CN108182605A - 一种基于用户画像的用户行为预测方法及系统 - Google Patents
一种基于用户画像的用户行为预测方法及系统 Download PDFInfo
- Publication number
- CN108182605A CN108182605A CN201810027465.4A CN201810027465A CN108182605A CN 108182605 A CN108182605 A CN 108182605A CN 201810027465 A CN201810027465 A CN 201810027465A CN 108182605 A CN108182605 A CN 108182605A
- Authority
- CN
- China
- Prior art keywords
- visitor
- user
- behavior
- current
- user information
- 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
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- 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
Abstract
本发明公开了一种基于用户画像的用户行为预测方法及系统,其通过收集营销系统采集的访客数据,并根据所述访客数据进行提取访客的用户信息和用户行为得到用户画像;利用关联规则挖掘算法将不同类别的用户信息之间、用户信息与用户行为之间、不同的用户行为之间进行关联处理得到关联信息,以及利用LDA主题模型对所述关联信息进行训练;预测时,获取当前访客的访客数据,并提取当前访客的用户信息和历史行为;并将当前访客的用户信息和/或历史行为输入所述LDA主题模型进行预测,得到当前访客的意图行为,从而能够为销售人员提供行为预测结果,为销售人员提供决策参考,节约其数据分析时间和沟通时间,提高销售人员的工作效率,提升成交率。
Description
技术领域
本发明涉及智能客服技术领域,特别是一种基于用户画像的用户行为预测方法及其应用该方法的系统。
背景技术
如果网络营销已非常普遍,销售人员只需要在电脑或移动上网设备上,并借助通讯工具或营销辅助工具即可实现。大部分营销系统都可以采集访客的个人信息,如访客地址、性别、年龄、来访渠道、来访次数、上网类型(设备型号、系统、网络类型等),这些信息可以对销售人员提供帮助,使其在沟通前就已经对意向客户有了一些了解。但是,目前这些基础信息都是比较直观的数据化信息,需要销售人员根据经验去判断和分析,对于没有销售经验的新的销售人员,则意义不是很大。
发明内容
本发明为解决上述问题,提供了一种基于用户画像的用户行为预测方法及系统,从而能够为销售人员提供行为预测结果,提高销售人员的工作效率,提升成交率。
为实现上述目的,本发明采用的技术方案为:
一种基于用户画像的用户行为预测方法,其包括以下步骤:
a.收集营销系统采集的访客数据,并根据所述访客数据进行提取访客的用户信息和用户行为,得到用户画像;
b.利用关联规则挖掘算法将不同类别的用户信息之间、用户信息与用户行为之间、不同的用户行为之间进行关联处理,得到关联信息;
c.利用LDA主题模型对所述关联信息进行训练;
d.获取当前访客的访客数据,并提取当前访客的用户信息和历史行为;
e.将当前访客的用户信息和/或历史行为输入所述LDA主题模型进行预测,得到当前访客的意图行为。
优选的,所述的步骤a中,所述访客的用户信息包括以下一种以上:访客的ID、性别、年龄、职业、收入水平、地址、上网设备、访客来源;所述访客的用户行为包括以下一种以上:商品的搜索行为、商品的咨询行为、商品的浏览行为、商品的交易行为。
优选的,所述的步骤b中,所述关联信息包括不同类别的用户信息之间、用户信息与用户行为之间、不同的用户行为之间的置信度和支持度;所述的步骤e中,进一步根据所述置信度和支持度预测得到当前访客的意图行为的成交率。
进一步的,所述的步骤e中,所述的当前访客的意图行为包括两个以上,并进一步将所述意图行为按照成交率由高到低的顺序进行排列。
优选的,所述的步骤e中,进一步判断所述当前访客为新访客或老访客;当所述当前访客为老访客时,则将当前访客的用户信息和历史行为输入所述LDA主题模型进行预测,得到当前访客的意图行为;若所述当前访客为新访客时,则将当前访客的用户信息输入所述LDA主题模型进行预测,得到当前访客的意图行为。
对应的,本发明还提供了与上述一种基于用户画像的用户行为预测方法相对应的预测系统,其包括:
用户画像构建模块,用于收集营销系统采集的访客数据,并根据所述访客数据进行提取访客的用户信息和用户行为,得到用户画像;
关联规则生成模块,其利用关联规则挖掘算法将不同类别的用户信息之间、用户信息与用户行为之间、不同的用户行为之间进行关联处理,得到关联信息;
模型训练模块,其利用LDA主题模型对所述关联信息进行训练;
访客数据提取模块,用于获取当前访客的访客数据,并提取当前访客的用户信息和历史行为;
模型预测模块,其将当前访客的用户信息和/或历史行为输入所述LDA主题模型进行预测,得到当前访客的意图行为。
进一步的,还包括新老访客判断模块,用于判断所述当前访客为新访客或老访客;当所述当前访客为老访客时,则将当前访客的用户信息和历史行为输入所述LDA主题模型进行预测,得到当前访客的意图行为;若所述当前访客为新访客时,则将当前访客的用户信息输入所述LDA主题模型进行预测,得到当前访客的意图行为。
本发明的有益效果是:
本发明的一种基于用户画像的用户行为预测方法及系统,其通过收集营销系统采集的访客数据,并根据所述访客数据进行提取访客的用户信息和用户行为,得到用户画像;并利用关联规则挖掘算法将不同类别的用户信息之间、用户信息与用户行为之间、不同的用户行为之间进行关联处理,得到关联信息,以及利用LDA主题模型对所述关联信息进行训练;预测时,获取当前访客的访客数据,并提取当前访客的用户信息和历史行为;并将当前访客的用户信息和/或历史行为输入所述LDA主题模型进行预测,得到当前访客的意图行为,从而能够为销售人员提供行为预测结果,为销售人员提供决策参考,节约其数据分析时间和沟通时间,提高销售人员的工作效率,提升成交率。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本发明的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明一种基于用户画像的用户行为预测方法的流程总图;
图2为本发明一种基于用户画像的用户行为预测方法的预测流程示意图;
图3为本发明一种基于用户画像的用户行为预测系统的结构示意图。
具体实施方式
为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚、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用以解释本发明,并不用于限定本发明。
如图1所示,本发明的一种基于用户画像的用户行为预测方法,其包括以下步骤:
a.收集营销系统采集的访客数据,并根据所述访客数据进行提取访客的用户信息和用户行为,得到用户画像;
b.利用关联规则挖掘算法将不同类别的用户信息之间、用户信息与用户行为之间、不同的用户行为之间进行关联处理,得到关联信息;
c.利用LDA主题模型对所述关联信息进行训练;
d.获取当前访客的访客数据,并提取当前访客的用户信息和历史行为;
e.将当前访客的用户信息和/或历史行为输入所述LDA主题模型进行预测,得到当前访客的意图行为。
所述的步骤a中,所述访客的用户信息包括以下一种以上:访客的ID、性别、年龄、职业、收入水平、地址、上网设备、访客来源,例如,访客来源包括直接访问、搜索引擎、网站链接等等;所述访客的用户行为包括以下一种以上:商品的搜索行为、商品的咨询行为、商品的浏览行为、商品的交易行为。本实施例中,进一步通过聚类算法对用户信息和用户行为进行分类。
所述的步骤b中,所述关联规则是指支持度和置信度分别满足用户给定阈值的规则。所谓关联,反映的是一个事件和其他事件之间依赖或关联的知识。设I={i1,i2…,im}为所有项目的集合,设A是一个由项目构成的集合,称为项集。事务T是一个项目子集,每一个事务具有唯一的事务标识Tid。事务T包含项集A,当且仅当AT。如果项集A中包含k个项目,则称其为k项集。D为事务数据库,项集A在事务数据库D中出现的次数占D中总事务的百分比叫做项集的支持度(support)。如果项集的支持度超过用户给定的最小支持度阈值,就称该项集是频繁项集(或大项集)。关联规则就是形如XY的逻辑蕴含关系,其中XI,YI且XY=Φ,X称作规则的前件,Y是结果,对于关联规则XY,存在支持度和置信度。其中,支持度是指规则中所出现模式的频率,如果事务数据库有s%的事务包含XY,则称关联规则XY在D中的支持度为s%,实际上,可以表示为概率P(XY),即support(XY)=P(XY)。置信度是指蕴含的强度,即事务D中c%的包含X的交易同时包含XY。若X的支持度是support(x),规则的置信度为即为:support(XY)/support(X),这是一个条件概率P(Y|X),即confidence(XY)=P(Y|X)。所述事件即本实施例中所述的用户信息和用户行为。
本实施例中,是指将访客的ID、性别、年龄、职业、收入水平、地址、上网设备、访客来源等用户信息与访客的商品的搜索行为、商品的咨询行为、商品的浏览行为、商品的交易行为等用户行为进行关联处理。所述关联信息包括不同类别的用户信息之间、用户信息与用户行为之间、不同的用户行为之间的置信度和支持度;所述的步骤e中,进一步根据所述置信度和支持度预测得到当前访客的意图行为的成交率。本实施例中,所述的步骤e中,当所述的当前访客的意图行为包括两个以上时,进一步将所述意图行为按照成交率由高到低的顺序进行排列,或者仅展示成交率较高的前几个意图行为,并忽略成交率低于预设值的意图行为,以避免信息过于冗长,不利于销售人员快速获取有用信息。
所述的步骤c中,所述LDA(Latent Dirichlet Allocation)主题模型是一个三层贝叶斯概率模型,包含词、主题和文档三层结构。文档到主题服从多项式分布,主题到词服从多项式分布。即,每一篇文档代表了一些主题所构成的一个概率分布,而每一个主题又代表了很多单词所构成的一个概率分布。本实施例中,以用户信息、用户行为、预测行为作为所述LDA主题模型的三层结构,通过计算三者之间的概率分布关系得到所述关联信息,并利用所述LDA主题模型对所述关联信息进行训练和预测。
如图2所示,所述的步骤e中,进一步判断所述当前访客为新访客或老访客;当所述当前访客为老访客时,则将当前访客的用户信息和历史行为输入所述LDA主题模型进行预测,得到当前访客的意图行为;若所述当前访客为新访客时,则将当前访客的用户信息输入所述LDA主题模型进行预测,得到当前访客的意图行为。例如,新旧访客的判断方式主要是根据采集的用户信息,如果用户信息中包括用户的ID(唯一注册号、设备硬件号等),则以此直接进行判断,如果无法获取到代表用户唯一性的标签,只获取到性别、年龄、职业、收入水平、地址、上网设备、访客来源等用户信息,则设定一个阈值;比如所采集的用户信息有20项,当有18项与之前的一种访客相同时,即认为是同一个访客,如果匹配值低于阈值,则认为是新访客。对于新访客的预测方式为,根据采集的用户信息的匹配程度,系统会用同类型访客的用户行为进行参考来预测意图行为。即,虽然该访客是第一次来访,但与之相似的大部分访客以前的行为,会和他的行为比较接近。
举例如下:
当前有一个访客进入与客服对话界面,系统采集到的该访客信息如下:性别男、来自北京、职业白领、收入约1万元,上网设备为移动设备,来源为直接访问;两天前来访过,浏览了部分冬天的服装商品,并且询问了一款羽绒服的价格后离开。
系统经过模型输入采集到的用户数据,结合此前的训练,得到直接结论:访客第二次到来,根据数据库中的同类型用户数据预测,该访客有60%的支持度购买冬季服装,根据访客上次来访信息,该访客有90%的置信度购买某款羽绒服。客服在第一时间得到这些预测行为,将有利于接下来和访客的直接沟通,促成交易行为。
如图3所示,本发明还提供了与上述一种基于用户画像的用户行为预测方法相对应的预测系统,其包括:
用户画像构建模块,用于收集营销系统采集的访客数据,并根据所述访客数据进行提取访客的用户信息和用户行为,得到用户画像;
关联规则生成模块,其利用关联规则挖掘算法将不同类别的用户信息之间、用户信息与用户行为之间、不同的用户行为之间进行关联处理,得到关联信息;
模型训练模块,其利用LDA主题模型对所述关联信息进行训练;
访客数据提取模块,用于获取当前访客的访客数据,并提取当前访客的用户信息和历史行为;
模型预测模块,其将当前访客的用户信息和/或历史行为输入所述LDA主题模型进行预测,得到当前访客的意图行为。
进一步的,还包括新老访客判断模块,用于判断所述当前访客为新访客或老访客;当所述当前访客为老访客时,则将当前访客的用户信息和历史行为输入所述LDA主题模型进行预测,得到当前访客的意图行为;若所述当前访客为新访客时,则将当前访客的用户信息输入所述LDA主题模型进行预测,得到当前访客的意图行为。
需要说明的是,本说明书中的各个实施例均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的部分互相参见即可。对于系统实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
上述说明示出并描述了本发明的优选实施例,应当理解本发明并非局限于本文所披露的形式,不应看作是对其他实施例的排除,而可用于各种其他组合、修改和环境,并能够在本文发明构想范围内,通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围,则都应在本发明所附权利要求的保护范围内。
Claims (7)
1.一种基于用户画像的用户行为预测方法,其特征在于,包括以下步骤:
a.收集营销系统采集的访客数据,并根据所述访客数据进行提取访客的用户信息和用户行为,得到用户画像;
b.利用关联规则挖掘算法将不同类别的用户信息之间、用户信息与用户行为之间、不同的用户行为之间进行关联处理,得到关联信息;
c.利用LDA主题模型对所述关联信息进行训练;
d.获取当前访客的访客数据,并提取当前访客的用户信息和历史行为;
e.将当前访客的用户信息和/或历史行为输入所述LDA主题模型进行预测,得到当前访客的意图行为。
2.根据权利要求1所述的用户行为预测方法,其特征在于:所述的步骤a中,所述访客的用户信息包括以下一种以上:访客的ID、性别、年龄、职业、收入水平、地址、上网设备、访客来源;所述访客的用户行为包括以下一种以上:商品的搜索行为、商品的咨询行为、商品的浏览行为、商品的交易行为。
3.根据权利要求1所述的用户行为预测方法,其特征在于:所述的步骤b中,所述关联信息包括不同类别的用户信息之间、用户信息与用户行为之间、不同的用户行为之间的置信度和支持度;所述的步骤e中,进一步根据所述置信度和支持度预测得到当前访客的意图行为的成交率。
4.根据权利要求3所述的用户行为预测方法,其特征在于:所述的步骤e中,所述的当前访客的意图行为包括两个以上,并进一步将所述意图行为按照成交率由高到低的顺序进行排列。
5.根据权利要求1至4任一项所述的用户行为预测方法,其特征在于:所述的步骤e中,进一步判断所述当前访客为新访客或老访客;当所述当前访客为老访客时,则将当前访客的用户信息和历史行为输入所述LDA主题模型进行预测,得到当前访客的意图行为;若所述当前访客为新访客时,则将当前访客的用户信息输入所述LDA主题模型进行预测,得到当前访客的意图行为。
6.一种基于用户画像的用户行为预测系统,其特征在于,包括:
用户画像构建模块,用于收集营销系统采集的访客数据,并根据所述访客数据进行提取访客的用户信息和用户行为,得到用户画像;
关联规则生成模块,其利用关联规则挖掘算法将不同类别的用户信息之间、用户信息与用户行为之间、不同的用户行为之间进行关联处理,得到关联信息;
模型训练模块,其利用LDA主题模型对所述关联信息进行训练;
访客数据提取模块,用于获取当前访客的访客数据,并提取当前访客的用户信息和历史行为;
模型预测模块,其将当前访客的用户信息和/或历史行为输入所述LDA主题模型进行预测,得到当前访客的意图行为。
7.根据权利要求6所述的用户行为预测系统,其特征在于:还包括新老访客判断模块,用于判断所述当前访客为新访客或老访客;当所述当前访客为老访客时,则将当前访客的用户信息和历史行为输入所述LDA主题模型进行预测,得到当前访客的意图行为;若所述当前访客为新访客时,则将当前访客的用户信息输入所述LDA主题模型进行预测,得到当前访客的意图行为。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810027465.4A CN108182605A (zh) | 2018-01-11 | 2018-01-11 | 一种基于用户画像的用户行为预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810027465.4A CN108182605A (zh) | 2018-01-11 | 2018-01-11 | 一种基于用户画像的用户行为预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108182605A true CN108182605A (zh) | 2018-06-19 |
Family
ID=62550415
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810027465.4A Pending CN108182605A (zh) | 2018-01-11 | 2018-01-11 | 一种基于用户画像的用户行为预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108182605A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109299997A (zh) * | 2018-09-03 | 2019-02-01 | 中国平安人寿保险股份有限公司 | 产品推荐方法、装置及计算机可读存储介质 |
CN109993507A (zh) * | 2019-04-17 | 2019-07-09 | 王亚萍 | 一种先导式纳税服务系统 |
CN109993649A (zh) * | 2019-03-13 | 2019-07-09 | 王亚萍 | 一种先导式纳税咨询服务推送方法 |
CN110489453A (zh) * | 2019-07-02 | 2019-11-22 | 广东工业大学 | 基于大数据日志分析的用户游戏实时推荐方法及系统 |
CN110781374A (zh) * | 2018-07-13 | 2020-02-11 | 北京字节跳动网络技术有限公司 | 用户数据匹配方法、装置、电子设备和计算机可读介质 |
CN110989391A (zh) * | 2019-12-25 | 2020-04-10 | 珠海格力电器股份有限公司 | 一种控制设备的方法、装置、控制设备及存储介质 |
CN112825178A (zh) * | 2019-11-21 | 2021-05-21 | 北京沃东天骏信息技术有限公司 | 一种预测用户性别画像的方法和装置 |
CN113010780A (zh) * | 2021-03-11 | 2021-06-22 | 北京三快在线科技有限公司 | 一种模型训练以及点击率预估方法及装置 |
CN117407571A (zh) * | 2023-12-14 | 2024-01-16 | 天津畅玩网络科技有限公司 | 一种基于相关性分析的信息技术咨询服务方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105678570A (zh) * | 2015-12-31 | 2016-06-15 | 北京京东尚科信息技术有限公司 | 电子商务潜在用户识别的方法和装置 |
CN106844787A (zh) * | 2017-03-16 | 2017-06-13 | 四川大学 | 一种为汽车行业寻找目标用户并匹配目标产品的推荐方法 |
CN106919997A (zh) * | 2015-12-28 | 2017-07-04 | 航天信息股份有限公司 | 一种基于lda的电子商务的用户消费预测方法 |
CN107194715A (zh) * | 2017-04-07 | 2017-09-22 | 广东精点数据科技股份有限公司 | 社会行为数据模型的构建方法 |
CN107507042A (zh) * | 2017-09-15 | 2017-12-22 | 携程计算机技术(上海)有限公司 | 基于用户画像的营销方法及系统 |
-
2018
- 2018-01-11 CN CN201810027465.4A patent/CN108182605A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106919997A (zh) * | 2015-12-28 | 2017-07-04 | 航天信息股份有限公司 | 一种基于lda的电子商务的用户消费预测方法 |
CN105678570A (zh) * | 2015-12-31 | 2016-06-15 | 北京京东尚科信息技术有限公司 | 电子商务潜在用户识别的方法和装置 |
CN106844787A (zh) * | 2017-03-16 | 2017-06-13 | 四川大学 | 一种为汽车行业寻找目标用户并匹配目标产品的推荐方法 |
CN107194715A (zh) * | 2017-04-07 | 2017-09-22 | 广东精点数据科技股份有限公司 | 社会行为数据模型的构建方法 |
CN107507042A (zh) * | 2017-09-15 | 2017-12-22 | 携程计算机技术(上海)有限公司 | 基于用户画像的营销方法及系统 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110781374A (zh) * | 2018-07-13 | 2020-02-11 | 北京字节跳动网络技术有限公司 | 用户数据匹配方法、装置、电子设备和计算机可读介质 |
CN109299997A (zh) * | 2018-09-03 | 2019-02-01 | 中国平安人寿保险股份有限公司 | 产品推荐方法、装置及计算机可读存储介质 |
CN109993649A (zh) * | 2019-03-13 | 2019-07-09 | 王亚萍 | 一种先导式纳税咨询服务推送方法 |
CN109993507A (zh) * | 2019-04-17 | 2019-07-09 | 王亚萍 | 一种先导式纳税服务系统 |
CN110489453A (zh) * | 2019-07-02 | 2019-11-22 | 广东工业大学 | 基于大数据日志分析的用户游戏实时推荐方法及系统 |
CN112825178A (zh) * | 2019-11-21 | 2021-05-21 | 北京沃东天骏信息技术有限公司 | 一种预测用户性别画像的方法和装置 |
CN110989391A (zh) * | 2019-12-25 | 2020-04-10 | 珠海格力电器股份有限公司 | 一种控制设备的方法、装置、控制设备及存储介质 |
CN113010780A (zh) * | 2021-03-11 | 2021-06-22 | 北京三快在线科技有限公司 | 一种模型训练以及点击率预估方法及装置 |
CN117407571A (zh) * | 2023-12-14 | 2024-01-16 | 天津畅玩网络科技有限公司 | 一种基于相关性分析的信息技术咨询服务方法及系统 |
CN117407571B (zh) * | 2023-12-14 | 2024-02-09 | 天津畅玩网络科技有限公司 | 一种基于相关性分析的信息技术咨询服务方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108182605A (zh) | 一种基于用户画像的用户行为预测方法及系统 | |
Feng et al. | An expert recommendation algorithm based on Pearson correlation coefficient and FP-growth | |
CN102193936B (zh) | 一种数据分类的方法及装置 | |
Liu et al. | Analyzing changes in hotel customers’ expectations by trip mode | |
CN102279851B (zh) | 一种智能导航方法、装置和系统 | |
CN104077407B (zh) | 一种智能数据搜索系统及方法 | |
US9946775B2 (en) | System and methods thereof for detection of user demographic information | |
CN107784092A (zh) | 一种推荐热词的方法、服务器及计算机可读介质 | |
CN109918560A (zh) | 一种基于搜索引擎的问答方法和装置 | |
CN103514181B (zh) | 一种搜索方法和装置 | |
CN102456057B (zh) | 基于网上交易平台的检索方法、装置和服务器 | |
CN107918818A (zh) | 基于大数据技术的供应链管理决策支持系统 | |
CN107193883B (zh) | 一种数据处理方法和系统 | |
KR102458510B1 (ko) | 실시간 보완 가능한 마케팅 시스템 | |
CN105787662A (zh) | 基于属性的移动应用软件性能预测方法 | |
CN107506472A (zh) | 一种学生浏览网页分类方法 | |
CN107729377A (zh) | 基于数据挖掘的顾客分类方法与系统 | |
CN113239268B (zh) | 一种商品推荐方法、装置及系统 | |
CN110019703A (zh) | 数据标记方法及装置、智能问答方法及系统 | |
CN106649308B (zh) | 一种分词词库更新方法及系统 | |
CN113592197A (zh) | 一种家政服务推荐系统及方法 | |
CN106202498A (zh) | 一种基于分类语料库‑关键词词频‑记录关联的网络行为习惯量化方法 | |
CN115827956A (zh) | 一种数据信息检索方法、装置、电子设备及存储介质 | |
Sun et al. | One real-time personalized recommendation systems based on slope one algorithm | |
CN108875014B (zh) | 基于大数据与人工智能的精准项目推荐方法和机器人系统 |
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: 20180619 |