TWI827029B - 用於推薦商品之方法及其相關電子裝置 - Google Patents
用於推薦商品之方法及其相關電子裝置 Download PDFInfo
- Publication number
- TWI827029B TWI827029B TW111116525A TW111116525A TWI827029B TW I827029 B TWI827029 B TW I827029B TW 111116525 A TW111116525 A TW 111116525A TW 111116525 A TW111116525 A TW 111116525A TW I827029 B TWI827029 B TW I827029B
- Authority
- TW
- Taiwan
- Prior art keywords
- attributes
- user
- product
- group
- score
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000004891 communication Methods 0.000 claims abstract description 53
- 238000012545 processing Methods 0.000 claims abstract description 42
- 230000004044 response Effects 0.000 claims abstract description 13
- 230000000694 effects Effects 0.000 claims description 9
- 238000013461 design Methods 0.000 claims description 5
- 230000000007 visual effect Effects 0.000 claims description 4
- 230000008451 emotion Effects 0.000 claims description 3
- 230000036651 mood Effects 0.000 claims description 3
- 230000013011 mating Effects 0.000 abstract 1
- 238000004364 calculation method Methods 0.000 description 21
- 230000008569 process Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 8
- 102100033040 Carbonic anhydrase 12 Human genes 0.000 description 7
- 102100032566 Carbonic anhydrase-related protein 10 Human genes 0.000 description 7
- 102100033029 Carbonic anhydrase-related protein 11 Human genes 0.000 description 7
- 101000867855 Homo sapiens Carbonic anhydrase 12 Proteins 0.000 description 7
- 101000867836 Homo sapiens Carbonic anhydrase-related protein 10 Proteins 0.000 description 7
- 101000867841 Homo sapiens Carbonic anhydrase-related protein 11 Proteins 0.000 description 7
- 101001075218 Homo sapiens Gastrokine-1 Proteins 0.000 description 7
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 241000405147 Hermes Species 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000008713 feedback mechanism Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 210000002268 wool Anatomy 0.000 description 1
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
-
- 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
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
- G06Q30/0269—Targeted advertisements based on user profile or attribute
- G06Q30/0271—Personalized advertisement
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Human Resources & Organizations (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本揭露提供一種用於推薦商品之方法及其相關電子裝置。本揭露中提供一種處理商品推薦清單的電子裝置。電子裝置包含通信模組、記憶模組以及處理模組。通信模組經組態以執行:接收用戶之目前狀態;接收用戶之至少一個先前訂單;接收用戶之至少一個瀏覽紀錄;及回應於商品之匹配分數大於或等於用戶屬性分數之第一預定比例,傳送第一信號,第一信號指示將商品加入至用戶之商品推薦清單中。處理模組經組態以執行:基於用戶之目前狀態判定第一組用戶屬性;基於用戶之至少一個先前訂單判定第二組用戶屬性;基於用戶之至少一個瀏覽紀錄判定第三組用戶屬性;基於第一組用戶屬性、第二組用戶屬性以及第三組用戶屬性判定用戶屬性分數;及基於第一組用戶屬性、第二組用戶屬性、第三組用戶屬性以及商品之第一組商品屬性判定商品之匹配分數。
Description
本揭露關於用於推薦商品之方法及其相關電子裝置。更明確地說,本揭露關於基於用戶與商品之匹配程度而推薦商品的方法及其相關電子裝置。
因網路購物、拍賣平台蓬勃興起帶來龐大的網路購物商機。如何針對消費者需求或喜好而推薦能吸引消費者注意的相關商品,可以有效地增進消費者購買商品的可能性,進而促成交易。
商品的推薦方法可能是藉由統計銷售量或點閱率的方式找出人氣熱門商品,並將人氣熱門商品推薦給每一位消費者。或者可以將特價或最低價商品推薦給消費者,並藉此吸引消費者購買。這些作法有可能導致相對降低其他較冷門商品的曝光率與被購買之機會,並造成熱門商品恆熱賣,而冷門商品則無人知曉的消費現象。
在一些其他的推薦方法中,利用資料探勘的方式,並根據使用者的消費習性、滿意度或評分回饋機制,而給予個人化的商品推薦。然而,此種推薦方法需要依靠有大量的使用者消費紀錄。
然而,大部分的商品推薦方法並未考慮商品屬性的關聯性。例如商品的外觀設計風格或規格的相近或關聯,均可能是消費者在購買行為發生前的重要考量因素之一。
本揭露提供一種新穎的商品推薦方法及其相關電子裝置。本揭露提供一種以商品屬性與用戶屬性為導向(user oriented)之商品推薦方法及其相關電子裝置。
在某些實施例中,本揭露包含一種用於處理一商品推薦清單的電子裝置。該電子裝置包括:一通信模組、一記憶模組以及一處理模組。該通信模組經組態以與一用戶之一用戶裝置以及一資料庫通信耦合。該通信模組經組態以:接收該用戶之一目前狀態;接收該用戶之至少一個先前訂單;接收該用戶之至少一個瀏覽紀錄;及回應於一商品之一匹配分數大於或等於一用戶屬性分數之一第一預定比例,傳送一第一信號,該第一信號指示將該商品加入至該用戶之一商品推薦清單中。該記憶模組經組態以儲存多個指令及資訊。該處理模組經組態以耦合至該通信模組及該記憶模組並基於儲存於該記憶模組之指令及資訊執行以下操作:基於該用戶之該目前狀態判定一第一組用戶屬性;基於該用戶之該至少一個先前訂單判定一第二組用戶屬性;基於該用戶之該至少一個瀏覽紀錄判定一第三組用戶屬性;基於該第一組用戶屬性、該第二組用戶屬性以及該第三組用戶屬性判定該用戶屬性分數;及基於該第一組用戶屬性、該第二組用戶屬性、該第三組用戶屬性以及該商品之一第一組商品屬性判定該商品之該匹配分數。
在某些實施例中,本揭露包含一種用於推薦商品之方法。該方法包括:接收一用戶之一目前狀態;基於該用戶之該目前狀態判定一
第一組用戶屬性;接收該用戶之至少一個先前訂單;基於該用戶之該至少一個先前訂單判定一第二組用戶屬性;接收該用戶之至少一個瀏覽紀錄;基於該用戶之該至少一個瀏覽紀錄判定一第三組用戶屬性;基於該第一組用戶屬性、該第二組用戶屬性以及該第三組用戶屬性判定一用戶屬性分數;基於該第一組用戶屬性、該第二組用戶屬性、該第三組用戶屬性以及一商品之一第一組商品屬性判定該商品之一匹配分數;以及回應於該商品之該匹配分數大於或等於該用戶屬性分數之一第一預定比例,將該商品加入至該用戶之一推薦清單中。
100:系統
110:伺服器
111:輸入輸出模組
112:記憶模組
113:處理模組
114:通信模組
120:資料庫
121:輸入輸出模組
122:記憶模組
123:處理模組
124:通信模組
130:用戶裝置
131:輸入輸出模組
132:記憶模組
133:處理模組
134:通信模組
200:程序
201:操作
202:操作
203:操作
204:操作
205:操作
206:操作
207:操作
208:操作
209:操作
CA1:第一組商品屬性
MS1:第一匹配分數
MS2:第二匹配分數
MS3:第三匹配分數
UA1:第一組用戶屬性
UA2:第二組用戶屬性
UA3:第三組用戶屬性
UA4:第四組用戶屬性
UA5:第五組用戶屬性
UA6:第六組用戶屬性
UA7:第七組用戶屬性
UA8:第八組用戶屬性
UA9:第九組用戶屬性
UA10:第十組用戶屬性
UA11:第十一組用戶屬性
US1:第一用戶屬性分數
US2:第二用戶屬性分數
US3:第三用戶屬性分數
圖1繪示根據本揭露之一些實施例的系統及裝置。
圖2繪示根據本揭露之一些實施例之方法的流程圖。
圖3A及圖3B繪示根據本揭露之一些實施例中用戶屬性分數與匹配分數之計算方法的示意圖。
圖4A至圖4C繪示根據本揭露之一些實施例中用戶屬性分數與匹配分數之計算方法的示意圖。
圖5繪示根據本揭露之一些實施例中用戶屬性分數與匹配分數之計算方法的示意圖。
圖6A及圖6B繪示根據本揭露之一些實施例中用戶屬性分數與匹配分數之計算方法的示意圖。
為更好地理解本揭露之前述態樣以及其額外態樣及實施例,應結合以上圖式參考下文實施方式。在各個圖式中,相似參考符號指示相似元件。應注意,各種特徵可能未按比例繪製。實際上,出於清晰描
述之目的,可任意增大或減小各種特徵之大小。
描述本揭露之方法、系統及其他態樣。將參考本揭露之某些實施例,其實例在隨附圖式中加以說明。雖然本揭露將結合實施例進行描述,但將理解,並不意欲將本揭露僅限於此等特定實施例。相反地,本揭露意欲涵蓋本揭露之精神及範圍內的替代方案、修改及等效物。因此,應在說明性意義上而非限定性意義上看待說明書及圖式。
此外,在以下描述中,闡述眾多具體細節以提供對本揭露之透徹理解。然而,一般熟習此項技術者將可無需此等特定細節而實踐本揭露。在其他情況下,為避免混淆本揭露之態樣,並未詳細描述一般熟習此項技術者已熟知的方法、程序、操作、組件及網路。
圖1繪示根據本揭露之一些實施例的系統100以及用戶裝置130。系統100可包含伺服器110、資料庫120。在一些實施例中,伺服器110可設置於提供線上購物的公司、提供商品管理的公司或是其他提供相關服務的公司。資料庫120可設置於提供線上購物的公司、提供商品管理的公司或是其他提供相關服務的公司。資料庫120可用於儲存用戶資料以及商品資料。
伺服器110可包含輸入輸出模組111、記憶模組112、處理模組113以及通信模組114。資料庫120可包含輸入輸出模組121、記憶模組122、處理模組123以及通信模組124。用戶裝置130可包含輸入輸出模組131、記憶模組132、處理模組133以及通信模組134。
伺服器110可為工作站或電腦。資料庫120可為工作站或電腦。在一些實施例中,資料庫120可整合於伺服器110中。用戶裝置130可
為電腦、個人數位助理、智慧型手機或平板電腦。
伺服器110及資料庫120可經由伺服器110之通信模組114及資料庫120之通信模組124相互通信耦接。伺服器110及資料庫120可藉由有線方法相互通信耦接,例如藉由乙太網路線、同軸電纜、Universal Serial Bus(USB)或其他具有通訊功能之線路而相互通信耦接。伺服器110及資料庫120可藉由無線方法相互通信耦接,例如藉由藍牙、IEEE 802.11、LTE、5G或其他無線通訊協定而相互通信耦接。
在某些實施例中,伺服器110及資料庫120可設置於不同地理位置。伺服器110可經由伺服器110之通信模組114而與網際網路相互通信耦接。伺服器110可藉由有線方法(例如藉由乙太網路線、同軸電纜或其他具有通訊功能之線路),或藉由無線方法(例如藉由藍牙、IEEE 802.11、LTE、5G或其他無線通訊協定),而通信耦接至網際網路。資料庫120可經由資料庫120之通信模組124而與網際網路相互通信耦接。資料庫120亦可藉由有線方法(例如藉由乙太網路線、同軸電纜或其他具有通訊功能之線路),或藉由無線方法(例如藉由藍牙、IEEE 802.11、LTE、5G或其他無線通訊協定),而通信耦接至網際網路。伺服器110及資料庫120可藉由網際網路而相互通訊耦接。
經由用戶裝置130之通信模組134,系統100可與用戶裝置130可藉由無線方法相互通訊耦接,例如藉由藍牙、IEEE 802.11、LTE、5G或其他無線通訊協定而相互通信耦接。在一些實施例中,經由用戶裝置130之通信模組134,系統100可與用戶裝置130可藉由有線方法相互通訊耦接,例如藉由乙太網路線、同軸電纜、USB或其他具有通訊功能之線路而相互通信耦接。系統100可藉由伺服器110之通信模組114而與用戶裝
置130通信耦接。在一些實施例中,系統100可藉由一額外之通信模組而與用戶裝置130通信耦接。
在某些實施例中,系統100可藉由有線方法(例如藉由乙太網路線、同軸電纜或其他具有通訊功能之線路),或藉由無線方法(例如藉由藍牙、IEEE 802.11、LTE、5G或其他無線通訊協定),而通信耦接至網際網路140。用戶裝置130可經由用戶裝置130之通信模組134而與網際網路相互通信耦接。用戶裝置130亦可藉由有線方法(例如藉由乙太網路線、同軸電纜或其他具有通訊功能之線路),或藉由無線方法(例如藉由藍牙、IEEE 802.11、LTE、5G或其他無線通訊協定),而通信耦接至網際網路。系統100及用戶裝置130可藉由網際網路而相互通訊耦接。
伺服器110之輸入輸出模組111、記憶模組112、處理模組113以及通信模組114可經組態以執行下文以及圖2至圖6B所描述之操作。資料庫120之輸入輸出模組121、記憶模組122、處理模組123以及通信模組124可經組態以執行下文以及圖2至圖6B所描述之操作。在一些實施例中,系統100可藉由額外之輸出模組、記憶模組、處理模組以及通信模組以執行下文以及圖2至圖6B所描述之操作。
圖2繪示根據本揭露之一些實施例之程序200的流程圖。程序200之各操作可由如圖1所示之系統100所執行。程序200之各操作可由如圖1所示之系統100中之伺服器110所執行。程序200之各操作可由如圖1所示之系統100中之伺服器110與資料庫120協同運作。程序200之各操作可由如圖1所示之系統100與用戶裝置130協同運作。
程序200可包含操作201。操作201包含接收用戶之目前狀態。用戶可藉由用戶裝置130而輸入用戶的目前狀態。用戶可以將用戶之
目前活動、目前情緒、目前地點或其他目前之狀態輸入至用戶裝置130中。用戶之目前狀態可以經由相應通信模組而自用戶裝置130或資料庫120接收。用戶之目前地點可藉由用戶裝置130之位置而判定。用戶之目前活動可基於用戶裝置130之位置以及附近之活動而判定。用戶之目前活動或目前情緒可基於用戶裝置130之位置以及最近之社群軟體發文紀錄而判定。伺服器110之通信模組114可經組態以執行操作201。在一些實施例中,可回應於用戶裝置130開啟相關聯之程式(例如購物平台程式,或可瀏覽購物平台之程式)後,而執行操作201。
程序200可包含操作202。操作202包含基於用戶之目前狀態判定第一組用戶屬性。基於用戶之目前活動、目前情緒、目前地點或其他目前之狀態,經由相應處理模組而判定第一組用戶屬性。例如,用戶之目前地點為「Apple商品專賣店」,則可判定第一組用戶屬性包含Apple之相關屬性,例如「品牌為Apple」之屬性或「適用於Apple」之屬性。例如,用戶之目前活動為「慶祝生日」,則可判定第一組用戶屬性包含生日之相關屬性,例如「生日蛋糕」之屬性或「生日禮物」之屬性。例如,用戶之目前情緒為「壓力」,則可判定第一組用戶屬性包含紓壓之相關屬性,例如「紓壓」之屬性。
程序200可包含操作203。操作203包含接收用戶之至少一個先前訂單。可經由相應通信模組而自資料庫120處接收用戶之一或多個先前訂單。操作203可進一步包含檢視先前訂單中之商品,以及商品之相關商品屬性。
程序200可包含操作204。操作204包含基於用戶之至少一個先前訂單判定第二組用戶屬性。自資料庫120處接收用戶之一或多個先
前訂單中可包含一或多個已購買之商品。基於用戶之先前訂單中已購買之商品,可經由相應處理模組而判定第二組用戶屬性。舉例而言,若用戶之先前訂單中已購買之商品包含Sony之手機,則第二組用戶屬性可能包含「品牌為Sony」之屬性或「適用於Sony」之屬性。若用戶之先前訂單中已購買之商品包含無印良品的商品,則第二組用戶屬性可能包含「簡約風格」之屬性。
程序200可包含操作205。操作205包含接收用戶之至少一個瀏覽紀錄。可根據伺服器端之暫存紀錄而接收用戶之一或多個瀏覽紀錄。可經由相應通信模組而自資料庫120處接收用戶之一或多個瀏覽紀錄。操作206可進一步包含檢視瀏覽紀錄中之商品,以及商品之相關商品屬性。
程序200可包含操作206。操作206包含基於用戶之至少一個瀏覽紀錄判定第三組用戶屬性。一或多個瀏覽紀錄中可包含一或多個已點擊或已瀏覽之商品。基於用戶之瀏覽紀錄中已點擊或已瀏覽之商品,可經由相應處理模組而判定第三組用戶屬性。舉例而言,若用戶之瀏覽紀錄中已點擊或已瀏覽包含法蘭絨襯衫,則第三組用戶屬性可能包含「法蘭絨」之屬性或「休閒襯衫」之屬性。若用戶之先前訂單中已購買之商品包含針織背心,則第二組用戶屬性可能包含「學院風格」之屬性或「毛料」之屬性。
根據本揭露,可以基於商品之視覺特徵、商品之觸覺特徵、商品之設計特徵、商品之品牌特徵、商品之文字特徵或商品之類別而判定商品之商品屬性。舉例而言,基於商品之視覺特徵可判定商品屬性包含「莫蘭迪色系」或「粉色系」。基於商品之設計特徵可判定商品屬性包
含「簡約風格」、「哥德風」或「工業風」。基於商品之品牌特徵可判定商品屬性包含「HERMES」、「LV」或「PRADA」。基於商品之文字特徵可判定商品屬性包含「我要加薪」、「早日退休」或「ITW」。基於商品之類別可判定商品屬性包含「精品」、「晚宴包」或「項鍊」。
程序200可包含操作207。操作207包含基於第一組用戶屬性、第二組用戶屬性以及第三組用戶屬性判定用戶屬性分數。操作207可基於第一組用戶屬性、第二組用戶屬性以及第三組用戶屬性,並經由相應處理模組而判定用戶屬性分數。
程序200可包含操作208。操作208包含基於第一組用戶屬性、第二組用戶屬性、第三組用戶屬性以及商品之第一組商品屬性判定商品之匹配分數。操作207可第一組用戶屬性、第二組用戶屬性、第三組用戶屬性以及商品之第一組商品屬性,並經由相應處理模組而判定商品之匹配分數。操作208可進一步包含經由相應通信模組而自資料庫120接收商品資料及/或相應商品屬性。基於第一組用戶屬性、第二組用戶屬性、第三組用戶屬性以及商品之第一組商品屬性之間的匹配程度而判定此商品對於用戶之匹配分數。
程序200可包含操作209。操作209包含回應於商品之匹配分數大於或等於用戶屬性分數之預定比例,將商品加入至用戶之推薦清單中。在某些實施例中,回應於商品之匹配分數大於或等於用戶屬性分數之預定比例,可經由相應通信模組傳送一信號以指示將商品加入至用戶之推薦清單中。
若將操作209之預定比例設定為100%,商品之匹配分數必需等於用戶之屬性分數,方可將商品加入至用戶之推薦清單中。換言之,
若將操作209之預定比例設定為100%,商品之商品屬性必需等於第一組用戶屬性、第二組用戶屬性、第三組用戶屬性之一特定組合,方可將商品加入至用戶之推薦清單中。若將操作209之預定比例設定為100%,被推薦商品之範圍較受限制。根據本揭露之某些實施例,若將操作209之預定比例設定為60%至90%之間,被推薦之商品之範圍較不受限制。因為被推薦之商品之範圍較不受限制,可有效降低用戶因大量瀏覽類似商品所產生之疲勞感,並可提高被推薦之商品被購買之機率。根據本揭露之特定實施例,若將操作209之預定比例設定為80%,可以有效提高被推薦之商品被購買之機率。
圖3A及圖3B繪示根據本揭露之一些實施例中用戶屬性分數與匹配分數之計算的示意圖。圖3A及圖3B所揭示之計算方法可由系統100所執行。圖3A及圖3B所揭示之計算方法可由伺服器110之處理模組113或由資料庫120之處理模組123所執行。
本揭露所述之一組用戶屬性可為一個集合,此集合之元素為屬性。例如第一組用戶屬性可為集合UA1={手機,品牌為Sony,適用於Sony,Xperia,Android}。本揭露所述之一組商品屬性可為一個集合,此集合之元素為屬性。例如第一組商品屬性可為集合CA1={手機,品牌為Apple,適用於Apple,iPhone,iOS}。
圖3A繪示第一組用戶屬性UA1、第二組用戶屬性UA2以及第三組用戶屬性UA3。基於第一組用戶屬性UA1、第二組用戶屬性UA2以及第三組用戶屬性UA3而判定第四組用戶屬性UA4。第四組用戶屬性UA4可為第一組用戶屬性UA1、第二組用戶屬性UA2以及第三組用戶屬性UA3之聯集。基於第四組用戶屬性UA4而判定用戶之用戶屬性分數。此用戶之
用戶屬性分數可為第四組用戶屬性UA4之屬性個數。
舉例而言,假設第一組用戶屬性UA1={a,b,c},第二組用戶屬性UA2={c,d,e},第三組用戶屬性UA3={d,e,f,g},其中元素a、b、c、d、e、f、g之每一者為一屬性。基於第一組用戶屬性UA1、第二組用戶屬性UA2以及第三組用戶屬性UA3之聯集,第四組用戶屬性UA4=UA1∪UA2∪UA3={a,b,c,d,e,f,g}。相應用戶之用戶屬性分數則為n(UA4)=|UA4|=7。
圖3B繪示第四組用戶屬性UA4(如圖3B中灰色形狀)以及一商品之第一組商品屬性CA1(如圖3B中以虛線所繪製之圓)。基於第四組用戶屬性UA4以及第一組商品屬性CA1而判定該商品之第二組商品屬性CA2。該商品之第二組商品屬性CA2可為第四組用戶屬性UA4與第一組商品屬性CA1之交集。基於該商品之第二組商品屬性CA2而判定用戶與該商品之匹配程度。基於該商品之第二組商品屬性CA2而判定用戶之用戶屬性分數與該商品之匹配分數。此用戶之用戶屬性分數與該商品之匹配分數可為該商品之第二組商品屬性CA2之屬性個數。
舉例而言,當第四組用戶屬性UA4={a,b,c,d,e,f,g}且第一組商品屬性CA1={c,d,e,h,i,j},其中元素c、d、e、h、i、j之每一者為一屬性。基於第四組用戶屬性UA4與第一組商品屬性CA1之交集,第二組商品屬性CA2=UA4∩CA1={c,d,e}。相應用戶之用戶屬性分數與該商品之匹配分數則為:n(CA2)=|CA2|=3。
假設操作209中所述之預定比例為80%。用戶屬性分數為7,且匹配分數為3,3小於7*80%,故相應商品將不會被加入相應用戶之商品推薦清單中。
圖4A至圖4C繪示根據本揭露之一些實施例中用戶屬性分數與匹配分數之計算的示意圖。圖4A至圖4C所揭示之計算方法可由系統100所執行。圖4A至圖4C所揭示之計算方法可由伺服器110之處理模組113或由資料庫120之處理模組123所執行。
在圖4A至圖4C之用戶屬性分數之計算方法中,基於第一組用戶屬性UA1之屬性個數、第二組用戶屬性UA2之屬性個數以及第三組用戶屬性UA3之屬性個數而判定用戶之用戶屬性分數。此用戶之用戶屬性分數可為第一組用戶屬性UA1之屬性個數、第二組用戶屬性UA2之屬性個數以及第三組用戶屬性UA3之屬性個數之總和。
舉例而言,假設第一組用戶屬性UA1={a,b,c},第二組用戶屬性UA2={c,d,e},第三組用戶屬性UA3={d,e,f,g}。相應用戶之用戶屬性分數則為:n(UA1)+n(UA2)+n(UA3)=|UA1|+|UA2|+|UA3|=10。
在此實施例中,重複之屬性(元素)將被重複計算分數。屬性c出現於第一組用戶屬性UA1及第二組用戶屬性UA2中,則被計為2分。屬性d出現於第二組用戶屬性UA2及第三組用戶屬性UA3中,則被計為2分。屬性e出現於第二組用戶屬性UA2及第三組用戶屬性UA3中,則被計為2分。
圖4A繪示第一組用戶屬性UA1(如圖4A中以實線所繪製之圓)與一商品之第一組商品屬性CA1(如圖4A中以虛線所繪製之橢圓)。圖4B繪示第二組用戶屬性UA2(如圖4B中以實線所繪製之圓)與該商品之第一組商品屬性CA1(如圖4B中以虛線所繪製之橢圓)。圖4C繪示第三組用戶屬性UA3(如圖4C中以實線所繪製之圓)與該商品之第一組商品屬性CA1(如圖4C中以虛線所繪製之橢圓)。
基於第一組商品屬性CA1以及第一組用戶屬性UA1而判定該商品之第三組商品屬性CA3。該商品之第三組商品屬性CA3可為第一組商品屬性CA1以及第一組用戶屬性UA1之交集,即CA3=CA1∩UA1。基於第一組商品屬性CA1以及第二組用戶屬性UA2而判定該商品之第四組商品屬性CA4。該商品之第四組商品屬性CA4可為第一組商品屬性CA1以及第二組用戶屬性UA2之交集,即CA4=CA1∩UA2。基於第一組商品屬性CA1以及第三組用戶屬性UA3而判定該商品之第五組商品屬性CA5。該商品之第五組商品屬性CA5可為第一組商品屬性CA1以及第三組用戶屬性UA3之交集,即CA5=CA1∩UA3。
基於第三組商品屬性CA3之屬性個數、第四組商品屬性CA4之屬性個數以及第五組商品屬性CA5之屬性個數而判定用戶與該商品之匹配程度。基於第三組商品屬性CA3之屬性個數、第四組商品屬性CA4之屬性個數以及第五組商品屬性CA5之屬性個數而判定用戶之用戶屬性分數與該商品之匹配分數。此用戶之用戶屬性分數與該商品之匹配分數可為該商品之第三組商品屬性CA3之屬性個數、第四組商品屬性CA4之屬性個數以及第五組商品屬性CA5之屬性個數之一總和。
舉例而言,第一組用戶屬性UA1={a,b,c},第二組用戶屬性UA2={c,d,e},第三組用戶屬性UA3={d,e,f,g},第一組商品屬性CA1={a,c,d,e,f}。基於第一組商品屬性CA1以及第一組用戶屬性UA1之交集,第三組商品屬性CA3={a,c}。基於第一組商品屬性CA1以及第二組用戶屬性UA2之交集,第四組商品屬性CA4={c,d,e}。基於第一組商品屬性CA1以及第三組用戶屬性UA3之交集,第五組商品屬性CA5={d,e,f}。相應用戶之用戶屬性分數與該商品之匹配分數則為:
n(CA3)+n(CA4)+n(CA5)=|CA3|+|CA4|+|CA5|=8。
假設操作209中所述之預定比但為80%。用戶屬性分數為10,且匹配分數為8,8等於10*80%,故相應商品將會被加入相應用戶之商品推薦清單中。
在此實施例中,重複之屬性(元素)將被重複計算分數。屬性c出現於第一組用戶屬性UA1及第二組用戶屬性UA2中,則被計為2分。屬性d出現於第二組用戶屬性UA2及第三組用戶屬性UA3中,則被計為2分。屬性e出現於第二組用戶屬性UA2及第三組用戶屬性UA3中,則被計為2分。
在圖4A至圖4C之用戶屬性分數之另一種計算方法中,基於第一組用戶屬性UA1之屬性個數、第二組用戶屬性UA2之屬性個數、第三組用戶屬性UA3之屬性個數以及相應權重值而判定用戶之用戶屬性分數。可基於第一組用戶屬性UA1之屬性個數與第一權重值W1之乘積而判定第一用戶加權分數;可基於第二組用戶屬性UA2之屬性個數與第二權重值W2之乘積而判定第二用戶加權分數;以及可基於第三組用戶屬性UA3之屬性個數與第三權重值W3之乘積而判定第三用戶加權分數。此用戶之用戶屬性分數可為第一用戶加權分數、第二用戶加權分數以及第三用戶加權分數之總和。
舉例而言,假設第一組用戶屬性UA1={a,b,c},第二組用戶屬性UA2={c,d,e},第三組用戶屬性UA3={d,e,f,g},第一權重值W1為3,第二權重值W2為2,第三權重值W3為1,相應用戶之用戶屬性分數則為:n(UA1)*3+n(UA2)*2+n(UA3)*1=|UA1|*3+|UA2|*2+|UA3|*1=19。
在此實施例中,除重複之屬性(元素)將被重複計算分數之外,出現於不同組之屬性亦有不同之權重。
圖4A繪示第一組用戶屬性UA1(如圖4A中以實線所繪製之圓)與一商品之第一組商品屬性CA1(如圖4A中以虛線所繪製之橢圓)。圖4B繪示第二組用戶屬性UA2(如圖4B中以實線所繪製之圓)與該商品之第一組商品屬性CA1(如圖4B中以虛線所繪製之橢圓)。圖4C繪示第三組用戶屬性UA3(如圖4C中以實線所繪製之圓)與該商品之第一組商品屬性CA1(如圖4C中以虛線所繪製之橢圓)。
基於第一組商品屬性CA1以及第一組用戶屬性UA1而判定該商品之第三組商品屬性CA3。該商品之第三組商品屬性CA3可為第一組商品屬性CA1以及第一組用戶屬性UA1之交集。基於第一組商品屬性CA1以及第二組用戶屬性UA2而判定該商品之第四組商品屬性CA4。該商品之第四組商品屬性CA4可為第一組商品屬性CA1以及第二組用戶屬性UA2之交集。基於第一組商品屬性CA1以及第三組用戶屬性UA3而判定該商品之第五組商品屬性CA5。該商品之第五組商品屬性CA5可為第一組商品屬性CA1以及第三組用戶屬性UA3之交集。
在圖4A至圖4C之匹配分數之另一種計算方法中,基於第三組商品屬性CA3之屬性個數、第四組商品屬性CA4之屬性個數、第五組商品屬性CA5之屬性個數以及相對應之權重值而判定用戶與該商品之匹配程度。基於第三組商品屬性CA3之屬性個數、第四組商品屬性CA4之屬性個數、第五組商品屬性CA5之屬性個數以及相對應之權重值而判定用戶之用戶屬性分數與該商品之匹配分數。該商品之第三組商品屬性CA3之屬性個數與第一權重值W1之乘積而判定第一商品加權分數;第四組商品屬性
CA4之屬性個數與第二權重值W2之乘積而判定第二商品加權分數;以及第五組商品屬性CA5之屬性個數與第三權重值W3之乘積而判定第三商品加權分數。此用戶之用戶屬性分數與該商品之匹配分數可為第一商品加權分數、第二商品加權分數以及第三商品加權分數之一總和。
舉例而言,當第一組用戶屬性UA1={a,b,c},第二組用戶屬性UA2={c,d,e},第三組用戶屬性UA3={d,e,f,g},第一組商品屬性CA1={a,c,d,e,f}。基於第一組商品屬性CA1以及第一組用戶屬性UA1之交集,第三組商品屬性CA3={a,c}。基於第一組商品屬性CA1以及第二組用戶屬性UA2之交集,第四組商品屬性CA4={c,d,e}。基於第一組商品屬性CA1以及第三組用戶屬性UA3之交集,第五組商品屬性CA5={d,e,f}。第一權重值W1為3,第二權重值W2為2,第三權重值W3為1,相應用戶之用戶屬性分數與該商品之匹配分數則為:n(CA3)*3+n(CA4)*2+n(CA5)*1=|CA3|*3+|CA4|*2+|CA5|*1=15。
假設操作209中所述之預定比例為80%。用戶屬性分數為19,且匹配分數為15,15小於19*80%,故相應商品將不會被加入相應用戶之商品推薦清單中。
在此實施例中,重複之屬性(元素)將被重複計算分數,出現於不同組之屬性亦有不同之權重。
圖5繪示根據本揭露之一些實施例中用戶屬性分數與匹配分數之計算的示意圖。圖5所揭示之計算方法可由系統100所執行。圖5所揭示之計算方法可由伺服器110之處理模組113或由資料庫120之處理模組123所執行。
在圖5之用戶屬性分數之計算方法中,基於第一組用戶屬
性UA1之屬性個數、第二組用戶屬性UA2之屬性個數以及第三組用戶屬性UA3之屬性個數而判定重複不同次數之屬性。
圖5中繪示第一組用戶屬性UA1(以實線繪制之圓)、第二組用戶屬性UA2(以實線繪制之圓)以及第三組用戶屬性UA3(以實線繪制之圓)。基於第一組用戶屬性UA1、第二組用戶屬性UA2以及第三組用戶屬性UA3之交集而判定第五組用戶屬性UA5。換言之,UA5=UA1∩UA2∩UA3。可藉由將第一組用戶屬性UA1與第二組用戶屬性UA2之交集減去第五組用戶屬性UA5而判定第六組用戶屬性UA6。換言之,UA6=(UA1∩UA2)-UA5。可藉由將第一組用戶屬性UA1與第三組用戶屬性UA3之交集減去第五組用戶屬性UA5而判定第七組用戶屬性。換言之,UA7=(UA1∩UA3)-UA5。可藉由將第二組用戶屬性UA2與第三組用戶屬性UA3之交集減去第五組用戶屬性UA5而判定第八組用戶屬性UA8。換言之,UA8=(UA2∩UA3)-UA5。可藉由將第一組用戶屬性UA1減去第五組用戶屬性UA5、第六組用戶屬性UA6以及第七組用戶屬性UA7之聯集而判定第九組用戶屬性。換言之,UA9=UA1-(UA5∪UA6∪UA7)。可藉由將第二組用戶屬性UA2減去第五組用戶屬性UA5、第六組用戶屬性UA6以及第八組用戶屬性UA8之聯集而判定第十組用戶屬性UA10。換言之,UA10=UA2-(UA5∪UA6∪UA8)。可藉由將第三組用戶屬性UA3減去第五組用戶屬性UA5、第七組用戶屬性UA7以及第八組用戶屬性UA8之聯集而判定第十一組用戶屬性UA11。換言之,UA11=UA3-(UA5∪UA7∪UA8)。
第五組用戶屬性UA5包含在第一組用戶屬性UA1、第二組用戶屬性UA2以及第三組用戶屬性UA3皆有出現之屬性。第六組用戶屬性
UA6包含僅在第一組用戶屬性UA1以及第二組用戶屬性UA2有出現之屬性。第七組用戶屬性UA7包含僅在第一組用戶屬性UA1以及第三組用戶屬性UA3有出現之屬性。第八組用戶屬性UA8包含僅在第二組用戶屬性UA2以及第三組用戶屬性UA3有出現之屬性。第九組用戶屬性UA9包含僅在第一組用戶屬性UA1有出現之屬性。第十組用戶屬性UA10包含僅在第二組用戶屬性UA2有出現之屬性。第十一組用戶屬性UA11包含僅在第三組用戶屬性UA3有出現之屬性。
可基於第五組用戶屬性UA5之屬性個數與第四權重值W4之乘積而判定第四用戶加權分數。換言之,第四用戶加權分數為n(UA5)*W4或|UA5|*W4。可基於第六組用戶屬性UA6之屬性個數與第五權重值W5之乘積而判定第五用戶加權分數。換言之,第五用戶加權分數為n(UA6)*W5或|UA6|*W5。可基於第七組用戶屬性UA7之屬性個數與第六權重值W6之乘積而判定第六用戶加權分數。換言之,第六用戶加權分數為n(UA7)*W6或|UA7|*W6。可基於第八組用戶屬性UA8之屬性個數與第七權重值之乘積而判定第七用戶加權分數。換言之,第七用戶加權分數為n(UA8)*W7或|UA8|*W7。可基於第九組用戶屬性UA9之屬性個數與第八權重值W8之乘積而判定第八用戶加權分數。換言之,第八用戶加權分數為n(UA9)*W8或|UA9|*W8。可基於第十組用戶屬性UA10之屬性個數與第九權重值W9之乘積而判定第九用戶加權分數。換言之,第九用戶加權分數為n(UA10)*W9或|UA10|*W9。可基於第十一組用戶屬性UA11之屬性個數與第十權重值W10之乘積而判定第十用戶加權分數。換言之,第十用戶加權分數為n(UA11)*W10或|UA11|*W10。
可基於屬性重複的次數及/或屬性出現在何組用戶屬性(例
如第一組用戶屬性、第二用戶屬性或第三組用戶屬性)而進一步調整第四權重值W4、第五權重值W5、第六權重值W6、第七權重值W7、第八權重值W8、第九權重值W9、第十權重值W10。在一些實施例中,若基於屬性重複的次數而調整權重值,則第四權重值W4可為第一值,第五權重值W5、第六權重值W6及第七權重值W7可為第二值,第八權重值W8、第九權重值W9及第十權重值W10可為第三值,其中第一值、第二值與第三值不相同。
此用戶之用戶屬性分數可為前述第四用戶加權分數至第十用戶加權分數之總和。
舉例而言,假設第一組用戶屬性UA1={a,b,c,g},第二組用戶屬性UA2={a,c,d,e},第三組用戶屬性UA3={c,d,f,g},則第五組用戶屬性UA5={c},第六組用戶屬性UA6={a},第七組用戶屬性UA7={g},第八組用戶屬性UA8={d},第九組用戶屬性UA9={b},第十組用戶屬性UA10={e},第十一組用戶屬性UA11={f}。相應用戶之用戶屬性分數則為:n(UA5)*W4+n(UA6)*W5+n(UA7)*W6+n(UA8)*W7+n(UA9)*W8+n(UA10)*W9+n(UA11)*W10=|UA5|*W4+|UA6|*W5+|UA7|*W6+|UA8|*W7+|UA9|*W8+|UA10|*W9+|UA11|*W10=W4+W5+W6+W7+W8+W9+W10。
可基於一商品之第一組商品屬性CA1與第五組用戶屬性UA5之交集而判定第六組商品屬性CA6。換言之,CA6=CA1∩UA5。可基於第一組商品屬性CA1與第六組用戶屬性UA6之交集而判定第七組商品屬性CA7。換言之,CA7=CA1∩UA6。可基於第一組商品屬性CA1與第
七組用戶屬性UA7之交集而判定第八組商品屬性CA8。換言之,CA8=CA1∩UA7。可基於第一組商品屬性CA1與第八組用戶屬性UA8之交集而判定第九組商品屬性CA9。換言之,CA9=CA1∩UA8。可基於第一組商品屬性CA1與第九組用戶屬性UA9之交集而判定第十組商品屬性CA10。換言之,CA10=CA1∩UA9。可基於第一組商品屬性CA1與第十組用戶屬性UA10之交集而判定第十一組商品屬性CA11。換言之,CA11=CA1∩UA10。可基於第一組商品屬性CA1與第十一組用戶屬性UA11之交集而判定第十二組商品屬性CA12。換言之,CA12=CA1∩UA11。
可基於第六組商品屬性CA6之屬性個數與第四權重值W4之乘積而判定第四商品加權分數。換言之,第四商品加權分數為n(CA6)*W4或|CA6|*W4。可基於第七組商品屬性CA7之屬性個數與第五權重值W5之乘積而判定第五商品加權分數。換言之,第五商品加權分數為n(CA7)*W5或|CA7|*W5。可基於第八組商品屬性CA8之屬性個數與第六權重值W6之乘積而判定第六商品加權分數。換言之,第六商品加權分數為n(CA8)*W6或|CA8|*W6。可基於第九組商品屬性CA9之屬性個數與第七權重值W7之乘積而判定第七商品加權分數。換言之,第七商品加權分數為n(CA9)*W7或|CA9|*W7。可基於第十組商品屬性CA10之屬性個數與第八權重值W8之乘積而判定第八商品加權分數。換言之,第八商品加權分數為n(CA10)*W8或|CA10|*W8。可基於第十一組商品屬性CA11之屬性個數與第九權重值W9之乘積而判定第九商品加權分數。換言之,第九商品加權分數為n(CA11)*W9或|CA11|*W9。可基於第十二組商品屬性CA12之屬性個數與第十權重值W10之乘積而判定第十商品加權分數。
換言之,第十商品加權分數為n(CA12)*W10或|CA12|*W10。
可基於前述第四商品加權分數至第十商品加權分數而判定用戶與該商品之匹配程度。可基於前述第四商品加權分數至第十商品加權分數而判定用戶之用戶屬性分數與該商品之匹配分數。此用戶之用戶屬性分數與該商品之匹配分數可為前述第四商品加權分數至第十商品加權分數之總和。此用戶之用戶屬性分數與該商品之匹配分數可為:n(CA6)*W4+n(CA7)*W5+n(CA8)*W6+n(CA9)*W7+n(CA10)*W8+n(CA11)*W9+n(CA12)*W10=|CA6|*W4+|CA7|*W5+|CA8|*W6+|CA9|*W7+|CA10|*W8+|CA11|*W9+|CA12|*W10。
圖6A及圖6B繪示根據本揭露之一些實施例中用戶屬性分數與匹配分數之計算的示意圖。圖6A及圖6B所揭示之計算方法可由系統100所執行。圖5所揭示之計算方法可由伺服器110之處理模組113或由資料庫120之處理模組123所執行。
在圖6A及圖6B之用戶屬性分數之計算方法中,用戶之用戶屬性分分可進一步包含第一用戶屬性分數、第二用戶屬性分數以及第三用戶屬性分數。可基於第一組用戶屬性UA1而判定第一用戶屬性分數。可基於第二組用戶屬性UA2而判定第二用戶屬性分數。可基於第三組用戶屬性UA3而判定第三用戶屬性分數。
舉例而言,可基於第一組用戶屬性UA1之屬性個數、第二組用戶屬性UA2之屬性個數以及第三組用戶屬性UA3之屬性個數而分別判定用戶之第一用戶屬性分數、第二用戶屬性分數以及第三用戶屬性分數。可基於第一組用戶屬性UA1之屬性個數而判定第一用戶屬性分數;可基於第二組用戶屬性UA2之屬性個數而判定第二用戶屬性分數;以及可基於第
三組用戶屬性UA3之屬性個數而判定第三用戶屬性分數。
在一些實施例中,第一組用戶屬性UA1={a,b,c},第二組用戶屬性UA2={c,d,e},第三組用戶屬性UA3={d,e,f,g}。如圖6A所示之實施例,第一用戶屬性分數US1=n(UA1)=|UA1|=3;第二用戶屬性分數US2=n(UA2)=|UA2|=3;第三用戶屬性分數US3=n(UA3)=|UA3|=4。
在一些實施例中,可基於第一組用戶屬性UA1之屬性個數、第二組用戶屬性UA2之屬性個數、第三組用戶屬性UA3之屬性個數以及相應權重值而分別判定用戶之第一用戶屬性分數、第二用戶屬性分數以及第三用戶屬性分數。可基於第一組用戶屬性UA1之屬性個數與第一權重值W1之乘積而判定第一用戶屬性分數;可基於第二組用戶屬性UA2之屬性個數與第二權重值W2之乘積而判定第二用戶屬性分數;以及可基於第三組用戶屬性UA3之屬性個數與第三權重值W3之乘積而判定第三用戶屬性分數。
在一些實施例中,第一組用戶屬性UA1={a,b,c},第二組用戶屬性UA2={c,d,e},第三組用戶屬性UA3={d,e,f,g},第一權重值W1為3,第二權重值W2為2,第三權重值W3為1。如圖6B所示之實施例,第一用戶屬性分數US1=n(UA1)*3=|UA1|*3=9;第二用戶屬性分數US2=n(UA2)*2=|UA2|*2=6;第三用戶屬性分數US3=n(UA3)*1=|UA3|*1=4。
在圖6A及圖6B之匹配分數之計算方法中,匹配分數可進一步包含第一匹配分數、第二匹配分數以及第三匹配分數。可基於第一組用戶屬性UA1與一商品之第一組商品屬性CA1而判定第一匹配分數。可基於第二組用戶屬性UA2與第一組商品屬性CA1而判定第二匹配分數。可基
於第三組用戶屬性UA3與第一組商品屬性CA1而判定第三匹配分數。
舉例而言,可基於第一組商品屬性CA1以及第一組用戶屬性UA1之交集而判定該商品之第三組商品屬性CA3。換言之,CA3=CA1∩UA1。可基於第一組商品屬性CA1以及第二組用戶屬性UA2之交集而判定該商品之第四組商品屬性CA4。換言之,CA4=CA1∩UA2。可基於第一組商品屬性CA1以及第三組用戶屬性UA3之交集而判定該商品之第五組商品屬性CA5。換言之,CA5=CA1∩UA3。
在一些實施例中,可基於第三組商品屬性CA3之屬性個數、第四組商品屬性CA4之屬性個數以及第五組商品屬性CA5之屬性個數而分別判定用戶之第一匹配分數、第二匹配分數以及第三匹配分數。可基於第三組商品屬性CA3之屬性個數而判定第一匹配分數;可基於第四組商品屬性CA4之屬性個數而判定第二匹配分數;以及可基於第五組商品屬性CA5之屬性個數而判定第三匹配分數。
在一些實施例中,第一組用戶屬性UA1={a,b,c},第二組用戶屬性UA2={c,d,e},第三組用戶屬性UA3={d,e,f,g},第一組商品屬性CA1={a,c,d,e,f}。基於第一組商品屬性CA1以及第一組用戶屬性UA1之交集,第三組商品屬性CA3=CA1∩UA1={a,c}。基於第一組商品屬性CA1以及第二組用戶屬性UA2之交集,第四組商品屬性CA4=CA1∩UA2={c,d,e}。基於第一組商品屬性CA1以及第三組用戶屬性UA3之交集,第五組商品屬性CA5=CA1∩UA3={d,e,f}。如圖6A所示之實施例,第一匹配分數MS1=n(CA3)=|CA3|=2;第二匹配分數MS2=n(CA4)=|CA4|=3;第三匹配分數MS3=n(CA5)=|CA5|=3。
在一些實施例中,可基於第三組商品屬性CA3之屬性個數、第四組商品屬性CA4之屬性個數、第五組商品屬性CA5之屬性個數以及相應權重值而分別判定用戶之第一匹配分數、第二匹配分數以及第三匹配分數。可基於第三組商品屬性CA3之屬性個數與第一權重值W1之乘積而判定第一用戶屬性分數;可基於第四組商品屬性CA4之屬性個數與第二權重值W2之乘積而判定第二用戶屬性分數;以及可基於第五組商品屬性CA5之屬性個數與第三權重值W3之乘積而判定第三用戶屬性分數。
在一些實施例中,第一組用戶屬性UA1={a,b,c},第二組用戶屬性UA2={c,d,e},第三組用戶屬性UA3={d,e,f,g},第一組商品屬性CA1={a,c,d,e,f},第一權重值W1為3,第二權重值W2為2,第三權重值W3為1。第三組商品屬性CA3=CA1∩UA1={a,c}。第四組商品屬性CA4=CA1∩UA2={c,d,e}。第五組商品屬性CA5=CA1∩UA3={d,e,f}。如圖6B所示之實施例,第一匹配分數可為MS1=n(CA3)*3=|CA3|*3=6;第二匹配分數可為MS2=n(CA4)*2=|CA4|*2=6;第三匹配分數可為MS3=n(CA5)*1=|CA5|*1=3。
可基於第一匹配分數是否大於或等於第一用戶屬性分數之第一預定比例、第二匹配分數是否大於或等於第二用戶屬性分數之第二預定比例以及第三匹配分數是否大於或等於第三用戶屬性分數之第三預定比例等事件而判定是否將相應商品加入至相應用戶之商品推薦清單中。
舉例而言,可回應於(1)第一匹配分數是否大於或等於第一用戶屬性分數之第一預定比例、(2)第二匹配分數是否大於或等於第二用戶屬性分數之第二預定比例以及(3)第三匹配分數是否大於或等於第三用戶屬性分數之第三預定比例之三事件中至少一者為真,而將相應商品加入
至相應用戶之商品推薦清單中。可回應於(1)第一匹配分數是否大於或等於第一用戶屬性分數之第一預定比例、(2)第二匹配分數是否大於或等於第二用戶屬性分數之第二預定比例以及(3)第三匹配分數是否大於或等於第三用戶屬性分數之第三預定比例之三事件中至少兩者為真,而將相應商品加入至相應用戶之商品推薦清單中。可回應於(1)第一匹配分數是否大於或等於第一用戶屬性分數之第一預定比例、(2)第二匹配分數是否大於或等於第二用戶屬性分數之第二預定比例以及(3)第三匹配分數是否大於或等於第三用戶屬性分數之第三預定比例之三事件中三者為真,而將相應商品加入至相應用戶之商品推薦清單中。
第一預定比例、第二預定比例以及第三預定比例之各者可設定為60%至90%之間,被推薦之商品之範圍較不受限制。因為被推薦之商品之範圍較不受限制,可有效降低用戶因大量瀏覽類似商品所產生之疲勞感,並可提高被推薦之商品被購買之機率。前述第一預定比例、第二預定比例以及第三預定比例可基於不同組用戶屬性之重要性而調整為不同的數值。舉例而言,若第一組用戶屬性對於推薦商品較為重要,則可將第一預定比例設定為小於第二預定比例以及第三預定比例。在某些實施例中,第一預定比例、第二預定比例以及第三預定比例可為相同之數值。
在一些實施例中,第一預定比例、第二預定比例以及第三預定比例之各者為80%,且回應於(1)第一匹配分數是否大於或等於第一用戶屬性分數之第一預定比例、(2)第二匹配分數是否大於或等於第二用戶屬性分數之第二預定比例以及(3)第三匹配分數是否大於或等於第三用戶屬性分數之第三預定比例之三事件中至少一者為真,而將相應商品加入至相應用戶之商品推薦清單中。如圖6A所示之實施例,
MS2=3US2*80%=2.4,故相應商品將加入至相應用戶之商品推薦清單中。如圖6B所示之實施例,MS2=6US2*80%=4.8,故相應商品將加入至相應用戶之商品推薦清單中。
在一些實施例中,伺服器110之處理模組113或資料庫120之處理模組123可判定包含某一商品之商品推薦清單的個數。當包含某一商品之商品推薦清單的個數大於或等於第一臨限值,則可向伺服器110或資料庫120請求該項商品之目前庫存數目。在某些實施例中,可判定商品推薦清單包含某一商品之用戶個數。當商品推薦清單包含某一商品之用戶個數大於或等於第一臨限值,則可向伺服器110或資料庫120請求該項商品之目前庫存數目。
根據所接收到的該商品之庫存數目,伺服器110之處理模組113或資料庫120之處理模組123可進一步判定該商品之庫存數目是否小於或等於第二臨限值。若該商品之庫存數目是否小於或等於第二臨限值,則可傳送指示增加該商品之庫存的信號。當管理人員收到指示增加該商品之庫存的信號,則可先進行補貨,以避免商品銷售一空。在某些實施例中,若補貨之程序較為繁複(例如需以代購方法進行補貨),則可設定較小之第一臨限值以及較大之第二臨限值,以避免商品銷售一空。
雖然已參考本揭露之具體實施例描述及說明本發明,但此等描述及說明並不限制本發明。熟習此項技術者應理解,在不脫離如由隨附申請專利範圍界定的本發明之真實精神及範圍的情況下,可作出各種改變且可取代等效物。說明可不必按比例繪製。歸因於製造製程及公差,本申請中之藝術再現與實際發明中之藝術再現之間可存在區別。可存在並未特定說明的本發明之其他實施例。應將本說明書及圖式視為說明性而非限
制性的。可作出修改,以使特定情況、材料、物質之組成、方法或製程適應於本發明之目標、精神及範圍。所有此類修改意欲在此處附加之申請專利範圍之範圍內。雖然已參考按特定次序執行之特定操作描述本文中所揭示的方法,但將理解,在不脫離本發明之教示的情況下,可組合、再細分或重新定序此等操作以形成等效方法。因此,除非本文中另外特定地指示,否則操作之次序及分組並非本發明之限制。此外,在上述實施例及其類似者中詳述之效果僅為實例。因此,本申請可進一步具有其他效果。
另外,圖中所繪示之邏輯流程未必需要所展示之特定次序或順序次序來實現合意結果。另外,可提供其他步驟,或可自所闡述流程消除若干步驟,且可向所闡述系統添加或自所闡述系統移除其他組件。因此,其他實施例皆在所附申請專利範圍之範疇內。
100:系統
110:伺服器
111:輸入輸出模組
112:記憶模組
113:處理模組
114:通信模組
120:資料庫
121:輸入輸出模組
122:記憶模組
123:處理模組
124:通信模組
130:用戶裝置
131:輸入輸出模組
132:記憶模組
133:處理模組
134:通信模組
Claims (18)
- 一種用於處理一商品推薦清單的電子裝置,其包括:一通信模組,其經組態以與一用戶之一用戶裝置以及一資料庫通信耦合,且該通信模組經組態以:接收該用戶之一目前狀態;接收該用戶之至少一個先前訂單;接收該用戶之至少一個瀏覽紀錄;及回應於一商品之一匹配分數大於或等於一用戶屬性分數之一第一預定比例,傳送一第一信號,該第一信號指示將該商品加入至該用戶之一商品推薦清單中;一記憶模組,其經組態以儲存多個指令及資訊;及一處理模組,其經組態以耦合至該通信模組及該記憶模組並基於儲存於該記憶模組之指令及資訊執行以下操作:基於該用戶之該目前狀態判定一第一組用戶屬性;基於該用戶之該至少一個先前訂單判定一第二組用戶屬性;基於該用戶之該至少一個瀏覽紀錄判定一第三組用戶屬性;基於該第一組用戶屬性、該第二組用戶屬性以及該第三組用戶屬性判定該用戶屬性分數;基於該第一組用戶屬性、該第二組用戶屬性以及該第三組用戶屬性之一聯集判定一第四組用戶屬性;基於該第四組用戶屬性之屬性個數而判定該用戶屬性分數;基於該商品之一第一組商品屬性與該第四組用戶屬性之一交集 而判定一第二組商品屬性;以及基於該第二組商品屬性之屬性個數而判定該匹配分數。
- 如請求項1之電子裝置,其中該處理模組進一步經組態以:基於該第一組用戶屬性之屬性個數、該第二組用戶屬性之屬性個數以及該第三組用戶屬性之屬性個數之一總和而判定該用戶屬性分數;基於該第一組商品屬性與該第一組用戶屬性之一交集而判定一第三組商品屬性;基於該第一組商品屬性與該第二組用戶屬性之一交集而判定一第四組商品屬性;基於該第一組商品屬性與該第三組用戶屬性之一交集而判定一第五組商品屬性;以及基於該第三組商品屬性之屬性個數、該第四組商品屬性之屬性個數以及該第五組商品屬性之屬性個數之一總和而判定該匹配分數。
- 如請求項1之電子裝置,其中該處理模組進一步經組態以:基於該第一組用戶屬性之屬性個數與一第一權重值之一乘積而判定一第一用戶加權分數;基於該第二組用戶屬性之屬性個數與一第二權重值之一乘積而判定一第二用戶加權分數;基於該第三組用戶屬性之屬性個數與一第三權重值之一乘積而判定一第三用戶加權分數;基於該第一用戶加權分數、該第二用戶加權分數以及該第三用戶加 權分數之一總和而判定該用戶屬性分數;基於該第一組商品屬性與該第一組用戶屬性之一交集而判定一第三組商品屬性;基於該第一組商品屬性與該第二組用戶屬性之一交集而判定一第四組商品屬性;基於該第一組商品屬性與該第三組用戶屬性之一交集而判定一第五組商品屬性;基於該第三組商品屬性之屬性個數與該第一權重值之一乘積而判定一第一商品加權分數;基於該第四組商品屬性之屬性個數與該第二權重值之一乘積而判定一第二商品加權分數;基於該第五組商品屬性之屬性個數與該第三權重值之一乘積而判定一第三商品加權分數;以及基於該第一商品加權分數、該第二商品加權分數以及該第三商品加權分數之一總和而判定該匹配分數。
- 如請求項1之電子裝置,其中該處理模組進一步經組態以:基於該第一組用戶屬性、該第二組用戶屬性以及該第三組用戶屬性之一交集而判定一第五組用戶屬性;藉由將該第一組用戶屬性與該第二組用戶屬性之一交集減去該第五組用戶屬性而判定一第六組用戶屬性;藉由將該第一組用戶屬性與該第三組用戶屬性之一交集減去該第五組用戶屬性而判定一第七組用戶屬性; 藉由將該第二組用戶屬性與該第三組用戶屬性之一交集減去該第五組用戶屬性而判定一第八組用戶屬性;藉由將該第一組用戶屬性減去該第五組用戶屬性、該第六組用戶屬性以及該第七組用戶屬性之一聯集而判定一第九組用戶屬性;藉由將該第二組用戶屬性減去該第五組用戶屬性、該第六組用戶屬性以及該第八組用戶屬性之一聯集而判定一第十組用戶屬性;藉由將該第三組用戶屬性減去該第五組用戶屬性、該第七組用戶屬性以及該第八組用戶屬性之一聯集而判定一第十一組用戶屬性;基於該第五組用戶屬性之屬性個數與一第四權重值之一乘積而判定一第四用戶加權分數;基於該第六組用戶屬性之屬性個數與一第五權重值之一乘積而判定一第五用戶加權分數;基於該第七組用戶屬性之屬性個數與一第六權重值之一乘積而判定一第六用戶加權分數;基於該第八組用戶屬性之屬性個數與一第七權重值之一乘積而判定一第七用戶加權分數;基於該第九組用戶屬性之屬性個數與一第八權重值之一乘積而判定一第八用戶加權分數;基於該第十組用戶屬性之屬性個數與一第九權重值之一乘積而判定一第九用戶加權分數;基於該第十一組用戶屬性之屬性個數與一第十權重值之一乘積而判定一第十用戶加權分數;基於該第四用戶加權分數至該第十用戶加權分數之一總和而判定該 用戶屬性分數;基於該第一組商品屬性與該第五組用戶屬性之一交集而判定一第六組商品屬性;基於該第一組商品屬性與該第六組用戶屬性之一交集而判定一第七組商品屬性;基於該第一組商品屬性與該第七組用戶屬性之一交集而判定一第八組商品屬性;基於該第一組商品屬性與該第八組用戶屬性之一交集而判定一第九組商品屬性;基於該第一組商品屬性與該第九組用戶屬性之一交集而判定一第十組商品屬性;基於該第一組商品屬性與該第十組用戶屬性之一交集而判定一第十一組商品屬性;基於該第一組商品屬性與該第十一組用戶屬性之一交集而判定一第十二組商品屬性;基於該第六組商品屬性之屬性個數與該第四權重值之一乘積而判定一第四商品加權分數;基於該第七組商品屬性之屬性個數與該第五權重值之一乘積而判定一第五商品加權分數;基於該第八組商品屬性之屬性個數與該第六權重值之一乘積而判定一第六商品加權分數;基於該第九組商品屬性之屬性個數與該第七權重值之一乘積而判定一第七商品加權分數; 基於該第十組商品屬性之屬性個數與該第八權重值之一乘積而判定一第八商品加權分數;基於該第十一組商品屬性之屬性個數與該第九權重值之一乘積而判定一第九商品加權分數;基於該第十二組商品屬性之屬性個數與該第十權重值之一乘積而判定一第十商品加權分數;以及基於該第四商品加權分數至該第十商品加權分數之一總和而判定該匹配分數。
- 如請求項4之電子裝置,其中該第五權重值、該第六權重值以及該第七權重值為一第一值,且該第八權重值、該第九權重值以及該第十權重值為一第二值,該第一值與該第二值不相同。
- 如請求項1之電子裝置,其中該用戶屬性分數進一步包含一第一用戶屬性分數、一第二用戶屬性分數以及一第三用戶屬性分數,該匹配分數進一步包含一第一匹配分數、一第二匹配分數以及一第三匹配分數,且其中該處理模組進一步經組態以:基於該第一組用戶屬性而判定該第一用戶屬性分數;基於該第二組用戶屬性而判定該第二用戶屬性分數;基於該第三組用戶屬性而判定該第三用戶屬性分數;基於該第一組用戶屬性以及該商品之該第一組商品屬性而判定該第一匹配分數;基於該第二組用戶屬性以及該商品之該第一組商品屬性而判定 該第二匹配分數;基於該第三組用戶屬性以及該商品之該第一組商品屬性而判定該第三匹配分數;設定一旗標為0;回應於該商品之該第一匹配分數大於或等於該第一用戶屬性分數之一第二預定比例,將該旗標設定為1;回應於該商品之該第二匹配分數大於或等於該第二用戶屬性分數之一第三預定比例,將該旗標設定為1;回應於該商品之該第三匹配分數大於或等於該第三用戶屬性分數之一第四預定比例,將該旗標設定為1;回應於該旗標為1,將該商品加入至該用戶之該商品推薦清單中。
- 如請求項1之電子裝置,其中該用戶之該目前狀態包括以下之至少一者:一目前活動、一目前情緒或一目前地點。
- 如請求項1之電子裝置,其中該處理模組進一步經組態以:基於以下之至少一者而判定該商品之該第一組商品屬性:該商品之一視覺特徵、該商品之一觸覺特徵、該商品之一設計特徵、該商品之一品牌特徵、該商品之一文字特徵或該商品之一類別;基於該至少一個先前訂單中至少一個商品之一第一組商品屬性而判 定該第二組用戶屬性;以及基於該至少一個瀏覽紀錄中至少一個商品之一第一組商品屬性而判定該第三組用戶屬性。
- 如請求項1之電子裝置,其中該通信模組進一步經組態以:回應於包含該商品之商品推薦清單個數大於一第一臨限值,傳送請求該商品之一庫存數之一第二信號;以及接收指示該商品之該庫存數之一第三信號;以及回應於該商品之該庫存數小於一第二臨限值,傳送增加該商品庫存之一第四信號。
- 一種用於推薦商品之方法,其包括:接收一用戶之一目前狀態;基於該用戶之該目前狀態判定一第一組用戶屬性;接收該用戶之至少一個先前訂單;基於該用戶之該至少一個先前訂單判定一第二組用戶屬性;接收該用戶之至少一個瀏覽紀錄;基於該用戶之該至少一個瀏覽紀錄判定一第三組用戶屬性;基於該第一組用戶屬性、該第二組用戶屬性以及該第三組用戶屬性判定一用戶屬性分數;基於該第一組用戶屬性、該第二組用戶屬性以及該第三組用戶屬性之一聯集而判定一第四組用戶屬性;基於該第四組用戶屬性之屬性個數而判定該用戶屬性分數; 基於該商品之一第一組商品屬性與該第四組用戶屬性之一交集而判定一第二組商品屬性;基於該第二組商品屬性之屬性個數而判定一匹配分數;以及回應於該商品之該匹配分數大於或等於該用戶屬性分數之一第一預定比例,將該商品加入至該用戶之一推薦清單中。
- 如請求項10之方法,其進一步包括:基於該第一組用戶屬性之屬性個數、該第二組用戶屬性之屬性個數以及該第三組用戶屬性之屬性個數之一總和而判定該用戶屬性分數;基於該第一組商品屬性與該第一組用戶屬性之一交集而判定一第三組商品屬性;基於該第一組商品屬性與該第二組用戶屬性之一交集而判定一第四組商品屬性;基於該第一組商品屬性與該第三組用戶屬性之一交集而判定一第五組商品屬性;以及基於該第三組商品屬性之屬性個數、該第四組商品屬性之屬性個數以及該第五組商品屬性之屬性個數之一總和而判定該匹配分數。
- 如請求項10之方法,其進一步包括:基於該第一組用戶屬性之屬性個數與一第一權重值之一乘積而判定一第一用戶加權分數;基於該第二組用戶屬性之屬性個數與一第二權重值之一乘積而判定一第二用戶加權分數; 基於該第三組用戶屬性之屬性個數與一第三權重值之一乘積而判定一第三用戶加權分數;基於該第一用戶加權分數、該第二用戶加權分數以及該第三用戶加權分數之一總和而判定該用戶屬性分數;基於該第一組商品屬性與該第一組用戶屬性之一交集而判定一第三組商品屬性;基於該第一組商品屬性與該第二組用戶屬性之一交集而判定一第四組商品屬性;基於該第一組商品屬性與該第三組用戶屬性之一交集而判定一第五組商品屬性;基於該第三組商品屬性之屬性個數與該第一權重值之一乘積而判定一第一商品加權分數;基於該第四組商品屬性之屬性個數與該第二權重值之一乘積而判定一第二商品加權分數;基於該第五組商品屬性之屬性個數與該第三權重值之一乘積而判定一第三商品加權分數;以及基於該第一商品加權分數、該第二商品加權分數以及該第三商品加權分數之一總和而判定該匹配分數。
- 如請求項10之方法,其進一步包括:基於該第一組用戶屬性、該第二組用戶屬性以及該第三組用戶屬性之一交集而判定一第五組用戶屬性;藉由將該第一組用戶屬性與該第二組用戶屬性之一交集減去該第五 組用戶屬性而判定一第六組用戶屬性;藉由將該第一組用戶屬性與該第三組用戶屬性之一交集減去該第五組用戶屬性而判定一第七組用戶屬性;藉由將該第二組用戶屬性與該第三組用戶屬性之一交集減去該第五組用戶屬性而判定一第八組用戶屬性;藉由將該第一組用戶屬性減去該第五組用戶屬性、該第六組用戶屬性以及該第七組用戶屬性之一聯集而判定一第九組用戶屬性;藉由將該第二組用戶屬性減去該第五組用戶屬性、該第六組用戶屬性以及該第八組用戶屬性之一聯集而判定一第十組用戶屬性;藉由將該第三組用戶屬性減去該第五組用戶屬性、該第七組用戶屬性以及該第八組用戶屬性之一聯集而判定一第十一組用戶屬性;基於該第五組用戶屬性之屬性個數與一第四權重值之一乘積而判定一第四用戶加權分數;基於該第六組用戶屬性之屬性個數與一第五權重值之一乘積而判定一第五用戶加權分數;基於該第七組用戶屬性之屬性個數與一第六權重值之一乘積而判定一第六用戶加權分數;基於該第八組用戶屬性之屬性個數與一第七權重值之一乘積而判定一第七用戶加權分數;基於該第九組用戶屬性之屬性個數與一第八權重值之一乘積而判定一第八用戶加權分數;基於該第十組用戶屬性之屬性個數與一第九權重值之一乘積而判定一第九用戶加權分數; 基於該第十一組用戶屬性之屬性個數與一第十權重值之一乘積而判定一第十用戶加權分數;基於該第四用戶加權分數至該第十用戶加權分數之一總和而判定該用戶屬性分數;基於該第一組商品屬性與該第五組用戶屬性之一交集而判定一第六組商品屬性;基於該第一組商品屬性與該第六組用戶屬性之一交集而判定一第七組商品屬性;基於該第一組商品屬性與該第七組用戶屬性之一交集而判定一第八組商品屬性;基於該第一組商品屬性與該第八組用戶屬性之一交集而判定一第九組商品屬性;基於該第一組商品屬性與該第九組用戶屬性之一交集而判定一第十組商品屬性;基於該第一組商品屬性與該第十組用戶屬性之一交集而判定一第十一組商品屬性;基於該第一組商品屬性與該第十一組用戶屬性之一交集而判定一第十二組商品屬性;基於該第六組商品屬性之屬性個數與該第四權重值之一乘積而判定一第四商品加權分數;基於該第七組商品屬性之屬性個數與該第五權重值之一乘積而判定一第五商品加權分數;基於該第八組商品屬性之屬性個數與該第六權重值之一乘積而判定 一第六商品加權分數;基於該第九組商品屬性之屬性個數與該第七權重值之一乘積而判定一第七商品加權分數;基於該第十組商品屬性之屬性個數與該第八權重值之一乘積而判定一第八商品加權分數;基於該第十一組商品屬性之屬性個數與該第九權重值之一乘積而判定一第九商品加權分數;基於該第十二組商品屬性之屬性個數與該第十權重值之一乘積而判定一第十商品加權分數;以及基於該第四商品加權分數至該第十商品加權分數之一總和而判定該匹配分數。
- 如請求項13之方法,其中該第五權重值、該第六權重值以及該第七權重值為一第一值,且該第八權重值、該第九權重值以及該第十權重值為一第二值,該第一值與該第二值不相同。
- 如請求項10之方法,其中該用戶屬性分數進一步包含一第一用戶屬性分數、一第二用戶屬性分數以及一第三用戶屬性分數,該匹配分數進一步包含一第一匹配分數、一第二匹配分數以及一第三匹配分數,且其中該方法進一步包括:基於該第一組用戶屬性而判定該第一用戶屬性分數;基於該第二組用戶屬性而判定該第二用戶屬性分數;基於該第三組用戶屬性而判定該第三用戶屬性分數; 基於該第一組用戶屬性以及該商品之該第一組商品屬性而判定該第一匹配分數;基於該第二組用戶屬性以及該商品之該第一組商品屬性而判定該第二匹配分數;基於該第三組用戶屬性以及該商品之該第一組商品屬性而判定該第三匹配分數;當該商品之該第一匹配分數大於或等於該第一用戶屬性分數之一第二預定比例、該商品之該第二匹配分數大於或等於該第二用戶屬性分數之一第三預定比例以及該商品之該第三匹配分數大於或等於該第三用戶屬性分數之一第四預定比例之三事件中至少一者為真,將商品加入至該用戶之該推薦清單中。
- 如請求項10之方法,其中該用戶之該目前狀態包括以下之至少一者:一目前活動、一目前情緒或一目前地點。
- 如請求項10之方法,其進一步包括:基於以下之至少一者而判定該商品之該第一組商品屬性:該商品之一視覺特徵、該商品之一觸覺特徵、該商品之一設計特徵、該商品之一品牌特徵、該商品之一文字特徵或該商品之一類別;基於該至少一個先前訂單中至少一個商品之一第一組商品屬性而判定該第二組用戶屬性;以及 基於該至少一個瀏覽紀錄中至少一個商品之一第一組商品屬性而判定該第三組用戶屬性。
- 如請求項10之方法,其進一步包括:回應於包含該商品之推薦清單個數大於一第一臨限值,判定該商品之一庫存數;以及回應於該商品之該庫存數小於一第二臨限值,請求增加該商品庫存。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW111116525A TWI827029B (zh) | 2022-04-29 | 2022-04-29 | 用於推薦商品之方法及其相關電子裝置 |
US18/302,803 US20230351472A1 (en) | 2022-04-29 | 2023-04-19 | Method for recommending commodities and the related electronic device |
EP23169550.3A EP4270292A1 (en) | 2022-04-29 | 2023-04-24 | Method for recommending commodities and the related electronic device |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW111116525A TWI827029B (zh) | 2022-04-29 | 2022-04-29 | 用於推薦商品之方法及其相關電子裝置 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW202343338A TW202343338A (zh) | 2023-11-01 |
TWI827029B true TWI827029B (zh) | 2023-12-21 |
Family
ID=86185078
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW111116525A TWI827029B (zh) | 2022-04-29 | 2022-04-29 | 用於推薦商品之方法及其相關電子裝置 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20230351472A1 (zh) |
EP (1) | EP4270292A1 (zh) |
TW (1) | TWI827029B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117952711A (zh) * | 2024-01-22 | 2024-04-30 | 杭州河狸家信息技术有限公司 | 基于人工智能的电商个性化精准导购方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105589905A (zh) * | 2014-12-26 | 2016-05-18 | 中国银联股份有限公司 | 用户兴趣数据分析和收集系统及其方法 |
CN107657483A (zh) * | 2017-09-30 | 2018-02-02 | 四川智胜慧旅科技有限公司 | 一种全域智慧旅游系统 |
CN109523301A (zh) * | 2018-10-19 | 2019-03-26 | 中国平安人寿保险股份有限公司 | 产品交易数据处理方法、装置、计算机设备和存储介质 |
CN110428298A (zh) * | 2019-07-15 | 2019-11-08 | 阿里巴巴集团控股有限公司 | 一种店铺推荐方法、装置及设备 |
CN111611496A (zh) * | 2020-04-09 | 2020-09-01 | 浙江口碑网络技术有限公司 | 产品推荐方法及其装置 |
CN112927042A (zh) * | 2021-02-24 | 2021-06-08 | 深圳壹肆壹叁网络科技有限公司 | 一种酒店自助购物结算平台和系统 |
CN114282964A (zh) * | 2021-12-16 | 2022-04-05 | 江苏华泽微福科技发展有限公司 | 一种基于用户偏好过滤推荐商品的方法 |
TWM634368U (zh) * | 2022-04-29 | 2022-11-21 | 台灣伽瑪移動數位股份有限公司 | 用於處理商品推薦清單的電子裝置 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10467677B2 (en) * | 2011-09-28 | 2019-11-05 | Nara Logics, Inc. | Systems and methods for providing recommendations based on collaborative and/or content-based nodal interrelationships |
US20140067596A1 (en) * | 2012-02-22 | 2014-03-06 | Cobrain Company | Methods and apparatus for recommending products and services |
US10650000B2 (en) * | 2016-09-15 | 2020-05-12 | Oracle International Corporation | Techniques for relationship discovery between datasets |
US20210192460A1 (en) * | 2019-12-24 | 2021-06-24 | Microsoft Technology Licensing, Llc | Using content-based embedding activity features for content item recommendations |
-
2022
- 2022-04-29 TW TW111116525A patent/TWI827029B/zh active
-
2023
- 2023-04-19 US US18/302,803 patent/US20230351472A1/en active Pending
- 2023-04-24 EP EP23169550.3A patent/EP4270292A1/en not_active Withdrawn
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105589905A (zh) * | 2014-12-26 | 2016-05-18 | 中国银联股份有限公司 | 用户兴趣数据分析和收集系统及其方法 |
CN107657483A (zh) * | 2017-09-30 | 2018-02-02 | 四川智胜慧旅科技有限公司 | 一种全域智慧旅游系统 |
CN109523301A (zh) * | 2018-10-19 | 2019-03-26 | 中国平安人寿保险股份有限公司 | 产品交易数据处理方法、装置、计算机设备和存储介质 |
CN110428298A (zh) * | 2019-07-15 | 2019-11-08 | 阿里巴巴集团控股有限公司 | 一种店铺推荐方法、装置及设备 |
CN111611496A (zh) * | 2020-04-09 | 2020-09-01 | 浙江口碑网络技术有限公司 | 产品推荐方法及其装置 |
CN112927042A (zh) * | 2021-02-24 | 2021-06-08 | 深圳壹肆壹叁网络科技有限公司 | 一种酒店自助购物结算平台和系统 |
CN114282964A (zh) * | 2021-12-16 | 2022-04-05 | 江苏华泽微福科技发展有限公司 | 一种基于用户偏好过滤推荐商品的方法 |
TWM634368U (zh) * | 2022-04-29 | 2022-11-21 | 台灣伽瑪移動數位股份有限公司 | 用於處理商品推薦清單的電子裝置 |
Also Published As
Publication number | Publication date |
---|---|
EP4270292A1 (en) | 2023-11-01 |
TW202343338A (zh) | 2023-11-01 |
US20230351472A1 (en) | 2023-11-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10229419B2 (en) | Device, system, and method of dynamic modification of sale terms of electronic transactions | |
CN109308652A (zh) | 线上批发方法、系统、终端设备及存储介质 | |
US20180096410A1 (en) | Method and Apparatus for Providing Matching Information of Business Object | |
Dewanti et al. | The effect of XYZ generation characteristics to e-commerce C-to-C: A review | |
CN102129631B (zh) | Spu属性聚合的方法、设备和系统 | |
CN105917331A (zh) | 适配搜索结果的系统和方法 | |
TWI827029B (zh) | 用於推薦商品之方法及其相關電子裝置 | |
CN107169839A (zh) | 商品展示方法、装置及电子设备 | |
JP2023044483A (ja) | 情報処理装置、情報処理方法及び情報処理プログラム | |
JP6906667B1 (ja) | 情報処理装置、情報処理方法及び情報処理プログラム | |
TWM634368U (zh) | 用於處理商品推薦清單的電子裝置 | |
JP2018045505A (ja) | 判定装置、判定方法および判定プログラム | |
JP6397092B1 (ja) | 配信装置、配信方法および配信プログラム | |
JP6329293B1 (ja) | 物品買取方法及び物品買取システム | |
CN112801761A (zh) | 商品推荐方法、计算设备和计算机可读存储介质 | |
JP7453120B2 (ja) | 選択装置、選択方法及び選択プログラム | |
JP7087181B1 (ja) | 情報処理装置、情報処理方法及び情報処理プログラム | |
JP7087179B1 (ja) | 情報処理装置、情報処理方法及び情報処理プログラム | |
CN113763103B (zh) | 一种物品搭配关系确定方法、装置、电子设备和存储介质 | |
JP7087180B1 (ja) | 情報処理装置、情報処理方法及び情報処理プログラム | |
JP7394512B2 (ja) | 情報処理装置、情報処理方法及び情報処理プログラム | |
JP7113108B1 (ja) | 提供装置、提供方法及び提供プログラム | |
JP7176075B1 (ja) | 情報処理装置、情報処理方法及び情報処理プログラム | |
KR102530316B1 (ko) | 인플루언서 마케팅 매칭 시스템 | |
JP7177021B2 (ja) | 提供装置、提供方法および提供プログラム |