CN114741606A - 企业推荐方法、装置、计算机可读介质及电子设备 - Google Patents
企业推荐方法、装置、计算机可读介质及电子设备 Download PDFInfo
- Publication number
- CN114741606A CN114741606A CN202210459445.0A CN202210459445A CN114741606A CN 114741606 A CN114741606 A CN 114741606A CN 202210459445 A CN202210459445 A CN 202210459445A CN 114741606 A CN114741606 A CN 114741606A
- Authority
- CN
- China
- Prior art keywords
- enterprise
- user
- enterprises
- sample
- determining
- 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 81
- 230000006399 behavior Effects 0.000 claims description 46
- 238000012549 training Methods 0.000 claims description 38
- 238000012544 monitoring process Methods 0.000 claims description 23
- 238000012545 processing Methods 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 12
- 238000010276 construction Methods 0.000 claims description 6
- 238000011144 upstream manufacturing Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 5
- 239000013598 vector Substances 0.000 description 16
- 238000004891 communication Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 12
- 238000004458 analytical method Methods 0.000 description 5
- 230000005236 sound signal Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000003032 molecular docking Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003068 static effect Effects 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
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- 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
- G06F16/958—Organisation or management of web site content, e.g. publishing, maintaining pages or automatic linking
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
本公开涉及一种企业推送方法、装置、计算机可读介质及电子设备,该方法包括:根据用户在当前时间段内在信息查询平台上留下的浏览记录,确定用户的企业偏好,确定待推荐的企业列表,从企业列表中提取与所述用户的企业偏好匹配的一个或多个目标企业;以及通过信息查询平台,将一个或多个目标企业推荐给用户;在实施过程中,只需要统计收集用户的浏览记录,无需投入大量的人力来构建贴合业务场景的复杂用户画像特征,就能实现根据用户的企业偏好为用户匹配一个或多个目标企业,节约了时间成本及人力成本。
Description
技术领域
本公开涉及数据推荐领域,具体地,涉及一种企业推荐方法、装置、计算机可读介质及电子设备。
背景技术
电话销售在寻找客户、拓展商机时,通常会使用拓客工具来查询符合自己需求的目标企业,获取联系方式并进行电话推销,通常电话销售需要手动查询或导出目标企业,其过程复杂、繁琐且耗时。因此,有必要提供一种专门针对电话销售的目标企业推荐方法来为业务平台中的销售群体用户提供企业查询与推荐服务。
发明内容
本公开的目的是提供一种企业推荐方法、装置、计算机可读介质及电子设备,用以实现根据用户企业偏好推荐符合用户需求的企业的目的。
第一方面,本公开提供一种企业推荐方法,包括:根据用户在当前时间段内在信息查询平台上留下的浏览记录,确定所述用户的企业偏好;确定待推荐的企业列表;从所述企业列表中提取与所述用户的企业偏好匹配的一个或多个目标企业;以及通过所述信息查询平台,将所述一个或多个目标企业推荐给所述用户。
可选地,其中,确定待推荐的企业列表,包括以下之一:直接将企业池中所有企业构成的列表作为所述待推荐的企业列表;从企业池中筛选出当前时间段内的热点公司,并列入所述待推荐的企业列表;根据所述用户在当前时间段内关注的企业和/或监控的企业,先从企业池中召回第一预定数量的满足相同地区和/或相同行业要求的候选企业,再将所述候选企业列入所述待推荐的企业列表。
可选地,其中:确定所述用户的企业偏好,包括:确定所述用户在当前时间段内关注的企业和/或监控的企业;从所述企业列表中提取与所述用户的企业偏好匹配的一个或多个目标企业,包括:将所述企业列表中的每个企业与所述用户在当前时间段内关注的企业和/或监控的企业中的每个企业一一生成对应的企业对;利用企业推荐模型对每个企业对进行匹配度预测,获得对应的匹配度得分;以及根据获得的所有匹配度得分,从所述企业列表中提取第二预定数量的目标企业。
第二方面,本公开提供一种企业推荐模型的训练方法,包括:获取样本用户群体中每个样本用户在第一预设时间段内关注的企业和/或监控的企业;根据获取的被关注企业和/或被监控企业,构造样本企业对;确定每个样本企业对中的两个企业的匹配得分;以及利用构造的每个样本企业对与对应确定的匹配得分,训练企业推荐模型。
可选地,其中,根据获取的被关注企业和/或被监控企业,构造样本企业对,包括以下之一:在获取的所有被关注企业和/或被监控企业中两两之间构造对应的同级行业样本企业对;将所获取的被关注企业和/或被监控企业中的每个与对应样本用户所在的企业之间两两构造对应的上下游行业样本企业对。
可选地,其中,确定每个样本企业对中的两个企业的匹配得分,包括:根据对应的关注行为权重和/或监控行为权重、以及时间衰减系数、以及关注行为和/或监控行为发生的时间点距当前时间点的间隔时间,确定每个样本企业对中的两个企业的匹配得分。
可选地,其中,通过以下公式确定每个样本企业对中的两个企业的匹配得分:
其中,SCORE表示匹配得分,m表示关注行为权重或监控行为权重,k表示时间衰减系数,i表示所述间隔时间。
可选地,还包括通过以下操作确定所述样本用户群体:从信息查询平台获取第二预设时间段内的用户行为数据;以及根据获取的用户行为数据,确定在所述信息查询平台上有企业信息批量导出行为和/或批量联系企业行为的用户群体以作为所述样本用户群体。
第三方面,本公开提供一种对象推荐方法,包括:根据用户在当前时间段内在特定应用平台上留下的浏览记录,确定所述用户关注的一个或多个目标对象;以及通过所述特定应用平台,将所述一个或多个目标对象推荐给所述用户。
第四方面,本公开提供一种企业推荐装置,包括:处理模块,用于根据用户在当前时间段内在信息查询平台上留下的浏览记录,确定所述用户的企业偏好;确定模块,用于确定待推荐的企业列表;提取模块,用于从所述企业列表中提取与所述用户的企业偏好匹配的一个或多个目标企业;以及推荐模块,用于通过所述信息查询平台,将所述一个或多个目标企业推荐给所述用户。
第五方面,本公开提供一种企业推荐模型的训练装置,包括:获取模块,用于获取样本用户群体中每个样本用户在第一预设时间段内关注的企业和/或监控的企业;构造模块,用于根据获取的被关注企业和/或被监控企业,构造样本企业对;处理模块,用于确定每个样本企业对中的两个企业的匹配得分;以及训练模块,用于利用构造的每个样本企业对与对应确定的匹配得分,训练企业推荐模型。
第六方面,本公开提供一种对象推荐装置,包括:确定模块,用于根据用户在当前时间段内在特定应用平台上留下的浏览记录,确定所述用户关注的一个或多个目标对象;以及推荐模块,用于通过所述特定应用平台,将所述一个或多个目标对象推荐给所述用户。
第五方面,本公开提供一种计算机可读介质,其上存储有计算机程序,该计算机程序被处理装置执行时实现前述的企业推荐方法、企业推荐模型的训练方法及对象推荐方法的步骤。
第六方面,本公开提供一种电子设备,包括:存储装置,其上存储有计算机程序;处理装置,用于执行所述存储装置中的所述计算机程序,以实现前述的企业推荐方法、企业推荐模型的训练方法及对象推荐方法的步骤。
通过上述技术方案,根据用户在当前时间段内在信息查询平台上留下的浏览记录,确定用户的企业偏好,确定待推荐的企业列表,从企业列表中提取与所述用户的企业偏好匹配的一个或多个目标企业;以及通过信息查询平台,将一个或多个目标企业推荐给用户;在实施过程中,只需要统计收集用户的浏览记录,无需投入大量的人力来构建贴合业务场景的复杂用户画像特征,就能实现根据用户的企业偏好为用户匹配一个或多个目标企业,节约了时间成本及人力成本。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,原件和元素不一定按照比例绘制。在附图中:
图1是本公开一个示例性实施例提供的计算机系统的结构示意图。
图2是本公开一个示例性实施例提供的企业推荐方法的流程图。
图3是本公开一个示例性实施例示出的步骤S103的子步骤的流程图。
图4是本公开一个示例性实施例示出的企业推荐模型的训练方法的流程图。
图5是本公开一个示例性实施例提供的企业推荐流程图。
图6是本公开一个示例性实施例提供的对象推荐方法的流程图。
图7是本公开一个示例性实施例示出的一种企业推荐装置框图。
图8是本公开一个示例性实施例示出的一种企业推荐模型的训练装置框图。
图9是本公开一个示例性实施例示出的一种对象推荐装置框图。
图10是根据一示例性实施例示出的一种电子设备的框图。
图11是根据一示例性实施例示出的另一种电子设备的框图。
附图标记说明
120-终端;140-服务器;20-企业推荐装置;201-处理模块;203-确定模块;205-提取模块;207-推荐模块;30-企业推荐模型的训练装置;301-获取模块;303-构造模块;305-处理模块;307-训练模块;40-对象推荐装置;411-确定模块;412-推荐模块;400-电子设备;401-处理器;402-存储器;403-多媒体组件;404-输入/输出(I/O)接口;405-通信组件;500-电子设备;522-处理器;532-存储器;526-电源组件;550-通信组件;558-输入/输出(I/O)接口。
具体实施方式
以下结合附图对本公开的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本公开,并不用于限制本公开。
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公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
需要说明的是,本公开中所有获取信号、信息或数据的动作都是在遵照所在地国家相应的数据保护法规政策的前提下,并获得由相应装置所有者给予授权的情况下进行的。
在设计商机拓客场景下的企业推荐系统时,通过常用的性别、年龄、职业、类别喜好等用户画像特征不能准确地划分用户群体,即用户对企业的偏好与用户的性别、年龄、职业等特征相关性不强,而为商机拓客设计复杂的用户画像体系又需要业务专家投入大量的精力,才能构建贴合业务场景的用户标签。因此本公开提出的一种企业推荐方法,用以解决上述问题。
图1示出了本公开一个示例性实施例提供的计算机系统的结构示意图,该计算机系统包括终端120和服务器140。
终端120与服务器140之间通过有线或者无线网络相互连接。
终端120可以包括智能手机、笔记本电脑、台式电脑、平板电脑、智能音箱、智能机器人中的至少一种。
终端120包括显示器;显示器用于显示用户的浏览记录或企业推荐结果。
终端120包括第一存储器和第一处理器。第一存储器中存储有第一程序;上述第一程序被第一处理器调用执行以实现本公开提供的企业推荐方法、企业推荐模型的训练方法及对象推荐方法。第一存储器可以包括但不限于以下几种:随机存取存储器(RandomAccess Memory,RAM)、只读存储器(Read Only Memory,ROM)、可编程只读存储器(Programmable Read-Only Memory,PROM)、可擦除只读存储器(Erasable ProgrammableRead-Only Memory,EPROM)、以及电可擦除只读存储器(Electric Erasable ProgrammableRead-Only Memory,EEPROM)。
第一处理器可以是一个或者多个集成电路芯片组成。可选地,第一处理器可以是通用处理器,比如,中央处理器(Central Processing Unit,CPU)或者网络处理器(NetworkProcessor,NP)。可选地,第一处理器可以通过调用预训练的企业推荐模型来实现本公开提供的企业推荐方法、企业推荐模型的训练方法及对象推荐方法。示例性的,终端中的企业推荐模型可以是由终端训练得到的;或,由服务器训练得到,终端从服务器获取。
服务器140包括第二存储器和第二处理器。第二存储器中存储有第二程序,上述第二程序被第二处理器调用来实现本公开提供的企业推荐方法、企业推荐模型的训练方法及对象推荐方法。示例性的,第二存储器中存储有预训练的企业推荐模型,上述预训练的企业推荐模型被第二处理器调用以实现企业推荐方法、企业推荐模型的训练方法及对象推荐方法。可选地,第二存储器可以包括但不限于以下几种:RAM、ROM、PROM、EPROM、EEPROM。可选地,第二处理器可以是通用处理器,比如,CPU或者NP。
服务器可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN(Content Delivery Network,内容分发网络)、以及大数据和人工智能平台等基础云计算服务的云服务器。终端可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等,但并不局限于此。终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接,本公开在此不做限制。
示例性的,服务器可以为业务系统的服务器,服务器能提供各种业务,例如用于查询企业信息天眼查系统,天眼查系统提供的业务可以包括但不限于注册、登录、企业查询、企业关注及企业监控等业务,用户还可以通过该业务系统查询符合自己需求的目标企业,获取该目标企业的联系方式,以进行下一步的业务对接。该业务系统在有需要时可以向使用该业务系统查询的用户终端推送目标企业。终端上可以安装业务系统的客户端,以供用户使用。
本公开一个示例性实施例提供的企业推荐方法包括:根据用户在当前时间段内在信息查询平台上留下的浏览记录,确定用户的企业偏好,例如可以是距离当前时间十分钟以内的用户浏览记录,也可以是距离当前时间最近的一次浏览记录,浏览记录可以是用户对兴趣内容的点击行为触发的浏览记录,因此根据该浏览记录可以获取到用户的企业偏好;确定待推荐的企业列表,例如可以根据用户的企业偏好确定一定数量的待推荐的企业列表;然后从企业列表中提取与用户的企业偏好匹配的一个或多个目标企业,例如根据企业列表中的企业与用户的企业偏好的匹配度得分匹配目标企业;以及通过信息查询平台,将一个或多个目标企业推荐给用户。在实施过程中,只需要统计收集用户的浏览记录,无需投入大量的人力来构建贴合业务场景的复杂用户画像特征,就能实现根据用户的企业偏好为用户匹配一个或多个目标企业,节约了时间成本及人力成本。
请参阅图2,图2为本公开一个示例性实施例提供的企业推荐方法的流程图。该方法由计算机设备来执行,例如,由图1所示的计算机系统中的终端或服务器来执行。图2所示的企业推荐方法包括以下步骤:
在步骤S101中,根据用户在当前时间段内在信息查询平台上留下的浏览记录,确定用户的企业偏好。
当前时间段可以是十分钟、三十分钟或一个小时,本公开对此不做限制。信息查询平台用于查询用户需要的信息,如前述提到的天眼查系统,可以用户查询企业。
示例性的,可以是距离当前时间十分钟以内的用户浏览记录,也可以是距离当前时间最近的一次浏览记录,浏览记录可以是用户对兴趣企业的点击行为触发的浏览记录,浏览记录中包括用户浏览的企业和该企业的信息,如联系方式、经营范围等。因此根据该浏览记录可以获取到用户的兴趣企业。
示例性的,可以将用户在当前时间段内关注的企业和/或监控的企业确定用户的企业偏好。
在步骤S102中,确定待推荐的企业列表。
需要说明的是,确定待推荐的企业列表的方式主要有以下三种:
一是直接将企业池中所有企业构成的列表作为待推荐的企业列表。其中,企业池是信息查询平台存储的所有企业。
二是从企业池中筛选出当前时间段内的热点公司,并列入待推荐的企业列表,例如一些热门的互联网大企业。
三是根据用户在当前时间段内关注的企业和/或监控的企业,先从企业池中召回第一预定数量的满足相同地区和/或相同行业要求的候选企业,再将所述候选企业列入所述待推荐的企业列表。例如用户当前时间段内的关注的企业和/或监控的企业包括一些互联网企业、食品企业、游戏企业,表明用户对这些企业感兴趣,那么可以从企业池中召回第一预定数量的互联网企业、食品企业、游戏企业;又例如用户当前时间段内的浏览记录包括一些M地区的互联网企业,那么可以从企业池中召回第一预定数量的M地区的互联网企业。其中,第一预定数量可以基于人为经验取得,或是其他可行的方式取得,示例性的,第一预定数量可以是但不限于5000。根据用户当前时间段内关注的企业和/或监控的企业,召回满足要求的候选企业,能筛选出贴合用户的企业偏好,无需投入大量的人力来构建贴合业务场景的复杂用户画像特征,节约了时间成本及人力成本。
在步骤S103中,从企业列表中提取与用户的企业偏好匹配的一个或多个目标企业。
需要说明的是,步骤S103还包括子步骤S1031及子步骤S1032,匹配的一个或多个目标企业的具体方式将在步骤S103的子步骤中进行详细描述。请参阅图3,图3是本公开示例性实施例示出的步骤S103的子步骤的流程图。
在子步骤S1031中,将企业列表中的每个企业与用户在当前时间段内关注的企业和/或监控的企业中的每个企业一一生成对应的企业对。
示例性的,可以将企业列表中的每个企业与用户在当前时间段内关注的企业中的每个企业一一生成对应的企业对,例如{(关注企业1,企业列表1),(关注企业2,企业列表2)…(关注企业m,企业列表m)},以及可以将企业列表中的每个企业与用户在当前时间段内监控的企业中的每个企业一一生成对应的企业对,例如{(监控企业1,企业列表1),(监控企业2,企业列表2)…(监控企业n,企业列表n)}。企业列表1表示企业列表中代号为1的企业,企业列表2表示企业列表中代号为2的企业,并以此类推。
在子步骤S1032中,利用企业推荐模型对每个企业对进行匹配度预测,获得对应的匹配度得分。
需要说明的是,企业推荐模型是预先根据企业对以及企业对对应的匹配度得分训练得到的,可以预测每个企业对的匹配度得分。
在子步骤S1032中,根据获得的所有匹配度得分,从企业列表中提取第二预定数量的目标企业。
示例性的,可以根据匹配度得分大小对所有企业对进行排序,从企业列表中提取第二预定数量的目标企业,第二预定数量可以是但不限于60,例如将排序前60的企业对作为目标企业。
在步骤S104中,通过信息查询平台,将一个或多个目标企业推荐给用户。
示例性的,信息查询平台可以天眼查系统,通过天眼查系统,将一个或多个目标企业推荐给用户。
请参阅图4,图4为本公开一个示例性实施例提供的企业推荐模型的训练方法的流程图。该方法由计算机设备来执行,例如,由图1所示的计算机系统中的终端或服务器来执行。图4所示的企业推荐模型的训练方法包括以下步骤:
在步骤S201中,获取样本用户群体中每个样本用户在第一预设时间段内关注的企业和/或监控的企业。
第一预设时间段可以是但不限于一年、半年等。
示例性的,收集第一预设时间段内天眼查系统的样本用户群体的行为日志,该行为日志中包括用户的行为数据,解析该行为日志得到解析结果,解析结果中包括样本用户群体信息以及样本用户群体的行为数据,用户信息可以是样本用户群体自己所在的企业、以及样本用户群体的账号信息、登录信息等,样本用户群体的行为数据包括样本用户群体查询过的企业、样本用户群体关注过的企业、样本用户群体批量导出过的企业或样本用户群体批量联系过的企业等。
样本用户群体的确定方式包括:从信息查询平台获取第二预设时间段内的用户行为数据,以及根据获取的用户行为数据,确定在信息查询平台上有企业信息批量导出行为和/或批量联系企业行为的用户群体以作为样本用户群体。其中,第二预设时间段可以是但不限于半个月、一个月等。
在步骤S202中,根据获取的被关注企业和/或被监控企业,构造样本企业对。
示例性的,可以将用户的关注企业与样本用户群体自己所在的企业构建多个样本企业对,例如{(关注企业1,用户企业),(关注企业2,用户企业)…(关注企业m,用户企业)},以及可以将样本用户群体的监控企业与样本用户群体自己所在的企业构建多个样本企业对,例如{(监控企业1,用户企业),(监控企业2,用户企业)…(监控企业n,用户企业)}。其中,用户企业为样本用户群体自己所在的企业。
需要说明的是,不管是根据关注企业构建样本企业对,还是根据监控企业构建样本企业对,构建的方式主要有以下两种,一是用户企业的行业性质与关注/监控企业的行业性质属于上下游行业,二是获取的所有被关注企业和/或被监控企业中两两之间构造对应的同级行业样本企业对。
在步骤S203中,确定每个样本企业对中的两个企业的匹配得分。
可以根据关注企业、关注时间、监控企业、监控时间及当前时间,计算每一个样本企业对的匹配得分。
该匹配得分的计算公式包括:
其中,SCORE为匹配得分,k为时间衰减系数,i为样本用户群体的关注时间距当前时间的间隔天数,当前述的第一预设时间段为一年时,n的取值为365,m为关注行为权重或监控行为权重,当计算根据关注企业构建的样本企业对的匹配得分时,m为关注行为权重,当计算根据监控企业构建的样本企业对的匹配得分时,m为监控行为权重。
示例性的,根据牛顿冷却定律,假定一年后,样本用户群体对相应的企业的兴趣会递减为0.1,则时间衰减参数k的计算公为0.1=1*e-k*365,根据该计算公式可以计算出时间衰减系数k的值,一年后样本用户群体对相应的企业的兴趣的衰减后的值还可以是其他值,如0.2、0.3等,该值可以基于人为经验确定,或是其他可行的方式确定,本公开对此不作限制。
在步骤S204中,利用构造的每个样本企业对与对应确定的匹配得分,训练企业推荐模型。
首先提取每个样本企业对中企业多个维度的特征:对样本企业对中的每个企业多个维度的特征进行特征工程。示例性的,可以包括营业状态、经营区域、所属行业、注册资本、成立时间、企业类型、行政许可数量等维度,特征包括类别型特征和数值型特征,类别型特征用于表征特征的类别,数值型特征用于表征特征的数值,如经营区域、所属行业是类别型特征,注册资本、成立时间是数值型特征。
根据业务场景对特征进行空值填充。根据业务场景对特征进行空值填充包括:根据业务场景的不同在类别型特征的空值位置处填充特殊值或者指定频次的类别值,该特殊值可以是人为预先确定的某个类别特征的值,该指定频次的类别值可以是类别型特征中已经出现过的、出现次数最多的类别标签。根据业务场景对特征进行空值填充还包括:根据业务场景的不同在数值型特征的空值位置处填充零值或者指定数值,该指定数值可以是所有数值型特征的中位数或平均数,本公开对此不作限制。
根据空值填充后的类别型特征得到独热编码向量,以及对空值填充后的数值型特征进行归一化处理得到归一化向量。对空值填充后的类别型特征进行one-hot(独热向量)编码,得到独热编码向量;对空值填充后的数值型特征进行归一化处理,得到归一化向量,以减小注册资本等数值较大的数值型特征对企业推荐模型的影响。
根据独热编码向量和归一化向量拼接样本企业对中两个企业的特征,构建样本企业对向量。
示例性的,对于(关注企业1,用户企业)这样一个样本企业对来说,将关注企业1的独热编码向量、归一化向量与用户企业的独热编码向量、归一化向量进行拼接,得到样本企业对向量。对每一个企业都进行这样的拼接,得到多个样本企业对向量。
最后根据样本企业对向量和样本企业对的匹配得分训练得到企业推荐模型。根据前述得到的多个样本企业对向量和每个样本企业对的匹配得分训练得到企业推荐模型。在一种实施方式中,可以使用梯度提升(Gradient Boosting,XGBoost)、LightGBM(全称为Light Gradient Boosting Machine,是一个boosting的框架)、因式分解机(Factorization Machines,FM)、深度因式分解机(Factorization Machines,DeepFM)、深度兴趣进化网络(Deep Interest Evolution Network,DIEN)、双塔模型等深度学习推荐算法来训练得到企业推荐模型。
根据训练得到的企业推荐模型,利用图2提供的企业推荐方法,可以得到一示例性的企业推荐流程图,请参考图5,是本公开一个示例性实施例提供的企业推荐流程图。
图5中,以天眼查系统为例进行说明,首先获取天眼查系统的全量用户,将该全量用户中有企业信息批量导出行为和/或批量联系企业行为的用户群体以作为目标用户,即销售用户,并记录销售用户自身所属的企业;获取销售用户指定时间段(如一个月、两个月等)的行为日志,对该行为日志进行解析得到解析结果,该解析结果包括用户在指定时间段的关注企业和监控企业;然后根据用户的关注企业和监控企业构建企业对,其中用户企业的行业性质与关注/监控企业的行业性质属于上下游行业的企业对属于上下游企业对,被关注企业和/或被监控企业中两两之间构造的属于同级企业对,企业对的具体构建方法可以参考步骤S103中的描述;该解析结果还包括用户的浏览记录,浏览记录中包括用户最近点击浏览过的企业,根据用户最近点击浏览过的企业确定用户偏好,根据用户偏好确定召回词,然后根据召回词从企业池中召回待推荐的候选企业,最后根据训练得到的企业推荐模型从候选企业中确定一个或多个目标企业,通过天眼查系统,将一个或多个目标企业推荐给用户。
综上所述,本公开示例性实施例提供的企业推荐方法,包括:根据用户在当前时间段内在信息查询平台上留下的浏览记录,确定用户的企业偏好,确定待推荐的企业列表,从企业列表中提取与所述用户的企业偏好匹配的一个或多个目标企业;以及通过信息查询平台,将一个或多个目标企业推荐给用户;在实施过程中,只需要统计收集用户的浏览记录,无需投入大量的人力来构建贴合业务场景的复杂用户画像特征,就能实现根据用户的企业偏好为用户匹配一个或多个目标企业,节约了时间成本及人力成本。
请参阅图6,图6为本公开一个示例性实施例提供的对象推荐方法的流程图。该方法由计算机设备来执行,例如,由图1所示的计算机系统中的终端或服务器来执行。图2所示的对象推荐方法包括以下步骤:
在步骤S301中,根据用户在当前时间段内在特定应用平台上留下的浏览记录,确定用户关注的一个或多个目标对象。
当前时间段内可以是但不限于一天、三天等。特定应用平台可以是购物平台、新闻网站等。
根据用户在购物平台、新闻网站等留下的浏览记录,根据前述的企业推荐方法确定用户关注的一个或多个目标对象。该目标对象为符合用户偏好的对象,目标对象与用户的浏览记录具有较高的匹配分数,匹配分数的具体计算方法可以参考前述。
在步骤S302中,通过特定应用平台,将该一个或多个目标对象推荐给用户。
只需要统计收集用户的浏览记录,无需投入大量的人力来构建贴合业务场景的复杂用户画像特征,就能实现根据用户的兴趣偏好为用户匹配一个或多个目标对象,节约了时间成本及人力成本。
图7是本公开一个示例性实施例示出的一种企业推荐装置框图。参照图7,该装置20包括处理模块201、确定模块203、提取模块205及推荐模块207。
该处理模块201,用于根据用户在当前时间段内在信息查询平台上留下的浏览记录,确定所述用户的企业偏好;
确定模块203,用于确定待推荐的企业列表;
提取模块205,用于确定待推荐的企业列表;以及
推荐模块207,用于通过所述信息查询平台,将所述一个或多个目标企业推荐给所述用户。
可选地,该确定模块203还用于直接将企业池中所有企业构成的列表作为所述待推荐的企业列表;
从企业池中筛选出当前时间段内的热点公司,并列入所述待推荐的企业列表;
根据所述用户在当前时间段内关注的企业和/或监控的企业,先从企业池中召回第一预定数量的满足相同地区和/或相同行业要求的候选企业,再将所述候选企业列入所述待推荐的企业列表。
可选地,该确定模块203还用于确定所述用户在当前时间段内关注的企业和/或监控的企业;
该提取模块205,还用于将所述企业列表中的每个企业与所述用户在当前时间段内关注的企业和/或监控的企业中的每个企业一一生成对应的企业对;
利用企业推荐模型对每个企业对进行匹配度预测,获得对应的匹配度得分;以及
根据获得的所有匹配度得分,从所述企业列表中提取第二预定数量的目标企业
图8是本公开一个示例性实施例示出的一种企业推荐模型的训练装置框图。参照图8,该装置30包括获取模块301、构造模块303、处理模块305及训练模块307。
该获取模块301,用于获取样本用户群体中每个样本用户在第一预设时间段内关注的企业和/或监控的企业;
该构造模块303,用于根据获取的被关注企业和/或被监控企业,构造样本企业对;
该处理模块305,用于确定每个样本企业对中的两个企业的匹配得分;以及
该训练模块307,用于利用构造的每个样本企业对与对应确定的匹配得分,训练企业推荐模型。
可选地,该构造模块303还用于在获取的所有被关注企业和/或被监控企业中两两之间构造对应的同级行业样本企业对;
将所获取的被关注企业和/或被监控企业中的每个与对应样本用户所在的企业之间两两构造对应的上下游行业样本企业对。
可选地,该处理模块305还用于根据对应的关注行为权重和/或监控行为权重、以及时间衰减系数、以及关注行为和/或监控行为发生的时间点距当前时间点的间隔时间,确定每个样本企业对中的两个企业的匹配得分。
可选地,该处理模块305通过以下公式确定每个样本企业对中的两个企业的匹配得分:
其中,SCORE表示匹配得分,m表示关注行为权重或监控行为权重,k表示时间衰减系数,i表示所述间隔时间。
可选地,处理模块305通过以下操作确定所述样本用户群体:
从信息查询平台获取第二预设时间段内的用户行为数据;以及
根据获取的用户行为数据,确定在所述信息查询平台上有企业信息批量导出行为和/或批量联系企业行为的用户群体以作为所述样本用户群体。
图9是本公开一个示例性实施例示出的一种对象推荐装置框图。参照图9,该装置40包括确定模块411及推荐模块412。
该确定模块411,用于根据用户在当前时间段内在特定应用平台上留下的浏览记录,确定所述用户关注的一个或多个目标对象;以及
该推荐模块412,用于通过所述特定应用平台,将所述一个或多个目标对象推荐给所述用户。
图10是根据一示例性实施例示出的一种电子设备400的框图。如图10所示,该电子设备400可以是图1所示的终端,该终端包括:处理器401,存储器402。该电子设备400还可以包括多媒体组件403,输入/输出(I/O)接口404,以及通信组件405中的一者或多者。
其中,处理器401用于控制该电子设备400的整体操作,以完成上述的企业推荐方法或企业推荐模型的训练方法中的全部或部分步骤。存储器402用于存储各种类型的数据以支持在该电子设备400的操作,这些数据例如可以包括用于在该电子设备400上操作的任何应用程序或方法的指令,以及应用程序相关的数据,例如联系人数据、收发的消息、图片、音频、视频等等。该存储器402可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,例如静态随机存取存储器(Static Random Access Memory,简称SRAM),电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,简称EEPROM),可擦除可编程只读存储器(Erasable Programmable Read-Only Memory,简称EPROM),可编程只读存储器(Programmable Read-Only Memory,简称PROM),只读存储器(Read-Only Memory,简称ROM),磁存储器,快闪存储器,磁盘或光盘。多媒体组件403可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏,音频组件用于输出和/或输入音频信号。例如,音频组件可以包括一个麦克风,麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器402或通过通信组件405发送。音频组件还包括至少一个扬声器,用于输出音频信号。I/O接口404为处理器401和其他接口模块之间提供接口,上述其他接口模块可以是键盘,鼠标,按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件405用于该电子设备400与其他设备之间进行有线或无线通信。无线通信,例如Wi-Fi,蓝牙,近场通信(Near Field Communication,简称NFC),2G、3G、4G、NB-IOT、eMTC、或其他5G等等,或它们中的一种或几种的组合,在此不做限定。因此相应的该通信组件405可以包括:Wi-Fi模块,蓝牙模块,NFC模块等等。
在一示例性实施例中,电子设备400可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit,简称ASIC)、数字信号处理器(DigitalSignal Processor,简称DSP)、数字信号处理设备(Digital Signal Processing Device,简称DSPD)、可编程逻辑器件(Programmable Logic Device,简称PLD)、现场可编程门阵列(Field Programmable Gate Array,简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述的企业推荐方法或企业推荐模型的训练方法。
在另一示例性实施例中,还提供了一种包括程序指令的计算机可读存储介质,该程序指令被处理器执行时实现上述的企业推荐方法或企业推荐模型的训练方法的步骤。例如,该计算机可读存储介质可以为上述包括程序指令的存储器402,上述程序指令可由电子设备400的处理器401执行以完成上述的企业推荐方法或企业推荐模型的训练方法。
图11是根据一示例性实施例示出的另一种电子设备500的框图。例如,电子设备500可以被提供为如图1所示的服务器。参照图11,电子设备500包括处理器522,其数量可以为一个或多个,以及存储器532,用于存储可由处理器522执行的计算机程序。存储器532中存储的计算机程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理器522可以被配置为执行该计算机程序,以执行上述的企业推荐方法或企业推荐模型的训练方法。
另外,电子设备500还可以包括电源组件526和通信组件550,该电源组件526可以被配置为执行电子设备500的电源管理,该通信组件550可以被配置为实现电子设备500的通信,例如,有线或无线通信。此外,该电子设备500还可以包括输入/输出(I/O)接口558。电子设备500可以操作基于存储在存储器532的操作系统,例如Windows ServerTM,Mac OSXTM,UnixTM,LinuxTM等等。
在另一示例性实施例中,还提供了一种包括程序指令的计算机可读存储介质,该程序指令被处理器执行时实现上述的企业推荐方法或企业推荐模型的训练方法的步骤。例如,该非临时性计算机可读存储介质可以为上述包括程序指令的存储器532,上述程序指令可由电子设备500的处理器522执行以完成上述的企业推荐方法或企业推荐模型的训练方法。
在另一示例性实施例中,还提供一种计算机程序产品,该计算机程序产品包含能够由可编程的装置执行的计算机程序,该计算机程序具有当由该可编程的装置执行时用于执行上述的企业推荐方法或企业推荐模型的训练方法的代码部分。
以上结合附图详细描述了本公开的优选实施方式,但是,本公开并不限于上述实施方式中的具体细节,在本公开的技术构思范围内,可以对本公开的技术方案进行多种简单变型,这些简单变型均属于本公开的保护范围。
另外需要说明的是,在上述具体实施方式中所描述的各个具体技术特征,在不矛盾的情况下,可以通过任何合适的方式进行组合,为了避免不必要的重复,本公开对各种可能的组合方式不再另行说明。
此外,本公开的各种不同的实施方式之间也可以进行任意组合,只要其不违背本公开的思想,其同样应当视为本公开所公开的内容。
Claims (14)
1.一种企业推荐方法,包括:
根据用户在当前时间段内在信息查询平台上留下的浏览记录,确定所述用户的企业偏好;
确定待推荐的企业列表;
从所述企业列表中提取与所述用户的企业偏好匹配的一个或多个目标企业;以及
通过所述信息查询平台,将所述一个或多个目标企业推荐给所述用户。
2.根据权利要求1所述的方法,其中,确定待推荐的企业列表,包括以下之一:
直接将企业池中所有企业构成的列表作为所述待推荐的企业列表;
从企业池中筛选出当前时间段内的热点公司,并列入所述待推荐的企业列表;
根据所述用户在当前时间段内关注的企业和/或监控的企业,先从企业池中召回第一预定数量的满足相同地区和/或相同行业要求的候选企业,再将所述候选企业列入所述待推荐的企业列表。
3.根据权利要求1所述的方法,其中:
确定所述用户的企业偏好,包括:确定所述用户在当前时间段内关注的企业和/或监控的企业;
从所述企业列表中提取与所述用户的企业偏好匹配的一个或多个目标企业,包括:
将所述企业列表中的每个企业与所述用户在当前时间段内关注的企业和/或监控的企业中的每个企业一一生成对应的企业对;
利用企业推荐模型对每个企业对进行匹配度预测,获得对应的匹配度得分;以及
根据获得的所有匹配度得分,从所述企业列表中提取第二预定数量的目标企业。
4.一种企业推荐模型的训练方法,包括:
获取样本用户群体中每个样本用户在第一预设时间段内关注的企业和/或监控的企业;
根据获取的被关注企业和/或被监控企业,构造样本企业对;
确定每个样本企业对中的两个企业的匹配得分;以及
利用构造的每个样本企业对与对应确定的匹配得分,训练企业推荐模型。
5.根据权利要求4所述的方法,其中,根据获取的被关注企业和/或被监控企业,构造样本企业对,包括以下之一:
在获取的所有被关注企业和/或被监控企业中两两之间构造对应的同级行业样本企业对;
将所获取的被关注企业和/或被监控企业中的每个与对应样本用户所在的企业之间两两构造对应的上下游行业样本企业对。
6.根据权利要求4所述的方法,其中,确定每个样本企业对中的两个企业的匹配得分,包括:
根据对应的关注行为权重和/或监控行为权重、以及时间衰减系数、以及关注行为和/或监控行为发生的时间点距当前时间点的间隔时间,确定每个样本企业对中的两个企业的匹配得分。
8.根据权利要求4所述的方法,还包括通过以下操作确定所述样本用户群体:
从信息查询平台获取第二预设时间段内的用户行为数据;以及
根据获取的用户行为数据,确定在所述信息查询平台上有企业信息批量导出行为和/或批量联系企业行为的用户群体以作为所述样本用户群体。
9.一种对象推荐方法,包括:
根据用户在当前时间段内在特定应用平台上留下的浏览记录,确定所述用户关注的一个或多个目标对象;以及
通过所述特定应用平台,将所述一个或多个目标对象推荐给所述用户。
10.一种企业推荐装置,包括:
处理模块,用于根据用户在当前时间段内在信息查询平台上留下的浏览记录,确定所述用户的企业偏好;
确定模块,用于确定待推荐的企业列表;
提取模块,用于确定待推荐的企业列表;以及
推荐模块,用于通过所述信息查询平台,将所述一个或多个目标企业推荐给所述用户。
11.一种企业推荐模型的训练装置,包括:
获取模块,用于获取样本用户群体中每个样本用户在第一预设时间段内关注的企业和/或监控的企业;
构造模块,用于根据获取的被关注企业和/或被监控企业,构造样本企业对;
处理模块,用于确定每个样本企业对中的两个企业的匹配得分;以及
训练模块,用于利用构造的每个样本企业对与对应确定的匹配得分,训练企业推荐模型。
12.一种对象推荐装置,包括:
确定模块,用于根据用户在当前时间段内在特定应用平台上留下的浏览记录,确定所述用户关注的一个或多个目标对象;以及
推荐模块,用于通过所述特定应用平台,将所述一个或多个目标对象推荐给所述用户。
13.一种计算机可读介质,其上存储有计算机程序,所述计算机程序被处理装置执行时实现权利要求1-9中任一项所述方法的步骤。
14.一种电子设备,包括:
存储装置,其上存储有计算机程序;
处理装置,用于执行所述存储装置中的所述计算机程序,以实现权利要求1-9中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210459445.0A CN114741606A (zh) | 2022-04-27 | 2022-04-27 | 企业推荐方法、装置、计算机可读介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210459445.0A CN114741606A (zh) | 2022-04-27 | 2022-04-27 | 企业推荐方法、装置、计算机可读介质及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114741606A true CN114741606A (zh) | 2022-07-12 |
Family
ID=82282763
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210459445.0A Pending CN114741606A (zh) | 2022-04-27 | 2022-04-27 | 企业推荐方法、装置、计算机可读介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114741606A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116861077A (zh) * | 2023-06-25 | 2023-10-10 | 北京信大融金教育科技有限公司 | 基于供应链系统的产品推荐方法、装置、设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106649390A (zh) * | 2015-11-04 | 2017-05-10 | 上海仓实网络科技有限公司 | 一种基于移动终端的兼职职位推荐方法及系统 |
CN108737524A (zh) * | 2018-05-10 | 2018-11-02 | 佛山欧神诺云商科技有限公司 | 一种企业信息推送方法 |
CN109978642A (zh) * | 2017-12-27 | 2019-07-05 | 中移(杭州)信息技术有限公司 | 一种信息推荐方法、装置和通信设备 |
CN112528007A (zh) * | 2019-09-19 | 2021-03-19 | 中冶赛迪重庆信息技术有限公司 | 一种招商项目的目标企业的确认方法及确认装置 |
CN113239319A (zh) * | 2021-05-17 | 2021-08-10 | 云工工业科技(深圳)有限公司 | 一种自动匹配及推送给供应商来投标报价的方法 |
CN113569135A (zh) * | 2021-06-30 | 2021-10-29 | 深圳市东信时代信息技术有限公司 | 基于用户画像的推荐方法、装置、计算机设备及存储介质 |
-
2022
- 2022-04-27 CN CN202210459445.0A patent/CN114741606A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106649390A (zh) * | 2015-11-04 | 2017-05-10 | 上海仓实网络科技有限公司 | 一种基于移动终端的兼职职位推荐方法及系统 |
CN109978642A (zh) * | 2017-12-27 | 2019-07-05 | 中移(杭州)信息技术有限公司 | 一种信息推荐方法、装置和通信设备 |
CN108737524A (zh) * | 2018-05-10 | 2018-11-02 | 佛山欧神诺云商科技有限公司 | 一种企业信息推送方法 |
CN112528007A (zh) * | 2019-09-19 | 2021-03-19 | 中冶赛迪重庆信息技术有限公司 | 一种招商项目的目标企业的确认方法及确认装置 |
CN113239319A (zh) * | 2021-05-17 | 2021-08-10 | 云工工业科技(深圳)有限公司 | 一种自动匹配及推送给供应商来投标报价的方法 |
CN113569135A (zh) * | 2021-06-30 | 2021-10-29 | 深圳市东信时代信息技术有限公司 | 基于用户画像的推荐方法、装置、计算机设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
SJBANJAN DAS 等: "自动机器学习入门与实践", 31 December 2019, 武汉:华中科技大学出版社, pages: 89 - 92 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116861077A (zh) * | 2023-06-25 | 2023-10-10 | 北京信大融金教育科技有限公司 | 基于供应链系统的产品推荐方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10671684B2 (en) | Method and apparatus for identifying demand | |
CN106649681B (zh) | 一种数据处理方法、装置及设备 | |
CN110020162B (zh) | 用户识别方法和装置 | |
US20210241163A1 (en) | Establishing a communication session between client terminals of users of a social network selected using a machine learning model | |
CN110413867B (zh) | 用于内容推荐的方法及系统 | |
US11470032B2 (en) | Method for recommending groups and related electronic device | |
CN112801719A (zh) | 用户行为预测方法、用户行为预测装置、存储介质及设备 | |
CN114265981A (zh) | 推荐词确定方法、装置、设备及存储介质 | |
CN111191133A (zh) | 业务搜索处理方法、装置及设备 | |
CN114741606A (zh) | 企业推荐方法、装置、计算机可读介质及电子设备 | |
US10474688B2 (en) | System and method to recommend a bundle of items based on item/user tagging and co-install graph | |
CN111680213A (zh) | 信息推荐方法、数据处理方法及装置 | |
US20230316106A1 (en) | Method and apparatus for training content recommendation model, device, and storage medium | |
US11853948B2 (en) | Methods and systems for managing risk with respect to potential customers | |
CN115905472A (zh) | 商机业务处理方法、装置、服务器及计算机可读存储介质 | |
CN113888216A (zh) | 广告信息推送方法、装置、电子设备及存储介质 | |
CN113312554A (zh) | 用于评价推荐系统的方法及装置、电子设备和介质 | |
CN110674386B (zh) | 资源推荐方法、装置及存储介质 | |
CN113112326A (zh) | 一种用户识别方法、向用户展示数据的方法和相关装置 | |
CN107368597B (zh) | 信息输出方法和装置 | |
CN116911304B (zh) | 一种文本推荐方法及装置 | |
CN116911912B (zh) | 一种交互对象和交互结果的预测方法及装置 | |
JP2019194793A (ja) | 情報処理装置およびプログラム | |
CN116911954B (zh) | 基于兴趣和流行度推荐物品的方法及装置 | |
CN114866603B (zh) | 信息推送方法、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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20230731 Address after: 224008 Rooms 404-405 and 504, Building B-17-1, Big data Industrial Park, Kecheng Street, Yannan High tech Zone, Yancheng, Jiangsu Province Applicant after: Yancheng Tianyanchawei Technology Co.,Ltd. Address before: 224008 room 501-503, building b-17-1, Xuehai road big data Industrial Park, Kecheng street, Yannan high tech Zone, Yancheng City, Jiangsu Province (CNK) Applicant before: Yancheng Jindi Technology Co.,Ltd. |
|
TA01 | Transfer of patent application right |