CN109614556A - 访问路径预测、信息推送方法及装置 - Google Patents
访问路径预测、信息推送方法及装置 Download PDFInfo
- Publication number
- CN109614556A CN109614556A CN201811284144.9A CN201811284144A CN109614556A CN 109614556 A CN109614556 A CN 109614556A CN 201811284144 A CN201811284144 A CN 201811284144A CN 109614556 A CN109614556 A CN 109614556A
- Authority
- CN
- China
- Prior art keywords
- interest
- user
- point
- vertex type
- access
- 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
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明实施例公开了一种访问路径预测方法、信息推送方法及装置,其中所述访问路径预测方法包括:获取用户在目标区域内的当前位置和用户特征参数;根据所述当前位置、所述用户特征参数和历史访问数据预测所述用户访问几率最高的兴趣点和/或兴趣点类型;将所述访问几率最高的兴趣点和/或兴趣点类型作为预测访问路径的起始兴趣点和/或兴趣点类型。
Description
技术领域
本发明涉及移动互联网技术领域,具体涉及一种访问路径预测方法、信息推送方法及装置。
背景技术
当前移动互联网技术极速发展,诸如智能手机等智能设备的保有量不断增长,促成基于位置的服务(LBS,Location-based Services)与生活紧密关联,主打“身边”服务的应用越来越多。例如,商家可以通过分析用户的位置信息,将个性化的广告信息发送到用户手机上,从而提升了广告投放的精准度,而用户则可以很快收到附近商家的打折信息、优惠券等,极大刺激了用户潜在的消费欲望。
然而,在LBS的价值得到认可的同时,LBS带来的隐私问题越来越受到关注,严重阻碍了LBS的发展。
发明内容
有鉴于此,本发明实施例提供了一种访问路径预测方法、信息推送方法及装置,以解决现有技术中LBS服务不能有效保护用户隐私的问题。
根据第一方面,本发明实施例提供了一种访问路径预测方法,包括:获取用户在目标区域内的当前位置和用户特征参数;根据所述当前位置、所述用户特征参数和历史访问数据预测所述用户访问几率最高的兴趣点和/或兴趣点类型;将所述访问几率最高的兴趣点和/或兴趣点类型作为预测访问路径的起始兴趣点和/或兴趣点类型。
可选地,所述历史访问数据包括采集的多个用户的用户特征参数和所述目标区域内的历史访问路径,所述历史访问路径包括至少一个兴趣点和/或兴趣点类型,所述根据所述当前位置、所述用户特征参数和历史访问数据获取所述用户访问几率最高的兴趣点和/或兴趣点类型,包括:根据所述用户特征参数为所述用户匹配相应的用户组,所述用户组根据所述多个用户的用户特征参数得到;获取距离所述当前位置预定距离内的兴趣点和/或兴趣点类型;在所获取的兴趣点和/或兴趣点类型中选取所匹配的用户组内用户访问几率最高的兴趣点和/或兴趣点类型,各个用户组内兴趣点和/或兴趣点类型的访问几率根据所述多个用户的历史访问路径得到。
可选地,根据所述多个用户的用户特征参数得到用户组的步骤包括:计算各个用户的用户特征参数之间的相似度;根据所述相似度将所述多个用户划分为多个用户组。
可选地,根据所述多个用户的用户特征参数得到用户组的步骤包括:利用非监督式学习方式对各个用户的用户特征参数进行聚类以形成多个用户组。
可选地,所述根据所述用户特征参数为所述用户匹配相应的用户组,包括:分别计算所述用户的用户特征参数与各个所述用户组内用户的用户特征参数的相似度;选取相似度最高的所述用户组匹配为所述用户相应的用户组。
可选地,所述方法还包括:将所匹配的用户组内与所述起始兴趣点和/或兴趣点类型关联度最高的兴趣点和/或兴趣点类型作为所述预测访问路径的下一兴趣点和/或兴趣点类型;和/或将所匹配的用户组内与当前预测的兴趣点和/或兴趣点类型关联度最高的兴趣点和/或兴趣点类型作为所述预测访问路径的下一兴趣点和/或兴趣点类型。
可选地,当存在访问几率相同的兴趣点和/或兴趣点类型时或者当存在关联度相同的兴趣点和/或兴趣点类型时,根据当前时间选择所述用户较可能访问的兴趣点和/或兴趣点类型。
可选地,所述历史访问数据包括采集的多个用户的用户特征参数和所述目标区域内的历史访问路径,所述历史访问路径包括起始点和至少一个兴趣点和/或兴趣点类型,所述根据所述当前位置和所述用户特征参数获取所述用户访问几率最高的兴趣点和/或兴趣点类型,包括:将所述当前位置和所述用户特征参数输入到第一神经网络模型以得到所述用户访问几率最高的兴趣点和/或兴趣点类型,所述第一神经网络模型由所述历史访问数据训练得到。
可选地,所述方法还包括:将所述起始兴趣点和/或兴趣点类型和所述用户特征参数输入到第二神经网络模型以得到所述预测访问路径的后续兴趣点和/或兴趣点类型,所述第二神经网络模型由所述历史访问数据训练得到。
可选地,所述预测访问路径包括n个兴趣点和/或兴趣点类型,n满足以下条件:t1+t2+…+tn≤min{Tb-Ta,Tc};其中t1、t2、……tn分别为所匹配的用户组内用户在所述n个兴趣点和/或兴趣点类型的平均停留时间,Ta表示当前时间,Tb表示目标区域内店铺的打烊时间,Tc表示所匹配的用户组内用户在一条历史访问路径上的平均总耗时,min{Tb-Ta,Tc}表示Tb-Ta与Tc中的较小值,n为自然数。
可选地,所述方法还包括:对所述历史访问数据进行筛选。
可选地,所述对所述历史访问数据进行筛选,包括:分别获取所述历史访问数据中各个用户访问各个兴趣点和/或各个兴趣点类型的停留时间;去除停留时间小于预定时间的兴趣点和/或兴趣点类型。
可选地,所述对所述历史访问数据进行筛选,包括:分别统计各个用户访问各个兴趣点和/或各个兴趣点类型的访问几率;去除访问几率低于预定阈值的兴趣点和/或兴趣点类型。
根据第二方面,本发明实施例提供了一种信息推送方法,包括:在接收到用户的当前位置时,根据上述第一方面中任一项所述的方法获取所述用户的预测访问路径;根据所述预测访问路径向所述用户推送相应的信息。
根据第三方面,本发明实施例提供了一种访问路径预测装置,包括:获取单元,用于获取用户在目标区域内的当前位置和用户特征参数;预测单元,用于根据所述当前位置、所述用户特征参数和历史访问数据获取所述用户访问几率最高的兴趣点和/或兴趣点类型;路径单元,用于将所述访问几率最高的兴趣点和/或兴趣点类型作为预测访问路径的起始兴趣点和/或兴趣点类型。
根据第四方面,本发明实施例提供了一种信息推送装置,包括:根据第三方面所述的访问路径预测装置,用于在接收到用户的当前位置时,获取所述用户的预测访问路径;推送单元,用于根据所述预测访问路径向所述用户推送相应的信息。
根据第五方面,本发明实施例提供了一种服务器,包括:存储器和处理器,所述存储器和所述处理器之间互相通信连接,所述存储器中存储有计算机指令,所述处理器通过执行所述计算机指令,从而执行第一方面或第二方面中任一项所述的方法。
根据第五方面,本发明实施例提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使所述计算机执行第一方面或第二方面中任一项所述的方法。
附图说明
通过参考附图会更加清楚的理解本发明的特征和优点,附图是示意性的而不应理解为对本发明进行任何限制,在附图中:
图1示出了示出了根据本发明实施例的访问路径预测方法的流程图;
图2示出了示出了根据本发明另一实施例的访问路径预测方法的流程图;
图3示出了根据本发明实施例的根据用户特征参数之间的相似度对用户进行分组的示意图;
图4示出了示出了根据本发明另一实施例的访问路径预测方法的流程图;
图5示出了根据本发明实施例的信息推送方法的流程图;
图6示出了根据本发明实施例的访问路径预测装置的示意图;
图7示出了根据本发明实施例的信息推送装置的示意图;
图8示出了根据本发明实施例的服务器的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1示出了根据本发明实施例的访问路径预测方法,该方法可以在用户进入目标区域(例如某个商圈)时,根据多个用户的历史访问数据来预测出用户可能的访问路径,而不需要一直获取用户的实时位置信息,访问路径可以包括至少一个兴趣点和/或兴趣点类型,每一个兴趣点(POI,Point of Interest)例如可以表示一家具体店铺、一家具体电影院、一家具体餐馆等,每个兴趣点均具有一个类型,一个兴趣点类型为具有该类型的店铺的集合,例如兴趣点类型为化妆品,则该兴趣点类型包括商圈内化妆品店铺的集合。对于某些场景,可以无需关注具体的兴趣点,而仅需给出用户感兴趣的兴趣点类型,将该类型下的商圈内的兴趣点都展示给用户,给用户一定的自由选择权,同样也可以促进用户的消费欲望。如图1所示,该方法可以包括如下步骤:
S11.获取用户在目标区域内的当前位置和用户特征参数。
在用户进入到某个目标区域(例如某个商圈)后,如果他还没有明确的想法下一步该访问哪个兴趣点,用户可以打开智能移动终端内的相应APP,由此APP就可以通过智能移动终端的定位模块获取用户的当前位置,并通过智能移动终端将当前位置信息传送给服务器,由于用户是该APP的注册用户,服务器也可以获知用户在注册时填写的用户特征参数。用户特征参数是与该用户自身有关的参数,例如用户的年龄、性别、收入、兴趣爱好等等。
然而本发明并不限于此,如果用户所持有的并非带有定位功能的智能移动终端,用户也可以在某个服务终端上通过刷卡、指纹识别、密码确认等方式进行认证,服务器通过该服务终端的位置信息能够获知用户的当前位置,并且也可以获知用户在注册时填写的用户特征参数。
S12.根据当前位置、用户特征参数和历史访问数据预测该用户访问几率最高的兴趣点和/或兴趣点类型。
服务器中存储有大量历史访问数据,历史访问数据中记录有多个用户的用户特征参数和该目标区域内的历史访问路径,其中历史访问路径是先前采集的多个用户在例如某商圈等的目标区域内访问的至少一个兴趣点和/或兴趣点类型。以兴趣点为例,如果用户先访问了商圈内的某影院A,然后访问了某书店B,最后访问了某餐馆C,这样影院A、书店B和餐馆C就构成了该用户的一条访问路径,访问路径可以是有序的,也可以是无序的,如果用户倾向于按照影院A、书店B和餐馆C的顺序来访问这三个兴趣点,而不会按照别的顺序,则该访问路径是有序的,如果用户对于访问影院A、书店B和餐馆C的先后顺序并没有明显的倾向,则该访问路径是无序的。相似的用户通常会有相似的消费倾向,用户特征参数的维度越多,匹配相似用户越精确,通过对大量历史访问数据进行分析,能够预测到该用户最有可能访问的兴趣点和/或兴趣点类型。
S13.将访问几率最高的兴趣点和/或兴趣点类型作为预测访问路径的起始兴趣点和/或兴趣点类型。
一般来说,用户在进入到某个商圈后不会仅访问一个兴趣点或一种兴趣点类型,该用户还可能访问其他兴趣点或兴趣点类型,因此该访问几率最高的兴趣点和/或兴趣点类型可以作为预测访问路径的起始兴趣点和/或兴趣点类型。
通过上述方法步骤,服务器仅需要获知用户的初始位置,就可以预测出用户可能会访问的兴趣点和/或兴趣点类型,而不需要一直获取用户的真实位置,在保障用户隐私的同时也具有一定的商业价值。
图2示出了根据本发明另一实施例的访问路径预测方法,该方法可以包括如下步骤:
S21.获取用户在目标区域内的当前位置和用户特征参数,具体内容可以参见步骤S11的描述。
S22.根据用户特征参数为该用户匹配相应的用户组,该用户组根据历史访问数据中多个用户的用户特征参数得到。
在本实施例中,可以采用多种方法来根据历史访问数据中多个用户的用户特征参数得到用户组。在本实施例的一些可选实施方式中,根据历史访问数据中多个用户的用户特征参数得到用户组的步骤可以包括
S22a)计算各个用户的用户特征参数之间的相似度;
S22b)根据相似度将多个用户划分为多个用户组。
衡量用户特征参数之间的相似度的一个指标可以是用户特征参数之间的空间距离,以包括年龄和收入的二维用户特征参数为例,可以将历史访问数据中多个用户的年龄和收入表示在一个以收入为横坐标、年龄为纵坐标的坐标系中,如图3所示,以圆圈来表示各个用户样本,计算机可以计算两点之间的空间距离,从而可以把空间距离在预定范围内的点划分为一组,在图3中以虚线框表示,例如收入低的年轻人、收入高的年轻人、收入高的老年人等,对于某些与任何点之间的空间距离均超过预定范围的样本则可以舍去,如图3中不在虚线框范围内的点。在图3中仅以两个维度的用户特征参数为例来说明本实施例,在实际应用中为了实现更加精准的用户组划分,可能存在几十甚至上百个维度的用户特征参数。由此即可以根据用户特征参数之间的相似度对用户进行分组。
在本实施例的另一些可选实施方式中,上述步骤S22例如通过计算机非监督式学习的方式来实现,计算机可以自动对用户样本进行聚类,从而形成多个用户组。非监督式学习可以通过对大量样本的数据分析,对未加标签的样本进行分类。非监督式学习可以基于概率密度函数估计来实现,例如最大似然法或Bayes估计法,也可以基于样本间相似度来实现,例如K-Means算法等。
在得到了多个用户组之后,例如就可以分别计算该用户的用户特征参数与各个用户组内用户的用户特征参数的相似度,选取相似度最高的用户组匹配为该用户相应的用户组。
S23.获取距离该当前位置预定距离内的兴趣点和/或兴趣点类型。
服务器在获取到用户的当前位置时,例如可以沿当前位置的各条道路向外发散,根据正常行走的速度测算例如5分钟时间步行所能到达的范围,获取到该范围内的兴趣点,进而可以根据兴趣点得到相应的兴趣点类型。作为另一种可选实施方式,服务器也可以以用户的当前位置为圆心,以例如500米的长度为半径做圆,获取该范围内的兴趣点。
S24.在所获取的兴趣点和/或兴趣点类型中选取所匹配的用户组内用户访问几率最高的兴趣点和/或兴趣点类型,各个用户组内兴趣点和/或兴趣点类型的访问几率根据多个用户的历史访问路径得到。
还是以包括年龄和收入的二维用户特征参数为例,例如服务器将该用户匹配到收入低的年轻人的用户组,可以认为同属于收入低的年轻人会具有相似的消费倾向,同时为了兼顾距离,可以在用户从当前位置可以快速到达的范围内的兴趣点中选取同用户组内用户访问几率最高的兴趣点。由于所选取的兴趣点是同用户组内用户访问几率最高的兴趣点且处于用户从当前位置可以快速到达的范围内,则可以预测用户很可能会访问该兴趣点。
下面以一个示例来说明根据多个用户的历史访问路径得到各个用户组内兴趣点的访问几率。如下表1所示,某个用户组内包括三个用户,用户A、用户B和用户C,表格中分别列出了每个用户访问兴趣点1-4的访问量,由此可以统计出在该用户组中兴趣点1的访问量是24次,兴趣点2的访问量是39次,兴趣点3的访问量是22次,兴趣点4的访问量是15次,相对于总共100次的访问量而言,兴趣点1的访问几率是24%,兴趣点2的访问几率是39%,兴趣点3的访问几率是22%,兴趣点4的访问几率是15%。通过这样统计,可以获知该用户组内的用户对于哪个兴趣点更感兴趣。
兴趣点1 | 兴趣点2 | 兴趣点3 | 兴趣点4 | |
用户A | 15 | 12 | 3 | |
用户B | 15 | 10 | 15 | |
用户C | 9 | 12 | 9 |
表1用户对各个兴趣点访问次数的示例
对于根据多个用户的历史访问路径得到各个用户组内兴趣点类型的访问几率,可以提取出各个兴趣点的兴趣点类型,分别统计各个用户组内用户所访问的各个兴趣点类型的访问几率,进而可以获知该用户组内的用户对于哪种类型的兴趣点更感兴趣。
S25.将该访问几率最高的兴趣点和/或兴趣点类型作为预测访问路径的起始点,具体参见步骤S13的描述。
通过上述方法步骤,服务器通过对大量历史访问数据进行分析,根据用户特征参数将历史访问数据中的用户分为若干用户组,并将该用户匹配到相应的用户组内,从而服务器可以仅需要获知用户的初始位置,根据该用户所匹配的用户组内用户对于不同兴趣点和/或兴趣点类型的访问几率,预测用户可能会访问的兴趣点和/或兴趣点类型,而不需要一直获取用户的真实位置,在保障用户隐私的同时也具有一定的商业价值。
作为本实施例的一些可选实施方式,如图2所示,上述访问路径预测方法还可以包括:
S26.将所匹配的用户组内与该起始点关联度最高的兴趣点和/或兴趣点类型作为预测访问路径的下一兴趣点和/或下一兴趣点类型。
在访问路径中,各个兴趣点之间是存在一定的关联度的,可以用关联度来定义各个兴趣点同时出现在同一访问路径的几率。例如,通过分析历史访问数据可以发现,某个用户组的用户在用餐后会购买饮料,在购买完饮料后会看电影,则该餐馆、该饮料店和该电影院这三个兴趣点之间的关联度比较高。各个兴趣点之间的关联度可以是有序的,也可以是无序的。存在一种可能,该用户组的用户大都是遵循先用餐,然后购买饮料,再然后看电影的顺序,而不会先看电影后用餐,或是先购买饮料后用餐,在这种情况下,按照兴趣点被访问的顺序来计算各个兴趣点之间的关联度是非常有用的,也即从餐馆到饮料店的关联度、从饮料店到电影院的关联度很高,而反之从饮料店到餐馆的关联度、从电影院到饮料店的关联度则较低。而对于另一些场景,从化妆品店1到化妆品店2的关联度与从化妆品店2到化妆品店1的关联度并不存在明显差别,则可以将这种场景下的关联度设置成无序的,通过这样设置可以更有利于后续的精准预测。
同样地,在某些情况下并不需要关注具体兴趣点,而更希望关注兴趣点类型,在此情况下,可以计算各个兴趣点类型之间的关联度。同样地,各个兴趣点类型之间的关联度可以是有序的,也可以是无序的。
对于各个兴趣点和/或各个兴趣点类型之间的关联度是有序的场景,按照有序关联度选取该起始点关联度最高的兴趣点和/或兴趣点类型;对于各个兴趣点和/或各个兴趣点类型之间的关联度是无序的场景,按照无序关联度选取该起始点关联度最高的兴趣点和/或兴趣点类型。
S27.将所匹配的用户组内与当前预测的兴趣点和/或兴趣点类型关联度最高的兴趣点和/或兴趣点类型预测作为预测访问路径的下一兴趣点和/或下一兴趣点类型。
可以不断根据当前兴趣点和/或当前兴趣点类型来预测下一兴趣点和/或下一兴趣点类型,从而形成一条包括n个兴趣点和/或兴趣点类型的预测访问路径,其中n为自然数。
在某个高峰时间段,服务器需要及时对多个用户的访问路径进行预测,为了节省服务器的计算资源并且由于用户的精力有限、时间有限,预测其访问路径也不可能包括过多的兴趣点和/或兴趣点类型,也就是说n是有限的。在某些可选实施方式中,可以将n设置成一个固定值,例如5。在某些可选实施方式中,n可以是一个与用户特征参数相关的值,该用户所匹配的用户组不同,n的取值也不同,例如对于年轻女性的用户组而言,其n值会大于老年男性的用户组,可以将n设置成等于或略大于该用户所匹配的用户组内用户的历史访问路径所平均包括的兴趣点和/或兴趣点类型的个数。在另一些可选实施方式中,可以对n进行更精确的确定。用户例如在看电影、用餐、理发时,在对应兴趣点的停留时间一般来说会大于在服装店铺的停留时间,为了更加精确的确定n值,服务器在每预测出一个兴趣点和/或兴趣点类型时,同时获取所匹配的用户组内用户在该兴趣点和/或兴趣点类型的平均停留时间,然后判断用户在该兴趣点和/或兴趣点类型访问结束后是否超出商圈店铺的打烊时间以及所匹配的用户组内用户在一条历史访问路径上的平均总耗时中的较小值,如果超出了则停止继续预测。在这种情况下,n值满足以下条件:
t1+t2+…+tn≤min{Tb-Ta,Tc};
其中,t1、t2、……tn分别为所匹配的用户组内用户在n个兴趣点和/或兴趣点类型的平均停留时间,Ta表示当前时间,Tb表示目标区域内店铺的打烊时间,Tc表示所匹配的用户组内用户在一条历史访问路径上的平均总耗时,min{Tb-Ta,Tc}表示Tb-Ta与Tc中的较小值。
在某些情况下,可能存在两个或多个访问几率相同的兴趣点和/或兴趣点类型,且与用户当前位置的距离相近。在这种情况下,作为一种可选的实施方式,可以把这些访问几率相同的兴趣点和/或兴趣点类型都预测为访问路径上的一个兴趣点和/或兴趣点类型。作为另一种可选的实施方式,服务器可以根据当前时间选择该用户较可能访问的兴趣点和/或兴趣点类型。例如,存在访问几率相同的兴趣点是电影院和餐馆,而当前时间是12:00,服务器预测的用户在此之前的访问点并不包括餐馆,应当可以判断出用户此时应该对餐馆更感兴趣,从而可以根据当前时间预测用户下一个兴趣点应当是餐馆。作为另一种可选的实施方式,服务器在计算各个用户组内用户所访问的各个兴趣点和/或各个兴趣点类型之间的关联度的时候可以将当前时间考虑在内,即计算各个用户组内用户所访问的各个兴趣点和/或各个兴趣点类型之间的在不同时间时的关联度,时间间隔可以根据实际情况灵活设置,例如可以设置为半个小时或一个小时时间间隔,也可以仅设置早上、中午、晚上这三个不同时段下各个用户组内用户所访问的各个兴趣点和/或各个兴趣点类型之间的关联度。此外,用户在工作日、周末、节假日的消费倾向也可能是不同的,也可以设置在不同日期下各个用户组内用户所访问的各个兴趣点和/或各个兴趣点类型之间的关联度,从而可以使得预测访问路径更加准确。
通过上述方法步骤,服务器根据所匹配的用户组内各个兴趣点和/或兴趣点类型之间的关联度,预测用户后续可能会访问的兴趣点或兴趣点类型,不需要一直获取用户的真实位置,在保障用户隐私的同时也具有一定的商业价值。
图4示出了根据本发明另一实施例的访问路径预测方法,该方法可以包括如下步骤:
S31.获取用户在目标区域内的当前位置和用户特征参数,具体参见步骤S11的描述。
S32.将当前位置和用户特征参数输入到第一神经网络模型以得到该用户访问几率最高的兴趣点和/或兴趣点类型,该第一神经网络模型由历史访问数据训练得到,历史访问数据包括采集的多个用户的用户特征参数和该目标区域内的历史访问路径,历史访问路径包括起始点和至少一个兴趣点和/或兴趣点类型。
在具有大量历史访问数据的情况下,可以采用机器学习的方式训练第一神经网络模型来预测该用户访问几率最高的兴趣点和/或兴趣点类型。该第一神经网络模型例如可以是前馈神经网络,以多个用户的用户特征参数和起始点为输入,以最开始访问的兴趣点和/或兴趣点类型的访问几率为输出,利用大量历史访问数据来对该前馈神经网络进行训练从而得到该第一神经网络模型。服务器在接收到用户的当前位置和用户特征参数时,可以将其输入到训练好的第一神经网络模型,第一神经网络可以输出该用户可能访问的兴趣点和/或兴趣点类型的访问几率,从而可以得到访问几率最高的兴趣点和/或兴趣点类型。历史访问数据的数据量越大,所训练出的第一神经网络模型预测得会更加准确。
S33.将访问几率最高的兴趣点和/或兴趣点类型作为预测访问路径的起始兴趣点和/或兴趣点类型,具体参见步骤S13的描述。
通过上述方法步骤,在具有大量历史访问数据的情况下,服务器利用训练好的第一神经网络模型,仅需要获知用户的初始位置,就可以预测出用户可能会访问的兴趣点和/或兴趣点类型,而不需要一直获取用户的真实位置,在保障用户隐私的同时也具有一定的商业价值。
作为本实施例的一些可选实施方式,如图4所示,上述访问路径预测方法还可以包括:
S34.将起始兴趣点和/或兴趣点类型和用户特征参数输入到第二神经网络模型以得到该预测访问路径的后续兴趣点和/或兴趣点类型,该第二神经网络模型由历史访问数据训练得到。
在具有大量历史访问数据的情况下,可以采用机器学习的方式训练第二神经网络模型来预测该预测访问路径的后续兴趣点和/或兴趣点类型。该第二神经网络模型例如可以是循环神经网络(RNN,Recurrent Neural Network)或是长短期记忆网络(LSTM,LongShort-Term Memory),该第二神经网络适合于预测时间序列中的事件。以多个用户的用户特征参数和起始兴趣点和/或兴趣点类型输入,以为该预测访问路径的后续兴趣点和/或兴趣点类型输出,利用大量历史访问数据来对该神经网络进行训练从而得到该第二神经网络模型。服务器在接收到起始兴趣点和/或兴趣点类型和用户特征参数时,可以将其输入到训练好的第二神经网络模型,第二神经网络可以输出该用户后续可能访问的兴趣点和/或兴趣点类型序列,从而可以得到预测访问路径。同样地,历史访问数据的数据量越大,所训练出的第二神经网络模型预测得会更加准确。
同样地,预测访问路径所包括的兴趣点和/或兴趣点类型的个数n可以按照步骤S27中的相关方法来设置,从而可以节省服务器的计算资源。
通过上述方法步骤,在具有大量历史访问数据的情况下,服务器利用训练好的第二神经网络模型,预测用户后续可能会访问的兴趣点或兴趣点类型,不需要一直获取用户的真实位置,在保障用户隐私的同时也具有一定的商业价值。
在上文所述的实施例中,服务器根据历史访问数据,仅需要获知用户的初始位置,就可以预测出用户可能会访问的兴趣点和/或兴趣点类型。然而历史访问数据中可能存在很多噪声数据,如果服务器在预测时还考虑了这些噪声数据,会对预测的准确度造成影响。为此,在本实施例的一些可选实施方式中,服务器还需要对历史访问数据进行筛选。
作为一种可选实施方式中,上述对历史访问数据进行筛选的步骤可以包括:
a)分别获取历史访问数据中各个用户访问各个兴趣点和/或各个兴趣点类型的停留时间;
b)去除停留时间小于预定时间的兴趣点和/或兴趣点类型。
如果只是简单的采集用户所访问的每个兴趣点,则有可能带来大量的干扰数据,不利于后续的访问路径预测。可以根据用户访问各个兴趣点的停留时间来筛选兴趣点,当用户访问某个兴趣点和/或兴趣点类型的停留时间较短时,很可能是因为用户对于该兴趣点和/或兴趣点类型不感兴趣,则应当将该兴趣点和/或兴趣点类型从该用户的历史访问路径中筛除,例如用户访问某化妆品店的时间不超过3分钟,则可以很大程度上判断用户对该化妆品店不感兴趣,从而可以将其从用户的历史访问路径中删除。
作为另一种可选实施方式,上述对历史访问数据进行筛选的步骤可以包括:
c)分别统计目标区域内各个用户访问各个兴趣点和/或各个兴趣点类型的访问几率;
d)筛除访问几率低于预定阈值的兴趣点和/或兴趣点类型。
同样地,如果采集到某个用户在某个商圈的历史访问数据,例如可能会发现该用户10次访问了兴趣点1,9次访问兴趣点2,而仅有1次访问兴趣点3,则可以得出该用户对于兴趣点1的访问几率是50%,兴趣点2的访问几率是45%,兴趣点3的访问几率是5%,由于该用户对于兴趣点3的访问几率低于某个设定值,比如10%,则可以判断出该用户对于兴趣点3并不感兴趣,从而可以将其从用户的历史访问路径中删除,对于兴趣点类型而言,也是同理。通过筛除掉访问几率低于预定阈值的兴趣点和/或兴趣点类型,可以在一定程度上去除干扰数据,有利于后续的访问路径预测。
图5示出了根据本发明实施例的信息推送方法,该方法可以包括如下步骤:
S41.在接收到用户的当前位置时,获取用户的预测访问路径。
例如可以采用图1-4所示的实施例中的访问路径预测方法,仅根据获取用户当前所处兴趣点和用户特征参数来预测用户可能会访问的至少一个兴趣点和/或兴趣点类型,其具体内容可以参见图1-4所示的实施例中的具体描述。
S42.根据该预测访问路径向用户推送相应的信息。
服务器在预测到用户可能会访问的兴趣点后,可以将与该兴趣点有关的信息推送给用户,例如店铺地址、新款商品信息、打折信息、优惠券等,由于该兴趣点本来就是用户可能会访问的兴趣点,用户在接收到这些信息后,会更加促发用户的消费。推送信息的方式有多种,例如可以作为APP的通知、可以以短信的形式、也可以将兴趣点的信息直接展示在APP首页,不同用户打开的APP首页是不同的,针对不同用户个性化定制。
在本实施例的一些可选实施方式中,可以将预测访问路径所包括的各个兴趣点的信息依次推送给用户,例如在将兴趣点的信息直接展示在APP首页的推送方式中,在首页中依次显示预测访问路径的各个兴趣点的信息。然而,在以通知或是短信推送的方式下,如果连续将各个兴趣点的信息依次推送给用户,用户可能一次会收到很多信息,用户往往只会注意到最近推送的信息,也即最后一个兴趣点的信息,而该兴趣点可能距离用户当前位置较远,从而用户可能忽略掉所有推送的信息,这样会导致信息投放效果差。作为一种可选实施方式,服务器仅将预测的第一个兴趣点信息推送给用户,并根据该用户所匹配的用户组内用户在该兴趣点的平均停留时间,延迟一段时间后再将第二个兴趣点的信息推送给用户,依此再继续推送后续的兴趣点信息,从而使得用户所接收到的最近推送的信息都是他接下来将会访问的兴趣点的信息,增强了信息投放的效果。
对于预测访问路径包括的是各个兴趣点类型的情况,作为一种可选实施方式,可以将目标区域内该兴趣点类型的兴趣点信息都推送给用户,例如预测到用户当前感兴趣的是看电影,则可以在APP首页显示商圈内所有电影院的信息,例如地址信息、票价信息等,由用户根据实际情况选择所要去的电影院,例如关注价格的用户会选择价格便宜的电影院,希望尽早看电影的用户会选择离自己最近的电影院,只想看某特定影片的用户会选择播放场次最合适的电影院,与仅推送具体兴趣点的方式相比,推送同属一类的多个兴趣点丰富了用户的选择,同样也会起到良好的信息投放效果。作为一种可选实施方式,当目标区域内该兴趣点类型的兴趣点较多时,用户可能难以做出决策,例如预测到用户当前感兴趣的是就餐,然而商圈内通常会存在很多餐馆,即使是兴趣点的类型更加细化,例如细化到西餐,可能该类型的兴趣点仍然很多。此时服务器可以根据该用户所匹配的用户组内用户的消费倾向,筛除掉一部分兴趣点,例如服务器可以获取该用户所匹配的用户组内用户的消费价位,从而可以筛除掉不在该消费价位范围内的兴趣点,从而可以方便用户做出决策。
相应地,如图6所示,本发明实施例还提供了一种访问路径预测装置,其可以包括:
获取单元51,用于获取用户在目标区域内的当前位置和用户特征参数;
预测单元52,用于根据当前位置、用户特征参数和历史访问数据获取该用户访问几率最高的兴趣点和/或兴趣点类型;
路径单元53,用于将所述访问几率最高的兴趣点和/或兴趣点类型作为预测访问路径的起始兴趣点和/或兴趣点类型。
上述获取单元51、预测单元52以及路径单元53的具体细节可以对应参阅图1至图4所示的实施例中对应的相关描述和效果进行理解,此处不再赘述。
相应地,如图7所示,本发明实施例还提供了一种信息推送装置,其可以包括:
访问路径预测装置61,用于在接收到用户的当前位置时,获取该用户的预测访问路径,该访问路径预测装置61例如可以是图6所示的实施例中的访问路径预测装置;
推送单元62,用于根据预测访问路径向该用户推送相应的信息。
上述访问路径预测装置61和推送单元62的具体细节可以对应参阅图5所示的实施例中对应的相关描述和效果进行理解,此处不再赘述。
如图8所示,本发明实施例还提供了一种服务器,该服务器可以包括处理器71和存储器72,其中处理器71和存储器72可以通过总线或者其他方式连接,图8中以通过总线连接为例。
处理器71可以为中央处理器(Central Processing Unit,CPU)。处理器71还可以为其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片,或者上述各类芯片的组合。
存储器72作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块,如本发明实施例中的启动应用程序的方法所对应的程序指令。处理器71通过运行存储在存储器72中的非暂态软件指令,从而执行处理器的各种功能应用以及数据处理,即实现上述方法实施例中的访问路径预测方法或信息推送方法。
存储器72可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中,存储器72可选包括相对于处理器71远程设置的存储器,这些远程存储器可以通过网络连接至处理器71。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
上述服务器的具体细节可以对应参阅图1至图5所示的实施例中对应的相关描述和效果进行理解,此处不再赘述。
本领域技术人员可以理解,实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)、随机存储记忆体(Random AccessMemory,RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive,缩写:HDD)或固态硬盘(Solid-State Drive,SSD)等;所述存储介质还可以包括上述种类的存储器的组合。
虽然结合附图描述了本发明的实施例,但是本领域技术人员可以在不脱离本发明的精神和范围的情况下作出各种修改和变型,这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (18)
1.一种访问路径预测方法,其特征在于,包括:
获取用户在目标区域内的当前位置和用户特征参数;
根据所述当前位置、所述用户特征参数和历史访问数据预测所述用户访问几率最高的兴趣点和/或兴趣点类型;
将所述访问几率最高的兴趣点和/或兴趣点类型作为预测访问路径的起始兴趣点和/或兴趣点类型。
2.根据权利要求1所述的方法,其特征在于,所述历史访问数据包括采集的多个用户的用户特征参数和所述目标区域内的历史访问路径,所述历史访问路径包括至少一个兴趣点和/或兴趣点类型,所述根据所述当前位置、所述用户特征参数和历史访问数据获取所述用户访问几率最高的兴趣点和/或兴趣点类型,包括:
根据所述用户特征参数为所述用户匹配相应的用户组,所述用户组根据所述多个用户的用户特征参数得到;
获取距离所述当前位置预定距离内的兴趣点和/或兴趣点类型;
在所获取的兴趣点和/或兴趣点类型中选取所匹配的用户组内用户访问几率最高的兴趣点和/或兴趣点类型,各个用户组内兴趣点和/或兴趣点类型的访问几率根据所述多个用户的历史访问路径得到。
3.根据权利要求2所述的方法,其特征在于,根据所述多个用户的用户特征参数得到用户组的步骤包括:
计算各个用户的用户特征参数之间的相似度;
根据所述相似度将所述多个用户划分为多个用户组。
4.根据权利要求2所述的方法,其特征在于,根据所述多个用户的用户特征参数得到用户组的步骤包括:
利用非监督式学习方式对各个用户的用户特征参数进行聚类以形成多个用户组。
5.根据权利要求2所述的方法,其特征在于,所述根据所述用户特征参数为所述用户匹配相应的用户组,包括:
分别计算所述用户的用户特征参数与各个所述用户组内用户的用户特征参数的相似度;
选取相似度最高的所述用户组匹配为所述用户相应的用户组。
6.根据权利要求2所述的方法,其特征在于,还包括:
将所匹配的用户组内与所述起始兴趣点和/或兴趣点类型关联度最高的兴趣点和/或兴趣点类型作为所述预测访问路径的下一兴趣点和/或兴趣点类型;和/或
将所匹配的用户组内与当前预测的兴趣点和/或兴趣点类型关联度最高的兴趣点和/或兴趣点类型作为所述预测访问路径的下一兴趣点和/或兴趣点类型。
7.根据权利要求2-6中任一项所述的方法,其特征在于,当存在访问几率相同的兴趣点和/或兴趣点类型时或者当存在关联度相同的兴趣点和/或兴趣点类型时,
根据当前时间选择所述用户较可能访问的兴趣点和/或兴趣点类型。
8.根据权利要求1所述的方法,其特征在于,所述历史访问数据包括采集的多个用户的用户特征参数和所述目标区域内的历史访问路径,所述历史访问路径包括起始点和至少一个兴趣点和/或兴趣点类型,所述根据所述当前位置和所述用户特征参数获取所述用户访问几率最高的兴趣点和/或兴趣点类型,包括:
将所述当前位置和所述用户特征参数输入到第一神经网络模型以得到所述用户访问几率最高的兴趣点和/或兴趣点类型,所述第一神经网络模型由所述历史访问数据训练得到。
9.根据权利要求8所述的方法,其特征在于,还包括:
将所述起始兴趣点和/或兴趣点类型和所述用户特征参数输入到第二神经网络模型以得到所述预测访问路径的后续兴趣点和/或兴趣点类型,所述第二神经网络模型由所述历史访问数据训练得到。
10.根据权利要求6或9所述的方法,其特征在于,所述预测访问路径包括n个兴趣点和/或兴趣点类型,n满足以下条件
t1+t2+…+tn≤min{Tb-Ta,Tc}
其中t1、t2、……tn分别为所匹配的用户组内用户在所述n个兴趣点和/或兴趣点类型的平均停留时间,Ta表示当前时间,Tb表示目标区域内店铺的打烊时间,Tc表示所匹配的用户组内用户在一条历史访问路径上的平均总耗时,min{Tb-Ta,Tc}表示Tb-Ta与Tc中的较小值,n为自然数。
11.根据权利要求1-10中任一项所述的方法,其特征在于,还包括:
对所述历史访问数据进行筛选。
12.根据权利要求11所述的方法,其特征在于,所述对所述历史访问数据进行筛选,包括:
分别获取所述历史访问数据中各个用户访问各个兴趣点和/或各个兴趣点类型的停留时间;
去除停留时间小于预定时间的兴趣点和/或兴趣点类型。
13.根据权利要求11所述的方法,其特征在于,所述对所述历史访问数据进行筛选,包括:
分别统计各个用户访问各个兴趣点和/或各个兴趣点类型的访问几率;
去除访问几率低于预定阈值的兴趣点和/或兴趣点类型。
14.一种信息推送方法,其特征在于,包括:
在接收到用户的当前位置时,根据权利要求1-13中任一项所述的方法获取所述用户的预测访问路径;
根据所述预测访问路径向所述用户推送相应的信息。
15.一种访问路径预测装置,其特征在于,包括:
获取单元,用于获取用户在目标区域内的当前位置和用户特征参数;
预测单元,用于根据所述当前位置、所述用户特征参数和历史访问数据获取所述用户访问几率最高的兴趣点和/或兴趣点类型;
路径单元,用于将所述访问几率最高的兴趣点和/或兴趣点类型作为预测访问路径的起始兴趣点和/或兴趣点类型。
16.一种信息推送装置,其特征在于,包括:
根据权利要求15所述的访问路径预测装置,用于在接收到用户的当前位置时,获取所述用户的预测访问路径;
推送单元,用于根据所述预测访问路径向所述用户推送相应的信息。
17.一种服务器,其特征在于,包括:存储器和处理器,所述存储器和所述处理器之间互相通信连接,所述存储器中存储有计算机指令,所述处理器通过执行所述计算机指令,从而执行权利要求1-14中任一项所述的方法。
18.一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存储有计算机指令,所述计算机指令用于使所述计算机执行权利要求1-14中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811284144.9A CN109614556B (zh) | 2018-10-31 | 2018-10-31 | 访问路径预测、信息推送方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811284144.9A CN109614556B (zh) | 2018-10-31 | 2018-10-31 | 访问路径预测、信息推送方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109614556A true CN109614556A (zh) | 2019-04-12 |
CN109614556B CN109614556B (zh) | 2020-03-13 |
Family
ID=66002097
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811284144.9A Active CN109614556B (zh) | 2018-10-31 | 2018-10-31 | 访问路径预测、信息推送方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109614556B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110377825A (zh) * | 2019-07-15 | 2019-10-25 | 腾讯科技(深圳)有限公司 | 内容提供方法、装置、设备及存储介质 |
CN110782284A (zh) * | 2019-10-24 | 2020-02-11 | 腾讯科技(深圳)有限公司 | 信息推送方法、装置以及可读存储介质 |
CN110781415A (zh) * | 2019-09-16 | 2020-02-11 | 腾讯科技(深圳)有限公司 | 一种兴趣点推荐方法、装置、设备及介质 |
CN112231594A (zh) * | 2019-06-27 | 2021-01-15 | 北京百度网讯科技有限公司 | 信息处理方法和装置 |
CN112667726A (zh) * | 2021-01-04 | 2021-04-16 | 拉卡拉支付股份有限公司 | 数据抽取方法、装置、电子设备、存储介质及程序产品 |
CN112883725A (zh) * | 2020-12-29 | 2021-06-01 | 上海讯飞瑞元信息技术有限公司 | 一种文案生成方法、装置、电子设备、存储介质 |
CN112902964A (zh) * | 2021-01-22 | 2021-06-04 | 南京邮电大学 | 基于兴趣点的路径推荐方法、装置 |
CN112989207A (zh) * | 2021-04-27 | 2021-06-18 | 武汉卓尔数字传媒科技有限公司 | 一种信息推荐方法及装置、电子设备、存储介质 |
CN114925154A (zh) * | 2022-05-27 | 2022-08-19 | 阿波罗智联(北京)科技有限公司 | 地图生成方法、装置、电子设备、介质和计算机程序产品 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060129312A1 (en) * | 2004-12-15 | 2006-06-15 | Institute For Information Industry | Guide route generation methods and systems |
CN107092629A (zh) * | 2017-01-18 | 2017-08-25 | 北京小度信息科技有限公司 | 推荐方法及装置 |
CN107491474A (zh) * | 2017-06-26 | 2017-12-19 | 北京三快在线科技有限公司 | 信息推荐方法和装置 |
CN107798557A (zh) * | 2017-09-30 | 2018-03-13 | 平安科技(深圳)有限公司 | 电子装置、基于lbs数据的服务场所推荐方法及存储介质 |
-
2018
- 2018-10-31 CN CN201811284144.9A patent/CN109614556B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060129312A1 (en) * | 2004-12-15 | 2006-06-15 | Institute For Information Industry | Guide route generation methods and systems |
CN107092629A (zh) * | 2017-01-18 | 2017-08-25 | 北京小度信息科技有限公司 | 推荐方法及装置 |
CN107491474A (zh) * | 2017-06-26 | 2017-12-19 | 北京三快在线科技有限公司 | 信息推荐方法和装置 |
CN107798557A (zh) * | 2017-09-30 | 2018-03-13 | 平安科技(深圳)有限公司 | 电子装置、基于lbs数据的服务场所推荐方法及存储介质 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112231594A (zh) * | 2019-06-27 | 2021-01-15 | 北京百度网讯科技有限公司 | 信息处理方法和装置 |
CN112231594B (zh) * | 2019-06-27 | 2024-04-12 | 北京百度网讯科技有限公司 | 信息处理方法和装置 |
CN110377825A (zh) * | 2019-07-15 | 2019-10-25 | 腾讯科技(深圳)有限公司 | 内容提供方法、装置、设备及存储介质 |
CN110781415A (zh) * | 2019-09-16 | 2020-02-11 | 腾讯科技(深圳)有限公司 | 一种兴趣点推荐方法、装置、设备及介质 |
CN110782284A (zh) * | 2019-10-24 | 2020-02-11 | 腾讯科技(深圳)有限公司 | 信息推送方法、装置以及可读存储介质 |
CN112883725A (zh) * | 2020-12-29 | 2021-06-01 | 上海讯飞瑞元信息技术有限公司 | 一种文案生成方法、装置、电子设备、存储介质 |
CN112667726A (zh) * | 2021-01-04 | 2021-04-16 | 拉卡拉支付股份有限公司 | 数据抽取方法、装置、电子设备、存储介质及程序产品 |
CN112902964A (zh) * | 2021-01-22 | 2021-06-04 | 南京邮电大学 | 基于兴趣点的路径推荐方法、装置 |
CN112902964B (zh) * | 2021-01-22 | 2024-02-23 | 南京邮电大学 | 基于兴趣点的路径推荐方法、装置 |
CN112989207A (zh) * | 2021-04-27 | 2021-06-18 | 武汉卓尔数字传媒科技有限公司 | 一种信息推荐方法及装置、电子设备、存储介质 |
CN114925154A (zh) * | 2022-05-27 | 2022-08-19 | 阿波罗智联(北京)科技有限公司 | 地图生成方法、装置、电子设备、介质和计算机程序产品 |
Also Published As
Publication number | Publication date |
---|---|
CN109614556B (zh) | 2020-03-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109614556A (zh) | 访问路径预测、信息推送方法及装置 | |
US9183497B2 (en) | Performance-efficient system for predicting user activities based on time-related features | |
CN108596645B (zh) | 一种信息推荐的方法、装置及设备 | |
CN106570722B (zh) | 一种智能推荐***及智能推荐方法 | |
CN102591911B (zh) | 位置相关实体的实时个性化推荐 | |
CN109741146A (zh) | 基于用户行为的产品推荐方法、装置、设备及存储介质 | |
CN108416616A (zh) | 投诉举报类别的排序方法和装置 | |
US20200134627A1 (en) | System, Method, and Computer Program Product to Determine Cuisine Type Classifiers | |
CN104091276B (zh) | 在线分析点击流数据的方法和相关装置及*** | |
CN108596695B (zh) | 实体推送方法及*** | |
CN106504099A (zh) | 一种构建用户画像的*** | |
CN109213802B (zh) | 用户画像构建方法、装置、终端和计算机可读存储介质 | |
US10592917B2 (en) | Method and systems for determining programmatically expected performances | |
CN110019699A (zh) | 域间通过语法槽的分类 | |
US10178498B2 (en) | Method and device for signal processing | |
CN110880127B (zh) | 消费水平的预测方法、装置、电子设备及存储介质 | |
CN109903086A (zh) | 一种相似人群扩展方法、装置及电子设备 | |
CN112913210B (zh) | 信息内容的确定方法及相关产品 | |
CN110942338A (zh) | 一种营销赋能策略的推荐方法、装置和电子设备 | |
CN111080339A (zh) | 基于场景的类目偏好数据生成方法及装置 | |
Sun et al. | Collaborative nowcasting for contextual recommendation | |
Emili et al. | Modelling international monthly tourism demand at the micro destination level with climate indicators and web-traffic data | |
CN109688178A (zh) | 推荐方法、装置和设备 | |
CN108648006B (zh) | 店铺推荐方法及装置 | |
CN110570271A (zh) | 信息推荐方法、装置、电子设备及可读存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |