CN103645889B - 软件自适应的动态生成方法 - Google Patents
软件自适应的动态生成方法 Download PDFInfo
- Publication number
- CN103645889B CN103645889B CN201310548993.1A CN201310548993A CN103645889B CN 103645889 B CN103645889 B CN 103645889B CN 201310548993 A CN201310548993 A CN 201310548993A CN 103645889 B CN103645889 B CN 103645889B
- Authority
- CN
- China
- Prior art keywords
- situation
- tuple
- mobile terminal
- server
- contextual information
- 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.)
- Active
Links
Landscapes
- Information Transfer Between Computers (AREA)
Abstract
本发明提供了一种软件自适应的动态生成方法,包括步骤:步骤1:移动终端获取当前的代表性情境信息,通过网络推送给服务器;步骤2:服务器将符合移动终端当前的代表性情境信息的软件或者服务推送给移动终端。本发明主要针对普适计算中软件自适应的动态生成,即移动终端将当前所处的情境信息通过网络推送给服务器。服务器根据获得的情境信息,自动生成符合当前移动终端的软件,将不同的功能及服务依照一定规则有效地组合起来并向需要的用户提供,从而减少了对网络带宽和移动终端性能的需求,提供了系统的资源使用率。
Description
技术领域
本发明涉及属于计算机应用领域,尤其是自适应模型、情境感知、软件动态生成和决策模型等领域,具体涉及一种在普适环境下软件自适应的自动生成方法。
背景技术
当下的时代中,计算机硬件水平呈几何级数迅猛发展,网络的发展与推广也使得移动设备逐渐占据着更多的数码市场份额。在这一科技大背景之下,普适计算的概念便自然而然地进入了人们的视线。所谓普适计算,便是强调了对各种情境自我适应的计算概念。同过普适计算能够使得人们在任何时间、任何地点、以任何方式进行信息的获取与处理。
如今的技术使得移动终端携带日渐方便、功能日益强大、信息交流更为快速便捷,这一点正符合了普适计算的终端概念,即弱化了计算机的实体,使得计算与应用在各种情境条件下均能够进行。
科学家表示,普适计算的核心思想是小型、便宜、网络化的处理设备广泛分布在日常生活的各个场所,计算设备将不只依赖命令行、图形界面进行人机交互,而更依赖“自然”的交互方式,计算设备的尺寸将缩小到毫米甚至纳米级。在物理终端的层面上科学技术的发展也不曾停歇。
然而,虽然终端及服务两方的发展均朝着普适计算的最终形态稳步得发展着,两者的衔接及调度却依然是一个刚刚起步的领域。伴随着技术的发展我们提出了一系列的问题。即使有了所有可能被需要的信息及相关的服务功能,如何根据用户的需求智能地提供其所需的信息而自动过滤掉冗余的部分?如何定义用户的需求?如何将特定的情境转换成计算机所能够理解的条件分支,并使其得以做出相应的分析及响应?这便是如今又一十分热门的重要论题——“自适应”。拥有了近乎无限的资源以及最有效的终端,有效并正确地将信息传输到其被需要的地方,并对信息进行针对性处理,筛选掉其海量冗余部分,这一诉求在当下就显得极为重要。此时,便需要一种有效且正确的模型,能够识别并且合理地分配出相应的资源,以达到资源利用最大化的效果。
在自适应模型的建立这一研究领域上,已经有了许多前沿的研究与推演。对于所有的自适应模型,其着眼点始终在于如何使得模型能够理解各种发生的情况,然后根据当前的信息及资料给出解决方案,并且能够最大程度地保证解决方案符合用户或者当前的情境。基于这一诉求提出了众多截然不同的模型。例如基于需求(Souza V E S.Arequirements-based approach for the design of adaptive systems[C]//SoftwareEngineering(ICSE),2012 34th International Conference on.IEEE,2012:1635-1637.),基于角色(Monpratarnchai S,Tetsuo T.Applying Adaptive Role-Based Modelto Self-Adaptive System Constructing Problems:A Case Study[C]//Engineering ofAutonomic and Autonomous Systems(EASe),2011 8th IEEE International Conferenceand Workshops on.IEEE,2011:69-78.),基于部件(Du S,Huang L,Chen J.A FormalModel for Dynamic Service Updates in Pervasive Computing[C]//InnovativeMobile and Internet Services in Ubiquitous Computing(IMIS),2011 FifthInternational Conference on.IEEE,2011:114-119.)等等。各种不同的模型各有千秋,并且都形成了一套各自初具雏形的理论。然而这方面的发展相对来说依然较为细节化,目前为止还没有较为公认的统一模型被广泛的应用并接受。
发明内容
针对现有技术中的缺陷,本发明的目的是提供一种软件自适应的动态生成方法。
根据本发明提供的软件自适应的动态生成方法,包括如下步骤:
步骤1:移动终端获取当前的代表性情境信息,通过网络推送给服务器;
步骤2:服务器将符合移动终端当前的代表性情境信息的软件或者服务推送给移动终端。
优选地,所述步骤1包括如下步骤:
步骤1.1:移动终端通过自身的传感器获取代表性情境信息。
优选地,所述步骤2包括如下步骤:
步骤2.1:服务器将对代表性情境信息进行数值化;
步骤2.2:服务器对代表性情境信息中的非标准情境元组进行数值化后,与标准情境元组进行匹配。
优选地,所述步骤2.1包括如下步骤:
-对于原始的数据就已经是数值的代表性情境信息,直接将这些数据作为代表性情境信息的代表值;
-对于原始的数据不是数值的代表性情境信息,则将代表性情境信息延伸为多个衍生信息的合集,移动终端将代表性情境信息对应的衍生信息的关键词发送给服务器,服务器通过关键字查询表格,得到代表性情境信息所对应的数值。
优选地,服务器将代表性情境信息的数值分成不同的数值段,对于不同的数值段,给予不同的等级值。
优选地,所述步骤2.2包括如下步骤:
步骤2.2.1:服务器计算出获得的非标准情境元组与标准情境元组的差异度;
步骤2.2.2:在得到差异度后,通过如下公式得到非标准情境元组与标准情境元组之间的差异值,取差异值最小的作为当前非标准情境元组的匹配情境:
其中,Δxk1,Δxk2,Δxk3,...,Δxk(n-1),Δxkn表示第k个非标准情境元组中各个元素与标准情境元组中对应元素之差,Y1,Y2,Y3,…,Yn表示非标准情境元组中各个元素对应的权重,Zk表示当前非标准情境元组的匹配程度;
数学公式化的表达如下:
其中,Zk表示表示当前非标准情境元组的匹配程度。
优选地,通过直接统计的方式计算用户对所提供软件或者服务的使用比例,并将这一使用比例直接作为比重系数,投入差异值的计算之中;其中,每个单个元组的元素均相互独立,元素的比重系数的调节统计也相互独立。
与现有技术相比,本发明具有如下的有益效果:
本发明主要针对普适计算中软件自适应的动态生成,即移动终端将当前所处的情境信息通过网络推送给服务器。服务器根据获得的情境信息,自动生成符合当前移动终端的软件,将不同的功能及服务依照一定规则有效地组合起来并向需要的用户提供,从而减少了对网络带宽和移动终端性能的需求,提供了系统的资源使用率。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1示出本发明的整体示意图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进。这些都属于本发明的保护范围。
以下结合具体的实施例对本发明的技术方案作进一步详细描述。整个发明实现过程如下:
步骤1,情境信息的获取。
移动终端通过传感器获取代表性情境信息,所述的代表性情境信息,是指能够反映移动终端当前状态的情境信息,这一类的信息的组合可以很好地反映出事务的基本特征。当移动终端获取了这些代表性情境,移动终端无需对这些数据进行处理,而只需在下载软件时,将当前的代表性情境信息推送给服务器即可。服务器根据获得的情境信息进行相应的处理。
所述的代表性情境信息的获取是指,通过移动终端的感知器获得当前的情境信息。这里的情境信息并不是所有可感知的所有信息,而是从众多信息中提炼出一套具有代表性的元素。这些元素的特点便是能够代表这些信息最突出的特征。从而使得设计的系统能够根据这些元素通过设计的算法理解并分析当前的情境与需求,并基于现有的服务及功能提供出相应的软件。这些信息包括地理位置,时间,温度,网络带宽、延迟,用户偏好等等。这些代表性情境信息被定义为标准情境信息元组,通过{X1,X2,...,Xn}表示。
步骤2,代表性情境信息的数值化。
服务器对情境信息数值化时,对于原始数据就已经是数值的情境信息,比如温度等,可直接将这些数据作为其代表值即可。然而对于某些标准情境信息,比如用户这一标准情境信息,是不可以直接数值化的。为了解决这一问题,本发明提出了情境信息延伸法。例如将用户衍生为性格、性别、年龄的合集。而性格和性别这两个衍生信息则可以通过预设数值的方法,将不同信息对应的数值记录在表格中。移动终端只需要发送衍生信息的关键字给服务器,服务器通过关键字查询表格,从而得到其所对应的数值信息。然而不同的情境信息的数值,其代表的含义是不同的,为了到达统一化的标准,本发明采用数值分类取值法,即,将情境信息的数值分成不同的数值段,对于不同的数值段,给予不同的等级值。
所述的标准情境信息是指,通过这些信息可以描述移动终端所需要的所有情境,是服务器内置的、作为软件服务的提供标准的信息。而非标准情境信息是指,与标准情境信息属性相同,但取值不同的信息。“人工智能”(Artificial Intelligence)这一领域的开创者之一Herbert A.Simon提出了有限理性(bounded rationality)的概念,即拥有智慧的人、动物、计算机系统都存在着计算和交流的上限。人或者其他拥有智慧的事物在交流或者计算时存在着一个无法突破的上界。当交流或计算的速率达到上界时,处理信息的能力和速度便会停滞不前,无法继续提高。因而因为理性是有限的,对事物或者情境的描述方法就能够一定程度上得通过研究、统计等方法进行总结,从而得出一个较为普遍能够为大众所接受的描述方案。因此通过标准信息元组来描述移动终端的情境信息是具有可行性的。然而,考虑到系统对抽象自然语言的理解性的问题,可以很容易的就预见到如若仅仅是通过这一元组的定义,让机器去理解用抽象自然语言描述的这一元组是相当困难的。因此本发明在建立基本描述元素时,就直接通过将实际情境的描述元素数值化来对情境进行描述。
成功将具有普适表达能力的模型建立完成,基于此模型的理念将实际的自然情境转换成易于机器处理的数值化元组,下一步的工作便是自适应系统的核心功能——自适应算法。如何通过将非基本情境匹配到基本情境?如何从基本情境的集合中找出与当前非基本情境最为匹配的基本情境?这一系列的问题将在以下文中进行解答。
步骤3,非基本情境到基本情境的匹配。
非基本情境的匹配在上文的算法描述中已经有所提及,在基本情境匹配过程中主要会遇到两种情况:
1)当前非基本情境与基本情境集合中的一些差异值并不大;
2)当前非基本情境与所有的基本情境都存在一定的差距。
应对以上两种不同的情况,我们所提出的应对方案也不同:
1)对于存在基本情境与当前情境差异值较小的情况,通过基于比重系数差异值计算的方法计算出当前非基本情境与所有基本情境的差异值,并取其中差异值最小的基本情境作为当前模糊情境的解决方案。
2)对于非基本情境与基本情境均相差较大的情况,则将当前的非基本情境添加为新的基本情境,并由开发人员根据当前情境定义其所需要的功能模块作为这一新基本情境的固定解决方案。
那么,如何定义当前的非基本情境与基本情境差异都较大呢?我们可以通过他们单个数值元素的差值相对于元素的整个取值范围来进行估计。
基本的算法如下:
该算法的具体流程是:首先定义一个含有n个布尔变量的一维数组,用来表示情境元素是否在规定阈值内匹配。其次,针对每一个非情景元组,计算出其每一个情境元素与标准情境元素之间的差异值,如果该差异值在规定范围内,则定义元素与该基本情境的元素匹配。如果匹配,则对应的变量赋值为true,否则,赋值为false;最后,通过比较布尔变量被赋为ture的个数与给定的情境元组差异值来决定该非基本情境是否与基本情境差异太大。
其中80%以及10%的基准均是作为示意,具体比例可以根据实例化的系统进行再定义和调整。
通过上面算法的计算,就可以得到移动终端推送给服务器的情境信息是符合哪个基本情境信息了。服务器将这个基本情境信息对应的软件服务推送给移动终端,移动终端就可以获得符合当前自身情境下的软件了。
进一步更为具体地,自适应算法主要涉及到两个方面:目标元组与标准情境元组集合中的元组的差异度,以及综合差异度的差异值计算。
1.元组差异度
元组的数值主要分为两类:程度型,分类型。所谓程度型的元素,就是通过数值的大小直接反映当前元素的程度大小,例如叙事情境中,“人数”这一元素就直观地反映了参与活动的规模大小。所谓分类型元素,就是当前的元素数值表现的是元素所对应的属性所属分类的编号,例如“叙事情境”中性别这一元素就反映了性别的不同分类。
1)对于程度型元素来说,非基本情境的元素与实际情境的对应元素值差值的绝对值便是两者在此元素上程度差别的最直观体现。因此,当遇到当前情境与基本情境的程度型元素比较时,将两者值|Aij、Xj的差值去绝对值即可,即|Aij-Xj|。
2)对于无法进行程度辨识的分类型元素来说,在比较时可以采取直接分辨相同或者不同这一方式。如若相同,则差值为0,如若不同,则差值取一定的定值。而定值的大小则取决于当前元素在整个系统中占的重要性比重。根据实际情况不同的分类型元素在判定为不同时其所取的固定差值可以是不同的。而取值的根据可以来源于计算的元素在系统中所占比重,也可以来源于统计学等科学研究所得出的经验结论。
2.差异值计算
得出非基本情境元组与基本情境集合中每一个情境的元组差值后,这k个差值组中的每一个本身就具有了一定的代表性。根据这些差值元组,可以通过将他们相互比较得出偏差最小的一组并以其所对应的基本情境作为当前非基本情境的解决方案予以提供。
然而,如此的比较虽然直接,但对于用户的选择倾向等等因素均未予以考虑。打个比方,比如当前的模糊情境判断后最接近的情境是给予用户一定的娱乐新闻,然而整个用户团体拥有着对地理位置信息的极大需求,那么仅仅基于情境本身的数值判断就会带来很大的问题。
为了防止这种状况的出现,防止自适应系统的判断基准成为单因素影响点(即仅受机器判断影响),本发明引入了比重系数差异值计算法。
通过定义一个n元的系数组{Y1,Y2,Y3,…,Yn}来表达每一个元素在整个系统中所占比重。依然以上文中的情况为例,若用户对地理位置信息有着极大的偏好需求,则将涉及地理位置信息的比重系数Yk定高,而将娱乐方面相关元素的比重系数如Yi,定得相对较低一些。
通过系数的比重调节,能够将现实中用户使用频率较高的系数影响力增大。相对地,也能将较为次要的元素影响力相对缩小。通过矩阵乘法就能够将差值组与比重系数结合,从而得到一个差异值。
其中,Δxk1,Δxk2,Δxk3,...,Δxk(n-1),Δxkn表示第k个非标准情境元组中各个元素与标准情境元组中对应元素之差,Y1,Y2,Y3,…,Yn表示非标准情境元组中各个元素对应的权重,Zk表示当前非标准情境元组的匹配程度;
数学公式化的表达如下:
其中,Zk表示表示当前非标准情境元组的匹配程度。
3.元素对应比重系数动态调节算法
前面定义了比重系数的方法来控制与调节每个元素的实际影响力,并通过矩阵计算得到了K个差异值{Z1,Z2,…,Zk}。如此一来,元素经过比重调控所计算出来的整合的差异值Zi,i=1,2,…,k基本能够表现出当前的非基本情境与基本情境Ai的差异度。那么基本就能够确定差异值Z最小的那个基本情境,就是我们所需要的最贴近当前基本情境的解决方案。
然而,若是事先由系统开发人员定义完比重系数{Y1,Y2,Y3,…,Yn},并且将其投入系统作为计算使用的话。对于每个元素的相关资料进行调研和计算得出的系数作为其计算模型中的比重系数自然是具有一定代表性的。但是这一定义的方式并未从根本上改变自适应系统的判断基准成为单因素影响点(即仅受机器判断影响)这一问题。系统接收到非基本情境输入后依然采取的是与外界隔离,不受外界趋势与数据影响的差异值计算。
因而按照开发人员定义的方式的话,系统在外界趋势发生变化时,例如用户的偏好倾向发生了改变,则需要开发人员重新对比重系数的大小进行相关研究并重新设定。
事实上,我们可以采取更加直接且有效的方式对系数进行定义。
由“基于需求的自适应模型构建方法”中所提到的“反馈循环”的监控方式所启发。我们发现,在软件运行过程中,所有的用户即是我们触手可及的实际样本。所有的喜好趋势必将在用户中直接体现,而以用户作为样本则能够实时地且正确地获取用户的趋势变化,并根据用户的喜好来动态地重新定义元组中元素的比重系数。
用户的喜好趋势捕捉能够通过类似“反馈循环”的监控方式进行用户使用反馈的捕捉与统计。通过用户对软件使用情况的统计来获得用户样本的趋势变化。
基本的算法如下:
该算法的具体流程是:针对用户的反馈信息,对该一维元组的n个元素进行遍历,如果某一个布尔变量被赋于了true,则比重系数的分子ai和分母bi各加1,并将结果赋值给原来的比重变量;否则,比重系数的分子不变,而分母加1,并将结果赋值给原来的比重变量。
算法的原理较为简单,即通过直接统计的方式计算用户对提供功能的使用比例,并将这一比例直接作为比重系数,投入差异值的计算之中。其中,每个单个元组的元素均相互独立,其比重系数的调节统计也相互独立。这一系数动态调节的方法虽然简单,但是实时并最为直观地表现出了用户群组当前的喜好趋势,并且会随着用户使用习惯的变化而动态地自我调整。
其可靠性在数学上也能够简单地证明:
对于某元素Yi,其初始值为1,假设与其相关的软件功能的用户接受度为a%,即a%的用户会使用这一功能,则其对每个用户的使用期望为a%
则根据算法中的计算方法,当用户样本趋于无限时,比重系数Yi的期望值为:
在理论上其比重系数的代表性简单地就得到了证明,而在实际应用上的证明将会在实验环节中给予相应的数据进行论证。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变形或修改,这并不影响本发明的实质内容。
Claims (4)
1.一种软件自适应的动态生成方法,其特征在于,包括如下步骤:
步骤1:移动终端获取当前的代表性情境信息,通过网络推送给服务器;
步骤2:服务器将符合移动终端当前的代表性情境信息的软件或者服务推送给移动终端;
所述步骤1包括如下步骤:
步骤1.1:移动终端通过自身的传感器获取代表性情境信息;
所述步骤2包括如下步骤:
步骤2.1:服务器将对代表性情境信息进行数值化;
步骤2.2:服务器对代表性情境信息中的非标准情境元组进行数值化后,与标准情境元组进行匹配;
标准情境是指,通过标准情境能够描述移动终端所需要的所有情境;
非标准情境是指,与标准情境属性相同,但取值不同的情境;
所述步骤2.2包括如下步骤:
步骤2.2.1:服务器计算出获得的非标准情境元组与标准情境元组的差异度;
步骤2.2.2:在得到差异度后,通过如下公式得到非标准情境元组与标准情境元组之间的差异值,取差异值最小的作为当前非标准情境元组的匹配情境:
其中,Δxk1,Δxk2,Δxk3,…,Δxk(n-1),Δxkn表示第k个非标准情境元组中各个元素与标准情境元组中对应元素之差,Y1,Y2,Y3,…,Yn表示非标准情境元组中各个元素对应的权重,Zk表示当前非标准情境元组的匹配程度;
数学公式化的表达如下:
2.根据权利要求1所述的软件自适应的动态生成方法,其特征在于,所述步骤2.1包括如下步骤:
-对于原始的数据就已经是数值的代表性情境信息,直接将这些数据作为代表性情境信息的代表值;
-对于原始的数据不是数值的代表性情境信息,则将代表性情境信息延伸为多个衍生信息的合集,移动终端将代表性情境信息对应的衍生信息的关键词发送给服务器,服务器通过关键字查询表格,得到代表性情境信息所对应的数值。
3.根据权利要求2所述的软件自适应的动态生成方法,其特征在于,服务器将代表性情境信息的数值分成不同的数值段,对于不同的数值段,给予不同的等级值。
4.根据权利要求1所述的软件自适应的动态生成方法,其特征在于,通过直接统计的方式计算用户对所提供软件或者服务的使用比例,并将这一使用比例直接作为比重系数,投入差异值的计算之中;其中,每个单个元组的元素均相互独立,元素的比重系数的调节统计也相互独立。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310548993.1A CN103645889B (zh) | 2013-11-07 | 2013-11-07 | 软件自适应的动态生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310548993.1A CN103645889B (zh) | 2013-11-07 | 2013-11-07 | 软件自适应的动态生成方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103645889A CN103645889A (zh) | 2014-03-19 |
CN103645889B true CN103645889B (zh) | 2017-05-10 |
Family
ID=50251113
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310548993.1A Active CN103645889B (zh) | 2013-11-07 | 2013-11-07 | 软件自适应的动态生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103645889B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103955359A (zh) * | 2014-03-25 | 2014-07-30 | 西安乾易企业管理咨询有限公司 | 移动终端应用和信息的自动推送方法及系统 |
CN106921513B (zh) * | 2015-12-28 | 2019-05-24 | 上海财经大学 | 一种移动普适计算环境中基于情境信息的服务准备方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050144000A1 (en) * | 2003-12-26 | 2005-06-30 | Kabushiki Kaisha Toshiba | Contents providing apparatus and method |
CN101488149A (zh) * | 2009-02-19 | 2009-07-22 | 上海交通大学 | 普适环境下情境自适应的移动事务处理系统 |
-
2013
- 2013-11-07 CN CN201310548993.1A patent/CN103645889B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050144000A1 (en) * | 2003-12-26 | 2005-06-30 | Kabushiki Kaisha Toshiba | Contents providing apparatus and method |
CN101488149A (zh) * | 2009-02-19 | 2009-07-22 | 上海交通大学 | 普适环境下情境自适应的移动事务处理系统 |
Non-Patent Citations (1)
Title |
---|
Towards Context-Aware Workflow Management for Ubiquitous Computing;Feilong Tang等;《Embedded Software and Systems, 2008. ICESS "08. International Conference on》;20080731;第221-228页 * |
Also Published As
Publication number | Publication date |
---|---|
CN103645889A (zh) | 2014-03-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103544623B (zh) | 一种基于用户偏好特征建模的Web 服务推荐方法 | |
US8868535B1 (en) | Search engine optimizer | |
Saraswat et al. | Energy efficient data forwarding scheme in fog-based ubiquitous system with deadline constraints | |
CN102708130A (zh) | 计算用户微细分以用于要约匹配的可扩展引擎 | |
CN113254804B (zh) | 一种基于用户属性和行为特征的社会关系推荐方法及系统 | |
CN103714135B (zh) | 海量用户的二度人脉关系MapReduce推荐方法及系统 | |
CN110020022B (zh) | 数据处理方法、装置、设备及可读存储介质 | |
CN110909222A (zh) | 基于聚类的用户画像建立方法、装置、介质及电子设备 | |
CN112380299A (zh) | 关系网络构建方法、装置及存储介质 | |
CN115271931A (zh) | 一种信用卡产品的推荐方法、装置、电子设备和介质 | |
CN103645889B (zh) | 软件自适应的动态生成方法 | |
CN106469163A (zh) | 一种公众号推荐方法及系统 | |
GB2517358A (en) | Recommendation creation system | |
CN111125183A (zh) | 一种雾环境下基于CFI-Apriori算法的元组度量方法及系统 | |
CN113095084B (zh) | 一种物联网中语义服务匹配方法、装置及存储介质 | |
CN114298118B (zh) | 一种基于深度学习的数据处理方法、相关设备及存储介质 | |
KR102010132B1 (ko) | 사용자 능력을 증강시키는 증강 휴먼 서비스 제공 방법 및 그 시스템 | |
CN110781217A (zh) | 排序数据的处理方法、装置及存储介质、服务器 | |
CN109447505A (zh) | 一种基于用户心理行为的云制造知识服务优选方法 | |
CN117971913B (zh) | 一种应用数据库信息收集反馈指令的系统 | |
CN118034844B (zh) | 一种平板电脑多用户共享界面管理方法及系统 | |
CN114417944B (zh) | 识别模型训练方法及装置、用户异常行为识别方法及装置 | |
CN111506617B (zh) | 一种基于用户数据生成标签的方法及装置 | |
CN108122113B (zh) | 一种费率配制方法、装置、服务器和存储介质 | |
CN118586455A (zh) | 模型训练以及内容生成方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |