CN106844787B - 一种为汽车行业寻找目标用户并匹配目标产品的推荐方法 - Google Patents
一种为汽车行业寻找目标用户并匹配目标产品的推荐方法 Download PDFInfo
- Publication number
- CN106844787B CN106844787B CN201710157474.0A CN201710157474A CN106844787B CN 106844787 B CN106844787 B CN 106844787B CN 201710157474 A CN201710157474 A CN 201710157474A CN 106844787 B CN106844787 B CN 106844787B
- Authority
- CN
- China
- Prior art keywords
- user
- target
- similarity
- recommendation
- target 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及计算机技术中的数据处理及推荐，其公开了一种为汽车行业寻找目标用户并匹配目标产品的推荐方法，自动向具有购买意向的目标用户推荐相应汽车产品，从而降低公司营销成本。该方法可以概括为：a.数据的预处理阶段主要是了解并分析系统的任务，然后通过数据清理、集成、简化等步骤，降低原始数据的维数，从而生成供预测阶段使用的目标数据。b.预测阶段主要是根据关联规则发现具有购买意愿的目标用户，然后通过获取目标用户的网上检索记录挖掘或者通过问卷调查的方式了解目标用户相应的属性偏好获得属性向量，最后采用协同过滤算法利用用户‑属性评分矩阵计算用户之间的相似度，从而基于相似度给出预测结果。c.评价阶段对预测结果进行评价。本发明适用于汽车产品推荐。
Description
技术领域
本发明涉及计算机技术中的数据处理及推荐，具体涉及一种为汽车行业寻找目标用户并匹配目标产品的推荐方法。
背景技术
随着网络技术、信息技术和计算机技术飞速发展，早在2010年，全球就进入了大数据时代。那么，如何准确地发现用户的购买偏好并向其进行推荐是本发明的重点。专利CN1629884A提出了一种基于模糊逻辑的信息推荐方法，将目标商品与用户历史消费相匹配，然后输出目标用户对该件商品的兴趣度。该发明能够运用于电视节目、购物和互联网信息的推荐。专利201310433589收集用户偏好信息，然后根据用户的偏好信息找到相似的用户或者物品，最后计算推荐并将结果展示给消费者。
但是，汽车行业不同于一般的零售商品，普通用户不会频繁购买汽车，也就是说任意两个用户可能没有共同的评分项，因此，传统推荐算法可能没有办法发现相似用户。
发明内容
本发明所要解决的技术问题是：提出一种为汽车行业寻找目标用户并匹配目标产品的推荐方法，自动向具有购买意向的目标用户推荐相应汽车产品，从而降低公司营销成本。
本发明解决上述技术问题所采用的方案是：
一种为汽车行业寻找目标用户并匹配目标产品的推荐方法，包括以下步骤：
a.数据预处理阶段：收集用户特征信息、搜索信息和汽车销售信息，经过预处理后存储至目标数据库中；
b.预测阶段：基于关联规则选择目标用户，基于协同过滤方法对用户的偏好进行预测；
c.评价及推荐阶段：对预测结果进行评价，若用户对评价结果满意，则向用户推荐预测的相应类型车辆，若用户对评价结果不满意，则返回步骤b，给出其它预测结果，然后进入步骤c，对预测结果进行评价。
作为进一步优化，所述用户特征信息、搜索信息和汽车销售信息中包含的属性指标包括：用户名称、性别、职业、婚姻状况、一天内浏览汽车网站的次数、每天停留在汽车网站上的时间、在汽车网站上的搜索行为、每款汽车对应的属性信息、收入状况、购车与否。
作为进一步优化，步骤a中，所述经过预处理包括：利用深度学习的方法对缺失数据进行填补，对于类别型数据则可以直接将其映射为新的布尔型数据(如性别可以直接映射成S1，S2，分别代表男和女)；对于数值型数据(如年龄等)，采用C均值模糊分类法将其划分为多个类，产生隶属度矩阵。
作为进一步优化，步骤b中，所述基于关联规则选择目标用户，基于协同过滤对用户的偏好进行预测，具体包括：
基于目标数据库中的数据，根据关联规则发现具有购买意愿的用户作为目标用户，然后通过获取目标用户的网上检索记录挖掘目标用户相应的属性偏好或者通过问卷调查的方式了解目标用户相应的属性偏好，并构建属性向量，最后采用协同过滤算法利用用户-属性评分矩阵计算用户之间的相似度，从而基于相似度给出预测结果。
作为进一步优化，步骤b中，所述根据关联规则发现具有购买意愿的用户作为目标用户，具体包括：首先检索出目标数据库中的所有频繁项集，然后利用频繁项集构造出满足最小信任度的关联规则，根据该关联规则输出具有购买意愿的目标用户。
作为进一步优化，步骤b中，采用协同过滤算法利用用户-属性评分矩阵计算用户之间的相似度，从而基于相似度给出预测结果，具体包括：
首先构建已购买汽车的用户的用户-属性评分矩阵，然后利用皮尔森相关系数或者余弦相似度为活跃的目标用户找出k个最相似的用户形成用户邻居集合，在相似度的计算过程中，每个用户都被看成是一个n维向量，用户之间的相似度通过向量之间的相似度表示。
作为进一步优化，所述用户-属性评分矩阵中确定的属性包括：价格、品牌、级别、变速箱、轴距、排量、气缸数、厂商品牌等参数。
作为进一步优化，步骤b中，所述基于相似度给出预测结果，具体包括：
基于计算出来的相似度，推荐与目标用户相似度最高的N位用户购买的车型。
作为进一步优化，步骤c中，所述对预测结果进行评价时，采用预测准确性评价指标为平均绝对误差MAE和根均方误差RMSE，公式分别是：
作为进一步优化，步骤c还包括：在向用户推荐预测的相应类型车辆后，通过推荐准确性评价指标来评价推荐的准确性，所述推荐准确性评价指标包括准确率Precision和召回率Recall，其中
计算的结果越大，则表示推荐的准确性越高。
本发明的有益效果是：
借助关联规则，能够自动发现有购买意愿的目标用户，并对这些目标用户进行问卷调查，构建目标用户的属性向量，并通过协同过滤机制计算目标用户属性与历史用户评分矩阵的相似度，从而基于相似度来推荐相应商品，以降低公司营销成本。
附图说明
图1为推荐系统框架图；
图2为数据预处理示意图；
图3为预测、推荐流程图。
具体实施方式
本发明旨在提出一种为汽车行业寻找目标用户并匹配目标产品的推荐方法，自动向具有购买意向的目标用户推荐相应汽车产品，从而降低公司营销成本。
本发明中的推荐方法基于如图1所示的推荐系统构架实现：
历史数据库提供原始数据，通过对原始数据清理、集成、简化等步骤，降低原始数据的维数，从而生成供预测阶段使用的目标数据，存储至目标数据库中，在目标数据库中基于关联规则提取出目标用户，匹配相应的推荐模型输出预测的推荐结果，然后对预测的推荐结果进行评价，如果评价结果满意则向用户推荐相应商品，如果评价结果不满意，则重新匹配推荐模型输出其它预测的推荐结果，此外，还可以设置反馈机制，如果推荐失败，可以修改推荐模型，在推荐成功后将信息录入销售数据库。
下面对本发明中的推荐方法流程进行具体阐述：
1、数据预处理阶段：首先收集用户特征信息，搜索信息和汽车销售信息，然后利用深度学习的方法对缺失数据进行填补，对于类别型数据则可以直接将其映射为新的布尔型数据；对于数值型数据，采用C均值模糊分类法将其划分为多个类，产生隶属度矩阵。数据预处理流程如图2所示。
属性指标包括：用户名称、性别(男、女)、职业(非体力劳动、少量体育劳动、体力劳动)、婚姻(已婚、未婚)、一天内浏览汽车网站的次数(利用c均值模糊分类将该属性分为三类)、每天停留在汽车网站上的时间(利用c均值模糊分类将该属性分为三类…)、在汽车网站上的搜索行为(浏览车款，浏览车系，比价等)、每款汽车对应的属性信息、收入(利用c均值模糊分类将该属性分为三类)、购车与否(是、否)。
2、预测阶段：如图3所示，基于目标数据库中的数据，根据关联规则发现具有购买意愿的目标用户，然后通过获取目标用户的网上检索记录挖掘目标用户相应的属性偏好或者通过问卷调查的方式了解目标用户相应的属性偏好，然后采用协同过滤算法计算目标用户的属性向量与已购车用户的评分矩阵之间的相似度，从而基于相似度给出预测结果；
其中，所述根据关联规则发现具有购买意愿的目标用户具体包括：首先检索出目标数据库中的所有频繁项集，然后利用频繁项集构造出满足最小信任度的关联规则，根据该关联规则输出具有购买意愿的目标用户。具体操作为：首先扫描一次布尔矩阵，矩阵中的每一行代表事务，矩阵中的列代表项目。I代表属性，T代表用户。其次扫描矩阵形成频繁1-项集L1,删除属性集小于支持度的列。然后形成候选项集，即将两个属性进行组合，计算其支持度。再与设定好的最小支持度比较，小于的话删除该用户(行)。形成2-项集L2。以此类推直到第k项集中每一项的支持度都大于或者等于最小支持度。那么我们就找到了所有频繁项集。
在计算相似度之前，首先构建已购汽车用户的用户-属性评分矩阵。其中属性包括价格、品牌、级别、变速箱、轴距、排量、气缸数、厂商品牌等参数。然后通过获取目标用户的网上检索记录挖掘目标用户相应的属性偏好或者通过问卷调查的方式了解目标用户相应的属性偏好，构建属性向量，接着利用皮尔森相关系数或者余弦相似度为活跃用户找出k个最相似的用户(用户邻居集合)，在相似度的计算过程中，每个用户都被看成是一个n维向量(Cn表示项目的个数)，用户之间的相似度就通过向量之间的相似度表示。最后，基于计算出来的相似度，推荐与目标用户相似度最高的N位用户购买的车型。
3、评价及推荐阶段：对预测结果进行评价，若用户对评价结果满意，则向用户推荐预测的相应类型车辆，若用户对评价结果不满意，则返回步骤2，给出其它预测结果，然后进入步骤3，对预测结果进行评价。
对预测结果进行评价，推荐算法的评价主要包括预测准确性、推荐准确性两个方面。常用的预测准确性指标为平均绝对误差(MAE)和根均方误差(RMSE)，公式分别是：
在对目标用户进行产品推荐后，需要对推荐的准确性进行评价，本发明通过推荐准确性评价指标来评价推荐的准确性，所述推荐准确性评价指标包括准确率Precision和召回率Recall，其中
计算的结果越大，则表示推荐的准确性越高。
Claims (7)
1.一种为汽车行业寻找目标用户并匹配目标产品的推荐方法，其特征在于，包括以下步骤：
a.数据预处理阶段：收集用户特征信息、搜索信息和汽车销售信息，经过预处理后存储至目标数据库中；所述经过预处理包括：利用深度学习的方法对缺失数据进行填补，对于类别型数据则可以直接将其映射为新的布尔型数据；对于数值型数据，采用C均值模糊分类法将其划分为多个类，产生隶属度矩阵；
b.预测阶段：基于关联规则选择目标用户，基于协同过滤方法对用户的偏好进行预测：基于目标数据库中的数据，首先检索出目标数据库中的所有频繁项集，然后利用频繁项集构造出满足最小信任度的关联规则，根据该关联规则输出具有购买意愿的目标用户，然后通过获取目标用户的网上检索记录挖掘目标用户相应的属性偏好或者通过问卷调查的方式了解目标用户相应的属性偏好，并构建属性向量，最后采用协同过滤算法利用用户-属性评分矩阵计算用户之间的相似度，从而基于相似度给出预测结果；
c.评价及推荐阶段：对预测结果进行评价，若用户对评价结果满意，则向用户推荐预测的相应类型车辆，若用户对评价结果不满意，则返回步骤b，给出其它预测结果，然后进入步骤c，对预测结果进行评价。
2.如权利要求1所述的一种为汽车行业寻找目标用户并匹配目标产品的推荐方法，其特征在于，所述用户特征信息、搜索信息和汽车销售信息中包含的属性指标包括：用户名称、性别、职业、婚姻状况、一天内浏览汽车网站的次数、每天停留在汽车网站上的时间、在汽车网站上的搜索行为、每款汽车对应的属性信息、收入状况、购车与否。
3.如权利要求1所述的一种为汽车行业寻找目标用户并匹配目标产品的推荐方法，其特征在于，步骤b中，采用协同过滤算法利用用户-属性评分矩阵计算用户之间的相似度，从而基于相似度给出预测结果，具体包括：
首先构建已购买汽车的用户的用户-属性评分矩阵，然后利用皮尔森相关系数或者余弦相似度为活跃的目标用户找出k个最相似的用户形成用户邻居集合，在相似度的计算过程中，每个用户都被看成是一个n维向量，用户之间的相似度通过向量之间的相似度表示。
4.如权利要求3所述的一种为汽车行业寻找目标用户并匹配目标产品的推荐方法，其特征在于，所述用户-属性评分矩阵中确定的属性包括：价格、品牌、级别、变速箱、轴距、排量和气缸数。
5.如权利要求4所述的一种为汽车行业寻找目标用户并匹配目标产品的推荐方法，其特征在于，步骤b中，所述基于相似度给出预测结果，具体包括：
基于计算出来的相似度，推荐与目标用户相似度最高的N位用户购买的车型。
6.如权利要求5所述的一种为汽车行业寻找目标用户并匹配目标产品的推荐方法，其特征在于，步骤c中，所述对预测结果进行评价时，采用预测准确性评价指标为平均绝对误差MAE和根均方误差RMSE，公式分别是：
7.如权利要求6所述的一种为汽车行业寻找目标用户并匹配目标产品的推荐方法，其特征在于，步骤c还包括：在向用户推荐预测的相应类型车辆后，通过推荐准确性评价指标来评价推荐的准确性，所述推荐准确性评价指标包括准确率Precision和召回率Recall，其中
计算的结果越大，则表示推荐的准确性越高，其中，a表示被推荐，且喜欢被推荐产品的人数；b表示被推荐，却不喜欢被推荐产品的人数；c表示未被推荐，却喜欢该未被推荐产品的人数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710157474.0A CN106844787B (zh) | 2017-03-16 | 2017-03-16 | 一种为汽车行业寻找目标用户并匹配目标产品的推荐方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710157474.0A CN106844787B (zh) | 2017-03-16 | 2017-03-16 | 一种为汽车行业寻找目标用户并匹配目标产品的推荐方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106844787A CN106844787A (zh) | 2017-06-13 |
| CN106844787B true CN106844787B (zh) | 2020-06-16 |
Family
ID=59143978
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710157474.0A Active CN106844787B (zh) | 2017-03-16 | 2017-03-16 | 一种为汽车行业寻找目标用户并匹配目标产品的推荐方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106844787B (zh) |
Families Citing this family (29)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107423362B (zh) * | 2017-06-20 | 2021-06-08 | 创新先进技术有限公司 | 行业确定方法、对象获取方法和装置、客户端、服务器 |
| CN107507028B (zh) * | 2017-08-16 | 2021-11-30 | 北京京东尚科信息技术有限公司 | 用户偏好确定方法、装置、设备及存储介质 |
| CN107784562A (zh) * | 2017-11-10 | 2018-03-09 | 上海安吉星信息服务有限公司 | 一种新车信息的信息推送方法和装置 |
| CN107944060B (zh) * | 2018-01-02 | 2020-07-31 | 天津大学 | 一种面向汽车垂直网站的产品信息检索方法 |
| CN108182605A (zh) * | 2018-01-11 | 2018-06-19 | 厦门快商通信息技术有限公司 | 一种基于用户画像的用户行为预测方法及系统 |
| CN108242016B (zh) * | 2018-01-25 | 2022-01-25 | 创新先进技术有限公司 | 一种产品推荐的方法和装置 |
| CN108256977A (zh) * | 2018-01-30 | 2018-07-06 | 金瓜子科技发展（北京）有限公司 | 车源推荐方法及装置 |
| CN109189831A (zh) * | 2018-08-21 | 2019-01-11 | 重庆邮电大学 | 一种基于组合赋权的购车倾向用户识别方法 |
| CN109300018A (zh) * | 2018-10-31 | 2019-02-01 | 深圳市元征科技股份有限公司 | 一种车辆智能推荐方法、装置、设备及存储介质 |
| CN109636486A (zh) * | 2018-12-28 | 2019-04-16 | 上汽通用五菱汽车股份有限公司 | 基于大数据定位意向购车用户的方法、设备及存储介质 |
| CN110232148B (zh) * | 2019-04-16 | 2023-01-10 | 创新先进技术有限公司 | 项目推荐系统、方法以及装置 |
| CN112036971A (zh) * | 2019-06-04 | 2020-12-04 | 上海博泰悦臻网络技术服务有限公司 | 基于协同过滤的车机购物推送方法、服务端及客户端 |
| CN110389970B (zh) * | 2019-06-11 | 2024-02-06 | 中国平安财产保险股份有限公司 | 用户意向预测方法、装置、计算机设备及存储介质 |
| CN110276012A (zh) * | 2019-06-26 | 2019-09-24 | 海南车智易通信息技术有限公司 | 一种可视化用户画像的生成方法、装置和计算设备 |
| CN110335126B (zh) * | 2019-07-16 | 2022-04-08 | 芜湖储吉信息技术股份有限公司 | 一种汽车行业大数据获客方法 |
| CN110427555A (zh) * | 2019-07-27 | 2019-11-08 | 北京智数时空科技有限公司 | 一种基于用户行为偏好的目标用户需求预测方法及系统 |
| CN110555024B (zh) * | 2019-08-13 | 2022-03-29 | 广东数鼎科技有限公司 | 一种基于人工智能算法的精准汽车型号匹配系统 |
| CN111311357B (zh) * | 2020-01-20 | 2024-05-03 | 昊居科技有限公司 | 一种房屋交易信息管理方法及系统 |
| CN111581498A (zh) * | 2020-04-21 | 2020-08-25 | 北京龙云科技有限公司 | 一种广告用户偏好分析方法及装置 |
| CN111915329B (zh) * | 2020-07-30 | 2024-09-20 | 上海数策软件股份有限公司 | 一种基于汽车行业售后场景的个性化推荐方法及系统 |
| CN112163155B (zh) * | 2020-09-30 | 2024-08-06 | 深圳前海微众银行股份有限公司 | 信息处理方法、装置、设备及存储介质 |
| CN112307333A (zh) * | 2020-10-20 | 2021-02-02 | 上海交通大学 | 基于机器视觉与加权knn的智能购车推荐方法 |
| CN112581044B (zh) * | 2021-02-25 | 2021-05-14 | 壹药网耀方科技(上海)股份有限公司 | 一种基于多维空间投影的个性化客服匹配系统 |
| CN112925901B (zh) * | 2021-03-23 | 2022-07-19 | 华中师范大学 | 一种辅助在线问卷评估的评估资源推荐方法及其应用 |
| CN114021020B (zh) * | 2021-11-17 | 2022-08-12 | 南京工业大学 | 一种基于用户偏好修正的智能推荐方法及系统 |
| CN117035887B (zh) * | 2023-10-08 | 2023-12-26 | 中质国优测评技术(北京)有限公司 | 一种汽车用户满意度测评方法与系统 |
| CN118297756B (zh) * | 2024-04-23 | 2024-10-29 | 广州朋客网络科技有限公司 | 面向汽车消费的智能服务系统及方法 |
| CN118350839A (zh) * | 2024-04-27 | 2024-07-16 | 杭州及凌网络科技有限公司 | 一种基于大数据的汽车销售系统、模块以及方法 |
| CN118552242B (zh) * | 2024-07-29 | 2024-10-18 | 中汽信息科技(天津)有限公司 | 汽车品牌目标用户的确定方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102750336A (zh) * | 2012-06-04 | 2012-10-24 | 电子科技大学 | 一种基于用户关联性的资源个性化推荐方法 |
| CN103593417A (zh) * | 2013-10-25 | 2014-02-19 | 安徽教育网络出版有限公司 | 基于关联规则预测的协同过滤推荐方法 |
| CN106056476A (zh) * | 2016-06-06 | 2016-10-26 | 国家电网公司 | 一种电力市场多层协同信息服务的推荐方法 |
-
2017
- 2017-03-16 CN CN201710157474.0A patent/CN106844787B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102750336A (zh) * | 2012-06-04 | 2012-10-24 | 电子科技大学 | 一种基于用户关联性的资源个性化推荐方法 |
| CN103593417A (zh) * | 2013-10-25 | 2014-02-19 | 安徽教育网络出版有限公司 | 基于关联规则预测的协同过滤推荐方法 |
| CN106056476A (zh) * | 2016-06-06 | 2016-10-26 | 国家电网公司 | 一种电力市场多层协同信息服务的推荐方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106844787A (zh) | 2017-06-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106844787B (zh) | 一种为汽车行业寻找目标用户并匹配目标产品的推荐方法 | |
| CN107220365B (zh) | 基于协同过滤与关联规则并行处理的精准推荐系统及方法 | |
| Wu et al. | User Value Identification Based on Improved RFM Model and K‐Means++ Algorithm for Complex Data Analysis | |
| Yan et al. | Implementation of a product-recommender system in an IoT-based smart shopping using fuzzy logic and apriori algorithm | |
| US20190370837A1 (en) | Autonomous Article Evaluating, Disposing and Repricing | |
| CN112100512A (zh) | 一种基于用户聚类和项目关联分析的协同过滤推荐方法 | |
| Zhao et al. | Sales prediction and product recommendation model through user behavior analytics. | |
| Duarte et al. | Machine learning and marketing: A systematic literature review | |
| CN118365431B (zh) | 一种基于大数据的电商平台商品推荐方法及系统 | |
| Hemalatha | Market basket analysis–a data mining application in Indian retailing | |
| CN116757779A (zh) | 一种基于用户画像的推荐方法 | |
| Khodabandehlou | Designing an e-commerce recommender system based on collaborative filtering using a data mining approach | |
| CN114861050A (zh) | 一种基于神经网络的特征融合推荐方法及系统 | |
| Griva et al. | A two-stage business analytics approach to perform behavioural and geographic customer segmentation using e-commerce delivery data | |
| Shanti et al. | Machine Learning-Powered Mobile App for Predicting Used Car Prices | |
| Punjabi et al. | Sales prediction using online sentiment with regression model | |
| US20230099627A1 (en) | Machine learning model for predicting an action | |
| Noviantoro et al. | Applying data mining techniques to investigate online shopper purchase intention based on clickstream data | |
| Chou et al. | The RFM Model Analysis for VIP Customer: A case study of golf clothing brand | |
| CN116304374B (zh) | 一种基于包装数据的客户匹配方法及系统 | |
| Jeena et al. | Implementation & analysis of online retail dataset using clustering algorithms | |
| Asmat et al. | Data mining framework for the identification of profitable customer based on recency, frequency, monetary (RFM) | |
| Gehlot et al. | Execution of market basket analysis and recommendation systems in physical retail stores to advance sales revenues | |
| CN117196718A (zh) | 一种生成营销方案的方法、装置、电子设备及存储介质 | |
| Zaware | Identification Cold Start Problem Start in Matrix Factorization Method for Online Web Recommendation Systems |
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 |