CN117670478A - 一种商品扶持方法、装置、计算机设备和存储介质 - Google Patents
一种商品扶持方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN117670478A CN117670478A CN202311623398.XA CN202311623398A CN117670478A CN 117670478 A CN117670478 A CN 117670478A CN 202311623398 A CN202311623398 A CN 202311623398A CN 117670478 A CN117670478 A CN 117670478A
- Authority
- CN
- China
- Prior art keywords
- commodity
- supporting
- assessment
- commodities
- result
- 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 52
- 230000006399 behavior Effects 0.000 claims description 53
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 abstract description 6
- 238000004891 communication Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013507 mapping 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
- 230000008569 process Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012546 transfer 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
- G06F16/90—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
- 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
-
- 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
- Y02W—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO WASTEWATER TREATMENT OR WASTE MANAGEMENT
- Y02W90/00—Enabling technologies or technologies with a potential or indirect contribution to greenhouse gas [GHG] emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
Abstract
本申请涉及一种商品扶持方法、装置、计算机设备和存储介质。所述方法包括:接收召回请求,获取召回商品;获取商品标签,根据商品标签将召回商品分为扶持商品和非扶持商品;获取扶持商品的考核标准和用户行为数据;将用户行为数据与考核标准进行比较,判断扶持商品是否通过考核;响应于扶持商品通过考核,计算扶持商品的分布值;将扶持商品按分布值从高到低排序,获得第一排序结果;将非扶持商品依次输入粗排模型和精排模型,获得第一精排结果;获取推荐商品数量,将部分扶持商品和部分非扶持商品作为推荐商品输入精排模型,获得第二排序结果;将第二排序结果返回给用户。采用本方法能够在扶持商品的同时考虑精排顺序,保证商品转化率。
Description
技术领域
本申请涉及商品排序技术领域,特别是涉及一种商品扶持方法、装置、计算机设备和存储介质。
背景技术
随着计算机和网络技术的快速发展,电子商务越来越多地出现在人们的日常工作和生活等诸多场景中。电商行业发展迅猛,商品更新换代也非常快,如何为好的商品导流,甚至培养爆款,用户的选择、商家的广告宣传以及平台的扶持都是一种因素,其中,平台的扶持往往是非常重要的一个手段。
由于电商平台上的商品数量巨大,通常各大电商平台会将商品按照一定的顺序展示给用户。然而,为了扶持一些重点业务或者战略业务,通常需要干预、更改商品的排序,以便战略商品能够更多地受到用户的关注。
但是目前强行扶持商品的方式,会破坏商品的精排顺序,导致商品转化率降低。
因此,本申请提出一种能够在扶持商品的同时考虑精排顺序,保证商品转化率的商品扶持方法、装置、计算机设备和存储介质。
发明内容
基于此,有必要针对上述技术问题,提供一种能够在扶持商品的同时考虑精排顺序,保证商品转化率的商品扶持方法、装置、计算机设备和存储介质。
第一方面,提供一种商品扶持方法,所述方法包括:
接收商品召回请求,并根据所述商品召回请求获取召回商品;
获取所述召回商品的商品标签,并根据所述商品标签将所述召回商品划分为扶持商品和非扶持商品;
获取所述扶持商品的考核标准和用户行为数据;
将所述扶持商品的用户行为数据与所述扶持商品的考核标准进行比较,判断所述扶持商品是否通过考核;
响应于所述扶持商品通过考核,计算通过考核的扶持商品的分布值;
将所述通过考核的扶持商品按照分布值从高到低进行排序,获得第一排序结果;
将所述非扶持商品输入粗排模型,获得第一粗排结果;
将所述第一粗排结果输入精排模型,获得第一精排结果;
获取推荐商品数量N,其中,所述推荐商品数量N表示第一个页面显示的最大商品数量,N为正整数;
将所述第一排序结果中排名为第1至A的扶持商品以及所述第一精排结果中排名为第1至B的非扶持商品作为推荐商品,将所述推荐商品输入精排模型,获得第二排序结果,其中,A和B为正整数,A<B且A+B=N;
将所述第二排序结果返回给用户。
在其中一个实施例中,所述方法还包括:
将所述扶持商品的用户行为数据与所述扶持商品的考核标准进行比较,判断所述扶持商品是否通过考核;
响应于存在未通过考核的扶持商品,将所述未通过考核的扶持商品和非扶持商品输入粗排模型,获得第一粗排结果;
将所述第一粗排结果输入精排模型,获得第一精排结果。
在其中一个实施例中,所述用户行为数据包括曝光数据、点击数据、收藏数据、加购数据以及购买数据,所述考核标准包括曝光数据阈值、点击数据阈值、收藏数据阈值、加购数据阈值以及购买数据阈值中的至少两种数据阈值,所述考核标准包括第一考核标准和第二考核标准,
将所述扶持商品的用户行为数据与所述扶持商品的考核标准进行比较,判断所述扶持商品是否通过考核,包括:
将所述第一考核标准中的数据阈值分别与所述扶持商品对应的用户行为数据进行比较,判断所述扶持商品是否通过第一次考核;
响应于所述扶持商品对应的用户行为数据大于或等于所述第一考核标准中的数据阈值,确认所述扶持商品通过第一次考核;
将所述第二考核标准中的数据阈值分别与所述扶持商品对应的用户行为数据进行比较,判断所述扶持商品是否通过第二次考核;
响应于所述扶持商品对应的用户行为数据大于或等于所述第二考核标准中的数据阈值,确认所述扶持商品通过第二次考核。
在其中一个实施例中,所述第一考核标准包括曝光数据阈值和点击数据阈值,所述方法还包括:
根据所述扶持商品创建扶持商品列表;
获取历史扶持商品的曝光数据和点击数据,并计算出所述历史扶持商品曝光数据的平均值和点击数据的平均值,将所述历史扶持商品曝光数据的平均值作为所述第一考核标准的曝光数据阈值,将所述历史扶持商品点击数据的平均值作为所述第一考核标准的点击数据阈值;
将所述扶持商品的曝光数据与所述第一考核标准的曝光数据阈值进行比较,获得第一比较结果;
响应于所述第一比较结果为所述扶持商品的曝光数据小于所述第一考核标准的曝光数据阈值,确认所述扶持商品第一次考核不通过,将所述扶持商品作为非扶持商品输入粗排模型;
响应于所述第一比较结果为所述扶持商品的曝光数据大于或等于所述第一考核标准的曝光数据阈值,将所述扶持商品的点击数据与所述第一考核标准的点击数据阈值进行比较,获得第二比较结果;
响应于所述第二比较结果为所述扶持商品的点击数据小于所述第一考核标准的点击数据阈值,确认所述扶持商品第一次考核不通过,将所述扶持商品作为非扶持商品输入粗排模型;
响应于所述第二比较结果为所述扶持商品的点击数据大于或等于所述第一考核标准的点击数据阈值,确认所述扶持商品第一次考核通过,进入第二次考核。
在其中一个实施例中,计算通过考核的扶持商品的分布值,包括:
获取所述通过考核的扶持商品的用户行为数据以及对应的权重值;
根据所述权重值对用户行为数据进行加权计算,获得所述通过考核的扶持商品的分布值。
在其中一个实施例中,所述方法还包括:
获取扶持商品比例a,并根据推荐商品数量N计算出扶持商品数量M,其中,M为正整数,M=N*a,a<0.5;
根据所述扶持商品数量M,将所述第一排序结果中排名为第1至M的扶持商品以及所述第一精排结果中排名为第1至N-M的非扶持商品作为推荐商品,将所述推荐商品输入精排模型,获得第二排序结果;
将所述第二排序结果返回给用户。
在其中一个实施例中,所述方法还包括:
根据所述召回商品创建召回商品列表,其中,所述召回商品列表中包括所述扶持商品以及所述扶持商品对应的分布值;
将所述召回商品输入粗排模型,获得第二粗排结果;
将所述第二粗排结果输入精排模型,获得第二精排结果;
遍历所述召回商品列表,判断所述召回商品中是否含有分布值;
响应于所述召回商品中含有分布值,判断所述分布值对应的扶持商品在所述第二精排结果中的排名是否在第P名之前,其中,P为正整数且P≤1/2E,E为召回商品数量;
响应于所述分布值对应的扶持商品在所述第二精排结果中的排名在第P名之前,将该扶持商品作为推荐商品。
第二方面,提供了一种商品扶持装置,所述装置包括:
接收获取模块,所述接收获取模块用于接收商品召回请求,并根据所述商品召回请求获取召回商品;
获取划分模块,所述获取划分模块用于获取所述召回商品的商品标签,并根据所述商品标签将所述召回商品划分为扶持商品和非扶持商品;
第一获取模块,所述第一获取模块用于获取所述扶持商品的考核标准和用户行为数据;
比较判断模块,所述比较判断模块用于将所述扶持商品的用户行为数据与所述扶持商品的考核标准进行比较,判断所述扶持商品是否通过考核;
计算模块,所述计算模块用于响应于所述扶持商品通过考核,计算通过考核的扶持商品的分布值;
第一排序模块,所述第一排序模块用于将所述通过考核的扶持商品按照分布值从高到低进行排序,获得第一排序结果;
第一粗排模块,所述第一粗排模块用于将所述非扶持商品输入粗排模型,获得第一粗排结果;
第一精排模块,所述第一精排模块用于将所述第一粗排结果输入精排模型,获得第一精排结果;
第二获取模块,所述第二获取模块用于获取推荐商品数量N,其中,所述推荐商品数量N表示第一个页面显示的最大商品数量,N为正整数;
第二排序模块,所述第二排序模块用于将所述第一排序结果中排名为第1至A的扶持商品以及所述第一精排结果中排名为第1至B的非扶持商品作为推荐商品,将所述推荐商品输入精排模型,获得第二排序结果,其中,A和B为正整数,A<B且A+B=N;
返回模块,所述返回模块用于将所述第二排序结果返回给用户。
第三方面,提供了一种计算机设备,所述计算机设备包括一个或多个处理器;以及与所述一个或多个处理器关联的存储器,所述存储器用于存储程序指令,所述程序指令在被所述一个或多个处理器读取执行时,执行如上述第一方面任意一项所述方法的步骤。
第四方面,提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时,执行如上述第一方面任意一项所述方法的步骤。
上述商品扶持方法、装置、计算机设备和存储介质,通过计算扶持商品的分布值,并按照分布值从高到低排序,获得第一排序结果;将非扶持商品输入粗排模型和精排模型中,获得第一精排结果;根据推荐商品数量,从扶持商品和非扶持商品中挑选排名靠前的组成推荐商品,将所述推荐商品输入精排模型,获得返回给用户的第二排序结果。通过该技术方案,本申请实现在扶持商品的同时考虑商品的精排顺序,保证商品的转化率。
附图说明
图1为一个实施例中商品扶持方法的数据架构图;
图2为一个实施例中商品扶持方法的流程示意图;
图3为另一个实施例中第一次考核的流程示意图;
图4为另一个实施例中判断扶持商品是否为推荐商品的流程示意图;
图5为一个实施例中商品扶持装置的结构框图;
图6为一个实施例中计算机设备的内部结构图。
具体实施方式
如图1所示,数据构建的具体流程如下:
1、根据商品标签筛选出扶持商品,并将扶持商品写入Redis(REmote DIctionaryServer,一种非关系型数据库),商品标签包括降价商品、活动商品以及冷启动商品等,筛选的方式可以非常灵活,例如通过一个框架和分布式处理引擎进行数据清洗;
2、定时任务将扶持商品输入一个框架和分布式处理引擎,实时清洗出这些扶持商品的曝光、点击、收藏以及加购等数据,将这些用户行为数据写入Redis;
3、定时任务查询扶持商品的曝光、点击、收藏、加购数据,按照设定的商品考核标准,通过考核的再按不同维度计算出扶持商品的分布值,例如,按曝光、点击来计算,或者按点击、加购来计算,或者按加购、购买来计算等;
4、将扶持商品与其分布值映射关系推送到VOS(VirtualOS,一个数据存储服务系统)中,也可以继续选用Redis,以供第二次排序服务使用。
具体地,定时任务中还会从VOS加载数据,这是一个自反馈的过程,上一个调度生产的数据,还需要作为下一个调度的入参来使用。
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
实施例一
在一个实施例中,如图2所示,提供了一种商品扶持方法,所述方法包括:
接收商品召回请求,并根据所述商品召回请求获取召回商品;
获取所述召回商品的商品标签,并根据所述商品标签将所述召回商品划分为扶持商品和非扶持商品;
获取所述扶持商品的考核标准和用户行为数据;
将所述扶持商品的用户行为数据与所述扶持商品的考核标准进行比较,判断所述扶持商品是否通过考核;
响应于所述扶持商品通过考核,计算通过考核的扶持商品的分布值;
将所述通过考核的扶持商品按照分布值从高到低进行排序,获得第一排序结果;
将所述非扶持商品输入粗排模型,获得第一粗排结果;
将所述第一粗排结果输入精排模型,获得第一精排结果;
获取推荐商品数量N,其中,所述推荐商品数量N表示第一个页面显示的最大商品数量,N为正整数;
将所述第一排序结果中排名为第1至A的扶持商品以及所述第一精排结果中排名为第1至B的非扶持商品作为推荐商品,将所述推荐商品输入精排模型,获得第二排序结果,其中,A和B为正整数,A<B且A+B=N;
将所述第二排序结果返回给用户。
具体地,在粗排模型的架构下,商品排序分可以简化为以下表达:f(x)=w_1f_1(x)+w_2f_2(x)+w_3f_3(x),其中f_1(x)为业务规则分,如运营圈品提权、低信誉商家降权等规则;f_2(x)为相关性分,如类目匹配分、关键词匹配分等;f_3(x)为成交效率相关的排序分,如静态商品/卖家分等;w_i为各项权重。
具体地,精排模型可以由深度神经网络和因子分解机算法组成,最终的模型输出为两者之和:\hat y=sigmoid(y_{FM}+y_{DNN})\。
具体地,推荐商品数量表示第第一个页面呈现给用户的最大商品数量,第二排序结果也表示第第一个页面的排序结果,其他页面可以参照第第一个页面的排序方式继续进行排序。
具体地,通过计算扶持商品的分布值,并按照分布值从高到低排序,获得第一排序结果;将非扶持商品输入粗排模型和精排模型中,获得第一精排结果;根据推荐商品数量,从扶持商品和非扶持商品中挑选排名靠前的组成推荐商品,将所述推荐商品输入精排模型,获得返回给用户的第二排序结果。通过该技术方案,本申请实现在扶持商品的同时考虑商品的精排顺序,保证商品的转化率。
在一个实施例中,所述方法还包括:
将所述扶持商品的用户行为数据与所述扶持商品的考核标准进行比较,判断所述扶持商品是否通过考核;
响应于存在未通过考核的扶持商品,将所述未通过考核的扶持商品和非扶持商品输入粗排模型,获得第一粗排结果;
将所述第一粗排结果输入精排模型,获得第一精排结果。
在一个实施例中,所述用户行为数据包括曝光数据、点击数据、收藏数据、加购数据以及购买数据,所述考核标准包括曝光数据阈值、点击数据阈值、收藏数据阈值、加购数据阈值以及购买数据阈值中的至少两种数据阈值,所述考核标准包括第一考核标准和第二考核标准,
将所述扶持商品的用户行为数据与所述扶持商品的考核标准进行比较,判断所述扶持商品是否通过考核,包括:
将所述第一考核标准中的数据阈值分别与所述扶持商品对应的用户行为数据进行比较,判断所述扶持商品是否通过第一次考核;
响应于所述扶持商品对应的用户行为数据大于或等于所述第一考核标准中的数据阈值,确认所述扶持商品通过第一次考核;
将所述第二考核标准中的数据阈值分别与所述扶持商品对应的用户行为数据进行比较,判断所述扶持商品是否通过第二次考核;
响应于所述扶持商品对应的用户行为数据大于或等于所述第二考核标准中的数据阈值,确认所述扶持商品通过第二次考核。
具体地,通过两次商品考核,保证扶持商品本身是大部分用户感兴趣的,避免浪费流量。
在一个实施例中,如图3所示,所述第一考核标准包括曝光数据阈值和点击数据阈值,所述方法还包括:
根据所述扶持商品创建扶持商品列表;
获取历史扶持商品的曝光数据和点击数据,并计算出所述历史扶持商品曝光数据的平均值和点击数据的平均值,将所述历史扶持商品曝光数据的平均值作为所述第一考核标准的曝光数据阈值,将所述历史扶持商品点击数据的平均值作为所述第一考核标准的点击数据阈值;
将所述扶持商品的曝光数据与所述第一考核标准的曝光数据阈值进行比较,获得第一比较结果;
响应于所述第一比较结果为所述扶持商品的曝光数据小于所述第一考核标准的曝光数据阈值,确认所述扶持商品第一次考核不通过,将所述扶持商品作为非扶持商品输入粗排模型;
响应于所述第一比较结果为所述扶持商品的曝光数据大于或等于所述第一考核标准的曝光数据阈值,将所述扶持商品的点击数据与所述第一考核标准的点击数据阈值进行比较,获得第二比较结果;
响应于所述第二比较结果为所述扶持商品的点击数据小于所述第一考核标准的点击数据阈值,确认所述扶持商品第一次考核不通过,将所述扶持商品作为非扶持商品输入粗排模型;
响应于所述第二比较结果为所述扶持商品的点击数据大于或等于所述第一考核标准的点击数据阈值,确认所述扶持商品第一次考核通过,进入第二次考核。
具体地,例如,第一次考核:先判断扶持商品的曝光数据是否达大于或等于3000,再判断点击数据是否大于或等于240,即点击率是否大于或等于0.08;第二次考核:先判断曝光数据是否大于或等于4000,再判断点击数据是否大于或等于280,即点击率是否大于或等于0.07。
在一个实施例中,计算通过考核的扶持商品的分布值,包括:
获取所述通过考核的扶持商品的用户行为数据以及对应的权重值;
根据所述权重值对用户行为数据进行加权计算,获得所述通过考核的扶持商品的分布值。
具体地,将点击数据、收藏数据、加购数据的数值都乘上一个权重值:hit=hit_w1*click+hit_w2*like+hit_w3*cart,其中,hit_w1、hit_w2以及hit_w3是对应用户行为数据的权重值。
在一个实施例中,所述方法还包括:
获取扶持商品比例a,并根据推荐商品数量N计算出扶持商品数量M,其中,M为正整数,M=N*a,a<0.5;
根据所述扶持商品数量M,将所述第一排序结果中排名为第1至M的扶持商品以及所述第一精排结果中排名为第1至N-M的非扶持商品作为推荐商品,将所述推荐商品输入精排模型,获得第二排序结果;
将所述第二排序结果返回给用户。
具体地,通过将扶持商品和非扶持商品输入精排模型进行排序的方式,在保证扶持商品曝光度的情况下,非扶持商品也能为用户所见。
在一个实施例中,如图4所示,所述方法还包括:
根据所述召回商品创建召回商品列表,其中,所述召回商品列表中包括所述扶持商品以及所述扶持商品对应的分布值;
将所述召回商品输入粗排模型,获得第二粗排结果;
将所述第二粗排结果输入精排模型,获得第二精排结果;
遍历所述召回商品列表,判断所述召回商品中是否含有分布值;
响应于所述召回商品中含有分布值,判断所述分布值对应的扶持商品在所述第二精排结果中的排名是否在第P名之前,其中,P为正整数且P≤1/2E,E为召回商品数量;
响应于所述分布值对应的扶持商品在所述第二精排结果中的排名在第P名之前,将该扶持商品作为推荐商品。
具体地,第二精排结果中位于第P名之后的扶持商品,用户的兴趣度不高,避免浪费流量。
应该理解的是,虽然图2、图3、图4的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2、图3、图4中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
实施例二
在一个实施例中,如图5所示,提供了一种商品扶持装置,所述装置包括:
接收获取模块,所述接收获取模块用于接收商品召回请求,并根据所述商品召回请求获取召回商品;
获取划分模块,所述获取划分模块用于获取所述召回商品的商品标签,并根据所述商品标签将所述召回商品划分为扶持商品和非扶持商品;
第一获取模块,所述第一获取模块用于获取所述扶持商品的考核标准和用户行为数据;
比较判断模块,所述比较判断模块用于将所述扶持商品的用户行为数据与所述扶持商品的考核标准进行比较,判断所述扶持商品是否通过考核;
计算模块,所述计算模块用于响应于所述扶持商品通过考核,计算通过考核的扶持商品的分布值;
第一排序模块,所述第一排序模块用于将所述通过考核的扶持商品按照分布值从高到低进行排序,获得第一排序结果;
第一粗排模块,所述第一粗排模块用于将所述非扶持商品输入粗排模型,获得第一粗排结果;
第一精排模块,所述第一精排模块用于将所述第一粗排结果输入精排模型,获得第一精排结果;
第二获取模块,所述第二获取模块用于获取推荐商品数量N,其中,所述推荐商品数量N表示第一个页面显示的最大商品数量,N为正整数;
第二排序模块,所述第二排序模块用于将所述第一排序结果中排名为第1至A的扶持商品以及所述第一精排结果中排名为第1至B的非扶持商品作为推荐商品,将所述推荐商品输入精排模型,获得第二排序结果,其中,A和B为正整数,A<B且A+B=N;
返回模块,所述返回模块用于将所述第二排序结果返回给用户。
在一个实施例中,所述比较判断模块还用于将所述扶持商品的用户行为数据与所述扶持商品的考核标准进行比较,判断所述扶持商品是否通过考核;
所述第一粗排模块还用于响应于存在未通过考核的扶持商品,将所述未通过考核的扶持商品和非扶持商品输入粗排模型,获得第一粗排结果;
所述第一精排模块还用于将所述第一粗排结果输入精排模型,获得第一精排结果。
在一个实施例中,所述用户行为数据包括曝光数据、点击数据、收藏数据、加购数据以及购买数据,所述考核标准包括曝光数据阈值、点击数据阈值、收藏数据阈值、加购数据阈值以及购买数据阈值中的至少两种数据阈值,所述考核标准包括第一考核标准和第二考核标准,
所述比较判断模块还用于:
将所述第一考核标准中的数据阈值分别与所述扶持商品对应的用户行为数据进行比较,判断所述扶持商品是否通过第一次考核;
响应于所述扶持商品对应的用户行为数据大于或等于所述第一考核标准中的数据阈值,确认所述扶持商品通过第一次考核;
将所述第二考核标准中的数据阈值分别与所述扶持商品对应的用户行为数据进行比较,判断所述扶持商品是否通过第二次考核;
响应于所述扶持商品对应的用户行为数据大于或等于所述第二考核标准中的数据阈值,确认所述扶持商品通过第二次考核。
在一个实施例中,所述第一考核标准包括曝光数据阈值和点击数据阈值,所述装置还包括:
创建模块,所述创建模块用于根据所述扶持商品创建扶持商品列表;
获取计算模块,所述获取计算模块用于获取历史扶持商品的曝光数据和点击数据,并计算出所述历史扶持商品曝光数据的平均值和点击数据的平均值,将所述历史扶持商品曝光数据的平均值作为所述第一考核标准的曝光数据阈值,将所述历史扶持商品点击数据的平均值作为所述第一考核标准的点击数据阈值;
所述比较判断模块还用于:
将所述扶持商品的曝光数据与所述第一考核标准的曝光数据阈值进行比较,获得第一比较结果;
响应于所述第一比较结果为所述扶持商品的曝光数据小于所述第一考核标准的曝光数据阈值,确认所述扶持商品第一次考核不通过,将所述扶持商品作为非扶持商品输入粗排模型;
响应于所述第一比较结果为所述扶持商品的曝光数据大于或等于所述第一考核标准的曝光数据阈值,将所述扶持商品的点击数据与所述第一考核标准的点击数据阈值进行比较,获得第二比较结果;
响应于所述第二比较结果为所述扶持商品的点击数据小于所述第一考核标准的点击数据阈值,确认所述扶持商品第一次考核不通过,将所述扶持商品作为非扶持商品输入粗排模型;
响应于所述第二比较结果为所述扶持商品的点击数据大于或等于所述第一考核标准的点击数据阈值,确认所述扶持商品第一次考核通过,进入第二次考核。
在一个实施例中,所述装置还包括:
第三获取模块,所述第三获取模块用于获取所述通过考核的扶持商品的用户行为数据以及对应的权重值;
所述计算模块还用于根据所述权重值对用户行为数据进行加权计算,获得所述通过考核的扶持商品的分布值。
在一个实施例中,所述获取计算模块还用于获取扶持商品比例a,并根据推荐商品数量N计算出扶持商品数量M,其中,M为正整数,M=N*a,a<0.5;
所述第二排序模块还用于根据所述扶持商品数量M,将所述第一排序结果中排名为第1至M的扶持商品以及所述第一精排结果中排名为第1至N-M的非扶持商品作为推荐商品,将所述推荐商品输入精排模型,获得第二排序结果;
所述返回模块还用于将所述第二排序结果返回给用户。
在一个实施例中,所述创建模块还用于根据所述召回商品创建召回商品列表,其中,所述召回商品列表中包括所述扶持商品以及所述扶持商品对应的分布值;
所述装置还包括:
第二粗排模块,所述第二粗排模块用于将所述召回商品输入粗排模型,获得第二粗排结果;
第二精排模块,所述第二精排模块用于将所述第二粗排结果输入精排模型,获得第二精排结果;
遍历判断模块,所述遍历判断模块用于遍历所述召回商品列表,判断所述召回商品中是否含有分布值;
判断模块,所述判断模块用于响应于所述召回商品中含有分布值,判断所述分布值对应的扶持商品在所述第二精排结果中的排名是否在第P名之前,其中,P为正整数且P≤1/2E,E为召回商品数量;
确认模块,所述确认模块用于响应于所述分布值对应的扶持商品在所述第二精排结果中的排名在第P名之前,将该扶持商品作为推荐商品。
关于商品扶持装置的具体限定可以参见上文中对于商品扶持方法的限定,在此不再赘述。上述商品扶持装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
实施例三
在一个实施例中,提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现以下步骤:
接收商品召回请求,并根据所述商品召回请求获取召回商品;
获取所述召回商品的商品标签,并根据所述商品标签将所述召回商品划分为扶持商品和非扶持商品;
获取所述扶持商品的考核标准和用户行为数据;
将所述扶持商品的用户行为数据与所述扶持商品的考核标准进行比较,判断所述扶持商品是否通过考核;
响应于所述扶持商品通过考核,计算通过考核的扶持商品的分布值;
将所述通过考核的扶持商品按照分布值从高到低进行排序,获得第一排序结果;
将所述非扶持商品输入粗排模型,获得第一粗排结果;
将所述第一粗排结果输入精排模型,获得第一精排结果;
获取推荐商品数量N,其中,所述推荐商品数量N表示第一个页面显示的最大商品数量,N为正整数;
将所述第一排序结果中排名为第1至A的扶持商品以及所述第一精排结果中排名为第1至B的非扶持商品作为推荐商品,将所述推荐商品输入精排模型,获得第二排序结果,其中,A和B为正整数,A<B且A+B=N;
将所述第二排序结果返回给用户。
所述程序指令在被所述一个或多个处理器读取执行时,还可以执行与上述方法实施例中的各个步骤对应的操作,可以参考上文中的描述,此处不再赘述。参考图6,其示例性的展示出了计算机设备的架构,具体可以包括处理器610,视频显示适配器611,磁盘驱动器612,输入/输出接口613,网络接口614,以及存储器620。上述处理器610、视频显示适配器611、磁盘驱动器612、输入/输出接口613、网络接口614,与存储器620之间可以通过通信总线630进行通信连接。
其中,处理器610可以采用通用的中央处理器(Central Processing Unit,CPU)、微处理器、应用专用集成电路(Application Specific Integrated Circuit,ASIC)、或者一个或多个集成电路等方式实现,用于执行相关程序,以实现本申请所提供的技术方案。
存储器620可以采用只读存储器(Read Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、静态存储设备,动态存储设备等形式实现。存储器620可以存储用于控制计算机设备600运行的操作系统621,用于控制计算机设备600的低级别操作的基本输入输出系统(BIOS)622。另外,还可以存储网页浏览器623,数据存储管理624,以及图标字体处理系统625等等。上述图标字体处理系统625就可以是本申请实施例中具体实现前述各步骤操作的应用程序。总之,在通过软件或者固件来实现本申请所提供的技术方案时,相关的程序代码保存在存储器620中,并由处理器610来调用执行。
输入/输出接口613用于连接输入/输出模块,以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中(图中未示出),也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等,输出设备可以包括显示器、扬声器、振动器、指示灯等。
网络接口614用于连接通信模块(图中未示出),以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如USB、网线等)实现通信,也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信。
总线630包括一通路,在设备的各个组件(例如处理器610、视频显示适配器611、磁盘驱动器612、输入/输出接口613、网络接口614,与存储器620)之间传输信息。
另外,该计算机设备600还可以从虚拟资源对象领取条件信息数据库641中获得具体领取条件的信息,以用于进行条件判断,等等。
需要说明的是,尽管上述计算机设备600仅示出了处理器610、视频显示适配器611、磁盘驱动器612、输入/输出接口613、网络接口614,存储器620,总线630等,但是在具体实施过程中,该计算机设备还可以包括实现正常运行所必需的其他组件。此外,本领域的技术人员可以理解的是,上述设备中也可以仅包含实现本申请方案所必需的组件,而不必包含图中所示的全部组件。
通过以上的实施方式的描述可知,本领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件平台的方式来实现。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可以以软件产品的形式体现出来,该计算机软件产品可以存储在存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,云服务器,或者网络设备等)执行本申请各个实施例或者实施例的某些部分所述的方法。
实施例四
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
接收商品召回请求,并根据所述商品召回请求获取召回商品;
获取所述召回商品的商品标签,并根据所述商品标签将所述召回商品划分为扶持商品和非扶持商品;
获取所述扶持商品的考核标准和用户行为数据;
将所述扶持商品的用户行为数据与所述扶持商品的考核标准进行比较,判断所述扶持商品是否通过考核;
响应于所述扶持商品通过考核,计算通过考核的扶持商品的分布值;
将所述通过考核的扶持商品按照分布值从高到低进行排序,获得第一排序结果;
将所述非扶持商品输入粗排模型,获得第一粗排结果;
将所述第一粗排结果输入精排模型,获得第一精排结果;
获取推荐商品数量N,其中,所述推荐商品数量N表示第一个页面显示的最大商品数量,N为正整数;
将所述第一排序结果中排名为第1至A的扶持商品以及所述第一精排结果中排名为第1至B的非扶持商品作为推荐商品,将所述推荐商品输入精排模型,获得第二排序结果,其中,A和B为正整数,A<B且A+B=N;
将所述第二排序结果返回给用户。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种商品扶持方法,其特征在于,所述方法包括:
接收商品召回请求,并根据所述商品召回请求获取召回商品;
获取所述召回商品的商品标签,并根据所述商品标签将所述召回商品划分为扶持商品和非扶持商品;
获取所述扶持商品的考核标准和用户行为数据;
将所述扶持商品的用户行为数据与所述扶持商品的考核标准进行比较,判断所述扶持商品是否通过考核;
响应于所述扶持商品通过考核,计算通过考核的扶持商品的分布值;
将所述通过考核的扶持商品按照分布值从高到低进行排序,获得第一排序结果;
将所述非扶持商品输入粗排模型,获得第一粗排结果;
将所述第一粗排结果输入精排模型,获得第一精排结果;
获取推荐商品数量N,其中,所述推荐商品数量N表示第一个页面显示的最大商品数量,N为正整数;
将所述第一排序结果中排名为第1至A的扶持商品以及所述第一精排结果中排名为第1至B的非扶持商品作为推荐商品,将所述推荐商品输入精排模型,获得第二排序结果,其中,A和B为正整数,A<B且A+B=N;
将所述第二排序结果返回给用户。
2.根据权利要求1所述方法,其特征在于,所述方法还包括:
将所述扶持商品的用户行为数据与所述扶持商品的考核标准进行比较,判断所述扶持商品是否通过考核;
响应于存在未通过考核的扶持商品,将所述未通过考核的扶持商品和非扶持商品输入粗排模型,获得第一粗排结果;
将所述第一粗排结果输入精排模型,获得第一精排结果。
3.根据权利要求1所述方法,其特征在于,所述用户行为数据包括曝光数据、点击数据、收藏数据、加购数据以及购买数据,所述考核标准包括曝光数据阈值、点击数据阈值、收藏数据阈值、加购数据阈值以及购买数据阈值中的至少两种数据阈值,所述考核标准包括第一考核标准和第二考核标准,
将所述扶持商品的用户行为数据与所述扶持商品的考核标准进行比较,判断所述扶持商品是否通过考核,包括:
将所述第一考核标准中的数据阈值分别与所述扶持商品对应的用户行为数据进行比较,判断所述扶持商品是否通过第一次考核;
响应于所述扶持商品对应的用户行为数据大于或等于所述第一考核标准中的数据阈值,确认所述扶持商品通过第一次考核;
将所述第二考核标准中的数据阈值分别与所述扶持商品对应的用户行为数据进行比较,判断所述扶持商品是否通过第二次考核;
响应于所述扶持商品对应的用户行为数据大于或等于所述第二考核标准中的数据阈值,确认所述扶持商品通过第二次考核。
4.根据权利要求3所述方法,其特征在于,所述第一考核标准包括曝光数据阈值和点击数据阈值,所述方法还包括:
根据所述扶持商品创建扶持商品列表;
获取历史扶持商品的曝光数据和点击数据,并计算出所述历史扶持商品曝光数据的平均值和点击数据的平均值,将所述历史扶持商品曝光数据的平均值作为所述第一考核标准的曝光数据阈值,将所述历史扶持商品点击数据的平均值作为所述第一考核标准的点击数据阈值;
将所述扶持商品的曝光数据与所述第一考核标准的曝光数据阈值进行比较,获得第一比较结果;
响应于所述第一比较结果为所述扶持商品的曝光数据小于所述第一考核标准的曝光数据阈值,确认所述扶持商品第一次考核不通过,将所述扶持商品作为非扶持商品输入粗排模型;
响应于所述第一比较结果为所述扶持商品的曝光数据大于或等于所述第一考核标准的曝光数据阈值,将所述扶持商品的点击数据与所述第一考核标准的点击数据阈值进行比较,获得第二比较结果;
响应于所述第二比较结果为所述扶持商品的点击数据小于所述第一考核标准的点击数据阈值,确认所述扶持商品第一次考核不通过,将所述扶持商品作为非扶持商品输入粗排模型;
响应于所述第二比较结果为所述扶持商品的点击数据大于或等于所述第一考核标准的点击数据阈值,确认所述扶持商品第一次考核通过,进入第二次考核。
5.根据权利要求1所述方法,其特征在于,计算通过考核的扶持商品的分布值,包括:
获取所述通过考核的扶持商品的用户行为数据以及对应的权重值;
根据所述权重值对用户行为数据进行加权计算,获得所述通过考核的扶持商品的分布值。
6.根据权利要求2所述方法,其特征在于,所述方法还包括:
获取扶持商品比例a,并根据推荐商品数量N计算出扶持商品数量M,其中,M为正整数,M=N*a,a<0.5;
根据所述扶持商品数量M,将所述第一排序结果中排名为第1至M的扶持商品以及所述第一精排结果中排名为第1至N-M的非扶持商品作为推荐商品,将所述推荐商品输入精排模型,获得第二排序结果;
将所述第二排序结果返回给用户。
7.根据权利要求5所述方法,其特征在于,所述方法还包括:
根据所述召回商品创建召回商品列表,其中,所述召回商品列表中包括所述扶持商品以及所述扶持商品对应的分布值;
将所述召回商品输入粗排模型,获得第二粗排结果;
将所述第二粗排结果输入精排模型,获得第二精排结果;
遍历所述召回商品列表,判断所述召回商品中是否含有分布值;
响应于所述召回商品中含有分布值,判断所述分布值对应的扶持商品在所述第二精排结果中的排名是否在第P名之前,其中,P为正整数且P≤1/2E,E为召回商品数量;
响应于所述分布值对应的扶持商品在所述第二精排结果中的排名在第P名之前,将该扶持商品作为推荐商品。
8.一种商品扶持装置,其特征在于,所述装置包括:
接收获取模块,所述接收获取模块用于接收商品召回请求,并根据所述商品召回请求获取召回商品;
获取划分模块,所述获取划分模块用于获取所述召回商品的商品标签,并根据所述商品标签将所述召回商品划分为扶持商品和非扶持商品;
第一获取模块,所述第一获取模块用于获取所述扶持商品的考核标准和用户行为数据;
比较判断模块,所述比较判断模块用于将所述扶持商品的用户行为数据与所述扶持商品的考核标准进行比较,判断所述扶持商品是否通过考核;
计算模块,所述计算模块用于响应于所述扶持商品通过考核,计算通过考核的扶持商品的分布值;
第一排序模块,所述第一排序模块用于将所述通过考核的扶持商品按照分布值从高到低进行排序,获得第一排序结果;
第一粗排模块,所述第一粗排模块用于将所述非扶持商品输入粗排模型,获得第一粗排结果;
第一精排模块,所述第一精排模块用于将所述第一粗排结果输入精排模型,获得第一精排结果;
第二获取模块,所述第二获取模块用于获取推荐商品数量N,其中,所述推荐商品数量N表示第一个页面显示的最大商品数量,N为正整数;
第二排序模块,所述第二排序模块用于将所述第一排序结果中排名为第1至A的扶持商品以及所述第一精排结果中排名为第1至B的非扶持商品作为推荐商品,将所述推荐商品输入精排模型,获得第二排序结果,其中,A和B为正整数,A<B且A+B=N;
返回模块,所述返回模块用于将所述第二排序结果返回给用户。
9.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311623398.XA CN117670478A (zh) | 2023-11-30 | 2023-11-30 | 一种商品扶持方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311623398.XA CN117670478A (zh) | 2023-11-30 | 2023-11-30 | 一种商品扶持方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117670478A true CN117670478A (zh) | 2024-03-08 |
Family
ID=90083780
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311623398.XA Pending CN117670478A (zh) | 2023-11-30 | 2023-11-30 | 一种商品扶持方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117670478A (zh) |
-
2023
- 2023-11-30 CN CN202311623398.XA patent/CN117670478A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109300003B (zh) | 企业推荐方法、装置、计算机设备和存储介质 | |
CN106251174A (zh) | 信息推荐方法及装置 | |
CN111666275B (zh) | 一种数据处理方法、装置、电子设备及存储介质 | |
CN111695960A (zh) | 一种对象推荐系统、方法、电子设备及存储介质 | |
CN110674178B (zh) | 构建用户画像标签的方法及其系统 | |
CN112256977B (zh) | 组件化商品推荐方法、计算设备和计算机存储介质 | |
CN112241495A (zh) | 页面更新方法 | |
CN115311042A (zh) | 商品推荐方法、装置、计算机设备和存储介质 | |
CN115239421A (zh) | 商品推荐方法、装置、设备及介质 | |
CN111680213B (zh) | 信息推荐方法、数据处理方法及装置 | |
JP6121575B1 (ja) | 情報生成装置、情報生成方法 | |
CN110209944B (zh) | 一种股票分析师推荐方法、装置、计算机设备和存储介质 | |
CN116862232A (zh) | 基于产业供应链的大数据分析方法及相关装置 | |
CN111553749A (zh) | 一种活动推送策略配置方法及装置 | |
CN116595390A (zh) | 商品信息处理方法及电子设备 | |
CN117670478A (zh) | 一种商品扶持方法、装置、计算机设备和存储介质 | |
US20220284441A1 (en) | Detection of Warranty Expiration and Forwarding Notification | |
CN115619340A (zh) | 基于智慧供应链的招标采购全业务管控方法、装置、设备、系统和介质 | |
CN112016791B (zh) | 资源分配方法、装置及电子设备 | |
CN112597376A (zh) | 信息查询方法及装置 | |
CN112884362A (zh) | 供应商智能匹配方法、装置、设备及存储介质 | |
CN113822687A (zh) | 数据处理方法、装置、设备和存储介质 | |
KR20210041393A (ko) | 소비자 데이터 기반의 쇼핑 인터페이스 제공 방법 및 그 장치 | |
CN111476545B (zh) | 关键供电端的确定方法、装置、计算机设备和存储介质 | |
CN117436974A (zh) | 产品推荐方法、装置、计算机设备和存储介质 |
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 |