CN116109121A - 基于大数据分析的用户需求挖掘方法及*** - Google Patents
基于大数据分析的用户需求挖掘方法及*** Download PDFInfo
- Publication number
- CN116109121A CN116109121A CN202310404517.6A CN202310404517A CN116109121A CN 116109121 A CN116109121 A CN 116109121A CN 202310404517 A CN202310404517 A CN 202310404517A CN 116109121 A CN116109121 A CN 116109121A
- Authority
- CN
- China
- Prior art keywords
- user
- mining
- distribution
- network
- 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.)
- Granted
Links
- 238000005065 mining Methods 0.000 title claims abstract description 395
- 238000007405 data analysis Methods 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000009826 distribution Methods 0.000 claims abstract description 400
- 239000013598 vector Substances 0.000 claims abstract description 208
- 238000012512 characterization method Methods 0.000 claims abstract description 169
- 238000004458 analytical method Methods 0.000 claims description 31
- 238000001914 filtration Methods 0.000 claims description 30
- 238000005457 optimization Methods 0.000 claims description 24
- 238000013507 mapping Methods 0.000 claims description 23
- 230000005284 excitation Effects 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 12
- 230000002776 aggregation Effects 0.000 claims description 9
- 238000004220 aggregation Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 8
- 230000006399 behavior Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 230000003068 static effect Effects 0.000 claims description 6
- 238000013473 artificial intelligence Methods 0.000 abstract description 5
- 230000000875 corresponding effect Effects 0.000 description 157
- 238000012216 screening Methods 0.000 description 5
- 230000002596 correlated effect Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 241000894007 species Species 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000003012 network analysis Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000004451 qualitative analysis 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/01—Social networking
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供的基于大数据分析的用户需求挖掘方法及***,涉及人工智能技术领域。在本发明中,构建出待分析用户分布关系网;分析出待分析用户分布关系网中的用户群体对应的用户群体分布表征向量,分析出用户群体分布表征向量对应的用户子群体种类数据;基于用户子群体种类数据和待分析用户分布关系网的群体用户数据表征向量,生成群体用户挖掘参数分布;基于用户子群体种类和分布坐标数据,确定出对应的相关用户;分别基于每一个差异性用户的用户属性数据和该差异性用户的相关用户的用户属性数据进行用户需求挖掘操作,以得到每一个差异性用户对应的用户需求挖掘结果。基于上述内容,可以提高用户需求挖掘的可靠度。
Description
技术领域
本发明涉及人工智能技术领域,具体而言,涉及一种基于大数据分析的用户需求挖掘方法及***。
背景技术
管理学(又称管理科学,英语:Management Science)是研究人类管理活动及其应用的科学。它偏重于用一些工具和方法来解决管理上的问题,如用运筹学、统计学等来定量定性分析。管理的定义为,管理者和他人及透过他人有效率且有效能地完成活动的程序。由于所有组织都可以被视为一定的***,管理也可以被视为一种人类行为现象,包括设计、促进***更好地生产。这种观点为“管理”自身创造了发展机会。
人工智能(Artificial Intelligence,简称AI),是利用数字计算机或者数字计算机控制的计算模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用***。
在管理学的应用中,包括基于数据分析进行的用户需求挖掘,其中,为了保障数据分析的可靠度,可以基于人工智能技术进行数据分析,但是,在现有技术中,还是存在着用户需求挖掘的可靠度不佳的问题。
发明内容
有鉴于此,本发明的目的在于提供一种基于大数据分析的用户需求挖掘方法及***,以提高用户需求挖掘的可靠度。
为实现上述目的,本发明实施例采用如下技术方案:
一种基于大数据分析的用户需求挖掘方法,包括:
基于待分析的用户构建出待分析用户分布关系网;
利用目标用户挖掘网络,分析出所述待分析用户分布关系网中的用户群体对应的用户群体分布表征向量,以及,分析出所述用户群体分布表征向量对应的用户子群体种类数据,所述用户群体分布表征向量用于表征用户群体的分布关系,所述用户子群体种类数据用于反映所述用户群体的差异性用户对应的用户子群体种类;
基于所述用户子群体种类数据和所述待分析用户分布关系网的群体用户数据表征向量,生成群体用户挖掘参数分布,所述群体用户挖掘参数分布用于反映差异性用户在所述待分析用户分布关系网中的分布坐标数据;
对于每一个所述差异性用户,基于该差异性用户对应的用户子群体种类和该差异性用户在所述待分析用户分布关系网中的分布坐标数据,在所述待分析用户分布关系网中,确定出该差异性用户对应的相关用户;
分别基于每一个所述差异性用户的用户属性数据和该差异性用户的相关用户的用户属性数据进行用户需求挖掘操作,以得到每一个所述差异性用户对应的用户需求挖掘结果,所述用户需求挖掘结果用于通过文本数据的形式来反映差异性用户的感兴趣信息。
在一些优选的实施例中,在上述基于大数据分析的用户需求挖掘方法中,所述基于待分析的用户构建出待分析用户分布关系网的步骤,包括:
确定出多个待分析的用户;
分别提取到每一个待分析的用户的用户属性数据,所述用户属性数据至少包括待分析用户的静态属性数据和动态属性数据,所述静态属性数据至少包括身份数据,所述动态属性数据至少包括行为数据,所述用户属性数据至少包括文本数据;
基于所述用户属性数据,确定出待分析的用户之间的用户相关关系,以及,基于所述用户相关关系,对所述多个待分析的用户进行关系网的构建操作,以形成对应的待分析用户分布关系网,在所述待分析用户分布关系网中,待分析的用户之间的分布关系与所述用户相关关系相关。
在一些优选的实施例中,在上述基于大数据分析的用户需求挖掘方法中,所述利用目标用户挖掘网络,分析出所述待分析用户分布关系网中的用户群体对应的用户群体分布表征向量,以及,分析出所述用户群体分布表征向量对应的用户子群体种类数据的步骤,包括:
对所述待分析用户分布关系网进行加载,以加载到所述目标用户挖掘网络中,利用所述目标用户挖掘网络,挖掘出所述待分析用户分布关系网中的所述用户群体对应的整体群体表征向量,以及,利用所述目标用户挖掘网络中的种类分析单元,分析出所述整体群体表征向量对应的整体群体种类数据,所述整体群体种类数据用于反映用户是否属于用户群体;
提取到所述目标用户挖掘网络中的指定滤波单元挖掘出的针对所述待分析用户分布关系网的群体用户数据表征向量,以及,对所述整体群体种类数据和所述群体用户数据表征向量进行相乘计算操作,以输出所述待分析用户分布关系网对应的整体群体挖掘参数分布;
基于所述整体群体挖掘参数分布,将所述待分析用户分布关系网进行分割操作,以形成第一数量个子群体分布关系网,以及,基于所述目标用户挖掘网络,挖掘出所述第一数量个子群体分布关系网各自对应的子群体表征向量;
对所述整体群体表征向量和所述第一数量个子群体分布关系网对应的子群体表征向量进行聚合操作,以形成对应的用户群体分布表征向量;
分析出所述用户群体分布表征向量对应的用户子群体种类数据。
在一些优选的实施例中,在上述基于大数据分析的用户需求挖掘方法中,所述基于大数据分析的用户需求挖掘方法还包括:
提取到典型用户分布关系网;
利用候选用户挖掘网络,分析出所述典型用户分布关系网对应的原始用户挖掘数据,以及,基于所述原始用户挖掘数据和所述典型用户分布关系网的典型用户数据表征向量,确定出原始用户挖掘参数分布,所述原始用户挖掘数据基于所述典型用户分布关系网中的典型用户群体对应的典型群体分布表征向量得到,所述典型群体分布表征向量用于表征用户群体的分布关系,所述原始用户挖掘参数分布用于反映所述典型用户群体的差异性用户在所述典型用户分布关系网中的分布坐标数据;
将所述典型用户分布关系网进行关系网络调整操作,以形成调整用户分布关系网,并利用所述候选用户挖掘网络,分析出所述调整用户分布关系网对应的调整用户挖掘数据,以及,基于所述调整用户挖掘数据和所述调整用户分布关系网的调整用户数据表征向量,确定出调整用户挖掘参数分布,所述调整用户挖掘数据基于所述调整用户分布关系网中的典型用户群体对应的调整群体分布表征向量得到,所述调整群体分布表征向量用于表征用户群体的分布关系,所述调整用户挖掘参数分布用于反映所述典型用户群体的差异性用户在所述调整用户分布关系网中的分布坐标数据;
基于所述原始用户挖掘参数分布和所述调整用户挖掘参数分布,分析出所述候选用户挖掘网络对应的关联挖掘误差指标;
基于所述原始用户挖掘数据、所述调整用户挖掘数据和所述典型用户分布关系网对应的差异性用户标识数据,分析出所述候选用户挖掘网络对应的目标挖掘误差指标;
依据所述关联挖掘误差指标和所述目标挖掘误差指标,将所述候选用户挖掘网络进行网络优化操作,以形成目标用户挖掘网络,所述目标用户挖掘网络用于分析出待分析用户分布关系网中的差异性用户对应的用户子群体种类信息和分布坐标分析数据。
在一些优选的实施例中,在上述基于大数据分析的用户需求挖掘方法中,所述利用候选用户挖掘网络,分析出所述典型用户分布关系网对应的原始用户挖掘数据,以及,基于所述原始用户挖掘数据和所述典型用户分布关系网的典型用户数据表征向量,确定出原始用户挖掘参数分布的步骤,包括:
对所述典型用户分布关系网进行加载,以加载到所述候选用户挖掘网络中,利用所述候选用户挖掘网络,挖掘出所述典型用户分布关系网中的所述典型用户群体对应的典型群体分布表征向量;
基于所述候选用户挖掘网络中的种类分析单元,将所述典型群体分布表征向量进行分析,以输出所述典型用户分布关系网对应的原始用户挖掘数据;
提取到所述候选用户挖掘网络中的指定滤波单元挖掘出的针对所述典型用户分布关系网的典型用户数据表征向量,以及,对所述原始用户挖掘数据和所述典型用户数据表征向量进行相乘计算操作,以输出所述典型用户分布关系网对应的待定用户挖掘参数分布;
将所述待定用户挖掘参数分布进行插值操作,以形成与所述典型用户分布关系网具有相同大小的原始用户挖掘参数分。
在一些优选的实施例中,在上述基于大数据分析的用户需求挖掘方法中,所述对所述典型用户分布关系网进行加载,以加载到所述候选用户挖掘网络中,利用所述候选用户挖掘网络,挖掘出所述典型用户分布关系网中的所述典型用户群体对应的典型群体分布表征向量的步骤,包括:
对所述典型用户分布关系网进行加载,以加载到所述候选用户挖掘网络中;
利用所述候选用户挖掘网络中,挖掘出所述典型用户分布关系网中的所述典型用户群体对应的整体群体分布表征向量;
利用所述候选用户挖掘网络中的种类分析单元,分析出所述整体群体分布表征向量对应的整体用户挖掘数据;
对所述整体用户挖掘数据和所述典型用户数据表征向量进行相乘计算操作,以输出所述典型用户分布关系网对应的整体用户挖掘参数分布;
基于所述整体用户挖掘参数分布,将所述典型用户分布关系网进行分割操作,以形成第一数量个典型子群体关系网;
对所述第一数量个典型子群体关系网分别进行加载,以加载到所述候选用户挖掘网络中,利用所述候选用户挖掘网络,挖掘出所述第一数量个典型子群体关系网各自对应的子群体分布表征向量;
对所述整体群体分布表征向量和所述第一数量个典型子群体关系网对应的子群体分布表征向量进行聚合操作,以形成对应的所述典型用户分布关系网中的所述典型用户群体对应的典型群体分布表征向量。
在一些优选的实施例中,在上述基于大数据分析的用户需求挖掘方法中,所述候选用户挖掘网络包括第二数量个梯度优化单元,每一个梯度优化单元包括一个或多个滤波子单元;
所述利用所述候选用户挖掘网络中,挖掘出所述典型用户分布关系网中的所述典型用户群体对应的整体群体分布表征向量的步骤,包括:
确定出所述第二数量个梯度优化单元中的任意一个梯度优化单元的待处理数据;在任意一个梯度优化单元为第一个梯度优化单元的情况,所述任意一个梯度优化单元的待处理数据为所述典型用户分布关系网;
基于所述任意一个梯度优化单元中的一个或多个滤波子单元,将任意一个梯度优化单元的待处理数据进行滤波操作,以形成中间滤波表征向量;
将所述中间滤波表征向量和所述任意一个梯度优化单元的待处理数据进行聚合操作,以形成所述任意一个梯度优化单元的优化输出数据,对所述任意一个梯度优化单元的优化输出数据进行标记操作,以标记为后一个梯度优化单元的待处理数据;
对最后一个梯度优化单元的优化输出数据进行标记操作,以标记为所述典型用户分布关系网中的典型用户群体对应的整体群体分布表征向量。
在一些优选的实施例中,在上述基于大数据分析的用户需求挖掘方法中,所述整体群体分布表征向量的数量为第三数量个;
所述利用所述候选用户挖掘网络中的种类分析单元,分析出所述整体群体分布表征向量对应的整体用户挖掘数据的步骤,包括:
分别计算出第三数量个整体群体分布表征向量各自对应的均值向量参数,以及,对所述第三数量个整体群体分布表征向量对应的均值向量参数进行向量构建操作,以形成对应的整体均值表征向量;
基于所述候选用户挖掘网络包括的激励映射单元,对所述整体均值表征向量进行激励映射操作,以形成对应的激励映射特征向量;
对所述激励映射特征向量进行加载,以加载到所述候选用户挖掘网络包括的种类分析单元中,利用所述候选用户挖掘网络中的种类分析单元,分析出所述激励映射特征向量对应的整体用户挖掘数据。
在一些优选的实施例中,在上述基于大数据分析的用户需求挖掘方法中,所述依据所述关联挖掘误差指标和所述目标挖掘误差指标,将所述候选用户挖掘网络进行网络优化操作,以形成目标用户挖掘网络的步骤,包括:
基于所述关联挖掘误差指标和所述目标挖掘误差指标,计算出所述候选用户挖掘网络对应的总的挖掘误差指标;
沿着减小所述总的挖掘误差指标的方向,将所述候选用户挖掘网络的参数进行优化调整,以形成包括优化调整后的参数的目标用户挖掘网络。
本发明实施例还提供一种基于大数据分析的用户需求挖掘***,包括处理器和存储器,所述存储器用于存储计算机程序,所述处理器用于执行所述计算机程序,以实现上述的基于大数据分析的用户需求挖掘方法。
本发明实施例提供的基于大数据分析的用户需求挖掘方法及***,可以先构建出待分析用户分布关系网;分析出待分析用户分布关系网中的用户群体对应的用户群体分布表征向量,分析出用户群体分布表征向量对应的用户子群体种类数据;基于用户子群体种类数据和待分析用户分布关系网的群体用户数据表征向量,生成群体用户挖掘参数分布;基于用户子群体种类和分布坐标数据,确定出对应的相关用户;分别基于每一个差异性用户的用户属性数据和该差异性用户的相关用户的用户属性数据进行用户需求挖掘操作,以得到每一个差异性用户对应的用户需求挖掘结果。基于前述的内容,由于在进行用户需求挖掘操作的过程中,不仅仅是针对相应的用户的用户属性数据进行分析,还会结合对应的相关用户的用户属性数据进行分析,使得分析依据更为充分,约束更多,因此,可以提高用户需求挖掘的可靠度,从而改善现有技术中存在的可靠度不高的问题。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
图1为本发明实施例提供的基于大数据分析的用户需求挖掘***的结构框图。
图2为本发明实施例提供的基于大数据分析的用户需求挖掘方法包括的各步骤的流程示意图。
图3为本发明实施例提供的基于大数据分析的用户需求挖掘装置包括的各模块的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例只是本发明的一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,本发明实施例提供了一种基于大数据分析的用户需求挖掘***。其中,该用户需求挖掘***可以包括存储器和处理器。
详细地,所述存储器和处理器之间直接或间接地电性连接,以实现数据的传输或交互。例如,相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述存储器中可以存储有至少一个可以以软件或固件(firmware)的形式,存在的软件功能模块(计算机程序)。所述处理器可以用于执行所述存储器中存储的可执行的计算机程序,从而实现本发明实施例提供的基于大数据分析的用户需求挖掘方法。
可以理解的是,在一些实施方式中,所述存储器可以是,但不限于,随机存取存储器(Random Access Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-Only Memory,PROM),可擦除只读存储器(ErasableProgrammableRead-Only Memory,EPROM),电可擦除只读存储器(Electric Erasable ProgrammableRead-Only Memory,EEPROM)等。
可以理解的是,在一些实施方式中,所述处理器可以是一种通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)、片上***(System on Chip,SoC)等;还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
可以理解的是,在一些实施方式中,所述基于大数据分析的用户需求挖掘***可以是一种具备数据处理能力的服务器。
结合图2,本发明实施例还提供一种基于大数据分析的用户需求挖掘方法,可应用于上述基于大数据分析的用户需求挖掘***。其中,所述基于大数据分析的用户需求挖掘方法有关的流程所定义的方法步骤,可以由所述基于大数据分析的用户需求挖掘***实现。
下面将对图2所示的具体流程,进行详细阐述。
步骤S110,基于待分析的用户构建出待分析用户分布关系网。
在本发明实施例中,所述基于大数据分析的用户需求挖掘***可以基于待分析的用户构建出待分析用户分布关系网。
步骤S120,利用目标用户挖掘网络,分析出所述待分析用户分布关系网中的用户群体对应的用户群体分布表征向量,以及,分析出所述用户群体分布表征向量对应的用户子群体种类数据。
在本发明实施例中,所述基于大数据分析的用户需求挖掘***可以利用目标用户挖掘网络,分析出所述待分析用户分布关系网中的用户群体对应的用户群体分布表征向量,以及,分析出所述用户群体分布表征向量对应的用户子群体种类数据。所述用户群体分布表征向量用于表征用户群体的分布关系,所述用户子群体种类数据用于反映所述用户群体的差异性用户对应的用户子群体种类,所述差异性用户可以是指所述用户群体的群体分布边缘的用户,能够区分开用户群体和其它用户,另外,用户子群体可以是指用户群体中的不同子群体,例如,在一个大群体中,根据用户之间的差异,还可以进行不同的子群体的分类,举例来说,用户群体可以是指具有特定行为倾向的用户组合,子群体可以基于对特定行为的不同倾向程度进行划分形成的小的用户组合,还可以基于其它方式进行定义。
步骤S130,基于所述用户子群体种类数据和所述待分析用户分布关系网的群体用户数据表征向量,生成群体用户挖掘参数分布。
在本发明实施例中,所述基于大数据分析的用户需求挖掘***可以基于所述用户子群体种类数据和所述待分析用户分布关系网的群体用户数据表征向量,生成群体用户挖掘参数分布。所述群体用户挖掘参数分布用于反映差异性用户在所述待分析用户分布关系网中的分布坐标数据。
步骤S140,对于每一个所述差异性用户,基于该差异性用户对应的用户子群体种类和该差异性用户在所述待分析用户分布关系网中的分布坐标数据,在所述待分析用户分布关系网中,确定出该差异性用户对应的相关用户。
在本发明实施例中,所述基于大数据分析的用户需求挖掘***可以对于每一个所述差异性用户,基于该差异性用户对应的用户子群体种类和该差异性用户在所述待分析用户分布关系网中的分布坐标数据,在所述待分析用户分布关系网中,确定出该差异性用户对应的相关用户。
步骤S150,分别基于每一个所述差异性用户的用户属性数据和该差异性用户的相关用户的用户属性数据进行用户需求挖掘操作,以得到每一个所述差异性用户对应的用户需求挖掘结果。
在本发明实施例中,所述基于大数据分析的用户需求挖掘***可以,分别基于每一个所述差异性用户的用户属性数据和该差异性用户的相关用户的用户属性数据进行用户需求挖掘操作,以得到每一个所述差异性用户对应的用户需求挖掘结果。所述用户需求挖掘结果用于通过文本数据的形式来反映(或描述)差异性用户的感兴趣信息。例如,可以对所述差异性用户的用户属性数据进行特征挖掘(如通过编码网络实现),以得到对应的第一特征挖掘向量,并对所述相关用户的用户属性数据进行特征挖掘,以得到对应的第二特征挖掘向量,以及,基于所述第二特征挖掘向量对所述第一特征挖掘向量进行注意力操作,以形成对应的注意力向量,然后,可以将注意力向量和第一特征挖掘向量进行拼接(即级联组合操作),以形成对应的拼接向量,之后,可以对该拼接向量进行用户需求预测,以输出所述差异性用户对应的用户需求挖掘结果。
基于前述的内容,由于在进行用户需求挖掘操作的过程中,不仅仅是针对相应的用户的用户属性数据进行分析,还会结合对应的相关用户的用户属性数据进行分析,使得分析依据更为充分,约束更多,因此,可以提高用户需求挖掘的可靠度,从而改善现有技术中存在的可靠度不高的问题。
可以理解的是,在一些实施方式中,上述的步骤S110,即所述基于待分析的用户构建出待分析用户分布关系网的步骤,进一步包括以下内容:
确定出多个待分析的用户;
分别提取到每一个待分析的用户的用户属性数据,所述用户属性数据至少包括待分析用户的静态属性数据和动态属性数据,所述静态属性数据至少包括身份数据,所述动态属性数据至少包括行为数据,所述用户属性数据至少包括文本数据;
基于所述用户属性数据,确定出待分析的用户之间的用户相关关系,例如,可以基于所述用户属性数据之间的相似度,确定出表征用户相关关系的关系紧密度,该关系紧密度与该相似度正相关,以及,基于所述用户相关关系,对所述多个待分析的用户进行关系网的构建操作,以形成对应的待分析用户分布关系网,在所述待分析用户分布关系网中,待分析的用户之间的分布关系与所述用户相关关系相关,例如,用户相关关系越紧密,对应的用户之间的分布坐标距离可以越小,另外,所述待分析用户分布关系网可以是指二维空间的分布,也可以是三维、四维等空间的分布,其中,在所述待分析用户分布关系网中,可以直接将所述用户属性数据作为用户的标识,也可以将所述用户属性数据进行处理,如映射为数值,即不同的用户属性数据对应不同的数值,相近的用户属性数据对应的数值之间也相近,然后,可以将这些数值作为用户的标识。
可以理解的是,在一些实施方式中,上述的步骤S120,即所述利用目标用户挖掘网络,分析出所述待分析用户分布关系网中的用户群体对应的用户群体分布表征向量,以及,分析出所述用户群体分布表征向量对应的用户子群体种类数据的步骤,可以进一步包括以下内容:
对所述待分析用户分布关系网进行加载,以加载到所述目标用户挖掘网络中,利用所述目标用户挖掘网络,挖掘出所述待分析用户分布关系网中的所述用户群体对应的整体群体表征向量,以及,利用所述目标用户挖掘网络中的种类分析单元,分析出所述整体群体表征向量对应的整体群体种类数据,所述整体群体种类数据用于反映用户是否属于用户群体;
提取到所述目标用户挖掘网络中的指定滤波单元挖掘出的针对所述待分析用户分布关系网的群体用户数据表征向量,以及,对所述整体群体种类数据和所述群体用户数据表征向量进行相乘计算操作,以输出所述待分析用户分布关系网对应的整体群体挖掘参数分布,所述指定滤波单元可以是指所述目标用户挖掘网络中的最后一个滤波单元;
基于所述整体群体挖掘参数分布,将所述待分析用户分布关系网进行分割操作,以形成第一数量个子群体分布关系网,即用户群体中的每一个子群体对应的局部关系网络,以及,基于所述目标用户挖掘网络,挖掘出所述第一数量个子群体分布关系网各自对应的子群体表征向量;
对所述整体群体表征向量和所述第一数量个子群体分布关系网对应的子群体表征向量进行聚合操作,以形成对应的用户群体分布表征向量,例如,可以将所述整体群体表征向量和所述第一数量个子群体分布关系网对应的子群体表征向量进行级联组合操作;
分析出所述用户群体分布表征向量对应的用户子群体种类数据,例如,可以基于所述用户群体分布表征向量进行预测输出,以得到用户子群体种类数据,用户子群体种类数据用于反映差异性用户对应的用户子群体种类。
其中,可以理解的是,在一些实施方式中,上述的步骤S140,即所述对于每一个所述差异性用户,基于该差异性用户对应的用户子群体种类和该差异性用户在所述待分析用户分布关系网中的分布坐标数据,在所述待分析用户分布关系网中,确定出该差异性用户对应的相关用户的步骤,可以进一步包括以下内容:
对于每一个所述差异性用户,该差异性用户在所述待分析用户分布关系网中的分布坐标数据,确定出与该差异性用户属于同一个用户子群体的每一个非差异性用户,以作为该差异性用户对应的候选相关用户;
基于所述差异性用户对应的用户子群体种类,确定出对应的用户筛选规则,其中,用户筛选规则和用户子群体种类之间的对应关系可以预先建立,例如,户子群体种类1对应于用户筛选规则1;
基于对应的所述用户筛选规则,对所述差异性用户对应的候选相关用户进行筛选操作,以形成所述差异性用户对应的相关用户;例如,所述用户子群体种类表征对特定行为具有较大倾向程度,因此,可以在候选相关用户中进行任意的筛选,以形成相关用户,或者,所述用户子群体种类表征对特定行为具有较小倾向程度,因此,可以在候选相关用户中筛选出距离最近(即分布关系最紧密)的用户,作为相关用户。
可以理解的是,在一些实施方式中,所述基于大数据分析的用户需求挖掘方法,还可以进一步包括以下内容:
提取到典型用户分布关系网,所述典型用户分布关系网可以是基于典型用户构建形成的用户分布关系网;
利用候选用户挖掘网络,分析出所述典型用户分布关系网对应的原始用户挖掘数据,以及,基于所述原始用户挖掘数据和所述典型用户分布关系网的典型用户数据表征向量,确定出原始用户挖掘参数分布,所述原始用户挖掘数据基于所述典型用户分布关系网中的典型用户群体对应的典型群体分布表征向量得到,所述典型群体分布表征向量用于表征用户群体的分布关系,所述原始用户挖掘参数分布用于反映所述典型用户群体的差异性用户在所述典型用户分布关系网中的分布坐标数据;
将所述典型用户分布关系网进行关系网络调整操作,以形成调整用户分布关系网(例如,先对所述典型用户分布关系网进行分割,以形成多个分割子区域,然后,调整分割子区域之间的分布坐标关系,以形成整用户分布关系网,另外,在进行关系网络调整操作时,可以进行至少一次关系网络调整操作,以形成至少一个调整用户分布关系网,如此,可以针对每一个调整用户分布关系网进行相应的后续处理),并利用所述候选用户挖掘网络,分析出所述调整用户分布关系网对应的调整用户挖掘数据,以及,基于所述调整用户挖掘数据和所述调整用户分布关系网的调整用户数据表征向量,确定出调整用户挖掘参数分布,所述调整用户挖掘数据基于所述调整用户分布关系网中的典型用户群体对应的调整群体分布表征向量得到,所述调整群体分布表征向量用于表征用户群体的分布关系,所述调整用户挖掘参数分布用于反映所述典型用户群体的差异性用户在所述调整用户分布关系网中的分布坐标数据,其中,由于典型用户分布关系网对应的典型用户群体对应的差异性用户标识数据,不管是上述典型用户分布关系网和关系网络调整操作后的调整用户分布关系网,其包含的典型用户群体是相关的,因此,可以基于此进行后续的误差分析,以进行网络分析;
基于所述原始用户挖掘参数分布和所述调整用户挖掘参数分布,分析出所述候选用户挖掘网络对应的关联挖掘误差指标,即调整前后的误差;
基于所述原始用户挖掘数据、所述调整用户挖掘数据和所述典型用户分布关系网对应的差异性用户标识数据,分析出所述候选用户挖掘网络对应的目标挖掘误差指标,即分析结果与实际结果之间的误差;
依据所述关联挖掘误差指标和所述目标挖掘误差指标,将所述候选用户挖掘网络进行网络优化操作,以形成目标用户挖掘网络,所述目标用户挖掘网络用于分析出待分析用户分布关系网中的差异性用户对应的用户子群体种类信息和分布坐标分析数据(如执行上述的步骤S120-步骤S130)。
可以理解的是,在一些实施方式中,所述利用候选用户挖掘网络,分析出所述典型用户分布关系网对应的原始用户挖掘数据,以及,基于所述原始用户挖掘数据和所述典型用户分布关系网的典型用户数据表征向量,确定出原始用户挖掘参数分布的步骤,可以进一步包括以下内容:
对所述典型用户分布关系网进行加载,以加载到所述候选用户挖掘网络中,利用所述候选用户挖掘网络,挖掘出所述典型用户分布关系网中的所述典型用户群体对应的典型群体分布表征向量;
基于所述候选用户挖掘网络中的种类分析单元,将所述典型群体分布表征向量进行分析,以输出所述典型用户分布关系网对应的原始用户挖掘数据,即对所述典型群体分布表征向量进行预测输出;
提取到所述候选用户挖掘网络中的指定滤波单元挖掘出的针对所述典型用户分布关系网的典型用户数据表征向量,以及,对所述原始用户挖掘数据和所述典型用户数据表征向量进行相乘计算操作,以输出所述典型用户分布关系网对应的待定用户挖掘参数分布,所述指定滤波单元可以是所述候选用户挖掘网络中的最后一个滤波单元,滤波单元可以包括一个或多个滤波矩阵,也可以成为卷积核;
将所述待定用户挖掘参数分布进行插值操作(upsampling),以形成与所述典型用户分布关系网具有相同大小的原始用户挖掘参数分布。
可以理解的是,在一些实施方式中,所述对所述典型用户分布关系网进行加载,以加载到所述候选用户挖掘网络中,利用所述候选用户挖掘网络,挖掘出所述典型用户分布关系网中的所述典型用户群体对应的典型群体分布表征向量的步骤,可以进一步包括以下内容:
对所述典型用户分布关系网进行加载,以加载到所述候选用户挖掘网络中;
利用所述候选用户挖掘网络中,挖掘出所述典型用户分布关系网中的所述典型用户群体对应的整体群体分布表征向量;
利用所述候选用户挖掘网络中的种类分析单元,分析出所述整体群体分布表征向量对应的整体用户挖掘数据;
对所述整体用户挖掘数据和所述典型用户数据表征向量进行相乘计算操作,以输出所述典型用户分布关系网对应的整体用户挖掘参数分布,所述整体用户挖掘参数分布可以具有各典型用户所属的子群体种类的信息;
基于所述整体用户挖掘参数分布,将所述典型用户分布关系网进行分割操作,以形成第一数量个典型子群体关系网,也就是说,基于所述整体用户挖掘参数分布,由于所述整体用户挖掘参数分布具有各典型用户所属的子群体种类的信息,因此,可以按照对应的子群体种类进行分割,如将同一个子群体种类对应的典型用户分割到一起,形成一个典型子群体关系网,如此,可以得到第一数量个典型子群体关系网;
对所述第一数量个典型子群体关系网分别进行加载,以加载到所述候选用户挖掘网络中,利用所述候选用户挖掘网络,挖掘出所述第一数量个典型子群体关系网各自对应的子群体分布表征向量,所述子群体分布表征向量可以用于反映对应的子群体的分布关系;
对所述整体群体分布表征向量和所述第一数量个典型子群体关系网对应的子群体分布表征向量进行聚合操作,以形成对应的所述典型用户分布关系网中的所述典型用户群体对应的典型群体分布表征向量,例如,将所述整体群体分布表征向量和所述第一数量个典型子群体关系网对应的子群体分布表征向量进行级联组合操作,形成典型群体分布表征向量,基于此,典所述型群体分布表征向量既包括所述典型用户群体的各个子群体的子群体分布表征向量,又包括所述典型用户群体的整体群体分布表征向量,因此,利用在候选用户挖掘网络中引入基于子群体分析的局部学习,可以增强典型群体分布表征向量的精度,从而可以提高网络的可靠度。
可以理解的是,在一些实施方式中,所述候选用户挖掘网络包括第二数量个梯度优化单元,每一个梯度优化单元包括一个或多个滤波子单元(多个滤波子单元可以级联连接),基于此,所述利用所述候选用户挖掘网络中,挖掘出所述典型用户分布关系网中的所述典型用户群体对应的整体群体分布表征向量的步骤,可以进一步包括以下内容:
确定出所述第二数量个梯度优化单元中的任意一个梯度优化单元的待处理数据;在任意一个梯度优化单元为第一个梯度优化单元的情况下,所述任意一个梯度优化单元的待处理数据为所述典型用户分布关系网,或者,也可以为所述典型用户分布关系网的关系网映射特征表示,即将所述典型用户分布关系网进行特征空间的映射操作,以形成关系网映射特征表示;
基于所述任意一个梯度优化单元中的一个或多个滤波子单元,将任意一个梯度优化单元的待处理数据进行滤波操作,以形成中间滤波表征向量;
将所述中间滤波表征向量和所述任意一个梯度优化单元的待处理数据进行聚合操作,如级联组合操作,或者,也可以为叠加操作,以形成所述任意一个梯度优化单元的优化输出数据,对所述任意一个梯度优化单元的优化输出数据进行标记操作,以标记为后一个梯度优化单元的待处理数据;
对最后一个梯度优化单元的优化输出数据进行标记操作,以标记为所述典型用户分布关系网中的典型用户群体对应的整体群体分布表征向量。
举例来说,第一个梯度优化单元,可以对所述典型用户分布关系网的关系网映射特征表示进行滤波操作,以形成第一个中间滤波表征向量,第一个中间滤波表征向量可以与所述关系网映射特征表示进行叠加操作,以形成第一个优化输出数据,第二个梯度优化单元,可以对第一个优化输出数据进行滤波操作,以形成第二个中间滤波表征向量,然后,可以将第二个中间滤波表征向量和第一个优化输出数据进行叠加操作,以形成第二个优化输出数据,第三个梯度优化单元,可以对第二个优化输出数据进行滤波操作,以形成第三个中间滤波表征向量,然后,可以将第三个中间滤波表征向量和第二个优化输出数据进行叠加操作,以形成第三个优化输出数据,如此,依次类推,可以得到最后一个梯度优化单元的优化输出数据,然后,可以将其标记为对应的整体群体分布表征向量。
可以理解的是,在一些实施方式中,所述整体群体分布表征向量的数量为第三数量个,基于此,所述利用所述候选用户挖掘网络中的种类分析单元,分析出所述整体群体分布表征向量对应的整体用户挖掘数据的步骤,可以进一步包括以下内容:
分别计算出第三数量个整体群体分布表征向量各自对应的均值向量参数,以及,对所述第三数量个整体群体分布表征向量对应的均值向量参数进行向量构建操作,以形成对应的整体均值表征向量,例如,对于每一个所述整体群体分布表征向量,可以对该整体群体分布表征向量包括的各向量参数进行均值计算,以得到对应的均值向量参数,然后,可以将每一个所述整体群体分布表征向量对应的均值向量参数进行组合,以形成包括第三数量各均值向量参数的整体均值表征向量,或者,在其它实施方式中,也可以分别确定第三数量个整体群体分布表征向量各自对应的最大值向量参数,以及,对所述第三数量个整体群体分布表征向量对应的最大值向量参数进行向量构建操作,以形成对应的整体均值表征向量;
基于所述候选用户挖掘网络包括的激励映射单元,对所述整体均值表征向量进行激励映射操作,以形成对应的激励映射特征向量,所述激励映射单元可以包括激励映射函数,如S型函数;
对所述激励映射特征向量进行加载,以加载到所述候选用户挖掘网络包括的种类分析单元中,利用所述候选用户挖掘网络中的种类分析单元,分析出所述激励映射特征向量对应的整体用户挖掘数据,即通过所述种类分析单元对所述激励映射特征向量进行分析预测。
可以理解的是,在一些实施方式中,所述依据所述关联挖掘误差指标和所述目标挖掘误差指标,将所述候选用户挖掘网络进行网络优化操作,以形成目标用户挖掘网络的步骤,可以进一步包括以下内容:
基于所述关联挖掘误差指标和所述目标挖掘误差指标,计算出所述候选用户挖掘网络对应的总的挖掘误差指标,例如,可以对所述关联挖掘误差指标和所述目标挖掘误差指标进行加权求和计算,以得到所述候选用户挖掘网络对应的总的挖掘误差指标;
沿着减小所述总的挖掘误差指标的方向,将所述候选用户挖掘网络的参数进行优化调整,以形成包括优化调整后的参数的目标用户挖掘网络。
其中,可以理解的是,在一些实施方式中,所述基于所述原始用户挖掘参数分布和所述调整用户挖掘参数分布,分析出所述候选用户挖掘网络对应的关联挖掘误差指标的步骤,可以进一步包括以下内容:
将所述调整用户挖掘参数分布进行与所述关系网络调整操作对应的参数分布调整操作(例如,按照所述关系网络调整操作对应的位置调整,可以对所述调整用户挖掘参数分布进行相应的位置调整,如在所述典型用户分布关系网中,位置A与位置B的数据进行了对换,则在所述调整用户挖掘参数分布,也可以将位置A与位置B的参数进行对换,即实现位置的回转),以形成对应的新的调整用户挖掘参数分布;
将所述原始用户挖掘参数分布和所述新的调整用户挖掘参数分布进行差异分析操作,以形成所述候选用户挖掘网络对应的关联挖掘误差指标。
其中,可以理解的是,在一些实施方式中,所述基于所述原始用户挖掘数据、所述调整用户挖掘数据和所述典型用户分布关系网对应的差异性用户标识数据,分析出所述候选用户挖掘网络对应的目标挖掘误差指标的步骤,可以进一步包括以下内容:
计算所述原始用户挖掘数据和所述典型用户分布关系网对应的差异性用户标识数据之间的原始差异信息,以及,基于所述原始差异信息,分析出所述候选用户挖掘网络对应的原始挖掘误差指标,所述原始挖掘误差指标可以与所述原始差异信息之间正相关;
计算所述调整用户挖掘数据和所述差异性用户标识数据之间的调整差异信息,以及,基于所述调整差异信息,分析出所述候选用户挖掘网络的调整挖掘误差指标,所述调整挖掘误差指标与所述调整差异信息正相关;
基于所述原始挖掘误差指标和所述调整挖掘误差指标,计算出所述候选用户挖掘网络对应的目标挖掘误差指标,例如,可以对所述原始挖掘误差指标和所述调整挖掘误差指标进行加权求和计算,以得到所述候选用户挖掘网络对应的目标挖掘误差指标。
结合图3,本发明实施例还提供一种基于大数据分析的用户需求挖掘装置,可应用于上述基于大数据分析的用户需求挖掘***。其中,所述基于大数据分析的用户需求挖掘装置可以包括:
用户分布关系网构建模块,用于基于待分析的用户构建出待分析用户分布关系网;
子群体种类数据分析模块,用于利用目标用户挖掘网络,分析出所述待分析用户分布关系网中的用户群体对应的用户群体分布表征向量,以及,分析出所述用户群体分布表征向量对应的用户子群体种类数据,所述用户群体分布表征向量用于表征用户群体的分布关系,所述用户子群体种类数据用于反映所述用户群体的差异性用户对应的用户子群体种类;
挖掘参数分布生成模块,用于基于所述用户子群体种类数据和所述待分析用户分布关系网的群体用户数据表征向量,生成群体用户挖掘参数分布,所述群体用户挖掘参数分布用于反映差异性用户在所述待分析用户分布关系网中的分布坐标数据;
相关用户确定模块,用于对于每一个所述差异性用户,基于该差异性用户对应的用户子群体种类和该差异性用户在所述待分析用户分布关系网中的分布坐标数据,在所述待分析用户分布关系网中,确定出该差异性用户对应的相关用户;
用户需求挖掘模块,用于分别基于每一个所述差异性用户的用户属性数据和该差异性用户的相关用户的用户属性数据进行用户需求挖掘操作,以得到每一个所述差异性用户对应的用户需求挖掘结果,所述用户需求挖掘结果用于反映差异性用户的感兴趣信息,该感兴趣信息至少包括文本数据和图像数据中的一种。
综上所述,本发明提供的基于大数据分析的用户需求挖掘方法及***,可以先构建出待分析用户分布关系网;分析出待分析用户分布关系网中的用户群体对应的用户群体分布表征向量,分析出用户群体分布表征向量对应的用户子群体种类数据;基于用户子群体种类数据和待分析用户分布关系网的群体用户数据表征向量,生成群体用户挖掘参数分布;基于用户子群体种类和分布坐标数据,确定出对应的相关用户;分别基于每一个差异性用户的用户属性数据和该差异性用户的相关用户的用户属性数据进行用户需求挖掘操作,以得到每一个差异性用户对应的用户需求挖掘结果。基于前述的内容,由于在进行用户需求挖掘操作的过程中,不仅仅是针对相应的用户的用户属性数据进行分析,还会结合对应的相关用户的用户属性数据进行分析,使得分析依据更为充分,约束更多,因此,可以提高用户需求挖掘的可靠度,从而改善现有技术中存在的可靠度不高的问题。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于大数据分析的用户需求挖掘方法,其特征在于,包括:
基于待分析的用户构建出待分析用户分布关系网;
利用目标用户挖掘网络,分析出所述待分析用户分布关系网中的用户群体对应的用户群体分布表征向量,以及,分析出所述用户群体分布表征向量对应的用户子群体种类数据,所述用户群体分布表征向量用于表征用户群体的分布关系,所述用户子群体种类数据用于反映所述用户群体的差异性用户对应的用户子群体种类;
基于所述用户子群体种类数据和所述待分析用户分布关系网的群体用户数据表征向量,生成群体用户挖掘参数分布,所述群体用户挖掘参数分布用于反映差异性用户在所述待分析用户分布关系网中的分布坐标数据;
对于每一个所述差异性用户,基于该差异性用户对应的用户子群体种类和该差异性用户在所述待分析用户分布关系网中的分布坐标数据,在所述待分析用户分布关系网中,确定出该差异性用户对应的相关用户;
分别基于每一个所述差异性用户的用户属性数据和该差异性用户的相关用户的用户属性数据进行用户需求挖掘操作,以得到每一个所述差异性用户对应的用户需求挖掘结果,所述用户需求挖掘结果用于通过文本数据的形式来反映差异性用户的感兴趣信息。
2.如权利要求1所述的基于大数据分析的用户需求挖掘方法,其特征在于,所述基于待分析的用户构建出待分析用户分布关系网的步骤,包括:
确定出多个待分析的用户;
分别提取到每一个待分析的用户的用户属性数据,所述用户属性数据至少包括待分析用户的静态属性数据和动态属性数据,所述静态属性数据至少包括身份数据,所述动态属性数据至少包括行为数据,所述用户属性数据至少包括文本数据;
基于所述用户属性数据,确定出待分析的用户之间的用户相关关系,以及,基于所述用户相关关系,对所述多个待分析的用户进行关系网的构建操作,以形成对应的待分析用户分布关系网,在所述待分析用户分布关系网中,待分析的用户之间的分布关系与所述用户相关关系相关。
3.如权利要求1所述的基于大数据分析的用户需求挖掘方法,其特征在于,所述利用目标用户挖掘网络,分析出所述待分析用户分布关系网中的用户群体对应的用户群体分布表征向量,以及,分析出所述用户群体分布表征向量对应的用户子群体种类数据的步骤,包括:
对所述待分析用户分布关系网进行加载,以加载到所述目标用户挖掘网络中,利用所述目标用户挖掘网络,挖掘出所述待分析用户分布关系网中的所述用户群体对应的整体群体表征向量,以及,利用所述目标用户挖掘网络中的种类分析单元,分析出所述整体群体表征向量对应的整体群体种类数据,所述整体群体种类数据用于反映用户是否属于用户群体;
提取到所述目标用户挖掘网络中的指定滤波单元挖掘出的针对所述待分析用户分布关系网的群体用户数据表征向量,以及,对所述整体群体种类数据和所述群体用户数据表征向量进行相乘计算操作,以输出所述待分析用户分布关系网对应的整体群体挖掘参数分布;
基于所述整体群体挖掘参数分布,将所述待分析用户分布关系网进行分割操作,以形成第一数量个子群体分布关系网,以及,基于所述目标用户挖掘网络,挖掘出所述第一数量个子群体分布关系网各自对应的子群体表征向量;
对所述整体群体表征向量和所述第一数量个子群体分布关系网对应的子群体表征向量进行聚合操作,以形成对应的用户群体分布表征向量;
分析出所述用户群体分布表征向量对应的用户子群体种类数据。
4.如权利要求1-3任意一项所述的基于大数据分析的用户需求挖掘方法,其特征在于,所述基于大数据分析的用户需求挖掘方法还包括:
提取到典型用户分布关系网;
利用候选用户挖掘网络,分析出所述典型用户分布关系网对应的原始用户挖掘数据,以及,基于所述原始用户挖掘数据和所述典型用户分布关系网的典型用户数据表征向量,确定出原始用户挖掘参数分布,所述原始用户挖掘数据基于所述典型用户分布关系网中的典型用户群体对应的典型群体分布表征向量得到,所述典型群体分布表征向量用于表征用户群体的分布关系,所述原始用户挖掘参数分布用于反映所述典型用户群体的差异性用户在所述典型用户分布关系网中的分布坐标数据;
将所述典型用户分布关系网进行关系网络调整操作,以形成调整用户分布关系网,并利用所述候选用户挖掘网络,分析出所述调整用户分布关系网对应的调整用户挖掘数据,以及,基于所述调整用户挖掘数据和所述调整用户分布关系网的调整用户数据表征向量,确定出调整用户挖掘参数分布,所述调整用户挖掘数据基于所述调整用户分布关系网中的典型用户群体对应的调整群体分布表征向量得到,所述调整群体分布表征向量用于表征用户群体的分布关系,所述调整用户挖掘参数分布用于反映所述典型用户群体的差异性用户在所述调整用户分布关系网中的分布坐标数据;
基于所述原始用户挖掘参数分布和所述调整用户挖掘参数分布,分析出所述候选用户挖掘网络对应的关联挖掘误差指标;
基于所述原始用户挖掘数据、所述调整用户挖掘数据和所述典型用户分布关系网对应的差异性用户标识数据,分析出所述候选用户挖掘网络对应的目标挖掘误差指标;
依据所述关联挖掘误差指标和所述目标挖掘误差指标,将所述候选用户挖掘网络进行网络优化操作,以形成目标用户挖掘网络,所述目标用户挖掘网络用于分析出待分析用户分布关系网中的差异性用户对应的用户子群体种类信息和分布坐标分析数据。
5.如权利要求4所述的基于大数据分析的用户需求挖掘方法,其特征在于,所述利用候选用户挖掘网络,分析出所述典型用户分布关系网对应的原始用户挖掘数据,以及,基于所述原始用户挖掘数据和所述典型用户分布关系网的典型用户数据表征向量,确定出原始用户挖掘参数分布的步骤,包括:
对所述典型用户分布关系网进行加载,以加载到所述候选用户挖掘网络中,利用所述候选用户挖掘网络,挖掘出所述典型用户分布关系网中的所述典型用户群体对应的典型群体分布表征向量;
基于所述候选用户挖掘网络中的种类分析单元,将所述典型群体分布表征向量进行分析,以输出所述典型用户分布关系网对应的原始用户挖掘数据;
提取到所述候选用户挖掘网络中的指定滤波单元挖掘出的针对所述典型用户分布关系网的典型用户数据表征向量,以及,对所述原始用户挖掘数据和所述典型用户数据表征向量进行相乘计算操作,以输出所述典型用户分布关系网对应的待定用户挖掘参数分布;
将所述待定用户挖掘参数分布进行插值操作,以形成与所述典型用户分布关系网具有相同大小的原始用户挖掘参数分布。
6.如权利要求5所述的基于大数据分析的用户需求挖掘方法,其特征在于,所述对所述典型用户分布关系网进行加载,以加载到所述候选用户挖掘网络中,利用所述候选用户挖掘网络,挖掘出所述典型用户分布关系网中的所述典型用户群体对应的典型群体分布表征向量的步骤,包括:
对所述典型用户分布关系网进行加载,以加载到所述候选用户挖掘网络中;
利用所述候选用户挖掘网络中,挖掘出所述典型用户分布关系网中的所述典型用户群体对应的整体群体分布表征向量;
利用所述候选用户挖掘网络中的种类分析单元,分析出所述整体群体分布表征向量对应的整体用户挖掘数据;
对所述整体用户挖掘数据和所述典型用户数据表征向量进行相乘计算操作,以输出所述典型用户分布关系网对应的整体用户挖掘参数分布;
基于所述整体用户挖掘参数分布,将所述典型用户分布关系网进行分割操作,以形成第一数量个典型子群体关系网;
对所述第一数量个典型子群体关系网分别进行加载,以加载到所述候选用户挖掘网络中,利用所述候选用户挖掘网络,挖掘出所述第一数量个典型子群体关系网各自对应的子群体分布表征向量;
对所述整体群体分布表征向量和所述第一数量个典型子群体关系网对应的子群体分布表征向量进行聚合操作,以形成对应的所述典型用户分布关系网中的所述典型用户群体对应的典型群体分布表征向量。
7.如权利要求6所述的基于大数据分析的用户需求挖掘方法,其特征在于,所述候选用户挖掘网络包括第二数量个梯度优化单元,每一个梯度优化单元包括一个或多个滤波子单元;
所述利用所述候选用户挖掘网络中,挖掘出所述典型用户分布关系网中的所述典型用户群体对应的整体群体分布表征向量的步骤,包括:
确定出所述第二数量个梯度优化单元中的任意一个梯度优化单元的待处理数据;在任意一个梯度优化单元为第一个梯度优化单元的情况,所述任意一个梯度优化单元的待处理数据为所述典型用户分布关系网;
基于所述任意一个梯度优化单元中的一个或多个滤波子单元,将任意一个梯度优化单元的待处理数据进行滤波操作,以形成中间滤波表征向量;
将所述中间滤波表征向量和所述任意一个梯度优化单元的待处理数据进行聚合操作,以形成所述任意一个梯度优化单元的优化输出数据,对所述任意一个梯度优化单元的优化输出数据进行标记操作,以标记为后一个梯度优化单元的待处理数据;
对最后一个梯度优化单元的优化输出数据进行标记操作,以标记为所述典型用户分布关系网中的典型用户群体对应的整体群体分布表征向量。
8.如权利要求6所述的基于大数据分析的用户需求挖掘方法,其特征在于,所述整体群体分布表征向量的数量为第三数量个;
所述利用所述候选用户挖掘网络中的种类分析单元,分析出所述整体群体分布表征向量对应的整体用户挖掘数据的步骤,包括:
分别计算出第三数量个整体群体分布表征向量各自对应的均值向量参数,以及,对所述第三数量个整体群体分布表征向量对应的均值向量参数进行向量构建操作,以形成对应的整体均值表征向量;
基于所述候选用户挖掘网络包括的激励映射单元,对所述整体均值表征向量进行激励映射操作,以形成对应的激励映射特征向量;
对所述激励映射特征向量进行加载,以加载到所述候选用户挖掘网络包括的种类分析单元中,利用所述候选用户挖掘网络中的种类分析单元,分析出所述激励映射特征向量对应的整体用户挖掘数据。
9.如权利要求4所述的基于大数据分析的用户需求挖掘方法,其特征在于,所述依据所述关联挖掘误差指标和所述目标挖掘误差指标,将所述候选用户挖掘网络进行网络优化操作,以形成目标用户挖掘网络的步骤,包括:
基于所述关联挖掘误差指标和所述目标挖掘误差指标,计算出所述候选用户挖掘网络对应的总的挖掘误差指标;
沿着减小所述总的挖掘误差指标的方向,将所述候选用户挖掘网络的参数进行优化调整,以形成包括优化调整后的参数的目标用户挖掘网络。
10.一种基于大数据分析的用户需求挖掘***,其特征在于,包括处理器和存储器,所述存储器用于存储计算机程序,所述处理器用于执行所述计算机程序,以实现权利要求1-9任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310404517.6A CN116109121B (zh) | 2023-04-17 | 2023-04-17 | 基于大数据分析的用户需求挖掘方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310404517.6A CN116109121B (zh) | 2023-04-17 | 2023-04-17 | 基于大数据分析的用户需求挖掘方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116109121A true CN116109121A (zh) | 2023-05-12 |
CN116109121B CN116109121B (zh) | 2023-06-30 |
Family
ID=86258350
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310404517.6A Active CN116109121B (zh) | 2023-04-17 | 2023-04-17 | 基于大数据分析的用户需求挖掘方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116109121B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116680323A (zh) * | 2023-06-20 | 2023-09-01 | 吉林省澳美科技有限公司 | 基于大数据安全平台的用户需求挖掘方法及*** |
CN117149846A (zh) * | 2023-08-16 | 2023-12-01 | 湖北中恒电测科技有限公司 | 一种基于数据融合的电力数据分析方法和*** |
CN117421459A (zh) * | 2023-12-14 | 2024-01-19 | 成都智慧锦城大数据有限公司 | 应用于数字城市的数据挖掘方法及*** |
CN117573742A (zh) * | 2024-01-15 | 2024-02-20 | 浙江华创视讯科技有限公司 | 一种用户行为模式挖掘方法、设备和存储介质 |
Citations (51)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090187736A1 (en) * | 2005-10-26 | 2009-07-23 | Cortica Ltd. | Computing Device, a System and a Method for Parallel Processing of Data Streams |
CN102195899A (zh) * | 2011-05-30 | 2011-09-21 | 中国人民解放军总参谋部第五十四研究所 | 通信网络的信息挖掘方法与*** |
CN103269070A (zh) * | 2013-06-05 | 2013-08-28 | 广州中国科学院沈阳自动化研究所分所 | 一种自动需求响应***和自动需求响应方法 |
CN103916293A (zh) * | 2014-04-15 | 2014-07-09 | 浪潮软件股份有限公司 | 一种监控分析网站用户行为的方法 |
US20140337515A1 (en) * | 2013-05-08 | 2014-11-13 | Connectloud | Method and Apparatus To Remotely Monitor Information Technology Infrastructure |
CN104200275A (zh) * | 2014-06-24 | 2014-12-10 | 国家电网公司 | 基于用户行为特点的用电模式分类和控制方法 |
US20150279185A1 (en) * | 2014-03-31 | 2015-10-01 | Elwha Llc | Quantified-Self Machines and Circuits Reflexively Related to Food-and-Nutrition Machines and Circuits |
CN105468737A (zh) * | 2015-11-24 | 2016-04-06 | 湖北大学 | 一种网络服务大数据分析方法、云计算平台及挖掘*** |
CN106127503A (zh) * | 2016-06-06 | 2016-11-16 | 广州市邦富软件有限公司 | 一种基于真实社会关系和大数据的网络信息分析方法 |
US20160372079A1 (en) * | 2015-06-17 | 2016-12-22 | Duk Gwan Ku | Personalized color display system through big data analysis and method thereof |
CN106339503A (zh) * | 2016-09-22 | 2017-01-18 | 北京金堤科技有限公司 | 基于要素和关系的交互式展示方法 |
US20170160328A1 (en) * | 2015-12-02 | 2017-06-08 | Prophecy Sensors, Llc | Distributed iot based sensor analytics for power line diagnosis |
CN107122864A (zh) * | 2017-04-28 | 2017-09-01 | 国网山东省电力公司泰安供电公司 | 电力用户需求分析方法和装置 |
CN107657491A (zh) * | 2016-07-25 | 2018-02-02 | 长沙有干货网络技术有限公司 | 一种基于主题的张量分解电子商务用户信任推荐算法 |
CN108268477A (zh) * | 2016-12-30 | 2018-07-10 | 中国电信股份有限公司 | 一种基于话单的用户关系确定方法和装置 |
CN108281197A (zh) * | 2018-01-25 | 2018-07-13 | 中南大学 | 一种分析环境因素与青少年近视眼之间关系的方法 |
CN108320168A (zh) * | 2017-01-16 | 2018-07-24 | 北京金山云网络技术有限公司 | 一种数据分析方法及装置 |
CN108448575A (zh) * | 2018-04-02 | 2018-08-24 | 广州供电局有限公司 | 配电网电力负荷分析方法和***、计算机存储介质及设备 |
CN108648123A (zh) * | 2018-07-13 | 2018-10-12 | 江苏开放大学(江苏城市职业学院) | 一种基于大数据的网络教学平台及利用其管理网络教学过程的方法 |
CN108877774A (zh) * | 2018-07-12 | 2018-11-23 | 四川虹美智能科技有限公司 | 一种数据采集装置、数据分析平台、***及方法 |
CN108964050A (zh) * | 2018-08-26 | 2018-12-07 | 燕山大学 | 基于需求侧响应的微电网双层优化调度方法 |
CN109165996A (zh) * | 2018-07-18 | 2019-01-08 | 浙江大学 | 基于在线用户评论的产品功能特征重要性分析方法 |
CN109344957A (zh) * | 2018-08-01 | 2019-02-15 | 浙江工业大学 | 基于差异比较的卷积神经网络可视分析方法 |
CN109447048A (zh) * | 2018-12-25 | 2019-03-08 | 苏州闪驰数控***集成有限公司 | 一种人工智能预警*** |
CN109583757A (zh) * | 2018-11-30 | 2019-04-05 | 云南民族大学 | 一种基于能源互联网的信用***和需求响应的评分*** |
CN109885597A (zh) * | 2019-01-07 | 2019-06-14 | 平安科技(深圳)有限公司 | 基于机器学习的用户分群处理方法、装置及电子终端 |
CN109885797A (zh) * | 2019-02-18 | 2019-06-14 | 武汉大学 | 一种基于多身份空间映射的关系网络构建方法 |
CN109902140A (zh) * | 2019-03-14 | 2019-06-18 | 成都小步创想慧联科技有限公司 | 事件智能分析方法、装置和用户设备 |
CN110009216A (zh) * | 2019-03-28 | 2019-07-12 | 阿里巴巴集团控股有限公司 | 信用风险用户识别方法及装置 |
CN110019412A (zh) * | 2017-12-30 | 2019-07-16 | 广州明领基因科技有限公司 | 基于Agent的分布式海量数据挖掘*** |
CN110096651A (zh) * | 2019-04-30 | 2019-08-06 | 电子科技大学 | 基于在线社交媒体个人中心网络的可视化分析方法 |
CN110163621A (zh) * | 2018-02-10 | 2019-08-23 | 广州供电局有限公司 | 一种电力客服大数据决策支持*** |
CN110348742A (zh) * | 2019-07-12 | 2019-10-18 | 深圳众赢维融科技有限公司 | 用户数据采集方法、装置、电子设备及存储介质 |
CN110350538A (zh) * | 2019-08-06 | 2019-10-18 | 国网上海市电力公司 | 一种基于主动需求侧响应的微电网协调控制方法 |
CN110442620A (zh) * | 2019-08-05 | 2019-11-12 | 赵玉德 | 一种大数据探索和认知方法、装置、设备以及计算机存储介质 |
CN110489459A (zh) * | 2019-08-07 | 2019-11-22 | 国网安徽省电力有限公司 | 一种基于大数据平台的企业级业数融合数据分析*** |
CN110555172A (zh) * | 2019-08-30 | 2019-12-10 | 京东数字科技控股有限公司 | 用户关系挖掘方法及装置、电子设备和存储介质 |
CN111061791A (zh) * | 2019-12-12 | 2020-04-24 | 广东食品药品职业学院 | 一种中小型电商大数据平台 |
CN111159601A (zh) * | 2019-12-30 | 2020-05-15 | 深圳福恋智能信息科技有限公司 | 一种基于特征数据可视化展示社群的社交方法 |
CN111324671A (zh) * | 2020-03-02 | 2020-06-23 | 苏州工业园区洛加大先进技术研究院 | 基于大数据技术的生物医疗高速信息处理分析*** |
CN111683037A (zh) * | 2020-04-13 | 2020-09-18 | 安徽公安职业学院 | 一种基于大数据分析的智能网络安全*** |
CN111767317A (zh) * | 2019-04-01 | 2020-10-13 | 北京同方软件有限公司 | 一种基于数据联勤的大数据决策分析方法 |
CN111813834A (zh) * | 2020-07-14 | 2020-10-23 | 滁州职业技术学院 | 一种数据挖掘***以及数据挖掘方法 |
CN111833113A (zh) * | 2020-07-27 | 2020-10-27 | 中国平安财产保险股份有限公司 | 基于大数据的产品推荐方法、装置、设备及存储介质 |
CN111860574A (zh) * | 2020-06-04 | 2020-10-30 | 远光软件股份有限公司 | 电网用户分组方法、装置、存储介质及电子设备 |
CN112115367A (zh) * | 2020-09-28 | 2020-12-22 | 北京百度网讯科技有限公司 | 基于融合关系网络的信息推荐方法、装置、设备和介质 |
CN115718846A (zh) * | 2022-12-22 | 2023-02-28 | 云南炳暖蔡网络科技有限公司 | 用于智能化交互网络的大数据挖掘方法及*** |
CN115757556A (zh) * | 2022-12-05 | 2023-03-07 | 徐州思睿晶信息科技有限公司 | 基于大数据的网络数据关联分析方法和平台 |
CN115828160A (zh) * | 2022-12-20 | 2023-03-21 | 徐州思睿晶信息科技有限公司 | 基于大数据和云计算的数据挖掘方法和平台 |
CN115905715A (zh) * | 2022-12-30 | 2023-04-04 | 徐州海清信息科技有限公司 | 基于大数据和人工智能的互联网数据分析方法和平台 |
CN115964432A (zh) * | 2023-02-21 | 2023-04-14 | 靳佳彬 | 基于大数据可视化的用户操作异常分析方法及*** |
-
2023
- 2023-04-17 CN CN202310404517.6A patent/CN116109121B/zh active Active
Patent Citations (51)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090187736A1 (en) * | 2005-10-26 | 2009-07-23 | Cortica Ltd. | Computing Device, a System and a Method for Parallel Processing of Data Streams |
CN102195899A (zh) * | 2011-05-30 | 2011-09-21 | 中国人民解放军总参谋部第五十四研究所 | 通信网络的信息挖掘方法与*** |
US20140337515A1 (en) * | 2013-05-08 | 2014-11-13 | Connectloud | Method and Apparatus To Remotely Monitor Information Technology Infrastructure |
CN103269070A (zh) * | 2013-06-05 | 2013-08-28 | 广州中国科学院沈阳自动化研究所分所 | 一种自动需求响应***和自动需求响应方法 |
US20150279185A1 (en) * | 2014-03-31 | 2015-10-01 | Elwha Llc | Quantified-Self Machines and Circuits Reflexively Related to Food-and-Nutrition Machines and Circuits |
CN103916293A (zh) * | 2014-04-15 | 2014-07-09 | 浪潮软件股份有限公司 | 一种监控分析网站用户行为的方法 |
CN104200275A (zh) * | 2014-06-24 | 2014-12-10 | 国家电网公司 | 基于用户行为特点的用电模式分类和控制方法 |
US20160372079A1 (en) * | 2015-06-17 | 2016-12-22 | Duk Gwan Ku | Personalized color display system through big data analysis and method thereof |
CN105468737A (zh) * | 2015-11-24 | 2016-04-06 | 湖北大学 | 一种网络服务大数据分析方法、云计算平台及挖掘*** |
US20170160328A1 (en) * | 2015-12-02 | 2017-06-08 | Prophecy Sensors, Llc | Distributed iot based sensor analytics for power line diagnosis |
CN106127503A (zh) * | 2016-06-06 | 2016-11-16 | 广州市邦富软件有限公司 | 一种基于真实社会关系和大数据的网络信息分析方法 |
CN107657491A (zh) * | 2016-07-25 | 2018-02-02 | 长沙有干货网络技术有限公司 | 一种基于主题的张量分解电子商务用户信任推荐算法 |
CN106339503A (zh) * | 2016-09-22 | 2017-01-18 | 北京金堤科技有限公司 | 基于要素和关系的交互式展示方法 |
CN108268477A (zh) * | 2016-12-30 | 2018-07-10 | 中国电信股份有限公司 | 一种基于话单的用户关系确定方法和装置 |
CN108320168A (zh) * | 2017-01-16 | 2018-07-24 | 北京金山云网络技术有限公司 | 一种数据分析方法及装置 |
CN107122864A (zh) * | 2017-04-28 | 2017-09-01 | 国网山东省电力公司泰安供电公司 | 电力用户需求分析方法和装置 |
CN110019412A (zh) * | 2017-12-30 | 2019-07-16 | 广州明领基因科技有限公司 | 基于Agent的分布式海量数据挖掘*** |
CN108281197A (zh) * | 2018-01-25 | 2018-07-13 | 中南大学 | 一种分析环境因素与青少年近视眼之间关系的方法 |
CN110163621A (zh) * | 2018-02-10 | 2019-08-23 | 广州供电局有限公司 | 一种电力客服大数据决策支持*** |
CN108448575A (zh) * | 2018-04-02 | 2018-08-24 | 广州供电局有限公司 | 配电网电力负荷分析方法和***、计算机存储介质及设备 |
CN108877774A (zh) * | 2018-07-12 | 2018-11-23 | 四川虹美智能科技有限公司 | 一种数据采集装置、数据分析平台、***及方法 |
CN108648123A (zh) * | 2018-07-13 | 2018-10-12 | 江苏开放大学(江苏城市职业学院) | 一种基于大数据的网络教学平台及利用其管理网络教学过程的方法 |
CN109165996A (zh) * | 2018-07-18 | 2019-01-08 | 浙江大学 | 基于在线用户评论的产品功能特征重要性分析方法 |
CN109344957A (zh) * | 2018-08-01 | 2019-02-15 | 浙江工业大学 | 基于差异比较的卷积神经网络可视分析方法 |
CN108964050A (zh) * | 2018-08-26 | 2018-12-07 | 燕山大学 | 基于需求侧响应的微电网双层优化调度方法 |
CN109583757A (zh) * | 2018-11-30 | 2019-04-05 | 云南民族大学 | 一种基于能源互联网的信用***和需求响应的评分*** |
CN109447048A (zh) * | 2018-12-25 | 2019-03-08 | 苏州闪驰数控***集成有限公司 | 一种人工智能预警*** |
CN109885597A (zh) * | 2019-01-07 | 2019-06-14 | 平安科技(深圳)有限公司 | 基于机器学习的用户分群处理方法、装置及电子终端 |
CN109885797A (zh) * | 2019-02-18 | 2019-06-14 | 武汉大学 | 一种基于多身份空间映射的关系网络构建方法 |
CN109902140A (zh) * | 2019-03-14 | 2019-06-18 | 成都小步创想慧联科技有限公司 | 事件智能分析方法、装置和用户设备 |
CN110009216A (zh) * | 2019-03-28 | 2019-07-12 | 阿里巴巴集团控股有限公司 | 信用风险用户识别方法及装置 |
CN111767317A (zh) * | 2019-04-01 | 2020-10-13 | 北京同方软件有限公司 | 一种基于数据联勤的大数据决策分析方法 |
CN110096651A (zh) * | 2019-04-30 | 2019-08-06 | 电子科技大学 | 基于在线社交媒体个人中心网络的可视化分析方法 |
CN110348742A (zh) * | 2019-07-12 | 2019-10-18 | 深圳众赢维融科技有限公司 | 用户数据采集方法、装置、电子设备及存储介质 |
CN110442620A (zh) * | 2019-08-05 | 2019-11-12 | 赵玉德 | 一种大数据探索和认知方法、装置、设备以及计算机存储介质 |
CN110350538A (zh) * | 2019-08-06 | 2019-10-18 | 国网上海市电力公司 | 一种基于主动需求侧响应的微电网协调控制方法 |
CN110489459A (zh) * | 2019-08-07 | 2019-11-22 | 国网安徽省电力有限公司 | 一种基于大数据平台的企业级业数融合数据分析*** |
CN110555172A (zh) * | 2019-08-30 | 2019-12-10 | 京东数字科技控股有限公司 | 用户关系挖掘方法及装置、电子设备和存储介质 |
CN111061791A (zh) * | 2019-12-12 | 2020-04-24 | 广东食品药品职业学院 | 一种中小型电商大数据平台 |
CN111159601A (zh) * | 2019-12-30 | 2020-05-15 | 深圳福恋智能信息科技有限公司 | 一种基于特征数据可视化展示社群的社交方法 |
CN111324671A (zh) * | 2020-03-02 | 2020-06-23 | 苏州工业园区洛加大先进技术研究院 | 基于大数据技术的生物医疗高速信息处理分析*** |
CN111683037A (zh) * | 2020-04-13 | 2020-09-18 | 安徽公安职业学院 | 一种基于大数据分析的智能网络安全*** |
CN111860574A (zh) * | 2020-06-04 | 2020-10-30 | 远光软件股份有限公司 | 电网用户分组方法、装置、存储介质及电子设备 |
CN111813834A (zh) * | 2020-07-14 | 2020-10-23 | 滁州职业技术学院 | 一种数据挖掘***以及数据挖掘方法 |
CN111833113A (zh) * | 2020-07-27 | 2020-10-27 | 中国平安财产保险股份有限公司 | 基于大数据的产品推荐方法、装置、设备及存储介质 |
CN112115367A (zh) * | 2020-09-28 | 2020-12-22 | 北京百度网讯科技有限公司 | 基于融合关系网络的信息推荐方法、装置、设备和介质 |
CN115757556A (zh) * | 2022-12-05 | 2023-03-07 | 徐州思睿晶信息科技有限公司 | 基于大数据的网络数据关联分析方法和平台 |
CN115828160A (zh) * | 2022-12-20 | 2023-03-21 | 徐州思睿晶信息科技有限公司 | 基于大数据和云计算的数据挖掘方法和平台 |
CN115718846A (zh) * | 2022-12-22 | 2023-02-28 | 云南炳暖蔡网络科技有限公司 | 用于智能化交互网络的大数据挖掘方法及*** |
CN115905715A (zh) * | 2022-12-30 | 2023-04-04 | 徐州海清信息科技有限公司 | 基于大数据和人工智能的互联网数据分析方法和平台 |
CN115964432A (zh) * | 2023-02-21 | 2023-04-14 | 靳佳彬 | 基于大数据可视化的用户操作异常分析方法及*** |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116680323A (zh) * | 2023-06-20 | 2023-09-01 | 吉林省澳美科技有限公司 | 基于大数据安全平台的用户需求挖掘方法及*** |
CN116680323B (zh) * | 2023-06-20 | 2024-02-06 | 深圳市优品投资顾问有限公司 | 基于大数据安全平台的用户需求挖掘方法及*** |
CN117149846A (zh) * | 2023-08-16 | 2023-12-01 | 湖北中恒电测科技有限公司 | 一种基于数据融合的电力数据分析方法和*** |
CN117149846B (zh) * | 2023-08-16 | 2024-05-24 | 上海永天科技股份有限公司 | 一种基于数据融合的电力数据分析方法和*** |
CN117421459A (zh) * | 2023-12-14 | 2024-01-19 | 成都智慧锦城大数据有限公司 | 应用于数字城市的数据挖掘方法及*** |
CN117421459B (zh) * | 2023-12-14 | 2024-02-23 | 成都智慧锦城大数据有限公司 | 应用于数字城市的数据挖掘方法及*** |
CN117573742A (zh) * | 2024-01-15 | 2024-02-20 | 浙江华创视讯科技有限公司 | 一种用户行为模式挖掘方法、设备和存储介质 |
CN117573742B (zh) * | 2024-01-15 | 2024-05-07 | 浙江华创视讯科技有限公司 | 一种用户行为模式挖掘方法、设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116109121B (zh) | 2023-06-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116109121B (zh) | 基于大数据分析的用户需求挖掘方法及*** | |
Wang et al. | Adaboost-based security level classification of mobile intelligent terminals | |
Couckuyt et al. | Fast calculation of multiobjective probability of improvement and expected improvement criteria for Pareto optimization | |
US9536201B2 (en) | Identifying associations in data and performing data analysis using a normalized highest mutual information score | |
CN111612039A (zh) | 异常用户识别的方法及装置、存储介质、电子设备 | |
EA003796B1 (ru) | Способ (варианты) и устройство воспроизведения данных о сходстве объектов в многомерном пространстве | |
Franek et al. | Orthogonal design of experiments for parameter learning in image segmentation | |
CN116126945B (zh) | 基于数据分析的传感器运行状态分析方法和*** | |
Gasimov et al. | Separation via polyhedral conic functions | |
CN116109630B (zh) | 基于传感器采集和人工智能的图像分析方法及*** | |
CN113853614A (zh) | 在量子特征空间中使用量子相似性矩阵的无监督聚类 | |
CN115795000A (zh) | 基于联合相似度算法对比的围标识别方法和装置 | |
Silva et al. | An instance selection method for large datasets based on markov geometric diffusion | |
CN115828160A (zh) | 基于大数据和云计算的数据挖掘方法和平台 | |
Lee et al. | Inverse resolution limit of partition density and detecting overlapping communities by link-surprise | |
EP4227855A1 (en) | Graph explainable artificial intelligence correlation | |
CN108830302B (zh) | 一种图像分类方法、训练方法、分类预测方法及相关装置 | |
Maheswari et al. | Kernelized Spectral Clustering based Conditional MapReduce function with big data | |
Śmieja et al. | Spherical wards clustering and generalized voronoi diagrams | |
Beavers et al. | Data Nuggets: A Method for Reducing Big Data While Preserving Data Structure | |
WO2018172221A1 (en) | Method for computer-implemented determination of the performance of a classification model | |
CN114529001A (zh) | 量子算法的指标评估方法、装置、终端及存储介质 | |
CN113760407A (zh) | 信息处理方法、装置、设备及存储介质 | |
CN112750047A (zh) | 行为关系信息提取方法及装置、存储介质、电子设备 | |
CN116738396B (zh) | 基于人工智能的勘界标准文档录入方法及*** |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |