CN115730991A - 一种广告商品推荐方法和系统 - Google Patents
一种广告商品推荐方法和系统 Download PDFInfo
- Publication number
- CN115730991A CN115730991A CN202111075465.XA CN202111075465A CN115730991A CN 115730991 A CN115730991 A CN 115730991A CN 202111075465 A CN202111075465 A CN 202111075465A CN 115730991 A CN115730991 A CN 115730991A
- Authority
- CN
- China
- Prior art keywords
- user
- word
- commodity
- vector
- sequence
- 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
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及一种广告商品推荐方法和系统,所述方法包括:按时间顺序从用户日志中获取用户的商品点击序列;获取商品点击序列中的商品信息,并按照商品点击序列将商品信息顺序连接在一起构成用户点击内容;根据所述用户点击内容生成用户向量;计算每个用户的用户向量与其他用户的用户向量的距离,得到距离最小的预置数量的用户向量,从而得到每个用户的相似用户集合;以及在满足向目标用户推荐商品的条件时,获取所述目标用户的相似用户点击过的广告商品构成广告商品推荐集合,向目标用户推荐广告商品推荐集合中的广告商品。本发明提高了广告商品的推荐效果,提了升广告商品的覆盖率。
Description
技术领域
本发明涉及互联网广告领域,特别地涉及一种广告商品推荐方法和系统。
背景技术
在互联网广告领域,广告推荐系统一方面需要确定目标用户,另一方向需要为目标用户召回适宜的广告商品。其中,广告的投放基本上会设定目标受众,常见的流程为广告主给定种子用户,广告发布平台利用机器学习方法,预测出种子用户的相似用户,从而扩大广告的投放人群。当一个用户在平台上上线时,广告推荐系统可以区分出所述目标用户,并为其召回该用户作为受众的广告。常见的召回方法有协同过滤、基于自然语言处理的内容召回以及向量召回等。通常来说,一个用户作为受众的广告可能会有多个,并且根据广告的付费等其它条件,推荐系统对召回的广告进行排序,按顺序向用户推送。然而,对于二手平台,在广告商品较为稀疏的情况下,在向用户推荐广告商品时存在广告商品覆盖率不足、推荐不准确的问题。
发明内容
针对现有技术中存在的技术问题,本发明提出了一种广告商品推荐方法和系统,用以提高广告商品的推荐效果,提升广告商品的覆盖率。
为了解决上述技术问题,根据本发明的一个方面,本发明提供了一种广告商品推荐方法,其中包括:按时间顺序从用户日志中获取用户的商品点击序列;获取商品点击序列中的商品信息,并按照商品点击序列将商品信息顺序连接以形成用户点击内容;根据所述用户点击内容生成用户向量;计算每个用户的用户向量与其他用户的用户向量的距离,得到距离最小的预置数量的用户向量,从而得到每个用户的相似用户集合;以及在满足向目标用户推荐商品的条件时,获取所述目标用户的相似用户点击过的广告商品构成广告商品推荐集合,向目标用户推荐广告商品推荐集合中的广告商品。
根据本发明的另一个方面,本发明提供了一种广告商品推荐系统,其中包括商品点击序列构建模块、用户点击内容构建模块、用户向量获取模块、相似用户获取模块和推荐模块,其中,所述商品点击序列构建模块按时间顺序从用户日志中获取用户的商品点击序列;所述用户点击内容构建模块与所述商品点击序列构建模块相连接,经配置以获取商品点击序列中的商品信息,并按照商品点击序列将商品信息顺序连接以形成用户点击内容;所述用户向量获取模块与所述用户点击内容构建模块相连接,经配置根据所述用户点击内容获得对应的用户向量;所述相似用户获取模块与所述用户向量获取模块相连接,经配置以计算每个用户的用户向量与其他多个用户的用户向量的距离,将向量距离最小的预置数量的多个用户构成一个用户的相似用户集合;所述推荐模块与所述相似用户获取模块相连接,在满足向目标用户推荐广告商品的条件时,获取所述目标用户的相似用户点击过的广告商品构成广告商品推荐集合,向目标用户推荐广告商品推荐集合中的广告商品。
本发明将用户点击商品的相似性投射到用户的相似性,从而扩大了目标用户的相似用户群体,借以增加了广告商品的覆盖量,解决了由于广告商品稀疏、在推荐时广告商品覆盖率不足的问题;由于用户相似性与点击商品相似性的关联,提高了向目标用户推荐广告的准确率,有效地提高了广告商品的点击率,提升了平台和广告主的收入。
附图说明
下面,将结合附图对本发明的优选实施方式进行进一步详细的说明,其中:
图1是根据本发明的一个实施例提供的广告商品推荐方法的流程图;
图2是根据本发明的一个实施例提供的确定目标用户的相似用户集合的流程图;
图3是根据本发明的一个实施例提供的用户点击内容生成示意图;
图4是根据本发明的一个实施例提供的广告商品推荐系统原理框图;
图5是根据本发明的一个实施例提供的用户向量获取模块原理框图;以及
图6是根据本发明的一个实施例提供的所述推荐模块原理框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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。
在以下的详细描述中,可以参看作为本申请一部分用来说明本申请的特定实施例的各个说明书附图。在附图中,相似的附图标记在不同图式中描述大体上类似的组件。本申请的各个特定实施例在以下进行了足够详细的描述,使得具备本领域相关知识和技术的普通技术人员能够实施本申请的技术方案。应当理解,还可以利用其它实施例或者对本申请的实施例进行结构、逻辑或者电性的改变。
图1是根据本发明一个实施例提供的广告商品推荐方法的流程图。本发明提供的广告商品推荐方法包括以下步骤:
步骤S1,针对目标用户确定相似用户集合。
步骤S2,获取相似用户点击过的广告商品构成广告商品推荐集合。
步骤S3,对广告商品推荐集合中的商品排序。例如根据广告的投放形式及付费形式,采用不同的指标进行排序,例如按照CTR(Click Through Rate,点击通过率)指标、eCPM(Effective Cost per Mille,每一千次展示可以获得的广告收入)指标进行排序等,或者不进行排序。
步骤S4,判断是否满足推荐条件,在满足推荐条件时,在步骤S5确定目标推荐广告商品,并将其推荐给目标用户,如果不满足则等待,并返回步骤S4。根据目标用户所在的场景,推荐不同数量的广告商品。例如,目标用户登录APP时,在首页商品展示场景中,根据用户终端的屏幕尺寸确定可以展示的商品数量,从广告商品推荐集合中选取该数量的广告商品展示到首页的预置位置。当侦测到用户下滑屏幕时,根据滑动的距离,确定需要补充显示的商品数量,从广告商品推荐集合中选取该数量的广告商品展示到需要补充的预置位置。还可以应用在其他需要展示广告商品的场景中,在此不再赘述。
其中,在步骤S1中,以如图2所示的一个实施例说明确定目标用户的相似用户集合的流程,具体如下:
步骤S11,查询用户日志,从中确定用户历史点击过的商品构成商品点击序列。应用本发明的平台,如二手电商平台,对用户的行为进行记录以形成用户日志,其中记录有用户在平台上进行的操作,例如搜索商品、点击、查看商品、下单购买、购买后发表评论等等,并且对每一种操作行为记录相应的信息,例如搜索时的时间及关键词,点击商品的时间及商品身份标识等。通过查询用户日志,可以得到用户在一个预置时间段内所点击的商品,按照时间顺序可以得到一个商品点击序列,如图3所示的item 1和item 2。该序列中的商品数量可以由预置时间段或预置的数量值确定。例如,将用户前一周点击的所有商品按时间顺序排列得到商品点击序列,或者是从用户日志中将最新的10个或20个商品生成所述的商品点击序列。
步骤S12,从平台的商品信息库或商品信息表中获取商品点击序列中的商品信息。所述的商品信息包括商品标题和描述信息。如图3中得到的商品1的标题A1,描述信息A2,商品2的标题B1,描述信息B2。这里所述的A1、B1通常由简短的若干个词汇组成,A2、B2则通常是一段文字。例如,商品item1的标题A1是“95新iphone X”,描述信息A2是“iphone X自用,刚买不旧,屏幕完好,快联系我吧”。商品item 2的标题B1是“轻薄款运动服男”,描述信息B2是“XL码轻薄男士上衣运动服,防风透气,宽松版本”。
步骤S13,按照商品点击序列将商品信息顺序连接在一起构成用户点击内容。如图3中得到A1 A2 B1 B2,例如“95新iphone X iphone X自用,刚买不旧,屏幕完好,快联系我吧轻薄款运动服男XL码轻薄男士上衣运动服,防风透气,宽松版本”。
步骤S14,根据所述用户点击内容生成用户向量。其中,用户点击内容为一串文字。为了将这段文字转化成向量,在一个实施例中,首先对用户点击内容进行语义分析,按照语义进行分词,可以采用任何一种分词的算法,如CRF算法,对用户点击内容进行分词。例如,将用户点击内容“95新iphone X iphone X自用,刚买不旧,屏幕完好,快联系我吧轻薄款运动服男XL码轻薄男士上衣运动服,防风透气,宽松版本”进行分词后得到“95新iphoneXiphoneX自用,刚买不旧,屏幕完好,快联系我吧轻薄款运动服男XL码轻薄男士上衣运动服,防风透气,宽松版本”。从而得到一个点击词序列。然后对所述点击词序列进行过滤,例如过滤掉其中的标点符号,再参考通用过滤词表和二手场景专有过滤词表过滤掉一些在二手场景下不具有特定语义的词或短语,如前述的“快联系我吧”。其中,所述的通用过滤词表中记录有中文语境下的无意义的语气词、助词、代词等词汇,如“的”、“呀”、“得”、“我”、“你”等。二手场景专有过滤词表中记录有二手平台中高频出现的、与物品标题本身无对应意义的词、句,如“二手”、“请我联系我吧”、“平台交易”等。对过滤后的点击词序列例如为“95新iphonex自用刚买不旧屏幕完好轻薄款运动服男XL码轻薄男士上衣运动服防风透气宽松版本”。
步骤S15,获取构成点击词序列的每个分词的词向量。其中,在系统中存储有词向量库时,可以从词向量库读取每个分词的词向量;如果没有所述的词向量库,可以通过一定的词汇表训练自然语言语义模型,再由自然语言语义模型得到点击词序列的每个分词的词向量。其中,所述的自然语言语义模型例如为word2vec模型。
步骤S16,计算所有词向量的平均值以得到所述点击词序列的向量,将所述点击词序列的向量作为用户向量。例如,“95新”的词向量为[0.1,0.5,-0.3],“iphonex”的词向量为[0.9,0.2,-0.1],经过平均池化(Average Pooling)操作后,可以得到这两个词向量的平均值[0.5,0.35,-0.2]。
步骤S17,计算每个用户的用户向量与其他用户的用户向量的距离。经过步骤S11至步骤S16可以得到应用本发明的平台,如二手电商平台的所有用户的用户向量。并对计算后得到的向量距离排序,按距离最小取前N个用户作为该用户的相似用户,因而得到每一个用户的相似用户集合。
本发明通过扩大用户群以增加广告商品的覆盖量,解决了由广告商品稀疏、在推荐时广告商品覆盖率不足的问题;由于扩大的用户群为与推荐目标用户相似的用户,因而也提高了推荐的准确率,从而有效地提高了广告商口的点击率,提升了平台和广告主的收入。在一些实施例中,用户点击过的广告商品还包括一个或多个用户删除的内容,并且一个或多个用户删除的内容至于用户点击序列的开始。这样,同样能够提高广告商品推荐的准确性。
根据本发明的另一个方面,本发明还提供了一种广告商品推荐系统,如图4所示,所述广告商品推荐系统包括商品点击序列构建模块1、用户点击内容构建模块2、用户向量获取模块3、相似用户获取模块4和推荐模块5。其中,所述商品点击序列构建模块1用于按时间顺序从用户日志中获取用户的商品点击序列。其可以在预置时间段内从用户日志中获取用户点击过的商品以组成商品点击序列;或者从用户日志中按时间顺序获取用户点击过的预置数量的商品作为商品点击序列。用户点击内容构建模块2与所述商品点击序列构建模块1相连接,用于获取商品点击序列中的商品信息,并按照商品点击序列将商品信息顺序连接在一起构成用户点击内容。用户向量获取模块3与所述用户点击内容构建模块2相连接,用于根据所述用户点击内容生成用户向量。在一个实施例中,如图5所示,所述用户向量获取模块3包括分词单元31、过滤单元32、词向量获取单元33和词序列向量计算单元34,其中,所述分词单元31按照一定的语义分析算法对用户点击内容进行分词以得到点击词序列,其中可以采用例如CRF算法、词典比对算法等进行分词,在此不再赘述。过滤单元32与所述分词单元31相连接,用于对分词后的所述用户点击内容进行过滤;例如去除标点符号,通过查询通用过滤词表和二手场景专有过滤词表去除二手电商中没有特定含义的词等等。词向量获取单元33与过滤单元32相连接,用于获得点击词序列中每个分词的词向量。当本系统可以访问词向量库6时,从词向量库6中获取击词序列中每个分词的词向量,如果词向量库6中没有,则使用自然语言语义模型,如word2vec模型,利用二手电商平台中常用词的词汇表进行训练。再将本实施例中得到的点击词序列输入给所述的自然语言语义模型,从而可以得到每个分词的词向量。本实施例中的词向量是以二手电商平台中常用词的词汇表作为语料得到的,例如“8成新”、“9成新”、“磨损”、“划痕”等等。因而,为了提高每次推荐的效率,减少计算量,在一个实施例中还包括词向量库6和语义模型模块7。其中,语义模型模块7以平台中积累的词汇构成词汇表,从中分割出一部分作为训练集对word2vec模型进行训练,利用训练好的word2vec模型得到所述词汇表中的词向量,并存储、构成词向量库6以备用。在每次需要词向量时先查询词向量库6,在从词向量库6中得到不所需要的分词的词向量时,再调用word2vec模型以获得该分词的词向量,并将新获得的词向量存储到所述词向量库6,将该词汇加入词汇表,既在业务实施过程中满足了推荐的需求,也扩充了词汇表和词向量库。词序列向量计算单元34与所述词向量获取单元33相连接,用于根据每个分词的词向量计算所有分词的词向量的平均值以得到所述词序列的向量,将所述词序列的向量作为用户向量。在一个实施例中,所述词序列向量计算单元34对点击词序例中的所有词向量执行Average Pooling操作,从而得到所述词序列的向量。该词序列向量则可作为用户向量。由于该用户向量来自于其点击过的商品的信息,因而用户向量实际上表征了商品信息的特点,如果两个用户向量距离较小,则说明二者的商品信息也相似。
相似用户获取模块4与所述用户向量获取模块3相连接,经配置以计算每个用户的用户向量与其他多个用户的用户向量的距离,将向量距离最小的预置数量的多个用户构成一个用户的相似用户集合。其中,可以采用多种方式计算向量距离,例如利用Faiss(Facebook AI Similarity Search)基于一个用户向量在用户向量集中进行最近邻检索,从而得到与该用户向量最近的一些用户向量。所谓最近邻检索,就是用一个用户向量计算其与所有的用户向量向量距离,取与其距离最小的TOP N个用户向量。Faiss是一种加快该计算进程的工具,当然也可利用其他工具进行检索,例如Milvus(开源向量相似性搜索引擎)或Annoy(Spotify开源的近似最近邻查询库)。经过相似用户获取模块4的处理,可为二手电商平台的每一个用户得到一个相似用户集,根据每一个相似用户点击过的广告商品,则可以得到为每一个用户进行推荐时可以使用的广告商品推荐集合。
推荐模块5与所述相似用户获取模块4相连接,在满足向目标用户推荐商品的条件时,获取所述目标用户的广告商品推荐集合,向目标用户推荐广告商品推荐集合中的广告商品。在一个实施例中,如图6所示,所述推荐模块5包括触发单元51、广告商品获取单元52和推荐单元53,其中,所述触发单元51用于在满足向目标用户推荐广告商品的条件时发出推荐通知。例如当侦测到用户登录APP首页时发出推荐通知,或者侦测到用户位于某些具有广告位的页面时发出推荐通知。广告商品获取单元52与所述触发单元51相连接,在接收到所述推荐通知时获取所述目标用户的广告商品推荐集合。所述推荐单元53与所述广告商品获取单元52相连接,用于根据目标用户所在场景向其推荐广告商品推送集合中的广告商品。其中,所述推荐单元53根据当前场景,从广告商品推送集合中获取相应数量的广告商品,例如当用户位于APP首页时,根据首页可展示的商品数量获取相应数量的广告商品,或者,当用户滑动屏幕时,根据滑动距离获取该距离对应的广告商品数量。而后将其广告商品展示在页面相应的位置。在一个实施例中,在得到相应数量的广告商品之后,还可以对广告商品进行排序,例如根据广告的付费形式采用不同排序指标进行排序,如根据CTR排序、根据eCPM排序以得到有序的广告商品集合;所述推荐单元53在按序从广告商品集合中获取与场景对应数量的广告商品,并展示在相应的位置上。
上述实施例仅供说明本发明之用,而并非是对本发明的限制,有关技术领域的普通技术人员,在不脱离本发明范围的情况下,还可以做出各种变化和变型,因此,所有等同的技术方案也应属于本发明公开的范畴。
Claims (12)
1.一种广告商品推荐方法,其中包括:
按时间顺序从用户日志中获取用户的商品点击序列;
获取商品点击序列中的商品信息,并按照商品点击序列将商品信息顺序连接以形成用户点击内容;
根据所述用户点击内容生成用户向量;
计算每个用户的用户向量与其他用户的用户向量的距离,得到距离最小的预置数量的用户向量,从而得到每个用户的相似用户集合;以及
在满足向目标用户推荐商品的条件时,获取所述目标用户的相似用户点击过的广告商品构成广告商品推荐集合,向目标用户推荐广告商品推荐集合中的广告商品。
2.根据权利要求1所述的方法,其中进一步包括:在预置时间段内从用户日志中获取用户的商品点击序列;或者从用户日志中按时间顺序获取用户点击过的预置数量的商品作为商品点击序列。
3.根据权利要求1所述的方法,其中商品信息包括商品标题和商品描述信息。
4.根据权利要求1所述的方法,其中根据所述用户点击内容生成用户向量的步骤具体包括:
对所述用户点击内容进行语义分析、过滤以得到由多个分词构成的点击词序列;
分别获取构成点击词序列的每个分词的词向量;以及
计算所有词向量的平均值以得到所述点击词序列的向量,将所述点击词序列的向量作为用户向量。
5.根据权利要求4所述的方法,其中对所述用户点击内容进行语义分析、过滤的步骤进一步包括:
对用户点击内容进行语义分析以获得多个分词;
查询通用过滤词表和二手场景专有过滤词表;以及
删除出现在通用过滤词表或二手场景专有过滤词表中的分词。
6.根据权利要求4所述的方法,其中进一步包括:通过word2vec模型获取构成点击词序列的每个分词的词向量,或从词向量库中读取每个分词的词向量。
7.根据权利要求6所述的方法,其中进一步包括:查询预置词汇表,响应于在所述词汇表中查询到点击词序列中的分词时,从词向量库中获取对应的词向量;响应于在所述词汇表中查询不到点击词序列中的分词时,通过word2vec模型获得所述分词的词向量,并将所述分词记录到词汇表,将对应的词向量记录到所述词向量库中。
8.一种广告商品推荐系统,其中包括:
商品点击序列构建模块,经配置以按时间顺序从用户日志中获取用户的商品点击序列;
用户点击内容构建模块,其与所述商品点击序列构建模块相连接,经配置以获取商品点击序列中的商品信息,并按照商品点击序列将商品信息顺序连接以形成用户点击内容;
用户向量获取模块,其与所述用户点击内容构建模块相连接,经配置根据所述用户点击内容获得对应的用户向量;
相似用户获取模块,其与所述用户向量获取模块相连接,经配置以计算每个用户的用户向量与其他多个用户的用户向量的距离,将向量距离最小的预置数量的多个用户构成一个用户的相似用户集合;以及
推荐模块,其与所述相似用户获取模块相连接,在满足向目标用户推荐广告商品的条件时,获取所述目标用户的相似用户点击过的广告商品构成广告商品推荐集合,向目标用户推荐广告商品推荐集合中的广告商品。
9.根据权利要求8所述的系统,其中所述商品点击序列构建模块经配置在在预置时间段内从用户日志中获取用户的商品点击序列;或者从用户日志中按时间顺序获取用户点击过的预置数量的商品作为商品点击序列。
10.根据权利要求8所述的系统,其中所述用户向量获取模块包括:
分词单元,经配置以对用户点击内容进行语义分析,将用户点击内容切分为多个分词以得到初始点击词序列;
过滤单元,其与所述分词单元相连接,经配置以从所述初始点击词序列中删除出现在通用过滤词表和二手场景专有过滤词表的分词得到点击词序列;
词向量获取单元,经配置以获取点击词序列中每个分词的词向量;以及
词序列向量计算单元,其与所述词向量获取单元相连接,经配置以根据计算所述点击词序列中所有分词的词向量的平均值以得到所述点击词序列的向量,将所述点击词序列的向量作为用户向量。
11.根据权利要求10所述的系统,其中还包括词向量库和自然语言语义模型模块,其中,所述词向量库存储有预置词汇表中词汇的词向量;所述自然语言语义模型模块利用训练语料训练得到自然语言语义模型,用以根据给定的词汇表生成对应的词向量。
12.根据权利要求8所述的系统,其中所述推荐模块包括:
触发单元,经配置以在满足向目标用户推荐广告商品的条件时发出推荐通知;
广告商品获取单元,其与所述触发单元相连接,经配置以获取所述目标用户的相似用户点击过的广告商品构成广告商品推荐集合;以及
推荐单元,其与所述广告商品获取单元相连接,经配置以根据目标用户所在场景向其推荐广告商品推送集合中的广告商品。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110984830 | 2021-08-24 | ||
CN2021109848302 | 2021-08-24 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115730991A true CN115730991A (zh) | 2023-03-03 |
Family
ID=85292491
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111075465.XA Pending CN115730991A (zh) | 2021-08-24 | 2021-09-14 | 一种广告商品推荐方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115730991A (zh) |
-
2021
- 2021-09-14 CN CN202111075465.XA patent/CN115730991A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107861972B (zh) | 一种用户录入商品信息后显示商品全结果的方法及设备 | |
Hillard et al. | Improving ad relevance in sponsored search | |
US8676827B2 (en) | Rare query expansion by web feature matching | |
CN108388660B (zh) | 一种改进的电商产品痛点分析方法 | |
CN101331475A (zh) | 在线商业意图的自动检测 | |
CN105426528A (zh) | 一种商品数据的检索排序方法及系统 | |
CN108763321A (zh) | 一种基于大规模相关实体网络的相关实体推荐方法 | |
CN111161021B (zh) | 基于实时特征的推荐商品的快速二次排序方法 | |
CN108153792B (zh) | 一种数据处理方法和相关装置 | |
CN113570413B (zh) | 广告关键词的生成方法、装置、存储介质及电子设备 | |
JP2015522190A (ja) | 検索結果の生成 | |
CN106776860A (zh) | 一种搜索摘要生成方法及装置 | |
Thomaidou et al. | Automated snippet generation for online advertising | |
CN115544242B (zh) | 基于大数据的同类商品选型推荐方法 | |
Kiran et al. | User specific product recommendation and rating system by performing sentiment analysis on product reviews | |
CN114971730A (zh) | 文案素材提取方法及其装置、设备、介质、产品 | |
CN110647679A (zh) | 一种o2o场景下的搜索结果综合排序方法 | |
CN114611010A (zh) | 一种商品搜索推荐方法及系统 | |
Hassan et al. | Sentimental analysis of Amazon reviews using naïve bayes on laptop products with MongoDB and R | |
Prasetyo | Searching cheapest product on three different e-commerce using k-means algorithm | |
CN113744019A (zh) | 一种商品推荐方法、装置、设备及存储介质 | |
CN108470289A (zh) | 基于电商购物平台的虚拟物品发放方法及设备 | |
CN110619552A (zh) | 会员购物数据挖掘算法综合引擎 | |
CN112949322A (zh) | 线上文本评论驱动的电商意见挖掘推荐系统 | |
CN113495987A (zh) | 数据搜索方法、装置、设备和存储介质 |
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 |