CN113168424A - 使用可伸缩的跨领域协同过滤来获得推荐的***和方法 - Google Patents
使用可伸缩的跨领域协同过滤来获得推荐的***和方法 Download PDFInfo
- Publication number
- CN113168424A CN113168424A CN201980082152.1A CN201980082152A CN113168424A CN 113168424 A CN113168424 A CN 113168424A CN 201980082152 A CN201980082152 A CN 201980082152A CN 113168424 A CN113168424 A CN 113168424A
- Authority
- CN
- China
- Prior art keywords
- recommendation
- user
- recommendation score
- model
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 77
- 238000001914 filtration Methods 0.000 title claims description 33
- 230000004044 response Effects 0.000 claims abstract description 21
- 238000004891 communication Methods 0.000 claims description 64
- 238000012512 characterization method Methods 0.000 claims description 41
- 238000005295 random walk Methods 0.000 claims description 39
- 238000012545 processing Methods 0.000 claims description 32
- 238000010801 machine learning Methods 0.000 claims description 18
- 230000015654 memory Effects 0.000 claims description 14
- 238000003066 decision tree Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 7
- 238000010586 diagram Methods 0.000 description 24
- 230000008569 process Effects 0.000 description 22
- 239000011159 matrix material Substances 0.000 description 11
- 238000013459 approach Methods 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 8
- 230000003993 interaction Effects 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 6
- 230000009471 action Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 5
- 235000014510 cooky Nutrition 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000008520 organization Effects 0.000 description 5
- 101100162169 Xenopus laevis adrm1-a gene Proteins 0.000 description 4
- 230000006399 behavior Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000007704 transition Effects 0.000 description 3
- 230000001413 cellular effect Effects 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 239000011521 glass Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000006855 networking Effects 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 241001522296 Erithacus rubecula Species 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000001351 cycling effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000004706 metal oxides Chemical class 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229920001690 polydopamine Polymers 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
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
- G06F16/90—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
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明的方面涉及用于呈现推荐的***、方法、设备等。在一个实施例中，介绍了一种***，该***包括用于获得推荐得分的多个模型。可以使用一个或多个推荐模型来获得推荐得分，并且基于所确定的推荐得分来作出推荐。在另一个实施例中，介绍了一种***，该***可以基于响应于使用所获得的推荐得分作出的推荐而接收到的反馈来重新训练推荐模型。
Description
相关申请的交叉引用
本申请是于2018年12月7日提交的美国专利申请序列号16/213346的部分延续案，并且该美国专利申请通过引用被整体并入。
技术领域
本公开总体上涉及用于生成推荐的通信设备，并且更具体地，涉及使用跨领域协同过滤(cross-domain collaborative filtering)来提供特定于用户的推荐的通信设备。
背景技术
随着科技的发展，产业已经转向使用电子设备和通信来处理交易。交易通常可以从消费者提交资金调度工具以进行支付开始，并且然后继续进行至卖方授权此类交易。在某些情况下，可以在完成此类交易之前，部分基于大众物品或趋势向消费者提供推荐。例如，在结帐时，可以向用户提供向大众事业或慈善机构捐款的推荐。然而，这种类型的推荐通常不适合于用户的兴趣、喜好、购买和/或关联。因此，为了增加用户购买或捐赠的机会，创建为用户定制并且跨领域的推荐的***将是有益的。
附图说明
图1示出了用于在用户设备上呈现推荐的***。
图2示出了说明用于作出推荐的信息的特征的示例性图示。
图3A-图3C示出了基于不同信息的推荐场景。
图4示出了用于作出推荐并呈现推荐的示例性***。
图5示出了用于作出推荐的跨领域协同过滤的实现方式的图示。
图6示出了子图节点表示，其中包含用户和用于获得推荐得分的相应点对点(peer-to-peer)关联。
图7示出了用于获得推荐得分的物品对物品(item-to-item)协同过滤的表图。
图8示出了流程图，该流程图示出了用于使用跨领域协同过滤来确定推荐的操作。
图9示出了用于使用跨领域协同过滤来确定推荐的***的方框图。
图10示出了适用于实现图1-图9的通信***的一个或多个设备的计算机***的示例性方框图。
通过参考下面的详细描述，可以最好地理解本公开的实施例及其优点。应当意识到，类似的附图标记用于识别在一个或多个附图中图示的类似元件，而其中所示是为了说明本公开的实施例而不是为了限制本公开的实施例。
具体实施方式
在以下描述中，阐述了描述与本公开一致的一些实施例的具体细节。然而，对于本领域技术人员来说显而易见的是，可以在没有一些或所有这些具体细节的情况下实践一些实施例。本文所公开的具体实施例意在是说明性的，而非是进行限制。尽管这里没有具体描述，但本领域技术人员可以认识到在本公开的范围和精神内的其他元素。另外，除非另行特别描述或者在一个或多个特征将使实施例不起作用的情况下，否则可以将结合一个实施例示出和描述的一个或多个特征并入到其他实施例中，以避免不必要的重复。
本公开的方面涉及用于呈现推荐的***、方法、设备等。在一个实施例中，介绍了一种***，该***包括用于获得推荐得分的多个模型。可以使用一个或多个模型来获得推荐得分，这些模型可以包括有监督和无监督学习以及用户信息和交易的组合。在另一个实施例中，介绍了该***可以提供由组合模型(ensemble model)生成的总推荐得分和推荐，该组合模型的输入可以包括先前获得的一个或多个推荐得分。
常规地，为了增加客户的参与，商家、第三方服务供应商和提供产品或服务的其他实体可以依赖基于知名度的产品或服务的推荐。这种参与很容易实现，并且产品和/或服务很容易被呈现和考虑购买。例如，参见图1，其示出了用于向用户呈现推荐的基本***和方法。如图所示，推荐可以源自于网络102。网络102可以包括任何两台计算机、服务器或其他***/设备，它们可以链接在一起以共享资源和交换电子信息。因特网、云、一组服务器、数据中心、社交媒体都可以被认为是网络102的部分。该网络可以被访问并且用于确定要推荐的最受欢迎的物品、产品、服务或实体。例如，社交媒体可能勉强维持，并且所获得的数据分析得出新的智能小工具已经发布，并且正在成为趋势。因此，这样的智能小工具可以在设备106上呈现给用户。作为另一个示例，最近可能发生了自然灾害，并且由于媒体报道，可以将提供救援工作的大众实体呈现给用户以供捐赠。更进一步地，为了寻找慈善机构进行捐款，可以基于认知和知名度来呈现YMCA、联合之路、红十字会等。然而，这些示例并没有忽略客户的行为和/或产品、服务、实体等，它们可能更小或需求较低。
因此，具有在作出推荐之前能够考虑用户的各个方面的***是有益的。例如，考虑对慈善事业的推荐。使用图1所示的简化方法和***100，较小的慈善机构将被忽略，并且客户的行为将被省略。替代地，通过将购买行为、用户简档、捐赠历史、交易历史等与捐赠相关联，推荐可以更加个性化并且与用户相关。
注意，在整个本申请中，推荐和分析通常将集中于慈善机构，然而，本申请不限于基于慈善事业的推荐，并且如上所述，本文呈现的方法和***可用于为其他产品、服务、实体等提供推荐。
转到图2，提供了例示如何定制推荐的维恩图。具体而言，图2示出了一个示例性图示，其展示了用于作出推荐的信息的特征。如所指出的，在作出推荐之前考虑用户的各个方面是有益的。在一个实施例中，图2示出了在作出推荐之前可以考虑的初始方面。出于示例性目的并继续慈善事业用例，考虑了维恩图200。在示例性维恩图200中，考虑了作出推荐的第一方面，并且第一方面可以包括用户是否是或曾经是捐赠者。例如，在维恩图200的左侧圆圈202上，可以考虑慈善事业的先前捐赠者，并且限定表征信息。并且替代地，在维恩图200的右侧圆圈204上，可以将没有捐赠历史的用户与表征信息一起分类。另外，在一些实例中，表征信息可以在先前捐赠者202和非捐赠者204之间被使用和共享206以向慈善事业作出推荐。
作为可用于作出推荐的表征信息的示例，表征信息可以包括捐赠历史，该捐赠历史可以针对进行过先前捐赠的用户被使用和考虑。作为另一示例，能够针对没有捐赠历史的用户使用和考虑的表征信息可以包括用户简档信息，与用户可能进行过交易的联系人、商家、实体等，以及购买历史和与进行过购买的地点相关联的慈善机构。又作为另一示例，能够用于作出推荐的其他一般表征信息可以包括慈善事业知名度、趋势和其他关系信息。
注意，尽管维恩图200用于图示能够用于基于捐赠者/非捐赠者状态而作出推荐的表征信息，但是该表征信息不受限制并且用于示例性目的。还可以使用其他表征信息，并且维恩图中的位置可能不同。
为了示出如何使用表征信息来提出推荐，呈现了图3A-图3C。具体而言，图3A-图3C示出了基于不同表征信息的推荐场景和用例。转到图3A，呈现了第一推荐用例，该用例可以使用先前的捐赠表征信息来作出慈善事业推荐。图3A中考虑的用例可以使用协同过滤类型方法和用例，其中可以基于用户302c和/或其他用户302a、b所作出的捐赠向用户302c呈现推荐。为了示出这种方法，考虑了用户302a。该用户302a具有捐赠历史，并且如图所示，用户302a具有向慈善事业304-310捐赠的捐赠历史。转到用户302b，该用户302b也具有捐赠历史，但是在本示例中，捐赠集中在单个慈善事业308上。现在使用类似的方法，用户302c可以被表征为捐赠历史支持主要集中在两个慈善事业306、310上的先前捐赠。在一个实施例中，可以使用协同过滤方法向用户302c提供慈善事业推荐。在该场景中，可以进行观察、分析或关联，从而在用户302a和用户302b之间识别相似性。可以部分地基于观察到用户302c与用户302a一样捐赠给慈善事业306和308来识别这种关联或相似性312。因此，基于这种评估和相似性312，可以作出两个新的推荐314并且呈现给用户302c。
在图3B中，基于其他不同的表征信息呈现了另一推荐场景和用例。对于该用例，考虑交易信息来作出推荐。具体而言，用户与谁进行了交易，特别是与用户进行了交易的其他对等方(例如，P2P交易历史)。此外，还使用了关于被捐赠的慈善事业的表征信息。为了提供一些关于使用P2P交易历史作出推荐的见解，提供了图3B。对于该用例，用户302d被示出为已经与用户302e进行了交易320，而用户302e与用户302f进行了交易320。并且此外，用户302e和用户302f具有捐赠历史，其中用户302e向慈善事业324和326进行捐赠322，而用户302f向慈善事业324进行捐赠322。因此，可以使用已知的交易历史和捐赠表征信息向用户302d提供推荐。在该用例中，基于用户302d的联系人捐赠的慈善机构，向用户302d推荐318慈善事业318和324。
转到图3C，呈现了又一推荐场景。在该推荐用例中，购买历史和慈善关系被认为是表征信息。对于该用例，可以向用户302g提供基于用户的购买历史而呈现出的推荐。因此，基于用户302g对物品330的购买324来呈现慈善事业328。为了作出该推荐，在一个实施例中，可以提取与购买物品330相关联的元数据属性。例如，可以提取包括物品名称、类别、描述等的属性。然后，使用所提取的元数据属性，可以将慈善事业328或其他推荐呈现给用户302g。
注意，图3A-图3C是作为示例性用例场景提供的，其用于示出可以如何使用表征信息来提供推荐。注意，其他用例以及使用更多、更少和替代的表征信息也是可能的。例如，可以使用趋势、知名度、关系和其他表征信息，并且可以呈现用例。此外，所识别的捐赠、推荐、交易和相似性的数量可以因确定推荐而有所不同。
接下来示出了图4以提供能够用于实现用于作出推荐的***和平台的示例性架构。注意，为了继续整个示例，图4中的架构400也被定义为针对慈善事业推荐。然而，该平台和***400可以用于、更新和实现任何推荐。
如图4所示，在一个实施例中，***可以基于其功能进行划分，虚线左侧可以包括主要适用于支付供应商应用程序(例如，PayPal)的模块和交互，而右侧可以包括在执行分析时考虑的那些模块和交互。由于推荐***200中的目标是向用户302呈现感兴趣的慈善事业，因此与推荐***200的交互将从用户302h在结账402时与应用程序交互开始。在结账402时，用户302h可以准备完成购买，并且可以被提示有机会向慈善事业进行捐赠。支付供应商处的结账402随后可以触发与客户参与平台404和事业模块(cause module)406的通信。事业模块406可以在结账时以及在用户302h进行捐赠时被立即触发和/或访问，其中捐赠细节可以被收集并存储在弹性存储组件408中，该弹性存储组件408可用于作出未来推荐和/或从客户参与平台404接收慈善细节。客户参与平台404可以是处理单元、操作***和/或能够从中开发其他过程和模块的一组技术。例如，在客户参与平台上，可以存在存储、访问或检索能够用于作出推荐的用户表征信息的技术、模块或存储单元。具体而言，如图4所例示，客户参与平台404可以包括个性化、内容管理、客户简档、跟踪和客户细分模块。这些模块可以在结账期间提取客户详细信息时使用，以用于向事业模块406提供表征信息和其他相关详细信息，从而将详细信息传送到存储/跟踪模块(例如，弹性存储组件408、数据库410)，和/或接收和处理条目，由二级用户302i提供更新。二级用户302i可以是具有对内部策略和营销信息的见解的支付供应商的内部雇员，使得对客户参与平台的内容输入是有用和相关的。注意，还可以动态地创建或自动地进行内容输入，使得二级用户302i可以是外部***。
接下来，传送到存储和跟踪模块408、410的细节可以在架构的分析部分中用于作出推荐。例如，在数据库410处跟踪的内容随后可以由流式传输软件412双向处理以供推荐组件414使用。流式传输软件412(例如，Kafka)可以用于使批处理内容能够作为流被连续读取。通常，这种能力不是现成的、能够根据应用程序中的处理能力和数据的传入速率在批处理和流处理之间进行智能地切换的功能。然而，客户参与模块404/数据库410和推荐组件414可以配备智能模式，该智能模式可以通过由诸如Kafka之类的流式传输软件412处理数据来在批处理和流处理之间无缝地切换。
然后，事业模型416可以使用推荐组件414处的数据来进行预测。可以通过访问用户302i的详细信息来进行预测并训练模型，该用户302i的详细信息可以容纳在数据仓库418中。数据仓库可以包括具有关于用户302i的详细信息(包括但不限于用户进行的购买、捐赠、简档信息、联系人和朋友、以及与用户302i进行交易的商家)的各种存储库。
为了训练事业模型416，可以出现由弹性跟踪模块408跟踪的数据和另一用户302j的手动干预的组合。另一用户302j可以是数据科学家，其可以确定与推荐模型416的输入相关的信息。另外，或者替代地，可以在不需要另一用户302j手动干预的情况下使用***或其他组件。由弹性跟踪模块408跟踪的用于输入到事业模型416的数据可以包括使用反馈获得的数据。在一个实施例中，反馈可以用于训练事业模型416，以便提供对事业模型416的连续调节。
具体而言，可以基于结帐时所呈现出的建议的慈善事业根据用户动作来使用和收集反馈。例如，所跟踪的有用反馈可以包括：当慈善机构是用户支持的或者他们愿意支持的时，这些用户是否向建议的慈善机构捐款。能够跟踪的其他反馈可以包括用户302是否喜欢建议的慈善机构，因为通常如果用户302不喜欢这些慈善机构，他们可能不会向这些慈善机构捐款。因此，推荐架构400提供了一种***，该***可以连续跟踪正在被捐赠(兑换(conversion))的建议的慈善机构以及慈善机构呈现给用户302j的频率，以测量来自所有产品的显示计数(印象)作为反馈，并且然后调节事业模型416以提供更好的推荐结果。
因此，通过转换和印象，数据可以被提供并用于创建建议的慈善机构得分值。在一个实施例中，可以通过首先向来自事业模型416的每个建议的慈善机构给予反馈影响权重(w)值1来计算慈善机构得分值。然后，在进行一些观察之后，如果呈现给用户302的建议的慈善机构在限定的时间段之后没有获得任何兑换，则可以减小权重(w)值。最终，当针对N次印象没有兑换时，权重值可以减小到接近0。在这种情况下，向用户302推荐建议的慈善机构的概率减小。另一方面，如果建议的慈善机构获得兑换，则权重值(w)可以重置回到1以使建议的慈善机构得分值最大化，以便下次将该慈善机构强烈推荐给用户302。因此，可以跟踪对基于与慈善事业的交互的用户302的兑换和印象的连续收集，以构成推荐，从而创建经调节的反馈循环，以提供更新的推荐得分/建议的慈善机构得分值并产生更准确的结果。
注意，事业模型416可以包括被设计用于作出推荐的一个或多个模型和机器学习算法。机器学习算法可以包括基于有监督和无监督学习的那些算法，并且可以包括诸如但不限于聚类、基于树、组合、随机行走等模型。
此外，可以在多个模型上实现推荐得分。可以使每个模型个性化，以提供慈善事业的推荐列表，其中针对每个慈善事业提供有推荐得分。得分越高，正确预测慈善事业的机会就越大。但是，如果多个模型都预测出慈善事业的列表，则需要预测各种个性化模型中最适合的慈善事业。可以使用各种技术来实现这一点。第一种技术可以包括基于可用信息进行预测。当并非所有期望的数据在任何时候都可用于针对所有用户计算期望的慈善事业时，使用该技术可能是适当的。例如，在一些实例中，用户捐赠历史可能丢失。在其他实例中，购买历史可能不可用或可能受到限制。在这样的实例中，在预测慈善事业列表时，可能会从可用的个性化模型中排除或不考虑那些细节不充分的个性化模型。
另一种技术可以包括使用跨模型的得分校准来进行使用和预测。在存在多个因素并且在获得给定模型的推荐得分时考虑了这些因素的情况下，这种技术是足够的。这些因素可能因模型而不同，因此，可以跨每个其他模型对这些因素进行校准，以获得跨模型一致的推荐得分。注意，这种技术的使用可以包括在慈善事业被排序并以排序顺序呈现给用户302的情况下使用排序。
又一种技术可以包括使用轮询方法，以便识别与用户302最密切的模型。例如，在一些用户喜欢使用其朋友已经捐赠的慈善事业的情况下，相比于其他方法，该技术可能是有用的。这可以通过跨不同的模型以轮询方式循环慈善机构来识别，这种方式可以识别出用户对特定模型的密切关系。
另外两种技术可以包括对多个模型推荐的慈善事业进行评分以及使用冠军技术。在由多个模型推荐各种慈善事业的实例中，使用评分的技术非常有用。在这种实例中，各种慈善事业可以基于用户选择的概率获得次级推荐得分。冠军技术需要同时使用多个模型。这里，可以选择性能最佳的模型作为冠军，并且选择该模型以产生对用户的推荐。其他模型仍然可以用模拟数据挑战冠军。一旦另一个模型的性能超过了现有的冠军，那么该另一个模型将用于呈现推荐。
转到图500，示出了一种用于进行推荐的更加个性化的方法。具体而言，图5示出了用于作出推荐的跨领域协同过滤500的实现方式的图示。如图5所示，所呈现的推荐基于使用组合模型508计算并获得的总推荐得分510。组合模型508是使用两个或更多个分析模型来获得最终结果或推荐的建模技术或过程。为了获得或生成更准确的最终结果，可以通过组合由每个模型作出的预测来获得最终结果或推荐510。替代地，组合模型508可以通过选择和使用为所考虑的问题创建最佳模型的一个或多个模型来获得最终结果。例如，在考虑的慈善机构示例中，组合模型508可以通过从多个模型中的每一者获得单独的推荐得分来获得对一个或多个最佳慈善机构的推荐。
在一个实施例中，为了获得慈善机构的更定制的推荐，呈现了三个不同的模型502-506。在第一模型中，可以使用包含跨领域协同过滤502的模型来获得推荐得分。第二模型可以包括使用随机游走技术来确定推荐得分504。而第三模型可以包括使用聚类来确定推荐得分506。
包括使用跨领域协同过滤502的第一模型是被设计为不仅考虑用户和他/她的交易而且考虑跨领域的交易的模型。例如，考虑关于商家和慈善机构的交易信息。因此，跨领域协同过滤502模型的一个焦点可以包括部分地基于关于与特定商家进行购买并且还捐赠给特定慈善机构的人的关联或预测，来进行推荐。换言之，该***被设计为显示在特定商家购物的用户也有可能向特定事业捐赠。为了示出这一点，考虑用户在商家X处在线订购了宠物食品，然后假设该用户在商家X处购买了宠物食品，那么该用户很可能会向动物之友慈善机构进行捐赠。因此，向用户呈现定制的慈善机构，而不是随机的或最受欢迎的慈善机构(可能与用户及他/她的行为很少或没有关联)。下面结合图7描述了关于跨领域模型502的具体细节。
随机行走模型504是更关注与用户相关联的交易和对等方的模型。例如，考虑与第三方供应商(如PayPal)相关联的用户。该用户还可能具有与Venmo和Xoom(与PayPal相关联的两个实体)的单独帐户。因此，随机行走模型504可以使用用户与PayPal的交易以及与Venmo和Xoom的交易的知识。另外，随机行走模型504还可以使用关于谁进行了交易或者用户与哪些对等方进行了交易的信息。因此，可以使用能够在跨实体和/或与其他对等方的交易之间生成的数学路径，来生成随机行走模型。结合图6和如图3B所示的用例中所述，对这种图的图示进行了详细说明和描述。注意，尽管这里使用的是Venmo和Xoom，但是也可以考虑在商家之间、使用数字工具、以及在对等方之间进行其他交易。图6用于示例性目的，并且用于说明如何部分地基于用户的交易和个人关联(包括但不限于联系人、朋友、家人、组织、同事等)向用户呈现推荐(或馈送到组合模型510)。
接下来，聚类模型506可以用于确定推荐得分。聚类模型506使用基于分组对象、或基于相似性划分群体的技术。例如，假设用户是第三方支付供应商服务(例如，PayPal)的成员，则可以基于简档数据对用户进行聚类。因此，在慈善机构示例中，可以向用户呈现定制的慈善机构，或者基于用户所处的集群向用户提供推荐得分。因此，可以基于可包括但不限于性别、地址、年龄、婚姻状况等信息的简档数据，将用户分类到n个集群中的一个。因此，使用聚类模型506的重点可以是基于简档信息来呈现推荐。例如，可以基于性别和年龄将所有用户分类为N个集群。在这样的示例中，聚类可产生许多集群，包括但不限于(男性，年龄<20)，(男性，20<年龄<30)，(女性，年龄<20)，(女性，20<年龄<30)。因此，如果用户属于集群(男性，20<年龄<30)，那么集群中最受欢迎的慈善机构将推荐给该用户。
为了确定如何获得推荐或推荐得分，针对每个用户的每个慈善机构的得分可以被计算并表示为用户群集中慈善机构的概率：
因此，转向图5，一旦模型502-506具有相对应的推荐得分，组合模型508可用于获得总推荐得分510。在一个实施例中，组合模型508可以包括决策树模型。决策树模型是基于可能的决策和可能的结果创建的树状图。这样，可以使用推荐得分、P2P数据、用户简档数据和跨领域信息中的至少一些来创建决策树，并且使用决策树来提供慈善推荐得分。作为示例，考虑下面的表1，其中可以基于商家的信息和P2P交易信息来生成慈善机构得分。组合模型可以针对用户的子集进行训练，并且然后用于获得推荐。
如前所述，获得推荐得分是确定要推荐的产品、服务和慈善机构(在该示例中)的第一步骤。图6示出了示例性子图节点表示600，其中包含用户302和用于获得推荐得分的相应点对点关联604a、b。例如，考虑一个推荐，其中可以考虑用户的点对点交易来提供推荐。具体而言，考虑一个或多个用户302(使用数字钱包、支付应用程序、商家站点、第三方支付供应商等)被考虑并且用户之间和跨平台(跨其他商家站点、与诸如Venmo和/或Xoom之类的关联应用程序、与银行等)的交易被分析以作出推荐的实例。使用这些交易，可以确定在朋友和/或家庭成员和喜好之间存在关联。例如，使用子图节点表示600，可以确定朋友和类似事业的捐赠之间存在高关联。
例如，转到图6，可以看到用户B(在支付应用程序上，例如PayPal)使用P2P应用程序(例如Venmo)和用户A、C和D进行交易。类似地，用户D已经参与了P2P交易，然而，如P2P图604a、604b所示，P2P交易主要跨应用程序。因此，可以通过利用社交网络数据并使用(模糊)逻辑映射用户和识别信息，来创建子图节点表示600。然后，使用生成的每个子图302和604，可以实现诸如随机行走和其他随机过程的算法来识别和确定关联。
在一个实施例中，可以使用随机行走604来确定推荐或推荐得分。为了说明如何使用随机行走算法来构成推荐，考虑到推荐慈善机构的示例。为作出这一推荐，可遵循一系列步骤。作为第一步骤，可以构成转移概率矩阵(X)。为了构成转移概率矩阵X，考虑一个矩阵，该矩阵是从节点i(在时间t处)出发到节点j(在时间t+1处)的概率的函数，其被表示为Xi,j＝P(St+1＝j|St＝i)，其中St是当前状态并且St+1是随机行走中的下一个状态。每个节点还与一个自循环相关联。
接下来，计算n个步骤的转移概率。为了计算这些步骤，考虑Xn＝X.X.X…n次，其中n是算法中的可配置参数。因为这里考虑的示例是关于捐赠的，所以计算作出捐赠的概率。在这个概率中，节点k向慈善机构Cd的捐赠被考虑并且基于用户的302交易历史，其可以表示为
其中，所获得的概率随后可用于计算针对每个用户/客户(子图节点表示600中的节点)和每个慈善机构的推荐得分。因此，推荐得分可由以下公式计算：
其中d是慈善机构，k是客户或用户，m是图中的节点数。因此，使用该随机行走方法504，可以部分地基于用户参与的P2P交易向用户提供第一慈善机构推荐。注意，对于其他类型的推荐可以采用类似的方法，并且慈善机构推荐得分被计算并用于示例性目的。类似地，可以对吃饭的地方、要购买的物品、要提供的折扣等进行推荐。因此，通过构成具有用于指示交易或交互的节点的子图，可以计算动作发生的概率，从而可以获得推荐得分。
然而，在一些实施例中，基于随机行走的推荐504可能不足以满足期望的标准，或者可能不提供期望的推荐(慈善机构)。因此，如上所述，可以计算和使用基于聚类的推荐得分。在又一些其他实施例中，可能需要更个人化或定制的推荐。如所示的，在这些实例中，基于跨领域的推荐得分可能更合适。
为了说明如何获得基于跨领域的推荐得分，图7呈现了一些见解。具体而言，图7示出了用于获得推荐得分的物品对物品协同过滤的矩阵图700。在这种物品对物品协同方法中，考虑了跨领域方法，例如，考虑了商家和慈善机构。因此，在这个正在进行的慈善示例中，推荐得分将基于购买和捐款相关的预测。因此，可以对在商家X处进行购买的用户也会向慈善机构Y捐款进行预测。
使用该方法，计算说明了这种关联的慈善机构-商家相似性矩阵或表图700。考虑矩阵图700或相似性矩阵，第一种方法是考虑慈善机构(i)和商家(j)，并且识别两者之间存在相似性的那些实例。如相似性矩阵中所示，检查慈善机构702和商家i 704两者以确定两者之间存在什么相似性。例如，如矩阵图700所示，慈善机构702和商家i 704在第1、m-2和m行中共享一些相似性706。根据这些相似性，可以计算相似性值并将相似性值用于确定推荐得分。在一个实施例中，可以基于例如共同购买或其他相似性来创建相似性矩阵或矩阵图700，使得
用于使用统计系数度量(如Jaccard索引)进行模型训练。替代地，可以使用其他测量和/或索引机制，包括但不限于最常见的k个字符、汉明距离、相关性等。接下来，假设计算出的索引，则可以确定预测并将其用于作出推荐。预测可以被设计为向用户提供推荐。例如，可以确定慈善机构并向用户推荐。为了进行预测，可以使用基于用户与商家完成的购买数所计算出的相似性得分的加权和。因此，可以基于相似性得分的加权和，来提供给定慈善机构的预测或推荐。然后可以向用户推荐对用户具有最高得分的慈善机构。在一个实施例中，向用户推荐基于相似性得分的加权和的前k个慈善机构。因此，用户和慈善机构的相似性得分的加权和可以基于
其中R表示客户与商家或慈善机构的交易数，并且该和是关于前N个用户商家j的。注意，每个用户的前N个用户商家可以基于用户与每个商家的交易数来选择，其中，如果在计算每个慈善机构的加权得分时将计算限制到前N个商家，则算法的执行时间可以(显著地)减少。因此，该算法是可伸缩的，由此对于N个各种值是可调节的。
回想一下，一旦使用如所讨论的并结合图7的跨领域协同过滤和/或随机行走和/或聚类来确定推荐得分，就可以进一步分析推荐得分以获得总推荐得分。在一个实施例中，如上所述并结合图5，可将推荐得分馈送到组合模型中以用于进一步处理和总推荐得分510确定。
转到图8，呈现了示例过程800，该过程用于获得由如上所示并结合图4的***和方法实现的推荐。具体而言，图8示出了一个流程图，该流程图示出了使用跨领域协同过滤获得推荐得分的操作。根据一些实施例，过程800可以包括操作802-814中的一个或多个，这些操作可以至少部分地以存储在非暂时性有形机器可读介质上的可执行代码的形式实现，当在一个或多个硬件处理器上运行时，可使***执行操作802-814中的一个或多个。
过程800可以从操作802开始，其中***接收或确定用户信息可用于处理。可以部分地通过用户设备上的支付供应商应用的通知、经由商家位置处的信标、基于销售点***接收到的通信、从用户设备上访问的站点等，来确定用户正在结账。在结帐时，可以将触发器设置为与客户参与平台和/或其他数据仓库通信，在这些数据仓库中可以收集用户信息和特征信息。用户信息和/或表征信息可以包括用户简档、交易信息(包括点对点交易)、慈善捐款、对等关联(包括但不限于家庭、朋友、联系人)、物品购买、以及与慈善事业、对等捐赠等的关联。
一旦用户信息可用于交易处理，过程800可继续到操作806，其中部分地基于检索到的表征或用户信息，作出关于使用哪个(哪些)模型来获得推荐和向用户呈现推荐的确定。如上面结合图5所示，可以使用随机行走、聚类和跨领域协同模型。此外，所使用的(一个或多个)模型可进一步与组合模型结合使用，以用于确定针对慈善事业的可在操作808呈现给用户以供捐赠的推荐得分。回想在跨领域过滤模型中，推荐可以部分地基于关于与特定商家进行购买并捐赠给特定慈善机构的人的关联或预测。换言之，该***被设计为显示在特定商家处进行购物的用户也有可能向特定事业捐款。随机行走模型可以包括更关注于与用户相关联的交易和对等方的模型，并且还可以使用关于与谁进行交易或与用户进行交易的是什么对等方的信息。因此，可以使用能够在跨实体的交易之间和/或与其他对等方生成的数学路径，来生成随机行走模型，以确定推荐得分。聚类模型可以是使用基于分组对象的技术或基于相似性划分群体的技术的模型。例如，假设用户是第三方支付供应商服务(例如，PayPal)的成员，则可以基于简档数据对用户进行聚类。因此，在慈善机构示例中，可以向用户呈现定制的慈善机构，或者基于用户所处的集群向用户提供推荐得分。因此，可以基于可包括但不限于性别、地址、年龄、婚姻状况等信息的简档数据将用户分类到n个集群中的一个。因此，聚类模型可以是使用用户简档信息以提供推荐得分的模型。
组合模型可在以下情况下使用：当确定需要对组合模型进行输入以从一个或多个模型的组合获得推荐得分时。例如，在一个实施例中，组合模型可以用于使用跨领域过滤从模型获得推荐得分。在另一实施例中，可以确定对组合模型的输入可能需要使用随机行走和/或跨领域滤波模型的组合来从模型获得推荐得分。在又一实施例中，可以确定对组合模型的输入可能需要使用跨领域过滤模型、随机行走模型和/或聚类模型来从模型获得推荐得分。
接下来，在操作810，确定具有更高推荐得分的一个或多个事业，该推荐得分可在这里使用并在操作812呈现给用户。呈现给用户的一个或多个事业可以通过无线或其他通信网络、经由与商家和/或支付供应商相关联的应用程序的用户界面在用户设备上出现。
一旦确定了推荐得分、选择了慈善事业并且向用户设备发送了推荐，过程800就继续到操作814，在操作814中，作为用户响应于推荐而采取的动作的结果，更新推荐模型。也就是说，在将推荐发送给用户时，用户可以捐赠或者不捐赠给所呈现的事业。记录捐赠或缺少捐赠，并且基于用户过去的捐赠行为，相应地向该未来慈善事业推荐的训练模型呈现反馈。因此，响应于所发送的推荐，基于通过通信网络从用户设备接收到的反馈来重新训练推荐模型
注意，尽管过程800被描述为包括推荐得分的计算，但是在用户信息的帮助下，可以使用其他信息和模型。此外，所使用模型的顺序、推荐得分的分析和慈善事业的呈现可以以不同的顺序发生，并且出于示例性目的在本文中呈现了过程800。此外，可以在移动设备、智能电话、膝上型电脑、台式电脑或可用于呈现推荐的其他设备上向用户呈现推荐。下面结合图10描述了关于这种设备的细节。
上述方法、***和非暂时性存储器的各种实施例包括以下内容。
一种***，包括：非暂时性存储器，存储指令；以及硬件处理器，被配置为执行指令，以使***执行以下操作：响应于所接收到的关于用户正在结账的通知，从客户参与平台检索用户表征信息；使用所检索到的用户表征信息，来确定用于进行推荐的推荐模型；使用所确定的推荐模型进行计算，以获得至少一个推荐得分；分析所计算出的至少一个推荐得分，以确定将多个推荐中的哪一个推荐呈现给所述用户；以及通过通信网络发送所述多个推荐中所确定的一个推荐。所述***可以响应于所发送的推荐，基于通过通信网络从所述用户设备接收到的反馈来重新训练所述推荐模型；所述至少一个推荐得分是使用至少包括组合模型的一个或多个推荐模型来计算的；所述推荐得分是使用随机行走模型和聚类模型中的一者获得的；所述随机行走模型使用来自所述用户表征信息的用户简档信息和点对点交易的组合来确定所述推荐得分；所述聚类模型使用来自所检索到的用户表征信息的简档信息来确定推荐得分；所述推荐得分是使用跨领域过滤模型获得的；和/或所述组合模型包括决策树模型，并且使用一个或多个推荐得分来获得总推荐得分。
一种方法，包括：响应于所接收到的关于用户正在结账的通知，从客户参与平台检索用户表征信息；使用所检索到的用户表征信息，来确定用于进行推荐的推荐模型；使用所确定的推荐模型进行计算，以获得至少一个推荐得分；分析所计算出的至少一个推荐得分，以确定将多个推荐中的哪一个推荐呈现给所述用户；以及通过通信网络发送所述多个推荐中所确定的一个推荐。所述方法还可以包括：响应于所发送的推荐，基于通过通信网络从所述用户设备接收到的反馈来重新训练所述推荐模型。所述方法还可以包括：所述至少一个推荐得分是使用至少包括组合模型的一个或多个推荐模型来计算的；所述推荐得分是使用随机行走模型和聚类模型中的一者获得的；所述随机行走模型使用来自所述用户表征信息的用户简档信息和点对点交易的组合来确定所述推荐得分；所述聚类模型使用来自所检索到的用户表征信息的简档信息来确定推荐得分；所述推荐得分是使用跨领域过滤模型获得的；和/或所述组合模型包括决策树模型，并且使用一个或多个推荐得分来获得总推荐得分。
一种非暂时性机器可读介质，其上存储有指令，所述指令能够执行以使得执行以下操作，包括：响应于所接收到的关于用户正在结账的通知，从客户参与平台检索用户表征信息；使用所检索到的用户表征信息，来确定用于进行推荐的推荐模型；使用所确定的推荐模型进行计算，以获得至少一个推荐得分；分析所计算出的至少一个推荐得分，以确定将多个推荐中的哪一个推荐呈现给所述用户；以及通过通信网络发送所述多个推荐中所确定的一个推荐。所述非暂时性机器可读介质还包括：响应于所发送的推荐，基于通过通信网络从所述用户设备接收到的反馈来重新训练所述推荐模型。在所述非暂时性机器可读介质的其他实施例中，所述至少一个推荐得分是使用至少包括组合模型的一个或多个推荐模型来计算的；和/或所述推荐得分是使用随机行走模型和聚类模型中的一者获得的。
一种***，包括：非暂时性存储器，存储指令；以及处理器，被配置为执行指令，以使***执行以下操作：响应于确定用户信息和跨领域信息可用于处理，检索与用户相关联的一组数据；使用所检索到的用户信息的第一部分来确定第一推荐得分；使用所检索到的用户信息的第二部分或跨领域信息来确定第二推荐得分；分析所述第一推荐得分和所述第二推荐得分，以确定要选择所述第一推荐得分和所述第二推荐得分中的哪一个或多个；将所述第一推荐得分和所述第二推荐得分中所选择的一个或多个转移到组合机器学习模型；部分地基于经转移的所选择的一个或多个推荐得分获得总推荐得分；以及基于所获得的总推荐得分在用户设备上呈现推荐。所述***还可以包括，所述第一推荐得分是使用随机行走模型和聚类模型中的一者获得的；所述随机行走模型使用来自所述用户信息的用户简档信息和点对点交易的组合来确定所述第一推荐得分；所述聚类模型使用来自所检索到的用户信息的简档信息来确定所述第一推荐得分；所述第二推荐得分是使用跨领域过滤模型获得的；所述跨领域过滤模型使用用户信息和跨领域信息的组合来确定所述第二推荐得分；所述组合机器学习模型包括决策树模型，并且使用所述第一推荐得分和第二推荐得分中的一个或多个来获得所述总推荐得分；和/或使用所述组合机器学习模型以及所述第一推荐得分、所述第二推荐得分和第三推荐得分的组合来获得总推荐得分。
一种方法，包括：响应于确定用户信息和跨领域信息可用于处理，检索与用户相关联的一组数据；使用所检索到的用户信息的第一部分来确定第一推荐得分；使用所检索到的用户信息的第二部分或跨领域信息来确定第二推荐得分；分析所述第一推荐得分和所述第二推荐得分，以确定要选择和使用所述第一推荐得分和所述第二推荐得分中的哪一个或多个以进行进一步处理；将所述第一推荐得分和所述第二推荐得分中所选择的一个或多个转移到组合机器学习模型；部分地基于经转移的所选择的一个或多个推荐得分来获得总推荐得分；以及基于所获得的总推荐得分在用户设备上呈现推荐。所述方法还可以包括，所述第一推荐得分是使用随机行走模型和聚类模型中的一者获得的；所述随机行走模型使用来自所述用户信息的用户简档信息和点对点交易的组合来确定所述第一推荐得分；所述聚类模型使用来自所检索到的用户信息的简档信息来确定所述第一推荐得分；所述第二推荐得分是使用跨领域过滤模型获得的；所述跨领域过滤模型使用用户信息和跨领域信息的组合来确定所述第二推荐得分；所述组合机器学习模型包括决策树模型，并且使用所述第一推荐得分和第二推荐得分中的一个或多个来获得所述总推荐得分；和/或使用所述组合机器学习模型以及所述第一推荐得分、所述第二推荐得分和第三推荐得分的组合来获得总推荐得分。
一种非暂时性机器可读介质，其上存储有指令，所述指令可执行以使得执行以下操作，包括：响应于确定用户信息和跨领域信息可用于处理，检索与用户相关联的一组数据；使用所检索到的用户信息的第一部分来确定第一推荐得分；使用所检索到的用户信息的第二部分或跨领域信息来确定第二推荐得分；分析所述第一推荐得分和所述第二推荐得分，以确定要选择和使用所述第一推荐得分和所述第二推荐得分中的哪一个或多个以进行进一步处理；将所述第一推荐得分和所述第二推荐得分中所选择的一个或多个转移到组合机器学习模型；部分地基于经转移的所选择的一个或多个推荐得分来获得总推荐得分；以及基于所获得的总推荐得分在用户设备上呈现推荐。所述非暂时性机器可读介质还可以包括，所述第一推荐得分是使用随机行走模型和聚类模型中的一者获得的；所述随机行走模型使用来自所述用户信息的用户简档信息和点对点交易的组合来确定所述第一推荐得分；使用所述组合机器学习模型以及所述第一推荐得分、所述第二推荐得分和第三推荐得分的组合来获得总推荐得分。
图9是根据实施例的用于实现本文所述的过程的联网***900的方框图。具体而言，图9示出了用于使用跨领域过滤来证明推荐的***900的方框图。如图所示，***900可以包括或实现用于根据所描述的实施例执行各种方法的多个设备、计算机、服务器和/或软件组件。应当理解，图9中所示的设备、计算机和/或服务器可以不同地部署，并且对于给定的实施例，由这样的设备、计算机和/或服务器执行的操作和/或提供的服务可以组合或分离，并且可以由更多或更少数量的设备、计算机和/或服务器执行。此外，设备、计算机和/或服务器中的一者或多者可以由相同或不同的实体操作和/或维护。
***900包括通过网络950进行通信的商家/慈善机构设备902、主用户设备932、第三方服务供应商计算机912。这些设备902、932和912是可在可导致慈善捐款的交易期间进行交互的示例性设备。
商家设备902、主用户设备932和第三方服务供应商计算机912各自可以包括一个或多个处理器、存储器和用于执行诸如程序代码和/或数据之类的计算机可执行指令的其他合适组件。计算机可执行指令可以存储在一个或多个计算机可读介质或计算机可读设备上，以实现本文描述的各种应用、数据和步骤。例如，这样的指令可以存储在一个或多个计算机可读介质中，例如***900的各种组件内部和/或外部的存储器或数据存储设备，和/或可通过网络950访问。
商家设备902可以被实现为通信设备，其可以利用被配置用于与主用户设备932和第三方服务供应商计算机912进行有线和/或无线通信的合适硬件和软件。例如，商家设备902可以被实现为个人计算机(PC)、智能手机、笔记本/平板计算机、销售点设备、具有合适计算机硬件资源的手表、具有合适计算机硬件的眼镜、其他类型的可穿戴计算设备、可植入通信设备、服务器和/或能够发送和/或接收数据的其他类型的计算设备。商家设备902可以对应于用户和被用户使用，例如商家的雇员和/或商家授权的另一人，或作为独立***独立地被使用。
商家设备902可以包括一个或多个支付应用904、其他应用906、数据库908和网络接口组件910。支付应用904和其他应用906可以对应于可执行过程、程序和/或具有相关硬件的应用。在其他实施例中，商家设备902可以包括具有专用硬件和/或软件的附加或不同组件，以执行与支付应用904和/或其他应用906相关联的操作。
支付应用904可以促进与商家提供的商品和/或服务的销售相对应的金融交易。例如，支付应用904可以为客户提供用于购买商品或服务、捐款和接收客户支付信息(例如，客户***信息)的界面。支付应用904还可以将客户支付信息发送到支付处理器(例如，诸如与第三方服务供应商计算机912相对应的支付处理器)以处理客户支付信息。支付应用904还可以促进诸如银行交易、在线支付、资金转移、捐赠等其他类型的金融交易。
商家设备902可以执行其他应用906以执行与商家设备902相对应的各种其他任务和/或操作。例如，其他应用906可以包括：用于实现客户端侧的安全特征的安全应用程序，用于通过网络950与合适的应用程序编程接口(API)接口连接的编程客户端应用程序，或其他类型的应用程序。在各种实施例中，其他应用906可以包括社交网络应用程序。另外，其他应序906可以包括可接收输入和/或输出信息的设备接口和其他显示模块。例如，其他应用906可以包括被配置为向用户提供界面的图形用户界面(GUI)。例如，图形用户界面可以包括被设计用于向慈善事业提供捐赠的可选择按钮和/或其他应用906可以与被设计用于作出捐献或捐赠的慈善事业相关联。
商家设备902还可以包括数据库908，数据库908可以存储在商家设备602的存储器和/或其他存储设备中。数据库908可以包括例如标识符(ID)，例如操作***注册表项、与支付应用904和/或其他应用906相关联的cookie、与网络接口组件910的硬件相关联的ID、用于支付/用户/设备认证或标识的ID、和/或其他合适的ID。数据库908还可以包括与从商家购买商品或服务的客户的一个或多个购买交易相对应的信息、客户的浏览历史或其他类型的客户信息。在某些实施例中，商家设备902还可以包括与支付令牌相对应的信息，例如由第三方服务供应商计算机912生成的支付令牌。
商家设备902还可以包括至少一个网络接口组件910，该网络接口组件910被配置为与诸如来自用户302h和/或第三方服务供应商计算机912的主用户设备之类的各种其他设备通信。在各种实施例中，网络接口组件910可以包括数字订户线(DSL)调制解调器，公共交换电话网(PTSN)调制解调器、以太网设备、宽带设备、卫星设备和/或各种其他类型的有线和/或无线网络通信设备，包括微波、射频、红外、
蓝牙低能量、近场通信(NFC)设备等。另外，或者替代地，商家设备902可以包括被设计为在进行捐赠时接纳用户并与用户进行交易的慈善设备。
第三方服务供应商计算机912可以例如由第三方服务供应商维护，第三方服务供应商可以为商家提供支付处理服务。在一个示例中，第三方服务供应商可以由美国加州圣何塞市的PAYPALTM公司提供。替代地，第三方服务供应商计算机912可以与主设备的用户302相关联。因此，第三方服务供应商计算机912包括一个或多个支付处理应用914，其可以被配置为处理从商家设备902或从主用户设备932处的选择接收到的支付信息。例如，商家设备902的支付应用904可以从客户接收支付信息以购买商家提供的服务或商品。在接收到支付信息时，支付应用904可以将支付信息发送到第三方服务供应商计算机912。第三方服务供应商计算机912的支付处理应用914可以接收和处理支付信息。作为另一示例，支付应用904可以在与商家相关联的用户设备的显示器上呈现支付代码。支付代码可以被扫描或发送到商家设备902以进行支付处理。作为又一示例，当支付处理应用已经被授权并且准备好进行后处理时，该应用可以在用户设备的显示器上呈现成功的交易通知。
第三方服务供应商计算机912可以执行其他应用916以执行与第三方服务供应商计算机912相对应的各种其他任务和/或操作。例如，其他应用916可以包括：用于实现客户端安全特征的安全应用，用于通过网络950与合适的API接口连接的编程客户端应用，或与慈善事业推荐相关联的应用，和其他类型的应用。其他应用916还可以包括附加的通信应用，例如电子邮件、文本、语音和IM应用程序，这些通信应用使得能够通过网络950进行电子邮件、呼叫、文本和其他通知的通信。在各种实施例中，其他应用916可以包括位置检测应用，例如地图、罗盘和/或GPS应用程序，这些位置检测应用可用于确定第三方服务供应商计算机912的位置。另外，其他应用916可以包括设备接口和可接收输入和/或输出信息的其他显示模块。例如，其他应用916可以包括被配置为向一个或多个用户提供界面的GUI。
第三方服务供应商计算机912还可以包括数据库918，数据库918可以存储在第三方服务供应商计算机912的存储器和/或其他存储设备中。数据库918可以包括例如ID，例如操作***注册表项、与支付处理应用914和/或其他应用916相关联的cookie、与网络接口组件922的硬件相关联的ID、用于支付/用户/设备认证或标识的ID、交易ID和/或其他合适的ID。
根据特定实施例，第三方服务供应商计算机912可以包括一组支付简档920，这组支付简档920对应于商家设备针对商家的一个或多个客户执行的过去销售交易。替代地，第三方服务供应商计算机912可以包括与对应商家相关联的支付源相对应的一组商家支付简档。例如，来自这组支付简档920的特定支付简档可以包括对应于商家的特定客户和/或与用户相关联的商家的支付信息。支付信息可以包括***信息(例如，加密的***、到期日、安全码、卡发行人和等等)、自动清算所(ACH)信息(例如，加密的帐号、银行代号(routingnumber)等等)、与特定客户/用户相关联的识别信息(例如，客户标识符、姓名、地址、电话号码、出生日期等等)、帐单信息、信用评分和/或与特定客户相关联的任何其他类型的支付信息。此外，这组支付简档920的其他支付简档可以包括对应于商家的其他客户和/或与用户相关联的其他商家的支付信息。另外，第三方服务供应商计算机912可以根据第一文件格式存储这组支付简档920。
类似地，在另一实施例中，第三方服务供应商计算机912可以包括一组捐赠、联系人简档、用户简档信息等，其可用于提供推荐。这些推荐可以呈现给主用户设备932的用户，并且部分地基于收集和存储的简档信息来识别。
第三方服务供应商计算机912还可以存储与这组支付简档920相对应的一组支付令牌。例如，这组支付简档920的每个支付简档可以与这组支付令牌的相应支付令牌相关联。在一些实施例中，每个支付简档可以包括来自这组支付令牌的相应支付令牌。这组支付令牌可特定于第三方服务供应商计算机912(例如，来自其他服务供应商的计算机可能无法使用这组支付令牌)，并且可使商家设备902能够更安全地处理与第三方服务供应商计算机912的支付交易。例如，为了处理涉及与特定支付简档相关联的信用***的支付交易，第三方服务供应商计算机912可以向商家设备902提供不同于信用***的特定支付令牌。商家设备902可以使用特定支付令牌来处理支付交易而不是信用***。此外，商家设备可以存储特定支付令牌并将其与特定支付简档而不是信用***相关联，从而保护信用***在商家设备902的潜在安全漏洞中不被窃取。
在各种实施例中，第三方服务供应商计算机912还包括至少一个网络接口组件922，网络接口组件922被配置为经由网络950与商家设备902和/或主用户设备932通信。
第三方供应商计算机912还可以包括可用于原始数据分类的数据分类组件924。在一个实施例中，可以分析由第三方服务供应商计算机912接收和/或存储在数据库918中的原始数据，以识别交易后处理中的错误、确定跨领域相关性、确定用户特定的推荐、确定推荐得分等。
主用户设备932可以被实现为通信设备，该通信设备可以利用被配置用于与商家设备902和第三方服务供应商计算机912进行有线和/或无线通信的合适硬件和软件。主用户设备932可以是个人计算机(PC)、智能电话、笔记本/平板计算机、具有合适计算机硬件资源的手表、具有合适计算机硬件的眼镜(例如，GOOGLE 
)、其他类型的可穿戴计算设备、可植入通信设备和/或能够发送和/或接收数据的其他类型的计算设备。在一个实施例中，主用户设备932可以是与可穿戴设备(或二级用户设备)、商家设备902或直接与第三方服务供应商***912通信的移动设备。
主用户设备932可以包括支付处理应用926，该支付处理应用926可以用作可以与商家设备902、二级用户设备和/或第三方服务供应商912通信以进行购买和交易的数字钱包。支付处理应用926可以与数据库930联合工作，以检索可能与各种商家位置、慈善机构和其他相关事业相关联的银行帐户信息、用户帐户、安全代码、令牌。类似地，支付处理应用还可以提供对用户简档的访问，以用于确定要进行和使用的支付方法、处理代码和/或推荐。
主用户设备932还可以包括其他应用928，以执行与主用户设备932相对应的各种其他任务和/或操作。例如，其他应用928可以促进与商家设备902的通信，例如从商家设备902接收指示，将支付处理服务从第三方服务供应商切换到服务供应商。作为另一示例，其他应用928可以包括安全应用、能够指定主要交互设备的应用以及允许网站搜索(包括对商家网站的访问)的应用。其他应用928还可以包括附加的通信应用，例如电子邮件、文本、语音和IM应用，这些通信应用使得能够通过网络950进行电子邮件、呼叫、文本和其他通知的通信。在各种实施例中，其他应用928可以包括位置检测应用，例如，地图、罗盘和/或GPS应用，这些位置检测应用可用于确定主用户设备932的位置。其他应用928可以包括社交网络应用。另外，其他应用928可以包括设备接口和可接收输入和/或输出信息的其他显示模块。例如，其他应用928可以包括被配置为向一个或多个用户提供界面的GUI。
主用户设备932还可以包括数据库930，数据库930可以存储在主用户设备932的存储器和/或其他存储设备中。数据库930可以包括例如标识符(ID)，例如操作***注册表项、与web浏览器和/或其他应用928相关联的cookie、与网络接口组件934的硬件相关联的ID、用于支付/用户/设备认证或标识的ID、银行信息、商家信息、用户帐户和/或其他合适的ID。
主用户设备932还可以包括至少一个网络接口组件934，网络接口组件934被配置为与诸如商家设备902和/或第三方服务供应商计算机912之类的各种其他设备通信。
图10以方框图格式示出了适合于在图4中的***的一个或多个设备上实现的示例计算机***1000。在各种实施方式中，包括计算机***1000的设备可以包括能够与网络1026通信的计算设备(例如，智能或移动设备、计算板、个人计算机、膝上型电脑、可穿戴设备、PDA、服务器等)。服务供应商和/或内容供应商可以利用能够与网络1026通信的网络计算设备(例如，网络服务器或第三方服务供应商计算机912)。应当理解，用户、服务供应商和内容供应商所使用的每个设备可以如下方式被实现为计算机***1000。
此外，随着越来越多的设备变得具有通信能力，例如使用无线通信来报告、跟踪、传送消息、中继信息等的新智能设备，这些设备可以是计算机***1000的一部分。例如，窗口、墙壁和其他对象可以兼作触摸屏设备以供用户进行交互。这样的设备可以与本文讨论的***结合。
计算机***1000可以包括总线1010或用于在计算机***1000的各种组件之间传送信息数据、信号和信息的其它通信机构。组件包括处理用户动作(例如，从按键/键盘选择键，选择一个或多个按钮、链路、可操作元件等，以及向总线1010发送相应的信号)的输入/输出(I/O)组件1004。I/O组件1004还可以包括输出组件，例如显示器1002和光标控件1008(例如键盘、按键、鼠标、触摸屏等)。在一些示例中，I/O组件1004可以包括用于捕获图像和/或视频的图像传感器，例如互补金属氧化物半导体(CMOS)图像传感器等。还可以包括音频输入/输出组件1006，以允许用户通过转换音频信号来使用用于输入信息的语音。音频I/O组件1006可允许用户听到音频。收发器或网络接口1022经由网络在计算机***1000和其他设备(例如，另一用户设备、商家服务器、电子邮件服务器、应用服务供应商、web服务器、支付供应商服务器和/或其他服务器等)之间发送和接收信号。在各种实施例中，例如对于许多蜂窝电话和其他移动设备实施例，该传输可以是无线的，尽管其他传输介质和方法也可以是合适的。处理器1018(其可以是微控制器、数字信号处理器(DSP)或其它处理部件)处理这些不同的信号，例如用于在计算机***1000上显示或经由通信链路1024通过网络1026传输到其它设备。此外，在一些实施例中，通信链路1024可以是无线通信。处理器1018还可以控制诸如cookie、IP地址、图像等信息到其他设备的传输。
计算机***1000的组件还包括***存储器组件1012(例如RAM)、静态存储组件1014(例如ROM)、和/或磁盘驱动器1016。计算机***1000通过执行包含在***存储器组件1012中的一个或多个指令序列，由处理器1018和其他组件执行特定操作。逻辑可以编码在计算机可读介质中，其可指代参与向处理器1018提供指令以供执行的任何介质。这种介质可以采取多种形式，包括但不限于非易失性介质、易失性介质和/或传输介质。在各种实施方式中，非易失性介质包括光盘或磁盘，易失性介质包括诸如***存储器组件1012之类的动态存储器，并且传输介质包括同轴电缆、铜线和光纤(包括含有总线1010的导线)。在一个实施例中，逻辑被编码在非暂时性机器可读介质中。在一个示例中，传输介质可以采用声波或光波的形式，例如在无线电波、光学和红外数据通信期间产生的声波或光波。
计算机可读介质的一些常见形式包括，例如，硬盘、磁带、任何其它磁性介质、CD-ROM、任何其它光学介质、RAM、PROM、EPROM、FLASH-EPROM、任何其它存储器芯片或盒式磁带、或计算机适于从中读取的任何其它介质。
计算机***1000的组件还可以包括短程通信接口1020。在各种实施例中，短程通信接口1020可以包括收发器电路、天线和/或波导管。短程通信接口1020可以使用一个或多个短程无线通信技术、协议和/或标准(例如WIFI、
蓝牙低能量(BLE)、红外、NFC等)。
在各种实施例中，短程通信接口1020可以被配置为利用计算机***1000附近的短程通信技术检测其他设备(例如，主用户设备1032、商家设备1002。短程通信接口1020可以创建用于检测具有短程通信能力的其他设备的通信区域。当具有短程通信能力的其他设备被置于短程通信接口1020的通信区域中时，短程通信接口1020可以检测其他设备并与其他设备交换数据。短程通信接口1020可以在足够接近时从其他设备接收标识符数据分组。标识符数据分组可以包括一个或多个标识符，其可以是操作***注册表项、与应用相关联的cookie、与另一设备的硬件相关联的标识符和/或各种其他合适的标识符。
在一些实施例中，短程通信接口1020可以使用短程通信协议(例如Wi-Fi)来识别局域网，并加入局域网。在一些示例中，计算机***1000可以使用短程通信接口1020发现和/或与作为局域网一部分的其他设备通信。在一些实施例中，短程通信接口1020可以进一步与和短程通信接口1020通信地耦合的其他设备交换数据和信息。
在本公开的各种实施例中，实践本公开的指令序列的执行可以由计算机***1000来执行。在本公开的各种其他实施例中，通过通信链路1024耦合到网络(例如，LAN、WLAN、PTSN、和/或各种其他有线或无线网络(包括电信、移动和蜂窝电话网络))的多个计算机***1000可相互协调地执行指令序列以实践本公开。本文所描述的模块可以体现在一个或多个计算机可读介质中，或者与一个或多个处理器通信以执行或处理本文所描述的技术和算法。
计算机***可以通过通信链路1024和通信接口来发送和接收消息、数据、信息和指令，包括一个或多个程序(即，应用程序代码)。接收到的程序代码可以由处理器执行，作为接收和/或存储在磁盘驱动器组件或一些其他非易失性存储组件中以供执行。
在适用的情况下，本公开所提供的各种实施例可以使用硬件、软件或硬件和软件的组合来实现。此外，在适用的情况下，本文所述的各种硬件组件和/或软件组件可以被组合成包括软件、硬件和/或两者的复合组件，而不脱离本发明的精神。在适用的情况下，本文所述的各种硬件组件和/或软件组件可以被分离为包括软件、硬件或两者的子组件，而不脱离本发明的范围。此外，在适用的情况下，可以设想软件组件可以被实现为硬件组件，反之亦然。
根据本公开的软件，例如程序代码和/或数据，可以存储在一个或多个计算机可读介质上。还可以设想，本文中标识的软件可以使用一个或多个计算机和/或计算机***、网络和/或其他方式来实现。在适用的情况下，本文所描述的各种步骤的顺序可以改变、组合成复合步骤和/或分离成子步骤以提供本文所描述的特征。
前述公开并不旨在将本公开限制于所公开的精确形式或特定使用领域。因此，可以设想，根据本发明，对本发明的各种替代实施例和/或修改(无论在此明确描述还是暗示)是可能的。例如，上述实施例集中于商家/销售商和客户；然而，顾客或消费者可以支付，或以其他方式与任何类型的接受者互动，包括慈善机构和个人。因此，本文中使用的“商家”还可以包括慈善机构、个体以及从客户处接收支付的任何其他实体或个人。在这样描述了本发明的实施例之后，本领域的普通技术人员将认识到，在不脱离本发明的范围的情况下，可以在形式和细节上进行改变。因此，本公开仅受权利要求的限制。
Claims (40)
1.一种***，包括：
非暂时性存储器，存储指令；以及
硬件处理器，被配置为执行指令，以使所述***执行以下操作：
响应于所接收到的关于用户正在结账的通知，从客户参与平台检索用户表征信息；
使用所检索到的用户表征信息，来确定用于进行推荐的推荐模型；
使用所确定的推荐模型进行计算，以获得至少一个推荐得分；
分析所计算出的至少一个推荐得分，以确定将多个推荐中的哪一个推荐呈现给所述用户；以及
通过通信网络发送所述多个推荐中所确定的一个推荐。
2.根据权利要求1所述的***，其中，执行指令进一步使所述***执行以下操作：
响应于所发送的推荐，基于通过通信网络从所述用户设备接收到的反馈来重新训练所述推荐模型。
3.根据权利要求1所述的***，其中，所述至少一个推荐得分是使用至少包括组合模型的一个或多个推荐模型来计算的。
4.根据权利要求1所述的***，其中，所述推荐得分是使用随机行走模型和聚类模型中的一者获得的。
5.根据权利要求2所述的***，其中，所述随机行走模型使用来自所述用户表征信息的用户简档信息和点对点交易的组合来确定所述推荐得分。
6.根据权利要求4所述的***，其中，所述聚类模型使用来自所检索到的用户表征信息的简档信息来确定所述推荐得分。
7.根据权利要求1所述的***，其中，所述推荐得分是使用跨领域过滤模型获得的。
8.根据权利要求2所述的***，其中，所述组合模型包括决策树模型，并且使用一个或多个推荐得分来获得总推荐得分。
9.一种方法，包括：
响应于所接收到的关于用户正在结账的通知，从客户参与平台检索用户表征信息；
使用所检索到的用户表征信息，来确定用于进行推荐的推荐模型；
使用所确定的推荐模型进行计算，以获得至少一个推荐得分；
分析所计算出的至少一个推荐得分，以确定将多个推荐中的哪一个推荐呈现给所述用户；以及
通过通信网络发送所述多个推荐中所确定的一个推荐。
10.根据权利要求9所述的方法，还包括：
响应于所发送的推荐，基于通过通信网络从所述用户设备接收到的反馈来重新训练所述推荐模型。
11.根据权利要求9所述的方法，其中，所述至少一个推荐得分是使用至少包括组合模型的一个或多个推荐模型来计算的。
12.根据权利要求9所述的方法，其中，所述推荐得分是使用随机行走模型和聚类模型中的一者获得的。
13.根据权利要求10所述的方法，其中，所述随机行走模型使用来自所述用户表征信息的用户简档信息和点对点交易的组合来确定所述推荐得分。
14.根据权利要求12所述的方法，其中，所述聚类模型使用来自所检索到的用户表征信息的简档信息来确定所述推荐得分。
15.根据权利要求9所述的方法，其中，所述推荐得分是使用跨领域过滤模型获得的。
16.根据权利要求12所述的方法，其中，所述组合模型包括决策树模型，并且使用一个或多个推荐得分来获得总推荐得分。
17.一种非暂时性机器可读介质，其上存储有指令，所述指令能够执行以使得执行以下操作，包括：
响应于所接收到的关于用户正在结账的通知，从客户参与平台检索用户表征信息；
使用所检索到的用户表征信息，来确定用于进行推荐的推荐模型；
使用所确定的推荐模型进行计算，以获得至少一个推荐得分；
分析所计算出的至少一个推荐得分，以确定将多个推荐中的哪一个推荐呈现给所述用户；以及
通过通信网络发送所述多个推荐中所确定的一个推荐。
18.根据权利要求17所述的非暂时性机器可读介质，其中，所述操作还包括：
响应于所发送的推荐，基于通过通信网络从所述用户设备接收到的反馈来重新训练所述推荐模型。
19.根据权利要求17所述的非暂时性机器可读介质，其中，所述至少一个推荐得分是使用至少包括组合模型的一个或多个推荐模型来计算的。
20.根据权利要求17所述的非暂时性机器可读介质，其中，所述推荐得分是使用随机行走模型和聚类模型中的一者获得的。
21.一种***，包括：
非暂时性存储器，存储指令；以及
处理器，被配置为执行指令，以使所述***执行以下操作：
响应于确定用户信息和跨领域信息可用于处理，检索与用户相关联的一组数据；
使用所检索到的用户信息的第一部分来确定第一推荐得分；
使用所检索到的用户信息的第二部分或跨领域信息来确定第二推荐得分；
分析所述第一推荐得分和所述第二推荐得分，以确定要选择所述第一推荐得分和所述第二推荐得分中的哪一个或多个；
将所述第一推荐得分和所述第二推荐得分中所选择的一个或多个转移到组合机器学习模型；
部分地基于经转移的所选择的一个或多个推荐得分来获得总推荐得分；以及
基于所获得的总推荐得分在用户设备上呈现推荐。
22.根据权利要求21所述的***，其中，所述第一推荐得分是使用随机行走模型和聚类模型中的一者获得的。
23.根据权利要求22所述的***，其中，所述随机行走模型使用来自所述用户信息的用户简档信息和点对点交易的组合来确定所述第一推荐得分。
24.根据权利要求22所述的***，其中，所述聚类模型使用来自所检索到的用户信息的简档信息来确定所述第一推荐得分。
25.根据权利要求21所述的***，其中，所述第二推荐得分是使用跨领域过滤模型获得的。
26.根据权利要求21所述的***，其中，所述跨领域过滤模型使用用户信息和跨领域信息的组合来确定所述第二推荐得分。
27.根据权利要求21所述的***，其中，所述组合机器学习模型包括决策树模型，并且使用所述第一推荐得分和第二推荐得分中的一个或多个来获得所述总推荐得分。
28.根据权利要求21所述的***，其中，使用所述组合机器学习模型以及所述第一推荐得分、所述第二推荐得分和第三推荐得分的组合来获得总推荐得分。
29.一种方法，包括：
响应于确定用户信息和跨领域信息可用于处理，检索与用户相关联的一组数据；
使用所检索到的用户信息的第一部分来确定第一推荐得分；
使用所检索到的用户信息的第二部分或跨领域信息来确定第二推荐得分；
分析所述第一推荐得分和所述第二推荐得分，以确定要选择和使用所述第一推荐得分和所述第二推荐得分中的哪一个或多个以进行进一步处理；
将所述第一推荐得分和所述第二推荐得分中所选择的一个或多个转移到组合机器学习模型；
部分地基于经转移的所选择的一个或多个推荐得分来获得总推荐得分；以及
基于所获得的总推荐得分在用户设备上呈现推荐。
30.根据权利要求29所述的方法，其中，所述第一推荐得分是使用随机行走模型和聚类模型中的一者获得的。
31.根据权利要求30所述的方法，其中，所述随机行走模型使用来自所述用户信息的用户简档信息和点对点交易的组合来确定所述第一推荐得分。
32.根据权利要求30所述的方法，其中，所述聚类模型使用来自所检索到的用户信息的简档信息来确定所述第一推荐得分。
33.根据权利要求29所述的方法，其中，所述第二推荐得分是使用跨领域过滤模型获得的。
34.根据权利要求29所述的方法，其中，所述跨领域过滤模型使用用户信息和跨领域信息的组合来确定所述第二推荐得分。
35.根据权利要求29所述的方法，其中，所述组合机器学习模型包括决策树模型，并且使用所述第一推荐得分和第二推荐得分中的一个或多个来获得所述总推荐得分。
36.根据权利要求29所述的方法，其中，使用所述组合机器学习模型以及所述第一推荐得分、所述第二推荐得分和第三推荐得分的组合来获得总推荐得分。
37.一种非暂时性机器可读介质，其上存储有指令，所述指令可执行以使得执行以下操作，包括：
响应于确定用户信息和跨领域信息可用于处理，检索与用户相关联的一组数据；
使用所检索到的用户信息的第一部分来确定第一推荐得分；
使用所检索到的用户信息的第二部分或跨领域信息来确定第二推荐得分；
分析所述第一推荐得分和所述第二推荐得分，以确定要选择和使用所述第一推荐得分和所述第二推荐得分中的哪一个或多个以进行进一步处理；
将所述第一推荐得分和所述第二推荐得分中所选择的一个或多个转移到组合机器学习模型；
部分地基于经转移的所选择的一个或多个推荐得分来获得总推荐得分；以及
基于所获得的总推荐得分在用户设备上呈现推荐。
38.根据权利要求37所述的非暂时性机器可读介质，其中，所述第一推荐得分是使用随机行走模型和聚类模型中的一者获得的。
39.根据权利要求38所述的非暂时性机器可读介质，其中，所述随机行走模型使用来自所述用户信息的用户简档信息和点对点交易的组合来确定所述第一推荐得分。
40.根据权利要求37所述的非暂时性机器可读介质，其中，使用所述组合机器学习模型以及所述第一推荐得分、所述第二推荐得分和第三推荐得分的组合来获得总推荐得分。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US16/215,808 US11157987B2 (en) | 2018-12-07 | 2018-12-11 | System and method for obtaining recommendations using scalable cross-domain collaborative filtering |
| US16/215,808 | 2018-12-11 | ||
| PCT/US2019/064328 WO2020123209A1 (en) | 2018-12-11 | 2019-12-03 | System and method for obtaining recommendations using scalable cross-domain collaborative filtering |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113168424A true CN113168424A (zh) | 2021-07-23 |
Family
ID=71076613
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201980082152.1A Pending CN113168424A (zh) | 2018-12-11 | 2019-12-03 | 使用可伸缩的跨领域协同过滤来获得推荐的***和方法 |
Country Status (4)
| Country | Link |
|---|---|
| EP (1) | EP3895032A4 (zh) |
| CN (1) | CN113168424A (zh) |
| AU (2) | AU2019395313A1 (zh) |
| WO (1) | WO2020123209A1 (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113779380A (zh) * | 2021-08-12 | 2021-12-10 | 阿里巴巴（中国）有限公司 | 跨域推荐、内容推荐方法、装置及设备 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130097664A1 (en) * | 1999-10-27 | 2013-04-18 | Pinpoint, Incorporated | Secure data interchange |
| CN103620593A (zh) * | 2011-04-19 | 2014-03-05 | 诺基亚公司 | 用于提供基于特征的协同过滤的方法和装置 |
| CN103745356A (zh) * | 2013-12-23 | 2014-04-23 | 苏州亚安智能科技有限公司 | 基于客户需求的定向电子商务平台 |
| CN103824192A (zh) * | 2012-08-31 | 2014-05-28 | 埃森哲环球服务有限公司 | 混合推荐*** |
| JP2014232346A (ja) * | 2013-05-28 | 2014-12-11 | 日本電信電話株式会社 | 情報推薦装置、情報推薦方法及び情報推薦プログラム |
| US20160005070A1 (en) * | 2014-07-01 | 2016-01-07 | Sears Brands, L.L.C. | System and method for personalized add-on purchase |
| CN105279672A (zh) * | 2014-06-30 | 2016-01-27 | 邻客音公司 | 线索推荐 |
| CN105488216A (zh) * | 2015-12-17 | 2016-04-13 | 上海中彦信息科技有限公司 | 基于隐式反馈协同过滤算法的推荐***及方法 |
| CN107743249A (zh) * | 2017-11-27 | 2018-02-27 | 四川长虹电器股份有限公司 | 一种基于模型融合的ctr预估方法 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7130807B1 (en) * | 1999-11-22 | 2006-10-31 | Accenture Llp | Technology sharing during demand and supply planning in a network-based supply chain environment |
| US10339538B2 (en) * | 2004-02-26 | 2019-07-02 | Oath Inc. | Method and system for generating recommendations |
| EP1975813A1 (en) * | 2007-03-31 | 2008-10-01 | Sony Deutschland Gmbh | Method for content recommendation |
| US10339198B2 (en) * | 2015-12-18 | 2019-07-02 | Bitly, Inc. | Systems and methods for benchmarking online activity via encoded links |
| US20170250930A1 (en) * | 2016-02-29 | 2017-08-31 | Outbrain Inc. | Interactive content recommendation personalization assistant |
-
2019
- 2019-12-03 CN CN201980082152.1A patent/CN113168424A/zh active Pending
- 2019-12-03 AU AU2019395313A patent/AU2019395313A1/en not_active Ceased
- 2019-12-03 EP EP19895759.9A patent/EP3895032A4/en active Pending
- 2019-12-03 WO PCT/US2019/064328 patent/WO2020123209A1/en active Application Filing
-
2023
- 2023-05-17 AU AU2023203082A patent/AU2023203082A1/en active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130097664A1 (en) * | 1999-10-27 | 2013-04-18 | Pinpoint, Incorporated | Secure data interchange |
| CN103620593A (zh) * | 2011-04-19 | 2014-03-05 | 诺基亚公司 | 用于提供基于特征的协同过滤的方法和装置 |
| CN103824192A (zh) * | 2012-08-31 | 2014-05-28 | 埃森哲环球服务有限公司 | 混合推荐*** |
| JP2014232346A (ja) * | 2013-05-28 | 2014-12-11 | 日本電信電話株式会社 | 情報推薦装置、情報推薦方法及び情報推薦プログラム |
| CN103745356A (zh) * | 2013-12-23 | 2014-04-23 | 苏州亚安智能科技有限公司 | 基于客户需求的定向电子商务平台 |
| CN105279672A (zh) * | 2014-06-30 | 2016-01-27 | 邻客音公司 | 线索推荐 |
| US20160005070A1 (en) * | 2014-07-01 | 2016-01-07 | Sears Brands, L.L.C. | System and method for personalized add-on purchase |
| CN105488216A (zh) * | 2015-12-17 | 2016-04-13 | 上海中彦信息科技有限公司 | 基于隐式反馈协同过滤算法的推荐***及方法 |
| CN107743249A (zh) * | 2017-11-27 | 2018-02-27 | 四川长虹电器股份有限公司 | 一种基于模型融合的ctr预估方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113779380A (zh) * | 2021-08-12 | 2021-12-10 | 阿里巴巴（中国）有限公司 | 跨域推荐、内容推荐方法、装置及设备 |
| CN113779380B (zh) * | 2021-08-12 | 2023-11-21 | 阿里巴巴（中国）有限公司 | 跨域推荐、内容推荐方法、装置及设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| EP3895032A4 (en) | 2022-08-17 |
| WO2020123209A1 (en) | 2020-06-18 |
| EP3895032A1 (en) | 2021-10-20 |
| AU2019395313A1 (en) | 2021-06-24 |
| AU2023203082A1 (en) | 2023-06-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6913241B2 (ja) | 信用力があると判定された消費者にローンを発行するシステムおよび方法 | |
| US11157987B2 (en) | System and method for obtaining recommendations using scalable cross-domain collaborative filtering | |
| EP4184417A1 (en) | Methods and systems for providing payment interface services using a payment platform | |
| WO2020023647A1 (en) | Privacy preserving ai derived simulated world | |
| WO2018175750A1 (en) | Intelligent visual object management system | |
| US11941690B2 (en) | Reducing account churn rate through intelligent collaborative filtering | |
| US10091327B2 (en) | Processing available user data to determine a user profile for use in anticipating changing user interests | |
| US11687836B2 (en) | System and method for automatic labeling of clusters created by machine learning methods | |
| KR20190013277A (ko) | 빅데이터를 이용한 모바일 커머스 정보 추천 시스템 및 방법 | |
| US20240193665A1 (en) | System and method for making content-based recommendations using a user profile likelihood model | |
| US20230205744A1 (en) | Entity Classification Using Cleansed Transactions | |
| Edwine et al. | Detecting the risk of customer churn in telecom sector: a comparative study | |
| AU2023203082A1 (en) | System and method for obtaining recommendations using scalable cross-domain collaborative filtering | |
| US20230214696A1 (en) | System and method for obtaining recommendations using scalable cross-domain collaborative filtering | |
| US20150095194A1 (en) | Systems and methods for search term prioritization | |
| US20150051988A1 (en) | Detecting marketing opportunities based on shared account characteristics systems and methods | |
| US11475079B2 (en) | System and method for efficient multi stage statistical website indexing | |
| US10552920B2 (en) | Detecting location data of co-located users having a common interest | |
| US20230252478A1 (en) | Clustering data vectors based on deep neural network embeddings | |
| US20230252557A1 (en) | Residual Neural Networks for Anomaly Detection |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210723 |