CN109146606A - 一种品牌推荐方法、电子设备、存储介质及*** - Google Patents
一种品牌推荐方法、电子设备、存储介质及*** Download PDFInfo
- Publication number
- CN109146606A CN109146606A CN201810744574.8A CN201810744574A CN109146606A CN 109146606 A CN109146606 A CN 109146606A CN 201810744574 A CN201810744574 A CN 201810744574A CN 109146606 A CN109146606 A CN 109146606A
- Authority
- CN
- China
- Prior art keywords
- data
- user
- brand
- recommended
- order data
- 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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明提供一种品牌推荐方法,包括:获取若干订单数据,将同一用户名称的订单数据进行合并得到用户订单数据,将用户订单数据和用户名称作为训练数据;将训练数据输入至预设推荐模型中,采用逻辑回归算法和随机负采样算法对预设推荐模型中的训练数据进行训练并得到已训练推荐模型;获取网络购物平台上的活跃用户名单,获取网络购物平台上的在售品牌数据;将活跃用户名单及在售品牌数据输入至已训练推荐模型进行匹配并得到推荐品牌名单。本发明的一种品牌推荐方法,解决了以往没办法完全为每个用户独立定制他们感兴趣的品牌列表的问题,同时全程使用训练模型进行推荐匹配增加了推荐的精准度与效率,提高了用户的体验感。
Description
技术领域
本发明涉及数据处理领域,尤其涉及一种品牌推荐方法、电子设备、存储介质及***。
背景技术
由于目前的网络购物平台每天都有大量品牌商品在售,而用户每次基本只看到有限数量的品牌,如何让用户感兴趣的品牌出现在有限数量的品牌中,就成了研究的重点。
目前是是采用以下两种方式:1、基于商务人员对商品和用户的敏感,手工确定品牌排序;2、对用户进行分类,提取不同用户类型的特征,然后用CTR(广告点击率预测),预测不同品牌的点击率,来确定排序。但是采用上述两种方式时,随着人群分类的增加,手工排序的工作量剧增,为每个用户群确定特征,也需要耗费大量精力,另外一个用户群里面的所有用户看到的品牌还是一样的,没办法完全为每个用户独立定制他们感兴趣的品牌列表。
发明内容
为了克服现有技术的不足,本发明的目的之一在于提供一种品牌推荐方法,其能解决目前品牌推荐方法没办法完全为每个用户独立定制他们感兴趣的品牌列表的问题。
本发明的目的之二在于提供一种电子设备,其能解决目前品牌推荐方法没办法完全为每个用户独立定制他们感兴趣的品牌列表的问题。
本发明的目的之三在于提供一种存储介质,其能解决目前品牌推荐方法没办法完全为每个用户独立定制他们感兴趣的品牌列表的问题。
本发明的目的之四在于提供一种品牌推荐***,其能解决目前品牌推荐方法没办法完全为每个用户独立定制他们感兴趣的品牌列表的问题。
本发明的目的之一采用以下技术方案实现:
一种品牌推荐方法,其特征在于包括:
订单数据获取,从网络购物平台上的数据存储装置中获取若干订单数据,所述订单数据包括商品品牌信息和用户名称;
数据清洗,根据不同所述用户名称对若干所述订单数据进行分类整理,将同一用户名称的所述订单数据进行合并得到用户订单数据,将所述用户订单数据和所述用户名称作为训练数据;
训练模型,将所述训练数据输入至预设推荐模型中,采用逻辑回归算法和随机负采样算法对所述预设推荐模型中的训练数据进行训练并得到已训练推荐模型;
信息采集,获取网络购物平台上的活跃用户名单,获取网络购物平台上的在售品牌数据;
品牌推荐,将所述活跃用户名单及所述在售品牌数据输入至所述已训练推荐模型进行匹配并得到推荐品牌名单。
进一步地,还包括将所述推荐品牌名单推荐给所述用户名单中对应的活跃用户。
进一步地,所述品牌推荐具体为:将所述活跃用户名单及所述在售品牌数据输入至所述已训练推荐模型中,所述已训练推荐模型根据所述活跃用户名单匹配出对应的用户订单数据,并根据用户订单数据在所述在售品牌数据中匹配出相关联的在售品牌名单作为推荐品牌名单。
进一步地,在所述训练模型之前还包括更新数据,每天定时采集数据存储装置中更新过的新订单数据,对所述新订单数据进行分类整理得到新用户订单数据,将所述新用户订单数据融入所述用户订单数据中。
本发明的目的之二采用以下技术方案实现:
一种电子设备,其特征在于包括:处理器;
存储器;以及程序,其中所述程序被存储在所述存储器中,并且被配置成由处理器执行,所述程序包括用于执行本发明的一种品牌推荐方法。
本发明的目的之三采用以下技术方案实现:
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:所述计算机程序被处理器执行本发明的一种品牌推荐方法。
本发明的目的之四采用以下技术方案实现:
一种品牌推荐***,其特征在于包括:
订单数据获取模块,所述订单数据获取模块用于从网络购物平台上的数据存储装置中获取若干订单数据,所述订单数据包括商品品牌信息和用户名称;
数据清洗模块,所述数据清洗模块用于根据不同所述用户名称对若干所述订单数据进行分类整理,将同一用户名称的所述订单数据进行合并得到用户订单数据,将所述用户订单数据和所述用户名称作为训练数据;
训练模型模块,所述训练模型模块用于将所述训练数据输入至预设推荐模型中,采用逻辑回归算法和随机负采样算法对所述预设推荐模型中的训练数据进行训练并得到已训练推荐模型;
信息采集模块,所述信息采集模块用于获取网络购物平台上的活跃用户名单,获取网络购物平台上的在售品牌数据;
品牌推荐模块,所述品牌推荐模块用于将所述活跃用户名单及所述在售品牌数据输入至所述已训练推荐模型进行匹配并得到推荐品牌名单。
进一步地,还包括发送模块,所述发送模块用于将所述推荐品牌名单推荐给所述用户名单中对应的活跃用户。
进一步地,还包括更新数据模块,所述更新数据模块用于每天定时采集数据存储装置中更新过的新订单数据,对所述新订单数据进行分类整理得到新用户订单数据,将所述新用户订单数据融入所述用户订单数据中。
进一步地,所述数据清洗模块包括分类整理单元和合并单元,所述分类整理单元用于根据不同所述用户名称对若干所述订单数据进行分类整理,所述合并单元用于将同一用户名称的所述订单数据进行合并得到用户订单数据,将所述用户订单数据和所述用户名称作为训练数据。
相比现有技术,本发明的有益效果在于:本发明的一种品牌推荐方法,通过从网络购物平台上的数据存储装置中获取若干订单数据,并根据不同用户名称对若干订单数据进行分类整理,将同一用户名称的订单数据进行合并得到用户订单数据,将用户订单数据作为训练数据,将训练数据输入至预设的推荐模型中,并采用采用逻辑回归算法和随机负采样算法对预设推荐模型中的训练数据进行训练并得到已训练推荐模型,将活跃用户名单及在售品牌数据输入至已训练推荐模型进行匹配并得到推荐品牌名单,此推荐品牌名单与每一个活跃用户一一对应,即每个用户对应一组推荐品牌名单,解决了以往没办法完全为每个用户独立定制他们感兴趣的品牌列表的问题,同时全程使用训练模型进行推荐匹配增加了推荐的精准度与效率,提高了用户的体验感。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,并可依照说明书的内容予以实施,以下以本发明的较佳实施例并配合附图详细说明如后。本发明的具体实施方式由以下实施例及其附图详细给出。
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,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明的一种品牌推荐方法的流程图;
图2为本发明的一种品牌推荐方法的逻辑架构图:
图3为本发明的一种品牌推荐***的模块框图。
具体实施方式
下面,结合附图以及具体实施方式,对本发明做进一步描述,需要说明的是,在不相冲突的前提下,以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例。
如图1-2所示,本发明的一种品牌推荐方法,包括
订单数据获取,从网络购物平台上的数据存储装置中获取若干订单数据,订单数据包括商品品牌信息和用户名称;目前网络购物平台上每天都会生成很多订单信息,没有都有大量的用户进行购买各种品牌的商品。
数据清洗,根据不同用户名称对若干订单数据进行分类整理,将同一用户名称的订单数据进行合并得到用户订单数据,将用户订单数据和用户名称作为训练数据;在本实施例中通过订单数据获取的订单数据中有大量的单个的订单,此步骤即将订单数据中同一用户名称的订单归纳在一起形成一个很好的分类,例如现有订单数据中的用户名称为:张三、李明等,将根据订单数据中所有用户名称为张三的订单信息归纳为一类,将所有用户名称为李明的订单信息归纳为一类,即完成了***的分类,将订单数据中的商品品牌信息与用户名称一一对应。在本实施例中还包括更新数据,每天定时从数据存储装置中采集已经更新过的新订单数据,因为每天都有新的订单数据产生,将最新的订单数据融入到之前获取到的用户订单数据中,使训练数据为最新数据,在数据融入之前还包括对新订单数据也进行上述数据清洗,将新订单数据中商品品牌信息与用户名称进行整理归纳。
训练模型,将训练数据输入至预设推荐模型中,采用逻辑回归算法和随机负采样算法对预设推荐模型中的训练数据进行训练并得到已训练推荐模型;本实施例中将逻辑回归算法和随机负采样算法使用预设推荐模型对训练数据进行训练。具体训练算法如下:1、训练算法产出:对于所有品牌b∈Ball,令b包含两个向量Xb和θb,Xb为品牌b的值向量,θb为品牌b的辅助向量;具体推导过程为:对于两个品牌b1、b2相关,则设置一定值为L(b1,b2),令L(b1,b2)=1时,则b1与b2相关,L(b1,b2)=0时,则b1、b2不相关,则b1、b2的相关性的相关性概率值为p(b1|b2),具体如公式(1)为:
p(b1|b2)=f(b1,b2)L(b1,b2)(1-f(b1,b2))1-L(b1,b2) (1)
其中,p(b1|b2)为相关性概率值,L(b1,b2)为定值,L(b1,b2)为b1和b2相关的Sigmoid函数。对于一条用户购买记录U={b1,b2,b3……bn},U∈Ball;如果品牌b属于购买记录U,NEG(b,U)为集合U中除b外的所有品牌;NEG(b,Ball)为集合Ball中除b外的所有品牌。b∈U,品牌v∈NEG(b,U),品牌w∈NEG(b,Ball);对于每个品牌v,v和b相关,品牌v和品牌w不相关。
信息采集,获取网络购物平台上的活跃用户名单,获取网络购物平台上的在售品牌数据;获取网络购物平台上的近三个经常登录的用户名单,将其定位活跃用户名单,并获取网络购物平台上的在售品牌数据,即网络购物平台上已经在售的品牌。
品牌推荐,将活跃用户名单及在售品牌数据输入至已训练推荐模型进行匹配并得到推荐品牌名单。将活跃用户名单及在售品牌数据输入至已训练推荐模型中,已训练推荐模型根据活跃用户名单匹配出对应的用户订单数据,并根据用户订单数据在在售品牌数据中匹配出相关联的在售品牌名单作为推荐品牌名单。在本实施例中通常按照相关性选取排名前一百名的品牌名单,并将前一百品牌名单推荐给对应的用户。如图2所示的本实施例中一种品牌推荐方法的逻辑架构图,即先定时获取,定时获取包括获取订单数据获取,活跃用户名单获取,在售品牌信息获取,将上述数据存储在Hdfs数据存储中存储,将订单数据、活跃用户数据、在售品牌数据分别存储,使用订单数据输入至推荐模型中进行训练,已训练推荐模型综合活跃用户数据、在售品牌数据进行品牌推荐,为每个活跃用户匹配出推荐品牌结果,后台读取推荐品牌结果,并将推荐品牌结果发送至用户浏览。
本发明实施例提供一种电子设备,包括:处理器;
存储器;以及程序,其中程序被存储在存储器中,并且被配置成由处理器执行,程序包括用于执行本发明的一种品牌推荐方法。
本发明实施例提供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:计算机程序被处理器执行本发明的一种品牌推荐方法。
本发明实施例还提供一种品牌推荐***,如图3所示,具体包括:订单数据获取模块,订单数据获取模块用于从网络购物平台上的数据存储装置中获取若干订单数据,订单数据包括商品品牌信息和用户名称;数据清洗模块,数据清洗模块用于根据不同用户名称对若干订单数据进行分类整理,将同一用户名称的订单数据进行合并得到用户订单数据,将用户订单数据和用户名称作为训练数据;训练模型模块,训练模型模块用于将训练数据输入至预设推荐模型中,采用逻辑回归算法和随机负采样算法对预设推荐模型中的训练数据进行训练并得到已训练推荐模型;信息采集模块,信息采集模块用于获取网络购物平台上的活跃用户名单,获取网络购物平台上的在售品牌数据;品牌推荐模块,品牌推荐模块用于将活跃用户名单及在售品牌数据输入至已训练推荐模型进行匹配并得到推荐品牌名单。进一步地,还包括发送模块,发送模块用于将推荐品牌名单推荐给用户名单中对应的活跃用户。还包括更新数据模块,更新数据模块用于每天定时采集数据存储装置中更新过的新订单数据,对新订单数据进行分类整理得到新用户订单数据,将新用户订单数据融入用户订单数据中。数据清洗模块包括分类整理单元和合并单元,分类整理单元用于根据不同用户名称对若干订单数据进行分类整理,合并单元用于将同一用户名称的订单数据进行合并得到用户订单数据,将用户订单数据和用户名称作为训练数据。
本发明的一种品牌推荐方法,通过从网络购物平台上的数据存储装置中获取若干订单数据,并根据不同用户名称对若干订单数据进行分类整理,将同一用户名称的订单数据进行合并得到用户订单数据,将用户订单数据作为训练数据,将训练数据输入至预设的推荐模型中,并采用采用逻辑回归算法和随机负采样算法对预设推荐模型中的训练数据进行训练并得到已训练推荐模型,将活跃用户名单及在售品牌数据输入至已训练推荐模型进行匹配并得到推荐品牌名单,此推荐品牌名单与每一个活跃用户一一对应,即每个用户对应一组推荐品牌名单,解决了以往没办法完全为每个用户独立定制他们感兴趣的品牌列表的问题,同时全程使用训练模型进行推荐匹配增加了推荐的精准度与效率,提高了用户的体验感。
以上,仅为本发明的较佳实施例而已,并非对本发明作任何形式上的限制;凡本行业的普通技术人员均可按说明书附图所示和以上而顺畅地实施本发明;但是,凡熟悉本专业的技术人员在不脱离本发明技术方案范围内,利用以上所揭示的技术内容而做出的些许更动、修饰与演变的等同变化,均为本发明的等效实施例;同时,凡依据本发明的实质技术对以上实施例所作的任何等同变化的更动、修饰与演变等,均仍属于本发明的技术方案的保护范围之内。
Claims (10)
1.一种品牌推荐方法,其特征在于包括:
订单数据获取,从网络购物平台上的数据存储装置中获取若干订单数据,所述订单数据包括商品品牌信息和用户名称;
数据清洗,根据不同所述用户名称对若干所述订单数据进行分类整理,将同一用户名称的所述订单数据进行合并得到用户订单数据,将所述用户订单数据和所述用户名称作为训练数据;
训练模型,将所述训练数据输入至预设推荐模型中,采用逻辑回归算法和随机负采样算法对所述预设推荐模型中的训练数据进行训练并得到已训练推荐模型;
信息采集,获取网络购物平台上的活跃用户名单,获取网络购物平台上的在售品牌数据;
品牌推荐,将所述活跃用户名单及所述在售品牌数据输入至所述已训练推荐模型进行匹配并得到推荐品牌名单。
2.如权利要求1所述的一种品牌推荐方法,其特征在于:还包括将所述推荐品牌名单推荐给所述用户名单中对应的活跃用户。
3.如权利要求1所述的一种品牌推荐方法,其特征在于:所述品牌推荐具体为:将所述活跃用户名单及所述在售品牌数据输入至所述已训练推荐模型中,所述已训练推荐模型根据所述活跃用户名单匹配出对应的用户订单数据,并根据用户订单数据在所述在售品牌数据中匹配出相关联的在售品牌名单作为推荐品牌名单。
4.如权利要求1所述的一种品牌推荐方法,其特征在于:在所述训练模型之前还包括更新数据,每天定时采集数据存储装置中更新过的新订单数据,对所述新订单数据进行分类整理得到新用户订单数据,将所述新用户订单数据融入所述用户订单数据中。
5.一种电子设备,其特征在于包括:处理器;
存储器;以及程序,其中所述程序被存储在所述存储器中,并且被配置成由处理器执行,所述程序包括用于执行权利要求1-4任意一项所述的方法。
6.一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:所述计算机程序被处理器执行如权利要求1-4任意一项所述的方法。
7.一种品牌推荐***,其特征在于包括:
订单数据获取模块,所述订单数据获取模块用于从网络购物平台上的数据存储装置中获取若干订单数据,所述订单数据包括商品品牌信息和用户名称;
数据清洗模块,所述数据清洗模块用于根据不同所述用户名称对若干所述订单数据进行分类整理,将同一用户名称的所述订单数据进行合并得到用户订单数据,将所述用户订单数据和所述用户名称作为训练数据;
训练模型模块,所述训练模型模块用于将所述训练数据输入至预设推荐模型中,采用逻辑回归算法和随机负采样算法对所述预设推荐模型中的训练数据进行训练并得到已训练推荐模型;
信息采集模块,所述信息采集模块用于获取网络购物平台上的活跃用户名单,获取网络购物平台上的在售品牌数据;
品牌推荐模块,所述品牌推荐模块用于将所述活跃用户名单及所述在售品牌数据输入至所述已训练推荐模型进行匹配并得到推荐品牌名单。
8.如权利要求7所示的一种品牌推荐***,其特征在于:还包括发送模块,所述发送模块用于将所述推荐品牌名单推荐给所述用户名单中对应的活跃用户。
9.如权利要求7所示的一种品牌推荐***,其特征在于:还包括更新数据模块,所述更新数据模块用于每天定时采集数据存储装置中更新过的新订单数据,对所述新订单数据进行分类整理得到新用户订单数据,将所述新用户订单数据融入所述用户订单数据中。
10.如权利要求7所示的一种品牌推荐***,其特征在于:所述数据清洗模块包括分类整理单元和合并单元,所述分类整理单元用于根据不同所述用户名称对若干所述订单数据进行分类整理,所述合并单元用于将同一用户名称的所述订单数据进行合并得到用户订单数据,将所述用户订单数据和所述用户名称作为训练数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810744574.8A CN109146606B (zh) | 2018-07-09 | 2018-07-09 | 一种品牌推荐方法、电子设备、存储介质及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810744574.8A CN109146606B (zh) | 2018-07-09 | 2018-07-09 | 一种品牌推荐方法、电子设备、存储介质及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109146606A true CN109146606A (zh) | 2019-01-04 |
CN109146606B CN109146606B (zh) | 2022-02-22 |
Family
ID=64799980
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810744574.8A Active CN109146606B (zh) | 2018-07-09 | 2018-07-09 | 一种品牌推荐方法、电子设备、存储介质及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109146606B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111475532A (zh) * | 2020-03-05 | 2020-07-31 | 拉扎斯网络科技(上海)有限公司 | 数据处理的优化方法及装置、存储介质、终端 |
CN111724221A (zh) * | 2019-03-19 | 2020-09-29 | 北京京东尚科信息技术有限公司 | 确定商品匹配信息的方法、***、电子设备及存储介质 |
CN114357235A (zh) * | 2021-12-30 | 2022-04-15 | 广州小鹏汽车科技有限公司 | 交互方法、服务器、终端设备和存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105260471A (zh) * | 2015-10-19 | 2016-01-20 | 广州唯品会信息科技有限公司 | 商品个性化排序模型训练方法及*** |
US20160335706A1 (en) * | 2009-04-30 | 2016-11-17 | Paypal, Inc. | Recommendations based on branding |
CN106296305A (zh) * | 2016-08-23 | 2017-01-04 | 上海海事大学 | 大数据环境下的电商网站实时推荐***与方法 |
US20170060982A1 (en) * | 2015-08-28 | 2017-03-02 | International Business Machines Corporation | Brand Personality Comparison Engine |
CN106485562A (zh) * | 2015-09-01 | 2017-03-08 | 苏宁云商集团股份有限公司 | 一种基于用户历史行为的商品信息推荐方法及*** |
CN107203518A (zh) * | 2016-03-16 | 2017-09-26 | 阿里巴巴集团控股有限公司 | 在线***个性化推荐的方法、***以及装置、电子设备 |
-
2018
- 2018-07-09 CN CN201810744574.8A patent/CN109146606B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160335706A1 (en) * | 2009-04-30 | 2016-11-17 | Paypal, Inc. | Recommendations based on branding |
US20170060982A1 (en) * | 2015-08-28 | 2017-03-02 | International Business Machines Corporation | Brand Personality Comparison Engine |
CN106485562A (zh) * | 2015-09-01 | 2017-03-08 | 苏宁云商集团股份有限公司 | 一种基于用户历史行为的商品信息推荐方法及*** |
CN105260471A (zh) * | 2015-10-19 | 2016-01-20 | 广州唯品会信息科技有限公司 | 商品个性化排序模型训练方法及*** |
CN107203518A (zh) * | 2016-03-16 | 2017-09-26 | 阿里巴巴集团控股有限公司 | 在线***个性化推荐的方法、***以及装置、电子设备 |
CN106296305A (zh) * | 2016-08-23 | 2017-01-04 | 上海海事大学 | 大数据环境下的电商网站实时推荐***与方法 |
Non-Patent Citations (1)
Title |
---|
JING WANG等: "brand recommendation leveraging heterogeneous implicit feedbacks", 《IEEE》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111724221A (zh) * | 2019-03-19 | 2020-09-29 | 北京京东尚科信息技术有限公司 | 确定商品匹配信息的方法、***、电子设备及存储介质 |
CN111475532A (zh) * | 2020-03-05 | 2020-07-31 | 拉扎斯网络科技(上海)有限公司 | 数据处理的优化方法及装置、存储介质、终端 |
CN111475532B (zh) * | 2020-03-05 | 2023-11-03 | 拉扎斯网络科技(上海)有限公司 | 数据处理的优化方法及装置、存储介质、终端 |
CN114357235A (zh) * | 2021-12-30 | 2022-04-15 | 广州小鹏汽车科技有限公司 | 交互方法、服务器、终端设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109146606B (zh) | 2022-02-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102855268B (zh) | 基于属性关系进行图像排序的方法和*** | |
US9483741B2 (en) | Rule-based item classification | |
CN111784455A (zh) | 一种物品推荐方法及推荐设备 | |
CN109189904A (zh) | 个性化搜索方法及*** | |
US11809985B2 (en) | Algorithmic apparel recommendation | |
CN108665333A (zh) | 商品推荐方法、装置、电子设备和存储介质 | |
CN109783539A (zh) | 用户挖掘及其模型构建方法、装置及计算机设备 | |
CN108229590A (zh) | 一种获取多标签用户画像的方法和装置 | |
CN110674407A (zh) | 基于图卷积神经网络的混合推荐方法 | |
CN106104512A (zh) | 用于主动获取社交数据的***和方法 | |
CN110008397B (zh) | 一种推荐模型训练方法及装置 | |
CN105874753A (zh) | 用于社交数据网络用户行为细分的***和方法 | |
CN110909536A (zh) | 用于自动生成产品的文章的***和方法 | |
CN110490625A (zh) | 用户偏好确定方法及装置、电子设备、存储介质 | |
CN108874783A (zh) | 电力信息运维知识模型构建方法 | |
CN109146606A (zh) | 一种品牌推荐方法、电子设备、存储介质及*** | |
CN109213802A (zh) | 用户画像构建方法、装置、终端和计算机可读存储介质 | |
CN110096499A (zh) | 一种基于行为时间序列大数据的用户对象识别方法及*** | |
CN108920521A (zh) | 基于伪本体的用户画像-项目推荐***及方法 | |
CN111737558A (zh) | 一种资讯推荐方法、装置及计算机可读存储介质 | |
CN110599308A (zh) | 基于卷积神经网络的体貌特征识别分类的服装推荐*** | |
CN116308683B (zh) | 基于知识图谱的服装品牌定位推荐方法、设备及存储介质 | |
CN113344648A (zh) | 一种基于机器学习的广告推荐方法及*** | |
CN113495962A (zh) | 基于智慧医疗大数据的内容优化方法及云计算服务*** | |
CN112330426A (zh) | 一种产品推荐方法、装置及存储介质 |
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 |