CN113792202B - 一种用户分类的筛选方法 - Google Patents

一种用户分类的筛选方法 Download PDF

Info

Publication number
CN113792202B
CN113792202B CN202111015189.8A CN202111015189A CN113792202B CN 113792202 B CN113792202 B CN 113792202B CN 202111015189 A CN202111015189 A CN 202111015189A CN 113792202 B CN113792202 B CN 113792202B
Authority
CN
China
Prior art keywords
user
data
newly
sample group
group
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
CN202111015189.8A
Other languages
English (en)
Other versions
CN113792202A (zh
Inventor
丁建伟
郑雅琦
李欣泽
王泽珺
黄静
陈周国
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.)
Shenzhen Wanglian Anrui Network Technology Co ltd
CETC 30 Research Institute
Original Assignee
Shenzhen Wanglian Anrui Network Technology Co ltd
CETC 30 Research Institute
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 Shenzhen Wanglian Anrui Network Technology Co ltd, CETC 30 Research Institute filed Critical Shenzhen Wanglian Anrui Network Technology Co ltd
Priority to CN202111015189.8A priority Critical patent/CN113792202B/zh
Publication of CN113792202A publication Critical patent/CN113792202A/zh
Application granted granted Critical
Publication of CN113792202B publication Critical patent/CN113792202B/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
    • G06F16/906—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/26—Visual data mining; Browsing structured data
    • 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)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明提供一种用户分类的筛选方法，包括用户历史数据的处理步骤和用户新增数据的处理步骤；用户历史数据的处理步骤包括：获取用户历史数据；根据预设的分类规则引擎对用户历史数据组成的样本集群按照关键进行分类得到多个样本类群；用户新增数据的处理步骤包括：对每个样本类群的用户历史数据进行量化，得到每一个样本类群的类群特征信息，将每个样本类群的关键词和类群特征信息作为结构化数据；获取用户新增数据并提取用户新增数据的结构化数据，通过将用户新增数据的结构化数据与分类规则引擎中每一个样本类群的结构化数据进行匹配进行分类。本发明通过设置分类规则引擎有效合理地将全量用户进行分类，用户信息管理更加清晰高效，且使用方便。

Description

一种用户分类的筛选方法
技术领域
本发明涉及互联网中数据处理技术领域，具体而言，涉及一种用户分类的筛选方法。
背景技术
随着互联网web的信息呈现爆炸式的增长，给互联网企业维护自己用户信息增加了很大难度，对于数据库底层数据的保存，大部分企业只是进行无分类、无差异化的储存，这样简单的存储方式已经无法满足现今企业对数据的采集、整理、分析的需求，并且会耗费大量的时间在数据整理、清洗上，极大地影响工作效率。
发明内容
本发明旨在提供一种用户分类的筛选方法，以解决上述技术问题。
本发明提供的一种用户分类的筛选方法，包括用户历史数据的处理步骤和用户新增数据的处理步骤；
所述用户历史数据的处理步骤包括：
步骤11，获取用户历史数据；
步骤12，提取用户历史数据的关键词，并根据预设的分类规则引擎对用户历史数据组成的样本集群按照关键词进行分类得到多个样本类群；
所述用户新增数据的处理步骤包括：
步骤21，根据预设的分类规则引擎对每个样本类群的用户历史数据进行量化，得到每一个样本类群的类群特征信息，将每个样本类群的关键词和类群特征信息作为结构化数据；
步骤22，获取用户新增数据并提取用户新增数据的结构化数据，将用户新增数据的结构化数据与分类规则引擎中每一个样本类群的结构化数据进行匹配：若匹配成功则将用户新增数据划分到相应样本类群中，否则利用用户新增数据的结构化数据对分类规则引擎进行迭代更新，并重新执行步骤22。
进一步的，步骤12中提取用户历史数据的关键词的方法为：获取预存于数据库中的语料库，根据语料库中的属性关键词列表，从用户历史数据中提取关键词。
进一步的，步骤21包括如下子步骤：
步骤211，通过计算同一样本类群所包含的所有用户历史数据的特征变量在每一维度的平均值或中位数，获取该样本类群在每一维度对应的类群量化值，将得到的类群量化值作为该样本类群的类群特征信息；
步骤212，将每个样本类群的关键词和类群特征信息作为结构化数据，并通过历史经验设置结构化数据Li的权重系数wi，使得
Figure GDA0004132583860000021
k表示样本类群中的结构化数据个数，即分类规则引擎中的单个样本类群是所有结构化数据与权重系数的集合。
进一步的，步骤22包括如下子步骤：
步骤221，获取全量用户的实时行为数据作为用户新增数据，并与数据库建立连接，对用户新增数据进行信息探测分析，并利用数据库中的分类规则引擎提取用户新增数据的特征信息；
步骤222，待存入数据库的用户新增数据首先需要判断其是否已经存在于样本类群中：若已存在于样本类群中，进入步骤223；若不存在于样本类群中，进入步骤224；
步骤223，步骤222中已经判断待存入数据库的用户新增数据为存在于样本类群中，则表示用户新增数据对应的用户已分类到某个样本类群中，因此直接执行数据库更新操作，将用户新增数据更新至样本类群中对应用户下；
步骤224，步骤222中已经判断待存入数据库的用户新增数据为不存在于样本类群中，则表示用户新增数据对应的用户为尚未分类到样本类群中的新用户，因此执行数据库插入操作：
a、获取预存于数据库中的语料库，根据语料库中的属性关键词列表，提取用户新增数据中的静态数据的关键词；将用户新增数据的关键词与每一个样本类群的关键词进行匹配，若匹配成功，则将用户新增数据划分到对应样本类群中；
b、提取用户新增数据的动态数据的特征信息，并将用户新增数据的特征信息与每一个样本类群的类群特征信息进行匹配，若匹配成功，则将用户新增数据划分到对应样本类群中；
c、若a和b均未匹配成功，则利用未匹配成功的用户新增数据的关键词和特征信息对分类规则引擎进行迭代更新：将未匹配成功的用户新增数据的关键词和特征信息增设为一个新的样本类群或将未匹配成功的用户新增数据的关键词和特征信息作为结构化数据Li，匹配相应权重系数wi，在分类规则引擎某个样本类群中增加新的变量wiLi，调整整体权重值，使得整体符合
Figure GDA0004132583860000031
的规律，然后重新执行步骤22。
进一步的，步骤221中通过数据库中的分类规则引擎对用户新增数据进行信息探测分析的方法包括以下三种：
a、配置一个query节点，按预设时间间隔周期性地从相应网站爬取用户新增数据；
b、将一个节点渗透为notify节点，获取相邻notify节点信息作为用户新增数据；
c、根据数据库的信息查询机制，主动获取用户新增数据。
进一步的，所述配置一个query节点，按预设时间间隔周期性地从相应网站爬取用户新增数据的具体操作为：修改配置文件，增加值为query的字段type，然后kafka网络程序会周期性地爬取相应网站从而获取用户新增数据。
进一步的，所述将一个节点渗透为notify节点，获取相邻notify节点信息作为用户新增数据的具体操作为：修改配置文件，增加值为notify的字段type，然后kafka网络程序会接收相邻的notify节点信息；同时，当kafka网络程序建立隧道时，隧道中相邻的两个notify节点会相互交换节点信息，当notify节点成为隧道中的一跳时，会保存相邻notify节点信息作为用户新增数据。
进一步的，所述根据数据库的信息查询机制，主动获取用户新增数据的具体操作为：修改配置文件，增加值为lookup的字段type，查询数据库已有的用户新增数据。
进一步的，步骤224中将用户新增数据的关键词与每一个样本类群的关键词进行匹配的方法为：采用笔画相似度进行匹配比较，即用户新增数据的关键词与每一个样本类群的关键词进行笔画相似度计算，计算结果大于相似度阈值则两者相似，将此用户新增数据划分相应的样本类群。
综上所述，由于采用了上述技术方案，本发明的有益效果是：
1、本发明通过设置分类规则引擎有效合理地将全量用户进行分类，用户信息管理更加清晰高效，且使用方便。
2、本发明中用户新增数据进行分类后更新，既防止数据过期，又有利于迭代整个分类规则，使样本类群分类更精准。
3、本发明采用三种方法对用户新增数据进行探测，可以更大范围探测有效数据，并尽可能多的发现隐藏或缺失数据。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本发明实施例的用户分类的筛选方法的流程图。
图2为本发明实施例的步骤22的流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。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。
实施例
如图1所示，本实施例提出一种用户分类的筛选方法，包括用户历史数据的处理步骤和用户新增数据的处理步骤；
所述用户历史数据的处理步骤包括：
步骤11，获取用户历史数据；
步骤12，提取用户历史数据的关键词，并根据预设的分类规则引擎对用户历史数据组成的样本集群按照关键词进行分类得到多个样本类群；关键词的词性类别能够代表内容相关信息；具体地，提取用户历史数据中的关键词的方法为，获取预存于数据库中的语料库，根据语料库中的属性关键词列表，提取用户历史数据中的关键词。
所述用户新增数据的处理步骤包括：
步骤21，根据预设的分类规则引擎对每个样本类群的用户历史数据进行量化，得到每一个样本类群的类群特征信息，将每个样本类群的关键词和类群特征信息作为结构化数据；具体包括如下子步骤：
步骤211，通过计算同一样本类群所包含的所有用户历史数据的特征变量在每一维度的平均值或中位数，获取该样本类群在每一维度对应的类群量化值，将得到的类群量化值作为该样本类群的类群特征信息；相同类型的量化值对应体现多个样本在同一维度所对应的特征信息，因此根据预设的分类规则引擎对每个样本类群的用户历史数据进行量化的方法为：通过计算同一样本类群所包含的所有用户历史数据(样本)的特征变量在每一维度的平均值或中位数，获取该样本类群在每一维度对应的类群量化值，将得到的类群量化值作为该样本类群的类群特征信息。
步骤212，将每个样本类群的关键词和类群特征信息作为结构化数据，并通过历史经验设置结构化数据Li的权重系数wi，使得
Figure GDA0004132583860000071
k表示样本类群中的结构化数据个数，即分类规则引擎中的单个样本类群是所有结构化数据与权重系数的集合。
步骤22，获取用户新增数据并提取用户新增数据的结构化数据，将用户新增数据的结构化数据与分类规则引擎中每一个样本类群的结构化数据进行匹配：若匹配成功则将用户新增数据划分到相应样本类群中，否则利用用户新增数据的结构化数据对分类规则引擎进行迭代更新：增设为一个新的样本类群或将新增数据的属性信息量化成特征向量Li，匹配相应权重系数wi，在分类规则引擎某个样本类群中增加新的变量wiLi，调整整体权重值，使得整体符合
Figure GDA0004132583860000072
的规律，并重新执行步骤22。
在一个实施例中，步骤22的执行流程如图2所示，包括：
步骤221，获取全量用户的实时行为数据作为用户新增数据，并与数据库建立连接，对用户新增数据进行信息探测分析，并利用数据库中的分类规则引擎提取用户新增数据的特征信息；所述信息探测包括三种途径：
a、配置一个query节点，按预设时间间隔周期性地从相应网站爬取用户新增数据；即修改配置文件，增加值为query的字段type，然后kafka网络程序会周期性地爬取相应网站从而获取用户新增数据；
b、将一个节点渗透为notify节点，获取相邻notify节点信息作为用户新增数据；即修改配置文件，增加值为notify的字段type，然后kafka网络程序会接收相邻的notify节点信息；同时，当kafka网络程序建立隧道时，隧道中相邻的两个notify节点会相互交换节点信息，当notify节点成为隧道中的一跳时，会保存相邻notify节点信息作为用户新增数据；
c、根据数据库的信息查询机制，主动获取用户新增数据；即修改配置文件，增加值为lookup的字段type，查询数据库已有的用户新增数据；
步骤222，待存入数据库的用户新增数据首先需要判断其是否已经存在于样本类群中：若已存在于样本类群中，进入步骤223；若不存在于样本类群中，进入步骤224。
步骤223，步骤222中已经判断待存入数据库的用户新增数据为存在于样本类群中，则表示用户新增数据对应的用户已分类到某个样本类群中，因此直接执行数据库更新操作，将用户新增数据更新至样本类群中对应用户下；
步骤224，步骤222中已经判断待存入数据库的用户新增数据为不存在于样本类群中，则表示用户新增数据对应的用户为尚未分类到样本类群中的新用户，因此执行数据库插入操作：
a、获取预存于数据库中的语料库，根据语料库中的属性关键词列表，提取用户新增数据中的静态数据的关键词；将用户新增数据的关键词与每一个样本类群的关键词进行匹配，若匹配成功，则将用户新增数据划分到对应样本类群中；其中，关键词进行匹配的方法为采用笔画相似度进行匹配比较，即用户新增数据的关键词与每一个样本类群的关键词进行笔画相似度计算，计算结果大于相似度阈值则两者相似，将此用户新增数据划分相应的样本类群。
b、提取用户新增数据的动态数据的特征信息，并将用户新增数据的特征信息与每一个样本类群的类群特征信息进行匹配，若匹配成功，则将用户新增数据划分到对应样本类群中；
c、若a和b均未匹配成功，则利用未匹配成功的用户新增数据的关键词和特征信息对分类规则引擎进行迭代更新：将未匹配成功的用户新增数据的关键词和特征信息增设为一个新的样本类群或将未匹配成功的用户新增数据的关键词和特征信息作为结构化数据Li，匹配相应权重系数wi，在分类规则引擎某个样本类群中增加新的变量wiLi，调整整体权重值，使得整体符合
Figure GDA0004132583860000091
的规律，然后重新执行步骤22。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种用户分类的筛选方法，其特征在于，包括用户历史数据的处理步骤和用户新增数据的处理步骤；
所述用户历史数据的处理步骤包括：
步骤11，获取用户历史数据；
步骤12，提取用户历史数据的关键词，并根据预设的分类规则引擎对用户历史数据组成的样本集群按照关键词进行分类得到多个样本类群；
所述用户新增数据的处理步骤包括：
步骤21，根据预设的分类规则引擎对每个样本类群的用户历史数据进行量化，得到每一个样本类群的类群特征信息，将每个样本类群的关键词和类群特征信息作为结构化数据；
步骤22，获取用户新增数据并提取用户新增数据的结构化数据，将用户新增数据的结构化数据与分类规则引擎中每一个样本类群的结构化数据进行匹配：若匹配成功则将用户新增数据划分到相应样本类群中，否则利用用户新增数据的结构化数据对分类规则引擎进行迭代更新，并重新执行步骤22；
步骤21包括如下子步骤：
步骤211，通过计算同一样本类群所包含的所有用户历史数据的特征变量在每一维度的平均值或中位数，获取该样本类群在每一维度对应的类群量化值，将得到的类群量化值作为该样本类群的类群特征信息；
步骤212，将每个样本类群的关键词和类群特征信息作为结构化数据，并通过历史经验设置结构化数据Li的权重系数wi，使得
Figure FDA0004132583850000011
k表示样本类群中的结构化数据个数，即分类规则引擎中的单个样本类群是所有结构化数据与权重系数的集合；
步骤22包括如下子步骤：
步骤221，获取全量用户的实时行为数据作为用户新增数据，并与数据库建立连接，对用户新增数据进行信息探测分析，并利用数据库中的分类规则引擎提取用户新增数据的特征信息；
步骤222，待存入数据库的用户新增数据首先需要判断其是否已经存在于样本类群中：若已存在于样本类群中，进入步骤223；若不存在于样本类群中，进入步骤224；
步骤223，步骤222中已经判断待存入数据库的用户新增数据为存在于样本类群中，则表示用户新增数据对应的用户已分类到某个样本类群中，因此直接执行数据库更新操作，将用户新增数据更新至样本类群中对应用户下；
步骤224，步骤222中已经判断待存入数据库的用户新增数据为不存在于样本类群中，则表示用户新增数据对应的用户为尚未分类到样本类群中的新用户，因此执行数据库插入操作：
a、获取预存于数据库中的语料库，根据语料库中的属性关键词列表，提取用户新增数据中的静态数据的关键词；将用户新增数据的关键词与每一个样本类群的关键词进行匹配，若匹配成功，则将用户新增数据划分到对应样本类群中；
b、提取用户新增数据的动态数据的特征信息，并将用户新增数据的特征信息与每一个样本类群的类群特征信息进行匹配，若匹配成功，则将用户新增数据划分到对应样本类群中；
c、若a和b均未匹配成功，则利用未匹配成功的用户新增数据的关键词和特征信息对分类规则引擎进行迭代更新：将未匹配成功的用户新增数据的关键词和特征信息增设为一个新的样本类群或将未匹配成功的用户新增数据的关键词和特征信息作为结构化数据Li，匹配相应权重系数wi，在分类规则引擎某个样本类群中增加新的变量wiLi，调整整体权重值，使得整体符合
Figure FDA0004132583850000031
的规律，然后重新执行步骤22。
2.根据权利要求1所述的用户分类的筛选方法，其特征在于，步骤12中提取用户历史数据的关键词的方法为：获取预存于数据库中的语料库，根据语料库中的属性关键词列表，从用户历史数据中提取关键词。
3.根据权利要求1所述的用户分类的筛选方法，其特征在于，步骤221中通过数据库中的分类规则引擎对用户新增数据进行信息探测分析的方法包括以下三种：
a、配置一个query节点，按预设时间间隔周期性地从相应网站爬取用户新增数据；
b、将一个节点渗透为notify节点，获取相邻notify节点信息作为用户新增数据；
c、根据数据库的信息查询机制，主动获取用户新增数据。
4.根据权利要求3所述的用户分类的筛选方法，其特征在于，所述配置一个query节点，按预设时间间隔周期性地从相应网站爬取用户新增数据的具体操作为：修改配置文件，增加值为query的字段type，然后kafka网络程序会周期性地爬取相应网站从而获取用户新增数据。
5.根据权利要求3所述的用户分类的筛选方法，其特征在于，所述将一个节点渗透为notify节点，获取相邻notify节点信息作为用户新增数据的具体操作为：修改配置文件，增加值为notify的字段type，然后kafka网络程序会接收相邻的notify节点信息；同时，当kafka网络程序建立隧道时，隧道中相邻的两个notify节点会相互交换节点信息，当notify节点成为隧道中的一跳时，会保存相邻notify节点信息作为用户新增数据。
6.根据权利要求3所述的用户分类的筛选方法，其特征在于，所述根据数据库的信息查询机制，主动获取用户新增数据的具体操作为：修改配置文件，增加值为lookup的字段type，查询数据库已有的用户新增数据。
7.根据权利要求1所述的用户分类的筛选方法，其特征在于，步骤224中将用户新增数据的关键词与每一个样本类群的关键词进行匹配的方法为：采用笔画相似度进行匹配比较，即用户新增数据的关键词与每一个样本类群的关键词进行笔画相似度计算，计算结果大于相似度阈值则两者相似，将此用户新增数据划分相应的样本类群。
CN202111015189.8A 2021-08-31 2021-08-31 一种用户分类的筛选方法 Active CN113792202B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111015189.8A CN113792202B (zh) 2021-08-31 2021-08-31 一种用户分类的筛选方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111015189.8A CN113792202B (zh) 2021-08-31 2021-08-31 一种用户分类的筛选方法

Publications (2)

Publication Number Publication Date
CN113792202A CN113792202A (zh) 2021-12-14
CN113792202B true CN113792202B (zh) 2023-05-05

Family

ID=79182478

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111015189.8A Active CN113792202B (zh) 2021-08-31 2021-08-31 一种用户分类的筛选方法

Country Status (1)

Country Link
CN (1) CN113792202B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8600143B1 (en) * 2010-05-20 2013-12-03 Kla-Tencor Corporation Method and system for hierarchical tissue analysis and classification
CN108549707A (zh) * 2018-04-18 2018-09-18 安徽智网信息科技有限公司 一种基于行为感知的大数据提取系统及方法
CN109241318A (zh) * 2018-09-21 2019-01-18 平安科技（深圳）有限公司 图片推荐方法、装置、计算机设备及存储介质
CN109597890A (zh) * 2018-11-23 2019-04-09 福建榕基软件股份有限公司 一种数据感知自动分发的方法及存储装置
CN111159396A (zh) * 2019-12-04 2020-05-15 中国电子科技集团公司第三十研究所 面向数据共享交换的文本数据分类分级模型的建立方法
CN111461180A (zh) * 2020-03-12 2020-07-28 平安科技（深圳）有限公司 样本分类方法、装置、计算机设备及存储介质
CN112101971A (zh) * 2020-11-19 2020-12-18 佰聆数据股份有限公司 敏感客户识别方法、系统及存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8600143B1 (en) * 2010-05-20 2013-12-03 Kla-Tencor Corporation Method and system for hierarchical tissue analysis and classification
CN108549707A (zh) * 2018-04-18 2018-09-18 安徽智网信息科技有限公司 一种基于行为感知的大数据提取系统及方法
CN109241318A (zh) * 2018-09-21 2019-01-18 平安科技（深圳）有限公司 图片推荐方法、装置、计算机设备及存储介质
CN109597890A (zh) * 2018-11-23 2019-04-09 福建榕基软件股份有限公司 一种数据感知自动分发的方法及存储装置
CN111159396A (zh) * 2019-12-04 2020-05-15 中国电子科技集团公司第三十研究所 面向数据共享交换的文本数据分类分级模型的建立方法
CN111461180A (zh) * 2020-03-12 2020-07-28 平安科技（深圳）有限公司 样本分类方法、装置、计算机设备及存储介质
CN112101971A (zh) * 2020-11-19 2020-12-18 佰聆数据股份有限公司 敏感客户识别方法、系统及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Károly Tilly 等.Automatic classification of semantic user interface services.《ODiSE'10: Ontology-Driven Software Engineering》.2010,1-6. *
毛建丰 等.结合系统发育与群体遗传学分析检验杂交是否存在的技术策略.《生物多样性》.2017,577-599. *

Also Published As

Publication number Publication date
CN113792202A (zh) 2021-12-14

Similar Documents

Publication Publication Date Title
CN106156127B (zh) 选择数据内容向终端推送的方法及装置
EP1459206B1 (en) Method and system for similarity search and clustering
US7370033B1 (en) Method for extracting association rules from transactions in a database
US8073849B2 (en) Method and system for constructing data tag based on a concept relation network
CN109255586B (zh) 一种面向电子政务办事的在线个性化推荐方法
CN111475637B (zh) 用于推送知识点的数据处理、训练方法及装置
US8015129B2 (en) Parsimonious multi-resolution value-item lists
Lin et al. Website reorganization using an ant colony system
Saad et al. Archiving the web using page changes patterns: a case study
CN113254630B (zh) 一种面向全球综合观测成果的领域知识图谱推荐方法
CN110598061A (zh) 一种多元图融合的异构信息网嵌入方法
CN116662934A (zh) 预警目标关联关系分析方法、系统、存储介质及终端
CN115858168A (zh) 一种基于重要性排序的地球应用模型编排系统及其方法
CN113239266B (zh) 基于局部矩阵分解的个性化推荐方法及系统
Babu et al. Concept networks for personalized web search using genetic algorithm
CN113792202B (zh) 一种用户分类的筛选方法
Freitas et al. Local partition in rich graphs
Oo Pattern discovery using association rule mining on clustered data
CN111753151A (zh) 一种基于互联网用户行为的服务推荐方法
CN114282119B (zh) 一种基于异构信息网络的科技信息资源检索方法及系统
Gothwal et al. The survey on skyline query processing for data-specific applications
Chen et al. Community Detection Based on DeepWalk Model in Large‐Scale Networks
Liu et al. Social community evolution by combining gravitational relationship with community structure
CN114329167A (zh) 超参数学习、智能推荐、关键词和多媒体推荐方法及装置
Kumar Sequence clustering approach for clustering web user session

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