CN111429214A - 一种基于交易数据的买卖双方匹配方法及装置 - Google Patents
一种基于交易数据的买卖双方匹配方法及装置 Download PDFInfo
- Publication number
- CN111429214A CN111429214A CN202010176321.2A CN202010176321A CN111429214A CN 111429214 A CN111429214 A CN 111429214A CN 202010176321 A CN202010176321 A CN 202010176321A CN 111429214 A CN111429214 A CN 111429214A
- Authority
- CN
- China
- Prior art keywords
- user
- transaction
- buyer
- seller
- information
- 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
- 230000002194 synthesizing effect Effects 0.000 claims abstract description 22
- 230000006399 behavior Effects 0.000 claims description 65
- 238000004422 calculation algorithm Methods 0.000 claims description 21
- 238000013480 data collection Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 9
- 238000010801 machine learning Methods 0.000 claims description 7
- 238000005065 mining Methods 0.000 claims description 5
- 238000003058 natural language processing Methods 0.000 claims description 5
- 230000015572 biosynthetic process Effects 0.000 claims description 4
- 238000003786 synthesis reaction Methods 0.000 claims description 4
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000002372 labelling Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 3
- 230000003542 behavioural effect Effects 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0605—Supply or demand aggregation
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/16—Real estate
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Business, Economics & Management (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提供一种基于交易数据的买卖双方匹配方法及装置，该方法包括：根据未成交买方用户的信息获取未成交买方用户标签，根据未成交卖方用户的信息获取未成交卖方用户标签；并根据标签类型合成为未成交买卖双方用户标签；根据标签类型，将未成交买卖双方用户标签与交易匹配数据库中已成交买卖双方用户标签进行匹配；若存在预设比例与未成交买卖双方用户标签相匹配已成交买卖双方用户标签，则未成交买方用户和未成交卖方用户相匹配。本发明实施例提供的基于交易数据的买卖双方匹配方法及装置，可以实现未成交买方用户和未成交卖方用户的自动化匹配，由此可以为买方和买方提供更有针对性的信息，从而有助于提高成交效率。
Description
技术领域
本发明涉及数据处理技术领域，具体涉及一种基于交易数据的买卖双方匹配方法及装置。
背景技术
房地产中介服务机构在房产交易的过程中起到了很重要的作用，特别是很多的二手房交易均通过房地产中介服务机构完成。现如今，大型的房地产中介服务机构均发布有相关的APP以供用户使用。比如买方在APP中查看在售房源详情信息，找到意向房源后联系经纪人看房，通过不断地浏览在售房源信息，最终成交到意向房源，这个过程通常是很漫长的。而房源业主也只能被动等待有意向的客户看房。
房地产中介服务机构在多年的中介服务过程中，积累了大量的房产交易数据，如何有效利用这些房产交易数据对买卖双方进行匹配，从而促进二手房买卖的成交效率成为亟需解决的问题。
发明内容
为解决现有技术中的问题，本发明实施例提供一种基于交易数据的买卖双方匹配方法及装置。
第一方面，本发明实施例提供一种基于交易数据的买卖双方匹配方法，包括：获取未成交买方用户的信息和未成交卖方用户的信息，并根据所述未成交买方用户的信息获取未成交买方用户标签，根据所述未成交卖方用户的信息获取未成交卖方用户标签；将所述未成交买方用户标签和所述未成交卖方用户标签根据标签类型合成为未成交买卖双方用户标签；根据所述标签类型，将所述未成交买卖双方用户标签与预先建立的交易匹配数据库中的已成交买卖双方用户标签进行匹配；若存在预设比例的与所述未成交买卖双方用户标签相匹配的所述已成交买卖双方用户标签，则所述未成交买方用户和所述未成交卖方用户相匹配。
进一步地，所述根据所述未成交买方用户的信息获取未成交买方用户标签，根据所述未成交卖方用户的信息获取未成交卖方用户标签，具体包括：根据所述未成交买方用户的信息，通过构建用户画像获取所述未成交买方用户标签；根据所述未成交卖方用户的信息，通过构建用户画像获取所述未成交卖方用户标签。
进一步地，所述方法还包括构建所述交易匹配数据库，所述构建所述交易匹配数据库，包括：获取已成交买方用户的信息，根据所述已成交买方用户的信息通过构建用户画像获取已成交买方用户标签；获取已成交卖方用户的信息，根据所述已成交卖方用户的信息通过构建用户画像获取已成交卖方用户标签；将所述已成交买方用户标签和所述已成交卖方用户标签根据所述标签类型合成为已成交买卖双方用户标签；根据所述已成交买卖双方用户标签构建所述交易匹配数据库。
进一步地，所述方法还包括构建所述交易匹配数据库，所述构建所述交易匹配数据库，包括：获取已成交买方用户的信息，根据所述已成交买方用户的信息通过构建用户画像获取已成交买方用户标签；获取已成交卖方用户的信息，根据所述已成交卖方用户的信息通过构建用户画像获取已成交卖方用户标签；获取所述已成交买方用户标签及所述已成交卖方用户标签的用户标签权重，根据所述用户标签权重对所述已成交买方用户和所述已成交卖方用户进行用户类型划分；将所述用户类型相同的所述已成交买方用户和所述已成交卖方用户对应的所述已成交买方用户标签和所述已成交卖方用户标签根据所述标签类型合成为已成交买卖双方用户标签；根据所述已成交买卖双方用户标签构建所述交易匹配数据库。
进一步地，所述用户标签权重与行为类型权重、时间衰减、TF-IDF标签权重及行为次数有关。
进一步地，所述构建用户画像包括：根据相应用户的信息进行预设数据的收集，得到数据收集结果；根据所述数据收集结果通过预设模型进行行为建模，进而抽象出用户标签，从而得到相应的所述用户画像。
进一步地，所述预设数据包括网络行为数据、服务内行为数据、用户内容偏好数据及用户交易数据中的至少一种；所述预设模型包括交易需求模型、用户忠诚度模型、用户价值模型、消费能力模型、违约概率模型及流失概率模型中的至少一种；所述行为建模的方法包括文本挖掘、自然语言处理、机器学习、预测算法及聚类算法中的至少一种；所述用户标签包括基本属性信息、购买能力信息、行为特征信息、兴趣爱好信息、心理特征信息及社交网络信息中的至少一种。
第二方面，本发明实施例提供一种基于交易数据的买卖双方匹配装置，包括：未成交用户标签获取模块，用于：获取未成交买方用户的信息和未成交卖方用户的信息，并根据所述未成交买方用户的信息获取未成交买方用户标签，根据所述未成交卖方用户的信息获取未成交卖方用户标签；未成交用户标签合成模块，用于：将所述未成交买方用户标签和所述未成交卖方用户标签根据标签类型合成为未成交买卖双方用户标签；匹配模块，用于：根据所述标签类型，将所述未成交买卖双方用户标签与预先建立的交易匹配数据库中的已成交买卖双方用户标签进行匹配；若存在预设比例的与所述未成交买卖双方用户标签相匹配的所述已成交买卖双方用户标签，则所述未成交买方用户和所述未成交卖方用户相匹配。
第三方面，本发明实施例提供一种电子设备，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，所述处理器执行所述计算机程序时实现如第一方面所提供的方法的步骤。
第四方面，本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面所提供的方法的步骤。
本发明实施例提供的基于交易数据的买卖双方匹配方法及装置，通过将未成交买卖双方用户标签与预先建立的交易匹配数据库中的已成交买卖双方用户标签进行匹配，并在存在预设比例与未成交买卖双方用户标签相匹配的已成交买卖双方用户标签时，确定未成交买方用户和未成交卖方用户相匹配，可以实现未成交买方用户和未成交卖方用户的自动化匹配，由此可以为买方和买方提供更有针对性的信息，从而有助于提高成交效率。
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。
图1是本发明一实施例提供的基于交易数据的买卖双方匹配方法流程图；
图2是本发明一实施例提供的基于交易数据的买卖双方匹配方法用户标签的标记示意图；
图3是本发明一实施例提供的基于交易数据的买卖双方匹配装置的结构示意图；
图4是本发明一实施例提供的电子设备的实体结构示意图。
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、完整的描述，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，本领域普通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是本发明一实施例提供的基于交易数据的买卖双方匹配方法流程图。如图1所示，所述方法包括：
步骤101、获取未成交买方用户的信息和未成交卖方用户的信息，并根据所述未成交买方用户的信息获取未成交买方用户标签，根据所述未成交卖方用户的信息获取未成交卖方用户标签。
可以基于线上及线下的采集信息获取未成交买方用户的信息和未成交卖方用户的信息，并根据所述未成交买方用户的信息获取未成交买方用户标签，根据所述未成交卖方用户的信息获取未成交卖方用户标签。其中，未成交买方用户标签用于表征未成交买方用户的特征，未成交卖方用户标签可以用于表征未成交卖方用户的特征。未成交买方用户标签和未成交卖方用户标签的标签类型可以预先设定。未成交买方用户标签和未成交卖方用户标签一般均为多个。
步骤102、将所述未成交买方用户标签和所述未成交卖方用户标签根据标签类型合成为未成交买卖双方用户标签。
将所述未成交买方用户标签和所述未成交卖方用户标签根据标签类型合成为未成交买卖双方用户标签，即将未成交买方用户标签和未成交卖方用户标签的信息进行整合。在将所述未成交买方用户标签和所述未成交卖方用户标签根据标签类型合成为未成交买卖双方用户标签时，可以将未成交卖方用户标签置于未成交买方用户标签后或将未成交买方用户标签置于未成交卖方用户标签后进行合成。需要将哪些所述未成交买方用户标签和所述未成交卖方用户标签根据标签类型合成为未成交买卖双方用户标签可以进行设定。不用于合成为未成交买卖双方用户标签的未成交买方用户标签和未成交卖方用户标签可以生成或不生成。可以理解的，还可采用其他的合成未成交买卖双方用户标签的方式。
步骤103、根据所述标签类型，将所述未成交买卖双方用户标签与预先建立的交易匹配数据库中的已成交买卖双方用户标签进行匹配；若存在预设比例的与所述未成交买卖双方用户标签相匹配的所述已成交买卖双方用户标签，则所述未成交买方用户和所述未成交卖方用户相匹配。
标签类型相同才具有匹配成功的可能性，因此，根据所述标签类型，将所述未成交买卖双方用户标签与预先建立的交易匹配数据库中的已成交买卖双方用户标签进行匹配。也即，将相同类型的未成交买卖双方用户标签与预先建立的交易匹配数据库中的已成交买卖双方用户标签进行匹配。交易匹配数据库中的已成交买卖双方用户标签是由已成交买方用户的已成交买方用户标签和已成交卖方用户的已成交卖方用户标签合成而得。已成交买卖双方用户标签对应的已成交买方用户和已成交卖方用户是真实的成交买卖方。
若存在预设比例的与所述未成交买卖双方用户标签相匹配的所述已成交买卖双方用户标签，则所述未成交买方用户和所述未成交卖方用户相匹配。由于已成交买卖双方用户标签是根据真实成交信息得到的，因此，若将所述未成交买卖双方用户标签与预先建立的交易匹配数据库中的已成交买卖双方用户标签进行匹配能够匹配成功(存在预设比例的与所述未成交买卖双方用户标签相匹配的所述已成交买卖双方用户标签)，则说明进行匹配的未成交买卖双方用户标签对应的所述未成交买方用户和所述未成交卖方用户相匹配。
未成交买方用户标签、未成交卖方用户标签、未成交买卖双方用户标签、已成交买方用户标签、已成交卖方用户标签和已成交买卖双方用户标签均可用字符串表示。因此，将所述未成交买卖双方用户标签与预先建立的交易匹配数据库中的已成交买卖双方用户标签进行匹配可以利用字符串的匹配方法实现，如通过BF算法(Brute Force，暴力算法)实现。BF算法就是遍历目标字符串(本实施例中指未成交买卖双方用户标签)中的每一个字符与模式字符串(本实施例中指已成交买卖双方用户标签)中的字符进行逐一比较，不相同的时候保持目标字符串的索引不变模式字符串的索引加1，再进行逐个字符的比较。
在进行匹配时，将所述未成交买卖双方用户标签与预先建立的交易匹配数据库中的已成交买卖双方用户标签进行匹配，若存在预设比例的与所述未成交买卖双方用户标签相匹配的所述已成交买卖双方用户标签，则所述未成交买方用户和所述未成交卖方用户相匹配。
本发明实施例通过将未成交买卖双方用户标签与预先建立的交易匹配数据库中的已成交买卖双方用户标签进行匹配，并在存在预设比例与未成交买卖双方用户标签相匹配的已成交买卖双方用户标签时，确定未成交买方用户和未成交卖方用户相匹配，可以实现未成交买方用户和未成交卖方用户的自动化匹配，由此可以为买方和买方提供更有针对性的信息，从而有助于提高成交效率。
进一步地，基于上述实施例，所述根据所述未成交买方用户的信息获取未成交买方用户标签，根据所述未成交卖方用户的信息获取未成交卖方用户标签，具体包括：根据所述未成交买方用户的信息，通过构建用户画像获取所述未成交买方用户标签；根据所述未成交卖方用户的信息，通过构建用户画像获取所述未成交卖方用户标签。
“用户画像”就是根据用户属性及行为偏好特征等为其打上不同的标签，主要包含基本属性、社会属性和行为属性，如性别、年龄层次、地域、兴趣爱好等。通过“用户画像”可以让原本冷冰冰的数据形成形象生动、全面多维的用户形象。在根据所述未成交买方用户的信息获取未成交买方用户标签，根据所述未成交卖方用户的信息获取未成交卖方用户标签时，根据所述未成交买方用户的信息，通过构建用户画像获取所述未成交买方用户标签；根据所述未成交卖方用户的信息，通过构建用户画像获取所述未成交卖方用户标签。
在上述实施例的基础上，本发明实施例通过根据未成交买方用户的信息，通过构建用户画像获取未成交买方用户标签，根据未成交卖方用户的信息，通过构建用户画像获取未成交卖方用户标签，提高了未成交买方用户标签和未成交卖方用户标签的获取效率。
进一步地，基于上述实施例，所述方法还包括构建所述交易匹配数据库，所述构建所述交易匹配数据库，包括：获取已成交买方用户的信息，根据所述已成交买方用户的信息通过构建用户画像获取已成交买方用户标签；获取已成交卖方用户的信息，根据所述已成交卖方用户的信息通过构建用户画像获取已成交卖方用户标签；将所述已成交买方用户标签和所述已成交卖方用户标签根据所述标签类型合成为已成交买卖双方用户标签；根据所述已成交买卖双方用户标签构建所述交易匹配数据库。
根据历史成交信息，对买卖双方分别构建用户画像，对海量成交数据中成交双方的用户特征进行统计。找出隐含在交易双方中存在的潜在特征信息，为接下来的交易提供数据支持。具体地，通过生成已成交买卖双方用户标签，并利用已成交买卖双方用户标签构建交易匹配数据库以将根据待匹配买卖双方的信息生成的未成交买卖双方用户标签与已成交买卖双方用户标签进行匹配。
在构建交易匹配数据库时，通过获取已成交买方用户的信息，根据所述已成交买方用户的信息通过构建用户画像获取已成交买方用户标签；获取已成交卖方用户的信息，根据所述已成交卖方用户的信息通过构建用户画像获取已成交卖方用户标签；将所述已成交买方用户标签和所述已成交卖方用户标签根据所述标签类型合成为已成交买卖双方用户标签；根据所述已成交买卖双方用户标签构建所述交易匹配数据库。其中，在将所述已成交买方用户标签和所述已成交卖方用户标签根据所述标签类型合成为已成交买卖双方用户标签时，可以将已成交买方用户标签置于已成交卖方用户标签后面，或将已成交卖方用户标签置于已成交买方用户标签后面，但是，应与生成未成交买卖双方用户标签时的规则相同。
在上述实施例的基础上，本发明实施例通过为已成交买卖双方构建用户画像进而得到交易匹配数据库，提高了交易匹配数据库的生成效率，为后续买卖双方的匹配提供基础。
进一步地，基于上述实施例，所述方法还包括构建所述交易匹配数据库，所述构建所述交易匹配数据库，包括：获取已成交买方用户的信息，根据所述已成交买方用户的信息通过构建用户画像获取已成交买方用户标签；获取已成交卖方用户的信息，根据所述已成交卖方用户的信息通过构建用户画像获取已成交卖方用户标签；获取所述已成交买方用户标签及所述已成交卖方用户标签的用户标签权重，根据所述用户标签权重对所述已成交买方用户和所述已成交卖方用户进行用户类型划分；将所述用户类型相同的所述已成交买方用户和所述已成交卖方用户对应的所述已成交买方用户标签和所述已成交卖方用户标签根据所述标签类型合成为已成交买卖双方用户标签；根据所述已成交买卖双方用户标签构建所述交易匹配数据库。
本发明实施例中是将未成交买卖双方用户标签与预先建立的交易匹配数据库中的已成交买卖双方用户标签进行匹配，从而进行买卖双方用户的匹配。如果已成交买方和已成交卖房的匹配性更高，则通过将未成交买卖双方用户标签与预先建立的交易匹配数据库中的已成交买卖双方用户标签进行匹配得到的买卖双方是否匹配的结果则准确性更高。
已成交买卖双方用户标签是由已成交买方用户标签和已成交卖方用户标签合成而得。根据已成交买方用户的信息构建的用户画像以及根据已成交卖方用户的信息构建的用户画像均包括多个用户标签，这些标签具有不同的权重，不同用户标签权重的高低体现出用户不同的特点。因此，可以根据用户标签的权重的高低对已成交买方和卖方进行用户类型划分，相同用户类型的买方和卖方用于匹配的参考性更高。
因此，在构建所述交易匹配数据库时，通过：获取已成交买方用户的信息，根据所述已成交买方用户的信息通过构建用户画像获取已成交买方用户标签；获取已成交卖方用户的信息，根据所述已成交卖方用户的信息通过构建用户画像获取已成交卖方用户标签；获取所述已成交买方用户标签及所述已成交卖方用户标签的用户标签权重，根据所述用户标签权重对所述已成交买方用户和所述已成交卖方用户进行用户类型划分；将所述用户类型相同的所述已成交买方用户和所述已成交卖方用户对应的所述已成交买方用户标签和所述已成交卖方用户标签根据所述标签类型合成为已成交买卖双方用户标签；根据所述已成交买卖双方用户标签构建所述交易匹配数据库。
在上述实施例的基础上，本发明实施例通过根据用户标签权重对已成交买方用户和已成交卖方用户进行用户类型划分，将用户类型相同的已成交买方用户和已成交卖方用户对应的已成交买方用户标签和已成交卖方用户标签根据标签类型合成为已成交买卖双方用户标签，提高了匹配的准确性。
进一步地，基于上述实施例，所述用户标签权重与行为类型权重、时间衰减、TF-IDF标签权重及行为次数有关。
用户画像：即用户信息标签化，通过收集用户社会属性、消费习惯、偏好特征等各个维度数据，进而对用户或者产品特征属性的刻画，并对这些特征分析统计挖掘潜在价值信息，从而抽象出一个用户的信息全貌，从而可以对买卖双方进行交易可信性匹配。
可以基于TF-IDF算法的获取用户标签权重并进行归类。TF-IDF算法的思想是一个词语的重要性随着它在该文章出现的次数成正比，随着它在文档集中出现的次数成反比。
标签和用户之间的关系将会在一定程度上反映出标签之间的关系。若用w(P,T)表示一个标签T被用于标记用户P的次数，TF(P,T)表示这个标记次数在用户P所有标签中所占的比重，则二者的关系是：
其中，Ti表示用户全部标签中的第i个标签，W(P,T)表示打在某用户身上某个标签的个数，∑W(P,Ti)表示该用户身上全部标签的个数。
图2是本发明一实施例提供的基于交易数据的买卖双方匹配方法用户标签的标记示意图，如图2所示，有三个用户(用户1、用户2和用户3)和四个标签(标签A、标签B、标签C和标签D)，用户1身上打了标签A 5个，标签B 2个，标签C1个，用户1身上的A标签TF＝5/(5+2+1)。
为进一步提高用户标签权重计算的精确性，利用IDF(P,T)表示标签T在全部标签中的稀缺程度，即这个标签的出现几率。如果一个标签T出现几率很小，并且同时被用于标记某用户，这就使得该用户与该标签T之间的关系更加紧密。
其中，∑∑W(Pi,Ti)表示全部用户的全部标签之和，∑W(Pi,T)表示所有打T标签的用户之和。
然后，可以根据TF*IDF即可得到该用户标签的权重值。这个权重值成为TF-IDF标签权重。
由于此时的用户标签的权重计算中，是不考虑业务场景，仅考虑用户与标签之间的关系，显然是不够的。为提高用户标签计算的精确性，还需要考虑到该标签所处的业务场景、发生的时间距今多久、用户产生该标签的行为次数等等因素。用户标签权重的计算可以如下：
用户标签权重＝行为类型权重*时间衰减*TF-IDF标签权重*行为次数；
其中，用户浏览、搜索、收藏、下单、购买等不同行为对用户而言有着不同的重要性，不同行为的权重也不相同，因此，设置行为类型权重计算用户标签权重。有些行为受时间影响，不断减弱，应乘上时间衰减函数，有些行为则不受时间影响；关于时间衰减的函数，根据发生时间的先后为用户行为数据分配权重。时间衰减是指用户的行为会随着时间的过去，历史行为和当前的相关性不断减弱，在建立与时间衰减相关的函数时，可套用牛顿冷却定律数学模型。TF-IDF计算得到每个用户身上的标签权重(TF-IDF标签权重)表示出标签对用户的重要程度，但是未考虑用户行为权重和时间因素。用户的行为次数也体现某个标签对某用户的重要性，因此，也作为计算用户标签权重的因素。
在上述实施例的基础上，本发明实施例通过根据行为类型权重、时间衰减、TF-IDF标签权重及行为次数计算用户标签权重，提高了用户标签权重的准确性。
进一步地，基于上述实施例，所述构建用户画像包括：根据相应用户的信息进行预设数据的收集，得到数据收集结果；根据所述数据收集结果通过预设模型进行行为建模，进而抽象出用户标签，从而得到相应的所述用户画像。
通过基础数据收集和行为建模得到用户画像。进行哪些基础数据的收集可以预先设定，即设定所述预设数据。因此，构建某个用户的用户画像的过程为：根据相应用户的信息进行预设数据的收集，得到数据收集结果；根据所述数据收集结果通过预设模型进行行为建模，进而抽象出用户标签，从而得到相应的所述用户画像。
在上述实施例的基础上，本发明实施例通过根据相应用户的信息进行预设数据的收集，得到数据收集结果，根据数据收集结果通过预设模型进行行为建模，进而抽象出用户标签，从而得到相应的用户画像，提高了用户画像的准确性。
进一步地，基于上述实施例，所述预设数据包括网络行为数据、服务内行为数据、用户内容偏好数据及用户交易数据中的至少一种；所述预设模型包括交易需求模型、用户忠诚度模型、用户价值模型、消费能力模型、违约概率模型及流失概率模型中的至少一种；所述行为建模的方法包括文本挖掘、自然语言处理、机器学习、预测算法及聚类算法中的至少一种；所述用户标签包括基本属性信息、购买能力信息、行为特征信息、兴趣爱好信息、心理特征信息及社交网络信息中的至少一种。
所述预设数据包括网络行为数据、服务内行为数据、用户内容偏好数据及用户交易数据中的至少一种。其中，网络行为数据包括：活跃人数、房源详情浏览量、访问时长、激活率、外部触点、社交数据等；服务内行为数据包括：浏览路径、页面停留时间、访问深度、唯一页面浏览次数等；用户内容偏好数据：浏览/收藏内容、评论内容、互动内容、生活形态偏好等；用户交易数据(交易类服务)包括：贡献率、客单价、连带率、回头率、流失率等。
所述预设模型包括交易需求模型、用户忠诚度模型、用户价值模型、消费能力模型、违约概率模型及流失概率模型中的至少一种。所述行为建模的方法包括文本挖掘、自然语言处理、机器学习、预测算法及聚类算法中的至少一种。行为建模阶段是对数据收集阶段收集到的数据的处理，进行行为建模，以抽象出用户的标签。前面收集到的数据不会是100％准确的，都具有不确定性，因此需要在行为建模阶段再判断。这个阶段注重的应是大概率事件，通过数学算法模型尽可能排除用户的偶然行为。比如，利用机器学习算法时，通过机器学习对用户的行为、偏好进行猜测，类似一个y＝kx+b的算法，x代表已知信息，y代表用户偏好，通过不断地精确k和b来精确y。
在这个阶段，需要用到很多模型来给用户贴标签。比如：
交易需求模型：如根据用户对“房源”话题的关注或购买相关产品的情况来判断用户是否有房、是否准备买房；
用户忠诚度模型：通过判断+聚类算法判断用户的忠诚度；
用户价值模型：判断用户对于网站的价值，对于提高用户留存率非常有用(电商网站一般使用RFM实现)。还有消费能力模型、违约概率模型、流失概率模型等等诸多模型。
通过行为建模得到用户画像后，即抽象出用户标签，所述用户标签包括基本属性信息、购买能力信息、行为特征信息、兴趣爱好信息、心理特征信息及社交网络信息中的至少一种。
在上述实施例的基础上，本发明实施例通过设定预设数据、预设模型、行为建模的方法等的具体内容，提高了用户标签的准确性和全面性。
本发明实施例对于历史成交信息，通过数据挖掘、预测接下来的交易行为及趋势，做出前摄的、基于知识的决策。数据挖掘的目标是从数据库中发现隐含的、有意义的商机。对历史成交中买卖双方构建用户画像后，即用户信息标签化；标签化将买卖双方转换成标签字符串，这样就把买卖双方的关系转换成，字符串直接的关系；买卖双方匹配度的问题转换成字符串的匹配度的问题；可以BF算法进行匹配处理。
实施步骤：
1.用户画像(买卖双方)标签；
2.基于TF-IDF算法对用户进行归类；
3.对历史交易数据按照归类建立交易匹配数据库；
4.对C端用户和在售房源业主信息标签化后在上述交易匹配数据库进行“交易字符串”匹配，就是在目标字符串中查找子字符串。
本发明实施例基于线上、线下海量数据的采集，对用户(买方和房源业主)进行用户画像分类，根据交易数据对买方用户画像和卖方用户画像进行匹配。从大数据的角度计算出购房用户的哪些意愿和业主的卖房意愿相匹配。从而增加，买卖双方快速匹配，加快交易流程。
图3是本发明一实施例提供的基于交易数据的买卖双方匹配装置的结构示意图。如图3所示，所示装置包括未成交用户标签获取模块10、未成交用户标签合成模块20和匹配模块30，其中：未成交用户标签获取模块10用于：获取未成交买方用户的信息和未成交卖方用户的信息，并根据所述未成交买方用户的信息获取未成交买方用户标签，根据所述未成交卖方用户的信息获取未成交卖方用户标签；未成交用户标签合成模块20用于：将所述未成交买方用户标签和所述未成交卖方用户标签根据标签类型合成为未成交买卖双方用户标签；匹配模块30用于：根据所述标签类型，将所述未成交买卖双方用户标签与预先建立的交易匹配数据库中的已成交买卖双方用户标签进行匹配；若存在预设比例的与所述未成交买卖双方用户标签相匹配的所述已成交买卖双方用户标签，则所述未成交买方用户和所述未成交卖方用户相匹配。
本发明实施例通过将未成交买卖双方用户标签与预先建立的交易匹配数据库中的已成交买卖双方用户标签进行匹配，并在存在预设比例与未成交买卖双方用户标签相匹配的已成交买卖双方用户标签时，确定未成交买方用户和未成交卖方用户相匹配，可以实现未成交买方用户和未成交卖方用户的自动化匹配，由此可以为买方和买方提供更有针对性的信息，从而有助于提高成交效率。
进一步地，基于上述实施例，未成交用户标签获取模块10在用于根据所述未成交买方用户的信息获取未成交买方用户标签，根据所述未成交卖方用户的信息获取未成交卖方用户标签时，具体用于：根据所述未成交买方用户的信息，通过构建用户画像获取所述未成交买方用户标签；根据所述未成交卖方用户的信息，通过构建用户画像获取所述未成交卖方用户标签。
在上述实施例的基础上，本发明实施例通过根据未成交买方用户的信息，通过构建用户画像获取未成交买方用户标签，根据未成交卖方用户的信息，通过构建用户画像获取未成交卖方用户标签，提高了未成交买方用户标签和未成交卖方用户标签的获取效率。
进一步地，基于上述实施例，所述装置还包括交易匹配数据库构建模块，交易匹配数据库构建模块用于：获取已成交买方用户的信息，根据所述已成交买方用户的信息通过构建用户画像获取已成交买方用户标签；获取已成交卖方用户的信息，根据所述已成交卖方用户的信息通过构建用户画像获取已成交卖方用户标签；将所述已成交买方用户标签和所述已成交卖方用户标签根据所述标签类型合成为已成交买卖双方用户标签；根据所述已成交买卖双方用户标签构建所述交易匹配数据库。
在上述实施例的基础上，本发明实施例通过为已成交买卖双方构建用户画像进而得到交易匹配数据库，提高了交易匹配数据库的生成效率，为后续买卖双方的匹配提供基础。
进一步地，基于上述实施例，交易匹配数据库构建模块用于：获取已成交买方用户的信息，根据所述已成交买方用户的信息通过构建用户画像获取已成交买方用户标签；获取已成交卖方用户的信息，根据所述已成交卖方用户的信息通过构建用户画像获取已成交卖方用户标签；获取所述已成交买方用户标签及所述已成交卖方用户标签的用户标签权重，根据所述用户标签权重对所述已成交买方用户和所述已成交卖方用户进行用户类型划分；将所述用户类型相同的所述已成交买方用户和所述已成交卖方用户对应的所述已成交买方用户标签和所述已成交卖方用户标签根据所述标签类型合成为已成交买卖双方用户标签；根据所述已成交买卖双方用户标签构建所述交易匹配数据库。
在上述实施例的基础上，本发明实施例通过根据用户标签权重对已成交买方用户和已成交卖方用户进行用户类型划分，将用户类型相同的已成交买方用户标签和已成交卖方用户标签根据标签类型合成为已成交买卖双方用户标签，提高了匹配的准确性。
进一步地，基于上述实施例，所述用户标签权重与行为类型权重、时间衰减、TF-IDF标签权重及行为次数有关。
在上述实施例的基础上，本发明实施例通过根据行为类型权重、时间衰减、TF-IDF标签权重及行为次数计算用户标签权重，提高了用户标签权重的准确性。
进一步地，基于上述实施例，未成交用户标签获取模块10和交易匹配数据库构建模块在用于构建用户画像时，具体用于：根据相应用户的信息进行预设数据的收集，得到数据收集结果；根据所述数据收集结果通过预设模型进行行为建模，进而抽象出用户标签，从而得到相应的所述用户画像。
在上述实施例的基础上，本发明实施例通过根据相应用户的信息进行预设数据的收集，得到数据收集结果，根据数据收集结果通过预设模型进行行为建模，进而抽象出用户标签，从而得到相应的用户画像，提高了用户画像的准确性。
进一步地，基于上述实施例，所述预设数据包括网络行为数据、服务内行为数据、用户内容偏好数据及用户交易数据中的至少一种；所述预设模型包括交易需求模型、用户忠诚度模型、用户价值模型、消费能力模型、违约概率模型及流失概率模型中的至少一种；未成交用户标签获取模块10和交易匹配数据库构建模块在用于行为建模时，具体通过文本挖掘、自然语言处理、机器学习、预测算法及聚类算法中的至少一种进行行为建模；所述用户标签包括基本属性信息、购买能力信息、行为特征信息、兴趣爱好信息、心理特征信息及社交网络信息中的至少一种。
在上述实施例的基础上，本发明实施例通过设定预设数据、预设模型、行为建模的方法等的具体内容，提高了用户标签的准确性和全面性。
本发明实施例提供的设备是用于上述方法的，具体功能可参照上述方法流程，此处不再赘述。
图4是本发明一实施例提供的电子设备的实体结构示意图。如图4所示，该电子设备可以包括：处理器(processor)810、通信接口(Communications Interface)820、存储器(memory)830和通信总线840，其中，处理器810，通信接口820，存储器830通过通信总线840完成相互间的通信。处理器810可以调用存储器830中的逻辑指令，以执行如下方法：获取未成交买方用户的信息和未成交卖方用户的信息，并根据所述未成交买方用户的信息获取未成交买方用户标签，根据所述未成交卖方用户的信息获取未成交卖方用户标签；将所述未成交买方用户标签和所述未成交卖方用户标签根据标签类型合成为未成交买卖双方用户标签；根据所述标签类型，将所述未成交买卖双方用户标签与预先建立的交易匹配数据库中的已成交买卖双方用户标签进行匹配；若存在预设比例的与所述未成交买卖双方用户标签相匹配的所述已成交买卖双方用户标签，则所述未成交买方用户和所述未成交卖方用户相匹配。
此外，上述的存储器830中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明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-Only Memory)、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。
另一方面，本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的方法，例如包括：获取未成交买方用户的信息和未成交卖方用户的信息，并根据所述未成交买方用户的信息获取未成交买方用户标签，根据所述未成交卖方用户的信息获取未成交卖方用户标签；将所述未成交买方用户标签和所述未成交卖方用户标签根据标签类型合成为未成交买卖双方用户标签；根据所述标签类型，将所述未成交买卖双方用户标签与预先建立的交易匹配数据库中的已成交买卖双方用户标签进行匹配；若存在预设比例的与所述未成交买卖双方用户标签相匹配的所述已成交买卖双方用户标签，则所述未成交买方用户和所述未成交卖方用户相匹配。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于交易数据的买卖双方匹配方法，其特征在于，包括：
获取未成交买方用户的信息和未成交卖方用户的信息，并根据所述未成交买方用户的信息获取未成交买方用户标签，根据所述未成交卖方用户的信息获取未成交卖方用户标签；
将所述未成交买方用户标签和所述未成交卖方用户标签根据标签类型合成为未成交买卖双方用户标签；
根据所述标签类型，将所述未成交买卖双方用户标签与预先建立的交易匹配数据库中的已成交买卖双方用户标签进行匹配；若存在预设比例的与所述未成交买卖双方用户标签相匹配的所述已成交买卖双方用户标签，则所述未成交买方用户和所述未成交卖方用户相匹配。
2.根据权利要求1所述的基于交易数据的买卖双方匹配方法，其特征在于，所述根据所述未成交买方用户的信息获取未成交买方用户标签，根据所述未成交卖方用户的信息获取未成交卖方用户标签，具体包括：
根据所述未成交买方用户的信息，通过构建用户画像获取所述未成交买方用户标签；根据所述未成交卖方用户的信息，通过构建用户画像获取所述未成交卖方用户标签。
3.根据权利要求2所述的基于交易数据的买卖双方匹配方法，其特征在于，所述方法还包括构建所述交易匹配数据库，所述构建所述交易匹配数据库，包括：
获取已成交买方用户的信息，根据所述已成交买方用户的信息通过构建用户画像获取已成交买方用户标签；获取已成交卖方用户的信息，根据所述已成交卖方用户的信息通过构建用户画像获取已成交卖方用户标签；
将所述已成交买方用户标签和所述已成交卖方用户标签根据所述标签类型合成为已成交买卖双方用户标签；根据所述已成交买卖双方用户标签构建所述交易匹配数据库。
4.根据权利要求2所述的基于交易数据的买卖双方匹配方法，其特征在于，所述方法还包括构建所述交易匹配数据库，所述构建所述交易匹配数据库，包括：
获取已成交买方用户的信息，根据所述已成交买方用户的信息通过构建用户画像获取已成交买方用户标签；获取已成交卖方用户的信息，根据所述已成交卖方用户的信息通过构建用户画像获取已成交卖方用户标签；
获取所述已成交买方用户标签及所述已成交卖方用户标签的用户标签权重，根据所述用户标签权重对所述已成交买方用户和所述已成交卖方用户进行用户类型划分；
将所述用户类型相同的所述已成交买方用户和所述已成交卖方用户对应的所述已成交买方用户标签和所述已成交卖方用户标签根据所述标签类型合成为已成交买卖双方用户标签；根据所述已成交买卖双方用户标签构建所述交易匹配数据库。
5.根据权利要求4所述的基于交易数据的买卖双方匹配方法，其特征在于，所述用户标签权重与行为类型权重、时间衰减、TF-IDF标签权重及行为次数有关。
6.根据权利要求2至4任一所述的基于交易数据的买卖双方匹配方法，其特征在于，所述构建用户画像包括：
根据相应用户的信息进行预设数据的收集，得到数据收集结果；根据所述数据收集结果通过预设模型进行行为建模，进而抽象出用户标签，从而得到相应的所述用户画像。
7.根据权利要求6所述的基于交易数据的买卖双方匹配方法，其特征在于，所述预设数据包括网络行为数据、服务内行为数据、用户内容偏好数据及用户交易数据中的至少一种；所述预设模型包括交易需求模型、用户忠诚度模型、用户价值模型、消费能力模型、违约概率模型及流失概率模型中的至少一种；所述行为建模的方法包括文本挖掘、自然语言处理、机器学习、预测算法及聚类算法中的至少一种；所述用户标签包括基本属性信息、购买能力信息、行为特征信息、兴趣爱好信息、心理特征信息及社交网络信息中的至少一种。
8.一种基于交易数据的买卖双方匹配装置，其特征在于，包括：
未成交用户标签获取模块，用于：获取未成交买方用户的信息和未成交卖方用户的信息，并根据所述未成交买方用户的信息获取未成交买方用户标签，根据所述未成交卖方用户的信息获取未成交卖方用户标签；
未成交用户标签合成模块，用于：将所述未成交买方用户标签和所述未成交卖方用户标签根据标签类型合成为未成交买卖双方用户标签；
匹配模块，用于：根据所述标签类型，将所述未成交买卖双方用户标签与预先建立的交易匹配数据库中的已成交买卖双方用户标签进行匹配；若存在预设比例的与所述未成交买卖双方用户标签相匹配的所述已成交买卖双方用户标签，则所述未成交买方用户和所述未成交卖方用户相匹配。
9.一种电子设备，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如权利要求1至7任一项所述基于交易数据的买卖双方匹配方法的步骤。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至7任一项所述基于交易数据的买卖双方匹配方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010176321.2A CN111429214B (zh) | 2020-03-13 | 2020-03-13 | 一种基于交易数据的买卖双方匹配方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010176321.2A CN111429214B (zh) | 2020-03-13 | 2020-03-13 | 一种基于交易数据的买卖双方匹配方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111429214A true CN111429214A (zh) | 2020-07-17 |
| CN111429214B CN111429214B (zh) | 2023-06-09 |
Family
ID=71547888
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010176321.2A Active CN111429214B (zh) | 2020-03-13 | 2020-03-13 | 一种基于交易数据的买卖双方匹配方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111429214B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112613885A (zh) * | 2020-12-31 | 2021-04-06 | 深圳市辰宝信息服务有限公司 | 大宗商品的交易结算交收方法、***和可读存储介质 |
| CN113065928A (zh) * | 2021-04-22 | 2021-07-02 | 上海日羲科技有限公司 | 一种基于大数据的电商交易方法 |
| CN116402260A (zh) * | 2023-06-07 | 2023-07-07 | 埃睿迪信息技术（北京）有限公司 | 一种排水户画像的确定方法、装置及设备 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130024313A1 (en) * | 2011-05-22 | 2013-01-24 | Ariba, Inc. | Commerce network for matching buyers and sellers |
| CN103377443A (zh) * | 2012-04-28 | 2013-10-30 | 北京长生天地电子商务有限公司 | 网络交易平台及其处理方法 |
| CN105894312A (zh) * | 2014-12-22 | 2016-08-24 | 北京菲南斯财务策划中心有限公司 | 买卖信息匹配方法与装置 |
| CN107798530A (zh) * | 2017-08-09 | 2018-03-13 | ***股份有限公司 | 一种支付***以及支付方法 |
| CN108470301A (zh) * | 2018-02-11 | 2018-08-31 | 上海海商信息科技有限公司 | 一种商品网络交易方法 |
| CN108985583A (zh) * | 2018-06-27 | 2018-12-11 | 中国银行股份有限公司 | 基于人工智能的金融数据风险控制方法及装置 |
| CN109242499A (zh) * | 2018-09-19 | 2019-01-18 | 中国银行股份有限公司 | 一种交易风险预测的处理方法、装置及*** |
| CN109615129A (zh) * | 2018-12-05 | 2019-04-12 | 重庆锐云科技有限公司 | 房地产客户成交概率预测方法、服务器及计算机存储介质 |
| CN109919670A (zh) * | 2019-02-27 | 2019-06-21 | 重庆金窝窝网络科技有限公司 | 广告点击概率的预测方法、装置、服务器和存储介质 |
| CN110008973A (zh) * | 2018-11-23 | 2019-07-12 | 阿里巴巴集团控股有限公司 | 一种模型训练方法、基于模型确定目标用户的方法及装置 |
| CN110310153A (zh) * | 2019-06-18 | 2019-10-08 | 平安普惠企业管理有限公司 | 一种交易预测方法及装置 |
| CN110727872A (zh) * | 2019-10-21 | 2020-01-24 | 深圳微品致远信息科技有限公司 | 基于隐式反馈进行不明确选择行为挖掘的方法及装置 |
-
2020
- 2020-03-13 CN CN202010176321.2A patent/CN111429214B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130024313A1 (en) * | 2011-05-22 | 2013-01-24 | Ariba, Inc. | Commerce network for matching buyers and sellers |
| CN103377443A (zh) * | 2012-04-28 | 2013-10-30 | 北京长生天地电子商务有限公司 | 网络交易平台及其处理方法 |
| CN105894312A (zh) * | 2014-12-22 | 2016-08-24 | 北京菲南斯财务策划中心有限公司 | 买卖信息匹配方法与装置 |
| CN107798530A (zh) * | 2017-08-09 | 2018-03-13 | ***股份有限公司 | 一种支付***以及支付方法 |
| CN108470301A (zh) * | 2018-02-11 | 2018-08-31 | 上海海商信息科技有限公司 | 一种商品网络交易方法 |
| CN108985583A (zh) * | 2018-06-27 | 2018-12-11 | 中国银行股份有限公司 | 基于人工智能的金融数据风险控制方法及装置 |
| CN109242499A (zh) * | 2018-09-19 | 2019-01-18 | 中国银行股份有限公司 | 一种交易风险预测的处理方法、装置及*** |
| CN110008973A (zh) * | 2018-11-23 | 2019-07-12 | 阿里巴巴集团控股有限公司 | 一种模型训练方法、基于模型确定目标用户的方法及装置 |
| CN109615129A (zh) * | 2018-12-05 | 2019-04-12 | 重庆锐云科技有限公司 | 房地产客户成交概率预测方法、服务器及计算机存储介质 |
| CN109919670A (zh) * | 2019-02-27 | 2019-06-21 | 重庆金窝窝网络科技有限公司 | 广告点击概率的预测方法、装置、服务器和存储介质 |
| CN110310153A (zh) * | 2019-06-18 | 2019-10-08 | 平安普惠企业管理有限公司 | 一种交易预测方法及装置 |
| CN110727872A (zh) * | 2019-10-21 | 2020-01-24 | 深圳微品致远信息科技有限公司 | 基于隐式反馈进行不明确选择行为挖掘的方法及装置 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112613885A (zh) * | 2020-12-31 | 2021-04-06 | 深圳市辰宝信息服务有限公司 | 大宗商品的交易结算交收方法、***和可读存储介质 |
| CN113065928A (zh) * | 2021-04-22 | 2021-07-02 | 上海日羲科技有限公司 | 一种基于大数据的电商交易方法 |
| CN116402260A (zh) * | 2023-06-07 | 2023-07-07 | 埃睿迪信息技术（北京）有限公司 | 一种排水户画像的确定方法、装置及设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111429214B (zh) | 2023-06-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11243992B2 (en) | System and method for information recommendation | |
| Christidis et al. | A topic-based recommender system for electronic marketplace platforms | |
| US20180374141A1 (en) | Information pushing method and system | |
| JP7414817B2 (ja) | インベントリ取り込み、画像処理、およびマーケット記述子価格設定システム | |
| CN111429214B (zh) | 一种基于交易数据的买卖双方匹配方法及装置 | |
| US11200593B2 (en) | Predictive recommendation system using tiered feature data | |
| KR102505103B1 (ko) | 온라인 커머스 데이터 기반의 큐레이션 서비스를 제공하는 방법 및 장치 | |
| JP5824602B1 (ja) | 情報処理装置、情報処理方法、及び情報処理プログラム | |
| US20230206304A1 (en) | Systems and methods for using keywords extracted from reviews | |
| US11392631B2 (en) | System and method for programmatic generation of attribute descriptors | |
| KR102307662B1 (ko) | 상품 정보 제공 시스템 및 그 방법 | |
| CN110689402A (zh) | 推荐商家的方法、装置、电子设备及可读存储介质 | |
| JP2019091355A (ja) | 判定装置、判定方法及び判定プログラム | |
| CN111861605A (zh) | 业务对象推荐方法 | |
| CN113139115A (zh) | 信息推荐方法、搜索方法、装置及客户端、介质及设备 | |
| KR100891930B1 (ko) | 상품 평가 데이터를 사용하여 인기 상품을 제공하는 방법,시스템 및 컴퓨터 판독 가능한 기록 매체 | |
| CN114969498A (zh) | 一种行业龙头信息的推荐方法及装置 | |
| CN111858686A (zh) | 数据显示方法、装置、终端设备及存储介质 | |
| CN110889716A (zh) | 识别潜在注册用户的方法及装置 | |
| US11657107B2 (en) | Systems and methods for using keywords extracted from reviews | |
| CN111091218A (zh) | 竞价预测模型的生成以及广告投放自动出价方法和装置 | |
| CN113781171A (zh) | 信息推送方法、装置、设备及存储介质 | |
| CN114461918A (zh) | 物品推荐方法、装置、电子设备和存储介质 | |
| US11308542B2 (en) | Systems and methods for using keywords extracted from reviews | |
| CN111882339A (zh) | 预测模型训练及响应率预测方法、装置、设备及存储介质 |
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 |