CN106845706A - 在线社交网络用户关系强度预测方法 - Google Patents

在线社交网络用户关系强度预测方法 Download PDF

Info

Publication number
CN106845706A
CN106845706A CN201710038468.3A CN201710038468A CN106845706A CN 106845706 A CN106845706 A CN 106845706A CN 201710038468 A CN201710038468 A CN 201710038468A CN 106845706 A CN106845706 A CN 106845706A
Authority
CN
China
Prior art keywords
attributive character
information
data set
user
good friend
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
Application number
CN201710038468.3A
Other languages
English (en)
Inventor
琚春华
陈彦
鲍福光
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang Gongshang University
Original Assignee
Zhejiang Gongshang University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang Gongshang University filed Critical Zhejiang Gongshang University
Priority to CN201710038468.3A priority Critical patent/CN106845706A/zh
Publication of CN106845706A publication Critical patent/CN106845706A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明提供了一种在线社交网络用户关系强度预测方法，具体包括以下步骤：获取用户状态更新及与好友间的互动数据；根据RFM模型对用户和好友的互动数据进行目标特征信息的提取；获取用户自定义关系程度信息；对目标特征信息和用户自定义关系程度信息进行数据清理；根据清理后的数据获得数据集；根据数据集创建初始节点；判断数据集中元组是否属于同一类；若是，获取节点并进行标注；若否，根据属性选择度量法，确定分裂属性和分裂点，依据分裂属性和分裂点进行分裂以获取节点，对获取的节点进行标注；由获得的若干标注了的节点形成决策树，并对决策树进行剪枝操作后判断用户自定义关系程度是否准确。

Description

在线社交网络用户关系强度预测方法
技术领域
本发明涉及在线社交网络用户关系领域，特别涉及一种基于机器学习法和RFM模型的在线社交网络用户关系强度预测方法。
背景技术
在线社交网络的广泛使用，比如微博、微信，生成一个数据爆发式增长的虚拟社交网络。用户交互和链接形成了网络系统，人与人之间的社会关系有了新的表现方式，对现实社会关系产生影响。然而，互联网环境下，人们对社交网络中的信息掌控能力并不充足，不能够所产生信息进行有效的过滤和屏蔽，容易导致个人隐私的泄露。深入研究后可知，这种信息掌控能力的缺失来自于无法有效地对用户间关系强度的进行判别预测。因此，对大量在线社交网络用户交互数据进行研究，探索人类社会的属性在网络环境的关系，能提高用户隐私安全保护能力，避免大量无用信息的干扰。此外，还有助于各类社交网络应用服务的开发和推广。
关系强度概念是1973年格兰诺维特首次提出，他将关系强度定义为一个持续性的情感强度、亲密程度和服务交换功能，并将关系强度分成强关系和弱关系。本研究在此基础上对关系广度进行了细分，分成了非常强关系、强关系、一般关系、弱关系、非常弱关系。现有对关系强度的研究方法大多使用图或者统计数据来对关系进行描述，这些方法能够表明出用户间的信息传递和强度，但是需要进行假设，有着较强的主观性，导致研究结果不准确，并且现有的研究方法对关系强度的分类模糊不准确。
发明内容
本发明提供一种在线社交网络用户关系强度预测方法，目的在于解决现有对关系强度的预测需要进行假设，存在较强的主观性，导致研究结果不准确，并且现有研究方法对关系强度的分类模糊不准确的问题。
为解决上述问题，本发明实施例提供一种在线社交网络用户关系强度预测方法，其特征在于，具体包括以下步骤：
获取用户状态更新及与好友间的互动数据；
根据RFM模型对用户和好友的互动数据进行目标特征信息的提取；
获取用户自定义关系程度信息；
对目标特征信息和用户自定义关系程度信息进行数据清理；
根据清理后的数据获得数据集；
根据数据集创建初始节点；
判断数据集中元组是否属于同一类；
若是，获取节点并进行标注；
若否，根据属性选择度量法，确定分裂属性和分裂点，依据分裂属性和分裂点进行分裂以获取节点，对获取的节点进行标注；
由获得的若干标注了的节点形成决策树，并对决策树进行剪枝操作后判断用户自定义关系程度是否准确。
作为一种实施方式，若在线社交网络为微博时，RFM模型的R值表示用户与好友最近一次互动时间，F值表示用户和好友互动频率，M值表示为用户更新状态后是否有传达好友。
作为一种实施方式，所述获取用户自定义关系程度信息步骤，包括以下步骤：
通过问卷形式对用户与好友的关系强度进行调查；
根据问卷结果将关系强度分为5类，分别为非常强关系、强关系、一般关系、弱关系、非常弱关系。
作为一种实施方式，还包括以下步骤：
依据目标特征信息对互动数据进行量化说明；
量化说明的方式通过对用户状态更新数据进行文本分析，提取文本中的相关信息，相关信息包括含有传达好友的信息、三个月内与好友的互动频率、三个月内与好友的互动频率的平均值以及与好友的最近一次互动的时间。
作为一种实施方式，所述对决策树进行剪枝操作步骤，具体包括以下步骤：
计算每个标注节点剪枝前和剪枝后的代价复杂度；
比较两者代价复杂度的大小；
选择较小的代价复杂度的方案判断用户自定义关系程度是否准确。
作为一种实施方式，所述代价复杂度为树叶节点的个数和数误分类的元组所占比。
作为一种实施方式，所述根据属性选择度量法，确定分裂属性和分裂点步骤，具体包括以下步骤：
用D1代表数据集中特征元组及对应类标号的合集；
计算数据集中元组的所有类所需的平均信息量，计算公式为：其中，Info(D1)表示数据集中元组的所有类所需的平均信息量，pi表示元组属于某一类特征的概率，m表示数据集内类的个数；
提取特征值，获取数据集按某属性特征划分后的需求信息量，若该属性特征为A属性特征，则数据集按A属性特征划分后的需求信息量表示为SplitInfoA(D1)；
根据平均信息量和按某属性特征划分后的需求信息量计算信息增益，若该属性特征为A属性特征，则信息增益的计算公式为：
Gain(A)＝Info(D1)-SplitInfo(D1)；
根据信息增益和按某属性特征划分后的需求信息量计算信息增益率，选择信息增益率最大的属性特征作为分裂属性，若该属性特征为A属性特征，则信息增益率的
计算公式如下：
根据分裂属性和分裂点进行分裂以获取节点。
作为一种实施方式，所述提取特征值，获取数据集按某属性特征划分后的需求信息量步骤，具体包括以下步骤：
将提取的特征值按某属性特征的值以递增顺序排列；
若该属性特征为A属性特征时，选取相邻值的中点作为可能的分裂点，计算在该分裂点时数据集中按A属性特征划分后的需求信息量，SplitInfoA(D1)的计算公式为：
其中，D1j是D1的A属性特征的第j个值，j∈[1,v]；
若该属性特征有v个值，则计算v-1个可能的分裂点相对应的需求信息量的值，选择最小的值作为真实数据集中按A属性特征划分后的需求信息量，该值对应的分裂点为A属性特征的真实分裂点。
作为一种实施方式，还包括以下步骤：
若循环获取节点过程中没有剩余属性特性可以进一步分类或者给定的分支没有元组，则停止该循环获取节点过程。
本发明相比于现有技术的有益效果在于：基于在线社交网络的真实数据所得到的结果，无需提出假设，具有很强的真实性和客观性，对爬取的数据进行目标特征信息提取和学习分类，能够有效的对用户关系进行关系强度估测，具有很强的精确性，此外，RFM模型在社交网络中的应用，能动态描绘出在线社交网络用户的互动强度和价值。
附图说明
图1为本发明的在线社交网络用户关系强度预测方法的流程图。
具体实施方式
以下结合附图，对本发明上述的和另外的技术特征和优点进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的部分实施例，而不是全部实施例。
如图1所示，一种在线社交网络用户关系强度预测方法，具体包括以下步骤：
S100：获取用户状态更新及与好友间的互动数据、用户自定义关系程度信息；
步骤S100的具体内容为：获取用户自定义关系程度信息包括以下步骤，首先通过问卷形式对用户与好友的关系强度进行调查，然后根据问卷结果将关系强度分为5类，分别为非常强关系、强关系、一般关系、弱关系、非常弱关系；获取用户状态更新及与好友间的互动数据是通过利用相关爬虫技术。
S200：根据RFM模型对用户和好友的互动数据进行目标特征信息的提取；
步骤S200的具体内容为：若在线社交网络为微博时，RFM模型的R值表示用户与好友最近一次互动时间，F值表示用户和好友互动频率，M值表示为用户更新状态后是否有传达好友，传达方式为@好友方式。
步骤S200除了上述内容外，还包括以下步骤：
S201：依据目标特征信息对互动数据进行量化说明；
S202：量化说明的方式通过对用户状态更新数据进行文本分析，提取文本中的相关信息，相关信息包括含有传达好友的信息、三个月内与好友的互动频率、三个月内与好友的互动频率的平均值以及与好友的最近一次互动的时间。
S300：对目标特征信息和用户自定义关系程度信息进行数据清理；
步骤S300旨在减少数据缺失值和消除属性的冗余，为分类器的构建做好数据准备。
S400：根据清理后的数据获得数据集；
S500：根据数据集创建初始节点；
S600：判断数据集中元组是否属于同一类；
步骤S600的具体内容为：判断数据集中元组是否属于同一类或者是否存在可以分裂的属性。
S700：若数据集中元组属于同一类，获取节点并进行标注；
步骤S700的具体内容为：若数据集中元组属于同一类或不存在可以分裂的属性，获取节点并进行标注。
S800：若数据集中元组不属于同一类，根据属性选择度量法，确定分裂属性和分裂点，依据分裂属性和分裂点进行分裂以获取节点，对获取的节点进行标注；
步骤S800的具体内容为：若数据集中元组不属于同一类或存在可以分裂的属性，根据属性选择度量法，确定分裂属性和分裂点依据分裂属性和分裂点进行分裂以获取节点，对获取的节点进行标注。
其中，根据属性选择度量法，确定分裂属性和分裂点具体包括以下步骤：
S801：计算数据集中元组的所有类所需的平均信息量，计算公式为：其中，Info(D1)表示数据集中元组的所有类所需的平均信息量，pi表示元组属于某一类特征的概率，m表示数据集内类的个数；
S802：提取特征值，获取数据集按某属性特征划分后的需求信息量，若该属性特征为A属性特征，则数据集按A属性特征划分后的需求信息量表示为SplitInfoA(D1)，由于此处所提取的特征值为连续值，先将提取的特征值按某属性特征的值以递增顺序排列，选取相邻值的中点作为可能的分裂点，计算在该分裂点时数据集中按A属性特征划分后的需求信息量，SplitInfoA(D1)的计算公式为：
其中，D1j是D1的A属性特征的第j个值，j∈[1,v]，若A属性特征有v个值，则计算v-1个可能的分裂点相对应的需求信息量的值，选择最小的值作为真实数据集中按A属性特征划分后的需求信息量，该值对应的分裂点为A属性特征的真实分裂点；
S803：根据平均信息量和按A属性特征划分后的需求信息量计算信息增益，则信息增益的计算公式为：
Gain(A)＝Info(D1)-SplitInfo(D1)；
S804：根据信息增益和按某属性特征划分后的需求信息量计算信息增益率，选择
信息增益率最大的属性特征作为分裂属性，则信息增益率的计算公式如下：
S805：根据分裂属性和分裂点进行分裂以获取节点。
步骤S800除了上述内容外，还包括以下步骤：
S806：若循环获取节点过程中没有剩余属性特性可以进一步分类或者给定的分支没有元组，则停止该循环获取节点过程。
S900：由获得的若干标注了的节点形成决策树，并对决策树进行剪枝操作后判断用户自定义关系程度是否准确。
其中，对决策树进行剪枝操作具体包括以下步骤：
S901：计算每个标注节点剪枝前和剪枝后的代价复杂度，代价复杂度为树叶节点的个数和数误分类的元组所占比；
S902：比较两者代价复杂度的大小；
S903：选择较小的代价复杂度的方案判断用户自定义关系程度是否准确。
本发明相比于现有技术的有益效果在于：基于在线社交网络的真实数据所得到的结果，无需提出假设，具有很强的真实性和客观性，对爬取的数据进行目标特征信息提取和学习分类，能够有效的对用户关系进行关系强度估测，具有很强的精确性，此外，RFM模型在社交网络中的应用，能动态描绘出在线社交网络用户的互动强度和价值。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步的详细说明，应当理解，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围。特别指出，对于本领域技术人员来说，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种在线社交网络用户关系强度预测方法，其特征在于，具体包括以下步骤：
获取用户状态更新及与好友间的互动数据；
根据RFM模型对用户和好友的互动数据进行目标特征信息的提取；
获取用户自定义关系程度信息；
对目标特征信息和用户自定义关系程度信息进行数据清理；
根据清理后的数据获得数据集；
根据数据集创建初始节点；
判断数据集中元组是否属于同一类；
若是，获取节点并进行标注；
若否，根据属性选择度量法，确定分裂属性和分裂点，依据分裂属性和分裂点进行分裂以获取节点，对获取的节点进行标注；
由获得的若干标注了的节点形成决策树，并对决策树进行剪枝操作后判断用户自定义关系程度是否准确。
2.根据权利要求1所述的在线社交网络用户关系强度预测方法，其特征在于，若在线社交网络为微博时，RFM模型的R值表示用户与好友最近一次互动时间，F值表示用户和好友互动频率，M值表示为用户更新状态后是否有传达好友。
3.根据权利要求1所述的在线社交网络用户关系强度预测方法，其特征在于，所述获取用户自定义关系程度信息步骤，包括以下步骤：
通过问卷形式对用户与好友的关系强度进行调查；
根据问卷结果将关系强度分为5类，分别为非常强关系、强关系、一般关系、弱关系、非常弱关系。
4.根据权利要求1所述的在线社交网络用户关系强度预测方法，其特征在于，还包括以下步骤：
依据目标特征信息对互动数据进行量化说明；
量化说明的方式通过对用户状态更新数据进行文本分析，提取文本中的相关信息，相关信息包括含有传达好友的信息、三个月内与好友的互动频率、三个月内与好友的互动频率的平均值以及与好友的最近一次互动的时间。
5.根据权利要求1所述的在线社交网络用户关系强度预测方法，其特征在于，所述对决策树进行剪枝操作步骤，具体包括以下步骤：
计算每个标注节点剪枝前和剪枝后的代价复杂度；
比较两者代价复杂度的大小；
选择较小的代价复杂度的方案判断用户自定义关系程度是否准确。
6.根据权利要求5所述的在线社交网络用户关系强度预测方法，其特征在于，所述代价复杂度为树叶节点的个数和数误分类的元组所占比。
7.根据权利要求1所述的在线社交网络用户关系强度预测方法，其特征在于，所述根据属性选择度量法，确定分裂属性和分裂点步骤，具体包括以下步骤：
用D1代表数据集中特征元组及对应类标号的合集；
计算数据集中元组的所有类所需的平均信息量，计算公式为：其中，Info(D1)表示数据集中元组的所有类所需的平均信息量，pi表示元组属于某一类特征的概率，m表示数据集内类的个数；
提取特征值，获取数据集按某属性特征划分后的需求信息量，若该属性特征为A属性特征，则数据集按A属性特征划分后的需求信息量表示为SplitInfoA(D1)；
根据平均信息量和按某属性特征划分后的需求信息量计算信息增益，若该属性特征为A属性特征，则信息增益的计算公式为：
Gain(A)＝Info(D1)-SplitInfo(D1)；
根据信息增益和按某属性特征划分后的需求信息量计算信息增益率，选择信息增益率最大的属性特征作为分裂属性，若该属性特征为A属性特征，则信息增益率的
计算公式如下：
根据分裂属性和分裂点进行分裂以获取节点。
8.根据权利要求7所述的在线社交网络用户关系强度预测方法，其特征在于，所述提取特征值，获取数据集按某属性特征划分后的需求信息量步骤，具体包括以下步骤：
将提取的特征值按某属性特征的值以递增顺序排列；
若该属性特征为A属性特征时，选取相邻值的中点作为可能的分裂点，计算在该分裂点时数据集中按A属性特征划分后的需求信息量，SplitInfoA(D1)的计算公式为：
SplitInfo A ( D 1 ) = - Σ j = 1 v | D 1 j | | D 1 | × log 2 ( | D 1 j | | D 1 | ) ,
其中，D1j是D1的A属性特征的第j个值，j∈[1,v]；
若该属性特征有v个值，则计算v-1个可能的分裂点相对应的需求信息量的值，选择最小的值作为真实数据集中按A属性特征划分后的需求信息量，该值对应的分裂点为A属性特征的真实分裂点。
9.根据权利要求1或7或8所述的在线社交网络用户关系强度预测方法，其特征在于，还包括以下步骤：
若循环获取节点过程中没有剩余属性特性可以进一步分类或者给定的分支没有元组，则停止该循环获取节点过程。
CN201710038468.3A 2017-01-19 2017-01-19 在线社交网络用户关系强度预测方法 Pending CN106845706A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710038468.3A CN106845706A (zh) 2017-01-19 2017-01-19 在线社交网络用户关系强度预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710038468.3A CN106845706A (zh) 2017-01-19 2017-01-19 在线社交网络用户关系强度预测方法

Publications (1)

Publication Number Publication Date
CN106845706A true CN106845706A (zh) 2017-06-13

Family

ID=59124822

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710038468.3A Pending CN106845706A (zh) 2017-01-19 2017-01-19 在线社交网络用户关系强度预测方法

Country Status (1)

Country Link
CN (1) CN106845706A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109446359A (zh) * 2018-09-26 2019-03-08 深圳壹账通智能科技有限公司 一种图形数据库构建方法及终端设备
CN110675192A (zh) * 2019-09-27 2020-01-10 深圳市掌众信息技术有限公司 一种亲密关系挖掘方法、广告推送方法及系统
CN112348583A (zh) * 2020-11-04 2021-02-09 贝壳技术有限公司 用户偏好生成方法与生成系统
CN112766350A (zh) * 2021-01-12 2021-05-07 深圳前海微众银行股份有限公司 二分类模型构建方法、装置、设备及计算机可读存储介质
CN115470379A (zh) * 2022-11-03 2022-12-13 北京天融信网络安全技术有限公司 用户关系确定方法、装置、设备及介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104951446A (zh) * 2014-03-25 2015-09-30 阿里巴巴集团控股有限公司 大数据处理方法及平台
CN106022800A (zh) * 2016-05-16 2016-10-12 北京百分点信息科技有限公司 一种用户特征数据的处理方法和装置
CN106228398A (zh) * 2016-07-20 2016-12-14 武汉斗鱼网络科技有限公司 基于c4.5决策树算法的特定用户挖掘系统及其方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104951446A (zh) * 2014-03-25 2015-09-30 阿里巴巴集团控股有限公司 大数据处理方法及平台
CN106022800A (zh) * 2016-05-16 2016-10-12 北京百分点信息科技有限公司 一种用户特征数据的处理方法和装置
CN106228398A (zh) * 2016-07-20 2016-12-14 武汉斗鱼网络科技有限公司 基于c4.5决策树算法的特定用户挖掘系统及其方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
宋先明: "基于数据挖掘和数据仓库的用户重构行为的研究", 《万方数据》 *
琚春华 等: "基于活动领域分类与间接关系融合的社会化网络用户关系强度计算模型", 《情报学报》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109446359A (zh) * 2018-09-26 2019-03-08 深圳壹账通智能科技有限公司 一种图形数据库构建方法及终端设备
CN110675192A (zh) * 2019-09-27 2020-01-10 深圳市掌众信息技术有限公司 一种亲密关系挖掘方法、广告推送方法及系统
CN112348583A (zh) * 2020-11-04 2021-02-09 贝壳技术有限公司 用户偏好生成方法与生成系统
CN112348583B (zh) * 2020-11-04 2022-12-06 贝壳技术有限公司 用户偏好生成方法与生成系统
CN112766350A (zh) * 2021-01-12 2021-05-07 深圳前海微众银行股份有限公司 二分类模型构建方法、装置、设备及计算机可读存储介质
CN112766350B (zh) * 2021-01-12 2024-02-02 深圳前海微众银行股份有限公司 二分类模型构建方法、装置、设备及计算机可读存储介质
CN115470379A (zh) * 2022-11-03 2022-12-13 北京天融信网络安全技术有限公司 用户关系确定方法、装置、设备及介质

Similar Documents

Publication Publication Date Title
CN106845706A (zh) 在线社交网络用户关系强度预测方法
Zhang et al. Decision consolidation: criteria weight determination using multiple preference formats
CN108805391A (zh) 确定高风险用户的方法及装置
US7426472B2 (en) Method and system for connecting businesses through common interests
Barone et al. Reasoning with key performance indicators
CN105117422A (zh) 智能社交网络推荐系统
CN108833382A (zh) 网络信息检测方法、装置、存储介质和计算机设备
Zhang et al. Emergency management evaluation by a fuzzy multi-criteria group decision support system
CN108985347A (zh) 分类模型的训练方法、店铺分类的方法及装置
US9400844B2 (en) System for finding website invitation cueing keywords and for attribute-based generation of invitation-cueing instructions
CN110457404A (zh) 基于复杂异质网络的社交媒体账户分类方法
CN106407349A (zh) 一种产品推荐方法及装置
Sarkar et al. A unified method for Pythagorean fuzzy multicriteria group decision-making using entropy measure, linear programming and extended technique for ordering preference by similarity to ideal solution
CN109636467A (zh) 一种品牌的互联网数字资产的综合评估方法及系统
CN106407377A (zh) 基于人工智能的搜索方法和装置
CN111143704B (zh) 一种融合用户影响关系的在线社区好友推荐方法及系统
CN109284500A (zh) 基于招商工作流程和阅读偏好的信息推送系统及方法
CN113902534A (zh) 一种基于股票社区关系图谱的交互风险团伙识别方法
Augustin et al. Bayesian aggregation of categorical distributions with applications in crowdsourcing
CN105978729A (zh) 一种基于用户上网日志及位置的手机信息推送系统及方法
CN110516050A (zh) 一种基于知识图谱的多路径训练场景的构建方法
Do et al. Trapezoidal fuzzy AHP and fuzzy comprehensive evaluation approaches for evaluating academic library service
CN110415053A (zh) 一种基于大数据的用户体验监测系统及方法
González‐Briones et al. Job offers recommender system based on virtual organizations
Porro et al. Perceptual maps to aggregate information from decision makers

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20170613

RJ01 Rejection of invention patent application after publication