CN116579827B - 一种基于用户网络行为画像的商品推荐方法及系统 - Google Patents
一种基于用户网络行为画像的商品推荐方法及系统 Download PDFInfo
- Publication number
- CN116579827B CN116579827B CN202310844113.9A CN202310844113A CN116579827B CN 116579827 B CN116579827 B CN 116579827B CN 202310844113 A CN202310844113 A CN 202310844113A CN 116579827 B CN116579827 B CN 116579827B
- Authority
- CN
- China
- Prior art keywords
- commodity
- user
- type
- purchase
- features
- 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
- 238000000034 method Methods 0.000 title claims abstract description 56
- 230000006399 behavior Effects 0.000 claims description 84
- 238000012545 processing Methods 0.000 claims description 22
- 238000000605 extraction Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 13
- 238000010276 construction Methods 0.000 claims description 10
- 230000003247 decreasing effect Effects 0.000 claims description 5
- 238000010801 machine learning Methods 0.000 claims description 5
- 230000003542 behavioural effect Effects 0.000 claims description 3
- 241000764238 Isis Species 0.000 claims 1
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 239000000284 extract Substances 0.000 description 5
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010348 incorporation Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
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
- 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
- G06F16/9538—Presentation of query results
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
-
- 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)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- General Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于用户网络行为画像的商品推荐方法及系统,涉及大数据技术领域。在该方法中,获取用户的网络行为信息和推荐商品的商品信息;基于用户的网络行为信息,提取一个或多个用户特征;基于推荐商品的商品信息,提取多个推荐商品特征;构建用户网络行为画像;用户网络行为画像中包含一个或多个用户特征;获取一个或多个重复特征;重复特征由多个推荐商品特征与用户网络行为画像中的用户特征提取得到;基于一个或多个重复特征,对应生成推荐商品的推荐语句。实施本申请提供的技术方案,可以根据用户的购物偏好和实际购物需求生成推荐商品的推荐语句。
Description
技术领域
本申请涉及大数据技术领域,具体涉及一种基于用户网络行为画像的商品推荐方法及系统。
背景技术
随着经济的快速发展,电子商务行业在不断前进,伴随着互联网技术的不断提升,各大电商平台顺势而起。而在电商平台购物,也成了大多数人购物的第一选择,人们享受着足不出户就能购买各式各样商品的便利。
在电商平台上会对一些商品进行推荐,从而提高商品的销量。而设置商品推荐语便是让用户快速了解该商品的方法。但现如今设置商品推荐语的方法十分单一,设置的商品推荐语也往往不能满足用户的购物偏好和实际购物需求。因此,如何使设置的商品推荐语能够满足用户的购物偏好和实际购物需求,成为亟待解决的问题。
因此,亟需一种基于用户网络行为画像的商品推荐方法及系统来解决当前技术存在的问题。
发明内容
本申请提供了一种基于用户网络行为画像的商品推荐方法及系统,可以根据用户的购物偏好和实际购物需求生成推荐商品的推荐语句。
第一方面,本申请提供了一种基于用户网络行为画像的商品推荐方法,所述方法包括:获取用户的网络行为信息和推荐商品的商品信息;基于所述用户的网络行为信息,提取一个或多个用户特征;基于所述推荐商品的商品信息,提取多个推荐商品特征;构建用户网络行为画像;所述用户网络行为画像中包含一个或多个所述用户特征;获取一个或多个重复特征;所述重复特征由多个所述推荐商品特征与所述用户网络行为画像中的所述用户特征提取得到;基于一个或多个所述重复特征,对应生成所述推荐商品的推荐语句。
通过采用上述技术方案,通过基于用户的网络行为信息,提取一个或多个用户特征,可以使得提取得到的特征符合用户的网络购物偏好和实际购物需求;并根据用户特征构建用户网络行为画像,从而构建得到多个用户的网络购物偏好和实际购物需求。基于推荐商品特征与用户网络行为画像中的用户特征提取重复特征,表明该推荐商品符合用户的网络购物偏好和实际购物需求;并根据一个或多个重复特征对应生成推荐商品的推荐语句,从而使得生成的推荐商品的推荐语句能够更加符合用户的购物偏好和实际购物需求。
可选的,所述基于所述用户的网络行为信息,提取一个或多个用户特征,具体包括:获取用户在预设时间段内的已购商品的购买情况;所述购买情况包括购买数量和购买频率;对用户所述在预设时间段内已购商品进行商品类型分类,得到种已购商品类型;确定用户购买的第一商品类型;所述第一商品类型为所述/>种已购商品类型中所述购买数量最多的已购商品类型;判断所述第一商品类型的所述购买数量是否大于或等于预设的第一数量;若是,判断所述第一商品类型的所述购买频率是否大于或等于预设的第一频率;若是,从所述第一商品类型中提取一个或多个第一特征作为所述用户特征。
通过采用上述技术方案,通过判断第一商品类型的购买数量大于或等于预设的第一数量,且第一商品类型的购买频率大于或等于预设的第一频率,则表明第一商品类型对应的商品类型为用户在该电商平台上经常购买的商品类型,且为该用户购物偏好偏向于该类型的商品。
可选的,在所述判断所述第一商品类型的所述购买数量是否大于或等于预设的第一数量之后,方法还包括:若否,获取所述种已购商品类型中每种已购商品类型的购买时间间隔/>、所述/>种已购商品类型中每种已购商品类型的购买频率对应的预设分值/>、获取所述/>种已购商品类型中每种已购商品类型的购买时间间隔/>、所述/>种已购商品类型中每种已购商品类型的购买频率对应的预设分值/>、基于所述购买时间间隔/>、所述购买频率对应的预设分值/>、所述购买次数/>以及所述浏览次数/>,计算每种已购商品类型的权重;基于所述每种已购商品类型的权重/>,确定第二商品类型;所述第二商品类型为所述权重/>最大的已购商品类型;从所述第二商品类型中提取一个或多个第二特征作为所述用户特征。
可选的,所述计算每种已购商品类型的权重,具体包括:/>,其中,/>为所述购买频率对应的预设分值,/>为所述购买时间间隔,/>为所述购买次数,/>为所述浏览次数,/>为自然指数。
通过采用上述技术方案,用户在一次购买该类型商品之前,浏览该类型商品的次数越多,则表明用户购买该类型商品的兴趣越大,并且购买该类型商品的概率更高。因此的比值越小,则表明用户购买该类型商品的兴趣越大。且由于用户的购买行为具有时效性,因此需要考虑用户的购买时间间隔。用户的购买时间间隔越短,/>越小,则表明该商品的类型为用户的购买偏好且需求量较高的类型。由于购买时间间隔/>、购买次数/>以及浏览次数/>均为非负数,因此/>,故/>为单调递减函数,/>越小,/>越大。因此/>的比值越小且/>越小,则/>越大。用户购买频率越高,对应的预设分值/>越大,因此/>越大。最大权重/>对应的商品类型,则表明该商品类型为用户的购买偏好类型,且实际购物需求较高。从权重最大的商品中提取特征,从而使得提取的特征更加符合用户的购物偏好和实际购买需求。
可选的,在所述从所述第一商品类型中提取一个或多个第一特征作为所述用户特征之后,方法还包括:获取用户在预设时间段内全部商品的商品浏览情况;所述商品浏览情况包括浏览次数和浏览频率;基于用户在所述预设时间段内全部商品的商品浏览情况,确定用户浏览的第三商品类型;所述第三商品类型为浏览的全部商品中所述浏览次数最多的商品类型;判断所述第三商品类型和所述第一商品类型是否一致;若是,则从所述第三商品类型中提取一个或多个第三特征作为所述用户特征。
可选的,所述构建用户网络行为画像,具体包括:将所述多个用户的至少一个所述用户特征输入至预设的机器学习模型;对所述多个用户的至少一个所述用户特征进行聚类,得到至少一个聚类簇;基于所述至少一个聚类簇,构建得到所述用户网络行为画像。
可选的,所述基于一个或多个所述重复特征,对应生成所述推荐商品的推荐语句,具体包括:获取所述重复特征对应的所述推荐商品的第一推荐语句;根据预设方式将所述重复特征对应的所述推荐商品的第一推荐语句进行结合,生成所述推荐商品的推荐语句。
通过采用上述技术方案,通过将重复特征对应的推荐商品的第一推荐语句进行结合,从而使得生成的推荐商品的推荐语句更加符合用户的购物偏好和实际购买需求,从而提高用户的购买该推荐商品的可能性。
在本申请的第二方面提供了一种基于用户网络行为画像的商品推荐系统,所述系统包括:获取模块、特征提取模块、用户网络行为画像构建模块以及推荐语句生成模块;所述获取模块,用于获取用户的网络行为信息和推荐商品的商品信息;所述特征提取模块,用于基于所述用户的网络行为信息,提取一个或多个用户特征;所述特征提取模块,还用于基于所述推荐商品的商品信息,提取多个推荐商品特征;所述用户网络行为画像构建模块,用于构建用户网络行为画像;所述用户网络行为画像中包含一个或多个所述用户特征;所述获取模块,还用于获取一个或多个重复特征;所述重复特征由多个所述推荐商品特征与所述用户网络行为画像中的所述用户特征提取得到;所述推荐语句生成模块,用于基于一个或多个所述重复特征,对应生成所述推荐商品的推荐语句。
在本申请的第三方面提供了一种电子设备,包括处理器、存储器、用户接口及网络接口,所述存储器用于存储指令,所述用户接口和网络接口用于给其他设备通信,所述处理器用于执行所述存储器中存储的指令,以使所述电子设备执行如本申请第一方面任意一项所述的方法。
在本申请的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质存储有能够被处理器加载并执行如本申请第一方面任意一项所述的方法的计算机程序。
综上所述,本申请实施例中提供的一个或多个技术方案,至少具有如下技术效果或优点:
1、通过基于用户的网络行为信息,提取一个或多个用户特征,可以使得提取得到的特征符合用户的网络购物偏好和实际购物需求;并根据用户特征构建用户网络行为画像,从而构建得到多个用户的网络购物偏好和实际购物需求。基于推荐商品特征与用户网络行为画像中的用户特征提取重复特征,表明该推荐商品符合用户的网络购物偏好和实际购物需求;并根据一个或多个重复特征对应生成推荐商品的推荐语句,从而使得生成的推荐商品的推荐语句能够更加符合用户的购物偏好和实际购物需求。
2、通过判断第一商品类型的购买数量大于或等于预设的第一数量,且第一商品类型的购买频率大于或等于预设的第一频率,则表明第一商品类型对应的商品类型为用户在该电商平台上经常购买的商品类型,且为该用户购物偏好偏向于该类型的商品。
3、用户在一次购买该类型商品之前,浏览该类型商品的次数越多,则表明用户购买该类型商品的兴趣越大,并且购买该类型商品的概率更高。因此的比值越小,则表明用户购买该类型商品的兴趣越大。且由于用户的购买行为具有时效性,因此需要考虑用户的购买时间间隔。用户的购买时间间隔越短,/>越小,则表明该商品的类型为用户的购买偏好且需求量较高的类型。由于购买时间间隔/>、购买次数/>以及浏览次数/>均为非负数,因此,故/>为单调递减函数,/>越小,/>越大。因此/>的比值越小且/>越小,则/>越大。用户购买频率越高,对应的预设分值/>越大,因此/>越大。最大权重/>对应的商品类型,则表明该商品类型为用户的购买偏好类型,且实际购物需求较高。从权重最大的商品中提取特征,从而使得提取的特征更加符合用户的购物偏好和实际购买需求。
4、通过将重复特征对应的推荐商品的第一推荐语句进行结合,从而使得生成的推荐商品的推荐语句更加符合用户的购物偏好和实际购买需求,从而提高用户的购买该推荐商品的可能性。
附图说明
图1是本申请实施例提供的一种基于用户网络行为画像的商品推荐方法的流程示意图一;
图2是本申请实施例提供的一种基于用户网络行为画像的商品推荐方法的流程示意图二;
图3是本申请实施例提供的一种基于用户网络行为画像的商品推荐系统的结构示意图;
图4是本申请实施例公开的一种电子设备的结构示意图。
附图标记说明:1、获取模块;2、特征提取模块;3、用户网络行为画像构建模块;4、推荐语句生成模块;5、处理模块;400、电子设备;401、处理器;402、通信总线;403、用户接口;404、网络接口;405、存储器。
具体实施方式
为了使本领域的技术人员更好地理解本说明书中的技术方案,下面将结合本说明书实施例中的附图,对本说明书实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。
在本申请实施例的描述中,“例如”或者“举例来说”等词用于表示作例子、例证或说明。本申请实施例中被描述为“例如”或者“举例来说”的任何实施例或设计方案不应被解释为比其他实施例或设计方案更优选或更具优势。确切而言,使用“例如”或者“举例来说”等词旨在以具体方式呈现相关概念。
在本申请实施例的描述中,术语“多个”的含义是指两个或两个以上。例如,多个系统是指两个或两个以上的系统,多个屏幕终端是指两个或两个以上的屏幕终端。此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”,除非是以其他方式另外特别强调。
本申请提供了一种基于用户网络行为画像的商品推荐方法,参照图1,其示出了本申请实施例提供的一种基于用户网络行为画像的商品推荐方法的流程示意图一。该方法包括步骤S101-S106,上述步骤如下:
步骤S101:获取用户的网络行为信息和单个推荐商品的商品信息。
在上述步骤中,服务器获取用户的网络行为信息和单个推荐商品的商品信息。
具体来说,在本技术方案中,用户的网络行为信息即用户在电商平台上操作产生的信息。单个推荐商品的商品信息即电商平台上推荐商品的信息。
步骤S102:基于用户的网络行为信息,提取一个或多个用户特征。
在上述步骤中,服务器基于用户的网络行为信息,提取一个或多个用户特征。
在一种可能的实施方式中,参照图2,其示出了本申请实施例提供的一种基于用户网络行为画像的商品推荐方法的流程示意图二。步骤S102具体包括步骤S201-S206:
步骤S201:获取用户在预设时间段内的已购商品的购买情况;购买情况包括购买数量和购买频率。
在上述步骤中,服务器获取用户在预设时间段内的已购商品的购买情况;购买情况包括购买数量和购买频率。
具体来说,在本技术方案中,预设时间段优选为一个季度的时间段。购买情况包括已购商品的购买数量和已购商品的购买频率。即服务器获取某一个用户在一个季度内的已购商品的购买数量和购买频率。
步骤S202:对用户在预设时间段内已购商品进行商品类型分类,得到n种已购商品类型。
在上述步骤中,服务器对用户在预设时间段内已购商品进行商品类型分类,得到n种已购商品类型。
具体来说,在本技术方案中,商品类型包括但不限于服装、数码产品、百货、家装、电器等等。
步骤S203:确定用户购买的第一商品类型;第一商品类型为种已购商品类型中购买数量最多的已购商品类型。
在上述步骤中,服务器确定用户购买的第一商品类型;第一商品类型为种已购商品类型中购买数量最多的已购商品类型。
具体来说,在本技术方案中,举例来说,若用户A在一个季度内购买的服装最多,则用户A的第一商品类型为服装类型。用户B在一个季度内购买的数码产品最多,则用户B的第一商品类型为数码产品类型。
步骤S204:判断第一商品类型的购买数量是否大于或等于预设的第一数量。
在上述步骤中,服务器判断第一商品类型的购买数量是否大于或等于预设的第一数量。
具体来说,在本技术方案中,预设的第一数量优选为全部已购商品的购买数量的50%。
需要说明的是,预设的第一数量还可以根据实际情况进行设定,在本申请中不做过多限定。
步骤S205:判断第一商品类型的购买频率是否大于或等于预设的第一频率。
在上述步骤中,当服务器判断第一商品类型的购买数量大于或等于预设的第一数量时,则再判断第一商品类型的购买频率是否大于或等于预设的第一频率。
具体来说,在本技术方案中,预设的第一频率优选为全部已购商品的购买频率。举例来说,用户A在一个季度内购买了20件商品,则预设的第一频率为20件/90天=0.22件/天。而用户在一个季度内购买了10件服装商品,则可认定用户A的第一商品为服装商品,且用户A在该季度内的前30天内便购买了这10件服装商品,则服装商品的购买频率为10件/30天=0.33件/天。因此则可判断第一商品类型的购买频率大于预设的第一频率。
服务器通过判断第一商品类型的购买数量大于或等于预设的第一数量,且第一商品类型的购买频率大于或等于预设的第一频率,则表明第一商品类型对应的商品类型为用户在该电商平台上经常购买的商品类型,且为该用户购物偏好偏向于该类型的商品。
需要说明的是,当服务器判断第一商品类型的购买频率小于预设的第一频率时,则执行步骤S211-S214。步骤S211-S214将在后续实施例中进行详细说明。
步骤S206:从第一商品类型中提取一个或多个第一特征作为用户特征。
在上述步骤中,服务器从第一商品类型中提取一个或多个第一特征作为用户特征。
具体来说,在本技术方案中,第一特征为用户全部购买的第一商品类型中具有的特征。服务器将从用户购买的第一商品对应的商品标签中提取具体一个或多个第一特征。提取一个或多个第一特征的方法不在本申请中进行过多限定。举例来说,用户A购买的服装商品中提取的特征包括但不限于:外套、潮流、黑色等等;用户B购买的数码商品中提取的特征包括但不限于耳机、白色、价格优惠等等。
在一种可能的实施方式中,参照图2,在步骤S204之后,还包括步骤S211-S214:
步骤S211:获取种已购商品类型中每种已购商品类型的购买时间间隔/>、/>种已购商品类型中每种已购商品类型的购买频率对应的预设分值/>、/>种已购商品类型中每种已购商品类型的购买次数/>以及/>种已购商品类型中每种已购商品类型的浏览次数/>,其中/>。
在上述步骤S211中,当服务器判断第一商品类型的购买数量小于预设的第一数量时,获取种已购商品类型中每种已购商品类型的购买时间间隔/>。
具体来说,在本技术方案中,举例来说,用户C在一个季度内购买了三种类型的商品;且用户C在40天内购买了8件服装商品,在30天内购买了10件百货商品,在80天内购买了10件家装商品,则用户C的服装商品购买时间间隔,百货商品购买时间间隔/>,家装商品购买时间间隔/>。
需要说明的是,当服务器判断第一商品类型的购买频率小于预设的第一频率时,服务器将获取种已购商品类型中每种已购商品类型的购买时间间隔/>。
在上述步骤S211中,服务器还将获取种已购商品类型中每种已购商品类型的购买频率对应的预设分值/>。
具体来说,在本技术方案中,购买频率单位件/天,购买频率越高,对应的预设分值越大。购买频率对应的预设分值优选为:为大于0.9对应10分;(0.8,0.9]对应9分;(0.7,0.8]对应8分;(0.6,0.7]对应7分;(0.5,0.6]对应6分;(0.4,0.5]对应5分;(0.3,0.4]对应4分;(0.2,0.3]对应3分;(0.1,0.2]对应2分;(0,0.1]对应1分;0件/天对应0分。则用户C服装商品的购买频率为8/40=0.2件/天,对应的为2分;百货商品的购买频率为10/30=0.33件/天,对应的/>为4分;家装商品的购买频率为10/80=0.125件/天,对应的/>为2分。
需要说明的是,购买频率对应的预设分值还可根据实际情况进行设定,在本申请中不做过多限定。
在上述步骤S211中,服务器还将获取种已购商品类型中每种已购商品类型的购买次数/>。
具体来说,在本技术方案中,由于用户可能单次购买多件商品,因此购买次数需要根据用户的实际购买情况进行设定。举例来说,用户C服装商品的购买次数/>为4次;百货商品的购买次数/>为7次;家装商品的购买次数/>为5次。
在上述步骤S211中,服务器还将获取种已购商品类型中每种已购商品类型的浏览次数/>。
具体来说,在本技术方案中,由于用户每件已购商品可能浏览多次,因此浏览次数需要根据用户的实际浏览次数进行设定。举例来说,用户C服装商品的浏览次数/>为20次;百货商品的浏览次数/>为20次;家装商品的浏览次数/>为30次。
步骤S212:基于购买时间间隔、购买频率对应的预设分值/>、购买次数/>以及浏览次数/>,计算每种已购商品类型的权重/>。
在上述步骤中,服务器基于购买时间间隔、购买频率对应的预设分值/>、购买次数/>以及浏览次数/>,计算每种已购商品类型的权重/>。
在一种可能的实施方式中,步骤S215具体包括:,其中,/>为购买频率对应的预设分值,/>为购买时间间隔,/>为购买次数,/>为浏览次数,/>为自然指数。
具体来说,在本技术方案中,即代表用户浏览商品的次数对购买商品的次数的存在的影响因素,用户在一次购买该类型商品之前,浏览该类型商品的次数越多,则表明用户购买该类型商品的兴趣越大,并且购买该类型商品的概率更高。因此/>的比值越小,则表明用户购买该类型商品的兴趣越大。且由于用户的购买行为具有时效性,因此需要考虑用户的购买时间间隔。用户的购买时间间隔越短,/>越小,则表明该商品的类型为用户的购买偏好类型。由于购买时间间隔/>、购买次数/>以及浏览次数/>均为非负数,因此/>,故/>为单调递减函数,/>越小,/>越大。因此/>的比值越小且/>越小,则越大。用户购买频率越高,对应的预设分值/>越大,因此/>越大。因此权重/>越大,则表明该商品类型为用户的购买偏好类型,且实际购物需求较高。
在前述举例中,用户C已购的服装商品的权重;已购的百货商品的权重/>;已购的家装商品的权重。
步骤S213:基于每种已购商品类型的权重,确定第二商品类型;第二商品类型为权重/>最大的已购商品类型。
在上述步骤中,服务器基于每种已购商品类型的权重,确定第二商品类型;第二商品类型为权重/>最大的已购商品类型。
具体来说,在本技术方案中,用户C每种已购商品类型中,已购的百货商品的权重最大,因此用户C的第二商品为百货商品。即代表百货商品为用户C在一个季度内的购买偏好类型,且用户C对百货商品的实际购物需求较高。
步骤S214:从第二商品类型中提取一个或多个第二特征作为用户特征。
在上述步骤中,服务器从第二商品类型中提取一个或多个第二特征作为用户特征。
具体来说,在本技术方案中,用户C购买的百货商品中提取的特征包括但不限于个性、创意、实用等等。
在一种可能的实施方式中,在步骤S206之后,还包括如下步骤:
获取用户在预设时间段内全部商品的商品浏览情况;商品浏览情况包括浏览次数和浏览频率;基于用户在预设时间段内全部商品的商品浏览情况,确定用户浏览的第三商品类型;第三商品类型为浏览的全部商品中浏览次数最多的商品类型;判断第三商品类型和第一商品类型是否一致;若是,则从第三商品类型中提取一个或多个第三特征作为用户特征。
具体来说,在本技术方案中,服务器还将根据用户的每种商品类型的浏览次数和浏览频率来确定用户在预设时间段内具有购买偏好的商品类型。服务器首先筛选出第三商品类型,第三商品类型为浏览的全部商品中浏览次数最多的商品类型;服务器再判断第三商品类型是否与第一商品类型一致,若一致,则从浏览的第三商品类型中提取一个或多个第二特征作为用户特征。
步骤S103:基于推荐商品的商品信息,提取多个推荐商品特征。
在上述步骤中,服务器基于推荐商品的商品信息,提取多个推荐商品特征。
具体来说,在本技术方案中,提取多个推荐商品特征包括多种特征,在本申请中不做过多限定。
步骤S104:构建用户网络行为画像;用户网络行为画像中包含一个或多个用户特征。
在上述步骤中,服务器构建用户网络行为画像;用户网络行为画像中包含一个或多个用户特征。
在一种可能的实施方式中,步骤S104具体包括如下步骤:
将多个用户的至少一个用户特征输入至预设的机器学习模型;对多个用户的至少一个用户特征进行聚类,得到至少一个聚类簇;基于至少一个聚类簇,构建得到用户网络行为画像。
具体来说,在本技术方案中,预设的机器学习模型将使用对应的聚类算法对用户特征进行聚类,得到用户网络行为画像。聚类算法可以为K均值聚类、层次聚类、密度聚类、谱聚类、GMM聚类等等。具体的聚类方法不在本申请中进行过多限定。
步骤S105:获取一个或多个重复特征;重复特征由多个推荐商品特征与用户网络行为画像中的用户特征提取得到。
在上述步骤中,服务器获取一个或多个重复特征。重复特征由多个推荐商品特征与用户网络行为画像中的用户特征提取得到。
具体来说,在本技术方案中,举例来说,用户网络行为画像中包括的用户特征为特征A、特征B、特征C、特征D以及特征E;推荐商品特征包括特征A、特征D、特征E、特征F以及特征G。因此重复特征为特征A、特征D以及特征E。
步骤S106:基于一个或多个重复特征,对应生成推荐商品的推荐语句。
在上述步骤中,服务器基于一个或多个重复特征,对应生成推荐商品的推荐语句。
在一种可能的实施方式中,步骤S106具体包括如下步骤:
获取全部用户特征对应的推荐商品的第一推荐语句;根据预设方式将用户网络行为画像中的用户特征对应的推荐商品的第一推荐语句进行结合,生成推荐商品的推荐语句。
具体来说,在本技术方案中,每一个特征均对应该推荐商品的一个推荐语句,例如特征A对应推荐语句A、特征D对应推荐语句D、特征E对应推荐语句E。再采用预设方法将推荐语句A、推荐语句D以及对应推荐语句E按照预设方法进行结合,生成该推荐商品的推荐语句。采用预设方法将推荐语句进行结合可以为将语句直接结合,也可以为将语句穿插结合。具体的结合方式在本申请中不做过多限定。
参照图3,其示出了本申请实施例提供的一种基于用户网络行为画像的商品推荐系统的结构示意图。系统包括:获取模块1、特征提取模块2、用户网络行为画像构建模块3以及推荐语句生成模块4;获取模块1,用于获取用户的网络行为信息和推荐商品的商品信息;特征提取模块2,用于基于用户的网络行为信息,提取一个或多个用户特征;特征提取模块2,还用于基于推荐商品的商品信息,提取多个推荐商品特征;用户网络行为画像构建模块3,用于构建用户网络行为画像;用户网络行为画像中包含一个或多个用户特征;获取模块1,还用于获取一个或多个重复特征;重复特征由多个推荐商品特征与用户网络行为画像中的用户特征提取得到;推荐语句生成模块4,用于基于一个或多个重复特征,对应生成推荐商品的推荐语句。
在一种可能的实施方式中,系统还包括:处理模块5;获取模块1还用于获取用户在预设时间段内的已购商品的购买情况;购买情况包括购买数量和购买频率;处理模块5,用于对用户在预设时间段内已购商品进行商品类型分类,得到n种已购商品类型;处理模块5,还用于确定用户购买的第一商品类型;第一商品类型为n种已购商品类型中购买数量最多的已购商品类型;处理模块5,还用于判断第一商品类型的购买数量是否大于或等于预设的第一数量;处理模块5,还用于当第一商品类型的购买数量大于或等于预设的第一数量时,判断第一商品类型的购买频率是否大于或等于预设的第一频率;特征提取模块2,还用于当第一商品类型的购买频率大于或等于预设的第一频率时,从第一商品类型中提取一个或多个第一特征作为用户特征。
在一种可能的实施方式中,获取模块1,还用于当第一商品类型的购买数量小于预设的第一数量时,获取种已购商品类型中每种已购商品类型的购买时间间隔/>,其中;获取/>种已购商品类型中每种已购商品类型的购买频率对应的预设分值/>;获取/>种已购商品类型中每种已购商品类型的购买次数/>;获取/>种已购商品类型中每种已购商品类型的浏览次数/>;处理模块5,还用于基于每种已购商品的权重/>,确定第二商品;第二商品为权重/>最大的已购商品;特征提取模块2,还用于从第二商品类型中提取一个或多个第二特征作为用户特征。
在一种可能的实施方式中,获取模块1,还用于获取用户在预设时间段内全部商品的商品浏览情况;商品浏览情况包括浏览次数和浏览频率;处理模块5,还用于基于用户在预设时间段内全部商品的商品浏览情况,确定用户浏览的第三商品类型;第三商品类型为浏览的全部商品中浏览次数最多的商品类型;处理模块5,还用于判断第三商品类型和第一商品类型是否一致;特征提取模块2,还用于当第三商品类型和第一商品类型一致时,则从第三商品类型中提取一个或多个第三特征作为用户特征。
在一种可能的实施方式中,用户网络行为画像构建模块3,还用于将多个用户的至少一个用户特征输入至预设的机器学习模型;用户网络行为画像构建模块3,还用于对多个用户的至少一个用户特征进行聚类,得到至少一个聚类簇;用户网络行为画像构建模块3,还用于基于至少一个聚类簇,构建得到用户网络行为画像。
在一种可能的实施方式中,获取模块1,还用于获取重复特征对应的推荐商品的第一推荐语句;推荐语句生成模块4,还用于根据预设方式将重复特征对应的推荐商品的第一推荐语句进行结合,生成推荐商品的推荐语句。
需要说明的是:上述实施例提供的装置在实现其功能时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将设备的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的装置和方法实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
本申请还公开一种电子设备。参照图4,图4是本申请实施例的公开的一种电子设备的结构示意图。该电子设备400可以包括:至少一个处理器401,至少一个网络接口404,用户接口403,存储器405,至少一个通信总线402。
其中,通信总线402用于实现这些组件之间的连接通信。
其中,用户接口403可以包括显示屏(Display)、摄像头(Camera),可选用户接口403还可以包括标准的有线接口、无线接口。
其中,网络接口404可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。
其中,处理器401可以包括一个或者多个处理核心。处理器401利用各种接口和线路连接整个服务器内的各个部分,通过运行或执行存储在存储器405内的指令、程序、代码集或指令集,以及调用存储在存储器405内的数据,执行服务器的各种功能和处理数据。可选的,处理器401可以采用数字信号处理(Digital Signal Processing,DSP)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)、可编程逻辑阵列(Programmable LogicArray,PLA)中的至少一种硬件形式来实现。处理器401可集成中央处理器(CentralProcessing Unit,CPU)、图像处理器(Graphics Processing Unit,GPU)和调制解调器等中的一种或几种的组合。其中,CPU主要处理操作系统、用户界面和应用程序等;GPU用于负责显示屏所需要显示的内容的渲染和绘制;调制解调器用于处理无线通信。可以理解的是,上述调制解调器也可以不集成到处理器401中,单独通过一块芯片进行实现。
其中,存储器405可以包括随机存储器(Random Access Memory,RAM),也可以包括只读存储器(Read-Only Memory)。可选的,该存储器405包括非瞬时性计算机可读介质(non-transitory computer-readable storage medium)。存储器405可用于存储指令、程序、代码、代码集或指令集。存储器405可包括存储程序区和存储数据区,其中,存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令(比如触控功能、声音播放功能、图像播放功能等)、用于实现上述各个方法实施例的指令等;存储数据区可存储上面各个方法实施例中涉及的数据等。存储器405可选的还可以是至少一个位于远离前述处理器401的存储装置。参照图4,作为一种计算机可读存储介质的存储器405中可以包括操作系统、网络通信模块、用户接口模块以及一种应用程序。
在图4所示的电子设备400中,用户接口403主要用于为用户提供输入的接口,获取用户输入的数据;而处理器401可以用于调用存储器405中存储一种应用程序,当由一个或多个处理器401执行时,使得电子设备400执行如上述实施例中一个或多个的方法。需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本申请并不受所描述的动作顺序的限制,因为依据本申请,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本申请所必需的。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几种实施方式中,应该理解到,所披露的装置,可通过其他的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些服务接口,装置或单元的间接耦合或通信连接,可以是电性或其他的形式。
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单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的单元如果以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器中。基于这样的理解,本申请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全部或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器中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例方法的全部或部分步骤。而前述的存储器包括:U盘、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上者,仅为本公开的示例性实施例,不能以此限定本公开的范围。即但凡依本公开教导所作的等效变化与修饰,皆仍属本公开涵盖的范围内。本领域技术人员在考虑说明书及实践真理的公开后,将容易想到本公开的其他实施方案。
本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未记载的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的范围和精神由权利要求限定。
Claims (7)
1.一种基于用户网络行为画像的商品推荐方法,其特征在于,所述方法包括:
获取用户的网络行为信息和推荐商品的商品信息;
基于所述用户的网络行为信息,提取一个或多个用户特征;
获取用户在预设时间段内的已购商品的购买情况;所述购买情况包括购买数量和购买频率;
对用户在所述预设时间段内已购商品进行商品类型分类,得到n种已购商品类型;
确定用户购买的第一商品类型;所述第一商品类型为所述n种已购商品类型中所述购买数量最多的已购商品类型;
判断所述第一商品类型的所述购买数量是否大于或等于预设的第一数量;
若否,获取所述n种已购商品类型中每种已购商品类型的购买时间间隔、所述n种已购商品类型中每种已购商品类型的购买频率对应的预设分值/>、所述n种已购商品类型中每种已购商品类型的购买次数/>以及所述n种已购商品类型中每种已购商品类型的浏览次数/>,其中/>;
基于所述购买时间间隔、所述购买频率对应的预设分值/>、所述购买次数/>以及所述浏览次数/>,计算每种已购商品类型的权重/>;/>;其中,/>为所述购买频率对应的预设分值,/>为所述购买时间间隔,/>为所述购买次数,/>为所述浏览次数,e为自然指数;/>代表用户浏览商品的次数对购买商品的次数的存在的影响因素;用户在一次购买该类型商品之前,浏览该类型商品的次数越多,则表明用户购买该类型商品的兴趣越大,并且购买该类型商品的概率更高;/>的比值越小,表明用户购买该类型商品的兴趣越大;且由于用户的购买行为具有时效性,需要考虑用户的购买时间间隔;用户的购买时间间隔越短,/>越小,表明该商品的类型为用户的购买偏好类型;由于购买时间间隔/>、购买次数/>以及浏览次数/>均为非负数,因此/>,故/>为单调递减函数,/>越小,/>越大;因此/>的比值越小且/>越小,则/>越大;用户购买频率越高,对应的预设分值/>越大,因此/>越大;因此权重越大,则表明该商品类型为用户的购买偏好类型,且实际购物需求较高;
基于所述每种已购商品类型的权重,确定第二商品类型;所述第二商品类型为所述权重/>最大的已购商品类型;
从所述第二商品类型中提取一个或多个第二特征作为所述用户特征;
若是,判断所述第一商品类型的所述购买频率是否大于或等于预设的第一频率;
若是,从所述第一商品类型中提取一个或多个第一特征作为所述用户特征;
基于所述推荐商品的商品信息,提取多个推荐商品特征;
构建用户网络行为画像;所述用户网络行为画像中包含一个或多个所述用户特征;
获取一个或多个重复特征;所述重复特征由多个所述推荐商品特征与所述用户网络行为画像中的所述用户特征提取得到;
基于一个或多个所述重复特征,对应生成所述推荐商品的推荐语句。
2.根据权利要求1所述的一种基于用户网络行为画像的商品推荐方法,其特征在于,在所述从所述第一商品类型中提取一个或多个第一特征作为所述用户特征之后,方法还包括:
获取用户在预设时间段内全部商品的商品浏览情况;所述商品浏览情况包括浏览次数和浏览频率;
基于用户在所述预设时间段内全部商品的商品浏览情况,确定用户浏览的第三商品类型;所述第三商品类型为浏览的全部商品中所述浏览次数最多的商品类型;
判断所述第三商品类型和所述第一商品类型是否一致;
若是,则从所述第三商品类型中提取一个或多个第三特征作为所述用户特征。
3.根据权利要求1所述的一种基于用户网络行为画像的商品推荐方法,其特征在于,所述构建用户网络行为画像,具体包括:
将所述多个用户的至少一个所述用户特征输入至预设的机器学习模型;
对所述多个用户的至少一个所述用户特征进行聚类,得到至少一个聚类簇;
基于所述至少一个聚类簇,构建得到所述用户网络行为画像。
4.根据权利要求1所述的一种基于用户网络行为画像的商品推荐方法,其特征在于,所述基于一个或多个所述重复特征,对应生成所述推荐商品的推荐语句,具体包括:
获取所述重复特征对应的所述推荐商品的第一推荐语句;
根据预设方式将所述重复特征对应的所述推荐商品的第一推荐语句进行结合,生成所述推荐商品的推荐语句。
5.一种基于用户网络行为画像的商品推荐系统,其特征在于,所述系统包括:获取模块(1)、特征提取模块(2)、用户网络行为画像构建模块(3)、推荐语句生成模块(4)以及处理模块(5);
所述获取模块(1),用于获取用户的网络行为信息和推荐商品的商品信息;
所述特征提取模块(2),用于基于所述用户的网络行为信息,提取一个或多个用户特征;
所述获取模块(1),还用于获取用户在预设时间段内的已购商品的购买情况;所述购买情况包括购买数量和购买频率;
所述处理模块(5),用于对用户在所述预设时间段内已购商品进行商品类型分类,得到n种已购商品类型;
所述处理模块(5),还用于确定用户购买的第一商品类型;所述第一商品类型为所述n种已购商品类型中所述购买数量最多的已购商品类型;
所述处理模块(5),还用于判断所述第一商品类型的所述购买数量是否大于或等于预设的第一数量;
所述获取模块(1),还用于当所述第一商品类型的所述购买数量小于预设的第一数量时,获取所述n种已购商品类型中每种已购商品类型的购买时间间隔、所述n种已购商品类型中每种已购商品类型的购买频率对应的预设分值/>、所述n种已购商品类型中每种已购商品类型的购买次数/>以及所述n种已购商品类型中每种已购商品类型的浏览次数/>,其中/>;
所述处理模块(5),还用于基于所述每种已购商品类型的权重,确定第二商品类型;所述第二商品类型为所述权重/>最大的已购商品类型;其中,/>;其中,/>为所述购买频率对应的预设分值,/>为所述购买时间间隔,/>为所述购买次数,为所述浏览次数,e为自然指数;/>代表用户浏览商品的次数对购买商品的次数的存在的影响因素;用户在一次购买该类型商品之前,浏览该类型商品的次数越多,则表明用户购买该类型商品的兴趣越大,并且购买该类型商品的概率更高;/>的比值越小,表明用户购买该类型商品的兴趣越大;且由于用户的购买行为具有时效性,需要考虑用户的购买时间间隔;用户的购买时间间隔越短,/>越小,表明该商品的类型为用户的购买偏好类型;由于购买时间间隔/>、购买次数/>以及浏览次数/>均为非负数,因此/>,故为单调递减函数,/>越小,/>越大;因此/>的比值越小且/>越小,则越大;用户购买频率越高,对应的预设分值/>越大,因此/>越大;因此权重/>越大,则表明该商品类型为用户的购买偏好类型,且实际购物需求较高;
所述特征提取模块(2),还用于从所述第二商品类型中提取一个或多个第二特征作为所述用户特征;
所述处理模块(5),还用于若是,判断所述第一商品类型的所述购买频率是否大于或等于预设的第一频率;
所述特征提取模块(2),还用于若是,从所述第一商品类型中提取一个或多个第一特征作为所述用户特征;
所述特征提取模块(2),还用于基于所述推荐商品的商品信息,提取多个推荐商品特征;
所述用户网络行为画像构建模块(3),用于构建用户网络行为画像;所述用户网络行为画像中包含一个或多个所述用户特征;
所述获取模块(1),还用于获取一个或多个重复特征;所述重复特征由多个所述推荐商品特征与所述用户网络行为画像中的所述用户特征提取得到;
所述推荐语句生成模块(4),用于基于一个或多个所述重复特征,对应生成所述推荐商品的推荐语句。
6.一种电子设备,其特征在于,包括处理器(401)、存储器(405)、用户接口(403)及网络接口(404),所述存储器(405)用于存储指令,所述用户接口(403)和网络接口(404)用于给其他设备通信,所述处理器(401)用于执行所述存储器(405)中存储的指令,以使所述电子设备(400)执行如权利要求1-4任意一项所述的一种基于用户网络行为画像的商品推荐方法。
7.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有指令,当所述指令被执行时,执行如权利要求1-4任意一项所述的一种基于用户网络行为画像的商品推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310844113.9A CN116579827B (zh) | 2023-07-11 | 2023-07-11 | 一种基于用户网络行为画像的商品推荐方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310844113.9A CN116579827B (zh) | 2023-07-11 | 2023-07-11 | 一种基于用户网络行为画像的商品推荐方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116579827A CN116579827A (zh) | 2023-08-11 |
CN116579827B true CN116579827B (zh) | 2024-01-05 |
Family
ID=87534356
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310844113.9A Active CN116579827B (zh) | 2023-07-11 | 2023-07-11 | 一种基于用户网络行为画像的商品推荐方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116579827B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105528374A (zh) * | 2014-10-21 | 2016-04-27 | 苏宁云商集团股份有限公司 | 一种电子商务中的商品推荐方法及其系统 |
CN106157097A (zh) * | 2016-08-22 | 2016-11-23 | 北京京东尚科信息技术有限公司 | 商品推荐方法和系统 |
CN113158056A (zh) * | 2021-04-27 | 2021-07-23 | 口碑(上海)信息技术有限公司 | 推荐语的生成方法及装置 |
CN113744002A (zh) * | 2020-05-27 | 2021-12-03 | 北京沃东天骏信息技术有限公司 | 推送信息的方法、装置、设备和计算机可读介质 |
CN113837824A (zh) * | 2021-08-16 | 2021-12-24 | 上海漫集信息科技有限公司 | 信息推送方法及其系统 |
CN115631014A (zh) * | 2022-11-02 | 2023-01-20 | 平安银行股份有限公司 | 一种商品智能推荐方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114169952A (zh) * | 2020-09-11 | 2022-03-11 | 京东方科技集团股份有限公司 | 一种商品推荐方法、服务器、购物车和购物系统 |
-
2023
- 2023-07-11 CN CN202310844113.9A patent/CN116579827B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105528374A (zh) * | 2014-10-21 | 2016-04-27 | 苏宁云商集团股份有限公司 | 一种电子商务中的商品推荐方法及其系统 |
CN106157097A (zh) * | 2016-08-22 | 2016-11-23 | 北京京东尚科信息技术有限公司 | 商品推荐方法和系统 |
CN113744002A (zh) * | 2020-05-27 | 2021-12-03 | 北京沃东天骏信息技术有限公司 | 推送信息的方法、装置、设备和计算机可读介质 |
CN113158056A (zh) * | 2021-04-27 | 2021-07-23 | 口碑(上海)信息技术有限公司 | 推荐语的生成方法及装置 |
CN113837824A (zh) * | 2021-08-16 | 2021-12-24 | 上海漫集信息科技有限公司 | 信息推送方法及其系统 |
CN115631014A (zh) * | 2022-11-02 | 2023-01-20 | 平安银行股份有限公司 | 一种商品智能推荐方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116579827A (zh) | 2023-08-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108932335B (zh) | 一种生成文案的方法和装置 | |
CN103377193B (zh) | 信息提供方法、网页服务器以及网页浏览器 | |
CN103377262B (zh) | 对用户进行分组的方法和装置 | |
JP6635587B2 (ja) | 広告文選択装置及びプログラム | |
CN115212561B (zh) | 基于玩家的语音游戏数据的服务处理方法及相关产品 | |
CN111538900B (zh) | 一种信息推荐方法及相关设备 | |
CN107666435A (zh) | 一种屏蔽消息的方法及装置 | |
US11210695B2 (en) | Predictive recommendation system using tiered feature data | |
JP6815235B2 (ja) | 情報処理装置、情報処理方法、およびプログラム | |
CN111582973A (zh) | 一种商品推荐数据生成方法、装置及系统 | |
US9471558B2 (en) | Generation of introductory information page | |
CN111612588A (zh) | 商品呈现方法及装置、计算设备、计算机可读存储介质 | |
CN111580788A (zh) | 模板搭配信息推荐方法、装置及电子设备 | |
KR102351879B1 (ko) | 상품 또는 서비스에 대한 비정형의 품목데이터를 자동으로 분류하는 방법 및 디바이스 | |
CN114820123A (zh) | 团购商品推荐方法、装置、设备及存储介质 | |
Kasinphila et al. | Influence of Web Design, Usefulness, Ease of Use, and Enjoyment on Beauty and Cosmetics Online Purchase Intention towards a Popular Brand in Thailand | |
JP5265414B2 (ja) | ネットショッピング管理装置 | |
CN111026973B (zh) | 一种商品兴趣度预测方法、装置及电子设备 | |
CN116579827B (zh) | 一种基于用户网络行为画像的商品推荐方法及系统 | |
CN112288461A (zh) | 广告信息推送方法、装置、介质及电子设备 | |
CN111787042A (zh) | 用于推送信息的方法和装置 | |
US11007443B2 (en) | Method for performing game by using activity count | |
CN113413603A (zh) | 游戏的信息显示方法及装置、电子设备 | |
JP7034198B2 (ja) | 管理装置、管理方法、及びプログラム | |
KR102071199B1 (ko) | 2d/3d 디자인 관리를 위한 지식 공유 플랫폼의 제어 방법, 장치 및 시스템 |
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 |