CN110930189A - 基于用户行为的个性化营销方法 - Google Patents
基于用户行为的个性化营销方法 Download PDFInfo
- Publication number
- CN110930189A CN110930189A CN201911144412.1A CN201911144412A CN110930189A CN 110930189 A CN110930189 A CN 110930189A CN 201911144412 A CN201911144412 A CN 201911144412A CN 110930189 A CN110930189 A CN 110930189A
- Authority
- CN
- China
- Prior art keywords
- user
- data
- demand
- access
- users
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 230000006399 behavior Effects 0.000 title claims abstract description 42
- 238000004458 analytical method Methods 0.000 claims abstract description 13
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 5
- 239000013598 vector Substances 0.000 claims description 24
- 230000008569 process Effects 0.000 claims description 19
- 230000011218 segmentation Effects 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 13
- 238000013499 data model Methods 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 9
- 238000005259 measurement Methods 0.000 claims description 9
- 230000003416 augmentation Effects 0.000 claims description 6
- 238000013145 classification model Methods 0.000 claims description 6
- 230000000295 complement effect Effects 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 5
- 238000003062 neural network model Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 claims description 3
- 238000004806 packaging method and process Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000002457 bidirectional effect Effects 0.000 abstract description 2
- 238000012545 processing Methods 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Images
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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
Landscapes
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于用户行为的个性化营销方法,属于数据处理领域,收集用户行为访问数据,使用语义分析方法对用户行为访问数据进行分类,根据用户行为访问分类数据构建用户群,根据用户行为访问分类数据构建用户需求数据集,对用户群进行用户划分得到子用户。通过前期对用户访问行为数据进行收集,然后对访问数据集进行统一语义分析分类,同时对访问用户进行分类,根据用户群体所述类别和用户序曲进行正向需求分解同义匹配,同时用户与需求进行双向的匹配,使得更好挖掘出用户的真正的需求,从用户需求的时间顺序和需求的前后需求数据都进行了全方位的分析定位,使得更精准的给用户推销,推销的数据更有用,更好满足用户的需求。
Description
技术领域
本发明涉及计算机数据处理领域,尤其涉及基于用户行为的个性化营销方法。
背景技术
近年来,以互联网、移动互联网为基础的信息化、全球化趋势,已经深入的改变了我们的生活模式、生产模式、竞争模式。随着大数据时代的到来,对于精准营销的需求也正在上升。如何通过技术手段,挖掘大数据下的深层次关系,让营销更准确、有效已经成为营销中重中之重。传统的营销方式产生的结果是,服务质量较差,不能有效的提高对客户的服务效率。
现有很多线上的营销推广均是根据用户具体访问的数据需求,然后再给用户推销需要该需求相关的商品或者服务。但是由于很多的用户访问数据是已经解决了需要商品或者服务,如果系统在重复的推销会使得用户很反感,同时达不到推销的效果。
发明内容
本发明的目的在于提供基于用户行为的个性化营销方法,解决现有线上推销方法不精准,不能全方位分许用户的具体需求的技术问题。
基于用户行为的个性化营销方法,所述方法包括如下步骤:
步骤1:收集用户行为访问数据;
步骤2:使用语义分析方法对用户行为访问数据进行分类;
步骤3:根据用户行为访问分类数据构建用户群;
步骤4:根据用户行为访问分类数据构建用户需求数据集;
步骤5:对用户群进行用户划分得到子用户;
步骤6:根据子用户匹配访问数据的需求数据,得到子用户访问需求数据;
步骤7:收集每个子用户的需求,并按语义将上级需求分解得到独立的需求元,得到初始需求数据集;
步骤8:汇总所有子用户的需求元,按需求元相似、互补原则合并,得到子用户与需求元模型;
步骤9:以需求元作为检索域,用户群作为物理域,根据总需的层次关系进行逐个映射,得到对应的数据,按映射关系汇总得到数据模型;
步骤10:把子用户访问需求数据输入数据模型进行检索匹配出子用户的有效需求数据;
步骤11:把子用户的有效需求数据根据子用户在用户群的分类进行需求营销推送。
进一步地,所述步骤1中的具体过程为:
建立访问触发器和和访问数据缓存数据库,当用户发送访问请求时,系统或者浏览器页面把访问请求数据存入访问数据缓存数据库内,每隔固定时间将访问请求数据打包发送给语义分析系统。
进一步地,所述步骤2的具体过程为:
步骤2.1:生成用户需求数据语义表;
步骤2.2:生成用户需求语料增广数据;
步骤2.3:把增广数据输入神经网络模型进行训练,生成相关的需求语义句子向量模型和需求分类模型;
步骤2.4:分解用户的每一条访问数据,根据同义词表提取单条访问数据中的定长字符;
步骤2.5:定长字符输入句子向量模型和需求分类模型取得表示该单挑访问数据语义句向量和需求分类类别;
步骤2.6:把生成的访问语义句向量通过局部敏感hash函数或向量夹角余弦度量对比句向量集S,获取距离小于d的需求集R。
进一步地,所述步骤2.1的具体过程为:
步骤2.1.1:通过互联网获取公开的用户需求行为分类基本文本语料集D;
步骤2.1.2:使用分词工具对语料集D进行分词,全用尺寸为4,步长为2窗口获得二元语言学训练数据;
步骤2.1.3:将二元语言学训练数据进行Word2Vec模型训练得到词向量表示;
步骤2.1.4:计算每两个词向量vi,vj间的夹角余值作为两个词的相似度,获得相似度量矩阵;
步骤2.1.5:通过度量获取与词vi最邻近的3个词即vi的3个同义词得到需求行为的同义词表。
5.根据权利要求3所述的基于用户行为的个性化营销方法,其特征在于:所述步骤2.2的具体过程为:
步骤2.2.1:输入一条访问数据语料,判断该类语料数量n是否大于等于1万条;
步骤2.2.2:如果n小于1万,直接采样输出该语料,如果n大于等于1万执行下一步;
步骤2.2.3:对输入的语料进行分词,获得该语料情的分词表;
步骤2.2.4:等概率生成[a,b,c,d,e]中的一个随机变量N,如N=a采用同义词替换法该语料情的分词表中的3个单词生成新语料;如N=b在句子中找到一个随机词的随机同义词,将该同义词插入句子中的随机位置生成新语料;如N=c随机选择分词表里的两个单词交换位置生成新语料;如N=d随机删除分词表中的1个单词生成新语料;如N=e直接输出该语料。
进一步地,所述步骤3中构建用户群的过程为:
根据估算访问用户的年龄、地点、访问时间和以往消费情况来分析和汇总构建用户的所述层次用户群,并根据用户群收索现有用户的用户群的常规需求数据与用户群进行匹配,并把用户群的常规需求数据作为用户的访问需求数据进行分析。
进一步地,所述步骤5的具体过程:
对同一层次的用户中用户需求相同的用户合并为一个子用户,得到独立的子用户。
进一步地,所述步骤6的具体过程为:
每个子用户收集各用户的需求,并基于UML的用例图描述用户需求,对每个需求分解到最小粒度的需求元,直到所有需求都不能再分,得到的需求元之间彼此独立,需求元之间不能够有一样的需求信息和语义重叠的需求;
述需求元之间应满足以下数学关系:
式中,R表示一个需要划分的上级需求,r1,r2,r3,···,ri,···,rn代表分解后得到的n个需求元,按此得到初始的个性化需求数据。
进一步地,所述步骤8构建子用户与需求元模型的具体过程为:
对所有用户的用户需求元进行合并,得到由独立需求元构成的总需求模型和用户与需求模型,合并采取相同和互补原则进行,相同合并原则指语义相同、相近的需求合并;互补合并原则指彼此刚好互相满足的需求合并。
进一步地,所述步骤10的具体过程:
把用户单条的方位需求数据与数据模型进行匹配,匹配数据时,把访问需求的后位需求相同或者相近的数据作为用户的第一需求数据,与用户访问相同的用户数据作为第二用户需求数据,在营销推送中先推送第一需求数据,然后再推送第二需求数据。
本发明采用了上述技术方案,本发明具有以下技术效果:
本发明通过前期对用户访问行为数据进行收集,然后对访问数据集进行统一语义分析分类,同时对访问用户进行分类,根据用户群体所述类别和用户序曲进行正向需求分解同义匹配,同时用户与需求进行双向的匹配,使得更好挖掘出用户的真正的需求,从用户需求的时间顺序和需求的前后需求数据都进行了全方位的分析定位,使得更精准的给用户推销,推销的数据更有用,更好满足用户的需求。
附图说明
图1是本发明方法流程图。
图2是本发明访问数据分类流程图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白,举出优选实施例,对本发明进一步详细说明。然而,需要说明的是,说明书中列出的许多细节仅仅是为了使读者对本发明的一个或多个方面有一个透彻的理解,即便没有这些特定的细节也可以实现本发明的这些方面。
如图1所示,本发明基于用户行为的个性化营销方法,所述方法包括如下步骤:
步骤1:收集用户行为访问数据。建立访问触发器和和访问数据缓存数据库,当用户发送访问请求时,系统或者浏览器页面把访问请求数据存入访问数据缓存数据库内,每隔固定时间将访问请求数据打包发送给语义分析系统。
触发器为访问即可触发,不管是否访问成功,如果访问不成功,或者网络不稳定时,浏览器先缓存访问数据,当网络正常后,再把缓存的数据上传。
步骤2:使用语义分析方法对用户行为访问数据进行分类。
步骤2.1:生成用户需求数据语义表。
步骤2.1.1:通过互联网获取公开的用户需求行为分类基本文本语料集D。
步骤2.1.2:使用分词工具对语料集D进行分词,全用尺寸为4,步长为2窗口获得二元语言学训练数据。
步骤2.1.3:将二元语言学训练数据进行Word2Vec模型训练得到词向量表示。
步骤2.1.4:计算每两个词向量vi,vj间的夹角余值作为两个词的相似度,获得相似度量矩阵。
步骤2.1.5:通过度量获取与词vi最邻近的3个词即vi的3个同义词得到需求行为的同义词表。
步骤2.2:生成用户需求语料增广数据。
步骤2.2.1:输入一条访问数据语料,判断该类语料数量n是否大于等于1万条。
步骤2.2.2:如果n小于1万,直接采样输出该语料,如果n大于等于1万执行下一步。
步骤2.2.3:对输入的语料进行分词,获得该语料情的分词表。
步骤2.2.4:等概率生成[a,b,c,d,e]中的一个随机变量N,如N=a采用同义词替换法该语料情的分词表中的3个单词生成新语料;如N=b在句子中找到一个随机词的随机同义词,将该同义词插入句子中的随机位置生成新语料;如N=c随机选择分词表里的两个单词交换位置生成新语料;如N=d随机删除分词表中的1个单词生成新语料;如N=e直接输出该语料。
同义词替换,从句子中随机选择不是停用词的n个单词。用随机选择的一个同义词替换每个单词生成新语料。
随机插入,在句子中找到一个随机词的随机同义词。将该同义词插入句子中的随机位置生成新语料。
随机交换,随机选择句子中的两个单词并交换位置生成新语料
随机删除,对于句子中的每个单词,以概率p随机删除它。
步骤2.3:把增广数据输入神经网络模型进行训练,生成相关的需求语义句子向量模型和需求分类模型。神经网络模型为现有训练模型。
步骤2.4:分解用户的每一条访问数据,根据同义词表提取单条访问数据中的定长字符。
步骤2.5:定长字符输入句子向量模型和需求分类模型取得表示该单挑访问数据语义句向量和需求分类类别。
步骤2.6:把生成的访问语义句向量通过局部敏感hash函数或向量夹角余弦度量对比句向量集S,获取距离小于d的需求集R。
步骤3:根据用户行为访问分类数据构建用户群。根据估算访问用户的年龄、地点、访问时间和以往消费情况来分析和汇总构建用户的所述层次用户群,并根据用户群收索现有用户的用户群的常规需求数据与用户群进行匹配,并把用户群的常规需求数据作为用户的访问需求数据进行分析。
步骤4:根据用户行为访问分类数据构建用户需求数据集。把用户的访问数据进行语义匹配和筛选,得到需求相关的关键字,然后把需求的相关的关键字进行汇总,汇总过程中,出现相同的需求或者相同的词语时,保留其中的一个。当时从现有的资料系统中收集所有需求关键字词的同义词或者相近意思的词,然后统一汇总得到用户需求数据集。使得更全面的对用户数据进行分析,不会出现遗漏,更好的掌握用户的需求数据。
步骤5:对用户群进行用户划分得到子用户。对同一层次的用户中用户需求相同的用户合并为一个子用户,得到独立的子用户。通过年龄段和工作属性等进行分层次,比如是大妈型或者少女型的层次。
步骤6:根据子用户匹配访问数据的需求数据,得到子用户访问需求数据。每个子用户收集各用户的需求,并基于UML的用例图描述用户需求,对每个需求分解到最小粒度的需求元,直到所有需求都不能再分,得到的需求元之间彼此独立,需求元之间不能够有一样的需求信息和语义重叠的需求;
述需求元之间应满足以下数学关系:
式中,R表示一个需要划分的上级需求,r1,r2,r3,···,ri,···,rn代表分解后得到的n个需求元,按此得到初始的个性化需求数据。
步骤7:收集每个子用户的需求,并按语义将上级需求分解得到独立的需求元,得到初始需求数据集。先从细小的角度进行需求的分析和收集,然后把收集的需求斤西瓜统一分类规划,得到一个总的需求分析,然后在寻找总的需求分析的同义分析词等,使得从细化到全面化的分许和寻找。
步骤8:汇总所有子用户的需求元,按需求元相似、互补原则合并,得到子用户与需求元模型。对所有用户的用户需求元进行合并,得到由独立需求元构成的总需求模型和用户与需求模型,合并采取相同和互补原则进行,相同合并原则指语义相同、相近的需求合并;互补合并原则指彼此刚好互相满足的需求合并。
步骤9:以需求元作为检索域,用户群作为物理域,根据总需的层次关系进行逐个映射,得到对应的数据,按映射关系汇总得到数据模型。建立对应用户映射关系,需求与用户的映射关系通过如下映射矩阵描述:
[Rs]=[A][Ds]
式中A为设计方阵,表达需求与对应用户之间是否有关系,用0和X来描述,0表示两者之间没有关联,X表示两者之间关联性强,Rs为需求,Ds为数据。
步骤10:把子用户访问需求数据输入数据模型进行检索匹配出子用户的有效需求数据。把用户单条的方位需求数据与数据模型进行匹配,匹配数据时,把访问需求的后位需求相同或者相近的数据作为用户的第一需求数据,与用户访问相同的用户数据作为第二用户需求数据,在营销推送中先推送第一需求数据,然后再推送第二需求数据。其中还根据等级的分类,还有第三用户需求数据和第四用户需求数据等。
步骤11:把子用户的有效需求数据根据子用户在用户群的分类进行需求营销推送。比如最显眼的位置用于宣传第一需求数据,然后不够显眼的位置用于宣传第二用户需求数据。根据广告选用的优先对不同等级数据进行排列宣传。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以作出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.基于用户行为的个性化营销方法,其特征在于:所述方法包括如下步骤:
步骤1:收集用户行为访问数据;
步骤2:使用语义分析方法对用户行为访问数据进行分类;
步骤3:根据用户行为访问分类数据构建用户群;
步骤4:根据用户行为访问分类数据构建用户需求数据集;
步骤5:对用户群进行用户划分得到子用户;
步骤6:根据子用户匹配访问数据的需求数据,得到子用户访问需求数据;
步骤7:收集每个子用户的需求,并按语义将上级需求分解得到独立的需求元,得到初始需求数据集;
步骤8:汇总所有子用户的需求元,按需求元相似、互补原则合并,得到子用户与需求元模型;
步骤9:以需求元作为检索域,用户群作为物理域,根据总需的层次关系进行逐个映射,得到对应的数据,按映射关系汇总得到数据模型;
步骤10:把子用户访问需求数据输入数据模型进行检索匹配出子用户的有效需求数据;
步骤11:把子用户的有效需求数据根据子用户在用户群的分类进行需求营销推送。
2.根据权利要求1所述的基于用户行为的个性化营销方法,其特征在于:所述步骤1中的具体过程为:
建立访问触发器和和访问数据缓存数据库,当用户发送访问请求时,系统或者浏览器页面把访问请求数据存入访问数据缓存数据库内,每隔固定时间将访问请求数据打包发送给语义分析系统。
3.根据权利要求1所述的基于用户行为的个性化营销方法,其特征在于:所述步骤2的具体过程为:
步骤2.1:生成用户需求数据语义表;
步骤2.2:生成用户需求语料增广数据;
步骤2.3:把增广数据输入神经网络模型进行训练,生成相关的需求语义句子向量模型和需求分类模型;
步骤2.4:分解用户的每一条访问数据,根据同义词表提取单条访问数据中的定长字符;
步骤2.5:定长字符输入句子向量模型和需求分类模型取得表示该单挑访问数据语义句向量和需求分类类别;
步骤2.6:把生成的访问语义句向量通过局部敏感hash函数或向量夹角余弦度量对比句向量集S,获取距离小于d的需求集R。
4.根据权利要求3所述的基于用户行为的个性化营销方法,其特征在于:所述步骤2.1的具体过程为:
步骤2.1.1:通过互联网获取公开的用户需求行为分类基本文本语料集D;
步骤2.1.2:使用分词工具对语料集D进行分词,全用尺寸为4,步长为2窗口获得二元语言学训练数据;
步骤2.1.3:将二元语言学训练数据进行Word2Vec模型训练得到词向量表示;
步骤2.1.4:计算每两个词向量vi,vj间的夹角余值作为两个词的相似度,获得相似度量矩阵;
步骤2.1.5:通过度量获取与词vi最邻近的3个词即vi的3个同义词得到需求行为的同义词表。
5.根据权利要求3所述的基于用户行为的个性化营销方法,其特征在于:所述步骤2.2的具体过程为:
步骤2.2.1:输入一条访问数据语料,判断该类语料数量n是否大于等于1万条;
步骤2.2.2:如果n小于1万,直接采样输出该语料,如果n大于等于1万执行下一步;
步骤2.2.3:对输入的语料进行分词,获得该语料情的分词表;
步骤2.2.4:等概率生成[a,b,c,d,e]中的一个随机变量N,如N=a采用同义词替换法该语料情的分词表中的3个单词生成新语料;如N=b在句子中找到一个随机词的随机同义词,将该同义词插入句子中的随机位置生成新语料;如N=c随机选择分词表里的两个单词交换位置生成新语料;如N=d随机删除分词表中的1个单词生成新语料;如N=e直接输出该语料。
6.根据权利要求1所述的基于用户行为的个性化营销方法,其特征在于:所述步骤3中构建用户群的过程为:
根据估算访问用户的年龄、地点、访问时间和以往消费情况来分析和汇总构建用户的所述层次用户群,并根据用户群收索现有用户的用户群的常规需求数据与用户群进行匹配,并把用户群的常规需求数据作为用户的访问需求数据进行分析。
7.根据权利要求1所述的基于用户行为的个性化营销方法,其特征在于:所述步骤5的具体过程:
对同一层次的用户中用户需求相同的用户合并为一个子用户,得到独立的子用户。
9.根据权利要求1所述的基于用户行为的个性化营销方法,其特征在于:所述步骤8构建子用户与需求元模型的具体过程为:
对所有用户的用户需求元进行合并,得到由独立需求元构成的总需求模型和用户与需求模型,合并采取相同和互补原则进行,相同合并原则指语义相同、相近的需求合并;互补合并原则指彼此刚好互相满足的需求合并。
10.根据权利要求1所述的基于用户行为的个性化营销方法,其特征在于:所述步骤10的具体过程:
把用户单条的方位需求数据与数据模型进行匹配,匹配数据时,把访问需求的后位需求相同或者相近的数据作为用户的第一需求数据,与用户访问相同的用户数据作为第二用户需求数据,在营销推送中先推送第一需求数据,然后再推送第二需求数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911144412.1A CN110930189A (zh) | 2019-11-20 | 2019-11-20 | 基于用户行为的个性化营销方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911144412.1A CN110930189A (zh) | 2019-11-20 | 2019-11-20 | 基于用户行为的个性化营销方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110930189A true CN110930189A (zh) | 2020-03-27 |
Family
ID=69851446
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911144412.1A Pending CN110930189A (zh) | 2019-11-20 | 2019-11-20 | 基于用户行为的个性化营销方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110930189A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111179101A (zh) * | 2019-12-13 | 2020-05-19 | 广西职业技术学院 | 一种基于共享网络的互联网保险营销数据处理系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103136360A (zh) * | 2013-03-07 | 2013-06-05 | 北京宽连十方数字技术有限公司 | 一种互联网行为标注引擎及对应该引擎的行为标注方法 |
CN105989004A (zh) * | 2015-01-27 | 2016-10-05 | 阿里巴巴集团控股有限公司 | 一种信息投放的预处理方法和装置 |
CN109491641A (zh) * | 2018-10-25 | 2019-03-19 | 广西大学 | 一种产品运行管理数据模型的构建方法 |
CN110196977A (zh) * | 2019-05-31 | 2019-09-03 | 广西南宁市博睿通软件技术有限公司 | 一种智能警情督导处理系统及方法 |
-
2019
- 2019-11-20 CN CN201911144412.1A patent/CN110930189A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103136360A (zh) * | 2013-03-07 | 2013-06-05 | 北京宽连十方数字技术有限公司 | 一种互联网行为标注引擎及对应该引擎的行为标注方法 |
CN105989004A (zh) * | 2015-01-27 | 2016-10-05 | 阿里巴巴集团控股有限公司 | 一种信息投放的预处理方法和装置 |
CN109491641A (zh) * | 2018-10-25 | 2019-03-19 | 广西大学 | 一种产品运行管理数据模型的构建方法 |
CN110196977A (zh) * | 2019-05-31 | 2019-09-03 | 广西南宁市博睿通软件技术有限公司 | 一种智能警情督导处理系统及方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111179101A (zh) * | 2019-12-13 | 2020-05-19 | 广西职业技术学院 | 一种基于共享网络的互联网保险营销数据处理系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11775760B2 (en) | Man-machine conversation method, electronic device, and computer-readable medium | |
Albalawi et al. | Using topic modeling methods for short-text data: A comparative analysis | |
CN109189942B (zh) | 一种专利数据知识图谱的构建方法及装置 | |
CN106649818B (zh) | 应用搜索意图的识别方法、装置、应用搜索方法和服务器 | |
CN110888990B (zh) | 文本推荐方法、装置、设备及介质 | |
US8073877B2 (en) | Scalable semi-structured named entity detection | |
CN101593200B (zh) | 基于关键词频度分析的中文网页分类方法 | |
US7519588B2 (en) | Keyword characterization and application | |
CN107862070B (zh) | 基于文本聚类的线上课堂讨论短文本即时分组方法及系统 | |
US20130060769A1 (en) | System and method for identifying social media interactions | |
CN113822067A (zh) | 关键信息提取方法、装置、计算机设备及存储介质 | |
CN107918644B (zh) | 声誉管理框架内的新闻议题分析方法和实施系统 | |
JP2005526317A (ja) | ドキュメントコーパスからコンセプト階層構造を自動に捜索する方法及びシステム | |
CN112989208B (zh) | 一种信息推荐方法、装置、电子设备及存储介质 | |
CN111767725A (zh) | 一种基于情感极性分析模型的数据处理方法及装置 | |
WO2023108980A1 (zh) | 基于文本对抗样例的信息推送方法及装置 | |
JP2009110508A (ja) | オブジェクト間の競合指標計算方法およびシステム | |
Lin et al. | NL2API: A framework for bootstrapping service recommendation using natural language queries | |
JP5427694B2 (ja) | 関連コンテンツ提示装置及びプログラム | |
Huang et al. | Multi-task learning for entity recommendation and document ranking in web search | |
CN110019763B (zh) | 文本过滤方法、系统、设备及计算机可读存储介质 | |
CN111444713A (zh) | 新闻事件内实体关系抽取方法及装置 | |
CN107665442B (zh) | 获取目标用户的方法及装置 | |
CN111737607A (zh) | 数据处理方法、装置、电子设备以及存储介质 | |
CN110930189A (zh) | 基于用户行为的个性化营销方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200327 |