CN107220852A - 用于确定目标推荐用户的方法、装置和服务器 - Google Patents

用于确定目标推荐用户的方法、装置和服务器 Download PDF

Info

Publication number
CN107220852A
CN107220852A CN201710385717.6A CN201710385717A CN107220852A CN 107220852 A CN107220852 A CN 107220852A CN 201710385717 A CN201710385717 A CN 201710385717A CN 107220852 A CN107220852 A CN 107220852A
Authority
CN
China
Prior art keywords
user
label
trade company
seed
candidate
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
Application number
CN201710385717.6A
Other languages
English (en)
Inventor
李泽中
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Xiaodu Information Technology Co Ltd
Original Assignee
Beijing Xiaodu Information Technology Co 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 Beijing Xiaodu Information Technology Co Ltd filed Critical Beijing Xiaodu Information Technology Co Ltd
Priority to CN201710385717.6A priority Critical patent/CN107220852A/zh
Publication of CN107220852A publication Critical patent/CN107220852A/zh
Pending legal-status Critical Current

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
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/12—Hotels or restaurants
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/50—Network services
    • H04L67/535—Tracking the activity of the user

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Human Resources & Organizations (AREA)
  • Game Theory and Decision Science (AREA)
  • Computer Hardware Design (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请公开了用于确定目标推荐用户的方法、装置和服务器。该方法的一具体实施方式包括：获取目标商户所在的平台中的用户集的用户信息，用户集包括目标商户的种子用户和待推荐用户，用户信息包括具有预设标签集合中的标签的历史订单记录；对用户集中各用户的历史订单记录按照标签进行统计，得到用户集中各用户的标签属性特征；基于标签属性特征从待推荐用户中筛选与种子用户相似的用户，作为目标商户的候选用户；基于各种子用户的用户信息和候选用户的标签属性特征生成各候选用户的推荐度信息；根据推荐度信息从候选用户中确定出目标商户的目标推荐用户。该实施方式提升了目标推荐用户定位的准确性。

Description

用于确定目标推荐用户的方法、装置和服务器
技术领域
本申请涉及计算机技术领域，具体涉及互联网数据挖掘技术领域，尤其涉及用于确定目标推荐用户的方法、装置和服务器。
背景技术
随着电子商务技术的发展，越来越多的用户选择在线上购物平台进行采购。线上购物平台可以获取海量的用户数据，包括用户的基本属性信息、订单数据、评价信息、物流信息等。基于这些用户数据，可以构建出每个用户的画像，包括用户的年龄、喜好、消费能力、购物习惯等。
目前，线上购物平台可以根据用户画像将筛选出的商户的***推荐给商户。常用的方法为定义商户的筛选规则，并筛选出满足筛选规则的用户进行推荐。例如某一餐厅的筛选规则为“人均消费价与本店相差在10％之内，喜欢的菜系匹配、近三个月光顾过2次以上同菜系的其他餐厅”，则可以筛选出画像满足该筛选规则的用户，作为目标推荐用户推荐给该餐厅。但是上述方法缺乏对用户信息的量化，不能准确地给出用户对商户的感兴趣程度，且人工定义的筛选规则数量和覆盖面有限，***推荐的准确性有待提升。
发明内容
为了解决上述背景技术部分的一个或多个技术问题，本申请实施例提供了用于确定目标推荐用户的方法、装置和服务器。
第一方面，本申请实施例提供了一种用于确定目标推荐用户的方法，包括：获取目标商户所在的平台中的用户集的用户信息，用户集包括目标商户的种子用户和待推荐用户，用户信息包括具有预设标签集合中的标签的历史订单记录；对用户集中各用户的历史订单记录按照标签进行统计，得到用户集中各用户的标签属性特征；基于标签属性特征从待推荐用户中筛选与种子用户相似的用户，作为目标商户的候选用户；基于各种子用户的用户信息和候选用户的标签属性特征生成各候选用户的推荐度信息；根据推荐度信息从候选用户中确定出目标商户的目标推荐用户。
在一些实施例中，上述标签属性特征包括标签特征向量，标签特征向量中的各元素为对应于预设标签集合中的各标签的特征值；对用户集中各用户的历史订单记录按照标签进行统计，得到用户集中各用户的标签属性特征，包括：根据用户集中的每个用户的历史订单记录，对每个用户对应于各标签的下单频次进行统计，生成每个用户的标签特征向量。
在一些实施例中，上述历史订单记录包括各条历史订单记录的订单生成时间；根据用户集中的每个用户的历史订单记录，对每个用户对应于各标签的下单频次进行统计，生成每个用户的标签特征向量，包括：对标签集合中的每个标签，基于每个用户对应于标签的各条历史订单记录的订单生成时间，以预设的时间衰减因子确定各条历史订单记录的等效下单次数，对各条历史订单记录的等效下单次数进行求和，得到用户对应于标签的下单频次的统计结果；基于用户对应于预设标签集合中各标签的下单频次的统计结果，生成用户的标签特征向量。
在一些实施例中，基于用户对应于预设标签集合中各标签的下单频次的统计结果，生成用户的标签特征向量，包括：对用户对应于预设标签集合中的各标签的下单频次的统计结果进行归一化处理，将归一化处理后的下单频次统计结果作为标签特征向量中各对应元素的特征值。
在一些实施例中，基于标签属性特征从待推荐用户中筛选与种子用户相似的用户，作为目标商户的候选用户，包括：计算种子用户的标签特征向量与各待推荐用户的标签特征向量的相似度，作为种子用户与待推荐用户的相似度；根据相似度的排序筛选出候选用户。
在一些实施例中，基于各种子用户的用户信息和候选用户的标签属性特征生成各候选用户的推荐度信息，包括：根据种子用户的历史订单记录统计种子用户与目标商户关联的下单次数；将候选用户与种子用户的相似度和种子用户与目标商户关联的下单次数的乘积作为候选用户的对应于种子用户的得分；对候选用户对应于各种子用户的得分求和，得到候选用户的得分，作为候选用户的推荐度信息。
在一些实施例中，上述方法还包括确定目标商户的种子用户的步骤，包括：将用户集中的历史订单记录与目标商户关联且与目标商户关联的历史订单记录满足预设条件的用户作为目标商户的种子用户。
第二方面，本申请实施例提供了一种用于确定目标推荐用户的装置，包括：获取单元，配置用于获取目标商户所在的平台中的用户集的用户信息，用户集包括目标商户的种子用户和待推荐用户，用户信息包括具有预设标签集合中的标签的历史订单记录；统计单元，配置用于对用户集中各用户的历史订单记录按照标签进行统计，得到用户集中各用户的标签属性特征；筛选单元，配置用于基于标签属性特征从待推荐用户中筛选与种子用户相似的用户，作为目标商户的候选用户；生成单元，配置用于基于各种子用户的用户信息和候选用户的标签属性特征生成各候选用户的推荐度信息；确定单元，配置用于根据推荐度信息从候选用户中确定出目标商户的目标推荐用户。
在一些实施例中，上述标签属性特征包括标签特征向量，标签特征向量中的各元素为对应于预设标签集合中的各标签的特征值；统计单元进一步配置用于按照如下方式对用户集中各用户的历史订单记录按照标签进行统计：根据用户集中的每个用户的历史订单记录，对每个用户对应于各标签的下单频次进行统计，生成每个用户的标签特征向量。
在一些实施例中，上述历史订单记录包括各条历史订单记录的订单生成时间；统计单元进一步配置用于按照如下方式对每个用户对应于各标签的下单频次进行统计，生成每个用户的标签特征向量：对标签集合中的每个标签，基于每个用户对应于标签的各条历史订单记录的订单生成时间，以预设的时间衰减因子确定各条历史订单记录的等效下单次数，对各条历史订单记录的等效下单次数进行求和，得到用户对应于标签的下单频次的统计结果；基于用户对应于预设标签集合中各标签的下单频次的统计结果，生成用户的标签特征向量。
在一些实施例中，统计单元进一步配置用于按照如下方式生成用户的标签特征向量：对用户对应于预设标签集合中的各标签的下单频次的统计结果进行归一化处理，将归一化处理后的下单频次统计结果作为标签特征向量中各对应元素的特征值。
在一些实施例中，筛选单元进一步配置用于按照如下方式筛选与种子用户相似的用户，作为目标商户的候选用户：计算种子用户的标签特征向量与各待推荐用户的标签特征向量的相似度，作为种子用户与待推荐用户的相似度；根据相似度的排序筛选出候选用户。
在一些实施例中，生成单元进一步配置用于按照如下方式生成各候选用户的推荐度信息：根据种子用户的历史订单记录统计种子用户与目标商户关联的下单次数；将候选用户与种子用户的相似度和种子用户与目标商户关联的下单次数的乘积作为候选用户的对应于种子用户的得分；对候选用户对应于各种子用户的得分求和，得到候选用户的得分，作为候选用户的推荐度信息。
在一些实施例中，上述装置还包括确定目标商户的种子用户的单元，配置用于：将用户集中的历史订单记录与目标商户关联且与目标商户关联的历史订单记录满足预设条件的用户作为目标商户的种子用户。
第三方面，本申请实施例提供了一种服务器，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当上述一个或多个程序被上述一个或多个处理器执行，使得上述一个或多个处理器实现上述的用于确定目标推荐用户的方法。
本申请提供的用于确定目标推荐用户的方法、装置和服务器，通过获取目标商户所在平台上的用户集的包括具有预设标签集合中的标签的历史订单记录的用户信息，然后对用户集中各用户的历史订单记录按照标签进行统计，得到各用户的标签属性特征，而后基于标签属性特征从待推荐用户中筛选出于种子用户相似的用户，作为目标商户的候选用户，之后基于各种子用户的用户信息和候选用户的标签属性特征生成各候选用户的推荐度信息，最后根据推荐度信息从候选用户中确定出目标商户的目标推荐用户，能够利用种子用户更加全面、准确地对用户与目标商户间的关联性进行分析，并有效、合理地量化待推荐用户对目标商户的兴趣度，从而提升了目标推荐用户定位的准确性。
附图说明
通过阅读参照以下附图所作的对非限制性实施例详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1是本申请可以应用于其中的示例性***架构图；
图2是根据本申请的用于确定目标推荐用户的方法的一个实施例的流程图；
图3是根据本申请的用于确定目标推荐用户的方法的另一个实施例的流程图；
图4是图3所示的用于确定目标推荐用户的方法的一种具体实现场景的示意性流程图；
图5是根据本申请的用于确定目标推荐用户的方法的一个效果示意图；
图6是本申请的用于确定目标推荐用户的装置的一个实施例的结构示意图；
图7是适于用来实现本申请实施例的服务器的计算机***的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的用于确定目标推荐用户的方法或用于确定目标推荐用户的装置的实施例的示例性***架构100。
如图1所示，***架构100可以包括商户110使用的终端设备101、102、用户120、130、…的终端设备103、104、…、网络105和服务器106。网络105用以在终端设备101、102、103、104、…和服务器106之间提供通信链路的介质。网络105可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
商户110可以使用终端设备101、102通过网络105与服务器106交互，以接收或发送消息。终端设备101、102可以安装有与服务器106提供的服务关联的应用，例如购物类应用。
用户120、130、…也可以使用终端设备103、104、…通过网络105与服务器106交互，以接收或发送消息。终端设备103、104、…可以安装有各种通讯客户端应用，例如网页浏览器应用、购物类应用、社交软件等。
终端设备101、102、103、104、..可以是具有显示屏并且支持网络数据通讯的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving PictureExperts Group Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(MovingPicture Experts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
服务器106可以是为商户110的终端设备101、102和用户120、130、…的终端设备103、104、…提供同一种数据服务的服务器，例如为购物类应用的后台服务器。购物类应用的后台服务器可以接收用户120、130、…的终端设备103、104、…的数据请求，并对数据请求进行分析、存储等处理后发送至商户110的终端设备101、102，并将商户110的终端设备101、102返回的反馈信息进行分析处理后发送至用户120、130、…的终端设备103、104、…。
需要说明的是，本申请实施例所提供的用于确定目标推荐用户的方法一般由服务器106执行，相应地，用于确定目标推荐用户的装置一般设置于服务器106中。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
继续参考图2，示出了根据本申请的用于确定目标推荐用户的方法的一个实施例的流程200。该用于确定目标推荐用户的方法，包括以下步骤：
步骤201，获取目标商户所在的平台中的用户集的用户信息。
在本实施例中，上述用于确定目标推荐用户的方法运行与其上的电子设备(例如图1所示的服务器106)可以获取目标商户所在的平台中的用户集的用户信息。在这里，平台上可以有多个商户，目标商户为其中的一个或多个商户。用户集包括目标商户所在平台中的所有用户，包括目标商户的种子用户和待推荐用户。种子用户可以为对目标商户具有影响力的用户，例如可以为在目标商户的消费频率较高、地理位置与目标商户的地址位置相近、信誉较好的用户，或者可以为执行过与目标商户关联的预设操作的用户，例如可以为将目标商户的相关信息分享至社交平台中的用户。待推荐用户可以为除种子用户之外的其他用户，也可以为除了在目标商户下过单的用户之外的用户。
上述用户信息包括具有预设标签集合中的标签的历史订单记录。具体来说，预设标签集合包括多个预设的标签，可以为商户中的商品标签(例如餐馆的菜品标签)，商户的地理位置标签(例如商圈标签)、商品价格标签等。每条历史订单记录对应用户的一次下单操作，则可以将用户在一段时间内的下单操作与上述预设的标签相关联地存储，得到上述具有预设标签集合中的标签的历史订单记录。在本实施例中，上述电子设备可以从本地的存储器中调取平台上各用户的历史订单记录，也可以通过网络从远程设备中接收各用户的历史订单记录。
在一些可选的实现方式中，上述用户信息还可以包括用户的基本属性信息，包括用户的年龄、性别、职业、爱好、***台的操作行为数据获得，例如可以由用户的下单时间、下单方式、地理位置确定用户的职业、爱好等信息。在获取用户的历史订单记录时，可以根据用户的标识，同时获取用户的上述基本属性信息。
步骤202，对用户集中各用户的历史订单记录按照标签进行统计，得到用户集中各用户的标签属性特征。
上述每个用户的每条历史订单记录均具有标签，在本实施例中，可以按照标签对每个用户的历史订单记录进行统计，将统计结果作为对应用户的标签属性特征。在这里，标签属性特征可以为基于标签的用户属性特征，换言之，也就是用标签特性来表示的用户的属性。
具体地，可以采用多种方式来表示用户的标签属性特征。举例来说，用户A的历史订单记录中包括具有标签a的订单3条以及具有标签b的订单1条，则用户A的标签属性特征可以表示为a3+b1，或者a3&b1。
在本实施例的一些可选的实现方式中，上述预设标签集合中的标签数量较多，可以首先将标签分类，将标签集合中的标签划分为多个标签类别，然后针对每个标签类别对用户的历史订单记录进行统计，即统计属于每一个标签类别的历史订单记录的数量，作为各用户的标签属性特征。这样可以减少后续的运算量，缩短运算时间，提高确定目标推荐用户的效率。
步骤203，基于标签属性特征从待推荐用户中筛选与种子用户相似的用户，作为目标商户的候选用户。
在得到各用户的标签属性特征之后，可以将目标商户的种子用户和标签属性特征和待推荐用户的标签属性特征进行比对，筛选出与种子用户的标签属性特征相似的待推荐用户作为目标商户的候选用户。
在对种子用户的标签属性特征和待推荐用户的标签属性特征进行比对时，可以采用多种方法，例如可以将各用户的标签属性特征用数据形式(例如字符串、向量、矩阵等方式)表示，然后提取标签属性特征的特征值或特征数据点，利用特征值或特征数据点对两个标签属性特征进行匹配，若两个标签属性特征的特征值或特征数据点的匹配度超过预设的阈值，则可以确定对应的两个用户相似，由此可以得出每个种子用户的一个或多个相似用户。
需要说明的是，目标商户的不同种子用户的相似用户可以有重叠，也就是说，一个待推荐用户可以为两个以上不同的种子用户的相似用户，则该待推荐用户可以为该目标商户对应于两个以上不同的种子用户的候选用户。
步骤204，基于各种子用户的用户信息和候选用户的标签属性特征生成各候选用户的推荐度信息。
在本实施例中，对目标商户的每个候选用户，可以基于与该候选用户相似的种子用户的用户信息和该候选用户的标签属性特征生成其推荐度信息，以供上述电子设备根据推荐度信息来确定出目标推荐用户。推荐度信息可以用于表示候选用户对目标商户的潜在兴趣度，或者用于表示将候选用户推荐给目标商户后候选用户在目标商户执行浏览、下单、关注、评价等操作的可能性。具体地，推荐度信息可以包括推荐指数。在这里，每个候选用户的推荐度信息和与其相似的种子用户对目标商户的影响力以及候选用户本身的标签属性特征相关。种子用户对目标商户的影响力越大，则该种子用户的相似用户对目标商户感兴趣的可能性越大，该种子用户对应的候选用户的推荐指数越高。并且，候选用户与种子用户的相似度越高，则候选用户对目标商户感兴趣的可能性也越大，则该候选用户的推荐指数也越高。此外，若某一候选用户与目标商户的多个种子用户相似，则该候选用户对目标商户的兴趣度可以大于仅与一个种子用户相似的候选用户对目标商户的兴趣度。因此，可以综合以上因素生成出每个候选用户的推荐指数。
具体来说，可以首先根据种子用户的用户信息确定出种子用户对目标商户的影响力因子，然后将该种子用户对应的候选用户的标签属性特征量化，将种子用户对目标商户的影响力因子与该种子用户对应的候选用户的标签属性特征的量化值相乘可以得到该候选用户相对于该种子用户的推荐度指数，之后将该候选用户对各不同种子用户的推荐指数相加或取平均，得到该候选用户的推荐指数，即生成了该候选用户的推荐度信息。进一步地，在量化候选用户的标签属性特征时，可以利用候选用户与种子用户的相似度作为其量化值；或者可以将候选用户的标签属性特征与目标商户的标签属性特征相匹配，将匹配度作为量化值。这里的目标商户的标签属性特征可以为商户预先设定的，可以包括目标商户的价位标签、商品类型标签、地理位置标签、评分标签等。例如，作为目标商户的某一餐厅X预设的标签属性特征包括“川菜、人均80-100元、中关村”，当候选用户Y的标签属性特征包括“麻辣”、“中关村商圈”时，候选用户Y与该餐厅X的匹配度值较高。
在一些可选的实现方式中，还可以采用诸如机器学***台中已进行目标推荐用户筛选并进行相关的推荐活动的商户的反馈信息，例如目标推荐用户是否在这些商户进行过下单操作、与这些商户关联的订单信息、评价信息等；还可以获取目标推荐用户与种子用户的相似度、种子用户的历史订单记录数据等信息，利用这些信息作为训练样本集，对推荐度信息生成模型进行训练，得到训练后的推荐度信息生成模型。这样，可以将目标商户的种子用户的用户信息和候选用户的标签属性特征输入训练后的推荐度信息生成模型，得出候选用户的推荐度信息。
步骤205，根据推荐度信息从候选用户中确定出目标商户的目标推荐用户。
上述电子设备可以根据步骤204生成的推荐度信息来选择目标推荐用户，例如可以根据推荐度指数对各候选用户按照由高到低的规则进行排序，选择排序在前预设位数的候选用户作为目标商户的目标推荐用户；或者可以选定推荐度指数超过预设阈值的候选用户作为目标商户的目标推荐用户。
在本实施例的一些可选的实现方式中，在获取目标商户所在平台中的用户集的用户信息之后，上述用于确定目标推荐用户的方法还可以包括确定目标商户的种子用户的步骤，包括：将用户集中的历史订单记录与目标商户关联且与目标商户关联的历史订单记录满足预设条件的用户作为目标商户的种子用户。也就是说，上述电子设备可以首先从用户集中筛选出与历史订单记录与目标商户关联的用户，并判断筛选出的用户的历史订单记录是否满足预设条件，若是，则确定该筛选出的用户是目标商户的种子用户。在这里，历史订单记录与目标商户关联可以是历史订单记录中有发生在目标商户的订单记录。预设条件可以是订单数量大于预设的数量，或在预设时间内的订单数量不小与预设的数量等等。
进一步地，在确定出种子用户的同时，可以确定出目标商户的待推荐用户，例如可以将用户集中除种子用户之外的其他用户作为待推荐用户，或者可以筛选出未在目标商户下过单的用户作为待推荐用户。
本申请上述实施例提供的用于确定目标推荐用户的方法，首先获取目标商户所在平台上的用户集的包括具有预设标签集合中的标签的历史订单记录的用户信息，然后对用户集中各用户的历史订单记录按照标签进行统计，得到各用户的标签属性特征，而后基于标签属性特征从待推荐用户中筛选出于种子用户相似的用户，作为目标商户的候选用户，之后基于各种子用户的用户信息和候选用户的标签属性特征生成各候选用户的推荐度信息，最后根据推荐度信息从候选用户中确定出目标商户的目标推荐用户，能够利用种子用户更加全面、准确地对用户与目标商户间的关联性进行分析，并有效、合理地量化待推荐用户对目标商户的兴趣度，从而提升了目标推荐用户定位的准确性。
继续参考图3，其示出了用于确定目标推荐用户的方法的又一个实施例的流程300。该用于确定目标推荐用户的方法的流程300，包括以下步骤：
步骤301，获取目标商户所在的平台中的用户集的用户信息。
在本实施例中，用于确定目标推荐用户的方法运行于其上的电子设备(例如图1所示的服务器106)可以从本地获取或接收远程设备发送的平台中的用户集的用户信息。其中，用户集包括目标商户所在平台中的所有用户，包括目标商户的种子用户和待推荐用户，用户信息包括具有预设标签集合中的标签的历史订单记录。
步骤302，根据用户集中的每个用户的历史订单记录，对每个用户对应于各标签的下单频次进行统计，生成每个用户的标签特征向量。
每个用户的标签属性特征为基于标签的用户属性特征，在本实施例中，可以用向量的方式来表示基于标签的用户属性特征，即标签属性特征可以包括标签特征向量。标签特征向量中的各个元素为对应于预设标签集合中的各标签的特征值，也即为对应于每个标签的用户属性特征的量化值。
在本实施例中，上述电子设备可以根据步骤301所获取的各用户的具有预设标签集合中的标签的历史订单记录，对每个用户对应于各标签的下单频次进行统计，从而生成每个用户的标签特征向量。具体来说，上述历史下单记录中，每条记录都具有一个或多个标签，则可以统计用户的具有每个标签的历史下单记录的条数，或统计用户的具有每个标签的历史下单频率(例如每x天下单一次)，作为标签特征向量中每个标签对应的特征值。
在本实施例的一些可选的实现方式中，在统计历史订单记录得出标签特征向量时，还可以考虑用户的兴趣度随时间的变化，例如历史订单记录中的一条订单记录的下单时间距离当前时间较远时，该条订单记录对用户兴趣度评估的重要性低于另一条下单时间距离当前时间较近的订单记录的重要性。具体地，在一些可选的实现方式中，上述步骤302可以按照如下方式执行：
步骤3021，对标签集合中的每个标签，基于每个用户对应于标签的各条历史订单记录的订单生成时间，以预设的时间衰减因子确定各条历史订单记录的等效下单次数，对各条历史订单记录的等效下单次数进行求和，得到用户对应于标签的下单频次的统计结果。
在本实施例中，在对用户对于其中一个标签的下单频次进行统计时，可以根据用户对应于该标签的历史订单记录的订单生成时间与当前时间的距离，确定时间衰减因子对下单频次统计的影响力，例如预设的时间衰减因子为α(0＜α＜1，例如α＝0.95)，历史订单记录的订单生成时间距离当前时间t天，则时间衰减因此对下单频次统计的影响力为αt，该条历史订单记录的等效下单次数为αt。这样，对具有同一个标签的每条历史订单记录的等效下单次数相加，即得到用户对应于该标签的下单频次的统计结果。
步骤3022，基于用户对应于预设标签集合中各标签的下单频次的统计结果，生成用户的标签特征向量。
在对每个标签的下单频次统计完成后，可以将用户对应于每个标签的下单频次的统计结果作为该用户的标签特征向量中对应于每个标签的特征值。
在进一步的实现方式中，上述步骤3022可以通过如下方式实现：对用户对应于预设标签集合中的各标签的下单频次的统计结果进行归一化处理，将归一化处理后的下单频次统计结果作为标签特征向量中各对应元素的特征值。也就是说，可以对下单频次的统计结果进行归一化，将归一化后的下单频次统计结果作为标签特征向量中对应标签的特征值。
以订餐平台上的用户作为示例，该订餐平台中预设的标签集合包括多个菜品标签，例如“红烧”、“肉夹馍”、“酸辣”、“水饺”等，每个商户的各个菜品的菜品标签可以通过匹配该标签集合得到。用户i的标签特征向量vi可以采用如下式(1)表示：
其中，
count(dish_tagj)为标签集合中的第j个菜品标签的下单频次的统计结果，j为正整数且1≤j≤K，K为预设标签集合中的标签数量。
这样，可以将每个用户的标签属性特征用一个一维的标签特征向量表示，且考虑了时间对用户兴趣的影响，从而可以更准确地刻画出动态的用户画像，提升用户的近期兴趣在确定目标推荐用户过程中的影响力，能够进一步提升确定出的目标推荐用户的针对性。
步骤303，基于标签特征向量从待推荐用户中筛选与种子用户相似的用户，作为目标商户的候选用户。
在上述步骤302中，各用户的标签属性特征采用标签特征向量来表示，则用户间的相似度可以由其特征向量的相似度表示。在本实施例中，可以计算种子用户的标签特征向量与各待推荐用户的标签特征向量的相似度，作为种子用户与待推荐用户的相似度，进而可以根据相似度的排序晒选出候选用户。可选地，两个标签特征向量的相似度可以采用欧氏距离、余弦相似度、皮尔森相关系数等已有的相似度计算方法来得出。在筛选候选用户时，可以将相似度排序前预设位的相似用户作为候选用户。
在本实施例的一些可选的实现方式中，为了缩小筛选范围，可以在计算相似度之前利用一些预判条件对待推荐用户进行过滤，例如可以将地理位置与种子用户相差过远、或平均下单金额与种子用户相差过多的用户剔除。之后在缩小了筛选范围的待推荐用户中通过相似度排序来筛选出候选用户。这样可以减小计算量，加快运算速度，进而快速地为目标商户提供目标推荐用户的筛选结果。
步骤304，基于各种子用户的用户信息和候选用户的标签属性特征生成各候选用户的推荐度信息。
在本实施例中，每个候选用户的推荐度信息和与其相似的种子用户对目标商户的影响力以及候选用户本身的标签属性特征相关。这里的标签属性特征包括标签特征向量。
在上述步骤303中可以计算得出种子用户与各候选用户的相似度。在这里，候选用户的推荐度信息可以利用候选用户的得分来表示。可以通过如下方式生成各候选用户的推荐度信息：首先根据种子用户的历史订单记录统计种子用户与目标商户关联的下单次数，之后将候选用户与种子用户的相似度和种子用户与目标商户关联的下单次数的乘积作为候选用户的对应于种子用户的得分，对候选用户对应于各种子用户的得分求和，得到候选用户的得分，作为候选用户的推荐度信息。
具体来说，每个候选用户的得分可以按照下面的公式(3)计算得出：
其中，uq为目标商户的第q个种子用户；Up为第p个候选用户；score(Up)为第p个候选用户的得分；order_num(uq)为第q个种子用户在预设时间段内(例如一个月内)在目标商户下单的次数；若第p个候选用户Up为步骤303中筛选出的与第q个种子用户uq相似的用户，则sim(Up，uq)为步骤303计算得出的第p个候选用户Up与目标商户的第q个种子用户uq之间的相似度，否则sim(Up，uq)＝0。Q为与候选用户Up相似的目标商户的种子用户的数量。
利用上述公式(3)，可以得出每个候选用户的得分，从式(3)可以看出，当候选用户为多个种子用户的相似用户时，其得分可以累加，也即当候选用户与多个种子用户相似时，该候选用户对目标商户的潜在的兴趣度比较高。
步骤305，根据推荐度信息从候选用户中确定出目标商户的目标推荐用户。
在得出各候选用户的得分作为各候选用户的推荐度信息之后，可以根据得分的排序或得分是否超过设定的阈值确定目标推荐用户。例如可以对候选用户按照得分进行降序排序，取前预设数量个作为目标商户的目标推荐用户。
上述方法流程中的步骤301、步骤305分别与前述实施例中的步骤201、步骤205相同，此处不再赘述。
从图3中可以看出，与图2对应的实施例相比，本实施例中的用于确定目标推荐用户的方法的流程300通过将用户的标签属性特征量化为标签特征向量，进而利用标签特征向量间的相似度来表征种子用户和待推荐用户之间的相似度，可以得到更准确的目标推荐用户的筛选结果。
在本实施例的一些可选的实现方式中，上述用于确定目标推荐用户的方法流程300还可以包括在获取到目标商户所在的平台中的用户集的用户信息之后，从用户集中确定目标商户的种子用户的步骤，该步骤具体包括将用户集中的历史订单记录与目标商户关联且与目标商户关联的历史订单记录满足预设条件的用户作为目标商户的种子用户。例如可以在目标商户的下过单且在目标商户的下单频率大于预设值的用户作为目标商户的种子用户。
图4示出了图3所示的用于确定目标推荐用户的方法的一种具体实现场景的示意性流程图。如图4所示，首先，在步骤401中，获取平台中的用户信息，这里的用户信息包括历史订单记录，每条历史订单记录具有相应的标签；随后，在步骤402中，根据用户信息确定目标商户的种子用户，同时可以确定出目标商户的待推荐用户；然后，在步骤403中，根据上述用户信息计算平台中各用户的标签特征向量；之后，在步骤404中，根据步骤402确定出的种子用户和待推荐用户，计算种子用户的标签特征向量与待推荐用户的标签特征向量的相似度，相似度排序前M位的作为候选用户；之后，在步骤405中，计算候选用户的得分，这里需要考虑种子用户的重要性程度和候选用户与种子用户的相似度；最后对得分进行降序排序，选择排序前N位的候选用户为目标推荐用户。在这里，M、N均为可预先设定的正整数。
进一步参考图5，其示出了根据本申请的用于确定目标推荐用户的方法的一个效果示意图，也即示出了图2或图3所示方法的一个应用场景的效果示意图。
如图5所示，在XX外卖的平台上，目标商户“**小馆”在商户客户端选择“拉新”服务之后，XX外卖的后端服务器可以获取线上所有用户的历史订单记录，并根据历史订单记录中每次下单用户所点菜品的标签确定每个用户的标签属性特征，可选地，还可以从所有用户中预先筛选出商户“**小馆”的种子用户，例如用户H，并基于用户H在线上的其他用户中选出相似的用户，生成相似的用户的推荐度信息，而后根据推荐度信息确定出目标拉新用户，包括用户A、用户B、用户C、用户D等，之后将拉新筛选的结果推送至目标商户的客户端中并呈现。还可以提供目标拉新用户的得分和一些详情信息，例如用户的口味偏好、商圈、相关的订单记录等，以便商户端可以获取准确的拉新筛选结果，并进行针对性的商品推荐或活动信息推送。
进一步参考图6，作为对上述各图所示方法的实现，本申请提供了一种用于确定目标推荐用户的装置的一个实施例，该装置实施例与图6所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图6所示，本实施例的用于确定目标推荐用户的装置600包括：获取单元601、统计单元602、筛选单元603、生成单元604以及确定单元605。其中，获取单元601配置用于获取目标商户所在的平台中的用户集的用户信息，其中，用户集包括目标商户的种子用户和待推荐用户，用户信息包括具有预设标签集合中的标签的历史订单记录；统计单元602配置用于对用户集中各用户的历史订单记录按照标签进行统计，得到用户集中各用户的标签属性特征；筛选单元603配置用于基于标签属性特征从待推荐用户中筛选与种子用户相似的用户，作为目标商户的候选用户；生成单元604配置用于基于各种子用户的用户信息和候选用户的标签属性特征生成各候选用户的推荐度信息；确定单元605配置用于根据推荐度信息从候选用户中确定出目标商户的目标推荐用户。
在本实施例中，获取单元601可以从本地存储器调取出平台上各用户的用户信息，或者可以通过有线连接方式或者无线连接方式从其他服务器中接收平台上各用户的用户信息。这里的用户信息还可以包括用户的年龄、地理位置、职业等基本属性信息。
统计单元602可以对获取单元601获取的每个用户的用户信息基于标签进行统计，得到每个标签对应的统计数据，从而得出各用户的标签属性特征。
筛选单元603可以根据统计单元602统计得到的各用户的标签属性特征对种子用户和待推荐用户进行比对，筛选出与种子用户相似的用户，作为目标商户的候选用户。
对筛选单元603筛选出的候选用户，生成单元604可以利用对应的种子用户的用户信息确定种子用户对目标商户的重要性程度，并基于候选用户标签特征属性与目标商户的属性之间的关联度或与种子用户之间的相似性程度生成候选用户的推荐度信息。这里的推荐度信息可以表示候选用户对目标商户的潜在兴趣度。
确定单元605可以按照推荐度信息选出对目标商户的潜在兴趣度较高的候选用户作为目标商户的目标推荐用户。可选地，若生成单元604生成的推荐度信息利用推荐指数来表示，则可以按照推荐指数的降序对各候选用户进行排序，选择排序前预设位的候选用户为目标商户的目标推荐用户。
在一些实施例中，上述标签属性特征包括标签特征向量，该标签特征向量中的各元素为对应于预设标签集合中的各标签的特征值；则统计单元602可以进一步配置用于按照如下方式对用户集中各用户的历史订单记录进行统计：根据用户集中的每个用户的历史订单记录，对每个用户对应于各标签的下单频次进行统计，生成每个用户的标签特征向量。在这里，标签特征向量中对应标签的特征值即为用户对应于该标签的下单频次的统计结果。
在进一步的实施例中，上述历史订单记录包括各条历史订单记录的订单生成时间；则统计单元602可以进一步配置用于按照如下方式对每个用户对应于各标签的下单频次进行统计，从而生成每个用户的标签特征向量：对标签集合中的每个标签，基于每个用户对应于标签的各条历史订单记录的订单生成时间，以预设的时间衰减因子确定各条历史订单记录的等效下单次数，对各条历史订单记录的等效下单次数进行求和，得到用户对应于标签的下单频次的统计结果；基于用户对应于预设标签集合中各标签的下单频次的统计结果，生成用户的标签特征向量。
进一步地，上述统计单元602可以进一步配置用于对用户对应于预设标签集合中的各标签的下单频次的统计结果进行归一化处理，将归一化处理后的下单频次统计结果作为标签特征向量中各对应元素的特征值。
具体地，时间衰减因子可以设定为α(0＜α＜1，例如α＝0.95)，历史订单记录的订单生成时间距离当前时间t天，则时间衰减因此对下单频次统计的影响力为αt，该条历史订单记录的等效下单次数为αt。用户i的标签特征向量vi可以采用如下式表示：
其中，
count(dish_tagj)为标签集合中的第j个标签的下单频次的统计结果，K为预设标签集合中的标签数量。
在进一步的实施例中，筛选单元603进一步配置用于按照如下方式筛选与种子用户相似的用户来作为目标商户的候选用户：计算种子用户的标签特征向量与各待推荐用户的标签特征向量的相似度，作为种子用户与所述待推荐用户的相似度；根据相似度的排序筛选出候选用户。这里的相似度可以采用欧式距离、余弦相似度、皮尔森系数等方式计算，相似度越高，则候选用户对目标商户的兴趣度越大。
进一步地，上述生成单元604进一步配置用于按照如下方式生成各候选用户的推荐度信息：根据种子用户的历史订单记录统计种子用户与目标商户关联的下单次数；将候选用户与种子用户的相似度和种子用户与目标商户关联的下单次数的乘积作为候选用户的对应于种子用户的得分；对候选用户对应于各种子用户的得分求和，得到候选用户的得分，作为候选用户的推荐度信息。具体的计算方式为，每个候选用户Up的得分score(Up)为：
其中，uq为目标商户的第q个种子用户；Up为第p个候选用户；order_num(uq)为第q个种子用户在预设时间段内(例如一个月内)在目标商户下单的次数；若第p个候选用户Up为步骤303中筛选出的与第q个种子用户uq相似的用户，则sim(Up，uq)为步骤303计算得出的第p个候选用户Up与目标商户的第q个种子用户uq之间的相似度，否则sim(Up，uq)＝0。Q为与候选用户Up相似的目标商户的种子用户的数量。
在一些实施例中，装置600还可以包括配置用于确定目标商户的种子用户的单元，具体配置用于：将用户集中的历史订单记录与目标商户关联且与目标商户关联的历史订单记录满足预设条件的用户作为目标商户的种子用户。即配置用于确定目标商户的种子用户的单元可以提取出历史订单记录与目标商户相关且满足上述预设条件的用户，例如在目标商户下过单，且下单次数超过预设阈值的用户，作为目标商户的种子用户。可选地，同时可以将其他用户作为待推荐用户，或者将未在目标商户下过单的用户作为待推荐用户。
应当理解，装置600中记载的诸单元与参考图2和图3描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作和特征同样适用于装置600及其中包含的单元，在此不再赘述。
本申请实施例提供的用于确定目标推荐用户的装置600，利用各用户的标签属性特征筛选出与目标商户的种子用户相似的用户，并基于与种子用户相似的用户的标签属性特征和种子用户的用户信息生成与种子用户相似的用户的推荐度信息，根据推荐度信息来确定目标推荐用户，能够有效、合理地量化用户对目标商户的兴趣度、提升目标推荐用户定位的准确性。
下面参考图7，其示出了适于用来实现本申请实施例的服务器的计算机***700的结构示意图。图7示出的服务器仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图7所示，计算机***700包括中央处理单元(CPU)701，其可以根据存储在只读存储器(ROM)702中的程序或者从存储部分708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中，还存储有***700操作所需的各种程序和数据。CPU 701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
以下部件连接至I/O接口705：包括键盘、鼠标等的输入部分706；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分707；包括硬盘等的存储部分708；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至I/O接口705。可拆卸介质711，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器710上，以便于从其上读出的计算机程序根据需要被安装入存储部分708。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行上述流程图2或图3所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分709从网络上被下载和安装，和/或从可拆卸介质711被安装。在该计算机程序被中央处理单元(CPU)701执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本申请各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的***来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元、统计单元、筛选单元、生成单元和确定单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，获取单元还可以被描述为“获取目标商户所在的平台中的用户集的用户信息的单元”。
作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的装置中所包含的；也可以是单独存在，而未装配入该装置中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该装置执行时，使得该装置：获取目标商户所在的平台中的用户集的用户信息，所述用户集包括目标商户的种子用户和待推荐用户，所述用户信息包括具有预设标签集合中的标签的历史订单记录；对所述用户集中各所述用户的历史订单记录按照所述标签进行统计，得到所述用户集中各所述用户的标签属性特征；基于所述标签属性特征从所述待推荐用户中筛选与所述种子用户相似的用户，作为所述目标商户的候选用户；基于各所述种子用户的用户信息和所述候选用户的标签属性特征生成各所述候选用户的推荐度信息；根据所述推荐度信息从所述候选用户中确定出所述目标商户的目标推荐用户。
本申请实施例公开A1、一种用于确定目标推荐用户的方法，所述方法包括：获取目标商户所在的平台中的用户集的用户信息，所述用户集包括目标商户的种子用户和待推荐用户，所述用户信息包括具有预设标签集合中的标签的历史订单记录；对所述用户集中各所述用户的历史订单记录按照所述标签进行统计，得到所述用户集中各所述用户的标签属性特征；基于所述标签属性特征从所述待推荐用户中筛选与所述种子用户相似的用户，作为所述目标商户的候选用户；基于各所述种子用户的用户信息和所述候选用户的标签属性特征生成各所述候选用户的推荐度信息；根据所述推荐度信息从所述候选用户中确定出所述目标商户的目标推荐用户。
A2、如A1所述的方法中，所述标签属性特征包括标签特征向量，所述标签特征向量中的各元素为对应于所述预设标签集合中的各标签的特征值；所述对所述用户集中各所述用户的历史订单记录按照所述标签进行统计，得到所述用户集中各所述用户的标签属性特征，包括：根据所述用户集中的每个用户的历史订单记录，对每个所述用户对应于各标签的下单频次进行统计，生成每个所述用户的标签特征向量。
A3、如A2所述的方法中，所述历史订单记录包括各条历史订单记录的订单生成时间；所述根据所述用户集中的每个用户的历史订单记录，对每个所述用户对应于各标签的下单频次进行统计，生成每个所述用户的标签特征向量，包括：对所述标签集合中的每个标签，基于每个所述用户对应于所述标签的各条历史订单记录的订单生成时间，以预设的时间衰减因子确定各条历史订单记录的等效下单次数，对各条历史订单记录的等效下单次数进行求和，得到所述用户对应于所述标签的下单频次的统计结果；基于所述用户对应于所述预设标签集合中各所述标签的下单频次的统计结果，生成所述用户的标签特征向量。
A4、如A3所述的方法中，所述基于所述用户对应于所述预设标签集合中各所述标签的下单频次的统计结果，生成所述用户的标签特征向量，包括：对所述用户对应于所述预设标签集合中的各所述标签的下单频次的统计结果进行归一化处理，将归一化处理后的下单频次统计结果作为所述标签特征向量中各对应元素的特征值。
A5、如A2所述的方法中，所述基于所述标签属性特征从所述待推荐用户中筛选与所述种子用户相似的用户，作为所述目标商户的候选用户，包括：计算所述种子用户的标签特征向量与各所述待推荐用户的标签特征向量的相似度，作为所述种子用户与所述待推荐用户的相似度；根据所述相似度的排序筛选出所述候选用户。
A6、如A5所述的方法中，所述基于各所述种子用户的用户信息和所述候选用户的标签属性特征生成各所述候选用户的推荐度信息，包括：根据所述种子用户的历史订单记录统计所述种子用户与所述目标商户关联的下单次数；将所述候选用户与所述种子用户的相似度和所述种子用户与所述目标商户关联的下单次数的乘积作为所述候选用户的对应于所述种子用户的得分；对所述候选用户对应于各所述种子用户的得分求和，得到所述候选用户的得分作为所述候选用户的推荐度信息。
A7、如A1至A6中任一所述的方法中，所述方法还包括确定所述目标商户的种子用户的步骤，包括：将所述用户集中的历史订单记录与所述目标商户关联且与所述目标商户关联的历史订单记录满足预设条件的用户作为所述目标商户的种子用户。
本申请实施例公开B1、一种用于确定目标推荐用户的装置，所述装置包括：获取单元，配置用于获取目标商户所在的平台中的用户集的用户信息，所述用户集包括目标商户的种子用户和待推荐用户，所述用户信息包括具有预设标签集合中的标签的历史订单记录；统计单元，配置用于对所述用户集中各所述用户的历史订单记录按照所述标签进行统计，得到所述用户集中各所述用户的标签属性特征；筛选单元，配置用于基于所述标签属性特征从所述待推荐用户中筛选与所述种子用户相似的用户，作为所述目标商户的候选用户；生成单元，配置用于基于各所述种子用户的用户信息和所述候选用户的标签属性特征生成各所述候选用户的推荐度信息；确定单元，配置用于根据所述推荐度信息从所述候选用户中确定出所述目标商户的目标推荐用户。
B2、如B1所述的装置中，所述标签属性特征包括标签特征向量，所述标签特征向量中的各元素为对应于所述预设标签集合中的各标签的特征值；所述统计单元进一步配置用于按照如下方式对所述用户集中各所述用户的历史订单记录按照所述标签进行统计：根据所述用户集中的每个用户的历史订单记录，对每个所述用户对应于各标签的下单频次进行统计，生成每个所述用户的标签特征向量。
B3、如B2所述的装置中，所述历史订单记录包括各条历史订单记录的订单生成时间；所述统计单元进一步配置用于按照如下方式对每个所述用户对应于各标签的下单频次进行统计，生成每个所述用户的标签特征向量：对所述标签集合中的每个标签，基于每个所述用户对应于所述标签的各条历史订单记录的订单生成时间，以预设的时间衰减因子确定各条历史订单记录的等效下单次数，对各条历史订单记录的等效下单次数进行求和，得到所述用户对应于所述标签的下单频次的统计结果；基于所述用户对应于所述预设标签集合中各所述标签的下单频次的统计结果，生成所述用户的标签特征向量。
B4、如B3所述的装置中，所述统计单元进一步配置用于按照如下方式生成所述用户的标签特征向量：对所述用户对应于所述预设标签集合中的各所述标签的下单频次的统计结果进行归一化处理，将归一化处理后的下单频次统计结果作为所述标签特征向量中各对应元素的特征值。
B5、如B2所述的装置中，所述筛选单元进一步配置用于按照如下方式筛选与所述种子用户相似的用户，作为所述目标商户的候选用户：计算所述种子用户的标签特征向量与各所述待推荐用户的标签特征向量的相似度，作为所述种子用户与所述待推荐用户的相似度；根据所述相似度的排序筛选出所述候选用户。
B6、如B5所述的装置中，所述生成单元进一步配置用于按照如下方式生成各所述候选用户的推荐度信息：
根据所述种子用户的历史订单记录统计所述种子用户与所述目标商户关联的下单次数；
将所述候选用户与所述种子用户的相似度和所述种子用户与所述目标商户关联的下单次数的乘积作为所述候选用户的对应于所述种子用户的得分；
对所述候选用户对应于各所述种子用户的得分求和，得到所述候选用户的得分，作为所述候选用户的推荐度信息。
B7、如B1至B6中任一所述的装置中，所述装置还包括确定所述目标商户的种子用户的单元，配置用于：将所述用户集中的历史订单记录与所述目标商户关联且与所述目标商户关联的历史订单记录满足预设条件的用户作为所述目标商户的种子用户。
本申请实施例公开C1、一种服务器，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如A1至A7中任一所述的方法。
本申请实施例公开D1、一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如A1至A7中任一所述的方法。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (10)

1.一种用于确定目标推荐用户的方法，其特征在于，所述方法包括：
获取目标商户所在的平台中的用户集的用户信息，所述用户集包括目标商户的种子用户和待推荐用户，所述用户信息包括具有预设标签集合中的标签的历史订单记录；
对所述用户集中各所述用户的历史订单记录按照所述标签进行统计，得到所述用户集中各所述用户的标签属性特征；
基于所述标签属性特征从所述待推荐用户中筛选与所述种子用户相似的用户，作为所述目标商户的候选用户；
基于各所述种子用户的用户信息和所述候选用户的标签属性特征生成各所述候选用户的推荐度信息；
根据所述推荐度信息从所述候选用户中确定出所述目标商户的目标推荐用户。
2.根据权利要求1所述的方法，其特征在于，所述标签属性特征包括标签特征向量，所述标签特征向量中的各元素为对应于所述预设标签集合中的各标签的特征值；
所述对所述用户集中各所述用户的历史订单记录按照所述标签进行统计，得到所述用户集中各所述用户的标签属性特征，包括：
根据所述用户集中的每个用户的历史订单记录，对每个所述用户对应于各标签的下单频次进行统计，生成每个所述用户的标签特征向量。
3.根据权利要求2所述的方法，其特征在于，所述历史订单记录包括各条历史订单记录的订单生成时间；
所述根据所述用户集中的每个用户的历史订单记录，对每个所述用户对应于各标签的下单频次进行统计，生成每个所述用户的标签特征向量，包括：
对所述标签集合中的每个标签，基于每个所述用户对应于所述标签的各条历史订单记录的订单生成时间，以预设的时间衰减因子确定各条历史订单记录的等效下单次数，对各条历史订单记录的等效下单次数进行求和，得到所述用户对应于所述标签的下单频次的统计结果；
基于所述用户对应于所述预设标签集合中各所述标签的下单频次的统计结果，生成所述用户的标签特征向量。
4.根据权利要求3所述的方法，其特征在于，所述基于所述用户对应于所述预设标签集合中各所述标签的下单频次的统计结果，生成所述用户的标签特征向量，包括：
对所述用户对应于所述预设标签集合中的各所述标签的下单频次的统计结果进行归一化处理，将归一化处理后的下单频次统计结果作为所述标签特征向量中各对应元素的特征值。
5.根据权利要求2所述的方法，其特征在于，所述基于所述标签属性特征从所述待推荐用户中筛选与所述种子用户相似的用户，作为所述目标商户的候选用户，包括：
计算所述种子用户的标签特征向量与各所述待推荐用户的标签特征向量的相似度，作为所述种子用户与所述待推荐用户的相似度；
根据所述相似度的排序筛选出所述候选用户。
6.根据权利要求5所述的方法，其特征在于，所述基于各所述种子用户的用户信息和所述候选用户的标签属性特征生成各所述候选用户的推荐度信息，包括：
根据所述种子用户的历史订单记录统计所述种子用户与所述目标商户关联的下单次数；
将所述候选用户与所述种子用户的相似度和所述种子用户与所述目标商户关联的下单次数的乘积作为所述候选用户的对应于所述种子用户的得分；
对所述候选用户对应于各所述种子用户的得分求和，得到所述候选用户的得分作为所述候选用户的推荐度信息。
7.根据权利要求1-6任一项所述的方法，其特征在于，所述方法还包括确定所述目标商户的种子用户的步骤，包括：
将所述用户集中的历史订单记录与所述目标商户关联且与所述目标商户关联的历史订单记录满足预设条件的用户作为所述目标商户的种子用户。
8.一种用于确定目标推荐用户的装置，其特征在于，所述装置包括：
获取单元，配置用于获取目标商户所在的平台中的用户集的用户信息，所述用户集包括目标商户的种子用户和待推荐用户，所述用户信息包括具有预设标签集合中的标签的历史订单记录；
统计单元，配置用于对所述用户集中各所述用户的历史订单记录按照所述标签进行统计，得到所述用户集中各所述用户的标签属性特征；
筛选单元，配置用于基于所述标签属性特征从所述待推荐用户中筛选与所述种子用户相似的用户，作为所述目标商户的候选用户；
生成单元，配置用于基于各所述种子用户的用户信息和所述候选用户的标签属性特征生成各所述候选用户的推荐度信息；
确定单元，配置用于根据所述推荐度信息从所述候选用户中确定出所述目标商户的目标推荐用户。
9.一种服务器，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一所述的方法。
CN201710385717.6A 2017-05-26 2017-05-26 用于确定目标推荐用户的方法、装置和服务器 Pending CN107220852A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710385717.6A CN107220852A (zh) 2017-05-26 2017-05-26 用于确定目标推荐用户的方法、装置和服务器

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710385717.6A CN107220852A (zh) 2017-05-26 2017-05-26 用于确定目标推荐用户的方法、装置和服务器

Publications (1)

Publication Number Publication Date
CN107220852A true CN107220852A (zh) 2017-09-29

Family

ID=59946733

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710385717.6A Pending CN107220852A (zh) 2017-05-26 2017-05-26 用于确定目标推荐用户的方法、装置和服务器

Country Status (1)

Country Link
CN (1) CN107220852A (zh)

Cited By (57)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107665383A (zh) * 2017-10-26 2018-02-06 北京拉勾科技有限公司 一种简历处理延时模型的构建方法和计算设备
CN107742245A (zh) * 2017-10-31 2018-02-27 北京小度信息科技有限公司 一种商户信息推荐方法、装置及设备
CN107844584A (zh) * 2017-11-14 2018-03-27 北京小度信息科技有限公司 用户挖掘方法、装置、电子设备及计算机可读存储介质
CN107886354A (zh) * 2017-10-31 2018-04-06 广州云移信息科技有限公司 一种确定营销对象群体的方法及***
CN108153824A (zh) * 2017-12-06 2018-06-12 阿里巴巴集团控股有限公司 目标用户群体的确定方法及装置
CN108537567A (zh) * 2018-03-06 2018-09-14 阿里巴巴集团控股有限公司 一种目标用户群体的确定方法和装置
CN108764371A (zh) * 2018-06-08 2018-11-06 Oppo广东移动通信有限公司 图像处理方法、装置、计算机可读存储介质和电子设备
CN108876470A (zh) * 2018-06-29 2018-11-23 腾讯科技（深圳）有限公司 标签用户扩展方法、计算机设备及存储介质
CN109118296A (zh) * 2018-09-04 2019-01-01 南京星邺汇捷网络科技有限公司 活动推送方法、装置及电子设备
CN109190807A (zh) * 2018-08-15 2019-01-11 上海交通大学 一种面向目标群体的代价最小化传播优化方法
CN109218390A (zh) * 2018-07-12 2019-01-15 北京比特智学科技有限公司 用户筛选方法及装置
CN109325806A (zh) * 2018-09-20 2019-02-12 北京小度信息科技有限公司 一种用户信息的处理方法及装置
CN109447748A (zh) * 2018-10-23 2019-03-08 广州致轩服饰有限公司 一种基于增量用户的商品反馈方法与装置
CN109447700A (zh) * 2018-10-23 2019-03-08 广州致轩服饰有限公司 一种基于存量用户的商品反馈方法与装置
CN109509051A (zh) * 2018-09-12 2019-03-22 北京奇艺世纪科技有限公司 一种物品推荐方法及装置
CN109753994A (zh) * 2018-12-11 2019-05-14 东软集团股份有限公司 用户画像方法、装置、计算机可读存储介质及电子设备
CN109858344A (zh) * 2018-12-24 2019-06-07 深圳市珍爱捷云信息技术有限公司 婚恋对象推荐方法、装置、计算机设备及存储介质
CN109961311A (zh) * 2017-12-26 2019-07-02 ***通信集团四川有限公司 客户推荐方法、装置、计算设备及存储介质
CN109977979A (zh) * 2017-12-28 2019-07-05 ***通信集团广东有限公司 定位种子用户的方法、装置、电子设备和存储介质
CN109992632A (zh) * 2019-01-14 2019-07-09 江苏智途科技股份有限公司 一种基于大数据的空间数据智能分发服务方法
CN110008973A (zh) * 2018-11-23 2019-07-12 阿里巴巴集团控股有限公司 一种模型训练方法、基于模型确定目标用户的方法及装置
CN110033324A (zh) * 2019-04-11 2019-07-19 上海拉扎斯信息科技有限公司 数据处理方法、装置、电子设备及计算机可读存储介质
CN110111170A (zh) * 2019-03-28 2019-08-09 北京三快在线科技有限公司 候选商家匹配方法、装置、电子设备及可读存储介质
CN110109901A (zh) * 2018-02-02 2019-08-09 北京京东尚科信息技术有限公司 筛选目标对象的方法和装置
CN110162692A (zh) * 2018-12-10 2019-08-23 腾讯科技（深圳）有限公司 用户标签确定方法、装置、计算机设备和存储介质
CN110503498A (zh) * 2018-05-16 2019-11-26 北京三快在线科技有限公司 一种订单推荐方法及装置
CN110517099A (zh) * 2018-05-22 2019-11-29 北京京东尚科信息技术有限公司 用于确定关联供应方的方法和装置
CN110517001A (zh) * 2019-08-29 2019-11-29 江苏德赢软件科技有限公司 一种时效性客房商品去库存的方法、装置及***
CN110738521A (zh) * 2019-10-10 2020-01-31 深圳市云积分科技有限公司 一种多电商品牌的客户销售方法和装置
CN110781395A (zh) * 2019-10-25 2020-02-11 广东小天才科技有限公司 题目推荐方法、装置及终端设备
CN110851729A (zh) * 2019-11-19 2020-02-28 深圳前海微众银行股份有限公司 资源信息推荐方法、装置、设备及计算机存储介质
CN110852830A (zh) * 2019-09-30 2020-02-28 口碑(上海)信息技术有限公司 一种目标用户信息的获取方法与一种服务订阅***
CN110888945A (zh) * 2019-11-28 2020-03-17 上海风秩科技有限公司 用户行为预测方法、装置、电子设备及存储介质
CN111061979A (zh) * 2018-10-17 2020-04-24 北京字节跳动网络技术有限公司 一种用户标签的推送方法、装置、电子设备和介质
CN111127060A (zh) * 2018-10-31 2020-05-08 百度在线网络技术（北京）有限公司 确定业务的推广用户的方法和装置
CN111222923A (zh) * 2020-01-13 2020-06-02 秒针信息技术有限公司 一种判断潜在客户的方法及装置、电子设备和存储介质
CN111259281A (zh) * 2020-01-20 2020-06-09 腾讯科技（深圳）有限公司 商户标签的确定方法、装置及存储介质
CN111292164A (zh) * 2020-01-21 2020-06-16 上海风秩科技有限公司 一种商品推荐方法、装置、电子设备及可读存储介质
CN111309774A (zh) * 2018-12-11 2020-06-19 北京嘀嘀无限科技发展有限公司 数据处理方法、装置、电子设备及存储介质
CN111353688A (zh) * 2020-02-05 2020-06-30 口碑(上海)信息技术有限公司 一种用户资源分配方法以及装置
CN111352962A (zh) * 2018-12-24 2020-06-30 网智天元科技集团股份有限公司 客户画像构建方法及装置
CN111581518A (zh) * 2020-05-14 2020-08-25 北京易数科技有限公司 信息推送方法和装置
CN111582906A (zh) * 2020-03-26 2020-08-25 口碑(上海)信息技术有限公司 一种目标用户信息的获取方法、装置以及电子设备
CN111598622A (zh) * 2020-05-21 2020-08-28 深圳市元征科技股份有限公司 一种资格权益数据的生成方法、装置、设备及存储介质
CN111651669A (zh) * 2020-05-20 2020-09-11 拉扎斯网络科技（上海）有限公司 信息推荐方法、装置、电子设备和计算机可读存储介质
CN111723289A (zh) * 2020-06-08 2020-09-29 北京声智科技有限公司 信息推荐方法及装置
CN112035611A (zh) * 2020-08-28 2020-12-04 康键信息技术（深圳）有限公司 目标用户推荐方法、装置、计算机设备和存储介质
CN112052388A (zh) * 2020-08-20 2020-12-08 深思考人工智能科技(上海)有限公司 一种推荐美食店铺的方法及***
CN112287236A (zh) * 2020-11-19 2021-01-29 每日互动股份有限公司 文本消息的推送方法、装置、计算机设备及存储介质
CN112328866A (zh) * 2019-08-05 2021-02-05 四川大学 一种网络空间安全领域特定用户群体挖掘方法
CN112534424A (zh) * 2018-08-03 2021-03-19 脸谱公司 在线***中基于神经网络的内容分发
CN112818255A (zh) * 2021-02-05 2021-05-18 深圳市枣孖健康科技有限责任公司 一种基于用户画像的标签推荐方法
CN113312513A (zh) * 2021-07-28 2021-08-27 贝壳找房(北京)科技有限公司 对象的推荐方法和装置、电子设备和存储介质
CN113379511A (zh) * 2021-07-02 2021-09-10 北京沃东天骏信息技术有限公司 用于输出信息的方法和装置
CN113420222A (zh) * 2021-07-08 2021-09-21 咪咕文化科技有限公司 内容推荐方法及装置
CN114429371A (zh) * 2022-04-06 2022-05-03 新石器慧通（北京）科技有限公司 基于无人车的商品营销方法、装置、电子设备及存储介质
CN116501972A (zh) * 2023-05-06 2023-07-28 兰州柒禾网络科技有限公司 基于大数据在线服务的内容推送方法及ai智能推送***

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101441667A (zh) * 2008-12-29 2009-05-27 北京搜狗科技发展有限公司 一种音乐推荐方法及装置
CN104732422A (zh) * 2015-02-27 2015-06-24 湖南大学 基于移动用户标签的个性化美食推荐方法
CN104751354A (zh) * 2015-04-13 2015-07-01 合一信息技术（北京）有限公司 一种广告人群筛选方法
CN105023175A (zh) * 2015-07-24 2015-11-04 金鹃传媒科技股份有限公司 一种基于消费者行为数据分析和分类技术的在线广告分类推送方法及其***
CN105528395A (zh) * 2015-11-30 2016-04-27 苏州大学 一种潜在消费者推荐方法及***
CN105574216A (zh) * 2016-03-07 2016-05-11 达而观信息科技（上海）有限公司 基于概率模型和用户行为分析的个性化推荐方法、***

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101441667A (zh) * 2008-12-29 2009-05-27 北京搜狗科技发展有限公司 一种音乐推荐方法及装置
CN104732422A (zh) * 2015-02-27 2015-06-24 湖南大学 基于移动用户标签的个性化美食推荐方法
CN104751354A (zh) * 2015-04-13 2015-07-01 合一信息技术（北京）有限公司 一种广告人群筛选方法
CN105023175A (zh) * 2015-07-24 2015-11-04 金鹃传媒科技股份有限公司 一种基于消费者行为数据分析和分类技术的在线广告分类推送方法及其***
CN105528395A (zh) * 2015-11-30 2016-04-27 苏州大学 一种潜在消费者推荐方法及***
CN105574216A (zh) * 2016-03-07 2016-05-11 达而观信息科技（上海）有限公司 基于概率模型和用户行为分析的个性化推荐方法、***

Cited By (77)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107665383A (zh) * 2017-10-26 2018-02-06 北京拉勾科技有限公司 一种简历处理延时模型的构建方法和计算设备
CN107886354A (zh) * 2017-10-31 2018-04-06 广州云移信息科技有限公司 一种确定营销对象群体的方法及***
CN107742245A (zh) * 2017-10-31 2018-02-27 北京小度信息科技有限公司 一种商户信息推荐方法、装置及设备
CN107742245B (zh) * 2017-10-31 2021-04-27 北京星选科技有限公司 一种商户信息推荐方法、装置及设备
CN107844584A (zh) * 2017-11-14 2018-03-27 北京小度信息科技有限公司 用户挖掘方法、装置、电子设备及计算机可读存储介质
WO2019109698A1 (zh) * 2017-12-06 2019-06-13 阿里巴巴集团控股有限公司 目标用户群体的确定方法及装置
CN108153824A (zh) * 2017-12-06 2018-06-12 阿里巴巴集团控股有限公司 目标用户群体的确定方法及装置
TWI709927B (zh) * 2017-12-06 2020-11-11 開曼群島商創新先進技術有限公司 目標用戶群體的確定方法及裝置
CN109961311B (zh) * 2017-12-26 2023-04-18 ***通信集团四川有限公司 客户推荐方法、装置、计算设备及存储介质
CN109961311A (zh) * 2017-12-26 2019-07-02 ***通信集团四川有限公司 客户推荐方法、装置、计算设备及存储介质
CN109977979B (zh) * 2017-12-28 2021-12-07 ***通信集团广东有限公司 定位种子用户的方法、装置、电子设备和存储介质
CN109977979A (zh) * 2017-12-28 2019-07-05 ***通信集团广东有限公司 定位种子用户的方法、装置、电子设备和存储介质
CN110109901B (zh) * 2018-02-02 2024-05-24 北京京东尚科信息技术有限公司 筛选目标对象的方法和装置
CN110109901A (zh) * 2018-02-02 2019-08-09 北京京东尚科信息技术有限公司 筛选目标对象的方法和装置
TWI743428B (zh) * 2018-03-06 2021-10-21 開曼群島商創新先進技術有限公司 目標用戶群體的確定方法和裝置
CN108537567A (zh) * 2018-03-06 2018-09-14 阿里巴巴集团控股有限公司 一种目标用户群体的确定方法和装置
CN110503498A (zh) * 2018-05-16 2019-11-26 北京三快在线科技有限公司 一种订单推荐方法及装置
CN110503498B (zh) * 2018-05-16 2021-07-20 北京三快在线科技有限公司 一种订单推荐方法及装置
CN110517099A (zh) * 2018-05-22 2019-11-29 北京京东尚科信息技术有限公司 用于确定关联供应方的方法和装置
CN108764371A (zh) * 2018-06-08 2018-11-06 Oppo广东移动通信有限公司 图像处理方法、装置、计算机可读存储介质和电子设备
CN108876470A (zh) * 2018-06-29 2018-11-23 腾讯科技（深圳）有限公司 标签用户扩展方法、计算机设备及存储介质
CN109218390A (zh) * 2018-07-12 2019-01-15 北京比特智学科技有限公司 用户筛选方法及装置
CN112534424A (zh) * 2018-08-03 2021-03-19 脸谱公司 在线***中基于神经网络的内容分发
CN109190807A (zh) * 2018-08-15 2019-01-11 上海交通大学 一种面向目标群体的代价最小化传播优化方法
CN109190807B (zh) * 2018-08-15 2021-06-04 上海交通大学 一种面向目标群体的代价最小化传播优化方法
CN109118296A (zh) * 2018-09-04 2019-01-01 南京星邺汇捷网络科技有限公司 活动推送方法、装置及电子设备
CN109509051A (zh) * 2018-09-12 2019-03-22 北京奇艺世纪科技有限公司 一种物品推荐方法及装置
CN109325806A (zh) * 2018-09-20 2019-02-12 北京小度信息科技有限公司 一种用户信息的处理方法及装置
CN111061979A (zh) * 2018-10-17 2020-04-24 北京字节跳动网络技术有限公司 一种用户标签的推送方法、装置、电子设备和介质
CN111061979B (zh) * 2018-10-17 2023-04-21 北京字节跳动网络技术有限公司 一种用户标签的推送方法、装置、电子设备和介质
CN109447748A (zh) * 2018-10-23 2019-03-08 广州致轩服饰有限公司 一种基于增量用户的商品反馈方法与装置
CN109447700A (zh) * 2018-10-23 2019-03-08 广州致轩服饰有限公司 一种基于存量用户的商品反馈方法与装置
CN111127060B (zh) * 2018-10-31 2023-08-08 百度在线网络技术（北京）有限公司 确定业务的推广用户的方法和装置
CN111127060A (zh) * 2018-10-31 2020-05-08 百度在线网络技术（北京）有限公司 确定业务的推广用户的方法和装置
CN110008973B (zh) * 2018-11-23 2023-05-02 创新先进技术有限公司 一种模型训练方法、基于模型确定目标用户的方法及装置
CN110008973A (zh) * 2018-11-23 2019-07-12 阿里巴巴集团控股有限公司 一种模型训练方法、基于模型确定目标用户的方法及装置
CN110162692A (zh) * 2018-12-10 2019-08-23 腾讯科技（深圳）有限公司 用户标签确定方法、装置、计算机设备和存储介质
CN109753994A (zh) * 2018-12-11 2019-05-14 东软集团股份有限公司 用户画像方法、装置、计算机可读存储介质及电子设备
CN109753994B (zh) * 2018-12-11 2024-05-14 东软集团股份有限公司 用户画像方法、装置、计算机可读存储介质及电子设备
CN111309774A (zh) * 2018-12-11 2020-06-19 北京嘀嘀无限科技发展有限公司 数据处理方法、装置、电子设备及存储介质
CN111352962B (zh) * 2018-12-24 2024-03-29 网智天元科技集团股份有限公司 客户画像构建方法及装置
CN109858344A (zh) * 2018-12-24 2019-06-07 深圳市珍爱捷云信息技术有限公司 婚恋对象推荐方法、装置、计算机设备及存储介质
CN111352962A (zh) * 2018-12-24 2020-06-30 网智天元科技集团股份有限公司 客户画像构建方法及装置
CN109992632A (zh) * 2019-01-14 2019-07-09 江苏智途科技股份有限公司 一种基于大数据的空间数据智能分发服务方法
CN110111170A (zh) * 2019-03-28 2019-08-09 北京三快在线科技有限公司 候选商家匹配方法、装置、电子设备及可读存储介质
CN110033324A (zh) * 2019-04-11 2019-07-19 上海拉扎斯信息科技有限公司 数据处理方法、装置、电子设备及计算机可读存储介质
CN112328866A (zh) * 2019-08-05 2021-02-05 四川大学 一种网络空间安全领域特定用户群体挖掘方法
CN110517001A (zh) * 2019-08-29 2019-11-29 江苏德赢软件科技有限公司 一种时效性客房商品去库存的方法、装置及***
CN110852830A (zh) * 2019-09-30 2020-02-28 口碑(上海)信息技术有限公司 一种目标用户信息的获取方法与一种服务订阅***
CN110738521A (zh) * 2019-10-10 2020-01-31 深圳市云积分科技有限公司 一种多电商品牌的客户销售方法和装置
CN110738521B (zh) * 2019-10-10 2022-04-15 深圳市云积分科技有限公司 一种多电商品牌的客户销售方法和装置
CN110781395A (zh) * 2019-10-25 2020-02-11 广东小天才科技有限公司 题目推荐方法、装置及终端设备
CN110851729A (zh) * 2019-11-19 2020-02-28 深圳前海微众银行股份有限公司 资源信息推荐方法、装置、设备及计算机存储介质
CN110888945A (zh) * 2019-11-28 2020-03-17 上海风秩科技有限公司 用户行为预测方法、装置、电子设备及存储介质
CN111222923B (zh) * 2020-01-13 2023-12-15 秒针信息技术有限公司 一种判断潜在客户的方法及装置、电子设备和存储介质
CN111222923A (zh) * 2020-01-13 2020-06-02 秒针信息技术有限公司 一种判断潜在客户的方法及装置、电子设备和存储介质
CN111259281A (zh) * 2020-01-20 2020-06-09 腾讯科技（深圳）有限公司 商户标签的确定方法、装置及存储介质
CN111259281B (zh) * 2020-01-20 2023-04-07 腾讯科技（深圳）有限公司 商户标签的确定方法、装置及存储介质
CN111292164A (zh) * 2020-01-21 2020-06-16 上海风秩科技有限公司 一种商品推荐方法、装置、电子设备及可读存储介质
CN111353688A (zh) * 2020-02-05 2020-06-30 口碑(上海)信息技术有限公司 一种用户资源分配方法以及装置
CN111353688B (zh) * 2020-02-05 2024-02-27 口碑(上海)信息技术有限公司 一种用户资源分配方法以及装置
CN111582906A (zh) * 2020-03-26 2020-08-25 口碑(上海)信息技术有限公司 一种目标用户信息的获取方法、装置以及电子设备
CN111581518A (zh) * 2020-05-14 2020-08-25 北京易数科技有限公司 信息推送方法和装置
CN111651669A (zh) * 2020-05-20 2020-09-11 拉扎斯网络科技（上海）有限公司 信息推荐方法、装置、电子设备和计算机可读存储介质
CN111598622A (zh) * 2020-05-21 2020-08-28 深圳市元征科技股份有限公司 一种资格权益数据的生成方法、装置、设备及存储介质
CN111723289B (zh) * 2020-06-08 2024-02-02 北京声智科技有限公司 信息推荐方法及装置
CN111723289A (zh) * 2020-06-08 2020-09-29 北京声智科技有限公司 信息推荐方法及装置
CN112052388A (zh) * 2020-08-20 2020-12-08 深思考人工智能科技(上海)有限公司 一种推荐美食店铺的方法及***
CN112035611A (zh) * 2020-08-28 2020-12-04 康键信息技术（深圳）有限公司 目标用户推荐方法、装置、计算机设备和存储介质
CN112287236A (zh) * 2020-11-19 2021-01-29 每日互动股份有限公司 文本消息的推送方法、装置、计算机设备及存储介质
CN112818255A (zh) * 2021-02-05 2021-05-18 深圳市枣孖健康科技有限责任公司 一种基于用户画像的标签推荐方法
CN113379511A (zh) * 2021-07-02 2021-09-10 北京沃东天骏信息技术有限公司 用于输出信息的方法和装置
CN113420222A (zh) * 2021-07-08 2021-09-21 咪咕文化科技有限公司 内容推荐方法及装置
CN113312513A (zh) * 2021-07-28 2021-08-27 贝壳找房(北京)科技有限公司 对象的推荐方法和装置、电子设备和存储介质
CN114429371A (zh) * 2022-04-06 2022-05-03 新石器慧通（北京）科技有限公司 基于无人车的商品营销方法、装置、电子设备及存储介质
CN116501972A (zh) * 2023-05-06 2023-07-28 兰州柒禾网络科技有限公司 基于大数据在线服务的内容推送方法及ai智能推送***
CN116501972B (zh) * 2023-05-06 2024-01-05 广州市巨应信息科技有限公司 基于大数据在线服务的内容推送方法及ai智能推送***

Similar Documents

Publication Publication Date Title
CN107220852A (zh) 用于确定目标推荐用户的方法、装置和服务器
CN107247786A (zh) 用于确定相似用户的方法、装置和服务器
US20210182938A1 (en) Item recommendation system, item recommendation method and program
CN107105031A (zh) 信息推送方法和装置
CN108090162A (zh) 基于人工智能的信息推送方法和装置
CN107203894A (zh) 信息推送方法和装置
CN107332910A (zh) 信息推送方法和装置
CN107273436A (zh) 一种推荐模型的训练方法和训练装置
CN106708821A (zh) 基于用户个性化购物行为进行商品推荐的方法
CN105095470B (zh) 用于应用程序的数据推荐方法及装置
CN108335177A (zh) 购物推荐方法、用户端、服务端、设备和存储介质
CN107301592A (zh) 用于商品替代品发掘的方法及装置
CN107944481A (zh) 用于生成信息的方法和装置
CN109961357A (zh) 用户数据处理方法、装置、电子设备及存储介质
CN105279672A (zh) 线索推荐
CN107644364A (zh) 对象过滤方法及***
CN110674391B (zh) 基于大数据的产品数据推送方法、***和计算机设备
CN107832338A (zh) 一种识别核心产品词的方法和***
CN107679898A (zh) 一种商品推荐方法和装置
CN107944956A (zh) 用于生成信息的方法和装置
CN107885784A (zh) 提取用户特征数据的方法和装置
CN106776716A (zh) 一种智能匹配销售顾问和用户的方法及设备
CN107741967A (zh) 用于行为数据处理的方法、装置以及电子设备
CN107305677A (zh) 产品信息推送方法和装置
CN107742128A (zh) 用于输出信息的方法和装置

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: Building N3, building 12, No. 27, Jiancai Chengzhong Road, Haidian District, Beijing 100096

Applicant after: Beijing Xingxuan Technology Co.,Ltd.

Address before: 100085 Beijing, Haidian District on the road to the information on the ground floor of the 1 to the 3 floor of the 2 floor, room 11, 202

Applicant before: Beijing Xiaodu Information Technology Co.,Ltd.

RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20170929