CN115345656A - 一种用于精细化营销的行为数据分析方法 - Google Patents

一种用于精细化营销的行为数据分析方法 Download PDF

Info

Publication number
CN115345656A
CN115345656A CN202210958260.4A CN202210958260A CN115345656A CN 115345656 A CN115345656 A CN 115345656A CN 202210958260 A CN202210958260 A CN 202210958260A CN 115345656 A CN115345656 A CN 115345656A
Authority
CN
China
Prior art keywords
browsing
content
user
data
category
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
CN202210958260.4A
Other languages
English (en)
Inventor
彭建华
龚志伟
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.)
Jiangxi Zhongcan Interactive Technology Co ltd
Original Assignee
Jiangxi Zhongcan Interactive Technology 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 Jiangxi Zhongcan Interactive Technology Co ltd filed Critical Jiangxi Zhongcan Interactive Technology Co ltd
Priority to CN202210958260.4A priority Critical patent/CN115345656A/zh
Publication of CN115345656A publication Critical patent/CN115345656A/zh
Pending legal-status Critical Current

Links

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
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • G06Q30/0203—Market surveys; Market polls

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Game Theory and Decision Science (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种用于精细化营销的行为数据分析方法，具体涉及计算机技术领域，本发明通过对用户历史浏览数据和实时浏览数据的获取分析，对浏览内容进行类别总结分析，同时对浏览数据中的各类内容的权重进行计算分析，初步内容推送中包括较多类别，根据相关类别内容用户的浏览数据判断用户对其的兴趣度，并结合历史浏览数据中类别权重对推送内容中各类别的权重进行调整，且实时浏览数据的获取时间为浏览开始和浏览时长30min，可精准且不断对推送内容中各类别权重进行分析和调整，使推送的内容更为灵活且贴合用户需要，更为人性化，适合大范围推广。

Description

一种用于精细化营销的行为数据分析方法
技术领域
本发明涉及计算机技术领域，更具体地说，本发明涉及一种用于精细化营销的行为数据分析方法。
背景技术
随着信息化深入到人类生活的方方面面，信息化系统呈现指数级的增长趋势，人类的生活已经全面对接信息系统。对于人类，信息化系统为我们带来的无尽的便捷体验，而我们对于信息化系统的要求和期望日益增多，特别是定制化、个性化的需求增多。由此，信息化系统在被需要的同时，也满足根据用户需求的日益多样化和定制化进行迭代，而对于用户的个性数据进行监听和采集，是实现信息化系统能够及时响应用户需求，提升服务体验的基石。
部分营销手段会针对用户自身的需求和浏览记录进行内容推送，针对性推送内容使用户的浏览体验更佳，但是用户的需求在不同时间会出现变化，相同内容浏览时间较长会出现疲劳，甚至感兴趣的内容会随浏览时间出现变化，因此针对用户营销的内容推送需要更贴合实际和用户体验，因此需要研究一种用于精细化营销的行为数据分析方法。
发明内容
为了克服现有技术的上述缺陷，本发明提供了一种用于精细化营销的行为数据分析方法，本发明所要解决的技术问题是：针对性推送内容使用户的浏览体验更佳，但是用户的需求在不同时间会出现变化，相同内容浏览时间较长会出现疲劳，甚至感兴趣的内容会随浏览时间出现变化。
为实现上述目的，本发明提供如下技术方案：一种用于精细化营销的行为数据分析方法，包括以下步骤：
S1、数据获取及预处理；
S2、初步推送内容的浏览分析；
S3、权重分析调整；
S4、精细化推送内容确定和推送；
S5、数据可视化展示；
作为本发明的进一步方案：数据获取及预处理包括以下步骤：
获取用户的历史浏览记录，判断浏览的内容中不同类别内容的权重；
根据浏览内容的分类和权重进行初步内容推送；
获取初步内容推送后，用户对初步推送内容实时的浏览记录；
对获取历史浏览记录和实时的浏览记录数据进行除杂。
作为本发明的进一步方案：初步内容推送包括用户历史浏览记录中的对应类别内容、其他大类别内容；
浏览记录包括用户浏览时长和浏览深度，浏览时长为用户浏览该类别内容的时间长度，浏览深度包括两种浏览该类别内容的方式，列表简单浏览，点击仔细浏览；
数据除杂对采集获得的数据进行降噪处理。
作为本发明的进一步方案：用户浏览记录数据的获取节点为，浏览开始阶段和浏览时长达30min时自动进行浏览记录数据获取；
初步推送内容的浏览分析包括以下步骤：
获取用户对初步推送内容的浏览时长和浏览深度数据；
分析用户对各类别内容的浏览时长和浏览深度；
计算得出用户浏览内容中各类别权重的变化。
作为本发明的进一步方案：权重分析调整包括以下步骤：
获取初步推送内容中用户浏览内容中各内容类别权重、历史浏览内容中各类别权重；
获取用户搜索内容及搜索内容类别的关联类别；
结合浏览内容中各类别权重、历史浏览内容中各类别权重、用户搜索内容及搜索内容类别的关联类别调整推送内容中各类内容的权重。
作为本发明的进一步方案：数据可视化展示用于展示用户浏览内容中各类别权重变化及推送内容的变化。
对用户浏览内容和推送内容进行类别分析包括以下步骤：首先将n各点X＝{x1,x2,…,xn}分成c个模糊类，并求每类的聚类中心，使目标函数达到最小，目标函数为：
Figure BDA0003791565100000031
其中U＝[uik]为模糊分类矩阵，uik∈[0,1]，V＝vi表示第i类聚类中心(i＝1,2,…,c)，m为加权指数，dik＝||xk-vi||为第i个聚类中心与第k个数据间的欧几里德距离，J(U,V)表示各类中样本到聚类中心的甲醛距离平方和，计算模糊隶属度uik：
Figure BDA0003791565100000032
聚类中心的选取：
假设M为样本空间，
Figure BDA0003791565100000033
是样本空间M中的样本点集合，s是样本空间的个数；
对于X中的每一个样本点xi，计算其密度函数：
Figure BDA0003791565100000041
其中
Figure BDA0003791565100000042
rd为邻域密度的有效半径，计算方法为：
Figure BDA0003791565100000043
比较所有数据点的密度值，挑选密度函数值最大的样本点，设
Figure BDA0003791565100000044
为第一次计算所得到的聚类中心，对应的密度函数值为
Figure BDA0003791565100000045
采用下式对每个样本点的密度函数值进行修改，比较修改后的密度函数值，从中选择最大的点
Figure BDA0003791565100000046
将其作为新的聚类中心；
Figure BDA0003791565100000047
推送内容类别的权重实时更新算法：
粒子群算法中群体粒子的速度和位置的更新根据下式进行：
vi(t+1)＝ωvt(t)+c1r1(Pbesti-xi(t))+c2r2(Pbesti-xi(t))
xi(t+1)＝xi(t)+vi(t+1)
vi(t)，xi(t)分别表示第i个粒子在t时刻的速度和位置，Pbesti表示第i个粒子当前时刻自身个体的最优位置，gbest为整个粒子群体当前时刻的群体最优位置，ω为算法中粒子更新的惯性权重值，决定上次飞行速度保留的大小程度，c1，c2为粒子的学习因子，决定粒子和个体最优位置和群体最优位置信息互动的程度，r1，r2是介于[0,1]之间的随机数字；
微粒群中粒子i与粒子j的相似度可表示为：
Figure BDA0003791565100000051
d(i,j)是第i个粒子和第j个粒子在欧式空间中的距离，d(i,j)→0时，s(i,j)＝1；当d(i,j)→1时，s(i,j)＝0，对微粒群体中任意两个粒子i和j，s(i,j)∈[0,1]，上式中dmin和dmax取正常数；
设第i个粒子与群体最优粒子gbest之间的相似度值为s，当s＝0时，说明粒子与群体最优粒子的相似度最低，即差异最明显，需要粒子跳出当前区域，故该粒子在下次迭代时的惯性权重应取最大惯性权重值ωmax，当s＝1时，说明粒子与群体最优粒子的相似度最高，即差异最小，粒子需要在当前的小邻域内进行精细搜索，第i个粒子在下次迭代时的惯性权重取最大惯性权重值ωmin，当s∈[0,1]时，惯性权重根据相似度的大小进行如下更新：
Figure BDA0003791565100000052
ωmin，ωmax分别为提前设定的惯性权重最小值和最大值，t为当前迭代次数，tmax为提前设置的迭代总次数。
本发明的有益效果在于：
1、本发明通过对用户历史浏览数据和实时浏览数据的获取分析，对浏览内容进行类别总结分析，同时对浏览数据中的各类内容的权重进行计算分析，初步内容推送中包括较多类别，根据相关类别内容用户的浏览数据判断用户对其的兴趣度，并结合历史浏览数据中类别权重对推送内容中各类别的权重进行调整，且实时浏览数据的获取时间为浏览开始和浏览时长30min，可精准且不断对推送内容中各类别权重进行分析和调整，使推送的内容更为灵活且贴合用户需要，更为人性化，适合大范围推广；
2、本发明通过采用对用户搜索内容数据的获取，分析用户的需求，且对搜索内容类别的关联性内容进行推送，实现针对用户的精准内容推送方案，使用户的浏览内容包括实时的兴趣内容和所需内容，对浏览内容进行聚类分析，总结分析浏览内容的特性，根据特性实现对浏览内容的分类，同时对互联网中数据按照类别进行区分，使整体的推送和用户所需更为精准贴合。
具体实施方式
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。
实施例1：
一种用于精细化营销的行为数据分析方法，包括以下步骤：
S1、数据获取及预处理；
S2、初步推送内容的浏览分析；
S3、权重分析调整；
S4、精细化推送内容确定和推送；
S5、数据可视化展示；
进一步方案：数据获取及预处理包括以下步骤：
获取用户的历史浏览记录，判断浏览的内容中不同类别内容的权重；
根据浏览内容的分类和权重进行初步内容推送；
获取初步内容推送后，用户对初步推送内容实时的浏览记录；
对获取历史浏览记录和实时的浏览记录数据进行除杂。
进一步方案：初步内容推送包括用户历史浏览记录中的对应类别内容、其他大类别内容；
浏览记录包括用户浏览时长和浏览深度，浏览时长为用户浏览该类别内容的时间长度，浏览深度包括两种浏览该类别内容的方式，列表简单浏览，点击仔细浏览；
数据除杂对采集获得的数据进行降噪处理。
进一步方案：用户浏览记录数据的获取节点为，浏览开始阶段和浏览时长达30min时自动进行浏览记录数据获取；
初步推送内容的浏览分析包括以下步骤：
获取用户对初步推送内容的浏览时长和浏览深度数据；
分析用户对各类别内容的浏览时长和浏览深度；
计算得出用户浏览内容中各类别权重的变化。
进一步方案：权重分析调整包括以下步骤：
获取初步推送内容中用户浏览内容中各内容类别权重、历史浏览内容中各类别权重；
获取用户搜索内容及搜索内容类别的关联类别；
结合浏览内容中各类别权重、历史浏览内容中各类别权重、用户搜索内容及搜索内容类别的关联类别调整推送内容中各类内容的权重。
进一步方案：数据可视化展示用于展示用户浏览内容中各类别权重变化及推送内容的变化。
对用户浏览内容和推送内容进行类别分析包括以下步骤：首先将n各点X＝{x1,x2,…,xn}分成c个模糊类，并求每类的聚类中心，使目标函数达到最小，目标函数为：
Figure BDA0003791565100000071
其中U＝[uik]为模糊分类矩阵，uik∈[0,1]，V＝vi表示第i类聚类中心(i＝1,2,…,c)，m为加权指数，dik＝||xk-vi||为第i个聚类中心与第k个数据间的欧几里德距离，J(U,V)表示各类中样本到聚类中心的甲醛距离平方和，计算模糊隶属度uik：
Figure BDA0003791565100000081
聚类中心的选取：
假设M为样本空间，
Figure BDA0003791565100000082
是样本空间M中的样本点集合，s是样本空间的个数；
对于X中的每一个样本点xi，计算其密度函数：
Figure BDA0003791565100000083
其中
Figure BDA0003791565100000084
rd为邻域密度的有效半径，计算方法为：
Figure BDA0003791565100000085
比较所有数据点的密度值，挑选密度函数值最大的样本点，设
Figure BDA0003791565100000086
为第一次计算所得到的聚类中心，对应的密度函数值为
Figure BDA0003791565100000087
采用下式对每个样本点的密度函数值进行修改，比较修改后的密度函数值，从中选择最大的点
Figure BDA0003791565100000088
将其作为新的聚类中心；
Figure BDA0003791565100000091
实施例2：
一种用于精细化营销的行为数据分析方法，包括以下步骤：
S1、数据获取及预处理；
S2、初步推送内容的浏览分析；
S3、权重分析调整；
S4、精细化推送内容确定和推送；
S5、数据可视化展示；
进一步方案：数据获取及预处理包括以下步骤：
获取用户的历史浏览记录，判断浏览的内容中不同类别内容的权重；
根据浏览内容的分类和权重进行初步内容推送；
获取初步内容推送后，用户对初步推送内容实时的浏览记录；
对获取历史浏览记录和实时的浏览记录数据进行除杂。
进一步方案：初步内容推送包括用户历史浏览记录中的对应类别内容、其他大类别内容；
浏览记录包括用户浏览时长和浏览深度，浏览时长为用户浏览该类别内容的时间长度，浏览深度包括两种浏览该类别内容的方式，列表简单浏览，点击仔细浏览；
数据除杂对采集获得的数据进行降噪处理。
进一步方案：用户浏览记录数据的获取节点为，浏览开始阶段和浏览时长达30min时自动进行浏览记录数据获取；
初步推送内容的浏览分析包括以下步骤：
获取用户对初步推送内容的浏览时长和浏览深度数据；
分析用户对各类别内容的浏览时长和浏览深度；
计算得出用户浏览内容中各类别权重的变化。
进一步方案：权重分析调整包括以下步骤：
获取初步推送内容中用户浏览内容中各内容类别权重、历史浏览内容中各类别权重；
获取用户搜索内容及搜索内容类别的关联类别；
结合浏览内容中各类别权重、历史浏览内容中各类别权重、用户搜索内容及搜索内容类别的关联类别调整推送内容中各类内容的权重。
进一步方案：数据可视化展示用于展示用户浏览内容中各类别权重变化及推送内容的变化。
推送内容类别的权重实时更新算法：
粒子群算法中群体粒子的速度和位置的更新根据下式进行：
vi(t+1)＝ωvt(t)+c1r1(Pbesti-xi(t))+c2r2(Pbesti-xi(t))
xi(t+1)＝xi(t)+vi(t+1)
vi(t)，xi(t)分别表示第i个粒子在t时刻的速度和位置，Pbesti表示第i个粒子当前时刻自身个体的最优位置，gbest为整个粒子群体当前时刻的群体最优位置，ω为算法中粒子更新的惯性权重值，决定上次飞行速度保留的大小程度，c1，c2为粒子的学习因子，决定粒子和个体最优位置和群体最优位置信息互动的程度，r1，r2是介于[0,1]之间的随机数字；
微粒群中粒子i与粒子j的相似度可表示为：
Figure BDA0003791565100000101
d(i,j)是第i个粒子和第j个粒子在欧式空间中的距离，d(i,j)→0时，s(i,j)＝1；当d(i,j)→1时，s(i,j)＝0，对微粒群体中任意两个粒子i和j，s(i,j)∈[0,1]，上式中dmin和dmax取正常数；
设第i个粒子与群体最优粒子gbest之间的相似度值为s，当s＝0时，说明粒子与群体最优粒子的相似度最低，即差异最明显，需要粒子跳出当前区域，故该粒子在下次迭代时的惯性权重应取最大惯性权重值ωmax，当s＝1时，说明粒子与群体最优粒子的相似度最高，即差异最小，粒子需要在当前的小邻域内进行精细搜索，第i个粒子在下次迭代时的惯性权重取最大惯性权重值ωmin，当s∈[0,1]时，惯性权重根据相似度的大小进行如下更新：
Figure BDA0003791565100000111
ωmin，ωmax分别为提前设定的惯性权重最小值和最大值，t为当前迭代次数，tmax为提前设置的迭代总次数。
综上可得，本发明中：
本发明通过对用户历史浏览数据和实时浏览数据的获取分析，对浏览内容进行类别总结分析，同时对浏览数据中的各类内容的权重进行计算分析，初步内容推送中包括较多类别，根据相关类别内容用户的浏览数据判断用户对其的兴趣度，并结合历史浏览数据中类别权重对推送内容中各类别的权重进行调整，且实时浏览数据的获取时间为浏览开始和浏览时长30min，可精准且不断对推送内容中各类别权重进行分析和调整，使推送的内容更为灵活且贴合用户需要，更为人性化，适合大范围推广。
本发明通过采用对用户搜索内容数据的获取，分析用户的需求，且对搜索内容类别的关联性内容进行推送，实现针对用户的精准内容推送方案，使用户的浏览内容包括实时的兴趣内容和所需内容，对浏览内容进行聚类分析，总结分析浏览内容的特性，根据特性实现对浏览内容的分类，同时对互联网中数据按照类别进行区分，使整体的推送和用户所需更为精准贴合。
其次：只涉及到与本公开实施例涉及到的结构，其他结构可参考通常设计，在不冲突情况下，本发明同一实施例及不同实施例可以相互组合；
最后：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，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 (6)

1.一种用于精细化营销的行为数据分析方法，其特征在于，包括以下步骤：
S1、数据获取及预处理；
S2、初步推送内容的浏览分析；
S3、权重分析调整；
S4、精细化推送内容确定和推送；
S5、数据可视化展示。
2.根据权利要求1所述的一种用于精细化营销的行为数据分析方法，其特征在于：所述数据获取及预处理包括以下步骤：
获取用户的历史浏览记录，判断浏览的内容中不同类别内容的权重；
根据浏览内容的分类和权重进行初步内容推送；
获取初步内容推送后，用户对初步推送内容实时的浏览记录；
对获取历史浏览记录和实时的浏览记录数据进行除杂。
3.根据权利要求2所述的一种用于精细化营销的行为数据分析方法，其特征在于：所述初步内容推送包括用户历史浏览记录中的对应类别内容、其他大类别内容；
所述浏览记录包括用户浏览时长和浏览深度，所述浏览时长为用户浏览该类别内容的时间长度，所述浏览深度包括两种浏览该类别内容的方式，列表简单浏览，点击仔细浏览；
所述数据除杂对采集获得的数据进行降噪处理。
4.根据权利要求3所述的一种用于精细化营销的行为数据分析方法，其特征在于：所述用户浏览记录数据的获取节点为，浏览开始阶段和浏览时长达30min时自动进行浏览记录数据获取；
所述初步推送内容的浏览分析包括以下步骤：
获取用户对初步推送内容的浏览时长和浏览深度数据；
分析用户对各类别内容的浏览时长和浏览深度；
计算得出用户浏览内容中各类别权重的变化。
5.根据权利要求1所述的一种用于精细化营销的行为数据分析方法，其特征在于：所述权重分析调整包括以下步骤：
获取初步推送内容中用户浏览内容中各内容类别权重、历史浏览内容中各类别权重；
获取用户搜索内容及搜索内容类别的关联类别；
结合浏览内容中各类别权重、历史浏览内容中各类别权重、用户搜索内容及搜索内容类别的关联类别调整推送内容中各类内容的权重。
6.根据权利要求1所述的一种用于精细化营销的行为数据分析方法，其特征在于：所述数据可视化展示用于展示用户浏览内容中各类别权重变化及推送内容的变化。
CN202210958260.4A 2022-08-10 2022-08-10 一种用于精细化营销的行为数据分析方法 Pending CN115345656A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210958260.4A CN115345656A (zh) 2022-08-10 2022-08-10 一种用于精细化营销的行为数据分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210958260.4A CN115345656A (zh) 2022-08-10 2022-08-10 一种用于精细化营销的行为数据分析方法

Publications (1)

Publication Number Publication Date
CN115345656A true CN115345656A (zh) 2022-11-15

Family

ID=83952953

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210958260.4A Pending CN115345656A (zh) 2022-08-10 2022-08-10 一种用于精细化营销的行为数据分析方法

Country Status (1)

Country Link
CN (1) CN115345656A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116029798A (zh) * 2023-03-22 2023-04-28 北京新发地农产品网络配送中心有限责任公司 一种用户需求推荐方法、系统、电子设备和可读存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060004732A1 (en) * 2002-02-26 2006-01-05 Odom Paul S Search engine methods and systems for generating relevant search results and advertisements
CN103927347A (zh) * 2014-04-01 2014-07-16 复旦大学 一种基于用户行为模型和蚁群聚类的协同过滤推荐算法
US20180005297A1 (en) * 2014-12-26 2018-01-04 China Unionpay Co., Ltd. Analysis and collection system for user interest data and method therefor
CN110263244A (zh) * 2019-02-14 2019-09-20 腾讯科技（深圳）有限公司 内容推荐方法、装置、存储介质和计算机设备
CN110322270A (zh) * 2019-05-10 2019-10-11 福建微码信息科技有限公司 一种基于位置营销的广告推送系统
CN112258226A (zh) * 2020-10-20 2021-01-22 中科讯安(深圳)科技有限公司 一种基于大数据分析信息自动推送新媒体精准营销方法
CN113643817A (zh) * 2021-06-25 2021-11-12 合肥工业大学 考虑隐性反馈和人机交互的医疗案例知识推荐方法及系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060004732A1 (en) * 2002-02-26 2006-01-05 Odom Paul S Search engine methods and systems for generating relevant search results and advertisements
CN103927347A (zh) * 2014-04-01 2014-07-16 复旦大学 一种基于用户行为模型和蚁群聚类的协同过滤推荐算法
US20180005297A1 (en) * 2014-12-26 2018-01-04 China Unionpay Co., Ltd. Analysis and collection system for user interest data and method therefor
CN110263244A (zh) * 2019-02-14 2019-09-20 腾讯科技（深圳）有限公司 内容推荐方法、装置、存储介质和计算机设备
CN110322270A (zh) * 2019-05-10 2019-10-11 福建微码信息科技有限公司 一种基于位置营销的广告推送系统
CN112258226A (zh) * 2020-10-20 2021-01-22 中科讯安(深圳)科技有限公司 一种基于大数据分析信息自动推送新媒体精准营销方法
CN113643817A (zh) * 2021-06-25 2021-11-12 合肥工业大学 考虑隐性反馈和人机交互的医疗案例知识推荐方法及系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116029798A (zh) * 2023-03-22 2023-04-28 北京新发地农产品网络配送中心有限责任公司 一种用户需求推荐方法、系统、电子设备和可读存储介质

Similar Documents

Publication Publication Date Title
CN107577688B (zh) 基于媒体信息采集的原创文章影响力分析系统
CN109241405B (zh) 一种基于知识关联的学习资源协同过滤推荐方法及系统
CN106021362B (zh) 查询式的图片特征表示的生成、图片搜索方法和装置
US8364627B2 (en) Method and system for generating a linear machine learning model for predicting online user input actions
CN106156127B (zh) 选择数据内容向终端推送的方法及装置
CN108830416B (zh) 基于用户行为的广告点击率预测方法
TWI636416B (zh) 內容個人化之多相排序方法和系統
CN110163647B (zh) 一种数据处理方法及装置
JP5638031B2 (ja) 格付け方法、検索結果分類方法、格付けシステム及び検索結果分類システム
CN109271574A (zh) 一种热词推荐方法及装置
CN106339502A (zh) 一种基于用户行为数据分片聚类的建模推荐方法
CN109460519B (zh) 浏览对象推荐方法及装置、存储介质、服务器
CN108804577B (zh) 一种资讯标签兴趣度的预估方法
CN113159881B (zh) 一种数据聚类及b2b平台客户偏好获取方法、系统
CN108733791A (zh) 网络事件检测方法
CN115345656A (zh) 一种用于精细化营销的行为数据分析方法
CN108133058A (zh) 一种视频检索方法
CN113326432A (zh) 一种基于决策树与推荐方法的模型优选方法
CN102243659B (zh) 基于动态贝叶斯模型的网页垃圾检测方法
CN114048389B (zh) 一种面向工程机械行业的内容推荐方法及系统
CN111339429A (zh) 一种资讯推荐方法
CN118093884A (zh) 基于关键词匹配的文本聚类方法及系统
CN112765374A (zh) 一种用于信息推送的教育资源筛选系统及其方法
CN115659046B (zh) 基于ai大数据的技术交易推荐系统及方法
CN111680505A (zh) 一种Markdown特征感知的无监督关键词提取方法

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