CN107562818B - 信息推荐***及方法 - Google Patents
信息推荐***及方法 Download PDFInfo
- Publication number
- CN107562818B CN107562818B CN201710701904.0A CN201710701904A CN107562818B CN 107562818 B CN107562818 B CN 107562818B CN 201710701904 A CN201710701904 A CN 201710701904A CN 107562818 B CN107562818 B CN 107562818B
- Authority
- CN
- China
- Prior art keywords
- data
- recommendation
- client
- result
- information
- 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.)
- Active
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供了一种信息推荐***及方法,其中,该***包括:基础数据采集装置,用于从金融企业***采集客户浏览信息和购买信息的历史数据,历史数据包括结构化数据和非结构化数据;数据仓库处理装置,用于接收历史数据,将非结构化数据转换成结构化数据,将转换后的结构化数据和原结构化数据进行数据清洗处理;基础推荐引擎装置,用于根据预设时间内经过数据清洗处理的历史数据中的客户浏览信息和购买信息,计算客户与偏好商品的关系,根据客户与偏好商品的关系,得到初步推荐结果;推荐引擎优化装置,用于根据推荐精度优化调节因子,调整初步推荐结果,得到最终推荐结果,将最终推荐结果提供给客户端服务器。上述技术方案提高了信息推荐的准确度。
Description
技术领域
本发明涉及信息推荐技术领域,特别涉及一种信息推荐***及方法。
背景技术
电子商务平台因其智能、便捷等优势成为主流媒介,拥有大量的客户资源与信息。日前越来越多的电子商务平台将客户信息与资金收付进行了对接,实现了销售、推广、支付一体化整合,在某种程度上替代了传统的金融业。在这样的电商金融化的冲击下,金融行业也开始涉足电子商务领域。如何利用其丰富的客户数据资源、发掘客户潜在购买力、挖掘潜在客户,引导客户进行智能消费,成为一项新的挑战。目前金融电商平台通过传统的推荐***来实现上述需求,仍有如下问题:
海量基础数据与推荐输出结果不对等:金融行业的客户基础数据具有天然优势,包含了客户信用、客户资产负债等多种信息,但目前的推荐***未能使用这部分数据构建有针对性的推荐引擎,未能实现个性化推荐,导致推荐结果与客户实际需求不相符,推荐准确度不够。
因此,现有信息推荐***推荐准确度低。
发明内容
本发明实施例提供了一种信息推荐***,用以提高信息推荐的准确度,该***包括:基础数据采集装置、数据仓库处理装置、基础推荐引擎装置、推荐引擎优化装置和客户端服务器;其中:
基础数据采集装置,用于从金融企业***采集客户浏览信息和购买信息的历史数据,历史数据包括结构化数据和非结构化数据;
数据仓库处理装置,用于接收历史数据,将非结构化数据转换成结构化数据,将转换后的结构化数据和原结构化数据进行数据清洗处理;
基础推荐引擎装置,用于根据预设时间内经过数据清洗处理的历史数据中的客户浏览信息和购买信息,计算客户与偏好商品的关系,根据客户与偏好商品的关系,得到初步推荐结果;
推荐引擎优化装置,用于根据推荐精度优化调节因子,调整初步推荐结果,得到最终推荐结果,将最终推荐结果提供给客户端服务器。
本发明实施例提供了一种信息推荐方法,用以提高信息推荐的准确度,该方法包括:
从金融企业***采集客户浏览信息和购买信息的历史数据,历史数据包括结构化数据和非结构化数据;
接收历史数据,将非结构化数据转换成结构化数据,将转换后的结构化数据和原结构化数据进行数据清洗处理;
根据预设时间内经过数据清洗处理的历史数据中的客户浏览信息和购买信息,计算客户与偏好商品的关系,根据客户与偏好商品的关系,得到初步推荐结果;
根据推荐精度优化调节因子,调整初步推荐结果,得到最终推荐结果,将最终推荐结果提供给客户端服务器。
本发明实施例提供了一种计算机设备,用以提高信息推荐的准确度,该计算机设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行上述计算机程序时实现如上所述的信息推荐方法。
本发明实施例提供了一种计算机可读存储介质,用以提高信息推荐的准确度,该计算机可读存储介质存储有执行如上所述的信息推荐方法的计算机程序。
与现有技术相比较,本发明实施例提供的信息推荐方案,在金融企业级数据仓库的支撑下,有效结合金融企业特色,根据预设时间内经过数据清洗处理的历史数据中的客户浏览信息和购买信息,计算客户与偏好商品的关系,得到初步推荐结果,并在此基础上,融入推荐精度优化调节因子,根据推荐精度优化调节因子,调整所述初步推荐结果,得到最终推荐结果,将最终推荐结果提供给客户端服务器,真正做到了精准地客户个性化推荐,提高了信息推荐的准确度。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,并不构成对本发明的限定。在附图中:
图1是本发明实施例中信息推荐***的结构示意图;
图2是本发明实施例中基础数据采集装置的结构示意图;
图3是本发明实施例中数据仓库处理装置的结构示意图;
图4是本发明实施例中基础推荐引擎装置的结构示意图;
图5是本发明实施例中推荐引擎优化装置的结构示意图;
图6是本发明一实施例中信息推荐方法的流程示意图;
图7是本发明又一实施例中信息推荐方法的流程示意图;
图8是图7中步骤9中数据过滤处理方法的流程示意图;
图9是图7中步骤10中数据排序处理方法的流程示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,下面结合实施方式和附图,对本发明做进一步详细说明。在此,本发明的示意性实施方式及其说明用于解释本发明,但并不作为对本发明的限定。
本发明克服了传统电商推荐***的推荐准确度不足,推荐引擎自动化修正调整能力缺失的问题,提出了一种数据分析和信息推荐***和方法。该***在企业级数据仓库的支撑下,有效结合金融企业特色的客户特征信息,计算客户-商品的偏好矩阵(客户与偏好商品的关系),并在此基础上融入推荐精度优化调节因子,再进行过滤排序,真正做到精准地客户个性化推荐。同时,增加了推荐评估体系(即推荐引擎评估装置),以便对推荐引擎的效能进行分析评估并及时做出调整,实现最优推荐。下面对该信息推荐***及方法进行详细介绍。
首先,对本发明实施例中所涉及到的术语进行说明:
√基础数据——指的是结构化数据和非结构化数据两种类型的数据(即历史数据);
√结构化数据——指的是行数据,可以用二维的表结构来逻辑表达实现的数据,例如:客户年龄性别资产的属性信息;
√非结构化数据——指的是不方便用数据库二维逻辑表来表现的数据,例如:客户浏览页面的日志文件,客户图片等信息;
√属性——指的是实体可识别的一种行为或状态。例如:按商品可用时间长度划分的易损耗品、耐用商品(该处描述可以代表商品属性);
√特征——指的是单一的原子型判断规则,针对同一时间序列的源数据进行计算,例如:10日内同一客户的网银交易超过10万,可以依此按实体特征区分的高资产客户,低资产客户(该处描述可以代表客户特征信息);
√关系矩阵——二维关系的表现形式,若两个层级间的元素有关联,则对应的数值为1;若无关联,则对应的数值为0;
√数据清洗——统一多数据源的属性值信息,去掉残缺数据,错误数据和重复数据;
√基于物品的协同过滤模型——指的是利用已知的一组用户喜好数据来预测用户对其它物品的喜好程度从而作出个性化推荐模型;
√隐语义模型——指的是通过隐含特征联系用户兴趣和物品,对商品进行分类,然后确定用户对哪些种类的商品感兴趣,感兴趣的程度有多深。按照用户的兴趣,把不同种类的商品依序推荐给用户。
图1是本发明实施例中信息推荐***的结构图,该***包括以下组成部分:基础数据采集装置1、数据仓库处理装置2、推荐引擎评估装置3、基础推荐引擎装置4、推荐引擎优化装置5、客户端服务器6。下面对该***及其组成部分进行详细介绍。
如图1所示,在一个实施例中,该***可以包括:基础数据采集装置1、数据仓库处理装置2、基础推荐引擎装置4和推荐引擎优化装置5;其中:
基础数据采集装置1,用于从金融企业***采集客户浏览信息和购买信息的历史数据,所述历史数据包括结构化数据和非结构化数据;
数据仓库处理装置2,用于接收所述历史数据,将所述非结构化数据转换成结构化数据,将转换后的结构化数据和原结构化数据进行数据清洗处理;
基础推荐引擎装置4,用于根据预设时间内经过数据清洗处理的历史数据中的客户浏览信息和购买信息,计算客户与偏好商品的关系,根据客户与偏好商品的关系,得到初步推荐结果;
推荐引擎优化装置5,用于根据推荐精度优化调节因子,调整所述初步推荐结果,得到最终推荐结果,将所述最终推荐结果提供给客户端服务器6。
与现有技术相比较,本发明实施例提供的信息推荐方案,在金融企业级数据仓库的支撑下,有效结合金融企业特色,根据预设时间内经过数据清洗处理的历史数据中的客户浏览信息和购买信息,计算客户与偏好商品的关系,得到初步推荐结果,并在此基础上,融入推荐精度优化调节因子,根据推荐精度优化调节因子,调整所述初步推荐结果,得到最终推荐结果,提高了信息推荐的准确度。
第一,介绍基础数据采集装置1。
具体实施时,基础数据采集装置1分布地从金融企业的其它各个源***采集海量基础数据,以及从客户端服务器6中采集客户浏览推荐结果的情况,分为结构化数据和非结构化数据,所获取的数据统一存放在数据仓库处理装置2。
在一个实施例中,图2是基础数据采集装置1的结构示意图,如图2所示,该装置可以包括:结构化数据采集单元101和非结构化数据采集单元102;其中:结构化数据采集单元101负责分布式采集金融企业各上游应用***各类数据,如客户年龄、性别、资产的属性信息并对数据做统一格式处理;非结构化采集单元102负责分布式采集金融企业各上游应用***中各类非结构化如客户浏览电商平台日志,对数据统一格式转化后,合并小文件并打包压缩;最终结构化数据采集单元101和非结构化采集单元102采集的数据存入数据仓库处理装置2。
第二,介绍数据仓库处理装置2。
具体实施时,数据仓库处理装置2负责接收基础数据采集装置1采集的海量基础数据,由数据仓库基础层单元201对非结构化进行数据提取,经过数据过滤清洗整理后转化成结构化数据,整个转化过程具体是先通过数据过滤,过滤掉一些客户浏览页面行为中的一些无价值数据(如对于页面加载中某些图片的请求等),保留客户实际访问页面或功能的具体请求,再用正则表达式从客户的浏览数据中解析出什么样的客户在什么时间点,利用什么样访问设备,访问了哪个页面,来源于哪个页面,停留多少时间等,将这些数据作为结构化数据保存下来。然后海量结构化数据经过数据清洗后传递给汇总数据层单元202,按客户视图进行统计汇总提取客户特征值归一化再存入数据仓库基础层单元201。该装置还为推荐引擎评估装置3、基础推荐引擎装置4、推荐引擎优化装置5提供数据。
在一个实例中,图3是数据仓库处理装置2的结构示意图,如图3所示,该装置可以包括:基础数据层单元201,汇总数据层单元202和集市数据层单元203;其中:
基础数据层单元201,用于接收所述历史数据和客户浏览推荐结果情况数据,将所述非结构化数据转换成结构化数据,通过去掉转换后的结构化数据和原结构化数据中的残缺数据、错误数据和重复数据,完成数据清洗处理;
汇总数据层单元202,用于从基础数据层单元中完成数据清洗处理的数据中提取客户特征信息;
集市数据层单元203,用于对基础数据层单元中完成数据清洗处理的数据,以及汇总数据层单元中的客户特征信息进行分析,得到针对基础推荐引擎装置、推荐引擎优化装置和推荐引擎评估装置所需的数据。
具体实施时,基础数据层单元201,负责接收非结构化数据采集单元102中过来的海量数据,对于非结构化进行数据提取,转成为结构化数据,再整合从结构化数据采集单元101的数据,然后进行数据清洗,去掉残缺数据,错误数据和重复数据等最终形成面向主题的、集成的、保留历史的存入。
具体实施时,汇总数据层单元202,该单元的功能是从基础数据层单元201接收基础模型数据,然后按客户维度进行统计汇总,形成企业唯一的客户统一视图,如下表1。
具体实施时,集市数据层单元203,该单元的功能从基础数据层单元201和汇总数据层单元202统计分析形成针对具体的推荐***集市所需的对应的数据内容,如某段时间内某类商品的浏览量、销量等信息。同时该单元还保存了推荐***的***参数,推荐结果数据的中间结果(初步推荐结果),最终推荐结果清单,推荐评估数据(推荐引擎评估装置3评估的推荐精度优化调节因子),推荐引擎融合系数(参见下文的推荐引擎融合单元503)。
基础数据 | 年龄 | 性别 | 活期存款余额 | .... |
客户1 | 30 | 0 | 1000 | .... |
客户2 | 40 | 1 | 10 | .... |
... | ... | ... | ... | ... |
客户n | 19 | 0 | 0 | .... |
表1
第三,介绍基础推荐引擎装置4。
在一个实施例中,基础推荐引擎装置进一步用于计算客户与客户类别的关系,以及商品与商品类别关系;根据客户与偏好商品的关系,客户与客户类别的关系,以及商品与商品类别关系,形成初步推荐结果。
具体实施时,基础推荐引擎装置4负责接收数据仓库处理装置2一段时间所有客户浏览信息和购买信息,按基于物品的协同过滤算法,计算出客户与商品的偏好矩阵(客户与偏好商品关系),如下表2,这些矩阵有表示客户看商品的,客户买商品的,客户收藏商品等内容,然后计算出各类关系矩阵后的商品与商品间的关联度,按关联度由高到低形成的第一种推荐结果,这种推荐适合于客户有具体行为基础下推荐,如客户浏览了一个商品推荐。还有一种:将用户特性进行用户分类,形成用户-类别矩阵(客户与客户类别关系),如下表3;然后按把商品分类,形成类别-商品关系矩阵(商品类别与商品关系),如下表4;隐类的生成是一个机器学习过程,预设置隐类的个数,但无法确切解释类的涵义,因此该算法仅用于猜测用户喜欢的推荐,形成第一种推荐结果。上述两种推荐结果输出并存入数据仓库处理装置2的集市数据层单元203中。
基础数据 | 商品1 | 商品2 | .... | 商品m |
客户1 | 3 | 2 | ... | 1 |
客户2 | 4 | 1 | ... | 1 |
... | ... | ... | ... | ... |
客户n | 1 | 0 | ... | 100 |
表2
基础数据 | 类别1 | 类别2 | .... | 类别m |
客户1 | 1 | 2 | 1 | |
客户2 | 4 | 1 | 1 | |
... | ||||
客户n | 1 | 0 | 100 |
表3
基础数据 | 商品1 | 商品2 | .... | 商品m |
类别1 | 3 | 2 | 1 | |
类别2 | 4 | 1 | 1 | |
... | ||||
类别n | 1 | 0 | 100 |
表4
在一个实施例中,图4是基础推荐引擎装置4的结构示意图,如图4所示,该装置可以包括:基于物品的协同过滤单元401、隐语义模型推荐引擎单元402和基础推荐结果输出单元403。其中:
基于物品的协同过滤模型401,用于根据预设时间内经过数据清洗处理的历史数据中的客户浏览信息和购买信息,计算客户与偏好商品的关系矩阵,根据所述客户与偏好商品的关系矩阵,预测客户对与关系矩阵中商品相似的商品的喜好程度,根据所述喜好程度,确定第一推荐结果;
隐语义模型推荐引擎单元402,用于根据预设时间内经过数据清洗处理的历史数据中的客户浏览信息和购买信息,计算客户与客户类别的关系,以及商品与商品类别关系,根据客户与客户类别的关系,以及商品与商品类别关系,确定第二推荐结果;
基础推荐结果输出单元403,用于将第一推荐结果和第二推荐结果形成初步推荐结果,将初步推荐结果发送至所述推荐引擎优化装置。
具体实施时,基于物品的协同过滤单元401访问基础数据层单元201,获取客户商品的关系表,如表2,每一行代表一个用户感兴趣的物品集合,每一行的数据可以转化成一个物品与物品的关系的矩阵,一行中出现的物品就是该矩阵的行和列。然后形成的多个矩阵相加,等到一个新的矩阵C,其中C[i][j]记录了同时喜欢i和j的用户数,最后将C矩阵归一化可以得到物品之间的余弦相似矩阵,计算出物品与物品的关联度,对于客户商品关系表中客户与商品的关系不同,而最终会得出不同的商品与商品的关联关系,如浏览关系与购买关系,那获取的推荐是浏览商品与购买商品的关联关系,如收藏关系与购买关系,那获取的推荐是收藏商品与购买商品的关联关系,最终形成的各类商品与商品的关联关系发送给基础推荐输出单元403中。其中,每种关系都会对应一个客户的推荐清单。
具体实施时,隐语义模型推荐引擎单元402访问数据仓库处理装置2的集市数据层单元203,获取客户与类别关系表、类别与商品表,通过隐语义模型,计算出该客户的推荐商品清单,并将结果发送给基础推荐输出单元403。
具体实施时,基础推荐输出单元403主要接收从基于物品的协同过滤单元401和隐语义模型推荐引擎单元402的数据并将数据按基础引擎类型标注后传递给推荐引擎优化装置5。
第四,介绍推荐引擎优化装置5。
具体实施时,推荐引擎优化装置5负责将在数据仓库处理装置2中初步的计算各基础模型(如看了又看、看了又买、买了又买等)的商品与商品的相关性,然后引入时间因子系数,热销因子系数等,将时间因子系数乘以2个物品时间因子(如被浏览的时间差的值),来调整商品与商品间的相关度,时间因子系数的权重直接决定2个商品之间的关系度,热销因子系数也类似。最终计算出的基础模型的商品关系度,然后将不同模型的关系度按模型融合系数进行相乘后,按最终商品间的关系度高低得出一个备选推荐清单,之后再进行耐用品,优质商品等过滤,删除掉非优质商品,然后依据客户特性值代入训练模型中,重新调整推荐清单上推荐商品的推荐顺序,最终选取前15类商品成为最终推荐清单存储在数据仓库处理装置2的集市数据层单元203,同时提供给客户端服务器6。
在一个实施例中,图5是推荐引擎优化装置5的结构示意图,如图5所示,该装置可以包括:时间因子优化引擎单元501、非热销因子优化引擎单元502、推荐引擎融合单元503、过滤优化引擎单元504、客户特征排序优化引擎单元505和自有产品排序优化单元506;其中:
时间因子优化引擎单元501,用于在初步推荐结果中筛选出浏览时间相近的商品,形成一次筛选结果清单;
非热销因子优化引擎单元502,用于提高所述一次筛选结果清单中非热销商品的推荐度,形成二次筛选结果清单;
推荐引擎融合单元503,用于将所述二次筛选结果清单进行加权汇总,形成三次筛选结果清单;
过滤优化引擎单元504,用于根据商品属性信息,将所述三次筛选结果清单中劣质商品剔除,形成四次筛选结果清单;
客户特征排序优化引擎单元505,用于根据客户特征信息,将所述四次筛选结果清单中商品排序,形成五次筛选结果清单;
自有产品排序优化单元506,根据金融企业的自有产品及其预设推荐要求,对所述五次筛选结果清单中商品进行排序调整,形成最终推荐结果。
具体实施时,时间因子优化引擎单元501负责调整物品的相似度,因为用户在短时间内喜欢的物品相似度更高,该单元将从基础推荐引擎装置4所接收的推荐数据进行时间因子的优化,从基础数据层单元201中获取客户浏览商品的时间的明细数据,计算出时间调整因子,并最终与推荐商品的关联度相乘,具体公式如下:
其中,Tij表示表示商品i和商品j时间因子,α表示时间因子调节参数,α越大,那时间间隔对于物理的相似度的影响愈大,反之就越小,tiu表示u客户和浏览商品i的时间点,tju表示u客户和浏览商品i的时间点,n表示有n个用户同时浏览了商品i和商品j,un表示用户n,ui表示用户i。
具体实施时,非热销因子优化引擎单元502负责提升非热销商品推荐度。该单元从数据仓库处理装置2的集市数据层单元203获取预设时间范围段内的每种类型的商品的销量数据,计算出推荐商品的非热销度,并最终与推荐商品的关联度相乘,具体公式如下:
其中,popularity(i)表示商品i的非热销程度,max_num_i表示与i同类商品中在预设时间内销量最高的销量值,num_i表示在预设时间内i商品的销量值,α表示非热销因子调节参数,如果α越大,那么商品的热销程度对物品的关联度就影响越小,反之就越大。
具体实施时,推荐引擎融合单元503将非热销因子优化引擎单元402优化按推荐引擎融合系数进行备选推荐清单,如浏览商品与浏览商品的关联度占70%,浏览商品和购买商品的关联度占30%。
具体实施时,过滤优化引擎单元504从数据仓库处理装置2的基础数据层单元201获取每个推荐商品属性,如耐用品,上架时间,客户对商品的评价信息等基础信息进行耐用品过滤,范围过滤,优质过滤,最终将过滤后的数据传送给客户特征排序优化引擎单元505。
具体实施时,客户特征排序优化引擎单元505访问数据仓库处理装置2的汇总数据层单元202客户特性表(表1)获取所有客户一定时间段内浏览和交易数据进行贝叶斯方法的训练,获取客户的每个特征数据对于是否喜欢该商品的影响程度,在给定客户特性的情况下,客户购买某商品的概率如下所示:
其中,p(y|x1,x2,…)表示客户具有特征属性x1,x2...购买商品y的概率,p(x1,x2,…|y)表示该购买y商品客户同时具有特征属性x1,x2...的概率,p(y)表示客户购买商品y的概率。
在朴素贝叶斯的假设中,每一个属性相互独立。所以简化的概率表示如下所示:
其中,p(y|x1,x2,…)表示客户具有特征属性x1,x2...购买商品y的概率,P(y)表示客户购买商品y的概率,p(xi|y)表示对于购买商品y的客户具有特性属性X的概率,p(xi)表示客户具有特性属性x的概率。
针对备选推荐清单,计算针对该推荐用户购买商品的概率,按概率对推荐商品进行一个重新排序,并形成该用户的备选推荐清单交给自有产品排序优化单元506。
具体实施时,自有产品排序优化单元506,针对金融企业自有的商品及其预设的推荐要求对推荐结果最后调整,形成最终的客户个性化的最终推荐清单。
第五,介绍客户端服务器6。
具体实施时,客户端服务器6主要负责将推荐结果可视化的融入金融电商平台,让所有的客户端用户可以看到自己对应的商品推荐信息。同时将客户端服务器上产生的客户点击情况浏览情况发送给基础数据采集装置1。
第六,推荐引擎评估装置3。
发明人还发现现有信息推荐***推荐引擎自动化修正能力低:目前推荐引擎是根据预设业务模型设立,后续由人工进行点击情况分析再进一步调整,这样整体时间跨度大、模型参数(在本发明实施例中,模型参数可以指上述推荐精度优化调节因子,也可以指计算推荐精度优化调节因子公式中的调节参数)更新速度慢,推荐结果时效性差。由于考虑到了这个技术问题,发明人提出了增加推荐评估体系(即推荐引擎评估装置3),以便对推荐引擎的效能进行分析评估并及时做出调整,实现最优推荐,并且提高了推荐的时效性。下面对推荐引擎评估装置3及其优点进行详细介绍。
在一个实施例中,上述基础数据采集装置还用于从客户端服务器中采集客户浏览推荐结果情况数据;上述客户浏览推荐结果情况数据包括结构化数据和非结构化数据;
上述数据仓库处理装置还用于接收上述客户浏览推荐结果情况数据,将上述非结构化数据转换成结构化数据,将转换后的结构化数据和原结构化数据进行数据清洗处理;
上述信息推荐***还包括:推荐引擎评估装置,用于根据经过数据清洗处理的客户浏览推荐结果情况数据,计算预设时间内推荐结果的准确率、召回率和覆盖率,根据计算结果改变上述推荐精度优化调节因子,直到找到准确率、召回率和覆盖率最优时对应的推荐精度优化调节因子,将准确率、召回率和覆盖率最优时对应的推荐精度优化调节因子,作为最优推荐精度优化调节因子;
上述推荐引擎优化装置具体用于根据上述最优推荐精度优化调节因子,调整上述初步推荐结果,得到最终推荐结果,将上述最终推荐结果提供给客户端服务器。
在一个实施例中,上述推荐精度优化调节因子包括:时间因子、非热销因子和排序调整因子其中之一或任意组合。
具体实施时,推荐引擎评估装置3负责接收在***设定时间内(该时间***可自动调整)最终推荐清单涉及的商品总数,记为|R(u)|,在电商平台某一个页面上,推荐***设定时间内实际购买的商品总数,记为|T(u)|,汇总最终推荐清单中并被用户通过推荐位浏览后一定时间内实际被购买的商品总数,记为|R(u)∩T(u)|,计算准确率,即实际购买行为能覆盖预测购买行为的比率,比率越高,说明预测精确度越高,表达式如下所述:
Precision=(|R(u)∩T(u)|)/(|R(u)|);
同时,计算召回率,即预测购买行为能覆盖真实购买行为的比率,比率越高,说明真实购买行为中出乎意料的比率越低,表达式如下所述:
Recall=(|R(u)∩T(u)|)/(|T(u)|);
电商平台一段时间内在售的商品总数,记为I。提取覆盖率,即预测购买行为覆盖所有商品的比率,比率越高,说明推荐***能推荐的商品越全面,表达式如下所述:
Coverage=(|R(u)|)/(|I|);
同时,数据仓库处理装置2直接汇总推荐位的点击量和转化率(推荐位点击后促成的实际交易除以点击数量)。将时间因子系数,热销因子系数,排序调整因子系数和基础推荐模型的融合数据,修改其中一个系数并保持其它系数不变,以默认值为基准上下变动,每次变动的调整比是10%,通过AB TEST的方法推广,并对于推荐的准确率、转化率、覆盖率等纪录,随后保持该参数不变,再修改其它参数,经过反复的循环,训练出推荐效果相对最好的调节参数。使得整个***成为一个可以自适应调整参数的体系,有优化策略有评估,评估后又依据评估结果优化策略。
基于同一发明构思,本发明实施例中还提供了一种信息推荐方法,如下面的实施例所述。由于信息推荐方法解决问题的原理与信息推荐***相似,因此信息推荐方法的实施可以参见信息推荐***的实施,重复之处不再赘述。以下所使用的,术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
图6是本发明一实施例中信息推荐方法的流程示意图,如图6所示,该方法包括如下步骤:
步骤101:从金融企业***采集客户浏览信息和购买信息的历史数据,历史数据包括结构化数据和非结构化数据;
步骤102:接收历史数据,将非结构化数据转换成结构化数据,将转换后的结构化数据和原结构化数据进行数据清洗处理;
步骤103:根据预设时间内经过数据清洗处理的历史数据中的客户浏览信息和购买信息,计算客户与偏好商品的关系,根据客户与偏好商品的关系,得到初步推荐结果;
步骤104:根据推荐精度优化调节因子,调整初步推荐结果,得到最终推荐结果,将最终推荐结果提供给客户端服务器。
在一个实施例中,上述信息推荐方法还包括:
从客户端服务器中采集客户浏览推荐结果情况数据;所述客户浏览推荐结果情况数据包括结构化数据和非结构化数据;
接收所述客户浏览推荐结果情况数据,将所述非结构化数据转换成结构化数据,将转换后的结构化数据和原结构化数据进行数据清洗处理;
根据经过数据清洗处理的客户浏览推荐结果情况数据,计算预设时间内推荐结果的准确率、召回率和覆盖率,根据计算结果改变所述推荐精度优化调节因子,直到找到准确率、召回率和覆盖率最优时对应的推荐精度优化调节因子,将准确率、召回率和覆盖率最优时对应的推荐精度优化调节因子,作为最优推荐精度优化调节因子;
根据推荐精度优化调节因子,调整所述初步推荐结果,得到最终推荐结果,将所述最终推荐结果提供给客户端服务器,具体包括:
根据所述最优推荐精度优化调节因子,调整所述初步推荐结果,得到最终推荐结果,将所述最终推荐结果提供给客户端服务器。
在一个实施例中,根据推荐精度优化调节因子,调整所述初步推荐结果,得到最终推荐结果,将所述最终推荐结果提供给客户端服务器,包括:
在初步推荐结果中筛选出浏览时间相近的商品,形成一次筛选结果清单;
提高所述一次筛选结果清单中非热销商品的推荐度,形成二次筛选结果清单;
将所述二次筛选结果清单进行加权汇总,形成三次筛选结果清单;
根据商品属性信息,将所述三次筛选结果清单中劣质商品剔除,形成四次筛选结果清单;
根据客户特征信息,将所述四次筛选结果清单中商品排序,形成五次筛选结果清单;
金融企业的自有产品及其预设推荐要求,对所述五次筛选结果清单中商品进行排序调整,形成最终推荐结果。
图7是本发明又一实施例中信息推荐方法的流程示意图,如图7所示,该方法包括如下步骤:
步骤1:基础数据采集装置1的结构化数据采集单元101接收来自上游不同应用***的源数据,存放于基础数据表同时非结构化数据采集单元102获取各上游***的客户浏览日志等信息保存在基础数据文件中;
步骤2:对非结构化数据采集单元102和结构化数据采集单元101产生的数据进行清洗,过滤,保存在数据仓库处理装置2的基础数据层单元201中;
步骤3:对步骤2产生的结构化数据按向主题的、集成的、保留历史处理后在基础数据层单元201保存;
步骤4:数据仓库处理装置2的汇总数据层单元202按客户维度进行汇总处理,汇总客户资产情况,负债情况等等.形成200多维客户统一视图,形成客户特征关系表,在汇总数据层单元202保存;
步骤5:基础推荐引擎装置4读取将数据仓库处理装置2的基础数据层单元201基础数据,通过传统的协同过滤隐语义等推荐模型计算,获得各个基础推荐模型的初步推荐清单,传递给推荐引擎优化装置5;
步骤6:推荐引擎优化装置5的时间因子优化处理单元501对初步推荐清单进行优化,如商品间浏览时间越紧密的关联度越高;
步骤7:推荐引擎优化装置5的非热销因子优化处理单元502进一步优化候选推荐清单,提高冷门商品的推荐度;
步骤8:推荐引擎优化装置5的推荐引擎融合单元503对候选推荐清单进行加权汇总,将各个基础推荐引擎的特点充分发挥,保证推荐的准确性;
步骤9:推荐引擎优化装置5的过滤优化引擎单元504对候选推荐清单过滤优化,按属性剔除,如客户已购买过的耐用商品,上架很久商品及商品评价很差的商品,形成推荐清单;
步骤10:推荐引擎优化装置5的客户特征排序优化引擎单元505按客户特性值计算该客户的偏好性;推荐引擎优化装置5的自有产品排序优化引擎单元506针对自有商品调整推荐清单,从而对候选清单重新排序;
步骤11:最终针对客户按排序顺序选择15个商品进行推荐;
图8是图7中步骤9中数据过滤处理方法的流程示意图;如图8所示,该数据过虑处理方法包括如下步骤:
步骤901:从基础数据层单元201中获取商品属性信息,从属性性息中判断该商品是否属于耐用品(如电视机,空调等)。如果属于耐用品则进入步骤902,否则进入步骤903;
步骤902:从基础数据层单元201查询该客户在设定时间内是否购买过待推荐商品,如果购买过,那将该商品过滤,否则就不过滤;
步骤903:从集市数据层单元203获取预设的商品属性过滤规则;
步骤904:如规则是判断上架时间早于3个月商品过滤,那从基础数据层单元201查询待推荐商品上架时间,判断其是否早于预设定的时间周期,如果符合那将该商品过滤,否则不过滤;
步骤905:从集市数据层单元203获取预设的商品评价分数过滤阀值;
步骤906:从基础数据层单元201查询待推荐商品设定时间内的平均评价分数,如果该分数小于阀值,那将待推荐商品过滤,否则就不过滤。
图9是图7中步骤10中数据排序处理方法的流程示意图,如图9所示,该数据排序处理方法包括如下步骤:
步骤1001:访问数据仓库处理装置2,获取客户特性表(表1);
步骤1002:依据前期训练的模型结果值,计算出有该特征值的客户对于每一个待推荐商品的偏好程度;
步骤1003:按偏好程度对待推荐商品进行重新排序;
步骤1005::从数据仓库处理装置2获取金融企业自有商品清单或顶置商品清单;
步骤1005:将该清单中的商品按预先设定的数据进行排序的重新调整。
本发明实施例提供了一种计算机设备,用以提高信息推荐的准确度,该计算机设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行上述计算机程序时实现如上所述的信息推荐方法。
本发明实施例提供了一种计算机可读存储介质,用以提高信息推荐的准确度,该计算机可读存储介质存储有执行如上所述的信息推荐方法的计算机程序。
综上所述,首先,本发明克服了传统电商推荐***的推荐准确度不足,推荐引擎自动化修正调整能力缺失的问题,提出了一种数据分析和信息推荐***和方法。该***在企业级数据仓库的支撑下,有效结合金融企业特色的客户特征信息计算客户-商品的偏好矩阵,并在此基础上融入推荐精度优化调节因子,再进行过滤排序,真正做到精准的客户个性化推荐,提高了信息推荐的准确度。其次,增加推荐评估体系,即利用推荐引擎评估装置找到推荐效果最优推荐精度优化调节因子,使得整个***成为一个可以自适应调整参数的体系,有优化策略有评估,评估后又依据评估结果优化优化策略。实现了对推荐引擎的效能进行分析评估并及时做出调整,实现最优推荐,提高了信息推荐的时效性。
本发明实施例达到了如下有益技术效果:
与传统的电商推荐技术相比,本发明基于大数据应用的金融电商推荐装置,具有以下优势:
(1)依托企业级数据仓库,支持海量数据的处理分析,响应速度快;
(2)融合两大传统推荐引擎的推荐结果,并添加调优因子,过滤排序等,加强推荐时效性与准确性;
(3)有特色的金融客户数据流与推荐引擎结果对接,实现客户个性化推荐,推荐准确率大大提高;
(4)推荐引擎具有自适应能力,能按推荐的结果评估自动调整引擎参数,使推荐结果达到最优。
显然,本领域的技术人员应该明白,上述的本发明实施例的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,并且在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明实施例不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明实施例可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种信息推荐***,其特征在于,包括:基础数据采集装置、数据仓库处理装置、基础推荐引擎装置和推荐引擎优化装置;其中:
基础数据采集装置,用于从金融企业***采集客户浏览信息和购买信息的历史数据,所述历史数据包括结构化数据和非结构化数据;
数据仓库处理装置,用于接收所述历史数据,将所述非结构化数据转换成结构化数据,将转换后的结构化数据和原结构化数据进行数据清洗处理;
基础推荐引擎装置,用于根据预设时间内经过数据清洗处理的历史数据中的客户浏览信息和购买信息,计算客户与偏好商品的关系,根据客户与偏好商品的关系,得到初步推荐结果;
推荐引擎优化装置,用于根据推荐精度优化调节因子,调整所述初步推荐结果,得到最终推荐结果,将所述最终推荐结果提供给客户端服务器;
所述数据仓库处理装置包括:基础数据层单元、汇总数据层单元和集市数据层单元;其中:
基础数据层单元,用于接收所述历史数据和客户浏览推荐结果情况数据,将所述非结构化数据转换成结构化数据,通过去掉转换后的结构化数据和原结构化数据中的残缺数据、错误数据和重复数据,完成数据清洗处理;
汇总数据层单元,用于从基础数据层单元中完成数据清洗处理的数据中,按客户维度进行汇总处理,根据汇总客户资产情况、负债情况,提取客户特征信息;
集市数据层单元,用于对基础数据层单元中完成数据清洗处理的数据,以及汇总数据层单元中的客户特征信息进行分析,得到针对基础推荐引擎装置、推荐引擎优化装置和推荐引擎评估装置所需的数据;
推荐引擎优化装置包括:时间因子优化引擎单元、非热销因子优化引擎单元、推荐引擎融合单元、过滤优化引擎单元、客户特征排序优化引擎单元和自有产品排序优化单元;其中:
时间因子优化引擎单元,用于在初步推荐结果中筛选出浏览时间相近的商品,形成一次筛选结果清单;
非热销因子优化引擎单元,用于提高所述一次筛选结果清单中非热销商品的推荐度,形成二次筛选结果清单;
推荐引擎融合单元,用于将所述二次筛选结果清单进行加权汇总,形成三次筛选结果清单;
过滤优化引擎单元,用于根据商品属性信息,将所述三次筛选结果清单中劣质商品剔除,形成四次筛选结果清单;
客户特征排序优化引擎单元,用于根据客户特征信息,将所述四次筛选结果清单中商品排序,形成五次筛选结果清单;
自有产品排序优化单元,根据金融企业的自有产品及其预设推荐要求,对所述五次筛选结果清单中商品进行排序调整,形成最终推荐结果;
所述基础数据采集装置还用于从客户端服务器中采集客户浏览推荐结果情况数据;所述客户浏览推荐结果情况数据包括结构化数据和非结构化数据;
所述数据仓库处理装置还用于接收所述客户浏览推荐结果情况数据,将所述非结构化数据转换成结构化数据,将转换后的结构化数据和原结构化数据进行数据清洗处理;
所述信息推荐***还包括:推荐引擎评估装置,用于根据经过数据清洗处理的客户浏览推荐结果情况数据,计算预设时间内推荐结果的准确率、召回率和覆盖率,根据计算结果改变所述推荐精度优化调节因子,直到找到准确率、召回率和覆盖率最优时对应的推荐精度优化调节因子,将准确率、召回率和覆盖率最优时对应的推荐精度优化调节因子,作为最优推荐精度优化调节因子;
所述推荐引擎优化装置具体用于根据所述最优推荐精度优化调节因子,调整所述初步推荐结果,得到最终推荐结果,将所述最终推荐结果提供给客户端服务器。
2.如权利要求1所述的信息推荐***,其特征在于,所述推荐精度优化调节因子包括:时间因子、非热销因子和排序调整因子其中之一或任意组合。
3.如权利要求1所述的信息推荐***,其特征在于,所述基础推荐引擎装置进一步用于计算客户与客户类别的关系,以及商品与商品类别关系;根据客户与偏好商品的关系,客户与客户类别的关系,以及商品与商品类别关系,形成初步推荐结果。
4.如权利要求3所述的信息推荐***,其特征在于,所述基础推荐引擎装置包括基于物品的协同过滤单元、隐语义模型推荐引擎单元和基础推荐结果输出单元;其中:
基于物品的协同过滤模型,用于根据预设时间内经过数据清洗处理的历史数据中的客户浏览信息和购买信息,计算客户与偏好商品的关系矩阵,根据所述客户与偏好商品的关系矩阵,预测客户对与关系矩阵中商品相似的商品的喜好程度,根据所述喜好程度,确定第一推荐结果;
隐语义模型推荐引擎单元,用于根据预设时间内经过数据清洗处理的历史数据中的客户浏览信息和购买信息,计算客户与客户类别的关系,以及商品与商品类别关系,根据客户与客户类别的关系,以及商品与商品类别关系,确定第二推荐结果;
基础推荐结果输出单元,用于将第一推荐结果和第二推荐结果形成初步推荐结果,将初步推荐结果发送至所述推荐引擎优化装置。
5.一种信息推荐方法,其特征在于,包括:
从金融企业***采集客户浏览信息和购买信息的历史数据,所述历史数据包括结构化数据和非结构化数据;
接收所述历史数据,将所述非结构化数据转换成结构化数据,将转换后的结构化数据和原结构化数据进行数据清洗处理;
根据预设时间内经过数据清洗处理的历史数据中的客户浏览信息和购买信息,计算客户与偏好商品的关系,根据客户与偏好商品的关系,得到初步推荐结果;
根据推荐精度优化调节因子,调整所述初步推荐结果,得到最终推荐结果,将所述最终推荐结果提供给客户端服务器;
接收所述历史数据,将所述非结构化数据转换成结构化数据,将转换后的结构化数据和原结构化数据进行数据清洗处理,包括:
接收所述历史数据和客户浏览推荐结果情况数据,将所述非结构化数据转换成结构化数据,通过去掉转换后的结构化数据和原结构化数据中的残缺数据、错误数据和重复数据,完成数据清洗处理;
从基础数据层单元中完成数据清洗处理的数据中,按客户维度进行汇总处理,根据汇总客户资产情况、负债情况,提取客户特征信息;
对基础数据层单元中完成数据清洗处理的数据,以及汇总数据层单元中的客户特征信息进行分析,得到针对基础推荐引擎装置、推荐引擎优化装置和推荐引擎评估装置所需的数据;
根据推荐精度优化调节因子,调整所述初步推荐结果,得到最终推荐结果,将所述最终推荐结果提供给客户端服务器,包括:
在初步推荐结果中筛选出浏览时间相近的商品,形成一次筛选结果清单;
提高所述一次筛选结果清单中非热销商品的推荐度,形成二次筛选结果清单;
将所述二次筛选结果清单进行加权汇总,形成三次筛选结果清单;
根据商品属性信息,将所述三次筛选结果清单中劣质商品剔除,形成四次筛选结果清单;
根据客户特征信息,将所述四次筛选结果清单中商品排序,形成五次筛选结果清单;
金融企业的自有产品及其预设推荐要求,对所述五次筛选结果清单中商品进行排序调整,形成最终推荐结果;
所述信息推荐方法还包括:
从客户端服务器中采集客户浏览推荐结果情况数据;所述客户浏览推荐结果情况数据包括结构化数据和非结构化数据;
接收所述客户浏览推荐结果情况数据,将所述非结构化数据转换成结构化数据,将转换后的结构化数据和原结构化数据进行数据清洗处理;
根据经过数据清洗处理的客户浏览推荐结果情况数据,计算预设时间内推荐结果的准确率、召回率和覆盖率,根据计算结果改变所述推荐精度优化调节因子,直到找到准确率、召回率和覆盖率最优时对应的推荐精度优化调节因子,将准确率、召回率和覆盖率最优时对应的推荐精度优化调节因子,作为最优推荐精度优化调节因子;
根据推荐精度优化调节因子,调整所述初步推荐结果,得到最终推荐结果,将所述最终推荐结果提供给客户端服务器,具体包括:
根据所述最优推荐精度优化调节因子,调整所述初步推荐结果,得到最终推荐结果,将所述最终推荐结果提供给客户端服务器。
6.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求5所述方法。
7.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有执行权利要求5所述方法的计算机程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710701904.0A CN107562818B (zh) | 2017-08-16 | 2017-08-16 | 信息推荐***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710701904.0A CN107562818B (zh) | 2017-08-16 | 2017-08-16 | 信息推荐***及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107562818A CN107562818A (zh) | 2018-01-09 |
CN107562818B true CN107562818B (zh) | 2020-01-24 |
Family
ID=60975611
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710701904.0A Active CN107562818B (zh) | 2017-08-16 | 2017-08-16 | 信息推荐***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107562818B (zh) |
Families Citing this family (33)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110347905B (zh) * | 2018-03-07 | 2023-05-16 | 阿里巴巴集团控股有限公司 | 确定信息关联度、信息推荐的方法、装置和存储介质 |
CN114418568A (zh) * | 2018-04-02 | 2022-04-29 | 创新先进技术有限公司 | 一种支付方式推荐方法、装置及设备 |
CN110399185B (zh) | 2018-04-24 | 2022-05-06 | 华为技术有限公司 | 一种调整智能推荐的方法、终端及服务器 |
CN108933811A (zh) * | 2018-05-17 | 2018-12-04 | 镇江国中亿家科技有限公司 | 一种基于用户偏好的消息推送方法和平台 |
CN108681961A (zh) * | 2018-05-24 | 2018-10-19 | 平安普惠企业管理有限公司 | 信贷产品推介方法、装置、设备及计算机可读存储介质 |
CN109033330A (zh) * | 2018-07-19 | 2018-12-18 | 北京车联天下信息技术有限公司 | 大数据清洗方法、装置和服务器 |
CN109241435A (zh) * | 2018-09-18 | 2019-01-18 | 海南新软软件有限公司 | 一种用于数字货币交易的数据推送方法、装置及*** |
CN109543092A (zh) * | 2018-09-27 | 2019-03-29 | 深圳壹账通智能科技有限公司 | 金融产品推荐方法、装置、存储介质及计算机设备 |
CN109614982A (zh) * | 2018-10-18 | 2019-04-12 | 平安科技(深圳)有限公司 | 产品分析方法、装置、计算机设备以及存储介质 |
CN111078990A (zh) * | 2018-10-18 | 2020-04-28 | 千寻位置网络有限公司 | 对资源链接进行编排推荐***及方法 |
CN109299375A (zh) * | 2018-10-24 | 2019-02-01 | 中国平安人寿保险股份有限公司 | 资讯个性化推送方法、装置、电子设备及存储介质 |
CN109559208B (zh) * | 2019-01-04 | 2022-05-03 | 平安科技(深圳)有限公司 | 一种信息推荐方法、服务器及计算机可读介质 |
CN111724183A (zh) * | 2019-03-20 | 2020-09-29 | ***股份有限公司 | 一种商户推荐方法以及商户推荐*** |
CN110110180A (zh) * | 2019-04-25 | 2019-08-09 | 河海大学 | 一种基于协同过滤算法的求职者招聘信息搜索方法 |
CN110956301B (zh) * | 2019-05-14 | 2023-04-07 | 宏图物流股份有限公司 | 一种基于镜像的库位推荐测试方法 |
CN112036971A (zh) * | 2019-06-04 | 2020-12-04 | 上海博泰悦臻网络技术服务有限公司 | 基于协同过滤的车机购物推送方法、服务端及客户端 |
CN110287410A (zh) * | 2019-06-05 | 2019-09-27 | 达疆网络科技(上海)有限公司 | 一种o2o电商场景下用户的多种推荐算法的融合方法 |
US11429682B2 (en) * | 2019-06-25 | 2022-08-30 | Sap Portals Israel Ltd. | Artificial crowd intelligence via networking recommendation engines |
CN110555601A (zh) * | 2019-08-15 | 2019-12-10 | 陈爱玲 | 一种金融产品交易管理*** |
CN111008871A (zh) * | 2019-12-10 | 2020-04-14 | 重庆锐云科技有限公司 | 一种房地产复购客户跟进数量计算方法、装置及存储介质 |
CN111488138B (zh) * | 2020-04-10 | 2023-08-04 | 杭州顺藤网络科技有限公司 | 一种基于贝叶斯算法和余弦算法的b2b推荐引擎 |
CN111522533B (zh) * | 2020-04-24 | 2023-10-24 | 中国标准化研究院 | 基于用户个性化需求推荐的产品模块化设计方法及装置 |
CN111737576B (zh) * | 2020-06-22 | 2023-09-19 | 中国银行股份有限公司 | 应用功能个性化推荐方法和装置 |
CN112084404B (zh) * | 2020-09-01 | 2024-03-01 | 北京百度网讯科技有限公司 | 内容推荐方法、装置、设备和介质 |
CN113763010A (zh) * | 2020-11-19 | 2021-12-07 | 北京沃东天骏信息技术有限公司 | 一种信息推送的方法和装置 |
CN112348594A (zh) * | 2020-11-25 | 2021-02-09 | 北京沃东天骏信息技术有限公司 | 物品需求的处理方法、装置、计算设备和介质 |
CN112785390B (zh) * | 2021-02-02 | 2024-02-09 | 微民保险代理有限公司 | 推荐处理方法、装置、终端设备以及存储介质 |
CN113127755A (zh) * | 2021-04-25 | 2021-07-16 | 上海埃阿智能科技有限公司 | 一种人工智能虚拟形象信息推荐算法***及方法 |
CN113205382B (zh) * | 2021-04-30 | 2024-02-20 | 北京有竹居网络技术有限公司 | 确定对象的方法、装置、设备、存储介质和程序产品 |
CN113538141A (zh) * | 2021-07-14 | 2021-10-22 | 中数通信息有限公司 | 一种基于客户信息的产品推荐方法 |
CN113469802A (zh) * | 2021-07-15 | 2021-10-01 | 中国银行股份有限公司 | 数据匹配方法及装置 |
CN115098782B (zh) * | 2022-07-15 | 2022-11-18 | 北京创世路信息技术有限公司 | 一种基于多方交互技术的信息推荐方法以及*** |
CN117217807B (zh) * | 2023-11-08 | 2024-01-26 | 四川智筹科技有限公司 | 一种基于多模态高维特征的不良资产估值方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104463630B (zh) * | 2014-12-11 | 2015-08-26 | 新一站保险代理有限公司 | 一种基于网购保险产品特性的产品推荐方法及*** |
CN106327227A (zh) * | 2015-06-19 | 2017-01-11 | 北京航天在线网络科技有限公司 | 一种信息推荐***及信息推荐方法 |
-
2017
- 2017-08-16 CN CN201710701904.0A patent/CN107562818B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN107562818A (zh) | 2018-01-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107562818B (zh) | 信息推荐***及方法 | |
CN103886487B (zh) | 基于分布式的b2b平台的个性化推荐方法与*** | |
Lu et al. | BizSeeker: a hybrid semantic recommendation system for personalized government‐to‐business e‐services | |
TWI591556B (zh) | Search engine results sorting method and system | |
CN107918818B (zh) | 基于大数据技术的供应链管理决策支持*** | |
US7904303B2 (en) | Engagement-oriented recommendation principle | |
US20090125382A1 (en) | Quantifying a Data Source's Reputation | |
US20120078747A1 (en) | Recommendation system capable of adapting to user feedback | |
Herrera-Viedma et al. | A fuzzy linguistic RFM model applied to campaign management | |
CN105469263A (zh) | 一种商品推荐方法及装置 | |
CN104679771A (zh) | 一种个性化数据搜索方法和装置 | |
CN105630836A (zh) | 搜索结果的排序方法和装置 | |
US20160171590A1 (en) | Push-based category recommendations | |
CN112200601A (zh) | 物品推荐方法、装置及可读存储介质 | |
CN106294410A (zh) | 一种个性化信息推送时间的确定方法及确定*** | |
CN112613953A (zh) | 一种商品选品方法、***及计算机可读存储介质 | |
CN116385048B (zh) | 一种农产品智慧营销方法和*** | |
CN108122153A (zh) | 电子商务环境下基于云计算处理模式的个性化推荐方法 | |
CN109446402B (zh) | 一种搜索方法及装置 | |
CN115760202A (zh) | 一种基于人工智能的产品运营管理***及方法 | |
Wei et al. | Online shopping behavior analysis for smart business using big data analytics and blockchain security | |
CN116401459A (zh) | 一种互联网信息处理方法、***及记录介质 | |
CN115880077A (zh) | 基于客户标签的推荐方法及其装置、电子设备及存储介质 | |
KR102442988B1 (ko) | Cnn 학습 방식을 이용한 사용자 경험 기반 취향관계망 생성 시스템 | |
CN115344767A (zh) | 基于网络数据的供应商评价方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |