CN111598630A - 小区画像构建方法、装置及存储介质 - Google Patents

小区画像构建方法、装置及存储介质 Download PDF

Info

Publication number
CN111598630A
CN111598630A CN202010615427.8A CN202010615427A CN111598630A CN 111598630 A CN111598630 A CN 111598630A CN 202010615427 A CN202010615427 A CN 202010615427A CN 111598630 A CN111598630 A CN 111598630A
Authority
CN
China
Prior art keywords
cell
label
data
extension
dimensional
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
CN202010615427.8A
Other languages
English (en)
Inventor
廖殷
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.)
Chengdu Xinchao Media Group Co Ltd
Original Assignee
Chengdu Xinchao Media Group 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 Chengdu Xinchao Media Group Co Ltd filed Critical Chengdu Xinchao Media Group Co Ltd
Priority to CN202010615427.8A priority Critical patent/CN111598630A/zh
Publication of CN111598630A publication Critical patent/CN111598630A/zh
Pending legal-status Critical Current

Links

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Accounting & Taxation (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明涉及数据分析技术领域，公开了一种小区画像构建方法、装置及存储介质，该方法包括：获取小区的基础公开数据和扩展统计数据；对基础公开数据进行分类，得到与小区对应的多维度基础标签；基于扩展统计数据，得到与小区对应的多维度扩展标签；根据多维度基础标签和多维度扩展标签，生成与小区对应的小区画像；其中，基础公开数据为与小区关联的且无需经过统计的数据，扩展统计数据为与小区关联的且经过统计后获得的数据。本发明提供的小区画像构建方法、装置及存储介质能够以小区为基准生成小区画像，能够为小区商品投放提供依据，提升小区商品投放效果，提高商品转化率。

Description

小区画像构建方法、装置及存储介质
技术领域
本发明涉及数据分析技术领域，具体涉及一种小区画像构建方法、装置及存储介质。
背景技术
随着互联网技术的深入发展，画像技术越来越被广泛应用于各个行业，画像技术主要是指将目标特定类型的数据抽象出来进行数据聚合、标签化处理，通过给目标打标签，以高度概括特征将目标模型化，以便于人们理解和计算机处理。
目前，大多数的画像都是基于用户数据构建的，通过对用户的行为数据和一些外部数据的收集和处理，产出描述用户标签的集合。
然而，在一些以小区为单位的应用场景中，需要关注的是对小区的数据刻画，在传统的以个体用户为基准的画像构建方案中下，很难依靠大数据的分析精准的向感兴趣的客户群体投放商品，进而导致商品投放效果微乎其微，甚至引发受众人群反感。
发明内容
为了解决现有技术中存在的难以实现精准的向感兴趣的客户群体投放商品的问题，本发明的目的在于提供一种能够以小区为基准生成小区画像的小区画像构建方法、装置及存储介质。
第一方面，本发明提供了一种小区画像构建方法，包括：
获取小区的基础公开数据和扩展统计数据；
对所述基础公开数据进行分类，得到与所述小区对应的多维度基础标签；
基于所述扩展统计数据，得到与所述小区对应的多维度扩展标签；
根据所述多维度基础标签和所述多维度扩展标签，生成与所述小区对应的小区画像；
其中，所述基础公开数据为与所述小区关联的静态数据，所述扩展统计数据为与所述小区关联的周期性更新的数据。
基于上述发明内容，通过对小区的基础公开数据进行分类，得到与小区对应的多维度基础标签，基于小区的扩展统计数据，得到与小区对应的多维度扩展标签，并根据多维度基础标签和多维度扩展标签，生成与小区对应的小区画像。通过上述设计，本发明能够以小区为基准生成小区画像，能够为小区商品投放提供依据，提升小区商品投放效果，提高商品转化率。
在一个可能的设计中，根据所述多维度基础标签和所述多维度扩展标签，生成与所述小区对应的小区画像，包括：
根据与所述小区对应的历史关注度标签和预先先建立的基于时间衰减函数构建的衰减模型，得到与所述小区对应的关注度标签；
根据所述关注度标签、所述多维度基础标签和所述多维度扩展标签，生成与所述小区对应的小区画像；
其中，所述关注度标签为表征用户对目标商品的关注度的标签。
基于上述发明内容，在多生成小区画像时，还能够根据与小区对应的关注度标签生成小区画像，确保小区画像构建的准确性和完整性。
在一个可能的设计中，所述基于所述小区的扩展统计数据，得到与所述小区对应的多维度扩展标签，包括：
根据k-近邻算法、所述小区的扩展统计数据、多个相邻小区的扩展统计数据和与所述多个相邻小区一一对应的多个多维度扩展标签，得到与所述小区对应的多维度扩展标签。
基于上述发明内容，能够根据相邻小区的扩展统计数据和与多个相邻小区一一对应的多个多维度扩展标签，得到小区的多维度扩展标签，即使小区对应的数据存在缺失，也能够确保小区画像构建的准确性和完整性。
在一个可能的设计中，所述根据k-近邻算法、所述小区的扩展统计数据、多个相邻小区的扩展统计数据和与所述多个相邻小区一一对应的多个多维度扩展标签，得到与所述小区对应的多维度扩展标签，包括:
根据k-近邻算法、所述小区的扩展统计数据、多个相邻小区的扩展统计数据，计算出多个相邻小区中每个相邻小区的扩展统计数据与所述小区的扩展统计数据的矢量距离；
每个矢量距离对应的权重以及与所述多个相邻小区一一对应的多个多维度扩展标签，得到与所述小区对应的多维度扩展标签。
在一个可能的设计中，所述方法还包括：
对所述基础公开数据和所述扩展统计数据进行数据清洗；
所述对所述基础公开数据进行分类，得到与所述小区对应的多维度基础标签，包括：
对数据清洗后的基础公开数据进行分类，得到与所述小区对应的多维度基础标签；
所述基于所述扩展统计数据，得到与所述小区对应的多维度扩展标签，包括：
通过聚类算法对数据清洗后的扩展统计数据进行聚类，得到与所述小区对应的多维度扩展标签。
在一个可能的设计中，所述根据所述多维度基础标签和所述多维度扩展标签，生成与所述小区对应的小区画像，包括：
根据所述多维度基础标签、所述多维度扩展标签和预先建立的评分模型，得到与所述小区对应的评分标签；
根据所述多维度基础标签、所述多维度扩展标签和所述评分标签，生成与所述小区对应的小区画像；
其中，所述评分标签用于表征所述小区对目标商品的接受程度。
第二方面，本发明提供了一种小区画像构建装置，小区画像构建装置包括：
获取单元，用于获取小区的基础公开数据和扩展统计数据；
分类单元，用于所述基础公开数据进行分类，得到与所述小区对应的多维度基础标签；
确定单元，用于基于所述扩展统计数据，得到与所述小区对应的多维度扩展标签；
生成单元，用于根据所述多维度基础标签和所述多维度扩展标签，生成与所述小区对应的小区画像；
其中，所述基础公开数据为与所述小区关联的静态数据，所述扩展统计数据为与所述小区关联的周期性更新的数据。
在一个可能的设计中，生成单元在用于根据所述多维度基础标签和所述多维度扩展标签，生成与所述小区对应的小区画像时，具体用于：
根据与所述小区对应的历史关注度标签和预先先建立的基于时间衰减函数构建的衰减模型，得到与所述小区对应的关注度标签；
根据所述关注度标签、所述多维度基础标签和所述多维度扩展标签，生成与所述小区对应的小区画像；
其中，所述关注度标签为表征用户对目标商品的关注度的标签。
在一个可能的设计中，确定单元在用于基于所述小区的扩展统计数据，得到与所述小区对应的多维度扩展标签时，具体用于：
根据k-近邻算法、所述小区的扩展统计数据、多个相邻小区的扩展统计数据和与所述多个相邻小区一一对应的多个多维度扩展标签，得到与所述小区对应的多维度扩展标签。
在一个可能的设计中，确定单元在用于根据k-近邻算法、所述小区的扩展统计数据、多个相邻小区的扩展统计数据和与所述多个相邻小区一一对应的多个多维度扩展标签，得到与所述小区对应的多维度扩展标签时，具体用于：
根据k-近邻算法、所述小区的扩展统计数据、多个相邻小区的扩展统计数据，计算出多个相邻小区中每个相邻小区的扩展统计数据与所述小区的扩展统计数据的矢量距离；
每个矢量距离对应的权重以及与所述多个相邻小区一一对应的多个多维度扩展标签，得到与所述小区对应的多维度扩展标签。
在一个可能的设计中，小区画像构建装置还包括数据清洗单元，用于对所述基础公开数据和所述扩展统计数据进行数据清洗；
分类单元在用于对所述基础公开数据进行分类，得到与所述小区对应的多维度基础标签时，具体用于：
对数据清洗后的基础公开数据进行分类，得到与所述小区对应的多维度基础标签；
确定单元在用于基于所述扩展统计数据，得到与所述小区对应的多维度扩展标签时，具体用于：
通过聚类算法对数据清洗后的扩展统计数据进行聚类，得到与所述小区对应的多维度扩展标签。
在一个可能的设计中，生成单元在用于根据所述多维度基础标签和所述多维度扩展标签，生成与所述小区对应的小区画像时，具体用于：
根据所述多维度基础标签、所述多维度扩展标签和预先建立的评分模型，得到与所述小区对应的评分标签；
根据所述多维度基础标签、所述多维度扩展标签和所述评分标签，生成与所述小区对应的小区画像；
其中，所述评分标签用于表征所述小区对目标商品的接受程度。
第三方面，本发明提供了一种小区画像构建装置，包括依次通信相连的存储器、处理器和收发器，其中，所述存储器用于存储计算机程序，所述收发器用于收发消息，所述处理器用于读取所述计算机程序，执行如上一方面或第一方面中任意一种所述的的小区画像构建方法。
第四方面，本发明提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，当所述指令在计算机上运行时，执行如上述任意方面所述的小区画像构建方法。
第五方面，本发明提供了一种包含指令的计算机程序产品，当所述指令在计算机上运行时，使所述计算机执行如上述任意方面所述的小区画像构建方法。
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是本发明提供的小区画像构建方法、装置及存储介质的应用环境示意图。
图2是本发明提供的小区画像构建方法的流程图。
图3是本发明提供的另一小区画像构建方法的流程图。
图4是本发明提供的小区画像构建装置的结构示意图。
图5是本发明提供的另一小区画像构建装置的结构示意图。
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。
实施例
为了精准的向感兴趣的客户群体投放商品，本申请实施例提供了一种小区画像构建方法、装置及存储介质，小区画像构建方法、装置及存储介质能够以小区为基准生成小区画像，能够为小区商品投放提供依据，提升小区商品投放效果，提高商品转化率。
首先，为了更直观地理解本申请实施例提供的方案，下面结合图1，对本申请实施例提供的小区画像构建方案的系统架构进行说明。
如图1所示，是本申请一个或多个实施例提供的小区画像构建方法、装置及存储介质的应用环境示意图。如图1所示，服务器通过网络与一个或多个第三方服务器通信连接，以进行数据通信或交换。所述服务器可以是服务器集群、网络服务器、数据库服务器等。所述第三方服务器可以是，但不限于房产开发商的服务器、房产中介公司的服务器、物业管理公司的服务器、生活服务提供商的服务器(如燃气公司的服务器、电力公司的服务器)、移动运营商的服务器等记录有小区用户相关数据的服务器。所述网络可以是有线或无线网络。
下面将对本申请实施例提供的小区画像构建方法进行详细说明。
本申请实施例提供的小区画像构建方法可应用于服务器集群，除特别说明外，本申请实施例均以服务器集群为执行主体进行说明，可以理解，所述执行主体并不构成对本申请的限定。
具体的，小区画像构建方法的流程如图2所示，可以包括如下步骤：
步骤S201：获取小区的基础公开数据和扩展统计数据。
其中，所述小区是指需要进行画像构建的小区，在对该小区进行画像构建之前，服务器集群可以先向第三方服务器发出数据请求，以获取该小区的基础公开数据和扩展统计数据。
本申请实施例中，基础公开数据和扩展统计数据中的各类数据分散在不同的机构的服务器上，数据来源不一，数据格式也不完全相同，因此需要强大的数据获取能力，一般可以通过网络爬虫、数据交换接口等方式完成。
本申请实施例中，基础公开数据可以与小区关联的静态数据，不会随着时间推移周期性的变化，例如基础公开数据可以是小区的名称、小区开发商名称、小区地址、小区建筑物理数据(例如层高、建筑面积等)、商业配套数据(例如附近商场类型和数量等)、小区物业数据(例如容积率、物管费等)等其中一种或多种，本申请实施例中不做具体限定。
本申请实施例中，扩展统计数据可以与小区关联的周期性更新的数据，其可以随着时间推移周期性的变化更新，可以包括小区人群数据和小区环境数据。其中，小区人群数据可以包括小区的入住率、收发快递包裹率、耗电量、燃气量、用水量、网络使用情况(例如网络类型、网络套餐类型等)、手机使用情况(例如手机型号)、出租数据(例如出租价格、租客比例等)、房屋交易数据等其中一种或多种，其中的耗电量、燃气量和用水量可以是小区用户的人均使用量。小区环境数据可以包括小区的核心商业圈数据(例如核心商业圈的名称、数量、规模等)、小区交通环境(例如小区附近的公交及地铁的数量、线路及距离等)、小区教育环境(例如附近的学校数量、类型等)、小区医疗环境(例如附近的医院及诊所的数量、类型等)、小区周边小区数据(例如附近小区的数量、距离等)、地图信息点(Point ofInformation，POI)等其中一种或多种。
在执行完步骤S201之后，则执行步骤S202：对基础公开数据进行分类，得到与小区对应的多维度基础标签。
服务器集群可以对小区的基础公开数据进行分类，得到与该小区对应的多维度基础标签，多维度基础标签中包括多个表征小区属性的基础标签。对基础公开数据进行分类时可以根据国家和行业标准定义相应的分类规则。例如，服务器集群预先定义有容积在1.8-2.5之间的为高层住宅，户均面积小于80平米的小区归类为刚需性，假定小区A的容积率为2.0，户均面积为75平米，则在对小区A的基础公开数据进行分类得到小区A的多维度基础标签中包含了“高层住宅”和“刚需性”这两个维度的基础标签。
在执行完步骤S201之后，则执行步骤S203：基于扩展统计数据，得到与小区对应的多维度扩展标签。
本申请实施例中，多维度扩展标签的确定，可以通过聚类算法直接对扩展统计数据进行聚类，得到小区对应的多维度扩展标签，也可以通过聚类算法对基础公开数据和扩展统计数据进行聚类，得到小区对应的多维度扩展标签。例如，多维度扩展标签中可以包括“小区消费能力”这一扩展标签，在确定“小区消费能力”这一扩展标签时，可以结合基础公开数中可以用于表征小区消费能力的数据(如户均面积、容积率等)以及扩展统计数据中可以用于表征小区消费能力的数据(如物业费、收发快递包裹率、耗电量、燃气量和用水量等)进行聚类，得到多维度扩展标签中“小区消费能力”这一扩展标签。
例如，A小区对应的基础公开数据中容积率为0.8，户均面积为300平方，扩展统计数据中的物业费高于大多数小区，快递包裹率、耗电量、燃气量和用水量等也高于一般的小区。一般情况下积率0.8、户均面积300平方的小区多是别墅小区，物业费、快递包裹率、耗电量、燃气量和用水量偏高也说明小区内用户支出比一般小区要高，说明小区的消费能力很强。假定对于“小区消费能力”用数字表示，1表示消费能力很强，2表示消费能力强，3表示消费能力一般，4表示消费能力较弱，5表示消费能力很弱，则聚类后，得到的多维度扩展标签中“小区消费能力”这一扩展标签可以用数字1表示。
需要说明的是，上述多维度扩展标签的确定是基于小区对应的数据不存在缺失的情况下考虑的。
针对小区对应的数据存在缺失的情形，则基于小区的扩展统计数据，得到与小区对应的多维度扩展标签可以采用下述的方式。
当小区对应的数据存在缺失时，则可以根据k-近邻算法、小区的扩展统计数据、多个相邻小区的扩展统计数据和与多个相邻小区一一对应的多个多维度扩展标签，得到与小区对应的多维度扩展标签。其中，与多个相邻小区一一对应的多个多维度扩展标可根据多个相邻小区的扩展统计数据聚类得到。
具体的，在确定小区对应的多维度扩展标签时，可以根据k-近邻算法、小区的扩展统计数据、多个相邻小区的扩展统计数据，计算出多个相邻小区中每个相邻小区的扩展统计数据与小区的扩展统计数据的矢量距离，然后根据每个矢量距离对应的权重以及与多个相邻小区一一对应的多个多维度扩展标签，得到与小区对应的多维度扩展标签。
更具体的，小区的扩展统计数据和多个相邻小区的扩展统计数据进行量化，然后根据量化后的数据和k-近邻算法计算出每个相邻小区的扩展统计数据与小区的扩展统计数据的矢量距离，取与该小区的扩展统计数据的矢量距离最近的K个相邻小区，根据K个相邻小区的扩展统计数据与小区的扩展统计数据的矢量距离，分别对K个相邻小区对应的多维度扩展标签(已量化的标签)赋予不同的权重(例如，K个矢量距离中，与小区的扩展统计数据的矢量距离越大，所对应的权重越小)，根据与多个相邻小区一一对应的多个多维度扩展标签以及对每个相邻小区对应的多个多维度扩展标签所赋予的权重进行加权算法，得到与小区对应的多维度扩展标签。
例如，K的值为5，5个相邻小区的扩展统计数据与小区的扩展统计数据的矢量距离依次递增，对应的权重依次为0.3、0.25、0.2、0.15、0.1，且5个相邻小区对应的多维度扩展标签别为a、b、c、d、e，则小区对应的多维度扩展标签为0.3a+0.25b+0.2c+0.15d+0.1e。
可以理解的，上述计算与小区对应的多维度扩展标签的方式仅是举例说明，在其他的一些实施例中也可以采用其他的计算方式，本申请实施例中不再举例说明。
可以理解的，步骤S202与步骤S203的顺序并不限定。
在执行完步骤S202与步骤S203后，则执行步骤S204：根据多维度基础标签和多维度扩展标签，生成与小区对应的小区画像。
本申请实施例中，生成的小区画像中包含有该小区对应的多维度基础标签该和小区对应的多维度扩展标签。
小区画像可用于作为向感兴趣的客户群体投放商品的依据，为了更进一步反应客户群体对投放商品的感兴趣程度，在生成小区画像时，还可以根据多维度基础标签、多维度扩展标签以及用于表征该小区对目标商品的接受程度的评分标签生成小区画像。
具体的，服务器集群可预先训练用于估计小区对目标商品的接受程度的评分模型，在确定出与小区对应的多维度基础标签和与小区对应的多维度扩展标签之后，可将与小区对应的多维度基础标签和多维度扩展标签作为评分模型的输入进行运算，得到与小区对应的评分标签。
具体的，服务器集群可以将多维度基础标签中与目标商品接受度关联的第一标签数据和多维度扩展标签中的与目标商品接受度关联的第二标签数据作为评分模型的输入进行运算，得到与小区对应的评分标签。其中，在进行运算时可以先将第一标签数据和第二标签数据进行量化，再作为评分模型的输入进行运算。
其中，评分标签用于表征小区对目标商品的接受程度，所述目标商品可以是广告或其他商品，本申请实施例中不做具体限定。例如，对于某一广告，A小区对应的评分标签为3.2％，即A小区用户的“广告接受度”得分为3.2％。
本申请实施例中，所述评分模型可以但不限于评分卡模型或机器学习模型，本申请实施例中不做具体限定。
本申请实施例中，在生成小区画像还可以考虑小区的关注度标签，以进一步确保小区画像能够作为向感兴趣的客户群体投放商品的依据。其中，该关注度标签为表征用户对目标商品的关注度的标签，所述目标商品可以是向小区投放的广告或其他商品。
具体的，可以根据与小区对应的历史关注度标签和预先先建立的基于时间衰减函数构建的衰减模型，得到与小区对应的关注度标签，历史关注度标签的初始值可以市场调查、网络评分或通过模型计算得到，本申请实施例中不做具体限定。
本申请实施例中，衰减模型的公式可以是T(t)＝T(t0)×e-k(t0-t)，其中，T(t)表示与小区当前对应的关注度标签，T(t0)表示小区在当前时间段的前一时间段所对应的关注度标签，(t0-t)表示前一时间段到当前时间段的时间差，k为衰减系数，可根据实际情况设定。
可以理解的，在其他的一些实施例中，小区的关注度标签也可以根据相邻小区的关注度标签和k-近邻算法来计算。例如，可以计算小区的关注度数据(扩展统计数据中与关注度标签关联的数据，如用来确定关注度标签的数据)与多个相邻小区的关注度数据的矢量距离，并根据每个相邻小区的关注度数据与小区的关注度数据之间的距离，对多个相邻小区的关注度标签分别赋予不同的权重，然后根据与多个相邻小区一一对应的多个关注度标签以及每个相邻小区的关注度标签所赋予的权重进行加权算法，得到小区的关注度标签。
请参阅图3，是本申请实施例提供的另一小区画像构建方法的流程图，小区画像构建方法包括如下步骤。
步骤S301：获取小区的基础公开数据和扩展统计数据。
在执行完步骤步骤S301之后，则执行步骤S302：对基础公开数据和扩展统计数据进行数据清洗。
获取到的基础公开数据和扩展统计数据中可能存在一些异常、缺失或无效的数据，数据的完整性和一致性会对小区画像构建的准确性产生影响，因此服务器集群在获取到小区的基础公开数据和扩展统计数据后，可对基础公开数据和扩展统计数据进行数据清洗，可以包括检查数据一致性、处理无效值和缺失值等。
具体的，针对一些不一致的数据，可通过人工或机器进行数据修护。例如小区地址不统一，可以通过地图软件(如百度地图、高德地图等)的应用程序接口(ApplicationProgramming Interface，API)访问地图软件并进行经纬度的换算，经纬度误差在一定范围内的数据可以认定为同一小区。对于一些无效的数据可以直接进行剔除。对于一些缺失的数据(如耗电量、燃气量、用水量等量化的数据)可以进行数据补全，数据补全可以采用差值补全、均值补全等方式，本申请实施例中不做具体限定。
通过对基础公开数据和扩展统计数据进行进行数据清洗，能够补齐缺失的数据和纠正异常数据，确保在后续小区画像的构建更准确。
本申请实施例中，还可在服务器集群中建立数据仓库，在对基础公开数据和扩展统计数据进行进行数据清洗后，可将清洗后的基础公开数据和扩展统计数据存储至数据仓库中，该数据仓库可以包括多个子数据仓库，一个子数据仓库可以用于存储多维度基础标签和多维度扩展标签中的同一类主题的标签，例如可以将属于建筑设计、物业居住、居民行为、交通配套、交易租赁等主题下的标签可分别存储在不同的个子数据仓库，通过这样的存储方式可方便数据的存取管理。
在执行完步骤S302后，则执行步骤S303：对数据清洗后的基础公开数据进行分类，得到与小区对应的多维度基础标签。
在执行完步骤S302后，则执行步骤S304：通过聚类算法对数据清洗后的扩展统计数据进行聚类，得到与小区对应的多维度扩展标签。
可以理解的，步骤S303与步骤S304的顺序并不限定。
在执行完步骤S303与步骤S304后，则执行步骤S305：根据多维度基础标签和多维度扩展标签，生成与小区对应的小区画像。
基于上述发明内容，通过对小区的基础公开数据进行分类得到与小区对应的多维度基础标签，并通过聚类算法对扩展统计数据进行聚类得到与小区对应的多维度扩展标签，然后根据多维度基础标签和多维度扩展标签生成与小区对应的小区画像。通过上述设计，本发明能够以小区为基准生成小区画像，能够为小区商品投放提供依据，能够很好的说服商品投放方，帮助商品投放方提升商品投放效果，提高商品转化率，且能够减少小区用户的反感度。同时，当小区对应的数据存在缺失时，能够根据相邻小区的扩展统计数据和相邻小区的多维度扩展统计标签，得到小区的多维度扩展标签，即使小区对应的数据存在缺失，也能够确保小区画像构建的准确性和完整性。其次，通过对基础公开数据和扩展统计数据进行进行数据清洗，能够补齐缺失的数据和纠正异常数据，确保在后续小区画像构建更准确。另外，能够根据小区的多维度基础标签、多维度扩展标签及预先建立的评分模型，计算出表征小区对目标商品的接受程度的评分标签，并根据多维度基础标签、多维度扩展标签以及用于表征小区对目标商品的接受程度的评分标签生成小区画像，进一步确保小区画像能够作为向感兴趣的客户群体投放商品的依据。再次，还根据小区对应的历史关注度标签和先建立的衰减模型，得到与小区对应的关注度标签，并在生成小区画像时，还考虑到小区的关注度标签，进一步确保小区画像能够作为向感兴趣的客户群体投放商品的依据。另外，本申请的方案以小区为单位构建画像，能够降低数据计算量，大大节省了计算资源，且由于不涉及用户的隐私数据，数据获取更加方便。
请参阅图4，本申请实施例提供了一种小区画像构建装置，小区画像构建装置包括：
获取单元，用于获取小区的基础公开数据和扩展统计数据；
分类单元，用于所述基础公开数据进行分类，得到与所述小区对应的多维度基础标签；
确定单元，用于基于所述扩展统计数据，得到与所述小区对应的多维度扩展标签；
生成单元，用于根据所述多维度基础标签和所述多维度扩展标签，生成与所述小区对应的小区画像；
其中，所述基础公开数据为与所述小区关联的且无需经过统计的数据，所述扩展统计数据为与所述小区关联的且经过统计后获得的数据。
在一个可能的设计中，生成单元在用于根据所述多维度基础标签和所述多维度扩展标签，生成与所述小区对应的小区画像时，具体用于：
根据与所述小区对应的历史关注度标签和预先先建立的基于时间衰减函数构建的衰减模型，得到与所述小区对应的关注度标签；
根据所述关注度标签、所述多维度基础标签和所述多维度扩展标签，生成与所述小区对应的小区画像；
其中，所述关注度标签为表征用户对目标商品的关注度的标签。
在一个可能的设计中，确定单元在用于基于所述小区的扩展统计数据，得到与所述小区对应的多维度扩展标签时，具体用于：
根据k-近邻算法、所述小区的扩展统计数据、多个相邻小区的扩展统计数据和与所述多个相邻小区一一对应的多个多维度扩展标签，得到与所述小区对应的多维度扩展标签。
在一个可能的设计中，确定单元在用于根据k-近邻算法、所述小区的扩展统计数据、多个相邻小区的扩展统计数据和与所述多个相邻小区一一对应的多个多维度扩展标签，得到与所述小区对应的多维度扩展标签时，具体用于：
根据k-近邻算法、所述小区的扩展统计数据、多个相邻小区的扩展统计数据，计算出多个相邻小区中每个相邻小区的扩展统计数据与所述小区的扩展统计数据的矢量距离；
每个矢量距离对应的权重以及与所述多个相邻小区一一对应的多个多维度扩展标签，得到与所述小区对应的多维度扩展标签。
在一个可能的设计中，小区画像构建装置还包括数据清洗单元，用于对所述基础公开数据和所述扩展统计数据进行数据清洗；
分类单元在用于对所述基础公开数据进行分类，得到与所述小区对应的多维度基础标签时，具体用于：
对数据清洗后的基础公开数据进行分类，得到与所述小区对应的多维度基础标签；
确定单元在用于基于所述扩展统计数据，得到与所述小区对应的多维度扩展标签时，具体用于：
通过聚类算法对数据清洗后的扩展统计数据进行聚类，得到与所述小区对应的多维度扩展标签。
在一个可能的设计中，生成单元在用于根据所述多维度基础标签和所述多维度扩展标签，生成与所述小区对应的小区画像时，具体用于：
根据所述多维度基础标签、所述多维度扩展标签和预先建立的评分模型，得到与所述小区对应的评分标签；
根据所述多维度基础标签、所述多维度扩展标签和所述评分标签，生成与所述小区对应的小区画像；
其中，所述评分标签用于表征所述小区对目标商品的接受程度。
本实施例提供的硬件装置的工作过程、工作细节和技术效果，可以参见上述方法实施例的内容，于此不再赘述。
如图5所示，本申请实施例提供了另一种执行本申请实施例所述的小区画像构建方法的硬件装置，包括依次通信相连的存储器、处理器和收发器，其中，所述存储器用于存储计算机程序，所述收发器用于收发消息，所述处理器用于读取所述计算机程序，执行如本申请实施例中所述的小区画像构建方法。
具体举例的，所述存储器可以但不限于包括随机存取存储器(RAM)、只读存储器(ROM)、闪存(Flash Memory)、先进先出存储器(FIFO)和/或先进后出存储器(FILO)等等；所述处理器可以不限于采用型号为STM32F105系列的微处理器、ARM(Advanced RISCMachines)、X86等架构处理器或集成NPU(neural-network processing units)的处理器；所述收发器可以但不限于为WiFi(无线保真)无线收发器、蓝牙无线收发器、通用分组无线服务技术(General Packet Radio Service，GPRS)无线收发器、紫蜂协议(基于IEEE802.15.4标准的低功耗局域网协议，ZigBee)无线收发器、3G收发器、4G收发器和/或5G收发器等。
本申请实施例提供的装置的工作过程、工作细节和技术效果，可以参见本申请方法实施例的内容，于此不再赘述。
本申请实施例供了一种存储包含有本申请实施例所述小区画像构建方法的指令的计算机可读存储介质，即所述计算机可读存储介质上存储有指令，当所述指令在计算机上运行时，执行如本申请实施例所述的小区画像构建方法。其中，所述计算机可读存储介质是指存储数据的载体，可以但不限于包括软盘、光盘、硬盘、闪存、优盘和/或记忆棒(MemoryStick)等，所述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。
本申请实施例提供的计算机可读存储介质的工作过程、工作细节和技术效果，可以参见本申请方法实施例的内容，于此不再赘述。
本申请实施例还提供了一种包含指令的计算机程序产品，当所述指令在计算机上运行时，使所述计算机执行如本申请实施例所述的小区画像构建方法，其中，所述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。
以上所描述的多个实施例仅仅是示意性的，其中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模块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。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台仓库代码的合并装置执行各个实施例或者实施例的某些部分所述的方法。
本发明不局限于上述可选实施方式，任何人在本发明的启示下都可得出其他各种形式的产品，但不论在其形状或结构上作任何变化，凡是落入本发明权利要求界定范围内的技术方案，均落在本发明的保护范围之内。

Claims (10)

1.一种小区画像构建方法，其特征在于，包括：
获取小区的基础公开数据和扩展统计数据；
对所述基础公开数据进行分类，得到与所述小区对应的多维度基础标签；
基于所述扩展统计数据，得到与所述小区对应的多维度扩展标签；
根据所述多维度基础标签和所述多维度扩展标签，生成与所述小区对应的小区画像；
其中，所述基础公开数据为与所述小区关联的静态数据，所述扩展统计数据为与所述小区关联的周期性更新的数据。
2.如权利要求1所述的方法，其特征在于，根据所述多维度基础标签和所述多维度扩展标签，生成与所述小区对应的小区画像，包括：
根据与所述小区对应的历史关注度标签和预先先建立的基于时间衰减函数构建的衰减模型，得到与所述小区对应的关注度标签；
根据所述关注度标签、所述多维度基础标签和所述多维度扩展标签，生成与所述小区对应的小区画像；
其中，所述关注度标签为表征用户对目标商品的关注度的标签。
3.如权利要求1所述的方法，其特征在于，所述基于所述小区的扩展统计数据，得到与所述小区对应的多维度扩展标签，包括：
根据k-近邻算法、所述小区的扩展统计数据、多个相邻小区的扩展统计数据和与所述多个相邻小区一一对应的多个多维度扩展标签，得到与所述小区对应的多维度扩展标签。
4.如权利要求3所述的方法，其特征在于，所述根据k-近邻算法、所述小区的扩展统计数据、多个相邻小区的扩展统计数据和与所述多个相邻小区一一对应的多个多维度扩展标签，得到与所述小区对应的多维度扩展标签，包括:
根据k-近邻算法、所述小区的扩展统计数据、多个相邻小区的扩展统计数据，计算出多个相邻小区中每个相邻小区的扩展统计数据与所述小区的扩展统计数据的矢量距离；
每个矢量距离对应的权重以及与所述多个相邻小区一一对应的多个多维度扩展标签，得到与所述小区对应的多维度扩展标签。
5.如权利要求1所述的方法，其特征在于，所述方法还包括：
对所述基础公开数据和所述扩展统计数据进行数据清洗；
所述对所述基础公开数据进行分类，得到与所述小区对应的多维度基础标签，包括：
对数据清洗后的基础公开数据进行分类，得到与所述小区对应的多维度基础标签；
所述基于所述扩展统计数据，得到与所述小区对应的多维度扩展标签，包括：
通过聚类算法对数据清洗后的扩展统计数据进行聚类，得到与所述小区对应的多维度扩展标签。
6.如权利要求1所述的方法，其特征在于，所述根据所述多维度基础标签和所述多维度扩展标签，生成与所述小区对应的小区画像，包括：
根据所述多维度基础标签、所述多维度扩展标签和预先建立的评分模型，得到与所述小区对应的评分标签；
根据所述多维度基础标签、所述多维度扩展标签和所述评分标签，生成与所述小区对应的小区画像；
其中，所述评分标签用于表征所述小区对目标商品的接受程度。
7.一种小区画像构建装置，其特征在于，包括：
获取单元，用于获取小区的基础公开数据和扩展统计数据；
分类单元，用于所述基础公开数据进行分类，得到与所述小区对应的多维度基础标签；
确定单元，用于基于所述扩展统计数据，得到与所述小区对应的多维度扩展标签；
生成单元，用于根据所述多维度基础标签和所述多维度扩展标签，生成与所述小区对应的小区画像；
其中，所述基础公开数据为与所述小区关联的静态数据，所述扩展统计数据为与所述小区关联的周期性更新的数据。
8.如权利要求7所述的小区画像构建装置，其特征在于，生成单元在用于根据所述多维度基础标签和所述多维度扩展标签，生成与所述小区对应的小区画像时，具体用于：
根据与所述小区对应的历史关注度标签和预先先建立的基于时间衰减函数构建的衰减模型，得到与所述小区对应的关注度标签；
根据所述关注度标签、所述多维度基础标签和所述多维度扩展标签，生成与所述小区对应的小区画像；
其中，所述关注度标签为表征用户对目标商品的关注度的标签。
9.一种小区画像构建装置，其特征在于，包括依次通信相连的存储器、处理器和收发器，其中，所述存储器用于存储计算机程序，所述收发器用于收发消息，所述处理器用于读取所述计算机程序，执行如权利要求1～6任意一项所述的小区画像构建方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有指令，当所述指令在计算机上运行时，执行如权利要求1～6任意一项所述的小区画像构建方法。
CN202010615427.8A 2020-06-30 2020-06-30 小区画像构建方法、装置及存储介质 Pending CN111598630A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010615427.8A CN111598630A (zh) 2020-06-30 2020-06-30 小区画像构建方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010615427.8A CN111598630A (zh) 2020-06-30 2020-06-30 小区画像构建方法、装置及存储介质

Publications (1)

Publication Number Publication Date
CN111598630A true CN111598630A (zh) 2020-08-28

Family

ID=72189139

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010615427.8A Pending CN111598630A (zh) 2020-06-30 2020-06-30 小区画像构建方法、装置及存储介质

Country Status (1)

Country Link
CN (1) CN111598630A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112215947A (zh) * 2020-10-12 2021-01-12 珠海朋奇科技有限责任公司 一种多维感知方法、系统、设备以及存储介质

Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105354202A (zh) * 2014-08-20 2016-02-24 阿里巴巴集团控股有限公司 数据推送方法及装置
CN107222566A (zh) * 2017-07-06 2017-09-29 广州优视网络科技有限公司 信息推送方法、装置及服务器
CN107798636A (zh) * 2017-04-11 2018-03-13 平安科技（深圳）有限公司 楼盘信息处理方法、装置、计算机设备及存储介质
CN109636454A (zh) * 2018-12-05 2019-04-16 广州市弹弹旦电子商务有限公司 一种基于区域用户习惯大数据的商品推送方法
CN109658478A (zh) * 2017-10-10 2019-04-19 爱信诺征信有限公司 一种提供企业画像的方法及系统
CN109947826A (zh) * 2019-03-29 2019-06-28 山东浪潮云信息技术有限公司 一种运用大数据技术构建区域画像分析模型的方法
CN110009401A (zh) * 2019-03-18 2019-07-12 康美药业股份有限公司 基于用户画像的广告投放方法、装置和存储介质
CN110046938A (zh) * 2019-04-19 2019-07-23 深圳市万物云科技有限公司 社区广告智能管理方法及其装置与系统和存储介质
CN110264271A (zh) * 2019-06-21 2019-09-20 安吉艾格赛思生物科技有限公司 一种基于互联网大数据的区域广告精准投放方法
CN110348907A (zh) * 2019-07-12 2019-10-18 深圳市腾讯计算机系统有限公司 一种广告人群的定向方法及装置
CN110489646A (zh) * 2019-08-15 2019-11-22 中国平安人寿保险股份有限公司 用户画像构建方法及终端设备
CN110609951A (zh) * 2019-08-14 2019-12-24 深圳壹账通智能科技有限公司 信息推送方法、装置、计算机设备和存储介质
CN110689230A (zh) * 2019-09-02 2020-01-14 平安科技（深圳）有限公司 一种区域的贫困程度确定方法、电子装置及存储介质
CN110704738A (zh) * 2019-09-29 2020-01-17 平安直通咨询有限公司上海分公司 基于法官画像的服务信息推送方法、装置、终端及存储介质
CN111104449A (zh) * 2019-12-18 2020-05-05 福州市勘测院 基于地理空间画像挖掘的多源城市时空标准地址融合方法
CN111161104A (zh) * 2019-12-20 2020-05-15 青岛聚好联科技有限公司 一种社区用户画像的生成方法及装置
CN111259916A (zh) * 2020-02-12 2020-06-09 东华大学 一种标签缺失情况下的低秩投影特征提取方法

Patent Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105354202A (zh) * 2014-08-20 2016-02-24 阿里巴巴集团控股有限公司 数据推送方法及装置
CN107798636A (zh) * 2017-04-11 2018-03-13 平安科技（深圳）有限公司 楼盘信息处理方法、装置、计算机设备及存储介质
CN107222566A (zh) * 2017-07-06 2017-09-29 广州优视网络科技有限公司 信息推送方法、装置及服务器
CN109658478A (zh) * 2017-10-10 2019-04-19 爱信诺征信有限公司 一种提供企业画像的方法及系统
CN109636454A (zh) * 2018-12-05 2019-04-16 广州市弹弹旦电子商务有限公司 一种基于区域用户习惯大数据的商品推送方法
CN110009401A (zh) * 2019-03-18 2019-07-12 康美药业股份有限公司 基于用户画像的广告投放方法、装置和存储介质
CN109947826A (zh) * 2019-03-29 2019-06-28 山东浪潮云信息技术有限公司 一种运用大数据技术构建区域画像分析模型的方法
CN110046938A (zh) * 2019-04-19 2019-07-23 深圳市万物云科技有限公司 社区广告智能管理方法及其装置与系统和存储介质
CN110264271A (zh) * 2019-06-21 2019-09-20 安吉艾格赛思生物科技有限公司 一种基于互联网大数据的区域广告精准投放方法
CN110348907A (zh) * 2019-07-12 2019-10-18 深圳市腾讯计算机系统有限公司 一种广告人群的定向方法及装置
CN110609951A (zh) * 2019-08-14 2019-12-24 深圳壹账通智能科技有限公司 信息推送方法、装置、计算机设备和存储介质
CN110489646A (zh) * 2019-08-15 2019-11-22 中国平安人寿保险股份有限公司 用户画像构建方法及终端设备
CN110689230A (zh) * 2019-09-02 2020-01-14 平安科技（深圳）有限公司 一种区域的贫困程度确定方法、电子装置及存储介质
CN110704738A (zh) * 2019-09-29 2020-01-17 平安直通咨询有限公司上海分公司 基于法官画像的服务信息推送方法、装置、终端及存储介质
CN111104449A (zh) * 2019-12-18 2020-05-05 福州市勘测院 基于地理空间画像挖掘的多源城市时空标准地址融合方法
CN111161104A (zh) * 2019-12-20 2020-05-15 青岛聚好联科技有限公司 一种社区用户画像的生成方法及装置
CN111259916A (zh) * 2020-02-12 2020-06-09 东华大学 一种标签缺失情况下的低秩投影特征提取方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112215947A (zh) * 2020-10-12 2021-01-12 珠海朋奇科技有限责任公司 一种多维感知方法、系统、设备以及存储介质

Similar Documents

Publication Publication Date Title
US10841743B2 (en) Branching mobile-device to system-namespace identifier mappings
US20180276701A1 (en) Virtual resource processing method, server, and storage medium
CN1607399B (zh) 由环境信号确定的设备的近似位置的使用
US9123259B2 (en) Discovering functional groups of an area
CN108280104B (zh) 目标对象的特征信息提取方法及装置
US10375171B2 (en) Iterative learning for reliable sensor sourcing systems
CN104765873A (zh) 用户相似度确定方法和装置
CN107729519B (zh) 基于多源多维数据的评估方法及装置、终端
CN112069281B (zh) 兴趣点位置的确定方法、装置、计算机设备及存储介质
JP7285521B2 (ja) 類似のモバイル装置を予測するためのシステムと方法
CN107220308B (zh) Poi的合理性的检测方法及装置、设备及可读介质
US11134359B2 (en) Systems and methods for calibrated location prediction
CN109102324B (zh) 模型训练方法、基于模型的红包物料铺设预测方法及装置
US20100228775A1 (en) Real estate analysis system
CN109947874B (zh) 移动轨迹的聚合方法、装置及设备
CN111626767A (zh) 资源数据的发放方法、装置及设备
CN111598630A (zh) 小区画像构建方法、装置及存储介质
CN114693351A (zh) 信息预测方法、装置以及电子设备
CN113344660A (zh) 房源信息的处理方法、装置、电子设备及存储介质
CN110826947A (zh) 物流订单的处理方法、装置和车载终端设备
CN113763077A (zh) 用于检测虚假交易订单的方法和装置
CN111401787A (zh) 一种选址方法、装置、系统
US11622229B2 (en) System and method of forecasting based on periodical sketching of big data of observations
CN111126714A (zh) 基于长租公寓租房场景下的退租预测系统及方法
CN116228316A (zh) 投放选址的确定方法、装置、电子设备及可读存储介质

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20200828

RJ01 Rejection of invention patent application after publication