CN113592606A - 基于多重决策的产品推荐方法、装置、设备及存储介质 - Google Patents
基于多重决策的产品推荐方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113592606A CN113592606A CN202110913867.6A CN202110913867A CN113592606A CN 113592606 A CN113592606 A CN 113592606A CN 202110913867 A CN202110913867 A CN 202110913867A CN 113592606 A CN113592606 A CN 113592606A
- Authority
- CN
- China
- Prior art keywords
- product
- user
- decision tree
- target
- products
- 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
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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/211—Selection of the most significant subset of features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Audiology, Speech & Language Pathology (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
本发明涉及数据分析技术,揭露了一种基于多重决策的产品推荐方法,包括:提取多个产品包中每一个产品包的特征,并利用该特征构建决策树模型,提取用户特征,利用决策树模型对用户特征进行方法分析,得到用户对各产品包的意向度,选取意向度最大的产品包,并根据该用户的相似用户对选取的产品包进行协同过滤,根据过滤后的每一个产品的产品热度选取产品对用户进行推荐。此外,本发明还涉及区块链技术,多个产品包可存储于区块链的节点。本发明还提出一种基于多重决策的产品推荐装置、电子设备以及存储介质。本发明可以提高产品推荐精确度。
Description
技术领域
本发明涉及数据分析技术领域,尤其涉及一种基于多重决策的产品推荐方法、装置、电子设备及计算机可读存储介质。
背景技术
当前个性化推荐无论在电子商务还是在社交网络平台都占据举足轻重的位置,而传统的以商品供应、服务供应为代表的企业在个性化产品推荐方面的应用仍有进步空间。
现有的产品推荐方法多为基于单一的产品数据生成产品画像,以及基于单一的用户数据生成用户画像,进而利用产品画像与用户画像的匹配值选取产品对用户进行推荐。该方法中,仅靠产品数据与用户数据生成画像来进行产品推荐决策,没有考虑到用户与产品特征的多样性,导致该方法中进行推荐决策的精确度较低。
发明内容
本发明提供一种基于多重决策的产品推荐方法、装置及计算机可读存储介质,其主要目的在于解决进行产品推荐时的精确度较低的问题。
为实现上述目的,本发明提供的一种基于多重决策的产品推荐方法,包括:
获取多个产品包,利用预先训练的自然语言模型对每一个产品包中产品信息进行卷积及池化操作,得到产品特征,根据所述产品特征构建决策树模型,所述多个产品包中每一个产品包内包含相同类别的多个产品,以及每个产品的产品信息;
获取用户的用户信息,提取所述用户信息的用户特征,判断所述用户特征是否所述决策树模型的参数,得到输出结果,并根据输出结果计算所述用户对每一个产品包的意向度,选取所述意向度大于预设意向阈值的产品包为目标产品包;
根据所述用户特征从预设的用户群体中筛选出与所述用户的相似用户;
获取所述相似用户的用户信息,从所述相似用户的用户信息中提取出相似特征,根据所述相似特征对所述目标产品包中的产品进行协同过滤,得到待筛选产品;
获取所述待筛选产品中每一个产品的销量数据,根据所述销量数据计算所述待筛选产品中每一个产品的热度,并选取所述热度大于预设热度阈值的产品向所述用户进行推荐。
可选地,所述利用预先训练的自然语言模型对每一个产品包中产品信息进行进行特征提取,得到产品特征,包括:
从所述多产品包中逐个选取其中一个产品包为目标产品包,利用预先训练的自然语言模型对所述目标产品包中包含的产品信息进行分词处理,得到产品分词;
统计所述产品分词中每一个产品分词的出现频率,汇集所述出现频率大于预设频率阈值的产品分词为所述目标产品包的产品特征。
可选地,所述根据所述产品特征构建决策树模型,包括:
从所述多个产品包中逐个选取其中一个产品包,并从被选取的产品包的产品特征中逐个选取其中一个特征为目标特征;
将所述目标特征作为参数对预设的决策函数进行赋值,并利用赋值后的决策函数作为决策条件,生成决策树;
汇集所述被选取的产品包的所有产品特征生成的决策树为所述被选取的产品包的决策树,以及汇集所述多个产品包中每一个产品包的决策树为决策树模型。
可选地,所述判断所述用户特征是否所述决策树模型的参数,得到输出结果,并根据输出结果计算所述用户对每一个产品包的意向度,包括:
从所述用户特征中逐个选取其中一个特征为输入值;
从所述决策树模型中逐个选取一个决策树为目标决策树,将所述输入值输入至所述目标决策树,得到所述目标决策树输出的输出结果,其中,所述输出结果为所述输入值与所述目标决策树的参数相同,或者所述输入值与所述目标决策树的参数不同;
统计每一个产品包对应的决策树中输出的所述输入值与所述目标决策树的参数相同的输出结果的数量,并利用预设的得分算法根据所述数量计算所述用户每一个产品包的意向度。
可选地,所述根据所述用户特征从预设的用户群体中筛选出与所述用户的相似用户,包括:
将所述用户特征中每一个特征转换为特征向量,并将所述特征向量拼接为第一用户画像;
从预设的用户群体中逐个选取其中一个用户为目标用户,获取所述目标用户的用户特征,将所述目标用户的用户特征转换为目标向量,并将所述目标向量拼接为所述第二用户画像;
计算所述第一用户画像与所述第二用户画像之间的距离值;
当所述距离值大于或等于预设距离阈值时,确定所述目标用户不是所述用户的相似用户;
当所述距离值小于所述预设距离阈值时,确定所述目标用户是所述用户的相似用户。
可选地,所述将所述特征向量拼接为第一用户画像,包括:
统计所述特征向量中每一个向量的向量长度,选取所述向量长度最长的向量为模向量;
利用预设参数将所述特征向量中所有向量延长至与所述模向量的向量长度;
将向量延长后的所述特征向量中每一个向量作为行向量拼接为向量矩阵,将所述向量矩阵作为第一用户画像。
可选地,所述根据所述销量数据计算所述待筛选产品中每一个产品的热度,包括:
从所述待筛选产品中逐个选取其中一个产品,从所述销量数据中提取出预设时间段内被选取的产品的销售数量和销售时间;
将所述销售数量和所述销售时间作为预设热度算法的参数计算被选取的产品的热度。
为了解决上述问题,本发明还提供一种基于多重决策的产品推荐装置,所述装置包括:
模型构建模块,用于获取多个产品包,利用预先训练的自然语言模型对每一个产品包中产品信息进行进行特征提取,得到产品特征,根据所述产品特征构建决策树模型,所述多个产品包中每一个产品包内包含相同类别的多个产品,以及每个产品的产品信息;
产品包筛选模块,用于获取用户的用户信息,提取所述用户信息的用户特征,判断所述用户特征是否所述决策树模型的参数,得到输出结果,并根据输出结果计算所述用户对每一个产品包的意向度,选取所述意向度大于预设意向阈值的产品包为目标产品包;
相似用户筛选模块,用于根据所述用户特征从预设的用户群体中筛选出与所述用户的相似用户;
第一产品筛选模块,用于获取所述相似用户的用户信息,从所述相似用户的用户信息中提取出相似特征,根据所述相似特征对所述目标产品包中的产品进行协同过滤,得到待筛选产品;
第二产品筛选模块,用于获取所述待筛选产品中每一个产品的销量数据,根据所述销量数据计算所述待筛选产品中每一个产品的热度,并选取所述热度大于预设热度阈值的产品向所述用户进行推荐。
为了解决上述问题,本发明还提供一种电子设备,所述电子设备包括:
处理器;以及,
与所述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处理器执行的计算机程序,所述计算机程序被所述处理器执行,以使所述处理器能够执行上述所述的基于多重决策的产品推荐方法。
为了解决上述问题,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一个指令,所述至少一个指令被电子设备中的处理器执行以实现上述所述的基于多重决策的产品推荐方法。
本发明实施例通过基于用户对不同产品包的意向度实现对产品的粗略筛选,并根据与用户相似的用户的特征,对产品包中的产品进行再次筛选,且再次根据被筛选出的产品的产品热度对产品进行筛选,实现了产品推荐过程中多次的推荐决策,进而提高向用户进行产品推荐的精确度。因此本发明提出的基于多重决策的产品推荐方法、装置、电子设备及计算机可读存储介质,可以解决进行产品推荐时的精确度较低的问题。
附图说明
图1为本发明一实施例提供的基于多重决策的产品推荐方法的流程示意图;
图2为本发明一实施例提供的筛选出相似用户的流程示意图;
图3为本发明一实施例提供的协同过滤的流程示意图;
图4为本发明一实施例提供的基于多重决策的产品推荐装置的功能模块图;
图5为本发明一实施例提供的实现所述基于多重决策的产品推荐方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本申请实施例提供一种基于多重决策的产品推荐方法。所述基于多重决策的产品推荐方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之,所述基于多重决策的产品推荐方法可以由安装在终端设备或服务端设备的软件或硬件来执行,所述软件可以是区块链平台。所述服务端包括但不限于:单台服务器、服务器集群、云端服务器或云端服务器集群等。
参照图1所示,为本发明一实施例提供的基于多重决策的产品推荐方法的流程示意图。在本实施例中,所述基于多重决策的产品推荐方法包括:
S1、获取多个产品包,利用预先训练的自然语言模型对每一个产品包中产品信息进行进行特征提取,得到产品特征,根据所述产品特征构建决策树模型,所述多个产品包中每一个产品包内包含相同类别的多个产品,以及每个产品的产品信息。
本发明实施例中,所述产品包中可包含具有相同类别的多个产品,以及每一个产品的产品信息。例如,所述产品包中的产品为汽车,则可存在产品包中包含宝马品牌的多种汽车,以及每一种汽车的数据,或者,存在产品包中包含大众品牌的多种汽车,以及每一种汽车的数据等。
本发明实施例中,可利用具有数据抓取功能的计算机语句(如java语句、python语句等)从预先构建的用于存储产品包的存储区域中获取多个产品包,所述存储区域包括但不限于数据库、区块链节点、网络缓存等。
本发明其中一个实际应用场景中,由于所述多个产品包中包含大量的产品,且每一个产品均对应大量的产品信息,因此,若直接对所述多个产品包进行分析,会占用大量的计算资源,导致对用户进行产品推荐的效率低下。
因此,本发明实施例可利用预先训练的自然语言模型对所述多个产品包进行处理,以提取每一个产品包的产品特征。
详细地,所述产品特征包括但不限于产品名称、产品型号、产品价格和产品使用年限。
具体地,所述自然语言模型包括但不限于NLP(Natural Language Processing,自然语言处理)模型、HMM(Hidden Markov Model,隐马尔可夫模型)、N-gram模型。
本发明实施例中,所述利用预先训练的自然语言模型对每一个产品包中产品信息进行进行特征提取,得到产品特征,包括:
从所述多产品包中逐个选取其中一个产品包为目标产品包,利用预先训练的自然语言模型对所述目标产品包中包含的产品信息进行分词处理,得到产品分词;
统计所述产品分词中每一个产品分词的出现频率,汇集所述出现频率大于预设频率阈值的产品分词为所述目标产品包的产品特征。
详细地,可利用预先训练的自然语言模型对所述目标产品包中包含的产品信息进行分词处理,所述词典中包含多个分词。
具体地,所述出现频率为不同的产品分词在所述产品信息的所有产品分词中出现的次数,当产品分词的出现频率越高时,则说明该产品分词越重要,因此,可从所述产品分词中选取所述出现频率大于预设频率阈值的产品分词,并将选取的产品分词作为所述目标产品包的产品特征。
本发明实施例中,为了筛选便于用户对所述产品包的筛选,可利用提取的所述产品特征,构建所述多个产品包中每个产品包对应的决策树,并将构建出的决策树聚合为决策树模型。
详细地,可利用随机森林算法、Xgboost算法等具有决策树构建功能的算法构建所述决策树模型。
本发明其中一个实施例中,所述根据所述产品特征构建决策树模型,包括:
从所述多个产品包中逐个选取其中一个产品包,并从被选取的产品包的产品特征中逐个选取其中一个特征为目标特征;
将所述目标特征作为参数对预设的决策函数进行赋值,并利用赋值后的决策函数作为决策条件,生成决策树;
汇集所述被选取的产品包的所有产品特征生成的决策树为所述被选取的产品包的决策树,以及汇集所述多个产品包中每一个产品包的决策树为决策树模型。
示例性地,所述决策函数可以为:
其中,f(x)为所述决策函数的输出值,x为所述决策函数的参数,g(y)为所述决策函数的输入值。
详细地,可从所述产品特中逐个选取其中一个特征为目标特征,利用该目标特征对所述决策函数的参数x进行赋值,并将赋值后的决策函数作为决策条件生成如下决策树:
当所述决策树的输入值g(y)与所述决策树的参数x相同时,该决策树输出值f(x)=α;
当所述决策树的输入至g(y)与所述决策树的参数x不相同时,该决策树输出值f(x)=β。
本发明实施例中,可利用并联或者串联的形式将所述产品特征中每一个特征对应的决策树进行汇集,得到决策树模型。
S2、获取用户的用户信息,提取所述用户信息的用户特征,判断所述用户特征是否所述决策树模型的参数,得到输出结果,并根据输出结果计算所述用户对每一个产品包的意向度,选取所述意向度大于预设意向阈值的产品包为目标产品包。
本发明实施例中,所述用户信息包括但不限于用户姓名、用户ID、用户年龄、用户资产、用户负债和用户行为。
本发明实施例中,所述获取用户的用户信息,提取所述用户信息的用户特征的步骤,与S1中获取多个产品包,提取每一个产品包的产品特征的步骤一致,在此不做赘述。
本发明实施例中,可通过判断所述用户特征是否所述决策树模型的参数,得到输出结果,并根据输出结果计算所述用户对每一个产品包的意向度,以判断出所述用户对每一个产品包的偏好程度,进而按照所述意向度对所述产品包进行筛选,以减少需要分析的产品数量,提高对用户进行产品推荐的效率。
本发明实施例中,所述判断所述用户特征是否所述决策树模型的参数,得到输出结果,并根据输出结果计算所述用户对每一个产品包的意向度,包括:
从所述用户特征中逐个选取其中一个特征为输入值;
从所述决策树模型中逐个选取一个决策树为目标决策树,将所述输入值输入至所述目标决策树,得到所述目标决策树输出的输出结果,其中,所述输出结果为所述输入值与所述目标决策树的参数相同,或者所述输入值与所述目标决策树的参数不同;
统计每一个产品包对应的决策树中输出的所述输入值与所述目标决策树的参数相同的输出结果的数量,并利用预设的得分算法根据所述数量计算所述用户每一个产品包的意向度。
例如,所述决策树模型中包含产品包A和产品包B的决策树,其中产品A包对应的决策树包括决策树a1和决策树a2,产品包B对应的决策树包括决策树b1和决策树b2,选取决策树a1为目标决策树;将输入值输入至所述决策树a1,得到所述决策树a1输出的所述输入值与所述决策树a1的参数相同的输出结果;将输入值输入至所述决策树a2,得到所述决策树a2输出的所述输入值与所述决策树a2的参数相同的输出结果;将输入值输入至所述决策树b1,得到所述决策树b1输出的所述输入值与所述决策树b1的参数不相同的输出结果;将输入值输入至所述决策树b2,得到所述决策树b2输出的所述输入值与所述决策树b2的参数相同的输出结果。
本发明实施例中,可通过统计每一个产品包对应的决策树中所述输出结果为所述输入值与所述目标决策树的参数相同的输出结果的数量,以判断用户特征与哪一个产品包的产品特征吻合度更高,进而判断用户与哪一个决策树更加符合。
例如,产品包A对应的决策树中,有2个决策树(决策树a1和决策树a2)的输出结果为输入值与所述目标决策树的参数相同的输出结果的数量,产品包B的决策树中,只有1个决策树(决策树b1)的输出结果为输入值与所述目标决策树的参数相同的输出结果的数量,因此,可判断用户特征与产品包A的吻合度更高,进而可认为用户对产品包A的意向度更高。
具体地,为了具体地对用户对不同产品包的意向度进行量化,可利用预设的得分算法根据所述数量计算所述用户每一个产品包的意向度。
本发明实施例中,所述利用预设的得分算法根据所述数量计算所述用户每一个产品包的意向度,包括:
利用如下得分算法根据所述数量计算所述用户每一个产品包的意向度:
其中,Gn为所述用户对所述多个产品包中第n个产品包的意向度,K为所述第n个产品包对应的决策树的数量,Xi为所述第n个产品包对应的决策树中第i个输出结果为所述输入值与所述目标决策树的参数相同的输出结果的数量的决策树,αi为所述Xi的预设权重参数。
本发明实施例中,可选取所述意向度大于预设意向阈值的产品包为目标产品包。
本发明实施例中,根据用户对不用产品包的意向度,实现在大量产品中高效地筛选出用户感兴趣的少量产品,进而避免对的大量的产品进行一一分析,提高对用户进行产品推荐的效率。
S3、根据所述用户特征从预设的用户群体中筛选出与所述用户的相似用户。
本发明实施例中,可对所述用户特征进行向量转换、拼接等处理,并根据处理后的用户特征从预先获取的用户群体筛选出于具有相同或相似特征的用户为所述用户的相似用户。
本发明实施例中,参图2所示,所述根据所述用户特征从预设的用户群体中筛选出与所述用户的相似用户,包括:
S21、将所述用户特征中每一个特征转换为特征向量,并将所述特征向量拼接为第一用户画像;
S22、从预设的用户群体中逐个选取其中一个用户为目标用户,获取所述目标用户的用户特征,将所述目标用户的用户特征转换为目标向量,并将所述目标向量拼接为所述第二用户画像;
S23、计算所述第一用户画像与所述第二用户画像之间的距离值;
S24、判断所述距离值是否小于预设距离阈值;
当所述距离值大于或等于预设距离阈值时,执行S25、确定所述目标用户不是所述用户的相似用户;
当所述距离值小于所述预设距离阈值时,执行S26、确定所述目标用户是所述用户的相似用户。
详细地,可采用预设的向量转换模型将所述用户特征中每一个特征转换为特征向量,所述向量转换模型包括但不限于word2vec模型、bert模型。
具体地,所述将所述特征向量拼接为第一用户画像,包括:
统计所述特征向量中每一个向量的向量长度,选取所述向量长度最长的向量为模向量;
利用预设参数将所述特征向量中所有向量延长至与所述模向量的向量长度;
将向量延长后的所述特征向量中每一个向量作为行向量拼接为向量矩阵,将所述向量矩阵作为第一用户画像。
例如,所述特征向量中存在向量A:(1,3),向量B:(2,4,6),向量C:(5,7,8,9),经过统计可知,向量A的向量长度为2,向量B的向量长度为3,向量C的向量长度为4,则选取向量C为模向量;当所述预设参数为x时,可利用该预设参数将向量A和向量B进行向量延长,得到延长后的向量A:(1,3,x,x),和延长后的向量B:(2,4,6,x)。
详细地,可将向量延长后的所述特征向量中每一个向量作为行向量拼接为如下向量矩阵:
本发明实施例中,将拼接得到的所述向量矩阵作为第一用户画像。
本发明实施例中,所述将所述目标用户的用户特征转换为目标向量,并将所述目标向量拼接为所述第二用户画像的步骤,与将所述用户特征中每一个特征转换为特征向量,并将所述特征向量拼接为第一用户画像的步骤一致,在此不做赘述。
进一步地,所述计算所述第一用户画像与所述第二用户画像之间的距离值,包括:
利用如下距离值算法计算所述第一用户画像与所述第二用户画像之间的距离值:
其中,D为所述距离值,|a|为所述第一用户画像,|b|为所述第二用户画像。
本发明其他实施例中,还可通过欧式距离算法、余弦距离算法等具有距离值计算功能的算法计算所述第一用户画像与所述第二用户画像之间的距离值。
本发明实施例中,从预设的用户群体中筛选出用户的相似用户,游离于后续根据相似用户对所述产品包中的产品进行筛选,提高对用户进行产品推荐的精确度。
S4、获取所述相似用户的用户信息,从所述相似用户的用户信息中提取出相似特征,根据所述相似特征对所述目标产品包中的产品进行协同过滤,得到待筛选产品。
本发明实施例中,所述获取所述相似用户的用户信息,从所述相似用户的用户信息中提取出相似特征的步骤,与S2中获取用户信息,提取所述用户信息的用户特征的步骤一致,在此不做赘述。
本发明其中一个实际应用场景中,由于所述用户与相似用户的行为之间存在一定的相似性,进而可认为相似用户的喜好可能也是该用户的喜好,因此,可根据从所述相似用户的用户信息中提取的相似特征,对所述目标产品包中的产品进行筛选。
本发明实施例中,参图3所示,所述根据所述相似特征对所述目标产品包中的产品进行协同过滤,得到待筛选产品,包括:
S31、将所述相似特征拼接为所述相似用户的用户画像;
S32、获取所述目标产品包中每一个产品的产品信息,从所述产品信息中提取出每一个产品对应的产品特征,并将所述产品特征拼接为每一个产品对应的产品画像;
S33、分别计算所述用户画像和每一个产品画像之间的相似度,汇集所述目标产品包中所述相似度小于预设相似阈值的产品为待筛选产品。
详细地,所述将所述相似特征拼接为所述相似用户的用户画像,以及将所述产品特征拼接为每一个产品对应的产品画像的步骤,与S3中将所述特征向量拼接为第一用户画像的步骤一致在,在此不做赘述。
具体地,所述获取所述目标产品包中每一个产品的产品信息,从所述产品信息中提取出每一个产品对应的产品特征的步骤,与S1中获取多个产品包,提取每一个产品包的产品特征的步骤一致,在此不做赘述。
进一步地,所述分别计算所述用户画像和每一个产品画像之间的相似度的步骤,与S3中计算所述第一用户画像与所述第二用户画像之间的距离值的步骤一致,在此不做赘述。
本发明实施例中,通过提取相似用户的相似特征对目标产品包中的产品进行协同过滤,实现了在产品筛选时,对特征详细的丰富,提高了产品筛选的精确度,进而提高了对用户进行产品推荐的精确度。
S5、获取所述待筛选产品中每一个产品的销量数据,根据所述销量数据计算所述待筛选产品中每一个产品的热度,并选取所述热度大于预设热度阈值的产品向所述用户进行推荐。
本发明实施例中,所述销量数据包括所述待筛选产品中每一个产品在预设时间段内的销售数量、销售价格、销售时间点等数据。
本发明实施例中,所述销量数据可由各产品的供应商、销售商等产品供销方预先提供。
本发明实施例中,所述根据所述销量数据计算所述待筛选产品中每一个产品的热度,包括:
从所述待筛选产品中逐个选取其中一个产品,从所述销量数据中提取出预设时间段内被选取的产品的销售数量和销售时间;
将所述销售数量和所述销售时间作为预设热度算法的参数计算被选取的产品的热度。
详细地,可利用预先构建的正则表达式从所述销量数据中提取出预设时间段内被选取的产品的销售数量、销售价格和销售时间点等数据,所述正则表达式是一种可用于从文本中召回具有固定格式字段的函数。
具体地,所述将所述销售数量和所述销售时间作为预设热度算法的参数计算被选取的产品的热度,包括:
利用如下热度算法计算被选取的产品的热度:
其中,R为所述热度,W为预设时间段内被选取的产品的销售数量,E为被选取的产品在预设时间段内第n次被销售时的销售时间,σE为被选取的产品在预设时间段内第n次被销售时的权重参数,ρ为预设常数。
本发明实施例中,σE为可变权重参数,例如,当被选取的产品在预设时间段内第n次被销售时的销售时间距离当前系统时间越近时,则σE越大,以保证当最近时间内销售数量较多时,该产品的热度越大。
本发明实施例中,可选取所述热度大于预设热度阈值的产品向所述用户进行推荐。
本发明实施例通过基于用户对不同产品包的意向度实现对产品的粗略筛选,并根据与用户相似的用户的特征,对产品包中的产品进行再次筛选,且再次根据被筛选出的产品的产品热度对产品进行筛选,实现了产品推荐过程中多次的推荐决策,进而提高向用户进行产品推荐的精确度。因此本发明提出的基于多重决策的产品推荐方法,可以解决进行产品推荐时的精确度较低的问题。
如图4所示,是本发明一实施例提供的基于多重决策的产品推荐装置的功能模块图。
本发明所述基于多重决策的产品推荐装置100可以安装于电子设备中。根据实现的功能,所述基于多重决策的产品推荐装置100可以包括模型构建模块101、产品包筛选模块102、相似用户筛选模块103、第一产品筛选模块104及第二产品筛选模块105。本发明所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本实施例中,关于各模块/单元的功能如下:
所述模型构建模块101,用于获取多个产品包,利用预先训练的自然语言模型对每一个产品包中产品信息进行特征提取,得到产品特征,根据所述产品特征构建决策树模型,所述多个产品包中每一个产品包内包含相同类别的多个产品,以及每个产品的产品信息;
所述产品包筛选模块102,用于获取用户的用户信息,提取所述用户信息的用户特征,判断所述用户特征是否所述决策树模型的参数,得到输出结果,并根据输出结果计算所述用户对每一个产品包的意向度,选取所述意向度大于预设意向阈值的产品包为目标产品包;
所述相似用户筛选模块103,用于根据所述用户特征从预设的用户群体中筛选出与所述用户的相似用户;
所述第一产品筛选模块104,用于获取所述相似用户的用户信息,从所述相似用户的用户信息中提取出相似特征,根据所述相似特征对所述目标产品包中的产品进行协同过滤,得到待筛选产品;
所述第二产品筛选模块105,用于获取所述待筛选产品中每一个产品的销量数据,根据所述销量数据计算所述待筛选产品中每一个产品的热度,并选取所述热度大于预设热度阈值的产品向所述用户进行推荐。
详细地,本发明实施例中所述基于多重决策的产品推荐装置100中所述的各模块在使用时采用与上述图1至图3中所述的基于多重决策的产品推荐方法一样的技术手段,并能够产生相同的技术效果,这里不再赘述。
如图5所示,是本发明一实施例提供的实现基于多重决策的产品推荐方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11、通信总线12以及通信接口13,还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序,如基于多重决策的产品推荐程序。
其中,所述处理器10在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(ControlUnit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器11内的程序或者模块(例如执行基于多重决策的产品推荐程序等),以及调用存储在所述存储器11内的数据,以执行电子设备的各种功能和处理数据。
所述存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元,例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备,例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(Secure Digital,SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据,例如基于多重决策的产品推荐程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述通信总线12可以是外设部件互连标准(peripheral componentinterconnect,简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
所述通信接口13用于上述电子设备与其他设备之间的通信,包括网络接口和用户接口。可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
图5仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图5示出的结构并不构成对所述电子设备1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器10逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的基于多重决策的产品推荐程序是多个指令的组合,在所述处理器10中运行时,可以实现:
获取多个产品包,利用预先训练的自然语言模型对每一个产品包中产品信息进行特征提取,得到产品特征,根据所述产品特征构建决策树模型,所述多个产品包中每一个产品包内包含相同类别的多个产品,以及每个产品的产品信息;
获取用户的用户信息,提取所述用户信息的用户特征,判断所述用户特征是否所述决策树模型的参数,得到输出结果,并根据输出结果计算所述用户对每一个产品包的意向度,选取所述意向度大于预设意向阈值的产品包为目标产品包;
根据所述用户特征从预设的用户群体中筛选出与所述用户的相似用户;
获取所述相似用户的用户信息,从所述相似用户的用户信息中提取出相似特征,根据所述相似特征对所述目标产品包中的产品进行协同过滤,得到待筛选产品;
获取所述待筛选产品中每一个产品的销量数据,根据所述销量数据计算所述待筛选产品中每一个产品的热度,并选取所述热度大于预设热度阈值的产品向所述用户进行推荐。
具体地,所述处理器10对上述指令的具体实现方法可参考附图对应实施例中相关步骤的描述,在此不赘述。
进一步地,所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的,也可以是非易失性的。例如,所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)。
本发明还提供一种计算机可读存储介质,所述可读存储介质存储有计算机程序,所述计算机程序在被电子设备的处理器所执行时,可以实现:
获取多个产品包,利用预先训练的自然语言模型对每一个产品包中产品信息进行特征提取,得到产品特征,根据所述产品特征构建决策树模型,所述多个产品包中每一个产品包内包含相同类别的多个产品,以及每个产品的产品信息;
获取用户的用户信息,提取所述用户信息的用户特征,判断所述用户特征是否所述决策树模型的参数,得到输出结果,并根据输出结果计算所述用户对每一个产品包的意向度,选取所述意向度大于预设意向阈值的产品包为目标产品包;
根据所述用户特征从预设的用户群体中筛选出与所述用户的相似用户;
获取所述相似用户的用户信息,从所述相似用户的用户信息中提取出相似特征,根据所述相似特征对所述目标产品包中的产品进行协同过滤,得到待筛选产品;
获取所述待筛选产品中每一个产品的销量数据,根据所述销量数据计算所述待筛选产品中每一个产品的热度,并选取所述热度大于预设热度阈值的产品向所述用户进行推荐。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,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。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块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模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种基于多重决策的产品推荐方法,其特征在于,所述方法包括:
获取多个产品包,利用预先训练的自然语言模型对每一个产品包中产品信息进行特征提取,得到产品特征,根据所述产品特征构建决策树模型,所述多个产品包中每一个产品包内包含相同类别的多个产品,以及每个产品的产品信息;
获取用户的用户信息,提取所述用户信息的用户特征,判断所述用户特征是否所述决策树模型的参数,得到输出结果,并根据输出结果计算所述用户对每一个产品包的意向度,选取所述意向度大于预设意向阈值的产品包为目标产品包;
根据所述用户特征从预设的用户群体中筛选出与所述用户的相似用户;
获取所述相似用户的用户信息,从所述相似用户的用户信息中提取出相似特征,根据所述相似特征对所述目标产品包中的产品进行协同过滤,得到待筛选产品;
获取所述待筛选产品中每一个产品的销量数据,根据所述销量数据计算所述待筛选产品中每一个产品的热度,并选取所述热度大于预设热度阈值的产品向所述用户进行推荐。
2.如权利要求1所述的基于多重决策的产品推荐方法,其特征在于,所述利用预先训练的自然语言模型对每一个产品包中产品信息进行进行特征提取,得到产品特征,包括:
从所述多产品包中逐个选取其中一个产品包为目标产品包,利用预先训练的自然语言模型对所述目标产品包中包含的产品信息进行分词处理,得到产品分词;
统计所述产品分词中每一个产品分词的出现频率,汇集所述出现频率大于预设频率阈值的产品分词为所述目标产品包的产品特征。
3.如权利要求1所述的基于多重决策的产品推荐方法,其特征在于,所述根据所述产品特征构建决策树模型,包括:
从所述多个产品包中逐个选取其中一个产品包,并从被选取的产品包的产品特征中逐个选取其中一个特征为目标特征;
将所述目标特征作为参数对预设的决策函数进行赋值,并利用赋值后的决策函数作为决策条件,生成决策树;
汇集所述被选取的产品包的所有产品特征生成的决策树为所述被选取的产品包的决策树,以及汇集所述多个产品包中每一个产品包的决策树为决策树模型。
4.如权利要求1所述的基于多重决策的产品推荐方法,其特征在于,所述判断所述用户特征是否所述决策树模型的参数,得到输出结果,并根据输出结果计算所述用户对每一个产品包的意向度,包括:
从所述用户特征中逐个选取其中一个特征为输入值;
从所述决策树模型中逐个选取一个决策树为目标决策树,将所述输入值输入至所述目标决策树,得到所述目标决策树输出的输出结果,其中,所述输出结果为所述输入值与所述目标决策树的参数相同,或者所述输入值与所述目标决策树的参数不同;
统计每一个产品包对应的决策树中输出的所述输入值与所述目标决策树的参数相同的输出结果的数量,并利用预设的得分算法根据所述数量计算所述用户每一个产品包的意向度。
5.如权利要求1所述的基于多重决策的产品推荐方法,其特征在于,所述根据所述用户特征从预设的用户群体中筛选出与所述用户的相似用户,包括:
将所述用户特征中每一个特征转换为特征向量,并将所述特征向量拼接为第一用户画像;
从预设的用户群体中逐个选取其中一个用户为目标用户,获取所述目标用户的用户特征,将所述目标用户的用户特征转换为目标向量,并将所述目标向量拼接为所述第二用户画像;
计算所述第一用户画像与所述第二用户画像之间的距离值;
当所述距离值大于或等于预设距离阈值时,确定所述目标用户不是所述用户的相似用户;
当所述距离值小于所述预设距离阈值时,确定所述目标用户是所述用户的相似用户。
6.如权利要求5所述的基于多重决策的产品推荐方法,其特征在于,所述将所述特征向量拼接为第一用户画像,包括:
统计所述特征向量中每一个向量的向量长度,选取所述向量长度最长的向量为模向量;
利用预设参数将所述特征向量中所有向量延长至与所述模向量的向量长度;
将向量延长后的所述特征向量中每一个向量作为行向量拼接为向量矩阵,将所述向量矩阵作为第一用户画像。
7.如权利要求1至6中任一项所述的基于多重决策的产品推荐方法,其特征在于,所述根据所述销量数据计算所述待筛选产品中每一个产品的热度,包括:
从所述待筛选产品中逐个选取其中一个产品,从所述销量数据中提取出预设时间段内被选取的产品的销售数量和销售时间;
将所述销售数量和所述销售时间作为预设热度算法的参数计算被选取的产品的热度。
8.一种基于多重决策的产品推荐装置,其特征在于,所述装置包括:
模型构建模块,用于获取多个产品包,利用预先训练的自然语言模型对每一个产品包中产品信息进行特征提取,得到产品特征,根据所述产品特征构建决策树模型,所述多个产品包中每一个产品包内包含相同类别的多个产品,以及每个产品的产品信息;
产品包筛选模块,用于获取用户的用户信息,提取所述用户信息的用户特征,判断所述用户特征是否所述决策树模型的参数,得到输出结果,并根据输出结果计算所述用户对每一个产品包的意向度,选取所述意向度大于预设意向阈值的产品包为目标产品包;
相似用户筛选模块,用于根据所述用户特征从预设的用户群体中筛选出与所述用户的相似用户;
第一产品筛选模块,用于获取所述相似用户的用户信息,从所述相似用户的用户信息中提取出相似特征,根据所述相似特征对所述目标产品包中的产品进行协同过滤,得到待筛选产品;
第二产品筛选模块,用于获取所述待筛选产品中每一个产品的销量数据,根据所述销量数据计算所述待筛选产品中每一个产品的热度,并选取所述热度大于预设热度阈值的产品向所述用户进行推荐。
9.一种电子设备,其特征在于,所述电子设备包括:
处理器;以及,
与所述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处理器执行的计算机程序,所述计算机程序被所述处理器执行,以使所述处理器能够执行如权利要求1至7中任意一项所述的基于多重决策的产品推荐方法。
10.一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7中任意一项所述的基于多重决策的产品推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110913867.6A CN113592606B (zh) | 2021-08-10 | 2021-08-10 | 基于多重决策的产品推荐方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110913867.6A CN113592606B (zh) | 2021-08-10 | 2021-08-10 | 基于多重决策的产品推荐方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113592606A true CN113592606A (zh) | 2021-11-02 |
CN113592606B CN113592606B (zh) | 2023-08-22 |
Family
ID=78256811
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110913867.6A Active CN113592606B (zh) | 2021-08-10 | 2021-08-10 | 基于多重决策的产品推荐方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113592606B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120323725A1 (en) * | 2010-12-15 | 2012-12-20 | Fourthwall Media | Systems and methods for supplementing content-based attributes with collaborative rating attributes for recommending or filtering items |
CN110097394A (zh) * | 2019-03-27 | 2019-08-06 | 青岛高校信息产业股份有限公司 | 产品潜客推荐方法和装置 |
WO2019218751A1 (zh) * | 2018-05-16 | 2019-11-21 | 阿里巴巴集团控股有限公司 | 一种保险业务风险预测的处理方法、装置及处理设备 |
CN110796512A (zh) * | 2019-09-20 | 2020-02-14 | 平安科技(深圳)有限公司 | 产品信息推荐方法及装置、存储介质、计算机设备 |
CN111274471A (zh) * | 2018-12-04 | 2020-06-12 | 北京嘀嘀无限科技发展有限公司 | 信息推送方法、装置、服务器及可读存储介质 |
CN111652282A (zh) * | 2020-04-30 | 2020-09-11 | 中国平安财产保险股份有限公司 | 基于大数据的用户偏好分析方法、装置及电子设备 |
CN111861569A (zh) * | 2020-07-23 | 2020-10-30 | 中国工商银行股份有限公司 | 产品信息推荐方法及装置 |
WO2021042843A1 (zh) * | 2019-09-06 | 2021-03-11 | 平安科技(深圳)有限公司 | 告警信息的决策方法、装置、计算机设备及存储介质 |
CN112559900A (zh) * | 2021-02-26 | 2021-03-26 | 深圳索信达数据技术有限公司 | 产品推荐方法、装置、计算机设备和存储介质 |
CN112650909A (zh) * | 2020-12-29 | 2021-04-13 | 平安消费金融有限公司 | 产品展示方法、装置、电子设备及存储介质 |
CN112989213A (zh) * | 2021-05-19 | 2021-06-18 | 腾讯科技(深圳)有限公司 | 内容推荐方法、装置、系统、电子设备及存储介质 |
CN113051480A (zh) * | 2021-04-22 | 2021-06-29 | 深圳壹账通智能科技有限公司 | 资源推送方法、装置、电子设备及存储介质 |
WO2021147568A1 (zh) * | 2020-08-27 | 2021-07-29 | 平安科技(深圳)有限公司 | 基于gbdt高阶特征组合的推荐方法、装置及存储介质 |
-
2021
- 2021-08-10 CN CN202110913867.6A patent/CN113592606B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120323725A1 (en) * | 2010-12-15 | 2012-12-20 | Fourthwall Media | Systems and methods for supplementing content-based attributes with collaborative rating attributes for recommending or filtering items |
WO2019218751A1 (zh) * | 2018-05-16 | 2019-11-21 | 阿里巴巴集团控股有限公司 | 一种保险业务风险预测的处理方法、装置及处理设备 |
CN111274471A (zh) * | 2018-12-04 | 2020-06-12 | 北京嘀嘀无限科技发展有限公司 | 信息推送方法、装置、服务器及可读存储介质 |
CN110097394A (zh) * | 2019-03-27 | 2019-08-06 | 青岛高校信息产业股份有限公司 | 产品潜客推荐方法和装置 |
WO2021042843A1 (zh) * | 2019-09-06 | 2021-03-11 | 平安科技(深圳)有限公司 | 告警信息的决策方法、装置、计算机设备及存储介质 |
CN110796512A (zh) * | 2019-09-20 | 2020-02-14 | 平安科技(深圳)有限公司 | 产品信息推荐方法及装置、存储介质、计算机设备 |
CN111652282A (zh) * | 2020-04-30 | 2020-09-11 | 中国平安财产保险股份有限公司 | 基于大数据的用户偏好分析方法、装置及电子设备 |
CN111861569A (zh) * | 2020-07-23 | 2020-10-30 | 中国工商银行股份有限公司 | 产品信息推荐方法及装置 |
WO2021147568A1 (zh) * | 2020-08-27 | 2021-07-29 | 平安科技(深圳)有限公司 | 基于gbdt高阶特征组合的推荐方法、装置及存储介质 |
CN112650909A (zh) * | 2020-12-29 | 2021-04-13 | 平安消费金融有限公司 | 产品展示方法、装置、电子设备及存储介质 |
CN112559900A (zh) * | 2021-02-26 | 2021-03-26 | 深圳索信达数据技术有限公司 | 产品推荐方法、装置、计算机设备和存储介质 |
CN113051480A (zh) * | 2021-04-22 | 2021-06-29 | 深圳壹账通智能科技有限公司 | 资源推送方法、装置、电子设备及存储介质 |
CN112989213A (zh) * | 2021-05-19 | 2021-06-18 | 腾讯科技(深圳)有限公司 | 内容推荐方法、装置、系统、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113592606B (zh) | 2023-08-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112883190A (zh) | 文本分类方法、装置、电子设备及存储介质 | |
CN113449187A (zh) | 基于双画像的产品推荐方法、装置、设备及存储介质 | |
CN114912948B (zh) | 基于云服务的跨境电商大数据智能处理方法、装置及设备 | |
CN113157927A (zh) | 文本分类方法、装置、电子设备及可读存储介质 | |
CN115391669B (zh) | 一种智能推荐方法、装置、电子设备 | |
CN112528616A (zh) | 业务表单生成方法、装置、电子设备及计算机存储介质 | |
CN113688923A (zh) | 订单异常智能检测方法、装置、电子设备及存储介质 | |
CN114491047A (zh) | 多标签文本分类方法、装置、电子设备及存储介质 | |
CN111652278A (zh) | 用户行为检测方法、装置、电子设备及介质 | |
CN114781832A (zh) | 课程推荐方法、装置、电子设备及存储介质 | |
CN114612194A (zh) | 产品推荐方法、装置、电子设备及存储介质 | |
CN113592605A (zh) | 基于相似产品的产品推荐方法、装置、设备及存储介质 | |
CN113886708A (zh) | 基于用户信息的产品推荐方法、装置、设备及存储介质 | |
CN113360768A (zh) | 基于用户画像的产品推荐方法、装置、设备及存储介质 | |
CN113516417A (zh) | 基于智能建模的业务评估方法、装置、电子设备及介质 | |
CN115018588A (zh) | 产品推荐方法、装置、电子设备及可读存储介质 | |
CN113656690B (zh) | 产品推荐方法、装置、电子设备及可读存储介质 | |
CN113505273B (zh) | 基于重复数据筛选的数据排序方法、装置、设备及介质 | |
CN113591881A (zh) | 基于模型融合的意图识别方法、装置、电子设备及介质 | |
CN113705201B (zh) | 基于文本的事件概率预测评估算法、电子设备及存储介质 | |
CN115641186A (zh) | 直播产品偏好的智能分析方法、装置、设备及存储介质 | |
CN114780688A (zh) | 基于规则匹配的文本质检方法、装置、设备及存储介质 | |
CN114219367A (zh) | 用户评分方法、装置、设备及存储介质 | |
CN114240560A (zh) | 基于多维分析的产品排名方法、装置、设备及存储介质 | |
CN113486238A (zh) | 基于用户画像的信息推送方法、装置、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 |