CN113327134A - 商品信息推荐方法及装置、电子设备和介质 - Google Patents
商品信息推荐方法及装置、电子设备和介质 Download PDFInfo
- Publication number
- CN113327134A CN113327134A CN202110666400.6A CN202110666400A CN113327134A CN 113327134 A CN113327134 A CN 113327134A CN 202110666400 A CN202110666400 A CN 202110666400A CN 113327134 A CN113327134 A CN 113327134A
- Authority
- CN
- China
- Prior art keywords
- user
- consumption
- determining
- commodity
- category
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000004590 computer program Methods 0.000 claims abstract description 17
- 230000004044 response Effects 0.000 claims abstract description 14
- 230000006399 behavior Effects 0.000 claims description 37
- 238000004891 communication Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 238000012545 processing Methods 0.000 description 8
- 239000000047 product Substances 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 230000009467 reduction Effects 0.000 description 5
- 230000003247 decreasing effect Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 241000699666 Mus <mouse, genus> Species 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000000586 desensitisation Methods 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 241000699670 Mus sp. Species 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 239000013065 commercial product Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 230000000007 visual 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
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0207—Discounts or incentives, e.g. coupons or rebates
- G06Q30/0222—During e-commerce, i.e. online transactions
-
- 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)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开提供了一种商品信息推荐方法、装置、电子设备、计算机可读存储介质和计算机程序产品,涉及计算机领域,尤其涉及智能推荐技术领域。实现方案为:响应于接收到用户请求,确定与该请求相对应的至少一个商品;获取该用户与至少一个商品分别对应的消费水平;以及基于至少一个商品各自的优惠信息确定与相对应的消费水平相匹配的商品。
Description
技术领域
本公开涉及计算机领域,尤其涉及智能推荐技术领域,具体涉及一种商品信息推荐方法、装置、电子设备、计算机可读存储介质和计算机程序产品。
背景技术
随着移动互联网技术以及直播技术的发展,越来越多的消费者通过电商进行购物和消费,例如电商直播。当前主要是基于用户的历史购物商品来判断用户的兴趣偏好,为用户推荐感兴趣的电商来促进成单。但是当前基于商品类型的推荐维度偏向单一,无法很好的匹配当前用户的消费能力水平。
发明内容
本公开提供了一种商品信息推荐方法、装置、电子设备、计算机可读存储介质和计算机程序产品。
根据本公开的一方面,提供了一种商品信息推荐方法,包括:响应于接收到用户请求,确定与所述请求相对应的至少一个商品;获取所述用户与该至少一个商品分别对应的消费水平;以及基于该至少一个商品各自的优惠信息确定与相对应的消费水平相匹配的商品。
根据本公开的另一方面,提供了一种商品信息推荐装置,包括:第一确定单元,配置为响应于接收到用户请求,确定与所述请求相对应的至少一个商品;获取单元,配置为获取所述用户与所述至少一个商品分别对应的消费水平;以及第二确定单元,配置为基于所述至少一个商品各自的优惠信息确定与所述相对应的消费水平相匹配的商品。
根据本公开的另一方面,提供了一种电子设备,包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;存储器存储有可被至少一个处理器执行的指令,该指令被至少一个处理器执行,以使至少一个处理器能够执行本公开所述的方法。
根据本公开的另一方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,该计算机指令用于使计算机执行本公开所述的方法。
根据本公开的另一方面,提供了一种计算机程序产品,包括计算机程序,该计算机程序在被处理器执行时实现本公开所述的方法。
根据本公开的一个或多个实施例,能够结合用户的消费水平以及商品优惠信息,为用户推荐与其消费能力相匹配的商品信息,提升了用户的购物体验,并能进一步促进成单。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图示例性地示出了实施例并且构成说明书的一部分,与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的,并不限制权利要求的范围。在所有附图中,相同的附图标记指代类似但不一定相同的要素。
图1示出了根据本公开的实施例的可以在其中实施本文描述的各种方法的示例性系统的示意图;
图2示出了根据本公开的实施例的商品信息推荐方法的流程图;
图3示出了根据本公开的实施例的构建用户画像的方法的流程图;
图4示出了根据本公开的实施例的确定用户所感兴趣的商品类目的流程图;
图5示出了根据本公开的实施例的商品信息推荐过程的示例性示意图;
图6示出了根据本公开的实施例的商品信息推荐装置的结构框图;以及
图7示出了能够用于实现本公开的实施例的示例性电子设备的结构框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
在本公开中,除非另有说明,否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系,这种术语只是用于将一个元件与另一元件区分开。在一些示例中,第一要素和第二要素可以指向该要素的同一实例,而在某些情况下,基于上下文的描述,它们也可以指代不同实例。
在本公开中对各种所述示例的描述中所使用的术语只是为了描述特定示例的目的,而并非旨在进行限制。除非上下文另外明确地表明,如果不特意限定要素的数量,则该要素可以是一个也可以是多个。此外,本公开中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。
本公开的技术方案中,所涉及的用户个人信息的获取、存储和应用等,均符合相关法律法规的规定,且不违背公序良俗。
下面将结合附图详细描述本公开的实施例。
图1示出了根据本公开的实施例可以将本文描述的各种方法和装置在其中实施的示例性系统100的示意图。参考图1,该系统100包括一个或多个客户端设备101、102、103、104、105和106、服务器120以及将一个或多个客户端设备耦接到服务器120的一个或多个通信网络110。客户端设备101、102、103、104、105和106可以被配置为执行一个或多个应用程序。
在本公开的实施例中,服务器120可以运行使得能够执行商品信息推荐方法的一个或多个服务或软件应用。
在某些实施例中,服务器120还可以提供可以包括非虚拟环境和虚拟环境的其他服务或软件应用。在某些实施例中,这些服务可以作为基于web的服务或云服务提供,例如在软件即服务(SaaS)模型下提供给客户端设备101、102、103、104、105和/或106的用户。
在图1所示的配置中,服务器120可以包括实现由服务器120执行的功能的一个或多个组件。这些组件可以包括可由一个或多个处理器执行的软件组件、硬件组件或其组合。操作客户端设备101、102、103、104、105和/或106的用户可以依次利用一个或多个客户端应用程序来与服务器120进行交互以利用这些组件提供的服务。应当理解,各种不同的系统配置是可能的,其可以与系统100不同。因此,图1是用于实施本文所描述的各种方法的系统的一个示例,并且不旨在进行限制。
客户端设备101、102、103、104、105和/或106可以用来接收用户请求等等。客户端设备可以提供使客户端设备的用户能够与客户端设备进行交互的接口。客户端设备还可以经由该接口向用户输出信息。尽管图1仅描绘了六种客户端设备,但是本领域技术人员将能够理解,本公开可以支持任何数量的客户端设备。
客户端设备101、102、103、104、105和/或106可以包括各种类型的计算机设备,例如便携式手持设备、通用计算机(诸如个人计算机和膝上型计算机)、工作站计算机、可穿戴设备、游戏系统、瘦客户端、各种消息收发设备、传感器或其他感测设备等。这些计算机设备可以运行各种类型和版本的软件应用程序和操作系统,例如Microsoft Windows、AppleiOS、类UNIX操作系统、Linux或类Linux操作系统(例如Google Chrome OS);或包括各种移动操作系统,例如Microsoft Windows Mobile OS、iOS、Windows Phone、Android。便携式手持设备可以包括蜂窝电话、智能电话、平板电脑、个人数字助理(PDA)等。可穿戴设备可以包括头戴式显示器和其他设备。游戏系统可以包括各种手持式游戏设备、支持互联网的游戏设备等。客户端设备能够执行各种不同的应用程序,例如各种与Internet相关的应用程序、通信应用程序(例如电子邮件应用程序)、短消息服务(SMS)应用程序,并且可以使用各种通信协议。
网络110可以是本领域技术人员熟知的任何类型的网络,其可以使用多种可用协议中的任何一种(包括但不限于TCP/IP、SNA、IPX等)来支持数据通信。仅作为示例,一个或多个网络110可以是局域网(LAN)、基于以太网的网络、令牌环、广域网(WAN)、因特网、虚拟网络、虚拟专用网络(VPN)、内部网、外部网、公共交换电话网(PSTN)、红外网络、无线网络(例如蓝牙、WIFI)和/或这些和/或其他网络的任意组合。
服务器120可以包括一个或多个通用计算机、专用服务器计算机(例如PC(个人计算机)服务器、UNIX服务器、中端服务器)、刀片式服务器、大型计算机、服务器群集或任何其他适当的布置和/或组合。服务器120可以包括运行虚拟操作系统的一个或多个虚拟机,或者涉及虚拟化的其他计算架构(例如可以被虚拟化以维护服务器的虚拟存储设备的逻辑存储设备的一个或多个灵活池)。在各种实施例中,服务器120可以运行提供下文所描述的功能的一个或多个服务或软件应用。
服务器120中的计算单元可以运行包括上述任何操作系统以及任何商业上可用的服务器操作系统的一个或多个操作系统。服务器120还可以运行各种附加服务器应用程序和/或中间层应用程序中的任何一个,包括HTTP服务器、FTP服务器、CGI服务器、JAVA服务器、数据库服务器等。
在一些实施方式中,服务器120可以包括一个或多个应用程序,以分析和合并从客户端设备101、102、103、104、105和106的用户接收的数据馈送和/或事件更新。服务器120还可以包括一个或多个应用程序,以经由客户端设备101、102、103、104、105和106的一个或多个显示设备来显示数据馈送和/或实时事件。
在一些实施方式中,服务器120可以为分布式系统的服务器,或者是结合了区块链的服务器。服务器120也可以是云服务器,或者是带人工智能技术的智能云计算服务器或智能云主机。云服务器是云计算服务体系中的一项主机产品,以解决传统物理主机与虚拟专用服务器(VPS,Virtual Private Server)服务中存在的管理难度大、业务扩展性弱的缺陷。
系统100还可以包括一个或多个数据库130。在某些实施例中,这些数据库可以用于存储数据和其他信息。例如,数据库130中的一个或多个可用于存储诸如用户消费行为数据、用户画像等数据。数据存储库130可以驻留在各种位置。例如,由服务器120使用的数据存储库可以在服务器120本地,或者可以远离服务器120且可以经由基于网络或专用的连接与服务器120通信。数据存储库130可以是不同的类型。在某些实施例中,由服务器120使用的数据存储库可以是数据库,例如关系数据库。这些数据库中的一个或多个可以响应于命令而存储、更新和检索到数据库以及来自数据库的数据。
在某些实施例中,数据库130中的一个或多个还可以由应用程序使用来存储应用程序数据。由应用程序使用的数据库可以是不同类型的数据库,例如键值存储库,对象存储库或由文件系统支持的常规存储库。
图1的系统100可以以各种方式配置和操作,以使得能够应用根据本公开所描述的各种方法和装置。
在例如电商直播场景下,当前主要是基于用户的历史购物商品来判断用户的兴趣偏好,为用户推荐包含感兴趣的商品的电商直播间来促进成单。但是,有时同一种类型的商品价格区间存在非常大的跨度,只基于商品类型的推荐维度偏向单一,无法很好的匹配当前用户的消费能力水平;而且,当前直播间会存在很多商品和优化信息,目前的推荐算法主要基于当前商品标价来计算商品价格,忽略了直播间优惠劵信息,无法标识最终的成交价格,提高用户购买成本,同时也会存在标价虚高导致用户流失的风险。
因此,根据本公开的实施例提供了一种商品信息推荐方法200,如图2所示,包括:响应于接收到用户请求,确定与所述请求相对应的至少一个商品(步骤210);获取所述用户与该至少一个商品分别对应的消费水平(步骤220);以及基于该至少一个商品各自的优惠信息确定与相对应的消费水平相匹配的商品(步骤230)。
根据本公开的实施例,能够结合用户的消费水平以及商品优惠信息,为用户推荐与其消费能力相匹配的商品信息,提升了用户的购物体验,并能进一步促进成单。
根据一些实施例,确定与请求相对应的至少一个商品可以包括:基于用户画像确定所述用户所感兴趣的至少一个商品,以作为与所述请求相对应的至少一个商品。根据一些实施例,获取用户与至少一个商品分别对应的消费水平可以包括:基于用户画像获取所述用户的消费水平。
在上述实施例中,用户画像是预先基于所述用户的消费行为数据所得到的。
因此,根据本公开的方法还可以包括构建用户画像的步骤,即构建用户的消费习惯画像。例如,在一些电商直播场景中,构建用户消费习惯画像可以基于用户在电商直播场景的历史购买商品订单的行为,经过持续的数据积累和用户成单行为分析,逐步构建出用户的消费习惯画像模型。并且,还可以基于当前用户的消费情况来对用户进行消费能力分层,以获取用户的消费水平。
在一些示例中,可以获取用户在一个或多个电商平台上的第一用户行为数据,以基于第一用户行为数据构建该用户的用户画像。或者,还可以通过爬虫抓取除所述电商平台外的其他网络平台上的第二用户行为数据,以将表征为同一用户的第一用户行为数据和第二用户数据进行合并,以构建出该用户的用户画像。
根据一些实施例,全网抓取用户行为数据以及获取的电商平台上的用户数据,将表征为相同用户的行为数据进行合并,以构建出每一个用户的用户画像。相同用户的表征可以基于用户信息多维度特征,包括但不限于,使用注册手机号、邮箱、收货地址、微信/百度/支付宝账号授权、WiFi+GPS等多种特征联合表征一个用户。
在一些示例中,可以获取用户在各个电商平台内的商品浏览路径行为、下单购物行为等,通过数据脱敏处理后,对各个电商平台内的用户行为数据进行统一的加工刻画,实现各电商细分领域的全局信息整合。数据脱敏,指对某些敏感信息通过脱敏规则进行数据的变形,实现敏感隐私数据的可靠保护。敏感信息可以以加密串或者嵌入(embedding)低维表征的形式出现,这样就可以安全地使用脱敏后的真实数据集。
根据一些实施,如图3所示,示出了一种构建用户的用户画像的方法300,可以包括:获取用户的消费行为数据(步骤310);基于消费行为数据确定用户在一个或多个商品类目中的每一个类目下的消费信息,其中一个或多个商品类目分别对应于一个或多个类目级别中的相应的级别(步骤320);基于消费信息确定用户所感兴趣的商品类目(步骤330);以及基于消费信息确定用户所感兴趣的商品类目下的消费水平(步骤340)。
在一些示例中,可以首先获取用户的消费行为数据,例如下单购买商品的行为数据、浏览或点击商品的行为数据等,以对该消费行为数据进行统计整合。示例地,可以按照商品的不同等级的类目标签分别进行消费行为的统计整合。商品的多级类目结构可以如下所示:办公用品(一级)、教育文具(二级)、文件收纳(三级)…,电脑(一级)、配件(二级)、键盘(三级)、鼠标(三级)…。一级类目下可以包含一个或多个二级类目录,二级类目下可以包括一个或多个三级类目,…,等等。类目粒度由粗到细,相同等级下可以包含多个类目标签。
在上述示例中,当用户购买了商品键盘后,相应的键盘类目、配件类目以及电脑类目下的消费行为数据将均被更新。
根据一些实施例,所述消费信息可以包括:消费总额、消费次数以及最后一次消费时间等。通过对消费行为数据进行分析,可以统计得到用户在不同等级的类目标签下的累计消费金额、消费次数、最近一次的消费时间等,从而基于统计数据进一步构建出用户的消费行为画像。
在一些实施例中,如图4所示,基于消费信息确定用户所感兴趣的商品类目(步骤330)可以包括:确定最后一次消费时间在预定时间段内的第一商品类目(步骤410);对于每一个类目级别:将最后一次消费时间在预定时间段之外的商品类目根据消费次数进行排序,选择消费次数最高的预定个数的商品类目作为第二商品类目(步骤420);将第一商品类目和第二商品类目确定为用户所感兴趣的商品类目(步骤430)。
在一些示例中,可以根据用户最近一次的消费时间描绘用户购物兴趣变化趋势。示例地,最近一次消费时间在预定时间段之内(例如最近30天内)的商品类目进行完整保留,以反映用户当前短期的消费兴趣。
进一步地,针对每一级类目:当最近一次消费时间在预定时间段之外(例如30天之前)的商品类目根据消费次数进行降序排序,保留消费次数最高的预定个数的类目数据,以反映用户长期消费兴趣点。例如,在一级类目中,对最近一次消费时间在预定时间段之外的一级类目:办公用品、电脑等等,按照消费次数进行排序;并且在二级类目中,对最近一次消费时间在预定时间段之外的二级类目:教育文具、配件等等,按照消费次数进行排序;在三级类目中,对最近一次消费时间在预定时间段之外的三级类目:文件收纳、鼠标、键盘等等,按照消费次数进行排序…,直到每一个级别下的对应各个类目的消费数据均被统计完成。可以理解的是,对于反映用户长期消费兴趣点的类目,不同级别中可以保留相同个数的类目(例如一级类目、二级类目…均保留100个),也可以保留不同个数的类目(例如一级类目保留50个、二级类目保留200个…等等),在此不作限制。
从而,构建出用户对不同类目的商品的长短期兴趣画像。
根据一些实施例,步骤340可以包括:对于每一个商品类目(即,确定的用户所感兴趣的商品类目):基于以下公式确定用户所感兴趣的商品类目下的消费水平Q:
其中,M为当前商品类目下的累计消费总额,N为当前商品类目下的累计消费次数。
根据一些实施例,根据本公开的方法还可以包括:响应于所述用户新增消费行为数据,更新所述用户画像。当新增消费行为数据的时候,保证用户画像的实时更新。因此,用户画像会伴随用户的不同时期的消费行为数据而动态成长变化。
因此,根据本公开的实施例,基于用户在例如电商直播场景的下单购买商品的行为,可以将用户的消费能力细化到商品不同等级的类目标签,通过计算当前用户对商品类目的平均消费能力,构建用户对于不同商品的兴趣程度和消费意愿预估,经过持续的数据积累和行为分析,完整勾勒出用户消费习惯和消费能力水平,对用户消费能力进行分层。
根据一些实施例,基于至少一个商品各自的优惠信息确定与相对应的消费水平相匹配的商品可以包括:基于至少一个商品各自的优惠信息确定其成交价;以及响应于所述成交价在所述相对应的消费水平的预定波动范围内,确定所述成交价与所述相对应的消费水平相匹配。
示例地,在电商直播场景下,可以根据当前商品的类目与用户画像中的相关类目的消费水平进行对比,若当前商品的成交价在用户在相关类目上的消费水平的±10%波动范围内,即认为当前商品优惠后的价格与用户的消费水平相匹配,可以召回当前商品信息。
如图5所示,示出了商品信息推荐过程的示例性示意图。其中,过程501中获取用户消费行为日志。在过程502中,构建用户消费分层,即估计用户对其所感兴趣的商品类目的消费能力,包括:基于不同级别的商品类目统计消费金额M、消费次数N、最近消费时间tm等消费信息;基于消费次数N、最近消费时间tm构建用户长短期消费兴趣画像;以及基于消费金额M、消费次数N构建用户在不同商品类目上的消费水平Q_label等。在过程503中,计算商品的优惠券信息,包括:基于优惠券计算商品的折扣率D;基于折扣率计算商品的最终成单价格P_true等。在过程504中,基于用户的消费水平Q_label与商品成单价格P_true计算匹配度。以及,在过程505中,基于商品的折扣率D和优惠券类型对召回的商品进行重排序。
根据一些实施例,基于至少一个商品各自的优惠信息确定其成交价可以包括:基于至少一个商品各自的优惠类型确定其折扣率;以及基于折扣率确定至少一个商品各自的成交价。
在一些示例中,电商平台的优惠劵主要包括2种类型(即优惠类型):满减、立减。满减即在满足一定购物金额或购买条件后才可享受相应优惠。立减即只要存在购物行为就可享受相应的优惠。
示例地,在电商直播场景下,可以基于直播间挂载的商品的原始价格、优惠劵类型以及优惠金额,确定商品相应的折扣率D(Discount)。例如,如果商品的优惠类型为立减,则折扣率为:优惠金额/商品原价;如果商品的优惠类型为满减,则折扣率为:1/n*(优惠金额/商品原价),或者,折扣率为:优惠金额/满减门槛,其中,n表示达到所述满减条件需要购买的商品数量。例如,某件商品原价为300元,优惠类型为立减50元,则其折扣率为:50/300=16.667%。某件商品原价为300元,优惠类型为每满500减100,则其折扣率为:100/(300*2)=16.667%。
但是应当理解,上述商品折扣率的计算方式仅仅是示例性的,其他基于商品的优惠类型确定其折扣率的方式也是可能的,在此不作限制。
在一些实施例中,可以对确定的与用户相对应的消费水平相匹配的商品进行召回。在一些示例中,还可以基于商品的折扣率以及其优惠类型对召回的商品进行排序。
由于优惠劵的存在,导致当前挂载商品的标价和最终成交价之间存在一定的差异,而根据本公开的商品信息推荐方法通过将最终优惠后的商品价格与用户的消费能力来进行匹配,能够推荐出符合当前用户消费能力的商品,从而刺激观众的购买需求,促进成单。
根据一些实施例,根据本公开的方法还可以包括:确定包含与用户相对应的消费水平相匹配的商品的电商信息,以对所述电商进行召回。
根据一些实施例,根据本公开的方法还可以包括:基于所述电商相对应的商品的折扣率确定所述电商的折扣率;以及基于所述电商的折扣率以及相对应的商品的优惠类型对所述召回的电商进行排序。
下面以电商直播场景为例,详细阐述电商的优惠力度D的计算逻辑。如果直播间只挂载了一种商品且优惠类型为立减,则该直播间折扣率为:优惠金额/商品原价;如果直播间只挂载了一种商品且优惠类型为满减,则该直播间折扣率为:1/n*(优惠金额/商品原价),其中,n表示达到满减条件需要购买的数量;如果直播间挂载了多种商品且优惠类型均为立减,则该直播间折扣率为:优惠金额/最低商品原价;如果直播间挂载了多种商品且优惠类型全部为满减,则该直播间折扣率为:优惠金额/满减门槛;如果直播间挂载了多种商品且优惠类型为部分商品满减,则该直播间折扣率为:优惠金额/满减门槛,并且只关注有优惠的商品即可。如果同一直播间中的不同商品的优惠券或折扣率不同,则以最大折扣率的商品所对应的折扣率作为该直播间的折扣率。
根据一些实施例,基于折扣率以及优惠类型对所述召回的电商进行排序包括:基于召回的电商的折扣率对该电商进行排序。并且,响应于两个或更多个电商的折扣率相同,进一步基于优惠类型进行排序。
以电商直播场景为例,对召回的多个直播间,基于折扣率和优惠劵类型进行重排序,构建最终的推荐队列。示例地,基于直播间最大折扣率排序,折扣率越高,排序越靠前。如果两个直播间的折扣率相同,商品优惠类型为立减的直播间的排序优先于商品优惠类型为满减的直播间的排序。
将召回的直播间按照最大商品折扣率进行排序,使得排序靠前的直播间既包含了与用户的消费能力相匹配的商品,又展现了较高的折扣力度,能够刺激用户的消费欲望,促进成单。
但是应当理解,上述基于折扣率以及优惠类型对召回的电商进行排序的方式仅仅是示例性的,其他排序方式也是可能的,在此不作限制。
根据本公开的实施例,如图6所示,还提供了一种商品信息推荐装置600,包括:第一确定单元610,配置为响应于接收到用户请求,确定与所述请求相对应的至少一个商品;获取单元620,配置为获取所述用户与所述至少一个商品分别对应的消费水平;以及第二确定单元630,配置为基于所述至少一个商品各自的优惠信息确定与所述相对应的消费水平相匹配的商品。
这里,商品信息推荐装置600的上述各单元610~630的操作分别与前面描述的步骤210~230的操作类似,在此不再赘述。
根据本公开的示例性实施例还提供了一种电子设备,包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述商品信息推荐方法。
根据本公开的示例性实施例还提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行上述商品信息推荐方法。
根据本公开的示例性实施例还提供了一种计算机程序产品,包括计算机程序,其中,所述计算机程序在被处理器执行时实现上述商品信息推荐方法。
参考图7,现将描述可以作为本公开的服务器或客户端的电子设备700的结构框图,其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图7所示,设备700包括计算单元701,其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序,来执行各种适当的动作和处理。在RAM 703中,还可存储设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
设备700中的多个部件连接至I/O接口705,包括:输入单元706、输出单元707、存储单元708以及通信单元709。输入单元706可以是能向设备700输入信息的任何类型的设备,输入单元706可以接收输入的数字或字符信息,以及产生与电子设备的用户设置和/或功能控制有关的键信号输入,并且可以包括但不限于鼠标、键盘、触摸屏、轨迹板、轨迹球、操作杆、麦克风和/或遥控器。输出单元707可以是能呈现信息的任何类型的设备,并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元708可以包括但不限于磁盘、光盘。通信单元709允许设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据,并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组,例如蓝牙TM设备、1302.11设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。
计算单元701可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元701的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元701执行上文所描述的各个方法和处理,例如方法200。例如,在一些实施例中,方法200可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元708。在一些实施例中,计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到RAM703并由计算单元701执行时,可以执行上文描述的方法200的一个或多个步骤。备选地,在其他实施例中,计算单元701可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行方法200。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本公开中记载的各步骤可以并行地执行、也可以顺序地或以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
虽然已经参照附图描述了本公开的实施例或示例,但应理解,上述的方法、系统和设备仅仅是示例性的实施例或示例,本发明的范围并不由这些实施例或示例限制,而是仅由授权后的权利要求书及其等同范围来限定。实施例或示例中的各种要素可以被省略或者可由其等同要素替代。此外,可以通过不同于本公开中描述的次序来执行各步骤。进一步地,可以以各种方式组合实施例或示例中的各种要素。重要的是随着技术的演进,在此描述的很多要素可以由本公开之后出现的等同要素进行替换。
Claims (20)
1.一种商品信息推荐方法,包括:
响应于接收到用户请求,确定与所述请求相对应的至少一个商品;
获取所述用户与所述至少一个商品分别对应的消费水平;以及
基于所述至少一个商品各自的优惠信息确定与所述相对应的消费水平相匹配的商品。
2.如权利要求1所述的方法,其中,确定与所述请求相对应的至少一个商品包括:
基于用户画像确定所述用户所感兴趣的至少一个商品,以作为与所述请求相对应的至少一个商品;以及
获取所述用户与所述至少一个商品分别对应的消费水平包括:
基于所述用户画像获取所述用户的消费水平,
其中,所述用户画像是预先基于所述用户的消费行为数据所得到的。
3.如权利要求2所述的方法,还包括:构建所述用户的用户画像,
其中,构建所述用户的用户画像包括:
获取所述用户的消费行为数据;
基于所述消费行为数据确定所述用户在一个或多个商品类目中的每一个商品类目下的消费信息,其中所述一个或多个商品类目分别对应于一个或多个类目级别中的相应的级别;
基于所述消费信息确定所述用户所感兴趣的商品类目;以及
基于所述消费信息确定所述用户所感兴趣的商品类目下的消费水平。
4.如权利要求3所述的方法,其中,所述消费信息包括:消费总额、消费次数以及最后一次消费时间,其中,
基于所述消费信息确定所述用户所感兴趣的商品类目包括:
确定所述最后一次消费时间在预定时间段内的第一商品类目;
对于每一个类目级别:将所述最后一次消费时间在所述预定时间段之外的商品类目根据消费次数进行排序,选择消费次数最高的预定个数的商品类目作为第二商品类目;以及
将所述第一商品类目和所述第二商品类目确定为所述用户所感兴趣的商品类目。
6.如权利要求1-5中任一项所述的方法,其中,基于所述至少一个商品各自的优惠信息确定与所述相对应的消费水平相匹配的商品包括:
基于所述至少一个商品各自的优惠信息确定其成交价;以及
响应于所述成交价在所述相对应的消费水平的预定波动范围内,确定所述成交价与所述相对应的消费水平相匹配。
7.如权利要求6所述的方法,其中,基于所述至少一个商品各自的优惠信息确定其成交价包括:
基于所述至少一个商品各自的优惠类型确定其折扣率;以及
基于所述折扣率确定所述至少一个商品各自的成交价。
8.如权利要求1或7所述的方法,还包括:确定包含所述相匹配的商品的电商的信息,以对所述电商进行召回。
9.如权利要求8所述的方法,还包括:
基于所述电商相对应的商品的折扣率确定所述电商的折扣率;以及
基于所述电商的折扣率以及相对应的商品的优惠类型对所述召回的电商进行排序。
10.如权利要求9所述的方法,其中,基于所述折扣率以及所述优惠类型对所述召回的电商进行排序包括:
基于所述折扣率对所述召回的电商进行排序,并且,
响应于两个或更多个电商的所述折扣率相同,进一步基于所述优惠类型进行排序。
11.如权利要求2-5中任一项所述的方法,还包括:响应于所述用户新增消费行为数据,更新所述用户画像。
12.一种商品信息推荐装置,包括:
第一确定单元,配置为响应于接收到用户请求,确定与所述请求相对应的至少一个商品;
获取单元,配置为获取所述用户与所述至少一个商品分别对应的消费水平;以及
第二确定单元,配置为基于所述至少一个商品各自的优惠信息确定与所述相对应的消费水平相匹配的商品。
13.如权利要求12所述的装置,其中,所述第一确定单元包括:
用于基于用户画像确定所述用户所感兴趣的至少一个商品,以作为与所述请求相对应的至少一个商品的单元;以及
所述获取单元包括:
用于基于所述用户画像获取所述用户的消费水平的单元,
其中,所述用户画像是预先基于所述用户的消费行为数据所得到的。
14.如权利要求13所述的装置,还包括:用于构建所述用户的用户画像的单元,
其中,所述用于构建所述用户的用户画像的单元包括:
用于获取所述用户的消费行为数据的单元;
用于基于所述消费行为数据确定所述用户在一个或多个商品类目中的每一个类目下的消费信息的单元,其中所述一个或多个类目分别对应于一个或多个类目级别中的相应的级别;
用于基于所述消费信息确定所述用户所感兴趣的商品类目的单元;以及
用于基于所述消费信息确定所述用户所感兴趣的商品类目下的消费水平的单元。
15.如权利要求14所述的装置,其中,所述消费信息包括:消费总额、消费次数以及最后一次消费时间,其中,
所述用于基于所述消费信息确定所述用户所感兴趣的商品类目的单元包括:
用于确定所述最后一次消费时间在预定时间段内的第一商品类目的单元;
用于将每一个类目级别中的所述最后一次消费时间在所述预定时间段之外的商品类目根据消费次数进行排序,以在所述每一个类目级别中分别选择消费次数最高的预定个数的商品类目作为第二商品类目的单元;
用于将所述第一商品类目和所述第二商品类目确定为所述用户所感兴趣的商品类目的单元。
16.如权利要求12-15中任一项所述的装置,其中,所述用于基于所述至少一个商品各自的优惠信息确定与所述相对应的消费水平相匹配的商品的单元包括:
用于基于所述至少一个商品各自的优惠信息确定其成交价的单元;以及
用于响应于所述成交价在所述相对应的消费水平的预定波动范围内,确定所述成交价与所述相对应的消费水平相匹配的单元。
17.如权利要求12或16所述的装置,还包括:用于确定包含所述相匹配的商品的电商的信息,以对所述电商进行召回的单元。
18.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-11中任一项所述的方法。
19.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1-11中任一项所述的方法。
20.一种计算机程序产品,包括计算机程序,其中,所述计算机程序在被处理器执行时实现权利要求1-11中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110666400.6A CN113327134B (zh) | 2021-06-16 | 2021-06-16 | 商品信息推荐方法及装置、电子设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110666400.6A CN113327134B (zh) | 2021-06-16 | 2021-06-16 | 商品信息推荐方法及装置、电子设备和介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113327134A true CN113327134A (zh) | 2021-08-31 |
CN113327134B CN113327134B (zh) | 2024-01-16 |
Family
ID=77421037
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110666400.6A Active CN113327134B (zh) | 2021-06-16 | 2021-06-16 | 商品信息推荐方法及装置、电子设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113327134B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116308507A (zh) * | 2023-02-07 | 2023-06-23 | 网舟联合科技(北京)有限公司 | 一种基于客户价值的潜在客户挖掘方法、存储介质及设备 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103325052A (zh) * | 2013-07-03 | 2013-09-25 | 姚明东 | 一种基于多维度用户消费倾向建模的商品推荐方法 |
KR20140133665A (ko) * | 2013-05-09 | 2014-11-20 | 에스케이플래닛 주식회사 | 상품 추천 서비스 시스템 및 그 방법, 그리고 이에 적용되는 장치 |
CN107679904A (zh) * | 2017-09-28 | 2018-02-09 | 山东浪潮云服务信息科技有限公司 | 一种推荐商品的方法及装置 |
CN108960992A (zh) * | 2018-06-29 | 2018-12-07 | 黄宗治 | 一种信息推荐方法以及相关设备 |
US20190005540A1 (en) * | 2017-06-30 | 2019-01-03 | Microsoft Technology Licensing, Llc | Purchase analytics derived from a consumer decision journey model |
CN110443649A (zh) * | 2019-08-02 | 2019-11-12 | 杭州讯酷科技有限公司 | 基于匹配算法的智能推荐方法、系统及售货机 |
CN111415217A (zh) * | 2020-02-18 | 2020-07-14 | 重庆特斯联智慧科技股份有限公司 | 基于人脸识别用户画像的消费者推荐方法、系统及货架 |
CN111699503A (zh) * | 2019-06-04 | 2020-09-22 | 深圳海付移通科技有限公司 | 一种广告推荐方法、装置及电子设备 |
CN111753177A (zh) * | 2019-03-11 | 2020-10-09 | 阿里巴巴集团控股有限公司 | 个性化推荐方法、装置及计算机存储介质 |
WO2020232615A1 (zh) * | 2019-05-20 | 2020-11-26 | 深圳市欢太科技有限公司 | 信息推荐方法、装置、电子设备以及存储介质 |
CN112085567A (zh) * | 2020-09-09 | 2020-12-15 | 北京百度网讯科技有限公司 | 商品推荐方法、装置、电子设备以及可读介质 |
-
2021
- 2021-06-16 CN CN202110666400.6A patent/CN113327134B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20140133665A (ko) * | 2013-05-09 | 2014-11-20 | 에스케이플래닛 주식회사 | 상품 추천 서비스 시스템 및 그 방법, 그리고 이에 적용되는 장치 |
CN103325052A (zh) * | 2013-07-03 | 2013-09-25 | 姚明东 | 一种基于多维度用户消费倾向建模的商品推荐方法 |
US20190005540A1 (en) * | 2017-06-30 | 2019-01-03 | Microsoft Technology Licensing, Llc | Purchase analytics derived from a consumer decision journey model |
CN107679904A (zh) * | 2017-09-28 | 2018-02-09 | 山东浪潮云服务信息科技有限公司 | 一种推荐商品的方法及装置 |
CN108960992A (zh) * | 2018-06-29 | 2018-12-07 | 黄宗治 | 一种信息推荐方法以及相关设备 |
CN111753177A (zh) * | 2019-03-11 | 2020-10-09 | 阿里巴巴集团控股有限公司 | 个性化推荐方法、装置及计算机存储介质 |
WO2020232615A1 (zh) * | 2019-05-20 | 2020-11-26 | 深圳市欢太科技有限公司 | 信息推荐方法、装置、电子设备以及存储介质 |
CN111699503A (zh) * | 2019-06-04 | 2020-09-22 | 深圳海付移通科技有限公司 | 一种广告推荐方法、装置及电子设备 |
CN110443649A (zh) * | 2019-08-02 | 2019-11-12 | 杭州讯酷科技有限公司 | 基于匹配算法的智能推荐方法、系统及售货机 |
CN111415217A (zh) * | 2020-02-18 | 2020-07-14 | 重庆特斯联智慧科技股份有限公司 | 基于人脸识别用户画像的消费者推荐方法、系统及货架 |
CN112085567A (zh) * | 2020-09-09 | 2020-12-15 | 北京百度网讯科技有限公司 | 商品推荐方法、装置、电子设备以及可读介质 |
Non-Patent Citations (4)
Title |
---|
RAY STRONG等: "Using Energy Storage to Modify the Shape of Internally Generated Demand to Fit a Prescribed Shape for Externally Presented Demand", 2018 IEEE INTERNATIONAL CONFERENCE ON SERVICES COMPUTING (SCC) * |
万志超;王亚杰;: "基于商品属性的消费者个性化偏好模型研究", 北京邮电大学学报(社会科学版), no. 05 * |
王茜;喻继军;: "基于价格消费习惯的商品多样性推荐", 系统工程, no. 03 * |
董海峰;刘科材;: "基于Hadoop和Mahout的网上优惠信息聚合平台", 福建电脑, no. 03 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116308507A (zh) * | 2023-02-07 | 2023-06-23 | 网舟联合科技(北京)有限公司 | 一种基于客户价值的潜在客户挖掘方法、存储介质及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN113327134B (zh) | 2024-01-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9817846B1 (en) | Content selection algorithms | |
US20140222588A1 (en) | Advertisement system, control method for advertisement system, advertisement control device, control method for advertisement control device, program, and information storage medium | |
CN113411645B (zh) | 信息推荐方法及装置、电子设备和介质 | |
JP2022525760A (ja) | 予測rfmセグメンテーション | |
CN103970767A (zh) | 一种网络商品交易系统 | |
CN114791982B (zh) | 对象推荐方法和装置 | |
CN113065882A (zh) | 一种商品处理方法、装置及电子设备 | |
CN115409575A (zh) | 商品推荐方法、装置、电子设备和存储介质 | |
CN113327134B (zh) | 商品信息推荐方法及装置、电子设备和介质 | |
US10474688B2 (en) | System and method to recommend a bundle of items based on item/user tagging and co-install graph | |
KR102425758B1 (ko) | 기계 학습 기반 업체 추천 시스템 | |
US10540706B2 (en) | System for intelligent injecting and ejecting of virtual connected buttons for OS interfaces | |
CN112287208B (zh) | 用户画像生成方法、装置、电子设备及存储介质 | |
CN116304335A (zh) | 对象推荐方法、用户偏好识别方法及装置 | |
CN113868453B (zh) | 对象推荐方法和装置 | |
CN113761379B (zh) | 商品推荐方法及装置、电子设备和介质 | |
CN115168732A (zh) | 资源推荐方法、装置、设备以及存储介质 | |
CN114880580A (zh) | 信息推荐方法及装置、电子设备和介质 | |
CN113326436A (zh) | 确定推荐资源的方法、装置、电子设备和存储介质 | |
CN114818843A (zh) | 数据分析的方法、装置和计算设备 | |
CN113382310B (zh) | 信息推荐方法及装置、电子设备和介质 | |
CN113722523B (zh) | 对象推荐方法和装置 | |
CN111339408B (zh) | 信息推荐方法和装置 | |
CN110956477A (zh) | 一种确定商品最优价格的方法和装置 | |
CN114036389B (zh) | 对象推荐方法、推荐模型的训练方法及装置 |
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 |