CN109189831A - 一种基于组合赋权的购车倾向用户识别方法 - Google Patents
一种基于组合赋权的购车倾向用户识别方法 Download PDFInfo
- Publication number
- CN109189831A CN109189831A CN201810954292.0A CN201810954292A CN109189831A CN 109189831 A CN109189831 A CN 109189831A CN 201810954292 A CN201810954292 A CN 201810954292A CN 109189831 A CN109189831 A CN 109189831A
- Authority
- CN
- China
- Prior art keywords
- user
- index
- purchase vehicle
- purchase
- combination
- 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
Abstract
本发明涉及用户画像以及计算机应用技术,特别是涉及一种基于组合赋权的购车倾向用户识别方法,包括利用多种主观赋权方法分别得出用户指标的多种主观指标权重、多种客观赋权方法得出用户指标的多种客观指标权重;计算所有主观赋权方法和客观赋权方法的兼容性,并选出兼容性最大的赋权方法;构建基于改进理想点广义最小距离和最大熵原则的组合权系数目标函数;利用拉格朗日乘子判断目标函数的解是否是最优解,对最优解进行归一化处理并该解作为购车倾向指标综合权重;本发明将移动数据价值最大化同时寻找精确的购车倾向评价标准,设备要求相对简单,从海量数据中挖掘购车倾向用户,可应用于行业精准营销等领域,来对不同类型的用户实现定位产品营销。
Description
技术领域
本发明涉及用户画像以及计算机应用技术,特别是涉及一种基于组合赋权的购车倾向用户识别方法。
背景技术
用户画像是指根据用户社会属性、生活习惯和消费行为等信息而抽象出的一个标签化的用户模型。
随着我国经济社会持续快速发展,群众购车刚性需求旺盛,汽车保有量持续呈快速增长趋势。据统计,2017年10月汽车行业整体销量为270万辆,同比上涨2.0%。一方面,汽车服务行业如车险、汽车美容等需要聚焦高价值的购车倾向用户群体从而开展业务推广;另一方面,高价值的购车倾向用户通常意味着较高收入人群,是金融行业迫切挖掘的对象。而目前仅有很少部分机构能够掌握该部分信息,对于未掌握这部分信息而又有此方面需求的机构来说具有相当大的困扰,如果通过技术手段能够进行购车倾向用户的意向识别就能够打通这些机构与未来车主之间交互的壁垒,于是购车倾向用户的识别就成为了一个亟需解决的技术问题。
发明内容
为了解决以上问题,本发明提出了一种基于组合赋权的购车倾向用户识别方法,包括一种基于组合赋权的购车倾向用户识别方法,包括:
S1、根据评价对象的数据,利用多种主观赋权方法分别得出多种主观指标权重、多种客观赋权方法分别得出多种客观指标权重;
S2、计算所有主观赋权方法和客观赋权方法的兼容性,并从主观赋权方法和客观赋权方法中分别选出兼容性最大的赋权方法;
S3、根据用户指标中兼容性最大的赋权方法的指标权重,构建基于改进理想点广义最小距离和最大熵原则的组合权系数目标函数,求解目标函数;
S4、利用拉格朗日乘子判断目标函数的解是否是最优解,若是则对目标函数的解进行归一化处理并该解作为购车倾向指标综合权重进行购车倾向用户识别,否则返回步骤S3重新求解函数。
优选的,所述两两不同赋权方法进行组合包括:若总共有u种赋权方法,每种赋权方法对应一组指标权重,从u种赋权方法中选取两种不同的赋权方法,若选取的赋权方法分别为A、B,则对A、B中的元素进行排序,其中A、B同时升序或者降序。
优选的,所述计算主观赋权方法和客观赋权方法的兼容性包括利用斯皮尔曼相关系数法计算检验,通过不同赋权方法相关性综合分析兼容性大小,具体包括:
若从主观赋权方法或客观赋权方法中选取赋权方法A、赋权方法B,则两种赋权方法之间的的相关系数表示为:
根据相关系数计算兼容性:
其中,ρ表示两个赋权方法之间的相关系数;ρ′表示两个赋权方法之间的兼容性;Di为Ai与Bi之间的差,表示为Di=Ai-Bi,Ai表示赋权方法A中的第i个元素,Bi表示赋权方法B中的第i个元素;m表示赋权方法中的元素个数;u表示赋权方法的数量。
优选的,所述构建基于改进理想点广义最小距离和最大熵原则的组合权系数目标函数包括:
S11、将已购车用户与评价对象相同的指标合并并进行归一化;
S12、根据已购车用户的理想点数量计算评价对象与理想值之间的广义距离;
S13、根据最大熵原则计算组合系数αk的最大熵;
S14、以评价对象与理想值之间的广义距离与组合系数αk的最大熵之和的最小值作为目标函数。
优选的,所述将已购车用户与评价对象相同的指标合并并进行归一化包括:已购车用户购车前的指标数据表示为R=(rst)h×m,由于不同数据集的归一化标准不同,现将获取已购车用户购车前的指标数据与评价样本相同指标数据合并进行归一化为:
其中,XR表示已购车用户购车前的指标数据与购车倾向评价样本相同指标数据的归一化数据,xij表示标准化后第i个评价对象的第j个指标,i={1,2,...,n},j={1,2,...,m},n表示评价对象个数,m表示指标个数;rst表示标准化后的第s个理想点的第t个指标值,且t=j,s={n+1,n+2,...,h},t=j={1,2,...,m},h表示理想点个数。。
优选的,所述根据已购车用户的h计算评价对象与理想值之间的广义距离包括:
当h=1时,此时的广义距离表示为:
当h>1时,此时的广义距离表示为:
其中,表示第j个指标值第k赋权方法的权重值。
优选的,目标函数表示为:
其中,di表示评价对象与理想值之间的广义距离。
优选的,主观赋权方法包括层次分析法、古林法、德尔菲法;客观赋权方法包括熵权法、变异系数法、离差最大法、复相关系数法。
优选的,对目标函数求解得到目标函数的解并对该解进行归一化处理包括利用拉格朗日算子求解出最优解,并对最优解进行归一化处理,表示为:
其中,α′k表示归一化后的组合系数,αk表示组合系数。
本发明利用组合赋权方法得出购车倾向评价标准来挖掘高价值用户,购车倾向是指用户周期内的购车意向程度,以此为依据来提供标签给金融行业进行产品的营销,如ETC信用卡、购车贷款等产品,高价值的用户画像标签对金融行业营销存在着重要现实意义;本发明将移动数据价值最大化同时寻找精确的购车倾向评价标准,设备要求相对简单,从海量数据中挖掘购车倾向用户,可应用于行业精准营销等领域,来对不同类型的用户实现定位产品营销。
附图说明
图1为本发明一种基于组合赋权的购车倾向用户识别方法的刘策流程图;
图2为本发明一种基于组合赋权的购车倾向用户识别方法目标函数构建流程示意图;
图3为本发明的时间轴上购车倾向用户与已购车用户之间的关系图。
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,以下结合附图对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明提供一种基于组合赋权的购车倾向用户识别方法,如图1所示,包括:
S1、根据评价对象的数据,利用多种主观赋权方法分别得出多种主观指标权重、多种客观赋权方法分别得出多种客观指标权重;
S2、计算所有主观赋权方法和客观赋权方法的兼容性,并从主观赋权方法和客观赋权方法中分别选出兼容性最大的赋权方法;
S3、根据用户指标中兼容性最大的赋权方法的指标权重,构建基于改进理想点广义最小距离和最大熵原则的组合权系数目标函数,求解目标函数;
S4、利用拉格朗日乘子判断目标函数的解是否是最优解,若是则对目标函数的解进行归一化处理并该解作为购车倾向指标综合权重进行购车倾向用户识别,否则返回步骤S3重新求解函数。
本发明根据用户画像来确定用户是否具有高意向的购车倾向,用户画像指根据用户社会属性、消费行为等信息抽象出的一个标签化的用户模型;本发明构建基于兼容性特点的最优权重组合函数、构建基于改进理想点广义最小距离以及最大熵原则的组合权系数目标函数,最终得出购车倾向用户指标权重值,以此来计算用户的综合价值得分。
进一步的,本发明为了减轻组合赋权运算复杂度,利用兼容性特点快速而高效的筛选权重不同赋权方法得出的指标权重相关性程度可以利用斯皮尔曼相关系数法计算检验,通过不同赋权方法相关性综合分析兼容性大小,具体表示为:
若从主观赋权方法或客观赋权方法中选取赋权方法A、赋权方法B,则两种赋权方法之间的的相关系数表示为:
根据相关系数计算兼容性:
其中,ρ表示两个赋权方案之间的相关系数;ρ′表示两个赋权方案之间的兼容性;Di为Ai与Bi之间的差,表示为Di=Ai-Bi,Ai表示赋权方案A中的第i个元素,Bi表示赋权方案B中的第i个元素;m表示赋权方案中的元素个数;u表示赋权方法的数量;ρ′越大,则说明该赋权方法兼容度越高,代表的性能也就越好。
进一步的,通过兼容性检验减少组合权重数量基础上,利用加法加权构建组合权重,可将组合权重w表示为:
其中,αk表示组合系数,且αk≥0,wk表示第k种赋权方法的中用户指标的值。
优选的,如图2,构建基于改进理想点广义最小距离和最大熵原则的组合权系数目标函数包括:
S11、将已购车用户与评价对象相同的指标合并并进行归一化;
S12、根据已购车用户的理想点数量计算评价对象与理想值之间的广义距离;
S13、根据最大熵原则计算组合系数αk的最大熵;
S14、以评价对象与理想值之间的广义距离与组合系数αk的最大熵之和的最小值作为目标函数。
优选的,所述将已购车用户与评价对象相同的指标合并并进行归一化包括:已购车用户购车前的指标数据表示为R=(rst)h×m,由于不同数据集的归一化标准不同,现将获取已购车用户购车前的指标数据与评价样本相同指标数据合并进行归一化为:
其中,XR表示已购车用户购车前的指标数据与购车倾向评价样本相同指标数据的归一化数据,R=(rst)h×m表示评价样本的指标数据,rst表示标准化后的第s个理想点的第j个指标值,s={n+1,n+2,...,h},j={1,2,...,m},h表示理想点个数,m表示指标个数;xij表示标准化后第i个评价对象的第j个指标值,i={1,2,...,n},n表示评价对象个数;进一步的,t与j的取值一致。
优选的,所述根据已购车用户的已购车用户的理想点数量h计算评价对象与理想值之间的广义距离包括:
当h=1时,此时的广义距离表示为:
当h>1时,此时的广义距离表示为:
其中,表示第j个指标值第k赋权方法的权重值。
优选的,目标函数表示为:
其中,di表示评价对象与理想值之间的广义距离。
优选的,主观赋权方法包括层次分析法、古林法、德尔菲法;客观赋权方法包括熵权法、变异系数法、离差最大法、复相关系数法。
优选的,对目标函数求解得到目标函数的解并对该解进行归一化处理包括利用拉格朗日算子求解出最优解,并对最优解进行归一化处理,表示为:
其中,α′k表示归一化后的组合系数,αk表示组合系数。
本发明构造理想点的原理如图3,图3所示的时间轴上购车倾向用户与已购车用户的关系,利用购车倾向与已购车事件相关性特点构造理想点。已购车用户拥有着真实的购车标签,并在时间上属于购车倾向用户成功转化的未来状态,具有丰富的购车行为数据,对购车倾向用户来说,是最佳的参考对象,也是最合理的理想点构造数据源,利用已购车用户购车前周期内的行为数据构造理想点进行权重修正,以此提高购车倾向用户评价的可靠性与科学性。
优选的,用户指标包括用户基本属性数据、用户到4S店的咨询数据、用户使用购车APP数据和用户与4S店语音交互频次数据,其中,用户基本属性数据包括用户所在区域、用户性别、用户年龄,用户到4S店的咨询数据包括用户在4S店滞留时间、用户咨询4S店的的数量,用户使用购车APP数据包括用户使用不同购车APP个数、用户购车APP使用流量数,用户与4S店语音交互数据包括用户与语音交互的频次、用户交互的不同4S店个数。
在本实施例中,利用组合赋权方法从用户基本属性、4S店信息维度、用户APPs维度、用户语音维度来对用户进行评价,得出用户属性权重如下:
W=(W1,W2,W3,W4);
其中,W1表示用户基本属性数据,W2表示用户到4S店的咨询数据,W3表示用户使用购车APP数据,W4表示用户与4S店语音交互频次数据。细化到具体属性权重如下:
其中,表示第k种用户指标的第i个指标的权重;在本实施例中,当k=1时,代表用户基本属性数据这一项指标,这一指标下,i=1,2,3,4分别代表基本属性数据、用户到4S店的咨询数据、用户使用购车APP数据和用户与4S店语音交互频次数据;当k=2时表示用户到4S店的咨询数据,i=1,2分别代表用户在4S店滞留时间、用户咨询4S店的的数量;当k=3时表示用户使用购车APP数据,i=1,2时表示用户使用不同购车APP个数、用户购车APP使用流量数;当k=4时表示用户与4S店语音交互数据,i=1,2使分别表示用户与语音交互的频次、用户交互的不同4S店个数。
以下为本发明指标的获取提供一些事实方式。
其中,根据4S店信息需求要求,设计的4S店的基站信息维表如表1所示。
表1 4S店的基站信息维表
根据用户信令数据识别周期内与4S基站lac-ci有过交互的用户,并统计用户在4S店的滞留时间T以及4S店个数N1。
设计的购车APP类的维表如表2所示。
表2购车APP类的维表
获取用户使用的购车类APPs的上网数据,构建购车类APPs维表,根据上网日志数据分析周期内与购车相关APPs有过交互的用户,并统计用户使用APPs的流量F以及使用不同的购车APPs个数N2。
设计的语音交互的维表信息如表3所示。
表3语音交互的维表
识别周期内与语音维度表中端口号voice_port有过交互的用户,并统计各用户在语音端口周期内与4S店交互次数H以及交互的不同4S店个数N3。
结合移动用户数据利用以上的分析方法得出指标权重值,利用基于兼容性特点快速而高效的筛选权重,减轻组合赋权复杂度。再结合图3所示的时间轴上购车倾向用户与已购车用户的关系,利用购车倾向与已购车事件相关性特点构造理想点。已购车用户拥有着真实的购车标签,并在时间上属于购车倾向用户成功转化的未来状态,具有丰富的购车行为数据,对购车倾向用户来说,是最佳的参考对象,也是最合理的理想点构造数据源,利用已购车用户购车前周期内的行为数据构造理想点进行权重修正,以此提高购车倾向用户评价的可靠性与科学性。
本发明以上实施例对本发明的目的、技术方案和优点进行了进一步详细说明,所应理解的是,以上所举实施方式或者实施例仅为本发明的优选实施方式而已,并不用以限制本发明,凡在本发明的精神和原则之内对本发明所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内此外。
Claims (9)
1.一种基于组合赋权的购车倾向用户识别方法,其特征在于,包括:
S1、抓取用户指标数据,利用多种主观赋权方法分别得出用户指标的多种主观指标权重、多种客观赋权方法得出用户指标的多种客观指标权重;
S2、计算所有主观赋权方法和客观赋权方法的兼容性,并从主观赋权方法和客观赋权方法中分别选出兼容性最大的赋权方法;
S3、根据用户指标中兼容性最大的赋权方法的指标权重,构建基于改进理想点广义最小距离和最大熵原则的组合权系数目标函数,求解目标函数;
S4、利用拉格朗日乘子判断目标函数的解是否是最优解,若是则对目标函数的解进行归一化处理并该解作为购车倾向指标综合权重进行购车倾向用户识别,否则返回步骤S3重新求解函数。
2.根据权利要求1所述的一种基于组合赋权的购车倾向用户识别方法,其特征在于,所述计算主观赋权方法和客观赋权方法的兼容性包括:
若从客观赋权方法或主观赋权方法中选取两个赋权方法,若选取的赋权方法为赋权方法A、赋权方法B,则两种赋权方法之间的的相关系数表示为:
根据相关系数计算兼容性:
其中,ρ表示两个赋权方法之间的斯皮尔曼相关系数;ρ′表示两个赋权方法之间的兼容性;Di为Ai与Bi之间的差,表示为Di=Ai-Bi,Ai表示赋权方法A中的第i个元素,Bi表示赋权方法B中的第i个元素;m表示赋权方法中的元素个数;u表示赋权方法的数量。
3.根据权利要求1所述的一种基于组合赋权的购车倾向用户识别方法,其特征在于,所述构建基于改进理想点广义最小距离和最大熵原则的组合权系数目标函数包括:
S11、将已购车用户与评价对象相同的指标合并并进行归一化;
S12、根据已购车用户的理想点数量计算评价对象与理想值之间的广义距离;
S13、根据最大熵原则计算组合系数αk的最大熵;
S14、以评价对象与理想值之间的广义距离与组合系数αk的最大熵之和的最小值时αk的值作为目标函数。
4.根据权利要求3所述的一种基于组合赋权的购车倾向用户识别方法,其特征在于,所述将已购车用户与评价对象相同的指标合并并进行归一化包括:已购车用户购车前的指标数据表示为R=(rst)h×m,由于不同数据集的归一化标准不同,现将获取已购车用户购车前的指标数据与评价样本相同指标数据合并进行归一化为:
其中,XR表示已购车用户购车前的指标数据与购车倾向评价样本相同指标数据的归一化数据,xij表示标准化后第i个评价对象的第j个指标,i={1,2,...,n},j={1,2,...,m},n表示评价对象个数,m表示指标个数;rst表示标准化后的第s个理想点的第t个指标值,s={n+1,n+2,...,h},t=j={1,2,...,m},h表示理想点个数。
5.根据权利要求3所述的一种基于组合赋权的购车倾向用户识别方法,其特征在于,根据已购车用户的理想点数量计算评价对象与理想值之间的广义距离包括:
当h=1时,此时的广义距离表示为:
当h>1时,此时的广义距离表示为:
其中,rsj表示标准化后的第s个理想点的第j个指标值,s={n+1,n+2,...,h},j={1,2,...,m},m表示指标个数;xij表示标准化后第i个评价对象第j个指标值,i={1,2,...,n},n表示评价对象个数;αk表示组合系数;表示第j个指标值第k赋权方法的权重值;m表示指标个数,n表示评价对象个数,u表示赋权方法个数,h表示理想点个数。
6.根据权利要求3所述的一种基于组合赋权的购车倾向用户识别方法,其特征在于,目标函数表示为:
其中,n表示评价对象个数,u表示赋权方法个数,αk表示组合系数,di表示评价对象与理想值之间的广义距离。
7.根据权利要求1所述的一种基于组合赋权的购车倾向用户识别方法,其特征在于,主观赋权方法包括层次分析法、古林法、德尔菲法;客观赋权方法包括熵权法、变异系数法、离差最大法、复相关系数法。
8.根据权利要求1所述的一种基于组合赋权的购车倾向用户识别方法,其特征在于,对目标函数求解得到目标函数的解并对该解进行归一化处理包括利用拉格朗日算子求解出最优解,并对最优解进行归一化处理,表示为:
其中,α′k表示归一化后的组合系数,αk表示组合系数,u表示赋权方法个数。
9.根据权利要求1所述的一种基于组合赋权的购车倾向用户识别方法,其特征在于,用户指标包括用户基本属性数据、用户到4S店的咨询数据、用户使用购车APP数据和用户与4S店语音交互频次数据,其中,用户基本属性数据包括用户所在区域、用户性别、用户年龄,用户到4S店的咨询数据包括用户在4S店滞留时间、用户咨询4S店的的数量,用户使用购车APP数据包括用户使用不同购车APP个数、用户购车APP使用流量数,用户与4S店语音交互数据包括用户与语音交互的频次、用户交互的不同4S店个数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810954292.0A CN109189831A (zh) | 2018-08-21 | 2018-08-21 | 一种基于组合赋权的购车倾向用户识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810954292.0A CN109189831A (zh) | 2018-08-21 | 2018-08-21 | 一种基于组合赋权的购车倾向用户识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109189831A true CN109189831A (zh) | 2019-01-11 |
Family
ID=64919162
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810954292.0A Pending CN109189831A (zh) | 2018-08-21 | 2018-08-21 | 一种基于组合赋权的购车倾向用户识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109189831A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111899055A (zh) * | 2020-07-29 | 2020-11-06 | 亿达信息技术有限公司 | 大数据金融场景下的基于机器学习和深度学习的保险客户复购预测方法 |
CN116962971A (zh) * | 2023-07-11 | 2023-10-27 | 重庆大学 | 基于终端信令的汽车行业用户画像构建方法及装置 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104331613A (zh) * | 2014-10-24 | 2015-02-04 | 中国石油大学(华东) | 一种多目标多属性决策方法 |
CN104809235A (zh) * | 2015-05-11 | 2015-07-29 | 中国传媒大学 | 一种节目评价系统及方法 |
CN104881609A (zh) * | 2015-05-29 | 2015-09-02 | 中国石油大学(华东) | 一种复杂软件系统软件单元可信性评估方法 |
CN106651225A (zh) * | 2017-02-14 | 2017-05-10 | 南方电网科学研究院有限责任公司 | 智能电网示范工程综合评估方法和系统 |
CN106650250A (zh) * | 2016-12-14 | 2017-05-10 | 中国人民解放军军械工程学院 | 基于等效评价因子的红外多目标威胁排序方法 |
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 |
CN107122851A (zh) * | 2017-04-21 | 2017-09-01 | 中国水利水电科学研究院 | 一种河湖水系连通工程方案优选模型灵敏度分析方法 |
CN107480856A (zh) * | 2017-07-06 | 2017-12-15 | 浙江大学 | 基于改进逼近理想解排序法的售电公司电力客户评估方法 |
CN107862455A (zh) * | 2017-11-02 | 2018-03-30 | 国网天津市电力公司 | 一种电力系统云平台建设的主客观混合评估方法 |
CN108399481A (zh) * | 2018-01-15 | 2018-08-14 | 上海机电工程研究所 | 基于组合赋权的武器系统效能评估方法及评价方法 |
-
2018
- 2018-08-21 CN CN201810954292.0A patent/CN109189831A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104331613A (zh) * | 2014-10-24 | 2015-02-04 | 中国石油大学(华东) | 一种多目标多属性决策方法 |
CN104809235A (zh) * | 2015-05-11 | 2015-07-29 | 中国传媒大学 | 一种节目评价系统及方法 |
CN104881609A (zh) * | 2015-05-29 | 2015-09-02 | 中国石油大学(华东) | 一种复杂软件系统软件单元可信性评估方法 |
CN106650250A (zh) * | 2016-12-14 | 2017-05-10 | 中国人民解放军军械工程学院 | 基于等效评价因子的红外多目标威胁排序方法 |
CN106651225A (zh) * | 2017-02-14 | 2017-05-10 | 南方电网科学研究院有限责任公司 | 智能电网示范工程综合评估方法和系统 |
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 |
CN107122851A (zh) * | 2017-04-21 | 2017-09-01 | 中国水利水电科学研究院 | 一种河湖水系连通工程方案优选模型灵敏度分析方法 |
CN107480856A (zh) * | 2017-07-06 | 2017-12-15 | 浙江大学 | 基于改进逼近理想解排序法的售电公司电力客户评估方法 |
CN107862455A (zh) * | 2017-11-02 | 2018-03-30 | 国网天津市电力公司 | 一种电力系统云平台建设的主客观混合评估方法 |
CN108399481A (zh) * | 2018-01-15 | 2018-08-14 | 上海机电工程研究所 | 基于组合赋权的武器系统效能评估方法及评价方法 |
Non-Patent Citations (2)
Title |
---|
姜昱汐等: "基于最大熵原理的线性组合赋权方法", 《运筹与管理》 * |
李杰等: "基于相对熵的组合赋权法在农户信用评价中的应用", 《中国企业运筹学》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111899055A (zh) * | 2020-07-29 | 2020-11-06 | 亿达信息技术有限公司 | 大数据金融场景下的基于机器学习和深度学习的保险客户复购预测方法 |
CN116962971A (zh) * | 2023-07-11 | 2023-10-27 | 重庆大学 | 基于终端信令的汽车行业用户画像构建方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lauderdale et al. | Scaling politically meaningful dimensions using texts and votes | |
CN109583966B (zh) | 一种高价值客户识别方法、系统、设备及存储介质 | |
CN109582875B (zh) | 一种在线医疗教育资源的个性化推荐方法及系统 | |
RU2010125682A (ru) | Способы и устройство обеспечения системы прогнозирования групповой торговли | |
JP5603468B1 (ja) | 文書分別システム及び文書分別方法並びに文書分別プログラム | |
Bhattacharya et al. | An exploratory study of RFID adoption in the retail sector | |
CN104463548B (zh) | 一种多因素影响下的承运量化选择方法 | |
CN103902597A (zh) | 确定目标关键词所对应的搜索相关性类别的方法和设备 | |
CN107122467A (zh) | 一种搜索引擎的检索结果评价方法及装置、计算机可读介质 | |
CN108777004B (zh) | 高速公路客运车辆跨省匹配方法及装置 | |
CN109739844A (zh) | 基于衰减权重的数据分类方法 | |
WO2020150611A1 (en) | Systems and methods for entity performance and risk scoring | |
CN109189831A (zh) | 一种基于组合赋权的购车倾向用户识别方法 | |
Nurdina et al. | Naive Bayes and KNN for Airline Passenger Satisfaction Classification: Comparative Analysis | |
CN108629508A (zh) | 信用风险分类方法、装置、计算机设备及存储介质 | |
Donatiello et al. | The role of the conditional independence assumption in statistically matching income and consumption | |
Hülle et al. | Analytic network process–an overview of applications in research and practice | |
CN105786810A (zh) | 类目映射关系的建立方法与装置 | |
Bellandi et al. | Graph embeddings in criminal investigation: towards combining precision, generalization and transparency: special issue on computational aspects of network science | |
CN111930957A (zh) | 实体间亲密度的分析方法、装置、电子设备以及存储介质 | |
JP7315733B2 (ja) | 新製品の販売量の予測方法 | |
CN115063224A (zh) | 基于用户画像的业务审核方法、装置、设备及存储介质 | |
CN108280531B (zh) | 一种基于Lasso回归的学生班级成绩排名预测方法 | |
CN113408207A (zh) | 基于社会网络分析技术的数据挖掘的一种方法 | |
Liao et al. | Mining business knowledge for developing integrated key performance indicators on an optical mould firm |
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 |
Application publication date: 20190111 |
|
RJ01 | Rejection of invention patent application after publication |