CN116342173A - 一种基于神经网络模型的用户流失预测方法 - Google Patents
一种基于神经网络模型的用户流失预测方法 Download PDFInfo
- Publication number
- CN116342173A CN116342173A CN202211397699.0A CN202211397699A CN116342173A CN 116342173 A CN116342173 A CN 116342173A CN 202211397699 A CN202211397699 A CN 202211397699A CN 116342173 A CN116342173 A CN 116342173A
- Authority
- CN
- China
- Prior art keywords
- neural network
- user
- network model
- comment text
- semantic
- 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 22
- 238000003062 neural network model Methods 0.000 title claims abstract description 18
- 238000013528 artificial neural network Methods 0.000 claims abstract description 27
- 238000000605 extraction Methods 0.000 claims abstract description 18
- 230000006399 behavior Effects 0.000 claims abstract description 13
- 230000004931 aggregating effect Effects 0.000 claims abstract description 10
- 239000013598 vector Substances 0.000 claims description 64
- 230000011218 segmentation Effects 0.000 claims description 27
- 230000006870 function Effects 0.000 claims description 14
- 230000004913 activation Effects 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 230000002776 aggregation Effects 0.000 description 3
- 238000004220 aggregation Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
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
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- General Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Artificial Intelligence (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Game Theory and Decision Science (AREA)
- Databases & Information Systems (AREA)
- Machine Translation (AREA)
Abstract
本发明公开了一种基于神经网络模型的用户流失预测方法，包括获取用户的评论文本；将所述评论文本输入预先构建的特征神经网络中，基于所述特征神经网络提取并聚合评论文本的语义特征；根据所述评论文本的语义特征进行用户流失预测，并输出用户流失预测结果。本发明结合BERT网络模型和NetVLAD网络模型，提取并聚合用户评论文本的语义特征，实现了语义特征细粒度的提取；通过对NetVLAD网络模型的输出结果进行对比学习，使评论文本语义特征有了明确的实际含义，增强了模型的可解释性；将评论文本语义特征和用户行为数据输入至分类器中，实现用户流失预测，提高了预测结果的真实性和准确性，便于电商企业更好地进行营销管理调整。
Description
技术领域
本发明涉及人工智能技术领域，具体涉及一种基于神经网络模型的用户流失预测方法。
背景技术
流失用户，是指那些曾经访问过网站或注册过的用户，但由于对网站渐渐失去兴趣后逐渐远离网站，进而彻底脱离网站的那批用户。当前，电商企业在注重吸引和发展新用户的同时，更要重视现有的用户，而留住现有用户的前提是了解现有用户，预测用户流失的可能性，在用户体现出流失征兆之前采取相应的挽留措施。
在电商企业所采用的现有用户流失预测方法中，包括使用传统的BERT模型提取评论文本的语义特征，进而基于语义特征进行用户流失预测。但现有方法所提取的语义特征缺少评论文本的细粒度语义信息，容易造成预测结果不准确，且所提取的语义特征不具备明确的实际含义，导致所用神经网络模型的可解释性低。
发明内容
针对现有技术中的缺陷，本发明提供一种基于神经网络模型的用户流失预测方法，包括：
获取用户的评论文本；
将所述评论文本输入预先构建的特征神经网络中，基于所述特征神经网络提取并聚合评论文本的语义特征；
根据所述评论文本的语义特征进行用户流失预测，并输出用户流失预测结果。
进一步地，在获取用户的评论文本之前，还包括预先构建特征神经网络，所述特征神经网络包括BERT网络模型和NetVLAD网络模型；
所述BERT网络模型包括BPE分词模块和Self-Attention特征提取模块；
所述NetVLAD网络模型引入softmax函数。
进一步地，所述将所述评论文本输入预先构建的特征神经网络中，基于所述特征神经网络提取并聚合评论文本的语义特征，包括：
将所述评论文本输入至BERT网络模型中，通过所述BPE分词模块采用BPE算法将所述评论数据进行分词处理，生成维度为B×N的分词结果；
基于BERT预训练词表将所述维度为B×N的分词结果转换为B×N×D向量；
基于所述Self-Attention特征提取模块对所述B×N×D向量进行语义特征提取；
其中，B表示评论文本数，N表示分词结果数，D表示每个分词结果的维度。
进一步地，所述基于所述Self-Attention特征提取模块对所述B×N×D向量进行语义特征提取，具体为：
Self-Attention特征提取模块加权融合所述B×N×D向量中所有分词结果的语义信息；
对所述加权融合后的B×N×D向量进行残差连接、层次标准化以及线性转换处理，得到并输出B×N×D语义增强向量。
进一步地，所述将所述评论文本输入预先构建的特征神经网络中，基于所述特征神经网络提取并聚合评论文本的语义特征，还包括：
将所述B×N×D语义增强向量输入至NetVLAD网络模型中，对所述B×N×D语义增强向量形成K个聚类中心；
计算所述B×N×D语义增强向量到K个聚类中心的距离，得到B×N×D语义增强向量与聚类中心差异的分布结果；
基于所述分布结果进行加权计算，将所述B×N×D语义增强向量转换为B×K×D向量，以进行语义特征的聚合。
进一步地，所述基于所述局部特征到K个聚类中心的距离进行加权计算，包括：采用softmax函数进行权重调整。
进一步地，所述将所述评论文本输入预先构建的特征神经网络中，基于所述特征神经网络提取并聚合评论文本的语义特征，还包括：
将所述B×K×D向量结合用户评论真实特征进行对比学习，以明确所述B×K×D向量的语义特征实际含义；
输出所述对比学习后的B×K×D向量。
进一步地，所述根据所述评论文本的语义特征进行用户流失预测，并输出用户流失预测结果，具体为：
获取用户行为数据；
将所述用户行为数据和对比学习后的B×K×D向量输入至分类器中，以进行用户流失预测；
输出用户流失预测结果。
进一步地，所述分类器包括全连接层、ReLU激活函数以及Dropout模块，所述全连接层与ReLU激活函数连接，ReLU激活函数与Dropout模块连接，Dropout模块与全连接层连接。
进一步地，所述用户行为数据包括但不限于购买频次、消费总金额以及最大消费金额。
本发明的有益效果体现在：结合BERT网络模型和NetVLAD网络模型，提取并聚合用户评论文本的语义特征，实现了语义特征细粒度的提取；通过对NetVLAD网络模型的输出结果进行对比学习，使评论文本语义特征有了明确的实际含义，增强了NetVLAD网络模型的可解释性；将评论文本语义特征和用户行为数据输入至分类器中，实现用户流失预测，提高了预测结果的真实性和准确性，便于电商企业更好地进行营销管理调整。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。在所有附图中，类似的元件或部分一般由类似的附图标记标识。附图中，各元件或部分并不一定按照实际的比例绘制。
图1为本发明实施例提供的一种基于神经网络模型的用户流失预测方法的流程图。
具体实施方式
下面将结合附图对本发明技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本发明的技术方案，因此只作为示例，而不能以此来限制本发明的保护范围。
需要注意的是，除非另有说明，本申请使用的技术术语或者科学术语应当为本发明所属领域技术人员所理解的通常意义。
如图1所示，一种基于神经网络模型的用户流失预测方法，包括：
S1：获取用户的评论文本；
具体地，获取用户的评论文本，所述评论文本来源于用户在电商网站上发表的评价信息，电商企业根据实际预测需求定义所需获取评论文本的评论时间和评论数量，例如可获取电商网站上过去一个月的所有评论或过去一年时间内的部分评论。
S2：将所述评论文本输入预先构建的特征神经网络中，基于所述特征神经网络提取并聚合评论文本的语义特征；
具体地，在获取用户的评论文本之前，还包括预先构建特征神经网络，所述特征神经网络包括BERT网络模型和NetVLAD网络模型。其中，BERT(Bidirectional EncoderRepresentation from Transformers)网络模型包括BPE分词模块和Self-Attention特征提取模块，Self-Attention特征提取模块采用Multi-head Self-Attention机制，搭建于BERT网络模型的Transformer Encoder结构中。
将获取得到的评论文本输入至BERT网络模型中，通过BPE分词模块采用BPE(BytePair Encoding)算法将评论文本进行分词处理，生成维度为B×N的分词结果，以将每条评论分为N个分词结果，解决了粒度过小、词语Out-Of-Vocabulary的问题，并根据BERT预训练词表将维度为B×N的分词结果转换为B×N×D向量，其中，B表示B个评论文本，N表示N个分词结果，D表示每个分词结果的维度。
进一步地，BPE分词模块将生成的B×N×D向量输入至Self-Attention特征提取模块中，Self-Attention特征提取模块根据Multi-head Self-Attention机制将每个分词结果作为目标，加权融合B×N×D向量中所有分词结果的语义信息，输出一个与输入向量长度相同的向量。随后对加权融合后的B×N×D向量进行残差连接、层次标准化以及线性转化处理，通过进行残差连接，将BERT模型的输入与输出直接相加，作为最后的输出；通过进行层次标准化对BERT模型中某一层神经网络节点作0均值1方差的标准化；通过进行线性转换对B×N×D向量做两次线性变换，以增强整个BERT模型的表达能力，最终得到并输出B×N×D语义增强向量，实现充分提取评论文本的语义信息。
进一步地，本实施例所述NetVLAD网络模型是在传统VLAD网络模型基础上引入softmax函数，从而将不可微的VLAD网络模型升级为可微的NetVLAD网络模型。
将BERT网络模型输出的B×N×D语义增强向量输入至NetVLAD网络模型中，对B×N×D语义增强向量形成K个聚类中心K×D，计算B×N×D语义增强向量到K个聚类中心K×D的距离。由于B×N×D语义增强向量的维度与K个聚类中心K×D的维度不同，因此在计算时需要对B×N×D语义增强向量和K个聚类中心K×D同时进行repeat操作，以进行维度拉齐，将B×N×D语义增强向量和K个聚类中心均转换为B×K×D×N的维度，再将两者做差，得到B×N×D语义特增强向量与聚类中心差异的分布结果，即局部特征B×K×D×N向量。同时，通过B×N×D语义特增强向量卷积的结果和softmax函数对B×N×D语义增强向量进行权重确认，权重维度为B×K×N，并对权重维度也进行repeat操作，以转换为维度为B×K×D×N的权重向量。基于所述分布结果进行加权计算，将局部特征B×K×D×N向量与权重B×K×D×N向量做乘法，得到全局特征B×K×N×D，并进行N的维度求和，输出维度为B×K×D的语义特征向量，以将B×N×D语义增强向量转换为B×K×D向量，实现语义特征的聚合。
进一步地，此时NetVLAD网络模型聚合得到的语义特征没有明确含义，本实施例为提高模型的可解释性，还包括将所述B×K×D向量结合用户真实特征值进行对比学习，以明确所述B×K×D向量K个语义特征的实际含义，具体为：设第j个评论文本在第k个语义特征上的投影为fjk，fjk∈RD，RD表示长度为D的实数向量，则同一批次B个评论文本在第k个语义特征上的特征投影为fk，fk∈RB×D，RB×D为B×D矩阵，矩阵元素为实数；假设B个评论文本在第k个语义特征上所对应的用户真实特征值为gk，gk∈RB×M，并通过一个可学习参数的多层感知机将其特征维度由M转化为D，转化结果为tk＝MLP(gk),tk∈RB×D，从而通过将NetVLAD聚合的语义特征与用户真实特征对齐，使聚合得到的语义特征学习到用户真实特征的语义信息。
考虑到同一对用户评论的评论特征和用户真实特征上相似视为正样本，不同用户评论的评论特征和用户真实特征间视为负样本，故采用对比学习将两者分布进行对齐，通过用户真实特征信息确定B×K×D向量语义特征的实际含义，对比学习中所用到的损失函数公式为：
式中，
表示正样本，/>
表示负样本。
B×K×D向量K个语义特征则由各自的对比学习损失结果确定语义特征的实际含义，B×K×D向量的总损失为∑Lk。
S3：根据所述评论文本的语义特征进行用户流失预测，并输出用户流失预测结果；
具体地，获取用户行为数据，所述用户行为数据包括但不限于用户的购买频次、消费总金额、最大消费金额以及购买品类等等。将获取的用户行为数据和对比学习后的B×K×D向量输入至分类器中，以进行用户流失预测。优选地，本实施例所述分类器由全连接层、ReLU激活函数以及Dropout模块构成，具体结构为全连接层1—ReLU—Dropout—全连接层2。
将用户行为数据和B×K×D向量输入至分类器中，基于用户行为和具有明确含义的评论文本语义特征进行用户流失预测，并输出用户流失预测结果，电商企业可根据预测结果针对不同客户制定不同的营销策略，进而更好地进行客户关系管理，增强客户依赖性，减少客户流失，获取更大的利润。
本发明结合BERT网络模型和NetVLAD网络模型，提取并聚合用户评论文本的语义特征，实现了语义特征细粒度的提取；通过对NetVLAD网络模型的输出结果进行对比学习，使评论文本语义特征有了明确的实际含义，增强了NetVLAD网络模型的可解释性；将评论文本语义特征和用户行为数据输入至分类器中，实现用户流失预测，提高了预测结果的真实性和准确性，便于电商企业更好地进行营销管理调整。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。
Claims (10)
1.一种基于神经网络模型的用户流失预测方法，其特征在于，包括：
获取用户的评论文本；
将所述评论文本输入预先构建的特征神经网络中，基于所述特征神经网络提取并聚合评论文本的语义特征；
根据所述评论文本的语义特征进行用户流失预测，并输出用户流失预测结果。
2.根据权利要求1所述的一种基于神经网络模型的用户流失预测方法，其特征在于，在获取用户的评论文本之前，还包括预先构建特征神经网络，所述特征神经网络包括BERT网络模型和NetVLAD网络模型；
所述BERT网络模型包括BPE分词模块和Self-Attention特征提取模块；
所述NetVLAD网络模型引入softmax函数。
3.根据权利要求2所述的一种基于神经网络模型的用户流失预测方法，其特征在于，所述将所述评论文本输入预先构建的特征神经网络中，基于所述特征神经网络提取并聚合评论文本的语义特征，包括：
将所述评论文本输入至BERT网络模型中，通过所述BPE分词模块采用BPE算法将所述评论数据进行分词处理，生成维度为B×N的分词结果；
基于BERT预训练词表将所述维度为B×N的分词结果转换为B×N×D向量；
基于所述Self-Attention特征提取模块对所述B×N×D向量进行语义特征提取；
其中，B表示评论文本数，N表示分词结果数，D表示每个分词结果的维度。
4.根据权利要求3所述的一种基于神经网络模型的用户流失预测方法，其特征在于，所述基于所述Self-Attention特征提取模块对所述B×N×D向量进行语义特征提取，具体为：
Self-Attention特征提取模块加权融合所述B×N×D向量中所有分词结果的语义信息；
对所述加权融合后的B×N×D向量进行残差连接、层次标准化以及线性转换处理，得到并输出B×N×D语义增强向量。
5.根据权利要求4所述的一种基于神经网络模型的用户流失预测方法，其特征在于，所述将所述评论文本输入预先构建的特征神经网络中，基于所述特征神经网络提取并聚合评论文本的语义特征，还包括：
将所述B×N×D语义增强向量输入至NetVLAD网络模型中，对所述B×N×D语义增强向量形成K个聚类中心；
计算所述B×N×D语义增强向量到K个聚类中心的距离，得到B×N×D语义增强向量与聚类中心差异的分布结果；
基于所述分布结果进行加权计算，将所述B×N×D语义增强向量转换为B×K×D向量，以进行语义特征的聚合。
6.根据权利要求5所述的一种基于神经网络模型的用户流失预测方法，其特征在于，所述基于所述局部特征到K个聚类中心的距离进行加权计算，包括：采用softmax函数进行权重调整。
7.根据权利要求5所述的一种基于神经网络模型的用户流失预测方法，其特征在于，所述将所述评论文本输入预先构建的特征神经网络中，基于所述特征神经网络提取并聚合评论文本的语义特征，还包括：
将所述B×K×D向量结合用户评论真实特征进行对比学习，以明确所述B×K×D向量的语义特征实际含义；
输出所述对比学习后的B×K×D向量。
8.根据权利要求7所述的一种基于神经网络模型的用户流失预测方法，其特征在于，所述根据所述评论文本的语义特征进行用户流失预测，并输出用户流失预测结果，具体为：
获取用户行为数据；
将所述用户行为数据和对比学习后的B×K×D向量输入至分类器中，以进行用户流失预测；
输出用户流失预测结果。
9.根据权利要求8所述的一种基于神经网络模型的用户流失预测方法，其特征在于，所述分类器包括全连接层、ReLU激活函数以及Dropout模块，所述全连接层与ReLU激活函数连接，ReLU激活函数与Dropout模块连接，Dropout模块与全连接层连接。
10.根据权利要求8所述的一种基于神经网络模型的用户流失预测方法，其特征在于，所述用户行为数据包括但不限于购买频次、消费总金额以及最大消费金额。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211397699.0A CN116342173A (zh) | 2022-11-09 | 2022-11-09 | 一种基于神经网络模型的用户流失预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211397699.0A CN116342173A (zh) | 2022-11-09 | 2022-11-09 | 一种基于神经网络模型的用户流失预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116342173A true CN116342173A (zh) | 2023-06-27 |
Family
ID=86877920
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211397699.0A Pending CN116342173A (zh) | 2022-11-09 | 2022-11-09 | 一种基于神经网络模型的用户流失预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116342173A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117422181A (zh) * | 2023-12-15 | 2024-01-19 | 湖南三湘银行股份有限公司 | 一种基于模糊标签的代发客户流失预警方法及系统 |
-
2022
- 2022-11-09 CN CN202211397699.0A patent/CN116342173A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117422181A (zh) * | 2023-12-15 | 2024-01-19 | 湖南三湘银行股份有限公司 | 一种基于模糊标签的代发客户流失预警方法及系统 |
| CN117422181B (zh) * | 2023-12-15 | 2024-04-02 | 湖南三湘银行股份有限公司 | 一种基于模糊标签的代发客户流失预警方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113822494B (zh) | 风险预测方法、装置、设备及存储介质 | |
| CN111563164B (zh) | 一种基于图神经网络的特定目标情感分类方法 | |
| CN109918671A (zh) | 基于卷积循环神经网络的电子病历实体关系抽取方法 | |
| CN112256866B (zh) | 一种基于深度学习的文本细粒度情感分析算法 | |
| CN112015863A (zh) | 一种基于图神经网络的多元特征融合中文文本分类方法 | |
| Ma et al. | A credit risk assessment model of borrowers in P2P lending based on BP neural network | |
| WO2018133596A1 (zh) | 一种基于名义属性的连续型特征构造方法 | |
| CN112883714A (zh) | 基于依赖图卷积和迁移学习的absc任务句法约束方法 | |
| CN117522479B (zh) | 互联网广告精准投放方法及系统 | |
| CN116342173A (zh) | 一种基于神经网络模型的用户流失预测方法 | |
| CN114612721A (zh) | 基于多层次自适应特征融合类增量学习的图像分类方法 | |
| CN110334278A (zh) | 一种基于改进深度学习的web服务推荐方法 | |
| CN117333146A (zh) | 基于人工智能的人力资源管理系统及方法 | |
| CN115525831A (zh) | 推荐模型训练方法、推荐方法、装置及计算机可读存储介质 | |
| CN114004530B (zh) | 基于排序支撑向量机的企业电力信用分建模方法及系统 | |
| CN118032327A (zh) | 基于人工智能的设备智能润滑监测方法及装置 | |
| CN114201960A (zh) | 一种基于情感属性挖掘的图像情感分析方法 | |
| CN117495421A (zh) | 基于电力通信网建设的电网通信工程造价预测方法 | |
| CN116431813A (zh) | 智能客服问题分类方法、装置、电子设备及存储介质 | |
| CN111325027B (zh) | 一种面向稀疏数据的个性化情感分析方法与装置 | |
| CN115239404A (zh) | 召回模型生成、召回方法、装置、电子设备及存储介质 | |
| Li et al. | Remolding Semantic Focus with Dual Attention Mechanism for Aspect-based Sentiment Analysis | |
| He et al. | Counterfactual Explanations for Sequential Recommendation with Temporal Dependencies | |
| Wei et al. | Study on battlefield situation assessment model of simulation entity based on stacked auto-encoder network | |
| Sun et al. | Text sentiment polarity classification method based on word embedding |
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 |