CN113762990B - 商品推荐的方法、装置、计算设备及计算机存储介质 - Google Patents

商品推荐的方法、装置、计算设备及计算机存储介质 Download PDF

Info

Publication number
CN113762990B
CN113762990B CN202010493983.2A CN202010493983A CN113762990B CN 113762990 B CN113762990 B CN 113762990B CN 202010493983 A CN202010493983 A CN 202010493983A CN 113762990 B CN113762990 B CN 113762990B
Authority
CN
China
Prior art keywords
commodity
score
user
preference
user preference
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.)
Active
Application number
CN202010493983.2A
Other languages
English (en)
Other versions
CN113762990A (zh
Inventor
柳淑婷
刘存
潘宇
骆似骏
黄文婷
吴逊
谢贤娟
杨俏
石益宇
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.)
China Mobile Communications Group Co Ltd
China Mobile Group Zhejiang Co Ltd
Original Assignee
China Mobile Communications Group Co Ltd
China Mobile Group Zhejiang Co Ltd
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 China Mobile Communications Group Co Ltd, China Mobile Group Zhejiang Co Ltd filed Critical China Mobile Communications Group Co Ltd
Priority to CN202010493983.2A priority Critical patent/CN113762990B/zh
Publication of CN113762990A publication Critical patent/CN113762990A/zh
Application granted granted Critical
Publication of CN113762990B publication Critical patent/CN113762990B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0255—Targeted advertisements based on user history
    • G06Q30/0256—User search
    • 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
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0255—Targeted advertisements based on user history
    • 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
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0269—Targeted advertisements based on user profile or attribute
    • G06Q30/0271—Personalized advertisement

Landscapes

  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Engineering & Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Finance (AREA)
  • Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明实施例涉及大数据技术领域，公开了一种商品推荐的方法、装置、计算设备及计算机存储介质，该方法包括：获取各商品在各热度因素下对应的第一特征数据；根据所述第一特征数据计算每一个热度因素下每一个商品的热度得分；获取各商品在各用户偏好因素下对应的第二特征数据；根据所述第二特征数据计算每一个用户偏好因素下每一个商品的用户偏好得分；将所述热度得分和所述用户偏好得分进行加权计算，得到每一个商品的推荐得分；根据所述推荐得分进行商品推荐。通过上述方式，本发明实施例实现了自动商品推荐。

Description

商品推荐的方法、装置、计算设备及计算机存储介质
技术领域
本发明实施例涉及大数据技术领域，具体涉及一种商品推荐的方法、装置、计算设备及计算机存储介质。
背景技术
为满足消费者的购物需求，零售企业逐渐向“新零售”模式进行变革。所谓“新零售”，即企业以互联网为依托，通过运用大数据、人工智能等先进技术手段，对商品的生产、流通与销售过程进行升级改造，进而重塑业态结构与生态圈，并对线上服务、线下体验进行深度融合的高效便捷的零售新模式。
由于线下门店空间有限，采销人员需要为门店从海量商品中选择适合门店定位的热销商品进行营销。目前采销人员主要通过查看大量的销售记录报表及库存记录，并依靠丰富的业务经验，来为门店进货。这种方式依赖于采销人员人工从海量商品中选择热销商品，选择成本高。
发明内容
鉴于上述问题，本发明实施例提供了一种商品推荐的方法、装置、计算设备及计算机存储介质，用于解决现有技术中存在的人工选择热销商品成本高的问题。
根据本发明实施例的一个方面，提供了一种商品推荐的方法，所述方法包括：
获取各商品在各热度因素下对应的第一特征数据；
根据所述第一特征数据计算每一个热度因素下每一个商品的热度得分；
获取各商品在各用户偏好因素下对应的第二特征数据；
根据所述第二特征数据计算每一个用户偏好因素下每一个商品的用户偏好得分；
将所述热度得分和所述用户偏好得分进行加权计算，得到每一个商品的推荐得分；
根据所述推荐得分进行商品推荐。
在一种可选的方式中，所述热度因素包括历史销售记录，所述历史销售记录对应的第一特征数据包括历史销量；
所述根据所述第一特征数据计算每一个热度因素下每一个商品的热度得分，包括：
按照所述历史销量由高到低的顺序将所述各商品进行排序，得到所述各商品的销量排行；
按照所述销量排行对所述各商品进行线性分数分配，以得到所述历史销售记录下每一个商品的热度得分。
在一种可选的方式中，所述用户偏好因素包括进店用户的第一偏好，所述第一偏好对应的第二特征数据包括所述进店用户的购物清单；
所述根据所述第二特征数据计算每一个用户偏好因素下每一个商品的用户偏好得分，包括：
汇总所有进店用户的购物清单，得到进店用户的购物总清单，所述购物总清单中包含商品和购买量之间的对应关系；
按照所述购买量由高到底的顺序对所述各商品进行排序，得到各商品的购买量排行；
按照所述购买量排行进行线性分数分配，以得到所述第一偏好下每一个商品的用户偏好得分。
在一种可选的方式中，所述用户偏好因素包括可访问用户的第二偏好，所述第二偏好对应的第二特征数据包括所述可访问用户的搜索记录，所述搜索记录包括搜索关键词和搜索次数；
所述根据所述第二特征数据计算每一个用户偏好因素下每一个商品的用户偏好得分，包括：
计算各个搜索关键词与各个商品的商品名称之间的相似度；
将所述相似度最高的商品作为所述搜索关键词对应的商品；
统计所有可访问用户对每一个商品的搜索次数；
按照所述搜索次数从高到低的顺序排序，得到每一个商品的搜索排行；
按照所述搜索排行进行线性分数分配，以得到第二偏好下每一个商品的用户偏好得分。
在一种可选的方式中，所述用户偏好因素包括不可访问用户的第三偏好，所述第三偏好对应的第二特征数据包括可访问用户的第一用户信息和不可访问用户的第二用户信息；
所述根据所述第二特征数据计算每一个用户偏好因素下每一个商品的用户偏好得分，包括：
根据所述第一用户信息和所述第二用户信息生成相应的特征向量；
以各第二用户信息对应的特征向量为簇中心，生成多个聚类簇，每一个聚类簇中包括一个第二用户信息和多个第一用户信息；
确定各可访问用户对应的各商品的评分；
根据各聚类簇中各可访问用户对各商品的评分确定各不可访问用户对各商品的评分；
计算所有不可访问用户对各商品的评分的均值，得到第三偏好下每一个商品的用户偏好得分。
在一种可选的方式中，所述将所述热度得分和所述用户偏好得分进行加权计算，得到每一个商品的推荐得分，包括：
按照权重初值将所述热度得分和所述用户偏好得分进行加权计算，得到每一个商品的第一得分；
根据各商品的实际销量计算各商品的第二得分；
根据所述第一得分和所述第二得分调整所述权重初值，得到调整后的权重值；
根据所述调整后的权重值将所述热度得分和所述用户偏好得分进行加权计算，得到每一个商品的推荐得分。
在一种可选的方式中，在根据所述推荐得分进行商品推荐之后，所述方法还包括：
确定各商品的推荐排行；
根据所述推荐排行确定进货量。
根据本发明实施例的另一方面，提供了一种商品推荐的装置，包括：
第一获取模块，用于获取各商品在各热度因素下对应的第一特征数据；
第一计算模块，用于根据所述第一特征数据计算每一个热度因素下每一个商品的热度得分；
第二获取模块，用于获取各商品在各用户偏好因素下对应的第二特征数据；
第二计算模块，用于根据所述第二特征数据计算每一个用户偏好因素下每一个商品的用户偏好得分；
第三计算模块，用于将所述热度得分和所述用户偏好得分进行加权计算，得到每一个商品的推荐得分；
推荐模块，用于根据所述推荐得分进行商品推荐。
根据本发明实施例的另一方面，提供了一种计算设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行上述的一种商品推荐的方法对应的操作。
根据本发明实施例的又一方面，提供了一种计算机可读存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使计算设备/装置执行上述的一种商品推荐的方法对应的操作。
本发明实施例计算得到每一个热度因素下各商品的热度得分和每一个用户偏好因素下各商品的用户偏好得分，对每一个商品的各热度得分和各用户偏好得分进行加权计算，得到各商品的推荐得分，根据各商品的推荐得分进行商品推荐。通过本发明实施例，可以自动实现商品推荐，节省了人力资源成本；此外，本发明实施例中推荐的商品综合考虑了商品的热度因素和用户的偏好，因此，推荐的商品更加准确。
上述说明仅是本发明实施例技术方案的概述，为了能够更清楚了解本发明实施例的技术手段，而可依照说明书的内容予以实施，并且为了让本发明实施例的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
附图仅用于示出实施方式，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1示出了本发明实施例提供的一种商品推荐的方法的流程图；
图2示出了本发明实施例提供的一种商品推荐的方法中进店用户的用户偏好得分的计算流程图；
图3示出了本发明实施例提供的一种商品推荐的方法中可访问用户的用户偏好得分的计算流程图；
图4示出了本发明实施例提供的一种商品推荐的方法中不可访问用户的用户偏好得分的计算流程图；
图5示出了本发明实施例提供的一种商品推荐的装置的功能框图；
图6示出了本发明实施例提供的一种计算设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。
本发明实施例的应用场景是新零售门店的商品推荐。新零售门店可同时进行线下门店销售以及线上门店销售。本发明实施例中的商品推荐用于为新零售门店自动推荐热销商品，从而解决现有技术中需要人工从海量商品中选择热销商品造成的成本高的问题。下面对本发明各具体实施方式进行说明。
图1示出了本发明实施例的一种商品推荐的方法的流程图。如图1所示，该方法包括以下步骤：
步骤110：获取各商品在各热度因素下对应的第一特征数据。
其中，各商品可以是一个新零售门店的部分商品，也可以是一个新零售门店的全部商品。当本发明实施例应用于不同领域时，商品的类型为相应领域的商品。例如，当本发明实施例应用于通信领域时，商品为各种具体的业务。热度因素是与商品的销量相关的因素。在本发明实施例中，热度因素包括历史销售记录、云货架点击浏览记录和电子价签扫码浏览记录。其中，历史销售记录、云货架点击浏览记录和电子价签扫码浏览记录对应的时间维度相同。该时间维度可以是新零售门店成立以来的时间，也可以是一个预设的时间段。历史销售记录对应的第一特征数据包括各商品的历史销量；云货架点击浏览记录对应的第一特征数据包括各商品的点击量、电子价签扫码浏览记录包括各商品的扫码量。
步骤120：根据第一特征数据计算每一个热度因素下每一个商品的热度得分。
其中，各热度因素下每一个商品的热度得分的计算规则可以相同也可以不同。优选的，各热度因素下每一个商品的热度得分的计算规则相同，同一个计算规则可以用于计算各热度因素下每一个商品的热度得分，从而提高了计算的效率。以历史销售记录为例，根据历史销量计算每一个商品的热度得分的计算规则为：按照历史销量由高到底的顺序将各商品进行排序，得到各商品的销量排行；按照销量排行对各商品进行线性分数分配，以得到历史销售记录下每一个商品的热度得分。以三件商品A、B、C为例，按照历史销量排序后得到的各商品的销量排行为B、A、C，假设热度得分满分为10分，排行第一位的商品的热度得分为10分，排行最后一位的商品的热度得分为0分，中间商品的热度得分按照线性排列。则商品B的热度得分为10分，商品A的热度得分为5分，商品C的热度得分为0分。
在一些实施例中，存在多个商品的销量相同的情况，此时，将销量相同的商品作为同一件商品进行线性排列分数。例如，商品A、B、C、D按照销量排列后，B的销量最高，C的销量最低，A与D的销量相同，并列排在第二位。则商品B的热度得分为10分，商品C的热度得分为0分，商品A和商品D的热度得分均为5分。
步骤130：获取各商品在各用户偏好因素下对应的第二特征数据。
其中，用户偏好因素包括进店用户的偏好因素、周边用户的偏好因素、可访问用户的偏好因素和不可访问用户的偏好因素。其中，进店用户的偏好因素是指进入新零售门店的用户，包括进入实体门店的用户和进入线上门店的用户。周边用户是指门店周边的用户，具体是门店预设范围内的用户。例如，门店1.5公里以内的用户为周边用户。可访问用户是指可以获取线上门店搜索及浏览记录的用户；不可访问用户是指与新零售门店相关，但是不可以获取线上门店搜索及浏览记录的用户，例如，无法访问用户搜索及浏览记录的新零售门店的会员。
进店用户的偏好对应的第二特征数据为进店用户的购物清单；周边用户的偏好对应的第二特征数据为周边用户的购物清单。购物清单是一段时间内各进店用户的所有购物清单。可访问用户的第二特征数据为可访问用户的搜索记录，其中，搜索记录包括搜索关键词和搜索次数。不可访问用户的第二特征数据包括可访问用户的第一用户信息和不可访问用户的第二用户信息。其中，第一用户信息和第二用户信息的维度相同，当本发明实施例应用于通信领域时，第一用户信息和第二用户信息均包括：年龄、性别、身份证前六位、第一时间周期内的月均通话次数、月均流量、终端价格、是否订购宽带、是否订购宽带电视、第二时间周期内的换机频率、交往圈质量、是否有车、婚姻状况、职业等信息。其中，年龄、第一时间周期内的月均通话次数、月均流量、终端价格、第二时间周期内的换机频率、交往圈质量为区间型数据，性别、是否订购宽带、是否订购宽带电视、是否有车为二值型数据，其余信息为编码型数据。
步骤140：根据第二特征数据计算每一个用户偏好因素下每一个商品的用户偏好得分。
在本步骤中，根据用户偏好因素不同，相应的计算用户偏好得分的方法也不同。对于进店用户的第一偏好，对应的第二特征数据为进店用户的购物清单，相应的用户偏好得分的计算方法如图2所示。图2示出了进店用户对应的用户偏好得分的流程图，具体包括以下步骤：
步骤210：汇总所有进店用户的购物清单，得到进店用户的购物总清单，购物总清单中包含商品和购买量之间的对应关系。
其中，将所有用户的所有购物清单按照商品的名称进行整理汇总，得到每一个商品的购买量。
步骤220：按照购买量由高到低的顺序对各商品进行排序，得到各商品的购买量排行。
步骤230：按照购买量排行进行线性分数分配，以得到第一偏好下每一个商品的用户偏好得分。
购买量排行中第一位的商品分数为满分，最后一位的商品分数为零分，其余商品进行线性分配。线性分配的方式可以参阅步骤120中热度得分的计算方式，在此不做赘述。
在一些实施例中，存在多个商品的购买量为零的情况，此时，在进行线性分数分配时，将所有购买量为零的商品看做一个商品进行线性分数分配。例如，商品A、B、C、D、E、F的购买量排行为BCFADE，其中，F、A、D、E的购买量均为零，若满分为10分，则在进行线性分数分配时，F、A、D、E的用户偏好得分均为0分，B的用户偏好得分为10分，C的用户偏好得分为5分。
周边用户的偏好得分与进店用户的偏好得分的计算方式相同，请参阅图2中进店用户的偏好得分的计算方式，在此不对周边用户的偏好得分进行赘述。
可访问用户的第二特征数据包括可访问用户的搜索记录，搜索记录包括搜索关键词和搜索次数。可访问用户的偏好得分的计算方式如图3所示，具体包括以下步骤：
步骤310：计算各个搜索关键词与各个商品的商品名称之间的相似度。
其中，搜索关键词与商品名称之间可能不是一一对应的，故通过计算文本间语义相似度来衡量两者之间的关联度。具体计算流程包括：对各搜索关键词和各商品名称分别进行预处理，得到相应的数据化结构；构建word2vec中文模型，以计算词语相似度。其中，word2vec中文模型是一种神经概率语言模型，该模型以百度百科等公开文本作为语料库进行word2vec语言模型训练。在训练好模型之后，通过模型中的相似度计算包计算搜索关键词对应的数据化结构和商品名称对应的数据化结构之间的相似度。
步骤320：将相似度最高的商品作为搜索关键词对应的商品。
其中，通过步骤310中的计算方法，得到每一个搜索关键词和各个商品的商品名称之间的相似度。相似度最高的商品名称为该搜索关键词对应的商品。
步骤330：统计所有可访问用户对每一个商品的搜索次数。
将与各搜索关键词相似度最高的商品作为可访问用户搜索的商品。将所有可访问用户搜索的商品按照商品的名称进行汇总，得到各商品对应的搜索次数。
步骤340：按照搜索次数从高到低的顺序排序，得到每一个商品的搜索排行。
步骤350：按照搜索排行进行线性分数分配，以得到第二偏好下每一个商品的用户偏好得分。
不可访问用户的第二特征数据包括可访问用户的第一用户信息和不可访问用户的第二用户信息。偏好得分的计算方式如图4所示，具体包括以下步骤：
步骤410：根据第一用户信息和第二用户信息生成相应的特征向量。
其中，特征向量包括多个维度，每一个维度对应一种用户信息。区间型信息可以分别对各个区间进行数字编码，根据各具体信息所属的区间确定相应的值。例如，有三个区间[a，b)、[b，c)、[c，d)，则分别将三个区间通过1、2、3进行编码，如果一个信息属于[b，c)，则该信息对应的编码为2。二值型数据的取值为0或1，例如，对于是否订购宽带信息，当订购宽带时，对应的编码为1，没有订购宽带时，对应的编码为0。对于编码型数据，可以根据类别分别建立相应的编码。例如，对于婚姻状况，未婚、已婚、离异、丧偶分别通过数字1、2、3、4进行表示，在特征向量中根据具体信息分别在婚姻状况对应的维度中取值。
步骤420：以各第二用户信息对应的特征向量为簇中心，生成多个聚类簇。
其中，聚类簇是根据各第二用户信息对应的特征向量与各第一用户信息对应的特征向量之间的欧式距离生成的。聚类簇的个数与第二用户信息的个数相同。每一个聚类簇均包括一个第二用户信息对应的特征向量和多个第一用户信息对应的特征向量。具体的，计算每一个第二用户信息对应的第二特征向量与每一个第一用户信息对应的第二特征向量之间的欧式距离，得到每一个第二用户信息对应的多个欧式距离。将一个第二用户信息对应的所有欧式距离中距离最小的k个第一用户信息作为与该第二用户信息同一个聚类簇的第一用户信息。
步骤430：确定各可访问用户对应的各商品的评分。
其中，各可访问用户对应的商品的评分根据可访问用户对每一个商品的搜索次数得到。具体的，根据步骤310至步骤320的方法得到各搜索关键词对应的商品。对各个可访问用户搜索的各商品进行汇总，并按照搜索次数排行，根据排行由高到低的顺序进行线性分数分配，得到各可访问用户对各商品的评分。
步骤440：根据各聚类簇中各可访问用户对各商品的评分确定各不可访问用户对各商品的评分。
对同一个聚类簇中的可访问用户对各商品的评分按照商品的类别计算平均值，将该平均值作为该聚类簇中不可访问用户对商品的评分。例如，在一个聚类簇中包括一个不可访问用户和三个可访问用户，三个可访问用户对商品A、B、C的评分分别为(10，6，2)、(8，0，1)、(0，6，3)，则该簇中不可访问用户对商品A、B、C的评分分别为(6，4，2)。
在一些实施例中，不可访问用户U对商品A的预测评分按照下述公式计算得到：
其中，Ui为与不可访问用户U同一个聚类簇中第i个可访问用户，si为可访问用户Ui对商品A的评分，为该聚类簇中所有可访问用户对商品A的评分，dist为不可访问用户U与可访问用户Ui之间的欧式距离，/>为不可访问用户U与所有可访问用户之间的平均距离；其中，欧式距离的计算公式为：/>其中，j表示第j维的信息，x和y分别表示不可访问用户U和可访问用户Ui的第j维的信息。
步骤450：计算所有不可访问用户对各商品的评分的均值，得到第三偏好下每一个商品的用户偏好得分。
其中，将各个簇中的不可访问用户对各商品的评分按照商品类别求均值，得到第三偏好下每一个商品的用户偏好得分。
步骤150：将热度得分和用户偏好得分进行加权计算，得到每一个商品的推荐得分。
在本步骤中，对于各个热度因素下的热度得分和各个用户偏好因素下的用户偏好得分进行加权计算，得到每一个商品的推荐得分。其中，各个热度因素和各个用户偏好因素对应的权重是预先设定的。
在一些实施例中，根据各商品在最近一段时间内的实际销量对各预设权重进行修正。具体的，按照权重初值将热度得分和用户偏好得分进行加权计算，得到每一个商品的第一得分；根据各商品的实际销量计算各商品的第二得分；根据第一得分和第二得分调整权重初值，得到调整后的权重值；根据调整后的权重值将热度得分和用户偏好得分重新进行加权计算，得到每一个商品的推荐得分。其中，第一得分是根据预设的权重初值计算得到的，计算公式为其中，N表示热度因素和用户偏好因素的总个数，xt表示第t个热度因素或用户偏好因素，wt为相应的权重。根据公式其中，m表示第m个商品的实际销量，sale_max表示所有商品中销量最高的商品的实际销量。满分是销量最高的商品的得分，例如10分，则满分为10。在对权重初值进行调整时，通过多元线性回归算法进行调整，调整的目标是使score2和score1之间的差值最小。
步骤160：根据推荐得分进行商品推荐。
其中，按照推荐得分由高到低的顺序进行商品推荐。
本发明实施例计算得到每一个热度因素下各商品的热度得分和每一个用户偏好因素下各商品的用户偏好得分，对每一个商品的各热度得分和各用户偏好得分进行加权计算，得到各商品的推荐得分，根据各商品的推荐得分进行商品推荐。通过本发明实施例，可以自动实现商品推荐，节省了人力资源成本；此外，本发明实施例中推荐的商品综合考虑了商品的热度因素和用户的偏好，因此，推荐的商品更加准确。
在一些实施例中，在步骤150之后，确定各商品的推荐排行；根据推荐排行确定进货量。其中，根据推荐排行确定进货量时，同时参考最近一周内的商品销量、门店库存量、商品进货价格和门店所有商品的平均库存量。在一种实施方式中，具体进货量的计算公式如下表1所示：
表1
其中，Dmax表示所有商品中最大的排行顺序，例如，一共有50个商品，排行分别为1至50，则Dmax＝50。通过上述方式，自动计算新零售门店中各商品的进货量，节省了人力资源成本，提高了新零售门店的运行效率。
图5示出了本发明实施例的一种商品推荐的装置的功能框图。如图5所示，该装置包括：第一获取模块510、第一计算模块520、第二获取模块530、第二计算模块540、第三计算模块550和推荐模块560。
第一获取模块510用于获取各商品在各热度因素下对应的第一特征数据；
第一计算模块520用于根据所述第一特征数据计算每一个热度因素下每一个商品的热度得分；
第二获取模块530用于获取各商品在各用户偏好因素下对应的第二特征数据；
第二计算模块540用于根据所述第二特征数据计算每一个用户偏好因素下每一个商品的用户偏好得分；
第三计算模块550用于将所述热度得分和所述用户偏好得分进行加权计算，得到每一个商品的推荐得分；
推荐模块560用于根据所述推荐得分进行商品推荐。
在一种可选的方式中，所述热度因素包括历史销售记录，所述历史销售记录对应的第一特征数据包括历史销量；
所述第一计算模块520进一步用于：
按照所述历史销量由高到低的顺序将所述各商品进行排序，得到所述各商品的销量排行；
按照所述销量排行对所述各商品进行线性分数分配，以得到所述历史销售记录下每一个商品的热度得分。
在一种可选的方式中，所述用户偏好因素包括进店用户的第一偏好，所述第一偏好对应的第二特征数据包括所述进店用户的购物清单；
所述第二计算模块540进一步用于：
汇总所有进店用户的购物清单，得到进店用户的购物总清单，所述购物总清单中包含商品和购买量之间的对应关系；
按照所述购买量由高到底的顺序对所述各商品进行排序，得到各商品的购买量排行；
按照所述购买量排行进行线性分数分配，以得到所述第一偏好下每一个商品的用户偏好得分。
在一种可选的方式中，所述用户偏好因素包括可访问用户的第二偏好，所述第二偏好对应的第二特征数据包括所述可访问用户的搜索记录，所述搜索记录包括搜索关键词和搜索次数；
所述第二计算模块540进一步用于：
计算各个搜索关键词与各个商品的商品名称之间的相似度；
将所述相似度最高的商品作为所述搜索关键词对应的商品；
统计所有可访问用户对每一个商品的搜索次数；
按照所述搜索次数从高到低的顺序排序，得到每一个商品的搜索排行；
按照所述搜索排行进行线性分数分配，以得到第二偏好下每一个商品的用户偏好得分。
在一种可选的方式中，所述用户偏好因素包括不可访问用户的第三偏好，所述第三偏好对应的第二特征数据包括可访问用户的第一用户信息和不可访问用户的第二用户信息；
所述第二计算模块540进一步用于：
根据所述第一用户信息和所述第二用户信息生成相应的特征向量；
以各第二用户信息对应的特征向量为簇中心，生成多个聚类簇，每一个聚类簇中包括一个第二用户信息和多个第一用户信息；
确定各可访问用户对应的各商品的评分；
根据各聚类簇中各可访问用户对各商品的评分确定各不可访问用户对各商品的评分；
计算所有不可访问用户对各商品的评分的均值，得到第三偏好下每一个商品的用户偏好得分。
在一种可选的方式中，第三计算模块550进一步用于：
按照权重初值将所述热度得分和所述用户偏好得分进行加权计算，得到每一个商品的第一得分；
根据各商品的实际销量计算各商品的第二得分；
根据所述第一得分和所述第二得分调整所述权重初值，得到调整后的权重值；
根据所述调整后的权重值将所述热度得分和所述用户偏好得分进行加权计算，得到每一个商品的推荐得分。
在一种可选的方式中，所述装置还包括：第一确定模块570和第二确定模块580，第一确定模块570用于确定各商品的推荐排行。第二确定模块580用于根据推荐排行确定进货量。
本发明实施例计算得到每一个热度因素下各商品的热度得分和每一个用户偏好因素下各商品的用户偏好得分，对每一个商品的各热度得分和各用户偏好得分进行加权计算，得到各商品的推荐得分，根据各商品的推荐得分进行商品推荐。通过本发明实施例，可以自动实现商品推荐，节省了人力资源成本；此外，本发明实施例中推荐的商品综合考虑了商品的热度因素和用户的偏好，因此，推荐的商品更加准确。
图6示出了本发明实施例的一种计算设备的结构示意图，本发明具体实施例并不对计算设备的具体实现做限定。
如图6所示，该计算设备可以包括：处理器(processor)602、通信接口(Communications Interface)604、存储器(memory)606、以及通信总线608。
其中：处理器602、通信接口604、以及存储器606通过通信总线608完成相互间的通信。通信接口604，用于与其它设备比如客户端或其它服务器等的网元通信。处理器602，用于执行程序610，具体可以执行上述用于商品推荐的方法实施例中的相关步骤。
具体地，程序610可以包括程序代码，该程序代码包括计算机可执行指令。
处理器602可能是中央处理器CPU，或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路。计算设备包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个CPU；也可以是不同类型的处理器，如一个或多个CPU以及一个或多个ASIC。
存储器606，用于存放程序610。存储器606可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
程序610具体可以被处理器602调用使计算设备执行图1中的步骤110～步骤160，图2中的步骤210～步骤230，图3中的步骤310～步骤350，图4中的步骤410～步骤450，以及实现图5中的模块510～模块580的功能。
本发明实施例提供了一种计算机可读存储介质，所述存储介质存储有至少一可执行指令，该可执行指令在计算设备/装置上运行时，使得所述计算设备/装置执行上述任意方法实施例中的一种商品推荐的方法。
本发明实施例提供了一种计算机程序，所述计算机程序可被处理器调用使计算设备执行上述任意方法实施例中的一种商品推荐的方法。
本发明实施例提供了一种计算机程序产品，计算机程序产品包括存储在计算机可读存储介质上的计算机程序，计算机程序包括程序指令，当程序指令在计算机上运行时，使得所述计算机执行上述任意方法实施例中的一种商品推荐的方法。
在此提供的算法或显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明实施例也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
类似地，应当理解，为了精简本发明并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明实施例的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外，本领域的技术人员能够理解，尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。上述实施例中的步骤，除有特殊说明外，不应理解为对执行顺序的限定。

Claims (9)

1.一种商品推荐的方法，其特征在于，所述方法包括：
获取各商品在各热度因素下对应的第一特征数据；各商品为一个新零售门店的部分商品或全部商品；
根据所述第一特征数据计算每一个热度因素下每一个商品的热度得分；
获取各商品在各用户偏好因素下对应的第二特征数据；所述用户偏好因素包括不可访问用户的第三偏好，所述第三偏好对应的第二特征数据包括可访问用户的第一用户信息和不可访问用户的第二用户信息；所述不可访问用户是指与新零售门店相关，但是不可以获取线上门店搜索及浏览记录的用户；
根据所述第二特征数据计算每一个用户偏好因素下每一个商品的用户偏好得分，包括：根据所述第一用户信息和所述第二用户信息生成相应的特征向量；以各第二用户信息对应的特征向量为簇中心，生成多个聚类簇，每一个聚类簇中包括一个第二用户信息和多个第一用户信息；确定各可访问用户对应的各商品的评分；根据各聚类簇中各可访问用户对各商品的评分确定各不可访问用户对各商品的评分；计算所有不可访问用户对各商品的评分的均值，得到第三偏好下每一个商品的用户偏好得分；
将所述热度得分和所述用户偏好得分进行加权计算，得到每一个商品的推荐得分；
根据所述推荐得分进行商品推荐。
2.根据权利要求1所述的方法，其特征在于，所述热度因素包括历史销售记录，所述历史销售记录对应的第一特征数据包括历史销量；
所述根据所述第一特征数据计算每一个热度因素下每一个商品的热度得分，包括：
按照所述历史销量由高到低的顺序将所述各商品进行排序，得到所述各商品的销量排行；
按照所述销量排行对所述各商品进行线性分数分配，以得到所述历史销售记录下每一个商品的热度得分。
3.根据权利要求1所述的方法，其特征在于，所述用户偏好因素包括进店用户的第一偏好，所述第一偏好对应的第二特征数据包括所述进店用户的购物清单；
所述根据所述第二特征数据计算每一个用户偏好因素下每一个商品的用户偏好得分，包括：
汇总所有进店用户的购物清单，得到进店用户的购物总清单，所述购物总清单中包含商品和购买量之间的对应关系；
按照所述购买量由高到底的顺序对所述各商品进行排序，得到各商品的购买量排行；
按照所述购买量排行进行线性分数分配，以得到所述第一偏好下每一个商品的用户偏好得分。
4.根据权利要求1所述的方法，其特征在于，所述用户偏好因素包括可访问用户的第二偏好，所述第二偏好对应的第二特征数据包括所述可访问用户的搜索记录，所述搜索记录包括搜索关键词和搜索次数；
所述根据所述第二特征数据计算每一个用户偏好因素下每一个商品的用户偏好得分，包括：
计算各个搜索关键词与各个商品的商品名称之间的相似度；
将所述相似度最高的商品作为所述搜索关键词对应的商品；
统计所有可访问用户对每一个商品的搜索次数；
按照所述搜索次数从高到低的顺序排序，得到每一个商品的搜索排行；
按照所述搜索排行进行线性分数分配，以得到第二偏好下每一个商品的用户偏好得分。
5.根据权利要求1所述的方法，其特征在于，所述将所述热度得分和所述用户偏好得分进行加权计算，得到每一个商品的推荐得分，包括：
按照权重初值将所述热度得分和所述用户偏好得分进行加权计算，得到每一个商品的第一得分；
根据各商品的实际销量计算各商品的第二得分；
根据所述第一得分和所述第二得分调整所述权重初值，得到调整后的权重值；
根据所述调整后的权重值将所述热度得分和所述用户偏好得分进行加权计算，得到每一个商品的推荐得分。
6.根据权利要求1所述的方法，其特征在于，在根据所述推荐得分进行商品推荐之后，所述方法还包括：
确定各商品的推荐排行；
根据所述推荐排行确定进货量。
7.一种商品推荐的装置，其特征在于，所述装置包括：
第一获取模块，用于获取各商品在各热度因素下对应的第一特征数据；各商品为一个新零售门店的部分商品或全部商品；
第一计算模块，用于根据所述第一特征数据计算每一个热度因素下每一个商品的热度得分；
第二获取模块，用于获取各商品在各用户偏好因素下对应的第二特征数据；所述用户偏好因素包括不可访问用户的第三偏好，所述第三偏好对应的第二特征数据包括可访问用户的第一用户信息和不可访问用户的第二用户信息；所述不可访问用户是指与新零售门店相关，但是不可以获取线上门店搜索及浏览记录的用户；
第二计算模块，用于根据所述第二特征数据计算每一个用户偏好因素下每一个商品的用户偏好得分，包括：根据所述第一用户信息和所述第二用户信息生成相应的特征向量；以各第二用户信息对应的特征向量为簇中心，生成多个聚类簇，每一个聚类簇中包括一个第二用户信息和多个第一用户信息；确定各可访问用户对应的各商品的评分；根据各聚类簇中各可访问用户对各商品的评分确定各不可访问用户对各商品的评分；计算所有不可访问用户对各商品的评分的均值，得到第三偏好下每一个商品的用户偏好得分；
第三计算模块，用于将所述热度得分和所述用户偏好得分进行加权计算，得到每一个商品的推荐得分；
推荐模块，用于根据所述推荐得分进行商品推荐。
8.一种计算设备，其特征在于，所述计算设备包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行如权利要求1-6任意一项所述的一种商品推荐的方法对应的操作。
9.一种计算机可读存储介质，其特征在于，所述存储介质中存储有至少一可执行指令，所述可执行指令在计算设备/装置上运行时，使得计算设备/装置执行如权利要求1-6任意一项所述的一种商品推荐的方法对应的操作。
CN202010493983.2A 2020-06-03 2020-06-03 商品推荐的方法、装置、计算设备及计算机存储介质 Active CN113762990B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010493983.2A CN113762990B (zh) 2020-06-03 2020-06-03 商品推荐的方法、装置、计算设备及计算机存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010493983.2A CN113762990B (zh) 2020-06-03 2020-06-03 商品推荐的方法、装置、计算设备及计算机存储介质

Publications (2)

Publication Number Publication Date
CN113762990A CN113762990A (zh) 2021-12-07
CN113762990B true CN113762990B (zh) 2024-03-22

Family

ID=78783150

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010493983.2A Active CN113762990B (zh) 2020-06-03 2020-06-03 商品推荐的方法、装置、计算设备及计算机存储介质

Country Status (1)

Country Link
CN (1) CN113762990B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115081956A (zh) * 2022-08-16 2022-09-20 杭州比智科技有限公司 一种基于楼宇两达图的智能客户拜访方法及系统

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102663627A (zh) * 2012-04-26 2012-09-12 焦点科技股份有限公司 个性化推荐方法
JP2015014887A (ja) * 2013-07-04 2015-01-22 株式会社東芝 商品情報提供システム、商品情報提供方法、サーバおよびプログラム
CN105469263A (zh) * 2014-09-24 2016-04-06 阿里巴巴集团控股有限公司 一种商品推荐方法及装置
KR20160065429A (ko) * 2014-11-30 2016-06-09 주식회사 알티웍스 하이브리드 개인화 상품추천 방법
CN107194769A (zh) * 2017-05-17 2017-09-22 东莞市华睿电子科技有限公司 一种基于用户搜索内容的商品推荐方法
CN107274242A (zh) * 2016-04-08 2017-10-20 上海旭薇物联网科技有限公司 一种基于关联分析算法的商品推荐方法
CN107944913A (zh) * 2017-11-21 2018-04-20 重庆邮电大学 基于大数据用户行为分析的高潜在用户购买意向预测方法
CN108009897A (zh) * 2017-12-25 2018-05-08 北京中关村科金技术有限公司 一种商品的实时推荐方法、系统及可读存储介质
CN108805622A (zh) * 2018-06-11 2018-11-13 深圳乐信软件技术有限公司 商品推荐方法、装置、设备及存储介质
CN108876526A (zh) * 2018-06-06 2018-11-23 北京京东尚科信息技术有限公司 商品推荐方法、装置和计算机可读存储介质
CN108960945A (zh) * 2017-05-18 2018-12-07 北京京东尚科信息技术有限公司 商品推荐方法和装置
CN109189904A (zh) * 2018-08-10 2019-01-11 上海中彦信息科技股份有限公司 个性化搜索方法及系统
CN109919728A (zh) * 2019-03-12 2019-06-21 贵州大学 一种微商城的商品推荐方法
CN110084671A (zh) * 2019-04-17 2019-08-02 上海拉扎斯信息科技有限公司 信息处理方法、信息处理装置、存储介质和电子设备

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140279208A1 (en) * 2013-03-14 2014-09-18 Rosie Electronic shopping system and service
CN107888950B (zh) * 2017-11-09 2019-11-08 福州瑞芯微电子股份有限公司 一种推荐视频的方法和系统
CN109410004A (zh) * 2018-10-29 2019-03-01 维沃移动通信有限公司 一种推荐方法、装置及移动终端

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102663627A (zh) * 2012-04-26 2012-09-12 焦点科技股份有限公司 个性化推荐方法
JP2015014887A (ja) * 2013-07-04 2015-01-22 株式会社東芝 商品情報提供システム、商品情報提供方法、サーバおよびプログラム
CN105469263A (zh) * 2014-09-24 2016-04-06 阿里巴巴集团控股有限公司 一种商品推荐方法及装置
KR20160065429A (ko) * 2014-11-30 2016-06-09 주식회사 알티웍스 하이브리드 개인화 상품추천 방법
CN107274242A (zh) * 2016-04-08 2017-10-20 上海旭薇物联网科技有限公司 一种基于关联分析算法的商品推荐方法
CN107194769A (zh) * 2017-05-17 2017-09-22 东莞市华睿电子科技有限公司 一种基于用户搜索内容的商品推荐方法
CN108960945A (zh) * 2017-05-18 2018-12-07 北京京东尚科信息技术有限公司 商品推荐方法和装置
CN107944913A (zh) * 2017-11-21 2018-04-20 重庆邮电大学 基于大数据用户行为分析的高潜在用户购买意向预测方法
CN108009897A (zh) * 2017-12-25 2018-05-08 北京中关村科金技术有限公司 一种商品的实时推荐方法、系统及可读存储介质
CN108876526A (zh) * 2018-06-06 2018-11-23 北京京东尚科信息技术有限公司 商品推荐方法、装置和计算机可读存储介质
CN108805622A (zh) * 2018-06-11 2018-11-13 深圳乐信软件技术有限公司 商品推荐方法、装置、设备及存储介质
CN109189904A (zh) * 2018-08-10 2019-01-11 上海中彦信息科技股份有限公司 个性化搜索方法及系统
CN109919728A (zh) * 2019-03-12 2019-06-21 贵州大学 一种微商城的商品推荐方法
CN110084671A (zh) * 2019-04-17 2019-08-02 上海拉扎斯信息科技有限公司 信息处理方法、信息处理装置、存储介质和电子设备

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
商品搭配大数据推荐方法研究综述;陈鑫等;《计算机工程与科学》;第42卷(第01期);36-45 *
基于商品特征的个性化推荐算法;李峰;李军怀;王瑞林;张;;计算机工程与应用(第17期);194-197 *
基于用户预测的推荐算法研究;于奕;;电脑编程技巧与维护(第18期);66+79 *

Also Published As

Publication number Publication date
CN113762990A (zh) 2021-12-07

Similar Documents

Publication Publication Date Title
US11257049B1 (en) Item identification based on receipt image
CN108960945A (zh) 商品推荐方法和装置
US8694372B2 (en) Systems and methods for automatic control of marketing actions
CN107220852A (zh) 用于确定目标推荐用户的方法、装置和服务器
US8583502B2 (en) Value maximizing recommendation systems
CN107808314B (zh) 用户推荐方法及装置
US11580585B1 (en) User-preferred item attributes
US8868596B2 (en) Set based item recommendation system
US20100205052A1 (en) Self-uploaded indexing and data clustering method and apparatus
US9542482B1 (en) Providing items of interest
CN113627995B (zh) 商品推荐列表更新方法及其装置、设备、介质、产品
US20220179909A1 (en) Attribute node widgets in search results from an item graph
CN112488781A (zh) 搜索推荐方法、装置、电子设备及可读存储介质
CN113763089A (zh) 物品推荐方法及装置、计算机可存储介质
US20240161163A1 (en) Query reformulations for an item graph
US20240104631A1 (en) Machine Learning Model for Click Through Rate Predication Using Three Vector Representations
CN113762990B (zh) 商品推荐的方法、装置、计算设备及计算机存储介质
CN117217874A (zh) 一种基于数据分析的电子商务管理系统
CN112036987A (zh) 确定推荐商品的方法和装置
CN111639989B (zh) 商品推荐方法和可读存储介质
CN110020136B (zh) 对象推荐方法及相关设备
US20150356653A1 (en) Systems and methods for source identification in item sourcing
US20240232406A9 (en) Storing and retrieving data based on experience in categories associated with historical interactions
US11972464B2 (en) Cumulative incrementality scores for evaluating the performance of machine learning models
CN113077317B (zh) 基于用户数据的物品推荐方法、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