RU2670610C1 - Способ и устройство обработки данных действия пользователя - Google Patents

Способ и устройство обработки данных действия пользователя Download PDF

Info

Publication number
RU2670610C1
RU2670610C1 RU2017124445A RU2017124445A RU2670610C1 RU 2670610 C1 RU2670610 C1 RU 2670610C1 RU 2017124445 A RU2017124445 A RU 2017124445A RU 2017124445 A RU2017124445 A RU 2017124445A RU 2670610 C1 RU2670610 C1 RU 2670610C1
Authority
RU
Russia
Prior art keywords
model
user
product
time interval
actions
Prior art date
Application number
RU2017124445A
Other languages
English (en)
Other versions
RU2670610C9 (ru
Inventor
Чжифэн СИН
Чуань МОУ
Хайюн ЧЭНЬ
Original Assignee
Бэйцзин Цзиндун Сенчури Трэйдинг Ко., Лтд.
Бэйцзин Цзиндун Шанкэ Информейшн Текнолоджи Ко., Лтд.
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Бэйцзин Цзиндун Сенчури Трэйдинг Ко., Лтд., Бэйцзин Цзиндун Шанкэ Информейшн Текнолоджи Ко., Лтд. filed Critical Бэйцзин Цзиндун Сенчури Трэйдинг Ко., Лтд.
Application granted granted Critical
Publication of RU2670610C1 publication Critical patent/RU2670610C1/ru
Publication of RU2670610C9 publication Critical patent/RU2670610C9/ru

Links

Classifications

    • 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
    • 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
    • G06Q30/0203—Market surveys; Market polls
    • 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
    • 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
    • G06F16/955—Retrieval from the web using information identifiers, e.g. uniform resource locators [URL]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Cash Registers Or Receiving Machines (AREA)

Abstract

Изобретение относится к способу и устройству для обработки данных действий пользователя. Технический результат заключается в автоматизации моделирования действий пользователя. Способ содержит подсчет количеств действий, направленных на товар пользователями за предварительно выбранный временной интервал для заданного товара, который не заказан множеством пользователей в течение предварительно выбранного временного интервала, и регистрацию, покупают ли пользователи заданный товар после предварительно выбранного временного интервала, создание обучающего набора в соответствии с данными множества пользователей, полученными на вышеупомянутых этапах подсчета количеств действий и регистрации, причем в модели, соответствующей обучающему набору, входным значением является количество действий, направленных на заданный товар пользователем, а выходное значение представляет, купит ли пользователь заданный товар, проведение обучения методом линейной регрессии на обучающем наборе для определения совокупности параметров обучающего набора, чтобы посредством этого получить модель, подсчет количества действий целевого пользователя, который не разместил заказ в заданный временной интервал, и ввод количества в модель в качестве входного значения, чтобы получить выходное значение по модели. 2 н. и 6 з.п. ф-лы, 2 ил.

Description

ОБЛАСТЬ ТЕХНИКИ, К КОТОРОЙ ОТНОСИТСЯ ИЗОБРЕТЕНИЕ
Изобретение относится к области техники компьютерных технологий, и конкретно - к способу и устройству для обработки данных действий пользователя.
УРОВЕНЬ ТЕХНИКИ
В рамках платформы электронной коммерции торговому персоналу обычно требуется определять количественно спрос на товар, чтобы посредством этого определить стратегию инвентаризации и пополнения относительно товара. Количественное определение потребности в товаре обычно состоит в вычислении количества пользователей, запрашивающих товар. В настоящее время приближенно заменяют величину спроса на товар количеством пользователей, которые заказывают товар. При таком подходе количество заказов товара за временной интервал, например, одну неделю, подсчитывают в соответствии с идентификатором товара, и количество заказов используется в качестве величины еженедельной потребности в товаре. Этот подход не учитывает потребности пользователей, которые не разместили заказы, и легко приводит к относительно малочисленным данным для прогнозирования величины спроса.
Другой современный подход состоит в том, чтобы рассматривать количество просмотров, сделанных пользователем, относительно заданного товара, подсчитывается количество заказов за прошлый временной интервал, например, одну неделю, кроме того, дополнительно подсчитывается количество пользователей, для которых количество просмотров товара достигает заданного значения, и сумма упомянутого количества пользователей и количества заказов используется в качестве величины спроса на товар. Этот подход все еще не является достаточно точным, поскольку когда пользователь просматривает некоторый товар, просмотр далее не выполняется, если обнаружено, что товара нет в наличии, что приводит к тому, что количество просмотров не может достичь предварительно заданного значения, так что подсчитанное число для величины спроса все еще является относительно малым.
Таким образом, необходим способ для определения пользовательской потребности в товаре, и величина спроса на товар может определяться на этой основе.
СУЩНОСТЬ ИЗОБРЕТЕНИЯ
Ввиду вышеизложенного, изобретение обеспечивает способ и устройство для обработки данных действия пользователя, которые помогают в принятии решения, имеет ли потребность пользователь, который не разместил заказ, и величина спроса на товар может определяться на этой основе.
Для достижения вышеупомянутого объекта изобретения, согласно одному аспекту изобретения обеспечивается способ для обработки данных действия пользователя.
Способ для обработки данных действия пользователя согласно изобретению содержит: для заданного товара, не заказанного множеством пользователей в течение предварительно выбранного временного интервала, подсчет соответственно количеств действий, направленных на товар соответственными пользователями за предварительно выбранный временной интервал, и регистрацию, покупают ли соответственные пользователи товар после предварительно выбранного временного интервала; создание обучающего набора в соответствии с данными множества пользователей, в модели, соответствующей обучающему набору, входное значение является количеством действий, направленных на заданный товар пользователем, и выходное значение представляет, купит ли пользователь заданный товар; проведение обучения методом линейной регрессии на обучающем наборе для определения совокупности параметров обучающего набора, чтобы посредством этого получить модель; и подсчет количества действий целевого (исследуемого) пользователя, который не разместил заказ в течение заданного временного интервала, и ввод количества в модель в качестве входного значения, чтобы получить выходное значение по модели.
Не обязательно, модель представляет собой следующее уравнение: Y=β0+β1X1+β2X2+…+βnXn+ε; причем значение Y соответствует тому, покупает ли пользователь товар, ε представляет заданную константу, β0, β1, … βn представляют весовые коэффициенты, и для X1, X2, … Xn, когда значение натурального целочисленного индекса n соответствует количеству раз направления действия на товар пользователем, Xn принимает первое заданное значение, или иначе принимает второе заданное значение.
Не обязательно, обучение методом линейной регрессии применяет метод градиентного спуска.
Не обязательно, после получения модели, способ дополнительно содержит: подсчет количеств действий для множества целевых пользователей за заданный временной интервал, и ввод соответственно количеств в модель в качестве входных значений, чтобы получить множество выходных значений по модели; и определение количества пользователей, которые купят заданный товар, из числа множества целевых пользователей в соответствии с множеством выходных значений.
Согласно другому аспекту изобретения, обеспечивается устройство для обработки данных действия пользователя.
Устройство для обработки данных действия пользователя согласно изобретению содержит: модуль подсчета для подсчета, для заданного товара, не заказанного множеством пользователей в течение предварительно выбранного временного интервала, соответственно количества действий, направленных на товар соответственными пользователями за предварительно выбранный временной интервал; модуль регистрации для регистрации, покупают ли соответственные пользователи заданный товар после предварительно выбранного временного интервала; модуль обучения для обучения методом линейной регрессии на обучающем наборе для определения множества параметров обучающего набора, чтобы посредством этого получить модель, соответствующую обучающему набору; обучающий набор, создаваемый в соответствии с данными множества пользователей, и в модели, входное значение является количеством действий, направленных на товар пользователем, и выходное значение представляет, купит ли пользователь заданный товар; и модуль вычисления для подсчета количества действий целевого пользователя за заданный временной интервал и ввода количества в модель в качестве входного значения, чтобы получить выходное значение по модели.
Не обязательно, модель представляет собой следующее уравнение: Y=β0+β1X1+β2X2+…+βnXn+ε; причем значение Y соответствует тому, купит ли пользователь заданный товар, ε представляет заданную константу, β0, β1, … βn представляют весовые коэффициенты, и для X1, X2, … Xn, когда значение натурального целочисленного индекса n соответствует количеству раз направления действия на товар пользователем, Xn принимает первое заданное значение или иначе принимает второе заданное значение.
Необязательно, обучение методом линейной регрессии применяет метод градиентного спуска.
Необязательно, модуль вычисления дополнительно используется для: подсчета количеств действий множества целевых пользователей, которые не разместили заказы в течение заданного временного интервала, и ввода соответственно количеств в модель в качестве входных значений, чтобы получить множество выходных значений по модели; и определения количества пользователей, которые купят заданный товар, из числа множества целевых пользователей в соответствии с множеством выходных значений.
В соответствии с техническими решениями по изобретению, данные предыстории применяют, чтобы проводить обучение модели для получения модели, и затем модель используется, чтобы прогнозировать, разместит ли пользователь, который не разместил заказ, заказ позже, что может достигать эффекта достаточно точного прогнозирования в случае, если обучающий набор является сравнительно большим, и помогает точному определению величины спроса на товар.
КРАТКОЕ ОПИСАНИЕ ЧЕРТЕЖЕЙ
Чертежи используются для лучшего понимания изобретения и не формируют ненадлежащие ограничения изобретения.
Причем:
Фиг.1 - схематичное представление основных этапов способа для обработки данных действия пользователя согласно варианту осуществления изобретения; и
Фиг.2 - схематичное представление основных модулей устройства для обработки данных действия пользователя согласно варианту осуществления изобретения.
ПОДРОБНОЕ ОПИСАНИЕ СУЩНОСТИ ИЗОБРЕТЕНИЯ
Примеры осуществления изобретения, включая различные подробности вариантов осуществления изобретения, описываются ниже с рассмотрением фигур чертежей для содействия пониманию, и варианты осуществления следует рассматривать только примерными. Таким образом, специалисты в данной области техники должны понимать, что могут делаться различные изменения и модификации по отношению к вариантам осуществления, описанным здесь, без выхода за рамки объема и сущности изобретения. Подобным образом для ясности и понятности опускаются описания общих функций и структур в описаниях ниже.
В варианте осуществления изобретения моделирование проводится по отношению к действию, направленному на товар пользователем, чтобы прогнозировать, имеется ли у пользователя потребность в товаре, не заказанном, но просматриваемом. Описания даются ниже путем рассмотрения Фиг.1. Фиг.1 является схематичным представлением основных этапов способа для обработки данных действия пользователя согласно варианту осуществления изобретения.
Этап S11: для заданного товара, не заказанного множеством пользователей в течение предварительно выбранного временного интервала, подсчет соответственно количеств действий, направленных на товар соответственными пользователями за предварительно выбранный временной интервал. Вышеупомянутое действие, направленное на товар пользователем, может быть одним типом действия, например, непосредственно просмотром товара; и лучше должно быть множественными действиями пользователя, которые вместе подсчитываются, например, непосредственный просмотр товара, поиск товара через поисковую систему и доступ к товару через поисковый портал.
Этап S12: регистрация того, покупают ли соответственные пользователи заданный товар после предварительно выбранного временного интервала. Вышеупомянутые два этапа находятся на стадии подготовки данных и получают данные обучающего набора в соответствии с данными предыстории. Предварительно выбранный временной интервал здесь может быть одним днем, несколькими днями или более длительным временем, и выбирается согласно фактическим условиям.
Этап S13: создание обучающего набора. Обучающий набор получают в соответствии с данными, полученными на вышеупомянутом этапе. Выходное значение по модели, соответствующей обучающему набору, представляет, покупает ли пользователь заданный товар. Например, выходное значение устанавливается в 0 для представления, что пользователь не разместил заказ, и выходное значение устанавливается в 1 для представления, что пользователь разместил заказ. Конечно, другие численные значения также могут быть приняты. Входное значение модели является количеством действий, направленных на товар пользователем. Например, если применяют количество просмотров, верхнее граничное значение количества просмотров может быть установлено в 300, например, если количество просмотров некоторого пользователя составляет 20, вектором [X1, X2, … Xn], соответствующим пользователю, является [0, 0, … 1, … 0], где только значение 20-ого элемента является 1, а значениями других элементов является 0. 20-ый элемент здесь определен в соответствии с тем, что количеством просмотров является 20. Кроме того, если приняты эти три действия, то есть, непосредственный просмотр товара, поиск товара через поисковую систему и доступ к товару через поисковый портал, верхние граничные значения для трех действий могут быть соответственно установлены в 300, векторы, соответствующие соответственным действиям, соединяют, чтобы сформировать вектор, имеющий размерность 900, и позиция элемента, не являющегося 0 в векторе, устанавливается в единицу согласованно количеству действий, например, если количество прямых просмотров пользователя составляет 10, поисковая система осуществляет поиск товара 5 раз, и к товару осуществляют доступ 3 раза через поисковый портал, то в векторе, имеющем размерность 900, только 10-ый, 305-ый и 603-ий элементы являются 1, а другие элементы являются 0.
Модель, соответствующая обучающему набору, может применять следующее уравнение: Y=β0+β1X1+β2X2+…+βnXn+ε; в котором Y является выходным значением, и его значение соответствует тому, покупает ли пользователь товар, например, Y есть 0, что представляет, что пользователь не разместил заказ, и Y есть 1, что представляет, что пользователь разместил заказ. ε представляет заданную константу для настройки точности модели. β0,β1, … βn представляют весовые коэффициенты, и X1,X2, … Xn являются элементами вектора. В соответствии с описаниями выше, когда значение натурального целочисленного индекса n соответствует количеству раз направления на товар действия пользователем, Xn принимает первое заданное значение, такое как 1, или иначе принимает второе заданное значение, такое как 0.
Этап S14: проведение обучения методом линейной регрессии на обучающем наборе. Этот этап относится к определению весовых коэффициентов β0,β1, … βn. Конкретно может быть принят к применению метод градиентного спуска. После того, как весовые коэффициенты определены, модель определяют с их помощью.
Этап S15: для заданного временного интервала, подсчет количества действий целевого пользователя, который не разместил заказ в течение временного интервала. На этом этапе проверяется количество действий, где у пользователя имеются действия, направленные на некоторый определенный товар в заданный временной интервал, но не имеется фактически размещенного заказа во временном интервале.
Этап S16: ввод количества, полученного на этапе S15, в модель в качестве входного значения, чтобы получить выходное значение путем вычисления. Выходное значение является непосредственно значением Y и представляет, что результатом размещения пользователем заказа, есть "ДА" или "НЕТ". Можно видеть, что для пользователя, который не разместил заказ, размещение пользователем заказа может прогнозироваться путем использования модели, полученной в варианте осуществления. Чем большим является обучающий набор, тем более точным является результат прогнозирования.
Для заданного товара в платформе электронной коммерции вышеупомянутые этапы могут использоваться, чтобы прогнозировать, разместит ли заказ каждый, просматривающий товар пользователь, и величина будущего спроса на товар может прогнозироваться в соответствии с полученным результатом.
Фиг.2 является схематичным представлением основных модулей устройства для обработки данных действия пользователя согласно варианту осуществления изобретения. Как показано на Фиг.2, устройство 20 для обработки данных действия пользователя согласно варианту осуществления изобретения в основном содержит модуль 21 подсчета, модуль 22 регистрации, модуль 23 обучения и модуль 24 вычисления.
Модуль 21 подсчета используется, чтобы для заданного товара, не заказанного множеством пользователей в течение предварительно выбранного временного интервала, подсчитывать соответственно количества действий, направленных на товар соответственными пользователями за предварительно выбранный временной интервал. Модуль 22 регистрации используется, чтобы регистрировать, покупают ли соответственные пользователи заданный товар после предварительно выбранного временного интервала. Модуль 23 обучения используется для проведения обучения методом линейной регрессии на обучающем наборе для определения совокупности параметров обучающего набора, чтобы посредством этого получить модель, соответствующую обучающему набору; обучающий набор создается в соответствии с данными множества пользователей, и в модели входное значение является количеством действий, направленных на товар пользователем, и выходное значение представляет, купит ли пользователь заданный товар. Модуль 24 вычисления используется для подсчета количества действий целевого пользователя в заданный временной интервал и ввода количества в модель в качестве входного значения, чтобы получить выходное значение по модели.
Модуль 24 вычисления может кроме того использоваться для: подсчета количеств действий множества целевых пользователей, которые не разместили заказы в заданный временной интервал, и ввода соответственно количеств в модель в качестве входных значений, чтобы получить множество выходных значений по модели; и определения количества пользователей, которые купят заданный товар, из числа множества целевых пользователей в соответствии с множеством выходных значений.
В соответствии с техническими решениями по изобретению, данные предыстории применяют для проведения обучения модели, чтобы получить модель, и затем модель используется, чтобы прогнозировать, разместит ли пользователь, который не разместил заказ, заказ позже, что может достигать эффекта довольно точного прогнозирования в случае, что обучающий набор является сравнительно большим, и помогает определению точной величины спроса на товар.
Содержание выше описывает основной принцип изобретения путем рассмотрения вариантов осуществления, и в устройстве и способе по изобретению очевидно, что соответствующие части или соответствующие этапы могут быть разложены на составляющие и/повторно объединены. Эти разложения и/или повторные объединения следует рассматривать эквивалентными решениями по изобретению. Кроме того, этапы для выполнения вышеупомянутой последовательности обработки естественно могут выполняться в хронологическом порядке в соответствии с описанной очередностью, но не обязательно выполняются в хронологическом порядке. Некоторые этапы могут быть параллельными и выполняться независимо друг от друга.
Вышеупомянутые варианты осуществления не формируют ограничений на объем охраны изобретения. Специалисты в данной области техники должны понимать, что в зависимости от конструктивных требований и других факторов могут иметь место различные модификации, комбинации, подкомбинации и замены. Любая модификация, эквивалентная замена, усовершенствование или подобное, выполненные в рамках объема и принципа изобретения, должны включаться в объем охраны изобретения.

Claims (20)

1. Способ для обработки данных действия пользователя, содержащий:
подсчет соответственно количеств действий, направленных на товар соответственными пользователями за предварительно выбранный временной интервал для заданного товара, который не заказан множеством пользователей в течение предварительно выбранного временного интервала, и регистрацию, покупают ли соответственные пользователи заданный товар после предварительно выбранного временного интервала;
создание обучающего набора в соответствии с данными множества пользователей, полученными на вышеупомянутых этапах подсчета количеств действий и регистрации, причем в модели, соответствующей обучающему набору, входным значением является количество действий, направленных на заданный товар пользователем, а выходное значение представляет, купит ли пользователь заданный товар;
проведение обучения методом линейной регрессии на обучающем наборе для определения совокупности параметров обучающего набора, чтобы посредством этого получить модель; и
подсчет количества действий целевого пользователя, который не разместил заказ в заданный временной интервал, и ввод количества в модель в качестве входного значения, чтобы получить выходное значение по модели.
2. Способ по п.1, в котором модель является следующим уравнением: Y=β0+β1X1+β2X2+…+βnXn+ε; причем значение Y соответствует, покупает ли пользователь товар, ε представляет заданную константу, β0, β1, … βn представляют весовые коэффициенты, и для X1, X2,…Xn, когда значение натурального целочисленного индекса n соответствует количеству раз направления действий на товар пользователем, Xn принимает первое заданное значение или иначе принимает второе заданное значение.
3. Способ по п.1 или 2, в котором обучение методом линейной регрессии применяет метод градиентного спуска.
4. Способ по п.1 или 2, в котором после получения модели, способ дополнительно содержит:
подсчет количеств действий множества целевых пользователей за заданный временной интервал и ввод соответственно количеств в модель в качестве входных значений для получения множества выходных значений по модели; и
определение количества пользователей, которые купят заданный товар, из числа множества целевых пользователей в соответствии с множеством выходных значений.
5. Устройство для обработки данных действия пользователя, содержащее:
модуль подсчета для подсчета соответственно количества действий, направленных на товар соответственными пользователями за предварительно выбранный временной интервал для заданного товара, который не заказан множеством пользователей в предварительно выбранный временной интервал;
модуль регистрации для регистрации, покупают ли соответственные пользователи заданный товар после предварительно выбранного временного интервала;
модуль обучения для обучения методом линейной регрессии на обучающем наборе для определения совокупности параметров обучающего набора, чтобы посредством этого получить модель, соответствующую обучающему набору; при этом обучающий набор создается в соответствии с данными множества пользователей на основании данных подсчета количества действий, полученных модулем подсчета, и на основании данных регистрации, полученных модулем регистрации, и в модели входное значение является количеством действий, направленных на товар пользователем, а выходное значение представляет, купит ли пользователь заданный товар; и
модуль вычисления для подсчета количества действий целевого пользователя за заданный временной интервал и ввода количества в модель в качестве входного значения, чтобы получить выходное значение по модели.
6. Устройство по п.5, в котором модель является следующим уравнением: Y=β0+β1X1+β2X2+…+βnXn+ε; причем значение Y соответствует тому, покупает ли пользователь заданный товар, ε представляет заданную константу, β0, β1, … βn представляют весовые коэффициенты, и для X1, X2, … Xn, когда значение натурального целочисленного индекса n соответствует количеству раз направления действия на товар пользователем, Xn принимает первое заданное значение или иначе принимает второе заданное значение.
7. Устройство по п.5 или 6, в котором обучение методом линейной регрессии применяет метод градиентного спуска.
8. Способ по п.5 или 6, в котором модуль вычисления дополнительно используется для:
подсчета количеств действий множества целевых пользователей, которые не разместили заказы в течение заданного временного интервала, и ввода соответственно количеств в модель в качестве входных значений, чтобы получать множество выходных значений по модели; и
определения количества пользователей, которые купят заданный товар, из числа множества целевых пользователей в соответствии с множеством выходных значений.
RU2017124445A 2014-12-12 2015-12-08 Способ и устройство обработки данных действия пользователя RU2670610C9 (ru)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
CN201410769144.3 2014-12-12
CN201410769144.3A CN104598521B (zh) 2014-12-12 2014-12-12 处理用户行为数据的方法和装置
PCT/CN2015/096631 WO2016091148A1 (zh) 2014-12-12 2015-12-08 处理用户行为数据的方法和装置

Publications (2)

Publication Number Publication Date
RU2670610C1 true RU2670610C1 (ru) 2018-10-25
RU2670610C9 RU2670610C9 (ru) 2018-11-26

Family

ID=53124307

Family Applications (1)

Application Number Title Priority Date Filing Date
RU2017124445A RU2670610C9 (ru) 2014-12-12 2015-12-08 Способ и устройство обработки данных действия пользователя

Country Status (6)

Country Link
US (1) US20170345029A1 (ru)
JP (1) JP2018503898A (ru)
CN (1) CN104598521B (ru)
HK (1) HK1208924A1 (ru)
RU (1) RU2670610C9 (ru)
WO (1) WO2016091148A1 (ru)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104598521B (zh) * 2014-12-12 2017-03-15 北京京东尚科信息技术有限公司 处理用户行为数据的方法和装置
CN105160008B (zh) * 2015-09-21 2020-03-31 合一网络技术(北京)有限公司 一种定位推荐用户的方法及装置
CN106095895B (zh) * 2016-06-07 2019-12-10 百度在线网络技术（北京）有限公司 信息推送方法和装置
CN107741967B (zh) * 2017-10-09 2020-12-22 北京京东尚科信息技术有限公司 用于行为数据处理的方法、装置以及电子设备
CN108053263A (zh) * 2017-12-28 2018-05-18 北京金堤科技有限公司 潜在用户数据挖掘的方法及装置
CN110858366A (zh) * 2018-08-24 2020-03-03 北京嘀嘀无限科技发展有限公司 一种下单转化率预测方法和装置
JP6855422B2 (ja) * 2018-09-05 2021-04-07 本田技研工業株式会社 商取引情報処理システム
CN109670998A (zh) * 2018-12-27 2019-04-23 三盟科技股份有限公司 基于校园大数据环境下的精准资助多级认定方法及系统
CN113095861A (zh) * 2020-01-08 2021-07-09 浙江大搜车软件技术有限公司 目标对象成交概率的预测方法、装置、设备及存储介质
CN113793180A (zh) * 2021-09-15 2021-12-14 北京沃东天骏信息技术有限公司 一种用户偏好分析方法、装置、设备和计算机存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030004781A1 (en) * 2001-06-18 2003-01-02 Mallon Kenneth P. Method and system for predicting aggregate behavior using on-line interest data
US20050049907A1 (en) * 2003-08-26 2005-03-03 Suresh Kumar Using page-view data to project demand for an item
US20070118421A1 (en) * 2005-11-21 2007-05-24 Takenori Oku Demand forecasting method, system and computer readable storage medium
US20120330779A1 (en) * 1997-11-14 2012-12-27 Tuzhilin Alexander S Predicting Purchasing Requirements
RU2480828C1 (ru) * 2011-10-14 2013-04-27 Общество С Ограниченной Ответственностью "Лайфстайл Маркетинг" Способ прогноза целевого показателя событий по неограниченному количеству характеристик
US20130262182A1 (en) * 2012-03-31 2013-10-03 Affectiva, Inc. Predicting purchase intent based on affect
CN103617459A (zh) * 2013-12-06 2014-03-05 李敬泉 一种多影响因素下商品需求信息预测方法

Family Cites Families (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5142612A (en) * 1990-08-03 1992-08-25 E. I. Du Pont De Nemours & Co. (Inc.) Computer neural network supervisory process control system and method
US7219139B2 (en) * 2001-06-29 2007-05-15 Claria Corporation System and method for using continuous messaging units in a network architecture
US20050154629A1 (en) * 2002-07-10 2005-07-14 Fujitsu Limited Product purchasing trend analyzing system
AU2002318654A1 (en) * 2002-07-10 2004-02-02 Fujitsu Limited Commodity purchase current analysis system
US20060059225A1 (en) * 2004-09-14 2006-03-16 A9.Com, Inc. Methods and apparatus for automatic generation of recommended links
JP2010055320A (ja) * 2008-08-27 2010-03-11 Shogyo Kaihatsu Kenkyusho:Kk 購買管理予測装置及びその方法
CN101482888A (zh) * 2009-02-23 2009-07-15 阿里巴巴集团控股有限公司 一种网站访客价值的计算方法及系统
US20110112981A1 (en) * 2009-11-09 2011-05-12 Seung-Taek Park Feature-Based Method and System for Cold-Start Recommendation of Online Ads
US20110153663A1 (en) * 2009-12-21 2011-06-23 At&T Intellectual Property I, L.P. Recommendation engine using implicit feedback observations
CN102346894B (zh) * 2010-08-03 2017-03-01 阿里巴巴集团控股有限公司 推荐信息的输出方法、系统及服务器
CN102402757A (zh) * 2010-09-15 2012-04-04 阿里巴巴集团控股有限公司 信息提供方法及装置、综合关联度确定方法及装置
JP5497689B2 (ja) * 2011-05-25 2014-05-21 日本電信電話株式会社 モデル生成方法及びモデル生成装置
JP5307217B2 (ja) * 2011-06-02 2013-10-02 株式会社黒河 販売促進計画支援システムとそのプログラム
CN102800006B (zh) * 2012-07-23 2016-09-14 姚明东 基于客户购物意图挖掘的实时商品推荐方法
US20180047071A1 (en) * 2012-07-24 2018-02-15 Ebay Inc. System and methods for aggregating past and predicting future product ratings
CN102968670B (zh) * 2012-10-23 2016-08-17 北京京东世纪贸易有限公司 预测数据的方法和装置
US9270767B2 (en) * 2013-03-15 2016-02-23 Yahoo! Inc. Method and system for discovery of user unknown interests based on supplemental content
US20140280550A1 (en) * 2013-03-15 2014-09-18 Yahoo! Inc. Method and system for measuring user engagement from stream depth
US9706008B2 (en) * 2013-03-15 2017-07-11 Excalibur Ip, Llc Method and system for efficient matching of user profiles with audience segments
CN103514369B (zh) * 2013-09-18 2016-07-06 上海交通大学 一种基于主动学习的回归分析系统及方法
US20150235239A1 (en) * 2014-02-19 2015-08-20 International Business Machines Corporation Predicting demand of a newly introduced short lifecycle product within an assortment
US9633316B2 (en) * 2014-05-15 2017-04-25 Cellco Partnership Predictive modeling based on summary data and modeling user's age at line level
US10235403B2 (en) * 2014-07-08 2019-03-19 Palo Alto Research Center Incorporated Parallel collective matrix factorization framework for big data
CN104598521B (zh) * 2014-12-12 2017-03-15 北京京东尚科信息技术有限公司 处理用户行为数据的方法和装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120330779A1 (en) * 1997-11-14 2012-12-27 Tuzhilin Alexander S Predicting Purchasing Requirements
US20030004781A1 (en) * 2001-06-18 2003-01-02 Mallon Kenneth P. Method and system for predicting aggregate behavior using on-line interest data
US20050049907A1 (en) * 2003-08-26 2005-03-03 Suresh Kumar Using page-view data to project demand for an item
US20070118421A1 (en) * 2005-11-21 2007-05-24 Takenori Oku Demand forecasting method, system and computer readable storage medium
RU2480828C1 (ru) * 2011-10-14 2013-04-27 Общество С Ограниченной Ответственностью "Лайфстайл Маркетинг" Способ прогноза целевого показателя событий по неограниченному количеству характеристик
US20130262182A1 (en) * 2012-03-31 2013-10-03 Affectiva, Inc. Predicting purchase intent based on affect
CN103617459A (zh) * 2013-12-06 2014-03-05 李敬泉 一种多影响因素下商品需求信息预测方法

Also Published As

Publication number Publication date
CN104598521B (zh) 2017-03-15
US20170345029A1 (en) 2017-11-30
WO2016091148A1 (zh) 2016-06-16
RU2670610C9 (ru) 2018-11-26
CN104598521A (zh) 2015-05-06
JP2018503898A (ja) 2018-02-08
HK1208924A1 (en) 2016-03-18

Similar Documents

Publication Publication Date Title
RU2670610C1 (ru) Способ и устройство обработки данных действия пользователя
CN104021163B (zh) 产品推荐系统及方法
Jozefowiez A branch‐and‐price algorithm for the multivehicle covering tour problem
CN104462554B (zh) 问答页面相关问题推荐方法和装置
Xiao et al. MIP-based fix-and-optimise algorithms for the parallel machine capacitated lot-sizing and scheduling problem
CN103544623A (zh) 一种基于用户偏好特征建模的Web 服务推荐方法
CN110443715A (zh) 基金产品推荐方法、装置、设备及计算机可读存储介质
CN105786838A (zh) 一种信息匹配处理方法和装置
Ramirez-Peña et al. Shipbuilding 4.0 index approaching supply chain
CN107562613A (zh) 程序测试方法、装置及系统
Popova et al. New methods and evaluation criteria of research efficiency
CN106885572B (zh) 利用时间序列预测的辅助定位方法和系统
RU2015148502A (ru) Система и способ уточнения результатов поиска
Cheng An evaluation of RFID door security system at Taipei arena ice land based on technology acceptance model
CN104462556B (zh) 问答页面相关问题推荐方法和装置
Paul et al. Impact of drug supply chain on the dynamics of infectious diseases
CN107067276A (zh) 确定对象影响力的方法及装置
CN108664605A (zh) 一种模型评估方法及系统
CN103544278B (zh) 确定网站抓取流量配额的方法及设备
Cappanera et al. Home Care Services delivery: equity versus efficiency in optimization models
CN104572951B (zh) 一种能力标签的确定方法及装置
Clever et al. Towards auto-suggested process modeling–prototypical development of an auto-suggest component for process modeling tools
Ehsani et al. The effectiveness of domestic Scientific research on Iran development Indicators
Huanca et al. Factors affecting the accuracy of use case points
CN109934451A (zh) 基于数据分析的跑腿代购方法、装置、存储介质和设备

Legal Events

Date Code Title Description
TH4A Reissue of patent specification