CN112818216A - 客户推荐方法、装置、电子设备及存储介质 - Google Patents
客户推荐方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112818216A CN112818216A CN202110041470.2A CN202110041470A CN112818216A CN 112818216 A CN112818216 A CN 112818216A CN 202110041470 A CN202110041470 A CN 202110041470A CN 112818216 A CN112818216 A CN 112818216A
- Authority
- CN
- China
- Prior art keywords
- client
- recommended
- target user
- data
- feature set
- 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
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
- G06F16/90—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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供了客户推荐方法、装置、电子设备及存储介质,从埋点数据提取待推荐客户的待处理时空数据集合;利用KDE模型根据每个待推荐客户不同时间段的多个定位数据获取不同时间段的热点区域,构建第一时空特征集合;将不同时间段的热点区域与预设的矩形区域进行映射匹配,得到包括不同时间段的矩形区域的第二时空特征集合;基于目标用户和待推荐客户的第二时空特征集合对二者进行匹配,根据匹配结果为目标用户分配待推荐客户;通过上述方式,构建了待推荐客户的第二时空特征集合,拓展了数据的丰富性,并且,加入时间维度,将不同时间段的热点区域映射至矩形区域,提高了客户推荐的准确率的同时增加了数据处理的效率。
Description
【技术领域】
本发明涉及数据处理技术领域,尤其涉及一种客户推荐方法、装置、电子设备及存储介质。
【背景技术】
现有技术的基于互联网用户的关系图谱往往局限于将“用户”定义为实体,基于线上信息建立用户与用户之间的关系,而对于地理定位信息这一类线下数据,嵌入到关系图谱中存在一定的困难,有限的案例往往局限于某公司,某机构这样的POI实体,进行客户推荐时,在准确性和数据的丰富度上存在一定的局限。并且,不同的人可能是在不同的时间段(例如工作时间-非工作时间)活跃于同一个POI实体,如果认为这些人在同一时空区域内有交集而建立关系,就有可能产出误导性的结论,导致数据处理准确性低。
【发明内容】
本发明的目的在于提供一种客户推荐方法、装置、电子设备及存储介质,以解决现有技术中客户推荐时数据丰富性低及数据处理准确性低的技术问题。
本发明的技术方案如下:提供一种客户推荐方法,包括:
从埋点数据中提取待推荐客户的待处理时空数据集合,其中,所述待处理时空数据集合包括所述待推荐客户的多个定位数据,所述多个定位数据按照预设的时间段被划分为至少一类;
将每个所述待推荐客户的待处理时空数据集合输入KDE模型中,获取每个所述待推荐客户的第一时空特征集合,其中,所述待推荐客户的第一时空特征集合包括由所述KDE模型输出的每个所述待推荐客户的不同预设时间段的热点区域;
将所述待推荐客户的第一时空特征集合中不同预设时间段的热点区域与预设的矩形区域进行映射匹配,得到所述待推荐客户的第二时空特征集合,其中,所述待推荐客户的第二时空特征集合包括每个所述待推荐客户的不同预设时间段的矩形区域;
根据目标用户的第二时空特征集合和所述待推荐客户的第二时空特征集合对所述目标用户和所述待推荐客户进行匹配,根据匹配结果为所述目标用户推荐所述待推荐客户。
优选地,所述定位数据包括经纬度坐标和上报时间;所述将每个所述待推荐客户的待处理时空数据集合输入KDE模型中,获取每个所述待推荐客户的第一时空特征集合,包括:
当所述时间段的定位数据的数量小于第一预设阈值时,统计所述时间段的定位数据中每个经纬度坐标出现的次数,将出现次数最多的经纬度坐标作为热点区域;
当所述时间段的定位数据的数据量大于或等于第二预设阈值时,从所有定位数据中随机抽取第一数量个定位数据形成数据样本,将所述数据样本输入至KDE模型中;
所述KDE模型根据所述数据样本中的经纬度坐标进行非参数密度估计,生成对应的核密度估计曲线;
所述KDE模型输出所述核密度估计曲线的峰值对应的经纬度坐标,作为所述时间段的热点区域。
优选地,所述根据目标用户的第二时空特征集合和所述待推荐客户的第二时空特征集合对所述目标用户和所述待推荐客户进行匹配,根据匹配结果为所述目标用户推荐所述待推荐客户,包括:
针对每个时间段,判断目标用户在所述时间段的矩形区域与待推荐客户在所述时间段的矩形区域是否相同;
当判断结果为是时,记录所述目标用户和所述待推荐客户在所述时间段匹配;
当所述目标用户与所述待推荐客户匹配成功的时间段的数量大于或等于第三预设阈值时,确定所述目标用户与所述待推荐客户匹配;
将匹配成功的所述待推荐客户向所述目标用户进行推荐。
优选地,所述将所述待推荐客户的第一时空特征集合中不同预设时间段的热点区域与预设的矩形区域进行映射匹配,得到所述待推荐客户的第二时空特征集合,包括:
根据Geohash编码构建HBase空间数据存储模型;
基于所述Geohash编码构建的HBase空间数据存储模型,将待测地理范围按照预设方式划分为多个矩形区域;
基于所述HBase空间数据存储模型对每个所述热点区域进行Geohash编码;
将所述矩形区域的Geohash编码与所述热点区域的Geohash编码进行匹配,将匹配成功的矩形区域和热点区域建立映射关联,根据所述第一时空特征集合中不同时间段的热点区域获取不同时间段的矩形区域,构建第二时空特征集合。
优选地,所述根据目标用户的第二时空特征集合和所述待推荐客户的第二时空特征集合对所述目标用户和所述待推荐客户进行匹配,根据匹配结果为所述目标用户推荐所述待推荐客户,包括:
根据所述第二时空特征集合分别构建所述目标用户以及每个所述待推荐客户的特征矩阵,其中,所述特征矩阵的每个元素对应一个时间段的矩形区域的Geohash编码;
计算所述目标用户的特征矩阵与所述待推荐客户的特征矩阵的匹配值;
根据所述匹配值为所述目标用户推荐所述待推荐客户。
优选地,所述从埋点数据中提取待推荐客户的待处理时空数据集合之前,还包括:
根据潜在客户与保险产品在第一时间段内对应的历史交互信息,分别确定不同潜在客户对各保险产品产生交互行为的综合交互次数;
针对每个所述潜在客户,根据各所述保险产品的综合交互次数,筛选第二数量的保险产品;
根据筛选得到的所述保险产品对所述潜在客户进行聚类,得到每个所述保险产品对应的多个潜在客户;
根据所述保险产品确定目标用户,将所述保险产品的潜在客户作为待推荐客户。
优选地,所述根据保险产品在第一时间段内对应的历史交互信息,分别确定不同潜在客户对各保险产品产生交互行为的综合交互次数,包括:
根据潜在客户与保险产品在第一时间段内对应的历史交互信息,统计每个所述潜在客户对所述保险产品产生不同交互行为的交互次数,其中,所述交互行为包括浏览行为、分享行为、收藏行为和下单行为;
计算多个交互行为的交互次数的加权平均数,将所述加权平均数作为所述潜在客户对所述保险产品的综合交互次数。
本发明的另一技术方案如下:提供一种客户推荐装置,包括:
数据获取模块,用于从埋点数据中提取待推荐客户的待处理时空数据集合,其中,所述待处理时空数据集合包括所述待推荐客户的多个定位数据,所述多个定位数据按照预设的时间段被划分为至少一类;
核密度估计模块,用于将每个所述待推荐客户的待处理时空数据集合输入KDE模型中,获取每个所述待推荐客户的第一时空特征集合,其中,所述待推荐客户的第一时空特征集合包括由所述KDE模型输出的每个所述待推荐客户的不同预设时间段的热点区域;
特征构建模块,用于将所述待推荐客户的第一时空特征集合中不同预设时间段的热点区域与预设的矩形区域进行映射匹配,得到所述待推荐客户的第二时空特征集合,其中,所述待推荐客户的第二时空特征集合包括每个所述待推荐客户的不同预设时间段的矩形区域;以及
客户推荐模块,用于根据目标用户的第二时空特征集合和所述待推荐客户的第二时空特征集合对所述目标用户和所述待推荐客户进行匹配,根据匹配结果为所述目标用户推荐所述待推荐客户。
本发明的另一技术方案如下:提供一种电子设备,所述电子设备包括处理器、以及与所述处理器耦接的存储器,所述存储器存储有可被所述处理器执行的程序指令;所述处理器执行所述存储器存储的所述程序指令时实现上述的客户推荐方法。
本发明的另一技术方案如下:提供一种存储介质,所述存储介质内存储有程序指令,所述程序指令被处理器执行时实现上述的客户推荐方法。
本发明的有益效果在于:本发明的客户推荐方法、装置、电子设备及存储介质,从埋点数据提取待推荐客户的待处理时空数据集合;利用KDE模型根据每个待推荐客户不同时间段的多个定位数据获取不同时间段的热点区域,构建第一时空特征集合;将不同时间段的热点区域与预设的矩形区域进行映射匹配,得到包括不同时间段的矩形区域的第二时空特征集合;基于目标用户和待推荐客户的第二时空特征集合对二者进行匹配,根据匹配结果为目标用户分配待推荐客户;通过上述方式,构建了待推荐客户的第二时空特征集合,拓展了数据的丰富性,并且,加入时间维度,将不同时间段的热点区域映射至矩形区域,提高了客户推荐的准确率的同时增加了数据处理的效率。
【附图说明】
图1为本发明第一实施例的客户推荐方法的流程图;
图2为本发明第二实施例的客户推荐方法的流程图;
图3为本发明第三实施例的客户推荐装置的结构示意图;
图4为本发明第四实施例的电子设备的结构示意图;
图5为本发明第五实施例的存储介质的结构示意图。
【具体实施方式】
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本发明的一部分实施例,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。
本发明中的术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”、“第三”的特征可以明示或者隐含地包括至少一个该特征。本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。本发明实施例中所有方向性指示(诸如上、下、左、右、前、后……)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等,如果该特定姿态发生改变时,则该方向性指示也相应地随之改变。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
图1是本发明第一实施例的客户推荐方法的流程示意图。需注意的是,若有实质上相同的结果,本发明的方法并不以图1所示的流程顺序为限。如图1所示,该客户推荐方法包括步骤:
S101,从埋点数据中提取待推荐客户的待处理时空数据集合,其中,所述待处理时空数据集合包括所述待推荐客户的多个定位数据,所述多个定位数据按照预设的时间段被划分为至少一类。
其中,埋点数据为移动设备通过埋点SDK上报的定位信息,埋点数据包括移动设备标识、移动运营商名称、移动设备连接的WiFi SSID、移动设备所在经纬度、上报时间以及移动设备所用IP地址,其中,移动设备标识用于表征待推荐客户的身份,根据待推荐客户所持有的移动设备的经纬度和上报时间构建每个待推荐客户的待处理时空数据集合。
其中,预设的时间段可以根据需求进行设置,例如,预设的时间段可以包括工作日上午、工作日下午、工作日午休时间、工作日晚上、周末白天及周末晚上,也可以采用其他的划分方式。具体地,首先,根据埋点数据中的移动设备标识按照待推荐客户对埋点数据进行聚类处理,得到每个待推荐客户的埋点数据;然后,提取埋点数据中的定位数据,定位数据包括经纬度坐标和上报时间;然后,根据上报时间将每个定位数据划分至对应时间段,以构建每个待推荐客户的待处理时空数据集合。例如,待推荐客户A的移动设备A1的埋点数据中显示2020年12月7日上午9点20在经纬度X1登陆,2020年12月7日下午11点20在经纬度X2登陆,2020年12月8日上午10点30在经纬度X3登陆,于是,经纬度X1被划分到工作日工作时间,经纬度X2被划分到工作日晚上,经纬度X3被划分到工作日工作时间。
S102,将每个所述待推荐客户的待处理时空数据集合输入KDE模型中,获取每个所述待推荐客户的第一时空特征集合,其中,所述待推荐客户的第一时空特征集合包括由所述KDE模型输出的每个所述待推荐客户的不同预设时间段的热点区域。
其中,KDE模型采用核密度估计(KDE)算法,对每个待推荐客户的待处理时空数据集合进行处理,提取待推荐客户不同时间段的热点区域,在本步骤中,热点区域可以理解为一个热点位置,具体地,每个时间段对应了多个(n个)定位数据L={l1,l2,……,li},每个定位数据li都是一个二维的经纬度坐标(Xi,Yi),n为定位数据的数量。具体地,利用每个时间段对应的多个定位数据,基于高斯核密度函数构建如下二元核密度函数:
将每个时间段的多个定位数据代入上述二元核密度函数中进行密度估计,根据密度估计结果绘制对应的核密度估计曲线;将所绘制的核密度估计曲线的峰值对应的经纬度坐标作为所述时间段的热点区域。KDE模型利用经纬度坐标的出现频次,估计出原始数据的分布函数,通过将数据平滑化,削弱了由于经纬度坐标采集时受到各种干扰导致的小范围波动。
进一步地,估计密度fKDE对固定带宽h的大小敏感,h过大会得到过于平滑的估计,h过小会导致峰值附近曲线走势陡峭,因此,可以根据历史数据的密度估计结果,确定一个固定带宽的合理范围,再根据经验对固定带宽h进行确定;也可以为每个定位数据计算一个自适应带宽hi,例如,计算经纬度坐标li的k近邻距离作为自适应带宽hi,于是上述的二元核密度函数调整为:
S103,将所述待推荐客户的第一时空特征集合中不同预设时间段的热点区域与预设的矩形区域进行映射匹配,得到所述待推荐客户的第二时空特征集合,其中,所述待推荐客户的第二时空特征集合包括每个所述待推荐客户的不同预设时间段的矩形区域。
其中,在电子地图上,对一个待预测地理范围进行区域划分,得到多个矩形区域,记录每个矩形区域的范围,其中,待测地理范围例如为中国、深圳市、南山区或科技园南区等,矩形区域的面积大小与划分的精度有关,精度越高,矩形区域面积越小,每个矩形区域对应了待预测地理范围的一个子范围,而一个经纬度坐标对应电子地图上的一个矩形网格,于是,每个矩形区域包括多个矩形网格,即每个矩形区域包括了多个经纬度坐标,当热点区域对应的经纬度坐标位于矩形区域内时,该热点区域与该矩形区域匹配。
在步骤S103中,将每个时间段的热点区域映射至对应的矩形区域,得到每个待推荐客户的第二时空特征集合,第二时空特征集合用于表征待推荐客户在不同时间段内的可能的活动区域。
S104,根据目标用户的第二时空特征集合和所述待推荐客户的第二时空特征集合对所述目标用户和所述待推荐客户进行匹配,根据匹配结果为所述目标用户推荐所述待推荐客户。
其中,目标用户的第二时空特征集合是根据目标用户的第一时空特征集合中不同预设时间段的热点区域与预设的矩形区域进行映射匹配得到的,目标用户的第一时空特征集合是根据目标用户的待处理时空数据集合输入到KDE模型中获取的。
其中,对所述目标用户和所述待推荐客户进行匹配可以按照如下方式进行:针对每个时间段,判断目标用户在该时间段的矩形区域与待推荐客户在该时间段的矩形区域是否相同,当判断结果为是时,记录目标用户和待推荐客户在该时间段匹配;当目标用户与待推荐客户的匹配的时间段的数量大于或等于预设数量阈值时,确定目标用户与待推荐客户匹配。以上为一个可选的实施方式,还可以采用其他方式进行匹配。
具体地,当目标用户与待推荐客户在同一时间段内对应的矩形区域相同时,说明二者在该时间段的可能的活动区域是一致的,二者在该时间段内具有产生关联性的可能。目标用户与待推荐客户匹配的时间段越多,说明目标用户与待推荐客户的生活圈或工作圈相似性越大。于是,通过构建待推荐客户的第二时空特征集合,扩展了数据的丰度,同时,简化了热点区域之间的复杂的映射关系,提高了计算准确性和计算速度。
具体地,本实施例可以应用于保险代理人增员的场景中,目标用户可以为现有的保险代理人,例如,为A片区的保险代理人,待推荐客户为潜在的保险代理人增员对象,当待推荐客户与目标用户匹配时,说明二者产生关联的可能性较大,并且,二者的生活圈或工作圈相似性大,待推荐客户成为保险代理人增员对象的可能性大。
具体地,本实施例还可以应用于保险客户分配的场景中,目标用户为保险代理人,待推荐客户为经过预筛选的潜在保险销售对象,当目标用户与待推荐客户匹配时,将该待推荐客户(潜在保险销售对象)分配至目标用户(保险代理人)进行跟进拜访。
在一个可选的实施方式中,步骤S102通过如下步骤S1021至步骤S1024实现:
S1021,当所述时间段的定位数据的数量小于第一预设阈值时,统计所述时间段的定位数据中每个经纬度坐标出现的次数,将出现次数最多的经纬度坐标作为热点区域;
其中,当某一时间段的定位数据的数量小于第一预设阈值时,KDE模型的计算效果不佳,直接采用众数的方式确定热点区域。
S1022,当所述时间段的定位数据的数据量大于或等于第二预设阈值时,从所有定位数据中随机抽取第一数量个定位数据形成数据样本,将所述数据样本输入至KDE模型中;
其中,当某一时间段的定位数据的数量大于或等于第二预设阈值时,为了提高计算效率,采用随机抽样的方式,从所有定位数据中进行抽样,形成数据样本,将数据样本输入KDE模型中进行KDE拟合。第一数量大于或等于1000。
S1023,所述KDE模型根据所述数据样本中的经纬度坐标进行非参数密度估计,生成对应的核密度估计曲线;
其中,非参数密度估计具体参阅上述描述。
S1024,所述KDE模型输出所述核密度估计曲线的峰值对应的经纬度坐标,作为所述时间段的热点区域;
其中,本实施方式进行核密度估计时,并非直接选择核密度最大的经纬度坐标作为热点区域,而是将数据样本中的经纬度坐标代入二元核密度函数进行计算,绘制核密度估计曲线,根据核密度估计曲线选取热点区域,避免出现所确定的热点区域不属于地理上的可行位置(例如,为马路或湖中),提高热点区域计算的准确性和合理性。
在一个可选的实施方式中,为了提高计算效率,步骤S103中热点区域与预设的矩形区域进行映射匹配可以基于Geohash算法实现,具体地,步骤S103通过如下步骤S1031至S1034实现:
S1031,根据Geohash编码构建HBase空间数据存储模型;
其中,Geohash是一种地理编码,它可以将二维的经纬坐标编码成一维的字符串,作为全球唯一的标识。Geohash编码的主要思想为把地球沿经度和维度不同方向不断交替地进行二分、每次二分成为一次划分,把每5次划分作为一个层级。当层数为基数时,每次划分的结果与第一层相似、当层数为偶数时,每次划分的结果与第二层相似。一直循环到任一精度。
具体包括如下步骤:
首先对纬度进行编码:第一步,对目标纬度进行编码,由于地球纬度区间是(-90,90),因此可以将纬度范围(-90,90)平分成两个区间(-90,0)、(0,90),如果目标纬度位于前一个区间,则编码为0,否则编码为1;第二步,当第一步的编码为0时,将纬度范围(-90,0)平分成两个区间(-90,-45)、(-45,0),如果目标纬度位于前一个区间,则编码为0,否则编码为1;第三步,当第一步的编码为1时,将纬度范围(0,90)平均分成两个区间(0,45)、(45,90),如果目标纬度位于前一个区间,则编码为0,否则编码为1。按照第二步和第三步继续对纬度进行划分,直到精度符合要求为止,得到纬度编码,由于编码是由0和1构成,因此也可以将纬度编码表示为二进制编码。
然后,对经度进行编码:采用同纬度算法相同的方法对目标经度进行编码,由于地球经度区间是(-180,180),因此可以对(-180,180)依次细分,直到精度符合要求为止,得到经度编码。
然后,将经度和纬度的编码合并,奇数位是纬度,偶数位是经度;对合并的编码进行base32编码。具体地,Base32编码表的其中一种如下,是用0-9、b-z(去掉a,i,l,o)这32个字母进行编码,具体操作是先将上一步得到的合并后二进制转换为10进制数据,然后对应生成Base32码。
S1032,基于所述Geohash编码构建的HBase空间数据存储模型,将待测地理范围按照预设方式划分为多个矩形区域;
其中,由于步骤S301所构建的HBase空间数据存储模型采用的是base32编码方式,即Geohash中的每一个字母或者数字(如wx4g0ec2中的w、x及4)都是由5bits组成(2^5=32,base32),这5bits可以有32中不同的组合(0~31),这样可以将整个地图区域分为32个区域,通过00000~11111来标识这32个区域。同时,通过经纬度转化的二进制数据中的0、1串序列是经度0、1序列和纬度0、1序列中的数字交替进行排列的,偶数位对应的序列为经度序列,奇数位对应的序列为纬度序列,在进行第一次划分时,Geohash0、1序列中的前5个bits(11100),那么这5bits中有3bits是表示经度,2bits表示纬度,所以第一次划分时,是将经度划分成8个区段(2^3=8),将纬度划分为4个区段(2^2=4),这样就形成了32个区域。可以继续按照上述方式对第一次划分所得的32个区域各自再次划分,直到满足所需精度为止。
其中,每个矩形区域对应一个Geohash编码(一维编码,一个字符串),由于下一级单元网格由上一层单元网格递归划分而得,因此,同一区域不同层级的单元网格对应的编码也具有递归性,且编码长度越短,表示的区域范围越大。例如,wx4eqx,其前缀为wx4eq表示包含编码wx4eqx在内的更大范围。
S1033,基于所述HBase空间数据存储模型对每个所述热点区域进行Geohash编码;
具体地,根据预设Geohash层级及所述热点区域的经度坐标和维度坐标,求解所述热点区域对应的Geohash编码,其中,所述预设Geohash层级决定了所述热点区域对应的所述Geohash编码的矩形网格的范围大小。
S1034,将所述矩形区域的Geohash编码与所述热点区域的Geohash编码进行匹配,将匹配成功的矩形区域和热点区域建立映射关联,根据所述第一时空特征集合中不同时间段的热点区域获取不同时间段的矩形区域,构建第二时空特征集合;
其中,基于Geohash编码规则,热点区域的Geohash编码位数大于矩形区域的Geohash编码位数,当热点区域的矩形网格位于矩形区域内时,矩形区域的N位的Geohash编码与热点区域的Geohash编码前N位一一对应。
图2是本发明第二实施例的客户推荐方法的流程示意图。需注意的是,若有实质上相同的结果,本发明的方法并不以图2所示的流程顺序为限。如图2所示,该客户推荐方法包括步骤:
S201,根据潜在客户与保险产品在第一时间段内对应的历史交互信息,分别确定不同潜在客户对各保险产品产生交互行为的综合交互次数。
其中,当潜在客户对保险产品产生交互行为时,形成交互信息进行记录,根据潜在客户与保险产品在第一时间段内对应的历史交互信息,统计每个所述潜在客户对不同保险产品产生不同交互行为的交互次数,其中,交互行为包括浏览行为、分享行为、收藏行为和下单行为,为每个交互行为设置一个权重,例如,浏览行为权重w1、分享行为权重w2、收藏行为权重w3和下单行为权重w4,并统计每个交互行为的交互次数,例如,潜在客户A,在第一时间段内,对保险产品D浏览5次、分享3次、收藏3次、下单0次,再根据多个交互行为的加权平均数确定该潜在客户对该保险产品的综合交互次数,综合交互次数越大,说明潜在客户对该保险产品的兴趣越大,购买意向越大,根据上述例子,综合交互次数为5w1+3w2+3w3+0。
S202,针对每个所述潜在客户,根据各所述保险产品的综合交互次数,筛选第二数量的保险产品。
其中,可以针对每个潜在客户,按照保险产品的综合交互次数从大到小的排序,选择排序前第二数量的保险产品,例如,第一数量为1,选择综合交互次数最多的保险产品;又如,第二数量为2,选择综合交互次数最多的两个保险产品。
其中,筛选的保险产品为该潜在客户感兴趣的保险产品。
S203,根据筛选得到的所述保险产品对所述潜在客户进行聚类,得到每个所述保险产品对应的多个潜在客户。
其中,通过上述方式,可以得到保险产品的有购买潜力的潜在客户。
S204,根据所述保险产品确定目标用户,将所述保险产品的潜在客户作为待推荐客户。
其中,目标用户为该保险产品的保险代理人,筛选出待推荐客户之后,再为目标用户分配待推荐客户,将线上和线下的数据结合,提高推荐准确度。
S205,从埋点数据中提取待推荐客户的待处理时空数据集合,其中,所述待处理时空数据集合包括所述待推荐客户的多个定位数据,所述多个定位数据按照预设的时间段被划分为至少一类。
S206,将每个所述待推荐客户的待处理时空数据集合输入KDE模型中,获取每个所述待推荐客户的第一时空特征集合,其中,所述待推荐客户的第一时空特征集合包括由所述KDE模型输出的每个所述待推荐客户的不同预设时间段的热点区域。
S207,将所述待推荐客户的第一时空特征集合中不同预设时间段的热点区域与预设的矩形区域进行映射匹配,得到所述待推荐客户的第二时空特征集合,其中,所述待推荐客户的第二时空特征集合包括每个所述待推荐客户的不同预设时间段的矩形区域。
步骤S205至步骤S207分别参见第一实施例中步骤S101至步骤S103的内容,在此不进行一一赘述。并且,在步骤S207中,热点区域与预设的矩形区域进行映射匹配可以基于Geohash算法实现,具体参见步骤S1031至步骤S1034的描述。
S208,根据目标用户的第二时空特征集合和所述待推荐客户的第二时空特征集合对所述目标用户和所述待推荐客户进行匹配,根据匹配结果为所述目标用户推荐所述待推荐客户。
在步骤S208中,本实施例与第一实施例的不同之处在于,目标用户与待推荐客户的匹配方式不同,本实施例在基于Geohash算法实现的基础上,由如下步骤S2081至S2083实现:
S2081,根据所述第二时空特征集合分别构建所述目标用户以及每个所述待推荐客户的特征矩阵,其中,所述特征矩阵的一个元素对应一个时间段的矩形区域编码;
具体地,待推荐客户i的特征矩阵Fi=[Fi a,Fi b,Fi c,Fi d,Fi e,Fi f],其中,Fi a为a时间段的矩形区域编码,Fi b为b时间段的矩形区域编码,Fi c为c时间段的矩形区域编码,Fi d为d时间段的矩形区域编码,Fi e为e时间段的矩形区域编码,Fi f为f时间段的矩形区域编码,a至f时间段分别为工作日上午、工作日下午、工作日午休时间、工作日晚上、周末白天及周末晚上。
S2082,计算所述目标用户的特征矩阵与所述待推荐客户的特征矩阵的匹配值;
其中,由于特征矩阵中每个元素均为矩形区域编码,鉴于相邻地点的Geohash编码通常具有相同前缀的特征,Geohash常用于附件地点查询,两个位数相同的矩形区域编码的相似性越大,它们之间的距离越近,比较两个特征矩阵中所有对应元素的相似性,可以获取两个特征矩阵的相似性,于是在本实施方式中,可以通过计算两个特征矩阵之间的距离,将该距离作为匹配值,两个特征矩阵越相似,匹配值越大。具体地,将目标用户的特征矩阵与待推荐客户的特征矩阵的转置矩阵相乘,得到一个过程矩阵;计算所述过程矩阵中所有元素的平均值,将所述平均值作为匹配值。
S2083,根据所述匹配值为所述目标用户推荐所述待推荐客户;
其中,可以设置一个匹配阈值,将匹配值大于或等于该匹配阈值的待推荐客户推荐给目标用户。
在一个可选的实施方式中,还可以进一步包括如下步骤:
S209,将待推荐客户的第二时空特征集合上传至区块链中,以使得所述区块链对待推荐客户的第二时空特征集合进行加密存储。
具体地,基于待推荐客户的第二时空特征集合得到对应的摘要信息,具体来说,摘要信息待推荐客户的第二时空特征集合进行散列处理得到,比如利用sha256s算法处理得到。将摘要信息上传至区块链可保证其安全性和对用户的公正透明性。用户设备可以从区块链中下载得该摘要信息,以便查证待推荐客户的第二时空特征集合是否被篡改。本示例所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
图3是本发明第三实施例的客户推荐装置的结构示意图。如图3所示,该客户推荐装置30包括数据获取模块31、核密度估计模块32、特征构建模块33以及客户推荐模块34,其中,数据获取模块31,用于从埋点数据中提取待推荐客户的待处理时空数据集合,其中,所述待处理时空数据集合包括所述待推荐客户的多个定位数据,所述多个定位数据按照预设的时间段被划分为至少一类;核密度估计模块32,用于将每个所述待推荐客户的待处理时空数据集合输入KDE模型中,获取每个所述待推荐客户的第一时空特征集合,其中,所述待推荐客户的第一时空特征集合包括由所述KDE模型输出的每个所述待推荐客户的不同预设时间段的热点区域;特征构建模块33,用于将所述待推荐客户的第一时空特征集合中不同预设时间段的热点区域与预设的矩形区域进行映射匹配,得到所述待推荐客户的第二时空特征集合,其中,所述待推荐客户的第二时空特征集合包括每个所述待推荐客户的不同预设时间段的矩形区域;客户推荐模块34,用于根据目标用户的第二时空特征集合和所述待推荐客户的第二时空特征集合对所述目标用户和所述待推荐客户进行匹配,根据匹配结果为所述目标用户推荐所述待推荐客户。
进一步地,所述定位数据包括经纬度坐标和上报时间;核密度估计模块32还用于当所述时间段的定位数据的数量小于第一预设阈值时,统计所述时间段的定位数据中每个经纬度坐标出现的次数,将出现次数最多的经纬度坐标作为热点区域;当所述时间段的定位数据的数据量大于或等于第二预设阈值时,从所有定位数据中随机抽取第一数量个定位数据形成数据样本,将所述数据样本输入至KDE模型中;所述KDE模型根据所述数据样本中的经纬度坐标进行非参数密度估计,生成对应的核密度估计曲线;所述KDE模型输出所述核密度估计曲线的峰值对应的经纬度坐标,作为所述时间段的热点区域。
进一步地,客户推荐模块34还用于针对每个时间段,判断目标用户在所述时间段的矩形区域与待推荐客户在所述时间段的矩形区域是否相同;当判断结果为是时,记录所述目标用户和所述待推荐客户在所述时间段匹配;当所述目标用户与所述待推荐客户匹配成功的时间段的数量大于或等于第三预设阈值时,确定所述目标用户与所述待推荐客户匹配;将匹配成功的所述待推荐客户向所述目标用户进行推荐。
进一步地,特征构建模块33还用于根据Geohash编码构建HBase空间数据存储模型;基于所述Geohash编码构建的HBase空间数据存储模型,将待测地理范围按照预设方式划分为多个矩形区域;基于所述HBase空间数据存储模型对每个所述热点区域进行Geohash编码;将所述矩形区域的Geohash编码与所述热点区域的Geohash编码进行匹配,将匹配成功的矩形区域和热点区域建立映射关联,根据所述第一时空特征集合中不同时间段的热点区域获取不同时间段的矩形区域,构建第二时空特征集合。更进一步地,客户推荐模块34还用于根据所述第二时空特征集合分别构建所述目标用户以及每个所述待推荐客户的特征矩阵,其中,所述特征矩阵的每个元素对应一个时间段的矩形区域的Geohash编码;计算所述目标用户的特征矩阵与所述待推荐客户的特征矩阵的匹配值;根据所述匹配值为所述目标用户推荐所述待推荐客户。
进一步地,该客户推荐装置30还包括线上数据模块,用于根据潜在客户与保险产品在第一时间段内对应的历史交互信息,分别确定不同潜在客户对各保险产品产生交互行为的综合交互次数;针对每个所述潜在客户,根据各所述保险产品的综合交互次数,筛选第二数量的保险产品;根据筛选得到的所述保险产品对所述潜在客户进行聚类,得到每个所述保险产品对应的多个潜在客户;根据所述保险产品确定目标用户,将所述保险产品的潜在客户作为待推荐客户。
更进一步地,线上数据模块还用于根据潜在客户与保险产品在第一时间段内对应的历史交互信息,统计每个所述潜在客户对所述保险产品产生不同交互行为的交互次数,其中,所述交互行为包括浏览行为、分享行为、收藏行为和下单行为;计算多个交互行为的交互次数的加权平均数,将所述加权平均数作为所述潜在客户对所述保险产品的综合交互次数。
图4是本发明第四实施例的电子设备的结构示意图。如图4所示,该电子设备40包括处理器41及和处理器41耦接的存储器42。
存储器42存储有用于实现上述任一实施例的所述客户推荐方法的程序指令。
处理器41用于执行存储器42存储的程序指令以进行客户推荐。
其中,处理器41还可以称为CPU(Central Processing Unit,中央处理单元)。处理器41可能是一种集成电路芯片,具有信号的处理能力。处理器41还可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
参阅图5,图5为本发明第五实施例的存储介质的结构示意图。本发明实施例的存储介质存储有能够实现上述所有方法的程序指令51,所述存储介质可以是非易失性,也可以是易失性。其中,该程序指令51可以以软件产品的形式存储在上述存储介质中,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)或处理器(processor)执行本发明各个实施方式所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,RandomAccess Memory)、磁碟或者光盘等各种可以存储程序代码的介质,或者是计算机、服务器、手机、平板等终端设备。
在本发明所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。以上仅为本发明的实施方式,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围。
以上所述的仅是本发明的实施方式,在此应当指出,对于本领域的普通技术人员来说,在不脱离本发明创造构思的前提下,还可以做出改进,但这些均属于本发明的保护范围。
Claims (10)
1.一种客户推荐方法,其特征在于,包括:
从埋点数据中提取待推荐客户的待处理时空数据集合,其中,所述待处理时空数据集合包括所述待推荐客户的多个定位数据,所述多个定位数据按照预设的时间段被划分为至少一类;
将每个所述待推荐客户的待处理时空数据集合输入KDE模型中,获取每个所述待推荐客户的第一时空特征集合,其中,所述待推荐客户的第一时空特征集合包括由所述KDE模型输出的每个所述待推荐客户的不同预设时间段的热点区域;
将所述待推荐客户的第一时空特征集合中不同预设时间段的热点区域与预设的矩形区域进行映射匹配,得到所述待推荐客户的第二时空特征集合,其中,所述待推荐客户的第二时空特征集合包括每个所述待推荐客户的不同预设时间段的矩形区域;
根据目标用户的第二时空特征集合和所述待推荐客户的第二时空特征集合对所述目标用户和所述待推荐客户进行匹配,根据匹配结果为所述目标用户推荐所述待推荐客户。
2.根据权利要求1所述的客户推荐方法,其特征在于,所述定位数据包括经纬度坐标和上报时间;所述将每个所述待推荐客户的待处理时空数据集合输入KDE模型中,获取每个所述待推荐客户的第一时空特征集合,包括:
当所述时间段的定位数据的数量小于第一预设阈值时,统计所述时间段的定位数据中每个经纬度坐标出现的次数,将出现次数最多的经纬度坐标作为热点区域;
当所述时间段的定位数据的数据量大于或等于第二预设阈值时,从所有定位数据中随机抽取第一数量个定位数据形成数据样本,将所述数据样本输入至KDE模型中;
所述KDE模型根据所述数据样本中的经纬度坐标进行非参数密度估计,生成对应的核密度估计曲线;
所述KDE模型输出所述核密度估计曲线的峰值对应的经纬度坐标,作为所述时间段的热点区域。
3.根据权利要求1所述的客户推荐方法,其特征在于,所述根据目标用户的第二时空特征集合和所述待推荐客户的第二时空特征集合对所述目标用户和所述待推荐客户进行匹配,根据匹配结果为所述目标用户推荐所述待推荐客户,包括:
针对每个时间段,判断目标用户在所述时间段的矩形区域与待推荐客户在所述时间段的矩形区域是否相同;
当判断结果为是时,记录所述目标用户和所述待推荐客户在所述时间段匹配;
当所述目标用户与所述待推荐客户匹配成功的时间段的数量大于或等于第三预设阈值时,确定所述目标用户与所述待推荐客户匹配;
将匹配成功的所述待推荐客户向所述目标用户进行推荐。
4.根据权利要求1所述的客户推荐方法,其特征在于,所述将所述待推荐客户的第一时空特征集合中不同预设时间段的热点区域与预设的矩形区域进行映射匹配,得到所述待推荐客户的第二时空特征集合,包括:
根据Geohash编码构建HBase空间数据存储模型;
基于所述Geohash编码构建的HBase空间数据存储模型,将待测地理范围按照预设方式划分为多个矩形区域;
基于所述HBase空间数据存储模型对每个所述热点区域进行Geohash编码;
将所述矩形区域的Geohash编码与所述热点区域的Geohash编码进行匹配,将匹配成功的矩形区域和热点区域建立映射关联,根据所述第一时空特征集合中不同时间段的热点区域获取不同时间段的矩形区域,构建第二时空特征集合。
5.根据权利要求4所述的客户推荐方法,其特征在于,所述根据目标用户的第二时空特征集合和所述待推荐客户的第二时空特征集合对所述目标用户和所述待推荐客户进行匹配,根据匹配结果为所述目标用户推荐所述待推荐客户,包括:
根据所述第二时空特征集合分别构建所述目标用户以及每个所述待推荐客户的特征矩阵,其中,所述特征矩阵的每个元素对应一个时间段的矩形区域的Geohash编码;
计算所述目标用户的特征矩阵与所述待推荐客户的特征矩阵的匹配值;
根据所述匹配值为所述目标用户推荐所述待推荐客户。
6.根据权利要求1所述的客户推荐方法,其特征在于,所述从埋点数据中提取待推荐客户的待处理时空数据集合之前,还包括:
根据潜在客户与保险产品在第一时间段内对应的历史交互信息,分别确定不同潜在客户对各保险产品产生交互行为的综合交互次数;
针对每个所述潜在客户,根据各所述保险产品的综合交互次数,筛选第二数量的保险产品;
根据筛选得到的所述保险产品对所述潜在客户进行聚类,得到每个所述保险产品对应的多个潜在客户;
根据所述保险产品确定目标用户,将所述保险产品的潜在客户作为待推荐客户。
7.根据权利要求6所述的客户推荐方法,其特征在于,所述根据保险产品在第一时间段内对应的历史交互信息,分别确定不同潜在客户对各保险产品产生交互行为的综合交互次数,包括:
根据潜在客户与保险产品在第一时间段内对应的历史交互信息,统计每个所述潜在客户对所述保险产品产生不同交互行为的交互次数,其中,所述交互行为包括浏览行为、分享行为、收藏行为和下单行为;
计算多个交互行为的交互次数的加权平均数,将所述加权平均数作为所述潜在客户对所述保险产品的综合交互次数。
8.一种客户推荐装置,其特征在于,包括:
数据获取模块,用于从埋点数据中提取待推荐客户的待处理时空数据集合,其中,所述待处理时空数据集合包括所述待推荐客户的多个定位数据,所述多个定位数据按照预设的时间段被划分为至少一类;
核密度估计模块,用于将每个所述待推荐客户的待处理时空数据集合输入KDE模型中,获取每个所述待推荐客户的第一时空特征集合,其中,所述待推荐客户的第一时空特征集合包括由所述KDE模型输出的每个所述待推荐客户的不同预设时间段的热点区域;
特征构建模块,用于将所述待推荐客户的第一时空特征集合中不同预设时间段的热点区域与预设的矩形区域进行映射匹配,得到所述待推荐客户的第二时空特征集合,其中,所述待推荐客户的第二时空特征集合包括每个所述待推荐客户的不同预设时间段的矩形区域;以及
客户推荐模块,用于根据目标用户的第二时空特征集合和所述待推荐客户的第二时空特征集合对所述目标用户和所述待推荐客户进行匹配,根据匹配结果为所述目标用户推荐所述待推荐客户。
9.一种电子设备,其特征在于,所述电子设备包括处理器、以及与所述处理器耦接的存储器,所述存储器存储有可被所述处理器执行的程序指令;所述处理器执行所述存储器存储的所述程序指令时实现权利要求1~7任一项所述的客户推荐方法。
10.一种存储介质,其特征在于,所述存储介质内存储有程序指令,所述程序指令被处理器执行时实现权利要求1~7任一项所述的客户推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110041470.2A CN112818216B (zh) | 2021-01-13 | 2021-01-13 | 客户推荐方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110041470.2A CN112818216B (zh) | 2021-01-13 | 2021-01-13 | 客户推荐方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112818216A true CN112818216A (zh) | 2021-05-18 |
CN112818216B CN112818216B (zh) | 2021-09-28 |
Family
ID=75868964
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110041470.2A Active CN112818216B (zh) | 2021-01-13 | 2021-01-13 | 客户推荐方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112818216B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113449210A (zh) * | 2021-07-01 | 2021-09-28 | 深圳市数字尾巴科技有限公司 | 基于时空特征的个性化推荐方法、装置、电子设备及存储介质 |
CN116342267A (zh) * | 2022-12-29 | 2023-06-27 | 中央国债登记结算有限责任公司深圳分公司 | 承销商行为相似度分析方法及装置、存储介质及电子设备 |
CN116821228A (zh) * | 2023-06-01 | 2023-09-29 | 成都亚保科技有限公司 | 基于数据分析的保险产品可视化配置方法 |
CN117421460A (zh) * | 2023-12-18 | 2024-01-19 | 国家卫星海洋应用中心 | 一种时空数据的匹配方法、装置及设备 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104166663A (zh) * | 2014-01-20 | 2014-11-26 | 广东工业大学 | 一种基于多维度的打车位置推荐系统及其推荐方法 |
CN105045858A (zh) * | 2015-07-10 | 2015-11-11 | 湖南科技大学 | 基于投票的出租车载客点推荐方法 |
CN106056413A (zh) * | 2016-06-06 | 2016-10-26 | 四川大学 | 基于时空偏好的兴趣点推荐方法 |
CN107608992A (zh) * | 2016-07-12 | 2018-01-19 | 上海视畅信息科技有限公司 | 一种基于时间轴的个性化推荐方法 |
CN108230020A (zh) * | 2017-12-28 | 2018-06-29 | 西北大学 | 一种基于多维时间粒度时空频繁区域挖掘的方法 |
US20190340271A1 (en) * | 2018-05-02 | 2019-11-07 | Flexera Software Llc | Standardized graph-based framework for determining a license position of an enterprise computer system |
CN110781415A (zh) * | 2019-09-16 | 2020-02-11 | 腾讯科技(深圳)有限公司 | 一种兴趣点推荐方法、装置、设备及介质 |
CN111126713A (zh) * | 2019-12-31 | 2020-05-08 | 方正国际软件(北京)有限公司 | 基于卡口数据的时空热点预测方法、装置及控制器 |
CN111444422A (zh) * | 2020-03-25 | 2020-07-24 | 沈树新 | 物流信息推荐方法、装置、物流配送系统及服务器 |
CN111737574A (zh) * | 2020-06-19 | 2020-10-02 | 口口相传(北京)网络技术有限公司 | 搜索信息获取方法、装置、计算机设备及可读存储介质 |
CN111898032A (zh) * | 2020-08-13 | 2020-11-06 | 腾讯科技(深圳)有限公司 | 基于人工智能的信息推荐方法、装置、电子设备及存储介质 |
CN112199609A (zh) * | 2020-11-17 | 2021-01-08 | 东北大学 | 自注意力下时空语义间隔感知的poi推荐系统及方法 |
-
2021
- 2021-01-13 CN CN202110041470.2A patent/CN112818216B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104166663A (zh) * | 2014-01-20 | 2014-11-26 | 广东工业大学 | 一种基于多维度的打车位置推荐系统及其推荐方法 |
CN105045858A (zh) * | 2015-07-10 | 2015-11-11 | 湖南科技大学 | 基于投票的出租车载客点推荐方法 |
CN106056413A (zh) * | 2016-06-06 | 2016-10-26 | 四川大学 | 基于时空偏好的兴趣点推荐方法 |
CN107608992A (zh) * | 2016-07-12 | 2018-01-19 | 上海视畅信息科技有限公司 | 一种基于时间轴的个性化推荐方法 |
CN108230020A (zh) * | 2017-12-28 | 2018-06-29 | 西北大学 | 一种基于多维时间粒度时空频繁区域挖掘的方法 |
US20190340271A1 (en) * | 2018-05-02 | 2019-11-07 | Flexera Software Llc | Standardized graph-based framework for determining a license position of an enterprise computer system |
CN110781415A (zh) * | 2019-09-16 | 2020-02-11 | 腾讯科技(深圳)有限公司 | 一种兴趣点推荐方法、装置、设备及介质 |
CN111126713A (zh) * | 2019-12-31 | 2020-05-08 | 方正国际软件(北京)有限公司 | 基于卡口数据的时空热点预测方法、装置及控制器 |
CN111444422A (zh) * | 2020-03-25 | 2020-07-24 | 沈树新 | 物流信息推荐方法、装置、物流配送系统及服务器 |
CN111737574A (zh) * | 2020-06-19 | 2020-10-02 | 口口相传(北京)网络技术有限公司 | 搜索信息获取方法、装置、计算机设备及可读存储介质 |
CN111898032A (zh) * | 2020-08-13 | 2020-11-06 | 腾讯科技(深圳)有限公司 | 基于人工智能的信息推荐方法、装置、电子设备及存储介质 |
CN112199609A (zh) * | 2020-11-17 | 2021-01-08 | 东北大学 | 自注意力下时空语义间隔感知的poi推荐系统及方法 |
Non-Patent Citations (2)
Title |
---|
REN YUE-QIANG ET AL.: ""A Multi-Element Hybrid Location Recommendation Algorithm for Location Based Social Networks"", 《IEEE ACCESS》 * |
孟祥武 等: ""基于用户轨迹数据的移动推荐系统研究"", 《软件学报》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113449210A (zh) * | 2021-07-01 | 2021-09-28 | 深圳市数字尾巴科技有限公司 | 基于时空特征的个性化推荐方法、装置、电子设备及存储介质 |
CN113449210B (zh) * | 2021-07-01 | 2023-01-31 | 深圳市数字尾巴科技有限公司 | 基于时空特征的个性化推荐方法、装置、电子设备及存储介质 |
CN116342267A (zh) * | 2022-12-29 | 2023-06-27 | 中央国债登记结算有限责任公司深圳分公司 | 承销商行为相似度分析方法及装置、存储介质及电子设备 |
CN116821228A (zh) * | 2023-06-01 | 2023-09-29 | 成都亚保科技有限公司 | 基于数据分析的保险产品可视化配置方法 |
CN117421460A (zh) * | 2023-12-18 | 2024-01-19 | 国家卫星海洋应用中心 | 一种时空数据的匹配方法、装置及设备 |
CN117421460B (zh) * | 2023-12-18 | 2024-03-19 | 国家卫星海洋应用中心 | 一种时空数据的匹配方法、装置及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN112818216B (zh) | 2021-09-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112818216B (zh) | 客户推荐方法、装置、电子设备及存储介质 | |
US10089653B2 (en) | System and method for estimating mobile device locations | |
To et al. | A framework for protecting worker location privacy in spatial crowdsourcing | |
WO2018120424A1 (zh) | 基于位置服务的人群分类方法、装置、设备和存储介质 | |
Jiang et al. | Spatial distribution of city tweets and their densities | |
Xu et al. | How friends share urban space: An exploratory spatiotemporal analysis using mobile phone data | |
Ye et al. | A novel location privacy-preserving scheme based on l-queries for continuous LBS | |
CN111476469B (zh) | 一种拓客方法、终端设备及存储介质 | |
CN111242165B (zh) | 商户聚类方法、装置、计算机设备和存储介质 | |
Lin et al. | Using geographically weighted regression to solve the areal interpolation problem | |
CN111639092B (zh) | 一种人员流动分析方法、装置、电子设备及存储介质 | |
CN111093191B (zh) | 基于差分隐私的群智感知位置数据发布方法 | |
CN109977324B (zh) | 一种兴趣点挖掘方法及系统 | |
CN115660711A (zh) | 用户id生成方法、装置、电子设备及可读存储介质 | |
Murray | Evolving location analytics for service coverage modeling | |
JP6471246B2 (ja) | サーバログから識別子をリンクするためのブリッジ一致識別子の生成 | |
CN105404974A (zh) | 一种数据资产化方法、装置及管理平台 | |
Xiang | An efficient location privacy preserving model based on Geohash | |
CN113269379B (zh) | 资源对象属性的确定方法、装置、存储介质和计算机设备 | |
CN110930101B (zh) | 确定订单的配送时间的方法、装置、电子设备和可读介质 | |
Wang et al. | P-STM: Privacy-protected social tie mining of individual trajectories | |
CN104580379B (zh) | 一种发送展示信息的方法和装置 | |
CN110851758A (zh) | 一种网页访客数量统计方法及装置 | |
Domingues et al. | On the Analysis of Users' Behavior Based on Mobile Phone Apps | |
CN112069532B (zh) | 一种基于差分隐私的轨迹隐私保护方法与装置 |
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 |