[go: up one dir, main page]

CN108701313A - 使用数据语料库生成推荐的系统和方法 - Google Patents

使用数据语料库生成推荐的系统和方法 Download PDF

Info

Publication number
CN108701313A
CN108701313A CN201680081607.4A CN201680081607A CN108701313A CN 108701313 A CN108701313 A CN 108701313A CN 201680081607 A CN201680081607 A CN 201680081607A CN 108701313 A CN108701313 A CN 108701313A
Authority
CN
China
Prior art keywords
businessman
account
ranked list
homography
computer
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.)
Granted
Application number
CN201680081607.4A
Other languages
English (en)
Other versions
CN108701313B (zh
Inventor
C·J·莫尔茨
W·F·洛·法罗
杨鹏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Mastercard International Inc
Original Assignee
Mastercard International Inc
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Mastercard International Inc filed Critical Mastercard International Inc
Publication of CN108701313A publication Critical patent/CN108701313A/zh
Application granted granted Critical
Publication of CN108701313B publication Critical patent/CN108701313B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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—Recommending goods or services
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F7/00—Methods or arrangements for processing data by operating upon the order or content of the data handled
    • G06F7/06—Arrangements for sorting, selecting, merging, or comparing data on individual record carriers
    • G06F7/08—Sorting, i.e. grouping record carriers in numerical or other ordered sequence according to the classification of at least some of the information they carry
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06Q30/0255—Targeted advertisements based on user history
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; 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]
    • G06Q30/0623—Electronic shopping [e-shopping] by investigating goods or services
    • G06Q30/0625—Electronic shopping [e-shopping] by investigating goods or services by formulating product or service queries, e.g. using keywords or predefined options

Landscapes

  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Cash Registers Or Receiving Machines (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
  • User Interface Of Digital Computer (AREA)

Abstract

提供了一种推荐商家的方法和系统。该方法包括接收记录多个账户持有者和多个商家之间的金融交易的金融交易数据，并且生成商家对应矩阵，该商家对应矩阵包括多个商家和与成对的多个商家相关联的交互的多个指示符。多个交互指示符对由所述多个账户持有者在所述成对的所述多个商家中的至少一对中的两个商家处进行金融交易进行记账。该方法进一步包括接收来自账户持有者的对商家推荐的查询并基于推荐算法生成商家排名列表。推荐算法根据持卡者访问的多个商家的属性来推断用户偏好。

Description

使用数据语料库生成推荐的系统和方法
相关申请的交叉引用
本申请要求于2015年12月11日提交的美国临时申请第62/266,419号的申请日的优先权和权益，其全部内容通过引用方式合并于此。
技术领域
本公开一般涉及信息网络，并且更具体地涉及用于基于具有链接元素的数据语料库来生成推荐和检测欺诈行为的计算机系统和基于计算机的方法。
背景技术
至少一些已知的推荐系统使用历史数据来确定用户的偏好，然后将其应用于新数据以辨别新数据中用户感兴趣的潜在信息。例如，通过监控来自支付卡持卡者的金融交易的金融交易数据，能够生成持卡者偏好模式。例如，如果账户持有者经常在户外定向百货公司购物并且在书店购买较少，则可以推断持卡者喜欢的娱乐活动的偏好。当在例如新的地理位置查询时，这些已知的推荐系统倾向于向持卡者提供其他户外定向商店。
然而，在没有用户的偏好个人简档的情况下向该用户提供有意义的商家推荐是困难的，并且在一些情况下是不可能的。
发明内容
在一个实施例中，推荐商家的方法包括接收记录多个账户持有者与多个商家之间的金融交易的金融交易数据，并生成商家对应矩阵，该商家对应矩阵包括多个商家和与成对的多个商家关联的多个交互指示符。多个交互指示符对由多个账户持有者在多个商家中的一对商家的两个商家处进行的金融交易进行记账。该方法进一步包括接收来自账户持有者的对商家推荐的查询并基于推荐算法来生成商家排名列表。推荐算法根据持卡者访问的多个商家的属性来推断用户偏好。
在另一个实施例中，用于推荐商家的推荐系统包括耦合到一个或多个存储设备以进行通信的一个或多个处理器。所述一个或多个处理器被配置为接收记录多个账户持有者和多个商家之间的金融交易的金融交易数据，并且生成商家对应矩阵，所述商家对应矩阵包括所述多个商家和与成对的所述多个商家相关联的多个交易指示符，所述多个交易指示符对由所述多个账户持有者在所述多个商家中的一对商家的两个商家处进行的金融交易进行记账。所述一个或多个处理器还被配置为从账户持有者接收对商家的推荐的查询并且基于推荐算法生成商家排名列表，所述推荐算法根据由持卡者访问的所述多个商家的属性来推断用户偏好。
在又一个实施例中，一个或多个非暂时性计算机可读存储介质包括在其上包含的计算机可执行指令。当由至少一个处理器执行时，计算机可执行指令使得处理器接收记录多个账户持有者和多个商家之间的金融交易的金融交易数据，并且生成商家对应矩阵，所述商家对应矩阵包括多个商家和与成对的所述多个商家关联的多个交互指示符，所述多个交易指示符对由所述多个账户持有者在一对所述多个商家中的两个商家处进行的金融交易进行记账。计算机可执行指令还使得处理器从账户持有者接收针对商家的推荐的查询并且基于推荐算法生成商家排名列表，推荐算法根据由持卡者访问的多个商家的属性推断用户偏好。
附图说明
图1-11显示了本文描述的方法和系统的示例性实施例。
图1是示出具有推荐器模块的示例多方支付卡网络系统的示意图；
图2是包括多个包括推荐器模块的计算机设备的支付卡网络系统的简化框图；
图3A是图1中所示的支付卡网络系统的服务器系统的架构的示例性实施例的扩展框图；
图3B示出了具有其他相关服务器组件的服务器系统的数据库服务器内的数据库的配置；
图4示出了由用户(例如图1所示的持卡者)操作的用户系统的示例配置；
图5示出了如图2、图3A和图3B所示的服务器系统的服务器系统的示例配置；
图6是稀疏商家对应矩阵的示图，该稀疏商家对应矩阵可以与以图表形式显示的图1所示的ChangeRank推荐器模块一起使用；
图7是在推荐器模块34中执行的步骤的图示；
图8是包含图7所示的商家对应矩阵的餐厅的区域的地图；
图9是包括圣路易斯和纽约都市区的商家对应矩阵，用于基于来自不同都市区的种子来确定一个都市区的推荐；
图10是通过各种措施评估推荐器模块34的每个变体的表格；
图11是用于推荐商家的示例方法的流程图。
具体实施方式
在此描述被称为ChangeRank模块或推荐器模块34的专门编程的计算机模块的实施例。根据ChangeRank模块可访问的信息量或提供给ChangeRank模块的信息量，ChangeRank模块有选择地使用多种专用算法中的一种或多种。ChangeRank模块使用在多个商家处进行的购买矩阵来生成商家之间的链接，假设如果一个购买者在第一个商家处购买商品并且然后在第二个商家处购买商品，则通过购买者的偏好来关联所述商家。ChangeRank模块将此假设运载到成千上万或数百万的交易，并使用矩阵将交易中的商家彼此联系起来。在只有很少的购买者偏好数据可用的情况下，在矩阵中捕获的信息可用于生成商家推荐。ChangeRank模块还可以利用其他信息来提高响应查询所提供推荐的准确性。
ChangeRank模块被配置为基于顾客如何通过使用支付卡或类似设备的购买将他们链接在一起来对商家进行排名。即使没有用户偏好的先验知识，ChangeRank模块也可以通过根据用户经常光顾的商家来推断偏好来提供了相关推荐。商家数据是从ChangeRank模块可访问的金融交易数据中检索的。除了在不知道用户偏好的情况下提供有意义的推荐外，ChangeRank还可扩展以根据收到的用户的其他信息提供更好的推荐，例如，当用户选择允许将产品数据包含在可用金融交易数据中时。用户还可以在查询请求期间明确指示偏好以用于推荐。
ChangeRank模块基于各个节点如何连接来导出图中的节点的重要性。如本文所使用的，节点是商家，并且边是一种测量值，其表示访问了由边连接的各个商家的持卡者的数量。
ChangeRank模块在没有来自用户的任何已知偏好的情况下单独依据图形连接建立商家的重要性顺序。然后在查询时，只有具有匹配搜索词的商家才按照他们的顺序排名返回。
在第一实施例中，ChangeRank建立商家等级，然后用户的意图(例如“意大利”，“家庭友好”，NYC等)充当搜索查询，然后ChangeRank模块按照商家等级排序将匹配商家返回。ChangeRank模块的这个示例实施例具有高度可扩展性，但不会使用用户的交易历史进行推荐。
在第二实施例中，ChangeRank模块使用账户持有者的实际交易历史来直接影响结果(没有对诸如“意大利”，“家庭友好”等标签的抽象)。该实施例基于所访问的特定商家推导出个性化，并且其不依赖于任何标记过程来进行推荐，然而，该实施例中的ChangeRank模块的计算可以是计算强度很大的。该算法的第一个版本和第二个版本之间的差异允许在当前推荐请求的需求以及在进行查询时可用的计算资源之间取舍。
如本文所使用的，术语“交易卡”、“金融交易卡”和“支付卡”是指任何合适的交易卡，诸如信用卡、借记卡、预付卡、充值卡、会员卡、促销卡、常旅客卡、身份证、预付卡、礼品卡和/或可以存储支付账户信息的任何其他设备，诸如移动电话、智能手机、个人数字助理(PDA)、钥匙扣和/或计算机。每种类型的交易卡都可以用作执行交易的支付方式。
在一个实施例中，提供了一种计算机程序，并且该程序体现在计算机可读介质上。在示例实施例中，系统在单个计算机系统上执行，而不需要连接到服务器计算机。在另一示例实施例中，该系统在Windows环境中运行(Windows是华盛顿州雷德蒙德的微软公司的注册商标)。在又一个实施例中，该系统在大型机环境和服务器环境(UNIX是位于纽约州纽约市的AT&T的注册商标)上运行。该应用程序非常灵活，可以在各种不同的环境中运行，而不会影响任何主要功能。在一些实施例中，该系统包括分布在多个计算设备中的多个组件。一个或多个组件可以是体现在计算机可读介质中的计算机可执行指令的形式。该系统和过程不限于这里描述的具体实施例。另外，每个系统和每个过程的组件可以独立实施并与本文描述的其他组件和过程分开实施。每个组件和过程也可以与其他组装包和过程结合使用。
如本文所使用的，术语“数据库”可以指数据主体、关系数据库管理系统(RDBMS)或两者。数据库可以包括任何数据集合，包括分层数据库、关系数据库、平面文件数据库、对象关系数据库、对象导向的数据库以及存储在计算机系统中的任何其他记录或数据的结构化集合。上面的示例仅仅是例子，因此不打算以任何方式限制术语数据库的定义和/或含义。RDBMS的例子包括但不限于包括数据库、MySQL、 DB2、 SQLServer、和PostgreSQL。但是，可以使用任何数据库来启用这里描述的系统和方法。(Oracle是加利福尼亚州Redwood Shores的Oracle Corporation的注册商标；IBM是纽约Armonk的国际商业机器公司的注册商标；Microsoft是华盛顿州雷蒙德市微软公司的注册商标；Sybase是加利福尼亚州都柏林的Sybase的注册商标)
以下详细描述以示例而非限制的方式示出了本公开的实施例。预期本公开内容具有处理工业、商业和住宅应用中的金融交易数据的一般应用。
如本文所使用的，以单数形式叙述且前面带有单词“一”或“一个”的元件或步骤应当被理解为不排除多个元件或步骤，除非明确列举了这种排除。此外，对本公开的“示例性实施例”或“一个实施例”的用语不意图被解释为排除也包含所述特征的另外实施例的存在。
图1是示出具有推荐器模块34的示例性多方支付卡网络系统20的示意图。在示例实施例中，推荐器模块34也被称为ChangeRank模块。多方支付卡网络系统20使商家与持卡者或账户持有者之间的支付卡交易成为可能。推荐器模块34是专门编程的计算机系统，其使得来自多方支付卡网络系统的商家位置数据能够用于在用户向推荐商模块34查询商家进行购买时推断用户的偏好。推荐器模块34被特别编程为具有多种算法，这些算法还被配置为以查询输入数据、商家数据和来自其他信息源或通信源的推断数据的形式从用户接收各种数量的用户偏好数据。然后将组合数据用于提供商家推荐。在一些情况下，用户是启动由支付卡网络系统20处理的交易的账户持有者。在其他情况下，通过网站或智能手机应用软件访问推荐器模块34的任何人都可以是用户。
本文描述的实施例可涉及金融交易卡系统，诸如由万事达国际公司运营的支付卡网络系统。如本文所述，支付卡网络是四方支付卡网络，其包括存储在耦合到处理器以进行通信的一个或多个存储器设备中的多个专用处理器和数据结构，以及一组专有通信标准，其由万事达卡国际公司颁布用于金融交易数据的交换以及作为支付卡网络的客户的金融机构之间的资金结算。如这里所使用的，金融交易数据包括与使用由发行方发行的支付卡的账户持有者相关联的唯一账号，表示由持卡者做出的购买的购买数据，包括商家类型、购买金额、购买日期，以及可以在多方支付卡网络系统20的任何方之间传送的其他数据。
在典型的支付卡系统中，被称为“发行方”的金融机构向消费者或持卡者22发行诸如信用卡之类的支付卡，消费者或持卡者22使用该支付卡偿付对从商家进行的购买的付款。为了接受使用支付卡的付款，商家24通常必须在作为金融支付处理系统一部分的金融机构中建立一个账户。该金融机构通常被称为“商家银行”，“收单银行”或“收单方”。当持卡者22用支付卡偿付购买付款时，商家24请求商家银行26授权此次购买的金额。该请求可以通过电话执行，但通常通过使用销售点终端来执行，该终端从支付卡上的磁条、芯片或浮雕字符中读取持卡者22的账户信息，并以电子方式与商家银行26的交易处理计算机进行通信。或者，商家银行26可授权第三方代表其执行交易处理。在这种情况下，销售点终端将被配置为与第三方进行通信。这样的第三方通常被称为“商家处理器”、“收单处理器”或“第三方处理器”。
使用支付卡网络28，商家银行26或商家处理器的计算机将与发行银行30的计算机进行通信以确定持卡者22的账户32是否信誉良好以及该购买是否被持卡者22的可用信用额度覆盖。根据这些确定，授权请求将被拒绝或接受。如果请求被接受，授权代码被发给商家24。
当授权请求被接受时，持卡者22的账户32的可用信用额度减少。通常，支付卡交易的费用不会立即发布给持卡者的账户32，因为诸如 的银行卡协会已颁布了规则，该规则不允许商家24收费或“捕获”交易直到货物发货或服务交付。但是，对于至少一些借记卡交易，收费可能在交易时发布。当商家24运送或交付货物或服务时，商家24通过例如在销售点终端上的适当数据输入程序来捕获交易。这可能包括为标准零售购买每天捆绑批准的交易。如果在被捕获之前持卡者22取消交易，则生成“空白”。如果持卡者22在交易被捕获后返回商品，则生成“信用”。支付卡网络28和/或发行银行30将金融交易数据(例如商家类型、购买金额、购买日期)存储在数据库120(如图2所示)中。
对于借记卡交易，当发行方批准PIN授权请求时，消费者的账户被减少。通常情况下，费用会立即发布到消费者的账户。然后，发行方30通过支付网络28将该批准发送给商家银行26，最终向商家24通知商品/服务的分发或者在ATM的情况下通知信息或现金。
在进行了购买之后，发生清算过程以在交易各方(例如商家银行26、支付卡网络28和发行银行30)之间发送与购买有关的额外交易数据。更具体地，在结算过程期间和/或之后，附加数据，诸如购买时间、商家名称、商家类型、购买信息、持卡者账户信息、交易类型、销售信息的产品或服务、关于所购买的物品和/或服务的信息和/或其他合适的信息，与交易相关联并在交易各方之间作为交易数据进行传输，并且可以由交易的任何一方存储。
在交易被授权和清算之后，交易在商家24、商家银行26和发行银行30之间结算。结算指的是与交易有关的商家24账户、商家银行26和发行银行30之间的金融数据或资金的传输。通常情况下，交易被捕获并累积为一个“批次”，并以团队形式进行结算。更具体地说，交易通常在发行银行30与支付卡网络28之间进行结算，然后在支付卡网络28与商家银行26之间进行结算，然后在商家银行26与商家24之间进行结算。
支付卡网络28被配置为与推荐器模块34接口。推荐器模块34被配置为从支付卡网络28接收金融交易数据以生成稀疏商家对应矩阵。稀疏商家对应矩阵包括与二维图的每个轴(x轴和y轴)相关联的多个商家的列表。换句话说，相同的商家列表与图形的第一轴(例如，x轴)和第二轴(例如，y轴)相关联。对于商家的行和列的交点，并且在该交点处有共同访问(covisit)，则针对每次共同访问，记录所述交点。该图形列出了商家对，其中账户持有者访问了两个商家。当只有少数共同访问被记录时，图中很少有信息可见。然而，随着更多的共同访问从金融交易数据中被确定并记录在图中，模式变得可识别并且数据变得更有助于向用户提供推荐。
图2是包括具有推荐器模块34的多个计算机设备的示例支付卡网络系统100的简化框图。在该示例实施例中，多个计算机设备包括例如服务器系统112、客户端系统114和推荐器模块34。在一个实施例中，支付卡网络系统100实施用于生成商家位置的推荐的过程。更具体地说，与服务器系统112通信的推荐器模块34被配置为接收与多个商家和持卡者或账户持有者之间的金融交易相关的至少一部分金融交易数据。该金融交易数据包括关于商家位置的信息，并且所接收的至少一部分金融交易数据被存储在存储器设备中。
更具体地，在示例实施例中，支付卡网络系统100包括服务器系统112和连接到服务器系统112的多个客户端子系统(也称为客户端系统114)。在一个实施例中，客户端系统114是包括网络浏览器的计算机，使得服务器系统112可以使用因特网访问客户端系统114。客户端系统114通过包括诸如局域网(LAN)或广域网(WAN)之类的网络、拨入连接、电缆调制解调器和特殊高速综合业务数字网络(ISDN)线路与因特网互连。客户端系统114可以是能够互连到因特网的任何设备，包括基于网络的电话、PDA或其他基于网络的可连接设备。
支付卡网络系统100还包括销售点(POS)终端118，其可以连接到客户端系统114并且可以连接到服务器系统112。POS终端118通过许多接口互连到因特网，所述接口包括诸如局域网(LAN)或广域网(WAN)的网络、拨入连接、电缆调制解调器、无线调制解调器和特殊高速ISDN线路。POS终端118可以是能够互连到因特网的任何设备并包括能够从消费者的金融交易卡中读取信息的输入设备。
数据库服务器116连接到数据库120，数据库120包含关于各种事物的信息，如下面更详细描述的。在一个实施例中，集中式数据库120存储在服务器系统112上，并且在一个客户端系统114处的潜在用户通过客户端系统114中的一个登录到服务器系统112上来访问。在替代实施例中，数据库120离开服务器系统112被远程存储并且可以是非集中式的。
数据库120可以包括具有分离的部分或分区的单个数据库，或者可以包括多个数据库，每个数据库彼此分离。数据库120可以存储作为通过处理网络进行的销售活动的一部分生成的交易数据，包括与商家、账户持有者或客户、发行方、收单方、所做出的购买有关的数据。数据库120还可以存储包括账户持有者的姓名、账户持有者的地址、与账户持有者的姓名相关联的主账号(PAN)以及其他账户标识符中的至少一个的账户数据。数据库120还可存储商家数据，商家数据包括识别被注册以使用网络的每个商家的商家标识符，以及包括商家银行账户信息的用于结算交易的指令。数据库120还可以存储与由账户持有者从商家购买的物品相关联的购买数据以及授权请求数据。数据库120可以存储与由商家用户销售的商品或服务相关联的图片文件、名称、价格、描述、运送和交付信息、用于促进交易的指令以及根据本公开描述的方法便于进行处理的其他信息。
在示例实施例中，客户端系统114中的一个可以与收单银行26(图1中示出)相关联，而客户端系统114中的另一个可以与发行银行30(图1中示出)相关联。POS终端118可以与参与商家24(在图1中示出)相关联或者可以是由进行在线购买或支付的账户持有者使用的计算机系统和/或移动系统。服务器系统112可以与支付卡网络28相关联。在示例实施例中，服务器系统112与诸如支付卡网络28之类的金融交易处理网络相关联，并且可以被称为交换计算机系统。服务器系统112可以用于处理交易数据。另外，客户端系统114和/或POS 118可以包括计算机系统,该计算机系统与在线银行、账单支付外包商、收单银行、收单方处理器、与交易卡相关联的发行银行、发行方处理器、远程支付处理系统、开账单装置和/或推荐器模块34中的至少一个相关联。推荐器模块34可以与支付卡网络28相关联或与和支付卡网络28有合同关系与外部第三方相关联。因此，参与处理交易数据的每方与支付卡网络系统100中所示的计算机系统相关联，使得各方可以如本文所述相互通信。
图3A是支付卡网络系统100的服务器系统122的体系结构的示例实施例的扩展框图。系统122中与支付卡网络系统100的组件(图2中所示)相同的组件在图3A中使用与图2中使用的相同的附图标记来标识。例如，推荐器模块34在图1、图2和图3A中被同样地标记。系统122包括服务器系统112、客户端系统114和115、POS终端118以及至少一个输入设备119。服务器系统112还包括数据库服务器116、交易服务器124、网络服务器126、传真服务器128、目录服务器130和邮件服务器132。存储设备134耦合到数据库服务器116和目录服务器130。服务器116,124,126,128,130和132在局域网(LAN)136中耦合。另外，系统管理员的工作站138、用户工作站140和监管员工作站142耦合到LAN 136。或者，工作站138、140和142使用因特网链路连接到LAN 136或通过内联网连接。
每个工作站138,140和142是具有网页浏览器的个人计算机。尽管在工作站处执行的功能通常被示为在相应的工作站138,140和142处执行，但是这些功能可以在耦合到LAN 136的许多个人计算机中的一个处执行。工作站138,140和142被图示为与单独的功能相关联,这仅用于帮助理解可以由访问LAN 136的个人执行的不同类型的功能。
服务器系统112被配置为通信地耦合到推荐器模块34和各种个人，包括雇员144，并且利用ISP因特网连接148与第三方耦合，例如账户持有者、客户、审计人员、开发人员、消费者、商家、收单方、发行方等等。示例性实施例中的通信被图示为使用因特网来执行，然而，在其他实施例中可以使用任何其他广域网(WAN)类型的通信，即所述系统和过程不是仅限于使用因特网进行实施。另外，除了WAN 150，可以使用局域网136来代替WAN 150。
在示例实施例中，任何具有工作站154的授权个人都可以访问系统122。至少一个客户端系统包括位于远程位置的管理器工作站156。工作站154和156是具有网络浏览器的个人计算机。而且，工作站154和156被配置为与服务器系统112进行通信。此外，传真服务器128使用电话链路与位于远程的客户端系统(包括客户端系统158)进行通信。传真服务器128被配置为也与其他客户端系统138、140和142进行通信。
图3B示出了具有其他相关服务器组件的服务器系统112的数据库服务器116内的数据库120的配置。更具体地说，图3B示出了与图2和3A所示的服务器系统112的数据库服务器116通信的数据库120的配置。数据库120耦合到服务器系统112内的若干执行特定任务的独立组件。
服务器系统112包括：接收组件160，用于接收记录多个持卡者或账户持有者与多个商家之间的金融交易的金融交易数据；生成组件162，用于生成商家对应矩阵，所述商家对应矩阵包括多个商家以及与成对的所述多个商家关联的多个交互指示符，所述多个交互指示符对由多个持卡者或账户持有者在所述多个商家中的一对商家中的两个商家处进行的金融交易进行记账；接收组件164，用于接收来自账户持有者的对商家的推荐的查询；以及生成组件166，用于基于推荐算法生成商家排名列表，所述推荐算法根据由持卡者拜访的多个商家的属性来推断用户偏好。
在示例实施例中，支付卡网络系统100包括提供输入组件以及编辑组件以便于管理功能的管理组件(未示出)。支付卡网络系统100可灵活地提供其他可选类型的报告，并且不受上述选项的限制。
在示例实施例中，数据库120被分成多个部分，包括但不限于交易和购买数据部分170、商家数据部分172和持卡者账户数据部分174。数据库内的这些部分120互连以根据需要更新和检索信息。
图4示出了由诸如持卡者22(图1所示)的用户201操作的用户系统202的示例配置。用户系统202可以包括但不限于客户端系统114,115,138,140,142,144,146，POS终端118，工作站154和管理器工作站156。在示例实施例中，用户系统202包括用于执行指令的处理器205。在一些实施例中，可执行指令被存储在存储器区域210中。处理器205可以包括一个或多个处理单元，例如多核配置。存储器区域210是允许诸如可执行指令和/或其他数据的信息被存储和检索的任何设备。存储器区域210可以包括一个或多个计算机可读介质。
用户系统202还包括至少一个媒体输出组件215，用于向用户201呈现信息。媒体输出组件215是能够向用户201传达信息的任何组件。在一些实施例中，媒体输出组件215包括输出适配器，诸如视频适配器和/或音频适配器。输出适配器可操作地耦合到处理器205并能够可操作地耦合到诸如显示设备、液晶显示器(LCD)、有机发光二极管(OLED)显示器或“电子墨水”显示器或音频输出设备、扬声器或耳机的输出设备。
在一些实施例中，用户系统202包括用于接收来自用户201的输入的输入设备220。输入设备220可以包括例如键盘、指点设备、鼠标、触控笔、触敏面板、触摸板、触摸屏、陀螺仪、加速度计、位置检测器或音频输入设备。诸如触摸屏的单个组件可以用作媒体输出组件215的输出设备和输入设备220。用户系统202还可以包括通信接口225，该通信接口225能耦合到诸如服务器系统112的远程设备来进行通信。通信接口225可以包括例如与移动电话网络、全球移动通信系统(GSM)、3G、4G或蓝牙或其他移动数据网络或全球互操作微波访问(WIMAX)一起使用的有线或无线网络适配器或无线数据收发器。
存储在存储器区域210中的是例如用于经由媒体输出组件215向用户201提供用户接口并且可选地从输入设备220接收和处理输入的计算机可读指令。在各种可能性中，用户接口可以包括网络浏览器和客户端应用程序。网络浏览器使诸如用户201的用户能够显示来自服务器系统112的通常嵌入在网页或网站上的媒体和其他信息交互并与其交互。客户端应用程序允许用户201与来自服务器系统112的服务器应用程序进行交互。
图5示出了诸如服务器系统112(如图2、3A和3B所示)的服务器系统301的示例配置。服务器系统301可以包括但不限于数据库服务器116、交易服务器124、网络服务器126、传真服务器128、目录服务器130和邮件服务器132。
服务器系统301包括用于执行指令的处理器305。例如，指令可以被存储在存储器区域310中。处理器305可以包括用于执行指令的一个或多个处理单元(例如，以多核配置)。这些指令可以在服务器系统301上的各种不同的操作系统内执行，诸如UNIX，LINUX，MicrosoftWindows等。还应该理解，在启动基于计算机的方法时，在启动期间可以执行各种指令。为了执行在此描述的一个或多个处理可能需要一些操作，而其他操作可能对于特定编程语言(例如，C，C#，C++，Java或其他合适的编程语言等等)更通用和/或特定。
处理器305可操作地耦合到通信接口315，使得服务器系统301能够与诸如用户系统或另一服务器系统301的远程设备进行通信。例如，通信接口315可以经由因特网从用户系统114接收请求，如图2、3A和3B中所示。
处理器305还可以可操作地耦合到存储设备134。存储设备134是适合于存储和/或检索数据的任何计算机操作的硬件。在一些实施例中，存储设备134被集成在服务器系统301中。例如，服务器系统301可以包括一个或多个硬盘驱动器作为存储设备134。在其他实施例中，存储设备134在服务器系统301外部并且可以被多个服务器系统301访问。例如，存储设备134可以包括多个存储单元，诸如配置为廉价磁盘冗余阵列(RAID)的硬盘或固态磁盘。存储设备134可以包括存储区域网络(SAN)和/或网络附加存储(NAS)系统。
在一些实施例中，处理器305经由存储接口320可操作地耦合到存储设备134。存储接口320是能够向处理器305提供对存储设备134的访问的任何组件。存储接口320可以包括例如高级技术附件(ATA)适配器、串行ATA(SATA)适配器、小型计算机系统接口(SCSI)适配器、RAID控制器、SAN适配器、网络适配器和/或向处理器305提供对存储设备134访问的任何组件。
存储器区域210和310可以包括但不限于诸如动态RAM(DRAM)或静态RAM(SRAM)的随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM)、电可擦除可编程只读存储器(EEPROM)和非易失性RAM(NVRAM)。上述存储器类型仅是示例，因此对于可用于存储计算机程序的存储器的类型不是限制性的。
图6是以图形显示的可以与ChangeRank推荐器模块34(在图1中示出)一起使用的稀疏商家对应矩阵600的示图。在稀疏商家对应矩阵600中，条目(i，j)包含商家i和j(图9所示)之间的共同访问计数。在示例实施例中，稀疏商家对应矩阵600的图形是从圣路易斯地区的餐馆获得的，其中仅显示排名最高的餐厅。每个节点602代表不同的餐厅。每个边604代表两个节点602之间的连接。该连接通常代表已经在两个连接的餐馆均进行交易的账户持有者或代表已由单个持卡者做出的交易。每个边604的粗度606表示对连接的餐馆的共同访问的频率或者在两个餐馆均进行了交易的顾客数量或者在两个餐馆由同一个持卡者进行的交易数量。通常，可以推断不同持卡者对不同餐馆的偏好，并且可以用来计算所述边的“粗度”。根据持卡者访问餐厅的次数来推断偏好，根据同一餐厅的其他客户以及所述持卡者对其他餐馆的访问进行调整。
图7是在推荐器模块34中执行的步骤的图示700。
在推荐器模块34中使用的算法有三个主要步骤：
1.确定所有商家的排名而没有任何明确的用户偏好。
2.确定所有商家的排名，附带有根据访问的特定商家的列表推断出用户偏好。
3.比较来自步骤1和2的结果，并按照排名的降序变化的顺序来返回商家。
该算法的步骤1和2如图7所示完成。该算法开始于商家对应矩阵702，商家对应矩阵702包括所有成对的代表餐厅，但是在商家列和行(i，j)的交点处的每个单元中填充起始值(图9中示出)。统一的用户偏好输入向量704被用于生成第一结果向量706。对于每个隐式或显式用户条目，条目i被设置为1并且被归一化。在第二步中，发生交易的每个商家在用户偏好输入向量704中被赋予更大的值。
在视觉上，步骤2等同于在先前访问的位置处在商家网络中进行大量的激活。将所述计算重复可选择的次数，例如五次，具有在所述网络上分布该激活的效果。
最后在步骤3中，来自用户的交易历史的激活改变了每个商家的总体排名的量被确定，并且具有最大排名改变的商家被首先返回。
上述方法被称为“迭代”方法；它具有占用更少空间的优点(即主存储器)，代价是更多的计算。令A表示归一化的共同访问矩阵，其中每列和为1，v0表示初始偏好向量(总和为1)，vk表示第k次迭代后的分数，d表示阻尼因子，我们有：
vk＝dAvk-1+(1-d)v0 (1)
阻尼因子可以选择为大约d＝0.85。选择的阻尼会影响分数，并影响迭代方法收敛的速度。
这个方程(1)的计算涉及矩阵向量乘法，这导致了主要的计算复杂度。由于矩阵A的大小和并发请求的数量，此方法的基于请求的乘法的实施潜在地面临可伸缩性问题。
另一种称为“强力”方法的方法预先计算所有路径(至少5次迭代)。由于一次性离线预计算成本，该强力方法具有速度优势，但代价是不能具有完整(相对于稀疏)矩阵。该强力方法容易处理高达30,000-50,000商家的商家集。
图8是包含商家对应矩阵702(图7所示)的餐厅的区域的地图800。在示例性实施例中，地图800是圣路易斯地区。对于上述推荐器模块34的每次迭代，激活遍布在整个网络中，如由表示餐馆的图标所示，这些参观包括在算法的每次迭代中。
备用ChangeRank措施
两种主要的排名计算方法包括：
1.基于排名的分数-商家的最终排名与相对于没有任何用户偏好的原始排名位置而言由于明确的用户偏好而爬升多少档成正比，且然后按原始排名缩放。
2.基于累积能量的分数–不像(1)中那样使得分数基于档的变化，最终排名是基于在用户偏好被考虑在内之前和之后存在于给定商家之上的排名能量的比例，即具有更高排名的分数的商家可能只会攀升到其他几个高排名商家的上面，但是，根据与排名中被超越的商家相关联的“量”给出更多分数值。
数据优势
推荐器模块34不需要拟合参数，与领域无关，因此完全依赖于馈入的数据来提出良好的推荐。另外，它在做出推荐的过程中不依赖于任何元数据。如下面更详细描述的，金融交易数据元素“历史”为ChangeRank接口中的意图范围覆盖的商家种类提供了良好的第一通过过滤器。推荐器模块34利用在商家对应矩阵中捕获的隐式元数据，例如美食、花费、地理等。显式元数据标签最终用于对排名结果进行后过滤以适应用户明确的意图。在该示例性实施例中，使用以上为圣路易斯和纽约MSA设置的所述行业的一年的持卡者金融交易数据来生成商家对应矩阵。矩阵中大约有38,000个商家。
进行本地推荐
为了证明进行本地推荐的能力，生成了两个种子集(或拣选列表)，并将其馈送到推荐器模块34，便宜的意大利餐馆种子列表和昂贵的意大利餐馆种子列表。
每个集合的地图包含多个商家组，零组是种子餐厅。然后将这些推荐按每一层进行分组和着色，即组1＝前十，组2＝11-20等等。
每个种子列表都会生成与原始种子列表质量和花费相当的推荐，并且这两个种子列表都倾向于意大利语。这表明该算法正在利用数据中捕获的隐式特征。这些推荐并非纯粹由对种子列表的接近来驱动。
图9是用于基于来自不同都市区的种子来确定一个都市区中的推荐的包括圣路易斯和纽约都市区的商家对应矩阵900。商家对应矩阵900示出了持卡者与商家对的交互，其中每个商家沿着横轴被表示为从i商家到m商家的第i个商家，并且沿垂直轴被表示为从j商家到n商家的第j个商家。交互被表示为(i，j)交点处的记账，其在一些实施例中由适当的(i，j)交点处的单元的阴影表示。
进行长距离推荐
推荐器模块34的核心是商家对应矩阵900。商家对应矩阵900的对角线902(从左上到右下)包含高度连接的商家的块。这些通常是地理区域，例如，子矩阵904和906分别是圣路易斯和纽约地区高度连接的商家。还存在对应于两个不同地理区域中的商家之间的连接的非对角线子矩阵908。这些块的共同访问次数往往较少，需要乘以一个简单的“放大系数”才能实现长距离推荐。
长距离推荐算法
在一个实施例中，使用第一基本放大算法，将非对角线子矩阵908中的计数乘以使得它们在区域之间更加成比例的因子，使得好像这两组商家处于同一地区。第二卡方扩增是用于设置放大因子的统计学上更严格的方法。第三“区域”与微观放大算法将放大因子设置在商家级别上，而不是在块级别上。
长距离推荐的应用示例示出了如何使用圣路易斯的两组种子餐馆来在纽约生成个性化推荐；不仅适用于餐馆，也适用于考虑中的其他类别的商家。
诸如来自“廉价意大利STL”种子列表的Rigazzi's之类的餐馆生成长距离推荐，如纽约的Aperitivo；都是中等意大利餐厅。另一方面，如Trattoria Marcella等“昂贵的意大利STL”种子列表上的餐厅导致了像Patsy意大利餐厅这样的NY推荐。
针对“昂贵的意大利STL”种子列表中排名前五位的推荐的纽约酒店的平均TripAdvisor评分为4.2，平均房价为589美元/晚。而对于“意大利廉价STL”种子列表，前五名的平均TripAdvisor评分为4.0，平均每晚177美元。
Fitflop USA生产经济实惠的舒适鞋，例如凉鞋和木底鞋，实体位置在纽约怀特普莱恩斯。在“意大利高端STL”种子集团中，该商店排名第214位；然而，在“意大利廉价STL”种子组中，该商家进入第12档。
Vineyard剧院和Workshop中心是纽约市自称的“大胆剧院之家”。这家商家在“意大利高端STL”种子集团排名第二，而在“廉价意大利STL”种子集团中排名第57。票价似乎是一个推动因素。
推荐器模块34的简单实现可能不需太复杂，因为简单的实现方式同时对所有可能的目的地区域进行预测。绝大多数推荐请求对于用于种子数据的开销模式很可能是本地的。可以选择算法的变体，将计算复杂度与排名的质量以及对外部商家元数据的需求进行折衷。下面是从简单到复杂的算法的四种变体。
如上所述，金融交易数据可以被利用的最简单和最可伸缩的方式将仅仅是执行所述算法的步骤1并且在第一方法中生成所有商家的总体排名。然后，用户的意图(例如，“意大利”，“家庭友好”，纽约市)将被用于过滤最终的推荐。当整体排名值已经作为先前查询的一部分生成时，可以直接应用于NY和STL区域。虽然这第一种方法使用商业对应矩阵的金融交易数据，但它并不使用持卡者特定的数据来提出个性化的推荐。
当用户请求对他们观察到的交易行为是本地的推荐时，该算法的第一种变体能够很好地缩放。该算法的第一种变体是使用纯粹的算法进行本地推荐(或者使用馈入迭代方法的子矩阵或者使用上述的强力方法)，对于长距离推荐，我们可以使用上述的第一种方法。对于大多数推荐请求，该第一种变体具有基于持卡者行为的个性化的优势。主要缺点是长距离推荐不如他们可能的那样相关。
所述算法的有助于长距离可缩放性的第二种变体是两步跨区域方法。虽然该算法，特别是扩增步骤，被设计为直接执行跨区域推荐，但两步跨区域推荐提高了该算法的性能。在第二种变体中，种子或优选商家被过滤出用于源区域中的少量迭代，并且源区域中最活跃的商家然后连接到目的地区域中的种子，然后在目的地区域中计算本地推荐。换句话说，为了执行跨区域推荐(例如，用于纽约市推荐的圣路易斯种子)，目标位置中的顶级推荐被标注并用于执行本地推荐的第二步。
为了改善可缩放性，不希望使用过大的例如一百万乘以一百万的矩阵来进行推荐。除了计算复杂性之外，非对角线块的不适当缩放也会对本地推荐有重大影响。假设在几乎所有的使用情况下，最多使用两个区域，使用成对区域的共同访问矩阵来执行推荐。
可以仅使用商家对应矩阵的一小部分、种子列表的MSA、目的地的MSA以及两个MSA之间的链接来进行长距离推荐。该第三种变体具有针对所有查询的真实个性化的优势，其代价是要对商家对应矩阵的大部分进行操作。商家对应矩阵的相关部分的选择可以通过预乘步骤来完成。
使用成对的地区，可以使用几个都市区作为枢纽或枢纽城市来进行跨地区推荐。枢纽城市类似于航空公司的中心城市。类似于直接从一个城市飞到另一个城市有多困难，使用来自特定种子城市的种子数据为一个城市生成推荐也是困难的。困难的原因是两个城市之间的相关性较小。在这种情况下，使用中间枢纽城市或地区的两步推荐过程会改进推荐。例如，如果需要对美国的前二十大都市区进行推荐，则可以根据地理位置选择五个都市区作为枢纽。剩下的15个区域中的每一个都与每个枢纽配对，总共有15*5＝75对。另外，在枢纽之间生成5*4/2＝10对。总共使用85对，而不是不使用枢纽的情况下的20*19/2＝190对。如果每个剩余的城市仅与一个枢纽配对，则该数字可以进一步减少，在这种情况下将使用15+10＝25对。极端的情况是只使用一个枢纽并且总共创建19对。进行多区域推荐的形式是：
(起源城市)-(枢纽城市)-[可选的另一枢纽城市]-(目的地城市)
在每次转移中，顶部K个推荐被用作下一轮的种子。
一个不同的方法是为每个都市区维护本地共同访问矩阵，并将其用于本地推荐。对于多区域推荐，根据区域间连接和其他度量标准(包括中心性、网页排名分数等)选择一个“合理”的商家子集。然后，来自多个区域的商家子集可用于生成跨区域推荐的种子，然后将种子插入目标位置的本地推荐引擎。
第四种变体如上所述，其中该算法仅在图形连接上建立商家重要性的顺序而没有来自用户的任何已知偏好。然后在查询时，只有具有匹配搜索词的页面按其排名顺序返回。算法的这种变体使所有商家同时推荐，这在许多情况下是不必要和不可行的。
示出使用圣路易斯收藏夹的纽约市餐馆的推荐的示例分解原始多区域共同访问矩阵，然后执行跨区域推荐。使用圣路易斯选择，只为圣路易斯餐厅市场创建偏好向量。仅使用圣路易斯餐馆的子矩阵确定最终的页面排名分数。使用纽约市和圣路易斯餐馆的子矩阵计算纽约市餐馆市场的偏好向量。使用生成的纽约城市偏好向量，使用仅对于纽约市餐馆的子矩阵执行纽约市的本地推荐。第二步涉及使用NYC-STL子矩阵获得合理的偏好向量v_STL，其对应于NYC市和STL餐馆之间的二分图。一个简单而直接的方法是从矩阵的STL部分到矩阵的NYC部分执行一步游走。首先将矩阵B的列归一化为总和为1。然后使用以下公式生成NYC偏好向量：
v_NYC＝Bv_STL
该方法的直接益处是不需要跨区域矩阵放大。另外，根据如何生成目标城市的偏好向量的方式，可能不需要执行第一步。
图10是表格1000，其评估推荐器模块34对于各种度量的每个变体。虽然一个变体对于所有查询可能不是最佳的，但是这些变体可以由用户选择或者根据限制标准自动选择，限制标准是例如但不限于计算可用性、网速等。
每个度量在标题行1002上列出。第一度量1004涉及每个变体在其执行中利用用户数据有多好的评估。值1-4表示哪个变体最不希望(1)用于该度量，哪个变体对于该度量是最希望的(4)。在这种情况下，当考虑每个变体在其执行过程中利用用户数据的情况时，第四种变体(有时称为“纯”变体)是最好的。类似地，第二度量1006指示当考虑变体的本地推荐性能时，第二、第三和第四变体中的任何变体都是最理想的。类似地，还示出了对于每个变体中的算法的长距离度量1008、复杂性度量1010以及对元数据依赖性度量1012的指示。
个性化控制
获得用户偏好
在一个实施例中，持卡者登记支付卡PAN以从生成推荐的各种行业代码获得用户历史。然而，存在其他方法，例如，用户可以使用表达式搜索从指定的(即，家庭)区域中选择收藏夹列表。然后从该列表填充用户偏好向量。发现偏好句可以扩展为包括从列表中选择的美食。用户偏好向量可以通过根据所选美食选择所有餐馆来填充。如果没有获得偏好，则该算法可继续用无偏爱用户输入向量进行推荐，有效地回复到根据位置和发现偏好句过滤的所有餐馆的第一变体。
加权用户偏好
有两种方式可以对用户的指定偏好进行加权以获得更多或更少的个性化。
1.用户输入向量修改。默认配置将J/(J+1)百分比的用户输入权重提供给指定的J个优选的/访问的商家；其余1/(J+1)的百分比分配给其余的商家。事实上，分子的范围可以从0到J+1，其中
0纯粹是探索性的(并且对应于上述第三种变体)，并且
选择J以使偏好具有较强的权重，但是所有商家被分配一个排名；以及
J+1纯粹是使用性(exploitive)的并且将结果严重偏向用户的收藏夹。
2.主循环中的迭代次数。默认配置是将主循环运行预定次数，例如但不限于五次。经验地说，在五次迭代之后，用户的偏好传播到网络的外部，并且最高排名开始收敛。迭代的次数可以从0到任何正整数(或者满足一些收敛标准)，其中0完全忽略用户的偏好/历史，并且相当于上面描述的零“用户输入向量修改”，换句话说是只是普通的ChangeRank模块；5是强大的个性化和可扩展性之间的理想平衡。还可以根据其他标准选择更大数量的迭代或收敛标准。这两种方法的范围从零(无个性化)到某个最大值(最大个性化)。这个范围有时被称为探索与使用之间的权衡。应该指出的是，一个精确的解可以预先计算，这将是一个无限迭代的等效计算。这种预计算使用大量计算资源，但只能定期完成以节约资源，而不是针对每个推荐请求来进行。
用户意图的预过滤
预过滤的另一种形式是地理过滤。当用户有一个指定的目的地和一个已知的区域来满足他们的偏好时，该算法可以从商家对应矩阵中删除所有其他地理区域，以最大限度地减少计算量，并使推荐更直接地连接到源偏好列表。
用户意图的后置过滤
推荐器模块34接口通过完成以下“发现”句子来捕获用户意图：
“我和选项1在一起，并且我想要选项2，其价格是选项3，地点是选项4。”在每个空白中，向用户呈现可选择的选项。例如，对于选项1，用户可以选择诸如“我”、“朋友”、“同事”、“配偶”等的选择。选项2可能会提供诸如“探索”和“使用”等选项，以捕获用户当时的冒险精神。选项3可以提供诸如“便宜”，不贵和“昂贵”的选择。选项4可以包括诸如“当地最喜欢的”、“隐蔽的位置”、“浪漫”和“喧闹”等选项。
通过过滤所得到的商家推荐列表来实现用户意图的执行。下面的每个表格对应于所述句子的一部分，并且包含针对该句子的该部分进行过滤的提议的方法：
对于“我与...在一起”，通过将所有的商家属性标签(例如“适合家庭”，“适用于群组”，“户外就餐”等)映射到每个可能的选择，来利用所获取或推断的商家元数据。例如，“户外用餐”将是映射到“我的约会”的标签，
表1
对于“并且想要...”部分可以通过将形成商家对应矩阵中使用的行业代码分配给每个可能的响应来确定，如表2所示
表2
表3
为了处理句子的“其价格是......”部分，使用两个步骤：
1)对于每个商家或行业代码，计算高/中/低断点，其中“高”位于最高20％，“中”位于中间20-80％，并且“低”位于最低位置20％。
2)由商家将可用用户历史映射到高/中/低三个类别中的每一个，并捕获最频繁的支出水平
表4
可以使用在商家级别附加的属性来管理句子中的“地点是......”部分。有一个现有的“当地最喜欢的”定义，可以重用或重新创建；“流行”选项将是对商家推荐的通用；并且数据仓库中的“begin_date”字段支持“新建立”部分，但可能会出现一些连续性问题并需要人工干预。例如，如果商家改变收单方，则可以生成新的位置ID；现有的清理过程会尝试将新位置与原始位置匹配，并保留原始的begin_date。但是，有时候可能需要人工审查。
地点是...... 利用附加的属性来执行
当地喜欢的 是
流行 是
新建立 是
表5
图11是用于推荐商家的示例方法1100的流程图。方法1100使用耦合到存储器设备的计算机设备来实现。方法1100包括：接收1102金融交易数据，金融交易数据记录多个持卡者或账户持有者与多个商家之间的金融交易，以及生成1104包括多个商家和与成对的多个商家相关联的多个交互指示符的商家对应矩阵。所述多个交互指示符对由多个持卡者或账户持有者在多个商家中的一对商家中的两个商家处进行的金融交易进行记账。方法1100还包括：从账户持有者接收1106对商家推荐的查询，并且基于推荐算法生成1108商家排名列表，推荐算法根据由持卡者访问的多个商家的属性来推断用户偏好。
本文描述了一种基于计算机的方法，用于基于持卡者的历史购买模式向持卡者推荐商家，或者基于交易处于历史购买模式之外或基于与已知的欺诈模式匹配的交易，来为商家检测欺诈交易。该方法使用耦合到存储设备的推荐计算机设备来实现。推荐计算机设备通过网络耦合到用户计算机设备和支付处理器以进行通信。另外，矩阵处理器(其可以是存储在单独的数据存储和检索设备上的单独的数据结构)还通过网络或通过诸如但不限于LAN的专用网络耦合到支付处理器以进行通信。该方法包括接收记录多个账户持有者和多个商家之间的金融交易的金融交易数据。在一个实施例中，金融交易数据由推荐计算机设备通过网络从支付处理器接收。在其他实施例中，矩阵处理器直接从支付处理器接收金融交易数据。
该方法还包括生成商家对应矩阵，该商家对应矩阵包括多个商家以及与成对的多个商家关联的多个交互指示符。多个交互指示符被用于对多个账户持有者在成对的多个商家对中的至少一对商家中的两个商家处进行的金融交易进行记账。这种对交互的记账的可视结果在图9中示出。沿矩阵的每个轴表示多个商家，并且账户持有者与两个商家的交互被记账在那两个商家的交点处，如在表示一个商家的列并且指示第二商家的行中找到的。对于所有账户持有者在这两个商家的每次交互，交点处的单元将增加。然后该记账可用于推荐器或欺诈检测方案中，作为将账户持有者可能使用的商家捆绑在一起的指示。该记账可用于推荐系统或欺诈检测方案中，作为账户持有者购买模式的指示。此外，当接收到的金融交易数据超出历史模式时，可以将金融交易数据与已知的欺诈模型进行比较，以找到有助于确认欺诈交易的特定的欺诈交易模式。例如，用于欺诈交易的已知模式可能包括对于小型昂贵的易于转换的产品(例如但不限于珠宝或电子产品)的模式外购买。如果账户持有者采用一种被指出是罕见的珠宝购买的特定模式，并注意到该账户持有者在珠宝商处进行模式外购买，则推荐计算机设备可以向支付处理器和/或账户持有者提醒潜在的欺诈交易。
该方法还包括从账户持有者或其他用户接收针对商家推荐的查询。通常，账户持有者或其他用户(例如，将推荐计算机设备用作服务的非账户持有者)向商家请求针对特定产品或服务的推荐。推荐计算机设备或推荐器模块基于来自账户持有者访问的多个商家的属性的推断的用户偏好来生成商家排名列表。推荐计算机设备或推荐器模块还可以响应关于潜在欺诈性交易的查询以确定交易是欺诈性的可能性。
这里使用的术语“处理器”是指中央处理单元、微处理器、微控制器、精简指令集电路(RISC)、专用集成电路(ASIC)、逻辑电路以及任何其他能够执行在此描述的功能的电路或处理器。
如本文所使用的，术语“软件”和“固件”是可互换的，并且包括存储在存储器中用于由移动设备、群集、个人计算机、工作站、客户端、服务器和处理器205,305执行的任何计算机程序，其中存储器包括RAM存储器、ROM存储器、EPROM存储器、EEPROM存储器和非易失性RAM(NVRAM)存储器。上述存储器类型仅是示例，因此对于可用于存储计算机程序的存储器的类型不是限制性的。
如将根据前述说明书所理解的，本公开的上述实施例可以使用包括计算机软件、固件、硬件或其任何组合或子集的计算机编程或工程技术来实现。根据本公开的所讨论的实施例，具有计算机可读和/或计算机可执行指令的任何这样的所得程序可以在一个或多个计算机可读介质内被具体化或提供，从而制造计算机程序产品，即制造品。计算机可读介质可以是例如固定(硬)驱动器、软盘、光盘、磁带，诸如只读存储器(ROM)或闪存等半导体存储器，或者诸如因特网或其他通信网络或链接的任何发送/接收介质。包含计算机代码的制品可以通过直接从一种介质执行指令，通过将代码从一种介质复制到另一种介质，或通过在网络上传输代码来制造和/或使用。所述方法和系统的技术效果可以通过执行以下步骤中的至少一个来实现：(a)接收第一数据集的第一语料库，第一数据包括第一数据的第一语料库的第一元素与第一数据的第一语料库的第二元素之间的交互的指示符；(b)生成使所述第一元件和所述第二元件之间的相互作用相关的第一矩阵；(c)接收第二数据集的第二语料库，所述第二数据包括第二数据的第二语料库的第三元素与数据的第二语料库的第四元素之间的相互作用的指示；(d)生成使所述第三元素与所述第四元素之间的相互作用相关的第二矩阵；(e)通过使用由第一和第二元素之间的相互作用以及第三和第四元素之间的相互作用所定义的键合并第一矩阵和第二矩阵来生成第三矩阵。
如本文所使用的，术语“非暂时性计算机可读介质”旨在代表以任何方法或技术实现的用于诸如计算机可读指令、数据结构、程序模块和子模块或任何设备中的其他数据等信息的短期和长期存储的任何有形的基于计算机的设备。因此，本文描述的方法可以被编码为体现在有形的，非暂时性的计算机可读介质中的可执行指令，包括但不限于存储设备和/或存储器设备。这样的指令在由处理器执行时使处理器执行本文描述的方法的至少一部分。此外，如本文所使用的，术语“非暂时性计算机可读介质”包括所有有形的计算机可读介质，包括但不限于非暂时性计算机存储设备，包括但不限于易失性和非易失性介质，以及可移动和不可移动的介质，诸如固件、物理和虚拟存储，CD-ROM、DVD以及诸如网络或因特网之类的任何其他数字源，以及尚未开发的数字手段，唯一的例外是暂时的、传播的信号。
如本文所使用的，术语“计算机”和相关术语(例如“计算设备”)不限于本领域称为计算机的集成电路，而是广泛地指代微控制器、微型计算机、可编程逻辑控制器(PLC)、专用集成电路和其他可编程电路，并且这些术语在本文中可互换使用。
如本文所使用的，术语“移动计算设备”是指以便携方式使用的任何计算设备，包括但不限于智能电话、个人数字助理(“PDA”)、计算机平板电脑、混合电话/计算机平板电脑(“平板手机”)或能够在本文描述的系统中起作用的其他类似移动设备。在一些示例中，移动计算设备可以包括各种外围设备和附件，包括但不限于麦克风、扬声器、键盘、触摸屏、陀螺仪、加速度计和度量衡设备。而且，如本文所使用的，“便携式计算设备”和“移动计算设备”可以互换使用。
在整个说明书和权利要求书中使用的近似语言可以被应用来修饰可以在允许的程度上变化而不会导致与其相关的基本功能发生变化的任何定量表示。因此，被一个或多个术语修饰的值(诸如“大约”和“大体上”)不限于所指定的精确值。至少在一些情况下，近似语言可以对应于用于测量该值的仪器的精度。在此以及在整个说明书和权利要求书中，范围限制可以被组合和/或互换。除非上下文或语言另有说明，否则这些范围将被识别并包括其中所有的子范围。
本书面描述使用示例来描述本公开，包括最佳模式，并且还使得本领域技术人员能够实践本公开，包括制作和使用任何设备或系统以及执行任何结合的方法。本申请的专利范围由权利要求限定，并且可以包括本领域技术人员想到的其他示例。如果这些其他示例具有不与权利要求的字面语言不同的结构元件，或者如果它们包括与权利要求的字面语言无实质区别的等同结构元件，则这些其他示例意图在权利要求的范围内。

Claims (20)

1.一种用于推荐商家的基于计算机的方法，所述方法使用耦合到存储器设备的推荐计算机设备来实现，所述方法包括：
接收记录了多个账户持有者和多个商家之间的金融交易的金融交易数据；
生成商家对应矩阵，其包括所述多个商家和与成对的所述多个商家相关联的多个交互指示符，所述多个交互指示符对由所述多个账户持有者在所述成对的所述多个商家中的至少一对中的两个商家处进行金融交易进行记账；
从账户持有者或其他用户接收对商家推荐的查询；以及
基于推荐器模块生成商家排名列表，所述推荐器模块被配置为根据所述账户持有者访问过的所述多个商家的属性来推断用户偏好。
2.如权利要求1所述的基于计算机的方法，其中生成所述商家对应矩阵包括通过将所述多个账户持有者中的每一个与所述多个商家中的各个商家之间的交互关联来生成所述商家对应矩阵。
3.如权利要求2所述的基于计算机的方法，其中生成商家排名列表包括基于明确的用户偏好列表来生成所述商家排名列表。
4.如权利要求3所述的基于计算机的方法，其中基于所述明确的用户偏好列表生成所述商家排名列表包括基于与账户持有者的账户的注册的主账号(PAN)相关联的用户偏好来生成所述商家排名列表。
5.如权利要求3所述的基于计算机的方法，其中，基于明确的用户偏好列表来生成商家排名列表包括：基于在接收到针对所述推荐的查询之前从账户持有者接收的用户偏好来生成所述商家排名列表。
6.如权利要求3所述的基于计算机的方法，其中，基于明确的用户偏好列表来生成所述商家排名列表包括基于从账户持有者或其他用户接收的用户偏好，与针对所述推荐的查询同时生成所述商家排名列表。
7.如权利要求1所述的基于计算机的方法，其中生成所述商家排名列表包括将用户偏好向量的可选次数的迭代应用于所述商家对应矩阵。
8.如权利要求7所述的基于计算机的方法，其中将所述用户偏好向量的所述可选次数的迭代应用于所述商家对应矩阵包括，在所述商家对应矩阵中先前访问的位置处的所述多个商家中应用第一激活量，第一激活量基于先前访问的次数提高商家的排名。
9.如权利要求7所述的基于计算机的方法，其中将用户偏好向量的可选次数的迭代应用于所述商家对应矩阵包括，将所述第一激活量分配到所述商家对应矩阵中的所述多个商家。
10.如权利要求1所述的基于计算机的方法，其中生成所述商家排名列表包括：
不使用明确的用户偏好基于所述商家对应矩阵来生成第一临时商家排名列表；
使用明确的用户偏好基于所述商家对应矩阵来生成第二临时商家排名列表；
基于商家在第二临时排名列表和第一临时排名列表之间已经改变的位置数量来分配商家的最终排名。
11.如权利要求1所述的基于计算机的方法，其中生成所述商家排名列表包括：
创建第一都市区的第一商家排名列表；
使用排名最高的商家的一部分来种子化第二商家对应矩阵；以及
使用种子化的第二商家对应矩阵为第二都市区创建第二商家排名列表。
12.一种用于推荐商家的推荐系统，包括地耦合到一个或多个存储器设备以进行通信的一个或多个处理器，所述一个或多个处理器被配置为：
接收记录多个账户持有者和多个商家之间的金融交易的金融交易数据；
生成商家对应矩阵，所述商家对应矩阵包括所述多个商家和与成对的所述多个商家相关联的多个交互指示符，所述多个交互指示符对由所述多个账户持有者在所述成对的所述多个商家中的至少一对中的两个商家处进行金融交易进行记账；
从账户持有者接收对商家推荐的查询；以及
基于推荐算法生成商家排名列表，所述推荐算法根据持卡者访问的所述多个商家的属性来推断用户偏好。
13.如权利要求12所述的系统，其中，所述一个或多个处理器被配置为通过将所述多个账户持有者中的每一个与所述多个商家中的各个商家之间的交互关联来生成商家对应矩阵。
14.如权利要求12所述的系统，其中，所述一个或多个处理器被配置为基于明确的用户偏好列表来生成商家排名列表。
15.如权利要求12所述的系统，其中，所述一个或多个处理器被配置为基于与账户持有者的账户的注册的主账号(PAN)相关联的用户偏好来生成所述商家排名列表。
16.一个或多个其上包含有计算机可执行指令的非暂时性计算机可读存储介质，其中当由至少一个处理器执行所述计算机可执行指令时，所述计算机可执行指令使所述处理器：
接收记录多个账户持有者和多个商家之间的金融交易的金融交易数据；
生成商家对应矩阵，所述商家对应矩阵包括所述多个商家和与成对的所述多个商家相关联的多个交互指示符，所述多个交互指示符对由所述多个账户持有者在所述成对的所述多个商家中的至少一对中的两个商家处进行金融交易进行记账；
从账户持有者接收对商家的推荐的查询；以及
基于推荐算法生成商家排名列表，所述推荐算法根据持卡者访问的所述多个商家的属性来推断用户偏好。
17.如权利要求16所述的计算机可读存储介质，其中，所述计算机可执行指令还使所述处理器将用户偏好向量的可选次数的迭代应用于所述商家对应矩阵。
18.如权利要求17所述的计算机可读存储介质，其中，所述计算机可执行指令还使所述处理器在所述商家对应矩阵中所述先前访问的位置处的所述多个商家中应用第一激活量，所述第一激活量根据先前访问的次数来提高商家的排名。
19.如权利要求17所述的计算机可读存储介质，其中，所述计算机可执行指令还使所述处理器将所述第一激活量分配到所述商家对应矩阵中的所述多个商家。
20.如权利要求16所述的计算机可读存储介质，其中，所述计算机可执行指令还使所述处理器：
不使用明确的用户偏好基于所述商家对应矩阵来生成第一临时商家排名列表；
使用明确的用户偏好基于所述商家对应矩阵生成第二临时商家排名列表；
基于商家在所述第二临时排名列表和所述第一临时排名列表之间已经改变的位置的数量来分配商家的最终排名。
CN201680081607.4A 2015-12-11 2016-12-09 使用数据语料库生成推荐的系统和方法 Active CN108701313B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201562266419P 2015-12-11 2015-12-11
US62/266,419 2015-12-11
PCT/US2016/065977 WO2017100677A1 (en) 2015-12-11 2016-12-09 Systems and methods for generating recommendations using a corpus of data

Publications (2)

Publication Number Publication Date
CN108701313A true CN108701313A (zh) 2018-10-23
CN108701313B CN108701313B (zh) 2022-06-03

Family

ID=57681786

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201680081607.4A Active CN108701313B (zh) 2015-12-11 2016-12-09 使用数据语料库生成推荐的系统和方法

Country Status (8)

Country Link
US (3) US20170169500A1 (zh)
JP (1) JP6587750B2 (zh)
CN (1) CN108701313B (zh)
AU (1) AU2016366555A1 (zh)
CA (2) CA3124346A1 (zh)
MX (1) MX2018006571A (zh)
SG (1) SG11201804938WA (zh)
WO (1) WO2017100677A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109858959A (zh) * 2019-01-18 2019-06-07 深圳壹账通智能科技有限公司 信用卡推荐方法、装置、计算机设备及存储介质
CN110533454A (zh) * 2019-07-24 2019-12-03 阿里巴巴集团控股有限公司 一种识别业务对象群体的方法及系统

Families Citing this family (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6587750B2 (ja) 2015-12-11 2019-10-09 マスターカード インターナシヨナル インコーポレーテツド データコーパスを用いて提案を生成するシステム及び方法
US10185983B2 (en) * 2015-12-31 2019-01-22 TCL Research America Inc. Least-ask: conversational recommender system with minimized user interaction
US10896424B2 (en) 2017-10-26 2021-01-19 Mastercard International Incorporated Systems and methods for detecting out-of-pattern transactions
US20190130404A1 (en) * 2017-10-26 2019-05-02 Mastercard International Incorporated Systems and methods for identifying a data compromise source
US11017403B2 (en) 2017-12-15 2021-05-25 Mastercard International Incorporated Systems and methods for identifying fraudulent common point of purchases
US11457042B1 (en) * 2018-02-27 2022-09-27 Wells Fargo Bank, N.A. Multi-tiered system for detecting and reducing unauthorized network access
US11210354B1 (en) * 2018-07-26 2021-12-28 Coupa Software Incorporated Intelligent, adaptive electronic procurement systems
EP3644243A1 (en) * 2018-10-26 2020-04-29 KBC Groep NV Improved system-user interaction relating to advice
US10937030B2 (en) 2018-12-28 2021-03-02 Mastercard International Incorporated Systems and methods for early detection of network fraud events
US11521211B2 (en) 2018-12-28 2022-12-06 Mastercard International Incorporated Systems and methods for incorporating breach velocities into fraud scoring models
US11151569B2 (en) 2018-12-28 2021-10-19 Mastercard International Incorporated Systems and methods for improved detection of network fraud events
US11157913B2 (en) 2018-12-28 2021-10-26 Mastercard International Incorporated Systems and methods for improved detection of network fraud events
CN110751504B (zh) * 2019-09-11 2025-05-27 汉海信息技术(上海)有限公司 商户聚类方法及装置、商户推荐方法及装置、电子设备
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
US20210304284A1 (en) * 2020-03-31 2021-09-30 Intuit Inc. Determining user spending propensities for smart recommendations
US11488186B2 (en) * 2020-04-22 2022-11-01 Capital One Services, Llc Recommendation system for patterned purchases
US20210334805A1 (en) * 2020-04-27 2021-10-28 Capital One Services, Llc System and method for detecting events
US20230012164A1 (en) * 2021-07-07 2023-01-12 Capital One Services, Llc Customized Merchant Price Ratings
US12288215B2 (en) * 2022-12-01 2025-04-29 Bank Of America Corporation Multidimensional transaction pattern tracking and prediction
US20240403936A1 (en) * 2023-05-30 2024-12-05 Intuit Inc. Friendship-based recommender system
CN120256739B (zh) * 2025-06-04 2025-10-31 北京银行股份有限公司 基于检索增强的大模型智能客服方法及系统

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4914615A (en) * 1987-09-04 1990-04-03 At&T Bell Laboratories Calculator of matrix products
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
CN102799671A (zh) * 2012-07-17 2012-11-28 西安电子科技大学 基于PageRank算法的网络个性化推荐方法
CN103455937A (zh) * 2013-08-22 2013-12-18 浙江工商大学 社区商务云环境下面向大规模商家优选的矩阵适配方法
CN103823908A (zh) * 2014-03-21 2014-05-28 北京飞流九天科技有限公司 基于用户偏好的内容推荐方法和服务器
WO2014143352A1 (en) * 2013-03-12 2014-09-18 Mastercard International Incorporated Systems and methods for recommending merchants
CN104166702A (zh) * 2014-08-04 2014-11-26 浙江财经大学 一种面向服务供应链网络的服务推荐方法
US20140372338A1 (en) * 2013-06-18 2014-12-18 Capital One Financial Corporation Systems and methods for recommending merchants to a consumer
US20150019290A1 (en) * 2013-07-12 2015-01-15 Capital One Financial Corporation Systems and methods for representing consumer behavior
CN104463637A (zh) * 2014-12-23 2015-03-25 北京石油化工学院 一种基于电商平台的商品推荐方法、装置及服务器
CN104732422A (zh) * 2015-02-27 2015-06-24 湖南大学 基于移动用户标签的个性化美食推荐方法
CN105025091A (zh) * 2015-06-26 2015-11-04 南京邮电大学 一种基于移动用户位置的商铺推荐方法
CN105096151A (zh) * 2014-05-15 2015-11-25 中国移动通信集团公司 信息推荐方法及装置、服务器

Family Cites Families (72)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6430539B1 (en) * 1999-05-06 2002-08-06 Hnc Software Predictive modeling of consumer financial behavior
JP2001014349A (ja) 1999-06-28 2001-01-19 Nippon Telegr & Teleph Corp <Ntt> 協調情報フィルタリング用レイティングシステム
AU8741101A (en) * 2000-08-22 2002-03-04 Ernex Marketing Technologies I Marketing systems and methods
FR2816087A1 (fr) * 2000-10-31 2002-05-03 France Telecom Procede de gestion d'un justificatif de reservation d'un produit ou service et dispositif pour sa mise en oeuvre
US7133859B1 (en) * 2001-01-05 2006-11-07 Palm, Inc. Category specific sort and display instructions for an electronic device
US6865480B2 (en) * 2002-06-19 2005-03-08 Alpine Electronics, Inc Display method and apparatus for navigation system
US7069244B2 (en) * 2002-09-17 2006-06-27 First Data Corporation Method and system for merchant processing of purchase card transactions with expanded card type acceptance
US20040236660A1 (en) * 2003-05-19 2004-11-25 Thomas T. Randal Multiparty transaction system
US7522995B2 (en) * 2004-02-05 2009-04-21 Nortrup Edward H Method and system for providing travel time information
US7792697B2 (en) * 2004-12-28 2010-09-07 American Express Travel Related Services Company, Inc. System and method for predicting card member spending using collaborative filtering
US7672865B2 (en) * 2005-10-21 2010-03-02 Fair Isaac Corporation Method and apparatus for retail data mining using pair-wise co-occurrence consistency
US20070106468A1 (en) * 2005-11-07 2007-05-10 France Telecom Product, service and activity based interactive trip mapping system, method, and computer program product
US7867538B2 (en) * 2005-12-20 2011-01-11 Archer Daniels Midland Company Processes of improving the quality of oil and products produced therefrom
US20070150369A1 (en) * 2005-12-28 2007-06-28 Zivin Michael A Method and system for determining the optimal travel route by which customers can purchase local goods at the lowest total cost
US20080082373A1 (en) * 2006-10-03 2008-04-03 American Express Travel Related Services Co., Inc. System and method for improved itinerary providing merchant information
JP4950753B2 (ja) 2007-05-10 2012-06-13 日本放送協会 コメント収集解析装置およびそのプログラム
EP2176730A4 (en) * 2007-08-08 2011-04-20 Baynote Inc METHOD AND DEVICE FOR CONTENTS RECOMMENDATION ON CONTEXT BASIS
US20090177301A1 (en) * 2007-12-03 2009-07-09 Codentity, Llc Scalable system and method for an integrated digital media catalog, management and reproduction system
US8510137B2 (en) * 2007-12-17 2013-08-13 Smooth Productions Inc. Communications system and method for serving electronic content
US8161419B2 (en) * 2007-12-17 2012-04-17 Smooth Productions Inc. Integrated graphical user interface and system with focusing
US8738486B2 (en) 2007-12-31 2014-05-27 Mastercard International Incorporated Methods and apparatus for implementing an ensemble merchant prediction system
US8793065B2 (en) * 2008-02-19 2014-07-29 Microsoft Corporation Route-based activity planner
US8634796B2 (en) * 2008-03-14 2014-01-21 William J. Johnson System and method for location based exchanges of data facilitating distributed location applications
US8897742B2 (en) * 2009-11-13 2014-11-25 William J. Johnson System and method for sudden proximal user interface
US20090271246A1 (en) 2008-04-28 2009-10-29 American Express Travel Related Services Company, Inc. Merchant recommendation system and method
US8341184B2 (en) * 2008-05-07 2012-12-25 Smooth Productions Inc. Communications network system and service provider
US9092772B2 (en) * 2009-02-16 2015-07-28 Xius Corp. Integrated system and method for enabling mobile commerce transactions using “contactless identity modules in mobile handsets”
US20100250290A1 (en) * 2009-03-27 2010-09-30 Vegas.Com System and method for token-based transactions
US8150741B2 (en) * 2010-03-15 2012-04-03 Microsoft Corporation Shopping assistant
US10242327B2 (en) * 2010-11-15 2019-03-26 Pros Travel Commerce, Inc. Discovering and reserving travel solutions
US20130324074A1 (en) * 2010-12-09 2013-12-05 Community Connections Australia Mobility aid system
US9684690B2 (en) * 2011-01-12 2017-06-20 Google Inc. Flights search
JP5528388B2 (ja) * 2011-04-11 2014-06-25 日本電信電話株式会社 情報推薦装置及び方法及びプログラム
US8861861B2 (en) * 2011-05-10 2014-10-14 Expensify, Inc. System and method for processing receipts and other records of users
WO2013013093A1 (en) 2011-07-20 2013-01-24 Ness Computing, Inc. Method and apparatus for quickly evaluating entities
WO2013020082A2 (en) * 2011-08-04 2013-02-07 Connors Robert W Content changeable smart phone application for navigable venues and multi-party navigational system
US20180032997A1 (en) * 2012-10-09 2018-02-01 George A. Gordon System, method, and computer program product for determining whether to prompt an action by a platform in connection with a mobile device
US20130103439A1 (en) * 2011-10-21 2013-04-25 Getgoing, Inc. System and method for facilitating the purchase of a travel itinerary subject to date uncertainty
US20130325839A1 (en) * 2012-03-05 2013-12-05 TeleCommunication Communication Systems, Inc. Single Search Box Global
US20130275426A1 (en) * 2012-04-16 2013-10-17 Eugenio Minvielle Information System for Nutritional Substances
US9195988B2 (en) * 2012-03-13 2015-11-24 American Express Travel Related Services Company, Inc. Systems and methods for an analysis cycle to determine interest merchants
US20130275460A1 (en) * 2012-04-16 2013-10-17 Eugenio Minvielle Consumer Information System for Nutritional Substances
US20130275037A1 (en) * 2012-04-16 2013-10-17 Eugenio Minvielle Consumer Information and Navigation System for Nutritional Substances
US20140005848A1 (en) * 2012-06-28 2014-01-02 Toyota Infotechnology Center Co., Ltd. Event Control Schedule Management
US20140067564A1 (en) * 2012-08-30 2014-03-06 Ebay Inc. Shopping list creator and optimizer
US20140095273A1 (en) * 2012-09-28 2014-04-03 Catalina Marketing Corporation Basket aggregator and locator
US10977701B2 (en) * 2012-12-04 2021-04-13 Crutchfield Corporation Techniques for providing retail customers a seamless, individualized discovery and shopping experience between online and brick and mortar retail locations
US11748782B2 (en) * 2012-12-28 2023-09-05 Henry Peter Badenhop Mobile billboard structure and platform for smartphone APP messaging system interface
US11823232B2 (en) * 2012-12-28 2023-11-21 Henry Peter Badenhop Mobile billboard structure and platform method for smartphone app messaging system interface
JP6034229B2 (ja) * 2013-03-29 2016-11-30 株式会社デンソーアイティーラボラトリ 位置情報処理装置及び位置情報処理方法
US9015800B2 (en) * 2013-04-30 2015-04-21 Unisys Corporation User security comparison and reversion
US20150026070A1 (en) * 2013-07-16 2015-01-22 Mastercard International Incorporated Systems and methods for correlating cardholder identity attributes on a payment card network to determine payment card fraud
US20150032565A1 (en) * 2013-07-25 2015-01-29 Mastercard International Incorporated Systems and methods for recommending merchants
US20150149220A1 (en) * 2013-11-26 2015-05-28 Verizon Patent And Licensing Inc. Methods and Procedures for a Travel Assistance Platform
US9483765B2 (en) * 2013-12-09 2016-11-01 Mastercard International Incorporated Systems and methods for monitoring payment transactions for fraud using social media
US20150278910A1 (en) 2014-03-31 2015-10-01 Microsoft Corporation Directed Recommendations
US9367563B2 (en) * 2014-05-30 2016-06-14 Amadeus S.A.S. Managing records in a travel management system
US20180011863A1 (en) * 2014-12-10 2018-01-11 Cyberdor Llc Geo-based information provision, search and access method and software system
JP6587750B2 (ja) 2015-12-11 2019-10-09 マスターカード インターナシヨナル インコーポレーテツド データコーパスを用いて提案を生成するシステム及び方法
US20180082251A1 (en) * 2016-09-21 2018-03-22 Wal-Mart Stores, Inc. Systems and methods for suggesting pick up locations based on customer driving patterns
US20180082352A1 (en) * 2016-09-21 2018-03-22 Wal-Mart Stores, Inc. Systems and methods for coordinating customer pick up with a vehicle wash
US10943289B2 (en) * 2016-09-21 2021-03-09 Walmart Apollo, Llc System and method for determining shopping facilities available for customer pick up of orders
US20180082361A1 (en) * 2016-09-21 2018-03-22 Wal-Mart Stores, Inc. Systems and methods for generating a visual representation showing order availability at shopping facilities
US20180082356A1 (en) * 2016-09-21 2018-03-22 Wal-Mart Stores, Inc. Systems and methods for determining customer availability for customer pick up of orders
WO2019006116A1 (en) * 2017-06-28 2019-01-03 PetSmart Home Office, Inc. METHODS AND SYSTEMS FOR AUTOMATICALLY DRESSING THE CARD OF A RETAIL ESTABLISHMENT
US20190340220A1 (en) * 2018-05-04 2019-11-07 Bruno Larvol Method and system for determining importance of pharmaceutical products and combinations thereof within a document
WO2020006553A1 (en) * 2018-06-29 2020-01-02 Ghost House Technology, Llc System, apparatus and method of item location, list creation, routing, imaging and detection
US10824296B2 (en) * 2018-08-22 2020-11-03 International Business Machines Corporation Configuring an application for launching
US11880877B2 (en) * 2018-12-07 2024-01-23 Ghost House Technology, Llc System for imaging and detection
JP2020119124A (ja) * 2019-01-22 2020-08-06 本田技研工業株式会社 同行移動体
US20200372437A1 (en) * 2019-05-20 2020-11-26 Coupang Corporation Computerized systems and methods for package delivery
US20200372459A1 (en) * 2019-05-20 2020-11-26 Coupang Corp. Computerized systems and methods for package delivery

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4914615A (en) * 1987-09-04 1990-04-03 At&T Bell Laboratories Calculator of matrix products
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
CN102799671A (zh) * 2012-07-17 2012-11-28 西安电子科技大学 基于PageRank算法的网络个性化推荐方法
WO2014143352A1 (en) * 2013-03-12 2014-09-18 Mastercard International Incorporated Systems and methods for recommending merchants
US20140372338A1 (en) * 2013-06-18 2014-12-18 Capital One Financial Corporation Systems and methods for recommending merchants to a consumer
US20150019290A1 (en) * 2013-07-12 2015-01-15 Capital One Financial Corporation Systems and methods for representing consumer behavior
CN103455937A (zh) * 2013-08-22 2013-12-18 浙江工商大学 社区商务云环境下面向大规模商家优选的矩阵适配方法
CN103823908A (zh) * 2014-03-21 2014-05-28 北京飞流九天科技有限公司 基于用户偏好的内容推荐方法和服务器
CN105096151A (zh) * 2014-05-15 2015-11-25 中国移动通信集团公司 信息推荐方法及装置、服务器
CN104166702A (zh) * 2014-08-04 2014-11-26 浙江财经大学 一种面向服务供应链网络的服务推荐方法
CN104463637A (zh) * 2014-12-23 2015-03-25 北京石油化工学院 一种基于电商平台的商品推荐方法、装置及服务器
CN104732422A (zh) * 2015-02-27 2015-06-24 湖南大学 基于移动用户标签的个性化美食推荐方法
CN105025091A (zh) * 2015-06-26 2015-11-04 南京邮电大学 一种基于移动用户位置的商铺推荐方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张光前 等: "电子商务推荐的研究现状及其发展前景", 《情报杂志》 *
曹阳 等: "一种融合PageRank的协同过滤帖子推荐方法", 《中国科学技术大学学报》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109858959A (zh) * 2019-01-18 2019-06-07 深圳壹账通智能科技有限公司 信用卡推荐方法、装置、计算机设备及存储介质
CN110533454A (zh) * 2019-07-24 2019-12-03 阿里巴巴集团控股有限公司 一种识别业务对象群体的方法及系统

Also Published As

Publication number Publication date
US20240037633A1 (en) 2024-02-01
CA3008140A1 (en) 2017-06-15
JP6587750B2 (ja) 2019-10-09
SG11201804938WA (en) 2018-07-30
CA3124346A1 (en) 2017-06-15
CN108701313B (zh) 2022-06-03
MX2018006571A (es) 2018-08-01
US12288240B2 (en) 2025-04-29
US20170169500A1 (en) 2017-06-15
WO2017100677A1 (en) 2017-06-15
JP2018536949A (ja) 2018-12-13
US11790431B2 (en) 2023-10-17
US20220036429A1 (en) 2022-02-03
CA3008140C (en) 2021-09-07
AU2016366555A1 (en) 2018-05-24
BR112018010165A2 (pt) 2018-11-21

Similar Documents

Publication Publication Date Title
US12288240B2 (en) Systems and methods for generating recommendations using a corpus of data
CN108140203B (zh) 用于通过性质图形模型生成关系的系统和方法
US10719834B2 (en) Systems and methods for recommending merchants
US20190020557A1 (en) Methods and systems for analyzing entity performance
US10909590B2 (en) Merchant and item ratings
US20150363840A1 (en) Systems and Methods for Recommending Merchants to Consumers
US20140372338A1 (en) Systems and methods for recommending merchants to a consumer
US20200058052A1 (en) Systems and methods for recommending merchants
US20150161623A1 (en) Generating customer profiles using temporal behavior maps
US20170148081A1 (en) Method and system for recommending relevant merchants for a consumer at a given geographical location by evaluating the strength of the intersect between consumer vectors and merchant vectors
US20160275595A1 (en) Methods and systems for recommending a travel itinerary
US9754289B2 (en) Systems and methods for providing recommendations to residential relocators
WO2013028531A1 (en) Methods and systems for redemption preference profiling of a cardholder within a payment network
CN105009156A (zh) 用于生成个性化项目列表的框架
US20240112204A1 (en) Systems and methods for merging networks of heterogeneous data
CN110268435B (zh) 用于计算真实性得分的系统和方法
US10929858B1 (en) Systems and methods for managing customer data
US20160275529A1 (en) Method and system for recommending a competitor
US20170364577A1 (en) Search engine data validation method and system
US20150371248A1 (en) Systems and methods for determining sales migration between merchant types
BR112018010165B1 (pt) Método baseado em computador para recomendar um comerciante, sistema de recomendação para recomendar um comerciante e meios de armazenamento não transitórios legíveis por computador
AU2017208346A1 (en) Systems and methods for recommending merchants
AU2012259040A1 (en) Systems and methods for recommending merchants

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