CN106779985A - 一种个性化商品排序的方法及*** - Google Patents
一种个性化商品排序的方法及*** Download PDFInfo
- Publication number
- CN106779985A CN106779985A CN201710101299.3A CN201710101299A CN106779985A CN 106779985 A CN106779985 A CN 106779985A CN 201710101299 A CN201710101299 A CN 201710101299A CN 106779985 A CN106779985 A CN 106779985A
- Authority
- CN
- China
- Prior art keywords
- commodity
- user
- collection
- cluster
- dimension
- Prior art date
- Legal status (The legal status 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 status listed.)
- Pending
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Theoretical Computer Science (AREA)
- Finance (AREA)
- Physics & Mathematics (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种个性化商品排序的方法及***,其特征在于其包括下列步骤:S1:收集人群维度和商品维度的信息,对用户维度和商品维度进行聚类分析,得到含有人群信息的聚类商品集;S2:为当前人群划分聚类商品集;S3:获取用户的行为特点,构建用户的特征集合,确定用户所属人群;S4:为用户选择聚类商品集,采用二元逻辑回归方式,分出用户偏好和不偏好的聚类商品集,将用户偏好的聚类商品集靠前;S5:将用户偏好的聚类商品集内的商品按商品的曝光点击率、点击转化率和商品价格综合计算后按得分排序,按顺序展示商品。本发明为用户选择商品集,并对商品集内部产品排序,能够尽可能的将用户偏好的档期优先展示,更准确的圈定用户偏好的商品集。
Description
技术领域
本发明涉及大数据分析领域,特别是涉及一种个性化商品排序的方法及***。
背景技术
现有特卖App的商品流展示方式,主要根据商品的档期特征,每日特定时间发布新品,吸引用户每日关注上新商品,没有搜索的支撑,主要以新品抢购为主要产品特征。随着特卖商品的不断丰富,每日商品流展示的上新商品多达几千款并覆盖服装、鞋包、居家、美食、母婴等多个类目,但用户通常能够有耐心看到的商品仅占10%不到,大量的商品由于位置靠后,查看不便,导致曝光量很低,很多用户真正感兴趣的商品难以被发现,限制了整体销量的增长。
针对以上问题,特卖App端通常采用的解决方式有:
(1)用户性别、年龄段(90后/85后/80后/70后等)、用户地域、消费能力等用户的主要特征来区分人群,对不同人群展示不同的商品流列表。
(2)运营人员根据商品档期的特征,人工挑选出可能带来高转化率的商品,将这些商品排序提前,并根据类目的整体销量情况,将优势类目前置,并将类目进行组合交叉展示。
(3)在固定坑位内嵌广告活动位,通过活动特惠提升档期销量。
现有解决方案主要缺陷在于:
(1)根据用户自身的主要特征区分的人群数量有限,通常可以划分为男士,女士,80后,70后,高消费等主要人群,但是由于商品档期多达几千,面对每日上百万的海量用户,仅仅少量的几个人群并不能很好的满足用户的偏好。
(2)人工进行档期挑选并根据类目特征干预商品排序,这种方式一方面每日的运营工作量较大,另一方面,由于运营自身的能力限制,挑选的档期质量也参差不齐,导致效果往往差强人意。
(3)广告活动固定位有限,提升能力不高,对商品流整体销量提升带来效果不明显。
发明内容
本发明的目的是为了克服上述背景技术的不足,提供一种个性化的商品排序的方法及***,使其能更好的满足用户偏好,将用户的偏好的商品优先展示。
本发明提供的一种个性化商品排序的方法,其包括下列步骤:
S1:收集人群维度和商品维度的信息,对用户维度和商品维度进行聚类分析,得到含有人群信息的聚类商品集;
S2:为当前人群划分聚类商品集;
S3:获取用户的行为特点,构建用户的特征集合,确定用户所属人群;
S4:为用户选择聚类商品集,采用二元逻辑回归方式,分出用户偏好和不偏好的聚类商品集,将用户偏好的聚类商品集靠前;
S5:将用户偏好的聚类商品集内的商品按商品的曝光点击率、点击转化率和商品价格综合计算后按得分排序,按顺序展示商品。
一种个性化商品排序的***,其特征在于:其包括:
用户商品信息收集和聚类分析模块:用于收集人群维度和商品维度的信息,对用户维度和商品维度进行聚类分析,得到含有人群信息的聚类商品集;
分聚类商品集划分模块:为当前人群划分聚类商品集;
用户行为特点收集模块:用于获取用户的行为特点,构建用户的特征集合,确定用户所属人群;
聚类商品集分析模块:用于为用户选择聚类商品集,采用二元逻辑回归方式,分出用户偏好和不偏好的聚类商品集,将用户偏好的聚类商品集靠前;
聚类商品集内部排序模块:将用户偏好的聚类商品集内的商品按商品的曝光点击率、点击转化率和商品价格综合计算后按得分排序,按顺序展示商品。
有益效果:本发明提供的一种个性化的商品排序的方法及***收集用户维度和商品维度的信息,为用户选择商品集,并对商品集内部产品排序,能够尽可能的将用户偏好的档期优先展示,更准确的圈定用户偏好的商品集,提升用户体验,从而带来整体商品流的销量上涨。
附图说明
图1为本发明实施例提供的本发明提供的一种个性化的商品排序的方法及***的方法流程图。
具体实施方式
下面结合附图及实施例对本发明进行详细描述,本部分的描述仅是示范性和解释性,不应对本发明的保护范围有任何的限制作用。
如图1所示,本发明实施方式提供一种个性化商品排序的方法,其包括下列步骤:
S1:收集人群维度和商品维度的信息,对用户维度和商品维度进行聚类分析,得到含有人群信息的聚类商品集;
S2:为当前人群划分聚类商品集;
S3:获取用户的行为特点,构建用户的特征集合,确定用户所属人群;
S4:为用户选择聚类商品集,采用二元逻辑回归方式,分出用户偏好和不偏好的聚类商品集,将用户偏好的聚类商品集靠前;
S5:将用户偏好的聚类商品集内的商品按商品的曝光点击率、点击转化率和商品价格综合计算后按得分排序,按顺序展示商品。
具体地,所述用户维度的信息包括:用户性别、年龄段、用户地域、消费能力;所术商品维度包括类目、品牌、价格区间、风格、款式。
具体地,所述聚类的方法为:先将收集到的人群维度信息和商品维度信息转化为第一商品集信息,第一商品集信息转化为SimHash值,根据SimHash值差值来作为聚类的距离度量参数,采用k-means聚类算法得出聚类商品集,最终聚类数量可以根据聚类收敛程度具体定量。具体地,比如用户的人群特征为:女士+70后+长款连衣裙+母婴哺乳期+北京+消费能力300~500,第一商品集信息如下,其格式为<特征1,特征2,两个特征关联的权重>,<女士,70后,5>、<女士,长款连衣裙,4>、<女士,母婴哺乳期,5>、<女士,北京,6>、<女士,300-500,6>、<70后,长款连衣裙,3>、<70后,母婴哺乳期,3>、<70后,北京,3>、<70后,300-500,3>、<长款连衣裙,母婴哺乳期,2>、<长款连衣裙,北京,2>、<长款连衣裙,300-500,2>、<母婴哺乳期,北京,1>、<母婴哺乳期,300-500,1>、<北京,300-500,1>,因篇幅有限,这里采用简化的形式,将上述第一商品集信息投影到8位长度的二进制编码中,具体的运算方式如下:
(1)指定一种hash值的运算方式,比如Java中HashMap中的SimHash方法,根据此方法产生一个8位二进制码,比如<女士,70后>的SimHash值为10001100,<女士,长款连衣裙>的SimHash值为11001001。
(2)将上述8位二进制编码乘以对应的权重,转化为新的值(其中0在乘法运算中为-1),比如<女士,70后>通过加权运算为5,-5,-5,-5,5,5,-5,-5,<女士,长款连衣裙>通过加权运算为4,4,-4,-4,4,-4,-4,4。
(3)将所有特征加权后的值相加合并,比如<女士,70后>跟<女士,长款连衣裙>加权合并之后为9,-1,-9,-9,9,1,-9,-1,然后做降维处理,大于0的转为1,小于等于0的转为0,等到最后的8位SimHash结果1,0,0,0,1,1,0,0。
(4)两个Simhash对应二进制(01串)取值不同的数量为这两个Simhash值的差值。举例如下:10101和00110从第一位开始依次有第一位、第四、第五位不同,则Simhash值的差值为3。
具体地,为当前人群划分商品集的方法为优先匹配类目范围,然后在各个类目下选择年龄特征、价格档次、地域等相关度高的商品。
具体地,所述按商品的曝光点击率、点击转化率和商品价格综合计算方法为:提取每个商品的CTR、CVR,并做平滑处理,所述平滑处理公式为r=(C+alpha)/(I+alpha+beta)(其中C为CTR或者CVR,I为展示次数,alpha、beta为平滑因子),然后根据公式:W=CTR*CVR*商品售价,对每个商品进行打分,根据得分情况对商品进行排序,公式的目的是为了提升转化率,曝光点击率较高商品得分,并且突出高价格商品的权重,提升整体GMV产出。
本发明实施例还提供了一种个性化商品排序的***,其包括:
用户商品信息收集和聚类分析模块:用于收集人群维度和商品维度的信息,对用户维度和商品维度进行聚类分析,得到含有人群信息的聚类商品集;
聚类商品集划分模块:为当前人群划分聚类商品集;
用户行为特点收集模块:用于获取用户的行为特点,构建用户的特征集合,确定用户所属人群;
聚类商品集分析模块:用于为用户选择聚类商品集,采用二元逻辑回归方式,分出用户偏好和不偏好的聚类商品集,将用户偏好的聚类商品集靠前;
聚类商品集内部排序模块:将用户偏好的聚类商品集内的商品按商品的曝光点击率、点击转化率和商品价格综合计算后按得分排序,按顺序展示商品。
具体地,所述用户商品信息收集和聚类分析模块包括:
用户维度的信息模块,用于收集用户性别、年龄段、用户地域、消费能力;
商品维度信息收集模块:用于收集商品类目、品牌、价格区间、风格、款式。
具体地,所述用户商品信息收集和聚类分析模块包括聚类分析模块,所述聚类分析模块用于将用户维度和商品维度进行聚类分析,聚类分析的方法为:先将收集到的人群维度信息和商品维度信息转化为第一商品集信息,第一商品集信息转化为SimHash值,根据SimHash值差值来作为聚类的距离度量参数,采用k-means聚类算法得出聚类商品集,最终聚类数量可以根据聚类收敛程度具体定量,具体地,比如用户的人群特征为:女士+70后+长款连衣裙+母婴哺乳期+北京+消费能力300~500,第一商品集信息如下,其格式为<特征1,特征2,两个特征关联的权重>,<女士,70后,5>、<女士,长款连衣裙,4>、<女士,母婴哺乳期,5>、<女士,北京,6>、<女士,300-500,6>、<70后,长款连衣裙,3>、<70后,母婴哺乳期,3>、<70后,北京,3>、<70后,300-500,3>、<长款连衣裙,母婴哺乳期,2>、<长款连衣裙,北京,2>、<长款连衣裙,300-500,2>、<母婴哺乳期,北京,1>、<母婴哺乳期,300-500,1>、<北京,300-500,1>,因篇幅有限,这里采用简化的形式,将上述第一商品集信息投影到8位长度的二进制编码中,具体的运算方式如下:
(1)指定一种hash值的运算方式,比如Java中HashMap中的SimHash方法,根据此方法产生一个8位二进制码,比如<女士,70后>的SimHash值为10001100,<女士,长款连衣裙>的SimHash值为11001001。
(2)将上述8位二进制编码乘以对应的权重,转化为新的值(其中0在乘法运算中为-1),比如<女士,70后>通过加权运算为5,-5,-5,-5,5,5,-5,-5,<女士,长款连衣裙>通过加权运算为4,4,-4,-4,4,-4,-4,4。
(3)将所有特征加权后的值相加合并,比如<女士,70后>跟<女士,长款连衣裙>加权合并之后为9,-1,-9,-9,9,1,-9,-1,然后做降维处理,大于0的转为1,小于等于0的转为0,等到最后的8位SimHash结果1,0,0,0,1,1,0,0。
(4)两个Simhash对应二进制(01串)取值不同的数量为这两个Simhash值的差值。举例如下:10101和00110从第一位开始依次有第一位、第四、第五位不同,则Simhash值的差值为3。
具体地,所述商品集选择模块具体选择商品集的方法为优先匹配类目范围,然后在各个类目下选择年龄特征、价格档次、地域等相关度高的商品。
具体地,所述商品集内部排序模块按产品的曝光点击率、点击转化率和商品价格综合计算方法为:提取每个商品的CTR、CVR,并做平滑处理,所述平滑处理公式为r=(C+alpha)/(I+alpha+beta)(其中C为CTR或者CVR,I为展示次数,alpha、beta为平滑因子),然后根据公式:W=CTR*CVR*商品售价,对每个商品进行打分,根据得分情况对商品进行排序,公式的目的是为了提升转化率,曝光点击率较高商品得分,并且突出高价格商品的权重,提升整体GMV产出。
本发明提供的一种个性化的商品排序的方法及***收集用户维度和商品维度的信息,为用户选择商品集,并对商品集内部产品排序,能够尽可能的将用户偏好的档期优先展示,更准确的圈定用户偏好的商品集,提升用户体验,并且排序方式中突出了商品价格权重从而带来整体商品流的销量上涨。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种个性化商品排序的方法,其特征在于:其包括下列步骤:
S1:收集人群维度和商品维度的信息,对用户维度和商品维度进行聚类分析,得到含有人群信息的聚类商品集;
S2:为当前人群划分聚类商品集;
S3:获取用户的行为特点,构建用户的特征集合,确定用户所属人群;
S4:为用户选择聚类商品集,采用二元逻辑回归方式,分出用户偏好和不偏好的聚类商品集,将用户偏好的聚类商品集靠前;
S5:将用户偏好的聚类商品集内的商品按商品的曝光点击率、点击转化率和商品价格综合计算后按得分排序,按顺序展示商品。
2.如权利要求1所述的个性化商品排序的方法,其特征在于:所述用户维度的信息包括:用户性别、年龄段、用户地域、消费能力;所术商品维度包括类目、品牌、价格区间、风格、款式。
3.如权利要求1所述的个性化商品排序的方法,其特征在于:所述聚类的方法为:先将收集到的人群维度信息和商品维度信息转化为第一商品集信息,第一商品集信息转化为SimHash值,根据SimHash值差值来作为聚类的距离度量参数,采用k-means聚类算法得出聚类商品集,最终聚类数量可以根据聚类收敛程度具体定量。
4.如权利要求1所述的个性化商品排序的方法,其特征在于:为当前人群划分商品集的方法为优先匹配类目范围,然后在各个类目下选择年龄特征、价格档次、地域等相关度高的商品。
5.如权利要求1所述的个性化商品排序的方法,其特征在于:所述按商品的曝光点击率、点击转化率和商品价格综合计算方法为:提取每个商品的CTR、CVR,并做平滑处理,所述平滑处理公式为r=(C+alpha)/(I+alpha+beta)(其中C为CTR或者CVR,I为展示次数,alpha、beta为平滑因子),然后根据公式:W=CTR*CVR*商品售价,对每个商品进行打分,根据得分情况对商品进行排序。
6.一种个性化商品排序的***,其特征在于:其包括:
用户商品信息收集和聚类分析模块:用于收集人群维度和商品维度的信息,对用户维度和商品维度进行聚类分析,得到含有人群信息的聚类商品集;
聚类商品集划分模块:为当前人群划分聚类商品集;
用户行为特点收集模块:用于获取用户的行为特点,构建用户的特征集合,确定用户所属人群;
聚类商品集分析模块:用于为用户选择聚类商品集,采用二元逻辑回归方式,分出用户偏好和不偏好的聚类商品集,将用户偏好的聚类商品集靠前;
聚类商品集内部排序模块:将用户偏好的聚类商品集内的商品按商品的曝光点击率、点击转化率和商品价格综合计算后按得分排序,按顺序展示商品。
7.如权利要求1所述的个性化商品排序的***,其特征在于:所述用户商品信息收集和聚类分析模块包括:
用户维度的信息模块,用于收集用户性别、年龄段、用户地域、消费能力;
商品维度信息收集模块:用于收集商品类目、品牌、价格区间、风格、款式。
8.如权利要求1所述的个性化商品排序的***,其特征在于:所述用户商品信息收集和聚类分析模块包括聚类分析模块,所述聚类分析模块用于将用户维度和商品维度进行聚类分析,聚类分析的方法为:先将收集到的人群维度信息和商品维度信息转化为第一商品集信息,第一商品集信息转化为SimHash值,根据SimHash值差值来作为聚类的距离度量参数,采用k-means聚类算法得出聚类商品集,最终聚类数量可以根据聚类收敛程度具体定量。
9.如权利要求1所述的个性化商品排序的***,其特征在于:所述商品集选择模块具体选择商品集的方法为优先匹配类目范围,然后在各个类目下选择年龄特征、价格档次、地域等相关度高的商品。
10.如权利要求1所述的个性化商品排序的***,其特征在于:所述商品集内部排序模块按产品的曝光点击率、点击转化率和商品价格综合计算方法为:提取每个商品的CTR、CVR,并做平滑处理,所述平滑处理公式为r=(C+alpha)/(I+alpha+beta)(其中C为CTR或者CVR,I为展示次数,alpha、beta为平滑因子),然后根据公式:W=CTR*CVR*商品售价,对每个商品进行打分,根据得分情况对商品进行排序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710101299.3A CN106779985A (zh) | 2017-02-24 | 2017-02-24 | 一种个性化商品排序的方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710101299.3A CN106779985A (zh) | 2017-02-24 | 2017-02-24 | 一种个性化商品排序的方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106779985A true CN106779985A (zh) | 2017-05-31 |
Family
ID=58960815
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710101299.3A Pending CN106779985A (zh) | 2017-02-24 | 2017-02-24 | 一种个性化商品排序的方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106779985A (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107895296A (zh) * | 2017-11-01 | 2018-04-10 | 武汉炎阳在线科技有限公司 | 一种自动竞价方法及*** |
CN107895299A (zh) * | 2017-11-08 | 2018-04-10 | 浙江执御信息技术有限公司 | 一种商品的曝光排序方法和装置 |
CN108304512A (zh) * | 2018-01-19 | 2018-07-20 | 北京奇艺世纪科技有限公司 | 一种视频搜索引擎粗排序方法、装置及电子设备 |
CN109274987A (zh) * | 2018-08-30 | 2019-01-25 | 武汉斗鱼网络科技有限公司 | 一种视频集合排序方法、服务器及可读存储介质 |
CN109903111A (zh) * | 2017-12-11 | 2019-06-18 | 北京京东尚科信息技术有限公司 | 用于个性化推荐的排序方法,排序模型训练方法和排序*** |
CN110288433A (zh) * | 2019-06-12 | 2019-09-27 | 达疆网络科技(上海)有限公司 | 一种基于点击率模型预测o2o实时个性化排序方法 |
CN110378770A (zh) * | 2019-07-25 | 2019-10-25 | 上海尊溢商务信息咨询有限公司 | 一种电商运营选款推荐的方法及装置 |
CN110769283A (zh) * | 2019-10-31 | 2020-02-07 | 广州市网星信息技术有限公司 | 一种视频推送方法、装置、计算机设备和存储介质 |
CN111210298A (zh) * | 2019-12-24 | 2020-05-29 | 武汉诸相网络科技有限公司 | 一种基于大数据处理c2c平台商品货架智能排序的方法及*** |
CN111435514A (zh) * | 2019-01-15 | 2020-07-21 | 北京京东尚科信息技术有限公司 | 特征计算方法和装置、排序方法和设备、存储介质 |
CN111768218A (zh) * | 2019-04-15 | 2020-10-13 | 北京沃东天骏信息技术有限公司 | 用于处理用户交互信息的方法和装置 |
CN112381607A (zh) * | 2020-11-12 | 2021-02-19 | 杭州时趣信息技术有限公司 | 一种网络商品排序方法、装置、设备及介质 |
CN113450167A (zh) * | 2020-03-25 | 2021-09-28 | 北京沃东天骏信息技术有限公司 | 一种商品推荐方法和装置 |
CN113744015A (zh) * | 2020-10-20 | 2021-12-03 | 北京沃东天骏信息技术有限公司 | 一种排序方法、装置、设备及计算机存储介质 |
CN118195690A (zh) * | 2024-05-15 | 2024-06-14 | 浙江卡赢信息科技有限公司 | 一种基于银行用户的积分兑换商城商品上架智能选品方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102254028A (zh) * | 2011-07-22 | 2011-11-23 | 青岛理工大学 | 一种集成属性和结构相似性的个性化商品推荐方法和*** |
CN106326483A (zh) * | 2016-08-31 | 2017-01-11 | 华南理工大学 | 一种用户上下文信息聚合的协同推荐方法 |
-
2017
- 2017-02-24 CN CN201710101299.3A patent/CN106779985A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102254028A (zh) * | 2011-07-22 | 2011-11-23 | 青岛理工大学 | 一种集成属性和结构相似性的个性化商品推荐方法和*** |
CN106326483A (zh) * | 2016-08-31 | 2017-01-11 | 华南理工大学 | 一种用户上下文信息聚合的协同推荐方法 |
Non-Patent Citations (3)
Title |
---|
袁利: "基于聚类的协同过滤个性化推荐算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑(月刊)》 * |
赵晓永: "《面向云计算的数据存储关键技术研究》", 31 December 2014 * |
陈树良: "《统计软件》", 30 November 2014 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107895296A (zh) * | 2017-11-01 | 2018-04-10 | 武汉炎阳在线科技有限公司 | 一种自动竞价方法及*** |
CN107895299A (zh) * | 2017-11-08 | 2018-04-10 | 浙江执御信息技术有限公司 | 一种商品的曝光排序方法和装置 |
CN107895299B (zh) * | 2017-11-08 | 2020-12-01 | 浙江执御信息技术有限公司 | 一种商品的曝光排序方法和装置 |
CN109903111A (zh) * | 2017-12-11 | 2019-06-18 | 北京京东尚科信息技术有限公司 | 用于个性化推荐的排序方法,排序模型训练方法和排序*** |
CN108304512A (zh) * | 2018-01-19 | 2018-07-20 | 北京奇艺世纪科技有限公司 | 一种视频搜索引擎粗排序方法、装置及电子设备 |
CN109274987A (zh) * | 2018-08-30 | 2019-01-25 | 武汉斗鱼网络科技有限公司 | 一种视频集合排序方法、服务器及可读存储介质 |
CN111435514B (zh) * | 2019-01-15 | 2024-04-09 | 北京京东尚科信息技术有限公司 | 特征计算方法和装置、排序方法和设备、存储介质 |
CN111435514A (zh) * | 2019-01-15 | 2020-07-21 | 北京京东尚科信息技术有限公司 | 特征计算方法和装置、排序方法和设备、存储介质 |
CN111768218A (zh) * | 2019-04-15 | 2020-10-13 | 北京沃东天骏信息技术有限公司 | 用于处理用户交互信息的方法和装置 |
CN110288433A (zh) * | 2019-06-12 | 2019-09-27 | 达疆网络科技(上海)有限公司 | 一种基于点击率模型预测o2o实时个性化排序方法 |
CN110378770A (zh) * | 2019-07-25 | 2019-10-25 | 上海尊溢商务信息咨询有限公司 | 一种电商运营选款推荐的方法及装置 |
CN110769283A (zh) * | 2019-10-31 | 2020-02-07 | 广州市网星信息技术有限公司 | 一种视频推送方法、装置、计算机设备和存储介质 |
CN111210298A (zh) * | 2019-12-24 | 2020-05-29 | 武汉诸相网络科技有限公司 | 一种基于大数据处理c2c平台商品货架智能排序的方法及*** |
CN113450167A (zh) * | 2020-03-25 | 2021-09-28 | 北京沃东天骏信息技术有限公司 | 一种商品推荐方法和装置 |
CN113744015A (zh) * | 2020-10-20 | 2021-12-03 | 北京沃东天骏信息技术有限公司 | 一种排序方法、装置、设备及计算机存储介质 |
CN112381607B (zh) * | 2020-11-12 | 2023-11-24 | 杭州时趣信息技术有限公司 | 一种网络商品排序方法、装置、设备及介质 |
CN112381607A (zh) * | 2020-11-12 | 2021-02-19 | 杭州时趣信息技术有限公司 | 一种网络商品排序方法、装置、设备及介质 |
CN118195690A (zh) * | 2024-05-15 | 2024-06-14 | 浙江卡赢信息科技有限公司 | 一种基于银行用户的积分兑换商城商品上架智能选品方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106779985A (zh) | 一种个性化商品排序的方法及*** | |
CN107590675B (zh) | 一种基于大数据的用户购物行为识别方法、储存设备及移动终端 | |
AU2013222023A1 (en) | Marketing device, marketing method, program and recording medium | |
CN109255651A (zh) | 一种基于大数据的搜索广告转化智能预测方法 | |
CN103345512A (zh) | 一种基于用户属性的网络广告点击率预测方法和装置 | |
CN105718184A (zh) | 一种数据处理方法和装置 | |
CN102591876A (zh) | 搜索结果排序方法及装置 | |
CN103309990A (zh) | 基于互联网用户***息的用户多维度分析与监测方法 | |
CN101783004A (zh) | 快速智能化的商品推荐*** | |
CN107391582B (zh) | 基于上下文本体树计算用户偏好相似度的信息推荐方法 | |
CN106570718A (zh) | 信息的投放方法及投放*** | |
CN107658001A (zh) | 一种家庭用油健康管理方法和*** | |
CN108876430A (zh) | 一种基于人群特征的广告推送方法、电子设备及存储介质 | |
CN107784510A (zh) | 基于门店零售终端的销售业绩统计分析***及方法 | |
CN111949711B (zh) | 一种基于可决策的高效用负序列规则挖掘的商品推荐***及其工作方法 | |
CN110378770A (zh) | 一种电商运营选款推荐的方法及装置 | |
CN112597398B (zh) | 药品推荐模型应用方法及*** | |
CN108053322A (zh) | 车辆的用户投资回报估算方法及*** | |
CN110084683A (zh) | 一种智能商业处理*** | |
CN115496566B (zh) | 基于大数据的地区特产推荐方法及*** | |
CN106326318A (zh) | 搜索方法及装置 | |
CN109740624A (zh) | 一种基于大数据的物流供应链需求预测方法 | |
CN116308609A (zh) | 一种商品推荐方法和装置 | |
CN114331552A (zh) | 一种基于大数据分析的用户市场营销智能推销*** | |
CN106600044A (zh) | 一种车辆销售量预测模型确定的方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170531 |
|
RJ01 | Rejection of invention patent application after publication |