CN106934412A - 一种用户行为分类方法及系统 - Google Patents
一种用户行为分类方法及系统 Download PDFInfo
- Publication number
- CN106934412A CN106934412A CN201511031967.7A CN201511031967A CN106934412A CN 106934412 A CN106934412 A CN 106934412A CN 201511031967 A CN201511031967 A CN 201511031967A CN 106934412 A CN106934412 A CN 106934412A
- Authority
- CN
- China
- Prior art keywords
- user
- trip
- user behavior
- various dimensions
- module
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于用户行为分析技术领域,尤其涉及一种用户行为分类方法及系统。所述用户行为分类方法包括以下步骤:步骤a:根据用户行为数据构建用户行为多维度描述表,并根据用户行为多维度描述表对用户进行分类标注;步骤b:根据多维度描述表和用户分类构建分类模型,并根据分类模型构建用户行为知识库和规则库;步骤c:采集新用户数据,并通过用户行为知识库和规则库对新用户进行自动分类。本发明通过构建用户的出行行为知识库和规则库,基于出行行为知识库和规则库对新用户进行自动分类,实现新用户画像的快速构建,并针对有特点的用户行为类型进行相关产品的推荐,可以实现产品的有效及个性化推荐,从而提升企业的广告收益。
Description
技术领域
本发明属于用户行为分析技术领域,尤其涉及一种用户行为分类方法及系统。
背景技术
大数据的一大应用是对用户行为进行分析和进行个性化推送服务,根据用户历来的行为分析用户的需求或即将要做的事情,探究用户的行为,并采用某些技术手段分析这些行为,最终将用户行为提供给营销人员或其他领域作为参考数据。例如,通过对各资费档次用户使用特征的比较,获得高资费用户上网的特征,找到目标用户,通过业务引导、资费策略等方式使用户向高资费转移。再例如,通过对政企客户使用业务种类的特征分析,向大客户营销商务领航系列产品等。一般地,基于数据的用户行为分析的核心思想就是事先根据用户的事件,分析出一些典型的行为,再通过采集用户的事件来匹配这些行为。由于行为的发生会再影响到用户的个性化的标签,标签匹配度会由于行为的不同有增有减,而不是一旦赋予终身不变,经过一段时间的数据积累,将逐渐清楚用户各方面的特征。
综上所述,现有的基于数据的用户行为分析方式存在的缺陷在于:不能满足出行行为知识库和规则库的建立,不能实现新用户的自动分类。
发明内容
本发明提供了一种用户行为分类方法及系统,旨在至少在一定程度上解决现有技术中的上述技术问题之一。
本发明实现方式如下:一种用户行为分类方法,包括以下步骤:
步骤a:根据用户行为数据构建用户行为多维度描述表,并根据用户行为多维度描述表对用户进行分类标注;
步骤b:根据多维度描述表和用户分类构建分类模型,并根据分类模型构建用户行为知识库和规则库;
步骤c:采集新用户数据,并通过用户行为知识库和规则库对新用户进行自动分类。
本发明实施例采取的技术方案还包括:所述步骤a前还包括:构建出行用户行为大数据;所述构建出行用户行为大数据包括构建出行用户个人信息、用户出行信息及用户消费信息;所述出行用户个人信息包括证件、年龄、性别及住址;所述用户出行信息包括出发时间、返回时间、出发地、目的地及航班信息;所述用户消费信息包括消费记录清单。
本发明实施例采取的技术方案还包括:所述步骤a前还包括:对出行用户行为大数据进行统计分析,获取出行用户的时间、空间及价值维度特征。
本发明实施例采取的技术方案还包括:所述对出行用户行为大数据进行统计分析具体包括:
步骤a1:根据用户出行时间特征进行统计分析;所述出行时间特征具体包括年、季度、月、周或日;
步骤a2:根据用户出行空间特征进行统计分析;所述出行空间特征具体包括国家、省、城市或机场;
步骤a3:根据用户价值特征进行统计分析;所述用户价值特征具体包括:在贵宾休息室停留时间>2h的出行用户、有携伴的出行用户、同一用户多张卡联合消费、用户个人信息聚类或消费支付方式。
本发明实施例采取的技术方案还包括:在所述步骤a中,所述多维度描述表的构建方式为:将出行用户的时间、空间及价值维度特征与用户的个人信息进行关联,构建出行用户行为多维度描述表;在所述步骤b中,所述分类模型的构建方式为:采用决策树和SVM分类算法,并结合关联分析方法构建分类模型。
本发明实施例采取的另一技术方案为:一种用户行为分类系统,包括多维度描述表构建模块、用户分类模块、分类模型构建模块、知识库构建模块和新用户分类模块;所述多维度描述表构建模块用于根据用户行为数据构建用户行为多维度描述表,所述用户分类模块用于根据用户行为多维度描述表对用户进行分类标注;所述分类模型构建模块用于根据多维度描述表和用户分类构建分类模型,所述知识库构建模块用于根据分类模型构建用户行为知识库和规则库;
所述新用户分类模块用于采集新用户数据,并通过用户行为知识库和规则库对新用户进行自动分类。
本发明实施例采取的技术方案还包括:还包括大数据构建模块,所述大数据构建模块用于构建出行用户行为大数据;所述构建出行用户行为大数据包括构建出行用户个人信息、用户出行信息及用户消费信息;所述出行用户个人信息包括证件、年龄、性别及住址;所述用户出行信息包括出发时间、返回时间、出发地、目的地及航班信息;所述用户消费信息包括消费记录清单。
本发明实施例采取的技术方案还包括:还包括数据分析模块,所述数据分析模块用于对出行用户行为大数据进行统计分析,获取出行用户的时间、空间及价值维度特征。
本发明实施例采取的技术方案还包括:所述数据分析模块包括时间特征分析单元、空间特征分析单元和价值特征分析单元;
所述时间特征分析单元用于根据用户出行时间特征进行统计分析;所述出行时间特征具体包括年、季度、月、周或日;
所述空间特征分析单元用于根据用户出行空间特征进行统计分析;所述出行空间特征具体包括国家、省、城市或机场;
所述价值特征分析单元用于根据用户价值特征进行统计分析;所述用户价值特征具体包括:在贵宾休息室停留时间>2h的出行用户、有携伴的出行用户、同一用户多张卡联合消费、用户个人信息聚类或消费支付方式。
本发明实施例采取的技术方案还包括:所述多维度描述表构建模块构建用户行为多维度描述表的构建方式为:将出行用户的时间、空间及价值维度特征与用户的个人信息进行关联,构建出行用户行为多维度描述表;所述分类模型构建模块构建分类模型的构建方式为:采用决策树和SVM分类算法,并结合关联分析方法构建分类模型。
本发明实施例的用户行为分类方法及系统通过用户已有的出行数据,构建用户行为多维度描述表,根据多维度描述表进行分类模型的构建,并构建用户的出行行为知识库和规则库,基于出行行为知识库和规则库对新用户进行自动分类,实现新用户画像的快速构建,并针对有特点的用户行为类型进行相关产品的推荐,可以实现产品的有效及个性化推荐,从而提升企业的广告收益。本发明分析方法简单,容易实现;决策树得到的分类模型易于理解,便于日后对算法的进一步改进。
附图说明
图1是本发明实施例的用户行为分类方法的流程图;
图2是本发明实施例的对出行用户行为大数据进行统计分析的方法的流程图;
图3是本发明实施例的分类模型构建原理图;
图4是由本发明实施例的用户行为分类系统的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
请参阅图1,是本发明实施例的用户行为分类方法的流程图。本发明实施例的用户行为分类方法包括以下步骤:
步骤100:构建出行用户行为大数据;
在步骤100中,构建出行用户行为大数据包括构建出行用户个人信息、用户出行信息、用户消费信息以及其他相关信息;其中,出行用户个人信息包括证件、年龄、性别及住址等;用户出行信息包括出发时间、返回时间、出发地、目的地及航班信息等;用户消费信息包括消费记录清单等。
步骤200:对出行用户行为大数据进行统计分析,获取出行用户的时间、空间及价值等维度特征;
为了清楚描述步骤200,请一并参阅图2,是本发明实施例的对出行用户行为大数据进行统计分析的方法的流程图。本发明实施例的对出行用户行为大数据进行统计分析的方法包括以下步骤:
步骤201:根据用户出行时间特征进行统计分析;
在步骤201中,所述根据用户出行时间特征进行统计分析具体为按年、季度、月、周或日进行统计分析;按月计算累积分布函数,验证80/20原理,挑选20%优质出行用户;根据月使用频率分高,中,低三档,找出使用频率为高,中,低,由高变低以及由低变高的用户;根据周出行时间分周一至周天,找出对应的出行用户。
步骤202:根据用户出行空间特征进行统计分析;
在步骤202中,所述根据用户出行空间特征进行统计分析具体为按国家、省、城市或机场进行统计分析。
步骤203:根据用户价值特征进行统计分析;
在步骤203中,所述用户价值特征具体包括:在贵宾休息室停留时间>2h的出行用户、有携伴的出行用户、同一用户多张卡联合消费、用户个人信息聚类(年龄,性别,地区)或消费支付方式(年卡,次卡,现金)等。
步骤300:将出行用户的时间、空间及价值等维度特征与用户的个人信息进行关联,构建出行用户行为多维度描述表;
步骤400:根据用户行为多维度描述表对出行用户进行分类标注;
在步骤400中,所述对出行用户进行分类标注具体为:将频繁出行,月出行次数超过一定次数的用户标注为高价值出行用户,将月出行次数在一定次数之间的用户标注为中价值出行用户,将月出行次数少于一定次数的用户标注为低价值用户;在本发明实施例中,将月出行次数超过8次的用户标注为高价值出行用户,将月出行次数在3-7次的用户标注为中价值出行用户,将月出行次数少于3次的用户标注为低价值用户,在实际应用中,还可根据具体情况自定义用户分类的标准。
步骤500:根据多维度描述表和用户分类,采用决策树和SVM分类算法,并结合关联分析方法构建分类模型;
在步骤500中,分类模型的构建方式如图3所示,为本发明实施例的分类模型构建原理图。采用决策树得到的分类模型易于理解,且便于后续对算法的进一步改进。
步骤600:根据分类模型构建出行用户行为知识库和规则库;
步骤700:采集新用户数据,通过出行用户行为知识库和规则库对新用户进行自动分类,并根据用户类别及行为相似度进行相关产品的推荐。
在步骤700中,通过出行用户行为知识库和规则库对新用户进行自动分类,能够很好地统计和划分新用户群体,保证新用户行为数据的完整性和准确性,且能快速准确地对相关产品进行推荐。本发明实施例仅以对用户出行行为数据分析为例,但并不仅限于此,本发明同样适用于对其他类型或领域的用户行为进行分析,例如用户购物行为等。
请参阅图4,是本发明实施例的用户行为分类系统的结构示意图。本发明实施例的用户行为分类系统包括大数据构建模块、数据分析模块、多维度描述表构建模块、用户分类模块、分类模型构建模块、知识库构建模块和新用户分类模块;
大数据构建模块用于构建出行用户行为大数据;其中,构建出行用户行为大数据包括构建出行用户个人信息、用户出行信息、用户消费信息以及其他相关信息;其中,出行用户个人信息包括证件、年龄、性别及住址等;用户出行信息包括出发时间、返回时间、出发地、目的地及航班信息等;用户消费信息包括消费记录清单等。
数据分析模块用于对出行用户行为大数据进行统计分析,获取出行用户的时间、空间及价值等维度特征;具体地,数据分析模块包括时间特征分析单元、空间特征分析单元和价值特征分析单元;
时间特征分析单元用于根据用户出行时间特征进行统计分析;其中,所述根据用户出行时间特征进行统计分析具体为按年、季度、月、周或日进行统计分析;按月计算累积分布函数,验证80/20原理,挑选20%优质出行用户;根据月使用频率分高,中,低三档,找出使用频率为高,中,低,由高变低以及由低变高的用户;根据周出行时间分周一至周天,找出对应的出行用户。
空间特征分析单元用于根据用户出行空间特征进行统计分析;其中,所述根据用户出行空间特征进行统计分析具体为按国家、省、城市或机场进行统计分析。
价值特征分析单元用于根据用户价值特征进行统计分析;其中,所述用户价值特征具体包括:在贵宾休息室停留时间>2h的出行用户、有携伴的出行用户、同一用户多张卡联合消费、用户个人信息聚类(年龄,性别,地区)或消费支付方式(年卡,次卡,现金)等。
多维度描述表构建模块用于将出行用户的时间、空间及价值等维度特征与用户的个人信息进行关联,构建出行用户行为多维度描述表;
用户分类模块用于根据用户行为多维度描述表对出行用户进行分类标注;其中,所述对出行用户进行分类标注具体为:将频繁出行,月出行次数超过一定次数的用户标注为高价值出行用户,将月出行次数在一定次数之间的用户标注为中价值出行用户,将月出行次数少于一定次数的用户标注为低价值用户;在本发明实施例中,将月出行次数超过8次的用户标注为高价值出行用户,将月出行次数在3-7次的用户标注为中价值出行用户,将月出行次数少于3次的用户标注为低价值用户,在实际应用中,还可根据具体情况自定义用户分类的标准。
分类模型构建模块用于根据多维度描述表和用户分类,采用决策树和SVM分类算法,并结合关联分析方法构建分类模型;其中,采用决策树得到的分类模型易于理解,且便于后续对算法的进一步改进。
知识库构建模块用于根据分类模型构建出行用户行为知识库和规则库;
新用户分类模块用于采集新用户数据,通过出行用户行为知识库和规则库对新用户进行自动分类,并根据用户类别及行为相似度进行相关产品的推荐;其中,通过出行用户行为知识库和规则库对新用户进行自动分类,能够很好地统计和划分新用户群体,保证新用户行为数据的完整性和准确性,且能快速准确地对相关产品进行推荐。
本发明实施例的用户行为分类方法及系统通过用户已有的出行数据,构建用户行为多维度描述表,根据多维度描述表进行分类模型的构建,并构建用户的出行行为知识库和规则库,基于出行行为知识库和规则库对新用户进行自动分类,实现新用户画像的快速构建,并针对有特点的用户行为类型进行相关产品的推荐,可以实现产品的有效及个性化推荐,从而提升企业的广告收益。本发明分析方法简单,容易实现;决策树得到的分类模型易于理解,便于日后对算法的进一步改进。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种用户行为分类方法,包括以下步骤:
步骤a:根据用户行为数据构建用户行为多维度描述表,并根据用户行为多维度描述表对用户进行分类标注;
步骤b:根据多维度描述表和用户分类构建分类模型,并根据分类模型构建用户行为知识库和规则库;
步骤c:采集新用户数据,并通过用户行为知识库和规则库对新用户进行自动分类。
2.根据权利要求1所述的用户行为分类方法,其特征在于,所述步骤a前还包括:构建出行用户行为大数据;所述构建出行用户行为大数据包括构建出行用户个人信息、用户出行信息及用户消费信息;所述出行用户个人信息包括证件、年龄、性别及住址;所述用户出行信息包括出发时间、返回时间、出发地、目的地及航班信息;所述用户消费信息包括消费记录清单。
3.根据权利要求2所述的用户行为分类方法,其特征在于,所述步骤a前还包括:对出行用户行为大数据进行统计分析,获取出行用户的时间、空间及价值维度特征。
4.根据权利要求3所述的用户行为分类方法,其特征在于,所述对出行用户行为大数据进行统计分析具体包括:
步骤a1:根据用户出行时间特征进行统计分析;所述出行时间特征具体包括年、季度、月、周或日;
步骤a2:根据用户出行空间特征进行统计分析;所述出行空间特征具体包括国家、省、城市或机场;
步骤a3:根据用户价值特征进行统计分析;所述用户价值特征具体包括:在贵宾休息室停留时间>2h的出行用户、有携伴的出行用户、同一用户多张卡联合消费、用户个人信息聚类或消费支付方式。
5.根据权利要求1至4任一项所述的用户行为分类方法,其特征在于,在所述步骤a中,所述多维度描述表的构建方式为:将出行用户的时间、空间及价值维度特征与用户的个人信息进行关联,构建出行用户行为多维度描述表;在所述步骤b中,所述分类模型的构建方式为:采用决策树和SVM分类算法,并结合关联分析方法构建分类模型。
6.一种用户行为分类系统,其特征在于,包括多维度描述表构建模块、用户分类模块、分类模型构建模块、知识库构建模块和新用户分类模块;所述多维度描述表构建模块用于根据用户行为数据构建用户行为多维度描述表,所述用户分类模块用于根据用户行为多维度描述表对用户进行分类标注;所述分类模型构建模块用于根据多维度描述表和用户分类构建分类模型,所述知识库构建模块用于根据分类模型构建用户行为知识库和规则库;所述新用户分类模块用于采集新用户数据,并通过用户行为知识库和规则库对新用户进行自动分类。
7.根据权利要求6所述的用户行为分类系统,其特征在于,还包括大数据构建模块,所述大数据构建模块用于构建出行用户行为大数据;所述构建出行用户行为大数据包括构建出行用户个人信息、用户出行信息及用户消费信息;所述出行用户个人信息包括证件、年龄、性别及住址;所述用户出行信息包括出发时间、返回时间、出发地、目的地及航班信息;所述用户消费信息包括消费记录清单。
8.根据权利要求7所述的用户行为分类系统,其特征在于,还包括数据分析模块,所述数据分析模块用于对出行用户行为大数据进行统计分析,获取出行用户的时间、空间及价值维度特征。
9.根据权利要求8所述的用户行为分类系统,其特征在于,所述数据分析模块包括时间特征分析单元、空间特征分析单元和价值特征分析单元;
所述时间特征分析单元用于根据用户出行时间特征进行统计分析;所述出行时间特征具体包括年、季度、月、周或日;
所述空间特征分析单元用于根据用户出行空间特征进行统计分析;所述出行空间特征具体包括国家、省、城市或机场;
所述价值特征分析单元用于根据用户价值特征进行统计分析;所述用户价值特征具体包括:在贵宾休息室停留时间>2h的出行用户、有携伴的出行用户、同一用户多张卡联合消费、用户个人信息聚类或消费支付方式。
10.根据权利要求6至9任一项所述的用户行为分类系统,其特征在于,所述多维度描述表构建模块构建用户行为多维度描述表的构建方式为:将出行用户的时间、空间及价值维度特征与用户的个人信息进行关联,构建出行用户行为多维度描述表;所述分类模型构建模块构建分类模型的构建方式为:采用决策树和SVM分类算法,并结合关联分析方法构建分类模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201511031967.7A CN106934412A (zh) | 2015-12-31 | 2015-12-31 | 一种用户行为分类方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201511031967.7A CN106934412A (zh) | 2015-12-31 | 2015-12-31 | 一种用户行为分类方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106934412A true CN106934412A (zh) | 2017-07-07 |
Family
ID=59444096
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201511031967.7A Pending CN106934412A (zh) | 2015-12-31 | 2015-12-31 | 一种用户行为分类方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106934412A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107818344A (zh) * | 2017-10-31 | 2018-03-20 | 上海壹账通金融科技有限公司 | 用户行为进行分类和预测的方法和系统 |
CN107908606A (zh) * | 2017-10-31 | 2018-04-13 | 上海壹账通金融科技有限公司 | 基于不同信息源自动生成报表的方法和系统 |
CN108108455A (zh) * | 2017-12-28 | 2018-06-01 | 广东欧珀移动通信有限公司 | 目的地的推送方法、装置、存储介质及电子设备 |
CN109034957A (zh) * | 2018-07-06 | 2018-12-18 | 北京摩拜科技有限公司 | 一种用于共享物品的产品推荐方法、服务器及系统 |
CN109410568A (zh) * | 2018-09-18 | 2019-03-01 | 广东中标数据科技股份有限公司 | 基于用户画像和换乘规律的下车站点推测方法及系统 |
CN109522372A (zh) * | 2018-11-21 | 2019-03-26 | 北京交通大学 | 民航领域旅客价值的预测方法 |
CN110177152A (zh) * | 2019-06-11 | 2019-08-27 | 秒针信息技术有限公司 | 一种资讯推送方法及装置 |
CN110288365A (zh) * | 2018-03-19 | 2019-09-27 | 北京京东尚科信息技术有限公司 | 数据处理方法及系统、计算机系统和计算机可读存储介质 |
CN110348703A (zh) * | 2019-06-21 | 2019-10-18 | 平安科技(深圳)有限公司 | 基于用户行为画像的数据处理方法、装置及电子设备 |
CN110691057A (zh) * | 2018-07-04 | 2020-01-14 | 中国移动通信有限公司研究院 | 一种隐式认证方法、装置和计算机可读存储介质 |
CN111353001A (zh) * | 2018-12-24 | 2020-06-30 | 杭州海康威视数字技术股份有限公司 | 对用户进行分类的方法和装置 |
-
2015
- 2015-12-31 CN CN201511031967.7A patent/CN106934412A/zh active Pending
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107818344A (zh) * | 2017-10-31 | 2018-03-20 | 上海壹账通金融科技有限公司 | 用户行为进行分类和预测的方法和系统 |
CN107908606A (zh) * | 2017-10-31 | 2018-04-13 | 上海壹账通金融科技有限公司 | 基于不同信息源自动生成报表的方法和系统 |
CN107818344B (zh) * | 2017-10-31 | 2020-01-07 | 深圳壹账通智能科技有限公司 | 用户行为进行分类和预测的方法和系统 |
CN108108455A (zh) * | 2017-12-28 | 2018-06-01 | 广东欧珀移动通信有限公司 | 目的地的推送方法、装置、存储介质及电子设备 |
CN108108455B (zh) * | 2017-12-28 | 2020-06-16 | Oppo广东移动通信有限公司 | 目的地的推送方法、装置、存储介质及电子设备 |
CN110288365A (zh) * | 2018-03-19 | 2019-09-27 | 北京京东尚科信息技术有限公司 | 数据处理方法及系统、计算机系统和计算机可读存储介质 |
CN110691057B (zh) * | 2018-07-04 | 2022-06-07 | 中国移动通信有限公司研究院 | 一种隐式认证方法、装置和计算机可读存储介质 |
CN110691057A (zh) * | 2018-07-04 | 2020-01-14 | 中国移动通信有限公司研究院 | 一种隐式认证方法、装置和计算机可读存储介质 |
CN109034957A (zh) * | 2018-07-06 | 2018-12-18 | 北京摩拜科技有限公司 | 一种用于共享物品的产品推荐方法、服务器及系统 |
CN109410568A (zh) * | 2018-09-18 | 2019-03-01 | 广东中标数据科技股份有限公司 | 基于用户画像和换乘规律的下车站点推测方法及系统 |
CN109410568B (zh) * | 2018-09-18 | 2022-04-22 | 广东中标数据科技股份有限公司 | 基于用户画像和换乘规律的下车站点推测方法及系统 |
CN109522372A (zh) * | 2018-11-21 | 2019-03-26 | 北京交通大学 | 民航领域旅客价值的预测方法 |
CN111353001A (zh) * | 2018-12-24 | 2020-06-30 | 杭州海康威视数字技术股份有限公司 | 对用户进行分类的方法和装置 |
WO2020135420A1 (zh) * | 2018-12-24 | 2020-07-02 | 杭州海康威视数字技术股份有限公司 | 对用户进行分类的方法和装置 |
CN111353001B (zh) * | 2018-12-24 | 2023-08-18 | 杭州海康威视数字技术股份有限公司 | 对用户进行分类的方法和装置 |
CN110177152B (zh) * | 2019-06-11 | 2022-03-29 | 秒针信息技术有限公司 | 一种资讯推送方法及装置 |
CN110177152A (zh) * | 2019-06-11 | 2019-08-27 | 秒针信息技术有限公司 | 一种资讯推送方法及装置 |
CN110348703A (zh) * | 2019-06-21 | 2019-10-18 | 平安科技(深圳)有限公司 | 基于用户行为画像的数据处理方法、装置及电子设备 |
CN110348703B (zh) * | 2019-06-21 | 2024-03-01 | 平安科技(深圳)有限公司 | 基于用户行为画像的数据处理方法、装置及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106934412A (zh) | 一种用户行为分类方法及系统 | |
Trépanier et al. | Individual trip destination estimation in a transit smart card automated fare collection system | |
Echaniz et al. | Modelling perceived quality for urban public transport systems using weighted variables and random parameters | |
WO2016091173A1 (zh) | 一种用户维护系统及方法 | |
Kieu et al. | Transit passenger segmentation using travel regularity mined from Smart Card transactions data | |
CN103886067A (zh) | 使用标签隐含主题进行图书推荐的方法 | |
CN106960354A (zh) | 一种基于客户生命周期的精准化推荐方法及装置 | |
CN106446149B (zh) | 一种通知信息的过滤方法及装置 | |
Kim et al. | Reference-dependent preferences on smart phones in South Korea: Focusing on attributes with heterogeneous preference direction | |
CN112308462A (zh) | 电力用户分类方法及装置 | |
CN111291236A (zh) | 一种高速路网用户画像信息获取与分析方法及系统 | |
WO2014181557A1 (ja) | 市場調査・分析システム | |
Mantin et al. | Weekend effect in airfare pricing | |
Chen et al. | Extracting bus transit boarding stop information using smart card transaction data | |
WO2021072128A1 (en) | Systems and methods for big data analytics | |
CN109191181B (zh) | 一种基于神经网络和Huff模型的数字标牌广告受众人群分类方法 | |
CN111192090A (zh) | 航班的座位分配方法、装置、存储介质和电子设备 | |
CN110019774B (zh) | 标签分配方法、装置、存储介质及电子装置 | |
Chen et al. | RFM Model and K‐Means Clustering Analysis of Transit Traveller Profiles: A Case Study | |
Koo et al. | Special issue on informatics/data analytics in smart tourism | |
CN106295868A (zh) | 交通出行数据处理方法及装置 | |
CN104751234B (zh) | 一种用户资产的预测方法及装置 | |
Tu et al. | Understanding ridesourcing mobility and the future of electrification: a comparative study in Beijing | |
Viggiano et al. | Journey-based characterization of multi-modal public transportation networks | |
Chiang | Applying a new model of customer value on international air passengers' market in Taiwan |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170707 |