CN111913997A - 一种基于人工智能的用户画像系统的实现方法 - Google Patents

一种基于人工智能的用户画像系统的实现方法 Download PDF

Info

Publication number
CN111913997A
CN111913997A CN202010786974.2A CN202010786974A CN111913997A CN 111913997 A CN111913997 A CN 111913997A CN 202010786974 A CN202010786974 A CN 202010786974A CN 111913997 A CN111913997 A CN 111913997A
Authority
CN
China
Prior art keywords
user
data
behavior
layer
database
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.)
Withdrawn
Application number
CN202010786974.2A
Other languages
English (en)
Inventor
李源
杨胜华
李萍
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.)
Chaozhou Zhuoshu Big Data Industry Development Co Ltd
Original Assignee
Chaozhou Zhuoshu Big Data Industry Development 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 Chaozhou Zhuoshu Big Data Industry Development Co Ltd filed Critical Chaozhou Zhuoshu Big Data Industry Development Co Ltd
Priority to CN202010786974.2A priority Critical patent/CN111913997A/zh
Publication of CN111913997A publication Critical patent/CN111913997A/zh
Withdrawn legal-status Critical Current

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
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2457—Query processing with adaptation to user needs
    • 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
    • G06F16/2457—Query processing with adaptation to user needs
    • G06F16/24573—Query processing with adaptation to user needs using data annotations, e.g. user-defined metadata
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Biophysics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Medical Informatics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Library & Information Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种基于人工智能的用户画像系统的实现方法，该方法通过大数据的数据分析处理方法对采集的数据分析处理，之后建立一个标准库；依赖于这个标准库，利用人工智能的方法从这些数据中进行机器学习从而建立一个用户“标签‑行为”数据库；借助“标签‑行为”数据库，收集用户的每一次请求，再次通过当前系统进行分析并结合“标签‑行为”数据库进行匹配得出当前用户的各种特点标签，形成精准的用户画像。基于获得的精准用户画像，可以在应用层对用户做出精准分析、精准内容呈现、精准数据推送、做出个性化的内容系统，有助于用户体验提升、提升用户黏度、增强用户忠诚度，使得应用的竞争力大幅度提升，同时也可以降低企业运营成本。

Description

一种基于人工智能的用户画像系统的实现方法
技术领域
本发明涉及大数据分析与处理技术领域，具体地说是一种建筑施工用一种基于人工智能的用户画像系统的实现方法。
背景技术
互联网时代，随着互联网技术的发展，网络与人之间的关系变的愈加密不可分，用户生活的衣食住行已经无法离开互联网，人们每天里都必不可少的娱乐生活方式，越来越多的互动、越来越多的交互来自于网络，因此也产生了越来越多的基于互联网的服务。而随着网络应用使用的越加深入，90后00后这一代人的成长，他们已经成为互联网的主力军，这一代人经历了中国互联网社会化进程中的高潮阶段，性格独立、个性强烈。普通的应用已经难以满足越来越个性化的互联网需求。因此，很多互联网公司朝着更加个性化更加精准化的应用呈现方向进行研发攻坚，提升用户的体验，增强用户黏度，提高用户忠诚度。而我们的系统则可以使得对用户进行精准画像精准分析，给个性化应用研发提供数据依据。
随着大数据与人工智能的兴起，我们可以利用大数据与人工智能对用户行为进行分析，从而对用户请求行为(包括用户的页面停留时间、页面轨迹、查看内容等多维度信息)做一个分析。这种分析可以使我们了解用户访问请求的特点，通过汇集多维度的数据信息。我们可以预先人工设立一个基准的标签方向，然后通过系统获得精准画像。根据画像数据我们可以做到比以前更加精准的用户数据，从而为用户提供个性化的功能、精准化的内容，从而提升用户的体验，提高用户忠诚度。在流量为王的互联网时代，用户就是金钱就是实力，因此企业可以增强竞争力，提高创新力，从而赢得商业制高地，从众多互联网企业中脱颖而出，获得更大的成功。
发明内容
本发明的技术任务是解决现有技术的不足，提供一种基于人工智能的用户画像系统的实现方法。本发明基于当前的标准化数据，利用人工智能(机器学习)的“监督式学习”方式将数据导入模型进行机器学习，在学习过程中将预测结果与“训练数据”的实际结果进行比较，同时稍加加入人工干预，不断的调整预测模型，直到模型的预测结果达到一个预期的准确率。从而达到能够对一个用户请求行为进行匹配契合，而最终形成的“标签-行为”数据达到期待值。
本发明解决其技术问题所采用的技术方案是：
一种基于人工智能的用户画像系统的实现方法，该方法通过大数据的数据分析处理方法对采集的数据分析处理，之后建立一个标准库；
依赖于这个标准库，利用人工智能的方法从这些数据中进行机器学习从而建立一个用户行为标签数据库；
借助“标签-行为”数据库，收集用户的每一次请求，再次通过当前系统进行分析并结合“标签-行为”数据库进行匹配得出当前用户的各种特点标签，形成精准的用户画像。
方案优选地，具体包括如下步骤：
步骤1:收集用户访问服务器的请求信息，形成用户行为数据；
步骤2：将获取的用户行为数据进行初步的整理分析，保留部分有价值的数据，将数据进行结构化处理存入临时数据库以便于程序分析处理；
步骤3:将步骤1中采集到的数据通过大数据的方法进行了数据的清洗、分析、根据需要进行标准化处理，并保存到数据库中，得到“标准库”，作为机器学习模型提供服务的数据库；
步骤4:通过人工智能领域的实现方法建立机器学习模型，用来分析用户的请求行为；
步骤5：将步骤3所获得比较稳定的机器学习模型作为A段架设在C/S(客户/服务)之间作为之间的匹配层，实现针对用户行为匹配进行个性化的用户体验优化配置。
方案优选地，步骤1中，收集用户访问服务器的请求信息的方式为：通过直接连接到服务器，或者间接执行相关命令的形式。
方案优选地，步骤4具体实现方法为：
利用人工智能领域的“监督式学习”方法建立学习模型，将步骤2入库的标准数据导入学习模型中进行深度学习，通过人工辅助介入并在学习过程中将预测结果与“训练数据”的实际结果进行比较，不断的调整预测模型，直到模型的预测结果达到一个预期的准确率。
方案优选地，步骤4中采用“监督式学习”的方法中的“反向传递神经网络”算法对标准数据库里面的数据进行处理，然后通过“学习”分析这些标准数据，对相应的数据进行分析后进行“标签化”，形成最终的“标签-行为”数据库。
方案优选地，执行步骤5时，将步骤4的机器学习模型直接加入应用进行计算学习，边学习边服务，将机器学习模型定义为整体架构中的(A)层，用户层为(C)层，服务层为(S)层，将模型层(A)层置于用户层(C)与服务层(S)之间。
方案优选地，步骤5的具体实现方法为：
步骤501.匹配用户实时发起的请求，使模型层(A)同时具备匹配功能与学习功能；
步骤502.匹配到请求之后，从“标签-行为”库中寻找当前匹配到的请求数据，对当前匹配用户进行标签化；
步骤503.通知后台的服务层(S)进行相关操作，对用户进行服务；
步骤504.相应的请求数据在模型层(A)中进行再学习，模型层利用这些新产生的请求数据继续进行学习，其中加入人工辅助介入，调整模型方向，对整体的模型准确度进行优化。
方案优选地，步骤503中，后台的服务层所进行的相关操作包括：逻辑处理，精准内容推送、用户精准数据记录、用户安全行为分析。
方案优选地，步骤1中的请求信息来源为电脑、笔记本、智能手机。
本发明的一种基于人工智能的用户画像系统的实现方法与现有技术相比所产生的有益效果是：
本发明通过收集用户访问网站系统所产生的直接或间接行为数据，将收集的初始数据保存入库，逐步形成大数据集合，利用大数据的分析、处理将初始数据进行加工清洗(去掉部分垃圾数据、冗余数据)，形成具有高价值的可用数据，再次保存入库，形成标准数据库。然后利用人工智能算法对标准数据库里面的数据进行处理，然后通过“学习”分析这些标准数据，对相应的数据进行分析后进行“标签化”，形成最终的“标签-行为”数据库。借助“标签-行为”数据库，可以通过收集用户的每一次请求，再次通过当前系统的系统进行分析并结合“标签-行为”数据库进行匹配(同时也进入第一阶段的分析过程)得出当前用户的各种特点标签，形成精准的用户画像。
基于获得的精准用户画像，可以在应用层对用户做出精准分析、精准内容呈现、精准数据推送、做出个性化的内容系统，有助于用户体验提升、提升用户黏度、增强用户忠诚度，使得应用的竞争力大幅度提升，同时也可以降低企业运营成本。
附图说明
为了更清楚地描述本发明一种基于人工智能的用户画像系统的实现方法的工作原理，下面将附上简图作进一步说明。
附图1是本发明一种基于人工智能的用户画像系统的实现方法的示意图；
附图2是本发明反向传递神经网络图。
具体实施方式
下面将结合本发明实施例中的附图1、2，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
如今互联网的易用性、目的性、便捷性、个性化越来越成为发展的主流，传统的互联网应用服务模式以用户为主导，用户所希望看到的需要自己去寻找去挖掘。有时候漫无目的的访问应用系统会给用户带来无形中的浏览压力，同时也没有那么效率。
如附图1所示，本发明的一种基于人工智能的用户画像系统的实现方法，该方法通过大数据的数据分析处理方法对采集的数据分析处理，之后建立一个标准库；
依赖于这个标准库，利用人工智能的方法从这些数据中进行机器学习从而建立一个用户行为标签数据库；
借助“标签-行为”数据库，收集用户的每一次请求，再次通过当前系统进行分析并结合“标签-行为”数据库进行匹配得出当前用户的各种特点标签，形成精准的用户画像。
方案优选地，具体包括如下步骤：
步骤1:收集用户访问服务器的请求信息，形成用户行为数据；请求信息来源为电脑、笔记本、智能手机；
步骤2：将获取的用户行为数据进行初步的整理分析，保留部分有价值的数据，将数据进行结构化处理存入临时数据库以便于程序分析处理；
步骤3:将步骤1中采集到的数据通过大数据的方法进行了数据的清洗(去掉部分垃圾数据、冗余数据)、分析、根据需要进行标准化处理，并保存到数据库中，得到“标准库”，作为机器学习模型提供服务的数据库；
步骤4:通过人工智能领域的实现方法建立机器学习模型，用来分析用户的请求行为；
步骤5：将步骤3所获得比较稳定的机器学习模型作为A段架设在C/S(客户/服务)之间作为之间的匹配层，实现针对用户行为匹配进行个性化的用户体验优化配置。
上述步骤1中，收集用户访问服务器的请求信息的方式为：通过直接连接到服务器，或者间接执行相关命令的形式。
上述步骤4具体实现方法为：
利用人工智能领域的“监督式学习”方法建立学习模型，将步骤2入库的标准数据导入学习模型中进行深度学习，通过人工辅助介入并在学习过程中将预测结果与“训练数据”的实际结果进行比较，不断的调整预测模型，直到模型的预测结果达到一个预期的准确率。
结合附图2，上述步骤4中采用“监督式学习”的方法中的“反向传递神经网络”算法对标准数据库里面的数据进行处理，然后通过“学习”分析这些标准数据，对相应的数据进行分析后进行“标签化”，形成最终的“标签-行为”数据库。
执行步骤5时，将步骤4的机器学习模型直接加入应用进行计算学习，边学习边服务，将机器学习模型定义为整体架构中的(A)层，用户层为(C)层，服务层为(S)层，将模型层(A)层置于用户层(C)与服务层(S)之间。
上述步骤5的具体实现方法为：
步骤501.匹配用户实时发起的请求，使模型层(A)同时具备匹配功能与学习功能；
步骤502.匹配到请求之后，从“标签-行为”库中寻找当前匹配到的请求数据，对当前匹配用户进行标签化；
步骤503.通知后台的服务层(S)进行相关操作，对用户进行服务；
步骤504.相应的请求数据在模型层(A)中进行再学习，模型层利用这些新产生的请求数据继续进行学习，其中加入人工辅助介入，调整模型方向，对整体的模型准确度进行优化。
上述步骤503中，后台的服务层所进行的相关操作包括：逻辑处理，精准内容推送、用户精准数据记录、用户安全行为分析。
通过本发明人工智能的用户精准画像系统，我们可以对用户进行标签化，这样可以针对应用系统做出改造，每个人进入应用我们根据画像对用户进行不同内容的展示以及安全行方面的评估，这样不仅仅更好的服务了用户，也同时更好的服务了我们自己，增加了用户忠诚度，增强了系统安全性，使得应用的竞争力大幅度提升，同时也可以降低企业运营成本。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (9)

1.一种基于人工智能的用户画像系统的实现方法，其特征在于，该方法通过大数据的数据分析处理方法对采集的数据分析处理，之后建立一个标准库；
依赖于这个标准库，利用人工智能的方法从这些数据中进行机器学习从而建立一个用户“标签-行为”数据库；
借助“标签-行为”数据库，收集用户的每一次请求，再次通过当前系统进行分析并结合“标签-行为”数据库进行匹配得出当前用户的各种特点标签，形成精准的用户画像。
2.根据权利要求1所述的一种基于人工智能的用户画像系统的实现方法，其特征在于，具体包括如下步骤：
步骤1:收集用户访问服务器的请求信息，形成用户行为数据；
步骤2：将获取的用户行为数据进行初步的整理分析，保留部分有价值的数据，将数据进行结构化处理存入临时数据库以便于程序分析处理；
步骤3:将步骤1中采集到的数据通过大数据的方法进行了数据的清洗、分析、根据需要进行标准化处理，并保存到数据库中，得到“标准库”，作为机器学习模型提供服务的数据库；
步骤4:通过人工智能领域的实现方法建立机器学习模型，用来分析用户的请求行为；
步骤5：将步骤3所获得比较稳定的机器学习模型作为A段架设在C/S(客户/服务)之间作为之间的匹配层，实现针对用户行为匹配进行个性化的用户体验优化配置。
3.根据权利要求2所述的一种基于人工智能的用户画像系统的实现方法，其特征在于，步骤1中，收集用户访问服务器的请求信息的方式为：通过直接连接到服务器，或者间接执行相关命令的形式。
4.根据权利要求2所述的一种基于人工智能的用户画像系统的实现方法，其特征在于，步骤4具体实现方法为：
利用人工智能领域的“监督式学习”方法建立学习模型，将步骤2入库的标准数据导入学习模型中进行深度学习，通过人工辅助介入并在学习过程中将预测结果与“训练数据”的实际结果进行比较，不断的调整预测模型，直到模型的预测结果达到一个预期的准确率。
5.根据权利要求4所述的一种基于人工智能的用户画像系统的实现方法，其特征在于，步骤4中采用“监督式学习”的方法中的“反向传递神经网络”算法对标准数据库里面的数据进行处理，然后通过“学习”分析这些标准数据，对相应的数据进行分析后进行“标签化”，形成最终的“标签-行为”数据库。
6.根据权利要求5所述的一种基于人工智能的用户画像系统的实现方法，其特征在于，执行步骤5时，将步骤4的机器学习模型直接加入应用进行计算学习，边学习边服务，将机器学习模型定义为整体架构中的(A)层，用户层为(C)层，服务层为(S)层，将模型层(A)层置于用户层(C)与服务层(S)之间。
7.根据权利要求6所述的一种基于人工智能的用户画像系统的实现方法，其特征在于，步骤5的具体实现方法为：
步骤501.匹配用户实时发起的请求，使模型层(A)同时具备匹配功能与学习功能；
步骤502.匹配到请求之后，从“标签-行为”库中寻找当前匹配到的请求数据，对当前匹配用户进行标签化；
步骤503.通知后台的服务层(S)进行相关操作，对用户进行服务；
步骤504.相应的请求数据在模型层(A)中进行再学习，模型层利用这些新产生的请求数据继续进行学习，其中加入人工辅助介入，调整模型方向，对整体的模型准确度进行优化。
8.根据权利要求7所述的一种基于人工智能的用户画像系统的实现方法，其特征在于，步骤503中，后台的服务层所进行的相关操作包括：逻辑处理，精准内容推送、用户精准数据记录、用户安全行为分析。
9.根据权利要求2或5所述的一种基于人工智能的用户画像系统的实现方法，其特征在于，步骤1中的请求信息来源为电脑、笔记本、智能手机。
CN202010786974.2A 2020-08-07 2020-08-07 一种基于人工智能的用户画像系统的实现方法 Withdrawn CN111913997A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010786974.2A CN111913997A (zh) 2020-08-07 2020-08-07 一种基于人工智能的用户画像系统的实现方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010786974.2A CN111913997A (zh) 2020-08-07 2020-08-07 一种基于人工智能的用户画像系统的实现方法

Publications (1)

Publication Number Publication Date
CN111913997A true CN111913997A (zh) 2020-11-10

Family

ID=73288256

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010786974.2A Withdrawn CN111913997A (zh) 2020-08-07 2020-08-07 一种基于人工智能的用户画像系统的实现方法

Country Status (1)

Country Link
CN (1) CN111913997A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112700271A (zh) * 2020-12-29 2021-04-23 长威信息科技发展股份有限公司 一种基于标签模型的大数据画像方法及系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112700271A (zh) * 2020-12-29 2021-04-23 长威信息科技发展股份有限公司 一种基于标签模型的大数据画像方法及系统

Similar Documents

Publication Publication Date Title
US20220261413A1 (en) Using specified performance attributes to configure machine learning pipepline stages for an etl job
CN110569369A (zh) 银行金融系统知识图谱的生成方法及装置、应用方法及装置
CN111428053A (zh) 一种面向税务领域知识图谱的构建方法
CN107784033B (zh) 一种基于会话进行推荐的方法和装置
CN110489565B (zh) 基于领域知识图谱本体中的对象根类型设计方法及系统
CN111882403A (zh) 一种基于用户数据的金融服务平台智能推荐方法
US20190050435A1 (en) Object data association index system and methods for the construction and applications thereof
Theocharis et al. Knowledge management systems in the public sector: Critical issues
WO2023155508A1 (zh) 一种基于图卷积神经网络和知识库的论文相关性分析方法
CN111198969A (zh) 一种基于网络大数据的经济信息咨询系统和方法
Al-Najran et al. A requirements specification framework for big data collection and capture
US11847169B2 (en) Method for data processing and interactive information exchange with feature data extraction and bidirectional value evaluation for technology transfer and computer used therein
CN113918533B (zh) 一种基于大数据方向的rcs统一消息云服务系统的使用方法
Jiang Credit scoring model based on the decision tree and the simulated annealing algorithm
CN111241153A (zh) 企业自然人实体综合判断对齐方法及系统
CN114911893A (zh) 基于知识图谱的自动化构建知识库的方法及系统
CN111913997A (zh) 一种基于人工智能的用户画像系统的实现方法
CN117057866A (zh) 业务推荐方法和装置、电子设备及存储介质
CN111177653A (zh) 一种信用评估方法和装置
CN116049243A (zh) 企业知识产权大数据情报分析系统、方法及存储介质
CN113656579B (zh) 文本分类方法、装置、设备及介质
CN112328812B (zh) 基于自调参数的领域知识抽取方法与系统、电子设备
CN111897947A (zh) 一种基于开源信息的数据分析处理方法及装置
CN110990745A (zh) 一种自动同步同类公共云资源的方法
Fugini et al. A text analytics architecture for smart companies

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20201110

WW01 Invention patent application withdrawn after publication