CN116757794B - 基于大数据的售酒小程序内产品推荐方法 - Google Patents
基于大数据的售酒小程序内产品推荐方法 Download PDFInfo
- Publication number
- CN116757794B CN116757794B CN202311035955.6A CN202311035955A CN116757794B CN 116757794 B CN116757794 B CN 116757794B CN 202311035955 A CN202311035955 A CN 202311035955A CN 116757794 B CN116757794 B CN 116757794B
- Authority
- CN
- China
- Prior art keywords
- product
- evaluation
- value
- wine
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000011156 evaluation Methods 0.000 claims abstract description 275
- 230000007935 neutral effect Effects 0.000 claims description 26
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000012216 screening Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 7
- 230000008451 emotion Effects 0.000 description 10
- 230000008569 process Effects 0.000 description 9
- 230000006870 function Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000002996 emotional effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
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
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2457—Query processing with adaptation to user needs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/205—Parsing
- G06F40/216—Parsing using statistical methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Finance (AREA)
- Data Mining & Analysis (AREA)
- Accounting & Taxation (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Development Economics (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Artificial Intelligence (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及产品推荐技术领域,具体涉及基于大数据的售酒小程序内产品推荐方法。方法包括:获取用户在售酒小程序上所点击的产品;根据所点击的产品与数据库中的产品的相似度和关联性,确定新用户的待推荐产品或老用户的候选产品;根据每个候选产品的不同类别的评价中程度副词的数量以及不同类别的评价的数量占比,得到评价相关值;根据老用户历史购买酒产品的种类、品牌、购买数量、购买次数和平均时间间隔,确定置信程度;结合候选产品与老用户历史购买酒产品的价格的差异,得到候选产品的推荐值,确定老用户的待推荐产品,进而对用户进行酒产品推荐。本发明改善了酒产品推荐效果,提高了用户对酒产品推荐结果的满意度和信任度。
Description
技术领域
本发明涉及产品推荐技术领域,具体涉及基于大数据的售酒小程序内产品推荐方法。
背景技术
随着互联网大数据的快速发展,基于大数据的产品推荐方法在各个行业得到广泛应用,酒类行业也不例外。同时伴随着移动技术的发展,小程序的在线平台成为酒类产品销售的重要渠道之一,基于大数据的售酒小程序内产品推荐方法在酒类行业中的应用逐渐成熟,推荐***可以帮助用户发现感兴趣的产品,提高消费者的购物体验,同时也可以增加对应销售平台的业绩,为商家提供更精准的营销手段。
现有的产品推荐方法主要关注物品之间的评分相似性,对于物品的其他属性考虑有所欠缺,而这些其他属性往往对于推荐的多样性和个性化具有重要作用,因此现有的酒类产品推荐方法的推荐效果较差,进而使得用户对推荐结果的满意度和信任度较低。
发明内容
为了解决现有方法在对酒类产品进行推荐时存在的推荐效果较差,用户对推荐结果的满意度和信任度较低的问题,本发明的目的在于提供一种基于大数据的售酒小程序内产品推荐方法,所采用的技术方案具体如下:
本发明提供了一种基于大数据的售酒小程序内产品推荐方法,该方法包括以下步骤:
获取用户在售酒小程序上所点击的产品;
根据用户的类别以及所述所点击的产品与数据库中的产品的相似度和关联性,确定新用户的待推荐产品或老用户的候选产品,所述用户的类别包括新用户、老用户;
根据每个候选产品的不同类别的评价中程度副词的数量以及不同类别的评价的数量占比,得到每个候选产品的评价相关值;根据老用户历史购买酒产品的种类、品牌、购买数量和购买次数,得到老用户购买酒产品的多样性值;基于所述多样性值、老用户购买酒产品的购买次数和平均时间间隔,确定老用户对应的置信程度;
根据每个候选产品的价格与老用户历史购买酒产品的价格的差异、所述评价相关值、所述置信程度以及对应的相似度,得到每个候选产品的推荐值;基于所述推荐值确定老用户的待推荐产品;基于待推荐产品对所对应的用户进行酒产品推荐。
优选的,所述根据用户的类别以及所述所点击的产品与数据库中的产品的相似度和关联性,确定新用户的待推荐产品或老用户的候选产品,包括:
将数据库中与所述所点击的产品的相似度大于相似度阈值的产品作为待分析产品;采用FP-Growth算法获得数据库中的产品与所述所点击的产品之间的关联规则,基于所述关联规则获得关联产品;
若用户为新用户,则将所述待分析产品与所述关联产品的交集作为新用户的待推荐产品;
若用户为老用户,则将所述待分析产品与所述关联产品的交集作为特征产品;将数据库中与特征产品的相似度大于相似度阈值的产品、所述关联产品和所述待分析产品均确定为老用户的候选产品。
优选的,所述根据每个候选产品的不同类别的评价中程度副词的数量以及不同类别的评价的数量占比,得到每个候选产品的评价相关值,包括:
对于第j个候选产品:
将第j个候选产品的评价中极性方向为积极的评价中出现程度副词的评价个数与第j个候选产品的评价中极性方向为积极的评价个数的比值,确定为积极评价占比;根据第j个候选产品的评价中极性方向为积极的评价个数、所述积极评价占比和第j个候选产品的评价中极性方向为积极的每个评价中出现程度副词的个数,计算第j个候选产品的积极评价的极性值;
将第j个候选产品的评价中极性方向为消极的评价中出现程度副词的评价个数与第j个候选产品的评价中极性方向为消极的评价个数的比值,确定为消极评价占比;根据第j个候选产品的评价中极性方向为消极的评价个数、所述消极评价占比和第j个候选产品的评价中极性方向为消极的每个评价中出现程度副词的个数,计算第j个候选产品的消极评价的极性值;
计算第j个候选产品的所有中性评价的字符数量的均值,将所述字符数量的均值作为第j个候选产品的中性评价的极性值;
将第j个候选产品的评价总次数与第j个候选产品的下单总次数的比值,确定为第j个候选产品评价订单的数量占比;
根据第j个候选产品的积极评价的极性值、消极评价的极性值、中性评价的极性值以及所述第j个候选产品评价订单的数量占比,得到第j个候选产品的评价相关值。
优选的,第j个候选产品的积极评价的极性值和消极评价的极性值的计算公式分别为:
其中,表示第j个候选产品的积极评价的极性值,/>表示第j个候选产品的评价中极性方向为积极的评价个数,/>表示第j个候选产品的评价中极性方向为积极的评价中出现程度副词的评价个数,/>表示第j个候选产品的评价中极性方向为积极的第i个评价中出现程度副词的个数,/>表示第j个候选产品的消极评价的极性值,/>表示第j个候选产品的评价中极性方向为消极的评价个数,/>表示第j个候选产品的评价中极性方向为消极的评价中出现程度副词的评价个数,/>表示第j个候选产品的评价中极性方向为消极的第k个评价中出现程度副词的个数。
优选的,根据第j个候选产品的积极评价的极性值、消极评价的极性值、中性评价的极性值以及所述第j个候选产品评价订单的数量占比,得到第j个候选产品的评价相关值,包括:
计算第j个候选产品的所述积极评价的极性值与所述中性评价的极性值的和值,将所述和值与所述消极评价的极性值的差值记为第一差值;获取所述第一差值和常数0中的最大值;
将所述最大值与所述第j个候选产品评价订单的数量占比的乘积,确定为第j个候选产品的评价相关值。
优选的,采用如下公式计算老用户购买酒产品的多样性值:
其中,Z为老用户购买酒产品的多样性值,为老用户历史购买酒产品的总个数,/>为老用户历史购买酒产品的种类数,/>为老用户历史购买次数最多的酒产品种类对应的酒产品购买总数量,/>为老用户历史购买酒产品的品牌个数,/>为老用户历史购买次数最多的酒产品品牌对应的酒产品购买总数量。
优选的,所述基于所述多样性值、老用户购买酒产品的购买次数和平均时间间隔,确定老用户对应的置信程度,包括:
将老用户购买酒产品的购买次数与所述平均时间间隔的比值记为第一特征值;
根据所述第一特征值和所述多样性值,得到老用户对应的置信程度,所述第一特征值和所述多样性值均与所述置信程度呈正相关关系。
优选的,所述根据每个候选产品的价格与老用户历史购买酒产品的价格的差异、所述评价相关值、所述置信程度以及对应的相似度,得到每个候选产品的推荐值,包括:
对于第j个候选产品:
计算老用户历史购买酒产品的平均单价;将第j个候选产品的价格与所述平均单价的差异记为价格差异;
根据所述评价相关值、所述置信程度、所述平均单价、所述价格差异、第j个候选产品与老用户所点击的产品的相似度,得到第j个候选产品的推荐值。
优选的,采用如下公式计算第j个候选产品的推荐值:
其中,为第j个候选产品的推荐值,/>为第j个候选产品的评价相关值的归一化结果,/>为老用户对应的置信程度的归一化结果,/>为第j个候选产品与老用户所点击的产品的相似度,/>为第j个候选产品的价格,/>为老用户历史购买酒产品的平均单价,/>为预设调整参数,| |为取绝对值符号。
优选的,所述基于所述推荐值确定老用户的待推荐产品,包括:
基于所述推荐值从候选产品中筛选预设数量个产品,作为老用户的待推荐产品,其中,老用户的待推荐产品的所述推荐值大于非待推荐产品的所述推荐值。
本发明至少具有如下有益效果:
本发明首先根据用户的类别以及所点击的产品与数据库中的产品的相似度和关联性,确定了新用户的待推荐产品或老用户的候选产品,对于新用户而言,其未在售酒小程序上购买过酒产品,因此小程序后台无新用户的历史购买记录,本发明从数据库中筛选出与新用户所点击的产品相似度较高且关联性也较高的产品对其进行推荐,加快了产品推荐的效率,增加了新用户对于酒产品的可选择性;对于老用户而言,其在历史购买酒产品的过程中购买的酒产品的种类、品牌、购买数量和购买次数能够反映其在购买酒产品时是否愿意尝试更多种类、更多品牌的酒产品,也即能够在一定程度上反映用户的购物倾向,基于此,本发明确定了老用户购买酒产品的多样性值,并结合购买酒产品的购买次数和平均时间间隔,确定了置信程度;考虑到用户在购买酒产品时会受到其他用户对酒产品的评价的影响,一般情况下,用户在购买酒产品时更倾向于选择评价较好的酒产品,因此本发明根据每个候选产品的不同类别的评价中程度副词的数量以及不同类别的评价的数量占比,得到了每个候选产品的评价相关值;同时基于老用户历史购买酒产品的价格对其消费水平进行了评价;进一步地根据每个候选产品的价格与老用户历史购买酒产品的价格的差异、评价相关值、置信程度以及对应的相似度,确定了每个候选产品的推荐值,以此作为判断依据筛选待推荐产品,进而完成对用户的产品推荐,本发明提供的方法改善了现有的产品推荐方法只考虑产品之间评分相似性的单一情况,提升了酒产品推荐效果,提高了用户对酒产品推荐结果的满意度和信任度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它附图。
图1为本发明实施例所提供的一种基于大数据的售酒小程序内产品推荐方法的流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种基于大数据的售酒小程序内产品推荐方法进行详细说明如下。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种基于大数据的售酒小程序内产品推荐方法的具体方案。
基于大数据的售酒小程序内产品推荐方法实施例:
本实施例所针对的具体场景为:用户在使用售酒小程序浏览酒产品或购买酒产品时,往往需要点击感兴趣的产品的详情页进行浏览,本实施例将根据用户在售酒小程序所点击的产品情况以及用户的类别,给用户推荐相对应的酒产品,对于新用户,根据数据库中的产品与其所点击的产品的相似度和关联性,确定新用户的待推荐产品;对于老用户,根据数据库中的产品与其所点击的产品的相似度、关联性以及老用户历史购买酒产品的价格、种类、次数等信息,确定老用户的待推荐产品;本实施例提供的方法能够针对不同的用户推荐不同的酒产品,以提高用户的体验感,同时也能够增加平台的销售业绩。
本实施例提出了基于大数据的售酒小程序内产品推荐方法,如图1所示,本实施例的基于大数据的售酒小程序内产品推荐方法包括以下步骤:
步骤S1,获取用户在售酒小程序上所点击的产品。
当用户在售酒小程序中注册账号时,后台可以通过用户的注册表单获取用户的基础信息,本实施例中用户的基础信息指的是用户的个人信息。
本实施例首先获取用户在售酒小程序上所点击的产品,后续需要根据用户在售酒小程序上所点击的产品与数据库中的产品的相似度、关联性以及用户的类别,筛选待推荐产品。若用户为老用户,则从售酒小程序的后台的数据库中调取老用户的历史购买记录,历史购买记录包括购买酒产品的种类、品牌、单价、购买数量、购买次数等。
至此,获取了用户在售酒小程序上所点击的产品的信息、用户的历史购买记录和用户的个人信息。
步骤S2,根据用户的类别以及所述所点击的产品与数据库中的产品的相似度和关联性,确定新用户的待推荐产品或老用户的候选产品,所述用户的类别包括新用户、老用户。
考虑到按照用户是否在当前售酒小程序购买过酒产品可以将用户分为两类,分别为新用户和老用户,本实施例中的新用户为未在当前售酒小程序购买过酒产品的用户,老用户为曾在当前售酒小程序购买过酒产品的用户。由于新用户并没有历史购买记录以及与之相关的其他数据,因此若用户为新用户,则本实施例将根据新用户所点击的产品与数据库中的产品的相似度和关联性,确定新用户的待推荐产品;若用户为老用户,则结合老用户历史购买酒产品的信息、老用户所点击的产品与数据库中的产品的相似度和关联性,确定老用户的待推荐产品。本实施例提供的酒产品推荐方法针对新用户可以快速地进行酒产品推荐,针对老用户可以结合历史购买信息做出合理推荐。
传统的基于物品的协同过滤算法中的相似度用余弦相似度来表示,本实施例基于物品的协同过滤算法,分别计算用户所点击的产品与数据库中的每个产品的相似度,相似度越大,说明用户所点击的产品与数据库中的对应产品的相似程度越高,设置相似度阈值,本实施例中的相似度阈值为0.8,在具体应用中,实施者可根据具体情况进行设置,将数据库中与所述所点击的产品的相似度大于相似度阈值的产品作为待分析产品,待分析产品与用户所点击的产品较相似,由此从数据库中筛选了与用户所点击的产品较相似的酒产品。
采用频繁项挖掘(FP-Growth)算法获得数据库中的产品与所述所点击的产品之间的关联规则,基于FP-Growth算法获得对应的关联规则为现有技术,此处不再过多赘述。获得的关联规则分为前件和后件,前件中可能包含若干个项,但是后件中只有一个项,本实施例中关联规则的后件为用户在售酒小程序上所点击的产品,将关联规则中与用户在售酒小程序上所点击的产品相对应的前件中的产品作为关联产品。例如,经过FP-Growth算法获得的一个关联规则为,/>、/>、/>均为/>的关联产品,本实施例将关联规则中前件中的产品作为后件中的产品的关联产品,其中,/>为数据库中的第2个产品,/>为数据库中的第3个产品,/>为数据库中的第5个产品,/>为数据库中的第1个产品。关联规则的前件和后件不一定对称的,关联规则的关系可能是多对一的也可能是一对一的,基于上述方法,能够获得用户所点击的产品的关联产品。
由于相似度的前件是一项,关联规则的后件也是一项,因此若用户为新用户,则获取待分析产品与用户所点击的产品的关联产品之间的交集,将待分析产品与用户所点击的产品的关联产品之间的交集作为新用户的待推荐产品。需要说明的是,若待分析产品与用户所点击的产品的关联产品之间不存在交集,则此时新用户没有待推荐产品,也即不对新用户进行产品推荐。若用户为老用户,则将待分析产品与所述关联产品的交集作为特征产品;将数据库中与特征产品的相似度大于相似度阈值的产品、所述关联产品和所述待分析产品均确定为老用户的候选产品。同样的,若待分析产品与所述关联产品不存在交集,则无特征产品,也即无候选产品,此时不对老用户进行产品推荐。由于待分析产品与关联产品的交集中的产品与用户所点击的产品有一定的关联。而基于相似度筛选的产品与用户所点击的产品具有相似的特征和性质。因此,将基于相似度筛选的产品与存在于交集中的相匹配的产品作为推荐的一部分,可以认为这些产品具有与用户所点击的产品相似的特征,可能会是用户感兴趣的产品。这个方法的优势在于,通过将交集与相似性产品结合起来,可以提供更多与用户所点击的酒产品相关的推荐选项,增加推荐的多样性。
本实施例提供的方法利用了酒产品之间的相似度和关联性,对于新用户来说,可以近似提供更准确和个性化的推荐。用户只要选择了任意一项酒产品,推荐***可以直接向其推荐对应的产品,加快了产品推荐的效率,增加了新用户对于酒产品的可选择性。
至此,采用上述方法,能够获得新用户的待推荐产品、老用户的候选产品。
步骤S3,根据每个候选产品的不同类别的评价中程度副词的数量以及不同类别的评价的数量占比,得到每个候选产品的评价相关值;根据老用户历史购买酒产品的种类、品牌、购买数量和购买次数,得到老用户购买酒产品的多样性值;基于所述多样性值、老用户购买酒产品的购买次数和平均时间间隔,确定老用户对应的置信程度。
对于老用户,本实施例已经筛选出了其对应的候选产品,为了提高用户对推荐的酒产品的满意度,本实施例接下来将结合老用户的历史购买记录对老用户的购酒倾向进行分析,并基于分析结果从候选产品中筛选待推荐产品。
对于用户本身,需要分析用户的需求与产品的匹配程度。在购买商品时,用户自身的感情极性可以受到商品评价中感情极性的影响,因此需要先通过购买过产品的用户对产品的评价确定每个候选产品的评价相关值。利用情感词典和程度副词词汇表可以为用户评价中的每个词赋予情感极性得分,然后基于得分判断购买过对应酒产品的用户对该酒产品的评价极性。情感词典和程度副词词汇表通常是事先构建或收集的,利用自然语言处理和机器学习技术,可以自动从大量的商品评论中挖掘程度副词,通过使用情感分析算法和机器学习模型来判定评价中的程度副词,并将其整理成词汇表。这种方法可以快速处理大量数据,并发现一些常见的程度副词,目的是为识别和量化评价文本中的情感极性。该过程为现有技术,此处不再过多赘述。
酒产品的评价一般是由积极、消极和中性三个方向的感情极性的评价组成。酒产品的评价的极性方向包括积极、消极、中性。用户在购买酒产品时,往往更倾向于选择评价较好的酒产品,也即更倾向于购买极性方向为积极的产品,因此本实施例接下来将根据每个候选产品的不同类别的评价中程度副词的数量以及不同类别的评价的数量占比,确定每个候选产品的评价相关值。
对于第j个候选产品:
将第j个候选产品的评价中极性方向为积极的评价中出现程度副词的评价个数与第j个候选产品的评价中极性方向为积极的评价个数的比值,确定为积极评价占比;根据第j个候选产品的评价中极性方向为积极的评价个数、所述积极评价占比和第j个候选产品的评价中极性方向为积极的每个评价中出现程度副词的个数,计算第j个候选产品的积极评价的极性值;将第j个候选产品的评价中极性方向为消极的评价中出现程度副词的评价个数与第j个候选产品的评价中极性方向为消极的评价个数的比值,确定为消极评价占比;根据第j个候选产品的评价中极性方向为消极的评价个数、所述消极评价占比和第j个候选产品的评价中极性方向为消极的每个评价中出现程度副词的个数,计算第j个候选产品的消极评价的极性值。根据第j个候选产品的每条中性评价的字符长度,得到第j个候选产品的所有中性评价的字符数量的均值,将所述字符数量的均值作为第j个候选产品的中性评价的极性值。第j个候选产品的积极评价的极性值、第j个候选产品的消极评价的极性值、第j个候选产品的中性评价的极性值的计算公式分别为:
其中,表示第j个候选产品的积极评价的极性值,/>表示第j个候选产品的评价中极性方向为积极的评价个数,/>表示第j个候选产品的评价中极性方向为积极的评价中出现程度副词的评价个数,/>表示第j个候选产品的评价中极性方向为积极的第i个评价中出现程度副词的个数,/>表示第j个候选产品的消极评价的极性值,/>表示第j个候选产品的评价中极性方向为消极的评价个数,/>表示第j个候选产品的评价中极性方向为消极的评价中出现程度副词的评价个数,/>表示第j个候选产品的评价中极性方向为消极的第k个评价中出现程度副词的个数,/>为第j个候选产品的中性评价的极性值,/>为第j个候选产品的评价中极性方向为中性的评价个数,/>为第j个候选产品的评价中极性方向为中性的第r条评价的字符长度。
表示积极评价占比,/>表示消极评价占比。积极方向和消极方向的评价极性值与对应的评价个数、出现程度副词的评价个数以及每条出现程度副词的评价中程度副词的个数有关,且对应的评价个数、出现程度副词的评价个数、每条出现程度副词的评价中程度副词的个数均与评价极性值呈正相关关系。当第j个候选产品的评价中极性方向为积极的评价个数越多、积极评价占比越大、第j个候选产品的评价中极性方向为积极的每个评价中出现程度副词的个数越多时,第j个候选产品的积极评价的极性值越大。当第j个候选产品的评价中极性方向为消极的评价个数越多、消极评价占比越大、第j个候选产品的评价中极性方向为消极的每个评价中出现程度副词的个数越多时,第j个候选产品的消极评价的极性值越大。
对于积极评价的极性值,积极程度副词出现的次数越多,对整体情感的积极方向的贡献就越大,本实施例将出现程度副词的次数进行线性求和,得到一个与程度副词出现频率相关的积极评价的极性值。对于消极方向的极性值,考虑到消极词语的负面情感可能对情感倾向产生更大的影响,因此需要加大扣分的权重,本实施例通过引入二次方的项和较大的系数,增加了消极程度副词数量的影响,以更加强调消极性的程度。对于用户来说,评价产品需要投入一定的时间和精力,较长的中性评价是用户对产品进行更深入评估和表达的方式之一,依此体现出用户可能更愿意分享关于酒产品的细节、体验、意见等,以便其他人可以获得更全面的信息,因此本实施例根据中性评价的平均长度来确定中性评价的极性值。
第j个候选产品的中性评价的极性值与该类评价中字符的平均长度有关,且两者呈正相关关系,当第j个候选产品的中性评价中字符的平均长度越长时,第j个候选产品的中性评价的极性值越大。
一个酒产品的评价率较高,好评较多,也即判定极性方向为积极的评价较多,且用户在评价中对于该酒产品的极性程度体现的非常强烈,极性程度通过程度副词出现的次数来表现,在评价中使用程度副词的次数较多,对应酒产品的评价相关值越大。一个酒产品的评价相关值与该产品的评价率和评价极性值有关。
对于第j个候选产品:将第j个候选产品的评价总次数与第j个候选产品的下单总次数的比值,确定为第j个候选产品评价订单的数量占比。计算第j个候选产品的所述积极评价的极性值与所述中性评价的极性值的和值,将所述和值与所述消极评价的极性值的差值记为第一差值;获取所述第一差值和常数0中的最大值;将所述最大值与所述第j个候选产品评价订单的数量占比的乘积,确定为第j个候选产品的评价相关值。第j个候选产品的评价相关值的具体计算公式为:
其中,为第j个候选产品的评价相关值,/>为第j个候选产品的评价总次数,为第j个候选产品的下单总次数,max( )为取最大值函数。
本实施例在评价相关值的计算公式中引入最大值函数,是为了保证评价相关值的取值不为负数。表示第j个候选产品评价订单的数量占比,也即表征第j个候选产品的评价率;当第j个候选产品的评价率越高且评价极性值越偏向积极方向时,第j个候选产品更应当被推荐,第j个候选产品评价相关值更大。
采用本实施例提供的方法,能够获得每个候选产品的评价相关值,评价相关值是通过所有购买过对应酒产品的用户对产品的评价所体现出来的,可以看作一个整体的表达。对于一个用户来说,全体的体现不一定契合个体的想法,因此,还需要对老用户的需求进行分析量化,确定每个候选产品的推荐值,进而筛选对应的待推荐产品。
考虑到有些用户在购买酒产品时会专注于某一种酒产品或某几种酒产品,也即在历史购买酒产品的过程中,经常购买某些特定种类或者特定品牌的酒产品,一般很少尝试其他酒产品,而有些用户喜欢尝试购买未曾购买过的种类或品牌的酒产品,也即在历史购买酒产品的过程中,购买的酒产品的种类和品牌较多。基于此,本实施例将首先根据老用户历史购买酒产品的种类、品牌、购买数量和购买次数,确定老用户购买酒产品的多样性值,老用户购买酒产品的多样性值的具体计算公式为:
其中,Z为老用户购买酒产品的多样性值,为老用户历史购买酒产品的总个数,/>为老用户历史购买酒产品的种类数,/>为老用户历史购买次数最多的酒产品种类对应的酒产品购买总数量,/>为老用户历史购买酒产品的品牌个数,/>为老用户历史购买次数最多的酒产品品牌对应的酒产品购买总数量。需要说明的是:若老用户历史购买次数最多的酒产品种类数大于1,则根据老用户历史购买次数最多的每种酒产品种类对应的酒产品购买总数量,计算老用户历史购买次数最多的所有酒产品种类对应的酒产品购买总数量的均值,将该均值代替上述公式中的/>进行计算;同理,若老用户历史购买次数最多的酒产品品牌数大于1,则根据老用户历史购买次数最多的每种酒产品品牌对应的酒产品购买总数量,计算老用户历史购买次数最多的所有酒产品品牌对应的酒产品购买总数量的均值,将该均值代替上述公式中的/>进行计算。
当老用户在历史购买酒产品的过程中购买的酒产品的种类越多、品牌越多、同一种类的酒产品的购买数量较少、同一品牌的酒产品的购买数量较少时,说明老用户越倾向于尝试不同种类、不同品牌的酒产品,老用户购买的酒产品更多样性,即老用户购买酒产品的多样性值越大。
多样化的选择意味着用户对不同类型、品牌的酒产品都感兴趣,并且愿意尝试和购买它们,用户对于酒产品有广泛的接受度和兴趣。购买酒产品的时间间隔能够反映用户对酒产品的购买频率,购买频率能够表征用户对酒产品的需求和消费的活跃程度,活跃程度越大,在对用户进行酒产品推荐时对应的置信程度应当越大。因此,接下来本实施例将根据老用户购买酒产品的多样性值、老用户购买酒产品的购买次数和时间间隔,确定老用户对应的置信程度。
具体的,将老用户购买酒产品的购买次数与所述平均时间间隔的比值记为第一特征值;根据所述第一特征值和所述多样性值,得到老用户对应的置信程度,所述第一特征值和所述多样性值均与所述置信程度呈正相关关系。本实施例中老用户对应的置信程度的具体计算公式为:
其中,表示老用户对应的置信程度,Z表示老用户购买酒产品的多样性值,/>表示老用户购买酒产品的平均时间间隔,/>表示老用户购买酒产品的购买次数,exp( )为以自然常数为底数的指数函数。
表示第一特征值。老用户购买酒产品的平均时间间隔的获取过程为:老用户在历史购买酒产品的过程中,每相邻两次下单之间均存在一个时间间隔,将老用户历史购买酒产品的过程中所有的每相邻两次下单之间的时间间隔的平均值作为老用户购买酒产品的平均时间间隔。当老用户购买酒产品的购买次数越多、老用户购买酒产品的多样性值越大、老用户购买酒产品的平均时间间隔越短时,说明该用户的购买倾向越趋向于多样化且购买频率越高,对该用户进行酒产品推荐时该用户的置信程度越大。
至此,采用本实施例提供的方法获得了每个候选产品的评价相关值以及老用户对应的置信程度。
步骤S4,根据每个候选产品的价格与老用户历史购买酒产品的价格的差异、所述评价相关值、所述置信程度以及对应的相似度,得到每个候选产品的推荐值;基于所述推荐值确定老用户的待推荐产品;基于待推荐产品对所对应的用户进行酒产品推荐。
低消费水平的用户相较于高消费水平的用户可能对价格更敏感,更注重性价比,因此相对来说,高消费水平的用户可能更愿意尝试更多种类的产品,而低消费水平的用户则可能更局限于一些常见的品牌和类型。用户的消费水平会直接影响他们对不同价位的酒产品的需求,在向用户进行产品推荐时,还需要考虑用户的消费水平,而用户的消费水平能够在历史购买记录中得以体现,因此本实施例将结合每个候选产品的价格与老用户历史购买酒产品的价格的差异,确定每个候选产品的推荐值。
具体的,对于第j个候选产品:
计算老用户历史购买酒产品的平均单价;将第j个候选产品的价格与所述平均单价的差异记为价格差异;根据所述评价相关值、所述置信程度、所述平均单价、所述价格差异、第j个候选产品与老用户所点击的产品的相似度,得到第j个候选产品的推荐值。第j个候选产品的推荐值的具体计算公式为:
其中,为第j个候选产品的推荐值,/>为第j个候选产品的评价相关值的归一化结果,/>为老用户对应的置信程度的归一化结果,/>为第j个候选产品与老用户所点击的产品的相似度,/>为第j个候选产品的价格,/>为老用户历史购买酒产品的平均单价,/>为预设调整参数,| |为取绝对值符号。
候选产品的推荐值的计算公式中引入预设调整参数是为了防止分母为0,本实施例中的预设调整参数为1,在具体应用中,实施者可根据具体情况进行设置,需要保证预设调整参数的值大于等于0。表示价格差异。第j个候选产品的评价相关值越大、对用户进行酒产品推荐时用户的置信程度越大、第j个候选产品的价格与用户购买历史中购买酒产品的平均花费的差距越小、第j个候选产品与老用户所点击的产品的相似度越大时,该相似性产品中的酒产品对于该用户的推荐值就越大。第j个候选产品与老用户所点击的产品的相似度是基于物品的协同算法得到的,此处不再过多赘述。
当老用户本身的平均花费越大、平均花费与第j个候选产品价格的差异越小、第j个候选产品的评价相关值越大、老用户对应的置信程度越大时,说明第j个候选产品越应当推荐给老用户,即第j个候选产品的推荐值越大。
采用上述方法,能够获得每个候选产品的推荐值。候选产品的推荐值越大,说明对应产品越应当推荐给对应用户,因此本实施例将选取推荐值较大的候选产品向用户进行推荐。
具体地,基于所述推荐值从候选产品中筛选预设数量个待推荐产品,其中,老用户的待推荐产品的所述推荐值大于非待推荐产品的所述推荐值。本实施例按照推荐值从大到小的顺序对所有候选产品进行排序,将排好序的候选产品中的前预设数量个候选产品作为老用户的待推荐产品,本实施例中的预设数量为3,因此将推荐值最大的前3个候选产品作为老用户的待推荐产品;需要说明的是,若候选产品的总数量大于等于1且小于等于3,则将推荐值最大的候选产品作为老用户的待推荐产品;若候选产品的总数量为0,则老用户无待推荐产品,也即后续不对其进行产品推荐。在具体应用中,实施者可根据具体情况设置预设数量的取值,需要说明的是,预设数量需要大于1。
采用本实施例提供的方法筛选出了待推荐产品,售酒小程序将待推荐产品在用户的浏览界面上进行显示,以推荐给对应用户。
本实施例首先根据用户的类别以及所点击的产品与数据库中的产品的相似度和关联性,确定了新用户的待推荐产品或老用户的候选产品,对于新用户而言,其未在售酒小程序上购买过酒产品,因此小程序后台无新用户的历史购买记录,本实施例从数据库中筛选出与新用户所点击的产品相似度较高且关联性也较高的产品对其进行推荐,加快了产品推荐的效率,增加了新用户对于酒产品的可选择性;对于老用户而言,其在历史购买酒产品的过程中购买的酒产品的种类、品牌、购买数量和购买次数能够反映其在购买酒产品时是否愿意尝试更多种类、更多品牌的酒产品,也即能够在一定程度上反映用户的购物倾向,基于此,本实施例确定了老用户购买酒产品的多样性值,并结合购买酒产品的购买次数和平均时间间隔,确定了置信程度;考虑到用户在购买酒产品时会受到其他用户对酒产品的评价的影响,一般情况下,用户在购买酒产品时更倾向于选择评价较好的酒产品,因此本实施例根据每个候选产品的不同类别的评价中程度副词的数量以及不同类别的评价的数量占比,得到了每个候选产品的评价相关值;同时基于老用户历史购买酒产品的价格对其消费水平进行了评价;进一步地根据每个候选产品的价格与老用户历史购买酒产品的价格的差异、评价相关值、置信程度以及对应的相似度,确定了每个候选产品的推荐值,以此作为判断依据筛选待推荐产品,进而完成对用户的产品推荐,本实施例提供的方法改善了现有的产品推荐方法只考虑产品之间评分相似性的单一情况,提升了酒产品推荐效果,提高了用户对酒产品推荐结果的满意度和信任度。
需要说明的是:以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于大数据的售酒小程序内产品推荐方法,其特征在于,该方法包括以下步骤:
获取用户在售酒小程序上所点击的产品;
根据用户的类别以及所述所点击的产品与数据库中的产品的相似度和关联性,确定新用户的待推荐产品或老用户的候选产品,所述用户的类别包括新用户、老用户;
根据每个候选产品的不同类别的评价中程度副词的数量以及不同类别的评价的数量占比,得到每个候选产品的评价相关值;根据老用户历史购买酒产品的种类、品牌、购买数量和购买次数,得到老用户购买酒产品的多样性值;基于所述多样性值、老用户购买酒产品的购买次数和平均时间间隔,确定老用户对应的置信程度;
根据每个候选产品的价格与老用户历史购买酒产品的价格的差异、所述评价相关值、所述置信程度以及对应的相似度,得到每个候选产品的推荐值;基于所述推荐值确定老用户的待推荐产品;基于待推荐产品对所对应的用户进行酒产品推荐;
所述根据用户的类别以及所述所点击的产品与数据库中的产品的相似度和关联性,确定新用户的待推荐产品或老用户的候选产品,包括:
将数据库中与所述所点击的产品的相似度大于相似度阈值的产品作为待分析产品;采用FP-Growth算法获得数据库中的产品与所述所点击的产品之间的关联规则,基于所述关联规则获得关联产品;
若用户为新用户,则将所述待分析产品与所述关联产品的交集作为新用户的待推荐产品;
若用户为老用户,则将所述待分析产品与所述关联产品的交集作为特征产品;将数据库中与特征产品的相似度大于相似度阈值的产品、所述关联产品和所述待分析产品均确定为老用户的候选产品;
所述根据每个候选产品的不同类别的评价中程度副词的数量以及不同类别的评价的数量占比,得到每个候选产品的评价相关值,包括:
对于第j个候选产品:
将第j个候选产品的评价中极性方向为积极的评价中出现程度副词的评价个数与第j个候选产品的评价中极性方向为积极的评价个数的比值,确定为积极评价占比;根据第j个候选产品的评价中极性方向为积极的评价个数、所述积极评价占比和第j个候选产品的评价中极性方向为积极的每个评价中出现程度副词的个数,计算第j个候选产品的积极评价的极性值;
将第j个候选产品的评价中极性方向为消极的评价中出现程度副词的评价个数与第j个候选产品的评价中极性方向为消极的评价个数的比值,确定为消极评价占比;根据第j个候选产品的评价中极性方向为消极的评价个数、所述消极评价占比和第j个候选产品的评价中极性方向为消极的每个评价中出现程度副词的个数,计算第j个候选产品的消极评价的极性值;
计算第j个候选产品的所有中性评价的字符数量的均值,将所述字符数量的均值作为第j个候选产品的中性评价的极性值;
将第j个候选产品的评价总次数与第j个候选产品的下单总次数的比值,确定为第j个候选产品评价订单的数量占比;
根据第j个候选产品的积极评价的极性值、消极评价的极性值、中性评价的极性值以及所述第j个候选产品评价订单的数量占比,得到第j个候选产品的评价相关值;
采用如下公式计算老用户购买酒产品的多样性值:
其中,Z为老用户购买酒产品的多样性值,为老用户历史购买酒产品的总个数,/>为老用户历史购买酒产品的种类数,/>为老用户历史购买次数最多的酒产品种类对应的酒产品购买总数量,/>为老用户历史购买酒产品的品牌个数,/>为老用户历史购买次数最多的酒产品品牌对应的酒产品购买总数量;
所述基于所述多样性值、老用户购买酒产品的购买次数和平均时间间隔,确定老用户对应的置信程度,包括:
将老用户购买酒产品的购买次数与所述平均时间间隔的比值记为第一特征值;
根据所述第一特征值和所述多样性值,得到老用户对应的置信程度,所述第一特征值和所述多样性值均与所述置信程度呈正相关关系。
2.根据权利要求1所述的基于大数据的售酒小程序内产品推荐方法,其特征在于,第j个候选产品的积极评价的极性值和消极评价的极性值的计算公式分别为:
其中,表示第j个候选产品的积极评价的极性值,/>表示第j个候选产品的评价中极性方向为积极的评价个数,/>表示第j个候选产品的评价中极性方向为积极的评价中出现程度副词的评价个数,/>表示第j个候选产品的评价中极性方向为积极的第i个评价中出现程度副词的个数,/>表示第j个候选产品的消极评价的极性值,/>表示第j个候选产品的评价中极性方向为消极的评价个数,/>表示第j个候选产品的评价中极性方向为消极的评价中出现程度副词的评价个数,/>表示第j个候选产品的评价中极性方向为消极的第k个评价中出现程度副词的个数。
3.根据权利要求1所述的基于大数据的售酒小程序内产品推荐方法,其特征在于,根据第j个候选产品的积极评价的极性值、消极评价的极性值、中性评价的极性值以及所述第j个候选产品评价订单的数量占比,得到第j个候选产品的评价相关值,包括:
计算第j个候选产品的所述积极评价的极性值与所述中性评价的极性值的和值,将所述和值与所述消极评价的极性值的差值记为第一差值;获取所述第一差值和常数0中的最大值;
将所述最大值与所述第j个候选产品评价订单的数量占比的乘积,确定为第j个候选产品的评价相关值。
4.根据权利要求1所述的基于大数据的售酒小程序内产品推荐方法,其特征在于,所述根据每个候选产品的价格与老用户历史购买酒产品的价格的差异、所述评价相关值、所述置信程度以及对应的相似度,得到每个候选产品的推荐值,包括:
对于第j个候选产品:
计算老用户历史购买酒产品的平均单价;将第j个候选产品的价格与所述平均单价的差异记为价格差异;
根据所述评价相关值、所述置信程度、所述平均单价、所述价格差异、第j个候选产品与老用户所点击的产品的相似度,得到第j个候选产品的推荐值。
5.根据权利要求4所述的基于大数据的售酒小程序内产品推荐方法,其特征在于,采用如下公式计算第j个候选产品的推荐值:
其中,为第j个候选产品的推荐值,/>为第j个候选产品的评价相关值的归一化结果,为老用户对应的置信程度的归一化结果,/>为第j个候选产品与老用户所点击的产品的相似度,/>为第j个候选产品的价格,/>为老用户历史购买酒产品的平均单价,/>为预设调整参数,| |为取绝对值符号。
6.根据权利要求1所述的基于大数据的售酒小程序内产品推荐方法,其特征在于,所述基于所述推荐值确定老用户的待推荐产品,包括:
基于所述推荐值从候选产品中筛选预设数量个产品,作为老用户的待推荐产品,其中,老用户的待推荐产品的所述推荐值大于非待推荐产品的所述推荐值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311035955.6A CN116757794B (zh) | 2023-08-17 | 2023-08-17 | 基于大数据的售酒小程序内产品推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311035955.6A CN116757794B (zh) | 2023-08-17 | 2023-08-17 | 基于大数据的售酒小程序内产品推荐方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116757794A CN116757794A (zh) | 2023-09-15 |
CN116757794B true CN116757794B (zh) | 2024-06-18 |
Family
ID=87953617
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311035955.6A Active CN116757794B (zh) | 2023-08-17 | 2023-08-17 | 基于大数据的售酒小程序内产品推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116757794B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116957784B (zh) * | 2023-09-18 | 2024-01-09 | 深圳迅销科技股份有限公司 | 一种银行***积分数据推荐方法 |
CN117132368B (zh) * | 2023-10-26 | 2024-01-30 | 深圳企域数字科技有限公司 | 一种基于ai的新媒体智能营销平台 |
CN117635266A (zh) * | 2023-12-01 | 2024-03-01 | 深圳市瀚力科技有限公司 | 一种用于商品推荐的平台优化管理*** |
CN117851688B (zh) * | 2024-03-06 | 2024-05-03 | 成都理工大学 | 基于深度学习及用户评论内容的个性化推荐方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108960897A (zh) * | 2018-06-08 | 2018-12-07 | 成都信息工程大学 | 一种结合关联规则的多维度用户协同过滤推荐方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7720720B1 (en) * | 2004-08-05 | 2010-05-18 | Versata Development Group, Inc. | System and method for generating effective recommendations |
CN109064285B (zh) * | 2018-08-02 | 2021-02-02 | 西北大学 | 一种获得商品推荐序列及商品推荐方法 |
CN111080055A (zh) * | 2019-11-06 | 2020-04-28 | 邱素容 | 酒店评分方法、酒店推荐方法、电子装置和存储介质 |
CN111143699B (zh) * | 2020-01-03 | 2023-07-28 | 上海理工大学 | 基于相似性与置信度聚类的推荐*** |
CN113450167A (zh) * | 2020-03-25 | 2021-09-28 | 北京沃东天骏信息技术有限公司 | 一种商品推荐方法和装置 |
-
2023
- 2023-08-17 CN CN202311035955.6A patent/CN116757794B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108960897A (zh) * | 2018-06-08 | 2018-12-07 | 成都信息工程大学 | 一种结合关联规则的多维度用户协同过滤推荐方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116757794A (zh) | 2023-09-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116757794B (zh) | 基于大数据的售酒小程序内产品推荐方法 | |
CN102902691B (zh) | 推荐方法及*** | |
CN110458627B (zh) | 一种面向用户动态偏好的商品序列个性化推荐方法 | |
US11694218B2 (en) | Computer technology for automated pricing guidance | |
CN108153792B (zh) | 一种数据处理方法和相关装置 | |
US20220253874A1 (en) | Product evaluation system and method of use | |
Scholz et al. | Using PageRank for non-personalized default rankings in dynamic markets | |
Badriyah et al. | A hybrid recommendation system for E-commerce based on product description and user profile | |
CN112435067A (zh) | 跨电商平台与社交平台的智能广告投放方法及*** | |
TWI433042B (zh) | Multi - product recommendation method and system | |
US11651417B2 (en) | Method, system, and non-transitory processor-readable medium for intelligent listing creation for a for sale object | |
CN112132618A (zh) | 一种商品价格确定方法、装置、设备及可读存储介质 | |
CN112950322A (zh) | 一种基于协同过滤优化的电力零售套餐推荐方法和*** | |
CN117455632A (zh) | 一种基于大数据的电商选品分析管理平台 | |
CN117217868B (zh) | 一种基于数据分析的电商平台产品智能更换*** | |
CN117474631A (zh) | 基于电商平台评论的数据挖掘与情感分析的推荐算法 | |
CN116757777A (zh) | 一种用于电子商务信息直接发布与信息推广的***和方法 | |
CN114897551A (zh) | 一种购物记录分析反馈*** | |
CN114358871A (zh) | 商品推荐方法及电子设备 | |
Suryadi et al. | Identifying the relations between product features and sales rank from online reviews | |
CN112561596A (zh) | 商品推荐方法和装置 | |
CN116883121B (zh) | 基于大数据分析的pos机用户推荐方法 | |
US20220092634A1 (en) | Information processing device and non-transitory computer readable medium | |
CN117035947B (zh) | 基于大数据处理的农产品数据分析方法及云平台 | |
CN114648391B (zh) | 一种网购信息推荐方法 |
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 |