CN106776897B - 一种用户画像标签确定方法及装置 - Google Patents
一种用户画像标签确定方法及装置 Download PDFInfo
- Publication number
- CN106776897B CN106776897B CN201611078834.XA CN201611078834A CN106776897B CN 106776897 B CN106776897 B CN 106776897B CN 201611078834 A CN201611078834 A CN 201611078834A CN 106776897 B CN106776897 B CN 106776897B
- Authority
- CN
- China
- Prior art keywords
- community
- user
- label
- financial transaction
- relationship network
- 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 35
- 238000012545 processing Methods 0.000 claims abstract description 61
- 238000004364 calculation method Methods 0.000 claims abstract description 35
- 230000011218 segmentation Effects 0.000 claims description 22
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 5
- 238000005065 mining Methods 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000003068 static effect Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 230000010354 integration Effects 0.000 description 1
- 238000010380 label transfer Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
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
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/5866—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using information manually generated, e.g. tags, keywords, comments, manually generated location and time information
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/01—Social networking
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Marketing (AREA)
- Data Mining & Analysis (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Accounting & Taxation (AREA)
- General Engineering & Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Computing Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Library & Information Science (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Tourism & Hospitality (AREA)
- Primary Health Care (AREA)
- Development Economics (AREA)
- Technology Law (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供一种用户画像标签确定方法及装置,首先获取用户的金融交易数据;对所述金融交易数据进行处理,生成处理结果;然后根据所述金融交易数据,采用社区发现算法,生成用户关系网络;再根据所述用户关系网络和所述处理结果,采用权重计算方法,生成社区标签;最后根据所述社区标签进行处理,得到用户的标签;进而通过社区发现算法和权重计算方法,考虑了社区到用户的二度关系,相比现有技术,实现了深层次标签挖掘,标签确定方法更为完善。
Description
技术领域
本发明涉及用户画像技术领域,特别涉及一种用户画像标签确定方法及装置。
背景技术
在互联网企业以及金融企业中,用户画像的概念逐渐兴起,为相关企业的营销活动提供可靠的数据支持。用户画像包括基本属性(如年龄、性别)和一系列的标签(如高富帅),例如,张三的用户画像包括:男,30岁,高帅富、美食达人、旅游达人、网购达人。
在构建客户画像的过程中,标签的确定是一个重要的环节,如何充分利用数据资源,挖掘更多更好的用户标签,成为当前的重要任务。
而现有的标签确定方法只考虑了一度关系,标签挖掘不全面,确定方法不够完善,需要对其进行补充。
发明内容
本发明提供一种用户画像标签确定方法及装置,以解决现有技术中仅考虑了一度关系所导致的标签挖掘不全面的问题。
为实现上述目的,本申请提供的技术方案如下:
一种用户画像标签确定方法,包括:
获取用户的金融交易数据;
对所述金融交易数据进行处理,生成处理结果;
根据所述金融交易数据,采用社区发现算法,生成用户关系网络;
根据所述用户关系网络和所述处理结果,采用权重计算方法,生成社区标签;
根据所述社区标签进行处理,得到用户的标签。
优选的,所述对所述金融交易数据进行处理,生成处理结果,包括:
对所述金融交易数据进行提取和关联整合,得到数据关联表;
提取所述数据关联表中的交易信息;
对所述交易信息中的客户名称进行分词,得到分词结果。
优选的,所述根据所述金融交易数据,采用社区发现算法,生成用户关系网络,包括:
根据所述金融交易数据,进行迭代计算;
根据迭代结果中满足第一预设条件的结果,生成用户关系网络。
优选的,所述根据所述用户关系网络和所述处理结果,采用权重计算方法,生成社区标签,包括:
分别对所述用户关系网络中各个社区内所有客户名称所对应的分词结果进行权重计算,得到各个分词的分数;
取分数满足第二预设条件的分词作为相应社区的候选标签;
取候选标签满足第三预设条件的标签作为相应社区的正式标签;
汇总所述用户关系网络中各个社区的正式标签,生成所述社区标签。
优选的,所述根据所述社区标签进行处理,得到用户的标签,包括:
根据所述社区标签,将同一用户所在不同重叠社区的正式标签合并,得到相应用户的标签。
一种用户画像标签确定装置,包括:
数据获取单元,用于获取用户的金融交易数据;
数据预处理单元,用于对所述金融交易数据进行处理,生成处理结果;
社区计算单元,用于根据所述金融交易数据,采用社区发现算法,生成用户关系网络;
权重计算单元,用于根据所述用户关系网络和所述处理结果,采用权重计算方法,生成社区标签;
标签处理单元,用于根据所述社区标签进行处理,得到用户的标签。
优选的,所述数据预处理单元包括:
关联模块,用于对所述金融交易数据进行提取和关联整合,得到数据关联表;
提取模块,用于提取所述数据关联表中的交易信息;
分词模块,用于对所述交易信息中的客户名称进行分词,得到分词结果。
优选的,所述社区计算单元用于根据所述金融交易数据,采用社区发现算法,生成用户关系网络时,具体用于:
根据所述金融交易数据,进行迭代计算;
根据迭代结果中满足第一预设条件的结果,生成用户关系网络;
所述权重计算单元用于根据所述用户关系网络和所述处理结果,采用权重计算方法,生成社区标签时,具体用于:
分别对所述用户关系网络中各个社区内所有客户名称所对应的分词结果进行权重计算,得到各个分词的分数;
取分数满足第二预设条件的分词作为相应社区的候选标签;
取候选标签满足第三预设条件的标签作为相应社区的正式标签;
汇总所述用户关系网络中各个社区的正式标签,生成所述社区标签;
所述标签处理单元用于根据所述社区标签进行处理,得到用户的标签时,具体用于:
根据所述社区标签,将同一用户所在不同重叠社区的正式标签合并,得到相应用户的标签。
优选的,还包括辅助计算单元,用于存储所述金融交易数据和所述用户关系网络。
本发明提供的所述用户画像标签确定方法,首先获取用户的金融交易数据;对所述金融交易数据进行处理,生成处理结果;然后根据所述金融交易数据,采用社区发现算法,生成用户关系网络;再根据所述用户关系网络和所述处理结果,采用权重计算方法,生成社区标签;最后根据所述社区标签进行处理,得到用户的标签;进而通过社区发现算法和权重计算方法,考虑了社区到用户的二度关系,相比现有技术,实现了深层次标签挖掘,标签确定方法更为完善。
附图说明
为了更清楚地说明本发明实施例或现有技术内的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述内的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的用户画像标签确定方法的流程图;
图2是本发明另一实施例提供的用户画像标签确定方法的另一流程图;
图3是本发明另一实施例提供的用户画像标签确定方法的另一流程图;
图4是本发明另一实施例提供的用户画像标签确定装置的结构示意图;
图5是本发明另一实施例提供的用户画像标签确定装置的另一结构示意图;
图6是本发明另一实施例提供的用户画像标签确定装置的另一结构示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图对本发明的具体实施方式做详细的说明。
本发明提供一种用户画像标签确定方法,以解决现有技术中仅考虑了一度关系所导致的标签挖掘不全面的问题。
具体的,所述用户画像标签确定方法,如图1所示,包括:
S101、获取用户的金融交易数据;
所述用户包括对公客户及个人客户;
所述金融交易数据包括金融机构各系统(个人存款系统、对公存款系统、信贷管理系统等)内用户的动态数据以及静态数据;其中,静态数据包括:个人客户的姓名、年龄、地址等,以及对公客户的名称、行业分类、注册地址等开户时提供的数据;动态数据包括:转账等金融性交易流水、信用评级、担保信息等动态属性数据。
S102、对所述金融交易数据进行处理,生成处理结果;
比如,关联和整合金融机构各系统内的数据,并对关联整合后的数据进行特征提取,对公司名称进行分词操作等。
S103、根据所述金融交易数据,采用社区发现算法,生成用户关系网络;
通过社区发现算法,设定参数阈值,能够得到哪些用户属于一个社区的密切关系结构,即用户关系网络。
S104、根据所述用户关系网络和所述处理结果,采用权重计算方法,生成社区标签;
通过权重计算,能够得到该社区的重要特征,即社区标签。
S105、根据所述社区标签进行处理,得到用户的标签。
属于某个社区的用户,由于与该社区内其他用户具有密切关系,所以根据标签传递算法,可以得到该社区内的用户具有该标签所表示特征的可能性非常大,进而可以通过社区与用户的二度关系得到用户的标签,作为一种现有技术的补充,使得用户标签更全面。
本实施例提供的所述用户画像标签确定方法,通过社区发现算法和权重计算方法,考虑了社区到用户的二度关系,相比现有技术,实现了深层次标签挖掘,标签确定方法更为完善。
本发明另一实施例提供了另外一种具体的用户画像标签确定方法,参见图1,包括:
S101、获取用户的金融交易数据;
S102、对所述金融交易数据进行处理,生成处理结果;
S103、根据所述金融交易数据,采用社区发现算法,生成用户关系网络;
S104、根据所述用户关系网络和所述处理结果,采用权重计算方法,生成社区标签;
S105、根据所述社区标签进行处理,得到用户的标签。
其中,优选的,参见图2,步骤S102包括:
S121、对所述金融交易数据进行提取和关联整合,得到数据关联表;
具体的,通过梳理各个业务系统的数据结构,分析并提取有用数据,并进行关联整合。比如选取个人存款系统中的个人静态数据和个人动态数据,选取信贷管理系统中的个人授信数据和个人违约数据,通过客户号将个人存款数据和授信、违约数据关联起来,形成一个大宽表。
S122、提取所述数据关联表中的交易信息;
具体的,提取大宽表数据中的客户名称、交易类型、交易金额等。
S123、对所述交易信息中的客户名称进行分词,得到分词结果;
对于客户名称进行分词处理,以备后续计算使用。
优选的,参见图3,步骤S203包括:
S131、根据所述金融交易数据,进行迭代计算;
S132、根据迭代结果中满足第一预设条件的结果,生成用户关系网络;
在客户动态数据的基础上,设定参数阈值,利用社区发现算法随机选取一个节点进行迭代,迭代一定次数(比如利用样本选取法,分别以0.1、1、10、100、1000作为参数,分别迭代100、1000、100000次)之后,得到交易密切的客户关系网络。
利用社区发现算法,根据用户的交易流水,迭代计算得到用户的社区圈子,从而能够确定用户兴趣标签。
优选的,参见图2,步骤S104包括:
S141、分别对所述用户关系网络中各个社区内所有客户名称所对应的分词结果进行权重计算,得到各个分词的分数;
S142、取分数满足第二预设条件的分词作为相应社区的候选标签;
S143、取候选标签满足第三预设条件的标签作为相应社区的正式标签;
S144、汇总所述用户关系网络中各个社区的正式标签,生成所述社区标签。
根据用户关系网络,可知哪些客户属于一个社区,然后使用文档检索中的TF*IDF权重计算概念,通过计算客户名称的权重,得到客户的候选标签。
假设所有客户名称分词后的社区集合为V,第i个社区的所有客户名称分词后的集合为Vi,某个分词在Vi中出现的次数为TF,在V中出现的次数为1/IDF,则这个词的分数为TF*IDF,分数较高的词为本社区的候选标签。
然后统计每个社区的候选标签及分数、出现次数,确定候选标签的分布,取次数出现较多的词为正式标签,经过汇总即可得到社区标签。
例如:有三个社区A、B、C,客户数量及名称分词结果如表1所示。
表1社区详情示例
按照权重计算的方法,得到每个分词数量(表2)以及每个社区的权重分数(表3)。
表2分词统计示例
表3社区权重分数示例
优选的,参见图2,步骤S205为:根据所述社区标签,将同一用户所在不同重叠社区的正式标签合并,得到相应用户的标签。
值得说明的是,现有技术中的标签确定方法只考虑了一度关系,无法从一度关系中分析用户所处的行业,并且需要给用户行业手工标注训练数据,不能通过公司名称自动识别用户所处行业。
而本实施例使用无监督方法,利用客户名称数据得到同社区圈子的用户兴趣标签,方便快捷;同时为现有的用户标签方法提供补充,特别是针对金融机构的用户兴趣标签,效果显著。
本发明另一实施例还提供了一种用户画像标签确定装置,如图4所示,包括:数据获取单元101、数据预处理单元102、社区计算单元103、权重计算单元104及标签处理单元105;其中:
数据获取单元101用于获取用户的金融交易数据;
数据预处理单元102用于对所述金融交易数据进行处理,生成处理结果;
社区计算单元103用于根据所述金融交易数据,采用社区发现算法,生成用户关系网络;
权重计算单元104用于根据所述用户关系网络和所述处理结果,采用权重计算方法,生成社区标签;
标签处理单元105用于根据所述社区标签进行处理,得到用户的标签。
优选的,在图4的基础之上,参见图5,数据预处理单元102包括:关联模块201、提取模块202及分词模块203;其中:
关联模块201用于对所述金融交易数据进行提取和关联整合,得到数据关联表;
提取模块202用于提取所述数据关联表中的交易信息;
分词模块203用于对所述交易信息中的客户名称进行分词,得到分词结果。
优选的,社区计算单元103用于根据所述金融交易数据,采用社区发现算法,生成用户关系网络时,具体用于:
根据所述金融交易数据,进行迭代计算;
根据迭代结果中满足第一预设条件的结果,生成用户关系网络;
所述权重计算单元用于根据所述用户关系网络和所述处理结果,采用权重计算方法,生成社区标签时,具体用于:
分别对所述用户关系网络中各个社区内所有客户名称所对应的分词结果进行权重计算,得到各个分词的分数;
取分数满足第二预设条件的分词作为相应社区的候选标签;
取候选标签满足第三预设条件的标签作为相应社区的正式标签;
汇总所述用户关系网络中各个社区的正式标签,生成所述社区标签;
所述标签处理单元用于根据所述社区标签进行处理,得到用户的标签时,具体用于:
将同一用户所在不同重叠社区的正式标签合并,得到相应用户的标签。
优选的,在图4的基础之上,参见图6,还包括辅助计算单元106,用于存储所述金融交易数据和所述用户关系网络。
辅助计算单元106主要用于客户数据分类加载和过程数据缓冲存储,为社区计算单元103提供所需的动态数据,为权重计算单元104提供社区计算单元的计算结果,以及静态数据。
具体的工作原理与上述实施例相同,此处不再一一赘述。
本发明中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
以上所述,仅是本发明的较佳实施例而已,并非对本发明作任何形式上的限制。虽然本发明已以较佳实施例揭露如上,然而并非用以限定本发明。任何熟悉本领域的技术人员,在不脱离本发明技术方案范围情况下,都可利用上述揭示的方法和技术内容对本发明技术方案做出许多可能的变动和修饰,或修改为等同变化的等效实施例。因此,凡是未脱离本发明技术方案的内容,依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化及修饰,均仍属于本发明技术方案保护的范围内。
Claims (7)
1.一种用户画像标签确定方法,其特征在于,包括:
获取用户的金融交易数据;
对所述金融交易数据进行处理,生成处理结果;
根据所述金融交易数据,采用社区发现算法,生成用户关系网络;
根据所述用户关系网络和所述处理结果,采用权重计算方法,生成社区标签;
根据所述社区标签进行处理,得到用户的标签;
其中,所述对所述金融交易数据进行处理,生成处理结果,包括:
对所述金融交易数据进行提取和关联整合,得到数据关联表;
提取所述数据关联表中的交易信息;
对所述交易信息中的客户名称进行分词,得到分词结果。
2.根据权利要求1所述的用户画像标签确定方法,其特征在于,所述根据所述用户关系网络和所述处理结果,采用权重计算方法,生成社区标签,包括:
分别对所述用户关系网络中各个社区内所有客户名称所对应的分词结果进行权重计算,得到各个分词的分数;
取分数满足第二预设条件的分词作为相应社区的候选标签;
取候选标签满足第三预设条件的标签作为相应社区的正式标签;
汇总所述用户关系网络中各个社区的正式标签,生成所述社区标签。
3.根据权利要求2所述的用户画像标签确定方法,其特征在于,所述根据所述社区标签进行处理,得到用户的标签,包括:
根据所述社区标签,将同一用户所在不同重叠社区的正式标签合并,得到相应用户的标签。
4.一种用户画像标签确定方法,其特征在于,包括:
获取用户的金融交易数据;
对所述金融交易数据进行处理,生成处理结果;
根据所述金融交易数据,采用社区发现算法,生成用户关系网络;
根据所述用户关系网络和所述处理结果,采用权重计算方法,生成社区标签;
根据所述社区标签进行处理,得到用户的标签;
其中,所述根据所述金融交易数据,采用社区发现算法,生成用户关系网络,包括:
根据所述金融交易数据,进行迭代计算;
根据迭代结果中满足第一预设条件的结果,生成用户关系网络。
5.一种用户画像标签确定装置,其特征在于,包括:
数据获取单元,用于获取用户的金融交易数据;
数据预处理单元,用于对所述金融交易数据进行处理,生成处理结果;
社区计算单元,用于根据所述金融交易数据,采用社区发现算法,生成用户关系网络;
权重计算单元,用于根据所述用户关系网络和所述处理结果,采用权重计算方法,生成社区标签;
标签处理单元,用于根据所述社区标签进行处理,得到用户的标签;
其中,所述数据预处理单元包括:
关联模块,用于对所述金融交易数据进行提取和关联整合,得到数据关联表;
提取模块,用于提取所述数据关联表中的交易信息;
分词模块,用于对所述交易信息中的客户名称进行分词,得到分词结果。
6.根据权利要求5所述的用户画像标签确定装置,其特征在于,所述社区计算单元用于根据所述金融交易数据,采用社区发现算法,生成用户关系网络时,具体用于:
根据所述金融交易数据,进行迭代计算;
根据迭代结果中满足第一预设条件的结果,生成用户关系网络;
所述权重计算单元用于根据所述用户关系网络和所述处理结果,采用权重计算方法,生成社区标签时,具体用于:
分别对所述用户关系网络中各个社区内所有客户名称所对应的分词结果进行权重计算,得到各个分词的分数;
取分数满足第二预设条件的分词作为相应社区的候选标签;
取候选标签满足第三预设条件的标签作为相应社区的正式标签;
汇总所述用户关系网络中各个社区的正式标签,生成所述社区标签;
所述标签处理单元用于根据所述社区标签进行处理,得到用户的标签时,具体用于:
根据所述社区标签,将同一用户所在不同重叠社区的正式标签合并,得到相应用户的标签。
7.根据权利要求5至6任一所述的用户画像标签确定装置,其特征在于,还包括辅助计算单元,用于存储所述金融交易数据和所述用户关系网络。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611078834.XA CN106776897B (zh) | 2016-11-29 | 2016-11-29 | 一种用户画像标签确定方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611078834.XA CN106776897B (zh) | 2016-11-29 | 2016-11-29 | 一种用户画像标签确定方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106776897A CN106776897A (zh) | 2017-05-31 |
CN106776897B true CN106776897B (zh) | 2020-04-03 |
Family
ID=58898082
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611078834.XA Active CN106776897B (zh) | 2016-11-29 | 2016-11-29 | 一种用户画像标签确定方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106776897B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107749031A (zh) * | 2017-11-29 | 2018-03-02 | 南京甄视智能科技有限公司 | 贷后风险控制系统的自动更新方法、贷后风险控制系统 |
CN110647551B (zh) * | 2018-06-25 | 2023-04-07 | 北京正和岛信息科技有限公司 | 标签信息处理方法、装置、设备和介质 |
CN109062970B (zh) * | 2018-06-28 | 2022-07-12 | 土巴兔集团股份有限公司 | 用户画像的生成方法、生成设备及计算机可读存储介质 |
CN108959584B (zh) * | 2018-07-09 | 2023-02-10 | 清华大学 | 一种基于社区结构的处理图数据的方法及装置 |
CN109509093B (zh) * | 2018-10-18 | 2020-10-02 | 中信网络科技股份有限公司 | 一种基于主体画像的交易安全控制方法及系统 |
CN111177473B (zh) * | 2018-11-13 | 2023-11-14 | 杭州海康威视数字技术股份有限公司 | 人员关系分析方法、装置和可读存储介质 |
CN110503481A (zh) * | 2019-08-26 | 2019-11-26 | 北京亚联之星信息技术有限公司 | 基于图论模型的目标用户确定方法及装置 |
CN112632990B (zh) * | 2020-12-31 | 2024-04-12 | 中国农业银行股份有限公司 | 一种标签的获取方法、装置、设备及可读存储介质 |
CN113139125B (zh) * | 2021-04-21 | 2024-02-09 | 北方工业大学 | 一种用户需求驱动的服务匹配方法 |
CN113379529A (zh) * | 2021-06-07 | 2021-09-10 | 广发银行股份有限公司 | 一种协同决策引擎应用框架 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101681461A (zh) * | 2007-06-19 | 2010-03-24 | 高通股份有限公司 | 管理电子用户社区的设备和方法 |
WO2014030039A1 (en) * | 2012-08-22 | 2014-02-27 | Christopher James Wilson | Engagement tool for a website |
CN104915879A (zh) * | 2014-03-10 | 2015-09-16 | 华为技术有限公司 | 基于金融数据的社会关系挖掘的方法及装置 |
CN105279187A (zh) * | 2014-07-15 | 2016-01-27 | 天津科技大学 | 一种基于边聚集系数的社会网络群体划分方法 |
CN106104512A (zh) * | 2013-09-19 | 2016-11-09 | 西斯摩斯公司 | 用于主动获取社交数据的系统和方法 |
-
2016
- 2016-11-29 CN CN201611078834.XA patent/CN106776897B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101681461A (zh) * | 2007-06-19 | 2010-03-24 | 高通股份有限公司 | 管理电子用户社区的设备和方法 |
WO2014030039A1 (en) * | 2012-08-22 | 2014-02-27 | Christopher James Wilson | Engagement tool for a website |
CN106104512A (zh) * | 2013-09-19 | 2016-11-09 | 西斯摩斯公司 | 用于主动获取社交数据的系统和方法 |
CN104915879A (zh) * | 2014-03-10 | 2015-09-16 | 华为技术有限公司 | 基于金融数据的社会关系挖掘的方法及装置 |
CN105279187A (zh) * | 2014-07-15 | 2016-01-27 | 天津科技大学 | 一种基于边聚集系数的社会网络群体划分方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106776897A (zh) | 2017-05-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106776897B (zh) | 一种用户画像标签确定方法及装置 | |
WO2021025926A1 (en) | Digital content prioritization to accelerate hyper-targeting | |
CN109816134B (zh) | 收货地址预测方法、装置以及存储介质 | |
US9875486B2 (en) | Extracting product purchase information from electronic messages | |
US20190080352A1 (en) | Segment Extension Based on Lookalike Selection | |
US20160110762A1 (en) | Extracting product purchase information from electronic messages | |
WO2017162074A1 (zh) | 商品映射方法、装置及设备 | |
Cherqi et al. | Analysis of hacking related trade in the darkweb | |
KR101784559B1 (ko) | 사용자의 소비 패턴/관심사 분석 방법 및 장치 | |
CN106934006B (zh) | 基于多叉树模型的页面推荐方法及装置 | |
Sadman et al. | Detect review manipulation by leveraging reviewer historical stylometrics in amazon, yelp, facebook and google reviews | |
Liu et al. | Extracting, ranking, and evaluating quality features of web services through user review sentiment analysis | |
CN108549727B (zh) | 基于网络爬虫以及大数据分析的用户获利信息推送方法 | |
Soliman et al. | Utilizing support vector machines in mining online customer reviews | |
CN113837824A (zh) | 信息推送方法及其系统 | |
CN116821759A (zh) | 类别标签的识别预测方法、装置和处理器及电子设备 | |
CN107315831A (zh) | 一种挖掘规则关联模型未知关联关系的方法及装置 | |
Asali | Social media analysis for investigating consumer sentiment on mobile banking | |
CN112685618A (zh) | 用户特征识别方法、装置、计算设备及计算机存储介质 | |
Wu et al. | [Retracted] Using the Mathematical Model on Precision Marketing with Online Transaction Data Computing | |
Jamalpur et al. | Opinion mining on restaurant rating based on aspects | |
Ahmad et al. | Google maps data analysis of clothing brands in south punjab, pakistan | |
CN114996579A (zh) | 信息推送方法、装置、电子设备和计算机可读介质 | |
CN108021548A (zh) | 一种情感特征的识别方法及装置 | |
Hariguna et al. | The accuracy comparison of vector support machine and decision tree methods in sentiment analysis |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | 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 |