CN114201680A - 一种向用户推荐营销产品内容的方法 - Google Patents
一种向用户推荐营销产品内容的方法 Download PDFInfo
- Publication number
- CN114201680A CN114201680A CN202111516522.3A CN202111516522A CN114201680A CN 114201680 A CN114201680 A CN 114201680A CN 202111516522 A CN202111516522 A CN 202111516522A CN 114201680 A CN114201680 A CN 114201680A
- Authority
- CN
- China
- Prior art keywords
- user
- information
- behavior
- marketing
- feature
- 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 21
- 230000006399 behavior Effects 0.000 claims abstract description 79
- 235000014510 cooky Nutrition 0.000 claims description 32
- 238000004458 analytical method Methods 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 5
- 230000003542 behavioural effect Effects 0.000 claims description 3
- 239000002537 cosmetic Substances 0.000 claims description 3
- 230000003068 static effect Effects 0.000 claims description 3
- 238000009933 burial Methods 0.000 claims 2
- 230000008685 targeting Effects 0.000 claims 1
- 238000004364 calculation method Methods 0.000 description 7
- 238000007405 data analysis Methods 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 238000007418 data mining Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012706 support-vector machine Methods 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
- G06F16/9536—Search customisation based on social or collaborative filtering
-
- 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
- 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
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (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
一种向用户推荐营销产品内容的方法,包括以下步骤:首先从网络上对用户进行识别,收集网络用户埋点手机用户浏览时长,访问页面,点击按钮的情况的信息,根据搜集到的信息,分析得到用户行为事件,采用贝叶斯算法对用户网络操作行为进行分类,对新用户,就创建一个新用户档案,对已经有的用户档案,更新用户档案;运用用户行为算法对用户行为进行分析,得到用户操作行为的次数和行为事件的时间等信息,计算所有行为的得分;然后,营销产品服务器会对该用户的各个行为打分和排序,并且营销产品服务器根据得分排序把相匹配的营销产品投放给对应的用户。
Description
技术领域
本发明涉及互联网的用户行为、偏好等数据的大数据挖掘分析技术,尤其涉及收集用户行为数据分析出用户偏好的互联网内容分析计算及推荐方法。
背景技术
目前互联网领域内容推荐的模式基本是为“为待推广的产品或业务寻找合适的目标群体”这一方向作为出发点进行分析计算及推荐的。一般是通过利用Apriori、RandomForest、神经网络等大数据分析的算法工具进行分析清洗数据,挖掘出产品的目标营销用户后采用各种形势包括但不限于短信、微信消息模板等形势给用户推荐产品实现营销的目的。这种推荐方式很容易造成客户被营销次数过多而导致产生反感抵触的情绪造成营销效果不佳。
而本发明采用关联分析、神经网络、Apriori等多种大数据分析方法基于User-Based协同过滤算法对用户偏好、在网时长、星级、当前在用套餐等多维度分析预测用户对未使用或高频次使用业务的偏好程度进行加权评分,从而为用户推荐合适的产品。该发明能有效解决客户容易被多次营销或者从未被营销导致产品推广转化率不高的问题。
发明内容
本发明的目的是提供一种向互联网用户推荐感兴趣的产品和内容,实现快捷推荐客户感兴趣的内容和产品,减少对同个用户多次营销的弊端或从不向某些用户营销产品的缺憾,从而提高推荐效率。
本发明实施例是这样实现的,一种向用户推荐营销产品内容的方法,其特征在于,包括以下步骤:首先从网络上对用户进行识别,收集网络用户埋点手机用户浏览时长,访问页面,点击按钮的情况的信息,根据搜集到的用户信息,分析得到用户行为事件,采用贝叶斯算法对用户网络操作行为进行分类,对新用户,就创建一个新用户档案,对已经有的用户档案,更新用户档案;
运用用户行为算法对用户行为进行分析,得到用户操作行为的次数和行为事件的时间等信息,计算所有行为的得分;
然后,营销产品服务器会对该用户的各个行为打分和排序,并且营销产品服务器根据得分排序把相匹配的营销产品投放给对应的用户。
首先搜集网络用户的信息,采用聚类算法对用户行为进行分类,之后用户行为特征信息需要保存到即用户档案中,此时判断用户是否存在于用户表中,可以通过用户进行初次匹配,之后对比用户名等信息,若用户已经存在,则将用户行为特征信息进行更新,否则在用户表中加入此用户,并且建立用户档案,将用户的静态信息和动态信息保存到用户档案中,根据用户行为特征算法对用户特征模型进行相似性分析,得到该用户行为特征的新鲜度、兴趣强度和频率等信息,并计算出各个行为特征的得分,之后营销产品服务器会对此用户的各个行为特征分值进行排序,并且据此在营销产品服务器中查找与行为特征关键字相匹配的营销产品进行投放。
所述营销产品服务器包括基于行为定向的精准营销产品投放数据库,包括营销产品主表,对营销产品商的信息进行抽象,包括营销产品商、密码、联系方式、及其欲投放的营销产品;
网络用户表,记录网络用户即受众的信息,包括用户、性别、信息、联系方式、偏好、目前关联的营销产品信息;
营销产品表,记录营销产品信息,即呈现到网络用户面前的营销产品;
网页表,用户操纵的对象,可以根据网页的信息对其行为进行分析挖掘,建立用户特征模型;
主题表,营销产品主题信息或网页主题信息,例如快速消费品、化妆品、金融业,酒店、房地产。
从网络上对用户进行识别的具体步骤为从网络上对用户进行识别,收集页面埋点数据分析得到用户偏好,用户常访问的页面、页面驻留时长等埋点数据、历史办理过的业务类型、办理的业务金额等多维度信息进行大数据分析形成用户偏好,这个文件里面一般在包含一个cookieid的同时也会记下用户在该网站的userid,所以在记录日志文件中cookie项的时候可以优先去查询cookie中是否含有用户类的信息,如果存在则将用户写到日志的项,如果不存在则查找是否有,如果有则记录,没有则记为“—”,这样日志中的就可以直接作为最有效的用户唯一标识符被用作统计。
所述用户行为事件一般包括营销产品点击、搜索查询、搜索点击、横幅营销产品点击、页面浏览、营销产品浏览,特征数据库保存了一系列单词关键字和多词关键字条目,这些关键字也被称为“特征值”,特征值的来源包括网络上的多个服务器、管理员的手动输入或者第三方的特征库,通常来说,每个特征值代表一个单独的用户行为特征,即使这个特征值是由多个单词构成也会被当做一个关键字对待,特征值进一步整合成为分层的架构,并且保存在特征数据库中,特征的分层是依据代表的标准事件,特征数据库中保存的分层特征将会被手动地映射成categorized特征值,categorized特征值进一步会保存在兴趣数据库中。
所述营销产品服务器是将用户事件分类的结果与营销产品进行匹配,查询出相关的营销产品进行精准化投放,其中投放营销产品尝试之后,若实际的效果达到既定的目标,便将数据库中的用户ID与主题建立映射,无论用户浏览何种网页,都会向其展示该主题ID相关的一类营销产品,当然用户的特征模型在建立之后不是一成不变的,而是根据用户的动态行为进行实时地更新,包括两个模块,实时行为定向和长期行为定向,其中实时模块会学习用户的短期行为并且每个小时对用户特征模型进行更新。
本发明先收集用户常访问的页面、页面驻留时长等埋点数据、历史办理过的业务类型、办理的业务金额等多维度信息进行大数据分析形成用户偏好,后将用户偏好、套餐使用情况等多维度通过加权计算得到待推荐内容的评分情况,再通过大数据User-Based协同过滤算法计算出排名靠前的推荐内容推荐给用户。本发明解决了现有技术中推荐内容不精确或没有推荐内容的问题,利用大数据不断收集分析计算,提供推荐内容的准确性,提高了数据的利用价值和推荐效果。
附图说明
图1为本发明实施例提供的一种向用户推荐营销产品内容的方法的流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。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。
以下结合具体实施例对本发明的具体实现进行详细描述。
如图1所示,一种向用户推荐营销产品内容的方法,其特征在于,包括以下步骤:首先从网络上对用户进行识别,收集网络用户埋点手机用户浏览时长,访问页面,点击按钮的情况的信息,根据搜集到的用户信息,分析得到用户行为事件,采用贝叶斯算法对用户网络操作行为进行分类,对新用户,就创建一个新用户档案,对已经有的用户档案,更新用户档案;
运用用户行为算法对用户行为进行分析,得到用户操作行为的次数和行为事件的时间等信息,计算所有行为的得分;
然后,营销产品服务器会对该用户的各个行为打分和排序,并且营销产品服务器根据得分排序把相匹配的营销产品投放给对应的用户。
首先搜集网络用户的信息,采用聚类算法对用户行为进行分类,之后用户行为特征信息需要保存到即用户档案中,此时判断用户是否存在于用户表中,可以通过用户进行初次匹配,之后对比用户名等信息,若用户已经存在,则将用户行为特征信息进行更新,否则在用户表中加入此用户,并且建立用户档案,将用户的静态信息和动态信息保存到用户档案中,根据用户行为特征算法对用户特征模型进行相似性分析,得到该用户行为特征的新鲜度、兴趣强度和频率等信息,并计算出各个行为特征的得分,之后营销产品服务器会对此用户的各个行为特征分值进行排序,并且据此在营销产品服务器中查找与行为特征关键字相匹配的营销产品进行投放。
所述营销产品服务器包括基于行为定向的精准营销产品投放数据库,包括营销产品主表,对营销产品商的信息进行抽象,包括营销产品商、密码、联系方式、及其欲投放的营销产品;
网络用户表,记录网络用户即受众的信息,包括用户、性别、信息、联系方式、偏好、目前关联的营销产品信息;
营销产品表,记录营销产品信息,即呈现到网络用户面前的营销产品;
网页表,用户操纵的对象,可以根据网页的信息对其行为进行分析挖掘,建立用户特征模型;
主题表,营销产品主题信息或网页主题信息,例如快速消费品、化妆品、金融业,酒店、房地产。
从网络上对用户进行识别的具体步骤为cookie是从用户端存放的cookie文件记录中获取的,这个文件里面一般在包含一个cookieid的同时也会记下用户在该网站的userid,所以在记录日志文件中cookie项的时候可以优先去查询cookie中是否含有用户类的信息,如果存在则将用户写到日志的项,如果不存在则查找是否有,如果有则记录,没有则记为“—”,这样日志中的就可以直接作为最有效的用户唯一标识符被用作统计。
所述用户行为事件一般包括营销产品点击、搜索查询、搜索点击、横幅营销产品点击、页面浏览、营销产品浏览,特征数据库保存了一系列单词关键字和多词关键字条目,这些关键字也被称为“特征值”,特征值的来源包括网络上的多个服务器、管理员的手动输入或者第三方的特征库,通常来说,每个特征值代表一个单独的用户行为特征,即使这个特征值是由多个单词构成也会被当做一个关键字对待,特征值进一步整合成为分层的架构,并且保存在特征数据库中,特征的分层是依据代表的标准事件,特征数据库中保存的分层特征将会被手动地映射成categorized特征值,categorized特征值进一步会保存在兴趣数据库中。
所述营销产品服务器是将用户事件分类的结果与营销产品进行匹配,查询出相关的营销产品进行精准化投放,其中投放营销产品尝试之后,若实际的效果达到既定的目标,便将数据库中的用户ID与主题建立映射,无论用户浏览何种网页,都会向其展示该主题ID相关的一类营销产品,当然用户的特征模型在建立之后不是一成不变的,而是根据用户的动态行为进行实时地更新,包括两个模块,实时行为定向和长期行为定向,其中实时模块会学习用户的短期行为并且每个小时对用户特征模型进行更新。
营销产品精准投放平台的数据多为离散数据,因此相对于神经网络和支持向量机,决策树和贝叶斯分类更加适合精准分析平台的分类工作。
特征归约的目的是采取一些手段去除数据中对分类结果产生影响比较小的属性从而提高算法效率和算法精度。
对于小型或中型数据集,一般的数据预处理步骤已经足够。但对真正大型数据集来讲,在应用数据挖掘技术以前,可能采取一个中间步骤来简化数据的维度,主要问题是看是否可在没有牺牲成果质量的前提下丢弃一些数据,从数据中抽取一个子集。特征归约是本系统分类过程中的重要问题。在实践中,特征的数量可达到数百,通常我们只有上百条样本用于分析,这就必须进行特征归约,以提高模型的准确性和泛化能力。
在本系统的分类过程中,我们采用了信息嫡过滤的方式进行特征归约。信息嫡用于表示一个属性所包含的信息量,它可以描述一个特征可以将分类属性划分开来的程度。信息墒的计算可以有多种方式,为了保证计算复杂度的同时避免结果向属性值比较多的属性偏差,我们采用如下公式进行信息嫡的计算
假设类属性C具有值C1,C2…Cn,非类属性具有值x1,x2,x3,…xm。在训练样本中对于的信息嫡的计算公式为
通过信息嫡的比较,我们可以判断一个属性是否可以将样本数据的正例和副例划分开以及划分开的程度。我们可以根据计算的精度要求和运算量的限制设置一个信息嫡的闽值,剔除那些对于分类无用或者用处较小的属性。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种向用户推荐营销产品内容的方法,其特征在于,包括以下步骤:首先从网络上对用户进行识别,收集网络用户埋点手机用户浏览时长,访问页面,点击按钮的情况的信息,根据搜集到的用户信息,分析得到用户行为事件,采用贝叶斯算法对用户网络操作行为进行分类,对新用户,就创建一个新用户档案,对已经有的用户档案,更新用户档案;
运用用户行为算法对用户行为进行分析,得到用户操作行为的次数和行为事件的时间等信息,计算所有行为的得分;
然后,营销产品服务器会对该用户的各个行为打分和排序,并且营销产品服务器根据得分排序把相匹配的营销产品投放给对应的用户。
2.根据权利要求1所述的方法,其特征在于,首先搜集网络用户的信息,采用聚类算法对用户行为进行分类,之后用户行为特征信息需要保存到即用户档案中,此时判断用户是否存在于用户表中,可以通过用户进行初次匹配,之后对比用户名等信息,若用户已经存在,则将用户行为特征信息进行更新,否则在用户表中加入此用户,并且建立用户档案,将用户的静态信息和动态信息保存到用户档案中,根据用户行为特征算法对用户特征模型进行相似性分析,得到该用户行为特征的新鲜度、兴趣强度和频率等信息,并计算出各个行为特征的得分,之后营销产品服务器会对此用户的各个行为特征分值进行排序,并且据此在营销产品服务器中查找与行为特征关键字相匹配的营销产品进行投放。
3.根据权利要求1或者2所述的方法,其特征在于,所述营销产品服务器包括基于行为定向的精准营销产品投放数据库,包括营销产品主表,对营销产品商的信息进行抽象,包括营销产品商、密码、联系方式、及其欲投放的营销产品;
网络用户表,记录网络用户即受众的信息,包括用户、性别、信息、联系方式、偏好、目前关联的营销产品信息;
营销产品表,记录营销产品信息,即呈现到网络用户面前的营销产品;
网页表,用户操纵的对象,可以根据网页的信息对其行为进行分析挖掘,建立用户特征模型;
主题表,营销产品主题信息或网页主题信息,例如快速消费品、化妆品、金融业,酒店、房地产。
4.根据权利要求1所述的方法,其特征在于,从网络上对用户进行识别,收集页面埋点数据分析得到用户偏好,用户常访问的页面、页面驻留时长等埋点数据、历史办理过的业务类型、办理的业务金额等多维度信息进行大数据分析形成用户偏好,这个文件里面一般在包含一个cookieid的同时也会记下用户在该网站的userid,所以在记录日志文件中cookie项的时候可以优先去查询cookie中是否含有用户类的信息,如果存在则将用户写到日志的项,如果不存在则查找是否有,如果有则记录,没有则记为“—”,这样日志中的就可以直接作为最有效的用户唯一标识符被用作统计。
5.根据权利要求1所述的方法,其特征在于,所述用户行为事件一般包括营销产品点击、搜索查询、搜索点击、横幅营销产品点击、页面浏览、营销产品浏览,特征数据库保存了一系列单词关键字和多词关键字条目,这些关键字也被称为“特征值”,特征值的来源包括网络上的多个服务器、管理员的手动输入或者第三方的特征库,通常来说,每个特征值代表一个单独的用户行为特征,即使这个特征值是由多个单词构成也会被当做一个关键字对待,特征值进一步整合成为分层的架构,并且保存在特征数据库中,特征的分层是依据代表的标准事件,特征数据库中保存的分层特征将会被手动地映射成categorized特征值,categorized特征值进一步会保存在兴趣数据库中。
6.根据权利要求1所述的方法,其特征在于,所述营销产品服务器是将用户事件分类的结果与营销产品进行匹配,查询出相关的营销产品进行精准化投放,其中投放营销产品尝试之后,若实际的效果达到既定的目标,便将数据库中的用户ID与主题建立映射,无论用户浏览何种网页,都会向其展示该主题ID相关的一类营销产品,当然用户的特征模型在建立之后不是一成不变的,而是根据用户的动态行为进行实时地更新,包括两个模块,实时行为定向和长期行为定向,其中实时模块会学习用户的短期行为并且每个小时对用户特征模型进行更新。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111516522.3A CN114201680A (zh) | 2021-12-13 | 2021-12-13 | 一种向用户推荐营销产品内容的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111516522.3A CN114201680A (zh) | 2021-12-13 | 2021-12-13 | 一种向用户推荐营销产品内容的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114201680A true CN114201680A (zh) | 2022-03-18 |
Family
ID=80652996
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111516522.3A Pending CN114201680A (zh) | 2021-12-13 | 2021-12-13 | 一种向用户推荐营销产品内容的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114201680A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116385052A (zh) * | 2023-02-07 | 2023-07-04 | 网舟联合科技(北京)有限公司 | 基于贝叶斯预测埋点文档价值分析潜在用户特征的方法 |
CN118052623B (zh) * | 2024-04-16 | 2024-06-07 | 广州趣米网络科技有限公司 | 一种基于大数据的会员精准营销系统 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100961783B1 (ko) * | 2009-06-29 | 2010-06-07 | 주식회사 모임 | 인공지능에 기반한 제품 및 제품 벤더 추천 장치 및 방법, 그 기록 매체 |
KR20150070481A (ko) * | 2013-12-16 | 2015-06-25 | 넷다이버(주) | 마케팅 시스템 및 이를 이용한 마케팅 방법 |
JP2016207020A (ja) * | 2015-04-24 | 2016-12-08 | ソフトバンク・テクノロジー株式会社 | 行動データの情報エントロピーに基づくマーケティング方法及びシステム |
CN106339502A (zh) * | 2016-09-18 | 2017-01-18 | 电子科技大学 | 一种基于用户行为数据分片聚类的建模推荐方法 |
CN110895778A (zh) * | 2018-09-12 | 2020-03-20 | 北京科杰信息技术有限公司 | 一种电商用户画像中的分类兴趣评分的方法 |
CN110942337A (zh) * | 2019-10-31 | 2020-03-31 | 天津中科智能识别产业技术研究院有限公司 | 一种基于互联网大数据的精准旅游营销方法 |
CN111191122A (zh) * | 2019-12-20 | 2020-05-22 | 重庆邮电大学 | 一种基于用户画像的学习资源推荐系统 |
CN111709812A (zh) * | 2020-06-19 | 2020-09-25 | 山东财经大学 | 基于用户动态分类的电商平台商品推荐方法及系统 |
CN112435047A (zh) * | 2020-10-30 | 2021-03-02 | 四川新网银行股份有限公司 | 一种基于埋点数据的营销外呼数据推荐方法 |
CN112488746A (zh) * | 2020-11-03 | 2021-03-12 | 广州易起行信息技术有限公司 | 基于大数据用户行为的旅游产品二次营销方法、电子设备、存储介质 |
KR20210103050A (ko) * | 2020-02-13 | 2021-08-23 | 주식회사 베이비랩 | 스마트 상품 추천 시스템 |
CN113570421A (zh) * | 2021-09-23 | 2021-10-29 | 枣庄职业学院 | 一种基于大数据分析的电商营销系统 |
-
2021
- 2021-12-13 CN CN202111516522.3A patent/CN114201680A/zh active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100961783B1 (ko) * | 2009-06-29 | 2010-06-07 | 주식회사 모임 | 인공지능에 기반한 제품 및 제품 벤더 추천 장치 및 방법, 그 기록 매체 |
KR20150070481A (ko) * | 2013-12-16 | 2015-06-25 | 넷다이버(주) | 마케팅 시스템 및 이를 이용한 마케팅 방법 |
JP2016207020A (ja) * | 2015-04-24 | 2016-12-08 | ソフトバンク・テクノロジー株式会社 | 行動データの情報エントロピーに基づくマーケティング方法及びシステム |
CN106339502A (zh) * | 2016-09-18 | 2017-01-18 | 电子科技大学 | 一种基于用户行为数据分片聚类的建模推荐方法 |
CN110895778A (zh) * | 2018-09-12 | 2020-03-20 | 北京科杰信息技术有限公司 | 一种电商用户画像中的分类兴趣评分的方法 |
CN110942337A (zh) * | 2019-10-31 | 2020-03-31 | 天津中科智能识别产业技术研究院有限公司 | 一种基于互联网大数据的精准旅游营销方法 |
CN111191122A (zh) * | 2019-12-20 | 2020-05-22 | 重庆邮电大学 | 一种基于用户画像的学习资源推荐系统 |
KR20210103050A (ko) * | 2020-02-13 | 2021-08-23 | 주식회사 베이비랩 | 스마트 상품 추천 시스템 |
CN111709812A (zh) * | 2020-06-19 | 2020-09-25 | 山东财经大学 | 基于用户动态分类的电商平台商品推荐方法及系统 |
CN112435047A (zh) * | 2020-10-30 | 2021-03-02 | 四川新网银行股份有限公司 | 一种基于埋点数据的营销外呼数据推荐方法 |
CN112488746A (zh) * | 2020-11-03 | 2021-03-12 | 广州易起行信息技术有限公司 | 基于大数据用户行为的旅游产品二次营销方法、电子设备、存储介质 |
CN113570421A (zh) * | 2021-09-23 | 2021-10-29 | 枣庄职业学院 | 一种基于大数据分析的电商营销系统 |
Non-Patent Citations (2)
Title |
---|
徐耀华;: "关于以客户感知为核心及以大数据分析为基础的践行精准营销与维系浅析", 数字通信世界, no. 01, 1 January 2020 (2020-01-01) * |
谢意;陈德人;干红华;: "基于浏览偏好挖掘的实时商品推荐方法", 计算机应用, no. 01, 1 January 2011 (2011-01-01) * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116385052A (zh) * | 2023-02-07 | 2023-07-04 | 网舟联合科技(北京)有限公司 | 基于贝叶斯预测埋点文档价值分析潜在用户特征的方法 |
CN118052623B (zh) * | 2024-04-16 | 2024-06-07 | 广州趣米网络科技有限公司 | 一种基于大数据的会员精准营销系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107391687B (zh) | 一种面向地方志网站的混合推荐系统 | |
Fuxman et al. | Using the wisdom of the crowds for keyword generation | |
US11716401B2 (en) | Systems and methods for content audience analysis via encoded links | |
US11947619B2 (en) | Systems and methods for benchmarking online activity via encoded links | |
US8504550B2 (en) | Social network message categorization systems and methods | |
US11223694B2 (en) | Systems and methods for analyzing traffic across multiple media channels via encoded links | |
US7877404B2 (en) | Query classification based on query click logs | |
US9706008B2 (en) | Method and system for efficient matching of user profiles with audience segments | |
TWI636416B (zh) | 內容個人化之多相排序方法和系統 | |
Huang et al. | Utilizing user tag-based interests in recommender systems for social resource sharing websites | |
US7685091B2 (en) | System and method for online information analysis | |
US8234311B2 (en) | Information processing device, importance calculation method, and program | |
US20130179426A1 (en) | Search and Retrieval Methods and Systems of Short Messages Utilizing Messaging Context and Keyword Frequency | |
US20130263181A1 (en) | Systems and methods for defining video advertising channels | |
KR20160057475A (ko) | 소셜 데이터를 능동적으로 획득하기 위한 시스템 및 방법 | |
US20100185623A1 (en) | Topical ranking in information retrieval | |
Nguyen et al. | Npe: neural personalized embedding for collaborative filtering | |
CN111651678B (zh) | 一种基于知识图谱的个性化推荐方法 | |
CN113268667B (zh) | 一种基于中文评论情感引导的序列推荐方法及系统 | |
CN112749330A (zh) | 信息推送方法、装置、计算机设备和存储介质 | |
US20050049987A1 (en) | Systems and methods for optimizing decision graph collaborative filtering | |
CN114201680A (zh) | 一种向用户推荐营销产品内容的方法 | |
Antoniou et al. | A Semantic Web Personalizing Technique: The Case of Bursts in Web Visits | |
Zhang et al. | Discovering consumers’ purchase intentions based on mobile search behaviors | |
Özyirmidokuz et al. | Analyzing customer complaints: a web text mining application |
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 |