CN115735219A - 用于提供个性化用户界面的方法和系统 - Google Patents

用于提供个性化用户界面的方法和系统 Download PDF

Info

Publication number
CN115735219A
CN115735219A CN202180033225.5A CN202180033225A CN115735219A CN 115735219 A CN115735219 A CN 115735219A CN 202180033225 A CN202180033225 A CN 202180033225A CN 115735219 A CN115735219 A CN 115735219A
Authority
CN
China
Prior art keywords
customer
data
user
item
items
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
CN202180033225.5A
Other languages
English (en)
Inventor
蔡玉成
史蒂文·希莫扎基
蒋东溟
格奥尔基·戈尔登贝格
玛丽萨·卡拉布雷塞
威拉·穆西卡罗
于磊
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.)
Kaishou Co
Original Assignee
Kaishou Co
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 Kaishou Co filed Critical Kaishou Co
Publication of CN115735219A publication Critical patent/CN115735219A/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
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06Q30/0204—Market segmentation
    • G06Q30/0205—Location or geographical consideration
    • 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]
    • G06Q30/0623—Item investigation
    • G06Q30/0625—Directed, with specific intent or strategy
    • G06Q30/0627—Directed, with specific intent or strategy using item specifications
    • 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]
    • G06Q30/0641—Shopping interfaces
    • G06Q30/0643—Graphical representation of items or shoppers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

一种用于向用户提供个性化用户界面的计算机实现的方法可以包括获得客户数据；获得客户物品数据；获得至少一个客户的客户界面活动数据；对预测模型进行训练；获得服装订购应用的用户的用户数据、用户物品数据或用户界面活动数据中的至少一者；基于预测模型确定一个或多个物品的排名；获得环境数据，所述环境数据包括与用户物品数据相关联的一个或更多个环境因素的值；以及基于一个或更多个物品的排名和环境数据，向用户提供与服装订购应用程序相关联的个性化用户界面。

Description

用于提供个性化用户界面的方法和系统
技术领域
本公开内容的各种实施方式总体上涉及向用户提供个性化用户界面，并且更具体地，涉及通过预测模型向用户提供个性化用户界面。
背景技术
时尚和服装风格管理可能给服装租赁订购服务带来若干挑战。例如，这样的挑战之一可能是，时尚和服装风格管理可能需要下述物品类别(例如，物品风格)的集合，这些物品类别是吸引人的、流行性的和季节性的，这种集合不断地适应服装租赁订购服务的客户或用户的变化和转变的兴趣。服装租赁订购服务的客户或用户可以寻找在临时社会事件中穿戴的物品，或者可能期望有能力获得各种时尚品牌而不需投入。由于时尚可能每天都在变化，旧的流行也可能重新出现，生成包括可以满足客户或用户需求的物品类别的集合的个性化用户界面，可能对于保留服装租赁订购服务的订购用户是有利的。传统上，视觉商品销售商或租户(例如，零售商、品牌商、百货商店或与服装租赁订购服务相关联的供应方供应商)的团队可能负责基于预先确定的原则(例如，本季流行的白色物品、最适合年终假期的物品的图案和颜色等)来针对每个客户或用户策划物品类别的集合，这可能是劳动密集型的，使选择物品类别的过程无法扩展。此外，视觉营销人员选择物品的传统方法可能会产生许多问题，包括较旧但相关的物品的利用率较低，或者需求高度集中于物品类别集合的较小子集，这可能对最近推出的物品的供应造成压力。
本公开内容旨在克服上述这些挑战中的一个或更多个。本文中提供的背景技术描述是为了总体上介绍本公开内容的背景。除非本文中另有说明，否则本节所述的材料不是相对于本申请中的权利要求而言的现有技术，并且不因包含在本节中而承认其为现有技术或现有技术的暗示。
发明内容
根据本公开内容的某些方面，公开了用于向用户提供个性化用户界面的方法和系统。本文中公开的方法和系统可以克服或缓解上述提到的问题和难题。例如，本文公开的方法和系统可以基于用户界面活动数据将用户聚类或分类到不同的用户角色(例如，用户对某一物品类别的偏好)。其次，本文公开的方法和系统可以允许基于一个或多个学习模型(例如，神经网络)自动生成个性化的用户界面，其中，数据范围来自由与服装租赁订购服务相关联的一个或多个数据库收集并存储的客户/用户界面活动数据、客户/用户数据、客户/用户物品数据以及环境数据。个性化的用户界面可以在服装租赁订购服务的整个生命周期中，通过自动浮现旧的和相关的物品，并在个性化用户界面的生成过程中减少人类的参与，从而获得更好的用户体验和商业效率。
在一方面，一种用于向用户提供个性化用户界面的计算机实现的方法可以包括：经由一个或更多个处理器获得客户数据，客户数据包括服装订购应用程序的至少一个客户的客户识别数据，客户识别数据包括至少一个客户的客户人口统计学数据；经由一个或更多个处理器获得客户物品数据，客户物品数据包括与服装订购应用程序的至少一个客户相关联的物品信息；经由一个或更多个处理器获得至少一个客户的客户界面活动数据，客户界面活动数据包括在至少一个客户和与服装订购应用程序相关联的客户界面之间的一个或更多个互动活动；经由一个或更多个处理器基于至少一个客户的客户数据、客户物品数据和客户界面活动数据来对预测模型进行训练；经由一个或更多个处理器，获得服装订购应用程序的用户的用户数据、用户物品数据或用户界面活动数据中的至少一者；经由一个或更多个处理器，通过输入用户数据、用户物品数据或用户界面活动数据中的至少一者来基于预测模型确定一个或更多个物品的排名，排名表示用户对一个或更多个物品的偏好程度；经由一个或更多个处理器获得环境数据，环境数据包括一个或更多个环境因素的值，一个或更多个环境因素包括季节因素、流行因素或经济因素中的至少一者；基于一个或更多个物品的排名和环境数据向用户提供与服装订购应用程序相关联的个性化用户界面。
在另一方面，一种用于向用户提供个性化用户界面的计算机系统可以包括：存储器，存储器存储指令；以及一个或更多个处理器，一个或更多个处理器被配置成执行指令以进行下述操作。所述操作可以包括：经由一个或更多个处理器获得客户数据，客户数据包括服装订购应用程序的至少一个客户的客户识别数据，客户识别数据包括至少一个客户的客户人口统计学数据；经由一个或更多个处理器获得客户物品数据，客户物品数据包括与服装订购应用程序的至少一个客户相关联的物品信息；经由一个或更多个处理器获得至少一个客户的客户界面活动数据，客户界面活动数据包括在至少一个客户和与服装订购应用程序相关联的客户界面之间的一个或更多个互动活动；经由一个或更多个处理器基于至少一个客户的客户数据、客户物品数据和客户界面活动数据来对预测模型进行训练；经由一个或更多个处理器获得服装订购应用程序的用户的用户数据、用户物品数据或用户界面活动数据中的至少一者；经由一个或更多个处理器通过输入用户数据、用户物品数据或用户界面活动数据中的至少一者来基于预测模型确定一个或更多个物品的排名，排名表示用户对一个或更多个物品的偏好程度；经由一个或更多个处理器获得环境数据，环境数据包括一个或更多个环境因素的值，一个或更多个环境因素包括季节因素、流行因素或经济因素中的至少一者；基于一个或更多个物品的排名和环境数据向用户提供与服装订购应用程序相关联的个性化用户界面。
在又一方面，一种用于在计算机系统上使用的非暂态计算机可读介质可以包含计算机可执行编程指令，计算机可执行编程指令用于执行提供个性化用户界面的方法，并且所述方法可以包括：经由一个或更多个处理器获得客户数据，客户数据包括服装订购应用程序的至少一个客户的客户识别数据，客户识别数据包括至少一个客户的客户人口统计学数据；经由一个或更多个处理器获得客户物品数据，客户物品数据包括与服装订购应用程序的至少一个客户相关联的物品信息；经由一个或更多个处理器获得至少一个客户的客户界面活动数据，客户界面活动数据包括在至少一个客户和与服装订购应用程序相关联的客户界面之间的一个或更多个互动活动；经由一个或更多个处理器基于至少一个客户的客户数据、客户物品数据和客户界面活动数据来对预测模型进行训练；经由一个或更多个处理器获得服装订购应用程序的用户的用户数据、用户物品数据或用户界面活动数据中的至少一者；经由一个或更多个处理器通过输入用户数据、用户物品数据或用户界面活动数据中的至少一者来基于预测模型确定一个或更多个物品的排名，排名表示用户对一个或更多个物品的偏好程度；经由一个或更多个处理器获得环境数据，环境数据包括一个或更多个环境因素的值，一个或更多个环境因素包括季节因素、流行因素或经济因素中的至少一者；基于一个或更多个物品的排名和环境数据来向用户提供与服装订购应用程序相关联的个性化用户界面。
应当理解，前述一般描述和以下详细描述都只是示例性的和解释性的，而不是对所要求保护的所公开的实施例的限制。
附图说明
附图示出了各种示例性实施方式，附图结合到本申请中并构成本申请的一部分，附图与说明书一起用于说明所公开实施方式的原理。
图1示出了根据一个或更多个实施方式的本公开内容的方法、系统和其他方面可以在其中实施的示例性环境。
图2示出了根据一个或更多个实施方式的本公开内容的方法、系统和其他方面可以在其中实施的示例性服务器系统。
图3示出了根据一个或更多个实施方式的说明用于向用户提供个性化用户界面的方法的示例性流程图。
图4示出了根据一个或更多个实施方式的说明用于向用户提供个性化用户界面的方法的另一个示例性流程图。
图5A示出了根据一个或更多个实施方式的用于利用嵌入式数据对预测模型进行训练的示例性流程图。
图5B示出了根据一个或更多个实施方式的在关于图5A讨论的获取客户物品数据的步骤502和关于图5A讨论的基于客户物品数据生成嵌入式物品数据的步骤504之间可以执行的一个或更多个步骤的示例性流程图。
图6示出了根据一个或更多个实施方式的说明经训练的预测模型的应用程序的示例性流程图。
图7A至图7D示出了根据本公开内容的一个或更多个实施方式的示例性个性化用户界面。
图8示出了根据一个或更多个实施方式的多个示例性模型的比较，所述多个示例性模型包括基于角色的模型、基于个性化的模型和基于人的策划的模型，这些模型与用于向用户提供个性化用户界面的方法相关。
图9示出了计算机系统的计算设备900的示例。
具体实施方式
下面使用的术语可以以其最广泛的合理方式进行解释，即使它是与本公开内容的某些具体示例的详细描述结合使用。事实上，某些术语甚至可以在下文中被强调；然而，意在以任何限制性方式解释的任何术语将如在本具体描述部分公开并具体地定义的那样。前面的一般描述和下面的具体描述都只是示例性的和解释性的，并不是对所要求保护的特征的限制。
在本公开内容中，术语“基于”是指“至少部分地基于”。除非上下文另有规定，否则单数形式也包括复数指称。术语“示例性”是在“示例”而不是“理想”的意义上使用。术语“包括(comprises)”、“包含(comprising)”、“包括(includes)”、“含有(including)”或他们的其他变型意在涵盖一种非排他性的包含，使得包括一系列元素的过程、方法或产品不一定只包括这些元素，而是可以包括未明确列出的或对于这样的过程、方法、物品或装置固有的其他元素。相对术语，例如，“基本上”和“一般”用于表示可能的变化为所陈述的或理解值的±10％。
在下面的描述中，将参照附图来描述实施方式。正如将在下面更详细地讨论的那样，在各种实施方式中，诸如客户数据、客户物品数据、客户界面活动数据、用户数据、用户物品数据、用户界面活动数据和/或环境数据的数据可以用于向用户提供个性化用户界面。
本文所描述的方法可以克服与服装租赁订购服务相关的问题，例如，快速转变的时尚流行以及客户或用户的兴趣。此外，本文所描述的方法可以实现基于客户和/或用户需求实时地生成个性化用户界面，移除缺货物品，并浮出较旧的、相关的和适合季节的物品。本文所描述的方法可以基于某种用户界面活动数据将客户/用户分为各种客户/用户角色，并提供自动系统，允许基于历史用户/客户界面活动数据、客户/用户数据和/或客户/用户物品数据来生成个性化用户界面。该方法和系统还可以被编程以考虑环境数据，所述环境数据包括季节因素(例如，季节性)、流行因素(例如，时尚潮流)或经济因素(例如，与服装租赁订购服务相关的业务关键绩效指标)。
所述方法和系统可以使用用户/客户界面活动数据、客户/用户数据和/或客户/用户物品数据来对预测模型(例如，基于神经网络的模型)进行训练；生成按物品类别被选择的概率而排序的物品类别列表，允许针对每个角色自动生成个性化用户界面；基于环境数据(例如，与服装租赁订购服务和季节性(即，是否应季)相关的业务指标)对物品类别进行过滤；基于历史客户/用户界面活动数据(例如，物品穿戴百分比、物品客户评价等)在个性化用户界面中混合最近的新到物品组合；针对每个用户角色或物品类别在个性化用户界面中显示所示出的物品类别，或者向服装租赁订购服务的客户或用户呈现推荐物品。
图1示出了根据本公开内容的一个或更多个实施方式的示例性环境100。如所示出的，示例性环境100可以包括一个或更多个网络101，所述一个或更多个网络101将服务器系统102、用户设备112、雇员设备116、租户设备120和外部系统122进行互连。一个或更多个网络101可以是，例如，蜂窝网络、公共陆地移动网络、局域网、广域网、城域网、电话网络、专用网络、特设网络、内联网、因特网、基于光纤的网络、云计算网络等中的一个或更多个。用户设备112可以由用户或客户108访问，雇员设备116可以由授权雇员114访问，而租户设备120可以由租户实体118的雇员访问。在一些实施方案中，雇员设备116可以用于执行租户设备120和/或用户设备112的功能。服务器系统102可以包括一个或更多个服务器和一个或更多个数据库，它们可以被配置成存储和/或处理多个数据、微服务和服务组件，和/或其相关联的功能。在一些实施方式中，服务器系统可以包括算法模块。在一些实施方式中，一个或更多个服务器可以包括算法模块。该算法模块可以包括机器学习模块，该机器学习模块包括一个或更多个神经网络。在一些实施方式中，一个或更多个神经网络可以包括深度卷积神经网络(DCNN)、基于区域的卷积神经网络(R-CNN)和/或掩码R-CNN(Mask R-CNN)。掩码R-CNN和R-CNN可以包括一个或更多个卷积神经网络模型，所述一个或更多个卷积神经网络模型被设计用于图像内的物体检测和图像分割，以获得去除背景的物品图像。DCNN、R-CNN、Mask-RCNN可以被配置成对视觉图像进行分析，例如，用于对示出了一个或更多个产品的图像内的一个或更多个产品进行分析、分类和识别。在一些实施方式中，一个或更多个神经网络可以包括一个或更多个基于图像分割的神经网络以及一个或更多个基于图像分类的神经网络。在2020年2月6日提交的美国专利申请序列第16/783,289号中描述了示例性的神经网络，例如DCNN、R-CNN和Mask-RCNN，其全部内容通过引用并入本文中。
用户或客户108可以通过一个或更多个网络101使用用户设备112访问服务器系统102。用户设备112中的每个设备可以是任何类型的计算设备(例如，个人计算设备、移动计算设备等)，该计算设备允许用户或客户108显示用于通过网络101访问服务器系统102的web浏览器或基于web的应用程序。例如，用户设备112可以被配置成显示web浏览器、基于web的应用程序或任何其他用户界面(例如，一个或更多个移动应用程序)，以允许用户或客户108通过一个或更多个网络101与环境100中的其他设备或系统交换信息。例如，用户设备110中的设备可以加载具有图形用户界面(GUI)的应用程序，并且该应用程序可以在GUI上显示一个或更多个服装建议，以用于由用户整理衣橱(例如，添加到虚拟衣柜中)。访问用户设备112的用户或客户108可以是：例如，服装租赁订购服务的用户和/或潜在用户；以及/或者通过电子交易和实物运输对于基于订购的分销可获得的服装的用户和/或潜在用户。此外，或者可替选地，用户或客户108可以访问用户设备112，以例如管理一个或更多个用户账户、查看目录、配置一个或更多个用户配置文件、参与客户服务通信、发出购买订单、跟踪运输、生成运输、监控订单履行过程、启动或处理退货、订购服装以购买、提供反馈、推荐其他用户、通过各种功能(如尺寸顾问)来浏览、执行个性化发现、和/或提出建议。
雇员设备116可以被配置成由一个或更多个雇员114访问，所述一个或更多个雇员114包括例如编辑、采购员、客户服务雇员、营销雇员、仓库雇员、分析雇员或者被授权和/或认证为执行与服务器系统102和/或外部系统122相关联的任务、操作和/或交易的任何其他雇员。在一个实施方式中，雇员设备116由经营服务器系统102上托管的服装租赁订购服务或电子商务(例如，服装即服务(CaaS))业务的同一实体或至少该实体的附属机构拥有和经营。雇员设备116中的每个设备可以是任何类型的计算设备(例如，个人计算设备、移动计算设备等)。雇员设备116可以允许雇员114通过一个或更多个网络101显示用于访问服务器系统102和/或外部系统122的web浏览器或应用程序。例如，一个或更多个雇员设备116中的设备可以加载具有图形用户界面(GUI)的应用程序，并且该应用程序可以在GUI上显示与向用户或客户108提供CaaS相关联的一个或更多个仓库操作。在一些实施方案中，雇员设备116可以通过通信链路117绕过公共网络101直接与服务器系统102通信。此外，或者可替选地，雇员设备116可以通过网络101与服务器系统102通信(例如，通过web浏览器或基于web的应用程序访问)。
租户设备120可以被配置成由一个或更多个租户118访问。租户设备120中的每个设备可以是任何类型的计算设备(例如，个人计算设备、移动计算设备等)。如本文所使用的，一个或更多个租户118中的每个租户可以指为CaaS库存分配和/或供应一个或更多个特定服装集合的实体或商家。例如，一个或更多个租户118中的每一个可以是零售商、设计师、制造商、商品销售商或品牌所有者实体，它们向由服务器系统102管理和/或访问的CaaS库存供应一个或更多个可穿戴项目的集合。租户118可以使用一个或更多个电子租户界面(例如，与每个租户相关联的目录内容管理系统)来向服务器系统102提供可穿戴项目数据(例如，服装信息)，这些数据描述了可用于服务器系统102上电子交易的服装或可穿戴项目。例如，在服务器系统102处可以动态地和/或定期地生成和/或更新一个或更多个租户118中的每个租户的一个或更多个目录。租户设备120可以作为租户118的访问终端，以用于与电子租户界面和/或托管在服务器系统102处的其他子系统进行通信。例如，租户设备120可以被配置成显示web浏览器、应用程序或任何其他用户界面，以允许租户118通过一个或更多个网络101加载电子租户界面和/或与环境100中的其他设备或系统交换数据。
外部系统122可以是例如一个或更多个第三方和/或辅助系统，它们在执行各种CaaS任务时与服务器系统102集成和/或通信。外部系统122可以通过一个或更多个网络101与环境100中的其他设备或系统进行通信。例如，外部系统122可以通过一个或更多个网络101经由API(应用程序编程界面)入口与服务器系统102通信，并且还通过一个或更多个网络101经由web浏览器入口与雇员设备116通信。
如上所述，图1仅仅作为示例提供。在本实施方式的范围内考虑了与图1的示例性环境100不同的其他示例。此外，环境100中所示的设备和网络的数目和布置作为示例提供。在实践中，可以有附加的设备、更少的设备和/或网络、不同的设备和/或网络，或者与环境100中所示的设备和/或网络不同的布置。此外，图1所示的两个或多个设备可以在单个设备中实施，或者图1所示的单个设备可以实施为多个分布式设备。附加地，或者可替选地，一个或更多个设备可以执行示例性环境100中其他设备的一个或更多个功能。例如，雇员设备116可以被配置成除了它们自己的功能外，还执行租户设备120的一个或更多个功能。
图2示出了示例性服务器系统，本公开内容的方法、系统和其他方面可以在该示例性服务器系统中实施。服务器系统102可以具有一个或更多个处理器，所述一个或更多个处理器被配置成执行本公开内容所描述的方法。服务器系统102可以包括一个或更多个模块、模型或引擎。所述一个或更多个模块、模型或引擎可以包括算法模型202、通知引擎204、数据处理模块206、一个或更多个数据库208、客户/用户识别模块210和/或界面/API模块212，它们均可以是存储在服务器系统102中或由服务器系统102存储的软件组件。服务器系统102可以被配置成在执行本公开内容所描述的各种方法时利用一个或更多个模块、模型或引擎。在一些示例中，服务器系统102可以具有用于计算和/或数据存储的可扩展资源的云计算平台，并且服务器系统102可以在云计算平台上运行一个或更多个应用程序以执行本公开内容所描述的各种计算机实施的方法。在一些实施方式中，所公开的一个或更多个模块、模型或引擎中的任何一个可以被组合以形成更少的模块、模型或引擎。在一些实施方式中，所公开的一个或更多个模块、模型或引擎中的任何一个可以被分离成单独的、更多数目的模块、模型或引擎。在一些实施方式中，所公开的一个或更多个模块、模型或引擎中的任何一个可以被移除，而可以添加其他的模块、模型或引擎。
算法模型202可以包括多个算法模型。算法模型202可以包括预测模型。在本文的其他地方描述预测模型的细节。通知引擎204可以被配置成经由网络101生成并向用户设备112、雇员设备116或租户设备120传送(例如，传输)一个或更多个通知(例如，个性化用户界面)。数据处理模块206可以被配置成：对来自一个或更多个数据库208的当前或历史数据(例如，客户数据、客户物品数据、用户数据、用户物品数据)进行处理、检索、存储、或以其他方式汇总或管理。数据处理模块206可以被配置成：对在服务器系统102中接收的数据(例如，客户数据、客户物品数据、用户数据、用户物品数据)进行清理、处理或标准化。可以使用一个或更多个算法用于对数据进行清理、处理或标准化。一个或更多个数据库208可以被配置成对多种类型的数据(例如，客户数据、客户物品数据、客户界面活动数据、用户数据、用户物品数据、用户界面活动数据或环境数据)进行存储。客户/用户识别模块210可以针对访问服务器系统102的每个用户或客户管理或验证关于用户或客户的识别数据或任何信息。在一个实施方案中，与每个用户/客户相关的识别数据可以被存储到一个或更多个数据库208，并从所述一个或更多个数据库208中检索。界面/API模块212可以允许用户、客户、雇员或租户与服务器系统102的一个或更多个模块、模型或引擎互动。在至少某些情况下，客户可以与订购或使用服装租赁订购服务的用户相同。然而，在其他情况下，客户可以与用户不同(例如，客户是新客户，而用户是潜在的订购者)，并且使用从客户获得的数据来对预测模型进行训练。
图3是示出根据一个或更多个实施方式的用于向用户提供个性化用户界面的方法的示例性流程图。该方法可以由示例性环境100执行。
步骤301可以包括经由一个或更多个处理器获得客户数据，所述客户数据包括服装订购应用程序的至少一个客户的客户识别数据。该客户可以是服装租赁订购服务的现有客户。客户识别数据可以包括至少客户姓名和客户的生物识别数据。生物识别数据可以包括与客户的人类特征有关的任何信息。生物识别数据可以包括与客户的行为模式有关的行为特征。客户的识别数据还可以包括联系信息(例如，地址、电话号码、电子邮件地址等)以及与用户有关的附加信息。附加信息可以包括客户的偏好信息、匿名汇总的人口统计学数据(例如，年龄、性别、婚姻状况、收入水平、教育背景、家庭子女数目等)、客户角色信息(例如，客户选择的物品类别)、客户对物品品牌和尺寸的选择以及与客户有关的其他数据。
步骤302可以包括经由一个或更多个处理器获得客户物品数据，所述客户物品数据包括与服装订购应用程序的至少一个客户相关联的物品信息。该客户可以是服装租赁订购服务的现有客户。客户物品数据可以包括客户选择的或偏好的一个或更多个物品的信息。可以由客户经由显示在用户设备上的用户界面提供这种客户物品数据。该物品信息可以由一个或更多个算法(例如，针对用户定义偏好物品类别的算法)确定。客户物品数据可以包括关于一个或更多个物品或客户的任何合适的信息，例如，客户的物品偏好(关于最喜欢的物品类别的偏好或评论、最喜欢的物品的百货商店、物品的图像、品牌或零售商等)、租赁一个或更多个物品的交易数额、一个或更多个物品的过去的消费水平、客户的购物频率、客户表现出的品牌忠诚度、或客户在平均交易中花费多少钱。客户物品数据可以包括与一个或更多个物品相关的一个或更多个标识符(例如，唯一的物品标识符或标签)。这些标识符可以由服装租赁订购服务的雇员生成。一个或更多个标识符可以编码或以其他方式提供信息，所述信息包括物品类别、样式、尺寸、材料、季节、图案(例如，动物、圆点等)、袖长、领口形状或下摆长度。物品类别可以包括运动外衣、外套、上衣、夹克、连衣裙、牛仔裤、套头衫、裤子、毛衣、泳装、T恤、衬衫、西装、内衣或礼服。在另一示例中，物品类别可以包括连衣裙、裤子、运动外衣、上衣、羊毛衫、裙子或外衣。
步骤303可以包括经由一个或更多个处理器获得至少一个客户的客户界面活动数据。该客户可以是服装租赁订购服务的现有客户。客户界面活动数据可以包括在一个客户和与服装租赁订购应用程序相关的客户界面之间的一个或更多个互动活动。客户界面活动数据还可以指示客户与显示在与客户相关的用户设备上的客户界面之间的一个或更多个互动活动之一的至少互动水平。所述一个或更多个互动活动可以包括由客户执行的点击链接的动作、输入搜索词的动作、或选择过滤器的动作中的至少一个。用户设备112可以能够经由用户设备112的一个或更多个互动组件接受客户输入，所述一个或更多个互动组件为例如键盘、按钮、鼠标、触摸屏、触摸板、操纵杆、轨迹球、相机、麦克风或运动传感器输入。例如，服装租赁订购服务的客户可以打开服装租赁订购服务提供的应用程序，并点击用户界面上呈现的一个或更多个物品的图像，对某些物品类别的点击次数可以是客户界面活动数据。在另一示例中，服装租赁订购服务的客户可以经由与客户相关联的设备112的显示屏上提供的键盘输入一件物品的品牌名称，该品牌名称可以是客户界面活动数据。在又一示例中，服装租赁订购服务的客户可以点击与显示在用户设备112的显示屏上的一个或更多个物品相关的一个或更多个选择，所述一个或更多个选择可以是客户界面活动数据。一个或更多个选择可以是链接、按钮或超链接的形式。客户界面活动数据可以是与服装租赁订购服务相关联的一个或更多个日志(例如，当客户将物品添加到他/她的虚拟衣柜中时的点击事件)，这些日志是从服装租赁订购服务提供的应用程序中收集的。例如，当客户打开由服装租赁订购服务提供的应用程序时，她/他可以在激活过程中提供她/他的偏好或经常购物的物品品牌、尺寸、账单邮编和编辑的选择(例如，由客户提供的一个或更多个用户偏好)。然后，客户可以开始将物品添加到应用程序提供的她/他的虚拟衣柜中。客户添加的物品可以与存储在一个或更多个数据库中的标识符相关联，或者由这些标识符识别。
步骤304可以包括经由一个或更多个处理器基于至少一个客户的客户数据、客户物品数据和客户界面活动数据来对预测模型进行训练。对预测模型进行训练可以包括基于客户界面活动数据、客户数据和/或客户物品数据对至少一个客户进行聚类或分类。在模型训练过程中，客户界面活动数据可以来自历史客户界面活动数据。在一个示例中，基于客户选择的物品类别，客户可以被聚类为角色。例如，主要添加印花连衣裙(例如，添加到如上所述的虚拟衣橱)的客户可能与另一主要选择纯色上衣和运动外衣的客户不同。使用客户数据、客户物品数据和客户界面活动数据(例如，一个或更多个标识符)，可以将不同的客户可聚类或细分为不同的客户角色。客户角色可以是客户数据的属性之一。客户数据可以被表示为稀疏向量。稀疏向量可以是包括多个向量元素为零的向量。向量元素可以是在向量中代表的值(例如，数字)。例如，客户A的客户数据可以包括下述人：所述人对连衣裙有偏好，住在加利福尼亚，喜欢A品牌的连衣裙、尺寸为8号以及B品牌的牛仔裤、尺寸为10号。为了将这种客户数据转换为数学形式，可以使用稀疏向量来对这种信息进行编码，其中向量元素1-10可以指10个可能的物品类别(例如，连衣裙、上衣、裤子等)，向量元素11-60可以代表50个可能的状态，向量元素61-180可以指物品品牌和尺寸的可能选择。
预测模型可以是任何合适的形式的，并且可以包括例如神经网络。神经网络可以是表示人类神经系统(例如，认知系统)的软件。神经网络可以包括一系列被称为“神经元”或“节点”的层。神经网络可以包括：向其提交数据的输入层；一个或更多个内部层；和输出层。每层中的神经元数目可以与要解决的问题的复杂性有关。输入神经元可以接收被提交的数据，然后通过连接的权重将数据传送到第一内部层。经训练的机器学习算法可以包括卷积神经网络(CNN)、深度神经网络、循环神经网络(RNN)、基于区域的卷积神经网络(R-CNN)、掩码R-CNN(Mask R-CNN)，或任何其他合适的神经网络类型。
预测模型可以通过监督、无监督或半监督学习方式使用包括与用作模型输入的数据类型类似的数据类型的训练集来进行训练。例如，用于训练模型的训练集可以包括以下的任何组合：客户数据、客户物品数据、客户界面活动数据、环境数据或任何其他数据。相应地，机器学习模型可以被训练成将输入变量(例如，客户界面活动数据)映射到客户租赁或购买物品的可能性的评估的量或值(例如，客户对物品的偏好)。也就是说，预测模型可以被训练以根据各种输入变量来确定客户购买或租赁物品(例如，通过将物品放入虚拟衣柜)的可能性的评估的量或值。预测模型可以包括分类算法。分类算法可以包括线性分类器(例如，逻辑回归，朴素贝叶斯分类器(
Figure BDA0003926777870000151
Bayes)分类器)、支持向量机、二次分类器、内核估计(例如，k-最近邻)、提升或决策树(例如，随机森林)。k-最近邻算法(k-NN)可以包括训练阶段，所述训练阶段包括对训练样本的特征向量和类标签进行存储。k-最近邻算法(k-NN)可以包括分类阶段，所述分类阶段包括：作为用户定义常量的k以及未标记向量(查询点或测试点)，所述未标记向量通过分配下述标签来进行分类：该标签为距该查询点最近的k个训练样本中最频繁。
训练预测模型可以包括利用一个或更多个损失函数来对预测模型进行训练。可以定制一个或更多个损失函数，以使一个或更多个物品被展示给更可能选择所述一个或更多个物品的客户或用户的概率最大化。可以使用一个或更多个损失函数来评估预测模型。一个或更多个损失函数可以被用于预测模型的最小化。
继续参考图3，该方法可以还包括，在对预测模型进行训练之前(如上文关于步骤304所描述的)，将客户数据和客户物品数据分别转换为嵌入式客户数据和嵌入式物品数据。嵌入式客户数据和嵌入式物品数据可以包括任何附加的信息，如附加的人口统计学数据以及与客户或客户添加的物品图像相关的其他信息。
如上所述，步骤304可以包括对预测模型进行训练。在至少一些实施方式中，可以基于至少一个客户的嵌入式客户数据、嵌入式物品数据和客户界面活动数据来执行对预测模型进行训练。特别是，图5A示出了根据一个或更多个实施方式的用于利用嵌入式数据来对预测模型进行训练的示例性流程图。参照图5A，对预测模型进行训练可以包括：获得客户数据的步骤501；获得客户物品数据的步骤502；基于客户数据生成嵌入式客户数据(例如，嵌入式客户示意图)的步骤503；基于客户物品数据生成嵌入式物品数据(例如，嵌入式物品示意图)的步骤504；基于嵌入式客户数据和嵌入式物品数据经由一个或更多个神经网络模型(例如，深度神经网络)生成预测分数的步骤505；获得客户界面活动数据的步骤506；以及基于预测分数和客户界面活动数据利用一个或更多个损失函数来对预测模型进行训练的步骤507。关于客户数据、客户物品数据和客户界面活动数据的细节在本文中另有描述。嵌入式数据(例如，嵌入式客户数据、嵌入式物品数据或嵌入式用户数据)可以由多维张量空间形成，它可以学习以对用户、客户或物品的某些特征进行编码。嵌入式数据可用于预测每个客户或用户角色最有可能选中的物品(例如，放在虚拟衣橱中)，并可基于每个物品类别的预测分数对物品进行排名。分数越高，物品就越有可能被给定的客户/用户角色选择。神经网络可以使用稀疏向量或嵌入式向量的密集代表(例如，嵌入式客户数据的嵌入式向量)，其中，输入是稀疏向量。在对模型进行训练之前，嵌入式向量可以是随机生成的数字。神经网络或预测模型可以通过迭代嵌入式数据中的数字来学习以减少错误。在这种情况下，神经网络或预测模型可以匹配具有较高机会被具有特定用户角色的用户选中的物品。嵌入式数据可以指随机生成的张量(例如，数字)。在一些实施方式中，数字可以在预测模型的训练开始时随机生成，并在预测模型的训练过程中逐渐收敛为固定数字。
图5B示出了根据一个或更多个实施方式的在关于图5A讨论的获得客户物品数据的步骤502和关于图5A讨论的基于客户物品数据生成嵌入式物品数据的步骤504之间执行的一个或更多个步骤的示例性流程图。如图5B所示，流程图可以包括：获得客户物品数据的步骤502，从获得的客户物品数据中对物品图像进行检索的步骤511；将物品图像输入来自Mask R-CNN框架的预训练成像模型的步骤512；生成嵌入式物品图像数据的步骤513；对物品文本描述进行检索的步骤514；基于物品文本描述生成嵌入式物品文本数据的步骤515；对物品标签(例如，颜色、物品类别、图案)进行检索的步骤516；基于物品标签生成嵌入式物品标签数据的步骤517；以及基于嵌入式物品图像数据、嵌入式物品文本数据和嵌入式物品标签数据生成嵌入式物品数据的步骤504。当获得客户物品数据时，物品数据可以包括物品图像、物品文本描述和物品标签信息(例如，产品类型、袖子、下摆)。用户/客户所选择的物品图像可以通过已经训练的(预训练的)Mask RCNN和DCNN模型(例如，如美国专利申请序列第16/783,289号中所描述的)。预训练的模型可以生成代表物品图像的密集信息的经训练的嵌入式向量。同时，物品文本描述可以使用DNN、一维CNN、RNN或长短期记忆(LSTM)模型转换为嵌入式向量，而物品标签可以使用DNN转换为嵌入式向量。由于DNN建模框架的灵活性，物品图像、物品文本描述和物品标签的嵌入式向量可以被级联起来，从而形成代表给定的输入客户物品数据的组合的嵌入式向量。
返回参考图3，步骤305可以包括经由一个或更多个处理器获得服装订购应用程序的用户数据、用户物品数据和/或用户界面活动数据中的至少一者。所述用户可以不是所述至少一个客户，而所述用户可以是潜在客户或新客户。在这种情况下，用户数据、用户物品数据和/或用户界面活动数据因此不可用，并且可能不被用于训练预测模型。在一些实施方式中，如果用户是服装租赁订购服务的新用户，当用户第一次使用服装租赁订购服务提供的应用程序时，用户界面活动数据可能不可用。在这种情况下，可以获得用户数据和用户物品数据，但不能获得用户界面活动数据。
用户数据可以包括用户的用户识别数据。该用户识别数据可以至少包括用户的用户名称和生物识别数据。该生物识别数据可以包括与用户的人类特征相关的任何信息。生物识别数据可以包括与用户的行为模式相关的行为特征。用户的识别数据还可以包括联系信息(例如，地址、电话号码、电子邮件地址等)以及与用户有关的附加信息。附加信息可以包括用户偏好信息、匿名汇总的人口统计学数据(例如，年龄、性别、婚姻状况、收入水平、教育背景、家庭子女数目等)、用户角色信息(例如，客户选择的物品类别)、用户对物品品牌和尺寸的选择，以及其他与用户相关的数据。
用户物品数据可以包括与服装订购应用程序的用户相关联的物品信息。用户物品数据可以包括用户选择的或偏好的一个或更多个物品的信息。这样的用户物品数据可以由用户经由显示在用户设备上的用户界面提供。该物品信息可以由一个或更多个算法(例如，针对用户定义偏好物品类别的算法)确定。用户物品数据可以包括关于一个或更多个物品或用户的任何合适的信息，例如，用户物品偏好(关于最喜欢的物品类别的偏好或评论，最喜欢的物品的百货商店等)、租赁一个或更多个物品的交易数额、一个或更多个物品的过去的消费水平、用户的购物频率、用户表现出的品牌忠诚度、或用户在平均交易中花费多少钱。用户物品数据可以包括与一个或更多个物品相关的一个或更多个标识符(例如，唯一的物品标识符或标签)。例如，这些标识符可以由服装租赁订购服务的雇员生成。一个或更多个标识符可以提供包括物品类别、样式、尺寸、材料、季节、图案(例如，动物、圆点)、袖长、领口形状或下摆长度等信息。用户物品数据可以包括物品的图像、物品的文字描述、或从客户/用户添加到她/他的虚拟衣柜中的物品图像中得到的嵌入式图像信息中的至少一者，所述用户物品数据可以使用上文所描述的Mask-RCNN模型进行预训练。用户的物品数据可以包括物品的文本描述，所述用户的物品数据可以被用作输入，以使用RNN模型生成嵌入式向量。
用户界面活动数据可以包括在一个用户和与服装租赁订购应用程序相关联的用户界面之间的一个或更多个互动活动。用户界面活动数据可以指示在用户与显示在与用户相关联的用户设备上的用户界面之间的一个或更多个互动活动之一的至少互动水平。所述一个或更多个互动活动可以包括由用户执行的点击链接的动作、输入搜索词的动作、或选择过滤器的动作中的至少一个。用户设备112可以能够经由用户设备112的一个或更多个互动组件接受用户输入，所述一个或更多个互动组件为例如键盘、按钮、鼠标、触摸屏、触摸板、操纵杆、轨迹球、相机、麦克风或运动传感器输入。例如，服装租赁订购服务的用户可以打开服装租赁订购服务提供的应用程序，并点击用户界面上呈现的一个或更多个物品图像，而对某些物品类别的点击次数可以是用户界面活动数据。在另一示例中，服装租赁订购服务的用户可以通过与用户相关联的设备的显示屏上提供的键盘输入物品的品牌名称，该品牌名称可以是用户界面活动数据。而在另一示例中，服装租赁订购服务的用户可以点击与显示在用户设备的显示屏上的一个或更多个物品相关的一个或更多个选择，所述一个或更多个选择可以是用户界面活动数据。所述一个或更多个选择可以是链接、按钮或超链接的形式。用户界面活动数据可以是与服装租赁订购服务相关的一个或更多个日志(例如，当用户将物品添加到他/她的虚拟衣柜中时的点击事件)，这些日志是从服装租赁订购服务提供的应用程序中收集的。例如，当用户打开由服装租赁订购服务提供的应用程序时，她/他可以在激活过程中提供她/他所选择的物品品牌、尺寸、账单邮编和编辑(例如，用户偏好)。然后，用户可以开始将物品添加到应用程序中提供的她/他的虚拟衣柜中。用户选择的物品可以与存储在一个或更多个数据库中的标识符相关联，或者由这些标识符识别。为了模拟新的用户情况(例如，服装租赁订购服务的新用户首次打开应用程序)，客户/用户界面活动数据可以被分成训练客户/用户界面活动数据(例如，80％的用户界面活动数据)和测试客户/用户界面活动数据(例如，20％的用户界面活动数据)。
步骤306可以包括经由一个或更多个处理器，通过输入用户数据、用户物品数据或用户界面活动数据中的至少一者来基于预测模型确定一个或更多个物品的排名。该排名可以表明用户对所述一个或更多个物品的偏好程度。用户对物品或物品类别的偏好程度越高，该物品或物品类别的排名分数就越高。例如，用户选择给定物品的概率越高，可以确定或分配给给定物品的排名的分数就越高，可以确定或分配给给定物品的偏好程度也越高。在一个示例中，用户与物品或物品类别的图像互动越频繁(例如，用户多次点击裙子)，基于用户对物品或物品类别表现出的较高的偏好程度，该物品或物品类别的排名可能越高。
一旦预测模型被训练(例如，如关于步骤304的描述)，就可以将嵌入式数据输入到预测模型中。图6示出了说明根据一个或更多个实施方式的经训练的预测模型的应用程序的示例性流程图。该方法可以包括：获得客户物品的经训练的嵌入式数据的步骤600(例如，如图5B中讨论的训练后的嵌入式物品示意图)；获得目标新用户的嵌入式数据的步骤601(例如，嵌入式用户数据或嵌入式目标新用户示意图)；获得客户的经训练的嵌入式数据的步骤602(例如，如图5A中讨论的训练后的嵌入式客户示意图)；经由经训练的预测模型来计算排名的步骤603；以及生成预测排名的步骤604。用户的嵌入式数据可能不是随机的。当预测模型正在被训练时，用户或物品的嵌入式数据可能不是随机的，而可能是固定的。一旦预测模型的训练被执行，嵌入式数据可以对给定用户对任何给定物品的偏好的数学表示进行编码。当用户第一次与应用程序互动时，该模型在摄取用户数据、用户物品数据以及从图5A获得的嵌入式数据(例如，经训练的嵌入式用户/客户数据和物品数据)后，可以预测哪些物品更适合于用户。图6可以是基于预测模型确定一个或更多个物品的排名的示例，如图3的步骤306中所述。
步骤307可以包括经由一个或更多个处理器获得包括一个或更多个环境因素的值的环境数据。所述一个或更多个环境因素可以包括季节因素、流行因素或经济因素中的至少一者。季节因素可包括对租赁一个或更多个物品的季节性影响。例如，在冬季，与T恤衫或短裤相比，外衣和毛衣会更受欢迎。流行因素可以包括有关一个或更多个流行物品的信息(例如，最近被其他用户以高比率选择，或被专业商品销售商认为是时尚的物品或物品特征，如风格、颜色等)。例如，这类信息可以表明：目前正在流行白色的服饰；和/或预计在即将到来的冬季会流行。经济因素可包括与服装租赁订购服务有关的任何合适的业务绩效指标，所述业务绩效指标例如包括与时尚行业普遍相关联的收入或利润；或更特别地给定物品类别的库存与销售比率；或当前库存水平；或服装租赁订购服务中的历史物品评级。经济因素可以包括服装租赁订购服务的关键绩效指标，以优先考虑显示给用户/客户的物品，包括当前的库存水平，历史物品的评级，和/或被穿的机会。
步骤308可以包括基于一个或更多个物品的排名和环境数据，向用户提供与服装订购应用程序相关联的个性化用户界面。个性化用户界面可以包括基于在步骤306中确定的排名的物品的列表。个性化用户界面可以被动态地实时更新或调整。例如，个性化用户界面在第1天与第3天之间可能是不同的，这是因为由预测模型收集的附加的用户界面活动数据。个性化用户界面可以包括个性化web页面，所述个性化web页面示出了与一个或更多个物品的排名有关的信息。个性化用户界面可以包括但不限于：基于排名的一个或更多个物品的一个或更多个图像(所述一个或更多个物品是可能相对更容易被用户优选的物品)；与所述一个或更多个物品相关联的新闻或物品；所述一个或更多个物品的价格和品牌；关于租赁所述一个或更多个物品的信息(例如，推荐的佩戴物品的地点或时间)；所述一个或更多个物品的可能替代物品或兼容物品等。一个或更多个物品的排名可以包括一个或更多个物品的重排名，所以在个性化用户界面中，所述一个或更多个物品的所述一个或更多个图像的位置可以基于一个或更多个物品的重排名而变化。尽管本文以可穿戴项目和/或服装等物品为例进行了描述，但该方法也可用于为其他产品提供个性化用户界面。产品可以是由商家销售的任何项目或服务。
该方法还可以包括在预定的时间段内对个性化用户界面进行更新。该预定时间段可以是至少1天、1周、1个月、1个季度、1年或更长。在其他实施方式中，预定时间段可以是最多1年、1个季度、1个月、1周、1天或更短。预定时间段可以基于一个或更多个流行物品到达提供服装租赁订购服务的实体的时间来确定。到达时间可以是新的或流行的物品到达提供服装订购服务的实体的时间。例如，如果一个或更多个流行物品的到达时间是每个月，那么预定时间段就是一个月。
图4示出了说明用于向用户提供个性化用户界面的方法的另一个示例性流程图。该方法可以包括：获得用户数据、用户物品数据和用户界面活动数据的步骤401；将获得的数据(例如，用户数据、用户物品数据和用户界面活动数据)输入到预测模型的步骤402；经由预测模型生成一个或更多个物品的排名的步骤403；基于环境数据对排名中的一个或更多个物品进行重新排序的步骤404；以及将重新排序的排名呈现在用户界面上的步骤405。重新排序的排名可以呈现在个性化用户界面上。关于用户数据、用户物品数据、用户界面活动数据、预测模型、排名、环境数据和排名的细节在本文中另有描述。图4中示出的过程可以重复进行，以配合某个时间表。这个时间表可以是服装租赁订购服务推出新物品的推出时间表。例如，服装租赁服务中的给定租户可以每天推出或发布新的物品。因此，图4中示出的过程可以重复进行，以配合这个时间表。
图7A至图7D示出了多个针对不同用户的示例性个性化用户界面。例如，图7A可以代表针对编辑1(例如，印花连衣裙用户)的物品的前20个选择，图7B可以代表针对编辑2(例如，纯色连衣裙用户)的物品的前20个选择，图7C可以代表针对编辑3(例如，印花单衣用户)的物品的前20个选择，以及图7D可以代表针对编辑4(例如，纯色单衣用户)的物品的前20个选择。编辑可以指用户对物品或物品类别的偏好。下面的表1可以描述针对不同编辑的控制数据和测试数据的结果。来自控制组的控制数据可以代表由人类策划的物品的情况。来自测试组的测试数据可以代表由推荐引擎生成的物品的情况。服装租赁订购服务的一个示例性业务指标可能是减少缺货的百分比，从而增加用户/客户可获得物品的机会，并提供改进的用户体验。例如，编辑1(E1)很好地显示了模型功能，因为尺寸缺货百分比的控制与测试之间的差异是0.01。如表1所示，通过浮现(例如，呈现给用户)更多可用的较旧但相关的物品，推荐引擎生成的个性化用户界面的尺寸缺货百分比在统计学上更低。
表1
Figure BDA0003926777870000231
Figure BDA0003926777870000241
图8描述了与用于向用户提供个性化用户界面的方法相关的多个示例性模型的比较。多个模型可以包括：基于角色的模型，该模型可以利用客户角色；基于个性化的模型，该模型可以利用客户角色和与客户相关联的其他数据；基于随机选择的模型，该模型可以随机地(例如，以非个性化的方式)将客户/用户和一个或更多个物品配对，以提供用于与基于角色的模型和基于个性化的模型进行比较的基线；以及人类策划的新个性化用户界面基线(在图8中表示为水平线)，其可以将人类策划的个性化用户界面作为用于评估目的的推荐基线。从图8中可以看出，人类策划的个性化用户界面基线可以比基于随机选择的模型表现得更好(例如，对于非转换的免费试用(FT)来说是好1.8倍，而对于转换的FT来说是好2.5倍)。基于角色的推荐模型，如本文所述的模型，对于非转化的FT来说，可以比人类策划的个性化用户界面好2.2倍；对于转化的FT来说，可以好1.6倍(比基于随机选择的模型好3.8倍)。基于个性化的推荐模型会表现出过度拟合。过度拟合可以是当针对有限的数据点的集合对函数进行过于紧密地拟合时发生的一种建模错误。
在提供个性化用户界面的任何阶段，该方法还可以包括存储数据(例如，客户数据)以进行后续分析。所存储的数据可以有过期时间。过期时间可以是至少1天、1周、1个月、1个季度、1年或更长。在其他实施方式中，过期时间可以是最多1年、1个季度、1个月、1周、1天或更短。随后的分析可包括对数据进行分析以更新个性化用户界面。
可能负责为每个角色策划服装订购服务的个性化用户界面的商品销售商或雇员，可以在半自动模式或全自动模式下使用本文所述的方法和系统。对于半自动模式，由预测模型以指定的刷新率生成的个性化用户界面可以成为商品销售商或雇员的参考(数据源)，他们可以在向服装租赁订购服务的用户提供个性化用户界面之前，考虑审美质量、季节性或临时的特殊销售事件，迅速对物品类别进行最终布置。对于全自动模式，个性化用户界面可以完全由预测模型提供，并且以指定的刷新率向服装租赁订购服务的用户提供个性化用户界面。
一般来说，本公开内容中讨论的、被理解为可由计算机实现的任何过程，例如图3至图6中示出的过程，可以由如上所述的计算机系统或服务器系统102的一个或更多个处理器执行。由一个或更多个处理器执行的过程或过程步骤也可以被称为操作。一个或更多个处理器可被配置成通过访问指令(例如，软件或计算机可读代码)来执行这样的过程，该指令在被一个或更多个处理器执行时使一个或更多个处理器执行该过程。该指令可以存储在计算机系统的存储器中。处理器可以是中央处理单元(CPU)、图形处理单元(GPU)或任何适当类型的处理单元。
计算机系统例如服务器系统102可以包括一个或更多个计算设备。如果服务器系统102的一个或更多个处理器被实现为多个处理器，则所述多个处理器可以被包括在单个计算设备中或分布在多个计算设备中。如果服务器系统102包括多个计算设备，则服务器系统102的存储器可以包括多个计算设备中的每个计算设备相应的存储器。
图9示出了计算机系统的计算设备900的示例。计算设备900可以包括处理器910(例如，CPU、GPU或其他这样的处理单元)、存储器920以及以与其他设备通信的通信接口940(例如，网络接口)。存储器920可以包括易失性存储器，如RAM，和/或非易失性存储器，如ROM和存储介质。存储介质的示例包括固态存储介质(例如，固态驱动器和/或可移动闪存)、光学存储介质(例如，光盘)和/或磁性存储介质(例如，硬盘驱动器)。上述指令(例如，软件或计算机可读代码)可以存储在存储器920的任何易失性和/或非易失性存储器组件中。在一些实施方式中，计算设备900还可以包括输入设备950(例如，键盘、鼠标或触摸屏)和输出设备960(例如，显示器、打印机)。计算设备900的上述元素可以通过总线930彼此连接，总线930代表一个或更多个总线。在一些实施方式中，计算设备900的处理器(s)910包括CPU和GPU。
能够由一个或更多个处理器执行的指令可以存储在非暂态计算机可读介质上。因此，凡是在本公开内容中描述了计算机实施的方法，本公开内容也应理解为描述了存储指令的非暂态计算机可读介质，该指令在被一个或更多个处理器执行时使一个或更多个处理器执行该计算机实施的方法。非暂态计算机可读介质的示例包括RAM、ROM、固态存储介质(例如，固态驱动器)、光存储介质(例如，光盘)和磁存储介质(例如，硬盘驱动器)。非暂态计算机可读介质可以是计算机系统存储器的一部分，也可以与任何计算机系统分开。
应当理解，在上述对示例性实施方式的描述中，为了精简公开内容和帮助理解各种发明性的一个或更多个方面，各种特征有时被组合在单个实施方式、附图或其描述中。然而，这种公开方法不能被解释为反映了下述意图：即权利要求需要比在每项权利要求中明确记载的更多的特征。相反，正如所附的权利要求书所反映的那样，发明性的方面在于少于前述单个公开的实施方式的所有特征。因此，除具体实施方式之外的权利要求在此被明确结合到本节的具体实施方式中，每项权利要求作为本公开内容的独立实施方式而独立存在。
此外，虽然本文描述的一些实施方式包括一些但不包括其他实施方式中所包括的其他特征，但不同实施方式的特征的组合是意在落在本公开内容的范围内，并且形成不同的实施方式，这本领域的技术人员可以理解的。例如，在所附权利要求书中，任何所要求的实施方式都可以在任何组合中使用。
因此，虽然已经描述了某些实施方式，但本领域的技术人员将认识到，在不违背本公开内容的精神的情况下，可以对其进行其他和进一步的修改，并且旨在要求所有这样的变化和修改，因为这样的变化和修改落入本公开内容的范围内。例如，可以从方框图中添加或删除功能，并且可以在功能块之间进行互换操作。在本公开内容范围内描述的方法可以增加或删除一些步骤。
上述公开的主题应被视为说明性的，而不是限制性的，并且所附的权利要求书旨在涵盖所有这样的修改、增强和其他实施方式，它们属于本公开内容的真正精神和范围。因此，在法律允许的最大范围内，本公开内容的范围将由所附权利要求书及其等同内容的最广泛允许的解释来确定，并且不应受到前述详细描述的限制或制约。虽然已经描述了本公开内容的各种实施方式，但是对于本领域的普通技术人员来说明显的是在本公开内容的范围内可以有更多的实施方式和实施方案。因此，本公开内容不应受到限制。

Claims (20)

1.一种用于向用户提供个性化用户界面的计算机实现的方法，所述方法包括：
经由一个或更多个处理器获得客户数据，所述客户数据包括服装订购应用程序的至少一个客户的客户识别数据，所述客户识别数据包括所述至少一个客户的客户人口统计学数据；
经由所述一个或更多个处理器获得客户物品数据，所述客户物品数据包括与所述服装订购应用程序的所述至少一个客户相关联的物品信息；
经由所述一个或更多个处理器获得所述至少一个客户的客户界面活动数据，所述客户界面活动数据包括在所述至少一个客户和与所述服装订购应用程序相关联的客户界面之间的一个或更多个互动活动；
经由所述一个或更多个处理器基于所述至少一个客户的所述客户数据、所述客户物品数据和所述客户界面活动数据来对预测模型进行训练；
经由所述一个或更多个处理器获得所述服装订购应用程序的用户的用户数据、用户物品数据或用户界面活动数据中的至少一者；
经由所述一个或更多个处理器，通过输入所述用户数据、所述用户物品数据或所述用户界面活动数据中的至少一者来基于训练后的预测模型确定一个或更多个物品的排名，所述排名表示所述用户对所述一个或更多个物品的偏好程度；
经由所述一个或更多个处理器获得环境数据，所述环境数据包括一个或更多个环境因素的值，所述一个或更多个环境因素包括季节因素、流行因素或经济因素中的至少一者；
经由所述一个或更多个处理器基于所获得的包括所述一个或更多个环境因素的值的环境数据，对经由所述训练后的预测模型排名后的一个或更多个物品进行更新；以及
基于更新后的一个或更多个物品，向所述用户提供与所述服装订购应用程序相关联的所述个性化用户界面。
2.根据权利要求1所述的计算机实现的方法，还包括：在对所述预测模型进行训练之前，将所述客户数据和所述客户物品数据分别转换为嵌入式客户数据和嵌入式物品数据。
3.根据权利要求2所述的计算机实现的方法，还包括：基于所述至少一个客户的所述嵌入式客户数据、所述嵌入式物品数据和所述客户界面活动数据来对所述预测模型进行训练。
4.根据权利要求1所述的计算机实现的方法，其中，所述用户不是所述至少一个客户。
5.根据权利要求1所述的计算机实现的方法，其中，对所述预测模型进行训练包括：基于所述客户界面活动数据来对所述至少一个客户进行聚类。
6.根据权利要求1所述的计算机实现的方法，其中，所述用户数据包括所述用户的用户识别数据。
7.根据权利要求1所述的计算机实现的方法，其中，所述用户物品数据包括：与所述服装订购应用程序的所述用户相关联的物品信息。
8.根据权利要求1所述的计算机实现的方法，其中，对所述预测模型进行训练包括：利用一个或更多个损失函数来对所述预测模型进行训练。
9.根据权利要求1所述的计算机实现的方法，还包括：在预定的时间段内对所述个性化的用户界面进行更新。
10.根据权利要求9所述的计算机实现的方法，其中，所述预定的时间段是基于一个或更多个流行性物品的到达时间来确定的。
11.根据权利要求1所述的计算机实现的方法，其中，所述一个或更多个环境因素包括季节因素，所述季节因素表示对租赁所述一个或更多个物品的季节性影响。
12.根据权利要求1所述的计算机实现的方法，其中，所述一个或更多个环境因素包括流行因素，所述流行因素描述关于一个或更多个流行物品的信息。
13.一种用于向用户提供个性化用户界面的计算机系统，包括：
存储器，所述存储器存储指令；以及
一个或更多个处理器，所述一个或更多个处理器被配置成执行所述指令以进行下述操作，所述操作包括：
获得客户数据，所述客户数据包括服装订购应用程序的至少一个客户的客户识别数据，所述客户识别数据包括所述至少一个客户的客户人口统计学数据；
获得客户物品数据，所述客户物品数据包括与所述服装订购应用程序的所述至少一个客户相关联的物品信息；
获得所述至少一个客户的客户界面活动数据，所述客户界面活动数据包括在所述至少一个客户和与所述服装订购应用程序相关联的客户界面之间的一个或更多个互动活动；
基于所述至少一个客户的所述客户数据、所述客户物品数据和所述客户界面活动数据来对预测模型进行训练；
获得所述服装订购应用程序的用户的用户数据、用户物品数据或用户界面活动数据中的至少一者；
通过输入所述用户数据、所述用户物品数据或所述用户界面活动数据中的至少一者，来基于训练后的预测模型确定一个或更多个物品的排名，所述排名表示所述用户对所述一个或更多个物品的偏好程度；
获得环境数据，所述环境数据包括一个或更多个环境因素的值，所述一个或更多个环境因素包括季节因素、流行因素或经济因素中的至少一者；
基于所获得的包括所述一个或更多个环境因素的值的环境数据，对经由所述训练后的预测模型排名后的一个或更多个物品进行更新；以及
基于更新后的一个或更多个物品，向所述用户提供与所述服装订购应用程序相关联的所述个性化用户界面。
14.根据权利要求13所述的计算机系统，其中，对所述预测模型进行训练包括：基于所述客户界面活动数据对所述至少一个客户进行聚类。
15.根据权利要求13所述的计算机系统，其中，所述用户物品数据包括与所述服装订购应用程序的所述用户相关联的物品信息。
16.根据权利要求13所述的计算机系统，其中，所述一个或更多个环境因素包括季节因素，所述季节因素表示对租赁所述一个或更多个物品的季节性影响。
17.根据权利要求13所述的计算机系统，其中，所述一个或更多个环境因素包括流行因素，所述流行因素描述关于一个或更多个流行物品的信息。
18.一种非暂态计算机可读介质，所述非暂态计算机可读介质用于在计算机系统上使用，所述非暂态计算机可读介质包含计算机可执行编程指令，所述计算机可执行编程指令用于执行向用户提供个性化用户界面的方法，所述方法包括：
经由一个或更多个处理器获得客户数据，所述客户数据包括服装订购应用程序的至少一个客户的客户识别数据，所述客户识别数据包括所述至少一个客户的客户人口统计学数据；
经由所述一个或更多个处理器获得客户物品数据，所述客户物品数据包括与所述服装订购应用程序的所述至少一个客户相关联的物品信息；
经由所述一个或更多个处理器获得所述至少一个客户的客户界面活动数据，所述客户界面活动数据包括在所述至少一个客户和与所述服装订购应用程序相关联的客户界面之间的一个或更多个互动活动；
经由所述一个或更多个处理器基于所述至少一个客户的所述客户数据、所述客户物品数据和所述客户界面活动数据来对预测模型进行训练；
经由所述一个或更多个处理器获得所述服装订购应用程序的用户的用户数据、用户物品数据或用户界面活动数据中的至少一者；
经由所述一个或更多个处理器，通过输入所述用户数据、所述用户物品数据或所述用户界面活动数据中的至少一者来基于训练后的预测模型确定一个或更多个物品的排名，所述排名表示所述用户对所述一个或更多个物品的偏好程度；
经由所述一个或更多个处理器获得环境数据，所述环境数据包括一个或更多个环境因素的值，所述一个或更多个环境因素包括季节因素、流行因素或经济因素中的至少一者；
经由所述一个或更多个处理器基于所获得的包括所述一个或更多个环境因素的值的环境数据，对经由所述训练后的预测模型排名后的一个或更多个物品进行更新；以及
基于更新后的一个或更多个物品，来向所述用户提供与所述服装订购应用程序相关联的所述个性化用户界面。
19.根据权利要求18所述的非暂态计算机可读介质，其中，所述一个或更多个环境因素包括季节因素，所述季节因素表示对租赁所述一个或更多个物品的季节性影响。
20.根据权利要求18所述的非暂态计算机可读介质，其中，所述一个或更多个环境因素包括流行因素，所述流行因素描述关于一个或更多个流行物品的信息。
CN202180033225.5A 2020-05-07 2021-05-04 用于提供个性化用户界面的方法和系统 Pending CN115735219A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US16/868,903 US20210350391A1 (en) 2020-05-07 2020-05-07 Methods and systems for providing a personalized user interface
US16/868,903 2020-05-07
PCT/US2021/030544 WO2021226006A1 (en) 2020-05-07 2021-05-04 Methods and systems for providing a personalized user interface

Publications (1)

Publication Number Publication Date
CN115735219A true CN115735219A (zh) 2023-03-03

Family

ID=78412962

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202180033225.5A Pending CN115735219A (zh) 2020-05-07 2021-05-04 用于提供个性化用户界面的方法和系统

Country Status (4)

Country Link
US (1) US20210350391A1 (zh)
EP (1) EP4139874A4 (zh)
CN (1) CN115735219A (zh)
WO (1) WO2021226006A1 (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11822599B2 (en) * 2020-12-16 2023-11-21 International Business Machines Corporation Visualization resonance for collaborative discourse
US11636528B2 (en) * 2021-01-29 2023-04-25 Walmart Apollo, Llc Methods and apparatuses for recommending seasonal items
US20220284433A1 (en) * 2021-03-04 2022-09-08 Capital One Services, Llc Unidimensional embedding using multi-modal deep learning models
CN114826865A (zh) * 2022-05-11 2022-07-29 北京鼎泰智源科技有限公司 一种涉税数据应用接口对接方法及装置
CN118379118B (zh) * 2024-06-25 2024-09-10 青州市坦博尔服饰股份有限公司 基于大数据的冲锋衣个性化推荐方法及系统
CN118551125A (zh) * 2024-07-30 2024-08-27 国网信息通信产业集团有限公司 企业内容服务平台的内容账号服务管理系统

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20120085707A (ko) * 2009-06-03 2012-08-01 라이크닷컴 사용자 장르 및 스타일을 학습하고 사용자 선호도에 따라 상품을 매칭하는 방법 및 시스템
US20130218907A1 (en) * 2012-02-21 2013-08-22 Microsoft Corporation Recommender system
US20170236131A1 (en) * 2015-04-30 2017-08-17 NetSuite Inc. System and methods for leveraging customer and company data to generate recommendations and other forms of interactions with customers
US11538083B2 (en) * 2018-05-17 2022-12-27 International Business Machines Corporation Cognitive fashion product recommendation system, computer program product, and method
US11100560B2 (en) * 2019-03-19 2021-08-24 Stitch Fix, Inc. Extending machine learning training data to generate an artificial intelligence recommendation engine
US20210049674A1 (en) * 2019-08-16 2021-02-18 Ebay Inc. Predictive selection of product variations

Also Published As

Publication number Publication date
US20210350391A1 (en) 2021-11-11
EP4139874A4 (en) 2023-08-16
EP4139874A1 (en) 2023-03-01
WO2021226006A1 (en) 2021-11-11

Similar Documents

Publication Publication Date Title
US11100560B2 (en) Extending machine learning training data to generate an artificial intelligence recommendation engine
CN110663023B (zh) 用于优化计算机机器学习的方法和系统
US11734747B2 (en) Contextual set selection
US20210350391A1 (en) Methods and systems for providing a personalized user interface
Pereira et al. Customer models for artificial intelligence-based decision support in fashion online retail supply chains
US10963744B2 (en) Cognitive automated and interactive personalized fashion designing using cognitive fashion scores and cognitive analysis of fashion trends and data
US10275818B2 (en) Next generation improvements in recommendation systems
US9727620B2 (en) System and method for item and item set matching
JP6511204B1 (ja) 情報処理システム、情報処理装置、サーバ装置、プログラム、又は方法
US20240144363A1 (en) Methods and systems for updating a user interface based on level of user interest
Tahir et al. E-commerce platform based on Machine Learning Recommendation System
US20140372197A1 (en) Systems, apparatuses and methods for providing a price point to a consumer for products in an electronic shopping cart of the consumer
Cui An adaptive recommendation algorithm of intelligent clothing design elements based on large database
US20220156770A1 (en) Methods and systems for determining a quantity and a size distribution of products
US11430043B2 (en) System and method for fashion recommendations
CN114723491A (zh) 一种基于用户画像和数据挖掘的精准营销方法和系统
JP6592755B1 (ja) 情報処理システム、情報処理装置、サーバ装置、プログラム、又は方法
Strain et al. Naive Bayesian Network for Automated, Fashion Personal Stylist.
Leininger et al. Advancing performance of retail recommendation systems
KR102678159B1 (ko) 의류판매 플랫폼 시스템
JP2020071871A (ja) 情報処理システム、情報処理装置、サーバ装置、プログラム、又は方法
US11328339B2 (en) System and method for fashion recommendations
Harris et al. Deep Learning for Online Fashion: A Novel Solution for the Retail E-Commerce Industry
KR102707570B1 (ko) 인공지능 모델 기반 알고리즘을 활용한 제품별 치수 정보 비교 및 맞춤형 의류 추천 방법, 장치 및 시스템
US20230351654A1 (en) METHOD AND SYSTEM FOR GENERATING IMAGES USING GENERATIVE ADVERSARIAL NETWORKS (GANs)

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication