CN112445690A - 信息获取方法、装置及电子设备 - Google Patents

信息获取方法、装置及电子设备 Download PDF

Info

Publication number
CN112445690A
CN112445690A CN202011368445.7A CN202011368445A CN112445690A CN 112445690 A CN112445690 A CN 112445690A CN 202011368445 A CN202011368445 A CN 202011368445A CN 112445690 A CN112445690 A CN 112445690A
Authority
CN
China
Prior art keywords
user
activity
information
active
prediction model
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
Application number
CN202011368445.7A
Other languages
English (en)
Other versions
CN112445690B (zh
Inventor
刘舟
徐键滨
吴梓辉
雷紫娟
王理平
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.)
Guangzhou Sanqi Mutual Entertainment Technology Co ltd
Original Assignee
Guangzhou Sanqi Mutual Entertainment Technology 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 Guangzhou Sanqi Mutual Entertainment Technology Co ltd filed Critical Guangzhou Sanqi Mutual Entertainment Technology Co ltd
Priority to CN202011368445.7A priority Critical patent/CN112445690B/zh
Publication of CN112445690A publication Critical patent/CN112445690A/zh
Application granted granted Critical
Publication of CN112445690B publication Critical patent/CN112445690B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
    • G06F11/3438—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment monitoring of user actions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
    • G06F11/3452—Performance evaluation by statistical analysis
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Quality & Reliability (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请公开了一种信息获取方法、装置及电子设备，所述方法包括：采集用户在统计周期内各统计时段中的活跃度数据集，所述活跃度数据集包括所述用户在目标应用程序上的充值频率和登录频率；根据各所述统计时段与统计截止时刻的间隔时长，更新各所述活跃度数据集的初始权重，得到各所述活跃度数据集的预设权重，其中，所述间隔时长与所述预设权重负相关；将各所述活跃度数据集与各所述预设权重输入预测模型，基于所述预测模型确定所述用户的用户活跃信息。

Description

信息获取方法、装置及电子设备
技术领域
本申请涉及计算机技术领域，特别涉及一种信息获取方法、装置及电子设备。
背景技术
随着互联网产品的更新迭代以及用户对产品使用时长的增长，用户针对产品的活跃度以及参与度都会随之变化，这些用户的用户活跃信息变化是用户信息中至关重要的一项信息。
现有在针对用户的用户活跃信息进行分析时，是通过提取用户在当前游戏中的各种活跃度数据后代入预测模型，通过对活跃度数据聚类的方式对用户进行分类，以获取用户的用户活跃信息。而为提高信息获取的准确性，通常需要采用长期的活跃度数据。但采用长期的活跃度数据来获取用户的用户活跃信息时，会出现由于数据较多导致即使用户近期的活跃度数据波动较大，可整体的活跃度数据的波动却较小，使得最终获取到的用户活跃信息可能长期不变，进而导致获取到的用户信息的准确性不高，无法满足业务发展的需求。
发明内容
本申请的目的在于至少解决现有技术中存在的技术问题之一，提供一种信息获取方法、装置以及电子设备，提高信息获取的准确性，以满足业务发展的需求。
本申请实施例提供一种信息获取方法，包括：
采集用户在统计周期内各统计时段中的活跃度数据集，所述活跃度数据集包括所述用户在目标应用程序上的充值频率和登录频率；
根据各所述统计时段与统计截止时刻的间隔时长，更新各所述活跃度数据集的初始权重，得到各所述活跃度数据集的预设权重，其中，所述间隔时长与所述预设权重负相关；
将各所述活跃度数据集与各所述预设权重输入预测模型，基于所述预测模型确定所述用户的用户活跃信息。
进一步的，所述基于所述预测模型确定所述用户的用户活跃信息，包括：
通过所述预测模型获取所述用户对应的用户活跃标签，根据所述用户活跃标签确定所述用户的用户活跃信息，其中，所述用户活跃标签用于表示所述用户在用户活跃周期中所处的阶段。
进一步的，在本申请实施例中，还包括：
将所述目标应用程序中各所述用户的用户活跃信息输入所述预测模型，基于所述预测模型确定所述目标应用程序的应用活跃信息。
进一步的，所述将所述目标应用程序中各所述用户的用户活跃信息输入所述预测模型，基于所述预测模型确定所述目标应用程序的应用活跃信息，包括：
将所述目标应用程序中各分区服务器下得用户的用户活跃信息输入所述预测模型，基于所述预测模型确定各所述分区服务器的区服活跃信息；
根据各所述区服活跃信息，确定所述目标应用程序的应用活跃信息。
进一步的，所述基于所述预测模型确定各所述分区服务器的区服活跃信息，包括：
通过所述预测模型获取各所述分区服务器对应的区服活跃标签，根据各所述区服活跃标签确定各所述分区服务器的区服活跃信息，其中，所述区服活跃标签用于表示所述分区服务器在区服活跃周期中所处的阶段。
进一步的，在本申请实施例中，还包括：
将所述用户的关联数据存储至训练集，其中，所述关联数据包括各所述活跃度数据集、各所述活跃度数据集的预设权重以及所述用户的用户活跃信息。
进一步的，所述将所述用户的关联数据存储至所述训练集，包括：
根据所述训练集中的小类样本，从所述活跃度数据集中提取对应的所述活跃度数据进行所述小类样本的数据扩增。
进一步的，所述各统计时段组成连续的时间序列。
在本申请实施例中，还提供了一种信息获取装置，包括：
数据采集模块，用于采集用户在统计周期内各统计时段中的活跃度数据集，所述活跃度数据集包括所述用户在目标应用程序上的充值频率和登录频率；
权重更新模块，用于根据各所述统计时段与统计截止时刻的间隔时长，更新各所述活跃度数据集的初始权重，得到各所述活跃度数据集的预设权重，其中，所述间隔时长与所述预设权重负相关；
信息获取模块，用于将各所述活跃度数据集与各所述预设权重输入预测模型，基于所述预测模型确定所述用户的用户活跃信息。
进一步的，所述信息获取模块具体用于：
通过所述预测模型获取所述用户对应的用户活跃标签，根据所述用户活跃标签确定所述用户的用户活跃信息，其中，所述用户活跃标签用于表示所述用户在用户活跃周期中所处的阶段。
进一步的，所述信息获取模块还用于：
将所述目标应用程序中各所述用户的用户活跃信息输入所述预测模型，基于所述预测模型确定所述目标应用程序的应用活跃信息。
进一步的，本申请实施例提供一种电子设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述实施例所述的信息获取方法。
进一步的，本申请实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如上述实施例所述的信息获取方法。
相比于现有技术，上述实施例通过采集各统计时段的活跃度数据，再对统计时段预设权重进行调整，最终通过预测模块得到用户活跃信息，其中，活跃度数据以统计时段为采集范围，使得不需要采集长期的活跃度数据，并且依据统计时段与统计截止时刻的间隔时长来调整预设权重，提升了获取的用户活跃度信息的准确性。
上述实施例通过采用用户活跃标签的形式来划分活跃度信息的范围，并依据用户活跃标签确定用户的用户活跃信息，从而避免采用聚类方式确定用户活跃信息导致的用户信息类别不完整的情况，使得确定的用户活跃信息更加准确。
上述实施例通过获取目标应用程序中各用户的用户活跃信息来确定应用活跃信息，使得能够确定对应目标应用程序中的用户活跃情况。
上述实施例通过以分区服务器为单位获取目标应用程序中的用户活跃信息，进而确定区服活跃信息，最终确定应用活跃信息，使得得到应用活跃信息的准确度得到提升。
上述实施例通过采用区服活跃标签的形式来划分各用户活跃信息用户数量的范围，并依据区服活跃标签确定各分区服务器的区服活跃信息，从而避免采用聚类方式确定区服活跃信息导致的区服信息类别不完整的情况，使得确定的区服活跃信息更加准确。
上述实施例通过活跃度数据集、活跃度数据集的预设权重和用户活跃度信息存储到训练集中，使得确保训练集的实时更新训练，从而提高服务推荐的准确性。
上述实施例通过对训练集中的小类样本进行分类，并从活跃度数据集中提取对应的活跃度数据对小类样本进行数据扩增，能够对应地增加训练集数据，确保训练集的更新训练效果，提高获取的信息的准确性。
上述实施例通过采用连续的时间序列来作为统计时段，使得得到的用户活跃信息能更好地体现出用户持续的活跃情况，提高获取的信息的准确性。
附图说明
下面结合附图和实施例对本申请进一步地说明；
图1为一个实施例中信息获取方法的应用环境图；
图2为一个实施例中信息获取方法的流程示意图；
图3为又一个实施例中信息获取方法的流程示意图；
图4为一个实施例中信息获取装置的结构框图；
图5为又一个实施例中信息获取装置的结构框图；
图6为一个实施例中计算机设备的结构框图。
具体实施方式
本部分将详细描述本申请的具体实施例，本申请之较佳实施例在附图中示出，附图的作用在于用图形补充说明书文字部分的描述，使人能够直观地、形象地理解本申请的每个技术特征和整体技术方案，但其不能理解为对本申请保护范围的限制。
现有在针对用户的用户活跃信息进行分析时，是通过提取用户在当前游戏中的各种活跃度数据后代入预测模型，通过对活跃度数据聚类的方式对用户进行分类，以获取用户的用户活跃信息。而为提高信息获取的准确性，通常需要采用长期的活跃度数据。但采用长期的活跃度数据来获取用户的用户活跃信息时，会出现由于数据较多导致即使用户近期的活跃度数据波动较大，可整体的活跃度数据的波动却较小，使得最终获取到的用户活跃信息可能长期不变，进而导致获取到的用户信息的准确性不高，无法满足业务发展的需求。
为了解决上述技术问题，如图1所示，是一个实施例中信息获取方法的应用环境图。参照图1，该信息获取系统包括用户终端110和服务器120。用户终端110和服务器120通过网络连接。用户终端110具体可以是台式用户终端。服务器120可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
下面，将通过几个具体的实施例对本申请实施例提供的信息获取方法进行详细介绍和说明。
如图2所示，在一个实施例中，提供了一种信息获取方法。本实施例主要以该方法应用于计算机设备来举例说明。该计算机设备具体可以是上述图1中的服务器120。
参照图2，该信息获取方法具体包括如下步骤：
S11、采集用户在统计周期内各统计时段中的活跃度数据集，活跃度数据集包括用户在目标应用程序上的充值频率和登录频率。
在本实施例中，服务器从用户终端的数据库中采集活跃度数据集，其中，活跃度数据集所采集的时间范围为统计周期，统计周期划分为多个统计时段，以统计周期内的每个统计时段中的活跃度数据构成一个活跃度数据集。统计周期可以为用户从注册时间开始到统计截止时刻的所有时间，也可以为用户划分的所需要采集的一个连续的时间周期。统计时段指的是统计周期内的多个时间段，每个时间段长度可以是用户进行划分，也可以是统计周期内的平均长度的若干个时间段。例如，从注册时间2020年1月1日开始到统计截止时刻为所有时间，划分统计周期为2020年5月到2020年7月，总共三个月时间，设定以一个月时间长度为一个统计时段，获取统计周期内的各统计时段。其中，统计截止时刻为预设的时刻，可根据所需预测的时段区间进行调整，在此不做限定。
在本实施例中，活跃度数据指的是在一个统计时段内，用户在目标应用程序上的充值频率和登录频率，例如，目标应用程序为《云上城之歌》，用户的充值次数和登录次数为活跃度数据，2020年5月内的充值次数和登录次数构成一个活跃度数据集。
S12、根据各统计时段与统计截止时刻的间隔时长，更新各活跃度数据集的初始权重，得到各活跃度数据集的预设权重，其中，间隔时长与预设权重负相关。
为了充分考虑时间对于活跃度数据的影响，因此需要根据活跃度数据集的时间的不同，来设置相应的权重。
在一实施例中，统计时段与统计截止时刻之间的时间间隔越长，为统计时段中最末活跃时刻与统计截止时刻之间的时间间隔越长，其中，最末活跃时刻为在该统计时段中最后一次获取到用户的活跃度数据的时刻。作为本实施例的一个举例，该统计时段为2020年5月1号-5月7号，当在该统计时段中最后获取到用户的活跃度数据(如登录数据)的时间是5月6号时，则将5月6号作为最末活跃时刻。
在一实施例中，最末活跃时刻亦可根据用户需要自行设定，如选择统计时段中的初始时刻或最末时刻作为最末活跃时刻。
在本实施例中，当统计时段与统计截止时刻之间的时间间隔越长，即时间越久远的统计时段中的活跃度数据对于得到的用户活跃信息所起到的影响就越小，因此，与统计截止时刻之间的时间间隔越长的统计时段中的活跃度数据，所设置的权重理应更小。例如，在2020年5月的统计时段中的活跃度数据集的预设权重，即用户充值次数和用户登录次数的活跃度数据所设置的预设权重为1；在2020年6月的统计时段中的活跃度数据集的预设权重，即用用户充值次数和用户登录次数的活跃度数据所设置的预设权重为2；在2020年7月的统计时段中的活跃度数据集的预设权重，即用户充值次数和用户登录次数的活跃度数据所设置的预设权重为4。
在一个实施例中，在根据各统计时段与统计截止时刻的间隔时长之前，还可以提取各非目标用户在统计时段的第二活跃度数据集，其中，第二活跃度数据集包括多个第二活跃度数据。根据活跃度数据集在对应的统计时段内的各第二活跃度数据集中的排序，形成数据序列，以根据数据序列获取活跃度数据集在对应的统计时段内的初始权重。
在本实施例中，第二活跃度数据指的是非目标用户在统计时段内的活跃度数据，即第二活跃度数据与活跃度数据在相同的统计时段内获取相同的相关数据，区别在于第二活跃度数据与活跃度数据所来自的用户不同。其中，服务器从用户终端的数据库中获取第二活跃度数据后，第二活跃度数据构成第二活跃度数据集。例如，获取目标用户以外的其他用户分别在2020年5月的用户充值次数和用户登录次数的具体数值，上述第二活跃度数据构成第二活跃度数据集。
在本实施例中，将活跃度数据和各第二活跃度数据，即将相同统计时段内的需要获取活跃度信息的目标用户的活跃度数据与各非目标用户的第二活跃度数据进行排序，例如将2020年5月这统计时段内的目标用户的活跃度数据与各非目标用户的第二活跃度数据进行排序，得到数据序列。具体的，活跃度数据集中包括目标用户的用户充值次数和用户登录次数。对于用户充值次数，活跃度数据为30次，第二活跃度数据包括三个非目标用户的活跃度数据，分别为10，20，40；因此，排序后得到的数据序列为40，30，20，10。活跃度数据“用户充值次数为30次”在序列中排第二，可以按照从低到高权重加1的形式来设置初始权重，那么数据序列的初始权重4，3，2，1，活跃度数据对应的初始权重为3。对于用户登录次数，活跃度数据为80次，第二活跃度数据包括三个非目标用户的活跃度数据，分别为100，150，60；因此，排序后得到的数据序列为150，100，80，60。活跃度数据“用户登录次数为80次”在序列中排第三，可以按照从低到高权重加1的形式来设置初始权重，那么数据序列的初始权重4，3，2，1，第一活跃度数据对应的初始权重为2。
在本实施例中，在依据相同统计时段内的目标用户的活跃度数据与非目标用户的第二活跃度数据构成的数据序列，获取该统计时段内目标用户的活跃度数据的初始权重后，根据各统计时段与统计截止时刻的间隔时长，更新各活跃度数据集的初始权重，进而得到各活跃度数据集的预设权重。例如，在2020年5月的统计时段内，活跃度数据集包括活跃度数据为“用户充值次数为30次”、活跃度数据为“用户登录次数为80次”，对应的初始权重依次为3，2，对应的活跃度数据集的初始权重可以采用求平均值形式来得到，所以对应的活跃度数据集的初始权重为2.5。而该统计时段与统计截止时刻的间隔时长较大，因此降低活跃度数据集的初始权重，即将2020年5月的统计时段内的活跃度数据集的初始权重乘以0.8，最终得到的2020年5月的统计时段内的活跃度数据集的预设权重为2，即活跃度数据为“用户充值次数为30次”、活跃度数据为“用户登录次数为80次”的预设权重分别为2.4，1.6。
在本实施例中，通过获取其他用户在统计时段中的活跃度数据集，来与目标用户的活跃度数据集构成数据序列，从而获取目标用户的活跃度数据集的初始权重，使得目标用户活跃度数据集的初始权重能够考虑其他用户的活跃度的水平来综合设置，令要获取的目标用户的活跃度信息能够与当前活跃度情况相适应，提升获取的信息的准确性。
S13、将各活跃度数据集与各预设权重输入预测模型，基于预测模型确定用户的用户活跃信息。
在本实施例中，用户的活跃度信息可以为用户在活跃周期中所处的阶段，其中，活跃周期指的是用户从开始接触互联网产品到离开互联网产品的整个过程。
在本实施例中，将从安装在用户终端的数据库中获取多个统计时段的目标用户的活跃度数据集以及各个统计时段的目标用户的活跃度数据集对应的预设权重输入分类模型，所述分类模型可以为基于长短期记忆神经网络(Long-Short Term Memory，LSTM)。通过将上述例如各统计时段内目标用户的用户充值次数和用户登录次数的活跃度数据输入到LSTM模型中，LSTM模型计算目标用户为不同活跃度信息时相应的概率。例如，目标用户的活跃度信息可以划分为高活跃用户、中活跃用户和低活跃用户，通过LSTM模型输出的三种类别对应的概率分别为75％、20％和5％，因此，可以判断该目标用户的用户活跃信息为高活跃用户。
在一个实施例中，所述基于预测模型确定用户的用户活跃信息，包括：
通过预测模型获取用户对应的用户活跃标签，根据用户活跃标签确定用户的用户活跃信息，其中，用户活跃标签用于表示用户在用户活跃周期中所处的阶段。
在本实施例中，用户活跃周期中的阶段可以包括成长、活跃、衰退、流失、回流。预先设置各个用户活跃标签所对应的活跃度数据的范围，之后服务器通过将用户的活跃度数据输入到预测模型中，预测模型依据各个用户活跃标签所对应的活跃度数据的范围来输出所采集的活跃度数据对应各个用户活跃标签的概率，选取预测概率最高的用户活跃标签，并依据各个用户活跃标签所划分的活跃信息来确定用户的用户活跃信息。其中，各个用户活跃标签所对应的活跃度数据的范围以及各个用户活跃标签所对应的用户活跃信息均可以人为进行划分。
例如，预先设置用户活跃标签“活跃”对应的用户充值次数大于25并且用户登录次数大于50；用户活跃标签“成长”对应的用户充值次数大于20并且用户登录次数大于40；用户活跃标签“回流”对应的用户充值次数大于15并且用户登录次数大于30；用户活跃标签“衰退”对应的用户充值次数大于10并且用户登录次数大于20；用户活跃标签“流失”对应的用户充值次数大于等于0并且用户登录次数大于等于0。将“活跃”用户活跃标签对应划分为高活跃用户的用户活跃信息；将“成长”用户活跃标签、“衰退”用户活跃标签和“回流”用户活跃标签对应划分为中活跃用户的用户活跃信息；将“流失”用户活跃标签对应划分为低活跃用户的用户活跃信息。
此时，将2020年5月的统计时段内活跃度数据集，即“用户充值次数为30次”、“用户登录次数为80次”输入到预测模型中，输出的对应用户活跃标签“成长”、“活跃”、“衰退”、“流失”、“回流”的预测概率分别为0.5、0.9、0.2、0.1、0.4，由于预测概率最高的数值是0.9，那么选取“活跃”作为预测的用户活跃标签，进而根据用户活跃标签划分的用户活跃信息，得到该目标用户的用户活跃信息为高活跃用户。
由于现有方式是通过提取用户在当前游戏中的各种活跃度数据后代入预测模型，通过对活跃度数据聚类的方式对用户进行分类，以获取用户的用户活跃信息，即使得同一簇内的数据相似性大，不同簇内的数据相似性小，例如用户活跃度可以分为高活跃用户、中活跃用户和低活跃用户三个类别，但可能存在几个用户充值次数分别为100000次、99次、1000次，此时由于100000与其他数据相似度过于低，而1000次与99次相似度相对较高，导致上述本属于三个不同类别的用户活跃度的活跃度数据会被只划分为高活跃用户(用户充值次数为100000次)和低活跃用户(用户充值次数为1000次和99次)两类，进而模型输出用户活跃信息的概率时只能两个类别的概率，从而影响最终获取的用户活跃信息的准确性。
因此，在本实施例中，通过采用用户活跃标签的形式来划分活跃度信息的范围，并依据用户活跃标签确定用户的用户活跃信息，从而避免采用聚类方式确定用户活跃信息导致的用户信息类别不完整的情况，使得确定的用户活跃信息更加准确。
如图3所示，在另一个实施例中，提供了一种信息获取方法。本实施例主要以该方法应用于计算机设备来举例说明。该计算机设备具体可以是上述图1中的服务器120。
参照图3，该信息获取方法具体包括如下步骤：
S21、采集用户在统计周期内各统计时段中的活跃度数据集，活跃度数据集包括用户在目标应用程序上的充值频率和登录频率。
此步骤与上述实施例相同，具体解析可以参照上述实施例，为了避免重复，在此不再赘述。
S22、根据各统计时段与统计截止时刻的间隔时长，更新各活跃度数据集的初始权重，得到各活跃度数据集的预设权重，其中，间隔时长与预设权重负相关。
此步骤与上述实施例相同，具体解析可以参照上述实施例，为了避免重复，在此不再赘述。
S23、将各活跃度数据集与各预设权重输入预测模型，基于预测模型确定用户的用户活跃信息。
此步骤与上述实施例相同，具体解析可以参照上述实施例，为了避免重复，在此不再赘述。
S24、将目标应用程序中各用户的用户活跃信息输入预测模型，基于预测模型确定目标应用程序的应用活跃信息。
在本实施例中，服务器获取目标应用程序中的各用户，依据各用户的用户活跃信息，将上述用户活跃信息输入预测模型，输出对应各应用活跃信息的概率，进而确定目标应用程序的应用活跃信息。其中，各应用活跃信息的概率与目标应用程序中各用户活跃信息对应的用户数量有关。例如，目标应用程序《云上城之歌》中包括30000个用户，依据各用户的用户充值次数和用户登录次数，得到的用户活跃信息的用户数量分别为1000个低活跃用户、20000个高活跃用户、9000个中活跃用户。此时，将目标应用程序《云上城之歌》的30000个用户的用户活跃信息输入到预测模型中，输入预测模型后输出的应用活跃信息以及对应的概率分别为“高活跃应用80％”、“中活跃应用18％”、“低活跃应用2％”，可以从中选取概率最大的应用活跃信息为确定的目标应用程序的应用活跃信息，因此，目标应用程序《云上城之歌》的应用活跃信息为高活跃应用。
在本实施例中，通过获取目标应用程序中各用户的用户活跃信息来确定应用活跃信息，使得能够进一步确定对应目标应用程序中的用户活跃情况。
在一个实施例中，将目标应用程序中各用户的用户活跃信息输入预测模型，基于预测模型确定目标应用程序的应用活跃信息，包括：
将目标应用程序中各分区服务器下的用户的用户活跃信息输入预测模型，基于预测模型确定各分区服务器的区服活跃信息；
根据各区服活跃信息，确定目标应用程序的应用活跃信息。
在本实施例中，服务器获取目标应用程序中各分区服务器下的各用户，依据每个分区服务器下的各用户的用户活跃信息，将上述用户活跃信息输入预测模型，输出对应各区服活跃信息的概率，再依据各区服活跃信息来确定目标应用程序的应用活跃信息。其中，各区服活跃信息的概率与目标应用程序中各分区服务器下的各用户活跃信息对应的用户数量有关，而各应用活跃信息的概率与目标应用程序中各区服活跃信息对应的分区服务器数量有关。例如，目标应用程序《云上城之歌》中5个分区服务器，分别为分区服务器ABCDE，每个分区服务器中各包括6000个用户，依据各分区服务器下的各用户的用户充值次数和用户登录次数，得到的分区服务器A下的用户活跃信息的用户数量分别为1000个低活跃用户、2000个高活跃用户、3000个中活跃用户；分区服务器B下的用户活跃信息的用户数量分别为4000个低活跃用户、1000个高活跃用户、1000个中活跃用户；分区服务器C下的用户活跃信息的用户数量分别为1000个低活跃用户、4000个高活跃用户、1000个中活跃用户；分区服务器D下的用户活跃信息的用户数量分别为500个低活跃用户、3500个高活跃用户、2000个中活跃用户；分区服务器E下的用户活跃信息的用户数量分别为300个低活跃用户、5000个高活跃用户、700个中活跃用户。此时，分别将目标应用程序《云上城之歌》的每个分区服务器下的6000个用户的用户活跃信息输入到预测模型中，输入预测模型后输出的分区服务器A的区服活跃信息以及对应的概率分别为“高活跃区服25％”、“中活跃区服60％”、“低活跃区服15％”，因此分区服务器A的区服活跃信息为中活跃区服；分区服务器B的区服活跃信息以及对应的概率分别为“高活跃区服15％”、“中活跃区服15％”、“低活跃区服70％”，因此分区服务器B的区服活跃信息为低活跃区服；分区服务器C的区服活跃信息以及对应的概率分别为“高活跃区服70％”、“中活跃区服15％”、“低活跃区服15％”，因此分区服务器C的区服活跃信息为高活跃区服；分区服务器D的区服活跃信息以及对应的概率分别为“高活跃区服60％”、“中活跃区服35％”、“低活跃区服5％”，因此分区服务器D的区服活跃信息为高活跃区服；分区服务器E的区服活跃信息以及对应的概率分别为“高活跃区服85％”、“中活跃区服10％”、“低活跃区服5％”，因此分区服务器E的区服活跃信息为高活跃区服。此时，依据目标应用程序《云上城之歌》的5个分区服务器的区服活跃信息，选取对应分区服务器数量最多的区服活跃信息来作为确定的目标应用程序的应用活跃信息，因此，目标应用程序《云上城之歌》的应用活跃信息为高活跃应用。
在本实施例中，通过以分区服务器为单位获取目标应用程序中的用户活跃信息，进而确定区服活跃信息，最终确定应用活跃信息，使得得到应用活跃信息的准确度得到提升。
在一个实施例中，基于所述预测模型确定各所述分区服务器的区服活跃信息，包括：
通过预测模型获取各分区服务器对应的区服活跃标签，根据各区服活跃标签确定各分区服务器的区服活跃信息，其中，区服活跃标签用于表示分区服务器在区服活跃周期中所处的阶段。
在本实施例中，区服活跃周期中的阶段可以包括增长、活跃、降低。预先设置各个区服活跃标签所对应的各用户活跃信息的用户数量的范围，之后服务器通过将各用户活跃信息的用户数量输入到预测模型中，预测模型依据各个区服活跃标签所对应的各用户活跃信息的用户数量的范围来输出分区服务器对应各个区服活跃标签的概率，选取预测概率最高的区服活跃标签，并依据各个区服活跃标签所划分的区服活跃信息来确定分区服务器的区服活跃信息。其中，各个区服活跃标签所对应的各用户活跃信息的用户数量的范围以及各个区服活跃标签所对应的区服活跃信息均可以人为进行划分。
例如，预先设置区服活跃标签“活跃”对应的高活跃用户数量大于等于3000、中活跃用户数量大于等于0和低活跃用户数量大于等于0；用户活跃标签“增长”对应的高活跃用户数量大于等于1000、中活跃用户数量大于等于3000和低活跃用户数量大于等于0；用户活跃标签“降低”对应的高活跃用户数量大于等于0、中活跃用户数量大于等于0和低活跃用户数量大于等于3000。将“活跃”区服活跃标签对应划分为高活跃区服的区服活跃信息；将“增长”区服活跃标签对应划分为中活跃区服的区服活跃信息；将“降低”区服活跃标签对应划分为低活跃区服的区服活跃信息。
此时，将目标应用程序《云上城之歌》在2020年5月的统计时段内每个分区服务器下的各用户的用户获取信息输入到预测模型中，输出的分区服务器A对应区服活跃标签“增长”、“活跃”、“降低”的预测概率分别为0.7、0.5、0.2；输出的分区服务器B对应区服活跃标签“增长”、“活跃”、“降低”的预测概率分别为0.2、0.2、0.8；输出的分区服务器C对应区服活跃标签“增长”、“活跃”、“降低”的预测概率分别为0.2、0.8、0.2；输出的分区服务器D对应区服活跃标签“增长”、“活跃”、“降低”的预测概率分别为0.1、0.6、0.5；输出的分区服务器E对应区服活跃标签“增长”、“活跃”、“降低”的预测概率分别为0.1、0.9、0.1。因此，依据最高预测概率，分别选取“增长”、“降低”、“活跃”、“活跃”、“活跃”来作为预测的分区服务器ABCDE的区服活跃标签，进而根据区服活跃标签划分的区服活跃信息，得到分区服务器ABCDE的区服活跃信息分别为中活跃区服、低活跃区服、高活跃区服、高活跃区服、高活跃区服。此时，依据目标应用程序《云上城之歌》的5个分区服务器的区服活跃信息，选取对应分区服务器数量最多的区服活跃信息来作为确定的目标应用程序的应用活跃信息，因此，目标应用程序《云上城之歌》的应用活跃信息为高活跃应用。
在本实施例中，通过采用区服活跃标签的形式来划分各用户活跃信息用户数量的范围，并依据区服活跃标签确定各分区服务器的区服活跃信息，从而避免采用聚类方式确定区服活跃信息导致的区服信息类别不完整的情况，使得确定的区服活跃信息更加准确。
在一个实施例中，所述信息获取方法，还包括：
将用户的关联数据存储至训练集，其中，关联数据包括各活跃度数据集、各活跃度数据集的预设权重以及用户的用户活跃信息。
在本实施例中，当信息待获取的用户A完成用户活跃信息获取后，对于下一个信息待获取的用户B，对信息待获取的用户A进行用户活跃信息获取所采用的各活跃度数据集、各活跃度数据集的预设权重以及得到用户A的用户活跃信息，则变为历史用户的活跃度数据集、各活跃度数据集的预设权重以及用户活跃信息，因此将上述目标用户的关联数据存储到训练集中，从而确保训练集的实时更新训练，逐步提高用户活跃信息获取的准确性。
在一个实施例中，将用户的关联数据存储至训练集，包括：
根据训练集中的小类样本，从活跃度数据集中提取对应的活跃度数据进行小类样本的数据扩增。
由于训练集中数据太少会对预测模型的训练效果产生影响，因此在本实施例中通过对训练集中的小类样本进行分类，并从活跃度数据集中提取对应的活跃度数据对其进行数据扩增，使得对应性地增加训练集，确保训练集的更新训练效果，提高用户活跃信息获取的准确性。
在一个实施例中，各统计时段组成连续的时间序列。
在本实施例中，从所有时间中选取的多个统计时段可以为2020年5月-2020年7月连续三个月，每个月作为一个统计时段，统计时段为连续的时间序列时，各统计时段与统计截止时刻的间隔时间不会相差很多，使得将初始权重进行修改得到预设权重的过程基本一致，使得得到的用户活跃信息能更好地体现出用户持续的活跃情况，提升用户活跃信息获取的准确性。
在一个实施例中，如图4所示，提供了一种信息获取装置，包括：
数据采集模块101，用于采集用户在统计周期内各统计时段中的活跃度数据集，活跃度数据集包括用户在目标应用程序上的充值频率和登录频率。
权重更新模块102，用于根据各统计时段与统计截止时刻的间隔时长，更新各活跃度数据集的初始权重，得到各活跃度数据集的预设权重，其中，间隔时长与预设权重负相关。
信息获取模块103，用于将各活跃度数据集与各预设权重输入预测模型，基于预测模型确定用户的用户活跃信息。
在一个实施例中，各统计时段组成连续的时间序列。
在一个实施例中，信息获取模块103，还用于：
通过预测模型获取用户对应的用户活跃标签，根据用户活跃标签确定用户的用户活跃信息，其中，用户活跃标签用于表示用户在用户活跃周期中所处的阶段。
在另一个实施例中，如图5所示，提供了一种信息获取装置，包括：
数据采集模块101，用于采集用户在统计周期内各统计时段中的活跃度数据集，活跃度数据集包括用户在目标应用程序上的充值频率和登录频率。
权重更新模块102，用于根据各统计时段与统计截止时刻的间隔时长，更新各活跃度数据集的初始权重，得到各活跃度数据集的预设权重，其中，间隔时长与预设权重负相关。
信息获取模块103，用于将各活跃度数据集与各预设权重输入预测模型，基于预测模型确定用户的用户活跃信息。
数据存储模块104，用于将用户的关联数据存储至训练集，其中，关联数据包括各活跃度数据集、各活跃度数据集的预设权重以及用户的用户活跃信息。根据训练集中的小类样本，从活跃度数据集中提取对应的活跃度数据进行小类样本的数据扩增。
在一个实施例中，信息获取模块103，还用于：
将所目标应用程序中各用户的用户活跃信息输入预测模型，基于预测模型确定目标应用程序的应用活跃信息。
在一个实施例中，信息获取模块103，还用于：
将目标应用程序中各分区服务器下的用户的用户活跃信息输入预测模型，基于预测模型确定各分区服务器的区服活跃信息；
根据各区服活跃信息，确定目标应用程序的应用活跃信息。
在一个实施例中，信息获取模块103，还用于：
通过预测模型获取各分区服务器对应的区服活跃标签，根据各区服活跃标签确定各分区服务器的区服活跃信息，其中，区服活跃标签用于表示分区服务器在区服活跃周期中所处的阶段。
在一个实施例中，提供了一种计算机设备，如图6所示，该计算机设备包括该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、输入装置和显示屏。其中，存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统，还可存储有计算机程序，该计算机程序被处理器执行时，可使得处理器实现信息获取方法。该内存储器中也可储存有计算机程序，该计算机程序被处理器执行时，可使得处理器执行信息获取方法。本领域技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，本申请提供的信息获取装置可以实现为一种计算机程序的形式，计算机程序可在如图6所示的计算机设备上运行。计算机设备的存储器中可存储组成该信息获取装置的各个程序模块。各个程序模块构成的计算机程序使得处理器执行本说明书中描述的本申请各个实施例的信息获取方法中的步骤。
在一个实施例中，提供了一种电子设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时执行上述信息获取方法的步骤。此处信息获取方法的步骤可以是上述各个实施例的信息获取方法中的步骤。
在一个实施例中，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存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行上述信息获取方法的步骤。此处信息获取方法的步骤可以是上述各个实施例的信息获取方法中的步骤。
以上所述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，这些改进和润饰也视为本申请的保护范围。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random AccessMemory，RAM)等。

Claims (12)

1.一种信息获取方法，应用于服务器，其特征在于，包括：
采集用户在统计周期内各统计时段中的活跃度数据集，所述活跃度数据集包括所述用户在目标应用程序上的充值频率和登录频率；
根据各所述统计时段与统计截止时刻的间隔时长，更新各所述活跃度数据集的初始权重，得到各所述活跃度数据集的预设权重，其中，所述间隔时长与所述预设权重负相关；
将各所述活跃度数据集与各所述预设权重输入预测模型，基于所述预测模型确定所述用户的用户活跃信息。
2.根据权利要求1所述的信息获取方法，其特征在于，所述基于所述预测模型确定所述用户的用户活跃信息，包括：
通过所述预测模型获取所述用户对应的用户活跃标签，根据所述用户活跃标签确定所述用户的用户活跃信息，其中，所述用户活跃标签用于表示所述用户在用户活跃周期中所处的阶段。
3.根据权利要求1所述的信息获取方法，其特征在于，还包括：
将所述目标应用程序中各所述用户的用户活跃信息输入所述预测模型，基于所述预测模型确定所述目标应用程序的应用活跃信息。
4.根据权利要求3所述的信息获取方法，其特征在于，所述将所述目标应用程序中各所述用户的用户活跃信息输入所述预测模型，基于所述预测模型确定所述目标应用程序的应用活跃信息，包括：
将所述目标应用程序中各分区服务器下的用户的用户活跃信息输入所述预测模型，基于所述预测模型确定各所述分区服务器的区服活跃信息；
根据各所述区服活跃信息，确定所述目标应用程序的应用活跃信息。
5.根据权利要求4所述的信息获取方法，其特征在于，所述基于所述预测模型确定各所述分区服务器的区服活跃信息，包括：
通过所述预测模型获取各所述分区服务器对应的区服活跃标签，根据各所述区服活跃标签确定各所述分区服务器的区服活跃信息，其中，所述区服活跃标签用于表示所述分区服务器在区服活跃周期中所处的阶段。
6.根据权利要求1所述的信息获取方法，其特征在于，还包括：
将所述用户的关联数据存储至训练集，其中，所述关联数据包括各所述活跃度数据集、各所述活跃度数据集的预设权重以及所述用户的用户活跃信息。
7.根据权利要求6所述的信息获取方法，其特征在于，所述将所述用户的关联数据存储至所述训练集，包括：
根据所述训练集中的小类样本，从所述活跃度数据集中提取对应的所述活跃度数据进行所述小类样本的数据扩增。
8.根据权利要求1所述的信息获取方法，其特征在于，所述各统计时段组成连续的时间序列。
9.一种信息获取装置，其特征在于，包括：
数据采集模块，用于采集用户在统计周期内各统计时段中的活跃度数据集，所述活跃度数据集包括所述用户在目标应用程序上的充值频率和登录频率；
权重更新模块，用于根据各所述统计时段与统计截止时刻的间隔时长，更新各所述活跃度数据集的初始权重，得到各所述活跃度数据集的预设权重，其中，所述间隔时长与所述预设权重负相关；
信息获取模块，用于将各所述活跃度数据集与各所述预设权重输入预测模型，基于所述预测模型确定所述用户的用户活跃信息。
10.根据权利要求9所述的信息获取装置，其特征在于，所述信息获取模块具体用于：
通过所述预测模型获取所述用户对应的用户活跃标签，根据所述用户活跃标签确定所述用户的用户活跃信息，其中，所述用户活跃标签用于表示所述用户在用户活跃周期中所处的阶段。
11.根据权利要求9所述的信息获取装置，其特征在于，所述信息获取模块还用于：
将所述目标应用程序中各所述用户的用户活跃信息输入所述预测模型，基于所述预测模型确定所述目标应用程序的应用活跃信息。
12.一种电子设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至8中任一项所述的信息获取方法。
CN202011368445.7A 2020-11-27 2020-11-27 信息获取方法、装置及电子设备 Active CN112445690B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011368445.7A CN112445690B (zh) 2020-11-27 2020-11-27 信息获取方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011368445.7A CN112445690B (zh) 2020-11-27 2020-11-27 信息获取方法、装置及电子设备

Publications (2)

Publication Number Publication Date
CN112445690A true CN112445690A (zh) 2021-03-05
CN112445690B CN112445690B (zh) 2023-07-25

Family

ID=74738243

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011368445.7A Active CN112445690B (zh) 2020-11-27 2020-11-27 信息获取方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN112445690B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113347213A (zh) * 2021-08-05 2021-09-03 环球数科集团有限公司 一种基于保护消逝成员敏感数据的可信通道认证系统
CN113836359A (zh) * 2021-09-14 2021-12-24 北京邮电大学 动态图嵌入方法、装置、电子设备及存储介质
CN117786478A (zh) * 2023-11-30 2024-03-29 北京蓝色创想网络科技有限责任公司 基于多模型的用户活跃度预测方法、系统、设备及介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104759100A (zh) * 2015-03-23 2015-07-08 小米科技有限责任公司 游戏生命周期的预测方法、装置及游戏运营商服务器
CN107070716A (zh) * 2017-04-14 2017-08-18 腾讯科技（深圳）有限公司 游戏服务器状态获取方法、装置、电子设备及存储介质
CN108197224A (zh) * 2017-12-28 2018-06-22 广州虎牙信息科技有限公司 用户群分类方法、存储介质以及终端
CN110298508A (zh) * 2019-06-28 2019-10-01 京东数字科技控股有限公司 行为预测方法、装置及设备
CN110740193A (zh) * 2019-10-30 2020-01-31 江苏满运软件科技有限公司 一种平台活跃度的预测方法、装置、存储介质及电子设备
CN110796484A (zh) * 2019-10-11 2020-02-14 上海上湖信息技术有限公司 客户活跃程度预测模型的构建方法、装置及其应用方法
CN111401433A (zh) * 2020-03-12 2020-07-10 腾讯科技（深圳）有限公司 用户信息获取方法、装置、电子设备及存储介质
CN111582679A (zh) * 2020-04-24 2020-08-25 腾讯科技(成都)有限公司 应用服务分区的处理方法、装置、设备及存储介质

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104759100A (zh) * 2015-03-23 2015-07-08 小米科技有限责任公司 游戏生命周期的预测方法、装置及游戏运营商服务器
CN107070716A (zh) * 2017-04-14 2017-08-18 腾讯科技（深圳）有限公司 游戏服务器状态获取方法、装置、电子设备及存储介质
CN108197224A (zh) * 2017-12-28 2018-06-22 广州虎牙信息科技有限公司 用户群分类方法、存储介质以及终端
CN110298508A (zh) * 2019-06-28 2019-10-01 京东数字科技控股有限公司 行为预测方法、装置及设备
CN110796484A (zh) * 2019-10-11 2020-02-14 上海上湖信息技术有限公司 客户活跃程度预测模型的构建方法、装置及其应用方法
CN110740193A (zh) * 2019-10-30 2020-01-31 江苏满运软件科技有限公司 一种平台活跃度的预测方法、装置、存储介质及电子设备
CN111401433A (zh) * 2020-03-12 2020-07-10 腾讯科技（深圳）有限公司 用户信息获取方法、装置、电子设备及存储介质
CN111582679A (zh) * 2020-04-24 2020-08-25 腾讯科技(成都)有限公司 应用服务分区的处理方法、装置、设备及存储介质

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113347213A (zh) * 2021-08-05 2021-09-03 环球数科集团有限公司 一种基于保护消逝成员敏感数据的可信通道认证系统
CN113836359A (zh) * 2021-09-14 2021-12-24 北京邮电大学 动态图嵌入方法、装置、电子设备及存储介质
CN113836359B (zh) * 2021-09-14 2023-12-01 北京邮电大学 动态图嵌入方法、装置、电子设备及存储介质
CN117786478A (zh) * 2023-11-30 2024-03-29 北京蓝色创想网络科技有限责任公司 基于多模型的用户活跃度预测方法、系统、设备及介质
CN117786478B (zh) * 2023-11-30 2024-05-14 北京蓝色创想网络科技有限责任公司 基于多模型的用户活跃度预测方法、系统、设备及介质

Also Published As

Publication number Publication date
CN112445690B (zh) 2023-07-25

Similar Documents

Publication Publication Date Title
CN112445690A (zh) 信息获取方法、装置及电子设备
CN106600344B (zh) 目标产品活跃用户数据获取方法和装置
US10348550B2 (en) Method and system for processing network media information
CN107451832B (zh) 推送信息的方法和装置
CN107766929B (zh) 模型分析方法及装置
CN109002492B (zh) 一种基于LightGBM的绩点预测方法
CN111967971B (zh) 银行客户数据处理方法及装置
CN109918498B (zh) 一种问题入库方法和装置
CN110647995A (zh) 规则训练方法、装置、设备及存储介质
CN114254950A (zh) 电信资源数据处理方法、装置、电子设备及存储介质
CN111325255B (zh) 特定人群圈定方法、装置、电子设备及存储介质
US20220180979A1 (en) Adaptive clinical trials
WO2016166598A1 (en) Requirements determination
CN115860835A (zh) 基于人工智能的广告推荐方法、装置、设备及存储介质
CN113822390B (zh) 用户画像构建方法、装置、电子设备和存储介质
CN116228284A (zh) 货品需求预测方法、训练方法、装置、计算机系统及介质
CN109308565B (zh) 人群绩效等级识别方法、装置、存储介质及计算机设备
CN112270574A (zh) 一种活动执行过程中的异动分析方法、装置、设备及介质
CN113408730A (zh) 因果关系生成方法、装置及电子设备
CN111026863A (zh) 客户行为预测方法、装置、设备及介质
CN111753992A (zh) 筛选方法和筛选系统
CN113821722B (zh) 数据处理方法、推荐方法、装置、电子设备以及介质
CN112380419B (zh) 一种竞品数据查询方法、系统及电子设备
CN117041073B (zh) 网络行为预测方法、系统、设备及存储介质
CN116186395A (zh) 一种资源推荐、模型训练方法及装置、设备及存储介质

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