CN109271416A - 时间管理推荐方法、电子装置及可读存储介质 - Google Patents
时间管理推荐方法、电子装置及可读存储介质 Download PDFInfo
- Publication number
- CN109271416A CN109271416A CN201811023259.2A CN201811023259A CN109271416A CN 109271416 A CN109271416 A CN 109271416A CN 201811023259 A CN201811023259 A CN 201811023259A CN 109271416 A CN109271416 A CN 109271416A
- Authority
- CN
- China
- Prior art keywords
- information
- time management
- cluster
- target user
- template
- 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
- 238000000034 method Methods 0.000 title claims abstract description 37
- 230000003542 behavioural effect Effects 0.000 claims description 25
- 230000002123 temporal effect Effects 0.000 claims description 14
- 241001269238 Data Species 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 4
- 238000007726 management method Methods 0.000 description 165
- 230000009471 action Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 201000004569 Blindness Diseases 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000006116 polymerization reaction Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及一种时间管理推荐方法、电子装置及可读存储介质,该方法包括:获取目标用户的属性信息,所述属性信息至少包括职业信息、年龄信息和性别信息;根据所述目标用户的属性信息和预存的聚类类别,确定所述目标用户所属的聚类类别;根据预存的聚类类别与时间管理模板的对应关系,确定所述目标用户所属的聚类类别所对应的时间管理模板;将确定的所述时间管理模板推送给所述目标用户。本发明由于能根据用户包括职业信息、年龄信息和性别信息的属性信息来确定出该用户所属的预设聚类类别以及与之对应的时间管理模板,能对不同用户的个性化属性信息进行有针对性的时间管理模板推送,实现针对不同用户进行合理有效的时间管理。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种时间管理推荐方法、电子装置及可读存储介质。
背景技术
现有的很多时间管理的软件,只限于统一对所有的用户进行通用的时间管理提醒之类的功能,并没有根据每个人的不同属性信息作出针对性的时间管理,即无法针对不同用户进行合理有效的时间管理。
发明内容
本发明的目的在于提供一种时间管理推荐方法、电子装置及可读存储介质,旨在针对不同用户进行合理有效的时间管理。
为实现上述目的,本发明提供一种电子装置,所述电子装置包括存储器、处理器,所述存储器上存储有可在所述处理器上运行的时间管理推荐系统,所述时间管理推荐系统被所述处理器执行时实现如下步骤:
获取目标用户的属性信息,所述属性信息至少包括职业信息、年龄信息和性别信息;
根据所述目标用户的属性信息和预存的聚类类别,确定所述目标用户所属的聚类类别;
根据预存的聚类类别与时间管理模板的对应关系,确定所述目标用户所属的聚类类别所对应的时间管理模板;
将确定的所述时间管理模板推送给所述目标用户。
优选地,所述时间管理推荐系统被所述处理器执行,在实现所述获取目标用户的属性信息的步骤之前,还包括:
从预设的优秀人才数据库中选取若干样本数据;每一所述样本数据至少包括职业信息、年龄信息、性别信息和时间管理信息;所述时间管理信息包括相互对应的时间信息和行为信息;
根据所述职业信息、年龄信息和性别信息,对选取的样本数据进行聚类分析,得到若干聚类类别;
针对每一所述聚类类别对应生成一时间管理模板,所述时间管理模板包括相互对应的时间信息和行为信息。
优选地,所述时间管理推荐系统被所述处理器执行所述针对每一所述聚类类别对应生成一时间管理模板的步骤时,包括:
获取每一所述聚类类别对应的各个样本数据的时间管理信息;
根据获取的各个时间管理信息按预设规则生成该聚类类别对应的时间管理模板。
优选地,所述聚类分析采用的聚类算法为K-Means聚类、均值漂移聚类、DBSCAN聚类、GMM聚类、凝聚层次聚类和图团体检测聚类中的任意一种。
此外,为实现上述目的,本发明还提供一种时间管理推荐方法,所述方法包括:
获取目标用户的属性信息,所述属性信息至少包括职业信息、年龄信息和性别信息;
根据所述目标用户的属性信息和预存的聚类类别,确定所述目标用户所属的聚类类别;
根据预存的聚类类别与时间管理模板的对应关系,确定所述目标用户所属的聚类类别所对应的时间管理模板;
将确定的所述时间管理模板推送给所述目标用户。
优选地,在所述获取目标用户的属性信息的步骤之前,还包括:
从预设的优秀人才数据库中选取若干样本数据;每一所述样本数据至少包括职业信息、年龄信息、性别信息和时间管理信息;所述时间管理信息包括相互对应的时间信息和行为信息;
根据所述职业信息、年龄信息和性别信息,对选取的样本数据进行聚类分析,得到若干聚类类别;
针对每一所述聚类类别对应生成一时间管理模板,所述时间管理模板包括相互对应的时间信息和行为信息。
优选地,所述针对每一所述聚类类别对应生成一时间管理模板的步骤包括:
获取每一所述聚类类别对应的各个样本数据的时间管理信息;
根据获取的各个时间管理信息按预设规则生成该聚类类别对应的时间管理模板。
优选地,所述聚类分析采用的聚类算法为K-Means聚类、均值漂移聚类、DBSCAN聚类、GMM聚类、凝聚层次聚类和图团体检测聚类中的任意一种。
优选地,在所述将确定的所述时间管理模板推送给所述目标用户的步骤之前,还包括:
获取所述目标用户当前的时间管理信息;
所述将确定的所述时间管理模板推送给所述目标用户的步骤包括:
在所述目标用户当前的时间管理信息与确定的所述时间管理模板不匹配时,将确定的所述时间管理模板推送给所述目标用户。
进一步地,为实现上述目的,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质存储有时间管理推荐系统,所述时间管理推荐系统可被至少一个处理器执行,以使所述至少一个处理器执行如上述的时间管理推荐方法的步骤。
本发明提出的时间管理推荐方法、电子装置及可读存储介质,通过获取目标用户的职业信息、年龄信息和性别信息的属性信息,根据所述目标用户的属性信息和预存的聚类类别,确定所述目标用户所属的聚类类别;根据预存的聚类类别与时间管理模板的对应关系,确定所述目标用户所属的聚类类别所对应的时间管理模板;将确定的所述时间管理模板推送给所述目标用户。由于能根据用户包括职业信息、年龄信息和性别信息的属性信息来确定出该用户所属的预设聚类类别以及与之对应的时间管理模板,能对不同用户的个性化属性信息进行有针对性的时间管理模板推送,实现针对不同用户进行合理有效的时间管理。
附图说明
图1为本发明时间管理推荐系统较佳实施例的运行环境示意图;
图2为本发明时间管理推荐方法一实施例的流程示意图。
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。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。
需要说明的是,在本发明中涉及“第一”、“第二”等的描述仅用于描述目的,而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外,各个实施例之间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本发明要求的保护范围之内。
本发明提供一种时间管理推荐系统。请参阅图1,是本发明时间管理推荐系统10较佳实施例的运行环境示意图。
在本实施例中,所述的时间管理推荐系统10安装并运行于电子装置1中。该电子装置1可包括,但不仅限于,存储器11、处理器12及显示器13。图1仅示出了具有组件11-13的电子装置1,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。
所述存储器11为至少一种类型的可读计算机存储介质,所述存储器11在一些实施例中可以是所述电子装置1的内部存储单元,例如该电子装置1的硬盘或内存。所述存储器11在另一些实施例中也可以是所述电子装置1的外部存储设备,例如所述电子装置1上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器11还可以既包括所述电子装置1的内部存储单元也包括外部存储设备。所述存储器11用于存储安装于所述电子装置1的应用软件及各类数据,例如所述时间管理推荐系统10的程序代码等。所述存储器11还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器12在一些实施例中可以是一中央处理器(Central Processing Unit,CPU),微处理器或其他数据处理芯片,用于运行所述存储器11中存储的程序代码或处理数据,例如执行所述时间管理推荐系统10等。
所述显示器13在一些实施例中可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。所述显示器13用于显示在所述电子装置1中处理的信息以及用于显示可视化的用户界面,例如目标用户的属性信息、目标用户所属的聚类类别、推送的时间管理模板等。所述电子装置1的部件11-13通过系统总线相互通信。
时间管理推荐系统10包括至少一个存储在所述存储器11中的计算机可读指令,该至少一个计算机可读指令可被所述处理器12执行,以实现本申请各实施例。
其中,上述时间管理推荐系统10被所述处理器12执行时实现如下步骤:
步骤S1,获取目标用户的属性信息,所述属性信息至少包括职业信息、年龄信息和性别信息;此外,所述属性信息还可以包括但不限于位置信息、薪资信息、爱好信息、身高信息、体重信息等。
本实施例中,用户可以在手机、平板电脑、计算机、自助终端设备等终端上预先安装APP客户端,并在该APP客户端中输入该用户对应的属性信息,如职业信息、年龄信息和性别信息等。
电子装置可以向手机、平板电脑、计算机、自助终端设备等终端主动获取目标用户的属性信息。
或者,也可以通过手机、平板电脑、计算机、自助终端设备等终端中预先安装的客户端,向电子装置主动发送属性信息。
或者,还可以由用户基于手机、平板电脑、计算机、自助终端设备等终端上的APP客户端执行触发操作,并在触发操作执行后,由APP客户端记录用户的职业信息、年龄信息和性别信息等属性信息,并由APP客户端向电子装置发送属性信息。
步骤S2,根据所述目标用户的属性信息和预存的聚类类别,确定所述目标用户所属的聚类类别;
本实施例中,电子装置可以预存有若干聚类类别,每一聚类类别具有对应的属性信息,如职业信息、年龄信息和性别信息等。在一实施例中,每一个聚类类别还可以包括若干元数据,每一元数据均包括对应的属性信息,如职业信息、年龄信息和性别信息等。
根据该目标用户的属性信息,如职业信息、年龄信息和性别信息等,在各个聚类类别的属性信息中查找最接近的属性信息,则该最接近的属性信息所对应的聚类类别被确定为与该目标用户最接近的聚类类别,即该目标用户所属的聚类类别。
此外,每一个聚类类别对应一个时间管理模板。时间管理模板包括相互对应的时间信息和行为信息。
例如,时间管理模板可以包括相互对应的时长信息和行为信息。如表1所示:
时长信息 | 行为信息 |
1.5小时 | 阅读 |
1小时 | 健身 |
1小时 | 娱乐 |
2小时 | 学习 |
表1
或者,时间管理模板还可以包括相互对应的时间段信息和行为信息;如表2所示;
时间段信息 | 行为信息 |
6:30-8:00 | 阅读 |
12:30-13:30 | 健身 |
20:30-21:30 | 娱乐 |
19:30-20:30 | 学习 |
表2
步骤S3,根据预存的聚类类别与时间管理模板的对应关系,确定所述目标用户所属的聚类类别所对应的时间管理模板;
步骤S4,将确定的所述时间管理模板推送给所述目标用户。
可以理解的是,上述行为信息也可以包括书籍、文章、期刊、博客、网站、喜好、做人做事方法等。
电子装置在向目标用户推送时,可以将时间管理模板的时间信息与行为信息一起推送给用户。
或者,也可以仅将时间管理模板的行为信息推荐给用户,也可以视为电子装置将确定的时间管理模板推送给了目标用户。
在本实施例中,用户可以在APP客户端设置是否需要电子装置推送时间管理模板。在用户设置为需要电子装置推送时间管理模板时,则电子装置执行上述步骤S1至S4。在用户设置为不需要电子装置推送时间管理模板时,则电子装置不需要获取该用户的属性信息。
本实施例中,通过电子装置获取目标用户的属性信息,并根据目标用户的属性信息和预存的聚类类别,确定目标用户所属的聚类类别,然后电子装置根据预存的聚类类别与时间管理模板的对应关系,确定目标用户所属的聚类类别所对应的时间管理模板,电子装置将确定的时间管理模板推送给目标用户,从而能够有效的给目标用户推送一些较好的时间管理建议,提高目标用户的工作或学习效率。
本实施例通过获取目标用户的职业信息、年龄信息和性别信息的属性信息,根据所述目标用户的属性信息和预存的聚类类别,确定所述目标用户所属的聚类类别;根据预存的聚类类别与时间管理模板的对应关系,确定所述目标用户所属的聚类类别所对应的时间管理模板;将确定的所述时间管理模板推送给所述目标用户。由于能根据用户包括职业信息、年龄信息和性别信息的属性信息来确定出该用户所属的预设聚类类别以及与之对应的时间管理模板,能对不同用户的个性化属性信息进行有针对性的时间管理模板推送,实现针对不同用户进行合理有效的时间管理。
进一步地,在一可选的实施例中,在上述图1的实施例的基础上,所述时间管理推荐系统10被所述处理器12执行实现所述步骤S1之前时,还包括:
电子装置生成聚类类别。具体的,电子装置从优秀人才数据库中选取若干样本数据;每一所述样本数据至少包括职业信息、年龄信息、性别信息和时间管理信息;所述时间管理信息包括相互对应的时间信息和行为信息;时间管理信息的具体内容可以参照上述时间管理模板,与上述时间管理模板类似,在此不再赘述。
在本实施例中,优秀人才数据库中的样本数据可以由电子装置从第三方获取得到。或者,还可以为人为手动输入。或者,还可以电子装置通过对网络大数据进行分析,提取优秀人才的信息,并进行整合获得。
电子装置根据所述职业信息、年龄信息和性别信息,对选取的样本数据进行聚类分析,得到若干聚类类别。
所述聚类分析采用的聚类算法为K-Means聚类、均值漂移聚类、DBSCAN聚类、GMM聚类、凝聚层次聚类和图团体检测聚类中的任意一种。
1.K-Means(K均值)聚类,算法步骤:
(1)从n个数据对象任意选择k个对象作为初始聚类中心;
(2)根据每个聚类对象的均值(中心对象),计算每个对象与这些中心对象的距离;并根据最小距离重新对相应对象进行划分;
(3)重新计算每个(有变化)聚类的均值(中心对象);
(4)循环(2)到(3)直到每个聚类不再发生变化为止。
k-means算法接受输入量k;然后将n个数据对象划分为k个聚类以便使得所获得的聚类满足:同一聚类中的对象相似度较高;而不同聚类中的对象相似度较小。聚类相似度是利用各聚类中对象的均值所获得一个"中心对象"来进行计算的。
2.均值漂移聚类:
均值漂移聚类是基于滑动窗口的算法,来找到数据点的密集区域。这是一个基于质心的算法,通过将中心点的候选点更新为滑动窗口内点的均值来完成,来定位每个组/类的中心点。然后对这些候选窗口进行相似窗口进行去除,最终形成中心点集及相应的分组。
具体步骤:
1)确定滑动窗口半径r,以随机选取的中心点C半径为r的圆形滑动窗口开始滑动。均值漂移类似一种爬山算法,在每一次迭代中向密度更高的区域移动,直到收敛。
2)每一次滑动到新的区域,计算滑动窗口内的均值来作为中心点,滑动窗口内的点的数量为窗口内的密度。在每一次移动中,窗口会想密度更高的区域移动。
3)移动窗口,计算窗口内的中心点以及窗口内的密度,知道没有方向在窗口内可以容纳更多的点,即一直移动到圆内密度不再增加为止。
4)步骤一到三会产生很多个滑动窗口,当多个滑动窗口重叠时,保留包含最多点的窗口,然后根据数据点所在的滑动窗口进行聚类。
3.基于密度的聚类方法(DBSCAN),具体步骤:
1)首先确定半径r和minPoints.从一个没有被访问过的任意数据点开始,以这个点为中心,r为半径的圆内包含的点的数量是否大于或等于minPoints,如果大于或等于minPoints则改点被标记为central point,反之则会被标记为noise point。
2)重复1的步骤,如果一个noise point存在于某个central point为半径的圆内,则这个点被标记为边缘点,反之仍为noise point。重复步骤1),知道所有的点都被访问过。
4.用高斯混合模型(GMM)的最大期望(EM)聚类,具体步骤:
1)选择簇的数量(与K-Means类似)并随机初始化每个簇的高斯分布参数(均值和方差)。也可以先观察数据给出一个相对精确的均值和方差。
2)给定每个簇的高斯分布,计算每个数据点属于每个簇的概率。一个点越靠近高斯分布的中心就越可能属于该簇。
3)基于这些概率我们计算高斯分布参数使得数据点的概率最大化,可以使用数据点概率的加权来计算这些新的参数,权重就是数据点属于该簇的概率。
4)重复迭代2)和3)直到在迭代中的变化不大。
5.凝聚层次聚类
层次聚类算法分为两类:自上而下和自下而上。凝聚层级聚类(HAC)是自下而上的一种聚类算法。HAC首先将每个数据点视为一个单一的簇,然后计算所有簇之间的距离来合并簇,直到所有的簇聚合成为一个簇为止。
6.图团体检测(Graph Community Detection),具体步骤:
1)首先初始分配每个顶点到其自己的团体,然后计算整个网络的模块性M。
2)第1)步要求每个团体对(community pair)至少被一条单边链接,如果有两个团体融合到了一起,该算法就计算由此造成的模块性改变ΔM。
3)第2)步是取ΔM出现了最大增长的团体对,然后融合。然后为这个聚类计算新的模块性M,并记录下来。
4)重复第1)步和第2)步,每一次都融合团体对,这样最后得到ΔM的最大增益,然后记录新的聚类模式及其相应的模块性分数M。
5)重复第1)步和第2)步,每一次都融合团体对,这样最后得到ΔM的最大增益,然后记录新的聚类模式及其相应的模块性分数M。
电子装置针对每一所述聚类类别对应生成一时间管理模板,所述时间管理模板包括相互对应的时间信息和行为信息。具体的,电子装置获取每一所述聚类类别对应的各个样本数据的时间管理信息;根据获取的各个时间管理信息生成该聚类类别对应的时间管理模板。
在本实施例中,对于每一个聚类类别,可以对该聚类类别对应的各个样本数据的时间管理信息,再次进行聚类分析,然后选取概率或权重最大的聚类结果,作为该聚类类别对应的时间管理模板。
或者,对于每一个聚类类别,可以对该聚类类别对应的各个样本数据的时间管理信息进行平均处理,平均处理后的结果作为该聚类类别对应的时间管理模板。
本实施例中,电子装置可以对大数据进行智能学习,自动的生成时间管理模板,并对优秀人才数据库进行分析,能够有效地提高向用户推送时间管理模板的准确性。
进一步地,在一可选的实施例中,所述时间管理推荐系统10被所述处理器12执行实现所述步骤S4之前,还包括:
获取所述目标用户当前的时间管理信息。例如,用户可以在手机、平板电脑、计算机、自助终端设备等终端上预先安装APP客户端,并在该APP客户端中输入该用户当前对应的时间管理信息。电子装置可以向手机、平板电脑、计算机、自助终端设备等终端主动获取目标用户当前的时间管理信息。或者,也可以通过手机、平板电脑、计算机、自助终端设备等终端中预先安装的客户端,向电子装置主动发送用户当前的时间管理信息。或者,还可以由用户基于手机、平板电脑、计算机、自助终端设备等终端上的APP客户端执行触发操作,并在触发操作执行后,由APP客户端向电子装置发送用户当前的时间管理信息。
步骤S4还包括:在所述目标用户当前的时间管理信息与确定的所述时间管理模板不匹配时,所述电子装置将确定的所述时间管理模板推送给所述目标用户。
本实施例中,在目标用户当前使用的时间管理信息与确定的所述时间管理模板不匹配时,表示该目标用户当前的时间管理信息与优秀人才的时间管理信息不一致,因此可以向目标用户推送对应的时间管理模板。从而电子装置并不会盲目的向所有用户推送时间管理模板,而是向有需要的用户智能的推荐时间管理模板。
如图2所示,图2为本发明时间管理推荐方法一实施例的流程示意图,该时间管理推荐方法包括以下步骤:
步骤S10,获取目标用户的属性信息,所述属性信息至少包括职业信息、年龄信息和性别信息;此外,所述属性信息还可以包括但不限于位置信息、薪资信息、爱好信息、身高信息、体重信息等。
本实施例中,用户可以在手机、平板电脑、计算机、自助终端设备等终端上预先安装APP客户端,并在该APP客户端中输入该用户对应的属性信息,如职业信息、年龄信息和性别信息等。
电子装置可以向手机、平板电脑、计算机、自助终端设备等终端主动获取目标用户的属性信息。
或者,也可以通过手机、平板电脑、计算机、自助终端设备等终端中预先安装的客户端,向电子装置主动发送属性信息。
或者,还可以由用户基于手机、平板电脑、计算机、自助终端设备等终端上的APP客户端执行触发操作,并在触发操作执行后,由APP客户端记录用户的职业信息、年龄信息和性别信息等属性信息,并由APP客户端向电子装置发送属性信息。
步骤S20,根据所述目标用户的属性信息和预存的聚类类别,确定所述目标用户所属的聚类类别;
本实施例中,电子装置可以预存有若干聚类类别,每一聚类类别具有对应的属性信息,如职业信息、年龄信息和性别信息等。在一实施例中,每一个聚类类别还可以包括若干元数据,每一元数据均包括对应的属性信息,如职业信息、年龄信息和性别信息等。
根据该目标用户的属性信息,如职业信息、年龄信息和性别信息等,在各个聚类类别的属性信息中查找最接近的属性信息,则该最接近的属性信息所对应的聚类类别被确定为与该目标用户最接近的聚类类别,即该目标用户所属的聚类类别。
此外,每一个聚类类别对应一个时间管理模板。时间管理模板包括相互对应的时间信息和行为信息。
例如,时间管理模板可以包括相互对应的时长信息和行为信息。如表1所示:
时长信息 | 行为信息 |
1.5小时 | 阅读 |
1小时 | 健身 |
1小时 | 娱乐 |
2小时 | 学习 |
表1
或者,时间管理模板还可以包括相互对应的时间段信息和行为信息;如表2所示;
表2
步骤S30,根据预存的聚类类别与时间管理模板的对应关系,确定所述目标用户所属的聚类类别所对应的时间管理模板;
步骤S40,将确定的所述时间管理模板推送给所述目标用户。
可以理解的是,上述行为信息也可以包括书籍、文章、期刊、博客、网站、喜好、做人做事方法等。
电子装置在向目标用户推送时,可以将时间管理模板的时间信息与行为信息一起推送给用户。
或者,也可以仅将时间管理模板的行为信息推荐给用户,也可以视为电子装置将确定的时间管理模板推送给了目标用户。
在本实施例中,用户可以在APP客户端设置是否需要电子装置推送时间管理模板。在用户设置为需要电子装置推送时间管理模板时,则电子装置执行上述步骤S10至S40。在用户设置为不需要电子装置推送时间管理模板时,则电子装置不需要获取该用户的属性信息。
本实施例中,通过电子装置获取目标用户的属性信息,并根据目标用户的属性信息和预存的聚类类别,确定目标用户所属的聚类类别,然后电子装置根据预存的聚类类别与时间管理模板的对应关系,确定目标用户所属的聚类类别所对应的时间管理模板,电子装置将确定的时间管理模板推送给目标用户,从而能够有效的给目标用户推送一些较好的时间管理建议,提高目标用户的工作或学习效率。
本实施例通过获取目标用户的职业信息、年龄信息和性别信息的属性信息,根据所述目标用户的属性信息和预存的聚类类别,确定所述目标用户所属的聚类类别;根据预存的聚类类别与时间管理模板的对应关系,确定所述目标用户所属的聚类类别所对应的时间管理模板;将确定的所述时间管理模板推送给所述目标用户。由于能根据用户包括职业信息、年龄信息和性别信息的属性信息来确定出该用户所属的预设聚类类别以及与之对应的时间管理模板,能对不同用户的个性化属性信息进行有针对性的时间管理模板推送,实现针对不同用户进行合理有效的时间管理。
进一步地,在一可选的实施例中,在上述实施例的基础上,在所述步骤S10之前时,该方法还包括:
电子装置生成聚类类别。具体的,电子装置从优秀人才数据库中选取若干样本数据;每一所述样本数据至少包括职业信息、年龄信息、性别信息和时间管理信息;所述时间管理信息包括相互对应的时间信息和行为信息;时间管理信息的具体内容可以参照上述时间管理模板,与上述时间管理模板类似,在此不再赘述。
在本实施例中,优秀人才数据库中的样本数据可以由电子装置从第三方获取得到。或者,还可以为人为手动输入。或者,还可以电子装置通过对网络大数据进行分析,提取优秀人才的信息,并进行整合获得。
电子装置根据所述职业信息、年龄信息和性别信息,对选取的样本数据进行聚类分析,得到若干聚类类别。
所述聚类分析采用的聚类算法为K-Means聚类、均值漂移聚类、DBSCAN聚类、GMM聚类、凝聚层次聚类和图团体检测聚类中的任意一种。
1.K-Means(K均值)聚类,算法步骤:
(1)从n个数据对象任意选择k个对象作为初始聚类中心;
(2)根据每个聚类对象的均值(中心对象),计算每个对象与这些中心对象的距离;并根据最小距离重新对相应对象进行划分;
(3)重新计算每个(有变化)聚类的均值(中心对象);
(4)循环(2)到(3)直到每个聚类不再发生变化为止。
k-means算法接受输入量k;然后将n个数据对象划分为k个聚类以便使得所获得的聚类满足:同一聚类中的对象相似度较高;而不同聚类中的对象相似度较小。聚类相似度是利用各聚类中对象的均值所获得一个"中心对象"来进行计算的。
2.均值漂移聚类:
均值漂移聚类是基于滑动窗口的算法,来找到数据点的密集区域。这是一个基于质心的算法,通过将中心点的候选点更新为滑动窗口内点的均值来完成,来定位每个组/类的中心点。然后对这些候选窗口进行相似窗口进行去除,最终形成中心点集及相应的分组。
具体步骤:
1)确定滑动窗口半径r,以随机选取的中心点C半径为r的圆形滑动窗口开始滑动。均值漂移类似一种爬山算法,在每一次迭代中向密度更高的区域移动,直到收敛。
2)每一次滑动到新的区域,计算滑动窗口内的均值来作为中心点,滑动窗口内的点的数量为窗口内的密度。在每一次移动中,窗口会想密度更高的区域移动。
3)移动窗口,计算窗口内的中心点以及窗口内的密度,知道没有方向在窗口内可以容纳更多的点,即一直移动到圆内密度不再增加为止。
4)步骤一到三会产生很多个滑动窗口,当多个滑动窗口重叠时,保留包含最多点的窗口,然后根据数据点所在的滑动窗口进行聚类。
3.基于密度的聚类方法(DBSCAN),具体步骤:
1)首先确定半径r和minPoints.从一个没有被访问过的任意数据点开始,以这个点为中心,r为半径的圆内包含的点的数量是否大于或等于minPoints,如果大于或等于minPoints则改点被标记为central point,反之则会被标记为noise point。
2)重复1的步骤,如果一个noise point存在于某个central point为半径的圆内,则这个点被标记为边缘点,反之仍为noise point。重复步骤1),知道所有的点都被访问过。
4.用高斯混合模型(GMM)的最大期望(EM)聚类,具体步骤:
1)选择簇的数量(与K-Means类似)并随机初始化每个簇的高斯分布参数(均值和方差)。也可以先观察数据给出一个相对精确的均值和方差。
2)给定每个簇的高斯分布,计算每个数据点属于每个簇的概率。一个点越靠近高斯分布的中心就越可能属于该簇。
3)基于这些概率我们计算高斯分布参数使得数据点的概率最大化,可以使用数据点概率的加权来计算这些新的参数,权重就是数据点属于该簇的概率。
4)重复迭代2)和3)直到在迭代中的变化不大。
5.凝聚层次聚类
层次聚类算法分为两类:自上而下和自下而上。凝聚层级聚类(HAC)是自下而上的一种聚类算法。HAC首先将每个数据点视为一个单一的簇,然后计算所有簇之间的距离来合并簇,直到所有的簇聚合成为一个簇为止。
6.图团体检测(Graph Community Detection),具体步骤:
1)首先初始分配每个顶点到其自己的团体,然后计算整个网络的模块性M。
2)第1)步要求每个团体对(community pair)至少被一条单边链接,如果有两个团体融合到了一起,该算法就计算由此造成的模块性改变ΔM。
3)第2)步是取ΔM出现了最大增长的团体对,然后融合。然后为这个聚类计算新的模块性M,并记录下来。
4)重复第1)步和第2)步,每一次都融合团体对,这样最后得到ΔM的最大增益,然后记录新的聚类模式及其相应的模块性分数M。
5)重复第1)步和第2)步,每一次都融合团体对,这样最后得到ΔM的最大增益,然后记录新的聚类模式及其相应的模块性分数M。
电子装置针对每一所述聚类类别对应生成一时间管理模板,所述时间管理模板包括相互对应的时间信息和行为信息。具体的,电子装置获取每一所述聚类类别对应的各个样本数据的时间管理信息;根据获取的各个时间管理信息生成该聚类类别对应的时间管理模板。
在本实施例中,对于每一个聚类类别,可以对该聚类类别对应的各个样本数据的时间管理信息,再次进行聚类分析,然后选取概率或权重最大的聚类结果,作为该聚类类别对应的时间管理模板。
或者,对于每一个聚类类别,可以对该聚类类别对应的各个样本数据的时间管理信息进行平均处理,平均处理后的结果作为该聚类类别对应的时间管理模板。
本实施例中,电子装置可以对大数据进行智能学习,自动的生成时间管理模板,并对优秀人才数据库进行分析,能够有效地提高向用户推送时间管理模板的准确性。
进一步地,在一可选的实施例中,在所述步骤S40之前,该方法还包括:
获取所述目标用户当前的时间管理信息。例如,用户可以在手机、平板电脑、计算机、自助终端设备等终端上预先安装APP客户端,并在该APP客户端中输入该用户当前对应的时间管理信息。电子装置可以向手机、平板电脑、计算机、自助终端设备等终端主动获取目标用户当前的时间管理信息。或者,也可以通过手机、平板电脑、计算机、自助终端设备等终端中预先安装的客户端,向电子装置主动发送用户当前的时间管理信息。或者,还可以由用户基于手机、平板电脑、计算机、自助终端设备等终端上的APP客户端执行触发操作,并在触发操作执行后,由APP客户端向电子装置发送用户当前的时间管理信息。
步骤S40还包括:在所述目标用户当前的时间管理信息与确定的所述时间管理模板不匹配时,所述电子装置将确定的所述时间管理模板推送给所述目标用户。
本实施例中,在目标用户当前使用的时间管理信息与确定的所述时间管理模板不匹配时,表示该目标用户当前的时间管理信息与优秀人才的时间管理信息不一致,因此可以向目标用户推送对应的时间管理模板。从而电子装置并不会盲目的向所有用户推送时间管理模板,而是向有需要的用户智能的推荐时间管理模板。
此外,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质存储有时间管理推荐系统,所述时间管理推荐系统可被至少一个处理器执行,以使所述至少一个处理器执行如上述实施例中的时间管理推荐方法的步骤,该时间管理推荐方法的步骤S10、S20、S30等具体实施过程如上文所述,在此不再赘述。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件来实现,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的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(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
以上参照附图说明了本发明的优选实施例,并非因此局限本发明的权利范围。上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。另外,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
本领域技术人员不脱离本发明的范围和实质,可以有多种变型方案实现本发明,比如作为一个实施例的特征可用于另一实施例而得到又一实施例。凡在运用本发明的技术构思之内所作的任何修改、等同替换和改进,均应在本发明的权利范围之内。
Claims (10)
1.一种电子装置,其特征在于,所述电子装置包括存储器、处理器,所述存储器上存储有可在所述处理器上运行的时间管理推荐系统,所述时间管理推荐系统被所述处理器执行时实现如下步骤:
获取目标用户的属性信息,所述属性信息至少包括职业信息、年龄信息和性别信息;
根据所述目标用户的属性信息和预存的聚类类别,确定所述目标用户所属的聚类类别;
根据预存的聚类类别与时间管理模板的对应关系,确定所述目标用户所属的聚类类别所对应的时间管理模板;
将确定的所述时间管理模板推送给所述目标用户。
2.如权利要求1所述的电子装置,其特征在于,所述时间管理推荐系统被所述处理器执行,在实现所述获取目标用户的属性信息的步骤之前,还包括:
从预设的优秀人才数据库中选取若干样本数据;每一所述样本数据至少包括职业信息、年龄信息、性别信息和时间管理信息;所述时间管理信息包括相互对应的时间信息和行为信息;
根据所述职业信息、年龄信息和性别信息,对选取的样本数据进行聚类分析,得到若干聚类类别;
针对每一所述聚类类别对应生成一时间管理模板,所述时间管理模板包括相互对应的时间信息和行为信息。
3.如权利要求2所述的电子装置,其特征在于,所述时间管理推荐系统被所述处理器执行所述针对每一所述聚类类别对应生成一时间管理模板的步骤时,包括:
获取每一所述聚类类别对应的各个样本数据的时间管理信息;
根据获取的各个时间管理信息按预设规则生成该聚类类别对应的时间管理模板。
4.如权利要求2或3所述的电子装置,其特征在于,所述聚类分析采用的聚类算法为K-Means聚类、均值漂移聚类、DBSCAN聚类、GMM聚类、凝聚层次聚类和图团体检测聚类中的任意一种。
5.一种时间管理推荐方法,其特征在于,所述方法包括:
获取目标用户的属性信息,所述属性信息至少包括职业信息、年龄信息和性别信息;
根据所述目标用户的属性信息和预存的聚类类别,确定所述目标用户所属的聚类类别;
根据预存的聚类类别与时间管理模板的对应关系,确定所述目标用户所属的聚类类别所对应的时间管理模板;
将确定的所述时间管理模板推送给所述目标用户。
6.如权利要求5所述的时间管理推荐方法,其特征在于,所述获取目标用户的属性信息的步骤之前,还包括:
从预设的优秀人才数据库中选取若干样本数据;每一所述样本数据至少包括职业信息、年龄信息、性别信息和时间管理信息;所述时间管理信息包括相互对应的时间信息和行为信息;
根据所述职业信息、年龄信息和性别信息,对选取的样本数据进行聚类分析,得到若干聚类类别;
针对每一所述聚类类别对应生成一时间管理模板,所述时间管理模板包括相互对应的时间信息和行为信息。
7.如权利要求6所述的时间管理推荐方法,其特征在于,所述针对每一所述聚类类别对应生成一时间管理模板的步骤包括:
获取每一所述聚类类别对应的各个样本数据的时间管理信息;
根据获取的各个时间管理信息按预设规则生成该聚类类别对应的时间管理模板。
8.如权利要求6或7所述的时间管理推荐方法,其特征在于,所述聚类分析采用的聚类算法为K-Means聚类、均值漂移聚类、DBSCAN聚类、GMM聚类、凝聚层次聚类和图团体检测聚类中的任意一种。
9.如权利要求5至7中任一项所述的时间管理推荐方法,其特征在于,在所述将确定的所述时间管理模板推送给所述目标用户的步骤之前,还包括:
获取所述目标用户当前的时间管理信息;
所述将确定的所述时间管理模板推送给所述目标用户的步骤包括:
在所述目标用户当前的时间管理信息与确定的所述时间管理模板不匹配时,将确定的所述时间管理模板推送给所述目标用户。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有时间管理推荐系统,所述时间管理推荐系统被处理器执行时实现如权利要求5至9中任一项所述的时间管理推荐方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811023259.2A CN109271416A (zh) | 2018-09-03 | 2018-09-03 | 时间管理推荐方法、电子装置及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811023259.2A CN109271416A (zh) | 2018-09-03 | 2018-09-03 | 时间管理推荐方法、电子装置及可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109271416A true CN109271416A (zh) | 2019-01-25 |
Family
ID=65187822
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811023259.2A Pending CN109271416A (zh) | 2018-09-03 | 2018-09-03 | 时间管理推荐方法、电子装置及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109271416A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111158828A (zh) * | 2019-12-30 | 2020-05-15 | 青岛海尔科技有限公司 | 应用程序app的用户界面确定方法及装置、存储介质 |
CN111859281A (zh) * | 2020-05-29 | 2020-10-30 | 石化盈科信息技术有限责任公司 | 物品补给时间预测方法、装置、存储介质及电子设备 |
CN112990276A (zh) * | 2021-02-20 | 2021-06-18 | 平安科技(深圳)有限公司 | 基于自组织集群的联邦学习方法、装置、设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104346225A (zh) * | 2012-03-31 | 2015-02-11 | 北京奇虎科技有限公司 | 一种用户界面的模式适配方法及模式适配系统 |
CN105427089A (zh) * | 2015-11-13 | 2016-03-23 | Tcl集团股份有限公司 | 一种智能日程、设置、检测方法与日程系统 |
CN105976161A (zh) * | 2016-04-29 | 2016-09-28 | 随身云(北京)信息技术有限公司 | 一种基于时间轴上的智能推荐日历及基于用户的呈现方法 |
CN106326657A (zh) * | 2016-08-24 | 2017-01-11 | 北京叮叮关爱科技有限公司 | 服药计划的推荐方法及系统 |
CN107251065A (zh) * | 2015-02-19 | 2017-10-13 | 微软技术许可有限责任公司 | 个性化通知 |
-
2018
- 2018-09-03 CN CN201811023259.2A patent/CN109271416A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104346225A (zh) * | 2012-03-31 | 2015-02-11 | 北京奇虎科技有限公司 | 一种用户界面的模式适配方法及模式适配系统 |
CN107251065A (zh) * | 2015-02-19 | 2017-10-13 | 微软技术许可有限责任公司 | 个性化通知 |
CN105427089A (zh) * | 2015-11-13 | 2016-03-23 | Tcl集团股份有限公司 | 一种智能日程、设置、检测方法与日程系统 |
CN105976161A (zh) * | 2016-04-29 | 2016-09-28 | 随身云(北京)信息技术有限公司 | 一种基于时间轴上的智能推荐日历及基于用户的呈现方法 |
CN106326657A (zh) * | 2016-08-24 | 2017-01-11 | 北京叮叮关爱科技有限公司 | 服药计划的推荐方法及系统 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111158828A (zh) * | 2019-12-30 | 2020-05-15 | 青岛海尔科技有限公司 | 应用程序app的用户界面确定方法及装置、存储介质 |
CN111859281A (zh) * | 2020-05-29 | 2020-10-30 | 石化盈科信息技术有限责任公司 | 物品补给时间预测方法、装置、存储介质及电子设备 |
CN111859281B (zh) * | 2020-05-29 | 2023-09-08 | 石化盈科信息技术有限责任公司 | 物品补给时间预测方法、装置、存储介质及电子设备 |
CN112990276A (zh) * | 2021-02-20 | 2021-06-18 | 平安科技(深圳)有限公司 | 基于自组织集群的联邦学习方法、装置、设备及存储介质 |
CN112990276B (zh) * | 2021-02-20 | 2023-07-21 | 平安科技(深圳)有限公司 | 基于自组织集群的联邦学习方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kumar et al. | An efficient k-means clustering filtering algorithm using density based initial cluster centers | |
Wu et al. | Contextual bandits in a collaborative environment | |
Yin et al. | Joint modeling of user check-in behaviors for real-time point-of-interest recommendation | |
Zhao et al. | SAR: A sentiment-aspect-region model for user preference analysis in geo-tagged reviews | |
Li et al. | Using multidimensional clustering based collaborative filtering approach improving recommendation diversity | |
CN109300041A (zh) | 理财策略推荐方法、电子装置及可读存储介质 | |
Nikolakopoulos et al. | Trust your neighbors: A comprehensive survey of neighborhood-based methods for recommender systems | |
Boratto et al. | Discovery and representation of the preferences of automatically detected groups: Exploiting the link between group modeling and clustering | |
Aliannejadi et al. | A joint two-phase time-sensitive regularized collaborative ranking model for point of interest recommendation | |
CN107391509B (zh) | 标签推荐方法及装置 | |
CN111488385B (zh) | 基于人工智能的数据处理方法、装置和计算机设备 | |
Lyu et al. | iMCRec: A multi-criteria framework for personalized point-of-interest recommendations | |
CN109271416A (zh) | 时间管理推荐方法、电子装置及可读存储介质 | |
CN110472016B (zh) | 文章推荐方法、装置、电子设备及存储介质 | |
CN110135889A (zh) | 智能推荐书单的方法、服务器及存储介质 | |
Liu et al. | Self-adapted mixture distance measure for clustering uncertain data | |
Chung et al. | Categorization for grouping associative items using data mining in item-based collaborative filtering | |
CN112989169A (zh) | 目标对象识别方法、信息推荐方法、装置、设备及介质 | |
Huang et al. | Information fusion oriented heterogeneous social network for friend recommendation via community detection | |
CN108764324A (zh) | 一种基于K-Means算法和共现词的文本数据快速处理方法 | |
Modani et al. | Fairness aware recommendations on behance | |
Zhang et al. | Improving augmented reality using recommender systems | |
Liu et al. | Collaborative prediction for multi-entity interaction with hierarchical representation | |
Yan et al. | The self-adaptive integrated algorithm on time-sensitive cluster evolution tracking | |
CN106844365A (zh) | 一种应用分发平台的应用信息推送方法和装置 |
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 |