TWI757854B - 業務推薦系統及方法 - Google Patents
業務推薦系統及方法 Download PDFInfo
- Publication number
- TWI757854B TWI757854B TW109129589A TW109129589A TWI757854B TW I757854 B TWI757854 B TW I757854B TW 109129589 A TW109129589 A TW 109129589A TW 109129589 A TW109129589 A TW 109129589A TW I757854 B TWI757854 B TW I757854B
- Authority
- TW
- Taiwan
- Prior art keywords
- consumption
- attributes
- data
- attribute
- analysis server
- Prior art date
Links
Images
Abstract
一種業務推薦系統,包含資料庫伺服器及消費分析伺服器。當消費分析伺服器接收到來自終端電子裝置的業務推薦請求,消費分析伺服器根據對應該使用者的多個消費資料,並利用消費分析模型,產生出分別對應該等消費資料的多個消費屬性標籤,每一消費屬性標籤指示出對應之該消費資料所屬的多個消費屬性之其中一者。該消費分析伺服器針對每一消費屬性,計算出分別對應該等消費屬性的多個消費屬性累積次數,並根據該等消費屬性累積次數及分別對應該等消費屬性的多個預設的權重值,產生分別對應該等消費屬性累積次數的多個消費屬性偏好估測值。
Description
本發明是有關於一種業務推薦系統,特別是指一種基於分析消費習慣的業務推薦系統。
目前各家銀行皆推出了多種信用卡供使用者選擇,而以不同的信用卡進行刷卡交易所能獲得的優惠也都不盡相同,因此,為了能藉由刷卡消費獲取較多的回饋,使用者通常會從銀行業者所推出的該等信用卡中挑選出最符合其自身消費習慣的該信用卡。
然而,要挑出最適合其自身消費習慣的該信用卡,對使用者而言可能會需要花費較多的時間。
因此,本發明的目的,即在提供一種能解決存在於上述先前技術中之至少一問題的一業務推薦系統。
於是,本發明之業務推薦系統適於經由一通訊網路與供一使用者操作的一終端電子裝置通訊,並包含一資料庫伺服器及能與該終端電子裝置通訊並連接該資料庫伺服器的一消費分析伺服器。
該資料庫伺服器存有對應該使用者且分別相關於多筆刷卡交易的多筆消費資料。該消費分析伺服器存有一消費分析模型。
當該消費分析伺服器接收到來自該終端電子裝置的一業務推薦請求,該消費分析伺服器根據對應該使用者的該等消費資料,並利用該消費分析模型,產生出分別對應該等消費資料的多個消費屬性標籤,每一消費屬性標籤指示出對應之該消費資料所屬的多個消費屬性之其中一者;該消費分析伺服器針對每一消費屬性,計算出分別對應該等消費屬性的多個消費屬性累積次數,每一消費屬性累積次數指示出該等消費屬性標籤其中所指示的該消費屬性與其對應之該消費屬性相同的一者或多者的數量;該消費分析伺服器根據該等消費屬性累積次數及分別對應該等消費屬性的多個預設的權重值,產生分別對應該等消費屬性累積次數的多個消費屬性偏好估測值;該消費分析伺服器根據該等消費屬性偏好估測值產生並傳送指示出多個金融業務其中數者的排列順序的一金融業務推薦資料給該終端電子裝置,其中,每一金融業務相關於該等消費屬性之其中一者。
在一些實施態樣中,該消費分析伺服器所儲存的該消費分析模型是該消費分析伺服器根據多個相關於該等消費屬性的參考消費資料,訓練一卷積神經網路模型所產生,其中每一參考消費資料相關於該等消費屬性其中一者。
在一些實施態樣中,該等消費資料每一者指示出執行所相關的該刷卡交易的商家的資訊;該消費分析伺服器根據該等參考消費資料,產生分別對應該等參考消費資料的多個參考詞向量,並利用該等參考詞向量訓練該卷積神經網路模型,而產生該消費分析模型;該消費分析伺服器先根據該等消費資料,產生分別對應該等消費資料的多個特徵詞向量,並針對每一特徵詞向量,利用該消費分析模型,產生對應該特徵詞向量的該消費屬性標籤。
在一些實施態樣中,該消費分析伺服器獲取對應於該終端電子裝置且相關於一網頁的一流覽資料,該瀏覽資料包含對應於多個圖形化業務介面的多個觸發事件次數,每一觸發事件次數指示出對應之該圖形化業務介面被滑鼠觸碰的次數,且每一圖形化業務介面相關於該等消費屬性之其中一者;該消費分析伺服器還根據該等觸發事件次數及分別對應該等觸發事件次數的多個預設的權重值,產生分別對應該等觸發事件次數的多個業務偏好估測值;該消費分析伺服器根據該等消費屬性偏好估測值及該等業務偏好估測值,產生並傳送該金融業務推薦資料給該終端電子裝置。
在一些實施態樣中,該消費分析伺服器是藉由網頁所記錄的相關於該終端電子裝置的cookie獲取該流覽資料。
本發明的另一目的在於提供一種業務推薦方法,藉由一業務推薦系統執行,該業務推薦系統經由一通訊網路與一終端電子裝置通訊,並包含一資料庫伺服器及連接該資料庫伺服器的一消費分析伺服器,該資料庫伺服器存有對應一使用者且分別相關於多筆刷卡交易的多筆消費資料。
該業務推薦方法包含:
當該消費分析伺服器接收到來自該終端電子裝置的一業務推薦請求,該消費分析伺服器根據對應該使用者的該等消費資料,並利用一消費分析模型,產生出分別對應該等消費資料的多個消費屬性標籤,每一消費屬性標籤指示出對應之該消費資料所屬的多個消費屬性之其中一者。
該消費分析伺服器針對每一消費屬性,計算出分別對應該等消費屬性的多個消費屬性累積次數,每一消費屬性累積次數指示出該等消費屬性標籤其中所指示的該消費屬性與其對應之該消費屬性相同的一者或多者的數量。
該消費分析伺服器根據該等消費屬性累積次數及分別對應該等消費屬性的多個預設的權重值,產生分別對應該等消費屬性累積次數的多個消費屬性偏好估測值。
該消費分析伺服器根據該等消費屬性偏好估測值產生並傳送指示出多個金融業務其中數者的排列順序的一金融業務推薦資料給該終端電子裝置,其中,每一金融業務相關於該等消費屬性之其中一者。
本發明的功效在於:本發明之業務推薦系統藉由該消費分析伺服器以該等參考消費資料訓練該卷積神經網路模型而產生該消費分析模型,並利用該消費分析模型及根據該等消費資料產生分別對應該等消費資料的該等消費屬性標籤,進而根據每一消費屬性的次數及對應之權重值產生出對應之該消費屬性偏好估測值,並根據每一觸發事件次數及對應之權重值,產生業務偏好估測值,藉以根據消費屬性偏好估測值及業務偏好估測值產生該金融業務推薦資料。
在本發明被詳細描述之前,應當注意在以下的說明內容中,類似的元件是以相同的編號來表示。
參閱圖1,本發明之業務推薦系統的一實施例,適於經由一通訊網路200(例如為網際網路)與供一使用者操作的一終端電子裝置300通訊。該終端電子裝置300可以是可攜式電子裝置(例如為筆記型電腦、平板電腦、智慧型手機等)或是個人電腦,但不以上述為限。
於此實施例中,該業務推薦系統包含一資料庫伺服器10及一消費分析伺服器20。本實施例所述的系統用於推薦使用者適合其消費習慣的信用卡,或更進一步地,推薦該使用者適合綁定於該信用卡的電商,而其中所述的業務指的便是信用卡申辦的業務或是綁定電商的業務。
此實施例中,該資料庫伺服器10歸屬於一銀行,並存有對應該使用者且分別相關於多筆刷卡交易的多筆消費資料,更明確地說,該等消費資料可以是紀錄該使用者消費時所使用的信用卡或簽帳金融卡的種類,以及以該信用卡或該簽帳金融卡進行消費的商家,並例如為「LinePay,南港50嵐」、「簽帳金融卡,網飛」…等。
該消費分析伺服器20例如為該銀行內部用於分析消費者行為的一電腦主機,並連接該資料庫伺服器10。
參閱圖1及圖2,以下說明本實施例執行之一業務推薦程序的步驟。
首先,於步驟S21中,該消費分析伺服器20根據多個相關於多個消費屬性的參考消費資料,訓練一卷積神經網路模型,而產生一消費分析模型21。
更明確地說,該等參考消費資料例如為先前其他消費者透過信用卡或簽帳金融卡進行消費時所產生的消費資料,且其中每一參考消費資料相關於該等消費屬性其中一者。該等消費屬性則例如為「實體手搖杯店」、「網路串流影音」等,但不以上述為限。
再進一步地說,本實施例中所使用的該卷積神經網路模型特別是TextCNN。並且,該消費分析伺服器20是先根據該等參考消費資料,以Word2Vec的技術,產生分別對應該等參考消費資料的多個參考詞向量,並利用該等參考詞向量訓練該卷積神經網路模型,而產生該消費分析模型21,隨後再儲存該消費分析模型21。
值得一提的是,該消費分析伺服器20也可以預先訓練出該消費分析模型21,並且在執行此程序時,直接從步驟S22開始執行。此實施例的步驟僅為示例性地說明,並不以此為限。
接著,於步驟S22中,該消費分析伺服器20接收到來自該終端電子裝置300的一業務推薦請求後,該消費分析伺服器20根據對應該使用者的該等消費資料,並利用該消費分析模型21,產生出分別對應該等消費資料的多個消費屬性標籤。
更明確地說,所述業務推薦請求是在該終端電子裝置300瀏覽申辦信用卡的網頁時,點選例如為「推薦信用卡」的文字標籤所產生並發送給該消費分析伺服器20,上述僅為舉例說明,並不以上述發送方式為限。
而於此實施例中,該消費分析伺服器20會先根據該等消費資料,產生分別對應該等消費資料的多個特徵詞向量,並針對每一特徵詞向量,利用該消費分析模型21,產生對應該特徵詞向量的該消費屬性標籤。而產生出的每一消費屬性標籤指示出對應之該消費資料歸屬於該等消費屬性之其中一者,承接前例,「簽帳金融卡,網飛」的該消費資料對應之該消費屬性標籤指示出該消費資料歸屬於「網路串流影音」的該消費屬性。
接著,執行步驟S23,該消費分析伺服器20針對每一消費屬性,計算出分別對應該等消費屬性的多個消費屬性累積次數,每一消費屬性累積次數指示出該等消費屬性標籤其中所指示的該消費屬性與其對應之該消費屬性相同的一者或多者的數量。也就是說,在步驟S23中,該消費分析伺服器20會計算出每一消費屬性於該使用者的該等消費資料中出現的次數,藉此對該使用者的進行消費的類別進行排序,進而得出該消費者慣常的消費類別。
接下來,於步驟S24中,該消費分析伺服器20根據該等消費屬性累積次數及分別對應該等消費屬性的多個預設的權重值,產生分別對應該等消費屬性累積次數的消費屬性偏好估測值。於此實施例中,該等權重值可以是根據該銀行內部當前的行銷計畫做設定,舉例來說,目前對於手搖飲料有促銷活動,則對應之該權重值便較其他權重值高。
接著,於步驟S25中,該消費分析伺服器20獲取對應於該終端電子裝置300且相關於一網頁的一流覽資料,該瀏覽資料包含對應於多個圖形化業務介面的多個觸發事件次數。
更明確地說,該網頁例如為該銀行所架設的網路銀行中,用於供使用者進行信用卡申辦業務的頁面。該網頁中含有該等圖形化業務介面,且每一圖形化業務介面呈現出該銀行當前提供使用者申辦的多種信用卡其中一者,且相關於該等消費屬性之其中一者。
於此實施例中,該消費分析伺服器20是藉由網頁所記錄的相關於該終端電子裝置300的cookie獲取該流覽資料。該瀏覽資料所包含的每一觸發事件次數指示出對應之該圖形化業務介面被滑鼠觸碰的次數。紀錄滑鼠觸碰的次數的目的在於,若同一個圖形化業務介面被使用者以滑鼠觸碰的次數較多,則有可能是該使用者對該圖形化業務介面對應的信用卡有較大的申辦意願。
於步驟S26中,該消費分析伺服器20還根據該等觸發事件次數及分別對應該等觸發事件次數的多個預設的權重值,產生分別對應該等觸發事件次數的多個業務偏好估測值。
如同前述,該等權重值可以是根據該銀行內部當前的行銷計畫做設定,於此不再贅述。
更進一步地說,於步驟S24產生消費屬性偏好估測值,或是於步驟S26產生業務偏好估測值時,該消費分析伺服器20還會進一部以每一消費資料或每一觸發事件次數對應的時間為參數,計算對應之消費屬性偏好估測值或是業務偏好估測值,更明確地說,本實施例是使用臉書(Facebook)的EdgeRank,
,其中,u即為上述觸發事件次數或是消費屬性累積次數,而w即為上述權重值,d即為時間(特別是指時間差)。
須注意的是,步驟S25及S26並不一定要在S21~S24之後,該消費分析伺服器20也可以是先執行S25、S26,再接著執行S21~S24,只要先執行S25再執行S26即可,本實施例的順序僅為示例性地說明,並不以此處描述的順序為限。
接著,在步驟S27中,該消費分析伺服器20根據該等消費屬性偏好估測值及該等業務偏好估測值產生並傳送指示出多個金融業務其中數者的一金融業務推薦資料給該終端電子裝置300,其中,每一金融業務相關於該等消費屬性之其中一者。
若該等消費屬性偏好估測值及該等業務偏好估測值呈現出該使用者偏好購買手搖飲且常使用信用卡於網路影音串流平台消費,該消費分析伺服器20所產生的該金融業務推薦資料便會包含相關於手搖飲及網路影音串流平台的且相關於信用卡申辦的多個金融業務,更進一步的,該金融業務推薦資料還指示出所包含的該等金融業務的排列順序,使該終端電子裝置300依據該排列順序顯示出該等金融業務。
於其他實施態樣中,該消費分析伺服器20可以是該使用者選定欲申辦的信用卡後,才根據該等消費屬性偏好估測值產生該金融業務推薦資料,而該金融業務推薦資料便包含多個能綁定於該信用卡的金融業務(例如KKBox或Netflix)。
綜上所述,本發明之業務推薦系統藉由該消費分析伺服器20以該等參考消費資料訓練該卷積神經網路模型而產生該消費分析模型21,並利用該消費分析模型21及根據該等消費資料產生分別對應該等消費資料的該等消費屬性標籤,進而根據每一消費屬性的次數及對應之權重值產生出對應之該消費屬性偏好估測值,並根據每一觸發事件次數及對應之權重值,產生業務偏好估測值,藉以根據消費屬性偏好估測值及業務偏好估測值產生該金融業務推薦資料,故確實能達成本發明的目的。
惟以上所述者,僅為本發明的實施例而已,當不能以此限定本發明實施的範圍,凡是依本發明申請專利範圍及專利說明書內容所作的簡單的等效變化與修飾,皆仍屬本發明專利涵蓋的範圍內。
10:資料庫伺服器
20:消費分析伺服器
21:消費分析模型
200:通訊網路
300:終端電子裝置
S21~S27:步驟
本發明的其他的特徵及功效,將於參照圖式的實施方式中清楚地呈現,其中:
圖1是本發明之業務推薦系統的一實施例的一硬體連接關係示意圖;及
圖2是該實施例執行的一業務推薦程序的一流程圖。
10:資料庫伺服器
20:消費分析伺服器
21:消費分析模型
200:通訊網路
300:終端電子裝置
Claims (8)
- 一種業務推薦系統,適於經由一通訊網路與供一使用者操作的一終端電子裝置通訊,並包含:一資料庫伺服器,存有對應該使用者且分別相關於多筆刷卡交易的多筆消費資料;及一消費分析伺服器,連接該資料庫伺服器,並存有一消費分析模型,並獲取對應於該終端電子裝置且相關於一網頁的一流覽資料,該瀏覽資料包含對應於多個圖形化業務介面的多個觸發事件次數,每一觸發事件次數指示出對應之該圖形化業務介面被滑鼠觸碰的次數,且每一圖形化業務介面相關於該等消費屬性之其中一者;其中,當該消費分析伺服器接收到來自該終端電子裝置的一業務推薦請求,該消費分析伺服器根據對應該使用者的該等消費資料,並利用該消費分析模型,產生出分別對應該等消費資料的多個消費屬性標籤,每一消費屬性標籤指示出對應之該消費資料歸屬於多個消費屬性之其中一者;該消費分析伺服器針對每一消費屬性,計算出分別對應該等消費屬性的多個消費屬性累積次數,每一消費屬性累積次數指示出該等消費屬性標籤其中所指示的該消費屬性與其對應之該消費屬性相同的一者或多者的數量;該消費分析伺服器根據該等消費屬性累積次數及分別對應該等消費屬性的多個預設的權重值,產生分別對 應該等消費屬性累積次數的多個消費屬性偏好估測值;該消費分析伺服器還根據該等觸發事件次數及分別對應該等觸發事件次數的多個預設的權重值,產生分別對應該等觸發事件次數的多個業務偏好估測值;該消費分析伺服器根據該等消費屬性偏好估測值及該等業務偏好估測值產生並傳送指示出多個金融業務其中數者的一金融業務推薦資料給該終端電子裝置,其中,每一金融業務相關於該等消費屬性之其中一者。
- 如請求項1所述的業務推薦系統,其中,該消費分析伺服器所儲存的該消費分析模型是該消費分析伺服器根據多個相關於該等消費屬性的參考消費資料,訓練一卷積神經網路模型所產生,其中每一參考消費資料相關於該等消費屬性其中一者。
- 如請求項2所述的業務推薦系統,其中,該等消費資料每一者指示出執行所相關的該刷卡交易的商家的資訊;該消費分析伺服器根據該等參考消費資料,產生分別對應該等參考消費資料的多個參考詞向量,並利用該等參考詞向量訓練該卷積神經網路模型,而產生該消費分析模型;該消費分析伺服器先根據該等消費資料,產生分別對應該等消費資料的多個特徵詞向量,並針對每一特徵詞向量,利用該消費分析模型,產生對應該特徵詞向量的該消費屬性標籤。
- 如請求項1所述的業務推薦系統,其中,該消費分析伺服 器是藉由網頁所記錄的相關於該終端電子裝置的cookie獲取該流覽資料。
- 一種業務推薦方法,藉由一業務推薦系統執行,該業務推薦系統經由一通訊網路與一終端電子裝置通訊,並包含一資料庫伺服器及連接該資料庫伺服器的一消費分析伺服器,該資料庫伺服器存有對應一使用者且分別相關於多筆刷卡交易的多筆消費資料,該業務推薦方法包含:當該消費分析伺服器接收到來自該終端電子裝置的一業務推薦請求,該消費分析伺服器根據對應該使用者的該等消費資料,並利用一消費分析模型,產生出分別對應該等消費資料的多個消費屬性標籤,每一消費屬性標籤指示出對應之該消費資料所屬的多個消費屬性之其中一者;該消費分析伺服器獲取對應於該終端電子裝置且相關於一網頁的一流覽資料,該瀏覽資料包含對應於多個圖形化業務介面的多個觸發事件次數,每一觸發事件次數指示出對應之該圖形化業務介面被滑鼠觸碰的次數,且每一圖形化業務介面相關於該等消費屬性之其中一者;該消費分析伺服器針對每一消費屬性,計算出分別對應該等消費屬性的多個消費屬性累積次數,每一消費屬性累積次數指示出該等消費屬性標籤其中所指示的該消費屬性與其對應之該消費屬性相同的一者或多者的數量; 該消費分析伺服器根據該等消費屬性累積次數及分別對應該等消費屬性的多個預設的權重值,產生分別對應該等消費屬性累積次數的多個消費屬性偏好估測值;該消費分析伺服器還根據該等觸發事件次數及分別對應該等觸發事件次數的多個預設的權重值,產生分別對應該等觸發事件次數的多個業務偏好估測值;及該消費分析伺服器根據該等消費屬性偏好估測值及該等業務偏好估測值產生並傳送指示出多個金融業務其中數者的一金融業務推薦資料給該終端電子裝置,其中,每一金融業務相關於該等消費屬性之其中一者。
- 如請求項5所述的業務推薦方法,還包含:該消費分析伺服器根據多個相關於該等消費屬性的參考消費資料,訓練一卷積神經網路模型而產生該消費分析模型,其中每一參考消費資料相關於該等消費屬性其中一者,並在產生出該消費分析模型後,根據對應該使用者的該等消費資料,並利用該消費分析模型,產生出該等消費屬性標籤。
- 如請求項6所述的業務推薦方法,其中,該消費分析伺服器根據該等參考消費資料,產生分別對應該等參考消費資料的多個參考詞向量,並利用該等參考詞向量訓練該卷積神經網路模型,而產生該消費分析模型;該消費分析伺服器先根據該等消費資料,產生分別對應該等消費資料的多個特徵詞向量,並針對每一特徵詞向量,利用該消費分析模型,產生對應該特徵詞向量 的該消費屬性標籤。
- 如請求項5所述的業務推薦方法,其中,該消費分析伺服器是藉由網頁所記錄的相關於該終端電子裝置的cookie獲取該流覽資料。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW109129589A TWI757854B (zh) | 2020-08-28 | 2020-08-28 | 業務推薦系統及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW109129589A TWI757854B (zh) | 2020-08-28 | 2020-08-28 | 業務推薦系統及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW202209219A TW202209219A (zh) | 2022-03-01 |
TWI757854B true TWI757854B (zh) | 2022-03-11 |
Family
ID=81710585
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW109129589A TWI757854B (zh) | 2020-08-28 | 2020-08-28 | 業務推薦系統及方法 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI757854B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104298719A (zh) * | 2014-09-23 | 2015-01-21 | 新浪网技术(中国)有限公司 | 基于社交行为进行用户的类别划分、广告投放方法和系统 |
CN109359244A (zh) * | 2018-10-30 | 2019-02-19 | 中国科学院计算技术研究所 | 一种个性化信息推荐方法和装置 |
TW201933232A (zh) * | 2018-01-22 | 2019-08-16 | 香港商阿里巴巴集團服務有限公司 | 店鋪資訊推薦方法、裝置及用戶端 |
CN111539782A (zh) * | 2020-01-21 | 2020-08-14 | 中国银联股份有限公司 | 基于深度学习的商户信息数据处理方法及其系统 |
CN111553754A (zh) * | 2020-07-10 | 2020-08-18 | 支付宝(杭州)信息技术有限公司 | 行为预测系统的更新方法及装置 |
TWM607897U (zh) * | 2020-08-28 | 2021-02-21 | 中國信託商業銀行股份有限公司 | 業務推薦系統 |
-
2020
- 2020-08-28 TW TW109129589A patent/TWI757854B/zh active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104298719A (zh) * | 2014-09-23 | 2015-01-21 | 新浪网技术(中国)有限公司 | 基于社交行为进行用户的类别划分、广告投放方法和系统 |
TW201933232A (zh) * | 2018-01-22 | 2019-08-16 | 香港商阿里巴巴集團服務有限公司 | 店鋪資訊推薦方法、裝置及用戶端 |
CN109359244A (zh) * | 2018-10-30 | 2019-02-19 | 中国科学院计算技术研究所 | 一种个性化信息推荐方法和装置 |
CN111539782A (zh) * | 2020-01-21 | 2020-08-14 | 中国银联股份有限公司 | 基于深度学习的商户信息数据处理方法及其系统 |
CN111553754A (zh) * | 2020-07-10 | 2020-08-18 | 支付宝(杭州)信息技术有限公司 | 行为预测系统的更新方法及装置 |
TWM607897U (zh) * | 2020-08-28 | 2021-02-21 | 中國信託商業銀行股份有限公司 | 業務推薦系統 |
Also Published As
Publication number | Publication date |
---|---|
TW202209219A (zh) | 2022-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Abdullah et al. | The effects of perceived interactivity, perceived ease of use and perceived usefulness on online hotel booking intention: A conceptual framework | |
US11941661B2 (en) | Method, apparatus, and computer program product for predicting web browsing behaviors of consumers | |
US9754275B2 (en) | System and method for card-linked services | |
US20130282440A1 (en) | Social pricing for goods or services | |
KR20190010173A (ko) | 사용자 의도 프로파일링 방법 및 이를 위한 장치 | |
WO2017158798A1 (ja) | 情報処理装置、情報配信システム、情報処理方法、および情報処理プログラム | |
JP5425613B2 (ja) | 広告料を分配する広告管理サーバ、方法及びシステム | |
JP6976207B2 (ja) | 情報処理装置、情報処理方法、およびプログラム | |
US20090037270A1 (en) | System, method, and computer program product for compensating a user for viewing an advertisement and purchasing a good or service | |
CN109643422A (zh) | 基于传感器的产品推荐 | |
JP2019204479A (ja) | 知人の商品購買履歴、関心商品及び利用後記を活用した商品販売システム | |
US20200372823A1 (en) | Systems and Methods for Interactive Learning through a Graphical User Interface | |
US20230259973A1 (en) | Method and system for recommending promotions to consumers | |
US9760908B2 (en) | System and method for card-linked services | |
US20210150604A1 (en) | Systems and methods for customization of reviews | |
TWM607897U (zh) | 業務推薦系統 | |
TWI757854B (zh) | 業務推薦系統及方法 | |
US11568435B2 (en) | Intelligent and interactive shopping engine | |
JP6211895B2 (ja) | サイト提供サーバ、サイト提供方法、およびサイト提供プログラム | |
CN111967924A (zh) | 商品推荐方法、商品推荐装置、计算机设备和介质 | |
Mofokeng | Website Information Security and Privacy Concerns in 4IR: The Moderating Role of Trust in B2C e-Commerce. | |
Chen | Determinants of m-shopping quality on customer satisfaction and purchase intentions: the IS success model perspective | |
US9589276B2 (en) | System and method for card-linked services | |
US20210150593A1 (en) | Systems and methods for customization of reviews | |
US11748798B1 (en) | Method and apparatus for item selection |