TWI587229B - Push method and device for product information - Google Patents

Push method and device for product information Download PDF

Info

Publication number
TWI587229B
TWI587229B TW102109489A TW102109489A TWI587229B TW I587229 B TWI587229 B TW I587229B TW 102109489 A TW102109489 A TW 102109489A TW 102109489 A TW102109489 A TW 102109489A TW I587229 B TWI587229 B TW I587229B
Authority
TW
Taiwan
Prior art keywords
price
user
interval
training
network behavior
Prior art date
Application number
TW102109489A
Other languages
English (en)
Other versions
TW201417013A (zh
Inventor
sheng-qiao Kang
Original Assignee
Alibaba Group Services 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 Services Ltd filed Critical Alibaba Group Services Ltd
Publication of TW201417013A publication Critical patent/TW201417013A/zh
Application granted granted Critical
Publication of TWI587229B publication Critical patent/TWI587229B/zh

Links

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

Landscapes

  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Databases & Information Systems (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Description

商品資訊的推送方法和裝置
本發明涉及資訊處理技術領域，具體地，涉及一種商品資訊的推送方法和裝置。
電子商務網站為了管理交易商品的商品資訊，將各種商品歸納為一種邏輯形式的類別樹，類別樹中的節點包括根類別、子類別和葉子類別，葉子類別歸屬於子類別，子類別歸屬於根類別，例如，在女裝的類別樹中，根類別為女裝，女裝根類別下的子類別包括上衣和褲子，上衣子類別下的葉子類別包括襯衣和毛衣。
電子商務網站還會對類別中全部商品的價格進行分類，將同一類別下的商品價格劃分為連續的多個價格區間。目前採用面積等分的方法來確定價格區間，例如，首先確定一個類別下不同的商品價格，將一個商品價格與該商品價格下發生網路購物行為的用戶數量的乘積作為該商品價格的價格總和，將該類別下不同商品價格的價格總和相加後進行三等分求出等分值點，根據等分值點對應的商品價格可以得到三個價格區間，這三個價格區間分別為高、中 、低價格區間。確定出來的每一類別下商品的價格區間可以作為多種網路應用的基礎資料。例如，用戶在一個類別下商品的購買力區間與該類別下商品的價格區間相對應，即根據用戶的歷史網路購物行為確定用戶在一個類別下發生較多網路行為(例如購買和瀏覽行為)的價格區間，如果用戶在高價格區間發生了較多的網路購物行為，則用戶在該類別下的購買力為高購買力，在商品資訊推薦時，檢索匹配與用戶在該類別下購買力區間相符的商品資訊，即向用戶推送該類別下與用戶的高購買力區間對應的商品資訊。
但是，在目前確定某一類別下商品的價格區間的面積等分演算法中，存在明顯的不合理的問題。
如果一個類別下的商品價格存在異常數值，例如一個商品大部分的價格為50元，但是存在一個異常數值10000元，這樣的情況下採用面積等分演算法時，通常會人工預先對異常數值進行過濾，去掉明顯不合理的異常數值，但是人工過濾掉異常數值的操作通常和操作人員的經驗以及對商品的熟悉程度有關，當一個商品的價格中的確存在明顯區別於大部分價格數值的價格數值時，儘管該價格數值是真實數值，也有可能被人工過濾掉，這樣就會造成劃分出來的價格區間不準確的問題； 對於類別中的價格的數值較為集中的情況，計算出來的價格分界點存在重合，從而無法劃分出價格區間，這樣的類別也無法作為基礎資料。
可見，目前根據商品價格計算價格區間的方法，存在類別價格區間資料不準確不完整的問題。
當向用戶推送商品資訊時，以不準確不完整的類別價格區間資料進行檢索匹配會導致至少以下兩個問題：第一，如果基礎資料中不存在用戶所關注的類別，這樣系統向用戶推送商品資訊時，就無法匹配到準確的商品資訊；第二，當無法匹配到用戶所關注的類別的商品資訊時，系統會多次進行匹配處理，直到滿足匹配迴圈終止條件時才會結束匹配處理，這樣就會造成過多地佔用系統資源、降低系統處理效率的問題。
可見，現有的商品資訊推送方法中，根據商品價格來劃分類別的價格區間，導致類別價格區間資料不準確不完整的問題，以及基於不準確不完整的類別價格區間資料進行商品資訊推送，導致無法搜尋匹配到準確的商品資訊，搜尋匹配操作過多地佔用系統資源、降低系統處理效率的問題。
有鑒於此，本發明實施例提供了一種商品資訊的推送方法和裝置，用以解決現有技術中根據商品價格來劃分類別的價格區間，導致類別價格區間資料不準確不完整的問題，以及基於不準確不完整的類別價格區間資料進行商品資訊推送，導致無法搜尋匹配到準確的商品資訊，搜尋匹配操作過多地佔用系統資源、降低系統處理效率的問題。
本發明實施例技術方案如下：一種商品資訊的推送方法，包括：根據不同價格對應的商品上發生的網路行為的次數，將商品的價格分為至少兩個實際價格區間；根據目前用戶對每個價格對應的商品發生網路行為的次數，確定目前用戶的購買力區間，購買力區間為所述至少兩個實際價格區間中用戶發生網路行為機率最高的實際價格區間；及，根據目前用戶的購買力區間，推送該購買力區間對應的商品資訊或服務。
一種商品資訊的推送裝置，包括：第一確定模組，用於根據不同價格對應的商品上發生的網路行為的次數，將商品的價格分為至少兩個實際價格區間；第二確定模組，用於根據目前用戶對每個價格對應的商品發生網路行為的次數，確定目前用戶的購買力區間，購買力區間為所述第一確定模組確定的所述至少兩個實際價格區間中用戶發生網路行為機率最高的實際價格區間；推送模組，用於根據目前用戶的購買力區間，推送該購買力區間對應的商品資訊或服務。
本發明實施例根據用戶對商品發生網路行為的次數來確定商品的價格區間，能夠準確可靠地區分商品的價格區間，從而能夠得到完整的商品的價格區間資料，能夠克服現有技術中根據商品價格來劃分價格區間導致價格區間資料不準確的問題，並根據用戶對商品發生網路行為的次數和所劃分的商品的價格區間來確定用戶的購買力區間，向用戶推送與用戶的購買力區間對應的商品資訊，能夠基於 準確完整的商品的價格區間資料進行有效、準確的商品資訊推送，從而能夠降低搜尋匹配操作所佔用的系統資源，提高系統處理效率，解決現有技術中商品資訊推送而無法搜尋匹配到準確的商品資訊，以及搜尋匹配操作過多地佔用系統資源、降低系統處理效率的問題。
本發明的其他特徵和優點將在隨後的說明書中闡述，並且，部分地從說明書中變得顯而易見，或者透過實施本發明而瞭解。本發明的目的和其他優點可透過在所寫的說明書、申請專利範圍、以及圖式中所特別指出的結構來實現和獲得。
31‧‧‧第一確定模組
32‧‧‧第二確定模組
33‧‧‧推送模組
圖1為本發明實施例提供的商品資訊的推送方法的工作流程圖；圖2a為圖1中所示確定類別的價格區間的方法的工作流程圖；圖2b為圖2a中確定用戶歸屬的訓練價格區間的工作流程圖；圖2c為圖2a中在每個訓練價格區間中確定價格分界點的工作流程圖；圖3為本發明實施例提供的商品資訊的推送裝置的結構方塊圖。
以下結合圖式對本發明的實施例進行說明，應當理解，此處所描述的實施例僅用於說明和解釋本發明，並不用於限定本發明。
本發明實施例提出了一種商品資訊的推送方法，該方法根據不同價格對應的商品發生網路行為的次數確定出商品的價格區間，基於確定出來的價格區間，根據一個用戶對商品發生網路行為的次數確定該用戶所對應的價格區間也即購買力區間，並根據用戶的購買力區間，向用戶推送購買力區間中的價格對應的商品資訊或服務。
圖1為本發明實施例提供的商品資訊的推送方法的工作流程圖，如圖1所示，該方法包括：步驟11、根據不同價格對應的商品上發生的網路行為的次數，將商品的價格分為至少兩個實際價格區間；步驟12、根據目前用戶對每個價格對應的商品發生網路行為的次數，確定目前用戶的購買力區間，購買力區間屬於所述至少兩個實際價格區間的其中之一；用戶的購買力區間為在至少兩個實際價格區間中用戶發生網路行為的機率最高的實際價格區間。
步驟13、根據目前用戶的購買力區間，推送該購買力區間對應的商品資訊或服務。
其中，所述的商品，較佳地，可以是同一類別下的商品。可以理解的，所述商品也可以是不同類別下的商品。
所述的網路行為包括用戶對商品的點擊瀏覽行為、對商品的購買行為和/或對商品頁面的收藏行為。所述網路 行為的物件可以是商品資訊或提供商品資訊的頁面，並不限定於商品本身。
透過如圖1所示的方法，本實施例根據不同價格對應的商品上發生網路行為的次數來確定商品的價格區間，能夠準確可靠地區分商品的價格區間，從而能夠得到完整的價格區間資料，能夠克服現有技術中根據商品價格來劃分價格區間導致價格區間資料不準確的問題，並根據目前用戶對商品發生網路行為的次數確定目前用戶的購買力區間，向目前用戶推送與目前用戶的購買力區間對應的商品資訊或服務，能夠基於準確完整的類別價格區間資料進行有效、準確的商品資訊推送，從而能夠降低搜尋匹配操作所佔用的系統資源，提高系統處理效率，解決現有技術中商品資訊推送而無法搜尋匹配到準確的商品資訊，以及搜尋匹配操作過多地佔用系統資源、降低系統處理效率的問題。
步驟11中，本發明實施例確定商品的價格區間的依據是用戶對價格對應的商品發生網路行為的次數。用戶對商品發生網路行為的次數，可以反應用戶的傾向，例如，用戶在一個類別中的低價價格區間上的價格對應的商品發生網路行為的次數明顯高於用戶在高價價格區間上的價格對應的商品發生網路行為的次數，這種情況下，用戶的傾向就是低價價格區間。這樣，在用戶具有顯著的價格傾向的情況下，可以將商品對應的各個價格劃分為多個價格區間。但是，用戶在選擇商品時，通常會對一個類別下的多 個價格對應的商品發生網路行為，而在很多種情況下，用戶對這多個價格對應的商品發生網路行為的次數的區別並不是十分顯著，也即在很多情況下用戶的價格傾向並不明顯，這樣就無法簡單地劃分出商品的價格區間。
針對於此，本發明實施例將一個類別下的商品價格劃分為多個訓練價格區間，基於該訓練價格區間進行用戶群劃分操作，即將用戶樣本劃分出能夠反應用戶對各個訓練價格區間的價格傾向的用戶群；基於該用戶群進行確定價格分界點的操作，即基於劃分得到的用戶群確定出一個訓練價格區間上用戶對價格對應的商品較為穩定地發生網路行為的一個價格，將該具有穩定網路行為的價格作為價格分界點；最後，將該類別下的全部訓練價格區間上由各個價格分界點重新構成的價格區間作為最終確定得到的該類別下的實際價格區間。
圖2a中示出了圖1中所示確定用戶的購買力區間的方法的工作流程圖。
確定用戶的購買力區間的方法包括步驟21-步驟25。
步驟21，建立同一類別下商品的訓練價格區間。
在本步驟中，同一類別下的商品價格劃分為至少兩個連續的訓練價格區間，每個訓練價格區間包括至少一個價格。在本發明一個實例中，基於價格對應的商品發生網路行為的次數將同一個類別下商品價格劃分為至少兩個訓練價格區間。
具體地，可以將部分或全部用戶在預定時間內段的歷 史網路行為資料作為用戶樣本，將用戶樣本中的用戶對一個類別下的各個價格按照從小到大的順序進行排序，分別統計每個價格上的商品發生網路行為的次數，統計該類別下用戶對商品發生的網路行為的總次數。將對商品發生的網路行為的總次數按照預定數量進行等分。所述預定數量大於或等於2，所述預定數量與訓練價格區間數量一致，如需將同一類別下商品價格劃分兩個訓練價格區間，對應地將所述同一類別的商品發生的網路行為的總次數劃分為兩等分，得到所述總次數的一個或多個等分點。如，總次數為9，進行三等分，可以得到3、6兩個等分點。
將任一價格上的商品發生網路行為的次數與小於該價格的其他價格(也即排序該價格之前的所有)對應的商品上發生網路行為的次數進行累加，得到該價格對應的網路行為次數累加值，找出大於或等於所述等分點且與所述等分點差值最小的累加值所對應的價格，該價格即為所述訓練價格區間的分界點。
例如，一個類別下的價格為“20元”、“30元”、“40元”和“50元”，對四個價格按照從小到大的順序進行排序，即“20元”、“30元”、“40元”、“50元”。確定各個價格對應的商品發生網路行為的次數，“20元”對應的商品發生網路行為的次數為50次，“30元”對應的商品發生網路行為的次數為80次，“40元”對應的商品發生網路行為的次數為60次，“50元”對應的商品發生網路行為的次數為110次。依次計算得到每個價格 與排序在該價格之前的所有價格的商品上發生網路行為的次數的累加值。排序後的第1個價格、第2個價格、第3個價格、第4個價格對應的累加值分別為50次、130次、190次和300次。當預設將同一類別下的商品價格劃分為2個價格區間時，所述的預定數量為2。對這300次進行二等分，則等分點為150次。如此，可以確定大於或等於所述等分點且與所述等分點差值最小的累加值為190次，該累加值所對應的價格為第三個價格，即“40元”。將“40元”作為所述訓練價格區間的價格分界點，則“20元”至“40元”間的價格區間的為第一個訓練價格區間，“40元”至“50元”間的價格區間為第二個訓練價格區間。可以理解地，在確定所述訓練價格區間的分界點時，也可以將與所述等分點差值最小的累加值所對應的價格作為所述訓練價格區間的分界點。在上述具體實例中，與所述等分點差值最小的累加值為130次，對應的價格為“30元”，因此，也可以將“30元”作為所述訓練價格區間的分界點。
在本發明另一些實例中，也可以基於價格的數值與該價格對應的商品發生網路行為的次數的乘積來進行所述訓練價格區間的劃分。具體地，可以將用戶樣本中的用戶對一個類別下的各個價格按照從小到大的順序進行排序，分別計算每個價格的數值與該價格對應的商品發生網路行為的次數的乘積，得到每個價格對應的所述乘積。對於任一價格，獲得該價格與排序在該價格之前的所有價格對應的 所述乘積進行累加得到累計額。如此，獲得每一價格對應的所述累計額。將全部價格對應的所述乘積累加獲得所述乘積的總額。將所述乘積的總額進行若干等分。將與所述等分點差值最小的累計額所對應的價格作為所述訓練價格區間的分界點。也可以將大於或等於所述等分點且與所述等分點差值最小的累計額所對應的價格作為所述訓練價格區間的分界點。
步驟22，根據用戶的網路行為資料將用戶劃分為分別對應所述訓練價格區間的用戶群。
用戶在不同的訓練價格區間的網路行為具有不同的傾向性，因此可以根據用戶網路行為對各訓練價格區間的傾向性將用戶分為與各訓練價格區間對應的集合。比如，用戶的網路行為發生在高價格的訓練價格區間的傾向性比發生在低價格的訓練價格區間的傾向性大，則該用戶可以分到預設的與高價格的訓練價格區間對應的高價傾向用戶群，反之則可以將該用戶分到預設的與低價格的訓練價格區間對應的低價傾向用戶群。
根據用戶樣本中的用戶對該類別下不同價格對應的商品發生網路行為的次數，確定與各個訓練價格區間相對應的用戶群，對應於所述用戶群的訓練價格區間為該用戶群中的用戶所傾向的訓練價格區間。
如上所述，通常用戶的價格傾向並不明顯，在這種情況下要對用戶進行用戶群劃分，本發明實施例採用迴圈迭代的方法來劃分用戶群，以拉開用戶傾向的區分度。
圖2b中示出了根據所述訓練價格區間劃分傾向於不同訓練價格區間的用戶群。
根據訓練價格區間劃分用戶群的方法包括：步驟221，所述訓練價格區間的用戶群的初始劃分。
對於用戶樣本中的一個用戶，將該用戶對一個訓練價格區間上一個價格的商品發生的網路行為的次數與該價格的價格權值的乘積作為該用戶對該價格的價格傾向係數。所述價格權值在首次進行用戶群劃分時可以為預定參數(例如，預定參數為1)。在後續使用迭代的方式對用戶群的劃分進行校正時，目前步驟中的所述價格權值可以是前一次用戶群劃分後計算得到的參數。
該用戶在一個訓練價格區間上的全部價格的價格傾向係數的和值為該用戶在該訓練價格區間上的網路行為傾向 係數。可以用公式來計算網路行為傾向係數 ，其中，Q r (s)為第s個用戶在第r個訓練價格區間上的網路行為傾向係數，q i 為第i個價格的權值，N i (s)為第s個用戶對第i個價格對應的商品發生網路行為的次數，k為第r個訓練價格區間中全部價格的數量；s，i，r，k為自然數。
對比該用戶在該類別下每個訓練價格區間上的網路行為傾向係數，將網路行為傾向係數最高的訓練價格區間作為該用戶傾向的訓練價格區間。傾向於同一個訓練價格區間的用戶構成與該訓練價格區間相對應的中間用戶群。當用戶歸屬於某一用戶群時可以表示該用戶網路行為在該用戶群對應的訓練價格區間內具有最強的傾向性。
步驟222、將所述價格權值作為迭代變數，根據目前劃分的中間用戶群對每一價格對應的商品發生網路行為的次數計算該價格的價格權值。
在進行迭代運算時，將一個價格所在的訓練價格區間對應的中間用戶群中的用戶對該價格對應的商品發生網路行為的平均次數確定為該價格的新的價格權值。
步驟223、根據新的價格權值對用戶在所述訓練價格區間上的網路行為傾向係數進行迭代運算，根據運算結果重新進行對用戶群的劃分。
使用迭代的方式對用戶重新進行劃分時，基於目前用戶群計算得到的每一價格的價格權值計算用戶目前對每一訓練價格區間的網路行為傾向係數，並根據迭代計算得到的網路行為傾向係數重複步驟221對用戶進行用戶群的劃分。
步驟224、根據預設的迭代結束條件判斷是否結束迭代運算。
為了避免迭代無限進行，可以設定特定的結束條件。比較容易實現的一種方式是，預設一迭代次數閾值，當所述迭代運算的次數達到該閾值時結束迭代運算。
而為了保證達到合理的用戶群劃分準確性，較佳的，另一種結束迭代的方式包括：對於一個訓練價格區間上的一個價格，將該價格相鄰兩次確定的價格權值之間的差值的平方值作為迭代分量，將該類別下全部迭代分量的和值作為迭代向量，判斷相鄰兩次確定的迭代向量之間的差值 是否處於預定的閾值區間中，如果該差值處於預定的閾值區間中，處理進行到步驟225，如果不處於預定的閾值區間中，則進行下一次用戶群的劃分處理，處理返回步驟223；步驟225、將迭代運算結束後得到的用戶群的劃分作為最終確定的用戶群的分類。
較佳地，在具體實現的過程中，可以先在用戶樣本中隨機選取一小部分用戶資料作為訓練樣本，透過該訓練樣本執行步驟221-步驟224，得到每個訓練價格區間中的價格權值，然後再採用全部用戶樣本的資料執行步驟221-步驟224確定出最終的用戶群，這樣能夠提高計算速度和計算效率、節省計算時間。
步驟23、根據每個用戶群中的用戶對其傾向的訓練價格區間中的各個價格對應商品的網路行為機率，在每個訓練價格區間中確定價格分界點。
進一步地，圖2c示出了在每個訓練價格區間中確定價格分界點的處理，步驟23包括如下子步驟231-233。
子步驟231、根據用戶樣本中每個用戶對各自所傾向的訓練價格區間中每個價格對應的商品發生網路行為的次數，分別確定用戶樣本中每個用戶對於各自所傾向的訓練價格區間內的每個價格的網路行為機率。
用戶對某一價格的網路行為機率為該用戶對該價格對應的商品發生網路行為的機率。具體地，網路行為機率可以為該用戶對該價格對應的商品發生網路行為的次數與該 用戶對類別中全部價格對應的商品發生網路行為的總次數 的商值，即，，其中，P i (s)為第s個用戶第i個價 格的網路行為機率，N i (s)為第s個用戶對第i個價格對應的商品發生網路行為的次數，k為類別中全部價格的數量。其中，所述網路行為包括針對商品的購買、瀏覽、收藏、列表和搜尋行為。分別確定出每個用戶對於各自所傾向的訓練價格區間內的每個價格的用戶網路行為機率。
子步驟232、根據用戶對價格的網路行為機率，確定每一價格的網路行為穩定係數。
價格的網路行為穩定係數可以根據該價格所在的訓練價格區間對應的用戶群中的全部用戶對於該價格的網路行為機率確定。具體的，所述價格的網路行為穩定係數為該價格所在的訓練價格區間對應的用戶群中的全部用戶對於該價格的網路行為機率的熵值的倒數，即， ，其中，H(P i )為第i個價格的網路行為 穩定係數，為第i個價格所在的訓練價格區間 對應的用戶群中的全部用戶對於該價格的網路行為機率的熵值，P i (s)為第s個用戶對第i個價格的網路行為機率，M為第i個價格所在的訓練價格區間對應的用戶群中的全部用戶的數量。
子步驟233、在一個訓練價格區間內全部價格的網路行為穩定係數中，將網路行為穩定係數最高的價格作為該訓練價格區間中的價格分界點。
步驟24、根據價格分界點確定實際價格區間。
將該類別樣本下所確定的各訓練價格區間中的價格分界點作為該類別樣本的實際價格區間分界點，由實際價格區間分界點劃分的價格區間為該類別樣本的實際價格區間。
步驟25、基於上述劃分出來的實際價格區間，確定用戶的購買力區間。
所述購買力區間根據用戶在各實際價格區間的網路行為機率統計而在實際價格區間中選擇得到。
對於一個用戶，根據該用戶對於上述類別中每個價格對應的商品發生網路行為的次數，確定該用戶對該類別中每個實際價格區間內的每個價格的網路行為機率，根據該用戶在實際價格區間內的每個價格的網路行為機率的總和可以得到用戶在每個實際價格區間的網路行為機率，用戶在每個實際價格區間的網路行為機率最高的價格區間為該用戶的購買力區間。如此，可以分別確定出每個用戶的購買力區間。
具體地，用戶對實際價格區間上的一個價格的網路行 為機率可用以下公式表示，，其中，P t (s)為第s 個用戶對於實際價格區間中第t個價格的網路行為機率，N t (s)為第s個用戶對第t個價格對應的商品發生網路行為的次數，h為類別中全部價格的數量。其中，s、t、h為自然數，所述網路行為包括針對商品的購買、瀏覽、收藏、列表和搜尋行為。
用戶在一個實際價格區間上的網路行為機率可以用以 下公式表示，，其中，U l (s)為第s個用戶在第l個 實際價格區間上的網路行為機率，P t (s)為第s個用戶對於第l個實際價格區間中第t個價格的網路行為機率，f為第l個實際價格區間中的價格的數量，其中，s、l、t、f為自然數。
根據上述劃分的價格區間以及確定得到的用戶的購買力區間，在進行商品資訊或服務推送時，向用戶推送用戶的購買力區間對應的商品資訊或服務。
根據如圖2a所示的處理方法，根據用戶對商品發生網路行為的次數來確定一個類別下的商品價格區間，能夠準確可靠地區分一個類別下的商品價格區間，從而能夠得到完整的價格區間資料，能夠克服現有技術中根據商品價格的大小來劃分類別的價格區間導致價格區間資料不準確的問題，從而為確定用戶的購買力區間提供了準確完整的資料依據。
較佳地，在執行上述步驟21之前，還可以對樣本中的商品價格進行離散化處理以減小類別中商品價格的維度數，這樣可以減小對用戶樣本分類及價格區間確定中的計算量。具體地，可以將每個價格除以預定的離散參數(例如取離散參數為10)後取整，以此作為商品對應的新價格，並以此新價格進行劃分價格區間的處理。
透過上述處理過程，第一，基於價格對應的商品發生網路行為的次數來劃分實際價格區間，能夠有效地反映出 用戶對各個價格對應的商品的真實傾向，能夠避免現有技術中僅根據商品的價格來劃分價格區間導致計算出來的價格區間不正確的問題；第二，基於價格對應的商品發生網路行為的次數來劃分實際價格區間，不需要人工對價格進行過濾，從而能夠保留真實價格，反映真實的價格情況，能夠避免現有技術中人工過濾價格導致價格區間不準確的問題；第三，基於價格對應的商品發生網路行為的次數來劃分實際價格區間，能夠避免現有技術中價格的數值較為集中，計算出來的價格分界點存在重合而無法劃分價格區間的問題。
透過如上所述的處理過程，根據用戶對商品發生網路行為的次數來確定一個類別下的商品價格區間，能夠準確可靠地區分一個類別下的商品價格區間，從而能夠得到完整的類別價格區間資料，能夠克服現有技術中根據商品價格來劃分類別的價格區間導致價格區間資料不準確的問題，並根據用戶對該類別下的商品發生網路行為的次數和該類別下的商品價格區間來確定用戶的購買力區間，向用戶推送與用戶的購買力區間對應的商品資訊，能夠基於準確完整的類別價格區間資料進行有效、準確的商品資訊推送，從而能夠降低搜尋匹配操作所佔用的系統資源，提高系統處理效率，解決現有技術中商品資訊推送而無法搜尋匹配到準確的商品資訊，以及搜尋匹配操作過多地佔用系統資源、降低系統處理效率的問題。
基於相同的發明構思，本發明實施例還提供了一種商 品資訊的推送裝置。
圖3示出了本發明實施例提供的商品資訊的推送裝置的結構方塊圖，如圖3所示，該裝置包括：第一確定模組31，用於根據不同價格對應的商品上發生的網路行為的次數，將商品的價格分為至少兩個實際價格區間；第二確定模組32，連接至第一確定模組31，用於根據目前用戶對每個價格對應的商品發生網路行為的次數，確定目前用戶的購買力區間，購買力區間為所述第一確定模組31確定的所述至少兩個實際價格區間中用戶發生網路行為機率最高的實際價格區間；推送模組33，連接至第二確定模組32，用於根據目前用戶的購買力區間，推送該購買力區間中價格對應的商品資訊或服務。
具體地，第一確定模組31具體用於：
(1)將商品價格劃分為至少兩個連續的訓練價格區間，每個訓練價格區間包括至少一個價格；具體地，分別統計每個價格上的商品發生網路行為的次數，統計對商品發生的網路行為的總次數；將對商品發生的網路行為的總次數按照預定數量進行等分；將任一價格上的商品發生網路行為的次數與小於該價格的其他價格對應的商品上發生網路行為的次數進行累加，得到該價格對應的網路行為次數累加值，找出大於或等於所述等分點且與所述等分點差值最小的累加值所對應的價格，並將該價格作為所述訓練 價格區間的分界點；或者，將用戶樣本中的用戶對一個類別下的各個價格按照從小到大的順序進行排序；分別計算每個價格的數值與該價格對應的商品發生網路行為的次數的乘積，得到每個價格對應的所述乘積；對於任一價格，獲得該價格與排序在該價格之前的所有價格對應的所述乘積進行累加得到累計額；將全部價格對應的所述乘積累加獲得所述乘積的總額；將所述乘積的總額進行若干等分；將與等分點差值最小的累計額所對應的價格作為所述訓練價格區間的分界點；由價格分界點構成的價格區間為該商品的訓練價格區間；
(2)根據用戶樣本中的用戶對不同價格對應的商品發生網路行為的次數，確定與各個訓練價格區間相對應的用戶群，對應於所述用戶群的訓練價格區間為該用戶群中的用戶所傾向的訓練價格區間；具體包括：所述訓練價格區間的用戶群的初始劃分：對於用戶樣本中的一個用戶，將該用戶對一個訓練價格區間上一個價格對應的商品發生網路行為的次數與該價格的價格權值的乘積作為該用戶對該價格的價格傾向係數，該用戶在一個訓練價格區間上全部價格的價格傾向係數的和值為該用戶在該訓練價格區間 上的網路行為傾向係數；可以用公式來計算 網路行為傾向係數，其中，Q r (s)為第s個用戶在第r個訓練價格區間上的網路行為傾向係數，q i 為第i個價格的權值，N i (s)為第s個用戶對第i個價格對應的商品發生網路行為的 次數，k為第r個訓練價格區間中全部價格的數量；s，i，r，k為自然數；對比該用戶在該類別下每個訓練價格區間上的網路行為傾向係數，將網路行為傾向係數最高的訓練價格區間作為該用戶傾向的訓練價格區間；對一個訓練價格區間具有相同傾向的用戶構成與該訓練價格區間相對應的中間用戶群；將所述價格權值作為迭代變數，根據目前劃分的中間用戶群對每一價格對應的商品發生網路行為的次數重新計算該價格的價格權值；其中，每一價格的價格權值為該價格所在的訓練價格區間對應的中間用戶群中的用戶對該價格對應的商品發生網路行為的平均次數；根據新的價格權值對用戶在所述訓練價格區間上的網路行為傾向係數進行迭代運算，根據運算結果重新進行對用戶群的劃分。判斷是否滿足預設的所述迭代運算的結束條件，在滿足該結束條件時結束所述迭代運算；及，將迭代運算結束後得到的用戶群的劃分作為最終確定的用戶群的分類；判斷是否滿足預設的所述迭代運算的結束條件方式包括：對於一個訓練價格區間上的一個價格，將該價格相鄰兩次確定的價格權值之間的差值的平方值作為迭代分量，將全部迭代分量的和值作為迭代向量，判斷相鄰兩次確定的迭代向量之間的差值是否處於預定的閾值區間中，如果該差值處於預定的閾值區間中，則結束所述迭代運算；如果不處於預定的閾值區間中，則進行下一次用戶群的劃分處理。
(3)根據用戶樣本中每個用戶對各自所傾向的訓練 價格區間中每個價格對應的商品發生網路行為的次數，分別確定用戶樣本中每個用戶對於各自所傾向的訓練價格區間內的每個價格的網路行為機率；具體地，用戶對於所傾向的訓練價格區間中一個價格的網路行為機率為該用戶對該價格對應的商品發生網路行為的次數與該用戶對該訓練價格區間中全部價格對應的商 品發生網路行為的總次數的商值；即，，其中 ，P i (s)為第s個用戶對於第i個價格的網路行為機率，N i (s)為第s個用戶對第i個價格對應的商品發生網路行為的次數，k類別中全部價格的數量。其中，所述網路行為包括針對商品的購買、瀏覽、收藏、列表和搜尋行為。
(4)根據用戶對價格的網路行為機率，確定價格的網路行為穩定係數；具體地，價格的網路行為穩定係數為該價格所在的訓練價格區間對應的用戶群中的全部用戶對於該價格的網路 行為機率的熵值的倒數，即，，其中， H(P i )為第i個價格的網路行為穩定係數，為第 i個價格所在的訓練價格區間對應的用戶群中的全部用戶對於該價格的網路行為機率的熵值，P i (s)為第s個用戶對第i個價格的網路行為機率，M為第i個價格所在的訓練價格區間對應的用戶群中的全部用戶的數量；
(5)在一個訓練價格區間內全部價格的網路行為穩定係數中，將網路行為穩定係數最高的價格作為該訓練價 格區間中的價格分界點；
(6)將所確定的各訓練價格區間中的價格分界點作為實際價格區間分界點，由實際價格區間分界點構成的價格區間為實際價格區間。
第二確定模組32，還具體用於：對於一個用戶，根據該用戶對每個價格對應的商品發生網路行為的次數，確定該用戶對每個實際價格區間內的每個價格的網路行為機率，確定該用戶在每個實際價格區間上的網路行為機率總和，網路行為機率總和最高的價格區間為該用戶的購買力區間。
具體地，用戶對實際價格區間上的一個價格的網路行 為機率可用以下公式表示，，其中，P t (s)為第s 個用戶對於實際價格區間中第t個價格的網路行為機率，N t (s)為第s個用戶對第t個價格對應的商品發生網路行為的次數，h為類別中全部價格的數量。其中，s、t、h為自然數，所述網路行為包括針對商品的購買、瀏覽、收藏、列表和搜尋行為。用戶在一個實際價格區間上的網路行為機 率可以用以下公式表示，，其中，U l (s)為第s個 用戶在第l個實際價格區間上的網路行為機率，P t (s)為第s個用戶對於第l個實際價格區間中第t個價格的網路行為機率，f為第l個實際價格區間中的價格的數量，其中，s、l、t、f為自然數。
圖3所示裝置的工作原理如圖1所示，這裏不在贅 述。
第一確定模組31的工作原理如圖2a所示，這裏不在贅述。
根據如圖3所示的裝置，也能夠準確可靠地區分一個類別下的商品價格區間，從而能夠得到完整的類別價格區間資料，能夠克服現有技術中根據商品價格來劃分類別的價格區間導致價格區間資料不準確的問題，並且能夠基於準確完整的類別價格區間資料進行有效、準確的商品資訊推送，從而能夠降低搜尋匹配操作所佔用的系統資源，提高系統處理效率，解決現有技術中商品資訊推送而無法搜尋匹配到準確的商品資訊，以及搜尋匹配操作過多地佔用系統資源、降低系統處理效率的問題。
顯然，本領域的技術人員可以對本發明進行各種改動和變型而不脫離本發明的精神和範圍。這樣，倘若本發明的這些修改和變型屬於本發明的申請專利範圍及其等同技術的範圍之內，則本發明也意圖包含這些改動和變型在內。

Claims (15)

  1. 一種商品資訊的推送方法，其特徵在於，包括：根據不同價格對應的商品上發生的網路行為的次數，將商品的價格分為至少兩個實際價格區間，包括：根據用戶樣本中的用戶對該不同價格對應的商品發生網路行為的次數，確定與各個訓練價格區間相對應的用戶群，對應於該用戶群的訓練價格區間為該用戶群中的用戶所傾向的訓練價格區間；根據目前用戶對每個價格對應的商品發生網路行為的次數，確定目前用戶的購買力區間，購買力區間為該至少兩個實際價格區間中用戶發生網路行為機率最高的實際價格區間；及根據目前用戶的購買力區間，推送該購買力區間對應的商品資訊或服務，其中，確定與各個訓練價格區間相對應的用戶群的方法包括：該訓練價格區間的用戶群的初始劃分：對於用戶樣本中的一個用戶，將該用戶對一個訓練價格區間上一個價格對應的商品發生網路行為的次數與該價格的價格權值的乘積作為該用戶對該價格的價格傾向係數，該用戶在一個訓練價格區間上全部價格的價格傾向係數的和值為該用戶在該訓練價格區間上的網路行為傾向係數；對比該用戶在每個訓練價格區間上的網路行為傾向係數，將網路行為傾向係數最高的訓練價格區間作為該用戶傾向的訓練價格 區間；對一個訓練價格區間具有相同傾向的用戶構成與該訓練價格區間相對應的中間用戶群。
  2. 根據申請專利範圍第1項所述的方法，其中，用戶在該實際價格區間的網路行為機率為用戶對實際價格區間的每一價格的網路行為機率的總和，用戶對某一價格的網路行為機率為用戶對該價格對應的商品發生網路行為的次數與該用戶對該不同價格對應的商品發生網路行為的總次數的商值。
  3. 根據申請專利範圍第2項所述的方法，其中，根據不同價格對應的商品上發生的網路行為的次數，將商品的價格分為至少兩個實際價格區間，具體包括：將商品價格劃分為至少兩個訓練價格區間，每個訓練價格區間包括至少一個價格；根據用戶樣本中每個用戶對各自所傾向的訓練價格區間中每個價格對應的商品發生網路行為的次數，分別確定用戶樣本中每個用戶對於各自所傾向的訓練價格區間內的每個價格的網路行為機率；根據用戶對價格的網路行為機率，確定價格的網路行為穩定係數；在一個訓練價格區間內全部價格的網路行為穩定係數中，將網路行為穩定係數最高的價格作為該訓練價格區間中的價格分界點；將所確定的各訓練價格區間中的價格分界點作為實際價格區間分界點，由實際價格區間分界點構成的價格區間 為實際價格區間。
  4. 根據申請專利範圍第3項所述的方法，其中，確定用戶的購買力區間的方法包括：對於一個用戶，根據該用戶對每個價格對應的商品發生網路行為的次數，確定該用戶對每個實際價格區間內的每個價格的網路行為機率，確定該用戶在每個實際價格區間上的網路行為機率總和，網路行為機率總和最高的價格區間為該用戶的購買力區間。
  5. 根據申請專利範圍第3項所述的方法，其中，將商品價格劃分為至少兩個訓練價格區間，具體包括：分別統計每個價格上的商品發生網路行為的次數，統計對商品發生的網路行為的總次數；將對商品發生的網路行為的總次數按照預定數量進行等分；該預定數量大於或等於2，該預定數量與該訓練價格區間數量一致，如需將同一類別下商品價格劃分兩個訓練價格區間，對應地將該同一類別的商品發生的網路行為的總次數劃分為兩等分，得到該總次數的一個或多個等分點；將任一價格上的商品發生網路行為的次數與小於該價格的其他價格對應的商品上發生網路行為的次數進行累加，得到該價格對應的網路行為次數累加值，找出大於或等於該等分點且與該等分點差值最小的累加值所對應的價格，並將該價格作為該訓練價格區間的分界點；或者， 將商品價格按照從小到大的順序進行排序；分別計算每個價格的數值與該價格對應的商品發生網路行為的次數的乘積，得到每個價格對應的該乘積；對於任一價格，獲得該價格與排序在該價格之前的所有價格對應的該乘積進行累加得到累計額；將全部價格對應的該乘積累加獲得該乘積的總額；將該乘積的總額進行若干等分；將與等分點差值最小的累計額所對應的價格作為該訓練價格區間的分界點。
  6. 根據申請專利範圍第3項所述的方法，其中，確定與各個訓練價格區間相對應的用戶群的方法包括：將該價格權值作為迭代變數，根據目前劃分的中間用戶群對每一價格對應的商品發生網路行為的次數重新計算該價格的價格權值；其中，每一價格的價格權值為該價格所在的訓練價格區間對應的中間用戶群中的用戶對該價格對應的商品發生網路行為的平均次數；根據新的價格權值對用戶在該訓練價格區間上的網路行為傾向係數進行迭代運算，根據運算結果重新進行對用戶群的劃分。
  7. 根據申請專利範圍第6項所述的方法，其中，確定與各個訓練價格區間相對應的用戶群的方法還包括：判斷是否滿足預設的該迭代運算的結束條件，在滿足該結束條件時結束該迭代運算；及將迭代運算結束後得到的用戶群的劃分作為最終確定 的用戶群的分類；判斷是否滿足預設的該迭代運算的結束條件方式包括：對於一個訓練價格區間上的一個價格，將該價格相鄰兩次確定的價格權值之間的差值的平方值作為迭代分量，將全部迭代分量的和值作為迭代向量，判斷相鄰兩次確定的迭代向量之間的差值是否處於預定的閾值區間中，如果該差值處於預定的閾值區間中，則結束該迭代運算；如果不處於預定的閾值區間中，則進行下一次用戶群的劃分處理。
  8. 根據申請專利範圍第3項所述的方法，其中，價格的網路行為穩定係數為該價格所在的訓練價格區間對應的用戶群中的全部用戶對於該價格的網路行為機率的熵值的倒數。
  9. 一種商品資訊的推送裝置，其特徵在於，包括：第一確定模組，用於根據不同價格對應的商品上發生的網路行為的次數，將商品的價格分為至少兩個實際價格區間，包括：根據用戶樣本中的用戶對該不同價格對應的商品發生網路行為的次數，確定與各個訓練價格區間相對應的用戶群，對應於該用戶群的訓練價格區間為該用戶群中的用戶所傾向的訓練價格區間；第二確定模組，用於根據目前用戶對每個價格對應的商品發生網路行為的次數，確定目前用戶的購買力區間，購買力區間為該第一確定模組確定的該至少兩個實際價格 區間中用戶發生網路行為機率最高的實際價格區間；推送模組，用於根據目前用戶的購買力區間，推送該購買力區間對應的商品資訊或服務，其中，該第一確定模組，具體用於：該訓練價格區間的用戶群的初始劃分：對於用戶樣本中的一個用戶，將該用戶對一個訓練價格區間上一個價格對應的商品發生網路行為的次數與該價格的價格權值的乘積作為該用戶對該價格的價格傾向係數，該用戶在一個訓練價格區間上全部價格的價格傾向係數的和值為該用戶在該訓練價格區間上的網路行為傾向係數；對比該用戶在每個訓練價格區間上的網路行為傾向係數，將網路行為傾向係數最高的訓練價格區間作為該用戶傾向的訓練價格區間；對一個訓練價格區間具有相同傾向的用戶構成與該訓練價格區間相對應的中間用戶群。
  10. 根據申請專利範圍第9項所述的裝置，其中，該第二確定模組，具體用於：將用戶對實際價格區間的每一價格的網路行為機率的總和確定為用戶在該實際價格區間的網路行為機率，將用戶對某一個價格對應的商品發生網路行為的次數與該用戶對該不同價格對應的商品發生網路行為的總次數的商值確定為用戶對該價格的網路行為機率。
  11. 根據申請專利範圍第10項所述的裝置，其中，該第一確定模組，具體用於：將商品價格劃分為至少兩個訓練價格區間，每個訓練 價格區間包括至少一個價格；根據用戶樣本中每個用戶對各自所傾向的訓練價格區間中每個價格對應的商品發生網路行為的次數，分別確定用戶樣本中每個用戶對於各自所傾向的訓練價格區間內的每個價格的網路行為機率；根據用戶對價格的網路行為機率，確定價格的網路行為穩定係數，價格的網路行為穩定係數為價格所在的訓練價格區間對應的用戶群中的全部用戶對於該價格的網路行為機率的熵值的倒數；在一個訓練價格區間內全部價格的網路行為穩定係數中，將網路行為穩定係數最高的價格作為該訓練價格區間中的價格分界點；將所確定的各訓練價格區間中的價格分界點作為實際價格區間分界點，由實際價格區間分界點構成的價格區間為實際價格區間。
  12. 根據申請專利範圍第11項所述的裝置，其中，該第二確定模組，具體用於：對於一個用戶，根據該用戶對每個價格對應的商品發生網路行為的次數，確定該用戶對每個實際價格區間內的每個價格的網路行為機率，確定該用戶在每個實際價格區間上的網路行為機率總和，網路行為機率總和最高的價格區間為該用戶的購買力區間。
  13. 根據申請專利範圍第11項所述的裝置，其中，該第一確定模組，具體用於： 分別統計每個價格上的商品發生網路行為的次數，統計對商品發生的網路行為的總次數；將對商品發生的網路行為的總次數按照預定數量進行等分；該預定數量大於或等於2，該預定數量與該訓練價格區間數量一致，如需將同一類別下商品價格劃分兩個訓練價格區間，對應地將該同一類別的商品發生的網路行為的總次數劃分為兩等分，得到該總次數的一個或多個等分點；將任一價格上的商品發生網路行為的次數與小於該價格的其他價格對應的商品上發生網路行為的次數進行累加，得到該價格對應的網路行為次數累加值，找出大於或等於該等分點且與該等分點差值最小的累加值所對應的價格，並將該價格作為該訓練價格區間的分界點；或者，將商品價格按照從小到大的順序進行排序；分別計算每個價格的數值與該價格對應的商品發生網路行為的次數的乘積，得到每個價格對應的該乘積；對於任一價格，獲得該價格與排序在該價格之前的所有價格對應的該乘積進行累加得到累計額；將全部價格對應的該乘積累加獲得該乘積的總額；將該乘積的總額進行若干等分；將與等分點差值最小的累計額所對應的價格作為該訓練價格區間的分界點。
  14. 根據申請專利範圍第11項所述的裝置，其中，該 第一確定模組，具體用於：將該價格權值作為迭代變數，根據目前劃分的中間用戶群對每一價格對應的商品發生網路行為的次數重新計算該價格的價格權值；其中，每一價格的價格權值為該價格所在的訓練價格區間對應的中間用戶群中的用戶對該價格對應的商品發生網路行為的平均次數；根據新的價格權值對用戶在該訓練價格區間上的網路行為傾向係數進行迭代運算，根據運算結果重新進行對用戶群的劃分。
  15. 根據申請專利範圍第14項所述的裝置，其中，該第一確定模組，還用於：判斷是否滿足預設的該迭代運算的結束條件，在滿足該結束條件時結束該迭代運算；及將迭代運算結束後得到的用戶群的劃分作為最終確定的用戶群的分類；判斷是否滿足預設的該迭代運算的結束條件方式包括：對於一個訓練價格區間上的一個價格，將該價格相鄰兩次確定的價格權值之間的差值的平方值作為迭代分量，將全部迭代分量的和值作為迭代向量，判斷相鄰兩次確定的迭代向量之間的差值是否處於預定的閾值區間中，如果該差值處於預定的閾值區間中，則結束該迭代運算；如果不處於預定的閾值區間中，則進行下一次用戶群的劃分處理。
TW102109489A 2012-10-16 2013-03-18 Push method and device for product information TWI587229B (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201210392599.9A CN103729383B (zh) 2012-10-16 2012-10-16 商品信息的推送方法和装置

Publications (2)

Publication Number Publication Date
TW201417013A TW201417013A (zh) 2014-05-01
TWI587229B true TWI587229B (zh) 2017-06-11

Family

ID=50453461

Family Applications (1)

Application Number Title Priority Date Filing Date
TW102109489A TWI587229B (zh) 2012-10-16 2013-03-18 Push method and device for product information

Country Status (5)

Country Link
US (1) US20140108190A1 (zh)
JP (1) JP5976943B2 (zh)
CN (1) CN103729383B (zh)
TW (1) TWI587229B (zh)
WO (1) WO2014062606A2 (zh)

Families Citing this family (30)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104715409A (zh) * 2015-03-20 2015-06-17 北京京东尚科信息技术有限公司 一种电子商务用户购买力分类方法及系统
CN106294500B (zh) * 2015-06-09 2020-04-24 深圳市腾讯计算机系统有限公司 内容项目的推送方法、装置及系统
CN106445941A (zh) * 2015-08-05 2017-02-22 北京奇虎科技有限公司 一种网站提供对象的推荐方法和装置
CN106469392A (zh) * 2015-08-20 2017-03-01 阿里巴巴集团控股有限公司 选择及推荐展示对象的方法及装置
CN106611366A (zh) * 2015-10-26 2017-05-03 阿里巴巴集团控股有限公司 自动选品的方法及装置
CN106708888B (zh) * 2015-11-17 2020-06-26 阿里巴巴集团控股有限公司 推荐方法及装置
CN106919609B (zh) * 2015-12-25 2020-05-05 北京国双科技有限公司 产品信息推送方法和装置
CN105516353B (zh) * 2016-01-06 2018-12-25 沈思远 一种网络信息推广方法和系统
WO2018027641A1 (zh) * 2016-08-10 2018-02-15 董访问 根据价格及标签推送广告的方法和推送系统
WO2018027640A1 (zh) * 2016-08-10 2018-02-15 董访问 广告推送技术的使用数据反馈方法和推送系统
WO2018027642A1 (zh) * 2016-08-10 2018-02-15 董访问 广告推送技术的权属展示方法和推送系统
CN108073578B (zh) * 2016-11-07 2021-08-17 阿里巴巴集团控股有限公司 一种进行对象推荐的方法和系统
CN108230059B (zh) * 2016-12-13 2022-04-15 中国联合网络通信集团有限公司 电影推荐方法及装置
US20180300793A1 (en) * 2017-04-12 2018-10-18 Workpology, Inc. Augmenting sustainable procurement data with artificial intelligence
CN107292667A (zh) * 2017-06-23 2017-10-24 北京小度信息科技有限公司 信息推送方法及装置
CN107392655B (zh) * 2017-07-03 2020-06-05 携程计算机技术（上海）有限公司 优惠券推送方法、系统、存储介质、电子设备及分流方法
CN109389453A (zh) * 2017-08-11 2019-02-26 苏宁云商集团股份有限公司 一种价格分析方法及装置
CN108109042A (zh) * 2017-12-22 2018-06-01 中国联合网络通信集团有限公司 业务优惠信息推送方法及装置
WO2020147007A1 (zh) * 2019-01-15 2020-07-23 深圳市欢太科技有限公司 信息推送方法及相关产品
CN110569439A (zh) * 2019-09-10 2019-12-13 拉扎斯网络科技（上海）有限公司 实体展示方法、装置、存储介质和电子设备
JP7457347B2 (ja) * 2020-02-10 2024-03-28 株式会社イシダ 商品候補提示システム及び会計処理システム
CN113496423A (zh) * 2020-03-18 2021-10-12 北京沃东天骏信息技术有限公司 信息推送方法、装置、设备及存储介质
CN111612499B (zh) * 2020-04-03 2023-07-28 浙江口碑网络技术有限公司 信息的推送方法及装置、存储介质、终端
CN112070562B (zh) * 2020-09-20 2021-08-13 包子信息技术(北京)有限公司 基于大数据与电子商务的商品识别方法及电商系统
CN112380432A (zh) * 2020-11-13 2021-02-19 上海明略人工智能(集团)有限公司 物品的推荐方法和装置、存储介质及电子装置
CN112613948A (zh) * 2020-12-25 2021-04-06 喀斯玛(北京)科技有限公司 一种基于严选策略的商品推送管理方法
CN112508631A (zh) * 2021-02-07 2021-03-16 北京淇瑀信息科技有限公司 用户策略分配方法、装置及电子设备
US11625148B2 (en) * 2021-04-19 2023-04-11 Microsoft Technology Licensing, Llc Intelligent snap assist recommendation model
CN113694540B (zh) * 2021-09-01 2024-03-12 深圳市乐天堂科技有限公司 一种智能发送消息方法、系统、存储介质以及终端
CN113643105B (zh) * 2021-09-17 2024-01-19 北京快来文化传播集团有限公司 基于直播客户端的直播间商品展示方法和系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060004598A1 (en) * 2004-06-25 2006-01-05 Boyd Dean W System for effecting customized pricing for goods or services
US7899701B1 (en) * 2004-06-16 2011-03-01 Gary Odom Method for categorizing a seller relative to a vendor
US20110231228A1 (en) * 2007-07-25 2011-09-22 Mukesh Chatter Seller automated engine architecture and methodology for optimized pricing strategies of goods and services
TWM426831U (en) * 2011-09-30 2012-04-11 Claridy Solutions Inc Intelligent platform with interactive system service

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7451106B1 (en) * 1998-11-30 2008-11-11 E-Lynxx Corporation System and method for competitive pricing and procurement of customized goods and services
JP2001290934A (ja) * 2000-04-06 2001-10-19 Toshiba Tec Corp 情報端末装置
EP1285383A1 (en) * 2000-05-19 2003-02-26 Manugistic Atlanta, Inc. Dynamic pricing system
JP2002032663A (ja) * 2000-07-17 2002-01-31 Nec Corp 情報提供システム
CN101154287A (zh) * 2006-09-29 2008-04-02 阿里巴巴公司 一种过滤商品信息的方法及系统
JP2008243006A (ja) * 2007-03-28 2008-10-09 Fujitsu Ltd 情報処理装置、情報処理方法および情報処理プログラム
US8086480B2 (en) * 2008-09-25 2011-12-27 Ebay Inc. Methods and systems for activity-based recommendations
JP2011018310A (ja) * 2009-06-08 2011-01-27 Sharp Corp ウェブサービスシステム、プログラム、および、記録媒体
JP4536146B1 (ja) * 2009-08-27 2010-09-01 株式会社アクティブコア レコメンド装置、レコメンド方法およびレコメンドプログラム
JP5637395B2 (ja) * 2011-05-24 2014-12-10 株式会社Ｊｖｃケンウッド 情報選択装置、情報選択方法、端末装置およびコンピュータプログラム
US8762227B1 (en) * 2011-07-01 2014-06-24 Amazon Technologies, Inc. Automatic product groupings for merchandising

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7899701B1 (en) * 2004-06-16 2011-03-01 Gary Odom Method for categorizing a seller relative to a vendor
US20060004598A1 (en) * 2004-06-25 2006-01-05 Boyd Dean W System for effecting customized pricing for goods or services
US20110231228A1 (en) * 2007-07-25 2011-09-22 Mukesh Chatter Seller automated engine architecture and methodology for optimized pricing strategies of goods and services
TWM426831U (en) * 2011-09-30 2012-04-11 Claridy Solutions Inc Intelligent platform with interactive system service

Also Published As

Publication number Publication date
TW201417013A (zh) 2014-05-01
CN103729383A (zh) 2014-04-16
WO2014062606A2 (en) 2014-04-24
US20140108190A1 (en) 2014-04-17
WO2014062606A3 (en) 2014-10-16
JP2015528618A (ja) 2015-09-28
CN103729383B (zh) 2017-04-12
JP5976943B2 (ja) 2016-08-24

Similar Documents

Publication Publication Date Title
TWI587229B (zh) Push method and device for product information
TWI512653B (zh) Information providing method and apparatus, method and apparatus for determining the degree of comprehensive relevance
CN103886068B (zh) 用于互联网用户行为分析的数据处理方法和装置
CN109559208A (zh) 一种信息推荐方法、服务器及计算机可读介质
CN102841946B (zh) 商品数据检索排序及商品推荐方法和系统
WO2017121251A1 (zh) 一种信息推送方法及装置
CN103577413A (zh) 搜索结果排序方法及系统、搜索结果排序优化方法及系统
CN106997358A (zh) 信息推荐方法及装置
CN110473040B (zh) 一种产品推荐方法及装置，电子设备
CN103617289A (zh) 基于用户特征及网络关系的微博推荐方法
CN103136683A (zh) 计算产品参考价格的方法、装置及产品搜索方法、系统
CN107122980A (zh) 识别商品所属类目的方法和装置
CN108876537A (zh) 一种用于网上商场系统的混合推荐方法
CN103391302A (zh) 一种信息发送的方法及系统
CN105654307A (zh) 基于用户反馈的商品推荐方法和系统
CN104778237A (zh) 一种基于关键用户的个性化推荐方法和系统
CN104063429A (zh) 电子商务中用户行为的预测方法
CN105468628A (zh) 一种排序方法及装置
CN106936778A (zh) 网站流量异常的检测方法和装置
CN115860880A (zh) 基于多层异质图卷积模型的个性化商品推荐方法及系统
CN110688433B (zh) 一种基于路径的特征生成方法及装置
CN103903148A (zh) C2c系统、b2c系统及其使用方法
CN115797005A (zh) 预测模型的训练、商品推荐方法、装置、电子设备及介质
US9552425B2 (en) System and method for determining query aspects at appropriate category levels
CN107133811A (zh) 一种目标用户的识别方法和装置