CN114092188A - 一种轻量级b2b电商平台的推荐***算法 - Google Patents

一种轻量级b2b电商平台的推荐***算法 Download PDF

Info

Publication number
CN114092188A
CN114092188A CN202111376003.1A CN202111376003A CN114092188A CN 114092188 A CN114092188 A CN 114092188A CN 202111376003 A CN202111376003 A CN 202111376003A CN 114092188 A CN114092188 A CN 114092188A
Authority
CN
China
Prior art keywords
data
commodity
enterprise
model
layer
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
Application number
CN202111376003.1A
Other languages
English (en)
Inventor
陈巧特
孙毅
张利芳
肖家松
李芮
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Chinayie Cross Border Electronic Commerce Co ltd
Original Assignee
Shanghai Chinayie Cross Border Electronic Commerce Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shanghai Chinayie Cross Border Electronic Commerce Co ltd filed Critical Shanghai Chinayie Cross Border Electronic Commerce Co ltd
Priority to CN202111376003.1A priority Critical patent/CN114092188A/zh
Publication of CN114092188A publication Critical patent/CN114092188A/zh
Pending legal-status Critical Current

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
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/958—Organisation or management of web site content, e.g. publishing, maintaining pages or automatic linking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • General Engineering & Computer Science (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种轻量级B2B电商平台的推荐***算法，包括：(1)收集建模数据，建模数据包括企业画像数据、企业行为数据和商品特征数据，(2)对建模数据进行特征量化，连续型的建模数据进行数据的标准化操作，离散型的数据进行Embedding特征向量化操作，(3)构建wide&deep模型，(4)模型的训练，(5)通过训练好的模型进行CTR预估，得到的CTR预估结果为一个向量
Figure DDA0003363844260000011
(6)对CTR预估结果向量
Figure DDA0003363844260000012
进行从大到小排序，并记录对应的商品ID，截取前200个商品ID作为推荐列表；本发明对推荐模型进行了轻量化设计，复杂度较高的部分发生在模型的训练阶段，一旦模型训练完毕，推荐算法的响应速度非常快，并且对计算机的算力要求低，部署成本也较低。

Description

一种轻量级B2B电商平台的推荐***算法
技术领域
本发明涉及B2B电商平台技术领域，特别的为一种轻量级B2B电商平台的推荐***算法。
背景技术
在B2B电商平台中，推荐***一直是平台流量的关键入口，通过推荐***算法进行商品推荐，可以提高整个网站商品销售的有效转化率，增加商品销量。通过用户已经浏览、收藏、购买的记录，更精准的理解用户需求，对用户进行聚类、打标签，推荐用户感兴趣的商品，帮助用户快速找到需要的商品，适时放大需求，售卖更加多样化的商品。
目前，B2B电商平台的推荐***算法尚不完善，对于推荐、搜索和广告等领域，虽然存在种类繁多的推荐算法，但缺乏一种泛化性能优良的算法，既能够解决***上线初期因用户数据的缺乏而导致的“冷启动”问题，又能够实现准确预估点击通过率，其次，在该领域中，提出的算法模型大多数存在复杂度较高问题，导致推荐***的运营成本高，难以投入使用。
综上所述，研发一种轻量级B2B电商平台的推荐***算法，仍是B2B电商平台技术领域中急需解决的关键问题。
发明内容
本发明提供的了一种轻量级B2B电商平台的推荐***算法，本发明模型复杂度低，参数少，前向计算过程快，推荐模型的部署成本低，对计算机算力要求不高。
为实现以上目的，本发明通过以下技术方案予以实现：一种轻量级B2B电商平台的推荐***算法，包括以下步骤：
(1)收集建模数据，建模数据包括企业画像数据、企业行为数据和商品特征数据；
(2)对建模数据进行特征量化，连续型的建模数据进行数据的标准化操作，离散型的数据进行Embedding特征向量化操作；
(3)构建wide&deep模型；
(4)模型的训练；
(5)通过训练好的模型进行CTR预估，得到的CTR预估结果为一个向量
Figure BDA0003363844240000021
(6)对CTR预估结果向量
Figure BDA0003363844240000022
进行从大到小排序，并记录对应的商品ID，截取前200个商品ID作为推荐列表，即最终的推荐结果。
本发明进一步设置为：在步骤(1)中，所述的企业画像数据为企业ID、企业名称、企业类型、企业地址(省和市)、企业注册资金和企业经营类型，所述的企业行为数据为列表数据，所述的商品特征数据为商品ID、商品分类编码、商家ID、商家地址、商品单价和商品库存量。
本发明进一步设置为：在步骤(3)中，构建wide&deep模型，包括以下步骤：
(33)构建deep模型，选取企业行为数据中商品ID和商品特征数据中商品ID的Embedding特征向量，进行特征向量的拼接操作，然后构建具有三层结构的全连接神经网络层，并对全连接神经网络做规范化处理；
(34)将deep模型的输出与企业画像数据和其他数据的特征进行融合建模，最后输出点击率CTR预估。
本发明进一步设置为：所述的特征向量的拼接操作是将企业行为数据中商品ID的Embedding特征向量
Figure BDA0003363844240000031
和商品特征数据中商品ID的Embedding特征向量
Figure BDA0003363844240000032
进行拼接，其中，i表示第i个样本，E(i)是不定长的特征向量，n表示向量的维度，G(i)是定长的特征向量，维度为8，拼接后的融合向量表示为：
Figure BDA0003363844240000033
本发明进一步设置为：所述的全连接神经网络层，每层的计算公式为：H(j)＝ReLu(W(j)X(j)+b(j))，式中，j表示第j层，H(j)表示第j层的输出，ReLu表示Relu激活函数，W(j)表示第j层的连接权值，b(j)表示第j层的偏置项。
本发明进一步设置为：所述的对全连接神经网络做规范化处理，包括以下处理：
由于融合向量维度F(i)最多不超过512维，不足512维的融合向量用0填充至512维度；以及
第一、二、三层的全连接神经网络的神经元个数依次是256、128和64个。
本发明进一步设置为：所述的CTR的预估值的计算公式为：
Figure BDA0003363844240000041
式中，
Figure BDA0003363844240000042
表示第j个样本的CTR预估值，Sigmoid表示Sigmoid函数，WLR表示最后预测层的连接权值，
Figure BDA0003363844240000047
表示第j个输入样本，该输入由deep模型的输出与企业画像数据和其他数据的特征共同组成，bLR表示预测层的偏置项。
本发明进一步设置为：在步骤(4)中，训练的模型为二分类模型，设模型的目标函数为L，L为交叉熵损失函数，其表达式为：
Figure BDA0003363844240000043
式中，J表示样本总量，y表示标签值，最小化目标函数的过程就是求解模型最优参数的过程，利用梯度下降算法来迭代进行求解，每迭代一轮的各项参数的更新公式为：
Figure BDA0003363844240000044
Figure BDA0003363844240000045
式中，η表示学习率，
Figure BDA0003363844240000046
表示WLR对损失函数L求得的偏导数，其他项依次类推，迭代次数设定为200次，当迭代次数达到200次时，停止训练，保存模型参数。
本发明进一步设置为：在步骤(5)中，所述的CTR预估值计算公式为：
Figure BDA0003363844240000051
式中，c表示第c个样本，
Figure BDA0003363844240000052
表示CTR预估结果。
本发明提供了一种轻量级B2B电商平台的推荐***算法。具备以下有益效果：
本发明通过构建wide&deep模型和对模型进行训练，对推荐模型进行了轻量化设计，复杂度较高的部分发生在模型的训练阶段，一旦模型训练完毕，推荐算法的响应速度非常快，并且对计算机的算力要求低，部署成本也较低。
附图说明
图1为本发明wide&deep模型的结构示意图。
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，下面将对本发明实施例中的技术方案进行清楚、完整地描述。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。
下面结合实施例对本发明作进一步的描述。
实施例1：
一种轻量级B2B电商平台的推荐***算法，包括以下步骤：
(1)收集建模数据，建模数据包括企业画像数据、企业行为数据和商品特征数据，其中，企业画像数据为企业ID、企业名称、企业类型、企业地址(省和市)、企业注册资金和企业经营类型，企业行为数据为列表数据，其格式如下：企业ID：[(商品ID，购买时间，购买数量，交易金额),(商品ID，购买时间，购买数量，交易金额),(商品ID，购买时间，购买数量，交易金额)……]，商品特征数据为商品ID、商品分类编码、商家ID、商家地址、商品单价和商品库存量。
(2)对建模数据进行特征量化，连续型的建模数据进行数据的标准化操作，离散型的数据进行Embedding特征向量化操作，其中连续型的特征数据有：企业注册资金、购买数量、交易金额、商品单价和商品库存量；离散型的特征数据有：企业ID、企业名称、企业类型、企业地址、企业经营类型、商品ID、购买时间、商品分类编码、商家ID和商家地址。
(3)构建wide&deep模型，该模型结构如图1所示，包括以下步骤：
(33)构建deep模型，选取企业行为数据中商品ID和商品特征数据中商品ID的Embedding特征向量，进行特征向量的拼接操作，是将企业行为数据中商品ID的Embedding特征向量
Figure BDA0003363844240000061
和商品特征数据中商品ID的Embedding特征向量
Figure BDA0003363844240000062
进行拼接，其中，i表示第i个样本，E(i)是不定长的特征向量，n表示向量的维度，G(i)是定长的特征向量，维度为8，拼接后的融合向量表示为：
Figure BDA0003363844240000071
然后构建具有三层结构的全连接神经网络层，每层的计算公式为：H(j)＝ReLu(W(j)X(j)+b(j))，式中，j表示第j层，H(j)表示第j层的输出，ReLu表示Relu激活函数，W(j)表示第j层的连接权值，b(j)表示第j层的偏置项，并对全连接神经网络做规范化处理，包括以下处理：
由于融合向量维度F(i)最多不超过512维，不足512维的融合向量用0填充至512维度；以及
第一、二、三层的全连接神经网络的神经元个数依次是256、128和64个。
(34)将deep模型的输出与企业画像数据和其他数据的特征进行融合建模，最后输出点击率CTR预估，预估值为0至1之间的概率大小，数值越大表明喜好程度越深，CTR的预估值的计算公式为：
Figure BDA0003363844240000072
式中，
Figure BDA0003363844240000073
表示第j个样本的CTR预估值，Sigmoid表示Sigmoid函数，WLR表示最后预测层的连接权值，
Figure BDA0003363844240000075
表示第j个输入样本，该输入由deep模型的输出与企业画像数据和其他数据的特征共同组成，bLR表示预测层的偏置项。
(4)模型的训练，训练的模型为二分类模型，设模型的目标函数为L，L为交叉熵损失函数，其表达式为：
Figure BDA0003363844240000074
式中，J表示样本总量，y表示标签值，最小化目标函数的过程就是求解模型最优参数的过程，利用梯度下降算法来迭代进行求解，每迭代一轮的各项参数的更新公式为：
Figure BDA0003363844240000081
Figure BDA0003363844240000082
式中，η表示学习率，
Figure BDA0003363844240000083
表示WLR对损失函数L求得的偏导数，其他项依次类推，迭代次数设定为200次，当迭代次数达到200次时，停止训练，保存模型参数。
(5)通过训练好的模型进行CTR预估，CTR预估值计算公式为：
Figure BDA0003363844240000084
式中，c表示第c个样本，
Figure BDA0003363844240000085
表示CTR预估结果，首先根据企业的经营范围生成商品特征数据，即假设企业A的经营范围为化工类，那与化工相关的商品数据会与企业数据(企业画像数据和企业行为数据)进行结合，生成若干组模型的输入，假设该组样本的个数为C个，得到的CTR预估结果为一个向量
Figure BDA0003363844240000086
(6)对CTR预估结果向量
Figure BDA0003363844240000087
进行从大到小排序，并记录对应的商品ID，截取前200个商品ID作为推荐列表，即最终的推荐结果。
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，并不会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 (9)

1.一种轻量级B2B电商平台的推荐***算法，其特征在于，包括以下步骤：
(1)收集建模数据，建模数据包括企业画像数据、企业行为数据和商品特征数据；
(2)对建模数据进行特征量化，连续型的建模数据进行数据的标准化操作，离散型的数据进行Embedding特征向量化操作；
(3)构建wide&deep模型；
(4)模型的训练；
(5)通过训练好的模型进行CTR预估，得到的CTR预估结果为一个向量
Figure FDA0003363844230000011
(6)对CTR预估结果向量
Figure FDA0003363844230000012
进行从大到小排序，并记录对应的商品ID，截取前200个商品ID作为推荐列表，即最终的推荐结果。
2.根据权利要求1所述的轻量级B2B电商平台的推荐***算法，其特征在于：在步骤(1)中，所述的企业画像数据为企业ID、企业名称、企业类型、企业地址(省和市)、企业注册资金和企业经营类型，所述的企业行为数据为列表数据，所述的商品特征数据为商品ID、商品分类编码、商家ID、商家地址、商品单价和商品库存量。
3.根据权利要求1所述的轻量级B2B电商平台的推荐***算法，其特征在于：在步骤(3)中，构建wide&deep模型，包括以下步骤：
(33)构建deep模型，选取企业行为数据中商品ID和商品特征数据中商品ID的Embedding特征向量，进行特征向量的拼接操作，然后构建具有三层结构的全连接神经网络层，并对全连接神经网络做规范化处理；
(34)将deep模型的输出与企业画像数据和其他数据的特征进行融合建模，最后输出点击率CTR预估。
4.根据权利要求3所述的轻量级B2B电商平台的推荐***算法，其特征在于：所述的特征向量的拼接操作是将企业行为数据中商品ID的Embedding特征向量
Figure FDA0003363844230000021
和商品特征数据中商品ID的Embedding特征向量
Figure FDA0003363844230000022
进行拼接，其中，i表示第i个样本，E(i)是不定长的特征向量，n表示向量的维度，G(i)是定长的特征向量，维度为8，拼接后的融合向量表示为：
Figure FDA0003363844230000023
5.根据权利要求3所述的轻量级B2B电商平台的推荐***算法，其特征在于：所述的全连接神经网络层，每层的计算公式为：H(j)＝ReLu(W(j)X(j)+b(j))，式中，j表示第j层，H(j)表示第j层的输出，ReLu表示Relu激活函数，W(j)表示第j层的连接权值，b(j)表示第j层的偏置项。
6.根据权利要求3所述的轻量级B2B电商平台的推荐***算法，其特征在于：所述的对全连接神经网络做规范化处理，包括以下处理：
由于融合向量维度F(i)最多不超过512维，不足512维的融合向量用0填充至512维度；以及
第一、二、三层的全连接神经网络的神经元个数依次是256、128和64个。
7.根据权利要求3所述的轻量级B2B电商平台的推荐***算法，其特征在于：所述的CTR的预估值的计算公式为：
Figure FDA0003363844230000031
式中，
Figure FDA0003363844230000032
表示第j个样本的CTR预估值，Sigmoid表示Sigmoid函数，WLR表示最后预测层的连接权值，
Figure FDA0003363844230000033
表示第j个输入样本，该输入由deep模型的输出与企业画像数据和其他数据的特征共同组成，bLR表示预测层的偏置项。
8.根据权利要求1所述的轻量级B2B电商平台的推荐***算法，其特征在于：在步骤(4)中，训练的模型为二分类模型，设模型的目标函数为L，L为交叉熵损失函数，其表达式为：
Figure FDA0003363844230000034
式中，J表示样本总量，y表示标签值，最小化目标函数的过程就是求解模型最优参数的过程，利用梯度下降算法来迭代进行求解，每迭代一轮的各项参数的更新公式为：
Figure FDA0003363844230000035
Figure FDA0003363844230000041
式中，η表示学习率，
Figure FDA0003363844230000042
表示WLR对损失函数L求得的偏导数，其他项依次类推，迭代次数设定为200次，当迭代次数达到200次时，停止训练，保存模型参数。
9.根据权利要求1所述的轻量级B2B电商平台的推荐***算法，其特征在于：在步骤(5)中，所述的CTR预估值计算公式为：
Figure FDA0003363844230000043
式中，c表示第c个样本，
Figure FDA0003363844230000044
表示CTR预估结果。
CN202111376003.1A 2021-11-19 2021-11-19 一种轻量级b2b电商平台的推荐***算法 Pending CN114092188A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111376003.1A CN114092188A (zh) 2021-11-19 2021-11-19 一种轻量级b2b电商平台的推荐***算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111376003.1A CN114092188A (zh) 2021-11-19 2021-11-19 一种轻量级b2b电商平台的推荐***算法

Publications (1)

Publication Number Publication Date
CN114092188A true CN114092188A (zh) 2022-02-25

Family

ID=80302231

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111376003.1A Pending CN114092188A (zh) 2021-11-19 2021-11-19 一种轻量级b2b电商平台的推荐***算法

Country Status (1)

Country Link
CN (1) CN114092188A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115293291A (zh) * 2022-08-31 2022-11-04 北京百度网讯科技有限公司 排序模型的训练方法、排序方法、装置、电子设备及介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115293291A (zh) * 2022-08-31 2022-11-04 北京百度网讯科技有限公司 排序模型的训练方法、排序方法、装置、电子设备及介质
CN115293291B (zh) * 2022-08-31 2023-09-12 北京百度网讯科技有限公司 排序模型的训练方法、排序方法、装置、电子设备及介质

Similar Documents

Publication Publication Date Title
CN108648049B (zh) 一种基于用户行为区别建模的序列推荐方法
CN115082147B (zh) 一种基于超图神经网络的序列推荐方法及装置
CN111062775A (zh) 一种基于注意力机制的推荐***召回方法
CN110648163A (zh) 一种基于用户评论的推荐算法
CN110717098A (zh) 基于元路径的上下文感知用户建模方法、序列推荐方法
CN110955826B (zh) 基于改进型循环神经网络单元的推荐***
CN113763095B (zh) 信息推荐方法、装置和模型训练方法、装置
CN107644036A (zh) 一种数据对象推送的方法、装置及***
CN112508613A (zh) 一种商品推荐方法、装置、电子设备和可读存储介质
CN116128461B (zh) 一种用于在线招聘的双向推荐***及方法
CN113190751B (zh) 一种融合关键词生成的推荐方法
CN112633927B (zh) 一种基于知识图谱规则嵌入的组合商品挖掘方法
CN111695024A (zh) 对象评估值的预测方法及***、推荐方法及***
KR102422408B1 (ko) 협업 필터링 신경망을 이용하여 상품을 추천하는 방법 및 장치
CN114240555A (zh) 训练点击率预测模型和预测点击率的方法和装置
CN113850616A (zh) 基于深度图神经网络的客户生命周期价值预测方法
CN113298546A (zh) 销量预测方法及装置、商品处理方法及装置
CN115545832A (zh) 商品搜索推荐方法及其装置、设备、介质
CN111178986A (zh) 用户-商品偏好的预测方法及***
CN114092188A (zh) 一种轻量级b2b电商平台的推荐***算法
CN114565429A (zh) 一种基于语义图模型的智能供应商匹配方法
CN113850654A (zh) 物品推荐模型的训练方法、物品筛选方法、装置和设备
Purkaystha et al. Rating prediction for recommendation: Constructing user profiles and item characteristics using backpropagation
Hong LSTM-based sales forecasting model.
CN116523598A (zh) 一种医疗器械推荐方法、***、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