CN117934125A - 目标信息推荐方法及装置、终端设备和计算机存储介质 - Google Patents
目标信息推荐方法及装置、终端设备和计算机存储介质 Download PDFInfo
- Publication number
- CN117934125A CN117934125A CN202410341142.8A CN202410341142A CN117934125A CN 117934125 A CN117934125 A CN 117934125A CN 202410341142 A CN202410341142 A CN 202410341142A CN 117934125 A CN117934125 A CN 117934125A
- Authority
- CN
- China
- Prior art keywords
- user
- target
- recommendation
- score
- information
- 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 61
- 238000011156 evaluation Methods 0.000 claims abstract description 38
- 239000011159 matrix material Substances 0.000 claims description 28
- 230000008569 process Effects 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 9
- 238000007405 data analysis Methods 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 abstract description 10
- 238000004422 calculation algorithm Methods 0.000 abstract description 8
- 238000001914 filtration Methods 0.000 abstract description 6
- 238000012545 processing Methods 0.000 abstract description 5
- 238000007639 printing Methods 0.000 description 9
- 230000006399 behavior Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000013480 data collection Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明实施例提供一种目标信息推荐方法及装置、终端设备和计算机存储介质,属于数据处理技术领域。该方法包括:获取目标用户及目标用户对应的第一订单评分;根据第一订单评分对目标用户进行评分近邻聚类,获得目标用户对应的相关用户集合;计算相关用户集合中每个近邻用户与目标用户之间的用户差异值;获得待推荐信息,根据用户差异值确定待推荐信息对应的推荐分数;根据推荐分数确定目标用户在待推荐信息中对应的目标推荐结果。从而解决了相关技术中采用协同过滤推荐算法进行信息推荐,但是该方法未考虑用户的个人评价尺度或评价习惯进而导致近邻选择不准确,影响最终的推荐结果的问题,提高了目标信息推荐的精准性,进一步提高了用户体验感。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种一种目标信息推荐方法及装置、终端设备和计算机存储介质。
背景技术
云打印技术将打印服务与云计算相结合,用户可以通过互联网将需要打印的文档传输至云端,再由云打印机实现打印。云打印技术的出现极大地提高了打印服务的便捷性和效率,同时在打印过程中也带来了大量的历史订单数据。针对这些历史订单数据,可以采用数据挖掘技术进行分析,以获取用户行为特征,进而根据用户行为特征进行信息推荐,从而帮助用户在海量信息中快速找到符合其需求和兴趣的内容,节省用户的时间和精力,同时提升用户体验。相关技术中可以采用协同过滤推荐算法进行信息推荐,但是该方法未考虑用户的个人评价尺度或评价习惯进而导致近邻选择不准确,影响最终的推荐结果。
发明内容
本发明实施例的主要目的在于提供一种目标信息推荐方法以及相关装置,旨在解决相关技术中采用协同过滤推荐算法进行信息推荐,但是该方法未考虑用户的个人评价尺度或评价习惯进而导致近邻选择不准确,影响最终的推荐结果的问题。
第一方面,本发明实施例提供一种目标信息推荐方法,包括:
获取目标用户以及所述目标用户对应的第一订单评分;
根据所述第一订单评分对所述目标用户进行评分近邻聚类,获得所述目标用户对应的相关用户集合;
计算所述相关用户集合中每个近邻用户与所述目标用户之间的用户差异值;
获得待推荐信息,并根据所述用户差异值确定所述待推荐信息对应的推荐分数;
根据所述推荐分数确定所述目标用户在所述待推荐信息中对应的目标推荐结果。
第二方面,本发明实施例提供一种目标信息推荐装置,包括:
数据获取模块,用于获取目标用户以及所述目标用户对应的第一订单评分;
数据聚类模块,用于根据所述第一订单评分对所述目标用户进行评分近邻聚类,获得所述目标用户对应的相关用户集合;
数据分析模块,用于计算所述相关用户集合中每个近邻用户与所述目标用户之间的用户差异值;
分数计算模块,用于获得待推荐信息,并根据所述用户差异值确定所述待推荐信息对应的推荐分数;
目标推荐模块,用于根据所述推荐分数确定所述目标用户在所述待推荐信息中对应的目标推荐结果。
第三方面,本发明实施例还提供一种终端设备,所述终端设备包括处理器、存储器、存储在所述存储器上并可被所述处理器执行的计算机程序以及用于实现所述处理器和所述存储器之间的连接通信的数据总线,其中所述计算机程序被所述处理器执行时,实现如本发明说明书提供的任一项目标信息推荐方法的步骤。
第四方面,本发明实施例还提供一种存储介质,用于计算机可读存储,其特征在于,所述存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现如本发明说明书提供的任一项目标信息推荐方法的步骤。
本发明实施例提供一种目标信息推荐方法及装置、终端设备和计算机存储介质,该方法包括:获取目标用户以及目标用户对应的第一订单评分;根据第一订单评分对目标用户进行评分近邻聚类,获得目标用户对应的相关用户集合;计算相关用户集合中每个近邻用户与目标用户之间的用户差异值;获得待推荐信息,并根据用户差异值确定待推荐信息对应的推荐分数;根据推荐分数确定目标用户在待推荐信息中对应的目标推荐结果。本申请中分析目标用户的第一订单评分,根据评分近邻聚类获得相关用户集合,可以实现对目标用户的个性化推荐。相关用户集合中的用户会对目标用户进行一定程度的代表,可以更好地理解目标用户的兴趣和偏好。从而可以更好地满足目标用户的个性化需求,提升用户体验,增加用户的满意度。从而解决了相关技术中采用协同过滤推荐算法进行信息推荐,但是该方法未考虑用户的个人评价尺度或评价习惯进而导致近邻选择不准确,影响最终的推荐结果的问题。
附图说明
为了更清楚地说明本申请实施例技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本申请的一些实施例,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。
图1为本发明实施例提供的一种目标信息推荐方法的流程示意图;
图2为本发明实施例提供的一种目标信息推荐装置的模块结构示意图;
图3为本发明实施例提供的一种终端设备的结构示意框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
附图中所示的流程图仅是示例说明,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、组合或部分合并,因此实际执行的顺序有可能根据实际情况改变。
应当理解,在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
本申请实施例中,在云打印系统应用的商超、餐饮(外卖)、零售、物流等领域场景中,从云打印系统(包括云打印机和云打印机服务器)进行打印过程中获取大量的历史订单数据,进而目标用户对历史订单数据中的每个订单数据进行订单评分以表示目标用户对该订单的满意度,从而通过目标用户户对订单数据的订单评分来获取查找与用户相关的相邻用户,从而基于相邻用户的特性向目标用户进行信息推荐,从而提高信息推荐的精准性。其中,云打印机可以是热敏打印机、票据打印机、条码打印机等等,该云打印机可以应用的领域场景包括但是不限于商超、餐饮(外卖)、零售、物流等领域场景。示例性地,在商超领域场景下,可以利用云打印机打印销售订单、促销活动海报、价格标签等;在餐饮(外卖)领域场景下,可以利用云打印机接收和打印顾客的外卖订单;在零售领域场景下,可以利用云打印机打印销售收据、商品标签、退换货单等;在物流领域场景下,可以利用云打印机打印运单、配货清单、标签等。
本发明实施例提供一种目标信息推荐方法及装置、终端设备和计算机存储介质。其中,该目标信息推荐方法可应用于终端设备中,该终端设备可以平板电脑、笔记本电脑、台式电脑、个人数字助理和穿戴式设备等电子设备。该终端设备可以为服务器,也可以为服务器集群。
下面结合附图,对本发明的一些实施例作详细说明。在不冲突的情况下,下述的实施例及实施例中的特征可以相互组合。
请参照图1,图1为本发明实施例提供的一种目标信息推荐方法的流程示意图。
如图1所示,该目标信息推荐方法包括步骤S101至步骤S105。
步骤S101、获取目标用户以及所述目标用户对应的第一订单评分。
示例性地,目标用户既包括需要进行信息推荐的用户,也包括为该用户提供推荐服务所需的其他用户。也即,目标用户指需要进行信息推荐的用户,以及为该用户提供推荐服务所需的其他用户,这些用户一同构成了推荐系统中的参与者。需要信息推荐的用户是推荐系统的核心用户,而其他用户则扮演着为核心用户提供支持和辅助服务的角色。在推荐系统中,这些用户的互动和协作,构成了一个实现个性化推荐的庞大机制。第一订单评分为目标用户对订单数据是否满意进行打分的数据。
示例性地,建立用户数据库或者订单数据库,进而通过用户使用系统或者数据收集工具搜集用户信息和订单数据,其中,用户数据库或者订单数据库可以包括目标用户的个人信息、订单信息,以及目标用户对订单信息的第一订单评分。
示例性地,根据户数据库或者订单数据库设定的标识符识别和匹配目标用户,进而在订单数据库中根据目标用户的身份信息查找其订单数据,并获取其对应的第一订单评分。
步骤S102、根据所述第一订单评分对所述目标用户进行评分近邻聚类,获得所述目标用户对应的相关用户集合。
示例性地,第一订单评分为目标用户对同一项目或者同一产品的评分数据,进而将第一订单评分作为特征利用相似度度量方法,如欧氏距离、余弦相似度等获得同一项目或同一产品下任意两个用户进行评分的相似值,进而根据相似值进行聚类分析,常用的方法包括K均值聚类、层次聚类等。
示例性地,根据聚类分析得到的聚类结果,从中提取出与目标用户同一簇的相关用户,即评分相似度较高的用户集合,进而将这些用户将构成目标用户中需要进行信息推荐的用户对应的相关用户集合。
在一些实施方式中,所述根据所述第一订单评分对所述目标用户进行评分近邻聚类,获得所述目标用户对应的相关用户集合,包括:获得待验用户和所述待验用户对应的第二订单评分;基于所述目标用户对应的所述第一订单评分与所述待验用户对应的所述第二订单评分之间的时间权重关系,计算所述目标用户对应的所述第一订单评分和所述待验用户对应的所述第二订单评分之间的共同评分集合和全部评分集合;根据所述共同评分集合和所述全部评分集合确定所述待验用户对应的目标近邻距离;根据所述目标近邻距离确定所述目标用户对应的所述相关用户集合。
示例性地,待验用户为目标用户中除了需要进行信息推荐的用户之外的任意一个用户,从而从数据库中获得该待验用户对应的第二订单评分。
示例性地,第一订单评分中包括需要进行信息推荐的用户对其下单的各个订单或者产品的评分,第二订单评分中包括该该待验用户对其下单的各个订单或者产品的评分,进而获得第一订单评分和第二订单评分中对相同订单或产品进行评分的集合确定为共同评分集合,以及对第一订单评分和第二订单评分中包含的全部订单或产品进行求集合确定为全部评分集合。也即,共同评分集合是指待验用户和需要进行信息推荐的用户都有评分数据的部分,全部评分集合是指合并待验用户和需要进行信息推荐的用户的所有评分数据。
示例性地,根据共同评分集合和全部评分集合,进而两用户共同评分集合在两用户全部评分集合中的占比,从而将占比值确定为待验用户与目标用户之间的目标近邻距离。其中,占比越大,表示两用户对项目或订单的选择就越接近。也即待验用户与目标用户在评分行为上是比较相似的用户群体。
示例性地,当目标近邻距离小于或者等于预设距离时,则将目标近邻距离对应的待验用户确定为目标用户对应的相关用户集合中的一员;当目标近邻距离大于预设距离时,则将目标近邻距离对应的待验用户不能确定为目标用户对应的相关用户集合中的一员。
具体地,基于目标用户和待验用户的评分数据相互匹配,可以更好地理解用户行为和偏好。不仅仅利用目标用户和待验用户对相同项目还利用目标用户和待验用户对相同项目的不同评分,从而通过计算共同评分集合和全部评分集合,可以发现用户之间的共同兴趣点和评分差异,为个性化推荐提供更精准的依据。
在一些实施方式中,所述第一订单评分包括第一评价时间,所述第二订单评分包括第二评价时间,所述根据所述共同评分集合和所述全部评分集合确定所述待验用户对应的目标近邻距离,包括:根据所述第一评价时间和所述第二评价时间确定所述目标用户和所述待验用户之间的时间权重;根据所述共同评分集合和所述全部评分集合计算所述待验用户对应的初始近邻距离;根据所述时间权重调整所述初始近邻距离确定所述待验用户对应的所述目标近邻距离,其中,根据下列公式计算所述时间权重:
;
表示所述目标用户/>和所述待验用户/>之间的所述时间权重,/>表示所述第一评价时间,/>表示所述第二评价时间。
示例性地,根据目标用户中需要进行信息推荐的用户对应的第一评价时间和待验用户对应的第二评价时间,进而根据下列公式计算时间权重:
;
表示目标用户/>和待验用户/>之间的时间权重,/>表示第一评价时间,/>表示第二评价时间。
示例性地,当目标用户和待验用户对同一订单或产品进行评价的时间间隔较短时,将会被赋予更高的时间权重,以反映用户对某一类订单或产品兴趣的相同程度。进而可以为后续进行评分近邻聚类提供支撑。通过时间权重进行目标用户的评分近邻聚类可以有效缩减近邻搜索的时间与空间,结合时间权重的近邻聚类, 可减少用户在每个时间阶段的个人喜好、爱好转变上差异的影响。
示例性地,根据共同评分集合和全部评分集合使用常见的距离计算方法,如欧氏距离、曼哈顿距离,计算得到初始近邻距离。进而将时间权重与初始近邻距离进行相乘,从而得到目标近邻距离。通过将初始近邻距离与时间权重相乘可以考虑到时间因素对用户兴趣的影响。
具体地,考虑时间权重能够更好地反映用户对物品兴趣的演化过程,使得得到的近邻距离更符合实际情况。从而通过时间权重调整近邻距离,可以使得推荐系统更能够反映用户当前的兴趣偏好,提升推荐的准确性。此外考虑时间因素还能够帮助推荐系统更好地适应用户的变化,提高用户满意度。
步骤S103、计算所述相关用户集合中每个近邻用户与所述目标用户之间的用户差异值。
示例性地,由于近邻用户为相关用户集合中的用户,则可获得近邻用户与需要进行信息推荐的用户具有相同的评分项目或者评分订单,进而获得近邻用户中对每个项目对应的评分,以及获得目标用户中需要进行信息推荐的用户中对每个项目对应的评分。从而使用距离计算方法(如欧氏距离、曼哈顿距离、余弦相似度等)来计算每个近邻用户与目标用户之间对相同项目进行评分之间的用户差异值。从而可以更好地反映用户之间对相同项目或者订单之间评分的差异。从而为后续的个性化推荐、精细化营销等提供依据。
在一些实施方式中,所述计算所述相关用户集合中每个近邻用户与所述目标用户之间的用户差异值,包括:获得所述近邻用户对应的第三订单评分,并根据所述第一订单评分和所述第三订单评分构建评分矩阵;根据所述评分矩阵计算所述近邻用户与所述目标用户之间的差异均值和差异方差;根据所述差异均值和所述差异方差确定所述近邻用户与所述目标用户之间的所述用户差异值。
示例性地,从订单数据库或其他数据源获得相关用户集合中每个近邻用户对应的第三订单评分。进而根据第一订单评分和第三订单评分建立评分矩阵。从而基于评分矩阵,计算近邻用户与目标用户之间的差异均值和差异方差。差异均值可以反映两个用户之间的平均差异值,而差异方差可以表示差异值的变化程度。
例如,目标用户中包括m 个用户,该m个用户分别对n个订单或者项目进行评分,进而可从m个用户中确定需要进行信息推荐的用户,并获得对应的第一订单评分,以及从相关用户集合中确定近邻用户,并获得对应的第三订单评分。进而根据将第一订单评分和第三订单评分根据相同订单或项目的评分依次排序,从而获得评分矩阵。如,需要进行信息推荐的用户对订单1的评分为p1,对订单2的评分为p2,近邻用户对订单1的评分为p3,对订单2的评分为p4,则可获得评分矩阵为[p1,p2;p3,p4]。
示例性地,根据所得的差异均值和差异方差,计算近邻用户与目标用户之间的用户差异值。对于每个近邻用户,可以计算其与目标用户之间的差异值,以理解和比较他们之间的相似性。
具体地,通过构建评分矩阵,可以更全面地了解用户之间的评分差异,帮助推荐系统更好地了解用户的行为和兴趣偏好。而基于差异均值和差异方差的计算,可以很好地反映用户之间的相似程度和差异程度,从而准确地确定用户之间的差异值。
步骤S104、获得待推荐信息,并根据所述用户差异值确定所述待推荐信息对应的推荐分数。
示例性地,明确待推荐的信息或商品,这可以是商品、服务、项目等。确保待推荐信息的特征和属性能够与用户差异值匹配,以实现精准推荐。根据之前计算得到的用户差异值,可以获知目标用户和相关用户之间的差异程度。用户差异值反映了用户之间的相似性或差异性。从而根据用户差异值,可以将其用作权重或调节因子,结合其他推荐算法或模型,确定待推荐信息对应的推荐分数。较为相似的用户之间的差异值较小,可以适当提高待推荐信息的推荐分数,以增加推荐的准确性。
在一些实施方式中,所述根据所述用户差异值确定所述待推荐信息对应的推荐分数,包括:根据所述相关用户集合确定所述目标用户对应的近邻总数;根据所述评分矩阵、所述近邻总数和所述用户差异值确定所述待推荐信息对应的所述推荐分数。
示例性地,根据相关用户集合的大小来确定目标用户的近邻总数。进而结合评分矩阵、目标用户的近邻总数和用户差异值,可以采用不同的方法来确定待推荐信息对应的推荐分数。
例如,可以利用基于用户的协同过滤算法来计算推荐分数,其中用户差异值可以用于加权或调整推荐分数的计算。另外,也可以结合其他推荐算法,如深度学习模型等进行推荐分数的计算。
具体地,根据近邻总数和用户差异值确定推荐分数,可实现更为个性化和精准的推荐,提高用户满意度和推荐效果。此外,综合利用评分矩阵、近邻总数和用户差异值,有助于建立更具针对性的推荐系统,满足用户多样化的兴趣和需求。
在一些实施方式中,所述根据所述评分矩阵、所述近邻总数和所述用户差异值确定所述待推荐信息对应的所述推荐分数,包括:从所述评分矩阵中获得所述近邻用户对应的评分向量,并计算所述评分向量与所述差异均值之间的差值,获得第一差值;对所述相关用户集合中每个所述近邻用户对应的所述第一差值进行求和,获得第一总数;根据所述第一总数与所述近邻总数确定所述待推荐信息对应的第一分数;计算所述第一差值和所述差异方差之间的差值,获得第二差值;对所述相关用户集合中每个所述近邻用户对应的所述第二差值进行求和,获得第二总数;根据所述第二总数与所述近邻总数确定所述待推荐信息对应的第二分数;根据所述第一分数和所述第二分数确定所述待推荐信息对应的所述推荐分数。
示例性地,从评分矩阵中提取每个近邻用户对应的评分向量。进而计算评分向量与差异均值之间的差值,获得第一差值。从而对相关用户集合中每个近邻用户的第一差值进行求和,得到第一总数。再根据第一总数与近邻总数进行作商计算获得对应的第一分数。
示例性地,计算第一差值与差异方差之间的差值,获得第二差值。从而对相关用户集合中对每个近邻用户的第二差值进行求和,得到第二总数。再根据第二总数与近邻总数进行作商计算获得对应的第二分数。
示例性地,根据第一分数和第二分数进行加权求和从而获得待推荐信息对应的推荐分数。其中,第一分数和第二分数的计算可根据具体要求进行调整和改进,以更好地反映用户之间的差异特征和推荐偏好。最终推荐分数的确定应综合考虑多个因素,以实现个性化、准确的推荐结果。
具体地,推荐分数地计算方式可以更精确地根据用户之间的差异特征和评分情况,从而提高推荐系统的准确性和个性化程度,增强用户体验。
示例性地,本申请通过目标用户的评分近邻聚类可以有效缩减近邻搜索的时间与空间,结合时间权重的近邻聚类, 减少用户在每个时间阶段的风格变化、人文喜好上差异的影响。从而通过用户差异值协调目标用户与近邻用户的评价差异,确定推荐分数,进而完成预测推荐。为后续提高协同过滤推荐系统的推荐质量和准确度提供支撑。
步骤S105、根据所述推荐分数确定所述目标用户在所述待推荐信息中对应的目标推荐结果。
示例性地,推荐分数可以反映出目标用户对待推荐信息喜好程度的指标,可以是一个数值或者排名,进而根据推荐分数,将待推荐信息按照分数从高到低进行排序,然后选择排名靠前的内容作为目标推荐结果。也可以根据设定的阈值来筛选出符合要求的目标推荐结果。
在一些实施方式中,所述根据所述推荐分数确定所述目标用户在所述待推荐信息中对应的目标推荐结果之后,所述方法还包括:获得所述目标用户对所述目标推荐结果对应的第四订单评分;计算所述第四订单评分和所述推荐分数之间的平均误差,并根据所述平均误差确定所述目标推荐结果对应的推荐质量;根据所述推荐质量更新所述目标用户对应的所述相关用户集合,进而根据更新后的所述相关用户集合重新对所述目标用户进行信息推荐。
示例性地,通过用户反馈或者调查问卷等方式,获取目标用户对目标推荐结果的评分。例如,可以让目标用户给推荐结果进行打分,或者提供选项供用户选择满意度等级。进而将目标用户对目标推荐结果的评分与推荐模型的推荐分数进行比较,计算评分误差。可以使用各种误差指标,如平均绝对误差(MAE)或均方根误差(RMSE),来衡量评分与推荐分数之间的差距。
示例性地,根据计算得到的评分误差,可以得出推荐质量的指标。较小的误差表示推荐模型的预测能力较好,推荐质量较高;较大的误差表示预测不准确,推荐质量较低。
示例性地,根据推荐质量,可以更新目标用户对应的相关用户集合。相关用户集合可以包括与目标用户具有相似兴趣或相似行为的用户。推荐质量较高的情况下,将更多权重放在相关用户集合内,以确保推荐的准确性和个性化,进而根据更新后的相关用户集合,重新执行推荐算法,为目标用户提供更准确和个性化的推荐结果。
具体地,获得目标用户对推荐结果的评分,并利用评分误差确定推荐质量。通过更新相关用户集合并重新进行信息推荐,可以提升推荐的准确性和个性化程度,从而提高用户体验和推荐系统效果。
请参阅图2,图2为本申请实施例提供的一种目标信息推荐装置200,该目标信息推荐装置200包括数据获取模块201、数据聚类模块202、数据分析模块203、分数计算模块204、目标推荐模块205,其中,数据获取模块201,用于获取目标用户以及所述目标用户对应的第一订单评分;数据聚类模块202,用于根据所述第一订单评分对所述目标用户进行评分近邻聚类,获得所述目标用户对应的相关用户集合;数据分析模块203,用于计算所述相关用户集合中每个近邻用户与所述目标用户之间的用户差异值;分数计算模块204,用于获得待推荐信息,并根据所述用户差异值确定所述待推荐信息对应的推荐分数;目标推荐模块205,用于根据所述推荐分数确定所述目标用户在所述待推荐信息中对应的目标推荐结果。
在一些实施方式中,数据聚类模块202在所述根据所述第一订单评分对所述目标用户进行评分近邻聚类,获得所述目标用户对应的相关用户集合过程中,执行:
获得待验用户和所述待验用户对应的第二订单评分;
基于所述目标用户对应的所述第一订单评分与所述待验用户对应的所述第二订单评分之间的时间权重关系,计算所述目标用户对应的所述第一订单评分和所述待验用户对应的所述第二订单评分之间的共同评分集合和全部评分集合;
根据所述共同评分集合和所述全部评分集合确定所述待验用户对应的目标近邻距离;
根据所述目标近邻距离确定所述目标用户对应的所述相关用户集合。
在一些实施方式中,所述第一订单评分包括第一评价时间,所述第二订单评分包括第二评价时间,数据聚类模块202在所述根据所述共同评分集合和所述全部评分集合确定所述待验用户对应的目标近邻距离过程中,执行:
根据所述第一评价时间和所述第二评价时间确定所述目标用户和所述待验用户之间的时间权重;
根据所述共同评分集合和所述全部评分集合计算所述待验用户对应的初始近邻距离;
根据所述时间权重调整所述初始近邻距离确定所述待验用户对应的所述目标近邻距离,
其中,根据下列公式计算所述时间权重:
;
表示所述目标用户/>和所述待验用户/>之间的所述时间权重,/>表示所述第一评价时间,/>表示所述第二评价时间。
在一些实施方式中,数据分析模块203在所述计算所述相关用户集合中每个近邻用户与所述目标用户之间的用户差异值过程中,执行:
获得所述近邻用户对应的第三订单评分,并根据所述第一订单评分和所述第三订单评分构建评分矩阵;
根据所述评分矩阵计算所述近邻用户与所述目标用户之间的差异均值和差异方差;
根据所述差异均值和所述差异方差确定所述近邻用户与所述目标用户之间的所述用户差异值。
在一些实施方式中,分数计算模块204在所述根据所述用户差异值确定所述待推荐信息对应的推荐分数过程中,执行:
根据所述相关用户集合确定所述目标用户对应的近邻总数;
根据所述评分矩阵、所述近邻总数和所述用户差异值确定所述待推荐信息对应的所述推荐分数。
在一些实施方式中,分数计算模块204在所述根据所述评分矩阵、所述近邻总数和所述用户差异值确定所述待推荐信息对应的所述推荐分数过程中,执行:
从所述评分矩阵中获得所述近邻用户对应的评分向量,并计算所述评分向量与所述差异均值之间的差值,获得第一差值;
对所述相关用户集合中每个所述近邻用户对应的所述第一差值进行求和,获得第一总数;
根据所述第一总数与所述近邻总数确定所述待推荐信息对应的第一分数;
计算所述第一差值和所述差异方差之间的差值,获得第二差值;
对所述相关用户集合中每个所述近邻用户对应的所述第二差值进行求和,获得第二总数;
根据所述第二总数与所述近邻总数确定所述待推荐信息对应的第二分数;
根据所述第一分数和所述第二分数确定所述待推荐信息对应的所述推荐分数。
在一些实施方式中,目标推荐模块205在所述根据所述推荐分数确定所述目标用户在所述待推荐信息中对应的目标推荐结果之后过程中,还执行:
获得所述目标用户对所述目标推荐结果对应的第四订单评分;
计算所述第四订单评分和所述推荐分数之间的平均误差,并根据所述平均误差确定所述目标推荐结果对应的推荐质量;
根据所述推荐质量更新所述目标用户对应的所述相关用户集合,进而根据更新后的所述相关用户集合重新对所述目标用户进行信息推荐。
在一些实施方式中,目标信息推荐装置200可应用于终端设备。
需要说明的是,所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的目标信息推荐装置200的具体工作过程,可以参考前述目标信息推荐方法实施例中的对应过程,在此不再赘述。
请参阅图3,图3为本发明实施例提供的一种终端设备的结构示意性框图。
如图3所示,终端设备300包括处理器301和存储器302,处理器301和存储器302通过总线303连接,该总线比如为I2C(Inter-integrated Circuit)总线。
具体地,处理器301用于提供计算和控制能力,支撑整个终端设备的运行。处理器301可以是中央处理单元 (Central Processing Unit,CPU),该处理器301还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列 (Field-Programmable Gate Array,FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中,通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
具体地,存储器302可以是Flash芯片、只读存储器 (ROM,Read-Only Memory)磁盘、光盘、U盘或移动硬盘等。
本领域技术人员可以理解,图3中示出的结构,仅仅是与本发明实施例方案相关的部分结构的框图,并不构成对本发明实施例方案所应用于其上的终端设备的限定,具体的服务器可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
其中,所述处理器用于运行存储在存储器中的计算机程序,并在执行所述计算机程序时实现本发明实施例提供的任意一种所述的目标信息推荐方法。
在一实施例中,所述处理器用于运行存储在存储器中的计算机程序,并在执行所述计算机程序时实现如下步骤:
获取目标用户以及所述目标用户对应的第一订单评分;
根据所述第一订单评分对所述目标用户进行评分近邻聚类,获得所述目标用户对应的相关用户集合;
计算所述相关用户集合中每个近邻用户与所述目标用户之间的用户差异值;
获得待推荐信息,并根据所述用户差异值确定所述待推荐信息对应的推荐分数;
根据所述推荐分数确定所述目标用户在所述待推荐信息中对应的目标推荐结果。
在一些实施方式中,处理器301在所述根据所述第一订单评分对所述目标用户进行评分近邻聚类,获得所述目标用户对应的相关用户集合过程中,执行:
获得待验用户和所述待验用户对应的第二订单评分;
基于所述目标用户对应的所述第一订单评分与所述待验用户对应的所述第二订单评分之间的时间权重关系,计算所述目标用户对应的所述第一订单评分和所述待验用户对应的所述第二订单评分之间的共同评分集合和全部评分集合;
根据所述共同评分集合和所述全部评分集合确定所述待验用户对应的目标近邻距离;
根据所述目标近邻距离确定所述目标用户对应的所述相关用户集合。
在一些实施方式中,所述第一订单评分包括第一评价时间,所述第二订单评分包括第二评价时间,处理器301在所述根据所述共同评分集合和所述全部评分集合确定所述待验用户对应的目标近邻距离过程中,执行:
根据所述第一评价时间和所述第二评价时间确定所述目标用户和所述待验用户之间的时间权重;
根据所述共同评分集合和所述全部评分集合计算所述待验用户对应的初始近邻距离;
根据所述时间权重调整所述初始近邻距离确定所述待验用户对应的所述目标近邻距离,
其中,根据下列公式计算所述时间权重:
;
表示所述目标用户/>和所述待验用户/>之间的所述时间权重,/>表示所述第一评价时间,/>表示所述第二评价时间。
在一些实施方式中,处理器301在所述计算所述相关用户集合中每个近邻用户与所述目标用户之间的用户差异值过程中,执行:
获得所述近邻用户对应的第三订单评分,并根据所述第一订单评分和所述第三订单评分构建评分矩阵;
根据所述评分矩阵计算所述近邻用户与所述目标用户之间的差异均值和差异方差;
根据所述差异均值和所述差异方差确定所述近邻用户与所述目标用户之间的所述用户差异值。
在一些实施方式中,处理器301在所述根据所述用户差异值确定所述待推荐信息对应的推荐分数过程中,执行:
根据所述相关用户集合确定所述目标用户对应的近邻总数;
根据所述评分矩阵、所述近邻总数和所述用户差异值确定所述待推荐信息对应的所述推荐分数。
在一些实施方式中,处理器301在所述根据所述评分矩阵、所述近邻总数和所述用户差异值确定所述待推荐信息对应的所述推荐分数过程中,执行:
从所述评分矩阵中获得所述近邻用户对应的评分向量,并计算所述评分向量与所述差异均值之间的差值,获得第一差值;
对所述相关用户集合中每个所述近邻用户对应的所述第一差值进行求和,获得第一总数;
根据所述第一总数与所述近邻总数确定所述待推荐信息对应的第一分数;
计算所述第一差值和所述差异方差之间的差值,获得第二差值;
对所述相关用户集合中每个所述近邻用户对应的所述第二差值进行求和,获得第二总数;
根据所述第二总数与所述近邻总数确定所述待推荐信息对应的第二分数;
根据所述第一分数和所述第二分数确定所述待推荐信息对应的所述推荐分数。
在一些实施方式中,处理器301在所述根据所述推荐分数确定所述目标用户在所述待推荐信息中对应的目标推荐结果之后过程中,还执行:
获得所述目标用户对所述目标推荐结果对应的第四订单评分;
计算所述第四订单评分和所述推荐分数之间的平均误差,并根据所述平均误差确定所述目标推荐结果对应的推荐质量;
根据所述推荐质量更新所述目标用户对应的所述相关用户集合,进而根据更新后的所述相关用户集合重新对所述目标用户进行信息推荐。
需要说明的是,所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的终端设备的具体工作过程,可以参考前述目标信息推荐方法实施例中的对应过程,在此不再赘述。
本发明实施例还提供一种存储介质,用于计算机可读存储,所述存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现如本发明实施例说明书提供的任一项目标信息推荐方法的步骤。
其中,所述存储介质可以是前述实施例所述的终端设备的内部存储单元,例如所述终端设备的硬盘或内存。所述存储介质也可以是所述终端设备的外部存储设备,例如所述终端设备上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(SecureDigital,SD)卡,闪存卡(Flash Card)等。
本领域普通技术人员可以理解,上文中所公开方法中的全部或某些步骤、系统、装置中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。在硬件实施例中,在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分;例如,一个物理组件可以具有多个功能,或者一个功能或步骤可以由若干物理组件合作执行。某些物理组件或所有物理组件可以被实施为由处理器,如中央处理器、数字信号处理器或微处理器执行的软件,或者被实施为硬件,或者被实施为集成电路,如专用集成电路。这样的软件可以分布在计算机可读介质上,计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的,术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外,本领域普通技术人员公知的是,通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据,并且可包括任何信息递送介质。
应当理解,在本发明说明书和所附权利要求书中使用的术语“和/ 或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。以上所述,仅为本发明的具体实施例,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (9)
1.一种目标信息推荐方法,其特征在于,所述方法包括:
获取目标用户以及所述目标用户对应的第一订单评分;
根据所述第一订单评分对所述目标用户进行评分近邻聚类,获得所述目标用户对应的相关用户集合;
计算所述相关用户集合中每个近邻用户与所述目标用户之间的用户差异值;
获得待推荐信息,并根据所述用户差异值确定所述待推荐信息对应的推荐分数;
根据所述推荐分数确定所述目标用户在所述待推荐信息中对应的目标推荐结果;
所述根据所述第一订单评分对所述目标用户进行评分近邻聚类,获得所述目标用户对应的相关用户集合,包括:
获得待验用户和所述待验用户对应的第二订单评分;其中,待验用户为目标用户中除了需要进行信息推荐的用户之外的任意一个用户;
基于所述目标用户对应的所述第一订单评分与所述待验用户对应的所述第二订单评分之间的时间权重关系,计算所述目标用户对应的所述第一订单评分和所述待验用户对应的所述第二订单评分之间的共同评分集合和全部评分集合;
根据所述共同评分集合和所述全部评分集合确定所述待验用户对应的目标近邻距离;
根据所述目标近邻距离确定所述目标用户对应的所述相关用户集合。
2.根据权利要求1所述的方法,其特征在于,所述第一订单评分包括第一评价时间,所述第二订单评分包括第二评价时间,所述根据所述共同评分集合和所述全部评分集合确定所述待验用户对应的目标近邻距离,包括:
根据所述第一评价时间和所述第二评价时间确定所述目标用户和所述待验用户之间的时间权重;
根据所述共同评分集合和所述全部评分集合计算所述待验用户对应的初始近邻距离;
根据所述时间权重调整所述初始近邻距离确定所述待验用户对应的所述目标近邻距离,
其中,根据下列公式计算所述时间权重:
;
表示所述目标用户/>和所述待验用户/>之间的所述时间权重,/>表示所述第一评价时间,/>表示所述第二评价时间。
3.根据权利要求1所述的方法,其特征在于,所述计算所述相关用户集合中每个近邻用户与所述目标用户之间的用户差异值,包括:
获得所述近邻用户对应的第三订单评分,并根据所述第一订单评分和所述第三订单评分构建评分矩阵;
根据所述评分矩阵计算所述近邻用户与所述目标用户之间的差异均值和差异方差;
根据所述差异均值和所述差异方差确定所述近邻用户与所述目标用户之间的所述用户差异值。
4.根据权利要求3所述的方法,其特征在于,所述根据所述用户差异值确定所述待推荐信息对应的推荐分数,包括:
根据所述相关用户集合确定所述目标用户对应的近邻总数;
根据所述评分矩阵、所述近邻总数和所述用户差异值确定所述待推荐信息对应的所述推荐分数。
5.根据权利要求3所述的方法,其特征在于,所述根据所述评分矩阵、所述近邻总数和所述用户差异值确定所述待推荐信息对应的所述推荐分数,包括:
从所述评分矩阵中获得所述近邻用户对应的评分向量,并计算所述评分向量与所述差异均值之间的差值,获得第一差值;
对所述相关用户集合中每个所述近邻用户对应的所述第一差值进行求和,获得第一总数;
根据所述第一总数与所述近邻总数确定所述待推荐信息对应的第一分数;
计算所述第一差值和所述差异方差之间的差值,获得第二差值;
对所述相关用户集合中每个所述近邻用户对应的所述第二差值进行求和,获得第二总数;
根据所述第二总数与所述近邻总数确定所述待推荐信息对应的第二分数;
根据所述第一分数和所述第二分数确定所述待推荐信息对应的所述推荐分数。
6.根据权利要求1中所述的方法,其特征在于,所述根据所述推荐分数确定所述目标用户在所述待推荐信息中对应的目标推荐结果之后,所述方法还包括:
获得所述目标用户对所述目标推荐结果对应的第四订单评分;
计算所述第四订单评分和所述推荐分数之间的平均误差,并根据所述平均误差确定所述目标推荐结果对应的推荐质量;
根据所述推荐质量更新所述目标用户对应的所述相关用户集合,进而根据更新后的所述相关用户集合重新对所述目标用户进行信息推荐。
7.一种目标信息推荐装置,其特征在于,包括:
数据获取模块,用于获取目标用户以及所述目标用户对应的第一订单评分;
数据聚类模块,用于根据所述第一订单评分对所述目标用户进行评分近邻聚类,获得所述目标用户对应的相关用户集合;
数据分析模块,用于计算所述相关用户集合中每个近邻用户与所述目标用户之间的用户差异值;
分数计算模块,用于获得待推荐信息,并根据所述用户差异值确定所述待推荐信息对应的推荐分数;
目标推荐模块,用于根据所述推荐分数确定所述目标用户在所述待推荐信息中对应的目标推荐结果;
所述数据聚类模块在所述根据所述第一订单评分对所述目标用户进行评分近邻聚类,获得所述目标用户对应的相关用户集合过程中,执行:
获得待验用户和所述待验用户对应的第二订单评分;
基于所述目标用户对应的所述第一订单评分与所述待验用户对应的所述第二订单评分之间的时间权重关系,计算所述目标用户对应的所述第一订单评分和所述待验用户对应的所述第二订单评分之间的共同评分集合和全部评分集合;
根据所述共同评分集合和所述全部评分集合确定所述待验用户对应的目标近邻距离;
根据所述目标近邻距离确定所述目标用户对应的所述相关用户集合。
8.一种终端设备,其特征在于,所述终端设备包括处理器、存储器;
所述存储器用于存储计算机程序;
所述处理器用于执行所述计算机程序并在执行所述计算机程序时实现如权利要求1至6中任一项所述的目标信息推荐方法。
9.一种计算机存储介质,用于计算机存储,其特征在于,所述计算机存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现权利要求1至6中任一项所述的目标信息推荐方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410341142.8A CN117934125B (zh) | 2024-03-25 | 2024-03-25 | 目标信息推荐方法及装置、终端设备和计算机存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410341142.8A CN117934125B (zh) | 2024-03-25 | 2024-03-25 | 目标信息推荐方法及装置、终端设备和计算机存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117934125A true CN117934125A (zh) | 2024-04-26 |
CN117934125B CN117934125B (zh) | 2024-05-24 |
Family
ID=90761443
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410341142.8A Active CN117934125B (zh) | 2024-03-25 | 2024-03-25 | 目标信息推荐方法及装置、终端设备和计算机存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117934125B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107943948A (zh) * | 2017-11-24 | 2018-04-20 | 中国科学院电子学研究所苏州研究院 | 一种改进的混合协同过滤推荐方法 |
CN112115359A (zh) * | 2020-09-16 | 2020-12-22 | 苏州大学 | 一种基于多阶近邻预测的推荐系统及方法 |
CN115687602A (zh) * | 2022-09-28 | 2023-02-03 | 上海携旅信息技术有限公司 | 主题推荐方法、系统和电子设备 |
CN117480510A (zh) * | 2021-05-03 | 2024-01-30 | 甲骨文国际公司 | 生成用于机器学习模型预测的置信度分数 |
-
2024
- 2024-03-25 CN CN202410341142.8A patent/CN117934125B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107943948A (zh) * | 2017-11-24 | 2018-04-20 | 中国科学院电子学研究所苏州研究院 | 一种改进的混合协同过滤推荐方法 |
CN112115359A (zh) * | 2020-09-16 | 2020-12-22 | 苏州大学 | 一种基于多阶近邻预测的推荐系统及方法 |
CN117480510A (zh) * | 2021-05-03 | 2024-01-30 | 甲骨文国际公司 | 生成用于机器学习模型预测的置信度分数 |
CN115687602A (zh) * | 2022-09-28 | 2023-02-03 | 上海携旅信息技术有限公司 | 主题推荐方法、系统和电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN117934125B (zh) | 2024-05-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11605111B2 (en) | Heuristic clustering | |
US11823218B2 (en) | Customer clustering using integer programming | |
CN109582876B (zh) | 旅游行业用户画像构造方法、装置和计算机设备 | |
CN110008397B (zh) | 一种推荐模型训练方法及装置 | |
JPWO2012118087A1 (ja) | レコメンダシステム、レコメンド方法、及びプログラム | |
KR101864822B1 (ko) | 사용자를 위한 항목을 추천하는 장치 및 방법 | |
CN112488863B (zh) | 一种在用户冷启动场景下的险种推荐方法及相关设备 | |
JP2015043167A (ja) | 売上予測システム及び売上予測方法 | |
Wilms et al. | Multiclass vector auto-regressive models for multistore sales data | |
CN111352624A (zh) | 界面展示方法、信息处理方法及装置 | |
CN117934125B (zh) | 目标信息推荐方法及装置、终端设备和计算机存储介质 | |
Wu et al. | [Retracted] Using the Mathematical Model on Precision Marketing with Online Transaction Data Computing | |
CN115937341A (zh) | 一种基于ai技术的电商海报生成系统及其生成方法 | |
CN111639989B (zh) | 商品推荐方法和可读存储介质 | |
CN115187330A (zh) | 基于用户标签的产品推荐方法、装置、设备和介质 | |
CN111460300B (zh) | 网络内容推送方法、装置及存储介质 | |
CN113806638A (zh) | 基于用户画像的个性化推荐方法及相关设备 | |
CN111681086A (zh) | 商品推荐方法、装置、计算机设备和可读存储介质 | |
CN116205679B (zh) | 实体店铺营销推荐方法、装置、电子设备及存储介质 | |
CN110738538A (zh) | 识别相似物品的方法和装置 | |
CN117952656A (zh) | 一种数据挖掘方法以及相关装置 | |
US20240232406A9 (en) | Storing and retrieving data based on experience in categories associated with historical interactions | |
CN117993956A (zh) | 一种基于目标客户及市场数据处理方法 | |
CN117495497A (zh) | 商品召回方法、装置、存储介质及计算机设备 | |
Yadav et al. | A Hybrid Approach to Movie Recommendation System |
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 |