CN108829846A - 一种基于用户特征的业务推荐平台数据聚类优化***及方法 - Google Patents
一种基于用户特征的业务推荐平台数据聚类优化***及方法 Download PDFInfo
- Publication number
- CN108829846A CN108829846A CN201810636480.9A CN201810636480A CN108829846A CN 108829846 A CN108829846 A CN 108829846A CN 201810636480 A CN201810636480 A CN 201810636480A CN 108829846 A CN108829846 A CN 108829846A
- Authority
- CN
- China
- Prior art keywords
- optimization
- business recommended
- user characteristics
- user
- business
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于用户特征的业务推荐平台数据聚类优化***及方法,该***包括:基于用户特征的业务推荐UI,实现为用户展示界面并与用户交互;用户特征记录***,实现将用户在UI上的各种用户特征记录;用户特征存储***,实现将用户在UI上的各种用户特征存储;业务推荐引擎,实现推荐结果。本发明的聚类优化思想是对各业务推荐数据聚类优化请求信息进行判断和分析,各业务推荐数据聚类优化请求具有不同优先等级。本发明将业务推荐数据聚类优化请求以聚类优化分析评价函数最优的聚类策略进行聚类。结合奖励及专家决策库多层反馈神经网络半监督学习方法实现本发明动态、效率高、准确度高的优势。
Description
技术领域
本发明涉及大数据和数据聚类技术领域,具体涉及一种基于用户特征的业务推荐平台数据聚类优化***及方法。
背景技术
大数据分析及数据聚类已成为全球运营商发展的重要趋势,大数据分析及数据聚类已被业界普遍认定为下一代数字化转型的主要趋势之一。数据聚类是把相似的数据通过分类的方法分成不同的组别或者更多的子集(subset),这样让在同一个子集中的成员对象都有相似的一些属性,在业务推荐平台中提供根据特征的快速业务推荐等功能,帮助企业实现业务的快速推广和上线。当前,大数据分析及数据聚类已经成为全球政府/企业产业界公认的发展重点;国际和国内的通信产业巨头加快技术研发、企业转型和联盟合作以抢占大数据分析及数据聚类发展的主导权和新兴市场空间。这种情况下,面对日益迫切的大数据分析及数据聚类发展需求,基于用户特征的业务推荐平台数据聚类优化***对于大数据分析及数据聚类的迅速持续发展具有重要意义。
但是随着大数据分析及数据聚类业务的快速增长,伴之产生了静态、效率低、准确度低等问题。现有大数据聚类具有数据规模大、收敛速度慢的特性,未充分考虑到静态、效率低、准确度低等方面问题。
发明内容
第一方面,一种基于用户特征的业务推荐平台数据聚类优化***,该***包括:
基于用户特征的业务推荐UI,实现为用户展示界面并与用户交互;
用户特征记录***,实现将用户在UI上的各种用户特征记录;
用户特征存储***,实现将用户在UI上的各种用户特征存储;
业务推荐引擎,实现推荐结果。
结合第一方面,在第一方面第一种可能的实现方式中,所述用户特征存储***实现将用户在UI上的各种用户特征存储在文件、数据库或内存缓存上;所述业务推荐引擎实现将推荐结果按照一定方法逐次优化并返回最终推荐结果。
结合第一方面,在第一方面第二种可能的实现方式中,所述用户为财经用户、企业用户、政府用户或个人用户。
第二方面,本发明提供一种基于用户特征的业务推荐平台数据聚类优化方法,该方法包括如下步骤:
1)用户接入基于用户特征的业务推荐UI,并提交基于用户特征的业务推荐数据聚类优化请求;
2)将各种用户特征记录在用户特征记录***中;
3)将各种用户特征存储于用户特征存储***的文件、数据库或内存缓存上;
4)业务推荐引擎根据用户特征存储***中存储的相应用户特征进行去噪及聚类优化后,将相应类型的推荐业务传送给基于用户特征的业务推荐UI;
5)基于用户特征的业务推荐UI将根据将用户的业务推荐数据聚类优化请求对应的推荐业务返回给相应用户。
结合第二方面,在第二方面第一种可能的实现方式中,所述业务推荐引擎包含四个部分:业务推荐数据聚类优化请求接收、以多维空间神经网络聚类优化策略分析业务推荐数据聚类优化请求、推荐结果输出、多维空间神经网络聚类优化策略半监督学习。
结合第二方面的第一种实现方式,在第二方面第二种可能的实现方式中,所述以多维空间神经网络聚类优化策略分析业务推荐数据聚类优化请求具体步骤为:
1)各业务推荐数据聚类优化请求获取汇总
每隔预置时间主动上报和定期被询问机制获取智能家居通信优化请求,并将这些信息进行汇总;
2)设置迭代初始参数
设置迭代最大代数d为50;
3)当前迭代次数k加1
当前迭代次数增加1次,也即k+1,k≤d;
4)以多维空间神经网络聚类优化策略分析业务推荐数据聚类优化请求
以多维空间神经网络聚类优化策略分析业务推荐数据聚类优化请求;
5)各聚类优化分析初始结果获取汇总
将业务推荐数据聚类优化请求推荐结果进行获取和汇总;
6)多维空间神经网络聚类优化策略半监督学习
结合奖励及专家决策库多层反馈神经网络半监督学习方法进行半监督学习;
7)满足聚类优化分析评价条件
根据多维空间、神经网络、深度学习、概率论、生物学、运筹学、智能优化、机器学习等理论的聚类优化分析评价条件即评价函数(见式1-2)进行判断,当不满足聚类优化分析评价条件时应继续进行迭代;
8)当前迭代次数加1
当前迭代次数增加1次,也即;
9)以多维空间神经网络聚类优化策略分析业务推荐数据聚类优化请求
以多维空间神经网络聚类优化策略分析业务推荐数据聚类优化请求;
10)各聚类优化分析结果获取汇总
每隔预置时间主动上报和定期被询问机制获取汇总业务推荐数据聚类优化请求分析推荐结果信息;
11)满足当前迭代次数大于最大迭代次数
根据当前迭代次数大于最大迭代次数评价条件进行判断,当不满足时跳转到6)继续进行迭代,满足时结束。
结合第二方面的第一种实现方式,在第二方面第三种可能的实现方式中,所述多维空间神经网络聚类优化策略半监督学习具体包括:
其聚类优化模型可表示为
存储模型包括Mijt k; (1-1)
联合马尔可夫评价函数:
多层反馈神经网络优化函数:
其中式(1-1)至式(1-6)中的k表示第k次迭代,其中k必须满足k≤d条件,需满足k=1,2,",d的条件;其中,1,2,L为多维空间;
式(1-3)、(1-4)和(1-5)中的Mijt k主要包含:和两方面的信息向量,式(1-2)、(1-3)、(1-4)、(1-5)和(1-6)中的 EmaxG、AmaxG、MmaxG、MmaxK、MminK、MminG分别为聚类优化的当前第k次迭代推荐效率、当前第k次平均推荐效率、当前第k次准确度、当前第k次平均准确度、历史信息推荐效率最大值、历史信息准确度最大值、当前第k次信息向量、历史最大信息向量、当前第k次最大信息向量、当前第k次最小信息向量、第k+1次信息向量、第k+1次激励因子、第k+1次专家库半监督学习因子、历史最小信息向量,使得此算法挑出局部最优。
本发明的聚类优化思想是对各业务推荐数据聚类优化请求信息进行判断和分析,各业务推荐数据聚类优化请求具有不同优先等级。本发明将业务推荐数据聚类优化请求以聚类优化分析评价函数最优的聚类策略进行聚类。结合奖励及专家决策库多层反馈神经网络半监督学习方法实现本发明动态、效率高、准确度高的优势。
附图说明
为了更清楚地说明本申请的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本申请基于用户特征的业务推荐平台数据聚类优化方法的具体实施方式之一的聚类优化分析执行流程图;
图2为存储模型的示意图。
具体实施方式
下面对本申请的实施例作详细说明。
在本发明的第一个实施例中,一种基于用户特征的业务推荐平台数据聚类优化***,该***包括:
基于用户特征的业务推荐UI,实现为用户展示界面并与用户交互;
用户特征记录***,实现将用户在UI上的各种用户特征记录;
用户特征存储***,实现将用户在UI上的各种用户特征存储;
业务推荐引擎,实现推荐结果。
其中,业务推荐引擎主要完成对基于用户特征的业务推荐数据聚类优化请求进行分析处理,并将分析处理后的相关信息转发给相应的分析结果。
在本发明的第二个实施例中,所述用户特征存储***实现将用户在UI上的各种用户特征存储在文件、数据库或内存缓存上;所述业务推荐引擎实现将推荐结果按照一定方法逐次优化并返回最终推荐结果。
在本发明的第三个实施例中,所述用户为财经用户、企业用户、政府用户或个人用户。
在本发明的第四个实施例中,提供一种基于用户特征的业务推荐平台数据聚类优化方法,该方法包括如下步骤:
1)用户接入基于用户特征的业务推荐UI,并提交基于用户特征的业务推荐数据聚类优化请求;
2)将各种用户特征记录在用户特征记录***中;
3)将各种用户特征存储于用户特征存储***的文件、数据库或内存缓存上;
4)业务推荐引擎根据用户特征存储***中存储的相应用户特征进行去噪及聚类优化后,将相应类型的推荐业务传送给基于用户特征的业务推荐UI;
5)基于用户特征的业务推荐UI将根据将用户的业务推荐数据聚类优化请求对应的推荐业务返回给相应用户。
在本发明的第五个实施例中,所述业务推荐引擎包含四个部分:业务推荐数据聚类优化请求接收、以多维空间神经网络聚类优化策略分析业务推荐数据聚类优化请求、推荐结果输出、多维空间神经网络聚类优化策略半监督学习。
在本发明的第六个实施例中,所述以多维空间神经网络聚类优化策略分析业务推荐数据聚类优化请求具体步骤为:
1)各业务推荐数据聚类优化请求获取汇总
每隔预置时间主动上报和定期被询问机制获取智能家居通信优化请求,并将这些信息进行汇总;
2)设置迭代初始参数
设置迭代最大代数d为50;
3)当前迭代次数k加1
当前迭代次数增加1次,也即k+1,k≤d;
4)以多维空间神经网络聚类优化策略分析业务推荐数据聚类优化请求
以多维空间神经网络聚类优化策略分析业务推荐数据聚类优化请求;
5)各聚类优化分析初始结果获取汇总
将业务推荐数据聚类优化请求推荐结果进行获取和汇总;
6)多维空间神经网络聚类优化策略半监督学习
结合奖励及专家决策库多层反馈神经网络半监督学习方法进行半监督学习;
7)满足聚类优化分析评价条件
根据多维空间、神经网络、深度学习、概率论、生物学、运筹学、智能优化、机器学习等理论的聚类优化分析评价条件即评价函数(见式1-2)进行判断,当不满足聚类优化分析评价条件时应继续进行迭代;
8)当前迭代次数加1
当前迭代次数增加1次,也即;
9)以多维空间神经网络聚类优化策略分析业务推荐数据聚类优化请求
以多维空间神经网络聚类优化策略分析业务推荐数据聚类优化请求;
10)各聚类优化分析结果获取汇总
每隔预置时间主动上报和定期被询问机制获取汇总业务推荐数据聚类优化请求分析推荐结果信息;
11)满足当前迭代次数大于最大迭代次数
根据当前迭代次数大于最大迭代次数评价条件进行判断,当不满足时跳转到6)继续进行迭代,满足时结束。
其中,各业务推荐数据聚类优化请求信息主要包含:推荐效率E、准确度A。通过分析业务推荐数据聚类优化请求实现了针对各业务推荐数据聚类优化请求的推荐效率E、准确度A进行聚类优化,多维空间神经网络聚类优化策略半监督学习实现并给出推荐结果。
该算法采用实时主动兼被动收集业务推荐数据聚类优化请求信息并实时分析,明显优化各业务推荐数据聚类优化推荐结果的推荐效率、准确度等方面指标。每次迭代中的多维空间神经网络聚类优化分析思想为:在多维空间中,多个聚类优化方案根据奖励及专家决策库多层反馈神经网络半监督学习优化策略方式向最优推荐方案确定的方向迁移,请求在输入后经过奖励机制和专家库半监督学习循环优化后输出相应推荐结果。结合多维空间多层反馈神经网络优化思想,基于多维空间、神经网络、深度学习、概率论、生物学、运筹学、智能优化、机器学习等优势的聚类优化分析得到聚类优化分析结果。
当业务推荐数据聚类优化请求到达模型后,该业务推荐数据聚类优化请求被聚类优化分析评价函数最优的方案聚类成相应的聚类结果。若到来的业务推荐数据聚类优化请求被延迟则被赋予当前较高加速优化调度聚类优先权。
在本发明的第七个实施例中,所述多维空间神经网络聚类优化策略半监督学习具体包括:
其聚类优化模型可表示为
存储模型包括Mijt k,存储模型如图2所示; (1-1)
联合马尔可夫评价函数:
多层反馈神经网络优化函数:
其中式(1-1)至式(1-6)中的k表示第k次迭代,其中k必须满足k≤d条件,需满足k=1,2,…,d的条件;其中,1,2,L为多维空间;
式(1-3)、(1-4)和(1-5)中的Mijt k主要包含:和两方面的信息向量,式(1-2)、(1-3)、(1-4)、(1-5)和(1-6)中的 EmaxG、AmaxG、MmaxG、MmaxK、MminK、MminG分别为聚类优化的当前第k次迭代推荐效率、当前第k次平均推荐效率、当前第k次准确度、当前第k次平均准确度、历史信息推荐效率最大值、历史信息准确度最大值、当前第k次信息向量、历史最大信息向量、当前第k次最大信息向量、当前第k次最小信息向量、第k+1次信息向量、第k+1次激励因子、第k+1次专家库半监督学习因子、历史最小信息向量,使得此算法挑出局部最优。本发明的聚类优化思想是对各业务推荐数据聚类优化请求信息进行判断和分析,各业务推荐数据聚类优化请求具有不同优先等级。本发明将业务推荐数据聚类优化请求以聚类优化分析评价函数最优的聚类策略进行聚类。结合奖励及专家决策库多层反馈神经网络半监督学习方法实现本发明动态、效率高、准确度高的优势。
本说明书中各个实施例之间相同相似的部分互相参见即可。以上所述的本发明实施方式并不构成对本发明保护范围的限定。
Claims (7)
1.一种基于用户特征的业务推荐平台数据聚类优化***,该***包括:
基于用户特征的业务推荐UI,实现为用户展示界面并与用户交互;
用户特征记录***,实现将用户在UI上的各种用户特征记录;
用户特征存储***,实现将用户在UI上的各种用户特征存储;
业务推荐引擎,实现推荐结果。
2.根据权利要求1所述的***,其特征在于,所述用户特征存储***实现将用户在UI上的各种用户特征存储在文件、数据库或内存缓存上;所述业务推荐引擎实现将推荐结果按照一定方法逐次优化并返回最终推荐结果。
3.根据权利要求1或2所述的***,其特征在于,所述用户为财经用户、企业用户、政府用户或个人用户。
4.一种基于用户特征的业务推荐平台数据聚类优化方法,该方法包括如下步骤:
1)用户接入基于用户特征的业务推荐UI,并提交基于用户特征的业务推荐数据聚类优化请求;
2)将各种用户特征记录在用户特征记录***中;
3)将各种用户特征存储于用户特征存储***的文件、数据库或内存缓存上;
4)业务推荐引擎根据用户特征存储***中存储的相应用户特征进行去噪及聚类优化后,将相应类型的推荐业务传送给基于用户特征的业务推荐UI;
5)基于用户特征的业务推荐UI将根据将用户的业务推荐数据聚类优化请求对应的推荐业务返回给相应用户。
5.根据权利要求4所述的方法,其特征在于,所述业务推荐引擎包含四个部分:业务推荐数据聚类优化请求接收、以多维空间神经网络聚类优化策略分析业务推荐数据聚类优化请求、推荐结果输出、多维空间神经网络聚类优化策略半监督学习。
6.根据权利要求5所述的方法,其特征在于,所述以多维空间神经网络聚类优化策略分析业务推荐数据聚类优化请求具体步骤为:
1)各业务推荐数据聚类优化请求获取汇总
每隔预置时间主动上报和定期被询问机制获取智能家居通信优化请求,并将这些信息进行汇总;
2)设置迭代初始参数
设置迭代最大代数d为50;
3)当前迭代次数k加1
当前迭代次数增加1次,也即k+1,k≤d;
4)以多维空间神经网络聚类优化策略分析业务推荐数据聚类优化请求
以多维空间神经网络聚类优化策略分析业务推荐数据聚类优化请求;
5)各聚类优化分析初始结果获取汇总
将业务推荐数据聚类优化请求推荐结果进行获取和汇总;
6)多维空间神经网络聚类优化策略半监督学习
结合奖励及专家决策库多层反馈神经网络半监督学习方法进行半监督学习;
7)满足聚类优化分析评价条件
根据多维空间、神经网络、深度学习、概率论、生物学、运筹学、智能优化、机器学习等理论的聚类优化分析评价条件即评价函数(见式1-2)进行判断,当不满足聚类优化分析评价条件时应继续进行迭代;
8)当前迭代次数加1
当前迭代次数增加1次,也即;
9)以多维空间神经网络聚类优化策略分析业务推荐数据聚类优化请求
以多维空间神经网络聚类优化策略分析业务推荐数据聚类优化请求;
10)各聚类优化分析结果获取汇总
每隔预置时间主动上报和定期被询问机制获取汇总业务推荐数据聚类优化请求分析推荐结果信息;
11)满足当前迭代次数大于最大迭代次数
根据当前迭代次数大于最大迭代次数评价条件进行判断,当不满足时跳转到6)继续进行迭代,满足时结束。
7.根据权利要求5所述的方法,其特征在于,所述多维空间神经网络聚类优化策略半监督学习具体包括:
其聚类优化模型可表示为
存储模型包括Mijt k; (1-1)
联合马尔可夫评价函数:
多层反馈神经网络优化函数:
λ、β∈(0,1),λ+β=1 (1-3)
其中式(1-1)至式(1-6)中的k表示第k次迭代,其中k必须满足k≤d条件,需满足k=1,2,",d的条件;其中,1,2,L为多维空间;
式(1-3)、(1-4)和(1-5)中的Mijt k主要包含:和两方面的信息向量,式(1-2)、(1-3)、(1-4)、(1-5)和(1-6)中的EmaxG、AmaxG、MmaxG、MmaxK、MminK、MminG分别为聚类优化的当前第k次迭代推荐效率、当前第k次平均推荐效率、当前第k次准确度、当前第k次平均准确度、历史信息推荐效率最大值、历史信息准确度最大值、当前第k次信息向量、历史最大信息向量、当前第k次最大信息向量、当前第k次最小信息向量、第k+1次信息向量、第k+1次激励因子、第k+1次专家库半监督学习因子、历史最小信息向量,使得此算法挑出局部最优。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810636480.9A CN108829846B (zh) | 2018-06-20 | 2018-06-20 | 一种基于用户特征的业务推荐平台数据聚类优化***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810636480.9A CN108829846B (zh) | 2018-06-20 | 2018-06-20 | 一种基于用户特征的业务推荐平台数据聚类优化***及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108829846A true CN108829846A (zh) | 2018-11-16 |
CN108829846B CN108829846B (zh) | 2021-09-10 |
Family
ID=64142713
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810636480.9A Active CN108829846B (zh) | 2018-06-20 | 2018-06-20 | 一种基于用户特征的业务推荐平台数据聚类优化***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108829846B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111311420A (zh) * | 2020-02-21 | 2020-06-19 | 深圳市思迪信息技术股份有限公司 | 一种业务数据的推送方法及装置 |
CN111353576A (zh) * | 2018-12-24 | 2020-06-30 | ***通信集团山西有限公司 | 一种基于模糊神经网络的信息生成方法、装置及设备 |
CN111859114A (zh) * | 2020-06-18 | 2020-10-30 | 北京百度网讯科技有限公司 | 推荐***的优化方法、装置、设备和计算机存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102508907A (zh) * | 2011-11-11 | 2012-06-20 | 北京航空航天大学 | 一种基于训练集优化的推荐***的动态推荐方法 |
CN103544206A (zh) * | 2013-07-16 | 2014-01-29 | Tcl集团股份有限公司 | 一种个性化推荐的实现方法及*** |
CN105069140A (zh) * | 2015-08-19 | 2015-11-18 | 中国科学院自动化研究所 | 基于高阶用户偏好的推荐方法 |
CN108023840A (zh) * | 2017-12-12 | 2018-05-11 | 中国联合网络通信集团有限公司 | Ovs网络流量加速优化方法及ovs网络流量加速优化*** |
-
2018
- 2018-06-20 CN CN201810636480.9A patent/CN108829846B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102508907A (zh) * | 2011-11-11 | 2012-06-20 | 北京航空航天大学 | 一种基于训练集优化的推荐***的动态推荐方法 |
CN103544206A (zh) * | 2013-07-16 | 2014-01-29 | Tcl集团股份有限公司 | 一种个性化推荐的实现方法及*** |
CN105069140A (zh) * | 2015-08-19 | 2015-11-18 | 中国科学院自动化研究所 | 基于高阶用户偏好的推荐方法 |
CN108023840A (zh) * | 2017-12-12 | 2018-05-11 | 中国联合网络通信集团有限公司 | Ovs网络流量加速优化方法及ovs网络流量加速优化*** |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111353576A (zh) * | 2018-12-24 | 2020-06-30 | ***通信集团山西有限公司 | 一种基于模糊神经网络的信息生成方法、装置及设备 |
CN111353576B (zh) * | 2018-12-24 | 2023-09-19 | ***通信集团山西有限公司 | 一种基于模糊神经网络的信息生成方法、装置及设备 |
CN111311420A (zh) * | 2020-02-21 | 2020-06-19 | 深圳市思迪信息技术股份有限公司 | 一种业务数据的推送方法及装置 |
CN111859114A (zh) * | 2020-06-18 | 2020-10-30 | 北京百度网讯科技有限公司 | 推荐***的优化方法、装置、设备和计算机存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN108829846B (zh) | 2021-09-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021063171A1 (zh) | 决策树模型的训练方法、***、存储介质及预测方法 | |
US20180240043A1 (en) | Model and pattern structure online unital learning: mapsoul | |
US11403554B2 (en) | Method and apparatus for providing efficient testing of systems by using artificial intelligence tools | |
CN101782976B (zh) | 一种云计算环境下机器学习自动选择方法 | |
Chen et al. | Efficient ant colony optimization for image feature selection | |
CN106779087A (zh) | 一种通用机器学***台 | |
US20200167659A1 (en) | Device and method for training neural network | |
CN109766454A (zh) | 一种投资者分类方法、装置、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 | |
CN108829846A (zh) | 一种基于用户特征的业务推荐平台数据聚类优化***及方法 | |
Shiue et al. | Development of machine learning‐based real time scheduling systems: using ensemble based on wrapper feature selection approach | |
Pecori et al. | Incremental learning of fuzzy decision trees for streaming data classification | |
Dai et al. | Hybrid deep model for human behavior understanding on industrial internet of video things | |
CN111914094A (zh) | 一种基于三元交互的知识图谱表示学习方法 | |
Gong et al. | Evolutionary computation in China: A literature survey | |
CN113705715B (zh) | 一种基于lstm和多尺度fcn的时间序列分类方法 | |
Sun et al. | Dynamic Intelligent Supply-Demand Adaptation Model Towards Intelligent Cloud Manufacturing. | |
Ni et al. | A novel ensemble pruning approach based on information exchange glowworm swarm optimization and complementarity measure | |
CN115130620A (zh) | 一种电力设备用电模式识别模型生成方法及装置 | |
Sathesh et al. | Analysis of Software Sizing and Project Estimation prediction by Machine Learning Classification | |
Sood | Iterative solver selection techniques for sparse linear systems | |
CN113191569A (zh) | 一种基于大数据的企业管理方法及*** | |
CN112926952A (zh) | 结合云计算的大数据办公业务处理方法及大数据服务器 | |
Wu et al. | Multi-label regularized generative model for semi-supervised collective classification in large-scale networks | |
Yi | Logistics scheduling optimisation and allocation of intercultural communication trade under internet of things and edge computing |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |