CN117972184A - 用户偏好分析方法及装置 - Google Patents
用户偏好分析方法及装置 Download PDFInfo
- Publication number
- CN117972184A CN117972184A CN202211304560.7A CN202211304560A CN117972184A CN 117972184 A CN117972184 A CN 117972184A CN 202211304560 A CN202211304560 A CN 202211304560A CN 117972184 A CN117972184 A CN 117972184A
- Authority
- CN
- China
- Prior art keywords
- event
- preference
- target
- user
- preference 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 30
- 238000000034 method Methods 0.000 claims abstract description 46
- 230000004044 response Effects 0.000 claims abstract description 10
- 238000004590 computer program Methods 0.000 claims description 15
- 238000003860 storage Methods 0.000 claims description 15
- 238000013439 planning Methods 0.000 description 27
- 238000004891 communication Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 12
- 238000005457 optimization Methods 0.000 description 12
- 230000014509 gene expression Effects 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 238000011161 development Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 238000010276 construction Methods 0.000 description 5
- BTCSSZJGUNDROE-UHFFFAOYSA-N gamma-aminobutyric acid Chemical compound NCCCC(O)=O BTCSSZJGUNDROE-UHFFFAOYSA-N 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 239000013589 supplement Substances 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000006855 networking Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000000153 supplemental effect Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 238000012384 transportation and delivery 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
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/22—Indexing; Data structures therefor; Storage structures
-
- 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
-
- 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
- G06F16/9536—Search customisation based on social or collaborative filtering
-
- 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
-
- 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)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请实施例公开了用户偏好分析方法及装置。所述方法包括:响应于目标用户对目标事件的执行指令,确定所述目标用户的目标用户类型;将所述目标用户类型和预先创建的偏好数据库进行匹配,确定所述目标用户类型对应的目标事件偏好数据,以根据所述目标事件偏好数据执行所述目标事件;所述偏好数据库包括多个用户类型和事件偏好数据之间的对应关系;所述事件偏好数据包括执行事件的意图偏好数据和策略偏好数据。该技术方案能够提升用户偏好数据分析的准确性,且能够使事件执行结果最大程度地达到用户的满意度。
Description
技术领域
本说明书涉及数据分析技术领域,尤其涉及一种用户偏好分析方法及装置。
背景技术
意图网络(Intent-Based Network,IBN)是一种在掌握自身“全息状态”的条件下,基于人类业务意图进行搭建和操作的闭环的网络架构,实现从用户意图到特定基础设施的自动转化,不需要人工干预就能够监控网络的整体性能、识别网络中出现的问题并自动解决该问题。IBN包括意图转译和验证、自动实施、对网络状态的感知、可保障性和动态优化/修复等功能。其中,意图转译实现了将用户的自然语言表述的意图转换为网络可识别的意图,是确保IBN的关键环节。因此,如何准确分析用户意图(即用户偏好)是当前领域中的一大难题。
相关技术中,在使用IBN执行相关事件时,通常是基于相同逻辑操作来解决特定问题,而并不考虑用户意图(即用户偏好),从而导致事件执行结果与用户的意图/偏好不匹配,进而导致用户对事件执行结果不满意。
发明内容
本申请实施例的目的是提供一种用户偏好分析方法及装置,用以解决现有技术中在使用意图网络时无法准确分析用户意图的问题。
为解决上述技术问题,本申请实施例是这样实现的:
一方面,本申请实施例提供一种用户偏好分析方法,包括:
响应于目标用户对目标事件的执行指令,确定所述目标用户的目标用户类型;
将所述目标用户类型和预先创建的偏好数据库进行匹配,确定所述目标用户类型对应的目标事件偏好数据,以根据所述目标事件偏好数据执行所述目标事件;所述偏好数据库包括多个用户类型和事件偏好数据之间的对应关系;所述事件偏好数据包括执行事件的意图偏好数据和策略偏好数据。
另一方面,本申请实施例提供一种用户偏好分析装置,包括:
第一确定模块,用于响应于目标用户对目标事件的执行指令,确定所述目标用户的目标用户类型;
第二确定模块,用于将所述目标用户类型和预先创建的偏好数据库进行匹配,确定所述目标用户类型对应的目标事件偏好数据,以根据所述目标事件偏好数据执行所述目标事件;所述偏好数据库包括多个用户类型和事件偏好数据之间的对应关系;所述事件偏好数据包括执行事件的意图偏好数据和策略偏好数据。
再一方面,本申请实施例提供一种电子设备,包括处理器和与所述处理器电连接的存储器,所述存储器存储有计算机程序,所述处理器用于从所述存储器调用并执行所述计算机程序以实现上述用户偏好分析方法。
再一方面,本申请实施例提供一种存储介质,用于存储计算机程序,所述计算机程序能够被处理器执行以实现上述用户偏好分析方法。
采用本申请实施例的技术方案,在接收到目标用户对目标事件的执行指令时,通过确定目标用户类型,并将目标用户类型和预先创建的偏好数据库进行匹配,确定出目标用户类型对应的目标事件偏好数据,以根据所述目标事件偏好数据执行所述目标事件。其中,偏好数据库包括多个用户类型和事件偏好数据之间的对应关系,事件偏好数据包括执行事件的意图偏好数据和策略偏好数据。由于确定用户的事件偏好数据时依据了用户的用户类型,因此能够针对不同类型的用户,有针对性地分析出不同用户类型的事件偏好数据,从而使事件偏好数据的确定结果更加准确。进而,在根据目标用户的事件偏好数据执行目标事件时,不仅提升事件执行效率,且能够使执行事件时所采取的策略与目标用户的事件偏好数据(包括意图偏好和策略偏好)更加匹配,使得事件执行结果最大程度地达到用户的满意度。
附图说明
为了更清楚地说明本说明书一个或多个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说明书一个或多个实施例中记载的一些实施例,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是根据本说明书一实施例的一种用户偏好分析方法的示意性流程图;
图2是根据本说明书一实施例的一种事件偏好数据的分析方法的示意性流程图;
图3是根据本说明书一实施例的一种基于用户偏好分析方法执行事件的示意性流程图;
图4是根据本说明书一实施例的一种用户偏好分析装置的示意性框图;
图5是根据本说明书一实施例的一种电子设备的示意性框图。
具体实施方式
为了使本技术领域的人员更好地理解本申请中的技术方案,下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都应当属于本申请保护的范围。
本申请实施例提供一种用户偏好分析方法及装置,用以解决现有技术中在使用意图网络时无法准确分析用户意图的问题。
以通信网络场景为例,在通信网络的规划、建设、维护、优化和运营流程中,应用意图网络架构与运营商用户进行交互。不同区域、运营商对于网络的投资和建设策略会有所差异,且同一运营商内部也存在对网络的建设发展有不同意图的角色划分,如市场销售人员注重网络的投资回报率,网络优化人员更看重网络的完成度(如网络覆盖性能指标、用户投诉等)。这些角色对网络的意图需求有所区分,因此不适宜用同一个意图网络的流程应对所有的用户,需要在意图网络流程中,为这些用户角色给出匹配的意图偏好和策略偏好,以帮助提升利用意图网络进行交互的效率,以及用户对最终落地方案的满意度。这里的意图偏好指用户对于意图目标的倾向性,例如通信网络场景中的建网目标、建设规模等。策略偏好指实现同一个目标时,不同用户角色期望使用的方法不同。以下详细说明本申请实施例提供的用户偏好分析方法。
图1是根据本申请一实施例的一种户偏好分析方法的示意性流程图,如图1所示,该方法包括:
S102,响应于目标用户对目标事件的执行指令,确定目标用户的目标用户类型。
其中,用户类型可基于不同的分类维度来划分,分类维度可包括用户所处区域、用户身份、用户个人信息、用户的业务职位、用户的业务发展规划等中的至少一项。以通信网络场景为例,用户类型可根据用户所处网络区域、运营商属性、工作岗位、对网络的发展策略等至少一项划分。例如,根据用户所处网络区域、用户所属部门和工作岗位等信息对用户进行分类,可确定用户的用户类型为:A地无线网络规划工程师、B地通信网络优化工程师、C地市场销售人员等。
S104,将目标用户类型和预先创建的偏好数据库进行匹配,确定目标用户类型对应的目标事件偏好数据,以根据目标事件偏好数据执行目标事件;偏好数据库包括多个用户类型和事件偏好数据之间的对应关系;事件偏好数据包括执行事件的意图偏好数据和策略偏好数据。
其中,意图偏好数据可包括:每个偏好影响因素对意图偏好的第一贡献度;策略偏好数据包括:每个偏好影响因素对策略偏好的第二贡献度。偏好影响因素指的是可能对事件偏好数据产生影响的因素,可基于用户对事件的执行意图(简称事件执行意图)和/或事件场景来确定。偏好数据库的创建方式将在下述实施例中详细说明,此处暂不赘述。
本实施例中,在确定目标用户类型对应的目标事件偏好数据之后,可立即根据目标事件偏好数据执行目标事件,也可以暂不执行目标事件。
可选地,对目标事件的执行指令中携带事件执行时间,在确定目标用户类型对应的目标事件偏好数据之后,按照事件执行时间执行目标事件。可选地,在确定目标用户类型对应的目标事件偏好数据之后,不执行目标事件,并在获取到目标用户对目标事件偏好数据的确认信息之后,再执行目标事件。
采用本申请实施例的技术方案,在接收到目标用户对目标事件的执行指令时,通过确定目标用户类型,并将目标用户类型和预先创建的偏好数据库进行匹配,确定出目标用户类型对应的目标事件偏好数据,以根据目标事件偏好数据执行目标事件。其中,偏好数据库包括多个用户类型和事件偏好数据之间的对应关系,事件偏好数据包括执行事件的意图偏好数据和策略偏好数据。由于确定用户的事件偏好数据时依据了用户的用户类型,因此能够针对不同类型的用户,有针对性地分析出不同用户类型的事件偏好数据,从而使事件偏好数据的确定结果更加准确。进而,在根据目标用户的事件偏好数据执行目标事件时,不仅提升事件执行效率,且能够使执行事件时所采取的策略与目标用户的事件偏好数据(包括意图偏好和策略偏好)更加匹配,使得事件执行结果最大程度地达到用户的满意度。
在一个实施例中,在偏好数据库中,用户类型和事件偏好数据之间的对应关系包括:用户类型和意图偏好数据之间的第一对应关系,以及,意图偏好数据和策略偏好数据之间的第二对应关系。基于此,将目标用户类型和预先创建的偏好数据库进行匹配,确定目标用户类型对应的目标事件偏好数据时,可首先将目标用户类型和第一对应关系进行匹配,确定出目标用户类型对应的目标意图偏好数据;其次,将目标意图偏好数据和第二对应关系进行匹配,确定目标意图偏好数据对应的目标策略偏好数据,其中,目标事件偏好数据包括目标意图偏好数据和目标策略偏好数据。
本实施例中,用户类型和意图偏好数据之间的第一对应关系,用于表征该用户类型的用户在执行事件时的意图偏好,即执行事件时想要达到的意图目标。意图偏好数据和策略偏好数据之间的第二对应关系,用于表征用户在执行事件时想要达到其意图目标(即意图偏好)时所倾向的执行策略。因此,通过将目标用户类型首先和第一对应关系进行匹配,能够匹配出目标用户执行目标事件时的意图偏好数据,即确定出目标用户执行目标事件时想要达到的意图目标,然后再将匹配出的意图偏好数据和第二对应关系进行匹配,能够匹配出目标用户想要执行目标事件时想要达到其意图目标所倾向的执行策略(即策略偏好),从而按照目标用户的目标用户类型,有针对性地、准确地分析出目标用户对执行目标事件的意图偏好和策略偏好,进而,在根据目标用户的事件偏好数据执行目标事件时,不仅提升事件执行效率,且能够使执行事件时所采取的策略与目标用户的事件偏好数据更加匹配,使得事件执行结果最大程度地达到目标用户的满意度。
在一个实施例中,在响应于目标用户对目标事件的执行指令,确定目标用户的目标用户类型之前,预先创建偏好数据库,并将多种用户类型对应的事件偏好数据存储至偏好数据库中,以使后续利用偏好数据库准确分析目标用户的事件偏好数据。
可选地,在偏好数据库中新增用户类型对应的事件偏好数据的方法可包括如图2所示的步骤S201-S203:
S201,获取样本用户的历史事件信息,历史事件信息包括以下至少一项:样本用户的用户信息、历史事件的事件影响因素、事件场景、事件执行时间、事件执行意图、事件执行策略、事件执行结果、样本用户对事件执行结果的初始满意度。
其中,样本用户的用户信息可包括样本用户的用户身份、地理位置信息、用户个人信息、用户的业务职位信息、用户的业务发展规划信息等中的至少一种。历史事件即为样本用户已经执行完成的事件,且历史事件的事件执行结果是已知的。历史事件的事件影响因素指的是对样本用户对历史事件的事件偏好数据可能产生影响的因素,可基于样本用户对历史事件的执行意图(简称事件执行意图)和/或历史事件的事件场景来确定。事件场景指的是执行事件时所涉及到的场景。事件执行意图即为样本用户执行历史事件的意图目标,如5G室外覆盖率达95%、现网高铁覆盖率为10%等等。事件执行策略即为样本用户执行历史事件所采取的策略,如站点规划、宏站利旧等等;事件执行策略可包括推荐策略和最终选取策略。除上述这些信息之外,历史事件信息还可包括样本用户执行历史事件时基于最终选取策略所采取的执行方案。执行方案和最终选取策略相匹配,相较于最终选取策略而言,执行方案更加具体、详细。样本用户对事件执行结果的初始满意度可理解为样本用户从主观角度对事件执行结果给出的评分,如0~1之间的数值。
以通信网络应用场景为例,假设样本用户针对网络事件的事件执行意图为“5G室外覆盖率达95%”,对应的事件影响因素可包括:提升网络性能指标、覆盖率等等。系统下发策略(即推荐策略)包括站点规划、宏站利旧或宏站新建,最终选取策略为站点规划和宏站利旧,执行历史事件所采取的执行方案为:规划3000个宏站。事件执行结果为:覆盖率为80%,意图目标未达成。样本用户对事件执行结果的初始满意度为0。
S202,根据历史事件信息,确定样本用户的用户类型,并分析样本用户执行历史事件的事件偏好数据。
其中,用户类型可基于不同的分类维度来划分,分类维度可包括样本用户的用户所处区域、用户身份、用户个人信息、用户的业务职位、用户的业务发展规划等中的至少一项。以通信网络场景为例,样本用户的用户类型可根据用户所处网络区域、运营商属性、工作岗位、对网络的发展策略等至少一项划分。例如,根据用户所处网络区域、用户所属部门和工作岗位等信息对样本用户进行分类,可确定样本用户的用户类型为:A地无线网络规划工程师、B地通信网络优化工程师、C地市场销售人员等。
事件偏好数据包括意图偏好数据和策略偏好数据。意图偏好数据用于表征样本用户在执行历史事件时想要达到的意图目标,策略偏好数据用于表征样本用户在执行历史事件时为了达到意图目标(即意图偏好)所倾向的执行策略。
S203,将样本用户的用户类型和事件偏好数据对应存储至偏好数据库中。
在一个实施例中,执行上述S202,即分析样本用户执行历史事件的事件偏好数据时,可具体执行为以下步骤A1-A3:
步骤A1,根据样本用户对事件执行结果的初始满意度、事件执行意图和事件执行时间,确定所述样本用户对事件执行结果的第一目标满意度;以及,根据样本用户对事件执行结果的初始满意度、事件执行策略和事件执行时间,确定样本用户对事件执行结果的第二目标满意度。
其中,将样本用户对事件执行结果的初始满意度转化为第一目标满意度和第二目标满意度,目的是为了使多个历史事件对应的满意度能够更准确地作为数据依据,更具体地,能够更准确地作为确定偏好影响因素的数据依据。由下述步骤A2可知,历史事件对应的满意度是用于确定偏好影响因素的数据之一,而初始满意度仅是样本用户主观上提供的满意度,因此,通过将历史事件对应的初始满意度转换为更加客观的第一目标满意度和第二目标满意度,能够使后续偏好影响因素的确定更加准确。
可选地,若要计算偏好影响因素对意图偏好的第一贡献度,则可采用如下表达式(1a)来计算第一目标满意度。
第一目标满意度=初始满意度*事件执行意图的相关数值*事件执行时间对应的权重(1a)
若要计算偏好影响因素对策略偏好的第二贡献度,则可采用如下表达式(1b)来计算第二目标满意度。
第二目标满意度=初始满意度*事件执行策略的相关数值*事件执行时间对应的权重(1b)
在表达式(1a)和(1b)中,初始满意度可以是0~1的数值,事件执行意图的相关数值可以是事件执行意图中涉及到的数值,例如上述列举的通信网络场景中,事件执行意图的相关数值可以是规划优化涉及的站点数。具体例如,若事件执行意图为“规划优化2000个宏站”,则事件执行意图的相关数值即为2000。
事件执行策略的相关数值可以是事件执行策略中涉及到的数值,例如上述列举的通信网络场景中,事件执行策略的相关数值可以是规划涉及的站点数以及优化涉及的站点数。具体例如,若事件执行策略为“规划3000个宏站”,则事件执行策略的相关数值即为3000。
在表达式(1a)和(1b)中,事件执行时间对应的权重与事件执行时间的早晚相关,通常情况下,事件执行时间越早(即距离当前时间越远),说明对应的历史事件的重要程度越低,可为事件执行时间分配较低的权重。反之,事件执行时间越晚(即距离当前时间越近),说明对应的历史事件的重要程度越高,可为事件执行时间分配较高的权重。
当然,上述表达式(1a)和(1b)仅是示例性地确定第一目标满意度和第二目标满意度的方式。在其它实施例中,还可采用其它方式确定第一目标满意度和第二目标满意度,本实施例对此并不限定。例如,可直接将初始满意度确定为第一目标满意度和第二目标满意度。再例如,根据样本用户对事件执行结果的初始满意度、事件执行策略/事件执行意图、事件执行时间对应的权重中的一项或两项来确定第一目标满意度和第二目标满意度,例如,将初始满意度和事件执行时间对应的权重的乘积确定为第一目标满意度或者第二目标满意度。
步骤A2,根据事件执行意图、事件场景和/或事件影响因素,确定与事件执行结果相关的偏好影响因素。
其中,与事件执行结果相关的偏好影响因素可包括一个或多个。若与事件执行结果相关的偏好影响因素包括多个,则可将多个偏好影响因素组成起来,作为历史事件对应的偏好影响因素组合,该偏好影响因素组合包括多个偏好影响因素。
可选地,在执行步骤A2时,可先根据事件执行意图和/或事件场景,确定历史事件的事件关键词,进而再根据预设的事件关键词与事件影响因素之间的对应关系,确定与历史事件的事件关键词对应的事件影响因素作为偏好影响因素;或者,确定历史事件对应的事件关键词为偏好影响因素。
步骤A3,根据偏好影响因素以及第一目标满意度,确定每个偏好影响因素对意图偏好的第一贡献度;以及,根据偏好影响因素以及第二目标满意度,确定每个偏好影响因素对策略偏好的第二贡献度。
可选地,在根据偏好影响因素以及第一目标满意度,确定每个偏好影响因素对意图偏好的第一贡献度时,可具体执行为以下步骤B1-B2:
步骤B1,针对任意一个偏好影响因素,确定该偏好影响因素以及包含该偏好影响因素的偏好影响因素组合分别对应的第一目标满意度,并确定不包含该偏好影响因素的偏好影响因素组合对应的第一目标满意度,将确定出的第一目标满意度作为第一满意度。
针对任意一个偏好影响因素,确定该偏好影响因素以及包含该偏好影响因素的偏好影响因素组合分别对应的第二目标满意度,并确定不包含该偏好影响因素的偏好影响因素组合对应的第二目标满意度,将确定出的第二目标满意度作为第二满意度。
该步骤B1中,第一满意度和第二满意度的确定,在时间先后上没有限定。
步骤B2,根据偏好影响因素的总数目和第一满意度,计算偏好影响因素对意图偏好的第一贡献度;以及,根据偏好影响因素的总数目和第二满意度,计算偏好影响因素对策略偏好的第二贡献度。
在一个实施例中,偏好数据库还包括:同一用户类型的样本用户在不同事件场景下分别对应的事件偏好数据。基于此,在确定不同用户类型对应的事件偏好数据时,针对每种用户类型的样本用户及其对应的历史事件信息,可按照事件场景对样本用户的历史事件信息进行分类,得到样本用户在不同事件场景下分别对应的历史事件信息。然后,根据样本用户在每种事件场景下分别对应的历史事件信息,分析样本用户的事件偏好数据,得到样本用户在不同事件场景下分别对应的事件偏好数据。
其中,分析样本用户的事件偏好数据时,采用的方法步骤和上述实施例相同,此处不再赘述。
本实施例中,由于偏好数据库存储了样本用户在不同事件场景下分别对应的事件偏好数据,因此,在将目标用户类型和预先创建的偏好数据库进行匹配,确定目标用户类型对应的目标事件偏好数据时,可先确定目标事件的事件场景,然后将目标用户类型、目标事件的事件场景和偏好数据库进行匹配,得到与目标用户类型对应的、且与目标事件的事件场景对应的目标事件偏好数据。
其中,目标事件的事件场景可由用户提供,也可由系统自动确定,比如通过定位当前所处的地理位置,进而确定地理位置所属的场景。
在一个实施例中,确定目标用户类型对应的目标事件偏好数据之后,可根据目标事件偏好数据执行目标事件,得到目标事件的事件执行结果,并获取目标用户对事件执行结果的满意度;进而根据目标用户对事件执行结果的满意度,对偏好数据库进行优化。
可选地,在获取到目标用户对事件执行结果的满意度,可按照上述实施例中确定样本用户的事件偏好数据的方式,重新确定目标用户的事件偏好数据,进而根据重新确定出的事件偏好数据,更新偏好数据库中与目标用户的用户类型相对应的事件偏好数据,从而使偏好数据库得以优化。
下面以通信网络场景为例,详细说明本申请提供的用户偏好分析方法如何执行。
在通信网络场景中,通常采用意图网络对网络的规划、建设、维护、优化及运营进行管理,这种管理模式集成于规建维优营系统。实施用户偏好分析方法的系统,可以采用已有的规建维优营系统,也可以自建用户系统。首先说明如何基于样本用户的历史事件信息创建偏好数据库。
首先获取多个样本用户的历史事件信息,根据历史事件信息对样本用户进行分类,以确定样本用户的用户类型。其中,历史事件信息包括以下至少一项:样本用户的用户信息、历史事件的事件影响因素、事件场景、事件执行时间、事件状态(如事件当前状态)、事件执行意图、事件执行策略、事件执行结果、样本用户对事件执行结果的初始满意度。
其中,样本用户的用户信息可包括样本用户的用户身份、地理位置信息、用户个人信息、用户的业务职位信息、用户的业务发展规划信息等中的至少一种。历史事件即为样本用户已经执行完成的事件,且历史事件的事件执行结果是已知的。历史事件的事件影响因素指的是对样本用户对历史事件的事件偏好数据可能产生影响的因素,可基于样本用户对历史事件的执行意图(简称事件执行意图)和/或历史事件的事件场景来确定。事件场景指的是执行事件时所涉及到的场景。事件执行意图即为样本用户执行历史事件的意图目标,如5G室外覆盖率达95%、现网高铁覆盖率为10%等等。事件执行策略即为样本用户执行历史事件所采取的策略,如站点规划、宏站利旧等等;事件执行策略可包括推荐策略和最终选取策略。除上述这些信息之外,历史事件信息还可包括样本用户执行历史事件时基于最终选取策略所采取的执行方案。执行方案和最终选取策略相匹配,相较于最终选取策略而言,执行方案更加具体、详细。样本用户对事件执行结果的初始满意度可理解为样本用户从主观角度对事件执行结果给出的评分,如0~1之间的数值。
样本用户的用户类型可根据用户所处网络区域、运营商属性、工作岗位、对网络的发展策略等至少一项划分。例如,根据用户所处网络区域、用户所属部门和工作岗位等信息对样本用户进行分类,可确定样本用户的用户类型为:A地无线网络规划工程师、B地通信网络优化工程师、C地市场销售人员等。
下表1示例性地示出通信网络场景中多个样本用户的历史事件信息。表1中列举了用户类型为“A地无线网络规划工程师”的多个样本用户的历史事件信息。其中,意图目标(建网目标)即为事件执行意图。事件执行策略包括系统下发给样本用户的推荐策略,如下发策略之一何下发策略之二,还包括最终选取策略,即基于推荐策略所选择的对历史事件的解决方案。
表1
在获取到历史事件信息之后,根据历史事件信息,分析样本用户执行历史事件的事件偏好数据。
样本用户反馈的初始满意度是对单个历史事件的评估,系统可以直接采用初始满意度分析样本用户对应的事件偏好数据,也可将样本用户反馈的初始满意度转换为更加客观的满意度(也可理解为系统内部自定义的满意度),包括样本用户对事件执行结果的第一目标满意度或者第二目标满意度。例如,根据不同历史事件的重要性不同,重要性较高的历史事件可赋予较高的权重,一般情况下,事件执行时间越近的历史事件的重要性越高,因此,可按照历史事件的事件执行时间的先后顺序赋予不同的时间权重(即事件执行时间对应的权重)。
假设采用下述表达式(2)计算样本用户对事件执行结果的第一目标满意度。
第一目标满意度=初始满意度*规划优化涉及的站点数*时间权重(2)
其中,规划优化涉及的站点数即为事件执行意图的相关数值。对于表1中的A地无线网络规划工程师,其中“规划优化涉及的站点数”可从表1中的“最终选取策略”中统计得到,可以是其中宏站、室分和微站数量之和,反应了历史事件的事件规模。时间权重的计算,是对所有历史事件按事件执行时间从早到晚的顺序排序,起始事件(即事件执行时间最早的历史事件)对应的时间权重为1,每半年加1,反应了时间对于历史事件重要性的影响。表2是基于上述表达式(2)对表1中数据进行计算的第一目标满意度的结果。
表2
可采用下述表达式(3)计算样本用户对事件执行结果的第二目标满意度。
第二目标满意度=初始满意度*(规划涉及的站点数和/或优化涉及的站点数)*时间权重(3)
其中,规划涉及的站点数和/或优化涉及的站点数即为事件执行策略的相关数值。具体的计算方式和第一目标满意度类似,此处不再赘述。
需要说明的是,第一目标满意度和第二目标满意度的计算方式并不局限与上述表达式(2)、(3),还可以定位为其它方式,例如将“规划优化涉及的站点数”替换为“规划和优化的成本”、“规划和优化的投资回报率”等等。由于成本和投资回报率与站点类型相关,因此比单纯的站点数更能反应历史事件的重要性。此外,由于一般情况下规划的估算与实际落地结果会存在偏差,因此在获取到确切的落地数据之后,可以修改对应的相关数值,重新进行计算,或者根据落地数据修正计算出的贡献度(包括第一贡献度或第二贡献度)。当然,也可保留计算出的原始数值,同时增加后验补充字段,在后验补充字段对应的位置添加修正后的数据即可。
计算出第一目标满意度和第二目标满意度之后,根据事件执行意图(即意图目标)、事件场景和/或事件影响因素,确定与事件执行结果相关的偏好影响因素,即,确定哪些因素(或因素组合)会影响样本用户对历史事件的满意度。其中,与事件执行结果相关的偏好影响因素可包括一个或多个。若与事件执行结果相关的偏好影响因素包括多个,则可将多个偏好影响因素组成起来,作为历史事件对应的偏好影响因素组合,该偏好影响因素组合包括多个偏好影响因素。在确定偏好影响因素时,可先根据事件执行意图和/或事件场景,确定历史事件的事件关键词,进而再根据预设的事件关键词与事件影响因素之间的对应关系,确定与历史事件的事件关键词对应的事件影响因素作为偏好影响因素;或者,确定历史事件对应的事件关键词为偏好影响因素。
例如表1中,从“意图目标”中提取出事件场景的至少一个关键字段,作为历史事件对应的事件关键词。例如从“品牌区域室内覆盖率达到90%”中提取出事件关键词包括:品牌区域、室内、覆盖率。从“主要道路的室外覆盖率达到98%”中提取出事件关键词包括:主要道路、覆盖率。然后,可直接确定历史事件对应的事件关键词为偏好影响因素,例如偏好影响因素包括:品牌区域、室内、覆盖率、主要道路等。
或者,也可以根据预设的事件关键词与事件影响因素之间的对应关系,确定与历史事件的事件关键词对应的事件影响因素作为偏好影响因素。其中,事件关键词可包括意图关键词和场景关键词,意图关键词和场景关键词可以分别对应各自独立的偏好影响因素,也可以意图关键词和场景关键词的组合对应一个偏好影响因素。在该对应关系中,事件影响因素可由用户自定义,从而使自定义的事件影响因素更加接近用户的一般认知,例如提升网络性能指标、提升口碑和市场地位、注重价值区域和用户、提升现网用户感知、ROI指标、竞争抢占竞对运营商用户、拓展2B业务等等。
以事件影响因素“提升网络性能指标、提升口碑和市场地位、注重价值区域和用户”为例,系统根据表1中的“意图目标”匹配得到如表3和表4的时间影响因素列表。其中,表3定义了部分事件影响因素和事件关键词之间的对应关系,在意图分析过程中,提取出相应的意图关键词和场景关键词,只要出现在与事件影响因素对应的意图关键词或者场景关键词中,那么该历史事件就对应有相应的事件影响因素。表4定义了部分关键词组合对应的事件影响因素,本例中,意图目标“高校室内覆盖率达到95%”中虽然提取出“高校”和“覆盖率”两个关键词,但是根据备注内容,可以只采取“高校”对应的事件影响因素“提升口碑和市场地位”作为偏好影响因素。此外,还可对不同的关键词设置优先级,从而每个历史事件仅保留优先级较高的部分关键词对应的事件影响因素。
表3
表4
针对表3和表4,可以设置对应的优先级,例如,设置关键词组合的优先级高于单独关键词(意图关键词或者场景关键词)对应的优先级,那么,表4中对应关系的优先级就高于表3中对应关系的优先级。
在根据预设的事件关键词与事件影响因素之间的对应关系,确定出历史事件对应的偏好影响因素之后,假设将各个偏好影响因素简化为不同的数字标识,其中,偏好影响因素“提升网络性能指标”、“提升口碑和市场地位”、“注重价值区域和用户”分别简化为数字标识1、2、3,则历史事件对应的历史事件信息、偏好影响因素以及第一目标满意度可列举为下述表5,偏好影响因素的简化标识集即为历史事件对应的所有偏好影响因素的标识组成的集合,也就是偏好影响因素组合对应的标识集。
表5
/>
在确定出每个历史事件对应的偏好影响因素或者偏好影响因素组合之后,确定每个偏好影响因素对意图偏好的第一贡献度以及对策略偏好的第二贡献度。每个偏好影响因素,可以是历史事件对应的单个偏好影响因素,也可以是历史事件对应的偏好影响因素组合中包括的偏好影响因素。
下述公式(4)示出了一种可选的计算偏好影响因素对应的第一贡献度和第二贡献度的方式。
其中,i表示偏好影响因素,表示偏好影响因素i对应的第一贡献度或第二贡献度。n表示偏好影响因素的总数目,N表示所有偏好影响因素组成的各种集合,S表示偏好影响因素i以及包含偏好影响因素i的所有偏好影响因素组合,S\{i}表示不包含偏好影响因素i的所有偏好影响因素组合。例如,以数字表征不同的偏好影响因素,假设有1、2、3这三个偏好影响因素,则n=3,N=[1,2,3]。[1,2,3]表示由偏好影响因素1、2、3能够组成的所有集合,包括{1}、{2}、{3}、{1,2}、{1,3}、{2,3}和{1,2,3}。
以计算偏好影响因素“1”对应的第一贡献度为例。S即为偏好影响因素“1”以及包括1的所有偏好影响因素组合:{1}、{1,2}、{1,3}、{1,2,3}。S\{i}即为不包括偏好影响因素“1”的所有偏好影响因素组合:{2}、{3}、{2,3}。v(S)表示集合S对应的第一目标满意度,v(S\{i})表示S\{i}对应的第一目标满意度。|S|表示集合S中的元素个数。通过将表5中的各第一目标满意度进行组合,可得出每个偏好影响因素或者偏好影响因素组合分别对应的第一目标满意度,如下表6所示。
表6
表6中没有示出的偏好影响因素或者偏好影响因素组合,说明其对应的第一目标满意度为0。
下表7示出了计算偏好影响因素对应的第一贡献度的过程。
表7
在表7中,v(S)可通过查询表6得到,如果在表6中查询不到S对应的第一目标满意度,则默认S对应第一目标满意度为0。v(S\{1})可通过查询表6中从S中删除“1”之后的集合S\{1}对应的第一目标满意度得到,例如{1,2}删除“1”之后的集合为{2},对应的第一目标满意度为735。通过表7所列举的计算顺序,可得出偏好影响因素“1”对应的第一贡献度为8229.17。其它偏好影响因素“2”、“3”对应的第一贡献度的计算方式与偏好影响因素“1”相同,不再赘述。按照偏好影响因素“1”对应的第一贡献度的计算方式,可计算出偏好影响因素“2”对应的第一贡献度为611.67,偏好影响因素“3”对应的第一贡献度为5311.67。
可以看出,这种方式计算出的第一贡献度为分值形式。可选地,第一贡献度还可以是占比形式。通过将每个第一贡献度除以所有第一贡献度之后,即可得到每个贡献度分别对应的占比值。例如,偏好影响因素“1”、“2”、“3”对应的第一贡献度之和为:8229.17+611.67+5311.67=14152.51。将偏好影响因素“1”对应的第一贡献度除以第一贡献度之和,即可得到偏好影响因素“1”对应的第一贡献度占比为0.59;将偏好影响因素“2”对应的第一贡献度除以第一贡献度之和,即可得到偏好影响因素“2”对应的第一贡献度占比为0.04;将偏好影响因素“3”对应的第一贡献度除以第一贡献度之和,即可得到偏好影响因素“3”对应的第一贡献度占比为0.37。
以上详细介绍了每个偏好影响因素对应的第一贡献度的计算方式。每个偏好影响因素对应的第二贡献度的计算方式与第一贡献度类似,此处不再赘述。二者的区别仅在于,将第一目标满意度替换为第二目标满意度即可。
在计算每个偏好影响因素对应的第二贡献度时,由于表1示出的下发策略之一和下发策略之二略有不同,这会导致提取出的关键词有所不同,即历史事件对应的事件关键词不同,从而导致基于事件关键词确定出的偏好影响因素不同。因此,针对不同的下发策略,即使采用相同的贡献度计算方法,计算出的贡献度也会有所不同。
下表8示出了针对下发策略之一计算出的第二贡献度以及第二贡献度占比。
表8
在表8中,引入了后验补充内容做为备注。例如,由于A地运营商没有引入新频段计划,因此使得新增频段的策略偏好为0,这些信息可在“后验补充”字段中填写。对于表1中的下发策略之二,可采用相同的方式计算其对应的第二贡献度和第二贡献度占比,此处不再赘述。
在一个实施例中,可分场景来确定样本用户对应的意图偏好数据和策略偏好数据,这样,在偏好数据库中,即可包括不同用户对象在不同场景中对应的事件偏好数据。历史事件的事件场景可以是某个场景,也可以是某多个场景的组合。首先按照事件场景对样本用户的历史事件信息进行分类,得到样本用户在不同事件场景下分别对应的历史事件信息。然后,根据样本用户在每种事件场景下分别对应的历史事件信息,分析样本用户的事件偏好数据,得到样本用户在不同事件场景下分别对应的事件偏好数据。
以表1所示的历史事件信息为例,假如针对事件场景为“室外”的历史事件分析对应的事件偏好数据,该事件偏好数据包括偏好影响因素对应的第一贡献度和第二贡献度。首先根据事件场景“室外”筛选出匹配的历史事件信息,然后对筛选出的历史事件信息进行分析,得到事件场景“室外”下的事件偏好数据。表9示出了在事件场景“室外”下,各偏好影响因素对应的第一贡献度。
表9
由表9可看出,对于A地无线网络规划工程师,室外场景主要关注提升网络性能指标。
同理,各偏好影响因素对应的第二贡献度的计算方式与第一贡献度类似,区别仅在于,计算过程中使用到的第一目标满意度替换为第二目标满意度即可。其它详细过程此处不再赘述。
在计算出事件偏好数据(包括偏好影响因素对意图偏好的第一贡献度以及对策略偏好的第二贡献度)之后,可将事件偏好数据和对应的用户类型关联存储至偏好数据库。在目标用户发出对目标事件的执行指令,并基于执行指令执行目标事件之后,可根据事件执行结果、目标用户对事件执行结果反馈的初始满意度等数据重新确定目标用户类型对应的事件偏好数据,进而利用目标用户类型对应的事件偏好数据优化偏好数据库。
在一个实施例中,目标用户发出对目标事件的执行指令之前,需登录系统,例如通过输入登录信息(如账号、密码、用户信息等)登录系统,系统会基于目标用户输入的登录信息对目标用户进行鉴权,鉴权通过后再执行后续步骤。若目标用户是首次登录系统,则需要选择自己对应的用户类型,或者自定义创建一个用户类型,同时注册登录信息。
图3是根据本申请一实施例的一种事件执行方法的示意性流程图,如图3所示,该方法包括:
S301,获取目标用户输入的登录信息,基于登录信息对目标用户进行鉴权;其中,登录信息包括目标用户的目标用户类型。
S302,若鉴权通过,则根据目标用户类型,从偏好数据库中获取目标用户类型对应的事件偏好数据,并将事件偏好数据中的意图偏好数据展示给目标用户。
其中,事件偏好数据包括意图偏好数据和策略偏好数据。意图偏好数据包括每个偏好影响因素对意图偏好的第一贡献度,策略偏好数据包括每个偏好影响因素对策略偏好的第二贡献度。偏好数据库中包括:用户类型和意图偏好数据之间的第一对应关系,以及,意图偏好数据和策略偏好数据之间的第二对应关系。第一贡献度可以是分值或者占比形式。
该步骤中,可先将意图偏好数据展示给目标用户,具体可以是将每个偏好影响因素对意图偏好的第一贡献度展示给目标用户,以供目标用户参考。通过将意图偏好数据展示给目标用户,实现了为目标用户推荐执行目标事件的意图目标。
可选地,系统可根据意图偏好数据中每个偏好影响因素对意图偏好的第一贡献度,将第一贡献度最高的偏好影响因素或者与偏好影响因素对应的意图关键词作为意图目标推荐给目标用户。沿用上述举例,假设目标用户类型为“A地无线网络规划工程师”,该目标用户类型对应的意图偏好数据中,贡献度占比最高的偏好影响因素为“提升网络性能指标”。由上述表3可以看出,该偏好影响因素对应的意图关键词为“覆盖率”,则可以将意图关键词“覆盖率”作为意图目标展示给目标用户。当然,系统也可以采用其它包含多个意图目标的方式,如设置一个最低贡献度占比阈值,从而基于不低于最低贡献度占比阈值的第一贡献度对应的偏好影响因素为目标用户推荐意图目标。
再或者,目标用户也可先输入事件场景,以使系统能够根据事件场景为目标用户推荐意图目标。例如,目标用户输入的事件场景为“室外”,则系统先根据事件场景“室外”,查询到与目标用户类型对应的、且在事件场景“室外”下的意图偏好数据,进而再根据查询到的意图偏好数据为目标用户推荐意图目标。
此外,如果目标用户多次登录系统,则系统还可以根据目标用户历史选择的意图目标为目标用户推荐本次的意图目标。
S303,确定目标用户选择的最终意图。
可选地,系统为目标用户提供前端交互界面,目标用户可通过前端交互界面选择最终意图。这里的意图可以应用在3GPP(ThirdGeneration Partnership Project,第三代合作伙伴计划)协议中NOP意图intent-NOP的确认和下发。
可选地,目标用户可以对系统推荐的意图目标进行修改,例如拒绝系统推荐的意图目标,以触发系统重新推荐其它不同的意图目标。或者,触发系统展示出所有的意图目标,从而在所有的意图目标中选择本次的意图目标。
S304,将最终意图作为本次的意图偏好数据,并确定与该意图偏好数据对应的策略偏好数据,将策略偏好数据展示给目标用户。
S305,确定目标用户选择的最终策略,并将最终策略下发给相应平台。
其中,最终策略用于相应平台执行目标事件,从而得到目标事件的事件执行结果。
S306,获取目标用户对事件执行结果反馈的满意度。
该步骤中,若相应平台已执行完目标事件,并得到事件执行结果,则用户可以对事件执行结果反馈满意度。若目标事件尚未实施,或者正在实施过程中(如规划方案的落地实施时间较长),则可以先给出主观上大致的满意度,然后可以在目标事件执行结束之后,根据实际的执行结果对满意度进行修改。如果目标用户最终没有采用系统推荐的策略偏好数据选择最终策略,则满意度可以是0。
本实施例中,获取到目标用户对事件执行结果反馈的满意度之后,可将目标事件作为历史事件,目标事件的相关信息作为对应的历史事件信息,从而基于新的历史事件信息优化偏好数据库。
可见,采用本实施例的技术方案,在接收到目标用户对目标事件的执行指令时,通过确定目标用户类型,并将目标用户类型和预先创建的偏好数据库进行匹配,确定出目标用户类型对应的目标事件偏好数据,以根据目标事件偏好数据执行目标事件。其中,偏好数据库包括多个用户类型和事件偏好数据之间的对应关系,事件偏好数据包括执行事件的意图偏好数据和策略偏好数据。由于确定用户的事件偏好数据时依据了目标用户的目标用户类型,因此能够针对目标用户类型,有针对性地分析出目标用户的事件偏好数据,从而使事件偏好数据的确定结果更加准确。进而,在根据目标用户的事件偏好数据执行目标事件时,不仅提升事件执行效率,且能够使执行事件时所采取的策略与目标用户的事件偏好数据(包括意图偏好和策略偏好)更加匹配,使得事件执行结果最大程度地达到目标用户的满意度。
综上,已经对本主题的特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作可以按照不同的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序,以实现期望的结果。在某些实施方式中,多任务处理和并行处理可以是有利的。
以上为本申请实施例提供的用户偏好分析方法,基于同样的思路,本申请实施例还提供一种用户偏好分析装置。
图4是根据本申请一实施例的一种户偏好分析装置的示意性框图,如图4所示,用户偏好分析装置包括:
第一确定模块41,用于响应于目标用户对目标事件的执行指令,确定所述目标用户的目标用户类型;
第二确定模块42,用于将所述目标用户类型和预先创建的偏好数据库进行匹配,确定所述目标用户类型对应的目标事件偏好数据,以根据所述目标事件偏好数据执行所述目标事件;所述偏好数据库包括多个用户类型和事件偏好数据之间的对应关系;所述事件偏好数据包括执行事件的意图偏好数据和策略偏好数据。
在一个实施例中,所述意图偏好数据包括:每个偏好影响因素对意图偏好的第一贡献度;
所述策略偏好数据包括:每个偏好影响因素对策略偏好的第二贡献度。
在一个实施例中,所述用户类型和事件偏好数据之间的对应关系包括:所述用户类型和所述意图偏好数据之间的第一对应关系,以及,所述意图偏好数据和所述策略偏好数据之间的第二对应关系;
所述第二确定模块42包括:
第一确定单元,用于将所述目标用户类型和所述第一对应关系进行匹配,确定所述目标用户类型对应的目标意图偏好数据;
第二确定单元,用于将所述目标意图偏好数据和所述第二对应关系进行匹配,确定所述目标意图偏好数据对应的目标策略偏好数据;
其中,所述目标事件偏好数据包括所述目标意图偏好数据和所述目标策略偏好数据。
在一个实施例中,所述装置还包括:
第一获取模块,用于所述响应于目标用户对目标事件的执行指令,确定所述目标用户的目标用户类型之前,获取样本用户的历史事件信息;所述历史事件信息包括以下至少一项:所述样本用户的用户信息、历史事件的事件影响因素、事件场景、事件执行时间、事件执行意图、事件执行策略、事件执行结果、所述样本用户对所述事件执行结果的初始满意度;
第三确定模块,用于根据所述历史事件信息,确定所述样本用户的用户类型,并分析所述样本用户执行历史事件的事件偏好数据;
存储模块,用于将所述样本用户的用户类型和所述事件偏好数据对应存储至所述偏好数据库中。
在一个实施例中,所述第三确定模块包括:
第三确定单元,用于根据所述初始满意度、所述事件执行意图和所述事件执行时间,确定所述样本用户对所述事件执行结果的第一目标满意度;根据所述初始满意度、所述事件执行策略和所述事件执行时间,确定所述样本用户对所述事件执行结果的第二目标满意度;
第四确定单元,用于根据所述事件执行意图、所述事件场景和/或所述事件影响因素,确定与所述事件执行结果相关的偏好影响因素;
第五确定单元,用于根据所述偏好影响因素以及所述第一目标满意度,确定每个偏好影响因素对所述意图偏好的所述第一贡献度;以及,根据所述偏好影响因素以及所述第二目标满意度,确定每个偏好影响因素对所述策略偏好的所述第二贡献度。
在一个实施例中,所述第四确定单元具体用于:
根据所述事件执行意图和/或所述事件场景,确定所述历史事件的事件关键词;
根据预设的事件关键词与事件影响因素之间的对应关系,确定与所述历史事件的事件关键词对应的事件影响因素作为所述偏好影响因素;或者,确定所述历史事件对应的事件关键词为所述偏好影响因素。
在一个实施例中,所述第五确定单元具体用于:
针对任意一个所述偏好影响因素,确定所述偏好影响因素以及包含所述偏好影响因素的偏好影响因素组合分别对应的第一目标满意度,以及不包含所述偏好影响因素的偏好影响因素组合对应的第一目标满意度,作为第一满意度;
针对任意一个所述偏好影响因素,确定所述偏好影响因素以及包含所述偏好影响因素的偏好影响因素组合分别对应的第二目标满意度,以及不包含所述偏好影响因素的偏好影响因素组合对应的第二目标满意度,作为第二满意度;
根据所述偏好影响因素的总数目和所述第一满意度,计算所述偏好影响因素对所述意图偏好的所述第一贡献度;以及,根据所述偏好影响因素的总数目和所述第二满意度,计算所述偏好影响因素对所述策略偏好的所述第二贡献度。
在一个实施例中,所述偏好数据库还包括:同一用户类型的样本用户在不同事件场景下分别对应的事件偏好数据;
所述装置还包括:
分类模块,用于针对每种用户类型的样本用户,按照所述事件场景对所述样本用户的历史事件信息进行分类,得到所述样本用户在不同事件场景下分别对应的历史事件信息;
分析模块,用于根据所述样本用户在每种事件场景下分别对应的历史事件信息,分析所述样本用户的事件偏好数据,得到所述样本用户在不同事件场景下分别对应的事件偏好数据。
在一个实施例中,所述第二确定模块42包括:
第六确定单元,用于确定所述目标事件的事件场景;
匹配单元,用于将所述目标用户类型、所述目标事件的事件场景和所述偏好数据库进行匹配,得到与所述目标用户类型对应的、且与所述目标事件的事件场景对应的所述目标事件偏好数据。
在一个实施例中,所述装置还包括:
执行模块,用于所述确定所述目标用户类型对应的目标事件偏好数据之后,根据所述目标事件偏好数据执行所述目标事件,得到所述目标事件的事件执行结果;
第二获取模块,用于获取所述目标用户对所述事件执行结果的满意度;
优化模块,用于根据所述目标用户对所述事件执行结果的满意度,对所述偏好数据库进行优化。
采用本申请实施例的装置,在接收到目标用户对目标事件的执行指令时,通过确定目标用户类型,并将目标用户类型和预先创建的偏好数据库进行匹配,确定出目标用户类型对应的目标事件偏好数据,以根据所述目标事件偏好数据执行所述目标事件。其中,偏好数据库包括多个用户类型和事件偏好数据之间的对应关系,事件偏好数据包括执行事件的意图偏好数据和策略偏好数据。由于确定用户的事件偏好数据时依据了用户的用户类型,因此能够针对不同类型的用户,有针对性地分析出不同用户类型的事件偏好数据,从而使事件偏好数据的确定结果更加准确。进而,在根据目标用户的事件偏好数据执行目标事件时,不仅提升事件执行效率,且能够使执行事件时所采取的策略与目标用户的事件偏好数据(包括意图偏好和策略偏好)更加匹配,使得事件执行结果最大程度地达到用户的满意度。
本领域的技术人员应可理解,图4中的用户偏好分析装置能够用来实现前文所述的用户偏好分析方法,其中的细节描述应与前文方法部分描述类似,为避免繁琐,此处不另赘述。
基于同样的思路,本申请实施例还提供一种电子设备,如图5所示。电子设备可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上的处理器501和存储器502,存储器502中可以存储有一个或一个以上存储应用程序或数据。其中,存储器502可以是短暂存储或持久存储。存储在存储器502的应用程序可以包括一个或一个以上模块(图示未示出),每个模块可以包括对电子设备中的一系列计算机可执行指令。更进一步地,处理器501可以设置为与存储器502通信,在电子设备上执行存储器502中的一系列计算机可执行指令。电子设备还可以包括一个或一个以上电源503,一个或一个以上有线或无线网络接口504,一个或一个以上输入输出接口505,一个或一个以上键盘506。
具体在本实施例中,电子设备包括有存储器,以及一个或一个以上的程序,其中一个或者一个以上程序存储于存储器中,且一个或者一个以上程序可以包括一个或一个以上模块,且每个模块可以包括对电子设备中的一系列计算机可执行指令,且经配置以由一个或者一个以上处理器执行该一个或者一个以上程序包含用于进行以下计算机可执行指令:
响应于目标用户对目标事件的执行指令,确定所述目标用户的目标用户类型;
将所述目标用户类型和预先创建的偏好数据库进行匹配,确定所述目标用户类型对应的目标事件偏好数据,以根据所述目标事件偏好数据执行所述目标事件;所述偏好数据库包括多个用户类型和事件偏好数据之间的对应关系;所述事件偏好数据包括执行事件的意图偏好数据和策略偏好数据。
采用本申请实施例的技术方案,在接收到目标用户对目标事件的执行指令时,通过确定目标用户类型,并将目标用户类型和预先创建的偏好数据库进行匹配,确定出目标用户类型对应的目标事件偏好数据,以根据所述目标事件偏好数据执行所述目标事件。其中,偏好数据库包括多个用户类型和事件偏好数据之间的对应关系,事件偏好数据包括执行事件的意图偏好数据和策略偏好数据。由于确定用户的事件偏好数据时依据了用户的用户类型,因此能够针对不同类型的用户,有针对性地分析出不同用户类型的事件偏好数据,从而使事件偏好数据的确定结果更加准确。进而,在根据目标用户的事件偏好数据执行目标事件时,不仅提升事件执行效率,且能够使执行事件时所采取的策略与目标用户的事件偏好数据(包括意图偏好和策略偏好)更加匹配,使得事件执行结果最大程度地达到用户的满意度。
本申请实施例还提出了一种存储介质,该存储介质存储一个或多个计算机程序,该一个或多个计算机程序包括指令,该指令当被包括多个应用程序的电子设备执行时,能够使该电子设备执行上述用户偏好分析方法实施例的各个过程,并具体用于执行:
响应于目标用户对目标事件的执行指令,确定所述目标用户的目标用户类型;
将所述目标用户类型和预先创建的偏好数据库进行匹配,确定所述目标用户类型对应的目标事件偏好数据,以根据所述目标事件偏好数据执行所述目标事件;所述偏好数据库包括多个用户类型和事件偏好数据之间的对应关系;所述事件偏好数据包括执行事件的意图偏好数据和策略偏好数据。
采用本申请实施例的技术方案,在接收到目标用户对目标事件的执行指令时,通过确定目标用户类型,并将目标用户类型和预先创建的偏好数据库进行匹配,确定出目标用户类型对应的目标事件偏好数据,以根据所述目标事件偏好数据执行所述目标事件。其中,偏好数据库包括多个用户类型和事件偏好数据之间的对应关系,事件偏好数据包括执行事件的意图偏好数据和策略偏好数据。由于确定用户的事件偏好数据时依据了用户的用户类型,因此能够针对不同类型的用户,有针对性地分析出不同用户类型的事件偏好数据,从而使事件偏好数据的确定结果更加准确。进而,在根据目标用户的事件偏好数据执行目标事件时,不仅提升事件执行效率,且能够使执行事件时所采取的策略与目标用户的事件偏好数据(包括意图偏好和策略偏好)更加匹配,使得事件执行结果最大程度地达到用户的满意度。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,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、方法、商品或者设备不仅包括那些要素,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、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (13)
1.一种用户偏好分析方法,其特征在于,包括:
响应于目标用户对目标事件的执行指令,确定所述目标用户的目标用户类型;
将所述目标用户类型和预先创建的偏好数据库进行匹配,确定所述目标用户类型对应的目标事件偏好数据,以根据所述目标事件偏好数据执行所述目标事件;所述偏好数据库包括多个用户类型和事件偏好数据之间的对应关系;所述事件偏好数据包括执行事件的意图偏好数据和策略偏好数据。
2.根据权利要求1所述的方法,其特征在于,所述意图偏好数据包括:每个偏好影响因素对意图偏好的第一贡献度;
所述策略偏好数据包括:每个偏好影响因素对策略偏好的第二贡献度。
3.根据权利要求1所述的方法,其特征在于,所述用户类型和事件偏好数据之间的对应关系包括:所述用户类型和所述意图偏好数据之间的第一对应关系,以及,所述意图偏好数据和所述策略偏好数据之间的第二对应关系;
所述将所述目标用户类型和预先创建的偏好数据库进行匹配,确定所述目标用户类型对应的目标事件偏好数据,包括:
将所述目标用户类型和所述第一对应关系进行匹配,确定所述目标用户类型对应的目标意图偏好数据;
将所述目标意图偏好数据和所述第二对应关系进行匹配,确定所述目标意图偏好数据对应的目标策略偏好数据;
其中,所述目标事件偏好数据包括所述目标意图偏好数据和所述目标策略偏好数据。
4.根据权利要求2所述的方法,其特征在于,所述响应于目标用户对目标事件的执行指令,确定所述目标用户的目标用户类型之前,所述方法还包括:
获取样本用户的历史事件信息;所述历史事件信息包括以下至少一项:所述样本用户的用户信息、历史事件的事件影响因素、事件场景、事件执行时间、事件执行意图、事件执行策略、事件执行结果、所述样本用户对所述事件执行结果的初始满意度;
根据所述历史事件信息,确定所述样本用户的用户类型,并分析所述样本用户执行历史事件的事件偏好数据;
将所述样本用户的用户类型和所述事件偏好数据对应存储至所述偏好数据库中。
5.根据权利要求4所述的方法,其特征在于,所述分析所述样本用户执行历史事件的事件偏好数据,包括:
根据所述初始满意度、所述事件执行意图和所述事件执行时间,确定所述样本用户对所述事件执行结果的第一目标满意度;根据所述初始满意度、所述事件执行策略和所述事件执行时间,确定所述样本用户对所述事件执行结果的第二目标满意度;
根据所述事件执行意图、所述事件场景和/或所述事件影响因素,确定与所述事件执行结果相关的偏好影响因素;
根据所述偏好影响因素以及所述第一目标满意度,确定每个偏好影响因素对所述意图偏好的所述第一贡献度;以及,根据所述偏好影响因素以及所述第二目标满意度,确定每个偏好影响因素对所述策略偏好的所述第二贡献度。
6.根据权利要求5所述的方法,其特征在于,所述根据所述事件执行意图、所述事件场景和/或所述事件影响因素,确定与所述事件执行结果相关的所述偏好影响因素,包括:
根据所述事件执行意图和/或所述事件场景,确定所述历史事件的事件关键词;
根据预设的事件关键词与事件影响因素之间的对应关系,确定与所述历史事件的事件关键词对应的事件影响因素作为所述偏好影响因素;或者,确定所述历史事件对应的事件关键词为所述偏好影响因素。
7.根据权利要求5所述的方法,其特征在于,所述根据所述偏好影响因素以及所述第一目标满意度,确定每个偏好影响因素对所述意图偏好的所述第一贡献度;以及,根据所述偏好影响因素以及所述第二目标满意度,确定每个偏好影响因素对所述策略偏好的所述第二贡献度,包括:
针对任意一个所述偏好影响因素,确定所述偏好影响因素以及包含所述偏好影响因素的偏好影响因素组合分别对应的第一目标满意度,以及不包含所述偏好影响因素的偏好影响因素组合对应的第一目标满意度,作为第一满意度;
针对任意一个所述偏好影响因素,确定所述偏好影响因素以及包含所述偏好影响因素的偏好影响因素组合分别对应的第二目标满意度,以及不包含所述偏好影响因素的偏好影响因素组合对应的第二目标满意度,作为第二满意度;
根据所述偏好影响因素的总数目和所述第一满意度,计算所述偏好影响因素对所述意图偏好的所述第一贡献度;以及,根据所述偏好影响因素的总数目和所述第二满意度,计算所述偏好影响因素对所述策略偏好的所述第二贡献度。
8.根据权利要求4所述的方法,其特征在于,所述偏好数据库还包括:同一用户类型的样本用户在不同事件场景下分别对应的事件偏好数据;
所述方法还包括:
针对每种用户类型的样本用户,按照所述事件场景对所述样本用户的历史事件信息进行分类,得到所述样本用户在不同事件场景下分别对应的历史事件信息;
根据所述样本用户在每种事件场景下分别对应的历史事件信息,分析所述样本用户的事件偏好数据,得到所述样本用户在不同事件场景下分别对应的事件偏好数据。
9.根据权利要求8所述的方法,其特征在于,所述将所述目标用户类型和预先创建的偏好数据库进行匹配,确定所述目标用户类型对应的目标事件偏好数据,包括:
确定所述目标事件的事件场景;
将所述目标用户类型、所述目标事件的事件场景和所述偏好数据库进行匹配,得到与所述目标用户类型对应的、且与所述目标事件的事件场景对应的所述目标事件偏好数据。
10.根据权利要求1所述的方法,其特征在于,所述确定所述目标用户类型对应的目标事件偏好数据之后,所述方法还包括:
根据所述目标事件偏好数据执行所述目标事件,得到所述目标事件的事件执行结果;
获取所述目标用户对所述事件执行结果的满意度;
根据所述目标用户对所述事件执行结果的满意度,对所述偏好数据库进行优化。
11.一种用户偏好分析装置,其特征在于,包括:
第一确定模块,用于响应于目标用户对目标事件的执行指令,确定所述目标用户的目标用户类型;
第二确定模块,用于将所述目标用户类型和预先创建的偏好数据库进行匹配,确定所述目标用户类型对应的目标事件偏好数据,以根据所述目标事件偏好数据执行所述目标事件;所述偏好数据库包括多个用户类型和事件偏好数据之间的对应关系;所述事件偏好数据包括执行事件的意图偏好数据和策略偏好数据。
12.一种电子设备,其特征在于,包括处理器和与所述处理器电连接的存储器,所述存储器存储有计算机程序,所述处理器用于从所述存储器调用并执行所述计算机程序以实现如权利要求1-10任一项所述的用户偏好分析方法。
13.一种存储介质,其特征在于,所述存储介质用于存储计算机程序,所述计算机程序能够被处理器执行以实现如权利要求1-10任一项所述的用户偏好分析方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211304560.7A CN117972184A (zh) | 2022-10-24 | 2022-10-24 | 用户偏好分析方法及装置 |
PCT/CN2023/108058 WO2024087752A1 (zh) | 2022-10-24 | 2023-07-19 | 用户偏好分析方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211304560.7A CN117972184A (zh) | 2022-10-24 | 2022-10-24 | 用户偏好分析方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117972184A true CN117972184A (zh) | 2024-05-03 |
Family
ID=90829942
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211304560.7A Pending CN117972184A (zh) | 2022-10-24 | 2022-10-24 | 用户偏好分析方法及装置 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN117972184A (zh) |
WO (1) | WO2024087752A1 (zh) |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050220280A1 (en) * | 2003-10-31 | 2005-10-06 | Steinberg David A | System and method for rating alternative solutions |
CN106682144B (zh) * | 2016-12-20 | 2018-07-13 | 深圳壹账通智能科技有限公司 | 页面展示方法和装置 |
CN113469482A (zh) * | 2020-03-31 | 2021-10-01 | 日本电气株式会社 | 用于数据分析的方法、设备以及计算机可读存储介质 |
CN111611369B (zh) * | 2020-05-22 | 2023-06-20 | 腾讯科技(深圳)有限公司 | 基于人工智能的交互方法和相关装置 |
CN111782965B (zh) * | 2020-06-29 | 2023-08-11 | 北京百度网讯科技有限公司 | 意图推荐方法、装置、设备及存储介质 |
CN112015986B (zh) * | 2020-08-26 | 2024-01-26 | 北京奇艺世纪科技有限公司 | 数据推送方法、装置、电子设备及计算机可读存储介质 |
CN114116822A (zh) * | 2021-11-29 | 2022-03-01 | 北京得间科技有限公司 | 信息推送方法、终端和存储介质 |
-
2022
- 2022-10-24 CN CN202211304560.7A patent/CN117972184A/zh active Pending
-
2023
- 2023-07-19 WO PCT/CN2023/108058 patent/WO2024087752A1/zh unknown
Also Published As
Publication number | Publication date |
---|---|
WO2024087752A1 (zh) | 2024-05-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105677831A (zh) | 一种确定推荐商户的方法及装置 | |
US20150161566A1 (en) | Workforce planning and analytics | |
CN103150696A (zh) | 选择目标增值业务潜在客户的方法及装置 | |
CN110288350A (zh) | 用户价值预测方法、装置、设备及存储介质 | |
US11822965B2 (en) | Machine learning task compartmentalization and classification | |
CN108038655A (zh) | 部门需求的推荐方法、应用服务器及计算机可读存储介质 | |
CN109558384A (zh) | 日志分类方法、装置、电子设备和存储介质 | |
CN108512822B (zh) | 一种数据处理事件的风险识别方法和装置 | |
CN110197426A (zh) | 一种信用评分模型的建立方法、装置及可读存储介质 | |
CN105786941A (zh) | 一种信息挖掘方法和装置 | |
CN111460301B (zh) | 对象推送方法、装置、电子设备及存储介质 | |
CN112200459B (zh) | 一种配电网数据质量分析评价方法及系统 | |
CN113095680A (zh) | 电力大数据模型的评价指标体系与构建方法 | |
MX2007008041A (es) | Sistema y metodo para una oficina de proyecto automatizado y valoracion y reporte de riesgo automatico. | |
KR102538221B1 (ko) | Nft를 이용한 기업맞춤컨설팅 서비스 제공 시스템 | |
CN117972184A (zh) | 用户偏好分析方法及装置 | |
KR101927273B1 (ko) | 미청구공사의 위험도 평가 시스템 및 평가 장치 | |
CN116955148A (zh) | 业务系统测试方法、装置、设备、存储介质及产品 | |
CN110333927B (zh) | 界面跳转方法、装置、服务器及存储介质 | |
KR20230033560A (ko) | 인공지능을 활용한 고객 퍼소나 분류 서버, 이를 포함하는 분류 시스템 및 그 동작 방법 | |
CN112488743A (zh) | 一种满意度预测方法、网络设备及存储介质 | |
US20200342302A1 (en) | Cognitive forecasting | |
Tyrväinen et al. | Vertical Software Industry Evolution: Analysis of Telecom Operator Software | |
CN106708872B (zh) | 一种关联对象的识别方法及装置 | |
CN109635226A (zh) | 房地产数据的预警推送方法、服务器及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |