商品推荐

摘要： 用户画像主要指给用户打标签,即用户属性标签化。企业通过收集与分析消费者社会属性、生活习惯、消费行为等主要信息的数据之后,完美地抽象出一个用户的商业全貌。主要围绕大数据应用分析技术框架(数据采集、数据存储、数据处理、大数据分析技术)展开阐述,进行基于大数据仓库的应用分析研究。

摘要： 上海作为中国的经济中心,又是国内极为重要的黄金珠宝零售市场之一,在2021年“五一”“十一”双节的驱动下,其黄金珠宝市场已完全摆脱新冠肺炎疫情造成的阴霾,并且展现了超越疫情之前的消费水平。另一方面,随着上海“优选经营店”“上海礼物”商品推荐与《黄金回收点经营服务规范》等有利活动的幵展,上海正进一步规范黄金饰品经营服务,加快建设成为国际消费城市。

摘要： 基于异构信息网络嵌入的推荐技术能够有效地捕捉网络中的结构信息,从而提升推荐性能.然而现有的基于异构信息网络嵌入的推荐技术不仅忽略了节点的属性信息与节点间多种类型的边关系,还忽略了节点不同的属性信息对推荐结果不同的影响.为了解决上述问题,提出一个自注意力机制的属性异构信息网络嵌入的商品推荐(attributed heterogeneous information network embedding with self-attention mechanism for product recommendation, AHNER)框架.该框架利用属性异构信息网络嵌入学习用户与商品统一、低维的嵌入表示,并在学习节点嵌入表示时,考虑到不同属性信息对推荐结果的影响不同和不同边关系反映用户对商品不同程度的偏好,引入自注意力机制挖掘节点属性信息与不同边类型所蕴含的潜在信息并学习属性嵌入表示.与此同时,为了克服传统点积方法作为匹配函数的局限性,该框架还利用深度神经网络学习更有效的匹配函数解决推荐问题.AHNER在3个公开数据集上进行大量的实验评估性能,实验结果表明AHNER的可行性与有效性.

摘要： 针对个性化协同过滤推荐方法对商品推荐的准确率不高的问题,提出一种考虑用户兴趣的协同滤波推荐方法。该方法的采用商品属性相似性、用户交互相似性和评分相似性联合特征提取用户兴趣相似性,并引入Logistic函数反映用户兴趣变化的时效性。实验结果表明,该方法在准确率、召回率和平均绝对误差指标上对数据集的综合推荐和单一品牌推荐性能均优于常用方法。

摘要： 近年来,各国企业及科研机构对基于社交网络的商品推荐相关技术的重视程度越来越高,因此,对该领域相关的专利数据进行分析,有利于创新主体了解该领域的专利申请和保护现状,有利于围绕该领域专利申请做好专利布局,为产业运行决策提供依据.本文基于德温特数据库,提取出发明内容涉及基于社交网络的商品推荐相关技术的专利数据,以此分别进行专利申请量发展趋势分析、申请公开(或公告)的国家或地区分布分析、主要申请人分布分析、申请主要涉及技术内容分布分析,并根据上述分析结果,提出我国企业和科研机构在进行技术研发及实施相关商业活动时需要注意的几个方面.

摘要： 与传统电商平台用户的购物特点有所不同,新零售平台的用户购买商品具有重复率高、购买周期短的特点,覆盖衣食住行各个方面,很多属于快销品。构建一个基于新零售电商平台的商品重构推荐系统,对用户的周期性购买行为进行分析预测,有利于提高用户购物体验,增加平台盈利。目前基于大数据的数据挖掘应用方面很多,近些年,深度学习在数据挖掘方面展露头角,深度学习具有多隐层的多层感知器,通过由低层到高层的属性特征分析来发现数据的分布式特征,这对商品推荐系统中分析用户行为具有传统分析方式所不具有的优势。

摘要： 与传统电商平台用户的购物特点有所不同,新零售平台的用户购买商品具有重复率高、购买周期短的特点,覆盖衣食住行各个方面,很多属于快销品.构建一个基于新零售电商平台的商品重构推荐系统,对用户的周期性购买行为进行分析预测,有利于提高用户购物体验,增加平台盈利.目前基于大数据的数据挖掘应用方面很多,近些年,深度学习在数据挖掘方面展露头角,深度学习具有多隐层的多层感知器,通过由低层到高层的属性特征分析来发现数据的分布式特征,这对商品推荐系统中分析用户行为具有传统分析方式所不具有的优势.

摘要： 针对推荐系统广泛采用的协同过滤算法存在的稀疏性和冷启动问题,提出了一种基于深度神经网络和动态协同滤波的推荐模型.该模型采用预训练BERT模型结合双向GRU从用户和商品评论中提取隐含特征向量,利用耦合CNN构建评分预测矩阵,通过动态协同滤波融入用户兴趣变化的时间特征.在亚马逊公开数据集上进行实验,结果表明该模型提高了商品评分预测的准确性.

摘要： 对比现在主流的社区电商系统,不难发现目前的社区电商仍然属于传统电商:服务没有针对性,服务功能不完善,仅从交易的角度构建系统,满足社区居民购买日用品的消费需求.本文的研究目的是从情景敏感服务角度,构建新型的社区电商服务系统模型,优化移动服务用户体验,推动社区电商的发展.

摘要： 针对现有协同过滤方法对用户与商品的潜在信息挖掘不全面的问题,提出了一种基于多特征融合和外积神经协同过滤的个性化商品推荐方法.该方法分别采用多层感知器和卷积神经网络提取用户与商品之间的交互关系矩阵,充分利用拼接方法和外积运算的互补性,提高了对用户与商品关系的表征能力.利用外积神经协同过滤模型提升模型稳定性和拓展性.亚马逊公开数据集的测试结果表明,与原有单一特征的推荐模型相比,多特征融合能够有效提高商品评分预测性能,且推荐性能优于现有协同过滤方法.

摘要： 本文介绍随着互联网的飞速发展,人们越来越倾向于在线购物,传统企业也越来越寻求向电子商务转型,而在电子商务的商品推荐系统中,为了给用户提供个性化的商品推荐,不少研究者提出了各自的推荐方法.但是由于各种原因,现有的算法存在各种各样的缺点,如推荐精准度不高,时间复杂度高等,针对这些问题,本文提出了一种基于标签传播算法(LPA)和用户历史购买数据的个性化商品推荐算法.算法首先根据目标用户和全站其他用户之间的相似度,利用改进的标签传播算法对用户进行标记,继而将具有相似标签的用户划分为一类并将同一类别的其他用户感兴趣的商品推荐给目标用户.实验表明,本文提出的算法时间复杂度要低于其他对比算法,推荐准确率要高于其他对比算法.

摘要： 电子商务系统中对个性化商品推荐的需求与日俱增,综合不同推荐方法形成商品推荐方案是解决这一问题的重要方法。本文探讨了电子商务商品推荐方案的设计方向,结合具体电子商务网站的要求,阐述了一种自动化的电子商务商品推荐方案。该方案通过计算新老客户的相似程度,结合老客户的行为规律,自动计算出新客户的推荐商品列表,并随着新客户在电子商务系统中行为的发生,修改其推荐商品列表,达到动态的自动化个性化推荐的目的。

摘要： 为提高电子商务推荐系统的性能，提高顾客对推荐的商品的认可程度并实现电子商务推荐系统的快速应答，本文提出了基于案例推理与人工免疫机理的电子商务推荐系统的实施框架。在电子商务推荐系统的学习子系统中，分析了人工免疫算法的内在机理，研究了抗体的编码机制、抗原识别、抗体初始种群生成、亲和力计算、克隆选择、种群更新等人工免疫算法的实现环节，介绍了案例推理中的案例表达、案例匹配、案例调整与案例维护等主要环节的实现。

摘要： 为提高电子商务推荐系统的性能，提高顾客对推荐的商品的认可程度并实现电子商务推荐系统的快速应答，本文提出了基于案例推理与人工免疫机理的电子商务推荐系统的实施框架。在电子商务推荐系统的学习子系统中，分析了人工免疫算法的内在机理，研究了抗体的编码机制、抗原识别、抗体初始种群生成、亲和力计算、克隆选择、种群更新等人工免疫算法的实现环节，介绍了案例推理中的案例表达、案例匹配、案例调整与案例维护等主要环节的实现。

摘要： 为提高电子商务推荐系统的性能，提高顾客对推荐的商品的认可程度并实现电子商务推荐系统的快速应答，本文提出了基于案例推理与人工免疫机理的电子商务推荐系统的实施框架。在电子商务推荐系统的学习子系统中，分析了人工免疫算法的内在机理，研究了抗体的编码机制、抗原识别、抗体初始种群生成、亲和力计算、克隆选择、种群更新等人工免疫算法的实现环节，介绍了案例推理中的案例表达、案例匹配、案例调整与案例维护等主要环节的实现。

摘要： 为提高电子商务推荐系统的性能，提高顾客对推荐的商品的认可程度并实现电子商务推荐系统的快速应答，本文提出了基于案例推理与人工免疫机理的电子商务推荐系统的实施框架。在电子商务推荐系统的学习子系统中，分析了人工免疫算法的内在机理，研究了抗体的编码机制、抗原识别、抗体初始种群生成、亲和力计算、克隆选择、种群更新等人工免疫算法的实现环节，介绍了案例推理中的案例表达、案例匹配、案例调整与案例维护等主要环节的实现。

摘要： 本文利用用户产品二部分图中度量同类节点相似性德的加权映射方法，研究了用户的兴趣对基于物质扩散的个性化推荐算法的影响并提出了相应的改进算法，其中用户的兴趣定义为用户所选择过产品的平均度。该算法中在推荐过程中假设用户收集产品被赋予的推荐强度应由用户的兴趣点和产品自身的度一起决定。数值实验结果显示该算法可以提高原物质扩散算法的准确度。进一步，我们发现当数据集稀疏的时候，算法应该赋予与用户兴趣点相近的产品更大的推荐强度，随着数据集变得越来越稠密，应该赋予用户的兴趣点外的其它产品更多的权重以提高算法的准确度和推荐列表差异性。

摘要： 本文利用用户产品二部分图中度量同类节点相似性德的加权映射方法，研究了用户的兴趣对基于物质扩散的个性化推荐算法的影响并提出了相应的改进算法，其中用户的兴趣定义为用户所选择过产品的平均度。该算法中在推荐过程中假设用户收集产品被赋予的推荐强度应由用户的兴趣点和产品自身的度一起决定。数值实验结果显示该算法可以提高原物质扩散算法的准确度。进一步，我们发现当数据集稀疏的时候，算法应该赋予与用户兴趣点相近的产品更大的推荐强度，随着数据集变得越来越稠密，应该赋予用户的兴趣点外的其它产品更多的权重以提高算法的准确度和推荐列表差异性。

摘要： 本文利用用户产品二部分图中度量同类节点相似性德的加权映射方法，研究了用户的兴趣对基于物质扩散的个性化推荐算法的影响并提出了相应的改进算法，其中用户的兴趣定义为用户所选择过产品的平均度。该算法中在推荐过程中假设用户收集产品被赋予的推荐强度应由用户的兴趣点和产品自身的度一起决定。数值实验结果显示该算法可以提高原物质扩散算法的准确度。进一步，我们发现当数据集稀疏的时候，算法应该赋予与用户兴趣点相近的产品更大的推荐强度，随着数据集变得越来越稠密，应该赋予用户的兴趣点外的其它产品更多的权重以提高算法的准确度和推荐列表差异性。

摘要： 本文利用用户产品二部分图中度量同类节点相似性德的加权映射方法，研究了用户的兴趣对基于物质扩散的个性化推荐算法的影响并提出了相应的改进算法，其中用户的兴趣定义为用户所选择过产品的平均度。该算法中在推荐过程中假设用户收集产品被赋予的推荐强度应由用户的兴趣点和产品自身的度一起决定。数值实验结果显示该算法可以提高原物质扩散算法的准确度。进一步，我们发现当数据集稀疏的时候，算法应该赋予与用户兴趣点相近的产品更大的推荐强度，随着数据集变得越来越稠密，应该赋予用户的兴趣点外的其它产品更多的权重以提高算法的准确度和推荐列表差异性。

摘要： 本发明提供一种商品推荐方法、商品推荐服务器以及商品推荐终端，该商品推荐方法包括：接收查询客户端的识别码查询请求，并根据与识别码查询请求对应的识别码，判断商品信息数据库中是否存储相应的商品信息；如商品信息数据库中未存储相应的商品信息，则根据识别码，获取商品的厂商信息；根据商品的厂商信息，获取厂商的其他商品的商品信息；以及将厂商的其他商品的商品信息推荐给查询客户端。本发明还提供一种商品推荐服务器以及商品推荐终端。本发明的商品推荐方法、商品推荐服务器以及商品推荐终端根据商品的识别码进行其他商品的推荐，提高了商品推荐的效率。

摘要： 本发明涉及商品推荐技术领域，特别是涉及一种商品推荐方法及其装置、服务器、商品推荐系统。方法包括：接收各类不同推荐因子对应的参数；根据各类不同推荐因子对应的参数，生成商品推荐列表；根据商品推荐列表，推荐商品；获取推荐商品的转化率；根据推荐商品的转化率，优化每个推荐因子的参数，并将优化后的每个所述推荐因子的参数作为新参数。一方面，由于推荐因子的参数可根据推荐商品的转化率，不断地优化，以便进化出较优参数以及根据较优参数再次推荐商品，以此适应持续变化的用户消费行为。另一方面，其是持续地遍历出比前一次推荐中更优参数，寻优过程是持续的，不间断的从理论到实践再到理论上循环地进化出更优参数。

摘要： 本发明提供一种商品推荐方法、商品推荐服务器以及商品推荐终端，该商品推荐方法包括：接收查询客户端的识别码查询请求，并根据与识别码查询请求对应的识别码，判断商品信息数据库中是否存储相应的商品信息；如商品信息数据库中未存储相应的商品信息，则根据识别码，获取商品的厂商信息；根据商品的厂商信息，获取厂商的其他商品的商品信息；以及将厂商的其他商品的商品信息推荐给查询客户端。本发明还提供一种商品推荐服务器以及商品推荐终端。本发明的商品推荐方法、商品推荐服务器以及商品推荐终端根据商品的识别码进行其他商品的推荐，提高了商品推荐的效率。

摘要： 本说明书公开了一种商品推荐模型的训练方法、商品推荐方法以及装置，获取各商品的特征信息以及用户的历史订单信息，确定各商品对应的特征向量，并确定所述用户对应的偏好特征向量。而后，将所述各商品对应的特征向量以及所述用户对应的偏好特征向量输入到待训练的商品推荐模型中，以依次确定至少一个推荐商品。最后，以最小化所述至少一个推荐商品与所述历史订单信息实际涉及的各商品的偏差为优化目标，对所述商品推荐模型进行训练，所述商品推荐模型用于对用户进行商品推荐。本方法通过各商品对应的特征向量以及用户对应的偏好特征向量，进行商品推荐模型的训练，避免重复推荐相同的商品以及推荐商品不合理的情况发生，提高用户体验。

摘要： 本发明提供了一种基于智能终端的商品推荐方法及商品推荐系统。所述商品推荐方法包括如下步骤：接收一欲购买商品的欲购买名称；根据所述欲购买商品的欲购买名称，判断所述欲购买商品的欲购买品类；于一预设目录中，为所述欲购买品类匹配一相应的预设商品品类；推荐一与所述预设商品品类关联的预设商品列表。所述商品推荐系统包括：接收模块、判断模块，匹配模块和推荐模块。本发明基于大数据对商品进行客观分析，为用户提供一种优化的购买方案，既能确保用户购买到优质产品，同时更能为用户节省购买时间，为用户带来一种更好的网上购买体验。

摘要： 本发明提供一种网上商城的商品推荐方法及商品推荐系统，所述包括网上商城平台以及商品推荐平台，所述网上商城平台包括身份认证模块、区块链模块、支付模块、用户中心和数据中心，所述商品推荐平台包括获取单元、定位单元、推荐单元以及定制单元，所述方法包括数据收集、数据定位、商品信息预处理、商品推荐以及商品定制，通过上述方式，可以根据用户的习惯结合商品信息完成商品的智能推荐，可以大大节省用户检索商品的时间。

摘要： 本公开提供了一种商品推荐方法，包括：获取第一用户的人脸图像；基于第一神经网络模型确定与所述人脸图像对应的用户属性；获取具有所述用户属性中任一用户属性的第一用户的购物行为数据；利用训练数据训练得到第二神经网络模型，其中，以具有所述任一用户属性的第一用户的购物行为数据作为所述训练数据，以所述任一用户属性作为所述训练数据的标签；获取第二用户的购物行为数据；基于所述第二神经网络模型确定与所述第二用户的购物行为数据对应的用户属性；以及基于与所述第二用户的购物行为数据对应的用户属性，向所述第二用户推送商品信息。本公开还提供了一种商品推荐装置、一种计算机设备以及一种计算机可读存储介质。

摘要： 本发明涉及商品推荐技术领域，特别是涉及一种商品推荐方法及其装置、服务器、商品推荐系统。方法包括：接收各类不同推荐因子对应的参数；根据各类不同推荐因子对应的参数，生成商品推荐列表；根据商品推荐列表，推荐商品；获取推荐商品的转化率；根据推荐商品的转化率，优化每个推荐因子的参数，并将优化后的每个所述推荐因子的参数作为新参数。一方面，由于推荐因子的参数可根据推荐商品的转化率，不断地优化，以便进化出较优参数以及根据较优参数再次推荐商品，以此适应持续变化的用户消费行为。另一方面，其是持续地遍历出比前一次推荐中更优参数，寻优过程是持续的，不间断的从理论到实践再到理论上循环地进化出更优参数。

摘要： 本发明涉及一种商品推荐单推送方法及商品推荐单推送系统，该方法包括：采集用户数据和在售商品数据；根据用户数据获取用户偏好的商品以及用户购买商品的周期，预测用户对商品的下一次购买时间；从在售商品数据中提取与用户偏好的商品匹配的商品数据；根据与用户偏好的商品匹配的商品数据生成商品推荐单；在预测的用户对商品的下一次购买时间之前向用户发送商品推荐单。本发明的商品推荐单推送方法和商品推荐单推送系统自动向用户推送对应的商品，为商家提供商品的推广、定位和精准对象，促进商品的交易。

摘要： 本发明涉及计算机处理技术领域，特别涉及一种基于评论文本情感分析的商品推荐方法及商品推荐装置，所述方法包括将评论文本进行基于专门用户词典和停用词表的特征化处理，与评价信息一同进行词嵌入；基于编码端的BiLSTM网络生成对每个特征结合上下文的状态向量；结合注意力机制，生成针对每个方面的句子级语义特征表示；在LSTM网络解码端解码，利用双曲正切非线性映射函数将相应的句子级特征表示映射到对应的情感类别空间，再利用softmax函数进行分类，通过对不同分类结果对应的数值进行用户自定义权重的求和来获得商品的评分，并将高分商品推荐给用户；本发明提高预测的准确性，提供更好的客户体验。