CN114648391B - 一种网购信息推荐方法 - Google Patents

一种网购信息推荐方法 Download PDF

Info

Publication number
CN114648391B
CN114648391B CN202210538239.9A CN202210538239A CN114648391B CN 114648391 B CN114648391 B CN 114648391B CN 202210538239 A CN202210538239 A CN 202210538239A CN 114648391 B CN114648391 B CN 114648391B
Authority
CN
China
Prior art keywords
commodity
performance data
data
recommended
user
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.)
Active
Application number
CN202210538239.9A
Other languages
English (en)
Other versions
CN114648391A (zh
Inventor
陈妍
周黎耀
文泽雄
罗雪琴
金赞
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.)
Hunan University of Technology
Original Assignee
Hunan University of Technology
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 Hunan University of Technology filed Critical Hunan University of Technology
Priority to CN202210538239.9A priority Critical patent/CN114648391B/zh
Publication of CN114648391A publication Critical patent/CN114648391A/zh
Application granted granted Critical
Publication of CN114648391B publication Critical patent/CN114648391B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种网购信息推荐方法，属于网购商品推荐技术领域，方法如下，收集用户的已购买的商品数据并分析，根据用户信息设计推荐目标商品和分析目标商品的影响因素，根据已收集的用户的已购买的商品数据计算商品购买的相关属性和影响权重，然后将所有商品性能数据数量与网络销售的推荐目标商品的性能数据对比得到聚类商品性能数据数量，然后结合价格的影响因素即为准确推荐的商品。通过收集已购买商品的数据中提取相应的影响因素，然后从影响的因素和相关的属性中提取用户的购买的兴趣点，根据处理相关属性与推荐商品进行变化趋势的衡量和商品数据筛选，得到推荐商品的性能属性数据，然后再结合用户实际的消费能力和习惯确定推荐的商品。

Description

一种网购信息推荐方法
技术领域
本发明涉及网购商品推荐技术领域，尤其涉及一种网购信息推荐方法。
背景技术
随着电子商务规模的不断扩大，商品个数和种类快速增长，顾客需要花费大量的时间才能找到自己想买的商品。这种浏览大量无关的信息和产品过程无疑会使淹没在信息过载问题中的消费者不断流失。
现在的推荐***主要是利用用户的历史购买记录和用户的社交网络关系来对用户进行推荐，这些方法只能被动的去预测和推荐用户下一次购买的商品，很少能够去指导或者吸引用户去选择购买一些商品。在现在的推荐方法中，利用了已购买的商品之间的相似性去分析用户的喜好，但是却忽略了已购买的商品内部之间的关系，商品之间不是相互独立的，而是存在依赖关系。比如：我们在选择购买上衣的时候，我们会分析这件上衣是否与已购买中的哪些下装，鞋子，配饰比较协调，然后在选择是否购买。评分高的商品并不是和其他任何商品的组合都是评分高，同理评分中等的商品不是和其他任何商品的组合都是中等，有可能会组合成高评分。这些商品的组合不是简单的线性相加，而是一种非线性的关系，有些商品组合甚至是指数递增的关系。如果考虑购买的东西和已有的商品之间不能够达到最小的匹配度或者是中等匹配，那么购买的这件商品将无法与任何商品搭配协调或者是与任何商品的搭配效果平平，则用户不能最大化对它进行使用，可能这件商品只能够成为“透明的”。
此外，虽然有一些推荐是关于搭配，利用一些人为的搭配准则和图片的卷积，并且产生的这种搭配组合是主观意识上搭配协调的商品组合，并不针对某个特定的目标用户。
发明内容
本发明的目的在于提供一种网购信息推荐方法，解决背景技术中提到的技术问题。
为了实现上述目的，本发明采用的技术方案如下：
一种网购信息推荐方法，所述方法包括如下步骤：
步骤1：收集用户的已购买的商品数据并分析出影响购买的因素数据；
步骤2：根据用户信息设计推荐目标商品，并分析目标商品的影响因素；
步骤3：根据已收集的用户的已购买的商品数据计算商品购买的相关属性和影响权重；
步骤4：将已购买商品相关属性进行趋势比较得到所有商品性能数据数量，然后将所有商品性能数据数量与网络销售的推荐目标商品的性能数据对比得到聚类商品性能数据数量；
步骤5：聚类商品性能数据数量进行求和，然后结合价格的影响因素X k 即为准确推荐的商品。
进一步地，步骤1的具体过程为：收集用户已购买的商品种类数据集case，表示为
Figure 886782DEST_PATH_IMAGE001
，m为商品种类的个数，每个商品种类包含商品的性能数据、商品归属和价格数据，将数据集case划分为价格的影响因素X k 和性能数据Y j ，其中
Figure 963323DEST_PATH_IMAGE002
，t表示价格影响因素的个数，其中
Figure 966657DEST_PATH_IMAGE003
，n表示性能参数的个数，用户关联数据样本S i 的对应推荐序数数据分别为x ik 和y ij 。
进一步地，步骤2的具体过程为： 根据用户基本信息、时间信息和用户日常行为信息设计目标推荐商品，然后得到目标推荐商品的性能数据，成为目标性能数据，对应值为y oj ，从价格的影响因素X k 中选取直接影响该目标性能数据的相关属性，设为
Figure 154056DEST_PATH_IMAGE004
。
进一步地，步骤3的具体过程为：选取用户已购买的商品种类数据集case中的性能数据及相关属性
Figure 404909DEST_PATH_IMAGE005
所对应的数据，表示为case*，基于熵权法和数据集case*计算商品种类数据集case选取的相关属性
Figure 636039DEST_PATH_IMAGE004
的权重，区分
Figure 706763DEST_PATH_IMAGE004
对性能数据的影响程度，得到相关属性的权重记为
Figure 291328DEST_PATH_IMAGE006
，
进一步地，步骤4的具体过程为：进行相关属性
Figure 803212DEST_PATH_IMAGE005
的相对变化趋势的衡量和商品数据筛选，将商品性能数据视为N维变量集合，不同商品性能数据的差异可视为N维变量运动、变化和发展的结果，根据相关属性
Figure 441129DEST_PATH_IMAGE004
，计算衡量用户原来购买商品性能数据和待推荐的目标商品性能数据的相关属性的相对变化趋势，并筛选出与待推荐的商品性能数据的相关属性相对变化趋势程度最相近的商品性能数据，设为
Figure 795887DEST_PATH_IMAGE007
，p为聚类所得的商品性能数据数量。
进一步地，步骤5的具体过程为：对聚类结果
Figure 387405DEST_PATH_IMAGE007
加权聚类，然后对聚类结果进行加权求和，得到求和结果即为所需推荐的商品性能数据，然后结合价格的影响因素X k ，即可得到推荐的具体商品。
进一步地，步骤1中，价格的影响因素X k 和性能数据Y j 作为训练模型的数据输入，使用特征变量训练模型，计算每个特征变量的重要性排序标准，剔除最不重要的K个特征，保留其余特征，并判断剩余特征数量达到确定选购要求，若果达到，从价格的影响因素X k 中选取性能数据Y j 的相关属性
Figure 753796DEST_PATH_IMAGE004
，如果没有达到重复计算。
进一步地，基于熵权法的相关属性的权重分配过程为：
步骤3.1，将case*按下公式组成一个新的矩阵
Figure 326728DEST_PATH_IMAGE008
:
Figure 903203DEST_PATH_IMAGE009
步骤3.2：采用极差化法将
Figure 298413DEST_PATH_IMAGE008
标准化得到新的矩阵
Figure 519309DEST_PATH_IMAGE010
，然后对进行
Figure 872930DEST_PATH_IMAGE010
归一化处理，极差化法和归一化方法如下式：
Figure 395808DEST_PATH_IMAGE011
Figure 266812DEST_PATH_IMAGE012
；
其中，
Figure 935691DEST_PATH_IMAGE013
为
Figure 460213DEST_PATH_IMAGE008
中的第i行第s列元素；
Figure 135914DEST_PATH_IMAGE014
为
Figure 279450DEST_PATH_IMAGE008
中的第s列；同理，
Figure 802835DEST_PATH_IMAGE015
为
Figure 29417DEST_PATH_IMAGE010
中的第i行第s列元素，
Figure 428300DEST_PATH_IMAGE016
为
Figure 375527DEST_PATH_IMAGE017
归一化的后的值；
步骤3.3：则
Figure 18998DEST_PATH_IMAGE005
中第s个相关属性的信息熵定义为：
Figure 150902DEST_PATH_IMAGE018
步骤3.4：性能数据Y j 有s个相关属性，则设定影响因素X c 对性能数据Y j 的影响权重为：
Figure 535616DEST_PATH_IMAGE019
Figure 286535DEST_PATH_IMAGE020
为影响因素X c 的信息熵。
本发明由于采用了上述技术方案，具有以下有益效果：
本发明通过收集已购买商品的数据中提取相应的影响因素，然后从影响的因素和相关的属性中提取用户的购买的兴趣点，然后在根据实际的情况选定推荐的商品类别，然后根据处理相关属性与推荐商品进行变化趋势的衡量和商品数据筛选，得到推荐商品的性能属性数据，然后再结合用户实际的消费能力和习惯确定推荐的商品。
附图说明
图1是本发明方法流程图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白，以下参照附图并举出优选实施例，对本发明进一步详细说明。然而，需要说明的是，说明书中列出的许多细节仅仅是为了使读者对本发明的一个或多个方面有一个透彻的理解，即便没有这些特定的细节也可以实现本发明的这些方面。
如图1所示，一种网购信息推荐方法，所述方法包括如下步骤：
步骤1：收集用户的已购买的商品数据并分析出影响购买的因素数据。收集用户已购买的商品种类数据集case，表示为
Figure 315670DEST_PATH_IMAGE001
，m为商品种类的个数，每个商品种类包含商品的性能数据、商品归属和价格数据，将数据集case划分为价格的影响因素X k 和性能数据Y j ，其中
Figure 87317DEST_PATH_IMAGE002
，t表示价格影响因素的个数，其中
Figure 457862DEST_PATH_IMAGE003
，n表示性能参数的个数，用户关联数据样本S i 的对应推荐序数数据分别为x ik 和y ij 。收集的数据均是用户网上购买的数据，如果线下售卖的购买数据能够统计，也可以一起记性统计。性能数据数据，即为用户买来的用途，然后再跟实际的引述购买价格，即为用户的而平时消费高低和自身收入等。
步骤2：根据用户信息设计推荐目标商品，并分析目标商品的影响因素。根据用户基本信息、时间信息和用户日常行为信息设计目标推荐商品，然后得到目标推荐商品的性能数据，成为目标性能数据，对应值为y oj ，从价格的影响因素X k 中选取直接影响该目标性能数据的相关属性，设为
Figure 871526DEST_PATH_IMAGE004
。价格的影响因素X k 和性能数据Y j 作为训练模型的数据输入，使用特征变量训练模型，计算每个特征变量的重要性排序标准，剔除最不重要的K个特征，保留其余特征，并判断剩余特征数量达到确定选购要求，若果达到，从价格的影响因素X k 中选取性能数据Y j 的相关属性
Figure 896114DEST_PATH_IMAGE004
，如果没有达到重复计算。
步骤3：根据已收集的用户的已购买的商品数据计算商品购买的相关属性和影响权重。选取用户已购买的商品种类数据集case中的性能数据及相关属性
Figure 838662DEST_PATH_IMAGE005
所对应的数据，表示为case*，基于熵权法和数据集case*计算商品种类数据集case选取的相关属性
Figure 932389DEST_PATH_IMAGE004
的权重，区分
Figure 149744DEST_PATH_IMAGE004
对性能数据的影响程度，得到相关属性的权重记为
Figure 294417DEST_PATH_IMAGE006
。
步骤3.1，将case*按下公式组成一个新的矩阵
Figure 407867DEST_PATH_IMAGE008
:
Figure 490355DEST_PATH_IMAGE009
步骤3.2：采用极差化法将
Figure 511400DEST_PATH_IMAGE008
标准化得到新的矩阵
Figure 979422DEST_PATH_IMAGE010
，然后对进行
Figure 185144DEST_PATH_IMAGE010
归一化处理，极差化法和归一化方法如下式：
Figure 597671DEST_PATH_IMAGE011
Figure 156828DEST_PATH_IMAGE012
；
其中，
Figure 10515DEST_PATH_IMAGE013
为
Figure 731346DEST_PATH_IMAGE008
中的第i行第s列元素；
Figure 51076DEST_PATH_IMAGE014
为
Figure 289290DEST_PATH_IMAGE008
中的第s列；同理，
Figure 590958DEST_PATH_IMAGE015
为
Figure 482691DEST_PATH_IMAGE010
中的第i行第s列元素，
Figure 791181DEST_PATH_IMAGE016
为
Figure 567508DEST_PATH_IMAGE017
归一化的后的值；
步骤3.3：则
Figure 254841DEST_PATH_IMAGE005
中第s个相关属性的信息熵定义为：
Figure 51895DEST_PATH_IMAGE018
步骤3.4：性能数据Y j 有s个相关属性，则设定影响因素X c 对性能数据Y j 的影响权重为：
Figure 817988DEST_PATH_IMAGE019
Figure 663585DEST_PATH_IMAGE020
为影响因素X c 的信息熵。
步骤4：将已购买商品相关属性进行趋势比较得到所有商品性能数据数量，然后将所有商品性能数据数量与网络销售的推荐目标商品的性能数据对比得到聚类商品性能数据数量。进行相关属性
Figure 471004DEST_PATH_IMAGE021
的相对变化趋势的衡量和商品数据筛选。变化趋势的衡量和商品数据筛选的具体过程为：记推荐商品的目标性能数据的相关属性
Figure 438960DEST_PATH_IMAGE005
的数据为
Figure 190884DEST_PATH_IMAGE022
，简称为目标数据，根据差异率，从case*中选取一组与其相对接近的数据为对比基准，选择的原则是令基准
Figure 574592DEST_PATH_IMAGE023
与O中的对位属性的值相差越小越好。为每个
Figure 970938DEST_PATH_IMAGE024
添加一行与相关变量
Figure 109795DEST_PATH_IMAGE025
维度相同的标签
Figure 113130DEST_PATH_IMAGE026
，用于记录相关属性上对应数据
Figure 894004DEST_PATH_IMAGE027
相对基准的变化趋势，然后将case*中除的每商品性数据的相关属性数据
Figure 551382DEST_PATH_IMAGE027
与基准
Figure 861140DEST_PATH_IMAGE028
每个属性数据对应地进行一一比较，并加标记，若
Figure 587657DEST_PATH_IMAGE029
，则
Figure 437801DEST_PATH_IMAGE030
为+，反之为-，同样比较，衡量目标数据相关属性
Figure 949685DEST_PATH_IMAGE031
相对基准
Figure 587602DEST_PATH_IMAGE028
的相对变化趋势，结果记为
Figure 880043DEST_PATH_IMAGE032
。将
Figure 533878DEST_PATH_IMAGE033
与
Figure 634690DEST_PATH_IMAGE034
中的对应元素进行一一对比，判断
Figure 207622DEST_PATH_IMAGE033
与
Figure 784097DEST_PATH_IMAGE034
中相关属性相对
Figure 179306DEST_PATH_IMAGE031
的变化趋势是否相同，若
Figure 400203DEST_PATH_IMAGE030
与
Figure 19403DEST_PATH_IMAGE035
同为+或同为-，则将
Figure 706343DEST_PATH_IMAGE030
改写为1，反之则将
Figure 905243DEST_PATH_IMAGE030
改写为0。按每组数据，对所有性能数据的相关属性相对变化趋势的对比结果的标签T i 求和，得到ST i ，其计算如下所示：
Figure 980647DEST_PATH_IMAGE036
ST i 的值为[0，s]中的一个整数，最大值为s，i为正整数。
根据计算的ST i ，按整数数值大小划分ST i 等级，数值越大等级越高，相同数值ST i 划分为同一级，按级别降序，筛选取出前K 1个等级的ST i 值其下标i所对应的case*中的性能数据，K 1为正整数，
Figure 770748DEST_PATH_IMAGE037
，记为
Figure 446449DEST_PATH_IMAGE007
，p为所得的性能数据样本数量。
将商品性能数据视为N维变量集合，不同商品性能数据的差异可视为N维变量运动、变化和发展的结果，根据相关属性
Figure 589986DEST_PATH_IMAGE038
，计算衡量用户原来购买商品性能数据和待推荐的目标商品性能数据的相关属性的相对变化趋势，并筛选出与待推荐的商品性能数据的相关属性相对变化趋势程度最相近的商品性能数据，设为
Figure 113371DEST_PATH_IMAGE007
，p为聚类所得的商品性能数据数量。
步骤5：聚类商品性能数据数量进行求和，然后结合价格的影响因素X k 即为准确推荐的商品。对聚类结果
Figure 339953DEST_PATH_IMAGE007
加权聚类，然后对聚类结果进行加权求和，得到求和结果即为所需推荐的商品性能数据，然后结合价格的影响因素X k ，即可得到推荐的具体商品。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (4)

1.一种网购信息推荐方法，其特征在于，所述方法包括如下步骤：
步骤1：收集用户的已购买的商品数据并分析出影响购买的因素数据；
步骤2：根据用户信息设计推荐目标商品，并分析目标商品的影响因素；
步骤3：根据已收集的用户的已购买的商品数据计算商品购买的相关属性和影响权重；
步骤4：将已购买商品相关属性进行趋势比较得到所有商品性能数据数量，然后将所有商品性能数据数量与网络销售的推荐目标商品的性能数据对比得到聚类商品性能数据数量；
步骤5：聚类商品性能数据数量进行求和，然后结合价格的影响因素X k 即为准确推荐的商品；
步骤1的具体过程为：收集用户已购买的商品种类数据集case，表示为
Figure 78374DEST_PATH_IMAGE001
，m为商品种类的个数，每个商品种类包含商品的性能数据、商品归属和价格数据，将数据集case划分为价格的影响因素X k 和性能数据Y j ，其中
Figure 274869DEST_PATH_IMAGE002
，t表示价格影响因素的个数，其中
Figure 856023DEST_PATH_IMAGE003
，n表示性能参数的个数，用户关联数据样本S i 的对应推荐序数数据分别为x ik 和y ij ；
步骤2的具体过程为： 根据用户基本信息、时间信息和用户日常行为信息设计目标推荐商品，然后得到目标推荐商品的性能数据，成为目标性能数据，对应值为y oj ，从价格的影响因素X k 中选取直接影响该目标性能数据的相关属性，设为
Figure 456769DEST_PATH_IMAGE004
；
步骤3的具体过程为：选取用户已购买的商品种类数据集case中的性能数据及相关属性
Figure 716849DEST_PATH_IMAGE005
所对应的数据，表示为case*，基于熵权法和数据集case*计算商品种类数据集case选取的相关属性
Figure 239007DEST_PATH_IMAGE006
的权重，区分
Figure 143509DEST_PATH_IMAGE007
对性能数据的影响程度，得到相关属性的权重记为
Figure 180735DEST_PATH_IMAGE008
；
步骤4的具体过程为：进行相关属性
Figure 318325DEST_PATH_IMAGE005
的相对变化趋势的衡量和商品数据筛选，将商品性能数据视为N维变量集合，不同商品性能数据的差异可视为N维变量运动、变化和发展的结果，根据相关属性
Figure 731988DEST_PATH_IMAGE009
，计算衡量用户原来购买商品性能数据和待推荐的目标商品性能数据的相关属性的相对变化趋势，并筛选出与待推荐的商品性能数据的相关属性相对变化趋势程度最相近的商品性能数据，设为
Figure 490997DEST_PATH_IMAGE010
，p为聚类所得的商品性能数据数量。
2.根据权利要求1所述的一种网购信息推荐方法，其特征在于：步骤5的具体过程为：对聚类结果
Figure 964704DEST_PATH_IMAGE010
加权聚类，然后对聚类结果进行加权求和，得到求和结果即为所需推荐的商品性能数据，然后结合价格的影响因素X k ，即可得到推荐的具体商品。
3.根据权利要求2所述的一种网购信息推荐方法，其特征在于：步骤1中，价格的影响因素X k 和性能数据Y j 作为训练模型的数据输入，使用特征变量训练模型，计算每个特征变量的重要性排序标准，剔除最不重要的K个特征，保留其余特征，并判断剩余特征数量达到确定选购要求，若果达到，从价格的影响因素X k 中选取性能数据Y j 的相关属性
Figure 825475DEST_PATH_IMAGE009
，如果没有达到重复计算。
4.根据权利要求3所述的一种网购信息推荐方法，其特征在于：基于熵权法的相关属性的权重分配过程为：
步骤3.1，将case*按下公式组成一个新的矩阵
Figure 652616DEST_PATH_IMAGE011
:
Figure 921924DEST_PATH_IMAGE012
步骤3.2：采用极差化法将
Figure 425586DEST_PATH_IMAGE011
标准化得到新的矩阵
Figure 881975DEST_PATH_IMAGE013
，然后对进行
Figure 512808DEST_PATH_IMAGE013
归一化处理，极差化法和归一化方法如下式：
Figure 371042DEST_PATH_IMAGE014
Figure 809721DEST_PATH_IMAGE015
；
其中，
Figure 753406DEST_PATH_IMAGE016
为
Figure 922350DEST_PATH_IMAGE011
中的第i行第s列元素；
Figure 25304DEST_PATH_IMAGE017
为
Figure 11715DEST_PATH_IMAGE011
中的第s列；同理，
Figure 318062DEST_PATH_IMAGE018
为
Figure 680911DEST_PATH_IMAGE013
中的第i行第s列元素，
Figure 139836DEST_PATH_IMAGE019
为
Figure 172514DEST_PATH_IMAGE020
归一化的后的值；
步骤3.3：则
Figure 90792DEST_PATH_IMAGE005
中第s个相关属性的信息熵定义为：
Figure 116385DEST_PATH_IMAGE021
步骤3.4：性能数据Y j 有s个相关属性，则设定影响因素X c 对性能数据Y j 的影响权重为：
Figure 538139DEST_PATH_IMAGE022
Figure 741719DEST_PATH_IMAGE023
为影响因素X c 的信息熵。
CN202210538239.9A 2022-05-18 2022-05-18 一种网购信息推荐方法 Active CN114648391B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210538239.9A CN114648391B (zh) 2022-05-18 2022-05-18 一种网购信息推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210538239.9A CN114648391B (zh) 2022-05-18 2022-05-18 一种网购信息推荐方法

Publications (2)

Publication Number Publication Date
CN114648391A CN114648391A (zh) 2022-06-21
CN114648391B true CN114648391B (zh) 2022-08-12

Family

ID=81996802

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210538239.9A Active CN114648391B (zh) 2022-05-18 2022-05-18 一种网购信息推荐方法

Country Status (1)

Country Link
CN (1) CN114648391B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106897911A (zh) * 2017-01-10 2017-06-27 南京邮电大学 一种基于用户和物品的自适应个性化推荐方法
CN109064285A (zh) * 2018-08-02 2018-12-21 西北大学 一种获得商品推荐序列及商品推荐方法
CN111242732A (zh) * 2020-01-09 2020-06-05 北京慧博科技有限公司 一种基于商品推荐模型的推荐方法
CN111861679A (zh) * 2020-08-04 2020-10-30 深圳市创智园知识产权运营有限公司 一种基于人工智能的商品推荐方法
CN112085549A (zh) * 2019-06-14 2020-12-15 上海逸宅网络科技有限公司 一种基于数据处理技术的电商平台用商品推荐方法
CN112131480A (zh) * 2020-09-30 2020-12-25 中国海洋大学 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***

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103412948B (zh) * 2013-08-27 2017-10-24 北京交通大学 基于聚类的协同过滤的商品推荐方法及***
US11113659B2 (en) * 2016-08-19 2021-09-07 Stitch Fix, Inc. Systems and methods for improving recommendation systems
CN110827129B (zh) * 2019-11-27 2022-11-11 中国联合网络通信集团有限公司 一种商品推荐方法及装置
CN111815415B (zh) * 2020-07-14 2023-10-27 北京邮电大学 一种商品推荐方法、***及设备
CN112667899A (zh) * 2020-12-30 2021-04-16 杭州智聪网络科技有限公司 基于用户兴趣迁移的冷启动推荐方法、装置及存储设备

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106897911A (zh) * 2017-01-10 2017-06-27 南京邮电大学 一种基于用户和物品的自适应个性化推荐方法
CN109064285A (zh) * 2018-08-02 2018-12-21 西北大学 一种获得商品推荐序列及商品推荐方法
CN112085549A (zh) * 2019-06-14 2020-12-15 上海逸宅网络科技有限公司 一种基于数据处理技术的电商平台用商品推荐方法
CN111242732A (zh) * 2020-01-09 2020-06-05 北京慧博科技有限公司 一种基于商品推荐模型的推荐方法
CN111861679A (zh) * 2020-08-04 2020-10-30 深圳市创智园知识产权运营有限公司 一种基于人工智能的商品推荐方法
CN112131480A (zh) * 2020-09-30 2020-12-25 中国海洋大学 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***

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
The construction of personalized web page recommendation system in e-commerce;R Lian;《Restrictions Apply》;20111231;全文 *
社区电商用户复购行为预测及推荐算法研究;石力;《中国博士学位论文全文数据库 信息科技辑》;20220215;全文 *
考虑用户兴趣和能力的众包任务推荐方法;仲秋雁等;《***工程理论与实践》;20171225(第12期);全文 *
面向延时敏感投资者的KIA产品众筹周期与价格决策;王冬梅;《***工程学报》;20220215;第37卷(第1期);全文 *

Also Published As

Publication number Publication date
CN114648391A (zh) 2022-06-21

Similar Documents

Publication Publication Date Title
Dogan et al. Customer segmentation by using RFM model and clustering methods: a case study in retail industry
CN106485562B (zh) 一种基于用户历史行为的商品信息推荐方法及***
CN108629665B (zh) 一种个性化商品推荐方法和***
CN108090800B (zh) 一种基于玩家消费潜力的游戏道具推送方法和装置
Albadvi et al. A hybrid recommendation technique based on product category attributes
Chen et al. Developing recommender systems with the consideration of product profitability for sellers
CN112667899A (zh) 基于用户兴趣迁移的冷启动推荐方法、装置及存储设备
CN116431931B (zh) 实时增量数据统计分析方法
CN107886241B (zh) 资源分析方法、装置、介质和电子设备
CN111724235A (zh) 一种基于用户新奇度的在线商品推荐方法
CN116452261B (zh) 一种基于跨境电商服务平台的广告投放数据处理方法
CN113065062A (zh) 一种基于用户阅读时间行为的新闻推荐方法及***
CN112200601A (zh) 物品推荐方法、装置及可读存储介质
CN107292713A (zh) 一种基于规则与层级融合的个性推荐方法
CN115496566B (zh) 基于大数据的地区特产推荐方法及***
CN115131101A (zh) 一种保险产品个性化智能推荐***
CN115392947A (zh) 需求量预测方法以及装置
Kim et al. A new recommender system to combine content-based and collaborative filtering systems
Rogic et al. Customer value prediction in direct marketing using hybrid support vector machine rule extraction method
Baier et al. Profit uplift modeling for direct marketing campaigns: approaches and applications for online shops
Chou et al. The RFM Model Analysis for VIP Customer: A case study of golf clothing brand
CN110555719B (zh) 一种基于深度学习的商品点击率预测方法
CN114648391B (zh) 一种网购信息推荐方法
Pinto et al. Hybrid recommendation system based on collaborative filtering and fuzzy numbers
Tang et al. Service recommendation based on dynamic user portrait: an integrated approach

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