙色魔方信息技术有限公司 | 一种金融大数据管理系统及方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103886090A (zh) * | 2014-03-31 | 2014-06-25 | 北京搜狗科技发展有限公司 | 基于用户喜好的内容推荐方法及装置 |
CN104821963A (zh) * | 2015-04-30 | 2015-08-05 | 华为技术有限公司 | 推荐信息展示方法及装置 |
CN106547798A (zh) * | 2015-09-23 | 2017-03-29 | 阿里巴巴集团控股有限公司 | 信息推送方法及装置 |
CN111898904A (zh) * | 2020-07-28 | 2020-11-06 | 拉扎斯网络科技(上海)有限公司 | 一种数据处理方法及装置 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150120409A1 (en) * | 2013-10-24 | 2015-04-30 | International Business Machines Corporation | Markdown optimization system having benefits analysis and reporting |
CN105117418B (zh) * | 2015-07-30 | 2022-02-18 | 百度在线网络技术(北京)有限公司 | 基于搜索的服务信息管理系统及方法 |
CN107808314B (zh) * | 2016-09-09 | 2020-04-21 | 腾讯科技(深圳)有限公司 | 用户推荐方法及装置 |
CN107577759B (zh) * | 2017-09-01 | 2021-07-30 | 安徽广播电视大学 | 用户评论自动推荐方法 |
CN108665347A (zh) * | 2018-05-07 | 2018-10-16 | 平安普惠企业管理有限公司 | 基于用户需求的产品推荐方法、装置、设备及存储介质 |
CN109087180B (zh) * | 2018-08-28 | 2021-04-30 | 天津闪速炼铁技术有限公司 | 基于网络及区块链技术构建的产品销售和产品制造系统 |
-
2020
- 2020-12-14 CN CN202110615609.XA patent/CN113240526B/zh active Active
- 2020-12-14 CN CN202011469138.8A patent/CN112328901B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103886090A (zh) * | 2014-03-31 | 2014-06-25 | 北京搜狗科技发展有限公司 | 基于用户喜好的内容推荐方法及装置 |
CN104821963A (zh) * | 2015-04-30 | 2015-08-05 | 华为技术有限公司 | 推荐信息展示方法及装置 |
CN106547798A (zh) * | 2015-09-23 | 2017-03-29 | 阿里巴巴集团控股有限公司 | 信息推送方法及装置 |
CN111898904A (zh) * | 2020-07-28 | 2020-11-06 | 拉扎斯网络科技(上海)有限公司 | 一种数据处理方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112328901A (zh) | 2021-02-05 |
CN113240526B (zh) | 2022-07-05 |
CN113240526A (zh) | 2021-08-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102364491B1 (ko) | 가맹점 평가 방법 및 시스템 | |
CN111949834B (zh) | 选址方法和选址平台系统 | |
US20180268015A1 (en) | Method and apparatus for locating errors in documents via database queries, similarity-based information retrieval and modeling the errors for error resolution | |
KR101783476B1 (ko) | 원천 데이터 제공에 따른 수익 분배 및 데이터 거래 서비스 제공 방법 | |
CN112328901B (zh) | 基于云计算和区块链金融的业务推荐方法及云计算系统 | |
CN113268641B (zh) | 基于大数据的用户数据处理方法及大数据服务器 | |
WO2014193700A1 (en) | Social media pricing engine | |
CN111026853B (zh) | 目标问题的确定方法、装置、服务器和客服机器人 | |
CN116541610B (zh) | 一种推荐模型的训练方法及装置 | |
KR20210082106A (ko) | 결정 트리 기반의 시계열 추세 예측 학습 모델을 이용한 부동산 예상 실거래가 산출 서비스 제공 방법 | |
CN110766513A (zh) | 信息排序方法、装置、电子设备及可读存储介质 | |
CN114943565A (zh) | 基于智能算法的电力现货价格预测方法及装置 | |
CN110570271A (zh) | 信息推荐方法、装置、电子设备及可读存储介质 | |
CN110544165B (zh) | 一种信用风险评分卡创建方法、装置及电子设备 | |
CN116881242A (zh) | 一种生鲜农产品电商采购数据智能存储系统 | |
CN111144987A (zh) | 异常购物行为的限制方法、限制组件及购物系统 | |
CN114282951B (zh) | 一种网络零售预测方法、设备及介质 | |
CN113377640B (zh) | 解释业务场景下模型的方法、介质、装置和计算设备 | |
KR20230032801A (ko) | 인공지능 기반 유무형 상품 추천 서비스 제공 시스템 | |
CN112051843B (zh) | 基于订单预估的路径规划方法、装置、机器人和存储介质 | |
CN112767002A (zh) | 一种基于区块链的旅游营商环境和旅游区评价方法及装置 | |
CN111461823A (zh) | 健康量化方式的评估方法、商品信息标注方法及装置 | |
US11386470B2 (en) | Partner fee recommendation service | |
US20220343348A1 (en) | System and method for interactive transaction information aggregation | |
CN115757979B (zh) | 一种基于人工智能的用户数据推荐方法及系统 |
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 |
Effective date of registration: 20211109 Address after: 100000 no.1-1041 Cuiliu East Street, Changhong West Road, Liangxiang, Fangshan District, Beijing Applicant after: Beijing zhongjiahexin Communication Technology Co.,Ltd. Address before: 518000 C207, industrialization complex building, Yuexing Sandao Virtual University Park, Xuefu Road, Nanshan District, Shenzhen City, Guangdong Province Applicant before: Wang Yuhua |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |