CN105389713A - 基于用户历史数据的移动流量套餐推荐算法 - Google Patents
基于用户历史数据的移动流量套餐推荐算法 Download PDFInfo
- Publication number
- CN105389713A CN105389713A CN201510674004.2A CN201510674004A CN105389713A CN 105389713 A CN105389713 A CN 105389713A CN 201510674004 A CN201510674004 A CN 201510674004A CN 105389713 A CN105389713 A CN 105389713A
- Authority
- CN
- China
- Prior art keywords
- user
- data
- attribute
- algorithm
- data traffic
- 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
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 claims abstract description 19
- 238000005516 engineering process Methods 0.000 claims abstract description 15
- 238000007637 random forest analysis Methods 0.000 claims abstract description 14
- 238000007418 data mining Methods 0.000 claims abstract description 12
- 238000004458 analytical method Methods 0.000 claims abstract description 10
- 238000003064 k means clustering Methods 0.000 claims abstract description 10
- 238000003066 decision tree Methods 0.000 claims description 11
- 238000001914 filtration Methods 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 3
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 claims description 2
- 230000005856 abnormality Effects 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000010276 construction Methods 0.000 claims description 2
- 238000000605 extraction Methods 0.000 claims description 2
- 230000011218 segmentation Effects 0.000 claims description 2
- 230000001568 sexual effect Effects 0.000 claims description 2
- FFBHFFJDDLITSX-UHFFFAOYSA-N benzyl N-[2-hydroxy-4-(3-oxomorpholin-4-yl)phenyl]carbamate Chemical compound OC1=C(NC(=O)OCC2=CC=CC=C2)C=CC(=C1)N1CCOCC1=O FFBHFFJDDLITSX-UHFFFAOYSA-N 0.000 abstract 1
- 235000012054 meals Nutrition 0.000 description 10
- 238000010586 diagram Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 230000000694 effects Effects 0.000 description 2
- 238000009412 basement excavation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Accounting & Taxation (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (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)
- Life Sciences & Earth Sciences (AREA)
Abstract
本发明提供一种基于用户历史消费信息并采用数据挖掘分析技术的移动用户流量套餐推荐算法。包括如下步骤:1)目标用户发现阶段:a获取已处理生成的数据集,包括训练集和预测集;b实施随机森林分类算法发现潜在流量套餐提升用户作为目标用户;c结束;2)流量套餐推荐阶段:a获取已处理生成的预测集;b实施K-means聚类算法得到粗略相似用户簇;c获取1)-b中得到的目标用户;d在同一簇中根据用户的相似度函数,为目标用户实施TopN推荐算法;e结束。本发明是基于数据挖掘的技术在移动用户中找出有潜在流量套餐提升需求的用户并对其实施推荐方案。和传统的方法相比更精确、更高效,具有实现简单、代价低等一系列的优点。
Description
技术领域
本发明涉及一种流量套餐推荐算法,即利用用户历史消费数据并采用数据挖掘技术发现潜在提升用户,利用协同过滤推荐算法向其推荐合适的流量套餐。
背景技术
随着移动互联网时代的到来,用户的生活方式发生了变化,使得电信运营商的经营重心发生转移,流量业务将逐渐替代传统话音业务成为电信行业的竞争焦点与利润点。利用精准营销准确地预测出潜在提升流量套餐的用户,并向用户推荐合适的流量套餐。通过精准营销不仅可以刺激用户流量的使用,也可以提高用户的满意度。
传统的流量套餐推荐面向所有用户并且推荐较为随机,使得推荐效果不明显并且为很多用户反感。本发明利用公司内部巨大的业务数据,使用数据挖掘的方法挖掘出更换流量套餐的规律,发现潜在提升流量套餐的人群,然后对他们进行定向推送,从而提升流量套餐营销的成功率,真正做到为合适的人推荐合适的套餐,达到精准营销的目的。
发明内容
本发明的目的,构造所需的训练数据集和预测数据集,在数据集上实施随机森林分类算法,准确快速地挖掘出潜在流量套餐提升用户作为目标用户,然后利用K-means聚类算法得到粗略相似用户簇,最后使用协同过滤算法对目标用户实施TopN推荐算法。
为解决上述问题,本发明的技术方案是,基于用户历史消费信息并采用数据挖掘分析技术的移动用户流量套餐推荐算法,包括如下步骤:
1)目标用户发现阶段:
a获取已处理生成的数据集,包括训练集和预测集;
b从训练集S中有放回的随机抽取样本形成新的数据集St;实施随机森林分类算法发现潜在流量套餐提升用户作为目标用户;
c结束;
2)流量套餐推荐阶段:
a获取已处理生成的预测集;
b实施K-means聚类算法得到粗略相似用户簇;
c获取1)-b中得到的目标用户;
d在同一簇中根据用户的相似度函数,为目标用户实施TopN推荐算法;
e结束;
步骤1)-a中所述的数据集具体构造过程如下:
1)选择用户状态表中状态正常的用户作为我们的预测用户,每个用户都有一个唯一的user_id;
2)以时间点为分割,规划出每个用户在该时间点之前的消费信息、换机信息等,并通过user_id关联起来,以当前月为时间分割点的是预测数据集,以前的其他月为时间分割点的是训练数据集;
3)求出每个属性的信息增益率,选择信息增益率大的属性,摒弃信息增益率小的属性;
4)过滤掉消费属性值为空的数据;
5)过滤掉性别异常的用户;
6)为训练数据集的每一条记录添加类标,具体方法是比较上个月的消费总流量与当月的消费总流量,若当月流量提高,则置为1;否则,置为0;
7)结束;
步骤1)-b中所述的随机森林分类算法具体过程如下:
1)从训练集S中有放回的随机抽取样本形成新的数据集St,抽取的数量是原来数据总量的三分之一;
2)在属性集合X中随机选取k个属性,k=sqrt(n)+1,用这k个属性中的数据构造成训练集St';
3)在训练集St′上构建决策树分类器;
4)重复1)-3)过程T次,构建T个决策树分类器;
5)将这T棵决策树组合生成随机森林分类模型,对于每一条数据或记录,每棵决策树都会决策出一个类标,(类似于对该类标投了一票),最后选择得票数最多的类标作为该数据的最终类标。
步骤2)-b中K-means聚类算法具体过程如下,其中K预先确定:
1)在数据集中随机选取K个数据作为每个类别的初始聚簇中心;
2)根据欧式公式,把数据分配到离它最近的聚簇中,公式如下:
其中d(i,c)为数据i与中心点c的距离,Xi,k为数据i的属性k的值,n为属性个数;取d(i,c)时最小c的作为数据i的中心点;
3)重新计算每个簇中新的中心值;
4)重复2)和3)直到满足收敛条件,收敛函数如下:
其中E是所有数据到聚簇中心的距离平方之和,p是其中的一个数据,mi是所属第i个类别中的聚簇中心点,k是聚簇的个数。
步骤2)-d中为用户实施TopN流量套餐推荐算法具体过程如下:
1)利用用户的消费属性和自身属性所构成的特征计算用户的相似度,关于用户相似度公式如下:
公式中Vi=(Vi,1,Vi,2,...,Vi,n)表示第i用户的特征属性组成的n维向量,n是属性的个数,而且所有的属性值都是归一化以后的,在区间[0,1],表示第i用户所有属性的均值;
2)通过相似度公式求出用户之间的相似度,然后得出用户的近邻用户集为NNu,结合用户对项目的打分,能得出用户u对目标项目s的预测打分公式如下:
上式中Ri,s表示第i用户对第s项目的打分,公式如下:
3)最后根据用户对目标项目的预测打分情况,对打分进行排序,并且过滤掉比用户原来使用量少的流量套餐,得出用户的TopN的目标项目作为推荐项目列表。
本发明有益效果:本发明基于用户的历史消费数据,采用随机森林的分类算法,可以快速准确地发现有潜在流量套餐提升的用户;使用K-means聚类算法首先进行粗略相似用户计算,可大大降低后期推荐算法的计算复杂度;推荐算法采用协同过滤的TopN,配合前期K-means相似用户簇,推荐效果明显且计算效率高。
附图说明
图1为移动用户流量套餐推荐操作流程图。
图2为本发明的基于用户历史消费信息并采用数据挖掘分析技术的移动用户流量套餐推荐算法的流程图。
图3为采用随机森林分类算法挖掘潜在提升用户的流程图。
图4为采用K-means聚类算法获得粗略相似用户簇的流程图。
图5为采用协同过滤算法得到套餐推荐列表的流程图。
具体实施方式
为了更了解本发明的技术内容,特举实例并配合所附图式说明如下。
如图1所示,移动用户流量套餐推荐算法是通过数据预处理生成训练数据集和预测训练集,然后采用随机森林分类算法挖掘出潜在提升用户作为目标用户,最后采用K-means聚类算法得到相似用户簇,即用户近邻,并在用户近邻的基础上使用协同过滤算法得到用户对项目的打分矩阵,得到TopN套餐推荐列表。
随机森林分类算法挖掘***和K-means与协同过滤相结合的套餐推荐算法是该发明的主要步骤,本发明的思路就是通过集成数据挖掘技术,采用多种算法相结合的方法来提高算法的准确性和运行速度。
本发明的基于用户历史消费信息并采用数据挖掘分析技术的移动用户流量套餐推荐算法的如图2所示。
步骤0为本发明的起始状态;
在目标用户发现阶段(步骤1-3),步骤1是数据预处理,即对获取到的原始数据集进行过滤和整合,得到所需的训练集和预测集;
步骤2是在步骤1所生成的训练集和预测集上运行随机森林分类算法;
步骤3是将挖掘出的目标用户保存至数据库中。
在流量套餐推荐阶段(步骤4-6),步骤4,在步骤1所生成的训练数据集上运行K-means聚类算法得到用户近邻;
步骤5是在步骤4所得到的用户近邻的基础上实施协同过滤算法得到目标用户对项目的打分矩阵,并进行排序,过滤等操作得到套餐推荐列表;
步骤6是将步骤5所得到的套餐列表保存至数据库。
步骤7是本发明的基于用户历史消费信息并采用数据挖掘分析技术的移动用户流量套餐推荐算法的结束步骤。
图3是对图2中步骤2的详细描述。
步骤8为起始状态;
步骤9为获取训练数据集和预测数据集并且确定T值;
步骤10为设定t=0,用以计数构建T棵决策树分类器;
步骤11为从训练集S中随机抽取样本形成新的数据集St;
步骤12为在属性集合中随机选取k个属性,其中k=sqrt(n)+1;
步骤13为用这k个属性中的数据构造成训练集St';
步骤14为在训练集St'上构建决策树分类器;
步骤15为t=t+1,即计数器递增;
步骤16为判断计数器是否已达到T值,即是否已完成T棵决策树分类器的构建,如t<T,则继续步骤11;否则,进入步骤17;
步骤17为结束状态;
图4是对图2中步骤4的详细描述。
步骤18为起始状态;
步骤19为随机选取K个数据点作为每个类别的初始聚簇中心,其中K预先设定,为聚类簇的个数;
步骤20为根据欧式公式,把数据分配到离它最近的聚簇中,距离公式为其中d(i,c)为数据i与中心点c的距离,Xi,k为数据i的属性k的值,n为属性个数。取d(i,c)最小c的作为数据i的中心点;
步骤21为根据分配到各个簇中的数据点,重新计算每个簇中新的中心值;
步骤22为计算收敛函数值其中E是所有数据到聚簇中心的距离平方之和,p是其中的一个数据,mi是所属第i个类别中的聚簇中心点,k是聚簇的个数。
步骤23为判断E是否已经收敛,即是否小于阀值Et,如果还未收敛,则继续步骤20;否则,进入步骤24;
步骤24为结束状态;
图5是对图2中步骤5的详细描述。
步骤25为起始状态;
步骤26为利用用户的消费属性和套餐属性计算用户的相似度,用户相似度公式如下:
公式中Vi=(Vi,1,Vi,2,...,Vi,n)表示第i用户的属性组成的n维向量,n是属性的个数,而且所有的属性值都是归一化以后的,在区间[0,1]。表示第i用户所有属性的均值。
步骤27为计算用户对项目的打分矩阵,其中用户u对目标项目s的预测打分公式如下:
上式中Ri,s表示第i用户对第s项目的打分,公式如下:
步骤28为对打分矩阵进行排序,得到TopN作为初始推荐列表;
步骤29为选择比用户当前使用的套餐容量高的流量套餐;
步骤30为选择比当前主套餐容量高的流量套餐;
步骤31为移除掉当前不能独立销售的流量套餐;
步骤32为移除掉用户当前终端不能使用的流量套餐;
步骤33为提取前三位作为最终套餐推荐列表;
步骤34为将最终套餐推荐列表保存至数据库中;
步骤35为结束状态;
综上所述,本发明利用随机森林分类算法和K-means与协同过滤相结合的推荐算法的准确性和运行速度,以便能在大量移动数据下快速高效运行流量套餐推荐算法,挖掘出潜在提升用户,并且为他们推荐合适的流量套餐。
本发明所属技术领域中具有通常知识者,在不脱离本发明的精神和范围内,当可作各种的更动与润饰。因此,本发明的保护范围当视权利要求书所界定者为准。
Claims (5)
1.基于用户历史消费信息并采用数据挖掘分析技术的移动用户流量套餐推荐算法,其特征是包括如下步骤:
1)目标用户发现阶段:
a获取已处理生成的数据集,包括训练集和预测集;
b从训练集S中有放回的随机抽取样本形成新的数据集St;实施随机森林分类算法发现潜在流量套餐提升用户作为目标用户;
c结束;
2)流量套餐推荐阶段:
a获取已处理生成的预测集;
b实施K-means聚类算法得到粗略相似用户簇;
c获取1)-b中得到的目标用户;
d在同一簇中根据用户的相似度函数,为目标用户实施TopN推荐算法;
e结束。
2.根据权利要求1所述的基于用户历史消费信息并采用数据挖掘分析技术的移动用户流量套餐推荐算法,其特征在于,步骤1)-a中所述的数据集具体构造过程如下:
1)选择用户状态表中状态正常的用户作为我们的预测用户,每个用户都有一个唯一的user_id;
2)以时间点为分割,规划出每个用户在该时间点之前的消费信息、换机信息等,并通过user_id关联起来,以当前月为时间分割点的是预测数据集,以前的其他月为时间分割点的是训练数据集;
3)求出每个属性的信息增益率,选择信息增益率大的属性,摒弃信息增益率小的属性;
4)过滤掉消费属性值为空的数据;
5)过滤掉性别异常的用户;
6)为训练数据集的每一条记录添加类标,具体方法是比较上个月的消费总流量与当月的消费总流量,若当月流量提高,则置为1;否则,置为0;
7)结束。
3.根据权利要求1所述的基于用户历史消费信息并采用数据挖掘分析技术的移动用户流量套餐推荐算法,其特征在于,步骤1)-b中所述的随机森林分类算法具体过程如下:
1)从训练集S中有放回的随机抽取样本形成新的数据集St,抽取的数量是原来数据总量的三分之一;
2)在属性集合X中随机选取k个属性,k=sqrt(n)+1,用这k个属性中的数据构造成训练集St';
3)在训练集St'上构建决策树分类器;
4)重复1)-3)过程T次,构建T个决策树分类器;
5)将这T棵决策树组合生成随机森林分类模型,对于每一条数据或记录,每棵决策树都会决策出一个类标,最后选择得票数最多的类标作为该数据的最终类标。
4.根据权利要求1所述的基于用户历史消费信息并采用数据挖掘分析技术的移动用户流量套餐推荐算法,其特征在于,根据已处理生成的预测集,步骤2)-b中K-means聚类算法具体过程如下,其中K预先确定:
1)在预测集数据集中随机选取K个数据作为每个类别的初始聚簇中心;
2)根据欧式公式把数据分配到离它最近的聚簇中,其中d(i,c)为数据i与中心点c的距离,Xi,k为数据i的属性k的值,n为属性个数;取d(i,c)最小时c作为数据i的中心点;
3)重新计算每个簇中新的中心值;
4)重复2)和3)直到满足收敛条件,收敛函数:
其中E是所有数据到聚簇中心的距离平方之和,p是其中的一个数据,mi是所属第i个类别中的聚簇中心点,k是聚簇的个数。
5.根据权利要求1所述的基于用户历史消费信息并采用数据挖掘分析技术的移动用户流量套餐推荐算法,其特征在于,步骤2)-d中为用户实施TopN流量套餐推荐算法具体过程如下:
1)利用用户的消费属性和自身属性所构成的特征计算用户的相似度,关于用户相似度公式如下:
公式中Vi=(Vi,1,Vi,2,...,Vi,n)表示第i用户的特征属性组成的n维向量,n是属性的个数,而且所有的属性值都是归一化以后的,在区间[0,1],表示第i用户所有属性的均值;
2)通过相似度公式求出用户之间的相似度,然后得出用户的近邻用户集为NNu,结合用户对项目的打分,能得出用户u对目标项目s的预测打分公式如下:
上式中Ri,s表示第i用户对第s项目的打分;
3)最后根据用户对目标项目的预测打分情况,对打分进行排序,并且过滤掉比用户原来使用量少的流量套餐,得出用户的TopN目标项目作为推荐项目列表。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510674004.2A CN105389713A (zh) | 2015-10-15 | 2015-10-15 | 基于用户历史数据的移动流量套餐推荐算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510674004.2A CN105389713A (zh) | 2015-10-15 | 2015-10-15 | 基于用户历史数据的移动流量套餐推荐算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105389713A true CN105389713A (zh) | 2016-03-09 |
Family
ID=55421971
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510674004.2A Pending CN105389713A (zh) | 2015-10-15 | 2015-10-15 | 基于用户历史数据的移动流量套餐推荐算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105389713A (zh) |
Cited By (33)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106056427A (zh) * | 2016-05-25 | 2016-10-26 | 中南大学 | 一种基于Spark的大数据混合模型的移动推荐方法 |
CN106060849A (zh) * | 2016-05-26 | 2016-10-26 | 重庆大学 | 一种异构网络中的网络制式优化分配方法 |
CN107292646A (zh) * | 2016-04-01 | 2017-10-24 | ***通信集团河北有限公司 | 一种生成业务的方法和装置 |
CN107358269A (zh) * | 2017-07-12 | 2017-11-17 | 广州天源信息科技有限公司 | 一种面向精准营销的电信用户消费画像的构建方法 |
CN107633035A (zh) * | 2017-09-08 | 2018-01-26 | 浙江大学 | 一种基于K‑Means&LightGBM模型的共享交通服务reorder预估方法 |
CN107729919A (zh) * | 2017-09-15 | 2018-02-23 | 国网山东省电力公司电力科学研究院 | 基于大数据技术的深化投诉穿透分析方法 |
CN107862556A (zh) * | 2017-12-04 | 2018-03-30 | 北京奇艺世纪科技有限公司 | 一种vip广告的投放方法和*** |
CN107888793A (zh) * | 2017-11-15 | 2018-04-06 | 中国联合网络通信集团有限公司 | 套餐推荐方法、装置及*** |
CN107896153A (zh) * | 2017-11-15 | 2018-04-10 | 中国联合网络通信集团有限公司 | 一种基于移动用户上网行为的流量套餐推荐方法及装置 |
CN107995007A (zh) * | 2017-12-01 | 2018-05-04 | 中国联合网络通信集团有限公司 | 用户费用配置方法和用户费用配置*** |
CN108921673A (zh) * | 2018-07-16 | 2018-11-30 | 广州友米科技有限公司 | 基于大数据的商品推荐方法 |
CN108920709A (zh) * | 2018-07-22 | 2018-11-30 | 西安电子科技大学 | 基于随机森林修正的大数据下改进协同过滤推荐方法 |
CN109543734A (zh) * | 2018-11-14 | 2019-03-29 | 中国联合网络通信集团有限公司 | 用户画像方法及装置、存储介质 |
CN109615426A (zh) * | 2018-12-05 | 2019-04-12 | 重庆锐云科技有限公司 | 一种基于客户聚类的营销方法、*** |
CN109697448A (zh) * | 2017-10-20 | 2019-04-30 | 中移(苏州)软件技术有限公司 | 一种业务套餐的推荐方法、设备及计算机可读存储介质 |
CN109856307A (zh) * | 2019-03-27 | 2019-06-07 | 大连理工大学 | 一种代谢组分子变量综合筛选技术 |
CN109886756A (zh) * | 2019-03-04 | 2019-06-14 | 深圳微品致远信息科技有限公司 | 基于集成模型的通讯用户升档预测概率识别方法及*** |
CN109978575A (zh) * | 2017-12-27 | 2019-07-05 | ***通信集团广东有限公司 | 一种挖掘用户流量经营场景的方法及装置 |
CN109995837A (zh) * | 2018-01-02 | 2019-07-09 | ***通信有限公司研究院 | 一种业务套餐推荐方法、装置及服务器 |
CN110351098A (zh) * | 2018-04-08 | 2019-10-18 | 华为技术有限公司 | 资费预演方法以及相关设备 |
CN110929106A (zh) * | 2018-09-20 | 2020-03-27 | 百度在线网络技术(北京)有限公司 | 用于获取目标数据的方法及装置 |
CN111179016A (zh) * | 2019-11-21 | 2020-05-19 | 国电南京自动化股份有限公司 | 一种售电套餐推荐方法、设备及存储介质 |
CN111209469A (zh) * | 2018-11-16 | 2020-05-29 | 海尔数字科技(上海)有限公司 | 一种个性化推荐方法、装置、计算机设备及存储介质 |
CN111263345A (zh) * | 2018-11-30 | 2020-06-09 | ***通信集团山东有限公司 | 一种用户终端的识别方法和装置 |
CN111341446A (zh) * | 2020-02-11 | 2020-06-26 | 中山大学 | 一种个性化体检套餐推荐方法 |
CN111598645A (zh) * | 2020-04-02 | 2020-08-28 | 浙江工业大学 | 一种融合随机森林与协同过滤二手房推荐方法 |
CN112235152A (zh) * | 2020-09-04 | 2021-01-15 | 北京邮电大学 | 流量大小估算方法和装置 |
CN112395486A (zh) * | 2019-08-12 | 2021-02-23 | ***通信集团重庆有限公司 | 一种宽带业务推荐方法、***、服务器和存储介质 |
CN112788087A (zh) * | 2019-11-11 | 2021-05-11 | 中国电信股份有限公司 | 业务产品信息推送方法、装置以及存储介质 |
CN112862530A (zh) * | 2021-02-09 | 2021-05-28 | 江之龙 | 一种基于大数据的营销*** |
CN113079479A (zh) * | 2020-01-06 | 2021-07-06 | ***通信集团安徽有限公司 | 套餐推荐方法、装置及计算设备 |
CN113965900A (zh) * | 2020-07-20 | 2022-01-21 | ***通信集团安徽有限公司 | 流量资源动态扩容的方法、装置、计算设备及存储介质 |
CN116431931A (zh) * | 2023-06-14 | 2023-07-14 | 陕西思极科技有限公司 | 实时增量数据统计分析方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103077220A (zh) * | 2012-12-29 | 2013-05-01 | 中国科学院深圳先进技术研究院 | 一种基于用户群关联度的个性化推荐方法及*** |
CN103678659A (zh) * | 2013-12-24 | 2014-03-26 | 焦点科技股份有限公司 | 一种基于随机森林算法的电子商务网站欺诈用户识别方法及*** |
-
2015
- 2015-10-15 CN CN201510674004.2A patent/CN105389713A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103077220A (zh) * | 2012-12-29 | 2013-05-01 | 中国科学院深圳先进技术研究院 | 一种基于用户群关联度的个性化推荐方法及*** |
CN103678659A (zh) * | 2013-12-24 | 2014-03-26 | 焦点科技股份有限公司 | 一种基于随机森林算法的电子商务网站欺诈用户识别方法及*** |
Non-Patent Citations (2)
Title |
---|
王鑫等: "网络资源中基于K-means聚类的个性化推荐", 《北京邮电大学学报》 * |
黄华杰: "基于社交网络影响力的推荐算法的研究与实现", 《中国优秀硕士学位论文全文数据库(电子期刊)信息科技辑》 * |
Cited By (53)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107292646A (zh) * | 2016-04-01 | 2017-10-24 | ***通信集团河北有限公司 | 一种生成业务的方法和装置 |
CN106056427A (zh) * | 2016-05-25 | 2016-10-26 | 中南大学 | 一种基于Spark的大数据混合模型的移动推荐方法 |
CN106060849A (zh) * | 2016-05-26 | 2016-10-26 | 重庆大学 | 一种异构网络中的网络制式优化分配方法 |
CN106060849B (zh) * | 2016-05-26 | 2019-08-20 | 重庆大学 | 一种异构网络中的网络制式优化分配方法 |
CN107358269A (zh) * | 2017-07-12 | 2017-11-17 | 广州天源信息科技有限公司 | 一种面向精准营销的电信用户消费画像的构建方法 |
CN107358269B (zh) * | 2017-07-12 | 2020-10-02 | 广州天源信息科技股份有限公司 | 一种面向精准营销的电信用户消费画像的构建方法 |
CN107633035A (zh) * | 2017-09-08 | 2018-01-26 | 浙江大学 | 一种基于K‑Means&LightGBM模型的共享交通服务reorder预估方法 |
CN107633035B (zh) * | 2017-09-08 | 2020-04-14 | 浙江大学 | 一种基于K-Means&LightGBM模型的共享交通服务reorder预估方法 |
CN107729919A (zh) * | 2017-09-15 | 2018-02-23 | 国网山东省电力公司电力科学研究院 | 基于大数据技术的深化投诉穿透分析方法 |
CN109697448A (zh) * | 2017-10-20 | 2019-04-30 | 中移(苏州)软件技术有限公司 | 一种业务套餐的推荐方法、设备及计算机可读存储介质 |
CN107888793A (zh) * | 2017-11-15 | 2018-04-06 | 中国联合网络通信集团有限公司 | 套餐推荐方法、装置及*** |
CN107896153B (zh) * | 2017-11-15 | 2020-02-21 | 中国联合网络通信集团有限公司 | 一种基于移动用户上网行为的流量套餐推荐方法及装置 |
CN107896153A (zh) * | 2017-11-15 | 2018-04-10 | 中国联合网络通信集团有限公司 | 一种基于移动用户上网行为的流量套餐推荐方法及装置 |
CN107995007A (zh) * | 2017-12-01 | 2018-05-04 | 中国联合网络通信集团有限公司 | 用户费用配置方法和用户费用配置*** |
CN107995007B (zh) * | 2017-12-01 | 2019-05-14 | 中国联合网络通信集团有限公司 | 用户费用配置方法和用户费用配置*** |
CN107862556A (zh) * | 2017-12-04 | 2018-03-30 | 北京奇艺世纪科技有限公司 | 一种vip广告的投放方法和*** |
CN109978575A (zh) * | 2017-12-27 | 2019-07-05 | ***通信集团广东有限公司 | 一种挖掘用户流量经营场景的方法及装置 |
CN109978575B (zh) * | 2017-12-27 | 2021-06-04 | ***通信集团广东有限公司 | 一种挖掘用户流量经营场景的方法及装置 |
CN109995837A (zh) * | 2018-01-02 | 2019-07-09 | ***通信有限公司研究院 | 一种业务套餐推荐方法、装置及服务器 |
CN109995837B (zh) * | 2018-01-02 | 2021-11-19 | ***通信有限公司研究院 | 一种业务套餐推荐方法、装置及服务器 |
CN110351098B (zh) * | 2018-04-08 | 2021-09-17 | 华为技术有限公司 | 资费预演方法以及相关设备 |
CN110351098A (zh) * | 2018-04-08 | 2019-10-18 | 华为技术有限公司 | 资费预演方法以及相关设备 |
CN108921673A (zh) * | 2018-07-16 | 2018-11-30 | 广州友米科技有限公司 | 基于大数据的商品推荐方法 |
CN108921673B (zh) * | 2018-07-16 | 2021-06-01 | 广州天高软件科技有限公司 | 基于大数据的商品推荐方法 |
CN108920709A (zh) * | 2018-07-22 | 2018-11-30 | 西安电子科技大学 | 基于随机森林修正的大数据下改进协同过滤推荐方法 |
CN108920709B (zh) * | 2018-07-22 | 2021-02-12 | 西安电子科技大学 | 基于随机森林修正的大数据下改进协同过滤推荐方法 |
CN110929106A (zh) * | 2018-09-20 | 2020-03-27 | 百度在线网络技术(北京)有限公司 | 用于获取目标数据的方法及装置 |
CN110929106B (zh) * | 2018-09-20 | 2022-08-09 | 百度在线网络技术(北京)有限公司 | 用于获取目标数据的方法及装置 |
CN109543734A (zh) * | 2018-11-14 | 2019-03-29 | 中国联合网络通信集团有限公司 | 用户画像方法及装置、存储介质 |
CN111209469A (zh) * | 2018-11-16 | 2020-05-29 | 海尔数字科技(上海)有限公司 | 一种个性化推荐方法、装置、计算机设备及存储介质 |
CN111263345B (zh) * | 2018-11-30 | 2022-11-08 | ***通信集团山东有限公司 | 一种用户终端的识别方法和装置 |
CN111263345A (zh) * | 2018-11-30 | 2020-06-09 | ***通信集团山东有限公司 | 一种用户终端的识别方法和装置 |
CN109615426A (zh) * | 2018-12-05 | 2019-04-12 | 重庆锐云科技有限公司 | 一种基于客户聚类的营销方法、*** |
CN109886756A (zh) * | 2019-03-04 | 2019-06-14 | 深圳微品致远信息科技有限公司 | 基于集成模型的通讯用户升档预测概率识别方法及*** |
CN109856307B (zh) * | 2019-03-27 | 2021-04-16 | 大连理工大学 | 一种代谢组分子变量综合筛选技术 |
CN109856307A (zh) * | 2019-03-27 | 2019-06-07 | 大连理工大学 | 一种代谢组分子变量综合筛选技术 |
CN112395486B (zh) * | 2019-08-12 | 2023-11-03 | ***通信集团重庆有限公司 | 一种宽带业务推荐方法、***、服务器和存储介质 |
CN112395486A (zh) * | 2019-08-12 | 2021-02-23 | ***通信集团重庆有限公司 | 一种宽带业务推荐方法、***、服务器和存储介质 |
CN112788087A (zh) * | 2019-11-11 | 2021-05-11 | 中国电信股份有限公司 | 业务产品信息推送方法、装置以及存储介质 |
CN112788087B (zh) * | 2019-11-11 | 2023-04-07 | 中国电信股份有限公司 | 业务产品信息推送方法、装置以及存储介质 |
CN111179016A (zh) * | 2019-11-21 | 2020-05-19 | 国电南京自动化股份有限公司 | 一种售电套餐推荐方法、设备及存储介质 |
CN111179016B (zh) * | 2019-11-21 | 2023-09-22 | 国电南京自动化股份有限公司 | 一种售电套餐推荐方法、设备及存储介质 |
CN113079479A (zh) * | 2020-01-06 | 2021-07-06 | ***通信集团安徽有限公司 | 套餐推荐方法、装置及计算设备 |
CN111341446A (zh) * | 2020-02-11 | 2020-06-26 | 中山大学 | 一种个性化体检套餐推荐方法 |
CN111341446B (zh) * | 2020-02-11 | 2022-11-29 | 中山大学 | 一种个性化体检套餐推荐方法 |
CN111598645A (zh) * | 2020-04-02 | 2020-08-28 | 浙江工业大学 | 一种融合随机森林与协同过滤二手房推荐方法 |
CN113965900B (zh) * | 2020-07-20 | 2023-09-05 | ***通信集团安徽有限公司 | 流量资源动态扩容的方法、装置、计算设备及存储介质 |
CN113965900A (zh) * | 2020-07-20 | 2022-01-21 | ***通信集团安徽有限公司 | 流量资源动态扩容的方法、装置、计算设备及存储介质 |
CN112235152A (zh) * | 2020-09-04 | 2021-01-15 | 北京邮电大学 | 流量大小估算方法和装置 |
CN112235152B (zh) * | 2020-09-04 | 2022-05-10 | 北京邮电大学 | 流量大小估算方法和装置 |
CN112862530A (zh) * | 2021-02-09 | 2021-05-28 | 江之龙 | 一种基于大数据的营销*** |
CN116431931B (zh) * | 2023-06-14 | 2023-08-25 | 陕西思极科技有限公司 | 实时增量数据统计分析方法 |
CN116431931A (zh) * | 2023-06-14 | 2023-07-14 | 陕西思极科技有限公司 | 实时增量数据统计分析方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105389713A (zh) | 基于用户历史数据的移动流量套餐推荐算法 | |
CN104794195B (zh) | 一种用于电信潜在换机用户发现的数据挖掘方法 | |
CN106503148B (zh) | 一种基于多知识库的表格实体链接方法 | |
CN109255586B (zh) | 一种面向电子政务办事的在线个性化推荐方法 | |
CN103559630A (zh) | 一种基于客户属性及行为特征分析的客户细分方法 | |
CN106096748A (zh) | 基于聚类分析和决策树算法的装车工时预测模型 | |
CN109582714B (zh) | 一种基于时间衰减关联的政务事项数据处理方法 | |
CN102750286B (zh) | 一种处理缺失数据的新型决策树分类器方法 | |
CN107526975A (zh) | 一种基于差分隐私保护决策树的方法 | |
CN105654196A (zh) | 一种基于电力大数据的自适应负荷预测选择方法 | |
CN104156403A (zh) | 一种基于聚类的大数据常态模式提取方法及*** | |
CN105678590A (zh) | 一种面向社交网络基于云模型的topN推荐方法 | |
CN102609465A (zh) | 基于潜在社群的信息推荐方法 | |
CN110297853A (zh) | 频繁集挖掘方法和装置 | |
CN111460102B (zh) | 一种基于自然语言处理的图表推荐***及方法 | |
CN104794635A (zh) | 基于协同过滤推荐算法的机型推荐*** | |
CN110533316A (zh) | 一种基于大数据的产品生命周期分析方法、***及存储介质 | |
CN106326923A (zh) | 一种顾及位置重复和密度峰值点的签到位置数据聚类方法 | |
CN110766272A (zh) | 基于id3决策树算法的电力业务协同分类方法及*** | |
CN103838857A (zh) | 一种基于语义的自动服务组合***及方法 | |
CN104731887B (zh) | 一种协同过滤中的用户相似度度量方法 | |
CN103310027B (zh) | 用于地图模板匹配的规则提取方法 | |
CN104102730B (zh) | 一种基于已知标签的大数据常态模式提取方法及*** | |
CN104915388A (zh) | 一种基于谱聚类和众包技术的图书标签推荐方法 | |
CN114238360A (zh) | 一种用户行为分析*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160309 |
|
RJ01 | Rejection of invention patent application after publication |