CN110858313B - 一种人群分类方法以及人群分类系统 - Google Patents
一种人群分类方法以及人群分类系统 Download PDFInfo
- Publication number
- CN110858313B CN110858313B CN201810973524.7A CN201810973524A CN110858313B CN 110858313 B CN110858313 B CN 110858313B CN 201810973524 A CN201810973524 A CN 201810973524A CN 110858313 B CN110858313 B CN 110858313B
- Authority
- CN
- China
- Prior art keywords
- attribute
- target
- classification
- attribute features
- individuals
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请提供了一种人群分类方法以及人群分类系统,该系统包括:第一获取模块,用于获取多个属性特征;确定模块,用于从多个所述属性特征中,确定相似目标属性特征;第二获取模块,用于获取多个待分类个人分别在各相似目标属性特征下的特征值;分类模块,用于基于多个待分类个人分别在各相似目标属性特征下的特征值,对多个待分类个人进行分类。能够通过非人为的方式从个体的多个属性特征中,确定相似目标属性特征,并基于确定的相似目标属性特征对人群进行分类,得到更加精确的人群分类结果,减少由于属性特征设偏差导致的研究结果的误差。
Description
技术领域
本申请涉及数据分析技术领域,具体而言,涉及一种人群分类方法以及人群分类系统。
背景技术
个人的属性特征是挖掘群体特征的基础,而群体特征的挖掘则是很多研究的基础,例如在针对人的基因进行研究的时候,可以将长相比较相似的一类人作为被研究的群体,并通过对被研究群体的基因的研究,确定决定人相貌的基因片段位置;又例如,针对具有某一性格倾向的人进行研究,需要找到这类具有某一性格倾向的人的共同特征。这些研究的前提,就是要基于一定的规则,将具有某些共同特征的被研究群体从人群中筛选出来。
在现有技术中,为了将具有某些共同特征的被研究群体从人群中筛选出来,一般是人为的设定多个属性特征,然后基于这些属性特征,对待分类人群进行分类,然后将每一个分类中的人作为一个被研究群体。
但正是由于属性特征是人为确定的,会导致影响研究结果的属性特征被遗漏,或者将并不会对研究结果造成影响的属性特征被作为属性特征,使得对人群的分类结果并不精确,进而导致研究结果出现误差。
发明内容
有鉴于此,本申请实施例的目的在于提供一种人群分类方法以及人群分类系统,能够通过非人为的方式从个体的多个属性特征中,确定相似目标属性特征,并基于确定的相似目标属性特征对人群进行分类,得到更加精确的人群分类结果,减少由于属性特征设偏差导致的研究结果的误差。
第一方面,本申请实施例提供了一种人群分类系统,该系统包括:
第一获取模块,用于获取多个属性特征;
确定模块,用于从多个所述属性特征中,确定相似目标属性特征;
第二获取模块,用于获取多个待分类个人分别在各相似目标属性特征下的特征值;
分类模块,用于基于多个待分类个人分别在各相似目标属性特征下的特征值,对多个待分类个人进行分类。
可选地,所述确定模块,具体用于通过下述方式从多个所述属性特征中,确定相似目标属性特征:
采用预设聚类算法,对所述多个属性特征进行聚类;
从聚类得到的分类中确定目标分类,并从所述目标分类中包括的多个属性特征中,确定所述目标属性特征。
可选地,针对所述目标分类中包括的属性特征等于预设数量的情况,
所述确定模块,具体用于通过下述方式从所述目标分类中包括的多个属性特征中,确定所述目标属性特征:
将所述目标分类中包括的全部属性特征均作为所述目标属性特征。
可选地,针对所述目标分类中包括的属性特征大于预设数量的情况,
所述确定模块,具体用于通过下述方式从所述目标分类中包括的多个属性特征中,确定所述目标属性特征:
根据所述目标分类中包括的多个属性特征的特征向量,确定所述目标分类的第一中心向量;
获取所述目标分类中每个所述属性特征的特征向量与所述第一中心向量之间的距离;
按照所述距离从小到大的顺序,从所述目标分类的所有所述属性特征中,选择预设数量个作为相似目标属性特征。
可选地,所述确定模块,还用于针对归属所述第一中心向量的属性特征中,除选择的预设数量个相似目标属性特征之外的属性特征,确定所有中心向量中,除所述第一中心向量之外,与该属性特征对应特征向量距离最近的第二中心向量,并将该属性特征归属于所述第二中心向量对应的分类。
可选地,每个所述属性特征均携带有至少一个标签;
针对所述目标分类中包括的属性特征大于所述预设数量的情况,
所述确定模块,具体用于通过下述方式从所述目标分类中包括的多个属性特征中,确定所述目标属性特征:
按照所述属性特征携带的标签的重叠度从高到低的顺序,从所述目标分类中包括的多个属性特征中,确定预设数量个属性特征作为所述目标属性特征。
可选地,所述确定模块,具体用于通过下述方式从聚类得到的分类中确定目标分类:
将每个所述分类确定为一个目标分类;
所述确定模块,具体用于针对每个目标分类,从该目标分类中包括的多个属性特征中,确定与该目标分类对应的目标属性特征;
所述第二获取模块,具体用于针对每个目标分类,获取多个待分类个人在该目标分类对应的目标属性特征下的特征值;
所述分类模块,具体用于针对每个目标分类,基于多个待分类个人在该目标分类对应的目标属性特征下的特征值,对多个待分类个人进行分类。
可选地,每个所述属性特征均携带有至少一个标签;
所述确定模块,具体用于通过下述方式从聚类得到的分类中确定目标分类:
根据人群分类目标,确定与所述人群分析目标对应的目标标签;
根据各个分类中所包括的属性特征携带的标签与所述目标标签的重叠度大小,从多个分类中确定至少一个分类作为所述目标分类。
可选地,所述分类模块,具体用于:
针对每两个所述待分类个人,计算该两个待分类个人在各相似目标属性特征下的相似度;
基于该两个待分类个人在各相似目标属性特征下的相似度,计算该两个待分类个人在各相似目标属性特征所表征人群属性的相似度;
基于每两个待分类个人的相似度,对所有待分类个人进行聚类。
第二方面,本申请实施例还提供一种人群分类方法,该方法包括:
获取多个属性特征;
从多个所述属性特征中,确定相似目标属性特征;
获取多个待分类个人分别在各相似目标属性特征下的特征值;
基于多个待分类个人分别在各相似目标属性特征下的特征值,对多个待分类个人进行分类。
可选地,所述从多个所述属性特征中,确定相似目标属性特征包括:
采用预设聚类算法,对所述多个属性特征进行聚类;
从聚类得到的分类中确定目标分类,并从所述目标分类中包括的多个属性特征中,确定所述目标属性特征。
可选地,针对所述目标分类中包括的属性特征等于预设数量的情况,从所述目标分类中包括的多个属性特征中,确定所述目标属性特征,具体包括:
将所述目标分类中包括的全部属性特征均作为所述目标属性特征。
针对所述目标分类中包括的属性特征大于预设数量的情况,
从所述目标分类中包括的多个属性特征中,确定所述目标属性特征,具体包括:
根据所述目标分类中包括的多个属性特征的特征向量,确定所述目标分类的第一中心向量;
获取所述目标分类中每个所述属性特征的特征向量与所述第一中心向量之间的距离;
按照所述距离从小到大的顺序,从所述目标分类的所有所述属性特征中,选择预设数量个作为相似目标属性特征。
可选地,还包括:针对归属所述第一中心向量的属性特征中,除选择的预设数量个相似目标属性特征之外的属性特征,确定所有中心向量中,除所述第一中心向量之外,与该属性特征对应特征向量距离最近的第二中心向量,并将该属性特征归属于所述第二中心向量对应的分类。
可选地,每个所述属性特征均携带有至少一个标签;
针对所述目标分类中包括的属性特征大于所述预设数量的情况,
从所述目标分类中包括的多个属性特征中,确定所述目标属性特征,具体包括:按照所述属性特征携带的标签的重叠度从高到低的顺序,从所述目标分类中包括的多个属性特征中,确定预设数量个属性特征作为所述目标属性特征。
可选地,从聚类得到的分类中确定目标分类,具体包括:将每个所述分类确定为一个目标分类;
用于从多个所述属性特征中,确定相似目标属性特征,具体包括:针对每个目标分类,从该目标分类中包括的多个属性特征中,确定与该目标分类对应的目标属性特征;
获取多个待分类个人分别在各相似目标属性特征下的特征值,具体包括:针对每个目标分类,获取多个待分类个人在该目标分类对应的目标属性特征下的特征值;
基于多个待分类个人分别在各相似目标属性特征下的特征值,对多个待分类个人进行分类,具体包括:针对每个目标分类,基于多个待分类个人在该目标分类对应的目标属性特征下的特征值,对多个待分类个人进行分类。
可选地,每个所述属性特征均携带有至少一个标签;
从聚类得到的分类中确定目标分类,具体包括:
根据人群分类目标,确定与所述人群分析目标对应的目标标签;
根据各个分类中所包括的属性特征携带的标签与所述目标标签的重叠度大小,从多个分类中确定至少一个分类作为所述目标分类。
可选地,基于多个待分类个人分别在各相似目标属性特征下的特征值,对多个待分类个人进行分类,具体包括:
针对每两个所述待分类个人,计算该两个待分类个人在各相似目标属性特征下的相似度;
基于该两个待分类个人在各相似目标属性特征下的相似度,计算该两个待分类个人在各相似目标属性特征所表征人群属性的相似度;
基于每两个待分类个人的相似度,对所有待分类个人进行聚类。
本申请实施例通过人群分类系统自动从多个属性特征中确定相似目标属性特征,然后获取多个待分类个人在各相似目标属性特征下的特征值,并基于多个待分类个人分别在各相似目标属性下的特征值对多个待分类个人进行分类,能够通过非人为的方式从个体的多个属性特征中,确定相似目标属性特征,并基于确定的相似目标属性特征对人群进行分类,得到更加精确的人群分类结果,减少由于属性特征设偏差导致的研究结果的误差。为使本申请的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1示出了本申请实施例所提供的一种人群分类系统的结构示意图;
图2示出了本申请实施例所提供的一种人群分类方法的流程图;
图3示出了本申请实施例所提供的人群分类方法中,多个所述属性特征中,确定相似目标属性特征的具体方法的流程图;
图4示出了本申请实施例所提供的一种计算机设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
为便于对本实施例进行理解,首先对本申请实施例所公开的一种人群分类系统进行详细介绍。
参见图1所示,本申请实施例提供的人群分类系统包括:第一获取模块10、确定模块20、第二获取模块30以及分类模块40。
A:第一获取模块10,用于获取多个属性特征。
在具体实现的时候,属性特征是指人所具有的属性,每一个属性特征属性属于行为属性、收入属性、财产属性、身份属性、社会属性、相貌属性、教育属性中至少一种。属性特征可以从预设平台上爬取获得。预设平台可以有一个,也可以有多个。
例如,从第一预设平台能够获得的属性特征包括:证件类型、身份识别码、签发机关、签发日期、失效日期、签发地点、国家码、姓名、性别、民族、出生年月日、户籍住址、照片统一资源定位符、人脸框左上角x轴坐标、人脸框左上角y轴坐标、人脸框宽度、人脸框高度。
从第二预设平台能够获得的属性特征包括:民族、性别、出生地点、出生日期、签发地点、签发日期、有效日期、签发机关、号牌号码、车辆类型、所有人、住址、使用性质、品牌型号、车辆识别大号、发动机号码。
从第三预设平台能够获得的属性特征包括:性别、年龄、是否有眼镜、上下偏移、左右偏移、录音统一资源定位符、语音大小、语音编码、语音采样率、语音识别文本、姓名、民族、出生日期、住址、身份证号码、护照号码。
B:确定模块20,用于从多个所述属性特征中,确定相似目标属性特征。
在从多个属性特征中确定相似目标属性特征的时候,可以将满足相似度要求的属性特征均确定为相似目标属性特征,也可以根据预设数量,将满足预设数量要求并且同时满足相似度要求的属性特征确定为相似目标属性特征。
在具体实现的时候,为了从多个属性特征中,确定相似目标属性特征,可以采用下述方式中任意一种:
其一:对属性特征标注标签,该标签用于表征属性特征的属性,例如属性特征为:出生日期,该属性特征的属性可以是身份属性,也可以是社会属性。针对人群分类目标,确定相似目标属性特征应当具备的目标标签。例如,如果对人群的人群分类目标时为了研究学历对城市发展造成的影响,则相似目标属性特征应当具备的标签为教育属性。
在确定了相似目标属性特征应当具备的目标标签后,根据不同的属性特征所具有的标签,从所有属性特征中筛选具有目标标签的属性特征作为相似目标属性特征。
此处,目标标签可以是一个,也可以是多个;当目标标签是多个时,某个属性特征的标签与目标标签的重叠率越高,则越应当将该属性特征作为相似目标属性特征。
本申请实施例中,当属性特征具有的标签与目标标签相同的数量达到预设数量时,将将该属性特征作为相似的属性特征。然后从确定的多个相似的属性特征中,确定其中的部分或者全部相似的属性特征为相似目标属性特征。
其二:采用预设聚类算法,对多个属性特征进行聚类;从聚类得到的分类中确定目标分类并从所述目标分类中包括的多个属性特征中,确定所述目标属性特征。
此处,可以基于属性特征之间的相似度进行分类。
在基于属性特征之间的相似度对多个属性特征进行分类的时候,可以首先获取每个属性特征对应的特征向量,然后根据特征向量之间的相似度,将属性特征分成多个分类。
每个属性特征对应的特征向量,可以通过该属性特征中包括的词语的词向量构成。为了获得属性特征对应的特征向量,可以对属性特征进行切词处理,得到组成每个属性特征的多个词语。然后使用word2vec算法获得属于同一属性特征的各个词语的词向量。word2vec即为词向量,是将词语映射到一个新的空间中,通过在大量语料中进行计算统计,在神经网络中训练,以多维的连续实数向量进行表示。
在获得属于同一属性特征的各个词语的词向量之后,对各个词的词向量进行拼接或者叠加处理,从而形成该属性特征的特征向量。
属性特征之间的相似度,可以采用属性特征对应的特征向量之间的距离来衡量。两个特征向量之间的距离越接近,则与两个特征向量分别对应的属性特征之间的相似度越高;两个特征向量之间的距离越远离,则与两个特征向量分别对应的属性特征之间的相似度越低。
特征向量之间的距离可以包括:欧氏距离、曼哈顿距离、切比雪夫距离、闵可夫斯基距离、标准化欧氏距离、马氏距离、夹角余弦、汉明距离、杰卡德距离、相关距离、信息熵中任意一项。
在根据属性特征之前的相似度,并采用预设聚类算法对多个属性特征进行聚类后,能够得到多个分类。
在对多个属性特征进行聚类形成多个分类后,要从多个分类中确定目标分类。此处,需要注意的是,所确定的目标分类可能是一个,也可能是多个。
(1):本申请一实施例中,确定模块20可以通过下述方式从聚类得到的分类中确定目标分类:将每个所述分类确定为一个目标分类;
此时,确定模块20,具体用于针对每个目标分类,从该目标分类中包括的多个属性特征中,确定与该目标分类对应的目标属性特征;
第二获取模块30,具体用于针对每个目标分类,获取多个待分类个人在该目标分类对应的目标属性特征下的特征值;
分类模块40,具体用于针对每个目标分类,基于多个待分类个人在该目标分类对应的目标属性特征下的特征值,对多个待分类个人进行分类。
(2)本申请另一实施例中,确定模块20还可以通过下述方式从聚类得到的分类中确定目标分类:
根据人群分类目标,确定与所述人群分析目标对应的目标标签;
根据各个分类中所包括的属性特征携带的标签与所述目标标签的重叠度大小,从多个分类中确定至少一个分类作为所述目标分类。
此处,人群分类目标是指在对人群进行分类后,基于分类的人群要进行研究的主题。
例如,人群分析目标为:基因分析,那么与人群分析目标对应的目标标签应当包括相貌属性。
如果人群分析的目标为:对人群进行暴力倾向研究,那么与人群分析目标对应的目标标签应当包括:行为属性、社会属性。
这里可以通过专家打分法获得与人群分类目标对应的目标标签。
目标标签可以有一个,也可以有多个。当目标标签有多个的时候,重叠度可以通过与目标标签相同的数量来表征。
例如,假若目标标签有3个,针对属性特征A、属性特征B和属性特征C,属性特征A的标签有两个与目标标签重叠,则该属性特征A与目标标签的重叠度即为2;属性特征B的标签有一个与目标标签重叠,则该属性特征B与目标标签的重叠度即为1;属性特征C的标签有三个与目标标签重叠,则该属性特征B与目标标签的重叠度即为3;
另外,还可以为不同的目标标签设置不同的权重,基于该权重获取属性特征携带的标签与目标标签的重叠度。
例如,假设有目标标签有A、B、和C,且三个目标标签对应的权重为:0.5、0.3和0.2,
对于某个分类,其下的5个目标属性特征下,对应的标签分别为:(A、B,),(B,C、D),(A,B,C)、(A,C)、(C),则该分类在第一个目标属性特征下,与目标标签的重叠度为:0.5+0.3;在第二个目标属性下,与目标标签的重叠度为:0.3+0.2;……最终得到该分类中每个目标属性特征下与目标标签的重叠度。
将该分类中所有目标属性特征与目标标签的重叠度的和,作为该分类与目标标签的重叠度。则可以将分类与目标标签的重叠度满足一定要求的分类作为目标分类。
例如将分类与目标标签的重叠度最高的分类确定为目标分类;或者将将分类与目标标签的重叠度满足预设的重叠度阈值的分类作为目标分类。
在确定了目标分类后,就要从目标分类中确定然相似目标属性特征。
具体地,可以为相似目标属性特征设置一预设数量,也即,所获取的相似目标属性特征的数量等于该预设数量。
Ⅰ:针对目标分类中包括的属性特征等于预设数量的情况,所述确定模块20,具体用于通过下述方式从所述目标分类中包括的多个属性特征中,确定所述目标属性特征:
将所述目标分类中包括的全部属性特征均作为所述目标属性特征。
Ⅱ:针对所述目标分类中包括的属性特征大于预设数量的情况,所述确定模块20,具体用于通过下述方式从所述目标分类中包括的多个属性特征中,确定所述目标属性特征:
根据所述目标分类中包括的多个属性特征的特征向量,确定所述目标分类的第一中心向量;
获取所述目标分类中每个所述属性特征的特征向量与所述第一中心向量之间的距离;
按照所述距离从小到大的顺序,从所述目标分类的所有所述属性特征中,选择预设数量个作为相似目标属性特征。
在具体实现的时候,目标分类的第一中心向量可以通过对目标分类中包括的所有属性特征的特征向量对应位置的元素累加求均值获得。
然后获取目标分类中每个属性特征的特征向量与第一中心向量之间的距离,然后基于该距离从小到达的顺序,从目标分类中的属性特征中确定预设数量个作为相似目标属性特征。
另外,针对这种目标分类中包括的属性特征大于预设数量的情况,确定模块20,还用于针对归属所述第一中心向量的属性特征中,除选择的预设数量个相似目标属性特征之外的属性特征,确定所有中心向量中,除所述第一中心向量之外,与该属性特征对应特征向量距离最近的第二中心向量,并将该属性特征归属于所述第二中心向量对应的分类。
此处,所有中心向量,是指所有分类所对应的中心向量。
例如:假设预设数量为5,分类有3个,分别为甲、乙和丙,确定分类甲为目标分类,且目标分类甲中的属性特征的数量为7,分别为A~G,在通过上述方式确定了该目标分类A中的5个相似目标属性特征分别为:A、B、D、E、G,则针对属性特征C和F,要依次计算C和F分别距离分类乙和分类丙的中心向量之间的距离;假设属性特征C与分类乙的中心向量的距离,小于其与分类丙的中心向量之间的距离,则将分类乙的中心向量确定为与属性特征C对应的第二中心向量,并将属性特征C归属到与该第二中心向量对应的分类乙中。属性特征F与分类丙的中心向量的距离,小于其与分类乙的中心向量之间的距离,则将分类丙的中心向量确定为与属性特征F对应的第二中心向量,并将属性特征F归属到与该第二中心向量对应的分类丙中。
Ⅲ:针对所述目标分类中包括的属性特征大于预设数量的情况,所述确定模块20,还可以用于通过下述方式从所述目标分类中包括的多个属性特征中,确定所述相似目标属性特征:
按照所述属性特征携带的标签的重叠度从高到低的顺序,从所述目标分类中包括的多个属性特征中,确定预设数量个属性特征作为所述目标属性特征。
这里的标签,与上述一中的标签类似,在此不再赘述。属性特征携带的标签的重叠度在计算时,可以将两个属性特征携带的相同标签的数量,确定为两个属性特征携带的标签的重叠度。该重叠度越高,则两个属性特征越相似,则越能够集中的反映人群的特征。
另外,为了确定属性特征携带的标签的重叠度,可以首先使用目标分组中包括的所有属性特征的标签构成参考标签。并将每个属性特征与参考标签之间的重叠度,作为属性特征携带的标签的重叠度。
例如,对于某个分类,其下的5个目标属性特征下,对应的标签分别为:(A、B,),(B,C、D),(A,B,C)、(A,C)、(C),目标分组对应的参考标签则包括:A、B、C和D。
确定属性特征的标签和参考标签之间重叠度的方式,可以参见上述确定属性特征和目标标签之间重叠度的方式,在此不再赘述。
在确定了属性特征的标签那重叠度后,就能够按照标签的重叠度从高到低的顺序,从目标分类中所包括的多个属性特征中,确定预设属两个属性特征作为目标属性特征。
C:第二获取模块30,用于获取多个待分类个人分别在各相似目标属性特征下的特征值。
在具体实现的时候,在确定了相似目标属性特征后,就能够根据相似目标属性特征,从预设平台爬取每个待分类个人分别在各个相似目标属性特征下的特征值。
D:分类模块40,用于基于多个待分类个人分别在各相似目标属性特征下的特征值,对多个待分类个人进行分类。
在具体实现的时候,为了能够实现基于相似目标属性特征对多个待分类个人的分类,可以采用下述方式:
针对每两个所述待分类个人,计算该两个待分类个人在各相似目标属性特征下的相似度;
基于该两个待分类个人在各相似目标属性特征下的相似度,计算该两个待分类个人在各相似目标属性特征所表征人群属性的相似度;
基于每两个待分类个人的相似度,对所有待分类个人进行聚类。
在具体实现的时候,针对每两个所述待分类个人,计算该两个待分类个人在各相似目标属性特征下的相似度,所得到的相似度结果的数量与相似目标属性特征的数量相同,且每一个相似目标属性特征对应一个相似度。
然后,可以采用求和、求平均、加权求和等方式,基于两个待分类个人在各相似目标属性特征下的相似度,计算该两个待分类个人在各相似目标属性特征所表征人群属性的相似度。
然后基于每两个待分类个人的相似度,对所有待分类个人进行聚类,使得在相似目标属性特征下,具有相似特征的待分类个人,归属到用一个聚类形成的分类中,最终获得对待分类个人的分类结果。
本申请实施例通过人群分类系统自动从多个属性特征中确定相似目标属性特征,然后获取多个待分类个人在各相似目标属性特征下的特征值,并基于多个待分类个人分别在各相似目标属性下的特征值对多个待分类个人进行分类,能够通过非人为的方式从个体的多个属性特征中,确定相似目标属性特征,并基于确定的相似目标属性特征对人群进行分类,得到更加精确的人群分类结果,减少由于属性特征设偏差导致的研究结果的误差。
基于同一发明构思,本申请实施例中还提供了与人群分类系统对应的人群分类方法,由于本申请实施例中的装置解决问题的原理与本申请实施例上述人群分类系统相似,因此装置的实施可以参见方法的实施,重复之处不再赘述。
参见图2所示,本申请实施例提供的人群分类方法包括:
S201:获取多个属性特征;
S202:从多个所述属性特征中,确定相似目标属性特征;
S203:获取多个待分类个人分别在各相似目标属性特征下的特征值;
S204:基于多个待分类个人分别在各相似目标属性特征下的特征值,对多个待分类个人进行分类。
本申请实施例通过人群分类系统自动从多个属性特征中确定相似目标属性特征,然后获取多个待分类个人在各相似目标属性特征下的特征值,并基于多个待分类个人分别在各相似目标属性下的特征值对多个待分类个人进行分类,能够通过非人为的方式从个体的多个属性特征中,确定相似目标属性特征,并基于确定的相似目标属性特征对人群进行分类,得到更加精确的人群分类结果,减少由于属性特征设偏差导致的研究结果的误差。
可选地,参见图3所示,所述从多个所述属性特征中,确定相似目标属性特征包括:
S301:采用预设聚类算法,对所述多个属性特征进行聚类;
S302:从聚类得到的分类中确定目标分类,并从所述目标分类中包括的多个属性特征中,确定所述目标属性特征。
可选地,针对所述目标分类中包括的属性特征等于预设数量的情况,从所述目标分类中包括的多个属性特征中,确定所述目标属性特征,具体包括:
将所述目标分类中包括的全部属性特征均作为所述目标属性特征。
针对所述目标分类中包括的属性特征大于预设数量的情况,
从所述目标分类中包括的多个属性特征中,确定所述目标属性特征,具体包括:
根据所述目标分类中包括的多个属性特征的特征向量,确定所述目标分类的第一中心向量;
获取所述目标分类中每个所述属性特征的特征向量与所述第一中心向量之间的距离;
按照所述距离从小到大的顺序,从所述目标分类的所有所述属性特征中,选择预设数量个作为相似目标属性特征。
可选地,还包括:针对归属所述第一中心向量的属性特征中,除选择的预设数量个相似目标属性特征之外的属性特征,确定所有中心向量中,除所述第一中心向量之外,与该属性特征对应特征向量距离最近的第二中心向量,并将该属性特征归属于所述第二中心向量对应的分类。
可选地,每个所述属性特征均携带有至少一个标签;
针对所述目标分类中包括的属性特征大于所述预设数量的情况,
从所述目标分类中包括的多个属性特征中,确定所述目标属性特征,具体包括:按照所述属性特征携带的标签的重叠度从高到低的顺序,从所述目标分类中包括的多个属性特征中,确定预设数量个属性特征作为所述目标属性特征。
可选地,从聚类得到的分类中确定目标分类,具体包括:将每个所述分类确定为一个目标分类;
用于从多个所述属性特征中,确定相似目标属性特征,具体包括:针对每个目标分类,从该目标分类中包括的多个属性特征中,确定与该目标分类对应的目标属性特征;
获取多个待分类个人分别在各相似目标属性特征下的特征值,具体包括:针对每个目标分类,获取多个待分类个人在该目标分类对应的目标属性特征下的特征值;
基于多个待分类个人分别在各相似目标属性特征下的特征值,对多个待分类个人进行分类,具体包括:针对每个目标分类,基于多个待分类个人在该目标分类对应的目标属性特征下的特征值,对多个待分类个人进行分类。
可选地,每个所述属性特征均携带有至少一个标签;
从聚类得到的分类中确定目标分类,具体包括:
根据人群分类目标,确定与所述人群分析目标对应的目标标签;
根据各个分类中所包括的属性特征携带的标签与所述目标标签的重叠度大小,从多个分类中确定至少一个分类作为所述目标分类。
可选地,基于多个待分类个人分别在各相似目标属性特征下的特征值,对多个待分类个人进行分类,具体包括:
针对每两个所述待分类个人,计算该两个待分类个人在各相似目标属性特征下的相似度;
基于该两个待分类个人在各相似目标属性特征下的相似度,计算该两个待分类个人在各相似目标属性特征所表征人群属性的相似度;
基于每两个待分类个人的相似度,对所有待分类个人进行聚类。
对应于图2中的人群分类方法,本申请实施例还提供了一种计算机设备,如图4所示,该设备包括存储器1000、处理器2000及存储在该存储器1000上并可在该处理器2000上运行的计算机程序,其中,上述处理器2000执行上述计算机程序时实现上述人群分类方法的步骤。
具体地,上述存储器1000和处理器2000能够为通用的存储器和处理器,这里不做具体限定,当处理器2000运行存储器1000存储的计算机程序时,能够执行上述人群分类方法,从而解决人为的设定多个属性特征导致的对人群的分类结果并不精确,进而导致研究结果出现误差的问题,进够通过非人为的方式从个体的多个属性特征中,确定相似目标属性特征,并基于确定的相似目标属性特征对人群进行分类,得到更加精确的人群分类结果,减少由于属性特征设偏差导致的研究结果的误差的效果。
对应于图2中的人群分类方法,本申请实施例还提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行上述人群分类方法的步骤。
具体地,该存储介质能够为通用的存储介质,如移动磁盘、硬盘等,该存储介质上的计算机程序被运行时,能够执行上述客人群分类方法,从而解决人为的设定多个属性特征导致的对人群的分类结果并不精确,进而导致研究结果出现误差的问题,进够通过非人为的方式从个体的多个属性特征中,确定相似目标属性特征,并基于确定的相似目标属性特征对人群进行分类,得到更加精确的人群分类结果,减少由于属性特征设偏差导致的研究结果的误差的效果。
本申请实施例所提供的人群分类方法以及人群分类系统的计算机程序产品,包括存储了程序代码的计算机可读存储介质,所述程序代码包括的指令可用于执行前面方法实施例中所述的方法,具体实现可参见方法实施例,在此不再赘述。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统和装置的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,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,又例如,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信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,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网络单元上。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,在本申请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。
所述功能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,可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-OnlyMemory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上所述实施例,仅为本申请的具体实施方式,用以说明本申请的技术方案,而非对其限制,本申请的保护范围并不局限于此,尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应所述以权利要求的保护范围为准。
Claims (9)
1.一种人群分类系统,其特征在于,该系统包括:
第一获取模块,用于获取多个属性特征;
确定模块,用于从多个所述属性特征中,确定相似目标属性特征;
第二获取模块,用于获取多个待分类个人分别在各相似目标属性特征下的特征值;
分类模块,用于基于多个待分类个人分别在各相似目标属性特征下的特征值,对多个待分类个人进行分类;
其中,所述确定模块,具体用于通过下述方式从多个所述属性特征中,确定相似目标属性特征:
对多个所述属性特征进行聚类,以得到目标分类;
针对所述目标分类中包括的属性特征大于预设数量的情况,根据所述目标分类中包括的多个属性特征的特征向量,确定所述目标分类的第一中心向量,针对归属所述第一中心向量的属性特征中,选择预设数量个相似目标属性特征;
所述确定模块,还用于:
针对所述目标分类中包括的属性特征大于预设数量的情况,除预设数量个相似目标属性特征之外的属性特征,确定所有中心向量中,除所述第一中心向量之外,与该属性特征对应特征向量距离最近的第二中心向量,并将该属性特征归属于所述第二中心向量对应的分类。
2.根据权利要求1所述的系统,其特征在于,所述确定模块,具体用于通过下述方式从多个所述属性特征中,确定相似目标属性特征:
采用预设聚类算法,对所述多个属性特征进行聚类;
从聚类得到的分类中确定目标分类,并从所述目标分类中包括的多个属性特征中,确定所述目标属性特征。
3.根据权利要求2所述的系统,其特征在于,针对所述目标分类中包括的属性特征等于预设数量的情况,
所述确定模块,具体用于通过下述方式从所述目标分类中包括的多个属性特征中,确定所述目标属性特征:
将所述目标分类中包括的全部属性特征均作为所述目标属性特征。
4.根据权利要求2所述的系统,其特征在于,针对所述目标分类中包括的属性特征大于预设数量的情况,
所述确定模块,具体用于通过下述方式从所述目标分类中包括的多个属性特征中,确定所述目标属性特征:
获取所述目标分类中每个所述属性特征的特征向量与所述第一中心向量之间的距离;
按照所述距离从小到大的顺序,从所述目标分类的所有所述属性特征中,选择预设数量个作为相似目标属性特征。
5.根据权利要求2所述的系统,其特征在于,每个所述属性特征均携带有至少一个标签;标签为根据所述属性特征的属性预先标注形成,
针对所述目标分类中包括的属性特征大于所述预设数量的情况,
所述确定模块,具体用于通过下述方式从所述目标分类中包括的多个属性特征中,确定所述目标属性特征:
按照所述属性特征携带的标签的重叠度从高到低的顺序,从所述目标分类中包括的多个属性特征中,确定预设数量个属性特征作为所述目标属性特征,其中,将两个属性特征携带的相同标签的数量,确定为两个属性特征携带的标签的重叠度。
6.根据权利要求2所述的系统,其特征在于,所述确定模块,具体用于通过下述方式从聚类得到的分类中确定目标分类:
将每个所述分类确定为一个目标分类;
所述确定模块,具体用于针对每个目标分类,从该目标分类中包括的多个属性特征中,确定与该目标分类对应的目标属性特征;
所述第二获取模块,具体用于针对每个目标分类,获取多个待分类个人在该目标分类对应的目标属性特征下的特征值;
所述分类模块,具体用于针对每个目标分类,基于多个待分类个人在该目标分类对应的目标属性特征下的特征值,对多个待分类个人进行分类。
7.根据权利要求2所述的系统,其特征在于,每个所述属性特征均携带有至少一个标签;标签为根据所述属性特征的属性预先标注形成,
所述确定模块,具体用于通过下述方式从聚类得到的分类中确定目标分类:
根据人群分类目标,确定与人群分析目标对应的目标标签;
根据各个分类中所包括的属性特征携带的标签与所述目标标签的重叠度大小,从多个分类中确定至少一个分类作为所述目标分类,其中,所述目标标签由人群分析目标所确定,人群分析目标指示基于分类的人群进行研究的主题。
8.根据权利要求1所述的系统,其特征在于,所述分类模块,具体用于:
针对每两个所述待分类个人,计算该两个待分类个人在各相似目标属性特征下的相似度;
基于该两个待分类个人在各相似目标属性特征下的相似度,计算该两个待分类个人在各相似目标属性特征所表征人群属性的相似度;
基于每两个待分类个人的相似度,对所有待分类个人进行聚类。
9.一种人群分类方法,其特征在于,该方法包括:
获取多个属性特征;
从多个所述属性特征中,确定相似目标属性特征;
获取多个待分类个人分别在各相似目标属性特征下的特征值;
基于多个待分类个人分别在各相似目标属性特征下的特征值,对多个待分类个人进行分类;
其中,具体用于通过下述方式从多个所述属性特征中,确定相似目标属性特征:
对多个所述属性特征进行聚类,以得到目标分类;
针对所述目标分类中包括的属性特征大于预设数量的情况,根据所述目标分类中包括的多个属性特征的特征向量,确定所述目标分类的第一中心向量,针对归属所述第一中心向量的属性特征中,选择预设数量个相似目标属性特征;
针对所述目标分类中包括的属性特征大于预设数量的情况,除预设数量个相似目标属性特征之外的属性特征,确定所有中心向量中,除所述第一中心向量之外,与该属性特征对应特征向量距离最近的第二中心向量,并将该属性特征归属于所述第二中心向量对应的分类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810973524.7A CN110858313B (zh) | 2018-08-24 | 2018-08-24 | 一种人群分类方法以及人群分类系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810973524.7A CN110858313B (zh) | 2018-08-24 | 2018-08-24 | 一种人群分类方法以及人群分类系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110858313A CN110858313A (zh) | 2020-03-03 |
CN110858313B true CN110858313B (zh) | 2023-01-31 |
Family
ID=69636238
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810973524.7A Active CN110858313B (zh) | 2018-08-24 | 2018-08-24 | 一种人群分类方法以及人群分类系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110858313B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112925990B (zh) * | 2021-02-26 | 2022-09-06 | 上海哔哩哔哩科技有限公司 | 目标群体分类方法及装置 |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102063489A (zh) * | 2010-12-29 | 2011-05-18 | 东北大学 | 基于隐含分类信息的模式匹配方法 |
CN102129470A (zh) * | 2011-03-28 | 2011-07-20 | 中国科学技术大学 | 标签聚类方法和系统 |
CN103559630A (zh) * | 2013-10-31 | 2014-02-05 | 华南师范大学 | 一种基于客户属性及行为特征分析的客户细分方法 |
CN105139020A (zh) * | 2015-07-06 | 2015-12-09 | 无线生活(杭州)信息科技有限公司 | 一种用户聚类方法及装置 |
CN106355170A (zh) * | 2016-11-22 | 2017-01-25 | Tcl集团股份有限公司 | 照片分类方法及装置 |
CN106874943A (zh) * | 2017-01-23 | 2017-06-20 | 腾讯科技(深圳)有限公司 | 业务对象分类方法和系统 |
WO2017101506A1 (zh) * | 2015-12-14 | 2017-06-22 | 乐视控股(北京)有限公司 | 信息处理方法及装置 |
CN106919995A (zh) * | 2015-12-25 | 2017-07-04 | 北京国双科技有限公司 | 一种判断用户群体流失倾向的方法及装置 |
CN107247786A (zh) * | 2017-06-15 | 2017-10-13 | 北京小度信息科技有限公司 | 用于确定相似用户的方法、装置和服务器 |
CN107480187A (zh) * | 2017-07-10 | 2017-12-15 | 北京京东尚科信息技术有限公司 | 基于聚类分析的用户价值分类方法和装置 |
CN107622326A (zh) * | 2017-09-13 | 2018-01-23 | 阿里巴巴集团控股有限公司 | 用户分类、可用资源预测方法、装置及设备 |
CN108009248A (zh) * | 2017-11-30 | 2018-05-08 | 国信优易数据有限公司 | 一种数据分类方法和系统 |
CN108090433A (zh) * | 2017-12-12 | 2018-05-29 | 厦门集微科技有限公司 | 人脸识别方法及装置、存储介质、处理器 |
CN108108451A (zh) * | 2017-12-27 | 2018-06-01 | 合肥美的智能科技有限公司 | 群体的群体用户画像获取方法和装置 |
CN108228587A (zh) * | 2016-12-13 | 2018-06-29 | 北大方正集团有限公司 | 群体识别方法及群体识别装置 |
CN108304427A (zh) * | 2017-04-28 | 2018-07-20 | 腾讯科技(深圳)有限公司 | 一种用户客群分类方法和装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170372135A1 (en) * | 2016-06-27 | 2017-12-28 | Xerox Corporation | System and method to collaboratively identify paper-intensive processes |
US20170372225A1 (en) * | 2016-06-28 | 2017-12-28 | Microsoft Technology Licensing, Llc | Targeting content to underperforming users in clusters |
-
2018
- 2018-08-24 CN CN201810973524.7A patent/CN110858313B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102063489A (zh) * | 2010-12-29 | 2011-05-18 | 东北大学 | 基于隐含分类信息的模式匹配方法 |
CN102129470A (zh) * | 2011-03-28 | 2011-07-20 | 中国科学技术大学 | 标签聚类方法和系统 |
CN103559630A (zh) * | 2013-10-31 | 2014-02-05 | 华南师范大学 | 一种基于客户属性及行为特征分析的客户细分方法 |
CN105139020A (zh) * | 2015-07-06 | 2015-12-09 | 无线生活(杭州)信息科技有限公司 | 一种用户聚类方法及装置 |
WO2017101506A1 (zh) * | 2015-12-14 | 2017-06-22 | 乐视控股(北京)有限公司 | 信息处理方法及装置 |
CN106919995A (zh) * | 2015-12-25 | 2017-07-04 | 北京国双科技有限公司 | 一种判断用户群体流失倾向的方法及装置 |
CN106355170A (zh) * | 2016-11-22 | 2017-01-25 | Tcl集团股份有限公司 | 照片分类方法及装置 |
CN108228587A (zh) * | 2016-12-13 | 2018-06-29 | 北大方正集团有限公司 | 群体识别方法及群体识别装置 |
CN106874943A (zh) * | 2017-01-23 | 2017-06-20 | 腾讯科技(深圳)有限公司 | 业务对象分类方法和系统 |
CN108304427A (zh) * | 2017-04-28 | 2018-07-20 | 腾讯科技(深圳)有限公司 | 一种用户客群分类方法和装置 |
CN107247786A (zh) * | 2017-06-15 | 2017-10-13 | 北京小度信息科技有限公司 | 用于确定相似用户的方法、装置和服务器 |
CN107480187A (zh) * | 2017-07-10 | 2017-12-15 | 北京京东尚科信息技术有限公司 | 基于聚类分析的用户价值分类方法和装置 |
CN107622326A (zh) * | 2017-09-13 | 2018-01-23 | 阿里巴巴集团控股有限公司 | 用户分类、可用资源预测方法、装置及设备 |
CN108009248A (zh) * | 2017-11-30 | 2018-05-08 | 国信优易数据有限公司 | 一种数据分类方法和系统 |
CN108090433A (zh) * | 2017-12-12 | 2018-05-29 | 厦门集微科技有限公司 | 人脸识别方法及装置、存储介质、处理器 |
CN108108451A (zh) * | 2017-12-27 | 2018-06-01 | 合肥美的智能科技有限公司 | 群体的群体用户画像获取方法和装置 |
Non-Patent Citations (4)
Title |
---|
Group Behaviour Profiling for Detection of Anomaly in Crowd;Geetha Palanisamy等;《2017 International Conference on Technical Advancements in Computers and Communications (ICTACC)》;20171016;11-15 * |
Identifying social groups in pedestrian crowd videos;Arun Kumar Chandran等;《2015 Eighth International Conference on Advances in Pattern Recognition (ICAPR)》;20150302;1-6 * |
一种基于位置语义和概率的人群分类方法;邱运芬等;《数据采集与处理》;20180330;第33卷(第3期);538-546 * |
基于弹幕情感分析和聚类算法的视频用户群体分类;洪庆等;《计算机工程与科学》;20180630;第40卷(第6期);1125-1139 * |
Also Published As
Publication number | Publication date |
---|---|
CN110858313A (zh) | 2020-03-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Casm: A deep-learning approach for identifying collective action events with text and image data from social media | |
US10198635B2 (en) | Systems and methods for associating an image with a business venue by using visually-relevant and business-aware semantics | |
CN112417096B (zh) | 问答对匹配方法、装置、电子设备及存储介质 | |
US10692019B2 (en) | Failure feedback system for enhancing machine learning accuracy by synthetic data generation | |
US20220405607A1 (en) | Method for obtaining user portrait and related apparatus | |
US9665551B2 (en) | Leveraging annotation bias to improve annotations | |
WO2019061989A1 (zh) | 贷款风险控制方法、电子装置及可读存储介质 | |
US20180068028A1 (en) | Methods and systems for identifying same users across multiple social networks | |
CN111192153B (zh) | 人群关系网络构建方法、装置、计算机设备和存储介质 | |
US10929775B2 (en) | Statistical self learning archival system | |
US20130006915A1 (en) | Decision graph for event stream data | |
US20180005022A1 (en) | Method and device for obtaining similar face images and face image information | |
CN108073645A (zh) | 一种招聘平台的求职人推荐页面展示方法及装置 | |
CN112784168B (zh) | 信息推送模型训练方法以及装置、信息推送方法以及装置 | |
US10096013B2 (en) | Systems and methods for clustering of customers using transaction patterns | |
Hashemian et al. | Socioeconomic characterization of regions through the lens of individual financial transactions | |
CN114648392B (zh) | 基于用户画像的产品推荐方法、装置、电子设备及介质 | |
US11250345B1 (en) | Methods for identifying transactions with user location information | |
CN111582932A (zh) | 场景间信息推送方法、装置、计算机设备及存储介质 | |
KR102449694B1 (ko) | Ai 기반의 만남 매칭 서비스를 제공하는 방법 및 장치 | |
CN110858313B (zh) | 一种人群分类方法以及人群分类系统 | |
CN114463040A (zh) | 广告计划生成方法、装置、计算机设备及存储介质 | |
CN110619090B (zh) | 一种区域吸引力评估方法及设备 | |
CN116467525A (zh) | 业务产品的推荐方法、装置、设备和存储介质 | |
WO2019223082A1 (zh) | 客户类别分析方法、装置、计算机设备和存储介质 |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 100070, No. 101-8, building 1, 31, zone 188, South Fourth Ring Road, Beijing, Fengtai District Applicant after: Guoxin Youyi Data Co.,Ltd. Address before: 100070, No. 188, building 31, headquarters square, South Fourth Ring Road West, Fengtai District, Beijing Applicant before: SIC YOUE DATA Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |