TW201933232A - 店鋪資訊推薦方法、裝置及用戶端 - Google Patents
店鋪資訊推薦方法、裝置及用戶端 Download PDFInfo
- Publication number
- TW201933232A TW201933232A TW107144285A TW107144285A TW201933232A TW 201933232 A TW201933232 A TW 201933232A TW 107144285 A TW107144285 A TW 107144285A TW 107144285 A TW107144285 A TW 107144285A TW 201933232 A TW201933232 A TW 201933232A
- Authority
- TW
- Taiwan
- Prior art keywords
- consumption
- information
- feature vector
- users
- user
- Prior art date
Links
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
- G06Q30/02—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
- G06Q30/0282—Rating or review of business operators or products
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
- G06Q30/0269—Targeted advertisements based on user profile or attribute
- G06Q30/0271—Personalized advertisement
-
- 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]
-
- 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
- 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]
- G06Q30/0639—Item locations
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本說明書實施例提供一種店鋪資訊推薦方法、裝置及用戶端。該方法包括:確定符合目標使用者的消費偏好所對應的消費群組;獲取該消費群組中使用者消費過的店鋪資訊,識別出店鋪資訊中店鋪資訊出現次數大於等於預設臨限值的店鋪資訊;將所述出現次數大於等於預設臨限值的店鋪資訊推薦給所述目標使用者。
Description
本說明書實施例涉及網際網路通信技術領域,特別涉及一種店鋪資訊推薦方法、裝置及用戶端。
近年來隨著網際網路的快速發展和新零售漸漸興起,網際網路積累了大量的使用者與店鋪資料,對這些資料進行分析和挖掘可以提高使用者的到店消費率。因此,運用大資料、人工智慧等手段進行線上營銷推薦活動被來越多的商家所重視。
目前,在進行營銷推薦處理時,常常是根據店鋪的好評率或交易量進行推薦。比如某家店鋪好評率高,就將該好評率高的店鋪推薦給使用者。或者,某店鋪的交易量高,就將該交易量高的店鋪推薦給使用者。但上述現有的推薦方法中往往存在為了提高好評率或交易量進行刷單的情況,且存在不同的使用者消費偏好不同的問題,導致推薦給使用者的店鋪並非使用者喜歡的店鋪,推薦效果差。因此,需要提供更可靠或更有效的方案。
目前,在進行營銷推薦處理時,常常是根據店鋪的好評率或交易量進行推薦。比如某家店鋪好評率高,就將該好評率高的店鋪推薦給使用者。或者,某店鋪的交易量高,就將該交易量高的店鋪推薦給使用者。但上述現有的推薦方法中往往存在為了提高好評率或交易量進行刷單的情況,且存在不同的使用者消費偏好不同的問題,導致推薦給使用者的店鋪並非使用者喜歡的店鋪,推薦效果差。因此,需要提供更可靠或更有效的方案。
本說明書實施例的目的是提供一種店鋪資訊推薦方法、裝置及用戶端,可以保證推薦的店鋪資訊更符合目標使用者的喜好,提高使用者對推薦的店鋪資訊的回應率,進而可以提高使用者到店消費率。
本說明書實施例是這樣實現的:
一種店鋪資訊推薦方法,包括:
確定目標使用者所在的消費群組,其中,所述消費群組是基於表徵使用者的消費特徵資訊的消費特徵向量進行叢集分析確定的;
獲取所述消費群組中使用者消費過的店鋪資訊,識別出所述店鋪資訊中店鋪資訊出現次數大於等於預設臨限值的店鋪資訊;
將所述出現次數大於等於預設臨限值的店鋪資訊推薦給所述目標使用者。
一種店鋪資訊推薦裝置,包括:
消費群組確定模組,用於確定目標使用者所在的消費群組,其中,所述消費群組是基於表徵使用者的消費特徵資訊的消費特徵向量進行叢集分析確定的;
群組店鋪資訊獲取模組,用於獲取所述消費群組中使用者消費過的店鋪資訊;
店鋪資訊識別模組,用於識別出所述店鋪資訊中店鋪資訊出現次數大於等於預設臨限值的店鋪資訊;
店鋪資訊推薦模組,用於將所述出現次數大於等於預設臨限值的店鋪資訊推薦給所述目標使用者。
一種店鋪資訊推薦用戶端,包括處理器及記憶體,所述記憶體儲存由所述處理器執行的電腦程式指令,所述電腦程式指令包括:
確定目標使用者所在的消費群組,其中,所述消費群組是基於表徵使用者的消費特徵資訊的消費特徵向量進行叢集分析確定的;
獲取所述消費群組中使用者消費過的店鋪資訊,識別出所述店鋪資訊中店鋪資訊出現次數大於等於預設臨限值的店鋪資訊;
將所述出現次數大於等於預設臨限值的店鋪資訊推薦給所述目標使用者。
由以上可見,本說明書一個或多個實施例通過對使用者按照消費偏好進行消費群組劃分,在進行店鋪資訊推薦時,確定在目標使用者所在的消費群組後,可以直接按照與目標使用者具有相似消費偏好的消費群組中使用者的消費資料向目標使用者進行店鋪資訊的推薦,保證了推薦的店鋪資訊更好的符合目標使用者的喜好,提高了使用者對推薦的店鋪資訊的回應機率,進而可以提高使用者到店消費率。
本說明書實施例是這樣實現的:
一種店鋪資訊推薦方法,包括:
確定目標使用者所在的消費群組,其中,所述消費群組是基於表徵使用者的消費特徵資訊的消費特徵向量進行叢集分析確定的;
獲取所述消費群組中使用者消費過的店鋪資訊,識別出所述店鋪資訊中店鋪資訊出現次數大於等於預設臨限值的店鋪資訊;
將所述出現次數大於等於預設臨限值的店鋪資訊推薦給所述目標使用者。
一種店鋪資訊推薦裝置,包括:
消費群組確定模組,用於確定目標使用者所在的消費群組,其中,所述消費群組是基於表徵使用者的消費特徵資訊的消費特徵向量進行叢集分析確定的;
群組店鋪資訊獲取模組,用於獲取所述消費群組中使用者消費過的店鋪資訊;
店鋪資訊識別模組,用於識別出所述店鋪資訊中店鋪資訊出現次數大於等於預設臨限值的店鋪資訊;
店鋪資訊推薦模組,用於將所述出現次數大於等於預設臨限值的店鋪資訊推薦給所述目標使用者。
一種店鋪資訊推薦用戶端,包括處理器及記憶體,所述記憶體儲存由所述處理器執行的電腦程式指令,所述電腦程式指令包括:
確定目標使用者所在的消費群組,其中,所述消費群組是基於表徵使用者的消費特徵資訊的消費特徵向量進行叢集分析確定的;
獲取所述消費群組中使用者消費過的店鋪資訊,識別出所述店鋪資訊中店鋪資訊出現次數大於等於預設臨限值的店鋪資訊;
將所述出現次數大於等於預設臨限值的店鋪資訊推薦給所述目標使用者。
由以上可見,本說明書一個或多個實施例通過對使用者按照消費偏好進行消費群組劃分,在進行店鋪資訊推薦時,確定在目標使用者所在的消費群組後,可以直接按照與目標使用者具有相似消費偏好的消費群組中使用者的消費資料向目標使用者進行店鋪資訊的推薦,保證了推薦的店鋪資訊更好的符合目標使用者的喜好,提高了使用者對推薦的店鋪資訊的回應機率,進而可以提高使用者到店消費率。
本說明書實施例提供一種店鋪資訊推薦方法、裝置及用戶端。
為了使本技術領域的人員更好地理解本說明書中的技術方案,下面將結合本說明書實施例中的附圖,對本說明書實施例中的技術方案進行清楚、完整地描述,顯然,所描述的實施例僅僅是本說明書一部分實施例,而不是全部的實施例。基於本說明書中的實施例,本領域普通技術人員在沒有做出創造性勞動前提下所獲得的所有其他實施例,都應當屬於本說明書保護的範圍。
以下介紹本說明書一種店鋪資訊推薦方法的一種具體實施例。圖1是本說明書提供的店鋪資訊推薦方法的一種實施例的流程示意圖,本說明書提供了如實施例或流程圖所述的方法操作步驟,但基於常規或者無創造性的勞動可以包括更多或者更少的操作步驟。實施例中列舉的步驟順序僅僅為眾多步驟執行順序中的一種方式,不代表唯一的執行順序。在實際中的系統或用戶端產品執行時,可以按照實施例或者附圖所示的方法順序執行或者並行執行(例如平行處理器或者多線程處理的環境)。具體的如圖1所示,所述方法可以包括:
S102:確定目標使用者所在的消費群組,其中,所述消費群組是基於表徵使用者的消費特徵資訊的消費特徵向量進行叢集分析確定的。
在實際應用中,線上或線下商家可以通過網際網路伺服平臺(以下簡稱伺服平臺)進行線上推薦營銷活動來提高使用者到店的消費率。具體的,本說明書實施例伺服平臺可以向使用者推薦符合使用者的消費偏好的店鋪。本說明書實施例中,伺服平臺在向使用者推薦店鋪過程中,可以確定目標使用者所在的消費群組。具體的,所述消費群組是基於表徵使用者的消費特徵資訊的消費特徵向量進行叢集分析確定的。
本說明書實施例中可以先對伺服平臺上的使用者按照使用者的消費特徵資訊對使用者進行消費群體的劃分。在一個具體的實施例中,如圖2所示,圖2是本說明書提供的基於表徵使用者的消費特徵資訊的消費特徵向量進行叢集分析確定消費群組一種實施例的流程示意圖。
S1021:獲取第一數量的使用者的消費特徵資訊,所述第一數量的使用者包括所述目標使用者。
具體的,本說明書實施例中所述第一數量的使用者可以包括伺服平臺上的使用者。優選的,在進行實體商店鋪資訊推薦處理時,考慮到使用者會更偏好選擇距離較近的店鋪進行消費。本說明書實施例中可以選取地理位置資訊在某一商圈所在位置的第一預設區域內的使用者進行消費群組的劃分,相應的,所述第一數量的使用者可以包括伺服平臺上地理位置資訊在待推薦商圈所在位置的第一預設區域內的使用者。具體的,本說明書實施例中所述商圈可以包括包含一個或多個實體商店鋪的消費場所。
相應的,所述目標店鋪可以包括伺服平臺上的使用者,還可以包括伺服平臺上地理位置資訊在待推薦商圈所在位置的第一預設區域內的使用者。另外,在一些實施例中,為了提高推薦轉化率,可以結合歷史推薦資訊將店鋪資訊推薦給對推薦資訊回饋率較高的使用者。相應的,所述目標使用者可以包括伺服平臺上對推薦資訊回饋率高於等於預設回饋率的使用者。具體的,這裡使用者對推薦資訊的回饋率可以包括點擊率及/或消費轉化率。所述預設回饋率可以結合實際應用需求進行設置。
具體的,這裡待推薦商圈所在位置的第一預設區域可以根據實際應用情況進行設置,例如可以設置為距離待推薦商圈所在位置5km內。具體的,這裡使用者的地理位置資訊可以為使用者的常用固定地理位置資訊,例如使用者的家庭住址,公司地址等。具體的,所述使用者的地理位置資訊可以通過使用者設定獲取;另外,還可以通過無線電通訊網路(如GSM網、CDMA網)或外部定位方式(如GPS)獲取;以及還可以從使用者歷史交易資料(例如在線購物資料)中提取地址資訊等方式獲取。
具體的,本說明書實施例中,所述消費特徵資訊可以包括能夠反應使用者消費偏好的資訊。在實際應用中,使用者的消費偏好一般與使用者的經濟基礎、背景經歷、消費能力以及消費習慣等相關。相應的,本說明書實施例中所述消費特徵資訊可以至少包括下述之一:
消費基礎屬性資訊、消費能力資訊、消費習慣資訊。
在一個的實施例中,所述消費基礎屬性資訊可以包括使用者的經濟基礎資訊和背景經歷資訊,例如住房情況資訊(是否有房及住房檔次)、教育資訊及職業資訊等。所述消費能力資訊可以包括能夠反應使用者消費量的資訊,例如與使用者消費量成對應比例關係的使用者消費等級(一般的,使用者消費等級與使用者消費量成正比)。所述消費習慣資訊可以包括能夠反應使用者消費資料的資訊,例如使用者購買商品的品牌資訊、個人興趣資訊、出行工具資訊等。
S1023:基於所述消費特徵資訊構建使用者的消費特徵向量。
在實際應用中,所述消費特徵資訊可能不是數值,而是某種程度或者趨勢的字元化表徵,這種情況下,可以通過預設的規則使得該字元化表徵的內容量化為一特定值。進而,後續可以利用該量化的值表徵相應的消費特徵資訊。在一個普通的例子當中,可能某個維度的值為“中”,則可以量化該字元為其ASCII碼的二進制值或十六進制值。
在一個具體的實施例中,基於所述消費特徵資訊構建使用者的消費特徵向量可以包括:
1)基於使用者的消費特徵資訊所對應的預設量化規則將所述消費特徵資訊量化為特定值;
2)基於量化後的特定值構建使用者的第一特徵向量;
3)對所述第一特徵向量進行標準化處理,得到標準化後的第二特徵向量,將所述第二特徵向量作為所述消費特徵向量。
具體的,本說明書實施例中,所述預設量化規則可以結合相應的消費特徵資訊進行設置,在一個具體的實施例中,例如,將是否有房量化為有房為1,無房為0;另一個具體的實施例中,例如,將使用者消費等級由高到低從10到1進行量化。
具體的,考慮到能夠反應使用者消費偏好的消費特徵資訊可以包括多種不同類型的資訊,不同類型的消費特徵資訊量化後的特定值的度量標準不同,本說明書實施例中,可以將第一特徵向量中量化後的特定值進行標準化處理。在一個具體的實施例中,例如上述的是否有房和使用者消費等級,前者量化為0或1;後者量化為1至10,進行標準化處理後,可以將是否有房和使用者消費等級統一為用0到1之間的數值進行表徵。具體的,是否有房可以用0或1表徵,使用者消費等級可以用0.1至1表徵。
另外,需要說明的是,本說明書實施例中標準化處理後的第二特徵向量的中的各個元素兵不僅限於上述的0到1之間的數值,還可以結合實際應用情況設置為0到100等其他度量標準。
此外,在另一些實施例中,考慮到能夠反應使用者消費偏好的消費特徵資訊中存在一些消費特徵資訊對使用者消費偏好影響不大,相應的,本說明書實施例中,所述方法還可以包括:
對所述第二特徵向量進行主成分分析處理,將主成分分析處理後的特徵向量作為所述消費特徵向量。
具體的,本說明書實施例中所述主成分分析處理可以包括但不限於採用PCA( Principal Component Analysis)。這裡通過主成分分析處理可以提高消費特徵向量對使用者消費偏好的表徵,同時可以實現對消費特徵向量的降維,減少後續的計算量。
S1025:基於所述第一數量的使用者的消費特徵向量之間的相似度對所述第一數量的使用者進行叢集分析處理,得到第二數量的消費群組。
具體的,本說明書實施例中所述叢集分析處理可以包括但不限於採用:DBSCAN(Density-Based Spatial Clustering of Applications with Noise)叢集算法或k-means叢集算法進行叢集分析處理。
在一個具體的實施例中,結合DBSCAN叢集算法介紹基於所述第一數量的使用者的消費特徵向量之間的相似度對所述第一數量的使用者進行叢集分析處理,得到第二數量的消費群組具體方法:
DBSCAN叢集算法在進行叢集分析處理過程中,需要先確定叢集半徑和叢集最小包含點數。本說明書實施例中可以根據所述第一數量的使用者的消費特徵向量之間的相似度確定第三數量的叢集半徑和叢集最小包含點數。
在一個具體的實施例中,可以計算第一數量的使用者的消費特徵向量P={p(i);i=0,1,…n}中任一使用者的消費特徵向量p(i)與其他使用者的消費特徵向量{p(1), p(2), …, p(i-1), p(i+1), …, p(n)}之間的相似度;(p(i)表示第i個使用者的消費特徵向量,n表示使用者的總數量,即第一數量)。然後,按照相似度的大小,從小到大的順序進行排序D={di (k);k= n-1},di (k)表示第i個使用者的消費特徵向量與其他使用者的消費特徵向量之間第k大的相似度;對將第一數量的使用者的第k大的相似度按照相似度的大小,從小到大的順序進行排序;根據排序後的相似度擬合一條排序後相似度變化曲線,將急劇發生變化的位置所對應的相似度的值,確定為叢集半徑;該叢集半徑所對應的叢集最小包含點數可以設置為該叢集半徑所對應的k值。
具體的,本說明書實施例中消費特徵向量之間的相似度可以至少包括下述之一:
歐氏距離、餘弦距離、曼哈頓距離、傑卡德係數。
另外,需要說明的是,本說明書實施例中第三數量小於所述第一數量。
接著,可以結合所述第三數量的叢集半徑和叢集最小包含點數分別進行叢集分析處理。具體的,可以包括:
1)從所述第一數量的使用者的消費特性向量中選取任一未被處理的消費特徵向量作為初始消費特徵向量,找出與該初始消費特徵向量的相似度小於等於當前的叢集半徑的消費特徵向量。
2)如果小於等於當前的叢集半徑的消費特徵向量的數量大於等於當前的叢集最小包含點數,則當前消費特徵向量與所述小於等於當前的叢集半徑的消費特徵向量形成一個簇,且當前消費特徵向量標記為已存取。
3)將當前的簇內未被處理的任一消費特徵向量作為初始消費特徵向量,重複上述步驟1)和2)確定簇的步驟,從而對簇進行擴展。
4)如果小於等於當前的叢集半徑的消費特徵向量的數量小於當前的叢集最小包含點數,則該點暫時被標記作為雜訊點,
5)如果當前的簇內的所有點被處理,即被標記為已存取或雜訊點時,對所述第一數量的使用者的消費特性向量中未被處理的消費特徵向量重複上述步驟至所述第一數量的使用者的消費特性向量都被處理,得到分組後的使用者。
在實際應用中,在領域DBSCAN叢集算法進行叢集分析處理過程中若叢集半徑取得值過大,會導致大多數點(即消費特徵向量)都聚到同一個簇中,反之,當叢集半徑過小,會導致一個簇的***。叢集最小包含點數的值取得過大,會導致同一個簇中點被標記為離群點;反之,叢集最小包含點數過小,會導致發現大量的核心點。因此,本說明書實施例中可以結合實際應用進行設置上述的k值,同時,為了保證更好的分組,可以選取多個k值,得到多組不同的叢集半徑和叢集最小包含點數,相應的,利用多組不同的叢集半徑和叢集最小包含點數可以得到多種不同的使用者分組,根據實際分組效果,選取一種使用者分組,將第一數量的使用者劃分為第二數量的消費群組。
在實際應用中,在確定目標使用者所在的消費群組過程中可以通過使用者名等使用者標識從所述第二數量的消費群組中確定出所述目標使用者所在的消費群組。
由上述本說明書實施例中的技術方案可見,本說明書實施例中,根據使用者的消費偏好對使用者進行消費群組的劃分,在進行店鋪資訊推薦時,可以結合消費群組進行推薦,保證推薦的店鋪資訊更符合目標使用者的消費偏好,進而提高使用者的消費率。
S104:獲取所述消費群組中使用者消費過的店鋪資訊,識別出所述店鋪資訊中店鋪資訊出現次數大於等於預設臨限值的店鋪資訊。
本說明書實施例中,同一消費群組中的使用者的消費偏好相似,相應的,可以將同一消費群組中的使用者經常消費的店鋪資訊推薦給目標使用者。可以獲取所述消費群組中使用者消費過的店鋪資訊,識別出所述店鋪資訊中店鋪資訊出現次數大於等於預設臨限值的店鋪資訊。
本說明書實施例中,所述預設臨限值可以結合實際應用需求和消費群組中使用者數量進行設定,例如設置為總使用者數量的一半。一般的所述預設臨限值越大,確定出的店鋪資訊符合目標使用者的消費偏好的機率越大。
本說明書實施例中,所述店鋪資訊可以包括店鋪基本資訊,例如店鋪名稱、店鋪地址、店鋪營業時間等。另外,為了增加使用者的到店消費率,所述店鋪資訊還可以包括:店鋪優惠資訊。
此外,需要說明的是,本說明書實施例中,所述店鋪資訊並不僅限於上述的店鋪基本資訊和店鋪優惠資訊,在實際應用中,還可以包括其他資訊,本說明書實施例並不以上述為限。
S106:將所述出現次數大於等於預設臨限值的店鋪資訊推薦給所述目標使用者。
本說明書實施例中,在將出現次數大於等於預設臨限值的店鋪資訊推薦給所述目標使用者時,可以結合推薦時間和目標使用者與店鋪之間的位置資訊,以增加使用者到店消費率。
在一個具體的實施例中,考慮到一些店鋪是使用者在固定的一些時間段才會去消費,比如飯店。本說明書實施例中,可以在所述出現次數大於等於預設臨限值的店鋪資訊所對應的預設消費時間內將所述出現次數大於等於預設臨限值的店鋪資訊推薦給所述目標使用者。
具體的,這裡的預設消費時間可以結合實際應用情況進行設置,可以包括一個或多個時間段。例如飯店的店鋪資訊可以在10:30至13:00和16:30至20:00進行推薦。
在另一個具體的實施例中,考慮到使用者一般喜歡去較近的店鋪進行消費,本說明書實施例中可以當所述目標使用者在所述出現次數大於等於預設臨限值的店鋪資訊所對應的地理位置資訊所在位置的第二預設區域內時,將所述出現次數大於等於預設臨限值的店鋪資訊推薦給所述目標使用者。
具體的,店鋪資訊所對應的地理位置資訊所在位置的第二預設區域內可以根據實際應用情況進行設置,例如可以設置為距離該地理位置資訊所在位置的1km內。
另外,結合實際應用需求,上述兩個店鋪資訊的推薦實施例可以相互結合。即在所述出現次數大於等於預設臨限值的店鋪資訊所對應的預設消費時間內向所述店鋪資訊所對應的地理位置資訊所在位置的第二預設區域內的目標使用者推薦所述店鋪資訊。
進一步的,可以記錄每次店鋪資訊推薦之後的點擊率和轉化率,以作為歷史推薦資料,便於基於該歷史推薦資訊選取對推薦資訊積極回饋的使用者最為店鋪資訊的推薦物件。
由此可見,本說明書一種店鋪資訊推薦方法的一個或多個實施例通過對使用者按照消費偏好進行消費群組劃分,在進行店鋪資訊推薦時,確定在目標使用者所在的消費群組後,可以直接按照與目標使用者具有相似消費偏好的消費群組中使用者的消費資料向目標使用者進行店鋪資訊的推薦,保證了推薦的店鋪資訊更好的符合目標使用者的喜好,提高了使用者對推薦的店鋪資訊的回應機率,進而可以提高使用者到店消費率。
本說明書另一態樣還提供一種店鋪資訊推薦裝置,圖3是本說明書提供的店鋪資訊推薦裝置的一種實施例的結構示意圖,如圖3所示,所述裝置300可以包括:
消費群組確定模組310,可以用於確定目標使用者所在的消費群組,其中,所述消費群組是基於表徵使用者的消費特徵資訊的消費特徵向量進行叢集分析確定的;
群組店鋪資訊獲取模組320,可以用於獲取所述消費群組中使用者消費過的店鋪資訊;
店鋪資訊識別模組330,可以用於識別出所述店鋪資訊中店鋪資訊出現次數大於等於預設臨限值的店鋪資訊;
店鋪資訊推薦模組340,可以用於將所述出現次數大於等於預設臨限值的店鋪資訊推薦給所述目標使用者。
另一實施例中,所述基於表徵使用者的消費特徵資訊的消費特徵向量進行叢集分析確定的消費群組可以包括採用下述模組確定:
消費特徵資訊獲取模組,可以用於獲取第一數量的使用者的消費特徵資訊,所述第一數量的使用者包括所述目標使用者;
消費特徵向量構建模組,可以用於基於所述消費特徵資訊構建使用者的消費特徵向量;
行叢集分析處理模組,可以用於基於所述第一數量的使用者的消費特徵向量之間的相似度對所述第一數量的使用者進行叢集分析處理,得到第二數量的消費群組。
另一實施例中,所述消費特徵向量構建模組可以包括:
量化單元,可以用於基於使用者的消費特徵資訊所對應的預設量化規則將所述消費特徵資訊量化為特定值;
第一特徵向量構建單元,可以用於基於量化後的特定值構建使用者的第一特徵向量;
標準化處理單元,可以用於對所述第一特徵向量進行標準化處理,得到標準化後的第二特徵向量,將所述第二特徵向量作為所述消費特徵向量。
另一實施例中,所述消費特徵向量構建模組還可以包括:
主成分分析處理單元,用於對所述第二特徵向量進行主成分分析處理,將主成分分析處理後的特徵向量作為所述消費特徵向量。
另一實施例中,所述裝置300還可以包括:
使用者確定模組,可以用於在獲取第一數量的使用者的消費特徵資訊之前,確定地理位置資訊在待推薦商圈所在位置的第一預設區域內的使用者,將所述第一預設區域內的使用者作為所述第一數量的使用者。
另一實施例中,所述相似度至少可以包括下述之一:
歐氏距離、餘弦距離、曼哈頓距離、傑卡德係數。
另一實施例中,所述消費特徵資訊至少可以包括下述之一:
消費基礎屬性資訊、消費能力資訊、消費習慣資訊。
另一實施例中,所述店鋪資訊推薦模組340可以包括:
第一店鋪資訊推薦單元,可以用於在所述出現次數大於等於預設臨限值的店鋪資訊所對應的預設消費時間內將所述出現次數大於等於預設臨限值的店鋪資訊推薦給所述目標使用者。
另一實施例中,所述店鋪資訊推薦模組340可以包括:
第二店鋪資訊推薦單元,可以用於當所述目標使用者在所述出現次數大於等於預設臨限值的店鋪資訊所對應的地理位置資訊所在位置的第二預設區域內時,將所述出現次數大於等於預設臨限值的店鋪資訊推薦給所述目標使用者。
本說明書實施例提供的上述店鋪資訊推薦方法或裝置可以在電腦中由處理器執行相應的程式指令來實現,如使用windows作業系統的c++語言在PC端實現,或其他例如使用android、iOS系統程式設計語言在智慧終端實現,以及基於量子電腦的處理邏輯實現等。如圖4所示,圖4是根據本說明書的一示例性實施例的店鋪資訊推薦用戶端的示意結構圖。在硬體層面,該用戶端可以包括處理器、內部匯流排、網路介面、記憶體以及非揮發性記憶體,當然還可能包括其他業務所需要的硬體。處理器從非揮發性記憶體中讀取對應的電腦程式到記憶體中然後運行,在邏輯層面上形成詞串識別裝置。當然,除了軟體實現方式之外,本發明並不排除其他實現方式,比如邏輯裝置抑或軟硬體結合的方式等等,也就是說以下處理流程的執行主體並不限定於各個邏輯單元,也可以是硬體或邏輯裝置。
本說明書實施例另一態樣還提供一種店鋪資訊推薦用戶端,包括處理器及記憶體,所述記憶體儲存由所述處理器執行的電腦程式指令,所述電腦程式指令可以包括:
確定目標使用者所在的消費群組,其中,所述消費群組是基於表徵使用者的消費特徵資訊的消費特徵向量進行叢集分析確定的;
獲取所述消費群組中使用者消費過的店鋪資訊,識別出所述店鋪資訊中店鋪資訊出現次數大於等於預設臨限值的店鋪資訊;
將所述出現次數大於等於預設臨限值的店鋪資訊推薦給所述目標使用者。
本說明書實施例中,所述的處理器可以包括中央處理器(CPU)或圖形處理器(GPU),當然也可以包括其他的具有邏輯處理能力的單晶片、邏輯閘電路、積體電路等,或其適當組合。本發明實施例所述的記憶體可以是用於保存資訊的記憶設備。在數位系統中,能保存二進制資料的設備可以是記憶體;在積體電路中,一個沒有實物形式的具有儲存功能的電路也可以為記憶體,如RAM、FIFO等;在系統中,具有實物形式的儲存設備也可以叫記憶體等。實現的時候,該記憶體也可以採用雲記憶體的方式實現,具體實現方式,本說明書不做限定。
由此可見,本說明書一種店鋪資訊推薦方法、裝置或用戶端的實施例通過對使用者按照消費偏好進行消費群組劃分,在進行店鋪資訊推薦時,確定在目標使用者所在的消費群組後,可以直接按照與目標使用者具有相似消費偏好的消費群組中使用者的消費資料向目標使用者進行店鋪資訊的推薦,保證了推薦的店鋪資訊更好的符合目標使用者的喜好,提高了使用者對推薦的店鋪資訊的回應機率,進而可以提高使用者到店消費率。
上述對本說明書特定實施例進行了描述。其它實施例在所附申請專利範圍的範圍內。在一些情況下,在申請專利範圍中記載的動作或步驟可以按照不同於實施例中的順序來執行並且仍然可以實現期望的結果。另外,在附圖中描繪的過程不一定要求示出的特定順序或者連續順序才能實現期望的結果。在某些實施方式中,多任務處理和平行處理也是可以的或者可能是有利的。
在20世紀90年代,對於一個技術的改進可以很明顯地區分是硬體上的改進(例如,對二極體、電晶體、開關等電路結構的改進)還是軟體上的改進(對於方法流程的改進)。然而,隨著技術的發展,當今的很多方法流程的改進已經可以視為硬體電路結構的直接改進。設計人員幾乎都通過將改進的方法流程程式化到硬體電路中來得到相應的硬體電路結構。因此,不能說一個方法流程的改進就不能用硬體實體模組來實現。例如,可程式化邏輯裝置(Programmable Logic Device,PLD)(例如現場可程式閘陣列(Field Programmable Gate Array,FPGA))就是這樣一種積體電路,其邏輯功能由使用者對裝置程式化來確定。由設計人員自行程式化來把一個數位系統“整合”在一片PLD上,而不需要請晶片製造廠商來設計和製作專用的積體電路晶片。而且,如今,取代手工地製作積體電路晶片,這種程式化也多半改用“邏輯編譯器(logic compiler)”軟體來實現,它與程式開發撰寫時所用的軟體編譯器相類似,而要編譯之前的原始碼也得用特定的程式化語言來撰寫,此稱之為硬體描述語言(Hardware Description Language,HDL),而HDL也並非僅有一種,而是有許多種,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware Description Language)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(Ruby Hardware Description Language)等,目前最普遍使用的是VHDL(Very-High-Speed Integrated Circuit Hardware Description Language)與Verilog。本領域技術人員也應該清楚,只需要將方法流程用上述幾種硬體描述語言稍作邏輯程式化並程式化到積體電路中,就可以很容易得到實現該邏輯方法流程的硬體電路。
控制器可以按任何適當的方式實現,例如,控制器可以採取例如微處理器或處理器以及儲存可由該(微)處理器執行的電腦可讀程式代碼(例如軟體或韌體)的電腦可讀媒體、邏輯閘、開關、特殊應用積體電路(Application Specific Integrated Circuit,ASIC)、可程式化邏輯控制器和嵌入微控制器的形式,控制器的例子包括但不限於以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20 以及Silicone Labs C8051F320,記憶體控制器還可以被實現為記憶體的控制邏輯的一部分。本領域技術人員也知道,除了以純電腦可讀程式代碼方式實現控制器以外,完全可以通過將方法步驟進行邏輯程式化來使得控制器以邏輯閘、開關、特殊應用積體電路、可程式化邏輯控制器和嵌入微控制器等的形式來實現相同功能。因此這種控制器可以被認為是一種硬體部件,而對其內包括的用於實現各種功能的裝置也可以視為硬體部件內的結構。或者甚至,可以將用於實現各種功能的裝置視為既可以是實現方法的軟體模組又可以是硬體部件內的結構。
上述實施例闡明的裝置、模組或單元,具體可以由電腦晶片或實體實現,或者由具有某種功能的產品來實現。一種典型的實現設備為電腦。具體的,電腦例如可以為個人電腦、膝上型電腦、行動電話、相機電話、智慧電話、個人數位助理、媒體播放器、導航設備、電子郵件設備、遊戲控制台、平板電腦、可穿戴設備或者這些設備中的任何設備的組合。
為了描述的方便,描述以上裝置時以功能分為各種單元分別描述。當然,在實施本說明書時可以把各單元的功能在同一個或多個軟體及/或硬體中實現。
本領域內的技術人員應明白,本發明的實施例可提供為方法、裝置、或電腦程式產品。因此,本發明可採用完全硬體實施例、完全軟體實施例、或結合軟體和硬體態樣的實施例的形式。而且,本發明可採用在一個或多個其中包含有電腦可用程式代碼的電腦可用儲存媒體(包括但不限於磁盤記憶體、CD-ROM、光學記憶體等)上實施的電腦程式產品的形式。
本發明是參照根據本發明實施例的方法、設備(裝置)、和電腦程式產品的流程圖和/或方塊圖來描述的。應理解可由電腦程式指令實現流程圖和/或方塊圖中的每一流程和/或方塊、以及流程圖和/或方塊圖中的流程和/或方塊的結合。可提供這些電腦程式指令到通用電腦、專用電腦、嵌入式處理器或其他可程式化資料處理設備的處理器以產生一個機器,使得通過電腦或其他可程式化資料處理設備的處理器執行的指令產生用於實現在流程圖一個流程或多個流程和/或方塊圖一個方塊或多個方塊中指定的功能的裝置。
這些電腦程式指令也可儲存在能引導電腦或其他可程式化資料處理設備以特定方式工作的電腦可讀記憶體中,使得儲存在該電腦可讀記憶體中的指令產生包括指令裝置的製造品,該指令裝置實現在流程圖一個流程或多個流程和/或方塊圖一個方塊或多個方塊中指定的功能。
這些電腦程式指令也可裝載到電腦或其他可程式化資料處理設備上,使得在電腦或其他可程式化設備上執行一系列操作步驟以產生電腦實現的處理,從而在電腦或其他可程式化設備上執行的指令提供用於實現在流程圖一個流程或多個流程和/或方塊圖一個方塊或多個方塊中指定的功能的步驟。
在一個典型的配置中,計算設備包括一個或多個處理器(CPU)、輸入/輸出介面、網路介面和記憶體。
記憶體可能包括電腦可讀媒體中的非永久性記憶體,隨機存取記憶體(RAM)及/或非揮發性記憶體等形式,如唯讀記憶體(ROM)或閃存(flash RAM)。記憶體是電腦可讀媒體的示例。
電腦可讀媒體包括永久性和非永久性、可移動和非可移動媒體可以由任何方法或技術來實現資訊儲存。資訊可以是電腦可讀指令、資料結構、程式的模組或其他資料。電腦的儲存媒體的例子包括,但不限於相變記憶體(PRAM)、靜態隨機存取記憶體(SRAM)、動態隨機存取記憶體(DRAM)、其他類型的隨機存取記憶體(RAM)、唯讀記憶體(ROM)、電可抹除可編程唯讀記憶體(EEPROM)、快閃記憶體或其他記憶體技術、唯讀光碟唯讀記憶體(CD-ROM)、數位多功能光碟(DVD)或其他光學儲存、磁盒式磁帶,磁帶式磁碟儲存器、石墨烯儲存或其他磁性儲存設備或任何其他非傳輸媒體,可用於儲存可以被計算設備存取的資訊。按照本文中的界定,電腦可讀媒體不包括暫存電腦可讀媒體(transitory media),如調變的資料信號和載波。
還需要說明的是,術語“包括”、“包含”或者其任何其他變體意在涵蓋非排他性的包含,從而使得包括一系列要素的過程、方法、商品或者設備不僅包括那些要素,而且還包括沒有明確列出的其他要素,或者是還包括為這種過程、方法、商品或者設備所固有的要素。在沒有更多限制的情況下,由語句“包括一個……”限定的要素,並不排除在包括所述要素的過程、方法、商品或者設備中還存在另外的相同要素。
本領域技術人員應明白,本說明書的實施例可提供為方法、裝置或電腦程式產品。因此,本說明書可採用完全硬體實施例、完全軟體實施例或結合軟體和硬體態樣的實施例的形式。而且,本說明書可採用在一個或多個其中包含有電腦可用程式代碼的電腦可用儲存媒體(包括但不限於磁盤記憶體、CD-ROM、光學記憶體等)上實施的電腦程式產品的形式。
本說明書可以在由電腦執行的電腦可執行指令的一般上下文中描述,例如程式模組。一般地,程式模組包括執行特定任務或實現特定抽象資料類型的例程、程式、物件、組件、資料結構等等。也可以在分散式計算環境中實踐本說明書,在這些分散式計算環境中,由通過通信網路而被連接的遠程處理設備來執行任務。在分散式計算環境中,程式模組可以位於包括儲存設備在內的本地和遠程電腦儲存媒體中。
本說明書中的各個實施例均採用循序的方式描述,各個實施例之間相同相似的部分互相參見即可,每個實施例重點說明的都是與其他實施例的不同之處。尤其,對於裝置和用戶端實施例而言,由於其基本相似於方法實施例,所以描述的比較簡單,相關之處參見方法實施例的部分說明即可。
以上所述僅為本說明書的實施例而已,並不用於限制本說明書。對於本領域技術人員來說,本說明書可以有各種更改和變化。凡在本說明書的精神和原理之內所作的任何修改、等同替換、改進等,均應包含在申請專利範圍之內。
為了使本技術領域的人員更好地理解本說明書中的技術方案,下面將結合本說明書實施例中的附圖,對本說明書實施例中的技術方案進行清楚、完整地描述,顯然,所描述的實施例僅僅是本說明書一部分實施例,而不是全部的實施例。基於本說明書中的實施例,本領域普通技術人員在沒有做出創造性勞動前提下所獲得的所有其他實施例,都應當屬於本說明書保護的範圍。
以下介紹本說明書一種店鋪資訊推薦方法的一種具體實施例。圖1是本說明書提供的店鋪資訊推薦方法的一種實施例的流程示意圖,本說明書提供了如實施例或流程圖所述的方法操作步驟,但基於常規或者無創造性的勞動可以包括更多或者更少的操作步驟。實施例中列舉的步驟順序僅僅為眾多步驟執行順序中的一種方式,不代表唯一的執行順序。在實際中的系統或用戶端產品執行時,可以按照實施例或者附圖所示的方法順序執行或者並行執行(例如平行處理器或者多線程處理的環境)。具體的如圖1所示,所述方法可以包括:
S102:確定目標使用者所在的消費群組,其中,所述消費群組是基於表徵使用者的消費特徵資訊的消費特徵向量進行叢集分析確定的。
在實際應用中,線上或線下商家可以通過網際網路伺服平臺(以下簡稱伺服平臺)進行線上推薦營銷活動來提高使用者到店的消費率。具體的,本說明書實施例伺服平臺可以向使用者推薦符合使用者的消費偏好的店鋪。本說明書實施例中,伺服平臺在向使用者推薦店鋪過程中,可以確定目標使用者所在的消費群組。具體的,所述消費群組是基於表徵使用者的消費特徵資訊的消費特徵向量進行叢集分析確定的。
本說明書實施例中可以先對伺服平臺上的使用者按照使用者的消費特徵資訊對使用者進行消費群體的劃分。在一個具體的實施例中,如圖2所示,圖2是本說明書提供的基於表徵使用者的消費特徵資訊的消費特徵向量進行叢集分析確定消費群組一種實施例的流程示意圖。
S1021:獲取第一數量的使用者的消費特徵資訊,所述第一數量的使用者包括所述目標使用者。
具體的,本說明書實施例中所述第一數量的使用者可以包括伺服平臺上的使用者。優選的,在進行實體商店鋪資訊推薦處理時,考慮到使用者會更偏好選擇距離較近的店鋪進行消費。本說明書實施例中可以選取地理位置資訊在某一商圈所在位置的第一預設區域內的使用者進行消費群組的劃分,相應的,所述第一數量的使用者可以包括伺服平臺上地理位置資訊在待推薦商圈所在位置的第一預設區域內的使用者。具體的,本說明書實施例中所述商圈可以包括包含一個或多個實體商店鋪的消費場所。
相應的,所述目標店鋪可以包括伺服平臺上的使用者,還可以包括伺服平臺上地理位置資訊在待推薦商圈所在位置的第一預設區域內的使用者。另外,在一些實施例中,為了提高推薦轉化率,可以結合歷史推薦資訊將店鋪資訊推薦給對推薦資訊回饋率較高的使用者。相應的,所述目標使用者可以包括伺服平臺上對推薦資訊回饋率高於等於預設回饋率的使用者。具體的,這裡使用者對推薦資訊的回饋率可以包括點擊率及/或消費轉化率。所述預設回饋率可以結合實際應用需求進行設置。
具體的,這裡待推薦商圈所在位置的第一預設區域可以根據實際應用情況進行設置,例如可以設置為距離待推薦商圈所在位置5km內。具體的,這裡使用者的地理位置資訊可以為使用者的常用固定地理位置資訊,例如使用者的家庭住址,公司地址等。具體的,所述使用者的地理位置資訊可以通過使用者設定獲取;另外,還可以通過無線電通訊網路(如GSM網、CDMA網)或外部定位方式(如GPS)獲取;以及還可以從使用者歷史交易資料(例如在線購物資料)中提取地址資訊等方式獲取。
具體的,本說明書實施例中,所述消費特徵資訊可以包括能夠反應使用者消費偏好的資訊。在實際應用中,使用者的消費偏好一般與使用者的經濟基礎、背景經歷、消費能力以及消費習慣等相關。相應的,本說明書實施例中所述消費特徵資訊可以至少包括下述之一:
消費基礎屬性資訊、消費能力資訊、消費習慣資訊。
在一個的實施例中,所述消費基礎屬性資訊可以包括使用者的經濟基礎資訊和背景經歷資訊,例如住房情況資訊(是否有房及住房檔次)、教育資訊及職業資訊等。所述消費能力資訊可以包括能夠反應使用者消費量的資訊,例如與使用者消費量成對應比例關係的使用者消費等級(一般的,使用者消費等級與使用者消費量成正比)。所述消費習慣資訊可以包括能夠反應使用者消費資料的資訊,例如使用者購買商品的品牌資訊、個人興趣資訊、出行工具資訊等。
S1023:基於所述消費特徵資訊構建使用者的消費特徵向量。
在實際應用中,所述消費特徵資訊可能不是數值,而是某種程度或者趨勢的字元化表徵,這種情況下,可以通過預設的規則使得該字元化表徵的內容量化為一特定值。進而,後續可以利用該量化的值表徵相應的消費特徵資訊。在一個普通的例子當中,可能某個維度的值為“中”,則可以量化該字元為其ASCII碼的二進制值或十六進制值。
在一個具體的實施例中,基於所述消費特徵資訊構建使用者的消費特徵向量可以包括:
1)基於使用者的消費特徵資訊所對應的預設量化規則將所述消費特徵資訊量化為特定值;
2)基於量化後的特定值構建使用者的第一特徵向量;
3)對所述第一特徵向量進行標準化處理,得到標準化後的第二特徵向量,將所述第二特徵向量作為所述消費特徵向量。
具體的,本說明書實施例中,所述預設量化規則可以結合相應的消費特徵資訊進行設置,在一個具體的實施例中,例如,將是否有房量化為有房為1,無房為0;另一個具體的實施例中,例如,將使用者消費等級由高到低從10到1進行量化。
具體的,考慮到能夠反應使用者消費偏好的消費特徵資訊可以包括多種不同類型的資訊,不同類型的消費特徵資訊量化後的特定值的度量標準不同,本說明書實施例中,可以將第一特徵向量中量化後的特定值進行標準化處理。在一個具體的實施例中,例如上述的是否有房和使用者消費等級,前者量化為0或1;後者量化為1至10,進行標準化處理後,可以將是否有房和使用者消費等級統一為用0到1之間的數值進行表徵。具體的,是否有房可以用0或1表徵,使用者消費等級可以用0.1至1表徵。
另外,需要說明的是,本說明書實施例中標準化處理後的第二特徵向量的中的各個元素兵不僅限於上述的0到1之間的數值,還可以結合實際應用情況設置為0到100等其他度量標準。
此外,在另一些實施例中,考慮到能夠反應使用者消費偏好的消費特徵資訊中存在一些消費特徵資訊對使用者消費偏好影響不大,相應的,本說明書實施例中,所述方法還可以包括:
對所述第二特徵向量進行主成分分析處理,將主成分分析處理後的特徵向量作為所述消費特徵向量。
具體的,本說明書實施例中所述主成分分析處理可以包括但不限於採用PCA( Principal Component Analysis)。這裡通過主成分分析處理可以提高消費特徵向量對使用者消費偏好的表徵,同時可以實現對消費特徵向量的降維,減少後續的計算量。
S1025:基於所述第一數量的使用者的消費特徵向量之間的相似度對所述第一數量的使用者進行叢集分析處理,得到第二數量的消費群組。
具體的,本說明書實施例中所述叢集分析處理可以包括但不限於採用:DBSCAN(Density-Based Spatial Clustering of Applications with Noise)叢集算法或k-means叢集算法進行叢集分析處理。
在一個具體的實施例中,結合DBSCAN叢集算法介紹基於所述第一數量的使用者的消費特徵向量之間的相似度對所述第一數量的使用者進行叢集分析處理,得到第二數量的消費群組具體方法:
DBSCAN叢集算法在進行叢集分析處理過程中,需要先確定叢集半徑和叢集最小包含點數。本說明書實施例中可以根據所述第一數量的使用者的消費特徵向量之間的相似度確定第三數量的叢集半徑和叢集最小包含點數。
在一個具體的實施例中,可以計算第一數量的使用者的消費特徵向量P={p(i);i=0,1,…n}中任一使用者的消費特徵向量p(i)與其他使用者的消費特徵向量{p(1), p(2), …, p(i-1), p(i+1), …, p(n)}之間的相似度;(p(i)表示第i個使用者的消費特徵向量,n表示使用者的總數量,即第一數量)。然後,按照相似度的大小,從小到大的順序進行排序D={di (k);k= n-1},di (k)表示第i個使用者的消費特徵向量與其他使用者的消費特徵向量之間第k大的相似度;對將第一數量的使用者的第k大的相似度按照相似度的大小,從小到大的順序進行排序;根據排序後的相似度擬合一條排序後相似度變化曲線,將急劇發生變化的位置所對應的相似度的值,確定為叢集半徑;該叢集半徑所對應的叢集最小包含點數可以設置為該叢集半徑所對應的k值。
具體的,本說明書實施例中消費特徵向量之間的相似度可以至少包括下述之一:
歐氏距離、餘弦距離、曼哈頓距離、傑卡德係數。
另外,需要說明的是,本說明書實施例中第三數量小於所述第一數量。
接著,可以結合所述第三數量的叢集半徑和叢集最小包含點數分別進行叢集分析處理。具體的,可以包括:
1)從所述第一數量的使用者的消費特性向量中選取任一未被處理的消費特徵向量作為初始消費特徵向量,找出與該初始消費特徵向量的相似度小於等於當前的叢集半徑的消費特徵向量。
2)如果小於等於當前的叢集半徑的消費特徵向量的數量大於等於當前的叢集最小包含點數,則當前消費特徵向量與所述小於等於當前的叢集半徑的消費特徵向量形成一個簇,且當前消費特徵向量標記為已存取。
3)將當前的簇內未被處理的任一消費特徵向量作為初始消費特徵向量,重複上述步驟1)和2)確定簇的步驟,從而對簇進行擴展。
4)如果小於等於當前的叢集半徑的消費特徵向量的數量小於當前的叢集最小包含點數,則該點暫時被標記作為雜訊點,
5)如果當前的簇內的所有點被處理,即被標記為已存取或雜訊點時,對所述第一數量的使用者的消費特性向量中未被處理的消費特徵向量重複上述步驟至所述第一數量的使用者的消費特性向量都被處理,得到分組後的使用者。
在實際應用中,在領域DBSCAN叢集算法進行叢集分析處理過程中若叢集半徑取得值過大,會導致大多數點(即消費特徵向量)都聚到同一個簇中,反之,當叢集半徑過小,會導致一個簇的***。叢集最小包含點數的值取得過大,會導致同一個簇中點被標記為離群點;反之,叢集最小包含點數過小,會導致發現大量的核心點。因此,本說明書實施例中可以結合實際應用進行設置上述的k值,同時,為了保證更好的分組,可以選取多個k值,得到多組不同的叢集半徑和叢集最小包含點數,相應的,利用多組不同的叢集半徑和叢集最小包含點數可以得到多種不同的使用者分組,根據實際分組效果,選取一種使用者分組,將第一數量的使用者劃分為第二數量的消費群組。
在實際應用中,在確定目標使用者所在的消費群組過程中可以通過使用者名等使用者標識從所述第二數量的消費群組中確定出所述目標使用者所在的消費群組。
由上述本說明書實施例中的技術方案可見,本說明書實施例中,根據使用者的消費偏好對使用者進行消費群組的劃分,在進行店鋪資訊推薦時,可以結合消費群組進行推薦,保證推薦的店鋪資訊更符合目標使用者的消費偏好,進而提高使用者的消費率。
S104:獲取所述消費群組中使用者消費過的店鋪資訊,識別出所述店鋪資訊中店鋪資訊出現次數大於等於預設臨限值的店鋪資訊。
本說明書實施例中,同一消費群組中的使用者的消費偏好相似,相應的,可以將同一消費群組中的使用者經常消費的店鋪資訊推薦給目標使用者。可以獲取所述消費群組中使用者消費過的店鋪資訊,識別出所述店鋪資訊中店鋪資訊出現次數大於等於預設臨限值的店鋪資訊。
本說明書實施例中,所述預設臨限值可以結合實際應用需求和消費群組中使用者數量進行設定,例如設置為總使用者數量的一半。一般的所述預設臨限值越大,確定出的店鋪資訊符合目標使用者的消費偏好的機率越大。
本說明書實施例中,所述店鋪資訊可以包括店鋪基本資訊,例如店鋪名稱、店鋪地址、店鋪營業時間等。另外,為了增加使用者的到店消費率,所述店鋪資訊還可以包括:店鋪優惠資訊。
此外,需要說明的是,本說明書實施例中,所述店鋪資訊並不僅限於上述的店鋪基本資訊和店鋪優惠資訊,在實際應用中,還可以包括其他資訊,本說明書實施例並不以上述為限。
S106:將所述出現次數大於等於預設臨限值的店鋪資訊推薦給所述目標使用者。
本說明書實施例中,在將出現次數大於等於預設臨限值的店鋪資訊推薦給所述目標使用者時,可以結合推薦時間和目標使用者與店鋪之間的位置資訊,以增加使用者到店消費率。
在一個具體的實施例中,考慮到一些店鋪是使用者在固定的一些時間段才會去消費,比如飯店。本說明書實施例中,可以在所述出現次數大於等於預設臨限值的店鋪資訊所對應的預設消費時間內將所述出現次數大於等於預設臨限值的店鋪資訊推薦給所述目標使用者。
具體的,這裡的預設消費時間可以結合實際應用情況進行設置,可以包括一個或多個時間段。例如飯店的店鋪資訊可以在10:30至13:00和16:30至20:00進行推薦。
在另一個具體的實施例中,考慮到使用者一般喜歡去較近的店鋪進行消費,本說明書實施例中可以當所述目標使用者在所述出現次數大於等於預設臨限值的店鋪資訊所對應的地理位置資訊所在位置的第二預設區域內時,將所述出現次數大於等於預設臨限值的店鋪資訊推薦給所述目標使用者。
具體的,店鋪資訊所對應的地理位置資訊所在位置的第二預設區域內可以根據實際應用情況進行設置,例如可以設置為距離該地理位置資訊所在位置的1km內。
另外,結合實際應用需求,上述兩個店鋪資訊的推薦實施例可以相互結合。即在所述出現次數大於等於預設臨限值的店鋪資訊所對應的預設消費時間內向所述店鋪資訊所對應的地理位置資訊所在位置的第二預設區域內的目標使用者推薦所述店鋪資訊。
進一步的,可以記錄每次店鋪資訊推薦之後的點擊率和轉化率,以作為歷史推薦資料,便於基於該歷史推薦資訊選取對推薦資訊積極回饋的使用者最為店鋪資訊的推薦物件。
由此可見,本說明書一種店鋪資訊推薦方法的一個或多個實施例通過對使用者按照消費偏好進行消費群組劃分,在進行店鋪資訊推薦時,確定在目標使用者所在的消費群組後,可以直接按照與目標使用者具有相似消費偏好的消費群組中使用者的消費資料向目標使用者進行店鋪資訊的推薦,保證了推薦的店鋪資訊更好的符合目標使用者的喜好,提高了使用者對推薦的店鋪資訊的回應機率,進而可以提高使用者到店消費率。
本說明書另一態樣還提供一種店鋪資訊推薦裝置,圖3是本說明書提供的店鋪資訊推薦裝置的一種實施例的結構示意圖,如圖3所示,所述裝置300可以包括:
消費群組確定模組310,可以用於確定目標使用者所在的消費群組,其中,所述消費群組是基於表徵使用者的消費特徵資訊的消費特徵向量進行叢集分析確定的;
群組店鋪資訊獲取模組320,可以用於獲取所述消費群組中使用者消費過的店鋪資訊;
店鋪資訊識別模組330,可以用於識別出所述店鋪資訊中店鋪資訊出現次數大於等於預設臨限值的店鋪資訊;
店鋪資訊推薦模組340,可以用於將所述出現次數大於等於預設臨限值的店鋪資訊推薦給所述目標使用者。
另一實施例中,所述基於表徵使用者的消費特徵資訊的消費特徵向量進行叢集分析確定的消費群組可以包括採用下述模組確定:
消費特徵資訊獲取模組,可以用於獲取第一數量的使用者的消費特徵資訊,所述第一數量的使用者包括所述目標使用者;
消費特徵向量構建模組,可以用於基於所述消費特徵資訊構建使用者的消費特徵向量;
行叢集分析處理模組,可以用於基於所述第一數量的使用者的消費特徵向量之間的相似度對所述第一數量的使用者進行叢集分析處理,得到第二數量的消費群組。
另一實施例中,所述消費特徵向量構建模組可以包括:
量化單元,可以用於基於使用者的消費特徵資訊所對應的預設量化規則將所述消費特徵資訊量化為特定值;
第一特徵向量構建單元,可以用於基於量化後的特定值構建使用者的第一特徵向量;
標準化處理單元,可以用於對所述第一特徵向量進行標準化處理,得到標準化後的第二特徵向量,將所述第二特徵向量作為所述消費特徵向量。
另一實施例中,所述消費特徵向量構建模組還可以包括:
主成分分析處理單元,用於對所述第二特徵向量進行主成分分析處理,將主成分分析處理後的特徵向量作為所述消費特徵向量。
另一實施例中,所述裝置300還可以包括:
使用者確定模組,可以用於在獲取第一數量的使用者的消費特徵資訊之前,確定地理位置資訊在待推薦商圈所在位置的第一預設區域內的使用者,將所述第一預設區域內的使用者作為所述第一數量的使用者。
另一實施例中,所述相似度至少可以包括下述之一:
歐氏距離、餘弦距離、曼哈頓距離、傑卡德係數。
另一實施例中,所述消費特徵資訊至少可以包括下述之一:
消費基礎屬性資訊、消費能力資訊、消費習慣資訊。
另一實施例中,所述店鋪資訊推薦模組340可以包括:
第一店鋪資訊推薦單元,可以用於在所述出現次數大於等於預設臨限值的店鋪資訊所對應的預設消費時間內將所述出現次數大於等於預設臨限值的店鋪資訊推薦給所述目標使用者。
另一實施例中,所述店鋪資訊推薦模組340可以包括:
第二店鋪資訊推薦單元,可以用於當所述目標使用者在所述出現次數大於等於預設臨限值的店鋪資訊所對應的地理位置資訊所在位置的第二預設區域內時,將所述出現次數大於等於預設臨限值的店鋪資訊推薦給所述目標使用者。
本說明書實施例提供的上述店鋪資訊推薦方法或裝置可以在電腦中由處理器執行相應的程式指令來實現,如使用windows作業系統的c++語言在PC端實現,或其他例如使用android、iOS系統程式設計語言在智慧終端實現,以及基於量子電腦的處理邏輯實現等。如圖4所示,圖4是根據本說明書的一示例性實施例的店鋪資訊推薦用戶端的示意結構圖。在硬體層面,該用戶端可以包括處理器、內部匯流排、網路介面、記憶體以及非揮發性記憶體,當然還可能包括其他業務所需要的硬體。處理器從非揮發性記憶體中讀取對應的電腦程式到記憶體中然後運行,在邏輯層面上形成詞串識別裝置。當然,除了軟體實現方式之外,本發明並不排除其他實現方式,比如邏輯裝置抑或軟硬體結合的方式等等,也就是說以下處理流程的執行主體並不限定於各個邏輯單元,也可以是硬體或邏輯裝置。
本說明書實施例另一態樣還提供一種店鋪資訊推薦用戶端,包括處理器及記憶體,所述記憶體儲存由所述處理器執行的電腦程式指令,所述電腦程式指令可以包括:
確定目標使用者所在的消費群組,其中,所述消費群組是基於表徵使用者的消費特徵資訊的消費特徵向量進行叢集分析確定的;
獲取所述消費群組中使用者消費過的店鋪資訊,識別出所述店鋪資訊中店鋪資訊出現次數大於等於預設臨限值的店鋪資訊;
將所述出現次數大於等於預設臨限值的店鋪資訊推薦給所述目標使用者。
本說明書實施例中,所述的處理器可以包括中央處理器(CPU)或圖形處理器(GPU),當然也可以包括其他的具有邏輯處理能力的單晶片、邏輯閘電路、積體電路等,或其適當組合。本發明實施例所述的記憶體可以是用於保存資訊的記憶設備。在數位系統中,能保存二進制資料的設備可以是記憶體;在積體電路中,一個沒有實物形式的具有儲存功能的電路也可以為記憶體,如RAM、FIFO等;在系統中,具有實物形式的儲存設備也可以叫記憶體等。實現的時候,該記憶體也可以採用雲記憶體的方式實現,具體實現方式,本說明書不做限定。
由此可見,本說明書一種店鋪資訊推薦方法、裝置或用戶端的實施例通過對使用者按照消費偏好進行消費群組劃分,在進行店鋪資訊推薦時,確定在目標使用者所在的消費群組後,可以直接按照與目標使用者具有相似消費偏好的消費群組中使用者的消費資料向目標使用者進行店鋪資訊的推薦,保證了推薦的店鋪資訊更好的符合目標使用者的喜好,提高了使用者對推薦的店鋪資訊的回應機率,進而可以提高使用者到店消費率。
上述對本說明書特定實施例進行了描述。其它實施例在所附申請專利範圍的範圍內。在一些情況下,在申請專利範圍中記載的動作或步驟可以按照不同於實施例中的順序來執行並且仍然可以實現期望的結果。另外,在附圖中描繪的過程不一定要求示出的特定順序或者連續順序才能實現期望的結果。在某些實施方式中,多任務處理和平行處理也是可以的或者可能是有利的。
在20世紀90年代,對於一個技術的改進可以很明顯地區分是硬體上的改進(例如,對二極體、電晶體、開關等電路結構的改進)還是軟體上的改進(對於方法流程的改進)。然而,隨著技術的發展,當今的很多方法流程的改進已經可以視為硬體電路結構的直接改進。設計人員幾乎都通過將改進的方法流程程式化到硬體電路中來得到相應的硬體電路結構。因此,不能說一個方法流程的改進就不能用硬體實體模組來實現。例如,可程式化邏輯裝置(Programmable Logic Device,PLD)(例如現場可程式閘陣列(Field Programmable Gate Array,FPGA))就是這樣一種積體電路,其邏輯功能由使用者對裝置程式化來確定。由設計人員自行程式化來把一個數位系統“整合”在一片PLD上,而不需要請晶片製造廠商來設計和製作專用的積體電路晶片。而且,如今,取代手工地製作積體電路晶片,這種程式化也多半改用“邏輯編譯器(logic compiler)”軟體來實現,它與程式開發撰寫時所用的軟體編譯器相類似,而要編譯之前的原始碼也得用特定的程式化語言來撰寫,此稱之為硬體描述語言(Hardware Description Language,HDL),而HDL也並非僅有一種,而是有許多種,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware Description Language)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(Ruby Hardware Description Language)等,目前最普遍使用的是VHDL(Very-High-Speed Integrated Circuit Hardware Description Language)與Verilog。本領域技術人員也應該清楚,只需要將方法流程用上述幾種硬體描述語言稍作邏輯程式化並程式化到積體電路中,就可以很容易得到實現該邏輯方法流程的硬體電路。
控制器可以按任何適當的方式實現,例如,控制器可以採取例如微處理器或處理器以及儲存可由該(微)處理器執行的電腦可讀程式代碼(例如軟體或韌體)的電腦可讀媒體、邏輯閘、開關、特殊應用積體電路(Application Specific Integrated Circuit,ASIC)、可程式化邏輯控制器和嵌入微控制器的形式,控制器的例子包括但不限於以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20 以及Silicone Labs C8051F320,記憶體控制器還可以被實現為記憶體的控制邏輯的一部分。本領域技術人員也知道,除了以純電腦可讀程式代碼方式實現控制器以外,完全可以通過將方法步驟進行邏輯程式化來使得控制器以邏輯閘、開關、特殊應用積體電路、可程式化邏輯控制器和嵌入微控制器等的形式來實現相同功能。因此這種控制器可以被認為是一種硬體部件,而對其內包括的用於實現各種功能的裝置也可以視為硬體部件內的結構。或者甚至,可以將用於實現各種功能的裝置視為既可以是實現方法的軟體模組又可以是硬體部件內的結構。
上述實施例闡明的裝置、模組或單元,具體可以由電腦晶片或實體實現,或者由具有某種功能的產品來實現。一種典型的實現設備為電腦。具體的,電腦例如可以為個人電腦、膝上型電腦、行動電話、相機電話、智慧電話、個人數位助理、媒體播放器、導航設備、電子郵件設備、遊戲控制台、平板電腦、可穿戴設備或者這些設備中的任何設備的組合。
為了描述的方便,描述以上裝置時以功能分為各種單元分別描述。當然,在實施本說明書時可以把各單元的功能在同一個或多個軟體及/或硬體中實現。
本領域內的技術人員應明白,本發明的實施例可提供為方法、裝置、或電腦程式產品。因此,本發明可採用完全硬體實施例、完全軟體實施例、或結合軟體和硬體態樣的實施例的形式。而且,本發明可採用在一個或多個其中包含有電腦可用程式代碼的電腦可用儲存媒體(包括但不限於磁盤記憶體、CD-ROM、光學記憶體等)上實施的電腦程式產品的形式。
本發明是參照根據本發明實施例的方法、設備(裝置)、和電腦程式產品的流程圖和/或方塊圖來描述的。應理解可由電腦程式指令實現流程圖和/或方塊圖中的每一流程和/或方塊、以及流程圖和/或方塊圖中的流程和/或方塊的結合。可提供這些電腦程式指令到通用電腦、專用電腦、嵌入式處理器或其他可程式化資料處理設備的處理器以產生一個機器,使得通過電腦或其他可程式化資料處理設備的處理器執行的指令產生用於實現在流程圖一個流程或多個流程和/或方塊圖一個方塊或多個方塊中指定的功能的裝置。
這些電腦程式指令也可儲存在能引導電腦或其他可程式化資料處理設備以特定方式工作的電腦可讀記憶體中,使得儲存在該電腦可讀記憶體中的指令產生包括指令裝置的製造品,該指令裝置實現在流程圖一個流程或多個流程和/或方塊圖一個方塊或多個方塊中指定的功能。
這些電腦程式指令也可裝載到電腦或其他可程式化資料處理設備上,使得在電腦或其他可程式化設備上執行一系列操作步驟以產生電腦實現的處理,從而在電腦或其他可程式化設備上執行的指令提供用於實現在流程圖一個流程或多個流程和/或方塊圖一個方塊或多個方塊中指定的功能的步驟。
在一個典型的配置中,計算設備包括一個或多個處理器(CPU)、輸入/輸出介面、網路介面和記憶體。
記憶體可能包括電腦可讀媒體中的非永久性記憶體,隨機存取記憶體(RAM)及/或非揮發性記憶體等形式,如唯讀記憶體(ROM)或閃存(flash RAM)。記憶體是電腦可讀媒體的示例。
電腦可讀媒體包括永久性和非永久性、可移動和非可移動媒體可以由任何方法或技術來實現資訊儲存。資訊可以是電腦可讀指令、資料結構、程式的模組或其他資料。電腦的儲存媒體的例子包括,但不限於相變記憶體(PRAM)、靜態隨機存取記憶體(SRAM)、動態隨機存取記憶體(DRAM)、其他類型的隨機存取記憶體(RAM)、唯讀記憶體(ROM)、電可抹除可編程唯讀記憶體(EEPROM)、快閃記憶體或其他記憶體技術、唯讀光碟唯讀記憶體(CD-ROM)、數位多功能光碟(DVD)或其他光學儲存、磁盒式磁帶,磁帶式磁碟儲存器、石墨烯儲存或其他磁性儲存設備或任何其他非傳輸媒體,可用於儲存可以被計算設備存取的資訊。按照本文中的界定,電腦可讀媒體不包括暫存電腦可讀媒體(transitory media),如調變的資料信號和載波。
還需要說明的是,術語“包括”、“包含”或者其任何其他變體意在涵蓋非排他性的包含,從而使得包括一系列要素的過程、方法、商品或者設備不僅包括那些要素,而且還包括沒有明確列出的其他要素,或者是還包括為這種過程、方法、商品或者設備所固有的要素。在沒有更多限制的情況下,由語句“包括一個……”限定的要素,並不排除在包括所述要素的過程、方法、商品或者設備中還存在另外的相同要素。
本領域技術人員應明白,本說明書的實施例可提供為方法、裝置或電腦程式產品。因此,本說明書可採用完全硬體實施例、完全軟體實施例或結合軟體和硬體態樣的實施例的形式。而且,本說明書可採用在一個或多個其中包含有電腦可用程式代碼的電腦可用儲存媒體(包括但不限於磁盤記憶體、CD-ROM、光學記憶體等)上實施的電腦程式產品的形式。
本說明書可以在由電腦執行的電腦可執行指令的一般上下文中描述,例如程式模組。一般地,程式模組包括執行特定任務或實現特定抽象資料類型的例程、程式、物件、組件、資料結構等等。也可以在分散式計算環境中實踐本說明書,在這些分散式計算環境中,由通過通信網路而被連接的遠程處理設備來執行任務。在分散式計算環境中,程式模組可以位於包括儲存設備在內的本地和遠程電腦儲存媒體中。
本說明書中的各個實施例均採用循序的方式描述,各個實施例之間相同相似的部分互相參見即可,每個實施例重點說明的都是與其他實施例的不同之處。尤其,對於裝置和用戶端實施例而言,由於其基本相似於方法實施例,所以描述的比較簡單,相關之處參見方法實施例的部分說明即可。
以上所述僅為本說明書的實施例而已,並不用於限制本說明書。對於本領域技術人員來說,本說明書可以有各種更改和變化。凡在本說明書的精神和原理之內所作的任何修改、等同替換、改進等,均應包含在申請專利範圍之內。
S102‧‧‧步驟
S104‧‧‧步驟
S106‧‧‧步驟
S1021‧‧‧步驟
S1023‧‧‧步驟
S1025‧‧‧步驟
300‧‧‧裝置
310‧‧‧消費群組確定模組
320‧‧‧群組店鋪資訊獲取模組
330‧‧‧店鋪資訊識別模組
340‧‧‧店鋪資訊推薦模組
為了更清楚地說明本說明書一個或多個實施例或現有技術中的技術方案,下面將對實施例或現有技術描述中所需要使用的附圖作簡單地介紹,顯而易見地,下面描述中的附圖僅僅是本說明書中記載的一些實施例,對於本領域普通技術人員來講,在不付出創造性勞動的前提下,還可以根據這些附圖獲得其他的附圖。
圖1是本說明書提供的店鋪資訊推薦方法的一種實施例的流程示意圖;
圖2是本說明書提供的基於表徵使用者的消費特徵資訊的消費特徵向量進行叢集分析確定消費群組一種實施例的流程示意圖;
圖3是本說明書提供的店鋪資訊推薦裝置的一種實施例的結構示意圖;
圖4是根據本說明書的一示例性實施例的店鋪資訊推薦用戶端的示意結構圖。
Claims (19)
- 一種店鋪資訊推薦方法,包括: 確定目標使用者所在的消費群組,其中,所述消費群組是基於表徵使用者的消費特徵資訊的消費特徵向量進行叢集分析確定的; 獲取所述消費群組中使用者消費過的店鋪資訊,識別出所述店鋪資訊中店鋪資訊出現次數大於等於預設臨限值的店鋪資訊; 將所述出現次數大於等於預設臨限值的店鋪資訊推薦給所述目標使用者。
- 根據請求項1所述的方法,其中,所述基於表徵使用者的消費特徵資訊的消費特徵向量進行叢集分析確定的消費群組包括採用下述方式確定: 獲取第一數量的使用者的消費特徵資訊,所述第一數量的使用者包括所述目標使用者; 基於所述消費特徵資訊構建使用者的消費特徵向量; 基於所述第一數量的使用者的消費特徵向量之間的相似度對所述第一數量的使用者進行叢集分析處理,得到第二數量的消費群組。
- 根據請求項2所述的方法,其中,所述基於所述消費特徵資訊構建使用者的消費特徵向量包括: 基於使用者的消費特徵資訊所對應的預設量化規則將所述消費特徵資訊量化為特定值; 基於量化後的特定值構建使用者的第一特徵向量; 對所述第一特徵向量進行標準化處理,得到標準化後的第二特徵向量,將所述第二特徵向量作為所述消費特徵向量。
- 根據請求項3所述的方法,其中,所述方法還包括: 對所述第二特徵向量進行主成分分析處理,將主成分分析處理後的特徵向量作為所述消費特徵向量。
- 根據請求項2所述的方法,其中,在獲取第一數量的使用者的消費特徵資訊之前,所述方法還包括: 確定地理位置資訊在待推薦商圈所在位置的第一預設區域內的使用者,將所述第一預設區域內的使用者作為所述第一數量的使用者。
- 根據請求項2所述的方法,其中,所述相似度至少包括下述之一: 歐氏距離、餘弦距離、曼哈頓距離、傑卡德係數。
- 根據請求項1至6任一所述的方法,其中,所述消費特徵資訊至少包括下述之一: 消費基礎屬性資訊、消費能力資訊、消費習慣資訊。
- 根據請求項1至6任一所述的方法,其中,所述將所述出現次數大於等於預設臨限值的店鋪資訊推薦給所述目標使用者包括: 在所述出現次數大於等於預設臨限值的店鋪資訊所對應的預設消費時間內將所述出現次數大於等於預設臨限值的店鋪資訊推薦給所述目標使用者。
- 根據請求項1至6任一所述的方法,其中,所述將所述出現次數大於等於預設臨限值的店鋪資訊推薦給所述目標使用者包括: 當所述目標使用者在所述出現次數大於等於預設臨限值的店鋪資訊所對應的地理位置資訊所在位置的第二預設區域內時,將所述出現次數大於等於預設臨限值的店鋪資訊推薦給所述目標使用者。
- 一種店鋪資訊推薦裝置,包括: 消費群組確定模組,用於確定目標使用者所在的消費群組,其中,所述消費群組是基於表徵使用者的消費特徵資訊的消費特徵向量進行叢集分析確定的; 群組店鋪資訊獲取模組,用於獲取所述消費群組中使用者消費過的店鋪資訊; 店鋪資訊識別模組,用於識別出所述店鋪資訊中店鋪資訊出現次數大於等於預設臨限值的店鋪資訊; 店鋪資訊推薦模組,用於將所述出現次數大於等於預設臨限值的店鋪資訊推薦給所述目標使用者。
- 根據請求項10所述的裝置,其中,所述基於表徵使用者的消費特徵資訊的消費特徵向量進行叢集分析確定的消費群組包括採用下述模組確定: 消費特徵資訊獲取模組,用於獲取第一數量的使用者的消費特徵資訊,所述第一數量的使用者包括所述目標使用者; 消費特徵向量構建模組,用於基於所述消費特徵資訊構建使用者的消費特徵向量; 行叢集分析處理模組,用於基於所述第一數量的使用者的消費特徵向量之間的相似度對所述第一數量的使用者進行叢集分析處理,得到第二數量的消費群組。
- 根據請求項11所述的裝置,其中,所述消費特徵向量構建模組包括: 量化單元,用於基於使用者的消費特徵資訊所對應的預設量化規則將所述消費特徵資訊量化為特定值; 第一特徵向量構建單元,用於基於量化後的特定值構建使用者的第一特徵向量; 標準化處理單元,用於對所述第一特徵向量進行標準化處理,得到標準化後的第二特徵向量,將所述第二特徵向量作為所述消費特徵向量。
- 根據請求項12所述的裝置,其中,所述消費特徵向量構建模組還包括: 主成分分析處理單元,用於對所述第二特徵向量進行主成分分析處理,將主成分分析處理後的特徵向量作為所述消費特徵向量。
- 根據請求項11所述的裝置,其中,所述裝置還包括: 使用者確定模組,用於在獲取第一數量的使用者的消費特徵資訊之前,確定地理位置資訊在待推薦商圈所在位置的第一預設區域內的使用者,將所述第一預設區域內的使用者作為所述第一數量的使用者。
- 根據請求項11所述的裝置,其中,所述相似度至少包括下述之一: 歐氏距離、餘弦距離、曼哈頓距離、傑卡德係數。
- 根據請求項10至15任一所述的裝置,其中,所述消費特徵資訊至少包括下述之一: 消費基礎屬性資訊、消費能力資訊、消費習慣資訊。
- 根據請求項10至15任一所述的裝置,其中,所述店鋪資訊推薦模組包括: 第一店鋪資訊推薦單元,用於在所述出現次數大於等於預設臨限值的店鋪資訊所對應的預設消費時間內將所述出現次數大於等於預設臨限值的店鋪資訊推薦給所述目標使用者。
- 根據請求項10至15任一所述的裝置,其中,所述店鋪資訊推薦模組包括: 第二店鋪資訊推薦單元,用於當所述目標使用者在所述出現次數大於等於預設臨限值的店鋪資訊所對應的地理位置資訊所在位置的第二預設區域內時,將所述出現次數大於等於預設臨限值的店鋪資訊推薦給所述目標使用者。
- 一種店鋪資訊推薦用戶端,包括處理器及記憶體,所述記憶體儲存由所述處理器執行的電腦程式指令,所述電腦程式指令包括: 確定目標使用者所在的消費群組,其中,所述消費群組是基於表徵使用者的消費特徵資訊的消費特徵向量進行叢集分析確定的; 獲取所述消費群組中使用者消費過的店鋪資訊,識別出所述店鋪資訊中店鋪資訊出現次數大於等於預設臨限值的店鋪資訊; 將所述出現次數大於等於預設臨限值的店鋪資訊推薦給所述目標使用者。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810058024.0A CN108492124A (zh) | 2018-01-22 | 2018-01-22 | 店铺信息推荐方法、装置及客户端 |
??201810058024.0 | 2018-01-22 |
Publications (1)
Publication Number | Publication Date |
---|---|
TW201933232A true TW201933232A (zh) | 2019-08-16 |
Family
ID=63343651
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW107144285A TW201933232A (zh) | 2018-01-22 | 2018-12-10 | 店鋪資訊推薦方法、裝置及用戶端 |
Country Status (3)
Country | Link |
---|---|
CN (1) | CN108492124A (zh) |
TW (1) | TW201933232A (zh) |
WO (1) | WO2019141072A1 (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI739239B (zh) * | 2019-12-17 | 2021-09-11 | 臺灣銀行股份有限公司 | 金融機構之特定商家推薦系統及其方法 |
TWI757854B (zh) * | 2020-08-28 | 2022-03-11 | 中國信託商業銀行股份有限公司 | 業務推薦系統及方法 |
TWI809230B (zh) * | 2019-12-12 | 2023-07-21 | 第一商業銀行股份有限公司 | 行銷推薦方法及其系統 |
Families Citing this family (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108492124A (zh) * | 2018-01-22 | 2018-09-04 | 阿里巴巴集团控股有限公司 | 店铺信息推荐方法、装置及客户端 |
CN109857927A (zh) * | 2018-12-24 | 2019-06-07 | 深圳市珍爱捷云信息技术有限公司 | 用户推荐方法、装置、计算机设备及计算机可读存储介质 |
CN109886785A (zh) * | 2019-02-15 | 2019-06-14 | 浙江口碑网络技术有限公司 | 客资信息的交叉分发方法及装置 |
CN111797877B (zh) * | 2019-04-09 | 2024-05-10 | Oppo广东移动通信有限公司 | 数据处理方法、装置、存储介质及电子设备 |
CN110110246B (zh) * | 2019-05-13 | 2021-09-07 | 北京金和网络股份有限公司 | 基于地理信息网格密度的门店推荐方法 |
CN110225141B (zh) * | 2019-06-28 | 2022-04-22 | 北京金山安全软件有限公司 | 内容推送方法、装置及电子设备 |
CN110363583B (zh) * | 2019-07-02 | 2023-08-04 | 北京淇瑀信息科技有限公司 | 一种基于位置信息创建用户消费行为标签的方法、装置和电子设备 |
CN110738521B (zh) * | 2019-10-10 | 2022-04-15 | 深圳市云积分科技有限公司 | 一种多电商品牌的客户销售方法和装置 |
CN110782278B (zh) * | 2019-10-15 | 2023-01-10 | 支付宝(杭州)信息技术有限公司 | 一种数据处理方法和装置 |
CN110969509A (zh) * | 2019-10-25 | 2020-04-07 | 贝壳技术有限公司 | 装修推荐方法、装置、机器可读存储介质及处理器 |
CN110782325B (zh) * | 2019-10-31 | 2023-04-07 | 深圳市云积分科技有限公司 | 一种会员信息的推荐方法和装置 |
CN111179011A (zh) * | 2019-11-05 | 2020-05-19 | 泰康保险集团股份有限公司 | 一种保险产品推荐方法及装置 |
CN111125289B (zh) * | 2019-12-24 | 2023-05-12 | 广州图匠数据科技有限公司 | 一种门店数据清洗匹配方法、装置、设备以及存储介质 |
CN111340522B (zh) * | 2019-12-30 | 2024-03-08 | 支付宝实验室(新加坡)有限公司 | 资源推荐方法、装置、服务器及存储介质 |
CN111311317B (zh) * | 2020-02-06 | 2023-07-11 | 大众问问(北京)信息科技有限公司 | 一种信息推荐方法、装置、设备及*** |
CN113378033A (zh) * | 2020-03-09 | 2021-09-10 | 北京沃东天骏信息技术有限公司 | 一种推荐模型的训练方法和装置 |
CN111340565B (zh) * | 2020-03-20 | 2023-05-02 | 北京爱笔科技有限公司 | 一种信息推荐方法、装置、设备及存储介质 |
CN111626790A (zh) * | 2020-06-01 | 2020-09-04 | 浪潮软件股份有限公司 | 一种零售终端的消费者群体特征识别方法 |
CN111698332A (zh) * | 2020-06-23 | 2020-09-22 | 深圳壹账通智能科技有限公司 | 业务对象的分配方法、装置、设备及存储介质 |
CN111782813B (zh) * | 2020-07-07 | 2023-10-31 | 支付宝(杭州)信息技术有限公司 | 一种用户社群的评价方法、装置及设备 |
CN111967964B (zh) * | 2020-08-18 | 2023-09-19 | 中国银行股份有限公司 | 银行客户端网点的智能推荐方法及装置 |
CN112116403A (zh) * | 2020-09-28 | 2020-12-22 | 中国建设银行股份有限公司 | 一种信息推荐方法、装置及设备 |
CN113129053B (zh) * | 2021-03-29 | 2024-05-21 | 北京沃东天骏信息技术有限公司 | 信息推荐模型训练方法、信息推荐方法及存储介质 |
CN113283756B (zh) * | 2021-05-31 | 2024-06-21 | 北京睿利众屹软件有限公司 | 店铺员工的分配方法和分配装置 |
CN113360790A (zh) * | 2021-06-08 | 2021-09-07 | 口碑(上海)信息技术有限公司 | 信息推荐方法、装置及电子设备 |
CN113609381B (zh) * | 2021-07-13 | 2023-12-12 | 杭州网易云音乐科技有限公司 | 作品推荐方法、装置、介质和计算设备 |
CN113592589B (zh) * | 2021-07-27 | 2024-03-29 | 上海致景信息科技有限公司 | 纺织原料推荐方法、装置及处理器 |
TWI779887B (zh) * | 2021-10-19 | 2022-10-01 | 國立臺灣大學 | 動態式民宿資訊推薦裝置 |
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 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102750647A (zh) * | 2012-06-29 | 2012-10-24 | 南京大学 | 一种基于交易网络的商家推荐方法 |
CN104933156A (zh) * | 2015-06-25 | 2015-09-23 | 西安理工大学 | 一种基于共享近邻聚类的协同过滤方法 |
CN105677831B (zh) * | 2016-01-04 | 2022-03-22 | 拉扎斯网络科技(上海)有限公司 | 一种确定推荐商户的方法及装置 |
CN107368483B (zh) * | 2016-05-11 | 2020-06-23 | 阿里巴巴集团控股有限公司 | 信息推荐方法、装置及服务器 |
CN106021423B (zh) * | 2016-05-16 | 2019-05-21 | 西安电子科技大学 | 基于群组划分的元搜索引擎个性化结果推荐方法 |
CN106912015B (zh) * | 2017-01-10 | 2020-04-28 | 上海云砥信息科技有限公司 | 一种基于移动网络数据的人员出行链识别方法 |
CN106899338B (zh) * | 2017-04-19 | 2021-03-16 | 北京工业大学 | 大规模mimo***下行链路中基于密度的用户分组方法 |
CN107481093A (zh) * | 2017-07-21 | 2017-12-15 | 北京京东尚科信息技术有限公司 | 个性化店铺预测方法和装置 |
CN108492124A (zh) * | 2018-01-22 | 2018-09-04 | 阿里巴巴集团控股有限公司 | 店铺信息推荐方法、装置及客户端 |
-
2018
- 2018-01-22 CN CN201810058024.0A patent/CN108492124A/zh active Pending
- 2018-12-10 TW TW107144285A patent/TW201933232A/zh unknown
- 2018-12-29 WO PCT/CN2018/125208 patent/WO2019141072A1/zh active Application Filing
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI809230B (zh) * | 2019-12-12 | 2023-07-21 | 第一商業銀行股份有限公司 | 行銷推薦方法及其系統 |
TWI739239B (zh) * | 2019-12-17 | 2021-09-11 | 臺灣銀行股份有限公司 | 金融機構之特定商家推薦系統及其方法 |
TWI757854B (zh) * | 2020-08-28 | 2022-03-11 | 中國信託商業銀行股份有限公司 | 業務推薦系統及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108492124A (zh) | 2018-09-04 |
WO2019141072A1 (zh) | 2019-07-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TW201933232A (zh) | 店鋪資訊推薦方法、裝置及用戶端 | |
TWI718643B (zh) | 異常群體識別方法及裝置 | |
CN111143681B (zh) | 一种资讯推荐装置、方法、设备及*** | |
US10504120B2 (en) | Determining a temporary transaction limit | |
CN108733825B (zh) | 一种对象触发事件预测方法及装置 | |
CN107391545B (zh) | 一种对用户进行分类的方法、输入方法及装置 | |
CN110020427B (zh) | 策略确定方法和装置 | |
CN108596410B (zh) | 一种风控事件自动处理方法及装置 | |
CN109508879B (zh) | 一种风险的识别方法、装置及设备 | |
CN107590690B (zh) | 数据处理方法、装置及服务器 | |
CN111639687A (zh) | 一种模型训练以及异常账号识别方法及装置 | |
CN110826894A (zh) | 超参数确定方法、装置及电子设备 | |
CN113837635B (zh) | 风险检测处理方法、装置及设备 | |
CN113033820A (zh) | 联邦学习方法、装置以及设备 | |
CN116049761A (zh) | 数据处理方法、装置及设备 | |
CN111046304B (zh) | 数据搜索方法及装置 | |
US11663228B2 (en) | Automated management of data transformation flows based on semantics | |
CN111177562B (zh) | 一种目标对象的推荐排序处理方法、装置及服务器 | |
CN105357583A (zh) | 一种发现智能电视用户兴趣偏好的方法和装置 | |
CN115408449B (zh) | 一种用户行为的处理方法、装置及设备 | |
CN108595395B (zh) | 一种昵称的生成方法、装置及设备 | |
CN111782813B (zh) | 一种用户社群的评价方法、装置及设备 | |
CN110874607A (zh) | 一种网络节点的聚类方法及装置 | |
CN115545943A (zh) | 一种图谱的处理方法、装置及设备 | |
CN111242195B (zh) | 模型、保险风控模型训练方法、装置及电子设备 |