CN110348877B - 基于大数据的智能业务推荐算法、计算机可读存储介质 - Google Patents
基于大数据的智能业务推荐算法、计算机可读存储介质 Download PDFInfo
- Publication number
- CN110348877B CN110348877B CN201910459726.4A CN201910459726A CN110348877B CN 110348877 B CN110348877 B CN 110348877B CN 201910459726 A CN201910459726 A CN 201910459726A CN 110348877 B CN110348877 B CN 110348877B
- Authority
- CN
- China
- Prior art keywords
- network
- service
- steps
- data
- training
- 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
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 50
- 238000013528 artificial neural network Methods 0.000 claims abstract description 27
- 238000000034 method Methods 0.000 claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 25
- 239000011159 matrix material Substances 0.000 claims abstract description 21
- 238000013135 deep learning Methods 0.000 claims abstract description 9
- 238000013507 mapping Methods 0.000 claims abstract description 4
- 238000001514 detection method Methods 0.000 claims description 16
- 238000006243 chemical reaction Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 10
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 3
- 230000001537 neural effect Effects 0.000 claims description 2
- 230000008485 antagonism Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 3
- 238000009223 counseling Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Classifications
-
- 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
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- 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
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
-
- 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
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Engineering & Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供了一种基于大数据的智能业务推荐算法、计算机可读存储介质,主要包括:基于的embedding算法生成对抗网络,以将对象数据Ce映射成特征二维矩阵Ct;基于对象特征的业务推荐深度学习算法,训练业务推荐神经网络Nr,并输入特征二维矩阵Ct以生成与对象相匹配的初始推荐业务概率RS;基于神经网络的个性化匹配算法,训练神经网络学习推荐人的历史业务数据,形成个性化网络Nci;个性化网络Nci以初始推荐业务概率RS数据为输入,以向推荐人示出对象的目标业务推荐概率PRS,从而提高了推荐人的业务推荐成功率。
Description
技术领域
本发明涉及一种计算机深度学习算法,尤其涉及一种基于大数据的智能业务推荐算法、计算机可读存储介质。
背景技术
随着社会经济的发展,我国的中小企业越来越多,在日常运营过程中其起不可避免地需要专业的咨询机构来辅助他们,以提高工作效率。然而随着咨询服务需求的增加,咨询机构也越来越多,种类越来越复杂,中小企业想要找到适合自己的高质量的服务机构变得愈发的困难。还有一点就是中小企业并不知道市场上咨询机构有多少,能给自己有效帮助的又有多少,这个时候如果能将市场上符合企业需求的服务机构进行智能推荐排序,将会大大减少企业寻找服务机构的成本,提高企业办事效率。
而目前现有技术的智能业务推荐技术主要有以下两种:
1)基于内容的智能推荐
基于内容的智能推荐是挖掘用户过去的历史纪录,比如:浏览记录、购买记录和搜索记录,根据用户的爱好来进行智能匹配向用户推荐相关内容,以增加推荐成功率,提高推荐内容点击率。
2)基于关联信息的智能推荐
基于关联信息的智能推荐是挖掘用户正在浏览的信息进行匹配,在用户浏览的同时向用户推荐与浏览信息相似的信息,以此来提高信息推荐成功率和推荐内容的点击率。
根据上述技术所需的数据信息来源可知,以上两种业务推荐方法的缺陷在于,该技术在进行智能业务推荐时所挖掘和采集的数据纬度较为片面,因此在数据收集不够全面的条件下会产生很大的计算和判断误差,从而其业务推荐也就不会精确。因此上述现有技术在实际应用中的智能推荐效果并不令人满意。
发明内容
本发明的主要目的在于提供一种基于大数据的智能业务推荐算法、计算机可读存储介质,以提高智能业务推荐技术的精准性。
为了实现上述目的,根据本发明的一个方面,提供了一种基于大数据的智能业务推荐算法,步骤包括:基于的embedding算法生成对抗网络,以将对象数据Ce映射成特征二维矩阵Ct;基于对象特征的业务推荐深度学习算法,训练业务推荐神经网络Nr,并输入特征二维矩阵Ct以生成与对象相匹配的初始推荐业务概率RS;基于神经网络的个性化匹配算法,训练神经网络学习推荐人的历史业务数据,形成个性化网络Nci;个性化网络Nci以初始推荐业务概率RS数据为输入,以向推荐人示出对象的目标业务推荐概率PRS。
优选地,其中基于的embedding算法生成对抗网络的步骤包括:建立生成网络Ng和检测网络Nd,其中该生成网络Ng对Ce处理后获取特征二维矩阵Ct;该检测网络Nd以至少2个随机对象的Ct作为输入,以输出相似度NSij,并供各推荐人打分CSij,以训练检测网络Nd,并设定损失函数为:
L1 =
其中M为打分的推荐人数量。
优选地,其中基于的embedding算法生成对抗网络的步骤还包括:设定平均误差为损失,训练生成网络Ng,其中k为检测网络Nd的训练次数。
优选地,其中该生成网络Ng为32层网络结构,该检测网络Nd为28层网络结构。
优选地,其中基于对象特征的业务推荐深度学习算法的步骤包括:
采用对象的历史推荐转化率U={}训练神经网络/>,设定损失函数为L2 =/>,并使用adam算法训练网络;
将Ct代入训练后的神经网络,以获取与对象相匹配的初始推荐业务概率RS={}。
优选地,其中历史业务数据包括:历史推荐业务转化率Y={}。
优选地,其中基于神经网络的个性化匹配算法步骤包括:
使用历史推荐业务转化率Y训练神经网络,设定损失函数为
L3 ,其中/>,并使用adam算法训练网络。
优选地,其中对象数据Ce包括:对象基本信息及对象历史业务信息,该对象基本信息包括:对象注册信息,对象近年财务数据、对象各类人员数量、对象各类无形资产数量;该对象历史业务信息包括:各类服务项目信息、商务流程积累数据。
为了实现上述目的,根据本发明的另一方面,提供了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,该计算机程序被处理器执行时实现如上记载的基于大数据的智能业务推荐算法的步骤。
通过本发明提供的基于大数据的智能业务推荐算法、计算机可读存储介质,能够精确的得出适合特定推荐人的对象的目标业务推荐概率,从而大大提高了推荐人的业务推荐成功率。
附图说明
构成本申请的一部分的附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明的基于大数据的智能业务推荐算法中对抗网络内生成网络Ng的结构示意图;
图2为本发明的基于大数据的智能业务推荐算法中对抗网络内检测网络Nd的结构示意图;
图3为本发明的基于大数据的智能业务推荐算法中业务推荐神经网络Nr结构示意图;
图4为本发明的基于大数据的智能业务推荐算法中个性化网络Nci结构示意图。
实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
为了使本领域的技术人员更好的理解本发明方案,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的实施例,而不是全部的实施例。基于本发明中的实施例,在本领域普通技术人员没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明的保护范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含。
本发明的基于大数据的智能业务推荐算法,主要利用卷积神经网络来分析对象的基本信息及对象历史业务信息,并综合推荐人的历史业务数据,来获取针对不同推荐人自身情况所适应的对象目标业务推荐概率,从而便于推荐人精准的向业务对象推荐合适的业务,提高业务推荐成功率。
在设计上,本发明中主要利用embeding算法将对象基本数据以及日常服务中推荐人积累的数据映射为特征二维矩阵,再以这个特征二维矩阵为输入利用卷积神经网络结构产生推荐给对象的业务,最后用推荐人的历史业务数据来训练一个个性化网络Nci,这个个性化网络Nci可以对不同的推荐人将推荐的业务进行排名。
因此该基于大数据的智能业务推荐算法的主要步骤包括:由基于的embedding算法生成对抗网络,以将对象数据Ce映射成特征二维矩阵Ct;基于对象特征的业务推荐深度学习算法,训练业务推荐神经网络Nr,并输入特征二维矩阵Ct以生成与对象相匹配的初始推荐业务概率RS;基于神经网络的个性化匹配算法,训练神经网络学习推荐人的历史业务数据,形成个性化网络Nci;个性化网络Nci以初始推荐业务概率RS数据为输入,以向推荐人示出对象的目标业务推荐概率PRS。
其中该对象数据Ce输入为1维数组,长度为360,其优选包括:对象基本信息及对象历史业务信息,具体的,该对象基本信息包括:对象注册信息(一维,长度为17),对象近年财务数据如前3年财务数据(一维,长度为39)、各类人员数量(一维,长度为6)、对象各类无形资产数量如知识产权数量(一维,长度为8)等;而该对象历史业务信息包括:各类服务项目信息,(一维,长度为180)、商务流程积累数据(即商务在服务各个节点给对象贴的标签。一维,长度为110)。
其中基于的embedding算法生成对抗网络的步骤上主要包括:建立生成网络Ng和检测网络Nd,其中该生成网络Ng对Ce处理后获取特征二维矩阵Ct;该检测网络Nd以至少2个随机对象的Ct作为输入,以输出相似度NSij,并供各推荐人打分CSij,以训练检测网络Nd,并设定损失函数为L1。其中该生成网络Ng优选为32层网络结构,该检测网络Nd优选为28层网络结构。
具体来说请参阅图1至图2,该对抗网络的生成主要包括三个步骤:
a) 生成网络Ng将Ce经过2层全连接网络后转变为30*30的二维矩阵,接着通过若干层特征金字塔卷积神经网络分析Ce,输出对象的特征二维矩阵Ct;
b) 优选获取50个(batch size=50)对象的特征二维矩阵Ct之后,开始训练检测网络;即检测网络Nd以至少两个对象的特征二维矩阵作为输入,以两个对象相似度作为输出NS。优选利用多数量推荐人,如200对推荐人对随机抽取的两个对象/>和/>的相似度的打分CSij,同时该检测网络Nd也对同样两个对象进行打分NSij,以训练检测网络Nd,并设定损失函数为:
L1 = ,其中该M为打分的推荐人数量,如本实施例中优选为200。
c) 经过优选为k次步骤b的训练后,以这k次检测的平均误差为损失,训练生成网络Ng,其中本实施例中该k优选为50次。
最后反复以上三个步骤,使得两个网络Nd与Ng互相对抗,从而共同促进,最终该生成网络Ng会准确的发掘对象数据Ce,并将之反映到对象的特征二维矩阵Ct上。
请参考图3,其中基于对象特征的业务推荐深度学习算法,主要以对象特征二维矩阵Ct作为输入, 使得经过训练后的业务推荐神经网络Nr,将会输出所有业务的推荐概率RS:
RS={}
具体来说,该基于对象特征的业务推荐深度学习算法的步骤包括:
采用对象的历史推荐转化率U={}训练业务推荐神经网络Nr,并设定损失函数为L2 =/>,并使用adam算法训练网络;
之后将Ct代入训练后的业务推荐神经网络Nr,即可获取与对象相匹配的初始推荐业务概率RS={}。
其中需要说明的是,因为该基于对象特征的业务推荐深度学习算法中,并未考虑推荐的个性特征需求,因此输出的业务推荐概率并不能直接使用,而需交给基于神经网络的个性化匹配算法做更多处理,才能得出确切的对象的目标业务推荐概率。
其中,该基于神经网络的个性化匹配算法,以对象的特征二维矩阵Ct和基于对象特征的业务推荐深度学习算法,来生成业务推荐概率RS:
作为输入,籍此才能输出针对特定推荐人和特定对象的目标业务推荐概率PRS />},以供推荐人参考。
具体来说,该基于神经网络的个性化匹配算法,主要使用推荐人针对某一对象时的历史推荐业务转化率Y={}来训练个性化网络Nci,其使用损失函数为:
L3 ,并使用adam算法优化网络,其中/>, 为针对某一对象时,某一推荐人的历史推荐业务转化率。
之后当完成个性化网络Nci的训练时,网络的参数将会保存。在实际使用时,本算法将优先读取对应推荐人的网络参数,然后通过上述卷积神经网络分析这些数据,依据推荐人的历史推荐成绩,给推荐人推荐最有可能转化的业务,从而实现根据推荐人自身情况,精确的得出适合特定推荐人的对象的目标业务推荐概率,从而大大提高了推荐人的业务推荐成功率。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节,也不限制该发明仅为所述的具体实施方式。其中上述实施例中所采用的神经网络优选为卷积神经网络,但显然,根据本说明书的内容,还可作很多的修改和变化。本说明书选取并具体描述这些实施例,是为了更好地解释本发明的原理和实际应用,从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制,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。
本领域技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序存储在一个存储介质中,包括若干指令用以使得单片机、芯片或处理器(processor)执行本申请各个实施例所述方法的全部或部分步骤。如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上述基于大数据的智能业务推荐算法的步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
此外,本发明实施例的各种不同的实施方式之间也可以进行任意组合,只要其不违背本发明实施例的思想,其同样应当视为本发明实施例所公开的内容。
Claims (5)
1.一种基于大数据的智能业务推荐方法,步骤包括:
基于embedding算法生成对抗网络,以将对象数据Ce映射成特征二维矩阵Ct;其中对象数据Ce包括:对象基本信息及对象历史业务信息,所述对象基本信息包括:对象注册信息,对象近年财务数据、对象各类人员数量、对象各类无形资产数量;所述对象历史业务信息包括:各类服务项目信息、商务流程积累数据;
基于对象特征的业务推荐深度学习算法,训练业务推荐神经网络Nr,并输入特征二维矩阵Ct以生成与对象相匹配的初始推荐业务概率RS;
基于神经网络的个性化匹配算法,训练神经网络学习推荐人的历史推荐业务转化率Y,形成个性化网络Nci;
个性化网络Nci以初始推荐业务概率RS数据为输入,以向推荐人示出对象的目标业务推荐概率PRS;
其中基于对象特征的业务推荐深度学习算法的步骤包括:
采用对象的历史推荐转化率U={}训练神经网络/>,设定损失函数为L2 =/>,并使用adam算法训练网络;
将Ct代入训练后的神经网络,以获取与对象相匹配的初始推荐业务概率RS={};
其中基于神经网络的个性化匹配算法步骤包括:
使用历史推荐业务转化率Y训练神经网络,设定损失函数为:
L3 , 并使用adam算法训练网络,其中当Y={/>}时,/>,即针对某一对象时,某一推荐人的历史推荐业务转化率。
2.根据权利要求1所述的基于大数据的智能业务推荐方法,其中基于embedding算法生成对抗网络的步骤包括:建立生成网络Ng和检测网络Nd,其中所述生成网络Ng对Ce处理后获取特征二维矩阵Ct;所述检测网络Nd以至少2个随机对象的Ct作为输入,以输出相似度NSij,并供各推荐人打分CSij,以训练检测网络Nd,并设定损失函数为:
L1 = 。
3.根据权利要求2所述的基于大数据的智能业务推荐方法,其中基于embedding算法生成对抗网络的步骤还包括:设定平均误差为损失,训练生成网络Ng,其中k为检测网络Nd的训练次数。
4.根据权利要求3所述的基于大数据的智能业务推荐方法,其中所述生成网络Ng为32层网络结构,所述检测网络Nd为28层网络结构。
5.一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如权利要求1-4项中任一项所述基于大数据的智能业务推荐方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910459726.4A CN110348877B (zh) | 2019-05-27 | 2019-05-27 | 基于大数据的智能业务推荐算法、计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910459726.4A CN110348877B (zh) | 2019-05-27 | 2019-05-27 | 基于大数据的智能业务推荐算法、计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110348877A CN110348877A (zh) | 2019-10-18 |
CN110348877B true CN110348877B (zh) | 2023-11-14 |
Family
ID=68174474
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910459726.4A Active CN110348877B (zh) | 2019-05-27 | 2019-05-27 | 基于大数据的智能业务推荐算法、计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110348877B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110825980B (zh) * | 2019-11-05 | 2022-07-01 | 重庆邮电大学 | 一种基于对抗生成网络的微博话题推送方法 |
CN111639861B (zh) * | 2020-06-01 | 2023-06-23 | 上海大学 | 一种基于神经网络的绩效考核方法及系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108711107A (zh) * | 2018-05-25 | 2018-10-26 | 上海钱智金融信息服务有限公司 | 智能融资服务推荐方法及其系统 |
CN108920641A (zh) * | 2018-07-02 | 2018-11-30 | 北京理工大学 | 一种信息融合个性化推荐方法 |
CN108932322A (zh) * | 2018-06-29 | 2018-12-04 | 北京大学 | 一种基于文本大数据的地理语义挖掘方法 |
CN109089040A (zh) * | 2018-08-20 | 2018-12-25 | Oppo广东移动通信有限公司 | 图像处理方法、图像处理装置及终端设备 |
CN109213863A (zh) * | 2018-08-21 | 2019-01-15 | 北京航空航天大学 | 一种基于学习风格的自适应推荐方法及系统 |
CN109657156A (zh) * | 2019-01-22 | 2019-04-19 | 杭州师范大学 | 一种基于循环生成对抗网络的个性化推荐方法 |
CN109670568A (zh) * | 2017-10-16 | 2019-04-23 | 优酷网络技术(北京)有限公司 | 神经网络预测方法及装置 |
CN109685116A (zh) * | 2018-11-30 | 2019-04-26 | 腾讯科技(深圳)有限公司 | 图像描述信息生成方法和装置及电子装置 |
CN109740154A (zh) * | 2018-12-26 | 2019-05-10 | 西安电子科技大学 | 一种基于多任务学习的在线评论细粒度情感分析方法 |
-
2019
- 2019-05-27 CN CN201910459726.4A patent/CN110348877B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109670568A (zh) * | 2017-10-16 | 2019-04-23 | 优酷网络技术(北京)有限公司 | 神经网络预测方法及装置 |
CN108711107A (zh) * | 2018-05-25 | 2018-10-26 | 上海钱智金融信息服务有限公司 | 智能融资服务推荐方法及其系统 |
CN108932322A (zh) * | 2018-06-29 | 2018-12-04 | 北京大学 | 一种基于文本大数据的地理语义挖掘方法 |
CN108920641A (zh) * | 2018-07-02 | 2018-11-30 | 北京理工大学 | 一种信息融合个性化推荐方法 |
CN109089040A (zh) * | 2018-08-20 | 2018-12-25 | Oppo广东移动通信有限公司 | 图像处理方法、图像处理装置及终端设备 |
CN109213863A (zh) * | 2018-08-21 | 2019-01-15 | 北京航空航天大学 | 一种基于学习风格的自适应推荐方法及系统 |
CN109685116A (zh) * | 2018-11-30 | 2019-04-26 | 腾讯科技(深圳)有限公司 | 图像描述信息生成方法和装置及电子装置 |
CN109740154A (zh) * | 2018-12-26 | 2019-05-10 | 西安电子科技大学 | 一种基于多任务学习的在线评论细粒度情感分析方法 |
CN109657156A (zh) * | 2019-01-22 | 2019-04-19 | 杭州师范大学 | 一种基于循环生成对抗网络的个性化推荐方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110348877A (zh) | 2019-10-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220116347A1 (en) | Location resolution of social media posts | |
US11157926B2 (en) | Digital content prioritization to accelerate hyper-targeting | |
US11537845B2 (en) | Neural networks for information extraction from transaction data | |
CN104834668B (zh) | 基于知识库的职位推荐系统 | |
US8949158B2 (en) | Cost-sensitive alternating decision trees for record linkage | |
US8768050B2 (en) | Accurate text classification through selective use of image data | |
US20230208793A1 (en) | Social media influence of geographic locations | |
CN104573130B (zh) | 基于群体计算的实体解析方法及装置 | |
CN106126648B (zh) | 一种基于重做日志的分布式商品信息爬虫方法 | |
US20130282704A1 (en) | Search system with query refinement | |
Clinchant et al. | Comparing machine learning approaches for table recognition in historical register books | |
CN110348877B (zh) | 基于大数据的智能业务推荐算法、计算机可读存储介质 | |
CN114238573A (zh) | 基于文本对抗样例的信息推送方法及装置 | |
US11023551B2 (en) | Document processing based on proxy logs | |
CN112669113A (zh) | 产品的推荐方法和装置、存储介质、电子装置 | |
CN116467666A (zh) | 一种基于集成学习和主动学习的图异常检测方法和系统 | |
US9165053B2 (en) | Multi-source contextual information item grouping for document analysis | |
CN111144453A (zh) | 构建多模型融合计算模型的方法及设备、网站数据识别方法及设备 | |
Chung et al. | Inventor profile mining approach for prospective human resource scouting | |
Murdick et al. | AI Definitions Affect Policymaking | |
CN116484109B (zh) | 基于人工智能的客户画像分析系统及方法 | |
CN111753151A (zh) | 一种基于互联网用户行为的服务推荐方法 | |
Viriyadamrongkij et al. | Measuring difficulty levels of JavaScript questions in Question-Answer Community based on concept hierarchy | |
CN113392294A (zh) | 样本标注方法及装置 | |
Ali et al. | Identifying and Profiling User Interest over time using Social Data |
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 |