CN109522475A - 一种基于用户历史消费数据的商家推荐方法 - Google Patents
一种基于用户历史消费数据的商家推荐方法 Download PDFInfo
- Publication number
- CN109522475A CN109522475A CN201811255149.9A CN201811255149A CN109522475A CN 109522475 A CN109522475 A CN 109522475A CN 201811255149 A CN201811255149 A CN 201811255149A CN 109522475 A CN109522475 A CN 109522475A
- Authority
- CN
- China
- Prior art keywords
- user
- businessman
- scoring
- consumption
- method based
- 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
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于用户历史消费数据的商家推荐方法,包括以下步骤:步骤1、用户设定搜索半径r,搜索关键词;步骤2、设备获取用户位置P0,并以周期T将关键词、r和P0发送给服务器;步骤3、根据P0搜索附近商家,得到附近半径r范围内的商家列表Lin;步骤4、选择Lin中第一个商家m;步骤5、如果m不存在,前往步骤6,否则计算m评分的平均分;步骤6、服务器根据计算的平均分从高到低排序输出的列表Lout,并将Lout返回给设备,结束。本方法提高综合评分的有效性,对于准确查找优质商家具有重大意义。
Description
技术领域
本发明涉及到一种基于用户历史消费数据的商家推荐方法。
技术背景
目前,市面上存在各种各样的团购、导购网站和手机软件,能够根据用户位置和对商家的评价情况,将附近商家列表推荐给用户,人们出外游玩越来越依靠这些渠道来获取相关的商家信息。
同时,一群被称作“水军”的网民也随之产生,“水军”是在网络中针对特定内容发布特定信息的、被雇佣的网络写手。他们通过伪装成普通网民或消费者,通过刷单好评等误导正常用户,因此有些商家为了使自己排名靠前,雇佣“水军”来刷好评,于是就产生了一些虚假的受欢迎商家,并占据了榜单前排。更有甚者,一些同行商家为了提高自己的排名,请人恶意对其他商家进行差评。这些行为违反了商业竞争的公平性,使得一些真正优质的商家无法被需要的人发现。
因此,如何基于用户的历史消费数据将“水军”的刷单好评与同行商家的恶意差评等进行过滤,从而推荐产生较为真实的商家列表,具有较强的实际价值。
发明内容
为了提高商家排名的可信度,过滤刷单好评和恶意差评数据,让消费者能够查找到真正需要寻找的优质商家,本发明提供了一种基于用户历史消费数据的商家推荐方法。
本发明所采用的技术方案是:
一种基于用户历史消费数据的商家推荐方法,包括以下步骤:
步骤1、用户设定搜索半径r,搜索关键词;
步骤2、设备获取用户位置P0,并以周期T将关键词,半径r和P0发送给服务器;
步骤3、服务器根据P0搜索附近商家,得到附近半径r范围内的商家列表Lin;
步骤4、选择Lin中第一个商家m;
步骤5、如果m不存在,前往步骤6,否则计算m评分的平均分:
所述计算过程为:
(5.1)获取商家m最近一个月的用户消费数据列表Lm;
(5.2)将Lm中用户位置与商家m位置距离大于设定值d的消费记录删除,并计算得到用户数量n以及每个用户的消费次数Ci,i=1,2,…,n;
(5.3)计算商家m总计销售数量Ctotal,根据用户账户等级权重ωg和最近一个月的购买次数划分的区间计算每个用户的评分总和Si,i=1,2,…,n,其中ωg是用户账户等级的权重,ω1、ω2和ω3是购买次数区间的权重,并统计最近一个月商家获得的评分总和Stotal,为:
(5.4)根据评分总分Stotal和销售数量Ctotal,计算商家评分的平均分Savg,为:
(5.5)将m添加到推荐列表Lout中,并从Lin删除m,返回步骤4;
步骤6、服务器根据计算的平均分从高到低排序输出的列表Lout,并将Lout返回给设备。
进一步,在所述步骤1中,用户使用设备,所述设备(如电脑、手机等)能够通过GPS获取当前的具***置,且能够访问互联网,搜索半径r为用户自定义距离大小,单位为公里,两个位置间距离d’根据经纬度计算,为;
d′=arccos(sin(y0)*sin(y1)+cos(y0)*cos(ye)*cos(x0-x1))*Re,
其中,Re是地球半径,(x0,y0)和(x1,y1)分别为两个位置点的经纬度坐标。
再进一步,在所述步骤2中,周期T为预先定义好的时间,单位为分钟。
更进一步,在所述步骤3中,得到的商家列表Lin中的商家已经根据距离由近到远排好序。
在所述步骤5中,商家的信息和用户消费历史数据已经预先存储在数据库中,商家信息包括名称和位置(经纬度)信息,用户消费历史数据包括有消费账号等级、消费者的名称、消费位置、消费时间以及对商家的评分,用户消费位置与商家位置相差设定的值d用来判断用户消费位置与商家位置是否符合,单位为米,且每次评分范围为0-5分,都是整数,最后商家所得的平均评分保留一位小数。
进一步,t1和t2表示正常购买次数区间的下限和上限,t3表示过于异常购买数量起始值,超出t3的用户评分全部为0,不同权重ω1,ω2和ω3为对应购买次数区间的分数折算百分比,ω2>ω1≥ω3,ωg为不同账号等级对应的分数折算百分比,不同消费次数区间的评分与对应消费次数区间权重以及账号等级对应权重的乘积为对应的实际消费次数区间评分值。
本发明的技术构思为:用户搜索关键词,服务器根据设备所获得的搜索半径、用户位置和关键词来获取商家列表,然后基于用户的历史消费数据对商家的刷单好评和恶意差评等情况进行过滤,来获取相对有效的用户评分,最后根据用户的总评分和消费次数来计算商家的平均分,并以此排序,提高综合评分有效性。
在用户的搜索过程中,本算法将定时检测用户所在位置,比如1分钟为周期,若用户位置发生变化则重新搜索周围商家,为用户提供有效的搜索结果。
本发明的有益效果主要表现在:基于用户的历史消费数据来过滤一些商家雇佣的刷单好评情况以及同行恶意差评情况,以此来获取有效的用户评价,因而基于这些评价来计算商家的排名,能够帮助用户准确找出好的商家。
附图说明
图1为用户搜索行为示意图。
图2为本发明实现商家排序方法的流程图。
具体实施方式
下面结合附图对本发明作进一步描述。
参照图1和图2,一种基于用户历史消费数据的商家推荐方法,在用户设定搜索半径并搜索关键词时,设备获取用户所在位置,并将其与关键词一起发送给服务器,服务器根据关键词与位置获取商家列表,然后根据用户最近一个月的历史消费数据计算并统计商家所得评分,最后计算商家所得平均评分,并将商家列表根据评分排序并返回给设备,所述评估方法包括以下步骤:
步骤1、用户设定搜索半径r,搜索关键词。如图1所示,用户可以在不同的设备上,比如手机、电脑等,进行搜索。
本实施例中,搜索半径r取值0.5公里,关键词为餐厅,当前日期取值2018年8月10日。
步骤2、设备获取用户当前位置P0(120.048749,30.234343),并和搜索半径r与关键词一起发送给服务器;
步骤3、服务器根据P0搜索附近半径为r的商家,得到列表Lin。如图1所示,此时假设搜索到3个商家,分别是m1,m2和m3,且图1中显示的距离远近关系代表实际距离远近关系,Lin如表1所示(距离根据用户当前位置与商家位置计算得出):
表1
步骤4-1、选择Lin中第一个商家,此时m=m1;
步骤5-1、计算m的评分平均分:
(5-1.1)获取m的评论列表Lm,如表2所示:
消费者名称 | 账号等级 | 消费位置 | 消费时间 | 评分 |
U<sub>1-1</sub> | 1 | 120.049036,30.233672 | 2018年8月6日 | 5 |
U<sub>1-2</sub> | 3 | 120.049019,30.23109 | 2018年8月6日 | 4 |
U<sub>1-3</sub> | 6 | 120.04918,30.233555 | 2018年8月5日 | 2 |
… | … | … | … | … |
U<sub>1-n</sub> | 2 | 120.04918,30.233555 | 2018年7月11日 | 5 |
表2
(5-1.2)将Lm中用户位置与商家m位置距离大于100米的消费记录删除,并计算得到用户数量n=150以及每个用户的消费次数Ci(i=1,2,…,150),如表3所示:
表3
(5-1.3)计算m总计销售数量Ctotal,根据用户账户等级权重和最近一个月的购买次数划分的区间计算每个用户的评分总和Si(i=1,2,…,150),并统计最近一个月商家获得的评分总和Stotal,为:
Ctotal=2+3+5+…+20=350;
S1=25%*50%*5=0.625;
S2=80%*50%*(2+4+3)=3.6;
S3=50%*50%*(5+4+5)+50%*70%*(4+5)=6.55;
…
S150=0;
Stotal=0.625+3.6+6.55+…+0=1064;
(5-1.4)计算m的平均评分,即:Savg=1064/350=3.0;
(5-1.5)将m1添加到Lout,并将m1从Lin删除,返回步骤4;
步骤4-2、选择Lin中第一个商家,此时m=m3;
步骤5-2、计算m的评分平均分:
(5-2.1)获取m的用户消费历史数据列表Lm,如表4所示:
消费者名称 | 账号等级 | 消费位置 | 消费时间 | 评分 |
U<sub>3-1</sub> | 3 | 120.047267,30.235045 | 2018年8月9日 | 5 |
U<sub>3-2</sub> | 2 | 120.048138,30.231714 | 2018年8月9日 | 1 |
U<sub>3-3</sub> | 4 | 120.052594,30.232876 | 2018年8月8日 | 4 |
… | … | … | … | … |
U<sub>3-j</sub> | 5 | 120.047267,30.235045 | 2018年7月11日 | 5 |
表4
(5-2.2)将Lm中用户位置与商家m位置距离大于100米的消费记录删除,并计算得到用户数量n=120以及每个用户的消费次数Ci(i=1,2,…,120),如表5所示:
表5
(5-2.3)计算m总计销售数量Ctotal,根据用户账户等级权重和最近一个月的购买次数划分的区间计算每个用户的评分总和Si(i=1,2,…,120),并统计最近一个月商家获得的评分总和Stotal,为:
Ctotal=1+1+2+…+10=300;
S1=50%*50%*3=0.75;
S2=25%*50%*3=0.375;
S3=50%*50%*(4+4)=2;
…
S120=50%*50%*(4+3+3)+50%*70%*(3+3+3)+50%*30%*(4+3+3+4)=7.75;
Stotal=0.75+0.375+2+…+7.75=756;
(5-2.4)计算m的平均评分,即:Savg=756/300=2.5;
(5-2.5)将m3添加到Lout,并从Lin删除m3,返回步骤4;
步骤4-3、选择Lin中第一个商家,此时m=m2;
步骤5-3、计算m的评分平均分:
(5-3.1)获取m的用户消费历史数据列表Lm,如表6所示:
消费者名称 | 账号等级 | 消费位置 | 消费时间 | 评分 |
U<sub>2-1</sub> | 4 | 120.048758,30.230708 | 2018年8月9日 | 5 |
U<sub>2-2</sub> | 1 | 120.048758,30.230708 | 2018年8月9日 | 1 |
U<sub>2-3</sub> | 5 | 120.048758,30.230708 | 2018年8月9日 | 5 |
… | … | … | … | … |
U<sub>2-k</sub> | 7 | 120.048399,30.230333 | 2018年7月13日 | 5 |
表6
(5-3.2)将Lm中用户位置与商家m位置距离大于100米的消费记录删除,并计算得到用户数量n=180以及每个用户的消费次数Ci(i=1,2,…,180),如表7所示:
表7
(5-3.3)计算m总计销售数量Ctotal,根据用户账户等级权重和最近一个月的购买次数划分的区间计算每个用户的评分总和Si(i=1,2,…,180),并统计最近一个月商家获得的评分总和Stotal,为:
Ctotal=1+1+2+…+10=330;
S1=50%*50%*5=1.25;
S2=0;
S3=50%*50%*5=1.25;
…
S180=80%*50%*(4+5)=3.6;
Stotal=1.25+0+1.25+…+3.6=1398;
(5-3.4)计算m的平均评分,即:Savg=1398/330=4.2;
(5-3.5)将m2添加到Lout,并从Lin中删除m2返回步骤4;
步骤4-4、没有商家可选;
步骤5-4、前往步骤6;
步骤6、根据平均评分排序商家列表,得到Lout并输出,如图1和表8所示:
商家 | 距离(单位:公里) | 位置 | 平均评分 |
m<sub>2</sub> | 0.48 | 120.048758,30.230708 | 4.2 |
m<sub>1</sub> | 0.08 | 120.047267,30.235045 | 3.0 |
m<sub>3</sub> | 0.12 | 120.048758,30.230708 | 2.5 |
表8
本实施例中,设定值d取100。
本实施例中,用户账号等级分为1-3级,对应的ωg分别取25%、50%以及80%,在具体情况下可采取不同百分比,t1、t2以及t3分别为4、7以及15,在具体情况下可采取不同数值,对应的ω1、ω2以及ω3分别为50%、70%以及30%,在具体情况下可采取不同折算百分比。
本实施例中,由于用户可随时移动到任意位置,所用搜索设备需具备随时访问互联网的能力,以便能够获取位置并访问服务器,避免服务器无法获取用户位置而无法进行计算。
本技术领域中的普通技术人员应当认识到,以上内容仅是用来说明本发明,而并非用作为对本发明的限定,只要在本发明的实质精神范围内,对以上实例的变化、变型都将落在本发明的权利要求书范围内。
Claims (6)
1.一种基于用户历史消费数据的商家推荐方法,其特征在于:所述方法包括以下步骤:
步骤1、用户设定搜索半径r,搜索关键词;
步骤2、设备获取用户位置P0,并以周期T将关键词,半径r和P0发送给服务器;
步骤3、服务器根据P0搜索附近商家,得到附近半径r范围内的商家列表Lin;
步骤4、选择Lin中第一个商家m;
步骤5、如果m不存在,前往步骤6,否则计算m评分的平均分:
所述计算过程为:
(5.1)获取商家m最近一个月的用户消费数据列表Lm;
(5.2)将Lm中用户位置与商家m位置距离大于设定值d的消费记录删除,并计算得到用户数量n以及每个用户的消费次数Ci,i=1,2,…,n;
(5.3)计算商家m总计销售数量Ctotal,根据用户账户等级权重ωg和最近一个月的购买次数划分的区间计算每个用户的评分总和Si,i=1,2,…,n,其中ωg是用户账户等级的权重,ω1、ω2和ω3是购买次数区间的权重,并统计最近一个月商家获得的评分总和Stotal,为:
(5.4)根据评分总分Stotal和销售数量Ctotal,计算商家评分的平均分Savg,为:
(5.5)将m添加到推荐列表Lout中,并从Lin删除m,返回步骤4;
步骤6、服务器根据计算的平均分从高到低排序输出的列表Lout,并将Lout返回给设备。
2.根据权利要求1所述一种基于用户历史消费数据的商家推荐方法,其特征在于:在所述步骤1中,用户使用设备,所述设备能够通过GPS获取当前的具***置,且能够访问互联网,搜索半径r为用户自定义距离大小,单位为公里,两个位置间距离根据经纬度计算为;
d′=arccos(sin(y0)*sin(y1)+cos(y0)*cos(ye)*cos(x0-x1))*Re,
其中,Re是地球半径,(x0,y0)和(x1,y1)分别为两个位置点的经纬度坐标。
3.根据权利要求1或2所述一种基于用户历史消费数据的商家推荐方法,其特征在于:在所述步骤2中,周期T为预先定义好的时间,单位为分钟。
4.根据权利要求1或2所述一种基于用户历史消费数据的商家推荐方法,其特征在于:在所述步骤3中,得到的商家列表Lin中的商家已经根据距离由近到远排好序。
5.根据权利要求1所述一种基于用户历史消费数据的商家推荐方法,其特征在于:在步骤5中,商家的信息和用户消费历史数据已经预先存储在数据库中,商家信息包括有名称和位置信息,用户消费历史数据包括有消费账号等级、消费者的名称、消费位置、消费时间以及对商家的评分,用户消费位置与商家位置相差设定的值d用来判断用户消费位置与商家位置是否符合,单位为米,且每次评分范围为0-5分,都是整数,最后商家所得的平均评分保留一位小数。
6.根据权利要求5所述一种基于用户历史消费数据的商家推荐方法,其特征在于:在步骤5中,t1和t2表示正常购买次数区间的下限和上限,t3表示过于异常购买数量起始值,超出t3的用户评分全部为0,不同权重ω1,ω2和ω3为对应购买次数区间的分数折算百分比,ω2>ω1≥ω3,ωg为不同账号等级对应的分数折算百分比,不同消费次数区间的评分与对应消费次数区间权重以及账号等级对应权重的乘积为对应的实际消费次数区间评分值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811255149.9A CN109522475B (zh) | 2018-10-26 | 2018-10-26 | 一种基于用户历史消费数据的商家推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811255149.9A CN109522475B (zh) | 2018-10-26 | 2018-10-26 | 一种基于用户历史消费数据的商家推荐方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109522475A true CN109522475A (zh) | 2019-03-26 |
CN109522475B CN109522475B (zh) | 2022-04-22 |
Family
ID=65774057
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811255149.9A Active CN109522475B (zh) | 2018-10-26 | 2018-10-26 | 一种基于用户历史消费数据的商家推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109522475B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110032696A (zh) * | 2019-04-15 | 2019-07-19 | 拉扎斯网络科技(上海)有限公司 | 展示方法、装置、电子设备及计算机可读存储介质 |
CN110415087A (zh) * | 2019-08-05 | 2019-11-05 | 江苏易汇聚软件科技有限公司 | 一种基于互联网的电子商务交易*** |
CN111160994A (zh) * | 2020-01-03 | 2020-05-15 | 北京明略软件***有限公司 | 客户忠诚度评价方法、装置、计算机设备和可读存储介质 |
CN111626825A (zh) * | 2020-05-28 | 2020-09-04 | 江苏金匮通供应链管理有限公司 | 用于跨境电商刷单风险控制的*** |
CN112070563A (zh) * | 2020-09-25 | 2020-12-11 | 汪洋 | 基于大数据的商场智能导购***及方法 |
CN112529505A (zh) * | 2020-12-21 | 2021-03-19 | 北京顺达同行科技有限公司 | 违规刷单检测方法、装置及可读存储介质 |
CN113886722A (zh) * | 2021-12-08 | 2022-01-04 | 环球数科集团有限公司 | 旅游美食推荐方法、装置和计算机设备 |
CN116823409A (zh) * | 2023-08-29 | 2023-09-29 | 南京大数据集团有限公司 | 一种基于目标搜索数据的智能筛选方法及*** |
CN116911951A (zh) * | 2023-07-28 | 2023-10-20 | 北京数聚智连科技股份有限公司 | 一种电商数据分析处理方法及*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104504043A (zh) * | 2014-12-16 | 2015-04-08 | 新余兴邦信息产业有限公司 | 一种基于智能终端的搜索优质商家的方法及装置 |
CN105025091A (zh) * | 2015-06-26 | 2015-11-04 | 南京邮电大学 | 一种基于移动用户位置的商铺推荐方法 |
US20160379173A1 (en) * | 2015-06-25 | 2016-12-29 | Cardinal Health Technologies, Llc. | Appointment scheduling system and methods |
CN106408377A (zh) * | 2016-08-31 | 2017-02-15 | 广东华邦云计算股份有限公司 | 购物推荐方法及*** |
TWM565841U (zh) * | 2018-05-23 | 2018-08-21 | 華南商業銀行股份有限公司 | 特約商家推薦系統 |
-
2018
- 2018-10-26 CN CN201811255149.9A patent/CN109522475B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104504043A (zh) * | 2014-12-16 | 2015-04-08 | 新余兴邦信息产业有限公司 | 一种基于智能终端的搜索优质商家的方法及装置 |
US20160171594A1 (en) * | 2014-12-16 | 2016-06-16 | Xinyu Xingbang Information Industry Co., Ltd | Method and a Device for Searching Premium Merchant Based on an Intelligent Terminal |
US20160379173A1 (en) * | 2015-06-25 | 2016-12-29 | Cardinal Health Technologies, Llc. | Appointment scheduling system and methods |
CN105025091A (zh) * | 2015-06-26 | 2015-11-04 | 南京邮电大学 | 一种基于移动用户位置的商铺推荐方法 |
CN106408377A (zh) * | 2016-08-31 | 2017-02-15 | 广东华邦云计算股份有限公司 | 购物推荐方法及*** |
TWM565841U (zh) * | 2018-05-23 | 2018-08-21 | 華南商業銀行股份有限公司 | 特約商家推薦系統 |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110032696A (zh) * | 2019-04-15 | 2019-07-19 | 拉扎斯网络科技(上海)有限公司 | 展示方法、装置、电子设备及计算机可读存储介质 |
CN110415087A (zh) * | 2019-08-05 | 2019-11-05 | 江苏易汇聚软件科技有限公司 | 一种基于互联网的电子商务交易*** |
CN110415087B (zh) * | 2019-08-05 | 2020-09-18 | 江苏易汇聚软件科技有限公司 | 一种基于互联网的电子商务交易*** |
CN111160994A (zh) * | 2020-01-03 | 2020-05-15 | 北京明略软件***有限公司 | 客户忠诚度评价方法、装置、计算机设备和可读存储介质 |
CN111626825A (zh) * | 2020-05-28 | 2020-09-04 | 江苏金匮通供应链管理有限公司 | 用于跨境电商刷单风险控制的*** |
CN113191799A (zh) * | 2020-09-25 | 2021-07-30 | 汪洋 | 基于大数据的商场智能导购*** |
CN112070563A (zh) * | 2020-09-25 | 2020-12-11 | 汪洋 | 基于大数据的商场智能导购***及方法 |
CN112529505A (zh) * | 2020-12-21 | 2021-03-19 | 北京顺达同行科技有限公司 | 违规刷单检测方法、装置及可读存储介质 |
CN112529505B (zh) * | 2020-12-21 | 2024-02-27 | 北京顺达同行科技有限公司 | 违规刷单检测方法、装置及可读存储介质 |
CN113886722A (zh) * | 2021-12-08 | 2022-01-04 | 环球数科集团有限公司 | 旅游美食推荐方法、装置和计算机设备 |
CN113886722B (zh) * | 2021-12-08 | 2022-03-04 | 环球数科集团有限公司 | 旅游美食推荐方法、装置和计算机设备 |
CN116911951A (zh) * | 2023-07-28 | 2023-10-20 | 北京数聚智连科技股份有限公司 | 一种电商数据分析处理方法及*** |
CN116911951B (zh) * | 2023-07-28 | 2024-03-08 | 北京数聚智连科技股份有限公司 | 一种电商数据分析处理方法及*** |
CN116823409A (zh) * | 2023-08-29 | 2023-09-29 | 南京大数据集团有限公司 | 一种基于目标搜索数据的智能筛选方法及*** |
CN116823409B (zh) * | 2023-08-29 | 2023-12-01 | 南京大数据集团有限公司 | 一种基于目标搜索数据的智能筛选方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN109522475B (zh) | 2022-04-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109522475A (zh) | 一种基于用户历史消费数据的商家推荐方法 | |
CN102594905B (zh) | 一种基于场景的社交网络位置兴趣点推荐方法 | |
CN103488678B (zh) | 一种基于用户签到相似度的好友推荐*** | |
CN103944932B (zh) | 搜索、确定活跃区域的方法与服务器 | |
CN104050196B (zh) | 一种兴趣点数据冗余检测方法及装置 | |
CN101540739B (zh) | 用户推荐方法及用户推荐*** | |
CN103455515B (zh) | Sns社区中的用户推荐方法和*** | |
CN106250568B (zh) | 服务范围确定方法、物流服务提供方推荐方法及相应装置 | |
CN107491996B (zh) | 一种网页广告投放方法与*** | |
CN105824813B (zh) | 一种挖掘核心用户的方法及装置 | |
CN107146089A (zh) | 一种刷单识别方法及装置,电子设备 | |
CN103198161A (zh) | 微博水军识别方法与设备 | |
US8255392B2 (en) | Real time data collection system and method | |
CN105373597A (zh) | 基于k-medoids项目聚类和局部兴趣融合的用户协同过滤推荐方法 | |
CN105205146B (zh) | 一种计算微博用户影响力的方法 | |
CN101355457B (zh) | 测试方法及测试设备 | |
CN103077220A (zh) | 一种基于用户群关联度的个性化推荐方法及*** | |
CN101699440B (zh) | 按业务检索的方法及*** | |
CN105550275B (zh) | 一种微博转发量预测方法 | |
CN103970747B (zh) | 网络侧计算机对搜索结果进行排序的数据处理方法 | |
CN103631949B (zh) | 一种社交网络数据采集方法及*** | |
CN107395680B (zh) | 店铺群信息推送和输出方法及装置、设备 | |
CN106933969A (zh) | 基于行业上下游关系的个性化推荐***和推荐方法 | |
CN103092863A (zh) | 一种问卷数据处理方法 | |
CN103189885A (zh) | 服务器、信息管理方法、信息管理程序以及记录该程序的计算机可读取的记录介质 |
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 |