CN110720099A - 基于种子监督学习提供推荐的系统和方法 - Google Patents

基于种子监督学习提供推荐的系统和方法 Download PDF

Info

Publication number
CN110720099A
CN110720099A CN201780091594.3A CN201780091594A CN110720099A CN 110720099 A CN110720099 A CN 110720099A CN 201780091594 A CN201780091594 A CN 201780091594A CN 110720099 A CN110720099 A CN 110720099A
Authority
CN
China
Prior art keywords
entity
similarity
data
seed
external data
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
Application number
CN201780091594.3A
Other languages
English (en)
Inventor
秦志伟
卓呈祥
谭伟
谢君
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.)
Beijing Didi Infinity Technology and Development Co Ltd
Original Assignee
Beijing Didi Infinity Technology and Development Co Ltd
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 Beijing Didi Infinity Technology and Development Co Ltd filed Critical Beijing Didi Infinity Technology and Development Co Ltd
Publication of CN110720099A publication Critical patent/CN110720099A/zh
Pending legal-status Critical Current

Links

Images

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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/29—Graphical models, e.g. Bayesian networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06Q30/0255—Targeted advertisements based on user history
    • 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
    • G06Q30/0261—Targeted advertisements based on user location
    • 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
    • G06Q30/0269—Targeted advertisements based on user profile or attribute
    • 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
    • G06Q30/0282—Rating or review of business operators or products
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/01—Social networking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G06F18/2155—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the incorporation of unlabelled data, e.g. multiple instance learning [MIL], semi-supervised techniques using expectation-maximisation [EM] or naïve labelling

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Business, Economics & Management (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Engineering & Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Human Resources & Organizations (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Information Transfer Between Computers (AREA)

Abstract

本申请提供了基于种子监督学习提供推荐的系统和方法。该方法可以包括通过通信网络获取与第一实体、第二实体和第三实体相关联的相似性数据，并且通过通信网络获取与第一实体和第二实体相关联的外部数据。该方法可以进一步包括基于外部数据和相似性数据来训练分类模型。该方法还可以包括基于分类模型确定第三实体的期望分数，并且通过通信网络向第三实体提供基于期望分数的推荐。

Description

基于种子监督学习提供推荐的系统和方法
技术领域
本申请涉及大数据和机器学习技术，尤其涉及基于种子监督学习提供推荐的系统和方法。
背景技术
由于近来计算机技术的进步和互联网的普及，很多人开始使用利用数据库的平台。因此，这些数据库通常需要使用“大数据”分析。大数据分析是检查“大数据”也就是大量数据或复杂数据集合的过程，以揭示隐藏模式、用户行为、市场趋势、客户偏好和其他有用信息。“大数据”通常存储在数据库管理系统(例如，PostgreSQL、Microsoft SQL Server和MySQLTM数据库管理系统)中，这些系统不具备分析这些数据集的功能。
手动甚至半自动化的方式分析大数据需要大量人力。例如，一家公司可能会聘请一组工程师来提出解决方案，向社交网络用户提供智能建议，以便以最低的成本有效地获取新客户。这些社交网络可能包括公司现有客户以及潜在客户。通过使用这些社交网络，人们可以根据与现有客户相关的信息来了解潜在客户的行为。
然而，社交网络数据的大小通常很大，而现有分析社交网络数据的技术往往不够充分，效率低下，并且不能充分利用隐藏模式、用户行为、市场趋势、客户偏好以及嵌入其中的其他有用信息数据。
鉴于大数据分析的这些和其他缺点和问题，需要使用机器学习来改进提供推荐的系统和方法，并且更具体地说，需要种子监督学习。
发明内容
本申请的一方面提供了用于向实体提供推荐的系统。该系统可以包括存储器和处理器。处理器可以被配置为获取与第一实体、第二实体和第三实体相关联的相似性数据，并且获取与所述第一实体和所述第二实体相关联的外部数据。处理器可以进一步被配置为基于所述外部数据和所述相似性数据来训练分类模型。处理器还可以被配置为基于所述分类模型确定所述第三实体的期望分数，并且基于所述期望分数向所述第三实体提供推荐。
本申请的另一方面提供了用于向实体提供推荐的计算机实现的方法。该方法可以包括通过通信网络获取与第一实体、第二实体和第三实体相关联的相似性数据，并且通过所述通信网络获取与所述第一实体和所述第二实体相关联的外部数据。处理器可以被进一步配置为基于所述外部数据和所述相似性数据来训练分类模型。处理器还可以被配置为基于所述分类模型来确定所述第三实体的期望分数，并且通过所述通信网络向所述第三实体提供基于期望分数的推荐。
本申请的又一方面提供了一种非暂时性计算机可读介质。非暂时性计算机可读介质存储一组指令，所述一组指令在由推荐系统的至少一个处理器执行时使所述推荐系统执行用于向实体提供推荐的方法。该方法包括获取与第一实体、第二实体和第三实体相关联的相似性数据，以及获取与所述第一实体和所述第二实体相关联的外部数据。该方法可以进一步包括基于所述外部数据和所述相似性数据来训练分类模型。该方法还可以包括基于所述分类模型确定所述第三实体的期望分数；并且基于所述期望分数向所述第三实体提供推荐。
应当理解的是，前面的一般描述和下面的详细描述都仅是示例性和说明性的，并不构成对本申请具体化的限定。
附图说明
并入本说明书并构成本说明书的一部分的附图示出了几个实施例，并且与说明书一起用于解释本申请的原理。在附图中：
图1是根据本申请的一些实施例所示的基于种子监督学习提供推荐的示例性系统的示意图。
图2是根据本申请的一些实施例所示的基于种子监督学习提供推荐的示例性系统的模块图。
图3是根据本申请的一些实施例所示的示例性社交网络的图表。
图4是基于种子监督学习提供推荐的示例性过程的流程图。
图5是根据本申请的一些实施例所示的训练分类模型的示例性过程的流程图。
图6是根据本申请的一些实施例所示的确定转换模型的种子的示例性过程的流程图。
具体实施方式
本申请提供了用于基于种子监督学习提供推荐的新颖的系统和方法。具体地，所披露的系统和方法通过机器学习向社交网络的用户提供智能推荐，从而获取新的顾客。机器学习训练计算机学习，例如执行模式识别或人工智能，而不必专门编程。具体地，本申请利用半监督学习，根据少量数据的少量已知特征来预测大量数据的特征。所披露的系统和方法通过提供新系统和方法以新颖方式训练计算机系统来改进现有计算机系统。例如，所披露的实施例的一个方面提供了新的系统和方法，以基于一小组用户的特性为大量用户提供智能推荐。为了提供这些改进，所披露的系统和方法可以使用硬件、固件和/或软件以及专用硬件、固件和/或软件的组合来实现，例如专门构造和/或编程的机器，用于执行与所披露的方法步骤相关联的功能。然而，在一些实施例中，所披露的系统和方法可以在专用电子器件中实现。
根据本申请的实施例，用于向实体提供推荐的系统可以包括处理器和存储指令的存储器设备。如本申请所指出的，实体可以是与另一实体有关系的任何人、群体、组织、地点或对象。虽然本申请中的实施例是使用与一个或多个社交网络相关联的人员作为示例性实体来描述的，但是可以预期的是，这些实施例可以适用于其他类型的实体。在一些实施例中，社交网络可以由在专用网站或其他应用上彼此通信的实体或用户形成，所述专用网站或其他应用使得实体或用户能够发布信息、评论、消息、视频、图像等。在另一些实施例中，社交网络可以由利用商业平台的实体或客户形成，其中商业平台上的一些或全部关系是实体和企业之间的关系。
在一些实施例中，系统的处理器可以被配置为通过通信网络获取与多个实体相关联的相似性数据。相似性数据是表示两个或多个实体之间比较的数据。例如，相似性数据可以包括指示实体之间的通信频率(即通信频率)的数据、实体如何将其自身呈现给社交网络的比较(即用户资料的相似性)、实体职业生涯的比较(即工作相似性)、两个实体的地理位置的比较(即邻近相似性)、两个实体之间交换货币的速率或数量(即货币交换相似性)、每个实体被推荐的服务之间的比较(即推荐相似性)等或类似的。
另外，处理器可以被配置成通过通信网络获取与那些实体的子集相关联的外部数据。实体的子集可以是现有的顾客，因此可以收集相关的外部数据。例如，外部数据可以包括与由第一实体和第二实体两者执行的活动相关联的网页排名分数。实体的网页排名分数可能来自名为PageRank的基于图形的算法，该算法最初用于根据网站对网络的相对重要性对网站进行排名。自PageRank发明以来，社交网络公司已经使用PageRank来对使用社交网络的人们进行排名，以确定他们在特定社交网络平台上的相对重要性。实体可能拥有外部数据，其网页排名分数与外部源相关联。所披露的实施例利用外部数据来为连接到具有外部数据的实体的其他实体提供推荐。
系统的处理器可以进一步被配置为基于外部数据和相似性数据来训练分类模型。为了训练分类模型，系统的处理器可以进一步被配置为基于外部数据确定种子链接。种子链接可以表示与外部源有强关系的两个或多个种子或实体之间的关系。种子链接可以是正的也可以是负的。也就是说，一个正种子链接可以确定两个彼此有很强关系的种子，而一个负种子可以确定两个彼此之间关系较弱的种子。基于外部数据确定种子链接还可以包括基于第一实体的外部数据确定第一种子，基于第二实体的外部数据确定第二种子，以及基于第一实体的外部数据、第二实体的外部数据和预定值确定第一种子和第二种子之间的种子链接。
在一些实施例中，基于外部数据确定种子链接之后，系统的处理器可以被配置为基于相似性数据和种子链接来确定关系强度。关系强度可以定义为两个种子之间相对于其他实体的关系强度。基于相似性数据和种子链接确定关系强度还可以包括使用种子链接和相似性数据训练分类模型以学习关系权重。分类模型可以存储在存储器中，并且使用监督或半监督机器学习技术来训练。
在一些实施例中，系统可以被进一步配置成基于分类模型确定实体的期望分数并且基于期望分数向实体提供推荐。例如，此实体可能是潜在客户，因此，尚未存在关联的外部数据。由于实体没有外部数据，期望分数可以是该实体可能使用或考虑的推荐的可能性的预测，所述推荐是种子实体(例如，现有客户)所使用或考虑的推荐。在一些实施例中，外部数据与和所提供的推荐相关联的外部源相关联。推荐可以是商业或社交网络的广告、邀请、促销或折扣优惠、购买东西的优惠等。此外，实体的期望分数也可以与其他实体的期望分数进行比较。在一些实施例中，处理器可以被配置为向所有实体中具有最高期望分数的一个或多个实体提供推荐。
现在将详细参考示例性实施例，其示例在附图中示出并且在此公开。任何方便的情况下，在整个附图中将使用相同的附图标记来指代相同或相似的部分。
图1是根据本申请的一些实施例所示的基于种子监督学习提供推荐的示例性系统环境100的示意图。
参考图1，系统环境100可以包括各种组件，如通信网络102、系统105、社交网络108、外部源110、设备终端112、数据库114、服务器集群116和云服务118。这些不同的组件可以使用各种不同的设备来实现，例如超级计算机、服务器、个人计算机、智能手机和平板电脑等移动设备。此外，这些组件可以包括硬件、软件和/或固件模块。
如图1所示，通信网络102可以包括一个或多个互连的有线或无线数据网络，其从一个服务或设备(例如，系统105)接收数据并将其发送到另一个服务或设备(例如，社交网络108、外部源110、设备终端112、数据库114、服务器集群116和云服务118)。例如，通信网络102可以实现为因特网、有线广域网(WAN)、有线局域网(LAN)、无线LAN(例如IEEE 802.11、蓝牙等)、无线WAN(例如WiMAX)等中的一个或多个。系统环境100中的每个组件可以通过通信网络102或通过一个或多个直接通信链路(并非全部都示出)与其他系统环境100组件进行双向通信。
系统105可以被配置为基于种子监督学习来提供推荐。在一些实施例中，系统105可以从社交网络108或外部源110获取数据。而且，在一些实施例中，来自社交网络108或外部源110的数据可以存储在系统105上。在一些实施例中，社交网络108可以由在专用网站或其他应用上彼此通信的实体或用户形成，所述专用网站或其他应用使得实体或用户能够发布信息、评论、消息、视频、图像等。在另一些实施例中，社交网络108可以由利用商业平台的实体或客户形成，其中商业平台上的一些或全部关系是实体和企业之间的关系。如本申请所指出的，实体可以是与另一实体有关系的任何人、群体、组织、地点或对象。虽然本申请中的实施例是使用与一个或多个社交网络相关联的人员作为示例性实体来描述的，但是可以预期的是，这些实施例可以适用于其他类型的实体。如上所述，社交网络108可以向系统105提供数据。该数据可以包括与社交网络108的每个实体相关联的相似性数据。相似性数据是表示两个或多个实体之间的比较的数据。
外部源110可以是公司、企业或促进另一社交网络的网站。在一些实施例中，外部源110可以与相同的社交网络108相关联；在另一些实施例中则不同。无论如何，与社交网络108一样，外部源110可以向系统105提供数据。该数据可以包括社交网络108中的实体子集的外部数据。
设备终端112可以是超级计算机、服务器、个人计算机、诸如智能手机和平板电脑的移动设备。设备终端112可以被配置为接收来自用户的输入以发送到系统105。设备终端112还可以从系统105接收输入。例如，系统105可以使设备终端112通过向用户发送通知或者本领域普通技术人员能够确定的任何其他方式来提醒用户。
数据库114可以被配置为存储与所披露的实施例一致的信息。在一些方面，系统环境100的组件(示出和未示出)可以被配置成接收、获得、采集、收集、生成或产生要存储在数据库114中的信息。例如，在某些实施例中，系统环境100的组件可以通过通信网络102接收或获得用于存储的信息。例如，数据库114可以存储与一个或多个实体相关联的数据。在其他方面，系统环境100的组件可以在数据库114中存储信息，而不使用通信网络102(例如，通过直接连接)。在一些实施例中，系统环境100的组件(包括但不限于系统105)可使用存储在数据库114内的信息用于与所披露的实施例一致的过程。
服务器集群116可以位于相同的数据中心或不同的物理位置。多个服务器集群116可以形成为网格，以共享资源和工作负载。每个服务器集群116可以包括多个链接节点，这些链接节点协作运行各种应用程序、软件模块、分析模块、规则引擎等。每个节点可以使用各种不同的设备来实现，比如超级计算机、个人计算机、服务器、大型计算机、移动设备等。在一些实施例中，服务器和/或服务器集群116的数量可以基于工作负载而扩展或减少。
云服务118可以包括与云存储相关联的物理和/或虚拟存储系统，用于存储数据并通过诸如因特网的公共网络提供对数据的访问。云服务118可以包括例如由亚马逊、苹果、思科、Citrix、IBM、Joyent、Google、微软、Rackspace、Salesforce.com、Verizon/Terremark等提供的云服务或可通过通信网络102访问的其他类型的云服务。在一些实施例中，云服务118包括跨越多个位置并且具有与单个或多个云存储服务相关联的多个数据库或多个地理位置的多个计算机系统。这里使用的云服务118是指与单个云存储服务相关联的物理和虚拟基础设施。在一些实施例中，云服务118管理和/或存储与为实体提供推荐相关联的数据。
图2是根据本申请的一些实施例所示的基于种子监督学习提供推荐的示例性系统105的模块图。如图2所示，系统105可以包括存储器200、处理器210和通信接口250。处理器210还可以包括多个模块，例如关系学习单元212、推荐单元214和测试单元216。这些模块(以及任何对应的子模块或子单元)可以是处理器210的功能硬件单元(例如，集成电路的部分)，其被设计成与其他组件或由处理器210执行一个或多个功能的程序的一部分(存储在计算机可读介质上)一起使用。尽管图2示出的单元212-216全部在一个处理器210内，但是可以预期的是，这些单元可以分布在彼此靠近或远离的多个处理器中。系统105可以在云服务118、设备112或单独的计算机/服务器(例如服务器集群116)中实现。在一些实施例中，这些模块中的一个或多个可以被组合。
系统105可以分两个阶段提供推荐。在第一阶段，也称为“训练阶段”，系统100可以使用与社交网络108和外部源110相关联的数据来生成和训练分类模型；并且在第二阶段，也称为“推荐阶段”，系统100可以应用训练的关系模型来为实体提供推荐。
通信接口250可以通过通信网络102建立与社交网络108、外部源110和设备终端112的一个或多个会话。在一些实施例中，通信接口250可以通过通信网络102从社交网络108、外部源110和设备终端112持续接收数据。此外，通信接口250可以通过通信网络102在社交网络108、外部源110和设备终端112中的任何一个与关系学习单元212、推荐单元214和测试单元216中的任何一个之间传输数据。
关系学习单元212可以执行训练阶段的一部分，也就是说，关系学习单元212可以使用与社交网络108和外部源110相关联的数据来生成和训练分类模型。在一些实施例中，关系学习单元212可以通过通信网络102获取与多个实体相关联的相似性数据。另外，关系学习单元212可以通过通信网络102获取与实体子集相关联的外部数据。在一些实施例中，关系学习单元212可以基于所获取的包括外部数据和相似性数据的实体信息来训练分类模型。
推荐单元214可以执行推荐阶段的一部分，其使用训练阶段训练的分类模型和一个或多个实体的相似性数据来向一个或多个实体提供推荐。例如，推荐单元214可以基于分类模型来确定一个或多个实体的期望分数。推荐单元214还可以基于预期分数通过通信网络102向一个或多个实体提供推荐。在一些实施例中，一个或多个实体可以不具有任何外部数据。
测试单元214可以监视或测试分类模型，诸如由关系学习单元212训练的分类模型。例如，测试单元214可以测试以查看模型是否数学地收敛。如果它在数学上不收敛，则分类模型可以使系统105通过通信网络102向设备终端112发送关于该问题的通知。不能使用数学上不会收敛的分类模型；因此，测试单元214可以使系统105忽略先前训练的模型并训练新的分类模型。另外，在一些实施例中，测试单元214可以在关系学习单元212训练分类模型的同时监视或测试分类模型。然而，在另一些实施例中，测试单元214仅可以在关系学习单元212训练完分类模型之后监视或测试分类模型。
图3是根据本申请的一些实施例所示的示例性社交网络108的图表。如图3所示，社交网络108可以包括多个实体，例如302a-302f。如本申请所指出的，实体可以是与另一实体有关系的任何人、群体、组织、地点或对象。虽然本申请中的实施例是使用与一个或多个社交网络相关联的人员作为示例性实体来描述的，但是可以预期的是，这些实施例可以适用于其他类型的实体。在一些实施例中，社交网络108可以由在专用网站或其他应用上彼此通信的实体或用户形成，所述专用网站或其他应用使得实体或用户能够发布信息、评论、消息、视频、图像等。在另一些实施例中，社交网络108可以由利用商业平台的实体或客户形成，其中商业平台上的一些或全部关系是实体和企业之间的关系。
每个实体302a-302f还可以具有与另一实体的关系304ab-304df。与本申请一致，关系304ij表示实体302i和302j之间的关系，其中i和j＝a、b、c、d、e、f、g和f。一组两个实体(例如302a和302b)之间的关系可能比另一组两个实体(例如302b和302e)之间的关系更弱或更强。两个实体之间关系的这种相对度量可以被称为“关系强度”。
在一些情况下，如图所示，使用图论来描述社交网络108可能是有帮助的。在图论中，存在由一组边(关系304ab-304df)连接的一组顶点(例如实体302a-302f)，其可以由等式G＝(V，E)表示，其中社交网络108或其等价图(G)包括多个实体302a-302f或顶点(V)以及一个或多个关系304ab-304df或边(E)。此外，社交网络108内的每个关系或边可具有关系强度或边权重(Wij)，其中i和j表示通过关系连接的特定实体。
图4是基于种子监督学习提供推荐的示例性过程400的流程图。例如，过程400可以由系统105实现，具体地，由处理器210实现。过程400可以包括如下所述的步骤410-450。在一些实施例中，关系学习单元212可以执行步骤410-430，推荐单元214可以执行步骤440-450。
在步骤410，系统105可以获取与多个实体相关联的相似性数据。相似性数据可以是指示或对应于两个或多个实体之间的比较的数据。这种比较可以用数字表示。在一些实施例中，相似性可以包括指示或对应于不同类型的比较的各种数据。例如，相似性数据可以包括指示通信频率、用户资料的相似性、工作相似性、邻近相似性、货币交换相似性、推荐相似性等的数据。
通信频率可以指示两个实体之间的通信频率或速率。在一些实施例中，通信频率可以指示实体在设定的时间段内进行多次通信。例如，通信频率可以指示实体每月通信一次、每周通信两次、一年通信四十次等。通信频率还可以包括多种形式的通信，包括呼叫、发短信、即时消息、电子邮件等。此外，通信频率可以包含其他形式的通信，例如发布信息、评论、消息、视频、图像等。两个实体可以有每种通信形式的通信频率。在一些实施例中，通信频率还可以包括多种通信形式的加权和组合的通信频率。
用户资料的相似性可以指示实体如何将其自身呈现给社交网络的比较。例如，用户资料的相似性可以包括两个实体如何随时间改变属于每个实体的社交网络上的用户资料的比较。又例如，用户资料的相似性可以包括由两个实体提供给网络的用户资料的信息(例如，姓名、地址、电话、教育、工作、兴趣等)。进一步地，用户资料的相似性还可以包括每个实体在社交网络108上进行的不同交互的比较。这可以包括社交媒体活动，比如喜欢的页面、评论各种帖子、分享帖子、使用表情符号等等。
此外，工作相似性可以指示基于提供给社交网络108的信息来比较实体的职业生涯。例如，工作相似性可以包括薪金、奖金、税收、工作角色、工作功能、职业网络等的比较。
进一步地，邻近相似性可以指示提供给社交网络108的两个实体的地理位置的比较。邻近相似性可以包括在任何时间、地点、方式或其任意组合进行的地理定位的比较。比较可以是两个实体之间的距离、两个实体与一个或多个参考点之间的距离、两个实体之间的速度差等。邻近相似性也可以使用硬件或软件来捕获，例如由实体拥有的设备中的GPS和蜂窝跟踪。
再进一步地，货币交换相似性可以指示两个实体之间交换的货币的比率或金额。货币交换相似性可以包括一种或多种类型的货币。例如，货币交换可以是一种或多种互联网货币，例如比特币、莱特币、点点币、瑞波币、夸克等。在一些实施例中，货币是由特定国家规定的各种形式的真实货币(例如，人民币、美元、英镑等)。货币交换相似性还可以包括通过红包共享(通过互联网在两个实体之间分发虚拟红包)交换货币的比率或金额。进一步地，货币交换可以指两个实体之间不同类别的货币交换，如礼物、付款、贷款等。
推荐相似性可以指示两个实体推荐的服务之间的比较。这些服务可以由实体彼此推荐或者推荐给社交网络108上的其他实体。推荐相似性可能表示两个实体按类别推荐的服务(例如非营利/营利性、技术、商业、金融、带来的产品等)之间的比较。推荐相似性还可以指示两个实体是否已经观看、跳过、评论、喜欢或共享相同的一个或多个建议。
在一些实施例中，系统105可以直接从社交网络108获取相似性数据。在另一些实施例中，系统105可以直接从收集了与社交网络108相关联的数据的第三方源获取相似性数据。进一步地，在其他实施例中，系统105可以从数据库114、服务器116或云服务118获取相似性数据。
在步骤420，系统105可以获取与实体子集相关联的外部数据。所获取的外部数据可以包括与外部源110相关联的数据和/或与第三方源相关联的数据。外部数据可以包括与活动相关联的实体子集中的每个实体的网页排名分数。所执行的活动可以包括进行购买、销售物品、加入服务、观看广告、在某个地点见面等。该活动可以由与企业、软件平台、设备等打交道的实体来执行。与企业打交道可以包括例如观看与企业相关联的广告，购买企业的产品，喜欢、共享、观看或评论与企业相关联的帖子，从企业打开电子邮件等。此外，实体的网页排名分数可能来自名为PageRank的基于图形的算法，该算法最初用于根据网站对网络的相对重要性对网站进行排名。这里，每个实体的网页排名分数可以指示一个实体如何相对于具有与所执行的活动相关的外部数据的所有实体进行排名。
在一些实施例中，系统105可以直接从外部源110获取外部数据。在另一些实施例中，系统105可以直接从已经收集了与外部源110相关联的数据的另一个源获取外部数据。进一步地，在其他实施例中，系统105可以从数据库114、服务器116或云服务118获取外部数据。
在步骤430，系统105可以基于外部数据和相似性数据训练分类模型。系统105可以使用半监督学习来训练分类模型。半监督学习涉及利用少量数据(例如，实体子集的外部数据)的少量已知特征来预测大量数据(实体)的特征。
在这里，利用图论术语可能是有帮助的。例如，如上所述，社交网络108(G)包括多个实体302a-302f(V)和一个或多个关系304ab-304df(E)，并且每个关系具有由(Wij)表示的关系强度，其中i和j表示通过关系连接的特定实体。应该理解的是，所公开的相似性数据也可以使用图论理论术语进行识别。例如，因为相似性数据可以是指示两个或更多个实体之间的比较的数据，所以相似性数据可以是实体(V)之间的关系或边(E)的特征的确定。因此，可以将相似性数据或边特征表示为fe，i，其中e表示关系304ab-304df或边，并且i表示相似性数据的特定类型(例如，通信频率等)。
回到图5，提供了与所披露的实施例一致的用于实现图4的步骤430的示例性过程的流程图。在步骤510，系统105可以基于外部数据确定一个或多个种子链接。种子链接可以表示两个或多个种子之间的关系。种子是与外部源有密切关系的实体。种子链接可以具有一个特性(即，也称为种子链接或边的标记)，其中种子链接的特性可以是正的或负的。也就是说，正种子链接可以识别彼此具有强关系的两个种子，而负种子链接可以识别具有弱关系的两个种子。
参照图6，根据本申请的一些实施例，提供了用于实现步骤510的示例性过程的流程图。例如，在610，系统105可以基于外部数据从实体子集确定多个种子。从实体子集确定多个种子，可以涉及系统105将每个实体的外部数据与阈值进行比较。例如，系统105可以将与活动相关联的实体的网页排名分数与网页排名分数阈值进行比较。在一些实施例中，如果实体的网页排名分数超过或至少等于网页排名分数阈值，则确定该实体是种子。在这些实施例中，如果实体的网页排名分数未能超过或至少等于网页排名分数阈值，则该实体不被确定为种子。系统105还可以应用涉及多个网页排名分数的其他技术。例如，系统105可以计算网页排名分数的加权平均值，并将加权平均值与阈值进行比较以确定种子。
在620，系统105可以迭代地确定种子是否与另一种子有关系。例如，系统105可以比较种子的所有组合，以找到第一种子是否具有与第二种子的相似性数据重叠的相似性数据子集。如果种子与另一种子共享重叠相似性数据的子集，则确定该种子与另一种子具有关系。作为另一个例子，用于保存社交网络108实体之间关系的编程结构(链接列表、散列映射、阵列等)等的附加数据可以被存储在存储器200中。系统105可以搜索编程结构以确定第一种子和第二种子之间是否存在关系。如果种子与另一种子没有关系，则不存在种子链接(步骤630)，并且系统105可以前进到下一种子(步骤660)。
然而，如果种子确实与另一种子有关系，则系统105可以确定种子之间的链接的特性(或种子链接特性)(步骤640)。例如，种子链接的特性可以是正的或负的。例如，系统105可以利用外部数据以及预定值来确定种子链接的特性。在一些实施例中，系统105可以确定链接种子的外部数据的接近度。例如，系统105可以计算链接种子之间的相对差异，并确定种子链接的特性。例如，如果相对差异超过预定值(诸如接近度容忍阈值)，则系统105可以将种子链接的特性确定为正的。然而，如果相对差异不超过预定值，则系统105可以将种子链接的特性确定为负的。在其他示例中，也可以存在相反的情况，系统105可以在相对差异不超过预定值时确定种子链路的特性是正的，或者在相对差异超过预定值时确定种子链路的特性是负的。
在另一些实施例中，系统105可以确定种子链接的特性。例如，如果两个种子之间的最大或最小得分超过预定值，例如无差异阈值，则系统105可以将种子链接的特性确定为正。然而，如果两个种子之间的最大或最小得分不超过预定值，则系统105可以将种子链路的特性确定为负。在其他示例中，也可以存在相反的情况，系统105可以在两个种子之间的最大或最小分数未超过预定值时，将特性确定为正，或者在两个种子之间的最大或最小分数超过预定值时，将特性确定为负。
一旦系统105确定了种子链接的特性(或种子链接特性)。系统105就可以将种子链接(650)存储为正或负，以便在后续步骤520中使用。在存储具有其各自特性的每个种子链接之后，如果存在下一种子，则系统105可以前进到下一种子(步骤660)。
回到图5，在步骤520，系统105可以基于相似性数据和种子链接来确定社交网络108中的实体302a-302f之间的关系强度。系统105可以使用逻辑回归来训练分类模型，基于相似性数据(fe，i)和种子链接特性(ye)(即，标签)来学习多个实体304a-304f的关系强度或边权值(We)。系统105可训练分类模型通过以下数学表示来计算一个或多个关系强度。
Figure BDA0002302115600000161
然后，可以应用线性模型中的sigmoid函数来给出具有相似性数据(fe，i)不具有相应种子链接的任何关系(E)304ab-304df的预测关系强度。
Figure BDA0002302115600000162
因此，一个关系的预测关系强度可能是属于外部数据的两个种子(即实体或顶点)的概率。回到图4所示，在步骤440，系统105可以基于分类模型确定一个或多个实体的期望分数。例如，系统105可以使用入站归一化的PageRank函数来计算期望分数。该函数可表示如下：
Figure BDA0002302115600000163
其中归一化函数为：
Figure BDA0002302115600000171
应当理解，归一化函数的分母具有最大值1，使得当进入实体的入站关系强度小时，系统105不会人为地放大弱关系强度。
系统105还可以将传送概率向量(d)和复位强度或关系(r)添加到入站归一化的PageRank函数，如下所述。
Figure BDA0002302115600000172
其中：
Figure BDA0002302115600000173
是关系强度的矩阵
传送概率向量(d)和关系强度重置(r)允许系统105在需要时考虑入站归一化PageRank函数中固有的随机性。
进一步地，在步骤450，系统105可以基于一个或多个实体的期望分数来提供推荐。推荐可以是广告、邀请、促销或折扣、购买某物的提议等。推荐可以由企业、社交网络、实体等提供。推荐可能是针对某项活动。同样，该活动可以包括进行购买、销售物品、加入服务、观看广告、在某个地点见面等。该推荐可以针对外部源110或者针对外部源110的产品。在一些实施例中，系统105已经从外部源110获取了与推荐相关联的外部数据。系统105可以以各种方式向实体提供推荐。系统105可以向具有最高期望分数的实体提供推荐，其中高期望表示期望目标实体查看或参与推荐。系统105可以在一段时间内提供推荐。系统105还可以重复步骤410-440，以预定间隔或实时地提供更新的期望分数。进一步地，如果相似性数据或外部数据已经改变，则系统105还可以重复步骤410-440。应该理解的是，期望分数可以提高所提供推荐的准确性。
所披露的实施例的描述不是穷举的，并且不限于所公开的精确形式或实施例。通过考虑所披露的实施例的说明书和实践，实施例的修改和适应将是显而易见的。例如，所描述的实现包括硬件、固件和软件，但是与本申请一致的系统和技术可以单独实现为硬件。另外，所披露的实施例不限于这里讨论的示例。
基于本规范的书面描述和方法的计算机程序属于软件开发人员的技能范围。可以使用各种编程技术来创建各种程序或程序模块。例如，程序段或程序模块可以通过Java、C、C++、汇编语言或任何此类编程语言进行设计或使用。这样的软件部分或模块中的一个或多个可以集成到计算机系统、非瞬态计算机可读介质或现有通信软件中。
此外，尽管在此描述了说明性实施例，但是范围包括基于本申请的具有等效元素、修改、省略、组合(例如各种实施例的方面)、改编或变更的任何和所有实施例。权利要求中的元素将基于权利要求中使用的语言来广义地解释，而不限于在本说明书中描述的例子或者在申请的过程中描述的例子，这些例子将被解释为非排他性的。此外，所披露的方法的步骤可以以任何方式修改，包括通过重新排序步骤或插入或删除步骤。因此，说明书和实施例旨在仅被认为是示例性的，真正的范围和精神由所附权利要求书及其等同物的全部范围指示。

Claims (20)

1.一种用于向实体提供推荐的系统，包括：
处理器；和
存储指令的存储器装置，所述指令在由所述处理器执行时使所述处理器：
通过通信网络获取与第一实体、第二实体和第三实体相关联的相似性数据；
通过所述通信网络获取与所述第一实体和所述第二实体相关联的外部数据；
基于所述外部数据和所述相似性数据训练分类模型；
基于所述分类模型确定所述第三实体的期望分数；和
通过所述通信网络向所述第三实体提供基于所述期望分数的推荐。
2.根据权利要求1所述的系统，其特征在于，所述第一、第二和第三实体与一个社交网络相关联。
3.根据权利要求1所述的系统，其特征在于，所述相似性数据包括一个或多个指示以下各项的数据：通信频率、用户资料的相似性、工作相似性、生活相似性、邻近相似性、货币交换相似性和推荐服务相似性。
4.根据权利要求1所述的系统，其特征在于，所述外部数据包括与由所述第一实体和所述第二实体两者执行的活动相关联的网页排名分数。
5.根据权利要求1所述的系统，其特征在于，所述处理器还被配置为：
基于所述外部数据确定种子链接的特性，其中所述种子链接的特性是正的或负的；
基于所述相似性数据和所述种子链接的特性来确定关系强度。
6.根据权利要求5所述的系统，其特征在于，所述处理器还被配置为：
基于所述第一实体的所述外部数据确定第一种子；
基于所述第二实体的所述外部数据确定第二种子；和
基于所述第一实体的所述外部数据、所述第二实体的所述外部数据以及预定值，确定所述第一和第二种子之间的所述种子链接的特性是正的还是负的。
7.根据权利要求5所述的系统，其特征在于，所确定的关系强度是所述第一实体与所述第三实体之间的关系强度。
8.根据权利要求1所述的系统，其特征在于，所述处理器进一步配置为：
基于所述分类模型确定第四实体的期望分数，其中所述相似性数据进一步与所述第四实体相关联，以及
其中所述第三实体的期望分数趋于所述第四实体的期望分数。
9.根据权利要求8所述的系统，其特征在于，所述处理器还被配置为基于所述第三实体的所述期望分数和所述第四实体的所述期望分数向所述第四实体提供推荐。
10.根据权利要求1所述的系统，其特征在于，所述推荐是针对外部源的，并且其中所述外部源提供所述外部数据。
11.一种用于向实体提供推荐的计算机实现的方法，包括：
通过通信网络获取与第一实体、第二实体和第三实体相关联的相似性数据；
通过所述通信网络获取与所述第一实体和所述第二实体相关联的外部数据；
基于所述外部数据和所述相似性数据训练分类模型；
基于所述分类模型确定所述第三实体的期望分数；和
通过所述通信网络向所述第三实体提供基于所述期望分数的推荐。
12.根据权利要求11所述的方法，其特征在于，所述第一、第二和第三实体与一个社交网络相关联。
13.根据权利要求11所述的方法，其特征在于，所述相似性数据包括一个或多个指示以下各项的数据：通信频率、用户资料的相似性、工作相似性、生活相似性、邻近相似性、货币交换相似性和推荐服务相似性。
14.根据权利要求11所述的方法，其特征在于，所述外部数据包括与由所述第一实体和所述第二实体两者执行的活动相关联的网页排名分数。
15.根据权利要求11所述的方法，其特征在于，基于所述相似性数据和所述外部数据来训练分类模型还包括：
基于所述外部数据确定种子链接的特性，其中所述种子链接的特性是正的或负的；
基于所述相似性数据和所述种子链接的特性来确定关系强度。
16.根据权利要求15所述的方法，其特征在于，确定种子链接的特性进一步包括：
基于所述第一实体的所述外部数据确定第一种子；
基于所述第二实体的所述外部数据确定第二种子；和
基于所述第一实体的所述外部数据、所述第二实体的所述外部数据以及预定值，确定所述第一和第二种子之间的所述种子链接的特性是正的还是负的。
17.根据权利要求15所述的方法，其特征在于，所确定的关系强度是所述第一实体与所述第三实体之间的关系强度。
18.根据权利要求11所述的方法，其特征在于，还包括：
基于所述分类模型确定第四实体的期望分数，其中所述相似性数据进一步与所述第四实体相关联，以及
其中所述第三实体的期望分数趋于所述第四实体的期望分数。
19.根据权利要求18所述的方法，其特征在于，进一步包括基于所述第三实体的所述期望分数和所述第四实体的所述期望分数向所述第四实体提供推荐。
20.存储一组指令的非暂时性计算机可读介质，当由推荐系统的至少一个处理器执行所述指令时使得所述推荐系统执行用于向实体提供推荐的方法，所述方法包括：
获取与第一实体、第二实体和第三实体相关联的相似性数据；
获取与所述第一实体和所述第二实体相关联的外部数据；
基于所述外部数据和所述相似性数据训练分类模型；
基于所述分类模型确定所述第三实体的期望分数；和
基于所述期望分数向所述第三实体提供推荐。
CN201780091594.3A 2017-06-05 2017-06-05 基于种子监督学习提供推荐的系统和方法 Pending CN110720099A (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/CN2017/087220 WO2018223271A1 (en) 2017-06-05 2017-06-05 Systems and methods for providing recommendations based on seeded supervised learning

Publications (1)

Publication Number Publication Date
CN110720099A true CN110720099A (zh) 2020-01-21

Family

ID=64566943

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201780091594.3A Pending CN110720099A (zh) 2017-06-05 2017-06-05 基于种子监督学习提供推荐的系统和方法

Country Status (4)

Country Link
US (1) US20200111027A1 (zh)
CN (1) CN110720099A (zh)
TW (1) TW201903705A (zh)
WO (1) WO2018223271A1 (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11120092B1 (en) * 2018-12-28 2021-09-14 Microsoft Technology Licensing, Llc Optimization of links to electronic content
CN111291554B (zh) * 2020-02-27 2024-01-12 京东方科技集团股份有限公司 标注方法、关系抽取方法、存储介质和运算装置
US11768700B2 (en) * 2020-04-02 2023-09-26 Citrix Systems, Inc. Contextual application switch based on user behaviors
US11768903B2 (en) * 2020-06-19 2023-09-26 International Business Machines Corporation Auto seed: an automatic crawler seeds adaptation mechanism

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102334116A (zh) * 2008-12-31 2012-01-25 科尔伍德科技有限责任公司 用于利用用户群体和项目集合使用基于模型的协作过滤来进行推荐的系统和方法
EP2706497A1 (en) * 2012-09-11 2014-03-12 Google Inc. Method for recommending musical entities to a user
CN104281622A (zh) * 2013-07-11 2015-01-14 华为技术有限公司 一种社交媒体中的信息推荐方法和装置
US20150220555A1 (en) * 2012-03-09 2015-08-06 Nokia Corporation Method and apparatus for performing an incremental update of a recommendation model

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8433620B2 (en) * 2010-11-04 2013-04-30 Microsoft Corporation Application store tastemaker recommendations
CN106649540B (zh) * 2016-10-26 2022-04-01 Tcl科技集团股份有限公司 一种视频推荐方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102334116A (zh) * 2008-12-31 2012-01-25 科尔伍德科技有限责任公司 用于利用用户群体和项目集合使用基于模型的协作过滤来进行推荐的系统和方法
US20150220555A1 (en) * 2012-03-09 2015-08-06 Nokia Corporation Method and apparatus for performing an incremental update of a recommendation model
EP2706497A1 (en) * 2012-09-11 2014-03-12 Google Inc. Method for recommending musical entities to a user
CN104281622A (zh) * 2013-07-11 2015-01-14 华为技术有限公司 一种社交媒体中的信息推荐方法和装置

Also Published As

Publication number Publication date
WO2018223271A1 (en) 2018-12-13
US20200111027A1 (en) 2020-04-09
TW201903705A (zh) 2019-01-16

Similar Documents

Publication Publication Date Title
US11087413B2 (en) Identity mapping between commerce customers and social media users
US10937089B2 (en) Machine learning classification and prediction system
JP6913241B2 (ja) 信用力があると判定された消費者にローンを発行するシステムおよび方法
US20190197570A1 (en) Location-based analytic platform and methods
JP6788667B2 (ja) 広告リフトの測定
JP6145576B2 (ja) オンライン・ソーシャル・ネットワークにおける大規模ページ推薦
US20190295114A1 (en) Digital banking platform and architecture
US11580447B1 (en) Shared per content provider prediction models
US20170083937A1 (en) Micro-moment analysis
US8600797B1 (en) Inferring household income for users of a social networking system
US11816727B2 (en) Credit scoring method and server
US20180284971A1 (en) Intelligent visual object management system
US20160063560A1 (en) Accelerating engagement of potential buyers based on big data analytics
US20200111027A1 (en) Systems and methods for providing recommendations based on seeded supervised learning
US20180068028A1 (en) Methods and systems for identifying same users across multiple social networks
US20120239590A1 (en) Managing customer communications among a plurality of channels
US20180129929A1 (en) Method and system for inferring user visit behavior of a user based on social media content posted online
US10127573B2 (en) Framework for evaluating targeting models
CN107808346B (zh) 一种潜在目标对象的评估方法及评估装置
US20190279236A1 (en) Micro-moment analysis
CN109829593B (zh) 目标对象的信用度确定方法、装置、存储介质及电子装置
US20210350202A1 (en) Methods and systems of automatic creation of user personas
US10692120B2 (en) System, method, and computer-readable storage medium for determining a trust circle through machine learning
Desai et al. Farmer Connect”-A Step Towards Enabling Machine Learning based Agriculture 4.0 Efficiently
CN112767054A (zh) 数据推荐方法、装置、服务器和计算机可读存储介质

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