TWI539305B - Personalized information push method and device - Google Patents

Personalized information push method and device Download PDF

Info

Publication number
TWI539305B
TWI539305B TW101107350A TW101107350A TWI539305B TW I539305 B TWI539305 B TW I539305B TW 101107350 A TW101107350 A TW 101107350A TW 101107350 A TW101107350 A TW 101107350A TW I539305 B TWI539305 B TW I539305B
Authority
TW
Taiwan
Prior art keywords
information
information providing
terminal
data set
providing terminal
Prior art date
Application number
TW101107350A
Other languages
English (en)
Other versions
TW201327233A (zh
Inventor
zhi-xiong Yang
Ning-Jun Su
zhong-hua Deng
Original Assignee
Alibaba Group Holding Ltd
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 Alibaba Group Holding Ltd filed Critical Alibaba Group Holding Ltd
Publication of TW201327233A publication Critical patent/TW201327233A/zh
Application granted granted Critical
Publication of TWI539305B publication Critical patent/TWI539305B/zh

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • 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
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services

Description

個性化的資訊推送方法及裝置
本申請案係有關網路技術領域，尤其有關一種個性化的資訊推送方法及裝置。
目前的商品買賣網站中，向用戶推薦賣家，最常用的方式是：根據用戶最近搜索過的關鍵字，去搜索引擎查詢匹配而得到賣家，從而向用戶推薦。
這種推薦方式比較單一，無法根據賣家、買家以及運營商各方的推薦要求。例如：在實際的應用中某些運營部門要求向買家推薦最熱門的商品、多推薦買家用戶已經熟悉的用戶(因為對於已經有過聯繫的買賣用戶，再次發生交易的概率會更大)。
上述技術方案除了方式單一之外，因為如果用戶近期沒有搜索行為，則不能搜索到對應的搜索關鍵字，所以為了實現向儘量多的用戶提供賣家推薦操作，則需要系統保存大量而且長時間的搜索資料。從而會導致儲存資料佔用大量的系統儲存空間。另外，即使買家近期搜索了相關內容，如果要在用戶瀏覽、交易或者收藏某個具體的商品時向用戶推薦賣家，也需要臨時提取出目前商品的關鍵字來進行搜索。臨時提取關鍵字進行搜索，首先提取關鍵字的操作需要花費一定的時間，另外，利用關鍵字進行搜索操作需要對用戶的所有行文都進行分析處理，因此，會帶來 非常大的計算量，而且計算效率低，計算得到的結果也存在不夠準確的問題。
本申請案提供一種個性化的資訊推送方法及裝置，本申請案所提供的方法和裝置根據設定時間窗中的網路行為的次數而向用戶推薦資訊，使得推薦資訊更精確。
一種個性化的資訊推送方法，該方法包括：當多個用戶終端訪問多個資訊提供終端儲存在網路伺服器的資訊時，網路伺服器獲取所述多個用戶終端進行訪問操作的網路行為資料，並根據所述網路行為資料而確定在設定時間窗內每一個用戶終端與有過關聯的每一個資訊提供終端的關聯度數值；根據第一用戶終端在設定時間窗內與資訊提供終端的關聯度數值，獲取與第一用戶終端對應的多個資訊提供終端以形成第一資料集；根據關聯度數值的大小順序而從所述第一資料集中獲取多個資訊提供終端的資訊以產生第一資訊提供終端資訊，並將獲取到的第一資訊提供終端資訊推送給所述第一用戶終端。
根據上述方法一種個性化的資訊推送裝置，該裝置包括：關聯度數值確定模組，用以當多個用戶終端訪問多個資訊提供終端儲存在網路伺服器的資訊時，獲取所述多個 用戶終端進行訪問操作的網路行為資料，並根據所述網路行為資料而確定在設定時間窗內每一個用戶終端與有過關聯的每一個資訊提供終端的關聯度數值；第一資料集產生模組，用以根據第一用戶終端在設定時間窗內與資訊提供終端的關聯度數值，獲取與第一用戶終端對應的多個資訊提供終端以形成第一資料集；資訊推送模組，用以根據關聯度數值的大小順序而從所述第一資料集中獲取多個資訊提供終端的資訊以產生第一資訊提供終端資訊，並將獲取到的第一資訊提供終端資訊推送給所述第一用戶終端。
上述技術方案中的一個或兩個，至少具有如下技術效果：本申請案之實施例所提供的方法和裝置，設置了一個固定時長的時間窗，對該時間窗中的資料進行分析，從而只需要儲存並分析所述固定時長用戶訪問網站所產生的資料，所以減少了資料儲存的空間同時也減少了待分析資料的數量，從而提到了資料分析的效率。
本申請案之實施例提供一種個性化的資訊推送方法，該方法包括：當多個用戶終端訪問多個資訊提供終端儲存在網路伺服器的資訊時，網路伺服器獲取所述多個用戶終端進行訪問操作的網路行為資料，並根據所述網路行為資料而確定在設定時間窗內每一個用戶終端與有過關聯的每 一個資訊提供終端的關聯度數值；根據第一用戶終端在設定時間窗內與資訊提供終端的關聯度數值，獲取與第一用戶終端對應的多個資訊提供終端以形成第一資料集S1；根據關聯度數值的大小順序而從所述第一資料集中獲取多個資訊提供終端的資訊以產生第一資訊提供終端資訊，並將獲取到的第一資訊提供終端資訊推送給所述第一用戶終端。
如圖1所示，本申請案之實施例提供一種個性化的資訊推送方法，下面結合說明書附圖而對本申請案的具體實施方式進行詳細說明，該方法具體包括步驟：步驟101，當多個用戶終端訪問多個資訊提供終端儲存在網路伺服器的資訊時，網路伺服器獲取所述多個用戶終端進行訪問操作的網路行為資料，並根據所述網路行為資料而確定在設定時間窗內每一個用戶終端與有過關聯的每一個資訊提供終端的關聯度數值；步驟102，根據第一用戶終端在設定時間窗內與資訊提供終端的關聯度數值，獲取與第一用戶終端對應的多個資訊提供終端以形成第一資料集S1；步驟103，根據關聯度數值的大小順序而從所述第一資料集中獲取多個資訊提供終端的資訊以產生第一資訊提供終端資訊，並將獲取到的第一資訊提供終端資訊推送給所述第一用戶終端。
如圖2所示，本申請案之實施例在步驟101中，根據所述網路行為資料而確定在設定時間視窗內每一個用戶終 端與有過關聯的每一個資訊提供終端的關聯度數值的具體實現方式可以是：步驟201，根據所述網路行為資料而確定任一個用戶終端在設定時間窗中每一個預設時間周期對任一個資訊提供終端的各網路行為的次數；當本申請案之實施例所提供的方法被應用於網路商店以提供相關的店鋪資訊和商品資訊時，而本申請案之實施例中的用戶終端則可視為與網路店鋪具有關聯操作的用戶端設備，而所述資訊提供終端則為提供店鋪資訊的終端。且所述網路行為包括交易行為、收藏行為、聯繫行為(發email、透過即時通訊工具而溝通等)和瀏覽店鋪商品行為等；對於每一個(用戶終端、資訊提供終端)對，先篩選出每一個用戶終端存在關聯的資訊提供終端的行為資料(本申請案之實施例中存在關聯是指用戶終端與資訊提供終端之間有網路行為操作)；當然，本申請案之實施例並不限於應用於網路商店提供相關的店鋪資訊和商品資訊，也可以應用於視頻網站提供的視頻資訊或其他各種資訊提供平臺。
步驟202，將各網路行為的次數分別乘以對應的行為權重後乘以所述時間周期對應的時間衰減係數而得到所述任一個用戶終端與所述任一個資訊提供終端在一個時間周期的關聯度數值；因為在具體的應用中交易行為和瀏覽行為都體現了用戶對某一個店鋪或商品的關注度，但是根據網路行為的不 同類型所表明的關注度並不相同，所以對於不同的行為，分別設定對應的行為權重w1，w2，w3，w4等；因為伺服器設備的資料容量有限，所以，在設定用以計算的時間窗時，需要根據實際的需要而確定。例如最近90天內，也可以根據資料保存期限而設定為30天或者60天等；將收集到的計算時間窗內所有的行為資料參與計算；因為用戶的偏好會隨時間而衰減。目前用戶喜歡某一個類目，不代表一個月後仍然會喜歡這個類目。30天前的行為所表現出來的對偏好的興趣，對目前用戶偏好的影響沒有最近幾天的行為影響大。偏好P隨天數t的衰減趨勢如圖3所示的指數模型表示，亦即P(t)=K 1+exp((t-K 2)/K 3),t 0，這裏的天數t是負數。
參數K 1,K 2,K 3可以根據應用情況和資料的不同而調整。
因為在時間窗的時間相對較長，所以對應了好幾種不同的衰減係數，所以本申請案之實施例中進一步將所述時間窗劃分為多個計算時間周期(例如，1天、5天、7天或者10天)，對於每一個計算周期，對應有一個時間衰減係數；其中，所述衰減係數與所述時間周期的對應關係是所述時間周期與目前時間間隔的長度越大則對應的衰減係數愈小。亦即，離目前計算日越遠的計算時間周期，時間衰減越大，也就意味著時間衰減係數值越小。例如在60天內從1逐步衰減到0.01，計算周期為1天。則時間衰減因數a=0.9261，相當於60天從1衰退到0.01)； 顯然，不同的行為所代表的用戶喜好程度會不一樣。假設總共有n個行為，某用戶某天針對某一類目下的各行為發生的次數累計分別為x 1,...,x n 。則這一天裏該用戶表現出來的對該類目的偏好為Y=w 1 x 1+...+w n x n 。作為買家的偏好和作為賣家的偏好會分別計算。
目前各行為的權重，亦即，各w的值，根據實際應用中各行為所對應的關聯度確定，具體形式可以是如表1所述的格式：
具體應用中可以將各項網路行為的權重設定為表2所示的格式：
表2中的offer為商品資訊。
步驟203，將所述時間窗中任一個用戶終端與對應的任一個資訊提供終端的所有預設時間周期的關聯度數值累加，以得到所述任一個用戶終端與對應任一個資訊提供終端的關聯度數值；綜合各行為的權重與用戶偏好的時間衰減。設最近N天用戶行為表現出來的對某一類目的偏好為Y 0,...,Y N ，而這N天的時間衰減函數值分別為P(0),...,P(-N)。那麽用戶對該類目的偏好值即為P(0)Y 0+...+P(-N)Y N 。
表示成：Y(catid)=Σy(catid,date)＊ P(date-now)。
每一個商品都隸屬於某個類目。因此，用戶在網站上對於商品的所有行為都可以歸屬到某些類目上。
用戶對一個類目感興趣會透過網站上的一系列行為來予以體現。這些行為包括：瀏覽屬於某類目的商品資訊的詳細頁面，透過商品資訊頁面查看對方聯繫方式，透過商品資訊頁面而給對方貿易通留言或系統留言，發佈某個類目下的商品資訊，針對某個類目下的商品資訊而產生訂單等。作為買家和作為賣家的行為會根據商品資訊的性質區分。為了進一步的參考用戶終端和資訊提供終端的偏好，則還需要在將獲取到的第一資訊提供終端資訊推送給所述用戶終端之前，如圖4所示，本申請案方法還進一步包括：步驟401，獲取多個用戶終端訪問資訊提供終端的商 品資訊，根據每一個商品所屬的類目，確定每一個用戶終端的偏好類目以及對應的第一偏好數值；步驟402，資訊提供終端提供的商品所屬的不同類目和每一個類目對應的商品數量，以確定每一個資訊提供終端的偏好類目以及對應的第二偏好數值；步驟403，根據所述第一偏好數值和第二偏好數值應用相關性計算方式而得到每一個用戶終端與每一個資訊提供終端的相關性數值；步驟404，根據所述相關性數值，獲取多個資訊提供終端以形成第二資料集S2；步驟405，根據相關性數值的大小順序而從所述第二資料集中獲取多個資訊提供終端資訊，並將獲取到的資訊提供終端資訊添加到第一資訊提供終端資訊中。
在具體的應用中，店鋪的熱度值和也會影響到用戶終端的選擇，所以在向用戶終端推薦相關資訊時，也需要考慮到店鋪熱度值。所以步驟103中在將獲取到的第一資訊提供終端資訊推送給所述用戶終端之前，如圖5所示，該方法還進一步包括：步驟501，根據任一個資訊提供終端的網路行為資料的來源方式分別將不同來源的網路行為次數乘上對應的權重後乘以所述時間周期對應的時間衰減係數而得到該資訊提供終端在一個時間周期的區段熱度值；其中，所述網路行為資料是透過用戶對資訊提供終端所提供的商品資訊以及對整個店鋪的行為運算元據，如對 某個商品的瀏覽收藏和對某個店鋪的瀏覽收藏操作，則對應的網路行為資料的來源並不相同。所以在具體應用時，該方法的具體實現方式可以是：計算每一個商品的熱度值；然後對於每一個賣家(資訊提供終端)，將歸屬於該賣家的所有商品的熱度累加起來，表示為hotdegree_goods；參考商品熱度計算方式，計算賣家的商鋪的熱度(行為假設為被收藏、聯繫行為等)，表示為hotdegree_seller；計算賣家熱度值=hotdegree_goods＊w11+hotdegree_seller＊w21，其中，W11和w21分別為對應的權重值。
因為每一個用戶或者是賣家會根據季節變化等因素導致各種商品的熱度值而產生變化，所以在確定商品的熱度值時，需要乘上對應的時間衰減因數已使得最終得到的熱度值更具有實際應用意義。
步驟502，將一個時間窗中多個時間周期對應的區段熱度值進行累加而得到資訊提供終端的熱度值。
步驟503，根據資訊提供終端的熱度值，獲取多個資訊提供終端以形成第三資料集S3；步驟504，根據所述賣家熱度值的大小順序而從所述第三資料集中獲取多個資訊提供終端資訊，並將獲取到的資訊提供終端資訊添加到第一資訊提供終端資訊中。
另外，因為上述三個資料集是根據用戶終端和資訊提供終端的不同側重點所得出的資料資訊集合，所以在根據 實際應用中從所述三個資料集中獲取多個資訊提供終端的資訊推送給對應的用戶終端可以是：將第一資料集、第二資料集和第三資料集之預設的對應百分比rat1，rat2，rat3分別乘上N，以確定需從每一個資料集中獲取的客戶終端資訊之個數，其中，rat1+rat2+rat3=100%；其中，百分比rat1，rat2和rat3根據不同的業務需求，在不同的推薦情況中不相同。
如果需要推薦N個賣家，則對應的每一個資料集所推送的資訊提供終端資訊的資料為：從S1中依次取出N＊rat1個賣家，具體賣家數不足，則表示為k1；從S2中依次取出N＊rat2個賣家，具體賣家數不足，則表示為k2；從S3中依次取出N＊rat3個賣家，具體賣家數不足，則表示為k3；如果k1<N＊rat1，則從S2中再從未取過的賣家中取出N＊rat1-k1個賣家，實際取出的賣家數表示為k4；如果k1+k2+k4<N＊rat1+n＊rat2，則從S3中再取出N＊rat1+N＊rat2-k1-k2-k4個賣家。
如圖6所示，本申請案之實施例還提供一種個性化的資訊推送裝置，該裝置包括：關聯度數值確定模組601，用以當多個用戶終端訪問多個資訊提供終端儲存在網路伺服器的資訊時，獲取所述多個用戶終端進行訪問操作的網路行為資料，並根據所述 網路行為資料而確定在設定時間窗內每一個用戶終端與有過關聯的每一個資訊提供終端的關聯度數值；第一資料集產生模組602，用以根據第一用戶終端在設定時間窗內與資訊提供終端的關聯度數值，獲取與第一用戶終端對應的多個資訊提供終端以形成第一資料集S1；資訊推送模組603，用以根據關聯度數值的大小順序而從所述第一資料集中獲取多個資訊提供終端的資訊以產生第一資訊提供終端資訊，並將獲取到的第一資訊提供終端資訊推送給所述第一用戶終端。
每一個商品都隸屬於某一個類目。因此，用戶在網站上對於商品的所有行為都可以歸屬到某些類目上。該裝置還包括：第二資料資訊獲取模組604，用以獲取多個用戶終端訪問資訊提供終端的商品資訊，根據每一個商品所屬的的類目，確定每一個用戶終端的偏好類目以及對應的第一偏好數值；資訊提供終端提供的商品所屬的不同類目和每一個類目對應的商品數量，以確定每一個資訊提供終端的偏好類目以及對應的第二偏好數值；根據所述第一偏好數值和第二偏好數值應用相關性計算方式而得到每一個用戶終端與每一個資訊提供終端的相關性數值；根據所述相關性數值，獲取多個資訊提供終端以形成第二資料集S2；根據相關性數值的大小順序而從所述第二資料集中獲取多個資訊提供終端資訊，並將獲取到的資訊提供終端資訊添加 到第一資訊提供終端資訊中。
在具體的應用中，店鋪的熱度值和也會影響到用戶終端的選擇，所以在向用戶終端推薦相關資訊時，也需要考慮到店鋪熱度值。該裝置還包括：第三資料資訊獲取模組605，用以根據任一個資訊提供終端的網路行為資料的來源方式分別將不同來源的網路行為次數乘上對應的權重後乘以所述時間周期對應的時間衰減係數而得到該資訊提供終端在一個時間周期的區段熱度值，將一個時間窗中多個時間周期對應的區段熱度值進行累加而得到資訊提供終端的熱度值；根據資訊提供終端的熱度值，獲取多個資訊提供終端以形成第三資料集S3；根據所述熱度值的大小順序而從所述第三資料集中獲取多個資訊提供終端資訊，並將獲取到的資訊提供終端資訊添加到第一資訊提供終端資訊中。
另外，因為上述三個資料集是根據用戶終端和資訊提供終端的不同側重點所得出的資料資訊集合，所以在根據實際應用中從所述三個資料集中獲取多個資訊提供終端的資訊推送給對應的用戶終端，該裝置還還包括：選擇模組606，用以將第一資料集、第二資料集和第三資料集之預設的對應百分比rat1，rat2，rat3分別乘上N，以確定需從每一個資料集中獲取的客戶終端資訊之個數，其中，rat1+rat2+rat3=100%。
本申請案之實施例中的上述一個或多個技術方案，至少具有如下的技術效果： 本申請案所提供的方法和裝置，設置了一個固定時長的時間窗，對該時間窗中的資料進行分析，從而只需要儲存並分析所述固定時長用戶訪問網站所產生的資料，所以減少了資料儲存的空間同時也減少了待分析資料的數量，從而提到了資料分析的效率。
另外，根據用戶的網路行為以及根據網路行為的時間而確定所述網路行為對用戶選擇的影響，從而更精確的向用戶終端推送資訊提供終端的資訊。而且本申請案所提供的方法並不局限於用戶的輸入資訊進行對推薦，所以在用戶沒有輸入關鍵字的情況下也能夠為用戶推薦對應的資訊。
本申請案所述的方法並不限於具體實施方式中所述的實施例，本領域技術人員根據本申請案的技術方案而得出其他的實施方式，同樣屬於本申請案的技術創新範圍。
顯然，本領域的技術人員可以對本申請案進行各種修改和變化而不脫離本申請案的精神和範圍。這樣，倘若本申請案的這些修改和變型屬於本申請案的申請專利範圍及其等同技術的範圍之內，則本申請案也意圖包含這些修改和變型在內。
601‧‧‧關聯度數值確定模組
602‧‧‧第一資料集產生模組
603‧‧‧資訊推送模組
604‧‧‧第二資料資訊獲取模組
605‧‧‧第三資料資訊獲取模組
606‧‧‧選擇模組
圖1為本申請案實施例之一種個性化的資訊推送方法的流程圖；圖2為本申請案實施例中確定關聯度數值的方法流程 圖；圖3為本申請案實施例偏好P隨天數t的衰減趨勢的示意圖；圖4為本申請案實施例之獲取第二資料集的方法流程圖；圖5為本申請案實施例之獲取第三資料集的方法流程圖；圖6為本申請案實施例之一種個性化的資訊推送裝置的結構示意圖。

Claims (10)

  1. 一種個性化的資訊推送方法，其特徵在於，該方法包括：當多個用戶終端訪問多個資訊提供終端儲存在網路伺服器的資訊時，網路伺服器獲取該多個用戶終端進行訪問操作的網路行為資料，並根據該網路行為資料而確定在設定時間窗內每一個用戶終端與有過關聯的每一個資訊提供終端的關聯度數值；根據第一用戶終端在設定時間窗內與資訊提供終端的關聯度數值，獲取與該第一用戶終端對應的多個資訊提供終端以形成第一資料集；以及根據關聯度數值的大小順序而從該第一資料集中獲取多個資訊提供終端的資訊以產生第一資訊提供終端資訊，並將獲取到的第一資訊提供終端資訊推送給該第一用戶終端。
  2. 如申請專利範圍第1項所述的方法，其中，根據該網路行為資料而確定在設定時間視窗內每一個用戶終端與有過關聯的每一個資訊提供終端的關聯度數值包括：根據該網路行為資料而確定任一個用戶終端在設定時間窗中每一個預設時間周期對任一個資訊提供終端的各網路行為的次數；將各網路行為的次數分別乘以對應的行為權重後乘以該時間周期對應的時間衰減係數而得到該任一個用戶終端與該任一個資訊提供終端在一個時間周期的關聯度數值； 以及將該時間窗中任一個用戶終端與對應的任一個資訊提供終端的所有預設時間周期的關聯度數值累加，以得到該任一個用戶終端與對應任一個資訊提供終端的關聯度數值。
  3. 如申請專利範圍第2項所述的方法，其中，該衰減係數與該時間周期的對應關係是該時間周期與目前時間間隔的長度越大則對應的衰減係數愈小。
  4. 如申請專利範圍第1項所述的方法，其中，在將獲取到的第一資訊提供終端資訊推送給該用戶終端之前，進一步包括：獲取多個用戶終端訪問資訊提供終端的資訊，根據每一個資訊所屬的類目，確定每一個用戶終端的偏好類目以及對應的第一偏好數值；資訊提供終端提供的資訊所屬的不同類目和每一個類目對應的資訊數量，以確定每一個資訊提供終端的偏好類目以及對應的第二偏好數值；根據該第一偏好數值和第二偏好數值應用相關性計算方式而得到每一個用戶終端與每一個資訊提供終端的相關性數值；根據該相關性數值，獲取多個資訊提供終端以形成第二資料集；以及根據相關性數值的大小順序而從該第二資料集中獲取多個資訊提供終端資訊，並將獲取到的資訊提供終端資訊 添加到第一資訊提供終端資訊中。
  5. 如申請專利範圍第4項所述的方法，其中，在將獲取到的第一資訊提供終端資訊推送給該用戶終端之前，進一步包括：根據任一個資訊提供終端的網路行為資料的來源方式，分別將不同來源的網路行為次數乘上對應的權重後乘以該時間周期對應的時間衰減係數而得到該資訊提供終端在一個時間周期的區段熱度值；將一個時間窗中多個時間周期對應的區段熱度值進行累加而得到資訊提供終端的熱度值；根據資訊提供終端的熱度值，獲取多個資訊提供終端以形成第三資料集S3；以及根據該熱度值的大小順序而從該第三資料集中獲取多個資訊提供終端資訊，並將獲取到的資訊提供終端資訊添加到第一資訊提供終端資訊中。
  6. 如申請專利範圍第5項所述的方法，其中，在將獲取到的第一資訊提供終端資訊推送給該用戶終端之前，從第一資料集、第二資料集和第三資料集中獲取N個客戶終端資訊，包括：將第一資料集、第二資料集和第三資料集之預設的對應百分比rat1，rat2，rat3分別乘上N，以確定需從每一個資料集中獲取的客戶終端資訊之個數，其中，rat1+rat2+rat3=100%。
  7. 一種個性化的資訊推送裝置，其特徵在於，該裝置 包括：關聯度數值確定模組，用以當多個用戶終端訪問多個資訊提供終端儲存在網路伺服器的資訊時，獲取該多個用戶終端進行訪問操作的網路行為資料，並根據該網路行為資料而確定在設定時間窗內每一個用戶終端與有過關聯的每一個資訊提供終端的關聯度數值；第一資料集產生模組，用以根據第一用戶終端在設定時間窗內與資訊提供終端的關聯度數值，獲取與該第一用戶終端對應的多個資訊提供終端以形成第一資料集；以及資訊推送模組，用以根據關聯度數值的大小順序而從該第一資料集中獲取多個資訊提供終端的資訊以產生第一資訊提供終端資訊，並將獲取到的第一資訊提供終端資訊推送給該第一用戶終端。
  8. 如申請專利範圍第7項所述的裝置，其中，該裝置還包括：第二資料資訊獲取模組，用以獲取多個用戶終端訪問資訊提供終端的資訊，根據每一個資訊所屬的類目，確定每一個用戶終端的偏好類目以及對應的第一偏好數值；資訊提供終端提供的資訊所屬的不同類目和每一個類目對應的資訊數量，確定每一個資訊提供終端的偏好類目以及對應的第二偏好數值；根據該第一偏好數值和第二偏好數值應用相關性計算方式而得到每一個用戶終端與每一個資訊提供終端的相關性數值；根據該相關性數值，獲取多個資訊提供終端以形成第二資料集；以及根據相關性數值的大 小順序而從該第二資料集中獲取多個資訊提供終端資訊，並將獲取到的資訊提供終端資訊添加到第一資訊提供終端資訊中。
  9. 如申請專利範圍第8項所述的裝置，其中，該裝置還包括：第三資料資訊獲取模組，用以根據任一個資訊提供終端的網路行為資料的來源方式，分別將不同來源的網路行為次數乘上對應的權重後乘以該時間周期對應的時間衰減係數而得到該資訊提供終端在一個時間周期的區段熱度值，將一個時間窗中多個時間周期對應的區段熱度值進行累加而得到資訊提供終端的熱度值；根據資訊提供終端的熱度值，獲取多個資訊提供終端以形成第三資料集S3；以及根據該熱度值的大小順序而從該第三資料集中獲取多個資訊提供終端資訊，並將獲取到的資訊提供終端資訊添加到第一資訊提供終端資訊中。
  10. 如申請專利範圍第9項所述的裝置，其中，該裝置還包括：選擇模組，用以將第一資料集、第二資料集和第三資料集之預設的對應百分比rat1，rat2，rat3分別乘上N，以確定需從每一個資料集中獲取的客戶終端資訊之個數，其中，rat1+rat2+rat3=100%。
TW101107350A 2011-12-16 2012-03-05 Personalized information push method and device TWI539305B (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201110424664.7A CN103164804B (zh) 2011-12-16 2011-12-16 一种个性化的信息推送方法及装置

Publications (2)

Publication Number Publication Date
TW201327233A TW201327233A (zh) 2013-07-01
TWI539305B true TWI539305B (zh) 2016-06-21

Family

ID=48587867

Family Applications (1)

Application Number Title Priority Date Filing Date
TW101107350A TWI539305B (zh) 2011-12-16 2012-03-05 Personalized information push method and device

Country Status (6)

Country Link
US (1) US9208437B2 (zh)
EP (1) EP2791832A1 (zh)
JP (1) JP5945332B2 (zh)
CN (1) CN103164804B (zh)
TW (1) TWI539305B (zh)
WO (1) WO2013090686A1 (zh)

Families Citing this family (47)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102542474B (zh) 2010-12-07 2015-10-21 阿里巴巴集团控股有限公司 查询结果排序方法及装置
CN102956009B (zh) * 2011-08-16 2017-03-01 阿里巴巴集团控股有限公司 一种基于用户行为的电子商务信息推荐方法与装置
CN104252470B (zh) * 2013-06-26 2018-02-09 重庆新媒农信科技有限公司 一种热词推荐方法及系统
US20150081469A1 (en) * 2013-09-17 2015-03-19 International Business Machines Corporation Assisting buying decisions using customer behavior analysis
CN103473352A (zh) * 2013-09-24 2013-12-25 上海新数网络科技有限公司 集成个性化信息推送系统
CN104636373A (zh) * 2013-11-11 2015-05-20 腾讯科技（深圳）有限公司 一种信息推送方法及装置
US10521824B1 (en) * 2014-01-02 2019-12-31 Outbrain Inc. System and method for personalized content recommendations
CN104021163B (zh) * 2014-05-28 2017-10-24 深圳市盛讯达科技股份有限公司 产品推荐系统及方法
CN104077713B (zh) * 2014-06-16 2017-11-03 微梦创科网络科技（中国）有限公司 访问网站的用户的需求评估、广告推送方法和系统
CN104391853B (zh) * 2014-09-25 2018-09-04 深圳大学 Poi推荐方法、poi信息处理方法及服务器
CN105630852A (zh) * 2014-11-28 2016-06-01 北京奇立软件技术有限公司 信息查询的方法以及服务器
WO2017007785A1 (en) * 2015-07-07 2017-01-12 Alibaba Group Holding Limited Computerized system and method for pushing information between devices
CN106341735A (zh) 2015-07-07 2017-01-18 阿里巴巴集团控股有限公司 一种信息推送方法和装置
CN106339393B (zh) * 2015-07-09 2020-08-11 阿里巴巴集团控股有限公司 信息推送方法及装置
CN105142028B (zh) * 2015-07-29 2018-02-27 华中科技大学 面向三网融合的电视节目内容搜索与推荐方法
CN105634860B (zh) * 2015-12-21 2019-09-24 中国电子科技集团公司第十五研究所 一种上网行为轨迹还原的方法和装置
CN105491056A (zh) * 2015-12-25 2016-04-13 深圳市金立通信设备有限公司 一种信息推送方法及终端
CN106997360A (zh) * 2016-01-25 2017-08-01 阿里巴巴集团控股有限公司 用户行为数据的处理方法和装置
CN111782941B (zh) * 2016-05-11 2023-12-12 创新先进技术有限公司 信息推荐方法、装置及服务器
CN107920103B (zh) * 2016-10-11 2021-02-26 阿里巴巴集团控股有限公司 一种信息推送的方法和系统及客户端和服务器
CN107026892B (zh) * 2016-11-03 2020-04-28 阿里巴巴集团控股有限公司 消息推荐方法和装置
CN106791962B (zh) * 2016-11-29 2020-11-06 聚好看科技股份有限公司 用户的兴趣视频确定方法及视频服务器
TWI726981B (zh) * 2017-01-23 2021-05-11 香港商阿里巴巴集團服務有限公司 資訊投放用戶的篩選方法和設備
US10609453B2 (en) 2017-02-21 2020-03-31 The Directv Group, Inc. Customized recommendations of multimedia content streams
CN108632311A (zh) * 2017-03-20 2018-10-09 北京京东尚科信息技术有限公司 信息推送方法和装置
CN106993030A (zh) * 2017-03-22 2017-07-28 北京百度网讯科技有限公司 基于人工智能的信息推送方法和装置
CN108733706B (zh) * 2017-04-20 2022-12-20 腾讯科技（深圳）有限公司 热度信息的生成方法和装置
CN108985805B (zh) * 2017-05-31 2021-04-30 北京京东尚科信息技术有限公司 一种选择性执行推送任务的方法和装置
CN107392669B (zh) * 2017-07-26 2020-12-11 莆田市烛火信息技术有限公司 一种商品信息推送方法、装置及系统
CN107844536B (zh) * 2017-10-18 2020-06-09 西安万像电子科技有限公司 应用程序选择的方法、装置和系统
CN110536269B (zh) * 2018-05-25 2023-04-18 北京搜狗科技发展有限公司 一种信息共享的方法和装置
CN110633405A (zh) * 2018-06-01 2019-12-31 北京京东尚科信息技术有限公司 用于推送信息的方法和装置
CN108920596B (zh) * 2018-06-27 2021-10-29 广东亿迅科技有限公司 一种个性化推荐算法及终端
CN108959602A (zh) * 2018-07-13 2018-12-07 大连思索引擎信息有限公司 一种依托于主观价值的信息筛选方法
CN111091253A (zh) * 2018-10-23 2020-05-01 北京嘀嘀无限科技发展有限公司 网约车组队方法、装置、设备及存储介质
CN111192657A (zh) * 2018-11-15 2020-05-22 宁波方太厨具有限公司 一种基于用户行为热度的菜谱推荐方法
CN110032860B (zh) * 2018-12-27 2020-07-28 阿里巴巴集团控股有限公司 登录方式的推送、展示方法、装置及设备
CN109741112B (zh) * 2019-01-10 2020-12-25 博拉网络股份有限公司 一种基于移动大数据的用户购买意向预测方法
CN110222257B (zh) * 2019-05-13 2020-01-31 特斯联（北京）科技有限公司 一种推荐业务信息的方法、装置及数据链节点
CN110135910A (zh) * 2019-05-16 2019-08-16 拉扎斯网络科技（上海）有限公司 一种用户数据处理方法及装置、介质、计算设备
CN110971659A (zh) * 2019-10-11 2020-04-07 贝壳技术有限公司 推荐消息的推送方法、装置及存储介质
CN111475726B (zh) * 2020-04-03 2022-05-03 中国人民解放军国防科技大学 一种基于多因数@优化模型的Twitter网络信息推送最大化方法
CN111554387B (zh) * 2020-04-26 2023-05-23 医渡云（北京）技术有限公司 医生信息推荐的方法、装置、存储介质及电子设备
CN111738768A (zh) * 2020-06-24 2020-10-02 江苏云柜网络技术有限公司 广告推送方法及系统
CN112927040A (zh) * 2021-02-23 2021-06-08 四川享宇金信金融科技有限公司 一种金融服务平台智能化推荐方法
CN113326434B (zh) * 2021-06-15 2023-03-03 深圳前海微众银行股份有限公司 一种信息推荐方法、设备及存储介质
CN115456721B (zh) * 2022-09-16 2023-12-12 广东朝阳全网通科技有限公司 一种基于互联网的电子商务商品推送方法及系统

Family Cites Families (56)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6029195A (en) 1994-11-29 2000-02-22 Herz; Frederick S. M. System for customized electronic identification of desirable objects
US5758257A (en) 1994-11-29 1998-05-26 Herz; Frederick System and method for scheduling broadcast of and access to video programs and other data using customer profiles
US6092105A (en) 1996-07-12 2000-07-18 Intraware, Inc. System and method for vending retail software and other sets of information to end users
US6195657B1 (en) 1996-09-26 2001-02-27 Imana, Inc. Software, method and apparatus for efficient categorization and recommendation of subjects according to multidimensional semantics
US6356879B2 (en) 1998-10-09 2002-03-12 International Business Machines Corporation Content based method for product-peer filtering
US6606624B1 (en) 1999-08-13 2003-08-12 The Regents Of The University Of California Apparatus and method for recommending to an individual selective information contained within a computer network
US6963867B2 (en) 1999-12-08 2005-11-08 A9.Com, Inc. Search query processing to provide category-ranked presentation of search results
JP2001236405A (ja) 2000-02-24 2001-08-31 Sumisho Computer Systems Corp 販売促進支援装置および方法、記録媒体
IL134943A0 (en) 2000-03-08 2001-05-20 Better T V Technologies Ltd Method for personalizing information and services from various media sources
JP2001265767A (ja) 2000-03-17 2001-09-28 Toshiba Corp 販売支援システム、販売支援方法及び販売支援システムにおける販売支援プログラムを記録した記録媒体
JP4222712B2 (ja) 2000-06-27 2009-02-12 シャープ株式会社 広告配信システム、第２利用者装置、およびサービス提供装置
JP2002063303A (ja) 2000-08-23 2002-02-28 Takayuki Oishi 格付情報を利用したオンライン・マーケティング・システム
US6587781B2 (en) * 2000-08-28 2003-07-01 Estimotion, Inc. Method and system for modeling and processing vehicular traffic data and information and applying thereof
JP2006012115A (ja) 2000-09-14 2006-01-12 Silver Egg Technology Kk 推奨情報提供方法、推奨情報送信システム、推奨情報送信装置及び記録媒体
JP3838014B2 (ja) 2000-09-27 2006-10-25 日本電気株式会社 嗜好学習装置、嗜好学習システム、嗜好学習方法および記録媒体
US7089237B2 (en) 2001-01-26 2006-08-08 Google, Inc. Interface and system for providing persistent contextual relevance for commerce activities in a networked environment
EP1265398A1 (en) 2001-06-08 2002-12-11 Hewlett Packard Company, a Delaware Corporation Proces for personalizing a transaction through an internet or intranet network
US7181488B2 (en) 2001-06-29 2007-02-20 Claria Corporation System, method and computer program product for presenting information to a user utilizing historical information about the user
JP2003058672A (ja) 2001-08-17 2003-02-28 Yutaka Matsudo 店舗の評価情報提供システム
JP2003150835A (ja) 2001-11-14 2003-05-23 Just Syst Corp 商品推薦システム、方法及び装置、並びにプログラム
US8352499B2 (en) 2003-06-02 2013-01-08 Google Inc. Serving advertisements using user request information and user information
US20060069616A1 (en) 2004-09-30 2006-03-30 David Bau Determining advertisements using user behavior information such as past navigation information
US7320020B2 (en) 2003-04-17 2008-01-15 The Go Daddy Group, Inc. Mail server probability spam filter
US7836051B1 (en) 2003-10-13 2010-11-16 Amazon Technologies, Inc. Predictive analysis of browse activity data of users of a database access system in which items are arranged in a hierarchy
US7606772B2 (en) 2003-11-28 2009-10-20 Manyworlds, Inc. Adaptive social computing methods
US8255413B2 (en) 2004-08-19 2012-08-28 Carhamm Ltd., Llc Method and apparatus for responding to request for information-personalization
US8171022B2 (en) 2004-11-05 2012-05-01 Johnston Jeffrey M Methods, systems, and computer program products for facilitating user interaction with customer relationship management, auction, and search engine software using conjoint analysis
US7676400B1 (en) 2005-06-03 2010-03-09 Versata Development Group, Inc. Scoring recommendations and explanations with a probabilistic user model
US8019758B2 (en) 2005-06-21 2011-09-13 Microsoft Corporation Generation of a blended classification model
US20070061195A1 (en) 2005-09-13 2007-03-15 Yahoo! Inc. Framework for selecting and delivering advertisements over a network based on combined short-term and long-term user behavioral interests
JP2007140841A (ja) 2005-11-17 2007-06-07 Tokyo Servey Research Inc 情報処理装置及びその制御方法
US8438170B2 (en) 2006-03-29 2013-05-07 Yahoo! Inc. Behavioral targeting system that generates user profiles for target objectives
WO2008005102A2 (en) 2006-05-13 2008-01-10 Sap Ag Consistent set of interfaces derived from a business object model
JP2007318364A (ja) 2006-05-24 2007-12-06 Sharp Corp 番組推薦装置、番組推薦方法、そのプログラムおよびコンピュータ読取可能な記録媒体
US20080004884A1 (en) 2006-06-29 2008-01-03 Microsoft Corporation Employment of offline behavior to display online content
US9003056B2 (en) 2006-07-11 2015-04-07 Napo Enterprises, Llc Maintaining a minimum level of real time media recommendations in the absence of online friends
WO2008019007A2 (en) 2006-08-04 2008-02-14 Thefind, Inc. Method for relevancy ranking of products in online shopping
US20100114587A1 (en) 2006-11-02 2010-05-06 Hiroaki Masuyama Patent evaluating device
KR20100051767A (ko) 2006-12-22 2010-05-18 폼 유케이, 인코포레이티드 클라이언트 네트워크 활동 채널링 시스템 및 방법
US20080189169A1 (en) 2007-02-01 2008-08-07 Enliven Marketing Technologies Corporation System and method for implementing advertising in an online social network
JP2008305037A (ja) 2007-06-06 2008-12-18 Fuji Xerox Co Ltd 顧客支援システム
CN101079064B (zh) 2007-06-25 2011-11-30 腾讯科技（深圳）有限公司 一种网页排序方法及装置
WO2009006150A1 (en) 2007-06-28 2009-01-08 Google Inc. Using previous user search query to target advertisements
US20090106221A1 (en) 2007-10-18 2009-04-23 Microsoft Corporation Ranking and Providing Search Results Based In Part On A Number Of Click-Through Features
US8645409B1 (en) 2008-04-02 2014-02-04 Google Inc. Contextual search term evaluation
US8731995B2 (en) 2008-05-12 2014-05-20 Microsoft Corporation Ranking products by mining comparison sentiment
CN101324948B (zh) * 2008-07-24 2015-11-25 阿里巴巴集团控股有限公司 一种信息推荐的方法及装置
JP2010108082A (ja) 2008-10-28 2010-05-13 Brother Ind Ltd コンテンツ分散保存システム、コンテンツ保存方法、ノード装置、及びノード処理プログラム
US8176043B2 (en) 2009-03-12 2012-05-08 Comcast Interactive Media, Llc Ranking search results
CN101515360A (zh) * 2009-04-13 2009-08-26 阿里巴巴集团控股有限公司 向用户推荐网络目标信息的方法和服务器
CN101887437B (zh) 2009-05-12 2016-03-30 阿里巴巴集团控股有限公司 一种搜索结果生成方法及信息搜索系统
US8234147B2 (en) 2009-05-15 2012-07-31 Microsoft Corporation Multi-variable product rank
CN102110098B (zh) * 2009-12-25 2016-04-13 腾讯科技（深圳）有限公司 网络信息推荐方法及系统
US8250145B2 (en) 2010-04-21 2012-08-21 Facebook, Inc. Personalizing a web page outside of a social networking system with content from the social networking system
US8600926B2 (en) * 2011-03-29 2013-12-03 Manyworlds, Inc. Integrated interest and expertise-based discovery system and method
US8966392B2 (en) * 2011-08-29 2015-02-24 Novell, Inc. Event management apparatus, systems, and methods

Also Published As

Publication number Publication date
JP5945332B2 (ja) 2016-07-05
TW201327233A (zh) 2013-07-01
CN103164804B (zh) 2016-11-23
JP2014533418A (ja) 2014-12-11
CN103164804A (zh) 2013-06-19
EP2791832A1 (en) 2014-10-22
WO2013090686A1 (en) 2013-06-20
US20130166488A1 (en) 2013-06-27
US9208437B2 (en) 2015-12-08

Similar Documents

Publication Publication Date Title
TWI539305B (zh) Personalized information push method and device
US11710054B2 (en) Information recommendation method, apparatus, and server based on user data in an online forum
US20200344313A1 (en) Systems and methods for contextual recommendations
US8990241B2 (en) System and method for recommending queries related to trending topics based on a received query
TWI512508B (zh) Recommended methods and systems for recommending information
CN105247507B (zh) 用于确定品牌的影响力得分的方法、系统和存储介质
US9569499B2 (en) Method and apparatus for recommending content on the internet by evaluating users having similar preference tendencies
US20140351246A1 (en) Generating ranked search results using linear and nonlinear ranking models
US8515889B2 (en) Systems and methods for trend aware self-correcting entity relationship extraction
TW201626310A (zh) 用戶興趣資料分析和收集系統及其方法
US20150254714A1 (en) Systems and methods for keyword suggestion
US20180308152A1 (en) Data Processing Method and Apparatus
TWI454945B (zh) 大規模之搜尋引擎優化
CN104899236B (zh) 一种评论信息显示方法、装置及系统
EP2778979A1 (en) Search result ranking by brand
CN112487283A (zh) 训练模型的方法、装置、电子设备及可读存储介质
US8498979B1 (en) System and method for semantic analysis of social network user activities
CN111680213A (zh) 信息推荐方法、数据处理方法及装置
CN111654714B (zh) 信息处理方法、装置、电子设备和存储介质
KR20150144916A (ko) 소비자 프로파일링을 통한 맞춤형 쇼핑정보 제공 시스템 및 방법
CN110796505A (zh) 一种业务对象推荐方法以及装置
CN111339434B (zh) 信息推荐方法、装置、电子设备及计算机存储介质
CN104050174B (zh) 一种个性化页面生成方法及装置
CN117350770B (zh) 一种基于用户画像的精准营销方法及系统
JP2011198393A (ja) ユーザ興味分析装置、方法、プログラム