CN109684471A - 一种创新型ai智能文本处理系统在新零售领域的应用方法 - Google Patents
一种创新型ai智能文本处理系统在新零售领域的应用方法 Download PDFInfo
- Publication number
- CN109684471A CN109684471A CN201811633747.5A CN201811633747A CN109684471A CN 109684471 A CN109684471 A CN 109684471A CN 201811633747 A CN201811633747 A CN 201811633747A CN 109684471 A CN109684471 A CN 109684471A
- Authority
- CN
- China
- Prior art keywords
- data
- result
- intelligent
- innovative
- new retail
- 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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
-
- 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
- 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
- G06Q30/06—Buying, selling or leasing transactions
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种创新型AI智能文本处理系统在新零售领域的应用方法,本发明旨在实现AI智能文本技术在新零售领域的落地化应用,得以重新定义和构建人货场的数据和经营决策间的传达关系,通过AI智能平台这个“容器”的构建,实现了从数据的采集分析、计算处理、文本提取、摘要分析、结论建议等诸多方面的自动化与智能化,将数据分析链路交由AI算法去实现,人类只需根据结果做出最终的审判,在人机耦合中最大化降低对人的依赖,最大化效能地提升人机耦合的效率和价值。该系统通过机器学习去大量识别和学习数据,横跨不同来源的数据源,集中各类数据采集技术,充分利用大数据的集群式存储和运算处理能力,用以支撑特征的实现和自我优化更进。
Description
技术领域
本发明涉及新零售相关应用的领域,尤其是涉及一种创新型AI智能文本处理系统在新零售领域的应用方法。
背景技术
新零售,即企业以互联网为依托,通过运用大数据、人工智能等先进技术手段并运用心理学知识,对商品的生产、流通与销售过程进行升级改造,进而重塑业态结构与生态圈,并对线上服务、线下体验以及现代物流进行深度融合的零售新模式 。线上线下和物流结合在一起,才会产生新零售。2016年10月的阿里云栖大会上,阿里巴巴马云在演讲中第一次提出了新零售,“未来的十年、二十年,没有电子商务这一说,只有新零售。” 未来电子商务平台即将消失,线上线下和物流结合在一起,才会产生新零售。线上是指云平台,线下是指销售门店或生产商,新物流消灭库存,减少囤货量。
新零售商家有行业内线上和线下商品的大量交易数据,商家想要的需求1:交易数据中只有商品的材质、形状、图片等信息,需要识别商品的品牌、以便掌握竞争品市场;需求2:获知近两年来的行业交易数据,需要判断行情的月度和年度走势。但是数据量巨大,商家无法通过有限的人力和时间完成。
发明内容
本发明提供一种创新型AI智能文本处理系统在新零售领域的应用方法,可以有效解决上述背景技术中的问题。
为实现上述目的,本发明提供如下技术方案:
本发明一种创新型AI智能文本处理系统在新零售领域的应用方法,包括如下方法步骤:
第1步,AI智能平台接收到业务需求后,通过其知识库来判断并自动选择邻近算法(KNN)进行计算;
第2步,其中AI智能平台中在行业经验知识的前期内置输入以及系统运行中不断更新存储的结果知识的双重作用下,已有已知品牌的样本集和交易趋势研判,即作为训练样本,其中包括各类显性属性特征和隐性属性特征,判断训练样本的特征需求;
第3步,要自动判断一个新的商品属于哪个品牌时,即作为测试样本时,以及交易趋势是向好还是趋缓,AI智能平台系统智能调用邻近算法(KNN)对该商家的行业数据的测试样本进行带入加工计算,通过计算对象间距离来作为各个对象之间的非相似性指标,对象间距离选用欧氏距离进行计算;
第4步,之后,AI智能平台将分析结果输出到业务端,由业务端人员来判断并生成结果,如果需要修改,则重新生成需求交由AI智能平台,重复进行计算,直至最终结果完成,最终将其结果输出,其结果一方面储存至AI智能平台的成果库中并反馈至知识系统关联关系户中,并对原始数据进行补充和修正,另一方面对外输出结果至并且对外输出结果业务需求层。
优选的是,所述AI智能平台是在Hadoop大数据集群底层架构基础上建设的,所述AI智能平台的知识系统关联关系户包括知识库、算法库、规则库、特征库和成果库。
优选的是,所述AI智能平台为一个自学习系统,是一个不断在自动训练调优的系统,AI智能平台的计算结果一方面对外输出到业务需求层,另一方面对内存储并反馈给到知识库、算法库、规则库、特征库进行自动学习优化,实现自学习和自迭代。
优选的是,所述第1步和第3步中的邻近算法(KNN)的思路是:如果一个样本在特征空间中的k个最相似(即特征空间中最邻近)的样本中的大多数属于某一个类别,则该样本也属于这个类别。
优选的是,所述第3步中欧氏距离的公式为:
所述欧氏距离的计算步骤如下:
1)计算测试数据与各个训练数据之间的距离;
2)按照距离的递增关系进行排序;
3)选取距离最小的K个点;
4)确定前K个点所在类别的出现频率;
5)返回前K个点中出现频率最高的类别作为测试数据的预测分类;
6)如此将分类结果进行输出,并进行监督式学习,即判断结果的准确性并进行参数调整直至得到最优参数和结果。
优选的是,所述第4步中对外输出结果的输出成果以数据加文本的方式展现。
本发明的有益效果是:
(1)本发明系统为利用AI智能文本和大数据处理技术,将“脑”+“数”融入到新零售中的人、货、场关系中,打通和实时采集获取各个环节的多维度和多结构化的海量数据,并集中汇集到“AI智能平台”中,交由模型算法去自动地定位指标和计算并自动化出具智能分析建议,该建议既包括数据形式,又包括文本结论形式。系统关键在于AI智能平台的构建,该智能平台中包括规则库、特征库、算法库、知识库与成果库;该平台将根据新零售的业务需要,自动调用知识库去选配适合的算法和规则,计算特征及分析结果,得出数据类或者文本建议类结论。
(2)本发明系统主要核心是在Hadoop大数据集群底层架构基础上建设一个AI智能平台,该智能平台为一个容器的概念,所有有关文本识别和语义处理的机器学习算法、数据处理模型、计算规则、计算过程等都集成在该容器内部完成,这些模块之间具有内在联系,并相互作用反馈学习及更新,以此来达到自动迭代和优化的效果。该系统为一个自学习系统,是一个不断在自动训练调优的系统,AI智能平台的计算结果一方面对外输出到业务需求层;另一方面对内存储并反馈给到知识库、算法库、规则库、特征库等进行自动学习优化。
(3)本发明系统旨在实现AI智能文本技术在新零售领域的落地化应用,得以重新定义和构建人货场的数据和经营决策间的传达关系,通过AI智能平台这个“容器”的构建,实现了从数据(结构化数据、非结构化数据、文本类数据等)的采集分析、计算处理、文本提取、摘要分析、结论建议等诸多方面的自动化与智能化,将数据分析链路交由AI算法去实现,人类只需根据结果做出最终的审判,在人机耦合中最大化的降低对人的依赖,最大化效能地提升人机耦合的效率和价值。该系统通过机器学习去大量识别和学习数据,横跨不同来源的数据源,集中(数据挖掘、文本识别、图像识别等)各类数据采集技术,将线上、线下和各类结构化和非结构化数据,历史数据、实时数据,消费数据、用户行为数据等各类数据,透过该系统的路径实现从报表到分析,到智能诊断与预测建议。
(4)本发明系统为AI和大数据技术相互融合而成,充分利用大数据的集群式存储和运算处理能力,用以支撑特征的实现和自我优化更进。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明的业务实现流程结构示意图;
图2为本发明的AI智能平台的对外和对内作业流程结构示意图一。
具体实施方式
下面将结合本发明实施例中的附图,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。
请参阅图1-2,本发明提供一种技术方案:
一种创新型AI智能文本处理系统在新零售领域的应用方法,包括如下方法步骤:
第1步,AI智能平台接收到业务需求后,通过其知识库来判断并自动选择邻近算法(KNN)进行计算;
第2步,其中AI智能平台中在行业经验知识的前期内置输入以及系统运行中不断更新存储的结果知识的双重作用下,已有已知品牌的样本集和交易趋势研判,即作为训练样本,其中包括各类显性属性特征和隐性属性特征,判断训练样本的特征需求;
第3步,要自动判断一个新的商品属于哪个品牌时,即作为测试样本时,以及交易趋势是向好还是趋缓,AI智能平台系统智能调用邻近算法(KNN)对该商家的行业数据的测试样本进行带入加工计算,通过计算对象间距离来作为各个对象之间的非相似性指标,对象间距离选用欧氏距离进行计算;
第4步,之后,AI智能平台将分析结果输出到业务端,由业务端人员来判断并生成结果,如果需要修改,则重新生成需求交由AI智能平台,重复进行计算,直至最终结果完成,最终将其结果输出,其结果一方面储存至AI智能平台的成果库中并反馈至知识系统关联关系户中,并对原始数据进行补充和修正,另一方面对外输出结果至并且对外输出结果业务需求层。
在上述实施例中, AI智能平台是在Hadoop大数据集群底层架构基础上建设的,AI智能平台的知识系统关联关系户包括知识库、算法库、规则库、特征库和成果库。
在上述实施例中,AI智能平台为一个自学习系统,是一个不断在自动训练调优的系统,AI智能平台的计算结果一方面对外输出到业务需求层,另一方面对内存储并反馈给到知识库、算法库、规则库、特征库进行自动学习优化,实现自学习和自迭代。
在上述实施例中,第1步和第3步中的邻近算法(KNN)的思路是:如果一个样本在特征空间中的k个最相似(即特征空间中最邻近)的样本中的大多数属于某一个类别,则该样本也属于这个类别。
在上述实施例中,第3步中欧氏距离的公式为:
欧氏距离的计算步骤如下:
1)计算测试数据与各个训练数据之间的距离;
2)按照距离的递增关系进行排序;
3)选取距离最小的K个点;
4)确定前K个点所在类别的出现频率;
5)返回前K个点中出现频率最高的类别作为测试数据的预测分类;
6)如此将分类结果进行输出,并进行监督式学习,即判断结果的准确性并进行参数调整直至得到最优参数和结果。
在上述实施例中,第4步中对外输出结果的输出成果以数据加文本的方式展现。
本发明系统为利用AI智能文本和大数据处理技术,将“脑”+“数”融入到新零售中的人、货、场关系中,打通和实时采集获取各个环节的多维度和多结构化的海量数据,并集中汇集到“AI智能平台”中,交由模型算法去自动地定位指标和计算并自动化出具智能分析建议,该建议既包括数据形式,又包括文本结论形式,具体地,该系统关键在于AI智能平台的构建,该智能平台中包括规则库、特征库、算法库、知识库与成果库等;该平台将根据新零售的业务需要,自动调用知识库去选配适合的算法和规则,计算特征及分析结果,得出数据类或者文本建议类结论。本发明系统主要核心是在Hadoop大数据集群底层架构基础上建设一个AI智能平台,该智能平台为一个容器的概念,所有有关文本识别和语义处理的机器学习算法、数据处理模型、计算规则、计算过程等都集成在该容器内部完成,这些模块之间具有内在联系,并相互作用反馈学习及更新,以此来达到自动迭代和优化的效果,具体地,该系统为一个自学习系统,是一个不断在自动训练调优的系统,AI智能平台的计算结果一方面对外输出到业务需求层;另一方面对内存储并反馈给到知识库、算法库、规则库、特征库等进行自动学习优化。本发明系统旨在实现AI智能文本技术在新零售领域的落地化应用,得以重新定义和构建人货场的数据和经营决策间的传达关系,通过AI智能平台这个“容器”的构建,实现了从数据(结构化数据、非结构化数据、文本类数据等)的采集分析、计算处理、文本提取、摘要分析、结论建议等诸多方面的自动化与智能化,将数据分析链路交由AI算法去实现,人类只需根据结果做出最终的审判,在人机耦合中最大化的降低对人的依赖,最大化效能地提升人机耦合的效率和价值,具体地,该系统通过机器学习去大量识别和学习数据,横跨不同来源的数据源,集中(数据挖掘、文本识别、图像识别等)各类数据采集技术,将线上、线下和各类结构化和非结构化数据,历史数据、实时数据,消费数据、用户行为数据等各类数据,透过该系统的路径实现从报表到分析,到智能诊断与预测建议。本发明系统为AI和大数据技术相互融合而成,充分利用大数据的集群式存储和运算处理能力,用以支撑特征的实现和自我优化更进。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换,凡在本发明的精神和原则之内,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。
Claims (6)
1.一种创新型AI智能文本处理系统在新零售领域的应用方法,其特征在于,包括如下方法步骤:
第1步,AI智能平台接收到业务需求后,通过其知识库来判断并自动选择邻近算法(KNN)进行计算;
第2步,其中AI智能平台中在行业经验知识的前期内置输入以及系统运行中不断更新存储的结果知识的双重作用下,已有已知品牌的样本集和交易趋势研判,即作为训练样本,其中包括各类显性属性特征和隐性属性特征,判断训练样本的特征需求;
第3步,要自动判断一个新的商品属于哪个品牌时,即作为测试样本时,以及交易趋势是向好还是趋缓,AI智能平台系统智能调用邻近算法(KNN)对该商家的行业数据的测试样本进行带入加工计算,通过计算对象间距离来作为各个对象之间的非相似性指标,对象间距离选用欧氏距离进行计算;
第4步,之后,AI智能平台将分析结果输出到业务端,由业务端人员来判断并生成结果,如果需要修改,则重新生成需求交由AI智能平台,重复进行计算,直至最终结果完成,最终将其结果输出,其结果一方面储存至AI智能平台的成果库中并反馈至知识系统关联关系户中,并对原始数据进行补充和修正,另一方面对外输出结果至并且对外输出结果业务需求层。
2.根据权利要求1所述一种创新型AI智能文本处理系统在新零售领域的应用方法,其特征在于,所述AI智能平台是在Hadoop大数据集群底层架构基础上建设的,所述AI智能平台的知识系统关联关系户包括知识库、算法库、规则库、特征库和成果库。
3.根据权利要求2所述一种创新型AI智能文本处理系统在新零售领域的应用方法,其特征在于,所述AI智能平台为一个自学习系统,是一个不断在自动训练调优的系统,AI智能平台的计算结果一方面对外输出到业务需求层,另一方面对内存储并反馈给到知识库、算法库、规则库、特征库进行自动学习优化,实现自学习和自迭代。
4.根据权利要求1所述一种创新型AI智能文本处理系统在新零售领域的应用方法,其特征在于,所述第1步和第3步中的邻近算法(KNN)的思路是:如果一个样本在特征空间中的k个最相似(即特征空间中最邻近)的样本中的大多数属于某一个类别,则该样本也属于这个类别。
5.根据权利要求1所述一种创新型AI智能文本处理系统在新零售领域的应用方法,其特征在于,所述第3步中欧氏距离的公式为:
所述欧氏距离的计算步骤如下:
1)计算测试数据与各个训练数据之间的距离;
2)按照距离的递增关系进行排序;
3)选取距离最小的K个点;
4)确定前K个点所在类别的出现频率;
5)返回前K个点中出现频率最高的类别作为测试数据的预测分类;
6)如此将分类结果进行输出,并进行监督式学习,即判断结果的准确性并进行参数调整直至得到最优参数和结果。
6.根据权利要求1所述一种创新型AI智能文本处理系统在新零售领域的应用方法,其特征在于,所述第4步中对外输出结果的输出成果以数据加文本的方式展现。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811633747.5A CN109684471B (zh) | 2018-12-29 | 2018-12-29 | 一种ai智能文本处理系统在新零售领域的应用方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811633747.5A CN109684471B (zh) | 2018-12-29 | 2018-12-29 | 一种ai智能文本处理系统在新零售领域的应用方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109684471A true CN109684471A (zh) | 2019-04-26 |
CN109684471B CN109684471B (zh) | 2023-08-25 |
Family
ID=66191133
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811633747.5A Active CN109684471B (zh) | 2018-12-29 | 2018-12-29 | 一种ai智能文本处理系统在新零售领域的应用方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109684471B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112364220A (zh) * | 2020-11-23 | 2021-02-12 | 南京摄星智能科技有限公司 | 一种业务流程引导自学习优化算法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102194013A (zh) * | 2011-06-23 | 2011-09-21 | 上海毕佳数据有限公司 | 一种基于领域知识的短文本分类方法及文本分类系统 |
CN103902816A (zh) * | 2014-03-12 | 2014-07-02 | 郑州轻工业学院 | 基于数据挖掘技术的带电检测数据处理方法 |
WO2018120813A1 (zh) * | 2016-12-27 | 2018-07-05 | 华为技术有限公司 | 一种智能推荐方法和终端 |
CN108881446A (zh) * | 2018-06-22 | 2018-11-23 | 深源恒际科技有限公司 | 一种基于深度学习的人工智能平台系统 |
CN109034915A (zh) * | 2018-09-03 | 2018-12-18 | 王昆 | 一种可应用数字资产或积分作为交易媒介的人工智能型电子商务系统 |
CN114548871A (zh) * | 2022-02-24 | 2022-05-27 | 深圳九章数据科技有限公司 | 一种大数据驱动的供应链ai智能补货系统 |
-
2018
- 2018-12-29 CN CN201811633747.5A patent/CN109684471B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102194013A (zh) * | 2011-06-23 | 2011-09-21 | 上海毕佳数据有限公司 | 一种基于领域知识的短文本分类方法及文本分类系统 |
CN103902816A (zh) * | 2014-03-12 | 2014-07-02 | 郑州轻工业学院 | 基于数据挖掘技术的带电检测数据处理方法 |
WO2018120813A1 (zh) * | 2016-12-27 | 2018-07-05 | 华为技术有限公司 | 一种智能推荐方法和终端 |
CN108881446A (zh) * | 2018-06-22 | 2018-11-23 | 深源恒际科技有限公司 | 一种基于深度学习的人工智能平台系统 |
CN109034915A (zh) * | 2018-09-03 | 2018-12-18 | 王昆 | 一种可应用数字资产或积分作为交易媒介的人工智能型电子商务系统 |
CN114548871A (zh) * | 2022-02-24 | 2022-05-27 | 深圳九章数据科技有限公司 | 一种大数据驱动的供应链ai智能补货系统 |
Non-Patent Citations (2)
Title |
---|
许超;杨钧淇;: "大数据是新零售的新生产力" * |
许超;杨钧淇;: "大数据是新零售的新生产力", 农村科学实验, no. 02 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112364220A (zh) * | 2020-11-23 | 2021-02-12 | 南京摄星智能科技有限公司 | 一种业务流程引导自学习优化算法 |
CN112364220B (zh) * | 2020-11-23 | 2023-07-11 | 中国电子科技集团公司第十五研究所 | 一种业务流程引导自学习优化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109684471B (zh) | 2023-08-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Shi et al. | Transductive semi-supervised deep learning using min-max features | |
CN110910243B (zh) | 一种基于可重构大数据知识图谱技术的产权交易方法 | |
CN110968701A (zh) | 用于图神经网络的关系图谱建立方法以及装置、设备 | |
Zou et al. | Text2math: End-to-end parsing text into math expressions | |
Lyu et al. | Resource-constrained neural architecture search on edge devices | |
Cadavid et al. | Trends in machine learning applied to demand & sales forecasting: A review | |
CN109614495A (zh) | 一种结合知识图谱和文本信息的相关公司挖掘方法 | |
CN104346698A (zh) | 基于云计算和数据挖掘的餐饮会员大数据分析和考核系统 | |
CN114639483A (zh) | 一种基于图神经网络的电子病历检索方法及装置 | |
CN115860880B (zh) | 基于多层异质图卷积模型的个性化商品推荐方法及系统 | |
Han et al. | Research on commercial logistics inventory forecasting system based on neural network | |
CN112905906B (zh) | 一种融合局部协同与特征交叉的推荐方法及系统 | |
CN109684471A (zh) | 一种创新型ai智能文本处理系统在新零售领域的应用方法 | |
CN114463596A (zh) | 一种超图神经网络的小样本图像识别方法、装置及设备 | |
CN113850616A (zh) | 基于深度图神经网络的客户生命周期价值预测方法 | |
Smirnov et al. | Forecasting new product demand using machine learning | |
CN112100395A (zh) | 一种专家合作可行性分析方法 | |
Martins et al. | Sales forecasting using machine learning algorithms | |
CN115982391A (zh) | 信息处理方法及装置 | |
Xu et al. | Enhancement Economic System Based-Graph Neural Network in Stock Classification | |
Zheng et al. | A sub-assembly division method based on community detection algorithm | |
Zhang et al. | Decision making methods for formulating the reserve scheme of spare parts based on deep neural network | |
Chen et al. | Analysis of Marketing Forecasting Model Based on Genetic Neural Networks: Taking Clothing Marketing as an Example | |
CN114219287A (zh) | 一种基于图神经网络的纳税人风险评测方法 | |
Alissa et al. | A neural approach to generation of constructive heuristics |
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 |