CN108205768A - 数据库建立方法和数据推荐方法及装置、设备和存储介质 - Google Patents
数据库建立方法和数据推荐方法及装置、设备和存储介质 Download PDFInfo
- Publication number
- CN108205768A CN108205768A CN201611184581.4A CN201611184581A CN108205768A CN 108205768 A CN108205768 A CN 108205768A CN 201611184581 A CN201611184581 A CN 201611184581A CN 108205768 A CN108205768 A CN 108205768A
- Authority
- CN
- China
- Prior art keywords
- data
- vector
- product features
- commodity
- user
- 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.)
- Granted
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
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Game Theory and Decision Science (AREA)
- General Engineering & Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例公开了一种数据库建立方法和数据推荐方法及装置、设备和存储介质。该数据库建立方法包括:从数据源获取用户历史数据和商品历史数据;根据用户历史数据和商品历史数据,按照预设用户维度提取用户特征,以形成用户的用户特征向量,所述用户特征向量中包括至少一个商品特征;根据用户历史数据和商品历史数据,按照预设商品维度提取商品特征,以形成商品的初级商品特征向量,所述初级商品特征向量中包括至少一个用户特征;根据预设商品关联规则,将各所述初级商品特征向量进行合并,以形成次级商品特征向量;存储所述用户特征向量、初级商品特征向量和次级商品特征向量,作为数据库中的推荐数据集合。本发明能够提高对用户关注信息进行预测时的准确性。
Description
技术领域
本发明实施例涉及计算机的大数据处理技术,尤其涉及一种数据库建立方法和数据推荐方法及装置、设备和存储介质。
背景技术
在网络销售行为普及的情况下,对于用户购买商品的行为进行有效预测,是一种发展趋势。
现有技术中,一般是基于用户自身的历史行为数据,对其此后的行为数据进行预测。例如,某用户以往经常买衣服,那预测给该用户推荐衣物类的商品信息是符合其消费行为的。除对用户个人的历史数据进行统计从而预测的技术之外,现有技术一般还会采用相关性规则的方式来为用户进行信息推荐。一般是对海量用户数据进行集中统计,确定出具有某类属性的用户其行为模式。例如,基于大量用户的历史数据,确定出年龄段在20-30岁、男性用户,可能对电子类商品感兴趣,那么对于符合上述特征的用户,会预测出向其推送电子类商品是符合其消费行为的。
但是,在实现本发明的研究过程中,发明人发现上述技术存在的缺陷在于:若依赖于用户的个人历史数据,则推荐信息的范围非常有限,推荐信息的预测结果也往往不符合用户消费行为的发展趋势。基于海量用户数据的统计,由于用户之间的差异较大,规律性并不明显,所以如果统计的数据量不是足够多时,则对用户消费行为进行预测的准确性较低。
发明内容
本发明实施例提供一种数据库建立方法和数据推荐方法及装置、设备和存储介质,以提高对用户关注信息进行预测时的准确性。
第一方面,本发明实施例提供了一种数据库建立方法,包括:
从数据源获取用户历史数据和商品历史数据;
根据用户历史数据和商品历史数据,按照预设用户维度提取用户特征,以形成用户的用户特征向量,所述用户特征向量中包括至少一个商品特征;
根据用户历史数据和商品历史数据,按照预设商品维度提取商品特征,以形成商品的初级商品特征向量,所述初级商品特征向量中包括至少一个用户特征;
根据预设商品关联规则,将各所述初级商品特征向量进行合并,以形成次级商品特征向量;
存储所述用户特征向量、初级商品特征向量和次级商品特征向量,作为数据库中的推荐数据集合。
第二方面,本发明实施例提供了一种数据推荐方法,包括:
获取在线推荐需求;
从所述在线推荐需求中获取在线数据以及推荐规则;
采用所述推荐规则,基于在线数据、数据库中的用户特征向量和商品特征向量,产生推荐数据,其中,所述用户特征向量中包括至少一个商品特征,所述商品特征向量中包括至少一个用户特征。
第三方面,本发明实施例提供了一种数据库建立装置,包括:
历史数据获取模块,用于从数据源获取用户历史数据和商品历史数据;
商品特征获取模块,用于根据用户历史数据和商品历史数据,按照预设用户维度提取用户特征,以形成用户的用户特征向量,所述用户特征向量中包括至少一个商品特征;
用户特征获取模块,用于根据用户历史数据和商品历史数据,按照预设商品维度提取商品特征,以形成商品的初级商品特征向量,所述初级商品特征向量中包括至少一个用户特征;
商品特征处理模块,用于根据预设商品关联规则,将各所述初级商品特征向量进行合并,以形成次级商品特征向量;
推荐数据形成模块,用于存储所述用户特征向量、初级商品特征向量和次级商品特征向量,作为数据库中的推荐数据集合。
第四方面,本发明实施例提供了一种数据推荐装置,包括:
需求获取模块,用于获取在线推荐需求;
信息获取模块,用于从所述在线推荐需求中获取在线数据以及推荐规则;
信息处理模块,用于采用所述推荐规则,基于在线数据、数据库中的用户特征向量和商品特征向量,产生推荐数据,其中,所述用户特征向量中包括至少一个商品特征,所述商品特征向量中包括至少一个用户特征。
第五方面,本发明实施例提供了一种设备,所述设备包括:
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本发明任意实施例所提供的数据库建立方法。
第六方面,本发明实施例提供了一种设备,所述设备包括:
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本发明任意实施例所提供的数据库推荐方法。
第七方面,本发明实施例提供了一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行本发明任意实施例所提供的数据库建立方法。
第八方面,本发明实施例提供了一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行本发明任意实施例所提供的数据库推荐方法。
本发明实施例通过从数据源获取用户历史数据和商品历史数据,并提取用户和商品的特征向量;根据预设商品关联规则,将商品特征向量合并,存储用户特征向量、初级商品特征向量和次级商品特征向量,获得推荐数据库,通过对商品特征进行统计,并在推荐过程中除了考虑人的特征,还考虑商品的特征,使得推荐效果更为准确。
附图说明
图1是本发明实施例一提供的一种数据库建立方法的流程示意图;
图2是本发明实施例二提供的一种数据库建立方法的流程示意图;
图3是本发明实施例三提供的一种数据推荐方法的流程示意图;
图4是本发明实施例四提供的一种数据推荐方法的流程示意图;
图5是本发明实施例五提供的一种数据推荐方法的流程示意图;
图6是本发明实施例六提供的一种数据库建立装置的结构框图;
图7是本发明实施例七提供的一种数据推荐装置的结构框图;
图8是本发明实施例八提供的一种设备的结构框图。
具体实施方式
下面结合附图和实施例对本发明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本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1是本发明实施例一提供的一种数据库建立方法的流程图。该方法适用于电子商品交易的情况,该方法可以由数据库建立装置来执行。数据库建立装置可以由软件和/或硬件的方式来实现。如图1所示,该方法包括:
S110、从数据源获取用户历史数据和商品历史数据。
从数据源获取离线数据,筛选出需要的用户历史数据和商品历史数据,离线数据至少包括:用户行为数据、用户属性数据、订单数据和库存量单元数据(Stock KeepingUnit,SKU)。
进一步地,用户历史数据可以包括用户动态行为数据和用户静态属性数据;其中,用户动态行为数据例如包括商品浏览行为、导航定位行为、搜索引擎搜索行为、搜索结果点击行为和浏览网页行为中的至少一种;可以从用户使用各种客户端软件的操作日志中采集。用户静态属性数据可包括姓名、性别、住址、身高、体重和学历中的至少一种,例如可从用户的注册信息中获取。商品历史数据可包括商品订单数据和商品库存数据等。
S120、根据用户历史数据和商品历史数据,按照预设用户维度提取用户特征,以形成用户的用户特征向量,用户特征向量中包括至少一个商品特征。
在对用户历史数据和商品历史数据进行特征向量提取之前,都优选先进行去重、去噪等操作。
根据用户历史数据和商品历史数据,按照预设用户维度,从多个设定维度提取用户特征,维度可以是任何一个希望关注的用户属性,例如,身高、月消费额、购买手机的数量和价格等。维度可由人工设定,也可以通过模型训练的方式基于大数据统计来确定。将提取的用户特征形成每个用户的用户特征向量。在用户特征向量中包括至少一个商品特征,例如,通过用户浏览网页的行为,可确定某用户关注的商品,通过用户购买商品的行为,也可以确定该用户喜好的商品。这些用户感兴趣的商品的各维度特征,可作为商品特征,添加至用户特征向量中。商品特征可以是某特定商品的特征,也可以是描述商品的抽象特征,例如,电子设备的更换周期,或羽绒服的喜好颜色等。
S130、根据用户历史数据和商品历史数据,按照预设商品维度提取商品特征,以形成商品的初级商品特征向量,初级商品特征向量中包括至少一个用户特征。
根据用户历史数据和商品历史数据,按照预设用户维度,从多个设定维度提取商品特征,维度可以是任何一个希望关注的商品属性,例如,所属品牌、每个店铺的月销售量、尺码、颜色等。维度可以由人工设定,也可以通过大数据统计确定。将提取的商品特征形成每个商品的初级商品特征向量。初级商品特征向量中包括至少一个用户特征,可以是该商品的经常购买人群特征,所适合的用户属性。例如,某尺寸的衣服,其可包括所适合的身高特征,作为用户特征等。
S140、根据预设商品关联规则,将各初级商品特征向量进行合并,以形成次级商品特征向量。
商品关联规则就是根据商品之间的某些相同或相似之处建立的联系,可以根据商品的属性或根据用户的行为习惯进行自由设定,根据预设商品的关联规则对初级商品某些特征向量进行合并,获得次级商品的特征向量,例如,可以根据初级商品颜色、型号和材质等特征向量进行合并,合并条件可根据具体需要设定,合并后得到次级商品的特征向量。次级商品特征向量也可以继续基于关联规则进行合并,得到新的商品特征向量。
S150、存储用户特征向量、初级商品特征向量和次级商品特征向量,作为数据库中的推荐数据集合。
各特征向量的存储方式不限,可以是生成包括各种特征的数组,作为独立的特征向量,分别存储。也可以是建立各种特征之间组成特征向量的关系,分离存储特征的内容和特征之间的关系。
本发明实施例一提供的一种数据库建立方法,通过从数据源获取用户历史数据和商品历史数据,提取用户和商品的特征向量;并根据预设商品关联规则,将商品特征向量合并,并将用户特征向量、初级商品特征向量和次级商品特征向量进行存储,获得推荐数据库。通过对商品特征进行统计,并在推荐过程中既考虑到人的特征,由考虑到商品的特征,使得推荐数据更为准确。
实施例二
图2是本发明实施例二提供的一种数据库建立方法的流程示意图。本实施例是在上述实施例一的基础上对***进行了进一步地说明。如图2所示,该方法包括:
S210、从数据源获取用户历史数据和商品历史数据。
S220、根据用户历史数据和商品历史数据,按照预设用户维度提取用户特征,以形成用户的用户特征向量,用户特征向量中包括至少一个商品特征。
S230、根据用户历史数据和商品历史数据,按照预设商品维度提取商品特征,以形成商品的初级商品特征向量,初级商品特征向量中包括至少一个用户特征。
S240、根据预设商品关联规则中设定的至少一个核心特征,将各初级商品特征向量中核心特征的特征值相似度达到设定条件的各初级商品特征向量进行合并,以形成次级商品特征向量。
核心特征是被关注的重要特征,对各商品的初级商品特征向量,一般基于设定的核心特征的相似度进行合并。初级商品特征向量中一般包括核心特征和非核心特征,若一个或多个核心特征是相同或相似度达到一定条件的,则将这些初级商品特征向量进行合并。其中,可以根据各种不同的合并条件,合并出多组次级商品特征向量。例如,当产品颜色是核心特征时,可能合并一万组初级商品特征向量;当产品型号是核心特征时,可能仅合并十组初级商品特征向量。即合并条件可根据具体需要设定。
核心特征可以有人工设定,也可以应不同的推荐需求或大数据统计来筛选确定。典型的核心特征可包括:商品自身属性、商品销量数据、商品库存数据或商品销售关联度等。
S250、存储用户特征向量、初级商品特征向量和次级商品特征向量,作为数据库中的推荐数据集合。
S260、根据在线推荐需求和数据库中的用户特征向量、初级商品特征向量和次级商品特征向量产生推荐数据。
根据用户在线需求获取在线推荐需求,获取用户需要的商品特征以及用户的特征向量,并对初级和次级商品特征向量进行筛选,推荐符合用户需求的商品给用户。
S270、根据针对推荐数据的在线响应数据,更正用户特征向量、初级商品特征向量和次级商品特征向量中的特征值。
根据用户在线需求数据,对该用户的特征向量以及初级商品特征向量和次级特征向量中的特征值进行实时更新,保证数据的准确性。
进一步地,该方法还可以包括:接收管理员输入更新的商品关联规则,根据更新的商品关联规则更新数据库中用户特征向量、初级商品特征向量和次级商品特征向量的特征值。
上述操作相当于基于人工干预数据对数据库进行修正。人工干预数据的来源可以包括:广告数据、趋势数据、调权数据及随机因子等,此数据作为干预因子进入数据库,影响数据计算结果。部分商品特征值需要从离线历史数据中进行统计或预测而确定,人工干预数据可修正统计算法或预测算法,从而调整计算出来的特征值。例如,对于某类商品的销售额预测,可能会基于用户搜索浏览数据、实际购买数据和流行趋势数据等,人工干预数据可以调整这几类考虑因素之间的权重,从而使预测结果趋于准确。
对于数据库中特征向量特征值的调整,还可以基于机器学习算法来进行纠正。通过计算机的训练学习技术,分析用户反馈数据及其他反馈数据从而形成校正数据。
商品关联规则可以包括下述至少一种:以设定商品特征作为分类依据的同类商品合并规则;以具有关联行为的商品特征作为商品关联规则,其中,关联行为包括购买行为或使用行为等。
商品的关联规则分为静态关联规则和动态关联规则,其中,基于商品自身特定属性的关联规则属于静态关联规则,例如:手机的分辨率、CPU处理能力、内存等设定属性的相似度达到设定条件,就建立两种商品之间的关联,这就是基于静态关联规则的关联行为;动态关联规则是基于用户的购买行为的关联规则,例如:当某种商品被购买时,同时购买另一种商品的概率达到设定条件,则建立这两种商品之间的关联,这是基于动态关联规则的关联行为。关联关系的表现形式可以有多种,例如,粗粒度:手机与数据线之间具有普遍关联;细粒度:华为P9手机与小米某型号的手机具有关联;关联关系还可能具体包括关联概率,例如,手机与数据线同时购买的概率为70%。
本发明实施例提供的一种数据库建立方法,根据用户在线需求获取在线推荐需求产生推荐数据,并能够根据各方面来源的反馈数据或干预数据,不断更正推荐数据库,保证推荐数据库的数据的准确性和实时性。
实施例三
图3是本发明实施例三提供的一种数据推荐方法的流程示意图。本实施例是在上述实施例推荐数据库的基础上,推出的数据推荐方法,该方法适用于商品交易中数据推荐的情况,该方法可以由数据推荐装置来执行。数据推荐装置可以由软件和/或硬件的方式来实现。如图3所示,该数据推荐方法包括:
S310、获取在线推荐需求。
在线推荐需求即实时产生的需要基于该推荐数据库产生推荐数据的需求,例如,用户正在选择某商品或生成订单时,物流服务商需要提供库存预测量时和需要向打开客户端软件的用户主动推荐商品信息时,均产生了实时的在线推荐需求。
S320、从在线推荐需求中获取在线数据以及推荐规则。
进一步地,从在线推荐需求中获取在线数据,其中,在线数据包括至少一个用户特征和/或至少一个商品特征;根据在线推荐需求查找对应的推荐规则。其中,在线数据可以包括:用户信息和关注商品的信息等。推荐规则是按照该在线推荐需求自身的情况确定的推荐数据计算方式以及推送方式等。
S330、采用推荐规则,基于在线数据、数据库中的用户特征向量和商品特征向量,产生推荐数据,其中,用户特征向量中包括至少一个商品特征,商品特征向量中包括至少一个用户特征。
根据用户特征向量、商品特征向量和商品的关联规则,在数据推荐库和在线数据库中,搜索相关的商品,产生推荐数据,推荐给需求主体,需求主体主要包括:用户、物流服务商和供应商。
本发明实施例提供了一种数据推荐方法,根据客户的在线推荐需求,获取在线数据和推荐规则;根据推荐规则,在推荐数据库和在线数据库中进行筛选查找用户特征向量和商品特征向量,产生推荐数据。该数据推荐方法既能够为用户提供需要的数据,降低用户的筛选难度,还能够避免用户出现筛选错误,提高操作的准确度。
实施例四
图4是本发明实施例四提供的一种数据推荐方法的流程示意图。本实施例是在上述实施例的基础上进行了优化,并以订单推荐方案为例进行了具体的说明,如图4所示,该方法包括:
S410、获取在线推荐需求。
在线推荐需求可以为在线订单生成需求,例如在购物客户端软件中,当用户点击商品想要生成一个购买订单时,往往需要填充订单选项,例如,衣服尺码、颜色、配送地址和购买数量等。在用户点选商品而未完成订单提交之前,即产生了在线订单生成需求。
S420、从在线推荐需求中获取在线数据以及推荐规则。
在线数据中的至少一个用户特征可以为在线获取的准备生成订单用户的用户特征;在线数据中的至少一个商品特征为在线获取的待生成订单商品的商品特征。
S430、采用推荐规则,根据至少一个用户特征在数据库中查找匹配的至少一个用户特征向量。
具体可以是查找包括该用户特征的用户特征向量,可以是查找出某个特定用户的特征向量,也可以是查找出某类用户的多个特征向量。
S440、根据至少一个商品特征在数据库中查找匹配的至少一个商品特征向量。
具体可以是查找包括该商品特征的商品特征向量,可以是查找出特定商品,也可以是查找出某类商品的多个特征向量。
S450、根据查找到的用户特征向量对查找到的商品特征向量进行筛选。
上述操作相当于进行用户特征和商品特征的匹配,具体的,根据查找到的用户特征向量对查找到的商品特征向量进行筛选可包括:按照在线订单的订单类型,从查找到的用户特征向量中提取待匹配用户特征,从查找到的商品特征向量中提取待匹配商品特征;将待匹配用户特征与待匹配商品特征进行相似度匹配;筛选获得相似度结果达到设定条件的商品特征向量。
待匹配用户特征和待匹配商品特征,可由订单类型确定,例如,衣服类的订单,待匹配用户特征可以是身高、体重,待匹配商品特征可以是尺码。订单在形成的过程中,需要依据国标及国际标准对数据进行标准化处理,例如:国标XXL号对应身高为170CM-175CM,体重60KG-70KG,如某款商品型号的XXXL号相当于国标XXL号,此时需要对该商品型号做标准化处理;当某些型号不满足某个国标或国际标准型号时,对该型号历史购买数据进行计算,最终根据概率理论,标准化为标准型号。或者,根据各国国标、国际标准及其他相关数据,对各种标准化数据进行同类相关处理,并统一映射为该国标准数据。例如,鞋码的欧码37码,中国23码,美国5码,英国4.5码等数据最终都为脚长230mm,商品数据会根据数据映射***在不同国家映射为不同尺码。
在线订单的订单类型如果为电子设备,则待匹配用户特征包括年龄或电子设备喜好倾向等,待匹配商品特征可包括性能属性或兴趣标签。
S460、从筛选后的商品特征向量中提取推荐数据。
从筛选后的商品特征向量中提取推荐数据可包括:从筛选后的商品特征向量中提取推荐数据,并填充至在线订单的待选项中,作为推荐订单显示给用户。
在用户购买商品时,根据在线推荐需求确定用户的特征,用户的特征可以是用户的身高、体重、腰围、月消费额和购买商品的种类,根据用户的特征在推荐数据库或在线数据库中查找与用户特征相关的特征向量;根据用户购买商品时输入的商品特征,在推荐数据库或在线数据库中查找与用户选择的商品特征相关的特征向量;根据用户特征向量筛选用户选择商品的特征向量,产生推荐数据并推荐给用户,供用户选择。同时,当用户选中了某款商品后,不需要花费了大量时间选择该商品的各种定义性属性,推荐数据库按照在线订单的订单类型,将待匹配用户特征与待匹配商品特征进行相似度匹配;筛选获得相似度结果达到设定条件的商品特征向量,从筛选后的商品特征向量中提取推荐数据,并填充至在线订单的待选项中,作为推荐订单显示给用户。根据用户选择的商品不同,选取用户不同的特征对商品进行筛选。
本发明实施例提供了一种数据推荐方法,可以用于订单推荐过程,根据在线推荐需求获取在线数据中的用户特征、商品特征以及推荐规则,根据推荐规则,获取用户特征向量和商品特征向量,根据查找到的用户特征向量对查找到的商品特征向量进行筛选,从筛选后的商品特征向量中提取推荐数据,并填充至在线订单的待选项中,作为推荐订单显示给用户。该数据推荐方法简化用户下单流程,减少用户输入操作,从而提高下单效率及成单率;避免用户下单不注意时,容易写错或选错数据,减少退单率;也能避免用户下单时无参考数据,选择困难。
实施例五
图5是本发明实施例五提供的一种数据推荐方法的流程示意图。本实施例是在上述实施例的基础上进行了优化,并以应库存量预测为例进行了具体的说明,如图5所示,该方法包括:
S510、获取在线推荐需求。
在线推荐需求为库存量预测需求;在线数据中的至少一个商品特征为待预测的商品属性,目标推荐特征为单位时间销量。
S520、从在线推荐需求中获取在线数据以及推荐规则。
S530、采用推荐规则,根据至少一个商品特征在数据库中查找匹配的至少一个商品特征向量。
S540、根据查找到的商品特征向量在数据库中查找至少一个用户特征向量。
S550、将在线数据中的目标推荐特征作为统计维度,基于查找到的用户特征向量的商品关注度特征进行预测计算,作为推荐数据。
下面以库存量预测为例进行简单的说明,众所周知,随着网购的快速发展,也带来了新的问题,就是库存仓储管理效率较低,这可能导致货物供不应求或者滞销积压的现象,为了更好的解决这一问题,本实施例提出了一种数据推荐方法。通过在线推荐需求,获取在线数据以及推荐规则,根据推荐规则,查找商品特征向量和用户特征向量,将在线数据中的单位时间销量作为统计维度,基于查找到的用户特征向量的商品关注度特征进行预测计算,作为推荐数据;也可以根据用户的行为数据进行分析,如用户浏览页面数据、用户搜索数据、用户加入购物车商品数据和用户选择商品属性数据,将用户行为分析结果数据与推荐数据进行智能决策计算,根据行为相关模型和行为心理学模型,计算出商品各种不同属性的购买概率,最终得出某用户某商品的推荐数据,提供给供货商。
本发明实施例提供一种数据推荐方法,可以应用于库存量预测过程中,根据在线推荐需求,获取在线数据以及推荐规则,并查找相关商品特征向量和用户特征向量,将目标推荐特征作为统计维度,基于查找到的用户特征向量的商品关注度特征进行预测计算,作为推荐数据,并推荐给商品供应商。从而,提高库存仓储管理效率,减少库存商品数量,从而降低成本与资金占用;提高物流效率,尤其是跨库房间的物流管理及运输效率;也提高对未来商品情况预测的准确率。
实施例六
图6是本发明实施例六提供的一种数据库建立装置的结构示意图。如图6所示,该装置包括:
历史数据获取模块610,用于从数据源获取用户历史数据和商品历史数据;商品特征获取模块620,用于根据用户历史数据和商品历史数据,按照预设用户维度提取用户特征,以形成用户的用户特征向量,用户特征向量中包括至少一个商品特征;用户特征获取模块630,用于根据用户历史数据和商品历史数据,按照预设商品维度提取商品特征,以形成商品的初级商品特征向量,初级商品特征向量中包括至少一个用户特征;商品特征处理模块640,用于根据预设商品关联规则,将各初级商品特征向量进行合并,以形成次级商品特征向量;推荐数据形成模块650,用于存储用户特征向量、初级商品特征向量和次级商品特征向量,作为数据库中的推荐数据集合。
进一步地,用户历史数据包括用户动态行为数据和用户静态属性数据;其中,用户动态行为数据包括商品浏览行为、导航定位行为、搜索引擎搜索行为、搜索结果点击行为和浏览网页行为中的至少一种;用户静态属性数据包括姓名、性别、住址、身高、体重和学历中的至少一种;商品历史数据包括商品订单数据和商品库存数据。
进一步地,商品特征处理模块640具体用于:根据预设商品关联规则中设定的至少一个核心特征,将各初级商品特征向量中核心特征的特征值相似度达到设定条件的各初级商品特征向量进行合并,以形成次级商品特征向量。
进一步地,核心特征包括:商品自身属性、商品销量数据、商品库存数据或商品销售关联度。
进一步地,该装置还包括:推荐数据获取模块,用于根据在线推荐需求和数据库中的用户特征向量、初级商品特征向量和次级商品特征向量产生推荐数据;推荐数据更新模块,用于根据针对推荐数据的在线响应数据,更正用户特征向量、初级商品特征向量和次级商品特征向量中的特征值。
进一步地,该装置还包括:关联规则更新模块,用于接收管理员输入更新的商品关联规则,根据更新的商品关联规则更新数据库中用户特征向量、初级商品特征向量和次级商品特征向量的特征值。
进一步地,商品关联规则包括下述至少一种:以设定商品特征作为分类依据的同类商品合并规则;以具有关联行为的商品特征作为商品关联规则,其中,关联行为包括购买行为或使用行为。
本实施例提供了一种数据库建立装置,通过历史数据获取模块610获取用户和商品的历史数据,并发送给商品特征获取模块620和用户特征获取模块630,商品特征获取模块620用于提取商品特征和用户特征获取模块630用于提取用户特征,分别将提取的商品特征和用户特征发送给商品特征处理模块640,商品特征处理模块640根据预设商品关联规则,将各初级商品特征向量进行合并,以形成次级商品特征向量;推荐数据形成模块650,将上述用户特征向量、初级商品特征向量和次级商品特征向量进行存储,作为数据库中的推荐数据集合。通过对商品特征进行统计,并在推荐过程中既考虑到人的特征,由考虑到商品的特征,使得推荐数据更为准确。
本实施例提供的一种数据库建立装置,与本发明任意实施例所提供的一种数据库建立方法属于同一发明构思,可执行本发明任意实施例所提供的一种数据库建立方法,具备相应的功能和有益效果。未在本实施例中详尽描述的技术细节,可参见本发明任意实施例提供的一种数据库建立方法。
实施例七
图7是本发明实施例七提供的一种数据推荐装置的结构示意图。如图7所示,该装置包括:
需求获取模块710,用于获取在线推荐需求;信息获取模块720,用于从在线推荐需求中获取在线数据以及推荐规则;信息处理模块730,用于采用推荐规则,基于在线数据、数据库中的用户特征向量和商品特征向量,产生推荐数据,其中,用户特征向量中包括至少一个商品特征,商品特征向量中包括至少一个用户特征。
进一步地,信息处理模块730,包括:在线数据获取模块,用于从在线推荐需求中获取在线数据,其中,在线数据包括至少一个用户特征和/或至少一个商品特征;推荐规则获取模块,用于根据在线推荐需求查找对应的推荐规则。
进一步地,信息处理模块730,包括:用户特征向量获取模块,用于采用推荐规则,根据至少一个用户特征在数据库中查找匹配的至少一个用户特征向量;商品特征向量获取模块,用于根据至少一个商品特征在数据库中查找匹配的至少一个商品特征向量;筛选模块,用于根据查找到的用户特征向量对查找到的商品特征向量进行筛选;数据推荐模块,用于从筛选后的商品特征向量中提取推荐数据。
进一步地,在线推荐需求为在线订单生成需求;在线数据中的至少一个用户特征为在线获取的准备生成订单用户的用户特征;在线数据中的至少一个商品特征为在线获取的待生成订单商品的商品特征;相应的,筛选模块具体用于:按照在线订单的订单类型,从查找到的用户特征向量中提取待匹配用户特征,从查找到的商品特征向量中提取待匹配商品特征;将待匹配用户特征与待匹配商品特征进行相似度匹配;筛选获得相似度结果达到设定条件的商品特征向量。
进一步地,在线订单的订单类型为衣物,则待匹配用户特征包括身高或体重,待匹配商品特征包括尺码;或在线订单的订单类型为电子设备,则待匹配用户特征包括年龄或电子设备喜好倾向,待匹配商品特征包括性能属性或兴趣标签。
进一步地,数据推荐模块还用于:从筛选后的商品特征向量中提取推荐数据,并填充至在线订单的待选项中,作为推荐订单显示给用户。
进一步地,信息处理模块730,包括:商品特征向量获取模块,采用推荐规则,根据至少一个商品特征在数据库中查找匹配的至少一个商品特征向量;用户特征向量获取模块,根据查找到的商品特征向量在数据库中查找至少一个用户特征向量;数据推荐模块,用于将在线数据中的目标推荐特征作为统计维度,基于查找到的用户特征向量的商品关注度特征进行预测计算,作为推荐数据。
进一步地,在线推荐需求为库存量预测需求;在线数据中的至少一个商品特征为待预测的商品属性,目标推荐特征为单位时间销量。
本发明实施例提供的一种数据推荐装置,通过需求获取模块710获取在线推荐需求,并将推荐需求发送给信息获取模块720,信息获取模块720根据推荐需求获取在线数据以及推荐规则,信息处理模块730,采用推荐规则,基于在线数据、数据库中的用户特征向量和商品特征向量,产生推荐数据。该数据推荐装置既能够为用户提供需要的数据,降低用户的筛选难度,还能够避免用户出现筛选错误,提高操作的准确度。
本实施例提供的一种数据推荐装置,与本发明任意实施例所提供的一种数据推荐方法属于同一发明构思,可执行本发明任意实施例所提供的一种数据推荐方法,具备相应的功能和有益效果。未在本实施例中详尽描述的技术细节,可参见本发明任意实施例提供的一种数据推荐方法。
本发明实施例还提供了一种设备,所述设备包括: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本发明任意实施例所提供的数据库建立方法。
本发明实施例又提供了另一种设备,所述设备包括: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本发明任意实施例所提供的数据库推荐方法。
上述设备的结构通过下述实施例八进行说明。
实施例八
图8为本发明实施例八提供的一种设备的结构示意图。图8示出了适于用来实现本发明实施方式的示例性设备8100的框图。图8显示的设备8100仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图8所示,设备8100以通用计算设备的形式表现。设备8100的组件可以包括但不限于:一个或者多个处理器或者处理单元8110,***存储器8120,连接不同***组件(包括***存储器8120和处理单元8110)的总线8130。
总线8130表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,***总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线,微通道体系结构(MAC)总线,增强型ISA总线、视频电子标准协会(VESA)局域总线以及***组件互连(PCI)总线。
设备8100典型地包括多种计算机***可读介质。这些介质可以是任何能够被设备8100访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
***存储器8120可以包括易失性存储器形式的计算机***可读介质,例如随机存取存储器(RAM)8121和/或高速缓存存储器8122。设备8100可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机***存储介质。仅作为举例,存储***8123可以用于读写不可移动的、非易失性磁介质(图8未显示,通常称为“硬盘驱动器”)。尽管图8中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线8130相连。存储器8120可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块8124的程序/实用工具8125,可以存储在例如存储器8120中,这样的程序模块8124包括但不限于操作***、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块8124通常执行本发明所描述的实施例中的功能和/或方法。
设备8100也可以与一个或多个外部设备8300(例如键盘、指向设备、显示器8200等)通信,还可与一个或者多个使得用户能与该设备8100交互的设备通信,和/或与使得该设备8100能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口8140进行。并且,设备8100还可以通过网络适配器8150与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器8150通过总线8130与设备8100的其它模块通信。应当明白,尽管图中未示出,可以结合设备8100使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID***、磁带驱动器以及数据备份存储***等。
处理单元8110通过运行存储在***存储器8120中的程序,从而执行各种功能应用以及数据处理,例如实现本发明实施例所提供的数据库建立方法或数据推荐方法。
本发明实施例提供了一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行本发明任意实施例所提供的数据库建立方法。
本发明实施例又提供了另一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行本发明任意实施例所提供的数据库推荐方法。
本发明实施例的计算机存储介质,可以采用一个或多个计算机可读的介质的任意组合。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。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(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(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。在本文件中,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。
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。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如”C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (26)
1.一种数据库建立方法,其特征在于,包括:
从数据源获取用户历史数据和商品历史数据;
根据用户历史数据和商品历史数据,按照预设用户维度提取用户特征,以形成用户的用户特征向量,所述用户特征向量中包括至少一个商品特征;
根据用户历史数据和商品历史数据,按照预设商品维度提取商品特征,以形成商品的初级商品特征向量,所述初级商品特征向量中包括至少一个用户特征;
根据预设商品关联规则,将各所述初级商品特征向量进行合并,以形成次级商品特征向量;
存储所述用户特征向量、初级商品特征向量和次级商品特征向量,作为数据库中的推荐数据集合。
2.根据权利要求1所述的方法,其特征在于:
所述用户历史数据包括用户动态行为数据和用户静态属性数据;
其中,所述用户动态行为数据包括商品浏览行为、导航定位行为、搜索引擎搜索行为、搜索结果点击行为和浏览网页行为中的至少一种;所述用户静态属性数据包括姓名、性别、住址、身高、体重和学历中的至少一种;
所述商品历史数据包括商品订单数据和商品库存数据。
3.根据权利要求1所述的方法,其特征在于,根据预设商品关联规则,将各所述初级商品特征向量进行合并,以形成次级商品特征向量包括:
根据预设商品关联规则中设定的至少一个核心特征,将各初级商品特征向量中核心特征的特征值相似度达到设定条件的各初级商品特征向量进行合并,以形成次级商品特征向量。
4.根据权利要求3所述的方法,其特征在于,所述核心特征包括:商品自身属性、商品销量数据、商品库存数据或商品销售关联度。
5.根据权利要求1所述的方法,其特征在于,还包括:
根据在线推荐需求和所述数据库中的所述用户特征向量、初级商品特征向量和次级商品特征向量产生推荐数据;
根据针对所述推荐数据的在线响应数据,更正所述用户特征向量、初级商品特征向量和次级商品特征向量中的特征值。
6.根据权利要求1所述的方法,其特征在于,还包括:
接收管理员输入更新的商品关联规则,根据更新的商品关联规则更新所述数据库中所述用户特征向量、初级商品特征向量和次级商品特征向量的特征值。
7.根据权利要求1-6任一所述的方法,其特征在于,所述商品关联规则包括下述至少一种:
以设定商品特征作为分类依据的同类商品合并规则;
以具有关联行为的商品特征作为商品关联规则,其中,所述关联行为包括购买行为或使用行为。
8.一种数据推荐方法,其特征在于,包括:
获取在线推荐需求;
从所述在线推荐需求中获取在线数据以及推荐规则;
采用所述推荐规则,基于在线数据、数据库中的用户特征向量和商品特征向量,产生推荐数据,其中,所述用户特征向量中包括至少一个商品特征,所述商品特征向量中包括至少一个用户特征。
9.根据权利要求8所述的方法,其特征在于,从所述在线推荐需求中获取在线数据以及推荐规则包括:
从所述在线推荐需求中获取在线数据,其中,所述在线数据包括至少一个用户特征和/或至少一个商品特征;
根据所述在线推荐需求查找对应的推荐规则。
10.根据权利要求9所述的方法,其特征在于,采用所述推荐规则,基于在线数据、数据库中的用户特征向量和商品特征向量,产生推荐数据包括:
采用所述推荐规则,根据至少一个用户特征在数据库中查找匹配的至少一个用户特征向量;
根据所述至少一个商品特征在数据库中查找匹配的至少一个商品特征向量;
根据查找到的所述用户特征向量对查找到的商品特征向量进行筛选;
从筛选后的商品特征向量中提取推荐数据。
11.根据权利要求10所述的方法,其特征在于:
所述在线推荐需求为在线订单生成需求;
在线数据中的至少一个用户特征为在线获取的准备生成订单用户的用户特征;
在线数据中的至少一个商品特征为在线获取的待生成订单商品的商品特征;
相应的,根据查找到的所述用户特征向量对查找到的商品特征向量进行筛选包括:
按照在线订单的订单类型,从查找到的所述用户特征向量中提取待匹配用户特征,从查找到的商品特征向量中提取待匹配商品特征;
将所述待匹配用户特征与待匹配商品特征进行相似度匹配;
筛选获得相似度结果达到设定条件的商品特征向量。
12.根据权利要求11所述的方法,其特征在于:
所述在线订单的订单类型为衣物,则所述待匹配用户特征包括身高或体重,所述待匹配商品特征包括尺码;或
所述在线订单的订单类型为电子设备,则所述待匹配用户特征包括年龄或电子设备喜好倾向,所述待匹配商品特征包括性能属性或兴趣标签。
13.根据权利要求11所述的方法,其特征在于,从筛选后的商品特征向量中提取推荐数据包括:
从筛选后的商品特征向量中提取推荐数据,并填充至在线订单的待选项中,作为推荐订单显示给用户。
14.根据权利要求9所述的方法,其特征在于,采用所述推荐规则,基于在线数据、数据库中的用户特征向量和商品特征向量,产生推荐数据包括:
采用所述推荐规则,根据至少一个商品特征在数据库中查找匹配的至少一个商品特征向量;
根据查找到的商品特征向量在数据库中查找至少一个用户特征向量;
将所述在线数据中的目标推荐特征作为统计维度,基于查找到的用户特征向量的商品关注度特征进行预测计算,作为推荐数据。
15.根据权利要求14所述的方法,其特征在于:
所述在线推荐需求为库存量预测需求;
在线数据中的至少一个商品特征为待预测的商品属性,目标推荐特征为单位时间销量。
16.一种数据库建立装置,其特征在于,包括:
历史数据获取模块,用于从数据源获取用户历史数据和商品历史数据;
商品特征获取模块,用于根据用户历史数据和商品历史数据,按照预设用户维度提取用户特征,以形成用户的用户特征向量,所述用户特征向量中包括至少一个商品特征;
用户特征获取模块,用于根据用户历史数据和商品历史数据,按照预设商品维度提取商品特征,以形成商品的初级商品特征向量,所述初级商品特征向量中包括至少一个用户特征;
商品特征处理模块,用于根据预设商品关联规则,将各所述初级商品特征向量进行合并,以形成次级商品特征向量;
推荐数据形成模块,用于存储所述用户特征向量、初级商品特征向量和次级商品特征向量,作为数据库中的推荐数据集合。
17.根据权利要求16所述的装置,其特征在于,所述商品特征处理模块具体用于:
根据预设商品关联规则中设定的至少一个核心特征,将各初级商品特征向量中核心特征的特征值相似度达到设定条件的各初级商品特征向量进行合并,以形成次级商品特征向量。
18.根据权利要求16所述的装置,其特征在于,还包括:
推荐数据获取模块,用于根据在线推荐需求和所述数据库中的所述用户特征向量、初级商品特征向量和次级商品特征向量产生推荐数据;
推荐数据更新模块,用于根据针对所述推荐数据的在线响应数据,更正所述用户特征向量、初级商品特征向量和次级商品特征向量中的特征值。
19.一种数据推荐装置,其特征在于,包括:
需求获取模块,用于获取在线推荐需求;
信息获取模块,用于从所述在线推荐需求中获取在线数据以及推荐规则;
信息处理模块,用于采用所述推荐规则,基于在线数据、数据库中的用户特征向量和商品特征向量,产生推荐数据,其中,所述用户特征向量中包括至少一个商品特征,所述商品特征向量中包括至少一个用户特征。
20.根据权利要求19所述的装置,其特征在于,所述信息处理模块,包括:
在线数据获取模块,用于从所述在线推荐需求中获取在线数据,其中,所述在线数据包括至少一个用户特征和/或至少一个商品特征;
推荐规则获取模块,用于根据所述在线推荐需求查找对应的推荐规则。
21.根据权利要求20所述的装置,其特征在于,所述信息处理模块,包括:
用户特征向量获取模块,用于采用所述推荐规则,根据至少一个用户特征在数据库中查找匹配的至少一个用户特征向量;
商品特征向量获取模块,用于根据所述至少一个商品特征在数据库中查找匹配的至少一个商品特征向量;
筛选模块,用于根据查找到的所述用户特征向量对查找到的商品特征向量进行筛选;
数据推荐模块,用于从筛选后的商品特征向量中提取推荐数据。
22.根据权利要求20所述的装置,其特征在于,所述信息处理模块,包括:
商品特征向量获取模块,采用所述推荐规则,根据至少一个商品特征在数据库中查找匹配的至少一个商品特征向量;
用户特征向量获取模块,根据查找到的商品特征向量在数据库中查找至少一个用户特征向量;
数据推荐模块,用于将所述在线数据中的目标推荐特征作为统计维度,基于查找到的用户特征向量的商品关注度特征进行预测计算,作为推荐数据。
23.一种设备,其特征在于,所述设备包括:
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中任一所述的数据库建立方法。
24.一种设备,其特征在于,所述设备包括:
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8-15中任一所述的数据库推荐方法。
25.一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-7中任一所述的数据库建立方法。
26.一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求8-15中任一所述的数据库推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611184581.4A CN108205768B (zh) | 2016-12-20 | 2016-12-20 | 数据库建立方法和数据推荐方法及装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611184581.4A CN108205768B (zh) | 2016-12-20 | 2016-12-20 | 数据库建立方法和数据推荐方法及装置、设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108205768A true CN108205768A (zh) | 2018-06-26 |
CN108205768B CN108205768B (zh) | 2022-07-05 |
Family
ID=62603416
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611184581.4A Active CN108205768B (zh) | 2016-12-20 | 2016-12-20 | 数据库建立方法和数据推荐方法及装置、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108205768B (zh) |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109919669A (zh) * | 2019-02-25 | 2019-06-21 | 宇宙世代信息技术(深圳)有限公司 | 维度管理方法、装置、计算机设备及存储介质 |
CN110427315A (zh) * | 2019-06-18 | 2019-11-08 | 深圳壹账通智能科技有限公司 | 推优的测试装置、方法及存储介质 |
CN110889748A (zh) * | 2019-12-02 | 2020-03-17 | 广州伊的家网络科技有限公司 | 店商平台产品推荐方法、装置、计算机设备以及存储介质 |
CN111090708A (zh) * | 2019-10-11 | 2020-05-01 | 支付宝(杭州)信息技术有限公司 | 基于数据仓库的用户特征产出方法和*** |
CN111415216A (zh) * | 2020-02-11 | 2020-07-14 | 广州探途网络技术有限公司 | 一种商品推荐方法、装置、服务器及存储介质 |
CN111429161A (zh) * | 2020-04-10 | 2020-07-17 | 杭州网易再顾科技有限公司 | 特征提取方法、特征提取装置、存储介质及电子设备 |
CN111754300A (zh) * | 2020-06-22 | 2020-10-09 | 深圳市分期乐网络科技有限公司 | 一种商品推荐方法、装置、设备和存储介质 |
CN111797319A (zh) * | 2020-07-01 | 2020-10-20 | 喜大(上海)网络科技有限公司 | 推荐方法、装置、设备及存储介质 |
CN112036990A (zh) * | 2020-11-04 | 2020-12-04 | 北京每日优鲜电子商务有限公司 | 物品信息推送方法、装置、电子设备和计算机可读介质 |
CN112348430A (zh) * | 2020-10-19 | 2021-02-09 | 北京中恒云科技有限公司 | 一种用户数据分析方法、计算机设备及存储介质 |
CN112749322A (zh) * | 2019-10-31 | 2021-05-04 | 阿里巴巴集团控股有限公司 | 商品对象信息推荐方法、装置及电子设备 |
CN112749851A (zh) * | 2021-01-20 | 2021-05-04 | 陈网芹 | 基于人工智能的大数据需求预测方法及大数据云服务中心 |
CN113779390A (zh) * | 2021-08-31 | 2021-12-10 | 北京达佳互联信息技术有限公司 | 商品信息的处理方法、装置、电子设备及存储介质 |
CN114707075A (zh) * | 2022-06-06 | 2022-07-05 | 荣耀终端有限公司 | 一种冷启动推荐方法和设备 |
CN115496525A (zh) * | 2022-09-06 | 2022-12-20 | 哈尔滨见微知著科技有限公司 | 一种基于大数据的信息处理***及方法 |
CN116562961A (zh) * | 2023-04-19 | 2023-08-08 | 上海聚灵兽科技有限公司 | 一种电商应用商品推荐方法及装置 |
CN116823408A (zh) * | 2023-08-29 | 2023-09-29 | 小舟科技有限公司 | 基于虚拟现实的商品推荐方法、装置、终端及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130282734A1 (en) * | 2007-12-12 | 2013-10-24 | Vast.com, Inc. | Predictive conversion systems and methods |
CN105184618A (zh) * | 2015-10-20 | 2015-12-23 | 广州唯品会信息科技有限公司 | 新用户的商品个性化推荐方法及*** |
CN105321089A (zh) * | 2014-07-16 | 2016-02-10 | 苏宁云商集团股份有限公司 | 基于多算法融合的电子商务推荐方法和*** |
CN106127546A (zh) * | 2016-06-20 | 2016-11-16 | 重庆房慧科技有限公司 | 一种基于智慧社区大数据的商品推荐方法 |
-
2016
- 2016-12-20 CN CN201611184581.4A patent/CN108205768B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130282734A1 (en) * | 2007-12-12 | 2013-10-24 | Vast.com, Inc. | Predictive conversion systems and methods |
CN105321089A (zh) * | 2014-07-16 | 2016-02-10 | 苏宁云商集团股份有限公司 | 基于多算法融合的电子商务推荐方法和*** |
CN105184618A (zh) * | 2015-10-20 | 2015-12-23 | 广州唯品会信息科技有限公司 | 新用户的商品个性化推荐方法及*** |
CN106127546A (zh) * | 2016-06-20 | 2016-11-16 | 重庆房慧科技有限公司 | 一种基于智慧社区大数据的商品推荐方法 |
Cited By (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109919669A (zh) * | 2019-02-25 | 2019-06-21 | 宇宙世代信息技术(深圳)有限公司 | 维度管理方法、装置、计算机设备及存储介质 |
CN110427315A (zh) * | 2019-06-18 | 2019-11-08 | 深圳壹账通智能科技有限公司 | 推优的测试装置、方法及存储介质 |
CN111090708A (zh) * | 2019-10-11 | 2020-05-01 | 支付宝(杭州)信息技术有限公司 | 基于数据仓库的用户特征产出方法和*** |
CN111090708B (zh) * | 2019-10-11 | 2023-07-14 | 支付宝(中国)网络技术有限公司 | 基于数据仓库的用户特征产出方法和*** |
CN112749322A (zh) * | 2019-10-31 | 2021-05-04 | 阿里巴巴集团控股有限公司 | 商品对象信息推荐方法、装置及电子设备 |
CN110889748A (zh) * | 2019-12-02 | 2020-03-17 | 广州伊的家网络科技有限公司 | 店商平台产品推荐方法、装置、计算机设备以及存储介质 |
CN110889748B (zh) * | 2019-12-02 | 2023-08-15 | 广州伊的家网络科技有限公司 | 店商平台产品推荐方法、装置、计算机设备以及存储介质 |
CN111415216A (zh) * | 2020-02-11 | 2020-07-14 | 广州探途网络技术有限公司 | 一种商品推荐方法、装置、服务器及存储介质 |
CN111415216B (zh) * | 2020-02-11 | 2023-11-07 | 广州探途网络技术有限公司 | 一种商品推荐方法、装置、服务器及存储介质 |
CN111429161B (zh) * | 2020-04-10 | 2023-10-10 | 杭州网易再顾科技有限公司 | 特征提取方法、特征提取装置、存储介质及电子设备 |
CN111429161A (zh) * | 2020-04-10 | 2020-07-17 | 杭州网易再顾科技有限公司 | 特征提取方法、特征提取装置、存储介质及电子设备 |
CN111754300A (zh) * | 2020-06-22 | 2020-10-09 | 深圳市分期乐网络科技有限公司 | 一种商品推荐方法、装置、设备和存储介质 |
CN111797319B (zh) * | 2020-07-01 | 2023-10-27 | 喜大(上海)网络科技有限公司 | 推荐方法、装置、设备及存储介质 |
CN111797319A (zh) * | 2020-07-01 | 2020-10-20 | 喜大(上海)网络科技有限公司 | 推荐方法、装置、设备及存储介质 |
CN112348430B (zh) * | 2020-10-19 | 2021-09-07 | 北京中恒云科技有限公司 | 一种用户数据分析方法、计算机设备及存储介质 |
CN112348430A (zh) * | 2020-10-19 | 2021-02-09 | 北京中恒云科技有限公司 | 一种用户数据分析方法、计算机设备及存储介质 |
CN112036990A (zh) * | 2020-11-04 | 2020-12-04 | 北京每日优鲜电子商务有限公司 | 物品信息推送方法、装置、电子设备和计算机可读介质 |
CN112749851B (zh) * | 2021-01-20 | 2021-09-07 | 国网江苏省电力有限公司信息通信分公司 | 基于人工智能的大数据需求预测方法及大数据云服务中心 |
CN112749851A (zh) * | 2021-01-20 | 2021-05-04 | 陈网芹 | 基于人工智能的大数据需求预测方法及大数据云服务中心 |
CN113779390A (zh) * | 2021-08-31 | 2021-12-10 | 北京达佳互联信息技术有限公司 | 商品信息的处理方法、装置、电子设备及存储介质 |
CN114707075A (zh) * | 2022-06-06 | 2022-07-05 | 荣耀终端有限公司 | 一种冷启动推荐方法和设备 |
CN115496525A (zh) * | 2022-09-06 | 2022-12-20 | 哈尔滨见微知著科技有限公司 | 一种基于大数据的信息处理***及方法 |
CN116562961A (zh) * | 2023-04-19 | 2023-08-08 | 上海聚灵兽科技有限公司 | 一种电商应用商品推荐方法及装置 |
CN116823408A (zh) * | 2023-08-29 | 2023-09-29 | 小舟科技有限公司 | 基于虚拟现实的商品推荐方法、装置、终端及存储介质 |
CN116823408B (zh) * | 2023-08-29 | 2023-12-01 | 小舟科技有限公司 | 基于虚拟现实的商品推荐方法、装置、终端及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN108205768B (zh) | 2022-07-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108205768A (zh) | 数据库建立方法和数据推荐方法及装置、设备和存储介质 | |
CN110580649B (zh) | 一种商品潜力值的确定方法和装置 | |
US20020032645A1 (en) | System and method for score calculation | |
CN106708821A (zh) | 基于用户个性化购物行为进行商品推荐的方法 | |
CN111079015B (zh) | 一种推荐方法、装置、计算机设备和存储介质 | |
US9088811B2 (en) | Information providing system, information providing method, information providing device, program, and information storage medium | |
US20070294149A1 (en) | Catalog based price search | |
CN111027895A (zh) | 商品的备料预测、行为数据收集方法、装置、设备和介质 | |
CN111737418B (zh) | 搜索词和商品的相关性预测方法、设备和存储介质 | |
CN101482884A (zh) | 一种基于用户偏好评分分布的协作推荐*** | |
CN111738805B (zh) | 基于行为日志的搜索推荐模型生成方法、设备和存储介质 | |
CN110580489B (zh) | 一种数据对象的分类***、方法以及设备 | |
CN108734587A (zh) | 金融产品的推荐方法及终端设备 | |
CN113689259A (zh) | 基于用户行为的商品个性化推荐方法及*** | |
CN113689258A (zh) | 一种商品推荐热度生成方法及*** | |
CN111767459A (zh) | 物品推荐的方法和装置 | |
CN111654714A (zh) | 信息处理方法、装置、电子设备和存储介质 | |
CN115935185A (zh) | 一种推荐模型的训练方法及装置 | |
CN110570271A (zh) | 信息推荐方法、装置、电子设备及可读存储介质 | |
CN110175883A (zh) | 一种排序方法、装置、电子设备和非易失性存储介质 | |
CN111177564A (zh) | 一种产品推荐方法及装置 | |
CN110851708A (zh) | 负样本的抽取方法、装置、计算机设备和存储介质 | |
CN115907926A (zh) | 商品的推荐方法、装置、电子设备及存储介质 | |
CN110135902A (zh) | 对象组合方法、装置、电子设备及计算机可读存储介质 | |
CN114429384A (zh) | 基于电商平台的产品智能推荐方法及*** |
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 |