CN107423442A - 基于用户画像行为分析的应用推荐方法及***,储存介质及计算机设备 - Google Patents
基于用户画像行为分析的应用推荐方法及***,储存介质及计算机设备 Download PDFInfo
- Publication number
- CN107423442A CN107423442A CN201710666989.3A CN201710666989A CN107423442A CN 107423442 A CN107423442 A CN 107423442A CN 201710666989 A CN201710666989 A CN 201710666989A CN 107423442 A CN107423442 A CN 107423442A
- Authority
- CN
- China
- Prior art keywords
- user
- data
- recommended models
- basic
- characteristic vector
- 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
- 238000000034 method Methods 0.000 title claims abstract description 59
- 230000003542 behavioural effect Effects 0.000 title claims abstract description 48
- 238000004458 analytical method Methods 0.000 title claims abstract description 38
- 238000003860 storage Methods 0.000 title claims description 10
- 230000004927 fusion Effects 0.000 claims abstract description 50
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 42
- 238000012549 training Methods 0.000 claims abstract description 27
- 238000000605 extraction Methods 0.000 claims abstract description 23
- 230000006399 behavior Effects 0.000 claims abstract description 21
- 238000010276 construction Methods 0.000 claims abstract description 15
- 230000007787 long-term memory Effects 0.000 claims abstract description 15
- 230000013016 learning Effects 0.000 claims abstract description 9
- 230000009471 action Effects 0.000 claims description 28
- 238000012545 processing Methods 0.000 claims description 21
- 238000004140 cleaning Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000002790 cross-validation Methods 0.000 claims description 8
- 230000003993 interaction Effects 0.000 claims description 8
- 210000002569 neuron Anatomy 0.000 claims description 8
- 238000007637 random forest analysis Methods 0.000 claims description 8
- 238000012706 support-vector machine Methods 0.000 claims description 7
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 238000007477 logistic regression Methods 0.000 claims description 6
- 230000002708 enhancing effect Effects 0.000 claims description 5
- 238000009434 installation Methods 0.000 claims description 4
- 238000010801 machine learning Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 241001269238 Data Species 0.000 claims description 3
- 230000007717 exclusion Effects 0.000 claims description 3
- 239000013589 supplement Substances 0.000 claims 1
- 238000004141 dimensional analysis Methods 0.000 abstract description 6
- 230000006870 function Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 230000000306 recurrent effect Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 2
- 230000015654 memory Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- HUTDUHSNJYTCAR-UHFFFAOYSA-N ancymidol Chemical compound C1=CC(OC)=CC=C1C(O)(C=1C=NC=NC=1)C1CC1 HUTDUHSNJYTCAR-UHFFFAOYSA-N 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000000155 melt Substances 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 230000002688 persistence Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000013519 translation 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
- G06F16/90—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
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供一种基于用户画像行为分析的游戏推荐方法及***。通过构建特征采集器,对用户画像数据、应用列表数据、客户端上报的数据进行处理,获得规范化且符合数学建模要求的特征向量。利用多个基础推荐模型进行预测,生成初步的用户应用推荐列表及相应下载概率;结合下载概率及实际标签训练融合模型,生成最终的应用推荐列表。通过对用户历史行为日志的多维度分析,进行特征提取构建用户画像数据仓库。对于基础推荐模型,创新性地引入长短期记忆网络学习用户行为的时序关系,更好地刻画用户对物品的喜好程度,所推荐游戏应用与用户的需求匹配度高。加入集成学习进行模型融合,整合各个模型的学习结果,提高推荐算法的稳定性和泛化能力。
Description
技术领域
本发明属于网络信息技术领域,尤其涉及一种基于用户画像行为分析的应用推荐方法,一种基于用户画像行为分析的应用推荐***,一种计算机可读储存介质,以及一种计算机设备。
背景技术
近年来,随着移动互联网行业的高速发展,互联网承载的信息量也随之呈现出爆发式增长。各类移动互联网信息载体,为用户提供多样化的获取信息内容的方式,但也随之带来信息过载的困扰,用户从主动搜索互联网内容变为被动地接收大量互联网订阅和推送等信息,同时也使得用户获取信息的成本相应增加。在具体的业务场景下,结合用户的行为习惯进行分析,提供符合用户喜好的内容和服务成为了核心的需求,为解决用户需求,互联网领域的推荐方法和***应运而生。
当前,iOS和Android两大移动***平台的应用数量已经超过百万级别的规模。庞大的应用规模带来了应用市场的经济繁荣,其中游戏应用收入占据了应用市场大部分的收入。应用市场给用户提供种类丰富应用选择的同时,也带来了应用选择的困扰。因此,为用户提供符合其个性化需求的应用推荐服务,既可以提升用户体验,又可以增加平台收益。
目前比较广泛应用的应用推荐方法主要有协同过滤推荐、基于内容的推荐以及隐语义模型推荐等。协同过滤推荐方法主要被应用于电商行业,它一般采用最近邻技术,利用用户的历史喜好信息计算用户之间的距离,然后利用目标用户的最近邻用户对物品评价的加权评价值来预测目标用户对特定物品的喜好程度,***从而根据这一喜好程度来对目标用户进行推荐。但是,这种推荐方法针对的是具有历史记录数据的用户。特别地,当用户为新用户时,由于并不存在历史操作数据,此时为用户进行产品推荐存在一定困难。基于内容的推荐方法,则通过相关的特征属性刻画用户和物品,该方法基于用户和物品特征,学习用户兴趣,从而根据用户跟物品的兴趣匹配程度进行推荐。但基于内容的推荐方法需要人工抽取有意义的特征,要求尽可能刻画用户对物品的喜好程度。隐语义模型推荐,其核心思想就是通过隐含特征联系用户兴趣和物品。该模型的实现过程一般包含三个部分,首先将物品映射到隐含分类,其次确定用户对隐含分类的兴趣,最后选择用户感兴趣的分类中的物品推荐给用户。这类方法基于用户行为数据的统计,再进行自动聚类,找出潜在的主题或分类。
然而,上述模型的数据源都比较单一,在不同的上下文环境中,会有稳定性不佳,泛化能力差的缺点,使应用推荐结果的准确度下降。
发明内容
基于此,本发明的目的在于,提供一种基于用户画像行为分析的应用推荐方法、一种基于用户画像行为分析的应用推荐***、一种计算机可读储存介质以及一种计算机设备,能够提高应用推荐的稳定性及泛化能力,为用户提供个性化的应用推荐。
本发明通过以下方案实现:
一种基于用户画像行为分析的应用推荐方法,包括如下步骤:获取客户端上报的用户行为日志,并存储在服务器基础数据库中;通过构建特征采集器,对用户画像数据、原始应用列表数据以及所述用户行为日志数据进行数据采集、清洗、标准化处理以及特征组合和提取,获得统一规范的且符合数学建模要求的特征向量;调用多个预设的基础推荐模型分别对所述特征向量进行运算,获得各个基础推荐模型下相应用户的初步应用推荐列表,以及相应用户对所述初步应用推荐列表中各种应用的下载概率;将各个所述基础推荐模型得到的下载概率作为新的特征向量输入,并以实际下载所述应用与否作为融合推荐模型的标签,训练预先设置的融合推荐模型;调用所述融合推荐模型对用户的新增特征向量进行处理,获得对相应用户的最终应用推荐列表。
本发明的基于用户画像行为分析的应用推荐方法,通过对用户历史行为日志的多维度分析,对日志进行特征提取构建用户画像数据仓库。加入融合推荐模型,整合了各个基础推荐模型的学习结果,提高了推荐算法的稳定性和泛化能力,推荐的应用与用户的需求匹配度高。
在本发明的一个实施例中,所述用户行为日志数据包括用户应用安装列表、设备信息、游戏登录时间、游戏充值和消费信息。
通过对用户行为日志数据的全面采集,能够更准确地把握用户的兴趣,提高对用户对用户推荐应用的准确性。
在本发明的一个实施例中,对所述用户画像数据、所述原始应用列表数据以及所述用户行为日志数据进行数据采集、清洗、标准化处理以及特征组合和提取,获得统一规范且符合数学建模要求的特征向量的步骤包括:
对所述用户画像数据、所述原始应用列表数据以及所述用户行为日志数据进行采样,获取各种采样数据,其中,所述采样数据包括:数值数据、文本数据、时序数据和枚举数据;
对时序数据按照不同的时间单位分离成各个基础运算模型所需的维度;对数值数据进行Z-score标准化处理;对文本数据进行语义分析;对枚举分类数据,采用独热编码进行处理;
对处理后的各项数据进行特征提取,并对提取到的特征向量进行降维处理;
生成具有统一规范且符合数学建模要求的特征向量,包括:用户特征向量、应用特征向量、行为特征向量和交互特征向量。
通过构建特征采集器对所述用户画像数据、所述原始应用列表数据以及所述用户行为日志数据进行采样,获取数值数据、文本数据、时序数据和枚举数据,并对每种数据从不同维度进行拓展,可以提高推荐算法的稳定性和泛化能力。
在本发明的一个实施例中,调用多个预设的基础推荐模型分别对所述特征向量进行运算,获得各个基础推荐模型下相应用户的初步应用推荐列表,以及相应用户对所述初步应用推荐列表中各种应用的下载概率的步骤包括:
采用k折交叉验证法对每个基础推荐模型进行训练,在训练阶段,每个基础推荐模型采用网格搜索法进行参数调优,得到最优参数,并生成各个用户在各个基础推荐模型下的初步应用推荐列表,以及用户对所述初步应用推荐列表中各种应用的下载概率。
通过基础推荐模型分别对用户的所述特征向量进行运算,获取初步应用推荐列表,以及其中各种应用的下载概率,可以对第二层的融合推荐模型进行有效训练。结合所有基础推荐模型的结果,相当于多个基础推荐模型都有参与推荐,推荐结果更加准确。
在本发明的一个实施例中,采用k折交叉验证法对每个基础推荐模型进行训练包括以下步骤:
将各个基础推荐模型的训练样本集划分成k个大小相同且内容互斥的子集;
进行k次迭代,每次迭代均采用k-1个子集的并集作为训练集,余下的子集作为测试集,将得到的k组训练集和测试集进行所述基础推荐模型的训练。
通过对各个基础推荐模型采用k折交叉验证法进行训练,提高单个基础推荐模型的泛化能力。
在本发明的一个实施例中,采用滑动窗口法对所述用户画像数据、所述原始应用列表数据以及所述用户行为日志数据进行采样,获取采样数据;在调用多个预设的基础推荐模型分别对所述特征向量进行运算的步骤中,所述基础推荐模型采用的机器学习方法包括:逻辑回归、自适应增强、支持向量机和随机森林,并且还包括长短期记忆网络的学习方法;且采用长短期记忆网络进行训练时,在采样的滑动窗口每滑动一次的数据集的基础上,将该数据集作为相应的基础推荐模型的输入,对所述基础推荐模型采用反向传播算法的训练算法进行训练。
在基础推荐模型生成初步应用推荐列表的过程中,考虑时序的因素,由于滑动窗口法采集的样本特征跨越了一定的时间周期,能学习到时序上的依赖关系,本发明创新性地引入长短记忆网络(LSTM),学习用户行为的时序关系,得到个性化推荐模型,该模型能够更好地刻画用户对物品的喜好程度,所推荐游戏应用与用户的需求匹配度高。
在本发明的一个实施例中,反向传播算法包括:
前向计算每个神经元的输出值;
反向计算每个神经元的误差项值,包括两个方向,其中一个方向为将误差项沿时间的反向传播,另一个方向为将误差项向上一层传播;
根据相应的误差项,计算每个权重的梯度。
通过反向传播算法可以有效地对建立的长短期记忆网络进行训练,获得准确的模型数据。
在本发明的一个实施例中,还提供一种应用推荐的***,包括:
行为数据获取模块,用于获取客户端上报的用户行为日志,并存储在服务器基础数据库中;
特征提取模块,用于通过构建特征采集器,对用户画像数据、原始应用列表数据以及所述用户行为日志数据进行数据采集、清洗、标准化处理以及特征组合和提取,获得统一规范的且符合数学建模要求的特征向量;
基础模型运算模块,用于调用多个预设的基础推荐模型分别对所述特征向量进行运算,获得各个基础推荐模型下相应用户的初步应用推荐列表,以及相应用户对所述初步应用推荐列表中各种应用的下载概率;
融合推荐模型模块,用于将各个所述基础推荐模型得到的的下载概率作为新的特征向量输入,并以实际下载所述应用与否作为融合推荐模型的标签,训练预先设置的融合推荐模型;
融合推荐模型运算模块,调用所述融合推荐模型对用户的新增特征向量进行处理,获得对相应用户的最终应用推荐列表。
本发明的基于用户画像行为分析的应用推荐***,行为数据获取模块获取用户行为日志数据,特征提取模块通过构建特征采集器,对用户画像数据、原始应用列表数据以及所述用户行为日志数据进行数据采集、清洗、标准化处理以及特征组合和提取,获得统一规范的特征向量;基础模型运算模块采用多个基础推荐模型先对所述特征向量进行处理,获得初步应用推荐列表,以及用户对所述初步应用推荐列表中各种应用的下载概率,融合推荐模型模块训练获得融合推荐模型,融合推荐模型运算模块调用所述融合推荐模型处理获得用户的应用推荐列表。通过对用户历史行为日志的多维度分析,对日志进行特征提取构建用户画像数据仓库。加入融合推荐模型,整合了各个基础推荐模型的学习结果,提高了推荐算法的稳定性和泛化能力,推荐的应用与用户的需求匹配度高。
在本发明的一个实施例中,还提供一种计算机可读储存介质,其上储存有计算机程序,其特征在于,该计算机程序被处理器执行时实现如上述任意一项所述的基于用户画像行为分析的应用推荐方法的步骤。
在本发明的一个实施例中,还提供一种计算机设备,包括储存器、处理器以及储存在所述储存器中并可被所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如上述所述任意一项的基于用户画像行为分析的应用推荐方法的步骤。
本发明在传统基于用户画像行为分析的应用推荐方法的基础上,结合游戏平台应用环境的特点,提出了一种基于用户画像行为分析的应用推荐方法,该方法基于用户画像数据仓库技术进行结构化特征提取,同时融入了集成学***台用户的体验。
本发明一是处理原始特征数据建模框架,即构建特征采集器,使其具备能将不同类型的原始数据特征处理成规范化的并可进行数学模型训练的特征向量的功能,其中原始数据可以是数值数据、文本数据、时序数据、枚举数据等;二是融合推荐模型,即将多个单一分类器进行融合,使模型获得比单一分类器更加优越的泛化性能,从而生成推荐。由于推荐***面临的应用场景的多样性,在不同的场景下,单一的推荐算法得到的预测可能会存在泛化能力不佳的情况,因此本发明提供的多个推荐算法的组合策略尤为重要。融合推荐模型是构建并结合多个推荐算法的优势,取长补短,组合形成一个强大的推荐框架。另外,用户的行为习惯可能会受到时间序列因素的影响而发生变化,因此在时序行为特征上,本发明在融合推荐模型第一层的基础预测算法加入了长短期记忆网络(LSTM)来处理时序数据,将多个推荐算法预测结果作为新的特征,训练第二层的预测算法,得到最终的游戏应用列表。
因此对用户的时序行为起到有效的处理。用户时序行为,即用户消费产品的时序信息隐藏着数据变化的规则,利用这些规则可挖掘用户与产品之间的联系。而时序行为对预测用户是否点击下载相应的应用具有重要的作用。用户点击查看某个类别的应用之后,很可能继续点击查看同样类别的应用。近年来,由于循环神经网络(Recurrent NeuralNetworks,RNN)具有序列建模的能力,从而在自然语言处理、图像识别、语音识别等领域迅速得到大量应用。例如,谷歌利用RNN实现了机器翻译质量的大幅度提升,RNN得到越来越多的关注,RNN也开始尝试运用在推荐领域中。
本发明提出了一种自动化的特征采集器,即可对数值数据、文本数据、时序数据、枚举数据等进行清洗,处理成规范化的格式,从而提取出特征向量的一种装置。
本发明提出了融合推荐模型,在应用推荐***的应用层面,提出了长短期记忆网络(LSTM)来挖掘时序行为特征,从而通过时序信息分析用户与产品的潜在关系。
附图说明
图1为本发明实施例中基于用户画像行为分析的应用推荐方法的流程图;
图2为本发明实施例中采用滑动窗口法进行数据采集的原理示意图;
图3为本发明实施例中构建的特征采集器的原理示意图;
图4为本发明实施例中构建的融合推荐模型的原理示意图;
图5为本发明实施例中基于用户画像行为分析的应用推荐***的结构示意图。
具体实施方式
请参阅图1,其为本发明实施例中基于用户画像行为分析的应用推荐方法的流程图,所述基于用户画像行为分析的应用推荐方法,包括如下步骤:
S101,获取客户端上报的用户行为日志,并存储在服务器基础数据库中;
S102,通过构建特征采集器,对用户画像数据、原始应用列表数据以及所述用户行为日志数据进行数据采集、清洗、标准化处理以及特征组合和提取,获得统一规范的且符合数学建模要求的特征向量;
S103,调用多个预设的基础推荐模型分别对所述特征向量进行运算,获得各个基础推荐模型下相应用户的初步应用推荐列表,以及相应用户对所述初步应用推荐列表中各种应用的下载概率;
S104,将各个所述基础推荐模型得到的下载概率作为新的特征向量输入,并以实际下载所述应用与否作为融合推荐模型的标签,训练预先设置的融合推荐模型;
S105,调用所述融合推荐模型对用户的新增特征向量进行处理,获得对相应用户的最终应用推荐列表。
本发明的基于用户画像行为分析的应用推荐方法,通过构建特征采集器,对用户画像数据、原始应用列表数据以及所述用户行为日志数据进行数据采集、清洗、标准化处理以及特征组合和提取,获得统一规范的特征向量,并采用多个基础推荐模型先对所述特征向量进行处理,获得初步应用推荐列表,以及用户对所述初步应用推荐列表中各种应用的下载概率,从而训练获得融合推荐模型,调用所述融合推荐模型处理获得用户的应用推荐列表。通过对用户历史行为日志的多维度分析,对日志进行特征提取构建用户画像数据仓库。加入融合推荐模型,整合了各个基础推荐模型的学习结果,提高了推荐算法的稳定性和泛化能力,推荐的应用与用户的需求匹配度高。
在本发明的一个实施例,步骤S101中,所述用户行为日志数据包括用户应用安装列表、设备信息、游戏登录时间、游戏充值和消费信息。
客户端可获取并上报用户行为日志,上报日志包括用户应用安装列表、设备信息、游戏登录时间、游戏充值和消费等信息,并将其存储在服务器基础数据库中。
通过对用户历史行为日志的多维度分析,构建用户画像数据仓库,可以提高推荐算法的泛化能力。
在本发明的一个实施例,步骤S102中,对所述用户画像数据、所述原始应用列表数据以及所述用户行为日志数据进行数据采集、清洗、标准化处理以及特征组合和提取,获得统一规范且符合数学建模要求的特征向量的步骤包括:
对所述用户画像数据、所述原始应用列表数据以及所述用户行为日志数据进行采样,获取各种采样数据,其中,所述采样数据包括:数值数据、文本数据、时序数据和枚举数据;
对时序数据按照不同的时间单位分离成各个基础运算模型所需的维度;对数值数据进行Z-score标准化处理;对文本数据进行语义分析;对枚举分类数据,采用独热编码进行处理;
对处理后的各项数据进行特征提取,并对提取到的特征向量进行降维处理;
生成具有统一规范且符合数学建模要求的特征向量,包括:用户特征向量、应用特征向量、行为特征向量和交互特征向量。
通过构建特征采集器对所述用户画像数据、所述原始应用列表数据以及所述用户行为日志数据进行采样,获取数值数据、文本数据、时序数据和枚举数据,并对每种数据从不同维度进行拓展,可以提高推荐算法的稳定性和泛化能力。
根据步骤S101获取的上报数据,本步骤S102可进行特征采集器的构建。特征采集器,主要是对原始的用户画像数据、原始的应用列表数据、客户端上报的数据进行数据清洗,处理成规范化的格式,从而提取出数据特征向量的一种装置。本发明中构建的特征采集器是可自定义以及泛化到多种数据应用场景的,基于输入数据源,将数据源转化可进行数学模型训练的特征向量,其中数据源可以是数值数据、文本数据、时序数据、枚举数据等。
构建特征采集器的步骤具体如下:
(1)编写输入数据源的接口,使用该接口可传入基础数据;
(2)将数值数据、文本数据、时序数据、枚举数据等处理为规范化的特征向量;
(3)编写输出特征向量的接口,使用该接口可获取规范化的特征向量。
其中,上述数据处理的方法包括数据预处理、量纲化、特征二值化、缺失值替换等。
本发明在数据上报层面记录的原始时序日志类数据中,建立了一种通用的特征提取方法。
本发明中定义并使用了用户特征(Fuser)、应用特征(Fapp)、行为特征(Fact)和交互特征(Finter),其中:
用户特征(Fuser)包括用户注册时长、注册时间、年龄、性别、设备***、活跃度和消费能力指数等;
应用特征(Fapp)包括游戏应用类别、上架时间、上架时长、启动次数、用户粘度和充值订单数等;
行为特征(Fact)包括点击游戏应用详情页,点击时间,是否订阅游戏应用,是否下载游戏应用,是否加入游戏小组和游戏评价等;
交互特征(Finter)即两两特征之间或者多个特征之间组合的方式生成交互特征,包括用户和游戏应用、用户和游戏类别、游戏应用和游戏类别等。
优选地,在特征处理中,对所述四类采样数据加入时间、计数、比值等不同维度来拓展,进而衍生为如近n天订单数、近n天活跃用户、近n天日均新增用户、近n天日均消费金额等(n=1、2、3、5、7、15等),数据处理的方法包括数据预处理、量纲化、特征二值化、缺失值替换。
具体的,在步骤S102的特征构建过程中,对时间戳类如注册时间、上架时间等特征,将时间分离成月、星期、日、小时等多个模型所需要的维度;对数值类型,如年龄、活跃度、启动次数等特征,为减少数值对算法的干扰,对其进行Z-score标准化处理;对文本类型特征,如游戏评价,主要是采用情感分析,评估该游戏应用的受欢迎程度并作为其特征;对分类类型的数据特征,如游戏应用类别、用户性别等,采用了独热编码(One-Hot Encoding)的处理方式。
基于上述特征构建和特征处理上,在特征提取以及降维处理中,采用惩罚项的特征选择法,选取了逻辑回归(Logistic Regression,LR)模型计算出各个特征的权值系数,过滤低于阈值系数的特征项。
在一种优选实施例中,采用滑动窗口法进行数据采样,选取一个时间区间内的样本数据作为特征,下一个时间段内的样本数据作为标签,以标签所在的时长滑动到下一个时间段进行下一次采样。如图2所示。
本发明中,数据源经数据特征采集器处理后,可生成四类特征向量,即用户特征、应用特征、行为特征和交互特征。具体框架流程图如图3所示。
在一种优选实施例中,本发明将处理后的特征向量存储在特征数据库中,所述特征数据库采用关系型数据库和非关系型数据库结合的方式。
在构建好数据特征采集器后,需要将处理后的特征向量存储在数据库中。具体的,本发明使用了关系型数据库以及非关系型数据库,包括MongoDB、MySQL、Redis数据库。其中MongoDB与MySQL用来存储每日离线数据特征,融合推荐模型是根据每日离线特征向量进行更新维护;Redis则用来实时存储当前日期新增的特征向量,推荐***可对用户进行实时的个性化推荐。
在本发明的一个实施例中,步骤S103包括:
采用k折交叉验证法对每个基础推荐模型进行训练,在训练阶段,每个基础推荐模型采用网格搜索法进行参数调优,得到最优参数,并生成各个用户在各个基础推荐模型下的初步应用推荐列表,以及用户对所述初步应用推荐列表中各种应用的下载概率。
利用推荐算法模块,从用户基础特征,历史行为和应用特征等,对每个样本数据生成游戏应用列表。具体的,给定用户,从数据库获取应用列表和用户历史行为等特征向量进行拼接,即[Fuser,Fapp,Fact,Finter],判定用户是否会下载,从转化为分类问题,计算用户下载游戏的概率p(y=1|Fuser,Fapp,Fact,Finter),即为用户可能下载的游戏应用的概率大小。
在一种优选实施例中,基础推荐模型主要采用机器学习的方法,其中包括以下两个或以上的组合:组合逻辑回归(LR)、自适应增强(Adaptive Boosting,AdaBoost)、支持向量机(Support Vector Machine,SVM)和随机森林(Random Forest,RF)和长短期记忆网络(LSTM)。本发明提出的方法模型的流程是基础数据经过特征采集器后,得到输出特征向量,将特征向量输入给分类器训练,从而得到待推荐的游戏内容和服务。
通过基础推荐模型分别对用户的所述特征向量进行运算,获取初步应用推荐列表,以及其中各种应用的下载概率,可以对第二层的融合推荐模型进行有效训练。结合所有基础推荐模型的结果,相当于多个基础推荐模型都有参与推荐,推荐结果更加准确。
推荐***需要面对的应用场景往往存在比较大的差异,在不同的场景下,单一推荐算法得到的预测可能会存在泛化性能不佳的情况,同时也不能很好地处理多种场景下推荐问题,合理利用模型的融合算法可以比单一模型算法有明显的效果提升,因此融合多个推荐算法的组合策略尤为重要。
在本发明的一个实施例中,采用k折交叉验证法对每个基础推荐模型进行训练的步骤包括:
将各个基础推荐模型的训练样本集划分成k个大小相同且内容互斥的子集;
进行k次迭代,每次迭代均采用k-1个子集的并集作为训练集,余下的子集作为测试集,将得到的k组训练集和测试集进行所述基础推荐模型的训练。
通过采用k折交叉验证法,可以更好地利用数据特征训练来调参,提高单个基础推荐模型分类器的泛化性能。
本发明中,使用的基学习算法(base learning algorithm)主要有逻辑回归(LR)、自适应增强(AdaBoost)、支持向量机(SVM)、随机森林(RF)和长短期记忆网络(LSTM)分类器。其中在LR模型中,用户下载游戏应用的概率模型为:
式中,y={0,1}为分类数据,p为对应y中该分类的概率,w为权重矩阵,x为特征向量,b为偏置项。
在训练阶段,每个基础推荐模型的分类器方法采用网格搜索法进行参数调优,得到最优参数,并对每个用户生成待推荐游戏应用列表以及对应的下载概率。
在本发明的一个实施例中,采用滑动窗口法对所述用户画像数据、所述原始应用列表数据以及所述用户行为日志数据进行采样,获取采样数据;在调用多个预设的基础推荐模型分别对所述特征向量进行运算的步骤中,所述基础推荐模型采用的机器学习方法包括:逻辑回归、自适应增强、支持向量机和随机森林,并且还包括长短期记忆网络的学习方法;且采用长短期记忆网络进行训练时,在采样的滑动窗口每滑动一次的数据集的基础上,将该数据集作为相应的基础推荐模型的输入,对所述基础推荐模型采用反向传播算法的训练算法进行训练。
推荐***的算法会面临时序特征处理的问题,比如用户的长短期兴趣会发生变化,本发明中在融合推荐模型上创新性地加入了长短期记忆网络(LSTM)用于拟合时序行为信息,来学习时序上的依赖关系。
在基础推荐模型生成初步应用推荐列表的过程中,考虑时序的因素,由于滑动窗口法采集的样本特征跨越了一定的时间周期,能学习到时序上的依赖关系,引入长短记忆网络(LSTM),学习用户行为的时序关系,得到个性化推荐模型,该模型能够更好地刻画用户对物品的喜好程度,所推荐游戏应用与用户的需求匹配度高。
在基础推荐模型生成待初步应用推荐列表中,考虑时序的因素,由于滑动窗口法采集的样本特征跨越了一定的时间周期,为了能学习到时序上的依赖关系,在算法策略层针对滑动窗口采样的数据集加入了长短期记忆网络(LSTM)进行训练,即在每滑动一次的数据集的基础上,将该数据集作为模型的输入,模型的训练算法主要是反向传播算法。
在本发明的一个实施例中,反向传播算法包括:
前向计算每个神经元的输出值;
反向计算每个神经元的误差项值,包括两个方向,其中一个方向为将误差项沿时间的反向传播,另一个方向为将误差项向上一层传播;
根据相应的误差项,计算每个权重的梯度。
通过反向传播算法可以有效地对建立的长短期记忆网络进行训练,获得准确的模型数据。
所述反向传播算法,主要计算步骤为:
(1)前向计算每个神经元的输出值,即ft,it,ct,ot,ht五个向量的值,ft表示ForgetGate遗忘门在t时刻的状态输出,it表示Input Gate输入门在t时刻的状态输出,ct表示在t时刻的状态值,ot表示Output Gate输出门在t时刻的状态输出,ht表示在t时刻长短期记忆网络(LSTM)模型的输出;
(2)反向计算每个神经元的误差项δ值,包括两个方向,其中一个方向是沿时间的反向传播,即从当前t时刻开始,计算每个时刻的误差项,另一个方向是将误差项向上一层传播;
(3)根据相应的误差项,计算每个权重的梯度。
该模型可以定义为:
ft=σ(Wf*[ht-1,xt]+bf)
it=σ(Wi*[ht-1,xt]+bi)
ot=σ(Wo*[ht-1,xt]+bo)
ht=ot*tanh(Ct)
其中,σ函数表示Sigmoid层,tanh函数为tanh层,其表达是分别为:
在长短期记忆网络(LSTM)中,其相对循环神经网络(RNN)的优势在于能够将信息持久化,该模型通过Gate Mechanism(门的机制),即Input Gate、Forget Gate、OutputGate来进行运算,其中Forget gate表示上一时刻的Ct-1有多少保留到当前时刻Ct,InputGate表示当前时刻的输入xt有多少保存到Ct中,Output Gate用来控制Ct有多少输出到当前时刻的输出值ht,它们均通过Sigmoid层将向量的值压缩为0或者1,这里0表示剔除输入值,1表示让输入值通过并参与到后续的运算中,具体步骤为:
(1)Forget Gate的Sigmoid层决定哪些信息要从Ct中剔除,Forget Gate会根据[ht-1,xt],即在上一时刻的输出ht-1和滑动到当前时刻t的样本特征连接而成的向量(包括用户特征、应用特征、行为特征和交互特征)作为t时刻的特征输入;
(2)Input Gate的Sigmoid层和tanh层决定要更新哪些信息。具体的,Input Gate的Sigmoid层决定要更新哪些信息,tanh层会计算一个新的将和Ct-1的值组合起来获得第t次更新的Ct;
(3)Sigmoid层的Output Gate决定将输出的ht,即将Ct通过tanh层处理之后(使得输出值在-1到1之间)与Output Gate的Sigmoid层的输出ot相乘,得到最终结果。
对于步骤S104,将各个所述基础推荐模型得到的初步应用推荐列表,以及相应用户对所述初步应用推荐列表中各种应用的下载概率作为新的特征向量输入,并以实际下载所述应用与否作为融合推荐模型的标签,训练预先设置的融合推荐模型;
融合阶段是对S103生成的初步应用推荐列表进行第二次融合推荐,生成最终应用推荐列表。本发明的融合推荐模型是可以针对多种的业务场景进行最优模型选择并融合,充分地运用了不同模型学习到不同特征的优点。本发明中融合推荐模型处理的具体步骤是:
(1)对每个基础模型进行预测,给每个用户生成推荐,推荐结果包括用户的待推荐应用列表以及对应的下载概率;
(2)将上一步基础模型输出的下载概率作为特征输入,实际下载游戏与否作为融合推荐模型的标签,训练融合推荐模型,并评估融合推荐模型预测效果;
(3)根据上述两个步骤生成融合推荐模型,对每个用户进行推荐,生成最终的应用推荐列表。
在融合阶段,为了避免过拟合的风险,步骤S104中使用步骤S103中未使用的样本数据来产生训练样本,该集成学习的融合推荐模型的原理框架如图4所示。同时在当前业务场景下,基于产品和运营规则,在最终生成的应用推荐列表中,还可设置一些剔除规则,例如过滤因时间衰减因素导致将下架的应用,过滤掉该部分不符合条件的推荐结果;也可加入一些用于调节控制的规则,如设定一定时间内下载量最多的应用,或者在运营规则之内的游戏应用等。
在本发明的一个实施例中,还提供一种基于用户画像行为分析的应用推荐***,如图5所示,所述基于用户画像行为分析的应用推荐***包括:
行为数据获取模块10,用于获取客户端上报的用户行为日志,并存储在服务器基础数据库中;
特征提取模块20,用于通过构建特征采集器,对用户画像数据、原始应用列表数据以及所述用户行为日志数据进行数据采集、清洗、标准化处理以及特征组合和提取,获得统一规范的且符合数学建模要求的特征向量;
基础模型运算模块30,用于调用多个预设的基础推荐模型分别对所述特征向量进行运算,获得各个基础推荐模型下相应用户的初步应用推荐列表,以及相应用户对所述初步应用推荐列表中各种应用的下载概率;
融合推荐模型模块40,用于将各个所述基础推荐模型得到的下载概率作为新的特征向量输入,并以实际下载所述应用与否作为融合推荐模型的标签,训练预先设置的融合推荐模型;
融合推荐模型运算模块50,调用所述融合推荐模型对用户的新增特征向量进行处理,获得对相应用户的应用推荐列表。
本发明的基于用户画像行为分析的应用推荐***,行为数据获取模块获取用户行为日志数据,特征提取模块通过构建特征采集器,对用户画像数据、原始应用列表数据以及所述用户行为日志数据进行数据采集、清洗、标准化处理以及特征组合和提取,获得统一规范的特征向量;基础模型运算模块采用多个基础推荐模型先对所述特征向量进行处理,获得初步应用推荐列表,以及用户对所述初步应用推荐列表中各种应用的下载概率,融合推荐模型模块训练获得融合推荐模型,融合推荐模型运算模块调用所述融合推荐模型处理获得用户的应用推荐列表。通过对用户历史行为日志的多维度分析,对日志进行特征提取构建用户画像数据仓库。加入融合推荐模型,整合了各个基础推荐模型的学习结果,提高了推荐算法的稳定性和泛化能力,推荐的应用与用户的需求匹配度高。
本发明提出的基于用户画像行为分析的应用推荐方法及***,可划分为以下5个模块:客户端、服务器、数据库、特征采集器和推荐算法模块。客户端可获取用户行为日志并上报,上报日志内容包括用户应用安装列表、设备信息、游戏登录时间、游戏充值和消费等信息,并将其存储在服务器基础数据库中;特征采集器则执行数据清洗、标准化、特征组合与提取等功能,将上报数据以及原始的用户画像数据库的样本数据处理成规范化的特征向量,并将其存储在特征数据库中;推荐算法模块会调用特征数据库中的特征进行建模,并提供接口给服务器调用。当用户使用客户端向服务端发生请求时,服务器会调用推荐算法模块,给客户端返回游戏应用的内容和服务。
在本发明的一个实施例中,还提供一种计算机可读储存介质,其上储存有计算机程序,其特征在于,该计算机程序被处理器执行时实现上述任意一项所述的基于用户画像行为分析的应用推荐方法的步骤。
在本发明的一个实施例中,还提供一种计算机设备,包括储存器、处理器以及储存在所述储存器中并可被所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现上述任意一项所述的基于用户画像行为分析的应用推荐方法的步骤。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。
Claims (10)
1.一种基于用户画像行为分析的应用推荐方法,其特征在于:包括如下步骤:
获取客户端上报的用户行为日志,并存储在服务器基础数据库中;
通过构建特征采集器,对用户画像数据、原始应用列表数据以及所述用户行为日志数据进行数据采集、清洗、标准化处理以及特征组合和提取,获得统一规范且符合数学建模要求的特征向量;
调用多个预设的基础推荐模型分别对所述特征向量进行运算,获得各个基础推荐模型下相应用户的初步应用推荐列表,以及相应用户对所述初步应用推荐列表中各种应用的下载概率;
将各个所述基础推荐模型得到的下载概率作为新的特征向量输入,并以实际下载所述应用与否作为融合推荐模型的标签,训练预先设置的融合推荐模型;
调用所述融合推荐模型对用户的新增特征向量进行处理,获得对用户的最终应用推荐列表。
2.根据权利要求1所述的基于用户画像行为分析的应用推荐方法,其特征在于:
所述用户行为日志数据包括用户应用安装列表、设备信息、游戏登录时间、游戏充值和消费信息。
3.根据权利要求1所述的基于用户画像行为分析的应用推荐方法,其特征在于,对所述用户画像数据、所述原始应用列表数据以及所述用户行为日志数据进行数据采集、清洗、标准化处理以及特征组合和提取,获得统一规范的且符合数学建模要求的特征向量的步骤包括:
对所述用户画像数据、所述原始应用列表数据以及所述用户行为日志数据进行采样,获取各种采样数据,其中,所述采样数据包括:数值数据、文本数据、时序数据和枚举数据;
对时序数据按照不同的时间单位分离成各个基础运算模型所需的维度;对数值数据进行Z-score标准化处理;对文本数据进行语义分析;对枚举分类数据,采用独热编码进行处理;
对处理后的各项数据进行特征提取,采用惩罚项的特征选择法进行降维处理,生成具有统一规范的且符合数学建模要求的特征向量,包括:用户特征向量、应用特征向量、行为特征向量和交互特征向量。
4.根据权利要求3所述的基于用户画像行为分析的应用推荐方法,其特征在于:
调用多个预设的基础推荐模型分别对所述特征向量进行运算,获得各个基础推荐模型下相应用户的初步应用推荐列表,以及相应用户对所述初步应用推荐列表中各种应用的下载概率的步骤包括:
采用k折交叉验证法对每个基础推荐模型进行训练,在训练阶段,每个基础推荐模型采用网格搜索法进行参数调优,得到最优参数,并生成各个用户在各个基础推荐模型下的初步应用推荐列表,以及用户对所述初步应用推荐列表中各种应用的下载概率。
5.根据权利要求4所述的基于用户画像行为分析的应用推荐方法,其特征在于:采用k折交叉验证法对每个基础推荐模型进行训练包括以下步骤:
将各个基础推荐模型的训练样本集划分成k个大小相同且内容互斥的子集;
进行k次迭代,每次迭代均采用k-1个子集的并集作为训练集,余下的子集作为测试集,将得到的k组训练集和测试集进行所述基础推荐模型的训练。
6.根据权利要求1所述的基于用户画像行为分析的应用推荐方法,其特征在于:
采用滑动窗口法对所述用户画像数据、所述原始应用列表数据以及所述用户行为日志数据进行采样,获取采样数据;
在调用多个预设的基础推荐模型分别对所述特征向量进行运算的步骤中,所述基础推荐模型采用的机器学习方法包括:逻辑回归、自适应增强、支持向量机和随机森林,并且还包括长短期记忆网络的学习方法;
且采用长短期记忆网络进行训练时,在采样的滑动窗口每滑动一次的数据集的基础上,将该数据集作为相应的基础推荐模型的输入,对所述基础推荐模型采用反向传播算法的训练算法进行训练。
7.根据权利要求6所述的基于用户画像行为分析的应用推荐方法,其特征在于,反向传播算法包括:
前向计算每个神经元的输出值;
反向计算每个神经元的误差项值,包括两个方向,其中一个方向为将误差项沿时间的反向传播,另一个方向为将误差项向上一层传播;
根据相应的误差项,计算每个权重的梯度。
8.一种应用推荐的***,其特征在于,包括:
行为数据获取模块,用于获取客户端上报的用户行为日志,并存储在服务器基础数据库中;
特征提取模块,用于通过构建特征采集器,对用户画像数据、原始应用列表数据以及所述用户行为日志数据进行数据采集、清洗、标准化处理以及特征组合和提取,获得统一规范的且符合数学建模要求的特征向量;
基础模型运算模块,用于调用多个预设的基础推荐模型分别对所述特征向量进行运算,获得各个基础推荐模型下相应用户的初步应用推荐列表,以及相应用户对所述初步应用推荐列表中各种应用的下载概率;
融合推荐模型模块,用于将各个所述基础推荐模型得到的下载概率作为新的特征向量输入,并以实际下载所述应用与否作为融合推荐模型的标签,训练预先设置的融合推荐模型;
融合推荐模型运算模块,调用所述融合推荐模型对用户的新增特征向量进行处理,获得对相应用户的最终应用推荐列表。
9.一种计算机可读储存介质,其上储存有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至8任意一项所述的基于用户画像行为分析的应用推荐方法的步骤。
10.一种计算机设备,包括储存器、处理器以及储存在所述储存器中并可被所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至8任意一项所述的基于用户画像行为分析的应用推荐方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710666989.3A CN107423442B (zh) | 2017-08-07 | 2017-08-07 | 基于用户画像行为分析的应用推荐方法及***,储存介质及计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710666989.3A CN107423442B (zh) | 2017-08-07 | 2017-08-07 | 基于用户画像行为分析的应用推荐方法及***,储存介质及计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107423442A true CN107423442A (zh) | 2017-12-01 |
CN107423442B CN107423442B (zh) | 2020-09-25 |
Family
ID=60436664
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710666989.3A Active CN107423442B (zh) | 2017-08-07 | 2017-08-07 | 基于用户画像行为分析的应用推荐方法及***,储存介质及计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107423442B (zh) |
Cited By (125)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107944986A (zh) * | 2017-12-28 | 2018-04-20 | 广东工业大学 | 一种o2o商品推荐方法、***及设备 |
CN107977864A (zh) * | 2017-12-07 | 2018-05-01 | 北京贝塔智投科技有限公司 | 一种适用于金融场景的客户洞察方法和*** |
CN108021715A (zh) * | 2017-12-29 | 2018-05-11 | 西安交通大学 | 基于语义结构特征分析的异构标签融合*** |
CN108038237A (zh) * | 2017-12-27 | 2018-05-15 | 广州市云润大数据服务有限公司 | 一种信息推荐方法与*** |
CN108053120A (zh) * | 2017-12-15 | 2018-05-18 | 阿里巴巴集团控股有限公司 | 一种模型整合方法及装置 |
CN108062375A (zh) * | 2017-12-12 | 2018-05-22 | 百度在线网络技术(北京)有限公司 | 一种用户画像的处理方法、装置、终端和存储介质 |
CN108133013A (zh) * | 2017-12-22 | 2018-06-08 | 平安养老保险股份有限公司 | 信息处理方法、装置、计算机设备和存储介质 |
CN108154401A (zh) * | 2018-01-15 | 2018-06-12 | 网易无尾熊(杭州)科技有限公司 | 用户画像刻画方法、装置、介质和计算设备 |
CN108256548A (zh) * | 2017-12-04 | 2018-07-06 | 北京大学 | 一种基于Emoji使用情况的用户画像刻画方法及*** |
CN108446297A (zh) * | 2018-01-24 | 2018-08-24 | 北京三快在线科技有限公司 | 一种推荐方法及装置,电子设备 |
CN108460489A (zh) * | 2018-03-15 | 2018-08-28 | 重庆邮电大学 | 一种基于大数据技术的用户行为分析与服务推荐框架 |
CN108470023A (zh) * | 2018-01-18 | 2018-08-31 | 阿里巴巴集团控股有限公司 | 业务功能的推荐方法及装置 |
CN108491720A (zh) * | 2018-03-20 | 2018-09-04 | 腾讯科技(深圳)有限公司 | 一种应用识别方法、***以及相关设备 |
CN108510320A (zh) * | 2018-03-21 | 2018-09-07 | 四川斐讯信息技术有限公司 | 一种业务投放的方法及装置 |
CN108520058A (zh) * | 2018-03-30 | 2018-09-11 | 维沃移动通信有限公司 | 一种商家信息推荐方法及移动终端 |
CN108648049A (zh) * | 2018-05-03 | 2018-10-12 | 中国科学技术大学 | 一种基于用户行为区别建模的序列推荐方法 |
CN108744524A (zh) * | 2018-04-10 | 2018-11-06 | 浙江工业大学 | 一种适用于认知训练平台的推荐方法 |
CN108763502A (zh) * | 2018-05-30 | 2018-11-06 | 腾讯科技(深圳)有限公司 | 信息推荐方法和*** |
CN108805383A (zh) * | 2018-03-20 | 2018-11-13 | 东华大学 | 一种基于服装洗护大数据的用户画像平台及应用 |
CN108897790A (zh) * | 2018-06-11 | 2018-11-27 | 南京邮电大学 | 鲁棒协同过滤推荐算法 |
CN108920213A (zh) * | 2018-06-29 | 2018-11-30 | 北京金山安全软件有限公司 | 游戏的动态配置方法及装置 |
CN109033309A (zh) * | 2018-07-17 | 2018-12-18 | 腾讯科技(深圳)有限公司 | 数据处理方法、装置、设备及存储介质 |
CN109063188A (zh) * | 2018-08-28 | 2018-12-21 | 国信优易数据有限公司 | 一种实体推荐方法和装置 |
CN109144721A (zh) * | 2018-07-18 | 2019-01-04 | Oppo广东移动通信有限公司 | 资源排序方法、资源显示方法、相关装置及存储介质 |
CN109214585A (zh) * | 2018-09-25 | 2019-01-15 | 平安科技(深圳)有限公司 | 用户消费预测方法、装置、电子设备及存储介质 |
CN109241408A (zh) * | 2018-08-14 | 2019-01-18 | 深圳开黑科技有限公司 | 基于游戏陪玩平台的用户画像处理方法、设备及*** |
CN109272164A (zh) * | 2018-09-29 | 2019-01-25 | 清华大学深圳研究生院 | 学习行为动态预测方法、装置、设备及存储介质 |
CN109325640A (zh) * | 2018-12-07 | 2019-02-12 | 中山大学 | 用户价值预测方法、装置、存储介质及设备 |
CN109359137A (zh) * | 2018-10-16 | 2019-02-19 | 大连理工大学 | 基于特征筛选与半监督学习的用户成长性画像构建方法 |
CN109358877A (zh) * | 2018-09-30 | 2019-02-19 | 上海碳蓝网络科技有限公司 | 一种用于对用户设备中应用进行升级的方法与设备 |
CN109460440A (zh) * | 2018-09-18 | 2019-03-12 | 平安科技(深圳)有限公司 | 一种基于权重值的画像处理方法、装置及设备 |
CN109525665A (zh) * | 2018-11-16 | 2019-03-26 | 济南浪潮高新科技投资发展有限公司 | 一种基于众包的创客云中心配置推荐方法 |
CN109583659A (zh) * | 2018-12-07 | 2019-04-05 | 南京富士通南大软件技术有限公司 | 基于深度学习的用户操作行为预测方法和*** |
CN109635079A (zh) * | 2018-10-25 | 2019-04-16 | 北京中关村科金技术有限公司 | 一种用户意图的确定方法、装置、计算机设备和存储介质 |
CN109635204A (zh) * | 2018-12-21 | 2019-04-16 | 上海交通大学 | 基于协同过滤和长短记忆网络的在线推荐*** |
CN109710890A (zh) * | 2018-12-20 | 2019-05-03 | 四川新网银行股份有限公司 | 基于构建的行为画像模型实时识别虚假材料的方法和*** |
CN109767264A (zh) * | 2018-12-20 | 2019-05-17 | 深圳壹账通智能科技有限公司 | 产品数据推送方法、装置、计算机设备和存储介质 |
CN109800790A (zh) * | 2018-12-24 | 2019-05-24 | 厦门大学 | 一种面向高维数据的特征选择方法 |
CN109886719A (zh) * | 2018-12-20 | 2019-06-14 | 平安科技(深圳)有限公司 | 基于网格的数据挖掘处理方法、装置和计算机设备 |
CN109934369A (zh) * | 2017-12-15 | 2019-06-25 | 北京京东尚科信息技术有限公司 | 用于信息推送的方法及装置 |
CN109960761A (zh) * | 2019-03-28 | 2019-07-02 | 腾讯科技(深圳)有限公司 | 信息推荐方法、装置、设备及计算机可读存储介质 |
CN110008408A (zh) * | 2019-04-12 | 2019-07-12 | 山东大学 | 一种会话推荐方法、***、设备及介质 |
CN110019163A (zh) * | 2017-12-05 | 2019-07-16 | 北京京东尚科信息技术有限公司 | 对象特征的预测、推荐的方法、***、设备和存储介质 |
CN110109902A (zh) * | 2019-03-18 | 2019-08-09 | 广东工业大学 | 一种基于集成学***台推荐*** |
CN110162698A (zh) * | 2019-04-18 | 2019-08-23 | 腾讯科技(深圳)有限公司 | 一种用户画像数据处理方法、装置及存储介质 |
CN110163381A (zh) * | 2019-04-26 | 2019-08-23 | 美林数据技术股份有限公司 | 智能学习方法及装置 |
CN110175171A (zh) * | 2019-05-16 | 2019-08-27 | 贵州电网有限责任公司 | 一种it设备智能推荐上架位置的*** |
CN110237536A (zh) * | 2019-06-03 | 2019-09-17 | 北京金山安全软件有限公司 | 个性化游戏服务提供方法、装置、电子设备及存储介质 |
CN110309414A (zh) * | 2018-03-16 | 2019-10-08 | 优酷网络技术(北京)有限公司 | 内容推荐方法、内容推荐装置和电子设备 |
CN110334720A (zh) * | 2018-03-30 | 2019-10-15 | 百度在线网络技术(北京)有限公司 | 业务数据的特征提取方法、装置、服务器和存储介质 |
CN110347917A (zh) * | 2019-06-14 | 2019-10-18 | 北京纵横无双科技有限公司 | 一种医疗信息推送方法及装置 |
CN110391010A (zh) * | 2019-06-11 | 2019-10-29 | 山东大学 | 基于个人健康感知的食品推荐方法及*** |
CN110427548A (zh) * | 2019-03-05 | 2019-11-08 | 北京京东尚科信息技术有限公司 | 信息推送方法、信息推送装置及计算机可读存储介质 |
CN110457543A (zh) * | 2019-07-25 | 2019-11-15 | 中国科学院软件研究所 | 一种基于端到端多视角匹配的实体消解方法和*** |
CN110489453A (zh) * | 2019-07-02 | 2019-11-22 | 广东工业大学 | 基于大数据日志分析的用户游戏实时推荐方法及*** |
CN110489639A (zh) * | 2019-07-15 | 2019-11-22 | 北京奇艺世纪科技有限公司 | 一种内容推荐方法及装置 |
CN110490685A (zh) * | 2019-03-27 | 2019-11-22 | 南京国科双创信息技术研究院有限公司 | 一种基于大数据分析的产品推荐方法 |
CN110503468A (zh) * | 2019-08-19 | 2019-11-26 | 珠海天燕科技有限公司 | 一种基于用户行为的资源推荐方法及装置 |
CN110503459A (zh) * | 2019-07-19 | 2019-11-26 | 平安科技(深圳)有限公司 | 基于大数据的用户信用度评估方法、装置及存储介质 |
CN110533515A (zh) * | 2019-09-04 | 2019-12-03 | 深圳创新奇智科技有限公司 | 一种高吞吐低延迟的电商个性化推荐方法及装置 |
CN110555163A (zh) * | 2018-06-03 | 2019-12-10 | 苹果公司 | 用于使应用商店推荐个性化的技术 |
CN110674100A (zh) * | 2019-09-28 | 2020-01-10 | 上海浦东发展银行股份有限公司***中心 | 一种基于全渠道运营数据的用户需求预测方法及架构 |
CN110689040A (zh) * | 2019-08-19 | 2020-01-14 | 广州荔支网络技术有限公司 | 一种基于主播画像的声音分类方法 |
CN110765352A (zh) * | 2019-10-11 | 2020-02-07 | 上海上湖信息技术有限公司 | 一种用户兴趣识别方法及装置 |
CN110795582A (zh) * | 2019-10-31 | 2020-02-14 | 京东方科技集团股份有限公司 | 一种图像推荐方法、***、终端设备及服务器 |
CN110929209A (zh) * | 2019-12-06 | 2020-03-27 | 北京百度网讯科技有限公司 | 用于发送信息的方法及装置 |
CN111080338A (zh) * | 2019-11-11 | 2020-04-28 | 中国建设银行股份有限公司 | 用户数据的处理方法、装置、电子设备及存储介质 |
CN111091351A (zh) * | 2019-12-16 | 2020-05-01 | 北京政信1890智能科技有限公司 | 用户画像构建方法、装置、电子设备和可读存储介质 |
CN111143684A (zh) * | 2019-12-30 | 2020-05-12 | 腾讯科技(深圳)有限公司 | 基于人工智能的泛化模型的训练方法及装置 |
CN111143689A (zh) * | 2019-12-31 | 2020-05-12 | 青梧桐有限责任公司 | 根据用户需求和用户画像构建推荐引擎的方法 |
CN111191122A (zh) * | 2019-12-20 | 2020-05-22 | 重庆邮电大学 | 一种基于用户画像的学习资源推荐*** |
CN111191092A (zh) * | 2019-12-31 | 2020-05-22 | 腾讯科技(深圳)有限公司 | 画像数据处理方法和画像模型训练方法 |
CN111192602A (zh) * | 2019-12-03 | 2020-05-22 | 广州荔支网络技术有限公司 | 一种基于音频内容画像***的白噪音音频内容价值评估方法 |
CN111210336A (zh) * | 2019-12-16 | 2020-05-29 | 北京淇瑀信息科技有限公司 | 用户风险模型生成方法、装置及电子设备 |
CN111210335A (zh) * | 2019-12-16 | 2020-05-29 | 北京淇瑀信息科技有限公司 | 用户风险识别方法、装置及电子设备 |
CN111260448A (zh) * | 2020-02-13 | 2020-06-09 | 平安科技(深圳)有限公司 | 基于人工智能的药品推荐方法及相关设备 |
CN111275350A (zh) * | 2020-02-08 | 2020-06-12 | 支付宝(杭州)信息技术有限公司 | 更新事件评估模型的方法及装置 |
CN111291253A (zh) * | 2018-12-06 | 2020-06-16 | 北京嘀嘀无限科技发展有限公司 | 模型训练方法、咨询推荐方法、装置及电子设备 |
CN111381053A (zh) * | 2018-12-28 | 2020-07-07 | 深圳迈瑞生物医疗电子股份有限公司 | 一种仪器推荐方法、体外诊断分析仪和计算机存储介质 |
CN111414540A (zh) * | 2020-03-20 | 2020-07-14 | 张明 | 在线学习推荐方法、装置、在线学习***及服务器 |
CN111461841A (zh) * | 2020-04-07 | 2020-07-28 | 腾讯云计算(北京)有限责任公司 | 物品推荐方法、装置、服务器及存储介质 |
CN111539782A (zh) * | 2020-01-21 | 2020-08-14 | ***股份有限公司 | 基于深度学习的商户信息数据处理方法及其*** |
CN111597330A (zh) * | 2019-02-21 | 2020-08-28 | 中国科学院信息工程研究所 | 一种基于支持向量机的面向智能专家推荐的用户画像方法 |
CN111652735A (zh) * | 2020-04-17 | 2020-09-11 | 世纪保众(北京)网络科技有限公司 | 基于用户行为标签特征及商品特征的保险产品推荐的方法 |
CN111695035A (zh) * | 2020-06-10 | 2020-09-22 | 广东数果科技有限公司 | 一种推荐***及多算法融合推荐处理流程 |
CN111723287A (zh) * | 2020-06-03 | 2020-09-29 | 开普云信息科技股份有限公司 | 一种基于大规模机器学习的内容和服务推荐方法及其*** |
CN111727451A (zh) * | 2018-09-10 | 2020-09-29 | 澪标分析株式会社 | 用于计算预测数据的信息处理装置等 |
WO2020194077A1 (en) * | 2019-03-22 | 2020-10-01 | International Business Machines Corporation | Unification of models having respective target classes with distillation |
CN111737575A (zh) * | 2020-06-19 | 2020-10-02 | 北京字节跳动网络技术有限公司 | 内容分发方法、装置、可读介质及电子设备 |
CN111753182A (zh) * | 2019-03-28 | 2020-10-09 | 北京达佳互联信息技术有限公司 | 多媒体信息推荐方法、装置、电子设备及可读存储介质 |
CN111767474A (zh) * | 2020-09-01 | 2020-10-13 | 上海蜜度信息技术有限公司 | 一种基于用户操作行为构建用户画像的方法及设备 |
CN111767461A (zh) * | 2020-06-24 | 2020-10-13 | 北京奇艺世纪科技有限公司 | 数据处理方法及装置 |
CN111767455A (zh) * | 2019-05-09 | 2020-10-13 | 北京京东尚科信息技术有限公司 | 一种信息推送的方法和装置 |
CN111797322A (zh) * | 2020-07-10 | 2020-10-20 | 杭州慕锐科技有限公司 | 一种所属风格的纺织品类分层花型设计图用智能推荐方法 |
CN111816300A (zh) * | 2020-06-30 | 2020-10-23 | 平安科技(深圳)有限公司 | 基于深度强化学习的数据分类方法、装置、设备及介质 |
CN111832595A (zh) * | 2019-04-23 | 2020-10-27 | 北京新唐思创教育科技有限公司 | 教师风格的确定方法及计算机存储介质 |
CN111832787A (zh) * | 2019-04-23 | 2020-10-27 | 北京新唐思创教育科技有限公司 | 教师风格预测模型的训练方法及计算机存储介质 |
CN111949884A (zh) * | 2020-08-26 | 2020-11-17 | 桂林电子科技大学 | 一种基于多模态特征交互深度融合推荐方法 |
CN112052386A (zh) * | 2020-08-10 | 2020-12-08 | 腾讯科技(深圳)有限公司 | 信息推荐方法、装置和存储介质 |
CN112148983A (zh) * | 2020-09-30 | 2020-12-29 | 神思电子技术股份有限公司 | 一种用于税务行业的内容更新推荐方法 |
CN112232515A (zh) * | 2019-07-15 | 2021-01-15 | 索尼互动娱乐有限责任公司 | 用于转换后的数据的自修复机器学习*** |
CN112235615A (zh) * | 2020-10-14 | 2021-01-15 | 广州欢网科技有限责任公司 | 电视终端用户画像数据的打通使用方法及*** |
CN112307332A (zh) * | 2020-10-16 | 2021-02-02 | 四川大学 | 基于用户画像聚类的协同过滤推荐方法、***及存储介质 |
CN112425181A (zh) * | 2018-07-13 | 2021-02-26 | 三星电子株式会社 | 用于预测用户对泛在设备的动作的电子设备和方法 |
CN112561598A (zh) * | 2020-12-23 | 2021-03-26 | 中国农业银行股份有限公司重庆市分行 | 基于客户画像的客户流失预测及挽回方法和*** |
CN112685641A (zh) * | 2020-12-31 | 2021-04-20 | 五八有限公司 | 一种信息处理方法及装置 |
CN112801744A (zh) * | 2020-12-01 | 2021-05-14 | 珠海必要工业科技股份有限公司 | 一种活动推荐方法、装置、电子设备和存储介质 |
WO2021103994A1 (zh) * | 2019-11-26 | 2021-06-03 | 北京达佳互联信息技术有限公司 | 用于信息推荐的模型训练方法、装置、电子设备以及介质 |
CN113076488A (zh) * | 2021-06-04 | 2021-07-06 | 明品云(北京)数据科技有限公司 | 一种基于用户数据推荐信息的方法及*** |
CN113313545A (zh) * | 2021-04-19 | 2021-08-27 | 深圳市竹芒信息技术有限公司 | 信息推荐方法、装置、计算机设备和存储介质 |
CN113375300A (zh) * | 2020-03-09 | 2021-09-10 | 青岛海尔空调器有限总公司 | 空调器的智能控制方法与空调器的智能控制设备 |
CN113377018A (zh) * | 2020-03-09 | 2021-09-10 | 青岛海尔空调器有限总公司 | 空调器的智能控制方法与空调器的智能控制设备 |
CN113449188A (zh) * | 2021-06-30 | 2021-09-28 | 东莞市小精灵教育软件有限公司 | 应用推荐方法、装置、电子设备及可读存储介质 |
CN113569557A (zh) * | 2021-09-26 | 2021-10-29 | 腾讯科技(深圳)有限公司 | 信息的质量识别方法、装置、设备、存储介质及程序产品 |
CN113612639A (zh) * | 2021-07-30 | 2021-11-05 | 江苏易安联网络技术有限公司 | 基于网站访问记录分析预测文件下载行为的方法和装置 |
CN113779384A (zh) * | 2021-08-23 | 2021-12-10 | 广州百奕信息科技有限公司 | 一种基于客户画像的航班推荐*** |
CN113987353A (zh) * | 2021-10-29 | 2022-01-28 | 掌阅科技股份有限公司 | 书籍推荐方法、计算设备及存储介质 |
WO2022033199A1 (zh) * | 2020-08-14 | 2022-02-17 | 腾讯科技(深圳)有限公司 | 一种获得用户画像的方法及相关装置 |
WO2022100518A1 (zh) * | 2020-11-12 | 2022-05-19 | 北京沃东天骏信息技术有限公司 | 一种基于用户画像的物品推荐方法和装置 |
CN114549078A (zh) * | 2022-02-22 | 2022-05-27 | 中国平安人寿保险股份有限公司 | 基于时序的客户行为处理方法、装置及相关设备 |
CN114647721A (zh) * | 2022-05-23 | 2022-06-21 | 风林科技(深圳)有限公司 | 教育智能机器人控制方法、设备及介质 |
RU2785764C1 (ru) * | 2019-10-31 | 2022-12-13 | Биго Текнолоджи Пте. Лтд. | Способ рекомендации информации, устройство, сервер рекомендаций и запоминающее устройство |
CN115531886A (zh) * | 2022-10-08 | 2022-12-30 | 广州易幻网络科技有限公司 | 一种用户和设备数据管理方法、***及可存储介质 |
CN115830405A (zh) * | 2023-02-13 | 2023-03-21 | 国信蓝桥教育科技股份有限公司 | 一种标签化的用户能力画像分析方法及*** |
WO2023151191A1 (zh) * | 2022-02-14 | 2023-08-17 | 烟台杰瑞石油服务集团股份有限公司 | 机械设备画像生成方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101755283A (zh) * | 2007-07-24 | 2010-06-23 | 三星电子株式会社 | 利用混合算法推荐信息的方法和设备 |
CN105893609A (zh) * | 2016-04-26 | 2016-08-24 | 南通大学 | 一种基于加权混合的移动app推荐方法 |
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 |
US20160372119A1 (en) * | 2015-06-19 | 2016-12-22 | Google Inc. | Speech recognition with acoustic models |
-
2017
- 2017-08-07 CN CN201710666989.3A patent/CN107423442B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101755283A (zh) * | 2007-07-24 | 2010-06-23 | 三星电子株式会社 | 利用混合算法推荐信息的方法和设备 |
US20160372119A1 (en) * | 2015-06-19 | 2016-12-22 | Google Inc. | Speech recognition with acoustic models |
CN105893609A (zh) * | 2016-04-26 | 2016-08-24 | 南通大学 | 一种基于加权混合的移动app推荐方法 |
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 |
Non-Patent Citations (1)
Title |
---|
黄斌: "基于级联过滤和增强模型集成的推荐方法硏究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (186)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108256548A (zh) * | 2017-12-04 | 2018-07-06 | 北京大学 | 一种基于Emoji使用情况的用户画像刻画方法及*** |
CN110019163A (zh) * | 2017-12-05 | 2019-07-16 | 北京京东尚科信息技术有限公司 | 对象特征的预测、推荐的方法、***、设备和存储介质 |
CN107977864A (zh) * | 2017-12-07 | 2018-05-01 | 北京贝塔智投科技有限公司 | 一种适用于金融场景的客户洞察方法和*** |
CN108062375A (zh) * | 2017-12-12 | 2018-05-22 | 百度在线网络技术(北京)有限公司 | 一种用户画像的处理方法、装置、终端和存储介质 |
CN108062375B (zh) * | 2017-12-12 | 2021-12-10 | 百度在线网络技术(北京)有限公司 | 一种用户画像的处理方法、装置、终端和存储介质 |
WO2019114422A1 (zh) * | 2017-12-15 | 2019-06-20 | 阿里巴巴集团控股有限公司 | 一种模型整合方法及装置 |
CN108053120A (zh) * | 2017-12-15 | 2018-05-18 | 阿里巴巴集团控股有限公司 | 一种模型整合方法及装置 |
CN109934369A (zh) * | 2017-12-15 | 2019-06-25 | 北京京东尚科信息技术有限公司 | 用于信息推送的方法及装置 |
CN108053120B (zh) * | 2017-12-15 | 2020-09-01 | 阿里巴巴集团控股有限公司 | 一种模型整合方法及装置 |
CN108133013A (zh) * | 2017-12-22 | 2018-06-08 | 平安养老保险股份有限公司 | 信息处理方法、装置、计算机设备和存储介质 |
CN108133013B (zh) * | 2017-12-22 | 2021-02-09 | 平安养老保险股份有限公司 | 信息处理方法、装置、计算机设备和存储介质 |
CN108038237A (zh) * | 2017-12-27 | 2018-05-15 | 广州市云润大数据服务有限公司 | 一种信息推荐方法与*** |
CN107944986B (zh) * | 2017-12-28 | 2022-02-15 | 广东工业大学 | 一种o2o商品推荐方法、***及设备 |
CN107944986A (zh) * | 2017-12-28 | 2018-04-20 | 广东工业大学 | 一种o2o商品推荐方法、***及设备 |
CN108021715A (zh) * | 2017-12-29 | 2018-05-11 | 西安交通大学 | 基于语义结构特征分析的异构标签融合*** |
CN108021715B (zh) * | 2017-12-29 | 2020-07-28 | 西安交通大学 | 基于语义结构特征分析的异构标签融合*** |
CN108154401A (zh) * | 2018-01-15 | 2018-06-12 | 网易无尾熊(杭州)科技有限公司 | 用户画像刻画方法、装置、介质和计算设备 |
CN108470023A (zh) * | 2018-01-18 | 2018-08-31 | 阿里巴巴集团控股有限公司 | 业务功能的推荐方法及装置 |
CN108446297B (zh) * | 2018-01-24 | 2021-03-26 | 北京三快在线科技有限公司 | 一种推荐方法及装置,电子设备 |
CN108446297A (zh) * | 2018-01-24 | 2018-08-24 | 北京三快在线科技有限公司 | 一种推荐方法及装置,电子设备 |
CN108460489A (zh) * | 2018-03-15 | 2018-08-28 | 重庆邮电大学 | 一种基于大数据技术的用户行为分析与服务推荐框架 |
CN110309414A (zh) * | 2018-03-16 | 2019-10-08 | 优酷网络技术(北京)有限公司 | 内容推荐方法、内容推荐装置和电子设备 |
CN108805383A (zh) * | 2018-03-20 | 2018-11-13 | 东华大学 | 一种基于服装洗护大数据的用户画像平台及应用 |
CN108491720B (zh) * | 2018-03-20 | 2023-07-14 | 腾讯科技(深圳)有限公司 | 一种应用识别方法、***以及相关设备 |
CN108491720A (zh) * | 2018-03-20 | 2018-09-04 | 腾讯科技(深圳)有限公司 | 一种应用识别方法、***以及相关设备 |
CN108510320A (zh) * | 2018-03-21 | 2018-09-07 | 四川斐讯信息技术有限公司 | 一种业务投放的方法及装置 |
CN108520058A (zh) * | 2018-03-30 | 2018-09-11 | 维沃移动通信有限公司 | 一种商家信息推荐方法及移动终端 |
CN110334720A (zh) * | 2018-03-30 | 2019-10-15 | 百度在线网络技术(北京)有限公司 | 业务数据的特征提取方法、装置、服务器和存储介质 |
CN108520058B (zh) * | 2018-03-30 | 2021-09-24 | 维沃移动通信有限公司 | 一种商家信息推荐方法及移动终端 |
CN108744524A (zh) * | 2018-04-10 | 2018-11-06 | 浙江工业大学 | 一种适用于认知训练平台的推荐方法 |
CN108744524B (zh) * | 2018-04-10 | 2021-10-15 | 浙江工业大学 | 一种适用于认知训练平台的推荐方法 |
CN108648049A (zh) * | 2018-05-03 | 2018-10-12 | 中国科学技术大学 | 一种基于用户行为区别建模的序列推荐方法 |
CN108648049B (zh) * | 2018-05-03 | 2022-03-01 | 中国科学技术大学 | 一种基于用户行为区别建模的序列推荐方法 |
CN108763502A (zh) * | 2018-05-30 | 2018-11-06 | 腾讯科技(深圳)有限公司 | 信息推荐方法和*** |
US11853306B2 (en) | 2018-06-03 | 2023-12-26 | Apple Inc. | Techniques for personalizing app store recommendations |
CN110555163A (zh) * | 2018-06-03 | 2019-12-10 | 苹果公司 | 用于使应用商店推荐个性化的技术 |
CN108897790A (zh) * | 2018-06-11 | 2018-11-27 | 南京邮电大学 | 鲁棒协同过滤推荐算法 |
CN108897790B (zh) * | 2018-06-11 | 2022-09-20 | 南京邮电大学 | 基于鲁棒协同过滤算法的推荐方法 |
CN108920213A (zh) * | 2018-06-29 | 2018-11-30 | 北京金山安全软件有限公司 | 游戏的动态配置方法及装置 |
CN108920213B (zh) * | 2018-06-29 | 2021-09-17 | 超级魔方(北京)科技有限公司 | 游戏的动态配置方法及装置 |
CN112425181A (zh) * | 2018-07-13 | 2021-02-26 | 三星电子株式会社 | 用于预测用户对泛在设备的动作的电子设备和方法 |
CN109033309B (zh) * | 2018-07-17 | 2023-04-07 | 腾讯科技(深圳)有限公司 | 数据处理方法、装置、设备及存储介质 |
CN109033309A (zh) * | 2018-07-17 | 2018-12-18 | 腾讯科技(深圳)有限公司 | 数据处理方法、装置、设备及存储介质 |
CN109144721A (zh) * | 2018-07-18 | 2019-01-04 | Oppo广东移动通信有限公司 | 资源排序方法、资源显示方法、相关装置及存储介质 |
CN109144721B (zh) * | 2018-07-18 | 2022-08-16 | Oppo广东移动通信有限公司 | 资源排序方法、资源显示方法、相关装置及存储介质 |
CN109241408A (zh) * | 2018-08-14 | 2019-01-18 | 深圳开黑科技有限公司 | 基于游戏陪玩平台的用户画像处理方法、设备及*** |
CN109063188A (zh) * | 2018-08-28 | 2018-12-21 | 国信优易数据有限公司 | 一种实体推荐方法和装置 |
CN111727451A (zh) * | 2018-09-10 | 2020-09-29 | 澪标分析株式会社 | 用于计算预测数据的信息处理装置等 |
CN109460440A (zh) * | 2018-09-18 | 2019-03-12 | 平安科技(深圳)有限公司 | 一种基于权重值的画像处理方法、装置及设备 |
CN109460440B (zh) * | 2018-09-18 | 2023-10-27 | 平安科技(深圳)有限公司 | 一种基于权重值的画像处理方法、装置及设备 |
CN109214585B (zh) * | 2018-09-25 | 2023-04-18 | 平安科技(深圳)有限公司 | 用户消费预测方法、装置、电子设备及存储介质 |
CN109214585A (zh) * | 2018-09-25 | 2019-01-15 | 平安科技(深圳)有限公司 | 用户消费预测方法、装置、电子设备及存储介质 |
CN109272164A (zh) * | 2018-09-29 | 2019-01-25 | 清华大学深圳研究生院 | 学习行为动态预测方法、装置、设备及存储介质 |
CN109358877B (zh) * | 2018-09-30 | 2023-08-18 | 上海碳蓝网络科技有限公司 | 一种用于对用户设备中应用进行升级的方法与设备 |
CN109358877A (zh) * | 2018-09-30 | 2019-02-19 | 上海碳蓝网络科技有限公司 | 一种用于对用户设备中应用进行升级的方法与设备 |
CN109359137B (zh) * | 2018-10-16 | 2021-03-26 | 大连理工大学 | 基于特征筛选与半监督学习的用户成长性画像构建方法 |
CN109359137A (zh) * | 2018-10-16 | 2019-02-19 | 大连理工大学 | 基于特征筛选与半监督学习的用户成长性画像构建方法 |
CN109635079A (zh) * | 2018-10-25 | 2019-04-16 | 北京中关村科金技术有限公司 | 一种用户意图的确定方法、装置、计算机设备和存储介质 |
CN109525665A (zh) * | 2018-11-16 | 2019-03-26 | 济南浪潮高新科技投资发展有限公司 | 一种基于众包的创客云中心配置推荐方法 |
CN111291253B (zh) * | 2018-12-06 | 2023-09-19 | 北京嘀嘀无限科技发展有限公司 | 模型训练方法、咨询推荐方法、装置及电子设备 |
CN111291253A (zh) * | 2018-12-06 | 2020-06-16 | 北京嘀嘀无限科技发展有限公司 | 模型训练方法、咨询推荐方法、装置及电子设备 |
CN109325640A (zh) * | 2018-12-07 | 2019-02-12 | 中山大学 | 用户价值预测方法、装置、存储介质及设备 |
CN109583659A (zh) * | 2018-12-07 | 2019-04-05 | 南京富士通南大软件技术有限公司 | 基于深度学习的用户操作行为预测方法和*** |
CN109325640B (zh) * | 2018-12-07 | 2022-04-26 | 中山大学 | 用户价值预测方法、装置、存储介质及设备 |
CN109767264A (zh) * | 2018-12-20 | 2019-05-17 | 深圳壹账通智能科技有限公司 | 产品数据推送方法、装置、计算机设备和存储介质 |
CN109710890B (zh) * | 2018-12-20 | 2023-06-09 | 四川新网银行股份有限公司 | 基于构建的行为画像模型实时识别虚假材料的方法和*** |
CN109886719B (zh) * | 2018-12-20 | 2023-06-20 | 平安科技(深圳)有限公司 | 基于网格的数据挖掘处理方法、装置和计算机设备 |
CN109710890A (zh) * | 2018-12-20 | 2019-05-03 | 四川新网银行股份有限公司 | 基于构建的行为画像模型实时识别虚假材料的方法和*** |
CN109886719A (zh) * | 2018-12-20 | 2019-06-14 | 平安科技(深圳)有限公司 | 基于网格的数据挖掘处理方法、装置和计算机设备 |
CN109635204A (zh) * | 2018-12-21 | 2019-04-16 | 上海交通大学 | 基于协同过滤和长短记忆网络的在线推荐*** |
CN109800790A (zh) * | 2018-12-24 | 2019-05-24 | 厦门大学 | 一种面向高维数据的特征选择方法 |
CN111381053A (zh) * | 2018-12-28 | 2020-07-07 | 深圳迈瑞生物医疗电子股份有限公司 | 一种仪器推荐方法、体外诊断分析仪和计算机存储介质 |
CN111597330A (zh) * | 2019-02-21 | 2020-08-28 | 中国科学院信息工程研究所 | 一种基于支持向量机的面向智能专家推荐的用户画像方法 |
CN110427548A (zh) * | 2019-03-05 | 2019-11-08 | 北京京东尚科信息技术有限公司 | 信息推送方法、信息推送装置及计算机可读存储介质 |
CN110109902A (zh) * | 2019-03-18 | 2019-08-09 | 广东工业大学 | 一种基于集成学***台推荐*** |
GB2598052B (en) * | 2019-03-22 | 2023-03-15 | Ibm | Unification of models having respective target classes with distillation |
GB2598052A (en) * | 2019-03-22 | 2022-02-16 | Ibm | Unification of models having respective target classes with distillation |
WO2020194077A1 (en) * | 2019-03-22 | 2020-10-01 | International Business Machines Corporation | Unification of models having respective target classes with distillation |
CN110490685A (zh) * | 2019-03-27 | 2019-11-22 | 南京国科双创信息技术研究院有限公司 | 一种基于大数据分析的产品推荐方法 |
CN109960761A (zh) * | 2019-03-28 | 2019-07-02 | 腾讯科技(深圳)有限公司 | 信息推荐方法、装置、设备及计算机可读存储介质 |
CN111753182B (zh) * | 2019-03-28 | 2024-05-17 | 北京达佳互联信息技术有限公司 | 多媒体信息推荐方法、装置、电子设备及可读存储介质 |
CN109960761B (zh) * | 2019-03-28 | 2023-03-31 | 深圳市雅阅科技有限公司 | 信息推荐方法、装置、设备及计算机可读存储介质 |
CN111753182A (zh) * | 2019-03-28 | 2020-10-09 | 北京达佳互联信息技术有限公司 | 多媒体信息推荐方法、装置、电子设备及可读存储介质 |
CN110008408A (zh) * | 2019-04-12 | 2019-07-12 | 山东大学 | 一种会话推荐方法、***、设备及介质 |
CN110162698A (zh) * | 2019-04-18 | 2019-08-23 | 腾讯科技(深圳)有限公司 | 一种用户画像数据处理方法、装置及存储介质 |
CN110162698B (zh) * | 2019-04-18 | 2023-10-20 | 腾讯科技(深圳)有限公司 | 一种用户画像数据处理方法、装置及存储介质 |
CN111832787B (zh) * | 2019-04-23 | 2022-12-09 | 北京新唐思创教育科技有限公司 | 教师风格预测模型的训练方法及计算机存储介质 |
CN111832787A (zh) * | 2019-04-23 | 2020-10-27 | 北京新唐思创教育科技有限公司 | 教师风格预测模型的训练方法及计算机存储介质 |
CN111832595A (zh) * | 2019-04-23 | 2020-10-27 | 北京新唐思创教育科技有限公司 | 教师风格的确定方法及计算机存储介质 |
CN110163381A (zh) * | 2019-04-26 | 2019-08-23 | 美林数据技术股份有限公司 | 智能学习方法及装置 |
CN111767455A (zh) * | 2019-05-09 | 2020-10-13 | 北京京东尚科信息技术有限公司 | 一种信息推送的方法和装置 |
CN110175171B (zh) * | 2019-05-16 | 2023-07-07 | 贵州电网有限责任公司 | 一种it设备智能推荐上架位置的*** |
CN110175171A (zh) * | 2019-05-16 | 2019-08-27 | 贵州电网有限责任公司 | 一种it设备智能推荐上架位置的*** |
CN110237536A (zh) * | 2019-06-03 | 2019-09-17 | 北京金山安全软件有限公司 | 个性化游戏服务提供方法、装置、电子设备及存储介质 |
CN110391010A (zh) * | 2019-06-11 | 2019-10-29 | 山东大学 | 基于个人健康感知的食品推荐方法及*** |
CN110391010B (zh) * | 2019-06-11 | 2022-05-13 | 山东大学 | 基于个人健康感知的食品推荐方法及*** |
CN110347917A (zh) * | 2019-06-14 | 2019-10-18 | 北京纵横无双科技有限公司 | 一种医疗信息推送方法及装置 |
CN110489453A (zh) * | 2019-07-02 | 2019-11-22 | 广东工业大学 | 基于大数据日志分析的用户游戏实时推荐方法及*** |
CN110489639A (zh) * | 2019-07-15 | 2019-11-22 | 北京奇艺世纪科技有限公司 | 一种内容推荐方法及装置 |
CN112232515A (zh) * | 2019-07-15 | 2021-01-15 | 索尼互动娱乐有限责任公司 | 用于转换后的数据的自修复机器学习*** |
CN110503459B (zh) * | 2019-07-19 | 2023-09-15 | 平安科技(深圳)有限公司 | 基于大数据的用户信用度评估方法、装置及存储介质 |
CN110503459A (zh) * | 2019-07-19 | 2019-11-26 | 平安科技(深圳)有限公司 | 基于大数据的用户信用度评估方法、装置及存储介质 |
CN110457543B (zh) * | 2019-07-25 | 2021-10-22 | 中国科学院软件研究所 | 一种基于端到端多视角匹配的实体消解方法和*** |
CN110457543A (zh) * | 2019-07-25 | 2019-11-15 | 中国科学院软件研究所 | 一种基于端到端多视角匹配的实体消解方法和*** |
CN110503468A (zh) * | 2019-08-19 | 2019-11-26 | 珠海天燕科技有限公司 | 一种基于用户行为的资源推荐方法及装置 |
CN110689040B (zh) * | 2019-08-19 | 2022-10-18 | 广州荔支网络技术有限公司 | 一种基于主播画像的声音分类方法 |
CN110689040A (zh) * | 2019-08-19 | 2020-01-14 | 广州荔支网络技术有限公司 | 一种基于主播画像的声音分类方法 |
CN110533515A (zh) * | 2019-09-04 | 2019-12-03 | 深圳创新奇智科技有限公司 | 一种高吞吐低延迟的电商个性化推荐方法及装置 |
CN110674100A (zh) * | 2019-09-28 | 2020-01-10 | 上海浦东发展银行股份有限公司***中心 | 一种基于全渠道运营数据的用户需求预测方法及架构 |
CN110765352A (zh) * | 2019-10-11 | 2020-02-07 | 上海上湖信息技术有限公司 | 一种用户兴趣识别方法及装置 |
RU2785764C1 (ru) * | 2019-10-31 | 2022-12-13 | Биго Текнолоджи Пте. Лтд. | Способ рекомендации информации, устройство, сервер рекомендаций и запоминающее устройство |
CN110795582A (zh) * | 2019-10-31 | 2020-02-14 | 京东方科技集团股份有限公司 | 一种图像推荐方法、***、终端设备及服务器 |
CN111080338A (zh) * | 2019-11-11 | 2020-04-28 | 中国建设银行股份有限公司 | 用户数据的处理方法、装置、电子设备及存储介质 |
CN111080338B (zh) * | 2019-11-11 | 2024-05-24 | 建信金融科技有限责任公司 | 用户数据的处理方法、装置、电子设备及存储介质 |
CN112948704B (zh) * | 2019-11-26 | 2024-06-04 | 北京达佳互联信息技术有限公司 | 用于信息推荐的模型训练方法、装置、电子设备以及介质 |
CN112948704A (zh) * | 2019-11-26 | 2021-06-11 | 北京达佳互联信息技术有限公司 | 用于信息推荐的模型训练方法、装置、电子设备以及介质 |
WO2021103994A1 (zh) * | 2019-11-26 | 2021-06-03 | 北京达佳互联信息技术有限公司 | 用于信息推荐的模型训练方法、装置、电子设备以及介质 |
CN111192602A (zh) * | 2019-12-03 | 2020-05-22 | 广州荔支网络技术有限公司 | 一种基于音频内容画像***的白噪音音频内容价值评估方法 |
CN110929209B (zh) * | 2019-12-06 | 2023-06-20 | 北京百度网讯科技有限公司 | 用于发送信息的方法及装置 |
CN110929209A (zh) * | 2019-12-06 | 2020-03-27 | 北京百度网讯科技有限公司 | 用于发送信息的方法及装置 |
CN111091351A (zh) * | 2019-12-16 | 2020-05-01 | 北京政信1890智能科技有限公司 | 用户画像构建方法、装置、电子设备和可读存储介质 |
CN111210336A (zh) * | 2019-12-16 | 2020-05-29 | 北京淇瑀信息科技有限公司 | 用户风险模型生成方法、装置及电子设备 |
CN111210335B (zh) * | 2019-12-16 | 2023-11-14 | 北京淇瑀信息科技有限公司 | 用户风险识别方法、装置及电子设备 |
CN111210335A (zh) * | 2019-12-16 | 2020-05-29 | 北京淇瑀信息科技有限公司 | 用户风险识别方法、装置及电子设备 |
CN111191122A (zh) * | 2019-12-20 | 2020-05-22 | 重庆邮电大学 | 一种基于用户画像的学习资源推荐*** |
CN111143684A (zh) * | 2019-12-30 | 2020-05-12 | 腾讯科技(深圳)有限公司 | 基于人工智能的泛化模型的训练方法及装置 |
CN111143684B (zh) * | 2019-12-30 | 2023-03-21 | 腾讯科技(深圳)有限公司 | 基于人工智能的泛化模型的训练方法及装置 |
CN111191092B (zh) * | 2019-12-31 | 2023-07-14 | 腾讯科技(深圳)有限公司 | 标签确定方法和标签确定模型训练方法 |
CN111191092A (zh) * | 2019-12-31 | 2020-05-22 | 腾讯科技(深圳)有限公司 | 画像数据处理方法和画像模型训练方法 |
CN111143689A (zh) * | 2019-12-31 | 2020-05-12 | 青梧桐有限责任公司 | 根据用户需求和用户画像构建推荐引擎的方法 |
CN111539782B (zh) * | 2020-01-21 | 2024-04-30 | ***股份有限公司 | 基于深度学习的商户信息数据处理方法及其*** |
CN111539782A (zh) * | 2020-01-21 | 2020-08-14 | ***股份有限公司 | 基于深度学习的商户信息数据处理方法及其*** |
CN111275350B (zh) * | 2020-02-08 | 2021-06-04 | 支付宝(杭州)信息技术有限公司 | 更新事件评估模型的方法及装置 |
CN111275350A (zh) * | 2020-02-08 | 2020-06-12 | 支付宝(杭州)信息技术有限公司 | 更新事件评估模型的方法及装置 |
CN111260448A (zh) * | 2020-02-13 | 2020-06-09 | 平安科技(深圳)有限公司 | 基于人工智能的药品推荐方法及相关设备 |
CN111260448B (zh) * | 2020-02-13 | 2023-10-20 | 平安科技(深圳)有限公司 | 基于人工智能的药品推荐方法及相关设备 |
CN113377018A (zh) * | 2020-03-09 | 2021-09-10 | 青岛海尔空调器有限总公司 | 空调器的智能控制方法与空调器的智能控制设备 |
CN113375300A (zh) * | 2020-03-09 | 2021-09-10 | 青岛海尔空调器有限总公司 | 空调器的智能控制方法与空调器的智能控制设备 |
CN111414540A (zh) * | 2020-03-20 | 2020-07-14 | 张明 | 在线学习推荐方法、装置、在线学习***及服务器 |
CN111414540B (zh) * | 2020-03-20 | 2021-01-15 | 重庆探程数字科技有限公司 | 在线学习推荐方法、装置、在线学习***及服务器 |
CN111461841B (zh) * | 2020-04-07 | 2023-04-07 | 腾讯云计算(北京)有限责任公司 | 物品推荐方法、装置、服务器及存储介质 |
CN111461841A (zh) * | 2020-04-07 | 2020-07-28 | 腾讯云计算(北京)有限责任公司 | 物品推荐方法、装置、服务器及存储介质 |
CN111652735A (zh) * | 2020-04-17 | 2020-09-11 | 世纪保众(北京)网络科技有限公司 | 基于用户行为标签特征及商品特征的保险产品推荐的方法 |
CN111723287A (zh) * | 2020-06-03 | 2020-09-29 | 开普云信息科技股份有限公司 | 一种基于大规模机器学习的内容和服务推荐方法及其*** |
CN111695035A (zh) * | 2020-06-10 | 2020-09-22 | 广东数果科技有限公司 | 一种推荐***及多算法融合推荐处理流程 |
CN111695035B (zh) * | 2020-06-10 | 2023-05-05 | 广东数果科技有限公司 | 一种推荐***及多算法融合推荐处理流程 |
CN111737575A (zh) * | 2020-06-19 | 2020-10-02 | 北京字节跳动网络技术有限公司 | 内容分发方法、装置、可读介质及电子设备 |
CN111737575B (zh) * | 2020-06-19 | 2023-11-14 | 北京字节跳动网络技术有限公司 | 内容分发方法、装置、可读介质及电子设备 |
CN111767461A (zh) * | 2020-06-24 | 2020-10-13 | 北京奇艺世纪科技有限公司 | 数据处理方法及装置 |
CN111767461B (zh) * | 2020-06-24 | 2024-02-06 | 北京奇艺世纪科技有限公司 | 数据处理方法及装置 |
CN111816300A (zh) * | 2020-06-30 | 2020-10-23 | 平安科技(深圳)有限公司 | 基于深度强化学习的数据分类方法、装置、设备及介质 |
CN111797322A (zh) * | 2020-07-10 | 2020-10-20 | 杭州慕锐科技有限公司 | 一种所属风格的纺织品类分层花型设计图用智能推荐方法 |
CN112052386A (zh) * | 2020-08-10 | 2020-12-08 | 腾讯科技(深圳)有限公司 | 信息推荐方法、装置和存储介质 |
CN112052386B (zh) * | 2020-08-10 | 2023-09-29 | 腾讯科技(深圳)有限公司 | 信息推荐方法、装置和存储介质 |
WO2022033199A1 (zh) * | 2020-08-14 | 2022-02-17 | 腾讯科技(深圳)有限公司 | 一种获得用户画像的方法及相关装置 |
CN111949884B (zh) * | 2020-08-26 | 2022-06-21 | 桂林电子科技大学 | 一种基于多模态特征交互深度融合推荐方法 |
CN111949884A (zh) * | 2020-08-26 | 2020-11-17 | 桂林电子科技大学 | 一种基于多模态特征交互深度融合推荐方法 |
CN111767474A (zh) * | 2020-09-01 | 2020-10-13 | 上海蜜度信息技术有限公司 | 一种基于用户操作行为构建用户画像的方法及设备 |
CN112148983B (zh) * | 2020-09-30 | 2023-02-03 | 神思电子技术股份有限公司 | 一种用于税务行业的内容更新推荐方法 |
CN112148983A (zh) * | 2020-09-30 | 2020-12-29 | 神思电子技术股份有限公司 | 一种用于税务行业的内容更新推荐方法 |
CN112235615B (zh) * | 2020-10-14 | 2023-03-21 | 广州欢网科技有限责任公司 | 电视终端用户画像数据的打通使用方法及*** |
CN112235615A (zh) * | 2020-10-14 | 2021-01-15 | 广州欢网科技有限责任公司 | 电视终端用户画像数据的打通使用方法及*** |
CN112307332A (zh) * | 2020-10-16 | 2021-02-02 | 四川大学 | 基于用户画像聚类的协同过滤推荐方法、***及存储介质 |
WO2022100518A1 (zh) * | 2020-11-12 | 2022-05-19 | 北京沃东天骏信息技术有限公司 | 一种基于用户画像的物品推荐方法和装置 |
CN112801744A (zh) * | 2020-12-01 | 2021-05-14 | 珠海必要工业科技股份有限公司 | 一种活动推荐方法、装置、电子设备和存储介质 |
CN112801744B (zh) * | 2020-12-01 | 2022-04-29 | 珠海必要工业科技股份有限公司 | 一种活动推荐方法、装置、电子设备和存储介质 |
CN112561598A (zh) * | 2020-12-23 | 2021-03-26 | 中国农业银行股份有限公司重庆市分行 | 基于客户画像的客户流失预测及挽回方法和*** |
CN112685641A (zh) * | 2020-12-31 | 2021-04-20 | 五八有限公司 | 一种信息处理方法及装置 |
CN113313545A (zh) * | 2021-04-19 | 2021-08-27 | 深圳市竹芒信息技术有限公司 | 信息推荐方法、装置、计算机设备和存储介质 |
CN113313545B (zh) * | 2021-04-19 | 2024-04-23 | 深圳市竹芒信息技术有限公司 | 信息推荐方法、装置、计算机设备和存储介质 |
CN113076488A (zh) * | 2021-06-04 | 2021-07-06 | 明品云(北京)数据科技有限公司 | 一种基于用户数据推荐信息的方法及*** |
CN113449188A (zh) * | 2021-06-30 | 2021-09-28 | 东莞市小精灵教育软件有限公司 | 应用推荐方法、装置、电子设备及可读存储介质 |
CN113612639A (zh) * | 2021-07-30 | 2021-11-05 | 江苏易安联网络技术有限公司 | 基于网站访问记录分析预测文件下载行为的方法和装置 |
CN113779384A (zh) * | 2021-08-23 | 2021-12-10 | 广州百奕信息科技有限公司 | 一种基于客户画像的航班推荐*** |
CN113569557A (zh) * | 2021-09-26 | 2021-10-29 | 腾讯科技(深圳)有限公司 | 信息的质量识别方法、装置、设备、存储介质及程序产品 |
CN113569557B (zh) * | 2021-09-26 | 2022-01-04 | 腾讯科技(深圳)有限公司 | 信息的质量识别方法、装置、设备、存储介质及程序产品 |
CN113987353A (zh) * | 2021-10-29 | 2022-01-28 | 掌阅科技股份有限公司 | 书籍推荐方法、计算设备及存储介质 |
CN113987353B (zh) * | 2021-10-29 | 2022-08-09 | 掌阅科技股份有限公司 | 书籍推荐方法、计算设备及存储介质 |
WO2023151191A1 (zh) * | 2022-02-14 | 2023-08-17 | 烟台杰瑞石油服务集团股份有限公司 | 机械设备画像生成方法 |
CN114549078A (zh) * | 2022-02-22 | 2022-05-27 | 中国平安人寿保险股份有限公司 | 基于时序的客户行为处理方法、装置及相关设备 |
CN114549078B (zh) * | 2022-02-22 | 2024-05-14 | 中国平安人寿保险股份有限公司 | 基于时序的客户行为处理方法、装置及相关设备 |
CN114647721B (zh) * | 2022-05-23 | 2022-09-16 | 风林科技(深圳)有限公司 | 教育智能机器人控制方法、设备及介质 |
CN114647721A (zh) * | 2022-05-23 | 2022-06-21 | 风林科技(深圳)有限公司 | 教育智能机器人控制方法、设备及介质 |
CN115531886A (zh) * | 2022-10-08 | 2022-12-30 | 广州易幻网络科技有限公司 | 一种用户和设备数据管理方法、***及可存储介质 |
CN115830405B (zh) * | 2023-02-13 | 2023-09-22 | 国信蓝桥教育科技股份有限公司 | 一种标签化的用户能力画像分析方法及*** |
CN115830405A (zh) * | 2023-02-13 | 2023-03-21 | 国信蓝桥教育科技股份有限公司 | 一种标签化的用户能力画像分析方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN107423442B (zh) | 2020-09-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107423442A (zh) | 基于用户画像行为分析的应用推荐方法及***,储存介质及计算机设备 | |
CN111368210B (zh) | 基于人工智能的信息推荐方法、装置以及电子设备 | |
Deng et al. | Multi-scale convolutional neural network with time-cognition for multi-step short-term load forecasting | |
Lu et al. | Brain intelligence: go beyond artificial intelligence | |
CN109299396B (zh) | 融合注意力模型的卷积神经网络协同过滤推荐方法及*** | |
CN109345302A (zh) | 机器学习模型训练方法、装置、存储介质和计算机设备 | |
CN108647251A (zh) | 基于宽深度门循环联合模型的推荐排序方法 | |
CN110046304A (zh) | 一种用户推荐方法和装置 | |
Salehinejad et al. | Customer shopping pattern prediction: A recurrent neural network approach | |
CN109360097A (zh) | 基于深度学习的股票预测方法、装置、设备及存储介质 | |
CN109544197A (zh) | 一种用户流失预测方法和装置 | |
CN114202061A (zh) | 基于生成对抗网络模型及深度强化学习的物品推荐方法、电子设备及介质 | |
CN112967088A (zh) | 基于知识蒸馏的营销活动预测模型结构和预测方法 | |
CN109101584A (zh) | 一种将深度学习与数学分析相结合的句子分类改进方法 | |
CN110110372B (zh) | 一种用户时序行为自动切分预测方法 | |
CN111611488A (zh) | 基于人工智能的信息推荐方法、装置、电子设备 | |
Wu et al. | Optimized deep learning framework for water distribution data-driven modeling | |
Sadr et al. | Convolutional neural network equipped with attention mechanism and transfer learning for enhancing performance of sentiment analysis | |
CN109902823A (zh) | 一种基于生成对抗网络的模型训练方法及设备 | |
CN110889560A (zh) | 一种具有深度可解释性的快递序列预测的方法 | |
Zheng et al. | RLSTM: a new framework of stock prediction by using random noise for overfitting prevention | |
Terziyan et al. | Causality-aware convolutional neural networks for advanced image classification and generation | |
Leathart et al. | Temporal probability calibration | |
CN115187312A (zh) | 基于深度学习的客户流失预测方法及*** | |
Yuan et al. | Research on mobile internet user behavior preference based on support vector machine |
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 |