CN112488767B - 一种客户群体划分方法及装置 - Google Patents

一种客户群体划分方法及装置 Download PDF

Info

Publication number
CN112488767B
CN112488767B CN202011453964.3A CN202011453964A CN112488767B CN 112488767 B CN112488767 B CN 112488767B CN 202011453964 A CN202011453964 A CN 202011453964A CN 112488767 B CN112488767 B CN 112488767B
Authority
CN
China
Prior art keywords
community discovery
discovery network
client node
client
user
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.)
Active
Application number
CN202011453964.3A
Other languages
English (en)
Other versions
CN112488767A (zh
Inventor
苏瑀
张世杰
单海亮
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.)
Jilin Yillion Bank Co ltd
Original Assignee
Jilin Yillion Bank 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 Jilin Yillion Bank Co ltd filed Critical Jilin Yillion Bank Co ltd
Priority to CN202011453964.3A priority Critical patent/CN112488767B/zh
Publication of CN112488767A publication Critical patent/CN112488767A/zh
Application granted granted Critical
Publication of CN112488767B publication Critical patent/CN112488767B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/903—Querying
    • G06F16/90335—Query processing
    • 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
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/02—Banking, e.g. interest calculation or account maintenance
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/01—Social networking

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Primary Health Care (AREA)
  • Tourism & Hospitality (AREA)
  • Game Theory and Decision Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Technology Law (AREA)
  • Information Transfer Between Computers (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请提供了一种客户群体划分方法及装置，该方法通过基于待加入客户节点的多维属性值及社区发现网络中每个客户节点的多维属性值，确定待生成社区发现网络中每个客户节点与社区发现网络之间的相似度，及社区发现网络中每个客户节点与社区发现网络之间的相似度，在此基础上，基于待生成社区发现网络中各个客户节点的权重，还基于待生成社区发现网络中每个客户节点与社区发现网络之间的相似度，及社区发现网络中每个客户节点与社区发现网络之间的相似度，确定社区发现网络是否允许所述待加入客户节点加入，保证基于更多因素，确定社区发送网络是否允许待加入客户节点加入，提高待加入客户节点加入的准确性，进而提高客户群体划分的准确性。

Description

一种客户群体划分方法及装置
技术领域
本申请涉及商业银行智慧生活技术领域，特别涉及一种客户群体划分 方法及装置。
背景技术
随着互联网信息技术的广泛传播，客户对银行的业务需求从原先的单一 化储蓄放贷等主营业务，转向变为多样化的各类型需求。在面对各类型客户 的多样化需求的背景下，为了提高业务处理效率，可以先对商业银行的客户 群体进行划分。
但是，如何对商业银行的客户群体进行划分成为问题。
发明内容
为解决上述技术问题，本申请实施例提供一种客户群体划分方法及装 置，以达到提高客户群体划分的准确性的目的，技术方案如下：
一种客户群体划分方法，包括：
初始化社区发现网络，初始化后的社区发现网络至少包含一个客户节 点；
获取待加入客户节点的多维属性值，所述多维属性值为从所述客户节点 的客户数据中提取得到的，所述客户数据至少包含客户基本信息、客户资产 信息及客户购买行为信息；
基于所述待加入客户节点的多维属性值及所述社区发现网络中每个所 述客户节点的多维属性值，确定待生成社区发现网络中每个所述客户节点与 所述社区发现网络之间的相似度，及所述社区发现网络中每个所述客户节点 与所述社区发现网络之间的相似度，所述待生成社区发现网络为：由所述社 区发现网络中客户节点与所述待加入客户节点组成的社区发现网络；
基于所述待生成社区发现网络中每个客户节点与所述社区发现网络之 间的相似度，及所述社区发现网络中每个所述客户节点与所述社区发现网络 之间的相似度及所述待生成社区发现网络中各个客户节点的权重，确定所述 社区发现网络是否允许所述待加入客户节点加入；
若允许，则将所述待加入客户节点加入所述社区发现网络。
一种客户群体划分装置，其特征在于，包括：
初始化模块，用于初始化社区发现网络，初始化后的社区发现网络至少 包含一个客户节点；
获取模块，用于获取待加入客户节点的多维属性值，所述多维属性值为 从所述客户节点的客户数据中提取得到的，所述客户数据至少包含客户基本 信息、客户资产信息及客户购买行为信息；
第一确定模块，用于基于所述待加入客户节点的多维属性值及所述社区 发现网络中每个所述客户节点的多维属性值，确定待生成社区发现网络中每 个所述客户节点与所述社区发现网络之间的相似度，及所述社区发现网络中 每个所述客户节点与所述社区发现网络之间的相似度，所述待生成社区发现 网络为：由所述社区发现网络中客户节点与所述待加入客户节点组成的社区 发现网络；
第二确定模块，用于基于所述待生成社区发现网络中每个客户节点与所 述社区发现网络之间的相似度，及所述社区发现网络中每个所述客户节点与 所述社区发现网络之间的相似度及所述待生成社区发现网络中各个客户节 点的权重，确定所述社区发现网络是否允许所述待加入客户节点加入；
加入模块，用于若所述社区发现网络允许所述待加入客户节点加入，则 将所述待加入客户节点加入所述社区发现网络。
与现有技术相比，本申请的有益效果为：
在本申请中，通过获取待加入客户节点的多维属性值，并基于所述待 加入客户节点的多维属性值及所述社区发现网络中每个所述客户节点的多 维属性值，确定待生成社区发现网络中每个所述客户节点与所述社区发现网 络之间的相似度，及所述社区发现网络中每个所述客户节点与所述社区发现 网络之间的相似度，能够提高相似度确定的准确性，在此基础上，不仅基于 所述待生成社区发现网络中各个客户节点的权重，还基于所述待生成社区发 现网络中每个客户节点与所述社区发现网络之间的相似度，及所述社区发现 网络中每个所述客户节点与所述社区发现网络之间的相似度，确定所述社区 发现网络是否允许所述待加入客户节点加入，保证基于更多因素，确定社区 发送网络是否允许待加入客户节点加入，提高待加入客户节点加入的准确 性，进而提高客户群体划分的准确性。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述 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 仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创 造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请提供的一种客户群体划分方法实施例1的流程图；
图2是本申请提供的一种客户群体划分方法实施例2的流程图；
图3是本申请提供的一种客户群体划分装置的逻辑结构示意图。
具体实施方式
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，都属于本 申请保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图 和具体实施方式对本发明作进一步详细的说明。
参照图1，为本申请实施例1提供的一种客户群体划分方法的流程示意 图，如图1所示，该方法可以包括但并不局限于以下步骤：
步骤S11、初始化社区发现网络，初始化后的社区发现网络至少包含一 个客户节点。
本实施例中，初始化社区发现网络可以理解为：
S111、获取一个客户节点作为社区发现网络的客户节点，并获取该客户 节点的客户数据，基于客户数据确定多维属性值。
客户数据至少包含但不局限于：客户基本信息、客户资产信息及客户购 买行为信息。
S112、确定社区发现网络中每个客户节点与社区发现网络中除所述客户 节点之外的其它各个客户节点的相似度。
S113、基于社区发现网络中每个客户节点与社区发现网络中除所述客户 节点之外的其它各个客户节点的相似度，确定社区发现网络中每个客户节点 与社区发现网络之间的相似度。
需要说明的是，在初始化社区发现网络时，若初始化后的社区发现网络 中仅有一个客户节点，则无法计算该客户节点与其它客户节点之间的相似 度，则可以不计算该客户节点与其它客户节点之间的相似度，或将该客户节 点的相似度设置为1。
步骤S12、获取待加入客户节点的多维属性值，所述多维属性值为从所 述客户节点的客户数据中提取得到的，所述客户数据至少包含客户基本信 息、客户资产信息及客户购买行为信息。
本实施例中，客户节点可以理解为但不局限于：商业银行的客户节点。
步骤S13、基于所述待加入客户节点的多维属性值及所述社区发现网络 中每个所述客户节点的多维属性值，确定待生成社区发现网络中每个所述客 户节点与所述社区发现网络之间的相似度，及所述社区发现网络中每个所述 客户节点与所述社区发现网络之间的相似度，所述待生成社区发现网络为： 由所述社区发现网络中客户节点与所述待加入客户节点组成的社区发现网 络。
步骤S14、基于所述待生成社区发现网络中每个客户节点与所述社区发 现网络之间的相似度，及所述社区发现网络中每个所述客户节点与所述社区 发现网络之间的相似度及所述待生成社区发现网络中各个客户节点的权重， 确定所述社区发现网络是否允许所述待加入客户节点加入。
若允许，则执行步骤S15。
步骤S15、将所述待加入客户节点加入所述社区发现网络。
可以理解的是，将所述待加入客户节点加入所述社区发现网络之后，所 述社区发现网络得到更新，更新后的社区发现网络与上述待生成社区发现网 络的结构相同。
需要说明的是，步骤S11-S14为某一个待加入客户节点加入社区发现网 络的过程，在有多个待加入客户节点加入社区发现网络的情况下，需循环执 行步骤S11-S14，实现社区发现网络的迭代更新是一个迭代更新的过程，现 举例对循环执行步骤S11-S14的过程进行说明，具体如下：
A11、初始化社区发现网络，初始化后的社区发现网络至少包含一个客 户节点。
A12、从客户节点集合中未被选择的客户节点中随机选择一个客户节点， 作为待加入客户节点，并获取待加入客户节点的多维属性值，所述多维属性 值为从所述客户节点的客户数据中提取得到的，所述客户数据至少包含客户 基本信息、客户资产信息及客户购买行为信息。
A13、基于所述待加入客户节点的多维属性值及所述社区发现网络中每 个所述客户节点的多维属性值，确定待生成社区发现网络中每个所述客户节 点与所述社区发现网络之间的相似度，及所述社区发现网络中每个所述客户 节点与所述社区发现网络之间的相似度，所述待生成社区发现网络为：由所 述社区发现网络中客户节点与所述待加入客户节点组成的社区发现网络；
A14、基于所述待生成社区发现网络中每个客户节点与所述社区发现网 络之间的相似度，及所述社区发现网络中每个所述客户节点与所述社区发现 网络之间的相似度及所述待生成社区发现网络中各个客户节点的权重，确定 所述社区发现网络是否允许所述待加入客户节点加入；
若允许，则执行步骤A15。
A15、将所述待加入客户节点加入所述社区发现网络，并返回执行步骤 A12，直至客户节点集合中不存在未被选择的客户节点。
在本申请中，通过获取待加入客户节点的多维属性值，并基于所述待 加入客户节点的多维属性值及所述社区发现网络中每个所述客户节点的多 维属性值，确定待生成社区发现网络中每个所述客户节点与所述社区发现网 络之间的相似度，及所述社区发现网络中每个所述客户节点与所述社区发现 网络之间的相似度，能够提高相似度确定的准确性，在此基础上，不仅基于 所述待生成社区发现网络中各个客户节点的权重，还基于所述待生成社区发 现网络中每个客户节点与所述社区发现网络之间的相似度，及所述社区发现 网络中每个所述客户节点与所述社区发现网络之间的相似度及，确定所述社 区发现网络是否允许所述待加入客户节点加入，保证基于更多因素，确定社 区发送网络是否允许待加入客户节点加入，提高待加入客户节点加入的准确 性，进而提高客户群体划分的准确性。
在提高客户群体划分的准确性的基础上，商业银行可以达到精准营销的 目的。
作为本申请另一可选实施例，参照图2，为本申请提供的一种客户群体 划分方法实施例2的流程图，本实施例主要是对上述实施例1描述的客户群 体划分方法的细化方案，如图2所示，该方法可以包括但并不局限于以下步 骤：
步骤S21、初始化社区发现网络，初始化后的社区发现网络至少包含一 个客户节点。
步骤S22、获取待加入客户节点的多维属性值，所述多维属性值为从所 述客户节点的客户数据中提取得到的，所述客户数据至少包含客户基本信 息、客户资产信息及客户购买行为信息。
步骤S21-S22的详细过程可以参见实施例1中步骤S11-S12的相关介绍， 在此不再赘述。
步骤S23、对待生成社区发现网络中每个所述客户节点，基于所述待加 入客户节点的多维属性值及所述社区发现网络中每个所述客户节点的多维 属性值，计算所述客户节点与所述待生成社区发现网络中其它每个客户节点 之间的相似度，将确定出的相似度作为第一兴趣相似度。
本实施例中，基于所述待加入客户节点的多维属性值及所述社区发现网 络中每个所述客户节点的多维属性值，计算所述客户节点与所述待生成社区 发现网络中其它每个客户节点之间的相似度，可以包括但不局限于：
将所述客户节点的多维属性值及所述待生成社区发现网络中除所述客 户节点之外的每个客户节点的多维属性值分别输入至关系式三
得到所述客户节 点与所述待生成社区发现网络中除所述客户节点之外的每个客户节点之间 的相似度；
user1表示所述客户节点，usern表示所述待生成社区发现网络中除所述客 户节点之外的任意一个客户节点，所述Siminterest(user1,usern)表示user1与usern之间 的相似度，user1k表示user1的多维属性值中的其中一维属性值，表示 user1的多维属性值，usernk表示usern的多维属性值中的其中一维属性值， />表示usern的多维属性值。
步骤S24、基于所述待生成社区发现网络中每个所述客户节点的多个第 一兴趣相似度，确定所述待生成社区发现网络中每个所述客户节点与所述社 区发现网络之间的相似度。
所述基于所述待生成社区发现网络中每个所述客户节点的多个第一兴 趣相似度，确定所述待生成社区发现网络中每个所述客户节点与所述社区发 现网络之间的相似度，可以包括但不局限于：
对所述待生成社区发现网络中每个所述客户节点，将所述客户节点的多 个第一兴趣相似度输入关系式一得到所述 客户节点与所述待生成社区发现网络的相似度；
其中，useri表示所述待生成社区发现网络中的第i个节点，usern表示所 述社区发现网络中的其中一个客户节点，sim(useri,Ck)表示所述待生成社区发 现网络中的第i个节点与所述社区发现网络之间的相似度，sim(useri,usern)表 示所述第一兴趣相似度，表示多个所述第一兴趣相似度的 累加和，n(useri,Ck)表示所述社区发现网络中与所述待生成社区发现网络中的 第i个节点相连的客户节点的数量。
步骤S25、对所述社区发现网络中每个所述客户节点，基于所述社区发 现网络中每个所述客户节点的多维属性值，计算所述客户节点与所述社区发 现网络中其它每个客户节点之间的相似度，将确定出的相似度作为第二兴趣 相似度。
所述基于所述社区发现网络中每个所述客户节点的多维属性值，计算所 述客户节点与所述社区发现网络中其它每个客户节点之间的相似度，可以包 括但不局限于：
将所述客户节点的多维属性值及所述社区发现网络中除所述客户节点 之外的每个客户节点的多维属性值分别输入至关系式四，
得到所述客户 节点与所述社区发现网络中除所述客户节点之外的每个客户节点之间的相 似度；
user1表示所述客户节点，userj表示所述社区发现网络中除所述客户节点 之外的任意一个客户节点，所述Siminterest(user1,userj)表示user1与userj之间的相似 度，user1L表示user1的多维属性值中的其中一维属性值，表示user1的多 维属性值，userjL表示userj的多维属性值中的其中一维属性值，/>表示 userj的多维属性值。
步骤S26、基于所述社区发现网络中每个所述客户节点的多个第二兴趣 相似度，确定所述社区发现网络中每个所述客户节点与所述社区发现网络之 间的相似度。
本实施例中，所述基于所述社区发现网络中每个所述客户节点的多个第 二兴趣相似度，确定所述社区发现网络中每个所述客户节点与所述社区发现 网络之间的相似度，可以包括但不局限于：
对所述社区发现网络中每个所述客户节点，将所述客户节点的多个第二 兴趣相似度输入关系式二得到所述客户节 点与所述待生成社区发现网络的相似度；
其中，userj表示所述社区发现网络中的第j个节点，userm表示所述社区 发现网络中的其中一个客户节点，sim(userj,CL)表示所述社区发现网络中的第 j个节点与所述社区发现网络之间的相似度，sim(userj,userm)表示所述第二兴 趣相似度，表示多个所述第二兴趣相似度的累加和，n(userj,CL)表示所述社区发现网络中与第j个客户节点与相连的客户节点的 数量。
步骤S23-S26为实施例1中步骤S13的一种具体实施方式。
步骤S27、基于所述待生成社区发现网络中每个客户节点与所述社区发 现网络之间的相似度，及所述社区发现网络中每个所述客户节点与所述社区 发现网络之间的相似度及所述待生成社区发现网络中各个客户节点的权重， 确定所述社区发现网络是否允许所述待加入客户节点加入。
本实施例中，基于所述待生成社区发现网络中每个客户节点与所述社区 发现网络之间的相似度，及所述社区发现网络中每个所述客户节点与所述社 区发现网络之间的相似度及所述待生成社区发现网络中各个客户节点的权 重，确定所述社区发现网络是否允许所述待加入客户节点加入，可以包括但 不局限于：
S271、将所述待生成社区发现网络中每个客户节点与所述社区发现网络 之间的相似度，及所述社区发现网络中每个所述客户节点与所述社区发现网 络之间的相似度及所述待生成社区发现网络中各个客户节点的权重，输入至 第一模块度函数中，获得所述模块度函数输出的第一 模块度；
其中，k1表示所述待生成社区发现网络中客户节点的数量，SimC1表示 所述待生成社区发现网络中第C1个客户节点与所述社区发现网络之间的相 似度，Sim表示所述社区发现网络中多个所述客户节点与所述社区发现网络 之间的相似度的累加和，dC1'表示所述待生成社区发现网络中第C1个客户节 点的权重，Q1'表示第一模块度；
S272、将所述社区发现网络中每个所述客户节点与所述社区发现网络之 间的相似度及所述社区发现网络中各个客户节点的权重，输入至第二模块度 函数中，获得所述第二模块度函数输出的第二模块度；
其中，k2表示所述社区发现网络中客户节点的数量，SimC2表示所述社 区发现网络中第C2个客户节点与所述社区发现网络之间的相似度，Sim表 示所述社区发现网络中多个所述客户节点与所述社区发现网络之间的相似 度的累加和，dC2'表示所述社区发现网络中第C2个客户节点的权重，Q2'表 示第二模块度；
S273、计算所述第一模块度与所述第二模块度的差值，并判断所述差值 是否大于设定阈值。
本实施例中，设定阈值可以根据需要进行设置，在本申请中不做限制。 如，设定阈值可以设置为0。
若所述差值大于设定阈值，则确定允许加入，则执行步骤S28。
步骤S28、将所述待加入客户节点加入所述社区发现网络。
步骤S27-S28的详细过程可以参见实施例1中步骤S14-S15的相关介绍， 在此不再赘述。
本实施例中，将客户节点之间的相似度作为客户之间关系强弱的指标， 加入考虑因素，将客户节点与社区发现网络之间的相似度作为客户节点与社 区发现网络之间关系强弱的指标，构建加权的社区发现网络，以模块度函数 作为优化目标，得到社区内部客户联系紧密，社区之间客户联系松散的社区 发现模型，实现更精准的客户群体划分。
接下来对本申请提供的一种客户群体划分装置进行介绍，下文介绍的客 户群体划分方法与上文介绍的客户群体划分装置可相互对应参照。
请参见图3，客户群体划分装置包括：初始化模块100、获取模块200、 第一确定模块300、第二确定模块400和加入模块500。
初始化模块100，用于初始化社区发现网络，初始化后的社区发现网络 至少包含一个客户节点。
获取模块200，用于获取待加入客户节点的多维属性值，所述多维属性 值为从所述客户节点的客户数据中提取得到的，所述客户数据至少包含客户 基本信息、客户资产信息及客户购买行为信息。
第一确定模块300，用于基于所述待加入客户节点的多维属性值及所述 社区发现网络中每个所述客户节点的多维属性值，确定待生成社区发现网络 中每个所述客户节点与所述社区发现网络之间的相似度，及所述社区发现网 络中每个所述客户节点与所述社区发现网络之间的相似度，所述待生成社区 发现网络为：由所述社区发现网络中客户节点与所述待加入客户节点组成的 社区发现网络。
第二确定模块400，用于基于所述待生成社区发现网络中每个客户节点 与所述社区发现网络之间的相似度，及所述社区发现网络中每个所述客户节 点与所述社区发现网络之间的相似度及所述待生成社区发现网络中各个客 户节点的权重，确定所述社区发现网络是否允许所述待加入客户节点加入。
加入模块500，用于若所述社区发现网络允许所述待加入客户节点加入， 则将所述待加入客户节点加入所述社区发现网络。
所述第一确定模块300，可以包括：
第一确定子模块，用于对待生成社区发现网络中每个所述客户节点，基 于所述待加入客户节点的多维属性值及所述社区发现网络中每个所述客户 节点的多维属性值，计算所述客户节点与所述待生成社区发现网络中其它每 个客户节点之间的相似度，将确定出的相似度作为第一兴趣相似度；
第二确定子模块，用于基于所述待生成社区发现网络中每个所述客户节 点的多个第一兴趣相似度，确定所述待生成社区发现网络中每个所述客户节 点与所述社区发现网络之间的相似度；
第三确定子模块，用于对所述社区发现网络中每个所述客户节点，基于 所述社区发现网络中每个所述客户节点的多维属性值，计算所述客户节点与 所述社区发现网络中其它每个客户节点之间的相似度，将确定出的相似度作 为第二兴趣相似度；
第四确定子模块，用于基于所述社区发现网络中每个所述客户节点的多 个第二兴趣相似度，确定所述社区发现网络中每个所述客户节点与所述社区 发现网络之间的相似度。
所述第二确定子模块，具体可以用于：
对所述待生成社区发现网络中每个所述客户节点，将所述客户节点的多 个第一兴趣相似度输入关系式一得到所述 客户节点与所述待生成社区发现网络的相似度；
其中，useri表示所述待生成社区发现网络中的第i个节点，usern表示所 述社区发现网络中的其中一个客户节点，sim(useri,Ck)表示所述待生成社区发 现网络中的第i个节点与所述社区发现网络之间的相似度，sim(useri,usern)表 示所述第一兴趣相似度，表示多个所述第一兴趣相似度的 累加和，n(useri,Ck)表示所述社区发现网络中与所述待生成社区发现网络中的 第i个节点相连的客户节点的数量；
所述第四确定子模块，具体可以用于：
对所述社区发现网络中每个所述客户节点，将所述客户节点的多个第二 兴趣相似度输入关系式二得到所述客户节 点与所述待生成社区发现网络的相似度；
其中，userj表示所述社区发现网络中的第j个节点，userm表示所述社区 发现网络中的其中一个客户节点，sim(userj,CL)表示所述社区发现网络中的第 j个节点与所述社区发现网络之间的相似度，sim(userj,userm)表示所述第二兴 趣相似度，表示多个所述第二兴趣相似度的累加和， n(userj,CL)表示所述社区发现网络中与第j个客户节点与相连的客户节点的 数量。
所述第二确定模块400，具体可以用于：
将所述待生成社区发现网络中每个客户节点与所述社区发现网络之间 的相似度，及所述社区发现网络中每个所述客户节点与所述社区发现网络之 间的相似度及所述待生成社区发现网络中各个客户节点的权重，输入至第一 模块度函数中，获得所述模块度函数输出的第一模块 度；
其中，k1表示所述待生成社区发现网络中客户节点的数量，SimC1表示 所述待生成社区发现网络中第C1个客户节点与所述社区发现网络之间的相 似度，Sim表示所述社区发现网络中多个所述客户节点与所述社区发现网络 之间的相似度的累加和，dC1'表示所述待生成社区发现网络中第C1个客户节 点的权重，Q1'表示第一模块度；
将所述社区发现网络中每个所述客户节点与所述社区发现网络之间的 相似度及所述社区发现网络中各个客户节点的权重，输入至第二模块度函数 中，获得所述第二模块度函数输出的第二模块度；
其中，k2表示所述社区发现网络中客户节点的数量，SimC2表示所述社 区发现网络中第C2个客户节点与所述社区发现网络之间的相似度，Sim表 示所述社区发现网络中多个所述客户节点与所述社区发现网络之间的相似 度的累加和，dC2'表示所述社区发现网络中第C2个客户节点的权重，Q2'表 示第二模块度；
计算所述第一模块度与所述第二模块度的差值，并判断所述差值是否大 于设定阈值。
所述第一确定子模块，具体可以用于：
将所述客户节点的多维属性值及所述待生成社区发现网络中除所述客 户节点之外的每个客户节点的多维属性值分别输入至关系式三
得到所述客户节 点与所述待生成社区发现网络中除所述客户节点之外的每个客户节点之间 的相似度；
user1表示所述客户节点，usern表示所述待生成社区发现网络中除所述客 户节点之外的任意一个客户节点，所述Siminterest(user1,usern)表示user1与usern之间 的相似度，user1k表示user1的多维属性值中的其中一维属性值，表示 user1的多维属性值，usernk表示usern的多维属性值中的其中一维属性值， />表示usern的多维属性值；
所述第三确定子模块，具体可以用于：
将所述客户节点的多维属性值及所述社区发现网络中除所述客户节点 之外的每个客户节点的多维属性值分别输入至关系式四，
得到所述客户 节点与所述社区发现网络中除所述客户节点之外的每个客户节点之间的相 似度；
user1表示所述客户节点，userj表示所述社区发现网络中除所述客户节点 之外的任意一个客户节点，所述Siminterest(user1,userj)表示user1与userj之间的相似 度，user1L表示user1的多维属性值中的其中一维属性值，表示user1的多 维属性值，userjL表示userj的多维属性值中的其中一维属性值，/>表示 userj的多维属性值。
需要说明的是，每个实施例重点说明的都是与其他实施例的不同之 处，各个实施例之间相同相似的部分互相参见即可。对于装置类实施例 而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处 参见方法实施例的部分说明即可。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系 术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不 一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺 序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的 包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括 那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种 过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下， 由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方 法、物品或者设备中还存在另外的相同要素。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当 然，在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中 实现。
通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了 解到本申请可借助软件加必需的通用硬件平台的方式来实现。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计算机设 备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实 施例或者实施例的某些部分所述的方法。
以上对本申请所提供的一种客户群体划分方法及装置进行了详细介 绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以 上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时， 对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应 用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申 请的限制。

Claims (8)

1.一种客户群体划分方法，其特征在于，包括：
初始化社区发现网络，初始化后的社区发现网络至少包含一个客户节点；
获取待加入客户节点的多维属性值，所述多维属性值为从所述客户节点的客户数据中提取得到的，所述客户数据至少包含客户基本信息、客户资产信息及客户购买行为信息；
基于所述待加入客户节点的多维属性值及所述社区发现网络中每个所述客户节点的多维属性值，确定待生成社区发现网络中每个所述客户节点与所述社区发现网络之间的相似度，及所述社区发现网络中每个所述客户节点与所述社区发现网络之间的相似度，所述待生成社区发现网络为：由所述社区发现网络中客户节点与所述待加入客户节点组成的社区发现网络；
基于所述待生成社区发现网络中每个客户节点与所述社区发现网络之间的相似度，及所述社区发现网络中每个所述客户节点与所述社区发现网络之间的相似度及所述待生成社区发现网络中各个客户节点的权重及所述社区发现网络中各个客户节点的权重，确定所述社区发现网络是否允许所述待加入客户节点加入；所述基于所述待生成社区发现网络中每个客户节点与所述社区发现网络之间的相似度，及所述社区发现网络中每个所述客户节点与所述社区发现网络之间的相似度及所述待生成社区发现网络中各个客户节点的权重，确定所述社区发现网络是否允许所述待加入客户节点加入，包括：将所述待生成社区发现网络中每个客户节点与所述社区发现网络之间的相似度，及所述社区发现网络中每个所述客户节点与所述社区发现网络之间的相似度及所述待生成社区发现网络中各个客户节点的权重，输入至第一模块度函数中，获得所述模块度函数输出的第一模块度；其中，k1表示所述待生成社区发现网络中客户节点的数量，SimC1表示所述待生成社区发现网络中第C1个客户节点与所述社区发现网络之间的相似度，Sim表示所述社区发现网络中多个所述客户节点与所述社区发现网络之间的相似度的累加和，dC1'表示所述待生成社区发现网络中第C1个客户节点的权重，Q1'表示第一模块度；将所述社区发现网络中每个所述客户节点与所述社区发现网络之间的相似度及所述社区发现网络中各个客户节点的权重，输入至第二模块度函数/>中，获得所述第二模块度函数输出的第二模块度；其中，k2表示所述社区发现网络中客户节点的数量，SimC2表示所述社区发现网络中第C2个客户节点与所述社区发现网络之间的相似度，Sim表示所述社区发现网络中多个所述客户节点与所述社区发现网络之间的相似度的累加和，dC2'表示所述社区发现网络中第C2个客户节点的权重，Q2'表示第二模块度；计算所述第一模块度与所述第二模块度的差值，并判断所述差值是否大于设定阈值；
若允许，则将所述待加入客户节点加入所述社区发现网络。
2.根据权利要求1所述的方法，其特征在于，所述基于所述待加入客户节点的多维属性值及所述社区发现网络中每个所述客户节点的多维属性值，确定待生成社区发现网络中每个所述客户节点与所述社区发现网络之间的相似度，及所述社区发现网络中每个所述客户节点与所述社区发现网络之间的相似度，包括：
对待生成社区发现网络中每个所述客户节点，基于所述待加入客户节点的多维属性值及所述社区发现网络中每个所述客户节点的多维属性值，计算所述客户节点与所述待生成社区发现网络中其它每个客户节点之间的相似度，将确定出的相似度作为第一兴趣相似度；
基于所述待生成社区发现网络中每个所述客户节点的多个第一兴趣相似度，确定所述待生成社区发现网络中每个所述客户节点与所述社区发现网络之间的相似度；
对所述社区发现网络中每个所述客户节点，基于所述社区发现网络中每个所述客户节点的多维属性值，计算所述客户节点与所述社区发现网络中其它每个客户节点之间的相似度，将确定出的相似度作为第二兴趣相似度；
基于所述社区发现网络中每个所述客户节点的多个第二兴趣相似度，确定所述社区发现网络中每个所述客户节点与所述社区发现网络之间的相似度。
3.根据权利要求2所述的方法，其特征在于，所述基于所述待生成社区发现网络中每个所述客户节点的多个第一兴趣相似度，确定所述待生成社区发现网络中每个所述客户节点与所述社区发现网络之间的相似度，包括：
对所述待生成社区发现网络中每个所述客户节点，将所述客户节点的多个第一兴趣相似度输入关系式一得到所述客户节点与所述待生成社区发现网络的相似度；
其中，useri表示所述待生成社区发现网络中的第i个节点，usern表示所述社区发现网络中的其中一个客户节点，sim(useri,Ck)表示所述待生成社区发现网络中的第i个节点与所述社区发现网络之间的相似度，sim(useri,usern)表示所述第一兴趣相似度，表示多个所述第一兴趣相似度的累加和，n(useri,Ck)表示所述社区发现网络中与所述待生成社区发现网络中的第i个节点相连的客户节点的数量；
所述基于所述社区发现网络中每个所述客户节点的多个第二兴趣相似度，确定所述社区发现网络中每个所述客户节点与所述社区发现网络之间的相似度，包括：
对所述社区发现网络中每个所述客户节点，将所述客户节点的多个第二兴趣相似度输入关系式二得到所述客户节点与所述待生成社区发现网络的相似度；
其中，userj表示所述社区发现网络中的第j个节点，userm表示所述社区发现网络中的其中一个客户节点，sim(userj,CL)表示所述社区发现网络中的第j个节点与所述社区发现网络之间的相似度，sim(userj,userm)表示所述第二兴趣相似度，表示多个所述第二兴趣相似度的累加和，n(userj,CL)表示所述社区发现网络中与第j个客户节点相连的客户节点的数量。
4.根据权利要求2所述的方法，其特征在于，所述基于所述待加入客户节点的多维属性值及所述社区发现网络中每个所述客户节点的多维属性值，计算所述客户节点与所述待生成社区发现网络中其它每个客户节点之间的相似度，包括：
将所述客户节点的多维属性值及所述待生成社区发现网络中除所述客户节点之外的每个客户节点的多维属性值分别输入至关系式三
得到所述客户节点与所述待生成社区发现网络中除所述客户节点之外的每个客户节点之间的相似度；
user1表示所述客户节点，usern表示所述待生成社区发现网络中除所述客户节点之外的任意一个客户节点，所述Siminterest(user1,usern)表示user1与usern之间的相似度，user1k表示user1的多维属性值中的其中一维属性值，表示user1的多维属性值，usernk表示usern的多维属性值中的其中一维属性值，/>表示usern的多维属性值；
所述基于所述社区发现网络中每个所述客户节点的多维属性值，计算所述客户节点与所述社区发现网络中其它每个客户节点之间的相似度，包括：
将所述客户节点的多维属性值及所述社区发现网络中除所述客户节点之外的每个客户节点的多维属性值分别输入至关系式四，
得到所述客户节点与所述社区发现网络中除所述客户节点之外的每个客户节点之间的相似度；
user1表示所述客户节点，userj表示所述社区发现网络中除所述客户节点之外的任意一个客户节点，所述Siminterest(user1,userj)表示user1与userj之间的相似度，user1L表示user1的多维属性值中的其中一维属性值，表示user1的多维属性值，userjL表示userj的多维属性值中的其中一维属性值，/>表示userj的多维属性值。
5.一种客户群体划分装置，其特征在于，包括：
初始化模块，用于初始化社区发现网络，初始化后的社区发现网络至少包含一个客户节点；
获取模块，用于获取待加入客户节点的多维属性值，所述多维属性值为从所述客户节点的客户数据中提取得到的，所述客户数据至少包含客户基本信息、客户资产信息及客户购买行为信息；
第一确定模块，用于基于所述待加入客户节点的多维属性值及所述社区发现网络中每个所述客户节点的多维属性值，确定待生成社区发现网络中每个所述客户节点与所述社区发现网络之间的相似度，及所述社区发现网络中每个所述客户节点与所述社区发现网络之间的相似度，所述待生成社区发现网络为：由所述社区发现网络中客户节点与所述待加入客户节点组成的社区发现网络；
第二确定模块，用于基于所述待生成社区发现网络中每个客户节点与所述社区发现网络之间的相似度，及所述社区发现网络中每个所述客户节点与所述社区发现网络之间的相似度及所述待生成社区发现网络中各个客户节点的权重及所述社区发现网络中各个客户节点的权重，确定所述社区发现网络是否允许所述待加入客户节点加入；所述第二确定模块，具体用于：将所述待生成社区发现网络中每个客户节点与所述社区发现网络之间的相似度，及所述社区发现网络中每个所述客户节点与所述社区发现网络之间的相似度及所述待生成社区发现网络中各个客户节点的权重，输入至第一模块度函数中，获得所述模块度函数输出的第一模块度；其中，k1表示所述待生成社区发现网络中客户节点的数量，SimC1表示所述待生成社区发现网络中第C1个客户节点与所述社区发现网络之间的相似度，Sim表示所述社区发现网络中多个所述客户节点与所述社区发现网络之间的相似度的累加和，dC1'表示所述待生成社区发现网络中第C1个客户节点的权重，Q1'表示第一模块度；将所述社区发现网络中每个所述客户节点与所述社区发现网络之间的相似度及所述社区发现网络中各个客户节点的权重，输入至第二模块度函数/>中，获得所述第二模块度函数输出的第二模块度；其中，k2表示所述社区发现网络中客户节点的数量，SimC2表示所述社区发现网络中第C2个客户节点与所述社区发现网络之间的相似度，Sim表示所述社区发现网络中多个所述客户节点与所述社区发现网络之间的相似度的累加和，dC2'表示所述社区发现网络中第C2个客户节点的权重，Q2'表示第二模块度；计算所述第一模块度与所述第二模块度的差值，并判断所述差值是否大于设定阈值；
加入模块，用于若所述社区发现网络允许所述待加入客户节点加入，则将所述待加入客户节点加入所述社区发现网络。
6.根据权利要求5所述的装置，其特征在于，所述第一确定模块，包括：
第一确定子模块，用于对待生成社区发现网络中每个所述客户节点，基于所述待加入客户节点的多维属性值及所述社区发现网络中每个所述客户节点的多维属性值，计算所述客户节点与所述待生成社区发现网络中其它每个客户节点之间的相似度，将确定出的相似度作为第一兴趣相似度；
第二确定子模块，用于基于所述待生成社区发现网络中每个所述客户节点的多个第一兴趣相似度，确定所述待生成社区发现网络中每个所述客户节点与所述社区发现网络之间的相似度；
第三确定子模块，用于对所述社区发现网络中每个所述客户节点，基于所述社区发现网络中每个所述客户节点的多维属性值，计算所述客户节点与所述社区发现网络中其它每个客户节点之间的相似度，将确定出的相似度作为第二兴趣相似度；；
第四确定子模块，用于基于所述社区发现网络中每个所述客户节点的多个第二兴趣相似度，确定所述社区发现网络中每个所述客户节点与所述社区发现网络之间的相似度。
7.根据权利要求6所述的装置，其特征在于，所述第二确定子模块，具体用于：
对所述待生成社区发现网络中每个所述客户节点，将所述客户节点的多个第一兴趣相似度输入关系式一得到所述客户节点与所述待生成社区发现网络的相似度；
其中，useri表示所述待生成社区发现网络中的第i个节点，usern表示所述社区发现网络中的其中一个客户节点，sim(useri,Ck)表示所述待生成社区发现网络中的第i个节点与所述社区发现网络之间的相似度，sim(useri,usern)表示所述第一兴趣相似度，表示多个所述第一兴趣相似度的累加和，n(useri,Ck)表示所述社区发现网络中与所述待生成社区发现网络中的第i个节点相连的客户节点的数量；
所述第四确定子模块，具体用于：
对所述社区发现网络中每个所述客户节点，将所述客户节点的多个第二兴趣相似度输入关系式二得到所述客户节点与所述待生成社区发现网络的相似度；
其中，userj表示所述社区发现网络中的第j个节点，userm表示所述社区发现网络中的其中一个客户节点，sim(userj,CL)表示所述社区发现网络中的第j个节点与所述社区发现网络之间的相似度，sim(userj,userm)表示所述第二兴趣相似度，表示多个所述第二兴趣相似度的累加和，n(userj,CL)表示所述社区发现网络中与第j个客户节点相连的客户节点的数量。
8.根据权利要求6所述的装置，其特征在于，所述第一确定子模块，具体用于：
将所述客户节点的多维属性值及所述待生成社区发现网络中除所述客户节点之外的每个客户节点的多维属性值分别输入至关系式三
得到所述客户节点与所述待生成社区发现网络中除所述客户节点之外的每个客户节点之间的相似度；
user1表示所述客户节点，usern表示所述待生成社区发现网络中除所述客户节点之外的任意一个客户节点，所述Siminterest(user1,usern)表示user1与usern之间的相似度，user1k表示user1的多维属性值中的其中一维属性值，表示user1的多维属性值，usernk表示usern的多维属性值中的其中一维属性值，/>表示usern的多维属性值；
所述第三确定子模块，具体用于：
将所述客户节点的多维属性值及所述社区发现网络中除所述客户节点之外的每个客户节点的多维属性值分别输入至关系式四，
得到所述客户节点与所述社区发现网络中除所述客户节点之外的每个客户节点之间的相似度；
user1表示所述客户节点，userj表示所述社区发现网络中除所述客户节点之外的任意一个客户节点，所述Siminterest(user1,userj)表示user1与userj之间的相似度，user1L表示user1的多维属性值中的其中一维属性值，表示user1的多维属性值，userjL表示userj的多维属性值中的其中一维属性值，/>表示userj的多维属性值。
CN202011453964.3A 2020-12-10 2020-12-10 一种客户群体划分方法及装置 Active CN112488767B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011453964.3A CN112488767B (zh) 2020-12-10 2020-12-10 一种客户群体划分方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011453964.3A CN112488767B (zh) 2020-12-10 2020-12-10 一种客户群体划分方法及装置

Publications (2)

Publication Number Publication Date
CN112488767A CN112488767A (zh) 2021-03-12
CN112488767B true CN112488767B (zh) 2024-02-02

Family

ID=74916740

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011453964.3A Active CN112488767B (zh) 2020-12-10 2020-12-10 一种客户群体划分方法及装置

Country Status (1)

Country Link
CN (1) CN112488767B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101877711A (zh) * 2009-04-28 2010-11-03 华为技术有限公司 社会网络建立方法及装置、以及社区发现方法及装置
CN103020163A (zh) * 2012-11-26 2013-04-03 南京大学 一种网络中基于节点相似度的网络社区划分方法
CN107153713A (zh) * 2017-05-27 2017-09-12 合肥工业大学 社交网络中基于节点间相似性的重叠社区检测方法及系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101877711A (zh) * 2009-04-28 2010-11-03 华为技术有限公司 社会网络建立方法及装置、以及社区发现方法及装置
CN103020163A (zh) * 2012-11-26 2013-04-03 南京大学 一种网络中基于节点相似度的网络社区划分方法
CN107153713A (zh) * 2017-05-27 2017-09-12 合肥工业大学 社交网络中基于节点间相似性的重叠社区检测方法及系统

Also Published As

Publication number Publication date
CN112488767A (zh) 2021-03-12

Similar Documents

Publication Publication Date Title
Son et al. Content-based filtering for recommendation systems using multiattribute networks
Karim et al. Decision tree and naive bayes algorithm for classification and generation of actionable knowledge for direct marketing
CN109255586B (zh) 一种面向电子政务办事的在线个性化推荐方法
Moradi et al. A trust-aware recommender algorithm based on users overlapping community structure
Khan et al. Collaborative filtering based online recommendation systems: A survey
Komkhao et al. Incremental collaborative filtering based on Mahalanobis distance and fuzzy membership for recommender systems
Zhang et al. LA-LMRBF: Online and long-term web service QoS forecasting
Chen et al. Generative inverse deep reinforcement learning for online recommendation
Seret et al. A new knowledge-based constrained clustering approach: Theory and application in direct marketing
Grolman et al. Utilizing transfer learning for in-domain collaborative filtering
Zhang et al. Advertisement click-through rate prediction based on the weighted-ELM and adaboost algorithm
CN113656699B (zh) 用户特征向量确定方法、相关设备及介质
Nivitha et al. C-drm: Coalesced p-topsis entropy technique addressing uncertainty in cloud service selection
CN111506821A (zh) 推荐模型、方法、装置、设备及存储介质
CN110543601B (zh) 一种基于中智集的上下文感知兴趣点推荐方法及系统
Maâtallah et al. Enhanced collaborative filtering to recommender systems of technology enhanced learning.
CN112488767B (zh) 一种客户群体划分方法及装置
Hao et al. Enhancing cross domain recommendation with domain dependent tags
Vadavalli et al. A novel truth prediction algorithm for ascertaining the truthfulness of the data and reliability of the users in crowdsourcing application
CN112307343B (zh) 基于双层迭代补偿和全貌表示的跨电商书城用户对齐方法
Korotaev et al. Method for the Development of Recommendation Systems, Customizable to Domains, with Deep GRU Network.
Vimali et al. FCM based CF: an efficient approach for consolidating big data applications
CN111125541A (zh) 面向多用户的可持续多云服务组合的获取方法
Shinde et al. Comparative analysis of collaborative filtering technique
Vairachilai et al. A survey on recommendation system: Collaborative filtering

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