CN116308684A - 一种网购平台店铺信息推送方法及系统 - Google Patents

一种网购平台店铺信息推送方法及系统 Download PDF

Info

Publication number
CN116308684A
CN116308684A CN202310557874.6A CN202310557874A CN116308684A CN 116308684 A CN116308684 A CN 116308684A CN 202310557874 A CN202310557874 A CN 202310557874A CN 116308684 A CN116308684 A CN 116308684A
Authority
CN
China
Prior art keywords
information
commodity
store
comment
logistics
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.)
Granted
Application number
CN202310557874.6A
Other languages
English (en)
Other versions
CN116308684B (zh
Inventor
王国章
黄振琳
王庭飞
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.)
And Yuan Da Mdt Infotech Ltd
Original Assignee
And Yuan Da Mdt Infotech Ltd
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 And Yuan Da Mdt Infotech Ltd filed Critical And Yuan Da Mdt Infotech Ltd
Priority to CN202310557874.6A priority Critical patent/CN116308684B/zh
Publication of CN116308684A publication Critical patent/CN116308684A/zh
Application granted granted Critical
Publication of CN116308684B publication Critical patent/CN116308684B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G06F40/284—Lexical analysis, e.g. tokenisation or collocates
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/083—Shipping
    • G06Q10/0833—Tracking
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/083—Shipping
    • G06Q10/0838—Historical data
    • 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
    • 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
    • G06Q30/0282—Rating or review of business operators or products
    • 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

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Human Resources & Organizations (AREA)
  • Game Theory and Decision Science (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开一种网购平台店铺信息推送方法及系统，通过在推送匹配店铺群时，按照商家综合评分、运送平均耗时做出的综合推荐列表对匹配店铺群中的店铺进行选择性展示，以同时满足用户对购物的时效要求和服务质量的要求；而商家综合评分、运送平均耗时是经过购物平台按照预设标准对店铺大数据处理分析后得到的，会因预设标准的变化而变化，购物平台调整预设标准可以方便地改变排序结果，不同的排序结果可以产生不同特色的综合推荐列表；因此，用户根据不同特色的综合推荐列表在满足要求的店铺进行购物后，后续在对应店铺进行购物可能性会大大增加，从而增加购物平台的交易量与用户留存率。

Description

一种网购平台店铺信息推送方法及系统
技术领域
本发明涉及数据处理技术领域，尤其涉及一种网购平台店铺信息推送方法及系。
背景技术
电子商务通常是指在全球各地广泛的商业贸易活动中，在因特网开放的网络环境下，基于客户端/服务端应用方式，买卖双方不谋面地进行各种商贸活动，实现消费者的网上购物、商户之间的网上交易和在线电子支付以及各种商务活动、交易活动、金融活动和相关的综合服务活动的一种新型的商业运营模式，电子商务中需要构建网络购物平台。
目前大部分的网购平台都会向用户推送店铺，例如向用户推送同类店铺，这样一方面实现商品精准推送，提高网购平台的成交率。另一方面，推送的店铺经营方向相似不容易引起用户反感。但是现有网购平台的店铺推送方法过于简单单一，一般情况下都是只是基于用户的关注列表进行店铺推送，不能及时匹配用户的实时购物需求，影响用户购物体验与平台交易量的提高。
发明内容
本发明实施例提供一种网购平台店铺信息推送方法及系统，根据所述目标用户浏览记录与搜索关键词形成的兴趣词，将所述兴趣词与各个店铺的经营方向词匹配，得到匹配店铺群进行排序后推送给用户。
本申请实施例的第一方面提供了一种网购平台店铺信息推送方法，包括：
获取各个店铺的完成订单、在售商品信息和评论信息；
对每个店铺，分别根据所述完成订单中的历史商品所属商品类目、所述在售商品信息中的在售商品所属商品类目、商品类目与用途词条的对应关系，生成用途词条集；
对所述用途词条集进行聚类，得到经营方向词；
根据所述在售商品信息的商品属性，对所述评论信息进行有效性筛选得到有效评论信息；
根据所述有效评论信息中的商品符合度指标和商家服务满意度指标，得到商家综合评分；
调用物流查询平台识别所述完成订单中的物流信息，确认店铺各个发货地点与目标用户之间的物流节点，根据物流节点计算运送平均耗时；
获取所述目标用户的浏览记录和搜索关键词，根据所述浏览记录和搜索关键词形成对应的兴趣词，将所述兴趣词与各个店铺的经营方向词匹配，得到匹配店铺群；
按照所述商家综合评分、所述运送平均耗时对所述匹配店铺群进行排序，根据排序结果生成综合推荐列表并推送给所述目标用户。
在第一方面的一种可能的实现方式中，所述根据所述完成订单中的历史商品所属商品类目、所述在售商品信息中的在售商品所属商品类目、商品类目与用途词条的对应关系，生成用途词条集，具体为：
提取所述完成订单中的历史商品、所述在售商品信息中的在售商品在提交审核时对应的商品类目；
按照网购平台对各个商品类目的功能划分表，得到所述历史商品对应的多个用途词条和所述在售商品对应的多个用途词条；
去除所述历史商品对应的多个用途词条和所述在售商品对应的多个用途词条中的重复词条，得到用途词条集。
在第一方面的一种可能的实现方式中，所述对所述用途词条集进行聚类，得到经营方向词：
采用K-means聚类算法或密度聚类算法对所述用途词条集进行聚类，直至所述用途词条集的体积小于体积阈值，将聚类后的全部聚类中心的用途词条进行组合，得到经营方向词。
在第一方面的一种可能的实现方式中，所述根据所述在售商品信息的商品属性，对所述评论信息进行有效性筛选得到有效评论信息，具体包括：
从所述在售商品信息的商品属性中提取自定义信息与标准信息；所述标准信息为网购平台规定格式标准与内容标准的信息；所述自定义信息为店铺自主填写的商品介绍信息；
根据预设的词性模板对所述自定义信息进行特征词提取，得到多个自定义特征词；
将每项标准信息作为独立特征词，得到多个标准特征词；
根据所述词性模板对预处理后的所述评论信息进行特征词提取，得到多个评论特征词；
根据每个自定义特征词与每个评论特征词之间的点互信息值、每个标准特征词与每个评论特征词之间的点互信息值，判断所述评论信息的有效性。
在第一方面的一种可能的实现方式中，根据每个自定义特征词与每个评论特征词之间的点互信息值、每个标准特征词与每个评论特征词之间的点互信息值，判断所述评论信息的有效性，具体包括：
分别计算每个自定义特征词与每个评论特征词之间的点互信息值、每个标准特征词与每个评论特征词之间的点互信息值；
对每个评论特征词，若存在一个自定义特征词与该评论特征词之间的点互信息值大于预设阈值，或存在一个标准特征词与该评论特征词之间的点互信息值大于零，将该评论特征词视作有效评论特征词；
若全部有效评论特征词的数量大于有效阈值，所述评论信息为有效评论信息。
在第一方面的一种可能的实现方式中，所述词性模板的训练过程为：
获取多个商品类目相同商品的评论文本；
对所述评论文本中的商品属性特征词进行人工标注，得到训练数据；
根据所述训练数据对所述词性模板进行训练，调整所述词性模板的过滤规则，直至过滤结果与人工标准结果的误差特征词数少于预设误差阈值。
在第一方面的一种可能的实现方式中，所述调用物流查询平台识别所述完成订单中的物流信息，确认店铺各个发货地点与目标用户之间的物流节点，根据物流节点计算运送平均耗时，具体为：
调用物流查询平台识别所述完成订单中的物流信息，确认店铺各个发货地点；
对每个发货地点，所述调用物流查询平台确认商品发货地点与目的地之间的全部物流节点，根据所述物流信息中的日期信息，计算每个物流节点与相邻物流节点之间的运输耗时；
根据每个物流节点与相邻物流节点之间的运输耗时构建邻接矩阵；所述邻接矩阵中每个元素的值为每个物流节点与相邻物流节点之间的运输耗时；
根据所述邻接矩阵初始化辅助向量和路径向量，往所述初始化辅助向量存入发货地点与相邻物流节点之间的运输耗时；
用变量K记录找到的运输耗时最小的物流节点序号；
以K为中转，找以K为中心的邻接物流节点到所述发货地点的K距离，若K距离小于原值，根据K距离更新所述初始化辅助向量和所述路径向量，直至全部物流节点都被加入到了所述路径向量中；
根据所述路径向量计算发货地点到所述目标用户所在物流节点的运送平均耗时。
在第一方面的一种可能的实现方式中，所述根据所述目标用户浏览记录与搜索关键词形成的兴趣词，将所述兴趣词与各个店铺的经营方向词匹配，得到匹配店铺群，具体为：
根据所述目标用户浏览记录中商品对应的商品类目与搜索关键词，构建兴趣词与对应的兴趣词向量；
分别计算各个店铺的经营方向词对应的店铺词向量；
分别计算所述兴趣词向量和所述各个店铺词向量之间转换矩阵的秩与所述各个店铺词向量维度的乘积值，若所述乘积值小于预设乘积阈值，将店铺词向量对应的店铺划分入匹配店铺群。
在第一方面的一种可能的实现方式中，所述按照所述商家综合评分、所述运送平均耗时对所述匹配店铺群进行排序，根据排序结果生成综合推荐列表并推送给所述目标用户,具体包括:
获取所述用户的历史订单中对商品的评价信息,对所述评价信息进行分析得到用户偏好信息；
根据所述用户偏好信息设定评分排序因子的取值和运送排序因子的取值，并结合所述商家综合评分、所述运送平均耗时计算各个店铺的综合推荐评分；
根据综合推荐评分的大小对所述匹配店铺群中各个店铺进行降序排序形成综合推荐列表。
本申请实施例的第二方面提供了一种网购平台店铺信息推送系统，包括：
信息获取模块，用于获取各个店铺的完成订单、在售商品信息和评论信息；
用途词条生成模块，用于对每个店铺，分别根据所述完成订单中的历史商品所属商品类目、所述在售商品信息中的在售商品所属商品类目、商品类目与用途词条的对应关系，生成用途词条集；
聚类模块，用于对所述用途词条集进行聚类，得到经营方向词；
筛选模块，用于根据所述在售商品信息的商品属性，对所述评论信息进行有效性筛选得到有效评论信息；
评分模块，用于根据所述有效评论信息中的商品符合度指标和商家服务满意度指标，得到商家综合评分；
耗时计算模块，用于调用物流查询平台识别所述完成订单中的物流信息，确认店铺各个发货地点与目标用户之间的物流节点，根据物流节点计算运送平均耗时；
匹配模块，用于获取所述目标用户的浏览记录和搜索关键词，根据所述浏览记录和搜索关键词形成对应的兴趣词，将所述兴趣词与各个店铺的经营方向词匹配，得到匹配店铺群；
推送模块，用于按照所述商家综合评分、所述运送平均耗时对所述匹配店铺群进行排序，根据排序结果生成综合推荐列表并推送给所述目标用户。
相比于现有技术，本发明实施例提供了一种网购平台店铺信息推送方法及系统，基于各个店铺的完成订单、在售商品信息和评论信息，对各个店铺进行分析，提取经营方向、物流效率、服务质量三个维度的信息。然后根据所述目标用户浏览记录与搜索关键词形成的兴趣词，用户的兴趣词可以反映用户的实时需求，将所述兴趣词与各个店铺的经营方向词匹配，得到满足用户实时需求的匹配店铺群。
在推送匹配店铺群时，还会通过按照商家综合评分、运送平均耗时做出的综合推荐列表对匹配店铺群中的店铺进行选择性展示，以同时满足用户对购物的时效要求和服务质量的要求。商家综合评分、运送平均耗时是经过购物平台按照预设标准对店铺大数据处理分析后得到的，会因预设标准的变化而变化，购物平台调整预设标准可以方便地改变排序结果，不同的排序结果可以产生不同特色的综合推荐列表。用户根据不同特色的综合推荐列表在满足要求的店铺进行购物后，后续在对应店铺进行购物可能性会大大增加，从而增加购物平台的交易量与用户留存率。
附图说明
图1是本发明一实施例提供一种网购平台店铺信息推送方法的流程示意图；
图2是本发明一实施例提供一种网购平台店铺信息推送系统的结构示意图。
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作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。
请参照图1，本发明实施例提供了一种网购平台店铺信息推送方法，包括：
S10、获取各个店铺的完成订单、在售商品信息和评论信息。
S11、对每个店铺，分别根据所述完成订单中的历史商品所属商品类目、所述在售商品信息中的在售商品所属商品类目、商品类目与用途词条的对应关系，生成用途词条集。
S12、对所述用途词条集进行聚类，得到经营方向词。
S13、根据所述在售商品信息的商品属性，对所述评论信息进行有效性筛选得到有效评论信息。
S14、根据所述有效评论信息中的商品符合度指标和商家服务满意度指标，得到商家综合评分。
S15、调用物流查询平台识别所述完成订单中的物流信息，确认店铺各个发货地点与目标用户之间的物流节点，根据物流节点计算运送平均耗时。
S16、获取所述目标用户的浏览记录和搜索关键词，根据所述浏览记录和搜索关键词形成对应的兴趣词，将所述兴趣词与各个店铺的经营方向词匹配，得到匹配店铺群。
S17、按照所述商家综合评分、所述运送平均耗时对所述匹配店铺群进行排序，根据排序结果生成综合推荐列表并推送给所述目标用户。
从大数据库中获取了各个店铺的三类基本信息(各个店铺的完成订单、在售商品信息和评论信息)后,在S11-S12中从各个店铺的完成订单、在售商品信息这两类信息进行信息提取得到各个店铺的经营方向词；在S13-S14中各个店铺的评论信息进行信息提取得到各个店铺的商家综合评分；在S15中根据物流节点从各个店铺的完成订单中进行信息提取得到各个店铺相对用户所在地的运送平均耗时。然后先根据各个店铺的经营方向词与用户兴趣词的匹配程度对店铺进行筛选，由于用户的兴趣词反映了用户的实时购物需求，匹配店铺群的店铺的主要经营方向商品与用户实际的实时需求一致，保证了向用户推送的店铺信息的准确性。最后根据商家综合评分、运送平均耗时形成的综合推荐列表，在保证推送店铺的所售商品满足用户实时需求的前提下，综合推荐列表可以同时满足用户对商品服务质量、购物效率的需求。
在S17中按照所述商家综合评分、所述运送平均耗时对所述匹配店铺群进行排序时，需要先计算所述匹配店铺群中各个店铺的综合推荐评分，再根据综合推荐评分的大小对所述匹配店铺群中各个店铺进行降序排序形成综合推荐列表。综合推荐评分的计算方式如下：
综合推荐评分Sc=μ1*M_Eva+μ2*T;μ1为评分排序因子，μ2为运送排序因子，M_Eva为各个店铺的商家综合评分，T为各个店铺的运送平均耗时。
其中，评分排序因子和运送排序因子的取值需要根据目标用户的偏好设定。一般而言，用户的偏好是通过对用户历史订单进行分析得到的，分析具体过程如下：
获取用户历史订单中对商品的评价信息，结合中文分词工具（比如说中科院的ICTCLAS系统，官方网站：http://ictclas.nlpir.otg/，是一款优秀的中文分词与词性标注工具），分词后统计全部关于“物流效率”分词的出现词频、全部关于“商品服务”分词的出现词频，按照关于“物流效率”分词的出现词频与关于“商品服务”分词的出现词频之间的词频比值φ，词频比值φ反映了用户的偏好，根据词频比值φ设置评分排序因子μ1和运送排序因子μ2的取值，并满足以下条件：μ1+μ2=1且μ1/μ2=φ。
需要说明的是，S14中对商家综合评分计算时用到了所述有效评论信息中的商品符合度指标和商家服务满意度指标。商品符合度指标、商家服务满意度指标是用户确认收货后，与店铺完成交易后对该次交易的评价，一般是网购平台通过问卷调查的形式，在问卷中提供标准与形式固定的选项供用户选择，比如说“非常差”、“较差”、“一般”、“满意”和“非常满意”，将不同选项量化成不同的指标值（比如说，将“非常差”量化成“-2”、“较差”量化成“-1”、“一般”量化成“0”、“满意”量化成“+1”和“非常满意”量化成“+2”）分别得到每条有效评论信息中商品符合度指标的取值、商家服务满意度指标的取值后再取平均值，将两个平均值相加计算得到商家综合评分：商家综合评分=商品符合度指标平均取值+商家服务满意度指标平均取值。
示例性地，所述根据所述完成订单中的历史商品所属商品类目、所述在售商品信息中的在售商品所属商品类目、商品类目与用途词条的对应关系，生成用途词条集，具体为：
提取所述完成订单中的历史商品、所述在售商品信息中的在售商品在提交审核时对应的商品类目；
按照网购平台对各个商品类目的功能划分表，得到所述历史商品对应的多个用途词条和所述在售商品对应的多个用途词条；
去除所述历史商品对应的多个用途词条和所述在售商品对应的多个用途词条中的重复词条，得到用途词条集。
本实施例中，各个店铺在网购平台上架商品时都需要上传商品信息，其中商品类目信息的标准格式是网购平台综合各个百科平台对各种商品的定义而得到的，例如“苹果5S”、“华为MATE10”、“RealmeX50Pro”等都属于“手机”这一类目。“手机”、“对讲机”和“天线”这三类商品类目都属于“通信”这一个用途词条，用途词条与商品类目的关系都涵盖在功能划分表中，这个功能划分表是网购平台根据各个百科平台以及公共生活常识进行构建与实时更新的分类表。需要说明的是，这里的百科平台包括但不限于“百度百科”、“搜狗百科”和“维基百科”。
综合分析一段时间内的历史商品和现在的在售商品的用途进而得到用途词集，采用用途词集表示店铺所售商品涵盖的方向便于下一步对店铺的经营方向进行分析。
示例性地，所述对所述用途词条集进行聚类，得到经营方向词：
采用K-means聚类算法或密度聚类算法对所述用途词条集进行聚类，直至所述用途词条集的体积小于体积阈值，将聚类后的全部聚类中心的用途词条进行组合，得到经营方向词。
采用k-means聚类算法对待聚类商品进行聚类，其过程如下：1)随机的选取任意k个待聚类用途词条作为初始聚类的质心，初始地代表一个用途聚类；2)对剩余的每个待聚类商品测量其到每个质心的距离，并把它归到最近的质心的类；3)重新计算已经得到的各个聚类的质心；4)迭代2～3步直至新的质心与原质心相等或小于指定阈值，算法结束。在上述第2步计算距离时，需要综合考虑各个标签名的权重。例如，用途聚类A为“防寒登山”、用途聚类B为“防晒登山”及用途聚类C为“防寒滑雪”，如果标签名“防护作用”的权重小于标签名“运动类型”的权重，则用途聚类A与用途聚类C之间距离大于用途聚类A与用途聚类B之间距离。用途聚类词条的各个聚类标签表示了用途聚类的各种细分用途特征。
示例性地，所述根据所述在售商品信息的商品属性，对所述评论信息进行有效性筛选得到有效评论信息，具体包括：
从所述在售商品信息的商品属性中提取自定义信息与标准信息；所述标准信息为网购平台规定格式标准与内容标准的信息；所述自定义信息为店铺自主填写的商品介绍信息；
根据预设的词性模板对所述自定义信息进行特征词提取，得到多个自定义特征词；
将每项标准信息作为独立特征词，得到多个标准特征词；
根据所述词性模板对预处理后的所述评论信息进行特征词提取，得到多个评论特征词；
根据每个自定义特征词与每个评论特征词之间的点互信息值、每个标准特征词与每个评论特征词之间的点互信息值，判断所述评论信息的有效性。
示例性地，根据每个自定义特征词与每个评论特征词之间的点互信息值、每个标准特征词与每个评论特征词之间的点互信息值，判断所述评论信息的有效性，具体包括：
分别计算每个自定义特征词与每个评论特征词之间的点互信息值、每个标准特征词与每个评论特征词之间的点互信息值；
对每个评论特征词，若存在一个自定义特征词与该评论特征词之间的点互信息值大于预设阈值，或存在一个标准特征词与该评论特征词之间的点互信息值大于零，将该评论特征词视作有效评论特征词；
若全部有效评论特征词的数量大于有效阈值，所述评论信息为有效评论信息。
用户对商品的评价文本蕴涵着丰富的信息，利用评论文本来提升店铺推荐系统的性能。用户评论文本中最重要的两个信息就是：用户所关注的商品属性，以及用户对于目标商品在自己所关注属性上的表现评价。因此对于商品属性特征词的获取与处理，是对商品评论数据进行挖掘和利用的关键步骤。需要注意的是，不是全部的评论信息都是有效信息，现在有很多方式对店铺的评论信息进行干扰，比如说同行的恶意评价、无相关的默认好评，因此需要对评论信息进行有效性筛选。
商品在每个属性领域所体现出来的性质在商品运作的过程中所起的作用不同、地位不同、权重不同。呈现在消费者眼前的商品就是这些不同属性交互作用的结果。例如，一个名为“苹果5s”的手机商品，该商品的属性包括：“iphone型号：5s”、“品牌：苹果”、“类目：手机”等属性，其中，iphone型号、品牌及类目为属性名，与这些属性名分别对应的属性值为5s、苹果及手机。
需要说明的是，在实际应用中，商品的属性可以分为两种类型：标准属性和自定义属性。其中，标准属性是系统设置的，自定义属性是用户自定义的。以网购平台为例，平台商品的标准属性由网站运营人员进行运营，往往简短而且有较强的区分性，而自定义属性往往由买家填写，填写方式更多元凌乱。例如，运营人员为手表类商品设置的系统属性包括：“操作方式：全自动机械表”、“操作方式：半自动机械表”、“操作方式：机械表”、“操作方式：电子表”和“操作方式：智能手表”等；而用户为手表类商品添加的自定义属性为“操作方式：智能手表”。自定义属性的产生原因主要在于：用户对业务领域的知识更新超过系统属性设置人员的知识更新。相对于自定义属性，标准属性往往属于为大众所认知的商品属性。因此，下面在根据自定义特征词与每个评论特征词之间的点互信息值、每个标准特征词与每个评论特征词之间的点互信息值进行评论有效性筛选时，需要自定义特征词与评论特征词之间的点互信息值大于预设阈值（预设阈值比零大），而不是大于零，这是由于自定义属性对应的自定义特征词有更多的不确定性。
示例性地，所述词性模板的训练过程为：
获取多个商品类目相同商品的评论文本；
对所述评论文本中的商品属性特征词进行人工标注，得到训练数据；
根据所述训练数据对所述词性模板进行训练，调整所述词性模板的过滤规则，直至过滤结果与人工标准结果的误差特征词数少于预设误差阈值。
首先确定需要研究和分析的目标商品，进行数据的准备：从相关网购平台获取目标商品的评论文本；在获取的商品评论文本中选取若干含有商品属性特征词语的评论文本，对商品属性特征词进行人工标注，作为获取词性模板的训练数据。然后进一步的加工数据：根据人工标注的训练数据进行词性模板训练，得到可以自动匹配商品属性特征词语的词性模板，然后在全部数据上进行匹配，获取商品属性特征词语的候选集合，并设定规则对候选集合进行过滤；使用现有工具Word2Vec或者自己设定模型进行训练，获得词语的向量表示。
示例性地，所述调用物流查询平台识别所述完成订单中的物流信息，确认店铺各个发货地点与目标用户之间的物流节点，根据物流节点计算运送平均耗时，具体为：
调用物流查询平台识别所述完成订单中的物流信息，确认店铺各个发货地点；
对每个发货地点，所述调用物流查询平台确认商品发货地点与目的地之间的全部物流节点，根据所述物流信息中的日期信息，计算每个物流节点与相邻物流节点之间的运输耗时；
根据每个物流节点与相邻物流节点之间的运输耗时构建邻接矩阵；所述邻接矩阵中每个元素的值为每个物流节点与相邻物流节点之间的运输耗时；
根据所述邻接矩阵初始化辅助向量和路径向量，往所述初始化辅助向量存入发货地点与相邻物流节点之间的运输耗时；
用变量K记录找到的运输耗时最小的物流节点序号；
以K为中转，找以K为中心的邻接物流节点到所述发货地点的K距离，若K距离小于原值，根据K距离更新所述初始化辅助向量和所述路径向量，直至全部物流节点都被加入到了所述路径向量中；
根据所述路径向量计算发货地点到所述目标用户所在物流节点的运送平均耗时。
示例性地，所述根据所述目标用户浏览记录与搜索关键词形成的兴趣词，将所述兴趣词与各个店铺的经营方向词匹配，得到匹配店铺群，具体为：
根据所述目标用户浏览记录中商品对应的商品类目与搜索关键词，构建兴趣词与对应的兴趣词向量；
分别计算各个店铺的经营方向词对应的店铺词向量；
分别计算所述兴趣词向量和所述各个店铺词向量之间转换矩阵的秩与所述各个店铺词向量维度的乘积值，若所述乘积值小于预设乘积阈值，将店铺词向量对应的店铺划分入匹配店铺群。
示例性地，所述按照所述商家综合评分、所述运送平均耗时对所述匹配店铺群进行排序，根据排序结果生成综合推荐列表并推送给所述目标用户,具体包括:
获取所述用户的历史订单中对商品的评价信息,对所述评价信息进行分析得到用户偏好信息；
根据所述用户偏好信息设定评分排序因子的取值和运送排序因子的取值，并结合所述商家综合评分、所述运送平均耗时计算各个店铺的综合推荐评分；
根据综合推荐评分的大小对所述匹配店铺群中各个店铺进行降序排序形成综合推荐列表。
相比于现有技术，本发明实施例提供了一种网购平台店铺信息推送方法，基于各个店铺的完成订单、在售商品信息和评论信息，对各个店铺进行分析，提取经营方向、物流效率、服务质量三个维度的信息。然后根据所述目标用户浏览记录与搜索关键词形成的兴趣词，用户的兴趣词可以反映用户的实时需求，将所述兴趣词与各个店铺的经营方向词匹配，得到满足用户实时需求的匹配店铺群。
在推送匹配店铺群时，还会通过按照商家综合评分、运送平均耗时做出的综合推荐列表对匹配店铺群中的店铺进行选择性展示，以同时满足用户对购物的时效要求和服务质量的要求。商家综合评分、运送平均耗时是经过购物平台按照预设标准对店铺大数据处理分析后得到的，会因预设标准的变化而变化，购物平台调整预设标准可以方便地改变排序结果，不同的排序结果可以产生不同特色的综合推荐列表。用户根据不同特色的综合推荐列表在满足要求的店铺进行购物后，后续在对应店铺进行购物可能性会大大增加，从而增加购物平台的交易量与用户留存率。
请参见图2，本申请一实施例提供一种网购平台店铺信息推送系统，包括：信息获取模块20、用途词条生成模块21、聚类模块22、筛选模块23、评分模块24、耗时计算模块25、匹配模块26和推送模块27。
信息获取模块20，用于获取各个店铺的完成订单、在售商品信息和评论信息。
用途词条生成模块21，用于对每个店铺，分别根据所述完成订单中的历史商品所属商品类目、所述在售商品信息中的在售商品所属商品类目、商品类目与用途词条的对应关系，生成用途词条集。
聚类模块22，用于对所述用途词条集进行聚类，得到经营方向词。
筛选模块23，用于根据所述在售商品信息的商品属性，对所述评论信息进行有效性筛选得到有效评论信息。
评分模块24，用于根据所述有效评论信息中的商品符合度指标和商家服务满意度指标，得到商家综合评分。
耗时计算模块25，用于调用物流查询平台识别所述完成订单中的物流信息，确认店铺各个发货地点与目标用户之间的物流节点，根据物流节点计算运送平均耗时。
匹配模块26，用于获取所述目标用户的浏览记录和搜索关键词，根据所述浏览记录和搜索关键词形成对应的兴趣词，将所述兴趣词与各个店铺的经营方向词匹配，得到匹配店铺群；
推送模块27，用于按照所述商家综合评分、所述运送平均耗时对所述匹配店铺群进行排序，根据排序结果生成综合推荐列表并推送给所述目标用户。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的推送系统的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
相比于现有技术，本发明实施例提供了一种网购平台店铺信息推送方法，基于各个店铺的完成订单、在售商品信息和评论信息，对各个店铺进行分析，提取经营方向、物流效率、服务质量三个维度的信息。然后根据所述目标用户浏览记录与搜索关键词形成的兴趣词，用户的兴趣词可以反映用户的实时需求，将所述兴趣词与各个店铺的经营方向词匹配，得到满足用户实时需求的匹配店铺群。
在推送匹配店铺群时，还会通过按照商家综合评分、运送平均耗时做出的综合推荐列表对匹配店铺群中的店铺进行选择性展示，以同时满足用户对购物的时效要求和服务质量的要求。商家综合评分、运送平均耗时是经过购物平台按照预设标准对店铺大数据处理分析后得到的，会因预设标准的变化而变化，购物平台调整预设标准可以方便地改变排序结果，不同的排序结果可以产生不同特色的综合推荐列表。用户根据不同特色的综合推荐列表在满足要求的店铺进行购物后，后续在对应店铺进行购物可能性会大大增加，从而增加购物平台的交易量与用户留存率。
本申请一实施例提供了一种计算机设备，包括处理器和存储器，所述存储器用于存储计算机程序，所述计算机程序被所述处理器执行时实现如上所述一种网购平台店铺信息推送方法。
所述计算机设备可以是智能手机、平板电脑、桌上型计算机和云端服务器等计算设备。该计算机设备可包括但不仅限于处理器、存储器。本领域技术人员可以理解，计算机设备可以包括输入输出设备、网络接入设备等。
所称处理器可以是中央处理单元(Central Processing Unit，CPU)，该处理器还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor，DSP)、专用集成电路 (Application Specific Integrated Circuit，ASIC)、现成可编程门阵列 (Field-Programmable Gate Array，FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器在一些实施例中可以是所述计算机设备的内部存储单元，例如计算机设备的硬盘或内存。所述存储器在另一些实施例中也可以是所述计算机设备的外部存储设备，例如所述计算机设备上配备的插接式硬盘，智能存储卡（Smart Media Card, SMC），安全数字（Secure Digital, SD）卡，闪存卡（Flash Card）等。进一步地，所述存储器还可以既包括所述计算机设备的内部存储单元也包括外部存储设备。所述存储器用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等，例如所述计算机程序的程序代码等。所述存储器还可以用于暂时地存储已经输出或者将要输出的数据。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

Claims (10)

1.一种网购平台店铺信息推送方法，其特征在于，包括：
获取各个店铺的完成订单、在售商品信息和评论信息；
对每个店铺，分别根据所述完成订单中的历史商品所属商品类目、所述在售商品信息中的在售商品所属商品类目、商品类目与用途词条的对应关系，生成用途词条集；
对所述用途词条集进行聚类，得到经营方向词；
根据所述在售商品信息的商品属性，对所述评论信息进行有效性筛选得到有效评论信息；
根据所述有效评论信息中的商品符合度指标和商家服务满意度指标，得到商家综合评分；
调用物流查询平台识别所述完成订单中的物流信息，确认店铺各个发货地点与目标用户之间的物流节点，根据物流节点计算运送平均耗时；
获取所述目标用户的浏览记录和搜索关键词，根据所述浏览记录和搜索关键词形成对应的兴趣词，将所述兴趣词与各个店铺的经营方向词匹配，得到匹配店铺群；
按照所述商家综合评分、所述运送平均耗时对所述匹配店铺群进行排序，根据排序结果生成综合推荐列表并推送给所述目标用户。
2.如权利要求1所述网购平台店铺信息推送方法，其特征在于，所述根据所述完成订单中的历史商品所属商品类目、所述在售商品信息中的在售商品所属商品类目、商品类目与用途词条的对应关系，生成用途词条集，具体为：
提取所述完成订单中的历史商品、所述在售商品信息中的在售商品在提交审核时对应的商品类目；
按照网购平台对各个商品类目的功能划分表，得到所述历史商品对应的多个用途词条和所述在售商品对应的多个用途词条；
去除所述历史商品对应的多个用途词条和所述在售商品对应的多个用途词条中的重复词条，得到用途词条集。
3.如权利要求1所述网购平台店铺信息推送方法，其特征在于，所述对所述用途词条集进行聚类，得到经营方向词：
采用K-means聚类算法或密度聚类算法对所述用途词条集进行聚类，直至所述用途词条集的体积小于体积阈值，将聚类后的全部聚类中心的用途词条进行组合，得到经营方向词。
4.如权利要求1所述网购平台店铺信息推送方法，其特征在于，所述根据所述在售商品信息的商品属性，对所述评论信息进行有效性筛选得到有效评论信息，具体包括：
从所述在售商品信息的商品属性中提取自定义信息与标准信息；所述标准信息为网购平台规定格式标准与内容标准的信息；所述自定义信息为店铺自主填写的商品介绍信息；
根据预设的词性模板对所述自定义信息进行特征词提取，得到多个自定义特征词；
将每项标准信息作为独立特征词，得到多个标准特征词；
根据所述词性模板对预处理后的所述评论信息进行特征词提取，得到多个评论特征词；
根据每个自定义特征词与每个评论特征词之间的点互信息值、每个标准特征词与每个评论特征词之间的点互信息值，判断所述评论信息的有效性。
5.如权利要求4所述网购平台店铺信息推送方法，其特征在于，根据每个自定义特征词与每个评论特征词之间的点互信息值、每个标准特征词与每个评论特征词之间的点互信息值，判断所述评论信息的有效性，具体包括：
分别计算每个自定义特征词与每个评论特征词之间的点互信息值、每个标准特征词与每个评论特征词之间的点互信息值；
对每个评论特征词，若存在一个自定义特征词与该评论特征词之间的点互信息值大于预设阈值，或存在一个标准特征词与该评论特征词之间的点互信息值大于零，将该评论特征词视作有效评论特征词；
若全部有效评论特征词的数量大于有效阈值，所述评论信息为有效评论信息。
6.如权利要求4所述网购平台店铺信息推送方法，其特征在于，所述词性模板的训练过程为：
获取多个商品类目相同商品的评论文本；
对所述评论文本中的商品属性特征词进行人工标注，得到训练数据；
根据所述训练数据对所述词性模板进行训练，调整所述词性模板的过滤规则，直至过滤结果与人工标准结果的误差特征词数少于预设误差阈值。
7.如权利要求1所述网购平台店铺信息推送方法，其特征在于，所述调用物流查询平台识别所述完成订单中的物流信息，确认店铺各个发货地点与目标用户之间的物流节点，根据物流节点计算运送平均耗时，具体为：
调用物流查询平台识别所述完成订单中的物流信息，确认店铺各个发货地点；
对每个发货地点，所述调用物流查询平台确认商品发货地点与目的地之间的全部物流节点，根据所述物流信息中的日期信息，计算每个物流节点与相邻物流节点之间的运输耗时；
根据每个物流节点与相邻物流节点之间的运输耗时构建邻接矩阵；所述邻接矩阵中每个元素的值为每个物流节点与相邻物流节点之间的运输耗时；
根据所述邻接矩阵初始化辅助向量和路径向量，往所述初始化辅助向量存入发货地点与相邻物流节点之间的运输耗时；
用变量K记录找到的运输耗时最小的物流节点序号；
以K为中转，找以K为中心的邻接物流节点到所述发货地点的K距离，若K距离小于原值，根据K距离更新所述初始化辅助向量和所述路径向量，直至全部物流节点都被加入到了所述路径向量中；
根据所述路径向量计算发货地点到所述目标用户所在物流节点的运送平均耗时。
8.如权利要求1所述网购平台店铺信息推送方法，其特征在于，所述根据所述浏览记录和搜索关键词形成对应的兴趣词，将所述兴趣词与各个店铺的经营方向词匹配，得到匹配店铺群，具体为：
根据目标用户浏览记录中商品对应的商品类目与搜索关键词，构建兴趣词与对应的兴趣词向量；
分别计算各个店铺的经营方向词对应的店铺词向量；
分别计算所述兴趣词向量和各个店铺词向量之间转换矩阵的秩与各个店铺词向量维度的乘积值，若所述乘积值小于预设乘积阈值，将店铺词向量对应的店铺划分入匹配店铺群。
9.如权利要求1所述网购平台店铺信息推送方法，其特征在于，所述按照所述商家综合评分、所述运送平均耗时对所述匹配店铺群进行排序，根据排序结果生成综合推荐列表并推送给所述目标用户,具体包括:
获取用户的历史订单中对商品的评价信息,对所述评价信息进行分析得到用户偏好信息；
根据所述用户偏好信息设定评分排序因子的取值和运送排序因子的取值，并结合所述商家综合评分、所述运送平均耗时计算各个店铺的综合推荐评分；
根据综合推荐评分的大小对所述匹配店铺群中各个店铺进行降序排序形成综合推荐列表。
10.一种网购平台店铺信息推送系统，包括：
信息获取模块，用于获取各个店铺的完成订单、在售商品信息和评论信息；
用途词条生成模块，用于对每个店铺，分别根据所述完成订单中的历史商品所属商品类目、所述在售商品信息中的在售商品所属商品类目、商品类目与用途词条的对应关系，生成用途词条集；
聚类模块，用于对所述用途词条集进行聚类，得到经营方向词；
筛选模块，用于根据所述在售商品信息的商品属性，对所述评论信息进行有效性筛选得到有效评论信息；
评分模块，用于根据所述有效评论信息中的商品符合度指标和商家服务满意度指标，得到商家综合评分；
耗时计算模块，用于调用物流查询平台识别所述完成订单中的物流信息，确认店铺各个发货地点与目标用户之间的物流节点，根据物流节点计算运送平均耗时；
匹配模块，用于获取所述目标用户的浏览记录和搜索关键词，根据所述浏览记录和搜索关键词形成对应的兴趣词，将所述兴趣词与各个店铺的经营方向词匹配，得到匹配店铺群；
推送模块，用于按照所述商家综合评分、所述运送平均耗时对所述匹配店铺群进行排序，根据排序结果生成综合推荐列表并推送给所述目标用户。
CN202310557874.6A 2023-05-18 2023-05-18 一种网购平台店铺信息推送方法及系统 Active CN116308684B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310557874.6A CN116308684B (zh) 2023-05-18 2023-05-18 一种网购平台店铺信息推送方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310557874.6A CN116308684B (zh) 2023-05-18 2023-05-18 一种网购平台店铺信息推送方法及系统

Publications (2)

Publication Number Publication Date
CN116308684A true CN116308684A (zh) 2023-06-23
CN116308684B CN116308684B (zh) 2023-08-11

Family

ID=86817124

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310557874.6A Active CN116308684B (zh) 2023-05-18 2023-05-18 一种网购平台店铺信息推送方法及系统

Country Status (1)

Country Link
CN (1) CN116308684B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116681373A (zh) * 2023-08-02 2023-09-01 四川集鲜数智供应链科技有限公司 一种物流供应链管理方法
CN116862377A (zh) * 2023-07-21 2023-10-10 上海朗晖慧科技术有限公司 基于人工智能的仓储数据统计分析管理系统及方法
CN117745353A (zh) * 2024-02-20 2024-03-22 北京言子初科技有限公司 一种商品智能兑换管理方法及系统

Citations (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7720720B1 (en) * 2004-08-05 2010-05-18 Versata Development Group, Inc. System and method for generating effective recommendations
US20120284145A1 (en) * 2011-05-04 2012-11-08 Etsy, Inc. Item discovery tools and methods for shopping in an electronic commerce environment
CN103679462A (zh) * 2012-08-31 2014-03-26 阿里巴巴集团控股有限公司 一种评论数据处理方法和装置、一种搜索方法和系统
US20150025996A1 (en) * 2013-07-18 2015-01-22 Pipit Interactive, Inc. Systems and methods for recommending purchases
CN104933046A (zh) * 2014-03-17 2015-09-23 阿里巴巴集团控股有限公司 提供商品对象搜索结果的方法及系统
CN109697657A (zh) * 2018-12-27 2019-04-30 厦门快商通信息技术有限公司 一种餐饮推荐方法、服务器及存储介质
US20190279273A1 (en) * 2018-03-09 2019-09-12 Boe Technology Group Co., Ltd. Shopping recommendation method, client, and server
CN110599291A (zh) * 2019-01-24 2019-12-20 王俊领 商家买家多种市场高效精准融合智能电商运营系统和方法
CN111667337A (zh) * 2020-04-28 2020-09-15 苏宁云计算有限公司 一种商品评价的排序方法和系统
CN112200524A (zh) * 2020-12-03 2021-01-08 万邑通商(北京)信息科技有限公司 一种精确度高的智能推荐系统及其智能推荐方法
KR20210047229A (ko) * 2019-10-21 2021-04-29 배재대학교 산학협력단 구매 우선순위와 상품 리뷰 감성분석을 반영한 상품 추천 시스템 및 방법
CN112801384A (zh) * 2021-02-03 2021-05-14 湖北民族大学 一种商品质量评估与预测方法、系统、介质、设备
CN112884551A (zh) * 2021-02-19 2021-06-01 武汉大学 一种基于近邻用户和评论信息的商品推荐方法
CN113139857A (zh) * 2021-05-17 2021-07-20 武汉阿杜拉电子商务有限公司 电子商务平台商家店铺智能管理方法、系统、设备和计算机存储介质
CN113538106A (zh) * 2021-07-26 2021-10-22 王彬 基于评论整合挖掘的商品精细化推荐方法
CN113688314A (zh) * 2021-08-13 2021-11-23 今彩慧健康科技(苏州)有限公司 一种理疗门店推荐方法及装置
CN114463089A (zh) * 2022-01-24 2022-05-10 珠海格力电器股份有限公司 一种提升店铺访问度的方法及装置
CN114529340A (zh) * 2022-02-18 2022-05-24 浪潮卓数大数据产业发展有限公司 一种店铺推荐方法、装置及计算机介质
CN114626926A (zh) * 2022-04-21 2022-06-14 广州欢聚时代信息科技有限公司 商品搜索类目识别方法及其装置、设备、介质、产品
WO2022126901A1 (zh) * 2020-12-18 2022-06-23 平安科技（深圳）有限公司 一种商品推荐方法及其相关设备
WO2022156529A1 (zh) * 2021-01-21 2022-07-28 北京电解智科技有限公司 企业用户的商品推荐方法和装置
CN115082153A (zh) * 2022-06-22 2022-09-20 上海识致信息科技有限责任公司 一种商家质量评价方法、装置、电子设备及存储介质
CN115796924A (zh) * 2023-01-31 2023-03-14 武汉亿诚同创科技有限公司 一种基于大数据的云平台电子商务数据处理方法及系统
CN115860869A (zh) * 2022-12-15 2023-03-28 阿里巴巴（中国）有限公司 店铺信息推荐方法、设备及存储介质
WO2023045176A1 (zh) * 2020-09-21 2023-03-30 王俊领 电商多种市场供需高效精准融合智能化系统、方法和装置

Patent Citations (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7720720B1 (en) * 2004-08-05 2010-05-18 Versata Development Group, Inc. System and method for generating effective recommendations
US20120284145A1 (en) * 2011-05-04 2012-11-08 Etsy, Inc. Item discovery tools and methods for shopping in an electronic commerce environment
CN103679462A (zh) * 2012-08-31 2014-03-26 阿里巴巴集团控股有限公司 一种评论数据处理方法和装置、一种搜索方法和系统
US20150025996A1 (en) * 2013-07-18 2015-01-22 Pipit Interactive, Inc. Systems and methods for recommending purchases
CN104933046A (zh) * 2014-03-17 2015-09-23 阿里巴巴集团控股有限公司 提供商品对象搜索结果的方法及系统
US20190279273A1 (en) * 2018-03-09 2019-09-12 Boe Technology Group Co., Ltd. Shopping recommendation method, client, and server
CN109697657A (zh) * 2018-12-27 2019-04-30 厦门快商通信息技术有限公司 一种餐饮推荐方法、服务器及存储介质
CN110599291A (zh) * 2019-01-24 2019-12-20 王俊领 商家买家多种市场高效精准融合智能电商运营系统和方法
KR20210047229A (ko) * 2019-10-21 2021-04-29 배재대학교 산학협력단 구매 우선순위와 상품 리뷰 감성분석을 반영한 상품 추천 시스템 및 방법
CN111667337A (zh) * 2020-04-28 2020-09-15 苏宁云计算有限公司 一种商品评价的排序方法和系统
WO2023045176A1 (zh) * 2020-09-21 2023-03-30 王俊领 电商多种市场供需高效精准融合智能化系统、方法和装置
CN112200524A (zh) * 2020-12-03 2021-01-08 万邑通商(北京)信息科技有限公司 一种精确度高的智能推荐系统及其智能推荐方法
WO2022126901A1 (zh) * 2020-12-18 2022-06-23 平安科技（深圳）有限公司 一种商品推荐方法及其相关设备
WO2022156529A1 (zh) * 2021-01-21 2022-07-28 北京电解智科技有限公司 企业用户的商品推荐方法和装置
CN112801384A (zh) * 2021-02-03 2021-05-14 湖北民族大学 一种商品质量评估与预测方法、系统、介质、设备
CN112884551A (zh) * 2021-02-19 2021-06-01 武汉大学 一种基于近邻用户和评论信息的商品推荐方法
CN113139857A (zh) * 2021-05-17 2021-07-20 武汉阿杜拉电子商务有限公司 电子商务平台商家店铺智能管理方法、系统、设备和计算机存储介质
CN113538106A (zh) * 2021-07-26 2021-10-22 王彬 基于评论整合挖掘的商品精细化推荐方法
CN113688314A (zh) * 2021-08-13 2021-11-23 今彩慧健康科技(苏州)有限公司 一种理疗门店推荐方法及装置
CN114463089A (zh) * 2022-01-24 2022-05-10 珠海格力电器股份有限公司 一种提升店铺访问度的方法及装置
CN114529340A (zh) * 2022-02-18 2022-05-24 浪潮卓数大数据产业发展有限公司 一种店铺推荐方法、装置及计算机介质
CN114626926A (zh) * 2022-04-21 2022-06-14 广州欢聚时代信息科技有限公司 商品搜索类目识别方法及其装置、设备、介质、产品
CN115082153A (zh) * 2022-06-22 2022-09-20 上海识致信息科技有限责任公司 一种商家质量评价方法、装置、电子设备及存储介质
CN115860869A (zh) * 2022-12-15 2023-03-28 阿里巴巴（中国）有限公司 店铺信息推荐方法、设备及存储介质
CN115796924A (zh) * 2023-01-31 2023-03-14 武汉亿诚同创科技有限公司 一种基于大数据的云平台电子商务数据处理方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
林小燕;: "淘宝搜索引擎优化策略研究", 电子商务, no. 12, pages 45 - 46 *
艾黎;: "基于商品属性与用户聚类的个性化服装推荐研究", 现代情报, no. 09, pages 167 - 172 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116862377A (zh) * 2023-07-21 2023-10-10 上海朗晖慧科技术有限公司 基于人工智能的仓储数据统计分析管理系统及方法
CN116681373A (zh) * 2023-08-02 2023-09-01 四川集鲜数智供应链科技有限公司 一种物流供应链管理方法
CN116681373B (zh) * 2023-08-02 2023-10-20 四川集鲜数智供应链科技有限公司 一种物流供应链管理方法
CN117745353A (zh) * 2024-02-20 2024-03-22 北京言子初科技有限公司 一种商品智能兑换管理方法及系统
CN117745353B (zh) * 2024-02-20 2024-04-23 北京言子初科技有限公司 一种商品智能兑换管理方法及系统

Also Published As

Publication number Publication date
CN116308684B (zh) 2023-08-11

Similar Documents

Publication Publication Date Title
CN116308684B (zh) 一种网购平台店铺信息推送方法及系统
CN107424043B (zh) 一种产品推荐方法及装置，电子设备
US8660901B2 (en) Matching of advertising sources and keyword sets in online commerce platforms
CN111429203A (zh) 基于用户行为数据的商品推荐方法和装置
CN111027895A (zh) 商品的备料预测、行为数据收集方法、装置、设备和介质
US20230089850A1 (en) Real-time product environmental impact scoring
CN110750697B (zh) 商户分类方法、装置、设备及存储介质
CN110674391A (zh) 基于大数据的产品数据推送方法、系统和计算机设备
CN112148973A (zh) 一种信息推送的数据处理方法及装置
CN112150227A (zh) 商品推荐方法、系统、设备及介质
KR20210032691A (ko) 네트워크 기반 상품 추천 방법 및 장치
CN111310032A (zh) 资源推荐方法、装置、计算机设备及可读存储介质
CN114820123A (zh) 团购商品推荐方法、装置、设备及存储介质
Prasetyo Searching cheapest product on three different e-commerce using k-means algorithm
CN106600360B (zh) 推荐对象的排序方法及装置
CN108268519B (zh) 一种推荐网络对象的方法和装置
CN114862480A (zh) 广告投放定向方法及其装置、设备、介质、产品
US20240134860A1 (en) Order searching method, apparatus, computer device, and storage medium
CN110874432B (zh) 排序方法、信息推荐方法、系统及装置
US20150347564A1 (en) Category name extraction device, category name extraction method, and category name extraction program
CN114996579A (zh) 信息推送方法、装置、电子设备和计算机可读介质
CN111639989B (zh) 商品推荐方法和可读存储介质
CN114549125A (zh) 物品推荐方法及装置、电子设备和计算机可读存储介质
CN114723354A (zh) 一种针对供应商的线上商机挖掘方法、设备及介质
CN110738538B (zh) 识别相似物品的方法和装置

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