CN113505304B - 一种目标对象推荐方法及系统 - Google Patents

一种目标对象推荐方法及系统 Download PDF

Info

Publication number
CN113505304B
CN113505304B CN202111059402.5A CN202111059402A CN113505304B CN 113505304 B CN113505304 B CN 113505304B CN 202111059402 A CN202111059402 A CN 202111059402A CN 113505304 B CN113505304 B CN 113505304B
Authority
CN
China
Prior art keywords
target object
target
distributed
feature
objects
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202111059402.5A
Other languages
English (en)
Other versions
CN113505304A (zh
Inventor
姚娟娟
钟南山
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Mingping Medical Data Technology Co ltd
Original Assignee
Mingpinyun Beijing Data Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Mingpinyun Beijing Data Technology Co Ltd filed Critical Mingpinyun Beijing Data Technology Co Ltd
Priority to CN202111059402.5A priority Critical patent/CN113505304B/zh
Publication of CN113505304A publication Critical patent/CN113505304A/zh
Application granted granted Critical
Publication of CN113505304B publication Critical patent/CN113505304B/zh
Priority to PCT/CN2022/114376 priority patent/WO2023035940A1/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明提供一种目标对象推荐方法及系统，所述的目标对象推荐方法包括：获取待分配的目标对象的目标文本，通过所述目标文本获取多个特征标签，并通过多个所述特征标签获取特征矩阵；将所述特征矩阵输入到神经网络中进行分类处理，获取分类结果，并通过训练所述神经网络获取推荐模型，所述分类结果包括分类后的承揽对象和第一置信度；将多个所述待分配的目标对象所对应的特征矩阵输入到所述推荐模型中，分别获取推荐后的分类结果，根据所述推荐后的分类结果确定所述承揽对象将要分配的目标对象。提高了潜在目标对象分配的精度，提高承揽服务的满意度。

Description

一种目标对象推荐方法及系统
技术领域
本发明涉及大数据技术领域，特别是涉及一种目标对象推荐方法及系统。
背景技术
随着经济社会的发展，普通大众对于服务的需求越来越专业化和细分化，受限制于获得服务的方式和途径，服务方往往均不能找到精确的、理想的目标对象，尤其体现在专业性较强的承揽服务中，其中，承揽服务是指当事人/承揽对象为目标对象一方完成一定的工作，目标对象在验收后支付约定的报酬的行为。
目前，可以通过构建信息化的服务平台为承揽对象进行派单，达到分配目标对象的目的，然而，当目标对象在服务平台发出请求时，平台如何精确地将合适的目标对象派发给入库的承揽对象进行处理，将会是一个现实问题，直接影响着服务平台的可持续发展，例如，直接目标对象的满意程度以及承揽对象的粘性。
发明内容
鉴于以上所述现有技术的缺点，本发明的目的在于提供一种目标对象推荐方法及系统，用于解决现有技术中目标对象推荐不精确的问题。
为实现上述目的及其他相关目的，本发明提供一种目标对象推荐方法，包括：
获取待分配的目标对象的目标文本，通过所述目标文本获取多个特征标签，并通过多个所述特征标签获取特征矩阵；
将所述特征矩阵输入到神经网络中进行分类处理，获取分类结果，并通过训练所述神经网络获取推荐模型，所述分类结果包括分类后的承揽对象和第一置信度；
将多个所述待分配的目标对象所对应的特征矩阵输入到所述推荐模型中，分别获取推荐后的分类结果，根据所述推荐后的分类结果确定所述承揽对象将要分配的目标对象。
可选的，根据所述推荐后的分类结果确定所述承揽对象将要分配的目标对象，包括：
设置第一阈值，当第一置信度大于或者等于第一阈值时，则判定推荐有效，并将所述待分配的目标对象分配给所述承揽对象。
可选的，通过所述目标文本获取多个特征标签，包括：
将所述待分配的目标对象的文本进行自然语言处理，并将处理结果与标注的特征标签进行相似度对比，根据所述相似度的大小，获取处理后的特征标签。
可选的，所述神经网络包括输入层、隐藏层以及输出层，通过损失函数对所述神经网络进行训练，所述损失函数包括第一损失函数和第二损失函数，所述第一损失函数包括所述处理后的特征标签与所述标注的特征标签之间的损失，所述第二损失函数包括待分配的目标对象与推荐后的承揽对象之间的损失。
可选的，所述损失函数的数学表达为：
Figure 623196DEST_PATH_IMAGE001
Figure 9178DEST_PATH_IMAGE002
Figure 523336DEST_PATH_IMAGE003
其中，L为损失函数，L1为第一损失函数，L2为第二损失函数，N为所述处理后的特征标签的数量，M为所述承揽标签的数量；
当所述处理后的特征标签的集合中第i个标签与标注的特征标签的集合中的第e个标签匹配时，x（ie）=1，否则，x（ie）=0；
pie为所述处理后的特征标签的集合中第i个标签与标注的特征标签的集合中的第e个标签匹配的概率；
当第k个待分配的目标对象与推荐后的承揽对象匹配时，zk=1，否则，zk=0；
pk为所述待分配的目标对象与推荐后的承揽对象的概率。
可选的，根据所述推荐后的分类结果确定所述承揽对象将要分配的目标对象之后，包括：
当所述承揽对象拒绝所述待分配的目标对象时，改变所述承揽对象的所述第一置信度，获取第二置信度；
当第二置信度大于或者等于所述第一阈值时，则判定推荐有效，并将所述待分配的目标对象分配给所述承揽对象；
当第二置信度小于所述第一阈值时，则将所述待分配的目标对象分配给第一置信度最高的承揽对象。
可选的，所述第二置信度的数学表达为：
Figure 994244DEST_PATH_IMAGE004
其中，t为单位时间内的所述承揽对象的拒绝次数，b为单位时间内各个所述承揽对象的平均拒绝次数，e为自然对数，a1为第一置信度，a2为第二置信度。
一种目标对象推荐系统，包括：
获取模块，获取待分配的目标对象目标文本，通过所述目标文本获取多个的特征标签，并通过多个所述特征标签获取特征矩阵；
模型模块，用于将所述特征矩阵输入到神经网络中进行分类处理，获取分类结果，并通过训练所述神经网络获取推荐模型，所述分类结果包括分类后的承揽对象和第一置信度；
处理模块，用于将多个所述待分配的目标对象所对应的特征矩阵输入到所述推荐模型中，分别获取推荐后的分类结果，根据所述推荐后的分类结果确定所述承揽对象将要分配的目标对象。
一种电子设备，包括：
一个或多个处理器；和
其上存储有指令的一个或多个机器可读介质，当所述一个或多个处理器执行时，使得所述电子设备执行所述的目标对象推荐方法。
一种机器可读介质，其上存储有指令，当由一个或多个处理器执行时，使得设备执行所述的目标对象推荐方法。
如上所述，本发明的目标对象推荐方法及系统，具有以下有益效果：
通过推荐模型的分类处理，获取分类后的承揽对象以及第一置信度，根据第一置信度的大小，选取第一置信度较高的分类后的承揽对象，判定所述待分配的目标对象与第一置信度较高的分类后的承揽对象匹配，进行分配，提高了潜在目标对象分配的精度，提高承揽服务的满意度。
附图说明
图1显示为本发明实施例的目标对象推荐方法的示意图。
图2显示为本发明实施例的目标对象推荐系统的示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。
需要说明的是，本实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。本说明书所附图式所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容得能涵盖的范围内。同时，本说明书中所引用的如“上”、“下”、“左”、“右”、“中间”及“一”等的用语，亦仅为便于叙述的明了，而非用以限定本发明可实施的范围，其相对关系的改变或调整，在无实质变更技术内容下，当亦视为本发明可实施的范畴。
在承揽服务推荐平台中，目标对象向平台发出需求请求，平台根据承揽对象的特性，将合适的目标对象推荐给特定的承揽对象，不仅能够满足目标对象的需求，而且承揽对象能够获取理想的目标用户，降低机会成本，请参阅图1，本发明提供一种目标对象推荐方法，包括：
S1：获取待分配的目标对象的目标文本，通过所述目标文本获取多个特征标签，并通过多个所述特征标签获取特征矩阵；
S2：将所述特征矩阵输入到神经网络中进行分类处理，获取分类结果，并通过训练所述神经网络获取推荐模型，所述分类结果包括分类后的承揽对象和第一置信度，在分类处理过程中，可将特征矩阵进行矩阵运算，获取特征矩阵与承揽对象之间的对应关系；
S3：将多个所述待分配的目标对象所对应的特征矩阵输入到所述推荐模型中，分别获取推荐后的分类结果，根据所述推荐后的分类结果确定所述承揽对象将要分配的目标对象，通过推荐模型的分类处理，获取分类后的承揽对象以及第一置信度，根据第一置信度的大小，选取第一置信度较高的分类后的承揽对象，判定所述待分配的目标对象与第一置信度较高的分类后的承揽对象匹配，进行分配，提高了潜在目标对象分配的精度，提高承揽服务的满意度。
在一些实施过程中，通过所述目标文本获取多个特征标签，包括：
设置第一阈值，当第一置信度大于或者等于第一阈值时，则判定推荐有效，并将所述待分配的目标对象分配给所述承揽对象，提高了推荐的效率和精度，避免将待分配的目标对象分配给较低第一置信度的承揽对象。
为了获取特征标签可以采用自然语言处理的方法，例如，获取待分配的目标对象的特征标签，包括：
将所述待分配的目标对象的文本进行自然语言处理，并将处理结果与标注的特征标签进行相似度对比，根据所述相似度的大小，获取处理后的特征标签。
在一些实施过程中，所述神经网络包括输入层、隐藏层以及输出层，通过损失函数对所述神经网络进行训练，所述损失函数包括第一损失函数和第二损失函数，所述第一损失函数包括所述处理后的特征标签与所述标注的特征标签之间的损失，所述第二损失函数包括待分配的目标对象与推荐后的承揽对象之间的损失。
进一步的，所述损失函数的数学表达为：
Figure 543037DEST_PATH_IMAGE005
Figure 958975DEST_PATH_IMAGE002
Figure 648844DEST_PATH_IMAGE006
其中，L为损失函数，L1为第一损失函数，L2为第二损失函数，N为所述处理后的特征标签的数量，M为所述承揽标签的数量；
当所述处理后的特征标签的集合中第i个标签与标注的特征标签的集合中的第e个标签匹配时，x（ie）=1，否则，x（ie）=0；
pie为所述处理后的特征标签的集合中第i个标签与标注的特征标签的集合中的第e个标签匹配的概率；
当第k个待分配的目标对象与推荐后的承揽对象匹配时，zk=1，否则，zk=0；
pk为所述待分配的目标对象与推荐后的承揽对象的概率。所述损失函数不仅考虑了所述处理后的特征标签与所述标注的特征标签之间的损失，还考虑了待分配的目标对象与推荐后的承揽对象之间的损失，提高了分类处理过程中的推荐精度。
为了提高待分配的目标对象的处理效率，避免承揽对象高频的拒绝待分配的目标对象，可以根据其拒绝推荐的次数或者频率，设立改变获得待分配的目标对象的机会能力，例如，根据所述推荐后的分类结果确定所述承揽对象将要分配的目标对象之后，包括：
当所述承揽对象拒绝所述待分配的目标对象时，改变所述承揽对象的所述第一置信度，获取第二置信度；
当第二置信度大于或者等于所述第一阈值时，则判定推荐有效，并将所述待分配的目标对象分配给所述承揽对象；
当第二置信度小于所述第一阈值时，则将所述待分配的目标对象分配给第一置信度最高的承揽对象。
进一步的，所述第二置信度的数学表达为：
Figure 441220DEST_PATH_IMAGE007
其中，t为单位时间内的所述承揽对象的拒绝次数，b为单位时间内各个所述承揽对象的平均拒绝次数，e为自然对数，a1为第一置信度，a2为第二置信度。例如，t=1，b=2时，代表承揽对象拒绝的频率低于平均数，那么可以适当地提高其获取待分配的目标对象的机会能力，则a2＞a1；当t=3，b=2时，代表承揽对象拒绝的频率大于平均数，那么可以适当地降低其获取待分配的目标对象的机会能力，则a2＜a1。
请参阅图2，本发明还提供了一种目标对象推荐系统，包括：
获取模块，获取待分配的目标对象的目标文本，通过所述目标文本获取多个特征标签，并通过多个所述特征标签获取特征矩阵；
模型模块，用于将所述特征矩阵输入到神经网络中进行分类处理，获取分类结果，并通过训练所述神经网络获取推荐模型，所述分类结果包括分类后的承揽对象和第一置信度；
处理模块，用于将多个所述待分配的目标对象所对应的特征矩阵输入到所述推荐模型中，分别获取推荐后的分类结果，根据所述推荐后的分类结果确定所述承揽对象将要分配的目标对象。
可选的，根据所述推荐后的分类结果确定所述承揽对象将要分配的目标对象，包括：
设置第一阈值，当第一置信度大于或者等于第一阈值时，则判定推荐有效，并将所述待分配的目标对象分配给所述承揽对象。
可选的，获取待分配的目标对象的特征标签，包括：
将所述待分配的目标对象的文本进行自然语言处理，并将处理结果与标注的特征标签进行相似度对比，根据所述相似度的大小，获取处理后的特征标签。
可选的，所述神经网络包括输入层、隐藏层以及输出层，通过损失函数对所述神经网络进行训练，所述损失函数包括第一损失函数和第二损失函数，所述第一损失函数包括所述处理后的特征标签与所述标注的特征标签之间的损失，所述第二损失函数包括待分配的目标对象与推荐后的承揽对象之间的损失。
可选的，所述损失函数的数学表达为：
Figure 578940DEST_PATH_IMAGE005
Figure 916512DEST_PATH_IMAGE002
Figure 405262DEST_PATH_IMAGE006
其中，L为损失函数，L1为第一损失函数，L2为第二损失函数，N为所述处理后的特征标签的数量，M为所述承揽标签的数量；
当所述处理后的特征标签的集合中第i个标签与标注的特征标签的集合中的第e个标签匹配时，x（ie）=1，否则，x（ie）=0；
pie为所述处理后的特征标签的集合中第i个标签与标注的特征标签的集合中的第e个标签匹配的概率；
当第k个待分配的目标对象与推荐后的承揽对象匹配时，zk=1，否则，zk=0；
pk为所述待分配的目标对象与推荐后的承揽对象的概率。
可选的，根据所述推荐后的分类结果确定所述承揽对象将要分配的目标对象之后，包括：
当所述承揽对象拒绝所述待分配的目标对象时，改变所述承揽对象的所述第一置信度，获取第二置信度；
当第二置信度大于或者等于所述第一阈值时，则判定推荐有效，并将所述待分配的目标对象分配给所述承揽对象；
当第二置信度小于所述第一阈值时，则将所述待分配的目标对象分配给第一置信度最高的承揽对象。
可选的，所述第二置信度的数学表达为：
Figure 611115DEST_PATH_IMAGE008
其中，t为单位时间内的所述承揽对象的拒绝次数，b为单位时间内各个所述承揽对象的平均拒绝次数，e为自然对数，a1为第一置信度，a2为第二置信度。
本发明实施例提供一种电子设备，包括：一个或多个处理器；和其上存储有指令的一个或多个机器可读介质，当所述一个或多个处理器执行时，使得所述电子设备执行一个或多个所述的方法。本发明可用于众多通用或专用的计算系统环境或配置中。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。
本发明实施例还提供一个或多个机器可读介质，其上存储有指令，当由一个或多个处理器执行时，使得设备执行中一个或多个所述的方法。本发明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发明，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。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。

Claims (9)

1.一种目标对象推荐方法，其特征在于，包括：
获取待分配的目标对象的目标文本，通过所述目标文本获取多个特征标签，并通过多个所述特征标签获取特征矩阵；
将所述特征矩阵输入到神经网络中进行分类处理，获取分类结果，并通过训练所述神经网络获取推荐模型，所述分类结果包括分类后的承揽对象和第一置信度；
将多个所述待分配的目标对象所对应的特征矩阵输入到所述推荐模型中，分别获取推荐后的分类结果，根据所述推荐后的分类结果确定所述承揽对象将要分配的目标对象；
当所述承揽对象拒绝所述待分配的目标对象时，改变所述承揽对象的所述第一置信度，获取第二置信度；
当第二置信度大于或者等于第一阈值时，则判定推荐有效，并将所述待分配的目标对象分配给所述承揽对象；
当第二置信度小于所述第一阈值时，则将所述待分配的目标对象分配给第一置信度最高的承揽对象。
2.根据权利要求1所述的目标对象推荐方法，其特征在于，根据所述推荐后的分类结果确定所述承揽对象将要分配的目标对象，包括：
设置第一阈值，当第一置信度大于或者等于第一阈值时，则判定推荐有效，并将所述待分配的目标对象分配给所述承揽对象。
3.根据权利要求2所述的目标对象推荐方法，其特征在于，通过所述目标文本获取多个特征标签，包括：
将所述待分配的目标对象的文本进行自然语言处理，并将处理结果与标注的特征标签进行相似度对比，根据所述相似度的大小，获取处理后的特征标签。
4.根据权利要求3所述的目标对象推荐方法，其特征在于，所述神经网络包括输入层、隐藏层以及输出层，通过损失函数对所述神经网络进行训练，所述损失函数包括第一损失函数和第二损失函数，所述第一损失函数包括所述处理后的特征标签与所述标注的特征标签之间的损失，所述第二损失函数包括待分配的目标对象与推荐后的承揽对象之间的损失。
5.根据权利要求4所述的目标对象推荐方法，其特征在于，所述损失函数的数学表达为：
Figure 891347DEST_PATH_IMAGE001
Figure 473507DEST_PATH_IMAGE002
Figure 287879DEST_PATH_IMAGE003
其中，L为损失函数，L1为第一损失函数，L2为第二损失函数，N为所述处理后的特征标签的数量，M为承揽标签的数量；
当所述处理后的特征标签的集合中第i个标签与标注的特征标签的集合中的第e个标签匹配时，x（ie）=1，否则，x（ie）=0；
pie为所述处理后的特征标签的集合中第i个标签与标注的特征标签的集合中的第e个标签匹配的概率；
当第k个待分配的目标对象与推荐后的承揽对象匹配时，zk=1，否则，zk=0；
pk为所述待分配的目标对象与推荐后的承揽对象的概率。
6.根据权利要求1所述的目标对象推荐方法，其特征在于，所述第二置信度的数学表达为：
Figure 110342DEST_PATH_IMAGE004
其中，t为单位时间内的所述承揽对象的拒绝次数，b为单位时间内各个所述承揽对象的平均拒绝次数，e为自然对数，a1为第一置信度，a2为第二置信度。
7.一种目标对象推荐系统，其特征在于，包括：
获取模块，获取待分配的目标对象目标文本，通过所述目标文本获取多个的特征标签，并通过多个所述特征标签获取特征矩阵；
模型模块，用于将所述特征矩阵输入到神经网络中进行分类处理，获取分类结果，并通过训练所述神经网络获取推荐模型，所述分类结果包括分类后的承揽对象和第一置信度；
处理模块，用于将多个所述待分配的目标对象所对应的特征矩阵输入到所述推荐模型中，分别获取推荐后的分类结果，根据所述推荐后的分类结果确定所述承揽对象将要分配的目标对象；
当所述承揽对象拒绝所述待分配的目标对象时，改变所述承揽对象的所述第一置信度，获取第二置信度；
当第二置信度大于或者等于第一阈值时，则判定推荐有效，并将所述待分配的目标对象分配给所述承揽对象；
当第二置信度小于所述第一阈值时，则将所述待分配的目标对象分配给第一置信度最高的承揽对象。
8.一种电子设备，其特征在于，包括：
一个或多个处理器；和
其上存储有指令的一个或多个机器可读介质，当所述一个或多个处理器执行时，使得所述电子设备执行如权利要求1-6中任一所述的目标对象推荐方法。
9.一种机器可读介质，其特征在于，其上存储有指令，当由一个或多个处理器执行时，使得设备执行如权利要求1-6中任一所述的目标对象推荐方法。
CN202111059402.5A 2021-09-10 2021-09-10 一种目标对象推荐方法及系统 Active CN113505304B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202111059402.5A CN113505304B (zh) 2021-09-10 2021-09-10 一种目标对象推荐方法及系统
PCT/CN2022/114376 WO2023035940A1 (zh) 2021-09-10 2022-08-24 一种目标对象推荐方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111059402.5A CN113505304B (zh) 2021-09-10 2021-09-10 一种目标对象推荐方法及系统

Publications (2)

Publication Number Publication Date
CN113505304A CN113505304A (zh) 2021-10-15
CN113505304B true CN113505304B (zh) 2021-12-17

Family

ID=78016601

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111059402.5A Active CN113505304B (zh) 2021-09-10 2021-09-10 一种目标对象推荐方法及系统

Country Status (2)

Country Link
CN (1) CN113505304B (zh)
WO (1) WO2023035940A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113505304B (zh) * 2021-09-10 2021-12-17 明品云(北京)数据科技有限公司 一种目标对象推荐方法及系统

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109446414B (zh) * 2018-09-28 2021-08-17 武汉大学 一种基于神经网络分类的软件信息站点快速标签推荐方法
CN110737834B (zh) * 2019-10-14 2024-04-02 腾讯科技（深圳）有限公司 业务对象的推荐方法、装置、存储介质和计算机设备
CN110795625B (zh) * 2019-10-25 2021-11-23 腾讯科技（深圳）有限公司 推荐方法、装置、计算机设备及存储介质
WO2021081945A1 (zh) * 2019-10-31 2021-05-06 深圳市欢太科技有限公司 一种文本分类方法、装置、电子设备及存储介质
CN111523051A (zh) * 2020-04-24 2020-08-11 山东师范大学 基于图卷积矩阵分解的社交兴趣推荐方法及系统
CN111524571B (zh) * 2020-05-21 2022-06-10 电子科技大学 一种脑卒中患者个性化治疗方案推荐系统
CN112800344B (zh) * 2021-01-29 2022-03-22 重庆邮电大学 一种基于深度神经网络的电影推荐方法
CN113254785B (zh) * 2021-06-21 2021-10-08 腾讯科技（深圳）有限公司 推荐模型训练方法、推荐方法和相关设备
CN113505304B (zh) * 2021-09-10 2021-12-17 明品云(北京)数据科技有限公司 一种目标对象推荐方法及系统

Also Published As

Publication number Publication date
WO2023035940A1 (zh) 2023-03-16
CN113505304A (zh) 2021-10-15

Similar Documents

Publication Publication Date Title
CN105468742A (zh) 恶意订单识别方法及装置
CN106504011A (zh) 一种业务对象的展示方法和装置
CN111814910B (zh) 异常检测方法、装置、电子设备及存储介质
CN105488163B (zh) 信息推送方法和装置
CN111210258A (zh) 广告投放方法、装置、电子设备及可读存储介质
CN113505304B (zh) 一种目标对象推荐方法及系统
CN110309293A (zh) 文本推荐方法和装置
CN102760127A (zh) 基于扩展文本信息来确定资源类型的方法、装置及设备
CN113505230B (zh) 一种承揽服务推荐方法及系统
CN113327132A (zh) 多媒体推荐方法、装置、设备及存储介质
CN108764995A (zh) 一种数据价值确定系统和方法
CN112950347A (zh) 资源数据处理的优化方法及装置、存储介质、终端
CN108228355A (zh) 任务处理方法及装置、任务调度方法及装置
CN112950248A (zh) 物流网点选址方法、装置、计算机设备和可读存储介质
CN114139052B (zh) 用于智能推荐的排序模型训练方法、智能推荐方法及装置
CN115168509A (zh) 风控数据的处理方法及装置、存储介质、计算机设备
CN114022184A (zh) 数据管理方法、装置、电子设备及存储介质
CN115705581A (zh) 广告推荐成功率预测、广告推荐方法及装置
CN112561500A (zh) 基于用户数据的薪酬数据生成方法、装置、设备及介质
CN113553500B (zh) 商家信息推荐方法、装置、电子设备及存储介质
CN114637868B (zh) 一种应用于快消行业的产品数据处理方法及系统
CN117495233B (zh) 一种航运年度价格推荐方法、系统、储存介质及设备
CN113781237B (zh) 基于分布式人工智能系统的产品订购单消费方法
CN116304457B (zh) 一种网页多重信息属性的标记方法
CN114493723A (zh) 用户生命周期的识别方法、装置、终端设备和存储介质

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
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20220719

Address after: 201615 room 1904, G60 Kechuang building, No. 650, Xinzhuan Road, Songjiang District, Shanghai

Patentee after: Shanghai Mingping Medical Data Technology Co.,Ltd.

Address before: 102400 no.86-n3557, Wanxing Road, Changyang, Fangshan District, Beijing

Patentee before: Mingpinyun (Beijing) data Technology Co.,Ltd.