CN116881574B - 一种基于用户画像的定向科普推送方法及系统 - Google Patents
一种基于用户画像的定向科普推送方法及系统 Download PDFInfo
- Publication number
- CN116881574B CN116881574B CN202311152243.2A CN202311152243A CN116881574B CN 116881574 B CN116881574 B CN 116881574B CN 202311152243 A CN202311152243 A CN 202311152243A CN 116881574 B CN116881574 B CN 116881574B
- Authority
- CN
- China
- Prior art keywords
- user
- science popularization
- content
- matrix
- tag
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 20
- 239000011159 matrix material Substances 0.000 claims abstract description 56
- 238000012545 processing Methods 0.000 claims abstract description 10
- 238000012216 screening Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 6
- BULVZWIRKLYCBC-UHFFFAOYSA-N phorate Chemical compound CCOP(=S)(OCC)SCSCC BULVZWIRKLYCBC-UHFFFAOYSA-N 0.000 claims 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
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
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- 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)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于用户画像的定向科普推送方法及系统，科普推送方法包括以下步骤：建立用户端与用户相关的用户画像，形成用户画像的特征标签矩阵，得到每个用户对应的标签权重P；计算推送端内每条推送消息对应的标签权重Q：根据标签权重P与标签权重Q的匹配度来向目标用户定向推送科普内容。科普推送系统包括用户端、推送端和数据处理模块；本发明通过分析历史用户中的特征信息，建立与用户相关的用户画像，匹配出与目标用户贴合的推送消息，确保向目标用户推送的科普内容能适应目标用户的对科普内容的阅读习惯、阅读风格等。
Description
技术领域
本发明涉及大数据技术领域，具体涉及一种基于用户画像的定向科普推送方法及系统。
背景技术
用户画像是用户数据研究的重要输出，它能帮助我们更好的进行业务决策以及产品设计。用户画像落实到产品设计，本质上是将数据组合成数据特征，从而形成用户的数据模型。在科普内容的普及领域，用户获取科普内容一般均是通过主动获取，用户需要自己花时间去整理不同的科普内容，并进行自主筛选想要阅读的科普内容，这种方式对于科普内容的普及带来的极大的困难，对于一些没有自主获取信息能力的用户来说体验较差，并且这一类的用户往往容易失去耐性，导致科普内容获取不及时、内容丰富度较差。随着大数据分析技术的不断发展，基于用户画像的理念应用于科普内容的推广成为可能。
发明内容
针对现有技术中的上述不足，本发明提供了一种基于用户画像的定向科普推送方法及系统，通过大数据建立不同用户的用户画像，并进行科普内容的精准匹配，实现科普内容的定向推送。
为了达到上述发明目的，本发明所采用的技术方案为：
提供一种基于用户画像的定向科普推送方法，其包括以下步骤：
S1：设定与用户相关用于科普内容推送的特征标签信息，特征标签信息包括用户端与用户相关的特征信息和推送端与科普内容相关的特征信息；
S2：建立用户端与用户相关的用户画像，形成用户画像的特征标签矩阵，得到每个用户对应的标签权重P；
S3：建立推送端与科普内容相关的特征标签矩阵，得到推送端内每条推送消息对应的标签权重Q；
S4：根据标签权重P与标签权重Q的匹配度来向目标用户定向推送科普内容。
进一步地，步骤S2包括：
S21：采集用户端中阅读过科普内容的用户的特征信息，特征信息包括身份特征、空闲时间分布、学历和性别，建立用户端的用户特征信息矩阵T：
；
其中，n为用户端阅读过科普内容的用户数量，k为特征信息；身份特征包括学生、上班族和退休人员，空闲时间分布包括上午（9点-12点）、中午（12点-14点）、下午（14点-18点）和晚上（18点-22点），学历包括高中、本科、研究生和博士，性别包括男性和女性；
S22：获取每个用户花在阅读科普内容上的时间，以及阅读不同风格的科普内容的时间t，建立关于用户阅读科普内容的时间矩阵V：
；
其中，t nj 为第n个用户阅读第j种风格的科普内容所花的时间，j为每个用户阅读科普内容的风格数量；
S23：根据每个用户拥有的空闲时间t max，计算用户阅读不同风格科普内容所占空闲时间的比例：
；
S24：得到用户阅读不同风格科普内容的时间比例矩阵W：
；
S25：筛选出时间比例矩阵W中每行的最大值，得到时间比例最大值矩阵：
；
S26：计算用户阅读不同风格的科普内容所花的总时间占空闲时间t max的比例：
；
其中，i为j种风格科普内容的其中一种；
S27：得到总时间比例矩阵：
；
S28：根据每个用户计算出的比例最大值和总时间比例/>计算每个用户特征信息对应的标签权重P：
；
其中，a为与比例的最大值相关的比例系数，b为与总时间的比例/>相关的比例系数，c为波动常数；
S29：将标签权重P与用户特征信息矩阵T中每个用户的特征信息进行匹配，得到用户端的特征标签矩阵：
。
进一步地，步骤S3包括：
S31：根据推送端每条推送消息内包含的科普内容条数以及包含的风格种类数量建立推送消息时间矩阵X：
；
其中，d为不同推送消息中不同风格的科普内容在理想条件下用户阅读完所需花费的时间，e为推送端中包含的推送消息数量，v为每条推送消息中包含的科普内容的风格数量；
S32：计算每条推送消息中不同风格的科普内容占所需花费总时间的比例f，得到时间比例矩阵F：
；
其中，u为每条推送消息中的其中一个风格的科普内容；
S34：筛选出时间比例矩阵F中每行的最大值，得到时间比例最大值矩阵/>：
；
S35：计算每行最大值所占对应推送消息所需花费总时间的比例w：
；
S36：得到时间最大值比例矩阵：
；
S37：根据每条推送消息对应计算出的比例w和最大值，计算每条推送消息对应的标签权重Q：
；
其中，m为与最大值相关的比例系数，q为与比例w相关的比例系数，r为波动常数；
S38：将标签权重Q与推送消息时间矩阵X中每条推送消息进行匹配，得到推送端的特征标签矩阵：
。
进一步地，步骤S4包括：
S41：目标用户登录账号信息，将登录的时间划分在空闲时间分布内，并获取账号信息内的身份特征、学历和性别，以及目标用户历史阅读不同风格的科普内容所花的时间，匹配出与该目标用户相同的标签权重P x ；
S42：依次遍历特征标签矩阵中的每个标签权重/>，计算标签权重P x 与每个标签权重/>的权重差值：/>；
S43：设置权重差值的阈值，比较/>与/>的大小：
若计算到第u个编号的标签权重对应的权重差值满足/>≤/>，则标签权重P x 与标签权重/>匹配度好，将对应编号为u的推送消息推送给目标用户；
若计算出所有标签权重对应的权重差值均不满足/>≤，则遍历所有权重差值/>，筛选出所有权重差值中的最小值/>，将最小值/>对应编号的推送消息推送给目标用户。
提供一种基于用户画像的定向科普推送系统，执行上述的基于用户画像的定向科普推送方法，其包括用户端、推送端和数据处理模块；
用户端包括登陆模块和用户画像信息提取模块，登陆模块用于验证目标用户登陆的账号信息是否正确，用户画像信息提取模块用于提取目标用户的账号信息中用于建立用户画像的信息，包括身份特征、学历、性别和登陆时间所属的空闲时间分布；
推送端用于后台录入不同风格类型的科普内容，并将不同风格类型的科普整理形成推送消息；数据处理模块用于对用户画像和推送消息进行处理，计算用户对应的标签权重P、每条推送消息对应的标签权重Q；并匹配目标用户定向推送科普内容。
本发明的有益效果为：本发明通过分析历史用户中的特征信息，建立与用户相关的用户画像，并计算与特征信息相关的用户标签权重，形成与每个用户特征信息对应的标签权重用于后续的推送消息匹配；同时，还将科普内容根据不同的风格计算每个推送消息的对应的推送消息标签权重；最后，利用用户标签权重与推送消息标签权重的匹配关系和匹配度，来匹配出与目标用户贴合的推送消息，确保向目标用户推送的科普内容能适应目标用户的对科普内容的阅读习惯、阅读风格等。
附图说明
图1为基于用户画像的定向科普推送方法的流程图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
本方案的基于用户画像的定向科普推送方法包括以下步骤：
S1：设定与用户相关用于科普内容推送的特征标签信息，特征标签信息包括用户端与用户相关的特征信息和推送端与科普内容相关的特征信息；
S2：建立用户端与用户相关的用户画像，形成用户画像的特征标签矩阵，得到每个用户对应的标签权重P；
步骤S2包括：
S21：采集用户端中阅读过科普内容的用户的特征信息，特征信息包括身份特征、空闲时间分布、学历和性别，建立用户端的用户特征信息矩阵T：
；
其中，n为用户端阅读过科普内容的用户数量，k为特征信息；身份特征包括学生、上班族和退休人员，空闲时间分布包括上午（9点-12点）、中午（12点-14点）、下午（14点-18点）和晚上（18点-22点），学历包括高中、本科、研究生和博士，性别包括男性和女性；
S22：获取每个用户花在阅读科普内容上的时间，以及阅读不同风格的科普内容的时间t，建立关于用户阅读科普内容的时间矩阵V：
；
其中，t nj 为第n个用户阅读第j种风格的科普内容所花的时间，j为每个用户阅读科普内容的风格数量；
S23：根据每个用户拥有的空闲时间t max，计算用户阅读不同风格科普内容所占空闲时间的比例：
；
S24：得到用户阅读不同风格科普内容的时间比例矩阵W：
；
S25：筛选出时间比例矩阵W中每行的最大值，得到时间比例最大值矩阵：
；
S26：计算用户阅读不同风格的科普内容所花的总时间占空闲时间t max的比例：
；
其中，i为j种风格科普内容的其中一种；
S27：得到总时间比例矩阵：
；
S28：根据每个用户计算出的比例最大值和总时间比例/>计算每个用户特征信息对应的标签权重P：
；
其中，a为与比例的最大值相关的比例系数，反应出用户花最多时间阅读的对应风格的科普内容这一参数在计算标签权重P时的重要程度，b为与总时间的比例相关的比例系数，反应出用户花空闲时间花在阅读科普内容上的时间占比这一参数在计算标签权重P时的重要程度，c为波动常数，由于用户在某一时段或时刻对于科普内容的阅读习惯可能因为外界不确定影响出现偏差或波动，所以设计对应的波动常数，来进一步修正标签权重P，确保计算出的标签权重P的准确性；
S29：将标签权重P与用户特征信息矩阵T中每个用户的特征信息进行匹配，得到用户端的特征标签矩阵：
。
S3：建立推送端与科普内容相关的特征标签矩阵，得到推送端内每条推送消息对应的标签权重Q；
步骤S3包括：
S31：根据推送端每条推送消息内包含的科普内容条数以及包含的风格种类数量建立推送消息时间矩阵X：
；
其中，d为不同推送消息中不同风格的科普内容在理想条件下用户阅读完所需花费的时间，e为推送端中包含的推送消息数量，v为每条推送消息中包含的科普内容的风格数量；
S32：计算每条推送消息中不同风格的科普内容占所需花费总时间的比例f，得到时间比例矩阵F：
；
其中，u为每条推送消息中的其中一个风格的科普内容；
S34：筛选出时间比例矩阵F中每行的最大值，得到时间比例最大值矩阵/>：
；
S35：计算每行最大值所占对应推送消息所需花费总时间的比例w：
；
S36：得到时间最大值比例矩阵：
；
S37：根据每条推送消息对应计算出的比例w和最大值，计算每条推送消息对应的标签权重Q：
；
其中，m为与最大值相关的比例系数，反应出需要最多时间阅读的科普内容对于计算标签权重Q的重要程度，q为与比例w相关的比例系数，阅读时间最多占比的科普内容对于计算标签权重Q的重要程度，r为波动常数；
S38：将标签权重Q与推送消息时间矩阵X中每条推送消息进行匹配，得到推送端的特征标签矩阵：
。
S4：根据标签权重P与标签权重Q的匹配度来向目标用户定向推送科普内容。
步骤S4包括：
S41：目标用户登录账号信息，将登录的时间划分在空闲时间分布内，例如登陆时间在10点，则目标用户划分空闲时间分布为上午，并获取账号信息内的身份特征、学历和性别，以及目标用户历史阅读不同风格的科普内容所花的时间，匹配出与该目标用户相同的标签权重P x ；
对于计算出的特征标签矩阵，将与目标用户相同的身份特征、学历、性别和空闲时间分布对应的标签权重P作为该目标用户的标签权重P x 。
S42：依次遍历特征标签矩阵中的每个标签权重/>，计算标签权重P x 与每个标签权重/>的权重差值：/>；
S43：设置权重差值的阈值，比较/>与/>的大小：
若计算到第u个编号的标签权重对应的权重差值满足/>≤/>，则标签权重P x 与标签权重/>匹配度好，将对应编号为u的推送消息推送给目标用户；
若计算出所有标签权重对应的权重差值均不满足/>≤，则遍历所有权重差值/>，筛选出所有权重差值中的最小值/>，将最小值/>对应编号的推送消息推送给目标用户。
一种基于用户画像的定向科普推送系统，执行上述的基于用户画像的定向科普推送方法，其包括用户端、推送端和数据处理模块；
用户端包括登陆模块和用户画像信息提取模块，登陆模块用于验证目标用户登陆的账号信息是否正确，用户画像信息提取模块用于提取目标用户的账号信息中用于建立用户画像的信息，包括身份特征、学历、性别和登陆时间所属的空闲时间分布；
推送端用于后台录入不同风格类型的科普内容，并将不同风格类型的科普整理形成推送消息；数据处理模块用于对用户画像和推送消息进行处理，计算用户对应的标签权重P、每条推送消息对应的标签权重Q；并匹配目标用户定向推送科普内容。
本发明通过分析历史用户中的特征信息，建立与用户相关的用户画像，并计算与特征信息相关的用户标签权重，形成与每个用户特征信息对应的标签权重用于后续的推送消息匹配；同时，还将科普内容根据不同的风格计算每个推送消息的对应的推送消息标签权重；最后，利用用户标签权重与推送消息标签权重的匹配关系和匹配度，来匹配出与目标用户贴合的推送消息，确保向目标用户推送的科普内容能适应目标用户的对科普内容的阅读习惯、阅读风格等。
Claims (2)
1.一种基于用户画像的定向科普推送方法，其特征在于，包括以下步骤：
S1：设定与用户相关用于科普内容推送的特征标签信息，所述特征标签信息包括用户端与用户相关的特征信息和推送端与科普内容相关的特征信息；
S2：建立用户端与用户相关的用户画像，形成用户画像的特征标签矩阵，得到每个用户对应的标签权重P；
S3：建立推送端与科普内容相关的特征标签矩阵，得到推送端内每条推送消息对应的标签权重Q；
S4：根据标签权重P与标签权重Q的匹配度来向目标用户定向推送科普内容；
所述步骤S2包括：
S21：采集用户端中阅读过科普内容的用户的特征信息，特征信息包括身份特征、空闲时间分布、学历和性别，建立用户端的用户特征信息矩阵T：
；
其中，n为用户端阅读过科普内容的用户数量，k为特征信息；所述身份特征包括学生、上班族和退休人员，所述空闲时间分布包括上午、中午、下午和晚上，所述学历包括高中、本科、研究生和博士，性别包括男性和女性；
S22：获取每个用户花在阅读科普内容上的时间，以及阅读不同风格的科普内容的时间t，建立关于用户阅读科普内容的时间矩阵V：
；
其中，t nj 为第n个用户阅读第j种风格的科普内容所花的时间，j为每个用户阅读科普内容的风格数量；
S23：根据每个用户拥有的空闲时间t max，计算用户阅读不同风格科普内容所占空闲时间的比例：
；
S24：得到用户阅读不同风格科普内容的时间比例矩阵W：
；
S25：筛选出时间比例矩阵W中每行的最大值，得到时间比例最大值矩阵/>：
；
S26：计算用户阅读不同风格的科普内容所花的总时间占空闲时间t max的比例：
；
其中，i为j种风格科普内容的其中一种；
S27：得到总时间比例矩阵：
；
S28：根据每个用户计算出的比例最大值和总时间比例/>计算每个用户特征信息对应的标签权重P：
；
其中，a为与比例的最大值相关的比例系数，b为与总时间的比例/>相关的比例系数，c为波动常数；
S29：将标签权重P与用户特征信息矩阵T中每个用户的特征信息进行匹配，得到用户端的特征标签矩阵：
；
所述步骤S3包括：
S31：根据推送端每条推送消息内包含的科普内容条数以及包含的风格种类数量建立推送消息时间矩阵X：
；
其中，d为不同推送消息中不同风格的科普内容在理想条件下用户阅读完所需花费的时间，e为推送端中包含的推送消息数量，v为每条推送消息中包含的科普内容的风格数量；
S32：计算每条推送消息中不同风格的科普内容占所需花费总时间的比例f，得到时间比例矩阵F：
；
其中，u为每条推送消息中的其中一个风格的科普内容；
S34：筛选出时间比例矩阵F中每行的最大值，得到时间比例最大值矩阵/>：
；
S35：计算每行最大值所占对应推送消息所需花费总时间的比例w：
；
S36：得到时间最大值比例矩阵：
；
S37：根据每条推送消息对应计算出的比例w和最大值，计算每条推送消息对应的标签权重Q：
；
其中，m为与最大值相关的比例系数，q为与比例w相关的比例系数，r为波动常数；
S38：将标签权重Q与推送消息时间矩阵X中每条推送消息进行匹配，得到推送端的特征标签矩阵：
；
所述步骤S4包括：
S41：目标用户登录账号信息，将登录的时间划分在空闲时间分布内，并获取账号信息内的身份特征、学历和性别，以及目标用户历史阅读不同风格的科普内容所花的时间，匹配出与该目标用户相同的标签权重Px；
S42：依次遍历特征标签矩阵中的每个标签权重/>，计算标签权重Px与每个标签权重/>的权重差值：/>；
S43：设置权重差值的阈值，比较/>与/>的大小：
若计算到第u个编号的标签权重对应的权重差值满足/>≤/>，则标签权重Px与标签权重/>匹配度好，将对应编号为u的推送消息推送给目标用户；
若计算出所有标签权重对应的权重差值均不满足/>≤/>，则遍历所有权重差值/>，筛选出所有权重差值/>中的最小值/>，将最小值/>对应编号的推送消息推送给目标用户。
2.一种基于用户画像的定向科普推送系统，执行权利要求1所述的基于用户画像的定向科普推送方法，其特征在于，包括用户端、推送端和数据处理模块；
所述用户端包括登陆模块和用户画像信息提取模块，所述登陆模块用于验证目标用户登陆的账号信息是否正确，用户画像信息提取模块用于提取目标用户的账号信息中用于建立用户画像的信息，包括身份特征、学历、性别和登陆时间所属的空闲时间分布；
所述推送端用于后台录入不同风格类型的科普内容，并将不同风格类型的科普整理形成推送消息；所述数据处理模块用于对用户画像和推送消息进行处理，计算用户对应的标签权重P、每条推送消息对应的标签权重Q；并匹配目标用户定向推送科普内容。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311152243.2A CN116881574B (zh) | 2023-09-07 | 2023-09-07 | 一种基于用户画像的定向科普推送方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311152243.2A CN116881574B (zh) | 2023-09-07 | 2023-09-07 | 一种基于用户画像的定向科普推送方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116881574A CN116881574A (zh) | 2023-10-13 |
| CN116881574B true CN116881574B (zh) | 2023-11-28 |
Family
ID=88257226
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311152243.2A Active CN116881574B (zh) | 2023-09-07 | 2023-09-07 | 一种基于用户画像的定向科普推送方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116881574B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2014146218A (ja) * | 2013-01-30 | 2014-08-14 | Nec Corp | 情報提供装置 |
| CN108897790A (zh) * | 2018-06-11 | 2018-11-27 | 南京邮电大学 | 鲁棒协同过滤推荐算法 |
| CN109325179A (zh) * | 2018-09-17 | 2019-02-12 | 青岛海信网络科技股份有限公司 | 一种内容推广的方法及装置 |
| CN113065062A (zh) * | 2021-03-09 | 2021-07-02 | 北京工业大学 | 一种基于用户阅读时间行为的新闻推荐方法及系统 |
| CN113157752A (zh) * | 2021-03-12 | 2021-07-23 | 北京航空航天大学 | 一种基于用户画像和情境的科技资源推荐方法及系统 |
-
2023
- 2023-09-07 CN CN202311152243.2A patent/CN116881574B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2014146218A (ja) * | 2013-01-30 | 2014-08-14 | Nec Corp | 情報提供装置 |
| CN108897790A (zh) * | 2018-06-11 | 2018-11-27 | 南京邮电大学 | 鲁棒协同过滤推荐算法 |
| CN109325179A (zh) * | 2018-09-17 | 2019-02-12 | 青岛海信网络科技股份有限公司 | 一种内容推广的方法及装置 |
| CN113065062A (zh) * | 2021-03-09 | 2021-07-02 | 北京工业大学 | 一种基于用户阅读时间行为的新闻推荐方法及系统 |
| CN113157752A (zh) * | 2021-03-12 | 2021-07-23 | 北京航空航天大学 | 一种基于用户画像和情境的科技资源推荐方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 基于Agent的搜索引擎智能个性化设计;何静媛;张程;;重庆大学学报(自然科学版)(第12期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116881574A (zh) | 2023-10-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111444236A (zh) | 一种基于大数据的移动终端用户画像构建方法及系统 | |
| CN110012060B (zh) | 移动终端的信息推送方法、装置、存储介质和服务器 | |
| CN107391963A (zh) | 基于计算云平台的真核无参转录组交互分析系统及其方法 | |
| CN103262118A (zh) | 属性值估计装置、属性值估计方法、程序和记录介质 | |
| CN110751326B (zh) | 一种光伏日前功率预测方法、装置以及存储介质 | |
| CN108428055B (zh) | 一种考虑负荷纵向特性的负荷聚类方法 | |
| CN112949517B (zh) | 基于深度迁移学习的植物气孔密度和开度识别方法及系统 | |
| CN111784204A (zh) | 一种基于用户用电行为画像的优质用户挖掘方法及系统 | |
| CN114611738A (zh) | 一种基于用户用电行为分析的负荷预测方法 | |
| CN115309998A (zh) | 一种基于大数据的就业推荐方法及系统 | |
| CN113538070A (zh) | 用户生命价值周期检测方法、装置和计算机设备 | |
| CN114912720A (zh) | 基于记忆网络电力负荷预测方法、装置、终端及存储介质 | |
| CN116881574B (zh) | 一种基于用户画像的定向科普推送方法及系统 | |
| Genthon et al. | Universal constraints on selection strength in lineage trees | |
| CN117314593A (zh) | 一种基于用户行为分析的保险项目推送方法及系统 | |
| CN115858719B (zh) | 一种基于大数据分析的sim卡活跃度预测方法及系统 | |
| CN110233864B (zh) | 一种基于众包的信息采集方法、装置、设备、存储介质 | |
| Unajan et al. | A modified otsubased image segmentation algorithm (OBISA) | |
| CN114510613A (zh) | 一种基于app软件操作数据的用户行为模式分析方法及系统 | |
| CN113592218A (zh) | 一种光伏用户基线负荷估计方法、装置和终端设备 | |
| CN108805199B (zh) | 一种基于遗传算法的实体商业营销方法 | |
| Smith | Clovis Lifeways Set in Stone: The Contribution of Fluted-Point Morphological Variation | |
| CN112328645B (zh) | 基于知识图谱的用户兴趣爱好确定方法及系统 | |
| CN112365154B (zh) | 一种剑麻种植计划子系统以及剑麻种植决策系统 | |
| CN117171118B (zh) | 一种乡村营销数据智能管理系统 |
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 |