CN109711459A - 用户个性化行为评测方法、装置、计算机设备和存储介质 - Google Patents
用户个性化行为评测方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN109711459A CN109711459A CN201811583409.5A CN201811583409A CN109711459A CN 109711459 A CN109711459 A CN 109711459A CN 201811583409 A CN201811583409 A CN 201811583409A CN 109711459 A CN109711459 A CN 109711459A
- Authority
- CN
- China
- Prior art keywords
- data
- user
- algorithm
- cluster
- behavior characteristics
- 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
- 238000000034 method Methods 0.000 title claims abstract description 42
- 230000009471 action Effects 0.000 title claims abstract description 33
- 238000003860 storage Methods 0.000 title claims abstract description 11
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 126
- 238000000513 principal component analysis Methods 0.000 claims abstract description 84
- 238000012360 testing method Methods 0.000 claims abstract description 39
- 239000000284 extract Substances 0.000 claims abstract description 32
- 238000004458 analytical method Methods 0.000 claims abstract description 27
- 238000009826 distribution Methods 0.000 claims abstract description 13
- 238000011156 evaluation Methods 0.000 claims description 87
- 230000006399 behavior Effects 0.000 claims description 80
- 238000012545 processing Methods 0.000 claims description 33
- 238000004590 computer program Methods 0.000 claims description 27
- 238000004140 cleaning Methods 0.000 claims description 8
- 238000011049 filling Methods 0.000 claims description 8
- 238000011002 quantification Methods 0.000 claims description 7
- 238000007621 cluster analysis Methods 0.000 claims description 6
- 238000012098 association analyses Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims 1
- 230000008569 process Effects 0.000 description 9
- 238000011161 development Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 5
- 239000013598 vector Substances 0.000 description 5
- 230000036541 health Effects 0.000 description 4
- 238000013139 quantization Methods 0.000 description 4
- 230000003542 behavioural effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000007418 data mining Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000004744 fabric Substances 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 239000013256 coordination polymer Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 229940068517 fruit extracts Drugs 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000013011 mating Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000009323 psychological health Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000013107 unsupervised machine learning method Methods 0.000 description 1
Abstract
本申请涉及一种用户个性化行为评测方法、装置、计算机设备和存储介质，采集用户行为特征数据，根据PCA算法，对用户行为特征数据进行主成分分析，提取主要特征数据，根据基于信息熵的CFSFDP聚类算法，对主要特征数据进行聚类分析，提取核心类特征，根据关联规则算法，对所述核心类特征进行关联分析，挖掘出用户群体的关联知识；根据关联知识、核心类特征以及核心类特征内数据分布，生成用户个性化评测报告。利用PCA算法得到主要特征数据，利用基于信息熵的CFSFDP聚类算法对主要特征数据聚类分析，最后，利用关联规则算法对挖掘出用户群体的关联知识，使得基于这三种算法生成的用户个性化评测报告更加精准。
Description
技术领域
本申请涉及数据处理技术领域，特别是涉及一种用户个性化行为评测方法、装置、计算机设备和存储介质。
背景技术
传统的测评方法，更多的是依靠调查问卷收集数据，并由管理人员自行进行权值计算、分数汇总来进行测评。随着计算机技术与大数据分析技术的快速发展，用户个性化行为评测越来越受到大家的欢迎，但是现有的用户个性化行为评测方法，是基于专家系统，且其评测指标集为固定的指标集，以致于评测结果过于泛化。
以教学领域的学生测评为例，随着近几年来教育大数据的火热开启，学生发展性评测方法也发生了明显变化，通过收集更为全面的学生信息及更为庞大的学生样本来进行评测操作。这确实对学生学习发展带来了一定的裨益，但是由于学生生群体过于庞大，简单的对学生总体进行知识挖掘以及测评显然忽略了各类别学生群体差异带来的影响，导致传统学生个性化行为的评测结果不够精准全面。
发明内容
基于此，有必要针对传统学生个性化行为评测结果不够精准全面的问题，提供一种用户个性化行为评测方法。
一种用户个性化行为评测方法，所述方法包括：
采集用户行为特征数据；
根据PCA(Principal Component Analysis，主成分分析方法)算法，对用户行为特征数据进行主成分分析，提取主要特征数据；
根据基于信息熵的CFSFDP(Clustering by Fast Search and Find of DensityPeaks，快速搜索与密度峰的发现)聚类算法，对主要特征数据进行聚类分析，提取核心类特征；
根据关联规则算法，对所述核心类特征进行关联分析，挖掘出用户群体的关联知识；
根据关联知识、核心类特征以及核心类特征内数据分布，生成用户个性化评测报告。
在其中一个实施例中，采集用户行为特征数据之后，根据PCA算法，对用户行为特征数据进行主成分分析，提取主要特征数据之前，还包括：
对用户行为特征数据依次进行特征量化、清洗、填充和无量纲处理。
在其中一个实施例中，根据基于信息熵的CFSFDP聚类算法，对主要特征数据进行聚类分析，提取核心类特征包括：
获取最优聚类数目；
根据最优聚类数目，根据CFSFDP聚类算法对主要特征数据进行聚类分析，得出聚类结果；
从聚类结果中提取核心类特征。
在其中一个实施例中，获取最优聚类数目包括：
根据信息熵，确定初始聚类数目；
获取聚类评测标准DBI(Davies-Bouldin，戴维·布兰)指数；
根据聚类评测标准DBI指数以及初始聚类参数，获取最优聚类数目。
在其中一个实施例中，根据PCA算法，对用户行为特征数据进行主成分分析，提取主要特征数据之前，还包括：
根据用户行为特征数据，生成评测指标集；
推送评测指标集至用户；
当未接收到评测指标集勾选反馈消息时，进入根据PCA算法，对用户行为特征数据进行主成分分析，提取主要特征数据的步骤。
在其中一个实施例中，推送评测指标集至用户之后，还包括：
当接收到用户已勾选的评测指标消息时，对用户已勾选的评测指标消息携带的已勾选评测指标进行加权处理；
根据PCA算法，对用户行为特征数据进行主成分分析，提取主要特征数据包括：
根据已加权的评测指标和用户行为特征数据，采用PCA算法进行主成分分析，提取主要特征数据。
一种用户个性化行为评测装置，所述装置包括：
数据采集模块，用于采集用户行为特征数据；
主成分分析模块，根据PCA算法，对用户行为特征数据进行主成分分析，提取主要特征数据；
聚类分析模块，根据基于信息熵的CFSFDP聚类算法，对主要特征数据进行聚类分析，提取核心类特征；
关联分析模块，用于根据关联规则算法，对核心类特征进行关联分析，挖掘出用户群体的关联知识
评测报告生成模块，根据关联知识、核心类特征以及核心类特征内数据分布，生成用户个性化评测报告。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
采集用户行为特征数据；
根据PCA算法，对用户行为特征数据进行主成分分析，提取主要特征数据；
根据基于信息熵的CFSFDP聚类算法，对主要特征数据进行聚类分析，提取核心类特征；
根据关联规则算法，对所述核心类特征进行关联分析，挖掘出用户群体的关联知识；
根据关联知识、核心类特征以及核心类特征内数据分布，生成用户个性化评测报告。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
采集用户行为特征数据；
根据PCA算法，对用户行为特征数据进行主成分分析，提取主要特征数据；
根据基于信息熵的CFSFDP聚类算法，对主要特征数据进行聚类分析，提取核心类特征；
根据关联规则算法，对所述核心类特征进行关联分析，挖掘出用户群体的关联知识；
根据关联知识、核心类特征以及核心类特征内数据分布，生成用户个性化评测报告。
上述用户个性化行为评测方法、装置、计算机设备和存储介质，采集用户行为特征数据，根据PCA算法，对用户行为特征数据进行主成分分析，提取主要特征数据，根据基于信息熵的CFSFDP聚类算法，对主要特征数据进行聚类分析，提取核心类特征，根据关联规则算法，对所述核心类特征进行关联分析，挖掘出用户群体的关联知识；根据关联知识、核心类特征以及核心类特征内数据分布，生成用户个性化评测报告。利用PCA算法得到主要特征数据，利用基于信息熵的CFSFDP聚类算法对主要特征数据聚类分析，最后，利用关联规则算法对挖掘出用户群体的关联知识，使得基于这三种算法生成的用户个性化评测报告更加精准。
附图说明
图1为用户个性化行为评测方法的应用环境图；
图2为一个实施例中用户个性化行为评测方法的流程图；
图3为一个实施例中用户个性化行为评测方法的详细流程图；
图4为一个实施例中获取最优聚类数目的流程图；
图5为一个实施例中用户个性化行为评测装置的结构示意图；
图6为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的用户个性化行为评测方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104通过网络进行通信。服务器104在接收终端102的用户个性化报告生成请求后，响应该请求，采集用户行为特征数据，根据PCA算法，对用户行为特征数据进行主成分分析，提取主要特征数据，根据基于信息熵的CFSFDP聚类算法，对主要特征数据进行聚类分析，提取核心类特征，根据关联规则算法，对所述核心类特征进行关联分析，挖掘出用户群体的关联知识，根据关联知识、核心类特征以及核心类特征内数据分布，生成用户个性化评测报告。具体的，也可以是服务器104事先采集已有的大量的用户(如学生)数据，然后基于PCA算法、基于信息熵的CFSFDP聚类算法以及关联规则算法构建个性化评测模型，在接收到个性化评测报告生成请求之后，采集用户行为特征数据，将用户行为特征数据进行规范化处理之后，输入至构建好的个性化评测模型中，得到个性化行为评测报告。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。为更加清楚地解释本申请，下面用户将以学生为例进行说明。
在一个实施例中，如图2所示，提供了一种用户个性化行为评测方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：
步骤S100，采集用户行为特征数据。
用户以学生为例，用户行为特征数据可以是学生成长档案拥有的所有学生的数据、配套学习APP(Application)中的学生操作数据以及学生生活数据等。具体的，可以包括学生个人信息、学生自我发展数据、学习成果、学生评测数据以及健康数据等。更进一步的，学生个人信息可以包括学生姓名、性别、年龄、班级职务、以及所属地区等，学生自我发展数据可以包括参加自我学习计划以及参加讲座学术报告等，学习成果可以包括荣誉证书、反映个人学习能力的奖励、获得好评的作业、考试成绩等数据，学生评测信息可以包括除了个人本身对自己学习情况的评测信息，健康数据则包括学生心理健康数据、身体素质健康等数据。
步骤S200，根据PCA算法，对用户行为特征数据进行主成分分析，提取主要特征数据。
PCA即主成分分析也称主分量分析，旨在利用降维的思想，把多指标转化为少数几个综合指标。在统计学中，主成分分析PCA是一种简化数据集的技术，它是一个线性变换。这个变换把数据变换到一个新的坐标系统中，使得任何数据投影的第一大方差在第一个坐标(称为第一主成分)上，第二大方差在第二个坐标(第二主成分)上，依次类推。主成分分析经常用减少数据集的维数，同时保持数据集的对方差贡献最大的特征。本实施例中，将上述实例中描述的学生行为特征数据作为数据样本集(此数据样本集为多维度的样本集，包含多个数据向量)，然后对数据样本集中的数据进行规范化处理，使得数据每个属性都落入相同的区间，计算学生行为特征样本数据协方差矩阵，求出协方差矩阵相应的特征值，并进行最大最小排序，通过学生行为特征数据的方差贡献率确定主成分，当累积贡献率大于85％时，就认为该主成分(正交向量)能够反映原有变量信息，将该主成分提取出来，最后，分别求出对应于特征值对应的特征向量，将学生行为特征数据投影到该特征向量张成的空间中。本实施例中，每个用户行为特征数据不一样，利用PAC算法提取出来的主要特征数据也会随之不同，一般的，主要特征数据可以包括教学信息、教学成果、科研能力等数据，原有的学生行为特征数据包含45个维度的数据，通过PCA算法将维度降至20左右。可以理解的是，降维算法并不限于PCA降维算法，还可以是LDA(Linear Discriminant Analysis，线性判别式分析)算法以及其他降维算法。
步骤S300，根据基于信息熵的CFSFDP聚类算法，对主要特征数据进行聚类分析，提取核心类特征。
信息熵是信息论中用来衡量系统有序化程度的度量。在聚类评测中，信息熵表示聚类的混杂程度。信息熵越低，表示聚类后每一簇的类别数目越纯，聚类的混杂程度越低，反之聚类的混杂程度越高。CFSFDP聚类算法是一种新的基于密度的聚类算法，属于无监督聚类算法，该算法通过局部密度极点来挖掘潜在的聚类中心，再根据就近原则一次完成其余样本点的类标签分配。该算法思想简单，有着能够发现任意形状的数据集以及不需要预先指定聚类数目的优点。本实施例中，利用信息熵自动确定聚类参数，然后利用CFSFDP聚类算法对降维得到的主要特征数据进行聚类，然后利用信息熵优化算法初始参数，再结合DBI指数进行约束，确定最优聚类数目，得到聚类结果，从聚类结果中提取核心类特征。具体的，核心类特征为聚类结果中分布最为稠密的特征数据，也就是通过CFSFDP聚类算法所生成的各类型的学生簇。
步骤S400，根据关联规则算法，对所述核心类特征进行关联分析，挖掘出用户群体的关联知识。
关联规则算法就是支持度和信任度分别满足用户给定阈值的规则，关联规则一种基于规则的机器学习算法，该算法可以在大数据库中发现感兴趣的关系。它的目的是利用一些度量指标来分辨数据库中存在的强规则，也就是说关联规则挖掘是用于知识发现，用于一个数据集中找出项与项之间的关系，而非预测，属于无监督的机器学习方法。其中，本实施例中，在进行关联分析之前，需要对提取出的核心类特征(各类学生特征)进行数据标称化处理，将核心类特征转换为标称属性。其中，数据标称化处理可以是基于概念分层算法进行处理的。然后，基于标称属性，使用关联规则FP-growth算法对核心类特征(各类学生特征)进行关联分析，挖掘出学生群体的关联知识。FP-Growth算法是将提供频繁项集的数据库压缩到一棵频繁模式树(FP-tree)，但仍保留项集关联信息的算法。FP-Growth算法相较于Apriori算法，只需要两次扫描原始事务数据集，而Apriori算法在求每个潜在的频繁项集时都需要扫描一次数据集，故FP-Growth算法处理速度更快。具体的，FP-Growth算法流程为：第一次扫描原始数据集用于统计频率，可以是过滤掉所有不满足最小支持度的项；对于满足最小支持度的项，按照全局最小支持度排序；然后，对过滤后的数据进行第二次扫描，构造FP树，从FP树中挖掘频繁项集。例如，如果学生有一个频繁项集{优秀,观看学习视频}，那么就可能有一条关联规则“优秀→观看学习视频”。这意味着如果一个学生的成绩优秀，那么统计他在课后观看学习视频的概率较大，注意这一条反过来并不总是成立，也就是说，可信度(“优秀→观看学习视频”)并不等于可信度(“观看学习视频→优秀”)。可以理解的是，关联规则还可以是Apriori算法、PrePost算法以及其他关联算法。本实施例中，利用关联算法对学生基础素质数据以及学生专业成长数据以及其他核心类数据进行关联分析，挖掘出学生群体的关联知识，能够分析出学生测评报告中表现不好问题的原因，进而找到有效的解决方案。
步骤S500，根据关联知识、核心类特征以及核心类特征内数据分布，生成用户个性化评测报告。
在使用关联算法挖掘出各类学生群体的关联知识后，根据关联知识、核心类特征以及核心类特征内数据分布，生成学生个性化评测报告。该学生个性化评测报告可以包括各类别学生健康状况分析、各类学生群体的个性化教学方案本实例中，通过数据挖掘的方式得出学生个性化评测报告，相较于传统统计学而言，数据挖掘的统计数据集规模更大，且能挖掘出数据间非预期但有价值的信息。在本实施例中，基于数据挖掘的方式能够精确地划分学生群体、并对每一类学生群体制定不同的教学方案，除此之外，还能够挖掘出某类学生之间的共性等等。
上述用户个性化行为评测方法，采集用户行为特征数据，根据PCA算法，对用户行为特征数据进行主成分分析，提取主要特征数据，根据基于信息熵的CFSFDP聚类算法，对主要特征数据进行聚类分析，提取核心类特征，根据关联规则算法，对所述核心类特征进行关联分析，挖掘出用户群体的关联知识；根据关联知识、核心类特征以及核心类特征内数据分布，生成用户个性化评测报告。上述方案，采用了无监督学习的PCA算法+CFSFDP算法+FP-Growth将学生群体进行分类并有效刻画各类别学生核心特征，一方面通过关联算法挖掘各学生群体内的关联知识信息，另一方面利用各类学生核心特征对其余学生进行个性化评测并生成学生个人成长报告，使得学生评测结果更加精确全面且具有针对性。
如图3所示，在其中一个实施例中，采集用户行为特征数据之后，根据PCA算法，对用户行为特征数据进行主成分分析，提取主要特征数据之前，还包括：S120，对用户行为特征数据依次进行特征量化、清洗、填充和无量纲处理。
服务器在收集用户行为特征数据之后，需要对用户行为特征数据进行预处理。预处理可以是将用户行为特征数据进行合理量化，即在量化的过程当中需要考虑数据之间的差异性，并将这种差异性保留于量化后的数据当中，最大程度保留数据深层隐藏含义，然后对量化之后的数据进行数据清洗，对缺失的数据用平均值进行填充，填补空白，删除其中的离群点，并将学生单个属性数据作为潜在噪声去除，由于采集到的数据，其量化时的单位不一，所以要将其进行无量纲处理，使得各维数据表现统一。本实施例中，将采集到的数据进行量化、清洗、填充和无量纲处理后，提高了用户行为特征数据的质量，更有利于降维处理以及聚类分析。
如图3所示，在其中一个实施例中，根据基于信息熵的CFSFDP聚类算法，对主要特征数据进行聚类分析，提取核心类特征包括：S320,获取最优聚类数目，S340,根据最优聚类数目，根据CFSFDP聚类算法对主要特征数据进行聚类分析，得出聚类结果，S360，从聚类结果中提取核心类特征。
在聚类分析中，最优聚类数目的确定是一个很大的技术问题，不管以什么形式，开发者需要在一开始，就给出无标记数据集中的类的数目。但由于没有明确的类成员划分，故聚类数目也无法直接给定。本实施例中，将信息熵和CFSFDP聚类算法结合起来，利用信息熵和聚类评测指标能够确定最优聚类数目，然后根据最优聚类数目，利用CFSFDP聚类算法进行聚类分析，得到聚类结果。CFSFDP聚类算法基本思想是：通过每个数据向量的密度，划分聚类中心，并依据密度大小排序，最后将剩余点划分至所属类别。其中，簇的中心点就是通过观察密度及相邻距离的关系来确定。聚类中心被局部密度较大的领域包围，而与其他局部密度较大的样本点保持响度较大的距离。该算法只需计算样本样本点的两个属性值：局部密度值ρi和距离δi,但涉及到这两个计算的dij的时间复杂度为o(n2)。该属性值具体公式如下：当x<0时，χ(x)＝1，当x>0时，χ(x)＝0，dc是一个截断距离。由局部密度值公式可知，对于每一个样本点x(i)来说，ρi衡量的是比dc更靠近x(i)的其余样本的总数，描述的是每个样本的局部密度。当ρi是最大值时，δi＝maxj(dij)。由距离公式可知，当样本点x(i)的局部密度ρi达到最大时，δi表示除了x(i)点以外的其余样本点中与i点的最大距离dij，否则则表示在局部密度ρ较大的样本点中与x(i)的最小距离。具体的，算法步骤包括：
1)输入两两样本之间的相似度矩阵或距离矩阵，该步骤由聚类前的特征提取和相似度或距离计算完成；
2)计算样本点x(i)的局部密度值ρi和距离δi，其中，截断距离dc是根据信息熵约束获得，依据为：当全局信息熵最小时，参数dc最优；
3)以ρ为横坐标，δ为纵坐标画决策图；
4)对决策图中潜在聚类中心点进行DBI指数计算，获取最优聚类数目；
5)完成其余样本的类标签分配，即将ρi进行降序排序，并形成降序下标qi，使其满足：ρq1≥ρq2≥...≥ρqn，n为样本总数，然后计算Sq，Sq则为非聚类中心的归类属性：
按照上述步骤进行聚类，即完成学生行为特征的聚类分析。本实施例中，利用信息熵以及决策图能够很容易地确定聚类中心，提高算法处理效率。
如图4所示，在其中一个实施例中，步骤S320,获取最优聚类数目包括：S322,根据信息熵，确定初始聚类数目，S324,获取聚类评测标准DBI指数，S326,根据聚类评测标准DBI指数以及初始聚类参数，获取最优聚类数目。
本实施例中，利用信息熵自动确定初始聚类参数即截断距离dc，信息熵定义公式如下：其中，Pij＝mij/mi，mij是第i个簇中类别j的数目，mi是第i个簇的样本总数。聚类评测标准DBI指数即戴维森堡丁指数(DBI)，又称为分类适确性指标，是由大卫L·戴维斯和唐纳德·Bouldin提出的一种评估聚类算法优劣的指标。首先假设我们有m个数据集合，这些数据集合聚类为n个簇。m个数据集合设为输入矩阵X，n个簇类设为N作为参数传入算法。使用下列公式进行计算：
上述公式的含义是度量每个簇类最大相似度的均值。算法的具体计算步骤为：
1)计算Si，Si为类内数据到簇质心的平均距离，代表了簇类i中各数据集合的分散程度，计算公式为：其中Xj代表簇类i中第j个数据点，也就是一个时间序列，Ai是簇类i的质心，T是簇类i中数据的个数，p在通常情况下取2，这样就可以计算独立的数据点和质心的欧式距离；
2)计算Mi,j，其中，ak,i代表簇类i质心点的第k个值，Mi,j就是簇类i与簇类j质心的距离；
3)计算DBI定义的衡量相似度的值Ri,j，计算公式为：
4)计算DBI，有了上述公式的基础，做一个基于簇类数n的n^2的嵌套循环，对每一个簇类i计算最大值的Ri,j，记为Di，即也即簇类i与其他类的最大相似度值，也就是取出最差结果。然后对所有类的最大相似度取均值就得到了DBI指数，计算公式为：本实施例中，DBI计算任意两类别的类内距离平均距离之和除以两聚类中心距离，求最大值，DBI的值越小意味着类内距离越小，同时类间距离越大。可以理解的是，聚类评测指标还可以是CP(Compactness,紧密性)、SP(Separation,间隔性)指数以及其他聚类评测指标。本实施例中，利用DBI指数对初始聚类数目进行约束，确定最优聚类数目，使得到的聚类结果更加准确。
在其中一个实施例中，根据PCA算法，对用户行为特征数据进行主成分分析，提取主要特征数据之前，还包括：根据用户行为特征数据，生成评测指标集，推送评测指标集至用户，当未接收到评测指标集勾选反馈消息时，进入根据PCA算法，对用户行为特征数据进行主成分分析，提取主要特征数据的步骤。
评测指标集是指用于指由表征评测对象各方面特性及其相互联系的多个指标的集合。这里的评测指标集可以理解为用户画像中的个性化用户标签集。一方面，由于各地区信息化建设水平不一导致学生信息提取种类存在差别；另一方面由于各专家学者对学生评测的理解有差异，导致各类评测体系层出不穷。所以，服务器可通过所拥有的学生数据，智能生成学生个性化评测指标集，有针对性地进行聚类分析。具体的，评测指标集可以包括学生成绩、学生健康指数、学生自主学习能力以及学生课堂表现等评测指标。当服务器采集完学生的行为特征数据之后，经过数据处理之后，根据学生行为特征数据，生成评测指标集，并将评测指标集推送至用户，用户在终端上看到评测指标集，可以根据自己的喜好或实际情况进行勾选，也可以选择不勾选。当用户决定不勾选评测指标集时，服务器未接收到用户勾选评测集的消息，则默认提取所有相关属性进行分析，进入根据PCA算法，对用户行为特征数据进行主成分分析，提取主要特征数据的步骤。此处的用户主要面向教育专家，例如教育局管理人员、校级考评负责人以及其他负责教师评测的工作人员。本实施例中，通过构建评测指标集，能够有效解决区域学生信息化不平衡，学生评测标准差异带来的影响。
在其中一个实施例中，推送评测指标集至用户之后，还包括：当接收到用户已勾选的评测指标消息时，对用户已勾选的评测指标消息携带的已勾选评测指标进行加权处理，根据PCA算法，对用户行为特征数据进行主成分分析，提取主要特征数据包括：根据已加权的评测指标和用户行为特征数据，采用PCA算法进行主成分分析，提取主要特征数据。
当用户选择按照自己的喜好或实际情况勾选了评测指标时，服务器会获取用户所勾选的评测指标，并对勾选的评测指标进行加权处理，其中，加权处理的过程包括：获取加权处理方式；推送加权处理方式至用户；接收用户反馈的加权处理方式，反馈的加权处理方式为手动加权、自动加权(层次分析法)以及固定加权三种方式中的任一种；根据用户反馈的加权处理方式，对已勾选的评测指标进行加权处理。当对评测指标完成加权处理后，按照加权完成的评测指标以及用户行为特征数据进行主成分分析，聚类分析，得到按照用户勾选的评测指标生成的用户个性化评测报告。例如，当用户勾选了专业知识以及专业能力这两个评测指标并反馈加权处理方式之后，会根据这两个加权后的评测指标进行个性化分析，得出的个性化评测报告主要包括学生的专业知识以及专业能力的分析报告。本实例中，提供多种学生指标权重设定方法可以有效减轻相关工作人员的工作量，使其脱离繁重的权重计算过程。
应该理解的是，虽然图2-4的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-4中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图5所示，提供了一种用户个性化行为评测装置，包括：数据采集模块510、主成分分析模块520、聚类分析模块530、关联分析模块540以及评测报告生成模块550，其中：
数据采集模块510，用于采集用户行为特征数据。
主成分分析模块520，用于根据PCA算法，对用户行为特征数据进行主成分分析，提取主要特征数据。
聚类分析模块530，用于根据基于信息熵的CFSFDP聚类算法，对主要特征数据进行聚类分析，提取核心类特征。
关联分析模块540，用于根据关联规则算法，对所述核心类特征进行关联分析，挖掘出用户群体的关联知识。
评测报告生成模块550，用于根据关联知识、核心类特征以及核心类特征内数据分布，生成用户个性化评测报告。
在一个实施例中，用户个性化行为评测装置还包括数据处理模块560，用于对用户行为特征数据依次进行特征量化、清洗、填充和无量纲处理；
还包括最优聚类数目获取模块570，用于根据信息熵，确定初始聚类参数；获取聚类评测标准DBI指数；根据聚类评测标准DBI指数以及初始聚类参数，获取最优聚类数目。
在一个实施例中，聚类分析模块530还用于获取最优聚类数目，根据最优聚类数目，根据CFSFDP聚类算法对主要特征数据进行聚类分析，得出聚类结果，从聚类结果中提取核心类特征。
在一个实施例中，聚类分析模块530还用于根据信息熵，确定初始聚类数目，获取聚类评测标准DBI指数，根据聚类评测标准DBI指数以及初始聚类参数，获取最优聚类数目。
在一个实施例中，用户个性化行为评测装置还包括评测指标集推送模块580，评测指标集推送模块580用于根据用户行为特征数据，生成评测指标集，推送评测指标集至用户。
在一个实施例中，用户个性化行为评测装置还包括加权处理模块590，加权处理模块590用于当接收到用户已勾选的评测指标消息时，对用户已勾选的评测指标消息携带的已勾选评测指标进行加权处理。
在一个实施例中，主成分分析模块520还用于根据已加权的评测指标和用户行为特征数据，采用PCA算法进行主成分分析，提取主要特征数据。
关于用户个性化行为评测装置的具体限定可以参见上文中对于用户个性化行为评测方法的限定，在此不再赘述。上述用户个性化行为评测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储用户行为特征数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种用户个性化行为评测方法。
本领域技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：采集用户行为特征数据，根据PCA算法，对用户行为特征数据进行主成分分析，提取主要特征数据，根据基于信息熵的CFSFDP聚类算法，对主要特征数据进行聚类分析，提取核心类特征，根据关联规则算法，对所述核心类特征进行关联分析，挖掘出用户群体的关联知识，根据关联知识、核心类特征以及核心类特征内数据分布，生成用户个性化评测报告。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：对用户行为特征数据依次进行特征量化、清洗、填充和无量纲处理。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取最优聚类数目，根据最优聚类数目，根据CFSFDP聚类算法对主要特征数据进行聚类分析，得出聚类结果，从聚类结果中提取核心类特征。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：根据信息熵，确定初始聚类数目，获取聚类评测标准DBI指数，根据聚类评测标准DBI指数以及初始聚类参数，获取最优聚类数目。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：根据用户行为特征数据，生成评测指标集，推送评测指标集至用户，当未接收到评测指标集勾选反馈消息时，进入根据PCA算法，对用户行为特征数据进行主成分分析，提取主要特征数据的步骤。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：当接收到用户已勾选的评测指标消息时，对用户已勾选的评测指标消息携带的已勾选评测指标进行加权处理，根据PCA算法，对用户行为特征数据进行主成分分析，提取主要特征数据包括：根据已加权的评测指标和用户行为特征数据，采用PCA算法进行主成分分析，提取主要特征数据。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：采集用户行为特征数据，根据PCA算法，对用户行为特征数据进行主成分分析，提取主要特征数据，根据基于信息熵的CFSFDP聚类算法，对主要特征数据进行聚类分析，提取核心类特征，根据关联规则算法，对所述核心类特征进行关联分析，挖掘出用户群体的关联知识，根据关联知识、核心类特征以及核心类特征内数据分布，生成用户个性化评测报告。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：对用户行为特征数据依次进行特征量化、清洗、填充和无量纲处理。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取最优聚类数目，根据最优聚类数目，根据CFSFDP聚类算法对主要特征数据进行聚类分析，得出聚类结果，从聚类结果中提取核心类特征。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：根据信息熵，确定初始聚类数目，获取聚类评测标准DBI指数，根据聚类评测标准DBI指数以及初始聚类参数，获取最优聚类数目。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：根据用户行为特征数据，生成评测指标集，推送评测指标集至用户，当未接收到评测指标集勾选反馈消息时，进入根据PCA算法，对用户行为特征数据进行主成分分析，提取主要特征数据的步骤。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：当接收到用户已勾选的评测指标消息时，对用户已勾选的评测指标消息携带的已勾选评测指标进行加权处理，根据PCA算法，对用户行为特征数据进行主成分分析，提取主要特征数据包括：根据已加权的评测指标和用户行为特征数据，采用PCA算法进行主成分分析，提取主要特征数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种用户个性化行为评测方法，其特征在于，所述方法包括：
采集用户行为特征数据；
根据PCA算法，对所述用户行为特征数据进行主成分分析，提取主要特征数据；
根据基于信息熵的CFSFDP聚类算法，对所述主要特征数据进行聚类分析，提取核心类特征；
根据关联规则算法，对所述核心类特征进行关联分析，挖掘出用户群体的关联知识；
根据所述关联知识、所述核心类特征以及所述核心类特征内数据分布，生成用户个性化评测报告。
2.根据权利要求1所述的用户个性化行为评测方法，其特征在于，所述采集用户行为特征数据之后，所述根据PCA算法，对所述用户行为特征数据进行主成分分析，提取主要特征数据之前，还包括：
对所述用户行为特征数据依次进行特征量化、清洗、填充和无量纲处理。
3.根据权利要求1所述的用户个性化行为评测方法，其特征在于，所述根据基于信息熵的CFSFDP聚类算法，对所述主要特征数据进行聚类分析，提取核心类特征包括：
获取最优聚类数目；
根据所述最优聚类数目，根据所述CFSFDP聚类算法对所述主要特征数据进行聚类分析，得出聚类结果；
从所述聚类结果中提取核心类特征。
4.根据权利要求3所述的用户个性化行为评测方法，其特征在于，获取最优聚类数目包括：
根据所述信息熵，确定初始聚类数目；
获取聚类评测标准DBI指数；
根据所述聚类评测标准DBI指数以及所述初始聚类参数，获取最优聚类数目。
5.根据权利要求1至4中任一项所述的用户个性化行为评测方法，其特征在于，所述根据PCA算法，对所述用户行为特征数据进行主成分分析，提取主要特征数据之前，还包括：
根据所述用户行为特征数据，生成评测指标集；
推送所述评测指标集至用户；
当未接收到评测指标集勾选反馈消息时，进入所述根据PCA算法，对所述用户行为特征数据进行主成分分析，提取主要特征数据的步骤。
6.根据权利要求5所述的用户个性化行为评测方法，其特征在于，所述推送所述评测指标集至用户之后，还包括：
当接收到用户已勾选的评测指标消息时，对所述用户已勾选的评测指标消息携带的已勾选评测指标进行加权处理；
所述根据PCA算法，对所述用户行为特征数据进行主成分分析，提取主要特征数据包括：
根据所述已加权的评测指标和所述用户行为特征数据，采用PCA算法进行主成分分析，提取主要特征数据。
7.一种用户个性化行为评测装置，其特征在于，所述装置包括：
数据采集模块，用于采集用户行为特征数据；
主成分分析模块，根据PCA算法，对所述用户行为特征数据进行主成分分析，提取主要特征数据；
聚类分析模块，根据基于信息熵的CFSFDP聚类算法，对所述主要特征数据进行聚类分析，提取核心类特征；
关联分析模块，用于根据关联规则算法，对所述核心类特征进行关联分析，挖掘出用户群体的关联知识；
评测报告生成模块，根据所述关联知识、所述核心类特征以及所述核心类特征内数据分布，生成用户个性化评测报告。
8.根据权利要求7所述的用户个性化行为评测装置，其特征在于，还包括：
数据预处理模块，用于对所述用户行为特征数据依次进行特征量化、清洗、填充和无量纲处理；
最优聚类数目获取模块，用于根据所述信息熵，确定初始聚类参数，获取聚类评测标准DBI指数，根据所述聚类评测标准DBI指数以及所述初始聚类参数，获取最优聚类数目。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811583409.5A CN109711459B (zh) | 2018-12-24 | 2018-12-24 | 用户个性化行为评测方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811583409.5A CN109711459B (zh) | 2018-12-24 | 2018-12-24 | 用户个性化行为评测方法、装置、计算机设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109711459A true CN109711459A (zh) | 2019-05-03 |
| CN109711459B CN109711459B (zh) | 2019-11-15 |
Family
ID=66256222
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811583409.5A Active CN109711459B (zh) | 2018-12-24 | 2018-12-24 | 用户个性化行为评测方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109711459B (zh) |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110348742A (zh) * | 2019-07-12 | 2019-10-18 | 深圳众赢维融科技有限公司 | 用户数据采集方法、装置、电子设备及存储介质 |
| CN110363387A (zh) * | 2019-06-14 | 2019-10-22 | 平安科技（深圳）有限公司 | 基于大数据的画像分析方法、装置、计算机设备及存储介质 |
| CN110544151A (zh) * | 2019-08-20 | 2019-12-06 | 北京市天元网络技术股份有限公司 | 确定用户是否为网约车司机的方法及设备 |
| CN110751516A (zh) * | 2019-10-16 | 2020-02-04 | 上海汽车集团股份有限公司 | 人群特点的确定方法及装置、计算机可读存储介质 |
| CN110856178A (zh) * | 2019-11-05 | 2020-02-28 | 天津大学 | 一种基于无线网络物理层iq信号的行为识别方法 |
| CN111770352A (zh) * | 2020-06-24 | 2020-10-13 | 北京字节跳动网络技术有限公司 | 安全检测方法、装置、电子设备及存储介质 |
| CN112434735A (zh) * | 2020-11-23 | 2021-03-02 | 中国科学技术大学 | 一种动态行驶工况构建方法、系统及设备 |
| CN112685618A (zh) * | 2019-10-17 | 2021-04-20 | 中国移动通信集团浙江有限公司 | 用户特征识别方法、装置、计算设备及计算机存储介质 |
| CN112689299A (zh) * | 2021-01-14 | 2021-04-20 | 广州市贝讯通信技术有限公司 | 基于FP-growth算法的小区负荷分流方法及装置 |
| CN112837188A (zh) * | 2021-03-10 | 2021-05-25 | 科豆(福州)教育科技有限公司 | 一种基于迁移学习和聚类算法的研学旅行智能规划方法 |
| CN113767403A (zh) * | 2019-05-29 | 2021-12-07 | 国际商业机器公司 | 知识图中过指定和欠指定的自动解析 |
| CN114416916A (zh) * | 2020-10-12 | 2022-04-29 | 中移动信息技术有限公司 | 异常用户检测方法、装置、设备及存储介质 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005202619A (ja) * | 2004-01-15 | 2005-07-28 | Toshiba Corp | アンケート評価装置および方法 |
| CN102819677A (zh) * | 2012-07-30 | 2012-12-12 | 河海大学 | 基于单场降雨类型的降雨站点相似性评价方法 |
| CN104252570A (zh) * | 2013-06-28 | 2014-12-31 | 上海联影医疗科技有限公司 | 一种海量医学影像数据挖掘系统及其实现方法 |
| CN105488103A (zh) * | 2015-11-18 | 2016-04-13 | 中国农业大学 | 一种知识要点推送方法及系统 |
| CN106156321A (zh) * | 2016-06-29 | 2016-11-23 | 浙江理工大学 | 一种面向分布异构安全数据流的数据挖掘模型系统 |
| CN106339416A (zh) * | 2016-08-15 | 2017-01-18 | 常熟理工学院 | 基于网格快速搜寻密度峰值的数据聚类方法 |
| CN106682703A (zh) * | 2017-01-13 | 2017-05-17 | 北京航空航天大学 | 一种基于obd数据的驾驶人出行模式识别方法 |
| CN107360145A (zh) * | 2017-06-30 | 2017-11-17 | 北京航空航天大学 | 一种多节点蜜罐系统及其数据分析方法 |
| CN108280415A (zh) * | 2018-01-17 | 2018-07-13 | 武汉理工大学 | 基于智能移动终端的驾驶行为识别方法 |
-
2018
- 2018-12-24 CN CN201811583409.5A patent/CN109711459B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005202619A (ja) * | 2004-01-15 | 2005-07-28 | Toshiba Corp | アンケート評価装置および方法 |
| CN102819677A (zh) * | 2012-07-30 | 2012-12-12 | 河海大学 | 基于单场降雨类型的降雨站点相似性评价方法 |
| CN104252570A (zh) * | 2013-06-28 | 2014-12-31 | 上海联影医疗科技有限公司 | 一种海量医学影像数据挖掘系统及其实现方法 |
| CN105488103A (zh) * | 2015-11-18 | 2016-04-13 | 中国农业大学 | 一种知识要点推送方法及系统 |
| CN106156321A (zh) * | 2016-06-29 | 2016-11-23 | 浙江理工大学 | 一种面向分布异构安全数据流的数据挖掘模型系统 |
| CN106339416A (zh) * | 2016-08-15 | 2017-01-18 | 常熟理工学院 | 基于网格快速搜寻密度峰值的数据聚类方法 |
| CN106682703A (zh) * | 2017-01-13 | 2017-05-17 | 北京航空航天大学 | 一种基于obd数据的驾驶人出行模式识别方法 |
| CN107360145A (zh) * | 2017-06-30 | 2017-11-17 | 北京航空航天大学 | 一种多节点蜜罐系统及其数据分析方法 |
| CN108280415A (zh) * | 2018-01-17 | 2018-07-13 | 武汉理工大学 | 基于智能移动终端的驾驶行为识别方法 |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113767403B (zh) * | 2019-05-29 | 2024-02-27 | 勤达睿公司 | 知识图中过指定和欠指定的自动解析 |
| CN113767403A (zh) * | 2019-05-29 | 2021-12-07 | 国际商业机器公司 | 知识图中过指定和欠指定的自动解析 |
| CN110363387A (zh) * | 2019-06-14 | 2019-10-22 | 平安科技（深圳）有限公司 | 基于大数据的画像分析方法、装置、计算机设备及存储介质 |
| CN110363387B (zh) * | 2019-06-14 | 2023-09-05 | 平安科技（深圳）有限公司 | 基于大数据的画像分析方法、装置、计算机设备及存储介质 |
| CN110348742A (zh) * | 2019-07-12 | 2019-10-18 | 深圳众赢维融科技有限公司 | 用户数据采集方法、装置、电子设备及存储介质 |
| CN110544151A (zh) * | 2019-08-20 | 2019-12-06 | 北京市天元网络技术股份有限公司 | 确定用户是否为网约车司机的方法及设备 |
| CN110751516A (zh) * | 2019-10-16 | 2020-02-04 | 上海汽车集团股份有限公司 | 人群特点的确定方法及装置、计算机可读存储介质 |
| CN112685618A (zh) * | 2019-10-17 | 2021-04-20 | 中国移动通信集团浙江有限公司 | 用户特征识别方法、装置、计算设备及计算机存储介质 |
| CN110856178A (zh) * | 2019-11-05 | 2020-02-28 | 天津大学 | 一种基于无线网络物理层iq信号的行为识别方法 |
| CN111770352A (zh) * | 2020-06-24 | 2020-10-13 | 北京字节跳动网络技术有限公司 | 安全检测方法、装置、电子设备及存储介质 |
| CN114416916A (zh) * | 2020-10-12 | 2022-04-29 | 中移动信息技术有限公司 | 异常用户检测方法、装置、设备及存储介质 |
| CN112434735A (zh) * | 2020-11-23 | 2021-03-02 | 中国科学技术大学 | 一种动态行驶工况构建方法、系统及设备 |
| CN112434735B (zh) * | 2020-11-23 | 2022-09-06 | 中国科学技术大学 | 一种动态行驶工况构建方法、系统及设备 |
| CN112689299A (zh) * | 2021-01-14 | 2021-04-20 | 广州市贝讯通信技术有限公司 | 基于FP-growth算法的小区负荷分流方法及装置 |
| CN112837188A (zh) * | 2021-03-10 | 2021-05-25 | 科豆(福州)教育科技有限公司 | 一种基于迁移学习和聚类算法的研学旅行智能规划方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109711459B (zh) | 2019-11-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109711459B (zh) | 用户个性化行为评测方法、装置、计算机设备和存储介质 | |
| CN101105841B (zh) | 由大规模基因芯片表达谱数据构建基因调控亚网络的方法 | |
| CN111652291A (zh) | 一种基于组稀疏融合医院大数据建立学生成长画像的方法 | |
| Patil et al. | Prediction system for student performance using data mining classification | |
| Lee et al. | Machine learning approaches for learning analytics: Collaborative filtering or regression with experts | |
| CN113918806A (zh) | 自动推荐培训课程的方法及相关设备 | |
| CN107644272A (zh) | 基于行为模式的学生异常学习表现预测方法 | |
| Liu et al. | Towards interpretable automated machine learning for STEM career prediction | |
| Katarya et al. | A review on machine learning based student’s academic performance prediction systems | |
| CN109615018A (zh) | 用户个性化行为评价方法、装置、计算机设备和存储介质 | |
| Le Quy et al. | A review of clustering models in educational data science toward fairness-aware learning | |
| Behnisch et al. | Urban data-mining: spatiotemporal exploration of multidimensional data | |
| CN106055875A (zh) | 一种基于大数据的皮纹分析处理装置 | |
| CN111861038A (zh) | 一种基于机器学习算法的高考分数预测方法及系统 | |
| Zhou et al. | A user-driven sampling model for large-scale geographical point data visualization via convolutional neural networks | |
| CN104239430B (zh) | 基于项权值变化的教育数据关联规则挖掘方法及其系统 | |
| Fernando Raguro et al. | Extraction of LMS student engagement and behavioral patterns in online education using Decision Tree and K-Means algorithm | |
| La Ode Mohamad Zulfiqar et al. | Educational data mining in graduation rate and grade predictions utilizing hybrid decision tree and Naïve Bayes Classifier | |
| CN104182528B (zh) | 基于偏序模式的教育信息化课程关联模式发现方法及系统 | |
| Song et al. | A Hybrid CNN-LSTM Model for Video-Based Teaching Style Evaluation | |
| CN112330509A (zh) | 模型无关的自适应测试方法 | |
| Cao et al. | Leveraging user expertise in collaborative systems for annotating energy datasets | |
| CN117726485B (zh) | 一种基于大数据的智适应教育学习方法及系统 | |
| Mathai et al. | Students Performance Tracking Using BPM Classification Modelling | |
| Hilmarsson | Using machine learning for predicting the likelihood of upper secondary school student dropout |
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 | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: Evaluation method, device, computer equipment and storage medium of user personalized behavior Effective date of registration: 20221104 Granted publication date: 20191115 Pledgee: Zhaoqing Rural Commercial Bank Co.,Ltd. Dinghu sub branch Pledgor: GUANGDONG DECHENG SCIENTIFIC EDUCATION CO.,LTD. Registration number: Y2022980020833 |
|
| PC01 | Cancellation of the registration of the contract for pledge of patent right | ||
| PC01 | Cancellation of the registration of the contract for pledge of patent right |
Date of cancellation: 20231027 Granted publication date: 20191115 Pledgee: Zhaoqing Rural Commercial Bank Co.,Ltd. Dinghu sub branch Pledgor: GUANGDONG DECHENG SCIENTIFIC EDUCATION CO.,LTD. Registration number: Y2022980020833 |
|
| PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: User personalized behavior evaluation methods, devices, computer devices, and storage media Effective date of registration: 20231114 Granted publication date: 20191115 Pledgee: Zhaoqing Rural Commercial Bank Co.,Ltd. Dinghu sub branch Pledgor: GUANGDONG DECHENG SCIENTIFIC EDUCATION CO.,LTD. Registration number: Y2023980065552 |