CN114298794A - 适用于SaaS电商平台的推荐方法、装置及存储介质 - Google Patents
适用于SaaS电商平台的推荐方法、装置及存储介质 Download PDFInfo
- Publication number
- CN114298794A CN114298794A CN202111664596.1A CN202111664596A CN114298794A CN 114298794 A CN114298794 A CN 114298794A CN 202111664596 A CN202111664596 A CN 202111664596A CN 114298794 A CN114298794 A CN 114298794A
- Authority
- CN
- China
- Prior art keywords
- user
- commodity
- behavior data
- portrait
- saas
- 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
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供一种适用于SaaS电商平台的推荐方法、装置及存储介质。通过SaaS电商平台采集用户的行为数据,对用户的行为数据进行ETL处理得到处理后的行为数据;对存储至目标位置处的行为数据进行分析生成用户的兴趣画像和商品的销售画像;基于预设模型以行为数据为训练样本对协同过滤算法持续迭代;基于用户的兴趣画像和协同过滤算法确定目标商品,根据目标商品形成商品池;基于CTR预估的神经网络算法对商品池中的商品排序处理得到排序结果,对用户进行商品推荐。本发明能根据用户画像进行个性化商品推荐,自动更新迭代模型参数,提高点击转化率,并用统一的软件服务为不同SaaS客户提供定制化的商品推荐,使得不同类型的客户具有不同的推荐策略。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种适用于SaaS电商平台的推荐方法、装置及存储介质。
背景技术
企业电商平台升级到SaaS电子商务平台为不同的客户提供电商服务后,为每个SaaS客户建立独立的推荐系统,由于不同SaaS客户的流量不同造成云资源分配不均衡,小流量客户推荐服务会闲置浪费,而且独立的服务系统在部署和运营都存在很大的困难。
所以,如何精准的为客户进行个性化商品推荐成为一个亟需解决的问题。
发明内容
本发明实施例提供一种适用于SaaS电商平台的推荐方法、装置及存储介质,能根据用户画像进行个性化商品推荐,自动更新迭代模型参数,提高点击转化率,并用统一的软件服务为不同SaaS客户提供定制化的商品推荐,使得不同类型的客户具有不同的推荐策略。
本发明实施例的第一方面,提供一种适用于SaaS电商平台的推荐方法,包括:
通过SaaS电商平台采集用户的行为数据,对用户的行为数据进行ETL处理得到处理后的行为数据,将处理后的行为数据存储至第一目标位置处;
对存储至目标位置处的行为数据进行分析生成用户的兴趣画像和商品的销售画像,将用户的兴趣画像和商品的销售画像存储至第二目标位置处;
基于多个预设模型以行为数据为训练样本对协同过滤算法持续迭代;
基于所述用户的兴趣画像和协同过滤算法确定目标商品,根据所述目标商品形成商品池;
基于CTR预估的神经网络算法对商品池中的商品排序处理得到排序结果,基于所述排序结果对用户进行商品推荐。
可选地,在第一方面的一种可能实现方式中,所述第一目标位置处为hadoop的hdfs;
通过SaaS电商平台采集用户的行为数据,对用户的行为数据进行ETL处理得到处理后的行为数据,将处理后的行为数据存储至第一目标位置处包括:
基于大数据框架,将用户的行为数据通过Kafka分布式消息系统采集数据并进行ETL后,存储到大数据的hadoop的hdfs;
所述行为数据至少包括用户的浏览行为和购买行为。
可选地,在第一方面的一种可能实现方式中,所述第二目标位置处为HBase和Redis;
对存储至目标位置处的行为数据进行分析生成用户的兴趣画像和商品的销售画像,将用户的兴趣画像和商品的销售画像存储至第二目标位置处包括:
对用户的行为数据进行分析处理,基于ftrl在线学习的LR算法,实时得到用户的兴趣画像和商品的销售画像;
将用户的兴趣画像和商品的销售画像实时存储到HBase,缓存到Redis,对用户的兴趣画像和商品的销售画像并实时更新。
可选地,在第一方面的一种可能实现方式中,基于所述用户的兴趣画像和协同过滤算法确定目标商品,根据所述目标商品形成商品池包括:
根据用户画像和协同过滤算法从SaaS对应的定制化商品库中的redis缓存中获取商品信息,筛选需要进行推荐的商品范围,根据所述商品范围生成商品池,所述商品范围包括多个商品信息。
可选地,在第一方面的一种可能实现方式中,基于CTR预估的神经网络算法对商品池中的商品排序处理得到排序结果,基于所述排序结果对用户进行商品推荐包括:
基于CTR排序算法进行用户个性化商品精确排序,排序的结果为商品推荐结果;
其中,CTR排序算法采用插件服务的形式,实现将持续更新的CTR排序算法推荐至算法引擎中。
可选地,在第一方面的一种可能实现方式中,还包括:
预先设置多个算法模型;
基于ABTest机制分流用户到不同的算法模型中,基于不同的算法模型对用户进行商品推荐的计算。
可选地,在第一方面的一种可能实现方式中,还包括:
配置SaaS推荐服务接口模块。
本发明实施例的第二方面,提供一种适用于SaaS电商平台的推荐装置,包括:
采集模块,用于通过SaaS电商平台采集用户的行为数据,对用户的行为数据进行ETL处理得到处理后的行为数据,将处理后的行为数据存储至第一目标位置处;
画像模块,用于对存储至目标位置处的行为数据进行分析生成用户的兴趣画像和商品的销售画像,将用户的兴趣画像和商品的销售画像存储至第二目标位置处;
算法训练模块,用于基于多个预设模型以行为数据为训练样本对协同过滤算法持续迭代;
SaaS召回模块,用于基于所述用户的兴趣画像和协同过滤算法确定目标商品,根据所述目标商品形成商品池;
排序模块,用于基于CTR预估的神经网络算法对商品池中的商品排序处理得到排序结果,基于所述排序结果对用户进行商品推荐。
本发明实施例的第三方面,提供一种可读存储介质,所述可读存储介质中存储有计算机程序,所述计算机程序被处理器执行时用于实现本发明第一方面及第一方面各种可能设计的所述方法。
本发明提供的一种适用于SaaS电商平台的推荐方法、装置及存储介质。能根据用户画像进行个性化商品推荐,自动更新迭代模型参数,提高点击转化率,并用统一的软件服务为不同SaaS客户提供定制化的商品推荐,使得不同类型的客户具有不同的推荐策略。并且,本发明提供的推荐系统,能根据用户画像进行个性化商品推荐,自动更新迭代模型参数,提高点击转化率。并用统一的软件服务为不同SaaS客户提供定制化的商品推荐系统。
附图说明
图1为适用于SaaS电商平台的推荐方法的第一种实施方式的流程图;
图2为适用于SaaS电商平台的推荐方法的第二种实施方式的流程图;
图3为适用于SaaS电商平台的推荐装置的第一种实施方式的结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。
应当理解,在本发明的各种实施例中,各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
应当理解,在本发明中,“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解,在本发明中,“多个”是指两个或两个以上。“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。“包含A、B和C”、“包含A、B、C”是指A、B、C三者都包含,“包含A、B或C”是指包含A、B、C三者之一,“包含A、B和/或C”是指包含A、B、C三者中任1个或任2个或3个。
应当理解,在本发明中,“与A对应的B”、“与A相对应的B”、“A与B相对应”或者“B与A相对应”,表示B与A相关联,根据A可以确定B。根据A确定B并不意味着仅仅根据A确定B,还可以根据A和/或其他信息确定B。A与B的匹配,是A与B的相似度大于或等于预设的阈值。
取决于语境,如在此所使用的“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。
下面以具体地实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例不再赘述。
本发明提供一种适用于SaaS电商平台的推荐方法,结合图1和图2所示,包括:
步骤S110、通过SaaS电商平台采集用户的行为数据,对用户的行为数据进行ETL处理得到处理后的行为数据,将处理后的行为数据存储至第一目标位置处。
在一个可能的实施方式中,所述第一目标位置处为hadoop的hdfs。
通过SaaS电商平台采集用户的行为数据,对用户的行为数据进行ETL处理得到处理后的行为数据,将处理后的行为数据存储至第一目标位置处包括:
基于大数据框架,将用户的行为数据通过Kafka分布式消息系统采集数据并进行ETL后,存储到大数据的hadoop的hdfs;
所述行为数据至少包括用户的浏览行为和购买行为。
本发明提供的技术方案,采用大数据框架的技术,将用户的海量浏览购买等用户行为数据通过Kafka分布式消息系统采集数据并进行ETL后,存储到大数据的hadoop的hdfs中。
步骤S120、对存储至目标位置处的行为数据进行分析生成用户的兴趣画像和商品的销售画像,将用户的兴趣画像和商品的销售画像存储至第二目标位置处。
在一个可能的实施方式中,所述第二目标位置处为HBase和Redis;
对存储至目标位置处的行为数据进行分析生成用户的兴趣画像和商品的销售画像,将用户的兴趣画像和商品的销售画像存储至第二目标位置处包括:
对用户的行为数据进行分析处理,基于ftrl在线学习的LR算法,实时得到用户的兴趣画像和商品的销售画像。
将用户的兴趣画像和商品的销售画像实时存储到HBase,缓存到Redis,对用户的兴趣画像和商品的销售画像并实时更新。
本发明提供的技术方案,对用户行为数据进行分析,采用ftrl在线学习的LR算法,实时得到用户的兴趣画像和商品的销售画像,存储到HBase,并缓存到Redis,画像数据并实时更新。
步骤S130、基于多个预设模型以行为数据为训练样本对协同过滤算法持续迭代。
本发明提供的技术方案,生成以协同过滤为主的item_base召回算法。以用户对商品的点击预测(CTR)为目标进行机器学习算法的模型训练,支持多个模型并行,至少包括Wide&Deep深度学习算法。模型中的算法参数根据用户行为数据的变化而不断进行迭代。
步骤S140、基于所述用户的兴趣画像和协同过滤算法确定目标商品,根据所述目标商品形成商品池。
在一个可能的实施方式中,基于所述用户的兴趣画像和协同过滤算法确定目标商品,根据所述目标商品形成商品池包括:
根据用户画像和协同过滤算法从SaaS对应的定制化商品库中的redis缓存中获取商品信息,筛选需要进行推荐的商品范围,根据所述商品范围生成商品池,所述商品范围包括多个商品信息。
本发明提供的技术方案中,SaaS客户中的商品都是定制化的,需要根据用户画像和协同过滤算法从SaaS对应的定制化商品库中的redis缓存中获取,筛选一批需要进行推荐的商品范围,即与用户兴趣标签有相关性的商品池。
步骤S150、基于CTR预估的神经网络算法对商品池中的商品排序处理得到排序结果,基于所述排序结果对用户进行商品推荐。
在一个可能的实施方式中,基于CTR预估的神经网络算法对商品池中的商品排序处理得到排序结果,基于所述排序结果对用户进行商品推荐包括:
基于CTR排序算法进行用户个性化商品精确排序,排序的结果为商品推荐结果。本发明中,CTR排序算法进行用户个性化商品进行精确排序,排序的结果即是商品推荐结果。
其中,CTR排序算法采用插件服务的形式,实现将持续更新的CTR排序算法推荐至算法引擎中。排序的算法采用插件服务的形式,可以进而把持续研究的不同的新算法配置到推荐算法引擎中。
本发明提供的技术方案,还包括:
预先设置多个算法模型;
基于ABTest机制分流用户到不同的算法模型中,基于不同的算法模型对用户进行商品推荐的计算。本发明可以通过ABTest机制分流用户到不同的算法模型中,并根据用户的点击购买的反馈,进行评估,通过优胜略汰来择优适配,形成闭环的不断优化的推荐算法。
本发明提供的技术方案,还包括:
配置SaaS推荐服务接口模块。本发明会提供推荐服务接口供应用层使用。为不同的SaaS客户提供统一的借口服务,应用层请求一个推荐服务时,推荐服务会先调用算法调度模块,再调用召回模块,再调用排序模块,最后返回商品推荐列表。
本发明提供的技术方案,至少存在以下的特点和优势:
1、构建用户画像系统,商品画像:基于大数据技术,将用户在APP或H5上的行为数据进行ETL和标签化;
2、根据用户对商品的点击行为进行机器学习算法建模训练,得出CTR模型参数。
3、根据不同的SaaS客户的定制化的商品内容和商品价格,算法推荐出归属SaaS客户的用户的个性化商品列表,采用协同过滤进行召回,神经网络进行CTR排序。
4、根据全部客户的全部用户的点击购买行为进行不断更新画像和CTR模型参数,形成闭环的不断优化的推荐系统。
5、构建分层ABtest系统,通过分流用户并根据用户点击率来决策筛选出最优的模型算法或算法组合。
6、本发明提供的推荐系统,能根据用户画像进行个性化商品推荐,自动更新迭代模型参数,提高点击转化率。并用统一的软件服务为不同SaaS客户提供定制化的商品推荐系统。
本发明的实施例还提供一种适用于SaaS电商平台的推荐装置,如图3所示,包括:
采集模块,用于通过SaaS电商平台采集用户的行为数据,对用户的行为数据进行ETL处理得到处理后的行为数据,将处理后的行为数据存储至第一目标位置处;
画像模块,用于对存储至目标位置处的行为数据进行分析生成用户的兴趣画像和商品的销售画像,将用户的兴趣画像和商品的销售画像存储至第二目标位置处;
算法训练模块,用于基于多个预设模型以行为数据为训练样本对协同过滤算法持续迭代;
SaaS召回模块,用于基于所述用户的兴趣画像和协同过滤算法确定目标商品,根据所述目标商品形成商品池;
排序模块,用于基于CTR预估的神经网络算法对商品池中的商品排序处理得到排序结果,基于所述排序结果对用户进行商品推荐;
算法调度模块:通过ABTest机制分流用户到不同的算法模型中,并根据用户的点击购买的反馈,进行评估,通过优胜略汰来择优适配,形成闭环的不断优化的推荐算法;
SaaS推荐服务接口模块:提供推荐服务接口供应用层使用。为不同的SaaS客户提供统一的借口服务,应用层请求一个推荐服务时,推荐服务会先调用算法调度模块,再调用召回模块,再调用排序模块,最后返回商品推荐列表。
其中,可读存储介质可以是计算机存储介质,也可以是通信介质。通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。计算机存储介质可以是通用或专用计算机能够存取的任何可用介质。例如,可读存储介质耦合至处理器,从而使处理器能够从该可读存储介质读取信息,且可向该可读存储介质写入信息。当然,可读存储介质也可以是处理器的组成部分。处理器和可读存储介质可以位于专用集成电路(ApplicationSpecific Integrated Circuits,简称:ASIC)中。另外,该ASIC可以位于用户设备中。当然,处理器和可读存储介质也可以作为分立组件存在于通信设备中。可读存储介质可以是只读存储器(ROM)、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
本发明还提供一种程序产品,该程序产品包括执行指令,该执行指令存储在可读存储介质中。设备的至少一个处理器可以从可读存储介质读取该执行指令,至少一个处理器执行该执行指令使得设备实施上述的各种实施方式提供的方法。
在上述终端或者服务器的实施例中,应理解,处理器可以是中央处理单元(英文:Central Processing Unit,简称:CPU),还可以是其他通用处理器、数字信号处理器(英文:Digital Signal Processor,简称:DSP)、专用集成电路(英文:Application SpecificIntegrated Circuit,简称:ASIC)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明所公开的方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (10)
1.一种适用于SaaS电商平台的推荐方法,其特征在于,包括:
通过SaaS电商平台采集用户的行为数据,对用户的行为数据进行ETL处理得到处理后的行为数据,将处理后的行为数据存储至第一目标位置处;
对存储至目标位置处的行为数据进行分析生成用户的兴趣画像和商品的销售画像,将用户的兴趣画像和商品的销售画像存储至第二目标位置处;
基于多个预设模型以行为数据为训练样本对协同过滤算法持续迭代;
基于所述用户的兴趣画像和协同过滤算法确定目标商品,根据所述目标商品形成商品池;
基于CTR预估的神经网络算法对商品池中的商品排序处理得到排序结果,基于所述排序结果对用户进行商品推荐。
2.根据权利要求1所述的适用于SaaS电商平台的推荐方法,其特征在于,
所述第一目标位置处为hadoop的hdfs;
通过SaaS电商平台采集用户的行为数据,对用户的行为数据进行ETL处理得到处理后的行为数据,将处理后的行为数据存储至第一目标位置处包括:
基于大数据框架,将用户的行为数据通过Kafka分布式消息系统采集数据并进行ETL后,存储到大数据的hadoop的hdfs;
所述行为数据至少包括用户的浏览行为和购买行为。
3.根据权利要求1所述的适用于SaaS电商平台的推荐方法,其特征在于,
所述第二目标位置处为HBase和Redis;
对存储至目标位置处的行为数据进行分析生成用户的兴趣画像和商品的销售画像,将用户的兴趣画像和商品的销售画像存储至第二目标位置处包括:
对用户的行为数据进行分析处理,基于ftrl在线学习的LR算法,实时得到用户的兴趣画像和商品的销售画像。
4.根据权利要求1所述的适用于SaaS电商平台的推荐方法,其特征在于,
对存储至目标位置处的行为数据进行分析生成用户的兴趣画像和商品的销售画像,将用户的兴趣画像和商品的销售画像存储至第二目标位置处包括:
将用户的兴趣画像和商品的销售画像实时存储到HBase,缓存到Redis,对用户的兴趣画像和商品的销售画像并实时更新。
5.根据权利要求1所述的适用于SaaS电商平台的推荐方法,其特征在于,
基于所述用户的兴趣画像和协同过滤算法确定目标商品,根据所述目标商品形成商品池包括:
根据用户画像和协同过滤算法从SaaS对应的定制化商品库中的redis缓存中获取商品信息,筛选需要进行推荐的商品范围,根据所述商品范围生成商品池,所述商品范围包括多个商品信息。
6.根据权利要求1所述的适用于SaaS电商平台的推荐方法,其特征在于,
基于CTR预估的神经网络算法对商品池中的商品排序处理得到排序结果,基于所述排序结果对用户进行商品推荐包括:
基于CTR排序算法进行用户个性化商品精确排序,排序的结果为商品推荐结果;
其中,CTR排序算法采用插件服务的形式,实现将持续更新的CTR排序算法推荐至算法引擎中。
7.根据权利要求1所述的适用于SaaS电商平台的推荐方法,其特征在于,还包括:
预先设置多个算法模型;
基于ABTest机制分流用户到不同的算法模型中,基于不同的算法模型对用户进行商品推荐的计算。
8.根据权利要求1所述的适用于SaaS电商平台的推荐方法,其特征在于,还包括:
配置SaaS推荐服务接口模块。
9.一种适用于SaaS电商平台的推荐装置,其特征在于,包括:
采集模块,用于通过SaaS电商平台采集用户的行为数据,对用户的行为数据进行ETL处理得到处理后的行为数据,将处理后的行为数据存储至第一目标位置处;
画像模块,用于对存储至目标位置处的行为数据进行分析生成用户的兴趣画像和商品的销售画像,将用户的兴趣画像和商品的销售画像存储至第二目标位置处;
算法训练模块,用于基于多个预设模型以行为数据为训练样本对协同过滤算法持续迭代;
SaaS召回模块,用于基于所述用户的兴趣画像和协同过滤算法确定目标商品,根据所述目标商品形成商品池;
排序模块,用于基于CTR预估的神经网络算法对商品池中的商品排序处理得到排序结果,基于所述排序结果对用户进行商品推荐。
10.一种可读存储介质,其特征在于,所述可读存储介质中存储有计算机程序,所述计算机程序被处理器执行时用于实现权利要求1至8任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111664596.1A CN114298794A (zh) | 2021-12-31 | 2021-12-31 | 适用于SaaS电商平台的推荐方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111664596.1A CN114298794A (zh) | 2021-12-31 | 2021-12-31 | 适用于SaaS电商平台的推荐方法、装置及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114298794A true CN114298794A (zh) | 2022-04-08 |
Family
ID=80973496
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111664596.1A Pending CN114298794A (zh) | 2021-12-31 | 2021-12-31 | 适用于SaaS电商平台的推荐方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114298794A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114912948A (zh) * | 2022-04-24 | 2022-08-16 | 深圳船奇科技有限公司 | 基于云服务的跨境电商大数据智能处理方法、装置及设备 |
CN117743848A (zh) * | 2023-12-06 | 2024-03-22 | 暗物质(北京)智能科技有限公司 | 一种用户画像生成方法、装置、电子设备及存储介质 |
CN117788047A (zh) * | 2024-02-27 | 2024-03-29 | 深圳市亚飞电子商务有限公司 | 一种基于大数据的商品需求分析方法及系统 |
CN117808535A (zh) * | 2023-12-29 | 2024-04-02 | 深圳博十强志科技有限公司 | 一种基于用户大数据分析的广告投放方法和系统 |
-
2021
- 2021-12-31 CN CN202111664596.1A patent/CN114298794A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114912948A (zh) * | 2022-04-24 | 2022-08-16 | 深圳船奇科技有限公司 | 基于云服务的跨境电商大数据智能处理方法、装置及设备 |
CN117743848A (zh) * | 2023-12-06 | 2024-03-22 | 暗物质(北京)智能科技有限公司 | 一种用户画像生成方法、装置、电子设备及存储介质 |
CN117808535A (zh) * | 2023-12-29 | 2024-04-02 | 深圳博十强志科技有限公司 | 一种基于用户大数据分析的广告投放方法和系统 |
CN117788047A (zh) * | 2024-02-27 | 2024-03-29 | 深圳市亚飞电子商务有限公司 | 一种基于大数据的商品需求分析方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114298794A (zh) | 适用于SaaS电商平台的推荐方法、装置及存储介质 | |
CN109961357B (zh) | 用户数据处理方法、装置、电子设备及存储介质 | |
Golder et al. | Will it ever fly? Modeling the takeoff of really new consumer durables | |
CN103502899B (zh) | 动态预测建模平台 | |
JP6484730B2 (ja) | 時間因子を融合させる協調フィルタリング方法、装置、サーバおよび記憶媒体 | |
CN109902849A (zh) | 用户行为预测方法及装置、行为预测模型训练方法及装置 | |
KR20200030252A (ko) | 예술 작품 제공 장치 및 방법 | |
CN109213802B (zh) | 用户画像构建方法、装置、终端和计算机可读存储介质 | |
CN107808314B (zh) | 用户推荐方法及装置 | |
CN110163647A (zh) | 一种数据处理方法及装置 | |
CN112417294B (zh) | 一种基于神经网络挖掘模型的业务智能推荐方法 | |
CN111681051A (zh) | 购买意向度预测方法、装置、存储介质及终端 | |
CN111338724A (zh) | 页面配置方法、装置、电子设备和计算机可读介质 | |
CN114663186A (zh) | 一种应用于私域和电商平台的商品推荐方法、系统和存储介质 | |
CN117235586B (zh) | 酒店客户画像构建方法、系统、电子设备及存储介质 | |
CN113592593A (zh) | 序列推荐模型的训练及应用方法、装置、设备及存储介质 | |
CN109493186A (zh) | 确定推送信息的方法和装置 | |
CN110866625A (zh) | 促销指标信息生成方法和装置 | |
US11532025B2 (en) | Deep cognitive constrained filtering for product recommendation | |
CN112749323A (zh) | 一种构建用户画像的方法和装置 | |
US20170068962A1 (en) | Forecasting customer channel choice using cross-channel loyalty | |
CN111340566B (zh) | 一种商品分类方法、装置、电子设备及存储介质 | |
CN113761352A (zh) | 信息推送方法、装置、设备和存储介质 | |
CN113792952A (zh) | 用于生成模型的方法和装置 | |
CN115601047A (zh) | 数据处理方法以及装置 |
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 |