CN113641904A - 一种为互联网婚恋线下门店推荐目标客户的方法及装置 - Google Patents
一种为互联网婚恋线下门店推荐目标客户的方法及装置 Download PDFInfo
- Publication number
- CN113641904A CN113641904A CN202110937933.3A CN202110937933A CN113641904A CN 113641904 A CN113641904 A CN 113641904A CN 202110937933 A CN202110937933 A CN 202110937933A CN 113641904 A CN113641904 A CN 113641904A
- Authority
- CN
- China
- Prior art keywords
- sales
- customer
- customers
- data
- unit
- 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 38
- 230000008569 process Effects 0.000 claims abstract description 15
- 238000010801 machine learning Methods 0.000 claims abstract description 10
- 230000006399 behavior Effects 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 17
- 238000001914 filtration Methods 0.000 claims description 14
- 238000012423 maintenance Methods 0.000 claims description 9
- 238000013480 data collection Methods 0.000 claims description 4
- 238000013136 deep learning model Methods 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000013075 data extraction Methods 0.000 claims description 2
- 238000012216 screening Methods 0.000 abstract description 11
- 239000013598 vector Substances 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 230000011218 segmentation Effects 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
- G06F16/953—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
- G06F16/958—Organisation or management of web site content, e.g. publishing, maintaining pages or automatic linking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Software Systems (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Economics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种为互联网婚恋线下门店推荐目标客户的方法及装置。所述为互联网婚恋线下门店推荐目标客户的方法及装置,包括以下步骤:S1、通过在服务端输入销售人员的基本信息以及历史销售成功的案例,并以该两大信息源建立销售信息数据库,通过应用服务器获取历史销售数据,获得机器学习模型。本发明提供一种为互联网婚恋线下门店推荐目标客户的方法及装置,通过机器学习算法快速筛选出与销售人员匹配的客户数据,省去了销售人员主动在数据库中依据经验来筛选客户,减少了销售人员的工作量,简化了筛选客户的过程,有效的提升了筛选速度,将更多的时间花费来与客户沟通方面,在实际操作时更加轻松。
Description
技术领域
本发明涉及互联网婚恋领域,尤其涉及一种为互联网婚恋线下门店推荐目标客户的方法及装置。
背景技术
婚恋网站是专为谈婚论嫁的男男女女搭建的社交平台,婚恋网站的建立方便了未婚人士谈情说爱,使得大量的适龄的青年甚至大龄人士足不出户就可以向自己喜欢的人生发出爱情邀请,借助婚恋网站平台谈情说爱直至谈婚论嫁。
目前,对于一些大型互联网婚恋公司来说,都有拥有自己的线下实体门店,其主要运营模式为:通过线上部分或其他渠道获得大量的候选目标客户,然后由销售进行筛选、最后邀约到店内进行签单。
然而,在实际的工作过程中,由于候选的目标客户数量庞大,存在筛选困难、筛选速度慢等问题,另外对于每个销售来说,在进行销售工作时,多是根据自己的经验在客户数据库中来进行筛选的方法,这样不仅工作量较大,在实际操作时不够方便,其中很多销售缺乏筛选客户的经验,导致整体电话接通率、签单成功率都很低,进而影响收入。
因此,有必要提供一种为互联网婚恋线下门店推荐目标客户的方法及装置解决上述技术问题。
发明内容
本发明提供一种为互联网婚恋线下门店推荐目标客户的方法及装置,解决了互联网婚恋公司销售方法的在实际操作过程中工作量大且效率不高的问题。
为解决上述技术问题,本发明提供的为互联网婚恋线下门店推荐目标客户的方法及装置,包括以下步骤:
S1、通过在服务端输入销售人员的基本信息以及历史销售成功的案例,并以该两大信息源建立销售信息数据库,通过应用服务器获取历史销售数据,获得机器学习模型;
S2、在客户信息数据库中获取海量候选目标客户的数据,然后根据设定的规则将不能成为目标客户的客户自动过滤掉,缩小目标客户体量;
S3、然后使用机器学习模型,根据销售和客户的数据信息,对一个销售和多个客户进行匹配,并通过内部打分机制对每组匹配成功的客户进行打分,并按照分数的高低排序,得到指定数量的最优策略;
S4、根据得到最优策略,通过软件将客户推送给对应的销售人员。
一种为互联网婚恋线下门店推荐目标客户的装置,包括:
服务端和客户关系管理系统;
所述服务端包括客户信息数据库、销售信息数据库和应用服务器,所述服务器包括历史数据收集单元、客户初次过滤单元、销售与客户匹配单元以及数据推送单元;
所述客户关系管理系统包括管理维护单元、销售登录单元以及数据接收与展示单元;
所述数据推送单元与所述数据接收与展示单元信号连接。
优选的,所述客户信息数据库保存了客户的基本信息和行为信息,基本信息包括性别、年龄、学历、收入、户籍所在地、工作所在地、是否有照片、销售进程放弃客户原因、客户星级等,行为信息包括登陆、消费、发送信件、阅读信件、个人资料页(详情页)点击数据等。
优选的,所述销售信息数据库保存了销售的基本信息和行为信息,基本信息包括销售ID、销售性别、销售是否具有面谈资格、销售的员工分级、销售的工龄、销售的劳动合同类型等,行为信息包括:销售捞取/拨打/成单按时间先后所对应的客户及客户属性序列。
优选的,所述应用服务器为网络应用所属服务器集群中的服务设备,主要用于负责向销售客户管理系统推送目标客户,应用服务器可以访问所述客户信息数据库和销售信息数据库。
优选的,所述历史数据收集单元用于每天凌晨定时从客户公海、所述客户信息数据库以及所述销售信息数据库中拉取客户数据,并将拉取的客户数据传输至所述客户初次过滤单元中,所述客户初次过滤单元通过设定的规则对接收的客户数据进行过滤。
优选的,所述销售与客户匹配单元通过利用训练好的深度学习模型进行计算,给每一对销售和客户组合进行打分,分数越高则代表给该销售分配该客户成单率越高,然后根据分数从高到低对客户进行排序。
优选的,所述数据推送单元用于接收所述销售与客户匹配单元传输的客户与销售匹配数据,并选择合适数目的客户数据传送至数据接收与展示单元中。
优选的,所述管理维护单元用于对所述客户关系系统内部进行日常维护,保证系统内部能够正常运行,所述销售登录单元为销售进入所述所述客户关系系统内部,同时能够查看所述数据接收与展示单元接收的客户数据。
优选的,所述销售与客户匹配单元在运行过程中可分为训练阶段和预测阶段两个阶段,其中,训练阶段为每间隔一周训练一次模型,训练流程包括数据拉取、特征工程以及模型训练。
与相关技术相比较,本发明提供的为互联网婚恋线下门店推荐目标客户的方法及装置具有如下有益效果:
本发明提供一种为互联网婚恋线下门店推荐目标客户的方法及装置,主要是根据累积的销售数据,通过机器学习算法快速筛选出与销售人员匹配的客户数据,而销售人员只需登录客户管理系统中,便能够接收到客户信息,然后可以立马进行销售工作,进而省去了销售人员主动在数据库中依据经验来筛选客户,减少了销售人员的工作量,简化了筛选客户的过程,有效的提升了筛选速度,将更多的时间花费来与客户沟通方面,在实际操作时更加轻松,同时利用算法匹配的客户,远比销售人员自己筛选的客户质量更高,将每个销售人员的客户接通率、签单成功率均进一步提升,达到了提高收入的目的。
附图说明
图1为本发明提供的为互联网婚恋线下门店推荐目标客户的方法流程图;
图2为本发明提供的为互联网婚恋线下门店推荐目标客户的装置系统框图;
图3为本发明中推荐目标客户方法的实现流程图;
图4为本发明中推荐目标客户的流程图;
图5为本发明中预测是否成单的流程图。
具体实施方式
下面结合附图和实施方式对本发明作进一步说明。
请结合参阅图1、图2、图3、图4和图5,其中,图2为本发明提供的为互联网婚恋线下门店推荐目标客户的装置系统框图;图3为本发明中推荐目标客户方法的实现流程图;图4为本发明中推荐目标客户的流程图;图5为本发明中预测是否成单的流程图。为互联网婚恋线下门店推荐目标客户的方法及装置,包括以下步骤:
S1、通过在服务端输入销售人员的基本信息以及历史销售成功的案例,并以该两大信息源建立销售信息数据库,通过应用服务器获取历史销售数据,获得机器学习模型;
S2、在客户信息数据库中获取海量候选目标客户的数据,然后根据设定的规则将不能成为目标客户的客户自动过滤掉,缩小目标客户体量;
S3、然后使用机器学习模型,根据销售和客户的数据信息,对一个销售和多个客户进行匹配,并通过内部打分机制对每组匹配成功的客户进行打分,并按照分数的高低排序,得到指定数量的最优策略;
S4、根据得到最优策略,通过软件将客户推送给对应的销售人员。
一种为互联网婚恋线下门店推荐目标客户的装置,其特征在于,包括:
服务端和客户关系管理系统;
所述服务端包括客户信息数据库、销售信息数据库和应用服务器,所述服务器包括历史数据收集单元、客户初次过滤单元、销售与客户匹配单元以及数据推送单元;
所述应用服务器为网络应用所属服务器集群中的服务设备,主要用于负责向销售客户管理系统推送目标客户,应用服务器可以访问所述客户信息数据库和销售信息数据库;
所述客户信息数据库保存了客户的基本信息和行为信息,基本信息包括性别、年龄、学历、收入、户籍所在地、工作所在地、是否有照片、销售进程放弃客户原因、客户星级等,行为信息包括登陆、消费、发送信件、阅读信件、个人资料页(详情页)点击数据等,所述销售信息数据库保存了销售的基本信息和行为信息,基本信息包括销售ID、销售性别、销售是否具有面谈资格、销售的员工分级、销售的工龄、销售的劳动合同类型等,行为信息包括:销售捞取/拨打/成单按时间先后所对应的客户及客户属性序列;
所述历史数据收集单元用于每天凌晨定时从客户公海、所述客户信息数据库以及所述销售信息数据库中拉取客户数据,并将拉取的客户数据传输至所述客户初次过滤单元中;
所述客户初次过滤单元通过设定的规则对接收的客户数据进行过滤,过滤掉消费意愿低、不在门店所在地的客户,规则示例如:一年内登陆、三年内注册、年龄23岁以上、居住/工作地址在门店所在地、未被其他销售跟进,设定的规则不限于该一种,可以根据实际的使用需求调整;
所述销售与客户匹配单元通过利用训练好的深度学习模型进行计算,给每一对销售和客户组合进行打分,分数越高则代表给该销售分配该客户成单率越高,然后根据分数从高到低对客户进行排序,所述数据推送单元用于接收所述销售与客户匹配单元传输的客户与销售匹配数据,并选择合适数目的客户数据传送至数据接收与展示单元中;
而所述销售与客户匹配单元在运行过程中可分为训练阶段和预测阶段两个阶段,其中,训练阶段为每间隔一周训练一次模型,训练流程包括数据拉取、特征工程以及模型训练,请结合参阅图5;
数据拉取:拉取当前日期向前6个月的数据作为训练数据,客户在当前日期前6个月销售拨打的客户和未拨打的客户,拨打后接通的客户和未接通的客户,接通后成单客户和接通后未成单客户作为训练模型的标签,并拉取构建特征所需的数据;
特征工程:从来源上分为客户特征和销售特征,每类特征又分为基本特征和行为特征,以客户行为数据的消费数据为例,可以构建最近一周消费金额、最近一周消费次数、最近一月消费金额、最近一月消费次数、最近三月消费金额、最近三月消费次数、最近一次消费产品ID、最近一次消费平台等,从特征是否连续可分为离散特征和连续特征,对分类值较多的离散特征,比如客户的工作所在地,进行嵌入,映射到低维向量,对于分类取值较少的离散特征,比如性别等人口属性特征,做常规one-hot处理,对于连续特征,如年龄、收入、消费金额等,进行分段标记处理,使得这些连续的数据变得离散化;
模型训练:销售成单经历拨打、接通、成单的过程,这本身是三个强相关的连续行为,在模型结构中考虑这种“行为链”关系,在整个空间上进行训练,因此选择多任务学习模型ESMM;
而模型分为三个子任务,第一个任务预测是否拨打,销售决定是否拨打时只能看到客户的一些基本信息,所以输入客户基本特征和销售特征;第二个任务预测是否接通,因客户收到呼叫时,其是否接通与销售无关,只与客户相关,所以输入客户基本特征和行为特征,不输入销售特征;第三个任务预测是否成单,此时,与销售和客户的全部信息都有关系,因此输入销售和客户的全部基本特征和行为特征;
每个任务除输入特征有所区别外,其它部分基本相同,请结合参阅图5,都包括特征表示层、特征组合层,MLP层,输出层,特征表示将输入数据表示成能输入深度学习模型计算的值,不同任务的特征会进行共享,以达到节省空间以及提高泛化能力的效果,特征组合将不同特征进行组合,例如将销售的捞取/拨打/成单按时间先后所对应的客户序列加权平均,权重随离当前时间越远而越小,将所有特征拼接成一个向量输入下一层MLP,MLP的计算方法为:其中zi是深度学习网络中的第i层,Wi和bi是网络中的参数,δ是激活函数,mi是上层网络的输出维度,也是本层网络的输入维度,ni是本层网络的输出维度,也是下一层网络的输入维度,当i为最后一层时,ni就是最后输入打分公式的向量;
而在对最后网络输出的打分公式为:最后将三个任务组合,拨打的概率与接通的概率相乘作为拨打接通的概率,拨打的概率、接通的概率和成单的概率三个相乘作为最终成单的概率,损失函数采用交叉熵损失,公式如下:训练阶段结束后,将模型更新;
预测阶段与训练阶段流程基本相同,多了一步规则过滤,对客户进行初步的过滤,规则如下:一年内登陆、三年内注册、年龄23岁以上、居住/工作地址在门店所在地、未被其他销售跟进。
将模型的预测结果按最终的成单概率从高到低排序,截取指定数目推送给客户管理系统,供销售进行线下邀约
所述客户关系管理系统包括管理维护单元、销售登录单元以及数据接收与展示单元,所述数据推送单元与所述数据接收与展示单元信号连接,所述管理维护单元用于对所述客户关系系统内部进行日常维护,保证系统内部能够正常运行,所述销售登录单元为销售进入所述所述客户关系系统内部,同时能够查看所述数据接收与展示单元接收的客户数据。
与相关技术相比较,本发明提供的为互联网婚恋线下门店推荐目标客户的方法及装置具有如下有益效果:
本发明方法,主要是根据累积的销售数据,通过机器学习算法快速筛选出与销售人员匹配的客户数据,而销售人员只需登录客户管理系统中,便能够接收到客户信息,然后可以立马进行销售工作,进而省去了销售人员主动在数据库中依据经验来筛选客户,减少了销售人员的工作量,简化了筛选客户的过程,有效的提升了筛选速度,将更多的时间花费来与客户沟通方面,在实际操作时更加轻松,同时利用算法匹配的客户,远比销售人员自己筛选的客户质量更高,将每个销售人员的客户接通率、签单成功率均进一步提升,达到了提高收入的目的。
以上所述仅为本发明的实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其它相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种为互联网婚恋线下门店推荐目标客户的方法,其特征在于,包括以下步骤:
S1、通过在服务端输入销售人员的基本信息以及历史销售成功的案例,并以该两大信息源建立销售信息数据库,通过应用服务器获取历史销售数据,获得机器学习模型;
S2、在客户信息数据库中获取海量候选目标客户的数据,然后根据设定的规则将不能成为目标客户的客户自动过滤掉,缩小目标客户体量;
S3、然后使用机器学习模型,根据销售和客户的数据信息,对一个销售和多个客户进行匹配,并通过内部打分机制对每组匹配成功的客户进行打分,并按照分数的高低排序,得到指定数量的最优策略;
S4、根据得到最优策略,通过软件将客户推送给对应的销售人员。
2.一种为互联网婚恋线下门店推荐目标客户的装置,其特征在于,包括:
服务端和客户关系管理系统;
所述服务端包括客户信息数据库、销售信息数据库和应用服务器,所述服务器包括历史数据收集单元、客户初次过滤单元、销售与客户匹配单元以及数据推送单元;
所述客户关系管理系统包括管理维护单元、销售登录单元以及数据接收与展示单元;
所述数据推送单元与所述数据接收与展示单元信号连接。
3.根据权利要求2所述的为互联网婚恋线下门店推荐目标客户的装置,其特征在于,所述客户信息数据库保存了客户的基本信息和行为信息,基本信息包括性别、年龄、学历、收入、户籍所在地、工作所在地、是否有照片、销售进程放弃客户原因、客户星级等,行为信息包括登陆、消费、发送信件、阅读信件、个人资料页(详情页)点击数据等。
4.根据权利要求2所述的为互联网婚恋线下门店推荐目标客户的装置,其特征在于,所述销售信息数据库保存了销售的基本信息和行为信息,基本信息包括销售ID、销售性别、销售是否具有面谈资格、销售的员工分级、销售的工龄、销售的劳动合同类型等,行为信息包括:销售捞取/拨打/成单按时间先后所对应的客户及客户属性序列。
5.根据权利要求2所述的为互联网婚恋线下门店推荐目标客户的装置,其特征在于,所述应用服务器为网络应用所属服务器集群中的服务设备,主要用于负责向销售客户管理系统推送目标客户,应用服务器可以访问所述客户信息数据库和销售信息数据库。
6.根据权利要求2所述的为互联网婚恋线下门店推荐目标客户的装置,其特征在于,所述历史数据收集单元用于每天凌晨定时从客户公海、所述客户信息数据库以及所述销售信息数据库中拉取客户数据,并将拉取的客户数据传输至所述客户初次过滤单元中,所述客户初次过滤单元通过设定的规则对接收的客户数据进行过滤。
7.根据权利要求2所述的为互联网婚恋线下门店推荐目标客户的装置,其特征在于,所述销售与客户匹配单元通过利用训练好的深度学习模型进行计算,给每一对销售和客户组合进行打分,分数越高则代表给该销售分配该客户成单率越高,然后根据分数从高到低对客户进行排序。
8.根据权利要求2所述的为互联网婚恋线下门店推荐目标客户的装置,其特征在于,所述数据推送单元用于接收所述销售与客户匹配单元传输的客户与销售匹配数据,并选择合适数目的客户数据传送至数据接收与展示单元中。
9.根据权利要求2所述的为互联网婚恋线下门店推荐目标客户的装置,其特征在于,所述管理维护单元用于对所述客户关系系统内部进行日常维护,保证系统内部能够正常运行,所述销售登录单元为销售进入所述所述客户关系系统内部,同时能够查看所述数据接收与展示单元接收的客户数据。
10.根据权利要求2所述的为互联网婚恋线下门店推荐目标客户的装置,其特征在于,所述销售与客户匹配单元在运行过程中可分为训练阶段和预测阶段两个阶段,其中,训练阶段为每间隔一周训练一次模型,训练流程包括数据拉取、特征工程以及模型训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110937933.3A CN113641904A (zh) | 2021-08-16 | 2021-08-16 | 一种为互联网婚恋线下门店推荐目标客户的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110937933.3A CN113641904A (zh) | 2021-08-16 | 2021-08-16 | 一种为互联网婚恋线下门店推荐目标客户的方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113641904A true CN113641904A (zh) | 2021-11-12 |
Family
ID=78422076
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110937933.3A Pending CN113641904A (zh) | 2021-08-16 | 2021-08-16 | 一种为互联网婚恋线下门店推荐目标客户的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113641904A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115062220A (zh) * | 2022-06-16 | 2022-09-16 | 成都集致生活科技有限公司 | 基于注意力合并的招工推荐系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108228950A (zh) * | 2016-12-22 | 2018-06-29 | 中国移动通信有限公司研究院 | 一种信息处理方法及装置 |
CN109712001A (zh) * | 2018-11-29 | 2019-05-03 | 平安科技(深圳)有限公司 | 信息推荐方法、装置、计算机设备和存储介质 |
KR20200103367A (ko) * | 2019-02-25 | 2020-09-02 | 주식회사 고객경영기술원 | 하이브리드 추천 시스템 및 방법 |
-
2021
- 2021-08-16 CN CN202110937933.3A patent/CN113641904A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108228950A (zh) * | 2016-12-22 | 2018-06-29 | 中国移动通信有限公司研究院 | 一种信息处理方法及装置 |
CN109712001A (zh) * | 2018-11-29 | 2019-05-03 | 平安科技(深圳)有限公司 | 信息推荐方法、装置、计算机设备和存储介质 |
KR20200103367A (ko) * | 2019-02-25 | 2020-09-02 | 주식회사 고객경영기술원 | 하이브리드 추천 시스템 및 방법 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115062220A (zh) * | 2022-06-16 | 2022-09-16 | 成都集致生活科技有限公司 | 基于注意力合并的招工推荐系统 |
CN115062220B (zh) * | 2022-06-16 | 2023-06-23 | 成都集致生活科技有限公司 | 基于注意力合并的招工推荐系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107844915B (zh) | 一种基于话务预测的呼叫中心的自动排班方法 | |
CN107749932A (zh) | 用于在联络中心系统中对个人进行排名的方法、系统以及制品 | |
CN106127525A (zh) | 一种基于分类算法的电视购物商品推荐方法 | |
CN108053257A (zh) | 一种大数据用户运营金字塔体系的建立方法及应用系统 | |
Kokkodis | Dynamic, multidimensional, and skillset-specific reputation systems for online work | |
CN108734550A (zh) | 推送数据的方法、装置、设备及存储介质 | |
CN112765475B (zh) | 一种智慧旅游目标匹配方法 | |
CN106294676B (zh) | 一种电子商务政务系统的数据检索方法 | |
CN107977855B (zh) | 一种管理用户信息的方法及装置 | |
CN116308109A (zh) | 一种基于大数据的企业政策智能推荐及政策制定系统 | |
Nagaraj et al. | E-Commerce Customer Churn Prediction Scheme Based on Customer Behaviour Using Machine Learning | |
CN113641904A (zh) | 一种为互联网婚恋线下门店推荐目标客户的方法及装置 | |
CN117217634B (zh) | 一种基于复杂网络的企业合作社区发现方法 | |
CN112738536B (zh) | 基于社交直播电商分布式的数据匹配方法 | |
Jayawardena et al. | Artificial intelligence (AI)-based market intelligence and customer insights | |
CN109508862A (zh) | 一种配送方法和装置 | |
JP6067882B2 (ja) | 情報処理システムおよび情報処理方法 | |
CN116091171A (zh) | 会员统计与管理系统 | |
CN110428278A (zh) | 确定资源份额的方法及装置 | |
Wang et al. | Multicriteria-based crowd selection using ant colony optimization | |
CN111985900B (zh) | 信息处理方法及装置 | |
CN113254775A (zh) | 一种基于客户浏览行为序列的信用卡产品推荐方法 | |
CN114463085A (zh) | 自动化营销的通用沟通互动方法、装置、电子设备及存储介质 | |
Nyukorong | Conducting market research: An aid to organisational decision making | |
CN108710620A (zh) | 一种基于用户的k-最近邻算法的图书推荐方法与系统 |
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 |