CN112560910A - 用户分类方法和装置 - Google Patents
用户分类方法和装置 Download PDFInfo
- Publication number
- CN112560910A CN112560910A CN202011403731.2A CN202011403731A CN112560910A CN 112560910 A CN112560910 A CN 112560910A CN 202011403731 A CN202011403731 A CN 202011403731A CN 112560910 A CN112560910 A CN 112560910A
- Authority
- CN
- China
- Prior art keywords
- user
- information
- active
- users
- position information
- 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 47
- 239000011159 matrix material Substances 0.000 claims abstract description 112
- 238000007621 cluster analysis Methods 0.000 claims abstract description 30
- 230000000694 effects Effects 0.000 claims description 38
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 7
- 101150095230 SLC7A8 gene Proteins 0.000 description 6
- 101150044140 Slc7a5 gene Proteins 0.000 description 6
- 101150085091 lat-2 gene Proteins 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 101100511466 Caenorhabditis elegans lon-1 gene Proteins 0.000 description 3
- 101150061388 LON1 gene Proteins 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- -1 Lat3 Proteins 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 101100021570 Caenorhabditis elegans lon-3 gene Proteins 0.000 description 1
- 101100454355 Rattus norvegicus Slc7a8 gene Proteins 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- NSHPHXHGRHSMIK-IWQSFCKSSA-N latrunculin B Natural products C[C@H]1CC[C@@H]2C[C@@H](C[C@@](O)(O2)[C@@H]3CSC(=O)N3)OC(=O)C=C(C)/CCC=C/1 NSHPHXHGRHSMIK-IWQSFCKSSA-N 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Algebra (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请公开了一种用户分类方法和装置，方法包括：获取多个用户的活跃位置信息；依据活跃位置信息构建活跃点矩阵；对活跃点矩阵进行聚类分析，确定各个用户的所属类别。通过获取到的多个用户的活跃位置信息，构建活跃点矩阵，能够明确各个用户常去的地理位置；对活跃点矩阵进行聚类分析，确定各个用户的所属类别，通过对活跃点矩阵中的表征用户的活跃位置信息进行聚类分析，把不同的用户分类到不同的簇中，以准确定位用户的所属类别，使用户的所属类别更清晰，方便对用户的管理和营销，提高对用户的服务质量。
Description
技术领域
本申请涉及数据分析技术领域，具体涉及一种用户分类方法和装置。
背景技术
目前，运营商对用户进行分群的方法，主要是通过用户的消费习惯或行为特征(例如，浏览视频或信息等的行为偏好)进行分析，获得用户所属的群体类别，然后再针对不同的群体类别进行定点营销。例如，针对消费习惯，可将用户分为高端用户、中端用户和低端用户；结合用户的消费类别，又可将用户细分为流量型用户或话费型用户，然后，对不同消费倾向的用户群体匹配对应的营销策略。针对用户的行为特征，可将用户分为视频偏好用户、游戏偏好用户和资讯偏好用户中的任意一种或几种，然后，对不同行为偏好的用户群体提供有针对性的特殊权益。
但是，用户的行为特征会随着环境的变化而变化，不同环境下的用户的行为特在具有一定的差异性。用户在使用多个终端进行不同操作时，同样无法准确定位该用户的所属类别，现有的单一分群标准难以适用复杂的实际情况。
发明内容
为此，本申请提供一种用户分类方法和装置，如何高效划分用户的所属类别的问题。
为了实现上述目的，本申请第一方面提供一种用户分类方法，方法包括：获取多个用户的活跃位置信息；依据活跃位置信息构建活跃点矩阵；对活跃点矩阵进行聚类分析，确定各个用户的所属类别。
在一些具体实现中，活跃点矩阵包括经度信息和维度信息；对活跃点矩阵进行聚类分析，确定各个用户的所属类别，包括：依据经度信息和维度信息，确定各个用户的活跃位置信息；分别计算各个用户的活跃位置信息之间的空间相似度；依据空间相似度，确定各个用户的所属类别。
在一些具体实现中，活跃点矩阵还包括时间信息；依据经度信息和维度信息，确定各个用户的活跃位置信息之前，还包括：依据时间信息，提取在同一时间戳下的所有用户的经度信息和维度信息。
在一些具体实现中，分别计算各个用户的活跃位置信息之间的空间相似度，包括：依据预设随机数，初始化隶属度矩阵，隶属度矩阵表征活跃位置信息对用户的所属类别的隶属程度信息；依据预设收敛精度和各个用户对应的隶属度矩阵，分别对各个用户的隶属度矩阵进行迭代更新，确定空间相似度。
在一些具体实现中，依据预设收敛精度和各个用户对应的隶属度矩阵，分别对各个用户的隶属度矩阵进行迭代更新，确定空间相似度，包括：依据隶属度矩阵，分别计算各个用户的所属类别对应的聚类中心；依据聚类中心和预设收敛精度，对各个用户的隶属度矩阵进行迭代更新，确定空间相似度。
在一些具体实现中，获取多个用户的活跃位置信息，包括：获取各个用户的历史位置信息和各个用户在历史位置上的历史停留时间信息；获取各个用户的实时位置信息和各个用户在实时位置上的实时停留时间信息；依据实时位置信息、历史位置信息、实时停留时间信息和历史停留时间信息，绘制用户活动轨迹图；依据用户活动轨迹图，确定各个用户的活跃位置信息。
在一些具体实现中，依据用户活动轨迹图，确定各个用户的活跃位置信息，包括：依据用户活动轨迹图，确定各个用户的高频活动点日志信息；依据各个用户的高频活动点日志信息，确定各个用户的活跃位置信息。
在一些具体实现中，对活跃点矩阵进行聚类分析，确定各个用户的所属类别之后，还包括：依据各个用户的所属类别，对各个用户进行定向营销。
为了实现上述目的，本申请第二方面提供一种用户分类装置，其包括：获取模块，用于获取多个用户的活跃位置信息；构建模块，用于依据活跃位置信息构建活跃点矩阵；分类模块，用于对活跃点矩阵进行聚类分析，确定各个用户的所属类别。
在一些具体实现中，活跃点矩阵包括经度信息和维度信息；分类模块，包括：活跃位置确定子模块，用于依据经度信息和维度信息，确定各个用户的活跃位置信息；空间相似度计算子模块，用于分别计算各个用户的活跃位置信息之间的空间相似度；类别确定子模块，用于依据空间相似度，确定各个用户的所属类别。
本申请中的用户分类方法和装置，通过获取到的多个用户的活跃位置信息，构建活跃点矩阵，能够明确各个用户常去的地理位置；对活跃点矩阵进行聚类分析，确定各个用户的所属类别，通过对活跃点矩阵中的表征用户的活跃位置信息进行聚类分析，把不同的用户分类到不同的簇中，以准确定位用户的所属类别，使用户的所属类别更清晰，方便对用户的管理和营销，提高对用户的服务质量。
附图说明
附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请的实施例一起用于解释本申请，并不构成对本申请的限制。通过参考附图对详细示例实施例进行描述，以上和其它特征和优点对本领域技术人员将变得更加显而易见，在附图中：
图1示出本申请一实施例中的用户分类方法的流程示意图。
图2示出本申请又一实施例中的用户分类方法的流程示意图。
图3示出本申请再一实施例中的用户分类方法的流程示意图。
图4示出本申请实施例中的用户分类装置的组成方框图。
图5示出本申请实施例中的用户分类系统的组成方框图。
图6示出本申请实施例中的用户分类系统的工作流程示意图。
图7示出本申请实施例中的基于活跃点的用户历史轨迹图。
图8示出本申请实施例中的基于时间戳的用户历史轨迹图。
在附图中：
401：获取模块 402：构建模块
403：分类模块 511：用户设备A
512：用户设备B 51n：用户设备N
520：用户分类装置 521：数据预处理模块
522：用户分群模块 530：基站
具体实施方式
以下结合附图对本申请的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本申请，并不用于限制本申请。对于本领域技术人员来说，本申请可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本申请的示例来提供对本申请更好的理解。
为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。
图1示出本申请一实施例中的用户分类方法的流程示意图。该用户分类方法可应用于用户分类装置。如图1所示，用户分类方法包括如下步骤：
步骤S101，获取多个用户的活跃位置信息。
其中，活跃位置信息可以是用户经常去的地方的位置信息，例如，第一用户是学生，第一用户每天都会去学校上学，则第一用户对应的活跃位置信息就是该学校的位置信息。
例如，可根据第一用户携带的终端设备(例如，智能手机)的定位装置(例如，智能手机中的定位模块)来获取该第一用户的活跃位置信息。
在一些具体实现中，获取多个用户的活跃位置信息，包括：获取各个用户的历史位置信息和各个用户在历史位置上的历史停留时间信息；获取各个用户的实时位置信息和各个用户在实时位置上的实时停留时间信息；依据实时位置信息、历史位置信息、实时停留时间信息和历史停留时间信息，绘制用户活动轨迹图；依据用户活动轨迹图，确定各个用户的活跃位置信息。
其中，实时位置信息和历史位置信息都可以采用经纬度信息来表示，只是实时的经纬度信息对应的实时停留时间信息与历史的经纬度信息对应的历史停留时间信息不同。
通过实时位置信息、历史位置信息、实时停留时间信息和历史停留时间信息，绘制用户活动轨迹图，可利用图形的方式，清晰的展现用户的活动轨迹，方便对用户的活动位置进行直观检查，以快速的确定各个用户的活跃位置信息。例如，通过用户活动轨迹图可以快速的确定用户具体在哪个时间段在哪个位置上停留的次数较多，进而直观快速的确定用户的活跃位置信息。
在一些具体实现中，依据用户活动轨迹图，确定各个用户的活跃位置信息，包括：依据用户活动轨迹图，确定各个用户的高频活动点日志信息；依据各个用户的高频活动点日志信息，确定各个用户的活跃位置信息。
其中，高频活动点日志信息包括高频位置信息、与该高频位置信息对应的活动频次、活动时间、高频位置信息对应的场所类型等信息中的任意一种或几种。
通过依据各个用户的高频活动点日志信息，确定各个用户的活跃位置信息，例如，按照用户的到访频率和预设频率阈值(例如，每周到访3次)来确定各个用户的活跃位置信息(即，高频活动地点)。该高频活跃地点可以是用户经常工作的地方，也可以是用户的家庭所在地，还可以是用户经常去的地方(例如，学校、超市、健身房等地点)。可快速确定各个用户额活跃位置信息，加快对用户的位置信息的处理速度。
需要说明的是，以上对于活跃位置信息仅是举例说明，可根据具体情况进行具体设定，其他未说明的活跃位置信息也在本申请的保护范围之内，在此不再赘述。
步骤S102，依据活跃位置信息构建活跃点矩阵。
其中，活跃点矩阵可以包括活跃位置信息，以及与该活跃位置信息对应的时间信息等。例如，活跃点矩阵是一个3列k行的矩阵Ak，其中，3列分别表示用户到访地点的纬度、经度和时间，k为大于或等于1的整数。
以矩阵的形式，来确定用户到访地点的纬度、经度和时间，方便对用户的活跃位置信息进行分析处理，加快对用户所属类别的确定。
步骤S103，对活跃点矩阵进行聚类分析，确定各个用户的所属类别。
其中，聚类是将数据分类到不同的类或者不同的簇的过程，同一个簇中的对象有很大的相似性(例如，同一簇中的不同对象之间的相似度大于第一预设相似度阈值(例如，80％))，而不同簇间的对象有很大的相异性(例如，不同簇间的第一对象与第二对象的相似度小于第二预设相似度阈值(例如，40％))。聚类分析方法包括：系统聚类法、分解法、加入法、动态聚类法、有序样品聚类、有重叠聚类和模糊聚类中的任意一种或几种。
通过不同的聚类分析方法，对活跃点矩阵进行处理，使活跃点矩阵中的数据能够更准确的体现用户的所属类别，提升用户的所属类别的准确性。
在一些具体实现中，活跃点矩阵包括经度信息和维度信息；对活跃点矩阵进行聚类分析，确定各个用户的所属类别，包括：依据经度信息和维度信息，确定各个用户的活跃位置信息；分别计算各个用户的活跃位置信息之间的空间相似度；依据空间相似度，确定各个用户的所属类别。
其中，空间相似度可以是通过用户的活跃位置信息和该活跃位置信息对应的时间信息确定的相似度，也可以是通过用户的经纬度信息计算获得的相似度。以上对于空间相似度的计算方式仅是举例说明，可根据具体情况进行具体设定，其他未说明的空间相似度的计算方式也在本申请的保护范围之内，在此不再赘述。
通过空间上的相似性(例如，某个用户对应的空间相似度大于或等于预设空间相似度阈值(例如，85％))来确定用户的所属类别，可体现用户在空间上的特性，能够直观的确定用户经常去的位置，进而加快对用户的所属类别的确定。
在一些具体实现中，分别计算各个用户的活跃位置信息之间的空间相似度，包括：依据预设随机数，初始化隶属度矩阵，隶属度矩阵表征活跃位置信息对用户的所属类别的隶属程度信息；依据预设收敛精度和各个用户对应的隶属度矩阵，分别对各个用户的隶属度矩阵进行迭代更新，确定空间相似度。
其中，隶属度矩阵包括用户预计的所属类别，以及与该所属类别对应的隶属程度值。例如，第一用户预计的所属类别为第一类别，该第一用户与该第一类别的隶属程度值为40％，在对各个用户的隶属度矩阵进行迭代更新的过程中，该隶属程度值会根据更新的情况而变化，例如，当获取到第一用户的位置信息不多时，可能该隶属程度值较低；当进行迭代更新的过程中，该第一用户的位置信息不断增加，该隶属程度值就会逐渐增高，当各个用户对应的隶属度矩阵对应的收敛精度满足预设收敛精度(例如，0.3)的要求时，若该第一用户的隶属程度值大于预设隶属度阈值(例如，80％)，则该第一用户对应的空间相似度就满足预设空间相似度阈值的要求。
通过依据预设收敛精度和各个用户对应的隶属度矩阵，分别对各个用户的隶属度矩阵进行迭代更新，确定空间相似度，使各个用户对应的所属类别能够通过空间相似度，清晰的体现出来，加快对用户的分类。
在一些具体实现中，依据预设收敛精度和各个用户对应的隶属度矩阵，分别对各个用户的隶属度矩阵进行迭代更新，确定空间相似度，包括：依据隶属度矩阵，分别计算各个用户的所属类别对应的聚类中心；依据聚类中心和预设收敛精度，对各个用户的隶属度矩阵进行迭代更新，确定空间相似度。
其中，聚类中心是用户的所属类别对应的中心向量，例如，若采用向量的方式来表征每个用户的活跃点信息(例如，用户的经度信息、纬度信息和时间信息等)，则聚类中心是该用户相对于所属类别最相似的中心向量；若该用户对应的隶属度越趋近于该聚类中心，则表示该用户的所述类别越倾向于该所述类别。
通过依据聚类中心和预设收敛精度，对各个用户的隶属度矩阵进行迭代更新，确定空间相似度，可采用模糊C均值(Fuzzy C-Means，FCM)算法中的隶属度矩阵，来计算获得聚类中心；进而通过比较聚类中心和预设收敛精度，来确定是否对各个用户的隶属度矩阵迭代更新完毕，并在更新完毕时获得空间相似度。
例如，依据聚类中心的位置和各个用户对应的位置向量，计算获得各个用户相对于该聚类中心的绝对距离；并根据该绝对距离迭代更新各个用户对应的位置向量，获得更新后的各个用户对应的位置向量；通过各个用户对应的更新后的位置向量，以及更新前的位置向量，确定收敛精度；进而将该收敛精度与预设收敛精度进行比较，以确定该收敛精度是否满足预设收敛精度的要求。例如，当收敛精度小于或等于预设收敛精度时，表示迭代更新完毕，并获得各个用户对应的隶属度，根据该隶属度确定各个用户之间的空间相似度。
在本实施例中，通过获取到的多个用户的活跃位置信息，构建活跃点矩阵，能够明确各个用户常去的地理位置；对活跃点矩阵进行聚类分析，确定各个用户的所属类别，通过对活跃点矩阵中的表征用户的活跃位置信息进行聚类分析，把不同的用户分类到不同的簇中，以准确定位用户的所属类别，使用户的所属类别更清晰，方便对用户的管理和营销，提高对用户的服务质量。
图2示出本申请又一实施例中的用户分类方法的流程示意图。该用户分类方法可应用于用户分类装置。如图2所示，用户分类方法包括如下步骤：
步骤S201，依据时间信息，提取在同一时间戳下的所有用户的经度信息和维度信息。
其中，时间信息是从活跃点矩阵中提取出的信息。时间信息包括时间戳，时间戳可以是XX年yy月ZZ日AA时BB分，通过提取某一时刻的所有用户的经度信息和维度信息，来确定所有用户在该时刻的活动地点，方便后续对各个用户的活动信息进行统计。
例如，第一用户在XX年6月5日14:35到达健身房，该健身房的经度为Lat1，纬度为Lon1；第二用户在XX年6月5日14:35到达超市，该超市的精度为Lat2，纬度为Lon2；……；第B用户在XX年6月5日14:35到达电影院，该电影院的精度为LatB，纬度为LonB，其中B为大于或等于1的整数。通过以上B个用户的经度信息和纬度信息，可明确各个用户的获得地点，方便后续对各个用户的活动信息进行统计。
步骤S202，获取多个用户的活跃位置信息。
步骤S203，依据活跃位置信息构建活跃点矩阵。
步骤S204，对活跃点矩阵进行聚类分析，确定各个用户的所属类别。
需要说明的是，本实施例中的步骤S202～步骤S204，与上一实施例中的步骤S101～步骤S103相同，在此不再赘述。
在本实施例中，通过依据时间信息，提取在同一时间戳下的所有用户的经度信息和维度信息，能够掌握各个用户在同一时间戳下的活动轨迹，方便对各个用户的活动地点进行统计；使用获取到的多个用户的活跃位置信息，构建活跃点矩阵，能够明确各个用户常去的地理位置；对活跃点矩阵进行聚类分析，确定各个用户的所属类别，通过对活跃点矩阵中的表征用户的活跃位置信息进行聚类分析，把不同的用户分类到不同的簇中，以准确定位用户的所属类别，使用户的所属类别更清晰，方便对各个用户进行定向管理和营销，提高对用户的服务质量。
图3示出本申请再一实施例中的用户分类方法的流程示意图。该用户分类方法可应用于用户分类装置。如图3所示，用户分类方法包括：
步骤S301，获取多个用户的活跃位置信息。
步骤S302，依据活跃位置信息构建活跃点矩阵。
步骤S303，对活跃点矩阵进行聚类分析，确定各个用户的所属类别。
需要说明的是，本实施例中的步骤S301～步骤S303，与上一实施例中的步骤S202～步骤S204相同，在此不再赘述。
步骤S304，依据各个用户的所属类别，对各个用户进行定向营销。
例如，当第一用户的所属类别是第一类别(例如，健身房类别，即用户经常去健身房)时，可将与健身相关的销售产品推送给第一用户，以方便第一用户能够及时获得合适的产品，提高对第一用户的服务质量。
在本实施例中，通过获取到的多个用户的活跃位置信息，构建活跃点矩阵，能够明确各个用户常去的地理位置；对活跃点矩阵进行聚类分析，确定各个用户的所属类别，通过对活跃点矩阵中的表征用户的活跃位置信息进行聚类分析，把不同的用户分类到不同的簇中，以准确定位用户的所属类别，使用户的所属类别更清晰；依据各个用户的所属类别，对各个用户进行定向营销，方便对各个用户进行定向管理和营销，提高对用户的服务质量。
图4示出本申请实施例中的用户分类装置的组成方框图。如图4所示，该用户分类装置包括：获取模块401，用于获取多个用户的活跃位置信息；构建模块402，用于依据活跃位置信息构建活跃点矩阵；分类模块403，用于对活跃点矩阵进行聚类分析，确定各个用户的所属类别。
在一些具体实现中，活跃点矩阵包括经度信息和维度信息；分类模块403，包括：活跃位置确定子模块，用于依据经度信息和维度信息，确定各个用户的活跃位置信息；空间相似度计算子模块，用于分别计算各个用户的活跃位置信息之间的空间相似度；类别确定子模块，用于依据空间相似度，确定各个用户的所属类别。
在本实施方式中，通过构建模块依据获取到的多个用户的活跃位置信息，构建活跃点矩阵，能够明确各个用户常去的地理位置；使用分类模块对活跃点矩阵进行聚类分析，确定各个用户的所属类别，通过对活跃点矩阵中的表征用户的活跃位置信息进行聚类分析，把不同的用户分类到不同的簇中，以准确定位用户的所属类别，使用户的所属类别更清晰，方便对用户的管理和营销，提高对用户的服务质量。
值得一提的是，本实施方式中所涉及到的各模块均为逻辑模块，在实际应用中，一个逻辑单元可以是一个物理单元，也可以是一个物理单元的一部分，还可以以多个物理单元的组合实现。此外，为了突出本申请的创新部分，本实施方式中并没有将与解决本申请所提出的技术问题关系不太密切的单元引入，但这并不表明本实施方式中不存在其它的单元。
图5示出本申请实施例中的用户分类系统的组成方框图。如图5所示，该用户分类系统包括：用户设备A 511、用户设备B 512、……、用户设备N 51n、用户分类装置520和基站530。其中，用户分类装置520包括数据预处理模块521和用户分群模块522。N和n均为大于或等于1的整数。
数据预处理模块521用于获取各个用户设备的位置数据，然后对各个用户设备的位置数据进行预处理。其中，用户的位置数据包括：用户的实时位置数据和历史位置数据。
用户分群模块522采用基于活跃点对各个用户设备进行分群的方法，以获得各个用户的所属群的类别。
图6示出本申请实施例中的用户分类系统的工作流程示意图。如图6所示，可采用如下步骤来实现对用户的分类。
步骤S601，用户分类装置520获取各个用户设备的实时位置信息和历史位置数据。
用户分类装置520实时与基站530进行信令交互，获取基站530反馈的各个用户设备(例如，用户设备A 511、用户设备B 512、……、用户设备N 51n等)的实时位置信息和各个用户设备在实时位置停留的时间，确定实时位置数据。同时，获取基站530发送的各个用户设备的历史位置数据。
例如，基站530以用户设备A 511预计要到达的地点为目标地点，以该目标地点为圆心，以预设长度(例如，200米)为半径的圆形区域为策略区(即用户设备A 511的位置数据的统计区域)，则将用户设备A 511进入到该策略区内开始统计，若该用户设备A 511在该策略区内停留预设时长(例如，5分钟)，则记录该用户设备A 511的实时位置数据。该实时位置数据会随着用户设备A 511的移动而实时更新。
其中，历史位置数据是基站530存储的、各个用户设备的历史停留的位置数据，例如，以日为单位，存储的各个用户设备的位置信息和各个用户设备在对应位置上停留的历史时间信息等。历史位置数据也可以是以数据库日志的形式，存储在基站530中的日志文件。
步骤S602，依据各个用户设备的实时位置信息和历史位置数据，构建各个用户设备的活动轨迹图。
其中，实时位置信息和历史位置数据是用户分类装置520从获取到的日志文件中，提取的各个用户设备在预设时长内的位置信息。例如，预设时长可以是1日、一个星期和1个月中的任意一种。预设时长可根据具体情况进行具体设定，其他未说明的预设时长也在本申请的保护范围之内，在此不再赘述。
例如，图7示出本申请实施例中的基于活跃点的用户历史轨迹图。如图7所示，以时间、经度和纬度为坐标，构建三维坐标系。根据各个用户设备在不同的位置上停留的时间，构建各个用户设备对应的位置向量P＝{p1、p2、……、pn}，n为大于或等于1的整数。每个位置向量包括三个维度的信息(即时间信息、经度信息和纬度信息)。
其中，A对应的曲线表示用户设备A 511的运动轨迹，B对应的曲线表示用户设备B512的运动轨迹。然后根据各个用户设备在不同位置上的停留时间和预设停留时间阈值(例如，1个小时)，在各个用户历史轨迹上标记活跃点H。例如，HA表示用户设备A 511的活跃点，HB表示用户设备B 512的活跃点。
在一个具体实现中，活跃点也可以是按照用户的到访频率和预设频率阈值(例如，每周到访3次)来确定。活跃点可以是用户经常工作的地方，也可以是用户的家庭所在地，还可以是用户经常去的地方(例如，学校、超市、健身房等地点)。
步骤S603，基于各个用户设备的用户历史轨迹图，建立各个用户设备的活动矩阵。
其中，活动矩阵包括一个用户设备在不同时段内到访的位置信息的变化。例如，用户设备A 511对应的用户A在一天内到访了k个地方，可建立3*k的矩阵Ak，其中，3表示矩阵Ak的列数，即用户到访地点的纬度、经度和时间，k表示矩阵Ak的行数，k为大于或等于1的整数。
例如，可采用如下公式(1)表示矩阵Ak。
其中，Lat1、Lat2、……、Latk分别表示用户设备A 511的第一到访地点的经度、用户设备A 511的第二到访地点的经度、……、用户设备A 511的第k到访地点的经度；Lon1、Lon2、……、Lonk分别表示用户设备A 511的第一到访地点的纬度、用户设备A 511的第二到访地点的纬度、……、用户设备A 511的第k到访地点的纬度；T1、T2、……、Tk分别表示用户设备A 511的第一到访地点的时间戳信息、用户设备A 511的第二到访地点的时间戳信息、……、用户设备A 511的第k到访地点的时间戳信息。
需要说明的是，每个用户设备都对应有一个活动矩阵，以表征每个用户设备的历史运动轨迹。
步骤S604，基于各个用户设备的历史轨迹图中的活跃点，建立规各个用户设备的活跃点矩阵。
例如，用户设备A 511在某月的历史轨迹图中包括M个活跃点，M为大于或等于1，且小于或等于k的整数。根据这M个活跃点，可建立一个2*M的活跃点矩阵HM，其中，2表示矩阵HM的列数，即用户设备A 511的活跃点的经度和纬度；M表示矩阵HM的行数，即M个活跃地点。如图7所示，A所在的阴影区域为用户设备A 511对应的策略区。
例如，可采用如下公式(2)表示活跃点矩阵HM。
其中，Lat1、Lat2、……、LatM分别表示用户设备A 511的第一活跃点的经度、用户设备A 511的第二活跃点的经度、……、用户设备A 511的第M活跃点的经度；Lon1、Lon2、……、LonM分别表示用户设备A 511的第一活跃点的纬度、用户设备A 511的第二活跃点的纬度、……、用户设备A 511的第M活跃点的纬度。
需要说明的是，公式(2)中的经纬度信息可与公式(1)中的经纬度信息部分重合，例如，用户设备A 511的经纬度信息为(Lat1，Lon1)和(Lat2，Lon2)等。
在一些具体实现中，用户分群模块520还可以基于时间戳对用户进行分群，以获得各个用户的所属群的类别。
图8示出本申请实施例中的基于时间戳的用户历史轨迹图。如图8所示，Ai(Lati，Loni，TK)表示TK时刻用户设备A 511在位置i处的坐标值，即(i位置上的经度，i位置上的纬度，TK时刻)；Bj(Latj，Lonj，TK)表示TK时刻用户设备B 512在位置j处的坐标值，即(j位置上的经度，j位置上的纬度，TK时刻)。图8与图7中的其他标识相同，在此不再赘述。
例如，设定某个预设时间戳信息TK，提取TK时刻的所有用户设备的活跃点的经度和纬度。设定在时间戳为TK时，所有用户包括Y个活跃点，则根据Y个的活跃点的经度和纬度构建时间戳矩阵TY，其中，Y为大于或等于1的整数。例如，可采用公式(3)表示TK时刻的时间戳矩阵TY。
其中，Lat1、Lat2、Lat3、Lat4、……、LatY分别表示TK时刻的用户设备A 511的第一活跃点的经度、TK时刻的用户设备A 511的第二活跃点的经度、TK时刻的用户设备B 512的活跃点的经度、TK时刻的用户设备513的活跃点的经度、……、TK时刻的用户设备Y 51Y的活跃点的经度；Lon1、Lon2、Lon3、Lon4、……、LonY分别表示TK时刻的用户设备A 511的第一活跃点的纬度、TK时刻的A 511的第二活跃点的纬度、TK时刻的用户设备B 512的活跃点的纬度、TK时刻的用户设备513的活跃点的纬度、……、TK时刻的用户设备Y 51Y的活跃点的纬度。
需要说明的是，需要说明的是，公式(3)中的经纬度信息可与公式(2)中的部分重合，例如，用户设备A 511的两个活跃点信息(Lat1，Lon1)和(Lat2，Lon2)等。
步骤S605，对各个用户设备的活跃点矩阵进行聚类分析，判断各个用户设备的相似性。
例如，首先，将公式(2)中的经度、纬度和时间信息进行标准化处理(例如，进行线性变换)，使经度、纬度和时间信息都处于区间[0,1]内，得到标准化矩阵。然后，将标准化矩阵中的n个用户的活跃点信息提取出来作为样本数据的集合，例如，样本数据集合中的第i个样本数据记为xi，i为大于或等于1且小于n的整数，n为大于或等于1的整数。
设定预设用户分组数量为8，最大迭代数量为T,预设收敛精度为ε，利用FCM算法，判断各个用户设备的活跃点的相似性。
其中，FCM算法是一种模糊聚类算法，主要用于数据的聚类分析。预设用户分组表示用户经常活动的8个区域，即各个用户设备对应的活跃点的所属区域。例如，超市、健身馆、电影院、商场、汽车修理店、便利店、社区活动场所和办公写字楼等区域。
具体地，随机选取初始随机数，对隶属度矩阵进行初始化，并使隶属度矩阵中的每个元素都满足如下条件，即公式(4)：
其中，Uij表示隶属度矩阵中的元素，i表示用户的分组、j表示每个用户在第i分组中的类别。j为大于或等于1且小于或等于n的整数；i为大于或等于1且小于或等于8的整数。
再采用如下公式(5)计算聚类中心ci：
其中，m表示预设的加权指数，m是大于或等于1的整数。
采用公式(6)计算dij，然后再采用公式(7)更新隶属度矩阵；重复使用公式(5)～公式(7)进行计算，直至满足收敛精度t小于或等于预设收敛精度ε为止。
dij＝‖ci-xj‖ (6)
其中，dij表示向量xj与聚类中心ci之间的绝对距离；收敛精度t根据公式(8)计算获得。
t＝Tor‖Ut-Ut-1‖ (8)
其中，Ut表示前一次的收敛精度，Ut-1表示后一次的收敛精度，Tor表示采用双参数松驰法计算收敛精度t的收敛性。
步骤S606，依据各个用户设备的相似性，确定各个用户的所属类别。
例如，当收敛精度t小于或等于预设收敛精度ε时，输出一个8行n列的矩阵U，其中，矩阵U的每一列表示某个用户设备的活跃点对应的分群结果的隶属程度。根据隶属程度，判断各个用户设备的相似性，进而根据各个用户设备的相似性，确定各个用户的所属类别。
例如，当某个用户设备对应的超市隶属程度大于预设超市隶属程度阈值(例如，80％)时，表示该用户设备对应的用户的所属类别是超市区域，即该用户设备对应的用户经常去超市。
步骤S607，根据各个用户的所属类别，对各个用户进行定向营销。
例如，发送超市区域对应的优惠通信套餐给所属类别是超市区域的用户，提高用户的服务质量。
在本实施例中，通过获取到的多个用户的活跃位置信息，构建活跃点矩阵，能够明确各个用户常去的地理位置；采用FCM算法，对活跃点矩阵进行聚类分析，确定各个用户的所属类别，通过对活跃点矩阵中的表征用户的活跃位置信息进行聚类分析，把不同的用户分类到不同的簇中，以准确定位用户的所属类别，使用户的所属类别更清晰，方便对用户的管理和营销，提高对用户的服务质量。
可以理解的是，以上实施方式仅仅是为了说明本申请的原理而采用的示例性实施方式，然而本申请并不局限于此。对于本领域内的普通技术人员而言，在不脱离本申请的精神和实质的情况下，可以做出各种变型和改进，这些变型和改进也视为本申请的保护范围。
Claims (10)
1.一种用户分类方法，其特征在于，所述方法包括：
获取多个用户的活跃位置信息；
依据所述活跃位置信息构建活跃点矩阵；
对所述活跃点矩阵进行聚类分析，确定各个所述用户的所属类别。
2.根据权利要求1所述的方法，其特征在于，所述活跃点矩阵包括经度信息和维度信息；
所述对所述活跃点矩阵进行聚类分析，确定各个所述用户的所属类别，包括：
依据所述经度信息和维度信息，确定各个所述用户的活跃位置信息；
分别计算各个所述用户的活跃位置信息之间的空间相似度；
依据所述空间相似度，确定各个所述用户的所属类别。
3.根据权利要求2所述的方法，其特征在于，所述活跃点矩阵还包括时间信息；
所述依据所述经度信息和维度信息，确定各个所述用户的活跃位置信息之前，还包括：
依据所述时间信息，提取在同一时间戳下的所有所述用户的所述经度信息和所述维度信息。
4.根据权利要求2或3所述的方法，其特征在于，所述分别计算各个所述用户的活跃位置信息之间的空间相似度，包括：
依据预设随机数，初始化隶属度矩阵，所述隶属度矩阵表征所述活跃位置信息对所述用户的所属类别的隶属程度信息；
依据预设收敛精度和各个所述用户对应的隶属度矩阵，分别对各个所述用户的隶属度矩阵进行迭代更新，确定所述空间相似度。
5.根据权利要求4所述的方法，其特征在于，所述依据预设收敛精度和各个所述用户对应的隶属度矩阵，分别对各个所述用户的隶属度矩阵进行迭代更新，确定所述空间相似度，包括：
依据所述隶属度矩阵，分别计算各个所述用户的所属类别对应的聚类中心；
依据所述聚类中心和所述预设收敛精度，对各个所述用户的隶属度矩阵进行迭代更新，确定所述空间相似度。
6.根据权利要求1所述的方法，其特征在于，所述获取多个用户的活跃位置信息，包括：
获取各个所述用户的历史位置信息和各个所述用户在所述历史位置上的历史停留时间信息；
获取各个所述用户的实时位置信息和各个所述用户在实时位置上的实时停留时间信息；
依据所述实时位置信息、所述历史位置信息、所述实时停留时间信息和所述历史停留时间信息，绘制用户活动轨迹图；
依据所述用户活动轨迹图，确定各个所述用户的活跃位置信息。
7.根据权利要求6所述的方法，其特征在于，所述依据所述用户活动轨迹图，确定各个所述用户的活跃位置信息，包括：
依据所述用户活动轨迹图，确定各个所述用户的高频活动点日志信息；
依据各个所述用户的高频活动点日志信息，确定各个所述用户的活跃位置信息。
8.根据权利要求1至3中任一项所述的方法，其特征在于，所述对所述活跃点矩阵进行聚类分析，确定各个所述用户的所属类别之后，还包括：
依据各个所述用户的所属类别，对各个所述用户进行定向营销。
9.一种用户分类装置，其特征在于，包括：
获取模块，用于获取多个用户的活跃位置信息；
构建模块，用于依据所述活跃位置信息构建活跃点矩阵；
分类模块，用于对所述活跃点矩阵进行聚类分析，确定各个所述用户的所属类别。
10.根据权利要求9所述的装置，其特征在于，所述活跃点矩阵包括经度信息和维度信息；
所述分类模块，包括：
活跃位置确定子模块，用于依据所述经度信息和维度信息，确定各个所述用户的活跃位置信息；
空间相似度计算子模块，用于分别计算各个所述用户的活跃位置信息之间的空间相似度；
类别确定子模块，用于依据所述空间相似度，确定各个所述用户的所属类别。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011403731.2A CN112560910B (zh) | 2020-12-02 | 2020-12-02 | 用户分类方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011403731.2A CN112560910B (zh) | 2020-12-02 | 2020-12-02 | 用户分类方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112560910A true CN112560910A (zh) | 2021-03-26 |
| CN112560910B CN112560910B (zh) | 2024-03-01 |
Family
ID=75048407
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011403731.2A Active CN112560910B (zh) | 2020-12-02 | 2020-12-02 | 用户分类方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112560910B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114418652A (zh) * | 2022-01-27 | 2022-04-29 | 中国农业银行股份有限公司 | 客户群体的确定方法和相关设备 |
| WO2023169100A1 (zh) * | 2022-03-07 | 2023-09-14 | 中兴通讯股份有限公司 | 用户分簇方法、装置及计算机存储介质 |
Citations (28)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102203729A (zh) * | 2008-11-03 | 2011-09-28 | 微软公司 | 基于位置历史确定用户相似性 |
| US8229470B1 (en) * | 2010-10-22 | 2012-07-24 | Narus, Inc. | Correlating user interests and location in a mobile network |
| US20150112963A1 (en) * | 2013-10-23 | 2015-04-23 | Tilofy, Inc. | Time and location based information search and discovery |
| CN105243128A (zh) * | 2015-09-29 | 2016-01-13 | 西华大学 | 一种基于签到数据的用户行为轨迹聚类方法 |
| CN105389332A (zh) * | 2015-10-13 | 2016-03-09 | 广西师范学院 | 一种地理社交网络下的用户相似性计算方法 |
| CN105718460A (zh) * | 2014-12-02 | 2016-06-29 | 北京四维图新科技股份有限公司 | 一种基于历史定位信息的数据挖掘方法及装置 |
| CN105718465A (zh) * | 2014-12-02 | 2016-06-29 | 阿里巴巴集团控股有限公司 | 地理围栏生成方法及装置 |
| WO2016169192A1 (zh) * | 2015-04-24 | 2016-10-27 | 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 |
| CN106101222A (zh) * | 2016-06-08 | 2016-11-09 | 腾讯科技（深圳）有限公司 | 信息的推送方法和装置 |
| CN106101224A (zh) * | 2016-06-12 | 2016-11-09 | 腾讯科技（深圳）有限公司 | 识别用户所在地理位置的类别的方法及装置 |
| US20170032384A1 (en) * | 2015-07-29 | 2017-02-02 | Geofeedia, Inc. | System and Method for Analyzing Social Media Users Based on User Content Posted from Monitored Locations |
| CN106488493A (zh) * | 2015-08-24 | 2017-03-08 | 阿里巴巴集团控股有限公司 | 识别用户的网络热点类型的方法和装置及电子设备 |
| CN106776849A (zh) * | 2016-11-28 | 2017-05-31 | 西安交通大学 | 一种以图快速检索景点的方法及导游系统 |
| CN107491474A (zh) * | 2017-06-26 | 2017-12-19 | 北京三快在线科技有限公司 | 信息推荐方法和装置 |
| CN107547633A (zh) * | 2017-07-27 | 2018-01-05 | 腾讯科技（深圳）有限公司 | 一种用户常驻点的处理方法、装置和存储介质 |
| WO2018120428A1 (zh) * | 2016-12-29 | 2018-07-05 | 平安科技（深圳）有限公司 | 个性化场景预测方法、装置、设备和存储介质 |
| WO2018120424A1 (zh) * | 2016-12-29 | 2018-07-05 | 平安科技（深圳）有限公司 | 基于位置服务的人群分类方法、装置、设备和存储介质 |
| CN108415960A (zh) * | 2018-02-06 | 2018-08-17 | 北京三快在线科技有限公司 | 一种地理位置服务的实现方法及装置，电子设备 |
| CN109769210A (zh) * | 2018-11-23 | 2019-05-17 | 亚信科技（中国）有限公司 | 用户活动区域相似度判断方法、装置、计算机设备 |
| CN109918573A (zh) * | 2019-03-28 | 2019-06-21 | 黑龙江大学 | 一种基于位置社交网络的个性化线路推荐系统和方法 |
| CN109982257A (zh) * | 2019-02-27 | 2019-07-05 | 中国联合网络通信集团有限公司 | 确定移动用户归属区域的方法、装置、系统 |
| CN110334293A (zh) * | 2019-07-12 | 2019-10-15 | 吉林大学 | 一种面向位置社交网络基于模糊聚类的具有时间感知位置推荐方法 |
| CN110337063A (zh) * | 2019-05-31 | 2019-10-15 | 口碑(上海)信息技术有限公司 | 目标用户终端识别方法、装置、存储介质及计算机设备 |
| CN110837862A (zh) * | 2019-11-06 | 2020-02-25 | 腾讯科技（深圳）有限公司 | 用户分类方法及装置 |
| CN110881191A (zh) * | 2019-11-20 | 2020-03-13 | 中国联合网络通信集团有限公司 | 小区经纬度的获取方法、装置、系统及存储介质 |
| CN111159583A (zh) * | 2019-12-31 | 2020-05-15 | 中国联合网络通信集团有限公司 | 用户行为分析方法、装置、设备及存储介质 |
| CN111277646A (zh) * | 2020-01-19 | 2020-06-12 | 徐州工业职业技术学院 | 群智感知中基于关联关系和地理位置预测的任务分发算法 |
| CN111931053A (zh) * | 2020-08-10 | 2020-11-13 | 中国工商银行股份有限公司 | 一种基于聚类和矩阵分解的事项推送方法和装置 |
-
2020
- 2020-12-02 CN CN202011403731.2A patent/CN112560910B/zh active Active
Patent Citations (30)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102203729A (zh) * | 2008-11-03 | 2011-09-28 | 微软公司 | 基于位置历史确定用户相似性 |
| US8229470B1 (en) * | 2010-10-22 | 2012-07-24 | Narus, Inc. | Correlating user interests and location in a mobile network |
| US20150112963A1 (en) * | 2013-10-23 | 2015-04-23 | Tilofy, Inc. | Time and location based information search and discovery |
| CN105718460A (zh) * | 2014-12-02 | 2016-06-29 | 北京四维图新科技股份有限公司 | 一种基于历史定位信息的数据挖掘方法及装置 |
| CN105718465A (zh) * | 2014-12-02 | 2016-06-29 | 阿里巴巴集团控股有限公司 | 地理围栏生成方法及装置 |
| WO2016169192A1 (zh) * | 2015-04-24 | 2016-10-27 | 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 |
| US20170032384A1 (en) * | 2015-07-29 | 2017-02-02 | Geofeedia, Inc. | System and Method for Analyzing Social Media Users Based on User Content Posted from Monitored Locations |
| CN106488493A (zh) * | 2015-08-24 | 2017-03-08 | 阿里巴巴集团控股有限公司 | 识别用户的网络热点类型的方法和装置及电子设备 |
| CN105243128A (zh) * | 2015-09-29 | 2016-01-13 | 西华大学 | 一种基于签到数据的用户行为轨迹聚类方法 |
| CN105389332A (zh) * | 2015-10-13 | 2016-03-09 | 广西师范学院 | 一种地理社交网络下的用户相似性计算方法 |
| CN106101222A (zh) * | 2016-06-08 | 2016-11-09 | 腾讯科技（深圳）有限公司 | 信息的推送方法和装置 |
| CN106101224A (zh) * | 2016-06-12 | 2016-11-09 | 腾讯科技（深圳）有限公司 | 识别用户所在地理位置的类别的方法及装置 |
| US20180270616A1 (en) * | 2016-06-12 | 2018-09-20 | Tencent Technology (Shenzhen) Company Limited | Method and apparatus for identifying types of user geographical locations |
| CN106776849A (zh) * | 2016-11-28 | 2017-05-31 | 西安交通大学 | 一种以图快速检索景点的方法及导游系统 |
| WO2018120428A1 (zh) * | 2016-12-29 | 2018-07-05 | 平安科技（深圳）有限公司 | 个性化场景预测方法、装置、设备和存储介质 |
| WO2018120424A1 (zh) * | 2016-12-29 | 2018-07-05 | 平安科技（深圳）有限公司 | 基于位置服务的人群分类方法、装置、设备和存储介质 |
| CN107491474A (zh) * | 2017-06-26 | 2017-12-19 | 北京三快在线科技有限公司 | 信息推荐方法和装置 |
| US20200104333A1 (en) * | 2017-06-26 | 2020-04-02 | Beijing Sankuai Online Technology Co., Ltd | Information recommending method and device |
| CN107547633A (zh) * | 2017-07-27 | 2018-01-05 | 腾讯科技（深圳）有限公司 | 一种用户常驻点的处理方法、装置和存储介质 |
| CN108415960A (zh) * | 2018-02-06 | 2018-08-17 | 北京三快在线科技有限公司 | 一种地理位置服务的实现方法及装置，电子设备 |
| CN109769210A (zh) * | 2018-11-23 | 2019-05-17 | 亚信科技（中国）有限公司 | 用户活动区域相似度判断方法、装置、计算机设备 |
| CN109982257A (zh) * | 2019-02-27 | 2019-07-05 | 中国联合网络通信集团有限公司 | 确定移动用户归属区域的方法、装置、系统 |
| CN109918573A (zh) * | 2019-03-28 | 2019-06-21 | 黑龙江大学 | 一种基于位置社交网络的个性化线路推荐系统和方法 |
| CN110337063A (zh) * | 2019-05-31 | 2019-10-15 | 口碑(上海)信息技术有限公司 | 目标用户终端识别方法、装置、存储介质及计算机设备 |
| CN110334293A (zh) * | 2019-07-12 | 2019-10-15 | 吉林大学 | 一种面向位置社交网络基于模糊聚类的具有时间感知位置推荐方法 |
| CN110837862A (zh) * | 2019-11-06 | 2020-02-25 | 腾讯科技（深圳）有限公司 | 用户分类方法及装置 |
| CN110881191A (zh) * | 2019-11-20 | 2020-03-13 | 中国联合网络通信集团有限公司 | 小区经纬度的获取方法、装置、系统及存储介质 |
| CN111159583A (zh) * | 2019-12-31 | 2020-05-15 | 中国联合网络通信集团有限公司 | 用户行为分析方法、装置、设备及存储介质 |
| CN111277646A (zh) * | 2020-01-19 | 2020-06-12 | 徐州工业职业技术学院 | 群智感知中基于关联关系和地理位置预测的任务分发算法 |
| CN111931053A (zh) * | 2020-08-10 | 2020-11-13 | 中国工商银行股份有限公司 | 一种基于聚类和矩阵分解的事项推送方法和装置 |
Non-Patent Citations (4)
| Title |
|---|
| 唐妮等: ""基于位置聚类和张量分解的Web服务推荐算法"", 《计算机工程与应用》, vol. 52, no. 15, pages 65 - 72 * |
| 牟少敏等: "《模式识别与机器学习技术》", vol. 1, 北京冶金工业出版社, pages: 54 - 55 * |
| 符饶: ""基于位置服务的潜在好友推荐方法"", 《软件》, vol. 36, no. 1, pages 62 - 66 * |
| 郑慧等: ""基于位置簇的移动生活服务个性化推荐技术"", 《计算机应用》, vol. 35, no. 4, pages 1149 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114418652A (zh) * | 2022-01-27 | 2022-04-29 | 中国农业银行股份有限公司 | 客户群体的确定方法和相关设备 |
| WO2023169100A1 (zh) * | 2022-03-07 | 2023-09-14 | 中兴通讯股份有限公司 | 用户分簇方法、装置及计算机存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112560910B (zh) | 2024-03-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11270324B2 (en) | Location-based analytic platform and methods | |
| CN106021363B (zh) | 课程推荐方法和装置 | |
| CN106709606B (zh) | 个性化场景预测方法及装置 | |
| CN105045858B (zh) | 基于投票的出租车载客点推荐方法 | |
| CN105532030B (zh) | 用于分析目标实体的移动的装置、系统和方法 | |
| Senaratne et al. | Urban mobility analysis with mobile network data: A visual analytics approach | |
| CN107657015B (zh) | 一种兴趣点推荐方法、装置、电子设备及存储介质 | |
| Do et al. | The places of our lives: Visiting patterns and automatic labeling from longitudinal smartphone data | |
| US10235683B2 (en) | Analyzing mobile-device location histories to characterize consumer behavior | |
| EP3032780B1 (en) | Method and apparatus for transmitting messages to users using trajectory-based clustering | |
| CN107679558A (zh) | 一种基于度量学习的用户轨迹相似性度量方法 | |
| CN109151890A (zh) | 一种移动终端定位方法及装置 | |
| CN106528693A (zh) | 面向个性化学习的教育资源推荐方法及系统 | |
| CN112560910B (zh) | 用户分类方法和装置 | |
| Xin et al. | A location-context awareness mobile services collaborative recommendation algorithm based on user behavior prediction | |
| CN117440182B (zh) | 一种基于视频内容分析和用户标签的智能推荐方法及系统 | |
| US8738564B2 (en) | Method for pollen-based geolocation | |
| CN112669537B (zh) | 基于Wi-Fi日志的校园共享单车投放信息处理方法及装置 | |
| CN110619090B (zh) | 一种区域吸引力评估方法及设备 | |
| CN106779181B (zh) | 一种基于线性回归因子非负矩阵分解模型的医疗机构推荐方法 | |
| CN112417956A (zh) | 信息推荐方法及装置、电子设备及计算机可读存储介质 | |
| CN115599774B (zh) | 基于局部时空树回归模型的时空非平稳性分析方法及系统 | |
| CN116680480A (zh) | 产品推荐方法、装置、电子设备及可读存储介质 | |
| CN105630858A (zh) | 热度指数的展示方法、装置、服务器和智能设备 | |
| Liebig et al. | Methods for analysis of spatio-temporal bluetooth tracking data |
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 |