CN116010688A - 一种用户行为标签识别方法、系统、设备及存储介质 - Google Patents
一种用户行为标签识别方法、系统、设备及存储介质 Download PDFInfo
- Publication number
- CN116010688A CN116010688A CN202211597199.1A CN202211597199A CN116010688A CN 116010688 A CN116010688 A CN 116010688A CN 202211597199 A CN202211597199 A CN 202211597199A CN 116010688 A CN116010688 A CN 116010688A
- Authority
- CN
- China
- Prior art keywords
- data
- decision tree
- internet
- user
- tree model
- 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 42
- 238000003066 decision tree Methods 0.000 claims abstract description 70
- 238000007781 pre-processing Methods 0.000 claims abstract description 13
- 238000001514 detection method Methods 0.000 claims abstract description 10
- 230000006399 behavior Effects 0.000 claims description 47
- 238000011156 evaluation Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 7
- 238000013138 pruning Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 230000011664 signaling Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000010295 mobile communication Methods 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
- 238000011084 recovery Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
Images
Classifications
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种用户行为标签识别方法、系统、设备及存储介质，方法包括获取移动大数据平台的用户各维度数据及互联网数据，对获取的互联网数据进行深度报文检测，得到解析后的互联网数据，对用户各维度数据和解析后的互联网数据进行数据预处理，得到数据集，基于所述数据集构建决策树模型，所述决策树模型的输入为未标注的用户各维度数据及互联网数据，所述决策树模型的输出为用户行为标签，实时采集待识别的未标注的用户各维度数据及互联网数据，将待识别的未标注的用户各维度数据及互联网数据输入至所述决策树模型中进行识别，得到用户标签识别结果，从而实现用户行为标签的识别。
Description
技术领域
本发明涉及用户行为标签识别技术领域，尤其涉及一种用户行为标签识别方法、系统、设备及存储介质。
背景技术
当前国内移动通信行业已进入饱和期，净增用户数增长速度放缓，使得运营商的运营重心逐步倾向存量用户资源的争夺和运营上，用户群体的划分、对于用户需求的精准营销和渠道触达，是根据用户相关属性进行个性化业务推送，辅助客户留存和新客获取的重要前提，当前运营商大数据服务的构建主要基于用户基础信息、服务使用信息、用户通信记录、网络行为信息和地理位置信息等，采用频繁模式挖掘、聚类算法、分类算法等方法对用户标签进行识别，从而对客户群进行划分并提供大数据精准营销服务。
然而，现有技术对用户标签的识别需要通过专家经验和市场调研，结合业务场景手动划分用户组，分类在很大程度上基于人工经验，导致分类不够具体，同时，现有技术对于操作员的海量数据梳理，分析和挖掘不够全面，标签识别仅使用部分数据，用户标签建立的准确性和广度不足，导致最终分类过于粗糙。
发明内容
有鉴于此，本发明提出一种用户行为标签识别方法、系统、设备及存储介质，可以解决现有技术所存在的基于人工经验导致分类不够具体和需要操作员进行海量数据梳理导致分析和挖掘不够全面的缺陷。
本发明的技术方案是这样实现的：
一种用户行为标签识别方法，所述方法基于决策树模型，具体包括：
获取移动大数据平台的用户各维度数据及互联网数据；
对获取的互联网数据进行深度报文检测，得到解析后的互联网数据；
对用户各维度数据和解析后的互联网数据进行数据预处理，得到数据集；
基于所述数据集构建决策树模型，所述决策树模型的输入为未标注的用户各维度数据及互联网数据，所述决策树模型的输出为用户行为标签；
实时采集待识别的未标注的用户各维度数据及互联网数据；
将待识别的未标注的用户各维度数据及互联网数据输入至所述决策树模型中进行识别，得到用户标签识别结果，从而实现用户行为标签的识别。
作为所述用户行为标签识别方法的进一步可选方案，所述对获取的互联网数据进行深度报文检测，得到解析后的互联网数据，具体包括：
从获取的互联网数据提取目标应用APP的数据，以获取上网行为数据，其中，所述上网行为数据包括上网特征信息和上网特征信息对应的访问类型；
对上网特征信息和上网特征信息对应的访问类型进行编码处理，得到解析后的互联网数据。
作为所述用户行为标签识别方法的进一步可选方案，所述对用户各维度数据和解析后的互联网数据进行数据预处理，得到数据集，具体包括：
去掉用户各维度数据和解析后的互联网数据的重复值，得到分类变量和连续变量；
根据特征概率分别对所述分类变量和连续变量进行缺失值处理，并分别对缺失值处理后的分类变量和连续变量进行编码转换为输入向量，得到数据集。
作为所述用户行为标签识别方法的进一步可选方案，所述基于所述数据集构建决策树模型，具体包括：
将数据集划分为训练数据集和测试数据集；
输入特征向量，并给定阈值，得到初始化模型；
基于训练数据集确定所述初始化模型的根节点，并依据所述根节点确定对应的子节点；
计算基尼系数；
依据所述基尼系数对子节点进行决策，得到叶节点；
递归所述叶节点，从而构建出决策树模型。
作为所述用户行为标签识别方法的进一步可选方案，所述基于所述数据集构建决策树模型还包括：
采用后剪枝方法对决策树模型进行优化，并根据损失函数确定是否剪枝，选择交叉验证结果好的子树模型作为最优决策树模型。
作为所述用户行为标签识别方法的进一步可选方案，所述方法还包括从最优决策树模型选择出所需决策树模型，具体包括：
选择评估指标对最优决策树模型进行评估得到准确率符合要求的决策树模型。
作为所述用户行为标签识别方法的进一步可选方案，所述选择评估指标对最优决策树模型进行评估得到准确率符合要求的决策树模型，具体包括：
选择准确率和召回率评估最优决策树模型，得到评估值；
依据评估值选择出准确率符合要求的决策树模型。
一种用户行为标签识别系统，包括：
获取模块，用于获取移动大数据平台的用户各维度数据及互联网数据；
深度报文检测模块，用于对获取的互联网数据进行深度报文检测，得到解析后的互联网数据；
预处理模块，用于对用户各维度数据和解析后的互联网数据进行数据预处理，得到数据集；
构建模块，用于基于所述数据集构建决策树模型；
采集模块，用于实时采集待识别的未标注的用户各维度数据及互联网数据；
输入模块，用于将待识别的未标注的用户各维度数据及互联网数据输入至所述决策树模型中进行识别，得到用户标签识别结果。
一种计算设备，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任意一种用户行为标签识别方法的步骤。
一种计算机可读存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述任意一种用户行为标签识别方法的步骤。
本发明的有益效果是：通过采用深度报文解析与决策树模型结合的方式实现用户上网行为识别，建立规则库，解析信令数据，包括用户APP数据、家宽数据、网页浏览数据，识别出用户兴趣偏好、社交关系等，与现有技术中通过数据库匹配方式进行识别的方法相比，识别的准确率更高，此外，根据用户各维度数据和解析后的互联网数据训练决策树模型，得到决策树模型，可以在不同业务场景中调整权重阈值以适应更多分类业务问题，提高发明的适用性，在后续的风险决策、精准营销提供有利技术支撑。
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为本发明一种用户行为标签识别方法的流程示意图；
图2为本发明一种用户行为标签识别系统的组成示意图。
具体实施方式
下面将对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明的一部分实施例，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它实施例，都属于本发明保护的范围。
参考图1-2，一种用户行为标签识别方法，所述方法基于决策树模型，具体包括：
获取移动大数据平台的用户各维度数据及互联网数据；
对获取的互联网数据进行深度报文检测，得到解析后的互联网数据；
对用户各维度数据和解析后的互联网数据进行数据预处理，得到数据集；
基于所述数据集构建决策树模型，所述决策树模型的输入为未标注的用户各维度数据及互联网数据，所述决策树模型的输出为用户行为标签；
实时采集待识别的未标注的用户各维度数据及互联网数据；
将待识别的未标注的用户各维度数据及互联网数据输入至所述决策树模型中进行识别，得到用户标签识别结果，从而实现用户行为标签的识别。
在本实施例中，通过采用深度报文解析与决策树模型结合的方式实现用户上网行为识别，建立规则库，解析信令数据，包括用户APP数据、家宽数据、网页浏览数据，识别出用户兴趣偏好、社交关系等，与现有技术中通过数据库匹配方式进行识别的方法相比，识别的准确率更高，此外，根据用户各维度数据和解析后的互联网数据训练决策树模型，得到决策树模型，可以在不同业务场景中调整权重阈值以适应更多分类业务问题，提高发明的适用性，在后续的风险决策、精准营销提供有利技术支撑。
优选的，所述对获取的互联网数据进行深度报文检测，得到解析后的互联网数据，具体包括：
从获取的互联网数据提取目标应用APP的数据，以获取上网行为数据，其中，所述上网行为数据包括上网特征信息和上网特征信息对应的访问类型；
对上网特征信息和上网特征信息对应的访问类型进行编码处理，得到解析后的互联网数据。
在本实施例中，控制上网设备访问目标应用APP，以获取上网行为数据，上网行为数据包括上网特征信息及上网特征信息对应的访问类型，上网设备是安装有上网APP的终端设备，例如，手机，目标应用APP是指上网设备的APP商城中的热门APP，目标应用APP数量可以是一个，也可以是多个，上网行为数据包括上网特征信息及上网特征信息对应的访问类型，上网特征信息是上网设备访问目标应用APP时获取的关键信息，包括访问的目标应用APP的名称、上网设备的机型、网络抓包URL等，访问类型是指具体的上网点击行为，例如，点击、时间、流量等，当目标应用APP的数量是多个时，为了区分不同目标应用APP的访问类型，访问类型中还包括APP名称，每一次访问目标应用APP生成一组上网特征信息，该组上网特征信息包括了本次访问目标应用APP的上网特征信息及上网特征信息对应的访问类型，执行本发明实施示例的设备预先设置有模拟访问脚本以及自动化抓包工具，模拟访问脚本预先定义了访问命令和访问类型之间的对应关系，当运行该模拟脚本时，可以通过预先定义的访问命令执行该访问命令对应的访问类型，在实际实施过程中，模拟访问脚本可以通过Python中的模拟访问APP包实现，例如，Python中的Requests包实现模拟访问。以执行本发明实施示例的设备为计算机，上网设备为手机，将计算机与手机连接，手机通过计算机热点代理上网，通过预先定义好的模拟访问脚本，由计算机控制手机访问淘宝APP，同时，计算机端形成的访问日志，通过自动化抓包工具从访问日志中可以提取上网行为数据，可以使用常见的网络抓包工具，例如，fiddler、wireshark等；
对上网特征信息及上网特征信息对应的访问类型编码进行处理，得到训练数据；
上网特征信息包含了上网设备访问目标应用APP时获取的多维关键信息，对每一维关键信息分别进行编码。在一些实施示例中，对关键信息的编码是从预设的编码库中获取的，例如，通过字典编码时，不同的文本可以通过字典编码对应的编码库转换为相应的索引值，可以理解的是，对关键信息进行编码的目的是为了区分不同的关键信息，因此，编码方式也可以人为设定，在对每一维的关键信息编码之后，不同维度的编码对应的数据长度不同，数量级也不同，直接使用该编码形成的训练数据无法训练识别模型，因此，将所有维度的编码通过对齐转换为同一长度，通过归一化将所有维度的编码的数量级转换为统一范围，在一些实施示例中，通过将每个维度相较于其他维度缺失的长度补0的方式对齐；
在对访问类型进行编码时，如果目标应用APP的数量为一个，则编码可以使用一个数字或字母进行编码，如果目标应用APP的数量为多个，则编码包括目标应用APP标识，然后结合运营商海量网络数据进行规则匹配，从而得到解析后的互联网数据。
优选的，所述对用户各维度数据和解析后的互联网数据进行数据预处理，得到数据集，具体包括：
去掉用户各维度数据和解析后的互联网数据的重复值，得到分类变量和连续变量；
根据特征概率分别对所述分类变量和连续变量进行缺失值处理，并分别对缺失值处理后的分类变量和连续变量进行编码转换为输入向量，得到数据集。
优选的，所述基于所述数据集构建决策树模型，具体包括：
将数据集划分为训练数据集和测试数据集；
输入特征向量，并给定阈值，得到初始化模型；
基于训练数据集确定所述初始化模型的根节点，并依据所述根节点确定对应的子节点；
计算基尼系数；
依据所述基尼系数对子节点进行决策，得到叶节点；
递归所述叶节点，从而构建出决策树模型。
在本实施例中，划分训练集和测试集，输入特征向量，给定阈值ε，初始化模型；
选择目标特征作为根节点，选择数据集D中样本的某一类特征样本作为子节点；
计算基尼系数，计算公式：
其中p i表示第i种分类的样本率，
N表示样本集D中样本总数，N i表示第i个分类的样本数量，当基尼系数小于阈值，返回决策树，当前节点停止递归；
根据基尼系数对子节点进行决策，选择基尼系数最小的特征作为最优划分，产生叶节点；
递归所有节点的训练步骤生成决策树。
优选的，所述基于所述数据集构建决策树模型还包括：
采用后剪枝方法对决策树模型进行优化，并根据损失函数确定是否剪枝，选择交叉验证结果好的子树模型作为最优决策树模型。
优选的，所述方法还包括从最优决策树模型选择出所需决策树模型，具体包括：
选择评估指标对最优决策树模型进行评估得到准确率符合要求的决策树模型。
优选的，所述选择评估指标对最优决策树模型进行评估得到准确率符合要求的决策树模型，具体包括：
选择准确率和召回率评估最优决策树模型，得到评估值；
依据评估值选择出准确率符合要求的决策树模型。
在本实施例中，选择准确率Precision＝TP/(TP+FP)和召回率recall＝TP/(TP+FN)来评价模型效果，其中TP表示正例预测为正例；FP表示负例预测为正例；FN表示正例预测为负例；
选择AUC值作为模型的评价标准作为一个数值，对应AUC值更大的分类器效果更好，依据AUC值可选择出准确率符合要求的决策树模型。
一种用户行为标签识别系统，包括：
获取模块，用于获取移动大数据平台的用户各维度数据及互联网数据；
深度报文检测模块，用于对获取的互联网数据进行深度报文检测，得到解析后的互联网数据；
预处理模块，用于对用户各维度数据和解析后的互联网数据进行数据预处理，得到数据集；
构建模块，用于基于所述数据集构建决策树模型；
采集模块，用于实时采集待识别的未标注的用户各维度数据及互联网数据；输入模块，用于将待识别的未标注的用户各维度数据及互联网数据输入至所述决策树模型中进行识别，得到用户标签识别结果。
一种计算设备，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任意一种用户行为标签识别方法的步骤。
一种计算机可读存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述任意一种用户行为标签识别方法的步骤。
以上所述仅为本发明的较佳实施方式而已，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 (10)
1.一种用户行为标签识别方法，其特征在于，所述方法基于决策树模型，具体包括：
获取移动大数据平台的用户各维度数据及互联网数据；
对获取的互联网数据进行深度报文检测，得到解析后的互联网数据；
对用户各维度数据和解析后的互联网数据进行数据预处理，得到数据集；
基于所述数据集构建决策树模型，所述决策树模型的输入为未标注的用户各维度数据及互联网数据，所述决策树模型的输出为用户行为标签；
实时采集待识别的未标注的用户各维度数据及互联网数据；
将待识别的未标注的用户各维度数据及互联网数据输入至所述决策树模型中进行识别，得到用户标签识别结果，从而实现用户行为标签的识别。
2.根据权利要求1所述的一种用户行为标签识别方法，其特征在于，所述对获取的互联网数据进行深度报文检测，得到解析后的互联网数据，具体包括：
从获取的互联网数据提取目标应用APP的数据，以获取上网行为数据，其中，所述上网行为数据包括上网特征信息和上网特征信息对应的访问类型；
对上网特征信息和上网特征信息对应的访问类型进行编码处理，得到解析后的互联网数据。
3.根据权利要求2所述的一种用户行为标签识别方法，其特征在于，所述对用户各维度数据和解析后的互联网数据进行数据预处理，得到数据集，具体包括：
去掉用户各维度数据和解析后的互联网数据的重复值，得到分类变量和连续变量；
根据特征概率分别对所述分类变量和连续变量进行缺失值处理，并分别对缺失值处理后的分类变量和连续变量进行编码转换为输入向量，得到数据集。
4.根据权利要求3所述的一种用户行为标签识别方法，其特征在于，所述基于所述数据集构建决策树模型，具体包括：
将数据集划分为训练数据集和测试数据集；
输入特征向量，并给定阈值，得到初始化模型；
基于训练数据集确定所述初始化模型的根节点，并依据所述根节点确定对应的子节点；
计算基尼系数；
依据所述基尼系数对子节点进行决策，得到叶节点；
递归所述叶节点，从而构建出决策树模型。
5.根据权利要求4所述的一种用户行为标签识别方法，其特征在于，所述基于所述数据集构建决策树模型还包括：
采用后剪枝方法对决策树模型进行优化，并根据损失函数确定是否剪枝，选择交叉验证结果好的子树模型作为最优决策树模型。
6.根据权利要求5所述的一种用户行为标签识别方法，其特征在于，所述方法还包括从最优决策树模型选择出所需决策树模型，具体包括：
选择评估指标对最优决策树模型进行评估得到准确率符合要求的决策树模型。
7.根据权利要求6所述的一种用户行为标签识别方法，其特征在于，所述选择评估指标对最优决策树模型进行评估得到准确率符合要求的决策树模型，具体包括：
选择准确率和召回率评估最优决策树模型，得到评估值；
依据评估值选择出准确率符合要求的决策树模型。
8.一种用户行为标签识别系统，其特征在于，包括：
获取模块，用于获取移动大数据平台的用户各维度数据及互联网数据；
深度报文检测模块，用于对获取的互联网数据进行深度报文检测，得到解析后的互联网数据；
预处理模块，用于对用户各维度数据和解析后的互联网数据进行数据预处理，得到数据集；
构建模块，用于基于所述数据集构建决策树模型；
采集模块，用于实时采集待识别的未标注的用户各维度数据及互联网数据；
输入模块，用于将待识别的未标注的用户各维度数据及互联网数据输入至所述决策树模型中进行识别，得到用户标签识别结果。
9.一种计算设备，其特征在于，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权利要求1-7中任意一种用户行为标签识别方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-7中任意一种用户行为标签识别方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211597199.1A CN116010688A (zh) | 2022-12-12 | 2022-12-12 | 一种用户行为标签识别方法、系统、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211597199.1A CN116010688A (zh) | 2022-12-12 | 2022-12-12 | 一种用户行为标签识别方法、系统、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116010688A true CN116010688A (zh) | 2023-04-25 |
Family
ID=86027409
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211597199.1A Pending CN116010688A (zh) | 2022-12-12 | 2022-12-12 | 一种用户行为标签识别方法、系统、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116010688A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116383029A (zh) * | 2023-06-06 | 2023-07-04 | 和元达信息科技有限公司 | 一种基于小程序的用户行为标签生成方法和装置 |
| CN116523566A (zh) * | 2023-06-30 | 2023-08-01 | 和元达信息科技有限公司 | 一种基于互联网广告投放的伪热度识别方法及系统 |
| CN116596585A (zh) * | 2023-07-11 | 2023-08-15 | 亚信科技（中国）有限公司 | 一种用户满意度获取方法、装置、电子设备及存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018014610A1 (zh) * | 2016-07-20 | 2018-01-25 | 武汉斗鱼网络科技有限公司 | 基于c4.5决策树算法的特定用户挖掘系统及其方法 |
| CN113312531A (zh) * | 2021-04-22 | 2021-08-27 | 广州丰石科技有限公司 | 一种基于dpi解析与决策树模型的用户画像识别方法 |
| CN113516297A (zh) * | 2021-05-26 | 2021-10-19 | 平安国际智慧城市科技股份有限公司 | 基于决策树模型的预测方法、装置和计算机设备 |
-
2022
- 2022-12-12 CN CN202211597199.1A patent/CN116010688A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018014610A1 (zh) * | 2016-07-20 | 2018-01-25 | 武汉斗鱼网络科技有限公司 | 基于c4.5决策树算法的特定用户挖掘系统及其方法 |
| CN113312531A (zh) * | 2021-04-22 | 2021-08-27 | 广州丰石科技有限公司 | 一种基于dpi解析与决策树模型的用户画像识别方法 |
| CN113516297A (zh) * | 2021-05-26 | 2021-10-19 | 平安国际智慧城市科技股份有限公司 | 基于决策树模型的预测方法、装置和计算机设备 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116383029A (zh) * | 2023-06-06 | 2023-07-04 | 和元达信息科技有限公司 | 一种基于小程序的用户行为标签生成方法和装置 |
| CN116383029B (zh) * | 2023-06-06 | 2024-04-26 | 和元达信息科技有限公司 | 一种基于小程序的用户行为标签生成方法和装置 |
| CN116523566A (zh) * | 2023-06-30 | 2023-08-01 | 和元达信息科技有限公司 | 一种基于互联网广告投放的伪热度识别方法及系统 |
| CN116523566B (zh) * | 2023-06-30 | 2024-01-02 | 和元达信息科技有限公司 | 一种基于互联网广告投放的伪热度识别方法及系统 |
| CN116596585A (zh) * | 2023-07-11 | 2023-08-15 | 亚信科技（中国）有限公司 | 一种用户满意度获取方法、装置、电子设备及存储介质 |
| CN116596585B (zh) * | 2023-07-11 | 2023-11-03 | 亚信科技（中国）有限公司 | 一种用户满意度获取方法、装置、电子设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116010688A (zh) | 一种用户行为标签识别方法、系统、设备及存储介质 | |
| CN110020422B (zh) | 特征词的确定方法、装置和服务器 | |
| CN108027814B (zh) | 停用词识别方法与装置 | |
| CN111783016B (zh) | 一种网站分类方法、装置及设备 | |
| CN107102993B (zh) | 一种用户诉求分析方法和装置 | |
| CN108229170B (zh) | 利用大数据和神经网络的软件分析方法和装置 | |
| CN112671985A (zh) | 基于深度学习的坐席质检方法、装置、设备及存储介质 | |
| CN111460803B (zh) | 基于工业物联网设备Web管理页面的设备识别方法 | |
| CN112183102A (zh) | 基于注意力机制与图注意力网络的命名实体识别方法 | |
| CN115830649A (zh) | 一种网络资产指纹特征的识别方法、装置及电子设备 | |
| CN111159334A (zh) | 用于房源跟进信息处理的方法及系统 | |
| CN116150651A (zh) | 基于ai的深度合成检测方法和系统 | |
| CN116488915A (zh) | 基于深度学习的Web攻击检测与分类识别方法及装置 | |
| CN111488501A (zh) | 一种基于云平台的电商统计系统 | |
| CN109783805B (zh) | 一种网络社区用户识别方法、装置和可读存储介质 | |
| CN113378024A (zh) | 一种基于深度学习面向公检法领域的相关事件识别方法 | |
| CN117608889A (zh) | 基于日志语义的异常检测方法以及相关设备 | |
| CN117372144A (zh) | 应用于小样本场景的风控策略智能化方法及系统 | |
| CN111754352A (zh) | 一种观点语句正确性的判断方法、装置、设备和存储介质 | |
| CN116467720A (zh) | 一种基于图神经网络的智能合约漏洞检测方法及电子设备 | |
| CN114528908A (zh) | 网络请求数据分类模型训练方法、分类方法及存储介质 | |
| CN110413909B (zh) | 基于机器学习的大规模嵌入式设备在线固件智能识别方法 | |
| CN114338058A (zh) | 一种信息处理方法、装置和存储介质 | |
| CN112819205B (zh) | 工时预测方法、装置及系统 | |
| CN116431319B (zh) | 任务处理方法及装置 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230425 |