CN102135983A - 基于网络用户行为的群体划分方法和装置 - Google Patents
基于网络用户行为的群体划分方法和装置 Download PDFInfo
- Publication number
- CN102135983A CN102135983A CN2011100091670A CN201110009167A CN102135983A CN 102135983 A CN102135983 A CN 102135983A CN 2011100091670 A CN2011100091670 A CN 2011100091670A CN 201110009167 A CN201110009167 A CN 201110009167A CN 102135983 A CN102135983 A CN 102135983A
- Authority
- CN
- China
- Prior art keywords
- user
- scope
- point
- control number
- space
- 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
Images
Landscapes
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了一种基于网络用户行为的群体划分方法和装置，其中，所述方法为：根据使用者要求，确定行为特征参数集；根据已确定的行为特征参数集，构建用户类型空间；从用户行为服务器中读入数据，将每个用户多种参数归一化后，在用户类型空间中形成用户星座图，对星座图中各点进行初始化并确定探查范围，根据在该点探查范围内的点与其本身的距离计算移动距离向量，同时根据移动距离向量更新探查范围，重复以上步骤，直到所有点都不移动；根据初始探查范围，将邻近的点构成一个用户群。
Description
技术领域
本发明涉及网络用户行为分析领域，特别是一种实现分析用户业务行为特性和规律的方法和装置。
背景技术
目前，随着互联网用户的急速增加，互联网业务也随之丰富，不同的业务对应不同的人群。因此，让一个业务更加适合其所对应用户就需要对使用该业务的用户进行群体划分，然后根据不同的用户群有针对性的改进现有业务。用户群划分技术是未来用户行为分析的一个关键技术。
现有技术中的用户群划分方法，主要是基于LM(Link Mining链接挖掘)的基于逻辑链接的划分方法，该方法不利于在电信网络中多业务交叉使用，互联网和非互联网多种用户的情况下做出分析，同时，过大的程序复杂度也使得该方法应用范围受限。
发明内容
本发明实施例提供基于网络用户行为的群体划分方法和装置，使用户群划分更符合电信网络监控情况和满足使用者特殊要求，同时扩大了使用范围。
本发明实施例公开了一种基于网络用户行为的群体划分方法，包括：确定行为特征参数集；再根据所确定的行为特征参数集构建用户类型空间，从用户行为服务器中读入数据，将每个用户多种参数归一化后，在用户类型空间中形成用户星座图，对星座图中各点进行初始化并确定探查范围，根据在该点探查范围内的点与其本身的距离计算移动距离向量，同时根据移动距离向量更新探查范围，重复以上步骤，直到所有点都不移动；根据初始探查范围，将邻近的点构成一个用户群。
本发明实施例还公开了一种基于网络用户行为的群体划分的装置，其特征在于，包括：
参数集确定单元，用于确定行为特征参数集；
空间确定单元，用于根据行为特征参数集确定用户类型空间；
聚类单元，从用户行为服务器中读入数据，将每个用户多种参数数值归一化后，在用户类型空间中形成用户星座图并确定探查范围，根据在该点探查范围内的点与其本身的距离计算移动距离向量，同时根据移动距离向量更新探查范围，重复以上步骤，直到所有点都不移动
群划分单元，用于根据初始探查范围，将邻近的点构成一个用户群。
从上述本发明的实施例可以看出，本发明实施例的用户行为空间可以变化满足了电信网络多业务交叉使用要求，引入使用者要求作为行为特征参数集的对应关系，表示参数之间的重要性程度，因此考虑了使用者的特殊要求。同时本发明的聚类方法不局限在网络用户的群体划分，扩大了适用范围。
附图说明
图1为本发明实现用户群划分方法的一个实施例流程图；
图2为本发明实现网络选择的方法的另一个实施例流程图；
图3为本发明距离向量聚类方法的流程图；
图4为本发明实现用户群划分装置的一个实施例结构图。
具体实施方式
下面结合附图对本发明实施例进行详细描述。
请参阅图1，为本发明实现网络选择的方法的一个实施例流程图，包括以下步骤：
步骤101：确定行为特征参数集；
步骤102：根据已确定的行为特征参数集，构建用户类型空间；
步骤103：从用户行为服务器中读入数据，将每个用户多种参数归一化后，在用户类型空间中形成用户星座图，对星座图中各点进行初始化并确定探查范围，根据在该点探查范围内的点与其本身的距离计算移动距离向量，同时根据移动距离向量更新探查范围，重复以上步骤，直到所有点都不移动；
步骤104：根据初始探查范围，将邻近的点构成一个用户群；
上述实施例在用户群划分中从用户行为服务器中读入数据，将每个用户多种参数数值归一化后，在用户类型空间中形成用户星座图并确定探查范围，根据在该点探查范围内的点与其本身的距离计算移动距离向量，同时根据移动距离向量更新探查范围，重复以上步骤，直到所有点都不移动，从而达到用户聚类效果。其中，本发明实施例的用户行为空间可以变化满足了有限数据的要求，引入使用者要求作为行为特征参数集的对应关系，表示参数之间的重要性程度，因此考虑了业务开发者要求。同时本发明的聚类方法不局限在网络用户的群体划分，扩大了适用范围。
请参阅图2，为本发明实现用户群划分的方法的另一个实施例流程图。本实施例中，通过用户界面，获取使用者所关注的信息。本实施例中，行为特征参数在UBAS中存储，比如用户静态类型和用户动态话题，针对IP地址也做出了区域的划分，当使用者需要划分用户群是，包括以下步骤：
步骤201：用户群划分装置UGDD(User Group Diving Device)从当前UBAS(User Behavior analysis Server)获取与使用者要求和各行为特征参数，根据使用者要求与行为特征参数集之间的对应关系，确定相应的行为特征参数集。
其中UGDD为当前UBAS的一个组成部分，每个UBAS中至少有一个UGDD。
为了确定行为特征参数集与使用者要求之间的对应关系，在用户群划分前预先读入用户热点话题及关注度：“***，1.0”、“日本，0.6”、“中国，0.8”用户静态类型及关注度：“博客，0.5”、“新闻，0.9”，地域为：“河南”，时间为：20100712作为使用者要求数据和UBAS中已经处理完毕的各种行为特征参数。
所以在本实施例中选取的行为特征参数集为：
表一根据使用者要求所得到的行为特征参数集
步骤202：UGDD，根据行为特征参数集，构建用户类型欧式空间，同时确定归一化标准。
上述构建用户类型欧式空间为在行为特征参数集中，除去“时间”和“地域”两个参数，还有5个参数，所以此时构建5维坐标欧式空间，5个坐标轴分别为：***轴，日本轴，中国轴，博客轴和新闻轴。
上述确定归一化标准S＝(1.0，0.6，0.8，0.5，0.9)。
步骤203：UGDD从UBAS中读取数据，通过归一化标准归一化用户数据，在用户类型空间中形成星座图，用距离向量聚类算法聚类，将相似用户集中
上述UGDD从UBAS中读取数据，通过归一化标准归一化用户数据为：
UGDD在UBAS中读取20100712河南的数据的结果是共有T个用户，该T个用户每个用户对于202中5个坐标轴有各自的数值，此时用户i可表示为
据归一化标准S＝(1.0，0.6，0.8，0.5，0.9)，由公式
将这T个用户均归一化，得到用户i为IPi＝(pi1，pi2，...，pin)，这时将这T个用户点入到用户类型空间中形成星座图，每一个点根据公式，计算其初始探查范围w0，令探查范围wi＝w0，最小探查范围wmin＝w0/4。
上述距离向量聚类算法聚类，将相似用户集中的具体实现方式请参阅图3，包括以下步骤：
步骤301：确定该n维欧式空间中，L表示向量长度，dij表示点i与j的距离；
本实施例中，该n维欧式空间就是用户类型空间
步骤302：计算移动路径；
若点i与点j的距离dij＜w，则称点j为点i的邻近点或点i为j的邻近点，点i的移动路径di通过公式
计算而得；
步骤303：聚类移动；
令Ldi为移动路径di的长度，令IDi为IDi+di进行移动，同时更新探查范围，使wi＝Ldi；对空间中每个点进行一次上述移动；
步骤304：移动结束判决；
当所有点都不移动时，聚类结束，结束后相似用户就已经集中了。
步骤203：UGDD根据初始探查范围，将邻近的点构成一个用户群.同时将结果反馈给UBAS；
初始探查范围为w0，每个点i根据初始探查范围，查找邻近点，将点i及其邻近点设为一个群，重复上述探查过程，若该点已归入一个群则不进行探查，所有节点都归入群后结束；得到划分的网络用户群。
UGDD将划分的各个用户群存入UBAS中。
从上述实施例可看出本发明用户行为空间是可以变化的，当UBAS中行为特征参数数据较少时所生成的空间也会较小，满足了有限数据的要求，引入使用者要求作为行为特征参数集的对应关系，表示参数之间的重要性程度，因此考虑了业务开发者要求。同时本发明的聚类方法不局限在网络用户的群体划分，扩大了适用范围。
以上实施例以当前的用户行为分析服务器UBAS为行为特征数据的来源，但本发明不限于这两个分析模型，比如当行为特征不为网络行为特征而是其他行为特征的时候，其用户群划分方法和上述实施例类似，此处不再赘述。请参阅图4，为本发明实现用户群划分的装置的一个实施例结构图，该装置包括参数集确定单元401、空间确定单元402、聚类单元403、群划分单元404
参数集确定单元401，用于根据用户要求，确定行为特征参数集；
空间确定单元402，用于根据参数集确定单元401确定的行为特征参数集确定用户类型空间；
聚类单元403，根据空间确定单元402，从参数集中，将每个用户多种参数数值归一化后，在用户类型空间中形成用户星座图并确定探查范围，根据在该点探查范围内的点与其本身的距离计算移动距离向量，同时根据移动距离向量更新探查范围，重复以上步骤，直到所有点都不移动
该装置还包括：
群划分单元404，用于根据聚类单元403所得的结果，利用初始探查范围，将邻近的点构成一个用户群。
本实施例中，用户行为空间不局限与互联网行为特征要求，引入使用者要求作为行为特征参数集的对应关系，表示参数之间的重要性程度，满足了使用者的特殊要求，同时考虑了电信网络多业务交叉使用的情况。同时本发明的聚类方法不局限在网络用户的群体划分，扩大了适用范围。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤，是可以通过程序来指令相关的硬件来完成，所述的程序可以存储于计算机可读取存储介质中，该程序包括如下步骤：根据使用者要求，确定行为特征参数集；根据已确定的行为特征参数集，构建用户类型空间；从用户行为服务器中读入数据，将每个用户多种参数归一化后，在用户类型空间中形成用户星座图，对星座图中各点进行初始化并确定探查范围，根据在该点探查范围内的点与其本身的距离计算移动距离向量，同时根据移动距离向量更新探查范围，重复以上步骤，直到所有点都不移动；根据初始探查范围，将邻近的点构成一个用户群。所述的存储介质，如：ROM/RAM、磁碟、光盘等。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应该视为本发明的保护范围。
Claims (9)
1.一种基于网络用户行为的群体划分方法，其特征在于，包括
确定行为特征参数集；
根据已确定的行为特征参数集，构建用户类型空间；
从用户行为服务器中读入数据，将每个用户多种参数归一化后，在用户类型空间中形成用户星座图，对星座图中各点进行初始化并确定探查范围，根据在该点探查范围内的点与其本身的距离计算移动距离向量，同时根据移动距离向量更新探查范围，重复以上步骤，直到所有点都不移动；
根据初始探查范围，将邻近的点构成一个用户群。
2.根据权利要求1所述的方法，其特征在于，所述确定行为特征参数之前还包括：
在预先确定的行为特征参数范围内，根据使用者的需要设定与当前行为特征参数集的对应关系；
则所述确定当前行为特征参数集为从用户行为分析服务器UBAS(User Behavior Analysis Server)中获取用户动态话题、用户静态类型、和IP地址，根据使用者的需要与当前行为特征参数集的对应关系，确定与使用者的需要相对应的行为特征参数集；
3.根据权利要求2所述的方法，其特征在于，所述行为特征参数范围包括：
用户动态话题为用户行为服务器中一段时间内的由用户所使用网络业务所确定的关键词，该关键词会由于所分析的用户出于的地理位置和使用业务的时间的不同而不同；
用户静态类型是指所使用业务的类型，包括：新闻、体育、娱乐、科技、财经、汽车、数码、手机、房产、游戏、旅游、教育、博客13个类；这些类别是通过用户行为服务器的历史数据统计得出。
4.根据权利要求2所述的方法，其特征在于，使用者要求包括：
对某一个或几个用户动态话题或用户静态类型的关注程度，时间段的选择，地理区域范围的选择。
5.根据权利要求1所述的方法，其特征在于，所述确定行为特征参数集包括：
从UBAS获取与使用者要求相对应的行为分析参数集。
6.根据权利要求1、2或5任意一项所述方法，其特征在于，根据已确定的行为特征参数集，构建用户类型空间包括：
该用户类型空间为欧式空间；
将参数集中用户静态类型与用户动态话题构建空间中的正交坐标轴；
将用户静态类型与用户动态话题数量之和n称为范围参数；
将参数集中各用户静态类型与用户动态话题的关注度作为数据归一化标准S＝(s1，s2，...，sn)；
7.根据权利要求1、2或5任意一项所述方法，其特征在于，所述从用户行为服务器中读入数据，将每个用户多种参数数值归一化后，在用户类型空间中形成用户星座图并确定探查范围，根据在该点探查范围内的点与其本身的距离计算移动距离向量，同时根据移动距离向量更新探查范围，重复以上步骤，直到所有点都不移动包括：
对从用户行为服务器中读入数据，将每个用户多种参数数值归一化后，在用户类型空间中形成用户星座图并确定探查范围按照：
从用户行为服务器中读取各用户i数据用IP地址标示该用户，得到数据组
根据数
据归一化标准S＝(s1，s2，...，sn)，由公式
归一化，
用户i各参数，得到IPi＝(pi1，pi2，...，pin)同时，点入到用户类型空间中，
形成星座图，每一个点根据公式，
计算其初始探
查范围w0，令探查范围wi＝w0，最小探查范围wmin＝w0/4。
对根据在该点探查范围内的点与其本身的距离计算移动距离向量，同时根据移动距离向量更新探查范围，重复以上步骤，直到所有点都不移动按照距离向量聚类算法，进行移动聚类；
对距离矢量聚类算法按照以下步骤进行：
a)在该n维欧式空间中，L表示向量长度，dij表示点i与j的距离；
b)若点i与点j的距离dij＜w，则称点j为点i的邻近点或点i为j
的邻近点，点i的移动路径di通过
计算而得，同时，令Ldi为移动路径di的长度，令IDi为IDi+di进行移动，同时更新探查范围，使wi＝Ldi；对空间中每个点进行一次上述移动；
c)重复b)，当所有点都不移动时，聚类结束；
8.根据权利要求1、2、5、6或7任意一项所述方法，其特征在于，所述根据初始探查范围，将邻近的点构成一个用户群包括：
初始探查范围为w0，每个点i根据初始探查范围，查找邻近点，将点i及其邻近点设为一个群，重复上述探查过程，若该点已归入一个群则不进行探查，所有节点都归入群后结束；得到划分的网络用户群。
9.一种基于网络用户行为的群体划分方法和装置，其特征在于，包括：
参数集确定单元，用于确定行为特征参数集；
空间确定单元，用于根据行为特征参数集确定用户类型空间；
聚类单元，从用户行为服务器中读入数据，将每个用户多种参数数值归一化后，在用户类型空间中形成用户星座图并确定探查范围，根据在该点探查范围内的点与其本身的距离计算移动距离向量，同时根据移动距离向量更新探查范围，重复以上步骤，直到所有点都不移动
群划分单元，用于根据初始探查范围，将邻近的点构成一个用户群。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN2011100091670A CN102135983A (zh) | 2011-01-17 | 2011-01-17 | 基于网络用户行为的群体划分方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN2011100091670A CN102135983A (zh) | 2011-01-17 | 2011-01-17 | 基于网络用户行为的群体划分方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN102135983A true CN102135983A (zh) | 2011-07-27 |
Family
ID=44295770
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN2011100091670A Pending CN102135983A (zh) | 2011-01-17 | 2011-01-17 | 基于网络用户行为的群体划分方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN102135983A (zh) |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102438035A (zh) * | 2011-09-29 | 2012-05-02 | 惠州市德赛西威汽车电子有限公司 | 适用于汽车用户的自动微博互联访问方法 |
| CN102509248A (zh) * | 2011-11-22 | 2012-06-20 | 昆明理工大学 | 一种应用于旅游组团的多目标分类方法及*** |
| CN102937951A (zh) * | 2011-08-15 | 2013-02-20 | 北京百度网讯科技有限公司 | 建立ip地址分类模型的方法、对用户分类的方法及装置 |
| CN103514167A (zh) * | 2012-06-15 | 2014-01-15 | 富士通株式会社 | 数据处理方法和设备 |
| CN104573034A (zh) * | 2015-01-15 | 2015-04-29 | 中国联合网络通信集团有限公司 | 基于cdr话单的用户群体划分方法和*** |
| CN105224681A (zh) * | 2015-10-23 | 2016-01-06 | 武汉大学 | 基于家庭工作地上下文环境的用户需求获取方法及*** |
| WO2016000562A1 (en) * | 2014-06-30 | 2016-01-07 | Tencent Technology (Shenzhen) Company Limited | Method and apparatus for grouping network service users |
| CN105763631A (zh) * | 2016-04-13 | 2016-07-13 | 北京网康科技有限公司 | 一种对等体组识别方法及装置 |
| CN107623715A (zh) * | 2017-08-08 | 2018-01-23 | 阿里巴巴集团控股有限公司 | 一种身份信息获取方法和装置 |
| CN109145934A (zh) * | 2017-12-22 | 2019-01-04 | 北京数安鑫云信息技术有限公司 | 基于日志的用户行为数据处理方法、介质、设备及装置 |
| CN109522815A (zh) * | 2018-10-26 | 2019-03-26 | 深圳博为教育科技有限公司 | 一种专注度评估方法、装置及电子设备 |
| CN110737848A (zh) * | 2018-07-03 | 2020-01-31 | 百度在线网络技术（北京）有限公司 | 用户工作单位的挖掘处理方法、装置及电子设备 |
-
2011
- 2011-01-17 CN CN2011100091670A patent/CN102135983A/zh active Pending
Cited By (24)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102937951B (zh) * | 2011-08-15 | 2016-11-02 | 北京百度网讯科技有限公司 | 建立ip地址分类模型的方法、对用户分类的方法及装置 |
| CN102937951A (zh) * | 2011-08-15 | 2013-02-20 | 北京百度网讯科技有限公司 | 建立ip地址分类模型的方法、对用户分类的方法及装置 |
| CN102438035B (zh) * | 2011-09-29 | 2014-10-29 | 惠州市德赛西威汽车电子有限公司 | 适用于汽车用户的自动微博互联访问方法 |
| CN102438035A (zh) * | 2011-09-29 | 2012-05-02 | 惠州市德赛西威汽车电子有限公司 | 适用于汽车用户的自动微博互联访问方法 |
| CN102509248B (zh) * | 2011-11-22 | 2016-03-30 | 昆明理工大学 | 一种应用于旅游组团的多目标分类方法及*** |
| CN102509248A (zh) * | 2011-11-22 | 2012-06-20 | 昆明理工大学 | 一种应用于旅游组团的多目标分类方法及*** |
| CN103514167A (zh) * | 2012-06-15 | 2014-01-15 | 富士通株式会社 | 数据处理方法和设备 |
| CN103514167B (zh) * | 2012-06-15 | 2017-03-01 | 富士通株式会社 | 数据处理方法和设备 |
| WO2016000562A1 (en) * | 2014-06-30 | 2016-01-07 | Tencent Technology (Shenzhen) Company Limited | Method and apparatus for grouping network service users |
| CN105281925A (zh) * | 2014-06-30 | 2016-01-27 | 腾讯科技（深圳）有限公司 | 网络业务用户群组划分的方法和装置 |
| CN105281925B (zh) * | 2014-06-30 | 2019-05-14 | 腾讯科技（深圳）有限公司 | 网络业务用户群组划分的方法和装置 |
| US9817885B2 (en) | 2014-06-30 | 2017-11-14 | Tencent Technology (Shenzhen) Company Limited | Method and apparatus for grouping network service users |
| CN104573034A (zh) * | 2015-01-15 | 2015-04-29 | 中国联合网络通信集团有限公司 | 基于cdr话单的用户群体划分方法和*** |
| CN104573034B (zh) * | 2015-01-15 | 2018-03-23 | 中国联合网络通信集团有限公司 | 基于cdr话单的用户群体划分方法和*** |
| CN105224681A (zh) * | 2015-10-23 | 2016-01-06 | 武汉大学 | 基于家庭工作地上下文环境的用户需求获取方法及*** |
| CN105224681B (zh) * | 2015-10-23 | 2018-07-27 | 武汉大学 | 基于家庭工作地上下文环境的用户需求获取方法及*** |
| CN105763631B (zh) * | 2016-04-13 | 2019-03-29 | 北京网康科技有限公司 | 一种对等体组识别方法及装置 |
| CN105763631A (zh) * | 2016-04-13 | 2016-07-13 | 北京网康科技有限公司 | 一种对等体组识别方法及装置 |
| CN107623715A (zh) * | 2017-08-08 | 2018-01-23 | 阿里巴巴集团控股有限公司 | 一种身份信息获取方法和装置 |
| CN107623715B (zh) * | 2017-08-08 | 2020-06-09 | 阿里巴巴集团控股有限公司 | 一种身份信息获取方法和装置 |
| CN109145934A (zh) * | 2017-12-22 | 2019-01-04 | 北京数安鑫云信息技术有限公司 | 基于日志的用户行为数据处理方法、介质、设备及装置 |
| CN109145934B (zh) * | 2017-12-22 | 2019-05-21 | 北京数安鑫云信息技术有限公司 | 基于日志的用户行为数据处理方法、介质、设备及装置 |
| CN110737848A (zh) * | 2018-07-03 | 2020-01-31 | 百度在线网络技术（北京）有限公司 | 用户工作单位的挖掘处理方法、装置及电子设备 |
| CN109522815A (zh) * | 2018-10-26 | 2019-03-26 | 深圳博为教育科技有限公司 | 一种专注度评估方法、装置及电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102135983A (zh) | 基于网络用户行为的群体划分方法和装置 | |
| US10558679B2 (en) | Systems and methods for presenting a topic-centric visualization of collaboration data | |
| CN105224606B (zh) | 一种用户标识的处理方法及装置 | |
| CN105335519A (zh) | 模型生成方法及装置、推荐方法及装置 | |
| US20130212111A1 (en) | System and method for text categorization based on ontologies | |
| CN104077723B (zh) | 一种社交网络推荐***及方法 | |
| CN107480158A (zh) | 基于相似性得分评估内容项目与图像的匹配的方法和*** | |
| KR20150135196A (ko) | 미인지된 및 새로운 유저들에 대한 향상된 유저 경험 | |
| WO2008016495A2 (en) | Determination of graph connectivity metrics using bit-vectors | |
| Mo et al. | Event recommendation in social networks based on reverse random walk and participant scale control | |
| CN108701155A (zh) | 社交网络中的专家检测 | |
| US9767204B1 (en) | Category predictions identifying a search frequency | |
| CN109241403A (zh) | 项目推荐方法、装置、机器设备和计算机可读存储介质 | |
| Gao et al. | SeCo-LDA: Mining service co-occurrence topics for recommendation | |
| Cho et al. | Latent space model for multi-modal social data | |
| CN109903086A (zh) | 一种相似人群扩展方法、装置及电子设备 | |
| KR20190128246A (ko) | 검색 방법 및 장치 및 비-일시적 컴퓨터-판독가능 저장 매체 | |
| US10474670B1 (en) | Category predictions with browse node probabilities | |
| TW201514730A (zh) | 電子計算裝置、其個人化資訊推薦方法及其電腦程式產品 | |
| Olson et al. | Exact and approximate EM estimation of mutually exciting Hawkes processes | |
| CN110197375A (zh) | 一种相似用户识别方法、装置、相似用户识别设备和介质 | |
| Vathi et al. | Mining and categorizing interesting topics in Twitter communities | |
| Zhang et al. | Topic discovery of clusters from documents with geographical location | |
| Chen et al. | A framework for annotating OpenStreetMap objects using geo-tagged tweets | |
| Ifada et al. | How relevant is the irrelevant data: leveraging the tagging data for a learning-to-rank model |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20110727 |