CN115880037B - 基于多项目规划整合分析的商品推荐方法 - Google Patents
基于多项目规划整合分析的商品推荐方法 Download PDFInfo
- Publication number
- CN115880037B CN115880037B CN202310199010.1A CN202310199010A CN115880037B CN 115880037 B CN115880037 B CN 115880037B CN 202310199010 A CN202310199010 A CN 202310199010A CN 115880037 B CN115880037 B CN 115880037B
- Authority
- CN
- China
- Prior art keywords
- commodity
- recommended
- commodities
- time
- recommendation
- 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
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及商品推荐技术领域,具体地说,涉及基于多项目规划整合分析的商品推荐方法。其包括获取不同类型商品搭配方案共同适用场景;结合同类型商品搭配方案,选取共同适用场景其余商品作为推荐商品。本发明通过对对用户购买商品信息进行记录,获取商品搭配类型,随后划分同类型商品搭配方案以及不同类型搭配方案,获取不同类型商品搭配方案共同适用场景,结合同类型商品搭配方案,选取共同适用场景其余商品作为推荐商品,适应所购商品相关的不同类型商品推荐,避免同类型商品推荐,提高商品推荐效果。
Description
技术领域
本发明涉及商品推荐技术领域,具体地说,涉及基于多项目规划整合分析的商品推荐方法。
背景技术
商品推荐分发系统可以在恰当的场景给用户推荐恰当的商品,常见的如电子商务推荐系统,在互联网上给用户推荐各种商品,如推荐新的上架的商品, 打折的商品,热销的商品,目前互联网上的电子商务推荐系统,一般是基于商品销售排行、用户对商品的评价评分进行商品推荐,由于缺乏对用户个性化推荐所需要使用的智能分析因素,因此在很多情况下推荐给用户的商品并不是用户所喜欢的。
公开号CN102592223A一种商品推荐方法和商品推荐系统,方法包括:依据用户的浏览记录和/或用户属性获取样本训练数据,并对所述样本训练数据建立关联分析模型;依据关联分析模型生成关联数据;接收商品推荐请求,依据所述商品推荐请求获取用户信息,基于所述用户信息以及所述关联数据将与所述用户信息相关联的商品推荐给相关门户,以便由相关门户显示给用户,商品推荐系统包括模型建立单元和商品推荐服务器,本发明的技术方案既保证了推荐质量,又提供实时高速的推荐服务,且可扩展性强,适于不同的应用场景。
上述方案存在以下缺陷:
推荐的商品为用户当前购买商品同类型的商品,例如购买鞋子后,其推荐的商品的大多数为鞋子,而用户购买当前商品后,短暂时间内不会再想购买相同类型的商品,导致推荐商品并非为用户所满意的。
为了应对上述问题,现亟需基于多项目规划整合分析的商品推荐方法。
发明内容
本发明的目的在于提供基于多项目规划整合分析的商品推荐方法,以解决上述背景技术中提出的问题。
为实现上述目的,提供了基于多项目规划整合分析的商品推荐方法,包括如下步骤:
S1、对用户购买商品信息进行记录,获取商品搭配类型;
S2、划分同类型商品搭配方案以及不同类型搭配方案;
S3、获取不同类型商品搭配方案共同适用场景;
S4、结合同类型商品搭配方案,选取共同适用场景其余商品作为推荐商品;
S5、规划共同适用场景推荐时间区段,在推荐时间区段内将推荐商品推送至用户;
S6、反馈用户购买推荐商品信息,确定回执购买率;
S7、根据回执购买率以及推荐商品,确定反馈训练集,通过反馈训练集实时更新推荐商品。
作为本技术方案的进一步改进,所述S1中商品搭配类型的获取方法包括如下步骤:
S1.1、获取各个商品购买时间间隔,确定时间间隔阈值;
S1.2、剔除超过时间间隔阈值的商品;
S1.3、获取各个商品所属领域,建立商品领域集;
S1.4、将剩余获取的商品进行商品领域集比对,确定各个获取的商品所属领域;
S1.5、根据各个获取的商品所属领域确定同类型商品搭配方案规则;
S1.6、匹配获取的不同类型商品,规划其不同类型搭配规则。
作为本技术方案的进一步改进,所述S3不同类型商品搭配方案共同适用场景获取方法包括如下步骤:
S3.1、确定各个商品适用场景,建立商品场景适用集;
S3.2、比对不同类型商品内各种商品对应的商品场景适用集;
S3.3、选取其中重合的场景作为共同适用场景。
作为本技术方案的进一步改进,所述S4中推荐商品的选取方法包括如下步骤:
S4.1、根据所述S3.1建立的商品场景适用集,确定当前成功选取的共同适用场景中适用的商品,生成商品适用集;
S4.2、比对用户购买的商品与商品适用集;
S4.3、剔除其中与之重合的用户购买的商品,将商品适用集剩余的适用商品作为预推荐商品;
S4.4、制定单位时间,确定单位时间内各个预推荐商品的购买量,按照购买量对各个预推荐商品进行排序;
S4.5、将排序完的预推荐商品标记为推荐商品,根据排序对每个推荐商品进行标号处理。
作为本技术方案的进一步改进,所述S5中场景推荐时间区段规划方法包括以下步骤:
S5.1、记录用户购买商品时间周期;
S5.2、根据记录的时间周期推断用户下次购买商品时间区段,建立时间区段集。
作为本技术方案的进一步改进,所述S5.2中时间区段集建立方法包括如下步骤:
S5.2.1、确定时间区段前后准确时间点;
S5.2.2、确定时间区段特殊日期,标记特殊日期。
作为本技术方案的进一步改进,所述S5.2.2中特殊日期的标记采用阈值规划算法,其算法公式如下:其中为确定的时间区段内先前所测各个时间日期的推荐商品销售额集合,至为确定的时间区段内先前所测各个时间日期的推荐商品销售额,为推荐商品销售额阈值,n为时间区段内包含的天数,为阈值规划判断函数,为待测日期的推荐商品销售额,当待测日期的推荐商品销售额低于推荐商品销售额阈值时,阈值规划判断函数输出为0,表明该日期不为特殊日期,当待测日期的推荐商品销售额不低于推荐商品销售额阈值时,阈值规划判断函数输出为1,表明该日期为特殊日期。作为本技术方案的进一步改进,所述S6中回执购买率确定方法包括如下步骤:
S6.1、确定推荐商品次数以及用户浏览推荐商品时间;
S6.2、制定浏览推荐商品时间阈值,剔除其中低于浏览推荐商品时间阈值的推荐商品;
S6.3、确定剩余推荐商品用户购买量,推算出推荐商品回执购买率。
作为本技术方案的进一步改进,所述S7中的反馈训练集包括如下步骤:
S7.1、对各个推荐商品的回执购买率进行汇总;
S7.2、根据推荐商品的回执购买率,对各个推荐商品进行推荐顺序规划;
S7.3、对所述S6.2中剔除的推荐商品进行同类型选取,作为推荐商品进行二次推荐;
S7.4、实时更新推荐回执购买率,作为下次推荐商品推荐顺序依据。
作为本技术方案的进一步改进,所述S7.3中推荐商品的二次推荐方法包括如下步骤:
S7.3.1、确定剔除的推荐商品种类;
S7.3.2、结合所述S1.3中的商品领域集,选取剔除的推荐商品同类型的商品;
S7.3.3、对同类型的商品进行推荐商品顺序规划。
与现有技术相比,本发明的有益效果:
该基于多项目规划整合分析的商品推荐方法中,通过对对用户购买商品信息进行记录,获取商品搭配类型,随后划分同类型商品搭配方案以及不同类型搭配方案,获取不同类型商品搭配方案共同适用场景,结合同类型商品搭配方案,选取共同适用场景其余商品作为推荐商品,适应所购商品相关的不同类型商品推荐,避免同类型商品推荐,提高商品推荐效果。
附图说明
图1为本发明的整体流程步骤图;
图2为本发明的商品搭配类型的获取方法步骤流程图;
图3为本发明的不同类型商品搭配方案共同适用场景获取方法流程图;
图4为本发明的推荐商品的选取方法流程图;
图5为本发明的场景推荐时间区段规划方法流程图;
图6为本发明的时间区段集建立方法流程图;
图7为本发明的回执购买率确定方法流程图;
图8为本发明的反馈训练集流程图;
图9为本发明的推荐商品的二次推荐方法流程图。
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。
请参阅图1-图9所示,提供了基于多项目规划整合分析的商品推荐方法,包括如下步骤:
S1、对用户购买商品信息进行记录,获取商品搭配类型;
S2、划分同类型商品搭配方案以及不同类型搭配方案;
S3、获取不同类型商品搭配方案共同适用场景;
S4、结合同类型商品搭配方案,选取共同适用场景其余商品作为推荐商品;
S5、规划共同适用场景推荐时间区段,在推荐时间区段内将推荐商品推送至用户;
S6、反馈用户购买推荐商品信息,确定回执购买率;
S7、根据回执购买率以及推荐商品,确定反馈训练集,通过反馈训练集实时更新推荐商品。
具体使用时,首先对用户购买商品信息进行记录,获取商品搭配类型,随后划分同类型商品搭配方案以及不同类型搭配方案,例如用户购买了太阳镜、球鞋以及遮阳帽三样物品,此时太阳镜与遮阳帽属于同类型商品搭配,属于护具,而太阳镜与球鞋属于不同类型商品搭配,球鞋属于穿戴用品,随后获取不同类型商品搭配方案共同适用场景,例如太阳镜与球鞋共同使用的场景为球场、登山以及郊游等户外场景,此时球场、登山以及郊游等户外场景就作为共同适用场景,随即结合同类型商品搭配方案,选取共同适用场景其余商品作为推荐商品,球场除了太阳镜、球鞋以及遮阳帽三样商品还有球类用具,此时球类用具即作为推荐商品,规划共同适用场景推荐时间区段,在推荐时间区段内将推荐商品推送至用户,反馈用户购买推荐商品信息,确定回执购买率,即用户购买推荐商品的购买率,根据回执购买率以及推荐商品,确定反馈训练集,通过反馈训练集实时更新推荐商品,即确定各个推荐商品的购买率,按照推荐商品的购买率进行商品排序,作为后期推荐顺序。
此外,所述S1中商品搭配类型的获取方法包括如下步骤:
S1.1、获取各个商品购买时间间隔,确定时间间隔阈值;
S1.2、剔除超过时间间隔阈值的商品;
S1.3、获取各个商品所属领域,建立商品领域集;
S1.4、将剩余获取的商品进行商品领域集比对,确定各个获取的商品所属领域;
S1.5、根据各个获取的商品所属领域确定同类型商品搭配方案规则;
S1.6、匹配获取的不同类型商品,规划其不同类型搭配规则。
具体使用时,首先获取各个商品购买时间间隔,确定时间间隔阈值,剔除超过时间间隔阈值的商品,例如用户购买的商品中包括A1、A2、A3以及B1,A1、A2以及A3均为同一天购买,而B1为三个月前所购买,时间间隔阈值定为一个月内购买的商品,此时B1将会剔除,不作为后期商品进行参考,获取各个商品所属领域,建立商品领域集,即确定购买平台各个商品所述领域,将剩余获取的商品进行商品领域集比对,确定各个获取的商品所属领域,得出用户的购买的各个商品属于领域,根据各个获取的商品所属领域确定同类型商品搭配方案规则,即属于同一种领域的两种或者多种商品就为同类型搭配方案,匹配获取的不同类型商品,规划其不同类型搭配规则,即属于不同领域的两种或者多种商品就为不同类型搭配方案。
进一步的,所述S3不同类型商品搭配方案共同适用场景获取方法包括如下步骤:
S3.1、确定各个商品适用场景,建立商品场景适用集;
S3.2、比对不同类型商品内各种商品对应的商品场景适用集;
S3.3、选取其中重合的场景作为共同适用场景。
具体使用时,首先确定各个商品适用场景,建立商品场景适用集,即将该商品所有适用场景进行整合,生成商品场景适用集,作为后期比对依据,比对不同类型商品内各种商品对应的商品场景适用集,选取其中重合的场景作为共同适用场景,即可判断出不同类型商品内各种商品同时出现的场景,以供后期进行推荐商品规划。
再进一步的,所述S4中推荐商品的选取方法包括如下步骤:
S4.1、根据所述S3.1建立的商品场景适用集,确定当前成功选取的共同适用场景中适用的商品,生成商品适用集;
S4.2、比对用户购买的商品与商品适用集;
S4.3、剔除其中与之重合的用户购买的商品,将商品适用集剩余的适用商品作为预推荐商品;
S4.4、制定单位时间,确定单位时间内各个预推荐商品的购买量,按照购买量对各个预推荐商品进行排序;
S4.5、将排序完的预推荐商品标记为推荐商品,根据排序对每个推荐商品进行标号处理。
具体使用时,首先,根据所述S3.1建立的商品场景适用集,确定当前成功选取的共同适用场景中适用的商品,生成商品适用集,即共同适用场景适用的各种商品,比对用户购买的商品与商品适用集,判断用户购买的商品中是否存在商品适用集对应的商品,剔除其中与之重合的用户购买的商品,将商品适用集剩余的适用商品作为预推荐商品,制定单位时间,确定单位时间内各个预推荐商品的购买量,按照购买量对各个预推荐商品进行排序,将排序完的预推荐商品标记为推荐商品,根据排序对每个推荐商品进行标号处理,以供后期进行顺序推送。
具体的,所述S5中场景推荐时间区段规划方法包括以下步骤:
S5.1、记录用户购买商品时间周期;
S5.2、根据记录的时间周期推断用户下次购买商品时间区段,建立时间区段集。
具体使用时,首先记录用户购买商品时间周期,即用户两次登录商品平台进行购物的相隔时间,根据记录的时间周期推断用户下次购买商品时间区段,建立时间区段集,根据时间区段集进行定期推荐商品推送。
此外,所述S5.2中时间区段集建立方法包括如下步骤:
S5.2.1、确定时间区段前后准确时间点;
S5.2.2、确定时间区段特殊日期,标记特殊日期。
具体使用时,首先确定时间区段前后准确时间点,即确定后的时间区段起始时间以及结束时间,随后确定起始时间到结束时间之间是否存在特殊日期,例如一些与推荐商品相关的节日以及比赛日等特殊日期,表明此特殊日期内相关的推荐商品销售额远高于平时日期,确定时间区段特殊日期后,对时间区段内的特殊日期进行标记处理,作为推荐商品的重点推送时间日期。
进一步的,所述S5.2.2中特殊日期的标记采用阈值规划算法,其算法公式如下:其中为确定的时间区段内先前所测各个时间日期的推荐商品销售额集合,至为确定的时间区段内先前所测各个时间日期的推荐商品销售额,为推荐商品销售额阈值,n为时间区段内包含的天数,为阈值规划判断函数,为待测日期的推荐商品销售额,当待测日期的推荐商品销售额低于推荐商品销售额阈值时,阈值规划判断函数输出为0,表明该日期不为特殊日期,当待测日期的推荐商品销售额不低于推荐商品销售额阈值时,阈值规划判断函数输出为1,表明该日期为特殊日期。
再进一步的,所述S6中回执购买率确定方法包括如下步骤:
S6.1、确定推荐商品次数以及用户浏览推荐商品时间;
S6.2、制定浏览推荐商品时间阈值,剔除其中低于浏览推荐商品时间阈值的推荐商品;
S6.3、确定剩余推荐商品用户购买量,推算出推荐商品回执购买率。
具体使用时,首先确定推荐商品次数以及用户浏览推荐商品时间,由于再进行推荐商品推送至用户过程中,用户对于各个推荐商品的喜爱程度不同,即使是用户可能会用上的商品,由于个人喜好不同,其对各个推荐商品的满意度也会有所不一,所以对于不同推荐商品的浏览时间不同,本发明采用浏览时间的长短判断用户对推荐商品的满意度,制定浏览推荐商品时间阈值,剔除其中低于浏览推荐商品时间阈值的推荐商品,表明该推荐商品用户并不满意,甚至感到反感,所以再后期计算推荐商品回执购买率时,需要将该类推荐商品进行剔除,随后确定剩余推荐商品用户购买量,推算出推荐商品回执购买率。
此外,所述S7中的反馈训练集包括如下步骤:
S7.1、对各个推荐商品的回执购买率进行汇总;
S7.2、根据推荐商品的回执购买率,对各个推荐商品进行推荐顺序规划;
S7.3、对所述S6.2中剔除的推荐商品进行同类型选取,作为推荐商品进行二次推荐;
S7.4、实时更新推荐回执购买率,作为下次推荐商品推荐顺序依据。
具体使用时,对各个推荐商品的回执购买率进行汇总,根据推荐商品的回执购买率,对各个推荐商品进行推荐顺序规划,对S6.2中剔除的推荐商品进行同类型选取,作为推荐商品进行二次推荐,实时更新推荐回执购买率,作为下次推荐商品推荐顺序依据。
除此之外,所述S7.3中推荐商品的二次推荐方法包括如下步骤:
S7.3.1、确定剔除的推荐商品种类;
S7.3.2、结合所述S1.3中的商品领域集,选取剔除的推荐商品同类型的商品;
S7.3.3、对同类型的商品进行推荐商品顺序规划。
具体使用时,确定剔除的推荐商品种类,结合S1.3中的商品领域集,选取剔除的推荐商品同类型的商品,即与剔除的推荐商品相关的商品,对同类型的商品进行推荐商品顺序规划,确定各个同类型的商品时间区段内的销售额,结合销售额进行顺序规划。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的仅为本发明的优选例,并不用来限制本发明,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (7)
1.基于多项目规划整合分析的商品推荐方法,其特征在于,包括如下步骤:
S1、对用户购买商品信息进行记录,获取商品搭配类型;
S2、划分同类型商品搭配方案以及不同类型搭配方案;
S3、获取不同类型商品搭配方案共同适用场景;
S4、结合同类型商品搭配方案,选取共同适用场景其余商品作为推荐商品;
S5、规划共同适用场景推荐时间区段,在推荐时间区段内将推荐商品推送至用户;
S6、反馈用户购买推荐商品信息,确定回执购买率;
S7、根据回执购买率以及推荐商品,确定反馈训练集,通过反馈训练集实时更新推荐商品;
所述S5中场景推荐时间区段规划方法包括以下步骤:
S5.1、记录用户购买商品时间周期;
S5.2、根据记录的时间周期推断用户下次购买商品时间区段,建立时间区段集;
所述S5.2中时间区段集建立方法包括如下步骤:
S5.2.1、确定时间区段前后准确时间点;
S5.2.2、确定时间区段特殊日期,标记特殊日期;
所述S5.2.2中特殊日期的标记采用阈值规划算法,其算法公式如下:其中为确定的时间区段内先前所测各个时间日期的推荐商品销售额集合,至为确定的时间区段内先前所测各个时间日期的推荐商品销售额,为推荐商品销售额阈值,n为时间区段内包含的天数,为阈值规划判断函数,为待测日期的推荐商品销售额,当待测日期的推荐商品销售额低于推荐商品销售额阈值时,阈值规划判断函数输出为0,表明该日期不为特殊日期,当待测日期的推荐商品销售额不低于推荐商品销售额阈值时,阈值规划判断函数输出为1,表明该日期为特殊日期。
2.根据权利要求1所述的基于多项目规划整合分析的商品推荐方法,其特征在于:所述S1中商品搭配类型的获取方法包括如下步骤:
S1.1、获取各个商品购买时间间隔,确定时间间隔阈值;
S1.2、剔除超过时间间隔阈值的商品;
S1.3、获取各个商品所属领域,建立商品领域集;
S1.4、将剩余获取的商品进行商品领域集比对,确定各个获取的商品所属领域;
S1.5、根据各个获取的商品所属领域确定同类型商品搭配方案规则;
S1.6、匹配获取的不同类型商品,规划其不同类型搭配规则。
3.根据权利要求2所述的基于多项目规划整合分析的商品推荐方法,其特征在于:所述S3不同类型商品搭配方案共同适用场景获取方法包括如下步骤:
S3.1、确定各个商品适用场景,建立商品场景适用集;
S3.2、比对不同类型商品内各种商品对应的商品场景适用集;
S3.3、选取其中重合的场景作为共同适用场景。
4.根据权利要求1所述的基于多项目规划整合分析的商品推荐方法,其特征在于:所述S4中推荐商品的选取方法包括如下步骤:
S4.1、根据所述S3.1建立的商品场景适用集,确定当前成功选取的共同适用场景中适用的商品,生成商品适用集;
S4.2、比对用户购买的商品与商品适用集;
S4.3、剔除其中与之重合的用户购买的商品,将商品适用集剩余的适用商品作为预推荐商品;
S4.4、制定单位时间,确定单位时间内各个预推荐商品的购买量,按照购买量对各个预推荐商品进行排序;
S4.5、将排序完的预推荐商品标记为推荐商品,根据排序对每个推荐商品进行标号处理。
5.根据权利要求2所述的基于多项目规划整合分析的商品推荐方法,其特征在于:所述S6中回执购买率确定方法包括如下步骤:
S6.1、确定推荐商品次数以及用户浏览推荐商品时间;
S6.2、制定浏览推荐商品时间阈值,剔除其中低于浏览推荐商品时间阈值的推荐商品;
S6.3、确定剩余推荐商品用户购买量,推算出推荐商品回执购买率。
6.根据权利要求5所述的基于多项目规划整合分析的商品推荐方法,其特征在于:所述S7中的反馈训练集包括如下步骤:
S7.1、对各个推荐商品的回执购买率进行汇总;
S7.2、根据推荐商品的回执购买率,对各个推荐商品进行推荐顺序规划;
S7.3、对所述S6.2中剔除的推荐商品进行同类型选取,作为推荐商品进行二次推荐;
S7.4、实时更新推荐回执购买率,作为下次推荐商品推荐顺序依据。
7.根据权利要求6所述的基于多项目规划整合分析的商品推荐方法,其特征在于:所述S7.3中推荐商品的二次推荐方法包括如下步骤:
S7.3.1、确定剔除的推荐商品种类;
S7.3.2、结合所述S1.3中的商品领域集,选取剔除的推荐商品同类型的商品;
S7.3.3、对同类型的商品进行推荐商品顺序规划。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310199010.1A CN115880037B (zh) | 2023-03-03 | 2023-03-03 | 基于多项目规划整合分析的商品推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310199010.1A CN115880037B (zh) | 2023-03-03 | 2023-03-03 | 基于多项目规划整合分析的商品推荐方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115880037A CN115880037A (zh) | 2023-03-31 |
CN115880037B true CN115880037B (zh) | 2023-05-12 |
Family
ID=85761946
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310199010.1A Active CN115880037B (zh) | 2023-03-03 | 2023-03-03 | 基于多项目规划整合分析的商品推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115880037B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116957750B (zh) * | 2023-09-20 | 2023-12-15 | 苏州极易科技股份有限公司 | 商品包的生成方法、系统、存储介质及电子设备 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113706251A (zh) * | 2021-08-30 | 2021-11-26 | 平安国际智慧城市科技股份有限公司 | 基于模型的商品推荐方法、装置、计算机设备和存储介质 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013137598A (ja) * | 2011-12-28 | 2013-07-11 | Hitachi Consumer Electronics Co Ltd | 商品購入の推薦装置 |
CN108198051A (zh) * | 2018-03-01 | 2018-06-22 | 口碑(上海)信息技术有限公司 | 跨商品类别的商品推荐方法及装置 |
CN110264291B (zh) * | 2018-03-12 | 2024-06-18 | 北京京东尚科信息技术有限公司 | 信息推荐方法和装置 |
CN112288517A (zh) * | 2019-12-23 | 2021-01-29 | 北京来也网络科技有限公司 | 结合rpa与ai的商品推荐方法和装置 |
CN112381623B (zh) * | 2020-12-04 | 2021-07-06 | 深圳市快云科技有限公司 | 一种基于大数据分析的电子商务平台商品智能推荐方法 |
CN112581236A (zh) * | 2020-12-28 | 2021-03-30 | 北京滴普科技有限公司 | 一种商品的智能推荐方法、系统及其可读存储介质 |
CN114581174A (zh) * | 2022-02-08 | 2022-06-03 | 珠海格力电器股份有限公司 | 一种推荐方法、装置、电子设备及存储介质 |
CN114638675A (zh) * | 2022-05-19 | 2022-06-17 | 深圳市明珞锋科技有限责任公司 | 根据商品购买搭配进行商品分类的销售推送系统 |
CN115510329B (zh) * | 2022-10-11 | 2023-09-15 | 江苏云机汇软件科技有限公司 | 一种基于云计算大数据的品牌营销软件管理方法 |
CN115660782A (zh) * | 2022-11-02 | 2023-01-31 | 广州欢聚时代信息科技有限公司 | 场景式商品推荐方法及其装置、设备、介质、产品 |
-
2023
- 2023-03-03 CN CN202310199010.1A patent/CN115880037B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113706251A (zh) * | 2021-08-30 | 2021-11-26 | 平安国际智慧城市科技股份有限公司 | 基于模型的商品推荐方法、装置、计算机设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115880037A (zh) | 2023-03-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110135915B (zh) | 商品推荐方法和系统 | |
CN112381623B (zh) | 一种基于大数据分析的电子商务平台商品智能推荐方法 | |
US8234183B2 (en) | Behavioral data mining processes for generating pairwise item comparisons | |
CN106934498A (zh) | Ota网站中酒店房型的推荐方法及系统 | |
TWI407379B (zh) | Information processing apparatus, information processing method, information processing program product and recording medium | |
JP6325745B2 (ja) | 情報処理装置、情報処理方法、及び情報処理プログラム | |
CN115880037B (zh) | 基于多项目规划整合分析的商品推荐方法 | |
CN110378770A (zh) | 一种电商运营选款推荐的方法及装置 | |
CN108573408B (zh) | 一种最大化利益的热门商品榜单制定方法 | |
CN110363604A (zh) | 页面生成方法和装置 | |
CN110930214A (zh) | 一种用于满减活动的商品排序方法 | |
CN110378546B (zh) | 用于生成信息的方法和装置 | |
CN116720928B (zh) | 基于人工智能的电商个性化精准导购方法 | |
CN117333233A (zh) | 一种基于ai的目标导向电子商务广告推送方法 | |
CN104615721A (zh) | 用于基于退货关联信息推荐商品的方法和系统 | |
US20090222324A1 (en) | Systems and methods for consumer price index determination using panel-based and point-of-sale market research data | |
CN110933472A (zh) | 一种用于实现视频推荐的方法和装置 | |
CN116012100A (zh) | 一种基于大数据分析的电子商务平台 | |
CN117455632B (zh) | 一种基于大数据的电商选品分析管理平台 | |
US10445793B2 (en) | Review text output system and review text output method | |
CN113793181A (zh) | 一种广告位的出价方法、系统和装置 | |
KR20220120986A (ko) | 팬 커뮤니티를 연계한 굿즈 추천 템플릿 제공 프로그램을 기록한 기록매체 | |
KR20160073170A (ko) | 쇼핑 서비스 제공 장치, 방법 및 컴퓨터 프로그램 | |
CN116452303B (zh) | 基于大数据的电子商务数据管理方法 | |
JP2003331108A (ja) | 電子ワードローブシステム |
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 |