CN113204714A - 一种基于用户画像的任务推荐方法、装置、存储介质及终端 - Google Patents
一种基于用户画像的任务推荐方法、装置、存储介质及终端 Download PDFInfo
- Publication number
- CN113204714A CN113204714A CN202110307233.6A CN202110307233A CN113204714A CN 113204714 A CN113204714 A CN 113204714A CN 202110307233 A CN202110307233 A CN 202110307233A CN 113204714 A CN113204714 A CN 113204714A
- Authority
- CN
- China
- Prior art keywords
- data
- user
- theme
- label
- truck
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 76
- 238000001914 filtration Methods 0.000 claims abstract description 60
- 238000013507 mapping Methods 0.000 claims abstract description 24
- 238000007781 pre-processing Methods 0.000 claims abstract description 17
- 238000004458 analytical method Methods 0.000 claims description 44
- 230000000875 corresponding effect Effects 0.000 claims description 36
- 238000012545 processing Methods 0.000 claims description 32
- 238000004422 calculation algorithm Methods 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000004140 cleaning Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 230000002596 correlated effect Effects 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000013506 data mapping Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 8
- 238000005065 mining Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 238000005457 optimization Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000010845 search algorithm Methods 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 2
- 238000012098 association analyses Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
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
- G06F16/9536—Search customisation based on social or collaborative filtering
-
- 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
- G06F16/906—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于用户画像的任务推荐方法、装置、存储介质及终端，该方法包括：采集并预处理卡车数据与用户数据；关联预处理后的卡车数据与用户数据，生成拉通后的数据集合；其中，拉通后的数据集合中包括多条关联成功的卡车数据与用户数据；根据目标应用场景设定用户画像的标签主题集合；将多条关联成功的卡车数据与用户数据逐一映射至用户画像的标签主题集合中各标签主题上，生成关联数据的标签主题集合；根据预设过滤规则将关联数据的标签主题集合进行过滤，生成目标用户群体；将目标应用场景对应的至少一个任务推荐至目标用户群体。因此，采用本申请实施例，可以丰富构建用户画像的维度和质量，进一步提升了为用户推荐服务的精准度。
Description
技术领域
本发明涉及计算机技术领域，特别涉及一种基于用户画像的任务推荐方法、装置、存储介质及终端。
背景技术
随着信息技术的发展，用户画像与推荐系统经常出行在各行各业中，能够根据用户特征进行标签化，进而构建用户画像。当满足一定目标的用户画像产生后，利用部分标签数据进行推荐、关联分析和协同过滤。
目前，用户画像与推荐技术已日趋成熟，所适用的行业也逐步扩大，将用户画像与推荐技术运用到正在兴起的智能货运行业，正成为当下热门的研究方向。
当前全国卡车初次的入网信息和每天的运营都会产生大量的运营、停靠、消费等信息，卡车用户使用的APP也会产生大量的用户基本信息和用户的行为、消费等的信息，但是当前的用户画像系统未能将卡车和用户两个不同的实体产生的信息进行有效的整合，造成了两个强相关联实体的信息孤立，从而无法从货运参与主体的更高层的视角来进行分析和思考问题，以及分析挖掘出更多潜在的、更多维度的、更能精准描述的卡车实体和用户实体之间关联关系的标签，进而无法有效、完整、准确的刻画相关用户群体的用户画像，从而导致针对相关用户群体的精准营销和推荐较难实施，且效果较差。
因此，如何找到一种有效的方法，实现针对相关用户群体的精准营销和推荐为亟待解决的问题。
发明内容
本申请实施例提供了一种基于用户画像的任务推荐方法、装置、存储介质及终端。为了对披露的实施例的一些方面有一个基本的理解，下面给出了简单的概括。该概括部分不是泛泛评述，也不是要确定关键/重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念，以此作为后面的详细说明的序言。
第一方面，本申请实施例提供了一种基于用户画像的任务推荐方法，该方法包括：
采集并预处理卡车数据与用户数据；
关联预处理后的卡车数据与用户数据，生成拉通后的数据集合；其中，拉通后的数据集合中包括多条关联成功的卡车数据与用户数据；
根据目标应用场景设定用户画像的标签主题集合；
将多条关联成功的卡车数据与用户数据逐一映射至用户画像的标签主题集合中各标签主题上，生成关联数据的标签主题集合；
根据预设过滤规则将关联数据的标签主题集合进行过滤，生成目标用户群体；
将目标应用场景对应的至少一个任务推荐至目标用户群体。
可选的，将目标应用场景对应的至少一个任务推荐至目标用户群体之后，还包括：
分析用户群体针对至少一个任务的操作信息，生成分析结果；
基于分析结果将用户画像的标签主题集合进行更新或删除，生成更新或删除后的用户画像的标签主题集合；
将多条关联成功的卡车数据与用户数据逐一映射至更新或删除后的用户画像的标签主题集合中各标签主题上，生成关联数据的标签主题集合；
和/或基于所述分析结果将所述任务推荐模块中用户针对任务的处理信息进行更新或删除，生成更新或删除后的用户处理信息；
将所述多条关联成功的卡车数据与用户数据逐一映射至所述更新或删除后的用户处理信息上；
继续执行根据预设过滤规则将关联数据的标签主题集合和/或用户处理信息进行过滤的步骤。
可选的，根据预设过滤规则将关联数据的标签主题集合进行过滤，生成目标用户群体，包括：
初始化预设标签主题参数值；
获取关联数据的标签主题集合中各标签主题参数值；
将关联数据的标签主题集合中各标签主题参数值与预设标签主题参数值进行比较，判断是否存在至少一个大于预设标签主题参数值的标签；
若存在，获取至少一个大于预设标签主题参数值的标签对应的用户生成目标用户群体。
可选的，根据预设过滤规则将关联数据的标签主题集合进行过滤，生成目标用户群体，包括：
初始化多个预设标签主题参数值；
获取关联数据的标签主题集合中各标签主题参数值；
将关联数据的标签主题集合中各标签主题参数值与预设多个标签主题参数值进行比较，判断是否存在多个大于预设标签主题参数值的标签；
若存在，获取多个大于预设标签主题参数值的标签对应的用户生成目标用户群体。
可选的，根据预设过滤规则将关联数据的标签主题集合进行过滤，生成目标用户群体，包括：
根据目标应用场景的业务推荐需求、经验和数据划分出多个用户群体类型；
将关联数据的标签主题集合中各标签数据作为特征进行筛选，生成多种类型的标签主题；
预处理多种类型的标签主题，并将预处理后的多种类型的标签主题进行向量转换，生成用户集合；
采用Kmeans聚类算法对用户集合进行聚类计算，生成聚类后的用户群体；
将聚类后的用户群体与划分出的多个用户群体类型进行比较分析，输出分析值；
当分析值大于预设阈值时，生成目标用户群体。
可选的，当分析值大于预设阈值时，生成目标用户群体，包括：
当分析值小于预设阈值时，调整算法的参数；
基于调整后的算法继续执行将聚类后的用户群体与划分出的多个用户群体类型进行比较分析的步骤，直到分析值大于预设阈值时，生成目标用户群体。
可选的，采集并预处理卡车数据与用户数据，包括：
采集卡车数据与用户数据；其中，卡车数据至少包括卡车的基本信息数据以及卡车的运营信息数据，用户数据至少包括用户的基本信息数据以及用户在APP上的产生的数据；
将卡车的基本信息数据、卡车的运营信息数据、用户的基本信息数据以及用户在APP上的产生的数据进行数据清洗，生成预处理后的卡车数据与用户数据；
其中，数据清洗至少包括冗余数据清除、数据格式规范化以及数据标准统一化。
第二方面，本申请实施例提供了一种基于用户画像的任务推荐装置，该装置包括：
数据处理模块，用于采集并预处理卡车数据与用户数据；
数据关联模块，用于关联预处理后的卡车数据与用户数据，生成拉通后的数据集合；其中，拉通后的数据集合中包括多条关联成功的卡车数据与用户数据；
标签主题设定模块，用于根据目标应用场景设定用户画像的标签主题集合；
数据映射模块，用于将多条关联成功的卡车数据与用户数据逐一映射至用户画像的标签主题集合中各标签主题上，生成关联数据的标签主题集合；
用户群体生成模块，用于根据预设过滤规则将关联数据的标签主题集合进行过滤，生成目标用户群体；
任务推荐模块，用于将目标应用场景对应的至少一个任务推荐至目标用户群体。
第三方面，本申请实施例提供一种计算机存储介质，计算机存储介质存储有多条指令，指令适于由处理器加载并执行上述的方法步骤。
第四方面，本申请实施例提供一种终端，可包括：处理器和存储器；其中，存储器存储有计算机程序，计算机程序适于由处理器加载并执行上述的方法步骤。
本申请实施例提供的技术方案可以包括以下有益效果：
在本申请实施例中，基于用户画像的任务推荐装置首先采集并预处理卡车数据与用户数据，再关联预处理后的卡车数据与用户数据，生成拉通后的数据集合；其中，拉通后的数据集合中包括多条关联成功的卡车数据与用户数据；然后根据目标应用场景设定用户画像的标签主题集合，再将多条关联成功的卡车数据与用户数据逐一映射至用户画像的标签主题集合中各标签主题上，生成关联数据的标签主题集合，其次根据预设过滤规则将关联数据的标签主题集合进行过滤，生成目标用户群体，最后将目标应用场景对应的至少一个任务推荐至目标用户群体。由于本申请将卡车和用户产生的数据有效整合，根据整合后的信息进行联合分析挖掘，从而丰富了构建用户画像的维度和质量，进一步提升了为用户推荐服务的精准度。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
图1是本申请实施例提供的一种基于用户画像的任务推荐方法的流程示意图；
图2是本申请实施例提供的一种基于用户画像的任务推荐过程的过程示意框图；
图3是本申请实施例提供的另一种基于用户画像的任务推荐方法的流程示意图；
图4是本申请实施例提供的一种基于用户画像的任务推荐装置的装置示意图；
图5是本申请实施例提供的一种终端的结构示意图；
图6是本申请实施例提供的一种单个/多个预设标签主题参数w的优化过程的过程示意图；图7是本申请实施例提供的一种Kmeans聚类算法中参数k的优化过程的过程示意图。
具体实施方式
以下描述和附图充分地示出本发明的具体实施方案，以使本领域的技术人员能够实践它们。
应当明确，所描述的实施例仅仅是本发明一部分实施例，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作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
在本发明的描述中，需要理解的是，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。此外，在本发明的描述中，除非另有说明，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
本申请提供的技术方案中，由于将卡车和用户产生的数据有效整合，根据整合后的信息进行联合分析挖掘，从而丰富了构建用户画像的维度和质量，进一步提升了为用户推荐服务的精准度，下面采用示例性的实施例进行详细说明。
下面将结合附图1-附图3，对本申请实施例提供的基于用户画像的任务推荐方法进行详细介绍。该方法可依赖于计算机程序实现，可运行于基于冯诺依曼体系的基于用户画像的任务推荐装置上。该计算机程序可集成在应用中，也可作为独立的工具类应用运行。其中，本申请实施例中的基于用户画像的任务推荐装置可以为用户终端，包括但不限于：个人电脑、平板电脑、手持设备、车载设备、可穿戴设备、计算设备或连接到无线调制解调器的其它处理设备等。在不同的网络中用户终端可以叫做不同的名称，例如：用户设备、接入终端、用户单元、用户站、移动站、移动台、远方站、远程终端、移动设备、用户终端、终端、无线通信设备、用户代理或用户装置、蜂窝电话、无绳电话、个人数字处理(personal digitalassistant，PDA)、5G网络或未来演进网络中的终端设备等。
请参见图1，为本申请实施例提供了一种基于用户画像的任务推荐方法的流程示意图。如图1所示，本申请实施例的方法可以包括以下步骤：
S101，采集并预处理卡车数据与用户数据；
其中，卡车数据主要包括卡车的基本信息数据以及卡车的运营信息数据等，用户数据主要包括用户的基本信息数据以及用户在APP上的产生的数据等。全国卡车初次的入网信息和每天的运营都会产生大量的运营、停靠、消费等信息，该信息会保存至卡车数据中心。用户数据会保存至用户APP的数据库。
通常，数据收集完成之后，对数据进行预处理和清洗，包括清除无用的冗余数据，规范数据的格式，统一数据的标准等，然后将数据保存。
在一种可能的实现方式中，在对数据预处理时，首先采集卡车数据与用户数据，其中卡车数据至少包括卡车的基本信息数据以及卡车的运营信息数据，用户数据至少包括用户的基本信息数据以及用户在APP上的产生的数据，最后将卡车的基本信息数据、卡车的运营信息数据、用户的基本信息数据以及用户在APP上的产生的数据进行数据清洗，生成预处理后的卡车数据与用户数据；其中，数据清洗至少包括冗余数据清除、数据格式规范化以及数据标准统一化。
S102，关联预处理后的卡车数据与用户数据，生成拉通后的数据集合；
其中，拉通后的数据集合中包括多条关联成功的卡车数据与用户数据。
通常，用户数据中的每个用户可以对应一辆卡车数据，也可能对应多辆卡车数据，此处需要将卡车数据逐个关联到各自所对应的用户数据上，使得卡车数据与用户数据实现连通。
在一种可能的实现方式中，在将卡车数据与用户数据进行连通时，首先从卡车数据中分类出卡车的基本信息数据，然后从基本信息数据中定位识别出每一辆卡车的唯一标识，在根据每一辆卡车的唯一标识获取每一辆卡车所对应的卡车司机唯一标识，生成卡车司机标识集合。其次从用户数据中提取每个用户的基本信息数据，再从每个用户的基本信息数据中获取每个用户的唯一标识，采用搜索算法在卡车司机标识集合中搜索与每个用户的唯一标识相同的卡车司机标识，从而得到每一个用户标识可对应的一个或多个卡车数据，最后将每一个用户与各自所对应的一个或多个卡车数据进行关联后，生成拉通后的数据集合。
进一步地，在采用搜索算法在卡车司机标识集合中搜索与每个用户的唯一标识相同的卡车司机标识时，首先基于卡车司机标识集合构建一个搜索树，搜索树上的每个节点代表一个卡车司机标识，以每个用户的唯一标识为参数，采用深度优先搜索算法沿着树的深度遍历树的节点，尽可能深的搜索树的分支，从而遍历搜索到每个用户对应的多个卡车数据。
S103，根据目标应用场景设定用户画像的标签主题集合；
其中，目标应用场景为用户根据业务需要预先设定的场景，例如该场景可以是为用户推荐加油站的任务场景，也可以是为用户推荐货源的应用场景。用户画像的标签主题为可以刻画出每一个用户特征的标签。
通常，用户的画像的标签主题包含:用户基本信息主题，用户行为信息主题，用户社交信息主题，用户关联车辆基本信息，用户关联车辆运营信息，用户关联车辆停靠信息主题，用户关联车辆安全信息主题和用户关联车辆消费信息主题等。
具体的，用户基本信息主题主要包括：用户性别、年龄、活跃登陆地、注册时间、安装渠道、是否认证、用户身份等，主要通过统计和机器学习获取相关的标签；用户行为信息主题主要包括：近xx天访问次数、近xx天活跃天数、近xx天访问时长、最近一次访问日期、平均访问深度、近xx天是否使用xx功能、近xx天使用xx功能的次数等,主要通过统计获取相关的标签；用户社交信息主要包括：好友个数、近xx天点赞个数、近xx天发布动态个数、近xx天评论个数、最后一次发布动态日期等，主要通过统计获取相关的标签；用户关联车辆基本信息包括：关联车辆品牌、关联车辆型号、关联车辆车龄、关联车辆燃油类型、关联车辆轮胎规格、关联车辆额定载质量、关联车辆购置方式、关联车辆营运方式、关联车辆入网时间等，主要通过统计获取相关的标签；用户关联车辆运营信息主要包括：关联车辆轨迹完整率、关联车辆近xx天上线天数、关联车辆最后一次上线时间、以及通过时间维度:时，日，天，月，季，年，以及地理维度:省，市，区(县)，以及道路类型维度:高速，国道，省道，县道等一个或多个维度组合统计获取相应的关联车辆运营里程、关联车辆运营时长等；用户关联车辆停靠信息主要包括:近xx天关联车辆停靠物流园次数、近xx天关联车辆停靠加油站次数、关联车辆常停靠物流园、关联车辆常停靠加油站等，主要通过统计获取相关的标签；用户关联车辆安全信息主要包括:近xx天关联车辆疲劳驾驶时长、近xx天关联车辆疲劳驾驶次数、近xx天关联车辆超速时长、近xx天关联车辆超速次数、关联车辆平均高速停靠次数等，主要通过统计获取相关的标签；用户关联车辆消费新主要包括:近xx天关联车辆消费金额，近xx天关联车辆消费次数等,主要通过统计获取相关标签。
S104，将多条关联成功的卡车数据与用户数据逐一映射至用户画像的标签主题集合中各标签主题上，生成关联数据的标签主题集合；
其中，标签主题可以理解为数据字典中的多个字段名，每个字段名对应的实体数据为关联成功的卡车数据与用户数据。
通常，将用户画像程序通过调度执行，并对任务和数据进行监控，将生成的数据保存到数据仓库中。
在一种可能的实现方式中，在将用户数据与卡车数据连通，且根据场景设定出用户画像的标签主题集合时，通过数据统计分析的方式将连通后的用户数据与卡车数据逐条归类到与其标签主题类型一致的标签上，最后生成关联数据的标签主题集合，关联数据的标签主题集合例如表1所示。
表1
S105，根据预设过滤规则将关联数据的标签主题集合进行过滤，生成目标用户群体；
在一种可能的实现方式中，在生成目标用户群体时，首先初始化预设标签主题参数值，再获取关联数据的标签主题集合中各标签主题参数值，然后将关联数据的标签主题集合中各标签主题参数值与预设标签主题参数值进行比较，判断是否存在至少一个大于预设标签主题参数值的标签，若存在，最后获取至少一个大于预设标签主题参数w值的标签对应的用户生成目标用户群体。
在另一种可能的实现方式中，在生成目标用户群体时，首先初始化多个预设标签主题参数值，然后获取关联数据的标签主题集合中各标签主题参数值，再将关联数据的标签主题集合中各标签主题参数值与预设多个标签主题参数值进行比较，判断是否存在多个大于预设标签主题参数值的标签，若存在，最后获取多个大于预设标签主题参数w值的标签对应的用户生成目标用户群体。
例如图6所示，单个/多个预设标签主题参数w值的优化方法如下：
首先，通过对Uw’个用户进行个性化推荐得到推荐结果，然后根据推荐结果评估是否需要优化w值，如果不需要，则结束流程，否则用w’值更新w值，并通过w’值重新设置标签。
在另一种可能的实现方式中，在生成目标用户群体时，首先根据目标应用场景的业务推荐需求、经验和数据划分出多个用户群体类型，再将关联数据的标签主题集合中各标签数据作为特征进行筛选，生成多种类型的标签主题，然后预处理多种类型的标签主题，并将预处理后的多种类型的标签主题进行向量转换，生成用户集合，再采用Kmeans聚类算法对用户集合进行聚类计算，生成聚类后的用户群体，再将聚类后的用户群体与划分出的多个用户群体类型进行比较分析，输出分析值，最后当分析值大于预设阈值时，生成目标用户群体。
进一步地，当分析值小于预设阈值时，调整Kmeans聚类算法的参数k，并基于调整后的算法继续执行将聚类后的用户群体与划分出的多个用户群体类型进行比较分析的步骤，直到分析值大于预设阈值时，生成目标用户群体。其中，参数k是用户群体的个数，在Kmeans聚类算法中是指质心的数量。
具体的，Kmeans聚类算法对用户集合进行聚类计算的方法如下：
第一步，选取k个代表性的用户向量：U1、U2、…Uk；
第二步，利用Kmeans算法进行参数k聚类，聚类结果是：U1’、U2’、…Uk’；
第三步，使得Similarity(U1,U1’)<h1；
Similarity(U2,U2’)<h2；
…
Similarity(Uk,Uk’)<hk；
第四步，确定U1’、U2’、…Uk’用户群体。
具体的，生成最终的用户群体时，分为单标签或多标签组合过滤的推荐方法以及相同身份用户聚类分群推荐方法。
在单标签或多标签组合过滤的推荐方法中，单标签的推荐是通过对画像中某个标签满足一定的阈值，过滤出的用户群进行推荐，多标签组合推荐是指通过对画像中多个标签满足每个标签设定的阈值，过滤出的用户群体进行推荐。无论是单标签的阈值或者是多标签的阈值都是可配置，且是根据业务的经验，或者结合数据分析的结论进行设定的，并且根据推荐效果的评估不断进行优化。
在相同身份用户聚类分群推荐方法中，首先根据业务推荐需求、经验和数据分析将用户分为几个具有代表性的群体。
其次，将用户画像标签数据作为特征进行筛选，对缺失值严重的和对分群没有相关性的标签进行删除处理，然后将每个标签分别按分类编码，定序编码，连续特征分箱等相应进行处理，转为向量表示的形式，如下:
用户1＝[0,0,1,0,0,1,2,...,1,3,0,...]
用户2＝[0,1,0,0,0,0,3,...,0,2,0,...]
用户3＝[0,0,1,0,0,1,1,...,0,1,0,...]
…
最后使用Kmeans聚类算法对用户进行聚类计算，聚类计算出的用户群体和开始预设的具有代表性的群体用户进行比较分析，并进行调整优化算法，直到两者相似度达到阈值h，获取相应的用户群体，针对每个用户群体进行相应的推荐，然后根据推荐的效果的评估不断调整优化整个过程。例如图7所示，Kmeans聚类算法中参数k值的优化方法如下：
首先，通过U1’、U2’、…Uk’个用户进行个性化推荐得到推荐结果，然后根据推荐结果评估是否需要优化k值，如果不需要，则结束流程，否则用k’值更新k值，并通过k’值重新执行聚类过程。
S106，将目标应用场景对应的至少一个任务推荐至目标用户群体。
其中，任务是根据目标应用场景所设定的待推荐服务项。例如当目标场景为货物推荐场景时，此处的任务可以是可运载货物的具体地点以及货物信息。
在本申请实施例中，在将目标应用场景对应的至少一个任务推荐至目标用户群体后，首先需要分析用户群体针对至少一个任务的操作信息，生成分析结果；然后基于分析结果将用户画像的标签主题集合进行更新或删除，生成更新或删除后的用户画像的标签主题集合，将多条关联成功的卡车数据与用户数据逐一映射至更新或删除后的用户画像的标签主题集合中各标签主题上，生成关联数据的标签主题集合，和/或基于所述分析结果将所述任务推荐模块中用户针对任务的处理信息进行更新或删除，生成更新或删除后的用户处理信息，将所述多条关联成功的卡车数据与用户数据逐一映射至所述更新或删除后的用户处理信息上；最后继续执行根据预设过滤规则将关联数据的标签主题集合和/或用户处理信息进行过滤的步骤，实现方案的闭环使得不断优化标签主题。
例如图2所示，图2是本申请提供的基于用户画像的任务推荐流程的流程示意图，首先获取用户APP数据以及卡车大数据，再对用户APP数据以及卡车大数据进行数据预处理，然后将预处理后的用户APP数据以及卡车大数据进行连通，并根据连通后的数据刻画用户画像，再通过任务推荐模块找出指定的一批符合应用场景的用户群体推荐相应任务，再分析用户针对任务的具体操作后生成分析结果，最后通过从三种方式中选择一种来实现分析结果的评估：第一种是对用户画像标签更新或删除的方式，第二种是对任务推荐模块中用户处理信息更新或删除的方式，第三种是对用户画像标签更新或删除，以及对任务推荐模块中用户处理信息更新或删除的方式。
例如在目标场景中，首先获取用户app数据和卡车的数据，进行预处理，然后通过卡车和用户的认证信息进行数据上的关联，通过标签预定义和统计分析挖掘构建如下用户画像，其次根据业务场景需求和数据分析利用多标签组合过滤用户画像标签近30天活跃天数大于d，关联车辆近30天加油消费金额大于m，身份为司机的用户id,将过滤的结果供业务进行相应的推荐服务，最后根据业务推荐效果评估进行阈值的优化。
在本申请实施例中，基于用户画像的任务推荐装置首先采集并预处理卡车数据与用户数据，再关联预处理后的卡车数据与用户数据，生成拉通后的数据集合；其中，拉通后的数据集合中包括多条关联成功的卡车数据与用户数据；然后根据目标应用场景设定用户画像的标签主题集合，再将多条关联成功的卡车数据与用户数据逐一映射至用户画像的标签主题集合中各标签主题上，生成关联数据的标签主题集合，其次根据预设过滤规则将关联数据的标签主题集合进行过滤，生成目标用户群体，最后将目标应用场景对应的至少一个任务推荐至目标用户群体。由于本申请将卡车和用户产生的数据有效整合，根据整合后的信息进行联合分析挖掘，从而丰富了构建用户画像的维度和质量，进一步提升了为用户推荐服务的精准度。
请参见图3，为本申请实施例提供了另一种基于用户画像的任务推荐方法的流程示意图。如图3所示，本申请实施例的方法可以包括以下步骤：
第一步，采集并预处理卡车数据与用户数据；
第二步，关联预处理后的卡车数据与用户数据，生成拉通后的数据集合；其中，拉通后的数据集合中包括多条关联成功的卡车数据与用户数据；
第三步，根据目标应用场景设定用户画像的标签主题集合；
第四步，将多条关联成功的卡车数据与用户数据逐一映射至用户画像的标签主题集合中各标签主题上，生成关联数据的标签主题集合；
第五步，根据预设过滤规则将关联数据的标签主题集合进行过滤，生成目标用户群体；
第六步，将目标应用场景对应的至少一个任务推荐至目标用户群体；
第七步，分析用户群体针对至少一个任务的操作信息，生成分析结果；
第八步，基于所述分析结果将所述用户画像的标签主题集合进行更新或删除，生成更新或删除后的用户画像的标签主题集合，然后将所述多条关联成功的卡车数据与用户数据逐一映射至所述更新或删除后的用户画像的标签主题集合中各标签主题上，生成关联数据的标签主题集合；
和/或基于所述分析结果将任务推荐模块中用户针对任务的处理信息进行更新或删除，生成更新或删除后的用户处理信息，然后将所述多条关联成功的卡车数据与用户数据逐一映射至所述更新或删除后的用户处理信息上；
第九步，继续执行根据预设过滤规则将关联数据的标签主题集合和/或用户处理信息进行过滤的步骤来不断循环进行优化推荐系统。
在本申请实施例中，基于用户画像的任务推荐装置首先采集并预处理卡车数据与用户数据，再关联预处理后的卡车数据与用户数据，生成拉通后的数据集合；其中，拉通后的数据集合中包括多条关联成功的卡车数据与用户数据；然后根据目标应用场景设定用户画像的标签主题集合，再将多条关联成功的卡车数据与用户数据逐一映射至用户画像的标签主题集合中各标签主题上，生成关联数据的标签主题集合，其次根据预设过滤规则将关联数据的标签主题集合进行过滤，生成目标用户群体，最后将目标应用场景对应的至少一个任务推荐至目标用户群体。由于本申请将卡车和用户产生的数据有效整合，根据整合后的信息进行联合分析挖掘，从而丰富了构建用户画像的维度和质量，进一步提升了为用户推荐服务的精准度。
下述为本发明装置实施例，可以用于执行本发明方法实施例。对于本发明装置实施例中未披露的细节，请参照本发明方法实施例。
请参见图4，其示出了本发明一个示例性实施例提供的基于用户画像的任务推荐装置的结构示意图。该基于用户画像的任务推荐装置可以通过软件、硬件或者两者的结合实现成为终端的全部或一部分。该装置1包括数据处理模块10、数据关联模块20、标签主题设定模块30、数据映射模块40、用户群体生成模块50、任务推荐模块60。
数据处理模块10，用于采集并预处理卡车数据与用户数据；
数据关联模块20，用于关联预处理后的卡车数据与用户数据，生成拉通后的数据集合；其中，拉通后的数据集合中包括多条关联成功的卡车数据与用户数据；
标签主题设定模块30，用于根据目标应用场景设定用户画像的标签主题集合；
数据映射模块40，用于将多条关联成功的卡车数据与用户数据逐一映射至用户画像的标签主题集合中各标签主题上，生成关联数据的标签主题集合；
用户群体生成模块50，用于根据预设过滤规则将关联数据的标签主题集合进行过滤，生成目标用户群体；
任务推荐模块60，用于将目标应用场景对应的至少一个任务推荐至目标用户群体。
需要说明的是，上述实施例提供的基于用户画像的任务推荐装置在执行基于用户画像的任务推荐方法时，仅以上述各功能模块的计算进行举例说明，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模块完成，即将设备的内部结构计算成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的基于用户画像的任务推荐装置与基于用户画像的任务推荐方法实施例属于同一构思，其体现实现过程详见方法实施例，这里不再赘述。
上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。
在本申请实施例中，基于用户画像的任务推荐装置首先采集并预处理卡车数据与用户数据，再关联预处理后的卡车数据与用户数据，生成拉通后的数据集合；其中，拉通后的数据集合中包括多条关联成功的卡车数据与用户数据；然后根据目标应用场景设定用户画像的标签主题集合，再将多条关联成功的卡车数据与用户数据逐一映射至用户画像的标签主题集合中各标签主题上，生成关联数据的标签主题集合，其次根据预设过滤规则将关联数据的标签主题集合进行过滤，生成目标用户群体，最后将目标应用场景对应的至少一个任务推荐至目标用户群体。由于本申请将卡车和用户产生的数据有效整合，根据整合后的信息进行联合分析挖掘，从而丰富了构建用户画像的维度和质量，进一步提升了为用户推荐服务的精准度。
本发明还提供一种计算机可读介质，其上存储有程序指令，该程序指令被处理器执行时实现上述各个方法实施例提供的基于用户画像的任务推荐方法。本发明还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述各个方法实施例的基于用户画像的任务推荐方法。
请参见图5，为本申请实施例提供了一种终端的结构示意图。如图5所示，终端1000可以包括：至少一个处理器1001，至少一个网络接口1004，用户接口1003，存储器1005，至少一个通信总线1002。
其中，通信总线1002用于实现这些组件之间的连接通信。
其中，用户接口1003可以包括显示屏(Display)、摄像头(Camera)，可选用户接口1003还可以包括标准的有线接口、无线接口。
其中，网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。
其中，处理器1001可以包括一个或者多个处理核心。处理器1001利用各种借口和线路连接整个电子设备1000内的各个部分，通过运行或执行存储在存储器1005内的指令、程序、代码集或指令集，以及调用存储在存储器1005内的数据，执行电子设备1000的各种功能和处理数据。可选的，处理器1001可以采用数字信号处理(Digital Signal Processing，DSP)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)、可编程逻辑阵列(Programmable Logic Array，PLA)中的至少一种硬件形式来实现。处理器1001可集成中央处理器(Central Processing Unit，CPU)、图像处理器(Graphics Processing Unit，GPU)和调制解调器等中的一种或几种的组合。其中，CPU主要处理操作系统、用户界面和应用程序等；GPU用于负责显示屏所需要显示的内容的渲染和绘制；调制解调器用于处理无线通信。可以理解的是，上述调制解调器也可以不集成到处理器1001中，单独通过一块芯片进行实现。
其中，存储器1005可以包括随机存储器(Random Access Memory，RAM)，也可以包括只读存储器(Read-Only Memory)。可选的，该存储器1005包括非瞬时性计算机可读介质(non-transitory computer-readable storage medium)。存储器1005可用于存储指令、程序、代码、代码集或指令集。存储器1005可包括存储程序区和存储数据区，其中，存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令(比如触控功能、声音播放功能、图像播放功能等)、用于实现上述各个方法实施例的指令等；存储数据区可存储上面各个方法实施例中涉及到的数据等。存储器1005可选的还可以是至少一个位于远离前述处理器1001的存储装置。如图5所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及基于用户画像的任务推荐应用程序。
在图5所示的终端1000中，用户接口1003主要用于为用户提供输入的接口，获取用户输入的数据；而处理器1001可以用于调用存储器1005中存储的基于用户画像的任务推荐应用程序，并具体执行以下操作：
采集并预处理卡车数据与用户数据；
关联预处理后的卡车数据与用户数据，生成拉通后的数据集合；其中，拉通后的数据集合中包括多条关联成功的卡车数据与用户数据；
根据目标应用场景设定用户画像的标签主题集合；
将多条关联成功的卡车数据与用户数据逐一映射至用户画像的标签主题集合中各标签主题上，生成关联数据的标签主题集合；
根据预设过滤规则将关联数据的标签主题集合进行过滤，生成目标用户群体；
将目标应用场景对应的至少一个任务推荐至目标用户群体。
在一个实施例中，处理器1001在执行将目标应用场景对应的至少一个任务推荐至目标用户群体之后时，还执行以下操作：
分析用户群体针对至少一个任务的操作信息，生成分析结果；
基于分析结果将用户画像的标签主题集合进行更新或删除，生成更新或删除后的用户画像的标签主题集合；
将多条关联成功的卡车数据与用户数据逐一映射至更新或删除后的用户画像的标签主题集合中各标签主题上，生成关联数据的标签主题集合；
和/或基于所述分析结果将所述任务推荐模块中用户针对任务的处理信息进行更新或删除，生成更新或删除后的用户处理信息；
将所述多条关联成功的卡车数据与用户数据逐一映射至所述更新或删除后的用户处理信息上；
继续执行根据预设过滤规则将关联数据的标签主题集合和/或用户处理信息进行过滤的步骤。
在一个实施例中，处理器1001在执行根据预设过滤规则将关联数据的标签主题集合进行过滤，生成目标用户群体时，具体执行以下操作：
初始化预设标签主题参数值；
获取关联数据的标签主题集合中各标签主题参数值；
将关联数据的标签主题集合中各标签主题参数值与预设标签主题参数值进行比较，判断是否存在至少一个大于预设标签主题参数值的标签；
若存在，获取至少一个大于预设标签主题参数值的标签对应的用户生成目标用户群体。
在一个实施例中，处理器1001在执行根据预设过滤规则将关联数据的标签主题集合进行过滤，生成目标用户群体时，具体执行以下操作：
初始化多个预设标签主题参数值；
获取关联数据的标签主题集合中各标签主题参数值；
将关联数据的标签主题集合中各标签主题参数值与预设多个标签主题参数值进行比较，判断是否存在多个大于预设标签主题参数值的标签；
若存在，获取多个大于预设标签主题参数值的标签对应的用户生成目标用户群体。
在一个实施例中，处理器1001在执行根据预设过滤规则将关联数据的标签主题集合进行过滤，生成目标用户群体时，具体执行以下操作：
根据目标应用场景的业务推荐需求、经验和数据划分出多个用户群体类型；
将关联数据的标签主题集合中各标签数据作为特征进行筛选，生成多种类型的标签主题；
预处理多种类型的标签主题，并将预处理后的多种类型的标签主题进行向量转换，生成用户集合；
采用Kmeans聚类算法对用户集合进行聚类计算，生成聚类后的用户群体；
将聚类后的用户群体与划分出的多个用户群体类型进行比较分析，输出分析值；
当分析值大于预设阈值时，生成目标用户群体。
在一个实施例中，处理器1001在执行当分析值大于预设阈值时，生成目标用户群体时，具体执行以下操作：
当分析值小于预设阈值时，调整算法的参数；
基于调整后的算法继续执行将聚类后的用户群体与划分出的多个用户群体类型进行比较分析的步骤，直到分析值大于预设阈值时，生成目标用户群体。
在一个实施例中，处理器1001在执行采集并预处理卡车数据与用户数据时，具体执行以下操作：
采集卡车数据与用户数据；其中，卡车数据至少包括卡车的基本信息数据以及卡车的运营信息数据，用户数据至少包括用户的基本信息数据以及用户在APP上的产生的数据；
将卡车的基本信息数据、卡车的运营信息数据、用户的基本信息数据以及用户在APP上的产生的数据进行数据清洗，生成预处理后的卡车数据与用户数据；
其中，数据清洗至少包括冗余数据清除、数据格式规范化以及数据标准统一化。
在本申请实施例中，基于用户画像的任务推荐装置首先采集并预处理卡车数据与用户数据，再关联预处理后的卡车数据与用户数据，生成拉通后的数据集合；其中，拉通后的数据集合中包括多条关联成功的卡车数据与用户数据；然后根据目标应用场景设定用户画像的标签主题集合，再将多条关联成功的卡车数据与用户数据逐一映射至用户画像的标签主题集合中各标签主题上，生成关联数据的标签主题集合，其次根据预设过滤规则将关联数据的标签主题集合进行过滤，生成目标用户群体，最后将目标应用场景对应的至少一个任务推荐至目标用户群体。由于本申请将卡车和用户产生的数据有效整合，根据整合后的信息进行联合分析挖掘，从而丰富了构建用户画像的维度和质量，进一步提升了为用户推荐服务的精准度。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，基于用户画像的任务推荐的程序可存储于计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，的存储介质可为磁碟、光盘、只读存储记忆体或随机存储记忆体等。
以上所揭露的仅为本申请较佳实施例而已，当然不能以此来限定本申请之权利范围，因此依本申请权利要求所作的等同变化，仍属本申请所涵盖的范围。
Claims (10)
1.一种基于用户画像的任务推荐方法，其特征在于，所述方法包括：
采集并预处理卡车数据与用户数据；
关联所述预处理后的卡车数据与用户数据，生成拉通后的数据集合；其中，所述拉通后的数据集合中包括多条关联成功的卡车数据与用户数据；
根据目标应用场景设定用户画像的标签主题集合；
将所述多条关联成功的卡车数据与用户数据逐一映射至所述用户画像的标签主题集合中各标签主题上，生成关联数据的标签主题集合；
根据预设过滤规则将所述关联数据的标签主题集合进行过滤，生成目标用户群体；
将所述目标应用场景对应的至少一个任务推荐至所述目标用户群体。
2.根据权利要求1所述的方法，其特征在于，所述将所述目标应用场景对应的至少一个任务推荐至所述目标用户群体之后，还包括：
分析所述用户群体针对所述至少一个任务的操作信息，生成分析结果；
基于所述分析结果将所述用户画像的标签主题集合进行更新或删除，生成更新或删除后的用户画像的标签主题集合；
将所述多条关联成功的卡车数据与用户数据逐一映射至所述更新或删除后的用户画像的标签主题集合中各标签主题上，生成关联数据的标签主题集合；
和/或基于所述分析结果将所述任务推荐模块中用户针对任务的处理信息进行更新或删除，生成更新或删除后的用户处理信息；
将所述多条关联成功的卡车数据与用户数据逐一映射至所述更新或删除后的用户处理信息上；
继续执行所述根据预设过滤规则将所述关联数据的标签主题集合和/或用户处理信息进行过滤的步骤。
3.根据权利要求1所述的方法，其特征在于，所述根据预设过滤规则将所述关联数据的标签主题集合进行过滤，生成目标用户群体，包括：
初始化预设标签主题参数值；
获取所述关联数据的标签主题集合中各标签主题参数值；
将所述关联数据的标签主题集合中各标签主题参数值与所述预设标签主题参数值进行比较，判断是否存在至少一个大于所述预设标签主题参数值的标签；
若存在，获取所述至少一个大于所述预设标签主题参数值的标签对应的用户生成目标用户群体。
4.根据权利要求1所述的方法，其特征在于，所述根据预设过滤规则将所述关联数据的标签主题集合进行过滤，生成目标用户群体，包括：
初始化多个预设标签主题参数值；
获取所述关联数据的标签主题集合中各标签主题参数值；
将所述关联数据的标签主题集合中各标签主题参数值与所述预设多个标签主题参数值进行比较，判断是否存在多个大于所述预设标签主题参数值的标签；
若存在，获取所述多个大于所述预设标签主题参数值的标签对应的用户生成目标用户群体。
5.根据权利要求1所述的方法，其特征在于，所述根据预设过滤规则将所述关联数据的标签主题集合进行过滤，生成目标用户群体，包括：
根据所述目标应用场景的业务推荐需求、经验和数据划分出多个用户群体类型；
将所述关联数据的标签主题集合中各标签数据作为特征进行筛选，生成多种类型的标签主题；
预处理所述多种类型的标签主题，并将所述预处理后的多种类型的标签主题进行向量转换，生成用户集合；
采用Kmeans聚类算法对所述用户集合进行聚类计算，生成聚类后的用户群体；
将所述聚类后的用户群体与所述划分出的多个用户群体类型进行比较分析，输出分析值；
当所述分析值大于预设阈值时，生成目标用户群体。
6.根据权利要求5所述的方法，其特征在于，所述当所述分析值大于预设阈值时，生成目标用户群体，包括：
当所述分析值小于预设阈值时，调整所述算法的参数；
基于所述调整后的算法继续执行所述将所述聚类后的用户群体与所述划分出的多个用户群体类型进行比较分析的步骤，直到所述分析值大于预设阈值时，生成目标用户群体。
7.根据权利要求1所述的方法，其特征在于，所述采集并预处理卡车数据与用户数据，包括：
采集卡车数据与用户数据；其中，所述卡车数据至少包括卡车的基本信息数据以及卡车的运营信息数据，所述用户数据至少包括用户的基本信息数据以及用户在APP上的产生的数据；
将所述卡车的基本信息数据、卡车的运营信息数据、用户的基本信息数据以及用户在APP上的产生的数据进行数据清洗，生成预处理后的卡车数据与用户数据；
其中，所述数据清洗至少包括冗余数据清除、数据格式规范化以及数据标准统一化。
8.一种基于用户画像的任务推荐装置，其特征在于，所述装置包括：
数据处理模块，用于采集并预处理卡车数据与用户数据；
数据关联模块，用于关联所述预处理后的卡车数据与用户数据，生成拉通后的数据集合；其中，所述拉通后的数据集合中包括多条关联成功的卡车数据与用户数据；
标签主题设定模块，用于根据目标应用场景设定用户画像的标签主题集合；
数据映射模块，用于将所述多条关联成功的卡车数据与用户数据逐一映射至所述用户画像的标签主题集合中各标签主题上，生成关联数据的标签主题集合；
用户群体生成模块，用于根据预设过滤规则将所述关联数据的标签主题集合进行过滤，生成目标用户群体；
任务推荐模块，用于将所述目标应用场景对应的至少一个任务推荐至所述目标用户群体。
9.一种计算机存储介质，其特征在于，所述计算机存储介质存储有多条指令，所述指令适于由处理器加载并执行如权利要求1-7任意一项的方法步骤。
10.一种终端，其特征在于，包括：处理器和存储器；其中，所述存储器存储有计算机程序，所述计算机程序适于由所述处理器加载并执行如权利要求1-7任意一项的方法步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110307233.6A CN113204714A (zh) | 2021-03-23 | 2021-03-23 | 一种基于用户画像的任务推荐方法、装置、存储介质及终端 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110307233.6A CN113204714A (zh) | 2021-03-23 | 2021-03-23 | 一种基于用户画像的任务推荐方法、装置、存储介质及终端 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113204714A true CN113204714A (zh) | 2021-08-03 |
Family
ID=77025663
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110307233.6A Pending CN113204714A (zh) | 2021-03-23 | 2021-03-23 | 一种基于用户画像的任务推荐方法、装置、存储介质及终端 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113204714A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116523545A (zh) * | 2023-06-28 | 2023-08-01 | 大汉电子商务有限公司 | 基于大数据的异常订单画像构建方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105389718A (zh) * | 2015-12-07 | 2016-03-09 | 深圳市天行家科技有限公司 | 一种汽车后服务推荐方法和系统 |
| CN108052639A (zh) * | 2017-12-21 | 2018-05-18 | 中国联合网络通信集团有限公司 | 基于运营商数据的行业用户推荐方法及装置 |
| CN109615416A (zh) * | 2018-11-07 | 2019-04-12 | 爱保科技（横琴）有限公司 | 基于用户购买行为的商业服务推荐方法及系统 |
| CN111062750A (zh) * | 2019-12-13 | 2020-04-24 | 中国平安财产保险股份有限公司 | 用户画像标签建模和分析方法、装置、设备及存储介质 |
| CN111080353A (zh) * | 2019-12-09 | 2020-04-28 | 中国平安财产保险股份有限公司 | 基于车辆数据的产品推荐方法、系统和可读存储介质 |
| CN111126880A (zh) * | 2020-01-02 | 2020-05-08 | 浙江吉利新能源商用车集团有限公司 | 一种用户画像生成方法、装置及设备 |
| CN111190939A (zh) * | 2019-12-27 | 2020-05-22 | 深圳市优必选科技股份有限公司 | 一种用户画像构建方法及装置 |
| CN112418978A (zh) * | 2020-11-17 | 2021-02-26 | 中国平安财产保险股份有限公司 | 产品推荐方法、装置、设备及介质 |
-
2021
- 2021-03-23 CN CN202110307233.6A patent/CN113204714A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105389718A (zh) * | 2015-12-07 | 2016-03-09 | 深圳市天行家科技有限公司 | 一种汽车后服务推荐方法和系统 |
| CN108052639A (zh) * | 2017-12-21 | 2018-05-18 | 中国联合网络通信集团有限公司 | 基于运营商数据的行业用户推荐方法及装置 |
| CN109615416A (zh) * | 2018-11-07 | 2019-04-12 | 爱保科技（横琴）有限公司 | 基于用户购买行为的商业服务推荐方法及系统 |
| CN111080353A (zh) * | 2019-12-09 | 2020-04-28 | 中国平安财产保险股份有限公司 | 基于车辆数据的产品推荐方法、系统和可读存储介质 |
| CN111062750A (zh) * | 2019-12-13 | 2020-04-24 | 中国平安财产保险股份有限公司 | 用户画像标签建模和分析方法、装置、设备及存储介质 |
| CN111190939A (zh) * | 2019-12-27 | 2020-05-22 | 深圳市优必选科技股份有限公司 | 一种用户画像构建方法及装置 |
| CN111126880A (zh) * | 2020-01-02 | 2020-05-08 | 浙江吉利新能源商用车集团有限公司 | 一种用户画像生成方法、装置及设备 |
| CN112418978A (zh) * | 2020-11-17 | 2021-02-26 | 中国平安财产保险股份有限公司 | 产品推荐方法、装置、设备及介质 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116523545A (zh) * | 2023-06-28 | 2023-08-01 | 大汉电子商务有限公司 | 基于大数据的异常订单画像构建方法 |
| CN116523545B (zh) * | 2023-06-28 | 2023-09-15 | 大汉电子商务有限公司 | 基于大数据的用户画像构建方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10235602B1 (en) | Machine learning artificial intelligence system for identifying vehicles | |
| CN110472090B (zh) | 基于语义标签的图像检索方法以及相关装置、存储介质 | |
| Alzubi et al. | Distracted driver detection using compressed energy efficient convolutional neural network | |
| CN107145516A (zh) | 一种文本聚类方法及系统 | |
| CN112258254B (zh) | 基于大数据架构的互联网广告风险监测方法及系统 | |
| CN111275492A (zh) | 用户画像生成方法、装置、存储介质及设备 | |
| CN114066718A (zh) | 一种图像风格迁移方法、装置、存储介质及终端 | |
| CN112328909A (zh) | 信息推荐方法、装置、计算机设备及介质 | |
| CN115293332A (zh) | 一种图神经网络的训练方法、装置、设备及存储介质 | |
| CN111831894A (zh) | 一种信息匹配方法及装置 | |
| CN117036060A (zh) | 车险欺诈识别方法、装置和存储介质 | |
| CN116933252A (zh) | 一种安全监测方法、装置、设备及介质 | |
| CN113962199B (zh) | 文本识别方法、装置、设备、存储介质及程序产品 | |
| CN110782232A (zh) | 业务流程可视化配置方法、装置、电子设备及存储介质 | |
| CN114398909A (zh) | 用于对话训练的问题生成方法、装置、设备和存储介质 | |
| CN113204714A (zh) | 一种基于用户画像的任务推荐方法、装置、存储介质及终端 | |
| CN113327132A (zh) | 多媒体推荐方法、装置、设备及存储介质 | |
| CN112784008B (zh) | 案件相似度确定方法及装置、存储介质、终端 | |
| CN110992215B (zh) | 基于语义分析的旅游服务推荐系统、数据库和推荐方法 | |
| CN111353001B (zh) | 对用户进行分类的方法和装置 | |
| CN116958729A (zh) | 对象分类模型的训练、对象分类方法、装置及存储介质 | |
| CN115221389A (zh) | 一种跨模态检索模型的训练方法、装置、设备及存储介质 | |
| CN111523034A (zh) | 一种应用程序的处理方法、装置、设备及介质 | |
| CN113705598A (zh) | 数据分类方法、装置及电子设备 | |
| CN113515591A (zh) | 文本不良信息识别方法、装置、电子设备及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |