CN116777572A - 基于大数据的电子商务交易管理系统及其方法 - Google Patents
基于大数据的电子商务交易管理系统及其方法 Download PDFInfo
- Publication number
- CN116777572A CN116777572A CN202311075408.0A CN202311075408A CN116777572A CN 116777572 A CN116777572 A CN 116777572A CN 202311075408 A CN202311075408 A CN 202311075408A CN 116777572 A CN116777572 A CN 116777572A
- Authority
- CN
- China
- Prior art keywords
- social media
- data
- user
- feature vector
- semantic
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title abstract description 16
- 239000013598 vector Substances 0.000 claims abstract description 167
- 230000003993 interaction Effects 0.000 claims abstract description 61
- 238000004458 analytical method Methods 0.000 claims abstract description 22
- 238000007726 management method Methods 0.000 claims description 61
- 238000007781 pre-processing Methods 0.000 claims description 17
- 230000004927 fusion Effects 0.000 claims description 13
- 238000005457 optimization Methods 0.000 claims description 9
- 230000000694 effects Effects 0.000 claims description 8
- 230000007246 mechanism Effects 0.000 claims description 7
- 238000013075 data extraction Methods 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000006399 behavior Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 230000002996 emotional effect Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000013068 supply chain management Methods 0.000 description 4
- 238000003058 natural language processing Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 229920000742 Cotton Polymers 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000010985 leather Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000012384 transportation and delivery Methods 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
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
-
- 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
- G06F16/9536—Search customisation based on social or collaborative filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- 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
- G06N3/0455—Auto-encoder networks; Encoder-decoder 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/0985—Hyperparameter optimisation; Meta-learning; Learning-to-learn
-
- 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
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
- G06Q30/0253—During e-commerce, i.e. online transactions
-
- 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
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
- G06Q30/0255—Targeted advertisements based on user history
-
- 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
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
- G06Q30/0269—Targeted advertisements based on user profile or attribute
- G06Q30/0271—Personalized advertisement
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/01—Social networking
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- Economics (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Biology (AREA)
- Primary Health Care (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Tourism & Hospitality (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于大数据的电子商务交易管理系统及其方法，其通过信息采集软件获取被分析用户对象的用户交易记录和用户社交媒体数据；对所述用户交易记录和所述用户社交媒体数据进行联合分析以得到用户交易‑社交媒体交互语义特征向量；以及，基于所述用户交易‑社交媒体交互语义特征向量，确定推荐产品的主题。这样，可以反映用户的多维度和动态变化的需求，以进行个性化推荐。
Description
技术领域
本发明涉及智能化管理技术领域，尤其涉及一种基于大数据的电子商务交易管理系统及其方法。
背景技术
电子商务交易管理系统是一种通过网络平台为用户提供商品或服务的交易方式，它可以实现用户的需求分析、商品或服务的搜索、比较、选择、下单、支付、评价等功能。
电子商务交易管理系统的核心是推荐系统，它可以根据用户的偏好等特征，为用户推荐合适的商品，从而提高用户的购买意愿和满意度，增加平台的收益和竞争力。
然而，传统的推荐系统通常只利用用户的交易记录来进行推荐，忽略用户的个性化信息、情感倾向、社会关系等丰富的信息，使得推荐效果和用户满意度较低。因此，期待一种优化的电子商务交易管理方案。
发明内容
本发明实施例提供一种基于大数据的电子商务交易管理系统及其方法，其通过信息采集软件获取被分析用户对象的用户交易记录和用户社交媒体数据；对所述用户交易记录和所述用户社交媒体数据进行联合分析以得到用户交易-社交媒体交互语义特征向量；以及，基于所述用户交易-社交媒体交互语义特征向量，确定推荐产品的主题。这样，可以反映用户的多维度和动态变化的需求，以进行个性化推荐。
本发明实施例还提供了一种基于大数据的电子商务交易管理方法，其包括：通过信息采集软件获取被分析用户对象的用户交易记录和用户社交媒体数据；对所述用户交易记录和所述用户社交媒体数据进行联合分析以得到用户交易-社交媒体交互语义特征向量；以及基于所述用户交易-社交媒体交互语义特征向量，确定推荐产品的主题。
本发明实施例还提供了一种基于大数据的电子商务交易管理系统，其包括：数据获取模块，用于通过信息采集软件获取被分析用户对象的用户交易记录和用户社交媒体数据；联合分析模块，用于对所述用户交易记录和所述用户社交媒体数据进行联合分析以得到用户交易-社交媒体交互语义特征向量；以及推荐产品的主题确定模块，用于基于所述用户交易-社交媒体交互语义特征向量，确定推荐产品的主题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
在附图中：图1为本发明实施例中提供的一种基于大数据的电子商务交易管理方法的流程图。
图2为本发明实施例中提供的一种基于大数据的电子商务交易管理方法的系统架构的示意图。
图3为本发明实施例中提供的一种基于大数据的电子商务交易管理方法中步骤120的子步骤的流程图。
图4为本发明实施例中提供的一种基于大数据的电子商务交易管理系统的框图。
图5为本发明实施例中提供的一种基于大数据的电子商务交易管理方法的应用场景图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。
除非另有说明，本申请实施例所使用的所有技术和科学术语与本申请的技术领域的技术人员通常理解的含义相同。本申请中所使用的术语只是为了描述具体的实施例的目的，不是旨在限制本申请的范围。
在本申请实施例记载中，需要说明的是，除非另有说明和限定，术语“连接”应做广义理解，例如，可以是电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
需要说明的是，本申请实施例所涉及的术语“第一\第二\第三”仅仅是是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换，以使这里描述的本申请的实施例可以除了在这里图示或描述的那些以外的顺序实施。
应可以理解，电子商务（Electronic Commerce，简称e-commerce）是指利用互联网、移动网络等电子通信技术进行商务活动的过程。通过电子平台和数字化技术，使买卖双方可以在线进行交易、支付和交流，实现商品和服务的买卖、信息传递和资金流动等商务活动。
电子商务的发展使得商务活动不再受时空限制，打破了传统商业模式的局限性，带来了许多优势和机会。
电子商务形式包括：1.在线零售（E-tail）：通过电子商务平台，商家可以在线销售商品给消费者。消费者可以在网上浏览商品、比较价格、下单购买，并选择适合的支付方式进行交易。著名的在线零售平台包括亚马逊、阿里巴巴、京东等。
2.电子商务市场（E-marketplace）：电子商务市场是一个在线的交易平台，为买卖双方提供一个集中的市场环境。卖家可以在市场上展示商品，买家可以浏览和选择商品，并进行交易。著名的电子商务市场包括eBay、淘宝、拼多多等。
3.电子支付（E-payment）：电子支付是指通过互联网或移动网络进行的在线支付。消费者可以使用信用卡、借记卡、电子钱包等方式进行支付，完成交易。著名的电子支付服务提供商包括PayPal、支付宝、微信支付等。
4.电子供应链管理（E-supply chain management）：电子供应链管理利用信息技术来优化供应链的各个环节，包括物流、库存管理、订单处理等。通过电子供应链管理，企业可以实现更高效的物流和库存管理，提高交付速度和客户满意度。
5.互联网营销（Internet marketing）：互联网营销是通过互联网和数字渠道进行市场推广和广告宣传的方式。企业可以利用搜索引擎优化（SEO）、社交媒体营销、电子邮件营销等手段，吸引潜在客户并提高品牌知名度。
电子商务的优势包括全球范围的市场覆盖、24小时全天候的开放性、降低交易成本、提高交易效率等。它为企业和消费者提供了更多的选择和便利，推动了商业模式的创新和发展。然而，电子商务也面临一些挑战，如网络安全问题、物流配送的难题以及消费者的信任和隐私问题等。因此，保护消费者权益和建立可信赖的电子商务环境是至关重要的。
进一步地，电子商务交易管理系统是一种通过网络平台为用户提供商品或服务的交易管理系统，涵盖了从商品或服务的展示、搜索、比较、选择，到下单、支付、配送和售后等全过程的管理和支持。
电子商务交易管理系统的主要功能包括：商品管理，包括商品的分类、展示、描述、价格设置等。系统可以支持商家上传商品信息，包括商品图片、规格、库存等，并对商品进行管理和维护。订单管理，涵盖订单的生成、处理、支付和配送等环节。系统可以记录用户下单的详细信息，包括商品、数量、价格、收货地址等，并提供订单状态跟踪和管理功能。支付管理，支持多种支付方式，如在线支付、货到付款等。系统可以与第三方支付机构集成，确保支付的安全性和便捷性。物流管理，包括订单的配送、物流跟踪和售后服务等。系统可以与物流公司合作，提供订单的快速配送，并提供物流跟踪功能，方便用户了解订单的配送进度。用户管理，包括用户注册、登录、个人信息管理等。系统可以支持用户的账号管理和个人信息的修改，提供个性化的服务和推荐。客户服务，提供在线客服支持，包括咨询、投诉、售后等。系统可以与客服系统集成，实现用户与客服人员的实时沟通和问题解决。数据分析，对交易数据进行分析和统计，帮助商家了解销售情况、用户偏好等。系统可以生成报表和图表，提供数据支持和决策参考。
电子商务交易管理系统的目标是提供方便、快捷、安全的交易环境，促进商家和消费者之间的交流和交易，提高用户的购买满意度，增加平台的收益和竞争力。
传统的推荐系统通常只利用用户的交易记录来进行推荐，忽略用户的个性化信息、情感倾向、社会关系等丰富的信息，使得推荐效果和用户满意度较低。因此，在本申请中提供一种优化的电子商务交易管理方案。
在本发明的一个实施例中，图1为本发明实施例中提供的一种基于大数据的电子商务交易管理方法的流程图。图2为本发明实施例中提供的一种基于大数据的电子商务交易管理方法的系统架构的示意图。如图1和图2所示，根据本发明实施例的基于大数据的电子商务交易管理方法100，包括：110，通过信息采集软件获取被分析用户对象的用户交易记录和用户社交媒体数据；120，对所述用户交易记录和所述用户社交媒体数据进行联合分析以得到用户交易-社交媒体交互语义特征向量；以及，130，基于所述用户交易-社交媒体交互语义特征向量，确定推荐产品的主题。
其中，在所述步骤110中，在获取用户交易记录和社交媒体数据时，需要确保数据的准确性和完整性。信息采集软件应该能够有效地获取用户的交易记录和社交媒体数据，并确保数据的隐私和安全。
其中，通过获取用户的交易记录和社交媒体数据，可以获得更全面的用户信息。交易记录可以提供用户的购买偏好、历史行为等信息，而社交媒体数据可以提供用户的兴趣、社交关系等信息。这些数据的结合可以更好地了解用户的需求和喜好，为个性化推荐提供更准确的依据。
在所述步骤120中，在进行联合分析时，需要考虑如何将用户交易记录和社交媒体数据进行有效的关联。可以使用数据挖掘和机器学习等技术，提取用户交易和社交媒体之间的关联特征，构建用户交易-社交媒体交互语义特征向量。
其中，通过联合分析用户交易记录和社交媒体数据，可以获得更丰富的用户特征。例如，可以通过分析用户在社交媒体上的行为和兴趣，结合其交易记录中的购买历史和偏好，构建用户交易-社交媒体交互语义特征向量。这样的特征向量可以更好地描述用户的个性化需求和兴趣，为后续的推荐产品提供更准确的依据。
在所述步骤130中，在确定推荐产品的主题时，可以利用机器学习和推荐算法等方法。根据用户交易-社交媒体交互语义特征向量，可以计算用户与不同产品主题之间的相似度或相关度，从而确定适合用户的推荐产品主题。
其中，通过基于用户交易-社交媒体交互语义特征向量来确定推荐产品的主题，可以提供更个性化和精准的推荐服务。传统的推荐系统通常只利用用户的交易记录进行推荐，忽略了用户的个性化信息和社交媒体数据。而本方法结合了用户的交易记录和社交媒体数据，可以更准确地了解用户的需求和喜好，从而提供更符合用户兴趣和偏好的推荐产品。
这种基于大数据的电子商务交易管理方法可以提高推荐的准确性和个性化程度，提升用户满意度和电子商务平台的竞争力。它充分利用了用户交易记录和社交媒体数据的信息，为用户提供更符合其需求和兴趣的推荐产品，提高用户的购买体验和平台的交易量。
具体地，在所述步骤110中，通过信息采集软件获取被分析用户对象的用户交易记录和用户社交媒体数据。针对上述技术问题，本申请的技术构思是基于用户社交媒体数据和用户交易记录来进行个性化推荐。应可以理解，用户社交媒体数据包含了用户的个性化信息、情感倾向、社会关系等丰富的信息，可以反映用户的多维度和动态变化的需求。
基于此，在本申请的技术方案中，首先，通过信息采集软件获取被分析用户对象的用户交易记录和用户社交媒体数据。值得一提的是，在使用信息采集软件获取信息时，需要遵守每个网站的使用规则和服务条款。
通过分析用户的社交媒体数据，可以了解用户在社交平台上的行为和兴趣。例如，用户可能在社交媒体上关注特定领域的话题、参与相关讨论或点赞分享相关内容。这些信息可以揭示用户的兴趣和偏好，为推荐产品的主题确定提供依据。
用户交易记录和社交媒体数据的联合分析可以生成用户交易-社交媒体交互语义特征向量。这些特征向量可以更好地描述用户的个性化需求和兴趣。通过计算用户与不同产品主题之间的相似度或相关度，可以确定适合用户的推荐产品主题。从而提高推荐的准确性和个性化程度，增加用户对推荐产品的认可度和购买意愿。
通过信息采集软件获取被分析用户对象的用户交易记录和用户社交媒体数据可以提供更全面、多维度的用户信息，挖掘用户的兴趣和偏好，丰富推荐产品的特征，以及提高推荐的准确性和个性化程度。这些作用有助于确定推荐产品的主题，为用户提供更符合其需求和兴趣的个性化推荐服务。
在所述步骤120中，对所述用户交易记录和所述用户社交媒体数据进行联合分析以得到用户交易-社交媒体交互语义特征向量。图3为本发明实施例中提供的一种基于大数据的电子商务交易管理方法中步骤120的子步骤的流程图，如图3所示，对所述用户交易记录和所述用户社交媒体数据进行联合分析以得到用户交易-社交媒体交互语义特征向量，包括：121，对所述用户交易记录进行语义编码以得到用户交易数据语义编码特征向量；122，对所述用户社交媒体数据进行数据预处理和语义编码以得到社交媒体数据语义编码特征向量；以及，123，融合所述用户交易数据语义编码特征向量和所述社交媒体数据语义编码特征向量以得到所述用户交易-社交媒体交互语义特征向量。
在所述步骤121中，用户交易记录需要进行语义编码，将交易记录转化为数值化的特征向量。可以使用自然语言处理（NLP）技术或其他文本分析方法，对交易记录进行文本处理、词汇表示和特征提取，生成用户交易数据的语义编码特征向量。
通过对用户交易记录进行语义编码，可以将交易数据转化为可计算和比较的数值特征。这样可以更好地理解用户的购买行为和偏好，提取出与推荐相关的特征，为后续推荐产品的主题确定提供依据。
在所述步骤122中，用户社交媒体数据需要进行数据预处理和语义编码。数据预处理包括文本清洗、分词、去除停用词等操作，以准备数据进行后续的语义编码。语义编码可以使用NLP技术，如词嵌入（Word Embedding）或主题模型等方法，将社交媒体数据转化为语义编码特征向量。
通过对用户社交媒体数据进行数据预处理和语义编码，可以提取出用户在社交媒体上的兴趣、情感倾向、关注的话题等信息。这些信息可以用于描述用户的个性化特征和社交媒体行为，为推荐产品的主题确定提供更准确的依据。
在所述步骤123中，将用户交易数据语义编码特征向量和社交媒体数据语义编码特征向量进行融合。可以使用特征融合方法，如特征拼接、特征加权等方式，将两个特征向量融合成一个用户交易-社交媒体交互语义特征向量。
通过融合用户交易数据语义编码特征向量和社交媒体数据语义编码特征向量，可以将用户的交易行为和社交媒体行为进行关联，生成更全面、更准确的用户交易-社交媒体交互语义特征向量。这个特征向量可以更好地描述用户的个性化需求和行为，为后续的推荐产品主题确定提供更精准的依据。
应可以理解，通过对用户交易记录和社交媒体数据进行联合分析，可以得到用户交易-社交媒体交互语义特征向量。这个特征向量融合了用户的交易数据和社交媒体数据的信息，提供了更全面、更准确的用户特征，为最后确定推荐产品的主题提供更精准的依据。这样可以提高推荐的个性化程度和准确性，增强用户对推荐产品的认可度和购买意愿。
对于所述步骤121中，接着，对所述用户交易记录进行语义编码以得到用户交易数据语义编码特征向量；同时，对所述用户社交媒体数据进行数据预处理和语义编码以得到社交媒体数据语义编码特征向量。也就是，通过数据预处理的方式将所述用户社交媒体数据中不规则、不平整的数据转化为便于计算机读取和分析的数据结构；再对所述用户交易记录和经过预处理之后的用户社交媒体数据进行语义编码，以提取其中蕴含的高维语义信息。
具体来说，用户交易记录包含用户购买的商品或服务、交易金额、交易时间、支付方式、订单状态等信息。例如，包括购买的商品名称商品描述、商品价格、用户下单购买的时间戳、交易过程中订单的状态等。这些数据通常以文本的形式存在，可以直接进行语义编码处理。此外，社交媒体平台上的用户不仅会发布文字内容，如评论、状态更新、文章等，还会分享图片。这些文字内容和图片包含了用户的观点、喜好等信息。其中，图片可以更加直观的反映用户的兴趣。而由于图片本身并不能直接提供语义信息，因此，需要在语义编码之前先进行预处理操作。
对于所述步骤122，对所述用户社交媒体数据进行数据预处理和语义编码以得到社交媒体数据语义编码特征向量，包括：提取所述用户社交媒体数据中的文本数据；提取所述用户社交媒体数据中的图片数据，并将所述图片数据通过图片主题生成器以得到图片主题文本描述；以及，将所述文本数据和所述图片主题文本描述通过包含词嵌入层的语义编码器以得到所述社交媒体数据语义编码特征向量。
首先，提取出用户社交媒体数据中的文本数据可以获得用户在社交平台上的言论、观点和兴趣等信息。这些文本数据可以用于后续的数据预处理、语义编码和特征提取，为推荐系统提供更全面和准确的用户特征。
然后，提取用户社交媒体数据中的图片数据可以获取用户分享的图片内容。通过生成图片主题的文本描述，可以将图片转化为文本特征，为后续的语义编码和特征融合提供依据。这样可以丰富用户的特征表示，提高推荐系统对用户兴趣和偏好的理解。
接着，通过将文本数据和图片主题文本描述输入到语义编码器中，可以将社交媒体数据转化为语义编码特征向量。这个特征向量可以更好地描述用户的兴趣、情感和行为，为推荐系统提供更准确和全面的用户特征。通过包含词嵌入层，可以捕捉文本数据中的语义信息，提高语义编码的质量和表达能力。
通过提取用户社交媒体数据中的文本数据、提取图片数据并生成图片主题文本描述，以及将文本数据和图片主题文本描述通过包含词嵌入层的语义编码器，可以得到社交媒体数据的语义编码特征向量。这个特征向量融合了文本和图片的信息，提供了更全面和准确的用户特征，为推荐系统提供更精准和个性化的推荐服务。
在本申请的一个具体示例中，对所述用户社交媒体数据进行数据预处理和语义编码以得到社交媒体数据语义编码特征向量的编码过程，包括：先提取所述用户社交媒体数据中的文本数据；随后，提取所述用户社交媒体数据中的图片数据，并将所述图像数据分别通过图片主题生成器以得到图片主题文本描述；再将所述文本数据和所述图片主题文本描述通过包含词嵌入层的语义编码器以得到社交媒体数据语义编码特征向量。
对于所述步骤123，融合所述用户交易数据语义编码特征向量和所述社交媒体数据语义编码特征向量以得到所述用户交易-社交媒体交互语义特征向量，包括：使用特征间注意力层对所述用户交易数据语义编码特征向量和所述社交媒体数据语义编码特征向量进行基于注意力机制的特征交互以得到所述用户交易-社交媒体交互语义特征向量。
然后，使用特征间注意力层对所述用户交易数据语义编码特征向量和所述社交媒体数据语义编码特征向量进行基于注意力机制的特征交互以得到用户交易-社交媒体交互语义特征向量。应可以理解，传统的注意力机制的目标在于学习一个注意力权重矩阵，应用于当前层的各个神经节点，对于那些重要的节点，赋予它们较大的权重，对于那些次要的节点，赋予它们较小的权重。由于每个神经节点都包含着某种特征信息，经过上述操作，神经网络就能从众多特征信息中选择出对当前任务目标更关键的信息。而在本申请的技术方案中，所述特征间注意力层与传统的注意力机制有所不同，其能更多地关注到各个特征信息间的依赖关系。
具体地，在所述130中，基于所述用户交易-社交媒体交互语义特征向量，确定推荐产品的主题，包括：对所述用户交易-社交媒体交互语义特征向量进行特征分布优化以得到优化用户交易-社交媒体交互语义特征向量；以及，将所述优化用户交易-社交媒体交互语义特征向量通过分类器以得到分类结果，所述分类结果用于表示推荐产品的主题标签。
在本申请的一个实施例中，对所述用户交易-社交媒体交互语义特征向量进行特征分布优化以得到优化用户交易-社交媒体交互语义特征向量，包括：对所述用户交易数据语义编码特征向量和所述社交媒体数据语义编码特征向量进行非齐次希尔伯特面上空间自适应点学习以获得融合特征向量；将所述融合特征向量与所述用户交易-社交媒体交互语义特征向量融合以得到所述优化用户交易-社交媒体交互语义特征向量的表达效果。
在本申请的技术方案中，所述特征间注意力层对所述用户交易数据语义编码特征向量和所述社交媒体数据语义编码特征向量进行基于注意力机制的特征交互时，会聚焦于所述用户交易数据语义编码特征向量和所述社交媒体数据语义编码特征向量间的依赖关系特征的提取，从而存在对所述用户交易数据语义编码特征向量和所述社交媒体数据语义编码特征向量各自的用户交易记录和用户社交媒体数据的语义特征表达的不足，因此期望基于所述用户交易数据语义编码特征向量和所述社交媒体数据语义编码特征向量来提升所述用户交易-社交媒体交互语义特征向量的表达效果。
这里，本申请的申请人考虑到所述用户交易数据语义编码特征向量和所述社交媒体数据语义编码特征向量之间的非齐次的逐点对应性，也就是，所述用户交易记录包含大量的数字型文本，而用户社交媒体数据以文字型文本为主，且包含图片生成式文字文本，因此其经由语义编码器编码得到的语义特征在向量维度下的逐点对应上是非齐次的。基于此，对所述用户交易数据语义编码特征向量，例如记为和所述社交媒体数据语义编码特征向量，例如记为/>进行非齐次希尔伯特面上空间自适应点学习，以获得融合特征向量，例如记为/>，具体表示为：以如下优化公式对所述用户交易数据语义编码特征向量和所述社交媒体数据语义编码特征向量进行非齐次希尔伯特面上空间自适应点学习以获得融合特征向量；其中，所述优化公式为：/>其中，/>是所述用户交易数据语义编码特征向量，/>是所述社交媒体数据语义编码特征向量，/>是所述社交媒体数据语义编码特征向量的转置向量，/>是所述融合特征向量，，/>和/>表示基于吉尔伯特空间的非齐次闵式距离，且/>和/>为超参数，和/>分别是所述用户交易数据语义编码特征向量/>和所述社交媒体数据语义编码特征向量/>的全局特征均值，且所述用户交易数据语义编码特征向量/>和所述社交媒体数据语义编码特征向量/>均为行向量，/>表示按位置点乘，/>表示按位置加法，表示协方差矩阵。
这样，通过以非齐次的吉尔伯特空间度量对所述用户交易数据语义编码特征向量和所述社交媒体数据语义编码特征向量/>之间的向量点关联进行一维卷积，可以针对所述用户交易数据语义编码特征向量/>和所述社交媒体数据语义编码特征向量/>的高维特征表示的特征流形在高维特征空间内具有的非轴对齐（non-axis alignment）特性，在基于希尔伯特空间的流形收敛超平面的面上空间向着超平面进行自适应点学习，并以面向所述用户交易数据语义编码特征向量/>和所述社交媒体数据语义编码特征向量/>各自分布收敛方向的空中度量（aerial measurement）为修正，提升了所述用户交易数据语义编码特征向量/>和所述社交媒体数据语义编码特征向量/>间的非齐次逐点融合性，从而提升所述融合特征向量/>的融合表达效果，然后，再将所述融合特征向量/>进一步与所述用户交易-社交媒体交互语义特征向量融合，就可以改进所述用户交易-社交媒体交互语义特征向量的表达效果。
进而，将所述用户交易-社交媒体交互语义特征向量通过分类器以得到分类结果，所述分类结果用于表示推荐产品的主题标签。在实际应用中，所述推荐产品的主题可以按需求进行拟定。具体地，所述推荐产品的主题可以是品类主题，例如服装、鞋类、电子产品、家居用品等；可以是品牌主题例如Nike、Apple、IKEA等；可以是价格主题；可以是颜色主题，例如推荐红色或蓝色的服装；可以是材质主题，例如推荐棉质、皮革或金属制品等等。
综上，基于本发明实施例的基于大数据的电子商务交易管理方法100被阐明，基于用户社交媒体数据和用户交易记录来进行个性化推荐。应可以理解，用户社交媒体数据包含了用户的个性化信息、情感倾向、社会关系等丰富的信息，可以反映用户的多维度和动态变化的需求。
图4为本发明实施例中提供的一种基于大数据的电子商务交易管理系统的框图。如图4所示，所述基于大数据的电子商务交易管理系统，包括：数据获取模块210，用于通过信息采集软件获取被分析用户对象的用户交易记录和用户社交媒体数据；联合分析模块220，用于对所述用户交易记录和所述用户社交媒体数据进行联合分析以得到用户交易-社交媒体交互语义特征向量；以及，推荐产品的主题确定模块230，用于基于所述用户交易-社交媒体交互语义特征向量，确定推荐产品的主题。
具体地，在所述基于大数据的电子商务交易管理系统中，所述联合分析模块，包括：编码单元，用于对所述用户交易记录进行语义编码以得到用户交易数据语义编码特征向量；数据预处理和语义编码单元，用于对所述用户社交媒体数据进行数据预处理和语义编码以得到社交媒体数据语义编码特征向量；以及，融合单元，用于融合所述用户交易数据语义编码特征向量和所述社交媒体数据语义编码特征向量以得到所述用户交易-社交媒体交互语义特征向量。
具体地，在所述基于大数据的电子商务交易管理系统中，所述数据预处理和语义编码单元，包括：文本数据提取子单元，用于提取所述用户社交媒体数据中的文本数据；图片数据提取子单元，用于提取所述用户社交媒体数据中的图片数据，并将所述图片数据通过图片主题生成器以得到图片主题文本描述；以及，语义编码子单元，用于将所述文本数据和所述图片主题文本描述通过包含词嵌入层的语义编码器以得到所述社交媒体数据语义编码特征向量。
本领域技术人员可以理解，上述基于大数据的电子商务交易管理系统中的各个步骤的具体操作已经在上面参考图1到图3的基于大数据的电子商务交易管理方法的描述中得到了详细介绍，并因此，将省略其重复描述。
如上所述，根据本发明实施例的基于大数据的电子商务交易管理系统100可以实现在各种终端设备中，例如用于基于大数据的电子商务交易管理的服务器等。在一个示例中，根据本发明实施例的基于大数据的电子商务交易管理系统100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该基于大数据的电子商务交易管理系统100可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该基于大数据的电子商务交易管理系统100同样可以是该终端设备的众多硬件模块之一。
替换地，在另一示例中，该基于大数据的电子商务交易管理系统100与该终端设备也可以是分立的设备，并且该基于大数据的电子商务交易管理系统100可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
图5为本发明实施例中提供的一种基于大数据的电子商务交易管理方法的应用场景图。如图5所示，在该应用场景中，首先，通过信息采集软件获取被分析用户对象的用户交易记录（例如，如图5中所示意的C1）和用户社交媒体数据（例如，如图5中所示意的C2）；然后，将获取的用户交易记录和用户社交媒体数据输入至部署有基于大数据的电子商务交易管理算法的服务器（例如，如图5中所示意的S）中，其中所述服务器能够基于大数据的电子商务交易管理算法对所述用户交易记录和所述用户社交媒体数据进行处理，以确定推荐产品的主题。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于大数据的电子商务交易管理方法，其特征在于，包括：通过信息采集软件获取被分析用户对象的用户交易记录和用户社交媒体数据；对所述用户交易记录和所述用户社交媒体数据进行联合分析以得到用户交易-社交媒体交互语义特征向量；以及基于所述用户交易-社交媒体交互语义特征向量，确定推荐产品的主题。
2.根据权利要求1所述的基于大数据的电子商务交易管理方法，其特征在于，对所述用户交易记录和所述用户社交媒体数据进行联合分析以得到用户交易-社交媒体交互语义特征向量，包括：对所述用户交易记录进行语义编码以得到用户交易数据语义编码特征向量；对所述用户社交媒体数据进行数据预处理和语义编码以得到社交媒体数据语义编码特征向量；以及融合所述用户交易数据语义编码特征向量和所述社交媒体数据语义编码特征向量以得到所述用户交易-社交媒体交互语义特征向量。
3.根据权利要求2所述的基于大数据的电子商务交易管理方法，其特征在于，对所述用户社交媒体数据进行数据预处理和语义编码以得到社交媒体数据语义编码特征向量，包括：提取所述用户社交媒体数据中的文本数据；提取所述用户社交媒体数据中的图片数据，并将所述图片数据通过图片主题生成器以得到图片主题文本描述；以及将所述文本数据和所述图片主题文本描述通过包含词嵌入层的语义编码器以得到所述社交媒体数据语义编码特征向量。
4.根据权利要求3所述的基于大数据的电子商务交易管理方法，其特征在于，融合所述用户交易数据语义编码特征向量和所述社交媒体数据语义编码特征向量以得到所述用户交易-社交媒体交互语义特征向量，包括：使用特征间注意力层对所述用户交易数据语义编码特征向量和所述社交媒体数据语义编码特征向量进行基于注意力机制的特征交互以得到所述用户交易-社交媒体交互语义特征向量。
5.根据权利要求4所述的基于大数据的电子商务交易管理方法，其特征在于，基于所述用户交易-社交媒体交互语义特征向量，确定推荐产品的主题，包括：对所述用户交易-社交媒体交互语义特征向量进行特征分布优化以得到优化用户交易-社交媒体交互语义特征向量；以及将所述优化用户交易-社交媒体交互语义特征向量通过分类器以得到分类结果，所述分类结果用于表示推荐产品的主题标签。
6.根据权利要求5所述的基于大数据的电子商务交易管理方法，其特征在于，对所述用户交易-社交媒体交互语义特征向量进行特征分布优化以得到优化用户交易-社交媒体交互语义特征向量，包括：对所述用户交易数据语义编码特征向量和所述社交媒体数据语义编码特征向量进行非齐次希尔伯特面上空间自适应点学习以获得融合特征向量；将所述融合特征向量与所述用户交易-社交媒体交互语义特征向量融合以得到所述优化用户交易-社交媒体交互语义特征向量的表达效果。
7.根据权利要求6所述的基于大数据的电子商务交易管理方法，其特征在于，对所述用户交易数据语义编码特征向量和所述社交媒体数据语义编码特征向量进行非齐次希尔伯特面上空间自适应点学习以获得融合特征向量，包括：以如下优化公式对所述用户交易数据语义编码特征向量和所述社交媒体数据语义编码特征向量进行非齐次希尔伯特面上空间自适应点学习以获得融合特征向量；其中，所述优化公式为：其中，/>是所述用户交易数据语义编码特征向量，/>是所述社交媒体数据语义编码特征向量，/>是所述社交媒体数据语义编码特征向量的转置向量，/>是所述融合特征向量，，/>和/>表示基于吉尔伯特空间的非齐次闵式距离，且/>和/>为超参数，和/>分别是所述用户交易数据语义编码特征向量/>和所述社交媒体数据语义编码特征向量/>的全局特征均值，且所述用户交易数据语义编码特征向量/>和所述社交媒体数据语义编码特征向量/>均为行向量，/>表示按位置点乘，/>表示按位置加法，表示协方差矩阵。
8.一种基于大数据的电子商务交易管理系统，其特征在于，包括：数据获取模块，用于通过信息采集软件获取被分析用户对象的用户交易记录和用户社交媒体数据；联合分析模块，用于对所述用户交易记录和所述用户社交媒体数据进行联合分析以得到用户交易-社交媒体交互语义特征向量；以及推荐产品的主题确定模块，用于基于所述用户交易-社交媒体交互语义特征向量，确定推荐产品的主题。
9.根据权利要求8所述的基于大数据的电子商务交易管理系统，其特征在于，所述联合分析模块，包括：编码单元，用于对所述用户交易记录进行语义编码以得到用户交易数据语义编码特征向量；数据预处理和语义编码单元，用于对所述用户社交媒体数据进行数据预处理和语义编码以得到社交媒体数据语义编码特征向量；以及融合单元，用于融合所述用户交易数据语义编码特征向量和所述社交媒体数据语义编码特征向量以得到所述用户交易-社交媒体交互语义特征向量。
10.根据权利要求9所述的基于大数据的电子商务交易管理系统，其特征在于，所述数据预处理和语义编码单元，包括：文本数据提取子单元，用于提取所述用户社交媒体数据中的文本数据；图片数据提取子单元，用于提取所述用户社交媒体数据中的图片数据，并将所述图片数据通过图片主题生成器以得到图片主题文本描述；以及语义编码子单元，用于将所述文本数据和所述图片主题文本描述通过包含词嵌入层的语义编码器以得到所述社交媒体数据语义编码特征向量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311075408.0A CN116777572A (zh) | 2023-08-25 | 2023-08-25 | 基于大数据的电子商务交易管理系统及其方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311075408.0A CN116777572A (zh) | 2023-08-25 | 2023-08-25 | 基于大数据的电子商务交易管理系统及其方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116777572A true CN116777572A (zh) | 2023-09-19 |
Family
ID=87989949
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311075408.0A Pending CN116777572A (zh) | 2023-08-25 | 2023-08-25 | 基于大数据的电子商务交易管理系统及其方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116777572A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116930042A (zh) * | 2023-09-19 | 2023-10-24 | 常州建昊建筑鉴定检测有限公司 | 建筑防水材料性能检测设备及方法 |
| CN117236341A (zh) * | 2023-09-21 | 2023-12-15 | 东方经纬项目管理有限公司 | 全过程工程咨询一体化系统 |
| CN117611245A (zh) * | 2023-12-14 | 2024-02-27 | 浙江博观瑞思科技有限公司 | 用于电商运营活动策划的数据分析管理系统及方法 |
| CN117710006A (zh) * | 2024-01-30 | 2024-03-15 | 深圳市承和润文化传播股份有限公司 | 基于大数据技术的电子商务营销分析系统及方法 |
| CN117611245B (zh) * | 2023-12-14 | 2024-05-31 | 浙江博观瑞思科技有限公司 | 用于电商运营活动策划的数据分析管理系统及方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113327132A (zh) * | 2021-06-10 | 2021-08-31 | 深圳市移卡科技有限公司 | 多媒体推荐方法、装置、设备及存储介质 |
| US20210374758A1 (en) * | 2020-05-26 | 2021-12-02 | Paypal, Inc. | Evaluating User Status Via Natural Language Processing and Machine Learning |
| US11361336B1 (en) * | 2017-03-05 | 2022-06-14 | Mohammed Almosilhi | System of utilizing an E-commerce/customer social media and networking platform for gifting and promotion of goods and services |
| CN116030296A (zh) * | 2022-11-17 | 2023-04-28 | 江西东煜智能科技有限公司 | 用于图文数据协同的社交平台数据挖掘方法及其系统 |
| CN116341518A (zh) * | 2023-03-10 | 2023-06-27 | 杭州图灵数科信息技术有限公司 | 用于大数据统计分析的数据处理方法及系统 |
| CN116523583A (zh) * | 2022-12-09 | 2023-08-01 | 长春光华学院 | 电子商务数据分析系统及其方法 |
| CN116629977A (zh) * | 2023-06-07 | 2023-08-22 | 深圳市齐力创新有限公司 | 基于大数据的电子商务决策方法及其系统 |
-
2023
- 2023-08-25 CN CN202311075408.0A patent/CN116777572A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11361336B1 (en) * | 2017-03-05 | 2022-06-14 | Mohammed Almosilhi | System of utilizing an E-commerce/customer social media and networking platform for gifting and promotion of goods and services |
| US20210374758A1 (en) * | 2020-05-26 | 2021-12-02 | Paypal, Inc. | Evaluating User Status Via Natural Language Processing and Machine Learning |
| CN113327132A (zh) * | 2021-06-10 | 2021-08-31 | 深圳市移卡科技有限公司 | 多媒体推荐方法、装置、设备及存储介质 |
| CN116030296A (zh) * | 2022-11-17 | 2023-04-28 | 江西东煜智能科技有限公司 | 用于图文数据协同的社交平台数据挖掘方法及其系统 |
| CN116523583A (zh) * | 2022-12-09 | 2023-08-01 | 长春光华学院 | 电子商务数据分析系统及其方法 |
| CN116341518A (zh) * | 2023-03-10 | 2023-06-27 | 杭州图灵数科信息技术有限公司 | 用于大数据统计分析的数据处理方法及系统 |
| CN116629977A (zh) * | 2023-06-07 | 2023-08-22 | 深圳市齐力创新有限公司 | 基于大数据的电子商务决策方法及其系统 |
Non-Patent Citations (1)
| Title |
|---|
| 维库阿: "《奇异积分方程组及某些边值问题》", 上海科学技术出版社, pages: 34 - 38 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116930042A (zh) * | 2023-09-19 | 2023-10-24 | 常州建昊建筑鉴定检测有限公司 | 建筑防水材料性能检测设备及方法 |
| CN116930042B (zh) * | 2023-09-19 | 2023-12-01 | 常州建昊建筑鉴定检测有限公司 | 建筑防水材料性能检测设备及方法 |
| CN117236341A (zh) * | 2023-09-21 | 2023-12-15 | 东方经纬项目管理有限公司 | 全过程工程咨询一体化系统 |
| CN117611245A (zh) * | 2023-12-14 | 2024-02-27 | 浙江博观瑞思科技有限公司 | 用于电商运营活动策划的数据分析管理系统及方法 |
| CN117611245B (zh) * | 2023-12-14 | 2024-05-31 | 浙江博观瑞思科技有限公司 | 用于电商运营活动策划的数据分析管理系统及方法 |
| CN117710006A (zh) * | 2024-01-30 | 2024-03-15 | 深圳市承和润文化传播股份有限公司 | 基于大数据技术的电子商务营销分析系统及方法 |
| CN117710006B (zh) * | 2024-01-30 | 2024-04-30 | 深圳市承和润文化传播股份有限公司 | 基于大数据技术的电子商务营销分析系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Jain et al. | An overview of electronic commerce (e-Commerce) | |
| Dapas et al. | The effect of service quality and website quality of zalora. Com on purchase decision as mediated by purchase intention | |
| Išoraitė et al. | Electronic commerce: Theory and practice | |
| Rao et al. | How buyers' expected benefits, perceived risks, and e-business readiness influence their e-marketplace usage | |
| Zhu et al. | Understanding the textual content of online customer reviews in B2C websites: A cross-cultural comparison between the US and China | |
| Thitimajshima et al. | A framework to identify factors affecting the performance of third-party B2B e-marketplaces: A seller’s perspective | |
| CN116777572A (zh) | 基于大数据的电子商务交易管理系统及其方法 | |
| US20220343275A1 (en) | Production and logistics management | |
| Alam et al. | COVID-19 impact on Facebook-based social commerce in Bangladesh | |
| Mandala et al. | Recognition of E-Commerce through Big Data Classification and Data Mining Techniques Involving Artificial Intelligence | |
| Rajeshwari et al. | 15 Utilizing AI technologies to enhance e-commerce business operations | |
| Leeraphong et al. | S-commerce transactions and business models in Southeast Asia: A case study in Thailand | |
| TWM611276U (zh) | 共利生活社群電商社交平台系統 | |
| Junsawang et al. | How to Shift Consumer Willingness to Use the Emerging Technologies on Omnichannel | |
| Kim et al. | Electronic retailing and service quality | |
| KR20200041714A (ko) | 해외공동구매 시스템 및 방법 | |
| Min et al. | Assessing the e-Service Quality of Sellers in an Industrial e-Marketplace | |
| Md Sabri et al. | The e-service quality of e-commerce websites: what do customers look for? | |
| Bediako | The application of Big Data Analytics in improving eCommerce processes. The Retail sector user experience | |
| Chong | Factors affecting online shopping intention in Malaysia | |
| KR102522673B1 (ko) | 리뷰 분석 서비스를 운영하는 방법과 시스템 및 이 방법을 기록한 컴퓨터로 읽을 수 있는 기록 매체 | |
| Li et al. | An appraisal mechanism for a social marketplace | |
| Kandambi et al. | Comprehensive Evaluation on the Influence of Retailer’s Characteristics on Online Purchasing Intention–a Thematic Review | |
| Wicaksono et al. | Beliefs and Attitudes of Consumers At Online Merchants In Predicting Purchase Intention | |
| Balmadres et al. | Development of Hybrid Personalized E-commerce Using Collaborative Filtering and Content-Based Filtering for South Cartel Clothing Company |
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 |