CN113256397B - 基于大数据的商品推荐方法、系统及计算机可读存储介质 - Google Patents

基于大数据的商品推荐方法、系统及计算机可读存储介质 Download PDF

Info

Publication number
CN113256397B
CN113256397B CN202110748915.0A CN202110748915A CN113256397B CN 113256397 B CN113256397 B CN 113256397B CN 202110748915 A CN202110748915 A CN 202110748915A CN 113256397 B CN113256397 B CN 113256397B
Authority
CN
China
Prior art keywords
information
target
target user
commodity
user
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
Application number
CN202110748915.0A
Other languages
English (en)
Other versions
CN113256397A (zh
Inventor
周桂辉
刘立斌
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Kunshan Chuangchuang Intellectual Property Operation Co.,Ltd.
Xiaovo Technology Co ltd
Original Assignee
Foshan Menassen Intelligent Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Foshan Menassen Intelligent Technology Co ltd filed Critical Foshan Menassen Intelligent Technology Co ltd
Priority to CN202110748915.0A priority Critical patent/CN113256397B/zh
Publication of CN113256397A publication Critical patent/CN113256397A/zh
Application granted granted Critical
Publication of CN113256397B publication Critical patent/CN113256397B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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]
    • G06Q30/0631—Item recommendations
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请实施例提供了基于大数据的商品推荐方法、系统及计算机可读存储介质。该方法，包括：获取目标用户的目标用户信息；根据目标用户信息从数据库获取对应的参考用户画像；获取所述目标用户在预设时间段内的聊天记录信息、浏览评论信息、行程轨迹信息输入对应的第一神经网络模型，以得到所述目标用户在所述预设时间段内的情绪状态信息；根据所述参考用户画像获取待推荐的多件参考商品；根据所述情绪状态信息对所述多件参考商品进行筛选以得到多件目标商品，并将所述多件目标商品给目标用户；从而基于用户画像以及用户的情绪状态实现商品的精确推荐，可以提高推荐的准确率。

Description

基于大数据的商品推荐方法、系统及计算机可读存储介质
技术领域
本申请涉及大数据技术领域，具体而言，涉及一种基于大数据的商品推荐方法、系统及计算机可读存储介质。
背景技术
画像是指基于大数据平台，通过采集机器自动学习识别方法来全面评估用户，其中，对于有标签数据的用户，一般采用系统建立的预测模型进行用户识别；对于无标签数据的用户，则根据数据挖掘分析算法进行深度挖掘，以识别用户的关系，从而达到用户特征库的实时、自动刻画。消费者画像是指对于电商平台上的用户群体的用户画像。
但是，影响用户购物行为的不仅仅包括用户的固定不变的资料，还会其他用户内在因素的影响，因此单纯参考用户画像无法提供高准确的商品推荐。
针对上述问题，目前尚未有有效的技术解决方案。
发明内容
本申请实施例的目的在于提供一种基于大数据的商品推荐方法、系统及计算机可读存储介质，可以提高商品推荐的准确度。
本申请实施例还提供了一种基于大数据的商品推荐方法，包括以下步骤：
获取目标用户的目标用户信息，所述目标用户信息包括性别信息、年龄信息、工资收入信息以及网购历史记录信息；
根据所述目标用户信息从数据库获取对应的参考用户画像，所述参考用户画像对应的用户信息与目标用户信息的相似度大于预设阈值；
获取所述目标用户在预设时间段内的聊天记录信息、浏览评论信息、行程轨迹信息输入对应的第一神经网络模型，以得到所述目标用户在所述预设时间段内的情绪状态信息；
根据所述参考用户画像获取待推荐的多件参考商品；
根据所述情绪状态信息对所述多件参考商品进行筛选以得到多件目标商品，并将所述多件目标商品给目标用户。
可选地，在本申请实施例所述的基于大数据的商品推荐方法中，所述将所述目标用户在预设时间段内的聊天记录信息、浏览评论信息、行程轨迹信息输入对应的第一神经网络模型，以得到所述目标用户在所述预设时间段内的情绪状态信息，包括：
获取所述目标用户的性格类型；
根据所述性格类型获取与所述性格类型对应的第一神经网络模型；
将所述目标用户在预设时间段内的聊天记录信息、浏览评论信息、行程轨迹信息输入所述第一神经网络模型，以得到所述目标用户在所述预设时间段内的情绪状态信息。
可选地，在本申请实施例所述的基于大数据的商品推荐方法中，所述获取所述目标用户的性格类型，包括：
获取所述目标用户的历史网络浏览信息、影视作品欣赏信息、歌曲收听信息、网络评论信息、网购历史记录信息以及历史行程轨迹信息；
将所述历史网络浏览信息、影视作品欣赏信息、歌曲收听信息、网络评论信息、网购历史记录信息以及历史行程轨迹信息输入性格类型测试模型，得到所述目标用户的性格类型。
可选地，在本申请实施例所述的基于大数据的商品推荐方法中，所述根据所述情绪状态信息对所述多件参考商品进行筛选以得到多件目标商品，包括：
将所述情绪状态信息以及所述多件参考商品输入商品类别筛选模型，得到类别与所述情绪状态信息对应的多件初筛商品；
将所述情绪状态信息以及所述多件初筛商品输入商品价格筛选模型，得到价格与所述情绪状态信息对应的多件目标商品。
可选地，在本申请实施例所述的基于大数据的商品推荐方法中，所述根据所述情绪状态信息对所述多件参考商品进行筛选以得到多件目标商品，包括：
将所述情绪状态信息以及所述多件参考商品输入商品筛选模型，得到价格以及类别与所述情绪状态信息对应的多件目标商品。
可选地，在本申请实施例所述的基于大数据的商品推荐方法中，所述方法还包括：
获取所述目标用户的购物结果；
根据所述购物结果中的目标商品对应的类型以及价格对所述商品筛选模型中的权重系数进行更新，得到更新后的商品筛选模型。
可选地，在本申请实施例所述的基于大数据的商品推荐方法中，所述根据所述情绪状态信息对所述多件参考商品进行筛选以得到多件目标商品，包括：
根据公式计算所述目标用户对每一所述参考商品的购买倾向分数：
Wk=Aq1x/Ak+q2xBk，其中，Wk为商品k的购买倾向分数，q1x为在情绪状态x下价格对购买倾向的影响系数，Ak为商品k的价格，A为目标用户的购买力，q2x为商品类型在情绪x下对购买倾向的影响系数，Bk为目标用户对商品k对正常情绪下的购买倾向；
将所述多件参考商品中购买倾向分数的排名位于前面预设位的参考商品作为目标商品。
第二方面，本申请实施例提供了一种基于大数据的商品推荐系统，该系统包括：存储器及处理器，所述存储器中包括基于大数据的商品推荐方法的程序，所述基于大数据的商品推荐方法的程序被所述处理器执行时实现以下步骤：
获取目标用户的目标用户信息，所述目标用户信息包括性别信息、年龄信息、工资收入信息以及网购历史记录信息；
根据所述目标用户信息从数据库获取对应的参考用户画像，所述参考用户画像对应的用户信息与目标用户信息的相似度大于预设阈值；
获取所述目标用户在预设时间段内的聊天记录信息、浏览评论信息、行程轨迹信息输入对应的第一神经网络模型，以得到所述目标用户在所述预设时间段内的情绪状态信息；
根据所述参考用户画像获取待推荐的多件参考商品；
根据所述情绪状态信息对所述多件参考商品进行筛选以得到多件目标商品，并将所述多件目标商品给目标用户。
第三方面，本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质中包括基于大数据的商品推荐方法程序，所述基于大数据的商品推荐方法程序被处理器执行时，实现实现如上述任一项所述的一种基于大数据的商品推荐方法的步骤。
由上可知，本申请实施例提供的基于大数据的商品推荐方法及系统通过获取目标用户的目标用户信息，所述目标用户信息包括性别信息、年龄信息、工资收入信息以及网购历史记录信息；根据所述目标用户信息从数据库获取对应的参考用户画像，所述参考用户画像对应的用户信息与目标用户信息的相似度大于预设阈值；获取所述目标用户在预设时间段内的聊天记录信息、浏览评论信息、行程轨迹信息输入对应的第一神经网络模型，以得到所述目标用户在所述预设时间段内的情绪状态信息；根据所述参考用户画像获取待推荐的多件参考商品；根据所述情绪状态信息对所述多件参考商品进行筛选以得到多件目标商品，并将所述多件目标商品给目标用户；从而基于用户画像以及用户的情绪状态实现商品的精确推荐，可以提高推荐的准确率。
本申请的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本申请实施例了解。本申请的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
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申请的某些实施例，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。
图1为本申请实施例提供的基于大数据的商品推荐方法的一种流程图。
图2为本申请实施例提供的基于大数据的商品推荐系统的一种结构示意图。
具体实施方式
下面将结合本申请实施例中附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的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。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
请参照图1，图1是本申请一些实施例中的一种基于大数据的商品推荐的流程图。该基于大数据的商品推荐方法用于终端设备中，例如手机、电脑等。该基于大数据的商品推荐方法，包括以下步骤：
S101、获取目标用户的目标用户信息，所述目标用户信息包括性别信息、年龄信息、工资收入信息以及网购历史记录信息。
S102、根据所述目标用户信息从数据库获取对应的参考用户画像，所述参考用户画像对应的用户信息与目标用户信息的相似度大于预设阈值。
S103、获取所述目标用户在预设时间段内的聊天记录信息、浏览评论信息、行程轨迹信息输入对应的第一神经网络模型，以得到所述目标用户在所述预设时间段内的情绪状态信息。
S104、根据所述参考用户画像获取待推荐的多件参考商品。
S105、根据所述情绪状态信息对所述多件参考商品进行筛选以得到多件目标商品，并将所述多件目标商品给目标用户。
其中，在该步骤S101中，该性别信息、年龄信息可以基于用户的注册账号信息获取。该网购历史记录信息可以采用读取该用户的电商平台的账号上购物历史记录。工资收入信息可以基于该用户在招聘平台上的简历信息，或者读取该用户每个月的工资到账短信可以计算出。
其中，在该步骤S102中，该数据库中存储有多种用户画像，每一用户画像与对应一组用户信息关联。其中，该相似度为余弦相似度或者基于欧式距离的相似度。当然，如果有多个用户画像的用户信息与该目标用户信息的相似度都大于预设阈值，则选择其中相似度最大的用户信息对应的用户画像作为参考用户画像。
其中，在该步骤S103中，其中，该第一神经网络模型是用于识别用户在该预设时间段的情绪状态信息的网络模型，其采用大数据作为样本数据训练得到。由于大多数人的购物行为往往都是非理性的，容易被情绪影响，例如，在情绪状态不好时，有些性格的用户对于某些商品会出现购物冲动。其中，该情绪状态信息用于描述用户的情绪状态，当然，该情绪状态比较复杂可以包括以下类型：对健康的焦虑状态、对自身知识缺乏的焦虑、急于求成的心急状态、难过状态、积极进取状态等。
其中，该聊天记录信息可以为即时通讯软件的聊天记录信息。浏览评论信息可以包括新闻评论、视频的弹幕评论等。该行程轨迹信息包括行程的轨迹以及每一段轨迹的出行方式。
其中，在该步骤S104中，基于用户画像将用户喜好的商品作为待推荐的多件参考商品。当然，受到用户情绪的影响，该多件参考商品中只有部分参考商品会成为用户可能购买的商品。
其中，在该步骤S105中，结合目标用户的情绪状态信息将该多件参考商品中购买倾向分数较低的筛除，从而得到目标商品。
在一些实施例中，该步骤S103可以包括以下子步骤：S1031、获取所述目标用户的性格类型；S1032、根据所述性格类型获取与所述性格类型对应的第一神经网络模型；S1033、将所述目标用户在预设时间段内的聊天记录信息、浏览评论信息、行程轨迹信息输入所述第一神经网络模型，以得到所述目标用户在所述预设时间段内的情绪状态信息。
其中，在该步骤S1032中，由于不同的性格类型在相同情绪状态下也会产生不同的行为，因此，需要基于该用户的性格类型来获取对应的第一神经网络模型，从而识别该目标用户的清洗状态信息。
在一些实施例中，该步骤S1031可以包括以下子步骤：获取所述目标用户的历史网络浏览信息、影视作品欣赏信息、歌曲收听信息、网络评论信息、网购历史记录信息以及历史行程轨迹信息；将所述历史网络浏览信息、影视作品欣赏信息、歌曲收听信息、网络评论信息、网购历史记录信息以及历史行程轨迹信息输入性格类型测试模型，得到所述目标用户的性格类型。
在一些实施例中，该步骤根据所述情绪状态信息对所述多件参考商品进行筛选以得到多件目标商品，可以包括以下子步骤：将所述情绪状态信息以及所述多件参考商品输入商品类别筛选模型，得到类别与所述情绪状态信息对应的多件初筛商品；将所述情绪状态信息以及所述多件初筛商品输入商品价格筛选模型，得到价格与所述情绪状态信息对应的多件目标商品。其中，商品类别筛选模型以及商品价格筛选模型均是与性格类型对应的神经网络模型，基于对应性格类型大量用户的样本数据训练得到。
在一些实施例中，该步骤根据所述情绪状态信息对所述多件参考商品进行筛选以得到多件目标商品，可以包括：将所述情绪状态信息以及所述多件参考商品输入商品筛选模型，得到价格以及类别与所述情绪状态信息对应的多件目标商品。商品筛选模型是与性格类型对应的神经网络模型，基于对应性格类型大量用户的样本数据训练得到。
在一些实施例中，该步骤根据所述情绪状态信息对所述多件参考商品进行筛选以得到多件目标商品，可以包括：
根据公式计算所述目标用户对每一所述参考商品的购买倾向分数：
Wk=Aq1x/Ak+q2xBk，其中，Wk为商品k的购买倾向分数，q1x为在情绪状态x下价格对购买倾向的影响系数，Ak为商品k的价格，A为目标用户的购买力，q2x为商品类型在情绪x下对购买倾向的影响系数，Bk为目标用户对商品k对正常情绪下的购买倾向；
将所述多件参考商品中购买倾向分数的排名位于前面预设位的参考商品作为目标商品。q1x以及q2x均为经过大量数据计算得到的经验值。
在一些实施例中，该基于大数据的商品推荐方法中，还包括：
S106、获取所述目标用户的购物结果。S107、根据所述购物结果中的目标商品对应的类型以及价格对所述商品筛选模型中的权重系数进行更新，得到更新后的商品筛选模型。通过用户的实际购物行为对商品筛选模型中的权重系数进行更新可以提高该商品筛选模型的精确度。
由上可知，本申请实施例提供的基于大数据的商品推荐方法通过获取目标用户的目标用户信息，所述目标用户信息包括性别信息、年龄信息、工资收入信息以及网购历史记录信息；根据所述目标用户信息从数据库获取对应的参考用户画像，所述参考用户画像对应的用户信息与目标用户信息的相似度大于预设阈值；获取所述目标用户在预设时间段内的聊天记录信息、浏览评论信息、行程轨迹信息输入对应的第一神经网络模型，以得到所述目标用户在所述预设时间段内的情绪状态信息；根据所述参考用户画像获取待推荐的多件参考商品；根据所述情绪状态信息对所述多件参考商品进行筛选以得到多件目标商品，并将所述多件目标商品给目标用户；从而基于用户画像以及用户的情绪状态实现商品的精确推荐，可以提高推荐的准确率。
根据本发明实施例，还包括：
根据所述目标用户的历史购买目标商品和对应的情绪状态信息建立目标用户购买商品历史数据库；
将所述目标用户信息对应获取的所述参考用户画像与所述购买商品历史数据库中的购买目标商品和情绪状态信息进行加权获取加权后参考用户画像；
根据所述加权后参考用户画像在参考商品数据库中进行阈值对比；
在所述参考商品数据库中查找预设阈值小于所述加权后参考用户画像阈值的参考商品作为多件目标商品推给目标用户。
需要说明的是，根据所述目标用户的历史购买目标商品和对应的情绪状态信息建立目标用户购买商品历史数据库，将所述目标用户信息对应获取的所述参考用户画像与所述购买商品历史数据库中的购买目标商品和情绪状态信息进行加权获取加权后参考用户画像，对用户加权后参考用户画像在参考商品数据库中进行阈值对比从而查找到数据库中预设阈值小于的参考商品作为多件目标商品推给目标用户，提高用户目标商品的选择准确率，提高用户的满意度；
加权后的目标用户的参考用户画像的计算公式如下：
Figure 791431DEST_PATH_IMAGE001
;
其中，
Figure 200547DEST_PATH_IMAGE002
为所述参考用户画像，
Figure 255091DEST_PATH_IMAGE003
为加权值，k为购买目标商品的次数，
Figure 91460DEST_PATH_IMAGE004
表示为为第k次购买的目标商品，
Figure 598664DEST_PATH_IMAGE005
表示为第k次购买目标商品对应的情绪状态信息。
根据本发明实施例，还包括：
获取所述目标用户购买历史商品对应的类型因子和价格因子以及选定所述历史商品对应的情绪状态信息因子；
将所述类型因子、所述价格因子以及所述情绪状态信息因子进行预处理，得到训练样本集；
将所述训练样本集输入至初始化的商品筛选神经网络中进行训练，获取训练输出结果的准确率；
若所述准确率大于预设的预设阈值则停止训练，得到所述商品筛选神经网络模型；
将所述目标用户目前情绪状态信息和多件目标商品输入所述商品筛选神经网络模型以得到目标商品。
需要说明的是，商品筛选神经网络模型需要大量的历史数据进行训练，数据量决定模型的准确度，本申请中的商品筛选神经网络模型可以通过所述目标用户历史购买商品的商品类型和价格以及当时情绪状态对应获得类型因子、价格因子以及情绪状态信息因子作为输入进行训练提高模型的准确率，当所述准确率高于预设的准确率阈值时则停止训练以得到所述商品筛选神经网络模型，其中准确率阈值可以设置为85%，将用户目前情绪状态信息和多件备选目标商品输入神经网络模型中获得目标商品。
根据本发明实施例，还包括：
根据所述用户近期聊天记录信息、浏览评论信息以及网购历史记录信息获取所述用户目前对应情绪状态信息；
根据所述用户目前对应情绪状态信息在所述目标用户购买商品历史数据库中进行阈值对比；
在所述目标用户购买商品历史数据库中寻找与所述用户目前对应情绪状态信息阈值最相似的历史情绪状态信息作为样本情绪状态信息；
根据寻找的上述样本情绪状态信息对应的历史购买目标商品作为所述目标用户的目标商品。
需要说明的是，根据所述用户近期聊天记录信息、浏览评论信息以及网购历史记录信息获取用户目前对应情绪状态信息，根据用户目前对应情绪状态信息在目标用户购买商品历史数据库中进行阈值对比寻找与用户目前对应情绪状态信息阈值最相似的历史情绪状态信息作为样本情绪状态信息，将样本情绪状态信息对应的历史购买目标商品作为此次目标用户的目标商品，通过数据库的阈值对比可寻找到与用户当前情绪状态信息最匹配的历史记录，并将历史记录的购买目标商品作为此次推荐给用户的选择商品，可根据用户自身历史数据快速获得最合适的目标商品，提高用户的商品选择准确性，提高新客户的满意度。
请参考图2所示，本申请实施例一基于大数据的商品推荐系统，该系统包括：存储器201及处理器202，所述存储器201中包括基于大数据的商品推荐方法的程序，所述基于大数据的商品推荐方法的程序被所述处理器202执行时实现以下步骤：获取目标用户的目标用户信息，所述目标用户信息包括性别信息、年龄信息、工资收入信息以及网购历史记录信息；根据所述目标用户信息从数据库获取对应的参考用户画像，所述参考用户画像对应的用户信息与目标用户信息的相似度大于预设阈值；获取所述目标用户在预设时间段内的聊天记录信息、浏览评论信息、行程轨迹信息输入对应的第一神经网络模型，以得到所述目标用户在所述预设时间段内的情绪状态信息；根据所述参考用户画像获取待推荐的多件参考商品；根据所述情绪状态信息对所述多件参考商品进行筛选以得到多件目标商品，并将所述多件目标商品给目标用户。
其中，该性别信息、年龄信息可以基于用户的注册账号信息获取。该网购历史记录信息可以采用读取该用户的电商平台的账号上购物历史记录。工资收入信息可以基于该用户在招聘平台上的简历信息，或者读取该用户每个月的工资到账短信可以计算出。
其中，该数据库中存储有多种用户画像，每一用户画像与对应一组用户信息关联。其中，该相似度为余弦相似度或者基于欧式距离的相似度。当然，如果有多个用户画像的用户信息与该目标用户信息的相似度都大于预设阈值，则选择其中相似度最大的用户信息对应的用户画像作为参考用户画像。
其中，该第一神经网络模型是用于识别用户在该预设时间段的情绪状态信息的网络模型，其采用大数据作为样本数据训练得到。由于大多数人的购物行为往往都是非理性的，容易被情绪影响，例如，在情绪状态不好时，有些性格的用户对于某些商品会出现购物冲动。其中，该情绪状态信息用于描述用户的情绪状态，当然，该情绪状态比较复杂可以包括以下类型：对健康的焦虑状态、对自身知识缺乏的焦虑、急于求成的心急状态、难过状态、积极进取状态等。
其中，该聊天记录信息可以为即时通讯软件的聊天记录信息。浏览评论信息可以包括新闻评论、视频的弹幕评论等。该行程轨迹信息包括行程的轨迹以及每一段轨迹的出行方式。
其中，基于用户画像将用户喜好的商品作为待推荐的多件参考商品。当然，受到用户情绪的影响，该多件参考商品中只有部分参考商品会成为用户可能购买的商品。
其中，结合目标用户的情绪状态信息将该多件参考商品中购买倾向分数较低的筛除，从而得到目标商品。
在一些实施例中，基于大数据的商品推荐方法的程序被所述处理器202执行时实现以下步骤：获取所述目标用户的性格类型；根据所述性格类型获取与所述性格类型对应的第一神经网络模型；将所述目标用户在预设时间段内的聊天记录信息、浏览评论信息、行程轨迹信息输入所述第一神经网络模型，以得到所述目标用户在所述预设时间段内的情绪状态信息。
其中，由于不同的性格类型在相同情绪状态下也会产生不同的行为，因此，需要基于该用户的性格类型来获取对应的第一神经网络模型，从而识别该目标用户的清洗状态信息。
在一些实施例中，基于大数据的商品推荐方法的程序被所述处理器202执行时实现以下步骤：获取所述目标用户的历史网络浏览信息、影视作品欣赏信息、歌曲收听信息、网络评论信息、网购历史记录信息以及历史行程轨迹信息；将所述历史网络浏览信息、影视作品欣赏信息、歌曲收听信息、网络评论信息、网购历史记录信息以及历史行程轨迹信息输入性格类型测试模型，得到所述目标用户的性格类型。
在一些实施例中，该步骤根据所述情绪状态信息对所述多件参考商品进行筛选以得到多件目标商品，可以包括以下子步骤：将所述情绪状态信息以及所述多件参考商品输入商品类别筛选模型，得到类别与所述情绪状态信息对应的多件初筛商品；将所述情绪状态信息以及所述多件初筛商品输入商品价格筛选模型，得到价格与所述情绪状态信息对应的多件目标商品。其中，商品类别筛选模型以及商品价格筛选模型均是与性格类型对应的神经网络模型，基于对应性格类型大量用户的样本数据训练得到。
在一些实施例中，该步骤根据所述情绪状态信息对所述多件参考商品进行筛选以得到多件目标商品，可以包括：将所述情绪状态信息以及所述多件参考商品输入商品筛选模型，得到价格以及类别与所述情绪状态信息对应的多件目标商品。商品筛选模型是与性格类型对应的神经网络模型，基于对应性格类型大量用户的样本数据训练得到。
在一些实施例中，该步骤根据所述情绪状态信息对所述多件参考商品进行筛选以得到多件目标商品，可以包括：
根据公式计算所述目标用户对每一所述参考商品的购买倾向分数：
Wk=Aq1x/Ak+q2xBk，其中，Wk为商品k的购买倾向分数，q1x为在情绪状态x下价格对购买倾向的影响系数，Ak为商品k的价格，A为目标用户的购买力，q2x为商品类型在情绪x下对购买倾向的影响系数，Bk为目标用户对商品k对正常情绪下的购买倾向；
将所述多件参考商品中购买倾向分数的排名位于前面预设位的参考商品作为目标商品。q1x以及q2x均为经过大量数据计算得到的经验值。
在一些实施例中，基于大数据的商品推荐方法的程序被所述处理器202执行时实现以下步骤：获取所述目标用户的购物结果。根据所述购物结果中的目标商品对应的类型以及价格对所述商品筛选模型中的权重系数进行更新，得到更新后的商品筛选模型。通过用户的实际购物行为对商品筛选模型中的权重系数进行更新可以提高该商品筛选模型的精确度。
由上可知，本申请实施例提供的基于大数据的商品推荐系统通过获取目标用户的目标用户信息，所述目标用户信息包括性别信息、年龄信息、工资收入信息以及网购历史记录信息；根据所述目标用户信息从数据库获取对应的参考用户画像，所述参考用户画像对应的用户信息与目标用户信息的相似度大于预设阈值；获取所述目标用户在预设时间段内的聊天记录信息、浏览评论信息、行程轨迹信息输入对应的第一神经网络模型，以得到所述目标用户在所述预设时间段内的情绪状态信息；根据所述参考用户画像获取待推荐的多件参考商品；根据所述情绪状态信息对所述多件参考商品进行筛选以得到多件目标商品，并将所述多件目标商品给目标用户；从而基于用户画像以及用户的情绪状态实现商品的精确推荐，可以提高推荐的准确率。
根据本发明实施例，还包括：
根据所述目标用户的历史购买目标商品和对应的情绪状态信息建立目标用户购买商品历史数据库；
将所述目标用户信息对应获取的所述参考用户画像与所述购买商品历史数据库中的购买目标商品和情绪状态信息进行加权获取加权后参考用户画像；
根据所述加权后参考用户画像在参考商品数据库中进行阈值对比；
在所述参考商品数据库中查找预设阈值小于所述加权后参考用户画像阈值的参考商品作为多件目标商品推给目标用户。
需要说明的是，根据所述目标用户的历史购买目标商品和对应的情绪状态信息建立目标用户购买商品历史数据库，将所述目标用户信息对应获取的所述参考用户画像与所述购买商品历史数据库中的购买目标商品和情绪状态信息进行加权获取加权后参考用户画像，对用户加权后参考用户画像在参考商品数据库中进行阈值对比从而查找到数据库中预设阈值小于的参考商品作为多件目标商品推给目标用户，提高用户目标商品的选择准确率，提高用户的满意度；
加权后的目标用户的参考用户画像的计算公式如下：
Figure 280313DEST_PATH_IMAGE006
;
其中，
Figure 454942DEST_PATH_IMAGE002
为所述参考用户画像，
Figure 55688DEST_PATH_IMAGE003
为加权值，k为购买目标商品的次数，
Figure 689669DEST_PATH_IMAGE004
表示为为第k次购买的目标商品，
Figure 34063DEST_PATH_IMAGE005
表示为第k次购买目标商品对应的情绪状态信息。
根据本发明实施例，还包括：
获取所述目标用户购买历史商品对应的类型因子和价格因子以及选定所述历史商品对应的情绪状态信息因子；
将所述类型因子、所述价格因子以及所述情绪状态信息因子进行预处理，得到训练样本集；
将所述训练样本集输入至初始化的商品筛选神经网络中进行训练，获取训练输出结果的准确率；
若所述准确率大于预设的预设阈值则停止训练，得到所述商品筛选神经网络模型；
将所述目标用户目前情绪状态信息和多件目标商品输入所述商品筛选神经网络模型以得到目标商品。
需要说明的是，商品筛选神经网络模型需要大量的历史数据进行训练，数据量决定模型的准确度，本申请中的商品筛选神经网络模型可以通过所述目标用户历史购买商品的商品类型和价格以及当时情绪状态对应获得类型因子、价格因子以及情绪状态信息因子作为输入进行训练提高模型的准确率，当所述准确率高于预设的准确率阈值时则停止训练以得到所述商品筛选神经网络模型，其中准确率阈值可以设置为85%，将用户目前情绪状态信息和多件备选目标商品输入神经网络模型中获得目标商品。
根据本发明实施例，还包括：
根据所述用户近期聊天记录信息、浏览评论信息以及网购历史记录信息获取所述用户目前对应情绪状态信息；
根据所述用户目前对应情绪状态信息在所述目标用户购买商品历史数据库中进行阈值对比；
在所述目标用户购买商品历史数据库中寻找与所述用户目前对应情绪状态信息阈值最相似的历史情绪状态信息作为样本情绪状态信息；
根据寻找的上述样本情绪状态信息对应的历史购买目标商品作为所述目标用户的目标商品。
需要说明的是，根据所述用户近期聊天记录信息、浏览评论信息以及网购历史记录信息获取用户目前对应情绪状态信息，根据用户目前对应情绪状态信息在目标用户购买商品历史数据库中进行阈值对比寻找与用户目前对应情绪状态信息阈值最相似的历史情绪状态信息作为样本情绪状态信息，将样本情绪状态信息对应的历史购买目标商品作为此次目标用户的目标商品，通过数据库的阈值对比可寻找到与用户当前情绪状态信息最匹配的历史记录，并将历史记录的购买目标商品作为此次推荐给用户的选择商品，可根据用户自身历史数据快速获得最合适的目标商品，提高用户的商品选择准确性，提高新客户的满意度。
本申请实施例提供一种存储介质，所述计算机程序被处理器执行时，执行上述实施例的任一可选的实现方式中的方法。其中，存储介质可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器（Static Random AccessMemory, 简称SRAM），电可擦除可编程只读存储器（Electrically Erasable ProgrammableRead-Only Memory, 简称EEPROM），可擦除可编程只读存储器（Erasable ProgrammableRead Only Memory, 简称EPROM），可编程只读存储器（Programmable Red-Only Memory,简称PROM），只读存储器（Read-Only Memory, 简称ROM），磁存储器，快闪存储器，磁盘或光盘。
在本申请所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
另外，作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
再者，在本申请各个实施例中的各功能模块可以集成在一起行程一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成行程一个独立的部分。
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。
以上所述仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (5)

1.一种基于大数据的商品推荐方法，其特征在于，包括以下步骤：
获取目标用户的目标用户信息，所述目标用户信息包括性别信息、年龄信息、工资收入信息以及网购历史记录信息；
根据所述目标用户信息从数据库获取对应的参考用户画像，所述参考用户画像对应的用户信息与目标用户信息的相似度大于预设阈值；
获取所述目标用户在预设时间段内的聊天记录信息、浏览评论信息、行程轨迹信息输入对应的第一神经网络模型，以得到所述目标用户在所述预设时间段内的情绪状态信息；
根据所述参考用户画像获取待推荐的多件参考商品；
根据所述情绪状态信息对所述多件参考商品进行筛选以得到多件目标商品，并将所述多件目标商品推给目标用户；
所述获取所述目标用户在预设时间段内的聊天记录信息、浏览评论信息、行程轨迹信息输入对应的第一神经网络模型，以得到所述目标用户在所述预设时间段内的情绪状态信息，包括：
获取所述目标用户的性格类型；
根据所述性格类型获取与所述性格类型对应的第一神经网络模型；
将所述目标用户在预设时间段内的聊天记录信息、浏览评论信息、行程轨迹信息输入所述第一神经网络模型，以得到所述目标用户在所述预设时间段内的情绪状态信息；
所述获取所述目标用户的性格类型，包括：
获取所述目标用户的历史网络浏览信息、影视作品欣赏信息、歌曲收听信息、网络评论信息、网购历史记录信息以及历史行程轨迹信息；
将所述历史网络浏览信息、影视作品欣赏信息、歌曲收听信息、网络评论信息、网购历史记录信息以及历史行程轨迹信息输入性格类型测试模型，得到所述目标用户的性格类型；
所述根据所述情绪状态信息对所述多件参考商品进行筛选以得到多件目标商品，包括以下步骤：
根据公式计算所述目标用户对每一所述参考商品的购买倾向分数：
Wk=Aq1x/Ak+q2xBk，其中，Wk为商品k的购买倾向分数，q1x为在情绪状态x下价格对购买倾向的影响系数，Ak为商品k的价格，A为目标用户的购买力，q2x为商品类型在情绪状态x下对购买倾向的影响系数，Bk为目标用户对商品k在正常情绪下的购买倾向；
将所述多件参考商品中购买倾向分数的排名位于前面预设位的参考商品作为目标商品；
或者，包括以下步骤：
根据所述目标用户的历史购买目标商品和对应的情绪状态信息建立目标用户购买商品历史数据库；
将所述目标用户信息对应获取的所述参考用户画像与所述购买商品历史数据库中的购买目标商品和情绪状态信息进行加权获取加权后参考用户画像；
根据所述加权后参考用户画像在参考商品数据库中进行阈值对比；
在所述参考商品数据库中查找预设阈值小于所述加权后参考用户画像阈值的参考商品作为多件目标商品推给目标用户。
2.根据权利要求1所述的基于大数据的商品推荐方法，其特征在于，所述根据所述情绪状态信息对所述多件参考商品进行筛选以得到多件目标商品之后，还包括：
将所述情绪状态信息以及所述多件目标商品输入商品筛选模型，得到价格以及类型与所述情绪状态信息对应的目标商品，其中，所述商品筛选模型通过所述目标用户购买历史商品对应的类型因子和价格因子以及选定所述历史商品对应的情绪状态信息因子训练得到。
3.根据权利要求2所述的基于大数据的商品推荐方法，其特征在于，所述方法还包括：
获取所述目标用户的购物结果；
根据所述购物结果中的目标商品对应的类型以及价格对所述商品筛选模型中的权重系数进行更新，得到更新后的商品筛选模型。
4.一种基于大数据的商品推荐系统，其特征在于，该系统包括：存储器及处理器，所述存储器中包括基于大数据的商品推荐方法的程序，所述基于大数据的商品推荐方法的程序被所述处理器执行时实现以下步骤：
获取目标用户的目标用户信息，所述目标用户信息包括性别信息、年龄信息、工资收入信息以及网购历史记录信息；
根据所述目标用户信息从数据库获取对应的参考用户画像，所述参考用户画像对应的用户信息与目标用户信息的相似度大于预设阈值；
获取所述目标用户在预设时间段内的聊天记录信息、浏览评论信息、行程轨迹信息输入对应的第一神经网络模型，以得到所述目标用户在所述预设时间段内的情绪状态信息；
根据所述参考用户画像获取待推荐的多件参考商品；
根据所述情绪状态信息对所述多件参考商品进行筛选以得到多件目标商品，并将所述多件目标商品推给目标用户；
所述获取所述目标用户在预设时间段内的聊天记录信息、浏览评论信息、行程轨迹信息输入对应的第一神经网络模型，以得到所述目标用户在所述预设时间段内的情绪状态信息，包括：
获取所述目标用户的性格类型；
根据所述性格类型获取与所述性格类型对应的第一神经网络模型；
将所述目标用户在预设时间段内的聊天记录信息、浏览评论信息、行程轨迹信息输入所述第一神经网络模型，以得到所述目标用户在所述预设时间段内的情绪状态信息；
所述获取所述目标用户的性格类型，包括：
获取所述目标用户的历史网络浏览信息、影视作品欣赏信息、歌曲收听信息、网络评论信息、网购历史记录信息以及历史行程轨迹信息；
将所述历史网络浏览信息、影视作品欣赏信息、歌曲收听信息、网络评论信息、网购历史记录信息以及历史行程轨迹信息输入性格类型测试模型，得到所述目标用户的性格类型；
所述根据所述情绪状态信息对所述多件参考商品进行筛选以得到多件目标商品，包括以下步骤：
根据公式计算所述目标用户对每一所述参考商品的购买倾向分数：
Wk=Aq1x/Ak+q2xBk，其中，Wk为商品k的购买倾向分数，q1x为在情绪状态x下价格对购买倾向的影响系数，Ak为商品k的价格，A为目标用户的购买力，q2x为商品类型在情绪状态x下对购买倾向的影响系数，Bk为目标用户对商品k在正常情绪下的购买倾向；
将所述多件参考商品中购买倾向分数的排名位于前面预设位的参考商品作为目标商品；
或者，包括以下步骤：
根据所述目标用户的历史购买目标商品和对应的情绪状态信息建立目标用户购买商品历史数据库；
将所述目标用户信息对应获取的所述参考用户画像与所述购买商品历史数据库中的购买目标商品和情绪状态信息进行加权获取加权后参考用户画像；
根据所述加权后参考用户画像在参考商品数据库中进行阈值对比；
在所述参考商品数据库中查找预设阈值小于所述加权后参考用户画像阈值的参考商品作为多件目标商品推给目标用户。
5.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中包括基于大数据的商品推荐方法程序，所述基于大数据的商品推荐方法程序被处理器执行时，实现如权利要求1至3中任一项所述的一种基于大数据的商品推荐方法的步骤。
CN202110748915.0A 2021-07-02 2021-07-02 基于大数据的商品推荐方法、系统及计算机可读存储介质 Active CN113256397B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110748915.0A CN113256397B (zh) 2021-07-02 2021-07-02 基于大数据的商品推荐方法、系统及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110748915.0A CN113256397B (zh) 2021-07-02 2021-07-02 基于大数据的商品推荐方法、系统及计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN113256397A CN113256397A (zh) 2021-08-13
CN113256397B true CN113256397B (zh) 2021-10-26

Family

ID=77190451

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110748915.0A Active CN113256397B (zh) 2021-07-02 2021-07-02 基于大数据的商品推荐方法、系统及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN113256397B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113643068A (zh) * 2021-08-18 2021-11-12 北京小米移动软件有限公司 商品购买意图确定方法、装置、存储介质及电子设备
CN114139065B (zh) * 2022-02-07 2022-05-24 北京融信数联科技有限公司 基于大数据的人才筛选推荐方法、系统及可读存储介质
CN114757723B (zh) * 2022-06-13 2022-09-06 山东国赢大数据产业有限公司 用于资源要素交易平台的数据分析模型构建系统及方法
CN115641186A (zh) * 2022-10-21 2023-01-24 宁波理查德文化创意有限公司 直播产品偏好的智能分析方法、装置、设备及存储介质
CN116485424A (zh) * 2023-06-19 2023-07-25 江西倬慧信息科技有限公司 一种智能营销方法、系统、设备终端及可读存储介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109697657A (zh) * 2018-12-27 2019-04-30 厦门快商通信息技术有限公司 一种餐饮推荐方法、服务器及存储介质

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1895505A1 (en) * 2006-09-04 2008-03-05 Sony Deutschland GmbH Method and device for musical mood detection
CN104781837B (zh) * 2012-08-15 2020-09-22 汤姆森路透社全球资源非有限公司 用于通过使用基于事件的情绪分析来形成预测的系统和方法
US9858564B2 (en) * 2013-09-02 2018-01-02 Paypal, Inc. Optimized multiple digital wallet presentation
US10706367B2 (en) * 2013-09-10 2020-07-07 Facebook, Inc. Sentiment polarity for users of a social networking system
US10223459B2 (en) * 2015-02-11 2019-03-05 Google Llc Methods, systems, and media for personalizing computerized services based on mood and/or behavior information from multiple data sources
US20190260840A1 (en) * 2018-02-21 2019-08-22 Minime Labs, Inc. Method and system for transforming and integrating mobile device shopping interfaces across multiple shopping venues and carriers
CN109360072B (zh) * 2018-11-13 2023-06-23 平安科技（深圳）有限公司 保险产品推荐方法、装置、计算机设备及存储介质
CN109766491A (zh) * 2018-12-18 2019-05-17 深圳壹账通智能科技有限公司 商品搜索方法、装置、计算机设备和存储介质
CN109858960A (zh) * 2019-01-21 2019-06-07 平安科技（深圳）有限公司 商品推送方法、装置、用户信息管理服务器及存储介质
CN112818841A (zh) * 2021-01-29 2021-05-18 北京搜狗科技发展有限公司 一种识别用户情绪的方法及相关装置

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109697657A (zh) * 2018-12-27 2019-04-30 厦门快商通信息技术有限公司 一种餐饮推荐方法、服务器及存储介质

Also Published As

Publication number Publication date
CN113256397A (zh) 2021-08-13

Similar Documents

Publication Publication Date Title
CN113256397B (zh) 基于大数据的商品推荐方法、系统及计算机可读存储介质
Liu et al. Large-scale cross-category analysis of consumer review content on sales conversion leveraging deep learning
Li et al. Cross-selling the right product to the right customer at the right time
Neslin et al. Defection detection: Measuring and understanding the predictive accuracy of customer churn models
Chintagunta et al. Investigating heterogeneity in brand preferences in logit models for panel data
Bucklin et al. Brand choice, purchase incidence, and segmentation: An integrated modeling approach
CN107835231B (zh) 反馈信息的处理方法及终端设备
Luo et al. Recovering hidden buyer–seller relationship states to measure the return on marketing investment in business-to-business markets
US20170249389A1 (en) Sentiment rating system and method
Abramson et al. Parameter bias from unobserved effects in the multinomial logit model of consumer choice
Goodhardt et al. Conditional trend analysis: A breakdown by initial purchasing level
Scarborough et al. Gendered places: The dimensions of local gender norms across the United States
CN113744016B (zh) 一种对象推荐方法及装置、设备、存储介质
CN110598120A (zh) 基于行为数据的理财推荐方法及装置、设备
CN111429214B (zh) 一种基于交易数据的买卖双方匹配方法及装置
CN113254780A (zh) 信息处理的方法、装置、电子设备及计算机存储介质
JP5603678B2 (ja) 需要予測装置及び需要予測方法
CN112015970A (zh) 产品推荐方法、相关设备及计算机存储介质
He et al. Understanding Users' Coupon Usage Behaviors in E-Commerce Environments
Pinto et al. Hybrid recommendation system based on collaborative filtering and fuzzy numbers
KR102429104B1 (ko) 인공지능에 기반한 상품 카탈로그 자동 분류 시스템
Salehan et al. A Recommender System for Online Consumer Reviews.
Iwański et al. Application of the Information Bottleneck method to discover user profiles in a Web store
KR20220118703A (ko) 머신러닝 기반 온라인 쇼핑 리뷰 감정 예측 시스템 및 방법
CN113971581A (zh) 一种机器人的控制方法、装置、终端设备及存储介质

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
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20240102

Address after: 1701, No. 688 Dalian Road, Yangpu District, Shanghai, 200082 (nominal floor is 20 floors)

Patentee after: XIAOVO TECHNOLOGY CO.,LTD.

Address before: Room 108, Zone C, No. 55 Xiaxi Street, Kunshan Development Zone, Suzhou City, Jiangsu Province, 215300

Patentee before: Kunshan Chuangchuang Intellectual Property Operation Co.,Ltd.

Effective date of registration: 20240102

Address after: Room 108, Zone C, No. 55 Xiaxi Street, Kunshan Development Zone, Suzhou City, Jiangsu Province, 215300

Patentee after: Kunshan Chuangchuang Intellectual Property Operation Co.,Ltd.

Address before: 528200 floor 11, building 1, Guangdong Hong Kong Financial Technology Park, No. 6, Jinke Road, Guicheng Street, Nanhai District, Foshan City, Guangdong Province

Patentee before: Foshan Menassen Intelligent Technology Co.,Ltd.

TR01 Transfer of patent right