CN107423380A - 一种基于用户行为模式的信息***设计方法 - Google Patents
一种基于用户行为模式的信息***设计方法 Download PDFInfo
- Publication number
- CN107423380A CN107423380A CN201710569292.4A CN201710569292A CN107423380A CN 107423380 A CN107423380 A CN 107423380A CN 201710569292 A CN201710569292 A CN 201710569292A CN 107423380 A CN107423380 A CN 107423380A
- Authority
- CN
- China
- Prior art keywords
- data
- user
- behavior
- information system
- design method
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
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
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2457—Query processing with adaptation to user needs
-
- 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
- G06F16/21—Design, administration or maintenance of databases
-
- 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
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2453—Query optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于用户行为模式的信息***设计方法,包括步骤:获取行为模式数据、分类标示得出分类标示数据、用户行为预测、触发激活遗忘函数、准备数据信息、获取用户反馈并修正激活遗忘函数。
Description
技术领域
本发明涉及信息***设计技术领域,特别是涉及一种基于用户行为模式的信息***设计方法。
背景技术
随着信息***设计理论的渐进发展,信息***的设计方法逐步得到完善。目前主流的设计方法包括两种,一种是自顶而下的结构化方法,结构化方法吸收其他方法的一些设计理念提高***设计的效率和质量,例如,在局部环节上可使用原型方法和面向对象方法,以及采用“用例(Use Case)”来获取和理解***的功能需求等。另外一种主流的设计方法是面向对象设计,它的主要流程是将分析得到的业务需求明确和细化,选用有效的设计样式优化对象结构,设计***交互界面,和数据库结构等。它强调的是对分析结果的完善和改良,产生一个指导面向对象编程的详细规格说明,即“怎么做”的描述。
从目前主流的信息***设计方法来看,无论是“用例”的设计还是面向对象的设计,都建立在信息***的使用者(User)产生了某种行为(Action)的基础上,信息***给予相应的反馈(Response),这种反馈可能是页面、可视化展示、应用***接口或者信息交互等。传统设计方法无法通过信息***使用者的操作记录信息来预测下一次使用者的行为,从而提前将数据准备好。
发明内容
基于背景技术的分析,本发明旨在解决现有信息***只能基于用户(泛指与***发生交互的人或***)的指令行为作出反应,而无法主动预测用户行为的技术问题,基于此技术问题,本发明提供一种基于用户行为模式的信息***设计方法,在此方法中,发明人通过信息***使用者的操作记录信息,利用机器学习算法和模型,对信息***的使用和数据访问进行分析,预测信息***潜在的使用可能性(Probability of Use)和数据访问可能性(Probability of Data Access),在信息***后端智能化进行数据处理和准备的过程。
本发明采用的技术方案如下:
一种基于用户行为模式的信息***设计方法,包括以下步骤:
S101:获取行为模式数据;其中,所述行为模式数据为历史行为模式数据或当前行为模式数据;若为当前行为模式数据,保存当前行为模式数据后结束流程;若为历史行为模式数据,执行步骤S102;
S102:根据已分类标示的业务类别数据,对所述历史行为模式数据进行分类标示,得出分类标示数据;
S103:根据行为模式数据和分类标示数据,利用机器学习中的预测算法对下一时间节点的用户行为进行预测,并得出与所述用户行为对应的预测结果;预测算法为现有的通用的随机森林、支持向量机等。
S104:判断所述预测结果是否触发激活遗忘函数,如果触发,进入步骤S105;如果未触发,结束流程;
S105:准备预测的用户行为所对应的数据信息;
S106:获取用户反馈并根据用户反馈动态修正信息***的激活遗忘函数。
所述的基于用户行为模式的信息***设计方法中,所述行为模式数据包括四大维度:时间、地点、人物、事件。
所述的基于用户行为模式的信息***设计方法中,所述当前行为模式数据:第一用户主动发起请求时检测到此前第一用户和第二用户均没有历史访问记录,对第一用户当前行为模式信息进行抽象得出的数据;其中,第二用户为利用相似度评估法查询与第一用户最相似的用户;
历史行为模式数据:第一用户主动发起请求时或***自动发起预测时检测到此前第一用户或第二用户有历史访问记录,所述历史访问记录对应的历史行为模式数据。
所述的基于用户行为模式的信息***设计方法中,所述相似度评估法采用数据为:基础数据和行为模式数据;基础数据:***初始化时或者用户注册时登记的数据。相似性的计算方法为基于用户两个方面的数据:基础数据和行为模式数据,基础数据是指***初始化时或者用户注册时登记的数据,行为模式数据为度量用户的行为习惯、感兴趣的数据。假设用户相似计算函数为UserSimilarity(用户A,用户B)=[0,1],函数值越接近1,表明这两个用户越相似,这里UserSimilarity的具体计算过程可以是简单的逻辑比对,也可以是基于时间序列、深度学习等方法。
所述的基于用户行为模式的信息***设计方法中,所述已分类标示的业务类别数据具体为:基于人类经验和/或利用机器学习中的分类算法进行分类标示的业务类别数据;分类算法为现有的通用算法。
已分类标示好的业务类别数据具有类别及与类别一一对应的类别编码,所述类别编码具有全局唯一性和可识别性。
上述的基于用户行为模式的信息***设计方法中,所述基于人类经验和/或利用机器学习中的分类算法进行分类标示,发生在用户没有与信息***发生人机交互之前,并随时更新。
所述的基于用户行为模式的信息***设计方法中,所述预测结果为:预测的用户行为,在下一时间节点的使用概率和数据访问概率。
所述的基于用户行为模式的信息***设计方法中,数据信息的准备机制包括:
数据存储与延时销毁机制:在进行用户行为预测后,将准备好的数据信息存储在存储器中,在限定的时间范围内,信息***能够快速准确地访问数据信息;当超时以后,信息***会触发数据销毁机制,清除对应的数据信息;
数据分发与共享机制:在进行用户行为预测后,将准备好的数据信息存储在存储器中,当检测到用户登录时,将数据信息推送给信息***前端。
所述的基于用户行为模式的信息***设计方法中,所述获取用户反馈并根据用户反馈动态修正信息***的激活遗忘函数具体为:用户在规定时间内产生对准备的数据信息的使用行为或者数据访问行为,则强化激活遗忘函数;用户在规定时间内未产生对准备的数据信息的使用行为或者数据访问行为,则弱化激活遗忘函数。
所述的基于用户行为模式的信息***设计方法中,监测***负载情况,在***负载较小的时间段周期循环运行所述步骤S101-S106。
综上,由于采用了上述技术方案,本发明的有益效果是:
一、本发明通过分析用户或相似用户的历史操作记录信息,预测信息***潜在的使用可能性和数据访问可能性,在信息***后端智能化进行数据处理和准备,解决了现有信息***只能基于用户(泛指与***发生交互的人或***)的指令行为作出反应,而无法主动预测用户行为的技术问题,具备极高的创新性、智能化和便利性。
二、本发明通过***用户行为发生的可能性,并提前准备好数据信息,节省了用户访问时***工作的时间,大大提高了访问效率。
三、本发明通过在负荷量小的时候预测用户行为发生的可能性,并提前准备好数据信息,大大减轻了cpu以及内存的重荷;同时在负荷量小的时候执行避免了影响其他程序运行。
四、信息***设计是建立信息***的底层设计机制,数据准备完成后,可以做可见的信息化表达和不可见的信息处理机制,迎合客户的各种使用需求和体验。
附图说明
图1是本发明的框架流程图;
图2是实施例1的流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
下面结合图1、图2对本发明做详细说明。
如图1所示,一种基于用户行为模式的信息***设计方法,包括以下步骤:
S101:获取行为模式数据;其中,所述行为模式数据为历史行为模式数据或当前行为模式数据;若为当前行为模式数据,保存当前行为模式数据后结束流程;若为历史行为模式数据,执行步骤S102;
S102:根据已分类标示的业务类别数据,对所述历史行为模式数据进行分类标示,得出分类标示数据;
S103:根据行为模式数据和分类标示数据,利用机器学习中的预测算法对下一时间节点的用户行为进行预测,并得出与用户行为对应的预测结果;
S104:判断预测结果是否触发激活遗忘函数,如果触发,进入步骤S105;如果未触发,结束流程;
S105:准备预测的用户行为所对应的数据信息;
S106:获取用户反馈并根据用户反馈动态修正信息***的激活遗忘函数。
基于用户行为模式的信息***设计方法中,行为模式数据包括四大维度:时间、地点、人物、事件。
基于用户行为模式的信息***设计方法中,所述当前行为模式数据:第一用户主动发起请求时检测到此前第一用户和第二用户均没有历史访问记录,对第一用户当前行为模式信息进行抽象得出的数据;其中,第二用户为利用相似度评估法查询与第一用户最相似的用户;
历史行为模式数据:第一用户主动发起请求时或***自动发起预测时检测到此前第一用户或第二用户有历史访问记录,所述历史访问记录对应的历史行为模式数据。
基于用户行为模式的信息***设计方法中,相似度评估法采用数据为:基础数据和行为模式数据;基础数据:***初始化时或者用户注册时登记的数据。相似性的计算方法为基于用户两个方面的数据:基础数据和行为模式数据,基础数据是指***初始化时或者用户注册时登记的数据,行为模式数据为度量用户的行为习惯、感兴趣的数据。假设用户相似计算函数为UserSimilarity(用户A,用户B)=[0,1],函数值越接近1,表明这两个用户越相似,这里UserSimilarity的具体计算过程可以是简单的逻辑比对,也可以是基于时间序列、深度学习等方法。
基于用户行为模式的信息***设计方法中,已分类标示的业务类别数据具体为:基于人类经验和/或利用机器学习中的分类算法进行分类标示的业务类别数据;基于人类经验和/或利用机器学习中的分类算法进行分类标示,发生在用户没有与信息***发生人机交互之前,并随时更新。已分类标示好的业务类别数据具有类别及与类别一一对应的类别编码,类别编码具有全局唯一性和可识别。
基于用户行为模式的信息***设计方法中,预测结果为:预测的用户行为,在下一时间节点的使用概率和数据访问概率。
基于用户行为模式的信息***设计方法中,数据信息的准备机制包括:数据存储与延时销毁机制:在进行用户行为预测后,将准备好的数据信息存储在存储器中,在限定的时间范围内,信息***能够快速准确地访问数据信息;当超时以后,信息***会触发数据销毁机制,清除对应的数据信息;数据分发与共享机制:在进行用户行为预测后,将准备好的数据信息存储在存储器中,当检测到用户登录时,将数据信息推送给信息***前端。
基于用户行为模式的信息***设计方法中,获取用户反馈并根据用户反馈动态修正信息***的激活遗忘函数具体为:用户在规定时间内产生对准备好的数据信息的使用行为或者数据访问行为,则强化激活遗忘函数;用户在规定时间内未产生对准备好的数据信息的使用行为或者数据访问行为,则弱化激活遗忘函数。
基于用户行为模式的信息***设计方法中,监测***负载情况,在***负载较小的时间段周期循环运行步骤S101-S106。
实施例1
如图2所示:
(1)用户A(泛指与***发生交互的人或***)于2017年5月22日使用***的企业经济效益分析功能,如果***检测到用户A或者与用户A最相似的用户2017年5月22日之前没有历史访问记录,则获取当前行为模式数据并进行保存,否则利用相似度评估法找出具有最大相似性的信息***的历史行为模式数据(可以采用预设值)。此例中,采用历史行为模式数据(当前行为发生之前的5天内20170518-20170522的***预设)。
(2)对获取的行为模式数据进行分类标示,根据已分类标示的业务类别数据表2,查询行为模式数据所属的类别,并按类别对应的类别编码对其进行分类标示,得出分类标示数据。如表1所示,表1表示***抽象出的某类用户行为模式数据和经过分类标示的分类标示数据C1/C2,表2表示利用人类经验或者机器学习中可用的分类算法已分类标示的业务类别数据。
表1
用户ID时间 | 时间 | 其它属性 | 事件 | 数据类别ID |
001 | 20170518 | … | 查阅车间周次生产报表 | C1 |
001 | 20170519 | … | 查阅车间月度生产报表 | C1 |
002 | 20170519 | … | 查阅生产订单良品率 | C2 |
001 | 20170520 | … | 查阅车间周次生产报表 | C1 |
001 | 20170521 | … | 查阅车间周次生产报表 | C1 |
表2
数据类别ID | 业务类别 | 字段集 |
C1 | 在制 | 车间、产品线、在制品数量 |
C2 | 品质 | 物料编码、产品编码、半成品 |
(3)假定***的激活与遗忘函数为f(x),当f(x)>75%,输出触发信号给步骤(4)(实际的应用***中,f(x)可能是非常复杂的组合函数)。本实例中,设f(x)表示同一个用户5天之内访问相同类别数据的频率,即f(x)=80%,步骤(4)收到触发信号。
(4)由触发信号触发具体的数据抽取操作。具体抽取C1类相关数据信息。
(5)由信息***的准备机制将步骤(4)生成的数据信息主动推送给用户A,并记录用户A在规定时间内对该数据的反馈。
(6)根据***收到的用户A对推送数据的反馈,实现***感知功能,即动态修正***的激活与遗忘函数:如果***判别对用户A推送的数据是有效推送,则对激活函数进行奖励,比如令f(x)=f(x)+5%,否则对激活函数进行惩罚,令f(x)=f(x)-5%。
(7)根据***负载的可用性规划,利用***负载比较小的时间段循环步骤(1)-(6),以使***的效能和智能化程度提高。
以上仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于用户行为模式的信息***设计方法,其特征在于包括以下步骤:
S101:获取行为模式数据;其中,所述行为模式数据为历史行为模式数据或当前行为模式数据;若为当前行为模式数据,保存当前行为模式数据后结束流程;若为历史行为模式数据,执行步骤S102;
S102:根据已分类标示的业务类别数据,对所述历史行为模式数据进行分类标示,得出分类标示数据;
S103:根据历史行为模式数据和分类标示数据,利用机器学习中的预测算法对下一时间节点的用户行为进行预测,并得出与所述用户行为对应的预测结果;
S104:判断所述预测结果是否触发激活遗忘函数,如果触发,进入步骤S105;如果未触发,结束流程;
S105:准备预测的用户行为所对应的数据信息;
S106:获取用户反馈并根据用户反馈动态修正信息***的激活遗忘函数。
2.如权利要求1所述的一种基于用户行为模式的信息***设计方法,其特征在于,所述行为模式数据包括四大维度:时间、地点、人物、事件。
3.如权利要求1所述的一种基于用户行为模式的信息***设计方法,其特征在于,
所述当前行为模式数据:第一用户主动发起请求时检测到此前第一用户和第二用户均没有历史访问记录,对第一用户当前行为模式信息进行抽象得出的数据;其中,第二用户为利用相似度评估法查询与第一用户最相似的用户;
历史行为模式数据:第一用户主动发起请求时或***自动发起预测时检测到此前第一用户或第二用户有历史访问记录,所述历史访问记录对应的历史行为模式数据。
4.如权利要求1所述的一种基于用户行为模式的信息***设计方法,其特征在于,所述相似度评估法采用数据为:基础数据和行为模式数据;
基础数据:***初始化时或者用户注册时登记的数据。
5.如权利要求1所述的一种基于用户行为模式的信息***设计方法,其特征在于,所述已分类标示的业务类别数据具体为:基于人类经验和/或利用机器学习中的分类算法进行分类标示的业务类别数据;
已分类标示好的业务类别数据具有类别及与类别一一对应的类别编码,所述类别编码具有全局唯一性和可识别性。
6.如权利要求5所述的一种基于用户行为模式的信息***设计方法,其特征在于,所述基于人类经验和/或利用机器学习中的分类算法进行分类标示,发生在用户没有与信息***发生人机交互之前,并随时更新。
7.如权利要求1所述的一种基于用户行为模式的信息***设计方法,其特征在于,所述预测结果为:预测的用户行为,在下一时间节点的使用概率和数据访问概率。
8.如权利要求1所述的一种基于用户行为模式的信息***设计方法,其特征在于,数据信息的准备机制包括:
数据存储与延时销毁机制:在进行用户行为预测后,将准备好的数据信息存储在存储器中,在限定的时间范围内,信息***能够快速准确地访问数据信息;当超时以后,信息***会触发数据销毁机制,清除对应的数据信息;
数据分发与共享机制:在进行用户行为预测后,将准备好的数据信息存储在存储器中,当检测到用户登录时,将数据信息推送给信息***前端。
9.如权利要求1所述的一种基于用户行为模式的信息***设计方法,其特征在于,所述获取用户反馈并根据用户反馈动态修正信息***的激活遗忘函数具体为:用户在规定时间内产生对准备的数据信息的使用行为或者数据访问行为,则强化激活遗忘函数;用户在规定时间内未产生对准备的数据信息的使用行为或者数据访问行为,则弱化激活遗忘函数。
10.如权利要求1所述的一种基于用户行为模式的信息***设计方法,其特征在于,监测***负载情况,在***负载较小的时间段周期循环运行所述步骤S101-S106。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710569292.4A CN107423380B (zh) | 2017-07-13 | 2017-07-13 | 一种基于用户行为模式的信息***设计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710569292.4A CN107423380B (zh) | 2017-07-13 | 2017-07-13 | 一种基于用户行为模式的信息***设计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107423380A true CN107423380A (zh) | 2017-12-01 |
CN107423380B CN107423380B (zh) | 2020-09-11 |
Family
ID=60427491
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710569292.4A Active CN107423380B (zh) | 2017-07-13 | 2017-07-13 | 一种基于用户行为模式的信息***设计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107423380B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113268668A (zh) * | 2021-05-31 | 2021-08-17 | 广州简知信息科技有限公司 | 一种基于大数据精准运营的推送管理*** |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101189632A (zh) * | 2005-05-02 | 2008-05-28 | 瑞士联合银行集团 | 用于大量结果数据集的时间最优计算的数据处理方法 |
CN101247620A (zh) * | 2008-03-24 | 2008-08-20 | 中兴通讯股份有限公司 | 自定义报表实现方法 |
CN102111920A (zh) * | 2009-12-23 | 2011-06-29 | 大唐移动通信设备有限公司 | 一种性能报表管理的方法及装置 |
US20140272849A1 (en) * | 2013-03-15 | 2014-09-18 | Yahoo! Inc. | System and method providing positive social and economic motivators for goal achievement |
CN105807741A (zh) * | 2016-03-09 | 2016-07-27 | 北京科技大学 | 一种工业生产流程预测方法 |
CN106200434A (zh) * | 2016-08-18 | 2016-12-07 | 广州市迪士普音响科技有限公司 | 智慧平台的云计算和大数据处理方法和*** |
CN106777037A (zh) * | 2016-12-09 | 2017-05-31 | 南京欣网互联信息技术有限公司 | 一种生成运营平台一体化报表的方法 |
-
2017
- 2017-07-13 CN CN201710569292.4A patent/CN107423380B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101189632A (zh) * | 2005-05-02 | 2008-05-28 | 瑞士联合银行集团 | 用于大量结果数据集的时间最优计算的数据处理方法 |
CN101247620A (zh) * | 2008-03-24 | 2008-08-20 | 中兴通讯股份有限公司 | 自定义报表实现方法 |
CN102111920A (zh) * | 2009-12-23 | 2011-06-29 | 大唐移动通信设备有限公司 | 一种性能报表管理的方法及装置 |
US20140272849A1 (en) * | 2013-03-15 | 2014-09-18 | Yahoo! Inc. | System and method providing positive social and economic motivators for goal achievement |
CN105807741A (zh) * | 2016-03-09 | 2016-07-27 | 北京科技大学 | 一种工业生产流程预测方法 |
CN106200434A (zh) * | 2016-08-18 | 2016-12-07 | 广州市迪士普音响科技有限公司 | 智慧平台的云计算和大数据处理方法和*** |
CN106777037A (zh) * | 2016-12-09 | 2017-05-31 | 南京欣网互联信息技术有限公司 | 一种生成运营平台一体化报表的方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113268668A (zh) * | 2021-05-31 | 2021-08-17 | 广州简知信息科技有限公司 | 一种基于大数据精准运营的推送管理*** |
Also Published As
Publication number | Publication date |
---|---|
CN107423380B (zh) | 2020-09-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103970873B (zh) | 一种音乐推荐方法和*** | |
CN104574192B (zh) | 在多个社交网络中识别同一用户的方法及装置 | |
CN108596630B (zh) | 基于深度学习的欺诈交易识别方法、***及存储介质 | |
Zhong et al. | Active Learning from Crowds with Unsure Option. | |
US9946775B2 (en) | System and methods thereof for detection of user demographic information | |
CN113127632B (zh) | 基于异质图的文本摘要方法及装置、存储介质和终端 | |
CN106506705A (zh) | 基于位置服务的人群分类方法及装置 | |
CN105893406A (zh) | 群体用户画像方法及*** | |
CN103793484A (zh) | 分类信息网站中的基于机器学习的欺诈行为识别*** | |
JP2018516421A (ja) | ネットワークアクセス動作識別方法、サーバ及び記憶媒体 | |
CN108053322A (zh) | 车辆的用户投资回报估算方法及*** | |
CN110955690A (zh) | 一种基于大数据技术的自助数据标签平台及自助数据标签方法 | |
CN110647995A (zh) | 规则训练方法、装置、设备及存储介质 | |
CN112308387B (zh) | 客户意向度评估方法与装置、云服务器 | |
US11928017B2 (en) | Point anomaly detection | |
CN109583712B (zh) | 一种数据指标分析方法及装置、存储介质 | |
CN107423380A (zh) | 一种基于用户行为模式的信息***设计方法 | |
CN107944929A (zh) | 一种基于用户行为数据进行建模的用户画像建立方法 | |
CN110019662B (zh) | 一种标签重建方法及装置 | |
Huang et al. | Data mining algorithm for cloud network information based on artificial intelligence decision mechanism | |
Kachuee et al. | Context-aware feature query to improve the prediction performance | |
CN110083828A (zh) | 一种文本聚类方法及装置 | |
Airoldi et al. | A Poisson convolution model for characterizing topical content with word frequency and exclusivity | |
Yan et al. | An E-commerce coupon target population positioning model based on random forest and extreme gradient boosting | |
CN113344604A (zh) | 一种基于用户行为数据及流计算的用户细分方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |