CN117994009B - 一种数字产品移动充值选品*** - Google Patents
一种数字产品移动充值选品*** Download PDFInfo
- Publication number
- CN117994009B CN117994009B CN202410404581.9A CN202410404581A CN117994009B CN 117994009 B CN117994009 B CN 117994009B CN 202410404581 A CN202410404581 A CN 202410404581A CN 117994009 B CN117994009 B CN 117994009B
- Authority
- CN
- China
- Prior art keywords
- user
- commodity
- consumption
- individual
- bearing capacity
- 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
- 239000000047 product Substances 0.000 title description 31
- 239000013589 supplement Substances 0.000 title description 2
- 238000000034 method Methods 0.000 claims description 35
- 230000003442 weekly effect Effects 0.000 claims description 30
- 230000005856 abnormality Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及数据处理技术领域,具体涉及一种数字产品移动充值选品***,包括:数据采集模块,用于采集每个用户购买每个商品的若干个星期的消费额,获得星期消费额序列;数字产品分析模块,用于根据每个用户每个商品的消费额的分布,获得每个用户在消费规律上对每个商品价格的承受能力;数字产品评分模块,用于根据每个用户在消费规律上对任意两个商品价格的承受能力的差异,获得每个用户同时购买任意两种商品的评分权重,进行每个用户对每个商品的评分;智能推荐模块,用于进行商品的推荐。本发明优化了初始权重参数,提高了数字产品移动充值推荐的准确性。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种数字产品移动充值选品***。
背景技术
数字产品移动充值是指通过移动网络或无线网络,使用手机、平板电脑或其他数字设备进行充值的一种方式,它包括对手机话费、流量、在线支付等数字产品进行充值。现如今随着智能手机和其他数字产品的普及,人们对于便捷、智能、快速的充值方式的需求也不断增加。为了使得数字产品移动充值更富有灵活性,数字产品移动充值选品***应该可以通过用户往日的充值消费记录,实现智能化的推荐。
在常规的智能推荐中,可以通过加权Slope One算法实现数字产品的智能推荐;但是通过加权Slope One算法进行数字产品的智能推荐时,由于不同的用户其消费水平不同和消费习惯不同,如果仅用共同评价的人数作为加权Slope One算法中的权重,则存在偏差,从而导致Slope One算法预测评分的结果出现偏差,降低了数字产品移动充值推荐的准确性。
发明内容
本发明提供一种数字产品移动充值选品***,以解决现有的问题。
本发明的一种数字产品移动充值选品***采用如下技术方案:
本发明一个实施例提供了一种数字产品移动充值选品***,该***包括以下模块:
数据采集模块,用于采集每个用户购买每个商品的若干个星期的消费额,组成星期商品消费序列,根据每个用户所有商品的星期商品消费序列,获得每个用户的星期消费额序列;
数字产品分析模块,用于根据每个用户对每个商品在相邻星期的消费额的差异和所有星期的消费额的波动,获得每个用户对每个商品价格的承受能力,根据每个用户的星期消费额序列得到星期消费额曲线,获取星期消费额曲线的所有极值点,根据每个用户的星期消费额曲线中相邻极值点之间的梯度变化,修正每个用户对每个商品价格的承受能力,获得每个用户在消费规律上对每个商品价格的承受能力;
数字产品评分模块,用于根据每个用户在消费规律上对任意两个商品价格的承受能力的差异,对初始权重参数进行修正,获得每个用户同时购买任意两种商品的评分权重,根据每个用户同时购买任意两种商品的评分权重,获得每个用户对每个商品的评分;
智能推荐模块,用于根据每个用户对每个商品的评分进行商品的推荐。
进一步地,所述根据每个用户对每个商品在相邻星期的消费额的差异和所有星期的消费额的波动,获得每个用户对每个商品价格的承受能力,包括:
计算每个用户购买每个商品的第一异常因子和每个用户购买每个商品的第二异常因子的乘积,将乘积结果记为第一特征,将记为每个用户对每个商品价格的承受能力。
进一步地,所述每个用户购买每个商品的第一异常因子,包括:
每个用户购买每个商品的第一异常因子的计算公式为:
式中,表示第个用户对第个商品在第个星期的消费额,表示第个用户对第个商品在所有星期的消费额的均值,表示每个用户对每个商品消费的所有星期的总个数,为绝对值符号,表示第个用户购买第个商品的第一异常因子。
进一步地,所述每个用户购买每个商品的第二异常因子,包括:
每个用户购买每个商品的第二异常因子的计算公式为:
式中,表示第个用户对第个商品在第个星期的消费额,表示第个用户对第个商品在第个星期的消费额,表示每个用户对每个商品消费的所有星期的总个数,为绝对值符号,表示第个用户购买第个商品的第二异常因子。
进一步地,所述根据每个用户的星期消费额序列得到星期消费额曲线,包括:
以时间顺序的星期序号为横轴,以每个星期的消费总额为纵轴建立参考坐标系;将每个用户的星期消费额序列中的数据映射在参考坐标系中,通过最小二乘法对每个用户的星期消费额序列进行曲线拟合,将拟合后的曲线记为星期消费额曲线。
进一步地,所述根据每个用户的星期消费额曲线中相邻极值点之间的梯度变化,修正每个用户对每个商品价格的承受能力,获得每个用户在消费规律上对每个商品价格的承受能力,包括:
每个用户在消费规律上对每个商品价格的承受能力的计算公式为:
式中,表示第个用户对第个商品价格的承受能力,表示第个用户的星期消费额曲线中第个极值点对应的横轴的值,表示第个用户的星期消费额曲线中第个极值点对应的横轴的值,表示第个用户的星期消费额曲线中第个极值点对应的纵轴的值,表示第个用户的星期消费额曲线中第个极值点对应的纵轴的值,表示每个用户的星期消费额曲线中所有极值点的总个数,表示第个用户在消费规律上对第个商品价格的承受能力,表示线性归一化函数,为绝对值符号。
进一步地,所述根据每个用户在消费规律上对任意两个商品价格的承受能力的差异,对初始权重参数进行修正,获得每个用户同时购买任意两种商品的评分权重,包括:
每个用户同时购买任意两种商品的评分权重的计算公式为:
式中,表示第个用户在消费规律上对第个商品价格的承受能力,表示第个用户在消费规律上对第个商品价格的承受能力,表示第个用户同时购买第个商品和第个商品的评分权重,为绝对值符号,表示以自然常数为底的指数函数,表示预设初始权重参数。
进一步地,所述根据每个用户同时购买任意两种商品的评分权重,获得每个用户对每个商品的评分,包括:
根据每个用户同时购买任意两种商品的评分权重,通过加权Slope One算法获得每个用户对每个商品的评分。
进一步地,所述根据每个用户对每个商品的评分进行商品的推荐,包括:
根据每个用户对每个商品的评分的高低对所有商品进行从大到小的排序,得到每个用户的商品序列,根据每个用户的商品序列中的顺序给用户依次进行商品的推荐。
进一步地,所述采集每个用户购买每个商品的若干个星期的消费额,组成星期商品消费序列,根据每个用户所有商品的星期商品消费序列,获得每个用户的星期消费额序列,包括:
采集每个用户购买每个商品的若干个连续星期的消费额,按照时间的顺序组成星期商品消费序列;
将每个用户所有商品的星期商品消费序列按照对应的星期进行相加,得到每个用户的星期消费额序列。
本发明的技术方案的有益效果是:本发明根据每个用户对每个商品在相邻星期的消费额的差异和所有星期的消费额的波动,获得每个用户对每个商品价格的承受能力,排除了不同时间段内消费差异的影响;根据每个用户的星期消费额曲线中相邻极值点之间的梯度变化,获得每个用户在消费规律上对每个商品价格的承受能力,排除了消费习惯的影响;根据每个用户在消费规律上对任意两个商品价格的承受能力的差异,对初始权重参数进行修正,获得每个用户同时购买任意两种商品的评分权重,根据每个用户同时购买任意两种商品的评分权重,获得每个用户对每个商品的评分,最后进行商品的推荐,优化了初始权重参数,提高了数字产品移动充值推荐的准确性。
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,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地介绍,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他的附图。
图1为本发明一种数字产品移动充值选品***的模块流程图。
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数字产品移动充值选品***,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
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数字产品移动充值选品***的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种数字产品移动充值选品***的模块流程图,该***包括以下模块:
模块101:数据采集模块。
需要说明的是,为了分析每个用户对数字产品的感兴趣程度,并完成数字产品的智能推荐,因此需要采集每个用户的消费额,根据消费额进行数字产品的智能推荐。
具体地,以一个星期为一个时间间隔,采集一年内每个用户购买每个商品的所有星期的消费额,并按照时间顺序,组成星期商品消费序列。将每个用户所有商品的星期商品消费序列按照对应的星期进行相加,得到每个用户的星期消费额序列。
至此,得到星期商品消费序列和星期消费额序列。
模块102:数字产品分析模块。
需要说明的是,一般来说,用户对某商品的评分次数越多,说明用户对这个商品有更多的评价历史,因此可以认为该用户对这个商品的评分更具有代表性。因此,可以使用评分次数作为权重,次数越多,权重越高。但是在某段时间内,由于自身资产的差异,对每个商品的购买可能也是会存在差异的,因此只根据评分次数的占比作为权重是有很大误差的,所以可以根据商品价格的差异进行对权重进行修正。
进一步需要说明的是,当由于在一个时间节点上,可能会发工资,使得每个用户在不同的时间段内购买物品之间存在很大的差异;即当商品的价格较高时,相邻星期的消费额存在很大的差异,而当商品的价格较低时,相邻星期的消费额存在较小的差异。因此可以根据每个用户在所有星期的消费额的波动程度和相邻星期的消费额的差异来分析每个用户对每个商品价格的承受能力。
具体地,根据每个用户对每个商品所有星期的消费额的波动分布,获得每个用户购买每个商品的第一异常因子,用公式表示为:
式中,表示第个用户对第个商品在第个星期的消费额,表示第个用户对第个商品在所有星期的消费额的均值,表示每个用户对每个商品消费的所有星期的总个数,为绝对值符号,表示第个用户购买第个商品的第一异常因子。
其中,表示每个用户对每个商品在所有星期的消费额的波动程度,当消费额的波动程度越大,表示消费额波动越异常,即用户对该商品价格的承受能力越弱;当消费额的波动程度越小,表示消费额波动越正常,即用户对该商品价格的承受能力越强。
根据每个用户对每个商品在相邻星期的消费额的差异,获得每个用户购买每个商品的第二异常因子,用公式表示为:
式中,表示第个用户对第个商品在第个星期的消费额,表示第个用户对第个商品在第个星期的消费额,表示每个用户对每个商品消费的所有星期的总个数,为绝对值符号,表示第个用户购买第个商品的第二异常因子。
其中,表示每个用户对每个商品在相邻星期的消费额的差异,当该差异越大时,表示消费额的差异越异常,即用户对该商品价格的承受能力越弱;当该差异越小时,表示消费额的差异越正常,即用户对该商品价格的承受能力越强。
根据每个用户对每个商品在相邻星期的消费额的差异和所有星期的消费额的波动,获得每个用户对每个商品价格的承受能力,用公式表示为:
式中,表示第个用户购买第个商品的第一异常因子,表示第个用户购买第个商品的第二异常因子,表示以自然常数为底的指数函数,表示第个用户对第个商品价格的承受能力。
其中,当第一异常因子和第二异常因子越大时,即表示越异常,则用户对该商品价格的承受能力越弱;当第一异常因子和第二异常因子越小时,即表示越正常,则用户对该商品价格的承受能力越强。
至此,得到每个用户对每个商品价格的承受能力。
需要说明的是,用户的消费总额通常具有规律性,即在某个时间段,用户的消费总额逐渐增加,而在某个时间段,用户的消费总额逐渐减少,但是当用户在一段时间内用户购买所有商品的消费总额变化不大时,表示用户的购买力较强;当用户在一段时间内用户购买所有商品的消费总额变化波动较大时,表示用户的购买力较弱。但是当用户对一个商品的需求稳定时,表示对这个商品的价格的承受能力越稳定,也表示对该商品价格的承受能力越强;反之,当用户对一个商品的需求不稳定时,表示对这个商品的价格的承受能力越不稳定,也表示对该商品价格的承受能力越弱。因此可以根据用户在所有星期的消费总额的变化情况对每个用户对每个商品价格的承受能力进行修正,获取每个用户在消费规律上对每个商品价格的承受能力。
具体地,以时间顺序的星期序号为横轴,以每个星期的消费总额为纵轴建立参考坐标系;将每个用户的星期消费额序列中的数据映射在参考坐标系中,通过最小二乘法使用五次多项式对每个用户的星期消费额序列进行曲线拟合,将拟合后的曲线记为星期消费额曲线,获取星期消费额曲线所有极值点,其中,极值点包括极大值点和极小值点。其中,在本实施例中使用五次多项式进行曲线拟合,但是不进行具体限定;其中,最小二乘法为公知技术,此处不再进行具体赘述。
根据每个用户的星期消费额曲线中相邻极值点之间的梯度变化,对每个用户对每个商品价格的承受能力进行修正,获得每个用户在消费规律上对每个商品价格的承受能力,用公式表示为:
式中,表示第个用户对第个商品价格的承受能力,表示第个用户的星期消费额曲线中第个极值点对应的横轴的值,表示第个用户的星期消费额曲线中第个极值点对应的横轴的值,表示第个用户的星期消费额曲线中第个极值点对应的纵轴的值,表示第个用户的星期消费额曲线中第个极值点对应的纵轴的值,表示每个用户的星期消费额曲线中所有极值点的总个数,表示第个用户在消费规律上对第个商品价格的承受能力,表示线性归一化函数,为绝对值符号。
其中,表示相邻两个极值点之间的梯度的反比,即当该值越大时,表示相邻两个极值点之间的梯度变化越小,即用户在消费规律上对商品价格的承受能力越大;当该值越小时,表示相邻两个极值点之间的梯度变化越大,即用户在消费规律上对商品价格的承受能力越小。
需要说明的是,的分母不可能为0,因为相邻两个极值点的纵坐标是不相同的,因此分母不可能等于0。
至此,得到每个用户在消费规律上对每个商品价格的承受能力。
模块103:数字产品评分模块。
需要说明的是,当每个用户在消费规律上对任意两个商品价格的承受能力的差异越小,表示通过两个商品价格的承受能力预测的可信度就越高,则对应的用户对购买商品的评分权重就越大,反之,当每个用户在消费规律上对任意两个商品价格的承受能力的差异越大,表示通过两个商品价格的承受能力预测的可信度就越低,则对应的用户对购买商品的评分权重就越小。
具体地,预设一个初始权重参数Q,其中本实施例以Q=100为例进行叙述,本实施例不进行具体限定,其中Q可根据具体实施情况而定。
根据每个用户在消费规律上对任意两个商品价格的承受能力的差异,获得每个用户同时购买任意两种商品的评分权重,用公式表示为:
式中,表示第个用户在消费规律上对第个商品价格的承受能力,表示第个用户在消费规律上对第个商品价格的承受能力,表示第个用户同时购买第个商品和第个商品的评分权重,为绝对值符号,表示以自然常数为底的指数函数,表示预设初始权重参数。
其中,表示每个用户在消费规律上对任意两个商品价格的承受能力的差异,当该差异越大时,表示通过两个商品价格的承受能力预测的可信度就越低,则对应的用户对购买商品的评分权重就越小;当该差异越小时,表示通过两个商品价格的承受能力预测的可信度就越高,则对应的用户对购买商品的评分权重就越大。
至此,得到每个用户同时购买任意两种商品的评分权重。
根据每个用户同时购买任意两种商品的评分权重,通过加权Slope One算法获得每个用户对每个商品的评分;其中,加权Slope One算法为公知技术,此处不再进行具体赘述。
至此,得到每个用户对每个商品的评分。
模块104:智能推荐模块。
根据每个用户对每个商品的评分的高低对所有商品进行从大到小的排序,得到每个用户的商品序列,根据每个用户的商品序列中的顺序给用户依次进行商品的推荐。
其中,在本实施例中一个商品就是一个数字化产品,商品的购买就是数字产品的充值。
至此,本实施例完成。
需要说明的是,本实施例中所用的模型仅用于表示负相关关系和约束模型输出的结果处于区间内,具体实施时,可替换成具有同样目的的其他模型,本实施例只是以模型为例进行叙述,不对其做具体限定,其中是指该模型的输入。
以上所述仅为本发明的较佳实施例而已,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 (7)
1.一种数字产品移动充值选品***,其特征在于,该***包括以下模块:
数据采集模块,用于采集每个用户购买每个商品的若干个星期的消费额,组成星期商品消费序列,根据每个用户所有商品的星期商品消费序列,获得每个用户的星期消费额序列;
数字产品分析模块,用于根据每个用户对每个商品在相邻星期的消费额的差异和所有星期的消费额的波动,获得每个用户对每个商品价格的承受能力,根据每个用户的星期消费额序列得到星期消费额曲线,获取星期消费额曲线的所有极值点,根据每个用户的星期消费额曲线中相邻极值点之间的梯度变化,修正每个用户对每个商品价格的承受能力,获得每个用户在消费规律上对每个商品价格的承受能力;
所述根据每个用户对每个商品在相邻星期的消费额的差异和所有星期的消费额的波动,获得每个用户对每个商品价格的承受能力,包括:
计算每个用户购买每个商品的第一异常因子和每个用户购买每个商品的第二异常因子的乘积,将乘积结果记为第一特征,将记为每个用户对每个商品价格的承受能力;
其中,表示以自然常数为底的指数函数;
所述根据每个用户的星期消费额序列得到星期消费额曲线,包括:
以时间顺序的星期序号为横轴,以每个星期的消费总额为纵轴建立参考坐标系;将每个用户的星期消费额序列中的数据映射在参考坐标系中,通过最小二乘法对每个用户的星期消费额序列进行曲线拟合,将拟合后的曲线记为星期消费额曲线;
所述根据每个用户的星期消费额曲线中相邻极值点之间的梯度变化,修正每个用户对每个商品价格的承受能力,获得每个用户在消费规律上对每个商品价格的承受能力,包括:
每个用户在消费规律上对每个商品价格的承受能力的计算公式为:
式中,表示第个用户对第个商品价格的承受能力,表示第个用户的星期消费额曲线中第个极值点对应的横轴的值,表示第个用户的星期消费额曲线中第个极值点对应的横轴的值,表示第个用户的星期消费额曲线中第个极值点对应的纵轴的值,表示第个用户的星期消费额曲线中第个极值点对应的纵轴的值,表示每个用户的星期消费额曲线中所有极值点的总个数,表示第个用户在消费规律上对第个商品价格的承受能力,表示线性归一化函数,为绝对值符号;
数字产品评分模块,用于根据每个用户在消费规律上对任意两个商品价格的承受能力的差异,对初始权重参数进行修正,获得每个用户同时购买任意两种商品的评分权重,根据每个用户同时购买任意两种商品的评分权重,获得每个用户对每个商品的评分;
智能推荐模块,用于根据每个用户对每个商品的评分进行商品的推荐。
2.根据权利要求1所述一种数字产品移动充值选品***,其特征在于,所述每个用户购买每个商品的第一异常因子,包括:
每个用户购买每个商品的第一异常因子的计算公式为:
式中,表示第个用户对第个商品在第个星期的消费额,表示第个用户对第个商品在所有星期的消费额的均值,表示每个用户对每个商品消费的所有星期的总个数,为绝对值符号,表示第个用户购买第个商品的第一异常因子。
3.根据权利要求1所述一种数字产品移动充值选品***,其特征在于,所述每个用户购买每个商品的第二异常因子,包括:
每个用户购买每个商品的第二异常因子的计算公式为:
式中,表示第个用户对第个商品在第个星期的消费额,表示第个用户对第个商品在第个星期的消费额,表示每个用户对每个商品消费的所有星期的总个数,为绝对值符号,表示第个用户购买第个商品的第二异常因子。
4.根据权利要求1所述一种数字产品移动充值选品***,其特征在于,所述根据每个用户在消费规律上对任意两个商品价格的承受能力的差异,对初始权重参数进行修正,获得每个用户同时购买任意两种商品的评分权重,包括:
每个用户同时购买任意两种商品的评分权重的计算公式为:
式中,表示第个用户在消费规律上对第个商品价格的承受能力,表示第个用户在消费规律上对第个商品价格的承受能力,表示第个用户同时购买第个商品和第个商品的评分权重,为绝对值符号,表示以自然常数为底的指数函数,表示预设初始权重参数。
5.根据权利要求1所述一种数字产品移动充值选品***,其特征在于,所述根据每个用户同时购买任意两种商品的评分权重,获得每个用户对每个商品的评分,包括:
根据每个用户同时购买任意两种商品的评分权重,通过加权Slope One算法获得每个用户对每个商品的评分。
6.根据权利要求1所述一种数字产品移动充值选品***,其特征在于,所述根据每个用户对每个商品的评分进行商品的推荐,包括:
根据每个用户对每个商品的评分的高低对所有商品进行从大到小的排序,得到每个用户的商品序列,根据每个用户的商品序列中的顺序给用户依次进行商品的推荐。
7.根据权利要求1所述一种数字产品移动充值选品***,其特征在于,所述采集每个用户购买每个商品的若干个星期的消费额,组成星期商品消费序列,根据每个用户所有商品的星期商品消费序列,获得每个用户的星期消费额序列,包括:
采集每个用户购买每个商品的若干个连续星期的消费额,按照时间的顺序组成星期商品消费序列;
将每个用户所有商品的星期商品消费序列按照对应的星期进行相加,得到每个用户的星期消费额序列。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410404581.9A CN117994009B (zh) | 2024-04-07 | 2024-04-07 | 一种数字产品移动充值选品*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410404581.9A CN117994009B (zh) | 2024-04-07 | 2024-04-07 | 一种数字产品移动充值选品*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117994009A CN117994009A (zh) | 2024-05-07 |
CN117994009B true CN117994009B (zh) | 2024-06-28 |
Family
ID=90896249
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410404581.9A Active CN117994009B (zh) | 2024-04-07 | 2024-04-07 | 一种数字产品移动充值选品*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117994009B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114549046A (zh) * | 2022-01-17 | 2022-05-27 | 北京滴普科技有限公司 | 基于融合模型的销售预测方法、***、设备及存储介质 |
CN116703533A (zh) * | 2023-08-08 | 2023-09-05 | 深圳中天云联科技发展有限公司 | 一种商业管理数据优化存储分析方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN117649256B (zh) * | 2024-01-29 | 2024-04-02 | 贵州师范大学 | 一种适用于喀斯特地区生态产品销售信息分析方法 |
-
2024
- 2024-04-07 CN CN202410404581.9A patent/CN117994009B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114549046A (zh) * | 2022-01-17 | 2022-05-27 | 北京滴普科技有限公司 | 基于融合模型的销售预测方法、***、设备及存储介质 |
CN116703533A (zh) * | 2023-08-08 | 2023-09-05 | 深圳中天云联科技发展有限公司 | 一种商业管理数据优化存储分析方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117994009A (zh) | 2024-05-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
McNerney et al. | How production networks amplify economic growth | |
US20020046128A1 (en) | Automatic pricing method and device | |
CN106095895B (zh) | 信息推送方法和装置 | |
CN108615177B (zh) | 基于加权提取兴趣度的电子终端个性化推荐方法 | |
CN102156932A (zh) | 一种客户再次购买意向预测方法及装置 | |
CN103678518A (zh) | 一种推荐列表调整方法和装置 | |
CN110874787A (zh) | 推荐模型的效果评测方法和相关装置 | |
CN113469722A (zh) | 消费预测***及消费预测方法 | |
CN107301592A (zh) | 用于商品替代品发掘的方法及装置 | |
CN114219558B (zh) | 基于数据挖掘的农产品智能推荐*** | |
CN110555749B (zh) | 基于神经网络的信用行为预测方法以及装置 | |
CN116881242B (zh) | 一种生鲜农产品电商采购数据智能存储*** | |
CN117994009B (zh) | 一种数字产品移动充值选品*** | |
CN109858947A (zh) | 零售用户价值分析***及方法 | |
CN117333262A (zh) | 一种电子商务平台用的基于人工智能的大数据需求预测方法及*** | |
CN117557290A (zh) | 一种基于机器学习的电商运维管理方法及*** | |
CN117217793A (zh) | 一种餐食分析大数据平台 | |
CN116523597A (zh) | 大数据云熵挖掘的电子商务定制化推荐方法 | |
CN115713384A (zh) | 推荐物品的方法、装置、存储介质及电子设备 | |
CN112734531B (zh) | 物品推荐方法、装置、电子设备及存储介质 | |
CN110163585B (zh) | 一种电子红包的发放方法及装置 | |
CN112884192A (zh) | 基于多指标双边匹配的优质电力增值服务产品决策方法 | |
CN113407827A (zh) | 基于用户价值分类的信息推荐方法、装置、设备及介质 | |
CN112650935A (zh) | 应用于电商云业务环境的智能化信息处理方法及云服务器 | |
CN116823337B (zh) | 基于大数据分析用户习惯的产品销售预测*** |
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 |