CN115098583A - 能源用户的用户画像刻画方法 - Google Patents

能源用户的用户画像刻画方法 Download PDF

Info

Publication number
CN115098583A
CN115098583A CN202210750674.8A CN202210750674A CN115098583A CN 115098583 A CN115098583 A CN 115098583A CN 202210750674 A CN202210750674 A CN 202210750674A CN 115098583 A CN115098583 A CN 115098583A
Authority
CN
China
Prior art keywords
information
user
target user
basic data
state
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
Application number
CN202210750674.8A
Other languages
English (en)
Inventor
李文英
文明
罗姝晨
肖振锋
涂钊颖
钟原
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.)
State Grid Corp of China SGCC
State Grid Hunan Electric Power Co Ltd
Economic and Technological Research Institute of State Grid Hunan Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
State Grid Hunan Electric Power Co Ltd
Economic and Technological Research Institute of State Grid Hunan Electric Power 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 State Grid Corp of China SGCC, State Grid Hunan Electric Power Co Ltd, Economic and Technological Research Institute of State Grid Hunan Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202210750674.8A priority Critical patent/CN115098583A/zh
Publication of CN115098583A publication Critical patent/CN115098583A/zh
Pending legal-status Critical Current

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
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/26—Visual data mining; Browsing structured data
    • 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
    • G06N3/088—Non-supervised learning, e.g. competitive 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
    • G06Q50/06—Energy or water supply
    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/80—Management or planning
    • Y02P90/82—Energy audits or management systems therefor

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Artificial Intelligence (AREA)
  • Human Resources & Organizations (AREA)
  • Public Health (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Water Supply & Treatment (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种能源用户的用户画像刻画方法，包括设定第一时间段和第二时间段，并获取目标用户和系统用户分别时间段内的基础数据信息；对获取的基础数据信息进行关联计算得到目标用户的第一画像信息；计算基础数据信息之间的距离并基于无监督的KNN算法得到目标用户的第二画像信息；构建并训练基于深度学习的GRU算法模型得到目标用户的第三画像信息；得到最终的目标用户的画像信息，完成目标能源用户的用户画像刻画。本发明方法采用的丰富可靠的数据，不仅降低了能源目标用户画像信息结构不精确的情况，而且可以刻画出更加精准完备的用户画像信息，可靠性高且精确性好。

Description

能源用户的用户画像刻画方法
技术领域
本发明属于能源自动化领域，具体涉及一种能源用户的用户画像刻画方法。
背景技术
随着经济技术的发展，人们对于供能的要求也越来越高。随着能源互联网建设的不断深入，能源相关行业得到了快速发展。在能源互联网的建设过程中，用户画像的重要性与日俱增：只有将用户的画像刻画精准，才能对用户的用能行为进行分析，才能够更好针对用户的用能习惯进行对应的用能方案推荐或改进，同时也能够更好的帮助综合能源系统进行自身的能源调度与运行。
现有的能源用户用户画像刻画方法，主要分为如下两类：其一是用户自己填写自己的画像数据；但是，这种方案的问题在于，用户填写的数据，本身就可能是错误的或者是不全的信息；这使得这种方案非常不可靠。其二是使用设定的规则进行客户用户画像；通过用户近一个月的行为数据，通过每天来往的地理位置规则刻画出用户画像；但该方案对于能源用户画像的刻画技术不成熟，导致能源用户画像的刻画结果并不精准，可靠性较差。
发明内容
本发明的目的在于提供一种可靠性高且精确性好的能源用户的用户画像刻画方法。
本发明提供的这种能源用户的用户画像刻画方法，包括如下步骤：
S1.设定第一时间段和第二时间段，并获取目标用户和系统用户分别在第一时间段内和第二时间段内的基础数据信息；
S2.对获取的目标用户的基础数据信息和系统用户的基础数据信息进行关联计算，从而得到目标用户的第一画像信息；
S3.计算目标用户的基础数据信息与各个系统用户的基础数据信息之间的距离，并基于无监督的KNN算法得到目标用户的第二画像信息；
S4.构建并训练基于深度学习的GRU算法模型，并采用得到的GRU算法模型预测得到目标用户的第三画像信息；
S5.根据目标用户的第一画像信息、第二画像信息和第三画像信息，得到最终的目标用户的画像信息，完成目标能源用户的用户画像刻画。
步骤S1所述的设定第一时间段和第二时间段，并获取目标用户和系统用户分别在第一时间段内和第二时间段内的基础数据信息，具体包括如下步骤：
设定第一时间段和第二时间段，且第一时间段包含于第二时间段；
所述的基础数据信息包括能源信息、电力信息、地理位置信息和时间信息；所述的能源信息包括碳排放量信息和对应的设备信息。
步骤S2所述的对获取的目标用户的基础数据信息和系统用户的基础数据信息进行关联计算，从而得到目标用户的第一画像信息，具体包括如下步骤：
所述的第一画像信息包括标签信息和对应的标签内容；
所述的对获取的目标用户的基础数据信息和系统用户的基础数据信息进行关联计算，具体为：
将目标用户的能源信息与系统用户的能源信息进行关联；
将目标用户的电力信息与系统用户的电力信息进行关联；
将目标用户的地理位置信息与系统用户的地理位置信息进行关联；
将目标用户的时间信息与系统用户的时间信息进行关联；
将与目标用户的地理位置距离小于设定值的若干个系统用户标记为相关用户，并将目标用户与相关用户一直的标签内容标记为相关内容；最后，将相关内容及对应的标签信息作为目标用户的第一画像信息。
步骤S3所述的计算目标用户的基础数据信息与各个系统用户的基础数据信息之间的距离，并基于无监督的KNN算法得到目标用户的第二画像信息，具体包括如下步骤：
计算目标用户的基础数据信息与各个系统用户的基础数据信息的对象距离；然后，将各个系统用户按照对应的对象距离大小进行排序，并选取对象距离最小的前若干个系统用户作为目标用户的相似用户；将各个相似用户的画像信息中均包含的标签信息作为相似标签；最后，将相似标签及对应的标签信息作为目标用户的第二画像信息。
所述的对象距离为欧式距离或曼哈顿距离。
步骤S4所述的构建并训练基于深度学习的GRU算法模型，并采用得到的GRU算法模型预测得到目标用户的第三画像信息，具体包括如下步骤：
将目标用户未包含且相关用户包含的标签信息标记为待预测标签；
建立基于深度学习的GRU算法模型，将相关用户的待预测标签及对应的标签内容作为训练数据，对建立的基于深度学习的GRU算法模型进行训练；
采用训练完成的的GRU算法模型对目标用户进行预测，得到目标用户的预测标签及对应的标签内容，作为目标用户的第三画像信息。
所述的基于深度学习的GRU算法模型，具体包括如下步骤：
通过上一个节点传输的状态ht-1和当前节点的输入值xt获取两个门控状态；
得到门控状态后，采用重置门控来得到重置后的数据ht-1'，再将数据ht-1'与所述的输入值xt拼接；
将拼接后的数据通过tanh激活函数缩放到[-1,1]范围内，从而得到当前节点状态的候选状态h'；
将当前节点状态的候选状态h'同时进行遗忘和记忆；
具体实施时，门控状态包括更新门状态和重置门状态；更新门用于控制前一时刻的状态信息保留到当前状态中的程度，更新门的值越大表示前一时刻的状态信息保留越多；重置们用于确定是否要结合当前状态与先前的信息，重置门的值越小表示忽略的信息越多；
当前节点状态ht的状态更新公式为ht＝z*ht-1+(1-z)*h'，其中z为更新门状态，*为向量元素的乘积，h'为当前节点状态的候选状态且
Figure BDA0003718183910000041
W为记忆门神经元的参数。
步骤S5所述的根据目标用户的第一画像信息、第二画像信息和第三画像信息，得到最终的目标用户的画像信息，具体包括如下步骤：
将得到的目标用户的第一画像信息、第二画像信息和第三画像信息直接拼接，作为最终的目标用户的画像信息。
本发明提供的这种能源用户的用户画像刻画方法，通过关联数据信息维度确定目标用户的第一画像信息，利用无监督的KNN算法计算确定目标用户的第二画像信息，最后目标能源用户缺少的标签信息通过深度学习形成目标用户的第三画像信息，通过多维度的计算将第一画像信息、第二画像信息和第三画像信息进行整合得到目标用户的最终画像信息；因此，本发明方法采用的丰富可靠的数据，不仅降低了能源目标用户画像信息结构不精确的情况，而且可以刻画出更加精准完备的用户画像信息，可靠性高且精确性好。
附图说明
图1为本发明方法的方法流程示意图。
图2为本发明方法中的GRU算法的输入输出结构示意图。
图3为本发明方法中的重置门和更新门的结构示意图。
图4为本发明方法中的当前节点状态ht的计算过程示意图。
具体实施方式
如图1所示为本发明方法的方法流程示意图：本发明提供的这种能源用户的用户画像刻画方法，包括如下步骤：
S1.设定第一时间段和第二时间段，并获取目标用户和系统用户分别在第一时间段内和第二时间段内的基础数据信息；具体包括如下步骤：
设定第一时间段和第二时间段，且第一时间段包含于第二时间段；
所述的基础数据信息包括能源信息、电力信息、地理位置信息和时间信息；所述的能源信息包括碳排放量信息和对应的设备信息；
比如，获取获取目标用户A在消费能源时，能源信息为{"排放因子"："3"，"energy_name"："小名家的energy"}、电力信息为{"电量等级"："一级"，"消费等级"："高"}、地理位置信息为{"wm629s9"："A区1000号"；交通地名：A路"}，第一预设时间为：2021年6月1日-7月1日；
某系统用户Y的能源信息为{"排放因子"："3","energy_name":"系统Y0家的energy"}、电力信息为{"电量等级"："一级"，"消费等级"："低"}、地理位置信息为{"wm629s9"："A区10010号"；交通地名；A路"}，第二预设时间为：2021年1月1日-7月1日；
S2.对获取的目标用户的基础数据信息和系统用户的基础数据信息进行关联计算，从而得到目标用户的第一画像信息；具体包括如下步骤：
所述的第一画像信息包括标签信息和对应的标签内容；
所述的对获取的目标用户的基础数据信息和系统用户的基础数据信息进行关联计算，具体为：
将目标用户的能源信息与系统用户的能源信息进行关联；
将目标用户的电力信息与系统用户的电力信息进行关联；
将目标用户的地理位置信息与系统用户的地理位置信息进行关联；
将目标用户的时间信息与系统用户的时间信息进行关联；
将与目标用户的地理位置距离小于设定值的若干个系统用户标记为相关用户，并将目标用户与相关用户一直的标签内容标记为相关内容；最后，将相关内容及对应的标签信息作为目标用户的第一画像信息；
采用地理位置进行标记，原因在于较近距离的用户，在某些画像信息上是一致的，例如基础数据信息中季节用电高峰、电量等级、供电电压、城市分类等；
S3.计算目标用户的基础数据信息与各个系统用户的基础数据信息之间的距离，并基于无监督的KNN算法得到目标用户的第二画像信息；具体包括如下步骤：
计算目标用户的基础数据信息与各个系统用户的基础数据信息的对象距离；然后，将各个系统用户按照对应的对象距离大小进行排序，并选取对象距离最小的前若干个系统用户(比如前20个)作为目标用户的相似用户；将各个相似用户的画像信息中均包含的标签信息作为相似标签；最后，将相似标签及对应的标签信息作为目标用户的第二画像信息；
无监督的KNN算法是一种邻近算法，其思路非常简单直观：如果一个样本在特征空间中的K个最相似(即特征空间中最邻近)的样本中的大多数属于某一个类别，则该样本也属于这个类别；该方法在定类决策上只依据最邻近的一个或者几个样本的类别来决定待分样本所属的类别；
具体实施时，对象距离可以采用欧式距离
Figure BDA0003718183910000071
或曼哈顿距离
Figure BDA0003718183910000072
其中d(x,y)为用户x和用户y之间的距离，xk为用户x的第k个基础数据信息，yk为用户y的第k个基础数据信息；
S4.构建并训练基于深度学习的GRU算法模型，并采用得到的GRU算法模型预测得到目标用户的第三画像信息；具体包括如下步骤：
将目标用户未包含且相关用户包含的标签信息标记为待预测标签；采用这种方式，能够更加全面的获取到目标用户的画像标签；
建立基于深度学习的GRU算法模型，将相关用户的待预测标签及对应的标签内容作为训练数据，对建立的基于深度学习的GRU算法模型进行训练；
采用训练完成的的GRU算法模型对目标用户进行预测，得到目标用户的预测标签及对应的标签内容，作为目标用户的第三画像信息；
具体实施时，基于深度学习的GRU算法模型，具体包括如下步骤：
通过上一个节点传输的状态ht-1和当前节点的输入值xt获取两个门控状态；
得到门控状态后，采用重置门控来得到重置后的数据ht-1'，再将数据ht-1'与所述的输入值xt拼接；
将拼接后的数据通过tanh激活函数缩放到[-1,1]范围内，从而得到当前节点状态的候选状态h'；
将当前节点状态的候选状态h'同时进行遗忘和记忆；
具体实施时，门控状态包括更新门状态和重置门状态；更新门用于控制前一时刻的状态信息保留到当前状态中的程度，更新门的值越大表示前一时刻的状态信息保留越多；重置们用于确定是否要结合当前状态与先前的信息，重置门的值越小表示忽略的信息越多；
当前节点状态ht的状态更新公式为ht＝z*ht-1+(1-z)*h'，其中z为更新门状态，*为向量元素的乘积，h'为当前节点状态的候选状态且
Figure BDA0003718183910000081
W为记忆门神经元的参数且是在训练过程中学习得到的；
S5.根据目标用户的第一画像信息、第二画像信息和第三画像信息，得到最终的目标用户的画像信息，完成目标能源用户的用户画像刻画；具体包括如下步骤：
将得到的目标用户的第一画像信息、第二画像信息和第三画像信息直接拼接，作为最终的目标用户的画像信息。

Claims (8)

1.一种能源用户的用户画像刻画方法，包括如下步骤：
S1.设定第一时间段和第二时间段，并获取目标用户和系统用户分别在第一时间段内和第二时间段内的基础数据信息；
S2.对获取的目标用户的基础数据信息和系统用户的基础数据信息进行关联计算，从而得到目标用户的第一画像信息；
S3.计算目标用户的基础数据信息与各个系统用户的基础数据信息之间的距离，并基于无监督的KNN算法得到目标用户的第二画像信息；
S4.构建并训练基于深度学习的GRU算法模型，并采用得到的GRU算法模型预测得到目标用户的第三画像信息；
S5.根据目标用户的第一画像信息、第二画像信息和第三画像信息，得到最终的目标用户的画像信息，完成目标能源用户的用户画像刻画。
2.根据权利要求1所述的能源用户的用户画像刻画方法，其特征在于步骤S1所述的设定第一时间段和第二时间段，并获取目标用户和系统用户分别在第一时间段内和第二时间段内的基础数据信息，具体包括如下步骤：
设定第一时间段和第二时间段，且第一时间段包含于第二时间段；
所述的基础数据信息包括能源信息、电力信息、地理位置信息和时间信息；所述的能源信息包括碳排放量信息和对应的设备信息。
3.根据权利要求2所述的能源用户的用户画像刻画方法，其特征在于步骤S2所述的对获取的目标用户的基础数据信息和系统用户的基础数据信息进行关联计算，从而得到目标用户的第一画像信息，具体包括如下步骤：
所述的第一画像信息包括标签信息和对应的标签内容；
所述的对获取的目标用户的基础数据信息和系统用户的基础数据信息进行关联计算，具体为：
将目标用户的能源信息与系统用户的能源信息进行关联；
将目标用户的电力信息与系统用户的电力信息进行关联；
将目标用户的地理位置信息与系统用户的地理位置信息进行关联；
将目标用户的时间信息与系统用户的时间信息进行关联；
将与目标用户的地理位置距离小于设定值的若干个系统用户标记为相关用户，并将目标用户与相关用户一直的标签内容标记为相关内容；最后，将相关内容及对应的标签信息作为目标用户的第一画像信息。
4.根据权利要求3所述的能源用户的用户画像刻画方法，其特征在于步骤S3所述的计算目标用户的基础数据信息与各个系统用户的基础数据信息之间的距离，并基于无监督的KNN算法得到目标用户的第二画像信息，具体包括如下步骤：
计算目标用户的基础数据信息与各个系统用户的基础数据信息的对象距离；然后，将各个系统用户按照对应的对象距离大小进行排序，并选取对象距离最小的前若干个系统用户作为目标用户的相似用户；将各个相似用户的画像信息中均包含的标签信息作为相似标签；最后，将相似标签及对应的标签信息作为目标用户的第二画像信息。
5.根据权利要求4所述的能源用户的用户画像刻画方法，其特征在于所述的对象距离为欧式距离或曼哈顿距离。
6.根据权利要求4所述的能源用户的用户画像刻画方法，其特征在于步骤S4所述的构建并训练基于深度学习的GRU算法模型，并采用得到的GRU算法模型预测得到目标用户的第三画像信息，具体包括如下步骤：
将目标用户未包含且相关用户包含的标签信息标记为待预测标签；
建立基于深度学习的GRU算法模型，将相关用户的待预测标签及对应的标签内容作为训练数据，对建立的基于深度学习的GRU算法模型进行训练；
采用训练完成的的GRU算法模型对目标用户进行预测，得到目标用户的预测标签及对应的标签内容，作为目标用户的第三画像信息。
7.根据权利要求6所述的能源用户的用户画像刻画方法，其特征在于所述的基于深度学习的GRU算法模型，具体包括如下步骤：
通过上一个节点传输的状态ht-1和当前节点的输入值xt获取两个门控状态；
得到门控状态后，采用重置门控来得到重置后的数据ht-1'，再将数据ht-1'与所述的输入值xt拼接；
将拼接后的数据通过tanh激活函数缩放到[-1,1]范围内，从而得到当前节点状态的候选状态h'；
将当前节点状态的候选状态h'同时进行遗忘和记忆；
具体实施时，门控状态包括更新门状态和重置门状态；更新门用于控制前一时刻的状态信息保留到当前状态中的程度，更新门的值越大表示前一时刻的状态信息保留越多；重置们用于确定是否要结合当前状态与先前的信息，重置门的值越小表示忽略的信息越多；
当前节点状态ht的状态更新公式为ht＝z*ht-1+(1-z)*h'，其中z为更新门状态，*为向量元素的乘积，h'为当前节点状态的候选状态且
Figure FDA0003718183900000031
W为记忆门神经元的参数。
8.根据权利要求7所述的能源用户的用户画像刻画方法，其特征在于步骤S5所述的根据目标用户的第一画像信息、第二画像信息和第三画像信息，得到最终的目标用户的画像信息，具体包括如下步骤：
将得到的目标用户的第一画像信息、第二画像信息和第三画像信息直接拼接，作为最终的目标用户的画像信息。
CN202210750674.8A 2022-06-28 2022-06-28 能源用户的用户画像刻画方法 Pending CN115098583A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210750674.8A CN115098583A (zh) 2022-06-28 2022-06-28 能源用户的用户画像刻画方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210750674.8A CN115098583A (zh) 2022-06-28 2022-06-28 能源用户的用户画像刻画方法

Publications (1)

Publication Number Publication Date
CN115098583A true CN115098583A (zh) 2022-09-23

Family

ID=83294138

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210750674.8A Pending CN115098583A (zh) 2022-06-28 2022-06-28 能源用户的用户画像刻画方法

Country Status (1)

Country Link
CN (1) CN115098583A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112465565A (zh) * 2020-12-11 2021-03-09 加和（北京）信息科技有限公司 一种基于机器学习的用户画像预测的方法及装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112465565A (zh) * 2020-12-11 2021-03-09 加和（北京）信息科技有限公司 一种基于机器学习的用户画像预测的方法及装置
CN112465565B (zh) * 2020-12-11 2023-09-26 加和（北京）信息科技有限公司 一种基于机器学习的用户画像预测的方法及装置

Similar Documents

Publication Publication Date Title
CN107273490B (zh) 一种基于知识图谱的组合错题推荐方法
CN116721537A (zh) 基于gcn-ipso-lstm组合模型的城市短时交通流预测方法
CN112381673B (zh) 一种基于数字孪生的园区用电信息分析方法及装置
CN113449919B (zh) 一种基于特征和趋势感知的用电量预测方法及系统
US20230095676A1 (en) Method for multi-task-based predicting massiveuser loads based on multi-channel convolutional neural network
CN114971784B (zh) 一种融合自注意力机制基于图神经网络的会话推荐方法与系统
CN115098583A (zh) 能源用户的用户画像刻画方法
CN113642652A (zh) 生成融合模型的方法、装置和设备
CN115114974A (zh) 一种模型蒸馏方法、装置、计算机设备和存储介质
CN117635238A (zh) 一种商品推荐方法、装置、设备及存储介质
CN117407571A (zh) 一种基于相关性分析的信息技术咨询服务方法及系统
CN113033898A (zh) 基于k均值聚类与bi-lstm神经网络的电负荷预测方法及系统
CN117391497A (zh) 一种新闻稿件质量主客观评分一致性评价方法及系统
CN112579777A (zh) 一种未标注文本的半监督分类方法
CN111339258A (zh) 基于知识图谱的大学计算机基础习题推荐方法
CN114997175B (zh) 一种基于领域对抗训练的情感分析方法
CN114240539B (zh) 一种基于Tucker分解和知识图谱的商品推荐方法
CN115730152A (zh) 基于用户画像分析的大数据处理方法及大数据处理系统
CN115310355A (zh) 考虑多能耦合的综合能源系统多元负荷预测方法及系统
CN113238947B (zh) 一种人机协同的对话系统评测方法及系统
CN114254199A (zh) 基于二分图投影和node2vec的课程推荐方法
CN114611696A (zh) 一种模型蒸馏方法、装置、电子设备和可读存储介质
CN111563413A (zh) 一种基于混合双模型的年龄预测方法
CN114117251B (zh) 一种智慧文博下融合多因素的矩阵分解个性化推荐方法
Su et al. Graph ode recurrent neural networks for traffic flow forecasting

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