CN115936904A - 基于用户行为的财税知识推送方法 - Google Patents
基于用户行为的财税知识推送方法 Download PDFInfo
- Publication number
- CN115936904A CN115936904A CN202211302411.7A CN202211302411A CN115936904A CN 115936904 A CN115936904 A CN 115936904A CN 202211302411 A CN202211302411 A CN 202211302411A CN 115936904 A CN115936904 A CN 115936904A
- Authority
- CN
- China
- Prior art keywords
- user
- knowledge
- similarity
- users
- item set
- 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 26
- 230000006399 behavior Effects 0.000 title claims abstract description 12
- 238000004364 calculation method Methods 0.000 claims abstract description 12
- 230000029305 taxis Effects 0.000 claims description 3
- 238000004883 computer application Methods 0.000 abstract description 2
- 238000007726 management method Methods 0.000 description 9
- 230000008901 benefit Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 241000208125 Nicotiana Species 0.000 description 1
- 235000002637 Nicotiana tabacum Nutrition 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于计算机应用技术领域,尤其涉及一种基于用户行为的财税知识推送方法。本发明利用用户之间的关系和财税知识之间的关系,形成相似度和关联度计算,通过选择相似度和关联度较高的知识,进行推送,使的推送的知识更加符合财税学习的情况,从而满足财税人员的精准学习需求。
Description
技术领域
本发明属于计算机应用技术领域,尤其涉及一种基于用户行为的财税知识推送方法。
背景技术
财税是财政和税务的简称。一般包括各种财政学、税收学、税务等专业。企业财税管理是企业经营管理的一项非常重要的内容。随着市场经济日趋规范和完善,财税管理在企业竞争中所起的作用越来越显著。企业的财税管理,要着重从税务管理的方法及措施入手,通过加强税法知识学***、最终提高企业竞争力的目的。
在市场经济条件下,市场竞争激烈,企业为了自身的生存和发展,必须搞好生产经营和财务管理工作,规避风险,以取得最佳的经济效益。航天信息ERP 产品与国家涉税***进行信息传递与要素延续,对企业经营过程涉及的诸多税种(增值税、所得税、营业税、消费税、关税、出口退税等)进行业务处理,既可准确核算各种应纳税金进行申报纳税,提高财税人员工作效率,也可对企业账务、票证、经营、核算、纳税情况进行评估,更好地帮助企业正确执行国家税务政策,进行整体经营筹划及纳税风险防范,为企业管理决策献计献策,为创利打下坚实基础。
目前,我国的财税相关的法律和法规主要分为全国人民***及其常务委员会制定的法律和有关规范性文件以及国务院制定的行政法规和有关规范性文件,其中,国务院制定的行政法规和有关规范性文件又分为以下五种基本类型:一是税收的基本制度(现行增值税、消费税、营业税、车辆购置税、土地增值税、房产税、城镇土地使用税、耕地占用税、契税、资源税、船舶吨税、印花税、城市维护建设税、烟叶税、关税等诸多税种);二是法律实施条例或实施细则(全国人民***及其常务委员会制定的《个人所得税法》、《企业所得税法》、《车船税法》、《税收征管法》,由国务院制定相应的实施条例或实施细则);三是税收的非基本制度;四是对税收行政法规具体规定所做的解释;五是国务院所属部门发布的,经国务院批准的规范性文件,视同国务院文件。
由于市场的变化以及各类的因素(如疫情或其他情况导致的政策变化)都回引起一些税收政策的调整,而作为企业的财务人员或者财税的学习人员其不需要了解所有的财税相关的法律和法规,只需要根据企业的相关性质以及当地政府的一些政策进行学习即可,而现有的财税学习的网站或APP无法根据用户的相关需要进行准确的推送,而一些用户又很难知道哪些是他们需要学习的内容,为此,如何精准推送是目前财税学习的难点。
发明内容
本发明针对上述的财税知识学习过程中所存在的技术问题,提出一种设计合理、方法简单、操作方便且能够根据用户的需要实现精准推送的基于用户行为的财税知识推送方法。
为了达到上述目的,本发明采用的技术方案为,本发明一种基于用户行为的财税知识推送方法,包括以下步骤:
a、首先获取用户的基本属性以及阅读记录,其中,基本属性包括用户所处单位的行业、用户所处单位的性质以及用户所处单位所在地,若用户为无单位人员,则基本属性为用户期望工作地;所述阅读记录为用户学习时长以及用户学习的章节数量;
b、根据a步骤所获取的用户的基本属性以及阅读记录,寻找该用户的相似用户,并选出相似度TOP-N的用户;
c、然后以财税相关的每一条知识为一个项,每个用户所学习的所有知识构成一个项集,所有用户所学习的知识构建一个事务所数据库,计算每条知识与其他知识之间的关联度;
d、根据b步骤选出的TOP-N的用户所学习的知识和以及c步骤所得到的知识之间的关联度,对用户实现混合推荐;
其中,所述b步骤中,寻找该用户的相似用户的方法为:
b1、首先确定用户的基本属性之间的相似度,基本属性之间的相似度包括用户所处单位的行业的相似度、用户所处单位的性质的相似度以及用户所处单位所在地或用户期望工作地相似度,其中,用户所处单位的行业的相似度为:
即若用户m和用户n所处行业一致,则Si(m,n)为1,若用户m和用户n所处行业不一致,则Si(m,n)为0;
用户所处单位的性质的相似度为:
即若用户m和用户n所处单位的性质一致,则Sn(m,n)为1,若用户m和用户n所处行业不一致,则Sn(m,n)为0;
用户所处单位所在地或用户期望工作地相似度:
即若用户m和用户n所处单位所在地或期望工作地一致,则Sh(m,n)为1,若用户m和用户n所处行业不一致,则Sh(m,n)为0;
b2、然后根据用户的阅读记录,确定用户学习内容之间的相似度,其中,用户学习内容之间的相似度的计算公式为:
其中,i为学习内容,i=(1,2,3.....k),LTm,i和LTn,i分别为用户m和用户n对于学习内容i的学习系数,
b3、然后根据公式:
SIMcomprehensive(m,n)=λ(siml(m,n))+(1-λ)(αSi(m,n)+βSn(m,n)+δSh(m,n))
计算用户m和用户n的综合相似度,其中,λ为用户m和用户n学习内容之间的相似度在用户m和用户n之间综合相似度的权重***,α、β、δ分别为用户所处单位的行业的相似度、用户所处单位的性质的相似度以及用户所处单位所在地或用户期望工作地相似度的权重系数。
作为优选,所述c步骤中,计算每条知识与其他知识之间的关联度的方法为:
c1、首先扫描事务数据库,得到每条知识的支撑度计数,删除支撑度计数小于最小支撑度的知识,得到频繁1项集;
c2、根据得到的频繁1项集自连接生成候选2项集,然后删除候选2项集中支撑度计数小于最小支撑度的知识,得到频繁2项集,依次类推,通过逐层迭代的方式,依据频繁k-1项集自连接生成候选K项集;
c3、对于上述步骤得到的频繁项集,计算频繁项集内每条知识与其相关联知识之间的置信度,删除置信度小于最小置信度的知识,得到强关联知识;
c4、根据知识之间的置信度的大小确定知识之间的关联度。
作为优选,所述c4步骤中,知识之间的关联度的计算公式为:
其中,con(x,y)为含有知识x项集中同时含有知识y的比例,con(y,x)为含有知识y项集中同时含有知识x的比例。
作为优选,所述c步骤中,在删除候选k项集中支撑度计数小于最小支撑度的知识的同时删除支撑度计数最小的知识。
与现有技术相比,本发明的优点和积极效果在于,
1、本发明提供一种基于用户行为的财税知识推送方法,利用用户之间的关系和财税知识之间的关系,形成相似度和关联度计算,通过选择相似度和关联度较高的知识,进行推送,使的推送的知识更加符合财税学习的情况,从而满足财税人员的精准学习需求。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合实施例对本发明做进一步说明。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组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用不同于在此描述的其他方式来实施,因此,本发明并不限于下面公开说明书的具体实施例的限制。
实施例1,本实施例提供一种基于用户行为的财税知识推送方法
首先获取用户的基本属性以及阅读记录,用户的基础属性在用户注册时就需要填写的数据,为了保证推送的准确性,需要用户准确的填写。
其中,基本属性包括用户所处单位的行业、用户所处单位的性质以及用户所处单位所在地,用户所处单位的行业根据《国民经济行业分类》(GB/T 4754-2017)2019年修改版来确定,这是因为不同行业所适用的财税政策不同,为此,需要根据所处行业进行推荐。
用户所处单位的性质主要是确定企业的性质,因为不同类型的企业适应的政策不同,比如,小规模企业和规上企业,个体工商户、合资企业以及独资企业,不同的企业性质适用的政策也不同。
另外,地方政府可能根据自己的需求,也会出台一些政策,这样政策根据所在地来进行调整,在本实施例中,所在地以区为单位进行填写,尤其是现有高新区或经济开发区的设立,其政策上的优惠跟其他地区不同,为此,以区为单位,能够确保政策的准确性。
若用户为无单位人员,则基本属性为用户期望工作地,一般的未工作的人,只记录其想工作的用户期望工作地即可,其同样以区为单位,因为基本属性只是权重的一部分,为此,可以只记录用期望工作地即可。
而阅读记录为用户学习时长以及用户学习的章节数量,因为,财税学习推送的一般由法条或政策的培训课程,其包含有多个章节,而有的政策可能就1 节课程或一篇文章,为此,针对文章的推送以大部分学员的时长为总学习时长。
然后,根据a步骤所获取的用户的基本属性以及阅读记录,寻找该用户的相似用户,并选出相似度TOP-N的用户,具体前几的用户的确定,可以根据试验情况来进行确定,在本实施例中,选取相似度前10的用户。
寻找该用户的相似用户的方法为:
首先确定用户的基本属性之间的相似度,基本属性之间的相似度包括用户所处单位的行业的相似度、用户所处单位的性质的相似度以及用户所处单位所在地或用户期望工作地相似度,其中,用户所处单位的行业的相似度为:
即若用户m和用户n所处行业一致,则Si(m,n)为1,若用户m和用户n所处行业不一致,则Si(m,n)为0,刚刚也介绍了不同行业的财税政策不同,为此,行业的相似度需要进行考虑。
用户所处单位的性质的相似度为:
即若用户m和用户n所处单位的性质一致,则Sn(m,n)为1,若用户m和用户 n所处行业不一致,则Sn(m,n)为0。
用户所处单位所在地或用户期望工作地相似度:
即若用户m和用户n所处单位所在地或期望工作地一致,则Sh(m,n)为1,若用户m和用户n所处行业不一致,则Sh(m,n)为0。
这样,就对用户基础属性之间的相似度进行了确定。
然后根据用户的阅读记录,确定用户学习内容之间的相似度,其中,用户学习内容之间的相似度的计算公式为:
其中,i为学习内容,i=(1,2,3.....k),LTm,i和LTn,i分别为用户m和用户n对于学习内容i的学习系数,在此处学习内容是基于一种法条或一篇文章来确定,简单的来说,《车船税法》其包含十三条法条,这十三条法条的视频一般为一套学习视频,为此,其归为一种法条的学习内容,而一篇文章的解读视频或文章本身也单独归为一条学习内容。
而学习系数的计算的公司则如下:
这样主要是考虑到用户对一个学习内容是学习还是处于仅仅是打开状态,学习一段后,发现其与其工作可能无关,转而放弃,这样,学习系数最大值为 1,若用户x对于学习内容i的学习时长超过学习内容i的总学习时长,那么用户 x对于学习内容i的学习时长等于学习内容i的总学习时长。
最后,然后根据公式:
SIMcomprehensive(m,n)=λ(siml(m,n))+(1-λ)(αSi(m,n)+βSn(m,n)+δSh(m,n))
计算用户m和用户n的综合相似度,其中,λ为用户m和用户n学习内容之间的相似度在用户m和用户n之间综合相似度的权重***,α、β、δ分别为用户所处单位的行业的相似度、用户所处单位的性质的相似度以及用户所处单位所在地或用户期望工作地相似度的权重系数。这样,就计算出来了用户之间的相似度,找出与用户最相似的用户了,然后,根据选定的TOP-N,选出前10 就可以了。
相似度最高的用户可能学习的知识非常广泛,那么,就需要计算知识与知识之间的关联强度,才能够更为准确的进行推荐。
为此,以财税相关的每一条知识为一个项,在本实施例中,每一条知识是指具体的法条,以每款法条为一条知识,如《中华人民共和国车船税法》第三条第一款规定(一)捕捞、养殖渔船属于免征车船税的,其第二款规定军队、武装警察部队专用的车船属于免征车船税的,这就是两条知识,其跟学习内容不同。
每个用户所学习的所有知识构成一个项集,一个项集内可能包含若干个项,若一个项集内含有K个项,则成为K项集。每个事务就是一个项集且具有唯一的标识符。所有用户所学习的知识构建一个事务所数据库,即事务所数据库为事务的集合。同时,还需要普及两个概念,一个是支撑度计数,一个是最小支撑度。假设有知识A、B、C、D、E、F六个知识,同时有4个用户,用户为X、 Y、Z、Q。其中,用户X所学习的知识为A、B、C,用户Y所学习的知识为 B、C、D、E、F,用户Z所学习的至少为A、D、E、F,用户Q所学习的知识为C、E、F,那么对于知识A其支撑度计数为2,其出现在用户(项集)X和用户Z中,知识B的支撑度计数为2,其出现在用户X和用户Y中,知识C 的支撑度计数为3,其出现在用户X、用户Y以及用户Q中,以此来确定支撑度技术,同样最小支撑度是根据试验检验结果来确定的数。
确定好了上述内容后,就需要计算每条知识与其他知识之间的关联度,具体方法为:
首先扫描事务数据库,得到每条知识的支撑度计数,删除支撑度计数小于最小支撑度的知识,得到频繁1项集,按照刚刚的立柱,知识A的支撑度计数为2,知识B的支撑度技术为2,知识C的支撑度计数为3,知识D的支撑度计数为2,知识E的支撑度计数为3,知识F的支撑度计数为3,那么设立最小支撑度为2,那么频繁1项集就是知识C、知识E以及知识F。
根据得到的频繁1项集自连接生成候选2项集,然后删除候选2项集中支撑度计数小于最小支撑度的知识,得到频繁2项集,候选2项即含有两个知识的项集,比如,含有知识A和知识B的用户只有用户X,那么其计数就是1,含有知识E和知识F的用户有用户Y、用户Z、用户Q,那么其计数就是3,同样,删除候选2项集中支撑度计数小于最小支撑度的知识。依次类推,通过逐层迭代的方式,依据频繁k-1项集自连接生成候选K项集,这样,就完成了频繁项集的确定。由于在实际推荐时,会推荐置信度高的项集,为此,在删除候选k项集中支撑度计数小于最小支撑度的知识的同时删除支撑度计数最小的知识。这样设置的目的,可以达到减少筛选的目的,毕竟每一次的筛选都需要遍历整个事务数据库,这样,删除最小的,可以减少计算量。
对于上述步骤得到的频繁项集,计算频繁项集内每条知识与其相关联知识之间的置信度,删除置信度小于最小置信度的知识,得到强关联知识。置信度是指某一知识相对另一知识的置信度,置信度即con(x,y)为含有知识x项集中同时含有知识y的比例,而最小置信度同样,也是根据模拟实验,来进行确定。这样,大于最小置信度的知识之间就得到的关联,即强关联知识。
其中,con(x,y)为含有知识x项集中同时含有知识y的比例,con(y,x)为含有知识y项集中同时含有知识x的比例。
这样,根据TOP-N的用户所学习的知识和用户目前学习的知识推荐关联度高的知识,即构成混合推荐。即,假设用户学习了知识a,通过知识之间关联度计算有知识x、y、z,而TOP-N的用户中,只有x被学习,那么只推荐知识 x,若都被学习,则根据x、y、z的关联度进行推送。若为新用户,没有任何学习记录,则根据TOP-N用户的学习内容最多的知识进行推荐。当然,也可以采用权重的计算方式来进行推荐,计算公式为:
roc=τ.SIMcomprehenave(m,n)+(1-τ)cor(x,y)。
通过上述的设置,有效实现了对于新用户和老用户的精准推送,减少用户对财税知识不准确的学习,提高学习效率。
以上所述,仅是本发明的较佳实施例而已,并非是对本发明作其它形式的限制,任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例应用于其它领域,但是凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型,仍属于本发明技术方案的保护范围。
Claims (4)
1.一种基于用户行为的财税知识推送方法,其特征在于,包括以下步骤:
a、首先获取用户的基本属性以及阅读记录,其中,基本属性包括用户所处单位的行业、用户所处单位的性质以及用户所处单位所在地,若用户为无单位人员,则基本属性为用户期望工作地;所述阅读记录为用户学习时长以及用户学习的章节数量;
b、根据a步骤所获取的用户的基本属性以及阅读记录,寻找该用户的相似用户,并选出相似度TOP-N的用户;
c、然后以财税相关的每一条知识为一个项,每个用户所学习的所有知识构成一个项集,所有用户所学习的知识构建一个事务所数据库,计算每条知识与其他知识之间的关联度;
d、根据b步骤选出的TOP-N的用户所学习的知识和以及c步骤所得到的知识之间的关联度,对用户实现混合推荐;
其中,所述b步骤中,寻找该用户的相似用户的方法为:
b1、首先确定用户的基本属性之间的相似度,基本属性之间的相似度包括用户所处单位的行业的相似度、用户所处单位的性质的相似度以及用户所处单位所在地或用户期望工作地相似度,其中,用户所处单位的行业的相似度为:
即若用户m和用户n所处行业一致,则Si(m,n)为1,若用户m和用户n所处行业不一致,则Si(m,n)为0;
用户所处单位的性质的相似度为:
即若用户m和用户n所处单位的性质一致,则Sn(m,n)为1,若用户m和用户n所处行业不一致,则Sn(m,n)为0;
用户所处单位所在地或用户期望工作地相似度:
即若用户m和用户n所处单位所在地或期望工作地一致,则Sh(m,n)为1,若用户m和用户n所处行业不一致,则Sh(m,n)为0;
b2、然后根据用户的阅读记录,确定用户学习内容之间的相似度,其中,用户学习内容之间的相似度的计算公式为:
其中,i为学习内容,i=(1,2,3.....k),LTm,i和LTn,i分别为用户m和用户n对于学习内容i的学习系数,学习系数为:
b3、然后根据公式:
SIMcomprehensive(m,n)=λ(siml(m,n))+(1-λ)(αSi(m,n)+βSn(m,n)+δSh(m,n))
计算用户m和用户n的综合相似度,其中,λ为用户m和用户n学习内容之间的相似度在用户m和用户n之间综合相似度的权重***,α、β、δ分别为用户所处单位的行业的相似度、用户所处单位的性质的相似度以及用户所处单位所在地或用户期望工作地相似度的权重系数。
2.根据权利要求1所述的基于用户行为的财税知识推送方法,其特征在于,所述c步骤中,计算每条知识与其他知识之间的关联度的方法为:
c1、首先扫描事务数据库,得到每条知识的支撑度计数,删除支撑度计数小于最小支撑度的知识,得到频繁1项集;
c2、根据得到的频繁1项集自连接生成候选2项集,然后删除候选2项集中支撑度计数小于最小支撑度的知识,得到频繁2项集,依次类推,通过逐层迭代的方式,依据频繁k-1项集自连接生成候选K项集;
c3、对于上述步骤得到的频繁项集,计算频繁项集内每条知识与其相关联知识之间的置信度,删除置信度小于最小置信度的知识,得到强关联知识;
c4、根据知识之间的置信度的大小确定知识之间的关联度。
4.根据权利要求3所述的基于用户行为的财税知识推送方法,其特征在于,所述c步骤中,在删除候选k项集中支撑度计数小于最小支撑度的知识的同时删除支撑度计数最小的知识。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211302411.7A CN115936904A (zh) | 2022-10-24 | 2022-10-24 | 基于用户行为的财税知识推送方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211302411.7A CN115936904A (zh) | 2022-10-24 | 2022-10-24 | 基于用户行为的财税知识推送方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115936904A true CN115936904A (zh) | 2023-04-07 |
Family
ID=86554861
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211302411.7A Pending CN115936904A (zh) | 2022-10-24 | 2022-10-24 | 基于用户行为的财税知识推送方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115936904A (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102663047A (zh) * | 2012-03-29 | 2012-09-12 | 中国科学院计算技术研究所 | 移动阅读中的社交关系挖掘方法及装置 |
CN107943946A (zh) * | 2017-11-24 | 2018-04-20 | 重庆科技学院 | 基于Apriori算法的试题库知识点间关联性挖掘方法 |
CN108628967A (zh) * | 2018-04-23 | 2018-10-09 | 西安交通大学 | 一种基于学习生成网络相似度的网络学习群组划分方法 |
CN109241405A (zh) * | 2018-08-13 | 2019-01-18 | 华中师范大学 | 一种基于知识关联的学习资源协同过滤推荐方法及*** |
CN109829110A (zh) * | 2019-01-29 | 2019-05-31 | 四川长虹电器股份有限公司 | 一种学习资料的个性化推荐方法 |
CN111581529A (zh) * | 2020-05-07 | 2020-08-25 | 之江实验室 | 一种结合学生适合度和课程搭配度的课程推荐方法及装置 |
CN112733035A (zh) * | 2021-01-21 | 2021-04-30 | 唐亮 | 基于知识图谱的知识点推荐方法、装置、存储介质及电子装置 |
CN114025006A (zh) * | 2021-10-20 | 2022-02-08 | 浪潮软件科技有限公司 | 精准推送涉税知识的方法、***、电子设备及存储介质 |
CN114385901A (zh) * | 2020-10-22 | 2022-04-22 | 北京大学 | 一种用于推荐***的解离化异构图注意力的方法及*** |
CN115168744A (zh) * | 2022-08-09 | 2022-10-11 | 舟山广播电视总台 | 基于用户画像和知识图谱的广电技术知识推荐方法 |
-
2022
- 2022-10-24 CN CN202211302411.7A patent/CN115936904A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102663047A (zh) * | 2012-03-29 | 2012-09-12 | 中国科学院计算技术研究所 | 移动阅读中的社交关系挖掘方法及装置 |
CN107943946A (zh) * | 2017-11-24 | 2018-04-20 | 重庆科技学院 | 基于Apriori算法的试题库知识点间关联性挖掘方法 |
CN108628967A (zh) * | 2018-04-23 | 2018-10-09 | 西安交通大学 | 一种基于学习生成网络相似度的网络学习群组划分方法 |
CN109241405A (zh) * | 2018-08-13 | 2019-01-18 | 华中师范大学 | 一种基于知识关联的学习资源协同过滤推荐方法及*** |
CN109829110A (zh) * | 2019-01-29 | 2019-05-31 | 四川长虹电器股份有限公司 | 一种学习资料的个性化推荐方法 |
CN111581529A (zh) * | 2020-05-07 | 2020-08-25 | 之江实验室 | 一种结合学生适合度和课程搭配度的课程推荐方法及装置 |
CN114385901A (zh) * | 2020-10-22 | 2022-04-22 | 北京大学 | 一种用于推荐***的解离化异构图注意力的方法及*** |
CN112733035A (zh) * | 2021-01-21 | 2021-04-30 | 唐亮 | 基于知识图谱的知识点推荐方法、装置、存储介质及电子装置 |
CN114025006A (zh) * | 2021-10-20 | 2022-02-08 | 浪潮软件科技有限公司 | 精准推送涉税知识的方法、***、电子设备及存储介质 |
CN115168744A (zh) * | 2022-08-09 | 2022-10-11 | 舟山广播电视总台 | 基于用户画像和知识图谱的广电技术知识推荐方法 |
Non-Patent Citations (1)
Title |
---|
高鹏;: "基于关联模式的导向型工艺知识发现", 制造业自动化, no. 10, 25 May 2013 (2013-05-25) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Nigrini | Forensic analytics: Methods and techniques for forensic accounting investigations | |
Ahituv | A systematic approach toward assessing the value of an information system | |
Harvey et al. | Databases in historical research | |
Liao et al. | Intellectual capital disclosure and accounting standards | |
Hedin et al. | Overview of the TREC 2009 Legal Track. | |
Iaryczower et al. | More than politics: Ability and ideology in the British Appellate Committee | |
Yao et al. | Soft or hard information? A trade-off selection of environmental disclosures by way of peer imitation and geographical distance | |
Puspasari et al. | Implementation K-means clustering method in job recommendation system | |
Özar et al. | Micro and small enterprise growth in Turkey: Under the shadow of financial crisis | |
Ezenagu | Boom or bust, extractives are no longer saviours: the need for robust tax regimes in Gulf countries | |
McGuire et al. | Penalties for industrial accidents: The impact of the Deepwater Horizon accident on BP’s reputation and stock market returns | |
Berry et al. | The distribution of income in Colombia: an overview | |
Young | Mergers and Aquisitions: Planning and Action | |
Murphy et al. | Resources allocated to tackling the tax gap: a comparative EU study | |
Chen et al. | Bagging or boosting? Empirical evidence from financial statement fraud detection | |
Mohammadi et al. | Presenting a Model for Financial Reporting Fraud Detection using Genetic Algorithm | |
Miller | Which Supreme Court Cases Influenced Recent Supreme Court IP Decisions? A Citation Study | |
Lin et al. | The application of decision tree and artificial neural network to income tax audit: the examples of profit-seeking enterprise income tax and individual income tax in Taiwan | |
CN115936904A (zh) | 基于用户行为的财税知识推送方法 | |
Cowling et al. | The hazards of delivering a public loan guarantee scheme: An analysis of borrower and lender characteristics | |
Bripi et al. | Services trade and credit frictions: Evidence with matched bank–firm data | |
Chimonaki et al. | Perspectives in fraud theories–A systematic review approach | |
Vandaele | The economics of crime: an econometric investigation of auto theft in the United States. | |
Li | Study on the Personal Credit Risk Evaluation based on Improved Fuzzy AHP Comprehensive Evaluation Method | |
Fang | Credit Risk Evaluation Model of Small-Micro Enterprises for Rural Commercial Bank Based on XGBoost and Random Forest |
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 |