• 专利附录
  • 专利说明
  • 权利要求
  • 类似技术
  • 同族专利
  • 引用文献
  • 法律状态
  • 优先权
    • 专利摘要:
    本申請提供了一種基於用戶行為的電子商務資訊推薦方法。該方法包括：統計預設時期內用戶行為類型和各行為類型對應的用戶行為的頻率；判斷用戶行為類型數和用戶行為的頻率是否超過預設閾值，如果是，則將超過的資料過濾掉；根據上述處理後的用戶行為類型和用戶行為的頻率分析用戶行為指向的內容資訊，得到用戶偏好資料，該用戶偏好資料為各內容資訊的頻率分佈；根據該用戶偏好資料進行內容資訊推薦。本申請還提供了一種基於用戶行為的電子商務資訊推薦裝置。本申請對用戶行為資料進行最佳化，剔除了可能存在的「偽資料」，使得在該資料基礎上分析得到的用戶偏好更加準確真實，處理速度得以提高，推薦效果更好。
    公开号:TW201310377A
    申请号:TW100143933
    申请日:2011-11-30
    公开日:2013-03-01
    发明作者:xiang-yu Gu；qi-le Fu；Zhong-Lin Zu；Wei Ning
    申请人:Alibaba Group Holding Ltd；
    IPC主号:G06Q30-00
    专利说明:
    基於用戶行為的電子商務資訊推薦方法與裝置
    本申請係關於電子商務資訊推薦技術領域，尤其關於一種基於用戶行為的電子商務資訊推薦方法與裝置。
    隨著互聯網技術的發展，電子商務蓬勃興起。電子商務是利用電腦技術、網路技術和遠端通訊技術，使商務交易中的買賣雙方在不需謀面的情況下實現各種商貿活動。要實現商貿交易，買方必須預先獲知商品的內容資訊以便決策是否購買該商品。商品內容資訊包括商品所屬行業類目、商品的提供商、商品價格以及與該商品相關的資訊訊息等。在電子商務資訊交易平臺上，獲知該內容資訊的方式主要有兩種：一種是用戶(買方)主動搜尋方式，即用戶在明確自己的購買需求後，將需求以關鍵字的形式體現出來，然後利用該關鍵字在大量的多樣性資料中檢索，從而獲得需要的內容資訊；另一種是用戶被動接受型，即賣方透過電子商務交易平臺向用戶推薦商品的內容資訊，用戶被動接受賣方推薦的商品內容資訊後，在該內容資訊的引導下購買相關產品。對於第二種方式，商貿交易的賣方為了提高交易成功率，往往不會將自己的所有資訊直接推薦給用戶，而是首先分析用戶過去的行為建立用戶偏好資料，然後根據用戶偏好針對性地推薦用戶可能感興趣的特定資訊。這種推薦方式在電子商務資訊交易中能顯著提高用戶體驗，增加賣家曝光的精準度，能有效引導用戶迅速成為買家，從而降低交易成本。但是，電子商務資訊的資訊推薦者進行用戶偏好分析時獲取的用戶歷史行為資料可能存在偏差、錯誤，甚至包括以用戶名義惡意引導消費傾向的作弊資料，建立在這些資料基礎上的分析結果必然不能真實地反映用戶偏好特點，從而導致推薦內容資訊偏離用戶需求，推薦效果受到影響。另外，由於電子商務網站的資訊訪問量特別巨大，電子商務網站伺服器中存在海量的用戶行為資料，針對海量用戶行為資料分析得到用戶偏好資料對推薦系統自身處理能力是一種嚴峻考驗，海量的用戶行為資料減緩了推薦系統的分析處理速度。
    有鑑於此，本申請的發明目的在於提供一種基於用戶行為的電子商務資訊推薦方法與裝置，透過對用戶行為資料的最佳化，一方面濾除可能存在的「偽資料」以校正用戶偏好資料，從而確保根據用戶偏好資料推薦的內容資訊符合用戶的真實偏好；另一方面減少用於用戶偏好分析的資料量以提高偏好資料的分析速度，從而確保用戶快速的獲取到推薦的內容資訊。
    本申請提供的基於用戶行為的電子商務資訊推薦方法包括：統計預設時期內用戶行為類型和各行為類型對應的用戶行為的頻率；判斷用戶行為類型數是否超過預設類型閾值，如果是，則保留小於等於預設類型閾值數的用戶行為類型；和/或，判斷各用戶行為的頻率是否超過預設頻率閾值，如果是，則將預設頻率閾值作為該用戶行為的頻率；根據上述處理後的用戶行為類型和用戶行為的頻率分析用戶行為指向的內容資訊，得到用戶偏好資料，該用戶偏好資料為各內容資訊的頻率分佈；利用用戶偏好資料向用戶推薦內容資訊。
    本申請還提供了一種基於用戶行為的電子商務資訊推薦裝置，該裝置包括：統計模組、判斷模組、偏好分析模組和資訊推薦模組，其中：該統計模組，用於統計預設時期內的用戶行為類型和各行為類型對應的用戶行為的頻率；該判斷模組，用於判斷用戶行為類型數是否超過預設類型閾值，如果是，則保留小於等於預設類型閾值數的用戶行為類型；和/或，判斷各用戶行為的頻率是否超過預設頻率閾值，如果是，則將預設頻率閾值作為該用戶行為的頻率；該偏好分析模組，用於根據上述處理後的用戶行為類型和用戶行為的頻率分析用戶行為指向的內容資訊，得到用戶偏好資料，該用戶偏好資料為各內容資訊的頻率分佈；該資訊推薦模組，用於利用用戶偏好資料向用戶推薦內容資訊。
    本申請的技術方案透過判斷用戶行為類型數與用戶行為的頻率是否符合預設閾值的方式對用戶的歷史行為資料進行最佳化，在該最佳化處理後的用戶行為資料基礎上分析得到用戶偏好，然後根據該偏好向用戶推薦相應的內容資訊。與現有技術相比，本申請的最佳化處理過程排除了用戶行為資料中的惡意行為、作弊行為等「偽資料」，使得根據該最佳化資料進行的偏好分析結果更真實地反映了用戶的偏好特點，進而使得根據該用戶偏好進行的資訊推薦的推薦效果更好，提高了電子商務資訊的交易成功率。另外，由於根據偏好分析結果推薦的資訊能夠符合用戶的實際需求願望，這樣用戶只需根據電子商務交易平臺推薦的資訊完成交易即可，而不必再反覆查找其所需的內容資訊，降低了反覆查找內容資訊給電子商務平臺帶來的訪問壓力。並且，由於本申請的最佳化處理過程去除了用戶行為資料中的大量「偽資料」，減少了用於資訊推薦分析的資料量，提高了資訊推薦分析的速度，能夠更加快速的獲取到推薦資訊。
    本申請透過統計用戶行為類型和用戶行為類型對應的用戶行為的頻率，將該統計結果與預設閾值進行比較，以濾除用戶行為資料中的惡意行為、作弊行為等「偽資料」，然後在上述經過最佳化處理後的用戶行為資料基礎上進行用戶偏好分析，根據分析得到的用戶偏好特點實現相應內容資訊的推薦。
    為使本領域技術人員進一步瞭解本申請的特徵及技術內容，下面結合附圖和實施例，對本申請的技術方案進行詳細描述。 實施例一
    電子商務資訊交易平臺是虛擬的市場，買賣主體不需要面對面磋商即可完成交易。交易的成功與否取決於交易中買方的求購願望與賣方的供給內容間的匹配程度。賣方主動提供商品資訊固然可以增加賣家的曝光率，提高交易成功機率，但是，如果賣方主動供給內容與買方需求偏差太大，賣方即便使出「渾身解數」，可能仍將甚微收穫。因此，為提高交易成功率，賣家的主動推送行為往往需要建立在對用戶的分析基礎上，這種分析需要預先收集大量的用戶資訊，包括用戶的歷史行為資料、用戶屬性資料等內容，利用這些用戶訓練得到某個內容資訊的傾向預測資料，進而將某個特定用戶的用戶偏好與該傾向預測資料進行匹配以決定如何向用戶推薦相應的內容資訊。分析用戶偏好通常建立在用戶的歷史行為資料基礎上，用戶歷史行為反映了用戶的求購願望。比如，某個用戶行為在一段時間內集中高頻出現，該行為指向的內容資訊也集中出現在某些商品，則說明該用戶在該時期內的偏好就是這些商品，該用戶有極大可能會購買該商品，如果資訊提供商能夠提供與該偏好匹配的產品資訊，必然增大了交易成功率。
    然而，正如先前技術所言，有些用戶的歷史行為資料可能不真實，是「偽資料」，比如現實中可能存在這樣的情形：在某個時期內大部分用戶均關注某一產品，則說明該產品是該時段內的新潮產品，由於用戶的個人偏好大多受大眾消費趨勢的影響，那麼單個用戶的偏好將轉向該商品資訊，從而導致從事該商品交易的賣家利潤可觀。基於利潤的爭奪，有些賣家便抓住用戶的這種心理，以用戶名義在某時期內大量重複某些行為，以圖誘導消費趨勢。這樣用戶的歷史行為資料中將出現「作弊資料」，建立在這些資料基礎上的用戶偏好分析將「失真」，進而導致推薦的內容資訊與用戶的真實需求偏離，降低交易成功率。另外，由於分析用戶偏好需要建立在海量的用戶的歷史行為資料基礎上，再加上某些賣家惡意以用戶名義在某時期內大量重複某些行為，更進一步的增加了進行用戶偏好分析所依據的歷史行為資料量，導致用戶偏好的分析速度緩慢。本申請的實施例提供了一種基於用戶行為的電子商務資訊推薦方法，該方法對用戶歷史行為資料進行最佳化處理以濾除「偽資料」。參見附圖1，本實施例提供的一種基於用戶行為的電子商務資訊推薦方法包括：步驟S101：統計預設時期內用戶行為類型和各行為類型對應的用戶行為的頻率；獲取用戶的偏好資料需要根據用戶的歷史行為進行分析，分析的前提是要選擇一個參考時間段，即設定一個預設時期，該預設時期的長短將影響到用戶偏好的分析結果：預設時期長度不同，選擇的用戶行為類型的數量和用戶行為的頻率便不同，由此得出的用戶偏好也可能大不相同，一般而言，該預設時期不宜選擇過長，過長則無法準確反應用戶偏好的遷移特性和細微變化，也不宜選擇過短，過短則可能導致用戶的偏好不具有代表性；預設時期確定後，將統計分析該預設時期內的用戶行為類型以及該行為類型對應的用戶行為的頻率，這裏的用戶行為類型包括但不限於檢索、瀏覽、點擊、保存行為，用戶行為的頻率是某種用戶行為類型在該預設時期內發生的次數，用戶行為類型與用戶行為頻率對應；為後面更見形象的說明起見，此處假設在預設時期T內統計得到五種行為類型，分別為act1、act2、act3、act4、act5，每種行為類型對應的用戶行為的頻率分別為f1、f2、f3、f4、f5，由於「偽資料」的存在，上述五種用戶行為類型可能是虛假的，不代表用戶真實行為。
    步驟S102：判斷用戶行為類型數是否超過預設類型閾值，如果是，則保留預設類型閾值數的用戶行為類型；上面曾提到用戶行為可能包含有作弊行為，這些作弊行為在建立用戶行為偏好資料時需要予以剔除，否則將影響到根據偏好資料進行推薦的推薦效果；進行作弊資料剔除的依據是預設類型閾值，該預設閾值可以是透過分析一定時期內大量的用戶行為得出的統計資料，也可以是根據實際操作情況得出的一個經驗估計值，在此基礎上根據推薦效果進行修正調整；上述舉例中，假設預設類型閾值θactth=4，那麼上述五種行為類型就超過了該預設閾值指定的數量，說明該用戶行為類型中包含有「偽行為」，這時則將上述的五種用戶行為類型按照預設類型閾值數進行保留，即只留下四種用戶行為類型，該四種用戶行為類型分別為act2、act3、act4、act5，由於用戶行為類型與用戶行為的頻率相聯繫，因而用戶行為的頻率也保留下f2、f3、f4、f5四個對應的頻率值，需要說明的是這裏過濾掉的是act1行為類型，實際上，也可以過濾掉其他行為類型，只要剩餘的用戶行為類型數量不超過預設類型閾值即可；然而，儘管這種濾除操作並沒限定濾除物件，但在一些情況下結合其他因素進行濾除則更為合理，比如，在用戶行為類型數超過預設類型閾值時，優先考慮濾除時間最早的行為類型，因為該類型對用戶偏好的影響可能已經「過時」，也可以優先考慮將頻率最高的用戶行為對應的用戶行為類型濾除，因為該頻率最高的用戶行為可能恰巧代表的是作弊行為。該較佳實施例的推廣應用即為：在用戶行為類型數超過預設類型閾值時，保留低於預設頻率閾值的用戶行為對應的用戶行為類型，從而使得用戶行為類型數不超過預設類型閾值，透過這兩種方式可以有效濾除作弊行為。
    步驟S103：根據上述處理後的用戶行為類型和用戶行為的頻率分析用戶行為指向的內容資訊，得到用戶偏好資料，該用戶偏好資料為各內容資訊的頻率分佈；用戶的每個行為均對應一個或者多個行為物件，該行為物件即是用戶行為指向的內容資訊，該內容資訊可以是單個資訊，也可以是複合資訊，比如用戶在網路中搜尋了一件商品，用戶行為類型則為「搜尋行為」，該「搜尋行為」指向的內容資訊即是該商品，該商品的屬性可以包括商品價格、商品形狀、商品所屬行業類目等中的一種，也可以是上述商品屬性中的幾種，甚至還可進一步延伸包括商品提供商、提供商的資質情況等；在上述的舉例中，假設上述每種用戶行為類型指向的內容資訊分別是：act2指向三種內容資訊C1、C2、C3，該三種內容資訊出現的頻率分別為f21、f22、f23，此三種頻率的總和為f2，表示為act2(C1[f21]、C2[f22]、C3[f23])；act3(C1[f31]、C2[f32]、C3[f33]、C4[f34]、C5[f35])、act4(C2[f42]、C3[f43]、C5[f45])、act5(C2[f52]、C3[f53]、C4[f54]、C5[f55])；得到上述資料後，以用戶行為指向的內容資訊為依據繪製用戶偏好資料曲線，將該曲線頂點(頻率值最大)對應的內容資訊作為用戶偏好：上述資料共出現C1、C2、C3、C4、C5五種內容資訊，他們的頻率值分別為f21+f31、f22+f32+f42+f52、f23+f33+f43+f53、f34+f54、f35+f45+f55，選取其中頻率值最高的對應的內容資訊作為該用戶的用戶偏好資料，也可以先設定一個預設值，將超過該預設值的對應的多個內容資訊作為該用戶的用戶偏好資料。
    步驟S104：利用用戶偏好資料向用戶推薦內容資訊。
    上述步驟中已經分析出了用戶的偏好資料，則根據該偏好資料即可進行內容推薦。
    本申請的實施例透過將用戶的歷史行為類型和該類型對應的頻率與預設閾值進行比較，排除用戶歷史行為中的作弊資料、惡意資料，在該處理後的資料基礎之上進行用戶偏好分析，根據分析得到的用戶偏好資料實現內容資訊的推薦。與現有技術相比，本實例建立用戶偏好資料時對用戶行為資料進行了最佳化處理，消除了可能的「偽資料」，使得根據較為準確的用戶行為資料得到的用戶偏好能真實地反映用戶的實際需求願望，進而獲得較好的推薦效果，提高電子商務資訊交易的成功率。實際應用中，由於推薦的商品資訊能夠符合用戶的實際需求願望，這樣用戶只需根據電子商務交易平臺推薦的資訊完成交易即可，而不必再反覆查找其所需的商品資訊，降低了反覆查找商品資訊給電子商務平臺帶來的訪問壓力。另外，由於本申請的最佳化處理過程去除了用戶行為資料中的大量「偽資料」，減少了用於資訊推薦分析的資料量，提高了資訊推薦分析的速度，能夠更加快速的獲取到推薦資訊。
    上述實施例中，僅僅從用戶行為類型的角度對用戶行為資料進行了最佳化，實際上，還可以對用戶行為的頻率進行最佳化處理，因為在預設時間段內某個用戶行為的頻率也可能出現異常，比如「畸高」”或「畸低」，這些情形可能反映出該資料是作弊資料，也應當予以剔除。因此，上實施例的步驟S102之後還可以增加下述步驟：判斷各用戶行為的頻率是否超過該用戶行為的預設頻率閾值，如果是，則將預設頻率閾值作為該用戶行為的頻率；經過上述步驟後的用戶行為類型和行為頻率更加得到最佳化，建立在此基礎上的用戶偏好更加準確進而取得更好的推薦效果。值得注意的一點是，上述步驟除可以和實施例一中步驟S102以並列方式進行外，還可以替代步驟S102，同樣能達到改善推薦效果的目的。 實施例二
    上述實施例雖然透過與預設類型(頻率)閾值的匹配濾除了用戶行為中的「偽資料」，經過濾除處理後的用戶行為資料已能較好地反映用戶的真實偏好。但是，在預設時期T內用戶行為的發生時間往往不同，發生時間的差異對分析用戶偏好的影響也不同，一般而言，越是靠近該預設時期T的結束時刻發生的用戶行為越接近用戶的真實偏好，越是靠近該預設時期T的起始時刻發生的用戶行為越偏離用戶的真實偏好。因此，有必要在上述實施例的基礎上對用戶行為資料進行時間影響消除處理，實現這種處理的具體方式很多，只要能反映出發生時間靠後的用戶行為對用戶偏好建立的影響大，發生時間靠前的用戶行為對用戶偏好建立的影響小，即可實現本申請的發明目的。在實施例一的基礎上增加上述處理步驟後的方法構成本申請的又一個實施例，參見附圖2，該實施例與實施例一除在步驟S102、S103之間添加下述內容外，其他步驟相同。
    本實施例給出的時間影響消除處理的步驟包括：對用戶行為進行時間影響消除處理，該處理步驟包括：對用戶行為賦予時間權重值，該時間權重值為越靠近預設時期結束時刻權重值越高，越靠近預設時期的起始時刻權重值越低。
    本實施例對用戶行為資料進行了時間影響消除處理，使得以用戶行為為基礎構建用戶偏好的準確度進一步提高，進而推薦效果得到更好改善。
    儘管時間影響消除的具體實現方式較多，但本申請的實施例較佳地按照如下的方式計算時間權重值：
    時間權重值=1/log(Doff)
    公式中Doff為用戶行為發生時刻到預設時期結束時刻的時間差。
    用戶行為被賦予權重值後，用戶行為的頻率值乘以相應的時間權重值以修正用戶行為頻率，按照這種方式最佳化後的用戶行為資料將更能準確地反映用戶在預設時期內的偏好特徵。 實施例三
    用戶行為指向的內容資訊是分析用戶偏好的基礎，但是，用戶在進行某些用戶行為時指向的內容資訊受到用戶知識能力的限制，可能並不準確，由此可能導致在此基礎上的分析出現偏差。比如，用戶實施了一個搜尋行為，該搜尋行為指向“關鍵字1”，這個“關鍵字1”是用戶根據自己掌握的知識所確定的關鍵字，但該關鍵字可能並不準確，甚至有歧義、錯誤，此刻則需進行「偏差校正」，校正後的資料才能用於進行用戶偏好分析。在實施例一的基礎上增加上述處理步驟後的方法可構成本申請的再一個實施例，參見附圖3，該實施例與實施例一除在步驟S102、S103之間添加下述內容外，其他步驟相同。本實施例給出的內容資訊偏差校正方法包括：對內容資訊進行標準化處理，該處理步驟包括：根據標準產品單元和行業知識庫校正內容資訊。
    標準產品單元SPU(Standard Product Unit)是一組可複用、易檢索的標準化資訊的集合，該集合描述了「產品」的特性，儲存了產品的基本資訊；行業知識庫是某行業的「知識」的集合，這些「知識」包括行業標準、行業業務模型、行業業務資料與資訊模型、行業資訊化全景圖、行業領域構件、行業採購鏈、行業上下游產品等內容，該知識庫涵蓋的內容相當豐富。用戶行為指向的內容資訊提取出來後，將其與標準產品單元和行業知識庫進行匹配比較，如果兩者不一致，則用標準產品單元和行業知識庫中的標準語言描述該內容資訊，經過這樣標準化處理後的內容資訊更加便於後續步驟的識別和處理，對於快速、準確地完成用戶偏好分析具有良好效果。 實施例四
    前述實施例選取了一個參考時間週期即預設時間T，透過對該時期內的用戶行為類型和用戶行為的頻率進行分析得到用戶偏好資料。但是，用戶在該時間週期內可能發生偏好遷移(變化)，也就是說，用戶可能在一個時段內對內容資訊1感興趣，在另一個時段內可能對與內容資訊1相關聯的內容資訊2感興趣(內容資訊1與內容資訊2形成遷移對)，這種情形即是用戶偏好的遷移特性，在分析具有偏好遷移特性的用戶行為時，需要注意的是：只有遷移對的遷移終點對應的內容資訊(內容資訊2)才真實地代表用戶當下的興趣，對於遷移對的遷移起點對應的內容資訊(內容資訊1)表示用戶已經「放棄」該內容資訊，對此不再感興趣，因此，應當將遷移終點對應的內容資訊作為用戶偏好，並據此進行內容資訊的推薦。除用戶偏好發生遷移的情形外，在預設時期內的某個時段內可能存在用戶對某個內容資訊極度感興趣，用戶行為頻率極大，這種情形構成用戶偏好的突發特性，該特性說明該用戶的偏好並不穩定，僅代表該用戶的激情偏好，而不能代表整個預設時期的偏好，因此也應當在分析用戶偏好時予以剔除。與用戶偏好的突發特性相對應的是用戶偏好的持續特性，即在一個時段內用戶的偏好集中在某幾個內容資訊上，在另一個時段內用戶偏好仍然集中在該幾個內容資訊上，這種情形說明該用戶的偏好較為穩定，這些用戶行為資料則能較好地反映用戶偏好，根據此類用戶偏好進行的內容資訊推薦有極大的可能符合該用戶的需求，進而提高交易成功率。由此，本申請給出了又一個實施例，該實施例中增加將上述突發性、遷移性用戶偏好過濾掉、保留下持續性用戶偏好。本實施例除將實施例一的步驟S103變化為下述內容外，其他步驟相同。參見附圖4，本實施例給出的分析得到用戶偏好資料的步驟包括：步驟A：根據用戶行為發生的時間將處理後的用戶行為類型和用戶行為頻率在預設時期內分成至少兩個等長時段單元；預設時期選取的時段長度越短，用戶偏好的細微程度越大，透過比較不同時段的用戶偏好曲線，即可得到突發性用戶偏好和遷移性偏好；將預設時期T劃分成至少兩個等長時段單元，根據實際的需要可選擇兩個或多個時段單元，時段單元越多，得到的用戶偏好變化情，也越細微，這裏為方便起見，以兩個時段單元為例：T1、T2，T1+T2=T。
    步驟B：根據各時段單元內的用戶行為類型和用戶行為頻率分析用戶行為指向的內容資訊，得到該時段單元的用戶偏好資料；劃分時段單元後，分別分析T1、T2時段單元的用戶行為類型和用戶行為頻率分析用戶行為指向的內容資訊，分析過程可以採取繪製曲線的方式進行：以用戶內容資訊為橫軸、用戶內容資訊出現的頻率為縱軸。
    步驟C：將各時段單元的用戶偏好資料進行比對以濾除遷移性用戶偏好資料對中的遷遷移起點資料和/或突發性用戶偏好資料，得到整個預設時期的用戶偏好資料；得到T1、T2這兩個時段的用戶偏好曲線圖後，將兩個曲線圖進行比對分析，將兩個時段中均具有的內容資訊作為持續性偏好資料予以保留，將僅在前一個時段單元中出現的內容資訊作為遷移性用戶偏好的遷移起點予以濾除，將僅在後一個時段單元中出現的內容資訊作為遷移性用戶偏好的遷移終點予以保留，將在任何一個時段單元中出現的突發性用戶偏好資料予以濾除，進而得到整個預設時段T的用戶偏好資料。
    本實施例透過將預設時期進行細分，然後比對細分後的每個時段單元的用戶偏好資料的變化，濾除了遷移性、突發性用戶偏好資料。這樣得到的用戶偏好更為準確地反映用戶在整個預設時期內的用戶偏好，進而在此用戶偏好資料基礎上進行的資訊內容推薦的推薦效果更好。 實施例五
    上述實施例為得到較為準確的用戶行為資料，進行了一系列的最佳化操作，濾除了用戶行為中的「偽資料」，為分析得到準確的用戶偏好奠定了較好的基礎。但是，對於用戶行為指向的內容資訊是否準確還待研究，因為分析用戶偏好的落腳點是內容資訊，而這些內容資訊由電子商務資訊賣家提供，賣家為爭奪市場利益、搶佔用戶，也會惡意地在內容資訊上製造「偽資料」，比如，當內容資訊包含產品價格資訊時，賣家可能惡意標定低價以打擊對手，或者在壟斷情況下隨意標定高價以攫取更多利潤，這些行為擾亂了電子商務資訊交易市場，基於這些「偽」的內容資訊進行用戶偏好分析得到的結果可能大為「失真」。為此，有必要對內容資訊進行「打假」。在實施例一的基礎上增加上述處理步驟後的方法可構成本申請的又一個實施例，參見附圖5本實施例與實施例一除在步驟S102、S103之間添加下述內容外，其他步驟相同。本實施例給出的排除上述「偽資料」的方法包括：判斷產品標定價格是否在預設價格範圍內，如果否，則將產品價格設置在預設價格範圍內；和/或，判斷產品的所屬行業與提供該產品的供應商的註冊行業是否一致，如果否，則將該產品資訊濾除。
    經過本實施例對內容資訊的最佳化後，進行用戶偏好分析的資料源更加準確，有利於得到更加有效的用戶偏好資料。 實施例六
    上述幾個實施例該的方法在得到用戶的偏好資料後，資訊推薦步驟的具體實現方法可以採用現有技術。現有技術通常是將內容資訊獨立和分別地進行推薦，這種推薦效果並不好。為此，本申請的實施例提供了一種協同推薦的方法，該方法透過對大量的用戶內容資訊分析得到內容資訊的群體偏好資料，然後根據用戶偏好資料和群體偏好資料進行內容資訊推薦。本實施例除將實施例一的步驟S104變換為下述內容外，其他步驟相同。參見附圖6，本實施例給出的內容資訊推薦的步驟包括：步驟A’：選取預設數量的其他用戶組成參考用戶集，計算該用戶與參考用戶集內各用戶的相似度，將相似度超過預設相似度閾值的用戶組成相似用戶集；根據用戶的歷史行為分析得到用戶偏好，進而依據該用戶偏好向用戶推薦內容資訊，固然迎合了用戶的求購願望，實現了提高交易成功率的目的，但是，實際上每個用戶的用戶偏好都不會侷限在以往的用戶偏好上，他的偏好是不斷擴展變化的，而這種擴展變化往往受限於他自身的能力和獲得資訊的管道，導致不能得到較好的擴展，此種情況下，與該用戶具有相似或相同用戶偏好的其他用戶的用戶偏好資料則值得借鑒，因為可以推知他們除具有上述相同的用戶偏好外，還可能在其他方面也具有相同的偏好；基於這種分析，則需要選擇一定數量的用戶組成參考用戶集，計算參考用戶集中的用戶與該用戶的相似度，對相似度超過預設閾值的用戶則構成該用戶的相似用戶集，相似用戶集內的用戶的偏好資料對該用戶具有較高參考價值；需要說明的是計算用戶之間的相似度可以採用多種方法，比如聚類演算法，該方法在現有技術中已有大量應用，此處不再贅述。
    步驟B’：分析相似用戶集內各用戶的用戶行為得到該相似用戶集的群體偏好資料，該群體偏好資料為用戶行為指向的內容資訊的頻率分佈；透過步驟A’獲得相似用戶集後，分析相似用戶集的各用戶的用戶行為得到群體偏好資料，具體的分析方法和前述實施例的方式相同，群體偏好資料是與單個用戶的用戶偏好資料「同質」的概念，只是資料量的不同在資料結果上存在差異，均表示用戶行為指向的內容資訊的頻率分佈情況。
    步驟C’：根據用戶偏好資料和該群體偏好資料向用戶推薦內容資訊。
    本實施例透過計算相似度，找出與該用戶具有相似特徵的其他用戶，並將其他用戶的用戶行為資料作為對該用戶進行內容資訊推薦的參考，較好地擴展了向用戶推薦的內容資訊，增強了用戶體驗，進一步拓寬了電子商務資訊交易的領域和範圍。
    本實施例在計算得到用戶的相似用戶集時，對「其他用戶」的選取並沒有作特別限定，實際上，由於地理環境的差異、各地風土人情的不同，同一個地域範圍內用戶的用戶偏好資料可能更具有參考價值，因此，本實施例較佳地按照下面的方式選擇參考用戶集。
    判斷該用戶IP地址對應的地域與該用戶註冊的地域是否一致，如果是，則選取該用戶註冊地域地的其他用戶組成參考用戶集；如果否，則選取該用戶IP位址對應的地域地的其他用戶組成參考用戶集。
    透過以用戶登錄地的用戶資料作為分析群體偏好的基礎，不僅由於同一地域的用戶行為資料相比其他地方的用戶行為資料的可參考性更大，使得分析得到的用戶偏好結果更準確，據此進行推薦的推薦效果更好，極大提高了電子商務資訊的交易成功率，而且由於採用就近原則，極大方便了用戶在電子商務資訊交易完成後儘快獲得相應的產品或服務。 實施例七
    在實施例六中已經提到得到用戶的偏好資料後，資訊推薦步驟的具體實現方法可以採用現有技術，也可以採用實施例六該的協同推薦方法，協同推薦方法將待推薦用戶的自身偏好資料與一定範圍內的群體偏好資料結合起來，擴展了向待推薦用戶推薦的內容資訊，這是一種「橫向」擴展，實際上，除橫向擴展方式，本申請還提供一種縱向擴展方式的實施例，即將用戶偏好資料中的多個用戶偏好與預設規則集進行匹配，將匹配成功的某個或某些偏好作為向用戶推薦內容資訊的依據，這種方法稱為聯合推薦方法。本實施例除將實施例一的步驟S104變換為下述內容外，其他步驟相同。參見附圖7，本實施例給出的內容資訊推薦的步驟包括：步驟A”：選取預設數量的用戶組成規則創建用戶集，分析該規則創建用戶集內各用戶的用戶行為得到各用戶的用戶偏好資料，根據各用戶的用戶偏好資料訓練得到規則集，該規則集為用以預測內容資訊推薦的各類用戶偏好的組合規則集；透過分析用戶的歷史行為得到的用戶偏好資料，大多數情況下這種用戶偏好是複合偏好，也就是說該用戶偏好資料中包含了該用戶在各個層面、各個領域、各的時段的多個偏好，比如產品偏好、供應商偏好、產品詞偏好等，向用戶進行內容資訊推薦時儘管可以按照這些所有的偏好向用戶推薦，但是，這種「廣撒網」的方式在某些情況下並不能達到提高交易成功率的目的，反而容易導致用戶在眾多的內容資訊中無所選擇，因此，採用少而精、高命中率的方式向用戶推薦內容資訊將是一種可取的方式；為了從用戶的眾多偏好中找出「有效」的用戶偏好，需要首先選取一定數量的用戶組成規則創建用戶集並根據這些用戶的用戶偏好建立規則集，進而利用該規則集作為選取用戶偏好的依據；規則創建用戶集內的各用戶偏好資料的獲取可以採用現有技術的方式得到，也可以按照本申請所提到方法對用戶行為資料最佳化後分析得到；得到各用戶的用戶偏好資料後，將用戶的各個偏好與該偏好對應的頻率組成該用戶的向量特徵組，然後對所有的向量特徵組進行訓練得到規則集，具體的訓練方式現有技術已公開，這裏不再贅述。
    步驟B”：將待推薦用戶的用戶偏好資料與該規則集進行匹配，根據匹配成功的偏好資料向待推薦用戶推薦內容資訊。
    獲得到規則集後，將待推薦用戶的用戶偏好與規則集中的規則進行匹配，如果匹配成功則將根據相應的用戶偏好向該用戶推薦內容資訊。
    為了更加清楚的說明上述過程，這裏舉例闡釋：假設選取的規則創建用戶集為100個，每個用戶的偏好包括產品、供應商、產品詞、求購、資訊等五個偏好，透過分析100個用戶的歷史行為資料得到了各個用戶的偏好資料，偏好資料包括內容資訊和該內容資訊的頻率，為了便於比較將頻率進行歸一化處理，該歸一化的基準可以是10次；透過按照現有技術的方法訓練100個用戶的用戶偏好資料得到三條規則，現在需要向A1、B2、C3三個用戶進行推薦，推薦時將A1的用戶偏好資料與規則集內的規則進行匹配，然後按照匹配成功的用戶偏好推薦內容資訊。上述過程請參見如下表格：
    值得注意的是上述表格中列出了群體偏好一欄，前面介紹了根據規則創建用戶集的各用戶的用戶行為分析得到了用戶偏好資料，實際上，也可以根據該集合中的用戶偏好資料進一步得到這個群體的群體偏好，進而利用該群體偏好來創建關於群體偏好的規則。
    本實施例將用戶的多種偏好結合起來，選擇最最佳化的推薦方案進行內容資訊推薦，避免了傳統推薦方法根據所有的偏好毫無取捨的「全盤」推薦，增強了推薦效果，有效提高了交易成功率。 實施例八
    上述七個實施例均是本申請的方法實施例，對應地，本申請還提供了裝置實施例。參見附圖8，本申請的實施例提供的一種基於用戶行為的電子商務資訊推薦裝置800包括：統計模組801、判斷模組802、偏好分析模組803和資訊推薦模組804，其中：統計模組801，用於統計預設時期內用戶行為類型和各行為類型對應的用戶行為的頻率；判斷模組802，用於判斷用戶行為類型數是否超過預設類型閾值，如果是，則保留小於等於預設類型閾值數的用戶行為類型；和/或，判斷各用戶行為的頻率是否超過預設頻率閾值，如果是，則將預設頻率閾值作為該用戶行為的頻率；偏好分析模組803，用於根據上述處理後的用戶行為類型和用戶行為的頻率分析用戶行為指向的內容資訊，得到用戶偏好資料，該用戶偏好資料為各內容資訊的頻率分佈；804資訊推薦模組，用於利用用戶偏好資料向用戶推薦內容資訊。
    本裝置的工作過程是：統計模組801統計預設時期內用戶行為類型和各行為類型對應的用戶行為的頻率，並將資料傳遞給判斷模組802，由該模組判斷用戶行為類型數是否超過預設類型閾值，如果是，則保留小於等於預設類型閾值數的用戶行為類型；和/或，判斷各用戶行為的頻率是否超過該用戶行為的預設頻率閾值，如果是，則將預設頻率閾值作為該用戶行為的頻率；然後由偏好分析模組803根據上述處理後的用戶行為類型和用戶行為的頻率分析用戶行為指向的內容資訊，得到用戶偏好資料，並將該資料傳遞給資訊推薦模組804，由該模組利用用戶偏好資料進行內容資訊推薦。
    本申請的技術方案在根據用戶偏好進行資訊推薦之前，透過判斷用戶行為類型數與用戶行為頻率是否符合預設值的方式對用戶的歷史行為進行最佳化，最佳化後的用戶行為資料排除了惡意行為和作弊行為，在該用戶行為資料基礎上分析得到的用戶偏好資料較為真實地反映了用戶的偏好特點，進而使得根據該用戶偏好資料進行資訊推薦的推薦效果更好，有利於促進電子商務資訊交易的正常發展。此外，由於推薦的商品資訊能夠符合用戶的實際需求願望，這樣用戶只需根據電子商務交易平臺推薦的資訊完成交易即可，而不必再反覆查找其所需的商品資訊，降低了反覆查找商品資訊給電子商務平臺帶來的訪問壓力。並且，由於本申請的最佳化處理過程去除了用戶行為資料中的大量「偽資料」，減少了用於資訊推薦分析的資料量，提高了資訊推薦分析的速度，能夠更加快速的獲取到推薦資訊。
    本實施例的裝置800還可以包括時間影響消除模組805，用於在分析用戶行為指向的內容資訊前，對用戶行為賦予時間權重值，該時間權重值為越靠近預設時期結束時刻權重值越高，越靠近預設時期起始時刻權重值越低。該模組消除時間影響後有利於更加準確地分析用戶行為資料。
    本實施例的裝置800偏好分析模組803可以有多種組成機構，只要能實現本申請的發明目的即可，但是，本申請的實施例優選按照如下結構方式組成該模組，該模組包括：時段單元劃分子模組8031、偏好分析子模組8032和過濾子模組8033，其中：時段單元劃分子模組8031，用於根據用戶行為發生的時間將處理後的用戶行為類型和用戶行為的頻率在預設時期內劃分成至少兩個時段單元；偏好分析子模組8032，用於根據各時段單元內的用戶行為類型和用戶行為的頻率分析用戶行為指向的內容資訊，得到該時段單元的用戶偏好資料；過濾子模組8033，用於根據各時段單元的用戶偏好資料過濾掉遷移性、突發性偏好資料以得到預設時期的用戶偏好資料。
    本實施例的裝置800還可以包括相似度計算模組806，用於在選取預設數量的其他用戶組成參考用戶集後，計算待推薦用戶與參考用戶集內各用戶的相似度，將相似度超過預設相似度閾值的用戶組成相似用戶集；則：偏好分析模組803還用於分析相似用戶集內各用戶的用戶行為得到該相似用戶集的群體偏好資料；資訊推薦模組804，還用於根據待推薦用戶的用戶偏好資料和該群體偏好資料向該用戶推薦內容資訊。
    本實施例的裝置800還包括規則集創建模組807，用於在選取預設數量的用戶組成規則創建用戶集，調用偏好分析模組分析該規則創建用戶集內各用戶的用戶行為得到各用戶的用戶偏好資料，根據各用戶的用戶偏好資料訓練得到規則集，該規則集為用以預測內容資訊推薦的各類用戶偏好的組合規則集，則：偏好分析模組還用於分析規則創建用戶集內各用戶的用戶行為得到各用戶的用戶偏好資料，該用戶偏好資料為用戶行為指向的內容資訊的頻率分佈；資訊推薦模組，還用於將待推薦用戶的用戶偏好資料與該規則集進行匹配，根據匹配成功的用戶偏好資料向待推薦用戶推薦內容資訊。包含規則集創建單元807的裝置將用戶的多種偏好結合起來，選擇最佳化的推薦方案進行內容資訊推薦，避免了傳統推薦方法根據所有的偏好毫無取捨的「全盤」推薦，增強了推薦效果，有效提高了交易成功率。
    以上所述僅為本申請的較佳實施例，並不用以限制本申請，凡在本申請的精神和原則之內，所作的任何修改、等同替換、改進等，均應包含在發明的保護範圍之內。
    801．．．統計模組
    802．．．判斷模組
    803．．．偏好分析模組
    8031．．．時段單元劃分子模組
    8032．．．偏好分析子模組
    8033．．．過濾子模組
    804．．．資訊推薦模組
    805．．．時間影響消除模組
    806．．．相似度計算模組
    807．．．規則集創建模組
    圖1為本申請的方法的實施例一的流程圖；
    圖2為本申請的方法的實施例二的流程圖；
    圖3為本申請的方法的實施例三的流程圖；
    圖4為本申請的方法的實施例四的流程圖；
    圖5為本申請的方法的實施例五的流程圖；
    圖6為本申請的方法的實施例六的內容資訊推薦的流程圖；
    圖7為本申請的方法的實施例七的內容資訊推薦的流程圖；
    圖8為本申請的裝置的實施例八的組成框圖。
    权利要求:
    Claims (15)
    [1] 一種基於用戶行為的電子商務資訊推薦方法，其特徵在於，該方法包括：統計預設時期內的用戶行為類型和各行為類型對應的用戶行為的頻率；判斷用戶行為類型數是否超過預設類型閾值，如果是，則保留小於等於預設類型閾值數的用戶行為類型；和/或，判斷各用戶行為的頻率是否超過預設頻率閾值，如果是，則將預設頻率閾值作為該用戶行為的頻率；根據上述處理後的用戶行為類型和用戶行為的頻率分析用戶行為指向的內容資訊，得到用戶偏好資料，該用戶偏好資料為各內容資訊的頻率分佈；利用該用戶偏好資料向用戶推薦內容資訊。
    [2] 根據申請專利範圍第1項所述的方法，其中，在分析用戶行為指向的內容資訊前，該方法還包括：對用戶行為進行時間影響消除處理，該處理步驟包括：對用戶行為賦予時間權重值，該時間權重值為越靠近預設時期結束時刻權重值越高，越靠近預設時期的起始時刻權重值越低。
    [3] 根據申請專利範圍第2項所述的方法，其中，該時間權重值按照下述公式得到：時間權重值=1/log(Doff)公式中Doff為用戶行為發生時刻到預設時期結束時刻的時間差。
    [4] 根據申請專利範圍第1項所述的方法，其中，在分析用戶行為指向的內容資訊前，該方法還包括：對內容資訊進行標準化處理，該處理步驟包括：根據標準產品單元和產業知識庫校正內容資訊。
    [5] 根據申請專利範圍第1項所述的方法，其中，該分析用戶行為指向的內容資訊得到用戶偏好資料的步驟包括：根據用戶行為的發生時間將處理後的用戶行為類型和用戶行為的頻率在預設時期內分成至少兩個時段單元；根據各時段單元內的用戶行為類型和用戶行為的頻率分析用戶行為指向的內容資訊，得到該時段單元的用戶偏好資料；根據各時段單元的用戶偏好資料過濾掉遷移性、突發性偏好資料以得到整個預設時期的用戶偏好資料。
    [6] 根據申請專利範圍第1項所述的方法，其中，該內容資訊包括產品資訊時，則該分析用戶行為指向的內容資訊得到用戶偏好資料的步驟包括：判斷產品標定價格是否在預設價格範圍內，如果否，則將產品價格設置在預設價格範圍內；和/或，判斷產品的所屬產業與提供該產品的供應商的註冊產業是否一致，如果否，則將該產品資訊濾除。
    [7] 根據申請專利範圍第1項所述的方法，其中，利用用戶偏好資料向用戶推薦內容資訊包括：選取預設數量的其他用戶組成參考用戶集，計算待推薦用戶與參考用戶集內各用戶的相似度，將相似度超過預設相似度閾值的用戶組成相似用戶集；分析相似用戶集內各用戶的用戶行為得到該相似用戶集的群體偏好資料，該群體偏好資料為用戶行為指向的內容資訊的頻率分佈；根據待推薦用戶的用戶偏好資料和該群體偏好資料向待推薦用戶推薦內容資訊。
    [8] 根據申請專利範圍第7項所述的方法，其中，該選取預設數量的其他用戶組成參考用戶集包括：判斷待推薦用戶的IP地址對應的地域與該用戶註冊的地域是否一致，如果是，則選取待推薦用戶註冊地域地的其他用戶組成參考用戶集；如果否，則選取待推薦用戶的IP位址對應的地域地的其他用戶組成參考用戶集。
    [9] 根據申請專利範圍第1項所述的方法，其中，利用用戶偏好資料向用戶推薦內容資訊包括：選取預設數量的用戶組成規則創建用戶集，分析該規則創建用戶集內各用戶的用戶行為得到各用戶的用戶偏好資料，根據各用戶的用戶偏好資料訓練得到規則集，該規則集為用以預測內容資訊推薦的各類用戶偏好的組合規則集；將待推薦用戶的用戶偏好資料與該規則集進行匹配，根據匹配成功的偏好資料向待推薦用戶推薦內容資訊。
    [10] 根據申請專利範圍第1項所述的方法，其中，當用戶行為類型數超過預設類型閾值時，保留的用戶行為類型包括：頻率小於等於預設頻率閾值的用戶行為對應的用戶行為類型。
    [11] 一種基於用戶行為的電子商務資訊推薦裝置，其特徵在於，該裝置包括：統計模組、判斷模組、偏好分析模組和資訊推薦模組，其中：該統計模組，用於統計預設時期內的用戶行為類型和各行為類型對應的用戶行為的頻率；該判斷模組，用於判斷用戶行為類型數是否超過預設類型閾值，如果是，則保留小於等於預設類型閾值數的用戶行為類型；和/或，判斷各用戶行為的頻率是否超過預設頻率閾值，如果是，則將預設頻率閾值作為該用戶行為的頻率；該偏好分析模組，用於根據上述處理後的用戶行為類型和用戶行為的頻率分析用戶行為指向的內容資訊，得到用戶偏好資料，該用戶偏好資料為各內容資訊的頻率分佈；該資訊推薦模組，用於利用用戶偏好資料向用戶推薦內容資訊。
    [12] 根據申請專利範圍第11項所述的裝置，其中，該裝置還包括時間影響消除模組，用於在分析用戶行為指向的內容資訊前，對用戶行為賦予時間權重值，該時間權重值為越靠近預設時期結束時刻權重值越高，越靠近預設時期起始時刻權重值越低。
    [13] 根據申請專利範圍第11項所述的裝置，其中，該偏好分析模組包括：時段單元劃分子模組、偏好分析子模組和過濾子模組，其中：該時段單元劃分子模組，用於根據用戶行為的發生時間將處理後的用戶行為類型和用戶行為的頻率在預設時期內劃分成至少兩個時段單元；該偏好分析子模組，用於根據各時段單元內的用戶行為類型和用戶行為的頻率分析用戶行為指向的內容資訊，得到該時段單元的用戶偏好資料；該過濾子模組，用於根據各時段單元的用戶偏好資料過濾掉遷移性、突發性偏好資料以得到整個預設時期的用戶偏好資料。
    [14] 根據申請專利範圍第11項所述的裝置，其中，該裝置還包括相似度計算模組，用於在選取預設數量的其他用戶組成參考用戶集後，計算待推薦用戶與參考用戶集內各用戶的相似度，將相似度超過預設相似度閾值的用戶組成相似用戶集；則：該偏好分析模組還用於分析相似用戶集內各用戶的用戶行為得到該相似用戶集的群體偏好資料，該群體偏好資料為用戶行為指向的內容資訊的頻率分佈；該資訊推薦模組，還用於根據待推薦用戶的用戶偏好資料和該群體偏好資料向待推薦用戶推薦內容資訊。
    [15] 根據申請專利範圍第11項所述的裝置，其中，該裝置還包括規則集創建模組，用於在選取預設數量的用戶組成規則創建用戶集，調用偏好分析模組分析該規則創建用戶集內各用戶的用戶行為得到各用戶的用戶偏好資料，根據各用戶的用戶偏好資料訓練得到規則集，該規則集為用以預測內容資訊推薦的各類用戶偏好的組合規則集，則：該偏好分析模組還用於分析規則創建用戶集內各用戶的用戶行為得到各用戶的用戶偏好資料；該資訊推薦模組，還用於將待推薦用戶的用戶偏好資料與該規則集進行匹配，根據匹配成功的用戶偏好資料向待推薦用戶推薦內容資訊。
    类似技术:
    公开号 | 公开日 | 专利标题
    TWI518614B|2016-01-21|Method and Device for E - commerce Information Based on User Behavior
    US11100466B2|2021-08-24|Social media profiling for one or more authors using one or more social media platforms
    US9781452B2|2017-10-03|Systems and methods for evaluating online videos
    US20160239918A1|2016-08-18|Systems and methods for presenting relevant data to users of a financial computer network
    US10452662B2|2019-10-22|Determining search result rankings based on trust level values associated with sellers
    US20070143278A1|2007-06-21|Context-based key phrase discovery and similarity measurement utilizing search engine query logs
    CN104866969A|2015-08-26|个人信用数据处理方法和装置
    US20130030950A1|2013-01-31|Providing social product recommendations
    US20110213839A1|2011-09-01|Collaborative content evaluation
    US20130275269A1|2013-10-17|Searching supplier information based on transaction platform
    US8392290B2|2013-03-05|Seller conversion factor to ranking score for presented item listings
    CN109711955B|2021-08-06|基于当前订单的差评预警方法、系统、黑名单库建立方法
    WO2017028735A1|2017-02-23|选择及推荐展示对象的方法及装置
    US20170323019A1|2017-11-09|Ranking information providers
    US20130031093A1|2013-01-31|Information processing system, information processing method, program, and non-transitory information storage medium
    US20170039196A1|2017-02-09|Computing system to evaluate sentiment of entities by processing data
    WO2016107455A1|2016-07-07|一种信息匹配处理方法和装置
    CN112734559A|2021-04-30|企业信用风险评价方法、装置及电子设备
    KR20190048007A|2019-05-09|증권 빅데이터기반 페어 트레이딩시스템 및 그 제어방법
    CN110941714A|2020-03-31|分类规则库构建方法、应用分类方法及装置
    JP2017076376A|2017-04-20|算出装置、算出方法および算出プログラム
    Li et al.2018|Effects of negative customer reviews on sales: Evidence based on text data mining
    JP2017076203A|2017-04-20|算出装置、算出方法および算出プログラム
    Zhou et al.2015|Correlation range query for effective recommendations
    Li et al.2020|Topic features in negative customer reviews: Evidence based on text data mining
    同族专利:
    公开号 | 公开日
    US9400995B2|2016-07-26|
    WO2013025813A3|2013-06-13|
    TWI518614B|2016-01-21|
    WO2013025813A2|2013-02-21|
    EP2745254A2|2014-06-25|
    US20150026001A1|2015-01-22|
    CN102956009A|2013-03-06|
    JP5662620B2|2015-02-04|
    EP2745254A4|2015-04-29|
    CN102956009B|2017-03-01|
    US20130046772A1|2013-02-21|
    JP2014522072A|2014-08-28|
    US8843484B2|2014-09-23|
    引用文献:
    公开号 | 申请日 | 公开日 | 申请人 | 专利标题
    CN108073667A|2016-11-11|2018-05-25|财团法人工业技术研究院|产生用户浏览属性的方法、以及非暂存计算机可读介质|
    CN110570244A|2019-09-04|2019-12-13|深圳创新奇智科技有限公司|一种基于异常用户识别的热销商品构建方法和系统|US5758257A|1994-11-29|1998-05-26|Herz; Frederick|System and method for scheduling broadcast of and access to video programs and other data using customer profiles|
    US6029195A|1994-11-29|2000-02-22|Herz; Frederick S. M.|System for customized electronic identification of desirable objects|
    US6092105A|1996-07-12|2000-07-18|Intraware, Inc.|System and method for vending retail software and other sets of information to end users|
    US5926822A|1996-09-06|1999-07-20|Financial Engineering Associates, Inc.|Transformation of real time data into times series and filtered real time data within a spreadsheet application|
    US6195657B1|1996-09-26|2001-02-27|Imana, Inc.|Software, method and apparatus for efficient categorization and recommendation of subjects according to multidimensional semantics|
    US6356879B2|1998-10-09|2002-03-12|International Business Machines Corporation|Content based method for product-peer filtering|
    US6606624B1|1999-08-13|2003-08-12|The Regents Of The University Of California|Apparatus and method for recommending to an individual selective information contained within a computer network|
    US6963867B2|1999-12-08|2005-11-08|A9.Com, Inc.|Search query processing to provide category-ranked presentation of search results|
    US6981040B1|1999-12-28|2005-12-27|Utopy, Inc.|Automatic, personalized online information and product services|
    JP2001236405A|2000-02-24|2001-08-31|Sumisho Computer Systems Corp|販売促進支援装置および方法、記録媒体|
    IL134943D0|2000-03-08|2001-05-20|Better T V Technologies Ltd|Method for personalizing information and services from various media sources|
    JP2001265767A|2000-03-17|2001-09-28|Toshiba Corp|販売支援システム、販売支援方法及び販売支援システムにおける販売支援プログラムを記録した記録媒体|
    JP4222712B2|2000-06-27|2009-02-12|シャープ株式会社|広告配信システム、第２利用者装置、およびサービス提供装置|
    JP2002063303A|2000-08-23|2002-02-28|Takayuki Oishi|格付情報を利用したオンライン・マーケティング・システム|
    US6587781B2|2000-08-28|2003-07-01|Estimotion, Inc.|Method and system for modeling and processing vehicular traffic data and information and applying thereof|
    JP2006012115A|2000-09-14|2006-01-12|Silver Egg Technology Kk|推奨情報提供方法、推奨情報送信システム、推奨情報送信装置及び記録媒体|
    JP3838014B2|2000-09-27|2006-10-25|日本電気株式会社|嗜好学習装置、嗜好学習システム、嗜好学習方法および記録媒体|
    US7089237B2|2001-01-26|2006-08-08|Google, Inc.|Interface and system for providing persistent contextual relevance for commerce activities in a networked environment|
    US7412202B2|2001-04-03|2008-08-12|Koninklijke Philips Electronics N.V.|Method and apparatus for generating recommendations based on user preferences and environmental characteristics|
    EP1265398A1|2001-06-08|2002-12-11|Hewlett Packard Company, a Delaware Corporation|Proces for personalizing a transaction through an internet or intranet network|
    US7181488B2|2001-06-29|2007-02-20|Claria Corporation|System, method and computer program product for presenting information to a user utilizing historical information about the user|
    US7133862B2|2001-08-13|2006-11-07|Xerox Corporation|System with user directed enrichment and import/export control|
    JP2003058672A|2001-08-17|2003-02-28|Yutaka Matsudo|店舗の評価情報提供システム|
    JP2003150835A|2001-11-14|2003-05-23|Just Syst Corp|商品推薦システム、方法及び装置、並びにプログラム|
    US7376714B1|2003-04-02|2008-05-20|Gerken David A|System and method for selectively acquiring and targeting online advertising based on user IP address|
    US7320020B2|2003-04-17|2008-01-15|The Go Daddy Group, Inc.|Mail server probability spam filter|
    US8352499B2|2003-06-02|2013-01-08|Google Inc.|Serving advertisements using user request information and user information|
    US7836051B1|2003-10-13|2010-11-16|Amazon Technologies, Inc.|Predictive analysis of browse activity data of users of a database access system in which items are arranged in a hierarchy|
    US20050096997A1|2003-10-31|2005-05-05|Vivek Jain|Targeting shoppers in an online shopping environment|
    US7606772B2|2003-11-28|2009-10-20|Manyworlds, Inc.|Adaptive social computing methods|
    US20050222987A1|2004-04-02|2005-10-06|Vadon Eric R|Automated detection of associations between search criteria and item categories based on collective analysis of user activity data|
    US20070203589A1|2005-04-08|2007-08-30|Manyworlds, Inc.|Adaptive Recombinant Process Methods|
    US8255413B2|2004-08-19|2012-08-28|Carhamm Ltd., Llc|Method and apparatus for responding to request for information-personalization|
    US20060069616A1|2004-09-30|2006-03-30|David Bau|Determining advertisements using user behavior information such as past navigation information|
    US8171022B2|2004-11-05|2012-05-01|Johnston Jeffrey M|Methods, systems, and computer program products for facilitating user interaction with customer relationship management, auction, and search engine software using conjoint analysis|
    FR2878670B1|2004-11-26|2007-04-20|Himanshu Sekhar|Procede d'amelioration d'ergonomie et vitesse d'acces a de l'information|
    US8095523B2|2004-12-29|2012-01-10|Baynote, Inc.|Method and apparatus for context-based content recommendation|
    US7676400B1|2005-06-03|2010-03-09|Versata Development Group, Inc.|Scoring recommendations and explanations with a probabilistic user model|
    US8019758B2|2005-06-21|2011-09-13|Microsoft Corporation|Generation of a blended classification model|
    US20070061195A1|2005-09-13|2007-03-15|Yahoo! Inc.|Framework for selecting and delivering advertisements over a network based on combined short-term and long-term user behavioral interests|
    US7702318B2|2005-09-14|2010-04-20|Jumptap, Inc.|Presentation of sponsored content based on mobile transaction event|
    US8311888B2|2005-09-14|2012-11-13|Jumptap, Inc.|Revenue models associated with syndication of a behavioral profile using a monetization platform|
    JP2007094738A|2005-09-28|2007-04-12|Sony Corp|嗜好情報処理システム、記録装置及び情報処理装置、並びに通信方法|
    JP2007140841A|2005-11-17|2007-06-07|Tokyo Servey Research Inc|情報処理装置及びその制御方法|
    US7835998B2|2006-03-06|2010-11-16|Veveo, Inc.|Methods and systems for selecting and presenting content on a first system based on user preferences learned on a second system|
    US8438170B2|2006-03-29|2013-05-07|Yahoo! Inc.|Behavioral targeting system that generates user profiles for target objectives|
    JP2007286803A|2006-04-14|2007-11-01|Nippon Telegr & Teleph Corp <Ntt>|広告配信管理装置、広告配信管理方法、広告配信管理プログラム|
    US8924269B2|2006-05-13|2014-12-30|Sap Ag|Consistent set of interfaces derived from a business object model|
    JP2007318364A|2006-05-24|2007-12-06|Sharp Corp|番組推薦装置、番組推薦方法、そのプログラムおよびコンピュータ読取可能な記録媒体|
    US20080004884A1|2006-06-29|2008-01-03|Microsoft Corporation|Employment of offline behavior to display online content|
    US9003056B2|2006-07-11|2015-04-07|Napo Enterprises, Llc|Maintaining a minimum level of real time media recommendations in the absence of online friends|
    WO2008019007A2|2006-08-04|2008-02-14|Thefind, Inc.|Method for relevancy ranking of products in online shopping|
    AU2007314921A1|2006-11-02|2008-05-08|Intellectual Property Bank Corp.|Patent evaluating device|
    KR20100051767A|2006-12-22|2010-05-18|폼 유케이, 인코포레이티드|클라이언트 네트워크 활동 채널링 시스템 및 방법|
    US8166058B2|2006-12-28|2012-04-24|Yahoo! Inc.|Identifying interest twins in an online community|
    US20080189169A1|2007-02-01|2008-08-07|Enliven Marketing Technologies Corporation|System and method for implementing advertising in an online social network|
    US9405830B2|2007-02-28|2016-08-02|Aol Inc.|Personalization techniques using image clouds|
    JP2008305037A|2007-06-06|2008-12-18|Fuji Xerox Co Ltd|顧客支援システム|
    CN101079064B|2007-06-25|2011-11-30|腾讯科技（深圳）有限公司|一种网页排序方法及装置|
    US8380563B2|2007-06-28|2013-02-19|Google Inc.|Using previous user search query to target advertisements|
    US20090125719A1|2007-08-02|2009-05-14|William Cochran|Methods of ensuring legitimate pay-per-click advertising|
    JP5224748B2|2007-08-27|2013-07-03|任天堂株式会社|情報処理装置、情報処理システム、情報処理プログラム、および情報処理方法|
    US20090106221A1|2007-10-18|2009-04-23|Microsoft Corporation|Ranking and Providing Search Results Based In Part On A Number Of Click-Through Features|
    US8271878B2|2007-12-28|2012-09-18|Amazon Technologies, Inc.|Behavior-based selection of items to present on affiliate sites|
    JP4945490B2|2008-03-24|2012-06-06|ヤフー株式会社|不正検出装置および不正検出方法|
    US9916611B2|2008-04-01|2018-03-13|Certona Corporation|System and method for collecting and targeting visitor behavior|
    US8645409B1|2008-04-02|2014-02-04|Google Inc.|Contextual search term evaluation|
    US9495275B2|2008-04-29|2016-11-15|International Business Machines Corporation|System and computer program product for deriving intelligence from activity logs|
    US8731995B2|2008-05-12|2014-05-20|Microsoft Corporation|Ranking products by mining comparison sentiment|
    CN101334783A|2008-05-20|2008-12-31|上海大学|基于语义矩阵的网络用户行为个性化的表达方法|
    US9646025B2|2008-05-27|2017-05-09|Qualcomm Incorporated|Method and apparatus for aggregating and presenting data associated with geographic locations|
    CN101324948B|2008-07-24|2015-11-25|阿里巴巴集团控股有限公司|一种信息推荐的方法及装置|
    US8538809B2|2008-09-29|2013-09-17|Yahoo! Inc.|Estimating on-line advertising inventory value based on contract eligibility information|
    JP2010108082A|2008-10-28|2010-05-13|Brother Ind Ltd|コンテンツ分散保存システム、コンテンツ保存方法、ノード装置、及びノード処理プログラム|
    US8271413B2|2008-11-25|2012-09-18|Google Inc.|Providing digital content based on expected user behavior|
    JP5277996B2|2009-01-29|2013-08-28|富士通株式会社|解析装置、解析方法及び解析方法のプログラム|
    US8176043B2|2009-03-12|2012-05-08|Comcast Interactive Media, Llc|Ranking search results|
    CN101515360A|2009-04-13|2009-08-26|阿里巴巴集团控股有限公司|向用户推荐网络目标信息的方法和服务器|
    CN101887437B|2009-05-12|2016-03-30|阿里巴巴集团控股有限公司|一种搜索结果生成方法及信息搜索系统|
    US8234147B2|2009-05-15|2012-07-31|Microsoft Corporation|Multi-variable product rank|
    US8122031B1|2009-06-11|2012-02-21|Google Inc.|User label and user category based content classification|
    US20100332304A1|2009-06-29|2010-12-30|Higgins Chris W|Targeting in Cost-Per-Action Advertising|
    WO2011005072A2|2009-07-09|2011-01-13|Mimos Bhd.|Personalized shopping list recommendation based on shopping behavior|
    US9852193B2|2009-08-10|2017-12-26|Ebay Inc.|Probabilistic clustering of an item|
    CN101694659B|2009-10-20|2012-03-21|浙江大学|基于多主题追踪的个性化网络新闻推送方法|
    CN102110098B|2009-12-25|2016-04-13|腾讯科技（深圳）有限公司|网络信息推荐方法及系统|
    US8250145B2|2010-04-21|2012-08-21|Facebook, Inc.|Personalizing a web page outside of a social networking system with content from the social networking system|
    US8301514B1|2010-09-14|2012-10-30|Amazon Technologies, Inc.|System, method, and computer readable medium for providing recommendations based on purchase phrases|
    CN102682005A|2011-03-10|2012-09-19|阿里巴巴集团控股有限公司|偏好类目的确定方法及装置|
    US8600926B2|2011-03-29|2013-12-03|Manyworlds, Inc.|Integrated interest and expertise-based discovery system and method|
    US20120265595A1|2011-04-14|2012-10-18|Fiksu, Inc.|Mobile digital media download incentive management through multiple user action tracking|
    US8620764B2|2011-05-09|2013-12-31|Telefonaktiebolaget L M Ericsson |Method for providing a recommendation such as a personalized recommendation, recommender system, and computer program product comprising a recommender computer program|
    US8676937B2|2011-05-12|2014-03-18|Jeffrey Alan Rapaport|Social-topical adaptive networking system allowing for group based contextual transaction offers and acceptances and hot topic watchdogging|
    US8386457B2|2011-06-22|2013-02-26|International Business Machines Corporation|Using a dynamically-generated content-level newsworthiness rating to provide content recommendations|
    US8966392B2|2011-08-29|2015-02-24|Novell, Inc.|Event management apparatus, systems, and methods|
    CN103164804B|2011-12-16|2016-11-23|阿里巴巴集团控股有限公司|一种个性化的信息推送方法及装置|US10805102B2|2010-05-21|2020-10-13|Comcast Cable Communications, Llc|Content recommendation system|
    US20130089847A1|2011-10-11|2013-04-11|John Allen Baker|SYSTEMS AND METHODS FOR MONITORING eLEARNING SYSTEM DATA AND GENERATING RECOMMENDATIONS|
    CN103078881B|2011-10-26|2016-05-11|腾讯科技（深圳）有限公司|网络资源下载信息的分享控制系统和方法|
    WO2013063718A1|2011-11-01|2013-05-10|Yahoo! Inc.|Method or system for recommending personalized content|
    US8868565B1|2012-10-30|2014-10-21|Google Inc.|Calibrating click duration according to context|
    JP6005482B2|2012-11-05|2016-10-12|株式会社東芝|サーバ装置、解析方法及びプログラム|
    CN103198418A|2013-03-15|2013-07-10|北京亿赞普网络技术有限公司|一种应用推荐方法和系统|
    CN104391843A|2013-08-19|2015-03-04|捷达世软件（深圳）有限公司|文件推荐系统及方法|
    CN104423945B|2013-08-30|2018-10-12|联想有限公司|一种信息处理方法及电子设备|
    US20150081469A1|2013-09-17|2015-03-19|International Business Machines Corporation|Assisting buying decisions using customer behavior analysis|
    CN104518887B|2013-09-27|2018-12-21|中国联合网络通信集团有限公司|一种套餐推荐方法及装置|
    KR102268052B1|2013-11-11|2021-06-22|삼성전자주식회사|디스플레이 장치, 서버 장치 및 그 제어 방법|
    US20150149390A1|2013-11-25|2015-05-28|Palo Alto Research Center Incorporated|Method and system for creating an intelligent digital self representation|
    US20150178282A1|2013-12-23|2015-06-25|Yahoo! Inc.|Fast and dynamic targeting of users with engaging content|
    CN103731738A|2014-01-23|2014-04-16|哈尔滨理工大学|基于用户群组行为分析的视频推荐方法及装置|
    CN104866474B|2014-02-20|2018-10-09|阿里巴巴集团控股有限公司|个性化数据搜索方法及装置|
    CN104915354B|2014-03-12|2020-01-10|深圳市腾讯计算机系统有限公司|多媒体文件推送方法及装置|
    CN104933081B|2014-03-21|2018-06-29|阿里巴巴集团控股有限公司|一种搜索建议提供方法及装置|
    CN104951465B|2014-03-28|2020-02-14|腾讯科技（深圳）有限公司|应用推荐方法及装置|
    US9697214B2|2014-04-18|2017-07-04|Melephant Inc.|Device and method for managing lifespan of content, and system using the same|
    CN105095231A|2014-04-29|2015-11-25|阿里巴巴集团控股有限公司|一种呈现搜索结果的方法和装置|
    CN105100165B|2014-05-20|2017-11-14|深圳市腾讯计算机系统有限公司|网络服务推荐方法和装置|
    EP2958332A1|2014-06-16|2015-12-23|Vodafone IP Licensing limited|Method and system for updating a list of recommended items|
    EP2958333A1|2014-06-16|2015-12-23|Vodafone IP Licensing limited|Method and system for dynamically changing recommended items|
    US10776414B2|2014-06-20|2020-09-15|Comcast Cable Communications, Llc|Dynamic content recommendations|
    CN104133837B|2014-06-24|2017-10-31|上海交通大学|一种基于分布式计算的互联网信息投放渠道优化系统|
    US10042936B1|2014-07-11|2018-08-07|Google Llc|Frequency-based content analysis|
    CN105243070B|2014-07-11|2020-02-14|华为技术有限公司|数据的可视化方法和装置|
    CN105321089A|2014-07-16|2016-02-10|苏宁云商集团股份有限公司|基于多算法融合的电子商务推荐方法和系统|
    CN104317790A|2014-07-22|2015-01-28|翔傲信息科技有限公司|一种基于大数据的用户行为的控制方法及系统|
    CN105468598B|2014-08-18|2020-05-08|大连民族学院|好友推荐方法及装置|
    CN104268217B|2014-09-25|2017-08-01|张文铸|一种用户行为时间相关性的确定方法及装置|
    CN104331817B|2014-10-29|2018-09-28|深圳先进技术研究院|电子商务推荐模型的用户特征提取方法及系统|
    CN104408641B|2014-10-29|2018-02-06|深圳先进技术研究院|电子商务推荐模型的品牌特征提取方法及系统|
    CN105740268B|2014-12-10|2019-04-09|阿里巴巴集团控股有限公司|一种信息推送方法和装置|
    CN104506894A|2014-12-22|2015-04-08|合一网络技术有限公司|多媒体资源评估方法及其装置|
    US10816944B2|2015-01-06|2020-10-27|Afero, Inc.|System and method for using data collected from internet-of-thingssensors to disable IoT-enabled home devices|
    US9774507B2|2015-01-06|2017-09-26|Afero, Inc.|System and method for collecting and utilizing user behavior data within an IoT system|
    US9860681B2|2015-01-06|2018-01-02|Afero, Inc.|System and method for selecting a cell carrier to connect an IOT hub|
    US9774497B2|2015-01-06|2017-09-26|Afero, Inc.|System and method for implementing internet of thingsremote control applications|
    US9729340B2|2015-01-06|2017-08-08|Afero, Inc.|System and method for notifying a user of conditions associated with an internet-of-thingshub|
    US9933768B2|2015-01-06|2018-04-03|Afero, Inc.|System and method for implementing internet of thingsremote control applications|
    AU2016202287B2|2015-01-13|2021-04-01|Delos Living Llc|Systems, methods and articles for monitoring and enhancing human wellness|
    GB2550523A|2015-02-02|2017-11-22|Beijing Didi Infinity Tech And Dev Co Ltd|Methods and systems for order processing|
    CN104732424A|2015-03-24|2015-06-24|郑州悉知信息技术有限公司|一种业务数据处理方法及装置|
    CN104794207B|2015-04-23|2018-04-10|山东大学|一种基于协作的推荐系统及其工作方法|
    CN106302568B|2015-05-13|2019-05-24|厦门美柚信息科技有限公司|一种用户行为评价方法、装置及系统|
    US10817793B1|2015-05-21|2020-10-27|dopl inc.|User-tailored recommendations|
    US10592956B2|2015-05-22|2020-03-17|Mastercard International Incorporated|Adaptive recommendation system and methods|
    CN106296252B|2015-06-04|2021-12-21|阿里巴巴集团控股有限公司|用户推荐方法及装置|
    US11137870B2|2015-08-11|2021-10-05|Ebay Inc.|Adjusting an interface based on a cognitive mode|
    US10362978B2|2015-08-28|2019-07-30|Comcast Cable Communications, Llc|Computational model for mood|
    RU2632131C2|2015-08-28|2017-10-02|Общество С Ограниченной Ответственностью "Яндекс"|Способ и устройство для создания рекомендуемого списка содержимого|
    CN105138664B|2015-09-02|2019-03-22|中国地质大学（武汉）|一种隐私保护的大数据推荐方法及系统|
    US20170085677A1|2015-09-18|2017-03-23|Quixey, Inc.|Recommending Applications|
    RU2632100C2|2015-09-28|2017-10-02|Общество С Ограниченной Ответственностью "Яндекс"|Способ и сервер создания рекомендованного набора элементов|
    RU2629638C2|2015-09-28|2017-08-30|Общество С Ограниченной Ответственностью "Яндекс"|Способ и сервер создания рекомендуемого набора элементов для пользователя|
    CN106570008B|2015-10-09|2020-03-27|阿里巴巴集团控股有限公司|推荐方法及装置|
    US10623371B2|2015-12-01|2020-04-14|Cisco Technology, Inc.|Providing network behavior visibility based on events logged by network security devices|
    CN106708282B|2015-12-02|2019-03-19|北京搜狗科技发展有限公司|一种推荐方法和装置、一种用于推荐的装置|
    CN105512914B|2015-12-09|2021-07-16|联想有限公司|一种信息处理方法及电子设备|
    CN105550312B|2015-12-14|2020-10-13|东软集团股份有限公司|一种上下文信息处理方法及装置|
    JP6872851B2|2016-01-14|2021-05-19|ヤフー株式会社|情報選択装置、情報選択方法および情報選択プログラム|
    CN105677910A|2016-02-26|2016-06-15|中国银联股份有限公司|智能推荐方法及系统|
    US11074274B2|2016-05-03|2021-07-27|Affinio Inc.|Large scale social graph segmentation|
    RU2632144C1|2016-05-12|2017-10-02|Общество С Ограниченной Ответственностью "Яндекс"|Компьютерный способ создания интерфейса рекомендации контента|
    CN106056407A|2016-06-03|2016-10-26|北京网智天元科技股份有限公司|基于用户行为分析的网银用户画像方法及设备|
    US10182055B2|2016-06-06|2019-01-15|Cisco Technology, Inc.|Security policy efficacy visualization|
    CN106126592B|2016-06-20|2021-09-14|北京小米移动软件有限公司|搜索数据的处理方法及装置|
    CN107526750B|2016-06-22|2020-12-04|阿里巴巴集团控股有限公司|一种差异设置效果的确定方法及装置|
    US10628522B2|2016-06-27|2020-04-21|International Business Machines Corporation|Creating rules and dictionaries in a cyclical pattern matching process|
    RU2632132C1|2016-07-07|2017-10-02|Общество С Ограниченной Ответственностью "Яндекс"|Способ и устройство для создания рекомендаций содержимого в системе рекомендаций|
    RU2636702C1|2016-07-07|2017-11-27|Общество С Ограниченной Ответственностью "Яндекс"|Способ и устройство для выбора сетевого ресурса в качестве источника содержимого для системы рекомендаций|
    US11030673B2|2016-07-28|2021-06-08|International Business Machines Corporation|Using learned application flow to assist users in network business transaction based apps|
    US11222270B2|2016-07-28|2022-01-11|International Business Machiness Corporation|Using learned application flow to predict outcomes and identify trouble spots in network business transactions|
    CN106339897B|2016-08-18|2020-02-21|腾讯科技（深圳）有限公司|确定投放策略的方法及装置|
    US10210283B2|2016-09-28|2019-02-19|International Business Machines Corporation|Accessibility detection and resolution|
    USD882600S1|2017-01-13|2020-04-28|Yandex Europe Ag|Display screen with graphical user interface|
    US10725619B1|2017-02-03|2020-07-28|T-Mobile Usa, Inc.|Behavior-influenced content access/navigation menus|
    US10609453B2|2017-02-21|2020-03-31|The Directv Group, Inc.|Customized recommendations of multimedia content streams|
    CN107153907A|2017-03-22|2017-09-12|华为技术有限公司|一种评估视频业务的潜在用户的方法及相关装置|
    KR20190134664A|2017-04-06|2019-12-04|인스케이프 데이터, 인코포레이티드|미디어 시청 데이터를 사용하여 디바이스 맵의 정확도를 향상시키는 시스템 및 방법|
    CN107341208B|2017-06-26|2020-10-30|广州华多网络科技有限公司|一种内容推荐方法及装置|
    CN107317974B|2017-08-23|2020-02-21|三星电子（中国）研发中心|一种美妆拍照方法和装置|
    CN107784066A|2017-08-25|2018-03-09|上海壹账通金融科技有限公司|信息推荐方法、装置、服务器及存储介质|
    CN109426977A|2017-08-28|2019-03-05|北京嘀嘀无限科技发展有限公司|一种信息处理方法、信息处理系统及计算机装置|
    CN107862022B|2017-10-31|2020-12-11|中国科学院自动化研究所|文化资源推荐系统|
    KR20190101585A|2018-02-23|2019-09-02|삼성전자주식회사|디스플레이 장치 및 IoT 기반 선호도 확인 방법|
    CN108416625A|2018-02-28|2018-08-17|阿里巴巴集团控股有限公司|营销产品的推荐方法和装置|
    CN110309412A|2018-03-15|2019-10-08|阿里巴巴集团控股有限公司|提供服饰搭配信息的方法、装置及电子设备|
    CN108596647B|2018-03-16|2021-12-17|北京奇艺世纪科技有限公司|一种广告投放方法、装置及电子设备|
    CN108763278B|2018-04-11|2021-01-01|口碑信息技术有限公司|用户特征标签的统计方法以及装置|
    CN108876517A|2018-05-31|2018-11-23|周国俊|基于人工智能的用户喜好分析方法及系统|
    CN108846055B|2018-05-31|2021-08-24|北京五八信息技术有限公司|搜索处理方法、装置、电子设备及可读存储介质|
    CN109062396B|2018-07-24|2020-01-21|百度在线网络技术（北京）有限公司|用于控制设备的方法和装置|
    CN109214923A|2018-08-02|2019-01-15|阿里巴巴集团控股有限公司|一种理财任务生成方法和装置|
    RU2714594C1|2018-09-14|2020-02-18|Общество С Ограниченной Ответственностью "Яндекс"|Способ и система определения параметра релевантность для элементов содержимого|
    RU2731335C2|2018-10-09|2020-09-01|Общество С Ограниченной Ответственностью "Яндекс"|Способ и система для формирования рекомендаций цифрового контента|
    CN109558535B|2018-11-05|2020-08-07|重庆中科云从科技有限公司|基于人脸识别的个性化推送物品的方法及系统|
    RU2739520C1|2018-12-13|2020-12-25|Общество С Ограниченной Ответственностью "Яндекс"|Способ и система для селективного представления блока рекомендаций в браузерном приложении|
    RU2746848C1|2018-12-13|2021-04-21|Общество С Ограниченной Ответственностью "Яндекс"|Способ и система для определения следующего состояния блока рекомендации для отображения в веб-браузере|
    CN109919719A|2019-02-22|2019-06-21|掌阅科技股份有限公司|信息推送方法、计算设备及计算机存储介质|
    CN110516151A|2019-08-27|2019-11-29|咪咕文化科技有限公司|有效行为检测和个性化推荐方法|
    US11184672B2|2019-11-04|2021-11-23|Comcast Cable Communications, Llc|Synchronizing content progress|
    US11113746B1|2020-04-22|2021-09-07|International Business Machines Corporation|Method, medium, and system for automated product identification|
    法律状态:
    优先权:
    申请号 | 申请日 | 专利标题
    CN201110235267.5A|CN102956009B|2011-08-16|2011-08-16|一种基于用户行为的电子商务信息推荐方法与装置|
    [返回顶部]