CN110458641B - 一种电商推荐方法及*** - Google Patents

一种电商推荐方法及*** Download PDF

Info

Publication number
CN110458641B
CN110458641B CN201910574718.4A CN201910574718A CN110458641B CN 110458641 B CN110458641 B CN 110458641B CN 201910574718 A CN201910574718 A CN 201910574718A CN 110458641 B CN110458641 B CN 110458641B
Authority
CN
China
Prior art keywords
user
data
time
time sequence
knowledge graph
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
Application number
CN201910574718.4A
Other languages
English (en)
Other versions
CN110458641A (zh
Inventor
郁国勇
李成
汪金忠
孙迁
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
SuningCom Co ltd
Original Assignee
Suning Cloud Computing Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Suning Cloud Computing Co Ltd filed Critical Suning Cloud Computing Co Ltd
Priority to CN201910574718.4A priority Critical patent/CN110458641B/zh
Publication of CN110458641A publication Critical patent/CN110458641A/zh
Application granted granted Critical
Publication of CN110458641B publication Critical patent/CN110458641B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9536—Search customisation based on social or collaborative filtering
    • 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
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • 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
    • G06Q30/0241—Advertisements
    • G06Q30/0277—Online advertisement

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Computational Linguistics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明属于互联网技术领域，公开了一种电商推荐方法，该方法包括：获取知识数据和构建包含多个不同主题的时序知识图谱，并建立多层级的标签；根据用户最新的行为数据进行标签提取，构建用户动态画像数据；将时序知识图谱与用户动态画像数据进行标签关联匹配，识别出符合该用户当前状态的图谱主题；分析该用户对应到时序知识图谱上的时间范围，并将对应时间范围内的商品推荐给用户。采用本发明的方法及***，推荐结果更为准确，可解释性强，在无最新的用户行为数据的时候，仍然可以在时间维度上对用户进行动态画像和商品推荐。

Description

一种电商推荐方法及***
技术领域
本发明属于互联网技术领域，尤其涉及一种电商推荐方法及***。
背景技术
当前各大电商网站如亚马逊、京东和淘宝的个性化推荐，是提升电商品牌价值、商品销量以及客户体验的重要办法。
主流的个性化推荐算法有：基于内容的推荐、基于协同过滤进行推荐，以及基于深度学习进行推荐等方法。但是，基于协同过滤(Collaborative Filtering)的方法仅考虑到用户对商品的反馈数据，而基于内容(Content Base)的方法仅考虑商品的特性数据，这样单纯的依赖部分数据进行推荐难以满足用户更深层次的推荐需求，同时也存在稀疏性等问题；基于深度学习的推荐，推荐效果较前两方法有很大的提高，但却以损失性能为代价，推荐的结果解释性也较低。
上述的推荐方法有各自适应场景和不足之处。因此，如何提高电商推荐的准确度和可解释性便成为了目前亟待解决的技术问题。
发明内容
本发明的目的是，提供一种电商推荐方法，基于时序知识图谱建立，以实现电商服务的推荐准确度高、可解释性强的特点，即使用户一段时间没有行为，也可以为用户进行准确的推荐。
本发明采用的技术方案如下：
一种电商推荐方法，所述方法包括：
获取知识数据构建包含多个不同主题的时序知识图谱，并建立不同级别的标签；
根据用户最新的行为数据进行标签提取，构建用户动态画像数据；
将时序知识图谱与用户动态画像数据进行标签关联匹配，识别出符合该用户当前的图谱主题；
分析该用户对应到时序知识图谱上的时间范围，并将对应时间范围内的商品推荐给用户。
具体地，从互联网获取不同的知识数据，对知识数据进行语义分析和关键词提取，针对每个主题的知识数据按照时间顺序标注时序信息，构建不同主题的时序知识图谱。
进一步地，将时序知识图谱中的各主题标定为一级标签，将时序知识图谱上的实体节点根据数据表达含义范围的粒度大小标定为一级标签之下的其它多个层级的标签。
具体地，根据用户最新的行为数据，从用户的该行为数据中提取出与时序知识图谱存在关联的标签，其中，所述行为数据至少包括如下中的一种或几种的组合：用户新浏览的商品信息、用户新加入购物车的商品信息、用户的历史订单数据、用户收藏的商品信息。
进一步地，提取用户不同商品信息的标签数据，找出该用户的新增标签，保留粒度较小的所对应级别的标签。
进一步地，提取出该用户的标签后，与用户画像进行数据合并，形成用户的动态画像数据。
进一步地，将用户动态画像数据与时序知识图谱的主题进行标签关联，从所有主题中识别出符合当前用户的主题。
进一步地，基于所识别出的主题，进一步将主题所对应的时序知识图谱与用户动态画像进行标签关联分析，从而确定用户在对应时序图谱中的时间范围，并将所述时序图谱上的时间范围上的商品推荐给用户。
进一步地，当用户之前已经匹配到特定主题，如近期用户没有新的行为数据，则根据之前匹配的时间范围以及时间流失的长度，推算符合用户当前状态的新的时间范围，并将新的时间范围信息更新至用户动态画像。
基于本发明的另一方面，还提供了一种电商推荐***，所述***包括：
时序知识图谱模块，用于获取知识数据，并根据获取不同主题的知识数据构建包含多个不同主题的时序知识图谱；
用户动态画像模块，根据用户最新的行为数据，提取出该行为数据的标签信息，并与用户画像进行数据合并，形成用户的动态画像数据；
分析模块，通过将用户动态画像与所述时序知识图谱的主题进行标签关联和分析，从而确定用户在对应时序图谱中的时间范围；
推送模块，用以将分析模块确立的所述时间范围内时序图谱上的商品推荐给用户；
标签模块，用于统一管理各模块的标签，确立各个标签的层级对应关系。
与现有技术相比，本发明所提供的一种电商推荐方法及***，具有如下效果：
1、本发明从时间维度上进行图谱构建，并对用户进行动态画像，基于时序图谱和动态画像进行标签映射分析以发现匹配于用户的时序图谱以及用户所处的时间范围，进而比较容易的为用户推荐商品，对于特定的主题，推荐准确度高，可解释性强。
2、用户匹配到相应的时序知识图谱后，即使用户一段时间没有行为，也可以比较精确的掌握用户未来一段时间(可以长达数年)的购物兴趣，为用户进行准确的推荐。
附图说明
图1是本发明实施例中的电商推荐方法的流程示意图。
图2是本发明实施例中的电商推荐***的架构图。
图3是本发明实施例中的时序知识图谱构建的流程示意图。
图4是本发明实施例中的一个时序知识图谱的具体示例图。
图5是本发明实施例中对用户行为数据进行标签提取的具体示例图。
图6是本发明实施例中用户动态画像生成的具体示例图。
图7是本发明实施例中将用户动态画像和时序知识图谱进行标签关联的具体示例图。
图8是本发明实施例中确立用户在对应时序图谱中的时间范围的具体示例图。
具体实施方式
以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。如在说明书及权利要求当中使用了某些词汇来指称特定部件。本领域技术人员应可理解，硬件或软件制造商可能会用不同名词来称呼同一个部件。本说明书及权利要求并不以名称的差异来作为区分部件的方式，而是以部件在功能上的差异来作为区分的准则。说明书后续描述为实施本发明的较佳实施方式，然所述描述乃以说明本发明的一般原则为目的，并非用以限定本发明的范围。本发明的保护范围当视所附权利要求所界定者为准。
下面结合附图和具体实施例对本发明做进一步详细说明。
如图1、图2所示，本发明实施例所公开的一种电商推荐方法，包括如下步骤：
步骤S1、获取知识数据构建包含多个不同主题的时序知识图谱，并建立不同级别的标签。
具体地，配合参照图3所示，在步骤S1中，通过爬虫技术和/或人工智能搜索技术从外部互联网，如百度百科、***中抓取不同主题的知识数据，每个主题都分别打有代表此主题覆盖内容的标签，然后结合业务***的技术业务数据，对这些知识数据进行语义处理，包括实体抽取、清洗、映射和消歧等过程。实体抽取是指从分布的、异构的文本中提取出特定的事实信息，将其中隐含的语义提取出来并以更为结构化、更为清晰的形式表示；语义清洗是过滤那些不符合要求的数据，比如重复数据、错误数据、残缺数据；语义映射是指将词映射到一个语义空间，得到向量，比如利用word2vec；语义消歧可以看作分类问题，一个词W有K个含义，对W消歧就是确定W在特定句子中究竟使用了哪一个含义，即把W分到K类中的一个，分类的依据则是和W邻近的词，即W的上下文C。经过对外部的知识数据进行语义处理之后，再针对每个主题的知识数据按照时间顺序标注时序信息，此处的时间顺序是指按照某一主题的所有事件发生的先后顺序及逻辑顺序，标注可采用人工方式，按照业务逻辑处理成意义明确的知识实体和实体关系，如此，构建不同主题的时序知识图谱。
其中，将时序知识图谱中的各主题标定为一级标签，将时序知识图谱上的实体节点根据数据表达含义范围的粒度大小标定为一级标签之下的其它多个层级的标签，比如二级标签、三级标签等，其中，二级标签比一级标签的信息更具体更细化，三级标签比二级标签的信息更具体更细化。
本发明实施例中的一个时序知识图谱的示例如图4所示。其中该时序知识图谱的主题分别打有一级标签，如“孕产妇”打有“怀孕”、“产后”和“产前”的标签；时序知识图谱实体节点打有多层级的标签，如“孕前期”分别打有一级标签“怀孕”，二级标签“孕前期”，三级标签“孕1周”、“孕2周”等；同理，“孕中期”也分别打有一级标签“怀孕”、二级标签“孕中期”、三级标签“孕14周或15周”等。多个不同的主题根据时间顺序依次排列，形成N个主题的知识图谱。
步骤S2、根据用户最新的行为数据进行标签提取，构建用户动态画像数据。
具体来说，在步骤S2中，实现对用户的动态画像包括如下两个步骤：
步骤S21，从用户的该行为数据中提取出与时序知识图谱存在关联的标签，其中，所述行为数据包括如下几种方式中的一种或者多种的组合：用户新浏览的商品信息、用户新加入购物车的商品信息、用户的历史订单数据、用户收藏的商品信息等等，当然，本领域技术人员应当理解的是，提取的行为数据不限于上述所列举的四种方式，涉及用户在购物网站上或者其他网页进行操作时的行为数据均，如用户的行为特征或者商品信息特征均可作为标签被提取。
行为数据以用户浏览的商品信息为例，从用户浏览的不同商品信息中提取出与时序知识图谱存在相关联的标签。在提取用户不同商品信息的标签数据，找出该用户的新增标签，保留粒度较小的所对应级别的标签，舍弃属于同一体系的粗粒度较大的一个或多个标签。粗粒度的标签表达的含义范围宽泛，而细粒度标签更为具体或精确，比如“孕前期”或者“孕中期”相对“怀孕”来说，描述更为精确，细粒度更小。
以图5所示为例，该用户近期有浏览防辐射服和叶酸等商品，防辐射服和叶酸分别打有“怀孕”、“女性”和“怀孕”、“孕前期”的标签，因而可提取到跟用户相关的“怀孕”、“女性”、“孕前期”三个标签。由于事先预构建的层级标签中，怀孕和孕前期同属一个体系，且“怀孕”为一级标签，“孕前期”为二级标签，相比而言“孕前期”为更为精准描述的细粒度标签，因为保留“孕前期”而舍弃“怀孕”没有损失信息内容的表达。因此最后从用户近期行为数据提取出了“女性”和“孕前期”两个标签。
步骤S22、提取出该用户的标签后，与用户画像进行数据合并，形成用户的动态画像数据。
同样地，以图5、图6为例，在提取出了“女性”和“孕前期”两个标签后，再进一步的与用户画像进行数据合并，形成用户的动态画像数据，如图中，该用户的动态画像数据包含“上海”、“本科”、“女性”、“25-30岁”、“孕前期”，其中，“孕前期”为新增的画像标签。
步骤S3、将时序知识图谱与用户动态画像数据进行标签关联匹配，识别出符合该用户当前的图谱主题；
具体来说，参照图7所示，在步骤S3中，通过将用户动态画像与所述时序知识图谱的主题进行标签关联，从所有主题中识别出符合当前用户的主题。如下图，该用户找到“孕产妇”和“主题3”两个主题。
步骤S4、分析该用户对应到时序知识图谱上的时间范围，并将对应时间范围内的商品推荐给用户。
具体来说，在步骤S4中，基于所识别出的主题，进一步将主题所对应的时序知识图谱与用户动态画像进行标签关联分析，从而确定用户在对应时序图谱中的时间范围，并将所述时序知识图谱上的时间范围上的商品推荐给用户。
如图8所示，该用户的用户动态画像与该用户所关联的主题为“孕产妇”的时序知识图谱存在“孕前期”的标签关联。由此可判断该用户处于“孕产妇”的时序知识图谱的“孕前期”这个时间档。这样，可以将孕前期这个时间范围内对应的商品主动推送给用户。
而当用户之前已经匹配到了特定主题，如近期用户没有新的行为数据，则根据之前匹配的时间范围以及时间流失的长度，推算符合用户当前状态的新的时间范围，并将新的时间范围信息更新至用户动态画像。比如，过了一段时间，虽然用户没有继续产生新的行为数据，但是根据时间的推理，仍然可以推算该用户目前处于“产前”或者“产后恢复期”等阶段，此时，仍然可以根据时序图谱继续推送各阶段的关联商品。
再请参照图1、图2所示，本发明的另一实施例，还提供了一种电商推荐***，所述***包括：
时序知识图谱模块，用于获取知识数据，并根据获取不同主题的知识数据构建包含多个不同主题的时序知识图谱；每个主题都分别打有代表此主题覆盖内容的标签。
用户动态画像模块，根据用户最新的行为数据，提取出该行为数据的标签信息，并与用户画像进行数据合并，形成用户的动态画像数据；
分析模块，通过将用户动态画像与所述时序知识图谱的主题进行标签关联和分析，以识别出符合当前用户的图谱主题，基于被关联到的主题，从而确定用户在对应时序图谱中的时间范围。
推送模块，用以将分析模块确立的所述时间范围内时序图谱上的商品推荐给用户；其中，随着时间的推移，即使用户在后续时间行为数据很少，依然可以依据此时序图谱分别给用户推荐相关联的商品。
标签模块，用于统一管理各模块的标签，确立各个标签的层级对应关系。其中，确保标签是意义明确的以及在各模块之间是对齐的；另外标签是有层级关系的。如之前的附图所示，“怀孕”为一级标签，可以看做粗粒度标签，“孕前期”为细粒度标签，“孕一周”为粒度更小的细粒度标签。粗粒度的标签表达的含义范围宽泛，而细粒度标签较为具体。
本发明属于一种新型推荐方式，从时间维度上进行图谱构建，并对用户进行动态画像，甚至是基于时序图谱反过来更新和丰富动态画像信息，再进一步的基于时序图谱和动态画像进行标签映射分析以发现匹配于用户的时序图谱以及用户所处的时间范围，进而比较容易的为用户推荐商品。
采用本发明的方法和***可以比较精确的掌握用户未来一段时间(可以长达数年)的购物兴趣，对于特定主题，推荐结果准确度高，可解释性强。
值得注意的是，以上所述仅为本发明的较佳实施例，并非因此限定本发明的专利保护范围，本发明还可以对上述各种零部件的构造进行材料和结构的改进，或者是采用技术等同物进行替换。故凡运用本发明的说明书及图示内容所作的等效结构变化，或直接或间接运用于其他相关技术领域均同理皆包含于本发明所涵盖的范围内。

Claims (8)

1.一种电商推荐方法，其特征在于，所述方法包括：
获取知识数据构建包含多个不同主题的时序知识图谱，并建立多层级的标签；
根据用户最新的行为数据，从用户的该行为数据中提取出与时序知识图谱存在关联的标签，提取用户不同商品信息的标签数据，找出该用户的新增标签，保留细粒度较小的所对应层级的标签，与用户画像进行数据合并，构建用户动态画像数据；
将时序知识图谱与用户动态画像数据进行标签关联匹配，识别出符合该用户当前状态的图谱主题；
分析该用户对应到时序知识图谱上的时间范围，并将对应时间范围内的商品推荐给用户。
2.如权利要求1所述的电商推荐方法，其特征在于，从互联网获取不同的知识数据，对知识数据进行语义分析和关键词提取，针对每个主题的知识数据按照时间顺序标注时序信息，构建不同主题的时序知识图谱。
3.如权利要求1所述的电商推荐方法，其特征在于，将时序知识图谱中的各主题标定为一级标签，将时序知识图谱上的实体节点根据数据表达含义范围的粒度大小标定为一级标签之下的其它多个层级的不同级别的标签。
4.如权利要求1或3所述的电商推荐方法，其特征在于，所述行为数据至少包括如下中的一种或几种的组合：用户新浏览的商品信息、用户新加入购物车的商品信息、用户的历史订单数据、用户收藏的商品信息。
5.如权利要求4所述的电商推荐方法，其特征在于，将用户动态画像数据与时序知识图谱的主题进行标签关联，从所有主题中识别出符合当前用户的主题。
6.如权利要求5所述的电商推荐方法，其特征在于，基于所识别出的主题，进一步将主题所对应的时序知识图谱与用户动态画像进行标签关联分析，从而确定用户在对应时序图谱中的时间范围，并将所述时序知识图谱上的时间范围上的商品推荐给用户。
7.如权利要求1或6所述的电商推荐方法，其特征在于，当用户之前已经匹配到特定主题，如近期用户没有新的行为数据，则根据之前匹配的时间范围以及时间流失的长度，推算符合用户当前状态的新的时间范围，并将新的时间范围信息更新至用户动态画像。
8.一种电商推荐***，其特征在于，所述***包括：
时序知识图谱模块，用于获取知识数据，并根据获取不同主题的知识数据构建包含多个不同主题的时序知识图谱；
用户动态画像模块，根据用户最新的行为数据，从用户的该行为数据中提取出与时序知识图谱存在关联的标签，提取用户不同商品信息的标签数据，找出该用户的新增标签，保留细粒度较小的所对应层级的标签，并与用户画像进行数据合并，形成用户的动态画像数据；
分析模块，通过将用户动态画像与所述时序知识图谱的主题进行标签关联和分析，从而确定用户在对应时序图谱中的时间范围；
推送模块，用以将分析模块确立的所述时间范围内时序图谱上的商品推荐给用户；
标签模块，用于统一管理各模块的标签，确立各个标签的层级对应关系。
CN201910574718.4A 2019-06-28 2019-06-28 一种电商推荐方法及*** Active CN110458641B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910574718.4A CN110458641B (zh) 2019-06-28 2019-06-28 一种电商推荐方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910574718.4A CN110458641B (zh) 2019-06-28 2019-06-28 一种电商推荐方法及***

Publications (2)

Publication Number Publication Date
CN110458641A CN110458641A (zh) 2019-11-15
CN110458641B true CN110458641B (zh) 2022-02-25

Family

ID=68481736

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910574718.4A Active CN110458641B (zh) 2019-06-28 2019-06-28 一种电商推荐方法及***

Country Status (1)

Country Link
CN (1) CN110458641B (zh)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111159341B (zh) * 2019-12-25 2023-04-14 中国建设银行股份有限公司 基于用户投资理财偏好的资讯推荐方法及装置
CN111369318B (zh) * 2020-02-28 2024-02-02 安徽农业大学 一种基于商品知识图谱特征学习的推荐方法及***
CN111444368B (zh) * 2020-03-25 2023-01-17 平安科技（深圳）有限公司 构建用户画像的方法、装置、计算机设备及存储介质
CN112084376A (zh) * 2020-09-04 2020-12-15 北京明略昭辉科技有限公司 基于图谱知识的推荐方法、推荐***及电子装置
CN111931068B (zh) * 2020-09-18 2021-01-26 知学云(北京)科技有限公司 一种基于企业在线教育的智能推荐方法
CN112395506A (zh) * 2020-12-04 2021-02-23 上海帜讯信息技术股份有限公司 一种资讯推荐方法、装置、电子设备和存储介质
CN113094578B (zh) * 2021-03-16 2023-03-31 平安普惠企业管理有限公司 基于深度学习的内容推荐方法、装置、设备及存储介质
CN113407729B (zh) * 2021-05-11 2022-06-24 银江技术股份有限公司 一种面向司法的个性化案例推荐方法及***
CN113282683A (zh) * 2021-05-21 2021-08-20 青岛海尔科技有限公司 设备画像的确定方法、装置、存储介质及电子装置
CN113902526B (zh) * 2021-10-19 2024-06-04 平安科技（深圳）有限公司 基于人工智能的产品推荐方法、装置和计算机设备及介质
CN114330721A (zh) * 2022-03-15 2022-04-12 浙江建木智能***有限公司 一种数据分析方法和装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2016200851A (ja) * 2015-04-07 2016-12-01 パナソニックＩｐマネジメント株式会社 販売管理装置、販売管理システムおよび販売管理方法
CN107273454A (zh) * 2017-05-31 2017-10-20 北京京东尚科信息技术有限公司 用户数据分类方法、装置、服务器和计算机可读存储介质
CN109460516A (zh) * 2018-11-16 2019-03-12 广东小天才科技有限公司 一种学习内容推荐方法及***
CN109840788A (zh) * 2017-11-27 2019-06-04 北京京东尚科信息技术有限公司 用于分析用户行为数据的方法及装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2016200851A (ja) * 2015-04-07 2016-12-01 パナソニックＩｐマネジメント株式会社 販売管理装置、販売管理システムおよび販売管理方法
CN107273454A (zh) * 2017-05-31 2017-10-20 北京京东尚科信息技术有限公司 用户数据分类方法、装置、服务器和计算机可读存储介质
CN109840788A (zh) * 2017-11-27 2019-06-04 北京京东尚科信息技术有限公司 用于分析用户行为数据的方法及装置
CN109460516A (zh) * 2018-11-16 2019-03-12 广东小天才科技有限公司 一种学习内容推荐方法及***

Also Published As

Publication number Publication date
CN110458641A (zh) 2019-11-15

Similar Documents

Publication Publication Date Title
CN110458641B (zh) 一种电商推荐方法及***
US11314823B2 (en) Method and apparatus for expanding query
CN107153713B (zh) 社交网络中基于节点间相似性的重叠社区检测方法及***
CN107705066B (zh) 一种商品入库时信息录入方法及电子设备
CN110598130B (zh) 一种融合异构信息网络和深度学习的电影推荐方法
CN108287864B (zh) 一种兴趣群组划分方法、装置、介质及计算设备
Wang et al. Enhancing multi-label classification by modeling dependencies among labels
CN111444372B (zh) 用于图像处理的***和方法
Xiao et al. LECF: recommendation via learnable edge collaborative filtering
CN109992766B (zh) 提取目标词的方法和装置
CN111666766A (zh) 数据处理方法、装置和设备
Wang et al. Research on product recommendation based on matrix factorization models fusing user reviews
CN108389113B (zh) 一种协同过滤推荐方法和***
CN113641805A (zh) 结构化问答模型的获取方法、问答方法及对应装置
Kakad et al. Ontology construction from cross domain customer reviews using expectation maximization and semantic similarity
Zhou et al. Rank2vec: learning node embeddings with local structure and global ranking
CN114547439A (zh) 基于大数据和人工智能的业务优化方法及电子商务ai***
CN108427730B (zh) 一种基于随机游走和条件随机场的社会标签推荐方法
CN108717436B (zh) 一种基于显著性检测的商品目标快速检索方法
JP2018041300A (ja) 機械学習用モデル生成装置及びプログラム。
Suresh Kumar et al. Sentiment Analysis of Short Texts Using SVMs and VSMs-Based Multiclass Semantic Classification
CN116612276A (zh) 一种图像处理方法、装置、设备及存储介质
CN110717095A (zh) 服务项目的推送方法及装置
CN115063858A (zh) 视频人脸表情识别模型训练方法、装置、设备及存储介质
CN114547440A (zh) 基于互联网大数据的用户画像挖掘方法及人工智能云***

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
CP01 Change in the name or title of a patent holder

Address after: No.1-1 Suning Avenue, Xuzhuang Software Park, Xuanwu District, Nanjing, Jiangsu Province, 210000

Patentee after: Jiangsu Suning cloud computing Co.,Ltd.

Address before: No.1-1 Suning Avenue, Xuzhuang Software Park, Xuanwu District, Nanjing, Jiangsu Province, 210000

Patentee before: Suning Cloud Computing Co.,Ltd.

CP01 Change in the name or title of a patent holder
TR01 Transfer of patent right

Effective date of registration: 20231222

Address after: 210000, 1-5 story, Jinshan building, 8 Shanxi Road, Nanjing, Jiangsu.

Patentee after: SUNING.COM Co.,Ltd.

Address before: No.1-1 Suning Avenue, Xuzhuang Software Park, Xuanwu District, Nanjing, Jiangsu Province, 210000

Patentee before: Jiangsu Suning cloud computing Co.,Ltd.

TR01 Transfer of patent right