CN113268692A - 自动收藏客户选项的方法及系统、电子设备和存储介质 - Google Patents
自动收藏客户选项的方法及系统、电子设备和存储介质 Download PDFInfo
- Publication number
- CN113268692A CN113268692A CN202110537386.XA CN202110537386A CN113268692A CN 113268692 A CN113268692 A CN 113268692A CN 202110537386 A CN202110537386 A CN 202110537386A CN 113268692 A CN113268692 A CN 113268692A
- Authority
- CN
- China
- Prior art keywords
- client
- collection
- commodity
- task
- favorite
- 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 42
- 238000003062 neural network model Methods 0.000 claims abstract description 11
- 230000006399 behavior Effects 0.000 claims description 22
- 238000011156 evaluation Methods 0.000 claims description 21
- 230000008030 elimination Effects 0.000 claims description 8
- 238000003379 elimination reaction Methods 0.000 claims description 8
- 230000009471 action Effects 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 5
- 235000014510 cooky Nutrition 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 238000013179 statistical model Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 238000011835 investigation Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 4
- 238000010801 machine learning Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 235000012054 meals Nutrition 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000003137 locomotive effect Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/958—Organisation or management of web site content, e.g. publishing, maintaining pages or automatic linking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—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
- G06F16/9536—Search customisation based on social or collaborative filtering
-
- 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)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
一种自动收藏客户选项的方法及系统、电子设备和存储介质。所述自动收藏客户选项的方法包括：输入客户的搜索需求和所在城市；当客户浏览商品介绍页面时，基于所述搜索需求和所在城市确认所浏览的商品是否满足要求，如果满足则自动收藏于任务收藏夹中。本发明的方法还包括基于训练的神经网络模型给出收藏评分的步骤。本发明通过后台监测采集用户操作数据，并通过机器学习来智能识别用户习惯和用户心仪的家政从业人员，节省用户时间，提高效率。
Description
技术领域
本发明属于机器学习技术领域，尤其是人工智能辅助个性化识别领域，更具体的是涉及一种自动收藏客户选项的方法及系统、电子设备和存储介质。
背景技术
网络技术的飞速发展，使现在足不出户就可以完成绝大多数以前非要出门才能完成的工作和生活，对于挑选家政从业人员，也从原来的人才市场面对面交谈到现在的网上点点手指即可进行选择。
现有的家政服务网站或APP，提供了供客户浏览和直接选择的工具，也提供了系统基于用户喜好自主推荐的工具，但是对于部分选择性困难的客户，由于不太相信网站推荐的结果，宁可自己去反复浏览和对比，而如果每次一见到自己心仪的家政从业人员就点收藏，一会儿之后收藏夹里可能会人满为患，仍然难以抉择；而更多时候，由于还想找到更好的，一直往后翻页，结果之前看好的一个怎么找也找不到了。针对这些问题，当前迫切需要设置和开发一种能够自动察觉客户意图，并为其收藏并排序的系统。
发明内容
有鉴于此，本发明的主要目的在于提出一种自动收藏客户选项的方法及系统、电子设备和存储介质，以期至少部分地解决上述技术问题中的至少之一。
为了实现上述目的，作为本发明的第一方面，提供了一种自动收藏客户选项的方法，包括如下步骤：
输入客户的搜索需求；
当客户浏览商品介绍页面时，基于所述搜索需求和获取的所在城市确认所浏览的商品是否满足要求，如果满足则自动收藏于任务收藏夹中。
作为本发明的第二方面，还提供了一种自动收藏客户选项的系统，包括：
输入输出模块，用于以商品介绍页面的形式展示和供客户选择商品，输入客户的搜索需求，以及输出选择结果；
自动收藏模块，用于当客户浏览商品介绍页面时，基于所述搜索需求和获取的所在城市确认所浏览的商品是否满足要求，如果满足则自动收藏于任务收藏夹中。
作为本发明的第三方面，还提供了一种电子设备，包括处理器和存储器，所述存储器用于存储计算机可执行程序，当所述计算机可执行程序被所述处理器执行时，所述处理器执行如上所述的自动收藏客户选项的方法。
作为本发明的第四方面，还提供了一种计算机可读介质，存储有计算机可执行程序，所述计算机可执行程序被执行时，实现如上所述的自动收藏客户选项的方法。
基于上述技术方案可知，本发明的自动收藏客户选项的方法及系统相对于现有技术至少具有如下有益效果之一：
本发明通过后台监测采集用户操作数据，并利用人工智能模型来识别出客户的偏好，识别结果准确而客观；
本发明可以通过按键开关供客户灵活地选择是否开启定期更新搜索需求，更加尊重客户的隐私和体验感受；
本发明通过机器学习来智能识别用户习惯和用户心仪的家政从业人员，节省用户时间，提高效率。
附图说明
图1是本发明的自动收藏客户选项的方法的方框流程图；
图2是本发明的自动收藏客户选项的系统的结构示意图；
图3是本发明的电子设备的结构示意图；
图4是本发明的计算机可读记录介质的示意图。
具体实施方式
在对于具体实施例的介绍过程中，对结构、性能、效果或者其他特征的细节描述是为了使本领域的技术人员对实施例能够充分理解。但是，并不排除本领域技术人员可以在特定情况下，以不含有上述结构、性能、效果或者其他特征的技术方案来实施本发明。
附图中的流程图仅是一种示例性的流程演示，不代表本发明的方案中必须包括流程图中的所有的内容、操作和步骤，也不代表必须按照图中所显示的顺序执行。例如，流程图中有的操作/步骤可以分解，有的操作/步骤可以合并或部分合并，等等，在不脱离本发明的发明主旨的情况下，流程图中显示的执行顺序可以根据实际情况改变。
附图中的框图一般表示的是功能实体，并不一定必然与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理单元装置和/或微控制器装置中实现这些功能实体。
各附图中相同的附图标记表示相同或类似的元件、组件或部分，因而下文中可能省略了对相同或类似的元件、组件或部分的重复描述。还应理解，虽然本文中可能使用第一、第二、第三等表示编号的定语来描述各种器件、元件、组件或部分，但是这些器件、元件、组件或部分不应受这些定语的限制。也就是说，这些定语仅是用来将一者与另一者区分。例如，第一器件亦可称为第二器件，但不偏离本发明实质的技术方案。此外，术语“和/或”、“及/或”是指包括所列出项目中的任一个或多个的所有组合。
本发明是针对部分客户在家政服务网站浏览心仪的家政从业人员时瞻前顾后，又不相信系统推荐的情形而开发出来的。对于客户的偏好选择，常规解决思路通常是提前让客户输入自己的偏好和要求，然后系统筛选之后把结果反馈给客户，但由于竞价排名的客观现实，以及家政从业人员的标签太少，导致最终结果不尽如客户所愿。对于这一情形，本发明寻思从客户的浏览行为本身着手，例如对于感兴趣的可能会反复查看，可能页面停留时间更长，由此通过技术的手段来区分客户的喜好，更加客观的甄别出客户心仪的家政从业人员。
具体地，如图1所示，本发明提出了一种自动收藏客户选项的方法，具体包括如下步骤：
输入客户的搜索需求；
当客户浏览商品介绍页面时，基于所述搜索需求和获取的所在城市确认所浏览的商品是否满足要求，如果满足则自动收藏于任务收藏夹中。
其中，所述商品例如为家政从业人员的服务，选择商品即从家政服务平台选人来进行服务的过程，比如在家政服务选择平台上选择能够上门服务的钟点工(阿姨)，选择设备维修、电器保养、管道疏通等的专业人士等。
其中，客户需要直接输入搜索需求，以反映客户的真实意愿。而对于所在城市，可以由客户从下拉表单中选择，也可以由GPS定位自动识别。由于家政服务大多数都会有地域限制，所以需要确认当前所在城市。
其中，在客户退出浏览商品选择页面时，还基于客户的浏览行为、个人偏好、历史记录等，并根据预先训练好的神经网络模型评估客户对收藏的商品的喜好程度。其中的个人偏好例如是客户接受第三方调查时提交的个人兴趣爱好和根据cookies统计排序得到的个人偏好，以及个人微博、微信等文字内容中反映的个人偏好。其中的历史记录例如是曾经的收藏、客服问答记录等。
其中，客户的浏览行为的相关数据包括商品介绍页面的访问次数和访问时间、页面内点击次数、鼠标的点选动作(点选文字或照片)、总浏览次数和总浏览时间等。其中，商品介绍页面的访问次数和访问时间是指当前登录平台的时间段内对某一商品介绍页面的访问次数和访问时间，是多次的累加；而总浏览次数和总浏览时间则是指历史上所有登录平台的时间段内，且每次登录时其页面访问次数超过一定阈值时，对这一商品介绍页面的访问次数和访问时间的累加。
其中，预先训练好的神经网络模型例如可以采用统计模型、时间函数模型、画像系统模型和/或基于协同过滤算法(BPR)的个性化推荐模型等，模型的输入为监控获得的客户的浏览行为、个人偏好、历史记录等，输出为客户对商品的评价值或喜好程度。平台也可以将相应评价值随着收藏信息一起存储在相应数据库中，方便日后查询对比。
其中，退出浏览商品选择页面的标志例如是客户退出当前商品选择页面(商品选择页面上排列若干商品介绍页面的链接，退出商品选择页面即完成这些商品介绍页面的浏览)、客户退出当前APP、客户切换到其它应用程序等等。由于本发明的方法运行速度快，可以不限制运行次数，因此每次客户登录完成一次商品选择，浏览完若干个商品介绍页面后均可以生成一次评价值。而对于客户分不同时间多次登录进入家政服务选择平台的情形，可以在当次的浏览行为数据超过一定阈值时，将其中的浏览行为数据进行累计，以避免系统多次随机进入同一页面导致其总访问次数异常突出、而实际客户主动访问的意愿并不高的情形。评价值也是随着浏览行为数据的增大而增大，从而得出更准确的结果。
其中，任务收藏夹的容量例如为50、80或100，容量太小客户没看几个就满了，容量太大又增大了客户的选择难度，设置就没有了意义。对于任务收藏夹中的收藏，当超出收藏上限时，还包括对其进行末位淘汰的步骤，淘汰的标准是最早收藏(因为时间长了变动可能就大，有可能不再从事这一行业，或换成其他工种了，从而可能导致实际不再提供该商品)，以及匹配度最低、个人评价值最低的收藏。
其中，用户可以选择是否定期接收推送，在用户选择接受推送时，系统能够按照设置的间隔时间重新让客户输入搜索需求，即收藏策略，例如输入希望寻找“做事认真、年龄偏大、做饭好吃、女性”的家政服务人员。定期更新收藏策略的目的是因为系统一直是后台运行，客户时间一长可能就忘了还需要相关设置，结果很长时间后客户的需求变了，系统还是按照老的搜索策略在自动收藏。这个定期例如为一个月、一个季度等。
其中，对于模型给出的评价值特别高，但又不符合当前收藏策略的家政从业人员，可以将其收藏在一个系统收藏夹中，以便下次客户发布不同的任务时，还可以进行后续查看和下单。例如，客户看上一个特别会收纳的家政从业人员，但因为本次的搜索需求是找一个照顾老人的家政从业人员，任务收藏夹就不会收录，而如果不收藏以后有需求了再来查找可能就找不到了，所以可以将其收藏在不符合当前需求、但客户喜欢的系统收藏夹中。
其中，在客户点选任务收藏夹时，系统将收藏结果排序展示输出，客户越关注的商品越靠前展示。此外，优选在点选任务收藏夹时，系统还检验系统收藏夹中的收藏商品信息，看是否满足这次的收藏策略，如果符合则将其添加到任务收藏夹并排序输出。
如图2所示，本发明还提出了一种自动收藏客户选项的系统，具体包括：
输入输出模块，用于以商品介绍页面的形式展示和供客户选择商品，输入客户的搜索需求，以及输出选择结果；
自动收藏模块，用于当客户浏览商品介绍页面时，基于所述搜索需求和获取的所在城市确认所浏览的商品是否满足要求，如果满足则自动收藏于任务收藏夹中。
其中，所述商品例如为家政从业人员的服务，选择商品即从家政服务平台选人来进行服务的过程，比如在家政服务选择平台上选择能够上门服务的钟点工(阿姨)，选择设备维修、电器保养、管道疏通等的专业人士等。
其中，在退出所述商品介绍页面时，还基于客户的浏览行为、个人偏好、历史记录等，并根据预先训练好的神经网络模型评估客户对收藏的商品的喜好程度。其中的个人偏好例如是客户调查时提交的个人兴趣爱好、根据cookies统计排序得到的个人偏好，以及个人微博、微信等文字内容中反映的个人偏好。其中的历史记录例如是曾经的收藏、个人聊天记录、客服问答记录等。
其中，客户的浏览行为的相关数据包括商品页面的访问次数和访问时间、页面内点击次数、鼠标的点选动作(点选文字或照片)、总浏览次数、总浏览时间等。
其中，预先训练好的神经网络模型例如可以采用统计模型、时间函数模型、画像系统模型和/或基于协同过滤算法(BPR)的个性化推荐模型等，模型的输入为监控获得的客户的网络行为数据，输出为客户对商品的评价值或喜好程度。平台也可以将相应评价值随着收藏信息一起存储在相应数据库中，方便日后查询对比。
其中，退出浏览商品选择页面的标志例如是客户退出当前商品选择页面(商品选择页面上排列若干商品介绍页面的链接，退出商品选择页面即完成这些商品介绍页面的浏览)、客户退出当前APP、客户切换到其它应用程序等等。由于本发明的方法运行速度快，可以不限制运行次数，因此每次客户登录完成一次商品选择，浏览完若干个商品介绍页面后均可以生成一次评价值。而对于客户分不同时间多次登录进入家政服务选择平台的情形，可以在当次的浏览行为数据超过一定阈值时，将其中的浏览行为数据进行累计，以避免系统多次随机进入同一页面导致其总访问次数异常突出、而实际客户主动访问的意愿并不高的情形。评价值也是随着浏览行为数据的增大而增大，从而得出更准确的结果。
其中，任务收藏夹的容量例如为50、80或100，容量太小客户没看几个就满了，容量太大又增大了客户的选择难度，设置就没有了意义。对于任务收藏夹中的收藏，当超出收藏上限时，还包括对其进行末位淘汰的步骤，淘汰的标准是最早收藏(因为时间长了变动可能就大，有可能不再从事这一行业，或换成其他工种了，从而可能导致实际不再提供该商品)，以及匹配度最低、个人评价值最低的收藏。
其中，用户可以选择是否定期接收推送，在用户选择接受推送时，系统能够按照设置的间隔时间重新让客户输入搜索需求，即收藏策略，例如输入希望寻找“做事认真、年龄偏大、做饭好吃、女性”的家政服务人员。定期更新收藏策略的目的是因为系统一直是后台运行，客户时间一长可能就忘了还需要相关设置，结果很长时间后客户的需求变了，系统还是按照老的搜索策略在自动收藏。这个定期例如为一个月、一个季度等。
其中，对于模型给出的评价值特别高，但又不符合当前收藏策略的家政从业人员，可以将其收藏在一个系统收藏夹中，以便下次客户发布不同的任务时，还可以进行后续查看和下单。例如，客户看上一个特别会收纳的家政从业人员，但因为本次的搜索需求是找一个照顾老人的家政从业人员，任务收藏夹就不会收录，而如果不收藏以后有需求了再来查找可能就找不到了，所以可以将其收藏在不符合当前需求、但客户喜欢的系统收藏夹中。
其中，在客户点选任务收藏夹时，系统将收藏结果排序展示输出，客户越关注的商品越靠前展示。此外，优选在点选任务收藏夹时，系统还检验系统收藏夹中的收藏商品信息，看是否满足这次的收藏策略，如果符合则将其添加到任务收藏夹并排序输出。
本发明还提出了一种电子设备，包括处理器和存储器，所述存储器用于存储计算机可执行程序，其中当所述计算机可执行程序被所述处理器执行时，所述处理器执行如上所述的自动收藏客户选项的方法。
图3是本发明的电子设备的结构示意图，如图3所示，电子设备以通用计算设备的形式表现。其中处理器可以是一个，也可以是多个并且协同工作。本发明也不排除进行分布式处理，即处理器可以分散在不同的实体设备中。本发明的电子设备并不限于单一实体，也可以是多个实体设备的总和。
所述存储器存储有计算机可执行程序，通常是机器可读的代码。所述计算机可执行程序可以被所述处理器执行，以使得电子设备能够执行本发明的方法，或者方法中的至少部分步骤。
所述存储器包括易失性存储器，例如随机存取存储单元(RAM)和/或高速缓存存储单元，还可以是非易失性存储器，如只读存储单元(ROM)。
可选的，该实施例中，电子设备还包括有I/O接口，其用于电子设备与外部的设备进行数据交换。I/O接口可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
应当理解，图3显示的电子设备仅仅是本发明的一个示例，本发明的电子设备中还可以包括上述示例中未示出的元件或组件。例如，有些电子设备中还包括有显示屏等显示单元，有些电子设备还包括人机交互元件，例如按扭、键盘等。只要该电子设备能够执行存储器中的计算机可读程序以实现本发明方法或方法的至少部分步骤，均可认为是本发明所涵盖的电子设备。
本发明还提出了一种计算机可读介质，图4是本发明的计算机可读介质的示意图，如图4所示，存储有计算机可执行程序，所述计算机可执行程序被执行时，实现如上所述的自动收藏客户选项的方法。
所述计算机可读介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Python、Java、C++、C#等，还包括常规的过程式程序设计语言—诸如C语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
通过以上对实施方式的描述，本领域的技术人员易于理解，本发明可以由能够执行特定计算机程序的硬件来实现，例如本发明的系统，以及系统中包含的电子处理单元、服务器、客户端、手机、控制单元、处理器等，本发明也可以由包含上述系统或部件的至少一部分的智能设备来实现。本发明也可以由执行本发明的方法的计算机软件来实现，例如由智能设备端的微处理器、电子控制单元，客户端、服务器端等执行的控制软件来实现。但需要说明的是，执行本发明的方法的计算机软件并不限于由一个或特定个的硬件实体中执行，其也可以是由不特定具体硬件的以分布式的方式来实现，例如计算机程序执行的某些方法步骤可以在机车端执行，另一部分可以在移动终端或智能头盔等中执行。对于计算机软件，软件产品可以存储在一个计算机可读的存储介质(可以是CD-ROM，U盘，移动硬盘等)中，也可以分布式存储于网络上，只要其能使得电子设备执行根据本发明的方法。
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明作进一步的详细说明。需要注意的是，下述实施例仅是用于说明本发明，而不是用于对本发明作出限制。
实施例1
本发明实施例1提出了一种自动收藏客户选项的方法，具体包括如下步骤：
输入客户的搜索需求和所在城市，例如“北京”、“四五十岁之间”、“勤快”、“会炒菜”；
当客户浏览商品介绍页面时，系统将基于所述搜索需求和所在城市确认所浏览的商品是否满足要求，如果满足则自动收藏于任务收藏夹中。
其中，所述平台为家政服务平台，客户选项为寻找合适的家政从业人员，如选择能够上门服务的手脚勤快的钟点工(阿姨)。
实施例2
具体方法步骤同实施例1，区别仅在于在浏览完并退出所述商品选择页面时(点选了关闭当前页面的按钮)，还基于客户的浏览行为，并根据预先训练好的神经网络模型评估客户对收藏的商品的喜好程度。
其中，客户的浏览行为相关数据包括商品介绍页面的访问次数和访问时间、页面内点击次数和鼠标的点选动作(点选文字或照片)、总浏览次数和总浏览时间。
其中，预先训练好的神经网络模型为基于协同过滤算法(BPR)的个性化推荐模型，模型输入客户的浏览行为数据，输出客户对商品的评价值。
通过对上述实施方式的描述，本领域的技术人员易于理解，本发明因为能够自动在后台操作，不需要客户再去点击触发，方便了客户的选择；此外，本发明的方法也充分考虑了客户的意愿和隐私法律的保护，给客户提供是否提取相关数据的选择机会，且严格遵守隐私法律不将相关数据外传或挪作他用的限制。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，应理解的是，本发明不与任何特定计算机、虚拟装置或者电子设备固有相关，各种通用装置也可以实现本发明。以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种自动收藏客户选项的方法，其特征在于，包括如下步骤：
输入客户的搜索需求；
当客户浏览商品介绍页面时，基于所述搜索需求和获取的所在城市确认所浏览的商品是否满足要求，如果满足则自动收藏于任务收藏夹中。
2.根据权利要求1所述的方法，其特征在于，
所述商品为家政从业人员的服务。
3.根据权利要求1所述的方法，其特征在于，
在退出所述商品介绍页面时，还基于客户的浏览行为、个人偏好和/或历史记录，并根据预先训练好的神经网络模型评估客户对收藏的商品的喜好程度；
其中，客户的浏览行为的相关数据包括商品页面的访问次数和访问时间、页面内点击次数、鼠标的点选动作、总浏览次数和/或总浏览时间；
其中，个人偏好是客户接受第三方调查时提交的个人兴趣爱好信息、根据cookies统计排序得到的个人偏好数据，以及个人微博、微信文字内容中反映的个人偏好数据；
作为优选，所述预先训练好的神经网络模型采用统计模型、时间函数模型、画像系统模型和/或基于协同过滤算法的个性化推荐模型，模型的输入为客户的浏览行为数据、个人偏好和/或历史记录，输出为客户对商品的评价值或喜好程度。
作为优选，所述商品的评价值随着收藏信息一起被存储在相应数据库中，方便日后查询对比。
4.根据权利要求1所述的方法，其特征在于，
其中，对于任务收藏夹中的收藏，当超出收藏上限时，还包括对其进行末位淘汰的步骤，淘汰的标准是最早的收藏、匹配度最低的收藏和/或个人评价值最低的收藏；
其中，在用户接受推送时，系统能够按照设置的间隔时间重新让客户输入搜索需求；
其中，对于模型给出的评价值特别高，但又不符合当前收藏策略的家政从业人员，将其收藏在一个系统收藏夹中；
其中，在客户点选任务收藏夹时，系统将收藏结果排序输出，客户越关注的商品越靠前展示；
作为优选，在点选任务收藏夹时，还检验系统收藏夹中的收藏商品信息是否满足所述策略，如果符合则将其添加到任务收藏夹中并排序输出。
5.一种自动收藏客户选项的系统，其特征在于，包括：
输入输出模块，用于以商品介绍页面的形式展示和供客户选择商品，输入客户的搜索需求，以及输出选择结果；
自动收藏模块，用于当客户浏览商品介绍页面时，基于所述搜索需求和获取的所在城市确认所浏览的商品是否满足要求，如果满足则自动收藏于任务收藏夹中。
6.根据权利要求5所述的自动收藏客户选项的系统，其特征在于，
所述商品为家政从业人员的服务；
7.根据权利要求5所述的自动收藏客户选项的系统，其特征在于，
在退出所述商品介绍页面时，还基于客户的浏览行为、个人偏好和/或历史记录，并根据预先训练好的神经网络模型评估客户对收藏的商品的喜好程度；
其中，客户的浏览行为的相关数据包括商品页面的访问次数和访问时间、页面内点击次数、鼠标的点选动作、总浏览次数和/或总浏览时间；
其中，个人偏好是客户接受第三方调查时提交的个人兴趣爱好信息、根据cookies统计排序得到的个人偏好数据，以及个人微博、微信文字内容中反映的个人偏好数据；
作为优选，所述预先训练好的神经网络模型采用统计模型、时间函数模型、画像系统模型和/或基于协同过滤算法的个性化推荐模型，模型的输入为客户的浏览行为数据、个人偏好和/或历史记录，输出为客户对商品的评价值或喜好程度。
作为优选，所述商品的评价值随着收藏信息一起被存储在相应数据库中，方便日后查询对比。
8.根据权利要求5所述的自动收藏客户选项的系统，其特征在于，
其中，对于任务收藏夹中的收藏，当超出收藏上限时，自动收藏模块还对其进行末位淘汰，淘汰的标准是最早的收藏、匹配度最低的收藏和/或个人评价值最低的收藏；
其中，在用户接受推送时，系统能够按照设置的间隔时间重新让客户输入搜索需求；
其中，对于模型给出的评价值特别高，但又不符合当前收藏策略的家政从业人员，将其收藏在一个系统收藏夹中；
其中，在客户点选任务收藏夹时，系统将收藏结果排序输出，客户越关注的商品越靠前展示；
作为优选，在点选任务收藏夹时，还检验系统收藏夹中的收藏商品信息是否满足所述策略，如果符合则将其添加到任务收藏夹中并排序输出。
9.一种电子设备，包括处理器和存储器，所述存储器用于存储计算机可执行程序，其特征在于：
当所述计算机程序被所述处理器执行时，所述处理器执行如权利要求1-4中任一项所述的自动收藏客户选项的方法。
10.一种计算机可读介质，存储有计算机可执行程序，其特征在于，所述计算机可执行程序被执行时，实现如权利要求1-4中任一项所述的自动收藏客户选项的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110537386.XA CN113268692A (zh) | 2021-05-18 | 2021-05-18 | 自动收藏客户选项的方法及系统、电子设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110537386.XA CN113268692A (zh) | 2021-05-18 | 2021-05-18 | 自动收藏客户选项的方法及系统、电子设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113268692A true CN113268692A (zh) | 2021-08-17 |
Family
ID=77231358
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110537386.XA Pending CN113268692A (zh) | 2021-05-18 | 2021-05-18 | 自动收藏客户选项的方法及系统、电子设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113268692A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114138152A (zh) * | 2021-12-02 | 2022-03-04 | 连尚（新昌）网络科技有限公司 | 信息收藏方法和设备 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104915422A (zh) * | 2015-06-10 | 2015-09-16 | 安一恒通（北京）科技有限公司 | 基于浏览器的网页收藏方法和装置 |
| US20160012130A1 (en) * | 2014-07-14 | 2016-01-14 | Yahoo! Inc. | Aiding composition of themed articles about popular and novel topics and offering users a navigable experience of associated content |
| CN106802906A (zh) * | 2015-11-26 | 2017-06-06 | 五八同城信息技术有限公司 | 信息查询方法、装置及服务器设备 |
| CN108416649A (zh) * | 2018-02-05 | 2018-08-17 | 北京三快在线科技有限公司 | 搜索结果排序方法、装置、电子设备及存储介质 |
| CN109154946A (zh) * | 2017-02-27 | 2019-01-04 | 华为技术有限公司 | 一种显示收藏对象的方法和终端 |
| CN109165974A (zh) * | 2018-08-06 | 2019-01-08 | 深圳乐信软件技术有限公司 | 一种商品推荐模型训练方法、装置、设备及存储介质 |
| CN109190076A (zh) * | 2018-08-23 | 2019-01-11 | Oppo广东移动通信有限公司 | 页面收藏方法、装置、存储介质和电子设备 |
-
2021
- 2021-05-18 CN CN202110537386.XA patent/CN113268692A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160012130A1 (en) * | 2014-07-14 | 2016-01-14 | Yahoo! Inc. | Aiding composition of themed articles about popular and novel topics and offering users a navigable experience of associated content |
| CN104915422A (zh) * | 2015-06-10 | 2015-09-16 | 安一恒通（北京）科技有限公司 | 基于浏览器的网页收藏方法和装置 |
| CN106802906A (zh) * | 2015-11-26 | 2017-06-06 | 五八同城信息技术有限公司 | 信息查询方法、装置及服务器设备 |
| CN109154946A (zh) * | 2017-02-27 | 2019-01-04 | 华为技术有限公司 | 一种显示收藏对象的方法和终端 |
| CN108416649A (zh) * | 2018-02-05 | 2018-08-17 | 北京三快在线科技有限公司 | 搜索结果排序方法、装置、电子设备及存储介质 |
| CN109165974A (zh) * | 2018-08-06 | 2019-01-08 | 深圳乐信软件技术有限公司 | 一种商品推荐模型训练方法、装置、设备及存储介质 |
| CN109190076A (zh) * | 2018-08-23 | 2019-01-11 | Oppo广东移动通信有限公司 | 页面收藏方法、装置、存储介质和电子设备 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114138152A (zh) * | 2021-12-02 | 2022-03-04 | 连尚（新昌）网络科技有限公司 | 信息收藏方法和设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10728203B2 (en) | Method and system for classifying a question | |
| KR102472572B1 (ko) | 사용자 의도 프로파일링 방법 및 이를 위한 장치 | |
| CN109086394B (zh) | 搜索排序方法、装置、计算机设备和存储介质 | |
| US11042590B2 (en) | Methods, systems and techniques for personalized search query suggestions | |
| KR20200003106A (ko) | 정보 검색 방법, 장치 및 시스템 | |
| EP3189449A2 (en) | Sentiment rating system and method | |
| US10891549B2 (en) | System and method for intelligent resource ranking and retrieval | |
| CN112115363A (zh) | 一种推荐方法、计算设备及存储介质 | |
| WO2015135110A1 (en) | Systems and methods for keyword suggestion | |
| CN111552880A (zh) | 基于知识图谱的数据处理方法、装置、介质及电子设备 | |
| US11899728B2 (en) | Methods, systems and techniques for ranking personalized and generic search query suggestions | |
| US10387432B2 (en) | Methods, systems and techniques for ranking blended content retrieved from multiple disparate content sources | |
| WO2019108276A1 (en) | Method and apparatus for providing personalized self-help experience | |
| US20210035183A1 (en) | Method and system for a recommendation engine utilizing progressive labeling and user content enrichment | |
| US20180276731A1 (en) | System and Method for Automated Product Recommendations | |
| US11836169B2 (en) | Methods, systems and techniques for providing search query suggestions based on non-personal data and user personal data according to availability of user personal data | |
| CN111754278A (zh) | 物品推荐方法、装置、计算机存储介质和电子设备 | |
| CN111209351A (zh) | 对象关系预测、对象推荐方法及装置、电子设备、介质 | |
| US11216735B2 (en) | Method and system for providing synthetic answers to a personal question | |
| US11941073B2 (en) | Generating and implementing keyword clusters | |
| US20220198529A1 (en) | Automatic rule generation for next-action recommendation engine | |
| KR102477245B1 (ko) | 향상된 온라인 리서치를 위한 시스템 및 방법 | |
| KR102398361B1 (ko) | Gui 기반 인공지능 추천 시스템 및 그 방법 | |
| CN113268692A (zh) | 自动收藏客户选项的方法及系统、电子设备和存储介质 | |
| US10747400B1 (en) | Shaping a relevance profile for engagement |
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: 20210817 |