CN115170247A - 一种电子商务购物平台商品智能匹配推荐方法 - Google Patents

一种电子商务购物平台商品智能匹配推荐方法 Download PDF

Info

Publication number
CN115170247A
CN115170247A CN202210927050.9A CN202210927050A CN115170247A CN 115170247 A CN115170247 A CN 115170247A CN 202210927050 A CN202210927050 A CN 202210927050A CN 115170247 A CN115170247 A CN 115170247A
Authority
CN
China
Prior art keywords
commodity
user
recommendation
matching
commerce platform
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
Application number
CN202210927050.9A
Other languages
English (en)
Inventor
王迪
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.)
Hangzhou Mobei Software Technology Co ltd
Original Assignee
Hangzhou Mobei Software Technology 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 Hangzhou Mobei Software Technology Co ltd filed Critical Hangzhou Mobei Software Technology Co ltd
Priority to CN202210927050.9A priority Critical patent/CN115170247A/zh
Publication of CN115170247A publication Critical patent/CN115170247A/zh
Pending legal-status Critical Current

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
    • 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
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0255—Targeted advertisements based on user history

Landscapes

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

Abstract

本发明公开了一种电子商务购物平台商品智能匹配推荐方法，涉及线上商品推荐技术领域。本发明包括如下步骤：将电商平台对应的店铺按照预设顺序进行编号并获取该电商平台各店铺对应的基本信息；收集用户在购物平台的行为日志作为初始数据；对初始数据进行预处理获取用户的偏好数据；将用户偏好数据和ALS推荐算法模型结合得到商品推荐列表；基于用户喜好的搭配推荐以及特殊需求，利用规则匹配算法优化商品推荐列表；获取列表商品对应的型号、材质和售价，对入选列表的商品参数进行分析；结合售价匹配系数对商品综合匹配推荐分析；以列表的形式，显示店铺和店铺对应的编号，并附加购买链接。本发明提高购物平台推荐的精准度和推荐效率。

Description

一种电子商务购物平台商品智能匹配推荐方法
技术领域
本发明属于线上商品推荐技术领域，特别是涉及一种电子商务购物平台商品智能匹配推荐方法。
背景技术
随着科技的不断发展和进步，我们的生活也发生了巨大的改变，购物方式也变得多样化，很多消费者为了节省资金成本，会选择在电商平台检索需购买商品对应的同款商品，在这种背景下，为了满足各消费者对“同款”商品的需求，需要提升购物平台商品匹配推荐的准确度。
现有的购物平台商品智能匹配推荐方法还停留在纯拍照检索获取、纯人工输入检索这两大方面进行商品智能匹配推荐，但是现有的购物平台商品智能匹配推荐方法对商品的匹配度并没有达到真正的智能化，没有达到很精准的匹配效果，因此，现有的购物平台商品智能匹配推荐方法还存在了很多的弊端，一方面，现有的购物平台商品智能匹配推荐方法检索方式单一，无法提高对检索商品特征的获取，另一方面，无法实现对检索商品进行参数补充输入，进而无法有效的提高匹配的精准性，另一方面无法有效的提高对检索商品智能匹配推荐的效率。
发明内容
本发明的目的在于提供一种电子商务购物平台商品智能匹配推荐方法，通过获取用户的偏好数据，利用用户偏好数据和ALS推荐算法模型结合得到商品推荐列表，并利用入选列表的商品参数进行分析，解决了现有的购物平台推荐方式单一、商品匹配效果不佳问题。
为解决上述技术问题，本发明是通过以下技术方案实现的：
本发明为一种电子商务购物平台商品智能匹配推荐方法，包括如下步骤：
步骤S1：将电商平台对应的店铺按照预设顺序进行编号，并获取该电商平台各店铺对应的基本信息；
步骤S2：收集用户在购物平台的行为日志作为初始数据；
步骤S3：对初始数据进行预处理获取用户的偏好数据；
步骤S4：将用户偏好数据和ALS推荐算法模型结合得到商品推荐列表；
步骤S5：基于用户喜好的搭配推荐以及特殊需求，利用规则匹配算法优化商品推荐列表；
步骤S6：获取列表商品对应的型号、材质和售价，对入选列表的商品参数进行分析；
步骤S7：结合售价匹配系数对商品综合匹配推荐分析；
步骤S8：以列表的形式，显示店铺和店铺对应的编号，并附加店铺推荐商品对应的购买链接。
作为一种优选的技术方案，所述步骤S1之前，用户需要先完成该电商平台的账号注册，该电商平台发信息认证指令给该用户，该用户填写认证信息并完成该电商平台的登录。
作为一种优选的技术方案，所述步骤S1中，将电商平台对应的店铺按照预设顺序进行编号，并获取该电商平台各店铺对应的基本信息；其中，店铺的基本信息包括店铺名称、店铺商品种类和店铺商品特征，进而构建电商平台店铺基本信息集合。
作为一种优选的技术方案，所述步骤S2中，行为日志包括关键词搜索、图像采集搜索和视频采集搜索；所述关键词搜索用于输入待检索的商品名称；所述图像采集搜索用于输入该待检索的商品图像，进行图像处理去除背景获取待检索图像的正面图像和背面图像；所述视频采集搜索用于数据的该待检索商品对应的各角度视频，并将该待检索商品对应的各角度视频转化为视频序列，进而获取该待检索商品对应的各角度视频对应的各帧图像，并将该待检索商品对应的各角度视频对应的各帧图像进行对比筛选，进而获取该待检索商品对应的正面图像和背面图像。
作为一种优选的技术方案，所述步骤S3中，用户偏好数据采用交替最小二乘法，定义一个三元组<User，Item，Rate>来分别表示用户、商品和评分之间的关系。
作为一种优选的技术方案，所述步骤S4中，将用户对商品的评分矩阵分解为用户对商品隐含特性的偏好矩阵和菜品所包含的隐含特征矩阵，利用ALS推荐算法模型分解出的矩阵进行多次迭代；ALS推荐算法模型公式为：
Figure BDA0003779973720000031
式中，U表示用户对商品的隐含特征偏好矩阵；D表示商品自身隐含的特征偏好矩阵；rij表示用户ui对商品vj的评分；函数f的目标是使特征举证U和D逼近rij组成的评分矩阵R；I表示评分矩阵中的评分集合；Ui表示用户ui隐含的偏好特征向量；Dj表示商品vj包含的隐含特征向量；
Figure BDA0003779973720000032
表示用户ui的评分次数；λ表示正则项系数；
Figure BDA0003779973720000033
表示用户ui对商品vj的偏好的预测值。
作为一种优选的技术方案，所述步骤S5中，利用规则匹配算法优化商品推荐列表的具体步骤如下：
步骤S51：获取ALS得到商品推荐列表Top20；
步骤S52：构建商品功能表、商品故障表、商品销量表和商品评价表；
步骤S53：根据步骤S52中的四种表构建优化规则；
步骤S44：使用优化规则对Top20推荐列表进行优化；
步骤S45：选择优化后的Top10推荐给用户。
作为一种优选的技术方案，所述步骤S6中，根据该检索商品对应的型号和材质，进而从数据库中调取该电商平台各店铺商品对应的型号匹配影响系数和该电商平台各店铺商品对应的材质匹配影响系数，将该电商平台各店铺商品对应的售价分别与该待检索商品对应的售价进行对比，进而统计该电商平台各店铺商品对应的售价匹配影响系数。
作为一种优选的技术方案，所述步骤S7中，商品综合匹配推荐分析根据该电商平台各店铺商品质量匹配影响系数、该电商平台各店铺商品轮廓综合重叠度影响系数、各店铺商品参数对应的综合匹配影响系数统计该电商平台各店铺商品对应的综合匹配推荐影响系数，并将统计的该电商平台各店铺商品对应的综合匹配推荐影响系数按照从大到小的顺序进行排序，提取排名第一位的店铺和该店铺对应的编号。
作为一种优选的技术方案，所述步骤S8中，根据排名第一位的店铺和该店铺对应的编号，进而获取该店铺对应推荐商品对应的链接，将该推荐店铺对应的推荐商品的链接发送至该用户端对应的检索界面并进行显示。
本发明具有以下有益效果：
本发明通过获取用户的偏好数据，利用用户偏好数据和ALS推荐算法模型结合得到商品推荐列表，对入选列表的商品参数进行分析，并利用入选列表的商品参数进行分析完成对商品综合匹配推荐分析，提高购物平台推荐的精准度和推荐效率。
当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述所需要使用的附图作简单地介绍，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他的附图。
图1为本发明的一种电子商务购物平台商品智能匹配推荐方法流程图。
具体实施方式
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作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
请参阅图1所示，本发明为一种电子商务购物平台商品智能匹配推荐方法，包括如下步骤：
步骤S1：将电商平台对应的店铺按照预设顺序进行编号，并获取该电商平台各店铺对应的基本信息；
步骤S2：收集用户在购物平台的行为日志作为初始数据；
步骤S3：对初始数据进行预处理获取用户的偏好数据；
步骤S4：将用户偏好数据和ALS推荐算法模型结合得到商品推荐列表；
步骤S5：基于用户喜好的搭配推荐以及特殊需求，利用规则匹配算法优化商品推荐列表；
步骤S6：获取列表商品对应的型号、材质和售价，对入选列表的商品参数进行分析；
步骤S7：结合售价匹配系数对商品综合匹配推荐分析；
步骤S8：以列表的形式，显示店铺和店铺对应的编号，并附加店铺推荐商品对应的购买链接。
步骤S1之前，用户需要先完成该电商平台的账号注册，该电商平台发信息认证指令给该用户，该用户填写认证信息并完成该电商平台的登录；步骤S1中，将电商平台对应的店铺按照预设顺序进行编号，并获取该电商平台各店铺对应的基本信息；其中，店铺的基本信息包括店铺名称、店铺商品种类和店铺商品特征，进而构建电商平台店铺基本信息集合。
步骤S2中，行为日志包括关键词搜索、图像采集搜索和视频采集搜索；关键词搜索用于输入待检索的商品名称；图像采集搜索用于输入该待检索的商品图像，进行图像处理去除背景获取待检索图像的正面图像和背面图像；视频采集搜索用于数据的该待检索商品对应的各角度视频，并将该待检索商品对应的各角度视频转化为视频序列，进而获取该待检索商品对应的各角度视频对应的各帧图像，并将该待检索商品对应的各角度视频对应的各帧图像进行对比筛选，进而获取该待检索商品对应的正面图像和背面图像。
步骤S3中，用户偏好数据采用交替最小二乘法，定义一个三元组<User，Item，Rate>来分别表示用户、商品和评分之间的关系。
步骤S4中，将用户对商品的评分矩阵分解为用户对商品隐含特性的偏好矩阵和菜品所包含的隐含特征矩阵，利用ALS推荐算法模型分解出的矩阵进行多次迭代；ALS推荐算法模型公式为：
Figure BDA0003779973720000071
式中，U表示用户对商品的隐含特征偏好矩阵；D表示商品自身隐含的特征偏好矩阵；rij表示用户ui对商品vj的评分；函数f的目标是使特征举证U和D逼近rij组成的评分矩阵R；I表示评分矩阵中的评分集合；Ui表示用户ui隐含的偏好特征向量；Dj表示商品vj包含的隐含特征向量；
Figure BDA0003779973720000072
表示用户ui的评分次数；λ表示正则项系数；
Figure BDA0003779973720000073
表示用户ui对商品vj的偏好的预测值。
步骤S5中，利用规则匹配算法优化商品推荐列表的具体步骤如下：
步骤S51：获取ALS得到商品推荐列表Top20；
步骤S52：构建商品功能表、商品故障表、商品销量表和商品评价表；
步骤S53：根据步骤S52中的四种表构建优化规则；
步骤S44：使用优化规则对Top20推荐列表进行优化；
步骤S45：选择优化后的Top10推荐给用户。
步骤S6中，根据该检索商品对应的型号和材质，进而从数据库中调取该电商平台各店铺商品对应的型号匹配影响系数和该电商平台各店铺商品对应的材质匹配影响系数，将该电商平台各店铺商品对应的售价分别与该待检索商品对应的售价进行对比，进而统计该电商平台各店铺商品对应的售价匹配影响系数。
步骤S7中，商品综合匹配推荐分析根据该电商平台各店铺商品质量匹配影响系数、该电商平台各店铺商品轮廓综合重叠度影响系数、各店铺商品参数对应的综合匹配影响系数统计该电商平台各店铺商品对应的综合匹配推荐影响系数，并将统计的该电商平台各店铺商品对应的综合匹配推荐影响系数按照从大到小的顺序进行排序，提取排名第一位的店铺和该店铺对应的编号。
步骤S8中，根据排名第一位的店铺和该店铺对应的编号，进而获取该店铺对应推荐商品对应的链接，将该推荐店铺对应的推荐商品的链接发送至该用户端对应的检索界面并进行显示。
值得注意的是，上述系统实施例中，所包括的各个单元只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
另外，本领域普通技术人员可以理解实现上述各实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，相应的程序可以存储于一计算机可读取存储介质中。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。

Claims (10)

1.一种电子商务购物平台商品智能匹配推荐方法，其特征在于，包括如下步骤：
步骤S1：将电商平台对应的店铺按照预设顺序进行编号，并获取该电商平台各店铺对应的基本信息；
步骤S2：收集用户在购物平台的行为日志作为初始数据；
步骤S3：对初始数据进行预处理获取用户的偏好数据；
步骤S4：将用户偏好数据和ALS推荐算法模型结合得到商品推荐列表；
步骤S5：基于用户喜好的搭配推荐以及特殊需求，利用规则匹配算法优化商品推荐列表；
步骤S6：获取列表商品对应的型号、材质和售价，对入选列表的商品参数进行分析；
步骤S7：结合售价匹配系数对商品综合匹配推荐分析；
步骤S8：以列表的形式，显示店铺和店铺对应的编号，并附加店铺推荐商品对应的购买链接。
2.根据权利要求1所述的一种电子商务购物平台商品智能匹配推荐方法，其特征在于，所述步骤S1之前，用户需要先完成该电商平台的账号注册，该电商平台发信息认证指令给该用户，该用户填写认证信息并完成该电商平台的登录。
3.根据权利要求1所述的一种电子商务购物平台商品智能匹配推荐方法，其特征在于，所述步骤S1中，将电商平台对应的店铺按照预设顺序进行编号，并获取该电商平台各店铺对应的基本信息；其中，店铺的基本信息包括店铺名称、店铺商品种类和店铺商品特征，进而构建电商平台店铺基本信息集合。
4.根据权利要求1所述的一种电子商务购物平台商品智能匹配推荐方法，其特征在于，所述步骤S2中，行为日志包括关键词搜索、图像采集搜索和视频采集搜索；所述关键词搜索用于输入待检索的商品名称；所述图像采集搜索用于输入该待检索的商品图像，进行图像处理去除背景获取待检索图像的正面图像和背面图像；所述视频采集搜索用于数据的该待检索商品对应的各角度视频，并将该待检索商品对应的各角度视频转化为视频序列，进而获取该待检索商品对应的各角度视频对应的各帧图像，并将该待检索商品对应的各角度视频对应的各帧图像进行对比筛选，进而获取该待检索商品对应的正面图像和背面图像。
5.根据权利要求1所述的一种电子商务购物平台商品智能匹配推荐方法，其特征在于，所述步骤S3中，用户偏好数据采用交替最小二乘法，定义一个三元组<User，Item，Rate>来分别表示用户、商品和评分之间的关系。
6.根据权利要求1所述的一种电子商务购物平台商品智能匹配推荐方法，其特征在于，所述步骤S4中，将用户对商品的评分矩阵分解为用户对商品隐含特性的偏好矩阵和菜品所包含的隐含特征矩阵，利用ALS推荐算法模型分解出的矩阵进行多次迭代；ALS推荐算法模型公式为：
Figure FDA0003779973710000021
式中，U表示用户对商品的隐含特征偏好矩阵；D表示商品自身隐含的特征偏好矩阵；rij表示用户ui对商品vj的评分；函数f的目标是使特征举证U和D逼近rij组成的评分矩阵R；I表示评分矩阵中的评分集合；Ui表示用户ui隐含的偏好特征向量；Dj表示商品vj包含的隐含特征向量；
Figure FDA0003779973710000031
表示用户ui的评分次数；λ表示正则项系数；
Figure FDA0003779973710000032
表示用户ui对商品vj的偏好的预测值。
7.根据权利要求1所述的一种电子商务购物平台商品智能匹配推荐方法，其特征在于，所述步骤S5中，利用规则匹配算法优化商品推荐列表的具体步骤如下：
步骤S51：获取ALS得到商品推荐列表Top20；
步骤S52：构建商品功能表、商品故障表、商品销量表和商品评价表；
步骤S53：根据步骤S52中的四种表构建优化规则；
步骤S44：使用优化规则对Top20推荐列表进行优化；
步骤S45：选择优化后的Top10推荐给用户。
8.根据权利要求1所述的一种电子商务购物平台商品智能匹配推荐方法，其特征在于，所述步骤S6中，根据该检索商品对应的型号和材质，进而从数据库中调取该电商平台各店铺商品对应的型号匹配影响系数和该电商平台各店铺商品对应的材质匹配影响系数，将该电商平台各店铺商品对应的售价分别与该待检索商品对应的售价进行对比，进而统计该电商平台各店铺商品对应的售价匹配影响系数。
9.根据权利要求1所述的一种电子商务购物平台商品智能匹配推荐方法，其特征在于，所述步骤S7中，商品综合匹配推荐分析根据该电商平台各店铺商品质量匹配影响系数、该电商平台各店铺商品轮廓综合重叠度影响系数、各店铺商品参数对应的综合匹配影响系数统计该电商平台各店铺商品对应的综合匹配推荐影响系数，并将统计的该电商平台各店铺商品对应的综合匹配推荐影响系数按照从大到小的顺序进行排序，提取排名第一位的店铺和该店铺对应的编号。
10.根据权利要求1所述的一种电子商务购物平台商品智能匹配推荐方法，其特征在于，所述步骤S8中，根据排名第一位的店铺和该店铺对应的编号，进而获取该店铺对应推荐商品对应的链接，将该推荐店铺对应的推荐商品的链接发送至该用户端对应的检索界面并进行显示。
CN202210927050.9A 2022-08-03 2022-08-03 一种电子商务购物平台商品智能匹配推荐方法 Pending CN115170247A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210927050.9A CN115170247A (zh) 2022-08-03 2022-08-03 一种电子商务购物平台商品智能匹配推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210927050.9A CN115170247A (zh) 2022-08-03 2022-08-03 一种电子商务购物平台商品智能匹配推荐方法

Publications (1)

Publication Number Publication Date
CN115170247A true CN115170247A (zh) 2022-10-11

Family

ID=83477854

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210927050.9A Pending CN115170247A (zh) 2022-08-03 2022-08-03 一种电子商务购物平台商品智能匹配推荐方法

Country Status (1)

Country Link
CN (1) CN115170247A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116051241A (zh) * 2023-02-01 2023-05-02 浙江红太阳企业管理咨询有限公司 一种基于大数据的电商管理平台
CN116963006A (zh) * 2023-07-27 2023-10-27 深圳微品致远信息科技有限公司 基于5g消息的内容自动化运营系统
CN117520864A (zh) * 2024-01-08 2024-02-06 四川易利数字城市科技有限公司 一种数据要素多特征融合智能匹配方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116051241A (zh) * 2023-02-01 2023-05-02 浙江红太阳企业管理咨询有限公司 一种基于大数据的电商管理平台
CN116051241B (zh) * 2023-02-01 2023-12-12 变购(武汉)物联网科技有限公司 一种基于大数据的电商管理平台
CN116963006A (zh) * 2023-07-27 2023-10-27 深圳微品致远信息科技有限公司 基于5g消息的内容自动化运营系统
CN117520864A (zh) * 2024-01-08 2024-02-06 四川易利数字城市科技有限公司 一种数据要素多特征融合智能匹配方法
CN117520864B (zh) * 2024-01-08 2024-03-19 四川易利数字城市科技有限公司 一种数据要素多特征融合智能匹配方法

Similar Documents

Publication Publication Date Title
CN115170247A (zh) 一种电子商务购物平台商品智能匹配推荐方法
CN110222272B (zh) 一种潜在客户挖掘与推荐方法
CN110458627B (zh) 一种面向用户动态偏好的商品序列个性化推荐方法
CN111932336A (zh) 一种基于长短期兴趣偏好的商品列表推荐方法
KR20200088131A (ko) 그래프 데이터베이스를 이용한 상품 추천 방법 및 장치
CN106844787A (zh) 一种为汽车行业寻找目标用户并匹配目标产品的推荐方法
CN104809637B (zh) 计算机实现的商品推荐方法及系统
CN108022152A (zh) 基于图像识别的用户商品自动推荐系统及推荐方法
CN109840796B (zh) 决策因素分析装置与决策因素分析方法
CN112102037A (zh) 一种基于大数据的直播电商平台商品内容智能推送管理系统
CN109871858A (zh) 预测模型建立、对象推荐方法及系统、设备及存储介质
CN103902549B (zh) 搜索数据排序的方法和装置，数据搜索的方法和装置
CN104298787A (zh) 一种基于融合策略的个性化推荐方法及装置
CN106157156A (zh) 一种基于用户社区的协作推荐系统
CN110874787A (zh) 推荐模型的效果评测方法和相关装置
CN110727859B (zh) 一种推荐信息推送方法及其装置
CN113946754A (zh) 基于用户画像的权益推荐方法、装置、设备及存储介质
CN112565816A (zh) 基于大数据分析的电子商务视频直播平台
KR102518389B1 (ko) 고객 빅데이터를 활용한 상품 추천 방법, 장치 및 시스템
CN114861050A (zh) 一种基于神经网络的特征融合推荐方法及系统
KR20160131477A (ko) 연관 검색어를 이용한 관심사 카테고리 기반 이커머스 시스템
CN115860875A (zh) 一种基于双线性池化的多模态知识融合的商品推荐方法
CN115392947A (zh) 需求量预测方法以及装置
CN116167825A (zh) 基于电子商务的商品推荐方法、装置、设备及存储介质
CN116720928A (zh) 基于人工智能的电商个性化精准导购方法

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