CN108052639A - 基于运营商数据的行业用户推荐方法及装置 - Google Patents
基于运营商数据的行业用户推荐方法及装置 Download PDFInfo
- Publication number
- CN108052639A CN108052639A CN201711391670.0A CN201711391670A CN108052639A CN 108052639 A CN108052639 A CN 108052639A CN 201711391670 A CN201711391670 A CN 201711391670A CN 108052639 A CN108052639 A CN 108052639A
- Authority
- CN
- China
- Prior art keywords
- business
- user
- target user
- users
- target
- 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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明实施例提供一种基于运营商数据的行业用户推荐方法及装置。本发明实施例通过获取用户信息和业务信息;对用户信息进行聚类计算得到用户簇,对业务信息进行聚类计算得到业务簇;针对用户数量较少而业务数量较多的场景,对业务簇采用基于用户的协同过滤推荐算法,确定给目标用户推荐的第一目标业务集;针对用户数量较多而业务数量较少的场景,对用户簇采用基于项目的协同过滤推荐算法,确定给目标用户推荐的第二目标业务集;根据第一目标业务集和/或第二目标业务集给目标用户推荐相关业务产品。本发明使得业务推荐更具针对性,不会受其他因素所干扰,提高了业务推荐的准确性,同时可以缩小协同过滤算法的搜索空间以降低计算量,提高计算效率。
Description
技术领域
本发明实施例涉及通信技术领域,尤其涉及一种基于运营商数据的行业用户推荐方法及装置。
背景技术
随着互联网+理念的大力推荐,以及大数据技术的进步,当前各行各业越来越多的发现数据的重要性,数据经过精确的加工后,能够发挥出来的能量远远超过想想。
现有技术中,通过对大数据进行采集后,将采集到的数据进行存储之后,采用传统规则集方式对用户进行非个性化推荐,导致给用户推荐的业务不准确,也就是说,给用户推荐的业务可能并不是用户所需要的。另外,制定规则需要消耗大量时间,导致非个性化推荐的计算效率低下。
发明内容
本发明实施例提供一种基于运营商数据的行业用户推荐方法及装置,以提高业务推荐的准确性和计算效率。
本发明实施例的一个方面是提供一种基于运营商数据的行业用户推荐方法,包括:
获取用户信息和业务信息;
对所述用户信息进行特征抽取得到所述用户信息的特征信息,以及对所述业务信息进行特征抽取得到所述业务信息的特征信息;
根据所述用户信息的特征信息对所述用户信息进行聚类计算得到用户簇,以及根据所述业务信息的特征信息对所述业务信息进行聚类计算得到业务簇;
当用户数量小于预设用户数量阈值、业务数量大于预设业务数量阈值时,对所述业务簇采用基于用户的协同过滤推荐算法,确定给目标用户推荐的第一目标业务集;
当用户数量大于预设用户数量阈值、业务数量小于预设业务数量阈值时,对所述用户簇采用基于项目的协同过滤推荐算法,确定给目标用户推荐的第二目标业务集;
根据所述第一目标业务集和/或所述第二目标业务集,给目标用户推荐相关业务。
本发明实施例的另一个方面是提供一种基于运营商数据的行业用户推荐装置,包括:
获取模块,用于获取用户信息和业务信息;
特征抽取模块,用于对所述用户信息进行特征抽取得到所述用户信息的特征信息,以及对所述业务信息进行特征抽取得到所述业务信息的特征信息;
聚类计算模块,用于根据所述用户信息的特征信息对所述用户信息进行聚类计算得到用户簇,以及根据所述业务信息的特征信息对所述业务信息进行聚类计算得到业务簇;
第一确定模块,用于当用户数量小于预设用户数量阈值、业务数量大于预设业务数量阈值时,对所述业务簇采用基于用户的协同过滤推荐算法,确定给目标用户推荐的第一目标业务集;
第二确定模块,用于当用户数量大于预设用户数量阈值、业务数量小于预设业务数量阈值时,对所述用户簇采用基于项目的协同过滤推荐算法,确定给目标用户推荐的第二目标业务集;
推荐模块,用于根据所述第一目标业务集和/或所述第二目标业务集,给目标用户推荐相关业务。
本发明实施例提供的基于运营商数据的行业用户推荐方法及装置,通过对用户信息进行聚类计算得到用户簇,以及对业务信息进行聚类计算得到业务簇,针对用户数量较少而业务数量较多的场景,对所述业务簇采用基于用户的协同过滤推荐算法,确定给目标用户推荐的第一目标业务集;针对用户数量较多而业务数量较少的场景,对所述用户簇采用基于项目的协同过滤推荐算法,确定给目标用户推荐的第二目标业务集,根据所述第一目标业务集和/或所述第二目标业务集给目标用户推荐相关业务产品。本发明使得业务推荐更具针对性,不会受其他因素所干扰,提高了业务推荐的准确性,同时可以缩小协同过滤算法的搜索空间以降低计算量,提高计算效率。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。
图1为本发明实施例提供的通信系统的示意图;
图2为本发明实施例提供的基于运营商数据的行业用户推荐方法流程图;
图3为本发明实施例提供的系统架构图;
图4为本发明实施例提供的构建用户画像的示意图;
图5为本发明实施例提供的模型的架构图;
图6为本发明实施例提供的模型的计算框架图;
图7为本发明另一实施例提供的基于运营商数据的行业用户推荐方法流程图;
图8为本发明另一实施例提供的基于运营商数据的行业用户推荐方法流程图;
图9为本发明实施例提供的基于运营商数据的行业用户推荐装置的结构图。
通过上述附图,已示出本公开明确的实施例,后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本公开构思的范围,而是通过参考特定实施例为本领域技术人员说明本公开的概念。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
本发明提供的基于运营商数据的行业用户推荐方法,可以适用于图1所示的通信系统。如图1所示,该通信系统包括:接入网设备11、终端设备12以及服务器13。服务器13可以通过接入网设备11给终端设备12推荐业务。
需要说明的是,图1所示的通信系统可以适用于不同的网络制式,例如,可以适用于全球移动通讯(Global System of Mobile communication,简称GSM)、码分多址(CodeDivision Multiple Access,简称CDMA)、宽带码分多址(Wideband Code DivisionMultiple Access,简称WCDMA)、时分同步码分多址(Time Division-Synchronous CodeDivision Multiple Access,简称TD-SCDMA)、长期演进(Long Term Evolution,简称LTE)系统及未来的5G等网络制式。可选的,上述通信系统可以为5G通信系统中高可靠低时延通信(Ultra-Reliable and Low Latency Communications,简称URLLC)传输的场景中的系统。
故而,可选的,上述接入网设备11可以是GSM或CDMA中的基站(Base TransceiverStation,简称BTS)和/或基站控制器,也可以是WCDMA中的基站(NodeB,简称NB)和/或无线网络控制器(Radio Network Controller,简称RNC),还可以是LTE中的演进型基站(Evolutional Node B,简称eNB或eNodeB),或者中继站或接入点,或者未来5G网络中的基站(gNB)等,本发明在此并不限定。
上述终端设备12可以是无线终端也可以是有线终端。无线终端可以是指向用户提供语音和/或其他业务数据连通性的设备,具有无线连接功能的手持式设备、或连接到无线调制解调器的其他处理设备。无线终端可以经无线接入网(Radio Access Network,简称RAN)与一个或多个核心网设备进行通信,无线终端可以是移动终端,如移动电话(或称为“蜂窝”电话)和具有移动终端的计算机,例如,可以是便携式、袖珍式、手持式、计算机内置的或者车载的移动装置,它们与无线接入网交换语言和/或数据。再例如,无线终端还可以是个人通信业务(Personal Communication Service,简称PCS)电话、无绳电话、会话发起协议(Session Initiation Protocol,简称SIP)话机、无线本地环路(Wireless LocalLoop,简称WLL)站、个人数字助理(Personal Digital Assistant,简称PDA)等设备。无线终端也可以称为系统、订户单元(Subscriber Unit)、订户站(Subscriber Station),移动站(Mobile Station)、移动台(Mobile)、远程站(Remote Station)、远程终端(RemoteTerminal)、接入终端(Access Terminal)、用户终端(User Terminal)、用户代理(UserAgent)、用户设备(User Device or User Equipment),在此不作限定。可选的,上述终端设备12还可以是智能手表、平板电脑等设备。
下面以具体地实施例对本发明的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图,对本发明的实施例进行描述。
图2为本发明实施例提供的基于运营商数据的行业用户推荐方法流程图。本发明实施例针对现有技术的如上技术问题,提供了一种基于运营商数据的行业用户推荐方法,该方法具体步骤如下:
步骤201、获取用户信息和业务信息。
本实施例所述的方法适用于如图3所示的系统架构图,如图3所示,该系统架构图包括:数据采集、构建用户画像、数据存储、数据建模、模型计算、数据展现等部分。
其中,数据采集具体可以是:通过RESTful API、日志文件等方式采集用户信息和业务信息,在本实施例中,业务信息具体可以是通信业务,另外,业务信息也可以是项目信息,项目信息具体可以是商品信息。也就是说,如图1所示,服务器13可以通过接入网设备11给终端设备12推荐通信业务,也可以推荐商品信息。
步骤202、对所述用户信息进行特征抽取得到所述用户信息的特征信息,以及对所述业务信息进行特征抽取得到所述业务信息的特征信息。
如图3所示,在数据采集之后,进一步对采集到的数据例如用户信息和业务信息构建用户画像,提取数据的特征信息。在构建用户画像阶段时,还可以包括如图4所示的三个步骤:数据预处理、特征抽取、构建标签体系。下面对数据预处理、特征抽取、生成标签进行详细的介绍:
数据预处理:数据预处理类似于ETL工作,主要完成数据清洗,以及对噪声数据进行过滤,如果涉及到文本信息的处理还需先对文本进行分词操作等。
特征抽取:主要采用TF*IDF、卡方检验、信息增益相混合的特征抽取方法,首先针对长文本,系统采用TF*IDF方法进行特征抽取,针对短文本,系统采用卡方检验方法进行特征抽取,然后系统使用信息增益对特征进行打分,根据评分设置权重。
构建标签体系:对用户及商品信息打标签,构建标签体系。通常构建三层标签体系,前两层标签为细粒度标签,往往从数据采集处获取,而第三层为粗粒度标签,系统使用K-means算法对已抽取的特征信息进行聚类计算,生成相应的K个聚簇,令这K个聚簇的质心为粗粒度标签信息。
如图3所示,在构建完成用户画像后,进一步进行数据存储,数据存储的具体过程为:将提取出的特征信息、标签数据存储到Hive中,构建数据仓库,方便后续进行统计分析。
如图3所示,在数据存储完成后,进一步进行数据建模,模型的架构图如图5所示,先采用K-means算法对用户信息和业务信息进行细分,生成用户簇和业务簇,针对用户数量较少而业务数量较多的场景,对业务簇采用基于用户的协同过滤推荐算法,确定给目标用户推荐目标业务;针对用户数量较多而业务数量较少的场景,对用户簇采用基于项目的协同过滤推荐算法,确定给目标用户推荐目标业务。
如图3所示,在模型构建完成后,进一步进行模型计算。该模型的计算框架图如图6所示,对所述用户信息进行特征抽取得到所述用户信息的特征信息,以及对所述业务信息进行特征抽取得到所述业务信息的特征信息,构建特征矩阵,根据特征矩阵中用户信息的特征信息和业务信息的特征信息对用户信息/业务信息进行聚类计算,得到用户簇和业务簇,针对用户数量较少而业务数量较多的场景,对业务簇采用基于用户的协同过滤推荐算法;针对用户数量较多而业务数量较少的场景,对用户簇采用基于项目的协同过滤推荐算法,从而得到给目标用户推荐的目标业务即推荐结果。
步骤203、根据所述用户信息的特征信息对所述用户信息进行聚类计算得到用户簇,以及根据所述业务信息的特征信息对所述业务信息进行聚类计算得到业务簇。
具体的,根据所述用户信息的特征信息采用K-means算法对所述用户信息进行聚类计算得到用户簇,根据所述业务信息的特征信息采用K-means算法对所述业务信息进行聚类计算得到业务簇。
步骤204、当用户数量小于预设用户数量阈值、业务数量大于预设业务数量阈值时,对所述业务簇采用基于用户的协同过滤推荐算法,确定给目标用户推荐的第一目标业务集。
也就是说,针对用户数量较少而业务数量较多的场景,对业务进行聚类生成业务簇并采用基于用户的协同过滤推荐算法,确定给目标用户推荐的第一目标业务集,之所以是对业务进行聚类生成业务簇,是因为基于用户的协同过滤推荐算法可计算用户(行)之间的相似度,而此种场景下,用户较少、业务较多,例如用户a对用户b与c的相似度相同,而a.item1与b.item2在同一簇中但a.item1与c.item3不在同一簇,则给用户a先推荐item2后推荐item3。
具体的,提取Hive中已构建好的用户画像数据,对用户信息使用K-means算法进行聚类计算生成一个个业务簇,再针对每一业务簇使用基于用户的协同过滤推荐算法进行推荐计算。
步骤205、当用户数量大于预设用户数量阈值、业务数量小于预设业务数量阈值时,对所述用户簇采用基于项目的协同过滤推荐算法,确定给目标用户推荐的第二目标业务集。
也就是说,针对用户数量较多而业务数量较少的场景,对用户进行聚类生成用户簇并采用基于业务的协同过滤推荐算法,确定给目标用户推荐的第二目标业务集。之所以是对用户进行聚类生成用户簇,是因为基于项目的协同过滤推荐算法可计算item(列)之间的相似度,而此种场景下,用户较多、业务较少,例如item1对item2与item3的相似度相同,而a.item1与b.item2在同一簇中但a.item1与c.item3不在同一簇,则给用户a先推荐item2后推荐item3。
具体的,提取Hive中已构建好的用户画像数据,对业务信息使用K-means算法进行聚类计算生成一个个用户簇,再针对每一用户簇使用基于项目的协同过滤推荐算法进行推荐计算。
步骤206、根据所述第一目标业务集和/或所述第二目标业务集,给目标用户推荐相关业务。
在本实施例中,给目标用户推荐相关业务包括如下几种可能的情况:
一种可能的情况是:在用户数量较少而业务数量较多的场景,对业务进行聚类生成业务簇并采用基于用户的协同过滤推荐算法,确定给目标用户推荐的第一目标业务集,从第一目标业务集中确定出给目标用户推荐的相关业务,例如,需要给目标用户推荐5个相关业务,而第一目标业务集有7个推荐结果,则从该7个推荐结果中选取5个例如选取排序靠前的5个结果推荐给目标用户。
另一种可能的情况是:在用户数量较多而业务数量较少的场景中,对用户进行聚类生成用户簇并采用基于业务的协同过滤推荐算法,确定给目标用户推荐的第二目标业务集,从第二目标业务集中确定出给目标用户推荐的相关业务,例如,需要给目标用户推荐5个相关业务,而第二目标业务集有8个推荐结果,则从该8个推荐结果中选取5个例如选取排序靠前的5个结果推荐给目标用户。
再一种可能的情况是:从第一目标业务集和第二目标业务集中选取相关业务推荐给目标用户,例如,需要给目标用户推荐5个相关业务,而第一目标业务集有3个推荐结果,小于5个,此时,可以从第二目标业务集中再获取2个推荐结果,将第一目标业务集中的3个推荐结果和从第二目标业务集中取出的2个推荐结果推荐给目标用户。
如图3所示,在模型计算之后,进一步进行数据展现。其中,通过基于用户的协同过滤推荐算法进行推荐计算和基于项目的协同过滤推荐算法进行推荐计算之后生成推荐集合,从该推荐集合中选取topN作为推荐结果,在前端界面或通过RESTful API将推荐结果展现出来。
本发明实施例通过对用户信息进行聚类计算得到用户簇,以及对业务信息进行聚类计算得到业务簇,针对用户数量较少而业务数量较多的场景,对所述业务簇采用基于用户的协同过滤推荐算法,确定给目标用户推荐的第一目标业务集;针对用户数量较多而业务数量较少的场景,对所述用户簇采用基于项目的协同过滤推荐算法,确定给目标用户推荐的第二目标业务集,根据所述第一目标业务集和/或所述第二目标业务集给目标用户推荐相关业务产品。本发明使得业务推荐更具针对性,不会受其他因素所干扰,提高了业务推荐的准确性,同时可以缩小协同过滤算法的搜索空间以降低计算量,提高计算效率。
图7为本发明另一实施例提供的基于运营商数据的行业用户推荐方法流程图。在上述实施例的基础上,针对用户数量较少而业务数量较多的场景,步骤204对所述业务簇采用基于用户的协同过滤推荐算法,确定给目标用户推荐的第一目标业务集,具体包括如下步骤:
步骤701、获取多个用户分别对多个业务的评分值。
假设有m个用户,n个业务,每个用户可以对n个业务分别进行评分,如此,m个用户中每个用户对n个业务分别进行评分后,可得到一个m*n的用户评分矩阵R,用户评分矩阵R可表示为如下公式(1)
其中,Ri=[ri1 ri2 ... rin],1≤i≤m表示第i个用户记为Ui对n个业务的评分向量;rij,1≤j≤n表示第i个用户Ui对n个业务中的第j个业务的评分值。
步骤702、根据所述多个用户中目标用户对多个业务的评分值,以及所述多个用户中除目标用户之外的其他用户对多个业务的评分值,确定所述目标用户与所述其他用户对所述多个业务评分的相似度。
根据上述公式(1)可知,用户评分矩阵R中的每一行表示一个用户对n个业务的评分向量,每个用户对n个业务的评分向量是一个1×n的向量,根据不同用户对n个业务的评分向量可以确定出不同用户之间的相似度,例如,根据第1个用户U1对n个业务的评分向量R1和第2个用户U2对n个业务的评分向量R2,确定出第1个用户U1与第2个用户U2之间的相似度,可选的,将评分向量R1和评分向量R2的相似度作为第1个用户U1与第2个用户U2之间的相似度,同理可以确定出其他用户之间的相似度。
具体的,将该m个用户中的某一个用户作为目标用户,例如将第i个用户Ui作为目标用户,此处只是示意性说明,并不限定m个用户中的哪个用户作为目标用户。根据第i个用户Ui对n个业务的评分向量Ri和m个用户中除了第i个用户Ui之外的其他用户分别对n个业务的评分向量,可确定出目标用户Ui分别与其他用户的相似度。例如,根据第i个用户Ui对n个业务的评分向量Ri和第j个用户Uj对n个业务的评分向量Rj计算第i个用户Ui和第j个用户Uj之间的相似度sim(i,j),通常计算用户相似度的方法包括如下至少一种:余弦相似度、修正的余弦相似度和皮尔森相关系数。当采用该3种方法计算后的相似度值与真实相似性成正相关时,相似度值sim(i,j)越大,说明第j个用户Uj与第i个用户Ui更具有相同的爱好。如果使用欧式距离或曼哈顿距离时,计算后的相似度值与真实相似性成负相关,此时,相似度值sim(i,j)越小,说明第j个用户Uj与第i个用户Ui更具有相同的爱好。可选的,用户相似度可理解为用户之间的信任值或推荐权重。对于皮尔森相关系数,sim(i,j)∈[-1,1]。如果用户相似度为1表示两个用户互相的推荐权重很大。如果用户相似度为-1,表示两个用户的兴趣相差很大,因此互相的推荐权重很小。
步骤703、根据所述目标用户与所述其他用户对所述多个业务评分的相似度,从所述其他用户中确定出相似度在预设范围内的多个用户作为所述目标用户的多个邻居用户。
根据上述步骤计算出目标用户Ui分别与其他用户的相似度之后,可以对目标用户Ui分别与其他用户的相似度进行由大到小的排序,例如,m个用户中除了目标用户Ui之外,还有m-1个其他用户,一一计算目标用户Ui与m-1个其他用户中每个其他用户的相似度,从而可得到m-1个相似度,将这m-1个相似度进行由大到小的排序,相似度越大,说明该相似度对应的其他用户与目标用户更具有相同的爱好,则该排序中前K个相似度对应的其他用户可作为是与目标用户具有相同爱好的邻居用户,从而得到目标用户的K个邻居用户。
步骤704、将所述多个邻居用户评价过的业务构成候选推荐集合。
将目标用户的K个邻居用户评价过的业务、而该目标用户没有评价过的业务构成候选推荐集合,该候选推荐集合中的业务为可能推荐给目标用户的业务范围。假设候选推荐集合中有L个业务可能推荐给目标用户,进一步的,还需预测目标用户对该L个业务中的每个业务的评分值即预测评分值,由于目标用户可能没有对候选推荐集合的L个业务评价过,则需要根据K个邻居用户对该L个业务中的每个业务的评分值,预测目标用户对该L个业务中的每个业务的评分值。
步骤705、根据所述多个邻居用户对所述候选推荐集合中每个业务的评分值,以及所述多个邻居用户中每个邻居用户与所述目标用户的相似度,确定所述目标用户对所述候选推荐集合中每个业务的预测评分值。
可选的,所述目标用户对所述候选推荐集合中每个业务的预测评分值为所述多个邻居用户对所述业务的评分值的加权值,其中,所述邻居用户和所述目标用户的相似度与所述邻居用户对所述业务的评分值对应的加权系数相关。
具体的,用户a对业务i的预测评分值p(a,i)可以表示为如下公式(2):
其中,b用于标识用户a的邻居用户;表示用户评分矩阵R的第b行的评分值的平均值,Rb,i表示用户评分矩阵R的第b行第i列评分值,表示用户评分矩阵R的第i行的评分值的平均值。Neighor(u)表示邻居用户集合。
根据公式(2)可以计算出目标用户对该L个业务中的每个业务的评分值即预测评分值,从而得到L个预测评分值。
步骤706、根据所述目标用户对所述候选推荐集合中每个业务的预测评分值,从所述候选推荐集合中确定出给目标用户推荐的第一目标业务集。
具体的,从该L个业务中选取出预测评分值大于阈值的N(N小于L)个业务作为推荐给该目标用户的第一目标业务集。
本实施例通过对业务信息进行聚类计算得到业务簇,对所述业务簇采用基于用户的协同过滤推荐算法,确定给目标用户推荐的第一目标业务集,由于对业务进行聚类,因此缩小了业务搜索范围,使得业务推荐更具针对性,不会受其他因素所干扰,提高了业务推荐的准确性,同时可以缩小协同过滤算法的搜索空间以降低计算量,提高计算效率。
图8为本发明另一实施例提供的基于运营商数据的行业用户推荐方法流程图。在上述实施例的基础上,针对用户数量较多而业务数量较少的场景,步骤205对所述用户簇采用基于项目的协同过滤推荐算法,确定给目标用户推荐的第二目标业务集,具体包括如下步骤:
步骤801、确定目标用户评价过的多个业务。
例如,目标用户Ui评价过业务1、业务2、…、业务n,将该n个业务作为目标用户Ui访问过的业务集合lconl(u)。
步骤802、根据多个用户对所述多个业务中每个业务的评分值,确定所述多个业务中不同业务之间的相似度。
根据上述公式(1)可知,用户评分矩阵R中的每一列表示m个用户对一个业务的评分向量,m个用户对一个业务的评分向量是一个m×1的向量,根据m个用户对不同业务的评分向量可以确定出不同业务之间的相似度。例如,根据m个用户对第1个业务的评分向量和m个用户对第2个业务的评分向量,可确定出第1个业务和第2个业务之间的相似度,可选的,将m个用户对第1个业务的评分向量和m个用户对第2个业务的评分向量的相似度作为第1个业务和第2个业务之间的相似度。
具体的,选取n个业务中一个业务,计算n个业务中其他业务与该业务的相似度,可以确定出每个业务与其他业务的相似度。
例如,选取n个业务中的第一个业务,计算n个业务中其他业务与该第一个业务的相似度。例如,目标用户Ui访问过的业务集合lconl(u)中除了第一个业务之外,还有n-1个其他业务,一一计算第一个业务与n-1个其他业务中每个其他业务的相似度,从而可得到n-1个相似度,将这n-1个相似度进行由大到小的排序,相似度越大,说明该相似度对应的其他业务与第一个业务越相似。
步骤803、将所述多个业务中与每个业务的相似度在预设范围内的其他业务构成候选推荐集合。
例如,将这n-1个相似度进行由大到小的排序之后,将该排序中前K个相似度对应的其他业务构成候选推荐集合。
步骤804、根据其他用户对所述候选推荐集合中每个业务的评分值,以及所述业务与所述多个业务中其他业务的相似度,确定所述目标用户对所述候选推荐集合中每个业务的预测评分值。
可选的,所述目标用户对所述候选推荐集合中每个业务的预测评分值为所述其他用户对所述业务的评分值的加权值,其中,加权系数与所述业务与所述多个业务中其他业务的相似度相关。
具体的,用户u对业务i的预测评分值p(u,i)可以表示为如下公式(3):
其中,j用于标识与业务i相似的业务。Iu表示用户u对应的候选推荐集合。
根据公式(3)可以计算出目标用户对该候选推荐集合中的每个业务的评分值即预测评分值。
步骤805、根据所述目标用户对所述候选推荐集合中每个业务的预测评分值,从所述候选推荐集合中确定出给目标用户推荐的第二目标业务集。
具体的,从该候选推荐集合中选取出预测评分值大于阈值的N个业务作为推荐给该目标用户的第二目标业务集。
本实施例通过对用户信息进行聚类计算得到用户簇,对于所述用户簇采用基于项目的协同过滤推荐算法,确定给目标用户推荐的第二目标业务集,由于对用户进行聚类,因此缩小了用户搜索范围,使得用户推荐更具针对性,不会受其他因素所干扰,提高了用户推荐的准确性,同时可以缩小协同过滤算法的搜索空间以降低计算量,提高计算效率。
图9为本发明实施例提供的基于运营商数据的行业用户推荐装置的结构图。本发明实施例提供的基于运营商数据的行业用户推荐装置可以执行基于运营商数据的行业用户推荐方法实施例提供的处理流程,如图9所示,基于运营商数据的行业用户推荐装置90包括:获取模块91、特征抽取模块92、聚类计算模块93、第一确定模块94、第二确定模块95和推荐模块96;其中,获取模块91用于获取用户信息和业务信息;特征抽取模块92用于对所述用户信息进行特征抽取得到所述用户信息的特征信息,以及对所述业务信息进行特征抽取得到所述业务信息的特征信息;聚类计算模块93用于根据所述用户信息的特征信息对所述用户信息进行聚类计算得到用户簇,以及根据所述业务信息的特征信息对所述业务信息进行聚类计算得到业务簇;第一确定模块94用于当用户数量小于预设用户数量阈值、业务数量大于预设业务数量阈值时,对所述业务簇采用基于用户的协同过滤推荐算法,确定给目标用户推荐的第一目标业务集;第二确定模块95用于当用户数量大于预设用户数量阈值、业务数量小于预设业务数量阈值时,对所述用户簇采用基于项目的协同过滤推荐算法,确定给目标用户推荐的第二目标业务集;推荐模块96用于根据所述第一目标业务集和/或所述第二目标业务集,给目标用户推荐相关业务。
本发明实施例提供的行业用户推荐装置可以具体用于执行上述图2所提供的方法实施例,具体功能此处不再赘述。
本发明实施例通过对用户信息进行聚类计算得到用户簇,以及对业务信息进行聚类计算得到业务簇,针对用户数量较少而业务数量较多的场景,对所述业务簇采用基于用户的协同过滤推荐算法,确定给目标用户推荐的第一目标业务集;针对用户数量较多而业务数量较少的场景,对所述用户簇采用基于项目的协同过滤推荐算法,确定给目标用户推荐的第二目标业务集,根据所述第一目标业务集和/或所述第二目标业务集给目标用户推荐相关业务产品。本发明使得业务推荐更具针对性,不会受其他因素所干扰,提高了业务推荐的准确性,同时可以缩小协同过滤算法的搜索空间以降低计算量,提高计算效率。
在上述实施例的基础上,获取模块91还用于:获取多个用户分别对多个业务的评分值;第一确定模块94具体用于:根据所述多个用户中目标用户对多个业务的评分值,以及所述多个用户中除了目标用户之外的其他用户对多个业务的评分值,确定所述目标用户与所述其他用户对所述多个业务评分的相似度;根据所述目标用户与所述其他用户对所述多个业务评分的相似度,从所述其他用户中确定出相似度在预设范围内的多个用户作为所述目标用户的多个邻居用户;将所述多个邻居用户评价过的业务构成候选推荐集合;根据所述多个邻居用户对所述候选推荐集合中每个业务的评分值,以及所述多个邻居用户中每个邻居用户与所述目标用户的相似度,确定所述目标用户对所述候选推荐集合中每个业务的预测评分值;根据所述目标用户对所述候选推荐集合中每个业务的预测评分值,从所述候选推荐集合中确定出给目标用户推荐的第一目标业务集。
可选的,所述目标用户对所述候选推荐集合中每个业务的预测评分值为所述多个邻居用户对所述业务的评分值的加权值,其中,所述邻居用户和所述目标用户的相似度与所述邻居用户对所述业务的评分值对应的加权系数相关。
本发明实施例提供的行业用户推荐装置可以具体用于执行上述图7所提供的方法实施例,具体功能此处不再赘述。
本发明实施例针对用户数量较少而业务数量较多的场景,通过对业务信息进行聚类计算得到业务簇,对所述业务簇采用基于用户的协同过滤推荐算法,确定给目标用户推荐的第一目标业务集,使得业务推荐更具针对性,不会受其他因素所干扰,提高了业务推荐的准确性,同时可以缩小协同过滤算法的搜索空间以降低计算量,提高计算效率。
在上述实施例的基础上,第二确定模块95具体用于:确定目标用户评价过的多个业务;根据多个用户对所述多个业务中每个业务的评分值,确定所述多个业务中不同业务之间的相似度;将所述多个业务中与每个业务的相似度在预设范围内的其他业务构成候选推荐集合;根据其他用户对所述候选推荐集合中每个业务的评分值,以及所述业务与所述多个业务中其他业务的相似度,确定所述目标用户对所述候选推荐集合中每个业务的预测评分值;根据所述目标用户对所述候选推荐集合中每个业务的预测评分值,从所述候选推荐集合中确定出给目标用户推荐的第二目标业务集。
可选的,所述目标用户对所述候选推荐集合中每个业务的预测评分值为所述其他用户对所述业务的评分值的加权值,其中,加权系数与所述业务与所述多个业务中其他业务的相似度相关。
本发明实施例提供的行业用户推荐装置可以具体用于执行上述图8所提供的方法实施例,具体功能此处不再赘述。
本发明实施例针对用户数量较多而业务数量较少的场景,通过对用户信息进行聚类计算得到用户簇,对于所述用户簇采用基于项目的协同过滤推荐算法,确定给目标用户推荐的第二目标业务集,使得业务推荐更具针对性,不会受其他因素所干扰,提高了业务推荐的准确性,同时可以缩小协同过滤算法的搜索空间以降低计算量,提高计算效率。
综上所述,本发明实施例通过对用户信息进行聚类计算得到用户簇,以及对业务信息进行聚类计算得到业务簇,针对用户数量较少而业务数量较多的场景,对所述业务簇采用基于用户的协同过滤推荐算法,确定给目标用户推荐的第一目标业务集;针对用户数量较多而业务数量较少的场景,对所述用户簇采用基于项目的协同过滤推荐算法,确定给目标用户推荐的第二目标业务集,根据所述第一目标业务集和/或所述第二目标业务集给目标用户推荐相关业务产品。本发明使得业务推荐更具针对性,不会受其他因素所干扰,提高了业务推荐的准确性,同时可以缩小协同过滤算法的搜索空间以降低计算量,提高计算效率。
在本发明所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器(processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
本领域技术人员可以清楚地了解到,为描述的方便和简洁,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将装置的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。上述描述的装置的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (10)
1.一种基于运营商数据的行业用户推荐方法,其特征在于,包括:
获取用户信息和业务信息;
对所述用户信息进行特征抽取得到所述用户信息的特征信息,以及对所述业务信息进行特征抽取得到所述业务信息的特征信息;
根据所述用户信息的特征信息对所述用户信息进行聚类计算得到用户簇,以及根据所述业务信息的特征信息对所述业务信息进行聚类计算得到业务簇;
当用户数量小于预设用户数量阈值、业务数量大于预设业务数量阈值时,对所述业务簇采用基于用户的协同过滤推荐算法,确定给目标用户推荐的第一目标业务集;
当用户数量大于预设用户数量阈值、业务数量小于预设业务数量阈值时,对所述用户簇采用基于项目的协同过滤推荐算法,确定给目标用户推荐的第二目标业务集;
根据所述第一目标业务集和/或所述第二目标业务集,给目标用户推荐相关业务。
2.根据权利要求1所述的方法,其特征在于,所述对所述业务簇采用基于用户的协同过滤推荐算法,确定给目标用户推荐的第一目标业务集,包括:
获取多个用户分别对多个业务的评分值;
根据所述多个用户中目标用户对多个业务的评分值,以及所述多个用户中除目标用户之外的其他用户对多个业务的评分值,确定所述目标用户与所述其他用户对所述多个业务评分的相似度;
根据所述目标用户与所述其他用户对所述多个业务评分的相似度,从所述其他用户中确定出相似度在预设范围内的多个用户作为所述目标用户的多个邻居用户;
将所述多个邻居用户评价过的业务构成候选推荐集合;
根据所述多个邻居用户对所述候选推荐集合中每个业务的评分值,以及所述多个邻居用户中每个邻居用户与所述目标用户的相似度,确定所述目标用户对所述候选推荐集合中每个业务的预测评分值;
根据所述目标用户对所述候选推荐集合中每个业务的预测评分值,从所述候选推荐集合中确定出给目标用户推荐的第一目标业务集。
3.根据权利要求2所述的方法,其特征在于,所述目标用户对所述候选推荐集合中每个业务的预测评分值为所述多个邻居用户对所述业务的评分值的加权值,其中,所述邻居用户和所述目标用户的相似度与所述邻居用户对所述业务的评分值对应的加权系数相关。
4.根据权利要求1所述的方法,其特征在于,所述对所述用户簇采用基于项目的协同过滤推荐算法,确定给目标用户推荐的第二目标业务集,包括:
确定目标用户评价过的多个业务;
根据多个用户对所述多个业务中每个业务的评分值,确定所述多个业务中不同业务之间的相似度;
将所述多个业务中与每个业务的相似度在预设范围内的其他业务构成候选推荐集合;
根据其他用户对所述候选推荐集合中每个业务的评分值,以及所述业务与所述多个业务中其他业务的相似度,确定所述目标用户对所述候选推荐集合中每个业务的预测评分值;
根据所述目标用户对所述候选推荐集合中每个业务的预测评分值,从所述候选推荐集合中确定出给目标用户推荐的第二目标业务集。
5.根据权利要求4所述的方法,其特征在于,所述目标用户对所述候选推荐集合中每个业务的预测评分值为所述其他用户对所述业务的评分值的加权值,其中,加权系数与所述业务与所述多个业务中其他业务的相似度相关。
6.一种基于运营商数据的行业用户推荐装置,其特征在于,包括:
获取模块,用于获取用户信息和业务信息;
特征抽取模块,用于对所述用户信息进行特征抽取得到所述用户信息的特征信息,以及对所述业务信息进行特征抽取得到所述业务信息的特征信息;
聚类计算模块,用于根据所述用户信息的特征信息对所述用户信息进行聚类计算得到用户簇,以及根据所述业务信息的特征信息对所述业务信息进行聚类计算得到业务簇;
第一确定模块,用于当用户数量小于预设用户数量阈值、业务数量大于预设业务数量阈值时,对所述业务簇采用基于用户的协同过滤推荐算法,确定给目标用户推荐的第一目标业务集;
第二确定模块,用于当用户数量大于预设用户数量阈值、业务数量小于预设业务数量阈值时,对所述用户簇采用基于项目的协同过滤推荐算法,确定给目标用户推荐的第二目标业务集;
推荐模块,用于根据所述第一目标业务集和/或所述第二目标业务集,给目标用户推荐相关业务。
7.根据权利要求6所述的行业用户推荐装置,其特征在于,所述获取模块还用于:
获取多个用户分别对多个业务的评分值;
所述第一确定模块具体用于:
根据所述多个用户中目标用户对多个业务的评分值,以及所述多个用户中除了目标用户之外的其他用户对多个业务的评分值,确定所述目标用户与所述其他用户对所述多个业务评分的相似度;
根据所述目标用户与所述其他用户对所述多个业务评分的相似度,从所述其他用户中确定出相似度在预设范围内的多个用户作为所述目标用户的多个邻居用户;
将所述多个邻居用户评价过的业务构成候选推荐集合;
根据所述多个邻居用户对所述候选推荐集合中每个业务的评分值,以及所述多个邻居用户中每个邻居用户与所述目标用户的相似度,确定所述目标用户对所述候选推荐集合中每个业务的预测评分值;
根据所述目标用户对所述候选推荐集合中每个业务的预测评分值,从所述候选推荐集合中确定出给目标用户推荐的第一目标业务集。
8.根据权利要求7所述的行业用户推荐装置,其特征在于,所述目标用户对所述候选推荐集合中每个业务的预测评分值为所述多个邻居用户对所述业务的评分值的加权值,其中,所述邻居用户和所述目标用户的相似度与所述邻居用户对所述业务的评分值对应的加权系数相关。
9.根据权利要求6所述的行业用户推荐装置,其特征在于,所述第二确定模块具体用于:
确定目标用户评价过的多个业务;
根据多个用户对所述多个业务中每个业务的评分值,确定所述多个业务中不同业务之间的相似度;
将所述多个业务中与每个业务的相似度在预设范围内的其他业务构成候选推荐集合;
根据其他用户对所述候选推荐集合中每个业务的评分值,以及所述业务与所述多个业务中其他业务的相似度,确定所述目标用户对所述候选推荐集合中每个业务的预测评分值;
根据所述目标用户对所述候选推荐集合中每个业务的预测评分值,从所述候选推荐集合中确定出给目标用户推荐的第二目标业务集。
10.根据权利要求9所述的行业用户推荐装置,其特征在于,所述目标用户对所述候选推荐集合中每个业务的预测评分值为所述其他用户对所述业务的评分值的加权值,其中,加权系数与所述业务与所述多个业务中其他业务的相似度相关。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711391670.0A CN108052639A (zh) | 2017-12-21 | 2017-12-21 | 基于运营商数据的行业用户推荐方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711391670.0A CN108052639A (zh) | 2017-12-21 | 2017-12-21 | 基于运营商数据的行业用户推荐方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108052639A true CN108052639A (zh) | 2018-05-18 |
Family
ID=62131143
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711391670.0A Pending CN108052639A (zh) | 2017-12-21 | 2017-12-21 | 基于运营商数据的行业用户推荐方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108052639A (zh) |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109005052A (zh) * | 2018-07-04 | 2018-12-14 | 中国人民解放军国防科技大学 | 网络任务预测方法和装置 |
CN109241202A (zh) * | 2018-09-11 | 2019-01-18 | 杭州飞弛网络科技有限公司 | 一种基于聚类的陌生人社交用户匹配方法和系统 |
CN109711733A (zh) * | 2018-12-28 | 2019-05-03 | 上海盛付通电子支付服务有限公司 | 用于生成聚类模型的方法、电子设备和计算机可读介质 |
CN109934673A (zh) * | 2019-02-25 | 2019-06-25 | 校宝在线(杭州)科技股份有限公司 | 一种基于推荐系统的智能销售线索分配方法 |
CN110362751A (zh) * | 2019-07-22 | 2019-10-22 | 腾讯科技(深圳)有限公司 | 业务推荐方法、装置、计算机设备和存储介质 |
CN111160975A (zh) * | 2019-12-30 | 2020-05-15 | 中国移动通信集团黑龙江有限公司 | 一种目标用户确定方法、装置、设备及计算机存储介质 |
CN111353793A (zh) * | 2018-12-20 | 2020-06-30 | 中国移动通信集团天津有限公司 | Crm业务推荐方法及装置 |
CN111681743A (zh) * | 2020-05-09 | 2020-09-18 | 北京启云数联科技有限公司 | 业务对象推荐方法、系统及装置 |
CN111814008A (zh) * | 2019-04-11 | 2020-10-23 | 杭州海康威视数字技术股份有限公司 | 数据处理方法、装置、电子设备及存储介质 |
CN112052380A (zh) * | 2020-01-20 | 2020-12-08 | 河南紫联物联网技术有限公司 | 智能终端、智能家居设备的营销推荐方法及系统 |
CN112287243A (zh) * | 2020-10-20 | 2021-01-29 | 山大地纬软件股份有限公司 | 一种基于协同过滤算法的服务信息推荐的装置及方法 |
CN112765230A (zh) * | 2020-12-30 | 2021-05-07 | 陈非 | 基于互联网金融的支付大数据分析方法及大数据分析系统 |
CN113204714A (zh) * | 2021-03-23 | 2021-08-03 | 北京中交兴路信息科技有限公司 | 一种基于用户画像的任务推荐方法、装置、存储介质及终端 |
CN113434754A (zh) * | 2020-03-23 | 2021-09-24 | 北京沃东天骏信息技术有限公司 | 确定推荐api服务的方法、装置、电子设备和存储介质 |
CN113806637A (zh) * | 2021-09-23 | 2021-12-17 | 湖北天天数链技术有限公司 | 用户分类方法及装置、项目推荐方法及装置 |
CN115841367A (zh) * | 2023-01-03 | 2023-03-24 | 四川特号商盟科技有限公司 | 一种基于用户睡眠行为的产品推荐方法 |
CN116562902A (zh) * | 2023-05-08 | 2023-08-08 | 广州商研网络科技有限公司 | 店铺销售策略推荐方法及其装置、设备、介质、产品 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105430099A (zh) * | 2015-12-22 | 2016-03-23 | 湖南科技大学 | 一种基于位置聚类的协同式Web服务性能预测方法 |
KR101620597B1 (ko) * | 2014-12-11 | 2016-05-16 | 주식회사 벤플 | 통합 추천자를 이용하여 사용자 추천 그룹을 갱신하는 방법 |
CN106570031A (zh) * | 2015-10-13 | 2017-04-19 | 阿里巴巴集团控股有限公司 | 一种业务对象的推荐方法和装置 |
-
2017
- 2017-12-21 CN CN201711391670.0A patent/CN108052639A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101620597B1 (ko) * | 2014-12-11 | 2016-05-16 | 주식회사 벤플 | 통합 추천자를 이용하여 사용자 추천 그룹을 갱신하는 방법 |
CN106570031A (zh) * | 2015-10-13 | 2017-04-19 | 阿里巴巴集团控股有限公司 | 一种业务对象的推荐方法和装置 |
CN105430099A (zh) * | 2015-12-22 | 2016-03-23 | 湖南科技大学 | 一种基于位置聚类的协同式Web服务性能预测方法 |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109005052B (zh) * | 2018-07-04 | 2021-12-31 | 中国人民解放军国防科技大学 | 网络任务预测方法和装置 |
CN109005052A (zh) * | 2018-07-04 | 2018-12-14 | 中国人民解放军国防科技大学 | 网络任务预测方法和装置 |
CN109241202A (zh) * | 2018-09-11 | 2019-01-18 | 杭州飞弛网络科技有限公司 | 一种基于聚类的陌生人社交用户匹配方法和系统 |
CN111353793A (zh) * | 2018-12-20 | 2020-06-30 | 中国移动通信集团天津有限公司 | Crm业务推荐方法及装置 |
CN109711733A (zh) * | 2018-12-28 | 2019-05-03 | 上海盛付通电子支付服务有限公司 | 用于生成聚类模型的方法、电子设备和计算机可读介质 |
CN109934673A (zh) * | 2019-02-25 | 2019-06-25 | 校宝在线(杭州)科技股份有限公司 | 一种基于推荐系统的智能销售线索分配方法 |
CN111814008A (zh) * | 2019-04-11 | 2020-10-23 | 杭州海康威视数字技术股份有限公司 | 数据处理方法、装置、电子设备及存储介质 |
CN111814008B (zh) * | 2019-04-11 | 2023-10-10 | 杭州海康威视数字技术股份有限公司 | 数据处理方法、装置、电子设备及存储介质 |
CN110362751A (zh) * | 2019-07-22 | 2019-10-22 | 腾讯科技(深圳)有限公司 | 业务推荐方法、装置、计算机设备和存储介质 |
CN110362751B (zh) * | 2019-07-22 | 2023-12-12 | 腾讯科技(深圳)有限公司 | 业务推荐方法、装置、计算机设备和存储介质 |
CN111160975A (zh) * | 2019-12-30 | 2020-05-15 | 中国移动通信集团黑龙江有限公司 | 一种目标用户确定方法、装置、设备及计算机存储介质 |
CN112052380A (zh) * | 2020-01-20 | 2020-12-08 | 河南紫联物联网技术有限公司 | 智能终端、智能家居设备的营销推荐方法及系统 |
CN113434754A (zh) * | 2020-03-23 | 2021-09-24 | 北京沃东天骏信息技术有限公司 | 确定推荐api服务的方法、装置、电子设备和存储介质 |
CN111681743A (zh) * | 2020-05-09 | 2020-09-18 | 北京启云数联科技有限公司 | 业务对象推荐方法、系统及装置 |
CN112287243A (zh) * | 2020-10-20 | 2021-01-29 | 山大地纬软件股份有限公司 | 一种基于协同过滤算法的服务信息推荐的装置及方法 |
CN112287243B (zh) * | 2020-10-20 | 2023-04-28 | 山大地纬软件股份有限公司 | 一种基于协同过滤算法的服务信息推荐的装置及方法 |
CN112765230B (zh) * | 2020-12-30 | 2021-09-21 | 深圳钱盒信息技术有限公司 | 基于互联网金融的支付大数据分析方法及大数据分析系统 |
CN112765230A (zh) * | 2020-12-30 | 2021-05-07 | 陈非 | 基于互联网金融的支付大数据分析方法及大数据分析系统 |
CN113204714A (zh) * | 2021-03-23 | 2021-08-03 | 北京中交兴路信息科技有限公司 | 一种基于用户画像的任务推荐方法、装置、存储介质及终端 |
CN113806637A (zh) * | 2021-09-23 | 2021-12-17 | 湖北天天数链技术有限公司 | 用户分类方法及装置、项目推荐方法及装置 |
CN115841367A (zh) * | 2023-01-03 | 2023-03-24 | 四川特号商盟科技有限公司 | 一种基于用户睡眠行为的产品推荐方法 |
CN115841367B (zh) * | 2023-01-03 | 2023-12-29 | 四川特号商盟科技有限公司 | 一种基于用户睡眠行为的产品推荐方法 |
CN116562902A (zh) * | 2023-05-08 | 2023-08-08 | 广州商研网络科技有限公司 | 店铺销售策略推荐方法及其装置、设备、介质、产品 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108052639A (zh) | 基于运营商数据的行业用户推荐方法及装置 | |
US9426233B2 (en) | Multi-objective server placement determination | |
WO2017067505A1 (zh) | 网络扩容方法及装置 | |
CN108595461B (zh) | 兴趣探索方法、存储介质、电子设备及系统 | |
CN108304435A (zh) | 信息推荐方法、装置、计算机设备及存储介质 | |
CN103077220A (zh) | 一种基于用户群关联度的个性化推荐方法及系统 | |
CN103942221B (zh) | 检索方法及设备 | |
CN104077412B (zh) | 一种基于多Markov链的微博用户兴趣预测方法 | |
CN111400615B (zh) | 一种资源推荐方法、装置、设备及存储介质 | |
CN104077723A (zh) | 一种社交网络推荐系统及方法 | |
CN113379176A (zh) | 电信网络异常数据检测方法、装置、设备和可读存储介质 | |
CN108846708A (zh) | 用户购买行为预测方法、装置、设备及存储介质 | |
CN106817390B (zh) | 一种用户数据共享的方法和设备 | |
CN111309946B (zh) | 一种已建立档案优化方法及装置 | |
CN107809370A (zh) | 用户推荐方法及装置 | |
CN106874931B (zh) | 用户画像分群方法和装置 | |
CN107368499A (zh) | 一种客户标签建模及推荐方法及装置 | |
CN105119743B (zh) | 用户行为意图的获取方法及装置 | |
CN110457387B (zh) | 一种应用于网络中用户标签确定的方法及相关装置 | |
CN106651564B (zh) | 一种目标客户获取方法及系统 | |
Doran et al. | The importance of outlier relationships in mobile call graphs | |
CN114492849B (zh) | 一种基于联邦学习的模型更新方法及装置 | |
CN103051476A (zh) | 基于拓扑分析的网络社区发现方法 | |
CN104955059B (zh) | 基于贝叶斯网络的蜂窝网基站状态时变模型建立方法 | |
KR101300498B1 (ko) | 관심기술 네트워크 구조화 서비스 시스템 및 방법 |
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: 20180518 |