CN109829020B - 地点资源数据推送方法、装置、计算机设备和存储介质 - Google Patents
地点资源数据推送方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN109829020B CN109829020B CN201811560068.XA CN201811560068A CN109829020B CN 109829020 B CN109829020 B CN 109829020B CN 201811560068 A CN201811560068 A CN 201811560068A CN 109829020 B CN109829020 B CN 109829020B
- Authority
- CN
- China
- Prior art keywords
- data
- place
- product information
- portrait
- analysis
- 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.)
- Active
Links
Images
Classifications
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请涉及基于资源分配的一种地点资源数据推送方法、装置、计算机设备和存储介质。该方法包括:接收业务终端发送的地点资源获取请求,地点资源获取请求携带产品信息和地理位置信息;获取预设的分类模型,通过分类模型对产品信息进行分类,对产品信息添加对应的类别标签;根据地理位置信息获取多个地点画像数据和人群画像数据;获取预设的数据分析模型,通过数据分析模型根据类别标签以及地点画像数据和人群画像数据对产品信息进行匹配分析,得到产品信息对应多个地点的偏好度值;根据多个地点的偏好度值对多个地点数据进行排序,获取预设数量的优选地点数据并推送至业务终端。采用本方法能够有效提高推送数据的准确率以有效提高产品推送效率。
Description
技术领域
本申请涉及计算机技术领域,特别是涉及基于资源分配的一种地点资源数据推送方法、装置、计算机设备和存储介质。
背景技术
随着互联网技术的快速发展,出现了越来越多的线上推广的方式,但线上推广的资源有限,传统的线下推广依然是非常重要的推广方式。随着LBS(Location-BasedSocial,基于位置的服务)逐渐兴起,LBS可以单独通过移动基站、wifi或者GPS来获取方位,还可以通过这些方式的组合来获取位置。随着移动终端在人们生活中所占比例越来越大,LBS的应用也愈来愈广,逐渐覆盖了社交、出行、物流、资讯、智能硬件等领域。
目前出现了一些利用LBS数据进行兴趣点等推荐的的方式,但现有的方式中进行分析的数据比较单一,大多只是根据历史签到信息来计算用户对地点的偏好程度,这种方式中目标数据的推送准确率较低。因此,如何有效地提高推送数据的准确率以有效提高产品推送效率成为目前需要解决的技术问题。
发明内容
基于此,有必要针对上述技术问题,提供一种能够有效提高推送数据的准确率以有效提高产品推送效率的地点资源数据推送方法、装置、计算机设备和存储介质。
一种地点资源数据推送方法,所述方法包括:
接收业务终端发送的地点资源获取请求,所述地点资源获取请求携带了产品信息和地理位置信息;
获取预设的分类模型,通过所述分类模型对所述产品信息进行分类,得到所述产品信息所属的类别,并对所述产品信息添加对应的类别标签;
根据所述地理位置信息获取预设范围内的多个地点画像数据和人群画像数据;
获取预设的数据分析模型,通过所述数据分析模型根据所述类别标签以及地点画像数据和人群画像数据对所述产品信息进行匹配分析,得到所述产品信息对应多个地点的偏好度值;
根据多个地点的偏好度值对多个地点数据进行排序,获取预设数量的优选地点数据;
将所述优选地点数据推送至所述业务终端。
在其中一个实施例中,所述根据所述地理位置信息获取预设范围内的多个地点画像数据和人群画像数据之前,还包括:获取地图信息,对所述地图信息进行划分,生成多个网格和对应的网格信息;根据所述网格信息获取多个网格内的用户消费行为数据和历史签到数据;获取预设的评分模型,通过所述评分模型对多个网格内的用户消费行为数据和历史签到数据进行分析,得到每个网格的评分结果数据;根据所述网格信息获取多个网格内的地标数据和商户数据;获取预设的数据挖掘模型,通过所述数据挖掘模型对多个网格的地标数据和商户数据以及评分结果数据进行分析,得到每个网格的用户分析数据和地点分析数据;根据所述用户分析数据和地点分析数据生成每个网格地点对应的人群画像数据和地点画像数据。
在其中一个实施例中,所述获取预设的数据挖掘模型之前,还包括:获取多个用户消费行为数据和历史签到数据以及地标数据和商户数据;对多个用户消费行为数据和历史签到数据以及地标数据和商户数据进行聚类分析,得到聚类结果;根据聚类结果进行特征选择,提取出多个特征变量和对应的特征维度值;根据多个多维度特征变量按照预设方式建立数据挖掘模型。
在其中一个实施例中,所述地点画像数据和人群画像数据包括分布值数据,所述通过所述数据分析模型根据所述类别标签以及地点画像数据和人群画像数据对所述产品信息进行匹配分析,包括:对所述产品信息和所述类别标签进行特征提取,得到所述产品信息和所述类别标签对应的特征向量;将所述特征向量输入至所述数据分析模型,根据所述地点画像数据和人群画像数据的分布值数据计算所述产品信息的指标数据占比值和匹配度值;根据所述类别标签的占比值和匹配度值计算所述产品信息对应多个地点的偏好度值。
在其中一个实施例中,所述方法还包括:根据所述优选地点数据的地点画像数据和人群画像数据按照预设方式生成对应的示意图;获取所述优选地点数据的电子地图信息;将所述优选地点数据的电子地图信息以及地点画像数据和人群画像数据对应的示意图发送至所述业务终端。
一种地点资源数据推送装置,所述装置包括:
请求接收模块,用于接收业务终端发送的地点资源获取请求,所述地点资源获取请求携带了产品信息和地理位置信息;
产品分类模块,用于获取预设的分类模型,通过所述分类模型对所述产品信息进行分类,得到所述产品信息所属的类别,并对所述产品信息添加对应的类别标签;
数据获取模块,用于根据所述地理位置信息获取预设范围内的多个地点画像数据和人群画像数据;
数据分析模块,用于获取预设的数据分析模型,通过所述数据分析模型根据所述类别标签以及地点画像数据和人群画像数据对所述产品信息进行匹配分析,得到所述产品信息对应多个地点的偏好度值;
所述数据获取模块还用于根据多个地点的偏好度值对多个地点数据进行排序,获取预设数量的优选地点数据;
数据推送模块,用于将所述优选地点数据推送至所述业务终端。
在其中一个实施例中,该装置还包括画像数据生成模块,用于获取地图信息,对所述地图信息进行划分,生成多个网格和对应的网格信息;根据所述网格信息获取多个网格内的用户消费行为数据和历史签到数据;获取预设的评分模型,通过所述评分模型对多个网格内的用户消费行为数据和历史签到数据进行分析,得到每个网格的评分结果数据;根据所述网格信息获取多个网格内的地标数据和商户数据;获取预设的数据挖掘模型,通过所述数据挖掘模型对多个网格的地标数据和商户数据以及评分结果数据进行分析,得到每个网格的用户分析数据和地点分析数据;根据所述用户分析数据和地点分析数据生成每个网格地点对应的人群画像数据和地点画像数据。
在其中一个实施例中,所述地点画像数据和人群画像数据包括分布值数据,所述数据分析模块还用于对所述产品信息和所述类别标签进行特征提取,得到所述产品信息和所述类别标签对应的特征向量;将所述特征向量输入至所述数据分析模型,根据所述地点画像数据和人群画像数据的分布值数据计算所述产品信息的指标数据占比值和匹配度值;根据所述类别标签的占比值和匹配度值计算所述产品信息对应多个地点的偏好度值。
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:
接收业务终端发送的地点资源获取请求,所述地点资源获取请求携带了产品信息和地理位置信息;
获取预设的分类模型,通过所述分类模型对所述产品信息进行分类,得到所述产品信息所属的类别,并对所述产品信息添加对应的类别标签;
根据所述地理位置信息获取预设范围内的多个地点画像数据和人群画像数据;
获取预设的数据分析模型,通过所述数据分析模型根据所述类别标签以及地点画像数据和人群画像数据对所述产品信息进行匹配分析,得到所述产品信息对应多个地点的偏好度值;
根据多个地点的偏好度值对多个地点数据进行排序,获取预设数量的优选地点数据;
将所述优选地点数据推送至所述业务终端。
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:
接收业务终端发送的地点资源获取请求,所述地点资源获取请求携带了产品信息和地理位置信息;
获取预设的分类模型,通过所述分类模型对所述产品信息进行分类,得到所述产品信息所属的类别,并对所述产品信息添加对应的类别标签;
根据所述地理位置信息获取预设范围内的多个地点画像数据和人群画像数据;
获取预设的数据分析模型,通过所述数据分析模型根据所述类别标签以及地点画像数据和人群画像数据对所述产品信息进行匹配分析,得到所述产品信息对应多个地点的偏好度值;
根据多个地点的偏好度值对多个地点数据进行排序,获取预设数量的优选地点数据;
将所述优选地点数据推送至所述业务终端。
上述地点资源数据推送方法、装置、计算机设备和存储介质,接收业务终端发送的地点资源获取请求,地点资源获取请求携带了产品信息和地理位置信息。进一步获取预设的分类模型,通过分类模型对产品信息进行分类,由此能够有效地得到产品信息所属的类别,并对产品信息添加对应的类别标签。根据地理位置信息获取预设范围内的多个地点画像数据和人群画像数据,并获取预设的数据分析模型,通过数据分析模型根据类别标签以及地点画像数据和人群画像数据对产品信息进行匹配分析,得到产品信息对应多个地点的偏好度值。根据多个地点的偏好度值对多个地点数据进行排序,获取预设数量的优选地点数据,进而将优选地点数据推送至业务终端。通过分析出各个地点的地点画像和人群画像后,结合产品信息进行分析,由此能够有效分析出各个地点的人群对该产品的偏好程度,并将偏好程度较高以及人群密度较高的地点数据推送给对应的业务终端,由此能够有效地提高地点数据的推送准确率,进而能够有效提高产品信息的推广效率。
附图说明
图1为一个实施例中地点资源数据推送方法的应用场景图;
图2为一个实施例中地点资源数据推送方法的流程示意图;
图3为一个实施例中生成人群画像数据和地点画像数据步骤的流程示意图;
图4为一个实施例中对产品信息进行匹配分析步骤的流程示意图;
图5为一个实施例中地点画像数据对应的示意图;
图6为一个实施例中人群画像数据对应的示意图;
图7为一个实施例中地点资源数据推送装置的结构框图;
图8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。
本申请提供的地点资源数据推送方法,可以应用于如图1所示的应用环境中。其中,业务终端102通过网络与服务器104通过网络进行通信。其中,业务终端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。服务器104接收业务终端102发送的地点资源获取请求,地点资源获取请求携带了产品信息和地理位置信息。服务器进一步获取预设的分类模型,通过分类模型对产品信息进行分类,由此能够有效地得到产品信息所属的类别,并对产品信息添加对应的类别标签。服务器104根据地理位置信息获取预设范围内的多个地点画像数据和人群画像数据,并获取预设的数据分析模型,通过数据分析模型根据类别标签以及地点画像数据和人群画像数据对产品信息进行匹配分析,得到产品信息对应多个地点的偏好度值。服务器则根据多个地点的偏好度值对多个地点数据进行排序,获取预设数量的优选地点数据,进而将优选地点数据推送至业务终端102。通过分析出各个地点的地点画像和人群画像后,结合产品信息进行分析,由此能够有效分析出各个地点的人群对该产品的偏好程度,并将偏好程度较高以及人群密度较高的地点数据推送给对应的业务终端,由此能够有效地提高地点数据的推送准确率,进而能够有效提高产品信息的推广效率。
在一个实施例中,如图2所示,提供了一种地点资源数据推送方法,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202,接收业务终端发送的地点资源获取请求,地点资源获取请求携带了产品信息和地理位置信息。
业务人员在进行线下推广产品的时候,需要到用户对产品的偏好程度比较高的地点进行推广,以提高产品的推广效率。业务人员可以通过对应的业务终端向服务器发送地点资源获取请求,以获取推广效率较高的地点资源。地点资源获取请求中携带了产品信息和业务终端当前的地理位置信息。
步骤204,获取预设的分类模型,通过分类模型对产品信息进行分类,得到产品信息所属的类别,并对产品信息添加对应的类别标签。
服务器接收业务终端发送的地点资源获取请求后,获取预设的分类模型。其中,分类模型可以是基于决策树或神经网络的分类模型。服务器进而对产品信息进行特征提取,得到对应的特征向量,将产品信息的特征向量输入至分类模型中,通过分类模型对产品信息进行分类,由此可以有效得到产品信息所属的类别,并对产品信息添加对应的类别标签。其中,产品信息的类别标签可以包括一个或多个。
步骤206,根据地理位置信息获取预设范围内的多个地点画像数据和人群画像数据。
服务器对产品信息进行分类后,则进一步根据地点资源获取请求中的地理位置信息获取预设范围内的多个地点画像数据和人群画像数据。其中,多个地点画像数据和人群画像数据可以是多个网格对应地点画像数据和人群画像数据。
进一步地,服务器在获取多个地点画像数据和人群画像数据之前,可以获取地图信息,对地图信息进行划分,得到多个网格和对应的网格信息;根据网格信息获取多个网格内的用户消费行为数据和历史签到数据;获取预设的评分模型,通过评分模型对多个网格内的用户消费行为数据和历史签到数据进行分析,由此能够有效地得到每个网格的评分结果数据。其中,历史签到数据可以包括多个第三方应用程序中基于位置信息的用户签到数据。
服务器根据网格信息获取每个网格内的地标数据和商户数据,并获取预设的数据挖掘模型,通过数据挖掘模型对多个网格的地标数据和商户数据以及评分结果数据进行分析,得到每个网格的用户分析数据和地点分析数据。进而根据用户分析数据和地点分析数据生成每个网格对应的人群画像数据和地点画像数据。通过利用评分模型对多个网格内的多个用户消费行为数据和历史签到数据进行评分后,再利用数据挖掘模型结合每个网格的评分结果数据以及地标数据和商户数据进行分析,由此能够有效地分析出各个网格的的人群画像数据和地点画像数据。
步骤208,获取预设的数据分析模型,通过数据分析模型根据类别标签以及地点画像数据和人群画像数据对产品信息进行匹配分析,得到产品信息对应多个地点的偏好度值。
服务器根据地理位置信息获取预设范围内的多个地点画像数据和人群画像数据后,进一步获取预设的数据分析模型。其中,地点画像数据和人群画像数据包括分布值数据。服务器对产品信息和对应的类别标签进行特征提取,得到对应的特征向量。将产品信息的特征向量和类别标签的特征向量输入至数据分析模型中,根据地点画像数据和人群画像数据的分布值数据计算产品信息的指标数据占比值和匹配度值。服务器进一步根据类别标签的占比值和匹配度值计算产品信息对应多个地点的偏好度值。
步骤210,根据多个地点的偏好度值对多个地点数据进行排序,获取预设数量的优选地点数据。
步骤212,将优选地点数据推送至业务终端。
服务器通过数据分析模型得到产品信息对应多个地点的偏好度值后,根据多个地点的偏好度值对对应的多个地点数据进行排序。具体地,服务器可以通过排序占比算法按照偏好度值对多个地点数据进行降序排序。进而服务器提取出预设数量的优选地点数据,例如,提取出偏好度值较高的前五个地点数据。由此可以有效地获取优选地点数据。
服务器获取预设数量的优选地点数据后,还可以根据优选地点数据的地点画像数据和人群画像数据按照预设方式生成对应的示意图,并获取优选地点数据对应的电子地图。服务器进而将优选地点数据的电子地图以及地点画像数据和人群画像数据对应的示意图发送至业务终端。由此使得业务人员通过对应的业务终端根据服务器推送的优选地点数据对产品信息进行有效的推广。通过分析出各个地点的地点画像和人群画像后,结合产品信息进行分析,由此能够有效分析出各个地点的人群对该产品的偏好程度,并将偏好程度较高以及人群密度较高的地点数据推送给对应的业务终端,由此能够有效地提高地点数据的推送准确率,进而能够有效提高产品信息的推广效率。
上述地点资源数据推送方法中,服务器接收业务终端发送的地点资源获取请求,地点资源获取请求携带了产品信息和地理位置信息。服务器进一步获取预设的分类模型,通过分类模型对产品信息进行分类,由此能够有效地得到产品信息所属的类别,并对产品信息添加对应的类别标签。服务器根据地理位置信息获取预设范围内的多个地点画像数据和人群画像数据,并获取预设的数据分析模型,通过数据分析模型根据类别标签以及地点画像数据和人群画像数据对产品信息进行匹配分析,得到产品信息对应多个地点的偏好度值。服务器则根据多个地点的偏好度值对多个地点数据进行排序,获取预设数量的优选地点数据,进而将优选地点数据推送至业务终端。通过分析出各个地点的地点画像和人群画像后,结合产品信息进行分析,由此能够有效分析出各个地点的人群对该产品的偏好程度,并将偏好程度较高以及人群密度较高的地点数据推送给对应的业务终端,由此能够有效地提高地点数据的推送准确率,进而能够有效提高产品信息的推广效率。
在一个实施例中,根据地理位置信息获取预设范围内的多个地点画像数据和人群画像数据之前,还包括生成人群画像数据和地点画像数据的步骤,该步骤具体包括以下内容:
步骤302,获取地图信息,对地图信息进行划分,生成多个网格和对应的网格信息。
其中,地图信息可以是电子地图信息,地图信息中包括多个区域和地点以及经纬度信息。服务器获取地图信息后,按照预设方式对地图信息进行划分。具体地,服务器可以获取地图信息中多个区域中地点的地标数据和商户数据,例如,地标数据可以包括建筑物信息、地理标志信息等。商户数据可以包括商户的位置信息和商户营业信息等。
服务器获取多个区域的地标数据和商户数据后,获取预设的地点分类模型,通过地点分类模型对多个地点的地标数据和商户数据进行分类,得到分类结果,并根据分类结果对多个地点添加类别标签。服务器进而根据多个地点和对应的类别标签按照预设方式进行划分并绘制网格,得到多个网格和对应的网格信息。
步骤304,根据网格信息获取多个网格内的用户消费行为数据和历史签到数据。
步骤306,获取预设的评分模型,通过评分模型对多个网格内的用户消费行为数据和历史签到数据进行分析,得到每个网格的评分结果数据。
服务器划分出多个网格后,根据网格信息从本地数据库和第三方数据库中获取多个网格内的多个用户终端的用户消费行为数据和历史签到数据。其中,用户消费行为数据可以包括用户的交易数据和业务数据等。历史签到数据可以包括多个第三方应用程序中基于位置信息的用户签到数据。
服务器获取多个网格内的多个用户终端的用户消费行为数据和历史签到数据后,进一步获取预设的评分模型,通过评分模型对多个网格内的多个用户消费行为数据和历史签到数据进行分析,由此得到每个网格的评分结果数据。评分结果数据中可以包括多个数据指标对应的评估结果。
步骤308,根据网格信息获取多个网格内的地标数据和商户数据。
步骤310,获取预设的数据挖掘模型,通过数据挖掘模型对多个网格的地标数据和商户数据以及评分结果数据进行分析,得到每个网格的用户分析数据和地点分析数据。
步骤312,根据用户分析数据和地点分析数据生成每个网格地点对应的人群画像数据和地点画像数据。
服务器对多个网格内的用户消费行为数据和历史签到数据进行分析,得到每个网格对应的评分结果数据之后,则进一步根据网格信息从本地数据库和第三方数据库中获取每个网格内的多个地标数据和商户数据。服务器进一步获取预设的数据挖掘模型,将多个网格的多个地标数据和商户数据以及评分结果数据输入至数据挖掘模型中,通过数据挖掘模型对多个网格对应的数据进行分析,由此能够得到得到每个网格的用户分析数据和地点分析数据。服务器则根据用户分析数据和地点分析数据生成每个网格对应的人群画像数据和地点画像数据。
例如,人群画像数据可以包括但不限于性别分布情况、年龄分布情况、消费类型分布情况、消费等级分布情况以及财富分布情况。地点画像数据可以包括但不限于工作日人流量、周末人流量、商户分布情况以及商户评价情况。通过利用评分模型对多个网格内的多个用户消费行为数据和历史签到数据进行评分后,再利用数据挖掘模型结合每个网格的评分结果数据以及地标数据和商户数据进行分析,由此能够有效地分析出各个网格的的人群画像数据和地点画像数据。
在一个实施例中,服务器获取预设的评分模型之前,需要构建出评分模型。服务器可以从本地数据库和第三方数据库中获取大量的用户消费行为数据和历史签到数据,对大量的用户消费行为数据和历史签到数据进行大数据分析,例如了聚类分析,并进行特征提取,提取出多个多维度特征变量。分析多个多维度特征变量之间的关联关系,利用多维度特征变量按照预设方式构建评分模型。通过对用户信息进行分析后,构建多维度的评分模型,由此能够有效的构建出评估准确率较高的评分模型。
在一个实施例中,获取预设的数据挖掘模型之前,还包括:获取多个用户消费行为数据和历史签到数据以及地标数据和商户数据;对多个用户消费行为数据和历史签到数据以及地标数据和商户数据进行聚类分析,得到聚类结果;根据聚类结果进行特征选择,提取出多个特征变量和对应的特征维度值;根据多个多维度特征变量按照预设方式建立数据挖掘模型。
服务器在获取预设的数据挖掘模型之前,需要建立数据挖掘模型。具体地,服务器可以获取多个用户终端的用户消费行为数据和历史签到数据,还可以从第三方数据库获取多个用户消费行为数据和历史签到数据以及地标数据和商户数据。服务器进而对多个用户消费行为数据和历史签到数据以及地标数据和商户数据进行聚类分析。具体地,服务器对多个用户消费行为数据和历史签到数据以及地标数据和商户数据进行特征提取,提取出对应的特征变量。服务器提取出多个用户消费行为数据和历史签到数据以及地标数据和商户数据对应的特征变量后,采用预设的聚类算法对特征变量进行聚类分析。例如,预设的聚类算法可以为k-means(k-均值算法)聚类的方法。服务器通过对特征变量进行多次聚类后得到多个聚类结果。
服务器进一步对多个聚类结果内的特征变量分别进行组合,得到多个组合特征变量。获取目标变量,利用目标变量对多个组合特征变量进行相关性检验。检验通过时,对组合特征变量添加交互标签。利用添加交互标签后的组合特征变量解析对应的特征变量。添加交互标签后的组合特征变量可以为达到预设阈值的特征变量,服务器则提取出达到预设阈值的特征变量。服务器进一步计算出达到预设阈值的特征变量对应的特征维度值。其中,大量的特征变量可以包括多个维度。特征维度值可以表示为特征变量所属的特征维度。
服务器提取出多个特征变量和对应的特征维度值后,则根据多个特征变量和对应的特征维度值按照预设算法构建数据挖掘模型。其中,数据挖掘模型可以是基于决策树或基于神经网络的模型。
进一步地,服务器还可以将获取的大量的用户消费行为数据和历史签到数据以及地标数据和商户数据生成训练及数据和验证集数据。服务器对训练集中的大量数据进行聚类分析,得到聚类结果后,根据聚类结果进行特征选择,提取出多个特征变量和对应的特征维度值。服务器则根据多个特征变量和对应的特征维度值按照预设算法建立初步数据挖掘模型。
服务器建立初步数据挖掘模型后,利用验证集中的大量数据对初步数据挖掘模型进行进一步训练和验证,当验证集中的满足预设评估值的数据达到预设比值时,得到训练完成的数据挖掘模型。通过对大量的用户消费行为数据和历史签到数据以及地标数据和商户数据进行大数据分析后,利用提取的特征变量和特征维度值按照预设方式建立数据挖掘模型并进行训练,由此能够有效地构建出准确率较高的数据挖掘模型。
在一个实施例中,地点画像数据和人群画像数据包括分布值数据,通过数据分析模型根据类别标签以及地点画像数据和人群画像数据对产品信息进行匹配分析的步骤,具体包括以下内容:
步骤402,对产品信息和类别标签进行特征提取,得到产品信息和类别标签对应的特征向量。
步骤404,将特征向量输入至数据分析模型,根据地点画像数据和人群画像数据的分布值数据计算产品信息的指标数据占比值和匹配度值。
步骤406,根据类别标签的占比值和匹配度值计算产品信息对应多个地点的偏好度值。
业务人员可以通过对应的业务终端向服务器发送地点资源获取请求,以获取推广效率较高的地点资源。地点资源获取请求中携带了产品信息和业务终端当前的地理位置信息。服务器接收业务终端发送的地点资源获取请求后,获取预设的分类模型,通过分类模型对产品信息进行分类,得到产品信息所属的类别,并对产品信息添加对应的类别标签。
服务器进一步根据地点资源获取请求中的地理位置信息获取预设范围内的多个地点画像数据和人群画像数据。其中,多个地点画像数据和人群画像数据可以是多个网格对应地点画像数据和人群画像数据。
服务器根据地理位置信息获取预设范围内的多个地点画像数据和人群画像数据后,进一步获取预设的数据分析模型。其中,地点画像数据和人群画像数据包括分布值数据,例如,人群画像数据可以包括但不限于性别分布情况、年龄分布情况、消费类型分布情况、消费等级分布情况以及财富分布情况。地点画像数据可以包括但不限于工作日人流量、周末人流量、商户分布情况以及商户评价情况。服务器进而对产品信息和对应的类别标签进行特征提取,得到产品信息和类别标签对应的特征向量。服务器则将产品信息的特征向量和类别标签的特征向量输入至数据分析模型中,通过数据分析模型根据地点画像数据和人群画像数据的分布值数据计算产品信息的指标数据占比值和匹配度值。服务器进一步根据类别标签的占比值和匹配度值计算产品信息对应多个地点的偏好度值。通过利用数据分析模型能够有效地分析出各个地点的人群对该产品的偏好程度,由此能够有效地提高地点数据的推送准确率,进而能够有效提高产品信息的推广效率。
服务器通过数据分析模型得到产品信息对应多个地点的偏好度值后,根据多个地点的偏好度值对对应的多个地点数据进行排序。具体地,服务器可以通过排序占比算法按照偏好度值对多个地点数据进行降序排序。进而服务器提取出预设数量的优选地点数据,例如,提取出偏好度值较高的前五个地点数据。由此可以有效地获取优选地点数据。
在一个实施例中,该方法还包括:根据优选地点数据的地点画像数据和人群画像数据按照预设方式生成对应的示意图;获取优选地点数据的电子地图信息;将优选地点数据的电子地图信息以及地点画像数据和人群画像数据对应的示意图发送至业务终端。
服务器接收业务终端发送的地点资源获取请求,地点资源获取请求携带了产品信息和地理位置信息。服务器进一步获取预设的分类模型,通过分类模型对产品信息进行分类,由此能够有效地得到产品信息所属的类别,并对产品信息添加对应的类别标签。服务器根据地理位置信息获取预设范围内的多个地点画像数据和人群画像数据,并获取预设的数据分析模型,通过数据分析模型根据类别标签以及地点画像数据和人群画像数据对产品信息进行匹配分析,得到产品信息对应多个地点的偏好度值。服务器则根据多个地点的偏好度值对多个地点数据进行排序,获取预设数量的优选地点数据,进而将优选地点数据推送至业务终端。通过分析出各个地点的地点画像和人群画像后,结合产品信息进行分析,由此能够有效分析出各个地点的人群对该产品的偏好程度。
服务器通过数据分析模型得到产品信息对应多个地点的偏好度值后,根据多个地点的偏好度值对对应的多个地点数据进行排序。具体地,服务器可以通过排序占比算法按照偏好度值对多个地点数据进行降序排序。进而服务器提取出预设数量的优选地点数据,例如,提取出偏好度值较高的前五个地点数据。由此可以有效地获取优选地点数据。
服务器进一步根据优选地点数据的地点画像数据和人群画像数据按照预设方式生成对应的示意图。例如,如图5所示,可以为地点画像数据对应的示意图,其中,示意图中可以包括工作日人流量、周末人流量对应的折线图形和商户分布情况对应的条形统计图形等。如图6所示,可以为人群画像数据对应的示意图,其中,示意图中可以包括性别分布情况、年龄分布情况、消费类型分布情况对应的饼状图形,以及学历分布情况和消费分布情况等对应的条形统计图形等。
服务器还可以同时获取优选地点数据的电子地图信息,服务器进而将优选地点数据的电子地图信息以及地点画像数据和人群画像数据对应的示意图发送至业务终端。通过将偏好程度较高以及人群密度较高的地点数据和对应的地图信息以及对应的示意图推送给对应的业务终端,使得业务终端对应的业务人员能够快速有效地获知地点数据的详细情况,由此能够有效地提高地点数据的推送准确率,进而能够有效提高产品信息的推广效率。
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7所示,提供了一种地点资源数据推送装置,包括:请求接收模块702、产品分类模块704、数据获取模块706、数据分析模块708和数据推送模块710,其中:
请求接收模块702,用于接收业务终端发送的地点资源获取请求,地点资源获取请求携带了产品信息和地理位置信息;
产品分类模块704,用于获取预设的分类模型,通过分类模型对产品信息进行分类,得到产品信息所属的类别,并对产品信息添加对应的类别标签;
数据获取模块706,用于根据地理位置信息获取预设范围内的多个地点画像数据和人群画像数据;
数据分析模块708,用于获取预设的数据分析模型,通过数据分析模型根据类别标签以及地点画像数据和人群画像数据对产品信息进行匹配分析,得到产品信息对应多个地点的偏好度值;
数据获取模块706还用于根据多个地点的偏好度值对多个地点数据进行排序,获取预设数量的优选地点数据;
数据推送模块710,用于将优选地点数据推送至业务终端。
在其中一个实施例中,该装置还包括画像数据生成模块,用于获取地图信息,对地图信息进行划分,生成多个网格和对应的网格信息;根据网格信息获取多个网格内的用户消费行为数据和历史签到数据;获取预设的评分模型,通过评分模型对多个网格内的用户消费行为数据和历史签到数据进行分析,得到每个网格的评分结果数据;根据网格信息获取多个网格内的地标数据和商户数据;获取预设的数据挖掘模型,通过数据挖掘模型对多个网格的地标数据和商户数据以及评分结果数据进行分析,得到每个网格的用户分析数据和地点分析数据;根据用户分析数据和地点分析数据生成每个网格地点对应的人群画像数据和地点画像数据。
在其中一个实施例中,该装置还包括数据挖掘模型建立模块,用于获取多个用户消费行为数据和历史签到数据以及地标数据和商户数据;对多个用户消费行为数据和历史签到数据以及地标数据和商户数据进行聚类分析,得到聚类结果;根据聚类结果进行特征选择,提取出多个特征变量和对应的特征维度值;根据多个多维度特征变量按照预设方式建立数据挖掘模型。
在其中一个实施例中,地点画像数据和人群画像数据包括分布值数据,数据分析模块708还用于对产品信息和类别标签进行特征提取,得到产品信息和类别标签对应的特征向量;将特征向量输入至数据分析模型,根据地点画像数据和人群画像数据的分布值数据计算产品信息的指标数据占比值和匹配度值;根据类别标签的占比值和匹配度值计算产品信息对应多个地点的偏好度值。
在其中一个实施例中,数据获取模块706还用于根据优选地点数据的地点画像数据和人群画像数据按照预设方式生成对应的示意图;获取优选地点数据的电子地图信息;数据推送模块710还用于将优选地点数据的电子地图信息以及地点画像数据和人群画像数据对应的示意图发送至所述业务终端。
关于地点资源数据推送装置的具体限定可以参见上文中对于地点资源数据推送方法的限定,在此不再赘述。上述地点资源数据推送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8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产品信息、地点画像数据和人群画像数据等数据。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地点资源数据推送方法。
本领域技术人员可以理解,图8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,该存储器存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
接收业务终端发送的地点资源获取请求,地点资源获取请求携带了产品信息和地理位置信息;
获取预设的分类模型,通过分类模型对产品信息进行分类,得到产品信息所属的类别,并对产品信息添加对应的类别标签;
根据地理位置信息获取预设范围内的多个地点画像数据和人群画像数据;
获取预设的数据分析模型,通过数据分析模型根据类别标签以及地点画像数据和人群画像数据对产品信息进行匹配分析,得到产品信息对应多个地点的偏好度值;
根据多个地点的偏好度值对多个地点数据进行排序,获取预设数量的优选地点数据;
将优选地点数据推送至业务终端。
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:获取地图信息,对地图信息进行划分,生成多个网格和对应的网格信息;根据网格信息获取多个网格内的用户消费行为数据和历史签到数据;获取预设的评分模型,通过评分模型对多个网格内的用户消费行为数据和历史签到数据进行分析,得到每个网格的评分结果数据;根据网格信息获取多个网格内的地标数据和商户数据;获取预设的数据挖掘模型,通过数据挖掘模型对多个网格的地标数据和商户数据以及评分结果数据进行分析,得到每个网格的用户分析数据和地点分析数据;根据用户分析数据和地点分析数据生成每个网格地点对应的人群画像数据和地点画像数据。
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:获取多个用户消费行为数据和历史签到数据以及地标数据和商户数据;对多个用户消费行为数据和历史签到数据以及地标数据和商户数据进行聚类分析,得到聚类结果;根据聚类结果进行特征选择,提取出多个特征变量和对应的特征维度值;根据多个多维度特征变量按照预设方式建立数据挖掘模型。
在一个实施例中,地点画像数据和人群画像数据包括分布值数据,处理器执行计算机程序时还实现以下步骤:对产品信息和类别标签进行特征提取,得到产品信息和类别标签对应的特征向量;将特征向量输入至数据分析模型,根据地点画像数据和人群画像数据的分布值数据计算产品信息的指标数据占比值和匹配度值;根据类别标签的占比值和匹配度值计算产品信息对应多个地点的偏好度值。
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:根据优选地点数据的地点画像数据和人群画像数据按照预设方式生成对应的示意图;获取优选地点数据的电子地图信息;将优选地点数据的电子地图信息以及地点画像数据和人群画像数据对应的示意图发送至所述业务终端。
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:
接收业务终端发送的地点资源获取请求,地点资源获取请求携带了产品信息和地理位置信息;
获取预设的分类模型,通过分类模型对产品信息进行分类,得到产品信息所属的类别,并对产品信息添加对应的类别标签;
根据地理位置信息获取预设范围内的多个地点画像数据和人群画像数据;
获取预设的数据分析模型,通过数据分析模型根据类别标签以及地点画像数据和人群画像数据对产品信息进行匹配分析,得到产品信息对应多个地点的偏好度值;
根据多个地点的偏好度值对多个地点数据进行排序,获取预设数量的优选地点数据;
将优选地点数据推送至业务终端。
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:获取地图信息,对地图信息进行划分,生成多个网格和对应的网格信息;根据网格信息获取多个网格内的用户消费行为数据和历史签到数据;获取预设的评分模型,通过评分模型对多个网格内的用户消费行为数据和历史签到数据进行分析,得到每个网格的评分结果数据;根据网格信息获取多个网格内的地标数据和商户数据;获取预设的数据挖掘模型,通过数据挖掘模型对多个网格的地标数据和商户数据以及评分结果数据进行分析,得到每个网格的用户分析数据和地点分析数据;根据用户分析数据和地点分析数据生成每个网格地点对应的人群画像数据和地点画像数据。
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:获取多个用户消费行为数据和历史签到数据以及地标数据和商户数据;对多个用户消费行为数据和历史签到数据以及地标数据和商户数据进行聚类分析,得到聚类结果;根据聚类结果进行特征选择,提取出多个特征变量和对应的特征维度值;根据多个多维度特征变量按照预设方式建立数据挖掘模型。
在一个实施例中,地点画像数据和人群画像数据包括分布值数据,计算机程序被处理器执行时还实现以下步骤:对产品信息和类别标签进行特征提取,得到产品信息和类别标签对应的特征向量;将特征向量输入至数据分析模型,根据地点画像数据和人群画像数据的分布值数据计算产品信息的指标数据占比值和匹配度值;根据类别标签的占比值和匹配度值计算产品信息对应多个地点的偏好度值。
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:根据优选地点数据的地点画像数据和人群画像数据按照预设方式生成对应的示意图;获取优选地点数据的电子地图信息;将优选地点数据的电子地图信息以及地点画像数据和人群画像数据对应的示意图发送至所述业务终端。
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)
1.一种地点资源数据推送方法,所述方法包括:
接收业务终端发送的地点资源获取请求,所述地点资源获取请求携带了产品信息和地理位置信息;
获取预设的分类模型,通过所述分类模型对所述产品信息进行分类,得到所述产品信息所属的类别,并对所述产品信息添加对应的类别标签;
根据所述地理位置信息获取预设范围内的多个地点画像数据和人群画像数据;
获取预设的数据分析模型,通过所述数据分析模型根据所述类别标签以及地点画像数据和人群画像数据对所述产品信息进行匹配分析,得到所述产品信息对应多个地点的偏好度值;
根据多个地点的偏好度值对多个地点数据进行排序,获取预设数量的优选地点数据;
将所述优选地点数据推送至所述业务终端。
2.根据权利要求1所述的方法,其特征在于,所述根据所述地理位置信息获取预设范围内的多个地点画像数据和人群画像数据之前,还包括:
获取地图信息,对所述地图信息进行划分,生成多个网格和对应的网格信息;
根据所述网格信息获取多个网格内的用户消费行为数据和历史签到数据;
获取预设的评分模型,通过所述评分模型对多个网格内的用户消费行为数据和历史签到数据进行分析,得到每个网格的评分结果数据;
根据所述网格信息获取多个网格内的地标数据和商户数据;
获取预设的数据挖掘模型,通过所述数据挖掘模型对多个网格的地标数据和商户数据以及评分结果数据进行分析,得到每个网格的用户分析数据和地点分析数据;
根据所述用户分析数据和地点分析数据生成每个网格地点对应的人群画像数据和地点画像数据。
3.根据权利要求2所述的方法,其特征在于,所述获取预设的数据挖掘模型之前,还包括:
获取多个用户消费行为数据和历史签到数据以及地标数据和商户数据;
对多个用户消费行为数据和历史签到数据以及地标数据和商户数据进行聚类分析,得到聚类结果;
根据聚类结果进行特征选择,提取出多个特征变量和对应的特征维度值;
根据多个多维度特征变量按照预设方式建立数据挖掘模型。
4.根据权利要求1至3任意一项所述的方法,其特征在于,所述地点画像数据和人群画像数据包括分布值数据,所述通过所述数据分析模型根据所述类别标签以及地点画像数据和人群画像数据对所述产品信息进行匹配分析,包括:
对所述产品信息和所述类别标签进行特征提取,得到所述产品信息和所述类别标签对应的特征向量;
将所述特征向量输入至所述数据分析模型,根据所述地点画像数据和人群画像数据的分布值数据计算所述产品信息的指标数据占比值和匹配度值;
根据所述类别标签的占比值和匹配度值计算所述产品信息对应多个地点的偏好度值。
5.根据权利要求1所述的方法,其特征在于,所述方法还包括:
根据所述优选地点数据的地点画像数据和人群画像数据按照预设方式生成对应的示意图;
获取所述优选地点数据的电子地图信息;
将所述优选地点数据的电子地图信息以及地点画像数据和人群画像数据对应的示意图发送至所述业务终端。
6.一种地点资源数据推送装置,所述装置包括:
请求接收模块,用于接收业务终端发送的地点资源获取请求,所述地点资源获取请求携带了产品信息和地理位置信息;
产品分类模块,用于获取预设的分类模型,通过所述分类模型对所述产品信息进行分类,得到所述产品信息所属的类别,并对所述产品信息添加对应的类别标签;
数据获取模块,用于根据所述地理位置信息获取预设范围内的多个地点画像数据和人群画像数据;
数据分析模块,用于获取预设的数据分析模型,通过所述数据分析模型根据所述类别标签以及地点画像数据和人群画像数据对所述产品信息进行匹配分析,得到所述产品信息对应多个地点的偏好度值;
所述数据获取模块还用于根据多个地点的偏好度值对多个地点数据进行排序,获取预设数量的优选地点数据;
数据推送模块,用于将所述优选地点数据推送至所述业务终端。
7.根据权利要求6所述的装置,其特征在于,该装置还包括画像数据生成模块,用于获取地图信息,对所述地图信息进行划分,生成多个网格和对应的网格信息;根据所述网格信息获取多个网格内的用户消费行为数据和历史签到数据;获取预设的评分模型,通过所述评分模型对多个网格内的用户消费行为数据和历史签到数据进行分析,得到每个网格的评分结果数据;根据所述网格信息获取多个网格内的地标数据和商户数据;获取预设的数据挖掘模型,通过所述数据挖掘模型对多个网格的地标数据和商户数据以及评分结果数据进行分析,得到每个网格的用户分析数据和地点分析数据;根据所述用户分析数据和地点分析数据生成每个网格地点对应的人群画像数据和地点画像数据。
8.根据权利要求6所述的装置,其特征在于,所述地点画像数据和人群画像数据包括分布值数据,所述数据分析模块还用于对所述产品信息和所述类别标签进行特征提取,得到所述产品信息和所述类别标签对应的特征向量;将所述特征向量输入至所述数据分析模型,根据所述地点画像数据和人群画像数据的分布值数据计算所述产品信息的指标数据占比值和匹配度值;根据所述类别标签的占比值和匹配度值计算所述产品信息对应多个地点的偏好度值。
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5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5中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811560068.XA CN109829020B (zh) | 2018-12-20 | 2018-12-20 | 地点资源数据推送方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811560068.XA CN109829020B (zh) | 2018-12-20 | 2018-12-20 | 地点资源数据推送方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109829020A CN109829020A (zh) | 2019-05-31 |
CN109829020B true CN109829020B (zh) | 2023-04-07 |
Family
ID=66859866
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811560068.XA Active CN109829020B (zh) | 2018-12-20 | 2018-12-20 | 地点资源数据推送方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109829020B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110909102B (zh) * | 2019-11-22 | 2023-02-28 | 腾讯科技(深圳)有限公司 | 室内热力图展示方法、装置和计算机可读存储介质 |
CN111178932A (zh) * | 2019-11-26 | 2020-05-19 | 深圳壹账通智能科技有限公司 | 用户地理画像生成方法、装置、计算机设备和存储介质 |
CN111210201B (zh) * | 2020-01-02 | 2021-02-26 | 平安科技(深圳)有限公司 | 职业标签建立方法、装置、电子设备及存储介质 |
CN111339409A (zh) * | 2020-02-20 | 2020-06-26 | 深圳壹账通智能科技有限公司 | 地图展示方法与系统 |
CN113723652A (zh) * | 2020-12-29 | 2021-11-30 | 京东城市(北京)数字科技有限公司 | 业务数据处理方法、装置、电子设备和存储介质 |
CN112905727A (zh) * | 2021-02-25 | 2021-06-04 | 读书郎教育科技有限公司 | 一种基于高德地图sdk的营销推广系统及方法 |
CN113032547B (zh) * | 2021-03-31 | 2021-12-07 | 三峡高科信息技术有限责任公司 | 基于人工智能的大数据处理方法、系统及云平台 |
CN113159853A (zh) * | 2021-04-28 | 2021-07-23 | 深圳市乐科智控科技有限公司 | 一种连接售货机点位主和运营商的控制方法及控制系统 |
CN113569135B (zh) * | 2021-06-30 | 2024-03-29 | 深圳市东信时代信息技术有限公司 | 基于用户画像的推荐方法、装置、计算机设备及存储介质 |
CN115423510B (zh) * | 2022-08-30 | 2023-05-30 | 成都智元汇信息技术股份有限公司 | 基于地铁关联数据的媒体业务处理方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107465741A (zh) * | 2017-08-02 | 2017-12-12 | 北京小度信息科技有限公司 | 信息推送方法和装置 |
CN107798557A (zh) * | 2017-09-30 | 2018-03-13 | 平安科技(深圳)有限公司 | 电子装置、基于lbs数据的服务场所推荐方法及存储介质 |
CN108537578A (zh) * | 2018-03-26 | 2018-09-14 | 杭州米趣网络科技有限公司 | 基于大数据的广告推送方法及装置 |
CN108596679A (zh) * | 2018-04-27 | 2018-09-28 | 中国联合网络通信集团有限公司 | 用户画像的构建方法、装置、终端及计算机可读存储介质 |
-
2018
- 2018-12-20 CN CN201811560068.XA patent/CN109829020B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107465741A (zh) * | 2017-08-02 | 2017-12-12 | 北京小度信息科技有限公司 | 信息推送方法和装置 |
CN107798557A (zh) * | 2017-09-30 | 2018-03-13 | 平安科技(深圳)有限公司 | 电子装置、基于lbs数据的服务场所推荐方法及存储介质 |
CN108537578A (zh) * | 2018-03-26 | 2018-09-14 | 杭州米趣网络科技有限公司 | 基于大数据的广告推送方法及装置 |
CN108596679A (zh) * | 2018-04-27 | 2018-09-28 | 中国联合网络通信集团有限公司 | 用户画像的构建方法、装置、终端及计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109829020A (zh) | 2019-05-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109829020B (zh) | 地点资源数据推送方法、装置、计算机设备和存储介质 | |
CN109858737B (zh) | 基于模型部署的评分模型调整方法、装置和计算机设备 | |
CN109636607B (zh) | 基于模型部署的业务数据处理方法、装置和计算机设备 | |
CN110363449B (zh) | 一种风险识别方法、装置及系统 | |
CN109886719B (zh) | 基于网格的数据挖掘处理方法、装置和计算机设备 | |
CN109271420B (zh) | 信息推送方法、装置、计算机设备和存储介质 | |
CN112148987B (zh) | 基于目标对象活跃度的消息推送方法及相关设备 | |
CN109002988B (zh) | 风险旅客流量预测方法、装置、计算机设备和存储介质 | |
CN112417273B (zh) | 区域画像图生成方法、装置、计算机设备及存储介质 | |
CN109801091B (zh) | 目标用户群体定位方法、装置、计算机设备和存储介质 | |
CN110008251B (zh) | 基于时序数据的数据处理方法、装置和计算机设备 | |
CN108322363B (zh) | 推送数据异常监控方法、装置、计算机设备和存储介质 | |
CN109325118B (zh) | 不平衡样本数据预处理方法、装置和计算机设备 | |
CN110781379A (zh) | 信息推荐方法、装置、计算机设备和存储介质 | |
CN112395500B (zh) | 内容数据推荐方法、装置、计算机设备及存储介质 | |
CN109063984B (zh) | 风险旅客方法、装置、计算机设备和存储介质 | |
CN109245996B (zh) | 邮件推送方法、装置、计算机设备和存储介质 | |
CN108182633B (zh) | 贷款数据处理方法、装置、计算机设备和存储介质 | |
CN110555164B (zh) | 群体兴趣标签的生成方法、装置、计算机设备和存储介质 | |
CN111291264A (zh) | 基于机器学习的访问对象预测方法、装置和计算机设备 | |
CN112035549B (zh) | 数据挖掘方法、装置、计算机设备及存储介质 | |
CN110888911A (zh) | 样本数据处理方法、装置、计算机设备及存储介质 | |
CN110880006A (zh) | 用户分类方法、装置、计算机设备和存储介质 | |
CN111210158B (zh) | 目标地址确定方法、装置、计算机设备和存储介质 | |
CN109767264A (zh) | 产品数据推送方法、装置、计算机设备和存储介质 |
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 |