CN111046297A - 一种基于机器学习算法的服务智能匹配推荐方法、装置、设备及存储介质 - Google Patents
一种基于机器学习算法的服务智能匹配推荐方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN111046297A CN111046297A CN202010168318.6A CN202010168318A CN111046297A CN 111046297 A CN111046297 A CN 111046297A CN 202010168318 A CN202010168318 A CN 202010168318A CN 111046297 A CN111046297 A CN 111046297A
- Authority
- CN
- China
- Prior art keywords
- user
- data
- service
- machine learning
- learning algorithm
- 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
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
- 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
- G06Q30/0269—Targeted advertisements based on user profile or attribute
- G06Q30/0271—Personalized advertisement
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及互联网信息技术领域，公开了一种基于机器学习算法的服务智能匹配推荐方法、装置、设备及存储介质，即首先根据用户数据，采用机器学习算法对目标用户进行分类，得到目标用户所属的用户类别，然后查找得到与用户类别对应的多条预制的服务内容以及与各条服务内容一一对应的触发逻辑规则，最后监控目标用户的用户即时行为数据，并在当前监控周期内所采集获取的用户即时行为数据中发现满足某条服务内容的触发逻辑规则时，将该条服务内容调出并推送至目标用户的应用前端，由此可以大大提高所推荐的服务信息与用户需求的匹配度，保障服务推荐的高精准度，特别适用于在诸如会计服务、法律服务、咨询服务和企业服务等中介服务网络平台中。
Description
技术领域
本发明属于互联网信息技术领域，具体地涉及一种基于机器学习算法的服务智能匹配推荐方法、装置、设备及存储介质。
背景技术
随着“互联网+”时代的到来，信息技术运用到行业的方方面面，使得创业型、微小型企业发展迅猛，随之而产生的且诸如会计服务、法律服务、咨询服务和企业服务等中介服务也被人们所广泛接受。例如，很多微小企业经营的规模小、没有专职的财务人员，需要找专业的财税中介机构帮助企业进行财务和税务的管理。
考虑提供服务的中介机构众多，用户难以通过互联网查找到合适或匹配的服务机构，由此针对服务信息的推荐引擎技术应运而生，其技术目的是主动发现用户当前或潜在需求的定律，并主动推送服务信息给用户的信息网络；以及挖掘用户的喜好和需求，主动向用户推荐其感兴趣或者需要的对象；推荐引擎不是被动查找，而是主动推送；不是独立媒体，而是媒体网络；不是检索机制，而是主动学习。推荐引擎技术是一种利用基于内容、基于用户行为、基于社交关系网络等多种方法，为用户推荐其喜欢的商品或内容的互联网信息技术。但是对于目前的推荐引擎技术，所推荐的服务信息与用户需求的匹配度还十分有限，存在服务推荐精准度不高的问题。
发明内容
为了解决现有推荐引擎技术所存在的服务推荐精准度不高的问题，本发明目的在于提供一种基于机器学习算法的服务智能匹配推荐方法、装置、设备及存储介质。
本发明所采用的技术方案为：
一种基于机器学习算法的服务智能匹配推荐方法，包括如下步骤：
S101.采集获取目标用户的用户数据，其中，所述用户数据包括用户静态数据和用户历史行为数据，所述用户静态数据包括用户年龄信息、用户性别信息、用户职业信息和用户职业证书级别信息中的任意一种或它们的任意组合；
S102.根据所述用户数据，采用机器学习算法对目标用户进行分类，得到目标用户所属的用户类别，其中，所述用户类别包括白领上班族、宅居族、家庭主妇族、公司高管族和老人族中的任意一种或它们的任意组合；
S103.根据目标用户所属的用户类别，查找得到多条预制的服务内容以及与各条服务内容一一对应的触发逻辑规则，其中，所述触发逻辑规则为由若干触发因素的出现逻辑值所构成的布尔运算式；
S104.监控目标用户的用户即时行为数据,若在当前监控周期内所采集获取的用户即时行为数据中发现满足某条服务内容的触发逻辑规则，则将该条服务内容调出并推送至目标用户的应用前端，否则继续监控目标用户的用户即时行为数据。
优化的，在所述步骤S101中，包括有如下步骤：通过日志数据的拉取方式、数据库记录数据的抽取方式和网络公开数据的爬虫抓取方式中的任意一种或它们的任意组合采集获取所述用户数据。
优化的，在所述步骤S102中，所采用的机器学习算法为K最近邻分类算法，并按照如下步骤S201～S205得到目标用户所属的用户类别：
S201.对所述用户数据进行预处理，得到数据结构与训练数据一致的测试元素，其中，预处理方式包括数据清洗和/或数据分类；
S202.在设定参数K的取值后，维护一个队列长度为K且按距离由小到大排列的最近邻队列；
S203.从所述训练数据中随机选取K个训练元素作为所述测试元素的初始最近邻元素，然后分别计算所述测试元素到各个初始最近邻元素的距离，并按距离由小到大排列方式将各个初始最近邻元素的唯一标号及对应距离存入所述最近邻队列中；
S204.按照如下方式遍历所述训练数据中的各个训练元素：先计算所述测试元素到训练元素的距离，若某个训练元素的对应距离小于所述最近邻队列中最末位元素的对应距离，则在所述最近邻队列中删除该最末位元素的唯一标号及对应距离，然后将该训练元素的唯一标号及对应距离存入所述最近邻队列中，并在所述最近邻队列中按距离由小到大重新排列各个元素；
S205.在遍历完毕后，分析获取所述最近邻队列中K个训练元素的多数元素所属用户类别，然后将该多数元素所属用户类别作为目标用户所属的用户类别。
进一步优化的，在所述步骤S205之后还包括如下步骤：
S206.计算所述测试元素到所述最近邻队列中各个元素的距离标准差；
S207.针对设定的且参数K的多个不同取值，逐一地重复执行步骤S202～S206,得到对应的距离标准差和多数元素所属用户类别；
S208.选取与距离标准差最小值对应的多数元素所属用户类别作为目标用户最终所属的用户类别。
优化的，在所述步骤S102之后且所述步骤S103之前，还包括有如下步骤S301～S302:
S301.根据目标用户所属的用户类别，查找得到基于层次分析法所得的且关于该用户类别与各个分类指标的权重计算公式：
式中，
为用户类别的权重计算结果，
为分类指标的总数，
为介于1～
之间的自然数，
为第
个分类指标的影响权重，
为第
个分类指标的出现逻辑值，所述出现逻辑值为1表示出现对应的分类指标，所述出现逻辑值为0表示不出现对应的分类指标；
S302.根据分类指标在所述用户历史行为数据和个性偏好设置信息中所出现的结果，导入所述权重计算公式中进行计算，若计算结果未超过预设阈值，则取消将目标用户归属于该用户类别，然后返回执行步骤S102。
进一步优化的，在所述步骤S301之前，按照如下步骤S3001～S3004得到各个分类指标的影响权重：
S3001.将数据分为用户行为数据和个性偏好数据，并从所述用户行为数据中筛选出用于区分用户类别的用户行为类分类指标，以及从所述个性偏好数据中筛选出用于区分用户类别的个性偏好类分类指标；
S3002.采用层次分析法中的“1-9”标度法构造包含有若干不同用户行为类分类指标的用户行为判断矩阵和包含有若干不同个性偏好类分类指标的个性偏好判断矩阵；
S3003.针对各个用户行为类分类指标，根据所述用户行为判断矩阵计算出对应的影响权重系数，以及针对各个个性偏好类分类指标，根据所述个性偏好判断矩阵计算出对应的影响权重系数；
S3004.针对各个用户行为类分类指标，将对应的影响权重系数与用户行为类的预设权重因子之积作为对所述用户类别的影响权重，以及针对各个个性偏好类分类指标，将对应的影响权重系数与个性偏好类的预设权重因子之积作为对所述用户类别的影响权重，其中，用户行为类的预设权重因子与个性偏好类的预设权重因子之和为1。
优化的，所述用户历史行为数据或所述用户即时行为数据包括用户活跃区域信息、浏览界面的停留时长信息、用户关注的服务板块信息、用户关注的服务顾问人员信息、用户购买服务的行为信息和用户收藏的服务信息中的任意一种或它们的任意组合。
本发明所采用的另一种技术方案为：
一种基于机器学习算法的服务智能匹配推荐装置，包括采集单元、分类单元、查找单元和推荐单元；
所述采集单元，用于采集获取目标用户的用户数据，其中，所述用户数据包括用户静态数据和用户历史行为数据，所述用户静态数据包括用户年龄信息、用户性别信息、用户职业信息和用户职业证书级别信息中的任意一种或它们的任意组合；
所述分类单元，通信连接所述采集单元，用于根据所述用户数据，采用机器学习算法对目标用户进行分类，得到目标用户所属的用户类别，其中，所述用户类别包括白领上班族、宅居族、家庭主妇族、公司高管族和老人族中的任意一种或它们的任意组合；
所述查找单元，通信连接所述分类单元，用于根据目标用户所属的用户类别，查找得到多条预制的服务内容以及与各条服务内容一一对应的触发逻辑规则，其中，所述触发逻辑规则为由若干触发因素的出现逻辑值所构成的布尔运算式；
所述推荐单元，分别通信连接所述查找单元和所述采集单元，用于监控目标用户的用户即时行为数据,若在当前监控周期内所采集获取的用户即时行为数据中发现满足某条服务内容的触发逻辑规则，则将该条服务内容调出并推送至目标用户的应用前端，否则继续监控目标用户的用户即时行为数据。
本发明所采用的另一种技术方案为：
一种基于机器学习算法的服务智能匹配推荐设备，包括通信相连的存储器和处理器，其中，所述存储器用于存储计算机程序，所述处理器用于执行所述计算机程序实现如前所述基于机器学习算法的服务智能匹配推荐方法步骤。
本发明所采用的另一种技术方案为：
一种存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如前所述基于机器学习算法的服务智能匹配推荐方法步骤。
本发明的有益效果为：
（1）本发明创造提供了一种基于机器学习算法的服务智能匹配推荐方法，即首先根据用户数据，采用机器学习算法对目标用户进行分类，得到目标用户所属的用户类别，然后查找得到与用户类别对应的多条预制的服务内容以及与各条服务内容一一对应的触发逻辑规则，最后监控目标用户的用户即时行为数据，并在当前监控周期内所采集获取的用户即时行为数据中发现满足某条服务内容的触发逻辑规则时，将该条服务内容调出并推送至目标用户的应用前端，由此可以大大提高所推荐的服务信息与用户需求的匹配度，保障服务推荐的高精准度，特别适用于在诸如会计服务、法律服务、咨询服务和企业服务等中介服务网络平台中，便于实际应用和推广。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，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是本发明提供的基于机器学习算法的服务智能匹配推荐方法的流程示意图。
图2是本发明提供的层次分析法的层次模型示例图。
图3是本发明提供的基于机器学习算法的服务智能匹配推荐装置的结构示意图。
图4是本发明提供的基于机器学习算法的服务智能匹配推荐设备的结构示意图。
具体实施方式
下面结合附图及具体实施例来对本发明作进一步阐述。在此需要说明的是，对于这些实施例方式的说明虽然是用于帮助理解本发明，但并不构成对本发明的限定。本文公开的特定结构和功能细节仅用于描述本发明的示例实施例。然而，可用很多备选的形式来体现本发明，并且不应当理解为本发明限制在本文阐述的实施例中。
应当理解，尽管本文可能使用术语第一、第二等等来描述各种单元，但是这些单元不应当受到这些术语的限制。这些术语仅用于区分一个单元和另一个单元。例如可以将第一单元称作第二单元,并且类似地可以将第二单元称作第一单元，同时不脱离本发明的示例实施例的范围。
应当理解，对于本文中可能出现的术语“和/或”，其仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，单独存在B，同时存在A和B三种情况；对于本文中可能出现的术语“/和”，其是描述另一种关联对象关系，表示可以存在两种关系，例如，A/和B，可以表示：单独存在A，单独存在A和B两种情况；另外，对于本文中可能出现的字符“/”，一般表示前后关联对象是一种“或”关系。
应当理解，在本文中若将单元称作与另一个单元“连接”、“相连”或“耦合”时，它可以与另一个单元直相连接或耦合，或中间单元可以存在。相対地，在本文中若将单元称作与另一个单元“直接相连”或“直接耦合”时，表示不存在中间单元。另外，应当以类似方式来解释用于描述单元之间的关系的其他单词（例如，“在……之间”对“直接在……之间”,“相邻”对“直接相邻”等等）。
应当理解，本文使用的术语仅用于描述特定实施例，并不意在限制本发明的示例实施例。若本文所使用的，单数形式“一”、“一个”以及“该”意在包括复数形式，除非上下文明确指示相反意思。还应当理解，若术语“包括”、“包括了”、“包含”和/或“包含了”在本文中被使用时,指定所声明的特征、整数、步骤、操作、单元和/或组件的存在性,并且不排除一个或多个其他特征、数量、步骤、操作、单元、组件和/或他们的组合存在性或增加。
应当理解，还应当注意到在一些备选实施例中，所出现的功能/动作可能与附图出现的顺序不同。例如,取决于所涉及的功能/动作,实际上可以实质上并发地执行,或者有时可以以相反的顺序来执行连续示出的两个图。
应当理解，在下面的描述中提供了特定的细节,以便于对示例实施例的完全理解。然而,本领域普通技术人员应当理解可以在没有这些特定细节的情况下实现示例实施例。例如可以在框图中示出系统，以避免用不必要的细节来使得示例不清楚。在其他实例中，可以不以不必要的细节来示出众所周知的过程、结构和技术，以避免使得示例实施例不清楚。
实施例一
如图1所示，本实施例提供的所述基于机器学习算法的服务智能匹配推荐方法，可以但不限于包括如下步骤S101～S104。
S101.采集获取目标用户的用户数据，其中，所述用户数据包括用户静态数据和用户历史行为数据，所述用户静态数据可以但不限于包括用户年龄信息、用户性别信息、用户职业信息和用户职业证书级别信息等中的任意一种或它们的任意组合。
在所述步骤S101中，具体的，包括有如下步骤：通过日志数据的拉取方式、数据库记录数据的抽取方式和网络公开数据的爬虫抓取方式等中的任意一种或它们的任意组合采集获取所述用户数据。前述这些采集获取方式均为现有方式；所述用户数据在经过预处理、清洗合并及传输入库等步骤后，可以存入以HDFS（Hadoop Distributed File System，Hadoop分布式文件系统）为核心的数据库中。此外，所述用户历史行为数据可以但不限于包括用户活跃区域信息、浏览界面的停留时长信息、用户关注的服务板块信息、用户关注的服务顾问人员信息、用户购买服务的行为信息和用户收藏的服务信息等中的任意一种或它们的任意组合。
S102.根据所述用户数据，采用机器学习算法对目标用户进行分类，得到目标用户所属的用户类别，其中，所述用户类别可以但不限于包括白领上班族、宅居族、家庭主妇族、公司高管族和老人族等中的任意一种或它们的任意组合。
在所述步骤S102中，可以采用多种不同的机器学习算法来适应具体的数据结构，在本实施例中，优选采用的机器学习算法为K最近邻分类算法，并可以但不限于按照如下步骤S201～S205得到目标用户所属的用户类别：S201.对所述用户数据进行预处理，得到数据结构与训练数据一致的测试元素，其中，预处理方式包括数据清洗和/或数据分类；S202.在设定参数K的取值后，维护一个队列长度为K且按距离由小到大排列的最近邻队列；S203.从所述训练数据中随机选取K个训练元素作为所述测试元素的初始最近邻元素，然后分别计算所述测试元素到各个初始最近邻元素的距离，并按距离由小到大排列方式将各个初始最近邻元素的唯一标号及对应距离存入所述最近邻队列中；S204.按照如下方式遍历所述训练数据中的各个训练元素：先计算所述测试元素到训练元素的距离，若某个训练元素的对应距离小于所述最近邻队列中最末位元素的对应距离，则在所述最近邻队列中删除该最末位元素的唯一标号及对应距离，然后将该训练元素的唯一标号及对应距离存入所述最近邻队列中，并在所述最近邻队列中按距离由小到大重新排列各个元素；S205.在遍历完毕后，分析获取所述最近邻队列中K个训练元素的多数元素所属用户类别，然后将该多数元素所属用户类别作为目标用户所属的用户类别。在前述步骤中，两元素之间的距离计算方式为现有方式，可以但不限于为计算欧式距离、马氏距离、曼哈顿距离或切比雪夫距离等。由于训练元素与对应的用户类别会提前绑定，因此通过前述步骤S201～S205,可以得到目标用户的用户类别，以便后续根据该用户类别的群特性给目标用户推荐相应的服务内容。此外，所述用户类别还可以根据用户性别或年龄等属性进行进一步细分，例如分有处于40～50岁年龄段的公司高管族、处于50～60岁年龄段的公司高管族和处于60～70岁年龄段的公司高管族等。
进一步优化的，在所述步骤S205之后还包括如下步骤：S206.计算所述测试元素到所述最近邻队列中各个元素的距离标准差；S207.针对设定的且参数K的多个不同取值，逐一地重复执行步骤S202～S206,得到对应的距离标准差和多数元素所属用户类别；S208.选取与距离标准差最小值对应的多数元素所属用户类别作为目标用户最终所属的用户类别。通过前述步骤S201～S208，可以更加精确地得到目标用户所属的用户类别。
S103.根据目标用户所属的用户类别，查找得到多条预制的服务内容以及与各条服务内容一一对应的触发逻辑规则，其中，所述触发逻辑规则为由若干触发因素的出现逻辑值所构成的布尔运算式。
在所述步骤S103中，所述服务内容为现有形式，例如提供会计服务、法律服务、咨询服务和企业服务等的服务产品（包括收费和免费等形式），其与用户类别为多对一关系或多对多关系。所述触发逻辑规则用于作为服务匹配规则，可采用单条触发因素命中、全局逻辑运算的方式去匹配，例如假设某条服务内容的逻辑触发规则包括有三个触发因素：触发因素A、触发因素B和触发因素C，且构成的布尔运算式为A and（B or C），表示触发条件为：出现触发因素A且在触发因素B和C中也出现任意一个。
优化的，考虑步骤S102的分类结果纯粹是通过用客观的数据通过宏观的数学计算得出的，它是一个关于用户的宏观的分类和属性，它适用于这一类别的用户，但是缺乏用户个体的个性化设置，因此有必要按照如下步骤S301～S302进行分类确认，即在所述步骤S102之后且所述步骤S103之前，还包括有如下步骤S301～S302。
S301.根据目标用户所属的用户类别，查找得到基于层次分析法所得的且关于该用户类别与各个分类指标的权重计算公式：
式中，
为用户类别的权重计算结果，
为分类指标的总数，
为介于1～
之间的自然数，
为第
个分类指标的影响权重，
为第
个分类指标的出现逻辑值，所述出现逻辑值为1表示出现对应的分类指标，所述出现逻辑值为0表示不出现对应的分类指标。
在所述步骤S301中，所述层次分析法（Analytic Hierarchy Process简称AHP）是将与决策总是有关的元素分解成目标、准则、方案等层次，在此基础之上进行定性和定量分析的决策方法；该方法是美国运筹学家匹茨堡大学教授萨蒂于20世纪70年代初，在为美国国防部研究"根据各个工业部门对国家福利的贡献大小而进行电力分配"课题时，应用网络系统理论和多目标综合评价方法，提出的一种层次权重决策分析方法。由此通过采用层次分析法，可以得到各个分类指标对该用户类别的影响权重。具体的，在所述步骤S301之前，按照如下步骤S3001～S3004得到各个分类指标的影响权重。
S3001.将数据分为用户行为数据和个性偏好数据，并从所述用户行为数据中筛选出用于区分用户类别的用户行为类分类指标，以及从所述个性偏好数据中筛选出用于区分用户类别的个性偏好类分类指标。
在所述步骤S3001中，所述用户行为数据的采集方式及内容与所述用户历史行为数据一致，所述个性偏好数据可以但不限于是指关注兴趣设置内容和用户身份设置内容等，其中，所述关注兴趣设置内容可具体举例为关注的财税考试、财税咨询等；所述用户身份设置内容可具体举例为设定一种职业状态，例如学生、资深财税顾问等。
S3002.采用层次分析法中的“1-9”标度法构造包含有若干不同用户行为类分类指标的用户行为判断矩阵和包含有若干不同个性偏好类分类指标的个性偏好判断矩阵。
在所述步骤S3002中，如图2所示，层次分析法的层次模型可以举例包括有指标层、准则层和目标层，其中，在指标层中，所述用户行为类分类指标分别有“用户收藏”、“用户关注”和“用户购买”；所述个性偏好类分类指标分别有“职场攻略”、“职级考试”、“财税资讯”和“财税案例”等。所述“1-9”标度法是常用的判断规则，具体如下：如果指标A比指标B重要，则用1、2…9共9个数字来代表A比B重要程度；而如果指标A比B不重要，则用1、1/2…1/9共9个分数来代表A比B不重要的程度；由此所述个性偏好判断矩阵可举例如下表1所示：
表1. 层次分析法中的个性偏好判断矩阵
| 重要度 | 职场攻略 | 职级考试 | 财税咨询 | 财税案例 |
| 职场攻略 | 1 | 4 | 1/2 | 2 |
| 职级考试 | 1/4 | 1 | 1/8 | 1/2 |
| 财税咨询 | 2 | 8 | 1 | 4 |
| 财税案例 | 1/2 | 2 | 1/4 | 1 |
S3003.针对各个用户行为类分类指标，根据所述用户行为判断矩阵计算出对应的影响权重系数，以及针对各个个性偏好类分类指标，根据所述个性偏好判断矩阵计算出对应的影响权重系数。
在所述步骤S3003中，影响权重系数的计算方式为现有常规方式，以个性偏好判断矩阵为例，先计算该个性偏好判断矩阵中的最大特征值
和特征向量
，如下公式所示：
再然后计算该个性偏好判断矩阵的平均随机一致性指标
，
为矩阵阶数；若
小于1，则代表一致性校验通过，可以将特征向量
作为指标层中各个个性偏好类分类指标的影响权重系数，否则需要返回步骤S3002，重新采用层次分析法中的“1-9”标度法来构造判断矩阵。
S3004.针对各个用户行为类分类指标，将对应的影响权重系数与用户行为类的预设权重因子之积作为对所述用户类别的影响权重，以及针对各个个性偏好类分类指标，将对应的影响权重系数与个性偏好类的预设权重因子之积作为对所述用户类别的影响权重，其中，用户行为类的预设权重因子与个性偏好类的预设权重因子之和为1。
在所述步骤S3004中，用户行为类的预设权重因子可举例为0.4，此时个性偏好类的预设权重因子为0.6。
S302.根据分类指标在所述用户历史行为数据和个性偏好设置信息中所出现的结果，导入所述权重计算公式中进行计算，若计算结果未超过预设阈值，则取消将目标用户归属于该用户类别，然后返回执行步骤S102。
在所述步骤S302中，所述个性偏好设置信息为用户输入信息或根据所述用户历史行为数据生成的默认偏好信息，并可以但不限于包括有关注兴趣设置内容和用户身份设置内容。所述个性偏好设置信息用于收集目标用户的生活喜好，如果没有输入设置，则可以根据所述用户历史行为数据生成一套默认的偏好模式（即默认偏好信息）。此外，所述关注兴趣设置内容可具体举例为关注的财税考试、财税咨询等；所述用户身份设置内容可具体举例为设定一种职业状态，例如学生、资深财税顾问等。此外，所述预设阈值可具体举例为0.75，如果超过该预设阈值，则说明在经步骤S102所得的用户类别还匹配用户个体的个性化设置，分类准确，可以用在后续步骤S103～S104中，否则就需要重新分类得到目标用户所属的用户类别：在重新执行步骤S102时，为了得到不同的分类结果，需要重新设置不同的参数K值。
S104.监控目标用户的用户即时行为数据,若在当前监控周期内所采集获取的用户即时行为数据中发现满足某条服务内容的触发逻辑规则，则将该条服务内容调出并推送至目标用户的应用前端，否则继续监控目标用户的用户即时行为数据。
在所述步骤S104中，假设某条服务内容的逻辑触发规则包括有三个触发因素：触发因素A、触发因素B和触发因素C，且构成的布尔运算式为A and（B or C），则可在一个比较短的时间周期T（例如1小时）内，实时监控采集到用户即时行为数据（其采集方式及内容与步骤S101中的所述用户历史行为数据一致）中是否满足触发因素A、触发因素B和触发因素C（此处“满足”可具体指出现对应某个用户行为类分类指标的数据），如果其中一个因素(例如触发因素A)满足，把这个因素(例如A)置为TRUE（即出现逻辑值为1），然后计算布尔运算式A and（B or C）的逻辑结果，若逻辑结果依然为True（即为1），则代表逻辑触发规则被满足，从而将对应该逻辑触发规则的服务内容调出，而如果这个逻辑结果为false（即为0），则在当前时间周期T内，继续监控目标用户的用户即时行为数据是否满足触发因素A、触发因素B和触发因素C。
综上，采用本实施例所提供的基于机器学习算法的服务智能匹配推荐方法，具有如下技术效果：
（1）本实施例提供了一种基于机器学习算法的服务智能匹配推荐方法，即首先根据用户数据，采用机器学习算法对目标用户进行分类，得到目标用户所属的用户类别，然后查找得到与用户类别对应的多条预制的服务内容以及与各条服务内容一一对应的触发逻辑规则，最后监控目标用户的用户即时行为数据，并在当前监控周期内所采集获取的用户即时行为数据中发现满足某条服务内容的触发逻辑规则时，将该条服务内容调出并推送至目标用户的应用前端，由此可以大大提高所推荐的服务信息与用户需求的匹配度，保障服务推荐的高精准度，特别适用于在诸如会计服务、法律服务、咨询服务和企业服务等中介服务网络平台中，便于实际应用和推广。
实施例二
如图3所示，本实施例提供了一种实现实施例一所述基于机器学习算法的服务智能匹配推荐方法的硬件装置，包括采集单元、分类单元、查找单元和推荐单元；所述采集单元，用于采集获取目标用户的用户数据，其中，所述用户数据包括用户静态数据和用户历史行为数据，所述用户静态数据包括用户年龄信息、用户性别信息、用户职业信息和用户职业证书级别信息中的任意一种或它们的任意组合；所述分类单元，通信连接所述采集单元，用于根据所述用户数据，采用机器学习算法对目标用户进行分类，得到目标用户所属的用户类别，其中，所述用户类别包括白领上班族、宅居族、家庭主妇族、公司高管族和老人族中的任意一种或它们的任意组合；所述查找单元，通信连接所述分类单元，用于根据目标用户所属的用户类别，查找得到多条预制的服务内容以及与各条服务内容一一对应的触发逻辑规则，其中，所述触发逻辑规则为由若干触发因素的出现逻辑值所构成的布尔运算式；所述推荐单元，分别通信连接所述查找单元和所述采集单元，用于监控目标用户的用户即时行为数据,若在当前监控周期内所采集获取的用户即时行为数据中发现满足某条服务内容的触发逻辑规则，则将该条服务内容调出并推送至目标用户的应用前端，否则继续监控目标用户的用户即时行为数据。
本实施例提供的前述装置的工作过程、工作细节和技术效果，可以参见实施例一，于此不再赘述。
实施例三
如图4所示，本实施例提供了一种实现实施例一所述基于机器学习算法的服务智能匹配推荐方法的硬件设备，包括通信相连的存储器和处理器，其中，所述存储器用于存储计算机程序，所述处理器用于执行所述计算机程序实现如实施例一所述基于机器学习算法的服务智能匹配推荐方法步骤。
本实施例提供的前述设备的工作过程、工作细节和技术效果，可以参见实施例一，于此不再赘述。
实施例四
本实施例提供了一种存储包含实施例一所述基于机器学习算法的服务智能匹配推荐方法的计算机程序的存储介质，即在所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如实施例一所述基于机器学习算法的服务智能匹配推荐方法步骤。其中，计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。
本实施例提供的前述存储介质的工作过程、工作细节和技术效果，可以参见实施例一，于此不再赘述。
以上所描述的多个实施例仅仅是示意性的，若涉及到作为分离部件说明的单元，其可以是或者也可以不是物理上分开的；若涉及到作为单元显示的部件，其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。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
以上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。
最后应说明的是，本发明不局限于上述可选的实施方式，任何人在本发明的启示下都可得出其他各种形式的产品。上述具体实施方式不应理解成对本发明的保护范围的限制，本发明的保护范围应当以权利要求书中界定的为准，并且说明书可以用于解释权利要求书。
Claims (10)
1.一种基于机器学习算法的服务智能匹配推荐方法，其特征在于，包括如下步骤：
S101.采集获取目标用户的用户数据，其中，所述用户数据包括用户静态数据和用户历史行为数据，所述用户静态数据包括用户年龄信息、用户性别信息、用户职业信息和用户职业证书级别信息中的任意一种或它们的任意组合；
S102.根据所述用户数据，采用机器学习算法对目标用户进行分类，得到目标用户所属的用户类别，其中，所述用户类别包括白领上班族、宅居族、家庭主妇族、公司高管族和老人族中的任意一种或它们的任意组合；
S103.根据目标用户所属的用户类别，查找得到多条预制的服务内容以及与各条服务内容一一对应的触发逻辑规则，其中，所述触发逻辑规则为由若干触发因素的出现逻辑值所构成的布尔运算式；
S104.监控目标用户的用户即时行为数据,若在当前监控周期内所采集获取的用户即时行为数据中发现满足某条服务内容的触发逻辑规则，则将该条服务内容调出并推送至目标用户的应用前端，否则继续监控目标用户的用户即时行为数据。
2.如权利要求1所述的一种基于机器学习算法的服务智能匹配推荐方法，其特征在于，在所述步骤S101中，包括有如下步骤：通过日志数据的拉取方式、数据库记录数据的抽取方式和网络公开数据的爬虫抓取方式中的任意一种或它们的任意组合采集获取所述用户数据。
3.如权利要求1所述的一种基于机器学习算法的服务智能匹配推荐方法，其特征在于，在所述步骤S102中，所采用的机器学习算法为K最近邻分类算法，并按照如下步骤S201～S205得到目标用户所属的用户类别：
S201.对所述用户数据进行预处理，得到数据结构与训练数据一致的测试元素，其中，预处理方式包括数据清洗和/或数据分类；
S202.在设定参数K的取值后，维护一个队列长度为K且按距离由小到大排列的最近邻队列；
S203.从所述训练数据中随机选取K个训练元素作为所述测试元素的初始最近邻元素，然后分别计算所述测试元素到各个初始最近邻元素的距离，并按距离由小到大排列方式将各个初始最近邻元素的唯一标号及对应距离存入所述最近邻队列中；
S204.按照如下方式遍历所述训练数据中的各个训练元素：先计算所述测试元素到训练元素的距离，若某个训练元素的对应距离小于所述最近邻队列中最末位元素的对应距离，则在所述最近邻队列中删除该最末位元素的唯一标号及对应距离，然后将该训练元素的唯一标号及对应距离存入所述最近邻队列中，并在所述最近邻队列中按距离由小到大重新排列各个元素；
S205.在遍历完毕后，分析获取所述最近邻队列中K个训练元素的多数元素所属用户类别，然后将该多数元素所属用户类别作为目标用户所属的用户类别。
4.如权利要求3所述的一种基于机器学习算法的服务智能匹配推荐方法，其特征在于，在所述步骤S205之后还包括如下步骤：
S206.计算所述测试元素到所述最近邻队列中各个元素的距离标准差；
S207.针对设定的且参数K的多个不同取值，逐一地重复执行步骤S202～S206,得到对应的距离标准差和多数元素所属用户类别；
S208.选取与距离标准差最小值对应的多数元素所属用户类别作为目标用户最终所属的用户类别。
5.如权利要求1所述的一种基于机器学习算法的服务智能匹配推荐方法，其特征在于，在所述步骤S102之后且所述步骤S103之前，还包括有如下步骤S301～S302:
S301.根据目标用户所属的用户类别，查找得到基于层次分析法所得的且关于该用户类别与各个分类指标的权重计算公式：
式中，
为用户类别的权重计算结果，
为分类指标的总数，
为介于1～
之间的自然数，
为第
个分类指标的影响权重，
为第
个分类指标的出现逻辑值，所述出现逻辑值为1表示出现对应的分类指标，所述出现逻辑值为0表示不出现对应的分类指标；
S302.根据分类指标在所述用户历史行为数据和个性偏好设置信息中所出现的结果，导入所述权重计算公式中进行计算，若计算结果未超过预设阈值，则取消将目标用户归属于该用户类别，然后返回执行步骤S102。
6.如权利要求5所述的一种基于机器学习算法的服务智能匹配推荐方法，其特征在于，在所述步骤S301之前，按照如下步骤S3001～S3004得到各个分类指标的影响权重：
S3001.将数据分为用户行为数据和个性偏好数据，并从所述用户行为数据中筛选出用于区分用户类别的用户行为类分类指标，以及从所述个性偏好数据中筛选出用于区分用户类别的个性偏好类分类指标；
S3002.采用层次分析法中的“1-9”标度法构造包含有若干不同用户行为类分类指标的用户行为判断矩阵和包含有若干不同个性偏好类分类指标的个性偏好判断矩阵；
S3003.针对各个用户行为类分类指标，根据所述用户行为判断矩阵计算出对应的影响权重系数，以及针对各个个性偏好类分类指标，根据所述个性偏好判断矩阵计算出对应的影响权重系数；
S3004.针对各个用户行为类分类指标，将对应的影响权重系数与用户行为类的预设权重因子之积作为对所述用户类别的影响权重，以及针对各个个性偏好类分类指标，将对应的影响权重系数与个性偏好类的预设权重因子之积作为对所述用户类别的影响权重，其中，用户行为类的预设权重因子与个性偏好类的预设权重因子之和为1。
7.如权利要求1所述的一种基于机器学习算法的服务智能匹配推荐方法，其特征在于：所述用户历史行为数据或所述用户即时行为数据包括用户活跃区域信息、浏览界面的停留时长信息、用户关注的服务板块信息、用户关注的服务顾问人员信息、用户购买服务的行为信息和用户收藏的服务信息中的任意一种或它们的任意组合。
8.一种基于机器学习算法的服务智能匹配推荐装置，其特征在于，包括采集单元、分类单元、查找单元和推荐单元；
所述采集单元，用于采集获取目标用户的用户数据，其中，所述用户数据包括用户静态数据和用户历史行为数据，所述用户静态数据包括用户年龄信息、用户性别信息、用户职业信息和用户职业证书级别信息中的任意一种或它们的任意组合；
所述分类单元，通信连接所述采集单元，用于根据所述用户数据，采用机器学习算法对目标用户进行分类，得到目标用户所属的用户类别，其中，所述用户类别包括白领上班族、宅居族、家庭主妇族、公司高管族和老人族中的任意一种或它们的任意组合；
所述查找单元，通信连接所述分类单元，用于根据目标用户所属的用户类别，查找得到多条预制的服务内容以及与各条服务内容一一对应的触发逻辑规则，其中，所述触发逻辑规则为由若干触发因素的出现逻辑值所构成的布尔运算式；
所述推荐单元，分别通信连接所述查找单元和所述采集单元，用于监控目标用户的用户即时行为数据,若在当前监控周期内所采集获取的用户即时行为数据中发现满足某条服务内容的触发逻辑规则，则将该条服务内容调出并推送至目标用户的应用前端，否则继续监控目标用户的用户即时行为数据。
9.一种基于机器学习算法的服务智能匹配推荐设备，其特征在于：包括通信相连的存储器和处理器，其中，所述存储器用于存储计算机程序，所述处理器用于执行所述计算机程序实现如权利要求1～7任意一项所述基于机器学习算法的服务智能匹配推荐方法步骤。
10.一种存储介质，其特征在于，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1～7任意一项所述基于机器学习算法的服务智能匹配推荐方法步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010168318.6A CN111046297A (zh) | 2020-03-12 | 2020-03-12 | 一种基于机器学习算法的服务智能匹配推荐方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010168318.6A CN111046297A (zh) | 2020-03-12 | 2020-03-12 | 一种基于机器学习算法的服务智能匹配推荐方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111046297A true CN111046297A (zh) | 2020-04-21 |
Family
ID=70231098
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010168318.6A Pending CN111046297A (zh) | 2020-03-12 | 2020-03-12 | 一种基于机器学习算法的服务智能匹配推荐方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111046297A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111863187A (zh) * | 2020-06-22 | 2020-10-30 | 厦门钛尚人工智能科技有限公司 | 一种体育运动方案推荐方法、系统、终端及存储介质 |
| CN111861674A (zh) * | 2020-07-28 | 2020-10-30 | 中国银行股份有限公司 | 一种产品推荐方法和系统 |
| CN112199604A (zh) * | 2020-09-08 | 2021-01-08 | 长沙理工大学 | 一种基于gat的电力用户服务推荐方法 |
| CN112328742A (zh) * | 2020-11-03 | 2021-02-05 | 平安科技（深圳）有限公司 | 基于人工智能的培训方法、装置、计算机设备及存储介质 |
| CN114186698A (zh) * | 2021-10-19 | 2022-03-15 | 广东南方通信建设有限公司 | 一种多余建筑材料的中转方法、电子设备及存储介质 |
| CN115964570A (zh) * | 2023-03-17 | 2023-04-14 | 湖南师范大学 | 基于QoS多时段变化特征预测的云服务推荐方法及装置 |
| CN116226260A (zh) * | 2022-12-21 | 2023-06-06 | 安徽大学江淮学院 | 一种大数据决策方法、系统及云端服务中心 |
| CN116564120A (zh) * | 2023-07-05 | 2023-08-08 | 深圳市京视智能科技有限公司 | 车站信息智能展示方法、装置、设备及存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101957834A (zh) * | 2010-08-12 | 2011-01-26 | 百度在线网络技术（北京）有限公司 | 一种基于用户特征进行内容推荐的方法与设备 |
| CN102340514A (zh) * | 2010-07-15 | 2012-02-01 | 腾讯科技（北京）有限公司 | 网络信息推送方法及系统 |
| CN104216998A (zh) * | 2014-09-10 | 2014-12-17 | 广州金山网络科技有限公司 | 一种推荐应用程序的方法、装置及终端设备 |
| CN105005204A (zh) * | 2015-07-31 | 2015-10-28 | 深圳广田智能科技有限公司 | 可自动触发智能家居和智慧生活情景的智能引擎系统及方法 |
| CN107197010A (zh) * | 2017-05-17 | 2017-09-22 | 掌阅科技股份有限公司 | 基于电子书的内容推送方法、电子设备及计算机存储介质 |
-
2020
- 2020-03-12 CN CN202010168318.6A patent/CN111046297A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102340514A (zh) * | 2010-07-15 | 2012-02-01 | 腾讯科技（北京）有限公司 | 网络信息推送方法及系统 |
| CN101957834A (zh) * | 2010-08-12 | 2011-01-26 | 百度在线网络技术（北京）有限公司 | 一种基于用户特征进行内容推荐的方法与设备 |
| CN104216998A (zh) * | 2014-09-10 | 2014-12-17 | 广州金山网络科技有限公司 | 一种推荐应用程序的方法、装置及终端设备 |
| CN105005204A (zh) * | 2015-07-31 | 2015-10-28 | 深圳广田智能科技有限公司 | 可自动触发智能家居和智慧生活情景的智能引擎系统及方法 |
| CN107197010A (zh) * | 2017-05-17 | 2017-09-22 | 掌阅科技股份有限公司 | 基于电子书的内容推送方法、电子设备及计算机存储介质 |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111863187A (zh) * | 2020-06-22 | 2020-10-30 | 厦门钛尚人工智能科技有限公司 | 一种体育运动方案推荐方法、系统、终端及存储介质 |
| CN111861674A (zh) * | 2020-07-28 | 2020-10-30 | 中国银行股份有限公司 | 一种产品推荐方法和系统 |
| CN111861674B (zh) * | 2020-07-28 | 2023-07-18 | 中国银行股份有限公司 | 一种产品推荐方法和系统 |
| CN112199604A (zh) * | 2020-09-08 | 2021-01-08 | 长沙理工大学 | 一种基于gat的电力用户服务推荐方法 |
| CN112328742A (zh) * | 2020-11-03 | 2021-02-05 | 平安科技（深圳）有限公司 | 基于人工智能的培训方法、装置、计算机设备及存储介质 |
| CN112328742B (zh) * | 2020-11-03 | 2023-08-18 | 平安科技（深圳）有限公司 | 基于人工智能的培训方法、装置、计算机设备及存储介质 |
| CN114186698A (zh) * | 2021-10-19 | 2022-03-15 | 广东南方通信建设有限公司 | 一种多余建筑材料的中转方法、电子设备及存储介质 |
| CN116226260A (zh) * | 2022-12-21 | 2023-06-06 | 安徽大学江淮学院 | 一种大数据决策方法、系统及云端服务中心 |
| CN116226260B (zh) * | 2022-12-21 | 2023-10-03 | 安徽大学江淮学院 | 一种大数据决策方法、系统及云端服务中心 |
| CN115964570A (zh) * | 2023-03-17 | 2023-04-14 | 湖南师范大学 | 基于QoS多时段变化特征预测的云服务推荐方法及装置 |
| CN115964570B (zh) * | 2023-03-17 | 2023-06-02 | 湖南师范大学 | 基于QoS多时段变化特征预测的云服务推荐方法及装置 |
| CN116564120A (zh) * | 2023-07-05 | 2023-08-08 | 深圳市京视智能科技有限公司 | 车站信息智能展示方法、装置、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111046297A (zh) | 一种基于机器学习算法的服务智能匹配推荐方法、装置、设备及存储介质 | |
| US11734233B2 (en) | Method for classifying an unmanaged dataset | |
| CN110704572B (zh) | 疑似非法集资风险的预警方法、装置、设备和存储介质 | |
| US20200192894A1 (en) | System and method for using data incident based modeling and prediction | |
| Sabau | Survey of clustering based financial fraud detection research | |
| US9043302B1 (en) | Campaign and competitive analysis and data visualization based on search interest data | |
| WO2019028179A1 (en) | SYSTEMS AND METHODS FOR PROVIDING DISAPPEARED IMPACT INFORMATION OF AUTOMATIC LEARNING MODEL | |
| US20140143405A1 (en) | System And Method For Analyzing Social Media Trends | |
| US20220343433A1 (en) | System and method that rank businesses in environmental, social and governance (esg) | |
| US20150095105A1 (en) | Industry graph database | |
| Chen et al. | A topic-based sentiment analysis model to predict stock market price movement using Weibo mood | |
| CN104851025A (zh) | 一种基于案例推理的电商网站商品的个性化推荐方法 | |
| Akerkar | Advanced data analytics for business | |
| Xu et al. | Novel key indicators selection method of financial fraud prediction model based on machine learning hybrid mode | |
| Yan et al. | An integrated method based on hesitant fuzzy theory and RFM model to insurance customers’ segmentation and lifetime value determination | |
| Zhang et al. | Precision Marketing Method of E‐Commerce Platform Based on Clustering Algorithm | |
| Srikanth et al. | Dynamic social media monitoring for fast-evolving online discussions | |
| CN112084209A (zh) | 知识库的检索方法、装置、可读介质及设备 | |
| CN116431895A (zh) | 安全生产知识个性化推荐方法及系统 | |
| Cinar | Combining Domain Knowledge & Machine Learning: Making Predictions using Boosting Techniques | |
| KR101799561B1 (ko) | 빅데이터 분석을 이용한 브랜드가치 평가 시스템 | |
| Chen et al. | Triangular intuitionistic fuzzy random decision making based on combination of parametric estimation, score functions, and prospect theory | |
| WO2022271431A1 (en) | System and method that rank businesses in environmental, social and governance (esg) | |
| Granov | Customer loyalty, return and churn prediction through machine learning methods: for a Swedish fashion and e-commerce company | |
| Wilbik et al. | Towards a multi-criteria analysis of linguistic summaries of time series via the measure of informativeness |
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: 20200421 |