CN111861526A - 一种分析对象来源的方法和装置 - Google Patents
一种分析对象来源的方法和装置 Download PDFInfo
- Publication number
- CN111861526A CN111861526A CN201910364095.8A CN201910364095A CN111861526A CN 111861526 A CN111861526 A CN 111861526A CN 201910364095 A CN201910364095 A CN 201910364095A CN 111861526 A CN111861526 A CN 111861526A
- Authority
- CN
- China
- Prior art keywords
- target object
- cluster
- source
- determining
- historical
- 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 71
- 238000004458 analytical method Methods 0.000 claims abstract description 51
- 238000004422 calculation algorithm Methods 0.000 claims description 32
- 238000007781 pre-processing Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 13
- 230000008569 process Effects 0.000 description 12
- 238000004891 communication Methods 0.000 description 7
- 239000000523 sample Substances 0.000 description 7
- 238000001914 filtration Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000007635 classification algorithm Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000002650 habitual effect Effects 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000012732 spatial analysis Methods 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual 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
- G06Q30/0204—Market segmentation
- G06Q30/0205—Location or geographical consideration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2455—Query execution
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Accounting & Taxation (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Remote Sensing (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种分析对象来源的方法和装置,涉及计算机技术领域。该方法的一具体实施方式包括:获取目标对象的标识,并根据所述目标对象的标识从数据库中确定所述目标对象的历史地理位置信息;根据所述目标对象的历史地理位置信息,生成所述对象来源的聚类簇;根据所述目标对象来源的聚类簇确定所述目标对象来源的兴趣点。该实施方式降解决了现有技术中基于简单的统计指标进行分析导致其分析结果存在较大偏差的问题,具有实用性高和准确率高的特点,可以精准地实现客源地分析的任务。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种分析对象来源的方法和装置。
背景技术
现有的对象分析方法往往采用问卷调查和建立会员制度的方法收集目标对象的数据,并通过简单的统计量来描述复杂的群体特征。例如,越来越多的线下商场需要对其客户进行分析以提供更好的服务,而线下购物商场由于缺乏数据资源和相应技术,难以建立全面有效的客源分析系统,导致基于传统方法的客户分析难以满足目前的需求。
在实现本发明过程中,发明人发现现有技术中至少存在如下问题:
1.现有的对象分析方法基于简单的统计指标进行基础分析,其分析结果往往存在较大的偏差。
2.由于采用问卷调查和建立会员制度的方法收集手段本身的局限性,收集到的数据普遍存在着数据稀疏性问题。
3.传统信息采集的手段其成本开销大且信息采集量小;同时此种方式产生的数据也存在时效性差,样本偏差大等缺点难以得到准确的分析结果。
发明内容
有鉴于此,本发明实施例提供一种分析对象来源的方法和装置,能够解决现有基于简单的统计指标进行分析导致其分析结果存在较大偏差的问题。
为实现上述目的,根据本发明实施例的一个方面,提供了一种分析对象来源的方法,包括:获取目标对象的标识,并根据所述目标对象的标识从数据库中确定所述目标对象的历史地理位置信息;根据所述目标对象的历史地理位置信息,生成所述对象来源的聚类簇;根据所述目标对象来源的聚类簇确定所述目标对象来源的兴趣点。
可选地,根据所述目标对象的历史地理位置信息,生成所述对象来源的聚类簇之前,所述方法还包括:判断所述目标对象的数量是否超过第一设定阈值;若未超过所述第一设定阈值,则对对象数量进行扩展。
可选地,对对象数量进行扩展,包括:根据所述目标对象的标识从所述数据库中确定所述目标对象的收货地址;根据所述目标对象的收货地址,确定所述目标对象的收货小区和/或收货街道,并从所述数据库中确定具有相同所述收货小区和/或收货街道的对象,作为第一新增对象;从数据库中确定所述第一新增对象的历史地理位置信息并将所述第一新增对象合并至所述目标对象。
可选地,对对象数量进行扩展,包括:根据所述目标对象的标识从所述数据库中确定所述目标对象的用户画像;从所述数据库中获取设定地理范围内对象的用户画像,计算所述设定地理范围内对象的用户画像与所述目标对象的用户画像的相似值,并将超过第二设定阈值的所述相似值对应的所述设定地理范围内对象,作为第二新增对象;从数据库中确定所述第二新增对象的历史地理位置信息并将所述第一新增对象合并至所述目标对象。
可选地,根据所述目标对象的历史地理位置信息,生成所述对象来源的聚类簇,包括:将所述目标对象的历史地理位置信息进行零均值化和方差归一化的预处理;采用K均值或DBSCAN的聚类算法处理,经所述预处理后的目标对象的历史地理位置信息,生成所述对象来源的聚类簇。
可选地,获取目标对象的标识,并根据所述目标对象的标识从数据库中确定所述目标对象的历史地理位置信息之后,所述方法还包括:将设定时间范围内相同的报点信息合并为一条报点信息;所述报点信息包括所述目标对象及其对应的历史地理位置信息;和/或,将分析区域划分为若干个栅格,将每个所述栅格内的历史地理位置信息统一成同一历史地理位置信息;所述分析区域覆盖了所有目标对象的历史地理位置。
可选地,根据所述目标对象来源的聚类簇确定所述目标对象来源的兴趣点,包括:根据所述目标对象来源的聚类簇,确定聚类簇的中心位置;根据所述聚类簇的中心位置,确定与所述聚类簇的中心位置距离最近的K个兴趣点,K为正整数;将所述K个兴趣点作为所述目标对象来源的兴趣点。
根据本发明实施例的另一个方面,提供了一种分析对象来源的装置,包括:获取信息模块,用于:获取目标对象的标识,并根据所述目标对象的标识从数据库中确定所述目标对象的历史地理位置信息;聚类模块,用于:根据所述目标对象的历史地理位置信息,生成所述对象来源的聚类簇;分析模块,用于:根据所述目标对象来源的聚类簇确定所述目标对象来源的兴趣点。
可选地,所述装置还包括数据扩展模块,用于:判断所述目标对象的数量是否超过第一设定阈值;若未超过所述第一设定阈值,则对对象数量进行扩展。
可选地,所述数据扩展模块,还用于:根据所述目标对象的标识从所述数据库中确定所述目标对象的收货地址;根据所述目标对象的收货地址,确定所述目标对象的收货小区和/或收货街道,并从所述数据库中确定具有相同所述收货小区和/或收货街道的对象,作为第一新增对象;从数据库中确定所述第一新增目标对象的历史地理位置信息并将所述第一新增对象合并至所述目标对象。
可选地,所述数据扩展模块,还用于:根据所述目标对象的标识从所述数据库中确定所述目标对象的用户画像;从所述数据库中获取设定地理范围内对象的用户画像,计算所述设定地理范围内对象的用户画像与所述目标对象的用户画像的相似值,并将超过第二设定阈值的所述相似值对应的所述设定地理范围内对象,作为第二新增对象;从数据库中确定所述第二新增对象的历史地理位置信息并将所述第二新增对象合并至所述目标对象。
可选地,所述聚类模块,还用于:将所述目标对象的历史地理位置信息进行零均值化和方差归一化的预处理;采用K均值或DBSCAN的聚类算法处理,经所述预处理后的目标对象的历史地理位置信息,生成所述对象来源的聚类簇。
可选地,所述装置还包括数据预处理模块,用于:将设定时间范围内相同的报点信息合并为一条报点信息;所述报点信息包括所述目标对象及其对应的历史地理位置信息;和/或,将分析区域划分为若干个栅格,将每个所述栅格内的历史地理位置信息统一成同一历史地理位置信息;所述分析区域覆盖了所有目标对象的历史地理位置。
可选地,所述分析模块,还用于:根据所述目标对象来源的聚类簇,确定聚类簇的中心位置;根据所述聚类簇的中心位置,确定与所述聚类簇的中心位置距离最近的K个兴趣点,K为正整数;将所述K个兴趣点作为所述目标对象来源的兴趣点。
根据本发明实施例的再一个方面,提供了一种电子设备,包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如前述发明实施例提供的分析对象来源的方法。
根据本发明实施例的再一个方面,提供了一种计算机可读介质,其上存储有计算机程序,所述程序被处理器执行时实现如前述发明实施例提供的分析对象来源的方法。
上述发明中的一个实施例具有如下优点或有益效果:本发明实施例通过生成所述对象来源的聚类簇的方式对目标对象的来源进行分析,解决了现有技术中基于简单的统计指标进行分析导致其分析结果存在较大偏差的问题,具有实用性高和准确率高的特点,可以精准地实现客源地分析的任务。
上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
附图用于更好地理解本发明,不构成对本发明的不当限定。其中:
图1是根据本发明实施例的分析对象来源的方法的基本流程的示意图;
图2是根据本发明实施例的分析对象来源的方法的优选流程的示意图;
图3是根据本发明实施例的分析对象来源的装置的基本模块的示意图;
图4是本发明实施例可以应用于其中的示例性系统架构图;
图5是适于用来实现本发明实施例的终端设备或服务器的计算机系统的结构示意图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明,其中包括本发明实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本发明的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
图1是根据本发明实施例的分析对象来源的方法的基本流程的示意图。如图1所示,本发明第一实施例提出的一种分析对象来源的方法,包括:
步骤S101.获取目标对象的标识,并根据所述目标对象的标识从数据库中确定所述目标对象的历史地理位置信息;
步骤S102.根据所述目标对象的历史地理位置信息,生成所述对象来源的聚类簇;
步骤S103.根据所述目标对象来源的聚类簇确定所述目标对象来源的兴趣点。
其中,兴趣点是电子地图上的某个地标、景点,用以标示出该地所代表的政府部门、各行各业之商业机构、旅游景点、古迹名胜或交通设施等处所。本发明实施例通过生成所述对象来源的聚类簇的方式对目标对象的来源进行分析,解决了现有技术中基于简单的统计指标进行分析导致其分析结果存在较大偏差的问题,具有实用性好和准确率高的特点,可以精准地实现客源地分析的任务。
本发明第二实施例中的分析对象来源的方法,包括:
从线下获取目标对象的标识,并根据所述目标对象的标识从线上数据库中确定所述目标对象的历史地理位置信息;
采用聚类算法处理所述目标对象的历史地理位置信息,生成所述对象来源的聚类簇;
利用K-临近算法,根据所述目标对象来源的聚类簇确定所述目标对象来源的兴趣点。
本发明实施例采用线上数据与线下数据相结合的方式,利用聚类算法对目标对象的来源进行分析,解决了现有技术中基于简单的统计指标进行分析导致其分析结果存在较大偏差的问题,具有实用性好和准确率高的特点,可以精准地实现客源地分析的任务。
具体地,可以以分析商场客源地为例,进行如下说明:
现有的顾客分析方法往往采用问卷调查和建立会员制度的方法收集数据,并通过简单的统计量来描述复杂的群体特征。传统方法的基于简单的统计指标(如简单统计人流量平均值),获得的结果往往存在较大的偏差。本发明实施例可以通过线下商场采集到的顾客移动设备的MAC地址或IMEI编号,结合数据库中的MAC地址或IMEI编号,进行匹配撞库,以每个MAC地址(或IMEI编号)为标识,获取该移动设备的历史地理位置信息,对历史地理位置信息进行聚类分析,找出高频出现场景,实现对客源地进行精准分析。MAC地址是用来确认网上设备位置的地址。IMEI(International Mobile Equipment Identity,IMEI)国际移动设备识别码,即通常所说的手机“串号”,用于在移动电话网络中识别每一部独立的手机等移动通信设备,相当于移动电话的身份证。
基于上述实施例,在本发明实施例的采用聚类算法处理所述目标对象的历史地理位置信息,生成所述对象来源的聚类簇之前,所述方法还包括:判断所述目标对象的数量是否超过第一设定阈值;若未超过所述第一设定阈值,则采用基于协同过滤的算法进行对象数量的扩展。
由于现有技术中采用问卷调查和建立会员制度的方法收集手段本身的局限性本发明实施例结合线下与线上的数据,提出了基于协同过滤的数据扩展的技术手段,来克服稀疏性问题。
基于上述实施例,本发明实施例中的采用基于协同过滤算法进行对象数量的扩展,包括:根据所述目标对象的标识从所述线上数据库中确定所述目标对象的用户画像和收货地址;根据所述目标对象的收货地址,确定所述目标对象的收货小区和/或收货街道,并从所述线上数据库中确定具有相同所述收货小区和/或收货街道的对象,作为第一新增对象;从所述线上数据库中获取设定地理范围内对象的用户画像,计算所述设定地理范围内对象的用户画像与所述目标对象的用户画像的相似值,并将超过第二设定阈值的所述相似值对应的所述设定地理范围内对象,作为第二新增对象;可以将所述目标对象、所述第一新增对象和所述第二新增对象作为扩展后的新的目标对象,或将所述目标对象和所述第一新增对象作为扩展后的新的目标对象,或将所述目标对象和所述第二新增对象作为扩展后的新的目标对象,并从线上数据库中确定所述新的目标对象的历史地理位置信息。
本发明实施例在有效地解决线下数据的稀疏性问题的同时,也解决了传统数据收集方法成本高数据质量差、时效性差和样本偏差大等问题。本方法采用线上数据与线下数据相结合的方式,即通过挖掘相似位置和线上习惯的对象以产生丰富多样的数据,同时产生的数据质量高且收集过程成本低廉,从而可以更精准高效地实现客源地分析的任务。
基于第二实施例,在本发明实施例的采用聚类算法处理所述目标对象的历史地理位置信息,生成所述对象来源的聚类簇,包括:将所述目标对象的历史地理位置信息进行零均值化和方差归一化的预处理;采用K均值或DBSCAN(Density-Based Spatial Clusteringof Applications with Noise)的聚类算法处理,经所述预处理后的目标对象的历史地理位置信息,生成所述对象来源的聚类簇。K均值聚类算法是先随机选取K个对象作为初始的聚类中心。然后计算每个对象与各个种子聚类中心之间的距离,把每个对象分配给距离它最近的聚类中心。聚类中心以及分配给它们的对象就代表一个聚类。每分配一个样本,聚类的聚类中心会根据聚类中现有的对象被重新计算。这个过程将不断重复直到满足某个终止条件。终止条件可以是没有(或最小数目)对象被重新分配给不同的聚类,没有(或最小数目)聚类中心再发生变化,误差平方和局部最小。DBSCAN(Density-Based SpatialClustering of Applications with Noise)是一个比较有代表性的基于密度的聚类算法。与划分和层次聚类方法不同,它将簇定义为密度相连的点的最大集合,能够把具有足够高密度的区域划分为簇,并可在噪声的空间数据库中发现任意形状的聚类。
具体地,可以继续以分析商场客源地为例,进行如下说明:
对用户地理位置(即经度和纬度)进行聚类得到聚类簇。由于聚类簇中用户位置密度较大,一个簇代表了“商场顾客”这一群体经常出现的一个位置(或位置范围)。此外,在聚类过程中亦会产生不属于任何聚类簇的位置点,由于它们较为分散,可以自然地看做是噪声点(即非客源地的点)。可以采用KMeans(即K均值)或DBSCAN的聚类算法进行聚类。当明确需要获得几个客源地时,可以使用KMeans算法可得到精确的结果;当不明确需要几个客源地,但是知道每个客源地至少需要有多少顾客时可采用DBSCAN算法。
在聚类前可以对经纬度做零均值化和方差归一化的预处理,即
在本发明实施例的步骤S101获取目标对象的标识,并根据所述目标对象的标识从数据库中确定所述目标对象的历史地理位置信息之后,所述方法还包括:从时间维度上,将设定时间范围内相同的报点信息合并为一条报点信息;所述报点信息包括所述目标对象及其对应的历史地理位置信息;和/或,从空间维度上,将分析区域划分为若干个栅格,将每个所述栅格内的历史地理位置信息统一成同一历史地理位置信息;所述分析区域覆盖了所有目标对象的历史地理位置。
由于采集到的数据具有大量无效或冗余字段,需要在使用前进行合并处理,处理过程分为两个部分,对时间维度的预处理和对空间维度的合并。具体地,可以继续以分析商场客源地为例,进行如下说明:由于线上数据库可能在短时间内频繁收集用户的位置信息,导致产生过多报点信息,需要按时间维度合并。将同一位置,同一用户在30分钟内的报点信息做合并,即将同一位置,同一用户在30分钟内的报点合并为一条信息。对于空间维度做栅格化,即将整个空间分析区域划分为矩形的栅格,可以采取50米*50米作为划分粒度,并将每个栅格内的所有位置报点均看作同一报点。由于考虑到不同分析对象具有不同的背景条件,以上两个参数均可根据后期具体情况调节。
基于第二实施例,在本发明实施例的利用K-临近算法,根据所述目标对象来源的聚类簇确定所述目标对象来源的兴趣点,包括:根据所述目标对象来源的聚类簇,确定聚类簇的中心位置;根据所述聚类簇的中心位置,确定与所述聚类簇的中心位置距离最近的K个兴趣点,K为正整数;将所述K个兴趣点作为所述目标对象来源的兴趣点。
本发明实施例利用K-临近算法确定所述目标对象来源的兴趣点,可以实现对目标对象来源的精准分析。K-临近算法,即K最近邻(k-Nearest Neighbor,KNN)分类算法,是一个理论上比较成熟的方法,也是最简单的机器学习算法之一。该方法的思路是:如果一个样本在特征空间中的k个最相似(即特征空间中最邻近)的样本中的大多数属于某一个类别,则该样本也属于这个类别
图2是根据本发明实施例的分析对象来源的方法的优选流程的示意图。如图2所示:
线下数据采集及线上匹配:用于获取线下数据并与线上数据进行匹配。首先通过线下商店的的信息获取设备(例如WIFI探针)收集到店顾客移动设备的MAC地址(或IMEI编号)。具体的信息收集渠道可以是通过WIFI分析装置(如路由器存储的MAC地址和IMEI编号),也可以通过线下商场发布的APP收集到的手机MAC地址或IMEI编号。接着将这些MAC地址(或IMEI编号)与的线上数据库做匹配,从而识别出其中具有账户的那一部分人群。由于数据库存储了用户在线上活动时的地理位置信息,抽出这部分信息,作为商场客户的历史地理位置信息,这样即可获得商场顾客的地理位置信息。具体需要的数据内容和字段如下:1)线下商场的经纬度;2)顾客MAC地址(线下渠道获得);3)顾客地理位置数据(由APP的位置报点信息获得)。
数据预处理:由于采集到的数据具有大量无效或冗余字段,需要在使用前进行合并处理。预处理分为两个部分,对时间维度的预处理和对空间维度的合并。首先,由于用户可能在短时间内频繁在线上活动,导致产生过多报点信息,需要按时间维度合并。将同一位置,同一用户在30分钟内的报点信息做合并,即将同一位置,同一用户在30分钟内的报点合并为一条信息。其次,对于空间维度做栅格化,即将整个空间分析区域划分为矩形的栅格。此处采取了较细的空间粒--50米*50米作为划分粒度,并将每个栅格内的所有位置报点均看作同一报点。由于考虑到不同分析对象具有不同的背景条件,以上两个参数均可根据后期具体情况调节。
判断数据量是否符合要求,若不符合,进行数据增强;若符合,直接跳至第五步。一般来说,数据量是否符合要求应当以实际情况来判断,并无统一固定的标准。一般建议数据量应至少与期望得到的聚类簇个数的2的幂次方处于同一量级。比如,若期望得到10个聚类簇,则建议至少采用的数据量至少为210(即约1000个数据点)以上。越多的数据量往往会得到更精确的结果。
数据增强:在线下采集到的客户数量相对较少时,不足以得到较好的聚类结果,这时可采用数据增强技术来扩展数据量。这里提出一种基于协同过滤的数据增强技术。具体地,可以继续以分析商场客源地为例,进行基本原理的介绍:从地理条件上来讲,居住位置相近的用户往往会到相同的商场购物(居住在相似位置的人群往往具有相似的消费水平和生活条件,因而更趋向于去相似类型的商场购物);另一方面,从购物习惯上来讲,具有相似线上购物习惯的用户往往会在相似类型的线下商场购物。因此,可以通过匹配线上数据库中具有相似的上述两种特点的人群来获取更多的数据。具体地,对于每一个收集到MAC地址的线下用户,此处记为useri(出于隐私保护,应对每一个用户进行匿名处理),在线上数据库中抽取出他(她)的用户画像和常用收货地址;再在线上数据库中抽取出与useri所有具有相同收货地址(这里通常可选同一小区或者同一条街)的用户useri new_loc;接着在线上数据库中匹配用户画像,找到具有与useri相似并且在目标商圈所能覆盖到的范围(通常为同一区县或街区)的用户,此处记为useri new_profile(注:此处涉及到用户画像的相似性比较,这已是当前比较成熟的技术,故不赘述)。本例的最终目的是帮助商场精准定位他们的目标顾客来源位置(或经常出现的位置)。所以“目标商圈”即为所需要服务的商场。最后将他们三个,即useri、useri new_loc和useri new_profile结合起来作为新的数据集,每一条数据所包含的字段仅仅有经度和纬度两个字段,不含其它任何信息。好处是从隐私保护角度讲,相当于用户信息是脱敏的,无隐私泄露风险。通过这种方法,可以达到有效增加数据量的目的。
当数据量符合要求后,对用户地理位置信息进行聚类。对用户地理位置(即经纬度)进行聚类得到聚类簇。由于聚类簇中用户位置密度较大,所以即可用不同的簇结构来代表一个个用户频繁出现的位置;此外,在聚类过程中亦会产生不属于任何聚类簇的位置点,由于它们较为分散,可以自然地看做是噪声点(即非客源地的点)。至此,可以初步得到客源地的聚类簇。在此系统中,可以KMeans或DBSCAN中的一种聚类算法,其各有优劣。当明确知道需要获得几个客源地时,使用KMeans可得到精确的结果。当不明确需要几个客源地,但是知道每个客源地至少需要有多少顾客时可采用DBSCAN。在初步得到客源地的聚类簇后,仍然可能出现噪声点干扰(将一些人流量少的位置点误认为是客源地)的问题。对此,可以调节聚类参数,对位置点进行多尺度分析。对于DBSCAN算法,可以从小到大地设置参数minPts,使该算法迭代地返回数据点数量不同的聚类簇,从而体现不同尺度下的聚类结构满足不同情况下的分析需求;minPts为DBSCAN算法中的参数,使用调节minPts的大小可以得到不同数据量的聚类簇,minPts的大小与聚类簇中数据点的数量成正比。对于KMeans算法,从小到大调整K的值可以得到从多到少不同数量的客源地。
利用KNN匹配附近POI点(即兴趣点):在得到聚类簇之后,即可与附近POI匹配得到可用的位置信息。匹配方法采用K-临近算法,即KNN,其中K的值可根据实际情况进行更改。具体实施过程可举例如下(以K=3为例),首先根据蔟中的点确定蔟中心(求取均值),再根据中心位置搜索到最近的3个POI点。这3个POI点即可作为匹配到的结果。
数据的可视化。得到以上结果后,进而进一步实现可视化,以得到更形象直观的结果展示,便于后续分析。可视化采用交互式地图的方式,用户可根据需要,调整地图比例尺,得到从宏观到微观各个层面的分析结果。
图3是根据本发明实施例的分析对象来源的装置的基本模块的示意图。如图3所示,本发明实施例提供了一种分析对象来源的装置,包括:
获取信息模块301,用于:获取目标对象的标识,并根据所述目标对象的标识从数据库中确定所述目标对象的历史地理位置信息;
聚类模块302,用于:根据所述目标对象的历史地理位置信息,生成所述对象来源的聚类簇;
分析模块303,用于:根据所述目标对象来源的聚类簇确定所述目标对象来源的兴趣点。
本发明实施例通过生成所述对象来源的聚类簇的方式对目标对象的来源进行分析,解决了现有技术中基于简单的统计指标进行分析导致其分析结果存在较大偏差的问题,具有实用性好和准确率高的特点,可以精准地实现客源地分析的任务。
本发明实施例中所述装置还包括数据扩展模块,用于:判断所述目标对象的数量是否超过第一设定阈值;若未超过所述第一设定阈值,则采用基于协同过滤的算法进行对象数量的扩展。
由于现有技术中采用问卷调查和建立会员制度的方法收集手段本身的局限性本发明实施例结合线下与线上的数据,提出了基于协同过滤的数据扩展的技术手段,来克服稀疏性问题。
本发明实施例中的所述数据扩展模块,还用于:根据所述目标对象的标识从所述线上数据库中确定所述目标对象的用户画像和收货地址;根据所述目标对象的收货地址,确定所述目标对象的收货小区和/或收货街道,并从所述线上数据库中确定具有相同所述收货小区和/或收货街道的对象,作为第一新增对象;从所述线上数据库中获取设定地理范围内对象的用户画像,计算所述设定地理范围内对象的用户画像与所述目标对象的用户画像的相似值,并将超过第二设定阈值的所述相似值对应的所述设定地理范围内对象,作为第二新增对象;可以将所述目标对象、所述第一新增对象和所述第二新增对象作为扩展后的新的目标对象,或将所述目标对象和所述第一新增对象作为扩展后的新的目标对象,或将所述目标对象和所述第二新增对象作为扩展后的新的目标对象,并从线上数据库中确定所述新的目标对象的历史地理位置信息。
本发明实施例在有效地解决线下数据的稀疏性问题的同时,也解决了传统数据收集方法成本高数据质量差、时效性差和样本偏差大等问题。本方法采用线上数据与线下数据相结合的方式,即通过挖掘相似位置和线上习惯的对象以产生丰富多样的数据,同时产生的数据质量高且收集过程成本低廉,从而可以更精准高效地实现客源地分析的任务。
所述聚类模块302,还用于:将所述目标对象的历史地理位置信息进行零均值化和方差归一化的预处理;采用KMeans或DBSCAN的聚类算法处理,经所述预处理后的目标对象的历史地理位置信息,生成所述对象来源的聚类簇。采用KMeans或DBSCAN的聚类算法进行聚类。当明确需要获得几个客源地时,可以使用KMeans算法可得到精确的结果;当不明确需要几个客源地,但是知道每个客源地至少需要有多少顾客时可采用DBSCAN算法。
本发明实施例中所述装置还包括数据预处理模块,用于:从时间维度上,将设定时间范围内相同的报点信息合并为一条报点信息;所述报点信息包括所述目标对象及其对应的历史地理位置信息;和/或,从空间维度上,将分析区域划分为若干个栅格,将每个所述栅格内的历史地理位置信息统一成同一历史地理位置信息;所述分析区域覆盖了所有目标对象的历史地理位置。本发明实施例聚类前对历史地理位置信息进行预处理可以有效避免由于采集到无效或冗余字段的数据而导致的分析结果不精准的问题。
本发明实施例中的所述分析模块303,还用于:根据所述目标对象来源的聚类簇,确定聚类簇的中心位置;根据所述聚类簇的中心位置,确定与所述聚类簇的中心位置距离最近的K个兴趣点,K为正整数;将所述K个兴趣点作为所述目标对象来源的兴趣点。本发明实施例利用K-临近算法确定所述目标对象来源的兴趣点,可以实现对目标对象来源的精准分析
图4示出了可以应用本发明实施例的分析对象来源的方法或分析对象来源的装置的示例性系统架构400。
如图4所示,系统架构400可以包括终端设备401、402、403,网络404和服务器405。网络404用以在终端设备401、402、403和服务器405之间提供通信链路的介质。网络404可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备401、402、403通过网络404与服务器405交互,以接收或发送消息等。终端设备401、402、403上可以安装有各种通讯客户端应用,例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备401、402、403可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器405可以是提供各种服务的服务器,例如对用户利用终端设备401、402、403所浏览的购物类网站提供支持的后台管理服务器。后台管理服务器可以对接收到的产品信息查询请求等数据进行分析等处理,并将处理结果反馈给终端设备。
需要说明的是,本发明实施例所提供的分析对象来源的方法一般由服务器405执行,相应地,分析对象来源的装置一般设置于服务器405中。
应该理解,图4中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
根据本发明的实施例,本发明还提供了一种电子设备和一种可读存储介质。
本发明实施例的电子设备包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如前述发明实施例提供的分析对象来源的方法。
本发明实施例的计算机可读介质,其上存储有计算机程序,所述程序被处理器执行时实现如前述发明实施例提供的分析对象来源的方法。
下面参考图5,其示出了适于用来实现本发明实施例的终端设备的计算机系统500的结构示意图。图5示出的终端设备仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图5所示,计算机系统500包括中央处理单元(CPU)501,其可以根据存储在只读存储器(ROM)502中的程序或者从存储部分508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM503中,还存储有系统500操作所需的各种程序和数据。CPU501、ROM502以及RAM503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
以下部件连接至I/O接口505:包括键盘、鼠标等的输入部分506;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分507;包括硬盘等的存储部分508;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至I/O接口505。可拆卸介质511,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器510上,以便于从其上读出的计算机程序根据需要被安装入存储部分508。
特别地,根据本发明公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本发明公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分509从网络上被下载和安装,和/或从可拆卸介质511被安装。在该计算机程序被中央处理单元(CPU)501执行时,执行本发明的系统中限定的上述功能。
需要说明的是,本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的模块可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中,例如,可以描述为:一种处理器,包括:获取信息模块、聚类模块和分析模块。其中,这些模块的名称在某种情况下并不构成对该模块本身的限定,例如,聚类模块还可以被描述为“生成聚类簇的模块”。
作为另一方面,本发明还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的设备中所包含的;也可以是单独存在,而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被一个该设备执行时,使得该设备包括:获取目标对象的标识,并根据所述目标对象的标识从数据库中确定所述目标对象的历史地理位置信息;根据所述目标对象的历史地理位置信息,生成所述对象来源的聚类簇;根据所述目标对象来源的聚类簇确定所述目标对象来源的兴趣点。
根据本发明实施例的分析对象来源的方法可以看出,通过生成所述对象来源的聚类簇的方式对目标对象的来源进行分析,解决了现有技术中基于简单的统计指标进行分析导致其分析结果存在较大偏差的问题,具有实用性好和准确率高的特点,可以精准地实现客源地分析的任务。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,取决于设计要求和其他因素,可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种分析对象来源的方法,其特征在于,包括:
获取目标对象的标识,并根据所述目标对象的标识从数据库中确定所述目标对象的历史地理位置信息;
根据所述目标对象的历史地理位置信息,生成所述对象来源的聚类簇;
根据所述目标对象来源的聚类簇确定所述目标对象来源的兴趣点。
2.根据权利要求1所述的方法,其特征在于,采用聚类算法处理所述目标对象的历史地理位置信息,生成所述对象来源的聚类簇之前,所述方法还包括:
判断所述目标对象的数量是否超过第一设定阈值;
若未超过所述第一设定阈值,则对对象数量进行扩展。
3.根据权利要求2所述的方法,其特征在于,对对象数量进行扩展,包括:
根据所述目标对象的标识从所述数据库中确定所述目标对象的收货地址;
根据所述目标对象的收货地址,确定所述目标对象的收货小区和/或收货街道,并从所述数据库中确定具有相同所述收货小区和/或收货街道的对象,作为第一新增对象;
从数据库中确定所述第一新增对象的历史地理位置信息并将所述第一新增对象合并至所述目标对象。
4.根据权利要求2所述的方法,其特征在于,对对象数量进行扩展,包括:
根据所述目标对象的标识从所述数据库中确定所述目标对象的用户画像;
从所述数据库中获取设定地理范围内对象的用户画像,计算所述设定地理范围内对象的用户画像与所述目标对象的用户画像的相似值,并将超过第二设定阈值的所述相似值对应的所述设定地理范围内对象,作为第二新增对象;
从数据库中确定所述第二新增对象的历史地理位置信息并将所述第二新增对象合并至所述目标对象。
5.根据权利要求1所述的方法,其特征在于,根据所述目标对象的历史地理位置信息,生成所述对象来源的聚类簇,包括:
将所述目标对象的历史地理位置信息进行零均值化和方差归一化的预处理;
采用K均值或DBSCAN的聚类算法处理,经所述预处理后的目标对象的历史地理位置信息,生成所述对象来源的聚类簇。
6.根据权利要求1所述的方法,其特征在于,获取目标对象的标识,并根据所述目标对象的标识从数据库中确定所述目标对象的历史地理位置信息之后,所述方法还包括:
将设定时间范围内相同的报点信息合并为一条报点信息;所述报点信息包括所述目标对象及其对应的历史地理位置信息;和/或,
将分析区域划分为若干个栅格,将每个所述栅格内的历史地理位置信息统一成同一历史地理位置信息;所述分析区域覆盖了所有目标对象的历史地理位置。
7.根据权利要求1所述的方法,其特征在于,根据所述目标对象来源的聚类簇确定所述目标对象来源的兴趣点,包括:
根据所述目标对象来源的聚类簇,确定聚类簇的中心位置;
根据所述聚类簇的中心位置,确定与所述聚类簇的中心位置距离最近的K个兴趣点,K为正整数;
将所述K个兴趣点作为所述目标对象来源的兴趣点。
8.一种分析对象来源的装置,其特征在于,包括:
获取信息模块,用于:获取目标对象的标识,并根据所述目标对象的标识从数据库中确定所述目标对象的历史地理位置信息;
聚类模块,用于:根据所述目标对象的历史地理位置信息,生成所述对象来源的聚类簇;
分析模块,用于:根据所述目标对象来源的聚类簇确定所述目标对象来源的兴趣点。
9.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。
10.一种计算机可读介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1-7中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910364095.8A CN111861526B (zh) | 2019-04-30 | 2019-04-30 | 一种分析对象来源的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910364095.8A CN111861526B (zh) | 2019-04-30 | 2019-04-30 | 一种分析对象来源的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111861526A true CN111861526A (zh) | 2020-10-30 |
CN111861526B CN111861526B (zh) | 2024-05-21 |
Family
ID=72966089
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910364095.8A Active CN111861526B (zh) | 2019-04-30 | 2019-04-30 | 一种分析对象来源的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111861526B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112488198A (zh) * | 2020-11-30 | 2021-03-12 | 上海寻梦信息技术有限公司 | 物流路由分发方法、装置、设备以及存储介质 |
CN115396813A (zh) * | 2021-05-24 | 2022-11-25 | 北京三快在线科技有限公司 | 一种兴趣点画像生成方法、系统、电子设备及存储介质 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102142003A (zh) * | 2010-07-30 | 2011-08-03 | 华为软件技术有限公司 | 兴趣点信息提供方法及装置 |
CN104252527A (zh) * | 2014-09-02 | 2014-12-31 | 百度在线网络技术(北京)有限公司 | 一种确定移动用户的常驻点信息的方法和装置 |
CN104765873A (zh) * | 2015-04-24 | 2015-07-08 | 百度在线网络技术(北京)有限公司 | 用户相似度确定方法和装置 |
CN105243396A (zh) * | 2015-11-06 | 2016-01-13 | 百度在线网络技术(北京)有限公司 | 用户位置信息生成方法和装置 |
CN106339502A (zh) * | 2016-09-18 | 2017-01-18 | 电子科技大学 | 一种基于用户行为数据分片聚类的建模推荐方法 |
CN106506705A (zh) * | 2016-12-29 | 2017-03-15 | 平安科技(深圳)有限公司 | 基于位置服务的人群分类方法及装置 |
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 |
CN107515890A (zh) * | 2017-07-04 | 2017-12-26 | 深圳市金立通信设备有限公司 | 一种识别常驻点的方法及终端 |
CN107977734A (zh) * | 2017-11-10 | 2018-05-01 | 河南城建学院 | 一种时空大数据下基于移动马尔可夫模型的预测方法 |
CN108062375A (zh) * | 2017-12-12 | 2018-05-22 | 百度在线网络技术(北京)有限公司 | 一种用户画像的处理方法、装置、终端和存储介质 |
CN108182253A (zh) * | 2017-12-29 | 2018-06-19 | 百度在线网络技术(北京)有限公司 | 用于生成信息的方法和装置 |
CN109635070A (zh) * | 2019-01-18 | 2019-04-16 | 上海图趣信息科技有限公司 | 一种基于行动轨迹构建用户兴趣画像的方法及其数据更新方法 |
-
2019
- 2019-04-30 CN CN201910364095.8A patent/CN111861526B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102142003A (zh) * | 2010-07-30 | 2011-08-03 | 华为软件技术有限公司 | 兴趣点信息提供方法及装置 |
CN104252527A (zh) * | 2014-09-02 | 2014-12-31 | 百度在线网络技术(北京)有限公司 | 一种确定移动用户的常驻点信息的方法和装置 |
CN104765873A (zh) * | 2015-04-24 | 2015-07-08 | 百度在线网络技术(北京)有限公司 | 用户相似度确定方法和装置 |
CN105243396A (zh) * | 2015-11-06 | 2016-01-13 | 百度在线网络技术(北京)有限公司 | 用户位置信息生成方法和装置 |
CN106339502A (zh) * | 2016-09-18 | 2017-01-18 | 电子科技大学 | 一种基于用户行为数据分片聚类的建模推荐方法 |
CN106506705A (zh) * | 2016-12-29 | 2017-03-15 | 平安科技(深圳)有限公司 | 基于位置服务的人群分类方法及装置 |
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 |
CN107515890A (zh) * | 2017-07-04 | 2017-12-26 | 深圳市金立通信设备有限公司 | 一种识别常驻点的方法及终端 |
CN107977734A (zh) * | 2017-11-10 | 2018-05-01 | 河南城建学院 | 一种时空大数据下基于移动马尔可夫模型的预测方法 |
CN108062375A (zh) * | 2017-12-12 | 2018-05-22 | 百度在线网络技术(北京)有限公司 | 一种用户画像的处理方法、装置、终端和存储介质 |
CN108182253A (zh) * | 2017-12-29 | 2018-06-19 | 百度在线网络技术(北京)有限公司 | 用于生成信息的方法和装置 |
CN109635070A (zh) * | 2019-01-18 | 2019-04-16 | 上海图趣信息科技有限公司 | 一种基于行动轨迹构建用户兴趣画像的方法及其数据更新方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112488198A (zh) * | 2020-11-30 | 2021-03-12 | 上海寻梦信息技术有限公司 | 物流路由分发方法、装置、设备以及存储介质 |
CN115396813A (zh) * | 2021-05-24 | 2022-11-25 | 北京三快在线科技有限公司 | 一种兴趣点画像生成方法、系统、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111861526B (zh) | 2024-05-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhao et al. | A trajectory clustering approach based on decision graph and data field for detecting hotspots | |
CN106462627B (zh) | 根据多个位置数据报告分析语义地点和相关数据 | |
CN106570722B (zh) | 一种智能推荐系统及智能推荐方法 | |
CN109376313B (zh) | 信息推荐方法、装置、终端及存储介质 | |
US9510141B2 (en) | App recommendation using crowd-sourced localized app usage data | |
Liu et al. | Mining checkins from location-sharing services for client-independent ip geolocation | |
CN108712712B (zh) | 无线保真WiFi网络关联信息显示方法及装置 | |
CN104902438B (zh) | 一种基于移动通信终端分析客流特征信息的统计方法及其系统 | |
US20170068902A1 (en) | Modeling of Geospatial Location Over Time | |
US9159030B1 (en) | Refining location detection from a query stream | |
CN111212383B (zh) | 区域常住人口数量的确定方法、装置、服务器和介质 | |
CN107430631B (zh) | 从位置报告确定语义地点名称 | |
US20200068341A1 (en) | Visitor Insights Based on Hyper-Locating Places-Of-Interest | |
CN110781415A (zh) | 一种兴趣点推荐方法、装置、设备及介质 | |
CN111274341A (zh) | 一种网点选址方法和装置 | |
US20170257738A1 (en) | Method and Device for Signal Processing | |
CN111861526B (zh) | 一种分析对象来源的方法和装置 | |
CN111475746B (zh) | 兴趣点位置挖掘方法、装置、计算机设备和存储介质 | |
CN114372133A (zh) | 查询信息问答方法、相关装置及计算机程序产品 | |
CN110298687B (zh) | 一种区域吸引力评估方法及设备 | |
CN111339409A (zh) | 地图展示方法与系统 | |
CN110737820B (zh) | 用于生成事件信息的方法和装置 | |
CN110674208A (zh) | 用于确定用户的职住地信息的方法和装置 | |
CN107798450B (zh) | 业务分配方法和装置 | |
CN111310961A (zh) | 数据预测方法、装置、电子设备和计算机可读存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |