CN109919675A - 基于神经网络的通讯用户升档预测概率识别方法及系统 - Google Patents
基于神经网络的通讯用户升档预测概率识别方法及系统 Download PDFInfo
- Publication number
- CN109919675A CN109919675A CN201910161151.8A CN201910161151A CN109919675A CN 109919675 A CN109919675 A CN 109919675A CN 201910161151 A CN201910161151 A CN 201910161151A CN 109919675 A CN109919675 A CN 109919675A
- Authority
- CN
- China
- Prior art keywords
- neural network
- data set
- user
- prediction probability
- basic information
- 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.)
- Pending
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于神经网络的通讯用户升档预测概率识别方法及系统,所述通讯用户升档预测概率识别方法包括以下步骤:步骤S1,将用户基本信息数据存放至数据库中,得到用户基本信息数据集S;步骤S2,对所述用户基本信息数据集S进行数据检测,经过标准化处理后得到数据集;步骤S3,将数据集作为输入,将用户次月是否办理套餐升档的数据作为输出进行BP神经网络训练,得到BP神经网络模型;步骤S4,将更新后的用户基本信息数据集输入至BP神经网络模型,输出并展示用户次月是否办理套餐升档的预测数据集。本发明根据用户升档概率进行预测,针对性和关联性非常强,预测结果一目了然,方便快捷。
Description
技术领域
本发明涉及一种通讯用户升档预测方法,尤其涉及一种基于神经网络的通讯用户升档预测概率识别方法,并涉及采用了该基于神经网络的通讯用户升档预测概率识别方法的通讯用户升档预测概率识别系统。
背景技术
智能手机等智能终端已经非常普及,而随着数字化的进步,通讯用户的套餐也会随之变化,但是现在的用户升档预测概率识别与用户现有通讯套餐的关联性概率偏低,也就是说,现在并没有针对用户现有通讯套餐进行预测和分析的升档预测概率识别系统,这样的话,用户不便于针对性地及时调整套餐,同时也会增加运营商的管理难度,影响运营商的营销效果和营销精确度。
发明内容
本发明所要解决的技术问题是需要提供一种便于用户直接观看预测数据集,以便用户针对性地及时调整套餐,降低运营商的管理难度,并有效提高运营商的营销效果和营销精确度的基于神经网络的通讯用户升档预测概率识别方法;还需要进一步提供采用了该基于神经网络的通讯用户升档预测概率识别方法的通讯用户升档预测概率识别系统。
对此,本发明提供一种基于神经网络的通讯用户升档预测概率识别方法,包括以下步骤:
步骤S1,将用户基本信息数据存放至数据库中,得到用户基本信息数据集S;
步骤S2,对所述用户基本信息数据集S进行数据检测,并经过标准化处理后得到数据集St;
步骤S3,将数据集St作为输入,将用户次月是否办理套餐升档的数据yn作为输出进行BP神经网络训练,得到BP神经网络模型;
步骤S4,将更新后的用户基本信息数据集Sx输入至所述步骤S3训练好的BP神经网络模型中,输出并展示用户次月是否办理套餐升档的预测数据集Sy。
本发明的进一步改进在于,所述步骤S2包括以下子步骤:
步骤S201,检测所述用户基本信息数据集S中的异常值和缺失值;
步骤S202,将异常值设置为缺失值;
步骤S203,对缺失值用零填充,得到数据清洗之后的数据源S_;
步骤S204,对数据源S_进行标准化处理得到数据集St。
本发明的进一步改进在于,所述步骤S204中,通过公式对数据源S_进行标准化处理得到数据集St,其中,xn代表数据源S_中数据集的第n条数据,n代表的是数据的样本数量,代表所有样本数据的均值,σ代表所有样本数据的标准差。
本发明的进一步改进在于,通过公式计算所有样本数据的均值通过公式计算所有样本数据的标准差σ。
本发明的进一步改进在于,所述步骤S3通过三层神经网络进行BP神经网络训练,所述BP神经网络的隐含层的输出Hj为:所述BP神经网络的输出层的输出Ok为:所述BP神经网络的误差公式为:其中,wij为隐含层的权重,i=1....n,j=1...l,k=1....m,aj为隐含层的偏置参数,n为BP神经网络的输入层节点数量,l为BP神经网络的隐藏层节点数量,m为BP神经网络的输出层节点数量,wjk为输出层的权重,bk为输出层的偏置参数,Yk为期望输出。
本发明的进一步改进在于,通过公式更新隐含层的权重wij和输出层的权重wjk,其中,η为学习速率,ek为期望输出Yk与输出层的输出Ok之间的差值。
本发明的进一步改进在于,通过公式更新隐含层的偏置参数aj和输出层的偏置参数bk。
本发明的进一步改进在于,所述步骤S1中,所述用户基本信息数据集S包括用户唯一标识ID、套餐费、流量费、前三个月话费金额、超套次数、超套流量费、积分、用户等级、年龄、性别、通话档次、在网时长、前三个月语音时长均值、漫游用户、前三个月GPRS流量、前三个月话费均值以及前三个月流量均值中的任意一种或几种。
本发明的进一步改进在于,所述预测数据集Sy与用户基本信息数据集S之间通过用户唯一标识ID进行关联。
本发明还提供一种基于神经网络的通讯用户升档预测概率识别系统,采用了如上所述的基于神经网络的通讯用户升档预测概率识别方法。
与现有技术相比,本发明的有益效果在于:通过对用户基本信息数据集S进行数据检测和分析,结合BP神经网络的训练,进而实现预测数据集Sy的输出,即所述预测数据集Sy是根据用户升档概率进行预测的,这种预测的针对性和关联性都非常强,用户完全可以通过用户升档预测系统直观地看到自己的预测数据集Sy,实现了预测系统化,结果一目了然,方便快捷,以便提供更具备针对性的套餐升档建议,便于根据能够接受的概率进行资源分配,进而降低运营商的管理难度,并有效提高运营商的营销效果和营销精确度。
附图说明
图1是本发明一种实施例的工作流程示意图;
图2是本发明一种实施例的工作原理示意图;
图3是本发明一种实施例的数据流原理示意图;
图4是本发明一种实施例的BP神经网络的训练原理示意图。
具体实施方式
下面结合附图,对本发明的较优的实施例作进一步的详细说明。
如图1至图3所示,本例提供一种基于神经网络的通讯用户升档预测概率识别方法,包括以下步骤:
步骤S1,将用户基本信息数据存放至数据库中,得到用户基本信息数据集S;
步骤S2,对所述用户基本信息数据集S进行数据检测,并经过标准化处理后得到数据集St;
步骤S3,将数据集St作为输入,将用户次月是否办理套餐升档的数据yn作为输出进行BP神经网络训练,得到BP神经网络模型;
步骤S4,将更新后的用户基本信息数据集Sx输入至所述步骤S3训练好的BP神经网络模型中,输出并展示用户次月是否办理套餐升档的预测数据集Sy;其中,优选将预测数据集Sy通过用户升档预测系统进行展示。
本例所述步骤S1和步骤S2是对用户基本信息数据集S进行数据预处理的过程;所述步骤S3是通过已有的历史数据,将用户的数据集St作为输入,将历史数据中用户次月是否办理套餐升档的数据yn作为输出,进而训练出进行预测时所需要使用的BP神经网络模型;而所述步骤S4则是利用所述步骤S3所训练好的BP神经网络模型,将更新后的用户基本信息数据集Sx输入至训练好的所述BP神经网络模型中进行训练,进而通过更新后的用户基本信息数据集Sx和训练好的BP神经网络模型输出用户次月是否办理套餐升档的预测数据集Sy,并展示,以实现准确度更高的通讯用户升档预测概率识别。
本例所述步骤S1中,所述用户基本信息数据集S包括用户唯一标识ID、套餐费、流量费、前三个月话费金额、超套次数、超套流量费、积分、用户等级、年龄、性别、通话档次、在网时长、前三个月语音时长均值、漫游用户、前三个月GPRS流量、前三个月话费均值以及前三个月流量均值中的任意一种或几种。
本例所述更新后的用户基本信息数据集Sx同样包括用户唯一标识ID、套餐费、流量费、前三个月话费金额、超套次数、超套流量费、积分、用户等级、年龄、性别、通话档次、在网时长、前三个月语音时长均值、漫游用户、前三个月GPRS流量、前三个月话费均值以及前三个月流量均值中的任意一种或几种,该更新后的用户基本信息数据集Sx优选将更新后的用户基本信息数据经过所述步骤S1和步骤S2的预处理之后,再输入至所述步骤S3所训练好的BP神经网络模型,进而提高其预测准确性。
更为具体的,本例先将需要的用户基本信息数据集S的相关数据存放到对应的数据库中,所述用户基本信息数据集S的基本信息包括如下维度:用户唯一标识ID、套餐费、流量费、上月话费金额、上上月话费金额、上上上月话费金额、超套次数、超套流量费、积分、用户等级、年龄、性别、通话档次、在网时长、前三个月语音时长均值、漫游用户、上月GPRS流量、上上月GPRS流量、上上上月GPRS流量、前三个月话费均值以及前三个月流量均值等,本例将包含这些维度的用户基本信息数据集简称为S。
然后将用户次月是否办理套餐升档的数据这个维度的数据设为数据集A,数据集A与用户基本信息数据集S之间通过用户唯一标识ID进行关联,即本例所述预测数据集Sy与用户基本信息数据集S之间通过用户唯一标识ID进行关联,接着将关联后的数据存放到数据库中。选取用户数据样本总量为n。
其中,{s1,s2,....sn}∈S,sn表示某一用户对应的基本信息数据比如编号为1的用户对应的套餐费、流量费、上月话费金额、上上月话费金额、上上上月话费金额、超套次数、超套流量费、积分、用户等级、年龄、性别、通话档次、在网时长、前三个月语音时长均值、漫游用户、上月GPRS流量、上上月GPRS流量、上上上月GPRS流量、前三个月话费均值以及前三个月流量均值等。
{y1,y2,.....yn}∈A,yn表示的是某一用户历史数据中的用户次月是否办理套餐升档的数据,这是已知的,用于训练BP神经网络模型,yn中0代表不需要办理套餐升档(升级),1代表需要办理套餐升档(升级);即A为历史数据中的用户次月是否办理套餐升档的数据集,最终存放在数据库中的数据示例展示如下:
用户唯一标识ID | 年龄 | 入网时长 | 积分 | .... | 用户次月是否办理套餐升档 |
1 | 22 | 3 | 324 | .... | 1 |
2 | 24 | 2 | 456 | .... | 0 |
3 | 56 | 1 | 245 | .... | 0 |
4 | 15 | 6 | 786 | .... | 0 |
.... | .... | .... | .... | .... | .... |
n | 76 | 11 | 1025 | .... | 1 |
本例所述步骤S2为数据清洗步骤,所述步骤S2包括以下子步骤:
步骤S201,检测所述用户基本信息数据集S中的异常值和缺失值;
步骤S202,将异常值设置为缺失值;
步骤S203,对缺失值用零填充,得到数据清洗之后的数据源S_;
步骤S204,对数据源S_进行标准化处理得到数据集St。
更为具体的,对已经入库的用户基本信息数据集S进行数据检测,主要检测数据集S中的异常值和缺失值;其中,异常值主要是指不同于常识的值,由于系统误差、人为误差或者固有数据的变异使得他们与总体的行为特征、结构或相关性等不一样。本例优选采用画箱线图的方法来识别,画箱线图只需要取极大值、极小值、上四分位数、中位数和下四分位数即可画出。把处于上四分位数之上以及下四分位数之下的数据视为异常值。比如年龄中如果为负数则判定为异常值。本例所述步骤S201找到异常值后,在步骤S202中将其设为缺失值,并采用步骤S203的缺失值处理方式进行处理,所述缺失值处理方式为采用零填充缺失值,即对缺失值全部填充为0。缺失值是某一个字段下为空或者没有数值的则视为缺失值。
本例所述步骤S204中,通过公式对数据源S_进行Z-score标准化法的标准化处理,进而得到数据集St,其中,xn代表数据源S_中数据集的第n条数据,{x1,x2......xn}∈S_;n代表的是数据的样本数量,即样本行数;代表所有样本数据的均值,σ代表所有样本数据的标准差。
本例通过公式计算所有样本数据的均值通过公式计算所有样本数据的标准差σ。这样经过标准化处理后得到数据集St,该数据集St中的数据符合标准正态分布,均值为0,标准差为1。
基于本例是有特征的学习,因此,所述步骤S3通过三层神经网络进行BP神经网络训练,如图4所示,所述BP神经网络使用的激励函数为ReLU函数,即f(x)=max(0,x);所述BP神经网络的隐含层的输出Hj为:所述BP神经网络的输出层的输出Ok为:所述BP神经网络的误差公式为:其中,wij为输出层至隐含层的权重,i=1....n,j=1...l,k=1....m,aj为隐含层的偏置参数,n为BP神经网络的输入层节点数量,l为BP神经网络的隐藏层节点数量,m为BP神经网络的输出层节点数量,wjk为隐藏层至输出层的权重,bk为输出层的偏置参数,Yk为输出层的期望输出。
本例记Yk-Ok=ek,则所述BP神经网络的误差E可以表示为
本例通过不断降低所述BP神经网络的误差E来调整模型的准确率,比如,反复训练、更新权重和偏置参数,直到所述BP神经网络的误差E低于预先设置的误差阈值,优选的,本例通过公式更新隐含层的权重wij和输出层的权重wjk,其中,η为学习速率,ek为期望输出Yk与输出层的输出Ok之间的差值。
通过公式更新隐含层的偏置参数aj和输出层的偏置参数bk,如图4所示。
即,本例基于BP神经网络模型针对用户过往的行为进行不同的套餐群体进行升档预测识别概率,将数据集St作为输入,将用户次月是否办理套餐升档数据yn作为输出进行训练BP神经网络模型,在不断迭代优化中达到限定的最优值时模型停止训练,并进行模型输出。
本例所述步骤S4将更新后的用户基本信息数据集Sx输入至所述步骤S3训练好的BP神经网络模型中,输出并展示用户次月是否办理套餐升档的预测数据集Sy。更为具体的,本例基于BP神经网络模型进行用户升档预测识别概率,利用所述步骤S3训练好的BP神经网络模型对更新后的用户基本信息数据集Sx进行预测(即训练),更新后的用户基本信息数据集Sx来源于更新后的用户基本信息相关数据集,比方说之前做模型训练的时候用的是用户四月份或是二月至四月的用户基本信息数据的历史数据,在预测的时候就是五月份更新后的用户基本信息数据输入至所述步骤S3训练好的BP神经网络模型中,进而输出时间节点为五月份是否需要进行套餐升档的预测结果(预测数据集Sy)。本例通过BP神经网络的训练实现预测后,输出用户次月是否办理套餐升档的预测数据集Sy。然后根据得到的结果,对预测会办理套餐升档的用户进行业务营销。
本例所述步骤S4优选包括两个子步骤:步骤S401,将更新后的用户基本信息数据集Sx输入至所述步骤S3训练好的BP神经网络模型中,输出用户次月是否办理套餐升档的预测数据集Sy;步骤S402,将预测数据集Sy通过用户升档预测系统进行展示。所述步骤S402用于实现用户升档预测概率识别系统的展示,即将预测数据集Sy通过用户升档预测系统展示,让运营商可以直接针对次月会办理套餐升档的用户来进行营销,也便于用户有针对性地更改自己的套餐。
本例还提供一种基于神经网络的通讯用户升档预测概率识别系统,采用了如上所述的基于神经网络的通讯用户升档预测概率识别方法。
综上所述,本例通过对用户基本信息数据集S进行数据检测和分析,结合BP神经网络的训练,进而实现预测数据集Sy的输出,即所述预测数据集Sy是根据用户升档概率进行预测的,这种预测的针对性和关联性都非常强,用户完全可以通过用户升档预测系统直观地看到自己的预测数据集Sy,实现了预测系统化,结果一目了然,方便快捷,以便提供更具备针对性的套餐升档建议,便于根据能够接受的概率进行资源分配,进而降低运营商的管理难度,并有效提高运营商的营销效果和营销精确度。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。
Claims (10)
1.一种基于神经网络的通讯用户升档预测概率识别方法,其特征在于,包括以下步骤:
步骤S1,将用户基本信息数据存放至数据库中,得到用户基本信息数据集S;
步骤S2,对所述用户基本信息数据集S进行数据检测,并经过标准化处理后得到数据集St;
步骤S3,将数据集St作为输入,将用户次月是否办理套餐升档的数据yn作为输出进行BP神经网络训练,得到BP神经网络模型;
步骤S4,将更新后的用户基本信息数据集Sx输入至所述步骤S3训练好的BP神经网络模型中,输出并展示用户次月是否办理套餐升档的预测数据集Sy。
2.根据权利要求1所述的基于神经网络的通讯用户升档预测概率识别方法,其特征在于,所述步骤S2包括以下子步骤:
步骤S201,检测所述用户基本信息数据集S中的异常值和缺失值;
步骤S202,将异常值设置为缺失值;
步骤S203,对缺失值用零填充,得到数据清洗之后的数据源S_;
步骤S204,对数据源S_进行标准化处理得到数据集St。
3.根据权利要求2所述的基于神经网络的通讯用户升档预测概率识别方法,其特征在于,所述步骤S204中,通过公式对数据源S_进行标准化处理得到数据集St,其中,xn代表数据源S_中数据集的第n条数据,n代表的是数据的样本数量,代表所有样本数据的均值,σ代表所有样本数据的标准差。
4.根据权利要求3所述的基于神经网络的通讯用户升档预测概率识别方法,其特征在于,通过公式计算所有样本数据的均值通过公式计算所有样本数据的标准差σ。
5.根据权利要求1至4任意一项所述的基于神经网络的通讯用户升档预测概率识别方法,其特征在于,所述步骤S3通过三层神经网络进行BP神经网络训练,所述BP神经网络的隐含层的输出Hj为:所述BP神经网络的输出层的输出Ok为:所述BP神经网络的误差公式为:其中,wij为隐含层的权重,i=1....n,j=1...l,k=1....m,aj为隐含层的偏置参数,n为BP神经网络的输入层节点数量,l为BP神经网络的隐藏层节点数量,m为BP神经网络的输出层节点数量,wjk为输出层的权重,bk为输出层的偏置参数,Yk为期望输出。
6.根据权利要求5所述的基于神经网络的通讯用户升档预测概率识别方法,其特征在于,通过公式更新隐含层的权重wij和输出层的权重wjk,其中,η为学习速率,ek为期望输出Yk与输出层的输出Ok之间的差值。
7.根据权利要求6所述的基于神经网络的通讯用户升档预测概率识别方法,其特征在于,通过公式更新隐含层的偏置参数aj和输出层的偏置参数bk。
8.根据权利要求1至4任意一项所述的基于神经网络的通讯用户升档预测概率识别方法,其特征在于,所述步骤S1中,所述用户基本信息数据集S包括用户唯一标识ID、套餐费、流量费、前三个月话费金额、超套次数、超套流量费、积分、用户等级、年龄、性别、通话档次、在网时长、前三个月语音时长均值、漫游用户、前三个月GPRS流量、前三个月话费均值以及前三个月流量均值中的任意一种或几种。
9.根据权利要求1至4任意一项所述的基于神经网络的通讯用户升档预测概率识别方法,其特征在于,所述预测数据集Sy与用户基本信息数据集S之间通过用户唯一标识ID进行关联。
10.一种基于神经网络的通讯用户升档预测概率识别系统,其特征在于,采用了如权利要求1至9任意一项所述的基于神经网络的通讯用户升档预测概率识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910161151.8A CN109919675A (zh) | 2019-03-04 | 2019-03-04 | 基于神经网络的通讯用户升档预测概率识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910161151.8A CN109919675A (zh) | 2019-03-04 | 2019-03-04 | 基于神经网络的通讯用户升档预测概率识别方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109919675A true CN109919675A (zh) | 2019-06-21 |
Family
ID=66963115
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910161151.8A Pending CN109919675A (zh) | 2019-03-04 | 2019-03-04 | 基于神经网络的通讯用户升档预测概率识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109919675A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110807558A (zh) * | 2019-11-06 | 2020-02-18 | 深圳微品致远信息科技有限公司 | 基于深度神经网络进行离港滑行时间预测的方法及装置 |
CN110955828A (zh) * | 2019-11-19 | 2020-04-03 | 浙江鸿程计算机系统有限公司 | 一种基于深度神经网络的多因素嵌入个性化套餐推荐方法 |
CN114449569A (zh) * | 2020-11-02 | 2022-05-06 | 中国移动通信集团广东有限公司 | 用户流量使用量处理方法、网络设备及业务处理系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104866626A (zh) * | 2015-06-15 | 2015-08-26 | 中国移动通信集团黑龙江有限公司 | 一种电信业务的推荐方法及装置 |
CN108960922A (zh) * | 2018-07-09 | 2018-12-07 | 中国联合网络通信集团有限公司 | 终端的更换预测方法及装置 |
CN109086931A (zh) * | 2018-08-01 | 2018-12-25 | 中国联合网络通信集团有限公司 | 预测用户离网方法及系统 |
US20190066130A1 (en) * | 2017-08-31 | 2019-02-28 | Paypal, Inc. | Unified artificial intelligence model for multiple customer value variable prediction |
-
2019
- 2019-03-04 CN CN201910161151.8A patent/CN109919675A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104866626A (zh) * | 2015-06-15 | 2015-08-26 | 中国移动通信集团黑龙江有限公司 | 一种电信业务的推荐方法及装置 |
US20190066130A1 (en) * | 2017-08-31 | 2019-02-28 | Paypal, Inc. | Unified artificial intelligence model for multiple customer value variable prediction |
CN108960922A (zh) * | 2018-07-09 | 2018-12-07 | 中国联合网络通信集团有限公司 | 终端的更换预测方法及装置 |
CN109086931A (zh) * | 2018-08-01 | 2018-12-25 | 中国联合网络通信集团有限公司 | 预测用户离网方法及系统 |
Non-Patent Citations (2)
Title |
---|
MOLEARNER: "机器学习中特征的处理及选择", 《博客园》 * |
ZHAOYUXIA517: "BP神经网络,BP推导过程,反向传播算法,误差反向传播,梯度下降,权值阈值更新推导,隐含层权重更新公式", 《CSDN》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110807558A (zh) * | 2019-11-06 | 2020-02-18 | 深圳微品致远信息科技有限公司 | 基于深度神经网络进行离港滑行时间预测的方法及装置 |
CN110955828A (zh) * | 2019-11-19 | 2020-04-03 | 浙江鸿程计算机系统有限公司 | 一种基于深度神经网络的多因素嵌入个性化套餐推荐方法 |
CN114449569A (zh) * | 2020-11-02 | 2022-05-06 | 中国移动通信集团广东有限公司 | 用户流量使用量处理方法、网络设备及业务处理系统 |
CN114449569B (zh) * | 2020-11-02 | 2024-01-16 | 中国移动通信集团广东有限公司 | 用户流量使用量处理方法、网络设备及业务处理系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107844915B (zh) | 一种基于话务预测的呼叫中心的自动排班方法 | |
CN106651424B (zh) | 基于大数据技术的电力用户画像建立与分析方法 | |
CN107766929B (zh) | 模型分析方法及装置 | |
CN106952159B (zh) | 一种不动产抵押品风险控制方法、系统及存储介质 | |
CN107507038B (zh) | 一种基于stacking和bagging算法的电费敏感用户分析方法 | |
CN103761254B (zh) | 多领域服务主题匹配推荐方法 | |
CN107992609A (zh) | 一种基于文本分类技术和决策树的投诉倾向判断方法 | |
CN110400215B (zh) | 面向企业家族的小微企业信用评估模型构建方法及系统 | |
CN109300039A (zh) | 基于人工智能和大数据进行智能产品推荐的方法及系统 | |
CN109063945A (zh) | 一种基于价值评估体系的售电公司360度客户画像构建方法 | |
CN107944593A (zh) | 一种资源分配方法及装置,电子设备 | |
CN107784390A (zh) | 用户生命周期的识别方法、装置、电子设备及存储介质 | |
CN109919675A (zh) | 基于神经网络的通讯用户升档预测概率识别方法及系统 | |
CN106600052A (zh) | 一种基于时空轨迹的用户属性与社会网络检测系统 | |
CN110119948B (zh) | 基于时变权重动态组合的电力用户信用评价方法及系统 | |
CN114880581B (zh) | 用户数据处理方法、存储介质及电子设备 | |
Ustinovichius | Determination of efficiency of investments in construction | |
CN113435627A (zh) | 基于工单轨迹信息的电力客户投诉预测方法及装置 | |
CN111192090A (zh) | 航班的座位分配方法、装置、存储介质和电子设备 | |
CN113609193A (zh) | 训练用于预测客户交易行为的预测模型的方法及装置 | |
CN112907356A (zh) | 逾期催收方法、装置、系统及计算机可读存储介质 | |
Lubyova et al. | Unemployment dynamics and the restructuring of the Slovak unemployment benefit system | |
CN110335075A (zh) | 适于消费金融的智能营销系统及其工作方法 | |
CN112711711A (zh) | 基于知识库的客户营销线索推荐方法及装置 | |
CN117172508B (zh) | 一种基于城运投诉工单识别的自动派单方法及系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190621 |
|
RJ01 | Rejection of invention patent application after publication |