CN110704738B - 基于法官画像的服务信息推送方法、装置、终端及存储介质 - Google Patents
基于法官画像的服务信息推送方法、装置、终端及存储介质 Download PDFInfo
- Publication number
- CN110704738B CN110704738B CN201910936793.0A CN201910936793A CN110704738B CN 110704738 B CN110704738 B CN 110704738B CN 201910936793 A CN201910936793 A CN 201910936793A CN 110704738 B CN110704738 B CN 110704738B
- Authority
- CN
- China
- Prior art keywords
- attention
- static
- value
- target
- dynamic
- 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
- 238000000034 method Methods 0.000 title claims abstract description 53
- 230000003068 static effect Effects 0.000 claims abstract description 187
- 238000007781 pre-processing Methods 0.000 claims abstract description 33
- 238000012417 linear regression Methods 0.000 claims description 29
- 230000006399 behavior Effects 0.000 claims description 25
- 238000004422 calculation algorithm Methods 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 8
- 238000011161 development Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 description 7
- 238000013441 quality evaluation Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000012098 association analyses Methods 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000036651 mood Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000003245 working effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—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
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- 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
- G06F16/906—Clustering; Classification
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明适用于计算机技术领域，提出一种基于法官画像的服务推送方法，包括：获取目标法官的静态数据，对静态数据进行预处理，得到目标法官的静态信息标签；获取目标法官的动态行为数据，对动态行为数据进行预处理，得到目标法官的动态信息标签；根据多维关注度模型对静态信息标签和动态信息标签进行分析，获得目标法官的综合关注度指标值；根据综合关注度指标值获得目标法官画像，基于目标法官画像确定服务策略标签；向目标法官的终端推送与服务策略标签相匹配的服务信息。其通过将法官的静态信息标签和动态信息标签结合，获取法官的综合关注度指标值；并根据综合关注度指标值确定法官画像。能够对法官进行精细分类并刻画出法官的服务策略标签。
Description
技术领域
本发明属于计算机技术领域，尤其涉及一种基于法官画像的服务信息推送方法、装置、终端及存储介质。
背景技术
随着人们法律意识的增强以及司法体制改革的推进，对法官的专业要求也越来越高。为了提高法官的专业能力以及办案效率，目前，提出了对法官进行画像的概念，但是，常见的法官画像是将法官的业务考核数据与日常办案过程中的一些指标相结合并进行量化处理，得到法官类型的过程，多用于法院内部的管理，由于上述的法官画像没有对法官进行精细分类，无法准确刻画出法官的服务策略标签，从而无法提供个性化的服务，帮助法官提升专业能力以及办案效率。
发明内容
有鉴于此，本发明实施例提供了基于法官画像的服务信息推送的方法、装置、终端设备及存储介质，以解决现有技术中无法根据现有的法官画像对法官进行精细分类，以及无法准确刻画出法官服务策略标签的问题，能够准确刻画出法官服务策略标签，并向法官的终端推送与法官的服务策略标签相匹配的服务信息，帮助法官提升专业能力以及办案效率。
本发明实施例的第一方面提供了一种基于法官画像的服务信息推送方法，包括：
从预先确定的源数据库中获取目标法官的静态数据，对所述静态数据进行预处理，得到所述目标法官的静态信息标签；
获取所述目标法官在预设时长内的动态行为数据，对所述动态行为数据进行预处理，得到所述目标法官的动态信息标签；
根据预先训练完成的多维关注度模型对所述静态信息标签和所述动态信息标签进行分析，获得所述目标法官的综合关注度指标值；
根据所述综合关注度指标值获得所述目标法官的法官画像，基于所述法官画像确定所述目标法官的服务策略标签；
向所述目标法官的终端推送与所述服务策略标签相匹配的服务信息。
可选地，在所述根据预先训练完成的多维关注度模型对所述静态信息标签和所述动态信息标签进行分析，得到所述法官的综合关注度指标之前，包括：
获取预设数量法官的静态信息标签和动态信息标签；
根据预设的第一聚类算法对所述静态信息标签进行聚类处理，得到预设类型的静态信息标签；
分别确定每类所述预设类型的静态信息标签的第一关注度值，基于所述第一关注度值为每类所述预设类型的静态信息标签赋予第一影响因子，基于所述第一影响因子和所述第一关注度值生成n维静态关注度模型，n为所述静态信息标签的类型数；
根据预设的第二聚类算法对所述动态信息标签进行聚类处理，得到预设类型的动态信息标签，分别确定每类所述预设类型的动态信息标签的第二关注度值；
基于所述第一关注度值和所述第二关注度值，获得所述n维静态关注度模型中每类所述预设类型的静态信息标签与每类所述预设类型的动态信息标签之间相关性权重值；
获取m类目标动态信息标签的第二关注度值，基于所述m类目标动态信息标签的第二关注度值生成m维动态关注度模型，所述m类目标动态信息标签为所述相关性权重值大于预设的相关性权重阈值的动态信息标签，m为所述动态信息标签的类型数；
基于所述m维动态关注度模型、所述n维静态关注度模型以及所述相关性权重值生成所述多维关注度模型。
可选地，所述多维关注度模型为：
其中，ni指的是第i类静态信息标签对应的第一关注度值，xi指的是第i类静态信息标签的第一影响因子，mj指的是第j个动态信息标签对应的第二关注度值,xj指的是第j个动态信息标签的第二影响因子,为第i类静态信息标签与第j个动态信息标签之间的相关性权重值，I为综合关注度指标值。
可选地，所述基于所述第一关注度值和所述第二关注度值获得所述n维静态关注度模型中每类所述静态信息标签与每个所述动态信息标签之间相关性权重值，包括：
基于所述第一关注度值和所述第二关注度值构建线性回归方程，利用线性回归方法求解所述线性回归方程，得到所述n维静态关注度模型中每类所述静态信息标签与每个所述动态信息标签之间相关性权重值；
其中，所述预设的线性回归方程为：
式中，a，b为该线性回归方程的系数，分别表示为：
式中，为第i个静态信息标签与第j个动态信息标签之间的相关性权重值，ni为第i个静态信息标签的第一关注度值，mj为第j个动态信息标签的第二关注度值，l为静态信息标签的种类数，k为动态信息标签的个数，/>表示l类静态信息标签的关注度的平均值，/>表示k个动态信息标签的关注度的平均值，其中，i＝0,1，…，l，j＝0,1，…，k。
可选地，所述n维静态关注度模型由第一预设维度的静态信息标签的第一关注度值以及所述第一预设维度的静态信息标签的第一影响因子确定，所述第一预设维度的静态信息标签包括审判质量指标、审判效率指标、专业能力指标、个人发展指标和奖惩指标。
可选地，所述m维动态关注度模型由第二预设维度的动态信息标签的第二关注度值以及所述第二预设维度的动态信息标签的第二影响因子确定，所述第二预设维度的动态信息标签包括消费标签、出行标签、LBS标签、网络咨询标签、出庭习惯标签。
所述根据所述综合关注度指标值获得所述目标法官的法官画像，基于所述法官画像确定所述目标法官的服务策略标签，包括：
根据预先存储的综合关注度指标值与预设的法官画像之间的第一映射关系，确定所述目标法官的法官画像；
根据预先存储的法官画像与法官的服务策略标签之间的第二映射关系，确定所述目标法官的服务策略标签。
本发明实施例的第二方面提供了一种基于法官画像的服务信息推送装置，包括：
第一预处理模块，用于从预先确定的源数据库中获取目标法官的静态数据，对所述静态数据进行预处理，得到所述目标法官的静态信息标签；
第二预处理模块，用于获取所述目标法官在预设时长内的动态行为数据，对所述动态行为数据进行预处理，得到所述目标法官的动态信息标签；
第一获得模块，用于根据预先训练完成的多维关注度模型对所述静态信息标签和所述动态信息标签进行分析，获得所述目标法官的综合关注度指标值；
确定模块，用于根据所述综合关注度指标值获得所述目标法官的法官画像，基于所述法官画像确定所述目标法官的服务策略标签。
推送模块，向所述目标法官的终端推送与所述服务策略标签相匹配的服务信息。
本发明实施例的第三方面提供了一种终端，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上任一实施例所述基于法官画像的服务信息推送方法。
本发明实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上任一实施例所述基于法官画像的服务信息推送方法。
本发明实施例与现有技术相比存在的有益效果是：通过从预先确定的源数据库中获取目标法官的静态数据，对所述静态数据进行预处理，得到所述目标法官的静态信息标签；获取所述目标法官在预设时长内的动态行为数据，对所述动态行为数据进行预处理，得到所述目标法官的动态信息标签；根据预先训练完成的多维关注度模型对所述静态信息标签和所述动态信息标签进行分析，获得所述目标法官的综合关注度指标值；根据所述综合关注度指标值获得所述目标法官画像，基于所述法官画像确定所述目标法官的服务策略标签；向所述目标法官的终端推送与所述服务策略标签相匹配的服务信息。其通过将目标法官的静态信息标签和动态信息标签相结合，获取目标法官的综合关注度指标值；并根据综合关注度指标值获得目标法官画像。基于该目标法官画像能够对目标法官进行精细分类，从而准确刻画出目标法官的服务策略标签，基于刻画出的服务策略标签向目标法官的终端推送个性化的服务信息，帮助法官提升专业能力以及办案效率。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明第一实施例提供的基于法官画像的服务信息推送方法的实现流程图；
图2是图1中S104的具体实施流程图；
图3是本发明第二实施例提供的基于法官画像的服务信息推送方法的实现流程图；
图4是图3中S209的具体实施流程图；
图5是本发明提供的基于法官画像的服务信息推送装置的功能模块示意图；
图6是本发明提供的终端的功能示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。如图1所示，是本发明第一实施例提供的基于法官画像的服务信息推送方法的实现流程，本实施例的执行主体为终端。详述如下：
S101，从预先确定的源数据库中获取目标法官的静态数据，对所述静态数据进行预处理，得到所述目标法官的静态信息标签。
所述预先确定的源数据库为法院可访问的数据库，如法院内部的数据库，网上的开源数据库等。所述静态数据包括审判质量数据、审判效率数据、专业能力数据、个人发展数据、奖惩数据等。具体地，对所述静态数据进行预处理，包括对所述静态数据进行过滤、清洗、转换等处理，具体是指对数据记录字段不完整、字段缺失、数据转码不对等情况的校验、去重、排序、分组、转码等，通过对所述静态数据进行预处理之后，将所述静态数据转换成统一的格式，得到所述目标法官的静态信息标签。其中，所述目标法官为需要推送服务信息的法官。
S102，获取所述目标法官在预设时长内的动态行为数据，对所述动态行为数据进行预处理，得到所述目标法官的动态信息标签。
所述动态行为数据包括LBS数据，消费习惯、读书记录、上网习惯等，由于心情或者经济等的影响，导致个人在不同的时间段对应的动态行为数据可能不同，因此，在本方案的实施例中，获取所述目标法官在预设时长内的动态行为数据，所述预设时长内可以是以星期为单位，或者以月为单位的时间段，对所述动态行为数据进行过滤、清洗、转换等预处理，转换成统一的格式，得到所述目标法官的动态信息标签。
S103，根据预先训练完成的多维关注度模型对所述静态信息标签和所述动态信息标签进行分析，获得所述目标法官的综合关注度指标值。
所述多维关注度模型为通过大数据分析平台对预设数量的法官的静态数据和法官的动态数据进行分析，得到的大数据分析模型，其可以表示为：
其中，ni指的是第i个静态信息标签对应的第一关注度值，xi指的是第i个静态信息标签在n维静态关注度模型中的第一影响因子，mj指的是第j个动态信息标签对应的第二关注度值,xj指的是第j个动态信息标签在m维动态关注度模型中的第二影响因子,为第i个静态信息标签与第j个动态信息标签之间的相关性权重值，I为综合关注度指标值。
具体地，基于多维关注度模型获取静态信息标签对应的第一关注度值，并基于所述第一关注度值生成所述第一关注度值的第一影响因子；以及获取动态信息标签对应的第二关注度值，并基于所述第二关注度值生成所述第二关注度值的第二影响因子；根据所述第一关注度值以及所述第二关注度值确定静态信息标签与动态静态信息标签之间的相关性权重值；根据所述第一关注度值、所述第一影响因子、所述第二关注度值、所述第二影响因子以及所述相关性权重值计算得到所述综合关注度指标值。
具体地，所述综合关注度指标值的分值范围与法官画像之间存在映射关系，根据综合关注度指标值的分值范围与法官画像之间的映射关系，可以确定法官画像。
S104，根据所述综合关注度指标值获得所述目标法官的法官画像，基于所述法官画像确定所述目标法官的服务策略标签。
具体地，所述综合关注度指标值为预设的分数制，例如100分制，在具体实施过程中，预设有综合关注度指标值的分值范围，每一分值范围内的综合关注度指标值对应一预设类型的法官画像。
如图2所示，是图1中S104的具体实施过程，由图2可知，S104包括：
S1041，根据预先存储的综合关注度指标值与预设的法官画像之间的第一映射关系，确定所述目标法官的法官画像。
在一种可选的实现方式中，综合关注度指标值采用分数制，同一分数区间内对应的法官画像相同，例如，若综合关注度指标值在0～25分范围内，则获得其对应的法官画像为工作繁忙型法官；若综合关注度指标值在26～50分范围内，则获得其对应的法官画像为经验较少型法官；若综合关注度指标值在51～75分范围内，则获得其对应的法官画像为持续学习型法官；若综合关注度指标值在76～100分范围内，则获得其对应的法官画像为谨慎办案型法官。
S1042，根据预先存储的法官画像与法官的服务策略标签之间的第二映射关系，确定所述目标法官的服务策略标签。
例如，假设所述法官画像为工作繁忙型法官，则其对应的服务策略标签包括日程自动提醒，文书一键生成；假设所述法官画像为经验较少型法官，则其对应的服务策略标签包括类似案件推送，裁决指引；假设所述法官画像为持续学习型法官，则其对应的服务策略标签包括智能案例推送；假设所述法官画像为谨慎办案型法官，则其对应的服务策略标签包括类案推送等。
可以理解的是，随着法官办案经验的积累，以及个人能力的变化，在不同的时间段法官所关注的内容可能发生变化，本方案中基于所述综合关注度指标形成的法官服务标签，对部分处于成长期或者工作性质还不稳定的法官可能存在推荐误差，进一步为了减少推荐误差，可以基于所述综合关注度指标、服务类别标签及法官类别，形成法官的服务策略标签。
其中，所述服务类别标签，为根据预先训练完成的关联分析模型分析所述法官在预设时长内使用法官助手的数据，得到的所述法官的服务类别标签。
具体地，所述预先训练完成的关联分析模型为基于内容关联算法模型(Content-Based)，所述基于内容关联算法模型可以对法官在预设时长内使用法官助手的数据，例如，法官在所述预设时长内点击过的新闻列表进行整合后，形成服务类别标签。
所述法官类别为根据预先训练完成的相似度分析模型分析所述法官在预设时长内使用法官助手的数据，得到的所述法官的法官类别。
S105，向所述目标法官的终端推送与所述服务策略标签相匹配的服务信息。
可以理解的是，在确定目标法官对应的服务策略标签之后，可以向目标法官的终端推送与服务策略标签相匹配的服务信息，例如，在确定其对应的服务策略标签为日程自动提醒后，向目标法官的终端推送日程自动提醒的服务信息，或者在确定其对应的服务策略标签为文书一键生成后，向目标法官的终端推送文书一键生成的服务信息等。
通过上述分析可知，本发明提出的基于法官画像的服务信息推送方法，通过从预先确定的源数据库中获取目标法官的静态数据，对所述静态数据进行预处理，得到所述目标法官的静态信息标签；获取所述目标法官在预设时长内的动态行为数据，对所述动态行为数据进行预处理，得到所述目标法官的动态信息标签；根据预先训练完成的多维关注度模型对所述静态信息标签和所述动态信息标签进行分析，获得所述目标法官的综合关注度指标值；根据所述综合关注度指标值获得所述目标法官画像，基于所述法官画像确定所述目标法官的服务策略标签；向所述目标法官的终端推送与服务策略标签相匹配的服务信息。其通过将目标法官的静态信息标签和动态信息标签相结合，获取目标法官的综合关注度指标值；并根据综合关注度指标值获得目标法官画像。基于该目标法官画像能够对目标法官进行精细分类，从而准确刻画出目标法官的服务策略标签，基于刻画出的服务策略标签向目标法官的终端推送与所述服务策略标签相匹配的服务信息，能够帮助法官提升专业能力以及办案效率。
具体地，如图3所示，是本发明第二实施例提供的基于法官画像的服务推送方法的实现流程，本实施例的执行主体为终端。由图2可知，本实施例与图1所示实施例相比，S201-S202以及S210-S212与S101-S102以及S103-S105的实施过程相同，不同点在于，在S210之前还包括步骤S203-S209，其中，S203与S201或者S202的执行顺序不受限制，可以并列执行，也可以择一执行。具体地，S203-S209的具体实施过程如下。
S203，获取预设数量法官的所述静态信息标签和所述动态信息标签。
S204，根据预设的第一聚类算法对所述静态信息标签进行聚类处理，得到预设类型的静态信息标签。
可选地，预设的第一聚类算法包括但不限于K均值聚类算法、基于密度的聚类算法、划分聚类算法等。所述预设类型的静态信息标签包括但不限于，审判质量指标、审判效率指标、专业能力指标、个人发展指标和奖惩指标等。
S205，分别确定每类所述预设类型的静态信息标签的第一关注度值，基于所述第一关注度值为每类所述预设类型的静态信息标签赋予第一影响因子，基于所述第一影响因子和所述第一关注度值生成n维静态关注度模型，n为所述静态信息标签的类型数。
可选地，在本实施例中，确定所述审判质量指标的关注度值时，将审判质量和审判质量评估中间值做分类统计，划分不同的等级，如5级，其划分标准为：
式中，MaxValue表示所有审判质量中审判质量评估中间值中的最大值；MinValue表示所有审判质量中审判质量评估中间值中的最小值；Xi表示第i个审判质量的审判质量评估中间值，level表示对该计算结果取整，取值范围为1-5；设定两个阈值，将标准值分为低、中、高三类，对应的审判质量指标的关注度值为由低到高。
确定所述审判效率指标的关注度值与所述审判质量指标的关注度值的过程类似，在此不再做详细赘述。
可选地，确定所述专业能力指标的关注度值的公式为：
式中，Dg为法官的办案频率,MIND为预设时长内全体法官办案频率的最小值，MAXD为所述预设时长内全体法官办案频率的最大值。
可选地，确定所述个人发展指标的关注度值的公式为：
式中，ry表示预设的一个周期内对与某一确定的主题y相关的网址浏览次数，Ry表示在所述预设的一个周期内对所有主题的网址浏览次数,wy表示在所述预设的一个周期内发表的与主题y相关的论文数,Wy表示在所述预设的一个周期内发表的全部论文数。
确定所述奖惩指标的关注度值与所述专业能力指标的关注度值的过程类似，在此不再做详细赘述。
进一步地，所述第一影响因子与所述第一关注度值之间存在线性正比关系，也就是说，第一关注度值越高，对应的第一影响因子越高。
可选地，基于所述第一影响因子和所述第一关注度值生成n维静态关注度模型。
可选地，所述n维静态关注度模型由第一预设维度的静态信息标签的关注度值以及所述第一预设维度的静态信息标签的第一影响因子确定，所述第一预设维度的静态信息标签包括审判质量指标、审判效率指标、专业能力指标、个人发展指标和奖惩指标；可选地，所述n维静态关注度模型可以表示为：
其中，G表示n维静态关注度模型，ni指的是第i类静态信息标签对应的第一关注度值，xi指的是第i类静态信息标签的第一影响因子。
S206，根据预设的第二聚类算法对所述动态信息标签进行聚类处理，得到预设类型的动态信息标签，分别确定每类所述预设类型的动态信息标签的第二关注度值。
可选地，预设的第二聚类算法包括但不限于K均值聚类算法、基于密度的聚类算法、划分聚类算法等。所述预设类型的动态信息标签包括但不限于，消费标签、出行标签、LBS标签、法官助手APP使用标签、出庭习惯标签等。
具体地，依据每类动态信息标签对应的行为数据，确定每类所述预设类型的动态信息标签的第二关注度值的，例如，在本实施例中，以确定法官助手APP使用标签的关注度值为例，确定法官助手APP使用标签的关注度值的公式如下：
式中，k表示法官利用法官助手APP对某类型案件的平均阅读时长，K表示法官利用法官助手APP对所有类型案件的平均阅读时长，l表示法官利用法官助手APP对某类型案件视频的平均观看时长，L表示法官利用法官APP对所有类型案件视频的平均观看时长，z表示法官利用法官助手APP对某类型案件的音频的平均收听时长，Z表示法官利用法官助手APP对所有类型案件的音频的平均收听时长。
S207，基于所述第一关注度值和所述第二关注度值，获得所述n维静态关注度模型中每类所述预设类型的静态信息标签与每类所述预设类型的动态信息标签之间相关性权重值。
具体地，线性回归(Linear Regression)是利用称为线性回归方程的最小平方函数对一个或多个自变量和因变量之间关系进行建模的一种回归分析。在本方案中，通过构建所述第一关注度值和所述第二关注度值的线性回归方程，来确定所述n维静态关注度模型中每类所述预设类型的静态信息标签与每类所述预设类型的动态信息标签之间相关性权重值。
如图4所示，是图3中S207的具体实施流程图。由图4可知，S209包括：
S2071，基于所述第一关注度值和所述第二关注度值构建线性回归方程。
其中，所述线性回归方程为：
式中，a，b为该线性回归方程的系数，分别表示为：
式中，为第i个静态信息标签与第j个动态信息标签之间的相关性权重值，ni为第i个静态信息标签的第一关注度值，mj为第j个动态信息标签的第二关注度值，l为静态信息标签的种类数，k为动态信息标签的个数，/>表示l类静态信息标签的关注度的平均值，/>表示k个动态信息标签的关注度的平均值，其中，i＝0,1，…，l，j＝0,1，…，k。
S2072，求解所述线性回归方程，得到所述n维静态关注度模型中每类所述静态信息标签与每个所述动态信息标签之间相关性权重值。
具体地，通过线性回归的统计方法，可以求解得到的值，/>为第i个静态信息标签与第j个动态信息标签之间的相关性权重值。
S208，获取m类目标动态信息标签的第二关注度值，基于所述m类目标动态信息标签的第二关注度值生成m维动态关注度模型，所述m类目标动态信息标签为所述相关性权重值大于预设的相关性权重阈值的动态信息标签，其中，m为所述动态信息标签的类型数。
具体地，根据所述第二关注度值为每类目标动态信息标签赋予一个第二影响因子，所述第二影响因子与所述第二关注度值成正比例关系，基于所述m类目标动态信息标签的第二关注度值和第二影响因子，生成m维动态关注度模型。
可选地，所述m维动态关注度模型由第二预设维度的动态信息标签的第二关注度值以及所述第二预设维度的动态信息标签的第二影响因子确定，所述第二预设维度的动态信息标签包括消费标签、出行标签、LBS标签、网络咨询标签、出庭习惯标签；可选地，m维动态关注度模型可以表示为：
其中，h为m维动态关注度模型，mj指的是第j个动态信息标签对应的第二关注度值,xj指的是第j个动态信息标签的第二影响因子。
S209，基于所述m维动态关注度模型、所述n维静态关注度模型以及所述相关性权重值生成所述多维关注度模型。
具体地，所述多维关注度模型为：
其中，ni指的是第i类静态信息标签对应的第一关注度值，xi指的是第i类静态信息标签的第一影响因子，mj指的是第j个动态信息标签对应的第二关注度值,xj指的是第j个动态信息标签的第二影响因子,为第i类静态信息标签与第j个动态信息标签之间的相关性权重值，I为综合关注度指标值。
通过上述分析可知，本发明提出的基于法官画像的服务推送的方法，通过从预先确定的源数据库中获取目标法官的静态数据，对所述静态数据进行预处理，得到所述目标法官的静态信息标签；获取所述目标法官在预设时长内的动态行为数据，对所述动态行为数据进行预处理，得到所述目标法官的动态信息标签；根据预先训练完成的多维关注度模型对所述静态信息标签和所述动态信息标签进行分析，获得所述目标法官的综合关注度指标值；根据所述综合关注度指标值获得所述目标法官画像，基于所述法官画像确定所述目标法官的服务策略标签；向所述目标法官的终端推送与所述服务策略标签相匹配的服务信息。其通过将目标法官的静态信息标签和动态信息标签相结合，获取目标法官的综合关注度指标值；并根据综合关注度指标值获得目标法官画像。基于该目标法官画像能够对目标法官进行精细分类，从而准确刻画出目标法官的服务策略标签，基于刻画出的服务策略标签为目标法官推送与所述服务策略标签相匹配的的服务信息，帮助法官提升专业能力以及办案效率。
图5是本发明提供的基于法官画像的服务信息推送装置的功能模块示意图。如图5所示，该实施例的基于法官画像的服务信息推送装置5包括：第一预处理模块510、第二预处理模块520、第一获取模块530确定模块540以及推送模块550。其中，
第一预处理模块510，用于从预先确定的源数据库中获取目标法官的静态数据，对所述静态数据进行预处理，得到所述目标法官的静态信息标签。
第二预处理模块520，用于获取所述目标法官在预设时长内的动态行为数据，对所述动态行为数据进行预处理，得到所述目标法官的动态信息标签。
第一获得模块530，用于根据预先训练完成的多维关注度模型对所述静态信息标签和所述动态信息标签进行分析，获得所述目标法官的综合关注度指标值。
确定模块540，用于根据所述综合关注度指标值获得所述目标法官画像，基于所述法官画像确定所述目标法官的服务策略标签。
推送模块550，用于向所述目标法官的终端推送与所述服务策略标签相匹配的服务信息。
进一步地，还包括：
获取模块，用于获取预设数量法官的静态信息标签和动态信息标签。
第一处理模块，用于根据预设的第一聚类算法对所述静态信息标签进行聚类处理，得到预设类型的静态信息。
第一生成模块，用于分别确定每类所述预设类型的静态信息标签的第一关注度值，基于所述第一关注度值为每类所述预设类型的静态信息标签赋予第一影响因子，基于所述第一影响因子和所述第一关注度值生成n维静态关注度模型，n为所述静态信息标签的类型数。
第二处理模块，用于根据预设的第二聚类算法对所述动态信息标签进行聚类处理，得到预设类型的动态信息标签，分别确定每类所述预设类型的动态信息标签的第二关注度值。
获得模块，用于基于所述第一关注度值和所述第二关注度值，获得所述n维静态关注度模型中每类所述预设类型的静态信息标签与每类所述预设类型的动态信息标签之间相关性权重值。
第二生成模块，用于获取m类目标动态信息标签的第二关注度值，基于所述m类目标动态信息标签的第二关注度值生成m维动态关注度模型，所述m类目标动态信息标签为所述相关性权重值大于预设的相关性权重阈值的动态信息标签，m为所述动态信息标签的类型数。
第三生成模块，用于基于所述m维动态关注度模型、所述n维静态关注度模型以及所述相关性权重值生成所述多维关注度模型。
进一步地，所述多维关注度模型为：
其中，ni指的是第i类静态信息标签对应的第一关注度值，xi指的是第i类静态信息标签的第一影响因子，mj指的是第j个动态信息标签对应的第二关注度值,xj指的是第j个动态信息标签的第二影响因子,为第i类静态信息标签与第j个动态信息标签之间的相关性权重值，I为综合关注度指标值。
进一步地，获取模块包括：
构建单元，用于基于所述第一关注度值和所述第二关注度值构建线性回归方程。
求解单元，用于利用线性回归方法求解所述线性回归方程，得到所述n维静态关注度模型中每类所述静态信息标签与每个所述动态信息标签之间相关性权重值。
其中，所述预设的线性回归方程为：
式中，a，b为该线性回归方程的系数，分别表示为：
式中，为第i个静态信息标签与第j个动态信息标签之间的相关性权重值，ni为第i个静态信息标签的第一关注度值，mj为第j个动态信息标签的第二关注度值，l为静态信息标签的种类数，k为动态信息标签的个数，/>表示l类静态信息标签的关注度的平均值，/>表示k个动态信息标签的关注度的平均值，其中，i＝0,1，…，l，j＝0,1，…，k。
进一步地，所述n维静态关注度模型由第一预设维度的静态信息标签的第一关注度值以及所述第一预设维度的静态信息标签的第一影响因子确定，所述第一预设维度的静态信息标签包括审判质量指标、审判效率指标、专业能力指标、个人发展指标和奖惩指标。
进一步地，所述m维动态关注度模型由第二预设维度的动态信息标签的第二关注度值以及所述第二预设维度的动态信息标签的第二影响因子确定，所述第二预设维度的动态信息标签包括消费标签、出行标签、LBS标签、网络咨询标签、出庭习惯标签。
进一步地，推送模块包括：
获得单元，用于根据所述综合关注度指标值获得法官画像，基于所述法官画像确定所述法官的服务策略标签。
智能推送单元，用于向所述目标法官的终端推送与所述服务策略标签相匹配的服务信息。
图6是本发明提供的终端的功能示意图。如图6所示，该实施例的终端6包括：处理器60、存储器61以及存储在存储器61中并可在处理器60上运行的计算机程序62，例如基于法官画像的服务信息推送程序。处理器60执行计算机程序62时实现上述各个基于法官画像的服务信息推送方法实施例中的步骤，例如图1所示的步骤101至104。或者，处理器60执行计算机程序62时实现上述基于法官画像的服务信息推送装置实施例中各模块/单元的功能，例如图5所示模块510至540的功能。
示例性的，计算机程序62可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在存储器61中，并由处理器60执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序62在终端6中的执行过程。例如，计算机程序62可以被分割成第一预处理模块、第二预处理模块、第一获取模块及推送模块(虚拟装置中的模块)，各模块具体功能如下：
第一预处理模块，用于从预先确定的源数据库中获取目标法官的静态数据，对所述静态数据进行预处理，得到所述目标法官的静态信息标签；
第二预处理模块，用于获取所述目标法官在预设时长内的动态行为数据，对所述动态行为数据进行预处理，得到所述目标法官的动态信息标签；
第一获得模块，用于根据预先训练完成的多维关注度模型对所述静态信息标签和所述动态信息标签进行分析，获得所述目标法官的综合关注度指标值；
确定模块，用于根据所述综合关注度指标值获得所述目标法官的法官画像，基于所述法官画像确定所述目标法官的服务策略标签；
推送模块，用于向所述目标法官的终端推送与所述服务策略标签相匹配的服务信息。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个通信单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也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计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于法官画像的服务信息推送方法，其特征在于，包括：
从预先确定的源数据库中获取目标法官的静态数据，对所述静态数据进行预处理，得到所述目标法官的静态信息标签；
获取所述目标法官在预设时长内的动态行为数据，对所述动态行为数据进行预处理，得到所述目标法官的动态信息标签；
根据预先训练完成的多维关注度模型对所述静态信息标签和所述动态信息标签进行分析，获得所述目标法官的综合关注度指标值；
根据所述综合关注度指标值获得所述目标法官的法官画像，基于所述法官画像确定所述目标法官的服务策略标签；
向所述目标法官的终端推送与所述服务策略标签相匹配的服务信息；
其中，在所述根据预先训练完成的多维关注度模型对所述静态信息标签和所述动态信息标签进行分析，得到所述法官的综合关注度指标之前，还包括：
获取预设数量法官的静态信息标签和动态信息标签；
根据预设的第一聚类算法对所述静态信息标签进行聚类处理，得到预设类型的静态信息标签；
分别确定每类所述预设类型的静态信息标签的第一关注度值，基于所述第一关注度值为每类所述预设类型的静态信息标签赋予第一影响因子，基于所述第一影响因子和所述第一关注度值生成n维静态关注度模型，n为所述静态信息标签的类型数；
根据预设的第二聚类算法对所述动态信息标签进行聚类处理，得到预设类型的动态信息标签，分别确定每类所述预设类型的动态信息标签的第二关注度值；
基于所述第一关注度值和所述第二关注度值，获得所述n维静态关注度模型中每类所述预设类型的静态信息标签与每类所述预设类型的动态信息标签之间相关性权重值；
获取m类目标动态信息标签的第二关注度值，基于所述m类目标动态信息标签的第二关注度值生成m维动态关注度模型，所述m类目标动态信息标签为所述相关性权重值大于预设的相关性权重阈值的动态信息标签，m为所述动态信息标签的类型数；
基于所述m维动态关注度模型、所述n维静态关注度模型以及所述相关性权重值生成所述多维关注度模型；
所述多维关注度模型为：
其中，ni指的是第i类静态信息标签对应的第一关注度值，xi指的是第i类静态信息标签的第一影响因子，mj指的是第j个动态信息标签对应的第二关注度值,xj指的是第j个动态信息标签的第二影响因子,为第i类静态信息标签与第j个动态信息标签之间的相关性权重值，I为综合关注度指标值；
所述基于所述第一关注度值和所述第二关注度值获得所述n维静态关注度模型中每类所述静态信息标签与每个所述动态信息标签之间相关性权重值，包括：
基于所述第一关注度值和所述第二关注度值构建线性回归方程，利用线性回归方法求解所述线性回归方程，得到所述n维静态关注度模型中每类所述静态信息标签与每个所述动态信息标签之间相关性权重值；
其中，所述线性回归方程为：
式中，a，b为该线性回归方程的系数，分别表示为：
式中，为第i个静态信息标签与第j个动态信息标签之间的相关性权重值，ni为第i个静态信息标签的第一关注度值，mj为第j个动态信息标签的第二关注度值，f为静态信息标签的种类数，k为动态信息标签的个数，/>表示f类静态信息标签的关注度的平均值，/>表示k个动态信息标签的关注度的平均值，其中，i＝0,1，…，f，j＝0,1，…，k。
2.如权利要求1所述的基于法官画像的服务信息推送方法，其特征在于，所述n维静态关注度模型由第一预设维度的静态信息标签的第一关注度值以及所述第一预设维度的静态信息标签的第一影响因子确定，所述第一预设维度的静态信息标签包括审判质量指标、审判效率指标、专业能力指标、个人发展指标和奖惩指标。
3.如权利要求1所述的基于法官画像的服务信息推送方法，其特征在于，所述m维动态关注度模型由第二预设维度的动态信息标签的第二关注度值以及所述第二预设维度的动态信息标签的第二影响因子确定，所述第二预设维度的动态信息标签包括消费标签、出行标签、LBS标签、网络咨询标签、出庭习惯标签。
4.如权利要求1所述的基于法官画像的服务信息推送方法，其特征在于，所述根据所述综合关注度指标值获得所述目标法官的法官画像，基于所述法官画像确定所述目标法官的服务策略标签，包括：
根据预先存储的综合关注度指标值与预设的法官画像之间的第一映射关系，确定所述目标法官的法官画像；
根据预先存储的法官画像与法官的服务策略标签之间的第二映射关系，确定所述目标法官的服务策略标签。
5.一种基于法官画像的服务信息推送的装置，其特征在于，包括：
第一预处理模块，用于从预先确定的源数据库中获取目标法官的静态数据，对所述静态数据进行预处理，得到所述目标法官的静态信息标签；
第二预处理模块，用于获取所述目标法官在预设时长内的动态行为数据，对所述动态行为数据进行预处理，得到所述目标法官的动态信息标签；
第一获得模块，用于根据预先训练完成的多维关注度模型对所述静态信息标签和所述动态信息标签进行分析，获得所述目标法官的综合关注度指标值；
确定模块，用于根据所述综合关注度指标值获得所述目标法官的法官画像，基于所述法官画像确定所述目标法官的服务策略标签；
推送模块，用于向所述目标法官的终端推送与所述服务策略标签相匹配的服务信息；
其中，所述装置还包括：
获取模块，用于在所述根据预先训练完成的多维关注度模型对所述静态信息标签和所述动态信息标签进行分析，得到所述法官的综合关注度指标之前，获取预设数量法官的静态信息标签和动态信息标签；
第一处理模块，用于根据预设的第一聚类算法对所述静态信息标签进行聚类处理，得到预设类型的静态信息；
第一生成模块，用于分别确定每类所述预设类型的静态信息标签的第一关注度值，基于所述第一关注度值为每类所述预设类型的静态信息标签赋予第一影响因子，基于所述第一影响因子和所述第一关注度值生成n维静态关注度模型，n为所述静态信息标签的类型数；
第二处理模块，用于根据预设的第二聚类算法对所述动态信息标签进行聚类处理，得到预设类型的动态信息标签，分别确定每类所述预设类型的动态信息标签的第二关注度值；
获得模块，用于基于所述第一关注度值和所述第二关注度值，获得所述n维静态关注度模型中每类所述预设类型的静态信息标签与每类所述预设类型的动态信息标签之间相关性权重值；
第二生成模块，用于获取m类目标动态信息标签的第二关注度值，基于所述m类目标动态信息标签的第二关注度值生成m维动态关注度模型，所述m类目标动态信息标签为所述相关性权重值大于预设的相关性权重阈值的动态信息标签，m为所述动态信息标签的类型数；
第三生成模块，用于基于所述m维动态关注度模型、所述n维静态关注度模型以及所述相关性权重值生成所述多维关注度模型；
所述多维关注度模型为：
其中，ni指的是第i类静态信息标签对应的第一关注度值，xi指的是第i类静态信息标签的第一影响因子，mj指的是第j个动态信息标签对应的第二关注度值,xj指的是第j个动态信息标签的第二影响因子,为第i类静态信息标签与第j个动态信息标签之间的相关性权重值，I为综合关注度指标值；
所述获取模块还包括：
构建单元，用于基于所述第一关注度值和所述第二关注度值构建线性回归方程；
求解单元，用于利用线性回归方法求解所述线性回归方程，得到所述n维静态关注度模型中每类所述静态信息标签与每个所述动态信息标签之间相关性权重值；
其中，所述线性回归方程为：
式中，a，b为该线性回归方程的系数，分别表示为：
式中，为第i个静态信息标签与第j个动态信息标签之间的相关性权重值，ni为第i个静态信息标签的第一关注度值，mj为第j个动态信息标签的第二关注度值，f为静态信息标签的种类数，k为动态信息标签的个数，/>表示f类静态信息标签的关注度的平均值，/>表示k个动态信息标签的关注度的平均值，其中，i＝0,1，…，f，j＝0,1，…，k。
6.一种终端，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至4任一项所述的基于法官画像的服务信息推送方法的步骤。
7.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，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至4任一项所述的基于法官画像的服务信息推送方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910936793.0A CN110704738B (zh) | 2019-09-29 | 2019-09-29 | 基于法官画像的服务信息推送方法、装置、终端及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910936793.0A CN110704738B (zh) | 2019-09-29 | 2019-09-29 | 基于法官画像的服务信息推送方法、装置、终端及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110704738A CN110704738A (zh) | 2020-01-17 |
| CN110704738B true CN110704738B (zh) | 2023-11-07 |
Family
ID=69198029
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910936793.0A Active CN110704738B (zh) | 2019-09-29 | 2019-09-29 | 基于法官画像的服务信息推送方法、装置、终端及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110704738B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111598630A (zh) * | 2020-06-30 | 2020-08-28 | 成都新潮传媒集团有限公司 | 小区画像构建方法、装置及存储介质 |
| CN113327048A (zh) * | 2021-06-16 | 2021-08-31 | 力合科创集团有限公司 | 基于大数据及多维特征的企业画像计算方法、介质及程序 |
| CN113590659B (zh) * | 2021-07-22 | 2023-12-05 | 上海汇正财经顾问有限公司 | 基于数据分类处理的选股控制方法、装置及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007294739A (ja) * | 2006-04-26 | 2007-11-08 | Toshiba Corp | パターン形状評価方法、プログラムおよび半導体装置の製造方法 |
| CN107730389A (zh) * | 2017-09-30 | 2018-02-23 | 平安科技（深圳）有限公司 | 电子装置、保险产品推荐方法及计算机可读存储介质 |
| CN108399190A (zh) * | 2018-01-24 | 2018-08-14 | 山东中磁视讯股份有限公司 | 一种应用于监狱罪犯的全景画像方法 |
| CN109933699A (zh) * | 2019-03-05 | 2019-06-25 | 中国科学院文献情报中心 | 一种学术画像模型的构建方法及装置 |
| WO2019134274A1 (zh) * | 2018-01-05 | 2019-07-11 | 武汉斗鱼网络科技有限公司 | 兴趣探索方法、存储介质、电子设备及系统 |
-
2019
- 2019-09-29 CN CN201910936793.0A patent/CN110704738B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007294739A (ja) * | 2006-04-26 | 2007-11-08 | Toshiba Corp | パターン形状評価方法、プログラムおよび半導体装置の製造方法 |
| CN107730389A (zh) * | 2017-09-30 | 2018-02-23 | 平安科技（深圳）有限公司 | 电子装置、保险产品推荐方法及计算机可读存储介质 |
| WO2019134274A1 (zh) * | 2018-01-05 | 2019-07-11 | 武汉斗鱼网络科技有限公司 | 兴趣探索方法、存储介质、电子设备及系统 |
| CN108399190A (zh) * | 2018-01-24 | 2018-08-14 | 山东中磁视讯股份有限公司 | 一种应用于监狱罪犯的全景画像方法 |
| CN109933699A (zh) * | 2019-03-05 | 2019-06-25 | 中国科学院文献情报中心 | 一种学术画像模型的构建方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110704738A (zh) | 2020-01-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110704738B (zh) | 基于法官画像的服务信息推送方法、装置、终端及存储介质 | |
| Lenz et al. | Measuring the diffusion of innovations with paragraph vector topic models | |
| CN111597348B (zh) | 用户画像方法、装置、计算机设备和存储介质 | |
| CN105302911B (zh) | 一种数据筛选引擎建立方法及数据筛选引擎 | |
| CN112488507B (zh) | 一种基于聚类的专家分类画像方法、装置及存储介质 | |
| CN111177559B (zh) | 文旅服务推荐方法、装置、电子设备及存储介质 | |
| CN111291798B (zh) | 一种基于集成学习的用户基础属性预测方法 | |
| CN110688549B (zh) | 一种基于知识体系图谱构建的人工智能分类方法与系统 | |
| CN117151870B (zh) | 一种基于客群画像行为分析方法及系统 | |
| Bonica | A data-driven voter guide for US elections: Adapting quantitative measures of the preferences and priorities of political elites to help voters learn about candidates | |
| US20150248501A1 (en) | Content analytics | |
| CN110958472A (zh) | 视频点击量评级预测方法、装置、电子设备及存储介质 | |
| CN118014622A (zh) | 一种基于用户画像的广告推送方法及系统 | |
| CN116596576B (zh) | 目标推荐方法及装置 | |
| CN117709910A (zh) | 一种基于互联网的课程资源共享平台方法 | |
| CN115796600A (zh) | 一种舆情风险预警方法、系统、介质及电子设备 | |
| CN114238280B (zh) | 构建金融敏感信息标准库的方法、装置及电子设备 | |
| CN116029757A (zh) | 一种基于深度学习的运营策略触发方法、装置和电子设备 | |
| KR20190104745A (ko) | 이슈 관심도 기반의 뉴스 가치 평가 장치 및 방법, 이를 기록한 기록매체 | |
| CN114331740A (zh) | 产业图谱大数据分析及扫描的数字化投资价值管理方法 | |
| CN111143688B (zh) | 一种基于移动新闻客户端的评估方法及其系统 | |
| CN113554472A (zh) | 一种广告推广方法及系统 | |
| CN113065892A (zh) | 一种信息推送方法、装置、设备及存储介质 | |
| CN109977301A (zh) | 一种用户使用习惯挖掘方法 | |
| CN116823069B (zh) | 基于文本分析的智能客服服务质检方法及相关设备 |
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 |