CN116933123A - 客用户的常住地预测方法、装置、设备及存储介质 - Google Patents
客用户的常住地预测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116933123A CN116933123A CN202310694312.6A CN202310694312A CN116933123A CN 116933123 A CN116933123 A CN 116933123A CN 202310694312 A CN202310694312 A CN 202310694312A CN 116933123 A CN116933123 A CN 116933123A
- Authority
- CN
- China
- Prior art keywords
- address
- information
- place
- data
- data 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 41
- 238000012216 screening Methods 0.000 claims abstract description 12
- 239000013598 vector Substances 0.000 claims description 83
- 238000004590 computer program Methods 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 230000011218 segmentation Effects 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000013523 data management Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000007726 management method Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000013500 data storage Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 241000490229 Eucephalus Species 0.000 description 1
- 241000208818 Helianthus Species 0.000 description 1
- 235000003222 Helianthus annuus Nutrition 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229910052709 silver Inorganic materials 0.000 description 1
- 239000004332 silver Substances 0.000 description 1
- 238000012384 transportation and delivery Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/23—Updating
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
- G06F16/353—Clustering; Classification into predefined classes
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Remote Sensing (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及金融行业的用户数据管理技术,揭露了一种客用户的常住地预测方法,包括:从客用户的埋点数据中提取出经纬信息和对应的时序信息;利用预设的地图库对经纬信息进行地址匹配,得到地址信息,从地址信息中提取出场所特征;根据时序信息和场所特征对地址信息进行分类,得到第一地址数据集;根据第一地址数据集对经纬信息进行聚类操作,得到第二地址数据集,并从第二地址数据集中筛选出场所中心数据;根据场所中心数据对历史场所数据进行更新,得到客用户的常住地。此外,本发明还涉及区块链技术,客户历史数据可存储于区块链的节点。本发明还提出一种客用户的常住地预测装置、电子设备以及存储介质。本发明可以提高金融保险用户的常住地预测的精确度。
Description
技术领域
本发明涉及用户数据管理技术领域,尤其涉及一种客用户的常住地预测方法、装置、电子设备及计算机可读存储介质。
背景技术
客用户的常住地信息对金融行业来说至关重要,是企业开展后续业务的基础,就金融企业而言,全面、准确、及时地掌握客用户的常住地信息,能够有利于与客用户建立良好的关系,进而提升客用户对金融保险等业务的保单维护的满意度,因此需要进行客用户的常住地预测。
现有的常住地预测方法多为基于客用户购买产品或注册应用程序时自主填写的常住地信息,例如购买保险、证券等金融业务时填写的地址信息,实际应用中,自主填写的常住地信息具有一定的随意性,无法判别真假,且在客用户的常住地发生变动时,也无法及时的得到信息更新,可能导致对客用户进行常住地预测时的精确度较低。
发明内容
本发明提供一种客用户的常住地预测方法、装置及计算机可读存储介质,其主要目的在于解决对金融保险用户的常住地预测时的精确度较低的问题。
为实现上述目的,本发明提供的一种客用户的常住地预测方法,包括:
获取客用户的埋点数据,从所述埋点数据中提取出经纬信息和对应的时序信息;
利用预设的地图库对所述经纬信息进行地址匹配,得到地址信息,从所述地址信息中提取出场所特征;
根据所述时序信息对所述地址信息进行分类,得到时序地址数据集,根据所述场所特征对所述地址信息进行分类,得到场所地址数据集,并将所述时序地址数据集和所述场所地址数据集融合成第一地址数据集;
根据所述第一地址数据集对所述经纬信息进行聚类操作,得到第二地址数据集,并从所述第二地址数据集中筛选出场所中心数据;
从预设的客户历史数据中提取出历史场所数据,根据所述场所中心数据对所述历史场所数据进行更新,得到所述客用户的常住地。
可选地,所述从所述埋点数据中提取出经纬信息和对应的时序信息,包括:
根据预设的定位关键字从所述埋点数据中提取出定位字符串;
从所述定位字符串中提取出经纬字符串,对所述经纬字符串进行数据转换,得到经纬信息;
从所述定位字符串中提取出时序字符串,对所述时序字符串进行数据转换,得到时序信息。
可选地,所述从所述地址信息中提取出场所特征,包括:
逐个选取所述地址信息中的地址文本作为目标地址文本;
对所述目标地址文本进行文本分词,得到目标地址词集;
对所述目标地址词集进行向量化操作,得到地址词向量集;
将所述地址词向量集与预设的场所词向量库进行匹配,得到场所特征。
可选地,所述将所述地址词向量集与预设的场所词向量库进行匹配,得到场所特征,包括:
逐个选取所述地址词向量集中的地址词向量作为目标地址词向量,逐个选取所述场所词向量库中的场所词向量作为目标场所词向量;
计算所述目标地址词向量与所述目标场所词向量之间的相似度;
选取与所述目标地址词向量之间的相似度最大的所述目标场所词向量作为相似词向量,并判断所述目标地址词向量与所述相似词向量之间的相似度是否大于预设的相似度阈值;
当所述相似度小于或等于所述相似度阈值时,返回逐个选取所述地址词向量集中的地址词向量作为目标地址词向量的步骤;
当所述相似度大于所述相似度阈值时,将所述相似词向量作为所述目标地址词向量的地址特征,并将所有的所述地址特征汇集成场所特征。
可选地,所述根据所述时序信息对所述地址信息进行分类,得到时序地址数据集,包括:
从所述时序信息中提取出年月日信息,根据所述年月日信息将所述地址信息分成工作日地址以及休息日地址;
从所述时序信息中提取出时分秒信息,根据所述时分秒信息将所述工作日地址分割成时序工作地址、第一休闲地址以及第一家庭地址,根据所述时分秒信息将所述休息日地址分割成第二休闲地址以及第二家庭地址;
将所述第一休闲地址和所述第二休闲地址合并成时序休闲地址,将所述第一家庭地址和所述第二家庭地址合并成时序家庭地址,将所述时序工作地址、时序休闲地址以及所述时序家庭地址汇集成时序地址数据集。
可选地,所述根据所述场所特征对所述地址信息进行分类,得到场所地址数据集,包括:
将所述场所特征分为工作类场所特征、家庭类场所特征以及娱乐类场所特征;
将所述工作类场所特征所对应的地址信息作为场地工作地址,将所述家庭类场所特征所对应的地址信息作为场地家庭地址,将所述娱乐类场所特征所对应的地址信息作为场地娱乐地址;
将所述场地工作地址、所述场地家庭地址以及所述场地娱乐地址汇集成场地地址数据集。
可选地,所述根据所述第一地址数据集对所述经纬信息进行聚类操作,得到第二地址数据集,包括:
从所述经纬信息中提取出经纬点集,根据所述第一地址数据集将所述经纬点集分为多个场所经纬点组;
逐个选取所述场所经纬点组作为目标经纬点组,随机选取所述目标经纬点组中的一个经纬点作为初始经纬中心点,并将所有的所述初始经纬中心点汇集成初始中心点集;
逐个选取所述经纬点集中的经纬点作为目标经纬点,计算所述目标经纬点与所述初始中心点集中各个初始经纬中心点之间的聚类距离;
选取与所述目标经纬点之间的聚类距离最小的所述初始经纬中心点作为所述目标经纬点的最近中心点,并将所述目标经纬点划分到所述最近中心点所对应的场所经纬点组中,直至所述目标经纬点是所述经纬点集中最后一个经纬点时,将聚类后的所有的所述场所经纬点组汇集成标准经纬点集;
逐个选取所述标准经纬点集中的场所经纬点组作为目标标准点组,计算所述目标标准点组的次级中心点,并计算所述次级中心点与所述目标标准点组的初始经纬中心点之间的中心距离,将所有的所述中心距离之和作为取模中心距离;
判断所述取模中心距离是否大于预设的中心距离阈值;
当所述取模中心距离大于所述中心距离阈值时,将所述次级中心点作为所述初始经纬中心点,返回所述逐个选取所述经纬点集中的经纬点作为目标经纬点的步骤;
当所述取模中心距离小于或等于所述中心距离阈值时,将此时的所述标准经纬点集作为第二地址数据集。
为了解决上述问题,本发明还提供一种客用户的常住地预测装置,所述装置包括:
数据获取模块,用于获取客用户的埋点数据,从所述埋点数据中提取出经纬信息和对应的时序信息;
场所特征模块,用于利用预设的地图库对所述经纬信息进行地址匹配,得到地址信息,从所述地址信息中提取出场所特征;
地址分类模块,用于根据所述时序信息对所述地址信息进行分类,得到时序地址数据集,根据所述场所特征对所述地址信息进行分类,得到场所地址数据集,并将所述时序地址数据集和所述场所地址数据集融合成第一地址数据集;
地址聚类模块,用于根据所述第一地址数据集对所述经纬信息进行聚类操作,得到第二地址数据集,并从所述第二地址数据集中筛选出场所中心数据;
地址更新模块,用于从预设的客户历史数据中提取出历史场所数据,根据所述场所中心数据对所述历史场所数据进行更新,得到所述客用户的常住地。
为了解决上述问题,本发明还提供一种电子设备,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述所述的客用户的常住地预测方法。
为了解决上述问题,本发明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至少一个计算机程序,所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的客用户的常住地预测方法。
本发明实施例通过获取客用户的埋点数据,从所述埋点数据中提取出经纬信息和对应的时序信息,能够得到客用户的行动位置和时间数据,方便后续的常住地预测;通过利用预设的地图库对所述经纬信息进行地址匹配,得到地址信息,能够获取所述客用户长时间停留地区的文本信息,通过从所述地址信息中提取出场所特征,能够方便后续根据场所特征确定地址的类别,得到更加精确地客用户行动轨迹。通过根据所述时序信息对所述地址信息进行分类,得到时序地址数据集,根据所述场所特征对所述地址信息进行分类,得到场所地址数据集,并将所述时序地址数据集和所述场所地址数据集融合成第一地址数据集,能够在时间维度和地址特征的维度上对地址进行分类,从而得到更加精确地地址分类,通过根据所述第一地址数据集对所述经纬信息进行聚类操作,得到第二地址数据集,可以得到更加准确的所述客用户的常住地信息,通过从所述第二地址数据集中筛选出场所中心数据,可以确定所述客用户的常住地的中心,通过从预设的客户历史数据中提取出历史场所数据,根据所述场所中心数据对所述历史场所数据进行更新,得到所述客用户的常住地,可以提高客户地址数据的准确性和真实性,方便后续进行金融产品的推荐或者保单维护以及用户画像的建立。因此本发明提出的客用户的常住地预测方法、装置、电子设备及计算机可读存储介质,可以解决对金融保险用户的进行常住地预测时的精确度较低的问题。
附图说明
图1为本发明一实施例提供的客用户的常住地预测方法的流程示意图;
图2为本发明一实施例提供的生成场所特征的流程示意图;
图3为本发明一实施例提供的生成第二地址数据集的流程示意图;
图4为本发明一实施例提供的客用户的常住地预测装置的功能模块图;
图5为本发明一实施例提供的实现所述客用户的常住地预测方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本申请实施例提供一种客用户的常住地预测方法。所述客用户的常住地预测方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之,所述客用户的常住地预测方法可以由安装在终端设备或服务端设备的软件或硬件来执行,所述软件可以是区块链平台。所述服务端包括但不限于:单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器,也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(ContentDelivery Network,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示,为本发明一实施例提供的客用户的常住地预测方法的流程示意图。在本实施例中,所述客用户的常住地预测方法包括:
S1、获取客用户的埋点数据,从所述埋点数据中提取出经纬信息和对应的时序信息。
详细地,所述埋点数据包括定位数据、手机号码数据以及设备型号等数据。
本发明实施例中,所述客用户可以是金融保险用户。所述获取客用户的埋点数据,包括:利用预设的监听接口对客用户的应用程序进行监听;当监听到所述应用程序触发埋点事件时,利用所述监听接口接收获取所述埋点事件的返回值,并将所有的所述返回值汇集成埋点数据。
详细地,所述监听接口可以是IntersectionObserver接口。
详细地,所述应用程序可以是金融证券或金融保险类的应用程序,例如金融银行、金融健康保险、金融证券等应用程序。
具体地,所述埋点事件可以是应用打开事件、应用使用事件以及应用关闭事件等事件,例如在打开口袋银行时,应用自动获取定位信息。
详细地,可以利用所述监听接口的IntersectionObserver.takeRecords()方法接收获取所述埋点事件的返回值。
详细地,所述从所述埋点数据中提取出经纬信息和对应的时序信息,包括:根据预设的定位关键字从所述埋点数据中提取出定位字符串;从所述定位字符串中提取出经纬字符串,对所述经纬字符串进行数据转换,得到经纬信息;从所述定位字符串中提取出时序字符串,对所述时序字符串进行数据转换,得到时序信息。
详细地,所述定位关键字可以是GPRMC。
详细地,可以利用正则表达式根据预设的定位关键字从所述埋点数据中提取出定位字符串。
具体地,所述从所述定位字符串中提取出经纬字符串是指将所述定位字符串中的第3到4号字符串作为维度字符串,5到6号字符串作为经度字符串,并将维度字符串和经度字符串汇集成经纬字符串。
详细地,可以利用kotlinDLLatLngUtil等经纬度数据处理工具对所述经纬字符串进行数据转换,得到经纬信息。
具体地,所述从所述定位字符串中提取出时序字符串是指将所述定位字符串中的第1号以及9号作为时序字符串,详细地,所述对所述时序字符串进行数据转换,得到时序信息,是指将所述所述时序字符串由时分秒日月年的格式转化为年月日时分秒的格式。
本发明实施例中,通过获取金融保险等行业客用户的埋点数据,从所述埋点数据中提取出经纬信息和对应的时序信息,能够得到金融保险等行业客用户的行动位置和时间数据,方便后续的常住地预测。
S2、利用预设的地图库对所述经纬信息进行地址匹配,得到地址信息,从所述地址信息中提取出场所特征。
本发明实施例中,所述地图库可以是在线地图或离线地图等公开地图数据库。
本发明实施例中,所述利用预设的地图库对所述经纬信息进行地址匹配,得到地址信息是指将所述经纬信息输入所述地图库,从而得到对应的地址信息。
详细地,所述从所述地址信息中提取出场所特征,包括:逐个选取所述地址信息中的地址文本作为目标地址文本;对所述目标地址文本进行文本分词,得到目标地址词集;对所述目标地址词集进行向量化操作,得到地址词向量集;将所述地址词向量集与预设的场所词向量库进行匹配,得到场所特征。
详细地,可以利用双向最大匹配算法对所述目标地址文本进行文本分词,得到目标地址词集。
具体地,可以利用word2vec或独热编码对所述目标地址词集进行向量化操作,得到地址词向量集。
详细地,所述场所词向量库是指包含多个场所关键词的词向量的数据库,其中,所述场所关键词例如“小区”、“小学、“广场”等场所类的词语。
具体地,参照图2所示,所述将所述地址词向量集与预设的场所词向量库进行匹配,得到场所特征,包括:
S21、逐个选取所述地址词向量集中的地址词向量作为目标地址词向量,逐个选取所述场所词向量库中的场所词向量作为目标场所词向量;
S22、计算所述目标地址词向量与所述目标场所词向量之间的相似度;
S23、选取与所述目标地址词向量之间的相似度最大的所述目标场所词向量作为相似词向量;
S24、判断所述目标地址词向量与所述相似词向量之间的相似度是否大于预设的相似度阈值;
S25、当所述相似度小于或等于所述相似度阈值时,返回逐个选取所述地址词向量集中的地址词向量作为目标地址词向量的步骤;
S26、当所述相似度大于所述相似度阈值时,将所述相似词向量作为所述目标地址词向量的地址特征,并将所有的所述地址特征汇集成场所特征。
例如,本发明实施例可以从所述地址词向量集中选择“太阳花小区”对应的地址词向量作为目标地址词向量,从所述场所词向量库依次选取“XX小区”对应的场所词向量作为目标场所词向量。进一步地,本发明实施例可以利用余弦相似度公式计算所述目标地址词向量与所述目标场所词向量之间的相似度。
具体地,所述相似度阈值可以是0.85或0.9。
本发明实施例中,通过利用预设的地图库对所述经纬信息进行地址匹配,得到地址信息,能够获取所述客用户长时间停留地区的文本信息,通过从所述地址信息中提取出场所特征,能够方便后续根据场所特征确定地址的类别,得到更加精确地客用户行动轨迹。
S3、根据所述时序信息对所述地址信息进行分类,得到时序地址数据集,根据所述场所特征对所述地址信息进行分类,得到场所地址数据集,并将所述时序地址数据集和所述场所地址数据集融合成第一地址数据集。
本发明实施例中,所述根据所述时序信息对所述地址信息进行分类,得到时序地址数据集,包括:从所述时序信息中提取出年月日信息,根据所述年月日信息将所述地址信息分成工作日地址以及休息日地址;从所述时序信息中提取出时分秒信息,根据所述时分秒信息将所述工作日地址分割成时序工作地址、第一休闲地址以及第一家庭地址,根据所述时分秒信息将所述休息日地址分割成第二休闲地址以及第二家庭地址;将所述第一休闲地址和所述第二休闲地址合并成时序休闲地址,将所述第一家庭地址和所述第二家庭地址合并成时序家庭地址,将所述时序工作地址、时序休闲地址以及所述时序家庭地址汇集成时序地址数据集。
详细地,可以利用select语言或正则表达式从所述时序信息中提取出年月日信息。
具体地,所述根据所述年月日信息将所述地址信息分成工作日地址以及休息日地址是指将年月日信息为工作日时对应的地址信息作为工作日地址,将年月日信息为休息日时对应的地址信息作为休息日地址。
详细地,所述根据所述时分秒信息将所述工作日地址分割成时序工作地址、第一休闲地址以及第一家庭地址,例如,将8到12点、14到19点对应的工作日地址作为时序工作地址,将12到14点对应的工作日地址作为第一休闲地址,将21到次日8点对应的工作日地址作为第一家庭地址。
详细地,所述根据所述时分秒信息将所述休息日地址分割成第二休闲地址以及第二家庭地址,例如,将10到21点所对应的休息日地址作为第二休闲地址,将21到10点所对应的休息日地址作为第二家庭地址。
详细地,所述根据所述场所特征对所述地址信息进行分类,得到场所地址数据集,包括:将所述场所特征分为工作类场所特征、家庭类场所特征以及娱乐类场所特征;将所述工作类场所特征所对应的地址信息作为场地工作地址,将所述家庭类场所特征所对应的地址信息作为场地家庭地址,将所述娱乐类场所特征所对应的地址信息作为场地娱乐地址;将所述场地工作地址、所述场地家庭地址以及所述场地娱乐地址汇集成场地地址数据集。
详细地,所述将所述场所特征分为工作类场所特征、家庭类场所特征以及娱乐类场所特征,例如,将“大厦”、“有限公司”等词语的词向量作为工作类场所特征,将“小区”、“名苑”等词语的词向量作为家庭类场所特征,将“购物中心”、“公园”等词语的词向量作为娱乐类场所特征。
详细地,所述将所述时序地址数据集和所述场所地址数据集融合成第一地址数据集,包括:将所述时序工作地址和所述场所工作地址中的重合地址作为初始工作地址;将所述时序家庭地址和所述场所家庭地址中的重合地址作为初始家庭地址;将所述时序娱乐地址和所述场所娱乐地址中的重合地址作为初始娱乐地址;将所述初始工作地址、所述初始家庭地址以及所述初始娱乐地址汇集成第一地址数据集。
本发明实施例中,通过根据所述时序信息对所述地址信息进行分类,得到时序地址数据集,根据所述场所特征对所述地址信息进行分类,得到场所地址数据集,并将所述时序地址数据集和所述场所地址数据集融合成第一地址数据集,能够在时间维度和地址特征的维度上对地址进行分类,从而得到更加精确地地址分类。
S4、根据所述第一地址数据集对所述经纬信息进行聚类操作,得到第二地址数据集,并从所述第二地址数据集中筛选出场所中心数据。
本发明实施例中,参照图3所示,所述根据所述第一地址数据集对所述经纬信息进行聚类操作,得到第二地址数据集,包括:
S31、从所述经纬信息中提取出经纬点集,根据所述第一地址数据集将所述经纬点集分为多个场所经纬点组;
S32、逐个选取所述场所经纬点组作为目标经纬点组,随机选取所述目标经纬点组中的一个经纬点作为初始经纬中心点,并将所有的所述初始经纬中心点汇集成初始中心点集;
S33、逐个选取所述经纬点集中的经纬点作为目标经纬点,计算所述目标经纬点与所述初始中心点集中各个初始经纬中心点之间的聚类距离;
S34、选取与所述目标经纬点之间的聚类距离最小的所述初始经纬中心点作为所述目标经纬点的最近中心点,并将所述目标经纬点划分到所述最近中心点所对应的场所经纬点组中,直至所述目标经纬点是所述经纬点集中最后一个经纬点时,将聚类后的所有的所述场所经纬点组汇集成标准经纬点集;
S35、逐个选取所述标准经纬点集中的场所经纬点组作为目标标准点组,计算所述目标标准点组的次级中心点,并计算所述次级中心点与所述目标标准点组的初始经纬中心点之间的中心距离,将所有的所述中心距离之和作为取模中心距离;
S36、判断所述取模中心距离是否大于预设的中心距离阈值;
S37、当所述取模中心距离大于所述中心距离阈值时,将所述次级中心点作为所述初始经纬中心点,返回所述逐个选取所述经纬点集中的经纬点作为目标经纬点的步骤;
S38、当所述取模中心距离小于或等于所述中心距离阈值时,将此时的所述标准经纬点集作为第二地址数据集。
详细地,所述场所经纬点组是指同一场所类的经纬点的组合。
具体地,所述根据所述第一地址数据集将所述经纬点集分为多个场所经纬点组,例如,将所述经纬电集中所述第一地址数据集的初始工作地址所对应的经纬点作为工作经纬点。
详细地,所述次级中心点是指与所述目标经纬点组中所有经纬点之间的聚类距离相同位置的经纬点。
详细地,所述从所述第二地址数据集中筛选出场所中心数据是指将所述第二地址数据集中所有的所述初始经纬中心点作为场所中心点,将所有的所述场所中心点汇集成场所中心数据。
本发明实施例中,通过根据所述第一地址数据集对所述经纬信息进行聚类操作,得到第二地址数据集,可以得到更加准确的所述客用户的常住地信息,通过从所述第二地址数据集中筛选出场所中心数据,可以确定所述客用户的常住地的中心。
S5、从预设的客户历史数据中提取出历史场所数据,根据所述场所中心数据对所述历史场所数据进行更新,得到所述客用户的常住地。
本发明实施例中,所述客户历史数据是指存储在区块链或服务器等数据存储介质中的客用户上传的或员工上传的客用户信息,例如,客户在购买金融产品或者保险时,在金融保险服务器中上传的客用户信息。
详细地,所述历史场所数据是指所述客户历史数据中与地址相关的数据。
本发明实施例中,根据所述场所中心数据对所述历史场所数据进行更新,得到所述客用户的常住地是指从所述场所中心数据中提取出地区信息,并利用所述地区信息对所述历史场所数据进行更新,并将更新后的所述历史场所数据作为所述常住地。
本发明实施例中,通过从预设的客户历史数据中提取出历史场所数据,根据所述场所中心数据对所述历史场所数据进行更新,得到所述客用户的常住地,可以提高客户地址数据的准确性和真实性,进而增强保险等业务的经营效率。
本发明实施例通过获取客用户的埋点数据,从所述埋点数据中提取出经纬信息和对应的时序信息,能够得到客用户的行动位置和时间数据,方便后续的常住地预测;通过利用预设的地图库对所述经纬信息进行地址匹配,得到地址信息,能够获取所述客用户长时间停留地区的文本信息,通过从所述地址信息中提取出场所特征,能够方便后续根据场所特征确定地址的类别,得到更加精确地客用户行动轨迹。
通过根据所述时序信息对所述地址信息进行分类,得到时序地址数据集,根据所述场所特征对所述地址信息进行分类,得到场所地址数据集,并将所述时序地址数据集和所述场所地址数据集融合成第一地址数据集,能够在时间维度和地址特征的维度上对地址进行分类,从而得到更加精确地地址分类,通过根据所述第一地址数据集对所述经纬信息进行聚类操作,得到第二地址数据集,可以得到更加准确的所述客用户的常住地信息,通过从所述第二地址数据集中筛选出场所中心数据,可以确定所述客用户的常住地的中心,通过从预设的客户历史数据中提取出历史场所数据,根据所述场所中心数据对所述历史场所数据进行更新,得到所述客用户的常住地,可以提高客户地址数据的准确性和真实性,精准的客户地址数据能够有利于与客用户建立良好的关系,进而提升客用户对金融保险等业务的保单维护的满意度。因此本发明提出的客用户的常住地预测方法,可以解决对客用户进行常住地预测时的精确度较低的问题。
如图4所示,是本发明一实施例提供的客用户的常住地预测装置的功能模块图。
本发明所述客用户的常住地预测装置100可以安装于电子设备中。根据实现的功能,所述客用户的常住地预测装置100可以包括数据获取模块101、场所特征模块102、地址分类模块103、地址聚类模块104及地址更新模块105。本发明所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本实施例中,关于各模块/单元的功能如下:
所述数据获取模块101,用于获取客用户的埋点数据,从所述埋点数据中提取出经纬信息和对应的时序信息;
所述场所特征模块102,用于利用预设的地图库对所述经纬信息进行地址匹配,得到地址信息,从所述地址信息中提取出场所特征;
所述地址分类模块103,用于根据所述时序信息对所述地址信息进行分类,得到时序地址数据集,根据所述场所特征对所述地址信息进行分类,得到场所地址数据集,并将所述时序地址数据集和所述场所地址数据集融合成第一地址数据集;
所述地址聚类模块104,用于根据所述第一地址数据集对所述经纬信息进行聚类操作,得到第二地址数据集,并从所述第二地址数据集中筛选出场所中心数据;
所述地址更新模块105,用于从预设的客户历史数据中提取出历史场所数据,根据所述场所中心数据对所述历史场所数据进行更新,得到所述客用户的常住地。
详细地,本发明实施例中所述客用户的常住地预测装置100中所述的各模块在使用时采用与上述图1至图3中所述的客用户的常住地预测方法一样的技术手段,并能够产生相同的技术效果,这里不再赘述。
如图5所示,是本发明一实施例提供的实现客用户的常住地预测方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11、通信总线12以及通信接口13,还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序,如客用户的常住地预测程序。
其中,所述处理器10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(Central Processing unit,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。所述处理器10是所述电子设备的控制核心(ControlUnit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器11内的程序或者模块(例如执行客用户的常住地预测程序等),以及调用存储在所述存储器11内的数据,以执行电子设备的各种功能和处理数据。
所述存储器11至少包括一种类型的可读存储介质,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。所述存储器11在一些实施例中可以是电子设备的内部存储单元,例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备,例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(Secure Digital,SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据,例如客用户的常住地预测程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述通信总线12可以是外设部件互连标准(peripheral componentinterconnect,简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture,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。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
所述通信接口13用于上述电子设备与其他设备之间的通信,包括网络接口和用户接口。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与其他电子设备之间建立通信连接。所述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(Organic Light-Emitting Diode,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中处理的信息以及用于显示可视化的用户界面。
图中仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图中示出的结构并不构成对所述电子设备的限定,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。
例如,尽管未示出,所述电子设备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10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。所述电子设备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。
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。
所述电子设备1中的所述存储器11存储的客用户的常住地预测程序是多个指令的组合,在所述处理器10中运行时,可以实现:
获取客用户的埋点数据,从所述埋点数据中提取出经纬信息和对应的时序信息;
利用预设的地图库对所述经纬信息进行地址匹配,得到地址信息,从所述地址信息中提取出场所特征;
根据所述时序信息对所述地址信息进行分类,得到时序地址数据集,根据所述场所特征对所述地址信息进行分类,得到场所地址数据集,并将所述时序地址数据集和所述场所地址数据集融合成第一地址数据集;
根据所述第一地址数据集对所述经纬信息进行聚类操作,得到第二地址数据集,并从所述第二地址数据集中筛选出场所中心数据;
从预设的客户历史数据中提取出历史场所数据,根据所述场所中心数据对所述历史场所数据进行更新,得到所述客用户的常住地。
具体地,所述处理器10对上述指令的具体实现方法可参考附图对应实施例中相关步骤的描述,在此不赘述。
进一步地,所述电子设备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存储介质中。所述计算机可读存储介质可以是易失性的,也可以是非易失性的。例如,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-Only Memory)。
本发明还提供一种计算机可读存储介质,所述可读存储介质存储有计算机程序,所述计算机程序在被电子设备的处理器所执行时,可以实现:
获取客用户的埋点数据,从所述埋点数据中提取出经纬信息和对应的时序信息;
利用预设的地图库对所述经纬信息进行地址匹配,得到地址信息,从所述地址信息中提取出场所特征;
根据所述时序信息对所述地址信息进行分类,得到时序地址数据集,根据所述场所特征对所述地址信息进行分类,得到场所地址数据集,并将所述时序地址数据集和所述场所地址数据集融合成第一地址数据集;
根据所述第一地址数据集对所述经纬信息进行聚类操作,得到第二地址数据集,并从所述第二地址数据集中筛选出场所中心数据;
从预设的客户历史数据中提取出历史场所数据,根据所述场所中心数据对所述历史场所数据进行更新,得到所述客用户的常住地。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备,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,在本发明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。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明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。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、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***。
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。***权利要求中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发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种客用户的常住地预测方法,其特征在于,所述方法包括:
获取客用户的埋点数据,从所述埋点数据中提取出经纬信息和对应的时序信息;
利用预设的地图库对所述经纬信息进行地址匹配,得到地址信息,从所述地址信息中提取出场所特征;
根据所述时序信息对所述地址信息进行分类,得到时序地址数据集,根据所述场所特征对所述地址信息进行分类,得到场所地址数据集,并将所述时序地址数据集和所述场所地址数据集融合成第一地址数据集;
根据所述第一地址数据集对所述经纬信息进行聚类操作,得到第二地址数据集,并从所述第二地址数据集中筛选出场所中心数据;
从预设的客户历史数据中提取出历史场所数据,根据所述场所中心数据对所述历史场所数据进行更新,得到所述客用户的常住地。
2.如权利要求1所述的客用户的常住地预测方法,其特征在于,所述从所述埋点数据中提取出经纬信息和对应的时序信息,包括:
根据预设的定位关键字从所述埋点数据中提取出定位字符串;
从所述定位字符串中提取出经纬字符串,对所述经纬字符串进行数据转换,得到经纬信息;
从所述定位字符串中提取出时序字符串,对所述时序字符串进行数据转换,得到时序信息。
3.如权利要求1所述的客用户的常住地预测方法,其特征在于,所述从所述地址信息中提取出场所特征,包括:
逐个选取所述地址信息中的地址文本作为目标地址文本;
对所述目标地址文本进行文本分词,得到目标地址词集;
对所述目标地址词集进行向量化操作,得到地址词向量集;
将所述地址词向量集与预设的场所词向量库进行匹配,得到场所特征。
4.如权利要求3所述的客用户的常住地预测方法,其特征在于,所述将所述地址词向量集与预设的场所词向量库进行匹配,得到场所特征,包括:
逐个选取所述地址词向量集中的地址词向量作为目标地址词向量,逐个选取所述场所词向量库中的场所词向量作为目标场所词向量;
计算所述目标地址词向量与所述目标场所词向量之间的相似度;
选取与所述目标地址词向量之间的相似度最大的所述目标场所词向量作为相似词向量,并判断所述目标地址词向量与所述相似词向量之间的相似度是否大于预设的相似度阈值;
当所述相似度小于或等于所述相似度阈值时,返回逐个选取所述地址词向量集中的地址词向量作为目标地址词向量的步骤;
当所述相似度大于所述相似度阈值时,将所述相似词向量作为所述目标地址词向量的地址特征,并将所有的所述地址特征汇集成场所特征。
5.如权利要求1所述的客用户的常住地预测方法,其特征在于,所述根据所述时序信息对所述地址信息进行分类,得到时序地址数据集,包括:
从所述时序信息中提取出年月日信息,根据所述年月日信息将所述地址信息分成工作日地址以及休息日地址;
从所述时序信息中提取出时分秒信息,根据所述时分秒信息将所述工作日地址分割成时序工作地址、第一休闲地址以及第一家庭地址,根据所述时分秒信息将所述休息日地址分割成第二休闲地址以及第二家庭地址;
将所述第一休闲地址和所述第二休闲地址合并成时序休闲地址,将所述第一家庭地址和所述第二家庭地址合并成时序家庭地址,将所述时序工作地址、时序休闲地址以及所述时序家庭地址汇集成时序地址数据集。
6.如权利要求1所述的客用户的常住地预测方法,其特征在于,所述根据所述场所特征对所述地址信息进行分类,得到场所地址数据集,包括:
将所述场所特征分为工作类场所特征、家庭类场所特征以及娱乐类场所特征;
将所述工作类场所特征所对应的地址信息作为场地工作地址,将所述家庭类场所特征所对应的地址信息作为场地家庭地址,将所述娱乐类场所特征所对应的地址信息作为场地娱乐地址;
将所述场地工作地址、所述场地家庭地址以及所述场地娱乐地址汇集成场地地址数据集。
7.如权利要求1所述的客用户的常住地预测方法,其特征在于,所述根据所述第一地址数据集对所述经纬信息进行聚类操作,得到第二地址数据集,包括:
从所述经纬信息中提取出经纬点集,根据所述第一地址数据集将所述经纬点集分为多个场所经纬点组;
逐个选取所述场所经纬点组作为目标经纬点组,随机选取所述目标经纬点组中的一个经纬点作为初始经纬中心点,并将所有的所述初始经纬中心点汇集成初始中心点集;
逐个选取所述经纬点集中的经纬点作为目标经纬点,计算所述目标经纬点与所述初始中心点集中各个初始经纬中心点之间的聚类距离;
选取与所述目标经纬点之间的聚类距离最小的所述初始经纬中心点作为所述目标经纬点的最近中心点,并将所述目标经纬点划分到所述最近中心点所对应的场所经纬点组中,直至所述目标经纬点是所述经纬点集中最后一个经纬点时,将聚类后的所有的所述场所经纬点组汇集成标准经纬点集;
逐个选取所述标准经纬点集中的场所经纬点组作为目标标准点组,计算所述目标标准点组的次级中心点,并计算所述次级中心点与所述目标标准点组的初始经纬中心点之间的中心距离,将所有的所述中心距离之和作为取模中心距离;
判断所述取模中心距离是否大于预设的中心距离阈值;
当所述取模中心距离大于所述中心距离阈值时,将所述次级中心点作为所述初始经纬中心点,返回所述逐个选取所述经纬点集中的经纬点作为目标经纬点的步骤;
当所述取模中心距离小于或等于所述中心距离阈值时,将此时的所述标准经纬点集作为第二地址数据集。
8.一种客用户的常住地预测装置,其特征在于,所述装置包括:
数据获取模块,用于获取客用户的埋点数据,从所述埋点数据中提取出经纬信息和对应的时序信息;
场所特征模块,用于利用预设的地图库对所述经纬信息进行地址匹配,得到地址信息,从所述地址信息中提取出场所特征;
地址分类模块,用于根据所述时序信息对所述地址信息进行分类,得到时序地址数据集,根据所述场所特征对所述地址信息进行分类,得到场所地址数据集,并将所述时序地址数据集和所述场所地址数据集融合成第一地址数据集;
地址聚类模块,用于根据所述第一地址数据集对所述经纬信息进行聚类操作,得到第二地址数据集,并从所述第二地址数据集中筛选出场所中心数据;
地址更新模块,用于从预设的客户历史数据中提取出历史场所数据,根据所述场所中心数据对所述历史场所数据进行更新,得到所述客用户的常住地。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1至7中任意一项所述的客用户的常住地预测方法。
10.一种计算机可读存储介质,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如权利要求1至7中任意一项所述的客用户的常住地预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310694312.6A CN116933123A (zh) | 2023-06-12 | 2023-06-12 | 客用户的常住地预测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310694312.6A CN116933123A (zh) | 2023-06-12 | 2023-06-12 | 客用户的常住地预测方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116933123A true CN116933123A (zh) | 2023-10-24 |
Family
ID=88379608
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310694312.6A Pending CN116933123A (zh) | 2023-06-12 | 2023-06-12 | 客用户的常住地预测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116933123A (zh) |
-
2023
- 2023-06-12 CN CN202310694312.6A patent/CN116933123A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3985578A1 (en) | Method and system for automatically training machine learning model | |
WO2022095351A1 (zh) | 目标区域划分方法、装置、电子设备及存储介质 | |
CN109255564B (zh) | 一种取件点地址推荐方法及装置 | |
CN115002200A (zh) | 基于用户画像的消息推送方法、装置、设备及存储介质 | |
CN113656690B (zh) | 产品推荐方法、装置、电子设备及可读存储介质 | |
CN113868528A (zh) | 资讯推荐方法、装置、电子设备及可读存储介质 | |
CN114612194A (zh) | 产品推荐方法、装置、电子设备及存储介质 | |
CN113868529A (zh) | 知识推荐方法、装置、电子设备及可读存储介质 | |
CN114997263B (zh) | 基于机器学习的结训率分析方法、装置、设备及存储介质 | |
CN114781832A (zh) | 课程推荐方法、装置、电子设备及存储介质 | |
CN113157739B (zh) | 跨模态检索方法、装置、电子设备及存储介质 | |
Zou et al. | Deep learning for cross-domain data fusion in urban computing: Taxonomy, advances, and outlook | |
CN112651782A (zh) | 基于缩放点积注意力的行为预测方法、装置、设备及介质 | |
CN111651452A (zh) | 数据存储方法、装置、计算机设备及存储介质 | |
CN114708073B (zh) | 一种围标串标智能检测方法、装置、电子设备及存储介质 | |
CN113657546B (zh) | 信息分类方法、装置、电子设备及可读存储介质 | |
CN116933123A (zh) | 客用户的常住地预测方法、装置、设备及存储介质 | |
CN115081447A (zh) | 软件开发的需求文档构建方法、装置、设备及存储介质 | |
CN114518993A (zh) | 基于业务特征的***性能监控方法、装置、设备及介质 | |
CN113706207A (zh) | 基于语义解析的订单成交率分析方法、装置、设备及介质 | |
CN113449002A (zh) | 车辆推荐方法、装置、电子设备及存储介质 | |
CN113919962B (zh) | 保单出险的智能分析方法、装置、设备及存储介质 | |
CN113344674A (zh) | 基于用户购买力的产品推荐方法、装置、设备及存储介质 | |
CN114723488B (zh) | 课程推荐方法、装置、电子设备及存储介质 | |
CN113868487B (zh) | 基于GeoHash地址编码的行员选取方法、装置、设备及介质 |
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 |