CN117391823A - 基于自学习的用户偏好信息自动推送方法 - Google Patents
基于自学习的用户偏好信息自动推送方法 Download PDFInfo
- Publication number
- CN117391823A CN117391823A CN202311685111.6A CN202311685111A CN117391823A CN 117391823 A CN117391823 A CN 117391823A CN 202311685111 A CN202311685111 A CN 202311685111A CN 117391823 A CN117391823 A CN 117391823A
- Authority
- CN
- China
- Prior art keywords
- tag
- pushing
- ratio
- commodity
- user
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000011156 evaluation Methods 0.000 claims abstract description 17
- 238000005457 optimization Methods 0.000 claims description 42
- 238000012937 correction Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 description 9
- 230000004048 modification Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012216 screening 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
- 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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0623—Item investigation
- G06Q30/0625—Directed, with specific intent or strategy
-
- 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]
- G06Q30/0633—Lists, e.g. purchase orders, compilation or processing
- G06Q30/0635—Processing of requisition or of purchase orders
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Engineering & Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及智能推送技术领域,尤其涉及一种基于自学习的用户偏好信息自动推送方法,本发明通过用户浏览商品记录和愿望单商品记录能够快速确定各标签的偏好占比,有效的确定下一预设周期内推送的所述标签商品的一级推送数量,能够帮助用户更快地找到自己偏好的商品,通过所述标签的商品所处的价格区间的带有所述标签的商品的价格占比能够快速确定所述标签商品的二级推送数量,有效的提高了电商平台的销售额。而且,通过所述一级推送数量和所述二级推送数量能够精准确定商品推送策略,避免了误判情况产生的同时,通过偏好评价值能够快速精准判定所述推送策略的可行性,从而进一步提高了电商平台所述推送策略的精准度。
Description
技术领域
本发明涉及智能推送技术领域,尤其涉及一种基于自学习的用户偏好信息自动推送方法。
背景技术
随着信息时代的到来,信息的自动推送成为了一种非常重要的获取信息方式。通过智能算法和大数据分析等技术手段,能够将符合用户需求的信息主动呈现给用户,提高了信息获取的效率和精准度。未来,内容采集主动推送将会更加智能化和多样化,为用户带来更好的服务体验。用户偏好信息的自动推送优势非常多,一是节约时间,偏好信息内容采集主动推送能够将符合用户需求的信息直接呈现出来,避免了用户在海量信息中寻找所需信息的过程,节约了大量时间。二是精准度高:偏好信息内容采集自动推送能够通过算法和大数据分析等技术手段,将符合用户需求的信息进行精准过滤和分类,提高了信息的质量和精准度。三是个性化服务:偏好信息内容采集自动推送能够根据不同用户的需求和偏好,提供个性化的信息服务,增强用户黏性和满意度。但是,需要解决的问题是自动推送方法符合用户需求一段时间后精准度下降的问题。
中国专利公开号CN:103235827 B公开了一种科技信息自动分类筛选的方法,根据用户浏览习惯和所处地理位置,结合用户自身消息定制的属性主动向用户推送最有效信息的技术,它可以针对用户需求或者根据用户定制,有选择性地获取信息并进行分类筛选,然后及时地为用户提供其所需的科技服务信息,并实现用户数据库的自动更新,为用户提供更准确、及时的科技信息服务。但是,没有解决一段时间后自动推送信息精准度下降的问题。
发明内容
为此,本发明提供一种基于自学习的用户偏好信息自动推送方法,用以克服现有技术中电商平台尤其淘宝购物平台用户偏好信息自动推送方法的精准度的问题。
为实现上述目的,本发明提供一种基于自学习的用户偏好信息自动推送方法,本方法包括:
根据获取的带有单个标签的商品的偏好占比确定下一预设周期内推送的带有所述标签的商品的一级推送数量;
根据获取的带有单个标签的商品的价格区间占比确定下一预设周期内推送的带有所述标签的商品的二级推送数量;
基于所述一级推送数量和所述二级推送数量形成所述用户在下一预设周期内的商品推送策略;
基于所述用户在所述下一预设周期内的订单数量和愿望单增加数量计算的偏好评价值确定所述推送策略的可行性;
采用标签校正单元确定所述推送策略不可行的原因进行对应的优化。
进一步地,获取带有单个标签的商品的偏好占比的方法包括:
获取用户在单个所述预设周期内的历史浏览商品中所述标签的数量与历史浏览记录中商品总数量的比值标记为历史标签占比Wa;
获取用户在单个所述预设周期内的愿望单商品中所述标签的数量与愿望单中商品总数量的比值标记为愿望标签占比Wb;
基于所述历史标签占比和所述愿望标签占比确定所述用户在下一预设周期内所述标签商品的偏好占比W,设定W=α×Wa+β×Wb,其中,α与β均为加权系数;
通过所述偏好占比W确定所述用户在下一预设周期内所述标签商品的一级推送数量n,设定n=N×W,N为所述用户在下一预设周期内推送的商品总数。
进一步地,获取带有单个标签的商品的价格区间占比的方法包括:
获取用户在单个所述预设周期内的愿望单商品中处于单个预设的价格区间内的带有所述标签的商品的数量与愿望单商品中带有所述标签的商品的总数的比值标记为愿望单价格占比Ca;
获取大数据中带有所述标签处于所述单个预设价格区间的商品的数量与带有所述标签的商品总数的比值标记为大数据价格占比Cb;
基于所述愿望单价格占比和所述大数据价格占比确定所述用户在下一预设周期内处于所述价格区间的带有所述标签的商品的价格占比C,设定C=γ×Ca+θ×Cb,其中,γ与θ均为加权系数;
通过价格占比C确定所述用户在下一预设周期内推送处于所述价格区间的带有所述标签的商品的二级推送数量Nc,设定Nc=n×C,n为所述用户在下一预设周期内所述标签商品的一级推送数量。
进一步地,所述偏好评价值的计算公式包括:
其中,δ为偏好评价值,f为上个预设周期内的订单数量,f1为本预设周期内的所述标签商品的订单数量,g为上个预设周期内的愿望单中增加的所述标签商品的数量,g1为本预设周期内的愿望单中增加的所述标签商品的数量;
基于偏好评价值判定所述推送策略可行时,标签控制单元基于订单数据中所述标签商品的数量进行反向优化;
或,初步判定所述推送策略不可行时,所述标签控制单元基于预设周期内浏览商品记录中所述标签商品的次数二次判定所述推送策略的可行性;
或,判定所述推送策略不可行时,确定原因进行对应的优化。
进一步地,所述标签控制单元基于订单数据中的所述标签商品占比确定带有所述标签的商品的推送数量的反向优化方式。
进一步地,所述标签控制单元基于订单数据中商品数量中的所述标签商品的减少数量与订单总数的比值二次判定所述推送策略不可行时,确定原因进行对应的优化。
进一步地,所述标签控制单元基于愿望单的所述标签商品的变化幅度确定所述推送策略不可行的原因。
进一步地,所述标签控制单元基于浏览所述标签商品的次数设有若干对单个所述领域的优化方式,且各优化方式的领域阈值调节幅度均不相同。
进一步地,所述标签控制单元基于愿望单所述标签商品的数量设有若干对单个所述领域的价格区间的优化方式,且各优化方式的价格阈值调节幅度均不相同。
进一步地,所述标签控制单元基于愿望单所述标签商品的数量预设数量的差值设有若干对单个所述领域的价格占比的优化方式,且各优化方式的价格占比阈值调节幅度均不相同。
与现有技术相比,本发明的有益效果在于,通过用户浏览商品记录和愿望单商品记录能够快速确定各标签的偏好占比,有效的确定下一预设周期内推送的所述标签商品的一级推送数量,本推送方式能够帮助用户更快地找到自己偏好的商品,通过所述标签的商品所处的价格区间的带有所述标签的商品的价格占比能够快速确定所述标签商品的二级推送数量,有效的提高了商家的销售额。同时,通过所述一级推送数量和所述二级推送数量能够快的确定商品推送策略,避免了误判情况的产生,同时,通过偏好评价值能够快确定所述推送策略的可行性,有效提高了推送策略的精准度,而且通过标签校正单元能够精准的确定所述推送策略不可行的原因进行优化,从而进一步提高了电商平台所述推送策略的精准度。
进一步地,本发明通过获取带有单个标签的商品的偏好占比的方法能够快速的确定用户在下一预设周期内所述标签商品的一级推送数量,有效的定位了用户偏好信息,避免了推送所述标签商品数量的误判。
进一步地,本发明通过获取带有单个标签的商品的价格区间占比的方法能够能够精准确定所述用户在下一预设周期内推送的所述标签商品的二级推送数量,有效提高了用户偏好信息的精准度,锁定用户感兴趣的商品,从而进一步提高了推送所述标签商品推送的数量的精准度。
进一步地,本发明通过偏好评价值能够快速精准的判定所述推送策略的可行性,有效精准的进行对应的优化,能够精确的判定用户感兴趣的商品,有效精准的推送符合用户需求的偏好商品,提高了所述标签商品推送数量的精准度的同时,从而进一步提高了所述推送策略的精准度。
进一步地,本发明通过确定所述标签的商品的推送数量的反向优化方式,能够快速的解决用户购买所述标签商品后将在一定时间段内不再购买此类商品的问题,有效的提高所述推送策略的效率的同时,进一步提高了所述推送策略的精准度。
附图说明
图1为本发明所述用户偏好信息自动推送方法的步骤流程图;
图2为本发明判定所述推送策略是否可行的判定流程图;
图3为本发明所述标签商品的推送数量的反向优化方式的流程图;
图4为本发明所述推送策略是否可行的二次判定流程图;
具体实施方式
为了使本发明的目的和优点更加清楚明白,下面结合实施例对本发明作进一步描述;应当理解,此处所描述的具体实施例仅仅用于解释本发明,并不用于限定本发明。
下面参照附图来描述本发明的优选实施方式。本领域技术人员应当理解的是,这些实施方式仅仅用于解释本发明的技术原理,并非在限制本发明的保护范围。
请参阅图1所示,其为本发明所述基于自学习的用户偏好信息自动推送方法的步骤流程图,本发明所述用户偏好信息自动推送方法,包括:
步骤1、根据用户在预设周期内的历史浏览商品记录和购物车商品记录依次获取用户针对各标签的偏好占比并根据各偏好占比确定对该用户在下一预设周期内推送的商品中带有各对应标签的商品的一级推送数量;
步骤2、基于用户在所述预设周期内愿望单中带有该标签的各商品所处的价格区间和大数据中带有该标签的各商品所处的价格区间依次计算用户在该预设周期中针对各价格区间的带有该标签的商品的价格占比,并根据各价格占比确定对该用户在下一预设周期内推送的带有该标签的商品中处于各价格区间的商品的二级推送数量;
步骤3、基于所述一级推送数量和所述二级推送数量形成针对用户在下一预设周期内的商品推送策略;
步骤4、基于用户在所述下一预设周期内的订单数据和愿望单数据的变化情况计算用户在该下一预设周期内的商品的偏好评价值并基于偏好评价值确定所述推送策略的可行性;
步骤5、采用标签校正单元确定所述推送策略不可行的原因进行对应的优化。
具体而言,针对带有单个标签的商品的偏好占比,其获取方法包括:
获取用户在单个所述预设周期内的历史浏览商品中各标签的数量,对于单个标签,计算带有该标签的商品数量与历史浏览记录中商品总数量的比值并将其记为历史标签占比Wa;
获取用户在单个所述预设周期内的愿望单商品中各标签的数量,对于单个标签,计算带有该标签的商品数量与愿望单中商品总数量的比值并将其记为愿望标签占比Wb;
基于所述历史标签占比和所述愿望标签占比确定针对该用户在下一预设周期内该标签商品的偏好占比W,设定W=α×Wa+βWb,其中,α与β均为加权系数,本发明设定α=65%,β=35%;
通过偏好占比W确定针对该用户在下一预设周期内所述标签商品的推送数量n,设定n=N×W,N为针对该用户在下一预设周期内推送的商品总数。
具体而言,针对带有单个标签的商品的价格区间占比,其获取方法包括:
获取用户在单个所述预设周期内的愿望单商品中各商品的价格,统计处于单个预设的价格区间内的带有所述标签的商品的数量,并将该数量与愿望单商品中带有该标签的商品的总数的比值记为愿望单价格占比Ca;
从大数据中获取带有所述标签的各商品的价格,计算处于所述单个预设价格区间的商品的数量与带有该标签的商品总数的比值,并将该比值记为大数据价格占比Cb;
基于所述愿望单价格占比和所述大数据价格占比确定针对该用户在下一预设周期内处于所述价格区间的带有所述标签的商品的价格占比C,设定C=γ×Ca+θ×Cb,其中,γ与θ均为加权系数,本发明设定γ=85%,θ=15%;
通过价格占比C确定针对该用户在下一预设周期内推送处于所述价格区间的带有所述标签的商品的数量Nc,设定Nc=n×C,n为通过偏好占比W确定的针对所述用户在下一预设周期内所述标签商品的推送数量。
具体而言,所述偏好评价值的计算公式:
其中,δ为偏好评价值,f为上个预设周期内的订单数量,f1为本预设周期内的所述标签商品的订单数量,g为上个预设周期内的愿望单中增加的所述标签商品的数量,g1为本预设周期内的愿望单中增加的所述标签商品的数量。
请参阅图2所示,其为本发明判定所述推送策略是否可行的判定流程图,标签控制单元基于偏好评价值确定所述推送策略的可行性判定方式,包括:
若所述偏好评价值小于等于第一预设偏好评价值;所述标签控制单元判定所述推送策略可行,所述标签控制单元基于订单数据中所述标签商品的数量进行反向优化;
若所述偏好评价值大于第一预设偏好评价值小于等于于第二预设偏好评价值,所述标签控制单元基于预设周期内浏览商品记录中所述标签商品的次数二次判定所述推送策略的可行性;且第二预设偏好评价值大于第一预设偏好评价值;
若所述偏好评价值大于第二预设偏好评价值,所述标签控制单元判定所述推送策略不可行,查找原因进行对应的优化。
请参阅图3所示,其为本发明所述标签商品的推送数量的反向优化方式的流程图,所述标签控制单元基于所述标签商品占比设有若干反向优化的方式,包括:
若所述标签商品占比小于等于第一预设占比,所述标签控制单元选用第一反向优化系数x1将所述推送策略中的反向优化阈值调节至对应值;
若所述标签商品占比大于第一预设占比小于等于第二预设占比,所述标签控制单元选用第二反向优化系数x2将所述推送策略中的反向优化阈值调节至对应值;
若所述标签商品占比大于第二预设占比,所述标签控制单元选用第三反向优化系数x3将所述推送策略中的反向优化阈值调节至对应值。
其中,本发明设定x1=0.99;x2=0.95;x3=0.85;当所述标签商品占比超过预设占比临界阈值时,所述标签控制单元判定不再推送已经购买过得的所述标签商品。
请参阅图4所示,其为本发明所述推送策略是否可行的二次判定流程图;所述标签控制单元基于订单中商品信息中的所述标签商品的减少数量与订单总数的比值二次判定所述推送策略的可行性:
若所述数量比值大于预设数量比值,所述标签控制单元判定所述推送策略可行,基于订单数据中已下单的所述标签商品占比确定针对带有所述标签的商品的推送数量的反向优化方式;
若所述数量比值小于等于预设数量比值,所述标签控制单元判定所述推送策略不可行,查找原因进行对应的优化。
具体而言,所述标签控制单元获取愿望单中各领域的商品的数量变化幅度,针对单个领域,基于愿望单的所述标签商品的变化幅度确定所述推送策略不可行的原因,包括:
若愿望单中变化幅度小于等于第一预设变化幅度,所述标签控制单元判定所述推送策略不可行的原因为用户完全不感兴趣,所述标签控制单元对单个所述领域进行优化;
若愿望单中变化幅度大于第一预设变化幅度小于等于第二预设变化幅度,所述标签控制单元判定所述推送策略不可行的原因为所述标签商品价格过高,所述标签控制单元对单个所述领域的价格区间进行优化;
若愿望单中变化幅度大于第二预设变化幅度,所述标签控制单元判定所述推送策略不可行的原因为所述标签商品竞争商品数量多,所述标签控制单元对单个所述领域的价格占比进行优化。
具体而言,所述标签控制单元设有若干对单个所述领域进行优化的方式,包括:
若浏览所述标签商品的次数小于等于第一预设次数,所述标签控制单元选用第一领域系数y1调节所述推送策略领域数据阈值至对应值。
若浏览所述标签商品的次数大于第一预设次数小于等于第二预设次数,所述标签控制单元选用第二领域系数y2调节所述推送策略数据阈值至对应值;且第二预设次数大于第一预设次数。
若浏览所述标签商品的次数大于第二预设次数,所述标签控制单元选用第三领域系数y3调节所述推送策略数据阈值至对应值。
其中,本发明设定y1=0.95;y2=0.90;y3=0.85。
具体而言,所述标签控制单元设有若干对单个所述领域的价格区间的优化方式,包括:
若愿望单中所述标签商品的数量小于等于第一预设数量,所述标签控制单元选用第一价格系数z1调节所述推送策略价格数据阈值至对应值;
若愿望单中所述标签商品的数量大于第一预设数量小于等于第二预设数量,所述标签控制单元选用第二价格系数z2调节所述推送策略价格数据阈值至对应值;
若愿望单中所述标签商品的数量大于第二预设数量,所述标签控制单元选用第三价格系数z3调节所述推送策略价格数据阈值至对应值。
其中,本发明设定z1=0.88;z2=0.92;z3=0.96。
具体而言,所述标签控制单元设有若干对单个所述领域的价格占比的优化方式,包括:
若愿望单中所述标签商品的数量与预设数量的差值小于等于第一预设差值,所述标签控制单元选用第一价格占比系数r1调节所述推送策略价格占比数据阈值至对应值;
若愿望单中所述标签商品的数量与预设数量差值大于第一预设差值小于等于第二预设差值,所述标签控制单元选用第二价格占比系数r2调节所述推送策略价格占比数据阈值至对应值;
若愿望单中所述标签商品的数量与预设数量差值大于第二预设差值,所述标签控制单元选用第三价格占比系数r3调节所述推送策略价格占比数据阈值至对应值。
其中,本发明设定r1=0.7;r2=0.8;r3=0.9。
至此,已经结合附图所示的优选实施方式描述了本发明的技术方案,但是,本领域技术人员容易理解的是,本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下,本领域技术人员可以对相关技术特征做出等同的更改或替换,这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
以上所述仅为本发明的优选实施例,并不用于限制本发明;对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于自学习的用户偏好信息自动推送方法,其特征在于,包括:
根据获取的带有单个标签的商品的偏好占比确定下一预设周期内推送的带有所述标签的商品的一级推送数量;
根据获取的带有单个标签的商品的价格区间占比确定下一预设周期内推送的带有所述标签的商品的二级推送数量;
基于所述一级推送数量和所述二级推送数量形成所述用户在下一预设周期内的商品推送策略;
基于所述用户在所述下一预设周期内的订单数量和愿望单增加数量计算的偏好评价值确定所述推送策略的可行性;
采用标签校正单元确定所述推送策略不可行的原因进行对应的优化。
2.根据权利要求1所述的基于自学习的用户偏好信息自动推送方法,其特征在于,获取带有单个标签的商品的偏好占比的方法包括:
获取用户在单个所述预设周期内的历史浏览商品中所述标签的数量与历史浏览记录中商品总数量的比值标记为历史标签占比Wa;
获取用户在单个所述预设周期内的愿望单商品中所述标签的数量与愿望单中商品总数量的比值标记为愿望标签占比Wb;
基于所述历史标签占比和所述愿望标签占比确定所述用户在下一预设周期内所述标签商品的偏好占比W,设定W=α×Wa+β×Wb,其中,α与β均为加权系数;
通过所述偏好占比W确定所述用户在下一预设周期内所述标签商品的一级推送数量n,设定n=N×W,N为所述用户在下一预设周期内推送的商品总数。
3.根据权利要求2所述的基于自学习的用户偏好信息自动推送方法,其特征在于,获取带有单个标签的商品的价格区间占比的方法包括:
获取用户在单个所述预设周期内的愿望单商品中处于单个预设的价格区间内的带有所述标签的商品的数量与愿望单商品中带有所述标签的商品的总数的比值标记为愿望单价格占比Ca;
获取大数据中带有所述标签处于所述单个预设价格区间的商品的数量与带有所述标签的商品总数的比值标记为大数据价格占比Cb;
基于所述愿望单价格占比和所述大数据价格占比确定所述用户在下一预设周期内处于所述价格区间的带有所述标签的商品的价格占比C,设定C=γ×Ca+θ×Cb,其中,γ与θ均为加权系数;
通过价格占比C确定所述用户在下一预设周期内推送处于所述价格区间的带有所述标签的商品的二级推送数量Nc,设定Nc=n×C,n为所述用户在下一预设周期内所述标签商品的一级推送数量。
4.根据权利要求3所述的基于自学习的用户偏好信息自动推送方法,其特征在于,所述偏好评价值的计算公式包括:
其中,δ为偏好评价值,f为上个预设周期内的订单数量,f1为本预设周期内的所述标签商品的订单数量,g为上个预设周期内的愿望单中增加的所述标签商品的数量,g1为本预设周期内的愿望单中增加的所述标签商品的数量;
基于偏好评价值判定所述推送策略可行时,标签控制单元基于订单数据中所述标签商品的数量进行反向优化;
或,初步判定所述推送策略不可行时,所述标签控制单元基于预设周期内浏览商品记录中所述标签商品的次数二次判定所述推送策略的可行性;
或,判定所述推送策略不可行时,确定原因进行对应的优化。
5.根据权利要求4所述的基于自学习的用户偏好信息自动推送方法,其特征在于,所述标签控制单元基于订单数据中的所述标签商品占比确定带有所述标签的商品的推送数量的反向优化方式。
6.根据权利要求5所述的基于自学习的用户偏好信息自动推送方法,其特征在于,所述标签控制单元基于订单数据中商品数量中的所述标签商品的减少数量与订单总数的比值二次判定所述推送策略不可行时,确定原因进行对应的优化。
7.根据权利要求6所述的基于自学习的用户偏好信息自动推送方法,其特征在于,所述标签控制单元基于愿望单的所述标签商品的变化幅度确定所述推送策略不可行的原因。
8.根据权利要求7所述的基于自学习的用户偏好信息自动推送方法,其特征在于,所述标签控制单元基于浏览所述标签商品的次数设有若干对单个领域的优化方式,且各优化方式的领域阈值调节幅度均不相同。
9.根据权利要求8所述的基于自学习的用户偏好信息自动推送方法,其特征在于,所述标签控制单元基于愿望单中所述标签商品的数量设有若干对单个所述领域的价格区间的优化方式,且各优化方式的价格阈值调节幅度均不相同。
10.根据权利要求9所述的基于自学习的用户偏好信息自动推送方法,其特征在于,所述标签控制单元基于愿望单中所述标签商品的数量与预设数量的差值设有若干对单个所述领域的价格占比的优化方式,且各优化方式的价格占比阈值调节幅度均不相同。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311685111.6A CN117391823B (zh) | 2023-12-11 | 2023-12-11 | 基于自学习的用户偏好信息自动推送方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311685111.6A CN117391823B (zh) | 2023-12-11 | 2023-12-11 | 基于自学习的用户偏好信息自动推送方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117391823A true CN117391823A (zh) | 2024-01-12 |
CN117391823B CN117391823B (zh) | 2024-05-10 |
Family
ID=89466962
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311685111.6A Active CN117391823B (zh) | 2023-12-11 | 2023-12-11 | 基于自学习的用户偏好信息自动推送方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117391823B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102090174B1 (ko) * | 2019-08-27 | 2020-05-29 | 이창수 | 전자가격표기 시스템 기반의 빅데이터 분석 개인 맞춤형 마케팅 서비스 제공 시스템 |
KR20210025250A (ko) * | 2019-08-27 | 2021-03-09 | (주)케이에스랩 | 전자가격표기 시스템 기반의 빅데이터 분석 개인 맞춤형 마케팅 서비스 제공 시스템 |
CN114820140A (zh) * | 2022-05-26 | 2022-07-29 | 上海麦开信息科技有限公司 | 基于大数据分析的家具全链路数字化运营系统 |
CN115578163A (zh) * | 2022-10-18 | 2023-01-06 | 李倩文 | 一种组合商品信息的个性化推送方法及系统 |
CN116128600A (zh) * | 2023-01-31 | 2023-05-16 | 读书郎教育科技有限公司 | 一种基于ai的推荐信息生成方法 |
CN116681490A (zh) * | 2023-06-13 | 2023-09-01 | 广东七洲科技股份有限公司 | 一种基于身份认证的信息推荐方法 |
-
2023
- 2023-12-11 CN CN202311685111.6A patent/CN117391823B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102090174B1 (ko) * | 2019-08-27 | 2020-05-29 | 이창수 | 전자가격표기 시스템 기반의 빅데이터 분석 개인 맞춤형 마케팅 서비스 제공 시스템 |
KR20210025250A (ko) * | 2019-08-27 | 2021-03-09 | (주)케이에스랩 | 전자가격표기 시스템 기반의 빅데이터 분석 개인 맞춤형 마케팅 서비스 제공 시스템 |
CN114820140A (zh) * | 2022-05-26 | 2022-07-29 | 上海麦开信息科技有限公司 | 基于大数据分析的家具全链路数字化运营系统 |
CN115578163A (zh) * | 2022-10-18 | 2023-01-06 | 李倩文 | 一种组合商品信息的个性化推送方法及系统 |
CN116128600A (zh) * | 2023-01-31 | 2023-05-16 | 读书郎教育科技有限公司 | 一种基于ai的推荐信息生成方法 |
CN116681490A (zh) * | 2023-06-13 | 2023-09-01 | 广东七洲科技股份有限公司 | 一种基于身份认证的信息推荐方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117391823B (zh) | 2024-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Fisher et al. | Accurate retail testing of fashion merchandise: Methodology and application | |
Tan et al. | Modelling imperfect advance demand information and analysis of optimal inventory policies | |
Yadav et al. | Retailer's optimal policy under inflation in fuzzy environment with trade credit | |
CN112365283B (zh) | 一种优惠券发放方法、装置、终端设备及存储介质 | |
US20100138275A1 (en) | Automatic event shifting of demand patterns using multi-variable regression | |
CN109948829A (zh) | 一种基于多个售货点的调货方法、电子设备及存储介质 | |
US20130346150A1 (en) | System, method, and computer program product for forecasting sales | |
Amorim et al. | Customer preferences for delivery service attributes in attended home delivery | |
Li et al. | Optimal pricing for a short life‐cycle product when customer price‐sensitivity varies over time | |
JP2020149468A (ja) | 商品管理システムおよび商品管理方法 | |
Theodorou et al. | Optimizing inventory control through a data-driven and model-independent framework | |
TW202324230A (zh) | 庫存自動化管理系統及其方法 | |
CN114219558A (zh) | 基于数据挖掘的农产品智能推荐系统 | |
CN115131101A (zh) | 一种保险产品个性化智能推荐系统 | |
Chaharsooghi et al. | Developing a two stage stochastic programming model of the price and lead-time decision problem in the multi-class make-to-order firm | |
CN117455632A (zh) | 一种基于大数据的电商选品分析管理平台 | |
US20140236675A1 (en) | Information processing apparatus, information processing method, information processing program, and recording medium | |
CN109934667A (zh) | 一种采购订单动态调整方法、系统、电子设备及存储介质 | |
CN117391823B (zh) | 基于自学习的用户偏好信息自动推送方法 | |
WO2018056221A1 (ja) | Sku数を決定するサーバ、システム、方法およびプログラム | |
CN115880037B (zh) | 基于多项目规划整合分析的商品推荐方法 | |
JPWO2018056220A1 (ja) | 品揃推奨装置、品揃推奨方法および品揃推奨プログラム | |
CN116703533A (zh) | 一种商业管理数据优化存储分析方法 | |
Kourouthanassis et al. | Grocery Supply-Chain Management: MyGROCER innovative business and technology framework | |
CN110490682B (zh) | 分析商品属性的方法和装置 |
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 |