CN117557339A - 基于迭代聚类的产品推荐方法、装置、设备及存储介质 - Google Patents
基于迭代聚类的产品推荐方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117557339A CN117557339A CN202311562717.0A CN202311562717A CN117557339A CN 117557339 A CN117557339 A CN 117557339A CN 202311562717 A CN202311562717 A CN 202311562717A CN 117557339 A CN117557339 A CN 117557339A
- Authority
- CN
- China
- Prior art keywords
- product
- clustering
- information
- customer
- cluster
- 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 claims abstract description 45
- 230000006870 function Effects 0.000 claims description 29
- 238000000638 solvent extraction Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 7
- 238000004590 computer program Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 230000002452 interceptive effect Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000001914 filtration Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering 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
- G06Q30/0207—Discounts or incentives, e.g. coupons or rebates
- G06Q30/0224—Discounts or incentives, e.g. coupons or rebates based on user history
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (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)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及大数据技术领域,公开了一种基于迭代聚类的产品推荐方法、装置、设备及存储介质,用于解决现有技术中的产品推荐方法没有动态地结合产品和客户的相关信息,导致推荐结果不够准确的技术问题。该方法包括:获取初始的客户聚类信息和初始的产品聚类信息;获取交易数据、初始的客户聚类信息和初始的产品聚类信息,对交易数据中未分类的产品进行聚类划分得到第一产品聚类信息;根据第一产品聚类信息和初始的客户聚类信息,对交易数据中未分类的客户进行聚类划分,得到第一客户聚类信息;根据交易数据、第一产品聚类信息和第一客户聚类信息进行迭代聚类,得到第二产品聚类信息和第二客户聚类信息并对每个客户进行个性化的产品推荐。
Description
技术领域
本发明涉及大数据技术领域,尤其涉及一种基于迭代聚类的产品推荐方法、装置、设备及存储介质。
背景技术
随着互联网时代的发展和大数据时代的到来,人们逐渐从信息匮乏的时代走入了信息过载的时代。为了让用户从海量信息中高效地获取自己所需的信息,推荐系统应运而生。推荐系统的主要任务就是联系用户和信息,它一方面能够帮助用户发现对自己有价值的信息,另一方面让信息能够展现在对它感兴趣的用户面前,从而实现信息消费者和信息生产者的双赢。基于大数据的推荐系统通过分析用户的历史记录了解用户的喜好,从而主动为用户推荐其感兴趣的信息,满足用户的个性化推荐需求。具体地,例如在以大数据为依托的营销领域,建立一套高效的产品-客户推荐系统是取得最佳的营销效果,提升盈利水平的常用做法,业内往往会划分客户群或产品群,然后采用传统的推荐系统生成营销方案。
在现有的技术中,所使用的传统的推荐系统大多是协同推荐或者购物篮推荐方法,但是现有方法中产品和客户分类是相互独立的,没有充分考虑到产品和客户之间的相互关系;产品和客户分类大多都是事先一次性做好的,而不能根据当前的交易数据进行及时的调整;传统的推荐系统中各产品和客户的聚类是互斥的,使得很多应该被推荐的产品失去被推荐的机会;最终导致现有的推荐方法在对用户进行产品推荐时推荐的结果不准确。
发明内容
本发明的主要目的在于解决现有技术中的产品推荐方法没有动态地结合产品和客户的相关信息,导致推荐结果不够准确的技术问题。
本发明第一方面提供了一种基于迭代聚类的产品推荐方法,包括:
获取初始的客户聚类信息和初始的产品聚类信息;
获取交易数据,基于所述交易数据、所述初始的客户聚类信息和所述初始的产品聚类信息,对所述交易数据中未分类的产品进行聚类划分,并根据聚类划分的结果得到第一产品聚类信息;
根据所述交易数据、所述第一产品聚类信息和所述初始的客户聚类信息,对所述交易数据中未分类的客户进行聚类划分,并根据聚类划分的结果得到第一客户聚类信息;
根据所述交易数据、所述第一产品聚类信息和所述第一客户聚类信息进行迭代聚类,得到第二产品聚类信息和第二客户聚类信息;
基于迭代聚类后的第二产品聚类信息和第二客户聚类信息,对每个客户进行个性化的产品推荐。
可选地,在本发明第一方面的第一种实现方式中,所述根据所述交易数据、所述第一产品聚类信息和所述第一客户聚类信息进行迭代聚类,得到第二产品聚类信息和第二客户聚类信息包括:
S1:基于所述交易数据和更新后的所述第一产品聚类信息对交易数据中包含的客户进行聚类划分,并根据聚类划分的结果更新第一客户聚类信息;
S2:基于所述交易数据和更新后的所述第一客户聚类信息对交易数据中包含的产品进行聚类划分,并根据聚类划分的结果更新第一产品聚类信息;
S3:重复S1-S2,直到产品聚类信息中每个产品聚类中包含的产品数量达到数量阈值后停止聚类划分,得到迭代聚类后的第二产品聚类信息和第二客户聚类信息。
可选地,在本发明第一方面的第二种实现方式中,所述基于所述交易数据和更新后的所述第一产品聚类信息对交易数据中包含的客户进行聚类划分包括:
建立功能函数,调用所述功能函数解析所述交易数据,获取所述第一产品聚类信息对中包含的各产品聚类集群中包含的购买频率数据和购买数量数据;
根据所述购买频率数据和购买数量数据生成购买模式和购买偏好;
根据所述购买模式和所述购买偏好对客户进行聚类划分。
可选地,在本发明第一方面的第三种实现方式中,其特征在于,所述基于所述交易数据和更新后的所述第一客户聚类信息对交易数据中包含的产品进行聚类划分包括:
根据更新后的所述第一客户聚类信息计算每个产品的平均交易数量和购买比率;
根据所述平均交易数量计算每种产品的聚类提升值;
根据所述购买比率和所述聚类提升值计算所述产品的聚类概率值;
在各所述第一客户聚类中,根据所述聚类提升值和购买比率进行产品聚类划分。
可选地,在本发明第一方面的第四种实现方式中,其特征在于,所述获取初始的客户聚类信息和初始的产品聚类信息包括:
提取客户样本和产品样本,并获取所述客户样本的客户信息,获取所述产品样本的产品信息;
根据所述客户信息和所述产品信息对所述客户样本和所述产品样本进行分类,得到初始的客户聚类信息和初始的产品聚类信息。
可选地,在本发明第一方面的第五种实现方式中,其特征在于,在所述根据迭代聚类后的第二产品聚类信息和第二客户聚类信息,对每个客户进行个性化的产品推荐之后,还包括:
记录新增购买数据;
当购买数据增加到数据阈值时或者当时间达到预设的聚类更新时间时,根据所述新增数据对所述第二产品聚类信息和所述第二客户聚类信息进行迭代更新,并根据更新后的第二产品聚类信息和更新后的第二客户聚类信息进行产品推荐。
可选地,在本发明第一方面的第六种实现方式中,其特征在于,在所述根据更新后的第二产品聚类信息和更新后的第二客户聚类信息进行产品推荐之后,还包括:
根据所述第二产品聚类信息和第二客户聚类信息生成分类统计图。
本发明第二方面提供了一种基于迭代聚类的产品推荐装置,包括:
获取模块,用于获取初始的客户聚类信息和初始的产品聚类信息;
第一产品划分模块,用于获取交易数据,基于所述交易数据、所述初始的客户聚类信息和所述初始的产品聚类信息,对所述交易数据中未分类的产品进行聚类划分,并根据聚类划分的结果得到第一产品聚类信息;
第一客户划分模块,用于根据所述交易数据、所述第一产品聚类信息和所述初始的客户聚类信息,对所述交易数据中未分类的客户进行聚类划分,并根据聚类划分的结果得到第一客户聚类信息;
迭代划分模块,用于根据所述交易数据、所述第一产品聚类信息和所述第一客户聚类信息进行迭代聚类,得到第二产品聚类信息和第二客户聚类信息;
推荐模块,用于基于迭代聚类后的第二产品聚类信息和第二客户聚类信息,对每个客户进行个性化的产品推荐。
可选地,在本发明第二方面的第一种实现方式中,所述迭代划分模块具体用于:
S1:基于所述交易数据和更新后的所述第一产品聚类信息对交易数据中包含的客户进行聚类划分,并根据聚类划分的结果更新第一客户聚类信息;
S2:基于所述交易数据和更新后的所述第一客户聚类信息对交易数据中包含的产品进行聚类划分,并根据聚类划分的结果更新第一产品聚类信息;
S3:重复S1-S2,直到产品聚类信息中每个产品聚类中包含的产品数量达到数量阈值后停止聚类划分,得到迭代聚类后的第二产品聚类信息和第二客户聚类信息。
可选地,在本发明二方面的第二种实现方式中,所述基于所述交易数据和更新后的所述第一产品聚类信息对交易数据中包含的客户进行聚类划分包括:
建立功能函数,调用所述功能函数解析所述交易数据,获取所述第一产品聚类信息对中包含的各产品聚类集群中包含的购买频率数据和购买数量数据;
根据所述购买频率数据和购买数量数据生成购买模式和购买偏好;
根据所述购买模式和所述购买偏好对客户进行聚类划分。
可选地,在本发明第二方面的第三种实现方式中,其特征在于,所述基于所述交易数据和更新后的所述第一客户聚类信息对交易数据中包含的产品进行聚类划分包括:
根据更新后的所述第一客户聚类信息计算每个产品的平均交易数量和购买比率;
根据所述平均交易数量计算每种产品的聚类提升值;
根据所述购买比率和所述聚类提升值计算所述产品的聚类概率值;
在各所述第一客户聚类中,根据所述聚类提升值和购买比率进行产品聚类划分。
可选地,在本发明第二方面的第四种实现方式中,其特征在于,所述获取模块具体用于:
提取客户样本和产品样本,并获取所述客户样本的客户信息,获取所述产品样本的产品信息;
根据所述客户信息和所述产品信息对所述客户样本和所述产品样本进行分类,得到初始的客户聚类信息和初始的产品聚类信息。
可选地,在本发明第二方面的第五种实现方式中,其特征在于,所述基于迭代聚类的产品推荐装置还包括更新模块,所述更新模块具体用于:
记录新增购买数据;
当购买数据增加到数据阈值时或者当时间达到预设的聚类更新时间时,根据所述新增数据对所述第二产品聚类信息和所述第二客户聚类信息进行迭代更新,并根据更新后的第二产品聚类信息和更新后的第二客户聚类信息进行产品推荐。
可选地,在本发明第二方面的第六种实现方式中,其特征在于,所述基于迭代聚类的产品推荐装置还包括统计模块,所述统计模块用于:
根据所述第二产品聚类信息和第二客户聚类信息生成分类统计图。
本发明第三方面提供了一种基于迭代聚类的产品推荐设备,包括:存储器和至少一个处理器,所述存储器中存储有指令;所述至少一个处理器调用所述存储器中的所述指令,以使得所述基于迭代聚类的产品推荐装置设备执行上述的基于迭代聚类的产品推荐装置方法的步骤。
本发明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中存储有指令,当其在计算机上运行时,使得计算机执行上述的基于迭代聚类的产品推荐装置方法的步骤。
本发明提供的技术方案中,一种基于迭代聚类的产品推荐方法,其特征在于,包括:获取初始的客户聚类信息和初始的产品聚类信息;获取交易数据,基于交易数据、初始的客户聚类信息和初始的产品聚类信息,对交易数据中未分类的产品进行聚类划分,并根据聚类划分的结果得到第一产品聚类信息;根据交易数据、第一产品聚类信息和初始的客户聚类信息,对交易数据中未分类的客户进行聚类划分,并根据聚类划分的结果得到第一客户聚类信息;根据交易数据、第一产品聚类信息和第一客户聚类信息进行迭代聚类,得到第二产品聚类信息和第二客户聚类信息;基于迭代聚类后的第二产品聚类信息和第二客户聚类信息,对每个客户进行个性化的产品推荐。该方法能够动态地结合产品和客户的相关信息进行迭代聚类,通过迭代聚类的结果进行产品推荐,使得推荐结果更加准确。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本发明实施例中基于迭代聚类的产品推荐方法的一个实施例的流程示意图;
图2为本发明实施例中基于迭代聚类的产品推荐方法的另一个实施例的流程示意图;
图3为本发明实施例中基于迭代聚类的产品推荐装置的一个实施例示意图;
图4为本发明实施例中基于迭代聚类的产品推荐设备的一个实施例示意图;
图5为本发明实施例中一种计算机可读介质的原理示意图。
具体实施方式
现在将参考附图更全面地描述本发明的示例性实施例。然而,示例性实施例能够以多种形式实施,且不应被理解为本发明仅限于在此阐述的实施例。相反,提供这些示例性实施例能够使得本发明更加全面和完整,更加便于将发明构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的元件、组件或部分,因而将省略对它们的重复描述。
在符合本发明的技术构思的前提下,在某个特定的实施例中描述的特征、结构、特性或其他细节不排除可以以合适的方式结合在一个或更多其他的实施例中。
在对于具体实施例的描述中,本发明描述的特征、结构、特性或其他细节是为了使本领域的技术人员对实施例进行充分理解。但是,并不排除本领域技术人员可以实践本发明的技术方案而没有特定特征、结构、特性或其他细节的一个或更多。
附图中所示的流程图仅是示例性说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解,而有的操作/步骤可以合并或部分合并,因此实际执行的顺序有可能根据实际情况改变。
附图中所示的方框图仅仅是功能实体,不一定必须与物理上独立的实体相对应。即,可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
术语“和/或”或者“及/或”包括相关联的列出项目中的任一个或多者的所有组合。
请参阅图1,本发明实施例中基于迭代聚类的产品推荐方法的一个实施例包括:
101、获取初始的客户聚类信息和初始的产品聚类信息;
可以理解的是,本发明的执行主体可以为基于迭代聚类的产品推荐装置,还可以是终端或者服务器,具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
服务器首先根据用户的选择或者输入的信息对产品进行初始聚类,提取客户样本和产品样本,并获取所述客户样本的客户信息,获取所述产品样本的产品信息;根据所述客户信息和所述产品信息对所述客户样本和所述产品样本进行分类,得到初始的客户聚类信息和初始的产品聚类信息。
具体地,可以通过用户对是否确认读取历史交易数据样本以及读取的历史交易数据样本的范围的交互信息得到产品的历史交易数据样本,其中,该历史交易数据样本中预先根据产品信息进行了产品的初始聚类,将一些产品分类至特定的聚类名称下。
同样地,对交易信息中的客户信息进行初始的聚类,其中,客户信息的初始聚类可以根据人工选择或者根据产品初始聚类后的历史交易数据样本进行分类的。其中,本步骤中对客户进行初始聚类时,会对满足预定义的购买标准的客户进行聚类,并且,满足预定义的购买标准的客户进行聚类时可以被分配到多个不同的聚类中。
此外,本步骤中所述的初始的客户聚类信息和初始的产品聚类信息还可以是通过用户人工输入的聚类信息。
102、获取交易数据,基于交易数据、初始的客户聚类信息和初始的产品聚类信息,对交易数据中未分类的产品进行聚类划分,并根据聚类划分的结果得到第一产品聚类信息;
服务端在接收到产品推荐请求或者定时器触发产品推荐请求后,首先获取交易数据,首先根据初始的客户聚类信息和初始的产品聚类信息,对交易数据中未分类的产品进行聚类划分。
在一种具体的实施方式中,可以通过交易数据中客户和产品的购买情况将客户与产品信息建立关联,从而对未分类的产品进行聚类划分,得到第一产品聚类信息。
具体地,根据更新后的所述第一客户聚类信息计算每个产品的平均交易数量和购买比率;
根据所述平均交易数量计算每种产品的聚类提升值;
根据所述购买比率和所述聚类提升值计算所述产品的聚类概率值;
在各所述第一客户聚类中,根据所述聚类提升值和购买比率进行产品聚类划分。
103、根据交易数据、第一产品聚类信息和初始的客户聚类信息,对交易数据中未分类的客户进行聚类划分,并根据聚类划分的结果得到第一客户聚类信息;
根据交易数据、更新后的第一产品聚类信息和初始的客户聚类信息,对交易数据中未分类的客户进行聚类划分,推断出客户聚类,得到第一客户聚类信息。
具体地,建立功能函数,调用所述功能函数解析所述交易数据,获取所述第一产品聚类信息对中包含的各产品聚类集群中包含的购买频率数据和购买数量数据;
根据所述购买频率数据和购买数量数据生成购买模式和购买偏好;
根据所述购买模式和所述购买偏好对客户进行聚类划分。
104、根据交易数据、第一产品聚类信息和第一客户聚类信息进行迭代聚类,得到第二产品聚类信息和第二客户聚类信息;
随后,根据交易数据、第一产品聚类信息和第一客户聚类信息进行迭代聚类,通过交叉式迭代客户与产品的聚类,进行聚类成员扩展,这样可以揭示交易数据中的不同客户群对不同产品类的偏好。该偏好信息可以通过算法作用于交易数据产生的“聚类提升”和“购买比率”双指标体现出来,并用于迭代式客户-产品交叉式聚类算法。此算法的输出是在每个迭代步骤同时产生或更新客户和产品聚类,具体的迭代步骤如下:
S1:基于所述交易数据和更新后的所述第一产品聚类信息对交易数据中包含的客户进行聚类划分,并根据聚类划分的结果更新第一客户聚类信息;
S2:基于所述交易数据和更新后的所述第一客户聚类信息对交易数据中包含的产品进行聚类划分,并根据聚类划分的结果更新第一产品聚类信息;
S3:重复S1-S2,直到产品聚类信息中每个产品聚类中包含的产品数量达到数量阈值后停止聚类划分,得到迭代聚类后的第二产品聚类信息和第二客户聚类信息。
具体的,执行S1-S2后,判断产品聚类信息中每个产品聚类中包含的产品数量是否达到数量阈值,若达到,则停止聚类划分;若未达到,则重复S1-S2的步骤。
通过上述步骤,不断地扩展分配给各聚类的产品数量,直到每种聚类中的产品数量达到预设阈值后停止迭代,得到第二产品聚类信息和第二客户聚类信息。
本实施例中提出的聚类方法是一种结合经验和算法递进扩展分类的算法,算法在本质上是通过初始的少量标签结合各产品客户的交易数据,将未分类的产品逐渐分配最合适的聚类,每一轮产品聚类分配中,产生的扩展产品分类又会影响到客户的分类。
本实施例中,首先建立一个初始列表,其中专门包含具有分段分配的产品的初始计数,最初的计数为初始分类产品的数目,随后利用本步骤中的循环迭代聚类方法更新产品的聚类,调整提升数量和买家比例,最终获取指定聚类的产品数量,然后添加到列表中。具体来说,本步骤中的算法将根据最近的交易数据持续扩展产品聚类,直到聚类划分中的产品数量达到预设的限制,此时将停止进一步扩展。另外,每一轮循环迭代所产生的产品分类可以纳入前面的客户与产品交叉式聚类且产生新的客户聚类:即推出式客户聚类。
本步骤中各所述的对第一产品聚类信息进行迭代时,还包括建立推断式产品聚类,具体地,根据交易数据以及客户的聚类信息获取客户信息,其中该信息包括购买行为、购买偏好、行为模式和生命周期等多种因素,根据得到的推出式客户聚类确定每个产品在各个产品聚类的概率值。
105、基于迭代聚类后的第二产品聚类信息和第二客户聚类信息,对每个客户进行个性化的产品推荐。
本步骤中具体根据前述得到的推断式产品聚类为每个客户生成个性化产品推荐。这些推断的信息对于营销人员在产品推荐领域有一定的指导意义,例如可以从对特定客户具有较高概率值的聚类中选择产品,并应用业务规则将这些产品推荐给客户或相关客户聚类。
本实施例中的产品推荐方法能够动态地结合产品和客户的相关信息进行迭代聚类,通过迭代聚类的结果进行产品推荐,使得推荐结果更加准确。
请参看图2,本发明实施例中基于迭代聚类的产品推荐方法的另一个实施例包括:
201、获取初始的客户聚类信息和初始的产品聚类信息;
本实施例中,首先建立初始产品聚类功能函数,通过用户和系统的交互和部分产品聚类选项确定部分产品初始聚类,此处函数的输入参数是聚类目录表和全体产品列表,函数的输出是被选择的部分初始的产品聚类。
具体地,接收用户选择的页面元素对应的产品分类栏目以及产品列表,并利用用户选择的信息进行初始聚类,例如,根据用户通过交互界面修改初始聚类,生成“健康必需品”和“技术与小工具”等聚类,而其他产品则保持未分配状态。
202、获取交易数据,基于交易数据、初始的客户聚类信息和初始的产品聚类信息,对交易数据中未分类的产品进行聚类划分,并根据聚类划分的结果得到第一产品聚类信息;
得到初始的产品分类后,获取交易数据,基于交易数据、初始的客户聚类信息和初始的产品聚类信息,对交易数据中未分类的产品进行品类的推断和聚类划分,得到第一产品聚类信息,从而在迭代之前完善产品的聚类。
203、根据交易数据、第一产品聚类信息和初始的客户聚类信息,对交易数据中未分类的客户进行聚类划分,并根据聚类划分的结果得到第一客户聚类信息;
随后根据交易数据、第一产品聚类信息和初始的客户聚类信息,对呵护的聚类进行推断。本实施例中,通过产品的聚类推断出新的客户聚类,具体地,引入一个功能函数,该功能函数可以通过交易数据和产品详细信息来创建不同的客户集群,每个客户集群都代表该群体共享的产品偏好的客户;同时定义一个专门为初始客户聚类阶段设计的用户定义编程函数。该函数使用每个产品集群的购买频率和数量数据,根据客户的购买模式和偏好对客户进行有效分组。
204、基于交易数据和更新后的第一产品聚类信息对交易数据中包含的客户进行聚类划分,并根据聚类划分的结果更新第一客户聚类信息;
205、基于交易数据和更新后的第一客户聚类信息对交易数据中包含的产品进行聚类划分,并根据聚类划分的结果更新第一产品聚类信息;
206、判断产品聚类信息中每个产品聚类中包含的产品数量是否达到数量阈值;
207、若达到,则停止聚类划分,得到迭代聚类后的第二产品聚类信息和第二客户聚类信息;
得到第一产品聚类信息和第一客户聚类信息之后,开始进行迭代聚类划分。本实施例中,通过每一次迭代的产品聚类推断出类,再根据每一迭代步骤中的客户聚类推断出新的产品聚类。
其中,具体对产品信息迭代更新产品聚类时步骤如下:
(1):对每个迭代步骤中的客户聚类,计算每个产品的平均交易数量。随后计算以下指标:
对每种产品计算聚类提升值,其中:
聚类提升值=组内平均交易量÷总体平均交易量;
聚类提升值越高表明产品和客户聚类之间的相关性越强,每一产品的聚类提升值反映的是每种产品属于不同聚类的概率值。
对每种产品计算购买比率,其中:
购买比率=购买人数÷非购买人数;
通过购买比率执行产品聚类分配,某产品的购买比率值在聚类组内排名越靠前表明该产品属于此聚类的可能性越大,此处每一产品的购买比率值反映的是同一聚类内的产品属于此聚类的概率值。
(2):在每个客户群中,利用聚类提升值和购买比率进行产品聚类,具体执行任务如下:
通过阈值过滤数据:在此初始步骤中执行数据过滤,以仅保留那些提升值超过1的记录。随后识别并选择每个分段内具有最高购买比率值的N条记录。这里N表示为此目的建立的预定义阈值。
排除预先分配的产品:为了确保产品聚类的完整性,算法从上述前N条记录中排除已分配给特定聚类的产品。
聚类比较和聚类分配:对产生聚类结果中存在的非空聚类内的产品进行全面比较,其中比较指标是聚类提升值
分配聚类:以最高聚类提升值为特征的聚类被指定为最终所分配的聚类。
通过以上操作任务建立了得到推断式产品聚类的函数,其中参数包含交易数据,产品数据以及前述步骤中创建的客户聚类数据。
随后,调用前述步骤203中的编程函数,通过函数利用交易数据和产品详细信息来创建不同的客户集群。每个客户集群都代表该群体共享的产品偏好的客户,使用每个产品集群的购买频率和数量数据,根据客户的购买模式和偏好对客户进行有效分组,从而完成根据产品的新聚类对客户信息进行的迭代更新。具体可以包括:
根据每个客户的标识对交易数据进行分组,计算每个客户的平均“提升值”和“购买率”。这些计算值可作为客户属于不同更新的推断客户聚类的可能性的指标,通过以上交互式算法将推断出的客户聚类,随后将以上客户聚类再次用作新的初始客户聚类并用于功能函数的输入参数对产品进行聚类。
在一个具体的实施方式中,产品聚类信息的迭代函数在迭代更新时,会返回一个字典其中字典的键对应于产品聚类名称(与客户聚类名称对应),字典的值表示结果数据集。这些数据集包含以下列:
(1)聚类组内平均交易量:每种产品在每个客户(对应于产品)聚类中的平均购买(交易)量;
(2)总体平均交易量:每种产品在所有交易(数据)中平均购买(交易)量;
(3)买家数量:每种产品在每个客户(对应于产品)聚类中的客户数目(曾经购买过此产品);
(4)非买家数量每种产品在每个客户(对应于产品)聚类中的非客户数目(从未曾经购买过此产品);
(5)聚类交易量提升值:聚类交易量提升值=聚类组内平均交易量÷总体平均交易量;
(6)购买率:购买率=卖家数量÷非卖家数量;
随后,根据上述信息建立交互式产品和客户聚类的迭代算法:利用前面建立的功能函数和迭代关系建立功能函数,在每一步将生成一个新的产品列表,其中包含每个迭代步骤中分配给更新的聚类的产品种类的计数,包括:针对以上迭代聚类算法建立一个初始列表,其中专门包含具有聚类分配的产品的初始计数,其中初始计数是产品初始聚类中的产品种类的数目。建立循环迭代算法:利用循环迭代聚类,更新产品的聚类,调整提升数量和购买比率,最终获取指定聚类的产品数量,然后添加到产品列表中。
其中,本步骤中所述的对客户进行聚类的功能函数可以为result_dict函数,其功能为返回一个字典,其中每个键代表客户聚类名称,值表示生成的数据集。这些数据集包含以下列:“每一产品的聚类内平均交易量”(在每聚类组内统计)、“每一产品的总体平均交易量”(不考虑聚类分组,而是在所有交易数据内统计)“每一产品买家数目”、“每一产品买家数目”,“聚类交易量提升值”和“购买率”这个函数的主要功能是利用每个迭代步生成的客户聚类,具体工作的过程为:
(1)程序循环所有客户聚类:在每个客户聚类中根据交易数据计算每个产品的以下列:“每一产品的聚类内平均交易量”(在每聚类组内统计)、“每一产品的总体平均交易量”(不考虑聚类分组,而是在所有交易数据内统计)、“每一产品买家数目”、“每一产品买家数目”、“聚类交易量提升值”和“购买率”;
(2)将以上结果放入字典result_dict;
(3)循环完成后,函数返回结果result_dict。
208、基于迭代聚类后的第二产品聚类信息和第二客户聚类信息,对每个客户进行个性化的产品推荐;
得到迭代聚类后的第二产品聚类信息和第二客户聚类信息,根据具体的信息关联确定当前客户对各种产品的关联信息,向客户推荐产品,以提高推荐的准确度。
此外,本申请还可以根据所述第二产品聚类信息和第二客户聚类信息生成分类统计图,具体地,利用以上循环迭代聚类生成的产品列表和被分配聚类的产品种类计数,绘制出产品和客户聚类数量的变化趋势图。此处的变化趋势图可以说明通过迭代算法不断地扩展分配给各聚类的产品数量变化。可以为商家提供更大的产品库并用于产品客户推荐策略等。即通过偏好行为信息联系客户群和产品种类,所以此结果可应用于零售行业中的产品推荐领域。以上功能函数的输出结果提供了每一种产品属于每一客户聚类中的概率值。这些概率值代表用户对产品的偏好。营销人员可以从对特定客户具有较高概率值的聚类中选择产品,并应用业务规则将这些产品推荐给客户或相关客户群体。
209、记录新增购买数据,根据新增数据对第二产品聚类信息和第二客户聚类信息进行迭代更新,并根据更新后的第二产品聚类信息和更新后的第二客户聚类信息进行产品推荐。
对产品和客户的聚类迭代完毕并进行推荐之后,本申请中的技术方案还可以记录新增购买数据,当购买数据增加到数据阈值时或者当时间达到预设的聚类更新时间时,根据所述新增数据对所述第二产品聚类信息和所述第二客户聚类信息进行迭代更新,并根据更新后的第二产品聚类信息和更新后的第二客户聚类信息进行产品推荐。
本实施例中的产品推荐方法能够动态地结合产品和客户的相关信息进行迭代聚类,通过迭代聚类的结果进行产品推荐,使得推荐结果更加准确;并可以根据新增的交易数据进行更新,对产品和客户信息进行迭代,使得产品推荐效果更精准。
上面对本发明实施例中基于迭代聚类的产品推荐方法进行了描述,下面对本发明实施例中基于迭代聚类的产品推荐装置进行描述,请参阅图3,本发明实施例中基于迭代聚类的产品推荐装置的一个实施例包括:
获取模块301,用于获取初始的客户聚类信息和初始的产品聚类信息;
第一产品划分模块302,用于获取交易数据,基于所述交易数据、所述初始的客户聚类信息和所述初始的产品聚类信息,对所述交易数据中未分类的产品进行聚类划分,并根据聚类划分的结果得到第一产品聚类信息;
第一客户划分模块303,用于根据所述交易数据、所述第一产品聚类信息和所述初始的客户聚类信息,对所述交易数据中未分类的客户进行聚类划分,并根据聚类划分的结果得到第一客户聚类信息;
迭代划分模块304,用于根据所述交易数据、所述第一产品聚类信息和所述第一客户聚类信息进行迭代聚类,得到第二产品聚类信息和第二客户聚类信息;
推荐模块305,用于基于迭代聚类后的第二产品聚类信息和第二客户聚类信息,对每个客户进行个性化的产品推荐。
该方法能够动态地结合产品和客户的相关信息进行迭代聚类,通过迭代聚类的结果进行产品推荐,使得推荐结果更加准确。
在本申请的另一实施例中,所述迭代划分模块304具体用于:
S1:基于所述交易数据和更新后的所述第一产品聚类信息对交易数据中包含的客户进行聚类划分,并根据聚类划分的结果更新第一客户聚类信息;
S2:基于所述交易数据和更新后的所述第一客户聚类信息对交易数据中包含的产品进行聚类划分,并根据聚类划分的结果更新第一产品聚类信息;
S3:重复S1-S2,直到产品聚类信息中每个产品聚类中包含的产品数量达到数量阈值后停止聚类划分,得到迭代聚类后的第二产品聚类信息和第二客户聚类信息。
在本申请的另一实施例中,所述基于所述交易数据和更新后的所述第一产品聚类信息对交易数据中包含的客户进行聚类划分包括:
建立功能函数,调用所述功能函数解析所述交易数据,获取所述第一产品聚类信息对中包含的各产品聚类集群中包含的购买频率数据和购买数量数据;
根据所述购买频率数据和购买数量数据生成购买模式和购买偏好;
根据所述购买模式和所述购买偏好对客户进行聚类划分。
在本申请的另一实施例中,所述基于所述交易数据和更新后的所述第一客户聚类信息对交易数据中包含的产品进行聚类划分包括:
根据更新后的所述第一客户聚类信息计算每个产品的平均交易数量和购买比率;
根据所述平均交易数量计算每种产品的聚类提升值;
根据所述购买比率和所述聚类提升值计算所述产品的聚类概率值;
在各所述第一客户聚类中,根据所述聚类提升值和购买比率进行产品聚类划分。
在本申请的另一实施例中,所述获取模块301具体用于:
提取客户样本和产品样本,并获取所述客户样本的客户信息,获取所述产品样本的产品信息;
根据所述客户信息和所述产品信息对所述客户样本和所述产品样本进行分类,得到初始的客户聚类信息和初始的产品聚类信息。
在本申请的另一实施例中,所述基于迭代聚类的产品推荐装置还包括更新模块,所述更新模块具体用于:
记录新增购买数据;
当购买数据增加到数据阈值时或者当时间达到预设的聚类更新时间时,根据所述新增数据对所述第二产品聚类信息和所述第二客户聚类信息进行迭代更新,并根据更新后的第二产品聚类信息和更新后的第二客户聚类信息进行产品推荐。
在本申请的另一实施例中,所述基于迭代聚类的产品推荐装置还包括统计模块,所述统计模块用于:
根据所述第二产品聚类信息和第二客户聚类信息生成分类统计图。
本实施例中的产品推荐装置能够动态地结合产品和客户的相关信息进行迭代聚类,通过迭代聚类的结果进行产品推荐,使得推荐结果更加准确;并可以根据新增的交易数据进行更新,对产品和客户信息进行迭代,使得产品推荐效果更精准。
上面图3从模块化功能实体的角度对本发明实施例中的基于迭代聚类的产品推荐装置进行详细描述,基于同一发明构思,本说明书实施例还提供一种基于迭代聚类的产品推荐设备,下面从硬件处理的角度对本发明实施例中基于迭代聚类的产品推荐设备进行详细描述。
图4为本说明书实施例提供的一种电子设备的结构示意图。下面参照图4来描述根据本发明该实施例的电子设备400。图4显示的电子设备400仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图4所示,电子设备400以通用计算设备的形式表现。电子设备400的组件可以包括但不限于:至少一个处理单元410、至少一个存储单元420、连接不同系统组件(包括存储单元420和处理单元410)的总线430、显示单元440等。
其中,所述存储单元存储有程序代码,所述程序代码可以被所述处理单元410执行,使得所述处理单元410执行本说明书上述处理方法部分中描述的根据本发明各种示例性实施方式的步骤。例如,所述处理单元410可以执行如图1或2所示的步骤。
所述存储单元420可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)4201和/或高速缓存存储单元4202,还可以进一步包括只读存储单元(ROM)4203。
所述存储单元420还可以包括具有一组(至少一个)程序模块4205的程序/实用工具4204,这样的程序模块4205包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线430可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备400也可以与一个或多个外部设备100(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电子设备400交互的设备通信,和/或与使得该电子设备400能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口450进行。并且,电子设备400还可以通过网络适配器460与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。网络适配器460可以通过总线430与电子设备400的其它模块通信。应当明白,尽管图4中未示出,可以结合电子设备400使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述,本领域的技术人员易于理解,本发明描述的示例性实施例可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本发明实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个计算机可读的存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、或者网络设备等)执行根据本发明的上述方法。当所述计算机程序被一个数据处理设备执行时,使得该计算机可读介质能够实现本发明的上述方法,即:如图1或2所示的方法。
图5为本说明书实施例提供的一种计算机可读介质的原理示意图。
实现图1或2所示方法的计算机程序可以存储于一个或多个计算机可读介质上。计算机可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
综上所述,本发明可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器(DSP)等通用数据处理设备来实现根据本发明实施例中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如,计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
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,应理解的是,本发明不与任何特定计算机、虚拟装置或者电子设备固有相关,各种通用装置也可以实现本发明。以上所述仅为本发明的具体实施例而已,并不用于限制本发明,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。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种基于迭代聚类的产品推荐方法,其特征在于,包括:
获取初始的客户聚类信息和初始的产品聚类信息;
获取交易数据,基于所述交易数据、所述初始的客户聚类信息和所述初始的产品聚类信息,对所述交易数据中未分类的产品进行聚类划分,并根据聚类划分的结果得到第一产品聚类信息;
根据所述交易数据、所述第一产品聚类信息和所述初始的客户聚类信息,对所述交易数据中未分类的客户进行聚类划分,并根据聚类划分的结果得到第一客户聚类信息;
根据所述交易数据、所述第一产品聚类信息和所述第一客户聚类信息进行迭代聚类,得到第二产品聚类信息和第二客户聚类信息;
基于迭代聚类后的第二产品聚类信息和第二客户聚类信息,对每个客户进行个性化的产品推荐。
2.根据权利要求1所述的基于迭代聚类的产品推荐方法,其特征在于,所述根据所述交易数据、所述第一产品聚类信息和所述第一客户聚类信息进行迭代聚类,得到第二产品聚类信息和第二客户聚类信息包括:
S1:基于所述交易数据和更新后的所述第一产品聚类信息对交易数据中包含的客户进行聚类划分,并根据聚类划分的结果更新第一客户聚类信息;
S2:基于所述交易数据和更新后的所述第一客户聚类信息对交易数据中包含的产品进行聚类划分,并根据聚类划分的结果更新第一产品聚类信息;
S3:重复S1-S2,直到产品聚类信息中每个产品聚类中包含的产品数量达到数量阈值后停止聚类划分,得到迭代聚类后的第二产品聚类信息和第二客户聚类信息。
3.根据权利要求2所述的基于迭代聚类的产品推荐方法,其特征在于,所述基于所述交易数据和更新后的所述第一产品聚类信息对交易数据中包含的客户进行聚类划分包括:
建立功能函数,调用所述功能函数解析所述交易数据,获取所述第一产品聚类信息对中包含的各产品聚类集群中包含的购买频率数据和购买数量数据;
根据所述购买频率数据和购买数量数据生成购买模式和购买偏好;
根据所述购买模式和所述购买偏好对客户进行聚类划分。
4.根据权利要求2所述的基于迭代聚类的产品推荐方法,其特征在于,所述基于所述交易数据和更新后的所述第一客户聚类信息对交易数据中包含的产品进行聚类划分包括:
根据更新后的所述第一客户聚类信息计算每个产品的平均交易数量和购买比率;
根据所述平均交易数量计算每种产品的聚类提升值;
根据所述购买比率和所述聚类提升值计算所述产品的聚类概率值;
在各所述第一客户聚类中,根据所述聚类提升值和购买比率进行产品聚类划分。
5.根据权利要求1-4中任一项所述的基于迭代聚类的产品推荐方法,其特征在于,所述获取初始的客户聚类信息和初始的产品聚类信息包括:
提取客户样本和产品样本,并获取所述客户样本的客户信息,获取所述产品样本的产品信息;
根据所述客户信息和所述产品信息对所述客户样本和所述产品样本进行分类,得到初始的客户聚类信息和初始的产品聚类信息。
6.根据权利要求5所述的基于迭代聚类的产品推荐方法,其特征在于,在所述根据迭代聚类后的第二产品聚类信息和第二客户聚类信息,对每个客户进行个性化的产品推荐之后,还包括:
记录新增购买数据;
当购买数据增加到数据阈值时或者当时间达到预设的聚类更新时间时,根据所述新增数据对所述第二产品聚类信息和所述第二客户聚类信息进行迭代更新,并根据更新后的第二产品聚类信息和更新后的第二客户聚类信息进行产品推荐。
7.根据权利要求6所述的基于迭代聚类的产品推荐方法,其特征在于,在所述根据更新后的第二产品聚类信息和更新后的第二客户聚类信息进行产品推荐之后,还包括:
根据所述第二产品聚类信息和第二客户聚类信息生成分类统计图。
8.一种基于迭代聚类的产品推荐装置,其特征在于,所述迭代聚类的产品推荐装置包括:
获取模块,用于获取初始的客户聚类信息和初始的产品聚类信息;
第一产品划分模块,用于获取交易数据,基于所述交易数据、所述初始的客户聚类信息和所述初始的产品聚类信息,对所述交易数据中未分类的产品进行聚类划分,并根据聚类划分的结果得到第一产品聚类信息;
第一客户划分模块,用于根据所述交易数据、所述第一产品聚类信息和所述初始的客户聚类信息,对所述交易数据中未分类的客户进行聚类划分,并根据聚类划分的结果得到第一客户聚类信息;
迭代划分模块,用于根据所述交易数据、所述第一产品聚类信息和所述第一客户聚类信息进行迭代聚类,得到第二产品聚类信息和第二客户聚类信息;
推荐模块,用于基于迭代聚类后的第二产品聚类信息和第二客户聚类信息,对每个客户进行个性化的产品推荐。
9.一种基于迭代聚类的产品推荐设备,其特征在于,所述基于迭代聚类的产品推荐设备包括:存储器和至少一个处理器,所述存储器中存储有指令;
所述至少一个处理器调用所述存储器中的所述指令,以使得所述基于迭代聚类的产品推荐设备执行如权利要求1-7中任一项所述的基于迭代聚类的产品推荐方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质上存储有指令,其特征在于,所述指令被处理器执行时实现如权利要求1-7中任一项所述基于迭代聚类的产品推荐方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311562717.0A CN117557339A (zh) | 2023-11-21 | 2023-11-21 | 基于迭代聚类的产品推荐方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311562717.0A CN117557339A (zh) | 2023-11-21 | 2023-11-21 | 基于迭代聚类的产品推荐方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117557339A true CN117557339A (zh) | 2024-02-13 |
Family
ID=89820149
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311562717.0A Pending CN117557339A (zh) | 2023-11-21 | 2023-11-21 | 基于迭代聚类的产品推荐方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117557339A (zh) |
-
2023
- 2023-11-21 CN CN202311562717.0A patent/CN117557339A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10504120B2 (en) | Determining a temporary transaction limit | |
US8631040B2 (en) | Computer-implemented systems and methods for flexible definition of time intervals | |
Miao et al. | Context‐based dynamic pricing with online clustering | |
WO2019226192A1 (en) | Demand forecast | |
CN107507028B (zh) | 用户偏好确定方法、装置、设备及存储介质 | |
CN103164804A (zh) | 一种个性化的信息推送方法及装置 | |
CN112070577A (zh) | 一种商品推荐方法、系统、设备及介质 | |
CN112016796B (zh) | 综合风险评分请求处理方法、装置及电子设备 | |
CN111931053A (zh) | 一种基于聚类和矩阵分解的事项推送方法和装置 | |
CN111666304A (zh) | 数据处理装置、数据处理方法、存储介质与电子设备 | |
CN111861605A (zh) | 业务对象推荐方法 | |
CN112017062B (zh) | 基于客群细分的资源额度分配方法、装置及电子设备 | |
US11294917B2 (en) | Data attribution using frequent pattern analysis | |
CN113760521A (zh) | 一种虚拟资源的分配方法和装置 | |
CN113743968A (zh) | 信息投放方法、装置及设备 | |
CN112667770A (zh) | 一种对物品进行分类的方法和装置 | |
CN108510302A (zh) | 一种营销决策方法及交易服务器 | |
CN112287208A (zh) | 用户画像生成方法、装置、电子设备及存储介质 | |
CN113837843B (zh) | 产品推荐方法、装置、介质及电子设备 | |
CN117557339A (zh) | 基于迭代聚类的产品推荐方法、装置、设备及存储介质 | |
CN112016791B (zh) | 资源分配方法、装置及电子设备 | |
CN113722593A (zh) | 事件数据处理方法、装置、电子设备和介质 | |
EP3449454A1 (en) | Emphasizing communication based on past interaction related to promoted items | |
CN113065932A (zh) | 一种物品推荐方法和装置 | |
US20210056437A1 (en) | Systems and methods for matching users and entities |
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 |