TWI787127B - 行銷對象決策方法及系統與電腦程式產品 - Google Patents
行銷對象決策方法及系統與電腦程式產品 Download PDFInfo
- Publication number
- TWI787127B TWI787127B TW111117862A TW111117862A TWI787127B TW I787127 B TWI787127 B TW I787127B TW 111117862 A TW111117862 A TW 111117862A TW 111117862 A TW111117862 A TW 111117862A TW I787127 B TWI787127 B TW I787127B
- Authority
- TW
- Taiwan
- Prior art keywords
- preference
- target
- personal identification
- marketing
- decision
- Prior art date
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
一種由行銷對象決策系統實施的行銷對象決策方法包含:(A)在接收到一指示出一特定商品種類的行銷對象決策請求後,根據一消費者偏好紀錄集合產生一對應於其他多個商品種類且對應於多筆目標個人識別資料的偏好分佈圖像,該偏好分佈圖像以一種特定標記呈現出每一目標個人識別資料所對應之一消費者所感興趣的商品種類;(B)將該偏好分佈圖像輸入一圖案特徵辨識模型以獲得一辨識結果,該辨識結果指示出該等目標個人識別資料所對應之多位消費者是否適合被作為行銷對象;(C)若該辨識結果為肯定,產生並輸出一包含該等目標個人識別資料的決策結果。
Description
本發明是有關於一種決策方法,特別是指一種用於輔助行銷者選出商品行銷對象的行銷對象決策方法。本發明還有關於一種能實施行銷對象決策方法的行銷對象決策系統,以及一種能使電腦裝置實施行銷對象決策方法的電腦程式產品。
在現代社會中,透過網路選購商品的消費模式已成常態,而消費者對於各種商品的搜尋、瀏覽及購買等紀錄也因此得以被大量累積在資料庫中。所以,如何利用蒐集到的消費者偏好數據來進行精準行銷(precision marketing),便成為一個值得探討的議題。
本發明的其中一目的,在於提供一種能夠實現精準行銷的行銷對象決策方法。
本發明行銷對象決策方法由一儲存有一圖案特徵辨識模型的行銷對象決策系統實施,該圖案特徵辨識模型包含一對應於一特定商品種類且包括至少一圖案特徵的特徵組。該行銷對象決策方法包含:(A)在接收到一指示出該特定商品種類的行銷對象決策請求後,根據一消費者偏好紀錄集合產生一對應於其他多個商品種類且對應於多筆目標個人識別資料的偏好分佈圖像,其中,該偏好分佈圖像以一種特定標記呈現出每一目標個人識別資料所對應之一消費者所感興趣的商品種類;(B)將該偏好分佈圖像輸入該圖案特徵辨識模型,以使該圖案特徵辨識模型將該偏好分佈圖像中之該種特定標記的分佈情形與該特徵組所包括之圖案特徵進行比對,以及根據比對結果輸出一對應該偏好分佈圖像的辨識結果,其中,該辨識結果指示出該等目標個人識別資料所對應之該等消費者是否適合被作為該特定商品種類之商品的行銷對象;(C)在該辨識結果為肯定的情況下,產生並輸出一對應該行銷對象決策請求且包含該偏好分佈圖像所對應之該等目標個人識別資料的決策結果,以致該等目標個人識別資料能被應用於該特定商品種類之商品的行銷。
在本發明行銷對象決策方法的一些實施態樣中,在步驟(A)中,該行銷對象決策系統是先根據該消費者偏好紀錄集合產生一個對應於其他該等商品種類及該等目標個人識別資料且具有該種特定標記的偏好表格,再根據該偏好表格產生該偏好分佈圖像。
在本發明行銷對象決策方法的一些實施態樣中,在步驟(A)中,該行銷對象決策請求還指示出一與該等目標個人識別資料之資料格式相關的指定區段,且該消費者偏好紀錄集合包括多筆消費者偏好紀錄,並且,該行銷對象決策系統是先根據該指定區段從該等消費者偏好紀錄中獲得其中多筆分別包括該等目標個人識別資料的目標消費者偏好紀錄,再根據該等目標消費者偏好紀錄產生該偏好表格。
在本發明行銷對象決策方法的一些實施態樣中,在步驟(A)中,每一筆消費者偏好紀錄包括一個人識別資料,並且,該行銷對象決策系統從該等消費者偏好紀錄中獲得該等目標消費者偏好紀錄的方式,是根據該指定區段及該等消費者偏好紀錄的個人識別資料而從該消費者偏好紀錄集合中選出一群消費者偏好紀錄,再將該群消費者偏好紀錄分別作為該等目標消費者偏好紀錄。
在本發明行銷對象決策方法的一些實施態樣中,在步驟(A)中,對於每一個人識別資料,該個人識別資料被該指定區段所指示出的其中一部分被作為一第一字元部分,而該個人識別資料中除了該第一字元部分以外的其他部分被作為一第二字元部分,並且,該行銷對象決策系統選出該群消費者偏好紀錄以作為該等目標消費者偏好紀錄的方式,包含將所有該等消費者偏好紀錄中,該等第二字元部分彼此相同之其中多筆個人識別資料所屬的該等消費者偏好紀錄作為同一群。
在本發明行銷對象決策方法的一些實施態樣中,在步驟(A)中,每一筆消費者偏好紀錄包括一個人識別資料及一對應該個人識別資料的偏好種類資料,該偏好種類資料指示出該個人識別資料所對應之一消費者所感興趣的至少一個商品種類,且該等目標個人識別資料分別為該等目標消費者偏好紀錄所包括的該等個人識別資料,並且,該行銷對象決策系統產生該偏好表格的方式,包括根據每一目標消費者偏好紀錄所包括的該偏好種類資料而在該偏好表格的對應欄位中加入該種特定標記。
在本發明行銷對象決策方法的一些實施態樣中,在步驟(A)中,每一筆消費者偏好紀錄包括一個人識別資料,且該等目標個人識別資料分別為該等目標消費者偏好紀錄所包括的該等個人識別資料,對於每一個人識別資料,該個人識別資料被該指定區段所指示出的其中一部分被作為一第一字元部分,而該個人識別資料中除了該第一字元部分以外的其他部分被作為一第二字元部分,並且,該行銷對象決策系統產生該偏好表格的方式,包括根據該等目標個人識別資料的該等第一字元部分而將該等目標消費者偏好紀錄排序,並將排序的結果作為該等目標消費者偏好紀錄被呈現於該偏好表格中的順序。
在本發明行銷對象決策方法的一些實施態樣中,在步驟(A)中,每一目標個人識別資料為一手機號碼。
本發明的另一目的,在於提供一種能夠實現精準行銷的行銷對象決策系統。
本發明行銷對象決策系統包含一儲存單元及一與該儲存單元電連接的處理單元。該儲存單元儲存有一圖案特徵辨識模型,且該圖案特徵辨識模型包含一對應於一特定商品種類且包括至少一圖案特徵的特徵組。該處理單元用於:在接收到一指示出該特定商品種類的行銷對象決策請求後,根據一消費者偏好紀錄集合產生一對應於其他多個商品種類且對應於多筆目標個人識別資料的偏好分佈圖像,其中,該偏好分佈圖像以一種特定標記呈現出每一目標個人識別資料所對應之一消費者所感興趣的商品種類;將該偏好分佈圖像輸入該圖案特徵辨識模型,以使該圖案特徵辨識模型將該偏好分佈圖像中之該種特定標記的分佈情形與該特徵組所包括之圖案特徵進行比對,以及根據比對結果輸出一對應該偏好分佈圖像的辨識結果,其中,該辨識結果指示出該等目標個人識別資料所對應之該等消費者是否適合被作為該特定商品種類之商品的行銷對象;在該辨識結果為肯定的情況下,產生並輸出一對應該行銷對象決策請求且包含該偏好分佈圖像所對應之該等目標個人識別資料的決策結果,以致該等目標個人識別資料能被應用於該特定商品種類之商品的行銷。
在本發明行銷對象決策系統的一些實施態樣中,該處理單元是先根據該消費者偏好紀錄集合產生一個對應於其他該等商品種類及該等目標個人識別資料且具有該種特定標記的偏好表格,再根據該偏好表格產生該偏好分佈圖像。
在本發明行銷對象決策系統的一些實施態樣中,該行銷對象決策請求還指示出一與該等目標個人識別資料之資料格式相關的指定區段,且該消費者偏好紀錄集合包括多筆消費者偏好紀錄,並且,該處理單元是先根據該指定區段從該等消費者偏好紀錄中獲得其中多筆分別包括該等目標個人識別資料的目標消費者偏好紀錄,再根據該等目標消費者偏好紀錄產生該偏好表格。
在本發明行銷對象決策系統的一些實施態樣中,每一筆消費者偏好紀錄包括一個人識別資料,並且,該處理單元從該等消費者偏好紀錄中獲得該等目標消費者偏好紀錄的方式,是根據該指定區段及該等消費者偏好紀錄的個人識別資料而從該消費者偏好紀錄集合中選出一群消費者偏好紀錄,再將該群消費者偏好紀錄分別作為該等目標消費者偏好紀錄。
在本發明行銷對象決策系統的一些實施態樣中,對於每一個人識別資料,該個人識別資料被該指定區段所指示出的其中一部分被作為一第一字元部分,而該個人識別資料中除了該第一字元部分以外的其他部分被作為一第二字元部分,並且,該處理單元選出該群消費者偏好紀錄以作為該等目標消費者偏好紀錄的方式,包含將所有該等消費者偏好紀錄中,該等第二字元部分彼此相同之其中多筆個人識別資料所屬的該等消費者偏好紀錄作為同一群。
在本發明行銷對象決策系統的一些實施態樣中,每一筆消費者偏好紀錄包括一個人識別資料及一對應該個人識別資料的偏好種類資料,該偏好種類資料指示出該個人識別資料所對應之一消費者所感興趣的至少一個商品種類,且該等目標個人識別資料分別為該等目標消費者偏好紀錄所包括的該等個人識別資料,並且,該處理單元產生該偏好表格的方式,包括根據每一目標消費者偏好紀錄所包括的該偏好種類資料而在該偏好表格的對應欄位中加入該種特定標記。
在本發明行銷對象決策系統的一些實施態樣中,每一筆消費者偏好紀錄包括一個人識別資料,且該等目標個人識別資料分別為該等目標消費者偏好紀錄所包括的該等個人識別資料,對於每一個人識別資料,該個人識別資料被該指定區段所指示出的其中一部分被作為一第一字元部分,而該個人識別資料中除了該第一字元部分以外的其他部分被作為一第二字元部分,並且,該處理單元產生該偏好表格的方式,包括根據該等目標個人識別資料的該等第一字元部分而將該等目標消費者偏好紀錄排序,並將排序的結果作為該等目標消費者偏好紀錄被呈現於該偏好表格中的順序。
在本發明行銷對象決策系統的一些實施態樣中,每一目標個人識別資料為一手機號碼。
本發明的再一目的,在於提供一種電腦程式產品。
本發明電腦程式產品包含一圖案特徵辨識模型,且該圖案特徵辨識模型包含一對應於一特定商品種類且包括至少一圖案特徵的特徵組,其中,當該電腦程式產品被一電腦裝置載入並執行時,能使該電腦裝置實施如前述任一實施態樣中所述的行銷對象決策方法。
本發明之功效在於:該行銷對象決策系統能根據該偏好分佈圖像對應之消費者所感興趣的商品種類,來分析該等消費者是否適合被作為該特定商品種類之商品的行銷對象,而能達成利用消費者偏好紀錄實現精準行銷之效果。
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。另外,若未特別定義,本專利說明書中所述的「電連接」是泛指多個電子設備/裝置/元件之間透過導電材料彼此相連而實現的「有線電連接」,以及透過無線通訊技術進行單/雙向無線信號傳輸的「無線電連接」。另一方面,本專利說明書中所述的「電連接」也泛指多個電子設備/裝置/元件之間彼此直接相連而形成的「直接電連接」,以及多個電子設備/裝置/元件之間還透過其他電子設備/裝置/元件彼此間接相連而形成的「間接電連接」。
參閱圖1,本發明行銷對象決策系統1的一第一實施例例如被實施為一台伺服設備,且該行銷對象決策系統1包含一儲存單元11,以及一電連接該儲存單元11的處理單元12。其中,該儲存單元11例如被實施為具有數位資料儲存功能的儲存裝置(例如硬碟或其他種類的電腦可讀取記錄媒體),而該處理單元12則例如被實施為具有資料運算及處理功能的中央處理器,但並不以此為限。
在本實施例的應用中,該行銷對象決策系統1的處理單元12適用於與一外部資料庫2透過網路電連接,且該外部資料庫2例如為一客戶資料平台(Customer Data Platform,簡稱CDP),但並不以此為限。另一方面,該行銷對象決策系統1的處理單元12還適用於供一使用端5透過網路電連接,且該使用端5可以是由一位使用者所操作的一台智慧型手機、平板電腦、筆記型電腦或者桌上型電腦。補充說明的是,在本實施例的實際實施態樣中,該處理單元12是適用於同時供多個使用端5透過網路電連接。
在本實施例的應用中,該外部資料庫2儲存有一消費者偏好紀錄集合D2。其中,該消費者偏好紀錄集合D2包括多筆消費者偏好紀錄,該等消費者偏好紀錄分別相關於多位消費者,且每一筆消費者偏好紀錄包括一筆個人識別資料,以及一筆對應於該個人識別資料的偏好種類資料。
具體而言,在本實施例中,每一筆消費者偏好紀錄的個人識別資料為一個對應於其中一消費者的手機號碼,也就是一個由十個阿拉伯數字所組成的字串。然而,在不同的實施例中,每一筆個人識別資料亦可例如為身分證字號、會員編號等能夠代表單一消費者身分的唯一性識別資料,所以,該等個人識別資料的實際態樣並不以本實施例所述的手機號碼為限。
另一方面,每一筆消費者偏好紀錄的該偏好種類資料可例如是以特定的字元(例如「1」)來指示出相關之消費者所感興趣的至少一個商品種類,但並不以此為限。舉例來說,假設其中一筆消費者偏好紀錄的偏好種類資料共具有五個「1」,則代表該筆消費者偏好紀錄所相關的消費者總共對五個商品種類表示過興趣,例如曾經訂閱或瀏覽過所述商品種類的電子廣告,或者曾經查詢或購買過相關之商品。
更詳細地說,每一消費者偏好紀錄之該偏好種類資料所能指示出的該等商品種類是被預先設定好的,且每一偏好種類資料所能指示出的商品種類與其他每一偏好種類資料皆相同。進一步地,該等商品種類可例如包含但不限於「餐廳」、「生鮮」、「健康食品」、「服飾」、「美妝」、「不動產」、「汽車」、「書籍」、「進修」、「按摩」、「運動」、「旅遊」等商品的類型。特別說明的是,本專利說明書所述之「商品」係同時包含「有形」及「無形」之商品,也就是說,除了具有實體的物品之外,舉凡例如「電腦軟體」、「課程」及各種需付費取得之服務,亦屬於本專利說明書所述之「商品」的範疇。
配合參閱圖2,圖2以表格形式示例性地示出該消費者偏好紀錄集合D2所包括的其中五筆消費者偏好紀錄D20。更明確地說,在圖2之表格中,除了最頂端的橫列以外,其餘的每一橫列皆對應於其中一筆消費者偏好紀錄D20,且每一橫列中以「1」表示的欄位,代表該筆消費者偏好紀錄D20的偏好種類資料有指示出所述欄位所對應的商品種類。以圖2中包括「09*****015」之個人識別資料的該筆消費者偏好紀錄D20為例,該筆消費者偏好紀錄D20的偏好種類資料至少有指示出「餐廳」以及「健康食品」兩個商品種類。特別說明的是,雖然圖2係以表格的形式來呈現該消費者偏好紀錄集合D2的其中一部分,但該消費者偏好紀錄集合D2並不限於被實現為表格形式。另外,雖然圖2所示的每一筆個人識別資料有其中五碼以「*」符號表示,但應當理解,在實際的實施態樣中,該等個人識別資料皆為完整的手機號碼。
參閱圖1,該儲存單元11儲存有一圖案特徵辨識模型M。其中,該圖案特徵辨識模型M包含一特徵組,該特徵組對應於一個特定商品種類(例如「保險」),且該特徵組包括一或多個對應於該特定商品種類的圖案特徵。更明確地說,在本實施例中,該圖案特徵辨識模型M是一個以深度學習方式被預先訓練而成的卷積神經網路(Convolutional Neural Network,簡稱CNN),而該特徵組的每一圖案特徵是該圖案特徵辨識模型M在學習階段(或稱訓練階段)的學習結果。該圖案特徵辨識模型M的訓練方式將於後文補充說明。
特別說明的是,該特徵組所對應的該特定商品種類例如是與該消費者偏好紀錄集合D2之偏好種類資料所能指示出的該等商品種類完全不同。舉例來說,該特徵組所對應的該特定商品種類可例如為「保險」,但該消費者偏好紀錄集合D2的偏好種類資料並不需能指示出「保險」的商品種類。換言之,即便該特徵組所對應的該特定商品種類為「保險」,但圖2的表格中也並不需要存在對應於「保險」的直行欄位。
補充說明的是,在不同的實施例中,該圖案特徵辨識模型M亦可以被實現為一個以深度學習方式被預先訓練而成的圖神經網路(Graph Neural Networks,簡稱GNN),或者是其他種類的用於進行圖像辨識的神經網路,因此,該圖案特徵辨識模型M的具體態樣並不以本實施例所述的卷積神經網路為限。
同時參閱圖1及圖3,以下示例性地詳細說明本實施例的該行銷對象決策系統1如何實施一行銷對象決策方法。
首先,在步驟S1中,該處理單元12接收一行銷對象決策請求,其中,該行銷對象決策請求例如指示出該圖案特徵辨識模型M之特徵組所對應的該特定商品種類(例如「保險」,但並不以此為限),且還指示出一與該消費者偏好紀錄集合D2之該等個人識別資料的資料格式相關的指定區段。
更詳細地說,該指定區段指示出每一個人識別資料的其中一部分,例如「末三碼」、「末五碼」或「第五至八碼」,但並不以此為限。並且,為了便於後續說明,對於該消費者偏好紀錄集合D2中的每一個人識別資料,該個人識別資料被該指定區段所指示出的其中一部分被作為該筆個人識別資料的一第一字元部分,而該個人識別資料中除了該第一字元部分以外的其他部分則被作為該筆個人識別資料的一第二字元部分。舉一例來說,假設有一筆個人識別資料為「0912345678」,則若該指定區段指示出「末三碼」,則該筆個人識別資料的第一字元部分便為「678」,而其第二字元部分則為「0912345」。
在本實施例中,該行銷對象決策請求是由該使用端5根據使用者的操作所產生並傳送,換言之,該處理單元12在本實施例中是在與該使用端5電連接的情況下從該使用端5接收該行銷對象決策請求,但並不以此為限。而且,該行銷對象決策請求所指示出的該特定商品種類及該指定區段皆是由該使用端5根據其所受到的使用者操作所決定,也就是說,該特定商品種類及該指定區段在本實施例中是由使用者透過該使用端5所設定的。
在該處理單元12接收到該行銷對象決策請求後,流程進行至步驟S2。
在步驟S2中,該處理單元12從該外部資料庫2獲得該消費者偏好紀錄集合D2,並根據該行銷對象決策請求所指示出的指定區段及該等消費者偏好紀錄的個人識別資料,而從該消費者偏好紀錄集合D2的所有該等消費者偏好紀錄中,選出一群(亦即其中多筆)消費者偏好紀錄,並將該群消費者偏好紀錄分別作為本實施例中的多筆目標消費者偏好紀錄。並且,為了便於說明,在此將該等目標消費者偏好紀錄所包括的該等個人識別資料分別被作為本實施例中的多筆目標個人識別資料。
更詳細地說,在本實施例中,對於該等消費者偏好紀錄,該處理單元12會將第二字元部分彼此相同之該等個人識別資料所屬的該等消費者偏好紀錄作為同一群。換句話說,在本實施例中,該等目標消費者偏好紀錄(亦即被該處理單元12選出的該群消費者偏好紀錄)的該等目標個人識別資料會分別具有彼此不同的第一字元部分,以及彼此相同的第二字元部分。
具體舉一例來說,假設該行銷對象決策請求所指示出的指定區段為「末三碼」,則對於每一個人識別資料,其末三碼(對手機號碼而言相當於第八至十碼)即為該個人識別資料的第一字元部分,而第一至七碼則為該個人識別資料的第二字元部分。並且,藉由將個人識別資料之第二字元部分彼此相同的其中多筆消費者偏好紀錄分為同一群,該處理單元12可例如是將個人識別資料第一至七碼為「0900000」的所有消費者偏好紀錄分別作為該等目標消費者偏好紀錄,如此一來,在此例中,該等目標消費者偏好紀錄之目標個人識別資料的第一至七碼會彼此相同,而末三碼(即第八至十碼)則會彼此不同。
補充說明的是,該等目標個人識別資料的第二字元部分是哪一種數字組合可例如是由該處理單元12所決定,且其決定方式可例如是在能滿足目標消費者偏好紀錄之數量需求的前提下以隨機方式所決定的,但此並非本實施例的技術重點,且也並不以此為限。另一方面,雖然該處理單元12在本實施例中是從該外部資料庫2獲得該消費者偏好紀錄集合D2,但是,在不同的實施態樣中,該消費者偏好紀錄集合D2亦可以是被預先儲存於該行銷對象決策系統1的儲存單元11,因此,該處理單元12並不必然需與該外部資料庫2電連接,且該處理單元12獲得該消費者偏好紀錄集合D2的來源亦不以本實施例為限。
在該處理單元12從該消費者偏好紀錄集合D2獲得該等目標消費者偏好紀錄後,流程進行至步驟S3。
在步驟S3中,配合參閱圖4,該處理單元12根據該等目標消費者偏好紀錄產生一個偏好表格D100,其中,該偏好表格D100對應於該消費者偏好紀錄集合D2所指示出的該等商品種類,且還對應分別被包括於該等目標消費者偏好紀錄中的該等目標個人識別資料。並且,該偏好表格D100是一個二維表格。
更詳細地說,在本實施例中,該處理單元12產生該偏好表格D100的方式,例如包括根據該等目標個人識別資料的該等第一字元部分而將該等目標消費者偏好紀錄排序,並將排序的結果作為該等目標消費者偏好紀錄被呈現於該偏好表格D100中的順序。舉例來說,假設該行銷對象決策請求所指示出的指定區段為「末三碼」,則在本實施例中,該處理單元12可例如是使該等目標消費者偏好紀錄按照該等目標個人識別資料之第一字元部分的數字大小由小到大排序,但並不以此為限。如此一來,如圖4所示,若其中一筆目標消費者偏好紀錄的目標個人識別資料末三碼為「000」,則其便會被作為該偏好表格D100中的第一筆目標消費者偏好紀錄,而若其中另一筆目標消費者偏好紀錄的目標個人識別資料末三碼為「999」,則其便會被作為該偏好表格D100中的最後一筆目標消費者偏好紀錄。
進一步地,該處理單元12產生該偏好表格D100的方式,還例如包括根據每一目標消費者偏好紀錄所包括的偏好種類資料,而在該偏好表格D100內與該目標消費者偏好紀錄對應的橫列中加入一種特定標記,且如圖4所示,本實施例的該種特定標記為符號「■」,但不以此為限。更明確地說,該偏好表格D100的每一橫列具有多個分別對應該等商品種類(如圖4所示的「餐廳」、「生鮮」、「健康食品」等)的欄位,且該處理單元12是根據每一目標消費者偏好紀錄之偏好種類資料所指示出的每一商品種類,而在對應之橫列中與所述商品種類對應的每一欄位加入該種特定標記。以圖4中末三碼為「000」的該橫列為例,該橫列對應之目標消費者偏好紀錄的偏好種類資料至少有指示出「餐廳」的商品種類,故該處理單元12至少會在該橫列中對應於「餐廳」的欄位加入該種特定標記。藉此,該處理單元12能使該偏好表格D100透過該種特定標記以視覺化方式呈現出每一目標個人識別資料所對應之消費者所感興趣的商品種類。補充說明的是,在不同的實施態樣中,該種特定標記亦可例如被實施為阿拉伯數字「1」、其他任何字元或符號,或者是直接將該偏好表格D100的對應欄位加上特定底色,所以,該種特定標記的具體實施態樣並不以本實施例為限。
在該處理單元12根據該等目標消費者偏好紀錄產生該偏好表格D100後,流程進行至步驟S4。
在步驟S4中,配合參閱圖5,該處理單元12根據該偏好表格D100產生一對應該偏好表格D100的偏好分佈圖像D101,其中,該偏好分佈圖像D101對應於該等目標個人識別資料,且還對應於該消費者偏好紀錄集合D2所指示出的該等商品種類。而且,如該偏好表格D100一般,該偏好分佈圖像D101亦以該種特定標記(在本實施例中是以符號「■」為例)呈現出每一目標個人識別資料所對應之消費者所感興趣的商品種類。
更詳細地說,在本實施例中,該處理單元12例如是直接將該偏好表格D100轉換為圖像形式,藉此產生該偏好分佈圖像D101。所以,如圖4及圖5所示,本實施例的該偏好分佈圖像D101與該偏好表格D100在外觀上大致相同。然而,在不同的實施態樣中,該處理單元12也可以是先對該偏好表格D100進行預處理,例如淡化格線顏色、刪除格線、刪除指示出商品種類的橫列(即圖4中最頂端的一列),或是刪除指示出該等目標個人識別資料之第一字元部分的直行(即圖4中最左方的一行),再根據經過預處理的該偏好表格D100產生該偏好分佈圖像D101。又或者,該處理單元12也可以是在將該偏好表格D100轉換為圖像形式後,再對轉換結果進行例如裁減、縮放、比例調整等影像處理而產生該偏好分佈圖像D101。藉此,該處理單元12能使該偏好分佈圖像D101中可被該圖案特徵辨識模型M所辨識出的圖案特徵更加突顯,亦即使該偏好分佈圖像D101更適合被用來進行圖案特徵辨識。
在該處理單元12產生該偏好分佈圖像D101後,流程進行至步驟S5。
在步驟S5中,該處理單元12將該偏好分佈圖像D101輸入該圖案特徵辨識模型M,以使該圖案特徵辨識模型M將該偏好分佈圖像D101中之該種特定標記的分佈情形與該特徵組所包括之圖案特徵進行比對,以及根據比對結果輸出一對應該偏好分佈圖像D101的辨識結果。其中,該辨識結果指示出該等目標個人識別資料所對應的該等消費者是否適合被作為該特定商品種類之商品的行銷對象。換言之,該偏好分佈圖像D101相當於是該圖案特徵辨識模型M的輸入資料,而該辨識結果則是該圖案特徵辨識模型M的輸出資料。
更詳細地說,在該偏好分佈圖像D101被輸入該圖案特徵辨識模型M後,該圖案特徵辨識模型M會判斷該偏好分佈圖像D101中之該等特定標記的排列方式及位置是否與該特定商品種類(例如「保險」)所對應之特徵組的圖案特徵匹配,而且,此處所述之「匹配」並不限於「完全相同」,而亦包含「相似」,也就是說,該圖案特徵辨識模型M是判斷該偏好分佈圖像D101中的該等特定標記是否有其中至少一部分共同構成與該特徵組之圖案特徵相同或相似的圖案。進一步地,在對應於該特定商品種類的該特徵組中,每一圖案特徵的特徵屬性例如為一正面特徵及一負面特徵的其中一者,其中,每一正面特徵是一個代表「該等目標個人識別資料所對應之消費者購買該特定商品種類之商品的機率相對較高」的特徵,每一負面特徵則是一個代表「該等目標個人識別資料所對應之消費者購買該特定商品種類之商品的機率相對較低」的特徵。並且,該圖案特徵辨識模型M例如是先辨識出該特徵組中與該偏好分佈圖像D101存在匹配關係的每一圖案特徵,再根據所述圖案特徵的特徵屬性來決定是要輸出肯定性的辨識結果,還是要輸出否定性的辨識結果。
舉一例來說,該特徵組中被作為正面特徵的其中一個圖案特徵,可例如是代表由六個特定標記水平連續排列所構成的「一」字形圖案,且其最左端的特定標記是對應於「餐廳」的商品種類,也就是位於對應「餐廳」的直行欄位中。
特別說明的是,該特徵組中的該等圖案特徵並不限於是該偏好分佈圖像D101中同一橫列之特定標記所構成的特徵,而亦可以是同一直行之特定標記所構成的特徵,或者是多個橫列及直行所共同界定出之局部二維區域的特定標記所構成的特徵。應當理解的是,由於本實施例的該圖案特徵辨識模型M為卷積神經網路,故該圖案特徵辨識模型M在以卷積方式進行深度學習的過程中,會自然而然地學習到小範圍的圖案特徵(例如在單一橫列或直行中所呈現出的特徵),以及較大範圍的圖案特徵(例如在局部二維區域中所呈現出的特徵)。另一方面,前述的「一」字形圖案特徵僅是一種可能的態樣,應當理解的是,在實際實施時,若該等圖案特徵皆是由該圖案特徵辨識模型M透過非監督式學習的方式習得,則若開發者並未特地對訓練好的圖案特徵辨識模型M進行測試及分析,便無從得知該圖案特徵辨識模型M所習得的實際圖案特徵為何。但是,本發明技術領域中具有通常知識者應當理解,即便開發者及使用者未得知該等圖案特徵的實際態樣,也不會影響該圖案特徵辨識模型M對該偏好分佈圖像D101進行圖像辨識的功能性,因此,該等圖案特徵的實際態樣並不屬於本發明可被據以實施之要件。
在該處理單元12獲得由該圖案特徵辨識模型M所輸出的辨識結果後,流程進行至步驟S6。
在步驟S6中,若該辨識結果為肯定性的,亦即指示出該等目標個人識別資料所對應之消費者適合被作為該特定商品種類之商品的行銷對象,則該處理單元12產生一對應該行銷對象決策請求且包含該偏好分佈圖像D101所對應之該等目標個人識別資料的決策結果,並將該決策結果輸出。更具體地說,在本實施例中,該處理單元12輸出該決策結果的方式,是將該決策結果透過網路傳送至該使用端5,以使該使用端5能夠顯示該決策結果所包含的該等目標個人識別資料,但並不以此為限,如此一來,該使用端5的使用者便能利用該等目標個人識別資料來進行該特定商品種類之商品的行銷(例如電話行銷或傳送電子廣告)。並且,在該處理單元12將該決策結果輸出之後,本實施例之行銷對象決策方法的流程結束。
補充說明的是,若該辨識結果為否定性的,流程可例如從步驟S2再次開始進行。另一方面,在類似的實施態樣中,該處理單元12可例如還與一輸入單元(例如鍵盤與滑鼠)及一顯示單元(例如螢幕)電連接,而且,在所述的實施態樣中,該處理單元12在步驟S1可例如是從該輸入單元接收該行銷對象決策請求,而並不限於是從該使用端5接收該行銷對象決策請求,而在步驟S6中,該處理單元12輸出該決策結果的方式,可以是控制該顯示單元顯示該決策結果,而並不限於是將該決策結果透過網路傳送至遠端的電子裝置。
藉由實施該行銷對象決策方法,該行銷對象決策系統1能在接收到指示出特定商品種類的行銷對象決策請求後,先根據該消費者偏好紀錄集合D2產生該偏好分佈圖像D101,再利用該圖案特徵辨識模型M對該偏好分佈圖像D101進行圖案特徵辨識以獲得該辨識結果,並在該辨識結果指示出該等目標個人識別資料所對應之消費者適合被作為特定商品種類之商品的行銷對象的情況下,產生並輸出包含該等目標個人識別資料的決策結果。藉此,該行銷對象決策系統1能根據該偏好分佈圖像D101對應之消費者所感興趣的商品種類,來分析該等消費者是否適合被作為該特定商品種類之商品的行銷對象,而能達成利用消費者偏好紀錄實現精準行銷之效果。
補充說明的是,在實際實施態樣中,該圖案特徵辨識模型M所包含之特徵組的數量可為多個,且該等特徵組例如是分別對應於多個彼此不同的特定商品種類。並且,每一特徵組所對應的特定商品種類可以是與該消費者偏好紀錄集合D2所指示出的該等商品種類完全不同,但也可以是與該消費者偏好紀錄集合D2所指示出的其中一個商品種類相似或相同。而且,在實際實施態樣的步驟S5中,該圖案特徵辨識模型M是從該等特徵組中選出對應於該行銷對象決策請求所指示出之特定商品種類的其中一者,並據以對該偏好分佈圖像D101進行圖案特徵辨識,從而產生該辨識結果。
另一方面,本實施例的該圖案特徵辨識模型M例如是利用卷積神經網路對多張與該特定商品種類(例如「保險」)對應的訓練圖像進行深度學習而被訓練出的。
對於該等訓練圖像,與該偏好分佈圖像D101類似的是,每一訓練圖像也是對應於多筆個人識別資料,且還對應於該消費者偏好紀錄集合D2所指示出的該等商品種類。另一方面,與該偏好分佈圖像D101不同的是,每一訓練圖像會被預先標記為一高轉換率訓練圖像及一低轉換率訓練圖像的其中一者。更具體地說,若其中一張訓練圖像被標記為「高」轉換率訓練圖像,則代表該訓練圖像所相關的多位消費者實際購買過該特定商品種類之商品的比例相對較高(例如百分之一以上)。反之,若其中一張訓練圖像被標記為「低」轉換率訓練圖像,則代表該訓練圖像所相關的多位消費者實際購買過該特定商品種類之商品的比例相對較低(例如低於百分之一)。藉此,在進行深度學習的過程中,該圖案特徵辨識模型M能藉由對該等「高」轉換率訓練圖像進行卷積來學習對應於該特定商品種類的正面特徵,以及藉由對該等「低」轉換率訓練圖像進行卷積來學習對應於該特定商品種類的負面特徵。
所以,對於單一個特定商品種類而言(例如「保險」),藉由對與該特定商品種類對應的該等訓練圖像進行深度學習,該圖案特徵辨識模型M所習得的該等圖案特徵,相當於是「多位消費者所偏好的商品種類(即該消費者偏好紀錄集合D2所指示出的該等商品種類)分布」與「該等消費者購買該特定商品種類之商品的機率」之間的關聯性。舉例來說,該圖案特徵辨識模型M可能會學習到:對「運動」、「汽車」及「旅遊」之商品類型感興趣的消費者有相對較高的機率購買保險類的商品。然而,應當理解的是,該圖案特徵辨識模型M藉由深度學習所習得的關聯性並不一定會與商業上的經驗法則相符,也不一定會存在直觀上的邏輯關聯性,換句話說,該圖案特徵辨識模型M進行深度學習的過程,相當於是從該消費者偏好紀錄集合D2中歸納出人類思維所難以觀察到的關聯性。
進一步地,每一訓練圖像被產生的方式,例如是與該處理單元12產生該偏好分佈圖像D101的方式類似。更明確地說,該消費者偏好紀錄集合D2例如有其中一部分可被用於產生該等訓練圖像(亦即用來訓練該圖案特徵辨識模型M),而其中另一部分則可被用於產生該偏好分佈圖像D101(亦即用來實現該圖案特徵辨識模型M的實際應用,或是用來測試該圖案特徵辨識模型M)。而且,該圖案特徵辨識模型M進行深度學習的流程可以是由該行銷對象決策系統1完成,但也可以是由其他的電腦裝置完成後,再將訓練好的該圖案特徵辨識模型M傳送至該行銷對象決策系統1儲存。
特別說明的是,假設該圖案特徵辨識模型M進行深度學習的流程是由該行銷對象決策系統1完成,則對於單一個特定商品種類,在訓練該圖案特徵辨識模型M的過程中,該處理單元12可以針對該種個人識別資料之多個不同的特定區段而產生對應的多組訓練圖像來訓練該圖案特徵辨識模型M。舉例來說,對於「保險」的特定商品種類,該處理單元12可例如根據該消費者偏好紀錄集合D2產生例如「末三碼」、「末五碼」及「第五至八碼」等多個特定區段所分別對應的多組訓練圖像來訓練該圖案特徵辨識模型M,藉此,在訓練完成後,該行銷對象決策系統1便能讓使用者從多種指定區段中依其偏好自由選擇來設定行銷對象決策請求。不僅如此,在訓練該圖案特徵辨識模型M的過程中,該處理單元12還可以針對多個不同的特定商品種類產生對應的多個訓練圖像集合,藉此擴增該行銷對象決策系統1所能支援之特定商品種類的數量。
在訓練完成後,該圖案特徵辨識模型M也能夠被包含於一電腦程式產品內,其中,該電腦程式產品可例如為一個應用程式或一套電腦轉體,且該電腦程式產品能被儲存於一電腦可讀取紀錄媒體(例如快閃記憶體、光碟及硬碟等)中,藉此,當該電腦程式產品被一電腦裝置載入並執行時,便能使該電腦裝置實施本實施例所述的該行銷對象決策方法。
應當理解的是,本實施例的步驟S1至步驟S6及圖3的流程圖僅是用於示例說明本發明行銷對象決策方法的其中一種可實施方式。應當理解的是,即便將步驟S1至步驟S6進行合併、拆分或順序調整,若合併、拆分或順序調整之後的流程與本實施例相比係以實質相同的方式達成實質相同的功效,便仍屬於本發明行銷對象決策方法的可實施態樣,因此,本實施例的步驟S1至步驟S6及圖3的流程圖並非用於限制本發明的可實施範圍。
以上即為該行銷對象決策系統1之第一實施例的說明。
本發明還提供了該行銷對象決策系統1的一第二實施例,並且,第二實施例與第一實施例之間的差異,在於該行銷對象決策系統1所實施的行銷對象決策方法。
具體來說,在第二實施例的步驟S2中,該處理單元12是根據該行銷對象決策請求所指示出的該指定區段及該等消費者偏好紀錄的個人識別資料而將該等消費者偏好紀錄分成多群。接著,該處理單元12在步驟S3中是將每一群消費者偏好紀錄依序作為一群目標消費者偏好紀錄,並根據每一群目標消費者偏好紀錄產生一個對應的偏好表格D100,換言之,該處理單元12在第二實施例中是根據多群目標消費者偏好紀錄分別產生多個對應的偏好表格D100。在步驟S4中,該處理單元12是根據該等偏好表格D100分別產生多張對應的偏好分佈圖像D101。在步驟S5中,該處理單元12是將該等偏好分佈圖像D101逐一輸入該圖案特徵辨識模型M,以獲得多個由該圖案特徵辨識模型M輸出且分別對應該等偏好分佈圖像D101的辨識結果。最後,在步驟S6中,該處理單元12所產生的決策結果,是包含辨識結果為肯定性之所有偏好分佈圖像D101所對應的該等個人識別資料。
更詳細地說,在第二實施例的步驟S2中,對於該消費者偏好紀錄集合D2中的所有該等消費者偏好紀錄,該處理單元12將該等消費者偏好紀錄分成多群的方式,例如是將個人識別資料之第二字元部分彼此相同的其中多筆消費者偏好紀錄分為同一群,例如將個人識別資料第一至七碼為「0900000」的所有消費者偏好紀錄分成第一群、將個人識別資料第一至七碼為「0900001」的所有消費者偏好紀錄分成第二群,其餘以此類推。藉此,相較於第一實施例,第二實施例能夠一次性地輸出包含更多筆個人識別資料的決策結果。
以上即為本發明行銷對象決策系統1之第二實施例的說明。
綜上所述,藉由實施該行銷對象決策方法,該行銷對象決策系統1能根據該偏好分佈圖像D101對應之消費者所感興趣的商品種類,來分析該等消費者是否適合被作為該特定商品種類之商品的行銷對象,而能達成利用消費者偏好紀錄實現精準行銷之效果,故確實能達成本發明之目的。
惟以上所述者,僅為本發明之實施例而已,當不能以此限定本發明實施之範圍,凡是依本發明申請專利範圍及專利說明書內容所作之簡單的等效變化與修飾,皆仍屬本發明專利涵蓋之範圍內。
1:行銷對象決策系統
11:儲存單元
12:處理單元
M:圖案特徵辨識模型
2:外部資料庫
5:使用端
D2:消費者偏好紀錄集合
D20:消費者偏好紀錄
D100:偏好表格
D101:偏好分佈圖像
S1~S6:步驟
本發明之其他的特徵及功效,將於參照圖式的實施方式中清楚地呈現,其中:
圖1是一方塊示意圖,示例性地繪示本發明行銷對象決策系統的一第一實施例,以及適合與該第一實施例配合的一外部資料庫及一使用端;
圖2是一示意圖,示例性地表示一適合應用於該第一實施例的消費者偏好紀錄集合,以及其所包括的其中五筆消費者偏好紀錄;
圖3是一流程圖,用於示例性地說明該第一實施例如何實施一行銷對象決策方法;
圖4是一不完整的示意圖,示例性地表示該第一實施例在實施該行銷對象決策方法的過程中所產生的一偏好表格;及
圖5是一不完整的示意圖,示例性地表示該第一實施例在實施該行銷對象決策方法的過程中所產生的一偏好分佈圖像。
S1~S6:步驟
Claims (10)
- 一種行銷對象決策方法,由一儲存有一圖案特徵辨識模型的行銷對象決策系統實施,該圖案特徵辨識模型包含一對應於一特定商品種類且包括至少一圖案特徵的特徵組;該行銷對象決策方法包含: (A)在接收到一指示出該特定商品種類的行銷對象決策請求後,根據一消費者偏好紀錄集合產生一對應於其他多個商品種類且對應於多筆目標個人識別資料的偏好分佈圖像,其中,該偏好分佈圖像以一種特定標記呈現出每一目標個人識別資料所對應之一消費者所感興趣的商品種類; (B)將該偏好分佈圖像輸入該圖案特徵辨識模型,以使該圖案特徵辨識模型將該偏好分佈圖像中之該種特定標記的分佈情形與該特徵組所包括之圖案特徵進行比對,以及根據比對結果輸出一對應該偏好分佈圖像的辨識結果,其中,該辨識結果指示出該等目標個人識別資料所對應之該等消費者是否適合被作為該特定商品種類之商品的行銷對象;及 (C)在該辨識結果為肯定的情況下,產生並輸出一對應該行銷對象決策請求且包含該偏好分佈圖像所對應之該等目標個人識別資料的決策結果,以致該等目標個人識別資料能被應用於該特定商品種類之商品的行銷。
- 如請求項1所述的行銷對象決策方法,其中,在步驟(A)中,該行銷對象決策系統是先根據該消費者偏好紀錄集合產生一個對應於其他該等商品種類及該等目標個人識別資料且具有該種特定標記的偏好表格,再根據該偏好表格產生該偏好分佈圖像。
- 如請求項2所述的行銷對象決策方法,其中,在步驟(A)中,該行銷對象決策請求還指示出一與該等目標個人識別資料之資料格式相關的指定區段,且該消費者偏好紀錄集合包括多筆消費者偏好紀錄,並且,該行銷對象決策系統是先根據該指定區段從該等消費者偏好紀錄中獲得其中多筆分別包括該等目標個人識別資料的目標消費者偏好紀錄,再根據該等目標消費者偏好紀錄產生該偏好表格。
- 如請求項3所述的行銷對象決策方法,其中,在步驟(A)中,每一筆消費者偏好紀錄包括一個人識別資料,並且,該行銷對象決策系統從該等消費者偏好紀錄中獲得該等目標消費者偏好紀錄的方式,是根據該指定區段及該等消費者偏好紀錄的個人識別資料而從該消費者偏好紀錄集合中選出一群消費者偏好紀錄,再將該群消費者偏好紀錄分別作為該等目標消費者偏好紀錄。
- 如請求項4所述的行銷對象決策方法,其中,在步驟(A)中,對於每一個人識別資料,該個人識別資料被該指定區段所指示出的其中一部分被作為一第一字元部分,而該個人識別資料中除了該第一字元部分以外的其他部分被作為一第二字元部分,並且,該行銷對象決策系統選出該群消費者偏好紀錄以作為該等目標消費者偏好紀錄的方式,包含將所有該等消費者偏好紀錄中,該等第二字元部分彼此相同之其中多筆個人識別資料所屬的該等消費者偏好紀錄作為同一群。
- 如請求項3所述的行銷對象決策方法,其中,在步驟(A)中,每一筆消費者偏好紀錄包括一個人識別資料及一對應該個人識別資料的偏好種類資料,該偏好種類資料指示出該個人識別資料所對應之一消費者所感興趣的至少一個商品種類,且該等目標個人識別資料分別為該等目標消費者偏好紀錄所包括的該等個人識別資料,並且,該行銷對象決策系統產生該偏好表格的方式,包括根據每一目標消費者偏好紀錄所包括的該偏好種類資料而在該偏好表格的對應欄位中加入該種特定標記。
- 如請求項3所述的行銷對象決策方法,其中,在步驟(A)中,每一筆消費者偏好紀錄包括一個人識別資料,且該等目標個人識別資料分別為該等目標消費者偏好紀錄所包括的該等個人識別資料,對於每一個人識別資料,該個人識別資料被該指定區段所指示出的其中一部分被作為一第一字元部分,而該個人識別資料中除了該第一字元部分以外的其他部分被作為一第二字元部分,並且,該行銷對象決策系統產生該偏好表格的方式,包括根據該等目標個人識別資料的該等第一字元部分而將該等目標消費者偏好紀錄排序,並將排序的結果作為該等目標消費者偏好紀錄被呈現於該偏好表格中的順序。
- 如請求項1所述的行銷對象決策方法,其中,在步驟(A)中,每一目標個人識別資料為一手機號碼。
- 一種行銷對象決策系統,包含: 一儲存單元,儲存有一圖案特徵辨識模型,且該圖案特徵辨識模型包含一對應於一特定商品種類且包括至少一圖案特徵的特徵組;及 一處理單元,與該儲存單元電連接,且該處理單元用於實施如請求項1至8其中任一項所述的行銷對象決策方法。
- 一種電腦程式產品,包含一圖案特徵辨識模型,且該圖案特徵辨識模型包含一對應於一特定商品種類且包括至少一圖案特徵的特徵組,其中,當該電腦程式產品被一電腦裝置載入並執行時,能使該電腦裝置實施如請求項1至8其中任一項所述的行銷對象決策方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW111117862A TWI787127B (zh) | 2022-05-12 | 2022-05-12 | 行銷對象決策方法及系統與電腦程式產品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW111117862A TWI787127B (zh) | 2022-05-12 | 2022-05-12 | 行銷對象決策方法及系統與電腦程式產品 |
Publications (2)
Publication Number | Publication Date |
---|---|
TWI787127B true TWI787127B (zh) | 2022-12-11 |
TW202345055A TW202345055A (zh) | 2023-11-16 |
Family
ID=85795089
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW111117862A TWI787127B (zh) | 2022-05-12 | 2022-05-12 | 行銷對象決策方法及系統與電腦程式產品 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI787127B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8132202B2 (en) * | 1997-01-06 | 2012-03-06 | At&T Intellectual Property I, L.P. | Methods and systems for providing targeted content |
TWM605342U (zh) * | 2020-09-09 | 2020-12-11 | 玉山商業銀行股份有限公司 | 智能金融商品推薦系統 |
US20210326967A1 (en) * | 2020-04-15 | 2021-10-21 | DroppTV Holdings, Inc. | Shopping directly from user screen while viewing video content or in augmented or virtual reality |
TWM624658U (zh) * | 2021-09-07 | 2022-03-21 | 伊雲谷數位科技股份有限公司 | 以用戶短期特徵預測用戶是否屬於價值用戶群的預測裝置 |
-
2022
- 2022-05-12 TW TW111117862A patent/TWI787127B/zh active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8132202B2 (en) * | 1997-01-06 | 2012-03-06 | At&T Intellectual Property I, L.P. | Methods and systems for providing targeted content |
US20210326967A1 (en) * | 2020-04-15 | 2021-10-21 | DroppTV Holdings, Inc. | Shopping directly from user screen while viewing video content or in augmented or virtual reality |
TWM605342U (zh) * | 2020-09-09 | 2020-12-11 | 玉山商業銀行股份有限公司 | 智能金融商品推薦系統 |
TWM624658U (zh) * | 2021-09-07 | 2022-03-21 | 伊雲谷數位科技股份有限公司 | 以用戶短期特徵預測用戶是否屬於價值用戶群的預測裝置 |
Also Published As
Publication number | Publication date |
---|---|
TW202345055A (zh) | 2023-11-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20240028867A1 (en) | Methods and apparatus for detecting, filtering, and identifying objects in streaming video | |
CN111784455B (zh) | 一种物品推荐方法及推荐设备 | |
CN112258260A (zh) | 基于用户特征的页面展示方法、装置、介质及电子设备 | |
WO2016052149A1 (ja) | 商品推奨装置及び商品推奨方法 | |
CN109584006B (zh) | 一种基于深度匹配模型的跨平台商品匹配方法 | |
AU2022204363A1 (en) | Wine label affinity system and method | |
CN111612588B (zh) | 商品呈现方法及装置、计算设备、计算机可读存储介质 | |
CN111507812B (zh) | 一种基于属性和标题的商品搭配推荐方法及装置 | |
CN108959323A (zh) | 视频分类方法和装置 | |
CN111967924A (zh) | 商品推荐方法、商品推荐装置、计算机设备和介质 | |
KR20220019737A (ko) | 패션 상품 추천 방법, 장치 및 컴퓨터 프로그램 | |
US11941681B2 (en) | System, method, and computer program product for determining compatibility between items in images | |
CN113327132A (zh) | 多媒体推荐方法、装置、设备及存储介质 | |
WO2018118946A1 (en) | Automated generation of personalized mail | |
TWI787127B (zh) | 行銷對象決策方法及系統與電腦程式產品 | |
CN110020918B (zh) | 一种推荐信息生成方法和系统 | |
JP6679683B2 (ja) | 情報処理装置、情報処理方法及び情報処理プログラム | |
CN110570226A (zh) | 一种联合主题模型和异质信息网络的评分预测方法 | |
KR102442988B1 (ko) | Cnn 학습 방식을 이용한 사용자 경험 기반 취향관계망 생성 시스템 | |
TWM634531U (zh) | 目標客群消費偏好行為觀察伺服器 | |
KR20220044715A (ko) | 패션 상품 추천 방법, 장치 및 컴퓨터 프로그램 | |
CN114429384A (zh) | 基于电商平台的产品智能推荐方法及系统 | |
JP2018101245A (ja) | 選択装置、選択方法および選択プログラム | |
CN110162714A (zh) | 内容推送方法、装置、计算设备和计算机可读存储介质 | |
JP7316477B1 (ja) | 処理実行システム、処理実行方法、及びプログラム |