CN114997959A - 一种电子智造产品营销推荐方法 - Google Patents
一种电子智造产品营销推荐方法 Download PDFInfo
- Publication number
- CN114997959A CN114997959A CN202210694002.XA CN202210694002A CN114997959A CN 114997959 A CN114997959 A CN 114997959A CN 202210694002 A CN202210694002 A CN 202210694002A CN 114997959 A CN114997959 A CN 114997959A
- Authority
- CN
- China
- Prior art keywords
- customer
- product
- data
- client
- matrix
- 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.)
- Withdrawn
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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Biology (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Physiology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Genetics & Genomics (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种电子智造产品营销推荐方法。首先整理出电子智造业云平台记录的客户日志数据,提取客户特征和产品特征数据并进行清洗,获得特定格式的数据集,根据数据集构建客户产品评分矩阵;然后将采用遗传算法得到的Pareto最优解集用改进k‑means聚类算法进行客户聚类划分;再次综合客户特征偏好矩阵与客户产品评分矩阵得出混合相似度计算方式,并引入人类记忆遗忘曲线时间函数,构建客户产品评分模型;最后将求解出的评分较高的产品结果推荐给客户。与现有推荐算法相比,本发明方法具有能够改善客户兴趣变化对推荐效果的影响,实现数据聚合,解决数据稀疏性,提高客户产品推荐的效率和准确性的优点。
Description
技术领域
本发明涉及推荐算法技术领域,特别涉及一种电子智造产品营销推荐方法。
背景技术
互联网技术飞速发展,使得海量信息不断地涌现在互联网平台上,这些信息很多都会给客户带来巨大的干扰,让客户无法从巨量的信息中找到最需要的内容,其一定程度上可以解决“信息过载”问题。简单的搜索引擎模式已经不能满足人们的需求,其利用效率也不足。为此,大量学者都开始进行个性化推荐方法的研究,让每个客户的独特需要都能得到一定满足,能够便利地从大量互联网信息中找到和自身期待最为匹配的内容。产品营销推荐方法是根据客户的以往浏览内容和偏好,给每个客户提供一个推荐性的列表,这个列表可以让客户快速找到自身的需求信息。这就需要先对客户进行调查分析,找到客户的喜好,分析客户的过往行为,最终利用数学计算方法来计算出最为适合的推荐内容,并发送给客户。但推荐方法的问题还有很多,还需要我们不断的去提高和改善。一个效果良好的产品营销推荐方法不仅可以帮助人们节省更多的检索时间,而且也给商家、企业带来更多的销售量和利润,从而具有很强的研究价值以及实用性。针对电子智造业云平台的实际需求,根据客户的购买产品习惯及相关产品的评价数据,在协同过滤推荐算法的基础上设计一种产品营销推荐方法,从而在方便客户提升购买产品效率的同时,还能够为商家改善其产品质量提供可靠的数据分析结果。
发明内容
本发明的目的在于根据客户的购买产品习惯及相关产品的评价数据,从而提升客户购买产品的效率,提供一种电子智造产品营销推荐方法。
本发明一种电子智造产品营销推荐方法主要包括以下步骤:
步骤S1.客户数据采集:将电子智造业云平台记录的客户日志数据提取出来,该日志数据包含行为数据和业务数据;
步骤S2.数据预处理:数据预处理主要负责从步骤S1中提取客户特征和产品特征数据并进行数据清洗操作,获得特定格式的数据集,再根据数据集构建客户产品评分矩阵UIP矩阵,并对其进行归一化处理;
步骤S3.改进协同过滤算法:将遗传算法与改进k-means聚类算法融合,处理数据时结合遗传算法和密度以及欧式距离对初始聚类中心进行优化,通过改进k-means算法使数据快速高效地趋于各自的极值点;
步骤S4.构建客户产品评分模型:综合利用客户特征偏好矩阵以及客户产品评分矩阵提出一种新的混合相似度计算方式;相似客户具有相似的购买行为,根据混合相似度计算,引入人类记忆遗忘曲线时间函数,构建客户产品评分模型;
步骤S5.产品推荐:将求解出的评分较高的产品结果推送给客户。
所述步骤S2中数据初始化的过程如下:初始数据往往是杂乱的,需要进行清洗操作,需要一些填充操作,分析并处理从步骤S1中的操作日志,该日志数据包含行为数据和业务数据,根据客户评论产品数据计算客户的相似度,重点分析客户产品评分数据,实现最终推荐的功能。获取特定格式的数据集,在这里包含客户特征和产品特征。在人们倾向于购买与其所购买产品相关的产品条件之下,构建客户特征偏好矩阵。由客户产品评分矩阵UI(n*m),产品类别特征矩阵IF(m*k),这两个矩阵实现聚合,可以获得一个客户偏好特征矩阵UIP(n*k)。并对UIP矩阵实行如式(1)所示的归一化处理,让数据趋于[0-1]之间,大大的降低矩阵的维度;
其中,xi,j为矩阵中的位置里的值,xmin为客户评分最小值,xmax为评分最大值。
所述步骤S3改进协同过滤算法所用到遗传算法与改进k-means聚类算法融合的具体过程如下:
首先,初始化参数,初始化改进协同过滤算法的相关参数,包括种群大小M,交叉概率Pc,变异概率Pm,聚类簇数K,隶属度因子m,收敛精度ε,最大迭代次数Smax。对种群中的所有个体进行归一化;然后,编码及种群初始化,根据浮点数编码公式对数据集进行编码,并随机产生一个种群X,X中有n个研究对象作为初始个体,即X=[x1,x2,…,xn];再然后计算个体适应度函数,即目标函数;再然后迭代更新整个种群,通过精英策略对当前种群执行选择、交叉和变异等操作,产生新一代个体合并父代种群和子代种群,并再次进行非支配排序、个体归一化和关联操作,迭代更新种群,找寻种群中的最优解;最后进行客户聚类划分,迭代循环往复,若达到预先设定收敛条件,输出Pareto最优解集,并划分数据集,输出最优聚类中心矩阵,再用k-means聚类算法进行客户聚类划分,使用欧氏距离公式计算目标客户u和K个簇心之间的距离,并把目标用户添加到距离最近的簇中。且将相似度较高的数据划分到一个簇,分簇实现推荐。
上述个体适应度,计算公式如式(2)所示:
其中,μi,j是第i个样本对应第j类的隶属度函数,K表示聚类中心集合,n为数据集个数,m是平滑系数,ki(i=1,2,3,…,k)为每个聚类的中心,Xj(j=1,2,3,…,n)为种群中的元素;
所述步骤S4构建客户产品评分模型,在目标客户u所在的簇中,再分簇计算客户相似度,综合利用客户特征偏好矩阵以及客户产品评分矩阵,提出一种新的混合相似度计算方式如式(3)所示;
其中,Ru,i是客户u对产品特征i的偏好程度;Rv,i是客户v对产品特征i的偏好程度;表示客户u对所有产生行为的产品特征的平均值;表示客户v对所有产生行为的产品特征的平均值;Iu,v表示客户u和客户v共同评分的产品构成的集合;ru,i是客户u对产品i的评分;rv,i是客户v对产品i的评分;表示客户u产生行为产品评分的平均值;表示客户v产生行为产品评分的平均值;
相似客户具有相似的购买行为,根据混合相似度计算,引入人类记忆遗忘曲线时间函数T(tu,i,ts)如式(4)所示,得到改进的客户产品评分模型,即客户u对产品i的评分计算公式如式(5)所示:
其中,tu,i表示客户u对产品i的评分时间;ts计算是当前时间;c表示时间系数,S(u)表示与客户u相似度最高的前k个客户集合;Iu,v表示客户u和客户v共同评分的产品构成的集合;Sim(u,v)是客户u和客户v的相似度,由公式(3)获得;rv,i表示客户v对产品i的评分;表示客户u对项目的平均评分;表示客户v对产品的平均评分;
所述步骤S5产品推荐,客户u对产品i的评分计算公式引入人类记忆遗忘曲线时间函数,得出改进的评分模型,将求解出的评分较高的产品结果推送给客户。
与现有技术相比,本发明具有以下有益效果及优点:
(1)针对传统推荐系统中的协调过滤推荐算法存在着稀疏性问题,对算法进行了改进,提出了一种改进协同过滤推荐方法,将遗传算法和改进k-means聚类算法进行融合,弥补算法各自的不足,实现数据聚合,解决数据稀疏性,提高推荐准确率。
(2)采用一种混合方式计算客户相似度,将客户偏好信息的相似度与客户产品评分矩阵的相似度进行加权求和计算客户相似度,使得推算出的相似客户特征更加准确,改善客户兴趣变化对推荐效果的影响,提高推荐的质量。
(3)在构建客户产品评分模型中引入人类遗忘曲线时间函数,贴近普通人的常规记忆,使得推荐结果更加真实合理,提高客户产品推荐的准确性。
附图说明
图1为本发明一种电子智造产品营销推荐方法步骤示意图。
图2为本发明改进协同过滤算法流程示意图。
具体实施方式
实施例:
如图1所示,本发明实施例包括以下五个步骤:
所述步骤S1.客户数据采集:将电子智造业云平台记录的客户日志数据提取出来,该日志数据包含行为数据和业务数据;
所述步骤S2.数据预处理:数据预处理主要负责从步骤S1中提取客户特征和产品特征数据并进行数据清洗操作,获得特定格式的数据集,再根据数据集构建客户产品评分矩阵UIP矩阵,并对其进行归一化处理;
所述步骤S3.改进协同过滤算法:将遗传算法与改进k-means聚类算法融合,处理数据时结合遗传算法和密度以及欧式距离对初始聚类中心进行优化,通过改进k-means算法使数据快速高效地趋于各自的极值点,又可以通过遗传算法摆脱数据在收敛过程中可能陷入的局部最小值的问题,达到快速收敛并避免局部最优,增强客户的聚类效果;
所述步骤S4.构建客户产品评分模型:综合利用客户特征偏好矩阵以及客户产品评分矩阵提出一种新的混合相似度计算方式;相似客户具有相似的购买行为,根据混合相似度计算,引入人类记忆遗忘曲线时间函数,构建客户产品评分模型;
所述步骤S5.产品推荐:将求解出的评分较高的产品结果推送给客户。
本发明实施例提供的改进协同过滤算法流程示意图如图2所示,其具体过程如下:
首先,初始化改进协同过滤算法的相关参数,包括种群大小M,交叉概率Pc,变异概率Pm,聚类簇数K,隶属度因子m,收敛精度ε,最大迭代次数Smax。对种群中的所有个体进行归一化;根据浮点数编码公式对数据集进行编码,并随机产生一个种群X,X中有n个研究对象作为初始个体;计算个体适应度;再然后迭代更新整个种群,通过精英策略对当前种群执行选择、交叉和变异等操作,产生新一代个体合并父代种群和子代种群,并再次进行非支配排序、个体归一化和关联操作,迭代更新种群,找寻种群中的最优解;最后进行客户聚类划分,迭代循环往复,若达到预先设定收敛条件,输出Pareto最优解集,并划分数据集,输出最优聚类中心矩阵,再用k-means聚类算法进行客户聚类划分,使用欧氏距离公式计算目标客户u和K个簇心之间的距离,并把目标用户u添加到距离最近的簇中。且将相似度较高的数据划分到一个簇,分簇实现推荐。
本发明一种电子智造产品营销推荐方法,首先将电子智造业云平台存储的客户相关的操作日志放入专门的数据库里,进行数据特征提取,提取出客户特征和产品特征,再将这些特征通过改进协同过滤算法进行处理,将处理结果进行数据集划分,客户聚类划分,根据混合相似度,将求解出的评分较高的产品结果列举出来,推送给目标客户,完成整个电子智造业云平台产品营销推荐方法。传统的协同过滤推荐算法主要存在的问题分别是数据的稀疏性、冷启动问题以及可扩展性。客户购买某款产品的次数不一定很集中,导致数据稀疏性较大;推荐一般是基于已有客户的推荐,对于新客户属于空白,就会产生冷启动现象;当后期数据量十分庞大的情况下,已有推荐会比较局限,速度慢之类的问题,可扩展性显得尤为重要。本发明将改进协同过滤算法应用到电子智造业云平台产品营销中,实现数据聚合,解决数据稀疏性,提高推荐准确率,改善客户兴趣变化对推荐效果的影响,提高推荐的质量。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (1)
1.一种电子智造产品营销推荐方法,其特征在于,包括:
步骤S1.客户数据采集:将电子智造业云平台记录的客户日志数据提取出来,该日志数据包含行为数据和业务数据;
步骤S2.数据预处理:数据预处理主要负责从步骤S1中提取客户特征和产品特征数据并进行数据清洗操作,获得特定格式的数据集,再根据数据集构建客户产品评分矩阵UIP矩阵,并对其进行归一化处理;
步骤S3.改进协同过滤算法:将遗传算法与改进k-means聚类算法融合,处理数据时结合遗传算法和密度以及欧式距离对初始聚类中心进行优化,通过改进k-means算法使数据快速高效地趋于各自的极值点;
步骤S4.构建客户产品评分模型:综合利用客户特征偏好矩阵以及客户产品评分矩阵提出一种新的混合相似度计算方式;相似客户具有相似的购买行为,根据混合相似度计算,引入人类记忆遗忘曲线时间函数,构建客户产品评分模型;
步骤S5.产品推荐:将求解出的评分较高的产品结果推送给客户;
所述步骤S2中数据初始化的过程如下:初始数据往往是杂乱的,需要进行清洗操作,需要一些填充操作,分析并处理从步骤S1中的操作日志,该日志数据包含行为数据和业务数据,根据客户评论产品数据计算客户的相似度,重点分析客户产品评分数据,实现最终推荐的功能;获取特定格式的数据集,在这里包含客户特征和产品特征;在人们倾向于购买与其所购买产品相关的产品条件之下,构建客户特征偏好矩阵;由客户产品评分矩阵UI(n*m),产品类别特征矩阵IF(m*k),这两个矩阵实现聚合,可以获得一个客户偏好特征矩阵UIP(n*k);并对UIP矩阵实行如式(1)所示的归一化处理,让数据趋于[0-1]之间,大大的降低矩阵的维度;
其中,xi,j为矩阵中的位置里的值,xmin为客户评分最小值,xmax为评分最大值;
所述步骤S3改进协同过滤算法所用到遗传算法与改进k-means聚类算法融合的具体过程如下:
首先,初始化参数,初始化改进协同过滤算法的相关参数,包括种群大小M,交叉概率Pc,变异概率Pm,聚类簇数K,隶属度因子m,收敛精度ε,最大迭代次数Smax;对种群中的所有个体进行归一化;然后,编码及种群初始化,根据浮点数编码公式对数据集进行编码,并随机产生一个种群X,X中有n个研究对象作为初始个体,即X=[x1,x2,…,xn];再然后计算个体适应度函数,即目标函数;再然后迭代更新整个种群,通过精英策略对当前种群执行选择、交叉和变异等操作,产生新一代个体合并父代种群和子代种群,并再次进行非支配排序、个体归一化和关联操作,迭代更新种群,找寻种群中的最优解;最后进行客户聚类划分,迭代循环往复,若达到预先设定收敛条件,输出Pareto最优解集,并划分数据集,输出最优聚类中心矩阵,再用k-means聚类算法进行客户聚类划分,使用欧氏距离公式计算目标客户u和K个簇心之间的距离,并把目标用户添加到距离最近的簇中;且将相似度较高的数据划分到一个簇,分簇实现推荐;
上述个体适应度,计算公式如式(2)所示:
其中,μi,j是第i个样本对应第j类的隶属度函数,K表示聚类中心集合,n为数据集个数,m是平滑系数,ki(i=1,2,3,…,k)为每个聚类的中心,Xj(j=1,2,3,…,n)为种群中的元素;
所述步骤S4构建客户产品评分模型,在目标客户u所在的簇中,再分簇计算客户相似度,综合利用客户特征偏好矩阵以及客户产品评分矩阵,提出一种新的混合相似度计算方式如式(3)所示;
其中,Ru,i是客户u对产品特征i的偏好程度;Rv,i是客户v对产品特征i的偏好程度;表示客户u对所有产生行为的产品特征的平均值;表示客户v对所有产生行为的产品特征的平均值;Iu,v表示客户u和客户v共同评分的产品构成的集合;ru,i是客户u对产品i的评分;rv,i是客户v对产品i的评分;表示客户u产生行为产品评分的平均值;表示客户v产生行为产品评分的平均值;
相似客户具有相似的购买行为,根据混合相似度计算,引入人类记忆遗忘曲线时间函数T(tu,i,ts)如式(4)所示,得到改进的客户产品评分模型,即客户u对产品i的评分计算公式如式(5)所示:
其中,tu,i表示客户u对产品i的评分时间;ts计算是当前时间;c表示时间系数,S(u)表示与客户u相似度最高的前k个客户集合;Iu,v表示客户u和客户v共同评分的产品构成的集合;Sim(u,v)是客户u和客户v的相似度,由公式(3)获得;rv,i表示客户v对产品i的评分;表示客户u对项目的平均评分;表示客户v对产品的平均评分;
所述步骤S5产品推荐,客户u对产品i的评分计算公式引入人类记忆遗忘曲线时间函数,得出改进的评分模型,将求解出的评分较高的产品结果推送给客户。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210694002.XA CN114997959A (zh) | 2022-06-20 | 2022-06-20 | 一种电子智造产品营销推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210694002.XA CN114997959A (zh) | 2022-06-20 | 2022-06-20 | 一种电子智造产品营销推荐方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114997959A true CN114997959A (zh) | 2022-09-02 |
Family
ID=83034109
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210694002.XA Withdrawn CN114997959A (zh) | 2022-06-20 | 2022-06-20 | 一种电子智造产品营销推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114997959A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116703485A (zh) * | 2023-08-04 | 2023-09-05 | 山东创亿智慧信息科技发展有限责任公司 | 基于大数据的广告精准营销方法及系统 |
-
2022
- 2022-06-20 CN CN202210694002.XA patent/CN114997959A/zh not_active Withdrawn
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116703485A (zh) * | 2023-08-04 | 2023-09-05 | 山东创亿智慧信息科技发展有限责任公司 | 基于大数据的广告精准营销方法及系统 |
CN116703485B (zh) * | 2023-08-04 | 2023-10-20 | 山东创亿智慧信息科技发展有限责任公司 | 基于大数据的广告精准营销方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110956497B (zh) | 一种电子商务平台用户重复购买行为预测方法 | |
CN109241424B (zh) | 一种推荐方法 | |
Guan et al. | Matrix factorization with rating completion: An enhanced SVD model for collaborative filtering recommender systems | |
Cheuque et al. | Recommender systems for online video game platforms: The case of steam | |
CN112070125A (zh) | 一种基于孤立森林学习的不平衡数据集的预测方法 | |
CN108921602B (zh) | 一种基于集成神经网络的用户购买行为预测方法 | |
CN108830416A (zh) | 基于用户行为的广告点击率预测框架及算法 | |
CN112100512A (zh) | 一种基于用户聚类和项目关联分析的协同过滤推荐方法 | |
CN113159892B (zh) | 一种基于多模态商品特征融合的商品推荐方法 | |
CN112231583A (zh) | 基于动态兴趣组标识和生成对抗网络的电商推荐方法 | |
CN114693397A (zh) | 一种基于注意力神经网络的多视角多模态商品推荐方法 | |
CN112085525A (zh) | 一种基于混合模型的用户网络购买行为预测研究方法 | |
Lin | Sentiment analysis of e-commerce customer reviews based on natural language processing | |
US20230376981A1 (en) | Predictive systems and processes for product attribute research and development | |
CN114861050A (zh) | 一种基于神经网络的特征融合推荐方法及系统 | |
CN105868422A (zh) | 一种基于弹性维特征向量优化抽取的协同过滤推荐方法 | |
CN114997959A (zh) | 一种电子智造产品营销推荐方法 | |
Mallik et al. | A comprehensive survey on sales forecasting models using machine learning algorithms | |
Sugimura et al. | Classification system for time series data based on feature pattern extraction | |
Kanakamedala et al. | Sentiment analysis of online customer reviews for handicraft product using machine learning: A case of Flipkart | |
Chen et al. | Dynamic box office forecasting based on microblog data | |
Liang et al. | Optimize recommendation system with topic modeling and clustering | |
Huang | AI-based repeat buyers prediction system using deep learning | |
CN110956528A (zh) | 一种电商平台的推荐方法及系统 | |
CN118013120B (zh) | 基于聚类标签优化推荐给用户的产品的方法、介质和设备 |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20220902 |