CN118229343B - Saas平台管理方法、装置、电子设备及存储介质 - Google Patents

Saas平台管理方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN118229343B
CN118229343B CN202410648518.XA CN202410648518A CN118229343B CN 118229343 B CN118229343 B CN 118229343B CN 202410648518 A CN202410648518 A CN 202410648518A CN 118229343 B CN118229343 B CN 118229343B
Authority
CN
China
Prior art keywords
sales
saas
data
historical
rule
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
Application number
CN202410648518.XA
Other languages
English (en)
Other versions
CN118229343A (zh
Inventor
揭印泉
黄志滨
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.)
Guangdong Icar Guard Information Technology Co ltd
Original Assignee
Guangdong Icar Guard Information Technology Co ltd
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 Guangdong Icar Guard Information Technology Co ltd filed Critical Guangdong Icar Guard Information Technology Co ltd
Priority to CN202410648518.XA priority Critical patent/CN118229343B/zh
Publication of CN118229343A publication Critical patent/CN118229343A/zh
Application granted granted Critical
Publication of CN118229343B publication Critical patent/CN118229343B/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
    • G06Q30/0202—Market predictions or forecasting for commercial activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/259—Fusion by voting
    • 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
    • G06N3/045—Combinations of networks
    • G06N3/0455—Auto-encoder networks; Encoder-decoder 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • 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

Landscapes

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

Abstract

本发明提供一种SAAS平台管理方法、装置、电子设备及存储介质，该SAAS平台管理方法包括：获取SAAS平台的在目标销售区域的SAAS应用集；获取第一SAAS应用在目标销售区域第一历史销售数据和第一历史销售规则；根据第一历史销售数据及第一历史销售规则通过SAAS应用销售预测模型确定第一SAAS应用在目标销售区域的未来销售数据；根据未来销售数据，对第一SAAS应用的应用组件基于事件驱动进行组件编辑，得到第二SAAS应用，其中SAAS应用销售预测模型采用RNN神经网络训练得到。本发明的有益效果为：提高了SAAS平台的管理效率，提高了SAAS应用应对销售事件的销售赋能的精确度。

Description

SAAS平台管理方法、装置、电子设备及存储介质
技术领域
本发明涉及计算机数据处理技术领域，尤其涉及一种SAAS平台管理方法、装置、电子设备及存储介质。
背景技术
目前，SAAS平台以多租户架构，即多个客户可以共享同一个SAAS应用，用户可以从任何地方、任何设备上访问SAAS应用的数据和配置，提高了灵活性和可访问性，同时每个SAAS应用的数据和配置是隔离的，通过这种方式可以实现数据的安全性和隐私性。
对于用于销售的SAAS应用，其需要根据销售数据来指定对应的销售规则匹配，如根据用户基本特征、用户购买行为特征、用户购买时间周期来来生成对应的销售规则以匹配对应的销售行为，以实现定位目标客户群体，并针对性地推出销售活动，从而提高市场销售的效率和效果。
然而，随着视频直播、网络通讯越来越发达，对于产品销售的实时性、精准性及区别化要求越来越高，上述现有技术无法针对产品提出有效的销售赋能。
发明内容
本发明实施例的主要目的在于提出一种SAAS平台管理方法、装置、电子设备及存储介质，提高了SAAS应用应对销售事件的精确性。
本发明的一方面提供了一种SAAS平台管理方法，包括：
获取SAAS平台的在目标销售区域的SAAS应用集，所述SAAS应用集包括第一SAAS应用；
获取所述第一SAAS应用在所述目标销售区域第一历史销售数据和第一历史销售规则；
根据所述第一历史销售数据及第一历史销售规则通过SAAS应用销售预测模型确定所述第一SAAS应用在所述目标销售区域的未来销售数据；
根据所述未来销售数据，对所述第一SAAS应用的应用组件基于事件驱动进行组件编辑，得到第二SAAS应用；
所述SAAS应用销售预测模型的训练流程包括：
获取第一数据集，所述第一数据集包括第二历史销售数据和第二历史销售规则；
对所述第二历史销售数据及所述第二历史销售规则进行特征提取，得到第一销售数据特征和第一销售规则特征；
对所述第二历史销售数据和所述第一销售规则特征采用随机森林进行学习，得到影响因子，所述影响因子用于表征第二历史销售规则对所述第二历史销售数据的影响程度；
根据所述影响因子及预设影响因子对所述第一销售规则特征进行筛选，得到第二销售规则特征；
根据所述第二销售规则特征及所述第二历史销售数据，采用基于深度学习的序列模型进行预测，得到所述SAAS应用销售预测模型。
根据所述的SAAS平台管理方法，其中第一数据集采用数据生成方法及插值方法中的至少一种生成得到；
其中数据生成方法包括根据所述第一SAAS应用的销售路径及销售业务规则进行随机生成，得到随机用户信息和随机销售业务规则，根据先验销售规则对所述随机用户信息及随机销售业务规则及进行筛选，得到所述第一数据集，其中用户信息包括用户基本信息、用户购物兴趣及用户购物时间，其中销售路径用于表征用户从浏览阶段至购买阶段的点击商品概率及购买概率；
其中插值方法包括对历史数据进行缺失值填充，并进行新增数据处理，得到所述第一数据集。
根据所述的SAAS平台管理方法，其中对所述第二历史销售数据和所述第一销售规则特征采用随机森林进行学习，得到影响因子，包括：
初始化随机森林中的森林，将所述第一数据集划分为训练数据集；
对森林中的每棵树执行以下处理：
从所述第一销售规则特征中随机选取特征和最佳切分点，直至森林中树的最大深度，得到决策树；
根据所述决策树对所述第一数据集中的每个样本进行预测，并采用多数投票方法进行分类，得到所述影响因子。
根据所述的SAAS平台管理方法，其中根据所述影响因子及预设影响因子对所述第一销售规则特征进行筛选，得到第二销售规则特征，还包括：
所述影响因子包括低影响因子、正向影响因子及时序影响因子，其中所述低影响因子用于小于所述预设影响因子，所述正向影响因子处于所述预设影响因子范围内，所述时序影响因子用于根据时间序列进行变化；
根据所述时间序列，采用皮尔逊相关系数和斯皮尔曼相关系数中的至少一种确定所述影响因子与所述时间序列的时间序列关联特征；
根据所述时间序列关联特征确定对应时刻的所述第二销售规则特征。
根据所述的SAAS平台管理方法，其中根据所述第二销售规则特征及所述第二历史销售数据，采用基于深度学习的序列模型进行预测，得到所述SAAS应用销售预测模型，包括：
根据所述第二销售规则特征及所述第二历史销售数据，构建时间序列数据集；
对所述时间序列数据集采用自注意力机制及所述时间序列关联特征得到输入序列的每个时间序列的权重；
对所述时间序列数据集通过进行编码处理，得到上下文向量，以获取时间序列数据集的序列关系，进而将上下文向量进行解码处理，输出序列；
根据所述输出序列采用自注意力机制在序列关系下选择第二销售规则的概率，得到预测结果；
采用演员-评论家网络及预测结果对训练中的模型进行更新及迭代训练，得到所述SAAS应用销售预测模型。
根据所述的SAAS平台管理方法，其中采用演员-评论家网络及预测结果对训练中的模型进行更新及迭代训练，得到所述SAAS应用销售预测模型，包括：
以所述预测结果作为所述演员-评论家网络的输入实例，以最大销售数据作为目标函数；
采用策略梯度方法对SAAS应用销售预测模型进行参数训练，计算每个输入实例的平均值作为期望值；
根据期望值，采用评论家网络对目标值进行基线判断，得到演员参数及评论家参数，迭代进行训练得到所述SAAS应用销售预测模型，其中评论家参数用于对演员参数更新。
所述基于深度学习的序列模型采用RNN模型，所述RNN模型包括编码器、解码器及自注意力机制，其中编码器采用一维卷积神经网络，将每个输入的时间序列转换成用于表征顺序信息的高维向量；所述解码器用于将高维向量基于逆向编码过程转换成输入序列。
根据所述的SAAS平台管理方法，其中根据所述未来销售数据，对所述第一SAAS应用的应用组件基于事件驱动进行组件编辑，得到第二SAAS应用，包括：
根据所述未来销售数据及目标销售采用事件触发方式确定销售赋能，其中销售赋能包括未来销售规则；
根据销售赋能确定所述第一SAAS应用中需要编辑的应用组件，采用事件发布/订阅模式、异步处理、事件源、事件处理、应用组件通信及组件错误处理中的至少一种方式完成组件编辑。
本发明实施例的另一方面提供了一种SAAS平台管理装置，包括：
SAAS管理单元和模型训练单元，所述SAAS管理单元用于SAAS进行管理，所述模型训练单元用于训练SAAS应用销售预测模型，所述SAAS管理单元包括第一模块、第二模块、第三模块及第四模块；所述模型训练单元包括第五模块、第六模块、第七模块、第八模块及第九模块；
所述第一模块用于获取SAAS平台的在目标销售区域的SAAS应用集，所述SAAS应用集包括第一SAAS应用；
所述第二模块用于获取所述第一SAAS应用在所述目标销售区域第一历史销售数据和第一历史销售规则；
所述第三模块用于根据所述第一历史销售数据及第一历史销售规则通过SAAS应用销售预测模型确定所述第一SAAS应用在所述目标销售区域的未来销售数据；
所述第四模块用于根据所述未来销售数据，对所述第一SAAS应用的应用组件基于事件驱动进行组件编辑，得到第二SAAS应用；
所述第五模块用于获取数据集，所述数据集包括第二历史销售数据和第二历史销售规则；
所述第六模块用于对所述第二历史销售数据及所述第二历史销售规则进行特征提取，得到第一销售数据特征和第一销售规则特征；
所述第七模块用于对所述第二历史销售数据和所述第一销售规则特征采用随机森林进行学习，得到影响因子，所述影响因子用于表征第二历史销售规则对所述第二历史销售数据的影响程度；
所述第八模块用于根据所述影响因子及预设影响因子对所述第一销售规则特征进行筛选，得到第二销售规则特征；
所述第九模块用于根据所述第二销售规则特征及所述第二历史销售数据，采用基于深度学习的序列模型进行预测，得到所述SAAS应用销售预测模型。
本发明实施例的另一方面提供了一种电子设备，包括处理器以及存储器；
所述存储器用于存储程序；
所述处理器执行所述程序实现如前文所描述的方法。
本发明实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行前文所描述的方法。
本发明的有益效果为：根据SAAS应用集中的数据现存量，对数据集进行对应扩充；通过随机森林算法获取销售规则与销售数据的影响程度，根据影响程度采用RNN神经网络对SAAS应用在未来时刻的销售量进行预测，其中RNN神经网络考虑了所得到的销售规则与销售数据的影响程度及时序关系，使得预测更为精准；基于预测结果，对SAAS应用的组件进行编辑；本发明的实施例提高了SAAS平台的管理效率，提高了SAAS应用应对销售事件的时效性和精确性。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1是本发明实施例的SAAS平台管理系统示意图。
图2是本发明实施例的SAAS平台管理流程示意图。
图3是本发明实施例的基于事件驱动进行组件编辑的流程示意图。
图4是本发明实施例的通过决策树确定销售规则与销售数据的影响程度流程示意图。
图5是本发明实施例的特征筛选流程示意图。
图6是本发明实施例的SAAS应用销售预测模型训练流程示意图。
图7是本发明实施例的演员-评论家网络的模型优化流程示意图。
图8是发明实施例的SAAS应用模拟销售赋能流程示意图。
图9是本发明实施例的SAAS平台管理分析装置图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。在后续的描述中，使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本发明的说明，其本身没有特有的意义。因此，“模块”、“部件”或“单元”可以混合地使用。“第一”、“第二”等只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。在本后续的描述中，对方法步骤的连续标号是为了方便审查和理解，结合本发明的整体技术方案以及各个步骤之间的逻辑关系，调整步骤之间的实施顺序并不会影响本发明技术方案所达到的技术效果。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
术语解释：SAAS是一种软件交付模式，第三方提供商将应用程序托管，并通过互联网向客户提供服务，例如用户可以通过Web浏览器访问SAAS软件，无需在自己的设备上安装或维护。
事件驱动是一种编程范例，其中程序的执行流程是由事件的发生和处理来驱动的。在事件驱动编程中，程序会等待特定的事件发生，然后通过事件处理程序来响应这些事件。
参考图1所示的SAAS平台管理系统示意图，其包括了SAAS服务器100，SAAS服务器100包括有SAAS应用集200，SAAS应用集200包括多个第一SAAS应用，每个第一SAAS应用用于向对应的客户端提供服务。其中，SAAS服务器100用于获取SAAS平台的在目标销售区域的SAAS应用集；获取第一SAAS应用在目标销售区域第一历史销售数据和第一历史销售规则；根据第一历史销售数据及第一历史销售规则通过SAAS应用销售预测模型确定第一SAAS应用在目标销售区域的未来销售数据；根据未来销售数据，对第一SAAS应用的应用组件基于事件驱动进行组件编辑，得到第二SAAS应用。
SAAS服务器100还用于对SAAS应用销售预测模型进行训练，其训练流程包括：获取第一数据集，第一数据集包括第二历史销售数据和第二历史销售规则；对第二历史销售数据及第二历史销售规则进行特征提取，得到第一销售数据特征和第一销售规则特征；对第二历史销售数据和第一销售规则特征采用随机森林进行学习，得到影响因子，影响因子用于表征第二历史销售规则对第二历史销售数据的影响程度；根据影响因子及预设影响因子对第一销售规则特征进行筛选，得到第二销售规则特征；根据第二销售规则特征及第二历史销售数据，采用基于深度学习的序列模型进行预测，得到SAAS应用销售预测模型。
参考图2的SAAS平台管理流程示意图，其包括SAAS平台管理步骤和SAAS应用销售预测模型训练步骤。
其中SAAS平台管理步骤包括但不限于步骤S100~400：
S100，获取SAAS平台的在目标销售区域的SAAS应用集，SAAS应用集包括第一SAAS应用。
在一些实施例中，其中SAAS应用集为部署于服务器的多个SAAS应用的集合，可以理解的是，每个SAAS应用用于面向对应的一个或多个用户，例如，用于销售的SAAS，如汽车零件销售网店等。
S200，获取第一SAAS应用在目标销售区域第一历史销售数据和第一历史销售规则。
在一些实施例中，其中第一历史销售数据和第一历史销售规则，即为用于销售服务的SAAS在历史时间段（如一个月或者一个销售周期）的销售数据，例如销售产品类型、销售数量及销售金额等，可以理解的是，其中的目标销售区域为地理区域位置，如某市所有SAAS应用的销售数据。
S300，根据第一历史销售数据及第一历史销售规则通过SAAS应用销售预测模型确定第一SAAS应用在目标销售区域的未来销售数据。
在一些实施例中，其中SAAS应用销售预测模型通过对历史的销售数据和销售规则，采用时间序列的预测方式得到未来某一时间段的销售数据，可以理解的是，通过未来某一时间段的销售数据，来确定是否需要匹配相应的销售规则来达到预期的销售数据，例如在一个销售周期（15天）内某一商品的销售量为500，通过本发明实施例SAAS应用销售预测模型得到其在未来（15天）的销售量为300，达不到400预期的销售量，因此需要调整销售规则来提高其销售量，即销售赋能。
S400，根据未来销售数据，对第一SAAS应用的应用组件基于事件驱动进行组件编辑，得到第二SAAS应用。
根据上述步骤的实施例，参考图2所示的基于事件驱动进行组件编辑的流程示意图，其包括但不限于步骤S410~S420：
S410，根据未来销售数据及目标销售采用事件触发方式确定销售赋能，其中销售赋能包括未来销售规则；
S420，根据销售赋能确定第一SAAS应用中需要编辑的应用组件，采用事件发布/订阅模式、异步处理、事件源、事件处理、应用组件通信及组件错误处理中的至少一种方式完成组件编辑。
以事件发布/订阅模式为例，当检测到需要进行销售赋能及需要对SAAS组件进行编辑时的事件，事件发生时，所有订阅该事件的组件都会收到通知，并执行相应的操作或自动编辑处理，当然也可以以通知方式告知用户按要求进行修改，其中事件处理表示当事件发生时，组件需要执行特定的操作，如更新组件的状态、调用API、触发其他事件等。
其中，SAAS应用销售预测模型训练步骤包括但不限于步骤S500~S900：
S500，获取第一数据集，第一数据集包括第二历史销售数据和第二历史销售规则。
在一些实施例中，其中第一数据集采用数据生成方法及插值方法中的至少一种生成得到。
在一些实施例中，其中数据生成方法包括根据第一SAAS应用的销售路径及销售业务规则进行随机生成，得到随机用户信息和随机销售业务规则，根据先验销售规则对随机用户信息及随机销售业务规则及进行筛选，得到第一数据集，其中用户信息包括用户基本信息、用户购物兴趣及用户购物时间，其中销售路径用于表征用户从浏览阶段至购买阶段的点击商品概率及购买概率。
可以理解的是，其中先验销售规则为已经经过验证经验销售，而随机用户信息和随机销售业务规则可能存在不符合销售规则的数据，因此需要进行删除。
在一些实施例中，其中插值方法包括对历史数据进行缺失值填充，并进行新增数据处理，得到第一数据集。
S600，对第二历史销售数据及第二历史销售规则进行特征提取，得到第一销售数据特征和第一销售规则特征。
在一些实施例中，第一销售数据特征如受时间影响的销售量、销售变化率、销售季节性及销售节日性等，以及如产品特征的类别、价格、评价等；其中第一销售规则特征如采用以旧换新、会员打折及多买多送的类型、持续时间、折扣幅度等。
S700，对第二历史销售数据和第一销售规则特征采用随机森林进行学习，得到影响因子，影响因子用于表征第二历史销售规则对第二历史销售数据的影响程度。
在一些实施例中，参考图3所示的通过决策树确定销售规则与销售数据的影响程度流程示意图，其包括但不限于步骤S710~S730：
S710，初始化随机森林中的森林，将第一数据集划分为训练数据集；
对森林中的每棵树执行以下处理：
S720，从第一销售规则特征中随机选取特征和最佳切分点，直至森林中树的最大深度，得到决策树；
S730，根据决策树对第一数据集中的每个样本进行预测，并采用多数投票方法进行分类，得到影响因子。
在一些实施例中，以影响因子作为特征重要性，每个特征在随机森林中所有决策树的预测中的平均贡献。对于每一棵树，当一个特征被用来分割节点时，它会降低模型的不纯度。一个特征的重要性可以通过计算它在所有树中降低不纯度的总量来衡量。
在一些实施例中，对于一个决策树，每个特征的重要性，可以通过以下公式计算：
其中表示树中所有由特征分割的节点集合，表示到达节点t的样本的比例，表示由于分割节点而导致的不纯度的减少，是分割规则。
对于随机森林中的所有树，通过计算每个特征的平均重要性，将每个特征的平均重要性进行归一化处理，使它们的和为1，得到每个特征的影响权重。
在一些实施例中，两个销售规则如促销活动和折扣。经过上述分析促销活动的特征重要性为0.6，折扣的特征重要性为0.4，即促销活动的影响权重为0.6，折扣的影响权重为0.4，这表示促销活动对销售的影响大于折扣，因此在后续的销售赋能中，会优先选择以促销活动作为对应的销售赋能。
S800，根据影响因子及预设影响因子对第一销售规则特征进行筛选，得到第二销售规则特征。
在一些实施例中，参考图4所示的特征筛选流程示意图，其包括但不限于步骤S810~830：
S810，获取影响因子，其中影响因子包括低影响因子、正向影响因子及时序影响因子；
在一些实施例中，其中低影响因子用于小于预设影响因子，正向影响因子处于预设影响因子范围内，时序影响因子用于根据时间序列进行变化。
在一些实施例中，低影响因子如折扣的特征重要性为0.05，而正向如某促销活动的为的特征重要性为0.7，可以理解的是销售规则的可能存在负相关，当出现负相关时，这些销售规则不会被采用；其中时序影响因子表征随时间变化的影响因子，如周一至周五的时序影响因子为0.3~0.7之间，二周六至周日的时序影响因子为0.6~0.9。
可以理解的是，其中的影响因子并不是直接关联，只是初步表示第二历史销售规则对第二历史销售数据影响程度。
在一些实施例中，其中预设影响因子设置为0.2~1。
S820，根据时间序列，采用皮尔逊相关系数和斯皮尔曼相关系数中的至少一种确定影响因子与时间序列的时间序列关联特征；
S830，根据时间序列关联特征确定对应时刻的第二销售规则特征。
S900，根据第二销售规则特征及第二历史销售数据，采用基于深度学习的序列模型进行预测，得到SAAS应用销售预测模型。
在一些实施例中，其中皮尔逊相关系数和斯皮尔曼相关系数都是用于判断两个参数的相关性，考虑到第二销售规则特征及第二历史销售数据的非线性关系，优选斯皮尔曼相关系数进行计算。
在一些实施例中，参考图5所示的SAAS应用销售预测模型训练流程示意图，其包括但不限于步骤S910~S950：
S910，根据第二销售规则特征及第二历史销售数据，构建时间序列数据集；
S920，对时间序列数据集采用自注意力机制及时间序列关联特征得到输入序列的每个时间序列的权重；
S930，对时间序列数据集通过进行编码处理，上下文向量，将上下文向量进行解码处理，得到预测结果；
S940，根据预测结果及第二历史销售数据计算损失值；
S950，采用演员-评论家网络对训练中的模型进行更新及迭代训练，得到SAAS应用销售预测模型。
在一些实施例中，基于深度学习的序列模型采用RNN模型，RNN模型包括编码器、解码器及自注意力机制，其中编码器采用一维卷积神经网络，将每个输入的时间序列转换成用于表征顺序信息的高维向量；解码器用于将高维向量基于逆向编码过程转换成输入序列。
在一些实施例中，参考图7，图7是演员-评论家网络的模型优化流程示意图，其包括但不限于步骤S1010~1030：
S1010，以预测结果作为演员-评论家网络的输入实例，以最大销售数据作为目标函数；
S1020，采用策略梯度方法对SAAS应用销售预测模型进行参数训练，计算每个输入实例的平均值作为期望值；
S1030，根据期望值，采用评论家网络对目标值进行基线判断，得到演员参数及评论家参数，迭代进行训练得到SAAS应用销售预测模型，其中评论家参数用于对演员参数更新。
在一些实施例中，评论家-演员网络为指针网络，包括评论家网络和演员网络，评论家网络和演员网络相似，其包括编码器、解码器和注意力模块，均用于对输入实例可行动作的概率分布的状态值。
在一些实施例中，参考图8所示的SAAS应用模拟销售赋能流程示意图。其包括但不限于步骤S1110~S1130：
S1110，获取SAAS应用的历史销售数据；
S1120，根据历史销售数据采用SAAS应用销售预测模型，得到未来时间段的销售数据
S1130，根据未来时间段的销售数据及自定义事件对SAAS应用进行组件编辑。
在一些实施例中，可以理解的是，自定义事件为突发的销售赋能，即通常预测以外的销售事件，例如，某区域举行活动，需要对应的SAAS应用待销售的指定商品，可以通过将自定义事件赋予对应的权重再重新采用SAAS应用销售预测模型进行预测，以到达到更好的预测效果。
可以理解的是，用户可以进行自定义导入历史销售数据，并根据喜好进行组件的编辑，以得到想要的销售赋能。
图9是本发明实施例的SAAS平台管理分析装置图。该装置包括了SAAS管理单元和模型训练单元，其中SAAS管理单元包括第一模块910、第二模块920、第三模块930、第四模块940，其中模型训练单元包括第五模块950、第六模块960、第七模块970、第八模块980、第九模块990。
其中，第一模块910用于获取SAAS平台的在目标销售区域的SAAS应用集，SAAS应用集包括第一SAAS应用；第二模块920用于获取第一SAAS应用在目标销售区域第一历史销售数据和第一历史销售规则；第三模块930用于根据第一历史销售数据及第一历史销售规则通过SAAS应用销售预测模型确定第一SAAS应用在目标销售区域的未来销售数据；第四模块940用于根据未来销售数据，对第一SAAS应用的应用组件基于事件驱动进行组件编辑，得到第二SAAS应用；第五模块950用于获取数据集，数据集包括第二历史销售数据和第二历史销售规则；第六模块960用于对第二历史销售数据及第二历史销售规则进行特征提取，得到第一销售数据特征和第一销售规则特征；第七模块970用于对第二历史销售数据和第一销售规则特征采用随机森林进行学习，得到影响因子，影响因子用于表征第二历史销售规则对第二历史销售数据的影响程度；第八模块980用于根据影响因子及预设影响因子对第一销售规则特征进行筛选，得到第二销售规则特征；第九模块990用于根据第二销售规则特征及第二历史销售数据，采用基于深度学习的序列模型进行预测，得到SAAS应用销售预测模型。
示例性地，在装置中的第一模块的合作下，实施例装置可以实现前述的任意一种SAAS平台管理方法，即获取SAAS平台的在目标销售区域的SAAS应用集，SAAS应用集包括第一SAAS应用；获取第一SAAS应用在目标销售区域第一历史销售数据和第一历史销售规则；根据第一历史销售数据及第一历史销售规则通过SAAS应用销售预测模型确定第一SAAS应用在目标销售区域的未来销售数据；根据未来销售数据，对第一SAAS应用的应用组件基于事件驱动进行组件编辑，得到第二SAAS应用；其中，SAAS应用销售预测模型的训练流程包括：获取第一数据集，第一数据集包括第二历史销售数据和第二历史销售规则；对第二历史销售数据及第二历史销售规则进行特征提取，得到第一销售数据特征和第一销售规则特征；对第二历史销售数据和第一销售规则特征采用随机森林进行学习，得到影响因子，影响因子用于表征第二历史销售规则对第二历史销售数据的影响程度；根据影响因子及预设影响因子对第一销售规则特征进行筛选，得到第二销售规则特征；根据第二销售规则特征及第二历史销售数据，采用基于深度学习的序列模型进行预测，得到SAAS应用销售预测模型。本发明的有益效果为：通过随机森林算法获取销售规则与销售数据的影响程度，根据影响程度采用RNN神经网络对SAAS应用在未来时刻的销售量进行预测，其中RNN神经网络考虑了销售规则与销售数据的影响程度，使得预测更为精准；基于预测结果，对SAAS应用的组件进行编辑，提高了SAAS平台的管理效率，提高了SAAS应用应对销售事件的时效性和精确性。
本发明实施例还提供了一种电子设备，该电子设备包括处理器以及存储器；
存储器存储有程序；
处理器执行程序以执行前述的SAAS平台管理方法；该电子设备具有搭载并运行本发明实施例提供的SAAS平台管理的软件系统的功能，例如，个人电脑、迷你计算机、主框架、工作站、网络或分布式计算环境、单独的或集成的计算机平台、或者与带电粒子工具或其它成像装置通信等等。
本发明实施例还提供了一种计算机可读存储介质，所述存储介质存储有程序，所述程序被处理器执行实现如前面所述的SAAS平台管理方法。
在一些可选择的实施例中，在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如，取决于所涉及的功能/操作，连续示出的两个方框实际上可以被大体上同时地执行或所述方框有时能以相反顺序被执行。此外，在本发明的流程图中所呈现和描述的实施例以示例的方式被提供，目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的，其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
本发明实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行前述的SAAS平台管理方法。
此外，虽然在功能性模块的背景下描述了本发明，但应当理解的是，除非另有相反说明，所述的功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中，或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是，有关每个模块的实际实现的详细讨论对于理解本发明是不必要的。更确切地说，考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下，在工程师的常规技术内将会了解该模块的实际实现。因此，本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本发明。还可以理解的是，所公开的特定概念仅仅是说明性的，并不意在限制本发明的范围，本发明的范围由所附权利要求书及其等同方案的全部范围来决定。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备（如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统）使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例（非穷尽性列表）包括以下：具有一个或多个布线的电连接部（电子装置），便携式计算机盘盒（磁装置），随机存取存储器（RAM），只读存储器（ROM），可擦除可编辑只读存储器（EPROM或闪速存储器），光纤装置，以及便携式光盘只读存储器（CDROM）。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列（PGA），现场可编程门阵列（FPGA）等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨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，本发明的范围由权利要求及其等同物限定。
以上是对本发明的较佳实施进行了具体说明，但本发明并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。

Claims (9)

1.一种SAAS平台管理方法，其特征在于，包括：
获取SAAS平台的在目标销售区域的SAAS应用集，所述SAAS应用集包括第一SAAS应用；
获取所述第一SAAS应用在所述目标销售区域第一历史销售数据和第一历史销售规则；
根据所述第一历史销售数据及第一历史销售规则通过SAAS应用销售预测模型确定所述第一SAAS应用在所述目标销售区域的未来销售数据；
根据所述未来销售数据，对所述第一SAAS应用的应用组件基于事件驱动进行组件编辑，得到第二SAAS应用；
所述SAAS应用销售预测模型的训练流程包括：
获取第一数据集，所述第一数据集包括第二历史销售数据和第二历史销售规则；
对所述第二历史销售数据及所述第二历史销售规则进行特征提取，得到第一销售数据特征和第一销售规则特征；
对所述第二历史销售数据和所述第一销售规则特征采用随机森林进行学习，得到影响因子，所述影响因子用于表征第二历史销售规则对所述第二历史销售数据的影响程度；
根据所述影响因子及预设影响因子对所述第一销售规则特征进行筛选，得到第二销售规则特征；
根据所述第二销售规则特征及所述第二历史销售数据，采用基于深度学习的序列模型进行预测，得到所述SAAS应用销售预测模型；
所述根据所述未来销售数据，对所述第一SAAS应用的应用组件基于事件驱动进行组件编辑，得到第二SAAS应用，包括：
根据所述未来销售数据及目标销售采用事件触发方式确定销售赋能，其中销售赋能包括未来销售规则；
根据销售赋能确定所述第一SAAS应用中需要编辑的应用组件，采用事件发布/订阅模式、异步处理、事件源、事件处理、应用组件通信及组件错误处理中的至少一种方式完成组件编辑。
2.根据权利要求1所述的SAAS平台管理方法，其特征在于，所述第一数据集采用数据生成方法及插值方法中的至少一种生成得到；
其中数据生成方法包括根据所述第一SAAS应用的销售路径及销售业务规则进行随机生成，得到随机用户信息和随机销售业务规则，根据先验销售规则对所述随机用户信息及随机销售业务规则及进行筛选，得到所述第一数据集，其中用户信息包括用户基本信息、用户购物兴趣及用户购物时间，其中销售路径用于表征用户从浏览阶段至购买阶段的点击商品概率及购买概率；
其中插值方法包括对历史数据进行缺失值填充，并进行新增数据处理，得到所述第一数据集。
3.根据权利要求1所述的SAAS平台管理方法，其特征在于，所述对所述第二历史销售数据和所述第一销售规则特征采用随机森林进行学习，得到影响因子，包括：
初始化随机森林中的森林，将所述第一数据集划分为训练数据集；
对森林中的每棵树执行以下处理：
从所述第一销售规则特征中随机选取特征和最佳切分点，直至森林中树的最大深度，得到决策树；
根据所述决策树对所述第一数据集中的每个样本进行预测，并采用多数投票方法进行分类，得到所述影响因子。
4.根据权利要求3所述的SAAS平台管理方法，其特征在于，所述根据所述影响因子及预设影响因子对所述第一销售规则特征进行筛选，得到第二销售规则特征，还包括：
所述影响因子包括低影响因子、正向影响因子及时序影响因子，其中所述低影响因子用于小于所述预设影响因子，所述正向影响因子处于所述预设影响因子范围内，所述时序影响因子用于根据时间序列进行变化；
根据所述时间序列，采用皮尔逊相关系数和斯皮尔曼相关系数中的至少一种确定所述影响因子与所述时间序列的时间序列关联特征；
根据所述时间序列关联特征确定对应时刻的所述第二销售规则特征。
5.根据权利要求4所述的SAAS平台管理方法，其特征在于，所述根据所述第二销售规则特征及所述第二历史销售数据，采用基于深度学习的序列模型进行预测，得到所述SAAS应用销售预测模型，包括：
根据所述第二销售规则特征及所述第二历史销售数据，构建时间序列数据集；
对所述时间序列数据集采用自注意力机制及所述时间序列关联特征得到输入序列的每个时间序列的权重；
对所述时间序列数据集通过进行编码处理，得到上下文向量，以获取时间序列数据集的序列关系，进而将上下文向量进行解码处理，输出序列；
根据所述输出序列采用自注意力机制在序列关系下选择第二销售规则的概率，得到预测结果；
采用演员-评论家网络及预测结果对训练中的模型进行更新及迭代训练，得到所述SAAS应用销售预测模型。
6.根据权利要求5所述的SAAS平台管理方法，其特征在于，所述采用演员-评论家网络及预测结果对训练中的模型进行更新及迭代训练，得到所述SAAS应用销售预测模型，包括：
以所述预测结果作为所述演员-评论家网络的输入实例，以最大销售数据作为目标函数；
采用策略梯度方法对SAAS应用销售预测模型进行参数训练，计算每个输入实例的平均值作为期望值；
根据期望值，采用评论家网络对目标值进行基线判断，得到演员参数及评论家参数，迭代进行训练得到所述SAAS应用销售预测模型，其中评论家参数用于对演员参数更新。
7.一种SAAS平台管理装置，其特征在于，包括：
SAAS管理单元和模型训练单元，所述SAAS管理单元用于SAAS进行管理，所述模型训练单元用于训练SAAS应用销售预测模型，所述SAAS管理单元包括第一模块、第二模块、第三模块及第四模块；所述模型训练单元包括第五模块、第六模块、第七模块、第八模块及第九模块；
所述第一模块用于获取SAAS平台的在目标销售区域的SAAS应用集，所述SAAS应用集包括第一SAAS应用；
所述第二模块用于获取所述第一SAAS应用在所述目标销售区域第一历史销售数据和第一历史销售规则；
所述第三模块用于根据所述第一历史销售数据及第一历史销售规则通过SAAS应用销售预测模型确定所述第一SAAS应用在所述目标销售区域的未来销售数据；
所述第四模块用于根据所述未来销售数据，对所述第一SAAS应用的应用组件基于事件驱动进行组件编辑，得到第二SAAS应用；
所述第五模块用于获取数据集，所述数据集包括第二历史销售数据和第二历史销售规则；
所述第六模块用于对所述第二历史销售数据及所述第二历史销售规则进行特征提取，得到第一销售数据特征和第一销售规则特征；
所述第七模块用于对所述第二历史销售数据和所述第一销售规则特征采用随机森林进行学习，得到影响因子，所述影响因子用于表征第二历史销售规则对所述第二历史销售数据的影响程度；
所述第八模块用于根据所述影响因子及预设影响因子对所述第一销售规则特征进行筛选，得到第二销售规则特征；
所述第九模块用于根据所述第二销售规则特征及所述第二历史销售数据，采用基于深度学习的序列模型进行预测，得到所述SAAS应用销售预测模型；
所述根据所述未来销售数据，对所述第一SAAS应用的应用组件基于事件驱动进行组件编辑，得到第二SAAS应用，包括：
根据所述未来销售数据及目标销售采用事件触发方式确定销售赋能，其中销售赋能包括未来销售规则；
根据销售赋能确定所述第一SAAS应用中需要编辑的应用组件，采用事件发布/订阅模式、异步处理、事件源、事件处理、应用组件通信及组件错误处理中的至少一种方式完成组件编辑。
8.一种电子设备，其特征在于，包括处理器以及存储器；
所述存储器用于存储程序；
所述处理器执行所述程序实现如权利要求1-6中任一项所述的SAAS平台管理方法。
9.一种计算机可读存储介质，其特征在于，所述存储介质存储有程序，所述程序被处理器执行实现如权利要求1-6中任一项所述的SAAS平台管理方法。
CN202410648518.XA 2024-05-23 2024-05-23 Saas平台管理方法、装置、电子设备及存储介质 Active CN118229343B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410648518.XA CN118229343B (zh) 2024-05-23 2024-05-23 Saas平台管理方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410648518.XA CN118229343B (zh) 2024-05-23 2024-05-23 Saas平台管理方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN118229343A CN118229343A (zh) 2024-06-21
CN118229343B true CN118229343B (zh) 2024-07-23

Family

ID=91509504

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410648518.XA Active CN118229343B (zh) 2024-05-23 2024-05-23 Saas平台管理方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN118229343B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112884364A (zh) * 2021-03-19 2021-06-01 珠海迈科智能科技股份有限公司 一种多客户软件共用同一机型的生产方法
CN113723985A (zh) * 2021-03-04 2021-11-30 京东城市(北京)数字科技有限公司 销量预测模型的训练方法、装置及电子设备、存储介质

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11062337B1 (en) * 2013-12-23 2021-07-13 Massachusetts Mutual Life Insurance Company Next product purchase and lapse predicting tool
CN114971748B (zh) * 2022-07-27 2022-11-01 阿里健康科技(中国)有限公司 预测数据生成、模型训练方法、计算机设备以及存储介质
CN116738081B (zh) * 2023-08-08 2023-10-27 贵州优特云科技有限公司 一种前端组件绑定方法、装置及存储介质

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113723985A (zh) * 2021-03-04 2021-11-30 京东城市(北京)数字科技有限公司 销量预测模型的训练方法、装置及电子设备、存储介质
CN112884364A (zh) * 2021-03-19 2021-06-01 珠海迈科智能科技股份有限公司 一种多客户软件共用同一机型的生产方法

Also Published As

Publication number Publication date
CN118229343A (zh) 2024-06-21

Similar Documents

Publication Publication Date Title
US10417650B1 (en) Distributed and automated system for predicting customer lifetime value
US7680746B2 (en) Prediction of click through rates using hybrid kalman filter-tree structured markov model classifiers
CN111177111A (zh) 基于用户指定分段执行查询时归因建模
CN108777701B (zh) 一种确定信息受众的方法及装置
US20070100708A1 (en) Custom user definable keyword bidding system and method
US11954692B2 (en) Mitigating user dissatisfaction related to a product
CN109711871B (zh) 一种潜在客户确定方法、装置、服务器及可读存储介质
CN111798280B (zh) 多媒体信息推荐方法、装置和设备及存储介质
US20220405806A1 (en) Utilizing machine-learning models to create target audiences with customized auto-tunable reach and accuracy
US20230316106A1 (en) Method and apparatus for training content recommendation model, device, and storage medium
CN109978575B (zh) 一种挖掘用户流量经营场景的方法及装置
US9324026B2 (en) Hierarchical latent variable model estimation device, hierarchical latent variable model estimation method, supply amount prediction device, supply amount prediction method, and recording medium
CN110866698A (zh) 用于评定服务提供方的服务分值的装置
CN114595323B (zh) 画像构建、推荐、模型训练方法、装置、设备及存储介质
CN116739665A (zh) 信息投放方法、装置、电子设备及存储介质
US20120185326A1 (en) Contact stream optimization using fec and cc constraints
KR102537601B1 (ko) 광고 전략을 생성하기 위한 광고 방법 및 장치
CN114969191A (zh) 基于大数据的数据分析方法、系统、装置及存储介质
Ruhrländer et al. Improving box office result predictions for movies using consumer-centric models
CN113743963A (zh) 异常识别模型训练、异常对象识别方法、装置及电子设备
CN118229343B (zh) Saas平台管理方法、装置、电子设备及存储介质
CN111260416A (zh) 用于确定对象的关联用户的方法及装置
JP5172826B2 (ja) 対象を定めた広告に適したリアルタイム視聴者推定およびコマーシャル選択を実施する方法および装置
CN116029766A (zh) 用户交易决策识别方法、激励策略优化方法、装置和设备
CN112328899B (zh) 信息处理方法、信息处理装置、存储介质与电子设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant