CN109886719A - 基于网格的数据挖掘处理方法、装置和计算机设备 - Google Patents
基于网格的数据挖掘处理方法、装置和计算机设备 Download PDFInfo
- Publication number
- CN109886719A CN109886719A CN201811560734.XA CN201811560734A CN109886719A CN 109886719 A CN109886719 A CN 109886719A CN 201811560734 A CN201811560734 A CN 201811560734A CN 109886719 A CN109886719 A CN 109886719A
- Authority
- CN
- China
- Prior art keywords
- data
- grid
- landmark
- model
- merchant
- 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
-
- 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
本申请涉及一种基于网格的数据挖掘处理方法、装置和计算机设备。该方法包括: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的人群画像数据和地点画像数据。采用本方法能够有效地提高网格数据的分析准确率。
Description
技术领域
本申请涉及计算机技术领域,特别是涉及数据分析的一种基于网格的数据挖掘处理方法、装置和计算机设备。
背景技术
随着计算机技术的快速发展,数据挖掘对于各个行业而言都尤为重要。随着大数据处理的兴起,对海量数据进行分析,可以有效地进行数据挖掘。通过对数据进行画像分析,能够有效的对目标数据进行挖掘和分析。因此出现了一些基于网格的目标数据挖掘和人群画像分析等技术。
传统的网格数据挖掘通常是通过对用户的用户数据和位置信息进行分析,挖掘出用户的兴趣点属性信息。而现有的人群画像数据方式,也只是针对用户信息进行分析,进而得到该用户的人群画像数据。目前进行网格数据挖掘和人群画像进行分析的数据大多比较单一,导致分析结果数据的分析准确率和利用价值较低。因此,如何有效地提高网格数据分析的准确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,提供一种能够有效地提高网格数据分析的准确率以提高数据挖掘的效率的基于网格的数据挖掘处理方法、装置和计算机设备。
一种基于网格的数据挖掘处理方法,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,所述地图信息包括多个地点,所述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,包括:获取所述地图信息中多个地点的地标数据和商户数据;获取预设的分类模型,通过所述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;根据多个地点和对应的类别标签按照预设方式对所述地图信息进行划分,得到多个网格和对应的网格信息。
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;根据多个特征变量和对应的特征维度值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,包括:对网格内的多个地标数据和商户数据以及多个用户标签进行特征提取,提取出对应的多个特征向量;将多个特征向量输入至所述数据挖掘模型中,通过所述数据挖掘模型分析出多个预设指标数据的占比;根据多个预设指标数据的占比分析出每个网格的用户分析数据和地点分析数据。
在其中一个实施例中,所述根据所述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之后,所述方法还包括:获取产品数据,所述产品数据包括产品类型;获取预设的数据分析模型,通过所述数据分析模型对所述产品数据和多个网格对应的人群画像数据和地点画像数据进行分析,得到所述产品数据对应每个网格的偏好程度;根据所述产品数据对应每个网格的偏好程度生成产品画像数据,并将所述产品画像数据推送至所述产品类型对应的业务终端。
一种基于网格的数据挖掘处理装置,包括:
网格划分模块,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;
数据获取模块,用于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;
网格分析模块,用于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;
所述数据获取模块还用于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;
数据挖掘模块,用于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,所述地图信息包括多个地点,所述网格划分模块还用于获取所述地图信息中多个地点的地标数据和商户数据;获取预设的分类模型,通过所述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;根据多个地点和对应的类别标签按照预设方式对所述地图信息进行划分,得到多个网格和对应的网格信息。
在其中一个实施例中,所述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;根据多个特征变量和对应的特征维度值按照预设方式建立数据挖掘模型。
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:
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对应的人群画像数据和地点画像数据。
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:
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对应的人群画像数据和地点画像数据。
上述基于网格的数据挖掘处理方法、装置和计算机设备,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。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。
附图说明
图1为一个实施例中基于网格的数据挖掘处理方法的应用场景图;
图2为一个实施例中基于网格的数据挖掘处理方法的流程示意图;
图3为一个实施例中对地图信息划分网格步骤的流程示意图;
图4为一个实施例中建立数据挖掘模型步骤的流程示意图;
图5为一个实施例中基于网格的数据挖掘处理装置的结构框图;
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。
本申请提供的基于网格的数据挖掘处理方法,可以应用于如图1所示的应用环境中。其中,用户终端102通过网络与服务器104通过网络进行通信。其中,用户终端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多个用户终端102的用户消费行为数据和历史签到数据。服务器104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。服务器104进一步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。服务器104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。
在一个实施例中,如图2所示,提供了一种基于网格的数据挖掘处理方法,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,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,获取预设的分类模型,通过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204,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。
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。
步骤206,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208,根据网格信息获取每个网格内的地标数据和商户数据。
步骤210,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。
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。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。
步骤212,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。
服务器通过通过数据挖掘模型对多个网格对应的数据进行分析,得到每个网格的用户分析数据和地点分析数据后,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。
进一步地,服务器生成每个网格对应的人群画像数据和地点画像数据后,将每个网格对应的人群画像数据和地点画像数据推送至多个业务终端,由此能够使得业务终端对应的业务人员根据人群画像数据和地点画像数据进行有效地推广。
上述基于网格的数据挖掘处理方法中,服务器获取地图信息,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。服务器进一步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。服务器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。
在一个实施例中,地图信息包括多个地点,对地图信息进行划分,生成多个网格和对应的网格信息的步骤,具体包括以下内容:
步骤302,获取地图信息中多个地点的地标数据和商户数据。
步骤304,获取预设的分类模型,通过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。
步骤306,根据多个地点和对应的类别标签按照预设方式对地图信息进行划分,得到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每个地点的经纬度信息,多个区域可以为多个城市对应的区域。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,服务器可以从本地数据库或第三方数据库中获取地图信息中多个区域和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,获取预设的分类模型。其中,分类模型可以是通过对大量的地标数据和商户数据进行训练后生成的,分类模型可以是基于决策树或基于神经网络的分类模型。服务器获取分类模型后,将多个地点的多个地标数据和商户数据输入至分类模型中,通过分类模型对多个区域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。其中,每个地点可以包括多个类别标签。
服务器进而根据多个地点的类别标签按照预设方式进行划分并绘制网格,例如,可以将类别标签比较密集的一个地点划分为一个网格,也可以将类别标签较少或类似的多个地点划分为一个网格。服务器进而根据划分和绘制后的地图信息生成网格地图信息,由此得到多个网格和对应的网格信息。通过对地标数据和商户数据对每个地点进行分类后,根据每个地点的类别进行切分网格,由此能够有效地对地区进行网格划分,并有效地生成网格和对应的网格信息。
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,还包括建立数据挖掘模型的步骤,该步骤具体包括以下内容:
步骤402,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。
步骤404,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。
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。
步骤406,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。
步骤408,根据多个特征变量和对应的特征维度值按照预设方式建立数据挖掘模型。
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,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,包括:对网格内的多个地标数据和商户数据以及多个用户标签进行特征提取,提取出对应的多个特征向量;将多个特征向量输入至数据挖掘模型中,通过所述数据挖掘模型分析出多个预设指标数据的占比;根据多个预设指标数据的占比分析出每个网格的用户分析数据和地点分析数据。
服务器可以从预设数据库中获取地图信息,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,获取预设的分类模型,通过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。
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。服务器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。
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。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。
服务器进一步获取预设的数据挖掘模型,对网格内的多个地标数据和商户数据以及多个用户标签进行特征提取,提取出对应的多个特征向量。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对应的特征向量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,分析出多个预设指标数据的占比。例如,预设指标数据可以包括性别分布情况、年龄分布情况、消费类型分布情况、人流量分布情况已经商户分布情况等。服务器进而根据多个预设指标数据的占比分析出每个网格的用户分析数据和地点分析数据,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。
服务器通过利用数据挖掘模型对多个网格对应的数据进行分析,得到每个网格的用户分析数据和地点分析数据后,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。通过利用预先利用大量数据构建和训练的数据挖掘模型对多个网格对应的数据进行分析,由此能够有效准确地分析出每个网格的用户分析数据和地点分析数据。
在一个实施例中,该方法还包括:获取产品数据,产品数据包括产品类型;获取预设的数据分析模型,通过数据分析模型对产品数据和多个网格对应的人群画像数据和地点画像数据进行分析,得到产品数据对应每个网格的偏好程度;根据产品数据对应每个网格的偏好程度生成产品画像数据,并将产品画像数据推送至产品类型对应的业务终端。
服务器获取地图信息,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。
服务器进一步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。服务器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。
服务器生成每个网格对应的人群画像数据和地点画像数据后,进一步获取产品数据,产品数据包括了类别标签。例如,服务器可以获取保险产品、理财产品、基金产品等金融类的产品数据。服务器提取产品数据中的多个特征,并获取预设的数据分析模型,通过数据分析模型结合各个网格的人群画像数据和地点画像数据对产品数据进行分析,分析得到该产品数据对应每个网格的偏好程度。服务器进而根据产品数据对应每个网格的偏好程度生成产品画像数据。服务器生成产品画像数据后,则将产品画像数据推送至产品类型对应的业务终端,由此能够使得业务人员利用业务终端根据产品画像数据对产品进行有效地推广。通过利用多个网格中的人群画像数据和地点画像数据对产品数据进行分析,能够有效地分析出各个网格中对产品数据的偏好程度,有利于业务人员进行有效地决策推广,进而能够有效地提高产品数据的推广效率。
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5所示,提供了一种基于网格的数据挖掘处理装置,包括:网格划分模块502、数据获取模块504、网格分析模块506和数据挖掘模块508,其中:
网格划分模块502,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;
数据获取模块504,用于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;
网格分析模块506,用于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;
所述数据获取模块504还用于根据网格信息获取多个网格内的地标数据和商户数据;
数据挖掘模块508,用于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,地图信息包括多个地点,网格划分模块502还用于获取地图信息中多个地点的地标数据和商户数据;获取预设的分类模型,通过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;根据多个地点和对应的类别标签按照预设方式对地图信息进行划分,得到多个网格和对应的网格信息。
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;根据多个特征变量和对应的特征维度值按照预设方式建立数据挖掘模型。
在其中一个实施例中,数据挖掘模块508还用于对网格内的多个地标数据和商户数据以及多个用户标签进行特征提取,提取出对应的多个特征向量;将多个特征向量输入至数据挖掘模型中,通过数据挖掘模型分析出多个预设指标数据的占比;根据多个预设指标数据的占比分析出每个网格的用户分析数据和地点分析数据。
在其中一个实施例中,该装置还包括产品数据分析模块,用于获取产品数据,产品数据包括产品类型;获取预设的数据分析模型,通过数据分析模型对产品数据和多个网格对应的人群画像数据和地点画像数据进行分析,得到产品数据对应每个网格的偏好程度;根据产品数据对应每个网格的偏好程度生成产品画像数据,并将产品画像数据推送至产品类型对应的业务终端。
关于基于网格的数据挖掘处理装置的具体限定可以参见上文中对于基于网格的数据挖掘处理方法的限定,在此不再赘述。上述基于网格的数据挖掘处理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地图信息、用户消费行为数据、历史签到数据、地标数据、商户数据、人群画像数据和地点画像数据等数据。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基于网格的数据挖掘处理方法。
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,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:
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对应的人群画像数据和地点画像数据。
在一个实施例中,地图信息包括多个地点,处理器执行计算机程序时还实现以下步骤:获取地图信息中多个地点的地标数据和商户数据;获取预设的分类模型,通过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;根据多个地点和对应的类别标签按照预设方式对地图信息进行划分,得到多个网格和对应的网格信息。
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;根据多个特征变量和对应的特征维度值按照预设方式建立数据挖掘模型。
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:对网格内的多个地标数据和商户数据以及多个用户标签进行特征提取,提取出对应的多个特征向量;将多个特征向量输入至数据挖掘模型中,通过数据挖掘模型分析出多个预设指标数据的占比;根据多个预设指标数据的占比分析出每个网格的用户分析数据和地点分析数据。
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:获取产品数据,产品数据包括产品类型;获取预设的数据分析模型,通过数据分析模型对产品数据和多个网格对应的人群画像数据和地点画像数据进行分析,得到产品数据对应每个网格的偏好程度;根据产品数据对应每个网格的偏好程度生成产品画像数据,并将产品画像数据推送至产品类型对应的业务终端。
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:
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对应的人群画像数据和地点画像数据。
在一个实施例中,地图信息包括多个地点,计算机程序被处理器执行时还实现以下步骤:获取地图信息中多个地点的地标数据和商户数据;获取预设的分类模型,通过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;根据多个地点和对应的类别标签按照预设方式对地图信息进行划分,得到多个网格和对应的网格信息。
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;根据多个特征变量和对应的特征维度值按照预设方式建立数据挖掘模型。
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:对网格内的多个地标数据和商户数据以及多个用户标签进行特征提取,提取出对应的多个特征向量;将多个特征向量输入至数据挖掘模型中,通过数据挖掘模型分析出多个预设指标数据的占比;根据多个预设指标数据的占比分析出每个网格的用户分析数据和地点分析数据。
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:获取产品数据,产品数据包括产品类型;获取预设的数据分析模型,通过数据分析模型对产品数据和多个网格对应的人群画像数据和地点画像数据进行分析,得到产品数据对应每个网格的偏好程度;根据产品数据对应每个网格的偏好程度生成产品画像数据,并将产品画像数据推送至产品类型对应的业务终端。
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)
1.一种基于网格的数据挖掘处理方法,所述方法包括:
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对应的人群画像数据和地点画像数据。
2.根据权利要求1所述的方法,其特征在于,所述地图信息包括多个地点,所述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,包括:
获取所述地图信息中多个地点的地标数据和商户数据;
获取预设的分类模型,通过所述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;
根据多个地点和对应的类别标签按照预设方式对所述地图信息进行划分,得到多个网格和对应的网格信息。
3.根据权利要求1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;
根据多个特征变量和对应的特征维度值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,包括:
对网格内的多个地标数据和商户数据以及多个用户标签进行特征提取,提取出对应的多个特征向量;
将多个特征向量输入至所述数据挖掘模型中,通过所述数据挖掘模型分析出多个预设指标数据的占比;
根据多个预设指标数据的占比分析出每个网格的用户分析数据和地点分析数据。
5.根据权利要求1所述的方法,其特征在于,所述根据所述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之后,所述方法还包括:
获取产品数据,所述产品数据包括产品类型;
获取预设的数据分析模型,通过所述数据分析模型对所述产品数据和多个网格对应的人群画像数据和地点画像数据进行分析,得到所述产品数据对应每个网格的偏好程度;
根据所述产品数据对应每个网格的偏好程度生成产品画像数据,并将所述产品画像数据推送至所述产品类型对应的业务终端。
6.一种基于网格的数据挖掘处理装置,包括:
网格划分模块,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;
数据获取模块,用于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;
网格分析模块,用于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;
所述数据获取模块还用于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;
数据挖掘模块,用于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对应的人群画像数据和地点画像数据。
7.根据权利要求6所述的装置,其特征在于,所述地图信息包括多个地点,所述网格划分模块还用于获取所述地图信息中多个地点的地标数据和商户数据;获取预设的分类模型,通过所述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;根据多个地点和对应的类别标签按照预设方式对所述地图信息进行划分,得到多个网格和对应的网格信息。
8.根据权利要求6所述的装置,其特征在于,所述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;根据多个特征变量和对应的特征维度值按照预设方式建立数据挖掘模型。
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 |
---|---|---|---|
CN201811560734.XA CN109886719B (zh) | 2018-12-20 | 2018-12-20 | 基于网格的数据挖掘处理方法、装置和计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811560734.XA CN109886719B (zh) | 2018-12-20 | 2018-12-20 | 基于网格的数据挖掘处理方法、装置和计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109886719A true CN109886719A (zh) | 2019-06-14 |
CN109886719B CN109886719B (zh) | 2023-06-20 |
Family
ID=66925110
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811560734.XA Active CN109886719B (zh) | 2018-12-20 | 2018-12-20 | 基于网格的数据挖掘处理方法、装置和计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109886719B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110569321A (zh) * | 2019-07-23 | 2019-12-13 | 平安科技(深圳)有限公司 | 基于城市地图的网格划分处理方法、装置和计算机设备 |
CN110737693A (zh) * | 2019-09-06 | 2020-01-31 | 平安城市建设科技(深圳)有限公司 | 数据挖掘处理方法、装置、设备及计算机可读存储介质 |
CN110992190A (zh) * | 2019-12-19 | 2020-04-10 | 中国建设银行股份有限公司 | 基于用户画像的资产配置方法及装置 |
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 |
CN112825256A (zh) * | 2019-11-20 | 2021-05-21 | 百度在线网络技术(北京)有限公司 | 录制语音包功能的引导方法、装置、设备和计算机存储介质 |
CN115422318A (zh) * | 2022-11-07 | 2022-12-02 | 广州天维信息技术股份有限公司 | 业务数据分析方法、装置、存储介质及计算机设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101324901A (zh) * | 2008-08-06 | 2008-12-17 | 中国电信股份有限公司 | 数据挖掘方法、平台和系统 |
US20150332087A1 (en) * | 2014-05-15 | 2015-11-19 | Fuji Xerox Co., Ltd. | Systems and Methods for Identifying a User's Demographic Characteristics Based on the User's Social Media Photographs |
CN106503015A (zh) * | 2015-09-07 | 2017-03-15 | 国家计算机网络与信息安全管理中心 | 一种构建用户画像的方法 |
WO2017101299A1 (zh) * | 2015-12-15 | 2017-06-22 | 乐视控股(北京)有限公司 | 视频推荐方法、装置和设备 |
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 |
CN108182253A (zh) * | 2017-12-29 | 2018-06-19 | 百度在线网络技术(北京)有限公司 | 用于生成信息的方法和装置 |
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 CN201811560734.XA patent/CN109886719B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101324901A (zh) * | 2008-08-06 | 2008-12-17 | 中国电信股份有限公司 | 数据挖掘方法、平台和系统 |
US20150332087A1 (en) * | 2014-05-15 | 2015-11-19 | Fuji Xerox Co., Ltd. | Systems and Methods for Identifying a User's Demographic Characteristics Based on the User's Social Media Photographs |
CN106503015A (zh) * | 2015-09-07 | 2017-03-15 | 国家计算机网络与信息安全管理中心 | 一种构建用户画像的方法 |
WO2017101299A1 (zh) * | 2015-12-15 | 2017-06-22 | 乐视控股(北京)有限公司 | 视频推荐方法、装置和设备 |
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 |
CN108182253A (zh) * | 2017-12-29 | 2018-06-19 | 百度在线网络技术(北京)有限公司 | 用于生成信息的方法和装置 |
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 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110569321A (zh) * | 2019-07-23 | 2019-12-13 | 平安科技(深圳)有限公司 | 基于城市地图的网格划分处理方法、装置和计算机设备 |
CN110569321B (zh) * | 2019-07-23 | 2023-04-11 | 平安科技(深圳)有限公司 | 基于城市地图的网格划分处理方法、装置和计算机设备 |
CN110737693A (zh) * | 2019-09-06 | 2020-01-31 | 平安城市建设科技(深圳)有限公司 | 数据挖掘处理方法、装置、设备及计算机可读存储介质 |
CN112825256A (zh) * | 2019-11-20 | 2021-05-21 | 百度在线网络技术(北京)有限公司 | 录制语音包功能的引导方法、装置、设备和计算机存储介质 |
WO2021098175A1 (zh) * | 2019-11-20 | 2021-05-27 | 百度在线网络技术(北京)有限公司 | 录制语音包功能的引导方法、装置、设备和计算机存储介质 |
US20220276067A1 (en) * | 2019-11-20 | 2022-09-01 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method and apparatus for guiding voice-packet recording function, device and computer storage medium |
US11976931B2 (en) * | 2019-11-20 | 2024-05-07 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method and apparatus for guiding voice-packet recording function, device and computer storage medium |
CN110992190A (zh) * | 2019-12-19 | 2020-04-10 | 中国建设银行股份有限公司 | 基于用户画像的资产配置方法及装置 |
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 |
CN115422318A (zh) * | 2022-11-07 | 2022-12-02 | 广州天维信息技术股份有限公司 | 业务数据分析方法、装置、存储介质及计算机设备 |
Also Published As
Publication number | Publication date |
---|---|
CN109886719B (zh) | 2023-06-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109886719A (zh) | 基于网格的数据挖掘处理方法、装置和计算机设备 | |
CN109829020A (zh) | 地点资源数据推送方法、装置、计算机设备和存储介质 | |
Liao et al. | Guidance and evaluation: Semantic-aware image inpainting for mixed scenes | |
CN109783730A (zh) | 产品推荐方法、装置、计算机设备和存储介质 | |
CN109493199A (zh) | 产品推荐方法、装置、计算机设备和存储介质 | |
CN110598845B (zh) | 数据处理方法、装置、计算机设备和存储介质 | |
CN109670837A (zh) | 债券违约风险的识别方法、装置、计算机设备和存储介质 | |
CN109815333A (zh) | 信息获取方法、装置、计算机设备和存储介质 | |
CN110008250A (zh) | 基于数据挖掘的社保数据处理方法、装置和计算机设备 | |
CN107657048A (zh) | 用户识别方法及装置 | |
CN109801101A (zh) | 标签确定方法、装置、计算机设备和存储介质 | |
CN111046952A (zh) | 标签挖掘模型的建立方法、装置、存储介质及终端 | |
CN108469975A (zh) | 控件显示方法、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 | |
CN110457677A (zh) | 实体关系识别方法及装置、存储介质、计算机设备 | |
CN110880006A (zh) | 用户分类方法、装置、计算机设备和存储介质 | |
CN111324716A (zh) | 指标数据获取方法、装置、计算机设备和存储介质 | |
CN109214904A (zh) | 财务造假线索的获取方法、装置、计算机设备和存储介质 | |
CN112417315A (zh) | 基于网站注册的用户画像生成方法、装置、设备和介质 | |
CN114692889A (zh) | 用于机器学习算法的元特征训练模型 | |
CN110245571A (zh) | 合同签字审核方法、装置、计算机设备和存储介质 | |
US20210110275A1 (en) | System and method of machine learning using embedding networks | |
CN116225956A (zh) | 自动化测试方法、装置、计算机设备和存储介质 | |
CN115827877A (zh) | 一种提案辅助并案的方法、装置、计算机设备和存储介质 | |
CN104778163A (zh) | 一种事件触发词识别方法及系统 |
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 |