CN101187920A - 行为特征评估系统与方法 - Google Patents
行为特征评估系统与方法 Download PDFInfo
- Publication number
- CN101187920A CN101187920A CNA2006101484750A CN200610148475A CN101187920A CN 101187920 A CN101187920 A CN 101187920A CN A2006101484750 A CNA2006101484750 A CN A2006101484750A CN 200610148475 A CN200610148475 A CN 200610148475A CN 101187920 A CN101187920 A CN 101187920A
- Authority
- CN
- China
- Prior art keywords
- mark
- mutual
- key vocabularies
- user
- behavioural characteristic
- 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.)
- Pending
Links
Images
Abstract
一种行为特征评估系统与方法。该系统包括一数据库与一处理模块。数据库储存相应多个使用者的多个网络内容,其中网络内容包括多个关键词汇,且网络内容间包括多个互动行为。处理模块对于至少一特定使用者,依据相应特定使用者对于关键词汇的使用频率与所有使用者对于关键词汇的总使用频率计算特定使用者对于每一关键词汇的一第一关切分数。处理模块依据每一互动行为所相应的至少两个使用者与每一互动行为所相应的一种类权重计算至少一特定关键词汇的一第一关联矩阵,并依据第一关联矩阵使用一算法计算特定使用者于特定关键词汇下的至少一第一互动分数。处理模块依据第一关切分数与第一互动分数计算特定使用者对于特定关键词汇的一第一特征分数。
Description
技术领域
本发明是关于一种行为特征评估系统与方法,且特别有关于一种可以依据语意与互动模式评估使用者行为特征的系统与方法。
背景技术
随着互联网的发展,网络经营者积极地开发各式各样的网络应用给使用者使用。举例来说,使用者可以通过电子布告栏系统(BBS)来浏览文章与发表评论。使用者也可以通过特定网站或是自行架设网页来发表文章。目前,互联网上正盛行的是博客(Blog)的应用。每一个使用者可以架设自己的博客,在自己在博客中发表文章。此外,使用者也可以在别人的博客发表对于特定文章的评论。如此的行为产生了不同使用者与/或文章之间的互动行为,间接隐含使用者的行为特征。
因此,为了强化使用者的使用意愿与增加各种多样的附加服务,平台的服务提供者努力想要从网络内容中评估使用者的行为特征。美国公开号US2005/0108281 A1中利用自然语言处理(NLP)的技术依据语意线索分析企业中的电子邮件内容,以辨认出各领域的专家。美国公开号US 2006/0053156 A1在企业的文件数据库中,单纯根据使用者对特定文件的发表及评论纪录,利用算法找出有兴趣的专家与可信赖的专家。在前述公知技术中,由于仅能依据电子邮件内容的语意或推荐系统中的使用者行为记录进行分析,对于开放的网络互动环境,尤其是在充满大量互动行为的博客环境中是难以应用的。另外,由于前述公知技术仅能找出相关的专家,对于服务提供者而言,仍然无法从网络内容中发掘使用者的行为特征,如个人兴趣与专长,以发展相关的加值应用并提供给使用者。
发明内容
有鉴于此,本发明提供行为特征评估系统与方法。
本发明实施例的行为特征评估系统,包括一数据库与一处理模块。数据库储存相应多个使用者的多个网络内容,其中网络内容包括多个关键词汇,且网络内容间包括多个互动行为。处理模块对于至少一特定使用者,依据相应特定使用者对于关键词汇的使用频率与所有使用者对于关键词汇的总使用频率计算特定使用者对于每一关键词汇的一第一关切分数。处理模块依据每一互动行为所相应的至少两个使用者与每一互动行为所相应的一种类权重计算至少一特定关键词汇的一第一关联矩阵,并依据第一关联矩阵使用一算法计算特定使用者于特定关键词汇下的至少一第一互动分数。处理模块依据第一关切分数与第一互动分数计算特定使用者对于特定关键词汇的一第一特征分数。
本发明实施例的行为特征评估方法。首先,提供一数据库。数据库储存相应多个使用者的多个网络内容,其中网络内容包括多个关键词汇,且网络内容间包括多个互动行为。对于至少一特定使用者,依据相应特定使用者对于关键词汇的使用频率与所有使用者对于关键词汇的总使用频率计算特定使用者对于每一关键词汇的一第一关切分数。依据每一互动行为所相应的至少两个使用者与每一互动行为所相应的一种类权重计算至少一特定关键词汇的一第一关联矩阵,并依据第一关联矩阵使用一算法计算特定使用者于特定关键词汇下的至少一第一互动分数。依据第一关切分数与第一互动分数计算特定使用者对于特定关键词汇的一第一特征分数。
本发明上述方法可以通过程序代码方式收录于实体媒体中。当程序代码被机器加载且执行时,机器变成用以实行本发明的装置。
附图说明
图1为一示意图是显示依据本发明实施例的行为特征评估系统。
图2为一示意图是显示网络内容间的互动行为例子。
图3为一流程图是显示依据本发明实施例的行为特征评估方法。
图4显示一互动行为种类权重表。
图5显示一行为特征评估例子。
图6显示使用者对于关键词汇的使用频率。
图7显示图5的例子中的互动行为。
图8A、图8B与图8C分别显示对应不同概念的关联矩阵。
图9显示不同使用者在不同概念下的特征分数。
符号说明:
100~行为特征评估系统;
110~数据库;
120~领域架构;
130~词汇概念关联矩阵;
140~处理模块;
150~互动行为种类权重;
160~互动行为参与权重;
U1、U2、A、B、C、D~使用者;
B1、B2~博客;
A1、A2、510、520、530、540~文章;
201、202~发表;
203、204、205、206、207、208、209、501、502、503~互动行为;
S310、S320、...、S340~步骤;
400~互动行为种类权重表。
具体实施方式
为使本发明的上述目的、特征和优点能更明显易懂,下文特举实施例,并配合所附图示,详细说明如下。
图1显示依据本发明实施例的行为特征评估系统。
依据本发明实施例的行为特征评估系统100包括一数据库110、一领域架构120、一词汇概念关联矩阵130、与一处理模块140。值得注意的是,系统中可以设定相应不同互动行为的种类权重150与计算特征分数时相应互动行为的参与权重160。种类权重150与参与权重160的设定与运用将于后说明。
数据库110储存相应使用者的网络内容,如网络互动环境中,尤其是在博客环境中的网络文章。网络内容可以通过一数据收集单元(未显示)来由互联网抓取数据,或通过博客服务提供者建立的数据存取接口获得数据。其中,网络内容中可以包括关键词汇,且网络内容间包括互动行为。关键词汇(KeyTerms)可以是标签(Tag)及/或所属分类(Category),用以揭示文章的基本语意属性。另外,网络内容间的互动行为可以包括评论(Comment)、引用(Trackback)、连结(Iink)、订阅(Subscription)、推荐(Recommend)、与交换连结(Blogroll)等。图2为一示意图,用以显示网络内容间的互动行为例子。如图所示,网络内容中包括博客B1与B2。在博客B1中,使用者U1发表文章A1(201),在博客B2中,使用者U2发表文章A2(202)。其中,文章A1引用了文章A2(203),且连结到文章A2(204)。此外,文章A1也连结到使用者U2(205)。另外,使用者U1对于文章A2发表评论(206),且给予推荐(207)。再者,使用者U2在其博客中交换连结了使用者U1的博客(208),且订阅了使用者U1的博客的文章(209)。本案可以事先将网络内容中的关键词汇,以及网络内容之间的互动行为及其所相关的文章与/或关键词汇进行撷取,以提供后续使用。
领域架构120包括多个概念与概念间的关联。其中,概念可以是来自一知识本体(Ontology),如:DMOZ、Wordnet,或是概念阶层架构(ConceptHierarchy)中所定义的词汇。词汇概念关联矩阵130中定义每一关键词汇对于每一概念的关联程度。假设有m个关键词汇与n个已定义概念,因此,便会建立一个m×n的词汇概念关联矩阵M。其中,Mij表示第i个关键词汇与第j个已定义概念之间的关联程度,且0≤Mij≤1。值得注意的是,词汇概念关联矩阵130可以依据任何方式来建立。举例来说,可以将网络内容中的卷标与分类项目作为待处理的关键词汇。首先,建立关键词汇间的关联架构图。之后,由词汇关联架构图与知识本体的重复词汇作为连结点,再运用知识本体合并(Ontology Merge)的相关技术,计算词汇与概念之间的关联程度,从而得到词汇概念关联矩阵130。处理模块140是用以进行本案的行为特征评估方法,其细节于后说明。
图3显示依据本发明实施例的行为特征评估方法。
如步骤S310,对于至少一特定使用者,依据相应特定使用者对于关键词汇的使用频率、所有使用者对于关键词汇的总使用频率、以及词汇概念关联矩阵M计算特定使用者对于每一概念的关切分数。值得注意的是,本发明可以对于每一使用者进行评估,然而,为使说明清楚与简化,以单一特定使用者的行为特征评估进行说明。
在此步骤中,先对特定使用者建构一个长度为m的关键词汇使用频率向量fU={f1,f2,...,fm},其中,fi表示特定使用者在其个人所发表的文章中以第i个关键词汇来标示文章语意的频率,换言之,fi表示该特定使用者对于第i个关键词汇的使用频率。另外,建构一个长度为m的关键词汇使用频率向量FALL={F1,f2,...,Fm},其中,Fi表示所有使用者在其个人所发表的文章中以第i个关键词汇来标示文章语意的频率,换言之,Fi表示所有使用者对于第i个关键词汇的使用频率。之后,对于特定使用者,计算其个人相对于整体的关键词汇使用特征,并将此特征转以概念层级来表示,从而得到特定使用者对于概念(领域)的关切分数向量GU。关切分数向量GU的计算方式如下:
当|fU|≠0时, 当|fU|=0时,GU为一0向量。
其中,GU={G1,G2,...,Gm},Gj表示特定使用者对于第j个概念的关切分数。
如步骤S320,依据每一互动行为所相应的使用者、每一互动行为所相应的种类权重、以及互动行为中所使用到的关键词汇与概念的关联程度计算至少一特定概念的一关联矩阵。类似地,在此步骤中,本发明可以对于每一概念分别计算其关联矩阵,然而,为使说明清楚与简化,以一特定概念的关联矩阵计算进行说明。
如前所述,不同互动行为可以分别定义其相应的种类权重150。图4显示一互动行为种类权重表400。在此例子中,行为特征可以包括兴趣、参与、专业、与欢迎程度等特征,且每一互动行为对于不同的行为特征具有不同的种类权重。其中,引用对于兴趣、参与、专业与欢迎程度特征的种类权重分别为0.9、0.6、0.9与0.6;交换连结对于兴趣、参与、专业与欢迎程度特征的种类权重分别为0.4、0.7、0.4与0.7;连结对于兴趣、参与、专业与欢迎程度特征的种类权重分别为0.5、0.7、0.5与0.7;订阅对于兴趣、参与、专业与欢迎程度特征的种类权重分别为0.8、0.5、0.8与0.5;以及评论对于兴趣、参与、专业与欢迎程度特征的种类权重分别为0.4、0.6、0.4与0.6。值得注意的是,上述互动行为种类权重表400仅为一例子。依据不同的行为特征可以定义每一互动行为相对应的种类权重。
在本实施例中,每一互动行为表示为(UA,UB,S,IC),其中,UA与UB表示一互动行为中相应的两使用者,UA表示发动互动行为的使用者,且UB表示接受互动行为的使用者。S表示互动行为相应的种类权重。IC表示互动行为所牵涉的语意概念。其中,(CN,AD)表示一个语意概念,CN表示概念名称,AD表示互动行为中使用到的关键词汇与概念的关联程度。注意的是,一个互动行为中可以牵涉到多个语意概念。对于一特定概念所相应的关联矩阵的计算方式如下:
如步骤S330,依据关联矩阵使用一算法,如超链接引导标题搜寻(HITS)算法计算特定使用者于此特定概念下的至少一互动分数。在此实施例中,通过HITS可以得到一兴趣(Hub)分数与一专业(Authority)分数。在HITS算法中,输入为一图形(Graph)的关联矩阵,经处理后给予每一节点一个兴趣值与一个专业值,兴趣值表示一个节点对外连接的强度,专业值表示一个节点接受连结的强度。HITS算法为本领域具有通常知识者所公知的技艺,其细节在此省略。依据特定概念所相应的关联矩阵,可以使用HITS算法计算出特定使用者于特定概念下的互动分数。
如步骤S340,依据下列公式计算特定使用者对于特定概念的一特征分数:
BU=GU+k×IAU,其中,BU表示特征分数,GU表示关切分数,IAU表示互动分数,且k为互动行为的参与权重。类似地,依据不同的行为特征可以定义不同的参与权重。
以兴趣特征而言,依据下述公式计算相应的兴趣特征分数:IU=GU+α×HU,其中,IU表示兴趣特征分数,GU表示关切分数,HU表示互动分数中的兴趣分数,且α为兴趣特征中整体互动行为的参与权重。以专业特征而言,依据下述公式计算相应的兴趣特征分数:EU=GU+β×AU,其中,EU表示专业特征分数,GU表示关切分数,AU表示互动分数中的专业分数,且β为专业兴趣特征中整体互动行为的参与权重。值得注意的是,在此实施例中,是针对关键词汇所相应的概念层次计算使用者对于特定概念的特征分数。然而,在一些不具有领域架构与词汇概念关联矩阵的实施例中,本发明可以直接在关键词汇的层次计算使用者对于特定关键词汇的特征分数。
接下来,举一实例进行说明。图5显示一行为特征评估例子。如图所示,使用者A发表一篇文章510。文章510具有″旅游″、″台湾″与″文化″等关键词汇,且具有一链接,用以连结至使用者D所发表的文章520(501)。文章520具有″台湾″与″文化″等关键词汇。另外,使用者B发表一篇文章530,用以评论使用者A所发表的文章510(502)。使用者C发表一篇文章540,其中引用使用者A所发表的文章510(503)。值得注意的是,在此例子中,假设关键词汇即为领域架构中已定义的概念。
在此例子中,每一个使用者对于个别关键词汇的使用频率显示于图6中。其中,使用者A分别使用″旅游″、″台湾″与″文化″一次;使用者D分别使用″台湾″与″文化″一次。因此,可以得知fA=(1,1,1), fD=(0,1,1), FALL=(1,2,2),|FALL|=3。因此,套用关切分数向量GU的公式与词汇概念关联矩阵M,可以得到GA=(1.73,0.87,0.87),GD=(0,1.06,1.06),且GB=GC=(0,0,0)。
另一方面,图5例子中的互动行为可以整理,如图7所示。因此,依据图7中整理出的互动行为,可以得到分别对应″旅游″、″台湾″与″文化″概念的关联矩阵,如图8A、图8B与图8C所示。之后,分别依据图8A、图8B与图8C的关联矩阵,使用HITS算法可以计算出每一关联矩阵分别相应的互动分数向量。其中,相应图8A的关联矩阵的专业分数向量为A=(1,0,0,0),兴趣分数向量为H=(0,1,2.25,0);相应图8B的关联矩阵的专业分数向量为A=(1,0,0,0),兴趣分数向量为H=(0,1,2.25,0);且相应图8C的关联矩阵的专业分数向量为A=(1,0,0,0),兴趣分数向量为H=(0,0,1,0)。注意的是,互动分数向量的表示方式为不同使用者对于一特定概念的互动分数。最后,依据关切分数与互动分数可以得到不同使用者在不同概念下的特征分数,如图9所示。注意的是,在此例子中,假设相应不同行为特征的互动行为的参与权重皆为0.5。
因此,通过本发明可以在网络互动环境中依据语意与互动模式评估使用者的行为特征。服务提供者便可依据使用者的对于不同概念的特征分数发展相关的加值应用并进行提供。
本发明的方法,或特定型态或其部分,可以以程序代码的型态包含于实体媒体,如软盘、光盘片、硬盘、或是任何其它机器可读取(如计算机可读取)储存媒体,其中,当程序代码被机器,如计算机加载且执行时,此机器变成用以参与本发明的装置。本发明的方法与装置也可以以程序代码型态通过一些传送媒体,如电线或电缆、光纤、或是任何传输型态进行传送,其中,当程序代码被机器,如计算机接收、加载且执行时,此机器变成用以参与本发明的装置。当在一般用途处理器实作时,程序代码结合处理器提供一操作类似于应用特定逻辑电路的独特装置。
虽然本发明已以较佳实施例揭露如上,然其并非用以限定本发明,任何熟悉此项技艺者,在不脱离本发明的精神和范围内,当可做少许更动与润饰,因此本发明的保护范围当视申请专利范围所界定者为准。
Claims (20)
1.一种行为特征评估系统,包括:
一数据库,储存相应多个使用者的多个网络内容,其中所述的网络内容包括多个关键词汇,且所述的网络内容间包括多个互动行为;以及
一处理模块,对于所述的使用者中的至少一特定使用者,依据相应该特定使用者对于所述的关键词汇的使用频率与所有所述的使用者对于所述的关键词汇的总使用频率计算该特定使用者对于每一所述的关键词汇的一第一关切分数,依据每一所述的互动行为所相应的所述的使用者中的至少两者、以及每一所述的互动行为所相应的一种类权重计算所述的关键词汇中的至少一特定关键词汇的一第一关联矩阵,依据该第一关联矩阵使用一算法计算该特定使用者于该特定关键词汇下的至少一第一互动分数,依据该第一关切分数与该第一互动分数计算该特定使用者对于该特定关键词汇的一第一特征分数。
2.如权利要求1所述的行为特征评估系统,其中所述的网络内容包括多个网络文章。
3.如权利要求2所述的行为特征评估系统,其中所述的关键词汇包括每一所述的网络文章的至少一卷标或分类。
4.如权利要求2所述的行为特征评估系统,其中该互动行为包括评论、引用、连结、订阅、推荐、或交换连结。
5.如权利要求1所述的行为特征评估系统,还包括:
一领域架构,包括多个概念与所述的概念间的关联;以及
一词汇概念关联矩阵,用以记录每一所述的关键词汇对于每一所述的概念的一关联程度,
其中该处理模块更依据该特定使用者对于每一所述的关键词汇的该第一关切分数与该词汇概念关联矩阵计算该特定使用者对于每一所述的概念的一第二关切分数,依据该第一关联矩阵与该互动行为中使用到的所述的关键词汇中的至少一个与该概念的关联程度计算所述的概念中的至少一特定概念的一第二关联矩阵,依据该第二关联矩阵使用一算法计算该特定使用者于该特定概念下的至少一第二互动分数,且依据该第二关切分数与该第二互动分数计算该特定使用者对于该特定概念的一第二特征分数。
6.如权利要求5所述的行为特征评估系统,其中该处理模块依照下述公式计算该第二关切分数:
其中,GU={G1,G2,...,Gm},Gj表示该特定使用者对于第j个概念的该第二关切分数,fU={f1,f2,...,fm},fi表示该特定使用者对于第i个关键词汇的使用频率,FALL={F1,F2,...,Fm},Fi表示所有所述的使用者对于第i个关键词汇的使用频率,且M表示该词汇概念关联矩阵。
7.如权利要求5所述的行为特征评估系统,其中该处理模块依照下述公式计算该第二关联矩阵:
其中,Rij表示该第二关联矩阵中第i个使用者对于第j个使用者在该特定概念下的互动关联强度,所述的互动行为表示为(UA,UB,S,AD),其中,UA与UB表示一互动行为中相应的两使用者,S表示该互动行为相应的该种类权重,AD表示该互动行为中使用到的该关键词汇与该特定概念的关联程度。
8.如权利要求5所述的行为特征评估系统,其中该算法包括一超链接引导标题搜寻算法。
9.如权利要求8所述的行为特征评估系统,其中该处理模块依照下述公式计算该第二特征分数:
BU=GU+k×IAU,
其中,BU表示该第二特征分数,GU表示该第二关切分数,IAU表示该第二互动分数,且k为所述的互动行为的一参与权重。
10.如权利要求9所述的行为特征评估系统,其中该互动分数包括一兴趣分数或一专业分数。
11.一种行为特征评估方法,包括下列步骤:
提供相应多个使用者的多个网络内容,其中所述的网络内容包括多个关键词汇,且所述的网络内容间包括多个互动行为;
对于所述的使用者中的至少一特定使用者,依据相应该特定使用者对于所述的关键词汇的使用频率与所有所述的使用者对于所述的关键词汇的总使用频率计算该特定使用者对于每一所述的关键词汇的一第一关切分数;
依据每一所述的互动行为所相应的所述的使用者中的至少两者、以及每一所述的互动行为所相应的一种类权重计算所述的关键词汇中的至少一特定关键词汇的一第一关联矩阵;
依据该第一关联矩阵使用一算法计算该特定使用者于该特定关键词汇下的至少一第一互动分数;以及
依据该第一关切分数与该第一互动分数计算该特定使用者对于该特定关键词汇的一第一特征分数。
12.如权利要求11所述的行为特征评估方法,其中所述的网络内容包括多个网络文章。
13.如权利要求12所述的行为特征评估方法,其中所述的关键词汇包括每一所述的网络文章的至少一卷标或分类。
14.如权利要求12所述的行为特征评估方法,其中该互动行为包括评论、引用、连结、订阅、推荐、或交换连结。
15.如权利要求11所述的行为特征评估方法,还包括:
提供一领域架构,其中该领域架构包括多个概念与所述的概念间的关联;
提供一词汇概念关联矩阵,其中该词汇概念关联矩阵记录每一所述的关键词汇对于每一所述的概念的一关联程度;
依据该特定使用者对于每一所述的关键词汇的该第一关切分数与该词汇概念关联矩阵计算该特定使用者对于每一所述的概念的一第二关切分数;
依据该第一关联矩阵与该互动行为中使用到的所述的关键词汇中的至少一个与该概念的关联程度计算所述的概念中的至少一特定概念的一第二关联矩阵;
依据该第二关联矩阵使用一算法计算该特定使用者于该特定概念下的至少一第二互动分数;以及
依据该第二关切分数与该第二互动分数计算该特定使用者对于该特定概念的一第二特征分数。
16.如权利要求15所述的行为特征评估方法,还包括依照下述公式计算该第二关切分数:
其中,GU={G1,G2,...,Gm},Gj表示该特定使用者对于第j个概念的该第二关切分数,fU={f1,f2,...,fm},fi表示该特定使用者对于第i个关键词汇的使用频率,FALL={F1,F2,...,Fm},Fi表示所有所述的使用者对于第i个关键词汇的使用频率,且M表示该词汇概念关联矩阵。
17.如权利要求15所述的行为特征评估方法,还包括依照下述公式计算该第二关联矩阵:
其中,Rij表示该第二关联矩阵中第i个使用者对于第j个使用者在该特定概念下的互动关联强度,所述的互动行为表示为(UA,UB,S,AD),其中,UA与UB表示一互动行为中相应的两使用者,S表示该互动行为相应的该种类权重,AD表示该互动行为中使用到的该关键词汇与该特定概念的关联程度。
18.如权利要求15所述的行为特征评估方法,其中该算法包括一超链接引导标题搜寻算法。
19.如权利要求18所述的行为特征评估方法,还包括依照下述公式计算该第二特征分数:
BU=GU+k×IAU,
其中,BU表示该第二特征分数,GU表示该第二关切分数,IAU表示该第二互动分数,且k为所述的互动行为的一参与权重。
20.如权利要求19所述的行为特征评估方法,其中该互动分数包括一兴趣分数或一专业分数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNA2006101484750A CN101187920A (zh) | 2006-11-17 | 2006-11-17 | 行为特征评估系统与方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNA2006101484750A CN101187920A (zh) | 2006-11-17 | 2006-11-17 | 行为特征评估系统与方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN101187920A true CN101187920A (zh) | 2008-05-28 |
Family
ID=39480318
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CNA2006101484750A Pending CN101187920A (zh) | 2006-11-17 | 2006-11-17 | 行为特征评估系统与方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101187920A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102750334A (zh) * | 2012-06-01 | 2012-10-24 | 北京市农林科学院农业科技信息研究所 | 一种基于dm的农业信息精准推送的方法 |
CN103914494A (zh) * | 2013-01-09 | 2014-07-09 | 北大方正集团有限公司 | 一种微博用户身份识别方法及系统 |
CN105975441A (zh) * | 2016-05-24 | 2016-09-28 | 上海外云信息科技有限公司 | 一种基于关系矩阵的实体价值定量评估方法 |
-
2006
- 2006-11-17 CN CNA2006101484750A patent/CN101187920A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102750334A (zh) * | 2012-06-01 | 2012-10-24 | 北京市农林科学院农业科技信息研究所 | 一种基于dm的农业信息精准推送的方法 |
CN102750334B (zh) * | 2012-06-01 | 2016-12-21 | 北京市农林科学院农业科技信息研究所 | 一种基于dm的农业信息精准推送的方法 |
CN103914494A (zh) * | 2013-01-09 | 2014-07-09 | 北大方正集团有限公司 | 一种微博用户身份识别方法及系统 |
CN103914494B (zh) * | 2013-01-09 | 2017-05-17 | 北大方正集团有限公司 | 一种微博用户身份识别方法及系统 |
CN105975441A (zh) * | 2016-05-24 | 2016-09-28 | 上海外云信息科技有限公司 | 一种基于关系矩阵的实体价值定量评估方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Cheng et al. | A^ 3NCF: An Adaptive Aspect Attention Model for Rating Prediction. | |
Malik et al. | An analysis of review content and reviewer variables that contribute to review helpfulness | |
Chen et al. | Comparison of feature-level learning methods for mining online consumer reviews | |
Malik | Predicting users’ review helpfulness: the role of significant review and reviewer characteristics | |
US8055663B2 (en) | Systems and methods for measuring behavior characteristics | |
Chen et al. | Social opinion mining for supporting buyers’ complex decision making: exploratory user study and algorithm comparison | |
Zhang et al. | Automatically predicting the helpfulness of online reviews | |
Shen et al. | A voice of the customer real-time strategy: An integrated quality function deployment approach | |
Ishfaq et al. | Modeling to find the top bloggers using sentiment features | |
Yang et al. | A model for book inquiry history analysis and book-acquisition recommendation of libraries | |
Gramyak et al. | Intelligent Method of a Competitive Product Choosing based on the Emotional Feedbacks Coloring. | |
CN107392703A (zh) | 一种确定预采购商品的方法、设备和服务器 | |
Kim et al. | Accurate and prompt answering framework based on customer reviews and question-answer pairs | |
Zhang et al. | Helpful or unhelpful: A linear approach for ranking product | |
Jahanbin et al. | Aspect-Based Sentiment Analysis of Twitter Influencers to Predict the Trend of Cryptocurrencies Based on Hybrid Deep Transfer Learning Models | |
CN101187920A (zh) | 行为特征评估系统与方法 | |
Greenheld et al. | Automating developers' responses to app reviews | |
Lin et al. | Converting consumer-generated content into an innovation resource: A user ideas processing framework in online user innovation communities | |
Li et al. | Do reviewers’ words and behaviors help detect fake online reviews and spammers? Evidence from a hierarchical model | |
Kim et al. | Predicting the currency market in online gaming via lexicon-based analysis on its online forum | |
Dong et al. | Extending sparse text with induced domain-specific lexicons and embeddings: A case study on predicting donations | |
Johari et al. | Ascertain quality attributes for design and development of new improved chatbots to assess Customer Satisfaction Index (CSI): a preliminary study | |
Shikalgar et al. | Online Review Mining for forecasting sales | |
Eckroth | AI Blueprints: How to build and deploy AI business projects | |
Joseph | Amazon reviews sentiment analysis: A reinforcement learning approach |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C12 | Rejection of a patent application after its publication | ||
RJ01 | Rejection of invention patent application after publication |
Open date: 20080528 |