CN110751168A - 信息推送方法、装置、计算机设备和存储介质 - Google Patents
信息推送方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN110751168A CN110751168A CN201910827221.9A CN201910827221A CN110751168A CN 110751168 A CN110751168 A CN 110751168A CN 201910827221 A CN201910827221 A CN 201910827221A CN 110751168 A CN110751168 A CN 110751168A
- Authority
- CN
- China
- Prior art keywords
- sample
- user
- screening
- classification
- driving
- 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
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000012216 screening Methods 0.000 claims abstract description 149
- 238000013145 classification model Methods 0.000 claims abstract description 54
- 230000009193 crawling Effects 0.000 claims abstract description 9
- 239000002245 particle Substances 0.000 claims description 99
- 238000004590 computer program Methods 0.000 claims description 25
- 230000003044 adaptive effect Effects 0.000 claims description 22
- 238000004422 calculation algorithm Methods 0.000 claims description 16
- 238000013507 mapping Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 abstract description 7
- 238000005065 mining Methods 0.000 abstract description 3
- 238000001914 filtration Methods 0.000 description 20
- 238000010586 diagram Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000006399 behavior Effects 0.000 description 4
- 239000000284 extract Substances 0.000 description 3
- 230000001360 synchronised effect Effects 0.000 description 2
- 235000019640 taste Nutrition 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/55—Push-based network services
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请涉及大数据领域，具体涉及一种信息推送方法、装置、计算机设备和存储介质。方法包括：接收终端发送的携带有用户标识和筛选词语的信息推送指令；在已存储的历史标识中搜索与用户标识一致的历史标识；当未搜索到与用户标识一致的历史标识时，根据用户标识获取用户行车数据；对用户行车数据分析，得到用户出行参数；获取行车分类模型，并将用户出行参数输入行车分类模型中得到用户的分类类别和筛选系数；根据所述筛选词语从互联网上爬取生活信息；根据分类类别和筛选系数对生活信息进行筛选，并将筛选后的生活信息推送给终端。采用本方法能够实现对用户行车数据深层次分析挖掘，提高了用户行车数据的可用性。
Description
技术领域
本申请涉及大数据技术领域，特别是涉及一种信息推送方法、装置、计算机设备和存储介质。
背景技术
现在，用户可以从交通数据管理中心查询自己的行车数据，但是查到的行车数据只是对用户驾驶行为的简单记录，提供的数据有限，且数据的时效性、可用性不强，无法给用户提供参考借鉴，因而大量的行车数据被搁置浪费。因此，如何对已有行车数据进行深层次的数据分析、数据挖掘，是现在技术发展需要面对的一个重要问题。
发明内容
基于此，有必要针对上述技术问题，提供一种能够为用户精准地提供推送信息的信息推送方法、装置、计算机设备和存储介质。
一种信息推送方法，所述方法包括：
接收终端发送的携带有用户标识和筛选词语的信息推送指令；
在已存储的历史标识中搜索与所述用户标识一致的历史标识；
当未搜索到与所述用户标识一致的历史标识时，根据所述用户标识获取用户行车数据；
对所述用户行车数据分析，得到用户出行参数；
获取行车分类模型，并将所述用户出行参数输入所述行车分类模型中得到用户的分类类别和筛选系数；
根据所述筛选词语从互联网上爬取生活信息；
根据所述分类类别和所述筛选系数对所述生活信息进行筛选，并将筛选后的所述生活信息推送给所述终端。
在其中一个实施例中，所述行车分类模型的构建方法，包括：
获取样本人员的样本行车数据和筛选系数；
从所述样本行车数据中提取出样本行车时刻及对应的节假日标签、和样本行车路径；
根据所述样本行车时刻、所述节假日标签和所述样本行车路径生成所述样本人员的样本出行参数；
基于所述样本出行参数采用粒子群算法对所述样本人员进行分类，并建立分类类别与所述筛选系数的对应关系，利用所述对应关系训练得到行车分类模型。
在其中一个实施例中，根据所述样本行车时刻、所述节假日标签和所述样本行车路径生成所述样本人员的样本出行参数，包括：
根据所述样本行车时刻生成夜间标签；
根据所述样本行车时刻的节假日标签和所述夜间标签对所述样本行车时刻进行分类；
根据所述样本行车路径和分类后的所述样本行车时刻生成样本出行参数。
在其中一个实施例中，基于所述样本出行参数采用粒子群算法对所述样本人员进行分类，包括：
基于所述样本出行参数将所述样本人员映射成在多维求解空间中的粒子群；
获取分类数量；
根据所述分类数量随机生成查找粒子；
随机生成所述查找粒子的初始速度和初始位置；
计算所述查找粒子的适应值，并根据所述适应值调整所述查找粒子的所述初始速度和所述初始位置；
当根据所述适应值确定所述粒子群的全局最优解时，基于所述全局最优解对所述粒子群进行分类，并输出对应的类别。
在其中一个实施例中，根据所述分类类别和所述筛选系数对所述生活信息进行筛选，并将筛选后的所述生活信息推送给所述终端，包括：
根据所述分类类别获取分类特征词；
判断所述生活信息中是否存在分类特征词；
当判断初步筛选后的所述生活信息中存在分类特征词时，根据所述筛选系数将所述生活信息推送给所述终端。
在其中一个实施例中，根据所述分类类别和所述筛选系数对所述生活信息进行筛选，并将筛选后的所述生活信息推送给所述终端之后，包括：
接收所述终端发送的对所述生活信息的反馈结果；
根据所述反馈结果调整所述分类类别对应的筛选系数；
将所述分类类别、调整后的所述筛选系数与所述用户标识对应存储。
在其中一个实施例中，在已存储的历史标识中搜索与所述用户标识一致的历史标识之后，包括：
当搜索到与所述用户标识一致的历史标识时，查找与所述历史标识对应的所述分类类别和所述筛选系数；
根据查找到的所述分类类别和所述筛选系数对所述生活信息进行筛选，并将筛选后的所述生活信息推送给所述终端。
一种信息推送装置，所述装置包括：
指令接收模块，用于接收终端发送的携带有用户标识和筛选词语的信息推送指令；
标识搜索模块，用于在已存储的历史标识中搜索与所述用户标识一致的历史标识；
行车数据获取模块，用于当未搜索到与所述用户标识一致的历史标识时，根据所述用户标识获取用户行车数据；
出行数值提取模块，用于对所述用户行车数据分析，得到用户出行参数；
分类获取模块，用于获取行车分类模型，并将所述用户出行参数输入所述行车分类模型中得到用户的分类类别和筛选系数；
生活信息获取模块，用于根据所述筛选词语从互联网上爬取生活信息；
信息筛选模块，用于根据所述分类类别和所述筛选系数对所述生活信息进行筛选，并将筛选后的所述生活信息推送给所述终端。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述方法的步骤。
上述信息推送方法、装置、计算机设备和存储介质，服务器接收终端发送的携带有用户标识的信息推送指令，根据用户标识获取用户行车数据，对用户行车数据分析，得到用户出行参数，获取行车分类模型，并将用户出行参数输入行车分类模型中得到用户的分类类别和筛选系数，根据筛选词语从互联网上爬取生活信息，根据分类类别和筛选系数对生活信息进行筛选，并将筛选后的生活信息推送给终端，上述信息推送方法通过样本行车数据构建的行车分类模型对用户的用户行车数据进行分析，在不需要用户提供大量数据的情况下，就可以得到对用户的精准分析，进而得到针对用户的推送信息，不仅实现对用户行车数据深层次分析挖掘，也提高了用户行车数据的可用性。
附图说明
图1为一个实施例中信息推送方法的应用场景图；
图2为一个实施例中信息推送方法的流程示意图；
图3为一个实施例中行车模型构建步骤的流程示意图；
图4为另一个实施例中行车数据分类步骤的流程示意图；
图5为一个实施例中信息推送装置的结构框图；
图6为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的信息推送方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。终端102将携带有用户标识和筛选词语的信息推送指令发送给服务器104，服务器104接收终端102发送的携带有用户标识和筛选词语的信息推送指令，并在已存储的历史标识中搜索与用户标识一致的历史标识，当未搜索到与用户标识一致的历史标识时，根据用户标识获取用户行车数据，服务器104对用户行车数据分析，得到用户出行参数，并获取行车分类模型，将用户出行参数输入行车分类模型中得到用户的分类类别和筛选系数，服务器104根据筛选词语从互联网上爬取生活信息，根据分类类别和筛选系数对生活信息进行筛选，并将筛选后的生活信息推送给终端102。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式智能设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，如图2所示，提供了一种信息推送方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：
步骤202，接收终端发送的携带有用户标识和筛选词语的信息推送指令。
服务器104接收终端发送的携带有用户标识和筛选词语的信息推送指令。信息推送指令可以是包含用户标识和筛选词语等工作代码，也可以是由指代用户标识和筛选词语的代码组成的代码序列。信息推送指令中的用户标识和筛选词语可以通过用户在终端102输入的语音信息、文字信息等识别。终端102可以获取用户输入的语音信息或文字信息，并根据语音信息或文字信息识别出目标企业的信息推送指令。例如，用户可以在使用查询APP的过程中，点击语音识别功能，终端102获取用户输入的语音信息并识别出信息推送指令中的用户标识和筛选词语，并生成携带有用户标识和筛选词语的信息推送指令。
步骤204，在已存储的历史标识中搜索与所述用户标识一致的历史标识。
服务器104在已存储的历史标识中搜索与用户标识一致的历史标识。历史标识是曾经使用***进行搜索推送的历史用户的用户标识，历史标识可以存储在历史标识数据库中。服务器将用户标识与历史标识进行比对判定，当历史标识与用户标识完全一样时，服务器判定历史标识与用户标识一致；当历史标识与用户标识不一样时，服务器判定历史标识与用户标识不一致。例如，历史标识分别为“AAA”、“AAA3”和“aaa”，用户标识为“AAA”，服务器判定历史标识“AAA”和用户标识“AAA”一致，并判定历史标识“aaa”、“AAA3”均与用户标识“AAA”不一致。
步骤206，当未搜索到与所述用户标识一致的历史标识时，根据所述用户标识获取用户行车数据。
当服务器104未搜索到与用户标识一致的历史标识时，服务器104根据用户标识获取用户行车数据。服务器104根据用户标识可以从***存储的用户行车数据库中获取用户行车数据，也可以通过用户标识从交通数据管理中心获取存储在交通管理中心的用户行车数据。交通数据管理中心可以为高速缴费管理中心，也可以为高架交通管理中心。高速缴费管理中心中的用户行车数据可以包含预定周期内用户上高速的次数、每次行车路径、上下高速的行车时刻等；高架交通管理中心中的用户行车数据可以包含预定周期内用户上下高架的次数、高架限制车速、每次行车路径、上下高架的行车时刻等。
步骤208，对所述用户行车数据分析，得到用户出行参数。
服务器104从用户行车数据中提取出用户出行参数。用户出行参数是用于概括用户出行行为的各种参数，可以通过对用户行车数据分析得到。用户出行参数可以包含用户行驶时长、用户出行里程数、用户出行频率、用户节假日行驶时长、用户节假日出行里程数、用户节假日出行概率等。例如，用户行车数据包含预定周期内用户上高速的次数、每次行车路径、上下高速的行车时刻，服务器根据预定周期内用户上高速的次数得到用户的出行频率，根据行车路径得到用户出行里程数，根据用户上下高速的行车时刻得到用户行驶时长，服务器也可以根据行车时刻包含的日期确认用户节假日出行概率和用户节假日行驶时长，根据用户节假日行驶时长计算用户节假日出行里程数。
步骤210，获取行车分类模型，并将所述用户出行参数输入所述行车分类模型中得到用户的分类类别和筛选系数。
服务器104获取基于样本人员的样本行车数据得到的行车分类模型。行车分类模型是基于样本人员的样本行车数据得到的对用户行车数据分析的分类模型。行车分类模型可以是通过对具有不同分类类别的人群的行车数据进行分析而构建的一个行车数据、标签存在对应关系的关系模型；或是通过对具有不同分类类别的人群的行车数据进行分析而构建的函数模型；又或是通过对不同人的行车数据进行分析而得到的分类模型。
服务器104将用户出行参数输入行车分类模型中得到用户的分类类别和筛选系数。行车分类模型不仅通过用户行车数据对用户进行分类，还可以确定用户对不同生活信息偏好的筛选系数。服务器将用户出行参数输入行车分类模型中，可以先得到用户的分类类别，再根据分类类别获取对应的筛选系数；服务器也可以将用户出行参数输入行车分类模型中，同时得到用户的分类类别和筛选系数。筛选系数是用户对生活信息可能偏好的程度数值。不同分类的用户对同一种生活信息的筛选系数也会不同。
步骤212，根据所述筛选词语从互联网上爬取生活信息。
服务器104根据所述筛选词语从互联网上爬取生活信息。服务器可以获取公开有生活信息的网址，并根据网址上获取含有筛选词语的生活信息。生活信息是与生活相关的各类信息。生活信息可以是在互联网上发布的旅游信息、购物信息、新闻信息等与生活相关的各类信息。服务器可以在接收到信息推送指令后，根据筛选词语从互联网上爬取生活信息；服务器也可以在得到用户的分类类别和筛选系数后，根据筛选词语从互联网上爬取生活信息。
步骤214，根据所述分类类别和所述筛选系数对所述生活信息进行筛选，并将筛选后的所述生活信息推送给所述终端。
服务器104根据分类类别和筛选系数对生活信息进行筛选，并将筛选后的生活信息推送给终端。服务器可以根据分类类别进行二次筛选，再根据筛选系数对二次筛选后的生活信息进行排序，并依次推送给终端。服务器也可以根据筛选系数和分类类别同时对生活信息进行筛选，对筛选后的生活信息进行排序，并推送给终端。服务器还可以判定生活信息与筛选词语和分类类别的近似度，并将近似度与筛选系数进行相乘得到生活信息的推荐数值，根据推荐数值的大小依次将生活信息推送给终端。
上述信息推送方法中，通过样本行车数据构建的行车分类模型对用户的用户行车数据进行分析，在不需要用户提供大量数据的情况下，就可以得到对用户的精准分析，进而得到针对用户的推送信息，不仅实现对用户行车数据深层次分析挖掘，也提高了用户行车数据的可用性。
在一个实施例中，如图3所示，行车分类模型的构建方法，具有以下步骤：
步骤302，获取样本人员的样本行车数据和筛选系数。
服务器104获取样本人员的样本行车数据和筛选系数。样本行车数据是样本人员在预定周期内样本人员的行车数据。预定周期可以为1个月、1个季度或1年等。服务器可以从样本人员数据库中获取样本人员的样本行车数据，也可以根据样本人员的样本标识从交通数据中心获得样本人员的样本行车数据。筛选系数可以是由样本人员对不同类别的生活信息的偏好设定；也可以是由***根据样本人员的职业、年龄、生活经历等针对不同类别的生活信息而生成的。
步骤304，从所述样本行车数据中提取出样本行车时刻及对应的节假日标签、和样本行车路径。
服务器104从样本行车数据中提取出样本行车时刻及对应的节假日标签，并从样本行车数据中提取出与样本行车时刻对应的样本行车路径。样本行车数据包含多条样本行车时刻、节假日标签及样本行车路径。每条样本行车时刻、节假日标签和样本行车路径代表用户的一次驾驶行为。样本行车时刻包含用户的出行日期以及出行时刻，节假日标签与出行日期对应。节假日标签是可以判别样本行车时刻是否处于节假日的标签。当样本行车时刻处于节假日时，节假日标签可以用“休”表示；当样本行车时刻处于工作日时，节假日标签可以用“工”表示。
步骤306，根据所述样本行车时刻、所述节假日标签和所述样本行车路径生成所述样本人员的样本出行参数。
服务器104根据样本行车时刻、节假日标签和样本行车路径生成样本人员的样本出行参数。样本出行参数是用于概括样本人员出行行为的各种参数，样本出行参数可以包含样本人员行驶时长、样本人员出行里程数、样本人员出行频率、样本人员节假日行驶时长、样本人员节假日出行里程数、样本人员节假日出行概率等。
步骤308，基于所述样本出行参数采用粒子群算法对所述样本人员进行分类，并建立分类类别与所述筛选系数的对应关系，利用所述对应关系训练得到行车分类模型。
服务器104基于样本出行参数采用粒子群算法对样本人员进行分类，并建立分类类别与筛选系数的对应关系，得到行车分类模型。服务器根据筛选系数确定样本人员的分类数量，而后根据每个样本人员的样本出行参数中的各个参数将每个样本人员映射成多维求解空间的一个样本粒子。由于存在多个样本人员，所以这些样本粒子构成了位于多维求解空间中的粒子群。服务器根据分类数量随机生成查找粒子，利用查找粒子确定粒子群中的全局最优解，根据全局最优解对粒子群进行分类，输出每个样本人员对应的分类类别。服务器104对每个分类类别的样本人员进行分析得到分类，并建立分类类别与筛选系数的对应关系，然后利用对应关系训练得到行车分类模型。服务器可以采用机器学习算法或是其他分析算法对对应关系进行学习，构建行车分类模型。
上述信息推送方法中，服务器是采用粒子群算法对样本人员的样本行车数据进行分析并构建的行车分类模型，分类类别并不是用户或***预先设定的，而是根据各样本人员的样本出行参数生成的。因而各分类类别更具有代表性，更能体现各样本人员的人物偏好。
在一个实施例中，如图4所示，基于所述样本出行参数采用粒子群算法对所述样本人员进行分类，具有以下步骤：
步骤402，基于所述样本出行参数将所述样本人员映射成在多维求解空间中的粒子群。
服务器104基于样本出行参数将样本人员映射成在多维求解空间中的粒子群。服务器根据样本出行参数中参数的数量D设置一个D维求解空间，并根据样本人员的样本出行参数将样本人员映射成在D维求解空间中的一个样本粒子。当服务器将所有样本出行参数被映射在多维求解空间时，服务器得到粒子群，粒子群在D维求解空间中的排布根据各样本人员的样本出行参数的数值确定。
步骤404，获取分类数量。
服务器104获取分类数量。分类数量m可以由服务器根据筛选系数确定，也可以***设定。
步骤406，根据所述分类数量随机生成查找粒子。
服务器104根据分类数量随机生成查找粒子。查找粒子的多寡影响后续分类的效率，当查找粒子的数量不少于分类数量时，可以减少等待时间。查找粒子是随机生成的一个粒子，具有m个中心，每个中心在D维求解空间的各个方向上均具有数值。查找粒子数量为n。
步骤408，随机生成所述查找粒子的初始速度和初始位置。
服务器104随机生成查找粒子的初始速度和初始位置。初始速度是粒子在D维求解空间中的初始移动距离，根据初始位置可以确定粒子在D维求解空间中与最优解之间的距离。
步骤410，计算所述查找粒子的适应值，并根据所述适应值调整所述查找粒子的所述初始速度和所述初始位置。
服务器根据适应度函数计算各查找粒子的适应值，并根据适应值调整查找粒子的初始速度和初始位置。适应度函数为
和
其中，
表示速度的适应值，
表示位置的适应值，
表示粒子的速度，表示粒子的位置向量，d为每个粒子的维数d＝1,2,…,m，i＝1,2,…,n。
调整每个粒子的速度
和
的公式为
其中，k为迭代次数，
是该粒子在第k次自身搜索到的历史最优值；
是所有粒子在第k次搜索到的历史最优值；w是惯性权重常数，用于平衡粒子群算法全局和局部搜索能力；c1、c2是加速常数，c1是粒子跟踪自己历史最优值的权重系数，它表示粒子自身的认识。c2是粒子跟踪群体最优值的权重系数，它表示粒子对整个群体的认识。r1、r2是均匀分布的[0,1]区间内的随机数。
步骤412，当根据所述适应值确定所述粒子群的全局最优解时，基于所述全局最优解对所述粒子群进行分类，并输出对应的分类类别。
服务器104获取设定阈值，当得到的适应值大于设定阈值时，服务器确定该适应值对应的查找粒子为粒子群的全局最优解。服务器根据确定的全局最优解对粒子群进行分类，并输出每类粒子对应的样本人员。服务器根据每类样本人员的样本用车数据确定对应的分类类别，并输出对应的分类类别。
上述信息推送方法中，将样本人员映射为粒子群算法中的一个粒子个体，不仅能够减少样本人员其他信息对分类类别的影响，也提高了分类的准确性，使得各分类类别更具有代表性，对用户的分析更精准。
在一个实施例中，根据所述样本行车时刻、所述节假日标签和所述样本行车路径生成所述样本人员的样本出行参数，包括以下步骤：根据所述样本行车时刻生成夜间标签；根据所述样本行车时刻的节假日标签和所述夜间标签对所述样本行车时刻进行分类；根据所述样本行车路径和分类后的所述样本行车时刻生成样本出行参数。
服务器104根据样本行车时刻生成夜间标签。服务器判断样本行车时刻是否在预先设定的夜晚时段内，例如该夜晚时段可以是19:00～05:30，当判断为是时，服务器生成指代夜晚的夜间标签；当判断为否时，服务器生成指代白天的夜间标签。服务器104根据样本行车时刻的节假日标签和夜间标签对样本行车时刻进行分类，例如将样本行车时刻分为节假日夜晚、节假日白天、工作日夜晚和工作日白天等四个分类。服务器104根据样本行车路径和分类后的样本行车时刻生成样本出行参数。服务器可以统计各分类下的样本人员的用车时长、出行里程数、出行次数、在总用车时长中的占比，在总出行里程数中的占比，服务器还可以统计预定周期内用户最常出行的线路排名、出行频次等。
在一些实施例中，根据所述分类类别、所述筛选系数及所述筛选词语对所述生活信息进行筛选，并将筛选后的所述生活信息推送给所述终端，包括以下步骤：根据所述分类类别获取分类特征词；判断所述生活信息中是否存在分类特征词；当判断所述生活信息中存在分类特征词时，根据所述筛选系数将所述生活信息推送给所述终端。
服务器104根据分类类别获取分类特征词，分类特征词可以是基于样本人员的分类类别根据样本人员偏好的生活信息训练得到的。例如，当分类类别为职业分类时，分类特征词可以是与职业相关的术语或名称；当分类类别为爱好时，分类特征词可以是与各种爱好对应的术语或名称。服务器104判断生活信息中是否存在分类特征词。当服务器104判断生活信息中存在分类特征词时，服务器104根据各分类类别对应的筛选系数对生活信息进行排序，将筛选系数数值大的生活信息优先推送给终端102。
在另一实施例中，根据所述分类类别、所述筛选系数及所述信息推送指令对生活信息进行筛选并推送给所述终端之后，包括以下步骤：接收所述终端发送的对所述生活信息的反馈结果；根据所述反馈结果调整所述分类类别对应的筛选系数；将所述分类类别、调整后的所述筛选系数与所述用户标识对应存储。
服务器104接收终端102发送的对推送的生活信息的反馈结果，反馈结果可以是喜欢、厌恶和一般等表示满意程度的词语，也可以是表示满意程度的分值。服务器104根据反馈结果调整分类类别对应的筛选系数。当反馈结果为喜欢等表示满意程度的词语时，服务器将词语转化为对应的满意程度数值，而后根据满意程度数值调整筛选系数，例如，将满意程度数值输入预先设定的筛选系数的调整函数得到调整后的筛选系数。服务器104将分类类别、调整后的筛选系数与用户标识对应存储。
上述信息推送方法中，服务器接收用户通过终端发送的对推送的生活信息的反馈结果，并根据反馈结果调整筛选系数，从而针对特定用户提高对生活信息筛选的准确率。
在一个实施例中，在已存储的历史标识中搜索与所述用户标识一致的历史标识之后，包括以下步骤：当搜索到与所述用户标识一致的历史标识时，查找与所述历史标识对应的所述分类类别和所述筛选系数；根据所述筛选词语及查找到的所述分类类别、所述筛选系数对所述生活信息进行筛选，并将筛选后的生活信息推送给所述终端。
当服务器104在已存储的历史标识中搜索到与用户标识一致的历史标识时，服务器104查找与历史标识对应的分类类别和筛选系数。服务器104根据筛选词语及查找到的分类类别、筛选系数对生活信息进行筛选，并将筛选后的生活信息推送给终端102。
上述信息推送方法中，通过用户标识快速获取用户的分类类别，提高生活信息筛选的效率。
应该理解的是，虽然图2-4的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-4中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图5所示，提供了一种信息推送装置，包括：指令接收模块502、标识搜索模块504、行车数据获取模块506、出行数值提取模块508、分类获取模块510、生活信息获取模块512和信息筛选模块514，其中：
指令接收模块502，用于接收终端发送的携带有用户标识和筛选词语的信息推送指令。
标识搜索模块504，用于在已存储的历史标识中搜索与所述用户标识一致的历史标识。
行车数据获取模块506，用于当未搜索到与所述用户标识一致的历史标识时，根据所述用户标识获取用户行车数据。
出行数值提取模块508，用于对所述用户行车数据分析，得到用户出行参数。
分类模型模块510，用于获取行车分类模型，并将所述用户出行参数输入所述行车分类模型中得到用户的分类类别和筛选系数。
生活信息获取模块512，用于根据所述筛选词语从互联网上爬取生活信息。
信息筛选模块514，用于根据所述分类类别和所述筛选系数对所述生活信息进行筛选，并将筛选后的所述生活信息推送给所述终端。
在一些实施例中，分类模型获取模块510包括样本信息获取单元、样本信息提取单元、出行参数生成单元和分类模型构建单元，其中：
样本信息获取单元，用于获取样本人员的样本行车数据和筛选系数。
样本信息提取单元，用于从所述样本行车数据中提取出样本行车时刻及对应的节假日标签、和样本行车路径。
出行参数生成单元，用于根据所述样本行车时刻、所述节假日标签和所述样本行车路径生成所述样本人员的样本出行参数。
分类模型构建单元，用于基于所述样本出行参数采用粒子群算法对所述样本人员进行分类，并建立分类类别与所述筛选系数的对应关系，利用所述对应关系训练得到行车分类模型。
在另一实施例中，分类模型获取模块510包括夜间标签生成单元、行车时刻分类单元和出行参数生成单元，其中：
夜间标签生成单元，用于根据所述样本行车时刻生成夜间标签。
行车时刻分类单元，用于根据所述样本行车时刻的节假日标签和所述夜间标签对所述样本行车时刻进行分类。
出行参数生成单元，用于根据所述样本行车路径和分类后的所述样本行车时刻生成样本出行参数。
在一些实施例中，分类模型获取模块510包括粒子映射单元、分类数量获取单元、查找粒子生成单元、速度和位置随机生成单元、调整计算单元和粒子分类单元，其中：
粒子映射单元，用于基于所述样本出行参数将所述样本人员映射成在多维求解空间中的粒子群。
分类数量获取单元，用于获取分类数量。
查找粒子生成单元，用于根据所述分类数量随机生成查找粒子。
速度和位置随机生成单元，用于随机生成所述查找粒子的初始速度和初始位置。
调整计算单元，用于计算所述查找粒子的适应值，并根据所述适应值调整所述查找粒子的所述初始速度和所述初始位置。
粒子分类单元，用于当根据所述适应值确定所述粒子群的全局最优解时，基于所述全局最优解对所述粒子群进行分类，并输出对应的分类类别。
在一些实施例中，信息筛选模块516包括特征词获取单元、信息判断单元和信息推送单元，其中：
特征词获取单元，用于根据所述分类类别获取分类特征词。
信息判断单元，用于判断所述生活信息中是否存在分类特征词。
信息推送单元，用于当判断所述生活信息中存在分类特征词时，根据所述筛选系数将所述生活信息推送给所述终端。
在另一实施例中，装置还包括反馈结果接收模块、筛选系数调整模块和存储模块，其中：
反馈结果接收模块，用于接收所述终端发送的对所述生活信息的反馈结果。
筛选系数调整模块，用于根据所述反馈结果调整所述分类类别对应的筛选系数。
存储模块，用于将所述分类类别、调整后的所述筛选系数与所述用户标识对应存储。
在一个实施例中，装置还包括查找模块和信息筛选推送模块，其中：
查找模块，用于当搜索到与所述用户标识一致的历史标识时，查找与所述历史标识对应的所述分类类别和所述筛选系数；
信息筛选推送模块，用于根据查找到的所述分类类别和所述筛选系数对所述生活信息进行筛选，并将筛选后的所述生活信息推送给所述终端。
关于信息推送装置的具体限定可以参见上文中对于信息推送方法的限定，在此不再赘述。上述信息推送装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图6所示。该计算机设备包括通过***总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的数据库用于存储样本人员的样本行车数据和筛选系数、与用户标识对应的分类类别和所述筛选系数、与分类类别对应的分类特征词等。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种信息推送方法。
本领域技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
接收终端发送的携带有用户标识和筛选词语的信息推送指令；
在已存储的历史标识中搜索与所述用户标识一致的历史标识；
当未搜索到与所述用户标识一致的历史标识时，根据所述用户标识获取用户行车数据；
对所述用户行车数据分析，得到用户出行参数；
获取行车分类模型，并将所述用户出行参数输入所述行车分类模型中得到用户的分类类别和筛选系数；
根据所述筛选词语从互联网上爬取生活信息；
根据所述分类类别和所述筛选系数对所述生活信息进行筛选，并将筛选后的所述生活信息推送给所述终端。
在一个实施例中，处理器执行计算机程序时实现行车分类模型的构建方法的步骤时，还用于：获取样本人员的样本行车数据和筛选系数；从所述样本行车数据中提取出样本行车时刻及对应的节假日标签、和样本行车路径；根据所述样本行车时刻、所述节假日标签和所述样本行车路径生成所述样本人员的样本出行参数；基于所述样本出行参数采用粒子群算法对所述样本人员进行分类，并建立分类类别与所述筛选系数的对应关系，利用所述对应关系训练得到行车分类模型。
在一个实施例中，处理器执行计算机程序时实现根据所述样本行车时刻、所述节假日标签和所述样本行车路径生成所述样本人员的样本出行参数的步骤时，还用于：根据所述样本行车时刻生成夜间标签；根据所述样本行车时刻的节假日标签和所述夜间标签对所述样本行车时刻进行分类；根据所述样本行车路径和分类后的所述样本行车时刻生成样本出行参数。
在一个实施例中，处理器执行计算机程序时实现基于所述样本出行参数采用粒子群算法对所述样本人员进行分类的步骤时，还用于：基于所述样本出行参数将所述样本人员映射成在多维求解空间中的粒子群；获取分类数量；根据所述分类数量随机生成查找粒子；随机生成所述查找粒子的初始速度和初始位置；计算所述查找粒子的适应值，并根据所述适应值调整所述查找粒子的所述初始速度和所述初始位置；当根据所述适应值确定所述粒子群的全局最优解时，基于所述全局最优解对所述粒子群进行分类，并输出对应的分类类别。
在一个实施例中，处理器执行计算机程序时实现根据所述分类类别和所述筛选系数对所述生活信息进行筛选，并将筛选后的所述生活信息推送给所述终端的步骤时，还用于：根据所述分类类别获取分类特征词；判断所述生活信息中是否存在分类特征词；当判断所述生活信息中存在分类特征词时，根据所述筛选系数将所述生活信息推送给所述终端。
在一个实施例中，处理器执行计算机程序时实现根据所述分类类别和所述筛选系数对所述生活信息进行筛选，并将筛选后的所述生活信息推送给所述终端之后，还用于：接收所述终端发送的对所述生活信息的反馈结果；根据所述反馈结果调整所述分类类别对应的筛选系数；将所述分类类别、调整后的所述筛选系数与所述用户标识对应存储。
在一个实施例中，处理器执行计算机程序时实现在已存储的历史标识中搜索与所述用户标识一致的历史标识的步骤之后，还用于：当搜索到与所述用户标识一致的历史标识时，查找与所述历史标识对应的所述分类类别和所述筛选系数；根据查找到的所述分类类别和所述筛选系数对所述生活信息进行筛选，并将筛选后的所述生活信息推送给所述终端。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
接收终端发送的携带有用户标识和筛选词语的信息推送指令；
在已存储的历史标识中搜索与所述用户标识一致的历史标识；
当未搜索到与所述用户标识一致的历史标识时，根据所述用户标识获取用户行车数据；
对所述用户行车数据分析，得到用户出行参数；
获取行车分类模型，并将所述用户出行参数输入所述行车分类模型中得到用户的分类类别和筛选系数；
根据所述筛选词语从互联网上爬取生活信息；
根据所述分类类别和所述筛选系数对所述生活信息进行筛选，并将筛选后的所述生活信息推送给所述终端。
在一个实施例中，计算机程序被处理器执行时实现行车分类模型的构建方法的步骤时还用于：获取样本人员的样本行车数据和筛选系数；从所述样本行车数据中提取出样本行车时刻及对应的节假日标签、和样本行车路径；根据所述样本行车时刻、所述节假日标签和所述样本行车路径生成所述样本人员的样本出行参数；基于所述样本出行参数采用粒子群算法对所述样本人员进行分类，并建立分类类别与所述筛选系数的对应关系，利用所述对应关系训练得到行车分类模型。
在一个实施例中，计算机程序被处理器执行时实现根据所述样本行车时刻、所述节假日标签和所述样本行车路径生成所述样本人员的样本出行参数的步骤时还用于：根据所述样本行车时刻生成夜间标签；根据所述样本行车时刻的节假日标签和所述夜间标签对所述样本行车时刻进行分类；根据所述样本行车路径和分类后的所述样本行车时刻生成样本出行参数。
在一个实施例中，计算机程序被处理器执行时实现基于所述样本出行参数采用粒子群算法对所述样本人员进行分类的步骤时还用于：基于所述样本出行参数将所述样本人员映射成在多维求解空间中的粒子群；获取分类数量；根据所述分类数量随机生成查找粒子；随机生成所述查找粒子的初始速度和初始位置；计算所述查找粒子的适应值，并根据所述适应值调整所述查找粒子的所述初始速度和所述初始位置；当根据所述适应值确定所述粒子群的全局最优解时，基于所述全局最优解对所述粒子群进行分类，并输出对应的分类类别。
在一个实施例中，计算机程序被处理器执行时实现根据所述分类类别和所述筛选系数对所述生活信息进行筛选，并将筛选后的所述生活信息推送给所述终端的步骤时还用于：根据所述分类类别获取分类特征词；判断所述生活信息中是否存在分类特征词；当判断所述生活信息中存在分类特征词时，根据所述筛选系数将所述生活信息推送给所述终端。
在一个实施例中，计算机程序被处理器执行时实现根据所述分类类别和所述筛选系数对所述生活信息进行筛选，并将筛选后的所述生活信息推送给所述终端的步骤之后，还用于：接收所述终端发送的对推送的所述生活信息的反馈结果；根据所述反馈结果调整所述分类类别对应的筛选系数；将所述分类类别、调整后的所述筛选系数与所述用户标识对应存储。
在一个实施例中，计算机程序被处理器执行时实现在已存储的历史标识中搜索与所述用户标识一致的历史标识的步骤之后，还用于：当搜索到与所述用户标识一致的历史标识时，查找与所述历史标识对应的所述分类类别和所述筛选系数；根据查找到的所述分类类别和所述筛选系数对所述生活信息进行筛选，并将筛选后的所述生活信息推送给所述终端。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，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，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种信息推送方法，所述方法包括：
接收终端发送的携带有用户标识和筛选词语的信息推送指令；
在已存储的历史标识中搜索与所述用户标识一致的历史标识；
当未搜索到与所述用户标识一致的历史标识时，根据所述用户标识获取用户行车数据；
对所述用户行车数据分析，得到用户出行参数；
获取行车分类模型，并将所述用户出行参数输入所述行车分类模型中得到用户的分类类别和筛选系数；
根据所述筛选词语从互联网上爬取生活信息；
根据所述分类类别和所述筛选系数对所述生活信息进行筛选，并将筛选后的所述生活信息推送给所述终端。
2.根据权利要求1所述的方法，其特征在于，所述行车分类模型的构建方法，包括：
获取样本人员的样本行车数据和筛选系数；
从所述样本行车数据中提取出样本行车时刻及对应的节假日标签、和样本行车路径；
根据所述样本行车时刻、所述节假日标签和所述样本行车路径生成所述样本人员的样本出行参数；
基于所述样本出行参数采用粒子群算法对所述样本人员进行分类，并建立分类类别与所述筛选系数的对应关系，利用所述对应关系训练得到行车分类模型。
3.根据权利要求2所述的方法，其特征在于，所述根据所述样本行车时刻、所述节假日标签和所述样本行车路径生成所述样本人员的样本出行参数，包括：
根据所述样本行车时刻生成夜间标签；
根据所述样本行车时刻的节假日标签和所述夜间标签对所述样本行车时刻进行分类；
根据所述样本行车路径和分类后的所述样本行车时刻生成样本出行参数。
4.根据权利要求2所述的方法，其特征在于，所述基于所述样本出行参数采用粒子群算法对所述样本人员进行分类，包括：
基于所述样本出行参数将所述样本人员映射成在多维求解空间中的粒子群；
获取分类数量；
根据所述分类数量随机生成查找粒子；
随机生成所述查找粒子的初始速度和初始位置；
计算所述查找粒子的适应值，并根据所述适应值调整所述查找粒子的所述初始速度和所述初始位置；
当根据所述适应值确定所述粒子群的全局最优解时，基于所述全局最优解对所述粒子群进行分类，并输出对应的分类类别。
5.根据权利要求1所述的方法，其特征在于，所述根据所述分类类别和所述筛选系数对所述生活信息进行筛选，并将筛选后的所述生活信息推送给所述终端，包括：
根据所述分类类别获取分类特征词；
判断所述生活信息中是否存在分类特征词；
当判断所述生活信息中存在分类特征词时，根据所述筛选系数将所述生活信息推送给所述终端。
6.根据权利要求1所述的方法，其特征在于，所述根据所述分类类别和所述筛选系数对所述生活信息进行筛选，并将筛选后的所述生活信息推送给所述终端之后，包括：
接收所述终端发送的对所述生活信息的反馈结果；
根据所述反馈结果调整所述分类类别对应的筛选系数；
将所述分类类别、调整后的所述筛选系数与所述用户标识对应存储。
7.根据权利要求6所述的方法，其特征在于，所述在已存储的历史标识中搜索与所述用户标识一致的历史标识之后，包括：
当搜索到与所述用户标识一致的历史标识时，查找与所述历史标识对应的所述分类类别和所述筛选系数；
根据查找到的所述分类类别和所述筛选系数对所述生活信息进行筛选，并将筛选后的所述生活信息推送给所述终端。
8.一种信息推送装置，其特征在于，所述装置包括：
指令接收模块，用于接收终端发送的携带有用户标识和筛选词语的信息推送指令；
标识搜索模块，用于在已存储的历史标识中搜索与所述用户标识一致的历史标识；
行车数据获取模块，用于当未搜索到与所述用户标识一致的历史标识时，根据所述用户标识获取用户行车数据；
出行数值提取模块，用于对所述用户行车数据分析，得到用户出行参数；
分类获取模块，用于获取行车分类模型，并将所述用户出行参数输入所述行车分类模型中得到用户的分类类别和筛选系数；
生活信息获取模块，用于根据所述筛选词语从互联网上爬取生活信息；
信息筛选模块，用于根据所述分类类别和所述筛选系数对所述生活信息进行筛选，并将筛选后的所述生活信息推送给所述终端。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910827221.9A CN110751168A (zh) | 2019-09-03 | 2019-09-03 | 信息推送方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910827221.9A CN110751168A (zh) | 2019-09-03 | 2019-09-03 | 信息推送方法、装置、计算机设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110751168A true CN110751168A (zh) | 2020-02-04 |
Family
ID=69276009
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910827221.9A Pending CN110751168A (zh) | 2019-09-03 | 2019-09-03 | 信息推送方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110751168A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114757724A (zh) * | 2022-06-14 | 2022-07-15 | 湖南三湘银行股份有限公司 | 一种基于遗传算法的精准信息推送***及方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107798066A (zh) * | 2017-09-25 | 2018-03-13 | 北京小度信息科技有限公司 | 一种搜索词推送方法、装置及终端 |
| WO2019019642A1 (zh) * | 2017-07-24 | 2019-01-31 | 深圳壹账通智能科技有限公司 | 应用信息推送方法、装置、计算机设备和存储介质 |
| 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 |
| CN110162719A (zh) * | 2019-05-27 | 2019-08-23 | 广州小鹏汽车科技有限公司 | 内容推送方法、装置、存储介质及计算机设备、车辆 |
-
2019
- 2019-09-03 CN CN201910827221.9A patent/CN110751168A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019019642A1 (zh) * | 2017-07-24 | 2019-01-31 | 深圳壹账通智能科技有限公司 | 应用信息推送方法、装置、计算机设备和存储介质 |
| CN107798066A (zh) * | 2017-09-25 | 2018-03-13 | 北京小度信息科技有限公司 | 一种搜索词推送方法、装置及终端 |
| 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 |
| CN110162719A (zh) * | 2019-05-27 | 2019-08-23 | 广州小鹏汽车科技有限公司 | 内容推送方法、装置、存储介质及计算机设备、车辆 |
Non-Patent Citations (1)
| Title |
|---|
| 张梅军 等著: "《EEMD方法及其在机械故障诊断中的应用》", 北京：国防工业出版社, pages: 123 - 124 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114757724A (zh) * | 2022-06-14 | 2022-07-15 | 湖南三湘银行股份有限公司 | 一种基于遗传算法的精准信息推送***及方法 |
| CN114757724B (zh) * | 2022-06-14 | 2022-09-20 | 湖南三湘银行股份有限公司 | 一种基于遗传算法的精准信息推送***及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110765275B (zh) | 搜索方法、装置、计算机设备和存储介质 | |
| CN108874992B (zh) | 舆情分析方法、***、计算机设备和存储介质 | |
| CN107862022B (zh) | 文化资源推荐*** | |
| US7930262B2 (en) | System and method for the longitudinal analysis of education outcomes using cohort life cycles, cluster analytics-based cohort analysis, and probabilistic data schemas | |
| CN110163647B (zh) | 一种数据处理方法及装置 | |
| CN110532451A (zh) | 针对政策文本的检索方法和装置、存储介质、电子装置 | |
| CN110458324B (zh) | 风险概率的计算方法、装置和计算机设备 | |
| US20160086135A1 (en) | Evaluation apparatus, evaluation method and evaluation system for evaluating evaluation target person | |
| CN108509424B (zh) | 制度信息处理方法、装置、计算机设备和存储介质 | |
| CN105354198B (zh) | 一种数据处理方法及装置 | |
| CN116628339B (zh) | 一种基于人工智能的教育资源推荐方法及*** | |
| CN110046889B (zh) | 一种异常行为主体的检测方法、装置及服务器 | |
| CN106095939B (zh) | 账户权限的获取方法和装置 | |
| CN112329816A (zh) | 数据分类方法、装置、电子设备和可读存储介质 | |
| KR20170131924A (ko) | 이미지 검색 방법, 장치 및 컴퓨터 프로그램 | |
| CN112632405A (zh) | 一种推荐方法、装置、设备及存储介质 | |
| CN110781204A (zh) | 目标对象的标识信息确定方法、装置、设备及存储介质 | |
| CN113420018A (zh) | 用户行为数据分析方法、装置、设备及存储介质 | |
| CN112418656A (zh) | 智能坐席分派方法、装置、计算机设备和存储介质 | |
| CN114187036A (zh) | 一种基于行为特征识别的互联网广告智能推荐管理*** | |
| Ghankutkar et al. | Modelling machine learning for analysing crime news | |
| CN113762392A (zh) | 基于人工智能的理财产品推荐方法、装置、设备及介质 | |
| CN113688311A (zh) | 基于数据交互的信息推荐方法、装置、设备及存储介质 | |
| CN114693409A (zh) | 产品匹配方法、装置、计算机设备、存储介质和程序产品 | |
| CN114860941A (zh) | 一种基于数据大脑的行业数据治理方法及*** |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200204 |