CN117057852A - 一种基于人工智能技术的互联网营销系统及方法 - Google Patents

一种基于人工智能技术的互联网营销系统及方法 Download PDF

Info

Publication number
CN117057852A
CN117057852A CN202311298824.7A CN202311298824A CN117057852A CN 117057852 A CN117057852 A CN 117057852A CN 202311298824 A CN202311298824 A CN 202311298824A CN 117057852 A CN117057852 A CN 117057852A
Authority
CN
China
Prior art keywords
data
user
node
purchase
neural network
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
Application number
CN202311298824.7A
Other languages
English (en)
Other versions
CN117057852B (zh
Inventor
朱俞成希
郁辉
俞余祥
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Touliu Hangzhou Network Technology Co ltd
Original Assignee
Touliu Hangzhou Network Technology Co ltd
Beijing Light Dust Environmental Protection Polytron Technologies Inc
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Touliu Hangzhou Network Technology Co ltd, Beijing Light Dust Environmental Protection Polytron Technologies Inc filed Critical Touliu Hangzhou Network Technology Co ltd
Priority to CN202311298824.7A priority Critical patent/CN117057852B/zh
Publication of CN117057852A publication Critical patent/CN117057852A/zh
Application granted granted Critical
Publication of CN117057852B publication Critical patent/CN117057852B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q30/0204—Market segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0499—Feedforward networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Strategic Management (AREA)
  • Accounting & Taxation (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Finance (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • General Business, Economics & Management (AREA)
  • Economics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种基于人工智能技术的互联网营销系统及方法，系统包括用户信息采集模块、信息预处理模块、用户分类模块、用户购买行为预测模块和个性化营销信息推荐模块。本发明属于互联网营销技术领域，具体是指一种基于人工智能技术的互联网营销系统及方法，本发明采用基于自组织神经网络的用户数据聚类方法，实现对数据的有序整理和总结；采用基于深度神经网络的用户分类方法，提高了用户分类数据的细致性和实用性，也提高了后续进一步处理用户数据的数据维度；采用图神经网络的方法进行用户购买行为预测，进行更精确且细节的个性化互联网营销策略生成，提高了系统的实用性和总体准确性。

Description

一种基于人工智能技术的互联网营销系统及方法
技术领域
本发明属于互联网营销技术领域，具体为一种基于人工智能技术的互联网营销系统及方法。
背景技术
基于人工智能技术的互联网营销系统是利用人工智能技术来提升互联网营销活动效果和效率的系统，借助数据分析、自然语言处理、机器学习、和个性化推荐的人工智能技术，互联网营销系统能够实现精准的目标用户定位、个性化营销和优化广告投放的目标。这些人工智能技术可以提高营销活动的效果和效率，为企业带来更好的市场竞争力。
但是，现有技术的基于人工智能技术的互联网营销系统面临着数据结构多样且离散、数据间联系获取困难、用户数据分类精细度较低和系统可用性低的挑战，在现有的基于人工智能技术的互联网营销系统中，存在着数据源结构多样且分布离散，不易集中处理进而影响系统整体可用性的技术问题；在现有的基于人工智能技术的互联网营销方法中，存在着用户数据复杂多样，难以直观地观察数据间的特征和联系，容易加大后续的用户分类任务的误差的技术问题；在现有的基于人工智能技术的互联网营销方法中，存在着用户群体的分类模糊且不够多样，分类的程度不够细致且类别较少，导致用户信息有一定程度的丢失和精确度缺失的技术问题；在现有的基于人工智能技术的互联网营销方法中，存在着缺少一种结合用户类别并进一步预测对于产品的购买意愿的技术问题。
发明内容
针对上述情况，为克服现有技术的缺陷，本发明提供了一种基于人工智能技术的互联网营销系统及方法，针对现有的基于人工智能技术的互联网营销系统中，存在着数据源结构多样且分布离散，不易集中处理进而影响系统整体可用性的技术问题，本方案采用数据标准化和数据结构化的方法进行数据预处理，将原始数值型数据统一规格并与非数值数据建立联系，提高了数据质量，进而提高了系统的整体可用性；针对现有的基于人工智能技术的互联网营销方法中，存在着用户数据复杂多样，难以直观地观察数据间的特征和联系，容易加大后续的用户分类任务的误差的技术问题，本方案创造性地采用基于自组织神经网络的用户数据聚类方法，将具有相似特征的用户数据对象归类到同一组，从而实现对数据的有序整理和总结，为后续的用户分类任务提供良好的数据支持；针对现有的基于人工智能技术的互联网营销方法中，存在着用户群体的分类模糊且不够多样，分类的程度不够细致且类别较少，导致用户信息有一定程度的丢失和精确度缺失的技术问题，本方案创造性地采用基于深度神经网络的用户分类方法，将用户类型细分为五类，提高了用户分类数据的细致性和实用性，也提高了后续进一步处理用户数据的数据维度；针对现有的基于人工智能技术的互联网营销方法中，存在着缺少一种结合用户类别并进一步预测对于产品的购买意愿的技术问题，本方案创造性地基于用户评论反馈数据，采用图神经网络的方法进行用户购买行为预测，并结合用户的类别，进行更精确且细节的个性化互联网营销策略生成，提高了系统的实用性和总体准确性。
本发明采取的技术方案如下：本发明提供的一种基于人工智能技术的互联网营销系统，包括用户信息采集模块、信息预处理模块、用户分类模块、用户购买行为预测模块和个性化营销信息推荐模块；
所述用户信息采集模块从交易记录中，通过采集得到用户原始数据，所述用户原始数据包括数值型数据DX、离散型数据DA和文本型数据DT，并将所述用户原始数据发送至信息预处理模块；
所述信息预处理模块接收用户信息采集模块发送的用户原始数据，并对所述用户原始数据进行数据预处理，得到聚类用户数据和购买行为预测图结构数据，将所述聚类用户数据发送至用户分类模块，并将所述购买行为预测图结构数据发送至用户购买行为预测模块；
所述用户分类模块接收信息预处理模块发送的聚类用户数据，并对所述聚类用户数据进行用户分类，得到用户类别数据，并将所述用户类别数据发送至用户购买行为预测模块和个性化营销信息推荐模块；
所述用户购买行为预测模块接收信息预处理模块发送的购买行为预测图结构数据和用户类别数据，依据用户类别数据中的用户类别对所述购买行为预测图结构数据进行购买行为预测，得到用户购买意愿数据，并将所述用户购买意愿数据发送至个性化营销信息推荐模块；
所述个性化营销信息推荐模块接收用户分类模块发送的用户类别数据，并接收用户购买行为预测模块发送的用户购买意愿数据，结合所述用户类别数据和所述用户购买意愿数据进行个性化营销信息推荐，得到推荐营销方案。
本发明提供的一种基于人工智能技术的互联网营销方法，该方法包括以下步骤：
步骤S1：用户信息采集；
步骤S2：信息预处理；
步骤S3：用户分类；
步骤S4：用户购买行为预测；
步骤S5：个性化营销信息推荐。
进一步地，在步骤S1中，所述用户信息采集，具体为从交易记录中，通过采集得到用户原始数据，所述用户原始数据，包括数值型数据DX、离散型数据DA和文本型数据DT，所述数值型数据DX包括产品标识IDPro、产品成本和产品利润，所述离散型数据DA包括产品标识IDPro、用户标识IDUser、发票号码、交易产品数量、交易日期和用户定位信息，所述文本型数据DT包括用户评论反馈数据、产品名称数据和产品描述数据。
进一步地，在步骤S2中，所述信息预处理，具体包括以下步骤：
步骤S21：数据标准化，具体为采用最小-最大缩放方法对所述数值型数据DX进行数值比例化操作，得到标准化数值型分类数据DY，计算公式为：
；
式中，DY是标准化数值型分类数据，所述标准化数值型分类数据DY包括产品利润率数据，DX是数值型数据，min（）是取最小值操作，max（）是取最大值操作；
步骤S22：数据结构化，具体为依据所述产品标识IDPro，将所述离散型数据DA与所述标准化数值型分类数据DY建立数据映射关系，得到结构化分类数据DC，并依据所述标准化数值型分类数据DY中的产品利润率数据的数值大小，对所述结构化分类数据DC进行数据排序，得到待聚类数据DClu；
步骤S23：数据聚类，具体为通过训练自组织神经网络，对所述待聚类数据DClu进行数据聚类操作，包括以下步骤：
步骤S231：网络权重初始化，具体为设置自组织神经网络权重W，计算公式为：
；
式中，W是自组织神经网络权重，i是输入节点索引，j是所述输入节点索引i对应节点的领域节点索引，t是时间变量，ωij (t)是从第i个输入节点到第j个邻域节点之间对应时间t的自组织神经网络权重值；
步骤S232：输入层初始化，具体为设置输入节点集X，计算公式为：
；
式中，X是输入节点集，X1 (t)是对应时间t第1个节点的输入，t是时间变量，i是输入节点索引；
步骤S233：节点间距离计算，具体为计算第i个输入节点和第j个邻域节点间的节点间距离dj，并通过比较每个节点间距离dj的数值，选择对应最小距离的第j个邻域节点，并将所述对应最小距离的第j个邻域节点作为输出节点j’，所述节点间距离dj的计算公式为：
；
式中，dj是节点间距离，n是输入节点的总数，i是输入节点索引，j是所述输入节点索引i对应节点的领域节点索引，Xi (t)是对应时间t第i个节点的输入，ωij (t)是从第i个输入节点到第j个邻域节点之间对应时间t的自组织神经网络权重值；
步骤S234：网络权重更新，具体为更新所述自组织神经网络权重W，得到自组织神经网络更新权重，计算公式为：
；
式中，是自组织神经网络更新权重，ωij (t+1)是从第i个输入节点到第j个邻域节点之间对应时间t+1的自组织神经网络权重值，η(t)是对应时间t的学习率，Xi (t)是对应时间t第i个节点的输入，ωij (t)是从第i个输入节点到第j个邻域节点之间对应时间t的自组织神经网络权重值；
步骤S235：模型训练，具体为通过网络权重初始化、输入层初始化、节点间距离计算和网络权重更新，进行自组织神经网络模型训练，得到自组织神经网络聚类模型ModelSOM；
步骤S236：数据聚类，具体为采用自组织神经网络聚类模型ModelSOM对所述待聚类数据DClu进行数据聚类，得到聚类用户数据DCAS；
步骤S24：文本数据清洗，具体为将所述文本型数据DT中的每个文本段表示为向量，得到文本特征数据DWtV；
步骤S25：文本数据图结构构建，具体为依据文本特征数据DWtV的数据关系，将所述文本特征数据DWtV构建为有向图，得到购买行为预测图结构数据GPre。
进一步地，在步骤S3中，所述用户分类，具体为采用深度神经网络模型训练的方法对所述聚类用户数据DCAS进行用户分类，包括以下步骤：
步骤S31：数据划分，具体为从所述聚类用户数据DCAS中选取80%的数据进行数据人工精细标注，得到训练强集数据XStr，并从所述聚类用户数据DCAS中随机选取20%的数据进行自动数据标注，得到验证弱集数据XWk，所述训练强集数据XStr用于模型训练，所述验证弱集数据XWk用于性能验证和优化；
步骤S32：构建输入层，并采用非线性激活函数进行激活，计算公式为：
；
式中，YI是输入层输出，σ是非线性激活函数，ωI是输入层权重，XStr是训练强集数据，bI是输入层偏置项；
步骤S33：构建隐藏层，并采用S型函数进行激活，所述S型函数的计算公式为：
；
式中，Sigmoid（）是S型函数，YI是输入层输出，e是自然对数底数；
步骤S34：构建输出层，具体为使用多种损失函数，优化模型训练，包括以下步骤：
步骤S341：采用公平性约束损失函数LossCon，优化分类精确性，所述公平性约束损失函数LossCon的计算公式为：
；
式中，LossCon是公平性约束损失函数，Yuser是模型预测的用户类型输出，XStr是训练强集数据，XWk是验证弱集数据；
步骤S342：采用二元交叉熵损失函数LossBCE，优化模型预测类别和真实类别之间的误差，所述二元交叉熵损失函数LossBCE的计算公式为：
；
式中，LossBCE是二元交叉熵损失函数，N是所述训练强集数据XStr中的输入样本总数，i是累加变量，y（i）是真实类别，yT（i）是模型预测值；
步骤S343：构建模型损失函数Loss，计算公式为：
Loss=LossBCE+LossCon；
式中，Loss是模型损失函数，LossBCE是二元交叉熵损失函数，LossCon是公平性约束损失函数；
步骤S35：模型训练，具体为通过构建输入层、隐藏层和输出层，并通过所述模型损失函数Loss进行深度神经网络模型训练，得到用户分类模型ModelCAS；
步骤S36：用户分类，使用用户分类模型ModelCAS对聚类用户数据DCAS进行用户分类，得到用户类别数据DC，所述用户类别数据DC包括五类用户类别，具体为值得信赖用户、重要用户、潜在用户、低价值用户和其他用户。
进一步地，在步骤S4中，所述用户购买行为预测，具体为通过图神经网络对所述购买行为预测图结构数据GPre进行用户购买行为预测，包括以下步骤：
步骤S41：构建第一图卷积层，具体为使用非线性函数激活处理所述购买行为预测图结构数据GPre，并得到第一图卷积层输出H1，所述构建第一图卷积层的计算公式为：
；
式中，H1是第一图卷积层输出，σ是非线性激活函数，是归一化对称矩阵，GPre是购买行为预测图结构数据，W0是第一图卷积层权重；
步骤S42：构建第二图卷积层，具体为使用softmax函数将图卷积层的输出表示为各购买行为类别的概率值，所述构建图卷积层的计算公式为：
；
式中，Z是第二图卷积层输出，softmax（）是softmax函数，是归一化对称矩阵，H1是第一图卷积层输出，W1是第二图卷积层权重；
步骤S43：模型训练，具体为通过构建第一图卷积层和第二图卷积层进行模型训练，得到用户购买行为预测模型ModelPre；
步骤S44：购买概率预测，具体为使用所述用户购买行为预测模型ModelPre对所述用户类别数据DC中对应各类别的每位用户进行购买行为预测，得到用户购买意愿预测值PZ，所述用户购买意愿预测值PZ的计算公式为：
；
式中，PZ是用户购买意愿预测概率，P（n,s,e,d）是所述用户购买行为预测模型ModelPre输出的概率集，n是用户选择不购买的情况，s是用户选择购买的情况，e是用户反感产品的情况，d是用户喜爱产品的情况；
步骤S45：购买行为预测，具体为通过分析所述用户购买意愿预测值PZ，得到用户购买意愿数据YZ，计算公式为：
；
式中，YZ是用户购买意愿数据，P（n,s,e,d）是P（n,s,e,d）是所述用户购买行为预测模型ModelPre输出的概率集，P（n）是用户选择不购买的概率，P（s）是用户选择购买的概率，P（e）是用户反感产品的概率，P（d）是用户喜爱产品的概率。
进一步地，在步骤S5中，所述个性化营销信息推荐，具体为通过结合所述用户类别数据DC和所述用户购买意愿数据YZ的计算结果，向各类别的每位用户推荐购买概率更高的产品，得到推荐营销方案。
采用上述方案本发明取得的有益效果如下：
（1）针对现有的基于人工智能技术的互联网营销系统中，存在着数据源结构多样且分布离散，不易集中处理进而影响系统整体可用性的技术问题，本方案采用数据标准化和数据结构化的方法进行数据预处理，将原始数值型数据统一规格并与非数值数据建立联系，提高了数据质量，进而提高了系统的整体可用性；
（2）针对现有的基于人工智能技术的互联网营销方法中，存在着用户数据复杂多样，难以直观地观察数据间的特征和联系，容易加大后续的用户分类任务的误差的技术问题，本方案创造性地采用基于自组织神经网络的用户数据聚类方法，将具有相似特征的用户数据对象归类到同一组，从而实现对数据的有序整理和总结，为后续的用户分类任务提供良好的数据支持；
（3）针对现有的基于人工智能技术的互联网营销方法中，存在着用户群体的分类模糊且不够多样，分类的程度不够细致且类别较少，导致用户信息有一定程度的丢失和精确度缺失的技术问题，本方案创造性地采用基于深度神经网络的用户分类方法，将用户类型细分为五类，提高了用户分类数据的细致性和实用性，也提高了后续进一步处理用户数据的数据维度；
（4）针对现有的基于人工智能技术的互联网营销方法中，存在着缺少一种结合用户类别并进一步预测对于产品的购买意愿的技术问题，本方案创造性地基于用户评论反馈数据，采用图神经网络的方法进行用户购买行为预测，并结合用户的类别，进行更精确且细节的个性化互联网营销策略生成，提高了系统的实用性和总体准确性。
附图说明
图1为本发明提供的一种基于人工智能技术的互联网营销系统的结构示意图；
图2为本发明提供的一种基于人工智能技术的互联网营销方法的流程示意图；
图3为本发明提供的一种基于人工智能技术的互联网营销方法的数据流图；
图4为步骤S2的流程示意图；
图5为步骤S23的流程示意图；
图6为步骤S3的流程示意图；
图7为步骤S4的流程示意图。
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。
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。
实施例一，参阅图1和图3，本发明提供的一种基于人工智能技术的互联网营销系统，包括用户信息采集模块、信息预处理模块、用户分类模块、用户购买行为预测模块和个性化营销信息推荐模块；所述用户信息采集模块从交易记录中，通过采集得到用户原始数据，所述用户原始数据包括数值型数据DX、离散型数据DA和文本型数据DT，并将所述用户原始数据发送至信息预处理模块；所述信息预处理模块接收用户信息采集模块发送的用户原始数据，并对所述用户原始数据进行数据预处理，得到聚类用户数据和购买行为预测图结构数据，将所述聚类用户数据发送至用户分类模块，并将所述购买行为预测图结构数据发送至用户购买行为预测模块；所述用户分类模块接收信息预处理模块发送的聚类用户数据，并对所述聚类用户数据进行用户分类，得到用户类别数据，并将所述用户类别数据发送至用户购买行为预测模块和个性化营销信息推荐模块；所述用户购买行为预测模块接收信息预处理模块发送的购买行为预测图结构数据和用户类别数据，依据用户类别数据中的用户类别对所述购买行为预测图结构数据进行购买行为预测，得到用户购买意愿数据，并将所述用户购买意愿数据发送至个性化营销信息推荐模块；所述个性化营销信息推荐模块接收用户分类模块发送的用户类别数据，并接收用户购买行为预测模块发送的用户购买意愿数据，结合所述用户类别数据和所述用户购买意愿数据进行个性化营销信息推荐，得到推荐营销方案。
实施例二，该实施例基于上述实施例，参阅图2，本发明提供的一种基于人工智能技术的互联网营销方法，该方法包括以下步骤：
步骤S1：用户信息采集；
步骤S2：信息预处理；
步骤S3：用户分类；
步骤S4：用户购买行为预测；
步骤S5：个性化营销信息推荐。
实施例三，该实施例基于上述实施例，参阅图1、图2和图3，在步骤S1中，所述用户信息采集，具体为从交易记录中，通过采集得到用户原始数据，所述用户原始数据，包括数值型数据DX、离散型数据DA和文本型数据DT，所述数值型数据DX包括产品标识IDPro、产品成本和产品利润，所述离散型数据DA包括产品标识IDPro、用户标识IDUser、发票号码、交易产品数量、交易日期和用户定位信息，所述文本型数据DT包括用户评论反馈数据、产品名称数据和产品描述数据。
实施例四，该实施例基于上述实施例，参阅图2、图3、图4和图5，在步骤S2中，所述信息预处理，具体包括以下步骤：
步骤S21：数据标准化，具体为采用最小-最大缩放方法对所述数值型数据DX进行数值比例化操作，得到标准化数值型分类数据DY，计算公式为：
；
式中，DY是标准化数值型分类数据，所述标准化数值型分类数据DY包括产品利润率数据，DX是数值型数据，min（）是取最小值操作，max（）是取最大值操作；
步骤S22：数据结构化，具体为依据所述产品标识IDPro，将所述离散型数据DA与所述标准化数值型分类数据DY建立数据映射关系，得到结构化分类数据DC，并依据所述标准化数值型分类数据DY中的产品利润率数据的数值大小，对所述结构化分类数据DC进行数据排序，得到待聚类数据DClu；
步骤S23：数据聚类，具体为通过训练自组织神经网络，对所述待聚类数据DClu进行数据聚类操作，包括以下步骤：
步骤S231：网络权重初始化，具体为设置自组织神经网络权重W，计算公式为：
；
式中，W是自组织神经网络权重，i是输入节点索引，j是所述输入节点索引i对应节点的领域节点索引，t是时间变量，ωij (t)是从第i个输入节点到第j个邻域节点之间对应时间t的自组织神经网络权重值；
步骤S232：输入层初始化，具体为设置输入节点集X，计算公式为：
；
式中，X是输入节点集，X1 (t)是对应时间t第1个节点的输入，t是时间变量，i是输入节点索引；
步骤S233：节点间距离计算，具体为计算第i个输入节点和第j个邻域节点间的节点间距离dj，并通过比较每个节点间距离dj的数值，选择对应最小距离的第j个邻域节点，并将所述对应最小距离的第j个邻域节点作为输出节点j’，所述节点间距离dj的计算公式为：
；
式中，dj是节点间距离，n是输入节点的总数，i是输入节点索引，j是所述输入节点索引i对应节点的领域节点索引，Xi (t)是对应时间t第i个节点的输入，ωij (t)是从第i个输入节点到第j个邻域节点之间对应时间t的自组织神经网络权重值；
步骤S234：网络权重更新，具体为更新所述自组织神经网络权重W，得到自组织神经网络更新权重，计算公式为：
；
式中，是自组织神经网络更新权重，ωij (t+1)是从第i个输入节点到第j个邻域节点之间对应时间t+1的自组织神经网络权重值，η(t)是对应时间t的学习率，Xi (t)是对应时间t第i个节点的输入，ωij (t)是从第i个输入节点到第j个邻域节点之间对应时间t的自组织神经网络权重值；
步骤S235：模型训练，具体为通过网络权重初始化、输入层初始化、节点间距离计算和网络权重更新，进行自组织神经网络模型训练，得到自组织神经网络聚类模型ModelSOM；
步骤S236：数据聚类，具体为采用自组织神经网络聚类模型ModelSOM对所述待聚类数据DClu进行数据聚类，得到聚类用户数据DCAS；
步骤S24：文本数据清洗，具体为将所述文本型数据DT中的每个文本段表示为向量，得到文本特征数据DWtV；
步骤S25：文本数据图结构构建，具体为依据文本特征数据DWtV的数据关系，将所述文本特征数据DWtV构建为有向图，得到购买行为预测图结构数据GPre；
通过执行上述操作，针对现有的基于人工智能技术的互联网营销系统中，存在着数据源结构多样且分布离散，不易集中处理进而影响系统整体可用性的技术问题，本方案采用数据标准化和数据结构化的方法进行数据预处理，将原始数值型数据统一规格并与非数值数据建立联系，提高了数据质量，进而提高了系统的整体可用性；针对现有的基于人工智能技术的互联网营销方法中，存在着用户数据复杂多样，难以直观地观察数据间的特征和联系，容易加大后续的用户分类任务的误差的技术问题，本方案创造性地采用基于自组织神经网络的用户数据聚类方法，将具有相似特征的用户数据对象归类到同一组，从而实现对数据的有序整理和总结，为后续的用户分类任务提供良好的数据支持。
实施例五，该实施例基于上述实施例，参阅图2、图3和图6，在步骤S3中，所述用户分类，具体为采用深度神经网络模型训练的方法对所述聚类用户数据DCAS进行用户分类，包括以下步骤：
步骤S31：数据划分，具体为从所述聚类用户数据DCAS中选取80%的数据进行数据人工精细标注，得到训练强集数据XStr，并从所述聚类用户数据DCAS中随机选取20%的数据进行自动数据标注，得到验证弱集数据XWk，所述训练强集数据XStr用于模型训练，所述验证弱集数据XWk用于性能验证和优化；
步骤S32：构建输入层，并采用非线性激活函数进行激活，计算公式为：
；
式中，YI是输入层输出，σ是非线性激活函数，ωI是输入层权重，XStr是训练强集数据，bI是输入层偏置项；
步骤S33：构建隐藏层，并采用S型函数进行激活，所述S型函数的计算公式为：
；
式中，Sigmoid（）是S型函数，YI是输入层输出，e是自然对数底数；
步骤S34：构建输出层，具体为使用多种损失函数，优化模型训练，包括以下步骤：
步骤S341：采用公平性约束损失函数LossCon，优化分类精确性，所述公平性约束损失函数LossCon的计算公式为：
；
式中，LossCon是公平性约束损失函数，Yuser是模型预测的用户类型输出，XStr是训练强集数据，XWk是验证弱集数据；
步骤S342：采用二元交叉熵损失函数LossBCE，优化模型预测类别和真实类别之间的误差，所述二元交叉熵损失函数LossBCE的计算公式为：
；
式中，LossBCE是二元交叉熵损失函数，N是所述训练强集数据XStr中的输入样本总数，i是累加变量，y（i）是真实类别，yT（i）是模型预测值；
步骤S343：构建模型损失函数Loss，计算公式为：
Loss=LossBCE+LossCon；
式中，Loss是模型损失函数，LossBCE是二元交叉熵损失函数，LossCon是公平性约束损失函数；
步骤S35：模型训练，具体为通过构建输入层、隐藏层和输出层，并通过所述模型损失函数Loss进行深度神经网络模型训练，得到用户分类模型ModelCAS；
步骤S36：用户分类，使用用户分类模型ModelCAS对聚类用户数据DCAS进行用户分类，得到用户类别数据DC，所述用户类别数据DC包括五类用户类别，具体为值得信赖用户、重要用户、潜在用户、低价值用户和其他用户；
针对现有的基于人工智能技术的互联网营销方法中，存在着用户群体的分类模糊且不够多样，分类的程度不够细致且类别较少，导致用户信息有一定程度的丢失和精确度缺失的技术问题，本方案创造性地采用基于深度神经网络的用户分类方法，将用户类型细分为五类，提高了用户分类数据的细致性和实用性，也提高了后续进一步处理用户数据的数据维度。
实施例六，该实施例基于上述实施例，参阅图2、图3和图7，在步骤S4中，所述用户购买行为预测，具体为通过图神经网络对所述购买行为预测图结构数据GPre进行用户购买行为预测，包括以下步骤：
步骤S41：构建第一图卷积层，具体为使用非线性函数激活处理所述购买行为预测图结构数据GPre，并得到第一图卷积层输出H1，所述构建第一图卷积层的计算公式为：
；
式中，H1是第一图卷积层输出，σ是非线性激活函数，是归一化对称矩阵，GPre是购买行为预测图结构数据，W0是第一图卷积层权重；
步骤S42：构建第二图卷积层，具体为使用softmax函数将图卷积层的输出表示为各购买行为类别的概率值，所述构建图卷积层的计算公式为：
；
式中，Z是第二图卷积层输出，softmax（）是softmax函数，是归一化对称矩阵，H1是第一图卷积层输出，W1是第二图卷积层权重；
步骤S43：模型训练，具体为通过构建第一图卷积层和第二图卷积层进行模型训练，得到用户购买行为预测模型ModelPre；
步骤S44：购买概率预测，具体为使用所述用户购买行为预测模型ModelPre对所述用户类别数据DC中对应各类别的每位用户进行购买行为预测，得到用户购买意愿预测值PZ，所述用户购买意愿预测值PZ的计算公式为：
；
式中，PZ是用户购买意愿预测概率，P（n,s,e,d）是所述用户购买行为预测模型ModelPre输出的概率集，n是用户选择不购买的情况，s是用户选择购买的情况，e是用户反感产品的情况，d是用户喜爱产品的情况；
步骤S45：购买行为预测，具体为通过分析所述用户购买意愿预测值PZ，得到用户购买意愿数据YZ，计算公式为：
；
式中，YZ是用户购买意愿数据，P（n,s,e,d）是P（n,s,e,d）是所述用户购买行为预测模型ModelPre输出的概率集，P（n）是用户选择不购买的概率，P（s）是用户选择购买的概率，P（e）是用户反感产品的概率，P（d）是用户喜爱产品的概率；
针对现有的基于人工智能技术的互联网营销方法中，存在着缺少一种结合用户类别并进一步预测对于产品的购买意愿的技术问题，本方案创造性地基于用户评论反馈数据，采用图神经网络的方法进行用户购买行为预测，并结合用户的类别，进行更精确且细节的个性化互联网营销策略生成，提高了系统的实用性和总体准确性。
实施例七，该实施例基于上述实施例，参阅图1、图2和图3，在步骤S5中，所述个性化营销信息推荐，具体为通过结合所述用户类别数据DC和所述用户购买意愿数据YZ的计算结果，向各类别的每位用户推荐购买概率更高的产品，得到推荐营销方案。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程和方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程和方法所固有的要素。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
以上对本发明及其实施方式进行了描述，这种描述没有限制性，附图中所示的也只是本发明的实施方式之一，实际的结构并不局限于此。总而言之如果本领域的普通技术人员受其启示，在不脱离本发明创造宗旨的情况下，不经创造性的设计出与该技术方案相似的结构方式及实施例，均应属于本发明的保护范围。

Claims (7)

1.一种基于人工智能技术的互联网营销系统，其特征在于：包括用户信息采集模块、信息预处理模块、用户分类模块、用户购买行为预测模块和个性化营销信息推荐模块；
所述用户信息采集模块从交易记录中，通过采集得到用户原始数据，所述用户原始数据包括数值型数据DX、离散型数据DA和文本型数据DT，并将所述用户原始数据发送至信息预处理模块；
所述信息预处理模块接收用户信息采集模块发送的用户原始数据，并对所述用户原始数据进行数据预处理，得到聚类用户数据和购买行为预测图结构数据，将所述聚类用户数据发送至用户分类模块，并将所述购买行为预测图结构数据发送至用户购买行为预测模块；
所述用户分类模块接收信息与处理模块发送的聚类用户数据，并对所述聚类用户数据进行用户分类，得到用户类别数据，并将所述用户类别数据发送至用户购买行为预测模块和个性化营销信息推荐模块；
所述用户购买行为预测模块接收信息预处理模块发送的购买行为预测图结构数据和用户类别数据，依据用户类别数据中的用户类别对所述购买行为预测图结构数据进行购买行为预测，得到用户购买意愿数据，并将所述用户购买意愿数据发送至个性化营销信息推荐模块；
所述个性化营销信息推荐模块接收用户分类模块发送的用户类别数据，并接收用户购买行为预测模块发送的用户购买意愿数据，结合所述用户类别数据和所述用户购买意愿数据进行个性化营销信息推荐，得到推荐营销方案。
2.一种基于人工智能技术的互联网营销方法，应用于上述权利要求1所述的基于人工智能技术的互联网营销系统，其特征在于：该方法包括以下步骤：
步骤S1：用户信息采集；
步骤S2：信息预处理；
步骤S3：用户分类；
步骤S4：用户购买行为预测；
步骤S5：个性化营销信息推荐；
在步骤S1中，所述用户信息采集，具体为从交易记录中，通过采集得到用户原始数据，所述用户原始数据，包括数值型数据DX、离散型数据DA和文本型数据DT，所述数值型数据DX包括产品标识IDPro、产品成本和产品利润，所述离散型数据DA包括产品标识IDPro、用户标识IDUser、发票号码、交易产品数量、交易日期和用户定位信息，所述文本型数据DT包括用户评论反馈数据、产品名称数据和产品描述数据；
在步骤S2中，所述信息预处理，具体包括以下步骤：
步骤S21：数据标准化；
步骤S22：数据结构化；
步骤S23：数据聚类；
步骤S24：文本数据清洗，具体为将所述文本型数据DT中的每个文本段表示为向量，得到文本特征数据DWtV；
步骤S25：文本数据图结构构建，具体为依据文本特征数据DWtV的数据关系，将所述文本特征数据DWtV构建为有向图，得到购买行为预测图结构数据GPre。
3.根据权利要求2所述的一种基于人工智能技术的互联网营销方法，其特征在于：在步骤S21中，所述数据标准化，具体为采用最小-最大缩放方法对所述数值型数据DX进行数值比例化操作，得到标准化数值型分类数据DY，计算公式为：
；
式中，DY是标准化数值型分类数据，所述标准化数值型分类数据DY包括产品利润率数据，DX是数值型数据，min（）是取最小值操作，max（）是取最大值操作；
在步骤S22中，所述数据结构化，具体为依据所述产品标识IDPro，将所述离散型数据DA与所述标准化数值型分类数据DY建立数据映射关系，得到结构化分类数据DC，并依据所述标准化数值型分类数据DY中的产品利润率数据的数值大小，对所述结构化分类数据DC进行数据排序，得到待聚类数据DClu。
4.根据权利要求3所述的一种基于人工智能技术的互联网营销方法，其特征在于：在步骤S23中，所述数据聚类，具体为通过训练自组织神经网络，对所述待聚类数据DClu进行数据聚类操作，包括以下步骤：
步骤S231：网络权重初始化，具体为设置自组织神经网络权重W，计算公式为：
；
式中，W是自组织神经网络权重，i是输入节点索引，j是所述输入节点索引i对应节点的领域节点索引，t是时间变量，ωij (t)是从第i个输入节点到第j个邻域节点之间对应时间t的自组织神经网络权重值；
步骤S232：输入层初始化，具体为设置输入节点集X，计算公式为：
；
式中，X是输入节点集，X1 (t)是对应时间t第1个节点的输入，t是时间变量，i是输入节点索引；
步骤S233：节点间距离计算，具体为计算第i个输入节点和第j个邻域节点间的节点间距离dj，并通过比较每个节点间距离dj的数值，选择对应最小距离的第j个邻域节点，并将所述对应最小距离的第j个邻域节点作为输出节点j’，所述节点间距离dj的计算公式为：
；
式中，dj是节点间距离，n是输入节点的总数，i是输入节点索引，j是所述输入节点索引i对应节点的领域节点索引，Xi (t)是对应时间t第i个节点的输入，ωij (t)是从第i个输入节点到第j个邻域节点之间对应时间t的自组织神经网络权重值；
步骤S234：网络权重更新，具体为更新所述自组织神经网络权重W，得到自组织神经网络更新权重，计算公式为：
；
式中，是自组织神经网络更新权重，ωij (t+1)是从第i个输入节点到第j个邻域节点之间对应时间t+1的自组织神经网络权重值，η(t)是对应时间t的学习率，Xi (t)是对应时间t第i个节点的输入，ωij (t)是从第i个输入节点到第j个邻域节点之间对应时间t的自组织神经网络权重值；
步骤S235：模型训练，具体为通过网络权重初始化、输入层初始化、节点间距离计算和网络权重更新，进行自组织神经网络模型训练，得到自组织神经网络聚类模型ModelSOM；
步骤S236：数据聚类，具体为采用自组织神经网络聚类模型ModelSOM对所述待聚类数据DClu进行数据聚类，得到聚类用户数据DCAS。
5.根据权利要求4所述的一种基于人工智能技术的互联网营销方法，其特征在于：在步骤S3中，所述用户分类，具体为采用深度神经网络模型训练的方法对所述聚类用户数据DCAS进行用户分类，包括以下步骤：
步骤S31：数据划分，具体为从所述聚类用户数据DCAS中选取80%的数据进行数据人工精细标注，得到训练强集数据XStr，并从所述聚类用户数据DCAS中随机选取20%的数据进行自动数据标注，得到验证弱集数据XWk，所述训练强集数据XStr用于模型训练，所述验证弱集数据XWk用于性能验证和优化；
步骤S32：构建输入层，并采用非线性激活函数进行激活，计算公式为：
；
式中，YI是输入层输出，σ是非线性激活函数，ωI是输入层权重，XStr是训练强集数据，bI是输入层偏置项；
步骤S33：构建隐藏层，并采用S型函数进行激活，所述S型函数的计算公式为：
；
式中，Sigmoid（）是S型函数，YI是输入层输出，e是自然对数底数；
步骤S34：构建输出层，具体为使用多种损失函数，优化模型训练，包括以下步骤：
步骤S341：采用公平性约束损失函数LossCon，优化分类精确性，所述公平性约束损失函数LossCon的计算公式为：
；
式中，LossCon是公平性约束损失函数，Yuser是模型预测的用户类型输出，XStr是训练强集数据，XWk是验证弱集数据；
步骤S342：采用二元交叉熵损失函数LossBCE，优化模型预测类别和真实类别之间的误差，所述二元交叉熵损失函数LossBCE的计算公式为：
；
式中，LossBCE是二元交叉熵损失函数，N是所述训练强集数据XStr中的输入样本总数，i是累加变量，y（i）是真实类别，yT（i）是模型预测值；
步骤S343：构建模型损失函数Loss，计算公式为：
Loss=LossBCE+LossCon；
式中，Loss是模型损失函数，LossBCE是二元交叉熵损失函数，LossCon是公平性约束损失函数；
步骤S35：模型训练，具体为通过构建输入层、隐藏层和输出层，并通过所述模型损失函数Loss进行深度神经网络模型训练，得到用户分类模型ModelCAS；
步骤S36：用户分类，使用用户分类模型ModelCAS对聚类用户数据DCAS进行用户分类，得到用户类别数据DC，所述用户类别数据DC包括五类用户类别，具体为值得信赖用户、重要用户、潜在用户、低价值用户和其他用户。
6.根据权利要求5所述的一种基于人工智能技术的互联网营销方法，其特征在于：在步骤S4中，所述用户购买行为预测，具体为通过图神经网络对所述购买行为预测图结构数据GPre进行用户购买行为预测，包括以下步骤：
步骤S41：构建第一图卷积层，具体为使用非线性函数激活处理所述购买行为预测图结构数据GPre，并得到第一图卷积层输出H1，所述构建第一图卷积层的计算公式为：
；
式中，H1是第一图卷积层输出，σ是非线性激活函数，是归一化对称矩阵，GPre是购买行为预测图结构数据，W0是第一图卷积层权重；
步骤S42：构建第二图卷积层，具体为使用softmax函数将图卷积层的输出表示为各购买行为类别的概率值，所述构建图卷积层的计算公式为：
；
式中，Z是第二图卷积层输出，softmax（）是softmax函数，是归一化对称矩阵，H1是第一图卷积层输出，W1是第二图卷积层权重；
步骤S43：模型训练，具体为通过构建第一图卷积层和第二图卷积层进行模型训练，得到用户购买行为预测模型ModelPre；
步骤S44：购买概率预测，具体为使用所述用户购买行为预测模型ModelPre对所述用户类别数据DC中对应各类别的每位用户进行购买行为预测，得到用户购买意愿预测值PZ，所述用户购买意愿预测值PZ的计算公式为：
；
式中，PZ是用户购买意愿预测概率，P（n,s,e,d）是所述用户购买行为预测模型ModelPre输出的概率集，n是用户选择不购买的情况，s是用户选择购买的情况，e是用户反感产品的情况，d是用户喜爱产品的情况；
步骤S45：购买行为预测，具体为通过分析所述用户购买意愿预测值PZ，得到用户购买意愿数据YZ，计算公式为：
；
式中，YZ是用户购买意愿数据，P（n,s,e,d）是P（n,s,e,d）是所述用户购买行为预测模型ModelPre输出的概率集，P（n）是用户选择不购买的概率，P（s）是用户选择购买的概率，P（e）是用户反感产品的概率，P（d）是用户喜爱产品的概率。
7.根据权利要求6所述的一种基于人工智能技术的互联网营销方法，其特征在于：在步骤S5中，所述个性化营销信息推荐，具体为通过结合所述用户类别数据DC和所述用户购买意愿数据YZ的计算结果，向各类别的每位用户推荐购买概率更高的产品，得到推荐营销方案。
CN202311298824.7A 2023-10-09 2023-10-09 一种基于人工智能技术的互联网营销系统及方法 Active CN117057852B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311298824.7A CN117057852B (zh) 2023-10-09 2023-10-09 一种基于人工智能技术的互联网营销系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311298824.7A CN117057852B (zh) 2023-10-09 2023-10-09 一种基于人工智能技术的互联网营销系统及方法

Publications (2)

Publication Number Publication Date
CN117057852A true CN117057852A (zh) 2023-11-14
CN117057852B CN117057852B (zh) 2024-01-26

Family

ID=88664781

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311298824.7A Active CN117057852B (zh) 2023-10-09 2023-10-09 一种基于人工智能技术的互联网营销系统及方法

Country Status (1)

Country Link
CN (1) CN117057852B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117828377A (zh) * 2024-03-01 2024-04-05 齐鲁工业大学(山东省科学院) 一种基于公平加权因子的教育感知聚类方法及系统
CN118071468A (zh) * 2024-04-25 2024-05-24 沈阳曼得科技有限公司 一种基于快消品行业的智慧营销系统及方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108829763A (zh) * 2018-05-28 2018-11-16 电子科技大学 一种基于深度神经网络的影评网站用户的属性预测方法
CN109787821A (zh) * 2019-01-04 2019-05-21 华南理工大学 一种大规模移动客户流量消费智能预测方法
CN112967088A (zh) * 2021-03-03 2021-06-15 上海数鸣人工智能科技有限公司 基于知识蒸馏的营销活动预测模型结构和预测方法
WO2022064894A1 (ja) * 2020-09-28 2022-03-31 ソニーグループ株式会社 情報処理装置、情報処理方法、およびプログラム
CN114298834A (zh) * 2021-12-31 2022-04-08 金陵科技学院 一种基于自组织映射网络的个人信用评估方法及系统
US20220383125A1 (en) * 2021-06-01 2022-12-01 6Sense Insights, Inc. Machine learning aided automatic taxonomy for marketing automation and customer relationship management systems
CN116010793A (zh) * 2023-01-04 2023-04-25 浙江网商银行股份有限公司 分类模型训练方法及装置、类别检测方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108829763A (zh) * 2018-05-28 2018-11-16 电子科技大学 一种基于深度神经网络的影评网站用户的属性预测方法
CN109787821A (zh) * 2019-01-04 2019-05-21 华南理工大学 一种大规模移动客户流量消费智能预测方法
WO2022064894A1 (ja) * 2020-09-28 2022-03-31 ソニーグループ株式会社 情報処理装置、情報処理方法、およびプログラム
CN112967088A (zh) * 2021-03-03 2021-06-15 上海数鸣人工智能科技有限公司 基于知识蒸馏的营销活动预测模型结构和预测方法
US20220383125A1 (en) * 2021-06-01 2022-12-01 6Sense Insights, Inc. Machine learning aided automatic taxonomy for marketing automation and customer relationship management systems
CN114298834A (zh) * 2021-12-31 2022-04-08 金陵科技学院 一种基于自组织映射网络的个人信用评估方法及系统
CN116010793A (zh) * 2023-01-04 2023-04-25 浙江网商银行股份有限公司 分类模型训练方法及装置、类别检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
LUCA PASA 等: "SOM-based aggregation of graph convolutional neural networks", NEURAL COMPUTING AND APPLICATIONS, pages 5 - 24 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117828377A (zh) * 2024-03-01 2024-04-05 齐鲁工业大学(山东省科学院) 一种基于公平加权因子的教育感知聚类方法及系统
CN117828377B (zh) * 2024-03-01 2024-05-10 齐鲁工业大学(山东省科学院) 一种基于公平加权因子的教育感知聚类方法及系统
CN118071468A (zh) * 2024-04-25 2024-05-24 沈阳曼得科技有限公司 一种基于快消品行业的智慧营销系统及方法

Also Published As

Publication number Publication date
CN117057852B (zh) 2024-01-26

Similar Documents

Publication Publication Date Title
Jiang et al. A multi-objective PSO approach of mining association rules for affective design based on online customer reviews
Chiroma et al. Progress on artificial neural networks for big data analytics: a survey
CN117057852B (zh) 一种基于人工智能技术的互联网营销系统及方法
Kuo et al. Integration of ART2 neural network and genetic K-means algorithm for analyzing Web browsing paths in electronic commerce
Chorianopoulos Effective CRM using predictive analytics
CN111324642A (zh) 一种面向电网大数据分析的模型算法选型与评价方法
El Morr et al. Descriptive, predictive, and prescriptive analytics
Hassan et al. A hybrid of multiobjective Evolutionary Algorithm and HMM-Fuzzy model for time series prediction
US20210125207A1 (en) Multi-layered market forecast framework for hotel revenue management by continuously learning market dynamics
Anwar et al. Machine learning techniques for book recommendation: an overview
Pattyam AI in Data Science for Predictive Analytics: Techniques for Model Development, Validation, and Deployment
US20190012746A1 (en) System and method for evaluating the true reach of social media influencers
US10540607B1 (en) Apparatus, method and article to effect electronic message reply rate matching in a network environment
Li et al. Explain graph neural networks to understand weighted graph features in node classification
Jafari-Marandi et al. Optimum profit-driven churn decision making: innovative artificial neural networks in telecom industry
CN113743615A (zh) 简化机器学习的特征移除框架
US11468271B2 (en) Method of data prediction and system thereof
Wang et al. Modeling of individual customer delivery satisfaction: An AutoML and multi-agent system approach
US20200302396A1 (en) Earning Code Classification
CN118071400A (zh) 基于图计算技术在信息消费领域的应用方法及系统
Keles et al. IBMMS decision support tool for management of bank telemarketing campaigns
Lin et al. Optimal location of logistics distribution centres with swarm intelligent clustering algorithms
Chashmi et al. Predicting customer turnover using recursive neural networks
Jiao et al. An integration model for generating and selecting product configuration plans
US20230244990A1 (en) Semantic graphing of heterogeneous documents for automated decision making and resource allocation using reinforcement learning

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20240102

Address after: Room 1004, H1B, Building 6, Chuangzhi Green Valley Development Center, Shangcheng District, Hangzhou City, Zhejiang Province, 310000

Applicant after: Touliu (Hangzhou) Network Technology Co.,Ltd.

Address before: Room 306, 3rd Floor, Room 01, 1st to 11th Floors, Building 1, No. 9 Linhe Street, Shunyi District, Beijing

Applicant before: Beijing light dust environmental protection Polytron Technologies Inc.

Applicant before: Touliu (Hangzhou) Network Technology Co.,Ltd.

GR01 Patent grant
GR01 Patent grant