CN113435983A - 一种基于机器视觉与改进神经网络的个性化商品推荐方法 - Google Patents
一种基于机器视觉与改进神经网络的个性化商品推荐方法 Download PDFInfo
- Publication number
- CN113435983A CN113435983A CN202110834199.8A CN202110834199A CN113435983A CN 113435983 A CN113435983 A CN 113435983A CN 202110834199 A CN202110834199 A CN 202110834199A CN 113435983 A CN113435983 A CN 113435983A
- Authority
- CN
- China
- Prior art keywords
- customer
- commodity
- recommendation
- model
- neural network
- 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
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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于机器视觉与改进神经网络的个性化商品推荐方法,首先通过摄像头获取人脸图像,根据获取到的图像利用深度神经网络训练人脸识别模型,利用训练好的模型进行顾客IP的识别。其次通过摄像头与人体姿态识别技术捕获顾客在购物过程中的行为数据,获取到顾客的兴趣爱好,结合顾客的个人属性信息作为顾客的特征向量。最后将顾客的特征向量与商品的特征输入到个性化推荐系统中,本发明能够满足快速、准确的将符合顾客喜好的商品推荐给顾客的需求,降低人力成本。
Description
技术领域
本发明属于人工智能技术领域,具体涉及一种基于机器视觉与改进神经网络的个性化商品推荐方法。
背景技术
近年来,随着电子商务的飞速发展,人们的传统购物习惯受到了巨大冲击。市场环境也因此变得更加错综复杂,线下销售呈现出日渐萎靡的趋势,面对广大群众对高效、快捷服务需求的不断增强,如何根据消费者的购买记录,购物喜好,消费水平进行精准有效的商品推荐,成为很多商家关注的焦点。随着数字图像处理技术的不断发展,人脸识别系统的应用场景变得更加广泛,随之产生的“智慧门店”、“智慧快闪”、“智慧商圈”等全新零售模式的出现,零售商户的线下业务开始融合数字化技术,加速了零售模式的商业转型,出现回暖的态势。商品与目标用户匹配作为商品销售过程中的重要环节,也需要打破传统的模式,进行升级,面对琳琅满目的商品,用户如何才能快速、准确地挑选到自己需要的商品,满足用户的需求,成为商家提高行业竞争力的途径。
现代社会处于一种快节奏的生活方式下,因此又快又好地推荐服务势必是人们的追求,传统的推荐是完全人为的,对于大量的商品信息,顾客没有精力完全的进行浏览,而销售人员由于对顾客的不了解,难以产生有效的推荐,耗时耗力且难以满足顾客需要。
发明内容
为了克服以上技术问题,本发明的目的在于提供一种基于机器视觉与改进神经网络的个性化商品推荐方法,能够满足快速、准确的将符合顾客喜好的商品推荐给顾客的需求,降低人力成本。
为了实现上述目的,本发明采用的技术方案是:
一种基于机器视觉与改进神经网络的个性化商品推荐方法,包括以下步骤;
步骤1、利用摄像机采集到人脸信息,将此作为该顾客的特定IP,基于此数据训练人脸识别神经网络模型,利用该模型对进店顾客进行身份识别;
步骤2、根据识别结果对有记录与无记录顾客分别进行数据存储;
步骤3、记录顾客购物过程中的行为数据,例如试穿、询问、驻留时间等信息,得到顾客喜好的商品信息;
步骤4、将采集到的顾客属性信息,即性别、年龄、收入情况、地理位置、宗教信仰、有无婚配等信息进行相应的处理,例如对年龄信息进行归一化处理,地理位置等字符特征进行相应的hash及embedding处理,对顾客的喜好商品数据进行相应的特征提取,以便于神经网络得到更好的预测效果;
步骤5、训练用于得到商品特征的神经网络模型自动提取商品的深层特征表征,并参考专家及经验丰富的销售人员的特征提取意见,并结合专家意见采取合适的权值对两者的提取结果进行整合;
步骤6、将得到的用户特征与商品特征输入到改进的wide&deep神经网络中,进行训练,不断调整模型的结构及参数,使得损失函数的值尽可能地小,推荐模型的预测结果更加的准确;
步骤7、利用摄像头对进店顾客进行身份识别后,调取该顾客的历史行为数据;
步骤8、利用得到的推荐模型对进店顾客进行相应的推荐;
步骤9、如果推荐结果不符合顾客心理预期,则根据用户的最新喜好数据及时间序列对系统的结构及参数进行改进。
所述步骤1中的人脸识别模型用于对顾客进行身份识别。
所述步骤2中的身份识别结果对于推荐系统的选择不同,若为新客户,则需要将面部信息数据及行为数据添加到数据库中,并对其利用基于内容的推荐算法进行相应的商品推荐:若为老客户,则将对应的行为数据添加到该用户数据库中。
所述步骤3中的对顾客购物过程进行记录,得到顾客的喜好信息,利用人体姿态识别技术,识别在购物过程中的体现出对商品感兴趣的行为,例如试穿、询问、驻留时间、支付等行为,注意要进行噪声信号的除噪,以便得到更加精准的顾客喜好信息。
所述步骤4对顾客属性信息及喜好信息进行处理,包括归一化、离散化及embedding映射,若代表顾客A的特征向量为A=[a1,a2,a3,a4...],其中,a1表示顾客的性别,a2表示顾客的年龄,a3表示顾客的地理位置,a4表示顾客的学历,其中的属性信息可以根据模型实际预测情况进行相应的添加或删减或是权重值的调整,因为神经网络对于数据的规模尺度是较为敏感的,数据进行处理之后可以极大地提高模型预测的精准度。
所述步骤5利用神经网络技术结合专家经验进行商品的特征提取,商品的特征表示在推荐系统中的十分重要的环节,因为特征选取的好坏将直接影响到模型的预测效果,经验丰富的销售人员在长期的实践中得到的结果是十分重要的,需要将两者按照一定的权重值进行整合。
所述步骤6将处理过的用户属性信息及感兴趣商品的特征数据传入改进过的wide&deep广度和深度网络模型中。wide侧是一个逻辑回归模型,具有记忆功能,即根据用户以往的数据为其推荐与已购商品相关联的商品,优点是推荐结果较为准确,缺点是只能推荐已存在的商品对中的商品,缺乏新颖性:deep侧是一个深度神经网络模型,具有泛化的功能,可以推荐与已购商品在embedding空间中距离较近的商品,即推荐不那么相关的商品,优点是具有创新型,缺点是有时泛化过度,会推荐不那么相关的物品给用户,因此,将两者进行联合训练,可以将优缺点进行结合,产生既有新颖性又会长期留住顾客的推荐系统。
所述步骤7利用大量顾客及商品数据对推荐模型进行训练,训练过程中,采用RELU线性修正单元函数作为激活函数,可以防止梯度消失问题的出现,使用交叉熵损失函数及梯度下降算法,设置合适的步长、学习率、权重、偏置值,使得网络的预测精度尽可能的高。
所述步骤8中顾客进店时,利用训练好的人脸识别模型进行对应的IP的识别,得到该顾客的历史行为数据,基于此使用推荐模型为其产生候选商品集,并对其中的每项商品进行评分,得到排名前TOP-N的商品为顾客产生推荐。
所述步骤9中若推荐结果不符合顾客的心理预期,则进一步调整输入特征的权重比值,调节模型的结构及参数,结合顾客的意见使得模型的预测结果更加精准。
本发明的有益效果:
本发明可以根据顾客的历史数据为其推荐在物品embedding特征空间中距离较近的商品,将两侧的推荐结果进行加权计算,得到最终的推荐列表并将其展示给顾客。在顾客购买商品的过程中,引入了人脸识别技术、人体姿态识别技术及个性化推荐技术,可以缓解现今的商品信息超载问题,使得顾客在更短的时间购买到喜欢的商品,拥有良好的购物体验的同时商家也能获得更多的利润,节省人力成本。
附图说明
图1是本发明的模块图。
图2是本发明系统架构图。
图3是本发明工作流程图。
图4是本发明人脸识别流程图。
图5是本发明系统模型图。
具体实施方式
下面结合附图对本发明作进一步详细说明。
如图1所示,该基于机器视觉与改进wide&deep网络的个性化商品推荐系统,包含三个主要模块,分别是人脸识别模型、人体姿态识别模型、个性化推荐模型。通过人脸识别的人脸数据作为特定用户的IP,利用人体姿态识别技术记录该用户的购物行为从而获得该用户的购物习惯和喜好,从而结合偏好信息利用个性化推荐系统进行商品推荐。
如图2所示,该基于机器视觉与改进wide&deep网络的个性化商品推荐系统的系统架构图包含的模块为:
本系统主要由客户端和服务端两部分组成,客户端作用是为商店管理者提供数据分析。服务端主要由人脸比对引擎和服务推荐引擎组成,具有人脸识别和智能推荐两大功能。系统硬件由摄像机群等部分组成。
如图3、图5所示,该基于机器视觉与改进wide&deep网络的个性化商品推荐系统工作流程的步骤为:
步骤1、顾客进入商场后,摄像头捕捉顾客的人脸信息,根据人脸识别引擎判断顾客的身份信息。
步骤2、调取人脸信息数据库,判断进店顾客是否存在历史数据,对空白数据顾客即新客户进行人脸信息的录入及购物行为数据的保存,对老客户保存其行为数据至相应的数据库中。
步骤3、利用人体姿态识别技术对顾客的购物行为进行分析,进一步得到顾客的偏好信息。
步骤4、对顾客的属性信息及喜好信息进行处理,本例中仅列写部分顾客的部分属性信息,包含顾客的年龄、性别、受教育程度、是否婚配、收入、工作时长、职业、地理位置、消费水平等,将其作为顾客的结构化数据库,如下表1所示。对其中的年龄、收入、工作时长、消费水平等连续特征进行归一化及离散化处理,对字符型特征进行hash及embedding处理。
表1是顾客的结构化数据库示例
若年龄的范围为0-100,月收入范围为0-20000,日工作时长为0-12,将表1中连续特征进行归一化操作,具体方法为其中,xp代表归一化之后的值,xd代表当前的值即归一化之前的值,xmax代表此项特征的最大值,xmin代表最小值,经计算,结果如下表所示:
顾客id | 年龄(归一化后) | 月收入(归一化后) | 日工作时长(归一化后) |
1 | 0.3 | 0.5 | 0.67 |
2 | 0.28 | 0.35 | 0.75 |
3 | 0.55 | 0.2 | 0.83 |
4 | 0.45 | 0.275 | 0.92 |
步骤5、利用深度神经网络技术对商品集中的商品进行特征提取,并结合具有经验的销售人员的人工提取的特征,将两者按照一定的权值进行整合,使得到的特征能够尽可能全面的代表该商品。
步骤6、将处理后的用户特征及商品特征输入到改进的wide and deep神经网络中,该网络的记忆及泛化作用能够得到满足用户的推荐效果。
步骤7、收集大量的数据对神经网络模型进行训练,神经网络的非线性结构能够表征事物之间的深层联系,但缺点是需要大量的数据支撑,并且保证在训练过程中的适度拟合,防止过拟合现象的出现。
步骤8、当顾客进店时利用人脸识别模型对其进行身份认证,若为老客户,则根据历史喜好数据产生推荐,若为新客户,则根据用户属性信息产生推荐。
步骤9、在推荐过程中若产生不符合顾客心理预期的商品,则应该针对实际情况对模型进行相应的调整,更改模型的各项参数设置,使其精确度更高。
图3是本系统中所涉及到的人脸识别技术的流程。分别是摄像头获取图像,图像预处理,人脸检测,特征提取,人脸比对,该技术主要依赖机器视觉技术。
图4是本系统涉及到的推荐系统的工作原理,具体方法是分别提取用户和商品的特征信息,输入到推荐算法中为顾客产生推荐。
Claims (10)
1.一种基于机器视觉与改进神经网络的个性化商品推荐方法,其特征在于,包括以下步骤;
步骤1、利用摄像机采集到人脸信息,将此作为该顾客的特定IP,基于此数据训练人脸识别神经网络模型,利用该模型对进店顾客进行身份识别;
步骤2、根据识别结果对有记录与无记录顾客分别进行数据存储;
步骤3、记录顾客购物过程中的行为数据;
步骤4、将采集到的顾客属性信息,即性别、年龄、收入情况、地理位置、宗教信仰、有无婚配等信息进行相应的处理,例如对年龄信息进行归一化处理,地理位置等字符特征进行相应的hash及embedding处理,对顾客的喜好商品数据进行相应的特征提取;
步骤5、训练用于得到商品特征的神经网络模型自动提取商品的深层特征表征,并参考专家及经验丰富的销售人员的特征提取意见,并结合专家意见采取合适的权值对两者的提取结果进行整合;
步骤6、将得到的用户特征与商品特征输入到改进的wide&deep神经网络中,进行训练,不断调整模型的结构及参数,使得损失函数的值尽可能地小;
步骤7、利用摄像头对进店顾客进行身份识别后,调取该顾客的历史行为数据;
步骤8、利用得到的推荐模型对进店顾客进行相应的推荐;
步骤9、如果推荐结果不符合顾客心理预期,则根据用户的最新喜好数据及时间序列对系统的结构及参数进行改进。
2.根据权利要求1所述的一种基于机器视觉与改进神经网络的个性化商品推荐方法,其特征在于,所述步骤1中的人脸识别模型用于对顾客进行身份识别。
3.根据权利要求1所述的一种基于机器视觉与改进神经网络的个性化商品推荐方法,其特征在于,所述步骤2中的身份识别结果对于推荐系统的选择不同,若为新客户,则需要将面部信息数据及行为数据添加到数据库中,并对其利用基于内容的推荐算法进行相应的商品推荐:若为老客户,则将对应的行为数据添加到该用户数据库中。
4.根据权利要求1所述的一种基于机器视觉与改进神经网络的个性化商品推荐方法,其特征在于,所述步骤3中的对顾客购物过程进行记录,得到顾客的喜好信息,利用人体姿态识别技术,识别在购物过程中的体现出对商品感兴趣的行为。
5.根据权利要求1所述的一种基于机器视觉与改进神经网络的个性化商品推荐方法,其特征在于,所述步骤4对顾客属性信息及喜好信息进行处理,包括归一化、离散化及embedding映射,若代表顾客A的特征向量为A=[a1,a2,a3,a4...],其中,a1表示顾客的性别,a2表示顾客的年龄,a3表示顾客的地理位置,a4表示顾客的学历,其中的属性信息可以根据模型实际预测情况进行相应的添加或删减或是权重值的调整。
6.根据权利要求1所述的一种基于机器视觉与改进神经网络的个性化商品推荐方法,其特征在于,所述步骤5利用神经网络技术结合专家经验进行商品的特征提取,将两者按照一定的权重值进行整合。
7.根据权利要求1所述的一种基于机器视觉与改进神经网络的个性化商品推荐方法,其特征在于,所述步骤6将处理过的用户属性信息及感兴趣商品的特征数据传入改进过的wide&deep广度和深度网络模型中。
8.根据权利要求1所述的一种基于机器视觉与改进神经网络的个性化商品推荐方法,其特征在于,所述步骤7利用大量顾客及商品数据对推荐模型进行训练,训练过程中,采用RELU线性修正单元函数作为激活函数,使用交叉熵损失函数及梯度下降算法,设置合适的步长、学习率、权重、偏置值,使得网络的预测精度尽可能的高。
9.根据权利要求1所述的一种基于机器视觉与改进神经网络的个性化商品推荐方法,其特征在于,所述步骤8中顾客进店时,利用训练好的人脸识别模型进行对应的IP的识别,得到该顾客的历史行为数据,基于此使用推荐模型为其产生候选商品集,并对其中的每项商品进行评分,得到排名前TOP-N的商品为顾客产生推荐。
10.根据权利要求1所述的一种基于机器视觉与改进神经网络的个性化商品推荐方法,其特征在于,所述步骤9中若推荐结果不符合顾客的心理预期,则进一步调整输入特征的权重比值,调节模型的结构及参数,结合顾客的意见使得模型的预测结果更加精准。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110834199.8A CN113435983A (zh) | 2021-07-21 | 2021-07-21 | 一种基于机器视觉与改进神经网络的个性化商品推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110834199.8A CN113435983A (zh) | 2021-07-21 | 2021-07-21 | 一种基于机器视觉与改进神经网络的个性化商品推荐方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113435983A true CN113435983A (zh) | 2021-09-24 |
Family
ID=77761547
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110834199.8A Pending CN113435983A (zh) | 2021-07-21 | 2021-07-21 | 一种基于机器视觉与改进神经网络的个性化商品推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113435983A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115034864A (zh) * | 2022-06-30 | 2022-09-09 | 拉扎斯网络科技(上海)有限公司 | 商品选择方法及装置、电子设备、存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108564414A (zh) * | 2018-04-23 | 2018-09-21 | 帷幄匠心科技(杭州)有限公司 | 基于线下行为的商品推荐方法和系统 |
CN109165992A (zh) * | 2018-07-16 | 2019-01-08 | 北京旷视科技有限公司 | 一种智能导购方法、装置、系统及计算机存储介质 |
CN111008278A (zh) * | 2019-11-22 | 2020-04-14 | 厦门美柚股份有限公司 | 内容推荐方法及装置 |
CN111080413A (zh) * | 2019-12-20 | 2020-04-28 | 深圳市华宇讯科技有限公司 | 电商平台商品的推荐方法、装置、服务器和存储介质 |
CN112819537A (zh) * | 2021-02-02 | 2021-05-18 | 江西理工大学南昌校区 | 服务于线下商城的客户管理及智推方法 |
CN112836081A (zh) * | 2021-03-01 | 2021-05-25 | 腾讯音乐娱乐科技(深圳)有限公司 | 一种神经网络模型训练方法、信息推荐方法及存储介质 |
-
2021
- 2021-07-21 CN CN202110834199.8A patent/CN113435983A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108564414A (zh) * | 2018-04-23 | 2018-09-21 | 帷幄匠心科技(杭州)有限公司 | 基于线下行为的商品推荐方法和系统 |
CN109165992A (zh) * | 2018-07-16 | 2019-01-08 | 北京旷视科技有限公司 | 一种智能导购方法、装置、系统及计算机存储介质 |
CN111008278A (zh) * | 2019-11-22 | 2020-04-14 | 厦门美柚股份有限公司 | 内容推荐方法及装置 |
CN111080413A (zh) * | 2019-12-20 | 2020-04-28 | 深圳市华宇讯科技有限公司 | 电商平台商品的推荐方法、装置、服务器和存储介质 |
CN112819537A (zh) * | 2021-02-02 | 2021-05-18 | 江西理工大学南昌校区 | 服务于线下商城的客户管理及智推方法 |
CN112836081A (zh) * | 2021-03-01 | 2021-05-25 | 腾讯音乐娱乐科技(深圳)有限公司 | 一种神经网络模型训练方法、信息推荐方法及存储介质 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115034864A (zh) * | 2022-06-30 | 2022-09-09 | 拉扎斯网络科技(上海)有限公司 | 商品选择方法及装置、电子设备、存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Azhar et al. | The role of marketing mix and service quality on tourist satisfaction and loyalty at Samosir. | |
CN108876526B (zh) | 商品推荐方法、装置和计算机可读存储介质 | |
US10290039B2 (en) | System and method for automating market analysis from anonymous behavior profiles | |
JP2012529122A (ja) | ユーザーのジャンル及びスタイルを学習すると共に製品をユーザーの好みにマッチングさせるシステム及び方法 | |
KR20160065429A (ko) | 하이브리드 개인화 상품추천 방법 | |
US20210264496A1 (en) | Machine learning for rapid analysis of image data via curated customer personas | |
CN108665083A (zh) | 一种基于用户画像动态轨迹模型的广告推荐方法及系统 | |
US10909553B1 (en) | Systems and methods for generating an affinity graph | |
CN111028029A (zh) | 一种线下商品推荐方法、装置和电子设备 | |
Zheng et al. | A scalable purchase intention prediction system using extreme gradient boosting machines with browsing content entropy | |
CN114997956B (zh) | 基于大数据的母婴产品智能推荐系统 | |
CN115311048A (zh) | 一种信息处理方法及装置、存储介质 | |
CN113435983A (zh) | 一种基于机器视觉与改进神经网络的个性化商品推荐方法 | |
CN112215630A (zh) | 一种全渠道渐进式会员精准营销方法 | |
CN116611897B (zh) | 基于人工智能的消息提醒方法和系统 | |
CN117474631A (zh) | 基于电商平台评论的数据挖掘与情感分析的推荐算法 | |
Lipianina-Honcharenko et al. | Intelligent method for forming the consumer basket | |
CN115271870A (zh) | 一种基于大数据的市场营销信息处理系统 | |
CN115131108A (zh) | 一种电商商品筛选系统 | |
JP7039500B2 (ja) | 情報処理装置、情報処理方法、及び情報処理プログラム | |
Talukdar et al. | factors influencing the decision to purchase consumer durable goods–a study in assam | |
CN113254775A (zh) | 一种基于客户浏览行为序列的信用卡产品推荐方法 | |
Kumar et al. | Transformative Marketing with Machine Learning (ML) | |
Alkhatib et al. | Image Process Based Recommender System for Social Media Marketing | |
TWI755054B (zh) | 智能金融商品推薦系統與方法 |
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 |