CN110543474A - 一种基于全埋点与潜在因子模型的用户行为分析方法和装置 - Google Patents

一种基于全埋点与潜在因子模型的用户行为分析方法和装置 Download PDF

Info

Publication number
CN110543474A
CN110543474A CN201910771678.2A CN201910771678A CN110543474A CN 110543474 A CN110543474 A CN 110543474A CN 201910771678 A CN201910771678 A CN 201910771678A CN 110543474 A CN110543474 A CN 110543474A
Authority
CN
China
Prior art keywords
user
data
item
analysis
model
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.)
Withdrawn
Application number
CN201910771678.2A
Other languages
English (en)
Inventor
陶飞飞
杜康明
佟帅辰
孙芸
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hohai University HHU
Original Assignee
Hohai University HHU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hohai University HHU filed Critical Hohai University HHU
Priority to CN201910771678.2A priority Critical patent/CN110543474A/zh
Publication of CN110543474A publication Critical patent/CN110543474A/zh
Withdrawn legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2465—Query processing support for facilitating data mining operations in structured databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9538—Presentation of query results

Abstract

本发明公开了一种基于全埋点与潜在因子模型的用户行为分析方法和装置，方法包括如下步骤：编写埋点采集插件并搭建日志服务器；搭建云端大数据分析平台，对埋点采集得到的数据进行分析；搭建电脑PC浏览器端数据展示平台，在平台展示分析结果；企业在目标网站进行埋点，采集用户行为数据到日志服务器；大数据分析平台根据采集得到的数据进行数据清洗；清洗后的数据使用基于用户的潜在因子模型的推荐算法进行计算，生成用户行为分析结果；企业管理者通过PC浏览器端进入平台后，查看各项用户行为分析数据。装置包括用户终端确定单元，用户操作确定单元，用户数据分析单元和用户展示单元。本发明帮助企业了解他们的用户，吸引并留住客户。

Description

一种基于全埋点与潜在因子模型的用户行为分析方法和装置
技术领域
本发明涉及互联网企业对用户的行为分析领域，尤其是一种基于全埋点与潜在因子模型的用户行为分析方法和装置。
背景技术
随着互联网的发展，对人们的生活的影响也日益加深。而对于一个企业来讲，互联网时代的运营与销售，核心关键词是“流量”两个字。没有流量，谈不上粉丝，更谈不上转化率。所以许多硅谷的公司像Facebook等早已经将对于用户行为习惯的探索与了解看的与产品本身同样重要。而在我国的大部分公司中，对用户行为分析的重视程度还远远不够。
如何帮助企业分析他们的用户行为，挖掘更大的用户价值，帮助企业了解他们的用户，从而避免高额的获客成本，帮助企业吸引并留住客户已经迫在眉睫。
发明内容
本发明所要解决的技术问题在于，提供一种基于全埋点与潜在因子模型的用户行为分析方法和装置，帮助企业分析他们的用户行为，挖掘更大的用户价值，帮助企业了解他们的用户，从而避免高额的获客成本，帮助企业吸引并留住客户。
一种基于全埋点与潜在因子模型的用户行为分析方法，包括如下步骤：
(1)编写埋点采集插件并搭建日志服务器，用于存放埋点采集得到的数据；
(2)搭建云端大数据分析平台，对埋点采集得到的数据进行分析；
(3)搭建电脑PC浏览器端数据展示平台，在平台展示分析结果；
(4)企业在目标网站进行埋点，采集用户行为数据到日志服务器；
(5)大数据分析平台根据采集得到的数据进行数据清洗；
(6)清洗后的数据使用基于用户的潜在因子模型的推荐算法进行计算，生成用户行为分析结果；
(7)企业管理者通过PC浏览器端进入平台后，查看各项用户行为分析数据。
优选的，步骤(1)中，采用全埋点技术，针对金融行业进行针对性埋点。
优选的，通过用户点击浏览、点击事件获得账号来源域名、ip等各项必备数据项以及深度行为数据项。
优选的，步骤(2)中，搭建云端大数据分析平台，对埋点采集得到的数据进行分析具体包括如下步骤：
(21)使用flume框架将采集到的用户日志信息存放到HDFS中；
(22)再使用HiveQL进行数据清洗将数据存放在Hbase数据库中；
(23)最后利用最新的Hadoop集群计算引擎进行边缘计算大数据平台的搭建，将清洗后的数据使用基于用户的潜在因子模型的推荐算法进行计算，结果存放在Hive仓库中，并通过Sqoop导入MySQL数据库。
优选的，步骤(23)中，利用最新的Hadoop集群计算引擎进行边缘计算大数据平台的搭建，将清洗后的数据使用基于用户的潜在因子模型的推荐算法进行计算，结果存放在Hive仓库中，并通过Sqoop导入MySQL数据库具体包括如下步骤：
(231)根据用户账号的行为信息确定用户的终端信息；
(232)根据用户账号的多次终端登录行为信息确定用户的包括访问时间、操作系统、来源域名、浏览器类型等；
(233)根据用户账号的行为信息确定包括网站的浏览量、访客数、访问次数、访客独立IP个数、跳出率、平均在线时长等；
(234)根据用户账号的行为信息确定包括实时用户分析、留存用户分析并提供用户画像功能；
(235)根据用户账号的行为信息使用潜在因子模型进行计算，确定针对不同用户的产品推荐；
(236)根据用户账号的行为信息确定包括包括用户群、访问量、浏览量、访问者分析等。
优选的，步骤(235)中，潜在因子模型具体建模包括如下步骤：
(2351)基于用户的建模公式如式1所示
其中：p(u,i)表示user与item对，如果user点击了item，那么p(u,i)就是1否则为0，pu表示迭代后的user向量，qi表示迭代后的item向量，中的F表示向量的维度(user对item影响因素的个数)，puf表示user在相应维度f的向量，qif表示item在相应维度f的向量。
在F设定好之后，pu和qi可以用随机数进行初始化，采用梯度下降方法进行迭代，最终p(u,i)越接近1越符合推荐，越接近0越不符合推荐。
(2352)损失函数
其中：loss表示损失函数，p(u,i)表示user与item对，pLFM(u,i)是模型预估的user对item的喜好程度，也就是模型参数pu与qi转置的乘积，这里的D是所有训练样本的集合。根据损失函数每次调整建模公式参数，使其无限趋近最佳参数。
(2353)损失函数公式加入正则化项以防止过拟合为：
其中：对user对item的喜好程度进行了展开，这里的α是正则化系数用来平衡平方损失与增则化项的。让模型更为简单化，方式模型过度拟合训练样本中的数据，使模型的泛化能力减弱，loss表示损失函数，p(u,i)表示user与item对，pLFM(u,i)是模型预估的user对item的喜好程度，也就是模型参数pu与qi转置的乘积，表示迭代后的user向量平方的偏微分，表示迭代后的item向量平方的偏微分。
(2354)损失函数的偏导(以puf为例)
其中：表示user的偏微分，表示损失函数的偏微分，表示损失函数对于user的偏导，p(u,i)表示user与item对，pLFM(u,i)是模型预估的user对item的喜好程度，qif表示item在相应维度f的向量。
当得到损失函数对于其偏导之后，应用梯度下降的办法。
其中：是具体某一个维度的误差值，根据这个数值调整此维度的p(u,i)的参数值，β是学习率，puf表示user在相应维度f的向量。
一种基于全埋点与潜在因子模型的用户行为分析装置，包括：用户终端确定单元，用于确定根据用户账号的行为信息确定用户终端的设备操作系统和/或浏览器信息；用户操作确定单元，获取采用所述终端执行的操作信息；用户数据分析单元，收集分析用户终端正例样本数据和所述反例样本数据，利用所述正例样本数据和所述反例样本数据训练二元分类预测模型并测试；用户展示单元，用于展示数据分析单元得来的分析数据。
本发明的有益效果为：本发明通过搭建大数据平台，借助埋点采集技术，提供一种基于全埋点与潜在因子模型的用户行为分析方法和装置，准确有效地进行了用户行为的分析，为企业提供方便准确的用户行为分析与推荐功能，便于企业分析他们用户的行为，挖掘更大的用户价值。
附图说明
图1为本发明的方法流程示意图。
图2为本发明的埋点采集流程示意图。
图3为本发明的装置实体示意图。
图4为本发明的系统架构示意图。
具体实施方式
如图4所示，本发明的一种基于全埋点与潜在因子模型的用户行为分析方法和装置，包括数据采集模块1、数据分析模块2、数据展示模块3三部分。
如图1和图2所示，一种基于全埋点与潜在因子模型的用户行为分析方法，包括如下步骤：
步骤一、编写埋点采集插件并搭建日志服务器，用于存放埋点采集得到的数据；
步骤二、搭建云端大数据分析平台，对埋点采集得到的数据进行分析；
步骤三、搭建电脑PC浏览器端数据展示平台，在平台展示分析结果；
步骤四、企业在目标网站进行埋点，采集用户行为数据到日志服务器；
步骤五、大数据分析平台根据采集得到的数据进行数据清洗；
步骤六、清洗后的数据使用基于用户的潜在因子模型的推荐算法进行计算，生成用户行为分析结果；
步骤七、企业管理者通过PC浏览器端进入平台后，查看各项用户行为分析数据。
步骤一中，采用全埋点技术，针对金融行业进行针对性埋点。
步骤二中，搭建云端大数据分析平台，对埋点采集得到的数据进行分析具体包括如下步骤：
S2.1使用flume框架将采集到的用户日志信息存放到HDFS中；
S2.2再使用HiveQL进行数据清洗将数据存放在Hbase数据库中；
S2.3最后利用最新的Hadoop集群计算引擎进行边缘计算大数据平台的搭建，将清洗后的数据使用基于用户的潜在因子模型的推荐算法进行计算，结果存放在Hive仓库中，并通过Sqoop导入MySQL数据库。
步骤S2.3中，利用最新的Hadoop集群计算引擎进行边缘计算大数据平台的搭建，将清洗后的数据使用基于用户的潜在因子模型的推荐算法进行计算，结果存放在Hive仓库中，并通过Sqoop导入MySQL数据库具体包括如下步骤：
S2.31根据用户账号的行为信息确定用户的终端信息；
S2.32根据用户账号的多次终端登录行为信息确定用户的包括访问时间、操作系统、来源域名、浏览器类型等；
S2.33根据用户账号的行为信息确定包括网站的浏览量、访客数、访问次数、访客独立IP个数、跳出率、平均在线时长等；
S2.34根据用户账号的行为信息确定包括实时用户分析、留存用户分析并提供用户画像功能；
S2.35根据用户账号的行为信息使用潜在因子模型进行计算，确定针对不同用户的产品推荐；
S2.36根据用户账号的行为信息确定包括包括用户群、访问量、浏览量、访问者分析等。
步骤S2.35中，潜在因子模型具体建模包括如下步骤：
S2.351基于用户的建模公式如式1所示
其中：p(u,i)表示user与item对，如果user点击了item，那么p(u,i)就是1否则为0，pu表示迭代后的user向量，qi表示迭代后的item向量，中的F表示向量的维度(user对item影响因素的个数)，puf表示user在相应维度f的向量，qif表示item在相应维度f的向量。
在F设定好之后，pu和qi可以用随机数进行初始化，采用梯度下降方法进行迭代，最终p(u,i)越接近1越符合推荐，越接近0越不符合推荐。
S2.352损失函数
其中：loss表示损失函数，p(u,i)表示user与item对，pLFM(u,i)是模型预估的user对item的喜好程度，也就是模型参数pu与qi转置的乘积，这里的D是所有训练样本的集合。根据损失函数每次调整建模公式参数，使其无限趋近最佳参数。
S2.353损失函数公式加入正则化项以防止过拟合为：
其中：对user对item的喜好程度进行了展开，这里的α是正则化系数用来平衡平方损失与增则化项的。让模型更为简单化，方式模型过度拟合训练样本中的数据，使模型的泛化能力减弱，loss表示损失函数，p(u,i)表示user与item对，pLFM(u,i)是模型预估的user对item的喜好程度，也就是模型参数pu与qi转置的乘积，表示迭代后的user向量平方的偏微分，表示迭代后的item向量平方的偏微分。
S2.354损失函数的偏导(以puf为例)
其中：表示user的偏微分，表示损失函数的偏微分，表示损失函数对于user的偏导，p(u,i)表示user与item对，pLFM(u,i)是模型预估的user对item的喜好程度，qif表示item在相应维度f的向量。
当我们得到损失函数对于其偏导之后，我们应用梯度下降的办法。
其中：是具体某一个维度的误差值，根据这个数值调整此维度的p(u,i)的参数值，β是学习率，puf表示user在相应维度f的向量。
如图3所示，一种用户行为分析装置，包括：
(1)用户终端确定单元，用于确定根据用户账号的行为信息确定用户终端的设备操作系统和/或浏览器信息；
(2)用户操作确定单元，获取采用所述终端执行的操作信息；
(3)用户数据分析单元，收集分析用户终端正例样本数据和所述反例样本数据，利用所述正例样本数据和所述反例样本数据训练二元分类预测模型并测试；
(4)用户展示单元，用于展示数据分析单元得来的分析数据。
本发明通过搭建大数据平台，借助埋点采集技术，提供一种基于全埋点与潜在因子模型的用户行为分析方法和装置，准确有效地进行了用户行为的分析，为企业提供方便准确的用户行为分析与推荐功能，便于企业分析他们用户的行为，挖掘更大的用户价值。

Claims (7)

1.一种基于全埋点与潜在因子模型的用户行为分析方法，其特征在于，包括如下步骤：
(1)编写埋点采集插件并搭建日志服务器，用于存放埋点采集得到的数据；
(2)搭建云端大数据分析平台，对埋点采集得到的数据进行分析；
(3)搭建电脑PC浏览器端数据展示平台，在平台展示分析结果；
(4)企业在目标网站进行埋点，采集用户行为数据到日志服务器；
(5)大数据分析平台根据采集得到的数据进行数据清洗；
(6)清洗后的数据使用基于用户的潜在因子模型的推荐算法进行计算，生成用户行为分析结果；
(7)企业管理者通过PC浏览器端进入平台后，查看各项用户行为分析数据。
2.如权利要求1所述的基于全埋点与潜在因子模型的用户行为分析方法，其特征在于，步骤(1)中，采用全埋点技术，针对金融行业进行针对性埋点。
3.如权利要求2所述的基于全埋点与潜在因子模型的用户行为分析方法，其特征在于，步骤(1)中，通过用户点击浏览、点击事件获得账号来源域名、ip各项必备数据项以及深度行为数据项。
4.如权利要求1所述的基于全埋点与潜在因子模型的用户行为分析方法，其特征在于，步骤(2)中，搭建云端大数据分析平台，对埋点采集得到的数据进行分析具体包括如下步骤：
(21)使用flume框架将采集到的用户日志信息存放到HDFS中；
(22)再使用HiveQL进行数据清洗将数据存放在Hbase数据库中；
(23)最后利用最新的Hadoop集群计算引擎进行边缘计算大数据平台的搭建，将清洗后的数据使用基于用户的潜在因子模型的推荐算法进行计算，结果存放在Hive仓库中，并通过Sqoop导入MySQL数据库。
5.如权利要求4所述的基于全埋点与潜在因子模型的用户行为分析方法，其特征在于，步骤(23)中，利用最新的Hadoop集群计算引擎进行边缘计算大数据平台的搭建，将清洗后的数据使用基于用户的潜在因子模型的推荐算法进行计算，结果存放在Hive仓库中，并通过Sqoop导入MySQL数据库具体包括如下步骤：
(231)根据用户账号的行为信息确定用户的终端信息；
(232)根据用户账号的多次终端登录行为信息确定用户的包括访问时间、操作系统、来源域名、浏览器类型；
(233)根据用户账号的行为信息确定包括网站的浏览量、访客数、访问次数、访客独立IP个数、跳出率、平均在线时长；
(234)根据用户账号的行为信息确定包括实时用户分析、留存用户分析并提供用户画像功能；
(235)根据用户账号的行为信息使用潜在因子模型进行计算，确定针对不同用户的产品推荐；
(236)根据用户账号的行为信息确定包括包括用户群、访问量、浏览量、访问者分析。
6.如权利要求5所述的基于全埋点与潜在因子模型的用户行为分析方法，其特征在于，步骤(235)中，潜在因子模型具体建模包括如下步骤：
(2351)基于用户的建模公式如式1所示
其中：p(u,i)表示user与item对，如果user点击了item，那么p(u,i)就是1否则为0，pu表示迭代后的user向量，qi表示迭代后的item向量，中的F表示向量的维度，puf表示user在相应维度f的向量，qif表示item在相应维度f的向量；
在F设定好之后，pu和qi可以用随机数进行初始化，采用梯度下降方法进行迭代，最终p(u,i)越接近1越符合推荐，越接近0越不符合推荐；
(2352)损失函数
其中：loss表示损失函数，p(u,i)表示user与item对，pLFM(u,i)是模型预估的user对item的喜好程度，也就是模型参数pu与qi转置的乘积，这里的D是所有训练样本的集合；根据损失函数每次调整建模公式参数，使其无限趋近最佳参数；
(2353)损失函数公式加入正则化项以防止过拟合为：
其中：对user对item的喜好程度进行了展开，这里的α是正则化系数用来平衡平方损失与增则化项的；让模型更为简单化，方式模型过度拟合训练样本中的数据，使模型的泛化能力减弱，loss表示损失函数，p(u,i)表示user与item对，pLFM(u,i)是模型预估的user对item的喜好程度，也就是模型参数pu与qi转置的乘积，表示迭代后的user向量平方的偏微分，表示迭代后的item向量平方的偏微分；
(2354)损失函数的偏导(以puf为例)
其中：表示user的偏微分，表示损失函数的偏微分，表示损失函数对于user的偏导，p(u,i)表示user与item对，pLFM(u,i)是模型预估的user对item的喜好程度，qif表示item在相应维度f的向量；
当得到损失函数对于其偏导之后，应用梯度下降的办法；
其中：是具体某一个维度的误差值，根据这个数值调整此维度的p(u,i)的参数值，β是学习率，puf表示user在相应维度f的向量。
7.一种基于全埋点与潜在因子模型的用户行为分析装置，其特征在于，包括：用户终端确定单元，用于确定根据用户账号的行为信息确定用户终端的设备操作系统和/或浏览器信息；用户操作确定单元，获取采用所述终端执行的操作信息；用户数据分析单元，收集分析用户终端正例样本数据和所述反例样本数据，利用所述正例样本数据和所述反例样本数据训练二元分类预测模型并测试；用户展示单元，用于展示数据分析单元得来的分析数据。
CN201910771678.2A 2019-08-21 2019-08-21 一种基于全埋点与潜在因子模型的用户行为分析方法和装置 Withdrawn CN110543474A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910771678.2A CN110543474A (zh) 2019-08-21 2019-08-21 一种基于全埋点与潜在因子模型的用户行为分析方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910771678.2A CN110543474A (zh) 2019-08-21 2019-08-21 一种基于全埋点与潜在因子模型的用户行为分析方法和装置

Publications (1)

Publication Number Publication Date
CN110543474A true CN110543474A (zh) 2019-12-06

Family

ID=68711867

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910771678.2A Withdrawn CN110543474A (zh) 2019-08-21 2019-08-21 一种基于全埋点与潜在因子模型的用户行为分析方法和装置

Country Status (1)

Country Link
CN (1) CN110543474A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112435047A (zh) * 2020-10-30 2021-03-02 四川新网银行股份有限公司 一种基于埋点数据的营销外呼数据推荐方法
CN112749990A (zh) * 2021-01-28 2021-05-04 浪潮卓数大数据产业发展有限公司 一种基于游客身份的数据分析方法及系统
CN113516493A (zh) * 2020-04-12 2021-10-19 上海诺锐汽车服务有限公司 一种基于用户行为全链路多端可支持的大数据可视化分析平台
CN116385052A (zh) * 2023-02-07 2023-07-04 网舟联合科技(北京)有限公司 基于贝叶斯预测埋点文档价值分析潜在用户特征的方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113516493A (zh) * 2020-04-12 2021-10-19 上海诺锐汽车服务有限公司 一种基于用户行为全链路多端可支持的大数据可视化分析平台
CN112435047A (zh) * 2020-10-30 2021-03-02 四川新网银行股份有限公司 一种基于埋点数据的营销外呼数据推荐方法
CN112749990A (zh) * 2021-01-28 2021-05-04 浪潮卓数大数据产业发展有限公司 一种基于游客身份的数据分析方法及系统
CN112749990B (zh) * 2021-01-28 2022-07-26 浪潮卓数大数据产业发展有限公司 一种基于游客身份的数据分析方法及系统
CN116385052A (zh) * 2023-02-07 2023-07-04 网舟联合科技(北京)有限公司 基于贝叶斯预测埋点文档价值分析潜在用户特征的方法

Similar Documents

Publication Publication Date Title
US11816120B2 (en) Extracting seasonal, level, and spike components from a time series of metrics data
CN110543474A (zh) 一种基于全埋点与潜在因子模型的用户行为分析方法和装置
Cressie et al. Accounting for uncertainty in ecological analysis: the strengths and limitations of hierarchical statistical modeling
US9245252B2 (en) Method and system for determining on-line influence in social media
US11238233B2 (en) Artificial intelligence engine for generating semantic directions for websites for automated entity targeting to mapped identities
CN113302634A (zh) 学习语境感知预测关键短语的系统和方法
Farah et al. Bayesian emulation and calibration of a dynamic epidemic model for A/H1N1 influenza
Zhu et al. Popularity modeling for mobile apps: A sequential approach
CN109829733B (zh) 一种基于购物行为序列数据的虚假评论检测系统和方法
US20210133612A1 (en) Graph data structure for using inter-feature dependencies in machine-learning
CN111369299A (zh) 识别的方法、装置、设备及计算机可读存储介质
CN116703485B (zh) 基于大数据的广告精准营销方法及系统
CN109345272A (zh) 一种基于改进马尔科夫链的店铺信用风险预测方法
CN110019837B (zh) 用户画像的生成方法及装置、计算机设备及可读介质
Mehdipoor et al. Developing a workflow to identify inconsistencies in volunteered geographic information: a phenological case study
CN113409157B (zh) 一种跨社交网络用户对齐方法以及装置
CN106844765B (zh) 基于卷积神经网络的显著信息检测方法及装置
Hart et al. Accuracy and power analysis of social networks built from count data
CN111127057B (zh) 一种多维用户画像恢复方法
CN111881007A (zh) 操作行为判断方法、装置、设备及计算机可读存储介质
Gayakwad et al. Analysis of Methodologies to Model the Content for Conveying the Correct Information
CN112118486B (zh) 内容项投放方法、装置、计算机设备及存储介质
AU2021106572A4 (en) A recommendation system and method for e-commerce using machine learning
CN114637921B (zh) 基于建模偶然不确定性的物品推荐方法、装置和设备
CN116992157B (zh) 一种基于生物神经网络的广告推荐方法

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20191206