CN114595850A - 基于机器学习的政务预约服务推荐方法 - Google Patents
基于机器学习的政务预约服务推荐方法 Download PDFInfo
- Publication number
- CN114595850A CN114595850A CN202210118700.5A CN202210118700A CN114595850A CN 114595850 A CN114595850 A CN 114595850A CN 202210118700 A CN202210118700 A CN 202210118700A CN 114595850 A CN114595850 A CN 114595850A
- Authority
- CN
- China
- Prior art keywords
- user
- service
- items
- users
- coordinates
- 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 26
- 238000010801 machine learning Methods 0.000 title claims abstract description 21
- 230000006399 behavior Effects 0.000 claims description 16
- 238000012163 sequencing technique Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000003062 neural network model Methods 0.000 claims description 8
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000007635 classification algorithm Methods 0.000 abstract description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization 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
- G06Q10/00—Administration; Management
- G06Q10/02—Reservations, e.g. for tickets, services or events
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Operations Research (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Physics (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开的基于机器学习的政务预约服务推荐方法,分为多种场景进行推荐,场景一进行了数据联动,丰富数据来源,可根据各政务部门的个人记录推荐需办理事项,场景二结合用户基本信息、行为数据构建用户画像,构造用户特征,根据服务和预约事项的性质等信息构造物品特征,基于物品相似度模型和用户画像,计算物品评分,采用聚类的方式对用户进行划分,对新老用户均能个性化定制,推荐可能的办事事项;场景三利用了用户的地理位置坐标和各待办事项网点的地理位置坐标,利用分类算法对坐标位置进行分类后加权计算给出建议最近办事网点,实现针对不同场景不同类型用户进行事项的推荐,使用户在使用预约办事模块时更加便捷,提高办事效率。
Description
技术领域
本发明涉及政务预约服务推荐系统技术领域,具体涉及一种基于机器学习的政务预约服务推荐方法。
背景技术
目前,政务类app(如政务服务平台)办事模块中均会设置推荐服务,引导用户进行快捷选择预约办理。当用户进入办事预约页面,会出现一个区域模块展示推荐的服务列表,供用户选择。
现有技术的缺陷:
传统的政务服务办事推荐方式,并未结合用户自身属性和需求,而是根据运营商自身理解和服务部门的需求将部分服务放置在推荐专题页中,或是仅根据全站用户访问量累计进行简单排序,将排行在前的服务事项筛选出来进行推荐。这样的推荐方法并未很好的站在用户一方考虑,没有深度挖掘用户的当前需求,不同用户群体并无个性化推荐,用户看到的推荐内容相同,无法满足不同用户的需求。
有鉴于此,本发明人针对现有政务平台预约服务推荐弊端进行改进,提出一种基于机器学习的政务预约服务推荐方法。
发明内容
本发明的目的在于提供一种基于机器学习的政务预约服务推荐方法,在综合政务服务平台中的预约办事模块中,针对三种场景进行优化,基于机器学习的方法,针对不同场景不同类型用户进行事项的推荐,使用户在使用预约办事模块时更加便捷,减少搜索查询的时间,提高办事效率。
为实现上述目的,本发明采用的技术方案是:
基于机器学习的政务预约服务推荐方法,基于特定场景为用户推荐待办事项,所述特定场景包括场景一、场景二及场景三中的一种或多种;
场景一
A1、用户进入预约办事模块,获取用户身份信息;
A2、根据用户的身份信息,在政务数据库中查找该用户是否有待办事项;
A3、若有,则为用户推荐对应的待办事项;
场景二
B1、用户进入预约办事模块,获取用户身份信息,并根据用户身份信息获取用户在一定时间周期内行为信息,该行为信息包含一定时间周期内的访问服务记录和预约使用记录;
B2、依据用户的身份信息和行为信息构建用户画像并根据用户画像对用户进行聚类,根据用户是否使用过预约事项服务将用户分为Ⅰ类和Ⅱ类,所述Ⅰ类为使用过预约事项服务的用户,所述Ⅱ类为未使用过预约事项服务的用户,若用户分类结果为Ⅰ类,进入B3,若用户分类结果为Ⅱ类,进入B4;
B3、基于用户画像和聚类结果,以相同聚类结果中用户中的Ⅰ类用户的访问记录和预约使用记录的数据为基础,计算并选择相似度最高的服务事项进行推荐;
或者,提取用户访问过的服务和事项数据,基于服务和事项的特征计算相似度,根据用户历史行为数据将相似度评分叠加,得到对目标事项的评分,计算并选择概率最大的待推荐事项推荐给用户;
B4、若用户进入预约办事模块前近n日无访问服务,为该用户推荐同聚类结果用户中Ⅱ类用户中最近预约量最大的事项;若用户进入预约办事模块前近n日有访问服务,则以该用户近n日访问的服务为数据基础,通过排序选取相似度最高的服务事项进行推荐;
或者,以同聚类结果用户中的Ⅱ类用户的物品的评分为数据基础,计算并选择概率最大事项推荐给用户;
场景三
C1、用户进入预约办事模块,选择预约事项,获取该用户当前地理位置信息,调取用户的历史预约记录和一定时间周期内登录记录中的地理位置坐标信息,其中历史预约记录中包含历史预约办事网点坐标和预约时用户的地理位置坐标信息,以历史预约网点坐标、历史预约用户坐标、用户登录记录坐标、用户当前坐标以及各待办事项网点坐标构建数据集S;
C2、数据集S为基础数据,通过机器学习模型进行无监督训练,得出各坐标点的聚类结果;
C3、根据聚类结果为用户推荐待办事项网点。
进一步的,B3或B4中相似度的计算:以天和用户个人为单位进行对各服务访问次数和预约事项次数进行统计,得到训练集X1(user_id,date,服务1访问次数,服务2访问次数,…,服务p’访问次数,事项1预约次数,事项2预约次数,...,事项q’访问次数),其中P’≥1,q’≥1,计算训练集X1中各服务事项间的相似度并进行排序,选择相似度最高的事项进行推荐;
B3或B4中概率的计算:对用户访问过的服务和事项作为物品构建特征集M2(物品id,特征1,特征2,…,特征m),其中m≥1,将用户预约过的事项及访问过的服务和待推荐事项作为神经网络模型的输入特征,对输入的特征用embedding的方法构造低维稠密向量,通过神经网络模型计算物品间相似度,并将输出的相似度在该用户所有历史行为层面上叠加,得到用户对目标事项的评分,对评分做和运算后进行归一化,最终得到待推荐事项的概率,根据概率大小排序后将概率最大事项推荐给用户。
进一步的,所述一定时间周期为半年。
进一步的,B3中所述计算训练集X中各个服务事项间的相似度,选择相似度高于阈值且排序靠前的事项进行推荐,具体是:计算训练集X中各个服务事项间的Pearson相关系数,构建大小为(p’+q’)×(p’+q’)的物品相关度矩阵,根据该Ⅰ类用户最近n日访问的服务,选取相关系数高于设定阈值的事项,得到集合Y,然后根据Pearson相关系数进行排序后选择排序靠前的事项进行推荐,其中n≥1;
进一步的,B3中,若该用户近n日无任何服务访问记录,则为该用户推荐上次预约事项中相关系数最高的事项。
进一步的,B3中,设计的所述神经网络模型为多层感知机。
进一步的,C2具体包括:
C21、数据预处理:该数据集S中若为待办事项网点坐标则分类为1,若不是则分类为0,坐标类型为1的部分为训练数据集T,坐标类型为0的部分为待分类实例集X,对待分类实例集进行去除异常值得到处理完的待分类实例集X’;
C22、采用KNN算法对待分类实例集进行分类划分,将分类结果进行权重计算,最后输出待分类实例所属类别以及最应推荐的分类和集合。
进一步的,C3具体包括:根据C22输出的最应推荐的分类和集合,列表展示推荐的待办事项网点坐标,最应推荐分类下的待办事项网点坐标位于列表之首,其他待办事项网点坐标根据集合的数据由大到小进行排序展示。采用上述方案后,本发明具有以下有益效果:
本发明通过基于机器学习的方法,针对不同场景不同类型用户进行事项的推荐,使用户在使用预约办事模块时更加便捷,减少搜索查询的时间,提高办事效率。
场景一进行了数据联动,丰富数据来源,根据其他政务部门的个人记录推荐需办理事项。
场景二结合了用户基本信息、行为数据构建用户画像,构造用户特征;根据服务和预约事项的性质等信息构造物品特征。基于物品相似度模型和用户画像,计算物品评分,采用聚类的方式对用户进行划分,对新老用户均能个性化定制,推荐可能的办事事项。
场景三利用了用户的地理位置坐标和各待办事项网点的地理位置坐标,利用分类算法对坐标位置进行分类后加权计算给出建议最近办事网点。
附图说明
图1为本发明场景一流程图;
图2为本发明场景二系统模型示意图;
图3为本发明场景二的方式一流程图;
图4为本发明场景二的方式二流程图;
图5为本发明场景三的流程图。
具体实施方式
如图1-5所示,本发明揭示了一种基于机器学习的政务预约服务推荐方法,基于特定场景为用户推荐待办事项,所述特定场景包括场景一、场景二及场景三中的一种或多种,其中:
场景一:根据其他政务部门数据推荐需办理事项
A1、如图1所示,用户进入预约办事模块,获取用户身份信息,包含身份证和姓名;
A2、根据用户的身份信息,在政务数据库中查找该用户是否有待办事项,例如该用户需前往网点缴交交通罚款等;
A3、若有,则为用户推荐对应的待办事项。
场景二:根据用户曾访问过的服务和做过的预约推荐服务
如图2所示,该场景结合该系统模型进行介绍,其中数据层提供底层数据,在这一层进行基础的数据清洗和处理,算法层分为召回层和排序层两个部分,在召回层,系统从整个物品集(所有可获取的事项或服务)中抽取当次推荐查询的候选集;排序层中,排序算法负责对召回层提供的候选集按照用户偏好进行排序,排序后截取前n’项提供给展示层。展示层则负责将最终结果展示给用户。
以下结合图3介绍场景二流程。
B1、用户进入预约办事模块,获取用户身份信息,并根据用户身份信息获取用户在一定时间周期(一般设为半年)内行为信息,该行为信息包含一定时间周期内的访问服务记录和预约使用记录;
B2、依据用户的身份信息和行为信息构建用户画像,构建的用户画像以用户特征集M1(user_id,特征1,特征2…,特征m1)表示,其中m1≥1,采用kmeans算法对用户特征进行聚类,同时根据用户是否使用过预约事项服务将用户分为Ⅰ类和Ⅱ类,该分类结果与kmeans聚类结果为两种类别集合,所述Ⅰ类为使用过预约事项服务的用户,所述Ⅱ类为未使用过预约事项服务的用户,若用户分类结果为Ⅰ类,进入B3,若用户分类结果为Ⅱ类,进入B4;
B3、为Ⅰ类用户推荐事项,包括以下两种方式中的一种或两种:
方式一、从用户行为维度为主出发计算物品相似度(也称相关系数):根据B2中对用户聚类的结果,提取同一类中的Ⅰ类用户的访问服务记录和预约使用记录的数据,参加下表1(表1,训练集X1示例),以天和用户个人为单位进行对各服务访问次数和预约事项次数进行统计,得到训练集X1(user_id,date,服务1访问次数,服务2访问次数,…,服务p’访问次数,事项1预约次数,事项2预约次数,...,事项q’访问次数),其中P’≥1,q’≥1,计算训练集X1中各服务事项间的相似度并进行排序,选择相似度最高的事项进行推荐;
user_id | date | 服务1 | 服务2 | 服务p | 事项1 | 事项2 | 事项q |
1 | 20210709 | 2 | 0 | 1 | 0 | 1 | 0 |
2 | 20210804 | 1 | 6 | 3 | 1 | 0 | 1 |
3 | 20210804 | 0 | 0 | 5 | 0 | 0 | 1 |
表1训练集X1示例
上述计算训练集X1中各个服务事项间的相似度,选择相似度高于阈值且排序靠前的事项进行推荐,具体是:计算训练集X中各个服务事项间的Pearson相关系数(也即相似度),构建大小为(p’+q’)×(p’+q’)的物品相关度矩阵,根据该Ⅰ类用户最近n日访问的服务,选取相关系数高于设定阈值的事项,得到集合Y,然后根据Pearson相关系数进行排序后选择排序靠前的事项进行推荐,其中n≥1;若该用户近n日无任何服务访问记录,本次登录后直接前往预约办事模块,则为该用户推荐上次预约事项中相关系数最高的事项。
方式二、对用户访问过的服务和事项作为物品构建特征集M2(物品id,特征1,特征2,…,特征m2),其中m2≥1,将用户预约过的事项及访问过的服务和待推荐事项作为神经网络模型的输入特征,对输入的特征用embedding(嵌入表示)的方法构造低维稠密向量,通过神经网络模型(如多层感知机(perceptron))计算物品间相似度,并将输出的相似度在该用户所有历史行为层面上叠加,即得叠加历史评分,得到用户对目标事项的评分,对评分做和运算后进行归一化,最终得到待推荐事项的概率,根据概率大小排序后将概率最大事项推荐给用户;
B4、结合B2的聚类结果和B3的两种方式为Ⅱ类用户推荐事项,包括:
选择方式一时,若该用户进入预约办事模块前近n日无访问服务,则为该用户推荐同类用户中最近预约量最大的事项;若该用户进入预约办事模块前近n日有访问服务记录,则根据该用户最近n日访问的服务为数据基础,计算各服务事项间的相似度并进行排序,选择相似度高于阈值且排序靠前的事项进行推荐,其中n≥1;
选择方式二时,对该用户的同类用户的物品的评分,对评分做和运算后进行归一化,对归一化后的得到的待推荐事项的概率进行排序,根据概率大小排序后将概率最大事项推荐给用户。
场景三:根据用户坐标和历史常用网点推荐合适的办理网点坐标
C1、用户进入预约办事模块,选择预约事项,获取该用户当前地理位置信息,调取用户的历史预约记录和一定时间周期内登录记录中的地理位置坐标信息,其中历史预约记录中包含历史预约办事网点坐标和预约时用户的地理位置坐标信息,以历史预约网点坐标、历史预约用户坐标、用户登录记录坐标、用户当前坐标以及各待办事项网点坐标构建数据集S(参见下表2为每个用户的数据集示例),坐标经纬度均以四舍五入的方式精确到三位小数。
表2数据集S示例
C2、数据集S为基础数据,通过机器学习模型进行无监督训练,得出各坐标点的聚类结果,包括C21和C22:
C21、数据预处理:该数据集S中若为待办事项网点坐标则分类为1,若不是则分类为0,坐标类型为1的部分为训练数据集T,坐标类型为0的部分为待分类实例集X,对待分类实例集进行去除异常值得到处理完的待分类实例集X’,具体有:对于训练数据集T有T={(x1,y1),(x2,y2),...,x(xN,yN)},其中为实例的特征向量,在该场景中为待办事网点的坐标经纬度;为实例的所属类别,在该场景中,K等于待办事网点数,每个待办事网点为一类;i=1,2,...,N。例如,待办事网点有3个可以选择,则训练数据集为T={(x1,0),(x2,1),(x3,2)}。
对于待分类实例集X有X=(x1,x2,...,xM),其中为实例的特征向量,在该场景中为用户历史预约网点坐标、历史预约用户坐标、用户登录记录坐标、用户当前坐标经纬度。考虑到模型将计算各个点之间的距离,且根据实际业务场景各个坐标点经纬度差异基本在0到1的范围内,需要针对基础数据集进行去除异常值。去除异常值有两种方案,一是以该地区边界的经纬度为标准,则超出该地区范围的点视为异常值并去除;二是计算各坐标集合的四分位距(IQR),超过上四分位+1.5倍IQR距离,或者下四分分位-1.5倍IQR距离的点视为离群点,即异常值并去除。
C22、采用KNN(k-nearest neighbor,k近邻算法)算法对待分类实例集进行分类划分,将分类结果进行权重计算,最后输出待分类实例所属类别以及最应推荐的分类和集合,在本阶段采用的方案是不断加入新实例作为训练集进行训练。具体如下:
2)从待分类实例集中取实例x,根据给定的距离度量,在训练集中找出于x最邻近的k个点,涵盖这k个点的x的领域记作Nk(x)。对于k值的选择,当前训练集合中点数小于等于2N0时,k=1;当前训练集合中点数大于2N0时,k=3或根据实际训练结果情况进行调整。
3)在Nk(xi)中根据分类决策规则决定xi的类别yi,在该场景中,由于初始状态各类别均只有一个点,则采取优先以多数表决的方法辅以最近距离优先的原则进行判别。即中,当yi=cj时指示函数I为1,否则I为0。若出现各领域包含点数相同时,判断最邻近点属于哪个邻域,则将实例x划分到该点。
4)将划分好的点(x,y)添加到训练数据集T中,更新集合S0为Sm重复步骤2)和3)直到所有的坐标点进入训练数据集中。输出分类结果集合Y=(y1,y2,...yM)
5)结合权重b进行计算b1·y1+b2·y2+...+bM·yM,计算结果四舍五入后得出最应推荐的分类。此外,对每个类下的点做加权计算得到p=∑b·y,输出集合P=(p1,p2,...,pM)。
C3、根据聚类结果为用户推荐待办事项网点,具体包括:根据C22输出的最应推荐的分类和集合,列表展示推荐的待办事项网点坐标,最应推荐分类下的待办事项网点坐标位于列表之首,其他待办事项网点坐标根据集合的数据由大到小进行排序展示。
以上所述仅为本发明实施实例,并不用以限制本发明,凡在本发明的精神和原则之内的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.基于机器学习的政务预约服务推荐方法,基于特定场景为用户推荐待办事项,其特征在于:
所述特定场景包括场景一、场景二及场景三中的一种或多种;
场景一
A1、用户进入预约办事模块,获取用户身份信息;
A2、根据用户的身份信息,在政务数据库中查找该用户是否有待办事项;
A3、若有,则为用户推荐对应的待办事项;
场景二
B1、用户进入预约办事模块,获取用户身份信息,并根据用户身份信息获取用户在一定时间周期内行为信息,该行为信息包含一定时间周期内的访问服务记录和预约使用记录;
B2、依据用户的身份信息和行为信息构建用户画像并根据用户画像对用户进行聚类,根据用户是否使用过预约事项服务将用户分为Ⅰ类和Ⅱ类,所述Ⅰ类为使用过预约事项服务的用户,所述Ⅱ类为未使用过预约事项服务的用户,若用户分类结果为Ⅰ类,进入B3,若用户分类结果为Ⅱ类,进入B4;
B3、基于用户画像和聚类结果,以相同聚类结果中用户中的Ⅰ类用户的访问记录和预约使用记录的数据为基础,计算并选择相似度最高的服务事项进行推荐;
或者,提取用户访问过的服务和事项数据,基于服务和事项的特征计算相似度,根据用户历史行为数据将相似度评分叠加,得到对目标事项的评分,计算并选择概率最大的待推荐事项推荐给用户;
B4、若用户进入预约办事模块前近n日无访问服务,为该用户推荐同聚类结果用户中Ⅱ类用户中最近预约量最大的事项;若用户进入预约办事模块前近n日有访问服务,则以该用户近n日访问的服务为数据基础,通过排序选取相似度最高的服务事项进行推荐;
或者,以同聚类结果用户中的Ⅱ类用户的物品的评分为数据基础,计算并选择概率最大事项推荐给用户;
场景三
C1、用户进入预约办事模块,选择预约事项,获取该用户当前地理位置信息,调取用户的历史预约记录和一定时间周期内登录记录中的地理位置坐标信息,其中历史预约记录中包含历史预约办事网点坐标和预约时用户的地理位置坐标信息,以历史预约网点坐标、历史预约用户坐标、用户登录记录坐标、用户当前坐标以及各待办事项网点坐标构建数据集S;
C2、数据集S为基础数据,通过机器学习模型进行无监督训练,得出各坐标点的聚类结果;
C3、根据聚类结果为用户推荐待办事项网点。
2.根据权利要求1所述的基于机器学习的政务预约服务推荐方法,其特征在于:
B3或B4中相似度的计算:以天和用户个人为单位进行对各服务访问次数和预约事项次数进行统计,得到训练集X1(user_id,date,服务1访问次数,服务2访问次数,…,服务p’访问次数,事项1预约次数,事项2预约次数,...,事项q’访问次数),其中P’≥1,q’≥1,计算训练集X1中各服务事项间的相似度并进行排序,选择相似度最高的事项进行推荐;
B3或B4中概率的计算:对用户访问过的服务和事项作为物品构建特征集M2(物品id,特征1,特征2,…,特征m),其中m≥1,将用户预约过的事项及访问过的服务和待推荐事项作为神经网络模型的输入特征,对输入的特征用embedding的方法构造低维稠密向量,通过神经网络模型计算物品间相似度,并将输出的相似度在该用户所有历史行为层面上叠加,得到用户对目标事项的评分,对评分做和运算后进行归一化,最终得到待推荐事项的概率,根据概率大小排序后将概率最大事项推荐给用户。
3.根据权利要求1所述的基于机器学习的政务预约服务推荐方法,其特征在于:所述一定时间周期为半年。
4.根据权利要求2所述的基于机器学习的政务预约服务推荐方法,其特征在于:B3中所述计算训练集X中各个服务事项间的相似度,选择相似度高于阈值且排序靠前的事项进行推荐,具体是:计算训练集X中各个服务事项间的Pearson相关系数,构建大小为(p’+q’)×(p’+q’)的物品相关度矩阵,根据该Ⅰ类用户最近n日访问的服务,选取相关系数高于设定阈值的事项,得到集合Y,然后根据Pearson相关系数进行排序后选择排序靠前的事项进行推荐,其中n≥1。
5.根据权利要求4所述的基于机器学习的政务预约服务推荐方法,其特征在于:B3中,若该用户近n日无任何服务访问记录,则为该用户推荐上次预约事项中相关系数最高的事项。
6.根据权利要求1所述的基于机器学习的政务预约服务推荐方法,其特征在于:B3中,设计的所述神经网络模型为多层感知机。
7.根据权利要求1所述的基于机器学习的政务预约服务推荐方法,其特征在于:C2具体包括:
C21、数据预处理:该数据集S中若为待办事项网点坐标则分类为1,若不是则分类为0,坐标类型为1的部分为训练数据集T,坐标类型为0的部分为待分类实例集X,对待分类实例集进行去除异常值得到处理完的待分类实例集X’;
C22、采用KNN算法对待分类实例集进行分类划分,将分类结果进行权重计算,最后输出待分类实例所属类别以及最应推荐的分类和集合。
8.根据权利要求7所述的基于机器学习的政务预约服务推荐方法,其特征在于,C3具体包括:根据C22输出的最应推荐的分类和集合,列表展示推荐的待办事项网点坐标,最应推荐分类下的待办事项网点坐标位于列表之首,其他待办事项网点坐标根据集合的数据由大到小进行排序展示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210118700.5A CN114595850A (zh) | 2022-02-08 | 2022-02-08 | 基于机器学习的政务预约服务推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210118700.5A CN114595850A (zh) | 2022-02-08 | 2022-02-08 | 基于机器学习的政务预约服务推荐方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114595850A true CN114595850A (zh) | 2022-06-07 |
Family
ID=81805718
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210118700.5A Pending CN114595850A (zh) | 2022-02-08 | 2022-02-08 | 基于机器学习的政务预约服务推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114595850A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114943486A (zh) * | 2022-07-21 | 2022-08-26 | 浙江大学 | 基于磁控溅射设备使用效率最优的管理系统及其管理方法 |
CN114969566A (zh) * | 2022-06-27 | 2022-08-30 | 中国测绘科学研究院 | 一种距离度量的政务服务事项协同过滤推荐方法 |
CN116975396A (zh) * | 2023-09-25 | 2023-10-31 | 北京市大数据中心 | 政务服务智能推荐方法、系统、设备及存储介质 |
CN117291446A (zh) * | 2023-11-27 | 2023-12-26 | 广东省信息工程有限公司 | 一种基于人工智能技术的智慧政务服务系统 |
-
2022
- 2022-02-08 CN CN202210118700.5A patent/CN114595850A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114969566A (zh) * | 2022-06-27 | 2022-08-30 | 中国测绘科学研究院 | 一种距离度量的政务服务事项协同过滤推荐方法 |
CN114943486A (zh) * | 2022-07-21 | 2022-08-26 | 浙江大学 | 基于磁控溅射设备使用效率最优的管理系统及其管理方法 |
CN116975396A (zh) * | 2023-09-25 | 2023-10-31 | 北京市大数据中心 | 政务服务智能推荐方法、系统、设备及存储介质 |
CN117291446A (zh) * | 2023-11-27 | 2023-12-26 | 广东省信息工程有限公司 | 一种基于人工智能技术的智慧政务服务系统 |
CN117291446B (zh) * | 2023-11-27 | 2024-03-15 | 广东省信息工程有限公司 | 一种基于人工智能技术的智慧政务服务系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114595850A (zh) | 基于机器学习的政务预约服务推荐方法 | |
CN105787025B (zh) | 网络平台公共账号分类方法及装置 | |
US20070106663A1 (en) | Methods and apparatus for using user personality type to improve the organization of documents retrieved in response to a search query | |
CN109584094B (zh) | 一种人际路径快速定位系统、方法及介质 | |
CN109783639A (zh) | 一种基于特征提取的调解案件智能分派方法及系统 | |
CN110674312B (zh) | 构建知识图谱方法、装置、介质及电子设备 | |
CN110046889B (zh) | 一种异常行为主体的检测方法、装置及服务器 | |
CN110852785B (zh) | 用户分级方法、装置及计算机可读存储介质 | |
CN106933883B (zh) | 基于检索日志的兴趣点常用检索词分类方法、装置 | |
CN112800210A (zh) | 基于海量公交数据的人群画像算法 | |
CN112418656A (zh) | 智能坐席分派方法、装置、计算机设备和存储介质 | |
CN113706291A (zh) | 欺诈风险预测方法、装置、设备及存储介质 | |
CN107248023B (zh) | 一种对标企业名单的筛选方法和装置 | |
CN117114514A (zh) | 一种基于大数据的人才信息分析管理方法、系统及装置 | |
CN111651574A (zh) | 事件类型识别方法、装置、计算机设备和存储介质 | |
CN111429161A (zh) | 特征提取方法、特征提取装置、存储介质及电子设备 | |
CN117272995B (zh) | 一种重复工单推荐方法及装置 | |
Babu et al. | Geographical address classification without using geolocation coordinates | |
Sun et al. | Will the Order Be Canceled? Order Cancellation Probability Prediction Based on Deep Residual Model | |
CN109992592B (zh) | 基于校园消费卡流水数据的高校贫困生识别方法 | |
CN111292099B (zh) | 一种智能车站反刷票方法和反刷票系统 | |
CN112685656A (zh) | 标签推荐方法及电子设备 | |
CN111241162A (zh) | 高速铁路成网条件下旅客出行行为分析方法及存储介质 | |
US20090271387A1 (en) | Extraction Method of Interview Relation by Optimal Condition and Record Medium Recording Thereof | |
CN114119069A (zh) | 资源管理产品推荐方法及装置、电子设备、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 |