CN114004651A - 一种获客渠道信息统计整理系统 - Google Patents
一种获客渠道信息统计整理系统 Download PDFInfo
- Publication number
- CN114004651A CN114004651A CN202111287178.5A CN202111287178A CN114004651A CN 114004651 A CN114004651 A CN 114004651A CN 202111287178 A CN202111287178 A CN 202111287178A CN 114004651 A CN114004651 A CN 114004651A
- Authority
- CN
- China
- Prior art keywords
- customer
- information
- company
- customers
- client
- 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
- 238000012545 processing Methods 0.000 claims abstract description 4
- 210000002569 neuron Anatomy 0.000 claims description 13
- 230000000694 effects Effects 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 230000003862 health status Effects 0.000 claims description 6
- 230000008520 organization Effects 0.000 claims description 2
- 238000000034 method Methods 0.000 description 13
- 238000012549 training Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 210000004027 cell Anatomy 0.000 description 3
- 230000004913 activation Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Entrepreneurship & Innovation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明公开了一种获客渠道信息统计整理系统,包括渠道端、系统终端和公司端;所述渠道端包括各种渠道,用于通过各种渠道获取各个类型的客户信息,并将客户信息传送至所述系统终端;所述系统终端用于接收所述渠道端传输的信息,并将客户信息进行整理,使客户与信息一一对应,并将客户分类,确认客户的质量等级;所述公司端用于接收所述系统终端传输的各项客户信息,由公司人员查看和处理。该一种获客渠道信息统计整理系统,能够从各个渠道合法的获取客户的信息,并将客户的信息对进行整理,然后根据客户的信息获取对应客户的优先级和质量等级,最终传递至公司端,以便于公司人员查询各个客户的基本情况,工作效率更高,更便于使用。
Description
技术领域
本发明涉及渠道信息统计技术领域,具体为一种获客渠道信息统计整理系统。
背景技术
获客就是眸事获客、获取客户和获得客户的意思,一般来讲,倾向于讨论获客成本和获客渠道,即获取客户的成本和渠道,互联网时代下,高效低成本的获客方式受到众多企业青睐,不同的客户对客户的需求也不同,而随着互联网的快速发展,各种各样的渠道也在逐渐增加,包括微信、微博、百度和谷歌等多种。
但是各种渠道获取的信息繁杂,不便于公司人员及时快速的获取客户的信息,进而不利于公司挑选合适的客户,降低了工作效率。
发明内容
(一)解决的技术问题
针对现有技术的不足,本发明提供了一种获客渠道信息统计整理系统,目的是解决各种渠道获取的信息繁杂,不便于公司人员及时快速的获取客户的信息,进而不利于公司挑选合适的客户,降低了工作效率。
(二)技术方案
为实现上述目的,本发明提供如下技术方案:
一种获客渠道信息统计整理系统,包括渠道端、系统终端和公司端;
所述渠道端包括各种渠道,用于通过各种渠道获取各个类型的客户信息,并将客户信息传送至所述系统终端;
所述系统终端用于接收所述渠道端传输的信息,并将客户信息进行整理,使客户与信息一一对应,并将客户分类,确认客户的质量等级;
所述公司端用于接收所述系统终端传输的各项客户信息,由公司人员查看和处理。
在使用时,能够从各个渠道合法的获取客户的信息,并将客户的信息对进行整理,然后根据客户的信息获取对应客户的优先级和质量等级,最终传递至公司端,以便于公司人员查询各个客户的基本情况,工作效率更高,更便于使用。
进一步的,根据客户的各项信息,确认客户的质量等级:
步骤一、录入客户的性别、年龄、收入情况、婚姻情况、健康状态和借贷情况;
步骤二、确认三层BP神经网络的输入层神经元向量x={x1,x2,x3,x4,x5,x6};
其中,x1为客户的性别,x2为客户的年龄,x3为客户的收入情况,x4为客户的婚姻情况,x5为客户的健康状态,x6为客户的借贷情况;
步骤三、所述输入层向量映射到中间层,所述中间层向量y={y1,y2,y3...ym};
其中m为中间层节点个数;
步骤四、得到输出层神经元向量o={o1,o2,o3};
其中,o1为质量等级,o2为经济等级,o3为需求等级;
其中,o1={1,2,3,4,5},当o1=1时,代表质量等级为高,当o1=2时,代表质量等级为较高,当o1=3时,代表质量等级为中,当o1=4时,代表质量等级为较低,当o1=5时,代表质量等级为低;o2={1,2,3},当o2=1时,代表尚有存款,当o2=2时,代表收支平衡,当o2=3时,代表资金入不敷出;当o3=1时,代表可能有需求,当o3=0时,代表完全无需求。
进一步的,根据客户的收入、借贷、还贷周期获取客户的信誉值:
其中e为自然数底数,Ajn代表距离当月前第n月的收入情况,Ain代表距离当月前第n月的借贷情况,Ak代表平均还款的间隔天数;
当A≥1,代表信誉度良好,当A<1,代表信誉度较差。
进一步的,根据客户业余生活的各项占比获取客户的意向值:
B=o3·Bj·Bi·Bk
其中,Bj代表客户除生活必须开销外的开销占日常总开销的比例,Bi代表客户与公司相关的业余活动占总业余活动的比例,Bk代表客户的平均每日空余时间;
当B=0时,代表无意向,当B>0时,其值越大代表客户的意向值越高。
进一步的,根据客户的信息获取客户与公司的适合度:
其中,Cj0代表距离公司最大合适距离,Cj代表客户距离公司的距离,Ci0代表客户的年龄,Cimin代表适合公司的最小年龄,Cimax代表适合公司的最大年龄;
当C<1时,代表与公司适合度较低,当C≥1时,代表与公司的适合度较高。
进一步的,获取客户的优先级:
Y=A·B·C;
Y的值越大,优先级越高。
(三)有益效果
与现有技术相比,本发明具备以下有益效果:
本发明提供的一种获客渠道信息统计整理系统,能够对客户的信息进行整理汇总,并且自动分析客户的基本信息,得到客户的质量等级和优先级,进而以便于公司人员快速了解客户并快速挑选合适的客户,增加了工作效率。
附图说明
图1为本发明所述一种获客渠道信息统计整理系统的流程图;
图2为图1中BP神经网络的流程图。
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。
请参阅图1-2,一种获客渠道信息统计整理系统,包括渠道端、系统终端和公司端;所述渠道端包括各种渠道,用于通过各种渠道获取各个类型的客户信息,并将客户信息传送至所述系统终端;所述系统终端用于接收所述渠道端传输的信息,并将客户信息进行整理,使客户与信息一一对应,并将客户分类,确认客户的质量等级;所述公司端用于接收所述系统终端传输的各项客户信息,由公司人员查看和处理。
在使用时,能够从各个渠道合法的获取客户的信息,并将客户的信息对进行整理,然后根据客户的信息获取对应客户的优先级和质量等级,最终传递至公司端,以便于公司人员查询各个客户的基本情况,工作效率更高,更便于使用。
根据客户的各项信息,确认客户的质量等级:
步骤S10、录入客户的性别、年龄、收入情况、婚姻情况、健康状态和借贷情况;
步骤S20、建立BP神经网络模型:
BP模型上各层次的神经元之间形成全互连连接,各层次内的神经元之间没有连接,输入层神经元的输出与输入相同,即oi=xi。中间中间层和输出层的神经元的操作特性为
netpj=∑iωjiopi
opj=fj(netpj)
其中p表示当前的输入样本,ωji为从神经元i到神经元j的连接权值,opi为神经元j的当前输入,opj为其输出;fj为非线性可微非递减函数,一般取为S型函数,即fj(x)=1/(1+e-x)。
本发明采用的BP网络体系结构由三层组成,第一层为输入层,共n个节点,对应了表示患者的n个输入信号;第二层为中间层,共m个节点,由网络的训练过程以自适应的方式确定;第三层为输出层,共p个节点,由系统实际需要输出的响应确定。
该网络的数学模型为:
输入向量:x=(x1,x2,...,xn)T
中间层向量:y=(y1,y2,...,ym)T
输出向量:o=(o1,o2,...,op)T
输入层的n参数分别表示为:x1为客户的性别,x2为客户的年龄,x3为客户的收入情况,x4为客户的婚姻情况,x5为客户的健康状态,x6为客户的借贷情况;
输出层参数分别表示为:o1为质量等级,o2为经济等级,o3为需求等级;
其中,o1={1,2,3,4,5},当o1=1时,代表质量等级为高,当o1=2时,代表质量等级为较高,当o1=3时,代表质量等级为中,当o1=4时,代表质量等级为较低,当o1=5时,代表质量等级为低;o2={1,2,3},当o2=1时,代表尚有存款,当o2=2时,代表收支平衡,当o2=3时,代表资金入不敷出;当o3=1时,代表可能有需求,当o3=0时,代表完全无需求。
步骤S30、进行BP神经网络训练:
建立好BP神经网络节点模型后,即可进行BP神经网络的训练。根据产品的历史经验数据获取训练的样本,并给定输入节点i和隐含层节点j之间的连接权值,隐层节点j和输出层节点k之间的连接权值。
(1)训练方法
各子网采用单独训练的方法;训练时,首先要提供一组训练样本,其中的每一个样本由输入样本和理想输出对组成,当网络的所有实际输出与其理想输出一致时,表明训练结束;否则,通过修正权值,使网络的理想输出与实际输出一致。
(2)训练算法
BP网络采用误差反向传播(Backward Propagation)算法进行训练,其步骤可归纳如下:
第一步:选定一结构合理的网络,设置所有节点阈值和连接权值的初值。
第二步:对每个输入样本作如下计算:
(a)前向计算:对l层的j单元
式中,为第n次计算时l层的j单元信息加权和,为l层的j单元与前一层(即l-1层)的单元i之间的连接权值,为前一层(即l-1层,节点数为nl-1)的单元i送来的工作信号;i=0时,令为l层的j单元的阈值。
若单元j的激活函数为sigmoid函数,则
且
若神经元j属于第一隐层(l=1),则有
若神经元j属于输出层(l=L),则有
(b)反向计算误差:
对于输出单元
对隐单元
(c)修正权值:
第三步:输入新的样本或新一周期样本,直到网络收敛,在训练时各周期中样本的输入顺序要重新随机排序。
BP算法采用梯度下降法求非线性函数极值,存在陷入局部极小以及收敛速度慢等问题。更为有效的一种算法是Levenberg-Marquardt优化算法,它使得网络学习时间更短,能有效地抑制网络陷于局部极小。其权值调整率选为
Δω=(JTJ+μI)-1JTe
其中J为误差对权值微分的雅可比(Jacobian)矩阵,I为输入向量,e为误差向量,变量μ是一个自适应调整的标量,用来确定学习是根据牛顿法还是梯度法来完成。
在系统设计时,系统模型是一个仅经过初始化了的网络,权值需要根据在使用过程中获得的数据样本进行学习调整,为此设计了系统的自学习功能。在指定了学习样本及数量的情况下,系统可以进行自学习,以不断完善网络性能。
步骤S40,得到客户的质量等级,o1为质量等级,当o1=1时,代表质量等级为高,当o1=2时,代表质量等级为较高,当o1=3时,代表质量等级为中,当o1=4时,代表质量等级为较低,当o1=5时,代表质量等级为低。
步骤S41,根据客户的收入、借贷、还贷周期获取客户的信誉值:
其中e为自然数底数,Ajn代表距离当月前第n月的收入情况,Ain代表距离当月前第n月的借贷情况,Ak代表平均还款的间隔天数;
当A≥1,代表信誉度良好,当A<1,代表信誉度较差。
以便于规避信誉较差的客户。
步骤S42,根据客户业余生活的各项占比获取客户的意向值:
B=o3·Bj·Bi·Bk
其中,Bj代表客户除生活必须开销外的开销占日常总开销的比例,Bi代表客户与公司相关的业余活动占总业余活动的比例,Bk代表客户的平均每日空余时间;
当B=0时,代表无意向,当B>0时,其值越大代表客户的意向值越高。
以便于过滤无需求的客户。
步骤S43,根据客户的信息获取客户与公司的适合度:
其中,Cj0代表距离公司最大合适距离,Cj代表客户距离公司的距离,Ci0代表客户的年龄,Cimin代表适合公司的最小年龄,Cimax代表适合公司的最大年龄;
当C<1时,代表与公司适合度较低,当C≥1时,代表与公司的适合度较高。
以便于选择适合自己公司的客户。
步骤S50,获取客户的优先级:
Y=A·B·C;
Y的值越大,优先级越高。
获取优选级高和质量高的客户,更便于公司寻找合适优质的客户。
综上所述,本发明提供了一种获客渠道信息统计整理系统,能够对客户的信息进行整理汇总,并且自动分析客户的基本信息,得到客户的质量等级和优先级,进而以便于公司人员快速了解客户并快速挑选合适的客户,增加了工作效率。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (6)
1.一种获客渠道信息统计整理系统,其特征在于,包括渠道端、系统终端和公司端;
所述渠道端包括各种渠道,用于通过各种渠道获取各个类型的客户信息,并将客户信息传送至所述系统终端;
所述系统终端用于接收所述渠道端传输的信息,并将客户信息进行整理,使客户与信息一一对应,并将客户分类,确认客户的质量等级;
所述公司端用于接收所述系统终端传输的各项客户信息,由公司人员查看和处理。
2.根据权利要求1所述的一种获客渠道信息统计整理系统,其特征在于,根据客户的各项信息,确认客户的质量等级:
步骤一、录入客户的性别、年龄、收入情况、婚姻情况、健康状态和借贷情况;
步骤二、确认三层BP神经网络的输入层神经元向量x={x1,x2,x3,x4,x5,x6};
其中,x1为客户的性别,x2为客户的年龄,x3为客户的收入情况,x4为客户的婚姻情况,x5为客户的健康状态,x6为客户的借贷情况;
步骤三、所述输入层向量映射到中间层,所述中间层向量y={y1,y2,y3...ym};
其中m为中间层节点个数;
步骤四、得到输出层神经元向量o={o1,o2,o3};
其中,o1为质量等级,o2为经济等级,o3为需求等级;
4.根据权利要求3所述的一种获客渠道信息统计整理系统,其特征在于,根据客户业余生活的各项占比获取客户的意向值:
B=o3·Bj·Bi·Bk
其中,Bj代表客户除生活必须开销外的开销占日常总开销的比例,Bi代表客户与公司相关的业余活动占总业余活动的比例,Bk代表客户的平均每日空余时间;
当B=0时,代表无意向,当B>0时,其值越大代表客户的意向值越高。
6.根据权利要求5所述的一种获客渠道信息统计整理系统,其特征在于,获取客户的优先级:
Y=A·B·C;
Y的值越大,优先级越高。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111287178.5A CN114004651A (zh) | 2021-11-02 | 2021-11-02 | 一种获客渠道信息统计整理系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111287178.5A CN114004651A (zh) | 2021-11-02 | 2021-11-02 | 一种获客渠道信息统计整理系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114004651A true CN114004651A (zh) | 2022-02-01 |
Family
ID=79926299
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111287178.5A Pending CN114004651A (zh) | 2021-11-02 | 2021-11-02 | 一种获客渠道信息统计整理系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114004651A (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108108861A (zh) * | 2018-03-06 | 2018-06-01 | 中国银行股份有限公司 | 一种潜在客户的预测方法及装置 |
CN108564393A (zh) * | 2018-03-14 | 2018-09-21 | 深圳市和讯华谷信息技术有限公司 | 潜在客户评分方法、装置和系统 |
CN108681961A (zh) * | 2018-05-24 | 2018-10-19 | 平安普惠企业管理有限公司 | 信贷产品推介方法、装置、设备及计算机可读存储介质 |
CN109472683A (zh) * | 2017-09-08 | 2019-03-15 | 平安普惠企业管理有限公司 | 客户贷款资质生成方法、服务器及可读存储介质 |
CN109509040A (zh) * | 2019-01-03 | 2019-03-22 | 广发证券股份有限公司 | 预测基金潜在客户的建模方法、营销方法及装置 |
CN110490632A (zh) * | 2019-07-01 | 2019-11-22 | 广州阿凡提电子科技有限公司 | 一种潜在客户识别方法、电子设备及存储介质 |
WO2020020088A1 (zh) * | 2018-07-23 | 2020-01-30 | 第四范式(北京)技术有限公司 | 神经网络模型的训练方法和系统以及预测方法和系统 |
CN110942356A (zh) * | 2019-12-16 | 2020-03-31 | 重庆锐云科技有限公司 | 一种客户档案智能评分方法 |
CN112487284A (zh) * | 2020-11-17 | 2021-03-12 | 中信银行股份有限公司 | 银行客户画像生成方法、设备、存储介质及装置 |
-
2021
- 2021-11-02 CN CN202111287178.5A patent/CN114004651A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109472683A (zh) * | 2017-09-08 | 2019-03-15 | 平安普惠企业管理有限公司 | 客户贷款资质生成方法、服务器及可读存储介质 |
CN108108861A (zh) * | 2018-03-06 | 2018-06-01 | 中国银行股份有限公司 | 一种潜在客户的预测方法及装置 |
CN108564393A (zh) * | 2018-03-14 | 2018-09-21 | 深圳市和讯华谷信息技术有限公司 | 潜在客户评分方法、装置和系统 |
CN108681961A (zh) * | 2018-05-24 | 2018-10-19 | 平安普惠企业管理有限公司 | 信贷产品推介方法、装置、设备及计算机可读存储介质 |
WO2020020088A1 (zh) * | 2018-07-23 | 2020-01-30 | 第四范式(北京)技术有限公司 | 神经网络模型的训练方法和系统以及预测方法和系统 |
CN109509040A (zh) * | 2019-01-03 | 2019-03-22 | 广发证券股份有限公司 | 预测基金潜在客户的建模方法、营销方法及装置 |
CN110490632A (zh) * | 2019-07-01 | 2019-11-22 | 广州阿凡提电子科技有限公司 | 一种潜在客户识别方法、电子设备及存储介质 |
CN110942356A (zh) * | 2019-12-16 | 2020-03-31 | 重庆锐云科技有限公司 | 一种客户档案智能评分方法 |
CN112487284A (zh) * | 2020-11-17 | 2021-03-12 | 中信银行股份有限公司 | 银行客户画像生成方法、设备、存储介质及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107844915B (zh) | 一种基于话务预测的呼叫中心的自动排班方法 | |
Nie et al. | Network traffic prediction based on deep belief network in wireless mesh backbone networks | |
WO2022110721A1 (zh) | 基于客户端分类聚合的联合风险评估方法及相关设备 | |
CN113052334B (zh) | 一种联邦学习实现方法、系统、终端设备及可读存储介质 | |
CN113905391B (zh) | 集成学习网络流量预测方法、系统、设备、终端、介质 | |
CN113609398B (zh) | 一种基于异构图神经网络的社交推荐方法 | |
CN114912705A (zh) | 一种联邦学习中异质模型融合的优化方法 | |
CN107766929A (zh) | 模型分析方法及装置 | |
CN107749932A (zh) | 用于在联络中心系统中对个人进行排名的方法、系统以及制品 | |
CN111709534A (zh) | 基于演化计算的联邦学习方法、装置、设备及介质 | |
CN112200659A (zh) | 建立风控模型的方法、装置及存储介质 | |
CN112581264A (zh) | 一种基于蝗虫算法优化mlp神经网络的信用风险预测方法 | |
CN110110962B (zh) | 一种任务群智执行团队的优选方法 | |
CN113657678A (zh) | 一种基于信息新鲜度的电网电力数据预测方法 | |
CN116233026A (zh) | 一种用于数据中心的智能管理方法及系统 | |
CN109688065B (zh) | 参数的处理方法、装置及存储介质 | |
CN114004651A (zh) | 一种获客渠道信息统计整理系统 | |
CN113095513A (zh) | 双层公平联邦学习方法、装置和存储介质 | |
CN107909288A (zh) | 基于som神经网络聚类算法的缴费行为分析方法 | |
CN116976739A (zh) | 一种云计算产品需求优先级排序方法和系统 | |
CN112508608B (zh) | 一种推广活动配置方法、系统、计算机设备及存储介质 | |
TWI720638B (zh) | 存款利率議價調整系統及其方法 | |
CN114449536A (zh) | 一种基于深度强化学习的5g超密集网络多用户接入选择方法 | |
CN115705400A (zh) | 话务量预测模型构建方法、装置及计算机可读存储介质 | |
Wei et al. | QoE Prediction for IPTV Based on Imbalanced Dataset by the PNN-PSO algorithm |
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 |