CN113409124A - 一种基于贝叶斯回归分析的大宗商品推荐方法及系统 - Google Patents

一种基于贝叶斯回归分析的大宗商品推荐方法及系统 Download PDF

Info

Publication number
CN113409124A
CN113409124A CN202110774857.9A CN202110774857A CN113409124A CN 113409124 A CN113409124 A CN 113409124A CN 202110774857 A CN202110774857 A CN 202110774857A CN 113409124 A CN113409124 A CN 113409124A
Authority
CN
China
Prior art keywords
merchant
commodity
preference
regression analysis
bayesian regression
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
Application number
CN202110774857.9A
Other languages
English (en)
Inventor
王光臣
黄鹏琰
王钰
张盼盼
邢壮壮
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.)
Shandong University
Original Assignee
Shandong University
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 Shandong University filed Critical Shandong University
Priority to CN202110774857.9A priority Critical patent/CN113409124A/zh
Publication of CN113409124A publication Critical patent/CN113409124A/zh
Pending legal-status Critical Current

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]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • General Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computational Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明属于数据处理技术领域，提供了一种基于贝叶斯回归分析的大宗商品推荐方法及系统。该方法包括，基于商家信息和大宗商品信息生成各商家的总喜好评分矩阵和商家对商品类型的偏好评分矩阵；其中，所述各商家的总喜好评分矩阵的生成考虑包括：各商家对不同商品的喜好程度、各商品的质量以及各商品的价格；基于各商家的总喜好评分矩阵和商家对商品类型的偏好评分矩阵构建贝叶斯回归分析模型；基于贝叶斯回归分析模型将评分高于设定阈值的商品推荐给商家。

Description

一种基于贝叶斯回归分析的大宗商品推荐方法及系统
技术领域
本发明属于数据处理技术领域，尤其涉及一种基于贝叶斯回归分析的大宗商品推荐方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
大宗商品是用于工农业生产与消费使用的大批量买卖的物质商品，具体涉及到有色金属、黑色、贵金属、谷物、软产品、油脂、化工产品、鸡蛋、建筑材料等产业，42个交易品种。在部分突发情况下，大宗商品价格出现了一定程度的涨幅，一方面，货物消费对服务消费出现了大规模的替代，推动了全球货物贸易和工业生产的迅速正常化，从而助推了价格；另一方面，对基础商品供应能力的抑制，以及对供应链的扰动从供给端推动价格上涨。大宗商品价格的变动，在很大程度上影响了商家对大宗商品的喜好程度和采购。
发明内容
为了解决上述背景技术中存在的技术问题，本发明提供一种基于贝叶斯回归分析的大宗商品推荐方法及系统，其能够为商家找到适合自己的大宗产品。
为了实现上述目的，本发明采用如下技术方案：
本发明的第一个方面提供一种基于贝叶斯回归分析的大宗商品推荐方法。
一种基于贝叶斯回归分析的大宗商品推荐方法，包括：
基于商家信息和大宗商品信息生成各商家的总喜好评分矩阵和商家对商品类型的偏好评分矩阵；其中，所述各商家的总喜好评分矩阵的生成考虑包括：各商家对不同商品的喜好程度、各商品的质量以及各商品的价格；
基于各商家的总喜好评分矩阵和商家对商品类型的偏好评分矩阵构建贝叶斯回归分析模型；
基于贝叶斯回归分析模型将评分高于设定阈值的商品推荐给商家。
进一步的，所述各商家的总喜好评分矩阵生成包括：基于商家信息和大宗商品信息，利用主成分分析法获得每个商家对每种大宗商品的喜好程度，得到商家的总喜好评分矩阵。
进一步的，利用奇异值分解方法，将商家的总喜好评分矩阵分解成具有发展潜力的商家矩阵和具有发展潜力的大宗商品矩阵，基于具有发展潜力的商家矩阵和具有发展潜力的大宗商品矩阵得到某个商家对某种商品的喜好程度评分。
进一步的，所述各商家对不同商品的喜好程度包括：商家对不同商品的购买次数、浏览次数和每次浏览的时间。
进一步的，各商品的质量和各商品的价格的获取包括：采用网上公开数据和/或线下问卷调查的数据，获取各商品的质量和各商品的价格数据。
进一步的，所述商家对商品类型的偏好评分矩阵的生成，基于商家对某类型大宗商品评分的产品数量和该类型产品数量的关系。
进一步的，所述商品类型包括：能源商品、基础原材料和农副产品。
本发明的第二个方面提供一种基于贝叶斯回归分析的大宗商品推荐系统。
一种基于贝叶斯回归分析的大宗商品推荐系统，包括：
总喜好和类型偏好获取单元，其被配置为：基于商家信息和大宗商品信息生成各商家的总喜好评分矩阵和商家对商品类型的偏好评分矩阵；其中，所述各商家的总喜好评分矩阵的生成考虑包括：各商家对不同商品的喜好程度、各商品的质量以及各商品的价格；
模型构建单元，其被配置为：基于各商家的总喜好评分矩阵和商家对商品类型的偏好评分矩阵构建贝叶斯回归分析模型；
大宗商品推荐单元，其被配置为：基于贝叶斯回归分析模型将评分高于设定阈值的商品推荐给商家。
本发明的第三个方面提供一种计算机可读存储介质。
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述第一个方面所述的基于贝叶斯回归分析的大宗商品推荐方法中的步骤。
本发明的第四个方面提供一种计算机设备。
一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述第一个方面所述的基于贝叶斯回归分析的大宗商品推荐方法中的步骤。
与现有技术相比，本发明的有益效果是：
本发明可以更有效的为每个商家采购大宗商品提供指导性的建议，提高推荐效率和准确率。
本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1是本发明实施例一的一种大宗商品推荐方法的流程示意图；
图2是本发明实施例一的一种大宗商品推荐方法的商家-大宗商品的总体喜好评分矩阵流程图；
图3是本发明实施例一商家的总体喜好评分矩阵、类型偏好评分矩阵、最终评分矩阵的关系图；
图4是本发明实施例一提供的大宗商品推荐装置结构示意图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
需要注意的是，附图中的流程图和框图示出了根据本公开的各种实施例的方法和系统的可能实现的体系架构、功能和操作。应当注意，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，所述模块、程序段、或代码的一部分可以包括一个或多个用于实现各个实施例中所规定的逻辑功能的可执行指令。也应当注意，在有些作为备选的实现中，方框中所标注的功能也可以按照不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，或者它们有时也可以按照相反的顺序执行，这取决于所涉及的功能。同样应当注意的是，流程图和/或框图中的每个方框、以及流程图和/或框图中的方框的组合，可以使用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以使用专用硬件与计算机指令的组合来实现。
实施例一
如图1所示，本实施例提供了一种基于贝叶斯回归分析的大宗商品推荐方法，本实施例以该方法应用于服务器进行举例说明，可以理解的是，该方法也可以应用于终端，还可以应用于包括终端和服务器和系统，并通过终端和服务器的交互实现。服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务器、云通信、中间件服务、域名服务、安全服务CDN、以及大数据和人工智能平台等基础云计算服务的云服务器。终端可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等，但并不局限于此。终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接，本申请在此不做限制。本实施例中，该方法包括以下步骤：
S101：基于商家信息和大宗商品信息生成各商家的总喜好评分矩阵和商家对商品类型的偏好评分矩阵；其中，所述各商家的总喜好评分矩阵的生成考虑包括：各商家对不同商品的喜好程度、各商品的质量以及各商品的价格；所述商家信息包括N个有意向采购大宗商品的商家名称；所述大宗商品信息包括多种(例如鸡蛋、菜籽、苹果、金、银、铜、燃油、焦炭、玻璃、塑料等等)大宗商品的价格、质量。
在步骤S101中，获取商家信息和大宗商品信息的步骤包括：
获取有意向购买大宗商品的商家数量，Buyer＝{1,...i,...,N},其中，i表示第i个商家。
获取大宗商品M种，Product＝{1,...j,...,M},其中，j表示第j种大宗商品。
商家-大宗商品的喜好评分矩阵是PN·M，其中PN·M是N行M列的矩阵，N表示的是有意向购买大宗商品的商家数量，M表示的是大宗商品的种类。
大宗商品的类型为Kind＝{1,2,3},主要包括三种类型，即能源商品、基础原材料和农副产品。
在步骤S101中，基于商家信息和大宗商品信息中各商家对每种商品的喜好程度、商品的质量和价格这三个参数，得到商家-大宗商品的总体喜好评分矩阵，具体步骤包括：
步骤S101a，基于商家信息和大宗商品信息，利用主成分分析法得到每个商家对每种大宗商品的喜好程度，得到商家对商品的总体喜好评分矩阵PN·M；然后，利用奇异值分解方法，将PN·M分解成PN·M＝QN·lKl·M，其中QN·L表示具有发展潜力的商家矩阵，KL·M表示具有发展潜力的大宗商品矩阵，N表示的是有意向购买大宗商品的商家数量，M表示的是大宗商品的种类，L表示具有发展潜力的数量，L＝{1,...l,...,L}。如图2所示：
第i个商家对第j种大宗商品的喜好程度评分表示为：
Figure BDA0003154393450000061
其中Qil表示矩阵在第i行l列的值，Kjl表示矩阵在第j行l列的值。
其中，大宗商品的质量和价格数据的获取，采用网上数据和线下调查的方式，获得每种大宗商品的质量和价格数据，基于得到的质量和价格情况，每个商家对每种商品的质量和价格评分。由于每个商家对质量和价格的标准不同，对于同一种商品，不同商家的打分会有所不同。
在步骤S101b中，基于商家信息和大宗商品信息获取每个商家对每个类型商品的类型偏好评分矩阵的步骤包括：
第i个商家对第k个类型商品的类型偏好g(i,k)为：
Figure BDA0003154393450000071
其中d(i,k)表示第i个商家对第k个类型大宗商品评分的产品数量，nk表示第k个类型的产品数量，这里，大宗商品主要包括三种类型，即能源商品、基础原材料和农副产品，其中，农副产品约20种，金属产品10种，化工产品5种。
综上分析，基于商家的总体喜好评分矩阵、类型偏好评分矩阵、最终评分矩阵的关系如图3所示。
S102：基于各商家的总喜好评分矩阵和商家对商品类型的偏好评分矩阵构建贝叶斯回归分析模型；
在本实施例中，考虑到商家对大宗商品的最终评分与商家对大宗商品的类型偏好评分成正比，故基于总体喜好评分矩阵、类型偏好评分矩阵，构建贝叶斯回归分析模型如下：
F(i,j)＝αf1(i,j)+βf2(i,j)+γf3(i,j),
G(i,j)＝g(i,s(j)),
H(i,j)＝G(i,j)·F(i,j),
其中，F(i,j)表示第i个商家对第j种大宗商品的总喜好评分矩阵，G(i,j)表示第i个商家对第j种大宗商品的类型偏好评分矩阵，H(i,j)表示第i个商家对第j种大宗商品的最终评分矩阵，s(j)表示第j种大宗商品所属的类型，即能源商品、基础原材料和农副产品，α,β,γ是贝叶斯回归分析模型的系数。此外，f1(i,j)，f2(i,j)，f3(i,j)分别表示第i个商家对第j种大宗商品的喜好程度评分、质量评分、价格评分。
S103：基于贝叶斯回归分析模型将评分高于设定阈值的商品推荐给商家。
在步骤S103中，针对每种大宗商品，基于贝叶斯回归分析模型中的最终评分矩阵H(i,j)，将评分高于设定阈值的商品推荐给商家。
在本实施例中，首先，通过获取每个商家对大宗商品的喜好程度、大宗商品的质量和价格信息，得到每个商家对每种大宗商品的总喜好评分矩阵；然后，基于商家信息和所述大宗商品信息获取各商家对商品的类型偏好评分矩阵；其次，基于总喜好评分矩阵和类型偏好评分矩阵构建贝叶斯回归分析模型；最后，基于贝叶斯回归分析模型将评分高于设定阈值的商品推荐给商家。本实施例可以更有效的为每个商家采购大宗商品提供指导性的建议，提高推荐效率。
实施例二
本实施例提供了一种基于贝叶斯回归分析的大宗商品推荐系统。
如图4所示：一种基于贝叶斯回归分析的大宗商品推荐系统，包括：
总喜好和类型偏好获取单元，其被配置为：基于商家信息和大宗商品信息生成各商家的总喜好评分矩阵和商家对商品类型的偏好评分矩阵；其中，所述各商家的总喜好评分矩阵的生成考虑包括：各商家对不同商品的喜好程度、各商品的质量以及各商品的价格；
模型构建单元，其被配置为：基于各商家的总喜好评分矩阵和商家对商品类型的偏好评分矩阵构建贝叶斯回归分析模型；
大宗商品推荐单元，其被配置为：基于贝叶斯回归分析模型将评分高于设定阈值的商品推荐给商家。
此处需要说明的是，上述总喜好和类型偏好获取单元、模型构建单元和大宗商品推荐单元对应于实施例一中的步骤S101至S103，上述模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例一所公开的内容。需要说明的是，上述模块作为系统的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。
实施例三
本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述实施例一所述的基于贝叶斯回归分析的大宗商品推荐方法中的步骤。
实施例四
本实施例提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述实施例一所述的基于贝叶斯回归分析的大宗商品推荐方法中的步骤。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random AccessMemory，RAM)等。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于贝叶斯回归分析的大宗商品推荐方法，其特征在于，包括：
基于商家信息和大宗商品信息生成各商家的总喜好评分矩阵和商家对商品类型的偏好评分矩阵；其中，所述各商家的总喜好评分矩阵的生成考虑包括：各商家对不同商品的喜好程度、各商品的质量以及各商品的价格；
基于各商家的总喜好评分矩阵和商家对商品类型的偏好评分矩阵构建贝叶斯回归分析模型；
基于贝叶斯回归分析模型将评分高于设定阈值的商品推荐给商家。
2.根据权利要求1所述的基于贝叶斯回归分析的大宗商品推荐方法，其特征在于，所述各商家的总喜好评分矩阵生成包括：基于商家信息和大宗商品信息，利用主成分分析法获得每个商家对每种大宗商品的喜好程度，得到商家的总喜好评分矩阵。
3.根据权利要求2所述的基于贝叶斯回归分析的大宗商品推荐方法，其特征在于，利用奇异值分解方法，将商家的总喜好评分矩阵分解成具有发展潜力的商家矩阵和具有发展潜力的大宗商品矩阵，基于具有发展潜力的商家矩阵和具有发展潜力的大宗商品矩阵得到某个商家对某种商品的喜好程度评分。
4.根据权利要求1所述的基于贝叶斯回归分析的大宗商品推荐方法，其特征在于，所述各商家对不同商品的喜好程度包括：商家对不同商品的购买次数、浏览次数和每次浏览的时间。
5.根据权利要求1所述的基于贝叶斯回归分析的大宗商品推荐方法，其特征在于，各商品的质量和各商品的价格的获取包括：采用网上公开数据和/或线下问卷调查的数据，获取各商品的质量和各商品的价格数据。
6.根据权利要求1所述的基于贝叶斯回归分析的大宗商品推荐方法，其特征在于，所述商家对商品类型的偏好评分矩阵的生成，基于商家对某类型大宗商品评分的产品数量和该类型产品数量的关系。
7.根据权利要求1所述的基于贝叶斯回归分析的大宗商品推荐方法，其特征在于，所述商品类型包括：能源商品、基础原材料和农副产品。
8.一种基于贝叶斯回归分析的大宗商品推荐系统，其特征在于，包括：
总喜好和类型偏好获取单元，其被配置为：基于商家信息和大宗商品信息生成各商家的总喜好评分矩阵和商家对商品类型的偏好评分矩阵；其中，所述各商家的总喜好评分矩阵的生成考虑包括：各商家对不同商品的喜好程度、各商品的质量以及各商品的价格；
模型构建单元，其被配置为：基于各商家的总喜好评分矩阵和商家对商品类型的偏好评分矩阵构建贝叶斯回归分析模型；
大宗商品推荐单元，其被配置为：基于贝叶斯回归分析模型将评分高于设定阈值的商品推荐给商家。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一项所述的基于贝叶斯回归分析的大宗商品推荐方法中的步骤。
10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7中任一项所述的基于贝叶斯回归分析的大宗商品推荐方法中的步骤。
CN202110774857.9A 2021-07-08 2021-07-08 一种基于贝叶斯回归分析的大宗商品推荐方法及系统 Pending CN113409124A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110774857.9A CN113409124A (zh) 2021-07-08 2021-07-08 一种基于贝叶斯回归分析的大宗商品推荐方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110774857.9A CN113409124A (zh) 2021-07-08 2021-07-08 一种基于贝叶斯回归分析的大宗商品推荐方法及系统

Publications (1)

Publication Number Publication Date
CN113409124A true CN113409124A (zh) 2021-09-17

Family

ID=77685663

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110774857.9A Pending CN113409124A (zh) 2021-07-08 2021-07-08 一种基于贝叶斯回归分析的大宗商品推荐方法及系统

Country Status (1)

Country Link
CN (1) CN113409124A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114004664A (zh) * 2022-01-05 2022-02-01 杭州车凌网络科技有限公司 基于SaaS平台的APP软件交互方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106408377A (zh) * 2016-08-31 2017-02-15 广东华邦云计算股份有限公司 购物推荐方法及系统
CN107767227A (zh) * 2017-10-31 2018-03-06 深圳春沐源控股有限公司 网上商城的商品推荐方法、商品推荐系统
CN108268464A (zh) * 2016-12-30 2018-07-10 广东精点数据科技股份有限公司 一种基于协同过滤与logistic回归的个性化推荐方法及装置
CN108320176A (zh) * 2017-12-26 2018-07-24 爱品克科技（武汉）股份有限公司 一种基于社会化关系用户分类及推荐方法
CN108537638A (zh) * 2018-04-12 2018-09-14 合肥工业大学 基于贝叶斯回归的利基产品推荐方法及装置
CN108648059A (zh) * 2018-05-16 2018-10-12 口口相传(北京)网络技术有限公司 订单推荐方法及装置
CN111127149A (zh) * 2019-12-23 2020-05-08 卓尔智联(武汉)研究院有限公司 大宗商品供应信息推荐方法、装置和计算机设备
CN111143692A (zh) * 2019-12-31 2020-05-12 亳州职业技术学院 基于用户需求的药膳推荐电子商务平台

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106408377A (zh) * 2016-08-31 2017-02-15 广东华邦云计算股份有限公司 购物推荐方法及系统
CN108268464A (zh) * 2016-12-30 2018-07-10 广东精点数据科技股份有限公司 一种基于协同过滤与logistic回归的个性化推荐方法及装置
CN107767227A (zh) * 2017-10-31 2018-03-06 深圳春沐源控股有限公司 网上商城的商品推荐方法、商品推荐系统
CN108320176A (zh) * 2017-12-26 2018-07-24 爱品克科技（武汉）股份有限公司 一种基于社会化关系用户分类及推荐方法
CN108537638A (zh) * 2018-04-12 2018-09-14 合肥工业大学 基于贝叶斯回归的利基产品推荐方法及装置
CN108648059A (zh) * 2018-05-16 2018-10-12 口口相传(北京)网络技术有限公司 订单推荐方法及装置
CN111127149A (zh) * 2019-12-23 2020-05-08 卓尔智联(武汉)研究院有限公司 大宗商品供应信息推荐方法、装置和计算机设备
CN111143692A (zh) * 2019-12-31 2020-05-12 亳州职业技术学院 基于用户需求的药膳推荐电子商务平台

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114004664A (zh) * 2022-01-05 2022-02-01 杭州车凌网络科技有限公司 基于SaaS平台的APP软件交互方法

Similar Documents

Publication Publication Date Title
Belhadi et al. An ensemble machine learning approach for forecasting credit risk of agricultural SMEs’ investments in agriculture 4.0 through supply chain finance
Matuszelański et al. Customer churn in retail e-commerce business: Spatial and machine learning approach
CN107729937B (zh) 用于确定用户兴趣标签的方法及装置
Albayrak Ünal et al. Applications of artificial intelligence in inventory management: A systematic review of the literature
Diouf et al. Fuzzy AHP, DEA, and Managerial analysis for supplier selection and development; from the perspective of open innovation
CN103106599A (zh) 基于社交网络的推荐方法和系统
Guo et al. A location-inventory problem in a closed-loop supply chain with secondary market consideration
Li et al. A dynamic price game model in a low-carbon, closed-loop supply chain considering return rates and fairness concern behaviors
Poh et al. Multiple-criteria decision support for a sustainable supply chain: applications to the fashion industry
Jayawardena et al. Artificial intelligence (AI)-based market intelligence and customer insights
Rogić et al. Customer response model in direct marketing: solving the problem of unbalanced dataset with a balanced support vector machine
Huang et al. The entropy complexity of an asymmetric dual-channel supply chain with probabilistic selling
Saniuk et al. The concept of cyber-physical networks of small and medium enterprises under personalized manufacturing
Asghar et al. An automated smart EPQ-based inventory model for technology-dependent products under stochastic failure and repair rate
CN113409124A (zh) 一种基于贝叶斯回归分析的大宗商品推荐方法及系统
Chen et al. Enhancing retail transactions: A data-driven recommendation using modified RFM analysis and association rules mining
Faiz et al. Machine Learning Price Prediction During and Before COVID-19 and Consumer Buying Behavior
Shinozaki Do Digitalization and Digital Finance Help Small Firms Survive Global Economic Uncertainty in Central and West Asia? Evidence from Rapid Surveys
Chajri et al. Application of data mining in e-commerce
Chiu et al. Cost minimization for a multi-product fabrication-distribution problem with commonality, postponement, and quality assurance
Lee et al. Visioning the future of smart fashion factories based on media big data analysis
US10013699B1 (en) Reverse associate website discovery
Sharma et al. The Technological Shift: AI in Big Data and IoT
Yang et al. A prediction model for spot LNG prices based on machine learning algorithms to reduce fluctuation risks in purchasing prices
Ran et al. Fresh produce supply chain coordination based on freshness preservation strategy

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