CN109426983A - 闪购活动自动生成方法及装置、存储介质、电子设备 - Google Patents
闪购活动自动生成方法及装置、存储介质、电子设备 Download PDFInfo
- Publication number
- CN109426983A CN109426983A CN201710778696.4A CN201710778696A CN109426983A CN 109426983 A CN109426983 A CN 109426983A CN 201710778696 A CN201710778696 A CN 201710778696A CN 109426983 A CN109426983 A CN 109426983A
- Authority
- CN
- China
- Prior art keywords
- purchase
- muscle
- sudden strain
- data
- commodity
- 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
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
- G06Q30/0207—Discounts or incentives, e.g. coupons or rebates
-
- 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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0605—Supply or demand aggregation
-
- 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]
- G06Q30/0623—Item investigation
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)
- Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开是关于一种闪购活动自动生成方法及装置,属于电子商务技术领域,该方法包括:获取历史商品数据以及闪购历史活动数据并对所述历史商品数据以及闪购历史活动数据进行计算得到闪购活动模型;获取多个商品信息并在所述多个商品信息中挑选出符合所述闪购活动模型的商品信息;根据所述闪购活动模型以及符合所述闪购活动模型的商品信息生成符合所述闪购活动模型的闪购活动。该方法可以大大减少运营人员的创建活动时间,提高了闪购活动生成的效率。
Description
技术领域
本公开涉及电子商务技术领域,具体而言,涉及一种闪购活动自动生成方法、闪购活动自动生成装置、计算机可读存储介质以及电子设备。
背景技术
随着互联网技术的快速发展,出现了大量的电商平台。在各电商平台的商品页面中,经常会以品牌限时优惠的方式进行促销,以便促进各品牌的销量。
现有技术中,在进行品牌限时优惠买卖时,为了使得每个用户都可以买到想要买的物品,每天都需要大量的活动在线。因此,品牌限时优惠的运营人员每天都需要花费大量的时间去设置活动或者寻找品牌商家进行设置活动。
上述方式由于需要进行人工操作,因此存在成本较高,费时费力,而且无法保证商品信息的及时切换,存在商品信息更新低效、滞后等问题;进一步的,通过运营人员进行人工挑选品牌,会带有大量个人情感,不能较为准确的为用户提供需要的品牌以及产品。
需要说明的是,在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的目的在于提供一种闪购活动自动生成方法、闪购活动自动生成装置、计算机可读存储介质以及电子设备,进而至少在一定程度上克服由于相关技术的限制和缺陷而导致的一个或者多个问题。
根据本公开的一个方面,提供一种闪购活动自动生成方法,包括:
获取历史商品数据以及闪购历史活动数据并对所述历史商品数据以及闪购历史活动数据进行计算得到一闪购活动模型;
获取多个商品信息并在所述多个商品信息中挑选出符合所述闪购活动模型的商品信息;
根据所述闪购活动模型以及符合所述闪购活动模型的商品信息生成符合所述闪购活动模型的闪购活动。
在本公开的一种示例性实施例中,对所述历史商品数据以及闪购历史活动数据进行计算得到一闪购活动模型包括:
确定所述闪购活动模型的模型特点并获取所述模型特点对应的所述历史商品数据以及闪购历史活动数据;
根据所述闪购历史活动的活动信息类别得到所述历史商品数据的特征值;其中,所述特征值包括正特征值以及负特征值;
分别获取与所述正特征值以及负特征值对应的预设数量的商品数据并利用各所述商品数据对所述模型特点进行训练以得到所述闪购活动模型。
在本公开的一种示例性实施例中,根据所述闪购历史活动的活动信息类别得到所述历史商品数据的特征值包括:
根据历史商品数据所属的闪购历史活动的活动信息类别,对所述历史商品数据中的商品进行分类以得到所述商品的特征值。
在本公开的一种示例性实施例中,在对所述历史商品数据中的商品进行分类以得到商品的特征值之后,所述闪购活动自动生成方法还包括:
根据所述活动信息类别对所述商品数据进行分类以得到正负样本数据;
对所述正负样本数据进行分类聚合计算以得到正负样本的特征表集。
在本公开的一种示例性实施例中,所述特征表集的字段包括特征值、商品在预设时间段的价格、商品在预设时间段的销量、商品的品牌等级、商品的库存数量、商品的毛利率、商品在预设时间段的独立访客数中的多种。
在本公开的一种示例性实施例中,分别获取与所述正特征值以及负特征值对应的预设数量的商品数据并利用各所述商品数据对所述模型特点进行训练以得到所述闪购活动模型包括:
分别获取预设数量的正特征值对应的商品数据以及负特征值对应的商品数据;
将所述正特征值对应的商品数据以及负特征值对应的商品数据进行随机整合,并将随机整合后的商品数据分为第一部分以及第二部分;
利用第一部分的商品数据对所述模型特点进行训练,利用第二部分的商品数据对训练后的模型特点进行验证以得到所述闪购活动模型。
在本公开的一种示例性实施例中,所述第一部分的商品数据与所述第二部分的商品数据的比例为7:3。
在本公开的一种示例性实施例中,所述闪购活动自动生成方法还包括:
利用随机森林算法分别计算所述正特征值对应的商品数据的重要性值以及负特征值对应的商品数据的重要性值。
在本公开的一种示例性实施例中,所述闪购活动自动生成方法还包括:
对所述重要性值进行排序并判断所述重要性值是否大于预设值;
在判断所述重要性值大于所述预设值时,保存所述重要性值对应的商品。
根据本公开的一个方面,提供一种闪购活动自动生成装置,包括:
计算模块,用于获取历史商品数据以及闪购历史活动数据并对所述历史商品数据以及闪购历史活动数据进行计算得到一闪购活动模型;
挑选模块,用于获取多个商品信息并在所述多个商品信息中挑选出符合所述闪购活动模型的商品信息;
闪购活动生成模块,用于根据所述闪购活动模型以及符合所述闪购活动模型的商品信息生成符合所述闪购活动模型的闪购活动。
根据本公开的一个方面,提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任意一项所述的闪购活动自动生成方法。
根据本公开的一个方面,提供一种电子设备,包括:
处理器;以及
存储器,用于存储所述处理器的可执行指令;
其中,所述处理器配置为经由执行所述可执行指令来执行上述任意一项所述的闪购活动自动生成方法。
本公开一种闪购活动自动生成方法及装置,通过对历史商品数据以及闪购历史活动数据进行计算得到一闪购活动模型;然后在多个商品信息中挑选出符合闪购活动模型的商品信息;再根据闪购活动模型以及符合闪购活动模型的商品信息生成符合闪购活动模型的闪购活动;一方面,由于可以根据闪购活动模型以及符合闪购活动模型的商品信息生成符合闪购活动模型的闪购活动,可以大大减少运营人员的创建活动时间,提高了闪购活动生成的效率;另一方面,由于可以根据历史数据进行闪购活动的生成,可以避免由于运营人员人工挑选因而带有个人情感而引起的偏差问题,大大的提高了闪购活动的质量,可以进一步的提高闪购活动的销售量。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。显而易见地,下面描述中的附图仅仅是本公开的一些实施例,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示意性示出一种闪购活动***平台的结构示例图。
图2示意性示出一种闪购活动自动生成方法的流程图。
图3示意性示出一种闪购活动模型生成的方法流程图。
图4示意性示出一种特征值生成的流程示例图。
图5示意性示出一种闪购活动模型训练的方法流程图。
图6示意性示出一种模型训练的流程示例图。
图7示意性示出一种随机森林算法的流程示例图。
图8示意性示出一种闪购活动自动生成的流程示例图。
图9示意性示出一种闪购活动自动生成装置的框图。
图10示意性示出一种可以实现上述闪购活动自动升方法的电子设备。
图11示意性示出一种可以实现上述闪购活动自动升方法的计算机可读存储介质。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本公开将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中,提供许多具体细节从而给出对本公开的实施方式的充分理解。然而,本领域技术人员将意识到,可以实践本公开的技术方案而省略所述特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知技术方案以避免喧宾夺主而使得本公开的各方面变得模糊。
此外,附图仅为本公开的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
首先,对闪购活动***平台进行解释以及说明。参考图1所示,该闪购活动***平台可以包括历史商品数据分析模块、闪购历史活动数据分析模块、闪购活动模型管理模块、闪购活动生成模块以及闪购活动审核模块;还可以包括多个集群:Hadoop集群、Spark集群、Presto集群以及Elasticsearch集群等等。其中:
Hadoop集群:基于Hadoop搭建的集群,可以存储闪购历史上所有活动的数据信息、商品信息、以及用户数据信息等等。
Spark集群:基于Spark搭建的集群,可以利用Spark集群可以对海量数据进行快速计算的能力,对历史商品数据以及闪购历史活动数据进行机器学习算法的计算,得出闪购活动模型建设并保留模型。
Presto集群:基于presto搭建的集群,可以利用它对海量数据能进行快速查询的功能;对最近可以参加闪购的商品信息进行查询并得到能参加闪购活动的商品信息。
Elasticsearch集群:基于Elasticsearch搭建的集群,可以提供高效快速的搜索或者查询功能;以可以查询或搜索到符合某个活动模型的商品信息。
历史商品数据分析模块:该模块可以通过利用Hadoop集群中存储的历史商品原始数据进行加工处理后,得出商品的每日销量、访问量、好评率、促销等信息,以把这些数据提供给闪购活动模型进行使用。
闪购历史活动分析模块:该模块可以通过利用Hadoop集群中存储的历史闪购活动原始数据进行加工处理后,得出活动的sku信息、销量信息、访问量信息、活动动销sku信息、促销等信息,以把这些数据提供给闪购活动模型进行使用。
闪购活动模型管理模块:可以通过获取历史商品数据分析和闪购历史活动分析两个模块提供的数据,利用Spark集群进行采用机器学习算法得出的多种闪购活动模型。
闪购活动生成模块:可以通过闪购活动模型中已有的模型和Presto集群提供的可以参加闪购活动的商品数据,再利用Spark集群进行机器计算,然后生成符合模型要求的活动信息。
闪购活动审核模块:该模块可以通过闪购运营人员对自动生成的活动进行进一步的人工审核,以确保活动可以取得较好的效果。
基于上述闪购活动***平台,本示例实施方式中首先提供了一种闪购活动自动生成方法。参考图2所示,该闪购活动自动生成方法可以包括以下步骤:
步骤S210.获取历史商品数据以及闪购历史活动数据并对所述历史商品数据以及闪购历史活动数据进行计算得到一闪购活动模型。
步骤S220.获取多个商品信息并在所述多个商品信息中挑选出符合所述闪购活动模型的商品信息。
步骤S230.根据所述闪购活动模型以及符合所述闪购活动模型的商品信息生成符合所述闪购活动模型的闪购活动。
上述闪购活动自动生成方法中,一方面,由于可以根据闪购活动模型以及符合闪购活动模型的商品信息生成符合闪购活动模型的闪购活动,可以大大减少运营人员的创建活动时间,提高了闪购活动生成的效率;另一方面,由于可以根据历史数据进行闪购活动的生成,可以避免由于运营人员人工挑选因而带有个人情感而引起的偏差问题,大大的提高了闪购活动的质量,可以进一步的提高闪购活动的销售量。
下面,将对本示例实施方式中上述闪购活动自动生成方法中的各步骤进行详细的解释以及说明。
在步骤S210中,获取历史商品数据以及闪购历史活动数据并对所述历史商品数据以及闪购历史活动数据进行计算得到一闪购活动模型。
在本示例实施方式中,上述历史商品数据以及闪购历史活动数据可以从Hadoop集群中进行获取;进一步的,可以获取一段时间(例如可以是一季度或者半年,也可以是一年等等)内的历史商品数据以及闪购历史活动数据;也可以获取全部的历史商品数据以及闪购历史活动数据,本示例对此不做特殊限制。进一步的,参考图3所示,对所述历史商品数据以及闪购历史活动数据进行计算得到一闪购活动模型可以包括步骤S310-步骤S330。其中:
在步骤S310中,确定所述闪购活动模型的模型特点并获取所述模型特点对应的所述历史商品数据以及闪购历史活动数据。
在本示例实施方式中,上述闪购活动模型的模型特点可以包括去库存活动模型、冲销量活动模型、提高新品曝光率活动模型以及平衡性活动模型等等,也可以包括其他模型特点,例如可以是会员优惠活动模型等等,本示例对此不做特殊限制。此处需要补充说明的是,一个闪购活动模型中可以包括一个模型特点,也可以包括多个模型特点,本示例对此不做特限制。进一步的,基于冲销量活动模型的模型特点对步骤S310进行进一步的举例说明。举例而言:
首先,确定冲销量活动模型的模型特点作为该闪购活动的模型;然后,获取冲销量活动模型对应的历史商品数据以及闪购历史活动数据。此处需要补充说明的是,历史商品数据可以包括:商品的每日销量、访问量、好评率以及是否促销等等;闪购历史活动数据可以包括:商品(sku,stock keeping unit)信息、销量信息、访问量(uv,unique visitor)信息、每次活动的商品销售量以及是否促销等等。
在步骤S320中,根据所述闪购历史活动的活动信息类别得到所述历史商品数据的特征值;其中,所述特征值包括正特征值以及负特征值。
在本示例实施方式中,得到历史商品数据的特征值可以包括:根据历史商品数据所属的闪购历史活动的活动信息类别,对所述历史商品数据中的商品进行分类以得到所述商品的特征值。详细而言:
参考图4所示,首先,对存储在Hadoop集群中的“闪购历史活动数据”以及“历史商品数据”进行关联查询,可以得到各闪购历史活动期间对应的商品信息;然后,通过对活动信息进行分类,生成正负样本数据明细;其中,正样本数据可以被定义为:该活动属于人工设置的冲销量类型,该活动期间对应的sku商品信息和该sku参加该活动前7天历史数据就属于正样本;负样本数据可以被定义为:该活动人工设置的不属于冲销量类型,该活动期间对应的sku商品信息和该sku参加该活动前7天历史数据就属于负样本。其中,正特征值可以用1进行标记,负特征值可以用0进行标记,也可以用其他数字,例如可以是1或者-1,本示例对此不做特殊限制。
进一步的,当得到商品数据的特征值后,还可以对商品数据进行分类并进行分类聚合计算,具体的可以包括:根据所述活动信息类别对所述商品数据进行分类以得到正负样本数据;对所述正负样本数据进行分类聚合计算以得到正负样本的特征表集。详细而言:
参考图4所示,根据闪购历史活动的活动信息类别(例如可以包括人工设置的冲销量类型或者人工设置的不属于冲销量类型等)将冲销量活动对应的商品进行分类并得到若干正负样本数据;当分类完成后,对该正负样本数据进行分类聚合计算以得到正负样本的特征表集。该特征表集的字段可以包括:特征值(label),例如可以包括0或者1,其中,0代表负样本,1代表正样本;商品在预设时间段的价格,例如可以包括:befor_sku_price_1(sku在参加活动前1天时价格)、befor_sku_price_2(sku在参加活动前2天时价格)、befor_sku_price_3(sku在参加活动前3天时价格)、befor_sku_price_4(sku在参加活动前4天时价格)、befor_sku_price_5(sku在参加活动前5天时价格)、befor_sku_price_6(sku在参加活动前6天时价格)、befor_sku_price_7(sku在参加活动前7天时价格)、befor_sku_price_avg7(sku在参加活动前7天平均价格)、act_sku_price(活动期间价格);商品在预设时间段的销量,例如可以包括:befor_sku_ord_1(sku在参加活动前1天销售量)、befor_sku_ord_2(sku在参加活动前2天销售量)、befor_sku_ord_3(sku在参加活动前3天销售量)、befor_sku_ord_4(sku在参加活动前4天销售量)、befor_sku_ord_5(sku在参加活动前5天销售量)、befor_sku_ord_6(sku在参加活动前6天销售量)、befor_sku_ord_7(sku在参加活动前7天销售量)、befor_sku_ord_avg7(sku在参加活动前7天平均销售量)、act_sku_ord(sku在参加活动期间平均销售量);商品的品牌等级,例如可以包括:sku_brand_level(商品品牌等级);商品的库存数量,例如可以包括:sku_store(商品参加活动前库存数量);商品的毛利率,例如可以包括:sku_gross_profit(商品毛利率);商品在预设时间段的独立访客数,例如可以包括:befor_sku_uv_1(sku在参加活动前1天时的独立访客数)、befor_sku_uv_2(sku在参加活动前2天时的独立访客数)、befor_sku_uv_3(sku在参加活动前3天时的独立访客数)、befor_sku_uv_4(sku在参加活动前4天时的独立访客数)、befor_sku_uv_5(sku在参加活动前5天时的独立访客数)、befor_sku_uv_6(sku在参加活动前6天时的独立访客数)befor_sku_uv_7(sku在参加活动前7天时的独立访客数)、befor_sku_uv_avg_7(sku在参加活动前7天时的平均独立访客数)等等,也可以包括:sku_good(商品好评率)、sku_like_num(商品被收藏次数)等等,本示例对此不做特殊限制。进一步的,当特征表集生成完成后,将该特征表集存储到hadoop集群中,方便后续流程读取该数据。
在步骤S330中,分别获取与所述正特征值以及负特征值对应的预设数量的商品数据并利用各所述商品数据对所述模型特点进行训练以得到所述闪购活动模型。其中,参考图5所示,对模型进行训练可以包括步骤S3302-步骤S3306。其中:
在步骤S3302中,分别获取预设数量的正特征值对应的商品数据以及负特征值对应的商品数据。详细而言:
参考图6所示,从Spark集群中获取与特征值关联的特征字段,然后再利用spark-sql编写hql,并从“hadoop集群”中的“冲销量活动样本特征值数据”表中选择符合特征字段的数据,然后分别选择返回30W的正样本数据以及30W的负样本数据。此处需要补充说明的是,样本数据的数量可以是30W,也可以是其他数量,例如可以是40W或者50W等等,本示例对此不做特殊限制。
在步骤S3304中,将所述正特征值对应的商品数据以及负特征值对应的商品数据进行随机整合,并将随机整合后的商品数据分为第一部分以及第二部分。详细而言:
对上述30W的正样本数据和30W的负样本数据进行随机打乱整合在一起,然后随机分成两大部分,一部分是占70%的训练数据(记为trainingSample),一部分是占30%的验证数据(记为testSample);然后通过利用spark中的RDD的map功能,把随机打乱的数据转化为后续算法可识别格式。其中,可识别的格式例如可以包括:[label,向量[befor_sku_price_1、befor_sku_price_2、、befor_sku_price_avg_7、befor_sku_ord_1、befor_sku_ord_2、befor_sku_ord_avg_7、befor_sku_uv_1、befor_sku_uv_2、befor_sku_uv_3、befor_sku_uv_avg_7、act_sku_price、act_sku_ord、sku_store、sku_gross_profit、sku_good]。此处需要进一步说明的是,上述第一部分数据以及第二部分数据的比例可以是7:3;也可以是其他比例,例如可以是6:4或者8:2等等,本示例对此不做特殊限制。
在步骤S3306中,利用第一部分的商品数据对所述模型特点进行训练,利用第二部分的商品数据对训练后的模型特点进行验证以得到所述闪购活动模型。详细而言:
通过spark-MLLib中的逻辑回归算法,然后利用70%样本数据对模型进行训练,然后再利用30%的样本数据对训练后的模型进行验证以得到较为完整的模型。进一步的,对模型进行训练用到的关键代码api可以包括:val LRModel=newLogisticRegressionWithLBFGS().run(trainingSku Sample)),然后对训练好的逻辑回归模型(记为:CL-LRModel)进行对验证数据的测试;经过重复多次次,选取一个验证率最高的一次。然后把该模型保存到spark中(可以指定一个目录路径保存)。
进一步的,为了提高模型训练的精度,可以利用重要性值较高的商品数据对模型进行训练,具体的可以包括:利用随机森林算法分别计算所述正特征值对应的商品数据的重要性值以及负特征值对应的商品数据的重要性值。详细而言:参考图7所示,首先,利用spark-sql技术,通过从hadoop集群中查询出“冲销量活动样本特征值”数据,然后返回正样本30W数据、负样本30W数据;将该正样本数据以及负样本数据保存到指定文件并存储到指定目录下;其次,读取正样本数据以及负样本数据,并生成随机森林算法能识别的训练数据P,该训练数据的格式可以包括:[label,向量[befor_sku_price_1、befor_sku_price_2、befor_sku_price_3、befor_sku_price_4、befor_sku_price_5、befor_sku_price_6、befor_sku_price_7、befor_sku_price_avg_7、befor_sku_ord_1、befor_sku_ord_2、befor_sku_ord_3、befor_sku_ord_4、befor_sku_ord_5、befor_sku_ord_6、befor_sku_ord_7、befor_sku_ord_avg_7、befor_sku_uv_1、befor_sku_uv_2、befor_sku_uv_3、befor_sku_uv_4、befor_sku_uv_5、befor_sku_uv_6、befor_sku_uv_7、befor_sku_uv_avg_7、act_sku_price、act_sku_ord、sku_brand_level、sku_store、sku_gross_profit、sku_good、sku_like_num]等等;最后,利用spark_sklearn中的随机森林算法对上一步中训练数据进行训练,然后在训练后调用importances=forest.feature_importances_;importances[特征字段]会输出该“特征字段”的重要性值(0到1之间的值),例如:importances[sku_gross_profit]=0.65,标示sku_gross_profit这个特征还是比较重要的。其中,随机森林算法可以是sklearn库中封装好的api,直接可以调用,调用的类和方法可以包括:forest=RandomForestClassifier(n_estimators=10000,random_state=0,n_jobs=-1);forest.fit(训练数据P))。
进一步的,当重要性值计算完成以后,还可以对重要性值进行排序,具体的可以包括:对所述重要性值进行排序并判断所述重要性值是否大于预设值;在判断所述重要性值大于所述预设值时,保存所述重要性值对应的商品。详细而言:对上述重要性值进行排序,然后将大于预设值(例如可以是0.65,也可以是其他值,例如可以是0.7等等,本示例对此不做特殊限制)前若干个重要性值对应的商品数据进行保存。通过计算重要性值并对重要性值进行排序,可以找出最重要的几个特征值作为最终模型训练,进一步的提高了模型的精度,使得可以更好生成高质量的闪购活动。
在步骤S220中,获取多个商品信息并在所述多个商品信息中挑选出符合所述闪购活动模型的商品信息。详细而言:
参考图8所示,首先,通过spark-sql编写hql语句,从presto集群中“最近可以参加闪购商品信息”和“商品历史数据”表中找出可以参加闪购活动的商品明细数据,然后再把这些明细数据转换成前面Features这些字段对应的数据值,然后再从Presto集群中获取可以参加闪购活动的商品信息,并根据冲销量活动的预设条件,从该商品信息中挑选出符合冲销量活动的商品信息;其次,对挑选出来的商品信息进行筛选,仅保存存储在spark内存中的特征字段对应的值数据,将其即为data;最后,把Data数据通过spark的map方法,转换成模型可以识别的数据格式,格式可以包括:(sku_id,feature),其中,feature的格式可以包括:[befor_sku_price_1、befor_sku_price_2、befor_sku_price_avg_7、befor_sku_ord_1、befor_sku_ord_2、befor_sku_ord_avg_7、befor_sku_uv_1、befor_sku_uv_2、befor_sku_uv_3、befor_sku_uv_avg_7、act_sku_price、act_sku_ord、sku_store、sku_gross_profit、sku_good]等等;进一步的,可以再调用之前保存在spark集群中的模型CL-LRModel,通过调用predict方法,返回0或者1值,如果返回的是1,就代表该商品可以作为冲量活动;然后把这个商品的sku_id存储到elasticsearch集群中,方便后续流程调用。
在步骤S230中,根据所述闪购活动模型以及符合所述闪购活动模型的商品信息生成符合所述闪购活动模型的闪购活动。详细而言:
参考图8所示,把存储在elasticsearch集群中的“符合冲量活动模型商品数据”的数据查询出来,然后根据多个个规则进行随机生成活动;生成完后,如果还有商品没有参与到,就把没有参与的商品存入“剩余商品”表中,方便再后续生成活动时继续使用;进一步的,自动生成好的活动会推送到评审列表,待运营人员审核,审核通过的活动就会自动参加下一次发布的闪购活动;其中,上述规则可以包括:规则1:一个活动里的sku必须同属于2级类目;规则2:一个活动里的sku数量不能大于600;规则3:每次自动生成的活动数量不大于50个;也可以包括其他规则,例如可以是活动里的sku数量不能小于50等等,本示例对此不做特殊限制。
本示例实施方式还提供了一种闪购活动自动生成装置。参考图9所示,该闪购活动自动生成装置可以包括计算模块910、挑选模块920以及闪购活动生成模块930。其中:
计算模块910可以用于获取历史商品数据以及闪购历史活动数据并对所述历史商品数据以及闪购历史活动数据进行计算得到一闪购活动模型。
挑选模块920可以用于获取多个商品信息并在所述多个商品信息中挑选出符合所述闪购活动模型的商品信息。
闪购活动生成模块930可以用于根据所述闪购活动模型以及符合所述闪购活动模型的商品信息生成符合所述闪购活动模型的闪购活动。
上述闪购活动自动生成装置中各模块的具体细节已经在对应的闪购活动自动生成方法中进行了详细想描述,因此此处不再赘述。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本公开的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
此外,尽管在附图中以特定顺序描述了本公开中方法的各个步骤,但是,这并非要求或者暗示必须按照该特定顺序来执行这些步骤,或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的,可以省略某些步骤,将多个步骤合并为一个步骤执行,以及/或者将一个步骤分解为多个步骤执行等。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本公开实施方式的方法。
在本公开的示例性实施例中,还提供了一种能够实现上述方法的电子设备。
所属技术领域的技术人员能够理解,本发明的各个方面可以实现为***、方法或程序产品。因此,本发明的各个方面可以具体实现为以下形式,即:完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等),或硬件和软件方面结合的实施方式,这里可以统称为“电路”、“模块”或“***”。
下面参照图10来描述根据本发明的这种实施方式的电子设备600。图10显示的电子设备600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10所示,电子设备600以通用计算设备的形式表现。电子设备600的组件可以包括但不限于:上述至少一个处理单元610、上述至少一个存储单元620、连接不同***组件(包括存储单元620和处理单元610)的总线630。
其中,所述存储单元存储有程序代码,所述程序代码可以被所述处理单元610执行,使得所述处理单元610执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。例如,所述处理单元610可以执行如图2中所示的步骤S210:获取历史商品数据以及闪购历史活动数据并对所述历史商品数据以及闪购历史活动数据进行计算得到一闪购活动模型;S220:获取多个商品信息并在所述多个商品信息中挑选出符合所述闪购活动模型的商品信息;步骤S230:根据所述闪购活动模型以及符合所述闪购活动模型的商品信息生成符合所述闪购活动模型的闪购活动。
存储单元620可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)6201和/或高速缓存存储单元6202,还可以进一步包括只读存储单元(ROM)6203。
存储单元620还可以包括具有一组(至少一个)程序模块6205的程序/实用工具6204,这样的程序模块6205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。
总线630可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、***总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备600也可以与一个或多个外部设备700(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电子设备600交互的设备通信,和/或与使得该电子设备600能与一个或多个其它计算设备进行通信的任何设备(例如路由器、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650进行。并且,电子设备600还可以通过网络适配器660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660通过总线630与电子设备600的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备600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。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。
在本公开的示例性实施例中,还提供了一种计算机可读存储介质,其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中,本发明的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在终端设备上运行时,所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。
参考图11所示,描述了根据本发明的实施方式的用于实现上述方法的程序产品800,其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在终端设备,例如个人电脑上运行。然而,本发明的程序产品不限于此,在本文件中,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。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、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。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。
计算机可读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,其中承载了可读程序代码。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。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、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。
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、有线、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的任意组合来编写用于执行本发明操作的程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,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设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
此外,上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明,而不是限制目的。易于理解,上述附图所示的处理并不表明或限制这些处理的时间顺序。另外,也易于理解,这些处理可以是例如在多个模块中同步或异步执行的。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其他实施例。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由权利要求指出。
Claims (12)
1.一种闪购活动自动生成方法,其特征在于,包括:
获取历史商品数据以及闪购历史活动数据并对所述历史商品数据以及闪购历史活动数据进行计算得到闪购活动模型;
获取多个商品信息并在所述多个商品信息中挑选出符合所述闪购活动模型的商品信息;
根据所述闪购活动模型以及符合所述闪购活动模型的商品信息生成符合所述闪购活动模型的闪购活动。
2.根据权利要求1所述的闪购活动自动生成方法,其特征在于,对所述历史商品数据以及闪购历史活动数据进行计算得到闪购活动模型包括:
确定所述闪购活动模型的模型特点并获取所述模型特点对应的所述历史商品数据以及闪购历史活动数据;
根据所述闪购历史活动的活动信息类别得到所述历史商品数据的特征值;其中,所述特征值包括正特征值以及负特征值;
分别获取与所述正特征值以及负特征值对应的预设数量的商品数据并利用各所述商品数据对所述模型特点进行训练以得到所述闪购活动模型。
3.根据权利要求2所述的闪购活动自动生成方法,其特征在于,根据所述闪购历史活动的活动信息类别得到所述历史商品数据的特征值包括:
根据历史商品数据所属的闪购历史活动的活动信息类别,对所述历史商品数据中的商品进行分类以得到所述商品的特征值。
4.根据权利要求3所述的闪购活动自动生成方法,其特征在于,在对所述历史商品数据中的商品进行分类以得到商品的特征值之后,所述闪购活动自动生成方法还包括:
根据所述活动信息类别对所述商品数据进行分类以得到正负样本数据;
对所述正负样本数据进行分类聚合计算以得到正负样本的特征表集。
5.根据权利要求4所述的闪购活动自动生成方法,其特征在于,所述特征表集的字段包括特征值、商品在预设时间段的价格、商品在预设时间段的销量、商品的品牌等级、商品的库存数量、商品的毛利率、商品在预设时间段的独立访客数中的多种。
6.根据权利要求2所述的闪购活动自动生成方法,其特征在于,分别获取与所述正特征值以及负特征值对应的预设数量的商品数据并利用各所述商品数据对所述模型特点进行训练以得到所述闪购活动模型包括:
分别获取预设数量的正特征值对应的商品数据以及负特征值对应的商品数据;
将所述正特征值对应的商品数据以及负特征值对应的商品数据进行随机整合,并将随机整合后的商品数据分为第一部分以及第二部分;
利用第一部分的商品数据对所述模型特点进行训练,利用第二部分的商品数据对训练后的模型特点进行验证以得到所述闪购活动模型。
7.根据权利要求6所述的闪购活动自动生成方法,其特征在于,所述第一部分的商品数据与所述第二部分的商品数据的比例为7:3。
8.根据权利要求2所述的闪购活动自动生成方法,其特征在于,所述闪购活动自动生成方法还包括:
利用随机森林算法分别计算所述正特征值对应的商品数据的重要性值以及负特征值对应的商品数据的重要性值。
9.根据权利要求8所述的闪购活动自动生成方法,其特征在于,所述闪购活动自动生成方法还包括:
对所述重要性值进行排序并判断所述重要性值是否大于预设值;
在判断所述重要性值大于所述预设值时,保存所述重要性值对应的商品。
10.一种闪购活动自动生成装置,其特征在于,包括:
计算模块,用于获取历史商品数据以及闪购历史活动数据并对所述历史商品数据以及闪购历史活动数据进行计算得到一闪购活动模型;
挑选模块,用于获取多个商品信息并在所述多个商品信息中挑选出符合所述闪购活动模型的商品信息;
闪购活动生成模块,用于根据所述闪购活动模型以及符合所述闪购活动模型的商品信息生成符合所述闪购活动模型的闪购活动。
11.一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时实现权利要求1-9任一项所述的闪购活动自动生成方法。
12.一种电子设备,其特征在于,包括:
处理器;以及
存储器,用于存储所述处理器的可执行指令;
其中,所述处理器配置为经由执行所述可执行指令来执行权利要求1-9任一项所述的闪购活动自动生成方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710778696.4A CN109426983A (zh) | 2017-09-01 | 2017-09-01 | 闪购活动自动生成方法及装置、存储介质、电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710778696.4A CN109426983A (zh) | 2017-09-01 | 2017-09-01 | 闪购活动自动生成方法及装置、存储介质、电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109426983A true CN109426983A (zh) | 2019-03-05 |
Family
ID=65512764
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710778696.4A Pending CN109426983A (zh) | 2017-09-01 | 2017-09-01 | 闪购活动自动生成方法及装置、存储介质、电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109426983A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110189187A (zh) * | 2019-04-15 | 2019-08-30 | 深圳平安综合金融服务有限公司 | 商品管理方法、装置、计算机设备及存储介质 |
CN110189200A (zh) * | 2019-05-27 | 2019-08-30 | 深圳远航股份有限公司 | 一种基于大数据及搜索引擎快速搭建电商卖场的方法 |
CN112837076A (zh) * | 2021-02-24 | 2021-05-25 | 上海悦易网络信息技术有限公司 | 一种商品订单自动生成的方法、***及设备 |
CN112967109A (zh) * | 2021-03-15 | 2021-06-15 | 杭州邻汇网络科技有限公司 | 一种快闪店的智能选品方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100179855A1 (en) * | 2009-01-09 | 2010-07-15 | Ye Chen | Large-Scale Behavioral Targeting for Advertising over a Network |
US20140310001A1 (en) * | 2013-04-16 | 2014-10-16 | Sri International | Using Intents to Analyze and Personalize a User's Dialog Experience with a Virtual Personal Assistant |
CN105426467A (zh) * | 2015-11-16 | 2016-03-23 | 北京京东尚科信息技术有限公司 | 一种用于Presto的SQL查询方法及*** |
CN106056427A (zh) * | 2016-05-25 | 2016-10-26 | 中南大学 | 一种基于Spark的大数据混合模型的移动推荐方法 |
CN106127525A (zh) * | 2016-06-27 | 2016-11-16 | 浙江大学 | 一种基于分类算法的电视购物商品推荐方法 |
CN106204239A (zh) * | 2016-07-24 | 2016-12-07 | 广东聚联电子商务股份有限公司 | 一种基于大数据多标记的电子商务商品推荐方法 |
CN106600302A (zh) * | 2015-10-19 | 2017-04-26 | 玺阅信息科技(上海)有限公司 | 基于Hadoop的商品推荐*** |
CN106649503A (zh) * | 2016-10-11 | 2017-05-10 | 北京集奥聚合科技有限公司 | 一种基于sql的查询方法及*** |
CN107038190A (zh) * | 2016-10-28 | 2017-08-11 | 厦门大学 | 一种应用于淘宝网的智能促销方案建模方法 |
-
2017
- 2017-09-01 CN CN201710778696.4A patent/CN109426983A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100179855A1 (en) * | 2009-01-09 | 2010-07-15 | Ye Chen | Large-Scale Behavioral Targeting for Advertising over a Network |
US20140310001A1 (en) * | 2013-04-16 | 2014-10-16 | Sri International | Using Intents to Analyze and Personalize a User's Dialog Experience with a Virtual Personal Assistant |
CN106600302A (zh) * | 2015-10-19 | 2017-04-26 | 玺阅信息科技(上海)有限公司 | 基于Hadoop的商品推荐*** |
CN105426467A (zh) * | 2015-11-16 | 2016-03-23 | 北京京东尚科信息技术有限公司 | 一种用于Presto的SQL查询方法及*** |
CN106056427A (zh) * | 2016-05-25 | 2016-10-26 | 中南大学 | 一种基于Spark的大数据混合模型的移动推荐方法 |
CN106127525A (zh) * | 2016-06-27 | 2016-11-16 | 浙江大学 | 一种基于分类算法的电视购物商品推荐方法 |
CN106204239A (zh) * | 2016-07-24 | 2016-12-07 | 广东聚联电子商务股份有限公司 | 一种基于大数据多标记的电子商务商品推荐方法 |
CN106649503A (zh) * | 2016-10-11 | 2017-05-10 | 北京集奥聚合科技有限公司 | 一种基于sql的查询方法及*** |
CN107038190A (zh) * | 2016-10-28 | 2017-08-11 | 厦门大学 | 一种应用于淘宝网的智能促销方案建模方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110189187A (zh) * | 2019-04-15 | 2019-08-30 | 深圳平安综合金融服务有限公司 | 商品管理方法、装置、计算机设备及存储介质 |
CN110189200A (zh) * | 2019-05-27 | 2019-08-30 | 深圳远航股份有限公司 | 一种基于大数据及搜索引擎快速搭建电商卖场的方法 |
CN112837076A (zh) * | 2021-02-24 | 2021-05-25 | 上海悦易网络信息技术有限公司 | 一种商品订单自动生成的方法、***及设备 |
CN112967109A (zh) * | 2021-03-15 | 2021-06-15 | 杭州邻汇网络科技有限公司 | 一种快闪店的智能选品方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110070391B (zh) | 数据处理方法、装置、计算机可读介质及电子设备 | |
CN107590688A (zh) | 目标客户的识别方法及终端设备 | |
CN109754200A (zh) | 物料清单管理方法、装置及计算机可读存储介质 | |
WO2019037391A1 (zh) | 客户购买意向的预测方法、装置、电子设备及介质 | |
CN109360012A (zh) | 广告投放渠道的选择方法及装置、存储介质、电子设备 | |
CN109919417A (zh) | 金融***的任务分配方法及装置、电子设备、存储介质 | |
CN109840730B (zh) | 用于数据预测的方法及装置 | |
CN107730155A (zh) | 信息分配方法及装置、存储介质和电子设备 | |
CN109426983A (zh) | 闪购活动自动生成方法及装置、存储介质、电子设备 | |
US20210142249A1 (en) | Consolidated resource management across multiple services | |
CN109784978A (zh) | 基于大数据的广告竞争力计算方法、装置、介质及设备 | |
CN109559138A (zh) | 闪购活动销量预测方法及装置、存储介质、电子设备 | |
CN112214508B (zh) | 数据处理方法及装置 | |
CN110009229A (zh) | 基于区块链的供应链管理方法、装置、存储介质与设备 | |
CN109615504A (zh) | 产品推荐方法、装置、电子设备和计算机可读存储介质 | |
CN108595507A (zh) | 数据流通方法、装置及***、存储介质、终端 | |
CN108647239A (zh) | 对话意图识别方法及装置、设备和存储介质 | |
CN110362594A (zh) | 一种信息处理方法和*** | |
CN113781149A (zh) | 信息推荐方法、装置、计算机可读存储介质及电子设备 | |
Agarwal et al. | Machine Learning and Natural Language Processing in Supply Chain Management: A Comprehensive Review and Future Research Directions. | |
CN106600360B (zh) | 推荐对象的排序方法及装置 | |
Xia et al. | The research of online shopping customer churn prediction based on integrated learning | |
CN109598410A (zh) | 预售风险评估方法、***、计算机装置及可读存储介质 | |
CN116703515A (zh) | 基于人工智能的推荐方法、装置、计算机设备及存储介质 | |
CN110889716A (zh) | 识别潜在注册用户的方法及装置 |
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: 20190305 |