CN118014697B - 一种人工智能的电子商务推荐系统 - Google Patents
一种人工智能的电子商务推荐系统 Download PDFInfo
- Publication number
- CN118014697B CN118014697B CN202410426473.1A CN202410426473A CN118014697B CN 118014697 B CN118014697 B CN 118014697B CN 202410426473 A CN202410426473 A CN 202410426473A CN 118014697 B CN118014697 B CN 118014697B
- Authority
- CN
- China
- Prior art keywords
- recommendation
- processor
- unit
- module
- product
- 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.)
- Active
Links
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 9
- 238000004458 analytical method Methods 0.000 claims abstract description 43
- 230000002452 interceptive effect Effects 0.000 claims abstract description 28
- 238000010801 machine learning Methods 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 6
- 238000005457 optimization Methods 0.000 claims description 40
- 238000013507 mapping Methods 0.000 claims description 12
- 238000012482 interaction analysis Methods 0.000 claims description 8
- 238000012544 monitoring process Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000003993 interaction Effects 0.000 claims description 4
- 230000006399 behavior Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 5
- 238000012216 screening Methods 0.000 description 3
- 238000012163 sequencing technique Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000034 method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供了一种人工智能的电子商务推荐系统,涉及电数字数据处理领域,包括产品检索推荐模块、互动数据记录模块、机器学习模块和个性化设置模块,所述产品检索推荐模块基于标签对产品进行检索并进行推荐显示,所述互动数据记录模块用于记录用户对推荐产品的互动操作,所述机器学习模块用于对互动操作进行数据学习分析,优化推荐参数以及生成个性化的标签,所述个性化设置模块用于存储标签信息并设置用于产品推荐的标签;本系统能够在用户进行电子商务操作行为时自动生成具有个性化的标签信息,能够帮助系统推荐给用户更加合适的产品。
Description
技术领域
本发明涉及电数字数据处理领域,具体涉及一种人工智能的电子商务推荐系统。
背景技术
通过电子商务的模式来进行购物是当前十分普遍的一种方式,用户可以设置标签来使系统进行产品推荐,但现有系统中,提供的能够选择的标签对所有用户都是一致的,当不同用户使用相同的标签进行推荐时,并不意味着想要的产品完全一致,导致最终的推荐结果对不同个体会存在差异,因此,需要一种能够产生个性化标签的推荐系统来推荐产品,满足不同个体的真实需求,改善购物体验。
背景技术的前述论述仅意图便于理解本发明。此论述并不认可或承认提及的材料中的任一种公共常识的一部分。
现在已经开发出了很多产品推荐系统,经过大量的检索与参考,发现现有的推荐系统有如公开号为CN116911960B所公开的系统,这些系统一般包括采集用户购买数据;根据目标组数据在所有组数据中的频次得到目标组可信度参数;根据目标标签在目标组中的频率和目标标签的时序性得到目标标签的可信度参数;根据目标组可信度参数和目标标签的可信度参数得到目标商品的可信度参数;根据此刻购买的商品与目标组相同商品的可信度参数得到目标组的推荐程度;根据目标组的推荐程度计算得到所有组的推荐程度,选取推荐程度最大的一组为最优组,将最优组推荐给用户。但该系统仍然基于固定的标签进行推荐,导致推荐产品的精准性会因人而异,存在提升空间。
发明内容
本发明的目的在于,针对所存在的不足,提出了一种人工智能的电子商务推荐系统。
本发明采用如下技术方案:
一种人工智能的电子商务推荐系统,包括产品检索推荐模块、互动数据记录模块、机器学习模块和个性化设置模块;
所述产品检索推荐模块基于标签对产品进行检索并进行推荐显示,所述互动数据记录模块用于记录用户对推荐产品的互动操作,所述机器学习模块用于对互动操作进行数据学习分析,优化推荐参数以及生成个性化的标签,所述个性化设置模块用于存储标签信息并设置用于产品推荐的标签;
所述产品检索推荐模块包括标签解析单元、产品检索单元和推荐展示单元,所述标签解析单元用于从个性化设置模块中获取设置的标签信息并进行解析,所述产品检索单元基于解析结果对产品进行检索,所述推荐展示单元用于将检索的产品进行显示推荐;
所述互动数据记录模块包括点击记录单元和购物记录单元,所述点击记录单元用于监测用户的点击操作并进行数据记录,所述购物记录单元用于监测用户的购物操作并进行数据记录;
所述机器学习模块包括互动分析单元、参数优化单元和个性化标签生成单元,所述互动分析单元用于对互动数据进行分析处理,所述参数优化单元基于分析结果对推荐参数进行优化,所述个性化标签生成单元基于分析结果生成个性化标签;
所述个性化设置模块包括标签信息存储单元和标签推荐设置单元,所述标签信息存储单元用于保存每个标签的映射信息,所述标签推荐设置单元用于选择并存储用于产品推荐的标签;
进一步的,所述标签解析单元包括映射解析处理器和基础项统计处理器,所述映射解析处理器用于从所述个性化设置模块中获取设置的标签并解析得到对应的基础项,所述基础项统计处理器用于对每个基础项在标签中出现的次数进行统计,并按照次数将基础项进行划分为与标签的数量相等的n个类型的目标基础项,分别命名为j级目标基础项,表示对应目标基础项的出现次数为j次,n为标签的数量;
进一步的,所述推荐展示单元包括推荐计算处理器、推荐选择处理器和推荐显示处理器,所述推荐计算处理器用于计算出每个产品的推荐指数,所述推荐选择处理器根据推荐指数选择需要展示的产品,所述推荐显示处理器用于排序显示推荐的产品;
所述推荐计算处理器根据下式计算出每个产品的推荐指数P:
;
其中,N为产品所属的存储区域级别,为j级权重系数,/>为产品包含的第i个j级目标基础项的推荐系数,m为产品包含的j级目标基础项的数量;
进一步的,所述推荐选择处理器根据下式计算出每个级别存储区域的推荐数量n(j):
;
其中,M为推荐显示处理器中能够显示的产品最大数量;
所述推荐选择处理器在j级存储区域中选择推荐指数最大的n(j)个产品发送给所述推荐显示处理器;
进一步的,所述参数优化单元包括权重系数优化处理器和推荐系数优化处理器,所述权重系数优化处理器用于对权重系数进行优化调整,所述推荐系数优化处理器用于对推荐系数/>进行优化调整;
所述权重系数优化处理器根据下式计算出优化后的权重系数:
;
其中,为固定调整参数;
所述推荐系数优化处理器根据下式计算出优化后的推荐系数:
;
其中,A(j)表示j级存储区域的差异调整指数,B(i,j)表示第i个j级目标基础项的推荐调整指数。
本发明所取得的有益效果是:
本系统推荐的产品会分为多个级别,高级别的推荐产品会更符合用户的预期,推荐的数量占比高,低级别的推荐产品用于防止形成推荐信息茧房,推荐的数量占比低,本系统将标签拆解成更加细化的基础项,对基础项的数据进行分析,不断调整不同基础项的系数,进而实现推荐结果更加符合用户预期的目的,同时,基于基础项能够生成具有个性化的标签,进一步提高推荐的精准性。
为使能更进一步了解本发明的特征及技术内容,请参阅以下有关本发明的详细说明与附图,然而所提供的附图仅用于提供参考与说明,并非用来对本发明加以限制。
附图说明
图1为本发明整体结构框架示意图;
图2为本发明产品检索推荐模块构成示意图;
图3为本发明机器学习模块构成示意图;
图4为本发明推荐展示单元构成示意图;
图5为本发明互动分析单元构成示意图。
具体实施方式
以下是通过特定的具体实施例来说明本发明的实施方式,本领域技术人员可由本说明书所公开的内容了解本发明的优点与效果。本发明可通过其他不同的具体实施例加以施行或应用,本说明书中的各项细节也可基于不同观点与应用,在不悖离本发明的精神下进行各种修饰与变更。另外,本发明的附图仅为简单示意说明,并非依实际尺寸的描绘,事先声明。以下的实施方式将进一步详细说明本发明的相关技术内容,但所公开的内容并非用以限制本发明的保护范围。
实施例一:本实施例提供了一种人工智能的电子商务推荐系统,结合图1,包括产品检索推荐模块、互动数据记录模块、机器学习模块和个性化设置模块;
所述产品检索推荐模块基于标签对产品进行检索并进行推荐显示,所述互动数据记录模块用于记录用户对推荐产品的互动操作,所述机器学习模块用于对互动操作进行数据学习分析,优化推荐参数以及生成个性化的标签,所述个性化设置模块用于存储标签信息并设置用于产品推荐的标签;
所述产品检索推荐模块包括标签解析单元、产品检索单元和推荐展示单元,所述标签解析单元用于从个性化设置模块中获取设置的标签信息并进行解析,所述产品检索单元基于解析结果对产品进行检索,所述推荐展示单元用于将检索的产品进行显示推荐;
所述互动数据记录模块包括点击记录单元和购物记录单元,所述点击记录单元用于监测用户的点击操作并进行数据记录,所述购物记录单元用于监测用户的购物操作并进行数据记录;
所述机器学习模块包括互动分析单元、参数优化单元和个性化标签生成单元,所述互动分析单元用于对互动数据进行分析处理,所述参数优化单元基于分析结果对推荐参数进行优化,所述个性化标签生成单元基于分析结果生成个性化标签;
所述个性化设置模块包括标签信息存储单元和标签推荐设置单元,所述标签信息存储单元用于保存每个标签的映射信息,所述标签推荐设置单元用于选择并存储用于产品推荐的标签;
所述标签解析单元包括映射解析处理器和基础项统计处理器,所述映射解析处理器用于从所述个性化设置模块中获取设置的标签并解析得到对应的基础项,所述基础项统计处理器用于对每个基础项在标签中出现的次数进行统计,并按照次数将基础项进行划分为n个类型的目标基础项,分别命名为j级目标基础项,表示对应目标基础项的出现次数为j次,n为标签的数量,即目标基础项的类型数与标签数量相等;
所述推荐展示单元包括推荐计算处理器、推荐选择处理器和推荐显示处理器,所述推荐计算处理器用于计算出每个产品的推荐指数,所述推荐选择处理器根据推荐指数选择需要展示的产品,所述推荐显示处理器用于排序显示推荐的产品;
所述推荐计算处理器根据下式计算出每个产品的推荐指数P:
;
其中,N为产品所属的存储区域级别,为j级权重系数,/>为产品包含的第i个j级目标基础项的推荐系数,m为产品包含的j级目标基础项的数量;所述存储区域级别是相对产品而言的,取值范围为1到n,例如一个产品的包含的最大目标基础项级别为3,那么这个产品即存储在3级存储区域中,此时N=3。
所述推荐选择处理器根据下式计算出每个级别存储区域的推荐数量n(j):
;
其中,M为推荐显示处理器中能够显示的产品最大数量;
所述推荐选择处理器在j级存储区域中选择推荐指数最大的n(j)个产品发送给所述推荐显示处理器;
所述参数优化单元包括权重系数优化处理器和推荐系数优化处理器,所述权重系数优化处理器用于对权重系数进行优化调整,所述推荐系数优化处理器用于对推荐系数进行优化调整;
所述权重系数优化处理器根据下式计算出优化后的权重系数:
;
其中,为固定调整参数;
所述推荐系数优化处理器根据下式计算出优化后的推荐系数:
;
其中,A(j)表示j级存储区域的差异调整指数,B(i,j)表示第i个j级目标基础项的推荐调整指数。
实施例二:本实施例包含了实施例一中的全部内容,提供了一种人工智能的电子商务推荐系统,包括产品检索推荐模块、互动数据记录模块、机器学习模块和个性化设置模块;
所述产品检索推荐模块基于标签对产品进行检索并进行推荐显示,所述互动数据记录模块用于记录用户对推荐产品的互动操作,所述机器学习模块用于对互动操作进行数据学习分析,优化推荐参数以及生成个性化的标签,所述个性化设置模块用于存储标签信息并设置用于产品推荐的标签;
结合图2,所述产品检索推荐模块包括标签解析单元、产品检索单元和推荐展示单元,所述标签解析单元用于从个性化设置模块中获取设置的标签信息并进行解析,所述产品检索单元基于解析结果对产品进行检索,所述推荐展示单元用于将检索的产品进行显示推荐;
所述互动数据记录模块包括点击记录单元和购物记录单元,所述点击记录单元用于监测用户的点击操作并进行数据记录,所述购物记录单元用于监测用户的购物操作并进行数据记录;
结合图3,所述机器学习模块包括互动分析单元、参数优化单元和个性化标签生成单元,所述互动分析单元用于对互动数据进行分析处理,所述参数优化单元基于分析结果对推荐参数进行优化,所述个性化标签生成单元基于分析结果生成个性化标签;
所述个性化设置模块包括标签信息存储单元和标签推荐设置单元,所述标签信息存储单元用于保存每个标签的映射信息,所述标签推荐设置单元用于选择并存储用于产品推荐的标签;
每个标签映射多个基础项信息,每个基础项具有对应的直接验证方式,通过标签所映射的所有基础项验证方式对产品进行验证来确定该产品是否符合对应的标签;
所述标签解析单元包括映射解析处理器和基础项统计处理器,所述映射解析处理器用于从所述个性化设置模块中获取设置的标签并解析得到对应的基础项,所述基础项统计处理器用于对每个基础项在标签中出现的次数进行统计,并按照次数将基础项进行划分为n个类型的目标基础项,分别命名为j级目标基础项,表示对应目标基础项的出现次数为j次,n为标签的数量;
所述产品检索单元包括检索判断处理器和分类寄存器,所述检索判断处理器用于获取产品的基础项信息并判断是否含有目标基础项,所述分类寄存器用于将产品根据含有目标基础项的情况进行分类存储;
所述分类寄存器对产品进行分类存储的过程包括如下步骤:
S1、令划分标记Cm=n;
S2、若产品含有Cm级目标基础项,将该产品存放至Cm级存储区域,取新产品并回到步骤S1,否则进入步骤S3;
S3、令Cm=Cm-1,回到步骤S2;
结合图4,所述推荐展示单元包括推荐计算处理器、推荐选择处理器和推荐显示处理器,所述推荐计算处理器用于计算出每个产品的推荐指数,所述推荐选择处理器根据推荐指数选择需要展示的产品,所述推荐显示处理器用于排序显示推荐的产品;
所述推荐计算处理器根据下式计算出每个产品的推荐指数P:
;
其中,N为产品所述的存储区域级别,为j级权重系数,/>为产品包含的第i个j级目标基础项的推荐系数,m为产品包含的j级目标基础项的数量;
在初始状态下,所有基础项的推荐系数均为1;
所述推荐选择处理器根据下式计算出每个级别存储区域的推荐数量n(j):
;
其中,M为推荐显示处理器中能够显示的产品最大数量;
所述推荐选择处理器在j级存储区域中选择推荐指数最大的n(j)个产品发送给所述推荐显示处理器;
所述推荐显示处理器将接收的产品按照推荐指数从大到小进行排序并显示;
结合图5,所述互动分析单元包括级别统计处理器、基础项统计处理器和差异分析处理器,所述级别统计处理器用于统计出互动产品在不同级别存储区域中的比例分布,所述基础项统计处理器用于统计出互动产品包含的目标基础项的比例分布,所述差异分析处理器用于对统计得到的比例分布数据进行差异性分析;
下面对比例分布进行距离说明,例如一共点击了5个产品,其中2个产品属于3级存储区域,那么3级存储区域的比例值为,这5个产品中有4个产品包含了同一个目标基础项,那么这个目标基础项的比例为/>;
所述差异分析处理器根据下式计算出差异调整指数和推荐调整指数:
;
;
其中,A(j)表示j级存储区域的差异调整指数,R1(j)表示j级存储区域的点击比例值,R2(j)表示j级存储区域的购买比例值,B(i,j)表示第i个j级目标基础项的推荐调整指数,R3(i,j)表示第i个j级目标基础项的点击比例值,R4(i,j)表示第i个j级目标基础项的购买比例值;
所述参数优化单元包括权重系数优化处理器和推荐系数优化处理器,所述权重系数优化处理器用于对权重系数进行优化调整,所述推荐系数优化处理器用于对推荐系数进行优化调整;
所述权重系数优化处理器根据下式计算出优化后的权重系数:
;
其中,为固定调整参数;
所述推荐系数优化处理器根据下式计算出优化后的推荐系数:
;
所述个性化标签生成单元包括基础项筛选处理器和标签生成处理器,所述基础项筛选处理器用于筛选出点击比例值大于阈值的目标基础项,所述标签生成处理器基于筛选出的目标基础项判断并生成一个新的标签,若已有标签包含了筛选出的所有目标基础项,则判断不生成新标签,生成新标签后,所述标签生成处理器将新标签和包含的基础项信息一同发送给个性化设置模块;
标签信息存储单元包括通用标签寄存器和个性化标签寄存器,所述通用标签寄存器用于保存通用的标签信息,所述个性化标签寄存器用于接收并保存从所述个性化标签生成单元发送的标签信息;
上文中出现的i和j均为用于表示序号的序数。
以上所公开的内容仅为本发明的优选可行实施例,并非因此局限本发明的保护范围,所以凡是运用本发明说明书及附图内容所做的等效技术变化,均包含于本发明的保护范围内,此外,随着技术发展其中的元素可以更新的。
Claims (3)
1.一种人工智能的电子商务推荐系统,其特征在于,包括产品检索推荐模块、互动数据记录模块、机器学习模块和个性化设置模块;
所述产品检索推荐模块基于标签对产品进行检索并进行推荐显示,所述互动数据记录模块用于记录用户对推荐产品的互动操作,所述机器学习模块用于对互动操作进行数据学习分析,优化推荐参数以及生成个性化的标签,所述个性化设置模块用于存储标签信息并设置用于产品推荐的标签;
所述产品检索推荐模块包括标签解析单元、产品检索单元和推荐展示单元,所述标签解析单元用于从个性化设置模块中获取设置的标签信息并进行解析,所述产品检索单元基于解析结果对产品进行检索,所述推荐展示单元用于将检索的产品进行显示推荐;
所述互动数据记录模块包括点击记录单元和购物记录单元,所述点击记录单元用于监测用户的点击操作并进行数据记录,所述购物记录单元用于监测用户的购物操作并进行数据记录;
所述机器学习模块包括互动分析单元、参数优化单元和个性化标签生成单元,所述互动分析单元用于对互动数据进行分析处理,所述参数优化单元基于分析结果对推荐参数进行优化,所述个性化标签生成单元基于分析结果生成个性化标签;
所述个性化设置模块包括标签信息存储单元和标签推荐设置单元,所述标签信息存储单元用于保存每个标签的映射信息,所述标签推荐设置单元用于选择并存储用于产品推荐的标签;
所述标签解析单元包括映射解析处理器和基础项统计处理器,所述映射解析处理器用于从所述个性化设置模块中获取设置的标签并解析得到对应的基础项,所述基础项统计处理器用于对每个基础项在标签中出现的次数进行统计,并按照次数将基础项进行划分为与标签数量相同的n个类型的目标基础项,分别命名为j级目标基础项,表示对应目标基础项的出现次数为j次;
所述参数优化单元包括权重系数优化处理器和推荐系数优化处理器,所述权重系数优化处理器用于对权重系数进行优化调整,所述推荐系数优化处理器用于对推荐系数/>进行优化调整;
所述权重系数优化处理器根据下式计算出优化后的权重系数:
;
其中,为固定调整参数;
所述推荐系数优化处理器根据下式计算出优化后的推荐系数:
;
其中,A(j)表示j级存储区域的差异调整指数,B(i,j)表示第i个j级目标基础项的推荐调整指数。
2.如权利要求1所述的一种人工智能的电子商务推荐系统,其特征在于,所述推荐展示单元包括推荐计算处理器、推荐选择处理器和推荐显示处理器,所述推荐计算处理器用于计算出每个产品的推荐指数,所述推荐选择处理器根据推荐指数选择需要展示的产品,所述推荐显示处理器用于排序显示推荐的产品;
所述推荐计算处理器根据下式计算出每个产品的推荐指数P:
;
其中,N为产品所属的存储区域级别,为j级权重系数,/>为产品包含的第i个j级目标基础项的推荐系数,m为产品包含的j级目标基础项的数量。
3.如权利要求2所述的一种人工智能的电子商务推荐系统,其特征在于,所述推荐选择处理器根据下式计算出每个级别存储区域的推荐数量n(j):
;
其中,M为推荐显示处理器中能够显示的产品最大数量;
所述推荐选择处理器在j级存储区域中选择推荐指数最大的n(j)个产品发送给所述推荐显示处理器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410426473.1A CN118014697B (zh) | 2024-04-10 | 2024-04-10 | 一种人工智能的电子商务推荐系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410426473.1A CN118014697B (zh) | 2024-04-10 | 2024-04-10 | 一种人工智能的电子商务推荐系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN118014697A CN118014697A (zh) | 2024-05-10 |
CN118014697B true CN118014697B (zh) | 2024-06-04 |
Family
ID=90945780
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410426473.1A Active CN118014697B (zh) | 2024-04-10 | 2024-04-10 | 一种人工智能的电子商务推荐系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118014697B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110458428A (zh) * | 2019-07-26 | 2019-11-15 | 北京小土科技有限公司 | 一种电影剧本精彩度量化评估系统 |
CN112203104A (zh) * | 2020-10-08 | 2021-01-08 | 翁海坤 | 应用于在线电商交互的大数据业务处理方法及电商云平台 |
CN116263735A (zh) * | 2021-12-14 | 2023-06-16 | 中科南京软件技术研究院 | 神经网络的鲁棒性评估方法、装置、设备及存储介质 |
CN117522519A (zh) * | 2023-11-22 | 2024-02-06 | 中国工商银行股份有限公司 | 产品推荐方法、装置、设备、存储介质和程序产品 |
-
2024
- 2024-04-10 CN CN202410426473.1A patent/CN118014697B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110458428A (zh) * | 2019-07-26 | 2019-11-15 | 北京小土科技有限公司 | 一种电影剧本精彩度量化评估系统 |
CN112203104A (zh) * | 2020-10-08 | 2021-01-08 | 翁海坤 | 应用于在线电商交互的大数据业务处理方法及电商云平台 |
CN116263735A (zh) * | 2021-12-14 | 2023-06-16 | 中科南京软件技术研究院 | 神经网络的鲁棒性评估方法、装置、设备及存储介质 |
CN117522519A (zh) * | 2023-11-22 | 2024-02-06 | 中国工商银行股份有限公司 | 产品推荐方法、装置、设备、存储介质和程序产品 |
Also Published As
Publication number | Publication date |
---|---|
CN118014697A (zh) | 2024-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113269935B (zh) | 一种基于无屏称重装置的视觉称重方法及称重系统 | |
CN112100512A (zh) | 一种基于用户聚类和项目关联分析的协同过滤推荐方法 | |
CN114997956B (zh) | 基于大数据的母婴产品智能推荐系统 | |
CN106570015A (zh) | 图像搜索方法和装置 | |
CN107203558A (zh) | 对象推荐方法和装置、推荐信息处理方法和装置 | |
CN111984873A (zh) | 一种服务推荐系统和方法 | |
CN110532429A (zh) | 一种基于聚类和关联规则的线上用户群体分类方法及装置 | |
CN107169029A (zh) | 一种推荐方法及装置 | |
CN110033127A (zh) | 一种基于嵌入式特征选择的冷启动项目推荐方法 | |
CN108920647A (zh) | 基于谱聚类的低秩矩阵填充top-n推荐方法 | |
CN116541607A (zh) | 基于商品检索数据分析的智能推荐方法 | |
CN115018357A (zh) | 一种面向生产绩效提升的农户画像构建方法及系统 | |
CN107093122B (zh) | 对象分类方法及装置 | |
CN111930957A (zh) | 实体间亲密度的分析方法、装置、电子设备以及存储介质 | |
CN116402399A (zh) | 基于人工智能与电子商城的业务数据处理方法及系统 | |
CN109146606B (zh) | 一种品牌推荐方法、电子设备、存储介质及系统 | |
CN118014697B (zh) | 一种人工智能的电子商务推荐系统 | |
CN111612583A (zh) | 一种基于聚类的个性化导购系统 | |
CN111639673A (zh) | 一种处理混合特征数据的自解释规约建模方法 | |
CN111445280A (zh) | 模型生成方法、餐馆排序方法、系统、设备和介质 | |
CN111435514A (zh) | 特征计算方法和装置、排序方法和设备、存储介质 | |
CN115619503A (zh) | 一种物品推荐方法、装置、存储介质和计算机设备 | |
CN112800270B (zh) | 基于音乐标签和时间信息的音乐推荐方法及系统 | |
CN113407827A (zh) | 基于用户价值分类的信息推荐方法、装置、设备及介质 | |
Sachin et al. | Location Based Agricultural Product Recommendation System Using Novel KNN Algorithm |
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 |