CN116304269A - 一种用户活跃度预测方法、装置、计算机设备和存储介质 - Google Patents
一种用户活跃度预测方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN116304269A CN116304269A CN202310151313.6A CN202310151313A CN116304269A CN 116304269 A CN116304269 A CN 116304269A CN 202310151313 A CN202310151313 A CN 202310151313A CN 116304269 A CN116304269 A CN 116304269A
- Authority
- CN
- China
- Prior art keywords
- time
- user activity
- information
- predicted
- historical data
- 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
- 230000000694 effects Effects 0.000 title claims abstract description 67
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000004364 calculation method Methods 0.000 claims abstract description 31
- 238000004590 computer program Methods 0.000 claims description 13
- 238000004891 communication Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 235000019580 granularity Nutrition 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000012466 permeate Substances 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000016776 visual perception 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
- G06F16/951—Indexing; Web crawling techniques
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q50/01—Social networking
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种用户活跃度预测方法、装置、计算机设备和存储介质。方法包括:获取用户发布信息的历史数据;统计历史数据中目标类型信息的比例p,确定历史数据距离现在时刻的最大时间间隔maxperiod;计算衰减系数α;将历史数据划分为多个时间段,统计每个时间段内发布信息的数量Si;分别计算每个时间段相应待预测时刻t的发布信息的数量Si *;将计算得到的所有待预测时刻t的发布信息的数量Si *进行求和,作为待预测时刻t的用户活跃度预测结果S。本发明可以针对不同类型的信息预测活跃度,只要合理统计出不同类型信息占总发布信息的比例,就可以有效预测不同发布类型的活跃度。
Description
技术领域
本申请涉及互联网技术领域,特别是涉及一种用户活跃度预测方法、装置、计算机设备和存储介质。
背景技术
随着数字时代的到来,智能设备逐步渗透到人们的日常生活中,人们对各类设备的使用也越来越依赖。这导致了人们生活习惯的改变,越来越多的行为利用智能设备来完成,例如网上购物、网上支付、网上沟通以及完成各种认证,这极大程度的提高了人们的工作效率。
而用户活跃度通常是指用户在进行各种网络行为的频度或者行为量化程度,以微博为例,用户可以发微博、评论、转发、收藏、关注、私信,用户有发布的微博数、转发数、评论数、被关注数、关注数、收藏数。
预测用户活跃度的算法依赖于用户一定时间间隔内的信息发布数量作为特征,所以依赖于用户发布信息的时间字段。时间间隔的长度和发布的密集程度对用户活跃度的计算结果的准确度影响很大。
目前的用户活跃度预测算法,对于用户发布类别过多的情况,类别之间的计算结果会不容易区分,只适用于少量类别的用户活跃度计算。对于固定时间间隔计算,只会在这个时间段上有效果,如果针对更低时间粒度的计算,需要重新统计计算。在大多数的使用情况下都是利用有限的用户数据进行预测也会导致活跃度计算不是特别的准确。
发明内容
基于此,针对上述技术问题,提供一种用户活跃度预测方法、装置、计算机设备和存储介质,以解决现有技术存在现有用户活跃度预测算法类别之间的计算结果不容易区分,只适用于少量类别的用户活跃度计算的技术问题。
为了实现上述目的,本申请提供如下技术方案:
第一方面,一种用户活跃度预测方法,包括:
获取用户发布信息的历史数据;
统计所述历史数据中目标类型信息的比例p,确定所述历史数据距离现在时刻的最大时间间隔maxperiod;
根据所述比例p和最大时间间隔maxperiod,计算衰减系数α;
将所述历史数据划分为多个时间段,统计每个时间段内发布信息的数量Si;
利用每个时间段内发布信息的数量Si、衰减系数α和相应历史时刻ti,分别计算相应待预测时刻t的发布信息的数量Si *;
将计算得到的所有待预测时刻t的发布信息的数量Si *进行求和,作为待预测时刻t的用户活跃度预测结果S。
可选地,所述衰减系数α的计算公式为:
可选地,每个时间段相应待预测时刻t的发布信息的数量的计算公式为:
待预测时刻t的用户活跃度预测结果S的计算公式为:
可选地,所述方法还包括:
当无法获取到用户发布信息的历史数据时,直接将待预测时刻t的用户活跃度预测结果S置为零。
第二方面,一种用户活跃度预测装置,包括:
历史数据获取模块,用于获取用户发布信息的历史数据;
最大时间间隔确定模块,用于统计所述历史数据中目标类型信息的比例p,确定所述历史数据距离现在时刻的最大时间间隔maxperiod;
衰减系数计算模块,用于根据所述比例p和最大时间间隔maxperiod,计算衰减系数α;
发布信息数量统计模块,用于将所述历史数据划分为多个时间段,统计每个时间段内发布信息的数量Si;
待预测时刻信息发布数量计算模块,用于利用每个时间段内发布信息的数量Si、衰减系数α和相应历史时刻ti,分别计算相应待预测时刻t的发布信息的数量Si *;
用户活跃度预测模块,用于将计算得到的所有待预测时刻t的发布信息的数量Si *进行求和,作为待预测时刻t的用户活跃度预测结果S。
可选地,所述衰减系数α的计算公式为:
可选地,每个时间段相应待预测时刻t的发布信息的数量的计算公式为:
待预测时刻t的用户活跃度预测结果S的计算公式为:
可选地,所述装置还包括:
置零模块,用于当无法获取到用户发布信息的历史数据时,直接将待预测时刻t的用户活跃度预测结果S置为零。
第三方面,一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现第一方面中任一项所述的方法的步骤。
第四方面,一种计算机可读存储介质,其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第一方面中任一项所述的方法的步骤。
本发明至少具有以下有益效果:
本发明实施例提供了一种用户活跃度预测方法,采用获取用户发布信息的历史数据,统计历史数据中目标类型信息的比例p,确定历史数据距离现在时刻的最大时间间隔maxperiod,计算衰减系数α,将历史数据划分为多个时间段,统计每个时间段内发布信息的数量Si,分别计算每个时间段相应待预测时刻t的发布信息的数量Si *,将计算得到的所有待预测时刻t的发布信息的数量Si *进行求和,作为待预测时刻t的用户活跃度预测结果S;能够利用用户发布信息的历史数据以及发布信息的时间信息计算用户活跃度,可以针对不同类型的信息预测活跃度;只要合理统计出不同类型信息占总发布信息的比例,就可以有效地预测不同发布类型的活跃度;另外,由于该方法主要依赖于用户历史数据,在历史数据足够的情况下,可以对不同时间粒度进行分析预测;同时,该方法较为简单可靠,不需要海量的数据,只需要几天或者几小时内甚至更少的数据即可进行预测。
附图说明
图1为本发明一个实施例提供的一种用户活跃度预测方法的流程示意图;
图2为本发明一个实施例提供的一种用户活跃度预测方法的另一种流程示意图;
图3为本发明一个实施例中两个不同用户在最近七天内发布信息数量统计图;
图4为本发明一个实施例提供的一种用户活跃度预测装置的模块架构框图;
图5为本发明一个实施例提供的一种计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在一个实施例中,如图1所示,提供了一种用户活跃度预测方法,包括以下步骤:
S101,获取用户发布信息的历史数据。
首先获取到用户之前发布信息的历史数据。
S102,统计历史数据中目标类型信息的比例p,确定历史数据距离现在时刻的最大时间间隔maxperiod。
其中,目标类型信息可以但不限于是发布的文章。
S103,根据比例p和最大时间间隔maxperiod,计算衰减系数α。
根据经验,确定用户某种发布信息的比例p,然后取对数并除以历史数据距离现在时刻最大时间间隔得到衰减系数α。也就是说,衰减系数α的计算公式为:
S104,将历史数据划分为多个时间段,统计每个时间段内发布信息的数量Si。
S105,利用每个时间段内发布信息的数量Si、衰减系数α和相应历史时刻ti,分别计算相应待预测时刻t的发布信息的数量Si *,i∈[0,n],i表示每个时间段。
每个时间段相应待预测时刻t的发布信息的数量的计算公式为:
S106,将计算得到的所有待预测时刻t的发布信息的数量Si *进行求和,作为待预测时刻t的用户活跃度预测结果S。
待预测时刻t的用户活跃度预测结果S的计算公式为:
换句话说,我们先假设用户的发布信息数目的衰减与其发布时间距离当前时间的时间差成正比。
S'(t)=-α(S(t)-N)
S(t)是发布信息数与时间的函数,N代表一个固定的发布数,α是衰减系数,表示t时刻相对于固定发布数量N的衰减比例。
基于上述的关系和公式,我们对其进行积分可以求出S(t)函数,发布数和时间的关系函数:
上述公式S代表发布数和时间的函数,S0代表某一历史时刻的发布数,N代表一个固定的发布数量,因为我们现在关注的是未来某一时刻用户是否会发布信息,所以N这个固定发布数量应该取0,则意味着我们计算的是用户发布数量衰减到零即不会发布任何信息的活跃度分数。所以上面的公式就可以简化为:
上面的公式可以根据t0时刻的发布数量计算某一时刻t的发布数量。根据此公式我们可以利用某段时间内的发布信息特征预测未来时刻的发布数量并求和当作未来时刻用户活跃度。
进一步地,该方法还包括:
当无法获取到用户发布信息的历史数据时,直接将待预测时刻t的用户活跃度预测结果S置为零。
该方法的另一种流程示意图可参考图2。
举例来说,以某个网站的作者用户发布文章为例,以天为单位使用七天内的作者发布数据预测未来一天发布信息的活跃度分数。图3的(1)和(2)是两个不同用户在最近七天内发布信息数量统计图。
从上图3中可以明显的看出左边用户明显比右边用户活跃,无论是从发布的数量和发布的连续性。将这七天的历史数据带入到之前的公式中,并假设用户发布文章在所有发布信息中的比重为0.8,以此计算出衰减系数,然后带入历史数据,得出用户活跃度为41.25和10.75。此结果也符合上面统计图直观感受和前面的假设:用户的发布信息数目的衰减与其发布时间距离当前时间的时间差成正比。
总的来说,该用户活跃度预测方法首先获取到用户之前发布信息的历史数据,通过时间间隔和类别比例先计算衰减系数,以固定时间间隔统计此时间段内用户信息的发布数量,然后以时间间隔和发布数量作为特征代入指数衰减公式,最后将不同时间段的结果累加作为预测下一个时间段的用户活跃度分数。
预测的基本流程如下:
1.根据经验或者统计确定发布类型比例和确定最大时间段。
2.利用上一步的比例和最大时间段计算出衰减指数。
3.按照目标时间力度统计在最大时间段内的历史发布数据。
4.带入公式,得出最后用户活跃度分数。
本发明实施例提供了一种能够利用用户发布信息以及发布信息的时间信息计算用户活跃度的方法,可以预测一个用户在某一未来时间段内是否会发布新信息以及根据历史记录预测发布信息的可能性分数。
本发明实施例所提供的用户活跃度预测方法,主要依赖于用户历史数据,如果历史数据足够的情况下,可以对不同时间粒度进行分析预测,并且可以针对不同类型,例如用户发布的文章和视频,只要合理统计出两种类型占总发布的比例可以有效地预测不同发布类型的活跃度。其次算法较为简单可靠,不需要海量的数据,只需要几天或者几小时内甚至更少的数据即可进行预测。
应该理解的是,虽然图1-2的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1-2中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图4所示,提供了一种用户活跃度预测装置,包括以下程序模块:
历史数据获取模块401,用于获取用户发布信息的历史数据;
最大时间间隔确定模块402,用于统计历史数据中目标类型信息的比例p,确定历史数据距离现在时刻的最大时间间隔maxperiod;
衰减系数计算模块403,用于根据比例p和最大时间间隔maxperiod,计算衰减系数α;
发布信息数量统计模块404,用于将历史数据划分为多个时间段,统计每个时间段内发布信息的数量Si;
待预测时刻信息发布数量计算模块405,用于利用每个时间段内发布信息的数量Si、衰减系数α和相应历史时刻ti,分别计算相应待预测时刻t的发布信息的数量Si *;
用户活跃度预测模块406,用于将计算得到的所有待预测时刻t的发布信息的数量Si *进行求和,作为待预测时刻t的用户活跃度预测结果S。
其中,衰减系数α的计算公式为:
每个时间段相应待预测时刻t的发布信息的数量的计算公式为:
待预测时刻t的用户活跃度预测结果S的计算公式为:
进一步地,该用户活跃度预测装置还包括置零模块,用于当无法获取到用户发布信息的历史数据时,直接将待预测时刻t的用户活跃度预测结果S置为零。
关于一种用户活跃度预测装置装置的具体限定可以参见上文中对于一种用户活跃度预测方法的限定,在此不再赘述。上述一种用户活跃度预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图5所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种用户活跃度预测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图5中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,涉及上述实施例方法中的全部或部分流程。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,涉及上述实施例方法中的全部或部分流程。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种用户活跃度预测方法,其特征在于,包括:
获取用户发布信息的历史数据;
统计所述历史数据中目标类型信息的比例p,确定所述历史数据距离现在时刻的最大时间间隔maxperiod;
根据所述比例p和最大时间间隔maxperiod,计算衰减系数α;
将所述历史数据划分为多个时间段,统计每个时间段内发布信息的数量Si;
利用每个时间段内发布信息的数量Si、衰减系数α和相应历史时刻ti,分别计算相应待预测时刻t的发布信息的数量Si *;
将计算得到的所有待预测时刻t的发布信息的数量Si *进行求和,作为待预测时刻t的用户活跃度预测结果S。
4.根据权利要求1所述的用户活跃度预测方法,其特征在于,所述方法还包括:
当无法获取到用户发布信息的历史数据时,直接将待预测时刻t的用户活跃度预测结果S置为零。
5.一种用户活跃度预测装置,其特征在于,包括:
历史数据获取模块,用于获取用户发布信息的历史数据;
最大时间间隔确定模块,用于统计所述历史数据中目标类型信息的比例p,确定所述历史数据距离现在时刻的最大时间间隔maxperiod;
衰减系数计算模块,用于根据所述比例p和最大时间间隔maxperiod,计算衰减系数α;
发布信息数量统计模块,用于将所述历史数据划分为多个时间段,统计每个时间段内发布信息的数量Si;
待预测时刻信息发布数量计算模块,用于利用每个时间段内发布信息的数量Si、衰减系数α和相应历史时刻ti,分别计算相应待预测时刻t的发布信息的数量Si *;
用户活跃度预测模块,用于将计算得到的所有待预测时刻t的发布信息的数量Si *进行求和,作为待预测时刻t的用户活跃度预测结果S。
8.根据权利要求5所述的用户活跃度预测装置,其特征在于,所述装置还包括:
置零模块,用于当无法获取到用户发布信息的历史数据时,直接将待预测时刻t的用户活跃度预测结果S置为零。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至4中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至4中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310151313.6A CN116304269A (zh) | 2023-02-22 | 2023-02-22 | 一种用户活跃度预测方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310151313.6A CN116304269A (zh) | 2023-02-22 | 2023-02-22 | 一种用户活跃度预测方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116304269A true CN116304269A (zh) | 2023-06-23 |
Family
ID=86786170
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310151313.6A Pending CN116304269A (zh) | 2023-02-22 | 2023-02-22 | 一种用户活跃度预测方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116304269A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170140397A1 (en) * | 2015-11-18 | 2017-05-18 | Estia, Inc. | Measuring influence propagation within networks |
CN111881972A (zh) * | 2020-07-24 | 2020-11-03 | 腾讯音乐娱乐科技(深圳)有限公司 | 一种黑产用户识别方法及装置、服务器、存储介质 |
CN115062226A (zh) * | 2022-06-29 | 2022-09-16 | 杭州海亮优智科技有限公司 | 用户行为积分分析方法、装置、计算机设备和存储介质 |
-
2023
- 2023-02-22 CN CN202310151313.6A patent/CN116304269A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170140397A1 (en) * | 2015-11-18 | 2017-05-18 | Estia, Inc. | Measuring influence propagation within networks |
CN111881972A (zh) * | 2020-07-24 | 2020-11-03 | 腾讯音乐娱乐科技(深圳)有限公司 | 一种黑产用户识别方法及装置、服务器、存储介质 |
CN115062226A (zh) * | 2022-06-29 | 2022-09-16 | 杭州海亮优智科技有限公司 | 用户行为积分分析方法、装置、计算机设备和存储介质 |
Non-Patent Citations (1)
Title |
---|
张天才: "个性化推荐系统算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 3, pages 113 - 116 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108833458B (zh) | 一种应用推荐方法、装置、介质及设备 | |
CN110166498B (zh) | 用户类别确定方法及装置、计算机设备及存储介质 | |
CN113918884A (zh) | 业务量预测模型构建方法和业务量预测方法 | |
CN112990583B (zh) | 一种数据预测模型的入模特征确定方法及设备 | |
CN110599240A (zh) | 应用的偏好值确定方法、装置和设备及存储介质 | |
CN115564152A (zh) | 基于stirpat模型的碳排放量预测方法及装置 | |
CN114757602A (zh) | 供给侧电力碳排放风险预警方法、装置和计算机设备 | |
CN115795928A (zh) | 基于伽马过程的加速退化试验数据处理方法和装置 | |
CN110602207A (zh) | 基于离网预测推送信息的方法、装置、服务器和存储介质 | |
CN111652282B (zh) | 基于大数据的用户偏好分析方法、装置及电子设备 | |
CN112669091A (zh) | 数据处理方法、装置及存储介质 | |
CN112395552B (zh) | 数据处理方法以及装置 | |
Das et al. | Functional regression-based monitoring of quality of service in hospital emergency departments | |
CN116304269A (zh) | 一种用户活跃度预测方法、装置、计算机设备和存储介质 | |
CN113780666B (zh) | 一种缺失值的预测方法及装置、可读存储介质 | |
CN114564749B (zh) | 一种针对智慧云服务的用户信息保护方法及服务器 | |
CN115509853A (zh) | 一种集群数据异常检测方法及电子设备 | |
CN111598390B (zh) | 服务器高可用性评估方法、装置、设备和可读存储介质 | |
CN114498622A (zh) | 理论线损率确定方法、装置、设备、存储介质和程序产品 | |
CN113656275B (zh) | 用户活跃度预测方法、装置、电子设备和存储介质 | |
CN114648205A (zh) | 一种人效时间进程监测方法、装置、电子设备及存储介质 | |
CN117314228A (zh) | 手机银行服务质量管理方法、装置、设备、介质和产品 | |
CN117520743A (zh) | 用户用电风险的监测方法、装置、设备、存储介质和产品 | |
CN117319488A (zh) | 消息推送方法、装置、计算机设备和存储介质 | |
CN117853217A (zh) | 数据隐私保护的金融违约率预测方法、装置以及设备 |
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 |