CN107871269A - 一种基于金融产品交互矩阵的客户因子的knn推荐方法 - Google Patents
一种基于金融产品交互矩阵的客户因子的knn推荐方法 Download PDFInfo
- Publication number
- CN107871269A CN107871269A CN201711093718.XA CN201711093718A CN107871269A CN 107871269 A CN107871269 A CN 107871269A CN 201711093718 A CN201711093718 A CN 201711093718A CN 107871269 A CN107871269 A CN 107871269A
- Authority
- CN
- China
- Prior art keywords
- msub
- mtd
- mrow
- mover
- client
- 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
- 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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
-
- 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
- G06Q40/06—Asset management; Financial planning or analysis
Abstract
本项发明是一种基于金融产品交互矩阵的客户因子的KNN推荐方法。包括如下步聚：1)采集银行金融产品的历史交易数据；2)建立客户产品交互矩阵，对数据进行标准化处理；3)对客户产品交互矩阵进行SVD分解，对分解得到的矩阵进行降维处理，得到产品因子向量和客户因子向量；4)对新的客户根据其购买或评价产品的历史数据计算该客户的客户因子向量，利用KNN算法建立推荐模型。本发明提出了一种基于金融产品交互矩阵的客户因子的KNN推荐方法，能够利用银行的金融产品交易数据实时向客户推荐产品。
Description
技术领域
本发明是一种基于金融产品交互矩阵的客户因子的KNN推荐方法，属于一种新型的金融产品实时推荐方法。
背景技术
现有金融产品推荐大多靠人工推荐，这种推荐方式浪费人工成本，而且很难在较短时间内熟悉和掌握客户对金融产品的偏好，因此不能较准确的推荐给客户所需的金融产品。
互联网和电信行业有一些产品推荐模型，但是这些推荐模型是针对互联网和电商的业务产品，不适合金融领域。
由于考虑到成本、时效性和准确率等因素，需要运用高效的金融产品推荐算法才能快速准确将金融产品推荐给客户。
发明内容
本发明主要解决了不能准确向客户推荐金融产品的技术问题，本发明的主要目的在于提供一种基于金融产品交互矩阵的客户因子的KNN推荐方法。
为达到以上技术效果，本发明所采用的技术方案如下：
一种基于金融产品交互矩阵的客户因子的KNN推荐方法，包括以下步骤：
1)采集银行金融产品的历史交易数据；
2)建立客户产品交互矩阵，对数据进行标准化处理；
3)对客户产品交互矩阵进行SVD分解，对分解得到的矩阵进行降维处理，得到产品因子向量和客户因子向量；
4)对新的客户根据其购买或评价产品的历史数据计算该客户的客户因子向量，利用KNN算法建立推荐模型。
进一步的，根据所述的步骤1)采集银行金融产品的历史交易数据，具体包括如下内容：
根据银行所记录的金融产品历史交易数据，采集客户名称及编号，采集客户购买金融产品的名称、编号、次数和数量。
进一步的，根据所述的步骤2)，建立客户产品交互矩阵，对数据进行标准化处理，具体内容包括：
矩阵A的行表示产品，列表示客户，aij表示第j个客户购买第i种产品的金额。利用min-max标准化处理，具体公式如下：
其中minA和maxA分别是矩阵A的极小值和极大值，是标准化之后的新数据。则经过标准化后得到矩阵表示如下：
进一步的，根据所述的步骤3)，对客户产品交互矩阵进行SVD分解，对分解得到的矩阵进行降维处理，得到产品因子向量和客户因子向量，具体内容如下：
取正整数q，其中q＜min(m,n)，按如下方式对矩阵进行降维处理，分别取矩阵Um×m和的前Um×m的前q列，Um×q的m个行向量表示m种产品的产品因子向量，矩阵的n个行向量表示n个客户的客户因子向量。
进一步的，根据所述的步骤4)，对新的客户根据其购买或评价产品的历史数据计算该客户的客户因子向量，利用KNN算法建立推荐模型，具体内容如下：
获取新客户购买金融产品数据，得到客户购买产品所对应的列向量利用如下公式计算该客户的客户因子向量：
利用KNN学习算法，寻找与该客户相似度较高的用户，其中距离利用余弦距离进行求解。
选择与该客户距离最近k个客户，根据这k个客户的购买产品数据对该客户进行产品推荐。
与现有技术相比，本发明的优点在于：
1.本发明提供的一种基于金融产品交互矩阵的客户因子的KNN推荐方法，通过对金融产品历史交易数据采集和处理构建客户产品交互矩阵，利用SVD分解和降维处理技术获取客户因子向量和产品因子向量，充分利用银行的金融历史交易数据来学习客户对金融产品的偏好，并且节省人工成本。
2.本发明提供的一种基于金融产品交互矩阵的客户因子的KNN推荐方法，利用金融产品交互矩阵的客户因子和KNN学习算法建立推荐模型，提高了金融产品推荐的时效性和准确率。
具体实施方式
下面对本发明提供的一种基于金融产品交互矩阵的客户因子的KNN推荐方法的技术方案进行进一步的描述，使本领域的技术人员可以更好的理解本发明并能予以实施。
本发明提供的一种基于金融产品交互矩阵的客户因子的KNN推荐方法，包括以下步骤：
1)采集银行金融产品的历史交易数据；
2)建立客户产品交互矩阵，对数据进行标准化处理；
3)对客户产品交互矩阵进行SVD分解，对分解得到的矩阵进行降维处理，得到产品因子向量和客户因子向量；
4)对新的客户根据其购买或评价产品的历史数据计算该客户的客户因子向量，利用KNN算法建立推荐模型。
其中第1)步的具体操作为：
交易数据采集及提取RDD[(产品序号，客户号)]。
第2)步的具体操作为：
2.1建立客户产品交互矩阵
客户数为n，产品数为m。
2.2标准化处理
其中minA和maxA分别是矩阵A的极小值和极大值。
第3)步的具体操作为：
3.1SVD分解
3.2降维处理
取正整数k，其中k＜min(m,n)，按如下方式进行将为操作，分别取矩阵Um×m和的前Um×m的前k列，Um×k的m个行向量表示m种产品的产品因子向量，矩阵的n个行向量表示n个客户的客户因子向量。
第4)步的具体操作为：
基于客户因子向量的KNN推荐算法
利用如下公式得到新客户的客户因子向量：
分别计算该客户的客户因子向量与n个客户的客户因子向量的余弦距离，选取最小的k个客户，并根据这k个客户所购买产品向该新客户进行产品推荐。
本发明的实施方式并不受上述实施方式的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。
Claims (5)
1.一种基于金融产品交互矩阵的客户因子的KNN推荐方法，其特征在于：包括如下步聚：
1)采集银行金融产品的历史交易数据；
2)建立客户产品交互矩阵，对数据进行标准化处理；
3)对客户产品交互矩阵进行SVD分解，对分解得到的矩阵进行降维处理，得到产品因子向量和客户因子向量；
4)对新的客户根据其购买或评价产品的历史数据计算该客户的客户因子向量，利用KNN算法建立推荐模型。
2.根据权利要求1所述的一种基于金融产品交互矩阵的客户因子的KNN推荐方法，其特征在于上述步骤1)的具体内容如下：
采集客户名称及编号，采集客户购买金融产品的名称、编号、次数、数量和金额。
3.根据权利要求1所述的一种基于金融产品交互矩阵的客户因子的KNN推荐方法，其特征在于上述步骤2)中建立客户产品交互矩阵、对数据进行标准化处理的具体公式如下：
<mrow>
<mi>A</mi>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msub>
<mi>a</mi>
<mn>11</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>a</mi>
<mn>12</mn>
</msub>
</mtd>
<mtd>
<mo>...</mo>
</mtd>
<mtd>
<msub>
<mi>a</mi>
<mrow>
<mn>1</mn>
<mi>n</mi>
</mrow>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>a</mi>
<mn>21</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>a</mi>
<mn>22</mn>
</msub>
</mtd>
<mtd>
<mo>...</mo>
</mtd>
<mtd>
<msub>
<mi>a</mi>
<mrow>
<mn>2</mn>
<mi>n</mi>
</mrow>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>...</mo>
</mtd>
<mtd>
<mo>...</mo>
</mtd>
<mtd>
<mo>...</mo>
</mtd>
<mtd>
<mo>...</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>a</mi>
<mrow>
<mi>m</mi>
<mn>1</mn>
</mrow>
</msub>
</mtd>
<mtd>
<msub>
<mi>a</mi>
<mrow>
<mi>m</mi>
<mn>2</mn>
</mrow>
</msub>
</mtd>
<mtd>
<mo>...</mo>
</mtd>
<mtd>
<msub>
<mi>a</mi>
<mrow>
<mi>m</mi>
<mi>n</mi>
</mrow>
</msub>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>=</mo>
<mrow>
<mo>(</mo>
<msub>
<mi>P</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<msub>
<mi>P</mi>
<mn>2</mn>
</msub>
<mo>,</mo>
<mo>...</mo>
<msub>
<mi>P</mi>
<mi>n</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
矩阵A的行表示产品，列表示客户，aij表示第j个客户购买第i种产品的金额，利用min-max方法对数据标准化处理，具体公式如下：
<mrow>
<msub>
<mover>
<mi>a</mi>
<mo>~</mo>
</mover>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>a</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>-</mo>
<mi>min</mi>
<mi> </mi>
<mi>A</mi>
</mrow>
<mrow>
<mi>max</mi>
<mi> </mi>
<mi>A</mi>
<mo>-</mo>
<mi>min</mi>
<mi> </mi>
<mi>A</mi>
</mrow>
</mfrac>
</mrow>
其中minA和maxA分别是矩阵A的极小值和极大值，则经过标准化后得到矩阵表示如下：
<mrow>
<mover>
<mi>A</mi>
<mo>~</mo>
</mover>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msub>
<mover>
<mi>a</mi>
<mo>~</mo>
</mover>
<mn>11</mn>
</msub>
</mtd>
<mtd>
<msub>
<mover>
<mi>a</mi>
<mo>~</mo>
</mover>
<mn>12</mn>
</msub>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<msub>
<mover>
<mi>a</mi>
<mo>~</mo>
</mover>
<mrow>
<mn>1</mn>
<mi>n</mi>
</mrow>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mover>
<mi>a</mi>
<mo>~</mo>
</mover>
<mn>21</mn>
</msub>
</mtd>
<mtd>
<msub>
<mover>
<mi>a</mi>
<mo>~</mo>
</mover>
<mn>22</mn>
</msub>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<msub>
<mover>
<mi>a</mi>
<mo>~</mo>
</mover>
<mrow>
<mn>2</mn>
<mi>n</mi>
</mrow>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mover>
<mi>a</mi>
<mo>~</mo>
</mover>
<mrow>
<mi>m</mi>
<mn>1</mn>
</mrow>
</msub>
</mtd>
<mtd>
<msub>
<mover>
<mi>a</mi>
<mo>~</mo>
</mover>
<mrow>
<mi>m</mi>
<mn>2</mn>
</mrow>
</msub>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<msub>
<mover>
<mi>a</mi>
<mo>~</mo>
</mover>
<mrow>
<mi>m</mi>
<mi>n</mi>
</mrow>
</msub>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
4.根据权利要求1所述的一种基于金融产品交互矩阵的客户因子的KNN推荐方法，其特征在于上述步骤3)的具体操作如下：
<mrow>
<msub>
<mi>A</mi>
<mrow>
<mi>m</mi>
<mo>&times;</mo>
<mi>n</mi>
</mrow>
</msub>
<mo>=</mo>
<msub>
<mi>U</mi>
<mrow>
<mi>m</mi>
<mo>&times;</mo>
<mi>m</mi>
</mrow>
</msub>
<msub>
<mi>S</mi>
<mrow>
<mi>m</mi>
<mo>&times;</mo>
<mi>n</mi>
</mrow>
</msub>
<msubsup>
<mi>V</mi>
<mrow>
<mi>n</mi>
<mo>&times;</mo>
<mi>n</mi>
</mrow>
<mi>T</mi>
</msubsup>
</mrow>
取正整数q，其中q＜min(m,n)，按如下方式对矩阵进行降维处理，分别取矩阵Um×m和的前Um×m的前q列，Um×q的m个行向量表示m种产品的产品因子向量，矩阵的n个行向量表示n个客户的客户因子向量。
5.根据权利要求4所述的一种基于金融产品交互矩阵的客户因子的KNN推荐方法，其特征在于上述步骤4)的具体内容如下：
获取新客户购买金融产品数据，得到客户购买产品所对应的列向量利用如下公式计算该客户的客户因子向量：
<mrow>
<msub>
<mover>
<mi>p</mi>
<mo>~</mo>
</mover>
<mi>s</mi>
</msub>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msub>
<mi>a</mi>
<mrow>
<mn>1</mn>
<mo>,</mo>
<mi>n</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>a</mi>
<mrow>
<mn>2</mn>
<mo>,</mo>
<mi>n</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>a</mi>
<mrow>
<mi>m</mi>
<mo>,</mo>
<mi>n</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>&times;</mo>
<msub>
<mi>U</mi>
<mrow>
<mi>m</mi>
<mo>&times;</mo>
<mi>k</mi>
</mrow>
</msub>
<mo>&times;</mo>
<msub>
<mi>S</mi>
<mrow>
<mi>m</mi>
<mo>&times;</mo>
<mi>k</mi>
</mrow>
</msub>
</mrow>
利用KNN学习算法，寻找与该客户相似度较高的用户，其中距离利用余弦距离进行求解；
<mrow>
<mi>c</mi>
<mi>o</mi>
<mi>s</mi>
<mrow>
<mo>(</mo>
<msub>
<mover>
<mi>P</mi>
<mo>~</mo>
</mover>
<mi>i</mi>
</msub>
<mo>,</mo>
<msub>
<mover>
<mi>P</mi>
<mo>~</mo>
</mover>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mover>
<mi>P</mi>
<mo>~</mo>
</mover>
<mi>i</mi>
</msub>
<mo>&CenterDot;</mo>
<msub>
<mover>
<mi>P</mi>
<mo>~</mo>
</mover>
<mi>j</mi>
</msub>
</mrow>
<mrow>
<mo>|</mo>
<msub>
<mover>
<mi>P</mi>
<mo>~</mo>
</mover>
<mi>i</mi>
</msub>
<mo>|</mo>
<mo>|</mo>
<msub>
<mover>
<mi>P</mi>
<mo>~</mo>
</mover>
<mi>j</mi>
</msub>
<mo>|</mo>
</mrow>
</mfrac>
<mo>,</mo>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<mi>n</mi>
<mo>,</mo>
<mi>i</mi>
<mo>&NotEqual;</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
</mrow>
选择与该客户距离最近k个客户，根据这k个客户的购买产品数据对该客户进行产品推荐。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711093718.XA CN107871269A (zh) | 2017-11-08 | 2017-11-08 | 一种基于金融产品交互矩阵的客户因子的knn推荐方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711093718.XA CN107871269A (zh) | 2017-11-08 | 2017-11-08 | 一种基于金融产品交互矩阵的客户因子的knn推荐方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107871269A true CN107871269A (zh) | 2018-04-03 |
Family
ID=61753847
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711093718.XA Pending CN107871269A (zh) | 2017-11-08 | 2017-11-08 | 一种基于金融产品交互矩阵的客户因子的knn推荐方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107871269A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109087138A (zh) * | 2018-07-26 | 2018-12-25 | 北京京东金融科技控股有限公司 | 数据处理方法及系统、计算机系统和可读存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150310358A1 (en) * | 2014-04-25 | 2015-10-29 | Mohammad Iman Khabazian | Modeling consumer activity |
| CN105354330A (zh) * | 2015-11-27 | 2016-02-24 | 南京邮电大学 | 一种基于稀疏数据预处理的协同过滤推荐方法 |
| CN106600369A (zh) * | 2016-12-09 | 2017-04-26 | 广东奡风科技股份有限公司 | 基于朴素贝叶斯分类的银行金融产品实时推荐系统和方法 |
| CN106777051A (zh) * | 2016-12-09 | 2017-05-31 | 重庆邮电大学 | 一种基于用户组的多反馈协同过滤推荐方法 |
-
2017
- 2017-11-08 CN CN201711093718.XA patent/CN107871269A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150310358A1 (en) * | 2014-04-25 | 2015-10-29 | Mohammad Iman Khabazian | Modeling consumer activity |
| CN105354330A (zh) * | 2015-11-27 | 2016-02-24 | 南京邮电大学 | 一种基于稀疏数据预处理的协同过滤推荐方法 |
| CN106600369A (zh) * | 2016-12-09 | 2017-04-26 | 广东奡风科技股份有限公司 | 基于朴素贝叶斯分类的银行金融产品实时推荐系统和方法 |
| CN106777051A (zh) * | 2016-12-09 | 2017-05-31 | 重庆邮电大学 | 一种基于用户组的多反馈协同过滤推荐方法 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109087138A (zh) * | 2018-07-26 | 2018-12-25 | 北京京东金融科技控股有限公司 | 数据处理方法及系统、计算机系统和可读存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107045788B (zh) | 交通路况预测方法及装置 | |
| CN107798608A (zh) | 一种投资产品组合推荐方法及系统 | |
| CN108564414A (zh) | 基于线下行为的商品推荐方法和系统 | |
| CN107563841A (zh) | 一种基于用户评分分解的推荐系统 | |
| CN106096015B (zh) | 一种基于大数据双向推荐的深度学习方法及双向推荐装置 | |
| CN110443687B (zh) | 一种基于大数据的电子商务平台 | |
| US11704682B2 (en) | Pre-processing financial market data prior to machine learning training | |
| CN106485227A (zh) | 一种基于视频面部表情的客户满意度分析方法 | |
| CN104424247A (zh) | 一种产品信息过滤推荐方法和装置 | |
| CN111222410A (zh) | 一种基于人脸识别的店商消费行为分析引导营销系统 | |
| CN113469730A (zh) | 一种非合同场景下的基于RF-LightGBM融合模型的客户复购预测方法及装置 | |
| Kaurova et al. | Cross-country comparison of statistical indicators | |
| CN106991577A (zh) | 一种确定目标用户的方法及装置 | |
| Bartelsman et al. | Forecasting aggregate productivity using information from firm-level data | |
| CN108734567A (zh) | 一种基于大数据人工智能风控的资产管理系统及其评估方法 | |
| CN115409577A (zh) | 基于用户行为及环境信息的智能货柜复购预测方法及系统 | |
| CN111738856A (zh) | 一种股票舆情投资决策分析方法及装置 | |
| CN107633421A (zh) | 一种市场预测数据的处理方法及装置 | |
| CN106651582A (zh) | 基于指令流毒性指标的证券交易风险预警方法及系统 | |
| CN107871269A (zh) | 一种基于金融产品交互矩阵的客户因子的knn推荐方法 | |
| CN106408483A (zh) | 一种气象云智能商务方法与系统 | |
| CN103810262A (zh) | 信息推荐方法和系统 | |
| CN107622409A (zh) | 购车能力的预测方法和预测装置 | |
| CN105741143A (zh) | 一种基于负荷特性及其聚类分析的电力商品定价模型建立方法 | |
| CN114154617A (zh) | 一种基于vfl的低压居民用户异常用电识别方法及系统 |
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: 20180403 |