CN112183875A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN112183875A CN112183875A CN202011085876.2A CN202011085876A CN112183875A CN 112183875 A CN112183875 A CN 112183875A CN 202011085876 A CN202011085876 A CN 202011085876A CN 112183875 A CN112183875 A CN 112183875A
- Authority
- CN
- China
- Prior art keywords
- user
- product
- purchase
- probability
- time
- 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
- 238000006243 chemical reaction Methods 0.000 title claims abstract description 60
- 238000000034 method Methods 0.000 title claims abstract description 52
- 230000004931 aggregating effect Effects 0.000 claims abstract description 4
- 230000007704 transition Effects 0.000 claims description 15
- 238000012546 transfer Methods 0.000 claims description 13
- 238000012937 correction Methods 0.000 claims description 11
- 238000012417 linear regression Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 150000001875 compounds Chemical class 0.000 claims description 2
- 230000002195 synergetic effect Effects 0.000 claims 1
- 238000007430 reference method Methods 0.000 abstract description 4
- 238000004458 analytical method Methods 0.000 abstract description 2
- 239000000284 extract Substances 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 3
- 230000001186 cumulative effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000009466 transformation Effects 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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]
- G06Q30/0623—Item investigation
- G06Q30/0625—Directed, with specific intent or strategy
-
- 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)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了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,其特征在于它基于用户一系列页面访问事件,提取用户浏览历史中的预测因子,获得各预测因子导致的用户购买概率;结合产品层面的桥梁常数将获得的用户购买概率聚合获得用户转化基数η[t0:t0+△t](p),η[t0:t0+△t](p)表示用户c在时间△t内购买产品p的概率。将本发明预测方法与5种基准方法预测结果进行误差分析,本发明预测方法的RMSE值最低、PCC值最高,表明本方法具有较高的准确性。
Description
技术领域
本发明涉及电子商务领域,并且更具体地涉及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。
背景技术
随着电子商务的深入发展,电商网站及电商消费者规模呈现激增态势,用户在线购买习惯得以迅速形成,同时带来了海量的产品信息和消费者在线行为数据,如何从海量的数据中提取和分析出有价值的用户行为信息,较为准确的预测用户偏好和购买行为,进而提高产品的购买转化率,是企业提升竞争力的一个重要方面。
专利“基于用户的行为顺序预测购买概率的方法及其设备”(专利申请号201810745481.7),发明了一种预测用户购买概率的方法及其设备,该方法和设备将实时收集到的访问购物网站的用户日志按时间顺序排列,生成与用户的在线行为相对应的统一资源标识符(URI)序列,通过将URI序列与对应于购物网站的购买概率模型进行比较来计算用户的产品购买概率,该专利提升了检测用户当前购买意图的准确性。
专利“一种预测用户购买商品行为的方法和装置”(专利申请号201610356742.7),提供了一种预测用户购买商品行为的方案,该方案同时考虑了商品特征向量序列G、用户特征向量U以及序列G之前的时间差因素,主要解决了现有技术中存在的预测准确度较低的缺陷。
专利“一种基于移动大数据的用户购买意向预测方法”(专利申请号201910021407.5),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、商品基本信息进行特征工程构建,建立多个机器学习模型,同时对模型进行融合,并优化模型网络参数优。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,预测用户购买意向,为移动用户精准推荐合适的内容。
以上三个技术方案均存在以下缺陷:用户购买行为转化在线预测的准确性不高;相关产品精准推荐的准确度不高。
发明内容
为解决背景技术中存在的问题,本发明通过整合用户购物行为多样化、产品兴趣水平和产品类型,构建产品和客户模式转换的相互依赖关系,提出用户-产品多因子联合预测模型,在提高浏览客户转换率的基础上,最好的估计给定产品,根据产品转化率进行产品推荐。
技术方案:
本发明公开了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,它基于用户一系列页面访问事件,提取用户浏览历史中的预测因子,获得各预测因子导致的用户购买概率;结合产品层面的桥梁常数将获得的用户购买概率聚合获得用户转化基数η[t0:t0+△t](p),η[t0:t0+△t](p)表示用户c在时间△t内购买产品p的概率。
优选的,所述预测因子包括购买转移B1 c,p、浏览比率B2 c,p、浏览时间B3 c,p,具体的:
Z(c,pi,tv)=1表示用户c在时间tv购买了产品pi;Z=0时表示没有购买该产品;Wpi,pj,△t越高表示,用户购买产品pi的可能性越大;Z(c,pj,[tv:tv+△t])表示用户c在时间tv+△t是否购买了产品pi;
YPR表示用户访问p产品的次数,NPR表示用户没有访问p产品的次数;
YPD表示访问p页面的时长,NPD表示没有访问p页面的时长。
优选的,浏览持续时间xactive的计算方法是:
定义(c,p)为客户-产品配对,定义配对之间的三个过渡态为{inactive,active,adopt},每一对(c,p)最初都处于inactive状态,这表示客户c尚未意识到对p的需求;接下来,如果(c,p)对变为active状态则就意味着用户对p产品的需求,当c开始访问产品页面时,active状态可以被识别;若客户c在(c,p)达到active状态后访问不同的页面,(c,p)仍保持active状态;当客户c对产品p做出采购订单时,(c,p)变成了adopt状态;到达adopt状态后,这对(c,p)立即返回到inactive状态;
浏览持续时间xactive是从active状态到adopt状态的时间或最后一次访问p页面的时长。
优选的,用户转化基数的计算公式为:
其中,Cactive(p,t0)表示在当前时间t0处于p的active状态的客户集合;
优选的,用户一系列页面访问事件用v=(cv,rv,tv,θv)表示,cv表示用户身份ID、rv表示页面访问ID、tv表示访问时间、θv表示产品信息;用户的所有页面访问事件按时间顺序组成一个页面点击流vc={v1,v2,v3…},v1<v2,当事件v发生在此页面说明用户访问了该产品,产品信息被记录,且标注产品是否被购买。
优选的,页面点击流使用RecSys 2015数据集在内的9300万条用户log日志和点击流事件。
优选的,它还包括转化误差的修正步骤。
优选的,使用朴素回归算法对购买转移的转换误差进行修正:
使用xp作为实际观察到的用户购买概率,yp作为估计的用户购买概率,利用线性回归方程估计用户转化基数η[t0:t0+△t](p):
给定任意两个集合X和Y,通过学习得到线性回归方程的斜率βΔt和截距αΔt:
定义线性回归方程Y=αΔt+βΔtX,估计用户的转化基数:
优选的,使用周期感知回归模型对回归预测时间段进行修正:基于模拟的数据集,包括RecSys2015数据集和不公开的电子商务数据集,通过周期感知回归模型,重新有效评估三个采购因素的总和根据给定的产品和给定的性质预测时间段。
优选的,使用正相协PA修正方法来影响产品层面的预测性能:基于用户log日志和点击流事件数据,通过PA修正方法将实际观察到的用户购买概率与估计的用户购买概率相耦合。
本发明的有益效果
将本发明方法与C-MLE最大似然估计、C-NBR推荐***模型、C-AVE页面累计访问的方法、P-HCR历史转化率模型、P-HCC历史转化基数方法比较(利用均方根误差RMSE与皮尔森相关系数PCC进行验证),本方法在用户购买行为转化在线预测的准确性和相关产品精准推荐的准确度方面均有较大提高。
附图说明
图1为单个和组合预测因子对转化预测概率的影响示意图,其中:
图1(a)为“购买转移”单个对转化预测概率的影响示意图
图1(b)为“浏览率+浏览时长”的组合对转化预测概率的影响示意图
图1(c)为“购买转移+浏览率+浏览时长”的组合对转化预测概率的影响示意图
图2为修正用户和产品层面的预测模型转化误差示意图,其中:
图2(a)为经朴素回归修正后的预测值误差示意图
图2(b)为PA和NA修正后的预测值误差对比图
图3为本文预测方法与基准方法的性能比较示意图
图3(a)为本文预测方法与基准方法的进行RMSE验证的性能比较示意图
图3(b)为本文预测方法与基准方法的进行PCC验证的性能比较示意图
图4为本发明的方法流程图
具体实施方式
下面结合实施例对本发明作进一步说明,但本发明的保护范围不限于此:
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包括:定义大规模用户在线页面访问数据集格式、定义转换预测问题、构建基于用户和产品层面的转化预测模型、预测因子的影响性分析、修正用户和产品层面的预测模型转化误差和利用RMSE与PCC衡量本预测方法的优越性。结合图4,具体实施方法如下:
步骤1、定义大规模用户在线页面访问数据集格式:对于给定的电子商务网站,定义唯一的客户ID,汇总用户操作日志;定义用户页面访问活动v,v=(cv,rv,tv,θv),包含用户身份ID,页面访问ID由url和name组成,访问时间tv,和可选择的产品的信息产品信息θv,用户的所有页面访问事件都可以按时间顺序依次链接,组成一个页面访问流vc={v1,v2,v3…},v1<v2,网站有关于产品描述的页面称之为产品页面,当事件v发生在此页面说明用户访问了该产品,产品信息被记录,且标注产品是否被购买(0表示未购买,1表示购买)。
步骤2、定义转换预测问题:基于步骤1的用户数据,定义两个预测问题转换候选对和转换模拟,给定网络日志,c表示一组客户的有限集,p表示一组产品的有限集。我们定义(c,p)为客户-产品配对,定义配对之间的三个过渡态为{inactive,active,adopt}:每一对(c,p)最初都处于inactive状态,这表示客户c尚未意识到对p的需求;接下来,如果(c,p)对变为active状态则就意味着用户对p产品的需求,当c开始访问产品页面时,active状态可以被识别。当客户c在(c,p)达到active状态后访问不同的页面(不是p的页面),(c,p)仍保持active状态;最后,当c对p产品做出采购订单时,这时(c,p)变成了adopt状态。到达adopt状态后,这对(c,p)立即返回到inactive状态。形式上,转换候选人对可以被定义为客户的集合(表示为Cactive(p,t0)在当前时间t0处于p的active状态)。同时,使用转化基数来模拟用户的转化率问题,转化基数可以定义为用户c在△t时间内购买产品p的概率。
步骤3、构建基于用户和产品层面的转化预测模型:从用户浏览历史中提取三个预测因子:购买转移(B1 c,p)、浏览比率(B2 c,p)、浏览时长(B3 c,p);基于用户的点击流事件,给定一个候选对(c,p),定义用户转化概率Pr(c,p)作为Pr(adopt|vc),利用用户转化概率定义用户转化基数即转化率η[t0:t0+△t](p)。
步骤4、预测因子的影响性分析:分析用户层面购买转移、浏览比率和浏览时长三个预测因子单个或者组合对转化概率的影响,图1给出了单个和组合预测因子对转化预测概率的影响;购买转移因素导致的用户购买概率为w、浏览比率因素导致的用户购买概率为浏览时间因素导致的用户转换概率为最后利用产品层面的桥梁常数将因素聚合;
购买转移:这种转变可以确定购买相同或不同产品之间的购买需求,G(P,V,W)表示一个有权有向的节点的购买转移图,P={P1,P2…Pn}和边表示购买转移,采用用户转移权重表示用户的购买概率:Z(c,pi,tv)=1表示用户c在时间tv购买了产品pi;Z=0时表示没有购买该产品;Wpi,pj,△t越高表示,用户购买产品pi的可能性越大;Z(c,pj,[tv:tv+△t])表示用户c在时间tv+△t是否购买了产品pi;
浏览比率:通过用户页面的累计访问量可以得出用户对哪些产品感兴趣,随着页面访问量的增加,转化的可能性也会增加,访问次数与转化比率成正比例关系。
量化转换候选人的累积访问效果对(c,p),估计转化比率:
YPR表示用户访问p产品的次数,NPR表示用户没有访问p产品的次数;
浏览时长:将用户分成两组,一组为购买成功的买家,一组为橱窗购物者,比较两者访问p页面的时长(从active状态到adopt状态的时间或最后一次访问p页面的时长),生成浏览时间的随机变量和概率密度函数吗,基于两个顾客群体和浏览持续时间的概率密度函数,估计给定对(c,p)的转换概率:
YPD表示访问p页面的时长,NPD表示没有访问p页面的时长。
产品因素聚合,获得用户转化基数的计算公式为:
步骤5、修正用户和产品层面的预测模型转化误差;
朴素回归:为了修正基于用户层面的购买转移的误差,使用逻辑回归来捕捉更多的用户历史行为,使用x来作为实际观察到的转化基数,yp作为实际观测的转化基数,利用线性回归方程估计转化率:
周期感知回归:对于任意一个时间△t,理想状态下的线性回归在不同的时间周期内变化是近似一致的,利用周期感知回归可以有效地重新评估三个采购因素的总和根据给定的产品和给定的性质预测时间段。
利用PA和NA修正方法影响产品层面的预测性能,更优的实施例中,选择NA修正方法影响产品层面的预测性能。
有益效果验证,利用RMSE和PCC衡量本预测方法的优越性;
实验数据集包括RecSys 2015数据集在内的9300万条用户的log日志、用户的点击流事件;
实验参数设置:设定时间周期△t∈{7,14,21,30,45,60}。
图1中显示预测因子单个和组合对转化率的影响,从结果可知这些因子单个和组合对转化预测概率具有正向影响,且预测因子组合起来的PCC最高,产品的实际转化基数和估计转化基数匹配更加基准,说明本发明方法具有很好的性能。
图2(a)中显示经朴素回归修正后的预测值误差具有较低的RMSE,效果较好;图2(b)中显示经PA和NA方法修正后的预测值误差,且PA的修正效果要比NA好,PA修正方法能够更好的将实际观察到的用户购买概率与估计的用户购买概率相耦合。
图3中显示了本发明预测方法与5种基准方法预测结果的误差分析,本发明预测方法的RMSE值最低、PCC值最高,表明本方法具有较高的准确性。
本文中所描述的具体实施例仅仅是对本发明精神做举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (10)
1.一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,其特征在于它基于用户一系列页面访问事件,提取用户浏览历史中的预测因子,获得各预测因子导致的用户购买概率;结合产品层面的桥梁常数将获得的用户购买概率聚合获得用户转化基数η[t0:t0+△t](p),η[t0:t0+△t](p)表示用户c在时间△t内购买产品p的概率。
2.根据权利要求1所述的方法,其特征在于所述预测因子包括购买转移B1 c,p、浏览比率B2 c,p、浏览时间B3 c,p,具体的:
Z(c,pi,tv)=1表示用户c在时间tv购买了产品pi;Z=0时表示没有购买该产品;Wpi,pj,△t越高表示,用户购买产品pi的可能性越大;Z(c,pj,[tv:tv+△t])表示用户c在时间tv+△t是否购买了产品pi;
YPR表示用户访问p产品的次数,NPR表示用户没有访问p产品的次数;
YPD表示访问p页面的时长,NPD表示没有访问p页面的时长。
3.根据权利要求2所述的方法,其特征在于浏览持续时间xactive的计算方法是:
定义(c,p)为客户-产品配对,定义配对之间的三个过渡态为{inactive,active,adopt},每一对(c,p)最初都处于inactive状态,这表示客户c尚未意识到对p的需求;接下来,如果(c,p)对变为active状态则就意味着用户对p产品的需求,当c开始访问产品页面时,active状态可以被识别;若客户c在(c,p)达到active状态后访问不同的页面,(c,p)仍保持active状态;当客户c对产品p做出采购订单时,(c,p)变成了adopt状态;到达adopt状态后,这对(c,p)立即返回到inactive状态;
浏览持续时间xactive是从active状态到adopt状态的时间或最后一次访问p页面的时长。
5.根据权利要求1所述的方法,其特征在于用户一系列页面访问事件用v=(cv,rv,tv,θv)表示,cv表示用户身份ID、rv表示页面访问ID、tv表示访问时间、θv表示产品信息;用户的所有页面访问事件按时间顺序组成一个页面点击流vc={v1,v2,v3…},v1<v2,当事件v发生在此页面说明用户访问了该产品,产品信息被记录,且标注产品是否被购买。
6.根据权利要求5所述所述的方法,其特征在于页面点击流使用RecSys 2015数据集在内的9300万条用户log日志和点击流事件。
7.根据权利要求2所述所述的方法,其特征在于还包括转化误差的修正步骤。
9.根据权利要求8所述所述的方法,其特征在于使用周期感知回归模型对回归预测时间段进行修正:基于模拟的数据集,包括RecSys2015数据集和不公开的电子商务数据集,通过周期感知回归模型,重新有效评估三个采购因素的总和根据给定的产品和给定的性质预测时间段。
10.根据权利要求8所述所述的方法,其特征在于使用正相协PA修正方法来影响产品层面的预测性能:基于用户log日志和点击流事件数据,通过PA修正方法将实际观察到的用户购买概率与估计的用户购买概率相耦合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011085876.2A CN112183875B (zh) | 2020-10-12 | 2020-10-12 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011085876.2A CN112183875B (zh) | 2020-10-12 | 2020-10-12 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112183875A true CN112183875A (zh) | 2021-01-05 |
CN112183875B CN112183875B (zh) | 2024-07-09 |
Family
ID=73949434
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011085876.2A Active CN112183875B (zh) | 2020-10-12 | 2020-10-12 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112183875B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116843388A (zh) * | 2023-08-29 | 2023-10-03 | 新义互联(北京)科技有限公司 | 一种广告投放分析方法及*** |
CN117217852A (zh) * | 2023-08-03 | 2023-12-12 | 广州兴趣岛信息科技有限公司 | 一种基于行为识别购买意愿度预测方法及装置 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050049907A1 (en) * | 2003-08-26 | 2005-03-03 | Suresh Kumar | Using page-view data to project demand for an item |
JP2013073534A (ja) * | 2011-09-29 | 2013-04-22 | Nippon Telegr & Teleph Corp <Ntt> | 顧客生存率推定システム、顧客生存率推定方法、顧客生存率推定処理サーバおよび顧客生存率推定処理サーバ用プログラム |
US20140222503A1 (en) * | 2013-02-07 | 2014-08-07 | 24/7 Customer, Inc. | Dynamic prediction of online shopper's intent using a combination of prediction models |
CN106056241A (zh) * | 2016-05-26 | 2016-10-26 | 中国太平洋保险(集团)股份有限公司 | 一种基于大数据预测用户行为的控制方法及装置 |
US20170337572A1 (en) * | 2016-05-23 | 2017-11-23 | Adobe Systems Incorporated | Sales Forecasting using Browsing Ratios and Browsing Durations |
CN109003114A (zh) * | 2018-06-01 | 2018-12-14 | 四川斐讯信息技术有限公司 | 一种营销策略预测方法、***、计算机设备和存储介质 |
CN109242524A (zh) * | 2017-07-10 | 2019-01-18 | Sk普兰尼特有限公司 | 基于用户的行为顺序预测购买概率的方法及其设备 |
CN109741112A (zh) * | 2019-01-10 | 2019-05-10 | 博拉网络股份有限公司 | 一种基于移动大数据的用户购买意向预测方法 |
US10387934B1 (en) * | 2014-06-12 | 2019-08-20 | Amazon Technologies, Inc. | Method medium and system for category prediction for a changed shopping mission |
-
2020
- 2020-10-12 CN CN202011085876.2A patent/CN112183875B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050049907A1 (en) * | 2003-08-26 | 2005-03-03 | Suresh Kumar | Using page-view data to project demand for an item |
JP2013073534A (ja) * | 2011-09-29 | 2013-04-22 | Nippon Telegr & Teleph Corp <Ntt> | 顧客生存率推定システム、顧客生存率推定方法、顧客生存率推定処理サーバおよび顧客生存率推定処理サーバ用プログラム |
US20140222503A1 (en) * | 2013-02-07 | 2014-08-07 | 24/7 Customer, Inc. | Dynamic prediction of online shopper's intent using a combination of prediction models |
US10387934B1 (en) * | 2014-06-12 | 2019-08-20 | Amazon Technologies, Inc. | Method medium and system for category prediction for a changed shopping mission |
US20170337572A1 (en) * | 2016-05-23 | 2017-11-23 | Adobe Systems Incorporated | Sales Forecasting using Browsing Ratios and Browsing Durations |
CN106056241A (zh) * | 2016-05-26 | 2016-10-26 | 中国太平洋保险(集团)股份有限公司 | 一种基于大数据预测用户行为的控制方法及装置 |
CN109242524A (zh) * | 2017-07-10 | 2019-01-18 | Sk普兰尼特有限公司 | 基于用户的行为顺序预测购买概率的方法及其设备 |
CN109003114A (zh) * | 2018-06-01 | 2018-12-14 | 四川斐讯信息技术有限公司 | 一种营销策略预测方法、***、计算机设备和存储介质 |
CN109741112A (zh) * | 2019-01-10 | 2019-05-10 | 博拉网络股份有限公司 | 一种基于移动大数据的用户购买意向预测方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117217852A (zh) * | 2023-08-03 | 2023-12-12 | 广州兴趣岛信息科技有限公司 | 一种基于行为识别购买意愿度预测方法及装置 |
CN117217852B (zh) * | 2023-08-03 | 2024-02-27 | 广州兴趣岛信息科技有限公司 | 一种基于行为识别购买意愿度预测方法及装置 |
CN116843388A (zh) * | 2023-08-29 | 2023-10-03 | 新义互联(北京)科技有限公司 | 一种广告投放分析方法及*** |
CN116843388B (zh) * | 2023-08-29 | 2023-11-17 | 新义互联(北京)科技有限公司 | 一种广告投放分析方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN112183875B (zh) | 2024-07-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
McMahan et al. | Ad click prediction: a view from the trenches | |
JP6152173B2 (ja) | 商品検索結果の順位付け | |
US20230410135A1 (en) | System and method for selecting promotional products for retail | |
JP5175903B2 (ja) | 適応分析多次元処理システム | |
CN112131480B (zh) | 基于多层异质属性网络表征学习的个性化商品推荐方法及*** | |
US11854022B2 (en) | Proactively predicting transaction dates based on sparse transaction data | |
CN105976229A (zh) | 一种基于用户和项目混合的协同过滤算法 | |
JP5068382B1 (ja) | 予測装置、予測方法及び予測プログラム | |
CN109255651A (zh) | 一种基于大数据的搜索广告转化智能预测方法 | |
Yeo et al. | Predicting online purchase conversion for retargeting | |
CN103399858A (zh) | 基于信任的社会化协同过滤推荐方法 | |
EP2960849A1 (en) | Method and system for recommending an item to a user | |
BRPI0620830A2 (pt) | sistema e método de uso de qualidades de anúncio estimadas para filtração, classificação e promoção de anúncios e meio legìvel em computador | |
US8954910B1 (en) | Device mismatch contribution computation with nonlinear effects | |
CN108205775A (zh) | 一种业务对象的推荐方法、装置和客户端 | |
CN110083518B (zh) | 一种基于AdaBoost-Elman的虚拟机软件老化预测方法 | |
CN112183875B (zh) | 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 | |
CN103500228A (zh) | 一种协同过滤推荐算法中改进的相似性度量方法 | |
Kim et al. | Tracking temporal dynamics of purchase decisions via hierarchical time-rescaling model | |
CN105701681A (zh) | 用于预测订单量的方法和设备 | |
Mendes et al. | The application of case-based reasoning to early Web project cost estimation | |
Wang et al. | Adaptive time series prediction and recommendation | |
JP5061999B2 (ja) | 解析装置、解析方法及び解析プログラム | |
Song | Web service reliability prediction based on machine learning | |
Davoudi et al. | Modeling trust for rating prediction in recommender systems |
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 |