CN113011787B - 基于数据聚类的虚拟对象分配方法及相关设备 - Google Patents
基于数据聚类的虚拟对象分配方法及相关设备 Download PDFInfo
- Publication number
- CN113011787B CN113011787B CN202110434883.7A CN202110434883A CN113011787B CN 113011787 B CN113011787 B CN 113011787B CN 202110434883 A CN202110434883 A CN 202110434883A CN 113011787 B CN113011787 B CN 113011787B
- Authority
- CN
- China
- Prior art keywords
- track
- virtual object
- active
- points
- virtual
- 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
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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- 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
- G06Q30/0207—Discounts or incentives, e.g. coupons or rebates
-
- 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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
-
- 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)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Bioinformatics & Computational Biology (AREA)
- Educational Administration (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请实施例属于大数据处理的数据分配领域,应用于智慧城市领域中,涉及一种基于数据聚类的虚拟对象分配方法,包括通过轨迹采集算法获取多个活动对象的轨迹信息,得到定位点序列;对轨迹停留点进行聚类得到至少一个对象活动区,生成活动对象与对应的对象活动区的共现矩阵;接收目标对象的虚拟对象分配请求;判断目标对象是否属于活动对象,若属于获取所述活动对象的虚拟对象评分矩阵;根据共现矩阵和虚拟对象评分矩阵,计算得到与目标对象的相似度最大的活动对象作为相似对象,将最大对象评分对应的虚拟对象分配给所述目标对象。本申请还提供一种基于数据聚类的虚拟对象分配装置、计算机设备及存储介质。采用本方法提升了虚拟对象分配准确率。
Description
技术领域
本申请涉及大数据处理的数据分配领域,特别是涉及一种基于数据聚类的虚拟对象分配方法、装置、计算机设备和存储介质。
背景技术
在进行虚拟对象分配时,例如,为用户分配适合用户的产品(优惠券、产品代金券、产品兑换券等等)。传统技术中一般会根据用户特征进行推荐,通常地,协同过滤是一种在线上大量使用的虚拟对象分配方式。其中,协同过滤一般分为Item-Based和User-Based两种,就某产品而言,Item-Based即“喜欢产品A的用户可能还喜欢产品B”,User-Based即“喜欢产品A的朋友可能也喜欢产品A”。
现有技术中,一般通过根据用户对产品的评分矩阵来计算用户之间的相似度,但是这种方式存在的用户和产品/物品的交互矩阵非常稀疏,如果用户的物品交互信息比较少或者甚至没有物品交互信息,就很难计算出相应的用户相似度的技术问题,就会存在无法对产品进行准确的分配。
发明内容
基于此,针对上述技术问题,本申请提供一种基于数据聚类的虚拟对象分配方法、装置、计算机设备及存储介质,以解决现有技术中无法对产品进行准确分配的技术问题。
一种基于数据聚类的虚拟对象分配方法,所述方法包括:
通过轨迹采集算法获取多个活动对象的轨迹信息,得到定位点序列,其中,所述轨迹信息包括多个轨迹停留点;
通过DBSCAN聚类算法对所述轨迹停留点进行聚类,得到至少一个对象活动区,并生成所述活动对象与对应的对象活动区的共现矩阵;
接收目标对象的虚拟对象分配请求;并
判断所述目标对象是否属于所述活动对象;
若属于,获取所述活动对象的虚拟对象评分矩阵,其中,所述虚拟对象评分矩阵为根据活动对象与虚拟对象之间的交互数据生成的向量矩阵;
根据所述共现矩阵和所述虚拟对象评分矩阵,计算得到与所述目标对象的相似度最大的活动对象作为相似对象,其中,所述相似对象还包括所述相似对象对各虚拟对象的对象评分;
将最大对象评分对应的虚拟对象分配给所述目标对象,作为虚拟对象分配结果。
一种基于数据聚类的虚拟对象分配装置,所述装置包括:
轨迹获取模块,用于通过轨迹采集算法获取多个活动对象的轨迹信息,得到定位点序列,其中,所述轨迹信息包括多个轨迹停留点;
轨迹聚类模块,用于通过DBSCAN聚类算法对所述轨迹停留点进行聚类,得到至少一个对象活动区,并生成所述活动对象与对应的对象活动区的共现矩阵;
请求接收模块,用于接收目标对象的虚拟对象分配请求;并
对象判断模块,用于判断所述目标对象是否属于所述活动对象;
矩阵获取模块,用于若属于,获取所述活动对象的虚拟对象评分矩阵,其中,所述虚拟对象评分矩阵为根据活动对象与虚拟对象之间的交互数据生成的向量矩阵;
相似度计算模块,用于根据所述共现矩阵和所述虚拟对象评分矩阵,计算得到与所述目标对象的相似度最大的活动对象作为相似对象,其中,所述相似对象还包括所述相似对象对各虚拟对象的对象评分;
对象分配模块,用于将最大对象评分对应的虚拟对象分配给所述目标对象,作为虚拟对象分配结果。
一种计算机设备,包括存储器和处理器,以及存储在所述存储器中并可在所述处理器上运行的计算机可读指令,所述处理器执行所述计算机可读指令时实现上述基于数据聚类的虚拟对象分配方法的步骤。
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读指令,所述计算机可读指令被处理器执行时实现上述基于数据聚类的虚拟对象分配方法的步骤。
上述基于数据聚类的虚拟对象分配方法、装置、计算机设备和存储介质,通过轨迹采集算法获取多个活动对象的轨迹信息,其中,该轨迹信息中可以包括活动对象的轨迹停留点,然后通过DBSCAN算法对每一活动对象的轨迹停留点进行聚类,得到其对应的对象活动区与活动对象进行向量转化得到用于表示活动对象与其对象活动区的共现矩阵,然后结合活动对象和虚拟对象的评分矩阵虎算得到与目标对象相似度最大的活动对象作为相似对象,并将该相似对象最大对象评分对应的虚拟对象分配给该目标对象,作为虚拟对象分配结果,解决了现有技术中无法对产品进行准确分配的技术问题。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例的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发明的一些实施例,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为基于数据聚类的虚拟对象分配方法的应用环境示意图;
图2为基于数据聚类的虚拟对象分配方法的流程示意图;
图3为基于数据聚类的虚拟对象分配装置的示意图;
图4为一个实施例中计算机设备的示意图。
具体实施方式
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同;本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本申请;本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形,意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。
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申请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。
为了使本申请的目的、技术方案及优点更加清楚明白,下面结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。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。
本发明实施例提供的基于数据聚类的虚拟对象分配方法,可以应用于如图1所示的应用环境中。其中,该应用环境可以包括终端102、网络以及服务端104,网络用于在终端102和服务端104之间提供通信链路介质,网络可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端102通过网络与服务端104交互,以接收或发送消息等。终端102上可以安装有各种通讯客户端应用,例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端102可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture Experts Group AudioLayer III,动态影像专家压缩标准音频层面3)、MP4(Moving Picture Experts GroupAudio Layer IV,动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
服务端104可以是提供各种服务的服务器,例如对终端102上显示的页面提供支持的后台服务器。
需要说明的是,本申请实施例所提供的基于数据聚类的虚拟对象分配方法一般由服务端/终端执行,相应地,基于数据聚类的虚拟对象分配装置一般设置于服务端/终端设备中。
本申请可用于众多通用或专用的计算机系统环境或配置中。例如:个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本申请可应用于智慧城市领域中,特别是智慧企业、智慧银行等领域中,从而推动智慧城市的建设。
应该理解,图1中的终端、网络和服务端的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
其中,终端102通过网络与服务端104进行通信。服务端104通过活动对象所在终端102采集其轨迹信息,并对其进行聚类处理,得到活动对象与其对应的对象活动区的共现矩阵,然后接收目标对象通过其对应的终端102发送的虚拟对象分配请求后,获取活动对象的评分矩阵,结合共现矩阵得到与目标对象相似度最大的相似对象,并将该相似对象评分最高的虚拟产品发送给目标对象的终端102作为虚拟对象分配结果。其中,终端102和服务端104之间通过网络进行连接,该网络可以是有线网络或者无线网络,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备,服务端104可以用独立的服务器或者是多个组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种基于数据聚类的虚拟对象分配方法,以该方法应用于图1中的服务端为例进行说明,包括以下步骤:
步骤202,通过轨迹采集算法获取多个活动对象的轨迹信息,得到定位点序列,其中,轨迹信息包括多个轨迹停留点。
在一些实施例,本申请的技术方案提出的活动对象可以是需要采购某商品的顾客,某产品的用户,该商品或者产品可以是以虚拟对象的形式推送给用户,例如,代金券、优惠券、礼品券、物品券等等可以以虚拟形式发放、分配给活动对象的虚拟对象;活动对象可以是该顾客对应的移动终端,如手机。
其中,通过轨迹采集算法获取活动对象的轨迹信息包括:
每隔第一预设时间获取一次活动对象的当前定位点,得到定位点序列;根据轨迹判定算法确定定位点序列中的轨迹停留点,并将除轨迹停留点的定位点从定位点序列中删除,得到只包括轨迹停留点的定位点序列。
具体地,该第一预设时间可以是Δt,例如Δt=1s时,App每一秒采集一次活动对象的当前定位,每分钟会生成60个数据点;数据点格式为三元组(t,x,y),其中,t为采集的时间点,x,y分别是采集时间点活动对象的位置经度、纬度。活动对象轨迹为包含若干个数据点的列表,即定位点序列。如:[(t1,x1,y1),(t2,x2,y2)…(tn,xn,yn)]
然后,可以选择离线,也可以选择在线对采集到的轨迹信息进行处理,一般需要:抽取活动对象的轨迹停留点,然后将多个轨迹停留点进行聚类处理,生成活动对象的对象活动区。
进一步地,抽取活动对象的轨迹停留点可以通过轨迹判定算法实现:
首先,按时间顺序扫描活动对象的轨迹信息(数据点),并将扫描到的轨迹信息(定位点)进行缓存,当缓存的定位点pi~pj满足公式(1)的时候,可以提取一个轨迹停留点:
其中,ci,t表示时间i到t之间所有定位点的中心,pt为目标对象,Td为第一预设距离,表示活动对象在某定位点停留的距离阈值,Tt第一时间阈值,表示活动对象在某定位点停留的时间阈值;具体地,距离阈值Td用于限制连续的定位点处于一个较小的范围,比如一个商场,一个车站,一个医院,一栋写字楼等等;时间阈值Tt用于限制停留的时间不要太短,比如Tt设为20分钟,则连续20分钟定位点都在一个范围内,说明对应活动用户在此位置停留。
只有同时满足“在一定的范围内”和“时间足够长”两个条件,才算停留。比如在高速路上开车,虽然时间足够长,但因为坐标也一直在快速的变化,所以不满足“在一定范围内”这个条件,因此不能算停留。再比如,路过一家医院,虽然在路过的这个短暂的时间内满足“在一定的范围”内这个条件,但却不满足“时间足够长”这个条件,因此也不算停留。如果活动对象为用户,那么用户去了一个电影院,并且在那里看了一场电影,就同时满足“范围一定”和“时间够长”这两个条件,那就说明该用户在电影院这个地方停留了。用户停留的地方和用户的兴趣具有更大的相关性,而且相比于原始的坐标点,停留点的数量很少,因此可以作为推荐的辅助特征,并且也不会有太大的性能开销。
进一步地,ci,t的计算方式如公式(2)所示:
其中,distance(a,b)表示点a和点b之间的距离,其计算方式如公式(3)所示:
在一些实施例中,本申请通过轨迹采集算法进行轨迹停留点的获取活动对象的轨迹停留点可以在采集到的定位点的基础上最大程度地获取到用户停留点信息,提高用户轨迹停留点提取的准确性。
进一步地,由于定位漂移的问题,现实中公式(1)的条件存在难以满足的技术问题,在一些实施例中,还可以对该轨迹判定算法进行改进,以提高轨迹停留点获取的准确度,来提高在虚拟对象分配中轨迹信息采集不准确的问题,即:
当通过轨迹判定算法无法从连续多个定位点中确定至少一个轨迹停留点,则判断连续多个定位点的定位点数量;若定位点数量小于第一预设值,将连续多个定位点从定位点序列中删除,得到只包括轨迹停留点的定位点序列。
具体地,在i到j的定位点序列内,对于不满足公式(1)的连续定位点m到n,若n-m<Tleave,则对这些定位点进行忽略,并从轨迹的定位点序列中剔除,认为i到j的定位点序列依然符合公式(1),其中Tleave表示定位漂移阈值,漂移阈值Tleave表示坐标点“飘”出指定范围的时间,比如我一直坐在电影院看电影,显然这两个小时我是停留在这家电影院的,但是因为手机GPS定位或者网络定位的误差,偶尔可能出现定位漂移的现象,这些漂移的坐标点显然是噪声点。或者我在看电影的过程中跑出去上了个厕所,也可能会造成一部分定位点超出电影院的范围,这也是一种噪声点。因此我们规定,只要异常定位点的持续时间不超过Tleave,则认为剔除这些异常点不影响结果。在上面的例子中,如果不剔除异常点,就无法满足严格停留条件,但如果按照放宽条件剔除异常点,就可以满足停留条件,就可以提取出用户在这段时间、这个位置的一个停留点。
进一步地,对满足公式(1)或符合放宽条件的序列i~j,定义轨迹停留点Sk为三元组Sk=(user,i,j,loc)=(user,i,j,ci,j),其中user为该条轨迹的活动对象的对象标识,i,j分别为此轨迹停留点的开始时间和结束时间,ci,j为i到j的轨迹剔除异常的定位点之后按照公式(2)计算得出。
最后,对所有活动对象按照上述方式提取轨迹停留点,每个用户可能提取到0个或者多个轨迹停留点,还可以避免在特殊情况下,例如活动对象乘坐高铁等交通工具经过多个定位点,但是并非停留点而造成的误提的问题。
步骤204,通过DBSCAN聚类算法对轨迹停留点进行聚类,得到至少一个对象活动区,并生成活动对象与对应的对象活动区的共现矩阵。
为了得到用户的兴趣区,需要对得到的用户的多个轨迹停留点进行聚类处理。一般,可以使用K-means聚类、最大最小距离聚类算法。
一个活动对象在一段时间,一个范围停留,可以提取出这个活动对象对应的一个停留点。只有多个用户都在一个地方停留了,这个地方才能算作对象活动区,即,用户的兴趣区。所以需要对所有用户的停留点进行聚类。这样做的原因是,如果大家停留的地方都不一样,没有什么共同点,那这些停留点就无法用于衡量用户之间的相似度,也就无法用于基于用户的协同过滤。
具体地,聚类方式可以通过公式(3)计算两两轨迹停留点Si,Sj之间的距离
最终得到多个兴趣区,即,对象活动区,其中,n个聚类结果定义为n个兴趣区Z1,Z2,…Zn。
优选地,在本申请的一个实施例中,可以使用DBSCAN(Density-Based SpatialClustering of Applications with Noise)聚类算法进行聚类处理,其中,DBSCAN聚类算法是一种很典型的密度聚类算法,和K-Means,BIRCH这些一般只适用于凸样本集的聚类相比,DBSCAN既可以适用于凸样本集,也可以适用于非凸样本集,DBSCAN聚类算法的显著优点是聚类速度快且能够有效处理噪声点和发现任意形状的空间聚类。
具体地,从定位点序列中随机选择一个轨迹停留点作为原始轨迹向量;计算原始轨迹向量与其他轨迹停留点之间的曼哈顿距离;并将与原始轨迹向量在多维空间中曼哈顿距离小于第二预设距离、且数量超过预设数量的轨迹停留点作为原始轨迹向量的扩散轨迹向量;将原始轨迹向量作为核心轨迹停留点,将核心轨迹停留点的扩散轨迹向量作为一个轨迹停留簇;并从轨迹停留簇外的轨迹停留点中任选一个轨迹停留点作为新的原始轨迹向量,并重复计算曼哈顿距离、得到对象活动区的操作,得到至少一个对象活动区。
聚类之后,某些聚类簇中的停留点太少,应当将这样的聚类簇剔除。
当然,将停留点聚类提取兴趣区进而用于基于用户相似度的协同过滤,只是用户位置轨迹挖掘结果的一种应用场景。例如,也可以将其作为基于内容的推荐中,比如用户在学校停留,就给用户推一些教育相关的产品,用户在医院停留,就给用户推荐一些健康、医疗相关的产品等等。
得到兴趣区后,生成活动对象与对应的兴趣区的共现矩阵M,行向量表示某个活动对象经过的兴趣区,列向量表示经过这个兴趣区的活动对象。即公式(4):
若Mi,j为1,表示用户i出现在兴趣区j中,反之表示目标对象i未出现在兴趣区j中,suser表示目标用户。
步骤206,接收目标对象的虚拟对象分配请求。
目标对象是指需要购买或者被推荐一些信息的用户或者终端,目标对象可以主动或者被动发送获取虚拟对象分配请求,然后服务端会根据目标对象的请求进行响应。
步骤208,判断目标对象是否属于活动对象。
在响应时,服务端会先判断该目标对象是否属于活动对象,当目标对象发送过来虚拟对象分配请求,或者服务端根据业务需求要为指定的目标对象分配虚拟对象,则从共现矩阵中根据该活动对象的向量匹配是否存在该活动对象。
若不属于,则根据目标对象的当前轨迹停留点,并基于共现矩阵和当前轨迹停留点确定目标对象的对象活动区;并将目标对象以及目标对象的对象活动区拼接到共现矩阵中,得到拼接后的共现矩阵。
此步骤,可以在线完成也可以离线完成,较优地,本发明采用离线方式进行用户轨迹数据处理,并更新共现矩阵。这样做的原因一是出于性能考虑,二是当用户首次发来请求时,系统往往还未手机到该用户的足够的轨迹数据,而离线处理的间隔一般可以积累足够的数据。
步骤210,若属于,获取活动对象的虚拟对象评分矩阵,其中,虚拟对象评分矩阵为根据活动对象与虚拟对象之间的交互数据生成的向量矩阵。
其中,评分矩阵是根据活动对象对某虚拟对象或者某实物产品的历史评分生成的评分矩阵。
步骤212,根据共现矩阵和虚拟对象评分矩阵,计算得到与目标对象的相似度最大的活动对象作为相似对象,其中,相似对象还包括相似对象对各虚拟对象的对象评分。
然后,计算得到和目标对象u最相似的k个活动对象,然后获取该k个活动对象评分最高的至少一个虚拟对象,并将该虚拟对象作为该目标对象的虚拟对象分配结果,分配给该目标对象。
进一步地,可以根据公式(5)计算相似的活动对象:
其中,S为活动对象-虚拟对象的评分矩阵,M为共现矩阵,i指活动对象i,j指活动对象j,WN和WS为超参数,表示这两种矩阵算出来相似度的权重。
步骤214,将最大对象评分对应的虚拟对象分配给目标对象,作为虚拟对象分配结果。
最后,得到Su中评分最高的n个虚拟对象分配给目标对象u,其中,该虚拟对象可以是产品信息、优惠券、会员卡、会员评分等等。例如,可以是保险产品信息。
进一步地,为了提高评分矩阵的准确率,还可以在得到相似对象后:使用多个相似对象更新活动对象对虚拟对象的评分矩阵:
具体地,可以采用公式:
其中,u为目标对象、Sk,i指活动对象k对虚拟产品,的评分,simu,i评分矩阵中目标对象u对虚拟对象,的评分,simu,i指u对,的评分
需要强调的是,为进一步保证上述活动对象和目标对象的信息的私密和安全性,上述轨迹信息还可以存储于一区块链的节点中。
上述基于数据聚类的虚拟对象分配方法中,通过轨迹采集算法获取多个活动对象的轨迹信息,其中,该轨迹信息中可以包括活动对象的轨迹停留点,然后通过DBSCAN算法对每一活动对象的轨迹停留点进行聚类,得到其对应的对象活动区与活动对象进行向量转化得到用于表示活动对象与其对象活动区的共现矩阵,然后结合活动对象和虚拟对象的评分矩阵虎算得到与目标对象相似度最大的活动对象作为相似对象,并将该相似对象最大对象评分对应的虚拟对象分配给该目标对象,作为虚拟对象分配结果,解决了现有技术中无法对产品进行准确分配的技术问题。
应该理解的是,虽然图2的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图3所示,提供了一种基于数据聚类的虚拟对象分配装置,该基于数据聚类的虚拟对象分配装置与上述实施例中基于数据聚类的虚拟对象分配方法一一对应。
该基于数据聚类的虚拟对象分配装置包括:
轨迹获取模块302,用于通过轨迹采集算法获取多个活动对象的轨迹信息,得到定位点序列,其中,轨迹信息包括多个轨迹停留点;
轨迹聚类模块304,用于通过DBSCAN聚类算法对轨迹停留点进行聚类,得到至少一个对象活动区,并生成活动对象与对应的对象活动区的共现矩阵;
请求接收模块306,用于接收目标对象的虚拟对象分配请求;并
对象判断模块308,用于判断目标对象是否属于活动对象;
矩阵获取模块310,用于若属于,获取活动对象的虚拟对象评分矩阵,其中,虚拟对象评分矩阵为根据活动对象与虚拟对象之间的交互数据生成的向量矩阵;
相似度计算模块312,用于根据共现矩阵和虚拟对象评分矩阵,计算得到与目标对象的相似度最大的活动对象作为相似对象,其中,相似对象还包括相似对象对各虚拟对象的对象评分;
对象分配模块314,用于将最大对象评分对应的虚拟对象分配给目标对象,作为虚拟对象分配结果。
进一步地,轨迹获取模块302,包括:
采集子模块,用于每隔第一预设时间获取一次活动对象的当前定位点,得到定位点序列;
第一判定子模块,用于根据轨迹判定算法确定定位点序列中的轨迹停留点,并将除轨迹停留点的定位点从定位点序列中删除,得到只包括轨迹停留点的定位点序列。
进一步地,轨迹获取模块302,还包括:
第二判定子模块,用于当通过轨迹判定算法无法从连续多个定位点中确定至少一个轨迹停留点,则判断连续多个定位点的定位点数量;
删除子模块,用于若定位点数量小于第一预设值,将连续多个定位点从定位点序列中删除,得到只包括轨迹停留点的定位点序列。
进一步地.轨迹聚类模块304,包括:
选择子模块,用于从定位点序列中随机选择一个轨迹停留点作为原始轨迹向量;
计算子模块,永顺计算原始轨迹向量与其他轨迹停留点之间的曼哈顿距离;并
筛选子模块,用于将与原始轨迹向量在多维空间中曼哈顿距离小于第二预设距离、且数量超过预设数量的轨迹停留点作为原始轨迹向量的扩散轨迹向量;
核心确定子模块,用于将原始轨迹向量作为核心轨迹停留点,将核心轨迹停留点的扩散轨迹向量作为一个轨迹停留簇;并
向量更新子模块,用于从轨迹停留簇外的轨迹停留点中任选一个轨迹停留点作为新的原始轨迹向量,并重复计算曼哈顿距离、得到对象活动区的操作,得到至少一个对象活动区。
需要强调的是,为进一步保证上述活动对象和目标对象的信息的私密和安全性,上述轨迹信息还可以存储于一区块链的节点中。
上述基于数据聚类的虚拟对象分配装置,通过轨迹采集算法获取多个活动对象的轨迹信息,其中,该轨迹信息中可以包括活动对象的轨迹停留点,然后通过DBSCAN算法对每一活动对象的轨迹停留点进行聚类,得到其对应的对象活动区与活动对象进行向量转化得到用于表示活动对象与其对象活动区的共现矩阵,然后结合活动对象和虚拟对象的评分矩阵虎算得到与目标对象相似度最大的活动对象作为相似对象,并将该相似对象最大对象评分对应的虚拟对象分配给该目标对象,作为虚拟对象分配结果,解决了现有技术中无法对产品进行准确分配的技术问题。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图4所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机可读指令和数据库。该内存储器为非易失性存储介质中的操作系统和计算机可读指令的运行提供环境。该计算机设备的数据库用于存储轨迹信息。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机可读指令被处理器执行时以实现一种基于数据聚类的虚拟对象分配方法。本实施例通过轨迹采集算法获取多个活动对象的轨迹信息,其中,该轨迹信息中可以包括活动对象的轨迹停留点,然后通过DBSCAN算法对每一活动对象的轨迹停留点进行聚类,得到其对应的对象活动区与活动对象进行向量转化得到用于表示活动对象与其对象活动区的共现矩阵,然后结合活动对象和虚拟对象的评分矩阵虎算得到与目标对象相似度最大的活动对象作为相似对象,并将该相似对象最大对象评分对应的虚拟对象分配给该目标对象,作为虚拟对象分配结果,解决了现有技术中无法对产品进行准确分配的技术问题。
其中,本技术领域技术人员可以理解,这里的计算机设备是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程门阵列(Field-Programmable Gate Array,FPGA)、数字处理器(Digital Signal Processor,DSP)、嵌入式设备等。
本领域技术人员可以理解,图4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,提供了一种计算机可读存储介质,其上存储有计算机可读指令,计算机可读指令被处理器执行时实现上述实施例中基于数据聚类的虚拟对象分配方法的步骤,例如图2所示的步骤202至步骤214,或者,处理器执行计算机可读指令时实现上述实施例中基于数据聚类的虚拟对象分配装置的各模块/单元的功能,例如图3所示模块302至模块314的功能。
本实施例通过轨迹采集算法获取多个活动对象的轨迹信息,其中,该轨迹信息中可以包括活动对象的轨迹停留点,然后通过DBSCAN算法对每一活动对象的轨迹停留点进行聚类,得到其对应的对象活动区与活动对象进行向量转化得到用于表示活动对象与其对象活动区的共现矩阵,然后结合活动对象和虚拟对象的评分矩阵虎算得到与目标对象相似度最大的活动对象作为相似对象,并将该相似对象最大对象评分对应的虚拟对象分配给该目标对象,作为虚拟对象分配结果,解决了现有技术中无法对产品进行准确分配的技术问题。
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,是可以通过计算机可读指令来指令相关的硬件来完成,所述的计算机可读指令可存储于一非易失性计算机可读取存储介质中,该计算机可读指令在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
本申请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。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形、改进或者对部分技术特征进行等同替换,而这些修改或者替换,并不使相同技术方案的本质脱离本发明个实施例技术方案地精神和范畴,都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (8)
1.一种基于数据聚类的虚拟对象分配方法,其特征在于,所述方法包括:
通过轨迹采集算法获取多个活动对象的轨迹信息,得到定位点序列,其中,所述轨迹信息包括多个轨迹停留点;
通过DBSCAN聚类算法对所述轨迹停留点进行聚类,得到至少一个对象活动区,并生成所述活动对象与对应的对象活动区的共现矩阵;
接收目标对象的虚拟对象分配请求;并
判断所述目标对象是否属于所述活动对象;
若属于,获取所述活动对象的虚拟对象评分矩阵,其中,所述虚拟对象评分矩阵为根据活动对象对虚拟对象的历史评分生成的评分矩阵;
根据所述共现矩阵和所述虚拟对象评分矩阵,计算得到与所述目标对象的相似度最大的活动对象作为相似对象,并根据所述相似对象的虚拟对象评分矩阵确定所述相似对象对各虚拟对象的对象评分;
将最大对象评分对应的虚拟对象分配给所述目标对象,作为虚拟对象分配结果;
所述通过轨迹采集算法获取多个活动对象的轨迹信息,得到定位点序列,包括:
每隔第一预设时间获取一次所述活动对象的当前定位点,得到定位点序列;
依次计算各所述定位点是否符合公式
;
并将符合的定位点作为所述轨迹停留点,并将不符合的定位点从所述定位点序列中删除,得到包括轨迹停留点的定位点序列,其中,表示时间i到t之间所有定位点的中心,为目标对象,/>为/>与/>之间的距离,/>为第一预设距离,/>第一时间阈值;
所述相似度的计算公式为:;
其中,b、c表示活动对象,表示活动对象b,c之间的相似度,/>分别表示活动对象b、c的虚拟对象评分矩阵,/>分别表示活动对象b、c的共现矩阵,/>和/>为超参数。
2.根据权利要求1所述的方法,其特征在于,在所述将最大对象评分对应的虚拟对象分配给所述目标对象,作为虚拟对象分配结果之后,还包括:
通过至少一个所述相似对象更新活动对象对虚拟对象的评分矩阵。
3.根据权利要求2所述的方法,其特征在于,所述通过至少一个所述相似对象更新活动对象对虚拟对象的评分矩阵,包括:
通过公式;
更新所述评分矩阵,其中,为目标对象、/>指活动对象k对虚拟对象/>的评分,/>表示更新前评分矩阵中目标对象/>对虚拟对象/>的评分,/>表示更新后评分矩阵中目标对象/>对虚拟对象/>的评分,/>表示目标对象u与活动对象k之间的相似度。
4.根据权利要求1所述的方法,其特征在于,所述方法还包括:
当无法从连续多个定位点中确定至少一个轨迹停留点,则判断连续多个所述定位点的定位点数量;
若所述定位点数量小于第一预设值,将连续多个所述定位点从所述定位点序列中删除,得到只包括轨迹停留点的定位点序列。
5.根据权利要求1所述的方法,其特征在于,所述通过DBSCAN聚类算法对所述轨迹停留点进行聚类,得到至少一个对象活动区,包括:
从所述定位点序列中随机选择一个轨迹停留点作为原始轨迹向量;
计算所述原始轨迹向量与其他轨迹停留点之间的曼哈顿距离;并
将与所述原始轨迹向量在多维空间中曼哈顿距离小于第二预设距离、且数量超过预设数量的轨迹停留点作为所述原始轨迹向量的扩散轨迹向量;
将所述原始轨迹向量作为核心轨迹停留点,将所述核心轨迹停留点的扩散轨迹向量作为一个轨迹停留簇;并
从所述轨迹停留簇外的轨迹停留点中任选一个轨迹停留点作为新的原始轨迹向量,并重复计算曼哈顿距离、得到对象活动区的操作,得到至少一个对象活动区。
6.一种基于数据聚类的虚拟对象分配装置,其特征在于,包括:
轨迹获取模块,用于通过轨迹采集算法获取多个活动对象的轨迹信息,得到定位点序列,其中,所述轨迹信息包括多个轨迹停留点;
轨迹聚类模块,用于通过DBSCAN聚类算法对所述轨迹停留点进行聚类,得到至少一个对象活动区,并生成所述活动对象与对应的对象活动区的共现矩阵;
请求接收模块,用于接收目标对象的虚拟对象分配请求;并
对象判断模块,用于判断所述目标对象是否属于所述活动对象;
矩阵获取模块,用于若属于,获取所述活动对象的虚拟对象评分矩阵,其中,所述虚拟对象评分矩阵为根据活动对象对虚拟对象的历史评分生成的评分矩阵;
相似度计算模块,用于根据所述共现矩阵和所述虚拟对象评分矩阵,计算得到与所述目标对象的相似度最大的活动对象作为相似对象,并根据所述相似对象的虚拟对象评分矩阵确定所述相似对象对各虚拟对象的对象评分;
对象分配模块,用于将最大对象评分对应的虚拟对象分配给所述目标对象,作为虚拟对象分配结果;
所述轨迹获取模块还用于每隔第一预设时间获取一次所述活动对象的当前定位点,得到定位点序列;
依次计算各所述定位点是否符合公式;
并将符合的定位点作为所述轨迹停留点,并将不符合的定位点从所述定位点序列中删除,得到包括轨迹停留点的定位点序列,其中,表示时间i到t之间所有定位点的中心,为目标对象,/>为/>与/>之间的距离,/>为第一预设距离,/>第一时间阈值;
所述相似度的计算公式为:;
其中,b、c表示活动对象,表示活动对象b,c之间的相似度,/>分别表示活动对象b、c的虚拟对象评分矩阵,/>分别表示活动对象b、c的共现矩阵,/>和/>为超参数。
7.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机可读指令,其特征在于,所述处理器执行所述计算机可读指令时实现权利要求1至5中任一项所述方法的步骤。
8.一种计算机可读存储介质,其上存储有计算机可读指令,其特征在于,所述计算机可读指令被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110434883.7A CN113011787B (zh) | 2021-04-22 | 2021-04-22 | 基于数据聚类的虚拟对象分配方法及相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110434883.7A CN113011787B (zh) | 2021-04-22 | 2021-04-22 | 基于数据聚类的虚拟对象分配方法及相关设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113011787A CN113011787A (zh) | 2021-06-22 |
CN113011787B true CN113011787B (zh) | 2023-07-21 |
Family
ID=76389181
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110434883.7A Active CN113011787B (zh) | 2021-04-22 | 2021-04-22 | 基于数据聚类的虚拟对象分配方法及相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113011787B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106462747A (zh) * | 2014-06-17 | 2017-02-22 | 河谷控股Ip有限责任公司 | 活动识别系统和方法 |
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 |
WO2020001096A1 (zh) * | 2018-06-29 | 2020-01-02 | 京东方科技集团股份有限公司 | 商品推荐方法和商品推荐设备 |
CN111339439A (zh) * | 2020-02-18 | 2020-06-26 | 广东工业大学 | 一种融合评论文本与时序效应的协同过滤推荐方法和装置 |
CN111523960A (zh) * | 2020-03-16 | 2020-08-11 | 平安国际智慧城市科技股份有限公司 | 基于稀疏矩阵的产品推送方法、装置、计算机设备及介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10423892B2 (en) * | 2016-04-05 | 2019-09-24 | Omni Ai, Inc. | Trajectory cluster model for learning trajectory patterns in video data |
US11562168B2 (en) * | 2018-07-16 | 2023-01-24 | Here Global B.V. | Clustering for K-anonymity in location trajectory data |
-
2021
- 2021-04-22 CN CN202110434883.7A patent/CN113011787B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106462747A (zh) * | 2014-06-17 | 2017-02-22 | 河谷控股Ip有限责任公司 | 活动识别系统和方法 |
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 |
WO2020001096A1 (zh) * | 2018-06-29 | 2020-01-02 | 京东方科技集团股份有限公司 | 商品推荐方法和商品推荐设备 |
CN111339439A (zh) * | 2020-02-18 | 2020-06-26 | 广东工业大学 | 一种融合评论文本与时序效应的协同过滤推荐方法和装置 |
CN111523960A (zh) * | 2020-03-16 | 2020-08-11 | 平安国际智慧城市科技股份有限公司 | 基于稀疏矩阵的产品推送方法、装置、计算机设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113011787A (zh) | 2021-06-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11252245B2 (en) | Information pushing method and device | |
JP3726748B2 (ja) | モバイルマーケティング方法、そのシステム、サーバ、ユーザ端末、解析端末及びプログラム | |
US10909158B2 (en) | Method and apparatus for generating information | |
US20150281382A1 (en) | Group creating and joining method, client, server , and system | |
JP5049745B2 (ja) | 位置情報解析装置、情報配信システムおよび位置情報解析方法 | |
US11244153B2 (en) | Method and apparatus for processing information | |
CN108463820A (zh) | 经由信息技术基础设施分配通信资源 | |
CN112395390B (zh) | 意图识别模型的训练语料生成方法及其相关设备 | |
US9635507B2 (en) | Mobile device analytics | |
CN110297995B (zh) | 用于收藏信息的方法和装置 | |
US20210165911A1 (en) | System and method for improving security of personally identifiable information | |
US11586635B2 (en) | Methods and systems for ranking comments on a post in an online service | |
CN111274341A (zh) | 一种网点选址方法和装置 | |
CN112241489A (zh) | 信息推送方法、装置、可读存储介质和计算机设备 | |
CN109359998A (zh) | 客户数据处理方法、装置、计算机装置及存储介质 | |
CN108512674B (zh) | 用于输出信息的方法、装置和设备 | |
CN110838041A (zh) | 虚拟资源活动处理方法、装置、计算机设备和存储介质 | |
CN113011787B (zh) | 基于数据聚类的虚拟对象分配方法及相关设备 | |
Andersen et al. | Privacy preserving personalization in complex ecosystems | |
Bok et al. | Recommending similar users using moving patterns in mobile social networks | |
CN107391723B (zh) | 一种信息自动搜索归类再发布方法及系统 | |
CN113329037B (zh) | 基于高维模式的异常访问数据预警方法及相关设备 | |
CN110874309B (zh) | 一种日志处理方法、装置及设备 | |
CN107103033B (zh) | 冷启动用户的偏好预测方法和装置 | |
Hema et al. | Efficient mining and recommendation of sparse data through collaborative filtering technique in medical transcriptions |
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 |