CN108492124A - 店铺信息推荐方法、装置及客户端 - Google Patents

店铺信息推荐方法、装置及客户端 Download PDF

Info

Publication number
CN108492124A
CN108492124A CN201810058024.0A CN201810058024A CN108492124A CN 108492124 A CN108492124 A CN 108492124A CN 201810058024 A CN201810058024 A CN 201810058024A CN 108492124 A CN108492124 A CN 108492124A
Authority
CN
China
Prior art keywords
consumption
user
store information
information
feature vector
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
CN201810058024.0A
Other languages
English (en)
Inventor
俞文明
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.)
Advanced New Technologies Co Ltd
Advantageous New Technologies Co Ltd
Original Assignee
Alibaba Group Holding 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 Alibaba Group Holding Ltd filed Critical Alibaba Group Holding Ltd
Priority to CN201810058024.0A priority Critical patent/CN108492124A/zh
Publication of CN108492124A publication Critical patent/CN108492124A/zh
Priority to TW107144285A priority patent/TW201933232A/zh
Priority to PCT/CN2018/125208 priority patent/WO2019141072A1/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
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0282—Rating or review of business operators or products
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0269—Targeted advertisements based on user profile or attribute
    • G06Q30/0271—Personalized advertisement
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0639—Item locations

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Theoretical Computer Science (AREA)
  • Development Economics (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Probability & Statistics with Applications (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本说明书实施例提供一种店铺信息推荐方法、装置及客户端。该方法包括：确定符合目标用户的消费偏好所对应的消费群组；获取该消费群组中用户消费过的店铺信息，识别出店铺信息中店铺信息出现次数大于等于预设阈值的店铺信息；将所述出现次数大于等于预设阈值的店铺信息推荐给所述目标用户。

Description

店铺信息推荐方法、装置及客户端
技术领域
本说明书实施例涉及互联网通信技术领域，特别涉及一种店铺信息推荐方法、装置及客户端。
背景技术
近年来随着互联网的快速发展和新零售渐渐兴起，互联网积累了大量的用户与店铺数据，对这些数据进行分析和挖掘可以提高用户的到店消费率。因此，运用大数据、人工智能等手段进行线上营销推荐活动被来越多的商家所重视。
目前，在进行营销推荐处理时，常常是根据店铺的好评率或交易量进行推荐。比如某家店铺好评率高，就将该好评率高的店铺推荐给用户。或者，某店铺的交易量高，就将该交易量高的店铺推荐给用户。但上述现有的推荐方法中往往存在为了提高好评率或交易量进行刷单的情况，且存在不同的用户消费偏好不同的问题，导致推荐给用户的店铺并非用户喜欢的店铺，推荐效果差。因此，需要提供更可靠或更有效的方案。
发明内容
本说明书实施例的目的是提供一种店铺信息推荐方法、装置及客户端，可以保证推荐的店铺信息更符合目标用户的喜好，提高用户对推荐的店铺信息的响应率，进而可以提高用户到店消费率。
本说明书实施例是这样实现的：
一种店铺信息推荐方法，包括：
确定目标用户所在的消费群组，其中，所述消费群组是基于表征用户的消费特征信息的消费特征向量进行聚类分析确定的；
获取所述消费群组中用户消费过的店铺信息，识别出所述店铺信息中店铺信息出现次数大于等于预设阈值的店铺信息；
将所述出现次数大于等于预设阈值的店铺信息推荐给所述目标用户。
一种店铺信息推荐装置，包括：
消费群组确定模块，用于确定目标用户所在的消费群组，其中，所述消费群组是基于表征用户的消费特征信息的消费特征向量进行聚类分析确定的；
群组店铺信息获取模块，用于获取所述消费群组中用户消费过的店铺信息；
店铺信息识别模块，用于识别出所述店铺信息中店铺信息出现次数大于等于预设阈值的店铺信息；
店铺信息推荐模块，用于将所述出现次数大于等于预设阈值的店铺信息推荐给所述目标用户。
一种店铺信息推荐客户端，包括处理器及存储器，所述存储器存储由所述处理器执行的计算机程序指令，所述计算机程序指令包括：
确定目标用户所在的消费群组，其中，所述消费群组是基于表征用户的消费特征信息的消费特征向量进行聚类分析确定的；
获取所述消费群组中用户消费过的店铺信息，识别出所述店铺信息中店铺信息出现次数大于等于预设阈值的店铺信息；
将所述出现次数大于等于预设阈值的店铺信息推荐给所述目标用户。
由以上可见，本说明书一个或多个实施例通过对用户按照消费偏好进行消费群组划分，在进行店铺信息推荐时，确定在目标用户所在的消费群组后，可以直接按照与目标用户具有相似消费偏好的消费群组中用户的消费数据向目标用户进行店铺信息的推荐，保证了推荐的店铺信息更好的符合目标用户的喜好，提高了用户对推荐的店铺信息的响应概率，进而可以提高用户到店消费率。
附图说明
为了更清楚地说明本说明书一个或多个实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本说明书提供的店铺信息推荐方法的一种实施例的流程示意图；
图2是本说明书提供的基于表征用户的消费特征信息的消费特征向量进行聚类分析确定消费群组一种实施例的流程示意图；
图3是本说明书提供的店铺信息推荐装置的一种实施例的结构示意图；
图4是根据本说明书的一示例性实施例的店铺信息推荐客户端的示意结构图。
具体实施方式
本说明书实施例提供一种店铺信息推荐方法、装置及客户端。
为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本说明书保护的范围。
以下介绍本说明书一种店铺信息推荐方法的一种具体实施例。图1是本说明书提供的店铺信息推荐方法的一种实施例的流程示意图，本说明书提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的***或客户端产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。具体的如图1所示，所述方法可以包括：
S102：确定目标用户所在的消费群组，其中，所述消费群组是基于表征用户的消费特征信息的消费特征向量进行聚类分析确定的。
在实际应用中，线上或线下商家可以通过互联网服务平台(以下简称服务平台)进行线上推荐营销活动来提高用户到店的消费率。具体的，本说明书实施例服务平台可以向用户推荐符合用户的消费偏好的店铺。本说明书实施例中，服务平台在向用户推荐店铺过程中，可以确定目标用户所在的消费群组。具体的，所述消费群组是基于表征用户的消费特征信息的消费特征向量进行聚类分析确定的。
本说明书实施例中可以先对服务平台上的用户按照用户的消费特征信息对用户进行消费群体的划分。在一个具体的实施例中，如图2所示，图2是本说明书提供的基于表征用户的消费特征信息的消费特征向量进行聚类分析确定消费群组一种实施例的流程示意图。
S1021：获取第一数量的用户的消费特征信息，所述第一数量的用户包括所述目标用户。
具体的，本说明书实施例中所述第一数量的用户可以包括服务平台上的用户。优选的，在进行实体店铺信息推荐处理时，考虑到用户会更偏好选择距离较近的店铺进行消费。本说明书实施例中可以选取地理位置信息在某一商圈所在位置的第一预设区域内的用户进行消费群组的划分，相应的，所述第一数量的用户可以包括服务平台上地理位置信息在待推荐商圈所在位置的第一预设区域内的用户。具体的，本说明书实施例中所述商圈可以包括包含一个或多个实体店铺的消费场所。
相应的，所述目标店铺可以包括服务平台上的用户，还可以包括服务平台上地理位置信息在待推荐商圈所在位置的第一预设区域内的用户。另外，在一些实施例中，为了提高推荐转化率，可以结合历史推荐信息将店铺信息推荐给对推荐信息反馈率较高的用户。相应的，所述目标用户可以包括服务平台上对推荐信息反馈率高于等于预设反馈率的用户。具体的，这里用户对推荐信息的反馈率可以包括点击率和/或消费转化率。所述预设反馈率可以结合实际应用需求进行设置。
具体的，这里待推荐商圈所在位置的第一预设区域可以根据实际应用情况进行设置，例如可以设置为距离待推荐商圈所在位置5km内。具体的，这里用户的地理位置信息可以为用户的常用固定地理位置信息，例如用户的家庭住址，公司地址等。具体的，所述用户的地理位置信息可以通过用户设定获取；另外，还可以通过无线电通讯网络(如GSM网、CDMA网)或外部定位方式(如GPS)获取；以及还可以从用户历史交易数据(例如在线购物数据)中提取地址信息等方式获取。
具体的，本说明书实施例中，所述消费特征信息可以包括能够反映用户消费偏好的信息。在实际应用中，用户的消费偏好一般与用户的经济基础、背景经历、消费能力以及消费习惯等相关。相应的，本说明书实施例中所述消费特征信息可以至少包括下述之一：
消费基础属性信息、消费能力信息、消费习惯信息。
在一个的实施例中，所述消费基础属性信息可以包括用户的经济基础信息和背景经历信息，例如住房情况信息(是否有房及住房档次)、教育信息及职业信息等。所述消费能力信息可以包括能够反映用户消费量的信息，例如与用户消费量成对应比例关系的用户消费等级(一般的，用户消费等级与用户消费量成正比)。所述消费习惯信息可以包括能够反映用户消费数据的信息，例如用户购买商品的品牌信息、个人兴趣信息、出行工具信息等。
S1023：基于所述消费特征信息构建用户的消费特征向量。
在实际应用中，所述消费特征信息可能不是数值，而是某种程度或者趋势的字符化表征，这种情况下，可以通过预设的规则使得该字符化表征的内容量化为一特定值。进而，后续可以利用该量化的值表征相应的消费特征信息。在一个普通的例子当中，可能某个维度的值为“中”，则可以量化该字符为其ASCII码的二进制值或十六进制值。
在一个具体的实施例中，基于所述消费特征信息构建用户的消费特征向量可以包括：
1)基于用户的消费特征信息所对应的预设量化规则将所述消费特征信息量化为特定值；
2)基于量化后的特定值构建用户的第一特征向量；
3)对所述第一特征向量进行标准化处理，得到标准化后的第二特征向量，将所述第二特征向量作为所述消费特征向量。
具体的，本说明书实施例中，所述预设量化规则可以结合相应的消费特征信息进行设置，在一个具体的实施例中，例如，将是否有房量化为有房为1，无房为0；另一个具体的实施例中，例如，将用户消费等级由高到低从10到1进行量化。
具体的，考虑到能够反映用户消费偏好的消费特征信息可以包括多种不同类型的信息，不同类型的消费特征信息量化后的特定值的度量标准不同，本说明书实施例中，可以将第一特征向量中量化后的特定值进行标准化处理。在一个具体的实施例中，例如上述的是否有房和用户消费等级，前者量化为0或1；后者量化为1至10，进行标准化处理后，可以将是否有房和用户消费等级统一为用0到1之间的数值进行表征。具体的，是否有房可以用0或1表征，用户消费等级可以用0.1至1表征。
另外，需要说明的是，本说明书实施例中标准化处理后的第二特征向量的中的各个元素兵不仅限于上述的0到1之间的数值，还可以结合实际应用情况设置为0到100等其他度量标准。
此外，在另一些实施例中，考虑到能够反映用户消费偏好的消费特征信息中存在一些消费特征信息对用户消费偏好影响不大，相应的，本说明书实施例中，所述方法还可以包括：
对所述第二特征向量进行主成分分析处理，将主成分分析处理后的特征向量作为所述消费特征向量。
具体的，本说明书实施例中所述主成分分析处理可以包括但不限于采用PCA(Principal Component Analysis)。这里通过主成分分析处理可以提高消费特征向量对用户消费偏好的表征，同时可以实现对消费特征向量的降维，减少后续的计算量。
S1025：基于所述第一数量的用户的消费特征向量之间的相似度对所述第一数量的用户进行聚类分析处理，得到第二数量的消费群组。
具体的，本说明书实施例中所述聚类分析处理可以包括但不限于采用：DBSCAN(Density-Based Spatial Clustering of Applications with Noise)聚类算法或k-means聚类算法进行聚类分析处理。
在一个具体的实施例中，结合DBSCAN聚类算法介绍基于所述第一数量的用户的消费特征向量之间的相似度对所述第一数量的用户进行聚类分析处理，得到第二数量的消费群组具体方法：
DBSCAN聚类算法在进行聚类分析处理过程中，需要先确定聚类半径和聚类最小包含点数。本说明书实施例中可以根据所述第一数量的用户的消费特征向量之间的相似度确定第三数量的聚类半径和聚类最小包含点数。
在一个具体的实施例中，可以计算第一数量的用户的消费特征向量P＝{p(i)；i＝0，1，…n}中任一用户的消费特征向量p(i)与其他用户的消费特征向量{p(1),p(2),…,p(i-1),p(i+1),…,p(n)}之间的相似度；(p(i)表示第i个用户的消费特征向量，n表示用户的总数量，即第一数量)。然后，按照相似度的大小，从小到大的顺序进行排序D＝{di(k)；k＝n-1}，di(k)表示第i个用户的消费特征向量与其他用户的消费特征向量之间第k大的相似度；对将第一数量的用户的第k大的相似度按照相似度的大小，从小到大的顺序进行排序；根据排序后的相似度拟合一条排序后相似度变化曲线，将急剧发生变化的位置所对应的相似度的值，确定为聚类半径；该聚类半径所对应的聚类最小包含点数可以设置为该聚类半径所对应的k值。
具体的，本说明书实施例中消费特征向量之间的相似度可以至少包括下述之一：
欧氏距离、余弦距离、曼哈顿距离、杰卡德系数。
另外，需要说明的是，本说明书实施例中第三数量小于所述第一数量。
接着，可以结合所述第三数量的聚类半径和聚类最小包含点数分别进行聚类分析处理。具体的，可以包括：
1)从所述第一数量的用户的消费特性向量中选取任一未被处理的消费特征向量作为初始消费特征向量，找出与该初始消费特征向量的相似度小于等于当前的聚类半径的消费特征向量。
2)如果小于等于当前的聚类半径的消费特征向量的数量大于等于当前的聚类最小包含点数，则当前消费特征向量与所述小于等于当前的聚类半径的消费特征向量形成一个簇，且当前消费特征向量标记为已访问。
3)将当前的簇内未被处理的任一消费特征向量作为初始消费特征向量，重复上述步骤1)和2)确定簇的步骤，从而对簇进行扩展。
4)如果小于等于当前的聚类半径的消费特征向量的数量小于当前的聚类最小包含点数，则该点暂时被标记作为噪声点，
5)如果当前的簇内的所有点被处理，即被标记为已访问或噪声点时，对所述第一数量的用户的消费特性向量中未被处理的消费特征向量重复上述步骤至所述第一数量的用户的消费特性向量都被处理，得到分组后的用户。
在实际应用中，在领域DBSCAN聚类算法进行聚类分析处理过程中若聚类半径取得值过大，会导致大多数点(即消费特征向量)都聚到同一个簇中，反之，当聚类半径过小，会导致一个簇的***。聚类最小包含点数的值取得过大，会导致同一个簇中点被标记为离群点；反之，聚类最小包含点数过小，会导致发现大量的核心点。因此，本说明书实施例中可以结合实际应用进行设置上述的k值，同时，为了保证更好的分组，可以选取多个k值，得到多组不同的聚类半径和聚类最小包含点数，相应的，利用多组不同的聚类半径和聚类最小包含点数可以得到多种不同的用户分组，根据实际分组效果，选取一种用户分组，将第一数量的用户划分为第二数量的消费群组。
在实际应用中，在确定目标用户所在的消费群组过程中可以通过用户名等用户标识从所述第二数量的消费群组中确定出所述目标用户所在的消费群组。
由上述本说明书实施例中的技术方案可见，本说明书实施例中，根据用户的消费偏好对用户进行消费群组的划分，在进行店铺信息推荐时，可以结合消费群组进行推荐，保证推荐的店铺信息更符合目标用户的消费偏好，进而提高用户的消费率。
S104：获取所述消费群组中用户消费过的店铺信息，识别出所述店铺信息中店铺信息出现次数大于等于预设阈值的店铺信息。
本说明书实施例中，同一消费群组中的用户的消费偏好相似，相应的，可以将同一消费群组中的用户经常消费的店铺信息推荐给目标用户。可以获取所述消费群组中用户消费过的店铺信息，识别出所述店铺信息中店铺信息出现次数大于等于预设阈值的店铺信息。
本说明书实施例中，所述预设阈值可以结合实际应用需求和消费群组中用户数量进行设定，例如设置为总用户数量的一半。一般的所述预设阈值越大，确定出的店铺信息符合目标用户的消费偏好的概率越大。
本说明书实施例中，所述店铺信息可以包括店铺基本信息，例如店铺名称、店铺地址、店铺营业时间等。另外，为了增加用户的到店消费率，所述店铺信息还可以包括：店铺优惠信息。
此外，需要说明的是，本说明书实施例中，所述店铺信息并不仅限于上述的店铺基本信息和店铺优惠信息，在实际应用中，还可以包括其他信息，本说明书实施例并不以上述为限。
S106：将所述出现次数大于等于预设阈值的店铺信息推荐给所述目标用户。
本说明书实施例中，在将出现次数大于等于预设阈值的店铺信息推荐给所述目标用户时，可以结合推荐时间和目标用户与店铺之间的位置信息，以增加用户到店消费率。
在一个具体的实施例中，考虑到一些店铺是用户在固定的一些时间段才会去消费，比如饭店。本说明书实施例中，可以在所述出现次数大于等于预设阈值的店铺信息所对应的预设消费时间内将所述出现次数大于等于预设阈值的店铺信息推荐给所述目标用户。
具体的，这里的预设消费时间可以结合实际应用情况进行设置，可以包括一个或多个时间段。例如饭店的店铺信息可以在10:30至13:00和16:30至20:00进行推荐。
在另一个具体的实施例中，考虑到用户一般喜欢去较近的店铺进行消费，本说明书实施例中可以当所述目标用户在所述出现次数大于等于预设阈值的店铺信息所对应的地理位置信息所在位置的第二预设区域内时，将所述出现次数大于等于预设阈值的店铺信息推荐给所述目标用户。
具体的，店铺信息所对应的地理位置信息所在位置的第二预设区域内可以根据实际应用情况进行设置，例如可以设置为距离该地理位置信息所在位置的1km内。
另外，结合实际应用需求，上述两个店铺信息的推荐实施例可以相互结合。即在所述出现次数大于等于预设阈值的店铺信息所对应的预设消费时间内向所述店铺信息所对应的地理位置信息所在位置的第二预设区域内的目标用户推荐所述店铺信息。
进一步的，可以记录每次店铺信息推荐之后的点击率和转化率，以作为历史推荐数据，便于基于该历史推荐信息选取对推荐信息积极反馈的用户最为店铺信息的推荐对象。
由此可见，本说明书一种店铺信息推荐方法的一个或多个实施例通过对用户按照消费偏好进行消费群组划分，在进行店铺信息推荐时，确定在目标用户所在的消费群组后，可以直接按照与目标用户具有相似消费偏好的消费群组中用户的消费数据向目标用户进行店铺信息的推荐，保证了推荐的店铺信息更好的符合目标用户的喜好，提高了用户对推荐的店铺信息的响应概率，进而可以提高用户到店消费率。
本说明书另一方面还提供一种店铺信息推荐装置，图3是本说明书提供的店铺信息推荐装置的一种实施例的结构示意图，如图3所示，所述装置300可以包括：
消费群组确定模块310，可以用于确定目标用户所在的消费群组，其中，所述消费群组是基于表征用户的消费特征信息的消费特征向量进行聚类分析确定的；
群组店铺信息获取模块320，可以用于获取所述消费群组中用户消费过的店铺信息；
店铺信息识别模块330，可以用于识别出所述店铺信息中店铺信息出现次数大于等于预设阈值的店铺信息；
店铺信息推荐模块340，可以用于将所述出现次数大于等于预设阈值的店铺信息推荐给所述目标用户。
另一实施例中，所述基于表征用户的消费特征信息的消费特征向量进行聚类分析确定的消费群组可以包括采用下述模块确定：
消费特征信息获取模块，可以用于获取第一数量的用户的消费特征信息，所述第一数量的用户包括所述目标用户；
消费特征向量构建模块，可以用于基于所述消费特征信息构建用户的消费特征向量；
行聚类分析处理模块，可以用于基于所述第一数量的用户的消费特征向量之间的相似度对所述第一数量的用户进行聚类分析处理，得到第二数量的消费群组。
另一实施例中，所述消费特征向量构建模块可以包括：
量化单元，可以用于基于用户的消费特征信息所对应的预设量化规则将所述消费特征信息量化为特定值；
第一特征向量构建单元，可以用于基于量化后的特定值构建用户的第一特征向量；
标准化处理单元，可以用于对所述第一特征向量进行标准化处理，得到标准化后的第二特征向量，将所述第二特征向量作为所述消费特征向量。
另一实施例中，所述消费特征向量构建模块还可以包括：
主成分分析处理单元，用于对所述第二特征向量进行主成分分析处理，将主成分分析处理后的特征向量作为所述消费特征向量。
另一实施例中，所述装置300还可以包括：
用户确定模块，可以用于在获取第一数量的用户的消费特征信息之前，确定地理位置信息在待推荐商圈所在位置的第一预设区域内的用户，将所述第一预设区域内的用户作为所述第一数量的用户。
另一实施例中，所述相似度至少可以包括下述之一：
欧氏距离、余弦距离、曼哈顿距离、杰卡德系数。
另一实施例中，所述消费特征信息至少可以包括下述之一：
消费基础属性信息、消费能力信息、消费习惯信息。
另一实施例中，所述店铺信息推荐模块340可以包括：
第一店铺信息推荐单元，可以用于在所述出现次数大于等于预设阈值的店铺信息所对应的预设消费时间内将所述出现次数大于等于预设阈值的店铺信息推荐给所述目标用户。
另一实施例中，所述店铺信息推荐模块340可以包括：
第二店铺信息推荐单元，可以用于当所述目标用户在所述出现次数大于等于预设阈值的店铺信息所对应的地理位置信息所在位置的第二预设区域内时，将所述出现次数大于等于预设阈值的店铺信息推荐给所述目标用户。
本说明书实施例提供的上述店铺信息推荐方法或装置可以在计算机中由处理器执行相应的程序指令来实现，如使用windows操作***的c++语言在PC端实现，或其他例如使用android、iOS***程序设计语言在智能终端实现，以及基于量子计算机的处理逻辑实现等。如图4所示，图4是根据本说明书的一示例性实施例的店铺信息推荐客户端的示意结构图。在硬件层面，该客户端可以包括处理器、内部总线、网络接口、内存以及非易失性存储器，当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，在逻辑层面上形成词串识别装置。当然，除了软件实现方式之外，本申请并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。
本说明书实施例另一方面还提供一种店铺信息推荐客户端，包括处理器及存储器，所述存储器存储由所述处理器执行的计算机程序指令，所述计算机程序指令可以包括：
确定目标用户所在的消费群组，其中，所述消费群组是基于表征用户的消费特征信息的消费特征向量进行聚类分析确定的；
获取所述消费群组中用户消费过的店铺信息，识别出所述店铺信息中店铺信息出现次数大于等于预设阈值的店铺信息；
将所述出现次数大于等于预设阈值的店铺信息推荐给所述目标用户。
本说明书实施例中，所述的处理器可以包括中央处理器(CPU)或图形处理器(GPU)，当然也可以包括其他的具有逻辑处理能力的单片机、逻辑门电路、集成电路等，或其适当组合。本申请实施例所述的存储器可以是用于保存信息的记忆设备。在数字***中，能保存二进制数据的设备可以是存储器；在集成电路中，一个没有实物形式的具有存储功能的电路也可以为存储器，如RAM、FIFO等；在***中，具有实物形式的存储设备也可以叫存储器等。实现的时候，该存储器也可以采用云存储器的方式实现，具体实现方式，本说明书不错限定。
由此可见，本说明书一种店铺信息推荐方法、装置或客户端的实施例通过对用户按照消费偏好进行消费群组划分，在进行店铺信息推荐时，确定在目标用户所在的消费群组后，可以直接按照与目标用户具有相似消费偏好的消费群组中用户的消费数据向目标用户进行店铺信息的推荐，保证了推荐的店铺信息更好的符合目标用户的喜好，提高了用户对推荐的店铺信息的响应概率，进而可以提高用户到店消费率。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device，PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字***“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本发明的实施例可提供为方法、装置、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(装置)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储、石墨烯存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本说明书的实施例可提供为方法、装置或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置和客户端实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书的实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在权利要求范围之内。

Claims (19)

1.一种店铺信息推荐方法，包括：
确定目标用户所在的消费群组，其中，所述消费群组是基于表征用户的消费特征信息的消费特征向量进行聚类分析确定的；
获取所述消费群组中用户消费过的店铺信息，识别出所述店铺信息中店铺信息出现次数大于等于预设阈值的店铺信息；
将所述出现次数大于等于预设阈值的店铺信息推荐给所述目标用户。
2.根据权利要求1所述的方法，其中，所述基于表征用户的消费特征信息的消费特征向量进行聚类分析确定的消费群组包括采用下述方式确定：
获取第一数量的用户的消费特征信息，所述第一数量的用户包括所述目标用户；
基于所述消费特征信息构建用户的消费特征向量；
基于所述第一数量的用户的消费特征向量之间的相似度对所述第一数量的用户进行聚类分析处理，得到第二数量的消费群组。
3.根据权利要求2所述的方法，其中，所述基于所述消费特征信息构建用户的消费特征向量包括：
基于用户的消费特征信息所对应的预设量化规则将所述消费特征信息量化为特定值；
基于量化后的特定值构建用户的第一特征向量；
对所述第一特征向量进行标准化处理，得到标准化后的第二特征向量，将所述第二特征向量作为所述消费特征向量。
4.根据权利要求3所述的方法，其中，所述方法还包括：
对所述第二特征向量进行主成分分析处理，将主成分分析处理后的特征向量作为所述消费特征向量。
5.根据权利要求2所述的方法，其中，在获取第一数量的用户的消费特征信息之前，所述方法还包括：
确定地理位置信息在待推荐商圈所在位置的第一预设区域内的用户，将所述第一预设区域内的用户作为所述第一数量的用户。
6.根据权利要求2所述的方法，其中，所述相似度至少包括下述之一：
欧氏距离、余弦距离、曼哈顿距离、杰卡德系数。
7.根据权利要求1至6任一所述的方法，其中，所述消费特征信息至少包括下述之一：
消费基础属性信息、消费能力信息、消费习惯信息。
8.根据权利要求1至6任一所述的方法，其中，所述将所述出现次数大于等于预设阈值的店铺信息推荐给所述目标用户包括：
在所述出现次数大于等于预设阈值的店铺信息所对应的预设消费时间内将所述出现次数大于等于预设阈值的店铺信息推荐给所述目标用户。
9.根据权利要求1至6任一所述的方法，其中，所述将所述出现次数大于等于预设阈值的店铺信息推荐给所述目标用户包括：
当所述目标用户在所述出现次数大于等于预设阈值的店铺信息所对应的地理位置信息所在位置的第二预设区域内时，将所述出现次数大于等于预设阈值的店铺信息推荐给所述目标用户。
10.一种店铺信息推荐装置，包括：
消费群组确定模块，用于确定目标用户所在的消费群组，其中，所述消费群组是基于表征用户的消费特征信息的消费特征向量进行聚类分析确定的；
群组店铺信息获取模块，用于获取所述消费群组中用户消费过的店铺信息；
店铺信息识别模块，用于识别出所述店铺信息中店铺信息出现次数大于等于预设阈值的店铺信息；
店铺信息推荐模块，用于将所述出现次数大于等于预设阈值的店铺信息推荐给所述目标用户。
11.根据权利要求10所述的装置，其中，所述基于表征用户的消费特征信息的消费特征向量进行聚类分析确定的消费群组包括采用下述模块确定：
消费特征信息获取模块，用于获取第一数量的用户的消费特征信息，所述第一数量的用户包括所述目标用户；
消费特征向量构建模块，用于基于所述消费特征信息构建用户的消费特征向量；
行聚类分析处理模块，用于基于所述第一数量的用户的消费特征向量之间的相似度对所述第一数量的用户进行聚类分析处理，得到第二数量的消费群组。
12.根据权利要求11所述的装置，其中，所述消费特征向量构建模块包括：
量化单元，用于基于用户的消费特征信息所对应的预设量化规则将所述消费特征信息量化为特定值；
第一特征向量构建单元，用于基于量化后的特定值构建用户的第一特征向量；
标准化处理单元，用于对所述第一特征向量进行标准化处理，得到标准化后的第二特征向量，将所述第二特征向量作为所述消费特征向量。
13.根据权利要求12所述的装置，其中，所述消费特征向量构建模块还包括：
主成分分析处理单元，用于对所述第二特征向量进行主成分分析处理，将主成分分析处理后的特征向量作为所述消费特征向量。
14.根据权利要求11所述的装置，其中，所述装置还包括：
用户确定模块，用于在获取第一数量的用户的消费特征信息之前，确定地理位置信息在待推荐商圈所在位置的第一预设区域内的用户，将所述第一预设区域内的用户作为所述第一数量的用户。
15.根据权利要求11所述的装置，其中，所述相似度至少包括下述之一：
欧氏距离、余弦距离、曼哈顿距离、杰卡德系数。
16.根据权利要求10至15任一所述的装置，其中，所述消费特征信息至少包括下述之一：
消费基础属性信息、消费能力信息、消费习惯信息。
17.根据权利要求10至15任一所述的装置，其中，所述店铺信息推荐模块包括：
第一店铺信息推荐单元，用于在所述出现次数大于等于预设阈值的店铺信息所对应的预设消费时间内将所述出现次数大于等于预设阈值的店铺信息推荐给所述目标用户。
18.根据权利要求10至15任一所述的装置，其中，所述店铺信息推荐模块包括：
第二店铺信息推荐单元，用于当所述目标用户在所述出现次数大于等于预设阈值的店铺信息所对应的地理位置信息所在位置的第二预设区域内时，将所述出现次数大于等于预设阈值的店铺信息推荐给所述目标用户。
19.一种店铺信息推荐客户端，包括处理器及存储器，所述存储器存储由所述处理器执行的计算机程序指令，所述计算机程序指令包括：
确定目标用户所在的消费群组，其中，所述消费群组是基于表征用户的消费特征信息的消费特征向量进行聚类分析确定的；
获取所述消费群组中用户消费过的店铺信息，识别出所述店铺信息中店铺信息出现次数大于等于预设阈值的店铺信息；
将所述出现次数大于等于预设阈值的店铺信息推荐给所述目标用户。
CN201810058024.0A 2018-01-22 2018-01-22 店铺信息推荐方法、装置及客户端 Pending CN108492124A (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201810058024.0A CN108492124A (zh) 2018-01-22 2018-01-22 店铺信息推荐方法、装置及客户端
TW107144285A TW201933232A (zh) 2018-01-22 2018-12-10 店鋪資訊推薦方法、裝置及用戶端
PCT/CN2018/125208 WO2019141072A1 (zh) 2018-01-22 2018-12-29 店铺信息推荐方法、装置及客户端

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810058024.0A CN108492124A (zh) 2018-01-22 2018-01-22 店铺信息推荐方法、装置及客户端

Publications (1)

Publication Number Publication Date
CN108492124A true CN108492124A (zh) 2018-09-04

Family

ID=63343651

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810058024.0A Pending CN108492124A (zh) 2018-01-22 2018-01-22 店铺信息推荐方法、装置及客户端

Country Status (3)

Country Link
CN (1) CN108492124A (zh)
TW (1) TW201933232A (zh)
WO (1) WO2019141072A1 (zh)

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109857927A (zh) * 2018-12-24 2019-06-07 深圳市珍爱捷云信息技术有限公司 用户推荐方法、装置、计算机设备及计算机可读存储介质
CN109886785A (zh) * 2019-02-15 2019-06-14 浙江口碑网络技术有限公司 客资信息的交叉分发方法及装置
WO2019141072A1 (zh) * 2018-01-22 2019-07-25 阿里巴巴集团控股有限公司 店铺信息推荐方法、装置及客户端
CN110110246A (zh) * 2019-05-13 2019-08-09 北京金和网络股份有限公司 基于地理信息网格密度的门店推荐方法
CN110225141A (zh) * 2019-06-28 2019-09-10 北京金山安全软件有限公司 内容推送方法、装置及电子设备
CN110363583A (zh) * 2019-07-02 2019-10-22 北京淇瑀信息科技有限公司 一种基于位置信息创建用户消费行为标签的方法、装置和电子设备
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
CN110782278A (zh) * 2019-10-15 2020-02-11 支付宝(杭州)信息技术有限公司 一种数据处理方法和装置
CN110782325A (zh) * 2019-10-31 2020-02-11 深圳市云积分科技有限公司 一种会员信息的推荐方法和装置
CN110969509A (zh) * 2019-10-25 2020-04-07 贝壳技术有限公司 装修推荐方法、装置、机器可读存储介质及处理器
CN111179011A (zh) * 2019-11-05 2020-05-19 泰康保险集团股份有限公司 一种保险产品推荐方法及装置
CN111340565A (zh) * 2020-03-20 2020-06-26 北京爱笔科技有限公司 一种信息推荐方法、装置、设备及存储介质
CN111626790A (zh) * 2020-06-01 2020-09-04 浪潮软件股份有限公司 一种零售终端的消费者群体特征识别方法
CN111698332A (zh) * 2020-06-23 2020-09-22 深圳壹账通智能科技有限公司 业务对象的分配方法、装置、设备及存储介质
CN111797877A (zh) * 2019-04-09 2020-10-20 Oppo广东移动通信有限公司 数据处理方法、装置、存储介质及电子设备
CN112116403A (zh) * 2020-09-28 2020-12-22 中国建设银行股份有限公司 一种信息推荐方法、装置及设备
CN113129053A (zh) * 2021-03-29 2021-07-16 北京沃东天骏信息技术有限公司 信息推荐模型训练方法、信息推荐方法及存储介质
CN113283756A (zh) * 2021-05-31 2021-08-20 北京睿利众屹软件有限公司 店铺员工的分配方法和分配装置
TWI779887B (zh) * 2021-10-19 2022-10-01 國立臺灣大學 動態式民宿資訊推薦裝置

Families Citing this family (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI809230B (zh) * 2019-12-12 2023-07-21 第一商業銀行股份有限公司 行銷推薦方法及其系統
TWI739239B (zh) * 2019-12-17 2021-09-11 臺灣銀行股份有限公司 金融機構之特定商家推薦系統及其方法
CN111125289B (zh) * 2019-12-24 2023-05-12 广州图匠数据科技有限公司 一种门店数据清洗匹配方法、装置、设备以及存储介质
CN111340522B (zh) * 2019-12-30 2024-03-08 支付宝实验室(新加坡)有限公司 资源推荐方法、装置、服务器及存储介质
CN111311317B (zh) * 2020-02-06 2023-07-11 大众问问(北京)信息科技有限公司 一种信息推荐方法、装置、设备及***
CN113378033A (zh) * 2020-03-09 2021-09-10 北京沃东天骏信息技术有限公司 一种推荐模型的训练方法和装置
CN111782813B (zh) * 2020-07-07 2023-10-31 支付宝(杭州)信息技术有限公司 一种用户社群的评价方法、装置及设备
CN111967964B (zh) * 2020-08-18 2023-09-19 中国银行股份有限公司 银行客户端网点的智能推荐方法及装置
TWI757854B (zh) * 2020-08-28 2022-03-11 中國信託商業銀行股份有限公司 業務推薦系統及方法
CN113360790A (zh) * 2021-06-08 2021-09-07 口碑(上海)信息技术有限公司 信息推荐方法、装置及电子设备
CN113609381B (zh) * 2021-07-13 2023-12-12 杭州网易云音乐科技有限公司 作品推荐方法、装置、介质和计算设备
CN113592589B (zh) * 2021-07-27 2024-03-29 上海致景信息科技有限公司 纺织原料推荐方法、装置及处理器
CN116562902B (zh) * 2023-05-08 2024-07-05 广州商研网络科技有限公司 店铺销售策略推荐方法及其装置、设备、介质、产品
CN116957784B (zh) * 2023-09-18 2024-01-09 深圳迅销科技股份有限公司 一种银行***积分数据推荐方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104933156A (zh) * 2015-06-25 2015-09-23 西安理工大学 一种基于共享近邻聚类的协同过滤方法
CN106021423A (zh) * 2016-05-16 2016-10-12 西安电子科技大学 基于群组划分的元搜索引擎个性化结果推荐方法
CN106899338A (zh) * 2017-04-19 2017-06-27 北京工业大学 大规模mimo***下行链路中基于密度的用户分组方法
CN106912015A (zh) * 2017-01-10 2017-06-30 上海云砥信息科技有限公司 一种基于移动网络数据的人员出行链识别方法
CN107368483A (zh) * 2016-05-11 2017-11-21 阿里巴巴集团控股有限公司 信息推荐方法、装置及服务器

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102750647A (zh) * 2012-06-29 2012-10-24 南京大学 一种基于交易网络的商家推荐方法
CN105677831B (zh) * 2016-01-04 2022-03-22 拉扎斯网络科技（上海）有限公司 一种确定推荐商户的方法及装置
CN107481093A (zh) * 2017-07-21 2017-12-15 北京京东尚科信息技术有限公司 个性化店铺预测方法和装置
CN108492124A (zh) * 2018-01-22 2018-09-04 阿里巴巴集团控股有限公司 店铺信息推荐方法、装置及客户端

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104933156A (zh) * 2015-06-25 2015-09-23 西安理工大学 一种基于共享近邻聚类的协同过滤方法
CN107368483A (zh) * 2016-05-11 2017-11-21 阿里巴巴集团控股有限公司 信息推荐方法、装置及服务器
CN106021423A (zh) * 2016-05-16 2016-10-12 西安电子科技大学 基于群组划分的元搜索引擎个性化结果推荐方法
CN106912015A (zh) * 2017-01-10 2017-06-30 上海云砥信息科技有限公司 一种基于移动网络数据的人员出行链识别方法
CN106899338A (zh) * 2017-04-19 2017-06-27 北京工业大学 大规模mimo***下行链路中基于密度的用户分组方法

Cited By (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019141072A1 (zh) * 2018-01-22 2019-07-25 阿里巴巴集团控股有限公司 店铺信息推荐方法、装置及客户端
CN109857927A (zh) * 2018-12-24 2019-06-07 深圳市珍爱捷云信息技术有限公司 用户推荐方法、装置、计算机设备及计算机可读存储介质
CN109886785A (zh) * 2019-02-15 2019-06-14 浙江口碑网络技术有限公司 客资信息的交叉分发方法及装置
CN111797877A (zh) * 2019-04-09 2020-10-20 Oppo广东移动通信有限公司 数据处理方法、装置、存储介质及电子设备
CN111797877B (zh) * 2019-04-09 2024-05-10 Oppo广东移动通信有限公司 数据处理方法、装置、存储介质及电子设备
CN110110246A (zh) * 2019-05-13 2019-08-09 北京金和网络股份有限公司 基于地理信息网格密度的门店推荐方法
CN110225141A (zh) * 2019-06-28 2019-09-10 北京金山安全软件有限公司 内容推送方法、装置及电子设备
CN110225141B (zh) * 2019-06-28 2022-04-22 北京金山安全软件有限公司 内容推送方法、装置及电子设备
CN110363583A (zh) * 2019-07-02 2019-10-22 北京淇瑀信息科技有限公司 一种基于位置信息创建用户消费行为标签的方法、装置和电子设备
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
CN110782278A (zh) * 2019-10-15 2020-02-11 支付宝(杭州)信息技术有限公司 一种数据处理方法和装置
CN110969509A (zh) * 2019-10-25 2020-04-07 贝壳技术有限公司 装修推荐方法、装置、机器可读存储介质及处理器
CN110782325A (zh) * 2019-10-31 2020-02-11 深圳市云积分科技有限公司 一种会员信息的推荐方法和装置
CN111179011A (zh) * 2019-11-05 2020-05-19 泰康保险集团股份有限公司 一种保险产品推荐方法及装置
CN111340565A (zh) * 2020-03-20 2020-06-26 北京爱笔科技有限公司 一种信息推荐方法、装置、设备及存储介质
CN111626790A (zh) * 2020-06-01 2020-09-04 浪潮软件股份有限公司 一种零售终端的消费者群体特征识别方法
CN111698332A (zh) * 2020-06-23 2020-09-22 深圳壹账通智能科技有限公司 业务对象的分配方法、装置、设备及存储介质
CN112116403A (zh) * 2020-09-28 2020-12-22 中国建设银行股份有限公司 一种信息推荐方法、装置及设备
CN113129053A (zh) * 2021-03-29 2021-07-16 北京沃东天骏信息技术有限公司 信息推荐模型训练方法、信息推荐方法及存储介质
CN113129053B (zh) * 2021-03-29 2024-05-21 北京沃东天骏信息技术有限公司 信息推荐模型训练方法、信息推荐方法及存储介质
CN113283756A (zh) * 2021-05-31 2021-08-20 北京睿利众屹软件有限公司 店铺员工的分配方法和分配装置
TWI779887B (zh) * 2021-10-19 2022-10-01 國立臺灣大學 動態式民宿資訊推薦裝置

Also Published As

Publication number Publication date
TW201933232A (zh) 2019-08-16
WO2019141072A1 (zh) 2019-07-25

Similar Documents

Publication Publication Date Title
CN108492124A (zh) 店铺信息推荐方法、装置及客户端
CN110363449B (zh) 一种风险识别方法、装置及***
CN108305102A (zh) 电子红包发放方法、装置及客户端
CN111080304B (zh) 一种可信关系识别方法、装置及设备
CN110278175A (zh) 图结构模型训练、垃圾账户识别方法、装置以及设备
CN107358247B (zh) 一种确定流失用户的方法及装置
CN104951446A (zh) 大数据处理方法及平台
CN108733825A (zh) 一种对象触发事件预测方法及装置
CN108566615A (zh) 信息推送方法、装置及客户端
CN109508879B (zh) 一种风险的识别方法、装置及设备
CN110020427B (zh) 策略确定方法和装置
CN108346107A (zh) 一种社交内容风险识别方法、装置以及设备
CN108171267A (zh) 用户群划分方法及装置、消息推送方法及装置
CN110532295A (zh) 一种计算机实施的信息处理、信息查询的方法及装置
CN109271587A (zh) 一种页面生成方法和装置
CN108764667A (zh) 风险数据确定方法及装置
CN111160793A (zh) 一种服务网点自助设备数量的配置方法、装置及设备
CN108491468A (zh) 一种文档处理方法、装置及服务器
CN109597678A (zh) 任务处理方法及装置
CN107391540A (zh) 一种小程序展示方法、装置及分类器
WO2024113932A1 (zh) 一种模型优化的方法、装置、设备及存储介质
CN109615171A (zh) 特征阈值确定方法及装置、问题对象确定方法及装置
CN109345221A (zh) 资源流转的核对方法及装置
CN107977768A (zh) 一种可增值资源的评估方法及装置
CN107688604A (zh) 数据应答处理方法、装置及服务器

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20200924

Address after: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman Islands

Applicant after: Innovative advanced technology Co.,Ltd.

Address before: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman Islands

Applicant before: Advanced innovation technology Co.,Ltd.

Effective date of registration: 20200924

Address after: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman Islands

Applicant after: Advanced innovation technology Co.,Ltd.

Address before: Greater Cayman, British Cayman Islands

Applicant before: Alibaba Group Holding Ltd.

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

Application publication date: 20180904