CN111127074A - 一种数据推荐方法 - Google Patents
一种数据推荐方法 Download PDFInfo
- Publication number
- CN111127074A CN111127074A CN201911172534.1A CN201911172534A CN111127074A CN 111127074 A CN111127074 A CN 111127074A CN 201911172534 A CN201911172534 A CN 201911172534A CN 111127074 A CN111127074 A CN 111127074A
- Authority
- CN
- China
- Prior art keywords
- user
- data
- receiving
- label
- records
- 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
Images
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
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供一种数据推荐方法,其特征在于,包括:获取用户的身份标识;获取用户上级记录;将所述用户上级记录输入预先训练得到的潜在需求生成模型,输出行为主体的潜在需求预测结果;其中,根据所述潜在需求生成所述模型,包括步骤如下至少之一:接收定区分析指令,将标签划分为定区区域,所述定区区域以限定的标签值范围为判断依据,当所述用户上级记录属于标签划分中的其中一种区域时,确定所述行为主体,在样本库中匹配到相同行为主体的下级记录;接收相对分析指令,将标签划分相对区域,所述相对区域以间隔标签值范围大小为判断标准,当所述用户上级记录满足相对区域,确定所述行为主体,在样本库中匹配到相同行为主体的下级记录。
Description
技术领域
本发明涉及AI数据分析与推演领域,具体为一种数据推荐方法。
背景技术
随着科技的发展,越来越多的基于大数据的分析预测出现;但是,对大数据的分析统计冗长繁琐、人为操作困难,运行成本高昂,不利于经济成本的节约,且各个产业之间不连通、统计预测方式杂乱,大数据无法有效利用。一些私人企业或小型产业由于资金不足依然靠人的主观意识判断,导致准确性差、更新意识缓慢、人员层次良莠不齐、不可复制、有效范围小的缺陷。
目前,大数据的不断积累,愈来愈多的数据形成了统计难题,而大数据的分析预测推演层出不断,大部分的数据是从多个业务***中抽取而来而且包含历史数据,不乏一些错误数据或者是数据相互之间存在冲突等大数据无法有效利用,当此类数据与目标个体相关联时,就成为影响结果的因素。现有大数据分析算法基本都是基于简单概括统计学,有部分会用到一点相对值。采用相对值算法极大可能会导致一些用户的潜在需求被淹没,最终后期分析结果判断错误。
针对上述现有技术采用相对值算法进行大数据分析,由于用户潜在需求被淹没导致大数据预测结果不准确的的技术问题,目前尚未提出有效的解决方案。
发明内容
本发明所要解决的问题是针对用户潜在需求被淹没导致大数据预测结果不准确的的技术问题,提供一种数据推荐方法。
本发明为解决上述技术问题采用以下技术方案:一种数据推荐方法,包括:获取用户的身份标识;获取用户上级记录;将所述用户上级记录输入预先训练得到的潜在需求生成模型,输出行为主体的潜在需求预测结果;其中,将所述用户上级记录输入预先训练得到的潜在需求生成模型的步骤中包括根据所述潜在需求生成所述模型,包括步骤如下至少之一:接收定区分析指令,将标签划分为定区区域,所述定区区域以限定的标签值范围为判断依据,当所述用户上级记录属于标签划分中的其中一种区域时,确定所述行为主体,在样本库中匹配到相同行为主体的下级记录;接收相对分析指令,将标签划分相对区域,所述相对区域以间隔标签值范围大小为判断标准,当所述用户上级记录满足相对区域,确定所述行为主体,在样本库中匹配到相同行为主体的下级记录。
优选地,所述潜在需求生成模型步骤之前,还包括步骤如下:接收多个用户历史记录,所述多个用户历史记录分别对应多个用户;接收标签指令,根据所述多个用户历史记录进行筛选,导出类型参数;接收计算中间数据指令。
优选地,所述潜在需求生成模型之后,方法还包括:接收逐个用户分析指令,输出行为主体的潜在需求预测结果,用于数据推荐的业务场景。
优选地,接收标签指令,根据多个用户历史记录进行筛选,导出类型参数,包括:S2021,根据预设的信息设置标签;S2022,根据标签对所述多个用户历史记录进行标签设置;S2023,筛选所述多个用户历史记录后生成所述类型参数;S2024,存储所述类型参数;S2025,读取所述类型参数。
优选地,在接收标签指令,根据多个用户历史记录进行筛选,导出类型参数之后,还包括:接收会员流转指令,对用户进行分组,其中,所述用户被分为处女购用户、活跃用户、沉睡用户。
优选地,接收计算中间数据指令的步骤中包括:接收设置标签权重指令;根据标签在用户历史记录中的各自占比,进行数据耦合,得到用户历史记录中的类型参数;根据用户历史记录中的类型参数,确定用户历史记录对应的行为主体:从多个用户历史记录中,获取属于同一行为主体的历史记录作为参照信息,并根据类型参数确定用于优化对应行为主体的下级记录;根据类型参数确定用于优化对应行为主体的下级记录形成样本库。
优选地,根据类型参数确定用于优化对应行为主体的历史记录,包括:按照预设的数据筛选算法,从参照信息中去掉不可信数据;根据参照信息中的不可信数据之外的可信数据,分析得到行为主体中的下级记录。
优选地,接收设置标签权重指令,包括:按照预设的信息调整条件,对标签设置权重值。
本发明实施例还提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现上述任一所述的数据推荐方法。
本发明实施例还提供了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上述任一所述的数据推荐方法的计算机程序。
本发明的有益效果如下:
1)本发明解决由于用户潜在需求被淹没导致大数据预测结果不准确的的技术问题;
2)本发明实现潜在需求数据预测推荐精确度大幅提升,推广成本降低;
3)本发明根据用户习惯1V1逐个生成营销方案,实现用户潜在需求的精准运营。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。在附图中:
图1是根据本发明实施例提供的一种使用数据推荐方法处理数据的流程图;
图2是根据本发明实施例提供的一种根据潜在需求生成模型过程中多种预测方案示意图;
图3是根据本发明实施例提供的一种数据推荐方法的流程图;
图4是根据本发明实施例提供的一种数据推荐方法的详细流程示意图;
图5是根据本申请实施例提供的一种数据推荐方法中样本库形成的流程图。
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明白,下面结合附图对本发明实施例做进一步详细说明。在此,本发明的示意性实施例及其说明用于解释本发明,但并不作为对本发明的限定。
为清楚界定“模型”及“样本库”的概念,现对这两个词语作出以下说明:
模型的形成相当于计算机里“经验”通常以“数据”形式存在,因此机器学习所研究的主要内容,是关于计算机上从数据中产生“模型”的算法(也叫“学习算法”)。有了学习算法,我们把经验数据输入,计算机就能基于已有数据建立模型。
样本库相当于训练集,即机器学习训练过程中使用的经验数据的集合。
实施例一
本发明实施例中提供了一种数据推荐方法,图1是根据本发明实施例提供的一种使用数据推荐方法的流程图,如图1所示,一种数据推荐方法,包括:
S101,获取用户的身份标识;
S102,获取用户上级记录;
S103,将用户上级记录输入预先训练得到的潜在需求生成模型,输出行为主体的潜在需求预测结果;
具体地,结合SaaS模型,店铺进行订阅后登录***,通过seller_nick编码获取买家ID标识,获取授权绑定API,RDS数据同步客户后端数据,从阿里云数据库RDS版中获取买家上次购物合并订单数据,进行数据清洗后,导入模型中,寻找到匹配的行为主体,假设上一次为第5次购物,则将行为主体的下级记录(即第6次购物记录)进行数据分析后作为预测结果推荐给相关用户即可。
图2是根据本发明实施例提供的一种根据潜在需求生成模型过程中多种预测方案示意图;
其中,将用户上级记录输入预先训练得到的潜在需求生成模型的步骤中包括S204,根据潜在需求生成模型,包括步骤如下至少之一:
接收定区分析指令,将标签划分为定区区域,定区区域以限定的标签值范围为判断依据,当用户上级记录属于标签划分中的其中一种区域时,确定行为主体,在样本库中匹配到相同行为主体的下级记录;
具体地,将用户上级记录输入预先训练得到的item_recommend样本库潜在需求生成模型,输出行为主体的潜在需求预测结果写入阿里云数据库RDS版中。
以购买儿童奶粉为实际应用场景,幼儿A、幼儿B显示用户上级记录中显示均购买一段奶粉,假设item_recommend样本库中记载幼儿使用一段奶粉需要5次,第6次则需要购买二段奶粉,幼儿A的用户上级记录中显示下次购买为第6次,而幼儿B的用户上级记录中显示下次购买为第3次,则经过定区分析后,根据定区区域的限定,幼儿A、幼儿B的主标签下次购物次数分别为第6次、第3次,在item_recommend样本库中寻找相同行为主体的下级记录,则幼儿A得到的推荐信息为二段奶粉,幼儿B得到的推荐为一段奶粉,实现逐个用户的精准推荐,提高用户信息推送精准度,店铺item_recommend样本库的周期性更新,高精准的推荐方法大幅度削弱营销成本。
接收相对分析指令,将标签划分相对区域,相对区域以间隔标签值范围大小为判断标准,当用户上级记录满足相对区域,确定行为主体,在样本库中匹配到相同行为主体的下级记录。
具体地,继续以购买儿童奶粉为实际应用场景,假设item_recommend样本库中记载定区分析得到幼儿使用一段奶粉需要5次,第6次需要购买二段奶粉;假设item_recommend样本库中记载相对分析得到下一次为幼儿购买奶粉的买一段奶粉最多,通常多次购物的人远少于购物次数少的人数。现有幼儿A、幼儿B显示用户上级记录中显示第5次、第4次均已购买一段奶粉,根据相对分析幼儿A、幼儿B均会推荐一段奶粉,对幼儿A来说推送并不精准;若采用定区分析幼儿A第6次将推荐二段奶粉、幼儿B第5次将继续推荐一段奶粉,两人得到的推送皆精准。上述可知,采用相对分析即现有数据推荐常用手段极易导致原有的第6次购物的数据记录淹没。
需要说明的是相对分析是由于各种原因无法获得同次购物记录即上述下级记录的情况下采用的技术手段在保证精确度的情况下,有效降低不必要的推荐成本以及提高模型的泛化能力。
需要注意的是,步骤S204可以根据客户店铺需求进行最优的子方案排列组合方式推荐下级记录,上述提及的“定区分析指令”、“相对分析指令”根据客户需求调整可以单独使用,也可以组合使用。
图3是根据本发明实施例提供的一种数据推荐方法的流程图,如图3所示,
在根据潜在需求生成模型步骤之前,还包括步骤如下:
S201,接收多个用户历史记录,多个用户历史记录分别对应多个用户;
S202,接收标签指令,根据多个用户历史记录进行筛选,导出类型参数;
S203,接收计算中间数据指令。
具体地,多个用户历史记录包含:销售相关数据、购物间隔数据、物流时效数据、客单价标签等中间数据,调用MaxCompute大数据计算API,采用分布式计算,经济高效地分析处理海量数据。
在根据潜在需求生成模型之后,方法还包括:
S205,接收逐个用户分析指令,输出行为主体的潜在需求预测结果,用于数据推荐的业务场景。
由上述可知,图4是根据本发明实施例提供的一种数据推荐方法的详细流程示意图。
优选地,接收标签指令,根据多个用户历史记录进行筛选,导出类型参数,包括:S2021,根据预设的信息设置标签;
S2022,根据标签对所述多个用户历史记录进行标签设置;
S2023,筛选所述多个用户历史记录后生成所述类型参数;
S2024,存储所述类型参数;
S2025,读取所述类型参数。
优选地,在接收标签指令,根据多个用户历史记录进行筛选,导出类型参数之后,还包括:接收会员流转指令,对用户进行分组,其中,所述用户被分为处女购用户、活跃用户、沉睡用户。
具体地,按照最近一次购物时间与当日数据进行比对,对用户进行分类,便于推荐同类行为主体的下次记录,多维度数据综合,推荐用户最需要购买的物品。
图5是根据本申请实施例提供的一种数据推荐方法中样本库形成的流程图,如图5所示,接收计算中间数据指令的步骤中包括:接收设置标签权重指令;根据标签在用户历史记录中的各自占比,进行数据耦合,得到用户历史记录中的类型参数;根据用户历史记录中的类型参数,确定用户历史记录对应的行为主体:从多个用户历史记录中,获取属于同一行为主体的历史记录作为参照信息,并根据类型参数确定用于优化对应行为主体的下级记录;根据类型参数确定用于优化对应行为主体的下级记录形成样本库。
需要注意的是,根据客户店铺要求设置标签权重,每个店铺对于标签数据的要求是不一样的。
根据类型参数确定用于优化对应行为主体的历史记录,包括:按照预设的数据筛选算法,从参照信息中去掉不可信数据;根据参照信息中的不可信数据之外的可信数据,分析得到行为主体中的下级记录。
接收设置标签权重指令,包括:按照预设的信息调整条件,对标签设置权重值。
具体地,以电商为例,推荐顾客购买可能性最高的物品为最终目的,根据实际场景中客户购买需求对相关标签设置权重,避免出现长尾理论,淹没一些真实的潜在需求数据,根据客户需求定制化设置,提高数据的精确度。
实施例二
本发明实施例中提供了一种数据推荐方法的应用场景,以上新宝贝为实际场景,上新宝贝也就意味着没有历史消息,那么就需要采用用相对分析的方案对相关内容进行操作。通过寻找相似宝贝或者是相似宝贝的历史记录,找出的潜在需求进行宝贝需求优先级排列,择优选取,不断的数据积累生成更全面的模型。
一种数据推荐方法,包括:获取用户的身份标识;获取用户上级记录;将所述用户上级记录输入预先训练得到的潜在需求生成模型,输出行为主体的潜在需求预测结果;其中,将用户上级记录输入预先训练得到的潜在需求生成模型的步骤中包括根据潜在需求生成模型,包括步骤如下:接收相对分析指令,将标签划分相对区域,所述相对区域以间隔标签值范围大小为判断标准,当所述用户上级记录满足相对区域,确定所述行为主体,在样本库中匹配到相同行为主体的下级记录。
具体地,在没有匹配的历史数据的情况下,店铺需要采用相对分析的方式,设置相对区域,并调动近似的相对区域,对根据上新宝贝的相似宝贝及相似宝贝历史记录等形成的item_recommend样本库寻找匹配的行为主体,根据item_recommend样本库中的下级记录进行数据分析,推荐至客户端。
优选地,所述潜在需求生成模型步骤之前,还包括步骤如下:接收多个用户历史记录,所述多个用户历史记录分别对应多个用户;接收标签指令,根据所述多个用户历史记录进行筛选,导出类型参数;接收计算中间数据指令。
优选地,所述潜在需求生成模型之后,方法还包括:接收逐个用户分析指令,输出行为主体的潜在需求预测结果,用于数据推荐的业务场景。
优选地,接收标签指令,根据多个用户历史记录进行筛选,导出类型参数,包括:
S2021,根据预设的信息设置标签;
S2022,根据标签对所述多个用户历史记录进行标签设置;
S2023,筛选所述多个用户历史记录后生成所述类型参数;
S2024,存储所述类型参数;
S2025,读取所述类型参数。
优选地,在接收标签指令,根据多个用户历史记录进行筛选,导出类型参数之后,还包括:接收会员流转指令,对用户进行分组,其中,所述用户被分为处女购用户、活跃用户、沉睡用户。
优选地,接收计算中间数据指令的步骤中包括:接收设置标签权重指令;根据标签在用户历史记录中的各自占比,进行数据耦合,得到用户历史记录中的类型参数;根据用户历史记录中的类型参数,确定用户历史记录对应的行为主体:从多个用户历史记录中,获取属于同一行为主体的历史记录作为参照信息,并根据类型参数确定用于优化对应行为主体的下级记录;根据类型参数确定用于优化对应行为主体的下级记录形成样本库。
具体地,设置相对区域,每一次数据迭代逐步缩小相对区域范围,相对区域范围的设定会针对各类标签,当用户上级记录满足相对区域的范围时,检索出来的数据为多维度推测后的合理数据,逐步缩小相对区域后,推荐出来的多个宝贝会存在优先级,各宝贝对推荐的影响因子就会存在优先级,那么符合用户潜在需求的数据精确度就会更高。
优选地,根据类型参数确定用于优化对应行为主体的历史记录,包括:按照预设的数据筛选算法,从参照信息中去掉不可信数据;根据参照信息中的不可信数据之外的可信数据,分析得到行为主体中的下级记录。
优选地,接收设置标签权重指令,包括:按照预设的信息调整条件,对标签设置权重值。
实施例三
本发明实施例中提供了一种数据推荐方法,以双11阶梯营销为例,***结合双11的预热会场排名需要,可以通过按天百分比分配营销人数,使预热加购收***数呈现递增或递减或其他波形的趋势,更好的达到双11预热目的性。
根据往年大数据统计可知,11月11日当天为爆发日,11月10日为巩固日,预热期为11月01日-11月10日,小高潮为11月01日开始后的第一个周末,11月01日预热期之前的最近一个周末为前置日。
在整个大热的营销时段中,数据推荐需要根据店铺的设定对用户的历史记录进行数据分析,并且将合适的物品推荐给相应的用户,在满足用户的基础上又对店铺整体的销售业绩进行强优化,不再单单对“爆款”进行大批量推荐,而是针对客户需求精准实现推荐,结合历史数据,对客户的推荐时间、推荐宝贝、推荐方式、消费行为等进行预测,以达到店铺销售最优的状态。
一种数据推荐方法,包括:获取用户的身份标识;获取用户上级记录;将所述用户上级记录输入预先训练得到的潜在需求生成模型,输出行为主体的潜在需求预测结果;其中,将用户上级记录输入预先训练得到的潜在需求生成模型的步骤中包括根据潜在需求生成模型,包括步骤如下至少之一:接收定区分析指令,将标签划分为定区区域,所述定区区域以限定的标签值范围为判断依据,当所述用户上级记录属于标签划分中的其中一种区域时,确定所述行为主体,在样本库中匹配到相同行为主体的下级记录;接收相对分析指令,将标签划分相对区域,所述相对区域以间隔标签值范围大小为判断标准,当所述用户上级记录满足相对区域,确定所述行为主体,在样本库中匹配到相同行为主体的下级记录。
优选地,所述潜在需求生成模型步骤之前,还包括步骤如下:接收多个用户历史记录,所述多个用户历史记录分别对应多个用户;接收标签指令,根据所述多个用户历史记录进行筛选,导出类型参数;接收计算中间数据指令。
优选地,所述潜在需求生成模型之后,方法还包括:接收逐个用户分析指令,输出行为主体的潜在需求预测结果,用于数据推荐的业务场景。
优选地,接收标签指令,根据多个用户历史记录进行筛选,导出类型参数,包括:
S2021,根据预设的信息设置标签;
S2022,根据标签对所述多个用户历史记录进行标签设置;
S2023,筛选所述多个用户历史记录后生成所述类型参数;
S2024,存储所述类型参数;
S2025,读取所述类型参数。
优选地,在接收标签指令,根据多个用户历史记录进行筛选,导出类型参数之后,还包括:接收会员流转指令,对用户进行分组,其中,所述用户被分为处女购用户、活跃用户、沉睡用户。
优选地,接收计算中间数据指令的步骤中包括:接收设置标签权重指令;根据标签在用户历史记录中的各自占比,进行数据耦合,得到用户历史记录中的类型参数;根据用户历史记录中的类型参数,确定用户历史记录对应的行为主体:从多个用户历史记录中,获取属于同一行为主体的历史记录作为参照信息,并根据类型参数确定用于优化对应行为主体的下级记录;根据类型参数确定用于优化对应行为主体的下级记录形成样本库。
优选地,根据类型参数确定用于优化对应行为主体的历史记录,包括:按照预设的数据筛选算法,从参照信息中去掉不可信数据;根据参照信息中的不可信数据之外的可信数据,分析得到行为主体中的下级记录。
具体地,以推荐宝贝的推荐时间为例,对相应的客户进行历史数据的读取,针对用户习惯进行分析,推荐时间上有些用户喜欢上班途中7-9点/上班午休13-14点/下班路上18-20点/睡觉前22-23点的时间下单购买,以时间为主标签对用户历史下单时间进行数据分析,相同的单一行为主体生成类型参数后,将需要预测的用户数据导入,预测最优潜在推荐时间,推荐根据最优潜在推荐时间进行设定推荐最优潜在推荐宝贝。
优选地,接收设置标签权重指令,包括:按照预设的信息调整条件,对标签设置权重值。
发明实施例还提供一种计算机设备,用以解决针对用户潜在需求被淹没导致大数据预测结果不准确的的技术问题,该计算机设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现上述数据推荐方法。
本发明实施例还提供一种计算机可读存储介质,用以解决针对用户潜在需求被淹没导致大数据预测结果不准确的的技术问题,该计算机可读存储介质存储有执行上述数据推荐方法的计算机程序。
本领域内的技术人员应明白,本发明的实施例可提供为方法、***、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种数据推荐方法,其特征在于,包括:
S101,获取用户的身份标识;
S102,获取用户上级记录;
S103,将所述用户上级记录输入预先训练得到的潜在需求生成模型,输出行为主体的潜在需求预测结果;
其中,将所述用户上级记录输入预先训练得到的潜在需求生成模型的步骤中包括:S204,根据所述潜在需求生成所述模型,包括步骤如下至少之一:
接收定区分析指令,将标签划分为定区区域,所述定区区域以限定的标签值范围为判断依据,当所述用户上级记录属于标签划分中的其中一种区域时,确定所述行为主体,在样本库中匹配到相同行为主体的下级记录;
接收相对分析指令,将标签划分相对区域,所述相对区域以间隔标签值范围大小为判断标准,当所述用户上级记录满足相对区域,确定所述行为主体,在样本库中匹配到相同行为主体的下级记录。
2.根据权利要求1所述的一种数据推荐方法,其特征在于,在根据所述潜在需求生成模型步骤之前,还包括步骤如下:
S201,接收多个用户历史记录,所述多个用户历史记录分别对应多个用户;
S202,接收标签指令,根据所述多个用户历史记录进行筛选,导出类型参数;
S203,接收计算中间数据指令。
3.根据权利要求1或2所述的一种数据推荐方法,其特征在于,在根据所述潜在需求生成所述模型之后,所述方法还包括:S205,接收逐个用户分析指令,输出所述行为主体的潜在需求预测结果,用于数据推荐的业务场景。
4.根据权利要求2所述的一种数据推荐方法,其特征在于,接收标签指令,根据所述多个用户历史记录进行筛选,导出类型参数,包括:
S2021,根据预设的信息设置标签;
S2022,根据标签对所述多个用户历史记录进行标签设置;
S2023,筛选所述多个用户历史记录后生成所述类型参数;
S2024,存储所述类型参数;
S2025,读取所述类型参数。
5.根据权利要求2所述的一种数据推荐方法,其特征在于,在接收标签指令,根据所述多个用户历史记录进行筛选,导出类型参数之后,还包括:接收会员流转指令,对所述用户进行分组,其中所述用户被分为处女购用户、活跃用户、沉睡用户。
6.根据权利要求2所述的一种数据推荐方法,其特征在于,接收计算中间数据指令的步骤中包括:
接收设置标签权重指令;
根据所述标签在用户历史记录中的各自占比,进行数据耦合,得到用户历史记录中的类型参数;
根据所述用户历史记录中的所述类型参数,确定所述用户历史记录对应的行为主体:
从所述多个用户历史记录中,获取属于同一行为主体的历史记录作为参照信息,并根据所述类型参数确定用于优化对应行为主体的所述下级记录;
根据所述类型参数确定用于优化对应行为主体的所述下级记录形成样本库。
7.根据权利要求6所述的一种数据推荐方法,其特征在于,根据所述类型参数确定用于优化对应行为主体的所述历史记录,包括:
按照预设的数据筛选算法,从所述参照信息中去掉不可信数据;
根据所述参照信息中的不可信数据之外的可信数据,分析得到所述行为主体中的下级记录。
8.根据权利要求7所述的一种数据推荐方法,接收设置标签权重指令,包括:
按照预设的信息调整条件,对所述标签设置权重值。
9.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至8任一所述的数据推荐方法。
10.一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执行权利要求1至8任一所述的数据推荐方法的计算机程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911172534.1A CN111127074B (zh) | 2019-11-26 | 2019-11-26 | 一种数据推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911172534.1A CN111127074B (zh) | 2019-11-26 | 2019-11-26 | 一种数据推荐方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111127074A true CN111127074A (zh) | 2020-05-08 |
CN111127074B CN111127074B (zh) | 2023-04-25 |
Family
ID=70496691
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911172534.1A Active CN111127074B (zh) | 2019-11-26 | 2019-11-26 | 一种数据推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111127074B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112227007A (zh) * | 2020-09-18 | 2021-01-15 | 张国政 | 一种洗衣机购买衣物处理剂的控制方法 |
CN112435111A (zh) * | 2020-12-30 | 2021-03-02 | 广东金赋科技股份有限公司 | 一种基于大厅与用户数据的税务大厅导办方法及装置 |
CN113378122A (zh) * | 2021-08-02 | 2021-09-10 | 成都联帮医疗科技股份有限公司 | 一种基于SaaS服务云平台的数据处理***及方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016203652A1 (ja) * | 2015-06-19 | 2016-12-22 | 株式会社Ubic | データ分析に係るシステム、制御方法、制御プログラム、および、その記録媒体 |
CN107203899A (zh) * | 2017-05-03 | 2017-09-26 | 北京小米移动软件有限公司 | 信息推送方法及设备 |
CN107844548A (zh) * | 2017-10-30 | 2018-03-27 | 北京锐安科技有限公司 | 一种数据标签方法和装置 |
US20180330248A1 (en) * | 2017-05-12 | 2018-11-15 | Adobe Systems Incorporated | Context-aware recommendation system for analysts |
US20190079977A1 (en) * | 2016-05-12 | 2019-03-14 | Alibaba Group Holding Limited | Method for determining user behavior preference, and method and device for presenting recommendation information |
WO2019153518A1 (zh) * | 2018-02-08 | 2019-08-15 | 平安科技(深圳)有限公司 | 信息推送方法、装置、计算机设备及存储介质 |
CN110222272A (zh) * | 2019-04-18 | 2019-09-10 | 广东工业大学 | 一种潜在客户挖掘与推荐方法 |
WO2019174395A1 (zh) * | 2018-03-13 | 2019-09-19 | 阿里巴巴集团控股有限公司 | 一种信息推荐的方法、装置及设备 |
WO2019192261A1 (zh) * | 2018-04-02 | 2019-10-10 | 阿里巴巴集团控股有限公司 | 一种支付方式推荐方法、装置及设备 |
-
2019
- 2019-11-26 CN CN201911172534.1A patent/CN111127074B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016203652A1 (ja) * | 2015-06-19 | 2016-12-22 | 株式会社Ubic | データ分析に係るシステム、制御方法、制御プログラム、および、その記録媒体 |
US20190079977A1 (en) * | 2016-05-12 | 2019-03-14 | Alibaba Group Holding Limited | Method for determining user behavior preference, and method and device for presenting recommendation information |
CN107203899A (zh) * | 2017-05-03 | 2017-09-26 | 北京小米移动软件有限公司 | 信息推送方法及设备 |
US20180330248A1 (en) * | 2017-05-12 | 2018-11-15 | Adobe Systems Incorporated | Context-aware recommendation system for analysts |
CN107844548A (zh) * | 2017-10-30 | 2018-03-27 | 北京锐安科技有限公司 | 一种数据标签方法和装置 |
WO2019153518A1 (zh) * | 2018-02-08 | 2019-08-15 | 平安科技(深圳)有限公司 | 信息推送方法、装置、计算机设备及存储介质 |
WO2019174395A1 (zh) * | 2018-03-13 | 2019-09-19 | 阿里巴巴集团控股有限公司 | 一种信息推荐的方法、装置及设备 |
WO2019192261A1 (zh) * | 2018-04-02 | 2019-10-10 | 阿里巴巴集团控股有限公司 | 一种支付方式推荐方法、装置及设备 |
CN110222272A (zh) * | 2019-04-18 | 2019-09-10 | 广东工业大学 | 一种潜在客户挖掘与推荐方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112227007A (zh) * | 2020-09-18 | 2021-01-15 | 张国政 | 一种洗衣机购买衣物处理剂的控制方法 |
CN112227007B (zh) * | 2020-09-18 | 2023-08-25 | 张国政 | 一种洗衣机购买衣物处理剂的控制方法 |
CN112435111A (zh) * | 2020-12-30 | 2021-03-02 | 广东金赋科技股份有限公司 | 一种基于大厅与用户数据的税务大厅导办方法及装置 |
CN112435111B (zh) * | 2020-12-30 | 2023-12-19 | 广东金赋科技股份有限公司 | 一种基于大厅与用户数据的税务大厅导办方法及装置 |
CN113378122A (zh) * | 2021-08-02 | 2021-09-10 | 成都联帮医疗科技股份有限公司 | 一种基于SaaS服务云平台的数据处理***及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111127074B (zh) | 2023-04-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Beladev et al. | Recommender systems for product bundling | |
JP7105700B2 (ja) | サービス対象のための時分割推薦方法及び装置 | |
US11769194B2 (en) | Method and system for presenting items in online environment based on previous item selections | |
KR20140056731A (ko) | 구매추천 시스템 및 방법 | |
CN102282551A (zh) | 娱乐入场券定价的自动决策支持 | |
CN111127074A (zh) | 一种数据推荐方法 | |
US20220180392A1 (en) | Predictive recommendation system using tiered feature data | |
US11810151B2 (en) | Predictive recommendation system using tiered feature data | |
KR20150138310A (ko) | 디지털 영수증 경제 | |
CN110689402A (zh) | 推荐商家的方法、装置、电子设备及可读存储介质 | |
JP2021099718A (ja) | 情報処理装置およびプログラム | |
Wei et al. | Online shopping behavior analysis for smart business using big data analytics and blockchain security | |
Koniew | Classification of the User's Intent Detection in Ecommerce systems-Survey and Recommendations. | |
CA3059904A1 (en) | Method and system for generating aspects associated with a future event for a subject | |
Leimstoll et al. | Collaborative recommender systems for online shops | |
Rehman et al. | Structured critical review on market basket analysis using deep learning & association rules | |
WO2021192232A1 (ja) | 商品推薦システム、商品推薦装置、商品推薦方法、及び、商品推薦プログラムが格納された記録媒体 | |
CN114663135A (zh) | 一种信息发送方法、装置、设备和可读介质 | |
WO2021077227A1 (en) | Method and system for generating aspects associated with a future event for a subject | |
Onokoy et al. | Modern approaches to building recommender systems for online stores | |
Moula et al. | Customer type discovery in hotel revenue management: a data mining approach | |
US11869063B2 (en) | Optimize shopping route using purchase embeddings | |
US11922476B2 (en) | Generating recommendations based on descriptors in a multi-dimensional search space | |
US12020124B2 (en) | Selecting optimum primary and secondary parameters to calibrate and generate an unbiased forecasting model | |
US20210216907A1 (en) | Selecting optimum primary and secondary parameters to calibrate and generate an unbiased forecasting model |
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 |