基于深度神经网络的电商平台商品信息推送研究

由于受用户消费倾向、厂商服务质量等因素的限制,导致电商平台无法针对任一消费者推送个性化商品信息,研究基于深度神经网络的电商平台商品信息推送,挖掘电商平台上用户的浏览、收藏、加购等行为数据,对挖掘到的用户行为数据进行清洗、集成、规范化等预处理,构建一个深度双向Transformer模型,学习用户的历史行为数据并预测出满足用户行为需求的最大概率商品,实现电商平台商品信息自动推送。实验结果表明,设计方法下电商平台商品信息推送结果的F1值为0.961,证实了该方法的有效性与优越性。

基于近邻传播聚类的电商商品信息个性化推送研究

引言.在当今数字化时代的电商环境中,向用户提供个性化的商品信息推送成为关键任务。近邻传播聚类是一种先进的数据聚类方法,可以有效地对用户和商品信息进行分类,实现精准的个性化推送。近邻传播聚类是一种基于数据相似性的聚类算法,能够在海量数据中发掘出数据的内在结构,为电商商品信息个性化推送提供有力支持。为了更好地应用近邻传播聚类算法进行电商商品信息个性化推送,本文开发了一种基于近邻传播聚类的电商商品信息个性化推送系统[1]。