CN114648369B - 电子商务数据处理方法及系统 - Google Patents

电子商务数据处理方法及系统 Download PDF

Info

Publication number
CN114648369B
CN114648369B CN202210546395.XA CN202210546395A CN114648369B CN 114648369 B CN114648369 B CN 114648369B CN 202210546395 A CN202210546395 A CN 202210546395A CN 114648369 B CN114648369 B CN 114648369B
Authority
CN
China
Prior art keywords
purchasing
time period
sold
historical
purchasing user
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
CN202210546395.XA
Other languages
English (en)
Other versions
CN114648369A (zh
Inventor
林航宇
林营森
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.)
South China University of Technology SCUT
Original Assignee
South China University of Technology SCUT
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 South China University of Technology SCUT filed Critical South China University of Technology SCUT
Priority to CN202210546395.XA priority Critical patent/CN114648369B/zh
Publication of CN114648369A publication Critical patent/CN114648369A/zh
Application granted granted Critical
Publication of CN114648369B publication Critical patent/CN114648369B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • 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

Landscapes

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

Abstract

本发明涉及数据处理技术领域，具体涉及一种电子商务数据处理方法及系统，包括：获取电子商务平台的被销售商品在设定时间段内的各个购买用户的相关数据信息以及被销售商品的相关数据信息，对这些相关数据信息进行数据处理，从而确定被销售商品的展示页面质量指标和在设定时间段内的各个购买用户的购买信息查询压力指标值，最终确定在设定时间段内的各个购买用户的购买信息的存储区间。本发明通过利用数据处理技术，可以合理确定不同购买用户的数据存储方式，满足了购买用户进行售后服务时的快速响应需求，提高了用户体验。

Description

电子商务数据处理方法及系统
技术领域
本发明涉及数据处理技术领域，具体涉及一种电子商务数据处理方法及系统。
背景技术
近年来，电子商务蓬勃发展，人们越来越多地使用网络远程购物。在良好的互联网环境下，电子商务发展迅猛，越来越多的零售企业选择电子商务来发展自身业务。电子商务作为一种虚拟的交易方式，在为广大消费者提供便捷的同时，也需要很多社会服务环节的配合，它不仅代表一种新的消费体验，也代表了一种零售及其配套服务发展的新业态。与此同时，电子商务平台与信息化息息相关，平台所产生的数据源源不断，数据量呈几何倍数的增长，对于产生的这些数据有多种不同的存储方式，但不同的存储方式会导致数据查询响应速度不同，进而会影响到后续的查询体验。
在电子商务平台的所有购买用户群体中，存在部分购买用户有查询历史购买记录的习惯，这些购买用户根据历史购买记录查询，进行回头购买或者进行退换货等售后服务，这种情况下对购买记录和相关订单信息的读取，就比较考验当前的数据存储方式和读取方式，而现有的数据存储方式和读取方式显然无法满足用户快速响应的需求，导致这类购买用户的使用体验相对较差。
发明内容
本发明的目的在于提供一种电子商务数据处理方法及系统，用于解决购买用户在进行售后服务时，电子商务平台现有的数据存储方式存在数据响应速度慢的问题。
为解决上述技术问题，本发明提供了一种电子商务数据处理方法，包括以下步骤：
获取电子商务平台的被销售商品在设定时间段内的各个购买用户的当前页面浏览停留时间、订单支付时间长度、历史购物成功率、历史购物页面浏览停留时间、历史购物记录查询次数和历史购物记录查询时间跨度以及被销售商品的历史售卖成功率、各个历史购买用户的页面浏览停留时间、订单支付时间长度和页面浏览速度；
根据被销售商品在设定时间段内的各个购买用户的当前页面浏览停留时间、订单支付时间长度、历史购物成功率和历史购物页面浏览停留时间，确定被销售商品在设定时间段内的各个购买用户的售后服务关注类型；
根据被销售商品的历史售卖成功率、各个历史购买用户的页面浏览停留时间、订单支付时间长度和页面浏览速度，确定被销售商品的展示页面质量指标；
根据被销售商品在设定时间段内的各个购买用户的售后服务关注类型、历史购物记录查询次数和历史购物记录查询时间跨度以及被销售商品的展示页面质量指标，确定在设定时间段内的各个购买用户的购买信息查询压力指标值；
根据在设定时间段内的各个购买用户的购买信息查询压力指标值，确定在设定时间段内的各个购买用户的购买信息的存储区间。
进一步的，所述确定被销售商品在设定时间段内的各个购买用户的售后服务关注类型，包括：
根据被销售商品在设定时间段内的各个购买用户的当前页面浏览停留时间、订单支付时间长度、历史购物成功率和历史购物页面浏览停留时间，确定被销售商品在设定时间段内的各个购买用户的购物坚定程度；
根据被销售商品在设定时间段内的各个购买用户的当前页面浏览停留时间、订单支付时间长度、历史购物成功率和购物坚定程度，确定被销售商品在设定时间段内的任意两个购买用户的购物行为差异；
根据被销售商品在设定时间段内的任意两个购买用户的购物行为差异，确定被销售商品在设定时间段内的各个购买用户的售后服务关注类型，所述售后服务关注类型包括高级售后服务关注、中级售后服务关注和低级售后服务关注。
进一步的，所述确定被销售商品在设定时间段内的任意两个购买用户的购物行为差异，包括：
根据被销售商品在设定时间段内的任意两个购买用户的购物坚定程度，确定被销售商品在设定时间段内的任意两个购买用户的购物坚定程度差值；
根据被销售商品在设定时间段内的各个购买用户的当前页面浏览停留时间、订单支付时间长度和历史购物成功率，构造每个购买用户的购物指标向量，进而计算被销售商品在设定时间段内的任意两个购买用户的购物指标向量差异；
根据被销售商品在设定时间段内的任意两个购买用户的购物坚定程度差值和购物指标向量差异，计算被销售商品在设定时间段内的任意两个购买用户的购物行为差异。
进一步的，所述确定被销售商品的展示页面质量指标，包括：
根据被销售商品的各个历史购买用户的页面浏览停留时间和订单支付时间长度，确定被销售商品的页面浏览停留时间均值、订单支付时间长度均值和最大页面浏览停留时间；
根据被销售商品的页面浏览停留时间均值、订单支付时间长度均值、历史售卖成功率和最大页面浏览停留时间，确定被销售商品的被购买坚定程度；
根据被销售商品的被购买坚定程度和各个历史购买用户的页面浏览速度，计算被销售商品的展示页面质量指标。
进一步的，所述计算被销售商品的展示页面质量指标对应的计算公式为：
Figure 425549DEST_PATH_IMAGE002
其中，
Figure 100002_DEST_PATH_IMAGE003
为被销售商品的展示页面质量指标，
Figure 952476DEST_PATH_IMAGE004
为被销售商品的被购买坚定程度，
Figure 100002_DEST_PATH_IMAGE005
为各个历史购买用户的页面浏览速度的中位数，
Figure 794530DEST_PATH_IMAGE006
为电子商务平台的所有被销售商品的最佳页面浏览速度。
进一步的，所述确定在设定时间段内的各个购买用户的购买信息查询压力指标值，包括：
根据被销售商品在设定时间段内的各个购买用户的售后服务关注类型，确定在设定时间段内的各个购买用户的商品挑剔程度值；
根据在设定时间段内的各个购买用户的商品挑剔程度值、历史购物记录查询次数以及被销售商品的展示页面质量指标，计算在设定时间段内的各个购买用户的需要售后服务概率值；
根据在设定时间段内的各个购买用户的需要售后服务概率值和历史购物记录查询时间跨度，计算在设定时间段内的各个购买用户的购买信息查询压力指标值。
进一步的，所述计算在设定时间段内的各个购买用户的需要售后服务概率值对应的计算公式为：
Figure 720898DEST_PATH_IMAGE008
其中，
Figure 100002_DEST_PATH_IMAGE009
为在设定时间段内的各个购买用户的需要售后服务概率值，
Figure 846855DEST_PATH_IMAGE010
为被销售商品的展示页面质量指标，
Figure 100002_DEST_PATH_IMAGE011
为在设定时间段内的各个购买用户的历史购物记录查询次数，
Figure 731634DEST_PATH_IMAGE012
为修正系数，
Figure 100002_DEST_PATH_IMAGE013
为在设定时间段内的各个购买用户的商品挑剔程度值，tanh()为双曲正切函数。
进一步的，所述计算在设定时间段内的各个购买用户的购买信息查询压力指标值对应的计算公式为：
Figure 100002_DEST_PATH_IMAGE015
其中，
Figure 651530DEST_PATH_IMAGE016
为在设定时间段内的各个购买用户的购买信息查询压力指标值，
Figure 381588DEST_PATH_IMAGE009
为在设定时间段内的各个购买用户的需要售后服务概率值，
Figure 100002_DEST_PATH_IMAGE017
为在设定时间段内的各个购买用户的历史购物记录查询时间跨度。
进一步的，所述确定在设定时间段内的各个购买用户的购买信息的存储区间，包括：
判断在设定时间段内的各个购买用户的购买信息查询压力指标值是否大于设定压力阈值，若大于设定压力阈值，则将热数据存储区间作为对应购买用户的购买信息的存储区间，否则将冷数据存储区间作为对应购买用户的购买信息的存储区间。
本发明还提供了一种电子商务数据处理系统，包括数据接收模块和处理模块，所述数据接收模块用于从电子商务平台获取相关信息并将所述相关信息发送给处理模块，所述相关信息至少包括：电子商务平台的被销售商品在设定时间段内的各个购买用户的当前页面浏览停留时间、订单支付时间长度、历史购物成功率、历史购物页面浏览停留时间、历史购物记录查询次数和历史购物记录查询时间跨度以及被销售商品的历史售卖成功率、各个历史购买用户的页面浏览停留时间、订单支付时间长度和页面浏览速度，所述处理模块用于接收所述相关信息以实现上述的电子商务数据处理方法。
本发明具有如下有益效果：通过获取电子商务平台的被销售商品在设定时间段内的各个购买用户的相关数据信息以及被销售商品的相关数据信息，对这些相关数据信息进行数据处理，从而被销售商品的展示页面质量指标和在设定时间段内的各个购买用户的购买信息查询压力指标值，最终确定在设定时间段内的各个购买用户的购买信息的存储区间。本发明通过利用数据处理技术，可以合理确定不同购买用户的数据存储方式，满足了购买用户进行售后服务时的快速响应需求，提高了用户体验。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
图1为本发明的电子商务数据处理方法的流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的技术方案的具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
本发明通过观测购买用户在浏览、购买、售后的一系列行为，结合某件商品所对应的用户购买表现，从而确定当前用户需要售后服务的概率，并由此对服务器对订单信息读取的压力大小进行衡量，进一步为购买用户分配不同的存储方式和读取方式，从而在购买用户在进行售后服务时，达到快速响应的效果，以提高购买用户使用体验。
具体的，本实施例提供了一种电子商务数据处理方法，其对应的流程图如图1所示，包括以下步骤：
步骤S1：获取电子商务平台的被销售商品在设定时间段内的各个购买用户的当前页面浏览停留时间、订单支付时间长度、历史购物成功率、历史购物页面浏览停留时间、历史购物记录查询次数和历史购物记录查询时间跨度以及被销售商品的历史售卖成功率、各个历史购买用户的页面浏览停留时间、订单支付时间长度和页面浏览速度。
对于电子商务平台的每件被销售商品，尤其是热卖商品，其在一个设定时间段内，例如一个星期内，会有多个购买用户，这里的购买用户是指支付成功的购买用户。对每个购买用户的浏览方式进行统计，即通过相关手段，例如利用电子商务平台的相关开发工具，获取每个购买用户的当前页面浏览停留时间、历史购物页面浏览停留时间、订单支付时间长度、历史购物成功率、历史购物记录查询次数和历史购物记录查询时间跨度。
其中，购买用户在购买该销售商品的过程中，为了了解商品，通常会对商品的浏览页面进行浏览，通过获取用户在该当前销售商品的浏览页面中的停留的时间
Figure 847205DEST_PATH_IMAGE018
即可得到购买用户的当前页面浏览停留时间。同样的，购买用户在其历史购物过程中，也会对其历史购买商品的浏览页面进行浏览，获取各个历史购买商品的页面浏览时间，从而得到购买用户的历史购物页面浏览停留时间。
购买用户在购买该销售商品的过程中，从下单到支付存在迟疑时间，该存疑时间具体是指从订单生成后到支付成功所花费的时间
Figure DEST_PATH_IMAGE019
，通过获取该时间
Figure 653618DEST_PATH_IMAGE019
即可得到购买用户的订单支付时间长度。
购买用户在其历史购物过程中，如果下单后长时间不支付，就会导致当前订单关闭，或者用户下单支付成功后，短期内（如1小时）进行退款处理，就会导致购物失败。因此，可以结合购买用户在其历史购物记录中的订单关闭数量、订单退款数量和订单总数，确定购买用户的历史购物成功率
Figure 939106DEST_PATH_IMAGE020
，以便于后续确定购买用户对当前被销售商品的成功率，对应的计算公式为：
Figure 207276DEST_PATH_IMAGE022
其中，
Figure 511087DEST_PATH_IMAGE020
为电子商务平台的被销售商品在设定时间段内的各个购买用户的历史购物成功率，
Figure DEST_PATH_IMAGE023
为电子商务平台的被销售商品在设定时间段内的各个购买用户的历史购物记录中的订单关闭数量，
Figure 268828DEST_PATH_IMAGE024
为电子商务平台的被销售商品在设定时间段内的各个购买用户的历史购物记录中的订单退款数量，
Figure DEST_PATH_IMAGE025
为电子商务平台的被销售商品在设定时间段内的各个购买用户的历史购物记录中的订单总数。
考虑到部分购买用户会有查询历史购物记录的习惯，因此对购买用户在每个设定时间间隔（如一星期）内对历史购物记录的查询次数进行统计，并计算最靠近当前被销售商品的支付时间的几个设定时间间隔的查询次数的均值，从而可以得到该购买用户的历史购物记录查询次数
Figure 323503DEST_PATH_IMAGE026
，基于该历史购物记录查询次数
Figure 129785DEST_PATH_IMAGE026
，便于后续有效区分该购买用户的类别。
考虑到部分购买用户购买量比较大，查询量比较多，同时查询时间跨度不一，由此说明的情况也不相同。因此，统计每个购买用户的查询历史记录的时间跨度大小，而得到该购买用户的历史购物记录查询时间跨度
Figure DEST_PATH_IMAGE027
。即统计每个购买用户对其每个历史订单的查询时间跨度，该查询时间跨度是指购买用户查询的时间点到该被查询的历史订单的下单时间之间的时间长度值，每个历史订单可能对应多个查询时间跨度，然后计算每个购买用户的所有历史订单的查询时间跨度的均值，并将该均值作为该购买用户的历史购物记录查询时间跨度
Figure 569993DEST_PATH_IMAGE027
。
另外，对于电子商务平台的该被销售商品，同样通过相关手段，获取电子商务平台的被销售商品的历史售卖成功率、各个历史购买用户的页面浏览停留时间、订单支付时间长度和页面浏览速度。
结合该被销售商品在历史销售过程中的订单关闭数量、订单退款数量和订单总数，可以计算出该被销售商品的历史售卖成功率
Figure 685586DEST_PATH_IMAGE028
。由于该被销售商品的历史售卖成功率
Figure 945666DEST_PATH_IMAGE028
的计算过程可以参考购买用户的历史购物成功率
Figure 743856DEST_PATH_IMAGE020
的计算过程，此处不再赘述。
该被销售商品在历史销售过程中，会存在多个历史购买用户，该历史购买用户是指该被销售商品的所有交易成功的购买用户，获取每个历史购买用户在购买该被销售商品时的页面浏览停留时间和订单支付时间长度，由于每个历史购买用户在购买该被销售商品时的页面浏览停留时间和订单支付时间长度的获取过程，与上述的该被销售商品在设定时间段内的各个购买用户的当前页面浏览停留时间和订单支付时间长度的获取过程完全相同，此处不再赘述。同时，对于每一个历史购买用户，其在浏览该被销售商品的浏览页面时，都会对应一定的页面浏览速度，该页面浏览速度是指历史购买用户在进行翻页操作时的滑动速度，滑动速度越快，说明对该区域不感兴趣，或者滑动速度较快是因为历史购买用户个体差异导致信息读取较快造成的。获取每个历史购买用户的页面浏览速度均值，从而得到该被销售商品的每个历史购买用户的页面浏览速度。
步骤S2：根据被销售商品在设定时间段内的各个购买用户的页面浏览停留时间、订单支付时间长度、历史购物成功率和历史购物页面浏览停留时间，确定被销售商品在设定时间段内的各个购买用户的售后服务关注类型，具体实现步骤包括：
（2-1）根据被销售商品在设定时间段内的各个购买用户的当前页面浏览停留时间、订单支付时间长度、历史购物成功率和历史购物页面浏览停留时间，确定被销售商品在设定时间段内的各个购买用户的购物坚定程度。
对购买用户而言，支付速度越快，即迟疑时间越短，也就是订单支付时间长度越小，说明购买用户对该商品购买的坚定程度越高，用户对此商品的购买需求越大。当用户犹豫时间越长，说明用户对购买该商品未做好充分准备，对购买当前商品的坚定程度比较低。购买用户在商品介绍页内关注的时间越长，也就是页面浏览停留时间越大，说明用户对当前的商品感兴趣程度越高。另外，购买用户在历史购物过程中，其订单关闭数量和订单退款数量所占比例越小，即历史购物成功率越高，说明用户在成功购买该销售商品后，不容易进行退款等操作，这能够进一步说明用户对购买商品的需求。因此，通过引入用户的历史购物成功率，在一定程度上能对用户的当前购买行为给出一定参考，对用户购买商品的坚定程度进行修正。
基于上述分析，可以根据被销售商品在设定时间段内的各个购买用户的当前页面浏览停留时间、订单支付时间长度和历史购物成功率，对不同购买用户对当前销售商品的购买坚定程度进行衡量，对应的计算公式为：
Figure 756680DEST_PATH_IMAGE030
其中，
Figure DEST_PATH_IMAGE031
为被销售商品在设定时间段内的各个购买用户的购物坚定程度，
Figure 590644DEST_PATH_IMAGE019
为被销售商品在设定时间段内的各个购买用户的订单支付时间长度，exp()为以e为底的指数函数，
Figure 72441DEST_PATH_IMAGE020
为被销售商品在设定时间段内的各个购买用户的历史购物成功率，
Figure 236837DEST_PATH_IMAGE018
为被销售商品在设定时间段内的各个购买用户的当前页面浏览停留时间，
Figure 120479DEST_PATH_IMAGE032
为修正参数，
Figure DEST_PATH_IMAGE033
，
Figure 125344DEST_PATH_IMAGE034
为被销售商品在设定时间段内的各个购买用户的历史购物页面浏览停留时间的最大值，tanh()为双曲正切函数，用于对参数进行归一化。
根据上述的购买用户的购物坚定程度，能够反应出用户在购买后对当前销售商品的后续协商的概率程度，如果用户的购物坚定程度比较低，说明用户对当前销售商品了解不够充分，后续再协商的可能性就比较高。
（2-2）根据被销售商品在设定时间段内的各个购买用户的当前页面浏览停留时间、订单支付时间长度、历史购物成功率和购物坚定程度，确定被销售商品在设定时间段内的任意两个购买用户的购物行为差异。
基于销售商品在设定时间段内的各个购买用户的购物坚定程度，对各个购买用户的购物坚定程度进行差异分析，具体实现步骤包括：
（2-2-1）根据被销售商品在设定时间段内的任意两个购买用户的购物坚定程度，确定被销售商品在设定时间段内的任意两个购买用户的购物坚定程度差值。
（2-2-2）根据被销售商品在设定时间段内的各个购买用户的当前页面浏览停留时间、订单支付时间长度和历史购物成功率，构造每个购买用户的购物指标向量，进而计算被销售商品在设定时间段内的任意两个购买用户的购物指标向量差异。
（2-2-3）根据被销售商品在设定时间段内的任意两个购买用户的购物坚定程度差值和购物指标向量差异，计算被销售商品在设定时间段内的任意两个购买用户的购物行为差异，对应的计算公式为：
Figure 343705DEST_PATH_IMAGE036
其中，
Figure DEST_PATH_IMAGE037
为被销售商品在设定时间段内的任意两个购买用户A和B的购物行为差异，
Figure 826639DEST_PATH_IMAGE038
和
Figure DEST_PATH_IMAGE039
分别为被销售商品在设定时间段内的购买用户A和B的购物坚定程度，
Figure 112258DEST_PATH_IMAGE040
表示被销售商品在设定时间段内的任意两个购买用户A和B的购物坚定程度差值，
Figure DEST_PATH_IMAGE041
、
Figure 553604DEST_PATH_IMAGE042
和
Figure DEST_PATH_IMAGE043
分别为被销售商品在设定时间段内的购买用户A的订单支付时间长度、历史购物成功率和当前页面浏览停留时间，
Figure 790419DEST_PATH_IMAGE044
、
Figure DEST_PATH_IMAGE045
和
Figure 77044DEST_PATH_IMAGE046
分别为被销售商品在设定时间段内的购买用户B的订单支付时间长度、历史购物成功率和当前页面浏览停留时间，
Figure DEST_PATH_IMAGE047
和
Figure 951590DEST_PATH_IMAGE048
分别为被销售商品在设定时间段内的任意两个购买用户A和B的购物指标向量，
Figure DEST_PATH_IMAGE049
为余弦相似度函数，
Figure 298257DEST_PATH_IMAGE050
为被销售商品在设定时间段内的任意两个购买用户A和B的购物指标向量差异。
在上述的购物行为差异的计算公式中，通过构建每个购买用户的购物指标向量，该向量中的每个元素均为衡量购物坚定程度的参量，然后引入余弦相似度函数以计算任意两个购买用户A和B的购物指标向量之间的余弦相似度距离，其目的是避免因为三个参量在运算时的巧合性，导致不同参量的值最终计算得到相同的购物坚定程度结果。
（2-3）根据被销售商品在设定时间段内的任意两个购买用户的购物行为差异，确定被销售商品在设定时间段内的各个购买用户的售后服务关注类型，所述售后服务关注类型包括高级售后服务关注、中级售后服务关注和低级售后服务关注。
根据被销售商品在设定时间段内的任意两个购买用户的购物行为差异，利用经典且高效的K-means算法对被销售商品在设定时间段内的所有购买用户进行划分，得到低级关注购买用户组、中级关注购买用户组和高级关注购买用户组。由于采用K-means算法对所有购买用户进行划分的具体实现过程属于现有技术，此处不再赘述。
其中，在高级关注购买用户组中，购买用户的购物坚定程度相对较低，这类购买用户对商品的苛刻程度是比较高的，这类购买用户会在购物时需要花费非常多的精力，因此需要为这类用户分配足额的资源，用于后续的协商和处理。在中级关注购买用户组中，购买用户的购物坚定程度中等，这类购买用户会在购物时消耗较多的精力，会对商品进行一定深度的了解，在后续交流沟通时需要有一定的资源分配到该类型用户上。在低级关注购买用户组中，购买用户的购物坚定程度相对较高，这类购买用户对商品本身有一定的了解，不需要过多的后续处理和协商。
基于上述三种购买用户组的特点，可以为其分配不同的售后服务关注。在本实施例中，对于高级关注购买用户组、中级关注购买用户组和低级关注购买用户组，分别为其分配高级售后服务关注、中级售后服务关注和低级售后服务关注，以对不同类型的购买用户进行区分，以便于后续进行资源分配。
步骤S3：根据被销售商品的历史售卖成功率、各个历史购买用户的页面浏览停留时间、订单支付时间长度和页面浏览速度，确定被销售商品的展示页面质量指标，具体实现步骤包括：
（3-1）根据被销售商品的各个历史购买用户的页面浏览停留时间和订单支付时间长度，确定被销售商品的页面浏览停留时间均值、订单支付时间长度均值和最大页面浏览停留时间。
根据被销售商品的各个历史购买用户的页面浏览停留时间，计算所有历史购买用户的页面浏览停留时间的均值，从而得到被销售商品的页面浏览停留时间均值。同时，确定所有历史购买用户的页面浏览停留时间的最大值，从而得到被销售商品的最大页面浏览停留时间。根据被销售商品的各个历史购买用户的订单支付时间长度，计算所有历史购买用户的订单支付时间长度的均值，从而得到被销售商品的订单支付时间长度均值。
（3-2）根据被销售商品的页面浏览停留时间均值、订单支付时间长度均值、历史售卖成功率和最大页面浏览停留时间，确定被销售商品的被购买坚定程度，对应的计算公式为：
Figure 445205DEST_PATH_IMAGE052
其中，
Figure 4362DEST_PATH_IMAGE004
为被销售商品的被购买坚定程度，
Figure DEST_PATH_IMAGE053
为被销售商品的订单支付时间长度均值，exp()为以e为底的指数函数，
Figure 497529DEST_PATH_IMAGE028
为被销售商品的历史售卖成功率，
Figure 218361DEST_PATH_IMAGE054
为被销售商品的页面浏览停留时间均值，
Figure DEST_PATH_IMAGE055
为修正参数，
Figure 931233DEST_PATH_IMAGE056
，
Figure DEST_PATH_IMAGE057
为被销售商品的最大页面浏览停留时间，tanh()为双曲正切函数，用于对参数进行归一化。
（3-3）根据被销售商品的被购买坚定程度和各个历史购买用户的页面浏览速度，计算被销售商品的展示页面质量指标。
如果被销售商品的被购买坚定程度比较低，说明该被销售商品的介绍页或者商品的质量确实存在问题，对购买用户造成了干扰。由此，基于用户的购买反应，衡量该被销售商品的展示页面质量，对应的计算公式为：
Figure 559660DEST_PATH_IMAGE058
其中，
Figure 392487DEST_PATH_IMAGE003
为被销售商品的展示页面质量指标，
Figure 533487DEST_PATH_IMAGE004
为被销售商品的被购买坚定程度，
Figure 451765DEST_PATH_IMAGE005
为各个历史购买用户的页面浏览速度的中位数，
Figure 149462DEST_PATH_IMAGE006
为根据大数据统计的电子商务平台的所有被销售商品的最佳页面浏览速度，arcsin()为反正弦函数。
在上述的被销售商品的展示页面质量指标的计算公式中，反正弦函数arcsin()的作用是将原线性变化的变量转化为非线性函数，将阈值设定模糊化，以提高对各种销售商品的模型适用情况。通过采用各个历史购买用户的页面浏览速度的中位数，可以有效避免页面浏览速度两个极端上的情况，更能表示当前数据的大多数特征。通过将各个历史购买用户的页面浏览速度的中位数与最佳页面浏览速度进行比较，当各个历史购买用户的页面浏览速度的中位数与最佳页面浏览速度比较接近时，说明被销售商品的当前展示页面更能让大多数购买用户接受；而当各个历史购买用户的页面浏览速度的中位数高于最佳页面浏览速度时，说明销售商品的当前展示页面质量不够高，不能够抓住用户的兴趣，或者所展示的信息不够充足，导致购买用户找不到自己需要的信息。
步骤S4：根据被销售商品在设定时间段内的各个购买用户的售后服务关注类型、历史购物记录查询次数和历史购物记录查询时间跨度以及被销售商品的展示页面质量指标，确定在设定时间段内的各个购买用户的购买信息查询压力指标值，具体实现步骤包括：
（4-1）根据被销售商品在设定时间段内的各个购买用户的售后服务关注类型，确定在设定时间段内的各个购买用户的商品挑剔程度值。
在上述步骤S2的基础上，根据被销售商品在设定时间段内的各个购买用户的售后服务关注类型，为其分配对应的商品挑剔程度值，商品挑剔程度值的具体取值可以根据经验、大数据分析或者试验的方式进行确定。在本实施例中，对于售后服务关注类型分别为高级售后服务关注、中级售后服务关注和低级售后服务关注的高级关注购买用户组、中级关注购买用户组和低级关注购买用户组，将其对应的商品挑剔程度分别设置为0.7、0.5和0.2。
（4-2）根据在设定时间段内的各个购买用户的商品挑剔程度值、历史购物记录查询次数以及被销售商品的展示页面质量指标，计算在设定时间段内的各个购买用户的需要售后服务概率值，对应的计算公式为：
Figure DEST_PATH_IMAGE059
其中，
Figure 853107DEST_PATH_IMAGE009
为在设定时间段内的各个购买用户的需要售后服务概率值，
Figure 181321DEST_PATH_IMAGE010
为被销售商品的展示页面质量指标，
Figure 321315DEST_PATH_IMAGE011
为在设定时间段内的各个购买用户的历史购物记录查询次数，
Figure 229228DEST_PATH_IMAGE012
为修正系数，
Figure 20335DEST_PATH_IMAGE013
为在设定时间段内的各个购买用户的商品挑剔程度值，tanh()为双曲正切函数，用于对参数进行归一化。
在上述的在设定时间段内的各个购买用户的需要售后服务概率值的计算公式中，被销售商品的展示页面质量指标
Figure 519450DEST_PATH_IMAGE010
表征了该被销售商品的展示页的质量高低，销售商品的展示页质量越高，即购买用户在浏览时的反馈越好，越能够更直观的说明当前商品被用户熟知的程度越高，进而购买后对所购商品要求越低，对售后服务的需求越低。历史购物记录查询次数
Figure 943478DEST_PATH_IMAGE011
表征了购买用户对其历史订单记录的查询次数，查询次数越大，说明用户对后续处理的关注程度越高，越容易需要售后服务。商品挑剔程度值
Figure 936973DEST_PATH_IMAGE013
表征了购买用户对商品的挑剔程度，当挑剔程度越大时，说明用户越容易需要售后服务。
由此，基于被销售商品的当前展示页质量、不同用户群体的浏览习惯以及用户对后续处理的关注程度，确定了在设定时间段内的各个购买用户需要售后服务的概率。
（4-3）根据在设定时间段内的各个购买用户的需要售后服务概率值和历史购物记录查询时间跨度，计算在设定时间段内的各个购买用户的购买信息查询压力指标值。
当购买用户需要进行售后服务时，就需要商家和用户双方进行交易记录的查询，这些交易记录可能会包含较多的交易细节，例如展示页快照等数据，这些数据一般作为冷数据长期存放在数据库中，访问次数比较低，在读取这些数据的过程相较于热数据而言就比较慢，因此比较影响商家和用户双方的交流体验。
而根据在设定时间段内的各个购买用户的需要售后服务概率值，结合购买用户对很久前购买商品的售后的坚持，也就是历史购物记录查询时间跨度，可确定在设定时间段内的各个购买用户的购买信息查询压力指标值，对应的计算公式为：
Figure 333319DEST_PATH_IMAGE015
其中，
Figure 3335DEST_PATH_IMAGE016
为在设定时间段内的各个购买用户的购买信息查询压力指标值，
Figure 321184DEST_PATH_IMAGE009
为在设定时间段内的各个购买用户的需要售后服务概率值，
Figure 102058DEST_PATH_IMAGE017
为在设定时间段内的各个购买用户的历史购物记录查询时间跨度。
在上述的购买信息查询压力指标值的计算公式中，需要售后服务概率值
Figure 664495DEST_PATH_IMAGE009
表征了当前购买用户需要售后服务的概率，其概率越大，购买信息就越需要进行读取操作，对应的购买信息查询压力指标值
Figure 708675DEST_PATH_IMAGE016
就越大。历史购物记录查询时间跨度
Figure 310557DEST_PATH_IMAGE017
表征了购买用户进行历史记录查询的时间跨度，时间跨度越大，对数据寻址的能力考验就越大，当前购买信息读取的压力就越大，对应的购买信息查询压力指标值
Figure 895122DEST_PATH_IMAGE016
就越大。
步骤S5：根据在设定时间段内的各个购买用户的购买信息查询压力指标值，确定在设定时间段内的各个购买用户的购买信息的存储区间。
根据在设定时间段内的各个购买用户的购买信息查询压力指标值的大小，在进行数据备份或转移时，对部分用户的购买信息进行单独处理，以提高用户访问速度，并更好的辅助商家解决问题，提高用户体验。
具体的，根据在设定时间段内的各个购买用户的购买信息查询压力指标值的大小，确定每个购买用户的购买信息的存储区间，这些购买信息包括但不限于当前商品的价格、产品展示页信息、用户与客服的聊天记录等信息，从而对每个购买用户的购买信息进行分类保存。
在本实施例中，判断在设定时间段内的各个购买用户的购买信息查询压力指标值G是否大于设定压力阈值，若大于设定压力阈值，则将热数据存储区间作为对应购买用户的购买信息的存储区间，即将对应购买用户的购买信息作为热数据（经常访问）进行处理，放置在快速访问区；否则，将冷数据存储区间作为对应购买用户的购买信息的存储区间，即将对应购买用户的购买信息作为冷数据（较少访问）进行处理，放置在慢速访问区。
在本实施例中，将设定压力阈值设置为5，其大小与备份时间长度有关，实施者可以根据具体的备份时长进行阈值设定。
本实施例还提供了一种电子商务数据处理系统，包括数据接收模块和处理模块，所述数据接收模块用于从电子商务平台获取相关信息并将所述相关信息发送给处理模块，所述相关信息至少包括：电子商务平台的被销售商品在设定时间段内的各个购买用户的当前页面浏览停留时间、订单支付时间长度、历史购物成功率、历史购物页面浏览停留时间、历史购物记录查询次数和历史购物记录查询时间跨度以及被销售商品的历史售卖成功率、各个历史购买用户的页面浏览停留时间、订单支付时间长度和页面浏览速度，所述处理模块用于接收所述相关信息，其目的是实现上述的电子商务数据处理方法。由于该电子商务数据处理方法已经在上述内容中进行了详细介绍，此处不再赘述。
需要说明的是：以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，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申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (9)

1.一种电子商务数据处理方法，其特征在于，包括以下步骤：
获取电子商务平台的被销售商品在设定时间段内的各个购买用户的当前页面浏览停留时间、订单支付时间长度、历史购物成功率、历史购物页面浏览停留时间、历史购物记录查询次数和历史购物记录查询时间跨度以及被销售商品的历史售卖成功率、各个历史购买用户的页面浏览停留时间、订单支付时间长度和页面浏览速度；
根据被销售商品在设定时间段内的各个购买用户的当前页面浏览停留时间、订单支付时间长度、历史购物成功率和历史购物页面浏览停留时间，确定被销售商品在设定时间段内的各个购买用户的售后服务关注类型；
根据被销售商品的历史售卖成功率、各个历史购买用户的页面浏览停留时间、订单支付时间长度和页面浏览速度，确定被销售商品的展示页面质量指标；
根据被销售商品在设定时间段内的各个购买用户的售后服务关注类型、历史购物记录查询次数和历史购物记录查询时间跨度以及被销售商品的展示页面质量指标，确定在设定时间段内的各个购买用户的购买信息查询压力指标值；
根据在设定时间段内的各个购买用户的购买信息查询压力指标值，确定在设定时间段内的各个购买用户的购买信息的存储区间；
所述确定在设定时间段内的各个购买用户的购买信息的存储区间，包括：
判断在设定时间段内的各个购买用户的购买信息查询压力指标值是否大于设定压力阈值，若大于设定压力阈值，则将热数据存储区间作为对应购买用户的购买信息的存储区间，否则将冷数据存储区间作为对应购买用户的购买信息的存储区间。
2.根据权利要求1所述的电子商务数据处理方法，其特征在于，所述确定被销售商品在设定时间段内的各个购买用户的售后服务关注类型，包括：
根据被销售商品在设定时间段内的各个购买用户的当前页面浏览停留时间、订单支付时间长度、历史购物成功率和历史购物页面浏览停留时间，确定被销售商品在设定时间段内的各个购买用户的购物坚定程度；
根据被销售商品在设定时间段内的各个购买用户的当前页面浏览停留时间、订单支付时间长度、历史购物成功率和购物坚定程度，确定被销售商品在设定时间段内的任意两个购买用户的购物行为差异；
根据被销售商品在设定时间段内的任意两个购买用户的购物行为差异，确定被销售商品在设定时间段内的各个购买用户的售后服务关注类型，所述售后服务关注类型包括高级售后服务关注、中级售后服务关注和低级售后服务关注。
3.根据权利要求2所述的电子商务数据处理方法，其特征在于，所述确定被销售商品在设定时间段内的任意两个购买用户的购物行为差异，包括：
根据被销售商品在设定时间段内的任意两个购买用户的购物坚定程度，确定被销售商品在设定时间段内的任意两个购买用户的购物坚定程度差值；
根据被销售商品在设定时间段内的各个购买用户的当前页面浏览停留时间、订单支付时间长度和历史购物成功率，构造每个购买用户的购物指标向量，进而计算被销售商品在设定时间段内的任意两个购买用户的购物指标向量差异；
根据被销售商品在设定时间段内的任意两个购买用户的购物坚定程度差值和购物指标向量差异，计算被销售商品在设定时间段内的任意两个购买用户的购物行为差异。
4.根据权利要求1所述的电子商务数据处理方法，其特征在于，所述确定被销售商品的展示页面质量指标，包括：
根据被销售商品的各个历史购买用户的页面浏览停留时间和订单支付时间长度，确定被销售商品的页面浏览停留时间均值、订单支付时间长度均值和最大页面浏览停留时间；
根据被销售商品的页面浏览停留时间均值、订单支付时间长度均值、历史售卖成功率和最大页面浏览停留时间，确定被销售商品的被购买坚定程度；
根据被销售商品的被购买坚定程度和各个历史购买用户的页面浏览速度，计算被销售商品的展示页面质量指标。
5.根据权利要求4所述的电子商务数据处理方法，其特征在于，所述计算被销售商品的展示页面质量指标对应的计算公式为：
Figure 910347DEST_PATH_IMAGE002
其中，
Figure DEST_PATH_IMAGE003
为被销售商品的展示页面质量指标，
Figure 270177DEST_PATH_IMAGE004
为被销售商品的被购买坚定程度，
Figure DEST_PATH_IMAGE005
为各个历史购买用户的页面浏览速度的中位数，
Figure 976971DEST_PATH_IMAGE006
为电子商务平台的所有被销售商品的最佳页面浏览速度。
6.根据权利要求1所述的电子商务数据处理方法，其特征在于，所述确定在设定时间段内的各个购买用户的购买信息查询压力指标值，包括：
根据被销售商品在设定时间段内的各个购买用户的售后服务关注类型，确定在设定时间段内的各个购买用户的商品挑剔程度值；
根据在设定时间段内的各个购买用户的商品挑剔程度值、历史购物记录查询次数以及被销售商品的展示页面质量指标，计算在设定时间段内的各个购买用户的需要售后服务概率值；
根据在设定时间段内的各个购买用户的需要售后服务概率值和历史购物记录查询时间跨度，计算在设定时间段内的各个购买用户的购买信息查询压力指标值。
7.根据权利要求6所述的电子商务数据处理方法，其特征在于，所述计算在设定时间段内的各个购买用户的需要售后服务概率值对应的计算公式为：
Figure 401130DEST_PATH_IMAGE008
其中，
Figure DEST_PATH_IMAGE009
为在设定时间段内的各个购买用户的需要售后服务概率值，
Figure 803686DEST_PATH_IMAGE010
为被销售商品的展示页面质量指标，
Figure DEST_PATH_IMAGE011
为在设定时间段内的各个购买用户的历史购物记录查询次数，
Figure 477244DEST_PATH_IMAGE012
为修正系数，
Figure DEST_PATH_IMAGE013
为在设定时间段内的各个购买用户的商品挑剔程度值，tanh()为双曲正切函数。
8.根据权利要求6所述的电子商务数据处理方法，其特征在于，所述计算在设定时间段内的各个购买用户的购买信息查询压力指标值对应的计算公式为：
Figure DEST_PATH_IMAGE015
其中，
Figure 987729DEST_PATH_IMAGE016
为在设定时间段内的各个购买用户的购买信息查询压力指标值，
Figure 502280DEST_PATH_IMAGE009
为在设定时间段内的各个购买用户的需要售后服务概率值，
Figure DEST_PATH_IMAGE017
为在设定时间段内的各个购买用户的历史购物记录查询时间跨度。
9.一种电子商务数据处理系统，其特征在于，包括数据接收模块和处理模块，所述数据接收模块用于从电子商务平台获取相关信息并将所述相关信息发送给处理模块，所述相关信息至少包括：电子商务平台的被销售商品在设定时间段内的各个购买用户的当前页面浏览停留时间、订单支付时间长度、历史购物成功率、历史购物页面浏览停留时间、历史购物记录查询次数和历史购物记录查询时间跨度以及被销售商品的历史售卖成功率、各个历史购买用户的页面浏览停留时间、订单支付时间长度和页面浏览速度，所述处理模块用于接收所述相关信息以实现如权利要求1-8中任一项所述的电子商务数据处理方法。
CN202210546395.XA 2022-05-20 2022-05-20 电子商务数据处理方法及系统 Active CN114648369B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210546395.XA CN114648369B (zh) 2022-05-20 2022-05-20 电子商务数据处理方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210546395.XA CN114648369B (zh) 2022-05-20 2022-05-20 电子商务数据处理方法及系统

Publications (2)

Publication Number Publication Date
CN114648369A CN114648369A (zh) 2022-06-21
CN114648369B true CN114648369B (zh) 2022-08-09

Family

ID=81997753

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210546395.XA Active CN114648369B (zh) 2022-05-20 2022-05-20 电子商务数据处理方法及系统

Country Status (1)

Country Link
CN (1) CN114648369B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105335883A (zh) * 2015-10-30 2016-02-17 小米科技有限责任公司 一种进行订单处理的方法和装置
CN108230098A (zh) * 2017-12-26 2018-06-29 江苏保千里视像科技集团股份有限公司 一种商品销售方法、装置及计算机可读存储介质
CN112950839A (zh) * 2019-12-10 2021-06-11 威海新北洋数码科技有限公司 商品售卖方法
CN113095914A (zh) * 2021-04-29 2021-07-09 武汉东临碣石电子商务有限公司 一种电子商务平台订单管理方法、系统、设备和计算机存储介质

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPWO2002050789A1 (ja) * 2000-12-20 2004-04-22 富士通株式会社 Ｐｏｓシステムおよび商品販売管理装置並びに購入品履歴データ閲覧端末
CN104346464B (zh) * 2014-11-07 2018-05-15 北京奇虎科技有限公司 网页元素信息的处理方法、装置和浏览器客户端
CN113222701A (zh) * 2021-05-17 2021-08-06 腾讯科技（深圳）有限公司 订单状态查询方法、装置及存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105335883A (zh) * 2015-10-30 2016-02-17 小米科技有限责任公司 一种进行订单处理的方法和装置
CN108230098A (zh) * 2017-12-26 2018-06-29 江苏保千里视像科技集团股份有限公司 一种商品销售方法、装置及计算机可读存储介质
CN112950839A (zh) * 2019-12-10 2021-06-11 威海新北洋数码科技有限公司 商品售卖方法
CN113095914A (zh) * 2021-04-29 2021-07-09 武汉东临碣石电子商务有限公司 一种电子商务平台订单管理方法、系统、设备和计算机存储介质

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
基于B/S架构的电子商务网站的设计与实现;刘敏娜等;《软件工程师》;20151105(第11期);第42-44页 *
基于熵的组桶式存储区间分配;唐屹等;《计算机工程与应用》;20061021;第174-176页 *
网页浏览的数据分析在淘宝化妆品零售业中的应用;赵文路等;《中国新通信》;20180620(第12期);第165页 *
面向电商数据的可视化查询系统;陈先灏等;《计算机系统应用》;20160415(第04期);第123-127页 *

Also Published As

Publication number Publication date
CN114648369A (zh) 2022-06-21

Similar Documents

Publication Publication Date Title
US9916594B2 (en) Multidimensional personal behavioral tomography
US8326697B2 (en) Method and apparatus for facilitating sales of goods by independent parties
US7729950B2 (en) Method and system for auctioning assets and valuing same
US20220318858A1 (en) Systems and methods for transformation of raw data to actionable data
US20020046128A1 (en) Automatic pricing method and device
US10181138B2 (en) System and method for determining retail-business-rule coefficients from current prices
JP6325745B2 (ja) 情報処理装置、情報処理方法、及び情報処理プログラム
CN101263522A (zh) 低需求项目的价格确定
US11321724B1 (en) Product evaluation system and method of use
CN114169936A (zh) 一种优惠信息的提供方法以及装置
CN110347924A (zh) 果蔬商城管理系统及果蔬信息推送方法
US8583513B1 (en) Systems and methods for offer selection
CN111695023A (zh) 信息推荐方法、装置、存储介质及设备
CN111951051B (zh) 一种为客户推荐产品的方法、装置和系统
CN107146122A (zh) 数据处理方法及装置
US11551194B2 (en) System to facilitate exchange of data segments between data aggregators and data consumers
CN113781171A (zh) 信息推送方法、装置、设备及存储介质
CN114648369B (zh) 电子商务数据处理方法及系统
CN108510302A (zh) 一种营销决策方法及交易服务器
CN110020135B (zh) 一种需求确定方法、资源推荐方法和相关装置
CN116029794A (zh) 商品价格确定方法、装置、电子设备及存储介质
CN113362141A (zh) 一种关联商品的推荐方法、装置、介质及电子设备
CN110020136B (zh) 对象推荐方法及相关设备
CN111400622A (zh) 一种分布式电商系统中紧缺商品数量展现方法及装置
CN110766478A (zh) 一种提高用户连接性的方法和装置

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
GR01 Patent grant
GR01 Patent grant