CN110544158A - 信息推送的方法、装置、设备及可读存储介质 - Google Patents
信息推送的方法、装置、设备及可读存储介质 Download PDFInfo
- Publication number
- CN110544158A CN110544158A CN201910847315.2A CN201910847315A CN110544158A CN 110544158 A CN110544158 A CN 110544158A CN 201910847315 A CN201910847315 A CN 201910847315A CN 110544158 A CN110544158 A CN 110544158A
- Authority
- CN
- China
- Prior art keywords
- enterprise
- information
- data
- target
- feature
- 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
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
Abstract
本申请公开了信息推送的方法、装置、设备及可读存储介质,涉及数据挖掘技术领域。具体实现方案为:通过根据包括企业全量特征数据的第一样本数据采用最大信息系数法确定最终选用的目标特征类型,筛选出与企业和目标产品的关联程度信息强相关的多个目标特征类型;获取各企业的所述目标特征类型的企业特征信息;将各企业的所述企业特征信息输入训练好的预测模型,计算各企业与目标产品的关联程度信息;根据各企业与目标产品的关联程度信息确定目标企业,有效提高确定与目标产品的关联程度强的目标企业的精准度和效率,从而精准、高效地定位购买意向强的潜在客户,然后将所述目标企业的信息推送给相关销售人员,提高信息推送的精准度和效率。
Description
技术领域
本申请涉及计算机技术领域,尤其涉及数据挖掘技术。
背景技术
近年来,以企业为销售对象的商业推广产品层出不穷,例如品牌推广产品、企业信用认证产品等。商业推广产品为企业提供对企业的多种推广服务,例如品牌推广和不同形式的企业认证,帮助企业从验证身份、核验经营地址、展示品牌到宣传企业形象,一站式服务、权威性展现,让企业更好的赢取用户信任。
目前商业推广产品的售卖主要以销售人员电话推销的形式进行,通常负责售卖的销售代理商最多几十家,而产品的可售卖企业总量有千万量级以上。针对如此数量庞大的潜在客户企业,大多通过调查问卷等方式收集企业的反馈信息,根据企业反馈信息统计企业的购买意向,并确定购买意向高的潜在客户,向销售人员推送潜在客户信息。但是由于主动反馈信息的企业少,且周期长,企业反馈信息匮乏,定位潜在客户的精准度低且效率低,潜在客户信息推送的精准度低,效率低。
发明内容
本申请提供一种信息推送的方法、装置、设备及可读存储介质,用以解决现有技术中定位潜在客户的精准度低且效率低,潜在客户信息推送的精准度低,效率低。
本申请的一个实施例提供一种信息推送的方法,包括:
根据包括企业全量特征数据的第一样本数据,采用最大信息系数法确定最终选用的目标特征类型;获取各企业的所述目标特征类型的企业特征信息;将各企业的所述企业特征信息输入训练好的预测模型,计算各企业与目标产品的关联程度信息;根据各企业与目标产品的关联程度信息确定目标企业,并推送所述目标企业的信息。
可选的,所述根据包括企业全量特征数据的第一样本数据,采用最大信息系数法确定最终选用的目标特征类型,包括:根据所述第一样本数据,采用最大信息系数法,从所述全量特征数据的所有特征类型中筛选出部分特征类型,作为备选特征类型;根据所述备选特征类型,获取第二样本数据;通过所述第二样本数据对初始模型进行训练,确定最终选用的所述目标特征类型以及最佳模型参数,保存以所述最佳模型参数作为模型参数的所述预测模型,以进一步提高与企业和目标产品的关联程度最相关的多个维度的目标特征类型的精准度,以及预测模型计算各企业与目标产品的关联程度信息的精准度。
可选的,所述第一样本数据中的第一样本包括企业的全量特征数据,以及企业是否已关联目标产品的标注信息;所述根据所述第一样本数据,采用最大信息系数法,从所述全量特征数据的所有特征类型中筛选出部分特征类型,作为备选特征类型,包括:对所述第一样本数据中的全量特征数据进行预处理,生成对应的量化特征数据;根据所述量化特征数据及其对应的标注信息,采用最大信息系数法计算各个类型的特征与企业关联目标产品的相关度;根据所述相关度确定所述备选特征类型,以进一步提高与企业和目标产品的关联程度最相关的目标特征类型的精准度。
可选的,所述对所述第一样本数据中的全量特征数据进行预处理,生成对应的量化特征数据,包括:将所述第一样本数据中的异常特征数据置空;对所述第一样本数据进行缺失数据处理:补充缺失的特征数据,或者剔除所述第一样本数据中的存在缺失特征数据的样本;对所述第一样本数据进行特征数据的量化处理,以完成对第一样本数据的数据清洗和量化,提高第一样本数据的可用性。
可选的,所述第二样本数据中的第二样本包括:企业的备选特征类型的特征数据,以及企业对目标产品是否具有关联意向的标注信息。
可选的,所述通过所述第二样本数据对初始模型进行训练,确定最终选用的所述目标特征类型以及最佳模型参数之前,还包括:根据所述第二样本数据中正样本和负样本的数量,对所述第二样本数据进行筛选,使得筛选后的第二样本数据中正样本和负样本的比例满足预设条件;其中,正样本是指标注信息为对目标产品具有关联意向的样本;负样本是指标注信息为对目标产品不具有关联意向的样本,以调整第二样本数据中正样本和负样本的比例,提高第二样本数据的有效性,可以提高通过第二样本数据训练得到的预测模型计算各企业与目标产品的关联程度信息的精准度。
可选的,所述通过所述第二样本数据对初始模型进行训练,确定最终选用的所述目标特征类型以及最佳模型参数,包括:采用网格搜索法,通过所述第二样本数据对初始模型进行训练,确定最终选用的所述目标特征类型以及最佳模型参数,以提高与企业和目标产品的关联程度最相关的多个维度的目标特征类型的精准度,以及预测模型计算各企业与目标产品的关联程度信息的精准度。
可选的,所述初始模型包括多个GBDT模型,所述初始模型的模型参数包括:所包括的GBDT模型的数量,以及每个GBDT模型的以下参数:树的数量、树的最大深度和学习率,以使得到的预测模型适合本实施例的具体应用场景,提高预测模型计算各企业与目标产品的关联程度信息的精准度。
可选的,所述全量特征数据至少包括:企业客观特征数据,网民对企业的认知度特征数据,和企业主观推广意愿特征数据,以扩展企业特征数据的维度。
本申请的另一个实施例提供一种信息推送的装置,包括:
特征筛选模块,用于根据包括企业全量特征数据的第一样本数据,采用最大信息系数法确定最终选用的目标特征类型;特征信息获取模块,用于获取各企业的所述目标特征类型的企业特征信息;关联程度预测模块,用于将各企业的所述企业特征信息输入训练好的预测模型,计算各企业与目标产品的关联程度信息;信息推送模块,用于根据各企业与目标产品的关联程度信息确定目标企业,并推送所述目标企业的信息。
本申请的另一个实施例提供一种电子设备,包括:
至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述所述的信息推送的方法。
本申请的另一个实施例提供一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行上述所述的信息推送的方法。
本申请的另一个实施例提供一种信息推送的方法,包括:
根据包括企业全量特征数据的第一样本数据,采用最大信息系数法确定最终选用的目标特征类型;将各企业的所述目标特征类型的企业特征信息输入训练好的预测模型,计算各企业与目标产品的关联程度信息;根据各企业与目标产品的关联程度信息确定目标企业。
上述申请中的一个实施例具有如下优点或有益效果:
通过根据包括企业全量特征数据的第一样本数据,采用最大信息系数法确定最终选用的目标特征类型,能够剔除无用特征数据进行特征数据的降维,筛选出与企业和目标产品的关联程度信息强相关的多个目标特征类型;然后,获取各企业的所述目标特征类型的企业特征信息;将各企业的所述企业特征信息输入训练好的预测模型,计算各企业与目标产品的关联程度信息;根据各企业与目标产品的关联程度信息确定目标企业,能够有效提高确定与目标产品的关联程度强的目标企业的精准度和效率,从而能够精准、高效地定位购买意向强的潜在客户,然后可以将所述目标企业的信息推送给相关销售人员,以提高潜在客户信息推送的精准度和效率。
上述可选方式所具有的其他效果将在下文中结合具体实施例加以说明。
附图说明
附图用于更好地理解本方案,不构成对本申请的限定。其中:
图1是根据本申请第一实施例的信息推送的方法流程图;
图2是根据本申请第二实施例的信息推送的方法的流程图;
图3是根据本申请第三实施例的信息推送的装置的结构示意图;
图4是用来实现本申请实施例的信息推送的方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明,其中包括本申请实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本申请的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
本申请所涉及的术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。在以下各实施例的描述中,“多个”的含义是两个以上,除非另有明确具体的限定。
本申请具体的应用场景为:目标产品为以企业为销售对象的商业推广产品,有数量庞大的企业作为潜在客户。本实施例提供的信息推送方法,需要基于包括多个企业全量特征数据的第一样本数据,采用最大信息系数(Maximal Information Coefficient,简称MIC)法,确定与企业对目标产品的购买意向最相关的多个维度的目标特征类型;以作为潜在客户的企业的目标特征类型的企业特征信息,根据预先训练好的预测模型,计算各企业与目标产品的关联程度信息,与目标产品的关联程度信息能够体现企业对目标产品的购买意向的强度,根据各企业与目标产品的关联程度信息确定关联程度较大的若干个目标企业,这些目标企业是购买意向较强的潜在客户,从而能够精准、高效地定位购买意向强的潜在客户,然后可以将目标企业的信息推送给相关销售人员,以提高潜在客户信息推送的精准度和效率。
下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图,对本申请的实施例进行描述。
本申请第一实施例提供了一种信息推送的方法。图1是根据本申请第一实施例的信息推送的方法流程图,如图1所示,该方法具体步骤如下:
步骤S101、根据包括企业全量特征数据的第一样本数据,采用最大信息系数法确定最终选用的目标特征类型。
本实施例中,企业的全量特征数据包括能够获取到企业的所有特征数据,至少包括以下三个方面的数据:企业客观特征数据、网民对企业的认知度特征数据、企业主观推广意愿特征数据。
其中,企业客观特征数据可以包括:企业的注册数据和ICP备案数据,其中企业的注册数据包括注册地、注册资本、注册日期、公司名称和经营范围等,ICP备案数据包括IP信息和域名信息、ICP备案日期、有效期等。
网民对企业的认知度特征数据能够体现网民对企业的认知度,网民对企业的认知度特征数据可以包括:预设时间内网民检索的企业相关搜索日志数据。其中,预设时间可以是半年或者几个月等,可以由技术人员根据实际应用场景和经验进行设定,本实施例此处不做具体限定。
具体的,对于搜索日志数据,根据日志中搜索词条是否与企业相关,以及最终点击访问的页面是否是企业ICP备案的IP或者域名下的页面,来筛选出与企业相关的搜索日志。例如,可以通过搜索词条是否包含企业的商标、名称、简称、域名和IP信息等,来筛选出于企业相关的搜索日志。
企业主观推广意愿特征数据能够体现企业的主观推广意愿,企业主观推广意愿特征数据可以包括:企业是否购买了其他商业推广产品,企业购买其他商业推广产品的时间,企业成立多久或者ICP备案多久之后购买的商业推广产品,企业购买商业推广产品的平均消费水平,等等。其中,企业购买商业推广产品的平均消费水平可以为每日平均消费水平、或者每年平均消费水平。
示例性的,企业购买商业推广产品的每日平均消费水平可以为:购买商业推广产品后的总消费金额/有消费的天数;企业购买商业推广产品的每年平均消费水平可以为:购买商业推广产品后的总消费金额/购买商业推广产品的年数。
本实施例中,第一样本数据中包括多个第一样本,第一样本包括的企业的全量特征数据,以及企业是否已关联目标产品的标注信息。
该步骤中,针对包括全量特征数据的第一样本数据,进行选择和规范化预处理,利用最大信息系数法计算各个特征类型与企业和目标产品的关联程度信息的相关性,根据各个特征类型与企业和目标产品的关联程度信息的相关性对所有的特征类型进行筛选,筛选出与企业和目标产品的关联程度信息强相关的多个目标特征类型,从而确定最终选用的目标特征类型。
最大信息系数法具有通用性和公平性。其中,通用性是指最大信息系数法不仅适用于函数相关性也适用于非函数相关性,既适用于线性相关性也适用于非线性相关性。公平性是指两个不同的函数关系受到相同的噪音干扰时它们的MIC值仍保持一致,也就是说噪音对MIC造成的影响与变量直接的函数关系无关。在样本量充足时,最大信息系数法可以捕获各种各样复杂隐藏的关联,而不限定于函数类型(例如可以是线性函数、指数函数或周期函数等),能均衡覆盖所有的函数关系,且计算复杂度低、鲁棒性高。因此,采用最大信息系数法能够准确全面地进行各个特征类型与企业和目标产品的关联程度信息之间的关联程度分析,进一步剔除无用特征数据进行特征数据的降维,筛选出与企业和目标产品的关联程度信息强相关的多个目标特征类型,能够有效提高确定与目标产品的关联程度强的目标企业的精准度和效率。
步骤S102、获取各企业的目标特征类型的企业特征信息。
在确定与企业和目标产品的关联程度信息强相关的多个目标特征类型之后,在筛选与目标产品关联程度强的目标企业时,可以直接获取待筛选的各企业的目标特征类型的企业特征信息。
步骤S103、将各企业的企业特征信息输入训练好的预测模型,计算各企业与目标产品的关联程度信息。
本实施例中,预先训练好用于预测企业与目标产品的关联程度信息的预测模型。预测模型用于根据输入的各企业的企业特征信息,计算得到各企业与目标产品的关联程度信息。企业与目标产品的关联程度信息能够体现企业购买目标产品的概率。
其中,预测模型可以包括多个梯度提升树(Gradient Boosting Decision Tree,简称GBDT)模型,预测模型的模型参数包括:所包括的GBDT模型的数量,以及每个GBDT模型的以下参数:树的数量、树的最大深度和学习率。
步骤S104、根据各企业与目标产品的关联程度信息确定目标企业,并推送目标企业的信息。
在计算得到各企业与目标产品的关联程度信息之后,根据各企业与目标产品的关联程度信息确定目标企业。
示例性的,在计算得到各企业与目标产品的关联程度信息之后,可以根据与目标产品的关联程度信息由大到小的顺序对各企业进行排序,将排序靠前的第一数量的企业确定为目标企业。其中,第一数量可以由技术人员根据实际应用场景和经验进行设定,本实施例此处不做具体限定。
示例性的,在计算得到各企业与目标产品的关联程度信息之后,还可以将与目标产品的关联程度信息大于预设关联程度阈值的企业确定为目标企业。其中,预设关联程度阈值可以由技术人员根据实际应用场景和经验进行设定,本实施例此处不做具体限定。
示例性的,在推送目标企业的信息时,可以根据预设推送规则进行推送。其中,预设推送规则可以包括推送方式、推送时间等等,用于规定如何将信息推送给接收方。推送方式可以包括发送电子邮件、发送短信息、通过即时通讯发送等等,推送时间可以是实时地推送、周期性地推送、指定推送时间段等等,推送方式和推送时间均可以由技术人员根据实际应用场景和需要进行设定,本实施例此处不做具体限定。
本实施例通过根据包括企业全量特征数据的第一样本数据,采用最大信息系数法确定最终选用的目标特征类型,能够剔除无用特征数据进行特征数据的降维,筛选出与企业和目标产品的关联程度信息强相关的多个目标特征类型;然后,获取各企业的目标特征类型的企业特征信息;将各企业的企业特征信息输入训练好的预测模型,计算各企业与目标产品的关联程度信息;根据各企业与目标产品的关联程度信息确定目标企业,能够有效提高确定与目标产品的关联程度强的目标企业的精准度和效率,从而能够精准、高效地定位购买意向强的潜在客户,然后可以将目标企业的信息推送给相关销售人员,以提高潜在客户信息推送的精准度和效率。
图2是根据本申请第二实施例的信息推送的方法的流程图。在本申请第一实施例的基础上,本申请的第二实施例中,根据包括企业全量特征数据的第一样本数据,采用最大信息系数法确定最终选用的目标特征类型,包括:根据第一样本数据,采用最大信息系数法确定备选特征类型;根据备选特征类型,获取第二样本数据;通过第二样本数据对初始模型进行训练,确定最终选用的目标特征类型以及最佳模型参数,保存以最佳模型参数作为模型参数的预测模型。如图2所示,该方法具体步骤如下:
步骤S201、根据包括企业全量特征数据的第一样本数据,采用最大信息系数法,从所述全量特征数据的所有特征类型中筛选出部分特征类型,作为备选特征类型。
企业的全量特征数据包括能够获取到企业的所有特征数据,至少包括以下三个方面的数据:企业客观特征数据、网民对企业的认知度特征数据、企业主观推广意愿特征数据。
示例性的,企业客观特征数据可以包括:企业的注册数据和ICP备案数据,其中企业的注册数据包括注册地、注册资本、注册日期、公司名称和经营范围等,ICP备案数据包括IP信息和域名信息、ICP备案日期、有效期等。
网民对企业的认知度特征数据能够体现网民对企业的认知度,网民对企业的认知度特征数据可以包括:预设时间内网民检索的企业相关搜索日志数据。其中,预设时间可以是半年或者几个月等,可以由技术人员根据实际应用场景和经验进行设定,本实施例此处不做具体限定。
具体的,对于搜索日志数据,根据日志中搜索词条是否与企业相关,以及最终点击访问的页面是否是企业ICP备案的IP或者域名下的页面,来筛选出与企业相关的搜索日志。例如,可以通过搜索词条是否包含企业的商标、名称、简称、域名和IP信息等,来筛选出于企业相关的搜索日志。
企业主观推广意愿特征数据能够体现企业的主观推广意愿,企业主观推广意愿特征数据可以包括:企业是否购买了其他商业推广产品,企业购买其他商业推广产品的时间,企业成立多久或者ICP备案多久之后购买的商业推广产品,企业购买商业推广产品的平均消费水平,等等。其中,企业购买商业推广产品的平均消费水平可以为每日平均消费水平、或者每年平均消费水平。
示例性的,企业购买商业推广产品的每日平均消费水平可以为:购买商业推广产品后的总消费金额/有消费的天数;企业购买商业推广产品的每年平均消费水平可以为:购买商业推广产品后的总消费金额/购买商业推广产品的年数。
其中,第一样本数据中包括多个第一样本,第一样本包括的企业的全量特征数据,以及企业是否已关联目标产品的标注信息。
本实施例中,根据包括企业全量特征数据的第一样本数据,采用最大信息系数法,从所述全量特征数据的所有特征类型中筛选出部分特征类型,作为备选特征类型,然后根据备选特征类型,获取第二样本数据,通过第二样本数据对初始模型进行训练,确定预测模型的过程中,确定最终选用的目标特征类型。
示例性的,可以采用网格搜索的方法,在所有备选特征类型的排列组合中,通过循环遍历,尝试每一种组合可能性,将表现最好的一组特征类型作为最终选用的目标特征类型,以进一步提高与企业对目标产品的购买意向最相关的多个维度的目标特征类型的精准度。
可选的,本实施例的另一种实施方式中,还可以直接将采用最大信息系数法确定备选特征类型作为最终选用的目标特征类型。
示例性的,该步骤具体可以采用如下步骤S2011-S2013实现:
步骤S2011、对第一样本数据中的全量特征数据进行预处理,生成对应的量化特征数据。
具体的,对第一样本数据中的全量特征数据进行预处理,包括:将第一样本数据中的异常特征数据置空;对第一样本数据进行缺失数据处理:补充缺失的特征数据,或者剔除第一样本数据中的存在缺失特征数据的样本;对第一样本数据进行特征数据的量化处理。
其中,异常特征数据可以是第一样本的任意一种类型的特征数据,是指不符合对应类型的数据要求的特征数据。例如,企业注册资本为负数,注册时间是未来某一时刻,平均消费水平是负数等等。
对于第一样本数据中的异常特征数据,可以将异常特征数据置空,使得异常特征数据变为缺失特征数据。
对于第一样本数据中缺失的特征数据,可以补充对应特征类型的默认值,或者可以根据相关特征数据计算出缺失的特征数据的补充值,等。
例如,针对企业A成立时间的缺失,通过企业A的ICP备案时间,以企业成立时间没有缺失的其他企业Bk的企业成立时间和企业ICP备案时间,计算企业A的成立时间补充值,A的成立时间等于:其中n为企业成立时间没有缺失的其他企业Bk的数量。
可选的,对于第一样本数据中缺失预设关键特征数据的样本,可以直接剔除该样本。例如,直接剔除第一样本数据中缺失ICP备案时间的样本。
进一步的,对第一样本数据进行特征数据的量化处理,可以对特征数据进行统计得到量化统计值,例如,企业相关词条的检索量、点击量等的统计;或者还可以根据预先设定量化规则、或现有技术中任意一种进行数据量化处理的方法进行特征数据的量化处理,本实施例此处不再赘述。
步骤S2012、根据量化特征数据及其对应的标注信息,采用最大信息系数法计算各个类型的特征与企业关联目标产品的相关度。
示例性的,企业的任一特征类型的量化特征数据作为第一行向量,作为随机变量x;将企业是否已关联目标产品的标注信息作为第二行向量,作为随机变量y,构成二维数据集(x;y)。二维数据集(x;y)分布在二维的空间中,使用a乘b的网格划分数据空间,网格划分的限制为a×b<B,其中B经验值,可以取数据总量的0.6次方或者数据总量的0.55次方,本实施例此处不做具体限定。
对于一个有限的有序二维数据集(x;y),最大信息系数(MIC)可以采用如下公式一计算:
其中,mic(x;y)表示随机变量x和y的MIC值;I(x;y)表示两个随机变量x和y之间的互信息。
使用最大信息系数法,逐个计算各个特征类型的量化特征数据对应的第一行向量,与企业是否已关联目标产品的标注信息对应的第二行向量之间的MIC值,作为各个特征类型的特征与企业关联目标产品的相关度。
由MIC原理可知,两个变量之间的MIC值介于0到1之间,越接近1则表示两个变量之间的关联程度越大,越接近0表示两个变量之间的关联程度越小。
其中,随机变量x和y之间的互信息的计算方法可以采用现有技术中任意一种计算两个随机变量互信息的方法实现,本实施例此处不做具体限定。
示例性的,随机变量x和y之间的互信息原理上可以采用以下公式二计算:
其中,p(x,y)为随机变量x和y联合概率,p(x)为随机变量x的条件概率,p(y)为随机变量y的条件概率。
本实施例中,可以将落在第(x,y)格子中的数据点的频率作为p(x,y)的估计值,将落在第x行的数据点的频率作为p(x)的估计值,将落在第y列的数据点的频率作为p(x)的估计值,可以计算得到将随机变量x和y之间的互信息。
步骤S2013、根据相关度确定备选特征类型。
在计算得到各个类型的特征与企业关联目标产品的相关度之后,可以根据预先设定的相关度阈值,将与企业关联目标产品的相关度大于该相关度阈值的特征类型确定为备选特征类型。
其中,相关度阈值可以由技术人员根据实际应用场景和经验进行设定,本实施例此处不做具体限定。
步骤S202、根据备选特征类型,获取第二样本数据。
其中,第二样本数据中的第二样本包括:企业的备选特征类型的特征数据,以及企业对目标产品是否具有关联意向的标注信息。
可选的,在通过第二样本数据对初始模型进行训练,确定最终选用的目标特征类型以及最佳模型参数之前,还可以根据第二样本数据中正样本和负样本的数量,对第二样本数据进行筛选,使得筛选后的第二样本数据中正样本和负样本的比例满足预设条件。
其中,正样本是指标注信息为对目标产品具有关联意向的样本;负样本是指标注信息为对目标产品不具有关联意向的样本。
另外,第二样本数据中正样本和负样本的比例满足预设条件可以由技术人员根据实际应用场景和经验进行设定,例如,正样本和负样本的比例为1:4;或者正样本和负样本的比例在指定的范围内,例如在1:3.5与1:4.5之间,等等。
步骤S203、通过第二样本数据对初始模型进行训练,确定最终选用的目标特征类型以及最佳模型参数,保存以最佳模型参数作为模型参数的预测模型。
预测模型用于根据输入的各企业的企业特征信息,计算得到各企业与目标产品的关联程度信息。企业与目标产品的关联程度信息能够体现企业购买目标产品的概率。
其中,初始模型包括多个GBDT模型,初始模型的模型参数包括:所包括的GBDT模型的数量,以及每个GBDT模型的以下参数:树的数量、树的最大深度和学习率。
本实施例中,可以采用网格搜索法,通过第二样本数据对初始模型进行训练,确定最终选用的目标特征类型以及一组最佳模型参数;然后保存以最佳模型参数作为模型参数的预测模型。
进一步的,还可以定期地更新第一样本数据和第二样本数据,并根据更新后的第一样本数据和第二样本数据,通过步骤S201-S205更新最终选用的目标特征类型以及预测模型的模型参数。
步骤S204、获取各企业的目标特征类型的企业特征信息。
在筛选与目标产品关联程度强的目标企业时,可以根据最近更新后的最终选用的目标特征类型,直接获取待筛选的各企业的目标特征类型的企业特征信息。
步骤S205、将各企业的企业特征信息输入训练好的预测模型,计算各企业与目标产品的关联程度信息。
在获取各企业的目标特征类型的企业特征信息之后,将各企业的企业特征信息输入训练好的预测模型,计算各企业与目标产品的关联程度信息,企业与目标产品的关联程度信息能够体现企业购买目标产品的概率。
步骤S206、根据各企业与目标产品的关联程度信息确定目标企业,并送目标企业的信息。
在计算得到各企业与目标产品的关联程度信息之后,根据各企业与目标产品的关联程度信息确定目标企业。
示例性的,在计算得到各企业与目标产品的关联程度信息之后,可以根据与目标产品的关联程度信息由大到小的顺序对各企业进行排序,将排序靠前的第一数量的企业确定为目标企业。其中,第一数量可以由技术人员根据实际应用场景和经验进行设定,本实施例此处不做具体限定。
示例性地,在计算得到各企业与目标产品的关联程度信息之后,还可以将与目标产品的关联程度信息大于预设关联程度阈值的企业确定为目标企业。其中,预设关联程度阈值可以由技术人员根据实际应用场景和经验进行设定,本实施例此处不做具体限定。
示例性的,在推送目标企业的信息时,可以根据预设推送规则进行推送。其中,预设推送规则可以包括推送方式、推送时间等等,用于规定如何将信息推送给接收方。推送方式可以包括发送电子邮件、发送短信息、通过即时通讯发送等等,推送时间可以是实时地推送、周期性地推送、指定推送时间段等等,推送方式和推送时间均可以由技术人员根据实际应用场景和需要进行设定,本实施例此处不做具体限定。
本实施例通过根据包括企业全量特征数据的第一样本数据,采用最大信息系数法,从所述全量特征数据的所有特征类型中筛选出部分特征类型,作为备选特征类型;根据备选特征类型,获取第二样本数据;通过第二样本数据对初始模型进行训练,确定最终选用的目标特征类型以及最佳模型参数,保存以最佳模型参数作为模型参数的预测模型,进一步提高了与企业对目标产品的购买意向最相关的多个维度的目标特征类型的精准度;然后,获取各企业的目标特征类型的企业特征信息;将各企业的企业特征信息输入训练好的预测模型,计算各企业与目标产品的关联程度信息;根据各企业与目标产品的关联程度信息确定目标企业,能够有效提高确定与目标产品的关联程度强的目标企业的精准度和效率,从而能够精准、高效地定位购买意向强的潜在客户,然后可以将目标企业的信息推送给相关销售人员,以提高潜在客户信息推送的精准度和效率。
本申请第三实施例提供了一种信息推送的装置。图3是根据本申请第三实施例的信息推送的装置的结构示意图。如图3所示,该信息推送的装置30包括:特征筛选模块301,特征信息获取模块302,关联程度预测模块303和信息推送模块304。
具体的,特征筛选模块301用于根据包括企业全量特征数据的第一样本数据,采用最大信息系数法确定最终选用的目标特征类型。
特征信息获取模块302用于获取各企业的目标特征类型的企业特征信息。
关联程度预测模块303用于将各企业的企业特征信息输入训练好的预测模型,计算各企业与目标产品的关联程度信息。
信息推送模块304用于根据各企业与目标产品的关联程度信息确定目标企业,并推送目标企业的信息。
本申请实施例提供的装置可以具体用于执行上述第一实施例所提供的方法实施例,具体功能此处不再赘述。
本实施例通过根据包括企业全量特征数据的第一样本数据,采用最大信息系数法确定最终选用的目标特征类型,能够剔除无用特征数据进行特征数据的降维,筛选出与企业和目标产品的关联程度信息强相关的多个目标特征类型;然后,获取各企业的目标特征类型的企业特征信息;将各企业的企业特征信息输入训练好的预测模型,计算各企业与目标产品的关联程度信息;根据各企业与目标产品的关联程度信息确定目标企业,能够有效提高确定与目标产品的关联程度强的目标企业的精准度和效率,从而能够精准、高效地定位购买意向强的潜在客户,然后可以将目标企业的信息推送给相关销售人员,以提高潜在客户信息推送的精准度和效率。
本申请第四实施例提供了一种信息推送的装置。在上述第三实施例的基础上,本实施例中,特征筛选模块还用于:
根据第一样本数据,采用最大信息系数法,从所述全量特征数据的所有特征类型中筛选出部分特征类型,作为备选特征类型;根据备选特征类型,获取第二样本数据;通过第二样本数据对初始模型进行训练,确定最终选用的目标特征类型以及最佳模型参数,保存以最佳模型参数作为模型参数的预测模型。
可选的,第一样本数据中的第一样本包括企业的全量特征数据,以及企业是否已关联目标产品的标注信息。特征筛选模块还用于:
对第一样本数据中的全量特征数据进行预处理,生成对应的量化特征数据;根据量化特征数据及其对应的标注信息,采用最大信息系数法计算各个类型的特征与企业关联目标产品的相关度;根据相关度确定备选特征类型。
可选的,特征筛选模块还用于:
将第一样本数据中的异常特征数据置空;对第一样本数据进行缺失数据处理:补充缺失的特征数据,或者剔除第一样本数据中的存在缺失特征数据的样本;对第一样本数据进行特征数据的量化处理。
可选的,第二样本数据中的第二样本包括:企业的备选特征类型的特征数据,以及企业对目标产品是否具有关联意向的标注信息。
可选的,特征筛选模块还用于:
根据第二样本数据中正样本和负样本的数量,对第二样本数据进行筛选,使得筛选后的第二样本数据中正样本和负样本的比例满足预设条件;其中,正样本是指标注信息为对目标产品具有关联意向的样本;负样本是指标注信息为对目标产品不具有关联意向的样本。
可选的,特征筛选模块还用于:
采用网格搜索法,通过第二样本数据对初始模型进行训练,确定最终选用的目标特征类型以及最佳模型参数。
可选的,初始模型包括多个GBDT模型,初始模型的模型参数包括:所包括的GBDT模型的数量,以及每个GBDT模型的以下参数:树的数量、树的最大深度和学习率。
可选的,所述全量特征数据包括:企业客观特征数据,网民对企业的认知度特征数据,和企业主观推广意愿特征数据。
本实施例提供的装置可以具体用于执行上述第二实施例所提供的方法实施例,具体功能此处不再赘述。
本实施例通过根据包括企业全量特征数据的第一样本数据,采用最大信息系数法,从所述全量特征数据的所有特征类型中筛选出部分特征类型,作为备选特征类型;根据备选特征类型,获取第二样本数据;通过第二样本数据对初始模型进行训练,确定最终选用的目标特征类型以及最佳模型参数,保存以最佳模型参数作为模型参数的预测模型,进一步提高了与企业对目标产品的购买意向最相关的多个维度的目标特征类型的精准度;然后,获取各企业的目标特征类型的企业特征信息;将各企业的企业特征信息输入训练好的预测模型,计算各企业与目标产品的关联程度信息;根据各企业与目标产品的关联程度信息确定目标企业,能够有效提高确定与目标产品的关联程度强的目标企业的精准度和效率,从而能够精准、高效地定位购买意向强的潜在客户,然后可以将目标企业的信息推送给相关销售人员,以提高潜在客户信息推送的精准度和效率。
根据本申请的实施例,本申请还提供了一种电子设备和一种可读存储介质。
如图4所示,是根据本申请实施例的信息推送的方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图4所示,该电子设备包括:一个或多个处理器Y01、存储器Y02,以及用于连接各部件的接口,包括高速接口和低速接口。各个部件利用不同的总线互相连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个电子设备,各个设备提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图4中以一个处理器Y01为例。
存储器Y02即为本申请所提供的非瞬时计算机可读存储介质。其中,存储器存储有可由至少一个处理器执行的指令,以使至少一个处理器执行本申请所提供的信息推送的方法。本申请的非瞬时计算机可读存储介质存储计算机指令,该计算机指令用于使计算机执行本申请所提供的信息推送的方法。
存储器Y02作为一种非瞬时计算机可读存储介质,可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块,如本申请实施例中的信息推送的方法对应的程序指令/模块(例如,附图3所示的特征筛选模块301、特征信息获取模块302、关联程度预测模块303和信息推送模块304)。处理器Y01通过运行存储在存储器Y02中的非瞬时软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例中的信息推送的方法。
存储器Y02可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据信息推送的电子设备的使用所创建的数据等。此外,存储器Y02可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中,存储器Y02可选包括相对于处理器Y01远程设置的存储器,这些远程存储器可以通过网络连接至信息推送的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
信息推送的方法的电子设备还可以包括:输入装置Y03和输出装置Y04。处理器Y01、存储器Y02、输入装置Y03和输出装置Y04可以通过总线或者其他方式连接,图4中以通过总线连接为例。
输入装置Y03可接收输入的数字或字符信息,以及产生与信息推送的电子设备的用户设置以及功能控制有关的键信号输入,例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置Y04可以包括显示设备、辅助照明装置(例如,LED)和触觉反馈装置(例如,振动电机)等。该显示设备可以包括但不限于,液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中,显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令,并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的,术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如,磁盘、光盘、存储器、可编程逻辑装置(PLD)),包括,接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
根据本申请实施例的技术方案,通过根据包括企业全量特征数据的第一样本数据,采用最大信息系数法确定最终选用的目标特征类型,能够剔除无用特征数据进行特征数据的降维,筛选出与企业和目标产品的关联程度信息强相关的多个目标特征类型;然后,获取各企业的目标特征类型的企业特征信息;将各企业的企业特征信息输入训练好的预测模型,计算各企业与目标产品的关联程度信息;根据各企业与目标产品的关联程度信息确定目标企业,能够有效提高确定与目标产品的关联程度强的目标企业的精准度和效率,从而能够精准、高效地定位购买意向强的潜在客户,然后可以将目标企业的信息推送给相关销售人员,以提高潜在客户信息推送的精准度和效率。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本申请公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本申请保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等,均应包含在本申请保护范围之内。
Claims (13)
1.一种信息推送的方法,其特征在于,包括:
根据包括企业全量特征数据的第一样本数据,采用最大信息系数法确定最终选用的目标特征类型;
获取各企业的所述目标特征类型的企业特征信息;
将各企业的所述企业特征信息输入训练好的预测模型,计算各企业与目标产品的关联程度信息;
根据各企业与目标产品的关联程度信息确定目标企业,并推送所述目标企业的信息。
2.根据权利要求1所述的方法,其特征在于,所述根据包括企业全量特征数据的第一样本数据,采用最大信息系数法确定最终选用的目标特征类型,包括:
根据所述第一样本数据,采用最大信息系数法,从所述全量特征数据的所有特征类型中筛选出部分特征类型,作为备选特征类型;
根据所述备选特征类型,获取第二样本数据;
通过所述第二样本数据对初始模型进行训练,确定最终选用的所述目标特征类型以及最佳模型参数,保存以所述最佳模型参数作为模型参数的所述预测模型。
3.根据权利要求2所述的方法,其特征在于,所述第一样本数据中的第一样本包括企业的全量特征数据,以及企业是否已关联目标产品的标注信息;
所述根据所述第一样本数据,采用最大信息系数法,从所述全量特征数据的所有特征类型中筛选出部分特征类型,作为备选特征类型,包括:
对所述第一样本数据中的全量特征数据进行预处理,生成对应的量化特征数据;
根据所述量化特征数据及其对应的标注信息,采用最大信息系数法计算各个类型的特征与企业关联目标产品的相关度;
根据所述相关度确定所述备选特征类型。
4.根据权利要求3所述的方法,其特征在于,所述对所述第一样本数据中的全量特征数据进行预处理,生成对应的量化特征数据,包括:
将所述第一样本数据中的异常特征数据置空;
对所述第一样本数据进行缺失数据处理:补充缺失的特征数据,或者剔除所述第一样本数据中的存在缺失特征数据的样本;
对所述第一样本数据进行特征数据的量化处理。
5.根据权利要求2所述的方法,其特征在于,所述第二样本数据中的第二样本包括:企业的备选特征类型的特征数据,以及企业对目标产品是否具有关联意向的标注信息。
6.根据权利要求5所述的方法,其特征在于,所述通过所述第二样本数据对初始模型进行训练,确定最终选用的所述目标特征类型以及最佳模型参数之前,还包括:
根据所述第二样本数据中正样本和负样本的数量,对所述第二样本数据进行筛选,使得筛选后的第二样本数据中正样本和负样本的比例满足预设条件;
其中,正样本是指标注信息为对目标产品具有关联意向的样本;负样本是指标注信息为对目标产品不具有关联意向的样本。
7.根据权利要求2所述的方法,其特征在于,所述通过所述第二样本数据对初始模型进行训练,确定最终选用的所述目标特征类型以及最佳模型参数,包括:
采用网格搜索法,通过所述第二样本数据对初始模型进行训练,确定最终选用的所述目标特征类型以及最佳模型参数。
8.根据权利要求2-7中任一项所述的方法,其特征在于,所述初始模型包括多个GBDT模型,所述初始模型的模型参数包括:所包括的GBDT模型的数量,以及每个GBDT模型的以下参数:树的数量、树的最大深度和学习率。
9.根据权利要求1-7中任一项所述的方法,其特征在于,所述全量特征数据至少包括:
企业客观特征数据,网民对企业的认知度特征数据,和企业主观推广意愿特征数据。
10.一种信息推送的装置,其特征在于,包括:
特征筛选模块,用于根据包括企业全量特征数据的第一样本数据,采用最大信息系数法确定最终选用的目标特征类型;
特征信息获取模块,用于获取各企业的所述目标特征类型的企业特征信息;
关联程度预测模块,用于将各企业的所述企业特征信息输入训练好的预测模型,计算各企业与目标产品的关联程度信息;
信息推送模块,用于根据各企业与目标产品的关联程度信息确定目标企业,并推送所述目标企业的信息。
11.一种电子设备,其特征在于,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-9中任一项所述的方法。
12.一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,所述计算机指令用于使所述计算机执行权利要求1-9中任一项所述的方法。
13.一种信息推送的方法,其特征在于,包括:
根据包括企业全量特征数据的第一样本数据,采用最大信息系数法确定最终选用的目标特征类型;
将各企业的所述目标特征类型的企业特征信息输入训练好的预测模型,计算各企业与目标产品的关联程度信息;
根据各企业与目标产品的关联程度信息确定目标企业。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910847315.2A CN110544158B (zh) | 2019-09-09 | 2019-09-09 | 信息推送的方法、装置、设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910847315.2A CN110544158B (zh) | 2019-09-09 | 2019-09-09 | 信息推送的方法、装置、设备及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110544158A true CN110544158A (zh) | 2019-12-06 |
CN110544158B CN110544158B (zh) | 2022-07-08 |
Family
ID=68713120
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910847315.2A Active CN110544158B (zh) | 2019-09-09 | 2019-09-09 | 信息推送的方法、装置、设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110544158B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111882113A (zh) * | 2020-07-01 | 2020-11-03 | 中国银行股份有限公司 | 一种企业手机银行用户的预测方法和装置 |
CN112435052A (zh) * | 2020-11-13 | 2021-03-02 | 北京创业光荣信息科技有限责任公司 | 一种关联企业的获取方法、电子设备、计算机可读存储介质及终端 |
CN112528096A (zh) * | 2020-12-15 | 2021-03-19 | 航天信息股份有限公司 | 企业分析方法、存储介质以及电子设备 |
CN112788186A (zh) * | 2021-01-28 | 2021-05-11 | 深圳通联金融网络科技服务有限公司 | 一种基于开源软件开发的电话自动批量转接的方法及装置 |
CN113269516A (zh) * | 2021-05-13 | 2021-08-17 | 企家有道网络技术(北京)有限公司 | 一种通过大数据提高企业能效的方法、装置及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180091950A1 (en) * | 2016-03-14 | 2018-03-29 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for predicting service time point |
CN108267673A (zh) * | 2018-01-23 | 2018-07-10 | 国网山东省电力公司德州供电公司 | 一种配网故障选线大数据降维方法和装置 |
CN109583473A (zh) * | 2018-11-01 | 2019-04-05 | 阿里巴巴集团控股有限公司 | 一种特征数据的生成方法及装置 |
CN109934369A (zh) * | 2017-12-15 | 2019-06-25 | 北京京东尚科信息技术有限公司 | 用于信息推送的方法及装置 |
-
2019
- 2019-09-09 CN CN201910847315.2A patent/CN110544158B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180091950A1 (en) * | 2016-03-14 | 2018-03-29 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for predicting service time point |
CN109934369A (zh) * | 2017-12-15 | 2019-06-25 | 北京京东尚科信息技术有限公司 | 用于信息推送的方法及装置 |
CN108267673A (zh) * | 2018-01-23 | 2018-07-10 | 国网山东省电力公司德州供电公司 | 一种配网故障选线大数据降维方法和装置 |
CN109583473A (zh) * | 2018-11-01 | 2019-04-05 | 阿里巴巴集团控股有限公司 | 一种特征数据的生成方法及装置 |
Non-Patent Citations (1)
Title |
---|
李杨: "机器学习排序模型在个性化推荐系统中的应用研究", 《中国优秀硕士学位论文全文数据库信息科技辑(月刊 )》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111882113A (zh) * | 2020-07-01 | 2020-11-03 | 中国银行股份有限公司 | 一种企业手机银行用户的预测方法和装置 |
CN111882113B (zh) * | 2020-07-01 | 2024-02-27 | 中国银行股份有限公司 | 一种企业手机银行用户的预测方法和装置 |
CN112435052A (zh) * | 2020-11-13 | 2021-03-02 | 北京创业光荣信息科技有限责任公司 | 一种关联企业的获取方法、电子设备、计算机可读存储介质及终端 |
CN112435052B (zh) * | 2020-11-13 | 2023-11-28 | 海创汇科技创业发展股份有限公司 | 一种关联企业的获取方法、电子设备、计算机可读存储介质及终端 |
CN112528096A (zh) * | 2020-12-15 | 2021-03-19 | 航天信息股份有限公司 | 企业分析方法、存储介质以及电子设备 |
CN112528096B (zh) * | 2020-12-15 | 2024-05-07 | 航天信息股份有限公司 | 企业分析方法、存储介质以及电子设备 |
CN112788186A (zh) * | 2021-01-28 | 2021-05-11 | 深圳通联金融网络科技服务有限公司 | 一种基于开源软件开发的电话自动批量转接的方法及装置 |
CN113269516A (zh) * | 2021-05-13 | 2021-08-17 | 企家有道网络技术(北京)有限公司 | 一种通过大数据提高企业能效的方法、装置及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110544158B (zh) | 2022-07-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110544158B (zh) | 信息推送的方法、装置、设备及可读存储介质 | |
CN107609708B (zh) | 一种基于手机游戏商店的用户流失预测方法及系统 | |
CN108564255B (zh) | 匹配模型构建方法、孤儿单分配方法、装置、介质及终端 | |
JP2019519021A (ja) | パフォーマンスモデル悪影響補正 | |
AU2018309599B2 (en) | Method and system for segmentation as a service | |
CN107767070B (zh) | 用于信息推广的方法及装置 | |
US11570214B2 (en) | Crowdsourced innovation laboratory and process implementation system | |
CN112261423A (zh) | 用于推送信息的方法、装置、设备以及存储介质 | |
CN111160745A (zh) | 用户账户数据的处理方法及装置 | |
CN110519263B (zh) | 防刷量方法、装置、设备及计算机可读存储介质 | |
CN112925973A (zh) | 数据处理方法和装置 | |
US8707157B1 (en) | System and method for pre-populating forms using statistical analysis | |
CN115545886A (zh) | 逾期风险识别方法、装置、设备及存储介质 | |
CN114997975A (zh) | 一种异常企业识别方法、装置、设备、介质及产品 | |
CN111782611B (zh) | 预测模型建模方法、装置、设备及存储介质 | |
US20200210907A1 (en) | Utilizing econometric and machine learning models to identify analytics data for an entity | |
CN111245815B (zh) | 数据处理方法、装置、存储介质及电子设备 | |
CN112860672A (zh) | 标签权重的确定方法和装置 | |
CN112749238A (zh) | 搜索排序方法、装置、电子设备以及计算机可读存储介质 | |
US20150170067A1 (en) | Determining analysis recommendations based on data analysis context | |
CN115795345A (zh) | 信息处理方法、装置、设备及存储介质 | |
CN114757546A (zh) | 风险预警方法、装置、设备及介质 | |
US20220129907A1 (en) | System and method for Automatic Update of Customer Relationship Management and Enterprise Resource Planning Fields with Next Best Actions using Machine Learning | |
CN114331572A (zh) | 一种潜在客户的确定方法、装置、电子设备及存储介质 | |
Olasehinde et al. | Computational Efficiency Analysis of Customer Churn Prediction Using Spark and Caret Random Forest Classifier |
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 |