CN115375414B - 一种基于大数据的社区团购商品推荐方法、装置、电子设备及储存介质 - Google Patents
一种基于大数据的社区团购商品推荐方法、装置、电子设备及储存介质 Download PDFInfo
- Publication number
- CN115375414B CN115375414B CN202211306344.6A CN202211306344A CN115375414B CN 115375414 B CN115375414 B CN 115375414B CN 202211306344 A CN202211306344 A CN 202211306344A CN 115375414 B CN115375414 B CN 115375414B
- Authority
- CN
- China
- Prior art keywords
- information
- attribute information
- behavior information
- standard
- customer
- 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
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
- 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]
- G06Q30/0605—Supply or demand aggregation
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请公开了一种基于大数据的社区团购商品推荐方法、装置、电子设备及储存介质,该方法包括获取所述社区内客户的属性信息,所述属性信息包括客户的年龄、租住情况和性别;根据所述属性信息确定标准客户的标准属性信息;获取所述社区内客户的行为信息,所述行为信息包括用户点击记录、用户浏览记录和用户购买记录;根据所述行为信息确定所述标准客户的标准行为信息;根据所述标准属性信息、所述标准行为信息和目标模型,确定目标商品信息;以及根据所述目标商品信息,推荐所述团购商品。通过该方法能够较为准确推荐团购商品,且能够根据社区内人员的流动和实际的购物历史来动态推荐团购商品。
Description
技术领域
本申请属于大数据分析技术领域,具体涉及一种基于大数据的社区团购商品推荐方法、装置、电子设备及储存介质。
背景技术
目前大数据的研究已经进入了应用的层面,各行各业都在进行大数据的实际应用研究。
随着社区化聚集生活的形成,人们越来越依赖于网络购物,现在也存在各种各样的网络购物平台,网络购物平台上也充满了各式各样的商品。网络购物平台的管理者面临着主动推荐商品的问题,推荐出来的商品能够获得更多的用户青睐,形成了团购,也通过团购的方式来获得更多的销售量,当然,如果推荐错误也会造成用户对于网络购物平台的不信任。现阶段的团购商品推荐方法都较为随机,并没有根据客观的社区人员和购买行为来动态推荐社区团购商品,造成了往往推荐出来的社区团购商品并不能形成真正的团购,购买量低,对网络购物平台的信誉造成影响。
发明内容
本申请为了克服现有技术的不足,提供一种基于大数据的社区团购商品推荐方法,应用于服务器,能够实现根据社区内客户的属性信息和行为信息来分析训练目标模型,以及根据社区内客户的属性信息和行为信息来形成标准属性信息和标准行为信息,然后根据标准属性信息、标准行为信息以及目标模型来确定目标商品信息,并根据目标商品信息来推荐团购商品,这使得能够根据社区内人员的不断流动以及购买历史来动态推荐团购商品,能够更加准确地推荐出符合社区人员的团购商品,从而实现更多的购买量。
该方法包括如下步骤:
获取所述社区内客户的属性信息,所述属性信息包括客户的年龄、租住情况和性别;
根据所述属性信息确定标准客户的标准属性信息;
获取所述社区内客户的行为信息,所述行为信息包括用户点击记录、用户浏览记录和用户购买记录;
根据所述行为信息确定所述标准客户的标准行为信息;
根据所述标准属性信息、所述标准行为信息和目标模型,确定目标商品信息;以及
根据所述目标商品信息,推荐所述团购商品;
其中,所述目标模型的训练包括:
进行第k次迭代训练,将所述属性信息和所述行为信息输入第k-1次迭代训练所确定的目标模型,得到所述第k次迭代训练的参数训练结果,其中,k为大于1的正整数;
基于所述第k次迭代训练的参数训练结果和所述行为信息中的所述用户购买记录,对所述第k-1次迭代训练所确定的目标模型的模型参数进行调整,基于调整后的所述模型参数进行第k+1次迭代训练,重复上述的迭代训练,直至训练满足预设条件。
进一步地,所述目标模型的算法为:
;
其中,为属性信息的特征值的平均值,为行为信息的特征值的平均值,为模型参数。
进一步地,所述预设条件为=0.5。
进一步地,计算所述属性信息的特征值的公式如下:
;
其中,为客户的年龄,为客户的租住情况,为客户的性别;
当客户为业主时,;
当客户为租客时,;
当客户为男性时,;
当客户为女性时,。
进一步地,计算所述行为信息的特征值的公式如下:
;
其中,为用户点击记录,为用户浏览记录,为用户购买记录。
进一步地,所述根据所述目标商品信息,推荐所述团购商品,包括:
根据所述目标商品信息,确定筛选阈值范围;
根据所述筛选阈值范围,筛选出符合所述筛选阈值范围的多个商品;
将所述多个商品的信息分别输入所述目标模型以获得模型参数;以及
推荐所述获得模型参数所对应的商品为所述团购商品。
进一步地,还提供了一种基于大数据的社区团购商品推荐装置,所述装置包括:
第一获取模块,用于获取所述社区内客户的属性信息,所述属性信息包括客户的年龄、租住情况和性别;
第一生成模块,用于根据所述属性信息确定标准客户的标准属性信息;
第二获取模块,用于获取所述社区内客户的行为信息,所述行为信息包括用户点击记录、用户浏览记录和用户购买记录;
第二生成模块,用于根据所述行为信息确定所述标准客户的标准行为信息;
计算模块,用于根据所述标准属性信息、所述标准行为信息和目标模型,确定目标商品信息;以及
推荐模块,用于根据所述目标商品信息,推荐所述团购商品;
其中,所述目标模型的训练包括:
进行第k次迭代训练,将所述属性信息和所述行为信息输入第k-1次迭代训练所确定的目标模型,得到所述第k次迭代训练的参数训练结果,其中,k为大于1的正整数;
基于所述第k次迭代训练的参数训练结果和所述行为信息中的所述用户购买记录,对所述第k-1次迭代训练所确定的目标模型的模型参数进行调整,基于调整后的所述模型参数进行第k+1次迭代训练,重复上述的迭代训练,直至训练满足预设条件。
进一步地,还提供了一种电子设备,所述电子设备包括:
存储器,用于存储可执行指令;以及
处理器,用于执行所述存储器中存储的可执行指令时,实现上述一种基于大数据的社区团购商品推荐方法。
进一步地,还提供了一种计算机可读存储介质,存储有可执行指令,所述可执行指令被处理器执行时实现上述一种基于大数据的社区团购商品推荐方法。
附图说明
图1为本申请的社区团购商品推荐方法的流程图;
图2为本申请的装置的结构示意图;
图3为本申请的电子设备的结构示意图。
具体实施方式
在本申请的描述中,需要理解的是,术语等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本申请和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本申请的限制。
本申请基于大数据的分析技术,提出了一种基于大数据的社区团购商品推荐方法,该推荐方法针对社区内客户进行推荐团购的商品,在一社区内,客户的流动或者其购买历史都会对其整体的喜好造成影响,而团购作为一种想要达到大量购买的效果,对于整体的客户的购买意愿有着很强的像关系。该方法包括如下步骤:
获取一社区内客户的属性信息,该属性信息包括客户的年龄、租住情况和性别,通过分析社区内客户的属性信息,能够对一社区内的人员的结构和组成进行掌握,熟知该社区内的人员构成,以便能够更好地进行推荐团购商品,这样能够做到推荐对象的明确化。
根据属性信息确定标准客户的标准属性信息,在整体掌握分析了社区内客户的年龄、租住情况和性别后通过大数据的分析来获得标准属性信息,其中具体的,对于单独一个客户的分析可以通过以下公式来获得该客户的属性信息的特征值。
;(1)
其中,为客户的年龄,为客户的租住情况,为客户的性别;
当客户为业主时,;
当客户为租客时,;
当客户为男性时,;
当客户为女性时,。
通过上述的公式(1)来获得每个客户的属性信息的特征值,然后通过平均所有的客户的属性信息的特征值来获得标准属性信息。
获取社区内客户的行为信息,行为信息包括用户点击记录、用户浏览记录和用户购买记录。通过对社区内客户的行为信息进行分析,来获得社区内客户的对于购物的喜好和倾向。用户点击记录可以为某一商品的点击数;用户浏览记录可以为用户在某一商品的浏览时间;用户购买记录可以为用户对于某一商品的购买次数。当然,用户点击记录、用户浏览记录和用户购买记录也可以为用户的其他行为记录。
根据行为信息确定标准客户的标准行为信息,在整体掌握分析了社区内客户的用户点击记录、用户浏览记录和用户购买记录后通过大数据的分析来获得标准行为信息,其中具体的,对于单独一个客户的分析可以通过以下公式来获得该客户的行为信息的特征值。
;(2)
其中,为用户点击记录,为用户浏览记录,为用户购买记录。
通过上述的公式(2)来获得每个客户的行为信息的特征值,然后通过平均所有的客户的行为信息的特征值来获得标准行为信息。
根据标准属性信息、标准行为信息和目标模型,确定目标商品信息。该目标模型通过一算法来实现,通过对目标模型的输入标准属性信息、标准行为信息来获得目标商品信息。
该目标模型的算法为:
;
其中,为属性信息的特征值的平均值,为行为信息的特征值的平均值,为模型参数。通过公式(1)来计算,通过公式(2)来计算。
根据目标商品信息,推荐团购商品。可以根据目标商品信息来确定筛选阈值范围,该筛选阈值范围可以是目标商品信息*(80%-120%);根据该筛选阈值范围,筛选出符合该筛选阈值范围的多个商品;将多个商品的信息分别输入目标模型以获得模型参数;以及推荐获得模型参数所对应的商品为团购商品。因此可以在根据目标商品信息推荐团购商品时能够实现反馈修正,通过确定筛选阈值范围来获得多个商品,然后通过多个商品来验证能够使得模型参数,可以的话说明该商品的可能受众是最多的,因此可以推荐该商品作为团购商品。
在一些实施例中,该目标模型的训练可以通过社区内的多个或者所有的客户的信息进行不断训练以获得更加准确的符合实际的目标模型。具体的可以以第次迭代训练来说。在进行第次迭代训练时,将属性信息和行为信息输入第k-1次迭代训练所确定的目标模型,得到第次迭代训练的参数训练结果,其中,为大于1的正整数;基于第次迭代训练的参数训练结果和行为信息中的用户购买记录,对第k-1次迭代训练所确定的目标模型的模型参数进行调整,基于调整后的模型参数进行第k+1次迭代训练,重复上述的迭代训练,直至训练满足预设条件。
在一些实施例中,该预设条件为=0.5,该值一般可以表示商品被购买的用户数量占比,呈类似正态分布的情形,因此,当该值为0.5时表示用户对于该商品有着强烈的购买意愿,在一社区内则表示有意购买该商品的客户量最多。
以配合上述推荐方法,一种基于大数据的社区团购商品推荐装置200包括:
第一获取模块201,用于获取社区内客户的属性信息,属性信息包括客户的年龄、租住情况和性别;
第一生成模块202,用于根据属性信息确定标准客户的标准属性信息;
第二获取模块203,用于获取社区内客户的行为信息,行为信息包括用户点击记录、用户浏览记录和用户购买记录;
第二生成模块204,用于根据行为信息确定所述标准客户的标准行为信息;
计算模块205,用于根据标准属性信息、标准行为信息和目标模型,确定目标商品信息;以及
推荐模块206,用于根据目标商品信息,推荐团购商品。
本申请通过提供一种基于大数据的社区团购商品的推荐方法和装置,能够实现根据社区内客户的属性信息和行为信息来分析训练目标模型,以及根据社区内客户的属性信息和行为信息来形成标准属性信息和标准行为信息,然后根据标准属性信息、标准行为信息以及目标模型来确定目标商品信息,并根据目标商品信息来推荐团购商品,这使得能够根据社区内人员的不断流动以及购买历史来动态推荐团购商品,能够更加准确地推荐出符合社区人员的团购商品,从而实现更多的购买量。
上述基于大数据的社区团购商品的推荐装置可以实现为计算机程序的形式。本公开实施例所提到的计算机设备可提供为一种服务器。图3是根据一示例性实施例示出的一种服务器的框图,该服务器600可因配置或性能不同而产生比较大的差异,可以包括一个或多个处理器(Central Processing Units,CPU)601和一个或多个的存储器602,其中,该一个或多个存储器602中存储有至少一条程序代码,该至少一条程序代码由该一个或多个处理器601加载并执行以实现上述各个方法实施例提供的资源推荐方法中服务器执行的过程。当然,该服务器600还可以具有有线或无线网络接口、键盘以及输入输出接口等部件,以便进行输入输出,该服务器600还可以包括其他用于实现设备功能的部件,在此不做赘述。
在示例性实施例中,还提供了一种包括程序代码的计算机可读存储介质,例如包括程序代码的存储器602,上述程序代码可由服务器600的处理器601执行以完成上述资源推荐方法。可选地,计算机可读存储介质可以是ROM(Read-Only Memory,只读内存)、RAM(RandomAccess Memory,随机存取存储器)、CD-ROM(Compact-Disc Read-Only Memory,只读光盘)、磁带、软盘和光数据存储设备等。
在示例性实施例中,还提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述的资源推荐方法。
在一些实施例中,本公开实施例所涉及的计算机程序可被部署在一个计算机设备上执行,或者在位于一个地点的多个计算机设备上执行,又或者,在分布在多个地点且通过通信网络互连的多个计算机设备上执行,分布在多个地点且通过通信网络互连的多个计算机设备可以组成区块链系统。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其它实施方案。本公开旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由下面的权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (4)
1.一种基于大数据的社区团购商品推荐方法,应用于服务器,其特征在于,包括如下步骤:
获取所述社区内客户的属性信息,所述属性信息包括客户的年龄、租住情况和性别;
根据所述属性信息确定标准客户的标准属性信息;
获取所述社区内客户的行为信息,所述行为信息包括用户点击记录、用户浏览记录和用户购买记录;
根据所述行为信息确定所述标准客户的标准行为信息;
根据所述标准属性信息、所述标准行为信息和目标模型,确定目标商品信息;以及
根据所述目标商品信息,推荐所述团购商品;
其中,所述目标模型的训练包括:
进行第k次迭代训练,将所述属性信息和所述行为信息输入第k-1次迭代训练所确定的目标模型,得到所述第k次迭代训练的参数训练结果,其中,k为大于1的正整数;
基于所述第k次迭代训练的参数训练结果和所述行为信息中的所述用户购买记录,对所述第k-1次迭代训练所确定的目标模型的模型参数进行调整,基于调整后的所述模型参数进行第k+1次迭代训练,重复上述的迭代训练,直至训练满足预设条件;
所述目标模型的算法为:
;
其中,为属性信息的特征值的平均值,为行为信息的特征值的平均值,为模型参数;
计算所述属性信息的特征值的公式1如下:
;
其中,为客户的年龄,为客户的租住情况,为客户的性别;
当客户为业主时,;
当客户为租客时,;
当客户为男性时,;
当客户为女性时,;
通过上述的公式1来获得每个客户的属性信息的特征值,并通过平均所有的客户的属性信息的特征值来获得所述标准属性信息;
计算所述行为信息的特征值的公式2如下:
;
其中,为用户点击记录,为用户浏览记录,为用户购买记录
通过上述的公式2来获得每个客户的行为信息的特征值,并通过平均所有的客户的行为信息的特征值来获得所述标准行为信息。
2.一种基于大数据的社区团购商品推荐装置,其特征在于,所述装置包括:
第一获取模块,用于获取所述社区内客户的属性信息,所述属性信息包括客户的年龄、租住情况和性别;
第一生成模块,用于根据所述属性信息确定标准客户的标准属性信息;
第二获取模块,用于获取所述社区内客户的行为信息,所述行为信息包括用户点击记录、用户浏览记录和用户购买记录;
第二生成模块,用于根据所述行为信息确定所述标准客户的标准行为信息;
计算模块,用于根据所述标准属性信息、所述标准行为信息和目标模型,确定目标商品信息;以及
推荐模块,用于根据所述目标商品信息,推荐所述团购商品;
其中,所述目标模型的训练包括:
进行第k次迭代训练,将所述属性信息和所述行为信息输入第k-1次迭代训练所确定的目标模型,得到所述第k次迭代训练的参数训练结果,其中,k为大于1的正整数;
基于所述第k次迭代训练的参数训练结果和所述行为信息中的所述用户购买记录,对所述第k-1次迭代训练所确定的目标模型的模型参数进行调整,基于调整后的所述模型参数进行第k+1次迭代训练,重复上述的迭代训练,直至训练满足预设条件;
所述目标模型的算法为:
;
其中,为属性信息的特征值的平均值,为行为信息的特征值的平均值,为模型参数;
计算所述属性信息的特征值的公式1如下:
;
其中,为客户的年龄,为客户的租住情况,为客户的性别;
当客户为业主时,;
当客户为租客时,;
当客户为男性时,;
当客户为女性时,;
通过上述的公式1来获得每个客户的属性信息的特征值,并通过平均所有的客户的属性信息的特征值来获得所述标准属性信息;
计算所述行为信息的特征值的公式2如下:
;
其中,为用户点击记录,为用户浏览记录,为用户购买记录;
通过上述的公式2来获得每个客户的行为信息的特征值,并通过平均所有的客户的行为信息的特征值来获得所述标准行为信息。
3.一种电子设备,其特征在于,
所述电子设备包括:
存储器,用于存储可执行指令;以及
处理器,用于执行所述存储器中存储的可执行指令时,实现权利要求1所述的一种基于大数据的社区团购商品推荐方法。
4.一种计算机可读存储介质,存储有可执行指令,其特征在于,
所述可执行指令被处理器执行时实现权利要求1所述的一种基于大数据的社区团购商品推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211306344.6A CN115375414B (zh) | 2022-10-25 | 2022-10-25 | 一种基于大数据的社区团购商品推荐方法、装置、电子设备及储存介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211306344.6A CN115375414B (zh) | 2022-10-25 | 2022-10-25 | 一种基于大数据的社区团购商品推荐方法、装置、电子设备及储存介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115375414A CN115375414A (zh) | 2022-11-22 |
CN115375414B true CN115375414B (zh) | 2023-04-07 |
Family
ID=84074225
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211306344.6A Active CN115375414B (zh) | 2022-10-25 | 2022-10-25 | 一种基于大数据的社区团购商品推荐方法、装置、电子设备及储存介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115375414B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114820123A (zh) * | 2022-04-22 | 2022-07-29 | 廊坊昀泰科技有限公司 | 团购商品推荐方法、装置、设备及存储介质 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150379609A1 (en) * | 2014-06-30 | 2015-12-31 | Kobo Incorporated | Generating recommendations for unfamiliar users by utilizing social side information |
CN105469263A (zh) * | 2014-09-24 | 2016-04-06 | 阿里巴巴集团控股有限公司 | 一种商品推荐方法及装置 |
CN106708821A (zh) * | 2015-07-21 | 2017-05-24 | 广州市本真网络科技有限公司 | 基于用户个性化购物行为进行商品推荐的方法 |
CN107633430A (zh) * | 2017-09-20 | 2018-01-26 | 哈尔滨工业大学 | 一种基于群体社区的商品推荐方法 |
CN109191240B (zh) * | 2018-08-14 | 2021-06-08 | 北京九狐时代智能科技有限公司 | 一种进行商品推荐的方法和装置 |
CN111260449B (zh) * | 2020-02-17 | 2023-04-07 | 腾讯科技(深圳)有限公司 | 一种模型训练的方法、商品推荐的方法、装置及存储介质 |
-
2022
- 2022-10-25 CN CN202211306344.6A patent/CN115375414B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114820123A (zh) * | 2022-04-22 | 2022-07-29 | 廊坊昀泰科技有限公司 | 团购商品推荐方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115375414A (zh) | 2022-11-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11790396B2 (en) | Preservation of scores of the quality of traffic to network sites across clients and over time | |
US10430859B2 (en) | System and method of generating a recommendation of a product or service based on inferring a demographic characteristic of a customer | |
US8620746B2 (en) | Scoring quality of traffic to network sites | |
JP5078910B2 (ja) | 観察したユーザの行動からの広告品質の推定 | |
US20120143718A1 (en) | Optimization of a web-based recommendation system | |
CN106095895B (zh) | 信息推送方法和装置 | |
US20140358694A1 (en) | Social media pricing engine | |
JP7271529B2 (ja) | 自動化されたアトリビューションモデリングおよび測定 | |
JP2005135071A (ja) | 商品購入における信頼値の算出方法及び装置 | |
WO2011143045A1 (en) | Performing geography-based advertising experiments | |
JP2009265747A (ja) | マーケティング支援システム、マーケティング支援方法、マーケティング支援プログラム及びコンピュータ読み取り可能な媒体 | |
JP6440661B2 (ja) | 判定装置、判定方法および判定プログラム | |
CN111340565B (zh) | 一种信息推荐方法、装置、设备及存储介质 | |
US20160189202A1 (en) | Systems and methods for measuring complex online strategy effectiveness | |
JP6530108B1 (ja) | 情報処理装置、情報処理方法、および情報処理プログラム | |
CN111429214A (zh) | 一种基于交易数据的买卖双方匹配方法及装置 | |
JP2009244981A (ja) | 解析装置、解析方法及び解析プログラム | |
CN115375414B (zh) | 一种基于大数据的社区团购商品推荐方法、装置、电子设备及储存介质 | |
Tibermacine et al. | Regression-based bootstrapping of web service reputation measurement | |
CN116362841A (zh) | 金融产品的推荐方法、装置、计算机设备及可读存储介质 | |
JP4962950B2 (ja) | ネットワーク上のユーザに対するレコメンデーションの方法、レコメンデーションサーバ及びプログラム | |
KR20010111913A (ko) | 전자상거래에서 데이터베이스 마케팅을 위한 복합적필터링장치 및 방법 | |
KR102329120B1 (ko) | 전자상거래와 연관된 쇼핑몰의 상품을 구매한 회원의 연령 추정 방법 및 장치, 및 시스템 | |
Gutowska et al. | Modelling the B2C Marketplace: Evaluation of a Reputation Metric for e-commerce | |
JP6068587B1 (ja) | ブランド価値解析装置、ブランド価値解析方法、及びプログラム |
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 |