CN109359137A - 基于特征筛选与半监督学习的用户成长性画像构建方法 - Google Patents

基于特征筛选与半监督学习的用户成长性画像构建方法 Download PDF

Info

Publication number
CN109359137A
CN109359137A CN201811199944.0A CN201811199944A CN109359137A CN 109359137 A CN109359137 A CN 109359137A CN 201811199944 A CN201811199944 A CN 201811199944A CN 109359137 A CN109359137 A CN 109359137A
Authority
CN
China
Prior art keywords
user
model
training
semi
feature
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
Application number
CN201811199944.0A
Other languages
English (en)
Other versions
CN109359137B (zh
Inventor
王健
钱凌飞
董哲瑾
林鸿飞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Dalian University of Technology
Original Assignee
Dalian University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Dalian University of Technology filed Critical Dalian University of Technology
Priority to CN201811199944.0A priority Critical patent/CN109359137B/zh
Publication of CN109359137A publication Critical patent/CN109359137A/zh
Application granted granted Critical
Publication of CN109359137B publication Critical patent/CN109359137B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers

Abstract

本发明涉及一种用户成长性画像构建方法，一种基于特征筛选与半监督学习的用户成长性画像构建方法，包括以下步骤：(1)对原始用户数据进行预处理，(2)根据用户的行为数据，提取用户的行为特征和时间特征，(3)在行为特征和时间特征上进行特征筛选，(4)使用半监督学习扩大训练集，(5)训练一级模型，(6)模型融合，(7)用户成长值的预测。本发明除了关注用户的行为特征，还关注了用户的时间特征，并且使用特征筛选的方法选出其中区分度明显的特征，结合半监督方法扩充训练集，最后使用模型融合的方法，提高模型最终的准确率和稳定性。

Description

基于特征筛选与半监督学习的用户成长性画像构建方法
技术领域
本发明涉及一种用户成长性画像构建方法，更具体地说，涉及一种基于特征筛选与半监督学习的用户成长性画像构建方法。
背景技术
随着互联网行业发展的越来越成熟，现在各大互联网公司都开始加大力度进行用户资源的争夺，而其中重要的一环就是用户的精准营销服务。另一方面，用户画像在大数据的基础上，为每个用户贴上标签，因此可以看出，用户画像是实现精准营销的一大助力。而用户的成长性画像又是用户画像中十分重要的一环。用户的成长值反映了用在社交媒体平台，如博客、微博等的潜在活跃力。如果可以预测某一话题领域的用户成长值，那么将有助于前期产品的设计。用户的成长值预测对于公司产品的设计，用户运营，精准营销有很大助力，也因此成为当今国内外研究的重点方向。
目前，对于用户成长值预测的研究主要是对特征工程的探索。特征工程主要包括用户的一些基本特征，包括被关注数，被转发数，被提及数等。这些基本特征都被验证能较好地对用户进行分类从而实现精准营销。此外，还可以根据这些基本特征衍生出新的特征，比如说将关注数，被转发次数和被提及次数计算成排名来形成新的特征。除了这些基本特征，还有一些用户的行为特征，比如说登录次数、关注转发数量、点赞或点踩数量等，也可以有效地反映出用户的活跃度等属性。
目前的研究在提取用户特征时更多关注的是用户的行为特征，并且行为特征以‘次数’为主要挖掘对象。而在本发明中，不仅以‘行为次数’为主提取用户行为特征，还挖掘了时间特征。时间特征可以更全面地反映用户的回访率和用户粘性。相比于多变的行为特征，时间特征更稳定也更有利于模型的稳定性。
在采用监督学习的用户成长值预测中普遍存在的问题是标注数据不足，标注数据往往需要大量的专家知识，耗费大量的时间才能完成，所以高质量的标注数据往往十分的珍贵，大量的标注数据通常意味着很大的成本。因此本发明采用了半监督学习的方法来解决标注数据不足的问题。
发明内容
为了克服现有技术中存在的不足，本发明目的是提供一种基于特征筛选与半监督学习的用户成长性画像构建方法。该方法除了关注用户的行为特征，还关注了用户的时间特征，并且使用特征筛选的方法选出其中区分度明显的特征，结合半监督方法扩充训练集，最后使用模型融合的方法，提高模型最终的准确率和稳定性。
为了实现上述发明目的，解决已有技术中所存在的问题，本发明采取的技术方案是：一种基于特征筛选与半监督学习的用户成长性画像构建方法，包括以下步骤：
步骤1、对原始用户数据进行预处理，选择2017全国社会媒体处理大会SMPCUP评测任务CSDN用户画像数据集，并对其进行预处理，具体包括以下子步骤：
(a)把9个文件中的用户数据，包括用户浏览记录、用户发文记录、用户评论记录、用户点赞记录、用户点踩记录、用户点喜欢记录、用户关注记录、用户私信记录以及标注的用户成长值，通过用户ID进行整合；
(b)根据用户的各个行为的时间记录，统计用户各个行为的次数，然后对整合、统计之后的用户数据表的空值进行填充，其中，行为次数的空值使用0填充，时间记录的空值使用-1填充；
步骤2、根据用户的行为数据，提取用户的行为特征和时间特征，具体包括以下子步骤：
(a)提取统计得到的用户浏览次数、用户发文次数、用户评论次数、用户点赞次数、用户点踩次数、用户点喜欢次数、用户关注次数和用户私信次数作为用户的八个行为特征；
(b)抽取用户一年的活跃天数作为一个时间特征，另外，根据用户的所有活动时间记录，统计用户的活跃月份数，然后加上用户最开始的活跃月份，作为修正的活跃月数特征，最后提取用户的最后活跃时间，把用户最后活跃时间与用户所有行为次数之和分别归一化后相加，作为修正的用户最后活跃时间特征，一共形成三个用户时间特征，即用户一年的活跃天数，修正的活跃月数，修正的用户最后活跃时间三个用户时间特征；
步骤3、在行为特征和时间特征上进行特征筛选，具体包括以下子步骤：
(a)通过L1范数进行特征筛选，使用支持向量机回归SVR模型，设置惩罚项为L1，使用的目标函数通过公式(1)进行描述，
其中，表示SVR原有的成本项，w表示特征的权重，||w||1表示w的L1范数，由于L1范数非0，所以添加L1正则项之后会迫使不重要特征的权重趋于0，之后筛选掉特征权重小于预先设定的阈值1e-5的特征；
(b)通过树模型进行特征筛选，使用梯度提升树GBT训练模型，然后计算每个特征在所有树中的重要度平均值，把权重低于平均值的特征筛选掉；
步骤4、使用半监督学习扩大训练集，采用SVR训练样本预测未标注数据的成长值，然后使用基于协同训练的半监督回归算法COREG来扩大训练集，具体操作是使用公式(2)来计算预测的未标注样本成长值的置信度Δxu，
其中，xi表示已标注的样本，h表示用已标注的样本学习得到的SVR模型，Ω表示每一个待测样本的k个邻近结点组成的集合，这里k取7，yi表示已标注样本的真实值，H表示将未标注样本点(xu,yu)加入训练集后训练得到的SVR模型，最后取Δxu值最大的前1/8个未标注样本和其预测结果，将其当作已标注数据，来达到扩充训练样本的目的；
步骤5、训练一级模型，共有如下5个一级模型：
(a)使用全部的行为特征训练GBT模型；
(b)使用基于树模型筛选后的用户行为特征和时间特征，训练SVR模型；
(c)使用基于树模型筛选后的用户行为特征和时间特征，再结合半监督学习，训练随机森林RF回归模型；
(d)使用基于树模型筛选后的用户行为特征和时间特征，再结合半监督学习，训练k邻近KNN回归模型；
(e)使用基于树模型筛选后的用户行为特征和时间特征，再结合半监督学习，训练更多树回归ETR模型；
步骤6、模型融合，使用stacking方法融合上述5个一级模型，将上述5个一级模型的输出结果输入GBT模型进行融合；
步骤7、用户成长值的预测，利用步骤5、6得到的模型，在未标注数据上进行预测，得到未标注用户的成长值。
本发明有益效果是：一种基于特征筛选与半监督学习的用户成长性画像构建方法，包括以下步骤：(1)对原始用户数据进行预处理，(2)根据用户的行为数据，提取用户的行为特征和时间特征，(3)在行为特征和时间特征上进行特征筛选，(4)使用半监督学习扩大训练集，(5)训练一级模型，(6)模型融合，(7)用户成长值的预测。与已有技术相比，本发明除了关注用户的行为特征，还关注了用户的时间特征，并且使用特征筛选的方法选出其中区分度明显的特征，结合半监督方法扩充训练集，最后使用模型融合的方法，提高模型最终的准确率和稳定性。
附图说明
图1是本发明方法步骤流程图。
图2是本发明模型框架图。
具体实施方式
下面结合附图对本发明作进一步说明。
如图1所示，一种基于特征筛选与半监督学习的用户成长性画像构建方法，包括以下步骤：
步骤1、对原始用户数据进行预处理，选择2017全国社会媒体处理大会SMPCUP评测任务CSDN用户画像数据集，并对其进行预处理，具体包括以下子步骤：
(a)把9个文件中的用户数据，包括用户浏览记录、用户发文记录、用户评论记录、用户点赞记录、用户点踩记录、用户点喜欢记录、用户关注记录、用户私信记录以及标注的用户成长值，通过用户ID进行整合；
(b)根据用户的各个行为的时间记录，统计用户各个行为的次数，然后对整合、统计之后的用户数据表的空值进行填充，其中，行为次数的空值使用0填充，时间记录的空值使用-1填充；
步骤2、根据用户的行为数据，提取用户的行为特征和时间特征，具体包括以下子步骤：
(a)提取统计得到的用户浏览次数、用户发文次数、用户评论次数、用户点赞次数、用户点踩次数、用户点喜欢次数、用户关注次数和用户私信次数作为用户的八个行为特征；
(b)抽取用户一年的活跃天数作为一个时间特征，另外，根据用户的所有活动时间记录，统计用户的活跃月份数，然后加上用户最开始的活跃月份，作为修正的活跃月数特征，最后提取用户的最后活跃时间，把用户最后活跃时间与用户所有行为次数之和分别归一化后相加，作为修正的用户最后活跃时间特征，一共形成三个用户时间特征，即用户一年的活跃天数，修正的活跃月数，修正的用户最后活跃时间三个用户时间特征；
步骤3、在行为特征和时间特征上进行特征筛选，具体包括以下子步骤：
(a)通过L1范数进行特征筛选，使用支持向量机回归SVR模型，设置惩罚项为L1，使用的目标函数通过公式(1)进行描述，
其中，表示SVR原有的成本项，w表示特征的权重，||w||1表示w的L1范数，由于L1范数非0，所以添加L1正则项之后会迫使不重要特征的权重趋于0，之后筛选掉特征权重小于预先设定的阈值1e-5的特征；
(b)通过树模型进行特征筛选，使用梯度提升树GBT训练模型，然后计算每个特征在所有树中的重要度平均值，把权重低于平均值的特征筛选掉；
步骤4、使用半监督学习扩大训练集，采用SVR训练样本预测未标注数据的成长值，然后使用基于协同训练的半监督回归算法COREG来扩大训练集，具体操作是使用公式(2)来计算预测的未标注样本成长值的置信度Δxu，
其中，xi表示已标注的样本，h表示用已标注的样本学习得到的SVR模型，Ω表示每一个待测样本的k个邻近结点组成的集合，这里k取7，yi表示已标注样本的真实值，H表示将未标注样本点(xu,yu)加入训练集后训练得到的SVR模型，最后取Δxu值最大的前1/8个未标注样本和其预测结果，将其当作已标注数据，来达到扩充训练样本的目的；
步骤5、训练一级模型，共有如下5个一级模型：
(a)使用全部的行为特征训练GBT模型；
(b)使用基于树模型筛选后的用户行为特征和时间特征，训练SVR模型；
(c)使用基于树模型筛选后的用户行为特征和时间特征，再结合半监督学习，训练随机森林RF回归模型；
(d)使用基于树模型筛选后的用户行为特征和时间特征，再结合半监督学习，训练k邻近KNN回归模型；
(e)使用基于树模型筛选后的用户行为特征和时间特征，再结合半监督学习，训练更多树回归ETR模型；
步骤6、模型融合：使用stacking方法融合上述5个一级模型，将上述5个一级模型的输出结果输入GBT模型进行融合；
步骤7、用户成长值的预测，利用步骤5、6得到的模型，在未标注数据上进行预测，得到未标注用户的成长值。
为了检验本发明的有效性，本发明在CSDN数据上采取了实验，实验数据包括800条已标注的数据作为训练集，215条已标注数据作为测试集，4000个未标注的数据。本发明使用的准确率由预测的用户成长值与给定的用户真实成长值之间的相对误差来计算，即准确率为，
其中，N为预测用户的总数，vi为第i个用户的真实成长值，为第i个用户的预测成长值。从表1中的结果来看，本发明的最后结果相对于一些简单的模型有明显的提升，并且模型融合使得最后结果更加稳定。
表1
其中，WB表示全部的行为特征，L1B表示L1正则筛选后的行为特征，TreeB为使用树模型筛选后的行为特征，WT表示全部的时间特征，TreeT为使用树模型筛选后的时间特征，hkNN表示使用kNN算法进行半监督学习扩充训练集，hSVM表示使用SVM算法进行半监督学习扩充训练集。
本发明的优点在于：一种基于特征筛选与半监督学习的用户成长性画像构建方法，除了关注用户的行为特征，还关注了用户的时间特征，并且使用特征筛选的方法选出其中区分度明显的特征，结合半监督方法扩充训练集，最后使用模型融合的方法，提高模型最终的准确率和稳定性。

Claims (1)

1.一种基于特征筛选与半监督学习的用户成长性画像构建方法，其特征在于包括以下步骤：
步骤1、对原始用户数据进行预处理，选择2017全国社会媒体处理大会SMP CUP评测任务CSDN用户画像数据集，并对其进行预处理，具体包括以下子步骤：
(a)把9个文件中的用户数据，包括用户浏览记录、用户发文记录、用户评论记录、用户点赞记录、用户点踩记录、用户点喜欢记录、用户关注记录、用户私信记录以及标注的用户成长值，通过用户ID进行整合；
(b)根据用户的各个行为的时间记录，统计用户各个行为的次数，然后对整合、统计之后的用户数据表的空值进行填充，其中，行为次数的空值使用0填充，时间记录的空值使用-1填充；
步骤2、根据用户的行为数据，提取用户的行为特征和时间特征，具体包括以下子步骤：
(a)提取统计得到的用户浏览次数、用户发文次数、用户评论次数、用户点赞次数、用户点踩次数、用户点喜欢次数、用户关注次数和用户私信次数作为用户的八个行为特征；
(b)抽取用户一年的活跃天数作为一个时间特征，另外，根据用户的所有活动时间记录，统计用户的活跃月份数，然后加上用户最开始的活跃月份，作为修正的活跃月数特征，最后提取用户的最后活跃时间，把用户最后活跃时间与用户所有行为次数之和分别归一化后相加，作为修正的用户最后活跃时间特征，一共形成三个用户时间特征，即用户一年的活跃天数，修正的活跃月数，修正的用户最后活跃时间三个用户时间特征；
步骤3、在行为特征和时间特征上进行特征筛选，具体包括以下子步骤：
(a)通过L1范数进行特征筛选，使用支持向量机回归SVR模型，设置惩罚项为L1，使用的目标函数通过公式(1)进行描述，
其中，表示SVR原有的成本项，w表示特征的权重，||w||1表示w的L1范数，由于L1范数非0，所以添加L1正则项之后会迫使不重要特征的权重趋于0，之后筛选掉特征权重小于预先设定的阈值1e-5的特征；
(b)通过树模型进行特征筛选，使用梯度提升树GBT训练模型，然后计算每个特征在所有树中的重要度平均值，把权重低于平均值的特征筛选掉；
步骤4、使用半监督学习扩大训练集，采用SVR训练样本预测未标注数据的成长值，然后使用基于协同训练的半监督回归算法COREG来扩大训练集，具体操作是使用公式(2)来计算预测的未标注样本成长值的置信度Δxu，
其中，xi表示已标注的样本，h表示用已标注的样本学习得到的SVR模型，Ω表示每一个待测样本的k个邻近结点组成的集合，这里k取7，yi表示已标注样本的真实值，H表示将未标注样本点(xu,yu)加入训练集后训练得到的SVR模型，最后取Δxu值最大的前1/8个未标注样本和其预测结果，将其当作已标注数据，来达到扩充训练样本的目的；
步骤5、训练一级模型，共有如下5个一级模型：
(a)使用全部的行为特征训练GBT模型；
(b)使用基于树模型筛选后的用户行为特征和时间特征，训练SVR模型；
(c)使用基于树模型筛选后的用户行为特征和时间特征，再结合半监督学习，训练随机森林RF回归模型；
(d)使用基于树模型筛选后的用户行为特征和时间特征，再结合半监督学习，训练k邻近KNN回归模型；
(e)使用基于树模型筛选后的用户行为特征和时间特征，再结合半监督学习，训练更多树回归ETR模型；
步骤6、模型融合，使用stacking方法融合上述5个一级模型，将上述5个一级模型的输出结果输入GBT模型进行融合；
步骤7、用户成长值的预测，利用步骤5、6得到的模型，在未标注数据上进行预测，得到未标注用户的成长值。
CN201811199944.0A 2018-10-16 2018-10-16 基于特征筛选与半监督学习的用户成长性画像构建方法 Active CN109359137B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811199944.0A CN109359137B (zh) 2018-10-16 2018-10-16 基于特征筛选与半监督学习的用户成长性画像构建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811199944.0A CN109359137B (zh) 2018-10-16 2018-10-16 基于特征筛选与半监督学习的用户成长性画像构建方法

Publications (2)

Publication Number Publication Date
CN109359137A true CN109359137A (zh) 2019-02-19
CN109359137B CN109359137B (zh) 2021-03-26

Family

ID=65349477

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811199944.0A Active CN109359137B (zh) 2018-10-16 2018-10-16 基于特征筛选与半监督学习的用户成长性画像构建方法

Country Status (1)

Country Link
CN (1) CN109359137B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109903840A (zh) * 2019-02-28 2019-06-18 数坤（北京）网络科技有限公司 一种模型整合方法及设备
CN110674178A (zh) * 2019-08-30 2020-01-10 阿里巴巴集团控股有限公司 构建用户画像标签的方法及其系统
CN111177538A (zh) * 2019-12-13 2020-05-19 杭州顺网科技股份有限公司 一种基于无监督权值计算的用户兴趣标签构建方法
CN111667374A (zh) * 2020-06-10 2020-09-15 创新奇智(上海)科技有限公司 一种构建用户画像的方法、装置、存储介质和电子设备
CN113128597A (zh) * 2021-04-21 2021-07-16 浙江大学 一种用户行为特征的提取和分类预测的方法及装置
CN113496172A (zh) * 2020-04-03 2021-10-12 深圳爱根斯通科技有限公司 指纹异物检测的方法、装置、电子设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140074928A1 (en) * 2012-09-10 2014-03-13 Oracle International Corporation Semi-supervised identity aggregation of profiles using statistical methods
CN107423442A (zh) * 2017-08-07 2017-12-01 火烈鸟网络(广州)股份有限公司 基于用户画像行为分析的应用推荐方法及系统，储存介质及计算机设备
CN107633036A (zh) * 2017-09-08 2018-01-26 广州汪汪信息技术有限公司 一种微博用户画像方法、电子设备、存储介质、系统
CN108629633A (zh) * 2018-05-09 2018-10-09 浪潮软件股份有限公司 一种基于大数据建立用户画像的方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140074928A1 (en) * 2012-09-10 2014-03-13 Oracle International Corporation Semi-supervised identity aggregation of profiles using statistical methods
CN107423442A (zh) * 2017-08-07 2017-12-01 火烈鸟网络(广州)股份有限公司 基于用户画像行为分析的应用推荐方法及系统，储存介质及计算机设备
CN107633036A (zh) * 2017-09-08 2018-01-26 广州汪汪信息技术有限公司 一种微博用户画像方法、电子设备、存储介质、系统
CN108629633A (zh) * 2018-05-09 2018-10-09 浪潮软件股份有限公司 一种基于大数据建立用户画像的方法及系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
RICHARD J. OENTARYO等: "Collective Semi-Supervised Learning for User Profiling in Social Media", 《HTTPS://ARXIV.ORG/PDF/1606.07707.PDF》 *
ZHOU ZHIHUA等: "Semi-supervised regression with co-training", 《INTERNATIONAL JOINT CONFERENCE ON ARTIFICIAL INTELLIGENCE》 *
李恒超: "用户画像构建中知识表示与模型融合研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
王乐等: "基于模型堆叠的上网行为日志用户画像方法", 《CNKI》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109903840A (zh) * 2019-02-28 2019-06-18 数坤（北京）网络科技有限公司 一种模型整合方法及设备
CN110674178A (zh) * 2019-08-30 2020-01-10 阿里巴巴集团控股有限公司 构建用户画像标签的方法及其系统
CN110674178B (zh) * 2019-08-30 2023-09-05 创新先进技术有限公司 构建用户画像标签的方法及其系统
CN111177538A (zh) * 2019-12-13 2020-05-19 杭州顺网科技股份有限公司 一种基于无监督权值计算的用户兴趣标签构建方法
CN111177538B (zh) * 2019-12-13 2023-05-05 杭州顺网科技股份有限公司 一种基于无监督权值计算的用户兴趣标签构建方法
CN113496172A (zh) * 2020-04-03 2021-10-12 深圳爱根斯通科技有限公司 指纹异物检测的方法、装置、电子设备及存储介质
CN111667374A (zh) * 2020-06-10 2020-09-15 创新奇智(上海)科技有限公司 一种构建用户画像的方法、装置、存储介质和电子设备
CN113128597A (zh) * 2021-04-21 2021-07-16 浙江大学 一种用户行为特征的提取和分类预测的方法及装置
CN113128597B (zh) * 2021-04-21 2021-10-08 浙江大学 一种用户行为特征的提取和分类预测的方法及装置

Also Published As

Publication number Publication date
CN109359137B (zh) 2021-03-26

Similar Documents

Publication Publication Date Title
CN109359137A (zh) 基于特征筛选与半监督学习的用户成长性画像构建方法
CN109902216A (zh) 一种基于社交网络的数据采集与分析方法
CN103778548B (zh) 商品信息与关键词匹配方法、商品信息投放方法及装置
CN107862022B (zh) 文化资源推荐系统
CN107958007A (zh) 病例信息检索方法及装置
CN104376058B (zh) 用户兴趣模型更新方法及相关装置
CN103064945A (zh) 基于本体的情境搜索方法
CN105989074A (zh) 一种通过移动设备信息进行推荐冷启动的方法和装置
CN103425799A (zh) 基于主题的个性化研究方向推荐系统和推荐方法
CN110457404A (zh) 基于复杂异质网络的社交媒体账户分类方法
CN106682152A (zh) 一种个性化消息推荐方法
CN106294595A (zh) 一种文档存储、检索方法及装置
CN106960248A (zh) 一种基于数据驱动预测用户问题的方法及装置
CN109711887A (zh) 商城推荐列表的生成方法、装置、电子设备及计算机介质
CN103282903A (zh) 话题提取装置和程序
WO2016063341A1 (ja) 時系列予測装置、及び時系列予測方法
AU2020285704A1 (en) System and method for the generation and interactive editing of living documents
CN107908616A (zh) 预测趋势词的方法和装置
CN103198072A (zh) 一种流行检索词的挖掘、推荐方法及装置
CN104933475A (zh) 网络转发行为预测方法及装置
CN103262079B (zh) 检索装置及检索方法
CN106407316A (zh) 基于主题模型的软件问答推荐方法和装置
KR102338381B1 (ko) 빅데이터 기반의 감성정보 분석평가 시스템 및 그 구동방법
Harper et al. How do changes in flow magnitude due to hydroelectric power production affect fish abundance and diversity in temperate regions? A systematic review protocol
CN1614607B (zh) 垃圾邮件过滤的方法和系统

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
GR01 Patent grant
GR01 Patent grant