CN105101475B - 一种识别无线局域网wlan潜在用户的方法及装置 - Google Patents
一种识别无线局域网wlan潜在用户的方法及装置 Download PDFInfo
- Publication number
- CN105101475B CN105101475B CN201410197776.7A CN201410197776A CN105101475B CN 105101475 B CN105101475 B CN 105101475B CN 201410197776 A CN201410197776 A CN 201410197776A CN 105101475 B CN105101475 B CN 105101475B
- Authority
- CN
- China
- Prior art keywords
- wlan
- nodes
- potential
- determining
- user
- 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
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 11
- 238000012512 characterization method Methods 0.000 abstract 1
- 239000011159 matrix material Substances 0.000 description 14
- 238000012216 screening Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 7
- 238000004590 computer program Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000005065 mining Methods 0.000 description 4
- 230000001364 causal effect Effects 0.000 description 2
- 238000013499 data model Methods 0.000 description 2
- 125000002015 acyclic group Chemical group 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- JHIVVAPYMSGYDF-UHFFFAOYSA-N cyclohexanone Chemical compound O=C1CCCCC1 JHIVVAPYMSGYDF-UHFFFAOYSA-N 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
Landscapes
- Small-Scale Networks (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明实施例提供了一种识别无线局域网WLAN潜在用户的方法及装置,该方法包括:获取包含了WLAN潜在用户的用户属性信息的参数信息,根据参数信息中的用户属性信息,确定WLAN潜在用户的群属性,所述群属性为被筛选出的用户属性信息的集合;根据WLAN潜在用户的群属性,生成用以确定WLAN潜在用户等级的贝叶斯网络模型;根据WLAN潜在用户的参数信息以及贝叶斯网络模型,确定出表征WLAN潜在用户在网络中的重要级别的等级信息。即在本发明实施例中通过WLAN潜在用户的群属性来迅速的挖掘出潜在的WLAN潜在用户,同时也提升了挖掘潜在WLAN潜在用户的准确度。
Description
技术领域
本发明涉及通信技术领域,尤其涉及一种识别无线局域网WLAN潜在用户的方法及装置。
背景技术
随着移动通信进入3G时代,移动业务迅猛增长,交易处理数据激增,流量运营成为移动运营商市场营销的热点,而无线局域网(英文:Wireless Local Area Network简称:WLAN)潜在用户的预测成为流量运营领域的重点。马尔可夫链预测是一种应用于潜在用户预测的典型应用,而现有的基于决策树的挖掘算法应用于WLAN潜在用户的预测主要是通过收集大量的用户流量清单作为样本数据,并按照一定的比例将样本数据随机的进行分组,然后利用信息论分析方法逐步找出关键因素并建立决策树,最终设定WLAN潜在用户的阈值,进而进行信息分类来判断WLAN潜在用户的等级。
但是,目前随着用户属性数据的增加以及属性之间的联系,马尔可夫链预测潜在用户的处理过程复杂,并且挖掘潜在用户的准确性较低。
发明内容
本发明实施例提供了一种识别无线局域网WLAN潜在用户的方法及装置,用以提升了挖掘潜在WLAN潜在用户的准确度,具体方案如下:
一种识别无线局域网WLAN潜在用户的方法,包括:
获取包含了WLAN潜在用户的属性信息的参数信息;
根据所述参数信息中的用户属性信息,确定所述WLAN潜在用户的群属性,所述群属性为被筛选出的用户属性信息的集合;
根据所述WLAN潜在用户的群属性,生成用以确定WLAN潜在用户等级的贝叶斯网络模型;
根据所述WLAN潜在用户的参数信息以及所述贝叶斯网络模型,确定出表征所述WLAN潜在用户在网络中的重要级别的等级信息。
可选的,根据所述参数信息中用户属性信息,确定所述WLAN潜在用户的群属性,包括:
将所述用户属性信息进行相似度计算,在所述用户属性信息中确定出重要性程度值达到阈值的属性;
将所述重要性程度值达到阈值的属性的集合确定为所述WLAN潜在用户的群属性。
可选的,根据所述WLAN潜在用户的群属性,生成用以确定WLAN潜在用户等级的贝叶斯网络模型,包括:
将所述群属性中的一个属性作为一个节点,并确定出每两个节点之间的连接关系;
根据具有连接关系的节点组成的集合,生成用以确定WLAN潜在用户等级的贝叶斯网络模型。
可选的,确定出每两个节点之间的连接关系,包括:
获取每两个节点之间的影响因子;
判断获取的两个节点之间的影响因子是否等于预设阈值;
若所述两个节点之间的影响因子等于预设阈值时,则所述两个节点不存在连接关系;
若所述连接节点之间的影响因子不等于预设阈值时,则所述两个节点存在连接关系;
将具有连接关系的节点所组成的集合确定为所述WLAN潜在用户的群属性。
可选的,所述影响因子可以通过公式(1)得到:
其中,xi表示一个节点,yi表示另一个节点,I(xi:yi)表示节点之间的影响因子的值,p(xi)表征节点xi的概率分布,p(xi|yi)表征节点xi相对于节点yi的概率分布。
一种识别无线局域网WLAN潜在用户的装置,包括:
获取模块,用于获取包含了WLAN潜在用户的属性信息的参数信息;
确定模块,用于根据所述参数信息中的用户属性信息,确定所述WLAN潜在用户的群属性,所述群属性为被筛选出的用户属性信息的集合;
生成模块,用于根据所述WLAN潜在用户的群属性,生成用以确定WLAN潜在用户等级的贝叶斯网络模型;
处理模块,用于根据所述WLAN潜在用户的参数信息以及所述贝叶斯网络模型,确定出表征所述WLAN潜在用户在网络中的重要级别的等级信息。
可选的,所述确定模块,包括:
处理单元,用于将所述用户属性信息进行相似度计算,在所述用户属性信息中确定出重要性程度值达到阈值的属性;
确定单元,用于将所述重要性程度值达到阈值的属性的集合确定为所述WLAN潜在用户的群属性。
可选的,所述生成模块,包括:
关系确定单元,用于将所述群属性中的一个属性作为一个节点,并确定出每两个节点之间的连接关系;
生成单元,用于根据具有连接关系的节点组成的集合,生成用以确定WLAN潜在用户等级的贝叶斯网络模型。
可选的,所述关系确定单元,具体用于获取每两个节点之间的影响因子;判断获取的两个节点之间的影响因子是否等于预设阈值;若所述两个节点之间的影响因子等于预设阈值时,则所述两个节点不存在连接关系;若所述连接节点之间的影响因子不等于预设阈值时,则所述两个节点存在连接关系;将具有连接关系的节点所组成的集合确定为所述WLAN潜在用户的群属性。
本发明实施例提供了一种识别无线局域网WLAN潜在用户的方法,该方法包括:获取包含了WLAN潜在用户的用户属性信息的参数信息,根据参数信息中的用户属性信息,确定WLAN潜在用户的群属性,所述群属性为被筛选出的用户属性信息的集合;根据WLAN潜在用户的群属性,生成用以确定WLAN潜在用户等级的贝叶斯网络模型;根据WLAN潜在用户的参数信息以及贝叶斯网络模型,确定出表征WLAN潜在用户在网络中的重要级别的等级信息。即在本发明实施例中通过WLAN潜在用户的群属性来迅速的挖掘出潜在的WLAN潜在用户,同时也提升了挖掘潜在WLAN潜在用户的准确度。
附图说明
图1为本发明实施例中一种识别无线局域网WLAN潜在用户的方法流程图;
图2为本发明实施例中一种识别无线局域网WLAN潜在用户的装置结构示意图。
具体实施方式
本发明实施例提供了一种识别无线局域网WLAN潜在用户的方法,该方法包括:获取包含了WLAN潜在用户的用户属性信息的参数信息,根据参数信息中的用户属性信息,确定WLAN潜在用户的群属性,所述群属性为被筛选出的用户属性信息的集合;根据WLAN潜在用户的群属性,生成用以确定WLAN潜在用户等级的贝叶斯网络模型;根据WLAN潜在用户的参数信息以及贝叶斯网络模型,确定出表征WLAN潜在用户在网络中的重要级别的等级信息。即在本发明实施例中通过WLAN潜在用户的群属性来迅速的挖掘出潜在的WLAN潜在用户,同时也提升了挖掘潜在WLAN潜在用户的准确度。
下面通过附图以及具体实施例对本发明技术方案做详细的说明。
S101,获取包含了WLAN潜在用户的用户属性信息的参数信息;
首先来讲,在进行WLAN潜在用户的评级之前,需要获取WLAN潜在用户的用户属性信息,其中,用户属性信息就包括了:用户所在基站、地区ID、WLAN套餐、流量套餐、用户产生流量费用等参数,当然确定出的用户属性信息越多计算出的群属性信息就越准确。
S102,根据所述参数信息中的用户属性信息,确定所述WLAN潜在用户的群属性;
在得到WLAN潜在用户的用户属性信息之后,基于WLAN潜在用户的用户属性信息之间的相似度来计算出WLAN潜在用户的群属性,该群属性的具体确定方法如下:
步骤1:设定(U,A,F)为一组数据模型,其中,U为WLAN潜在用户的流量清单汇总信息,即:U={x1,x1,....,xn},其中,xn表征WLAN潜在用户流量清单信息,A为WLAN潜在用户所包含的属性集,即:A={a1,a2,....,an},其中,an表征了WLAN潜在用户的一个属性信息,F为U与A之间的关系集,即:F={fl:U→Vl(l≤m)},其中,Vl为值域。
定义一个初始筛选矩阵M0,在该初始筛选矩阵中共有m列,每一列对应一个属性,每一行对应数据模型中的一对对象(xi,xj),其中,i≤j≤n,n表征筛选矩阵M0中的行数,另外[xi]A≠[xj]A,所以在筛选矩阵M0中最多有n(n-1)/2行,此时将fl记为U2。则筛选矩阵M0的值可以有映射τ:U2×A→{0,1}来确定,即:
其中,γl为指定属性al对应的阈值,γl的取值可以通过如下公式得到:
其中,表征指定属性al对应的有效数据集的求和,n'表示有效数据集的数量。
通过上述的公式计算就能够得到初始筛选矩阵M0。
步骤2:通过初始筛选矩阵M0求解出属性群,其求解的实现步骤如下:
a、计算初始筛选矩阵M0;
b、取从初始筛选矩阵M0中删除属性al中取值为1对应的所有行及该列,得到处理后的筛选矩阵M1;
c、对于一个筛选矩阵Mk(1≤k),根据如下公式计算其各属性的重要性程度:
其中,Sign(al)表征属性重要程度值。
d、选取重要性程度值最大的属性,若是多个属性同时具有最大值时,则随机选取一个优选属性,然后删除选取出的属性对应在筛选矩阵中取值为1所对应的所有行及列,得到新的筛选矩阵Mk+1,然后转至步骤c继续执行,直至筛选矩阵M为空。
e、所有被删除的列属性的集合即为群属性G,其中G={G1,G2,...,Gn},这样就可以得到WLAN潜在用户的群属性。
通过上述的计算过程就得到了WLAN潜在用户的群属性,然后执行步骤103。
S103,根据WLAN潜在用户的群属性,生成用以确定WLAN潜在用户等级的贝叶斯网络模型。
在对WLAN潜在用户进行评级之前,还需要调取已经生成的贝叶斯网络模型,贝叶斯网络模型的具体生成过程如下:
步骤1,群属性中的节点组建。
在确定好群属性之后,对群属性内单个属性的连接关系近确认,具体的实现方式如下:
1、首先创建一个空网络,空网络必须满足的条件为:BN=(B,P),其中B=(V,E),B=(V,E)为有向无环图,V为节点集,即:V=Gn,此时的空网络指:Gn={},E为有向边集,反映节点变量之间的因果依赖关系;P为节点的概率分布,表示节点之间的因果影响强度。
2、根据群属性提供的节点信息,选择使后验概率最大的节点作为该节点的父节点,逐步为每个节点添加父节点。
3、为了避免出现过度复杂的网络结构,同时也是为了使得组建的网络更加简单,在父节点的选择上面,可以随机选取叶子节点作为父节点,一旦选取父节点,即计算选取出的父节点与子节点中影响因子,该影响因子可以通过如下的公式得到:
其中,xi表示一个节点,yi表示另一个节点,I(xi:yi)表示节点之间的影响因子的值,p(xi)表征节点xi的概率分布,p(xi|yi)表征节点xi相对于节点yi的概率分布。
通过影响因子的计算结果,就决定了两个节点之间的连接关系,具体确定方式如下:
a、影响因子的计算结果大于0时,则说明节点xi促进节点yi,此时设定xi为父节点;
b、影响因子的计算结果小于0时,则说明节点xi阻碍节点yi,此时设定yi为父节点;
c、影响因子的计算结果等于0时,则说明两个节点独立。
按照上述的过程实现群属性的网络迭代,随着节点之间的影响因子计算过程的推进,更多的节点将归到网络中,因此网络Gn从空集逐渐变换为Gn={g1,g2,...,gn},当迭代的两次结果相同时,网络迭代终止,并得到最终的迭代结果。
步骤2,组建贝叶斯网络模型。
根据步骤1中对父节点的求解,可以筛选出贝叶斯网络的所有节点,利用属性集G子集Gn即可构造贝叶斯网络BN,通过群属性G可以构造多个贝叶斯网络,此时在数据集的划分过程中,就可以利用传统的贝叶斯网络理论,通过求解概率,即可判断最优或者次优的预测模型。最后将求解出的预测模型,此时得到的预测模型就可以用于对WLAN潜在用户进行评级。
S104,根据WLAN潜在用户的参数信息以及贝叶斯网络模型,确定出表征WLAN潜在用户在网络中的重要级别的等级信息。
具体来讲,在得到WLAN潜在用户的用户属性信息之后,将得到的用户属性信息输入到生成的贝叶斯网络模型中,该贝叶斯网络模型将根据输入的用户属性信息与贝叶斯网络模型中的属性信息进行匹配,最终根据匹配的结果确定WLAN潜在用户的等级,即得到表征WLAN潜在用户在网络中的重要级别的等级信息,最后输出该等级信息。
对应本发明实施例中的一种识别无线局域网WLAN潜在用户的方法,本发明实施例中还提供了一种识别无线局域网WLAN潜在用户的装置,如图2所示为本发明实施例中一种识别无线局域网WLAN潜在用户的装置的结构示意图,该装置包括:
获取模块201,用于获取包含了WLAN潜在用户的属性信息的参数信息;
确定模块202,用于根据所述参数信息中的用户属性信息,确定所述WLAN潜在用户的群属性,所述群属性为被筛选出的用户属性信息的集合;
生成模块203,用于根据所述WLAN潜在用户的群属性,生成用以确定WLAN潜在用户等级的贝叶斯网络模型;
处理模块204,用于根据所述WLAN潜在用户的参数信息以及所述贝叶斯网络模型,确定出表征所述WLAN潜在用户在网络中的重要级别的等级信息。
进一步,在本发明实施例中确定模块202,包括:
处理单元,用于将所述用户属性信息进行相似度计算,在所述用户属性信息中确定出重要性程度值达到阈值的属性;
确定单元,用于将所述重要性程度值达到阈值的属性的集合确定为所述WLAN潜在用户的群属性。
进一步,在本发明实施例中生成模块203,包括:
关系确定单元,用于将所述群属性中的一个属性作为一个节点,并确定出每两个节点之间的连接关系;
生成单元,用于根据具有连接关系的节点组成的集合,生成用以确定WLAN潜在用户等级的贝叶斯网络模型。
进一步,在本发明实施例中生成模块203中的关系确定单元,具体用于获取每两个节点之间的影响因子;判断获取的两个节点之间的影响因子是否等于预设阈值;若所述两个节点之间的影响因子等于预设阈值时,则所述两个节点不存在连接关系;若所述连接节点之间的影响因子不等于预设阈值时,则所述两个节点存在连接关系;将具有连接关系的节点所组成的集合确定为所述WLAN潜在用户的群属性。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (9)
1.一种识别无线局域网WLAN潜在用户的方法,其特征在于,包括:
获取包含了WLAN潜在用户的属性信息的参数信息;
根据所述参数信息中的用户属性信息,确定所述WLAN潜在用户的群属性,所述群属性为被筛选出的用户属性信息的集合;
根据所述WLAN潜在用户的群属性,生成用以确定WLAN潜在用户等级的贝叶斯网络模型;
根据所述WLAN潜在用户的参数信息以及所述贝叶斯网络模型,确定出表征所述WLAN潜在用户在网络中的重要级别的等级信息。
2.如权利要求1所述的方法,其特征在于,根据所述参数信息中用户属性信息,确定所述WLAN潜在用户的群属性,包括:
将所述用户属性信息进行相似度计算,在所述用户属性信息中确定出重要性程度值达到阈值的属性;
将所述重要性程度值达到阈值的属性的集合确定为所述WLAN潜在用户的群属性。
3.如权利要求1所述的方法,其特征在于,根据所述WLAN潜在用户的群属性,生成用以确定WLAN潜在用户等级的贝叶斯网络模型,包括:
将所述群属性中的一个属性作为一个节点,并确定出每两个节点之间的连接关系;
根据具有连接关系的节点组成的集合,生成用以确定WLAN潜在用户等级的贝叶斯网络模型。
4.如权利要求3所述的方法,其特征在于,确定出每两个节点之间的连接关系,包括:
获取每两个节点之间的影响因子;
判断获取的两个节点之间的影响因子是否等于预设阈值;
若所述两个节点之间的影响因子等于预设阈值时,则所述两个节点不存在连接关系;
若所述连接节点之间的影响因子不等于预设阈值时,则所述两个节点存在连接关系;
将具有连接关系的节点所组成的集合确定为所述WLAN潜在用户的群属性。
5.如权利要求4所述的方法,其特征在于,所述影响因子可以通过公式(1)得到:
其中,xi表示一个节点,yi表示另一个节点,I(xi:yi)表示节点之间的影响因子的值,p(xi)表征节点xi的概率分布,p(xi|yi)表征节点xi相对于节点yi的概率分布。
6.一种识别无线局域网WLAN潜在用户的装置,其特征在于,包括:
获取模块,用于获取包含了WLAN潜在用户的属性信息的参数信息;
确定模块,用于根据所述参数信息中的用户属性信息,确定所述WLAN潜在用户的群属性,所述群属性为被筛选出的用户属性信息的集合;
生成模块,用于根据所述WLAN潜在用户的群属性,生成用以确定WLAN潜在用户等级的贝叶斯网络模型;
处理模块,用于根据所述WLAN潜在用户的参数信息以及所述贝叶斯网络模型,确定出表征所述WLAN潜在用户在网络中的重要级别的等级信息。
7.如权利要求6所述的装置,其特征在于,所述确定模块,包括:
处理单元,用于将所述用户属性信息进行相似度计算,在所述用户属性信息中确定出重要性程度值达到阈值的属性;
确定单元,用于将所述重要性程度值达到阈值的属性的集合确定为所述WLAN潜在用户的群属性。
8.如权利要求6所述的装置,其特征在于,所述生成模块,包括:
关系确定单元,用于将所述群属性中的一个属性作为一个节点,并确定出每两个节点之间的连接关系;
生成单元,用于根据具有连接关系的节点组成的集合,生成用以确定WLAN潜在用户等级的贝叶斯网络模型。
9.如权利要求8所述的装置,其特征在于,所述关系确定单元,具体用于获取每两个节点之间的影响因子;判断获取的两个节点之间的影响因子是否等于预设阈值;若所述两个节点之间的影响因子等于预设阈值时,则所述两个节点不存在连接关系;若所述连接节点之间的影响因子不等于预设阈值时,则所述两个节点存在连接关系;将具有连接关系的节点所组成的集合确定为所述WLAN潜在用户的群属性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410197776.7A CN105101475B (zh) | 2014-05-12 | 2014-05-12 | 一种识别无线局域网wlan潜在用户的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410197776.7A CN105101475B (zh) | 2014-05-12 | 2014-05-12 | 一种识别无线局域网wlan潜在用户的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105101475A CN105101475A (zh) | 2015-11-25 |
CN105101475B true CN105101475B (zh) | 2018-09-25 |
Family
ID=54580710
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410197776.7A Active CN105101475B (zh) | 2014-05-12 | 2014-05-12 | 一种识别无线局域网wlan潜在用户的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105101475B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106954207B (zh) * | 2017-04-25 | 2018-06-05 | 腾讯科技(深圳)有限公司 | 一种获取目标终端的帐号属性值的方法及装置 |
CN112215667B (zh) * | 2020-11-18 | 2023-07-18 | 中国联合网络通信集团有限公司 | 用户行为预测方法和装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102567425A (zh) * | 2010-12-29 | 2012-07-11 | 中国移动通信集团公司 | 一种数据的处理方法和设备 |
CN102663027A (zh) * | 2012-03-22 | 2012-09-12 | 浙江盘石信息技术有限公司 | 一种网页人群属性的预测方法 |
CN102831219A (zh) * | 2012-08-22 | 2012-12-19 | 浙江大学 | 一种应用于社区发现的可覆盖聚类算法 |
CN103136247A (zh) * | 2011-11-29 | 2013-06-05 | 阿里巴巴集团控股有限公司 | 属性数据区间划分方法及装置 |
-
2014
- 2014-05-12 CN CN201410197776.7A patent/CN105101475B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102567425A (zh) * | 2010-12-29 | 2012-07-11 | 中国移动通信集团公司 | 一种数据的处理方法和设备 |
CN103136247A (zh) * | 2011-11-29 | 2013-06-05 | 阿里巴巴集团控股有限公司 | 属性数据区间划分方法及装置 |
CN102663027A (zh) * | 2012-03-22 | 2012-09-12 | 浙江盘石信息技术有限公司 | 一种网页人群属性的预测方法 |
CN102831219A (zh) * | 2012-08-22 | 2012-12-19 | 浙江大学 | 一种应用于社区发现的可覆盖聚类算法 |
Also Published As
Publication number | Publication date |
---|---|
CN105101475A (zh) | 2015-11-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7195264B2 (ja) | 段階的な機械学習を使用する自動化された意思決定 | |
CN105718490A (zh) | 一种用于更新分类模型的方法及装置 | |
CN104346278A (zh) | 一种基于矩阵模型的软件测试方法 | |
CN108171335A (zh) | 建模数据的选取方法、装置、存储介质及电子设备 | |
US20140258987A1 (en) | Determining correctness of an application | |
CN110689368B (zh) | 一种移动应用内广告点击率预测系统设计方法 | |
CN108255706A (zh) | 自动化测试脚本的编辑方法、装置、终端设备及存储介质 | |
CN110909868A (zh) | 基于图神经网络模型的节点表示方法和装置 | |
WO2018079225A1 (ja) | 自動予測システム、自動予測方法および自動予測プログラム | |
CN110880014A (zh) | 数据处理方法、装置、计算机设备及存储介质 | |
CN110889526A (zh) | 一种用户升级投诉行为预测方法及系统 | |
US20070233532A1 (en) | Business process analysis apparatus | |
Das et al. | Multi-objective feature selection (MOFS) algorithms for prediction of liquefaction susceptibility of soil based on in situ test methods | |
CN112035549A (zh) | 数据挖掘方法、装置、计算机设备及存储介质 | |
CN105101475B (zh) | 一种识别无线局域网wlan潜在用户的方法及装置 | |
CN117592905A (zh) | 一种数据生成方法、装置、设备及存储介质 | |
Yan et al. | PhyloAcc-GT: A Bayesian method for inferring patterns of substitution rate shifts on targeted lineages accounting for gene tree discordance | |
CN113378067A (zh) | 基于用户挖掘的消息推荐方法、设备、介质及程序产品 | |
CN111079175B (zh) | 数据处理方法、装置、计算机可读存储介质和计算机设备 | |
CN110990353B (zh) | 日志提取方法、日志提取装置及存储介质 | |
Viard et al. | Movie rating prediction using content-based and link stream features | |
CN106156107A (zh) | 一种新闻热点的发现方法 | |
Tuncay et al. | SUMONA: A supervised method for optimizing network alignment | |
Elwakil et al. | Construction knowledge discovery system using fuzzy approach | |
CN110990256A (zh) | 开源代码检测方法、装置及计算机可读存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |