CN108875761A - 一种拓展潜在用户的方法及装置 - Google Patents
一种拓展潜在用户的方法及装置 Download PDFInfo
- Publication number
- CN108875761A CN108875761A CN201710331732.2A CN201710331732A CN108875761A CN 108875761 A CN108875761 A CN 108875761A CN 201710331732 A CN201710331732 A CN 201710331732A CN 108875761 A CN108875761 A CN 108875761A
- Authority
- CN
- China
- Prior art keywords
- user
- model
- motivation
- behavioral data
- positive sample
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例公开了一种拓展潜在用户的方法,包括:获取多个正样本用户的行为数据和多个负样本用户的行为数据,根据多个行为模式对多个正样本用户以及多个负样本用户中的每个用户进行行为模式匹配计算,得到每个用户的匹配结果,根据每个用户的匹配结果训练动机模型,根据每个用户的匹配结果、标签信息以及动机模型训练预测模型,标签信息用于指示用户为正样本或者为负样本,根据目标用户的行为数据通过预测模型计算目标用户满足预设条件的概率。使得每个行为模式与每个动机的关联强度更为准确,使得预测模型能够根据具体的某一个用户的行为数据预测出该用户满足预设条件的概率,提高了对潜在用户的预测效果。
Description
技术领域
本申请涉及数据处理领域,尤其涉及一种拓展潜在用户的方法及装置。
背景技术
现在很多电信公司为了吸引更多用户,不断地推陈出新,针对性地推出了各种优惠服务和便利套餐。比如,国际漫游套餐便是为出国人群打造的一款套餐。对于国际漫游套餐的推广而言,如何精准定位那些有出国意向的人群,是成功推广这款套餐的关键所在。更形象地说,假如我们拥有了用户在过去一段时间的行为数据,比如通话记录,手机App的使用记录,搜索记录等,我们希望能够利用这些历史行为数据去预测用户的出国意向,从而给用户推荐国际漫游套餐以及相应的增值套餐。如果用户有出国意向,而且没有开通过国际漫游套餐,可以推荐其开通;如果用户有意向出国,并且已经开通了国际漫游套餐,则可以推荐其开通一些与出国相关的增值套餐,如在国外的资费包日费等。那么如何根据用户的行为数据去预测其出国意向,从而推广国际漫游套餐给运营商带来更多的收益呢。
现有的技术方案中,是通过利用预设规则进行出国人群预测,会根据用户的行为建立一些简易规则,例如:规则(1)使用了某种出国倾向性强的App(如穷游、Booking等) 若干次以上的人群,则认为会出国;规则(2)用户出国前都会上网搜索或查询一些出国相关信息,可以人工收集用户的这些搜索关键字或短语等“短文本”信息,比如“签证如何办理”、“美国北海岸自驾游”、“A岛环岛攻略”等等,再对搜索记录进行统计,当统计个数超过某个阈值就认为此人会出国。规则(3)统计用户的通话记录中拨打某些类别的黄页号码(如机场、旅行社、航空公司等)的通话次数,通话次数超过某个阈值则认为会出国。
由于基于规则的方法需要确定阈值,这样会导致潜在营销客户群覆盖面太广或者太窄而无法实现精准的潜在客户定位。例如:阈值选得很低,规则产生的目标用户群人数往往过多(规则限定范围宽松),覆盖率较高但是准确率很低;阈值如果选得很高,则产生的人群数量过少(规则限定范围局限),准确率较高但是覆盖率很低,从而使得预测效果不佳。
发明内容
本申请实施例提供了一种拓展潜在用户的方法和装置,用于实现对潜在用户预测的覆盖率和准确率之间的平衡,提高对潜在用户的预测效果。
本申请实施例第一方面提供一种拓展潜在用户的方法,包括:
从用户行为数据库中获取多个正样本用户的行为数据和多个负样本用户的行为数据,其中,正样本用户指的是满足预设条件的用户,负样本用户是不满足预设条件的用户,以预设条件为出国为例,正样本用户为已经出国或出过国的用户,负样本用户为未出过国的用户。行为数据指的是用户的一些特定操作行为,比如正样本用户在出过前一段时间内通过关键词搜索过出国攻略、签证办理,使用过出国旅游用的应用软件程序。需要说明的是,多个正样本用户的行为数据和多个负样本用户的行为数据数量可以相同,也可以不同,两者数量越多,对于后续模型的训练所得到的效果就越好。
根据多个正样本用户的行为数据确定多个行为模式,为了便于计算和统计,可为用户的行为数据和行为模式设置有映射表,可通过该映射表确定多个行为模式,比如用户搜索“如何办理签证”,可在映射表中对应为“关于签证相关”。
根据多个行为模式对多个正样本用户以及多个负样本用户中的每个用户进行行为模式匹配计算,得到每个用户的匹配结果,匹配结果用于指示用户的行为数据与多个行为模式的匹配情况;在匹配后,对于每个用户都得到一个匹配数据集合,该集合中即对应了该用户具备哪些行为模式,和不具备哪些行为模式。
根据每个用户的匹配结果训练动机模型;动机模型用于指示多个动机与多个行为模式的关联强度,其中,多个动机包括正样本动机和负样本动机,由于每个行为模式不一定只有一个动机,而该行为模式所对应的多个动机可以包含正样本动机,也可以包含负样本动机,动机之间是独立的,但是行为模式之间是有耦合的,通过对动机模型的训练,使得行为模式之间的耦合性变弱,才能够体现出每个行为模式的概率是比较客观。
根据每个用户的匹配结果、标签信息以及动机模型训练预测模型,标签信息用于指示用户为正样本或者为负样本;预测模型是用于根据一个用户的行为数据判断该用户满足预设条件的概率,比如,预设条件为出国,将某一个用户的行为数据所对应的与行为模式的匹配结果输入预测模型,则能够判断出该用户可能即将出国的概率是多少。
根据目标用户的行为数据通过预测模型计算目标用户满足预设条件的概率。
一种可能的实现方式中,根据每个用户的匹配结果训练动机模型,包括如下步骤:
步骤一:为矩阵模型中每个值设置初始值;
步骤二:将第一用户的匹配结果与每个初始值计算得到矩阵模型的结果值;
步骤三:通过结果值预估第一用户的行为数据得到预估结果;
步骤四:判断预估结果与第一用户的匹配结果是否匹配,若不匹配,调整矩阵模型的结果值,重新执行步骤二;若匹配,继续执行步骤二,其中,将第一用户替换为第二用户;当预估结果与用户的匹配结果的匹配正确度稳定时则结束训练。需要说明的是,本申请实施例还可以通过另一种结束训练的方式,即当所有的参与训练的用户均进行输入训练后,则结束训练。
另一种可能的实现方式中,根据每个用户的匹配结果、标签信息以及动机模型训练预测模型,包括:
步骤一:为预设模型设置初始权重值;
步骤二:根据第一用户的匹配结果与训练后的动机模型计算得到输出值;
步骤三:根据输出值与预测模型的权重值计算得到正样本概率值;
步骤四:根据正样本概率值匹配第一用户的标签信息,若不符合,调整预测模型的权重值,重新执行步骤二;若符合,继续执行步骤二,其中,将第一用户替换为第二用户;当正样本概率值与用户的标签信息的匹配结果的匹配正确度稳定时则结束训练。需要说明的是,本申请实施例还可以通过另一种结束训练的方式,即当所有的参与训练的用户均进行输入训练后,则结束训练。
另一种可能的实现方式中,根据多个正样本用户的行为数据确定多个行为模式,包括:
根据多个正样本用户的行为数据以及映射表确定行为模式集合,其中,映射表中包含用户的行为数据与行为模式的映射关系;
根据目标行为模式的支持度从行为模式集合中确定多个行为模式,其中,支持度为包含目标行为模式的用户的数量与多个正样本用户的数量的比值。
由于不同的用户所产生的行为数据不相同,因此,若每个用户对应一种行为模式,那将存在大量的行为模式,不便后续的计算与统计,因此,可以根据一个或几个比较常见的,或者与出国动机关联比较强的行为模式作为目标行为模式,计算该目标行为模式在整个用户群体中的支持度,从而根据该支持度筛选出一部分行为模式。
本申请实施例第二方面提供一种拓展潜在用户的装置,包括:
获取单元,用于获取多个正样本用户的行为数据和多个负样本用户的行为数据;
确定单元,用于根据多个正样本用户的行为数据确定多个行为模式;
匹配单元,用于根据多个行为模式对多个正样本用户以及多个负样本用户中的每个用户进行行为模式匹配计算,得到每个用户的匹配结果,匹配结果用于指示用户的行为数据与多个行为模式的匹配情况;
第一训练单元,用于根据每个用户的匹配结果训练动机模型;动机模型用于指示多个动机与多个行为模式的关联强度,其中,多个动机包括正样本动机和负样本动机;
第二训练单元,用于根据每个用户的匹配结果、标签信息以及动机模型训练预测模型,标签信息用于指示用户为正样本或者为负样本;
计算单元,用于根据目标用户的行为数据通过预测模型计算目标用户满足预设条件的概率。
本申请实施例第三方面提供一种拓展潜在用户的装置,该装置包括:处理器、存储器、收发器,处理器、存储器以及收发器通过总线连接,存储器存储有计算机指令,处理器通过执行所述计算机指令用于实现如下方法:
获取多个正样本用户的行为数据和多个负样本用户的行为数据;
根据所述多个正样本用户的行为数据确定多个行为模式;
根据所述多个行为模式对所述多个正样本用户以及所述多个负样本用户中的每个用户进行行为模式匹配计算,得到每个用户的匹配结果,所述匹配结果用于指示用户的行为数据与所述多个行为模式的匹配情况;
根据每个用户的匹配结果训练动机模型;所述动机模型用于指示多个动机与所述多个行为模式的关联强度,其中,所述多个动机包括正样本动机和负样本动机;
根据每个用户的匹配结果、标签信息以及所述动机模型训练预测模型,所述标签信息用于指示用户为正样本或者为负样本;
根据目标用户的行为数据通过所述预测模型计算所述目标用户满足预设条件的概率。
本申请实施例第四方面提供一种计算机可读存储介质,包括指令,当其在计算机上运行时,使得计算机执行如第一方面所提供的任意一项所述的拓展潜在用户的方法的流程。
本申请实施例第五方面提供一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行如第一方面任意一项所述的拓展潜在用户的方法的流程。
从以上技术方案可以看出,本申请实施例具有以下优点:
通过正样本的数据和负样本的数据以及多个动机进行动机模型的训练,使得每个行为模式之间的耦合性变弱,使得每个行为模式与每个动机的关联强度更为准确,再通过每个用户的匹配结果、标签信息以及动机模型训练预测模型,使得预测模型能够根据具体的某一个用户的行为数据预测出该用户满足预设条件的概率,提高了对潜在用户的预测效果。
附图说明
图1为本申请实施例中拓展潜在用户的方法所应用的一个系统架构示意图;
图2为本申请实施例中拓展潜在用户的方法的一个实施例示意图;
图3为本申请实施例中拓展潜在用户的装置的一个实施例示意图;
图4为本申请实施例中拓展潜在用户的装置的另一实施例示意图;
图5为本申请实施例中拓展潜在用户的装置的另一实施例示意图;
图6为本申请实施例中动机模型中动机变量与行为模式之间的隐含概率关系示意图。
具体实施方式
本申请实施例提供了一种一种拓展潜在用户的方法和装置,用于实现对潜在用户预测的覆盖率和准确率之间的平衡,提高对潜在用户的预测效果。
参照图1所示,图1为本申请实施例中拓展潜在用户的方法所应用的系统架构示意图。该系统架构中包括行为数据库、特征变换模块、样本采集模块、行为模式匹配模块、动机模型训练模块以及预测模型训练模块,其中:
行为数据库,用于存储所采集到的所有用户的行为数据,该行为数据包括用户由于目标动机而可能产生的操作行为,比如目标动机为出国,那可能的操作行为可以包括三个维度:通话记录,手机App的使用记录,手机上的搜索记录。具体的行为数据可以为使用某旅游酒店相关的App,或者拨打旅行社的号码,或者搜索如何办理签证等行为。
特征变换模块,用于将用户的具体操作数据转换为固定的行为数据。由于每个用户的具体操作数据几乎都不相同,为了能够方便计算和统计,可以将具体的操作数据转换为预先设置的固定的行为数据,比如,用户通过浏览器搜索了“签证如何办理”则可以转换为“签证相关”的行为数据;用户通过App搜索了“穷游”,则可以转换为“旅游酒店相关”,用户拨打某旅行社的电话,则可以转换为“旅行社号码”,把该用户的行为数据按照时间线进行组合得到“搜索记录:签证相关→App记录:旅游酒店相关→通话记录:旅行社号码”,这一组数据则可以作为一个行为模式。
样本采集模块,用于从进行变换特征后的用户中选择出正样本用户和负样本用户,确定正样本用户和负样本用户的方式可以通过获取当前一段时间内用户的行为数据,比如地理位置信息,若设置出国的用户为正样本用户,未出国的用户为负样本用户,那么则可以根据地理位置信息确定当前哪些是正样本用户,哪些是负样本用户。样本的采集可以是随机的,也可以是按照响应的采集规则的,样本采集的数量也可以根据实际情况而定,具体不做限定。
行为模式匹配模块,用于正样本用户和负样本用户的行为数据根据确定的行为模式进行匹配,比如,使用0或1来表示匹配结果,其中0表示该用户的行为数据与所对应的行为模式不匹配,1表示匹配,由于存在多个行为模式,所以每个用户的匹配结果是一个集合,比如为{0,1,1,1,1,0…1}。
动机模型训练模块,用于根据每个用户的匹配结果训练动机模型;动机模型用于指示多个动机与多个行为模式的关联强度,其中,多个动机包括正样本动机和负样本动机。由于用户产生一个行为操作可能的动机包括多个,有可能是出国的动机,也可能不是出国的动机,因此,将多个动机与多个行为模式进行关联强度的训练,从而减小行为模式之间的耦合性,使得每个行为模式所对应的动机的关联强度更为客观。
预测模型训练模块,用于根据每个用户的匹配结果、标签信息以及动机模型训练预测模型,其中,标签信息用于指示用户为正样本或者为负样本。预测模型相当于一个回归分类器,不仅可以给出样本的分类类别,还能给出样本属于某个类别的概率。将动机模型的输出,即多个动机的概率分布作为预测模型的输入,训练一个分类器,这个分类器会给出用户的一个出国概率值。
通过正样本的数据和负样本的数据以及多个动机进行动机模型的训练,使得每个行为模式之间的耦合性变弱,使得每个行为模式与每个动机的关联强度更为准确,再通过每个用户的匹配结果、标签信息以及动机模型训练预测模型,使得预测模型能够根据具体的某一个用户的行为数据预测出该用户满足预设条件的概率,提高了对潜在用户的预测效果。
参照图2所示,本申请实施例中一种拓展潜在用户的方法的一个实施例包括:
101、获取多个正样本用户的行为数据和多个负样本用户的行为数据。
若设置出国的用户为正样本用户,未出国的用户为负样本用户,那么则可以根据地理位置信息确定当前哪些是正样本用户,哪些是负样本用户。样本的采集可以是随机的,也可以是按照响应的采集规则的,样本采集的数量也可以根据实际情况而定,具体不做限定。行为数据可以为一段时间内的行为数据,比如正样本用户出国前一个月内的行为数据,和负样本用户当前时刻前一个月内的行为数据。需要说明的是,用户的行为数据可以是经过特征变换后的固定行为数据。
102、根据所述多个正样本用户的行为数据确定多个行为模式。
一个用户的一组行为数据,可以作为一个行为模式,或者一个用户的一个行为数据,也可以作为一个行为模式。比如用户进行了拨打旅行社电话的操作,那么拨打旅行社号码可作为一个行为模式,或者,用户先拨打旅行社电话,又在网上搜索了如何办理签证,那么,拨打旅行社号码和签证相关这一组行为数据也可以作为一个行为模式。不同的动作时序不一样,也可以看作不一样的行为模式,比如,先拨打旅行社号码和后查询签证相关这一组行为数据所形成的行为模式,与先查询签证相关和后拨打旅行社电话这一组行为数据所形成的行为模式不相同。
一种可能的实现方式中,根据所述多个正样本用户的行为数据确定多个行为模式,具体可以为:
根据所述多个正样本用户的行为数据以及映射表确定多个行为模式,其中,所述映射表中包含用户的行为数据与行为模式的映射关系。
通过该实现方式,则多个正样本用户中存在多少组行为数据,则确定相应数目的行为模式。
另一种可能的实现方式中,根据所述多个正样本用户的行为数据确定多个行为模式,具体还可以为:
根据所述多个正样本用户的行为数据以及映射表确定行为模式集合,其中,所述映射表中包含用户的行为数据与行为模式的映射关系;
根据目标行为模式的支持度从所述行为模式集合中确定多个行为模式,其中,所述支持度为包含所述目标行为模式的用户的数量与所述多个正样本用户的数量的比值。
通过该实现方式,由于若每个一组行为数据对应一个行为模式的话,可能导致所得到的行为模式过多,从而不便于计算和统计,因此,可以通过支持度的方式筛减一些行为模式。比如,通过确定一个与出国动机比较强烈的行为模式作为目标行为模式,再计算所有用户中具有该行为模式的支持度,从而通过该支持度得到多个行为模式。
103、根据所述多个行为模式对所述多个正样本用户以及所述多个负样本用户中的每个用户进行行为模式匹配计算,得到每个用户的匹配结果,所述匹配结果用于指示用户的行为数据与所述多个行为模式的匹配情况。
具体做法是,将每一样本映射成一个维数与时序行为模式库中模式数量相同的向量,其中每一维度对应一个行为模式。如果样本具有某个行为模式,则在向量对应的分量上置 1。假设时序行为模式库中一共有5000个模式,则每个样本要映射成一个5000维的向量。如果第一个模式是A,某样本具有模式A,则该样本对应的5000维向量的第一个分量取值为1。正例样本和负例样本都要做这个向量取值。
通过这样的方式,我们将每个样本的行为模式数据映射成0-1向量:(1,0,1,1,0,…,0)。这样,便于后续模型训练的计算。
104、根据每个用户的匹配结果训练动机模型;所述动机模型用于指示多个动机与所述多个行为模式的关联强度,其中,所述多个动机包括正样本动机和负样本动机。
如果观察到一个未知用户具有的行为模式v,那么该用户的出国概率有多少。为了估计出国概率,在观察到的行为模式向量和出国之间引入隐变量(即动机)。通过首先估计模式和隐变量之间的概率关系,进而估计出用户的出国概率。关于隐变量:一个人出现某些行为模式,会受到背后某些动机的影响。一个人出国的真实动机可能是留学,旅游,代购等,表现在行为上则是搜索签证如何办理,拨打机场电话,使用某些代购相关的App等。这些动机可以看作是隐变量。
受限玻尔兹曼机起源于统计物理学,是一种近年来提出来的概率图模型,可通过输入数据集学习数据中模式的概率分布,以及变量之间的隐含概率关系。一个标准的受限玻尔兹曼机如图6所示。v表示观测变量(visible variable),此处可理解为观测到的一个用户具有的行为模式。hj表示隐变量(hidden variable),可以理解为出国的动机。连线表示变量之间的依赖关系,权重系数矩阵为w1,该权重系数可以看作是一个用户具有的行为模式与出国动机之间的影响。该权重系数矩阵可以通过对输入数据进行多轮迭代学习出来,利用该权重可以确定观测变量和隐变量之间的概率依赖关系。受限玻尔兹曼机要求输入向量为0-1 向量,它的输出则是给定输入变量(观测变量)v,隐变量的一个概率分布,即知道了用户的行为模式,行为动机的一个概率分布。
本申请实施例中的动机模型可以为一个受限玻尔兹曼机模型。所述动机模型为矩阵模型,其中,所述多个行为模式作为所述矩阵模型的列,所述多个动机作为所述矩阵模型的行,所述矩阵模型中的每一个值用于指示所对应的动机与行为模式的关联强度。
所述根据每个用户的匹配结果训练动机模型,包括如下步骤:
步骤一:为所述矩阵模型中每个值设置初始值;
步骤二:将第一用户的匹配结果与所述每个初始值计算得到所述矩阵模型的结果值;
步骤三:通过所述结果值预估所述第一用户的行为数据得到预估结果;
步骤四:判断所述预估结果与所述第一用户的匹配结果是否匹配,若不匹配,调整所述矩阵模型的结果值,重新执行步骤二;若匹配,继续执行步骤二,其中,将第一用户替换为第二用户;当所述预估结果与用户的匹配结果的匹配正确度稳定时则结束训练。
具体的学习训练思想是,我们把人群具有的行为模式v作为输入,受限玻尔兹曼机会利用w1(即行为模式和隐变量之间的依赖关系)给出隐变量h的状态。因为隐变量h是出国的动机,这些动机决定了行为模式出现的可能性,因而知道了隐变量状态h是可以用来预测用户具有的行为模式v。因此,我们会利用h来还原输入的行为模式,假设利用h还原得到的行为模式为v1,如果v1与真实行为模式v有误差的话,则可以根据两者之间的误差来调整权重w1。经过多轮的调整,可以最终确定参数w1。这样也可以获得行为模式和隐变量之间的概率关系。
105、根据每个用户的匹配结果、标签信息以及所述动机模型训练预测模型,所述标签信息用于指示用户为正样本或者为负样本。
预测模型是一种回归分类器,不仅可以给出样本的分类类别,还能给出样本属于某个类别的概率。将预测模型的输出,即隐变量的概率分布作为回归分类器的输入,训练一个回归分类器,这个分类器会给出用户的一个出国概率值。
具体的,根据每个用户的匹配结果、标签信息以及所述动机模型训练预测模型,包括:
步骤一:为所述预设模型设置初始权重值;
步骤二:根据第一用户的匹配结果与训练后的动机模型计算得到输出值;
步骤三:根据所述输出值与所述预测模型的权重值计算得到正样本概率值;
步骤四:根据所述正样本概率值匹配所述第一用户的标签信息,若不符合,调整所述预测模型的权重值,重新执行步骤二;若符合,继续执行步骤二,其中,将第一用户替换为第二用户;当所述正样本概率值与用户的标签信息的匹配结果的匹配正确度稳定时则结束训练。
106、根据目标用户的行为数据通过所述预测模型计算所述目标用户满足预设条件的概率。
在训练好两个模型后,则可以通过具体的用户的行为数据,映射为匹配结果,从而进行对该用户进行出国概率的预测。下面进行举例说明。
假设有5个行为模式,则上述三个用户的行为数据被映射成:用户1:(1,1,0,0,0);用户2:(1,1,0,1,0);用户3:(0,0,0,0,1)。
将上一步获得的代表用户行为数据的0-1向量输入动机模型,假设动机模型包含两个隐含节点(即两个动机),如得到动机模型系数为b=(0,0),其中,b用于增加自由度,属于偏置常量。
则动机模型的输出为
用户1:(1/(1+exp(-0.4)),1/(1+exp(-0.3)))=(0.599,0.574);
用户2:(1/(1+exp(-0.8)),1/(1+exp(-0.4)))=(0.69,0.599);
用户3:(1/(1+exp(-0.1)),1/(1+exp(-0.2)))=(0.525,0.55)。
设所训练后得到的预测模型的权重系数为θ=(0.8,-0.81)则每个用户的出国概率预测值是:
用户1:1/(1+exp(-0.599*0.8+0.574*0.81))=0.503;
用户2:1/(1+exp(-0.69*0.8+0.599*0.81))=0.517;
用户3:1/(1+exp(-0.525*0.8+0.55*0.81))=0.493。
如果取阈值为0.5,则认为用户1和用户2近期会出国,而用户3不会出国。
可选的,在根据目标用户的行为数据通过所述预测模型计算所述目标用户满足预设条件的概率之后,该实施例还可以包括如下步骤:
107、若所述目标用户满足预设条件的概率达到预设阈值,确定所述目标用户为潜在用户,并向所述潜在用户推送目标业务,所述目标业务为所述预设条件所对应的业务。
比如,若确定了用户1和用户2近期会出国,那么则可以向用户1和用户2推送出国的套餐业务,比如全球流量包办理,全球通业务的开通等,以便用户尽快办理出国业务套餐,从而不影响用户出国后的使用体验。
参照图3所示,本申请实施例中一种拓展潜在用户的装置的一个实施例包括:
获取单元201,用于获取多个正样本用户的行为数据和多个负样本用户的行为数据;
确定单元202,用于根据所述多个正样本用户的行为数据确定多个行为模式;
匹配单元203,用于根据所述多个行为模式对所述多个正样本用户以及所述多个负样本用户中的每个用户进行行为模式匹配计算,得到每个用户的匹配结果,所述匹配结果用于指示用户的行为数据与所述多个行为模式的匹配情况;
第一训练单元204,用于根据每个用户的匹配结果训练动机模型;所述动机模型用于指示多个动机与所述多个行为模式的关联强度,其中,所述多个动机包括正样本动机和负样本动机;
第二训练单元205,用于根据每个用户的匹配结果、标签信息以及所述动机模型训练预测模型,所述标签信息用于指示用户为正样本或者为负样本;
计算单元206,用于根据目标用户的行为数据通过所述预测模型计算所述目标用户满足预设条件的概率。
可选的,所述动机模型为矩阵模型,其中,所述多个行为模式作为所述矩阵模型的列,所述多个动机作为所述矩阵模型的行,所述矩阵模型中的每一个值用于指示所对应的动机与行为模式的关联强度。
可选的,结合图4所示,所述第一训练单元204具体包括:
设置模块2041,用于为所述矩阵模型中每个值设置初始值;
计算模块2042,用于将第一用户的匹配结果与所述每个初始值计算得到所述矩阵模型的结果值;
预估模块2043,用于通过所述结果值预估所述第一用户的行为数据得到预估结果;
判断模块2044,用于判断所述预估结果与所述第一用户的匹配结果是否匹配,若不匹配,调整所述矩阵模型的结果值,重新运行所述计算模块;若匹配,继续运行所述计算模块,其中,将第一用户替换为第二用户;当所述预估结果与用户的匹配结果的匹配正确度稳定时则结束训练。
可选的,所述第二训练单元205具体包括:
设置模块2051,用于为所述预设模型设置初始权重值;
第一计算模块2052,用于根据第一用户的匹配结果与训练后的动机模型计算得到输出值;
第二计算模块2053,用于根据所述输出值与所述预测模型的权重值计算得到正样本概率值;
判断模块2054,用于根据所述正样本概率值匹配所述第一用户的标签信息,若不符合,调整所述预测模型的权重值,重新所述第一计算模块;若符合,继续运行所述第一计算模块,其中,将第一用户替换为第二用户;当所述正样本概率值与用户的标签信息的匹配结果的匹配正确度稳定时则结束训练。
可选的,确定单元具体202用于:
根据所述多个正样本用户的行为数据以及映射表确定多个行为模式,其中,所述映射表中包含用户的行为数据与行为模式的映射关系。
可选的,所述确定单元具体202用于:
根据所述多个正样本用户的行为数据以及映射表确定行为模式集合,其中,所述映射表中包含用户的行为数据与行为模式的映射关系;
根据目标行为模式的支持度从所述行为模式集合中确定多个行为模式,其中,所述支持度为包含所述目标行为模式的用户的数量与所述多个正样本用户的数量的比值。
可选的,所述确定单元202还用于:
在所述计算单元根据目标用户的行为数据通过所述预测模型计算所述目标用户满足预设条件的概率之后,若所述目标用户满足预设条件的概率达到预设阈值,确定所述目标用户为潜在用户;
所述装置还包括:
推送单元207,用于向所述潜在用户推送目标业务,所述目标业务为所述预设条件所对应的业务。
图3以及图4中各个单元模块的具体功能如图2实施例中拓展潜在用户的方法的具体步骤所述,此处不做赘述。
图3实施例所述的装置还有另一个形式的实施例,参照图5所示,包括:处理器301、存储器302、收发器303,所述处理器301、所述存储器302以及所述收发器303通过总线 304连接,收发器303可以包括发送器与接收器,所述存储器302存储有计算机指令,所述处理器301通过执行所述计算机指令用于实现图2实施例中拓展潜在用户的方法的功能。具体的实现可以采用各类灵活的设计方式,各个器件相应的功能可以进一步的参考方法实施例,本发明不做限制。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。
所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存储的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如, DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统,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,在本申请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,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品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)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
Claims (16)
1.一种拓展潜在用户的方法,其特征在于,所述方法包括:
获取多个正样本用户的行为数据和多个负样本用户的行为数据;
根据所述多个正样本用户的行为数据确定多个行为模式;
根据所述多个行为模式对所述多个正样本用户以及所述多个负样本用户中的每个用户进行行为模式匹配计算,得到每个用户的匹配结果,所述匹配结果用于指示用户的行为数据与所述多个行为模式的匹配情况;
根据每个用户的匹配结果训练动机模型;所述动机模型用于指示多个动机与所述多个行为模式的关联强度,其中,所述多个动机包括正样本动机和负样本动机;
根据每个用户的匹配结果、标签信息以及所述动机模型训练预测模型,所述标签信息用于指示用户为正样本或者为负样本;
根据目标用户的行为数据通过所述预测模型计算所述目标用户满足预设条件的概率。
2.根据权利要求1所述的方法,其特征在于,所述动机模型为矩阵模型,其中,所述多个行为模式作为所述矩阵模型的列,所述多个动机作为所述矩阵模型的行,所述矩阵模型中的每一个值用于指示所对应的动机与行为模式的关联强度。
3.根据权利要求2所述的方法,其特征在于,所述根据每个用户的匹配结果训练动机模型,包括如下步骤:
步骤一:为所述矩阵模型中每个值设置初始值;
步骤二:将第一用户的匹配结果与所述每个初始值计算得到所述矩阵模型的结果值;
步骤三:通过所述结果值预估所述第一用户的行为数据得到预估结果;
步骤四:判断所述预估结果与所述第一用户的匹配结果是否匹配,若不匹配,调整所述矩阵模型的结果值,重新执行步骤二;若匹配,继续执行步骤二,其中,将第一用户替换为第二用户;当所述预估结果与用户的匹配结果的匹配正确度稳定时则结束训练。
4.根据权利要求1至3其中任意一项所述的方法,其特征在于,根据每个用户的匹配结果、标签信息以及所述动机模型训练预测模型,包括:
步骤一:为所述预设模型设置初始权重值;
步骤二:根据第一用户的匹配结果与训练后的动机模型计算得到输出值;
步骤三:根据所述输出值与所述预测模型的权重值计算得到正样本概率值;
步骤四:根据所述正样本概率值匹配所述第一用户的标签信息,若不符合,调整所述预测模型的权重值,重新执行步骤二;若符合,继续执行步骤二,其中,将第一用户替换为第二用户;当所述正样本概率值与用户的标签信息的匹配结果的匹配正确度稳定时则结束训练。
5.根据权利要求1至4其中任意一项所述的方法,其特征在于,所述根据所述多个正样本用户的行为数据确定多个行为模式,包括:
根据所述多个正样本用户的行为数据以及映射表确定多个行为模式,其中,所述映射表中包含用户的行为数据与行为模式的映射关系。
6.根据权利要求1至4其中任意一项所述的方法,其特征在于,所述根据所述多个正样本用户的行为数据确定多个行为模式,包括:
根据所述多个正样本用户的行为数据以及映射表确定行为模式集合,其中,所述映射表中包含用户的行为数据与行为模式的映射关系;
根据目标行为模式的支持度从所述行为模式集合中确定多个行为模式,其中,所述支持度为包含所述目标行为模式的用户的数量与所述多个正样本用户的数量的比值。
7.根据权利要求1至6其中任意一项所述的方法,其特征在于,在根据目标用户的行为数据通过所述预测模型计算所述目标用户满足预设条件的概率之后,所述方法还包括:
若所述目标用户满足预设条件的概率达到预设阈值,确定所述目标用户为潜在用户,并向所述潜在用户推送目标业务,所述目标业务为所述预设条件所对应的业务。
8.一种拓展潜在用户的装置,其特征在于,所述装置包括:
获取单元,用于获取多个正样本用户的行为数据和多个负样本用户的行为数据;
确定单元,用于根据所述多个正样本用户的行为数据确定多个行为模式;
匹配单元,用于根据所述多个行为模式对所述多个正样本用户以及所述多个负样本用户中的每个用户进行行为模式匹配计算,得到每个用户的匹配结果,所述匹配结果用于指示用户的行为数据与所述多个行为模式的匹配情况;
第一训练单元,用于根据每个用户的匹配结果训练动机模型;所述动机模型用于指示多个动机与所述多个行为模式的关联强度,其中,所述多个动机包括正样本动机和负样本动机;
第二训练单元,用于根据每个用户的匹配结果、标签信息以及所述动机模型训练预测模型,所述标签信息用于指示用户为正样本或者为负样本;
计算单元,用于根据目标用户的行为数据通过所述预测模型计算所述目标用户满足预设条件的概率。
9.根据权利要求8所述的装置,其特征在于,所述动机模型为矩阵模型,其中,所述多个行为模式作为所述矩阵模型的列,所述多个动机作为所述矩阵模型的行,所述矩阵模型中的每一个值用于指示所对应的动机与行为模式的关联强度。
10.根据权利要求9所述的装置,其特征在于,所述第一训练单元具体包括:
设置模块,用于为所述矩阵模型中每个值设置初始值;
计算模块,用于将第一用户的匹配结果与所述每个初始值计算得到所述矩阵模型的结果值;
预估模块,用于通过所述结果值预估所述第一用户的行为数据得到预估结果;
判断模块,用于判断所述预估结果与所述第一用户的匹配结果是否匹配,若不匹配,调整所述矩阵模型的结果值,重新运行所述计算模块;若匹配,继续运行所述计算模块,其中,将第一用户替换为第二用户;当所述预估结果与用户的匹配结果的匹配正确度稳定时则结束训练。
11.根据权利要求8至10其中任意一项所述的装置,其特征在于,所述第二训练单元具体包括:
设置模块,用于为所述预设模型设置初始权重值;
第一计算模块,用于根据第一用户的匹配结果与训练后的动机模型计算得到输出值;
第二计算模块,用于根据所述输出值与所述预测模型的权重值计算得到正样本概率值;
判断模块,用于根据所述正样本概率值匹配所述第一用户的标签信息,若不符合,调整所述预测模型的权重值,重新所述第一计算模块;若符合,继续运行所述第一计算模块,其中,将第一用户替换为第二用户;当所述正样本概率值与用户的标签信息的匹配结果的匹配正确度稳定时则结束训练。
12.根据权利要求8至11其中任意一项所述的装置,其特征在于,确定单元具体用于:
根据所述多个正样本用户的行为数据以及映射表确定多个行为模式,其中,所述映射表中包含用户的行为数据与行为模式的映射关系。
13.根据权利要求8至11其中任意一项所述的装置,其特征在于,所述确定单元具体用于:
根据所述多个正样本用户的行为数据以及映射表确定行为模式集合,其中,所述映射表中包含用户的行为数据与行为模式的映射关系;
根据目标行为模式的支持度从所述行为模式集合中确定多个行为模式,其中,所述支持度为包含所述目标行为模式的用户的数量与所述多个正样本用户的数量的比值。
14.根据权利要求8至13其中任意一项所述的装置,其特征在于,所述确定单元还用于:
在所述计算单元根据目标用户的行为数据通过所述预测模型计算所述目标用户满足预设条件的概率之后,若所述目标用户满足预设条件的概率达到预设阈值,确定所述目标用户为潜在用户;
所述装置还包括:
推送单元,用于向所述潜在用户推送目标业务,所述目标业务为所述预设条件所对应的业务。
15.一种计算机可读存储介质,包括指令,当其在计算机上运行时,使得计算机执行如权利要求1-7任意一项所述的方法。
16.一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行如权利要求1-7任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710331732.2A CN108875761B (zh) | 2017-05-11 | 2017-05-11 | 一种拓展潜在用户的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710331732.2A CN108875761B (zh) | 2017-05-11 | 2017-05-11 | 一种拓展潜在用户的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108875761A true CN108875761A (zh) | 2018-11-23 |
CN108875761B CN108875761B (zh) | 2022-06-28 |
Family
ID=64319637
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710331732.2A Active CN108875761B (zh) | 2017-05-11 | 2017-05-11 | 一种拓展潜在用户的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108875761B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111160624A (zh) * | 2019-12-09 | 2020-05-15 | 深圳市思为软件技术有限公司 | 一种用户意向预测方法、用户意向预测装置及终端设备 |
CN111178934A (zh) * | 2019-11-29 | 2020-05-19 | 北京深演智能科技股份有限公司 | 获取目标对象的方法及装置 |
CN111507768A (zh) * | 2020-04-17 | 2020-08-07 | 腾讯科技(深圳)有限公司 | 一种潜在用户的确定方法、模型训练的方法及相关装置 |
CN111738774A (zh) * | 2020-06-30 | 2020-10-02 | 中国平安财产保险股份有限公司 | 识别潜在目标用户的方法、装置、计算机设备和存储介质 |
CN111861521A (zh) * | 2019-04-26 | 2020-10-30 | 财付通支付科技有限公司 | 数据处理方法、装置、计算机可读介质及电子设备 |
CN112328894A (zh) * | 2020-11-25 | 2021-02-05 | 北京乐学帮网络技术有限公司 | 一种行为引导方法、装置、计算机设备及存储介质 |
CN112907295A (zh) * | 2021-03-19 | 2021-06-04 | 恩亿科(北京)数据科技有限公司 | 一种基于计算广告背景下的相似人群拓展方法以及装置 |
CN113191821A (zh) * | 2021-05-20 | 2021-07-30 | 北京大米科技有限公司 | 一种数据处理方法及装置 |
CN113657915A (zh) * | 2020-05-12 | 2021-11-16 | 杭州海康威视数字技术股份有限公司 | 一种潜在用户推荐方法、装置、电子设备及可读存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130216094A1 (en) * | 2012-01-25 | 2013-08-22 | Bruno Delean | Systems, methods and computer program products for identifying objects in video data |
CN103793484A (zh) * | 2014-01-17 | 2014-05-14 | 五八同城信息技术有限公司 | 分类信息网站中的基于机器学习的欺诈行为识别系统 |
US20140222503A1 (en) * | 2013-02-07 | 2014-08-07 | 24/7 Customer, Inc. | Dynamic prediction of online shopper's intent using a combination of prediction models |
US20140337096A1 (en) * | 2013-05-13 | 2014-11-13 | Microsoft Corporation | Predicting behavior using features derived from statistical information |
US20150064695A1 (en) * | 2010-12-17 | 2015-03-05 | Celula Inc. | Methods for screening and diagnosing genetic conditions |
US20160071046A1 (en) * | 2014-09-08 | 2016-03-10 | International Business Machines Corporation | Learner enablement forecast system and method |
US20160132954A1 (en) * | 2014-11-11 | 2016-05-12 | Christian Guckelsberger | Recommender System Employing Subjective Properties |
CN105957271A (zh) * | 2015-12-21 | 2016-09-21 | 中国银联股份有限公司 | 一种金融终端安全防护方法及系统 |
CN106204063A (zh) * | 2016-06-30 | 2016-12-07 | 北京奇艺世纪科技有限公司 | 一种付费用户挖掘方法及装置 |
-
2017
- 2017-05-11 CN CN201710331732.2A patent/CN108875761B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150064695A1 (en) * | 2010-12-17 | 2015-03-05 | Celula Inc. | Methods for screening and diagnosing genetic conditions |
US20130216094A1 (en) * | 2012-01-25 | 2013-08-22 | Bruno Delean | Systems, methods and computer program products for identifying objects in video data |
US20140222503A1 (en) * | 2013-02-07 | 2014-08-07 | 24/7 Customer, Inc. | Dynamic prediction of online shopper's intent using a combination of prediction models |
US20140337096A1 (en) * | 2013-05-13 | 2014-11-13 | Microsoft Corporation | Predicting behavior using features derived from statistical information |
CN103793484A (zh) * | 2014-01-17 | 2014-05-14 | 五八同城信息技术有限公司 | 分类信息网站中的基于机器学习的欺诈行为识别系统 |
US20160071046A1 (en) * | 2014-09-08 | 2016-03-10 | International Business Machines Corporation | Learner enablement forecast system and method |
US20160132954A1 (en) * | 2014-11-11 | 2016-05-12 | Christian Guckelsberger | Recommender System Employing Subjective Properties |
CN105957271A (zh) * | 2015-12-21 | 2016-09-21 | 中国银联股份有限公司 | 一种金融终端安全防护方法及系统 |
CN106204063A (zh) * | 2016-06-30 | 2016-12-07 | 北京奇艺世纪科技有限公司 | 一种付费用户挖掘方法及装置 |
Non-Patent Citations (1)
Title |
---|
印鉴 等: "基于大规模隐式反馈的个性化推荐", 《软件学报》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111861521A (zh) * | 2019-04-26 | 2020-10-30 | 财付通支付科技有限公司 | 数据处理方法、装置、计算机可读介质及电子设备 |
CN111178934A (zh) * | 2019-11-29 | 2020-05-19 | 北京深演智能科技股份有限公司 | 获取目标对象的方法及装置 |
CN111178934B (zh) * | 2019-11-29 | 2024-03-08 | 北京深演智能科技股份有限公司 | 获取目标对象的方法及装置 |
CN111160624A (zh) * | 2019-12-09 | 2020-05-15 | 深圳市思为软件技术有限公司 | 一种用户意向预测方法、用户意向预测装置及终端设备 |
CN111507768A (zh) * | 2020-04-17 | 2020-08-07 | 腾讯科技(深圳)有限公司 | 一种潜在用户的确定方法、模型训练的方法及相关装置 |
CN111507768B (zh) * | 2020-04-17 | 2023-04-07 | 腾讯科技(深圳)有限公司 | 一种潜在用户的确定方法及相关装置 |
CN113657915A (zh) * | 2020-05-12 | 2021-11-16 | 杭州海康威视数字技术股份有限公司 | 一种潜在用户推荐方法、装置、电子设备及可读存储介质 |
CN113657915B (zh) * | 2020-05-12 | 2024-04-05 | 杭州海康威视数字技术股份有限公司 | 一种潜在用户推荐方法、装置、电子设备及可读存储介质 |
CN111738774A (zh) * | 2020-06-30 | 2020-10-02 | 中国平安财产保险股份有限公司 | 识别潜在目标用户的方法、装置、计算机设备和存储介质 |
CN112328894A (zh) * | 2020-11-25 | 2021-02-05 | 北京乐学帮网络技术有限公司 | 一种行为引导方法、装置、计算机设备及存储介质 |
CN112907295A (zh) * | 2021-03-19 | 2021-06-04 | 恩亿科(北京)数据科技有限公司 | 一种基于计算广告背景下的相似人群拓展方法以及装置 |
CN113191821A (zh) * | 2021-05-20 | 2021-07-30 | 北京大米科技有限公司 | 一种数据处理方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN108875761B (zh) | 2022-06-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108875761A (zh) | 一种拓展潜在用户的方法及装置 | |
Zheng et al. | Diagnosing New York city's noises with ubiquitous data | |
CN105740401B (zh) | 一种基于个体行为和群体兴趣的兴趣地点推荐方法及装置 | |
CN111814977B (zh) | 训练事件预测模型的方法及装置 | |
CN103473291B (zh) | 一种基于隐语义概率模型的个性化服务推荐系统及方法 | |
Miller | Measuring space‐time accessibility benefits within transportation networks: Basic theory and computational procedures | |
CN109784636A (zh) | 欺诈用户识别方法、装置、计算机设备及存储介质 | |
Kellaris et al. | Map-matched trajectory compression | |
CN108875007A (zh) | 兴趣点的确定方法和装置、存储介质、电子装置 | |
CN110503531A (zh) | 时序感知的动态社交场景推荐方法 | |
CN109948066B (zh) | 一种基于异构信息网络的兴趣点推荐方法 | |
CN105446988B (zh) | 预测类别的方法和装置 | |
CN106202394A (zh) | 文本资讯的推荐方法及系统 | |
WO2020215783A1 (zh) | 定位方法、装置及存储介质 | |
CN105554704A (zh) | 推荐系统中基于假轨迹的位置隐私保护方法 | |
Saadi et al. | An investigation into machine learning approaches for forecasting spatio-temporal demand in ride-hailing service | |
Sattari et al. | Geo-activity recommendations by using improved feature combination | |
CN108089923A (zh) | 基于加权Voronoi图的用户接入区域划分方法和装置 | |
CN110267206A (zh) | 用户位置预测方法及装置 | |
Xin et al. | A location-context awareness mobile services collaborative recommendation algorithm based on user behavior prediction | |
CN109426985A (zh) | 信息处理方法、装置、计算机设备和存储介质 | |
Zhang et al. | cgail: Conditional generative adversarial imitation learning—an application in taxi drivers’ strategy learning | |
CN109753275A (zh) | 应用编程接口的推荐方法、装置、存储介质和电子设备 | |
CN104484365B (zh) | 一种多源异构在线社会网络中网络主体之间社会关系的预测方法与系统 | |
Lin et al. | Successive poi recommendation with category transition and temporal influence |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |