CN109741112B - 一种基于移动大数据的用户购买意向预测方法 - Google Patents
一种基于移动大数据的用户购买意向预测方法 Download PDFInfo
- Publication number
- CN109741112B CN109741112B CN201910021407.5A CN201910021407A CN109741112B CN 109741112 B CN109741112 B CN 109741112B CN 201910021407 A CN201910021407 A CN 201910021407A CN 109741112 B CN109741112 B CN 109741112B
- Authority
- CN
- China
- Prior art keywords
- user
- data
- commodity
- model
- value
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 19
- 238000005457 optimization Methods 0.000 claims abstract description 14
- 238000010801 machine learning Methods 0.000 claims abstract description 13
- 230000006399 behavior Effects 0.000 claims abstract description 10
- 238000010276 construction Methods 0.000 claims abstract description 7
- 230000004927 fusion Effects 0.000 claims abstract description 7
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims description 26
- 230000006870 function Effects 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 230000003993 interaction Effects 0.000 claims description 6
- 230000003203 everyday effect Effects 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 230000002950 deficient Effects 0.000 claims description 2
- 230000006403 short-term memory Effects 0.000 claims description 2
- 230000007787 long-term memory Effects 0.000 claims 1
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000013135 deep learning Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 102100022840 DnaJ homolog subfamily C member 7 Human genes 0.000 description 2
- 101000903053 Homo sapiens DnaJ homolog subfamily C member 7 Proteins 0.000 description 2
- 101000847024 Homo sapiens Tetratricopeptide repeat protein 1 Proteins 0.000 description 2
- 101150037066 TPR3 gene Proteins 0.000 description 2
- 102100032841 Tetratricopeptide repeat protein 1 Human genes 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 208000012260 Accidental injury Diseases 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000000586 desensitisation Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及大数据、人工智能、深度学习、机器学习领域，具体而言，涉及一种基于移动大数据的用户购买意向预测方法，包括根据用户、商品基本信息进行数据预处理操作；利用空间泛化训练集对数据进行划分操作；根据用户、商品基本信息进行特征工程构建操作；建立多个机器学习模型，并进行模型融合操作；针对多个机器学习模型进行网络参数优化；本发明以真实用户‑商品行为数据为基础预测用户购买意向，同时提供移动时代特有的位置信息，通过大数据和算法构面向建移动电子商务的商品推荐模型，对用户购买意向进行预测，挖掘数据背后丰富的内涵，为移动用户在合适的时间、合适的地点精准推荐合适的内容。
Description
技术领域
本发明涉及大数据、人工智能、深度学习、机器学习领域，具体而言，涉及一种基于移动大数据的用户购买意向预测方法。
背景技术
随着互联网的快速增长以及大量内容给用户所带来的选择的困难,用户购买意向预测以优化用户的决策过程，通过用户的历史行为与特征，来推断用户的购买偏好，从而有效的减少候选商品并根据商品与的契合度来给出排序推送。
用户购买意向预测，根据真实用户-商品行为数据为基础，通过大数据和算法构面向建移动电子商务的商品推荐模型挖掘数据背后丰富的内涵，为移动用户在合适的时间、合适的地点精准推荐合适的内容。用户购买意向预测需要根据真实用户-商品行为数据为基础，同时提供移动时代特有的位置信息，通过大数据和算法构面向建移动电子商务的商品推荐模型，对用户购买意向进行预测，挖掘数据背后丰富的内涵，为移动用户在合适的时间、合适的地点精准推荐合适的内容。
发明内容
针对因互联网的快速增长以及大量内容给用户购买所带来的选择的困难，为移动用户在合适的时间、合适的地点精准推荐合适的商品内容，本发明提出一种基于移动大数据的用户购买意向预测方法，包括：
S1、根据用户、商品基本信息进行数据预处理操作；
S2、利用空间泛化训练集对数据进行划分操作；
S3、根据用户、商品基本信息进行特征工程构建操作；
S4、建立多个机器学习模型，并进行模型融合操作；
S5、针对多个机器学习模型进行网络参数优化。
进一步的，根据用户、商品基本信息进行数据预处理操作包括：
S11、对包含空缺值字段的数据，将属性映射到高维空间，采用独热编码技术，将包含K个离散取值范围的属性值扩展为K+1个属性值，若该属性值缺失，则扩展后的第K+1个属性值置为1；
S12、对数据矩阵的列进行零均值规范化将不同量纲的数据转化为单位向量。
进一步的，利用空间泛化训练集对数据进行划分操作包括数据表有用户在商品全集上的移动端行为数据商品全集表D,商品子集表P。采用空间泛化训练集，在商品全集表D中取商品子集P中出现的商品item_id与用户交互的数据作为训练集。
进一步的，零均值规范化包括：
其中，μ、σ分别为数据矩阵列均值和标准差，xi *表示零均值规范化后的当前样本，xi表示未零均值规范化当前样本，n为样本的数量，其中μ、σ分别可表示为：
进一步的，根据用户、商品基本信息进行特征工程构建操作包括：
S31、统计特征三值化，对于统计特征三值化的核心在于设定两个阈值threshold1和threshold2，大于等于阈值threshold1的赋值为1，小于等于阈值threshold2的赋值为-1，否则为0；
S32、统计用户每天购买商品总次数，并为每天购买商品总次数设置权重；
S33、统计各个用户与商品交互总次数、方差、均值、中位数、最大值、最小值等特征。
进一步的，为每天购买商品总次数设置权重包括将距离预测目标越近的其特征权重值越大，表示为：
其中，t表示时间跨度为t天，i表示当前离预测目标天数。
进一步的，所述建立多个机器学习模型，并进行模型融合操作包括：
S41、在打扰率FPR较低时，将覆盖率TPR加权平均值作为平均指标，使用加权平均值评估模型；
S42、将时序特征传入长短期记忆网络(Long Short-Term Memory，LSTM)网络中进行转化，经过网络转化后的特征矩阵与原始特征矩阵传入树状模型中，预测用户购买概率；
S43、通过网络转化后的特征矩阵与原始特征矩阵构造新特征矩阵，Xgboost模型、Catboost模型、GaussianNB模型、ExtraTrees模型对泛化训练集进行训练，随机采样65％用Xgboost模型、Catboost模型、GaussianNB模型、ExtraTrees模型线性拟合剩下35％数据真实标签Y，得到相应模型权重w1、w2、w3、w4；
S44、测试集同时使用Xgboost、Catboost、GaussianNB、ExtraTrees预测结果为X1、X2、X3、X4，将其预测结果乘以对应模型的权重，得到最终的用户购买预测结
进一步的，步骤S4中将时序特征传入LSTM网络中进行转化包括：
ht＝f(Uxt+Wht-1+b)；
y＝Vht+c；
其中，xt为设定输入，对应隐状为ht；输出特征矩阵为y；U、V、W、b、c均为网络参数，f(Uxt+Wht-1+b)表示激活函数。
进一步的，网络参数优化包括：
argx∈S maxf(x)；
其中，x代表优化参数，S为参数搜索空间，f(x)为目标函数。,
本发明通过预测用户购买意向，根据真实用户-商品行为数据为基础，通过大数据和算法构面向建移动电子商务的商品推荐模型挖掘数据背后丰富的内涵，为移动用户在合适的时间、合适的地点精准推荐合适的内容，预测用户购买意向，为零售行业用户提供更简单、快捷、省心的购物体验，大数据与人工智能相结合，将带动零售行业深度改革，实现更大的商业价值，并带动互联网行业人工智能落地应用的脚步。
附图说明
图1是本发明实施例提供算法的流程图；
图2是本发明实施例提供的空间泛化训练集示意图；
图3是本发明实施例提供网络参数优化流程图；
图4是本发明实施例提供的LSTM生成新特征矩阵示意图；
图5是本发明实施例提供的模型融合示意图。
具体实施方式
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，所描述的实施例仅仅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，本领域普通技术人员在没有做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。
本发明提出一种基于移动大数据的用户购买意向预测方法，如图1，包括：
S1、根据用户、商品基本信息进行数据预处理操作；
S2、利用空间泛化训练集对数据进行划分操作；
S3、根据用户、商品基本信息进行特征工程构建操作；
S4、建立多个机器学习模型，并进行模型融合操作；
S5、针对多个机器学习模型进行网络参数优化。
在本实施例中，对数据进行预处理操作，根据用户、商品基本信息进行数据预处理操作，包括：
S11、对包含空缺值字段的数据，将属性映射到高维空间，采用独热编码技术。将包含K个离散取值范围的属性值扩展为K+1个属性值，若该属性值缺失，则扩展后的第K+1个属性值置为1；
S12、零均值z-score规范化，规范化是对数据矩阵的列处理，将不同量纲的数据转化为单位向量，xi为原始数据列，零均值规范化可表示为：
其中，μ、σ分别为数据矩阵列均值和标准差，xi *表示对原始数据列xi进行零均值规范化，xi表示第i个未零均值规范化当前样本，n为样本的数量，其中μ、σ分别可表示为：
为了增强模型泛化性，采用空间泛化训练集，减少时间序列过拟合；如图2，数据表有用户在商品全集上的移动端行为数据商品全集表D、商品子集表P，采用空间泛化训练集，在商品全集表D中取商品子集P中出现的商品item_id与用户交互的数据作为训练集。
表1为本发明实施例中数据字段示意表，表中分别给出商品全集表D和商品子集表P的字段及该字段的数据类型、字段说明以及提取说明，商品全集表D主要包括用户标识、商品标识、用户对商品的行为类型、用户位置的空间标识、商品分类标识、行为时间；例如商品全集表D包括用于记录用户标识的字段user_id，该字段的数据类型型是int，在提取说明中注明该字段的提取方式以及对该字段进行的一些处理，例如字段user_id是通过抽样得到，且对该字段进行了脱敏处理。
表1数据字段示意表
根据用户、商品基本信息进行特征工程构建操作并提出一种特征三值化处理方法：
统计特征三值化，减少数据波动对模型影响，对于统计特征三值化的核心在于设定两个阈值threshold1和threshold2，大于等于阈值threshold1的赋值为1，小于等于阈值threshold2的赋值为-1，否则为0；表达如下：
用户购买商品在时间上是有一定的周期性、趋势性等特点，故可以探寻用户与商品交互时序关系；统计用户每天购买商品总次数，离预测目标越近其特征权重值越大。wi为历史点的权值，xi为用户每天购买商品总次数；其权重值wi与统计值xi计算公式如下：
X＝x1×w1+x2×w2+...+xi×wi+...+xt×wt；
统计各个用户与商品交互总次数、方差、均值、中位数、最大值、最小值等特征。
在用户购买意向预测中，需要尽可能做到尽可能少的误伤和尽可能准确地探测，于是选择“在FPR较低时的TPR加权平均值”作为平均指标，使用“加权平均值”评估模型；给定一个阀值，可根据混淆矩阵计算TPR(覆盖率)和FPR(打扰率)，其中，TP、FN、FP、TN分别为真正例、假反例、假正例、真反例，“加权平均值”评价指标公式如下：
TPR＝TP/(TP+FN)；
FPR＝FP/(FP+TN)；
F加权平均值＝0.4×TPR1+0.3×TPR2+0.3×TPR3；
其中，TPR1表示TPR：FPR＝0.001时的TPR，TPR2表示TPR：FPR＝0.005时的TPR，TPR3表示TPR：FPR＝0.01时的TPR。
在本发明中，用户购买意向预测涉及长时序问题，传统RNN处理“长程时序依赖”问题，无法学到序列中蕴含的间隔时间较长规律，LSTM可以避免梯度消除问题，学到长程的规则。如图4，将时序特征传入LSTM网络中，经过网络转化后的特征矩阵与原始特征矩阵传入树状模型中，预测用户购买概率，设定输入为xt，对应隐状为ht,输出特征矩阵为y,其中U,V,W,b,c均为参数，f表示激活函数，LSTM运算过程可以表示为：
ht＝f(Uxt+Wht-1+b)；
y＝Vht+c；
如图5，通过网络转化后的特征矩阵与原始特征矩阵构造新特征矩阵，Xgboost、Catboost、GaussianNB(高斯朴素贝叶斯)、ExtraTrees(随机树)对泛化训练集进行训练，随机采样65％用Xgboost、Catboost、GaussianNB、ExtraTrees算法线性拟合剩下35％数据真实标签Y,得到相应模型权重w1、w2、w3、w4
Y＝x1×w1+x2×w2+x3×w3+x4×w4；
测试集同时使用Xgboost、Catboost、GaussianNB、ExtraTrees预测结果为X1、X2、X3、X4，将其预测结果乘以权重w，得到用户购买预测结果P，可将预测结果P表示为：
P＝X1×w1+X2×w2+X3×w3+X4×w4；
本发明有多个机器学***均值得分，输出最大化目标函数的参数组合。其中x代表优化参数，S为参数搜索空间，f(x)为目标函数，网络参数优化公式如下：
argx∈S maxf(x)；
如表2，本实施例以xgboost模型为例，网络参数搜索主要包括搜索max_depth，eta，subsample等，表2中列举了每个参数的定义、搜索空间、搜索步长以及在本实施例中的搜索结构；需对其进行参数优化，设置搜索空间，搜索步长进行网络参数优化得到优化参数结果。
表2 xgboost模型网络参数搜索示意表
| 参数名称 | 参数定义 | 搜索空间 | 搜索步长 | 搜索结果 |
| max_depth | 树的深度 | [0,20] | 1 | 3 |
| eta | 学习率 | [0,0.1] | 0.05 | 0.035 |
| subsample | 采样比 | [0,1] | 0.1 | 0.7 |
| colsample_bytree | 列采样比 | [0,1] | 0.1 | 0.8 |
本发明中所述的最优参数组合均指在有限次的迭代过程中产生参数，本领域技术人员可以凭借本领域的现有技术判断最优迭代次数从而得到最优参数，以xgboost为例，优化参数在泛化训练集，五折交叉验证，在限定迭代次数内，输出最大化目标值时的参数组合，其他模型的最优参数组合的获取此处不再赘述。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (9)
1.一种基于移动大数据的用户购买意向预测方法，其特征在于，包括以下步骤：
S1、根据用户、商品基本信息进行数据预处理操作；
S2、利用空间泛化训练集对数据进行划分操作；
S3、根据用户、商品基本信息进行特征工程构建操作；
S4、建立多个机器学习模型，并进行模型融合得到用户购买意向；
S5、针对多个机器学习模型进行网络参数优化，重新融合数据得到优化的用户购买意向预测；
其中建立多个机器学习模型，并进行模型融合操作具体包括：
S41、在打扰率FPR较低时，将覆盖率TPR加权平均值作为平均指标，使用加权平均值评估模型；
S42、将时序特征传入长短期记忆网络LSTM中进行转化，经过网络转化后的特征矩阵与原始特征矩阵传入树状模型中，预测用户购买概率；
S43、通过网络转化后的特征矩阵与原始特征矩阵构造新特征矩阵，利用Xgboost模型、Catboost模型、GaussianNB模型、ExtraTrees模型对泛化训练集进行训练，随机采样65％的数据，并采用Xgboost模型、Catboost模型、GaussianNB模型、ExtraTrees模型线性拟合剩下35％数据计算真实标签Y，得到该四个模型的权重，这四个模型的权重分别表示为w1、w2、w3、w4；
S44、测试集同时使用Xgboost、Catboost、GaussianNB、ExtraTrees预测结果分别为X1、X2、X3、X4，将每个模型的预测结果乘以该模型的权重，得到用户购买预测结果P。
2.根据权利要求1所述的一种基于移动大数据的用户购买意向预测方法，其特征在于，根据用户、商品基本信息进行数据预处理操作包括：
S11、对包含空缺值字段的数据，将属性映射到高维空间，采用独热编码技术，将包含K个离散取值范围的属性值扩展为K+1个属性值，若该属性值缺失，则扩展后的第K+1个属性值置为1；
S12、对数据矩阵的列进行零均值规范化将不同量纲的数据转化为单位向量。
3.根据权利要求2所述的一种基于移动大数据的用户购买意向预测方法，其特征在于，零均值规范化包括：
其中，μ、σ分别为数据矩阵列均值和标准差，xi *表示零均值规范化后的当前样本，xi表示第i个未零均值规范化当前样本。
4.根据权利要求1所述的一种基于移动大数据的用户购买意向预测方法，其特征在于，利用空间泛化训练集对数据进行划分操作包括用户在商品全集上的移动端行为数据商品全集表D和商品子集表P，采用空间泛化训练集，在数据商品全集表D找出在商品子集表P中出现的商品item_id并将该item_id在商品全集表D中的信息导出作为训练集。
5.根据权利要求1所述的一种基于移动大数据的用户购买意向预测方法，其特征在于，根据用户、商品基本信息进行特征工程构建操作包括：
S31、将统计特征三值化，对于统计特征三值化的核心在于设定两个阈值threshold1和threshold2，大于等于阈值threshold1的赋值为1，小于等于阈值threshold2的赋值为-1，否则为0；
S32、统计用户每天购买商品总次数，并为每天购买商品总次数设置权重；
S33、统计各个用户与商品交互总次数、方差、均值、中位数、最大值、最小值特征。
6.根据权利要求5所述的一种基于移动大数据的用户购买意向预测方法，其特征在于，为每天购买商品总次数设置权重包括距离预测目标越近的其特征的权重值越大，表示为：
其中，t表示时间跨度为t天，i表示当前离预测目标天数。
7.根据权利要求1所述的一种基于移动大数据的用户购买意向预测方法，其特征在于，步骤S4中将时序特征传入LSTM网络中进行转化包括：
ht＝f(Uxt+Wht-1+b)；
y＝Vht+c；
其中，xt为设定输入，ht为对应隐状；y为输出特征矩阵；U、V、W、b、c均为网络参数，f(Uxt+Wht-1+b)表示激活函数。
8.根据权利要求1所述的一种基于移动大数据的用户购买意向预测方法，其特征在于，网络参数优化包括：
S51、在参数搜索空间进行搜索，搜索到参数Xn；
S52、利用网络优化函数对参数Xn进行优化，并判断目标值是否达到最大化，若是则输出最优参数组合，否则返回步S51；
S53、得到最优参数组合之后，重新融合数据，得到最终的用户购买意向预测。
9.根据权利要求8所述的一种基于移动大数据的用户购买意向预测方法，其特征在于，网络优化函数表示为：
argx∈Smax f(x)；
其中，x代表优化参数，S为参数搜索空间，f(x)为目标函数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910021407.5A CN109741112B (zh) | 2019-01-10 | 2019-01-10 | 一种基于移动大数据的用户购买意向预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910021407.5A CN109741112B (zh) | 2019-01-10 | 2019-01-10 | 一种基于移动大数据的用户购买意向预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109741112A CN109741112A (zh) | 2019-05-10 |
| CN109741112B true CN109741112B (zh) | 2020-12-25 |
Family
ID=66364267
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910021407.5A Active CN109741112B (zh) | 2019-01-10 | 2019-01-10 | 一种基于移动大数据的用户购买意向预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109741112B (zh) |
Families Citing this family (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110175253A (zh) * | 2019-05-13 | 2019-08-27 | 山东大学 | 一种用户个性化服装搭配方法及装置 |
| CN110188695B (zh) * | 2019-05-30 | 2021-09-07 | 北京百度网讯科技有限公司 | 购物动作决策方法及装置 |
| CN110544131A (zh) * | 2019-09-06 | 2019-12-06 | 创新奇智(重庆)科技有限公司 | 一种数据驱动的电商用户购买行为预测方法 |
| CN112819555A (zh) * | 2019-11-15 | 2021-05-18 | 北京沃东天骏信息技术有限公司 | 一种物品推荐方法和装置 |
| CN110956497B (zh) * | 2019-11-27 | 2022-11-25 | 桂林电子科技大学 | 一种电子商务平台用户重复购买行为预测方法 |
| CN111241156B (zh) * | 2020-01-07 | 2024-02-27 | 广东技术师范大学 | 基于事务数据收集的支持度计数评估方法 |
| US20230162082A1 (en) * | 2020-01-21 | 2023-05-25 | Samya Al Artificial Intelligence Technologies Private Limited | Integrating machine-learning models impacting different factor groups for dynamic recommendations to optimize a parameter |
| CN111178987B (zh) * | 2020-04-10 | 2020-06-30 | 支付宝(杭州)信息技术有限公司 | 训练用户行为预测模型的方法和装置 |
| CN111582589A (zh) * | 2020-05-12 | 2020-08-25 | 上海新共赢信息科技有限公司 | 一种租车出险预测方法、装置、设备及存储介质 |
| CN111681051B (zh) * | 2020-06-08 | 2023-09-26 | 上海汽车集团股份有限公司 | 购买意向度预测方法、装置、存储介质及终端 |
| CN111695042B (zh) * | 2020-06-10 | 2023-04-18 | 湖南湖大金科科技发展有限公司 | 基于深度游走和集成学习的用户行为预测方法及*** |
| CN112183875B (zh) * | 2020-10-12 | 2024-07-09 | 云境商务智能研究院南京有限公司 | 一种基于用户和产品层面的多因子在线购买行为转化预测方法 |
| CN112950268A (zh) * | 2021-03-02 | 2021-06-11 | 深圳市前海房极客网络科技有限公司 | 一种实时计算客户购买房产意愿程度的算法 |
| CN113190599B (zh) * | 2021-06-30 | 2021-09-28 | 平安科技（深圳）有限公司 | 应用用户行为数据的处理方法、装置、设备及存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103164804A (zh) * | 2011-12-16 | 2013-06-19 | 阿里巴巴集团控股有限公司 | 一种个性化的信息推送方法及装置 |
| CN107909433A (zh) * | 2017-11-14 | 2018-04-13 | 重庆邮电大学 | 一种基于大数据移动电子商务的商品推荐方法 |
| CN107944913A (zh) * | 2017-11-21 | 2018-04-20 | 重庆邮电大学 | 基于大数据用户行为分析的高***购买意向预测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170316324A1 (en) * | 2016-04-27 | 2017-11-02 | Virginia Polytechnic Institute And State University | Computerized Event-Forecasting System and User Interface |
-
2019
- 2019-01-10 CN CN201910021407.5A patent/CN109741112B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103164804A (zh) * | 2011-12-16 | 2013-06-19 | 阿里巴巴集团控股有限公司 | 一种个性化的信息推送方法及装置 |
| CN107909433A (zh) * | 2017-11-14 | 2018-04-13 | 重庆邮电大学 | 一种基于大数据移动电子商务的商品推荐方法 |
| CN107944913A (zh) * | 2017-11-21 | 2018-04-20 | 重庆邮电大学 | 基于大数据用户行为分析的高***购买意向预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| "基于梯度提升决策树与深度信念网络融合的推荐算法研究";何世建;《中国优秀硕士学位论文全文数据库 信息科技辑》;20180215;第30-31页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109741112A (zh) | 2019-05-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109741112B (zh) | 一种基于移动大数据的用户购买意向预测方法 | |
| CN110046304B (zh) | 一种用户推荐方法和装置 | |
| CN108648049B (zh) | 一种基于用户行为区别建模的序列推荐方法 | |
| CN111797321B (zh) | 一种面向不同场景的个性化知识推荐方法及*** | |
| CN110503531B (zh) | 时序感知的动态社交场景推荐方法 | |
| CN111222332B (zh) | 一种结合注意力网络和用户情感的商品推荐方法 | |
| CN110717098B (zh) | 基于元路径的上下文感知用户建模方法、序列推荐方法 | |
| CN108665311B (zh) | 一种基于深度神经网络的电商用户时变特征相似性计算推荐方法 | |
| US20210366006A1 (en) | Ranking of business object | |
| CN113256367B (zh) | 用户行为历史数据的商品推荐方法、***、设备及介质 | |
| CN110737730B (zh) | 基于无监督学习的用户分类方法、装置、设备及存储介质 | |
| CN112115377A (zh) | 一种基于社交关系的图神经网络链路预测推荐方法 | |
| CN114202061A (zh) | 基于生成对抗网络模型及深度强化学习的物品推荐方法、电子设备及介质 | |
| CN109189922B (zh) | 评论评估模型的训练方法和装置 | |
| CN110727872A (zh) | 基于隐式反馈进行不明确选择行为挖掘的方法及装置 | |
| CN114529364A (zh) | 一种基于注意力机制的商品序列推荐的方法 | |
| CN115618101A (zh) | 基于负反馈的流媒体内容推荐方法、装置及电子设备 | |
| CN113536105A (zh) | 推荐模型训练方法和装置 | |
| CN112819024A (zh) | 模型处理方法、用户数据处理方法及装置、计算机设备 | |
| CN114637920A (zh) | 对象推荐方法以及装置 | |
| CN115098789A (zh) | 基于神经网络的多维兴趣融合推荐方法、装置及相关设备 | |
| CN112464106B (zh) | 对象推荐方法及装置 | |
| CN117635238A (zh) | 一种商品推荐方法、装置、设备及存储介质 | |
| Kumar et al. | A novel fuzzy rough sets theory based CF recommendation system | |
| CN113449182A (zh) | 一种知识信息个性化推荐方法及*** |
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 | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A prediction method of user purchase intention based on mobile big data Effective date of registration: 20220520 Granted publication date: 20201225 Pledgee: Chongqing Branch of China Everbright Bank Co.,Ltd. Pledgor: BOLAA NETWORK Co.,Ltd. Registration number: Y2022500000028 |
|
| PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
| PC01 | Cancellation of the registration of the contract for pledge of patent right | ||
| PC01 | Cancellation of the registration of the contract for pledge of patent right |
Date of cancellation: 20230614 Granted publication date: 20201225 Pledgee: Chongqing Branch of China Everbright Bank Co.,Ltd. Pledgor: BOLAA NETWORK Co.,Ltd.|Chongqing Wingshengda Technology Co.,Ltd. Registration number: Y2022500000028 |
|
| PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A Method for Predicting User Purchase Intention Based on Mobile Big Data Effective date of registration: 20230809 Granted publication date: 20201225 Pledgee: Chongqing Branch of China Everbright Bank Co.,Ltd. Pledgor: BOLAA NETWORK Co.,Ltd.|Chongqing Wingshengda Technology Co.,Ltd. Registration number: Y2023500000055 |
|
| CB03 | Change of inventor or designer information | ||
| CB03 | Change of inventor or designer information |
Inventor after: Tong Yi Inventor before: Tong Yi Inventor before: Zhou Boyi |