CN106528804B - 一种基于模糊聚类的用户分群方法 - Google Patents
一种基于模糊聚类的用户分群方法 Download PDFInfo
- Publication number
- CN106528804B CN106528804B CN201611001247.0A CN201611001247A CN106528804B CN 106528804 B CN106528804 B CN 106528804B CN 201611001247 A CN201611001247 A CN 201611001247A CN 106528804 B CN106528804 B CN 106528804B
- Authority
- CN
- China
- Prior art keywords
- group
- user
- business
- grid
- center
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2468—Fuzzy queries
Abstract
本发明公开了一种基于模糊聚类的用户分群方法,该方法首先通过对当前的用户相似度算法进行改进,使得改进后的用户相似度算法具有区分不同数量级大小的数据的作用,使得划分在同一群体中的用户相似度更高且更为合理;其次,提出一种基于划分的群组个数与初始群组中心的确定方法,该方法通过对数据集进行划分,统计每个网格中数据点数目作为网格中的数据密度,通过计算局部密度最大的网格的个数来确定群组的个数,从而减少确定群组个数时的盲目性。最后,在用户群体划分过程中采用模糊隶属度,使用户以不同的隶属度同时属于多个不同的群组,在划分过程中保持了用户归属的模糊性,更加符合真实情况。
Description
技术领域
本发明涉及一种基于模糊聚类的用户分群方法,属于数据挖掘技术领域。
背景技术
随着移动互联网的发展和普及,移动互联网己成为人们获取各种信息和资源的重要媒介,使得用户能够通过移动智能终端,随时,随地,随心的使用自己感兴趣的相关业务。显然,移动互联网和智能终端极大地改变了人们的生活、工作和娱乐方式。
然而,一方面,面对网络上浩瀚如海的信息,用户虽然拥有更多选择,但同时也需要花费更多的时间和精力来获得自己想要的信息,大大降低了用户的使用体验。另一方面,由于用户行为具有群集特性,属于同一群集的用户往往具有类似的行为规律、兴趣爱好等,通过对用户进行群组划分,构建用户群,利用用户群中的相似用户来对目标用户进行预测,可有效地帮助用户发现其潜在感兴趣的业务或内容。
用户的行为习惯以及兴趣爱好都可以在对移动终端的操作中表现出来,因此,通过对用户的行为习惯及兴趣爱好进行分析,对用户群体进行划分,利用相似用户帮助目标用户更快地找到所感兴趣的资源已成为当前研究的热点。
发明内容
本发明所要解决的技术问题是提供一种基于模糊聚类的用户分群方法。该方法首先通过对当前的用户相似度算法进行改进,使得改进后的用户相似度算法具有区分不同数量级大小的数据的作用,使得划分在同一群体中的用户相似度更高且更为合理;其次,提出一种基于划分的群组个数与初始群组中心的确定方法,该方法通过对数据集进行划分,统计每个网格中数据点数目作为网格中的数据密度,通过计算局部密度最大的网格的个数来确定群组的个数,从而减少确定群组个数时的盲目性。最后,在用户群体划分过程中采用模糊隶属度,使用户以不同的隶属度同时属于多个不同的群组,在划分过程中保持了用户归属的模糊性,更加符合真实情况。
本发明为解决上述技术问题采用以下技术方案:
本发明提出的一种基于模糊聚类的用户分群方法,所述用户根据其业务兴趣指标值进行描述,即第i个用户ui={ui1,ui2,…,uip},其中,ui为第i个用户,i=1,2,…,m,m为待分群用户数,uis为第i个用户对第s个业务的业务兴趣指标值,s=1,2,…,p,p为业务数。
一种基于模糊聚类的用户分群方法包括以下具体步骤:
步骤1,确定用户分群的群组个数与初始群组中心,具体为:
1.1,以业务数为维度,建立包括所有用户以及每个用户对每个业务兴趣指标值的数据集;
1.2,令t=2;
1.3,将1.1中的数据集的每一维等分为t个网格,统计落入每个网格中的用户数;
1.4,遍历所有网格,搜索局部极大值网格并统计局部极大值网格数kt,其中,局部极大值网格为落入其中的用户数大于其相邻网格的网格,kt为等分t个网格时的局部极大值网格个数;
1.5,若则执行1.6,否则令t=t+1,返回1.3;
1.6,遍历统计得到的局部极大值网格数,选取相同局部极大值网格数出现次数最多的局部极大值网格数作为用户分群的群组个数,每个群组的群组中心对应的业务兴趣指标初始值即为落入相应局部极大值网格的用户的业务兴趣指标值的均值;
步骤2,分别计算每个用户对每个群组的隶属度,并优化每个群组的群组中心,具体为:
2.1,第i个用户对第l个群组的隶属度其中,Til为第i个用户对第l个群组的群组中心的相似度,K为群组个数;
2.2,构建检测函数并计算群组中心优化前的检测函数值;其中,U表示待分群用户集合,且U={u1,u2,...,um},Q表示群组中心集合,且Q={Q1,Q2,...,QK};
2.3,对每个群组的群组中心进行优化,优化后的群组中心Ql=(ql1,ql2,…,qlp),其中,第l个群组中心Ql对第s个业务的业务兴趣指标值
2.3,若优化后的群组中心与优化前的群组中心相同或群组中心优化前和优化后检测函数值之差小于设定阈值,则进入步骤3,否则返回2.1;
步骤3,根据实际分群需要以及群组中心优化后每个用户对每个群组的隶属度大小,实现用户分群。
作为本发明的进一步优化方案,步骤2中利用kendall相关系数计算第i个用户对第l个群组的群组中心的相似度。
作为本发明的进一步优化方案,第i个用户对第l个群组的群组中心的相似度Til=Til s+Til d,其中,Til s为第i个用户和第l个群组中心对任一对业务(x,y)偏好一致时的相似度,偏好系数Til d为第i个用户和第l个群组中心对任一对业务(x,y)偏好不一致时的相似度,偏好系数
作为本发明的进一步优化方案,步骤2中至少优化2次每个群组的群组中心。
作为本发明的进一步优化方案,步骤2中至少优化3次每个群组的群组中心。
本发明采用以上技术方案与现有技术相比,具有以下技术效果:本发明一种基于模糊聚类的用户分群方法,首先通过对当前的用户相似度算法进行改进,使得改进后的用户相似度算法具有区分不同数量级大小的数据的作用,划分在同一群体中的用户相似度更高且更为合理;其次,通过对数据集进行划分,统计每个网格中数据点数目作为网格中的数据密度,通过计算局部密度最大的网格的个数来确定群组的个数,从而减少选择群组个数时的盲目性。最后,在用户群体划分过程中采用模糊隶属度,使用户以不同的隶属度同时属于多个不同的群组,在划分过程中保持了用户归属的模糊性,更加符合真实情况。
附图说明
图1是基于模糊聚类的用户分群算法执行流程示意图。
具体实施方式
下面结合附图对本发明的技术方案做进一步的详细说明:
本发明主要包括三个内容:一是通过对当前的用户相似度算法进行改进,使得改进后的用户相似度算法具有区分不同数量级大小的数据的作用;二是通过对数据集进行划分,统计每个网格中数据点数目作为网格中的数据密度,通过计算局部密度最大的网格的个数来确定群组的个数,从而减少选择群组个数时的盲目性。三是在用户群体划分过程中采用模糊隶属度,使用户以不同的隶属度同时属于多个不同的群组,在划分过程中保持了用户归属的模糊性。
一、对当前的用户相似度算法进行改进
假设用户被描述为具有p个业务兴趣指标,则每个用户ui可以被描述为:ui={ui1,ui2,…,uip},i=1,2,…,m,m为待分群用户数。为判断用户之间对同一个业务对的偏好是否一致,定义一个指示函数pre,则对于任意两个业务x和y,pre满足如下定义:
当第i个用户ui和第j个用户uj对业务x与y偏好一致时,preij(x,y)=1;偏好不一致时,preij(x,y)=-1。
根据对pre的定义,利用kedall相关系数的定义计算用户ui和uj的相似度为:
Tij的取值范围为(-1,1),Ti,j的值越大表示用户之间的相似度越高。
然而,kendall只是考虑了用户间业务偏好的一致性,而没有考虑用户对不同业务的偏好程度。例如,假设用户ui和uj对业务1和业务2的兴趣指标分别是ui(10,120)和uj(80,120),由业务兴趣指标可知,两位用户的业务偏好都是相比业务1更喜欢业务2,从偏好程度上来说则是用户ui不太喜欢业务1,却非常喜欢业务2,而用户uj虽对两类业务都喜欢,但相比还是更喜欢业务2多一些。因此用户ui和uj相比,相对于业务1而言偏好业务2的程度更深。
为了能够表示出用户对不同业务的偏好程度,本发明中引入一个偏好系数αij(x,y),偏好系数αij(x,y)定义如下:
偏好系数αij(x,y)虽然可以区分用户对不同业务的偏好程度,但依然存在一些问题。例如,假设用户ui和uj对业务1和业务2的兴趣指标分别是ui(0,50)和uj(100,150),此种情况下用户ui和uj的偏好是一致的,然而明显用户ui更偏好后者,而uj对两者都比较喜爱,因此原始的αij(x,y)无法区分数据数量级的能力,因此,在原来的基础上,在αij(x,y)的公式中引入各自业务对的兴趣指标的和,形成如下的αij(x,y)公式:
同时,针对用户不一致的业务偏好,本发明还引入一个系数βij(x,y)用来反映用户ui和uj业务偏好不一致的程度,考虑到用户业务对的兴趣指标差别越大,不一致的程度应该越大,因此,将βij(x,y)定义如下:
例如:ui(10,30),uj(50,20)则差异度为6/28,而ui(10,30),uj(80,20)的差异度为3/10,而ui(0,100)与uj(100,0)的相异度为1。因此βij(x,y)具备区分相异度大小的作用。
因此,定义改进的kendall相关系数即用户ui和uj的相似度为:
Tij=Tij s+Tij d
其中,Tij s为用户ui和uj对任何一对业务(x,y)偏好一致时,用户ui和uj之间的相似度,其计算公式定义如下:
其中,pres ij(x,y)为当用户ui和uj的同样的一对业务(x,y)偏好一致时为1,不一致时为0。αij(x,y)为偏好系数,表示用户ui和uj用户对同样的一对业务(x,y)偏好一致的程度。
Tij d为用户ui和uj对任何一对业务(x,y)偏好不一致时,用户ui和uj之间的相似度,其计算公式定义如下:
其中,pred ij(x,y)为当用户ui和uj对同样的一对业务(x,y)偏好一致时为0,不一致时为-1。βij(x,y)为偏好系数,表示用户ui和uj对同样的一对业务(x,y)偏好不一致的程度。
二、基于划分的用户分群的群组个数和初始群组中心的确定方法
该确定方法通过对用户数据集进行划分后,统计每个网格中数据点数目作为网格中的数据密度,通过计算局部密度最大的网格的个数来确定群组的个数,出发点在于考虑到数据集中各个类中心附近的数据分布较密集,距离类中心越远数据分布的密度越小,那么对于特定的类中心,类中心附近单位面积分布的数据点的数目一定大于边缘区域。将数据集的每一维等分为若干个区间,数据集被划分为互不交叠的网格单元,数据集中的每个点隶属于一个特定的网格,那么对于某个网格可以求出落入该网格中的数据点的数目。如果该网格中包含的数据点数目大于其相邻网格,则称该网格为局部极大值网格。当按照不同的分度值进行划分,落入每个网格的数据个数不相同,局部极大值网格的个数也不相同。当划分分度值较大,局部极大值网格的个数较少,可能造成两个局部极大值网格被划分在同一个网格中被认为是一个局部极大值网格。当划分分度值较小时,一些噪声点则会被误划分为局部极大值网格,从而导致局部极大值网格的个数迅速变大,不符合实际情况。因此,在划分不合理时,局部极大值网格的个数会随着划分的不同变化较大。在划分较为合理时,局部极大值网格的个数会随着划分的不同变化较小,当连续不同尺度的划分都产生相同的局部极大值网格个数时,选择最稳定的(即此局部极大值网格个数对应的不同的划分次数最多)局部极大值网格个数作为群组的个数。
本发明提出的确定方法的具体步骤如下:
1)输入一个包含m个数据点的p维数据集U。
2)将数据集的每一维等分为t个区间,即将数据空间划分为若干互不交叠的网格单元,统计落入网格中的数据点(即用户)的数目。
3)遍历所有网格,搜索局部极大值网格并统计局部极大值网格数kt,其中,局部极大值网格为落入其中的用户数大于其相邻网格的网格,kt为等分t个网格时的局部极大值网格个数;
4)若则执行1.6,否则令t=t+1,返回1.3;
5)遍历统计得到的局部极大值网格数,选取相同局部极大值网格数出现次数最多的局部极大值网格数作为用户分群的群组个数,每个群组的群组中心对应的业务兴趣指标初始值即为落入相应局部极大值网格的用户的业务兴趣指标值的均值。
三、基于模糊聚类的用户分群算法
根据得到的群组个数K以及对应的群组中心,将其代入到以下检测函数中,并通过最小化以下检测函数来作为划分准则:
式中,Ql是第l个群组的群组中心,代表整个群组的特征,用Ql=(ql1,ql2,…,qlp)表示。λil是划分矩阵λm×K中的一个元素,表示第i个用户对第l个群组的隶属度,称为模糊隶属度,满足Til表示第i个用户和第l个群组的相似度。
其中,λil的定义如下:
每次计算E(U,Q)结束后,都需要对群组中心进行优化,根据模糊隶属度λil,将群组中心的更新公式定义为:
其中,qls为第l个群组中心Ql对第s个业务的业务兴趣指标值。
基于模糊聚类的用户分群算法的步骤如下:
1)获得群组个数,以及对应群组中心。
2)对每个用户计算其与每个群组中心的相似度Til,Til=Til s+Til d,其中,Til s为第i个用户和第l个群组中心对任一对业务偏好一致时的相似度, 偏好系数Til d为第i个用户和第l个群组中心对任一对业务偏好不一致时的相似度, 偏好系数
3)计算用户对每个群组的隶属度λil,并对每个群组中心进行优化。
4)迭代2~3步直至优化后的群组中心与优化前群组中心相同或优化前后的检测函数值之差小于指定阈值,算法结束。
如图1所示,本发明一种基于模糊聚类的用户分群方法,首先,确定群组个数以及初始群组中心;然后,计算每个用户与每个群组中心的相似度;再后,计算每个用户对每个群组的隶属度;再后,计算检测函数,并根据前后两次的检测函数值之差判断是否停止迭代;最后根据隶属度对用户分群。
以上所述,仅为本发明中的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉该技术的人在本发明所揭露的技术范围内,可理解想到的变换或替换,都应涵盖在本发明的包含范围之内,因此,本发明的保护范围应该以权利要求书的保护范围为准。
Claims (5)
1.一种基于模糊聚类的用户分群方法,其特征在于,所述用户根据其业务兴趣指标值进行描述,即第i个用户ui={ui1,ui2,…,uip},其中,i=1,2,…,m,m为待分群用户数,uis为第i个用户对第s个业务的业务兴趣指标值,s=1,2,…,p,p为业务数;该方法包括以下具体步骤:
步骤1,确定用户分群的群组个数与初始群组中心,具体为:
1.1,以业务数为维度,建立包括所有用户以及每个用户对每个业务兴趣指标值的数据集;
1.2,令t=2;
1.3,将1.1中的数据集的每一维等分为t个网格,统计落入每个网格中的用户数;
1.4,遍历所有网格,搜索局部极大值网格并统计局部极大值网格数kt,其中,局部极大值网格为落入其中的用户数大于其相邻网格的网格,kt为等分t个网格时的局部极大值网格个数;
1.5,若则执行1.6,否则令t=t+1,返回1.3;
1.6,遍历统计得到的局部极大值网格数,选取相同局部极大值网格数出现次数最多的局部极大值网格数作为用户分群的群组个数,每个群组的群组中心对应的业务兴趣指标初始值即为落入相应局部极大值网格的用户的业务兴趣指标值的均值;
步骤2,分别计算每个用户对每个群组的隶属度,并优化每个群组的群组中心,具体为:
2.1,第i个用户对第l个群组的隶属度其中,Til为第i个用户对第l个群组的群组中心的相似度,K为群组个数;2.2,构建检测函数并计算群组中心优化前的检测函数值;其中,U表示待分群用户集合,且U={u1,u2,...,um},Q表示群组中心集合,且Q={Q1,Q2,...,QK};
2.3,对每个群组的群组中心进行优化,优化后的群组中心Ql=(ql1,ql2,…,qlp),其中,第l个群组中心Ql对第s个业务的业务兴趣指标值
2.3,若优化后的群组中心与优化前的群组中心相同或群组中心优化前和优化后检测函数值之差小于设定阈值,则进入步骤3,否则返回2.1;
步骤3,根据实际分群需要以及群组中心优化后每个用户对每个群组的隶属度大小,实现用户分群。
2.根据权利要求1所述的一种基于模糊聚类的用户分群方法,其特征在于,步骤2中利用kendall相关系数计算第i个用户对第l个群组的群组中心的相似度。
3.根据权利要求2所述的一种基于模糊聚类的用户分群方法,其特征在于,第i个用户对第l个群组的群组中心的相似度Til=Til s+Til d,其中,Til s为第i个用户和第l个群组中心对任一对业务(x,y)偏好一致时的相似度, 偏好系数Til d为第i个用户和第l个群组中心对任一对业务(x,y)偏好不一致时的相似度,偏好系数
4.根据权利要求1所述的一种基于模糊聚类的用户分群方法,其特征在于,步骤2中至少优化2次每个群组的群组中心。
5.根据权利要求1所述的一种基于模糊聚类的用户分群方法,其特征在于,步骤2中至少优化3次每个群组的群组中心。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611001247.0A CN106528804B (zh) | 2016-11-14 | 2016-11-14 | 一种基于模糊聚类的用户分群方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611001247.0A CN106528804B (zh) | 2016-11-14 | 2016-11-14 | 一种基于模糊聚类的用户分群方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106528804A CN106528804A (zh) | 2017-03-22 |
CN106528804B true CN106528804B (zh) | 2019-04-12 |
Family
ID=58351596
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611001247.0A Active CN106528804B (zh) | 2016-11-14 | 2016-11-14 | 一种基于模糊聚类的用户分群方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106528804B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108388911A (zh) * | 2018-01-30 | 2018-08-10 | 重庆邮电大学 | 一种面向混合属性的移动用户动态模糊聚类方法 |
CN109587248B (zh) * | 2018-12-06 | 2023-08-29 | 腾讯科技(深圳)有限公司 | 用户识别方法、装置、服务器及存储介质 |
CN110033031B (zh) * | 2019-03-27 | 2023-04-18 | 创新先进技术有限公司 | 群组检测方法、装置、计算设备和机器可读存储介质 |
CN110322270A (zh) * | 2019-05-10 | 2019-10-11 | 福建微码信息科技有限公司 | 一种基于位置营销的广告推送系统 |
CN110263791B (zh) * | 2019-05-31 | 2021-11-09 | 北京京东智能城市大数据研究院 | 一种识别功能区的方法和装置 |
CN116595342B (zh) * | 2023-07-07 | 2023-09-29 | 北京数巅科技有限公司 | 人群圈选的方法、装置和设备及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102238045A (zh) * | 2010-04-27 | 2011-11-09 | 广州迈联计算机科技有限公司 | 一种无线互联网用户行为的预测系统和方法 |
CN102843420A (zh) * | 2012-07-02 | 2012-12-26 | 上海交通大学 | 基于模糊划分的社交网络数据分发系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9069880B2 (en) * | 2012-03-16 | 2015-06-30 | Microsoft Technology Licensing, Llc | Prediction and isolation of patterns across datasets |
-
2016
- 2016-11-14 CN CN201611001247.0A patent/CN106528804B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102238045A (zh) * | 2010-04-27 | 2011-11-09 | 广州迈联计算机科技有限公司 | 一种无线互联网用户行为的预测系统和方法 |
CN102843420A (zh) * | 2012-07-02 | 2012-12-26 | 上海交通大学 | 基于模糊划分的社交网络数据分发系统 |
Non-Patent Citations (1)
Title |
---|
Web用户聚类研究;王华 等;《甘肃联合大学学报(自然科学版)》;20100110;第24卷(第1期);第79-82页 |
Also Published As
Publication number | Publication date |
---|---|
CN106528804A (zh) | 2017-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106528804B (zh) | 一种基于模糊聚类的用户分群方法 | |
CN107193967A (zh) | 一种多源异构行业领域大数据处理全链路解决方案 | |
TWI584137B (zh) | Search, determine the active area of the method with the server | |
CN103678670B (zh) | 一种微博热词与热点话题挖掘系统及方法 | |
CN109190023A (zh) | 协同推荐的方法、装置及终端设备 | |
CN109636481A (zh) | 面向家庭用户的用户画像构建方法及装置 | |
CN107220365A (zh) | 基于协同过滤与关联规则并行处理的精准推荐系统及方法 | |
CN110019568A (zh) | 基于空间聚类的选址方法、装置、计算机设备及存储介质 | |
CN111639237A (zh) | 一种基于聚类和关联规则挖掘的电力通信网风险评估系统 | |
CN105281925B (zh) | 网络业务用户群组划分的方法和装置 | |
CN103678618A (zh) | 一种基于社交网络平台的Web服务推荐方法 | |
CN109360057A (zh) | 信息推送方法、装置、计算机设备及存储介质 | |
CN103838819A (zh) | 一种信息发布方法及系统 | |
CN106294661A (zh) | 一种扩展搜索方法与装置 | |
CN108345908A (zh) | 电网数据的分类方法、分类设备及存储介质 | |
CN106528608A (zh) | 一种云架构下的电网gis数据冷热存储方法和系统 | |
CN104077723A (zh) | 一种社交网络推荐系统及方法 | |
CN109447261A (zh) | 一种基于多阶邻近相似度的网络表示学习的方法 | |
CN109213926A (zh) | 一种基于社区划分和多源信息融合的地点推荐方法 | |
CN106992942A (zh) | 一种基于资源负载与用户需求的sdn资源定价方法 | |
CN110287237B (zh) | 一种基于社会网络结构分析社团数据挖掘方法 | |
An et al. | A heuristic approach on metadata recommendation for search engine optimization | |
CN106649380A (zh) | 一种基于标签的热点推荐方法及系统 | |
CN106354886B (zh) | 在推荐系统中利用潜在邻居关系图筛选最近邻居的方法 | |
CN108776863A (zh) | 一种基于用户基数最大化的群智感知激励方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | 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 |