CN109242631A - 产品智能推荐方法、服务器及存储介质 - Google Patents
产品智能推荐方法、服务器及存储介质 Download PDFInfo
- Publication number
- CN109242631A CN109242631A CN201811081369.4A CN201811081369A CN109242631A CN 109242631 A CN109242631 A CN 109242631A CN 201811081369 A CN201811081369 A CN 201811081369A CN 109242631 A CN109242631 A CN 109242631A
- Authority
- CN
- China
- Prior art keywords
- product
- client
- purchase
- preset
- service type
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000012216 screening Methods 0.000 claims abstract description 45
- 238000012549 training Methods 0.000 claims description 34
- 238000000605 extraction Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 13
- 239000000284 extract Substances 0.000 claims description 9
- 238000012706 support-vector machine Methods 0.000 claims description 9
- 238000004519 manufacturing process Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 abstract 1
- 239000000047 product Substances 0.000 description 164
- 238000000926 separation method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 108010094028 Prothrombin Proteins 0.000 description 1
- 108010000499 Thromboplastin Proteins 0.000 description 1
- 102000002262 Thromboplastin Human genes 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 239000006227 byproduct Substances 0.000 description 1
- AGVAZMGAQJOSFJ-WZHZPDAFSA-M cobalt(2+);[(2r,3s,4r,5s)-5-(5,6-dimethylbenzimidazol-1-yl)-4-hydroxy-2-(hydroxymethyl)oxolan-3-yl] [(2r)-1-[3-[(1r,2r,3r,4z,7s,9z,12s,13s,14z,17s,18s,19r)-2,13,18-tris(2-amino-2-oxoethyl)-7,12,17-tris(3-amino-3-oxopropyl)-3,5,8,8,13,15,18,19-octamethyl-2 Chemical compound [Co+2].N#[C-].[N-]([C@@H]1[C@H](CC(N)=O)[C@@]2(C)CCC(=O)NC[C@@H](C)OP(O)(=O)O[C@H]3[C@H]([C@H](O[C@@H]3CO)N3C4=CC(C)=C(C)C=C4N=C3)O)\C2=C(C)/C([C@H](C\2(C)C)CCC(N)=O)=N/C/2=C\C([C@H]([C@@]/2(CC(N)=O)C)CCC(N)=O)=N\C\2=C(C)/C2=N[C@]1(C)[C@@](C)(CC(N)=O)[C@@H]2CCC(N)=O AGVAZMGAQJOSFJ-WZHZPDAFSA-M 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- BTCSSZJGUNDROE-UHFFFAOYSA-N gamma-aminobutyric acid Chemical compound NCCCC(O)=O BTCSSZJGUNDROE-UHFFFAOYSA-N 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及大数据技术，揭露了一种产品智能推荐方法、服务器及存储介质，该方法获取已购买产品的客户的相关信息，包括基本信息和购买信息，并利用预设的筛选规则筛选出具有购买力的客户。接着，该方法根据所述具有购买力的客户的购买信息，统计每个客户购买的产品中未涉及的服务类型得到所述服务类型对应的产品，将所述服务类型对应的产品及购买信息映射成特征向量输入预先确定的预测模型，预测得到每个客户购买所述服务类型对应的产品的购买概率。最后，该方法判断购买概率是否大于预设阈值，若所述购买概率大于预设阈值，则将所述购买概率对应的产品推荐给该客户。利用本发明，能够智能的向客户推荐合适的服务类型产品。
Description
技术领域
本发明涉及大数据技术领域，尤其涉及一种产品智能推荐方法、服务器及计算机可读存储介质。
背景技术
互联网时代，面对众多的产品和大量不同需求的客户，如何向客户推荐最适合的产品，是企业营销一直在探索的问题。
以保险产品为例，随着社会的发展，人们越来越倾向于通过购买保险产品来保障人身及财产安全。然而，每一项服务类产品所涉及到的服务类型是有限的，没有一种服务类产品能够向客户提供全面的服务。已购买过服务类产品的客户都具有一定的购买力，但目前的***无法根据客户的信息和已购买的产品去分析客户的购买能力，智能地向客户推荐适合的服务类产品。
发明内容
鉴于以上内容，本发明提供一种产品智能推荐方法、服务器及计算机可读存储介质，其主要目的在于为客户推荐合适的服务类产品。
为实现上述目的，本发明提供一种产品智能推荐方法，该方法包括：
获取步骤：获取已购买产品的客户的相关信息，包括基本信息和购买信息；
筛选步骤：根据客户的基本信息，利用预设的筛选规则筛选出具有购买力的客户；
统计步骤：根据所述具有购买力的客户的购买信息，统计每个客户购买的产品中未涉及的服务类型得到所述未涉及的服务类型对应的产品；
预测步骤：将所述未涉及的服务类型对应的产品及购买信息映射成特征向量输入预先确定的预测模型，预测得到每个客户购买所述未涉及的服务类型对应的产品的购买概率；
推荐步骤：判断所述购买概率是否大于预设阈值，若所述购买概率大于预设阈值，则将所述购买概率大于所述预设阈值的产品推荐给该客户。
优选地，所述预先确定的预测模型为支持向量机模型，所述预先确定的预测模型的训练步骤如下：
获取预设数量具有购买力的客户的购买信息、未涉及的服务类型对应的产品及预设时间内购买的产品组成样本集；
从样本集中抽取第一比例的购买信息、未涉及的服务类型对应的产品及预设时间内购买的产品作为训练集，从样本集中抽取第二比例的购买信息、未涉及的服务类型对应的产品及预设时间内购买的产品作为验证集；
利用所述训练集对支持向量机模型进行训练，得到所述预测模型；及
利用所述验证集对所述预测模型的准确率进行验证，若准确率大于或者等于预设值，则训练结束，若准确率小于预设值，则增加具有购买力的客户的数量并重新执行训练步骤直至准确率大于或等于预设值。
优选地，所述预先确定的推荐模型的表达式为：
其中，P代表未涉及的服务类型对应的产品的购买概率，A、B代表模型系数，f(x)代表支持向量机的决策函数。
优选地，所述预设的筛选规则包括：
根据客户的基本信息，提取出与筛选表对应的多个因子，将提取出的多个因子进行排序；
按照排序顺序，逐一选择提取出的因子与筛选表中对应的因子相比较，得到各个提取的因子的初始分值；
根据得到的初始分值，利用预设的权重计算公式进行计算，得到该客户的购买力得分；
判断客户的购买力得分是否大于或等于预设购买力阈值，若客户的购买力得分大于或等于预设购买力阈值，则判断该客户具有购买力。
优选地，所述预设的权重计算公式为：
其中，Y代表客户的购买力得分，n为整数且n＞0，ki代表第i个因子的权重系数，Xi代表第i个因子的初始分值。
优选地，该方法还包括：
若存在多个购买概率大于预设阈值的产品，则将所述多个购买概率大于预设阈值的产品按照购买概率由大到小的顺序进行排序，优先向客户推荐购买概率最高的产品。
此外，本发明还提供一种服务器，该服务器包括：存储器、处理器及显示器，所述存储器上存储产品智能推荐程序，所述产品智能推荐程序被所述处理器执行，可实现如下步骤：
获取步骤：获取已购买产品的客户的相关信息，包括基本信息和购买信息；
筛选步骤：根据客户的基本信息，利用预设的筛选规则筛选出具有购买力的客户；
统计步骤：根据所述具有购买力的客户的购买信息，统计每个客户购买的产品中未涉及的服务类型得到所述未涉及的服务类型对应的产品；
预测步骤：将所述未涉及的服务类型对应的产品及购买信息映射成特征向量输入预先确定的预测模型，预测得到每个客户购买所述未涉及的服务类型对应的产品的购买概率；
推荐步骤：判断所述购买概率是否大于预设阈值，若所述购买概率大于预设阈值，则将所述购买概率大于所述预设阈值的产品推荐给该客户。
优选地，所述预先确定的预测模型为支持向量机模型，所述预先确定的预测模型的训练步骤如下：
获取预设数量具有购买力的客户的购买信息、未涉及的服务类型对应的产品及预设时间内购买的产品组成样本集；
从样本集中抽取第一比例的购买信息、未涉及的服务类型对应的产品及预设时间内购买的产品作为训练集，从样本集中抽取第二比例的购买信息、未涉及的服务类型对应的产品及预设时间内购买的产品作为验证集；
利用所述训练集对支持向量机模型进行训练，得到所述预测模型；及
利用所述验证集对所述预测模型的准确率进行验证，若准确率大于或者等于预设值，则训练结束，若准确率小于预设值，则增加具有购买力的客户的数量并重新执行训练步骤直至准确率大于或等于预设值。
优选地，所述预设的筛选规则包括：
根据客户的基本信息，提取出与筛选表对应的多个因子，将提取出的多个因子进行排序；
按照排序顺序，逐一选择提取出的因子与筛选表中对应的因子相比较，得到各个提取的因子的初始分值；
根据得到的初始分值，利用预设的权重计算公式进行计算，得到该客户的购买力得分；
判断客户的购买力得分是否大于或等于预设购买力阈值，若客户的购买力得分大于或等于预设购买力阈值，则判断该客户具有购买力。
此外，为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中包括产品智能推荐程序，所述产品智能推荐程序被处理器执行时，可实现如上所述产品智能推荐方法中的任意步骤。
本发明提出的产品智能推荐方法、服务器及计算机可读存储介质，通过获取已购买产品的客户的相关信息，利用预设的筛选规则筛选出具有购买力的客户，接着，统计每个客户所购买的产品中未涉及的服务类型对应的产品，将所述服务类型对应的产品及购买信息映射成特征向量输入预先确定的预测模型，预测每个客户购买所述服务类型对应的产品的购买概率，若所述购买概率大于预设阈值，则将所述购买概率对应的产品推荐给该客户，从而充分挖掘客户的购买力，为客户推荐合适的服务类型产品。
附图说明
图1为本发明服务器较佳实施例的示意图；
图2为图1中产品智能推荐程序较佳实施例的模块示意图；
图3为本发明产品智能推荐方法较佳实施例的流程图；
图4为本发明预测模型的训练流程图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
如图1所示，是本发明服务器1较佳实施例的示意图。
在本实施例中，服务器1是指产品服务平台，该服务器1可以是服务器、平板电脑、个人电脑、便携计算机以及其它具有运算功能的电子设备。
该服务器1包括：存储器11、处理器12、显示器13及网络接口14。其中，网络接口14可选地可以包括标准的有线接口、无线接口(如WI-FI接口)。
存储器11至少包括一种类型的可读存储介质。所述至少一种类型的可读存储介质可为如闪存、硬盘、多媒体卡、卡型存储器等的非易失性存储介质。在一些实施例中，所述存储器11可以是所述服务器1的内部存储单元，例如该服务器1的硬盘。在另一些实施例中，所述存储器11也可以是所述服务器1的外部存储单元，例如所述服务器1上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。在本实施例中，所述存储器11不仅可以用于存储安装于所述服务器1的应用软件及各类数据，例如产品智能推荐程序10及预先确定的预测模型等。
处理器12在一些实施例中可以是一中央处理器(Central Processing Unit，CPU)，微处理器或其它数据处理芯片，用于运行存储器11中存储的程序代码或处理数据，例如执行产品智能推荐程序10的计算机程序代码、执行预测模型的训练等。
显示器13可以称为显示屏或显示单元。在一些实施例中显示器13可以是LED显示器、液晶显示器、触控式液晶显示器以及有机发光二极管(Organic Light-EmittingDiode，OLED)触摸器等。显示器13用于显示在服务器1中处理的信息以及用于显示可视化的工作界面，例如显示推荐给客户的产品。
图1仅示出了具有组件11-14以及产品智能推荐程序10的服务器1，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。
可选地，该服务器1还可以包括用户接口，用户接口可以包括输入单元比如键盘(Keyboard)、语音输出装置比如音响、耳机等，可选地用户接口还可以包括标准的有线接口、无线接口。
可选地，该服务器1还包括触摸传感器。所述触摸传感器所提供的供用户进行触摸操作的区域称为触控区域。此外，这里所述的触摸传感器可以为电阻式触摸传感器、电容式触摸传感器等。而且，所述触摸传感器不仅包括接触式的触摸传感器，也可包括接近式的触摸传感器等。此外，所述触摸传感器可以为单个传感器，也可以为例如阵列布置的多个传感器。用户可以通过触摸所述触控区域启动产品智能推荐程序10。
此外，该服务器1的显示器13的面积可以与所述触摸传感器的面积相同，也可以不同。可选地，将显示器13与所述触摸传感器层叠设置，以形成触摸显示屏。该装置基于触摸显示屏侦测用户触发的触控操作。
该服务器1还可以包括射频(Radio Frequency，RF)电路、传感器和音频电路等等，在此不再赘述。
如图2所示，是图1中产品智能推荐程序10较佳实施例的模块示意图。本发明所称的模块是指能够完成特定功能的一系列计算机程序指令段。
在本实施例中，产品智能推荐程序10包括：获取模块110、筛选模块120、统计模块130、预测模块140及推荐模块150，所述模块110-150所实现的功能或操作步骤如下：
获取模块110，用于获取已购买产品的客户的相关信息。其中，所述相关信息包括基本信息和购买信息。所述基本信息包括：客户的姓名、身份证号码、年龄、职业、收入及财产等。进一步地，职业还包括职业名称及职业等级。所述购买信息包括购买产品种类、风险保额、购买产品所涉及的服务类型及购买日期。
筛选模块120，用于根据客户的基本信息，利用预设的筛选规则筛选出具有购买力的客户。所述具有购买力的客户是指拥有继续购买服务类产品能力的客户。所述预设的筛选规则包括：根据客户的基本信息，提取出与筛选表对应的多个因子，并将提取出的多个因子进行排序。接着，按照排序顺序，逐一选择提取出的因子与筛选表中对应的因子相比较，得到各个提取的因子的初始分值。所述筛选表用于存储各个因子的等级分类及对应的初始分值。但应理解的是，所述筛选表中不同因子的等级分类不同，对应的初始分值的设置也不同。进一步地，同一个因子的不同类型的等级分类可以不同。最后，根据得到的初始分值，利用预设的权重计算公式进行计算，得到该客户的购买力得分，并判断客户的购买力得分是否大于或等于预设购买力阈值，若客户的购买力得分大于或等于预设购买力阈值，则判断该客户具有购买力。所述预设的权重计算公式为：
其中，Y代表客户的购买力得分，n为整数且n＞0，ki代表第i个因子的权重系数，Xi代表第i个因子的初始分值。但应理解的是，所述筛选规则不仅限于提取四个因子进行筛选具有购买力的客户，还可以根据实际情况提取多个因子进行筛选。
统计模块130，用于根据所述具有购买力的客户的购买信息，统计每个客户所购买的产品中未涉及的服务类型得到所述服务类型对应的产品。具体地，根据具有购买力的客户的购买信息，即历史购买数据，包括过去购买的产品的种类、购买额度、购买产品所涉及的服务类型及购买日期，统计所述具有购买力的客户所购买的产品中未涉及的服务类型，得到未涉及的服务类型对应的产品。
预测模块140，用于将所述服务类型对应的产品及购买信息映射成特征向量输入预先确定的预测模型，预测得到每个客户购买所述未涉及服务类型所对应的产品的购买概率。具体地，所述预先确定的预测模型为支持向量机模型(Support Vector Machines，SVM)，所述预测模型的表达式为：
其中，P代表未涉及的服务类型对应的产品的购买概率，A、B代表模型系数，f(x)代表支持向量机的决策函数。所述支持向量机的决策函数的表达式为：
其中，yi、ai、b代表函数系数，K(xi，x)为核函数，代表预测特征向量与已知特征向量在特征空间的内积，即K(xi，x)＝<xi，x>。所述预测特征向量与已知特征向量分别代表未涉及的服务类型的产品与购买信息中已购买的产品在特征空间上映射的特征向量。根据特征向量在特征空间的内积的大小，得到客户购买该未涉及的服务类型的产品的购买概率。所述预测模型是预先训练好的，如图4所示，所述预测模型的训练步骤如下：
获取预设数量具有购买力的客户的购买信息、未涉及的服务类型对应的产品及预设时间内购买的产品组成样本集；
从样本集中抽取第一比例的购买信息、未涉及的服务类型对应的产品及预设时间内购买的产品作为训练集，从样本集中抽取第二比例的购买信息、未涉及的服务类型对应的产品及预设时间内购买的产品作为验证集；
利用所述训练集对支持向量机模型进行训练，得到所述预测模型；及
利用所述验证集对所述预测模型的准确率进行验证，若准确率大于或者等于预设值，则训练结束，若准确率小于预设值，则增加具有购买力的客户的数量并重新执行训练步骤直至准确率大于或等于预设值。
但应理解的是，所述推荐模型不限于SVM模型，还可以是随机森林(RandomForest，RF)模型等。
推荐模块150，用于判断所述购买概率是否大于预设阈值，若所述购买概率大于预设阈值，则将所述购买概率大于所述预设阈值的产品推荐给该客户。进一步地，若存在多个购买概率大于预设阈值的产品，则将所述多个购买概率大于预设阈值的产品按照购买概率由大到小的顺序进行排序，优先向客户推荐购买概率最高的产品。
如图3所示，是本发明产品智能推荐方法较佳实施例的流程图。
在本实施例中，处理器12执行存储器11中存储的产品智能推荐程序10的计算机程序时实现产品智能推荐方法包括：步骤S10-步骤S50，下面将以保险产品为例对本发明加以阐述：
步骤S10，获取模块110获取已购买产品的客户的相关信息。其中，所述相关信息包括基本信息和购买信息。所述基本信息包括：客户的姓名、身份证号码、年龄、职业、收入及财产等。例如，姓名：张三、身份证号码：440682********7455、年龄：34岁、职业：高级建筑设计工程师、收入：年薪200万、财产：两套房子和一辆车总价值为2000万。进一步地，职业还包括职业名称及职业等级。例如，建筑设计工程师等级分为：初级、中级、高级及专家级。所述购买信息包括购买产品种类、风险保额、购买产品所涉及的服务类型及购买日期等。以保险产品为例，所述服务类型是指保险产品所涉及的责任。其中，所述产品可以涉及多种服务类型，不同的产品所涉及的服务类型可以相同。例如，张三购买了A、B、C保险产品，对应的风险保额为150万、100万、200万，涉及的责任类型分别为ab、ac、acd，购买日期分别是2017年06月03号、2017年06月12号、2017年06月29号。
步骤S20，根据客户的基本信息，筛选模块120利用预设的筛选规则筛选出具有购买力的客户。所述具有购买力是指拥有继续购买产品的能力。所述预设的筛选规则包括：根据客户的基本信息，提取出与筛选表对应的多个因子，并将提取出的多个因子进行排序。假设，提取出4个因子，分别对应客户的年龄、职业、收入及财产，并对所述的年龄、职业、收入、财产进行排序。假设，某客户张三的年龄：34岁、职业：高级建筑设计工程师、收入：年薪200万、财产：两套房子和一辆车总价值为2000万。接着，按照排序顺序，逐一选择提取出的因子与筛选表中对应的因子相比较，得到各个提取的因子的初始分值。例如，张三的年龄、职业、收入及财产与筛选表中相对应的因子进行对比，得到的初始分值分别为100、90、80、90。所述筛选表用于存储各个因子的等级分类及对应的初始分值。但应理解的是，所述筛选表中不同因子的等级分类不同，对应的初始分值的设置也不同。例如，收入等级分为：年薪10万以下、10-50万、50-500万、500-1000万、1000万以上，不同收入等级对应的初始分值分别为60、70、80、90、100；建筑设计工程师等级分为：初级、中级、高级、专家级，不同收入等级对应的初始分值分别为70、80、90、100。进一步地，同一个因子的不同类型的等级分类可以不同。如IT工程师分为：初级、中级、高级。最后，根据得到的初始分值，利用预设的权重计算公式进行计算，得到该客户的购买力得分，并判断客户的购买力得分是否大于或等于预设购买力阈值，若客户的购买力得分大于或等于预设购买力阈值，则判断该客户具有购买力。所述预设的权重计算公式为：
其中，Y代表客户的购买力得分，n为整数且n＞0，ki代表第i个因子的权重系数，Xi代表第i个因子的初始分值。假设，n＝4，权重系数：k1、k2、k3、k4分别0.2、0.2、0.3、0.3，客户张三的第一因子、第二因子、第三因子及第四因子的初始分值分别为100、90、80、90，则该客户张三的购买力得分为89，假设预设购买力阈值为80，则判断张三具有购买力。但应理解的是，所述筛选规则不仅限于提取四个因子进行筛选具有购买力的客户，还可以根据实际情况提取多个因子进行筛选。
步骤S30，根据所述具有购买力的客户的购买信息，统计模块130统计每个客户所购买的产品中未涉及服务类型所对应的产品。具体地，根据具有购买力的客户的购买信息，即历史购买数据，包括过去购买产品的种类、购买额度、购买产品所涉及的服务类型及购买日期，统计所述具有购买力的客户所购买的产品中未涉及的服务类型，得到未涉及的服务类型所对应的产品。例如，根据客户张三的购买信息，得到张三购买的保险产品中未涉及的责任所对应的保险产品D、E、F，涉及的责任分别为ace、bf、ef。
步骤S40，预测模块140将所述未涉及服务类型所对应的产品及购买信息映射成特征向量输入预先确定的预测模型，预测得到每个客户购买所述未涉及服务类型所对应的产品的购买概率。具体地，所述预先确定的预测模型为支持向量机模型(Support VectorMachines，SVM)，所述预测模型的表达式为：
其中，P代表未涉及的服务类型对应的产品的购买概率，A、B代表模型系数，f(x)代表支持向量机的决策函数。所述支持向量机的决策函数的表达式为：
其中，yi、ai、b代表函数系数，K(xi，x)为核函数，代表预测特征向量与已知特征向量在特征空间的内积，即K(xi，x)＝<xi，x>。所述预测特征向量与已知特征向量分别代表未涉及的服务类型的产品与购买信息中已购买的产品在特征空间上映射的特征向量。根据特征向量在特征空间的内积的大小，得到客户购买该未涉及服务类型的产品的购买概率。所述预测模型是预先训练好的，如图4所示，所述预测模型的训练步骤如下：
获取预设数量具有购买力的客户的购买信息、未涉及的服务类型所对应的产品及预设时间内购买的产品组成样本集。例如，获取10万个具有购买力的客户的购买信息，提取客户在预设时间内，如1-5月内，购买的保险产品及该客户在所述预设时间的下一段时间内，如6月，购买的未涉及责任的保险产品映射成特征向量，组成样本集。
从样本集中抽取第一比例的购买信息、未涉及的服务类型对应的产品及预设时间内购买的产品作为训练集，从样本集中抽取第二比例的购买信息、未涉及的服务类型所对应的产品及预设时间内购买的产品作为验证集。例如，从样本集中随机抽取70％，即7万个客户，的特征向量作为训练集，并从样本集中随机抽取30％，及3万个客户，的特征向量作为验证集。
利用所述训练集对支持向量机模型进行训练，得到所述预测模型。例如，将训练集中特征向量输入到SVM模型，得到各个对应未涉及责任的保险产品的购买概率。根据各个对应未涉及责任的保险产品的购买概率及下一段时间客户购买的保险产品，调整模型系数，生成所述预测模型。
利用所述验证集对所述预测模型的准确率进行验证，若准确率大于或者等于预设值，则训练结束，若准确率小于预设值，则增加具有购买力的客户的数量并重新执行训练步骤直至准确率大于或等于预设值。例如，将验证集中的特征向量输入到所述预测模型进行验证，若准确率大于或等于90％，则输出该模型。
但应理解的是，所述推荐模型不限于SVM模型，还可以是随机森林(RandomForest，RF)模型等。
步骤S50，推荐模块150判断所述购买概率是否大于预设阈值，若所述购买概率大于预设阈值，则将购买概率大于所述预设阈值的产品推荐给该客户。例如，未涉及责任所对应的保险产品F的购买概率大于预设阈值，则将该保险产品F推荐给客户张三。进一步地，若存在多个购买概率大于预设阈值的产品，则将所述多个购买概率大于预设阈值的产品按照购买概率由大到小的顺序进行排序，优先向客户推荐购买概率最高的产品。假设，假设，预设阈值为70％，张三的未涉及责任的保险产品D、E、F的购买概率分别为75％、78％、90％，均超过70％，则按照购买概率由大到小对保险产品进行排序，将保险产品F优先推荐给客户张三。
上述实施例提出的产品智能推荐方法，通过筛选出具有购买力的客户并统计每个客户所购买的产品中未涉及的服务类型对应的产品，预测每个客户购买所述未涉及的服务类型对应的产品的购买概率，将购买概率大于预设阈值的未涉及的服务类型对应的产品推荐给该客户，从而有效地为客户推荐合适的产品。
此外，本发明实施例还提出一种计算机可读存储介质，所述计算机可读存储介质中包括产品智能推荐程序10，所述产品智能推荐程序10被处理器执行时实现如下操作：
获取步骤：获取已购买产品的客户的相关信息，包括基本信息和购买信息；
筛选步骤：根据客户的基本信息，利用预设的筛选规则筛选出具有购买力的客户；
统计步骤：根据所述具有购买力的客户的购买信息，统计每个客户购买的产品中未涉及的服务类型得到所述未涉及的服务类型对应的产品；
预测步骤：将所述未涉及的服务类型对应的产品及购买信息映射成特征向量输入预先确定的预测模型，预测得到每个客户购买所述未涉及的服务类型对应的产品的购买概率；
推荐步骤：判断所述购买概率是否大于预设阈值，若所述购买概率大于预设阈值，则将所述购买概率大于所述预设阈值的产品推荐给该客户。
优选地，所述预先确定的预测模型为支持向量机模型，所述预先确定的预测模型的训练步骤如下：
获取预设数量具有购买力的客户的购买信息、未涉及的服务类型对应的产品及预设时间内购买的产品组成样本集；
从样本集中抽取第一比例的购买信息、未涉及的服务类型对应的产品及预设时间内购买的产品作为训练集，从样本集中抽取第二比例的购买信息、未涉及的服务类型对应的产品及预设时间内购买的产品作为验证集；
利用所述训练集对支持向量机模型进行训练，得到所述预测模型；及
利用所述验证集对所述预测模型的准确率进行验证，若准确率大于或者等于预设值，则训练结束，若准确率小于预设值，则增加具有购买力的客户的数量并重新执行训练步骤直至准确率大于或等于预设值。
优选地，所述预先确定的推荐模型的表达式为：
其中，P代表未涉及的服务类型对应的产品的购买概率，A、B代表模型系数，f(x)代表支持向量机的决策函数。
优选地，所述预设的筛选规则包括：
根据客户的基本信息，提取出与筛选表对应的多个因子，将提取出的多个因子进行排序；
按照排序顺序，逐一选择提取出的因子与筛选表中对应的因子相比较，得到各个提取的因子的初始分值；
根据得到的初始分值，利用预设的权重计算公式进行计算，得到该客户的购买力得分；
判断客户的购买力得分是否大于或等于预设购买力阈值，若客户的购买力得分大于或等于预设购买力阈值，则判断该客户具有购买力。
优选地，所述预设的权重计算公式为：
其中，Y代表客户的购买力得分，n为整数且n＞0，ki代表第i个因子的权重系数，Xi代表第i个因子的初始分值。
优选地，该方法还包括：
若存在多个购买概率大于预设阈值的产品，则将所述多个购买概率大于预设阈值的产品按照购买概率由大到小的顺序进行排序，优先向客户推荐购买概率最高的产品。
本发明之计算机可读存储介质的具体实施方式与上述产品智能推荐方法的具体实施方式大致相同，在此不再赘述。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
需要说明的是，在本文中，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、装置、物品或者方法不仅包括那些要素，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、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其它相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种产品智能推荐方法，应用于服务器，其特征在于，所述方法包括：
获取步骤：获取已购买产品的客户的相关信息，包括基本信息和购买信息；
筛选步骤：根据客户的基本信息，利用预设的筛选规则筛选出具有购买力的客户；
统计步骤：根据所述具有购买力的客户的购买信息，统计每个客户购买的产品中未涉及的服务类型得到所述未涉及的服务类型对应的产品；
预测步骤：将所述未涉及的服务类型对应的产品及购买信息映射成特征向量输入预先确定的预测模型，预测得到每个客户购买所述未涉及的服务类型对应的产品的购买概率；
推荐步骤：判断所述购买概率是否大于预设阈值，若所述购买概率大于预设阈值，则将所述购买概率大于所述预设阈值的产品推荐给该客户。
2.根据权利要求1所述的产品智能推荐方法，其特征在于，所述预先确定的预测模型为支持向量机模型，所述预先确定的预测模型的训练步骤如下：
获取预设数量具有购买力的客户的购买信息、未涉及的服务类型对应的产品及预设时间内购买的产品组成样本集；
从样本集中抽取第一比例的购买信息、未涉及的服务类型对应的产品及预设时间内购买的产品作为训练集，从样本集中抽取第二比例的购买信息、未涉及的服务类型对应的产品及预设时间内购买的产品作为验证集；
利用所述训练集对支持向量机模型进行训练，得到所述预测模型；及
利用所述验证集对所述预测模型的准确率进行验证，若准确率大于或者等于预设值，则训练结束，若准确率小于预设值，则增加具有购买力的客户的数量并重新执行训练步骤直至准确率大于或等于预设值。
3.根据权利要求1或2所述的产品智能推荐方法，其特征在于，所述预先确定的推荐模型的表达式为：
其中，P代表未涉及的服务类型对应的产品的购买概率，A、B代表模型系数，f(x)代表支持向量机的决策函数。
4.根据权利要求1所述的产品智能推荐方法，其特征在于，所述预设的筛选规则包括：
根据客户的基本信息，提取出与筛选表对应的多个因子，将提取出的多个因子进行排序；
按照排序顺序，逐一选择提取出的因子与筛选表中对应的因子相比较，得到各个提取的因子的初始分值；
根据得到的初始分值，利用预设的权重计算公式进行计算，得到该客户的购买力得分；
判断客户的购买力得分是否大于或等于预设购买力阈值，若客户的购买力得分大于或等于预设购买力阈值，则判断该客户具有购买力。
5.根据权利要求1或4所述的产品智能推荐方法，其特征在于，所述预设的权重计算公式为：
其中，Y代表客户的购买力得分，n为整数且n>0，ki代表第i个因子的权重系数，Xi代表第i个因子的初始分值。
6.根据权利要求1所述的产品智能推荐方法，其特征在于，该方法还包括：
若存在多个购买概率大于预设阈值的产品，则将所述多个购买概率大于预设阈值的产品按照购买概率由大到小的顺序进行排序，优先向客户推荐购买概率最高的产品。
7.一种服务器，其特征在于，所述服务器包括：存储器、处理器及显示器，所述存储器上存储有产品智能推荐程序，所述产品智能推荐程序被所述处理器执行，可实现如下步骤：
获取步骤：获取已购买产品的客户的相关信息，包括基本信息和购买信息；
筛选步骤：根据客户的基本信息，利用预设的筛选规则筛选出具有购买力的客户；
统计步骤：根据所述具有购买力的客户的购买信息，统计每个客户购买的产品中未涉及的服务类型得到所述未涉及的服务类型对应的产品；
预测步骤：将所述未涉及的服务类型对应的产品及购买信息映射成特征向量输入预先确定的预测模型，预测得到每个客户购买所述未涉及的服务类型对应的产品的购买概率；
推荐步骤：判断所述购买概率是否大于预设阈值，若所述购买概率大于预设阈值，则将所述购买概率大于所述预设阈值的产品推荐给该客户。
8.根据权利要求7所述的服务器，其特征在于，所述预先确定的预测模型为支持向量机模型，所述预先确定的预测模型的训练步骤如下：
获取预设数量具有购买力的客户的购买信息、未涉及的服务类型对应的产品及预设时间内购买的产品组成样本集；
从样本集中抽取第一比例的购买信息、未涉及的服务类型对应的产品及预设时间内购买的产品作为训练集，从样本集中抽取第二比例的购买信息、未涉及的服务类型对应的产品及预设时间内购买的产品作为验证集；
利用所述训练集对支持向量机模型进行训练，得到所述预测模型；及
利用所述验证集对所述预测模型的准确率进行验证，若准确率大于或者等于预设值，则训练结束，若准确率小于预设值，则增加具有购买力的客户的数量并重新执行训练步骤直至准确率大于或等于预设值。
9.根据权利要求7所述的服务器，其特征在于，所述预设的筛选规则包括：
根据客户的基本信息，提取出与筛选表对应的多个因子，将提取出的多个因子进行排序；
按照排序顺序，逐一选择提取出的因子与筛选表中对应的因子相比较，得到各个提取的因子的初始分值；
根据得到的初始分值，利用预设的权重计算公式进行计算，得到该客户的购买力得分；
判断客户的购买力得分是否大于或等于预设购买力阈值，若客户的购买力得分大于或等于预设购买力阈值，则判断该客户具有购买力。
10.一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中包括产品智能推荐程序，所述产品智能推荐程序被处理器执行时，可实现如权利要求1至6中任一项所述产品智能推荐方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811081369.4A CN109242631A (zh) | 2018-09-17 | 2018-09-17 | 产品智能推荐方法、服务器及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811081369.4A CN109242631A (zh) | 2018-09-17 | 2018-09-17 | 产品智能推荐方法、服务器及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109242631A true CN109242631A (zh) | 2019-01-18 |
Family
ID=65058635
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811081369.4A Pending CN109242631A (zh) | 2018-09-17 | 2018-09-17 | 产品智能推荐方法、服务器及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109242631A (zh) |
Cited By (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110009417A (zh) * | 2019-04-02 | 2019-07-12 | 深圳前海微众银行股份有限公司 | 目标客户筛选方法、装置、设备及计算机可读存储介质 |
| CN110162722A (zh) * | 2019-04-12 | 2019-08-23 | 深圳壹账通智能科技有限公司 | 基于二维码的产品推荐方法、服务器及存储介质 |
| CN110598995A (zh) * | 2019-08-15 | 2019-12-20 | 中国平安人寿保险股份有限公司 | 智能客户评级方法、装置及计算机可读存储介质 |
| CN110610378A (zh) * | 2019-08-14 | 2019-12-24 | 深圳壹账通智能科技有限公司 | 产品需求分析方法、装置、计算机设备和存储介质 |
| CN110795621A (zh) * | 2019-09-26 | 2020-02-14 | 北京你财富计算机科技有限公司 | 一种金融产品推荐信息展示方法、装置及电子设备 |
| CN111161026A (zh) * | 2019-12-30 | 2020-05-15 | 珠海乐活公社网络科技有限公司 | 基于电商平台的商品信息推送方法和装置 |
| CN111626821A (zh) * | 2020-05-26 | 2020-09-04 | 山东大学 | 基于集成特征选择实现客户分类的产品推荐方法及*** |
| CN111798273A (zh) * | 2020-07-01 | 2020-10-20 | 中国建设银行股份有限公司 | 产品的购买概率预测模型的训练方法及购买概率预测方法 |
| CN111861674A (zh) * | 2020-07-28 | 2020-10-30 | 中国银行股份有限公司 | 一种产品推荐方法和*** |
| CN111861623A (zh) * | 2019-12-30 | 2020-10-30 | 北京骑胜科技有限公司 | 信息推荐方法、装置和设备 |
| CN112070615A (zh) * | 2020-09-02 | 2020-12-11 | 中国银行股份有限公司 | 基于知识图谱的理财产品推荐方法及装置 |
| CN112214675A (zh) * | 2020-10-19 | 2021-01-12 | ***通信集团江苏有限公司 | 用户购机的确定方法、装置、设备及计算机存储介质 |
| CN112598472A (zh) * | 2020-12-25 | 2021-04-02 | 中国工商银行股份有限公司 | 产品推荐方法、装置、***、介质和程序产品 |
| CN112634061A (zh) * | 2020-07-21 | 2021-04-09 | 中国再保险(集团)股份有限公司 | 一种用户数据处理方法及装置 |
| CN112866760A (zh) * | 2021-01-18 | 2021-05-28 | 青岛聚看云科技有限公司 | 一种内容显示方法、显示设备及服务器 |
| WO2021189949A1 (zh) * | 2020-03-26 | 2021-09-30 | 平安科技（深圳）有限公司 | 信息推荐方法、装置、电子设备及介质 |
| CN113657495A (zh) * | 2021-08-17 | 2021-11-16 | 平安科技（深圳）有限公司 | 基于概率预测模型的保险产品推荐方法、装置、设备 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130041781A1 (en) * | 2011-08-08 | 2013-02-14 | Mary-Stuart G. FREYDBERG | Digital personal market and shopping network |
| CN108154420A (zh) * | 2017-12-26 | 2018-06-12 | 泰康保险集团股份有限公司 | 产品推荐方法及装置、存储介质、电子设备 |
| CN108171553A (zh) * | 2018-01-17 | 2018-06-15 | 焦点科技股份有限公司 | 一种周期***或产品的潜在客户挖掘***与方法 |
-
2018
- 2018-09-17 CN CN201811081369.4A patent/CN109242631A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130041781A1 (en) * | 2011-08-08 | 2013-02-14 | Mary-Stuart G. FREYDBERG | Digital personal market and shopping network |
| CN108154420A (zh) * | 2017-12-26 | 2018-06-12 | 泰康保险集团股份有限公司 | 产品推荐方法及装置、存储介质、电子设备 |
| CN108171553A (zh) * | 2018-01-17 | 2018-06-15 | 焦点科技股份有限公司 | 一种周期***或产品的潜在客户挖掘***与方法 |
Non-Patent Citations (1)
| Title |
|---|
| 司马海峰等: "《遥感图像分类中的智能计算方法》", 31 January 2018, 吉林大学出版社 * |
Cited By (24)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110009417B (zh) * | 2019-04-02 | 2023-04-18 | 深圳前海微众银行股份有限公司 | 目标客户筛选方法、装置、设备及计算机可读存储介质 |
| CN110009417A (zh) * | 2019-04-02 | 2019-07-12 | 深圳前海微众银行股份有限公司 | 目标客户筛选方法、装置、设备及计算机可读存储介质 |
| CN110162722A (zh) * | 2019-04-12 | 2019-08-23 | 深圳壹账通智能科技有限公司 | 基于二维码的产品推荐方法、服务器及存储介质 |
| CN110610378A (zh) * | 2019-08-14 | 2019-12-24 | 深圳壹账通智能科技有限公司 | 产品需求分析方法、装置、计算机设备和存储介质 |
| CN110598995A (zh) * | 2019-08-15 | 2019-12-20 | 中国平安人寿保险股份有限公司 | 智能客户评级方法、装置及计算机可读存储介质 |
| CN110598995B (zh) * | 2019-08-15 | 2023-08-25 | 中国平安人寿保险股份有限公司 | 智能客户评级方法、装置及计算机可读存储介质 |
| CN110795621A (zh) * | 2019-09-26 | 2020-02-14 | 北京你财富计算机科技有限公司 | 一种金融产品推荐信息展示方法、装置及电子设备 |
| CN111861623A (zh) * | 2019-12-30 | 2020-10-30 | 北京骑胜科技有限公司 | 信息推荐方法、装置和设备 |
| CN111161026A (zh) * | 2019-12-30 | 2020-05-15 | 珠海乐活公社网络科技有限公司 | 基于电商平台的商品信息推送方法和装置 |
| WO2021189949A1 (zh) * | 2020-03-26 | 2021-09-30 | 平安科技（深圳）有限公司 | 信息推荐方法、装置、电子设备及介质 |
| CN111626821A (zh) * | 2020-05-26 | 2020-09-04 | 山东大学 | 基于集成特征选择实现客户分类的产品推荐方法及*** |
| CN111626821B (zh) * | 2020-05-26 | 2024-03-12 | 山东大学 | 基于集成特征选择实现客户分类的产品推荐方法及*** |
| CN111798273A (zh) * | 2020-07-01 | 2020-10-20 | 中国建设银行股份有限公司 | 产品的购买概率预测模型的训练方法及购买概率预测方法 |
| CN112634061A (zh) * | 2020-07-21 | 2021-04-09 | 中国再保险(集团)股份有限公司 | 一种用户数据处理方法及装置 |
| CN111861674A (zh) * | 2020-07-28 | 2020-10-30 | 中国银行股份有限公司 | 一种产品推荐方法和*** |
| CN111861674B (zh) * | 2020-07-28 | 2023-07-18 | 中国银行股份有限公司 | 一种产品推荐方法和*** |
| CN112070615A (zh) * | 2020-09-02 | 2020-12-11 | 中国银行股份有限公司 | 基于知识图谱的理财产品推荐方法及装置 |
| CN112070615B (zh) * | 2020-09-02 | 2024-06-28 | 中国银行股份有限公司 | 基于知识图谱的理财产品推荐方法及装置 |
| CN112214675A (zh) * | 2020-10-19 | 2021-01-12 | ***通信集团江苏有限公司 | 用户购机的确定方法、装置、设备及计算机存储介质 |
| CN112214675B (zh) * | 2020-10-19 | 2024-04-09 | ***通信集团江苏有限公司 | 用户购机的确定方法、装置、设备及计算机存储介质 |
| CN112598472A (zh) * | 2020-12-25 | 2021-04-02 | 中国工商银行股份有限公司 | 产品推荐方法、装置、***、介质和程序产品 |
| CN112866760A (zh) * | 2021-01-18 | 2021-05-28 | 青岛聚看云科技有限公司 | 一种内容显示方法、显示设备及服务器 |
| CN113657495B (zh) * | 2021-08-17 | 2023-06-30 | 平安科技（深圳）有限公司 | 基于概率预测模型的保险产品推荐方法、装置、设备 |
| CN113657495A (zh) * | 2021-08-17 | 2021-11-16 | 平安科技（深圳）有限公司 | 基于概率预测模型的保险产品推荐方法、装置、设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109242631A (zh) | 产品智能推荐方法、服务器及存储介质 | |
| CN109271512B (zh) | 舆情评论信息的情感分析方法、装置及存储介质 | |
| CN108776907A (zh) | 广告智能推荐方法、服务器及存储介质 | |
| CN107369075B (zh) | 商品的展示方法、装置和电子设备 | |
| CN110163476A (zh) | 项目智能推荐方法、电子装置及存储介质 | |
| CN108595519A (zh) | 热点事件分类方法、装置及存储介质 | |
| CN108415980A (zh) | 问答数据处理方法、电子装置及存储介质 | |
| CN109359798A (zh) | 任务分配方法、装置及存储介质 | |
| CN110135942A (zh) | 产品推荐方法、装置及计算机可读存储介质 | |
| CN106919579A (zh) | 一种信息处理方法及装置、设备 | |
| CN106844404A (zh) | 消息显示方法及终端设备 | |
| CN108399565A (zh) | 金融产品推荐装置、方法及计算机可读存储介质 | |
| CN110275952A (zh) | 基于用户短期兴趣的新闻推荐方法、装置及介质 | |
| CN107870976A (zh) | 简历识别装置、方法及计算机可读存储介质 | |
| CN109285082A (zh) | 保险产品推荐方法、装置及计算机可读存储介质 | |
| CN109783859A (zh) | 模型构建方法、装置及计算机可读存储介质 | |
| CN107818491A (zh) | 电子装置、基于用户上网数据的产品推荐方法及存储介质 | |
| US9542458B2 (en) | Systems and methods for processing and displaying user-generated content | |
| US20170337611A1 (en) | Method and system for presenting personalized products based on digital signage for electronic commerce | |
| CN107818492A (zh) | 产品推荐装置、方法及计算机可读存储介质 | |
| CN107257972A (zh) | 用于提供搜索建议的方法、***和介质 | |
| CN106156312A (zh) | 信息处理的方法及移动终端 | |
| CN108491326A (zh) | 测试行为重组方法、装置及存储介质 | |
| CN109272402A (zh) | 评分卡的建模方法、装置、计算机设备及存储介质 | |
| CN107688957A (zh) | 客户评价方法、设备以及计算机可读存储介质 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190118 |