CN112819538A - 用户任务预测方法、装置、计算机设备和存储介质 - Google Patents
用户任务预测方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN112819538A CN112819538A CN202110153389.3A CN202110153389A CN112819538A CN 112819538 A CN112819538 A CN 112819538A CN 202110153389 A CN202110153389 A CN 202110153389A CN 112819538 A CN112819538 A CN 112819538A
- Authority
- CN
- China
- Prior art keywords
- task
- features
- user
- target
- information
- 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 31
- 238000004590 computer program Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 238000013459 approach Methods 0.000 claims description 2
- 230000000875 corresponding effect Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0207—Discounts or incentives, e.g. coupons or rebates
- G06Q30/0222—During e-commerce, i.e. online transactions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种用户任务预测方法、装置、计算机设备和存储介质。所述方法包括:获取用户领取任务的任务信息,根据任务信息构建样本集;提取样本集中样本的用户领取任务的任务特征、用户目标特征以及任务目标特征;根据预先设置的关联规则和聚类规则,对任务特征、用户目标特征以及任务目标特征进行关联特征提取,得到关联特征,以及得到剩余未关联特征;对关联特征,进行one‑hot编码,得到预设长度的编码特征;将编码特征和未关联特征输入预先训练的任务预测模型,输出任务信息对应的是否完成任务的预测结果。采用本方法能够提高任务预测的准确率。
Description
技术领域
本申请涉及计算机技术领域,特别是涉及一种用户任务预测方法、装置、计算机设备和存储介质。
背景技术
随着移动设备的完善和普及,移动互联网+各行各业进入了高速发展阶段,这其中以O2O(Online to Offline)消费最为吸引眼球。据不完全统计,O2O行业估值上亿的创业公司至少有10家,也不乏百亿巨头的身影。O2O行业天然关联数亿消费者,各类APP每天记录了超过百亿条用户行为和位置记录,因而成为大数据科研和商业化运营的最佳结合点之一。以优惠券盘活老用户或吸引新客户进店消费是O2O的一种重要营销方式。然而随机投放的优惠券对多数用户造成无意义的干扰。对商家而言,滥发的优惠券可能降低品牌声誉,同时难以估算营销成本。个性化投放是提高优惠券核销率的重要技术,它可以让具有一定偏好的消费者得到真正的实惠,同时赋予商家更强的营销能力。不管是电商还是零售,发放优惠券都会吸引消费者的青睐。
然而面对大量的数据进行优惠券是否使用的预测,是一个工作难点,采用现有的广义线性模型LR模型、RF(Random Forest)模型等均不能对该类任务进行准确预测。
发明内容
基于此,有必要针对上述技术问题,提供一种能够传统模型无法准确预测用户任务问题的用户任务预测方法、装置、计算机设备和存储介质。
一种用户任务预测方法,所述方法包括:
获取用户领取任务的任务信息,根据所述任务信息构建样本集;
提取所述样本集中样本的用户领取任务的任务特征、用户目标特征以及任务目标特征;所述任务特征包括领取任务的时间;所述用户目标特征和所述任务目标特征均为文本特征;
根据预先设置的关联规则和聚类规则,对所述任务特征、所述用户目标特征以及所述任务目标特征进行关联特征提取,得到关联特征,以及得到剩余未关联特征;
对所述关联特征,进行one-hot编码,得到预设长度的编码特征;
将所述编码特征和所述未关联特征输入预先训练的任务预测模型,输出所述任务信息对应的是否完成任务的预测结果;所述任务预测模型的训练样本采用完成任务标签进行标记;所述完成任务标签为二进制编码。
在其中一个实施例中,还包括:所述任务预测模型包括:XGBoost与lightgbm模型。
在其中一个实施例中,还包括:训练任务预测模型方式,包括:
采用集成学习的方式训练XGBoost与lightgbm模型。
在其中一个实施例中,还包括:所述任务信息为:在网络平台领取优惠券的信息;
所述任务目标特征包括:打折率、优惠券使用日期、优惠券总数、优惠券使用购买率和商品ID;
所述用户目标特征包括:用户ID、用户距离、用户最近优惠券使用距离、用户最远优惠券使用距离和平均距离。
一种用户任务预测装置,所述装置包括:
样本构建模块,用于获取用户领取任务的任务信息,根据所述任务信息构建样本集;
特征提取模块,用于提取所述样本集中样本的用户领取任务的任务特征、用户目标特征以及任务目标特征;所述任务特征包括领取任务的时间;所述用户目标特征和所述任务目标特征均为文本特征;
关联模块,用于根据预先设置的关联规则和聚类规则,对所述任务特征、所述用户目标特征以及所述任务目标特征进行关联特征提取,得到关联特征,以及得到剩余未关联特征;对所述关联特征,进行one-hot编码,得到预设长度的编码特征;
预测模块,用于将所述编码特征和所述未关联特征输入预先训练的任务预测模型,输出所述任务信息对应的是否完成任务的预测结果;所述任务预测模型的训练样本采用完成任务标签进行标记;所述完成任务标签为二进制编码。
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以下步骤:
获取用户领取任务的任务信息,根据所述任务信息构建样本集;
提取所述样本集中样本的用户领取任务的任务特征、用户目标特征以及任务目标特征;所述任务特征包括领取任务的时间;所述用户目标特征和所述任务目标特征均为文本特征;
根据预先设置的关联规则和聚类规则,对所述任务特征、所述用户目标特征以及所述任务目标特征进行关联特征提取,得到关联特征,以及得到剩余未关联特征;
对所述关联特征,进行one-hot编码,得到预设长度的编码特征;
将所述编码特征和所述未关联特征输入预先训练的任务预测模型,输出所述任务信息对应的是否完成任务的预测结果;所述任务预测模型的训练样本采用完成任务标签进行标记;所述完成任务标签为二进制编码。
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以下步骤:
获取用户领取任务的任务信息,根据所述任务信息构建样本集;
提取所述样本集中样本的用户领取任务的任务特征、用户目标特征以及任务目标特征;所述任务特征包括领取任务的时间;所述用户目标特征和所述任务目标特征均为文本特征;
根据预先设置的关联规则和聚类规则,对所述任务特征、所述用户目标特征以及所述任务目标特征进行关联特征提取,得到关联特征,以及得到剩余未关联特征;
对所述关联特征,进行one-hot编码,得到预设长度的编码特征;
将所述编码特征和所述未关联特征输入预先训练的任务预测模型,输出所述任务信息对应的是否完成任务的预测结果;所述任务预测模型的训练样本采用完成任务标签进行标记;所述完成任务标签为二进制编码。
上述用户任务预测方法、装置、计算机设备和存储介质,通过三个方面选择特征,分别为用户领取任务的任务特征、用户目标特征以及任务目标特征,然后通过将三个方面的特征进行关联,得到关联特征,特别的,用户领取任务的任务特征为关联特征中的一种,无需进一步关联,然后对关联特征进行one-hot编码,得到预设长度的编码特征,通过将编码特征和未关联特征输入预先训练的任务预测模型,可以输出准确的任务预测结果,即用户是否会使用优惠券的结果。
附图说明
图1为一个实施例中用户任务预测方法的流程示意图;
图2为一个实施例中用户任务预测装置的结构框图;
图3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。
在一个实施例中,如图1所示,提供了一种用户任务预测方法,包括以下步骤:
步骤102,获取用户领取任务的任务信息,根据任务信息构建样本集。
任务信息具体为优惠券使用预测中包含的信息。
步骤104,提取样本集中样本的用户领取任务的任务特征、用户目标特征以及任务目标特征。
任务特征包括领取任务的时间;用户目标特征和任务目标特征均为文本特征。
用户目标特征包含用户ID、与商家的距离等。任务目标特征包括:优惠券数量、折扣率等。文本特征为采用文本形式提取的特征。
步骤106,根据预先设置的关联规则和聚类规则,对任务特征、用户目标特征以及任务目标特征进行关联特征提取,得到关联特征,以及得到剩余未关联特征。
通过关联和聚类可以对特征进行聚类,即得到关联特征和未关联特征,对于关联特征,即为用户信息关联较强的特征,未关联特征中独立性较强,但是也会影响到最终的预测结果。
步骤108,对关联特征,进行one-hot编码,得到预设长度的编码特征。
对于关联特征,可以采用编码的方式进行one-hot编码,一方面可以以编码的形式提高模型识别的准确率,另一方面减少模型处理的数据维度。
步骤110,将编码特征和未关联特征输入预先训练的任务预测模型,输出任务信息对应的是否完成任务的预测结果。
任务预测模型的训练样本采用完成任务标签进行标记;完成任务标签为二进制编码。
上述用户任务预测方法中,通过三个方面选择特征,分别为用户领取任务的任务特征、用户目标特征以及任务目标特征,然后通过将三个方面的特征进行关联,得到关联特征,特别的,用户领取任务的任务特征为关联特征中的一种,无需进一步关联,然后对关联特征进行one-hot编码,得到预设长度的编码特征,通过将编码特征和未关联特征输入预先训练的任务预测模型,可以输出准确的任务预测结果,即用户是否会使用优惠券的结果。
在其中一个实施例中,任务预测模型包括:XGBoost与lightgbm模型。
在其中一个实施例中,训练任务预测模型方式,包括:采用集成学习的方式训练XGBoost与lightgbm模型。
在其中一个实施例中,任务信息为:在网络平台领取优惠券的信息;所述任务目标特征包括:打折率、优惠券使用日期、优惠券总数、优惠券使用购买率和商品ID;所述用户目标特征包括:用户ID、用户距离、用户最近优惠券使用距离、用户最远优惠券使用距离和平均距离。
具体的,进行特征聚类和关联时,用户距离、用户最近优惠券使用距离、用户最远优惠券使用距离和平均距离被进行了聚类,并且用户与商户的距离为关联特征,在实际生活中,用户与商户的距离也影响了优惠券的使用,本实施例中,通过构建用户距离、用户最近优惠券使用距离、用户最远优惠券使用距离和平均距离,可以进一步学习距离与优惠券是否被使用之间的关联。
进一步的,对于距离、日期、折扣率等特征,可以进行one-hot编码,得到编码特征。
应该理解的是,虽然图1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1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2所示,提供了一种用户任务预测装置,包括:样本构建模块202、特征提取模块204、关联模块206和预测模块208,其中:
样本构建模块202,用于获取用户领取任务的任务信息,根据所述任务信息构建样本集;
特征提取模块204,用于提取所述样本集中样本的用户领取任务的任务特征、用户目标特征以及任务目标特征;所述任务特征包括领取任务的时间;所述用户目标特征和所述任务目标特征均为文本特征;
关联模块206,用于根据预先设置的关联规则和聚类规则,对所述任务特征、所述用户目标特征以及所述任务目标特征进行关联特征提取,得到关联特征,以及得到剩余未关联特征;对所述关联特征,进行one-hot编码,得到预设长度的编码特征;
预测模块208,用于将所述编码特征和所述未关联特征输入预先训练的任务预测模型,输出所述任务信息对应的是否完成任务的预测结果;所述任务预测模型的训练样本采用完成任务标签进行标记;所述完成任务标签为二进制编码。
在其中一个实施例中,任务预测模型包括:XGBoost与lightgbm模型。
在其中一个实施例中,采用集成学习的方式训练XGBoost与lightgbm模型。
在其中一个实施例中,所述任务信息为:在网络平台领取优惠券的信息;所述任务目标特征包括:打折率、优惠券使用日期、优惠券总数、优惠券使用购买率和商品ID;所述用户目标特征包括:用户ID、用户距离、用户最近优惠券使用距离、用户最远优惠券使用距离和平均距离。
关于用户任务预测装置的具体限定可以参见上文中对于用户任务预测方法的限定,在此不再赘述。上述用户任务预测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终端,其内部结构图可以如图3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、显示屏和输入装置。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***和计算机程序。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用户任务预测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图3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上述实施例中方法的步骤。
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上述实施例中方法的步骤。
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)
1.一种用户任务预测方法,其特征在于,所述方法包括:
获取用户领取任务的任务信息,根据所述任务信息构建样本集;
提取所述样本集中样本的用户领取任务的任务特征、用户目标特征以及任务目标特征;所述任务特征包括领取任务的时间;所述用户目标特征和所述任务目标特征均为文本特征;
根据预先设置的关联规则和聚类规则,对所述任务特征、所述用户目标特征以及所述任务目标特征进行关联特征提取,得到关联特征,以及得到剩余未关联特征;
对所述关联特征,进行one-hot编码,得到预设长度的编码特征;
将所述编码特征和所述未关联特征输入预先训练的任务预测模型,输出所述任务信息对应的是否完成任务的预测结果;所述任务预测模型的训练样本采用完成任务标签进行标记;所述完成任务标签为二进制编码。
2.根据权利要求1所述的方法,其特征在于,所述任务预测模型包括:XGBoost与lightgbm模型。
3.根据权利要求2所述的方法,其特征在于,训练任务预测模型方式,包括:
采用集成学习的方式训练XGBoost与lightgbm模型。
4.根据权利要求1至3任意一项所述的方法,其特征在于,所述任务信息为:在网络平台领取优惠券的信息;
所述任务目标特征包括:打折率、优惠券使用日期、优惠券总数、优惠券使用购买率和商品ID;
所述用户目标特征包括:用户ID、用户距离、用户最近优惠券使用距离、用户最远优惠券使用距离和平均距离。
5.一种用户任务预测装置,其特征在于,所述装置包括:
样本构建模块,用于获取用户领取任务的任务信息,根据所述任务信息构建样本集;
特征提取模块,用于提取所述样本集中样本的用户领取任务的任务特征、用户目标特征以及任务目标特征;所述任务特征包括领取任务的时间;所述用户目标特征和所述任务目标特征均为文本特征;
关联模块,用于根据预先设置的关联规则和聚类规则,对所述任务特征、所述用户目标特征以及所述任务目标特征进行关联特征提取,得到关联特征,以及得到剩余未关联特征;对所述关联特征,进行one-hot编码,得到预设长度的编码特征;
预测模块,用于将所述编码特征和所述未关联特征输入预先训练的任务预测模型,输出所述任务信息对应的是否完成任务的预测结果;所述任务预测模型的训练样本采用完成任务标签进行标记;所述完成任务标签为二进制编码。
6.根据权利要求5所述的装置,其特征在于,所述任务预测模型包括:XGBoost与lightgbm模型。
7.根据权利要求6所述的装置,其特征在于,采用集成学习的方式训练XGBoost与lightgbm模型。
8.根据权利要求5至7任一项所述的装置,其特征在于,所述任务信息为:在网络平台领取优惠券的信息;所述任务目标特征包括:打折率、优惠券使用日期、优惠券总数、优惠券使用购买率和商品ID;所述用户目标特征包括:用户ID、用户距离、用户最近优惠券使用距离、用户最远优惠券使用距离和平均距离。
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4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4中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110153389.3A CN112819538A (zh) | 2021-02-04 | 2021-02-04 | 用户任务预测方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110153389.3A CN112819538A (zh) | 2021-02-04 | 2021-02-04 | 用户任务预测方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112819538A true CN112819538A (zh) | 2021-05-18 |
Family
ID=75861194
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110153389.3A Pending CN112819538A (zh) | 2021-02-04 | 2021-02-04 | 用户任务预测方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112819538A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113643143A (zh) * | 2021-08-31 | 2021-11-12 | 平安医疗健康管理股份有限公司 | 基于人工智能的任务拆分方法、装置、设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107301562A (zh) * | 2017-05-16 | 2017-10-27 | 重庆邮电大学 | 一种o2o优惠券使用大数据预测方法 |
CN107578281A (zh) * | 2017-08-31 | 2018-01-12 | 湖南大学 | 电子商务环境下用户优惠券行为预测方法及模型构建方法 |
CN110413877A (zh) * | 2019-07-02 | 2019-11-05 | 阿里巴巴集团控股有限公司 | 一种资源推荐方法、装置及电子设备 |
-
2021
- 2021-02-04 CN CN202110153389.3A patent/CN112819538A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107301562A (zh) * | 2017-05-16 | 2017-10-27 | 重庆邮电大学 | 一种o2o优惠券使用大数据预测方法 |
CN107578281A (zh) * | 2017-08-31 | 2018-01-12 | 湖南大学 | 电子商务环境下用户优惠券行为预测方法及模型构建方法 |
CN110413877A (zh) * | 2019-07-02 | 2019-11-05 | 阿里巴巴集团控股有限公司 | 一种资源推荐方法、装置及电子设备 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113643143A (zh) * | 2021-08-31 | 2021-11-12 | 平安医疗健康管理股份有限公司 | 基于人工智能的任务拆分方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110598845B (zh) | 数据处理方法、装置、计算机设备和存储介质 | |
CN109582876B (zh) | 旅游行业用户画像构造方法、装置和计算机设备 | |
CN110852793A (zh) | 文案推荐方法及装置、电子设备 | |
CN108399565A (zh) | 金融产品推荐装置、方法及计算机可读存储介质 | |
CN111401937A (zh) | 数据推送方法、装置及存储介质 | |
CN108492138B (zh) | 产品购买预测方法、服务器及存储介质 | |
CN112001754A (zh) | 用户画像生成方法、装置、设备及计算机可读介质 | |
US20190080352A1 (en) | Segment Extension Based on Lookalike Selection | |
CN110674131A (zh) | 财务报表数据处理方法、装置、计算机设备和存储介质 | |
CN110033120A (zh) | 用于为商户提供风险预测赋能服务的方法及装置 | |
CN114663198A (zh) | 基于用户画像的产品推荐方法、装置、设备及存储介质 | |
CN111861605A (zh) | 业务对象推荐方法 | |
CN111178983A (zh) | 用户性别预测方法、装置、设备及存储介质 | |
CN113592605A (zh) | 基于相似产品的产品推荐方法、装置、设备及存储介质 | |
CN115630221A (zh) | 终端应用界面展示数据处理方法、装置及计算机设备 | |
CN112801425A (zh) | 信息点击率的确定方法、装置、计算机设备和存储介质 | |
CN115271886A (zh) | 金融产品的推荐方法及装置、存储介质、电子设备 | |
CN111736940A (zh) | 智能柜台的业务界面展示方法及装置 | |
CN112819538A (zh) | 用户任务预测方法、装置、计算机设备和存储介质 | |
CN111160566A (zh) | 样本生成方法、装置、计算机可读存储介质和计算机设备 | |
CN114219540A (zh) | 用户行为周期的确定方法及其装置、电子设备及存储介质 | |
CN116777528A (zh) | 一种商品信息推荐方法、装置、计算机设备和存储介质 | |
CN115496420A (zh) | 新用户质量评估方法、装置、计算机设备及存储介质 | |
CN115587830A (zh) | 工作任务激励方法、装置、计算机设备及存储介质 | |
CN116764236A (zh) | 游戏道具推荐方法、装置、计算机设备和存储介质 |
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 |