CN111580839A - 电器设备的升级方法及装置 - Google Patents
电器设备的升级方法及装置 Download PDFInfo
- Publication number
- CN111580839A CN111580839A CN201910120893.6A CN201910120893A CN111580839A CN 111580839 A CN111580839 A CN 111580839A CN 201910120893 A CN201910120893 A CN 201910120893A CN 111580839 A CN111580839 A CN 111580839A
- Authority
- CN
- China
- Prior art keywords
- function
- data
- electrical equipment
- learning model
- upgrading
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 230000006870 function Effects 0.000 claims abstract description 141
- 238000011156 evaluation Methods 0.000 claims description 20
- 230000008878 coupling Effects 0.000 claims description 9
- 238000010168 coupling process Methods 0.000 claims description 9
- 238000005859 coupling reaction Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 8
- 238000005406 washing Methods 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 5
- 238000004140 cleaning Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004904 shortening Methods 0.000 description 2
- 230000001954 sterilising effect Effects 0.000 description 2
- 238000004659 sterilization and disinfection Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F8/00—Arrangements for software engineering
- G06F8/60—Software deployment
- G06F8/65—Updates
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Stored Programmes (AREA)
Abstract
本申请公开了一种电器设备的升级方法及装置。其中,该方法包括:获取电器设备的售后统计信息;从售后统计信息中提取特征数据,得到特征数据集合;将特征数据集合输入至预设学习模型进行预测,得到用户偏好的功能数据;依据功能数据对电器设备的功能进行升级。本申请解决了现阶段电器设备功能升级的方法升级过程缓慢,并且成本较高的技术问题。
Description
技术领域
本申请涉及电器设备领域,具体而言,涉及一种电器设备的升级方法及装置。
背景技术
现阶段,电器设备功能的开发与升级,一般通过技术人员使用并测试相关电器设备,发现电器设备在实际使用过程中的不足之处,发现可以改进的地方,进而对电器设备的功能进行升级。但是上述对产品的功能进行升级的过程非常缓慢,并且该方法的人力成本较高。
针对现阶段电器设备功能升级的方法升级过程缓慢,并且成本较高的问题,目前尚未提出有效的解决方案。
发明内容
本申请实施例提供了一种电器设备的升级方法及装置,以至少解决现阶段电器设备功能升级的方法升级过程缓慢,并且成本较高的技术问题。
根据本申请实施例的一个方面,提供了一种电器设备的升级方法,包括:获取电器设备的售后统计信息;从售后统计信息中提取特征数据,得到特征数据集合;将特征数据集合输入至预设学习模型进行预测,得到用户偏好的功能数据;依据功能数据对电器设备的功能进行升级。
可选地,获取电器设备的售后统计信息包括:从电器设备的售后反馈信息中获取如下至少之一信息:电器设备的至少一种功能的使用频率、电器设备的至少一种功能的评价信息、至少一种功能对应的不同电器设备的销量信息。
可选地,获取电器设备的售后统计信息还包括:获取电器设备的至少一种功能的实际使用次数及实际使用时间。
可选地,在将特征数据集合输入至预设学习模型进行预测之前,上述方法还包括:通过以下方式对预设学习模型进行训练:获取电器设备的多组样本数据,其中,多组样本数据中的每组样本数据至少包括:电器设备的功能标识和该功能的评价指标,评价指标用于表征用户对电器设备的功能的偏好程度;将多组样本数据依次输入到预设学习模型中进行训练,得到训练好的预设学习模型。
可选地,功能标识包括电器设备的至少一种功能的名称以及如下至少之一信息:电器设备的至少一种功能的使用评价等级、至少一种功能对应的不同种类电器设备的销量。
可选地,特征数据包括电器设备的至少一种功能的名称以及如下至少之一信息:电器设备的至少一种功能的使用评价等级、至少一种功能对应的不同种类电器设备的销量。
可选地,将特征数据集合输入至预设学习模型进行预测,得到用户偏好的功能数据,还包括:将特征数据进行交叉融合,得到新的特征数据集合;将新的特征数据集合输入到预设学习模型进行预测,得到多个耦合功能数据;基于多个耦合功能数据对电器设备的功能进行升级。
可选地,在将特征数据集合输入至预设学习模型进行预测,得到用户偏好的功能数据之前,上述方法还包括:将特征数据按照用户类型进行分类,得到不同用户群体对应的特征数据;将特征数据集合输入至预设学习模型进行预测,得到用户偏好的功能数据,包括:将不同用户群体对应的特征数据输入至预设学习模型进行预测,得到不同用户群体偏好的功能数据。
根据本申请实施例的另一方面,还提供了一种电器设备的升级装置,包括:获取模块,用于获取电器设备的售后统计信息;提取模块,用于从售后统计信息中提取特征数据,得到特征数据集合;预测模块,用于将特征数据集合输入至预设学习模型进行预测,得到用户偏好的功能数据;升级模块,用于依据功能数据对电器设备的功能进行升级。
根据本申请实施例的再一方面,还提供了一种存储介质,存储介质包括存储的程序,其中,程序运行时控制存储介质所在的设备执行以上的电器设备的升级方法。
根据本申请实施例的再一方面,还提供了一种处理器,处理器用于运行程序,其中,程序运行时执行以上的电器设备的升级方法。
在本申请实施例中,采用获取电器设备的售后统计信息;从售后统计信息中提取特征数据,得到特征数据集合;将特征数据集合输入至预设学习模型进行预测,得到用户偏好的功能数据;依据功能数据对电器设备的功能进行升级的方式,通过从电器设备的售后信息中获取与电器设备功能相关的特征数据,然后利用机器学习模型对提取的特征数据进行预测,得到用户偏好的功能数据,利用预测得到的功能数据对电器设备的功能进行升级,从而实现了缩短电器设备功能的升级周期、降低升级成本的技术效果,并且通过上述方法得到的电器设备的功能数据,更加符合用户的需求,进而解决了现阶段电器设备功能升级的方法升级过程缓慢,并且成本较高的技术问题。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是根据本申请实施例的一种电器设备的升级方法的流程图;
图2是根据本申请实施例的一种对学习模型进行训练的方法的流程图;
图3是根据本申请实施例的一种电器设备的升级装置的结构图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,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的实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本申请保护的范围。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
根据本申请实施例,提供了一种电器设备升级的方法实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本申请实施例的一种电器设备的升级方法的流程图,如图1所示,该方法包括如下步骤:
步骤S102,获取电器设备的售后统计信息。
根据本申请的一个可选的实施例,执行步骤S102时可以从相关电器设备的网上商城获取售后统计信息。电器设备可以是空调、热水器、微波炉等家用电器。
步骤S104,从售后统计信息中提取特征数据,得到特征数据集合。
在本申请的一些实施例中,在执行步骤S104之前,还需要对获取的售后统计信息进行预处理,其中,对售后统计信息进行预处理包括:对数据信息进行清洗和归一化处理,通过数据清洗,可以去除异常数据。
步骤S106,将特征数据集合输入至预设学习模型进行预测,得到用户偏好的功能数据。
根据本申请的一个可选的实施例,步骤S106中的预设学习模型可以为卷积神经网络模型。
步骤S108,依据功能数据对电器设备的功能进行升级。
根据预测得到的用户偏好的功能数据对电器设备的功能进行升级。
通过上述步骤,通过从电器设备的售后信息中获取与电器设备功能相关的特征数据,然后利用机器学习模型对提取的特征数据进行预测,得到用户偏好的功能数据,利用预测得到的功能数据对电器设备的功能进行升级,从而实现了缩短电器设备功能的升级周期、降低升级成本的技术效果,并且通过上述方法得到的电器设备的功能数据,更加符合用户的需求。
在本申请的一些可选的实施例中,执行步骤S102包括:从电器设备的售后反馈信息中获取如下至少之一信息:电器设备的至少一种功能的使用频率、电器设备的至少一种功能的评价信息、至少一种功能对应的不同电器设备的销量信息。
电器设备的一种功能的使用频率高,用户对某种功能的评价等级高或者某种功能对应的不同种类电器的销量高都可以反映出,用户对该种类功能的偏好程度高,因此为预测得到用户普遍喜爱偏好的功能数据,在本申请实施例中,将上述数据作为提取特征数据的原始数据。
可选地,电器设备的售后统计信息来源于电器设备售后的用户评价信息,销量统计信息等。比如,用户使用电器设备功能的频率;用户对电器设备功能的评价信息,比如,用户对某个功能的评价等级;某个功能对应的多个电器的购买量,比如电器设备A、电器设备B和电器设备C具有相同的一个功能,分别统计该功能对应的电器设备A、电器设备B和电器设备C的销量。由于上述售后统计信息可以在电商平台的网页中体现,因此,上述售后统计信息可以从电商平台的网页中爬取。
在本申请的一些实施例中,执行步骤S102还包括:获取电器设备的至少一种功能的实际使用次数及实际使用时间。
需要说明的是,获取电器设备的售后统计信息,还可以通过安装在电器设备中的监控装置获取电器设备某个功能的实际使用次数和实际使用时间。通过该步骤获取的数据可以更加真实地反映用户偏好的功能数据,或者说可以更加真实地反映出某个功能的实用性,以便指导开发人员在对电器设备进行升级的过程中,针对实用性强的功能进行升级。
根据本申请的一个可选的实施例,在执行步骤S106之前,上述方法还包括对预设学习模型进行训练,图2是根据本申请实施例的一种对学习模型进行训练的方法的流程图,如图2所示,该方法包括:
步骤S202,获取电器设备的多组样本数据,其中,多组样本数据中的每组样本数据至少包括:电器设备的功能标识和该功能的评价指标,评价指标用于表征用户对电器设备的功能的偏好程度。
可选地,功能标识包括电器设备的至少一种功能的名称以及如下至少之一信息:电器设备的至少一种功能的使用评价等级、至少一种功能对应的不同种类电器设备的销量。
步骤S204,将多组样本数据依次输入到预设学习模型中进行训练,得到训练好的预设学习模型。
步骤S202至步骤S204提供了一种机器学习模型的训练方法,具体地,利用样本数据对预设机器学习模型进行训练,得到训练好的机器学习模型。其中,样本数据包括电器设备的功能标识和对应的功能评价指标,功能评价指标用于表征用户对某种功能的喜好程度。其中,电器设备的功能标识包括但不限于功能的名称,功能的使用评价等级及一种功能对应的不同种类电器设备的销量。
根据本申请的一个可选的实施例,特征数据包括电器设备的至少一种功能的名称以及如下至少之一信息:电器设备的至少一种功能的使用评价等级、至少一种功能对应的不同种类电器设备的销量。需要说明的是,这里的特征数据是指待预测的特征数据。待预测特征数据集合可以是电器设备的至少一种功能的名称和电器设备的至少一种功能的使用评价等级;还可以是电器设备的至少一种功能的名称和至少一种功能对应的不同种类电器设备的销量;或者包括电器设备的至少一种功能的名称、电器设备的至少一种功能的使用评价等级和至少一种功能对应的不同种类电器设备的销量。
在本申请的一些实施例中,步骤S106还可以通过以下方法实现:将特征数据进行交叉融合,得到新的特征数据集合;将新的特征数据集合输入到预设学习模型进行预测,得到多个耦合功能数据;基于多个耦合功能数据对电器设备的功能进行升级。
需要说明的是,交叉融合是指不同特征数据之间可能有交互效应的特征数据关联到一起。通过该方法将相关联功能结合起来,可以满足用户更多的功能使用需求。
在本申请的一些实施例中,在将执行步骤S106之前,还可以将特征数据按照用户类型进行分类,得到不同用户群体对应的特征数据;相应地执行步骤S106包括:将不同用户群体对应的特征数据输入至预设学习模型进行预测,得到不同用户群体偏好的功能数据。
例如,不同年龄段的用户对电器设备功能的喜好程度不同,不同类型的用户对于电器设备功能的需求也不同,下面以一个具体实施例对上述步骤进行说明:首先,将获取的特征数据按照用户类型进行分类,具体包括:年轻用户组、年长用户组、女性用户组、男性用户组、一家三口用户组、二人世界用户等。然后利用预设学习模型对分组之后的数据分别进行预测,得到不同用户全体偏好的功能数据,例如,原来一家三口用户组中,一部分用户使用携带自洁功能的洗衣机,另一部分使用携带高温杀菌功能的洗衣机,此时得出用户十分关注洗衣机本身的卫生问题,即改组用户可能更偏好以下功能的洗衣机,既具备自洁功能,又具备高温杀菌功能,或者可以在洗衣机中设置多个滚筒,以便使不同类型的衣物分别清洗。
图3是根据本申请实施例的一种电器设备的升级装置的结构图,如图3所示,该装置包括:
获取模块30,用于获取电器设备的售后统计信息。
在本申请的一些实施例中,可以从相关电器设备的网上商城获取售后统计信息。电器设备可以是空调、热水器、微波炉等家用电器。
提取模块32,用于从售后统计信息中提取特征数据,得到特征数据集合。
预测模块34,用于将特征数据集合输入至预设学习模型进行预测,得到用户偏好的功能数据。
升级模块36,用于依据功能数据对电器设备的功能进行升级。
需要说明的是,图3所示实施例的优选实施方式可以参见图1所示实施例的相关描述,此处不再赘述。
根据本申请实施例的再一方面,还提供了一种存储介质,存储介质包括存储的程序,其中,程序运行时控制存储介质所在的设备执行以上的电器设备的升级方法。
存储介质用于存储执行以下功能的程序:获取电器设备的售后统计信息;从售后统计信息中提取特征数据,得到特征数据集合;将特征数据集合输入至预设学习模型进行预测,得到用户偏好的功能数据;依据功能数据对电器设备的功能进行升级。
根据本申请实施例的再一方面,还提供了一种处理器,处理器用于运行程序,其中,程序运行时执行以上的电器设备的升级方法。
处理器用于运行执行以下功能的程序:获取电器设备的售后统计信息;从售后统计信息中提取特征数据,得到特征数据集合;将特征数据集合输入至预设学习模型进行预测,得到用户偏好的功能数据;依据功能数据对电器设备的功能进行升级。
上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
在本申请的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,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,可以为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
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。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本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全部或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(可为个人计算机、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、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本申请的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本申请的保护范围。
Claims (10)
1.一种电器设备的升级方法,其特征在于,包括:
获取电器设备的售后统计信息;
从所述售后统计信息中提取特征数据,得到特征数据集合;
将所述特征数据集合输入至预设学习模型进行预测,得到用户偏好的功能数据;
依据所述功能数据对所述电器设备的功能进行升级。
2.根据权利要求1所述的方法,其特征在于,获取电器设备的售后统计信息包括:
从所述电器设备的售后反馈信息中获取如下至少之一信息:所述电器设备的至少一种功能的使用频率、所述电器设备的至少一种功能的评价信息、所述至少一种功能对应的不同电器设备的销量信息。
3.根据权利要求1所述的方法,其特征在于,获取电器设备的售后统计信息还包括:
获取所述电器设备的至少一种功能的实际使用次数及实际使用时间。
4.根据权利要求1所述的方法,其特征在于,在将所述特征数据集合输入至预设学习模型进行预测之前,所述方法还包括:通过以下方式对所述预设学习模型进行训练:
获取电器设备的多组样本数据,其中,所述多组样本数据中的每组样本数据至少包括:电器设备的功能标识和该功能的评价指标,所述评价指标用于表征用户对电器设备的功能的偏好程度;
将所述多组样本数据依次输入到所述预设学习模型中进行训练,得到训练好的所述预设学习模型。
5.根据权利要求4所述的方法,其特征在于,所述功能标识包括所述电器设备的至少一种功能的名称以及如下至少之一信息:所述电器设备的至少一种功能的使用评价等级、所述至少一种功能对应的不同种类电器设备的销量。
6.根据权利要求1所述的方法,其特征在于,所述特征数据包括所述电器设备的至少一种功能的名称以及如下至少之一信息:所述电器设备的至少一种功能的使用评价等级、所述至少一种功能对应的不同种类电器设备的销量。
7.根据权利要求1所述的方法,其特征在于,将所述特征数据集合输入至预设学习模型进行预测,得到用户偏好的功能数据,还包括:
将所述特征数据进行交叉融合,得到新的特征数据集合;
将所述新的特征数据集合输入到所述预设学习模型进行预测,得到多个耦合功能数据;
基于所述多个耦合功能数据对所述电器设备的功能进行升级。
8.根据权利要求1所述的方法,其特征在于,
在将所述特征数据集合输入至预设学习模型进行预测,得到用户偏好的功能数据之前,所述方法还包括:将所述特征数据按照用户类型进行分类,得到不同用户群体对应的特征数据;
将所述特征数据集合输入至预设学习模型进行预测,得到用户偏好的功能数据,包括:将不同用户群体对应的特征数据输入至预设学习模型进行预测,得到不同用户群体偏好的功能数据。
9.一种电器设备的升级装置,其特征在于,包括:
获取模块,用于获取电器设备的售后统计信息;
提取模块,用于从所述售后统计信息中提取特征数据,得到特征数据集合;
预测模块,用于将所述特征数据集合输入至预设学习模型进行预测,得到用户偏好的功能数据;
升级模块,用于依据所述功能数据对所述电器设备的功能进行升级。
10.一种存储介质,其特征在于,所述存储介质包括存储的程序,其中,所述程序运行时控制存储介质所在的设备执行权利要求1至8中任意一项所述的电器设备的升级方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910120893.6A CN111580839B (zh) | 2019-02-18 | 2019-02-18 | 电器设备的升级方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910120893.6A CN111580839B (zh) | 2019-02-18 | 2019-02-18 | 电器设备的升级方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111580839A true CN111580839A (zh) | 2020-08-25 |
CN111580839B CN111580839B (zh) | 2021-06-29 |
Family
ID=72126070
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910120893.6A Active CN111580839B (zh) | 2019-02-18 | 2019-02-18 | 电器设备的升级方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111580839B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112508599A (zh) * | 2020-11-13 | 2021-03-16 | 北京沃东天骏信息技术有限公司 | 信息反馈方法和装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106878445A (zh) * | 2017-03-09 | 2017-06-20 | 腾讯科技(深圳)有限公司 | 资源文件更新方法及装置 |
CN106933630A (zh) * | 2017-03-09 | 2017-07-07 | 百度在线网络技术(北京)有限公司 | 一种客户端升级方法、装置、设备及存储介质 |
US20180246973A1 (en) * | 2017-02-28 | 2018-08-30 | Laserlike Inc. | User interest modeling |
CN109345302A (zh) * | 2018-09-27 | 2019-02-15 | 腾讯科技(深圳)有限公司 | 机器学习模型训练方法、装置、存储介质和计算机设备 |
-
2019
- 2019-02-18 CN CN201910120893.6A patent/CN111580839B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180246973A1 (en) * | 2017-02-28 | 2018-08-30 | Laserlike Inc. | User interest modeling |
CN106878445A (zh) * | 2017-03-09 | 2017-06-20 | 腾讯科技(深圳)有限公司 | 资源文件更新方法及装置 |
CN106933630A (zh) * | 2017-03-09 | 2017-07-07 | 百度在线网络技术(北京)有限公司 | 一种客户端升级方法、装置、设备及存储介质 |
CN109345302A (zh) * | 2018-09-27 | 2019-02-15 | 腾讯科技(深圳)有限公司 | 机器学习模型训练方法、装置、存储介质和计算机设备 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112508599A (zh) * | 2020-11-13 | 2021-03-16 | 北京沃东天骏信息技术有限公司 | 信息反馈方法和装置 |
CN112508599B (zh) * | 2020-11-13 | 2024-05-24 | 北京沃东天骏信息技术有限公司 | 信息反馈方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111580839B (zh) | 2021-06-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109120429B (zh) | 一种风险识别方法及系统 | |
CN104539459B (zh) | 路由器及路由器上网控制方法 | |
CN111259231A (zh) | 应用程序的推荐方法和装置 | |
CN109685545B (zh) | 待发放虚拟网络资源预估方法、装置及电子设备 | |
CN111311332A (zh) | 用户数据的处理方法和装置 | |
CN110399559A (zh) | 智能保险推荐系统和计算机存储介质 | |
CN109446431A (zh) | 用于信息推荐的方法、装置、介质、和计算设备 | |
CN115358395A (zh) | 知识图谱的更新方法和装置、存储介质及电子装置 | |
CN108345979B (zh) | 一种业务测试方法及装置 | |
CN116127184A (zh) | 产品的推荐方法及装置、非易失性存储介质、电子设备 | |
CN111580839B (zh) | 电器设备的升级方法及装置 | |
CN114880560A (zh) | 内容的推荐方法和装置、存储介质及电子装置 | |
CN112465544A (zh) | 用户流失预警的方法和装置 | |
CN117291649A (zh) | 一种集约化的营销数据处理方法及系统 | |
CN110689185A (zh) | 用电处理方法及装置、存储介质、处理器 | |
CN110826583A (zh) | 故障的确定方法、装置、存储介质及电子装置 | |
CN112995256B (zh) | 行为数据处理方法及相关设备 | |
CN107786528B (zh) | 应用的登录方法及装置、通信系统 | |
CN111104952A (zh) | 识别食物种类的方法、系统及装置、冰箱 | |
CN114861678A (zh) | 时间信息的确定方法和装置、存储介质及电子装置 | |
CN113313615A (zh) | 一种对企业司法风险进行量化评分定级的方法及装置 | |
CN111127059B (zh) | 用户质量的分析方法及装置 | |
CN105160024A (zh) | 一种大数据用电分析的系统和方法 | |
CN109413459A (zh) | 一种直播平台中用户的推荐方法以及相关设备 | |
CN106804038B (zh) | 用于识别被恶意扣费用户的方法和系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CB03 | Change of inventor or designer information |
Inventor after: Zhang Long Inventor after: Chen Haoguang Inventor after: Lian Yuanyuan Inventor after: Yi Bin Inventor before: Chen Haoguang Inventor before: Lian Yuanyuan Inventor before: Yi Bin |
|
CB03 | Change of inventor or designer information |