CN109711887A - 商城推荐列表的生成方法、装置、电子设备及计算机介质 - Google Patents
商城推荐列表的生成方法、装置、电子设备及计算机介质 Download PDFInfo
- Publication number
- CN109711887A CN109711887A CN201811621615.0A CN201811621615A CN109711887A CN 109711887 A CN109711887 A CN 109711887A CN 201811621615 A CN201811621615 A CN 201811621615A CN 109711887 A CN109711887 A CN 109711887A
- Authority
- CN
- China
- Prior art keywords
- user
- order
- rate
- history
- user 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
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000012549 training Methods 0.000 claims abstract description 101
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 24
- 230000015654 memory Effects 0.000 claims description 23
- 238000004891 communication Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 230000006872 improvement Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 235000012054 meals Nutrition 0.000 description 2
- 230000003321 amplification Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000002073 mitogenetic effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明实施例涉及数据处理领域，公开了一种商户推荐列表的生成方法、装置、电子设备及计算机可读存储介质。商户推荐列表的生成方法包括：获取历史下单用户的用户数据；利用历史下单用户的用户数据进行模型训练以获取下单率预测模型及下单价格预估模型；获取当前下单用户的用户数据，将当前下单用户的用户数据输入下单率预测模型中得到预测下单率、将当前下单用户的用户数据输入下单价格预估模型中得到预估下单价格；根据预测下单率及预估下单价格获取商户的推荐分，并根据推荐分生成商户推荐列表。本发明提供的商户推荐列表的生成方法、装置、电子设备及计算机可读存储介质能够针对不同用户进行精准商户推荐，提升用户体验及商户收益。
Description
技术领域
本发明实施例涉及数据处理领域，特别涉及一种商户推荐列表的生成方法、装置、电子设备及计算机可读存储介质。
背景技术
现代搜索引擎能够为用户提供查询推荐功能，从而帮助用户获得其预期的搜索结果。以前的查询推荐工作主要是针对用户的输入查询来推荐语义相关的查询，然而，上述查询方式在科技飞速发展的今天已无法满足用户的信息需求，因此，个性化查询方式应运而生。个性化查询推荐旨在更好地说明个人的信息需求，到目前为止，很多个性化的查询推荐方法都是基于用户的搜索历史记录或者是用户的点击信息。例如通过对特定用户点击过的文档进行挖掘，生成相应的推荐列表，但是这种方法依赖于用户的点击行为，如果用户没有点击行为或者点击行为较少，那么该方法就没有较好的个性化查询推荐的效果。或者根据用户输入的查询和相关的历史记录，给用户返回一个推荐列表，对用户下一个可能输入的查询进行预测。在电商领域，推荐列表的生成一般基于用户对商品的下单率或点击率。诸如逻辑回归(Logistic Regression,LR)、深度神经网络(Deep Neural Network,DNN)、因子分解机(Factorization Machine，FM)等技术在下单率预估中得到了广泛的采用。
发明人发现现有技术中至少存在如下问题：仅基于下单率或点击率生成商户的推荐列表，使得该推荐列表的生成依据单一，无法准确的反映商户的具体信息及用户对商家的喜好程度，从而导致向用户提供的推荐列表不精准，进而影响了用户的体验及商户收益。
发明内容
本发明实施方式的目的在于提供一种商户推荐列表的生成方法、装置、电子设备及计算机可读存储介质，其能够针对不同用户进行精准商户推荐，提升用户体验及商户收益。
为解决上述技术问题，本发明的实施方式提供了一种商户推荐列表的生成方法，包括：
获取历史下单用户的用户数据；利用所述历史下单用户的用户数据进行模型训练以获取下单率预测模型及下单价格预估模型；获取当前下单用户的用户数据，将所述当前下单用户的用户数据输入所述下单率预测模型中得到预测下单率、将所述当前下单用户的用户数据输入所述下单价格预估模型中得到预估下单价格；根据所述预测下单率及所述预估下单价格获取商户的推荐分，并根据所述推荐分生成商户推荐列表。
本发明的实施方式还提供了一种推荐列表的生成装置，包括：第一获取模块，用于获取历史下单用户的用户数据；第一模型训练模块，用于利用所述历史下单用户的用户数据进行模型训练以获取下单率预测模型；第二模型训练模块，用于利用所述历史下单用户的用户数据进行模型训练以获取下单价格预估模型；第二获取模块，用于获取当前下单用户的用户数据；第一处理模块，用于将所述当前下单用户的用户数据输入所述下单率预测模型中得到预测下单率、将所述当前下单用户的用户数据输入所述下单价格预估模型中得到预估下单价格；第二处理模块，用于根据所述预测下单率及所述预估下单价格获取商户的推荐分，并根据所述推荐分生成商户推荐列表。
本发明的实施方式还提供了一种电子设备，包括至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行以实现：获取历史下单用户的用户数据；利用所述历史下单用户的用户数据进行模型训练以获取下单率预测模型及下单价格预估模型；获取当前下单用户的用户数据，将所述当前下单用户的用户数据输入所述下单率预测模型中得到预测下单率、将所述当前下单用户的用户数据输入所述下单价格预估模型中得到预估下单价格；根据所述预测下单率及所述预估下单价格获取商户的推荐分，并根据所述推荐分生成商户推荐列表。
本发明的实施方式还提供了一种计算机可读存储介质，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的推荐列表的生成方法。
本发明的实施方式相对于现有技术而言，通过获取历史下单用户的用户数据，使得后续步骤中生成推荐列表的来源不再单一，再利用所述历史下单用户的用户数据进行模型训练以获取下单率预测模型及下单价格预估模型，使得利用不同信息(即历史下单用户的用户数据中的不同信息)进行模型训练后得到的不同模型(即下单率预测模型及下单价格预估模型)更具有针对性，从而能够在获取当前下单用户的用户数据之后，将当前下单用户的用户数据输入所述下单率预测模型中得到预测下单率、将当前下单用户的用户数据输入所述下单价格预估模型中得到预估下单价格更为准确，进而使根据所述预测下单率及所述预估下单价格获取的所述商户的推荐分能够真实的反映该商户的具体信息及用户对该商家的喜好程度，因此，根据所述推荐分生成的商户推荐列表能够针对不同用户进行精准的商户推荐，用户基于所述推荐列表能够快速的找到自己喜爱的商户并进行消费，从而提升了用户体验及商户收益，避免了“仅基于下单率或点击率生成商户的推荐列表，使得该推荐列表的生成依据单一，无法准确的反映商户的具体信息及用户对商家的喜好程度，从而导致向用户提供的推荐列表不精准，进而影响了用户的体验及商户收益”的情况的发生。
具体地，可选的，所述历史下单用户的用户数据具体包括：所述历史下单用户的用户数据具体包括：所述历史下单用户的基本属性及历史浏览数据、商户属性及历史交易信息、所述历史下单用户与所述商户的交叉属性，其中，所述历史交易信息包括用户下单商户记录及商户对用户曝光而未获下单记录。通过此种方式为模型的建立提供大量的训练数据，而且这些数据都是真实有效且相互关联的数据，为准确推荐用户感兴趣的餐厅提供了有效参考。
作为进一步改进，可选的，在所述获取历史下单用户的用户数据之后，还包括：将所述历史下单用户的下单商户记录标记为正样本，将商户对用户曝光而未获下单记录标记为负样本；对所述负样本进行抽样以使所述负样本的数量与所述正样本的数量相等，将所述正样本及抽样后的所述负样本作为所述历史交易信息。由于未得到用户下单的餐厅要远远大于用户下单的餐厅，为使正负样本比例大致相同，需要对负样本进行抽样，从而使获取的历史样本特征数据更具备参考价值。
作为进一步改进，可选的，所述根据所述预测下单率及所述预估下单价格获取商户的推荐分，具体包括：根据所述预测下单率以及以下公式获取所述商户的真实下单率：q＝p/(p+(1-p)/w)；其中，q为所述真实下单率，p为所述预测下单率，w为负样本采样比例因子；根据所述真实下单率及所述预估下单价格获取餐厅的推荐分。通过此种方式，利用负样本采样比例因子，对模型训练后的预测下单率进行校准，使获取的真实下单率更为准确。
作为进一步改进，可选的，所述根据所述真实下单率及所述预估下单价格获取餐厅的推荐分，具体包括：根据以下公式获取所述推荐分：Score＝q*price；其中，Score为所述推荐分，q为所述真实下单率，price为所述预估下单价格。
另外，可选的，利用所述历史下单用户的用户数据进行模型训练以获取下单价格预估模型，具体包括：基于Xgboost算法利用所述历史下单用户的用户数据进行模型训练，获取所述下单价格预估模型。通过此种方式使获取的预估下单价格更为准确。
另外，可选的，所述利用所述历史下单用户的用户数据进行模型训练以获取下单率预测模型，具体包括：基于FM算法利用所述历史下单用户的用户数据进行模型训练，获取所述预测下单率。通过此种方式使获取的预测下单率更为准确。
另外，可选的，所述获取历史下单用户的用户数据，具体包括：对所述历史下单用户的用户数据采用等频分桶进行离散化处理，获取离散化数据；将所述离散化数据作为所述历史下单用户的用户数据。
另外，可选的，在所述对所述历史下单用户的用户数据采用等频分桶进行离散化处理，获取离散化数据之后，还包括：基于Xgboost算法利用所述历史下单用户的用户数据进行模型训练，获取所述历史下单用户的用户数据对应的叶子节点编号，将所述叶子节点编号作为特征扩展数据；所述利用所述历史下单用户的用户数据进行模型训练以获取下单率预测模型，具体包括：利用所述历史下单用户的用户数据及所述特征扩展数据进行模型训练，获取下单率预测模型；利用所述历史下单用户的用户数据进行模型训练以获取下单价格预估模型，具体包括：利用所述历史下单用户的用户数据及所述特征扩展数据进行模型训练，获取下单价格预估模型。
附图说明
一个或多个实施例通过与之对应的附图中的图片进行示例性说明，这些示例性说明并不构成对实施例的限定，附图中具有相同参考数字标号的元件表示为类似的元件，除非有特别申明，附图中的图不构成比例限制。
图1是根据本发明第一实施方式提供的商户推荐列表的生成方法的流程图；
图2是根据本发明第二实施方式提供的商户推荐列表的生成方法的流程图；
图3是根据本发明第三实施方式提供的商户推荐列表的生成装置的结构示意图；
图4是根据本发明第四实施方式提供的电子设备的结构示意图。
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，下面将结合附图对本发明的各实施方式进行详细的阐述。然而，本领域的普通技术人员可以理解，在本发明各实施方式中，为了使读者更好地理解本发明而提出了许多技术细节。但是，即使没有这些技术细节和基于以下各实施方式的种种变化和修改，也可以实现本发明所要求保护的技术方案。
本发明的第一实施方式涉及一种商户推荐列表的生成方法，具体流程如图1所示，包括：
S101：获取历史下单用户的用户数据。
关于步骤S101，具体的说，所述历史下单用户的用户数据具体包括：所述用户的基本属性及历史浏览数据、所述商户属性及历史交易信息、所述用户与所述商户的交叉属性，其中，所述历史交易信息包括用户下单商户记录及商户对用户曝光而未获下单记录。用户的基本属性即为用户的年龄、性别、性格、用餐偏好等；历史浏览数据即为用户的商户浏览记录，也就是用户浏览过哪些商户；商户属性是指该商户的经营类型(比如是川菜馆还是火锅店等)、商户的规模、商户的地理位置等；实时交易信息即为商户的成交量、成交价格等；用户与商户的交叉属性即为用户属性与商户属性重叠的地方，例如某个用户喜欢吃川菜，而某个商户是川菜馆，那么该用户与该商户直接就存在交叉属性(川菜)。通过获取历史样本特征数据能够为模型的建立提供大量的训练数据，而且这些数据都是真实有效且相互关联的数据，为准确推荐用户感兴趣的餐厅提供了有效参考。
需要说明的是，在本实施方式中，上述历史下单用户的用户数据的来源可以是从不同渠道采集过来的(如互联网、人工输入等)，也可以是从离线数据统计得到的数据(如用户本身的数据，餐厅本身的数据)。此外，历史下单用户的用户数据也并不局限于上述举例的用户的基本属性及历史浏览数据、商户属性及历史交易信息及用户与商户的交叉属性，凡是与用户即餐厅相关的数据均可作为历史样本特征数据。
值得一提的是，为了使生成的推荐列表更为精准，本实施方式中获取历史下单用户的用户数据，可以为：对所述历史下单用户的用户数据采用等频分桶进行离散化处理，获取离散化数据；根据所述离散化数据获取所述历史下单率及所述历史下单价格。在建模过程中，需要对连续变量离散化，特征离散化后，模型会更稳定，降低了模型过拟合的风险，因此，对历史样本特征数据采用等频分桶进行离散化处理，使得离散化处理后的数据只有0和1两种值，以便于后续计算机顺利进行模型训练。等频分桶的基本思想为：对于精确的离散化，相对类频率在一个区间内应当完全一致。因此，如果两个相邻的区间具有非常类似的类分布，则这两个区间可以合并；否则，它们应当保持分开，而低卡方值表明它们具有相似的类分布。
更优的，本实施方式中在对历史下单用户的用户数据采用等频分桶进行离散化处理，获取离散化数据之后，还包括：基于Xgboost算法利用所述历史样本特征数据进行模型训练，获取历史下单用户的用户数据对应的叶子节点编号，将所述叶子节点编号作为特征扩展数据；所述利用所述历史下单用户的用户数据进行模型训练，获取下单率预测模型，具体包括：利用所述历史下单用户的用户数据及所述特征扩展数据进行模型训练，获取下单率预测模型；所述利用所述历史下单用户的用户数据进行模型训练，获取下单价格预估模型，具体包括：利用所述历史下单用户的用户数据及所述特征扩展数据进行模型训练，获取下单价格预估模型。Xgboost算法是在GBDT的基础上对boosting算法进行的改进，内部决策树使用的是回归树，回归树的***结点对于平方损失函数，拟合的就是残差；对于一般损失函数(梯度下降)，拟合的就是残差的近似值，***结点划分时枚举所有特征的值，选取划分点，最后预测的结果是每棵树的预测结果相加。Xgboost算法具有如下优点：速度快、效果好、能处理大规模数据、支持多种语言、支持自定义损失函数等等。可以理解的是，通过利用等频分桶后的离散化数据及基于Xgboost算法得到的特征扩展数据共同进行模型训练，能够使后续步骤中得到的预测下单率及预估下单价格更为准确，从而能够进一步精准化所述推荐列表。
S102：利用历史下单用户的用户数据进行模型训练以获取下单率预测模型。
关于步骤S102，具体的说，本实施方式中所述利用所述历史下单用户的用户数据进行模型训练，获取下单率预测模型可以为：基于FM算法利用所述历史下单用户的用户数据进行模型训练，获取所述预测下单率。可以理解的是，所述历史下单用户的用户数据中包括所述历史用户的历史下单率。在传统的线性模型如LR中，每个特征都是独立的，如果需要考虑特征与特征直接的交互作用，可能需要人工对特征进行交叉组合；非线性SVM可以对特征进行kernel映射，但是在特征高度稀疏的情况下，并不能很好地进行学习；现在也有很多分解模型Factorization model如矩阵分解MF、SVD++等，这些模型可以学习到特征之间的交互隐藏关系，但基本上每个模型都只适用于特定的输入和场景。为此，在高度稀疏的数据场景下如推荐***，可以采用FM(Factorization Machine)算法。FM算法通过向量交叉学习的方式来挖掘特征之间的相关性，有以下两点好处：1.在高度稀疏的条件下能够更好地挖掘数据特征间的相关性，尤其是对于在训练样本中没出现的交叉数据；2.FM在计算目标函数和在随机梯度下降做优化学习时都可以在线性时间内完成。通过此种方法能够使后续步骤中获得的预测下单率更为准确。
S103：利用历史下单用户的用户数据进行模型训练以获取下单价格预估模型。
关于步骤S103，具体的说，本实施方式中利用历史下单用户的用户数据进行模型训练以获取下单价格预估模型，可以为：基于Xgboost算法利用所述历史下单用户的用户数据进行模型训练，获取所述下单价格预估模型。可以理解的是，本实施方式中历史下单用户的用户数据中包括所述用户的历史下单价格。通过此种方式能够使后续步骤中获取的预估下单价格更为准确。
本领域技术人员可以理解，上述步骤中模型训练采用的算法仅为实现本实施方式中模型训练的一种举例，还可以通过其他方式训练下单率预测模型及下单价格预估模型，均可达到与本实施方式相同的技术效果。另外，步骤S102和步骤S103的执行顺序可以不分先后，先执行步骤S102再执行步骤S103、先执行步骤S103后执行步骤S102、或者同时执行步骤S102和步骤S103都是可行的。
S104：获取当前下单用户的用户数据，将当前下单用户的用户数据输入下单率预测模型中得到预测下单率、将当前下单用户的用户数据输入下单价格预估模型中得到预估下单价格。
关于步骤S104，具体的说，在用户需要商户的推荐列表时，会通过APP等其他无线通讯工具发送请求，服务器在接收到用户请求的特征信息(如喜欢吃什么口味食物、喜欢吃什么种类的食物等)后，会将该特征信息输入下单率预测模型中得到预测下单率、将该特征信息输入下单价格预估模型中得到预估下单价格。
S105：根据预测下单率及预估下单价格获取商户的推荐分，并根据推荐分生成商户推荐列表。
关于步骤S105，具体的说，在得到预测下单率及预估下单价格，可以根据特定的计算公式或其他方式获取商户的推荐分，服务器会根据推荐分的高低生成商户推荐列表，如将推荐分高的放在推荐列表的前面，将推荐分低的放在推荐列表的后面。
本发明的实施方式相对于现有技术而言，通过获取历史下单用户的用户数据，使得后续步骤中生成推荐列表的来源不再单一，再利用所述历史下单用户的用户数据进行模型训练以获取下单率预测模型及下单价格预估模型，使得利用不同信息(即历史下单用户的用户数据中的不同信息)进行模型训练后得到的不同模型(即下单率预测模型及下单价格预估模型)更具有针对性，从而能够在获取当前下单用户的用户数据之后，将当前下单用户的用户数据输入所述下单率预测模型中得到预测下单率、将当前下单用户的用户数据输入所述下单价格预估模型中得到预估下单价格更为准确，进而使根据所述预测下单率及所述预估下单价格获取的所述商户的推荐分能够真实的反映该商户的具体信息及用户对该商家的喜好程度，因此，根据所述推荐分生成的商户推荐列表能够针对不同用户进行精准的商户推荐，用户基于所述推荐列表能够快速的找到自己喜爱的商户并进行消费，从而提升了用户体验及商户收益，避免了“仅基于下单率或点击率生成商户的推荐列表，使得该推荐列表的生成依据单一，无法准确的反映商户的具体信息及用户对商家的喜好程度，从而导致向用户提供的推荐列表不精准，进而影响了用户的体验及商户收益”的情况的发生。
本发明的第二实施方式涉及一种推荐列表的生成方法，第二实施方式是在第一实施方式的基础上做了进一步的改进，具体改进之处在于：在第二实施方式中，在所述获取获取历史下单用户的用户数据之后，还包括：将所述历史下单用户的下单商户记录标记为正样本，将所述商户对用户曝光而未获下单记录标记为负样本；对所述负样本进行抽样以使所述负样本的数量与所述正样本的数量相等，将所述正样本及所述负样本作为所述历史交易信息。由于未得到用户下单的餐厅要远远大于用户下单的餐厅，为使正负样本比例大致相同，需要对负样本进行抽样，从而使得获取的历史样本特征数据更为准确。
本实施方式的具体流程如图2所示，包括：
S201：获取历史下单用户的用户数据。
S202：将用户下单商户记录标记为正样本，将商户对用户曝光而未获下单记录标记为负样本，对负样本进行抽样。
关于步骤S202，具体的说，由于未得到用户下单的餐厅要远远大于用户下单的餐厅，为使正负样本比例大致相同，优选的，需要对负样本进行抽样。如正样本的数量为10，负样本的数量为100，那么就在这100个负样本中抽出10个，以使正负样本数量相同。
S203：根据历史下单用户的用户数据获取历史下单率及历史下单价格。
S204：利用历史下单率进行模型训练以获取下单率预测模型。
S205：利用历史下单价格进行模型训练以获取下单价格预估模型。
S206：获取当前下单用户的用户数据，将当前下单用户的用户数据输入下单率预测模型中得到预测下单率、将当前下单用户的用户数据输入下单价格预估模型中得到预估下单价格。
本实施方式中的步骤S201、步骤S203至步骤S206与第一实施方式中的步骤S101至步骤S104类似，为了避免重复，此处不再赘述。S204和S205的执行顺序也可以不分先后，先执行步骤S204再执行步骤S205、先执行步骤S205后执行步骤S204、或者同时执行步骤S204和步骤S205都是可行的。
S207：根据预测下单率及预估下单价格获取商户的推荐分，并根据推荐分生成商户推荐列表。
关于步骤S207，具体的说，本实施方式中根据预测下单率及预估下单价格获取商户的推荐分，可以为：根据所述预测下单率以及以下公式获取所述商户的真实下单率：q＝p/(p+(1-p)/w)；其中，q为所述真实下单率，p为所述预测下单率，w为负样本采样比例因子；根据所述真实下单率及所述预估下单价格获取餐厅的推荐分。可以理解的是，经由模型训练得到的预测下单率偏大，且放大的倍数是已知的，通过上述公式能够将所述预测下单率逆运算(即缩小与放大倍数相同的倍数)得到真实下单率，从而使打分结构更为准确。需要说明的是，负样本采样比例因子w可以通过上述步骤S202获取，例如在100个负样本中抽出10个负样本，则负样本采样比例因子w＝10/100＝0.1。
此外，本实施方式中根据所述真实下单率及所述预估下单价格获取餐厅的推荐分，可以为：根据以下公式获取所述推荐分：Score＝q*price；其中，Score为所述推荐分，q为所述真实下单率，price为所述预估下单价格。为了便于理解，下面对本实施方式中推荐列表的一种可行的生成过程进行举例说明，可分为如下几个步骤：
1、数据样本准备
基于历史日志信息及实时请求日志获取样本特征数据，例如通过互联网等渠道收集用户的历史用餐记录、用户当前的用餐信息、餐厅的历史成交量及成交价格、餐厅当前的成交量及成交价格等，均为样本特征数据，此处不一一赘述。
2、数据预处理
针对步骤1中获取到的样本特征数据，对其进行数据预处理，如：(1)为便于后续算法训练，对所有稠密型样本特征数据采用等频分桶进行离散化处理(2)基于Xgboost算法进行模型训练，输出样本特征数据对应的叶子节点编号作为扩展特征数据等，本领域技术人员可以理解，上述例举的处理方式仅为样本特征数据预处理方式中的其中两种，还有其他预处理方式也能达到与前述两种处理方式同样的技术效果，此处不再一一赘述。
3、下单率模型训练
利用(1)、(2)中预处理后的样本特征数据训练模型，以获取下单率预测模型，从而克服静态模型无法实时跟进用户兴趣变化的缺陷，可以理解的是，本实施方式中可以基于FM算法训练模型，以达到更好的效果。需要说明的是，在模型的训练过程中可以将(1)、(2)中预处理后的样本特征数据均输入模型中进行模型训练以获取下单率预测模型，也可以将(1)、(2)中预处理后的样本特征数据单独输入模型中进行模型训练以获取下单率预测模型，并不会影响本实施方式的技术效果。在模型训练好后(即已经生产下单率预测模型)，服务器在接收到用户请求的特征信息时便会将特征信息输入到下单率预测模型中，以获取预测下单率。
4、对打分进行校准
本步骤的目的在于使步骤3中得到的预测下单率更为准确，可以理解的是，经由下单率预测模型得到的预测下单率会大于真实下单率，且该倍数是已知的，因此需要对预测下单率进行校准，以获取真实下单率。本实施方式中可以依据如下公式获取真实下单率：q＝p/(p+(1-p)/w)；其中，q为所述真实下单率，p为所述预测下单率，w为负样本采样比例因子。
5、用户下单价格预估
利用(1)、(2)中预处理后的样本特征数据训练模型，以获取下单价格预估模型，可以理解的是，本实施方式中可以基于Xgboost算法训练模型，以达到更好的效果。需要说明的是，在模型的训练过程中可以将(1)、(2)中预处理后的样本特征数据均输入模型中进行模型训练以获取下单价格预估模型，也可以将(1)、(2)中预处理后的样本特征数据单独输入模型中进行模型训练以获取下单价格预估模型，并不会影响本实施方式的技术效果。在模型训练好后(即已经生产下单价格预估模型)，服务器在接收到用户请求的特征信息时便会将特征信息输入到下单价格预估模型中，以获取预估下单价格。
6、店铺推荐分输出
针对用户单次请求(即用户请求的特征信息)，记4中模型预测的用户下单概率为q，5中模型预估的用户下单价格price，依据如下公式获取店铺推荐分Score：Score＝q*price。根据推荐分对餐厅列表进行排序，返回用户即完成本次请求。也就是说，用户在有消费需求时，可以通过无线通讯工具(此处仅例举一种可行的发送请求方式)向服务器发送特征信息(如想吃什么口味的菜，想去什么位置附近的餐厅等)，服务器在接收到特征信息后，会将该特征信息分别输入到下单率预测模型及下单价格预估模型中，以得到预测下单率及预估下单价格，再根据预测下单率及预估下单价格获取餐厅的推荐分，根据推荐分的高低对餐厅进行排序，生成推荐列表并返回给用户，用户在接收到推荐列表后，便可根据该推荐列表迅速找到符合自己需求的餐厅并进行消费。
本发明的实施方式相对于现有技术而言，通过获取用户在商户下单的历史下单率及历史下单价格，使得后续步骤中生成推荐列表的来源不再单一，再利用所述历史下单率进行模型训练以获取下单率预测模型，利用所述历史下单价格进行模型训练以获取下单价格预估模型，使得利用不同信息(即历史下单率及历史下单价格)进行模型训练后得到的不同模型(及下单率预测模型及下单价格预估模型)更具有针对性，从而能够在获取用户请求的特征信息之后，将所述特征信息输入所述下单率预测模型中得到预测下单率、将所述特征信息输入所述下单价格预估模型中得到预估下单价格更为准确，进而使根据所述预测下单率及所述预估下单价格获取的所述商户的推荐分能够真实的反映该商户的具体信息及用户对该商家的喜好程度，因此，根据所述推荐分生成的商户推荐列表能够针对不同用户进行精准的商户推荐，用户基于所述推荐列表能够快速的找到自己喜爱的商户并进行消费，从而提升了用户体验及商户收益，避免了“仅基于下单率或点击率生成商户的推荐列表，使得该推荐列表的生成依据单一，无法准确的反映商户的具体信息及用户对商家的喜好程度，从而导致向用户提供的推荐列表不精准，进而影响了用户的体验及商户收益”的情况的发生。
本发明的第三实施方式涉及一种推荐列表的生成装置300，如图3所示，该装置包括：
第一获取模块301，用于获取用户在商户下单的历史下单率及历史下单价格；
第一模型训练模块302，用于利用所述历史下单率进行模型训练以获取下单率预测模型；
第二模型训练模块303，用于利用所述历史下单价格进行模型训练以获取下单价格预估模型；
第二获取模块304，用于获取用户请求的特征信息；
第一处理模块305，用于将所述特征信息输入所述下单率预测模型中得到预测下单率、将所述特征信息输入所述下单价格预估模型中得到预估下单价格；
第二处理模块306，用于根据所述预测下单率及所述预估下单价格获取商户的推荐分，并根据所述推荐分生成商户推荐列表。
本发明的实施方式相对于现有技术而言，通过获取历史下单用户的用户数据，使得后续步骤中生成推荐列表的来源不再单一，再利用所述历史下单用户的用户数据进行模型训练以获取下单率预测模型及下单价格预估模型，使得利用不同信息(即历史下单用户的用户数据中的不同信息)进行模型训练后得到的不同模型(即下单率预测模型及下单价格预估模型)更具有针对性，从而能够在获取当前下单用户的用户数据之后，将当前下单用户的用户数据输入所述下单率预测模型中得到预测下单率、将当前下单用户的用户数据输入所述下单价格预估模型中得到预估下单价格更为准确，进而使根据所述预测下单率及所述预估下单价格获取的所述商户的推荐分能够真实的反映该商户的具体信息及用户对该商家的喜好程度，因此，根据所述推荐分生成的商户推荐列表能够针对不同用户进行精准的商户推荐，用户基于所述推荐列表能够快速的找到自己喜爱的商户并进行消费，从而提升了用户体验及商户收益，避免了“仅基于下单率或点击率生成商户的推荐列表，使得该推荐列表的生成依据单一，无法准确的反映商户的具体信息及用户对商家的喜好程度，从而导致向用户提供的推荐列表不精准，进而影响了用户的体验及商户收益”的情况的发生。
本发明的第四实施方式涉及一种电子设备，本实施方式的电子设备可以说终端侧设备，如手机，平板电脑等终端设备，也可以是网络侧的服务器。
如图4所示，该电子设备：至少包括一个处理器1001；以及，与至少一个处理器1001通信连接的存储器1002；以及，与扫描装置通信连接的通信组件1003，通信组件1003在处理器1001的控制下接收和发送数据；其中，存储器1002存储有可被至少一个处理器1001执行的指令，指令被至少一个处理器1001执行以实现：
获取历史下单用户的用户数据；
利用所述历史下单用户的用户数据进行模型训练以获取下单率预测模型；
利用所述历史下单用户的用户数据进行模型训练以获取下单价格预估模型；
获取当前下单用户的用户数据，将所述当前下单用户的用户数据输入所述下单率预测模型中得到预测下单率、将所述当前下单用户的用户数据输入所述下单价格预估模型中得到预估下单价格；
根据所述预测下单率及所述预估下单价格获取商户的推荐分，并根据所述推荐分生成商户推荐列表。
具体地，该电子设备包括：一个或多个处理器1001以及存储器1002，图4中以一个处理器1001为例。处理器1001、存储器1002可以通过总线或者其他方式连接，图4中以通过总线连接为例。存储器1002作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块。处理器1001通过运行存储在存储器1002中的非易失性软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现上述推荐列表的生成方法。
存储器1002可以包括存储程序区和存储数据区，其中，存储程序区可存储操作***、至少一个功能所需要的应用程序；存储数据区可存储选项列表等。此外，存储器1002可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施方式中，存储器1002可选包括相对于处理器1001远程设置的存储器，这些远程存储器可以通过网络连接至外接设备。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。
一个或者多个模块存储在存储器1002中，当被一个或者多个处理器1001执行时，执行上述任意方法实施方式中的推荐列表的生成方法。
上述产品可执行本申请实施方式所提供的方法，具备执行方法相应的功能模块和有益效果，未在本实施方式中详尽描述的技术细节，可参见本申请实施方式所提供的方法。
本发明第五实施方式涉及一种计算机可读存储介质，存储有计算机程序。计算机程序被处理器执行时实现上述方法实施例。
即，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步骤是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得一个设备(可以是单片机，芯片等)或处理器(processor)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本领域的普通技术人员可以理解，上述各实施方式是实现本发明的具体实施例，而在实际应用中，可以在形式上和细节上对其作各种改变，而不偏离本发明的精神和范围。
本申请实施例公开了A1、一种商户推荐列表的生成方法，包括：
获取用户在商户下单的历史下单率及历史下单价格；
获取历史下单用户的用户数据；
利用所述历史下单用户的用户数据进行模型训练以获取下单率预测模型及下单价格预估模型；
获取当前下单用户的用户数据，将所述当前下单用户的用户数据输入所述下单率预测模型中得到预测下单率、将所述当前下单用户的用户数据输入所述下单价格预估模型中得到预估下单价格；
根据所述预测下单率及所述预估下单价格获取商户的推荐分，并根据所述推荐分生成商户推荐列表。
A2、如A1所述的推荐列表的生成方法，所述历史下单用户的用户数据具体包括：所述历史下单用户的基本属性及历史浏览数据、商户属性及历史交易信息、所述历史下单用户与所述商户的交叉属性，其中，所述历史交易信息包括用户下单商户记录及商户对用户曝光而未获下单记录。
A3、如A2所述的推荐列表的生成方法，在所述获取历史下单用户的用户数据之后，还包括：
将所述历史下单用户的下单商户记录标记为正样本，将商户对用户曝光而未获下单记录标记为负样本；
对所述负样本进行抽样以使所述负样本的数量与所述正样本的数量相等，将所述正样本及抽样后的所述负样本作为所述历史交易信息。
A4、如A3所述的推荐列表的生成方法，所述根据所述预测下单率及所述预估下单价格获取商户的推荐分，具体包括：
根据所述预测下单率以及以下公式获取所述商户的真实下单率：
q＝p/(p+(1-p)/w)；
其中，q为所述真实下单率，p为所述预测下单率，w为负样本采样比例因子；
根据所述真实下单率及所述预估下单价格获取餐厅的推荐分。
A5、如A4所述的推荐列表的生成方法，所述根据所述真实下单率及所述预估下单价格获取餐厅的推荐分，具体包括：
根据以下公式获取所述推荐分：
Score＝q*price；
其中，Score为所述推荐分，q为所述真实下单率，price为所述预估下单价格。
A6、如A1所述的推荐列表的生成方法，利用所述历史下单用户的用户数据进行模型训练以获取下单价格预估模型，具体包括：
基于Xgboost算法利用所述历史下单用户的用户数据进行模型训练，获取所述下单价格预估模型。
A7、如A1所述的推荐列表的生成方法，所述利用所述历史下单用户的用户数据进行模型训练以获取下单率预测模型，具体包括：
基于FM算法利用所述历史下单用户的用户数据进行模型训练，获取所述预测下单率。
A8、如A1所述的推荐列表的生成方法，所述获取历史下单用户的用户数据，具体包括：
对所述历史下单用户的用户数据采用等频分桶进行离散化处理，获取离散化数据；
将所述离散化数据作为所述历史下单用户的用户数据。
A9、如A8所述的推荐列表的生成方法，在所述对所述历史下单用户的用户数据采用等频分桶进行离散化处理，获取离散化数据之后，还包括：
基于Xgboost算法利用所述历史下单用户的用户数据进行模型训练，获取所述历史下单用户的用户数据对应的叶子节点编号，将所述叶子节点编号作为特征扩展数据；
所述利用所述历史下单用户的用户数据进行模型训练以获取下单率预测模型，具体包括：
利用所述历史下单用户的用户数据及所述特征扩展数据进行模型训练，获取下单率预测模型；
利用所述历史下单用户的用户数据进行模型训练以获取下单价格预估模型，具体包括：
利用所述历史下单用户的用户数据及所述特征扩展数据进行模型训练，获取下单价格预估模型。
本申请实施例公开了B1、一种推荐列表的生成装置，包括：
第一获取模块，用于获取历史下单用户的用户数据；
第一模型训练模块，用于利用所述历史下单用户的用户数据进行模型训练以获取下单率预测模型；
第二模型训练模块，用于利用所述历史下单用户的用户数据进行模型训练以获取下单价格预估模型；
第二获取模块，用于获取当前下单用户的用户数据；
第一处理模块，用于将所述当前下单用户的用户数据输入所述下单率预测模型中得到预测下单率、将所述当前下单用户的用户数据输入所述下单价格预估模型中得到预估下单价格；
第二处理模块，用于根据所述预测下单率及所述预估下单价格获取商户的推荐分，并根据所述推荐分生成商户推荐列表。
本申请实施例公开了C1、一种电子设备，包括至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；
以及，与扫描装置通信连接的通信组件，所述通信组件在所述处理器的控制下接收和发送数据；
其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行以实现：
获取历史下单用户的用户数据；
利用所述历史下单用户的用户数据进行模型训练以获取下单率预测模型及下单价格预估模型；
获取当前下单用户的用户数据，将所述当前下单用户的用户数据输入所述下单率预测模型中得到预测下单率、将所述当前下单用户的用户数据输入所述下单价格预估模型中得到预估下单价格；
根据所述预测下单率及所述预估下单价格获取商户的推荐分，并根据所述推荐分生成商户推荐列表。
C2、如C1所述的电子设备，所述历史下单用户的用户数据具体包括：所述历史下单用户的基本属性及历史浏览数据、商户属性及历史交易信息、所述历史下单用户与所述商户的交叉属性，其中，所述历史交易信息包括用户下单商户记录及商户对用户曝光而未获下单记录。
C3、如C2所述的电子设备，所述处理器在执行获取用于表征所述用户点餐习惯及所述商户销售情况的历史样本特征数据之后，还用于：
将所述历史下单用户的下单商户记录标记为正样本，将商户对用户曝光而未获下单记录标记为负样本；
对所述负样本进行抽样以使所述负样本的数量与所述正样本的数量相等，将所述正样本及所述负样本作为所述历史交易信息。
C4、如C3所述的电子设备，所述处理器执行根据所述预测下单率及所述预估下单价格获取商户的推荐分，具体为：
根据所述预测下单率以及以下公式获取所述商户的真实下单率：
q＝p/(p+(1-p)/w)；
其中，q为所述真实下单率，p为所述预测下单率，w为负样本采样比例因子；
根据所述真实下单率及所述预估下单价格获取餐厅的推荐分。
C5、如C4所述的推荐列表的生成方法，所述处理器执行根据所述真实下单率及所述预估下单价格获取餐厅的推荐分，具体为：
根据以下公式获取所述推荐分：
Score＝q*price；
其中，Score为所述推荐分，q为所述真实下单率，price为所述预估下单价格。
C6、如C1所述的电子设备，所述处理器执行利用所述历史下单用户的用户数据进行模型训练以获取下单价格预估模型，具体为：
基于Xgboost算法利用所述历史下单用户的用户数据进行模型训练，获取所述下单价格预估模型。
C7、如C1所述的电子设备，所述处理器执行利用所述历史下单用户的用户数据进行模型训练以获取下单率预测模型，具体为：
基于FM算法利用所述历史下单用户的用户数据进行模型训练，获取所述预测下单率。
C8、如C1所述的电子设备，所述处理器执行获取获取历史下单用户的用户数据，具体为：
对所述历史下单用户的用户数据采用等频分桶进行离散化处理，获取离散化数据；
将所述离散化数据作为所述历史下单用户的用户数据。
C9、如C8所述的电子设备，所述处理器在执行对所述历史下单用户的用户数据采用等频分桶进行离散化处理，获取离散化数据之后，还用于：
基于Xgboost算法利用所述历史下单用户的用户数据进行模型训练，获取所述历史下单用户的用户数据对应的叶子节点编号，将所述叶子节点编号作为特征扩展数据；
所述处理器执行利用所述历史下单用户的用户数据进行模型训练以获取下单率预测模型，具体为：
利用所述历史下单用户的用户数据及所述特征扩展数据进行模型训练，获取下单率预测模型；
所述处理器执行利用所述历史下单用户的用户数据进行模型训练以获取下单价格预估模型，具体为：
利用所述历史下单用户的用户数据及所述特征扩展数据进行模型训练，获取下单价格预估模型
本申请实施例公开了D1、一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现A1至A9中任一项所述的推荐列表的生成方法。
Claims (10)
1.一种商户推荐列表的生成方法，其特征在于，包括：
获取历史下单用户的用户数据；
利用所述历史下单用户的用户数据进行模型训练以获取下单率预测模型及下单价格预估模型；
获取当前下单用户的用户数据，将所述当前下单用户的用户数据输入所述下单率预测模型中得到预测下单率、将所述当前下单用户的用户数据输入所述下单价格预估模型中得到预估下单价格；
根据所述预测下单率及所述预估下单价格获取商户的推荐分，并根据所述推荐分生成商户推荐列表。
2.根据权利要求1所述的推荐列表的生成方法，其特征在于，所述历史下单用户的用户数据具体包括：所述历史下单用户的基本属性及历史浏览数据、商户属性及历史交易信息、所述历史下单用户与所述商户的交叉属性，其中，所述历史交易信息包括用户下单商户记录及商户对用户曝光而未获下单记录。
3.根据权利要求2所述的推荐列表的生成方法，其特征在于，在所述获取历史下单用户的用户数据之后，还包括：
将所述历史下单用户的下单商户记录标记为正样本，将商户对用户曝光而未获下单记录标记为负样本；
对所述负样本进行抽样以使所述负样本的数量与所述正样本的数量相等，将所述正样本及抽样后的所述负样本作为所述历史交易信息。
4.根据权利要求3所述的推荐列表的生成方法，其特征在于，所述根据所述预测下单率及所述预估下单价格获取商户的推荐分，具体包括：
根据所述预测下单率以及以下公式获取所述商户的真实下单率：
q＝p/(p+(1-p)/w)；
其中，q为所述真实下单率，p为所述预测下单率，w为负样本采样比例因子；
根据所述真实下单率及所述预估下单价格获取餐厅的推荐分。
5.根据权利要求4所述的推荐列表的生成方法，其特征在于，所述根据所述真实下单率及所述预估下单价格获取餐厅的推荐分，具体包括：
根据以下公式获取所述推荐分：
Score＝q*price；
其中，Score为所述推荐分，q为所述真实下单率，price为所述预估下单价格。
6.根据权利要求1所述的推荐列表的生成方法，其特征在于，利用所述历史下单用户的用户数据进行模型训练以获取下单价格预估模型，具体包括：
基于Xgboost算法利用所述历史下单用户的用户数据进行模型训练，获取所述下单价格预估模型。
7.根据权利要求1所述的推荐列表的生成方法，其特征在于，所述利用所述历史下单用户的用户数据进行模型训练以获取下单率预测模型，具体包括：
基于FM算法利用所述历史下单用户的用户数据进行模型训练，获取所述预测下单率模型。
8.一种推荐列表的生成装置，其特征在于，包括：
第一获取模块，用于获取历史下单用户的用户数据；
第一模型训练模块，用于利用所述历史下单用户的用户数据进行模型训练以获取下单率预测模型；
第二模型训练模块，用于利用所述历史下单用户的用户数据进行模型训练以获取下单价格预估模型；
第二获取模块，用于获取当前下单用户的用户数据；
第一处理模块，用于将所述当前下单用户的用户数据输入所述下单率预测模型中得到预测下单率、将所述当前下单用户的用户数据输入所述下单价格预估模型中得到预估下单价格；
第二处理模块，用于根据所述预测下单率及所述预估下单价格获取商户的推荐分，并根据所述推荐分生成商户推荐列表。
9.一种电子设备，包括至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；
以及，与扫描装置通信连接的通信组件，所述通信组件在所述处理器的控制下接收和发送数据；
其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行以实现：
获取历史下单用户的用户数据；
利用所述历史下单用户的用户数据进行模型训练以获取下单率预测模型及下单价格预估模型；
获取当前下单用户的用户数据，将所述当前下单用户的用户数据输入所述下单率预测模型中得到预测下单率、将所述当前下单用户的用户数据输入所述下单价格预估模型中得到预估下单价格；
根据所述预测下单率及所述预估下单价格获取商户的推荐分，并根据所述推荐分生成商户推荐列表。
10.一种计算机可读存储介质，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至7中任一项所述的推荐列表的生成方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811621615.0A CN109711887B (zh) | 2018-12-28 | 2018-12-28 | 商城推荐列表的生成方法、装置、电子设备及计算机介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811621615.0A CN109711887B (zh) | 2018-12-28 | 2018-12-28 | 商城推荐列表的生成方法、装置、电子设备及计算机介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109711887A true CN109711887A (zh) | 2019-05-03 |
| CN109711887B CN109711887B (zh) | 2021-02-09 |
Family
ID=66258904
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811621615.0A Active CN109711887B (zh) | 2018-12-28 | 2018-12-28 | 商城推荐列表的生成方法、装置、电子设备及计算机介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109711887B (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110400167A (zh) * | 2019-06-28 | 2019-11-01 | 阿里巴巴集团控股有限公司 | 用户筛选方法和装置 |
| CN110992097A (zh) * | 2019-12-03 | 2020-04-10 | 上海钧正网络科技有限公司 | 营收产品价格的处理方法、装置、计算机设备及存储介质 |
| CN111598677A (zh) * | 2020-07-24 | 2020-08-28 | 北京淇瑀信息科技有限公司 | 一种资源配额确定方法、装置和电子设备 |
| CN111815415A (zh) * | 2020-07-14 | 2020-10-23 | 北京邮电大学 | 一种商品推荐方法、***及设备 |
| CN112163155A (zh) * | 2020-09-30 | 2021-01-01 | 深圳前海微众银行股份有限公司 | 信息处理方法、装置、设备及存储介质 |
| CN112801744A (zh) * | 2020-12-01 | 2021-05-14 | 珠海必要工业科技股份有限公司 | 一种活动推荐方法、装置、电子设备和存储介质 |
| WO2021159640A1 (zh) * | 2020-02-13 | 2021-08-19 | 平安科技（深圳）有限公司 | 基于人工智能的药品推荐方法及相关设备 |
| US11282052B2 (en) * | 2019-05-06 | 2022-03-22 | Advanced New Technologies Co., Ltd. | Payment channel recommendation |
| WO2023000491A1 (zh) * | 2021-07-19 | 2023-01-26 | 广东艾檬电子科技有限公司 | 一种应用推荐方法、装置、设备及计算机可读存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105677831A (zh) * | 2016-01-04 | 2016-06-15 | 拉扎斯网络科技（上海）有限公司 | 一种确定推荐商户的方法及装置 |
| CN106886837A (zh) * | 2017-02-21 | 2017-06-23 | 携程旅游网络技术（上海）有限公司 | 基于时间规划的自由行行程推荐方法 |
| CN107578294A (zh) * | 2017-09-28 | 2018-01-12 | 北京小度信息科技有限公司 | 用户行为预测方法、装置及电子设备 |
| CN107657506A (zh) * | 2017-09-06 | 2018-02-02 | 北京五八到家信息技术有限公司 | 一种服务商品的智能推荐方法以及推荐*** |
| CN107818478A (zh) * | 2017-10-31 | 2018-03-20 | 携程计算机技术（上海）有限公司 | 基于预估收益的海外优惠券发放方法及*** |
| CN107944593A (zh) * | 2017-10-11 | 2018-04-20 | 北京三快在线科技有限公司 | 一种资源分配方法及装置，电子设备 |
-
2018
- 2018-12-28 CN CN201811621615.0A patent/CN109711887B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105677831A (zh) * | 2016-01-04 | 2016-06-15 | 拉扎斯网络科技（上海）有限公司 | 一种确定推荐商户的方法及装置 |
| CN106886837A (zh) * | 2017-02-21 | 2017-06-23 | 携程旅游网络技术（上海）有限公司 | 基于时间规划的自由行行程推荐方法 |
| CN107657506A (zh) * | 2017-09-06 | 2018-02-02 | 北京五八到家信息技术有限公司 | 一种服务商品的智能推荐方法以及推荐*** |
| CN107578294A (zh) * | 2017-09-28 | 2018-01-12 | 北京小度信息科技有限公司 | 用户行为预测方法、装置及电子设备 |
| CN107944593A (zh) * | 2017-10-11 | 2018-04-20 | 北京三快在线科技有限公司 | 一种资源分配方法及装置，电子设备 |
| CN107818478A (zh) * | 2017-10-31 | 2018-03-20 | 携程计算机技术（上海）有限公司 | 基于预估收益的海外优惠券发放方法及*** |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11282052B2 (en) * | 2019-05-06 | 2022-03-22 | Advanced New Technologies Co., Ltd. | Payment channel recommendation |
| CN110400167A (zh) * | 2019-06-28 | 2019-11-01 | 阿里巴巴集团控股有限公司 | 用户筛选方法和装置 |
| CN110992097A (zh) * | 2019-12-03 | 2020-04-10 | 上海钧正网络科技有限公司 | 营收产品价格的处理方法、装置、计算机设备及存储介质 |
| CN110992097B (zh) * | 2019-12-03 | 2024-02-13 | 上海钧正网络科技有限公司 | 营收产品价格的处理方法、装置、计算机设备及存储介质 |
| WO2021159640A1 (zh) * | 2020-02-13 | 2021-08-19 | 平安科技（深圳）有限公司 | 基于人工智能的药品推荐方法及相关设备 |
| CN111815415A (zh) * | 2020-07-14 | 2020-10-23 | 北京邮电大学 | 一种商品推荐方法、***及设备 |
| CN111815415B (zh) * | 2020-07-14 | 2023-10-27 | 北京邮电大学 | 一种商品推荐方法、***及设备 |
| CN111598677A (zh) * | 2020-07-24 | 2020-08-28 | 北京淇瑀信息科技有限公司 | 一种资源配额确定方法、装置和电子设备 |
| CN112163155A (zh) * | 2020-09-30 | 2021-01-01 | 深圳前海微众银行股份有限公司 | 信息处理方法、装置、设备及存储介质 |
| CN112801744A (zh) * | 2020-12-01 | 2021-05-14 | 珠海必要工业科技股份有限公司 | 一种活动推荐方法、装置、电子设备和存储介质 |
| WO2023000491A1 (zh) * | 2021-07-19 | 2023-01-26 | 广东艾檬电子科技有限公司 | 一种应用推荐方法、装置、设备及计算机可读存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109711887B (zh) | 2021-02-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109711887A (zh) | 商城推荐列表的生成方法、装置、电子设备及计算机介质 | |
| TWI690880B (zh) | 行銷產品的推薦方法和裝置 | |
| US11222273B2 (en) | Service recommendation method, apparatus, and device | |
| CN104462593B (zh) | 一种提供用户个性化资源消息推送的方法和装置 | |
| CN103295145B (zh) | 一种基于用户消费特征向量的手机广告投放方法 | |
| CN108256907A (zh) | 一种客户分群模型的构建方法和计算设备 | |
| CN106251174A (zh) | 信息推荐方法及装置 | |
| Sun et al. | Contextual intent tracking for personal assistants | |
| CN109345302A (zh) | 机器学习模型训练方法、装置、存储介质和计算机设备 | |
| CN105320724A (zh) | 用于优化用于学习排序的非凸函数的新探索 | |
| CN108510303A (zh) | 广告投放方法及装置 | |
| CN106600302A (zh) | 基于Hadoop的商品推荐*** | |
| CN105677780A (zh) | 可拓展的用户意图挖掘方法及其*** | |
| JP2021166109A (ja) | 融合順序付けモデルの訓練方法と装置、検索の順序付け方法と装置、電子デバイス、記憶媒体、及びプログラム | |
| CN102402625A (zh) | 一种音乐推荐的方法及*** | |
| CN104077306A (zh) | 一种搜索引擎的结果排序方法及*** | |
| CN108205775A (zh) | 一种业务对象的推荐方法、装置和客户端 | |
| CN110119473A (zh) | 一种目标文件知识图谱的构建方法及装置 | |
| CN105069077A (zh) | 搜索方法及装置 | |
| CN110175895A (zh) | 一种物品推荐方法及装置 | |
| CN110753920A (zh) | 用于优化和模拟网页排序和流量的***和方法 | |
| CN108804133A (zh) | 虚拟资源的获取方法、***、计算机设备和存储介质 | |
| CN110233879A (zh) | 智能推送界面方法、装置、计算机设备及存储介质 | |
| CN109190027A (zh) | 多源推荐方法、终端、服务器、计算机设备、可读介质 | |
| Zhan et al. | Fast incremental PageRank on dynamic networks |
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 |