CN114840767A - 基于人工智能的业务推荐方法及相关设备 - Google Patents
基于人工智能的业务推荐方法及相关设备 Download PDFInfo
- Publication number
- CN114840767A CN114840767A CN202210593914.8A CN202210593914A CN114840767A CN 114840767 A CN114840767 A CN 114840767A CN 202210593914 A CN202210593914 A CN 202210593914A CN 114840767 A CN114840767 A CN 114840767A
- Authority
- CN
- China
- Prior art keywords
- user
- service
- user data
- cluster
- data
- 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
Images
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请提出一种基于人工智能的业务推荐方法、装置、电子设备及存储介质,基于人工智能的业务推荐方法包括:分析业务场景和预设的业务方案以获取额定业务指标;基于所述额定业务指标从所述业务场景对应的业务数据库中采集用户数据以构建目标用户集;对所述目标用户集中的每条用户数据进行分类以获取多个用户簇;对每个用户簇中的用户数据进行分组以获取用户分组置信度;基于所述用户分组置信度评估所述业务场景对应的业务方案,并根据评估结果推荐所述业务方案。该方法通过对用户进行多次分类以降低用户的特征指向性,从而能够提高业务推荐的准确性。
Description
技术领域
本申请涉及人工智能技术领域,尤其涉及一种基于人工智能的业务推荐方法、装置、电子设备及存储介质。
背景技术
随着数字化进程的发展,越来越多的商业领域都开启了线上运营模式,例如金融行业和商贸行业涌现出了多种具备咨询和交易功能的手机端应用程序,企业会不定期向用户推荐应用程序中更新版本的业务方案以吸引用户使用手机端应用程序进而增加营收,随着线上用户体量的与日俱增,精准的向用户推荐业务方案变得尤为重要。
目前,通常随机选取用户进行业务方案实验以确定要推荐的标定业务方案,然而,这种业务推荐的方式并未考虑到随机抽取的客户存在特征指向性,进而会导致业务推荐的结果不够准确。
发明内容
鉴于以上内容,有必要提供一种基于人工智能的业务推荐方法及相关设备,以解决如何提高业务推荐的准确性这一技术问题,其中,相关设备包括基于人工智能的业务推荐装置、电子设备及存储介质。
本申请实施例提供一种基于人工智能的业务推荐方法,所述方法包括:
分析业务场景和预设的业务方案以获取额定业务指标,所述业务场景指企业需要解决的问题,所述业务方案指企业针对业务场景设计的解决方案,所述额定业务指标用以表征所述业务方案的优劣程度;
基于所述额定业务指标从所述业务场景对应的业务数据库中采集用户数据以构建目标用户集;
对所述目标用户集中的每条用户数据进行分类以获取多个用户簇;
对每个用户簇中的用户数据进行分组以获取用户分组置信度;
基于所述用户分组置信度评估所述业务场景对应的业务方案,并根据评估结果推荐所述业务方案。
上述业务推荐方法中,通过分析业务场景确定了参与测试的目标用户集,并通过聚类方法将目标用户集划分为多个用户簇,进而将用户簇中的用户数据划分为不同的类别并重组为多个用户组,且基于每组用户的置信度评估了业务推荐结果,从而使得每组用户特征尽可能的均衡,提升了后续业务推荐结果的准确度。
在一些实施例中,所述基于所述额定业务指标从所述业务场景对应的业务数据库中采集用户数据以构建目标用户集包括:
依据业务指标对所述业务场景对应的业务数据库中的用户数据进行标记,若用户数据中的业务指标小于所述额定业务指标,则该用户数据被标记为目标用户;
统计所述目标用户的特征,所述特征包括用户年龄,用户性别,用户在线时长,用户偏好类别;
将每个目标用户对应的特征作为用户数据,存储所述用户数据以作为所述目标用户集。
如此,通过对比用户数据的业务指标和额定业务指标,从业务数据库中采集并标记了目标用户,并存储为目标用户集,为后续进行用户分组和业务推荐提供了样本支撑,提升了业务推荐的准确性。
在一些实施例中,所述目标用户的特征包括数值型数据和非数值型数据,所述统计所述目标用户的特征之后,所述方法还包括:
辨别每个用户特征是否属于非数值型数据,并依据辨别结果标记每个用户特征,所述标记包括“是”和“否”;
依次遍历每一种用户特征的标记,若一个用户特征的标记为“是”,则统计该特征的取值种类的数量,依据自然数依次标记该特征中的每一个种类,并将标记的自然数作为该特征中每个数据的编码值以获得数值型特征,若一个用户特征的标记为“否”,则不作任何操作;
将标记为“是”的用户特征中的每个数据替换为其对应的编码值以更新目标用户集。
如此,通过对所述用户数据的特征中的非数值数据进行了编码以获得完全量化的数据,能够为后续业务推荐提供样本支撑,进而能够提升业务推荐的准确性。
在一些实施例中,所述对所述目标用户集中的每条用户数据进行分类以获取多个用户簇包括:
依据余弦距离算法计算每两条用户数据之间的余弦距离;
依据所述余弦距离和预设的聚类算法对所述目标用户集进行分类,以获得多个用户簇,其中每个用户簇包含多条用户数据;
分别统计每个用户簇中用户数据的数量和聚合度,所述聚合度用以表征用户数据的特征的多样程度;
将所述用户数据的数量和聚合度输入自定义的整合模型获得整合结果,以作为该用户簇的权重。
如此,通过对所述用户数据集进行分类获得了多个用户簇,并分别统计了每个用户簇中用户数据的数量和聚合度,进而依据所述数量和聚合度获得了每个用户簇的权重,能够将数据划分为具备特征相似性的多个簇,并为每个簇赋予权重以表征每个簇中用户数据在业务推荐时的重要性,能够提升后续业务推荐的准确度。
在一些实施例中,所述自定义的整合模型满足以下关系式:
其中,Ti代表第i个用户簇的权重,该权重越高则表明利用该簇中的用户数据测试所述业务方案时,测试结果的可信度越高;Ai代表第i个用户簇中用户数据的数量,所述Ai的值越大则表明该簇中囊括的用户数据越多,则该簇的权重应越高;Bi代表第i个用户簇的聚合度,所述聚合度的值越低则表明该簇中用户数据的特征越离散,则该簇的权重应越高。
如此,通过自定义整合模型计算了所述用户数据的数量和聚合度的整合结果,该整合结果的值能够表征用户簇中的用户数据具备特征指向性的程度,能够为后续计算用户分组置信度提供数据支撑,从而能够提升业务推荐的准确性。
在一些实施例中,所述对每个用户簇中的用户数据进行分组以获取用户分组置信度包括:
利用预设的聚类算法对每个用户簇中的用户数据进行二分类,并依据类别对该用户簇中的用户数据进行标记,所述标记包括“实验”和“对照”;
分别计算每个用户簇的每个类别中的用户数据的聚合程度以作为聚合值;
将每个用户簇对应的权重与所述聚合值的乘积作为每个类别对应的置信度;
将具备相同标记的用户数据进行组合以作为实验组和对照组;
计算实验组中用户数据的置信度之和以作为实验组的置信度,计算对照组中数据的置信度之和以作为对照组的置信度。
如此,通过对每个用户簇中的用户进行分类获得了多个类别的用户,并依据每个类别中用户数据的聚合程度计算了每个类别的置信度,该置信度的值越高则表明以该组用户作为样本进行业务推荐时,所获得的业务推荐结果的可信度越高,从而能够提升后续业务推荐的准确性。
在一些实施例中,所述基于所述用户分组置信度评估所述业务场景对应的业务方案,并根据评估结果推荐所述业务方案包括:
分别计算所述实验组和所述对照组中用户数据的业务指标的均值以作为每组用户的基准值;
随机为每组用户推送一种业务方案,并在预设的测试周期之后分别统计每组用户的业务指标的均值以作为测试值;
计算所述测试值和所述基准值的差值以分别获取每组用户的业务增量;
计算所述置信度与每组用户的业务增量的乘积以作为每组用户的业务推荐结果;
将较大的业务推荐结果对应的业务方案作为推荐的标定业务方案。
如此,通过向两组用户推送不同版本的app并获得了用户在线时长反馈,进一步基于每个分组的置信度对每组用户的业务增量进行修正以获得了最终试验结果,进而提升了业务推荐结果的准确度。
本申请实施例还提供一种基于人工智能的业务推荐装置,所述装置包括:
获取单元,用于分析业务场景和预设的业务方案以获取额定业务指标;
采集单元,用于基于所述额定业务指标从所述业务场景对应的业务数据库中采集用户数据以构建目标用户集;
分类单元,用于对所述目标用户集中的每条数据进行分类以获取多个用户簇;
分组单元,用于对每个用户簇中的用户数据进行分组以获取用户分组置信度;
推荐单元,用于基于所述置信度评估所述业务场景对应的业务方案以获取业务推荐结果。
本申请实施例还提供一种电子设备,所述设备包括:
存储器,存储计算机可读指令;及
处理器,执行所述存储器中存储的计算机可读指令以实现所述基于人工智能的业务推荐方法。
本申请实施例还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机可读指令,所述计算机可读指令被电子设备中的处理器执行以实现所述基于人工智能的业务推荐方法。
上述业务推荐方法中,通过分析业务场景确定了参与测试的目标用户集,并通过聚类方法将目标用户集划分为多个用户簇,进而将用户簇中的用户数据划分为不同的类别并重组为实验组和对照组,且基于每组用户的置信度评估并修正了业务推荐结果,从而使得每组用户特征尽可能的均衡,提升了后续业务推荐的准确度。
附图说明
图1是本申请所涉及的一种基于人工智能的业务推荐方法的较佳实施例的流程图。
图2是本申请所涉及的基于人工智能的业务推荐装置的较佳实施例的功能模块图。
图3是本申请所涉及的基于人工智能的业务推荐方法的较佳实施例的电子设备的结构示意图。
图4是本申请所涉及的目标用户集的结构示意图。
具体实施方式
为了能够更清楚地理解本申请的目的、特征和优点,下面结合附图和具体实施例对本申请进行详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互结合。在下面的描述中阐述了很多具体细节以便于充分理解本申请,所述描述的实施例仅是本申请一部分实施例,而不是全部的实施例。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本申请的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本申请。本文所使用的术语“和/或”包括一个或多个相关的所列项目的任意的和所有的组合。
本申请实施例提供一种基于人工智能的业务推荐方法,可应用于一个或者多个电子设备中,所述电子设备是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路(ApplicationSpecificIntegratedCircuit,ASIC)、可编程门阵列(Field-ProgrammableGateArray,FPGA)、数字处理器(DigitalSignalProcessor,DSP)、嵌入式设备等。
所述电子设备可以是任何一种可与用户进行人机交互的电子产品,例如,个人计算机、平板电脑、智能手机、个人数字助理(PersonalDigitalAssistant,PDA)、游戏机、交互式网络电视(InternetProtocolTelevision,IPTV)、智能式穿戴式设备等。
所述电子设备还可以包括网络设备和/或用户设备。其中,所述网络设备包括,但不限于单个网络服务器、多个网络服务器组成的服务器组或基于云计算(CloudComputing)的由大量主机或网络服务器构成的云。
所述电子设备所处的网络包括但不限于互联网、广域网、城域网、局域网、虚拟专用网络(VirtualPrivateNetwork,VPN)等。
如图1所示,是本申请基于人工智能的业务推荐方法的较佳实施例的流程图。根据不同的需求,该流程图中步骤的顺序可以改变,某些步骤可以省略。
S10,分析业务场景和预设的业务方案以获取额定业务指标,所述业务场景指企业需要解决的问题,所述业务方案指企业针对业务场景设计的解决方案,所述额定业务指标用以表征所述业务方案的优劣程度。
该可选的实施例中,所述业务场景可以是企业在运营期间需要解决的问题,示例性的,本方案中的业务场景可以指企业旗下的某一款APP在过去一个周期内遭遇了用户活跃度降低的问题,所述APP的全称是Application,其含义是手机软件。所述用户活跃度指某一款APP中用户的在线时长。
该可选的实施例中,所述业务方案可以是企业针对所述业务场景所设计的解决方案,示例性的,本方案中的业务方案可以指企业为了提升所述APP的用户活跃度进而对APP的页面进行的修改和更新,所述预设的业务方案可以包含方案R1和方案R2,所述方案R1可代表当前APP的设计方案,所述方案R2可代表对所述APP的设计进行修改进而获得的另一种设计方案,所述APP的设计方案可以指APP中用户页面的图像的展示方式或过场动画的移动方式。
该可选的实施例中,由于所述业务场景是企业旗下某款APP遭遇了用户活跃度下降的问题,因此所述额定业务指标可以是该APP的历史记录中所有用户在过去30个自然日内的平均在线时间TIME_总,所述平均在线时间的含义是每个用户在过去30个自然日内的总在线时间之和的平均值,所述“在线时间”的含义是指用户每次打开APP到关闭APP的时间跨度。通常用户在某一款APP的在线时间越长则代表该用户对该APP的关注度或认可度越高,则企业通过该APP获得盈利的可能性越大,因此可将每个用户在过去30日内的在线时长作为该用户的业务指标。所述业务指标可以用time代表,用以表征用户的历史记录中的总在线时长,示例性的,若某一个用户在过去30日内登陆了该APP五次,且每次登陆后的在线时长都为20秒,则该用户在过去30日内的总在线时长为100秒,即代表该用户的业务指标为100秒。
该可选的实施例中,可将TIME_总代表的该APP内所有用户的历史平均在线时长作为所述额定业务指标,并可将time代表的每个用户在过去30日的在线时长作为每个用户对应的业务指标。
如此,通过对所述业务场景和所述预设的业务方案进行分析获得了额定业务指标,该额定业务指标能够表征所述业务场景下受到关注的量化数据,并能够在后续的业务推荐中提供数据支撑,以提升业务推荐结果的准确度。
S11,基于所述额定业务指标从所述业务场景对应的业务数据库中采集用户数据以构建目标用户集。
在一个可选的实施例中,所述基于所述额定业务指标从所述业务场景对应的业务数据库中采集用户数据以构建目标用户集包括:
S111,依据业务指标对所述业务场景对应的业务数据库中的用户数据进行标记,若用户数据中的业务指标小于所述额定业务指标,则该用户数据被标记为目标用户。
该可选的实施例中,所述数据库是依照数据结构来设计、储存和管理数据信息的数据集合,示例性的,本方案所述业务数据库可以是memSQL数据库,所述memSQL数据库是一种开源的数据库,其功能可以是存储所述APP对应的用户数据。
该可选的实施例中,所述依据业务指标对所述业务数据库中的用户数据进行标记的具体方式为,在所述memSQL数据库中运行预设的第一程序以获取程序返回值,所述预设的程序可以是SQL语句,其形式可以为“select‘table’from‘database’wheretime<TIME_总”,其中‘table’代表所述预设的程序返回的结果,‘database’代表所述目标用户集所在的数据库,所述SQL语句中的关键字“where”代表采集数据时需要进行有条件的筛选,所述条件为“time<TIME_总”,其中time代表用户的业务指标,用以表征某一个用户的历史记录中的总在线时长,TIME_总代表所述额定业务指标,由于所述预设程序中的筛选条件为“time<TIME_总”,因此所述table中的所有用户数据都代表了业务指标小于额定业务指标的用户,因此可将所述table中的每条数据标记为所述目标用户。
S112,统计所述目标用户的特征,所述特征包括用户年龄,用户性别,用户在线时长,用户偏好类别。
该可选的实施例中,可统计所述目标用户的特征,其具体实施方式可以是在所述业务数据库中运行预设的第二程序以获取程序返回值,所述第二程序的形式可以是“selecta,b,c,dastable2fromtable”。其中,a可以代表所述目标用户的年龄特征,b可以代表所述目标用户的性别特征,c可以代表所述目标用户的在线时长即每个目标用户对应的业务指标,d可以代表所述目标用户的偏好类别,table2可以代表所述目标用户的特征组成的数据表。
该可选的实施例中,所述目标用户的特征包括数值型数据和非数值型数据,所述统计所述目标用户的特征之后,所述方法还包括:
辨别每个用户特征是否属于非数值型数据,并依据辨别结果标记每个用户特征,所述标记包括“是”和“否”;
依次遍历每一种用户特征的标记,若一个用户特征的标记为“是”,则统计该特征的取值种类的数量,依据自然数依次标记该特征中的每一个种类,并将标记的自然数作为该特征中每个数据的编码值以获得数值型特征,若一个用户特征的标记为“否”,则不作任何操作;
将标记为“是”的用户特征中的每个数据替换为其对应的编码值以更新目标用户集。
该可选的实施例中,可依据预设的Python程序辨别每个用户特征是否属于非数值型数据,以所述a代表的年龄特征为例,所述预设的Python程序的形式可以是“print(dtype(a)==int)”,其含义是对比a代表的年龄特征的数据格式与“整数型”数据格式并输出对比结果,所述对比结果包括“YES”和“NO”,若对比结果为“YES”则将a代表的年龄特征标记为“否”,若对比结果为“NO”则将a代表的年龄特征标记为“是”。
该可选的实施例中,可依次遍历所述用户数据的特征以获取其标记,若某一列特征的标记为“是”,则统计该特征中数据的取值种类的数量,并依据自然数依次标记每一个种类,将自然数标记作为该特征中数据对应的编码。
示例性的,以b代表的性别特征为例,所述性别特征包括{女,男},则利用自然数标记“女”为1,标记“男”为2。
该可选的实施例中,可将所述非数值型特征中每个数据对应的自然数标记作为该数据对应的编码值,并将每个数据替换为其对应的编码值。
S113,将每个目标用户对应的特征作为用户数据,存储所述用户数据以作为所述目标用户集。
该可选的实施例中,可将每个目标用户对应的特征逐列排列并构建目标用户集,所述目标用户集可以是数据表的形式,其中每一行代表一条用户数据,其中每一列代表所述用户数据的一个特征。
示例性的,所述目标用户集中的第一列可代表用户的年龄a,a为正整数且a的取值范围可以是[0,+∞];第二列可代表用户的性别b,所述b的取值为{1,2};第三列可代表用户在该APP内的在线时长c,c为正整数且c的取值范围可以是[0,+∞];第四列可代表用户的偏好内容d,d的取值范围可以是[1,+∞]。示例性的,图4为所述目标用户集的结构示意图。
如此,通过标记目标用户统计每个用户数据的特征并存储为目标用户集,对所述用户数据的特征中的非数值数据进行了编码以获得完全量化的数据,能够为后续业务推荐提供样本支撑,进而能够提升业务推荐的准确性。
S12,对所述目标用户集中的每条用户数据进行分类以获取多个用户簇。
在一个可选的实施例中,所述对所述目标用户集中的每条用户数据进行分类以获取多个用户簇包括:
S121,依据余弦距离算法计算每两条用户数据之间的余弦距离。
该可选的实施例中,可依据所述用户数据的特征的排列顺序将每条用户数据作为一个编码向量,示例性的,所述用户数据的特征的排列顺序可以是a、b、c、d,则某一个用户数据的编码向量可以是[20,2,360,1]。
该可选的实施例中,可依据预设的距离度量算法计算每个用户数据之间的距离,所述预设的距离度量算法可以是余弦距离算法,示例性的,若某一个用户数据对应的向量A=[aA,bA,cA,dA],且另一个用户数据对应的向量B=[aB,bB,cB,dB],则向量A与B之间的余弦距离的具体计算方法为:
其中,dA,B代表向量A和向量B之间的余弦相似度,A·B部分代表向量A和向量B的内积,‖A‖代表向量A的模长,‖B‖代表向量B的模长。
所述内积和模长的计算方式为:
A·B=aA×aB+bA×bB+cA×cB+dA×db
其中下标A和B代表某一维度的特征从属的向量。
示例性的,当A=[1,2,3,4]且B=[2,3,4,5]时,所述dA,B的计算方式为:
则所述向量A和向量B之间的余弦距离为0.01。
该可选的实施例中,所述用户数据之间的余弦距离用以表征两个用户之间的相似程度,若两个用户数据之间的距离越大,则表明这两个用户之间的相似性越低。
S122,依据所述余弦距离和预设的聚类算法对所述目标用户集进行分类,以获得多个用户簇,其中每个用户簇包含多条用户数据。
该可选的实施例中,可依据预设的聚类算法对所述目标用户集进行分类以获得多个用户簇,所述预设的聚类算法的具体实施流程为:
A1:将所述目标用户集中的所有用户数据标记为unvisited;
A2:随机选择其中一个被标记为unvisited的用户数据并记为X,进一步标记所述X代表的用户数据为visited;
A3:依据预设的判别条件选择后续要进行的步骤,所述预设的判别条件为,记与所述X代表的用户数据之间的余弦距离小于等于预设的半径de的用户数据有n条,若n小于预设的阈值minpts则进行步骤A4,否则进行步骤A12,示例性的,所述de可以是0.5,所述minpts可以是4;
A4:创建一个新的簇并记为C,将所述X用户添加到C中;
A5:记以所述X代表的用户数据为中心,半径为de的邻域内的用户数据集合为N;
A6:随机选择所述N中的一条用户数据并记为Y;
A7:如果所述Y的标签为unvisited则标记Y为visited;
A8:如果以所述Y代表的用户数据为中心半径为de的邻域内至少有minpts个对象,则将这些对象添加到所述集合N中;
A9:如果所述Y还不属于任何簇,则把所述Y添加到所述簇C中;
A10:重复运行所述步骤A6到A10,直到N为空集;
A11:记所述簇C为第一个用户簇,并标记为Ci,其中i代表循环的次数且i的初始值可设置为1;
A12:标记X为噪声点;
A13:重复所述步骤A2至A13,直到所述原始用户数据集中所有的点都被标记为visited则算法结束并获得多个用户簇,记所述多个用户簇的集合为Cz,并可记为Cz=[C1,C2,…,Cn],其中n为所述Cz中簇的个数。
S123,分别统计每个用户簇中用户数据的数量和聚合度,所述聚合度用以表征用户数据的特征的多样程度。
该可选的实施例中,可统计每个用户簇中用户数据的数量,示例性的,所述每个簇中用户数据的数量可以被记为A={A1,A2,…,An},其中A代表所述用户数据的数量的集合,所述A中的每个元素对应于某一个用户簇中用户数据的数量,其中每个元素的上标代表该元素对应的用户簇的索引。
该可选的实施例中,可计算所述每个用户簇中用户数据的方差,以作为每个用户簇中用户数据的聚合度,所述方差越大则表明该用户簇中用户数据的差异性越大,该用户簇中用户数据的聚合度越低,则表明该用户簇中的用户数据没有明显特征指向性,因此利用该用户簇中的用户数据进行业务推荐时获得的测试结果更准确。
S124,将所述用户数据的数量和聚合度输入自定义的整合模型获得整合结果,以作为该用户簇的权重。
该可选的实施例中,可将所述用户数据的数量和聚合度输入自定义的整合模型获得整合结果,所述自定义的整合模型满足以下关系式:
其中,Ti代表第i个用户簇中用户数据的数量和聚合度的整合结果,该整合结果的值越高则表明利用该簇中的用户数据作为样本测试所述业务方案时,测试结果的可信度越高;Ai代表第i个用户簇中用户数据的数量,所述Ai的值越大则表明该簇中囊括的用户数据越多,则该簇的重要性应越高;Bi代表第i个用户簇的聚合度,所述聚合度的值越低则表明该簇中用户数据的特征越离散,则该簇的重要性应越高。
示例性的,当Ai=20,Bi=5时,所述Ti代表的整合结果的计算方式为:
该可选的实施例中,可将每个用户簇中用户数据的数量和聚合度的整合结果T作为对应的用户簇的权重。
如此,通过对所述用户数据集进行分类获得了多个用户簇,并分别统计了每个用户簇中用户数据的数量和聚合度,进而依据所述数量和聚合度获得了每个用户簇的权重,能够将数据划分为具备特征相似性的多个簇,并为每个簇赋予权重以表征每个簇中用户数据在业务推荐时的重要性,能够提升后续业务推荐的准确度。
S13,对每个用户簇中的用户数据进行分组以获取用户分组置信度。
在一个可选的实施例中,所述对每个用户簇中的用户数据进行分组以获取用户分组置信度包括:
S131,利用预设的聚类算法对每个用户簇中的用户数据进行二分类,并依据类别对该用户簇中的用户数据进行标记,所述标记包括“实验”和“对照”。
该可选的实施例中,可将每个用户簇分为两类以获取两个类别的用户数据。所述预设的聚类算法可以是K均值聚类算法,其具体实施流程为:
A1,依据所述业务方案的数量设置分类数量K,示例性的,本方案中K=2;
A2,从一个用户簇的所有用户数据中随机选择K个用户数据作为质心,示例性的,本方案中可将K个质心分别记作K1与K2;
A3,遍历该用户簇中每一个用户数据,分别计算每一个用户数据与每一个质心的欧式距离,示例性的,可记某一个用户数据与K1的欧式距离为D1,可记其与K2的欧式距离为D2,若D1小于D2,则将该用户数据划分至所述K1所在的类别,反之则将该用户数据划分至所述K2所在的类别,遍历结束之后可获得两个类别,每个类别分别包含多个用户数据;
A4,分别计算每个类别中用户数据的均值并记为K1_mean和K2_mean,针对每个类别中的每个用户数据,分别计算其与对应的类别中的均值的欧式距离,选择其中具备最小欧式距离的用户数据作为每个类别对应的新的质心并记为K1_new和K2_new;
A5,计算K1_new与K1之间的欧式距离并记为D1_new,计算K2_new与K2之间的欧式距离并记为D2_new,记预设的距离阈值为Dt;
A6,若D1_new和D2_new都小于Dt则算法终止,并将K1所在的类别和K2所在的类别作为最终的分类结果,否则重复执行步骤A3至步骤A6,直至算法终止。
该可选的实施例中,可基于上述Kmeans算法的执行流程获得每个用户簇的分类结果,每个用户簇可被分为两类,针对每个用户簇中的每一类可记为G=[(G1实验,G1对照),(G2实验,G2对照),…,(Gn实验,Gn对照)],示例性的,G1实验代表索引为1的用户簇中被标记为“实验”的类别,G1 对照代表索引为1的用户簇中被标记为“对照”的类别,其中每个类别包含多个用户数据。
S132,分别计算每个用户簇的每个类别中的用户数据的聚合程度以作为聚合值。
该可选的实施例中,可计算每个用户簇中每个类别的用户数据的方差,所述方差用以表征每个类别中的用户的聚合程度,所述方差的计算公式为:
其中,S代表某一个类别中用户数据的方差,用以表征该类别中用户数据的聚合程度,S的值越高则表明该类别中用户数据得聚合程度约低,该类别中的用户数据具备较强的特征指向性;u代表该类别中用户数据的数量;j代表该类别中用户数据的索引;x代表该类别中某一个用户数据的值;代表该类别中用户数据的均值。
示例性的,当所述u=3,x1=[1,2,3,4],x2=[2,3,4,5],x3=[3,4,5,6]时,所述S的计算方式为:
该可选的实施例中,可将所述方差S的倒数作为每个用户簇中每个类别对应的聚合值,该聚合值越高则表明对应的类别中的用户数据的特征指向性越低,则以该类别中的用户数据作为样本进行业务推荐时获得的测试结果越准确。
S133,将每个用户簇对应的权重与所述聚合值的乘积作为每个类别对应的置信度。
该可选的实施例中,可将每个用户簇对应的权重与所述聚合值的乘积作为每个类别对应的置信度,所述置信度满足以下关系式:
其中,twe代表索引为w的用户簇中标记为e的类别对应的置信度,该置信度的值越高则表明该类别中用户数据的置信度越高,Swe代表该类别中用户数据对应的方差,Tw代表索引为w的用户簇的置信度。
示例性的,当S1实验=3.622,T1=0.982时,所述twe代表的置信度的计算方式为:
该可选的实施例中,可将所述twe的值作为每个类别对应的置信度,所述twe的值越高则表明利用该类别中的用户数据作为样本进行业务推荐时,获取的测试结果的可信度越高。
S134,将具备相同标记的用户数据进行组合以作为实验组和对照组。
该可选的实施例中,可将所有用户簇中具备相同标记的类别组合为实验组和对照组,示例性的,本方案中可表示为:
实验组=[G1实验,G2实验,…,Gn实验];
对照组=[G1对照,G2对照,…,Gn对照]。
该可选的实施例中,所述实验组和对照组都包含多个用户数据。
S135,计算实验组中用户数据的置信度之和以作为实验组的置信度,计算对照组中数据的置信度之和以作为对照组的置信度。
该可选的实施例中,可计算所述实验组中用户数据的置信度之和以作为实验组的置信度,示例性的,若本方案中用户簇有3个,且t1实验=0.271,t2实验=0.28,t3实验=0.29,则实验组的置信度的计算方式为:
T实验=0.271+0.28+0.29=0.841
该可选的实施例中,可计算所述对照组中用户数据的置信度之和以作为对照组的置信度,示例性的,若本方案中用户簇有3个,且t1对照=0.29,t2对照=0.289,t3对照=0.35,则对照组的置信度的计算方式为:
T对照=0.29+0.289+0.35=0.929
该可选的实施例中,可依据最大化标准化算法计算所述实验组和对照组的归一化的置信度,示例性的,当T实验=0.841,T对照=0.929时,所述实验组的归一化的置信度的计算方式为:
所述对照组的归一化的置信度的计算方式为:
该可选的实施例中,可分别将所述归一化的置信度作为所述实验组和对照组的用户分组置信度。
如此,通过对每个用户簇中的用户进行分类获得了多个类别的用户,并依据每个类别中用户数据的聚合程度计算了每个类别的置信度,该置信度的值越高则表明以该组用户作为样本进行业务推荐时,所获得的业务推荐结果的可信度越高,从而能够提升后续业务推荐的准确性。
S14,基于所述用户分组置信度评估所述业务场景对应的业务方案,并根据评估结果推荐所述业务方案。
该可选的实施例中,所述基于所述用户分组置信度评估所述业务场景对应的业务方案,并根据评估结果推荐所述业务方案包括:
S141,分别计算所述实验组和所述对照组中用户数据的业务指标的均值以作为每组用户的基准值。
该可选的实施例中,可分别计算所述实验组和所述对照组中用户数据的业务指标的均值,所述业务指标为所述用户数据中的在线时长,示例性的,当所述实验组包含10个用户,且实验组中用户数据中的在线时长的均值为300秒时,可记为当所述对照组包含20个用户,且对照组中用户数据中的在线时长的均值为360秒时,可记为
S142,随机为每组用户推送一种业务方案,并在预设的测试周期之后分别统计每组用户的业务指标的均值以作为测试值。
该可选的实施例中,企业可以向所述实验组中的用户推送具备R1业务方案的app,向所述对照组中的用户推送具备R2业务方案的app,并可在预设的测试周期之后统计所述实验组中用户的平均在线时长并记为统计所述对照组中的用户的平均在线时长并记为
S143,计算所述测试值和所述基准值的差值以分别获取每组用户的业务增量。
该可选的实施例中,可记所述实验组的业务增量为V实验,可记所述对照组的业务增量为V对照,所述实验组的业务增量的计算方式为:
该可选的实施例中,所述对照组的业务增量的计算方式为:
该可选的实施例中,可将所述V实验的值作为所述实验组的业务增量,可将所述V对照的值作为所述对照组的业务增量。
S144,计算所述置信度与每组用户的业务增量的乘积以作为每组用户的业务推荐结果。
该可选的实施例中,可基于所述置信度Tg实验和Tg对照对所述每个用户组的业务增量进行修正,以获取每组用户的业务推荐结果,所述业务推荐结果的计算方法为:
R实验=Tg实验×V实验
R对照=Tg对照×V对照
其中,Tg实验代表所述实验组的置信度,Tg对照代表所述对照组的置信度,V实验代表所述实验组的业务增量,V对照代表所述对照组的业务增量,R实验代表所述实验组的业务推荐结果,R对照代表所述对照组的业务推荐结果。
S145,将较大的业务推荐结果对应的业务方案作为推荐的标定业务方案。
该可选的实施例中,可对比所述R实验的值与所述R对照的值,将其中较大的值对应的业务方案作为标定业务方案以供企业推广。
示例性的,当R实验=10且R对照=20,则由于企业为对照组中用户推送的业务方案为R2业务方案,则可将所述R2业务方案作为标定业务方案以供企业推广。
如此,通过向两组用户推送不同版本的app并获得了用户在线时长反馈,进一步基于每个分组的置信度对每组用户的业务增量进行修正以获得了最终试验结果,进而提升了业务推荐结果的准确度。
上述业务推荐方法中,通过分析业务场景确定了参与测试的目标用户集,并通过聚类方法将目标用户集划分为多个用户簇,进而将用户簇中的用户数据划分为不同的类别并重组为实验组和对照组,且基于每组用户的置信度评估并修正了业务推荐结果,从而使得每组用户特征尽可能的均衡,提升了后续业务推荐的准确度。
如图2所示,是本申请实施例提供的基于人工智能的业务推荐装置的较佳实施例的功能模块图。基于人工智能的业务推荐装置11包括获取单元110、采集单元111、分类单元112、分组单元113、推荐单元114。本申请所称的模块/单元是指一种能够被处理器13所执行,并且能够完成固定功能的一系列计算机程序段,其存储在存储器12中。在本实施例中,关于各模块/单元的功能将在后续的实施例中详述。
在一个可选的实施例中,获取单元110用于分析业务场景和预设的业务方案以获取额定业务指标,所述业务场景指企业需要解决的问题,所述业务方案指企业针对业务场景设计的解决方案,所述额定业务指标用以表征所述业务方案的优劣程度。
该可选的实施例中,所述业务场景可以是企业在运营期间需要解决的问题,示例性的,本方案中的业务场景可以指企业旗下的某一款APP在过去一个周期内遭遇了用户活跃度降低的问题,所述APP的全称是Application,其含义是手机软件。所述用户活跃度指某一款APP中用户的在线时长。
该可选的实施例中,所述业务方案可以是企业针对所述业务场景所设计的解决方案,示例性的,本方案中的业务方案可以指企业为了提升所述APP的用户活跃度进而对APP的页面进行的修改和更新,所述预设的业务方案可以包含方案R1和方案R2,所述方案R1可代表当前APP的设计方案,所述方案R2可代表对所述APP的设计进行修改进而获得的另一种设计方案,所述APP的设计方案可以指APP中用户页面的图像的展示方式或过场动画的移动方式。
该可选的实施例中,由于所述业务场景是企业旗下某款APP遭遇了用户活跃度下降的问题,因此所述额定业务指标可以是该APP的历史记录中所有用户在过去30个自然日内的平均在线时间TIME_总,所述平均在线时间的含义是每个用户在过去30个自然日内的总在线时间之和的平均值,所述“在线时间”的含义是指用户每次打开APP到关闭APP的时间跨度。通常用户在某一款APP的在线时间越长则代表该用户对该APP的关注度或认可度越高,则企业通过该APP获得盈利的可能性越大,因此可将每个用户在过去30日内的在线时长作为该用户的业务指标。所述业务指标可以用time代表,用以表征用户的历史记录中的总在线时长,示例性的,若某一个用户在过去30日内登陆了该APP五次,且每次登陆后的在线时长都为20秒,则该用户在过去30日内的总在线时长为100秒,即代表该用户的业务指标为100秒。
该可选的实施例中,可将TIME_总代表的该APP内所有用户的历史平均在线时长作为所述额定业务指标,并可将time代表的每个用户在过去30日的在线时长作为每个用户对应的业务指标。
在一个可选的实施例中,采集单元111用于基于所述额定业务指标从所述业务场景对应的业务数据库中采集用户数据以构建目标用户集。
在一个可选的实施例中,所述基于所述额定业务指标从所述业务场景对应的业务数据库中采集用户数据以构建目标用户集包括:
依据业务指标对所述业务场景对应的业务数据库中的用户数据进行标记,若用户数据中的业务指标小于所述额定业务指标,则该用户数据被标记为目标用户;
统计所述目标用户的特征,所述特征包括用户年龄,用户性别,用户在线时长,用户偏好类别;
将每个目标用户对应的特征作为用户数据,存储所述用户数据以作为所述目标用户集。
该可选的实施例中,所述数据库是依照数据结构来设计、储存和管理数据信息的数据集合,示例性的,本方案所述业务数据库可以是memSQL数据库,所述memSQL数据库是一种开源的数据库,其功能可以是存储所述APP对应的用户数据。
该可选的实施例中,所述依据业务指标对所述业务数据库中的用户数据进行标记的具体方式为,在所述memSQL数据库中运行预设的第一程序以获取程序返回值,所述预设的程序可以是SQL语句,其形式可以为“select‘table’from‘database’wheretime<TIME_总”,其中‘table’代表所述预设的程序返回的结果,‘database’代表所述目标用户集所在的数据库,所述SQL语句中的关键字“where”代表采集数据时需要进行有条件的筛选,所述条件为“time<TIME_总”,其中time代表用户的业务指标,用以表征某一个用户的历史记录中的总在线时长,TIME_总代表所述额定业务指标,由于所述预设程序中的筛选条件为“time<TIME_总”,因此所述table中的所有用户数据都代表了业务指标小于额定业务指标的用户,因此可将所述table中的每条数据标记为所述目标用户。
该可选的实施例中,可统计所述目标用户的特征,其具体实施方式可以是在所述业务数据库中运行预设的第二程序以获取程序返回值,所述第二程序的形式可以是“selecta,b,c,dastable2fromtable”。其中,a可以代表所述目标用户的年龄特征,b可以代表所述目标用户的性别特征,c可以代表所述目标用户的在线时长即每个目标用户对应的业务指标,d可以代表所述目标用户的偏好类别,table2可以代表所述目标用户的特征组成的数据表。
该可选的实施例中,所述目标用户的特征包括数值型数据和非数值型数据,所述统计所述目标用户的特征之后,所述方法还包括:
辨别每个用户特征是否属于非数值型数据,并依据辨别结果标记每个用户特征,所述标记包括“是”和“否”;
依次遍历每一种用户特征的标记,若一个用户特征的标记为“是”,则统计该特征的取值种类的数量,依据自然数依次标记该特征中的每一个种类,并将标记的自然数作为该特征中每个数据的编码值以获得数值型特征,若一个用户特征的标记为“否”,则不作任何操作;
将标记为“是”的用户特征中的每个数据替换为其对应的编码值以更新目标用户集。
该可选的实施例中,可依据预设的Python程序辨别每个用户特征是否属于非数值型数据,以所述a代表的年龄特征为例,所述预设的Python程序的形式可以是“print(dtype(a)==int)”,其含义是对比a代表的年龄特征的数据格式与“整数型”数据格式并输出对比结果,所述对比结果包括“YES”和“NO”,若对比结果为“YES”则将a代表的年龄特征标记为“否”,若对比结果为“NO”则将a代表的年龄特征标记为“是”。
该可选的实施例中,可依次遍历所述用户数据的特征以获取其标记,若某一列特征的标记为“是”,则统计该特征中数据的取值种类的数量,并依据自然数依次标记每一个种类,将自然数标记作为该特征中数据对应的编码。
示例性的,以b代表的性别特征为例,所述性别特征包括{女,男},则利用自然数标记“女”为1,标记“男”为2。
该可选的实施例中,可将所述非数值型特征中每个数据对应的自然数标记作为该数据对应的编码值,并将每个数据替换为其对应的编码值。
该可选的实施例中,可将每个目标用户对应的特征逐列排列并构建目标用户集,所述目标用户集可以是数据表的形式,其中每一行代表一条用户数据,其中每一列代表所述用户数据的一个特征。
示例性的,所述目标用户集中的第一列可代表用户的年龄a,a为正整数且a的取值范围可以是[0,+∞];第二列可代表用户的性别b,所述b的取值为{1,2};第三列可代表用户在该APP内的在线时长c,c为正整数且c的取值范围可以是[0,+∞];第四列可代表用户的偏好内容d,d的取值范围可以是[1,+∞]。示例性的,图4为所述目标用户集的示意图。
在一个可选的实施例中,分类单元112用于对所述目标用户集中的每条用户数据进行分类以获取多个用户簇。
该可选的实施例中,所述对所述目标用户集中的每条用户数据进行分类以获取多个用户簇包括:
依据余弦距离算法计算每两条用户数据之间的余弦距离;
依据所述余弦距离和预设的聚类算法对所述目标用户集进行分类,以获得多个用户簇,其中每个用户簇包含多条用户数据;
分别统计每个用户簇中用户数据的数量和聚合度,所述聚合度用以表征用户数据的特征的多样程度;
将所述用户数据的数量和聚合度输入自定义的整合模型获得整合结果,以作为该用户簇的权重。
该可选的实施例中,可依据所述用户数据的特征的排列顺序将每条用户数据作为一个编码向量,示例性的,所述用户数据的特征的排列顺序可以是a、b、c、d,则某一个用户数据的编码向量可以是[20,2,360,1]。
该可选的实施例中,可依据预设的距离度量算法计算每个用户数据之间的距离,所述预设的距离度量算法可以是余弦距离算法,示例性的,若某一个用户数据对应的向量A=[aA,bA,cA,dA],且另一个用户数据对应的向量B=[aB,bB,cB,dB],则向量A与B之间的余弦距离的具体计算方法为:
其中,dA,B代表向量A和向量B之间的余弦相似度,A·B部分代表向量A和向量B的内积,‖A‖代表向量A的模长,‖B‖代表向量B的模长。
所述内积和模长的计算方式为:
A·B=aA×aB+bA×bB+cA×cB+dA×db
其中下标A和B代表某一维度的特征从属的向量。
示例性的,当A=[1,2,3,4]且B=[2,3,4,5]时,所述dA,B的计算方式为:
则所述向量A和向量B之间的余弦距离为0.01。
该可选的实施例中,所述用户数据之间的余弦距离用以表征两个用户之间的相似程度,若两个用户数据之间的距离越大,则表明这两个用户之间的相似性越低。
该可选的实施例中,可依据预设的聚类算法对所述目标用户集进行分类以获得多个用户簇,所述预设的聚类算法的具体实施流程为:
A1:将所述目标用户集中的所有用户数据标记为unvisited;
A2:随机选择其中一个被标记为unvisited的用户数据并记为X,进一步标记所述X代表的用户数据为visited;
A3:依据预设的判别条件选择后续要进行的步骤,所述预设的判别条件为,记与所述X代表的用户数据之间的余弦距离小于等于预设的半径de的用户数据有n条,若n小于预设的阈值minpts则进行步骤A4,否则进行步骤A12,示例性的,所述de可以是0.5,所述minpts可以是4;
A4:创建一个新的簇并记为C,将所述X用户添加到C中;
A5:记以所述X代表的用户数据为中心,半径为de的邻域内的用户数据集合为N;
A6:随机选择所述N中的一条用户数据并记为Y;
A7:如果所述Y的标签为unvisited则标记Y为visited;
A8:如果以所述Y代表的用户数据为中心半径为de的邻域内至少有minpts个对象,则将这些对象添加到所述集合N中;
A9:如果所述Y还不属于任何簇,则把所述Y添加到所述簇C中;
A10:重复运行所述步骤A6到A10,直到N为空集;
A11:记所述簇C为第一个用户簇,并标记为Ci,其中i代表循环的次数且i的初始值可设置为1;
A12:标记X为噪声点;
A13:重复所述步骤A2至A13,直到所述原始用户数据集中所有的点都被标记为visited则算法结束并获得多个用户簇,记所述多个用户簇的集合为Cz,并可记为Cz=[C1,C2,…,Cn],其中n为所述Cz中簇的个数。
该可选的实施例中,可统计每个用户簇中用户数据的数量,示例性的,所述每个簇中用户数据的数量可以被记为A={A1,A2,…,An},其中A代表所述用户数据的数量的集合,所述A中的每个元素对应于某一个用户簇中用户数据的数量,其中每个元素的上标代表该元素对应的用户簇的索引。
该可选的实施例中,可计算所述每个用户簇中用户数据的方差,以作为每个用户簇中用户数据的聚合度,所述方差越大则表明该用户簇中用户数据的差异性越大,该用户簇中用户数据的聚合度越低,则表明该用户簇中的用户数据没有明显特征指向性,因此利用该用户簇中的用户数据进行业务推荐时获得的测试结果更准确。
该可选的实施例中,可将所述用户数据的数量和聚合度输入自定义的整合模型获得整合结果,所述自定义的整合模型满足以下关系式:
其中,Ti代表第i个用户簇中用户数据的数量和聚合度的整合结果,该整合结果的值越高则表明利用该簇中的用户数据作为样本测试所述业务方案时,测试结果的可信度越高;Ai代表第i个用户簇中用户数据的数量,所述Ai的值越大则表明该簇中囊括的用户数据越多,则该簇的重要性应越高;Bi代表第i个用户簇的聚合度,所述聚合度的值越低则表明该簇中用户数据的特征越离散,则该簇的重要性应越高。
示例性的,当Ai=20,Bi=5时,所述Ti代表的整合结果的计算方式为:
该可选的实施例中,可将每个用户簇中用户数据的数量和聚合度的整合结果T作为对应的用户簇的权重。
在一个可选的实施例中,分组单元113用于对每个用户簇中的用户数据进行分组以获取用户分组置信度。
该可选的实施例中,所述对每个用户簇中的用户数据进行分组以获取用户分组置信度包括:
利用预设的聚类算法对每个用户簇中的用户数据进行二分类,并依据类别对该用户簇中的用户数据进行标记,所述标记包括“实验”和“对照”;
分别计算每个用户簇的每个类别中的用户数据的聚合程度以作为聚合值;
将每个用户簇对应的权重与所述聚合值的乘积作为每个类别对应的置信度;
将具备相同标记的用户数据进行组合以作为实验组和对照组;
计算实验组中用户数据的置信度之和以作为实验组的置信度,计算对照组中数据的置信度之和以作为对照组的置信度。
该可选的实施例中,可将每个用户簇分为两类以获取两个类别的用户数据。所述预设的聚类算法可以是K均值聚类算法,其具体实施流程为:
A1,依据所述业务方案的数量设置分类数量K,示例性的,本方案中K=2;
A2,从一个用户簇的所有用户数据中随机选择K个用户数据作为质心,示例性的,本方案中可将K个质心分别记作K1与K2;
A3,遍历该用户簇中每一个用户数据,分别计算每一个用户数据与每一个质心的欧式距离,示例性的,可记某一个用户数据与K1的欧式距离为D1,可记其与K2的欧式距离为D2,若D1小于D2,则将该用户数据划分至所述K1所在的类别,反之则将该用户数据划分至所述K2所在的类别,遍历结束之后可获得两个类别,每个类别分别包含多个用户数据;
A4,分别计算每个类别中用户数据的均值并记为K1_mean和K2_mean,针对每个类别中的每个用户数据,分别计算其与对应的类别中的均值的欧式距离,选择其中具备最小欧式距离的用户数据作为每个类别对应的新的质心并记为K1_new和K2_new;
A5,计算K1_new与K1之间的欧式距离并记为D1_new,计算K2_new与K2之间的欧式距离并记为D2_new,记预设的距离阈值为Dt;
A6,若D1_new和D2_new都小于Dt则算法终止,并将K1所在的类别和K2所在的类别作为最终的分类结果,否则重复执行步骤A3至步骤A6,直至算法终止。
该可选的实施例中,可基于上述Kmeans算法的执行流程获得每个用户簇的分类结果,每个用户簇可被分为两类,针对每个用户簇中的每一类可记为G=[(G1实验,G1对照),(G2实验,G2对照),…,(Gn实验,Gn对照)],示例性的,G1实验代表索引为1的用户簇中被标记为“实验”的类别,G1 对照代表索引为1的用户簇中被标记为“对照”的类别,其中每个类别包含多个用户数据。
该可选的实施例中,可计算每个用户簇中每个类别的用户数据的方差,所述方差用以表征每个类别中的用户的聚合程度,所述方差的计算公式为:
其中,S代表某一个类别中用户数据的方差,用以表征该类别中用户数据的聚合程度,S的值越高则表明该类别中用户数据得聚合程度约低,该类别中的用户数据具备较强的特征指向性;u代表该类别中用户数据的数量;j代表该类别中用户数据的索引;x代表该类别中某一个用户数据的值;代表该类别中用户数据的均值。
示例性的,当所述u=3,x1=[1,2,3,4],x2=[2,3,4,5],x3=[3,4,5,6]时,所述S的计算方式为:
该可选的实施例中,可将所述方差S的倒数作为每个用户簇中每个类别对应的聚合值,该聚合值越高则表明对应的类别中的用户数据的特征指向性越低,则以该类别中的用户数据作为样本进行业务推荐时获得的测试结果越准确。
该可选的实施例中,可将每个用户簇对应的权重与所述聚合值的乘积作为每个类别对应的置信度,所述置信度满足以下关系式:
其中,twe代表索引为w的用户簇中标记为e的类别对应的置信度,该置信度的值越高则表明该类别中用户数据的置信度越高,Swe代表该类别中用户数据对应的方差,Tw代表索引为w的用户簇的置信度。
示例性的,当S1实验=3.622,T1=0.982时,所述twe代表的置信度的计算方式为:
该可选的实施例中,可将所述twe的值作为每个类别对应的置信度,所述twe的值越高则表明利用该类别中的用户数据作为样本进行业务推荐时,获取的测试结果的可信度越高。
该可选的实施例中,可将所有用户簇中具备相同标记的类别组合为实验组和对照组,示例性的,本方案中可表示为:
实验组=[G1实验,G2实验,…,Gn实验];
对照组=[G1对照,G2对照,…,Gn对照]。
该可选的实施例中,所述实验组和对照组都包含多个用户数据。
该可选的实施例中,可计算所述实验组中用户数据的置信度之和以作为实验组的置信度,示例性的,若本方案中用户簇有3个,且t1实验=0.271,t2实验=0.28,t3实验=0.29,则实验组的置信度的计算方式为:
T实验=0.271+0.28+0.29=0.841
该可选的实施例中,可计算所述对照组中用户数据的置信度之和以作为对照组的置信度,示例性的,若本方案中用户簇有3个,且t1对照=0.29,t2对照=0.289,t3对照=0.35,则对照组的置信度的计算方式为:
T对照=0.29+0.289+0.35=0.929
该可选的实施例中,可依据最大化标准化算法计算所述实验组和对照组的归一化的置信度,示例性的,当T实验=0.841,T对照=0.929时,所述实验组的归一化的置信度的计算方式为:
所述对照组的归一化的置信度的计算方式为:
该可选的实施例中,可分别将所述归一化的置信度作为所述实验组和对照组的用户分组置信度。
在一个可选的实施例中,推荐单元114用于基于所述用户分组置信度评估所述业务场景对应的业务方案,并根据评估结果推荐所述业务方案。
该可选的实施例中,基于所述用户分组置信度评估所述业务场景对应的业务方案,并根据评估结果推荐所述业务方案包括:
分别计算所述实验组和所述对照组中用户数据的业务指标的均值以作为每组用户的基准值;
随机为每组用户推送一种业务方案,并在预设的测试周期之后分别统计每组用户的业务指标的均值以作为测试值;
计算所述测试值和所述基准值的差值以分别获取每组用户的业务增量;
计算所述置信度与每组用户的业务增量的乘积以作为每组用户的业务推荐结果;
将较大的业务推荐结果对应的业务方案作为推荐的标定业务方案。
该可选的实施例中,可分别计算所述实验组和所述对照组中用户数据的业务指标的均值,所述业务指标为所述用户数据中的在线时长,示例性的,当所述实验组包含10个用户,且实验组中用户数据中的在线时长的均值为300秒时,可记为当所述对照组包含20个用户,且对照组中用户数据中的在线时长的均值为360秒时,可记为
该可选的实施例中,企业可以向所述实验组中的用户推送具备R1业务方案的app,向所述对照组中的用户推送具备R2业务方案的app,并可在预设的测试周期之后统计所述实验组中用户的平均在线时长并记为统计所述对照组中的用户的平均在线时长并记为
该可选的实施例中,可记所述实验组的业务增量为V实验,可记所述对照组的业务增量为V对照,所述实验组的业务增量的计算方式为:
该可选的实施例中,所述对照组的业务增量的计算方式为:
该可选的实施例中,可将所述V实验的值作为所述实验组的业务增量,可将所述V对照的值作为所述对照组的业务增量。
该可选的实施例中,可基于所述置信度Tg实验和Tg对照对所述每个用户组的业务增量进行修正,以获取每组用户的业务推荐结果,所述业务推荐结果的计算方法为:
R实验=Tg实验×V实验
R对照=Tg对照×V对照
其中,Tg实验代表所述实验组的置信度,Tg对照代表所述对照组的置信度,V实验代表所述实验组的业务增量,V对照代表所述对照组的业务增量,R实验代表所述实验组的业务推荐结果,R对照代表所述对照组的业务推荐结果。
该可选的实施例中,可对比所述R实验的值与所述R对照的值,将其中较大的值对应的业务方案作为标定业务方案以供企业推广。
示例性的,当R实验=10且R对照=20,则由于企业为对照组中用户推送的业务方案为R2业务方案,则可将所述R2业务方案作为标定业务方案以供企业推广。
如图3所示,是本申请实施例提供的一种电子设备的结构示意图。电子设备1包括存储器12和处理器13。存储器12用于存储计算机可读指令,处理器13用执行储器中存储的计算机可读指令以实现上述任一实施例的基于人工智能的业务推荐方法。
在一个可选的实施例中,电子设备1还包括总线、存储在存储器12中并可在处理器13上运行的计算机程序,例如基于人工智能的业务推荐程序。
图3仅示出了具有组件12-13的电子设备1,本领域技术人员可以理解的是,图3示出的结构并不构成对电子设备1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
结合图1,电子设备1中的存储器12存储多个计算机可读指令以实现一种基于人工智能的业务推荐方法,处理器13可执行多个指令从而实现:
分析业务场景和预设的业务方案以获取额定业务指标,所述业务场景指企业需要解决的问题,所述业务方案指企业针对业务场景设计的解决方案,所述额定业务指标用以表征所述业务方案的优劣程度;
基于所述额定业务指标从所述业务场景对应的业务数据库中采集用户数据以构建目标用户集;
对所述目标用户集中的每条用户数据进行分类以获取多个用户簇;
对每个用户簇中的用户数据进行分组以获取用户分组置信度;
基于所述用户分组置信度评估所述业务场景对应的业务方案,并根据评估结果推荐所述业务方案。
具体地,处理器13对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述,在此不赘述。
本领域技术人员可以理解,所述示意图仅仅是电子设备1的示例,并不构成对电子设备1的限定,电子设备1既可以是总线型结构,也可以是星形结构,电子设备1还可以包括比图示更多或更少的其他硬件或者软件,或者不同的部件布置,例如电子设备1还可以包括输入输出设备、网络接入设备等。
需要说明的是,电子设备1仅为举例,其他现有的或今后可能出现的电子产品如可适应于本申请,也应包含在本申请的保护范围以内,并以引用方式包含于此。
其中,存储器12至少包括一种类型的可读存储介质,所述可读存储介质可以是非易失性的,也可以是易失性的。所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。存储器12在一些实施例中可以是电子设备1的内部存储单元,例如该电子设备1的移动硬盘。存储器12在另一些实施例中也可以是电子设备1的外部存储设备,例如电子设备1上配备的插接式移动硬盘、智能存储卡(SmartMediaCard,SMC)、安全数字(SecureDigital,SD)卡、闪存卡(FlashCard)等。进一步地,存储器12还可以既包括电子设备1的内部存储单元也包括外部存储设备。存储器12不仅可以用于存储安装于电子设备1的应用软件及各类数据,例如基于人工智能的业务推荐程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
处理器13在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(CentralProcessingunit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。处理器13是电子设备1的控制核心(ControlUnit),利用各种接口和线路连接整个电子设备1的各个部件,通过运行或执行存储在存储器12内的程序或者模块(例如执行基于人工智能的业务推荐程序等),以及调用存储在存储器12内的数据,以执行电子设备1的各种功能和处理数据。
处理器13执行电子设备1的操作***以及安装的各类应用程序。处理器13执行所述应用程序以实现上述各个基于人工智能的业务推荐方法实施例中的步骤,例如图1所示的步骤。
示例性的,所述计算机程序可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在存储器12中,并由处理器13执行,以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机可读指令段,该指令段用于描述所述计算机程序在电子设备1中的执行过程。例如,所述计算机程序可以被分割成获取单元110、采集单元111、分类单元112、分组单元113、推荐单元114。
上述以软件功能模块的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、计算机设备,或者网络设备等)或处理器(processor)执行本申请各个实施例所述基于人工智能的业务推荐方法的部分。
电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指示相关的硬件设备来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。
其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-OnlyMemory)、随机存储器及其他存储器等。
进一步地,计算机可读存储介质可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需的应用程序等;存储数据区可存储根据区块链节点的使用所创建的数据等。
本申请所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
总线可以是外设部件互连标准(peripheralcomponentinterconnect,简称PCI)总线或扩展工业标准结构(extendedindustrystandardarchitecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。为便于表示,在图3中仅用一根箭头表示,但并不表示仅有一根总线或一种类型的总线。所述总线被设置为实现存储器12以及至少一个处理器13等之间的连接通信。
尽管未示出,电子设备1还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器13逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
进一步地,电子设备1还可以包括网络接口,可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地,该电子设备1还可以包括用户接口,用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(OrganicLight-EmittingDiode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
本申请实施例还提供一种计算机可读存储介质(图未示),计算机可读存储介质中存储有计算机可读指令,计算机可读指令被电子设备中的处理器执行以实现上述任一实施例所述的基于人工智能的业务推荐方法。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
在本申请所提供的几个实施例中,应该理解到,所揭露的***,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。说明书陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本申请的技术方案而非限制,尽管参照较佳实施例对本申请进行了详细说明,本领域的普通技术人员应当理解,可以对本申请的技术方案进行修改或等同替换,而不脱离本申请技术方案的精神和范围。
Claims (10)
1.一种基于人工智能的业务推荐方法,其特征在于,所述方法包括:
分析业务场景和预设的业务方案以获取额定业务指标,所述业务场景指企业需要解决的问题,所述业务方案指企业针对业务场景设计的解决方案,所述额定业务指标用以表征所述业务方案的优劣程度;
基于所述额定业务指标从所述业务场景对应的业务数据库中采集用户数据以构建目标用户集;
对所述目标用户集中的每条用户数据进行分类以获取多个用户簇;
对每个用户簇中的用户数据进行分组以获取用户分组置信度;
基于所述用户分组置信度评估所述业务场景对应的业务方案,并根据评估结果推荐所述业务方案。
2.如权利要求1所述的基于人工智能的业务推荐方法,其特征在于,所述基于所述额定业务指标从所述业务场景对应的业务数据库中采集用户数据以构建目标用户集包括:
依据业务指标对所述业务场景对应的业务数据库中的用户数据进行标记,若用户数据中的业务指标小于所述额定业务指标,则该用户数据被标记为目标用户;
统计所述目标用户的特征,所述特征包括用户年龄,用户性别,用户在线时长,用户偏好类别;
将每个目标用户对应的特征作为用户数据,存储所述用户数据以作为所述目标用户集。
3.如权利要求2所述的基于人工智能的业务推荐方法,其特征在于,所述目标用户的特征包括数值型数据和非数值型数据,所述统计所述目标用户的特征之后,所述方法还包括:
辨别每个用户特征是否属于非数值型数据,并依据辨别结果标记每个用户特征,所述标记包括“是”和“否”;
依次遍历每一种用户特征的标记,若一个用户特征的标记为“是”,则统计该特征的取值种类的数量,依据自然数依次标记该特征中的每一个种类,并将标记的自然数作为该特征中每个数据的编码值以获得数值型特征,若一个用户特征的标记为“否”,则不作任何操作;
将标记为“是”的用户特征中的每个数据替换为其对应的编码值以更新目标用户集。
4.如权利要求1所述的基于人工智能的业务推荐方法,其特征在于,所述对所述目标用户集中的每条用户数据进行分类以获取多个用户簇包括:
依据余弦距离算法计算每两条用户数据之间的余弦距离;
依据所述余弦距离和预设的聚类算法对所述目标用户集进行分类,以获得多个用户簇,其中每个用户簇包含多条用户数据;
分别统计每个用户簇中用户数据的数量和聚合度,所述聚合度用以表征用户数据的特征的多样程度;
将所述用户数据的数量和聚合度输入自定义的整合模型获得整合结果,以作为该用户簇的权重。
6.如权利要求1所述的基于人工智能的业务推荐方法,其特征在于,所述对每个用户簇中的用户数据进行分组以获取用户分组置信度包括:
利用预设的聚类算法对每个用户簇中的用户数据进行二分类,并依据类别对该用户簇中的用户数据进行标记,所述标记包括“实验”和“对照”;
分别计算每个用户簇的每个类别中的用户数据的聚合程度以作为聚合值;
将每个用户簇对应的权重与所述聚合值的乘积作为每个类别对应的置信度;
将具备相同标记的用户数据进行组合以作为实验组和对照组;
计算实验组中用户数据的置信度之和以作为实验组的置信度,计算对照组中数据的置信度之和以作为对照组的置信度。
7.如权利要求6所述的基于人工智能的业务推荐方法,其特征在于,所述基于所述用户分组置信度评估所述业务场景对应的业务方案,并根据评估结果推荐所述业务方案包括:
分别计算所述实验组和所述对照组中用户数据的业务指标的均值以作为每组用户的基准值;
随机为每组用户推送一种业务方案,并在预设的测试周期之后分别统计每组用户的业务指标的均值以作为测试值;
计算所述测试值和所述基准值的差值以分别获取每组用户的业务增量;
计算所述置信度与每组用户的业务增量的乘积以作为每组用户的业务推荐结果;
将较大的业务推荐结果对应的业务方案作为推荐的标定业务方案。
8.一种基于人工智能的业务推荐装置,其特征在于,所述装置包括:
获取单元,用于分析业务场景和预设的业务方案以获取额定业务指标;
采集单元,用于基于所述额定业务指标从所述业务场景对应的业务数据库中采集用户数据以构建目标用户集;
分类单元,用于对所述目标用户集中的每条数据进行分类以获取多个用户簇;
分组单元,用于对每个用户簇中的用户数据进行分组以获取用户分组置信度;
推荐单元,用于基于所述用户分组置信度评估所述业务场景对应的业务方案,并根据评估结果推荐所述业务方案。
9.一种电子设备,其特征在于,所述电子设备包括:
存储器,存储计算机可读指令;及
处理器,执行所述存储器中存储的计算机可读指令以实现如权利要求1至7中任意一项所述的基于人工智能的业务推荐方法。
10.一种计算机可读存储介质,其特征在于:所述计算机可读存储介质中存储有计算机可读指令,所述计算机可读指令被电子设备中的处理器执行以实现如权利要求1至7中任意一项所述的基于人工智能的业务推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210593914.8A CN114840767A (zh) | 2022-05-27 | 2022-05-27 | 基于人工智能的业务推荐方法及相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210593914.8A CN114840767A (zh) | 2022-05-27 | 2022-05-27 | 基于人工智能的业务推荐方法及相关设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114840767A true CN114840767A (zh) | 2022-08-02 |
Family
ID=82571429
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210593914.8A Pending CN114840767A (zh) | 2022-05-27 | 2022-05-27 | 基于人工智能的业务推荐方法及相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114840767A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116402249A (zh) * | 2023-03-06 | 2023-07-07 | 贝壳找房(北京)科技有限公司 | 推荐***溢出效应评估方法、设备、存储介质及程序产品 |
-
2022
- 2022-05-27 CN CN202210593914.8A patent/CN114840767A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116402249A (zh) * | 2023-03-06 | 2023-07-07 | 贝壳找房(北京)科技有限公司 | 推荐***溢出效应评估方法、设备、存储介质及程序产品 |
CN116402249B (zh) * | 2023-03-06 | 2024-02-23 | 贝壳找房(北京)科技有限公司 | 推荐***溢出效应评估方法、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108363821A (zh) | 一种信息推送方法、装置、终端设备及存储介质 | |
CN111445028A (zh) | Ai驱动的交易管理*** | |
CN110995459B (zh) | 异常对象识别方法、装置、介质及电子设备 | |
CN112231586A (zh) | 基于迁移学习的课程推荐方法、装置、设备及介质 | |
CN110162754B (zh) | 一种岗位描述文档的生成方法及设备 | |
US10929775B2 (en) | Statistical self learning archival system | |
CN115146865A (zh) | 基于人工智能的任务优化方法及相关设备 | |
CN114840531B (zh) | 基于血缘关系的数据模型重构方法、装置、设备及介质 | |
CN114612194A (zh) | 产品推荐方法、装置、电子设备及存储介质 | |
CN112380454A (zh) | 培训课程推荐方法、装置、设备及介质 | |
CN114398560B (zh) | 基于web平台的营销界面设置方法、装置、设备及介质 | |
CN108664501B (zh) | 广告审核方法、装置及服务器 | |
CN114840767A (zh) | 基于人工智能的业务推荐方法及相关设备 | |
CN114003787A (zh) | 基于人工智能的数据可视化方法及相关设备 | |
CN116596576B (zh) | 目标推荐方法及装置 | |
CN112632000A (zh) | 日志文件聚类方法、装置、电子设备和可读存储介质 | |
CN112801222A (zh) | 基于二分类模型的多分类方法、装置、电子设备及介质 | |
CN116843150A (zh) | 基于智慧物联网的社区服务方法及*** | |
CN112328881A (zh) | 文章推荐方法、装置、终端设备及存储介质 | |
CN109144999B (zh) | 一种数据定位方法、装置及存储介质、程序产品 | |
CN114818686A (zh) | 基于人工智能的文本推荐方法及相关设备 | |
CN116010216A (zh) | 数据资产健康度的评估方法、装置、设备及存储介质 | |
CN114881001A (zh) | 基于人工智能的报表生成方法及相关设备 | |
CN107291722B (zh) | 一种描述词的分类方法及设备 | |
CN114926082A (zh) | 基于人工智能的数据波动预警方法及相关设备 |
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 |