发明领域公开了用于为特定消费者传送以电子方式生成的报价，并且更具体地讲，用于获得和接收具有特定类型或形式且来自指定源的数据，并且处理所述数据以作为从判定库生成的输出的方法和系统。本申请要求2014年11月13日提交的澳大利亚临时专利申请no.2014904566和2014年11月14日提交的澳大利亚临时专利申请no.2014904577的优先权，其内容以引用的方式全文并入本文。
背景技术：
：：企业越来越多地从传统营销形式诸如印刷、广播和电视转向经由以电子方式生成的广告和报价进行的营销。以电子方式生成的广告和报价经由电子邮件、sms、网页浏览期间的展示等传送到消费者和潜在消费者。供应商提供的报价一般决定了营销过程。也就是说，供应商具有一个报价或一组报价，并且随后将选择营销报价的一组消费者。这种方法的结果通常产生差的被接受结果。引导营销活动的方式通常建立如下：步骤1-对每次活动作出消费者选择。消费者选自其中特定消费者基于某些属性组合在一起的消费者细分组。例如，生活在新南威尔士州(nsw)、没有abc银行的信用卡而是仅仅使用他们的借记卡来取款的30至40岁的成年人。步骤2-为活动附加“报价”(例如，abc银行的信用卡，第一年免年费)。需注意，可通过首先创建另一个活动且随后为该活动附加另一个报价来为同一消费者选择附加另一个报价(例如，来自abc银行的个人贷款)。步骤3-为活动附加“一个渠道”(或多个渠道)。这是用于向选定消费者传送报价的通信媒介，例如，直接邮件或电子邮件。步骤4-确定活动运行的频率，例如，一次、“n”天内每天一次、“n”周内每周一次。以上四个步骤称为“活动优化”方法。在任何时间点(例如，每天)，组织将执行多个直接营销活动(不必是基于活动运行频率(如步骤4所定义)可用的全部直接营销活动)。消费者可进行超过一个活动(步骤1)。由于已定义的消费者“联系规则”，至少在澳大利亚，针对消费者的常见做法是仅被这些活动之一联系。因此，目前产品确定消费者针对特定日期运行的活动接收哪个报价。ibmoptimisetm(先前为unicaoptimisetm)是一种这样的产品。它基于被提供给“优化引擎”的输入而使用基于确定性规则的逻辑。输入的实例包括倾向评分或活动属性诸如“活动类型”(例如，机上销售、交叉销售或向上销售)或“目标方法”(意指用于创建消费者选择标准(例如，倾向)模型、触发(消费者动作/行为)或宽泛基础的方法)或“业务单元”(例如，信用卡与个人贷款)。除了优化逻辑是基于规则这一事实外(这相对简单)，还仅仅在已安排来在该特定日期运行的活动之间进行仲裁，这是相当受限的，并且因此通常导致差的被接受结果。本发明是在这个背景下提出的。技术实现要素：本发明的实施方案致力于克服或至少改善上文提及的现有技术的一个或多个缺陷，或给消费者提供有用的或商业选择。本发明的实施方案的优点通过以下结合附图的描述将变得显而易见，其中通过图解和举例的方式公开了本发明的优选实施方案。根据本发明的第一宽泛方面，提供了一种用于为消费者生成报价的方法，所述方法包括：检索产品评分，所述产品评分包括第一消费者购买第一产品的概率；获得购买行为值，并且产生购买行为值的评分，所述评分包括通过所收集的所述第一消费者的购买行动的数据的特征确定的校准后的评分；利用所述购买行为值的所述评分处理所述产品评分以生成第一产品行为评分；利用以类似方式得到的第二产品行为评分处理所述第一产品行为评分以确定是否为所述第一消费者以电子方式生成第一报价或第二报价；以及生成所述第一报价和所述第二报价中的至少一者以便传送到所述第一消费者。根据本发明的第二宽泛方面，提供了一种用于为消费者生成报价的方法，所述方法包括：接收存储于报价库中的多个报价，所述报价库填充有多个报价供应商的报价；其中所述报价与产品评分相关，所述产品评分包括特定消费者购买第一产品的概率；获得购买行为值并且生成与所述特定消费者有关的所述购买行为值的评分，所述购买行为值的所述评分包括通过所收集的所述特定消费者的所述购买行动的数据和/或与所述特定消费者的所述购买行动相关的数据的特征确定的校准后的评分；利用所述购买行为值的所述评分处理所述产品评分以生成第一产品行为评分，作为利用所述购买行为值的所述评分处理所述产品评分的结果；利用以类似方式得到的第二产品行为评分处理所述第一产品行为评分以确定是否为所述第一消费者生成第一报价或第二报价；以及生成所述第一报价和所述第二报价中的至少一者以便传送到所述第一消费者。在一个实施方案中，所述方法还包括获得购买行为值，并且生成第二消费者的购买行为值的评分，其中所述第一消费者的所述数据的特征可与所述第二消费者的所述特征数据区分开来。在另一个实施方案中，传送是经由电子邮件、网站、移动应用，文本消息和语音消息中的至少一者进行的电子传送。在又一个实施方案中，传送渠道选自分支、呼叫中心和销售点。在一个实施方案中，传送方法针对任何消费者分批且实时地进行。在另一个实施方案中，所述方法还包括处理所述第一报价和所述第二报价中的至少一者以便在指定时间范围内传送。在又一个实施方案中，所述方法包括在为所述第一消费者生成所述第二报价之前，确定生成所述第一报价或所述第二报价是否违反了与针对所述第一消费者的所述第一报价和所述第二报价中的至少一者相关的规则。在一个实施方案中，所述第一消费者的所述购买行动涉及到折扣购买倾向。在另一个实施方案中，所述第一消费者的所述购买行动涉及到名牌购买倾向。在又一个实施方案中，所述第一消费者的所述购买行动涉及到产品地理来源购买倾向。在一个实施方案中，所述第一消费者的所述购买行动涉及到产品质量购买倾向。在另一个实施方案中，所述第一消费者的所述购买行动涉及到频率购买倾向。在又一个实施方案中，所述第一消费者的所述购买行动涉及到广告响应购买倾向。在一个实施方案中，所述第一产品行为评分和所述第二产品行为评分被加权。在另一个实施方案中，所述购买行动包括历史购买的货币值。在又一个实施方案中，所述第一消费者为个人消费者和消费者群体成员之一。在一个实施方案中，所述购买行为值的所述评分被动态地校准。根据本发明的第三宽泛方面，提供了一种装置应用的方法，所述方法包括：在所述装置的显示器上显示所接收的第一报价；接收表示与所述第一报价有关的动作的第一输入；生成用于根据所述第一输入生成保存报价的保存过程；将所述显示器上的所述第一电子报价根据所述第一输入替换为所述显示器上所接收的第二报价；在所述显示器上显示所接收的第二报价；接收表示与所述第二报价有关的动作的第二输入；如果所述第二输入包括保存所述报价，则生成用于根据所述第二输入生成保存报价的保存过程；以及传输与一个或多个所述保存报价有关的数据。在一个实施方案中，其中所述应用与数据处理进行通信，所述方法还包括：接收一个或多个保存报价作为输入；以及获得所述购买行为值的评分，所述评分包括通过所收集的与所接收的一个或多个保存报价有关的数据的特征确定的以动态方式校准后的评分。在另一个实施方案中，所述方法还包括生成第三报价以便根据所述接收的一个或多个保存报价来显示。在又一个实施方案中，所述第一报价和所述第二报价的传送包括检索产品评分，所述产品评分包括消费者购买第一产品和第二产品的概率。在一个实施方案中，所述方法还包括：处理所述购买行为值以生成所述购买行为值的评分；以及利用所述购买行为值的所述评分处理所述产品评分以生成产品行为评分，从而确定所述第三报价用于传送以便显示。在另一个实施方案中，所述方法还包括生成所述第三报价以便根据所述购买行为评分来显示。在又一个实施方案中，所述方法包括，如果所述第一输入为忽略所述报价或如果所述第二输入为忽略所述报价，则将所述显示器上的所述第一报价或所述第二报价替换为在所述显示器上所接收的另一报价。在一个实施方案中，所述方法还包括处理所述第一报价和所述第二报价中的至少一者以便在指定时间范围内传送。在另一个实施方案中，传送方法针对任何消费者成批且实时地进行。在又一个实施方案中，所述装置包括移动装置。根据本发明的又一宽泛方面，提供了一种用于为消费者生成报价的系统，所述系统包括控制器和存储用于控制所述控制器的电子程序指令的存储装置，其中所述控制器可在所述电子程序指令的控制下操作来：接收产品评分，所述产品评分包括第一消费者购买第一产品的概率；获得购买行为值，并且生成购买行为值的评分，所述评分包括通过所收集的所述第一消费者的所述购买行动的数据和/或与所述第一消费者的所述购买行动相关的数据的特征确定的校准后的评分；利用所述购买行为值的所述评分处理所述产品评分以生成第一产品行为评分；利用以类似方式得到的第二产品行为评分处理所述第一产品行为评分以确定是否为所述第一消费者以电子方式生成第一报价或第二报价；以及生成所述第一报价和所述第二报价中的至少一者以便传送到所述第一消费者。根据本发明的另一宽泛方面，提供了一种用于为消费者生成报价的装置，所述装置包括控制器和存储了用于控制所述控制器的电子程序指令的存储装置，其中所述控制器可在所述电子程序指令的控制下操作来：接收产品评分，所述产品评分包括第一消费者购买第一产品的概率；获得购买行为值，并且生成购买行为值的评分，所述评分包括通过所收集的所述第一消费者的所述购买行动的数据和/或与所述第一消费者的所述购买行动相关的数据的特征确定的校准后的评分；利用所述购买行为值的所述评分处理所述产品评分以生成第一产品行为评分；利用以类似方式得到的第二产品行为评分处理所述第一产品行为评分以确定是否为所述第一消费者以电子方式生成第一报价或第二报价；以及生成所述第一报价和所述第二报价中的至少一者以便传送到所述第一消费者。根据本发明的附加宽泛方面，提供了一种用于为消费者生成报价的系统，所述系统包括控制器和存储用于控制所述控制器的电子程序指令的存储装置，其中所述控制器可在所述电子程序指令的控制下操作来：接收存储于报价库中的多个报价，所述报价库填充有多个报价供应商的报价；其中所述报价与产品评分相关，所述产品评分包括特定消费者购买第一产品的概率；获得购买行为值并且生成与所述特定消费者有关的所述购买行为值的评分，所述购买行为值的所述评分包括通过所收集的所述特定消费者的所述购买行动的数据和/或与所述特定消费者的所述购买行动相关的数据的特征确定的校准后的评分；利用所述购买行为值的所述评分处理所述产品评分以生成第一产品行为评分，作为利用所述购买行为值的所述评分处理所述产品评分的结果；利用以类似方式得到的第二产品行为评分处理所述第一产品行为评分以确定是否为所述第一消费者生成第一报价或第二报价；以及生成所述第一报价和所述第二报价中的至少一者以便传送到所述第一消费者。根据本发明的又一宽泛方面，提供了一种用于为消费者生成报价的装置，所述装置包括控制器和存储用于控制所述控制器的电子程序指令的存储装置，其中所述控制器可在所述电子程序指令的控制下操作来：接收存储于报价库中的多个报价，所述报价库填充有多个报价供应商的报价；其中所述报价与所述产品评分相关，所述产品评分包括特定消费者购买第一产品的概率；获得购买行为值并且生成与所述特定消费者有关的所述购买行为值的评分，所述购买行为值的所述评分包括通过所收集的所述特定消费者的所述购买行动的数据和/或与所述特定消费者的所述购买行动相关的数据的特征确定的校准后的评分；利用所述购买行为值的所述评分处理所述产品评分以生成第一产品行为评分，作为利用所述购买行为值的所述评分处理所述产品评分的结果；利用以类似方式得到的第二产品行为评分处理所述第一产品行为评分以确定是否为所述第一消费者生成第一报价或第二报价；以及生成所述第一报价和所述第二报价中的至少一者以便传送到所述第一消费者。根据本发明的另一宽泛方面，提供了一种其上存储有指令的计算机可读存储介质，所述指令在由计算装置执行时，使得所述计算装置执行如本文所述的根据本发明的第一、第二或第三宽泛方面的方法的任何实施方案。根据本发明的一个宽泛方面，提供了一种计算装置，所述计算装置被编程以执行如本文所述的根据本发明的第一、第二或第三宽泛方面的方法的任何实施方案。根据本发明的另一宽泛方面，提供了一种数据信号，所述数据信号包括能够由计算系统接收并解释的至少一个指令，其中所述指令实施如本文所述的根据本发明的第一、第二或第三宽泛方面的方法的任何实施方案。根据本发明的又一宽泛方面，提供了一种用于为消费者生成报价的方法，所述方法包括使用如本文所述的根据本发明的一个宽泛方面的任何实施方案的系统或装置。除了本文所述的其他有益特征外，本发明的实施方案还通过将消费者选择与报价和(通信)渠道去耦而提供营销活动的改进的被接受结果。这样，针对消费者的报价的更纯、更优的分配可以基于市场中的可用报价库(由一个或多个组织提供)，即不限于报价在某一天附加于活动，并且提供对“优化”问题的解决方案。这样，以电子方式生成的广告和报价根据本文所述的本发明各方面的系统和方法的实施方案而经由电子邮件、sms、网页浏览期间的展示等传送到消费者和潜在消费者。本发明各方面的系统和方法的实施方案可利用直接邮件和呼叫中心提供直接报价。本发明的描述并非旨在限制报价的传送方法。在本发明的多个实施方案中，存在多种数据类型，以及优选地三个阶段，这可称为阶段1、阶段2和阶段3的数据类型，在不同的情况下均可适用。如以下进一步详细描述，阶段1数据为消费者数据，可由消费者或与消费者相关的某个人提供。阶段2数据为交易数据，根据消费者进行的交易来收集。阶段3数据为行为数据，通过研究消费者特定的购买习惯而获得。例如，在阶段3中，研究购买倾向，诸如折扣购买倾向、产品类型购买倾向、奖励购买倾向、特定类型的产品购买频率倾向、价格购买倾向、名牌购买倾向、产品地理来源购买倾向等。使用了这些数据类型的过程在以下详细论述。实施方案的方法包括对个人评分，其中在现有技术中，细分形成同质消费者，将消费者分为同类群组。如所提及的，在现有技术中，报价分配从报价开始。在本发明的实施方案中，产品关联可能是消费者特定的。在本发明的多个实施方案中，可包括以下步骤以便最终为一个或多个消费者生成电子报价：1.消费者选择独立于其他过程进行。这可独特地表征为并且包括以下各项之一或二者：(a)消费者属性，诸如人口统计；以及(b)消费者的状态变化，例如交易活动下降。在多个实施方案中，这用于提供对话上下文。2.“报价库”独立于其他过程来管理；在多个实施方案中，它将存放由组织提供的向消费者给出的全部或至少一些可用报价。这可独特地表征为报价属性，可宽泛地分类为三个报价属性类型，如下所示：(a)报价约束，例如，资格标准(年龄＞18)；(b)报价值属性，例如，折扣水平、价格；以及(c)产品属性，例如，产品的频率/重复性、特定产品所属的产品类别、产品的购买周期、产品的尺寸(例如，洗发水：500ml与1l)。3.在多个实施方案中，其次最佳报价(nbo)优化引擎可操作来为每个消费者分配/计算“评分”(步骤1)以及用于确定每个消费者的最佳结果(报价)的报价(步骤2)组合。该过程在以下关于阶段1和阶段2进一步详细描述。在多个实施方案中，nbo引擎将不仅考虑最适当的产品，而且考虑消费者如何购买东西(他们的“购买行为”)作为加权评分，这在以下关于阶段3进一步详细描述。应当指出的是，在本发明的多个实施方案中，可能有额外的全局约束(即，不仅限于报价)，即nbo优化引擎也适用于确保最终选择尤其“有资格”消费者。4.最后，在多个实施方案中，作出其他决策以确定将报价传达到消费者所经由的最优渠道。最优渠道可以不同方式确定。然而，在本发明的多个实施方案中，电子传送机制或路径比针对特定消费者的适当消费者报价存在更少问题。本发明的实施方案具有多个应用，提供对优化问题的解决方案，可用于增强消费者体验和它们对组织的价值(例如，如果组织能够表明它们可以更好地满足消费者的需求和需要，那么这很可能导致消费者的保持力、忠诚度和支出增大)。按照与“活动优化”实例(如上所述)不同的方式，如果给出了消费者选择，即通过一种方式或另一种方式供应(阶段1、阶段2和/或阶段3)，则待解决的问题可以是消费者的最优报价或报价组的识别。这样，适当的消费者报价可能会得出改进的被接受结果。本文描述了nbo优化引擎自身的实施方案以及在以商标beepittm提供的产品以及所引用的“beepittm阶段2”的扩展的情况下的支持过程背后的细节，“beepittm阶段2”进一步描述了阶段3。虽然beepittm产品在本发明的描述中为有用的模型，但绝不意味着beepittm产品的描述是对本发明的描述的范围的限制。本文所用的可互换术语为beepie＝角色，成员＝个人＝用户和场合＝事件。因此，所公开的本发明的各方面为用于为消费者生成报价的方法和用于执行方法的系统，包括：检索产品评分，所述产品评分包括第一消费者购买第一产品的概率；获得购买行为值；以及生成购买行为值的评分，所述评分包括通过所收集的所述第一消费者的所述购买行动的数据的特征确定的校准后的评分；利用所述购买行为值的所述评分处理所述产品评分以生成第一产品行为评分；利用以类似方式得到的第二产品行为评分处理(可为比较)所述第一产品行为评分以确定是否为所述第一消费者以电子方式生成第一报价或第二报价；以及生成所述第一报价和所述第二报价中的至少一者以便传送到所述第一消费者。所公开的方法和用于执行所述方法的系统可包括接收存储于报价库中的多个报价，所述报价库填充有多个报价供应商的报价，其中所述报价与所述产品评分相关。公开的本发明的一方面还为：获得购买行为值；以及生成第二消费者的购买行为值的评分，其中所述第一消费者的所述数据的特征可与所述第二消费者的所述特征数据区分开来。此外，公开了以下内容，即所述传送为经由电子邮件、网站、移动应用、文本消息和语音消息中的至少一者进行的电子传送，并且所述传送渠道选自分支、呼叫中心和销售点。还公开了以下内容，即传送方法可针对任何消费者成批地且实时地进行。进一步公开了以下内容，即所述第一报价和所述第二报价中的至少一者以便在指定时间范围内传送，并且在为消费者生成报价之前，所述方法可包括确定生成所述第一报价或所述第二报价是否违反了与针对所述第一消费者的所述第一报价和所述第二报价中的至少一者相关的规则。所述购买行为值的所述评分可以动态地校准。在多个实施方案中，所述第一消费者的所述购买行动可涉及到折扣购买倾向、名牌购买倾向、产品地理来源购买倾向、产品质量购买倾向、频率购买倾向、广告响应购买倾向以及其他考虑倾向。购买行动可包括历史购买的货币值。在多个实施方案中，所公开的方法和用于执行所述方法的系统可包括以下内容，即将所述第一产品行为评分和所述第二产品行为评分加权。消费者可为个人消费者和消费者群体成员之一。本发明的各方面还公开了方法和用于执行所述方法的系统：在所述移动装置的显示屏上显示所接收的第一报价；从所述显示屏接收表示与所述第一报价有关的动作的第一输入；生成用于根据所述第一输入生成保存报价的保存过程；将所述显示屏上的所述第一电子报价根据所述第一输入替换为所述显示屏上所接收的第二报价，在所述显示屏上显示所述接收的第二报价，如果所述第二输入为保存所述报价，则从所述显示屏接收表示与所述第二报价有关的动作的第二输入；生成用于根据所述第二输入生成保存报价的保存过程；以及传输与一个或多个所述保存报价有关的数据。而且，公开了以下内容，即生成第三报价以便根据所述一个或多个所接收的保存报价来显示。还公开了以下内容，即其中所述应用与数据处理进行通信，接收一个或多个保存报价作为输入并且获得所述购买行为值的评分，所述评分包括通过所收集的与一个或多个所接收的保存报价有关的数据的特征确定的以动态方式校准后的评分。还公开了以下内容，即所述第一报价和所述第二报价的传送包括检索产品评分，所述产品评分包括消费者购买第一产品和第二产品的概率。另外公开了以下内容，即处理所述购买行为值以生成所述购买行为值的评分，利用所述购买行为值的所述评分处理所述产品评分以生成产品行为评分，从而确定所述第三报价以便传送用于显示。此外，公开了以下内容，即生成第三报价以便根据所述购买行为评分来显示。还公开了以下内容，即如果所述第一输入为忽略所述报价或如果所述第二输入为忽略所述报价，那么将所述显示屏上的所述第一报价或所述第二报价替换为所述显示屏上所接收的另一报价。附图简述尽管任何其他实施方案也可落在本发明的范围内，但现在将参考附图仅以举例的方式描述本发明的实施方案，附图中：图1显示了根据本发明各方面的例如具有移动装置应用的系统实施方案，其中呈消费者偏好数据的形式的消费者行为由用户保存并处理以根据消费者行为来提供报价；图2显示了根据本发明的一个方面的装置实施方案的示意图；图3显示了最终得出产品评分的阶段1和阶段2的数据和得出购买行为值的评分的阶段3的数据，对所述数据进行处理以生成产品行为评分以及因此针对一个或多个特定消费者的判定报价；以及图4显示了可构成阶段1数据、阶段2数据和阶段3数据的数据类型以及检测消费者数据变化的能力。具体实施方式本发明的范围并不受到以下特定实施方案的限制。具体实施方式仅仅用于例示性目的。功能上等同的产品、组成和方法落入如本文所述的本发明的范围内。与该定位一致，本领域内技术人员应当理解，本文描述的本发明易于进行除所特别描述的之外的变化和修改。应当理解，本发明包括所有这样的变化和修改。本发明也包括在本说明书中单独或共同提及或指出的所有步骤、特征、组成和化合物，并包括任何或全部的组合或任何两个或更多的所述步骤或特征。本文的实例更全面地描述了本发明的另外的特征。然而，应当理解，具体实施方式仅仅为了例示本发明的目的而被包含在内，并且决不应该被理解为对本文阐述的本发明的宽泛描述的限制。本文引述的所有公开物(包括专利、专利申请、期刊文章、实验手册、书和其它文献)的全部公开内容在此以引用的方式并入。绝不是承认任何参考文献构成了现有技术或形成了它们在本发明所涉及领域中作用的普通常识的一部分。在整个说明书中，除非上下文需要，否则词语“包括(comprise)”或变型诸如“包括(comprises)”或“包括(comprising)”将被理解为意味着包括整数或整数组，然而并不排除任何其它的整数或整数组。此外，在整个说明书中，除非上下文需要，否则词语“包括(include)”或变型诸如“包括(includes)”或“包括(including)”将被理解为意味着包括整数或整数组，然而并不排除任何其它的整数或整数组。针对本文所使用的所选择术语的其他定义可发现于本发明的具体实施方式中并且适用于全文。除非另有定义，否则本文所用的全部其他科学和技术术语都具有与本发明所属领域的技术人员普遍理解相同的意义。本文所述的本发明可包括一个或多个数值范围(例如，大小、位移和场强度等)。数值范围应当理解为包括所述范围内的所有数值，包括限定所述范围的数值，以及接近所述范围的数值，所述接近所述范围的数值导致与非常接近于定义所述范围边界的数值相同或基本相同的结果。例如，本领域技术人员应当理解，范围的上限或下限的10％变化可以是完全合适的并且被本发明包含在内。更具体地讲，范围的上限或下限的变化为5％或如本领域普遍认可的，较大的一者。在整个说明书中使用了相对语言诸如词语“大约”和“近似”。这种语言试图并入特定数目或范围的至少10％的变化性。所述变化性可以是所指定的特定数目的正负10％。附图中，相同的特征已用相同的附图标记来标记。如上文所提及的，在本公开中，体现本发明并且以商标beepittm提供的产品是指系统100，所述系统包括消费者偏好数据收集中心和消费者报价优化中心，接收并处理阶段1、阶段2和阶段3的数据以及其他数据，其中以电子方式生成的广告和/或报价的输出可提供改进的被接受结果。如上所述，虽然beepittm产品在本发明的描述中为有用的模型，但绝不意味着beepittm产品的描述是对本发明的范围的限制。beepittm产品或其他体现本发明的产品可提供与特定客户相关的建议或报价的传送。系统100可具有例如网站前端和与其相关的后端数据库。在另一个实施方案中，系统的前端可包括移动装置的应用。前端不是限制性的，因为它包括从所获得且处理后的数据以电子方式生成的报价的输出。在一个实施方案中，多个报价供应商为报价库提供它们的报价，其中的报价根据与评分和与特定消费者相关的其他标准来访问。报价，在通过系统100的操作决定它们适合消费者接受报价的可能性的某些参数时，随后通过系统100的操作传送到消费者的装置。系统100包括经由适当的电路和连接可操作地耦合的多个部件、子系统和/或模块，以使得系统100能够执行本文描述的功能和操作。系统100包括接收、存储和执行适当的计算机指令以实施根据本发明各方面的方法实施方案所必要的合适部件。在所描述的实施方案中，系统100如图1所示包括移动装置应用101，所述移动装置应用可以访问后端报价库102。报价库102可由一个或多个报价供应商107填充。报价供应商107的数量不是限制性的。图1所示的三个报价供应商(分别为107a、107b和107c)表示一个实例。在图1的实施方案中，报价可经由移动应用101推动到消费者的装置104(在图2中进一步详细地显示)并且消费者可经由装置104的用户界面106表示对报价的喜好。这样，可由系统100收集、保存和处理呈消费者偏好或行为数据103形式的消费者行为(在本文称为阶段3数据)以根据那些消费者行为经由装置用户界面106提供报价。与系统100类似，装置104包括经由适当的电路和连接可操作地耦合的多个部件、子系统和/或模块，以使得装置104能够执行本文所述的功能和操作。装置104包括接收、存储和执行适当的计算机指令以实施根据本发明各方面的方法实施方案所必要的合适部件，包括移动装置应用101。具体地讲，并且如图2所示，装置104包括计算装置，所述计算装置在该实施方案中包括控制器108和存储装置110，所述存储装置用于存储用于控制控制器108的电子程序指令(诸如应用101)以及信息和/或数据；显示器112，所述显示器包括用于显示用户界面106的显示屏；以及输入装置114；所有这些均容纳在容器或壳体116内。控制器108可在电子程序指令的控制下操作来经由装置104促进如本文所述的操作的性能。控制器108包括呈处理器形式的处理装置。存储器110包括只读存储器(rom)和随机存取存储器(ram)。装置104能够接收可保持在rom或ram中且可由处理器执行的指令。处理器可操作来在电子程序指令的控制下执行动作，如下文进一步详细描述，包括处理/执行指令并且管理通过装置104的数据和信息流。在本发明的优选实施方案中，装置104为移动装置并且包括智能手机诸如苹果公司的以商标iphonetm销售的智能手机或另一提供商诸如诺基亚公司或三星集团销售的具有android、webos、windows或其他手机应用平台的智能手机。或者，装置104可包括其他计算装置，诸如个人计算机、笔记本计算机或平板计算机，诸如由苹果公司以商标ipadtm或ipodtouchtm销售的装置，或由其他供应商诸如惠普公司或戴尔公司销售的装置或其他合适的装置。在本发明的多个实施方案中，装置104不一定是移动装置。装置104还包括操作系统，所述操作系统能够发布命令并且被布置成与电子程序指令交互作用，以使装置104根据本文所述的本发明的实施方案执行相应的步骤、功能和/或程序。操作系统可适用于所述装置。例如，在其中装置12包括iphonetm智能手机的情况下，操作系统可为ios。装置104可操作来经由一个或多个通信链路通信，所述一个或多个通信链路可以不同方式连接到一个或多个远程装置，诸如系统100的后端报价库102以及服务器、个人计算机、终端、无线或手持式计算装置、陆地线通信装置或移动通信装置诸如移动(手机)电话。多个通信链路中的至少一者可通过电信网络连接到外部计算网络。后端报价库102包括计算系统，所述计算系统在该实施方案中具有服务器的形式。服务器可用于执行应用和/或系统服务以实施根据本发明各方面的方法实施方案。在实施方案中，服务器物理地位于集中式管理的行政中心处。在替代实施方案中，服务器可保持在基于云的平台上。与系统100和装置104类似，服务器包括对于接收、存储和执行适当电子程序指令必要的合适部件。所述部件包括呈以下形式的处理装置：服务器处理器、包括只读存储器(rom)和随机存取存储器(ram)的服务器存储装置、一个或多个服务器输入/输出装置诸如盘驱动器和相关的服务器用户接口。远程通信装置(包括装置104)被布置成经由一个或多个通信链路与服务器通信。服务器能够接收可保持在rom、ram或盘驱动器中且可由服务器处理器执行的指令。服务器处理器能够在电子程序指令的控制下执行动作，如以下进一步详细描述，所述电子程序指令包括处理/执行指令并且管理通过其相应计算系统的数据和信息流。服务器包括服务器操作系统，所述服务器操作系统能够发布命令以访问驻留在其存储装置上的至少一个数据库或数据银行。在实施方案中，至少一个数据库包括报价库102。操作系统被布置成与报价库102且与一组/一套服务器软件的一个或多个计算机程序交互作用，以使服务器根据本文所述的本发明的实施方案执行相应的步骤、功能和/或程序。在本发明的多个实施方案中，可使用任何合适的数据库结构，并且可能有超过一个数据库。系统100、装置104和报价库102的计算部件所用的电子程序指令可以任何合适的语言编写，如本领域技术人员众所周知的那样。在本发明的多个实施方案中，电子程序指令可经由网络被提供为软件、独立应用、一组或多个应用，或作为中间件添加，这取决于具体实施或实施方案的要求。在本发明的替代实施方案中，软件可包括一个或多个模块，并且可以硬件实现。在这种情况下，例如，模块可利用以下技术的任何一个或组合来实现，所述技术在本领域中各自众所周知：具有用于对数据信号实施逻辑功能的逻辑门的离散逻辑电路、具有合适的组合逻辑门的专用集成电路(asic)、可编程门阵列(pga)、场可编程门阵列(fpga)等。相应计算装置可为任何合适类型的系统，包括：可编程逻辑控制器(plc)；数字信号处理器(dsp)；微控制器；个人计算机、笔记本计算机或平板计算机；或者专用服务器或联网服务器。除了与计算装置相关的若干处理器外，相应处理器可为任何定制或商用处理器、中央处理单元(cpu)、数据信号处理器(dsp)或辅助处理器。在本发明的多个实施方案中，处理装置可为例如基于半导体的微处理器(呈微芯片形式)或宏处理器。在本发明的多个实施方案中，相应存储器可包括易失性存储器元件(例如，随机存取存储器(ram)诸如动态随机存取存储器(dram)、静态随机存取存储器(sram))和非易失性存储器元件(例如，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)、可编程只读存储器(prom)、磁带、光盘只读存储器(cd-rom)等)中的任一者或组合。相应存储器可结合有电子介质、磁性介质、光学介质和/或其他类型的存储介质。此外，相应的存储器可具有分布式架构，其中各种部件彼此远离，但可由处理装置访问。例如，rom可存储将由处理装置执行以控制装置104的操作的各种指令、程序、软件或应用并且ram可临时存储操作的变量或结果。使用了软件应用的计算机的使用和操作对于本领域技术人员是众所周知的并且无需在本文进一步详细地描述，除非涉及本发明。此外，可使用任何合适的通信协议来促进系统100的任何子系统或部件、装置104的任何子系统或部件、服务器的任何子系统或部件、以及系统100、装置104和服务器与其他装置或系统之间的连接和通信，包括有线的和无线的，如本领域技术人员众所周知的那样，并且无需在本文进一步详细描述，除非涉及本发明。在本发明的上下文中使用了词语“存储”、“保持”和“保存”或类似词语的情况下，它们被理解为包括对在存储装置、装置或介质中永久地和/或暂时地保留或保持数据或信息以供稍后检索，以及瞬间地或立刻地保留或保持例如作为正执行的处理操作的一部分的引用。另外，在本发明的上下文中使用了术语“系统”、“装置”和“机器”的情况下，它们被理解为包括对可彼此邻近、彼此分离、彼此集成或彼此离散的功能相关或相互作用的、相关的、独立的或相关的部件或元件的任何组合的引用。此外，在本发明的多个实施方案中，词语“确定”被理解为包括接收或存取相关数据或信息。在本发明的实施方案中，用于显示用户界面106的显示器112和用户输入装置被集成在触摸屏124中。在替代实施方案中，这些部件可设置为离散元件或物件。触摸屏124可操作来感测或检测装置104的显示区域内的触摸的存在和位置。触摸屏124的感测到的“触摸”被作为命令或指令输入到装置104并且被传达到控制器108。应当理解，用户输入装置并非限于包括触摸屏，并且在本发明的替代实施方案中，可使用任何适用于接收输入、命令或指令并且提供受控交互的装置包括例如小键盘或键盘、指向装置或复合装置以及包括语音激活、语音和/或思想控制和/或全息成像/投影成像的系统。图1的实施方案显示的原因首先在于为读者提供阶段3所收集的数据可以任何数量的方式发生这一理解。在该示例实施方案中，阶段3数据的收集几乎实时地发生。另一方面，阶段3数据可被存储，因为所述数据可能已在针对消费者的销售期间被接收，可供例如大型零售商诸如连锁超市使用。收集阶段3数据的方式并不由于它是否例如经由应用、网站或“实体”分销渠道被实时接收或存储而受限。在图1的实例中，在接收阶段3的充足的消费者偏好或行为数据之前，根据阶段1和/或阶段2的数据生成报价。一旦获得充足的消费者偏好或行为数据，如上文提及的，nbo引擎105(如以下详细描述)根据阶段3的购买行为来确定并提供这样的信息给至少一个报价供应商107，使得报价供应商可基于消费者行为109等来传送报价或作出推荐。供应商1、2和/或3可关于他们销售的东西提供报价或跨越零售商聚合，诸如存储在报价库102中。报价库也可例如根据阶段3的数据提供的信息而实时地更新。这样，因为购买行为数据已获得且进行了处理，因此图1所示的移动应用的用户可接收与所述用户更为相关的报价并且因此被接受结果可得到改进。图1的特定界面可提供一种移动装置应用的方法，所述方法包括：在移动装置的显示屏上显示所接收的第一电子报价；从所述显示屏接收表示与第一电子报价有关的动作的第一输入；将显示屏上的第一电子报价根据第一输入替换为显示屏上所接收的第二电子报价；在显示屏上显示所接收的第二电子报价；从显示屏接收表示与第二电子报价有关的动作的第二输入；生成用于根据第二输入生成保存电子报价的保存过程；以及传送与保存电子报价有关的数据。第一输入可例如呈屏幕沿第一方向的轻扫的形式。第二输入可例如呈屏幕沿不同于第一方向的方向(第二方向)的轻扫的形式。此外，所描述的方法和系统可提供，应用与数据处理能力例如远程地通信，所述数据处理能力可接收一个或多个保存电子报价。引擎可获得购买行为数据并处理所述购买行为数据以生成购买行为值。购买行为值包括通过所收集的与多个所接收的保存电子报价有关的数据的特征确定的动态校准后的评分或度量。因此，所描述的方法和系统还可提供：生成第三电子报价109以便根据所获得的购买行为值来显示。如上文所提及的，任何数量的产品均可体现所描述的系统和方法。图1示出了移动应用。还描述了以商标beepittm提供的产品。beepittm产品，作为可体现所描述的方法和系统的一个产品，可用于将不同报价供应商的多个报价库相结合，使得消费者可从超过一个报价供应商接收优化后的消费者报价。产品可被不同的组织例如b2b和/或特定行业利用。此外，考虑非商业性尝试，诸如进行任何类型的警告所用的系统。本文所描述的实施方案并不旨在限制描述范围。跨不同组织和行业部署nbo优化引擎可能需要以某种方式设计和变换消费者数据输入并且也以某种方式限定报价属性与报价。如上文所提及的，供应商可在利用阶段3的数据之前基于阶段1和阶段2的数据传送报价或作出推荐且随后与阶段3的数据相结合。阶段1可从消费者或与消费者相关的某人直接获得。阶段1数据收集可包括消费者如何管理他们的偏好并提供信息的框架(例如，喜好和喜好以及他们的通信渠道偏好)。个人可经由产品(诸如以商标beepittm提供的产品，可收集阶段1数据)执行以下操作：1.注册它们自己(即，变为“成员”)和他们的“角色”(即，他们的朋友、家庭成员等)；2.注册他们的以及他们的“角色”的(标准)属性(例如，年龄、性别；见下文)以及对(标准)产品属性的偏好；3.浏览产品并点击，重定向到零售商的产品网站以购买所述产品；4.在日程表上为特定“角色”建立事件并指导beepittm在事件前预指定天数(诸如1至14天)自动发送对事件的提醒；以及5.在提醒中，成员可被例如重定向到零售商的产品网站。零售商可以：1.加入beepittm系统并注册他们的产品，也就是说，将报价库填充到beepittm系统网站或平台上供个人浏览，以及供beepittm系统作为推荐产品放到任何传送渠道中以便提醒。实施方案的beepittm系统可操作来：1.自动记录成员的属性和他们的“角色”以及零售商注册的产品属性；并且每当成员或零售商更新时，自动更新它们。2.自动生成并且向个人发送提醒(在特定事件前的单独指定天数)，所述提醒包含被视为最适合“角色”的产品推荐。因此，为获得阶段1数据，注册页面或应用可为消费者或潜在消费者提供定义他们自身的机会。如图2和图3所示，所述信息可用于在阶段1中生成报价，和/或与在阶段2中生成报价相结合，和/或与在阶段3中生成报价相结合。即使阶段1的框架可能是以特定目的设计的特定网站或应用，阶段1的框架也是关于消费者如何管理他们的偏好并且可提供信息(例如，喜好和喜好以及他们的通信渠道偏好)，所述信息可由消费者附属的任何组织使用(只要消费者同意即可)和/或被特定组织/品牌利用来收集与消费者有关的针对他们的业务的附加信息。使组织能够形成对他们的消费者的“全方位渠道”体验(其中可跨品牌普遍地使用消费者偏好)并且可以是能够大规模部署nbo优化引擎的重要组成部分。也就是说，参考图1，其中存在超过一个报价供应商，所描述的一种系统和/或方法可提供以全方位渠道的方式呈现消费者报价的能力。阶段1数据为引擎可使用(如果可用)来对每个消费者的每个报价评分的一个信息源。在阶段2中，变换后的交易数据可利用阶段1的评分来处理。随着阶段2的更多交易数据的形成，阶段1的变换后的数据不那么重要地加权以提供产品评分，所述产品评分可利用阶段3的购买行为值来处理。如图3所示，阶段1数据、阶段2数据和阶段3数据的组合(单独地或组合地)输入到特定消费者或消费者群体的nbo预测模型(参见图3)中，可基于产品评分提供判定评分，以便电子传送到消费者。参见图1、图3和图4，这里应当指出的是，已经准备了制作产品过程中将使用的技术论文，这些技术论文详细描述了方法实施方案和系统实施方案并在下文全部提供。这些技术论文，虽然未编写为专利说明书，但提供了实质性信息来帮助本领域技术人员实施本发明。就全部公开内容而言并且为了为本领域技术人员提供本申请人所知道的在提交时实施本发明的最佳方式，本文提供了这些技术论文。因此，术语“需要”、“应当”、“必须”等术语的使用在本公开的上下文中并不按字面意思理解，因为技术论文已由并非专业专利代理人的发明人准备。也就是说，发明人并非准备专利申请的专业人员。对于本领域技术人员而言，其中可对本文所述的教导内容进行调整，期望作出调整。此外，术语“算法”可由发明人在他们的说明中宽松地使用。应当理解，在实施本发明的过程中涉及算法。然而，本发明并非算法。正是用于接收不同形式的电子数据的系统和方法在特定情况下对所述数据实施处理，使得其以一定方式操作，使得其可用于决定哪个以电子方式生成的消费者报价传送到消费者和/或潜在消费者，获得改进的被接受结果。由本发明的实施方案在根据本公开传送相关的以电子方式生成的广告和/或报价的过程中解决的技术问题避免了浪费资源。这些技术文献在它们由发明人准备时作为本公开的一部分符合商业背景的利益。图1、图3和图4提供了所描述方法和系统的高级概述图。实际上，如本领域技术人员根据本公开显而易见的那样，本发明的描述有很多不同的方面，这些方面可能彼此单独地且共同地区分开并且因此可按这样要求保护。图3显示了阶段1、阶段2和阶段3的数据，得到产品行为评分225以便为一个或多个特定消费者生成判定报价。还描述了以下内容，即不同的数据处理可单独地或作为多个输入用于总体建模过程，这导致生成电子报价以便传送到消费者。以下说明分阶段提供了数据类型并且描述了可能包含在也可能没有包含在本发明的实施方案中的每个数据类型中的变量的一些实例(但不限于此)：以下章节提供了使用阶段1、阶段2和阶段3说明产品评分和产品行为评分以提供判定报价的实例。需注意，为简单起见，以下实例使用值的和来说明包含预测模型的“学习和评分引擎”可能进行的操作。然而，和是可对从阶段1、阶段2和阶段3的数据中生成的评分执行的过程的实例。使用术语和并不旨在具有限制性意义。另外的和/或另选的过程包含在本发明的范围内。假定报价库中有2个报价，咖啡和名牌清洁剂具有以下预先确定的目标受众和产品属性：报价库假设消费者a已提供了消费者数据和偏好数据，如下所述：■年龄＝31■状态＝已婚有孩■喜好＝始终天然环保以下表1示出了使用消费者数据和偏好数据得到的产品评分以基于产品属性确定推荐评分。表1使用阶段1数据得出的咖啡的产品评分相对较低(总分＝0.2)，因为仅能使一个消费者数据(年龄)与报价属性相关。另一方面，消费者a更有可能接受名牌清洁剂，因为消费者数据和偏好数据与报价属性匹配。假设以下关于消费者a的交易数据和响应数据被提取到引擎中：■在过去3个月购买的咖啡机和在12天前最后一次咖啡购买。■咖啡的购买周期为14天。■对上一次清洁剂报价无响应。表2提供了阶段2如何考虑消费者过去所购买之物以及他们如何回应先前报价的一个实例。表2虽然仅使用阶段1数据输入获得的产品评分对于该消费者的名牌清洁剂来说较高，但在考虑阶段2的交易数据和响应数据时，咖啡报价更有可能得到接受。假设消费者a具有以下购买行为属性：■具有定期有机食品交易。■有较高的趋势来响应对报价点数的推荐以下表3提供了关于产品评分如何基于阶段1和阶段2(变换后)的数据提供判定报价的一个实例，所述数据不同于包含购买行为值(阶段3的数据)的版本。表3因此，虽然仅使用阶段1和阶段2输入获得的产品评分对于该特定消费者的咖啡来说较高，但当考虑到购买行为值462时(针对预测模型的阶段3输入，生成购买行为值232的评分)，咖啡报价不太可能如名牌清洁剂那样得到接受。再次参见图3，阶段1数据201包括由消费者提供的信息(和其他数据，例如，人口统计信息)，诸如可称为消费者数据的特定喜好。在第一情况下，由消费者提供的消费者概况可提供可区分开消费者的数据。例如，显示装置可提供允许消费者注册他们的特定喜好的用户界面。例如，消费者可能喜欢书籍、摄影和服装。因此，作为个人，消费者可为他们自己或任何其他人诸如他们的配偶、子女、兄弟姐妹、父母和他人创建角色。在第一情况下，阶段1使用消费者提供的角色来基于所述信息为消费者作出报价。在使用由消费者提供的消费者数据的角色的过程中，所述过程和系统可访问包含评分的一个或多个查找表中的相似性值。例如，产品关联查找表可包括摄影这一“喜好”与艺术这一“喜好”的关联性。因此，阶段1数据201和阶段2数据213可由聚类模型处理和/或可进行细分207。阶段2数据为所收集的交易数据213。如上文所提及的，随着阶段2的更多交易数据的创建，阶段1的变换后的数据可不那么重要地加权，以提供产品评分230。当存在不充分的行为数据与消费者有关或与交易数据相结合时，可使用阶段1。实际上，阶段1可在短时间内用作下文更详细阐述的交易数据，可以是预测哪些报价将获得较高被接受结果的更好方式。在阶段2中，取决于是否存在实质性的交易数据，可针对每种情况设计单独的nbo过程。产品关联是数字销售部门的术语。然而，在本文的上下文中，产品关联以独特的方式提供。大致来说，产品关联表217为消费者或某种类型的消费者购买特定产品的统计概率集合。产品关联表，与涉及交易数据的计算相结合，可提供在本文献中称为产品评分230的东西。产品关联表217的评分可以以下方式作用。例如，如果消费者介于30-40的年龄组和特定的报价目标30-50内，那么这将为100％关联。然而，如果消费者年龄为29，那么与30-50仍然存在紧密度，这样评分可以反映出消费者与目标属性的紧密程度。所述过程可针对一些或全部的消费者属性进行。这样，存在相似性的概念以及权重的概念。以下论述描述了如何监视和调整权重。这些评分和权重自动地和/或通过手动干预来动态地调整，以优化所述过程。阶段2的交易数据213考虑到消费者已购买的东西但无需考虑与阶段3的购买行为数据219有关的特定消费者的购买行为。参见阶段1和阶段2的数据，可发生诸如应用聚类模型205和/或细分207等过程。最后，根据阶段1数据，可得出产品相似性表203，并且根据阶段2数据，可得出产品关联表217。这些表各自经历nbo引擎209(其为“学习和评分引擎”)以生成产品评分230，这将产生以电子方式生成的报价输出211。在所描述的方法和系统的上下文中，存在若干个过程，在以图4所示的入站方式或出站方式电子地生成报价或推荐以便传送到消费者之前通过所述若干个过程作出决策。用于传送到电子设备的报价、通知、推荐或任何其他类型的以电子方式生成的信息在本文中称为报价。例如，另外的数据类型未在图3中示出。变换后的交易数据考虑到个人消费者数据交易和/或消费者细分，其中在一个消费者进行的购买与同一消费者群体中的另一消费者的预期购买之间存在映射。考虑到变换后的消费者数据与变换后的交易数据，可获得产品关联概率表。将变换后的数据结合起来的预测模型可得到产品评分230，所述产品评分可用于为消费者211生成报价。当使用产品评分230为消费者生成报价时，预期出现较高的被接受结果。这在利用包括通过所收集的消费者的购买行动的数据的特征(交易数据和响应日期)确定的校准后的评分的购买行为值221之前，可用于利用消费者概况数据和阶段1的偏好并且还与提供产品评分230的阶段2数据结合起来。如以下更详细论述，使用阶段1、阶段2和阶段3输入获得的变换后的数据预期生成一个或多个判定报价以便传送到一个消费者或多个消费者的比先前实现的更高的被接受结果，如下所述。图4显示了可构成阶段1数据301、阶段2数据313和阶段3数据319的数据类型以及检测消费者数据331的变化的能力。如上文所提及的，校准和加权可以在使用所收集数据的过程中进行。报价库333单独地存在。组合消费者选择335、全局约束337和报价库333的输出将经历由nbo引擎309进行的处理。报价339存在入站发起并且报价341存在出站发起，这取决于所实现的评分是低于评分343还是高于评分345。消费者、用户或经由装置104的接收人可接收报价。消费者访问网站或应用的时间被视为入站发起。供应商或供应商代理人发起与消费者的通信的时间为出站发起。在所描述的评分方法和系统中，评分与入站或出站相关并且可确定报价对于特定消费者来说是入站还是出站。对于入站渠道，消费者发起通信。出站供应商发起与消费者的会话。注册与出站发起类似，因为消费者可在消费者想要接收通信即周年纪念日或者生日时提供系统信息。再次参考图1，可例如通过保存报价以提供保存报价103的数据来作出响应347或349。在另一个实施方案中，通过浏览网站并点击，可收集响应数据351。根据响应数据，过程可包括动态校准和加权。应理解，本发明的系统和方法用于动态地管理输出。如上所述，以下是由发明人在准备体现本发明的产品的过程中准备的技术论文。上文提供的一些术语可能不同于下文所提供的术语，因为这些文献是为不同目的准备的。这些概念是相同的。技术论文1.1beepit阶段1针对其中无/没有太多阶段2或阶段3的消费者交易数据的情况形成阶段1过程。1.输入：1)关于消费者(角色)和产品的属性类型(它们是相同的)：年龄范围、关系和性别、个性、喜好、价格、礼品类型、场合(事件)。电子数据表“table_in_scoring_database_beepme_phase_1.xlsb”(标签“lookup_tables_for_single_attrib”)可包括关于每个属性的完整类别列表。“table_in_scoring_database_beepme_phase_1.xlsb”(标签“lookup_tables_for_single_attrib”)由于其长度和冗余并不包含在说明中。然而，可基于该说明推测它的内容。关于所描述的每个属性的类别列表为发明人提出的标准类别。本领域技术人员可构建类别列表以适应他们的特定用途。它们用作beepit网站上的成员“角色”的属性类别(即，beepit网站仅仅为成员提供这些类别以便从中进行选择)。并且在他们为他们的产品属性注册类别时，用作零售商的类别。将属性限于上文列出的属性并将类别限于电子数据表中列出的类别的原因在于：标准化这些类别，使得beepit收集标准化数据以配合关于beepit阶段1和阶段2的产品推荐算法(参见下文，尤其是具体地讲，提及“相似性”查找表的部分)。2)基于规则的“相似性”查找表，对于上文提及的同一属性类型内的类别对来说，介于“角色”与产品之间：(存在4个版本，在电子邮件提醒发送日期随机分配到每个“角色”)；“相似性”介于0与1之间。电子数据表“table_in_scoring_database_beepme_phase_1.xlsb”(名称以“similarity_”(“相似性_”)开始的标签)可包括相似性查找表。理论上，对于给定类别，可能存在某种程度上与其类似的类别(电子数据表中列出的除外)；尽管实际上，对于beepit，并不将它们保持在相似性查找表中，因为：●它们的相似性值被视为较低并且因此可忽略相似性值查找表中的类别组合(即，作为0处理)。●在相似性查找表中保持太多的类别组合将减慢计算过程(其使用相似性查找表)。3)基于规则的“权重”查找表：对于每个角色产品组合来说，这用于将属性水平相似性评分组合成一个(加权平均)总评分。(存在4个版本，在电子邮件提醒发送日期随机分配到每个“角色”)电子数据表“table_in_scoring_database_beepme_phase_1.xlsb”(标签“weight_lookup”(“权重_查找”))可包括“权重”查找表。2.逻辑：逻辑首先为每个“角色”随机分配“权重”和“相似性”的versionid，且随后使用“角色”属性和产品属性(如上文所提及的)，结合类别组合的基于规则的“相似性”查找表(分配有versionid)和基于规则的“权重”查找表(分配有versionid)来计算“角色”和productid水平的(加权平均)总评分(针对特定事件)，表示个人在接收到电子邮件提醒之后且不晚于事件日期为他们的“角色”购买productid的可能性。以下是逻辑中的分量的概述：不同版本的“权重”和“相似性”的使用：“权重”和“相似性”的版本在电子邮件提醒发送日期被随机分配到每个“角色”。对于给定的角色和productid组合来说，随机分配的“相似性”用于计算每个属性的相似性评分。(参见下文)对于每个角色productid组合来说，随机分配的“权重”用于将每个属性的相似性评分组合成一个(加权平均)总评分：即，对于角色和productid的给定组合来说，(即，i＝年龄范围，预算范围，关系和性别，个性、喜好、礼物类型、场合)；具有不同版本的“权重”和“相似性”查找表的目的在于：一段时间之后，可比较或以其他方式处理使用不同版本的参数得到的推荐的交易结果，随后选择它的最佳版本。如何基于“相似性”查找表以及“角色”和产品的属性来计算给定属性的相似性评分：查找表中的“相似性”值处于类别对水平。对于给定属性(在分配versionid后)，逻辑首先将“相似性”值附加于类别对btw“角色”和产品(通过将“角色”类别与“相似性”查找表中的类别(“beepie”列)匹配；以及将产品的类别与“相似性”查找表中的类别(“产品”列)匹配)。随后，逻辑通过跨角色产品对的所有可用类别组合取“相似性”值的最大值来计算角色产品水平相似性评分(对于给定属性)。(一些属性具有关于“角色”和/或产品的“分级百分比”(参见电子数据表中的列j-k)，因为“角色”或产品可在所述属性中具有超过一个类别，并且用这个“分级百分比”表示首先分级的类别。在这种情况下，在计算中也考虑“分级百分比”(即，逻辑首先将“分级百分比”与类别组合水平“相似性”值相乘，随后跨所有可用类别组合选择这些经过分级调整的“相似性”值的最大值作为角色产品水平相似性评分(对于给定属性))。3.附加规则：1)如果产品的性别与角色的性别冲突，则不在电子邮件提醒中推荐产品。2)如果产品在电子邮件提醒发送日期之前的过去x个月在beepit网站上被个人排除，则不在电子邮件提醒中推荐产品。3)如果产品价格比相关角色的最大预算高$n，则不在电子邮件提醒中推荐产品。4.决策：根据以上角色和productid组合，逻辑为每个角色选择具有“总评分”前x位的productid，以便对于“角色”的特定事件，在电子邮件提醒中推荐它们。1.2beepit阶段2对于其中存在阶段2的实质性消费者交易数据的情形发展以下过程。1.输入：1)关于消费者(角色)和产品的属性类型(它们是相同的)：年龄范围、关系和性别、个性、喜好、价格、礼品类型、场合(事件)。“table_in_scoring_database_beepme_phase_2.xlsb”(标签“lookup_tables_for_single_attrib”)可包括关于每个属性的完整类别列表。将属性限于上文列出的属性并将类别限于电子数据表中列出的类别的原因在以上关于beepit阶段1的章节中提及。2)(通过逻辑周期性地刷新)对于上文提及的相同属性类型内的类别对来说，“相似性”查找表介于“角色”与产品之间。(对于每个属性来说，逻辑将使用最近1年的交易数据来进行计算并且确定对于给定角色的类别来说，最接近的3至5个产品的类别。与阶段1的不同之处在于：“相似性”查找表仅具有一个版本)“table_in_scoring_database_beepme_phase_2.xlsb”(名称以“相似性_”开始的标签)可包括相似性查找表的格式。(如以上关于beepit阶段1的章节所提及)。理论上，对于给定类别，可能存在某种程度上与其类似的类别(电子数据表中列出的除外)。关于如何每月刷新“相似性”查找表的高级概述，请参见下文。2.逻辑：逻辑的目的在于基于个人交易行为和网络浏览行为进行产品推荐。基本假设：(简而言之：过去的行为预测未来的行为)●如果成员最近已经购买/浏览本文“交易后”产品，其中交易的“新近度”考虑到成员最后一次交易的时间，那么他/她可能更有可能在不久的将来购买具有相同/相似属性的产品。如果成员最近明确表示不喜欢特定产品，那么他/她可能不那么可能在不久的将来购买具有相同/相似属性的产品。●另外，如果行为被视为针对特定事件的特定“角色”，则它们会影响成员购买与相同/相似事件的“角色”相同的相同/相似属性的产品的可能性。根据以上内容，逻辑使用“建模评分”方法来计算每个角色产品组合的总评分：基于最近推荐产品的交易结果，逻辑使用预测性建模统计模型软件来定期构建和刷新线性回归模型(每周刷新一次)，(这更新了“权重”(参见上文beepit阶段1中的“权重”))；并且这使得更新后的模型完成每日评分(对于已经在beepit网站上很对特定“角色”标记了事件的成员来说)，即，计算每个角色-产品组合的总评分。以下是beepit阶段2的逻辑中的分量的高级解释：关于预测性(线性回归)建模：与任何线性回归建模一样，beepit阶段2的线性回归建模还包含“输入变量”(用于预测结果)和“目标变量”(安排用于预测结果)以及“输出变量的权重”(是用于利用较大购买量加强输出变量的正数，模型训练过程)。基本上，建模结果用于将“输出变量”表达为“输入变量”的加权平均值。输入数据处于角色-productid组合水平，并且包含近期(可能6个月)的角色-productid组合，其中它们的成员已建立并且接收了关于特定事件的“角色”的推荐。“输出变量”：输出变量为1或0。1＝成员在电子邮件提醒发送日期后且不晚于“事件”日期购买推荐产品；0＝另外情况。“输出变量的权重”：(这与上文提及的“权重”不同)如果“输出变量”＝0，那么“输出变量的权重”＝1；否则：输出变量的权重”＝购买的推荐产品的量。“输入变量”：“输入变量”反映最近的历史交易/行为(如同相关评分日期一样)。逻辑计算2种类型的“输入变量”：1.关于每个属性的“相似性评分”：这些“输入变量”与beepit阶段1的评分相同。并且计算这些“相似性评分”变量的过程与beepit阶段1的变量相同。beepit阶段2与beepit阶段1之间的“相似性”查找表存在2个差异：(1)在查找表中仅存在“相似性”值的1个版本；(2)在阶段2中，类别组合水平“相似性”查找表被设计成使用被视为关于特定“角色”的最近1年的交易数据而每月刷新一次。刷新“相似性”查找表的方式总结为以下步骤：a)从被视为关于特定“角色”的交易数据中(请参见*以下关于逻辑如何决定交易/行为是否关于特定“角色”的细节)，将关于每个角色-productid组合购买的量求和。b)对于给定属性，将“角色”的类别和产品的类别(和它们的分级百分比)附加到步骤a)中计算出的总结数量计数。c)对于每一组附加的角色类别和产品类别，将所购买的分级调节后的量(即，所购买的量*分级百分比)求和。这作为分子。d)对于每个附加的角色类别，将所购买的分级调节后的量求和。这作为分母。e)类别-组合水平“相似性”＝分子/分母。f)如果在步骤b)中，属性为“价格”，那么逻辑将进行以下操作：i.计算角色最大预算与产品价格之间的差，随后将该差配合到电子数据表“table_in_scoring_database_beepme_phase_2.xlsb”(标签“similarity_budget_range”)中定义的类别。ii.随后，对于这些定义类别中的每一者来说，逻辑将所购买的总量计算为分子；iii.将所有类别的总量计算为分母；iv.随后，“相似性”＝分子/分母。g)如果类别并不存在于交易数据中，那么逻辑将进行以下操作：i.计算针对每个产品的类别购买的总量(全部角色的类别)。这作为分子；ii.计算全部产品类别购买的总量(全部角色类别)。这作为分母；iii.类别-组合水平“相似性”＝分子/分母。h)对所有其他属性完成相同计算。i)对于“相似性”查找表(对于年龄组、关系和性别、个性、喜好、礼物类型、场合)，对于给定角色类别，在查找表中仅保持几个(3个或4个)产品的类别。这将加快计算过程，并且“相似性”值被认为较低，前3或4个类别组合除外。2.与成员行为有关的“输入变量”：在形成与行为有关的“输入变量”的过程中涉及到的成员行为为：1)点击beepit网站内的productid；2)从beepit网站或电子邮件提醒重定向到零售商产品网站；3)产品购买；4)产品排除(成员排除将被推荐给特定“角色”的产品)。逻辑针对以上4个行为中的每一者形成单独的“输入变量”(因为不同的行为可能对成员的产品购买决策形成不同程度的影响)。并且，它们中的每一者均分为3个子类型的成员行为“输入变量”，如下所示：1)特定的“角色”输入变量：这些变量使用逻辑视为与特定“角色”有关的最近行为来形成。(请参见*以下关于逻辑如何决定交易/行为是否针对特定“角色”的细节)。计算这些变量的方式概述：以产品购买行为为例，示出逻辑如何基于该行为的数据计算“输入变量”：a)选择属性(年龄范围、关系和性别、个性、喜好、价格、礼物类型、场合(事件)、零售商、品牌)；b)将产品的类别附加到被视为关于特定“角色”的交易数据；c)对于步骤b)中的交易数据中的每个“角色”和produtid和产品类别组合来说，计算c1＝(prodid的购买量)/(prodid的所选择属性的类别的量)；d)对于步骤c)中的交易数据的每个“角色”和产品类别组合来说，计算总量＝总[c1*分级百分比](所有已购买prodid)。e)对于将存储的每个“角色”和productid组合来说，向其附加产品类别和分级百分比。f)通过匹配characterid和productid向步骤e)中的数据附加步骤d)中计算出的总量。g)对于将存储的每个“角色”和productid来说，计算：基于购买量的“输入变量”＝总[总量*分级百分比](待评分的给定prodid的全部类别)。h)对所有其他属性完成相同计算：为每个属性创建单独的“输入变量”。基于其他3种类型的成员行为的“输入变量”按照与以上步骤相同的方式来计算。2)相关“角色”的输入变量：这些变量使用逻辑视为与任何特定“角色”(即，与待评分的“角色”具有相同的成员的其他“角色”)有关的最近行为来形成。(请参见*以下关于逻辑如何决定交易/行为是否针对特定“角色”的细节)。计算过程与特定“角色”的输入变量的计算过程非常相似，以下除外：所述过程计算有关“角色”的输入变量，随后针对特定“角色”水平卷起结果。3)“成员偏好”输入变量：这些变量使用逻辑视为与任何特定“角色”无关的最近行为来形成。(请参见*以下关于逻辑如何决定交易/行为是否针对特定“角色”的细节)。计算过程与特定“角色”的输入变量的计算过程非常相似，以下除外：所述过程基于逻辑视为与特定“角色”无关的行为数据来计算成员水平输入变量。＊逻辑如何决定行为是否针对特定“角色”：1.关于产品购买：如果购买是在电子邮件提醒的重定向后立即进行(即，在成员关于产品点击网站链接后)，那么逻辑将购买视为针对电子邮件提醒中涉及的“角色”；否则如果：购买不比事件日期早x天发生，那么逻辑将行为视为针对该事件的相关“角色”。否则：购买不被视为针对任何“角色”。2.关于来自beepit网站的重定向：如果购买不比事件日期早x天发生，那么逻辑将行为视为针对该事件的相关“角色”。否则：购买不被视为针对任何“角色”。3.关于来自电子邮件提醒的重定向：beepit的后端设计可能已经让人们看到与该行为相关的相关“角色”。4.关于beepit网站上产品的点击：如果购买不比事件日期早x天发生，那么逻辑将行为视为针对该事件的相关“角色”。否则：购买不被视为针对任何“角色”。5.关于产品排除：beepit的后端设计可能已经让人们看到与该行为相关的相关“角色”。注意：以上部分仅仅专门针对beepit，并且可能并不适用于其他平台/系统。例如，如果平台允许用户注册他们自己并且仅为他们自己购买产品，那么无需具有该部分，并且无需将“输入变量”基于该部分分成2个组。具有该部分的目的在于：在评分日期之前更好地识别行为之间的引导关系并且在评分日期之后且不晚于事件日期进行产品购买，并且因此增大建模的准确度且作出更好的产品推荐。关于应用模型完成评分：在推荐日期，逻辑将针对所有相关的角色-productid组合计算以上提及的所有“输入变量”(按照与上文所提及相同的方式)，其中角色成员已在beepit网站上对beepit系统设置了警告以发送电子邮件提醒(包含关于它们的“角色”的特定事件的推荐产品)。随后逻辑将应用最新模型(包含“权重”的更新值)来对角色-productid组合的“输入变量”进行评分以获得关于每个角色-productid组合的“总评分”。这个“总评分”表示成员在接收到电子邮件提醒后且不晚于事件日期而针对他们的“角色”购买productid的可能性。3.规则：1)如果产品性别与角色性别冲突，则不在电子邮件提醒中推荐产品。2)如果产品在电子邮件提醒发送日期之前的3个月在beepit网站上被个人排除，则不在电子邮件提醒中推荐产品。4.决策：从上文的角色和productid组合中，逻辑为每个角色选择具有总评分前5位的productid，以在电子邮件提醒中针对“角色”的特定事件推荐它们。1.“beepit阶段2”算法和过程的延伸1.1标准化产品支出评分该过程的输出为每一消费者和产品组合的评分(其中“产品”为所有可用产品，不限于正报价的可用产品)，表示消费者基于消费者相对于其他消费者对所述特定产品的过去支出而对所述产品的“喜好”。其作为输入用于计算产品相似性评分。将消费者c的绝对支出表示为sc＝sc1+sc2+…scp其中scp＝消费者c在产品类型p中的所有产品的绝对支出。消费者支出是由定义分析期间(从几个月到几年，取决于行业)原始交易数据计算出，因而反映从长期来看消费者购买行为。为了得到最终消费者产品向量，需要在以下水平应用2倍标准化：1.消费者支出水平以及2.产品部分支出水平首先将消费者c对每个产品类型p的绝对支出通过除以消费者在该期间的总支出而转换成部分支出：每个均表示每一产品类型p的消费者总支出的比例。这是消费者跨所有产品类型的相对测量值，以便理解他们的支出分配。随后通过除以部分支出的总体平均值来对消费者部分支出应用第二标准化(排除非零输入)。以上等式以s作为整体生成消费者c的产品类型p相对于消费者基数的量化喜好。意指消费者c的产品类型p相对于人口喜好的平均喜好水平。意指高于消费者c的产品类型p相对于人口喜好的平均喜好水平。意指低于消费者c的产品类型p相对于人口喜好的平均喜好水平。1.2消费者细分消费者细分为通过将具有相似属性的消费者使用传统聚类技术(k均值聚类)分成同一聚类而进行的统计建模输出。每个消费者均基于消费者人口统计信息(年龄、性别等)和交易变量(购买周期、每种产品类型的总花费等)而分配到预定义消费者类型。在推荐系统中使用消费者细分分析的好处在于基于消费者概况和行为的主导特征提供不同的产品推荐。以零售行业为例，有孩子的高支出家庭与高支出独自生活者相比应当具有不同的支出优先级组合，并且推荐应当能够支持消费者基数的变化。为了开始消费者细分，将产品类别重新分类成较小的产品组集合，这样在解释结果时，更容易管理。一旦产品组已再分类，仅选择在最后x个月具有以上平均支出的消费者基数子集以训练细分模型。训练集中的输入变量包括按照产品组和消费者属性(年龄、性别等)获得的总支出。随后使用章节1.1中提及的技术来标准化消费者花费，以测量产品组相对于消费者自身支出和其他消费者支出的部分支出。实证发现，特征或支出产品组的数量应严格大于聚类的最终数量。聚类和产品组的数量支持产品组之间的差越大，跨聚类找到定制组合的过程越容易。消费者细分输出的实例：聚类id产品组1产品组2产品组3产品组4产品组5聚类#10.40.20.30.10.0聚类#20.10.80.10.10.1聚类#30.00.10.10.40.4在以上实例中，跨越产品组的相对独特组合挑选具有代表性部分花费的三个聚类。例如，聚类#1示出产品组1和3中的较高部分花费，而聚类#2示出仅产品组2中的较高部分花费。1.3产品相似性评分1.3.1推荐系统概述推荐系统应用数据挖掘技术来通过对任何给定消费者的可能性预测评分来找到他们想要购买的物品。基于项的协作过滤(cf)为基于模型的算法，用于基于数据集内不同项之间的相似性作出推荐。基于项的方法考虑到目标用户已评级且随后应用相似性技术来计算评分的项集合(i，j)。存在多种不同的方式来计算产品之间的相似性并且市场上最常见的算法如下所示：●基于余弦的相似性●基于皮尔森(关联)的相似性●调节后的余弦相似性研究已表明调节后的余弦相似性在三个以上算法中具有最低平均绝对误差，因此在该文献中仅关注调节后的余弦相似性。(基于项的协作过滤推荐算法-badrulsarwar，georgekarypis，josephkonstan和johnriedl)1.3.1.1调节后的余弦相似性调节后的余弦相似性为有利的技术，因为在计算相似性评分时，考虑到不同用户之间的等级尺度的差。这通过用平均用户评分而不是平均物品评分减去每个公共评级的物品来实现：其中为第u个用户评级的平均值。1.3.1.2调节后的余弦相似性的限制使用调节后的余弦相似性的主要缺点在于物品的用户评级的可用性。大多数企业努力鼓励消费者将他们的物品评级，一些企业就没有成本有效的平台或渠道供消费者提供他们的评级。1.3.2利用消费者模型中的量化的喜好为了克服模型中用户评级的不易接受性，通过更换贯穿基于项的cf所论述的用户评级系统而利用消费者模型(如章节1所述)作为调节后的余弦相似性的输入。从上文可知，消费者模型表示为“新”调节的余弦相似性表示为其中它基于群体量化喜好而不是用户评级来测量两个项目集的喜好。为了进一步改善输出，可在计算产品相似性表之前将消费者分成不同的聚类(如章节2所述)。基本上，通过在过程改善计算性能之前将消费者细分为不同的聚类，因为正在分批而不是作为1个大数据组块来处理处理。这也使得评分和产品相似性的变化最小化，因为研究表明，不同聚类的同一项目集合的喜好评分可能大大不同。1.3.3消费者产品评分在先前章节中，已经使用绝对花费讨论了标准化产品花费评分并将其标准化以表示消费者产品类别中相对于人口喜好水平的喜好水平。还涵盖传统推荐系统和需要用户评级但无需在所有具体实施中均轻松可用的限制。通过用先前论述的消费者模型减去用户评级，可以生成产品相似性表，从而测量对数据集的喜好。可通过使用简单的余弦投影(cosineprojection)规则来对消费者和产品向量评分：其中●c为消费者模型向量●p为产品相似性向量●||c||为向量c的幅值●||p||为向量p的幅值以及.运算符表示内(点)积：a·b＝∑iaibi；||a||＝∑i|ai|输出为消费者偏好评分(由消费者模型指出)乘以产品相似性评分并且除以分母的加权和。评分越高，消费者优选对所述产品类别花费就越有可能。消费者-产品评分为消费者偏好基于它们的每日花费行为和每个产品类别的关系和交互的分级。可以期望的是，这两个因素(消费者偏好和产品相似性)随时间的推移具有不显著的变化。1.4产品关联评分这是消费者在未来购买产品x的条件概率，只要他们在过去基于其他购买了x和y二者的消费者而购买了产品y即可。该条件概率的变型在消费者水平以及购物篮水平(或交易事件水平)下形成。1.5nbo优化引擎一旦数据变换过程完成，即可使用输出来训练预测模型，预测模型将每个消费者每个报价输出产品评分。这是称为“nbo优化引擎”的“算法”。1.5.1说明变量的类型(输入到模型中)beepit阶段1背景参考文献：术语：目的：该文献用于呈现对beepme阶段1的优化逻辑要求。优化逻辑用于优化将在提醒电子邮件中呈现的推荐产品(5个产品)。该文献还列出了用于在推荐产品时，随机分配“权重”和“相似性”版本的实验设计的使用要求。稍后将提供阶段2的优化算法的要求。beepme后端(阶段1)中的详细要求需要形成具有以下标头的表：(“tmp总评分”表)优选在关于beepie的优化逻辑的方案中保持该表。随后选择prodid，其中每个beepieid和reminderid组合具有前5位的评分。这5个产品将在提醒电子邮件中呈现。图示：beepie(附加年龄范围)：beepieid年龄agerangeid起始年龄范围值终止年龄范围值120.141824226.352534产品：将prodid附加到beepieid，随后：随后选择最大相似性值作为相似性：年龄范围：●预算：beepie：(每个beepie仅具有1个实际最大预算)产品：(每个产品仅具有1个价格)相似性：如果beepie.actualmaxbudget大于product.prodprice-10，那么相似性：预算范围＝电子数据表“table_in_scoring_database_beepme_phase_1.xlsb”标签“similarity_budget_range”中指定的相似性；否则相似性：预算范围＝0。●关系和性别：beepie：(每个beepie仅具有1个关系和性别。)产品：(每个产品可具有多个关系和性别。)相似性：如果电子数据表“table_in_scoring_database_beepme_phase_1.xlsb”标签“similarity_relationship_&_gende”中列出了beepie和产品的关系和性别对，那么相似性＝电子数据表中的相似性；否则，相似性＝0。随后对于每个beepie和产品：跨越全部关系和性别选择最大相似性值作为相似性：关系和性别。图示：＜beepie关系＞：＜产品关系＞：＜关系的相似性查找＞：(相似性＞0的关系)(1)将prodid附加到beepieid(笛卡尔结合)，然后(2)结合＜beepie关系＞.relationshipid＝＜关系的相似性查找＞.relationshipid_beepie(外结合)，随后，使用＜beepie关系＞.relationshipid_beepie、＜关系的相似性查找＞.relationshipid_product、＜产品关系＞.relationshipid_product来计算相似性，如下所示：如果＜关系的相似性查找＞.relationshipid_product！＝＜产品关系＞.relationshipid_product，那么相似性＝0否则：在电子数据表中使用相似性值。随后选择beepieid和prodid组合的最大相似性：●个性：beepie：(每个beepie仅具有1个个性。)产品：(每个产品可具有多个个性。)相似性：如果在电子数据表“table_in_scoring_database_beepme_phase_1.xlsb”标签“similarity_personality”中列出了beepie和产品的个性对，那么similarity_adj＝电子数据表中的相似性*prodpersonality_perc_score；否则，similarity_adj＝0。随后，对于每个beepie和产品：跨越所有个性选择最大值(similarity_adj)作为相似性：个性。注意：prodpersonality-perc-score为表示零售商/da眼中的产品个性排名的评分。在数据模型中，它为整数，但可将整数转换为百分比评分，在电子数据表中指定(列k)●喜好：beepie：(每个beepie具有5个喜好(未分级)。)product：(每个产品可具有多个喜好。)相似性：如果电子数据表“table_in_scoring_database_beepme_phase_1.xlsb”标签“similarity_interest”中列出了beepie和产品的个性对，那么similarity_adj＝电子数据表中的相似性*prodint-perc-score；否则，similarity_adj＝0。那么对于每个beepie和产品来说：选择所有喜好的最大值(similarity_adj)作为相似性：喜好。注意：prodint-perc-score为表示零售商/da眼中的产品喜好排名的评分。在数据模型中，它为整数，但可将整数转换为百分比评分，在电子数据表中指定(列k)●礼物类型：beepie：(每个beepie具有3个礼物类型(由成员分级)。)product：(每个产品可具有多个喜好。)相似性：如果电子数据表“table_in_scoring_database_beepme_phase_1.xlsb”标签“similarity_gift_type”中列出了beepie和产品礼物类型对，那么similarity_adj＝电子数据表中的相似性*gifttype-perc-score-beepie*gifttype-perc-score-product；否则，similarity_adj＝0。那么对于每个beepie和产品来说：选择所有礼物类型的最大值(similarity_adj)作为相似性：礼物类型。注意：gifttype-perc-score-beepie为表示成员眼中的beepie礼物类型排名的评分。在数据模型中，它为整数，但可将整数转换为百分比评分，在电子数据表中指定(列k)。gifttype-perc-score-product为表示零售商/da眼中的礼物类型排名的评分。在数据模型中，它为整数，但可将整数转换为百分比评分，在电子数据表中指定(列k)。●场合：beepie和提醒：(每个beepie和提醒组合具有1个场合。)产品：(每个产品可具有多个场合。)相似性：如果电子数据表“table_in_scoring_database_beepme_phase_1.xlsb”标签“similarity_occasion”中列出了beepie和提醒以及产品场合对，那么相似性＝电子数据表的相似性；否则，使用相似性＝0。那么对于每个beepie和提醒和产品：将所有场合的相似性选择为相似性：场合。1.对于其他属性中的每一者来说，重复步骤3至6，直到计算出以上全部属性的“相似性”。2.对于每组beepieid和reminderid和prodid，将这些“相似性”结合在一起。(1)将beepieid和prodid的预算范围、关系和性别、个性、喜好、礼物类型的相似值结合起来；(2)随后，关于beepieid和prodid，将它与上文在步骤2中形成的＜关于beepie的最近排除的产品＞表结合起来，以附加标签recently_excluded_or_not。(3)随后将相似性值(具有标签recently_excluded_or_not)与关于beepieid、reminderid和prodid的年龄范围、场合的相似性值结合起来。3.根据预定义规则排除或标记beepieid和reminderid和prodid的一些组合。当前预定义规则为：排除所述组合：如果“关系和性别”中的性别在beepie与product之间不同(“m”vs“f’；或“f”vs“m”)→将它标记为diff_gender＝1；或者如果prodprice＞beepie.actualmaxbudget+10→将它标记为prodprice_too_high＝1；或者如果recently_excluded_or_not＝1(在步骤8中进行)该规则稍后会出现变化。4.使用随机分配的一组“权重”(在电子数据表“table_in_scoring_database_beepme_phase_1.xlsb”中列出)，和以上计算出的“相似性”来计算对于保留的一组beepieid和reminderid和prodid，(i＝年龄范围、预算范围、关系和性别、个性、喜好、礼物类型、场合)；另外还输入对应的“相似性版本”和“权重版本”。这会形成在该章节开始时的表。如何推荐产品：在形成上表后，对于每个reminderid：保留的prodid具有：prodprice_too_high＝空，并且recently_excluded_or_not＝空，并且diff_gender＝空，将具有“总评分”前5位的prodid选择为推荐产品。(这些产品将在成员选择的提醒日期(当前日期)以电子邮件提醒的形式发送到beepie。一旦发送提醒电子邮件，即将5个prodid与reminderid以及“相似性和权重的版本”插入product_recommendation表中。)关于实验设计：现在我们有不同版本的权重和相似性组合。在后端，我们需要能够随机指定它们的版本，然后计算“总评分”，列出推荐产品。(即，即使一组成员需要被同时发送提醒电子邮件，也随机向他们分配所述版本的权重和相似性组合→不同的beepie即使他们的属性相同，也可获得不同的推荐产品)。现在有四个版本的权重和相似性组合。这样我们可能需要一个随机数，使得：如果随机数＜0.25，则分配版本1的权重和相似性；否则如果随机数＜0.5，则分配版本2的权重和相似性；否则如果随机数＜0.75，则分配版本3的权重和相似性；否则：分配版本4的权重和相似性。随机分配可刚好在提醒电子邮件被发送之前进行，或在提醒被创建时进行，无论哪一个对于后端开发都是方便的。进一步注释电子数据表“table_in_scoring_database_beepme_phase_1.xlsb”包含：●关于单个属性的查找表(标签“lookup_tables_for_single_attrib”)这些将包含在关于beepme的数据模型中，并且将由外部供应商开发。●每个输入变量的不同版本的权重(标签“weight_lookup”)需要它们包含在关于beepme的优化逻辑/算法的方案中。●查找：关于每个类别属性(关系和性别、个性、喜好、礼物类型、场合)的类别对的不同版本的相似性(其中相似性＞0)；以及用于计算连续属性(年龄范围、预算范围)的相似性的不同版本的方法上文规定了标签。需要它们包含在针对beepme阶段1的优化逻辑/算法的评分数据库(关于类别属性)或编程代码(关于连续属性)中。●包含在评分数据库中的一些其他表(标签“一些其他表”)“tmp总评分”每日移动到“历史性tmp总评分”表中(在阶段2的关于beepme的优化要求文献中详述)。“历史性tmp总评分”表中的记录以及用于形成输出变量的行为属性方法将附加到“建模/更新输入记录”表中。(在阶段2的关于beepme的优化要求文献中详述)。“建模/更新输入记录”表将用于构建/更新模型(使用阶段2的优化算法)。(在阶段2的关于beepme的优化要求文献中详述)。“产品推荐”表列出了在相关提醒电子邮件发送日期上以电子邮件发送的所有reminderid和prodid组合。“关于评分的历史不同的提醒”为针对评分所选择的关于相关提醒电子邮件发送日期的不同提醒。这个临时表用于形成阶段2的行为相关输入变量，并且也用于更新阶段2的基于行为的相似性值。(在阶段2的关于beepme的优化要求文献中详述)。关于beepie和产品类别组合的历史性每月归结购买计数”表用于更新基于行为的相似性查找表。(在阶段2的关于beepme的优化要求文献中详述)。“预算范围”表用于形成行为相关输入变量(在阶段2的关于beepme的优化要求文献中详述)。在阶段2中，还使用基于网络行为的数据(点击、重定向、购买)来形成另外的输入变量，(可能替换/仍使用阶段1中的输入变量，tbd)，并且使用产品购买来形成输出变量→使用优化算法(机器学习)来构建预测模型并定期更新权重。相似性查找表也可能通过分析来周期性地更新(即，在优化算法外部)。在阶段2中，相似性查找使用行为数据来进行，并且计算年龄范围和预算范围的相似性的布局和方式将发生变化。提供本公开，以实现的形式，解释制造和使用根据本发明的各种实施方案的最佳方式。进一步提供本公开，以增强对发明原理和发明优点的理解和评价，而不是以任何方式来限制本发明。尽管这里说明和描述了本发明的优选实施方案，但清楚的是，本发明不限于此。在不脱离随附权利要求所限定的本发明的精神和范围的情况下，受益于本公开的本领域技术人员将会想到各种修改、变化、变更、替换和等价物。应该进一步明白，关系术语的使用，诸如第一和第二、顶和底等等(如果有的话)，仅仅是用来区分各个实体或动作，而不需要要求或暗示在这种实体或动作之间的任意实际的关系或顺序。可以利用或者依照软件程序或指令以及集成电路(ic)(诸如专用ic)来最好地执行本发明的大部分功能和多个发明原理。为了简要并使得根据本发明的原理和概念变得模糊的任何风险最小化，该软件和ic的讨论(如果有)限于与优选实施方案中的原理和概念相关的要素。本公开意图解释如何形成和使用根据本技术的各个实施方案，而不是限制其真正的、预期的和公平的范围和精神。前面的描述并非是详尽的或者限于所公开的精确形式。根据上述教导，可以有许多修改或变型。挑选并描述了实施实施方案，以提供对所描述的技术的原理和其实际应用的最佳说明，并使得本领域普通技术人员能够使用各种实施方案中的技术，以及如所预期地做出适用于特定使用的各种修改。所有这样的修改和变型均处于本发明的范围之内，该范围由所附权利要求书及其所有等价物确定，其中所附权利要求书可能在本专利申请的预决期间被修正，而其等价物按照公平、合法、公正地授权的范围来解释。例如对本领域技术人员而言显而易见的修改和变型等被视为包含在本发明的范围内。当前第1页12当前第1页12