CN115829421A - 一种用于业务需求的智能分析方法及系统 - Google Patents
一种用于业务需求的智能分析方法及系统 Download PDFInfo
- Publication number
- CN115829421A CN115829421A CN202310135087.2A CN202310135087A CN115829421A CN 115829421 A CN115829421 A CN 115829421A CN 202310135087 A CN202310135087 A CN 202310135087A CN 115829421 A CN115829421 A CN 115829421A
- Authority
- CN
- China
- Prior art keywords
- solution
- customer
- service
- requirement
- business
- 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.)
- Granted
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及数据处理技术领域,提出了一种用于业务需求的智能分析方法及系统,包括:获得业务需求种类、所需业务需求的客户数量以及业务需求的评分向量;获得每种需求业务解决方案评分向量每个参数值的评分可信度;根据每种需求业务解决方案评分向量每个参数值的评分可信度得到两个客户对于同一个业务需求下的方案相似度;获取客户偏好矩阵得到每个客户每个偏好参数值的均值计算每个客户与其余所有客户对于每个业务需求解决方案的偏好差异;根据以上信息获得每个业务需求的解决方案对于该业务的适用程度并进行排序生成推荐列表。本发明充分考虑了每个解决方案相关数据之间的对应关系和时间间隔等因素的影响,推荐可信度更高。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种用于业务需求的智能分析方法及系统。
背景技术
随着数据化进程的加速,生活中存在各种各样的数据,信息量过大,信息冗余的问题随之而来。与此同时,随着生活工作的需求增多,越来越多的需求被人们提出,如何针对业务需求从大量数据中选择相关数据,基于相关数据的分析结果提供满足业务需求的服务。
推荐系统是分析数据的有效方法,推荐系统根据提出的业务需求从数据中挖掘特征和相关信息,更有针对性的解决业务需求。推荐系统根据业务需求找到符合条件的数据资源,其次将数据处理后赋予特定的标签,利用知识库中的现有知识进行数据标签的相关计算,根据标签计算结果进行匹配,最终给出满足业务需求的答案。现阶段,基于统计的推荐系统的计算量过于复杂,需要较强的计算能力,而个性化的推荐系统会忽略某些相关信息导致不能解决业务需求。因此需要一种面向业务需求更加有效的数据分析和推荐方法。
发明内容
本发明提供一种用于业务需求的智能分析方法及系统,以解决现有的大量数据的计算过于复杂且分析结果不一定能满足所有的业务需求的问题,所采用的技术方案具体如下:
第一方面,本发明一个实施例提供了一种用于业务需求的智能分析方法,该方法包括以下步骤:
获得业务需求种类以及所需业务需求的客户数量,获取每个客户对每种业务需求的评分向量;
根据每个客户对每种需求的解决方案获取客户偏好矩阵,根据每个需求的不同解决方案得到方案特征矩阵;
根据每个客户对每种业务需求解决方案的时间、所有客户对于该业务需求解决方案的总时间、需求业务种类的数量以及每个客户对于每种业务需求解决方案评分向量的每个参数值获得每种需求业务解决方案评分向量每个参数值的评分可信度;
根据每种需求业务解决方案评分向量每个参数值的评分可信度、任意两个客户对于同一个业务需求解决方案的不同评分向量同一位置的参数值以及评分向量的参数数量得到两个客户对于同一个业务需求下的方案相似度;
根据所有需求业务解决方案的两两之间方案相似度以及该解决方案每个参数值的评分可信度获得每个解决方案最邻近的解决方案集合;
获取客户偏好矩阵得到每个客户每个偏好参数值的均值,对于每个客户,令其与除了该客户外的所有客户根据对于需求案件解决方案的偏好参数值的均值计算每个客户与其余所有客户对于每个业务需求解决方案的偏好差异;
根据每个客户与其余所有客户对于每个业务需求解决方案的偏好差异、该需求中与每个方案邻近的解决方案集合中的每个解决方案的方案相似度以及对于该业务需求评分向量的可信度获得每个业务需求的解决方案对于该业务的适用程度;
根据计算出的适用程度,对于待处理的业务需求按照适用程度进行排序生成推荐列表。
优选的,所述根据每个客户对每种需求的解决方案获取客户偏好矩阵包括,客户偏好矩阵的列表示每个客户对应每个需求的解决方案,客户偏好矩阵的行表示每种方案的k项指标;客户偏好矩阵的值表示每个客户对每个需求的解决指标的偏向程度值。
优选的,所述根据每个需求的不同方案得到方案特征矩阵包括,方案特征矩阵的列表示每种方案的k项指标,方案特征矩阵的行表示所有的方案,方案特征矩阵的值表示每种方案对某项参数的评价结果。
优选的,所述根据每个客户对每种业务需求解决方案的时间、所有客户对于该业务需求解决方案的总时间、需求业务种类的数量以及每个客户对于每种业务需求解决方案评分向量的每个参数值获得每种需求业务解决方案评分向量每个参数值的评分可信度的方法为:
式中,是第i个客户接受第k类业务需求解决方案的时间,T现有所有客户数据中接受第c类业务需求解决方案的总时间,是时间阈值,的大小取现有数据中第c种业务需求相邻两个解决方案之间时间间隔的最小值,是第i个客户接受第c类业务需求解决方案评分向量中参数p的值,c是指M类业务需求中的第c种业务需求,表示第c类业务需求方案数据评分向量中第p个参数的评分可信度。
优选的,所述根据每种需求业务解决方案评分向量每个参数值的评分可信度、任意两个客户对于同一个业务需求解决方案的不同评分向量同一位置的参数值以及评分向量的参数数量得到两个客户对于同一个业务需求下的方案相似度的方法为:
式中,是采集数据中第c种业务需求的两个不同解决方案L,j的相似程度,是客户L对第c种业务需求解决方案的评分向量中的参数p的值,是现有客户数据中解决方案c的评分向量的评分可信度,是客户j对第c种业务需求解决方案的评分向量中的参数p的值,L,j分别代表现有数据中接受过第c种业务需求方案的两个不同的客户,N是采集的现有客户数据中第c种业务需求解决方案总个数,是解决方案评分向量的参数数量。
优选的,所述对于每个客户,另其与除了该客户外的所有客户根据对于需求案件解决方案的偏好参数值的均值计算每个客户与其余所有客户对于每个业务需求解决方案的偏好差异的方法为:
式中,是接受第A类业务需求解决方案的所有客户与客户X的偏好差异,是客户X的第T个偏好参数值的均值,是客户Z的第T个偏好参数值的均值,是接受第A类业务需求解决方案的客户数量,k是客户偏好矩阵中偏好的种类。
优选的,所述根据每个客户与其余所有客户对于每个业务需求解决方案的偏好差异、该需求中与每个方案邻近的解决方案集合中的每个解决方案的方案相似度以及对于该业务需求评分向量的可信度获得每个业务需求的解决方案对于该业务的适用程度的方法为:
式中,的含义是对于业务需求,第A类业务需求的解决方案对业务需求的适用程度,是接受第A类业务需求解决方案的所有客户与客户X的偏好差异,是第A类业务需求中方案z与方案x的方案相似度,是利用K近邻得到的第A类业务需求的解决方案中与方案z近邻的集合中解决方案的数量,是第A类业务需求评分向量的可信度。
第二方面,本发明令一个实施例提供了一种用于业务需求的智能分析系统,该系统包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述方法的步骤。
本发明的有益效果是:本发明提出一种用于业务需求的智能分析方法及系统,针对业务需求的相关数据进行有效解决方案的推荐。针对传统的推荐算法是通过参数之间的欧氏距离计算业务需求和解决方案之间的相似度,导致忽略了业务需求部分数据造成的推荐列表的可信度较低的问题,本发明基于现有数据中每个已接受解决方案的所有数据构建了评分可信度指标和关联度指标,充分考虑了每个解决方案相关数据之间的对应关系和时间间隔等因素的影响,基于改进后的推荐算法生成了具有较高可信度的解决方案推荐列表。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的一个实施例所提供一种用于业务需求的智能分析方法的流程示意图;
图2为客户偏好矩阵以及方案特征矩阵示意图。
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,其示出了本发明一个实施例提供的一种用于业务需求的智能分析方法流程图,该方法包括以下步骤:
步骤S001,根据现有业务需求与解决方案的对应关系获得现有业务需求的类型和解决方案的相关数据。
具体的,客户提出业务需求后,一定是想要获取能满足需求的解决方案。影响解决方案的因素有以下几点,一是客户具有一定的特征,决定着客户是否认为解决方案满足需求,二是业务需求具有一定的特点,解决方案是否满足了业务需求影响客户是否选择此方案。解决方案与业务需求之间是否匹配可以通过同类型的业务需求的解决方案进行评估。一般来说,提出的业务需求是满足一定生产生活的,因此可以通过学习现有的解决方案与需求之间的匹配关系用于构建推荐模型。
假设本发明针对的业务需求种类共有M个,有业务需求的客户数量为N。在本发明中需要获取现有数据,所述数据为N个客户的历史数据,具体包括每个客户提出的具体的业务需求以及M类业务需求的所有解决方案的相关数据。
步骤S002,利用采集到的客户数据和需求解决方案构建评分可信度都以及方案之间的相似度,并预测得到得分矩阵。
首先,在基于模型的推荐算法中,原评分矩阵的信息能够反映已有业务需求与解决方案的关联性,通过不同客户对解决方案的满意程度D可以进行表征该解决方案对业务需求的有效程度p。但是有效程度p的计算需要客户具体的提出过业务需求,并得到了相关的解决方案,也就是说如果客户没有提出某一类业务需求,那么客户数据无法计算直接得到该类业务需求解决方案的有效程度p,此时就可以通过客户对已有解决方案的有效程度p推测出对所提出类型业务需求的有效程度,就可以根据业务需求,从数据中推荐出有效程度较高的几种解决方案。
本发明中,假设业务需求种类共有M个,现有业务需求的客户数量为N。收集任意一个客户对已接触过的所有业务需求的解决方案的满意程度D,此处设置满意程度D的取值范围为,D=1时表示客户认为解决方案不能有效的解决业务需求,相应的有效程度p最小;D=5时表示客户认为解决方案非常有效的解决业务需求,相应的有效程度p最大。需要注意的是表示客户没有接触过当前种类的业务需求,相应的有效程度p的大小也为0。
对于一个解决方案,能否为推荐系统提供有效的信息,时间是需要考虑的参数,对于同一个业务需求满意程度p相等的两个解决方案,普遍认为相隔时间久的解决方案的可信度是低于相隔时间短的解决方案的。
是客户偏好矩阵,矩阵的大小是,的含义是统计所有客户对解决方案的偏好特征,是方案特征矩阵,的大小是,此处k的含义是每个解决方案包含k个指标,其中包括有效程度,耗费时间,费用等,MN的含义是指对于M种业务需求,N个客户最多有M*N个解决方案。
客户偏好矩阵中,每一行是客户对所接受方案评价指标的偏好程度,每一列是对每个解决方案所有偏好的计算结果。客户1-1是指第一个客户所接受的第一种业务的解决方案,客户N-M是指第N个客户所接受的第M种业务的解决方案假设第2行的偏好2对应的是有效期限这一指标,矩阵中第2行的参数就是客户对每个已接受的解决方案有效期限的偏好程度,有的客户希望解决方案可以在5年内都有效,有的客户对解决方案的要求可能是在1年内有效。具体参数值的大小通过归一化计算,归一化的公式如下所示。计算矩阵中第n*k列中费用的偏好值:
方案特征矩阵中,每一行是对每个解决方案指标的统计结果,例如方案特征矩阵参数(1,a)是方案1的有效程度的评价结果,(1,b)是方案1的耗费时间的评价结果,(M*N,k)是方案M*N的指标k的评价结果。每个评价结果的值是从接受该解决方案的客户评价向量中获取。在本发明中针对每类业务需求,每个客户最多只接受一个解决方案,如果客户没有提出过某类业务需求,对应解决方案的k个指标的评价结果均为0。
进一步的,由于推荐算法判断是否将某个解决方案作为推荐系统推荐的方案是通过方案与业务需求之间的关联程度高低进行的。通过业务需求之间的关联程度的高低,获取有效程度最高的解决方案推的荐给客户。传统的推荐算法是通过参数之间的欧氏距离计算的,计算结果无法直接用于关联性的度量,而且忽略了部分参数无法直接参与欧式距离计算的缺点。
例如,同业务需求之间可能会存在差异。假设对于第y类业务需求,客户i,客户j分别得到了解决方案i-y和解决方案j-y,客户i对解决方案i-y的评分向量为:(5,4,5,2,4,6),客户j对解决方案j-y的评分向量为:(2,2,1,2,4,6),从(5,4,5)和(2,2,1)可以看出两个客户对于解决方案的偏好并不是完全相似,如果不考率评分时间的影响,直接将(2,4,6)用于相似度计算,会导致最终的相似度计算结果偏高,因此本发明考虑评分时间对解决方案可信度的影响。
式中,是第i个客户接受第c类业务需求解决方案的时间,具体是指客户i得到第c类业务需求解决方案后,最终确认该方案的时间,T表示现有所有客户数据中接受第c类业务需求解决方案的总时间,是时间阈值,的大小取现有数据中第c种业务需求相邻两个解决方案之间时间间隔的最小值,的作用在于在计算指标的时候考虑客户接受解决方法的时间是否靠近当前时间,客户接受方案的时间越靠近当前时间,说明这个解决方案越能适应现阶段的业务需求,是第i个客户接受第c类业务需求解决方案评分向量中参数p的值,c是指M类业务需求中的第c种业务需求。
评分可信度C反映了客户数据矩阵中参数的可信程度,是一个定值,的作用是用于表征第i个客户接受第c类业务需求的解决方案在所有解决方案的时间间隔,的值越大,说明距离最近方案的时间间隔越小,解决方案相关数据的可信度度越高,即评分可信度越大,客户数据矩阵中参数的可信程度越高,解决方案之间的相似度的计算也就越准确,计算得到的原评分矩阵的可信度也会越高。
按照上述步骤分别计算评分向量中每个参数的评分可信度。进一步,基于上述分析,此处构建方案相似度S,用于表征两个解决方案之间的相似程度,解决方案之间的相似度越高,相应的解决方案越容易作为推荐列表里的方案,针对业务需求推荐的解决方案就越容易被接受。计算任意第c种业务需求下两个解决方案L,j之间的方案相似度:
式中,是采集数据中第c种业务需求的两个不同解决方案L,j的相似程度,是客户L对第c种业务需求解决方案的评分向量中的参数p的值,是现有客户数据中解决方案c的评分向量的评分可信度,是客户j对第c种业务需求解决方案的评分向量中的参数p的值,L,j分别代表现有数据中接受过第c种业务需求方案的两个不同的客户,N是采集的现有客户数据中第c种业务需求解决方案总个数,是解决方案评分向量的参数数量,例如某客户对第c种业务解决方案的评分为(2,2,1,2,4,6),此时的值为6。
方案相似度S反映了两个解决方案之间的相似程度,和的含义分别是从,中减掉解决方案k评分向量中参数p的评分可信度,目的是为了纠正使用欧氏距离计算造成的缺陷。方案相似度的值越大,说明客户L与客户j对于第k种业务需求解决方案的评分的相似度越高,解决方案之间的相似度计算结果的可信度越高,针对业务需求推荐的解决方案就越容易被接受。
进一步的,在本实施例中,使用推荐算法分析数据的最终目的是为了获取针对所提出的业务需求生成可信度较高的解决方案推荐列表。考虑通过对业务需求进行解决方案的预测,并对预测解决方案生成评分预测矩阵R,通过预测评分矩阵中解决方案的评分可信度生成最终的推荐列表。本发明中获取推荐列表的具体过程如下:
1.对采集的现有数据进行上述预处理得到客户数据矩阵P和解决方案数据矩阵F。
2.根据上述步骤分别计算M种业务需求的评分可信度C和方案相似度S。其次利用K近邻算法获取每种业务需求的解决方案的集合,K近邻算法是给定一个训练集,对于新的输入例在训练数据集中找到与该实例最邻近的K个实例。以第y类业务需求为例,将第y类业务的第Z个解决方案作为新的输入例,将剩余解决方案作为训练集,利用K近邻算法得到与第Z个解决方案最近邻的K个解决方案的集合,记为。在本发明中K的大小取经验值10,利用K近邻算法对数据进行处理为公知技术,具体过程不再详细赘述。
在本发明中,K近邻算法的对象针对的是每种业务需求得到的解决方案,采集数据中,对于每个解决方案都有对应的评价向量,因此此处选择利用余弦相似度作为不同解决方案之间的度量距离,对于任意两个方案a,b,计算本发明中K近邻算法的度量距离:
式中,的含义是对于业务需求,第A类业务需求的解决方案对业务需求的适用程度,是接受第A类业务需求解决方案的所有客户与客户X的偏好差异。X是指历史数据中接受业务需求的客户X,x是客户X接受业务需求的解决方案。Z是指接受第A类业务需求解决方案z的客户,是接受第A类业务需求解决方案的客户数量。是客户X的第T个偏好参数值的均值,是客户Z的第T个偏好参数值的均值,k是客户偏好矩阵中偏好的种类,T的取值范围是[1,k],是第A类业务需求评分向量的可信度,是第A类业务需求中方案z与方案x的方案相似度,是利用K近邻得到的第A类业务需求的解决方案中与方案z近邻的集合中解决方案的数量。
步骤S003,根据得分矩阵R的评分可信度生成推荐列表。
对于初步推荐方案中解决方案,根据有效程度p的大小进行排列,按照有效程度p从大到小的顺序得到序列,d的取值满足,如果存在有效程度相等的解决方案,根据客户接受解决方案的具体时间进行筛选,方案被接受时间越靠近当前时间的越优先放入序列f中,得到序列f后,选择序列f中前10个解决方案生成业务需求的推荐方案列表,系统将推荐列表推送给客户,以便于客户选择。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,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 (8)
1.一种用于业务需求的智能分析方法,其特征在于,该方法包括以下步骤:
获得业务需求种类以及所需业务需求的客户数量,获取每个客户对每种业务需求的评分向量;
根据每个客户对每种需求的解决方案获取客户偏好矩阵,根据每个需求的不同解决方案得到方案特征矩阵;
根据每个客户对每种业务需求解决方案的时间、所有客户对于该业务需求解决方案的总时间、需求业务种类的数量以及每个客户对于每种业务需求解决方案评分向量的每个参数值获得每种需求业务解决方案评分向量每个参数值的评分可信度;
根据每种需求业务解决方案评分向量每个参数值的评分可信度、任意两个客户对于同一个业务需求解决方案的不同评分向量同一位置的参数值以及评分向量的参数数量得到两个客户对于同一个业务需求下的方案相似度;
根据所有需求业务解决方案的两两之间方案相似度以及该解决方案每个参数值的评分可信度获得每个解决方案最邻近的解决方案集合;
获取客户偏好矩阵得到每个客户每个偏好参数值的均值,对于每个客户,令其与除了该客户外的所有客户根据对于需求案件解决方案的偏好参数值的均值计算每个客户与其余所有客户对于每个业务需求解决方案的偏好差异;
根据每个客户与其余所有客户对于每个业务需求解决方案的偏好差异、该需求中与每个方案邻近的解决方案集合中的每个解决方案的方案相似度以及对于该业务需求评分向量的可信度获得每个业务需求的解决方案对于该业务的适用程度;
根据计算出的适用程度,对于待处理的业务需求按照适用程度进行排序生成推荐列表。
2.根据权利要求1所述的一种用于业务需求的智能分析方法,其特征在于,所述根据每个客户对每种需求的解决方案获取客户偏好矩阵包括,客户偏好矩阵的列表示每个客户对应每个需求的解决方案,客户偏好矩阵的行表示每种方案的k项指标,客户偏好矩阵的值表示每个客户对每个需求的解决指标的偏向程度值。
3.根据权利要求1所述的一种用于业务需求的智能分析方法,其特征在于,所述根据每个需求的不同方案得到方案特征矩阵包括,方案特征矩阵的列表示每种方案的k项指标,方案特征矩阵的行表示所有的方案,方案特征矩阵的值表示每种方案对某项参数的评价结果。
4.根据权利要求1所述的一种用于业务需求的智能分析方法,其特征在于,所述根据每个客户对每种业务需求解决方案的时间、所有客户对于该业务需求解决方案的总时间、需求业务种类的数量以及每个客户对于每种业务需求解决方案评分向量的每个参数值获得每种需求业务解决方案评分向量每个参数值的评分可信度的方法为:
5.根据权利要求1所述的一种用于业务需求的智能分析方法,其特征在于,所述根据每种需求业务解决方案评分向量每个参数值的评分可信度、任意两个客户对于同一个业务需求解决方案的不同评分向量同一位置的参数值以及评分向量的参数数量得到两个客户对于同一个业务需求下的方案相似度的方法为:
8.一种用于业务需求的智能分析系统,包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1-7任意一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310135087.2A CN115829421B (zh) | 2023-02-20 | 2023-02-20 | 一种用于业务需求的智能分析方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310135087.2A CN115829421B (zh) | 2023-02-20 | 2023-02-20 | 一种用于业务需求的智能分析方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115829421A true CN115829421A (zh) | 2023-03-21 |
CN115829421B CN115829421B (zh) | 2023-05-05 |
Family
ID=85521916
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310135087.2A Active CN115829421B (zh) | 2023-02-20 | 2023-02-20 | 一种用于业务需求的智能分析方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115829421B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117952657A (zh) * | 2024-03-26 | 2024-04-30 | 吉林省吉龙芯科技有限公司 | 基于能源互联网营销服务系统的信息推送方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107067297A (zh) * | 2017-03-21 | 2017-08-18 | 上海斐讯数据通信技术有限公司 | 一种基于用户使用偏好进行应用推荐的方法和系统 |
CN109544231A (zh) * | 2018-11-21 | 2019-03-29 | 浙江工商大学 | 基于物流信息平台的物流配送服务个性化推荐方法 |
CN109933716A (zh) * | 2019-01-15 | 2019-06-25 | 深圳心跳智能科技有限公司 | 一种基于客户行为习惯偏好的个性化酒店智能推荐算法 |
CA3118083A1 (en) * | 2018-11-01 | 2020-05-07 | Netflix, Inc. | Techniques for recommending items to users |
CN113344671A (zh) * | 2021-06-23 | 2021-09-03 | 昆明理工大学 | 一种融合信任因素的个性化推荐模型及构建方法 |
CN113706258A (zh) * | 2021-08-31 | 2021-11-26 | 平安银行股份有限公司 | 基于组合模型的产品推荐方法、装置、设备及存储介质 |
CN114611013A (zh) * | 2022-03-16 | 2022-06-10 | 上海师范大学 | 基于用户兴趣和评分偏好差异自适应结合的协同过滤推荐算法 |
CN115470905A (zh) * | 2022-09-27 | 2022-12-13 | 高强 | 一种大数据分析处理方法及系统 |
-
2023
- 2023-02-20 CN CN202310135087.2A patent/CN115829421B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107067297A (zh) * | 2017-03-21 | 2017-08-18 | 上海斐讯数据通信技术有限公司 | 一种基于用户使用偏好进行应用推荐的方法和系统 |
CA3118083A1 (en) * | 2018-11-01 | 2020-05-07 | Netflix, Inc. | Techniques for recommending items to users |
CN109544231A (zh) * | 2018-11-21 | 2019-03-29 | 浙江工商大学 | 基于物流信息平台的物流配送服务个性化推荐方法 |
CN109933716A (zh) * | 2019-01-15 | 2019-06-25 | 深圳心跳智能科技有限公司 | 一种基于客户行为习惯偏好的个性化酒店智能推荐算法 |
CN113344671A (zh) * | 2021-06-23 | 2021-09-03 | 昆明理工大学 | 一种融合信任因素的个性化推荐模型及构建方法 |
CN113706258A (zh) * | 2021-08-31 | 2021-11-26 | 平安银行股份有限公司 | 基于组合模型的产品推荐方法、装置、设备及存储介质 |
CN114611013A (zh) * | 2022-03-16 | 2022-06-10 | 上海师范大学 | 基于用户兴趣和评分偏好差异自适应结合的协同过滤推荐算法 |
CN115470905A (zh) * | 2022-09-27 | 2022-12-13 | 高强 | 一种大数据分析处理方法及系统 |
Non-Patent Citations (2)
Title |
---|
DANA INDRA SENSUSE 等: "Challenges and Recommended Solutions for Change Management in Indonesian E-Commerce" * |
王斐 等: "基于用户画像与协同过滤的大规模定制 智能推荐算法研究" * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117952657A (zh) * | 2024-03-26 | 2024-04-30 | 吉林省吉龙芯科技有限公司 | 基于能源互联网营销服务系统的信息推送方法 |
CN117952657B (zh) * | 2024-03-26 | 2024-09-03 | 国网河南省电力公司信息通信分公司 | 基于能源互联网营销服务系统的信息推送方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115829421B (zh) | 2023-05-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109345302B (zh) | 机器学习模型训练方法、装置、存储介质和计算机设备 | |
CN110852755B (zh) | 针对交易场景的用户身份识别方法和装置 | |
US6636862B2 (en) | Method and system for the dynamic analysis of data | |
Sawant et al. | Contextual multi-armed bandits for causal marketing | |
CN113256335B (zh) | 数据筛选方法、多媒体数据的投放效果预测方法及装置 | |
CN109272312B (zh) | 用于交易风险实时侦测的方法和装置 | |
CN115829421A (zh) | 一种用于业务需求的智能分析方法及系统 | |
US7698345B2 (en) | Methods and apparatus for fusing databases | |
CN112148986B (zh) | 一种基于众包的top-N服务再推荐方法及系统 | |
CN109285034B (zh) | 一种向人群投放业务的方法和装置 | |
CN114782201A (zh) | 股票推荐方法、装置、计算机设备和存储介质 | |
US20200302541A1 (en) | Resource processing method, storage medium, and computer device | |
CN116703533A (zh) | 一种商业管理数据优化存储分析方法 | |
CN109145207B (zh) | 一种基于分类指标预测的信息个性化推荐方法及装置 | |
CN117036783A (zh) | 低延时纵向联邦学习的信息分类系统、方法及应用 | |
CN111489207A (zh) | 基于区块链系统的评价信息写入方法、装置及硬件设备 | |
US20110282804A1 (en) | System and Method for Market Analysis and Forecast Utilizing At Least One of Securities Records Assessment and Distribution-Free Estimation | |
CN112308705A (zh) | 一种基于银行数据的外出务工人员识别方法、设备及介质 | |
CN111899049A (zh) | 广告投放方法、装置及设备 | |
CN118097197B (zh) | 一种图像识别神经网络模型的匹配方法 | |
CN114978616B (zh) | 风险评估系统的构建方法及装置、风险评估方法及装置 | |
CN117934125B (zh) | 目标信息推荐方法及装置、终端设备和计算机存储介质 | |
CN115879973A (zh) | 数据处理方法、装置及电子设备 | |
CN116644233A (zh) | 线上学习平台的课程推荐方法、装置、设备及存储介质 | |
CN117593034A (zh) | 基于计算机的用户分类方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |