CN115456656A - 消费者购买意向预测方法、装置、电子设备及存储介质 - Google Patents
消费者购买意向预测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN115456656A CN115456656A CN202110636935.9A CN202110636935A CN115456656A CN 115456656 A CN115456656 A CN 115456656A CN 202110636935 A CN202110636935 A CN 202110636935A CN 115456656 A CN115456656 A CN 115456656A
- Authority
- CN
- China
- Prior art keywords
- commodity
- target system
- user
- class
- detected
- 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
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
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0203—Market surveys; Market polls
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Mathematical Physics (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Computational Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Computing Systems (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Marketing (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种消费者购买意向预测方法、装置、电子设备及存储介质,其中所述方法包括:基于用户‑商品类兴趣指数矩阵、待检测用户的行为数据和目标系统用户的行为数据,从目标系统用户中确定与待检测用户的购物习惯相似度最高的第一预设数量个关联用户;根据关联用户和所述用户‑商品类兴趣指数矩阵,确定第一商品类集;根据第一商品类集和商品类目间关联度矩阵,确定第二商品类集;根据待检测用户与关联用户的相似度大小和所述第一商品类集与所述第二商品类集的关联度大小,在第一商品集和第二商品类集中确定第四预设数量个目标系统商品类,作为待检测用户的预测购买商品类,提高了对消费者购买意向预测结果的准确度。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种消费者购买意向预测方法、装置、电子设备及存储介质。
背景技术
在商品琳琅满目、各大电商平台激烈竞争的当下,如何在海量用户数据中挖掘潜在消费者、预测消费者购买意向,从而进行精准营销,这对提高企业竞争力和提升用户体验具有重要意义。
现有的购买意向预测算法大致可以分为基于内容的预测算法、基于用户的预测算法和混合算法三大类。基于内容的预测算法根据商品关键词,挖掘与用户关注过或购买过的商品的关键词相似性高的商品进行预测或推荐。基于用户的预测算法原理是,与用户具有相似兴趣的用户关注购买的商品很大可能同样受该用户喜欢。混合算法,会集成基于内容的预测算法和基于用户的预测算法,以加权或者串联、并联等方式进行模型集成,之后进行预测。
现有技术主要基于关联规则来对消费者购买意向进行预测,其思路为根据用户对某个类别下其他商品的评分或者购买次数、购买量来查找相似消费者,这些相似消费者关注过或购买过的商品作为最终的预测结果商品集。这些方案利用了消费者的评分信息、商品属性信息和用户行为信息作为初始训练集,忽略了商品之间的关联特征,同时也未对待预测者和相似用户的购物兴趣相似度进行计算和有效利用,数据信息利用率低,预测结果准确率不高。
发明内容
本发明提供一种消费者购买意向预测方法、装置、电子设备及存储介质,用以解决现有技术中数据信息利用率低,预测结果准确率不高的缺陷,实现对消费者购买意向的精准预测。
本发明提供一种消费者购买意向预测方法,包括:
基于用户-商品类兴趣指数矩阵、待检测用户的行为数据和目标系统用户的行为数据,从所述目标系统用户中确定与所述待检测用户的购物习惯相似度最高的第一预设数量个关联用户;
根据所述关联用户和所述用户-商品类兴趣指数矩阵,确定第一商品类集,其中,所述第一商品类集中包括第二预设数量个目标系统商品类;
根据所述第一商品类集和商品类目间关联度矩阵,确定第二商品类集,其中,所述第二商品类集中包括第三预设数量个目标系统商品类;
根据所述待检测用户与所述关联用户的相似度大小和所述第一商品类集与所述第二商品类集的关联度大小,在所述第一商品集和所述第二商品类集中确定第四预设数量个目标系统商品类,作为所述待检测用户的预测购买商品类。
根据本发明提供的消费者购买意向预测方法,所述基于用户-商品类兴趣指数矩阵、待检测用户的行为数据和目标系统用户的行为数据,确定与所述待检测用户的购物习惯相似度最高的第一预设数量个关联用户包括:
获取所述待检测用户的行为数据和目标系统用户的行为数据,其中所述行为数据包括有益行为数据、无益行为数据和中立行为数据;
根据所述用户-商品类兴趣指数矩阵确定所述待检测用户和所述目标系统用户对目标系统商品类的兴趣指数;
根据所述待检测用户的行为数据和目标系统用户的行为数据以及所述待检测用户和所述目标系统用户对目标系统商品类的兴趣指数,基于相似度计算公式,计算所述待检测用户和所述目标系统用户的行为数据的相似度;
根据所述相似度的大小,确定与所述待检测用户的购物习惯相似度最高的第一预设数量个关联用户;
其中,所述相似度计算公式如下:
其中,SimiLxy为待检测用户x与目标系统用户y的相似度大小,bxi为待检测用户的第i次有益行为数据,hxj为待检测用户的第j次无益行为数据,oxk为待检测用户的第k次中立行为数据,BeneFxα为待检测用户对第α个商品类的兴趣指数,byi为目标系统用户的第i次有益行为数据,hyj为目标系统用户的第j次无益行为数据,oyk为目标系统用户的第k次中立行为数据,BeneFyα为目标系统用户对第α个商品类的兴趣指数,p为有益行为总次数,q为无益行为总次数,ρ为中立行为次数,m为商品类总数量。
根据本发明提供的消费者购买意向预测方法,所述根据所述关联用户和用户-商品类兴趣指数矩阵,确定第一商品类集包括:
根据第一预设数量和第二预设数量确定每个关联用户的关联商品类数量;
根据所述每个关联用户的关联商品类数量和所述用户-商品类兴趣指数矩阵确定每个关联用户兴趣指数最高的关联商品类数量个关联商品类;
根据所述每个关联用户兴趣指数最高的关联商品类数量个关联商品类,确定所述第一商品类集。
根据本发明提供的消费者购买意向预测方法,所述根据所述待检测用户与所述关联用户的相似度大小和所述第一商品类集与所述第二商品类集的关联度大小,在所述第一商品集和所述第二商品类集中确定第四预设数量个商品类,作为所述待检测用户的预测购买商品类包括:
若所述目标系统商品类属于第一商品类集,则根据所述待检测用户与所述关联用户的购物习惯相似度大小,确定所述目标系统商品类的第一权重,将所述第一权重作为所述目标系统商品类的权重;
若所述目标系统商品类属于第二商品类集,则根据第二商品类集中的目标系统商品类与第一商品类集中的目标系统商品类的关联度大小,确定所述目标系统商品类的第二权重,将所述第二权重作为所述目标系统商品类的权重;
若所述目标系统商品类既属于第一商品类集又属于第二商品类集,则将所述第一权重与所述第二权重的和作为所述目标系统商品类的权重;
选取权重值最大的第四预设数量个目标系统商品类,作为所述待检测用户的预测购买商品类。
根据本发明提供的消费者购买意向预测方法,所述根据所述待检测用户与所述关联用户的购物习惯相似度大小,确定所述目标系统商品类的第一权重包括:
确定所述第一商品类集中对应的关联用户与所述待检测用户的相似度最大的目标系统商品类的第一权重为第一值,确定所述第一商品类集中对应的关联用户与所述待检测用户的相似度最小的目标系统商品类的第一权重为第二值;
根据所述第一值、所述第二值、所述相似度最大的目标系统商品类的第一权重和相似度最小的目标系统商品类的第一权重,确定第一权重与相似度的关联关系;
根据所述第一权重与相似度的关联关系,确定所述目标系统商品类的第一权重;
所述根据第二商品类集中商品类与第一商品类集中商品类的关联度大小,确定所述目标系统商品类的第二权重包括:
确定所述第二商品类集中与第一商品类集中的关联度最大的目标系统商品类的第二权重为第三值,确定所述第二商品类集中与第一商品类集中的关联度最小的目标系统商品类的第二权重为第四值;
根据所述第三值、所述第四值、所述关联度最大的目标系统商品类的第二权重和关联度最小的目标系统商品类的第二权重,确定第二权重与关联度的关联关系;
根据所述第二权重与关联度的关联关系,确定所述目标系统商品类的第二权重。
根据本发明提供的消费者购买意向预测方法,还包括:
根据目标系统用户对目标系统商品类的有益行为数据,基于兴趣指数计算公式计算每个目标系统用户对每个目标系统商品类的兴趣指数,其中,所述目标系统用户包括所述待检测用户;
根据所述每个目标系统用户对每个目标系统商品类的兴趣指数,建立所述用户-商品类兴趣指数矩阵;
其中,所述兴趣指数计算公式如下:
其中,BeneFxj为目标系统用户x对目标系统商品类j的兴趣指数,bn为目标系统用户x对目标系统商品类j的第n个有益行为数据,Bxj为为目标系统用户x对目标系统商品类j的有益行为总次数。
根据本发明提供的消费者购买意向预测方法,还包括:
根据目标系统用户对目标系统商品类的兴趣指数,基于关联度公式计算任意两个目标系统商品类的关联度;
根据所述任意两个目标系统商品类的关联度,建立所述商品类目间关联度矩阵;
其中,所述关联度计算公式如下:
其中,R(pa,pb)为商品类a与商品集b的关联度,BeneFya为目标系统用户y对商品类a的兴趣指数,BeneFyb为目标系统用户y对商品类b的兴趣指数,s为目标系统用户的总数,n为均值化参数,通过n将R(pa,pb)的值均值化到[0,1]的取值范围内。
本发明还提供一种消费者购买意向预测装置,包括:
关联用户确定模块,用于基于用户-商品类兴趣指数矩阵、待检测用户的行为数据和目标系统用户的行为数据,从所述目标系统用户中确定与所述待检测用户的购物习惯相似度最高的第一预设数量个关联用户;
第一商品类集确定模块,用于根据所述关联用户和所述用户-商品类兴趣指数矩阵,确定第一商品类集,其中,所述第一商品类集中包括第二预设数量个目标系统商品类;
第二商品类集确定模块,用于根据所述第一商品类集和商品类目间关联度矩阵,确定第二商品类集,其中,所述第二商品类集中包括第三预设数量个目标系统商品类;
购买意向预测模块,用于根据所述待检测用户与所述关联用户的相似度大小和所述第一商品类集与所述第二商品类集的关联度大小,在所述第一商品集和所述第二商品类集中确定第四预设数量个目标系统商品类,作为所述待检测用户的预测购买商品类。
本发明还提供一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述程序时实现所述消费者购买意向预测方法的步骤。
本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现所述消费者购买意向预测方法的步骤。
本发明提供的消费者购买意向预测方法、装置、电子设备及存储介质,通过对用户行为数据的相似度进行分析,得到第一商品类集,再对商品间相似度进行分析,得到第二商品类集,将商品间的关联性和用户行为数据相似度进行融合,提高了对消费者购买意向预测结果的准确度。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图做一简单地介绍,显而易见地,下面描述中的附图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为本发明实施例提供的消费者购买意向预测方法的流程示意图;
图2为本发明提供的建立所述用户-商品类兴趣指数矩阵的流程示意图;
图3为本发明提供的建立所述商品类目间关联度矩阵的流程示意图;
图4为本发明提供的消费者购买意向预测装置的结构示意图
图5是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例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。
图1为本发明实施例提供的消费者购买意向预测方法的流程示意图,如图1所示,包括以下步骤:
步骤100、基于用户-商品类兴趣指数矩阵、待检测用户的行为数据和目标系统用户的行为数据,从所述目标系统用户中确定与所述待检测用户的购物习惯相似度最高的第一预设数量个关联用户。
其中,用户-商品类兴趣指数矩阵中记录了全部的目标系统用户对全部的目标系统商品类的兴趣指数。第一预设数量是预先设定的,第一预设数量的大小可根据对目标系统的投资预算进行调节,第一预设数量越大,确定的关联用户越多,在其他条件不变的情况下,投资也就越高。
具体地,根据待检测用户的行为数据,可以确定待检测用户对目标系统商品类的兴趣指数。通过将待检测用户的行为数据与目标系统用户的行为数据进行对比,将将待检测用户对目标系统商品类的兴趣指数与目标系统用户对目标系统商品类的兴趣指数进行对比,可以确定待检测用户与每一个目标系统用户的购物习惯相似度,根据第一预设数量,从目标系统用户中确定与待检测用户的购物习惯相似度最高的第一预设数量个关联用户。
步骤101、根据所述关联用户和所述用户-商品类兴趣指数矩阵,确定第一商品类集,其中,所述第一商品类集中包括第二预设数量个目标系统商品类。
其中,第二预设数量是预先设定的,第二预设数量的大小可根据对目标系统的投资预算进行调节,第二预设数量越大,第一商品类集中的目标系统商品类越多,在其他条件不变的情况下,投资也就越高。
具体地,根据用户-商品类兴趣指数矩阵,可以确定每个关联用户对目标系统商品类的兴趣指数。根据全部的关联用户的兴趣指数最高的目标系统商品类,确定包括第二预设数量个目标系统商品类的第一商品类集。
步骤102、根据所述第一商品类集和商品类目间关联度矩阵,确定第二商品类集,其中,所述第二商品类集中包括第三预设数量个目标系统商品类。
其中,商品类目间关联度矩阵记录了每两个目标系统商品类之间的关联度。第三预设数量是预先设定的,第三预设数量的大小可根据对目标系统的投资预算进行调节,第一预设数量越大,第二商品类集中的目标系统商品类越多,在其他条件不变的情况下,投资也就越高。
具体的,根据商品类目间关联度矩阵,可以确定全部的目标系统商品类与第一商品类集中的目标系统商品类的关联度大小,根据第三预设数量,确定与第一商品类集中的目标系统商品类的关联度最大的第三预设数量个目标系统商品类作为第二商品类集。
步骤103、根据所述待检测用户与所述关联用户的相似度大小和所述第一商品类集与所述第二商品类集的关联度大小,在所述第一商品集和所述第二商品类集中确定第四预设数量个目标系统商品类,作为所述待检测用户的预测购买商品类。
其中,第四预设数量是预先设定的,第四预设数量的大小可根据对目标系统的投资预算进行调节,第四预设数量越大,待检测用户的预测购买商品类越多,在其他条件不变的情况下,投资也就越高。
具体地,第一商品类集是根据待检测用户的关联用户确定的,因此,可以根据关联用户与待检测用户的相似度大小确定第一商品类集中的目标系统商品类的权重,第二商品类集是根据全部的目标系统商品类与第一商品类集中的目标系统商品类的关联度大小确定的,因此,可以根据第二商品类集中的目标系统商品类与第一商品类集中的目标系统商品类的关联度大小,确定第二商品类集中的目标系统商品类的权重。根据最终确定的权重,在所述第一商品集和所述第二商品类集中确定权重最高的第四预设数量个目标系统商品类,作为所述待检测用户的预测购买商品类。
本发明实施例,通过对用户行为数据的相似度进行分析,得到第一商品类集,再对商品间相似度进行分析,得到第二商品类集,将商品间的关联性和用户行为数据相似度进行融合,提高了对消费者购买意向预测结果的准确度。
在一个实施例中,基于用户-商品类兴趣指数矩阵、待检测用户的行为数据和目标系统用户的行为数据,确定与所述待检测用户的购物习惯相似度最高的第一预设数量个关联用户包括以下步骤:
获取所述待检测用户的行为数据和目标系统用户的行为数据,其中所述行为数据包括有益行为数据、无益行为数据和中立行为数据。
其中,有益行为数据、无益行为数据和中立行为数据为待检测用户和目标系统用户的对目标系统商品集的有益行为数据、无益行为数据和中立行为数据,获取行为数据的方式在此不做具体限定。
根据所述用户-商品类兴趣指数矩阵确定所述待检测用户和所述目标系统用户对目标系统商品类的兴趣指数。
可选地,若用户-商品类兴趣指数矩阵中记录了待检测用户对目标系统商品类的兴趣指数,则直接从用户-商品类兴趣指数矩阵中确定待检测用户对目标系统商品类的兴趣指数,若用户-商品类兴趣指数矩阵中未记录待检测用户对目标系统商品类的兴趣指数通过兴趣指数计算公式计算待检测用户对目标系统商品类的兴趣指数,其中,所述兴趣指数计算公式如下:
其中,BeneFj为待检测用户对目标系统商品类j的兴趣指数,bn为待检测用户对目标系统商品类j的第n个有益行为数据,Bj为为待检测用户对目标系统商品类j的有益行为总次数。
根据所述待检测用户的行为数据和目标系统用户的行为数据以及所述待检测用户和所述目标系统用户对目标系统商品类的兴趣指数,基于相似度计算公式,计算所述待检测用户和所述目标系统用户的行为数据的相似度。
其中,所述相似度计算公式如下:
其中,SimiLxy为待检测用户x与目标系统用户y的相似度大小,bxi为待检测用户的第i次有益行为数据,hxj为待检测用户的第j次无益行为数据,oxk为待检测用户的第k次中立行为数据,BeneFxα为待检测用户对第α个商品类的兴趣指数,byi为目标系统用户的第i次有益行为数据,hyj为目标系统用户的第j次无益行为数据,oyk为目标系统用户的第k次中立行为数据,BeneFyα为目标系统用户对第α个商品类的兴趣指数,p为有益行为总次数,q为无益行为总次数,ρ为中立行为次数,m为商品类总数量。
根据所述相似度的大小,确定与所述待检测用户的购物习惯相似度最高的第一预设数量个关联用户。
具体地,相似度越大,则待检测用户与目标系统用户的购物习惯相似度越高,根据所述相似度的大小,确定与所述待检测用户的购物习惯相似度最高的第一预设数量个关联用户。
本发明实施例,根据待检测用户与目标系统用户的有益行为数据、无益行为数据、中立行为数据和对目标系统商品类的兴趣指数,确定待检测用户与目标系统用户的购物习惯相似度,提高了关联用户预测结果的准确性,进一步提高了对消费者购买意向预测结果的准确度。
在一个实施例中,所述根据所述关联用户和用户-商品类兴趣指数矩阵,确定第一商品类集包括:
根据第一预设数量和第二预设数量确定每个关联用户的关联商品类数量。
具体地,根据第一商品类集中的目标系统商品类数量和关联用户的数量,即根据第一预设数量和第二预设数量,可以确定第一商品类集中根据每个关联用户确定的目标系统商品类数量,即每个关联用户的关联商品类数量。
根据所述每个关联用户的关联商品类数量和所述用户-商品类兴趣指数矩阵确定每个关联用户兴趣指数最高的关联商品类数量个关联商品类。
具体地,根据用户-商品类兴趣指数矩阵可以确定每个关联用户对每一个目标系统商品类的兴趣指数高低,根据每个关联用户的关联商品类数量确定每个关联用户兴趣指数最高的关联商品类数量个关联商品类。
根据所述每个关联用户兴趣指数最高的关联商品类数量个关联商品类,确定所述第一商品类集。
具体地,所述第一商品类集中包括每个关联用户兴趣指数最高的关联商品类数量个关联商品类。
本发明实施例,根据每个关联用户的关联商品类,确定所述第一商品类集中的目标系统商品类,提高了第一商品类集的
在一个实施例中,所述根据所述待检测用户与所述关联用户的相似度大小和所述第一商品类集与所述第二商品类集的关联度大小,在所述第一商品集和所述第二商品类集中确定第四预设数量个商品类,作为所述待检测用户的预测购买商品类包括:
若所述目标系统商品类属于第一商品类集,则根据所述待检测用户与所述关联用户的购物习惯相似度大小,确定所述目标系统商品类的第一权重,将所述第一权重作为所述目标系统商品类的权重。
可以理解的是,待检测用户与关联用户的购物习惯相似度越高,则该关联用户的关联商品类的权重则越高,该关联商品类被确定为待检测用户的预测购买商品类的可能性也就越高。
若所述目标系统商品类属于第二商品类集,则根据第二商品类集中的目标系统商品类与第一商品类集中的目标系统商品类的关联度大小,确定所述目标系统商品类的第二权重,将所述第二权重作为所述目标系统商品类的权重。
可以理解的是,第二商品类集中的目标系统商品类与第一商品类集中的目标系统商品类的关联度越高,则该第二商品类集中的目标系统商品类的权重则越高,被确定为待检测用户的预测购买商品类的可能性也就越高。
若所述目标系统商品类既属于第一商品类集又属于第二商品类集,则将所述第一权重与所述第二权重的和作为所述目标系统商品类的权重。
具体地,若第一商品类集和第二商品类集的交集不为空,即存在目标系统商品类既属于第一商品类集又属于第二商品类集,则将所述第一权重与所述第二权重的和作为所述目标系统商品类的权重。
选取权重值最大的第四预设数量个目标系统商品类,作为所述待检测用户的预测购买商品类。
本发明实施例,根据相似度大小和关联度大小,为第一商品类和第二商品类中的目标系统商品类加权,并将第一商品类和第二商品类中重合的目标系统商品类的两个权重相加,根据最终的权重大小,确定待检测用户的预测购买商品类,提高了对消费者购买意向预测结果的准确度。
在一个实施例中,所述根据所述待检测用户与所述关联用户的购物习惯相似度大小,确定所述目标系统商品类的第一权重包括:
确定所述第一商品类集中对应的关联用户与所述待检测用户的相似度最大的目标系统商品类的第一权重为第一值,确定所述第一商品类集中对应的关联用户与所述待检测用户的相似度最小的目标系统商品类的第一权重为第二值。
可选地,所述第一值为1,所述第二值为0.1,即确定所述第一商品类集中对应的关联用户与所述待检测用户的相似度最大的目标系统商品类的第一权重为1,确定所述第一商品类集中对应的关联用户与所述待检测用户的相似度最小的目标系统商品类的第一权重为0.1。
根据所述第一值、所述第二值、所述相似度最大的目标系统商品类的第一权重和相似度最小的目标系统商品类的第一权重,确定第一权重与相似度的关联关系。
具体地,第一权重与相似度的关联关系的类型,在此不做具体限定,下面以第一权重与相似度为线性关联关系为例进行说明。
例如,假定第一权重与相似度为线性相关,关联关系为:y=kx+b,其中y为第一权重,x为相似度。根据所述最大相似度与第一值的对应关系和所述最小相似度与第二值的对应关系,可以确定k和b的值,即确定第一权重与相似度的关联关系。
根据所述第一权重与相似度的关联关系,确定所述目标系统商品类的第一权重。
具体地,根据所述第一权重与相似度的关联关系,每一个相似度,都存在唯一的第一权重与其对应,即根据所述第一权重与相似度的关联关系,可以确定所述目标系统商品类的第一权重。
所述根据第二商品类集中商品类与第一商品类集中商品类的关联度大小,确定所述目标系统商品类的第二权重包括:
确定所述第二商品类集中与第一商品类集中的关联度最大的目标系统商品类的第二权重为第三值,确定所述第二商品类集中与第一商品类集中的关联度最小的目标系统商品类的第二权重为第四值。
可选地,所述第三值和所述第一值相等,所述第四值和所述第二值相等。
根据所述第三值、所述第四值、所述关联度最大的目标系统商品类的第二权重和关联度最小的目标系统商品类的第二权重,确定第二权重与关联度的关联关系。
第二权重与关联度的关联关系的类型,在此不做具体限定。
根据所述第二权重与关联度的关联关系,确定所述目标系统商品类的第二权重。
具体地,根据所述第二权重与关联度的关联关系,每一个关联度,都存在唯一的第二权重与其对应,即根据所述第二权重与关联度的关联关系,可以确定所述目标系统商品类的第二权重。
本发明实施例,确定第一权重与相似度的关联关系以及第二权重与关联度的关联关系,将第一权重值和第二权重值进行优化处理,提高了对消费者购买意向预测结果的准确度。
图2为本发明实施例提供的建立所述用户-商品类兴趣指数矩阵的流程示意图,如图2所示,在一个实施例中,建立所述用户-商品类兴趣指数矩阵包括以下子步骤:
步骤200、根据目标系统用户对目标系统商品类的有益行为数据,基于兴趣指数计算公式计算每个目标系统用户对每个目标系统商品类的兴趣指数。
其中,所述目标系统用户包括所述待检测用户,目标系统用户的有益行为数据根据目标系统用户对所有目标系统商品类的点击率、点击量、回访量、访问日期、访问时间、访问时长、网页跳转率和跳失率等数据确定。所述兴趣指数计算公式如下:
其中,BeneFxj为目标系统用户x对目标系统商品类j的兴趣指数,bn为目标系统用户x对目标系统商品类j的第n个有益行为数据,Bxj为为目标系统用户x对目标系统商品类j的有益行为总次数。
步骤201、根据所述每个目标系统用户对每个目标系统商品类的兴趣指数,建立所述用户-商品类兴趣指数矩阵。
具体地,用户-商品类兴趣指数矩阵如下:
其中,u为目标系统用户的总数量,m为目标系统商品类的总数量。
本申请实施例,根据目标系统用户对目标系统商品类的有益行为数据,建立用户-商品类兴趣指数矩阵,再基于用户-商品类兴趣指数矩阵确定待检测用户的预测购买商品类,提高了对消费者购买意向预测结果的准确度。
图3为本发明实施例提供的建立所述商品类目间关联度矩阵的流程示意图,如图3所示,在一个实施例中,建立所述商品类目间关联度矩阵包括以下子步骤:
步骤300、根据目标系统用户对目标系统商品类的兴趣指数,基于关联度公式计算任意两个目标系统商品类的关联度。
其中,所述关联度计算公式如下:
其中,R(pa,pb)为商品类a与商品集b的关联度,BeneFya为目标系统用户y对商品类a的兴趣指数,BeneFyb为目标系统用户y对商品类b的兴趣指数,s为目标系统用户的总数,n为均值化参数,通过n将R(pa,pb)的值均值化到[0,1]的取值范围内。
步骤301、根据所述任意两个目标系统商品类的关联度,建立所述商品类目间关联度矩阵。
具体地,商品类目间关联度矩阵如下:
其中m为目标系统商品类的总数量。
本申请实施例,根据目标系统用户对目标系统商品类的兴趣指数,建立商品类目间关联度矩阵,再基于商品类目间关联度矩阵确定待检测用户的预测购买商品类,提高了对消费者购买意向预测结果的准确度。
下面对本发明提供的消费者购买意向预测装置进行描述,下文描述的消费者购买意向预测装置与上文描述的消费者购买意向预测方法可相互对应参照。
本发明另一实施例,提供一种消费者购买意向预测装置。图4为本发明实施例提供的消费者购买意向预测装置的结构示意图,如图4所示,包括:关联用户确定模块410、第一商品类集确定模块420、第二商品类集确定模块430和购买意向预测模块440,其中,
关联用户确定模块410,用于基于用户-商品类兴趣指数矩阵、待检测用户的行为数据和目标系统用户的行为数据,从所述目标系统用户中确定与所述待检测用户的购物习惯相似度最高的第一预设数量个关联用户;
第一商品类集确定模块420,用于根据所述关联用户和所述用户-商品类兴趣指数矩阵,确定第一商品类集,其中,所述第一商品类集中包括第二预设数量个目标系统商品类;
第二商品类集确定模块430,用于根据所述第一商品类集和商品类目间关联度矩阵,确定第二商品类集,其中,所述第二商品类集中包括第三预设数量个目标系统商品类;
购买意向预测模块440,用于根据所述待检测用户与所述关联用户的相似度大小和所述第一商品类集与所述第二商品类集的关联度大小,在所述第一商品集和所述第二商品类集中确定第四预设数量个目标系统商品类,作为所述待检测用户的预测购买商品类。
可选地,所述关联用户确定模块410,用于:
获取所述待检测用户的行为数据和目标系统用户的行为数据,其中所述行为数据包括有益行为数据、无益行为数据和中立行为数据;
根据所述用户-商品类兴趣指数矩阵确定所述待检测用户和所述目标系统用户对目标系统商品类的兴趣指数;
根据所述待检测用户的行为数据和目标系统用户的行为数据以及所述待检测用户和所述目标系统用户对目标系统商品类的兴趣指数,基于相似度计算公式,计算所述待检测用户和所述目标系统用户的行为数据的相似度;
根据所述相似度的大小,确定与所述待检测用户的购物习惯相似度最高的第一预设数量个关联用户;
其中,所述相似度计算公式如下:
其中,SimiLxy为待检测用户x与目标系统用户y的相似度大小,bxi为待检测用户的第i次有益行为数据,hxj为待检测用户的第j次无益行为数据,oxk为待检测用户的第k次中立行为数据,BeneFxα为待检测用户对第α个商品类的兴趣指数,byi为目标系统用户的第i次有益行为数据,hyj为目标系统用户的第j次无益行为数据,oyk为目标系统用户的第k次中立行为数据,BeneFyα为目标系统用户对第α个商品类的兴趣指数,p为有益行为总次数,q为无益行为总次数,ρ为中立行为次数,m为商品类总数量。
可选地,所述第一商品类集确定模块420,用于:
根据第一预设数量和第二预设数量确定每个关联用户的关联商品类数量;
根据所述每个关联用户的关联商品类数量和所述用户-商品类兴趣指数矩阵确定每个关联用户兴趣指数最高的关联商品类数量个关联商品类;
根据所述每个关联用户兴趣指数最高的关联商品类数量个关联商品类,确定所述第一商品类集。
可选地,所述购买意向预测模块440,用于:
若所述目标系统商品类属于第一商品类集,则根据所述待检测用户与所述关联用户的购物习惯相似度大小,确定所述目标系统商品类的第一权重,将所述第一权重作为所述目标系统商品类的权重;
若所述目标系统商品类属于第二商品类集,则根据第二商品类集中的目标系统商品类与第一商品类集中的目标系统商品类的关联度大小,确定所述目标系统商品类的第二权重,将所述第二权重作为所述目标系统商品类的权重;
若所述目标系统商品类既属于第一商品类集又属于第二商品类集,则将所述第一权重与所述第二权重的和作为所述目标系统商品类的权重;
选取权重值最大的第四预设数量个目标系统商品类,作为所述待检测用户的预测购买商品类。
可选地,所述根据所述待检测用户与所述关联用户的购物习惯相似度大小,确定所述目标系统商品类的第一权重包括:
确定所述第一商品类集中对应的关联用户与所述待检测用户的相似度最大的目标系统商品类的第一权重为第一值,确定所述第一商品类集中对应的关联用户与所述待检测用户的相似度最小的目标系统商品类的第一权重为第二值;
根据所述第一值、所述第二值、所述相似度最大的目标系统商品类的第一权重和相似度最小的目标系统商品类的第一权重,确定第一权重与相似度的关联关系;
根据所述第一权重与相似度的关联关系,确定所述目标系统商品类的第一权重;
所述根据第二商品类集中商品类与第一商品类集中商品类的关联度大小,确定所述目标系统商品类的第二权重包括:
确定所述第二商品类集中与第一商品类集中的关联度最大的目标系统商品类的第二权重为第三值,确定所述第二商品类集中与第一商品类集中的关联度最小的目标系统商品类的第二权重为第四值;
根据所述第三值、所述第四值、所述关联度最大的目标系统商品类的第二权重和关联度最小的目标系统商品类的第二权重,确定第二权重与关联度的关联关系;
根据所述第二权重与关联度的关联关系,确定所述目标系统商品类的第二权重。
可选地,本发明提供的消费者购买意向预测装置还包括用户-商品类兴趣指数矩阵建立模块,用于:
根据目标系统用户对目标系统商品类的有益行为数据,基于兴趣指数计算公式计算每个目标系统用户对每个目标系统商品类的兴趣指数,其中,所述目标系统用户包括所述待检测用户;
根据所述每个目标系统用户对每个目标系统商品类的兴趣指数,建立所述用户-商品类兴趣指数矩阵;
其中,所述兴趣指数计算公式如下:
其中,BeneFxj为目标系统用户x对目标系统商品类j的兴趣指数,bn为目标系统用户x对目标系统商品类j的第n个有益行为数据,Bxj为为目标系统用户x对目标系统商品类j的有益行为总次数。
可选地,本发明提供的消费者购买意向预测装置还包括商品类目间关联度矩阵建立模块,用于:
根据目标系统用户对目标系统商品类的兴趣指数,基于关联度公式计算任意两个目标系统商品类的关联度;
根据所述任意两个目标系统商品类的关联度,建立所述商品类目间关联度矩阵;
其中,所述关联度计算公式如下:
其中,R(pa,pb)为商品类a与商品集b的关联度,BeneFya为目标系统用户y对商品类a的兴趣指数,BeneFyb为目标系统用户y对商品类b的兴趣指数,s为目标系统用户的总数,n为均值化参数,通过n将R(pa,pb)的值均值化到[0,1]的取值范围内。
本发明提供的消费者购买意向预测装置能够实现图1至图3的方法实施例实现的各个过程,并达到相同的技术效果,为避免重复,这里不再赘述。
图5示例了一种电子设备的实体结构示意图,如图5所示,该电子设备可以包括:处理器(processor)510、通信接口(Communications Interface)520、存储器(memory)530和通信总线540,其中,处理器510,通信接口520,存储器530通过通信总线540完成相互间的通信。处理器510可以调用存储器530中的逻辑指令,以执行消费者购买意向预测方法,该方法包括:
基于用户-商品类兴趣指数矩阵、待检测用户的行为数据和目标系统用户的行为数据,从所述目标系统用户中确定与所述待检测用户的购物习惯相似度最高的第一预设数量个关联用户;
根据所述关联用户和所述用户-商品类兴趣指数矩阵,确定第一商品类集,其中,所述第一商品类集中包括第二预设数量个目标系统商品类;
根据所述第一商品类集和商品类目间关联度矩阵,确定第二商品类集,其中,所述第二商品类集中包括第三预设数量个目标系统商品类;
根据所述待检测用户与所述关联用户的相似度大小和所述第一商品类集与所述第二商品类集的关联度大小,在所述第一商品集和所述第二商品类集中确定第四预设数量个目标系统商品类,作为所述待检测用户的预测购买商品类。
此外,上述的存储器530中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法所提供的消费者购买意向预测方法,该方法包括:
基于用户-商品类兴趣指数矩阵、待检测用户的行为数据和目标系统用户的行为数据,从所述目标系统用户中确定与所述待检测用户的购物习惯相似度最高的第一预设数量个关联用户;
根据所述关联用户和所述用户-商品类兴趣指数矩阵,确定第一商品类集,其中,所述第一商品类集中包括第二预设数量个目标系统商品类;
根据所述第一商品类集和商品类目间关联度矩阵,确定第二商品类集,其中,所述第二商品类集中包括第三预设数量个目标系统商品类;
根据所述待检测用户与所述关联用户的相似度大小和所述第一商品类集与所述第二商品类集的关联度大小,在所述第一商品集和所述第二商品类集中确定第四预设数量个目标系统商品类,作为所述待检测用户的预测购买商品类。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各提供的消费者购买意向预测方法,该方法包括:
基于用户-商品类兴趣指数矩阵、待检测用户的行为数据和目标系统用户的行为数据,从所述目标系统用户中确定与所述待检测用户的购物习惯相似度最高的第一预设数量个关联用户;
根据所述关联用户和所述用户-商品类兴趣指数矩阵,确定第一商品类集,其中,所述第一商品类集中包括第二预设数量个目标系统商品类;
根据所述第一商品类集和商品类目间关联度矩阵,确定第二商品类集,其中,所述第二商品类集中包括第三预设数量个目标系统商品类;
根据所述待检测用户与所述关联用户的相似度大小和所述第一商品类集与所述第二商品类集的关联度大小,在所述第一商品集和所述第二商品类集中确定第四预设数量个目标系统商品类,作为所述待检测用户的预测购买商品类。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上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精神和范围。
Claims (10)
1.一种消费者购买意向预测方法,其特征在于,包括:
基于用户-商品类兴趣指数矩阵、待检测用户的行为数据和目标系统用户的行为数据,从所述目标系统用户中确定与所述待检测用户的购物习惯相似度最高的第一预设数量个关联用户;
根据所述关联用户和所述用户-商品类兴趣指数矩阵,确定第一商品类集,其中,所述第一商品类集中包括第二预设数量个目标系统商品类;
根据所述第一商品类集和商品类目间关联度矩阵,确定第二商品类集,其中,所述第二商品类集中包括第三预设数量个目标系统商品类;
根据所述待检测用户与所述关联用户的相似度大小和所述第一商品类集与所述第二商品类集的关联度大小,在所述第一商品集和所述第二商品类集中确定第四预设数量个目标系统商品类,作为所述待检测用户的预测购买商品类。
2.根据权利要求1所述的消费者购买意向预测方法,其特征在于,所述基于用户-商品类兴趣指数矩阵、待检测用户的行为数据和目标系统用户的行为数据,确定与所述待检测用户的购物习惯相似度最高的第一预设数量个关联用户包括:
获取所述待检测用户的行为数据和目标系统用户的行为数据,其中所述行为数据包括有益行为数据、无益行为数据和中立行为数据;
根据所述用户-商品类兴趣指数矩阵确定所述待检测用户和所述目标系统用户对目标系统商品类的兴趣指数;
根据所述待检测用户的行为数据和目标系统用户的行为数据以及所述待检测用户和所述目标系统用户对目标系统商品类的兴趣指数,基于相似度计算公式,计算所述待检测用户和所述目标系统用户的行为数据的相似度;
根据所述相似度的大小,确定与所述待检测用户的购物习惯相似度最高的第一预设数量个关联用户;
其中,所述相似度计算公式如下:
其中,SimiLxy为待检测用户x与目标系统用户y的相似度大小,bxi为待检测用户的第i次有益行为数据,hxj为待检测用户的第j次无益行为数据,oxk为待检测用户的第k次中立行为数据,BeneFxα为待检测用户对第α个商品类的兴趣指数,byi为目标系统用户的第i次有益行为数据,hyj为目标系统用户的第j次无益行为数据,oyk为目标系统用户的第k次中立行为数据,BeneFyα为目标系统用户对第α个商品类的兴趣指数,p为有益行为总次数,q为无益行为总次数,ρ为中立行为次数,m为商品类总数量。
3.根据权利要求1所述的消费者购买意向预测方法,其特征在于,所述根据所述关联用户和用户-商品类兴趣指数矩阵,确定第一商品类集包括:
根据第一预设数量和第二预设数量确定每个关联用户的关联商品类数量;
根据所述每个关联用户的关联商品类数量和所述用户-商品类兴趣指数矩阵确定每个关联用户兴趣指数最高的关联商品类数量个关联商品类;
根据所述每个关联用户兴趣指数最高的关联商品类数量个关联商品类,确定所述第一商品类集。
4.根据权利要求1所述的消费者购买意向预测方法,其特征在于,所述根据所述待检测用户与所述关联用户的相似度大小和所述第一商品类集与所述第二商品类集的关联度大小,在所述第一商品集和所述第二商品类集中确定第四预设数量个商品类,作为所述待检测用户的预测购买商品类包括:
若所述目标系统商品类属于第一商品类集,则根据所述待检测用户与所述关联用户的购物习惯相似度大小,确定所述目标系统商品类的第一权重,将所述第一权重作为所述目标系统商品类的权重;
若所述目标系统商品类属于第二商品类集,则根据第二商品类集中的目标系统商品类与第一商品类集中的目标系统商品类的关联度大小,确定所述目标系统商品类的第二权重,将所述第二权重作为所述目标系统商品类的权重;
若所述目标系统商品类既属于第一商品类集又属于第二商品类集,则将所述第一权重与所述第二权重的和作为所述目标系统商品类的权重;
选取权重值最大的第四预设数量个目标系统商品类,作为所述待检测用户的预测购买商品类。
5.根据权利要求4所述的消费者购买意向预测方法,其特征在于,所述根据所述待检测用户与所述关联用户的购物习惯相似度大小,确定所述目标系统商品类的第一权重包括:
确定所述第一商品类集中对应的关联用户与所述待检测用户的相似度最大的目标系统商品类的第一权重为第一值,确定所述第一商品类集中对应的关联用户与所述待检测用户的相似度最小的目标系统商品类的第一权重为第二值;
根据所述第一值、所述第二值、所述相似度最大的目标系统商品类的第一权重和相似度最小的目标系统商品类的第一权重,确定第一权重与相似度的关联关系;
根据所述第一权重与相似度的关联关系,确定所述目标系统商品类的第一权重;
所述根据第二商品类集中商品类与第一商品类集中商品类的关联度大小,确定所述目标系统商品类的第二权重包括:
确定所述第二商品类集中与第一商品类集中的关联度最大的目标系统商品类的第二权重为第三值,确定所述第二商品类集中与第一商品类集中的关联度最小的目标系统商品类的第二权重为第四值;
根据所述第三值、所述第四值、所述关联度最大的目标系统商品类的第二权重和关联度最小的目标系统商品类的第二权重,确定第二权重与关联度的关联关系;
根据所述第二权重与关联度的关联关系,确定所述目标系统商品类的第二权重。
8.一种消费者购买意向预测装置,其特征在于,包括:
关联用户确定模块,用于基于用户-商品类兴趣指数矩阵、待检测用户的行为数据和目标系统用户的行为数据,从所述目标系统用户中确定与所述待检测用户的购物习惯相似度最高的第一预设数量个关联用户;
第一商品类集确定模块,用于根据所述关联用户和所述用户-商品类兴趣指数矩阵,确定第一商品类集,其中,所述第一商品类集中包括第二预设数量个目标系统商品类;
第二商品类集确定模块,用于根据所述第一商品类集和商品类目间关联度矩阵,确定第二商品类集,其中,所述第二商品类集中包括第三预设数量个目标系统商品类;
购买意向预测模块,用于根据所述待检测用户与所述关联用户的相似度大小和所述第一商品类集与所述第二商品类集的关联度大小,在所述第一商品集和所述第二商品类集中确定第四预设数量个目标系统商品类,作为所述待检测用户的预测购买商品类。
9.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至7任一项所述消费者购买意向预测方法的步骤。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述消费者购买意向预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110636935.9A CN115456656A (zh) | 2021-06-08 | 2021-06-08 | 消费者购买意向预测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110636935.9A CN115456656A (zh) | 2021-06-08 | 2021-06-08 | 消费者购买意向预测方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115456656A true CN115456656A (zh) | 2022-12-09 |
Family
ID=84295352
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110636935.9A Pending CN115456656A (zh) | 2021-06-08 | 2021-06-08 | 消费者购买意向预测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115456656A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116109338A (zh) * | 2022-12-12 | 2023-05-12 | 广东南粤分享汇控股有限公司 | 一种基于人工智能的电商用户分析方法及系统 |
-
2021
- 2021-06-08 CN CN202110636935.9A patent/CN115456656A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116109338A (zh) * | 2022-12-12 | 2023-05-12 | 广东南粤分享汇控股有限公司 | 一种基于人工智能的电商用户分析方法及系统 |
CN116109338B (zh) * | 2022-12-12 | 2023-11-24 | 广东南粤分享汇控股有限公司 | 一种基于人工智能的电商用户分析方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106485562B (zh) | 一种基于用户历史行为的商品信息推荐方法及系统 | |
EP4181026A1 (en) | Recommendation model training method and apparatus, recommendation method and apparatus, and computer-readable medium | |
US20180165745A1 (en) | Intelligent Recommendation Method and System | |
CN110427560B (zh) | 一种应用于推荐系统的模型训练方法以及相关装置 | |
CN110647696B (zh) | 一种业务对象的排序方法及装置 | |
CN110335123B (zh) | 基于社交电商平台的商品推荐方法、系统、计算机可读介质以及装置 | |
CN107766573B (zh) | 基于数据处理的商品推荐方法、装置、设备和存储介质 | |
WO2020221022A1 (zh) | 业务对象推荐方法 | |
CN113158024A (zh) | 一种纠正推荐系统流行度偏差的因果推理方法 | |
CN111949887A (zh) | 物品推荐方法、装置及计算机可读存储介质 | |
CN111966886A (zh) | 对象推荐方法、对象推荐装置、电子设备及存储介质 | |
CN111695024A (zh) | 对象评估值的预测方法及系统、推荐方法及系统 | |
CN113407854A (zh) | 一种应用推荐方法、装置、设备及计算机可读存储介质 | |
CN113076484A (zh) | 基于深度学习的产品推荐方法、装置、设备和存储介质 | |
CN115204985A (zh) | 购物行为预测方法、装置、设备及存储介质 | |
CN111754287B (zh) | 物品筛选方法、装置、设备和存储介质 | |
CN114819967A (zh) | 数据处理方法、装置、电子设备及计算机可读存储介质 | |
CN109190040A (zh) | 基于协同演化的个性化推荐方法及装置 | |
CN113850654A (zh) | 物品推荐模型的训练方法、物品筛选方法、装置和设备 | |
CN113988951A (zh) | 基于张量分解和协同过滤的商品推荐学习模型构建方法 | |
CN115456656A (zh) | 消费者购买意向预测方法、装置、电子设备及存储介质 | |
CN115249164A (zh) | 商品的推荐方法、装置、电子设备及存储介质 | |
CN115809374B (zh) | 纠正推荐系统主流偏差的方法、系统、设备及存储介质 | |
CN110851708A (zh) | 负样本的抽取方法、装置、计算机设备和存储介质 | |
CN110956528B (zh) | 一种电商平台的推荐方法及系统 |
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 |