CN117495432B - 一种多时间尺度投票式用户潜在需求分析方法及*** - Google Patents
一种多时间尺度投票式用户潜在需求分析方法及*** Download PDFInfo
- Publication number
- CN117495432B CN117495432B CN202311562084.3A CN202311562084A CN117495432B CN 117495432 B CN117495432 B CN 117495432B CN 202311562084 A CN202311562084 A CN 202311562084A CN 117495432 B CN117495432 B CN 117495432B
- Authority
- CN
- China
- Prior art keywords
- user
- voting
- database
- sampling interval
- occurrence
- 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.)
- Active
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 56
- 238000005070 sampling Methods 0.000 claims abstract description 79
- 238000004141 dimensional analysis Methods 0.000 claims abstract description 31
- 238000000034 method Methods 0.000 claims abstract description 24
- 238000004364 calculation method Methods 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 19
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000011835 investigation Methods 0.000 abstract description 9
- 238000010586 diagram Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013508 migration Methods 0.000 description 2
- 230000005012 migration Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/259—Fusion by voting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Marketing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及移动应用用户需求分析技术领域，更具体地，涉及一种多时间尺度投票式用户潜在需求分析方法及***。该方案包括在线设置全部的用户潜在需求的待选项，作为用户存储待分析数据库;根据用户存储待分析数据库按照用户和选择阶段进行关联，形成三维分析数据库;获取单一用户频率出现序列;读取当前时刻的用户的投票采样间隔，确定对应的关联的投票库的组别;在关联的投票库的组别提取对应的未来时刻不同元素的出现概率,形成最优的潜在需求推荐。该方案通过在线基于多个时间尺度下的信息调研表设置，完成在线的投票信息的设定与调研，进而根据以往相同调研结果组别用户的最优的选择概率向用户进行动态信息推荐。
Description
技术领域
本发明涉及移动应用用户需求分析技术领域，更具体地，涉及一种多时间尺度投票式用户潜在需求分析方法及***。
背景技术
在移动互联网的发展中，移动应用产品经过了多年的发展，用户的行为模式、需求模式、场景都发生了很多变化。在早期，用户通过一些简单的行为，例如点击或者下载APP来进行操作；在最近几年，移动互联网时代发生了一些变化，用户有更多的选择权利和更强的参与感，用户不再是被动接受信息和服务，而是有了一定的决策权和参与感；在早期，用户通过工具类产品来解决问题；随着移动互联网时代发展到现在，用户可以通过微信、微博、QQ等一系列产品来表达自己的观点，同时也会通过这些产品来获取更多有用信息。
在本发明技术之前，现有技术主要依靠对应用户选择的商品的类型、颜色和时间等信息进行学习，进而完成用户当前最期望获取的信息的推荐，或者结合用户的检索信息进行需求分析，但是，并未考虑不同时间段，用户的需求迁移与转变。
发明内容
鉴于上述问题，本发明提出了一种多时间尺度投票式用户潜在需求分析方法及***，通过在线基于多个时间尺度下的信息调研表设置，完成在线的投票信息的设定与调研，进而根据以往相同调研结果组别用户的最优的选择概率向用户进行动态信息推荐。
根据本发明实施例第一方面，提供一种多时间尺度投票式用户潜在需求分析方法。
在一个或多个实施例中，优选地，所述一种多时间尺度投票式用户潜在需求分析方法包括：
在线设置全部的用户潜在需求的待选项，作为用户存储待分析数据库；
根据所述用户存储待分析数据库按照用户和选择阶段进行关联，形成三维分析数据库；
获取所述三维分析数据库，进行在线的单一用户在不同投票采样间隔下的单一用户频率出现序列；
读取当前时刻的用户的投票采样间隔，并根据单一用户频率出现序列，确定对应的关联的投票库的组别；
在所述关联的投票库的组别提取对应的未来时刻不同元素的出现概率；
设置当前时刻用户的反馈时间需求，根据所述反馈时间需求结合不同元素的出现概率形成最优的潜在需求推荐。
在一个或多个实施例中，优选地，所述在线设置全部的用户潜在需求的待选项，作为用户存储待分析数据库，具体包括：
设置每个产品的不同时间下产品的使用情况、产品时间周期、产品功能流程和产品操作方式；
对每一种产品对应的不同时间下产品的使用情况、产品时间周期、产品功能流程和产品操作方式单独设置一个编码；
根据编码逐一存储对应的不同时间下产品的使用情况、产品时间周期、产品功能流程和产品操作方式，以一组编码的形式；
将全部的编码存储到用户存储待分析数据库。
在一个或多个实施例中，优选地，所述根据所述用户存储待分析数据库按照用户和选择阶段进行关联，形成三维分析数据库，具体包括：
获取当前时刻的用户，提取每个用户的选择历史数据；
根据所述历史数据提取用户存储待分析数据库对应的用户编号；
根据所述历史数据提取用户存储待分析数据库对应的选择阶段，其中，所述选择阶段包括：执行、操作和检修；
对每一个编码，分别关联所述选择阶段和用户编号，进而形成三维分析数据库。
在一个或多个实施例中，优选地，所述获取所述三维分析数据库，进行在线的单一用户在不同投票采样间隔下的单一用户频率出现序列，具体包括：
根据所述三维分析数据库提取每个用户对应的每个元素，其中，每个元素对应了一个待选择的投票选项；
提取利用第一计算公式获取所述每个用户对应的每个元素的投票采样间隔；
在投票采样间隔相同情况下，利用第二计算公式计算单一用户频率出现次数；
对每一个用户获取其全部的采样间隔设定值下对应的单一用户频率出现次数，由大至小存储为5个序列，所述的5个序列依次对应了第一、第二、第三、第四和第五投票采样间隔设定值；
将5个序列设置为所述单一用户频率出现序列；
所述第一计算公式为：
；
其中，A为投票采样间隔，B在获取对应元素所需时间，Y1为预设的第一判定裕度，Y2为预设的第二判定裕度，Y3为预设的第三判定裕度，Y4为预设的第四判定裕度，C1、C2、C3、C4和C5依次为第一、第二、第三、第四和第五投票采样间隔设定值；
所述第二计算公式为：
；
其中，Pj为采样间隔设定值的编号为j时对应的单一用户频率出现次数，Aij为第i个存储空间内投票采样间隔的编号为j时的出现次数，i为存储空间内的编号，n为存储空间的总数。
在一个或多个实施例中，优选地，所述读取当前时刻的用户的投票采样间隔，并根据单一用户频率出现序列，确定对应的关联的投票库的组别，具体包括：
提取当前时刻的用户的投票采样间隔，判断属于第一、第二、第三、第四和第五投票采样间隔设定值中的哪个，并提取与其相同的用户的投票采样间隔下，历史数据中哪些用户的单一用户频率出现序列与当前时刻的用户的单一用户频率出现序列相同；
将全部与当前时刻的用户的单一用户频率出现序列相同的用户一起设置为关联的投票库的组别。
在一个或多个实施例中，优选地，所述在所述关联的投票库的组别提取对应的未来时刻不同元素的出现概率，具体包括：
获取所述关联的投票库中每个元素的出现概率；
利用第三计算公式计算出现未来时刻不同元素的出现概率；
所述第三计算公式为：
H=AVG（Dr）
其中，H为未来时刻不同元素的出现概率，AVG（）为取平均值函数，Dr为当前第r个用户的当前元素的出现概率。
在一个或多个实施例中，优选地，所述设置当前时刻用户的反馈时间需求，根据所述反馈时间需求结合不同元素的出现概率形成最优的潜在需求推荐，具体包括：
获取所述当前时刻用户的反馈时间需求，根据当前时刻用户的反馈时间需求的最大值，利用第四计算公式计算最新投票采样间隔；
判断所述最新投票采样间隔对应的第一、第二、第三、第四和第五投票采样间隔设定值中的一个，并提取与其相同的用户的投票采样间隔下未来时刻不同元素的出现概率；
根据所述未来时刻不同元素的出现概率由大到小向用户展示不同元素对应的预设的显示任务；
所述第四计算公式为：
；
其中，E为最新投票采样间隔，F为当前时刻用户的反馈时间需求的最大值。
根据本发明实施例第二方面，提供一种多时间尺度投票式用户潜在需求分析***。
在一个或多个实施例中，优选地，所述一种多时间尺度投票式用户潜在需求分析***包括：
需求提取模块，用于在线设置全部的用户潜在需求的待选项，作为用户存储待分析数据库；
数据库分析模块，用于根据所述用户存储待分析数据库按照用户和选择阶段进行关联，形成三维分析数据库；
投票分析模块，用于获取所述三维分析数据库，进行在线的单一用户在不同投票采样间隔下的单一用户频率出现序列；
投票设置模块，用于读取当前时刻的用户的投票采样间隔，并根据单一用户频率出现序列，确定对应的关联的投票库的组别；
组别分析模块，用于在所述关联的投票库的组别提取对应的未来时刻不同元素的出现概率；
潜在推荐模块，用于设置当前时刻用户的反馈时间需求，根据所述反馈时间需求结合不同元素的出现概率形成最优的潜在需求推荐。
根据本发明实施例第三方面，提供一种计算机可读存储介质，其上存储计算机程序指令，所述计算机程序指令在被处理器执行时实现如本发明实施例第一方面中任一项所述的方法。
根据本发明实施例第四方面，提供一种电子设备，包括存储器和处理器，所述存储器用于存储一条或多条计算机程序指令，其中，所述一条或多条计算机程序指令被所述处理器执行以实现本发明实施例第一方面中任一项所述的方法。
本发明的实施例提供的技术方案可以包括以下有益效果：
本发明方案中，首先对需要推荐的全部的类型与需求进行分类，进而根据历史数据收集出在进行潜在需求分析前，所有的用户选择结果，作为待分析数据库。
本发明方案中，通过划分不同的时间尺度，进行用户的投票选择分析，形成对应的相似选择用户，完成需求相似组别的在线学习，形成最优的用户需求分析结果。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一个实施例的一种多时间尺度投票式用户潜在需求分析方法的流程图。
图2是本发明一个实施例的一种多时间尺度投票式用户潜在需求分析方法中的在线设置全部的用户潜在需求的待选项，作为用户存储待分析数据库的流程图。
图3是本发明一个实施例的一种多时间尺度投票式用户潜在需求分析方法中的根据所述用户存储待分析数据库按照用户和选择阶段进行关联，形成三维分析数据库的流程图。
图4是本发明一个实施例的一种多时间尺度投票式用户潜在需求分析方法中的获取所述三维分析数据库，进行在线的单一用户在不同投票采样间隔下的单一用户频率出现序列的流程图。
图5是本发明一个实施例的一种多时间尺度投票式用户潜在需求分析方法中的读取当前时刻的用户的投票采样间隔，并根据单一用户频率出现序列，确定对应的关联的投票库的组别的流程图。
图6是本发明一个实施例的一种多时间尺度投票式用户潜在需求分析方法中的在所述关联的投票库的组别提取对应的未来时刻不同元素的出现概率的流程图。
图7是本发明一个实施例的一种多时间尺度投票式用户潜在需求分析方法中的设置当前时刻用户的反馈时间需求，根据所述反馈时间需求结合不同元素的出现概率形成最优的潜在需求推荐的流程图。
图8是本发明一个实施例的一种多时间尺度投票式用户潜在需求分析***的结构图。
图9是本发明一个实施例中一种电子设备的结构图。
具体实施方式
在本发明的说明书和权利要求书及上述附图中的描述的一些流程中，包含了按照特定顺序出现的多个操作，但是应该清楚了解，这些操作可以不按照其在本文中出现的顺序来执行或并行执行，操作的序号如101、102等，仅仅是用于区分开各个不同的操作，序号本身不代表任何的执行顺序。另外，这些流程可以包括更多或更少的操作，并且这些操作可以按顺序执行或并行执行。需要说明的是，本文中的“第一”、“第二”等描述，是用于区分不同的消息、设备、模块等，不代表先后顺序，也不限定“第一”和“第二”是不同的类型。
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，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域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。
在移动互联网的发展中，移动应用产品经过了多年的发展，用户的行为模式、需求模式、场景都发生了很多变化。在早期，用户通过一些简单的行为，例如点击或者下载APP来进行操作；在最近几年，移动互联网时代发生了一些变化，用户有更多的选择权利和更强的参与感，用户不再是被动接受信息和服务，而是有了一定的决策权和参与感；在早期，用户通过工具类产品来解决问题；随着移动互联网时代发展到现在，用户可以通过微信、微博、QQ等一系列产品来表达自己的观点，同时也会通过这些产品来获取更多有用信息。
在本发明技术之前，现有技术主要依靠对应用户选择的商品的类型、颜色和时间等信息进行学习，进而完成用户当前最期望获取的信息的推荐，或者结合用户的检索信息进行需求分析，但是，并未考虑不同时间段，用户的需求迁移与转变。
本发明实施例中，提供了一种多时间尺度投票式用户潜在需求分析方法及***。该方案通过在线基于多个时间尺度下的信息调研表设置，完成在线的投票信息的设定与调研，进而根据以往相同调研结果组别用户的最优的选择概率向用户进行动态信息推荐。
根据本发明实施例第一方面，提供一种多时间尺度投票式用户潜在需求分析方法。
图1是本发明一个实施例的一种多时间尺度投票式用户潜在需求分析方法的流程图。
在一个或多个实施例中，优选地，所述一种多时间尺度投票式用户潜在需求分析方法包括：
S101、在线设置全部的用户潜在需求的待选项，作为用户存储待分析数据库；
S102、根据所述用户存储待分析数据库按照用户和选择阶段进行关联，形成三维分析数据库；
S103、获取所述三维分析数据库，进行在线的单一用户在不同投票采样间隔下的单一用户频率出现序列；
S104、读取当前时刻的用户的投票采样间隔，并根据单一用户频率出现序列，确定对应的关联的投票库的组别；
S105、在所述关联的投票库的组别提取对应的未来时刻不同元素的出现概率；
S106、设置当前时刻用户的反馈时间需求，根据所述反馈时间需求结合不同元素的出现概率形成最优的潜在需求推荐。
在本发明实施例中，首先提取全部的用户潜在需求，其次，设置分析数据库，进行投票分析数据库的选择，进而形成相似用户的对应的投票库的设置，形成对应的相似组别的用户组别，最终，根据用户组别形成最优的潜在需求推荐。
图2是本发明一个实施例的一种多时间尺度投票式用户潜在需求分析方法中的在线设置全部的用户潜在需求的待选项，作为用户存储待分析数据库的流程图。
如图2所示，在一个或多个实施例中，优选地，所述在线设置全部的用户潜在需求的待选项，作为用户存储待分析数据库，具体包括：
S201、设置每个产品的不同时间下产品的使用情况、产品时间周期、产品功能流程和产品操作方式；
S202、对每一种产品对应的不同时间下产品的使用情况、产品时间周期、产品功能流程和产品操作方式单独设置一个编码；
S203、根据编码逐一存储对应的不同时间下产品的使用情况、产品时间周期、产品功能流程和产品操作方式，以一组编码的形式；
S204、将全部的编码存储到用户存储待分析数据库。
在本发明实施例中，不同时间下产品的使用情况、产品时间周期、产品功能流程和产品操作方式，形成一个编码；其次，根据编码逐一存储对应的不同时间下产品的使用情况、产品时间周期、产品功能流程和产品操作方式；在此基础上，按照用户存储待分析数据库。
图3是本发明一个实施例的一种多时间尺度投票式用户潜在需求分析方法中的根据所述用户存储待分析数据库按照用户和选择阶段进行关联，形成三维分析数据库的流程图。
如图3所示，在一个或多个实施例中，优选地，所述根据所述用户存储待分析数据库按照用户和选择阶段进行关联，形成三维分析数据库，具体包括：
S301、获取当前时刻的用户，提取每个用户的选择历史数据；
S302、根据所述历史数据提取用户存储待分析数据库对应的用户编号；
S303、根据所述历史数据提取用户存储待分析数据库对应的选择阶段，其中，所述选择阶段包括：执行、操作和检修；
S304、对每一个编码，分别关联所述选择阶段和用户编号，进而形成三维分析数据库。
在本发明实施例中，按照用户、选择阶段进行关联，形成一个三维的数据库，所述选择阶段包括：执行、操作和检修，这是因为，这些情况下已经具有历史数据，可以进行最优的需求分析，但是对没有基础数据的，不做更细致分析。
图4是本发明一个实施例的一种多时间尺度投票式用户潜在需求分析方法中的获取所述三维分析数据库，进行在线的单一用户在不同投票采样间隔下的单一用户频率出现序列的流程图。
如图4所示，在一个或多个实施例中，优选地，所述获取所述三维分析数据库，进行在线的单一用户在不同投票采样间隔下的单一用户频率出现序列，具体包括：
S401、根据所述三维分析数据库提取每个用户对应的每个元素，其中，每个元素对应了一个待选择的投票选项；
S402、提取利用第一计算公式获取所述每个用户对应的每个元素的投票采样间隔；
S403、在投票采样间隔相同情况下，利用第二计算公式计算单一用户频率出现次数；
S404、对每一个用户获取其全部的采样间隔设定值下对应的单一用户频率出现次数，由大至小存储为5个序列，所述的5个序列依次对应了第一、第二、第三、第四和第五投票采样间隔设定值；
S405、将5个序列设置为所述单一用户频率出现序列；
所述第一计算公式为：
；
其中，A为投票采样间隔，B在获取对应元素所需时间，Y1为预设的第一判定裕度，Y2为预设的第二判定裕度，Y3为预设的第三判定裕度，Y4为预设的第四判定裕度，C1、C2、C3、C4和C5依次为第一、第二、第三、第四和第五投票采样间隔设定值；
所述第二计算公式为：
；
其中，Pj为采样间隔设定值的编号为j时对应的单一用户频率出现次数，Aij为第i个存储空间内投票采样间隔的编号为j时的出现次数，i为存储空间内的编号，n为存储空间的总数。
在本发明实施例中，设置一个投票分析数据库，对每个用户的每个元素的出现频率进行分析，形成一个单一用户频率出现序列；分析过程中，需要确定当前的投票数据库的投票采样间隔，对同一个采样间隔下计算出一组单一用户频率出现序列；每个元素对应了一个待选择的投票选项，举例说明，若对应用户某个投票，是关于期望的反馈周期，选项包括10天内，20天内和30天内，若用户选择，所述投票选项实际指的是期望的反馈周期10天内，期望的反馈周期10天内将标记为1个元素，并拥有对应的编号。
图5是本发明一个实施例的一种多时间尺度投票式用户潜在需求分析方法中的读取当前时刻的用户的投票采样间隔，并根据单一用户频率出现序列，确定对应的关联的投票库的组别的流程图。
如图5所示，在一个或多个实施例中，优选地，所述读取当前时刻的用户的投票采样间隔，并根据单一用户频率出现序列，确定对应的关联的投票库的组别，具体包括：
S501、提取当前时刻的用户的投票采样间隔，判断属于第一、第二、第三、第四和第五投票采样间隔设定值中的哪个，并提取与其相同的用户的投票采样间隔下，历史数据中哪些用户的单一用户频率出现序列与当前时刻的用户的单一用户频率出现序列相同；
S502、将全部与当前时刻的用户的单一用户频率出现序列相同的用户一起设置为关联的投票库的组别。
在本发明实施例中，将所述频率出现序列相同的用户设置为投票库的组别，可以明确，这个投标组别也是和采样间隔关联的。
图6是本发明一个实施例的一种多时间尺度投票式用户潜在需求分析方法中的在所述关联的投票库的组别提取对应的未来时刻不同元素的出现概率的流程图。
如图6所示，在一个或多个实施例中，优选地，所述在所述关联的投票库的组别提取对应的未来时刻不同元素的出现概率，具体包括：
S601、获取所述关联的投票库中每个元素的出现概率；
S602、利用第三计算公式计算出现未来时刻不同元素的出现概率；
所述第三计算公式为：
H=AVG（Dr）
其中，H为未来时刻不同元素的出现概率，AVG（）为取平均值函数，Dr为当前第r个用户的当前元素的出现概率。
在本发明实施例中，对全部相同的投票库的组别的全部用户的每个元素的出现频率进行分析与计算，形成当前的出现频率。
图7是本发明一个实施例的一种多时间尺度投票式用户潜在需求分析方法中的设置当前时刻用户的反馈时间需求，根据所述反馈时间需求结合不同元素的出现概率形成最优的潜在需求推荐的流程图。
如图7所示，在一个或多个实施例中，优选地，所述设置当前时刻用户的反馈时间需求，根据所述反馈时间需求结合不同元素的出现概率形成最优的潜在需求推荐，具体包括：
S701、获取所述当前时刻用户的反馈时间需求，根据当前时刻用户的反馈时间需求的最大值，利用第四计算公式计算最新投票采样间隔；
S702、判断所述最新投票采样间隔对应的第一、第二、第三、第四和第五投票采样间隔设定值中的一个，并提取与其相同的用户的投票采样间隔下未来时刻不同元素的出现概率；
S703、根据所述未来时刻不同元素的出现概率由大到小向用户展示不同元素对应的预设的显示任务；
所述第四计算公式为：
；
其中，E为最新投票采样间隔，F为当前时刻用户的反馈时间需求的最大值。
在本发明实施例中，按照每个时间尺度上当前出现频率的大小，进行在线投票，形成最优的潜在需求推荐。
根据本发明实施例第二方面，提供一种多时间尺度投票式用户潜在需求分析***。
图8是本发明一个实施例的一种多时间尺度投票式用户潜在需求分析***的结构图。
在一个或多个实施例中，优选地，所述一种多时间尺度投票式用户潜在需求分析***包括：
需求提取模块801，用于在线设置全部的用户潜在需求的待选项，作为用户存储待分析数据库；
数据库分析模块802，用于根据所述用户存储待分析数据库按照用户和选择阶段进行关联，形成三维分析数据库；
投票分析模块803，用于获取所述三维分析数据库，进行在线的单一用户在不同投票采样间隔下的单一用户频率出现序列；
投票设置模块804，用于读取当前时刻的用户的投票采样间隔，并根据单一用户频率出现序列，确定对应的关联的投票库的组别；
组别分析模块805，用于在所述关联的投票库的组别提取对应的未来时刻不同元素的出现概率；
潜在推荐模块806，用于设置当前时刻用户的反馈时间需求，根据所述反馈时间需求结合不同元素的出现概率形成最优的潜在需求推荐。
在本发明实施例中，通过一系列的模块化设计，实现一个适用于不同结构下的***，该***能够通过采集、分析和控制，实现闭环的、可靠的、高效的执行。
根据本发明实施例第三方面，提供一种计算机可读存储介质，其上存储计算机程序指令，所述计算机程序指令在被处理器执行时实现如本发明实施例第一方面中任一项所述的方法。
根据本发明实施例第四方面，提供一种电子设备。图9是本发明一个实施例中一种电子设备的结构图。图9所示的电子设备为通用多时间尺度投票式用户潜在需求分析装置。该电子设备可以是智能手机、平板电脑等设备。如示，电子设备900包括处理器901和存储器902。其中，处理器901与存储器902电性连接。处理器901是终端900的控制中心，利用各种接口和线路连接整个终端的各个部分，通过运行或调用存储在存储器902内的计算机程序，以及调用存储在存储器902内的数据，执行终端的各种功能和处理数据，从而对终端进行整体监控。
在本实施例中，电子设备900中的处理器901会按照如下的步骤，将一个或一个以上的计算机程序的进程对应的指令加载到存储器902中，并由处理器901来运行存储在存储器902中的计算机程序，从而实现各种功能：在线设置全部的用户潜在需求的待选项，作为用户存储待分析数据库;根据所述用户存储待分析数据库按照用户和选择阶段进行关联，形成三维分析数据库;获取所述三维分析数据库，进行在线的单一用户在不同投票采样间隔下的单一用户频率出现序列;读取当前时刻的用户的投票采样间隔，并根据单一用户频率出现序列，确定对应的关联的投票库的组别;在所述关联的投票库的组别提取对应的未来时刻不同元素的出现概率;设置当前时刻用户的反馈时间需求，根据所述反馈时间需求结合不同元素的出现概率形成最优的潜在需求推荐。
存储器902可用于存储计算机程序和数据。存储器902存储的计算机程序中包含有可在处理器中执行的指令。计算机程序可以组成各种功能模块。处理器901通过调用存储在存储器902的计算机程序，从而执行各种功能应用以及数据处理。
本发明的实施例提供的技术方案可以包括以下有益效果：
本发明方案中，首先对需要推荐的全部的类型与需求进行分类，进而根据历史数据收集出在进行潜在需求分析前，所有的用户选择结果，作为待分析数据库。
本发明方案中，通过划分不同的时间尺度，进行用户的投票选择分析，形成对应的相似选择用户，完成需求相似组别的在线学习，形成最优的用户需求分析结果。
本领域内的技术人员应明白，本发明的实施例可提供为方法、***、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器和光学存储器等）上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备（***）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (5)
1.一种多时间尺度投票式用户潜在需求分析方法，其特征在于，该方法包括：
在线设置全部的用户潜在需求的待选项，作为用户存储待分析数据库；
根据所述用户存储待分析数据库按照用户和选择阶段进行关联，形成三维分析数据库；
获取所述三维分析数据库，进行在线的单一用户在不同投票采样间隔下的单一用户频率出现序列的设置；
读取当前时刻的用户的投票采样间隔，并根据单一用户频率出现序列，确定对应的关联的投票库的组别；
在所述关联的投票库的组别提取对应的未来时刻不同元素的出现概率；
设置当前时刻用户的反馈时间需求，根据所述反馈时间需求结合不同元素的出现概率形成最优的潜在需求推荐；
其中，所述根据所述用户存储待分析数据库按照用户和选择阶段进行关联，形成三维分析数据库，具体包括：
获取当前时刻的用户，提取每个用户的选择历史数据；
根据所述历史数据提取用户存储待分析数据库对应的用户编号；
根据所述历史数据提取用户存储待分析数据库对应的选择阶段，其中，所述选择阶段包括：执行、操作和检修；
对每一个编码，分别关联所述选择阶段和用户编号，进而形成三维分析数据库；
其中，所述获取所述三维分析数据库，进行在线的单一用户在不同投票采样间隔下的单一用户频率出现序列的设置，具体包括：
根据所述三维分析数据库提取每个用户对应的每个元素，其中，每个元素对应了一个待选择的投票选项；
提取利用第一计算公式获取所述每个用户对应的每个元素的投票采样间隔；
在投票采样间隔相同情况下，利用第二计算公式计算单一用户频率出现次数；
对每一个用户获取其全部的采样间隔设定值下对应的单一用户频率出现次数，由大至小存储为5个序列，所述的5个序列依次对应了第一、第二、第三、第四和第五投票采样间隔设定值；
将5个序列设置为所述单一用户频率出现序列；
所述第一计算公式为：
其中，A为投票采样间隔，B在获取对应元素所需时间，Y1为预设的第一判定裕度，Y2为预设的第二判定裕度，Y3为预设的第三判定裕度，Y4为预设的第四判定裕度，C1、C2、C3、C4和C5依次为第一、第二、第三、第四和第五投票采样间隔设定值；
所述第二计算公式为：
其中，Pj为采样间隔设定值的编号为j时对应的单一用户频率出现次数，Aij为第i个存储空间内投票采样间隔的编号为j时的出现次数，i为存储空间内的编号，n为存储空间的总数；
其中，所述读取当前时刻的用户的投票采样间隔，并根据单一用户频率出现序列，确定对应的关联的投票库的组别，具体包括：
提取当前时刻的用户的投票采样间隔，判断属于第一、第二、第三、第四和第五投票采样间隔设定值中的哪个，并提取与其相同的用户的投票采样间隔下，历史数据中哪些用户的单一用户频率出现序列与当前时刻的用户的单一用户频率出现序列相同；
将全部与当前时刻的用户的单一用户频率出现序列相同的用户一起设置为关联的投票库的组别；
其中，所述在所述关联的投票库的组别提取对应的未来时刻不同元素的出现概率，具体包括：
获取所述关联的投票库中每个元素的出现概率；
利用第三计算公式计算出现未来时刻不同元素的出现概率；
所述第三计算公式为：
H＝AVG(Dr)
其中，H为未来时刻不同元素的出现概率，AVG()为取平均值函数，Dr为当前第r个用户的当前元素的出现概率；
其中，所述设置当前时刻用户的反馈时间需求，根据所述反馈时间需求结合不同元素的出现概率形成最优的潜在需求推荐，具体包括：
获取所述当前时刻用户的反馈时间需求，根据当前时刻用户的反馈时间需求的最大值，利用第四计算公式计算最新投票采样间隔；
判断所述最新投票采样间隔对应的第一、第二、第三、第四和第五投票采样间隔设定值中的一个，并提取与其相同的用户的投票采样间隔下未来时刻不同元素的出现概率；
根据所述未来时刻不同元素的出现概率由大到小向用户展示不同元素对应的预设的显示任务；
所述第四计算公式为：
其中，E为最新投票采样间隔，F为当前时刻用户的反馈时间需求的最大值。
2.如权利要求1所述的一种多时间尺度投票式用户潜在需求分析方法，其特征在于，所述在线设置全部的用户潜在需求的待选项，作为用户存储待分析数据库，具体包括：
设置每个产品的不同时间下产品的使用情况、产品时间周期、产品功能流程和产品操作方式；
对每一种产品对应的不同时间下产品的使用情况、产品时间周期、产品功能流程和产品操作方式单独设置一个编码；
以一组编码的形式根据编码逐一存储对应的不同时间下产品的使用情况、产品时间周期、产品功能流程和产品操作方式；
将全部的编码存储到用户存储待分析数据库。
3.一种多时间尺度投票式用户潜在需求分析***，其特征在于，该***用于实施如权利要求1-2中任一项所述的方法，该***包括：
需求提取模块，用于在线设置全部的用户潜在需求的待选项，作为用户存储待分析数据库；
数据库分析模块，用于根据所述用户存储待分析数据库按照用户和选择阶段进行关联，形成三维分析数据库；
投票分析模块，用于获取所述三维分析数据库，进行在线的单一用户在不同投票采样间隔下的单一用户频率出现序列的设置；
投票设置模块，用于读取当前时刻的用户的投票采样间隔，并根据单一用户频率出现序列，确定对应的关联的投票库的组别；
组别分析模块，用于在所述关联的投票库的组别提取对应的未来时刻不同元素的出现概率；
潜在推荐模块，用于设置当前时刻用户的反馈时间需求，根据所述反馈时间需求结合不同元素的出现概率形成最优的潜在需求推荐。
4.一种计算机可读存储介质，其上存储计算机程序指令，其特征在于，所述计算机程序指令在被处理器执行时实现如权利要求1-2中任一项所述的方法。
5.一种电子设备，包括存储器和处理器，其特征在于，所述存储器用于存储一条或多条计算机程序指令，其中，所述一条或多条计算机程序指令被所述处理器执行以实现如权利要求1-2任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311562084.3A CN117495432B (zh) | 2023-11-22 | 2023-11-22 | 一种多时间尺度投票式用户潜在需求分析方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311562084.3A CN117495432B (zh) | 2023-11-22 | 2023-11-22 | 一种多时间尺度投票式用户潜在需求分析方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117495432A CN117495432A (zh) | 2024-02-02 |
| CN117495432B true CN117495432B (zh) | 2024-05-28 |
Family
ID=89672493
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311562084.3A Active CN117495432B (zh) | 2023-11-22 | 2023-11-22 | 一种多时间尺度投票式用户潜在需求分析方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117495432B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105045858A (zh) * | 2015-07-10 | 2015-11-11 | 湖南科技大学 | 基于投票的出租车载客点推荐方法 |
| CN109741146A (zh) * | 2019-01-04 | 2019-05-10 | 平安科技（深圳）有限公司 | 基于用户行为的产品推荐方法、装置、设备及存储介质 |
| CN111724235A (zh) * | 2020-06-09 | 2020-09-29 | 清华大学深圳国际研究生院 | 一种基于用户新奇度的在线商品推荐方法 |
| CN112085559A (zh) * | 2020-08-18 | 2020-12-15 | 山东大学 | 基于时序性知识图谱的可解释商品推荐方法及*** |
| KR20210116982A (ko) * | 2020-03-18 | 2021-09-28 | 카페24 주식회사 | 전자상거래 시스템에서 쇼핑몰 회원의 상품 구매 추천 시점 산출 방법, 장치 및 시스템 |
| CN113971616A (zh) * | 2021-11-26 | 2022-01-25 | 北京优全智汇信息技术有限公司 | 基于用户需求的保险产品精准选择***和选择方法 |
| CN115619234A (zh) * | 2022-10-19 | 2023-01-17 | 杭州其奥无穹信息技术有限公司 | 一种投票处理方法、装置和存储介质 |
-
2023
- 2023-11-22 CN CN202311562084.3A patent/CN117495432B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105045858A (zh) * | 2015-07-10 | 2015-11-11 | 湖南科技大学 | 基于投票的出租车载客点推荐方法 |
| CN109741146A (zh) * | 2019-01-04 | 2019-05-10 | 平安科技（深圳）有限公司 | 基于用户行为的产品推荐方法、装置、设备及存储介质 |
| WO2020140400A1 (zh) * | 2019-01-04 | 2020-07-09 | 平安科技（深圳）有限公司 | 基于用户行为的产品推荐方法、装置、设备及存储介质 |
| KR20210116982A (ko) * | 2020-03-18 | 2021-09-28 | 카페24 주식회사 | 전자상거래 시스템에서 쇼핑몰 회원의 상품 구매 추천 시점 산출 방법, 장치 및 시스템 |
| CN111724235A (zh) * | 2020-06-09 | 2020-09-29 | 清华大学深圳国际研究生院 | 一种基于用户新奇度的在线商品推荐方法 |
| CN112085559A (zh) * | 2020-08-18 | 2020-12-15 | 山东大学 | 基于时序性知识图谱的可解释商品推荐方法及*** |
| CN113971616A (zh) * | 2021-11-26 | 2022-01-25 | 北京优全智汇信息技术有限公司 | 基于用户需求的保险产品精准选择***和选择方法 |
| CN115619234A (zh) * | 2022-10-19 | 2023-01-17 | 杭州其奥无穹信息技术有限公司 | 一种投票处理方法、装置和存储介质 |
Non-Patent Citations (3)
| Title |
|---|
| 一种基于CW-RNN的多时间尺度序列建模推荐算法;袁涛;牛树梓;李会元;;中文信息学报;20200615;第34卷(第06期);第97-105页 * |
| 个性化推荐算法与应用;朱斯丹;;电子世界;20180808(第15期);第21-23页 * |
| 社交网络中基于用户投票的推荐机制;刘锡文;蒋俊杰;;东南大学学报(自然科学版);20130320;第43卷(第02期);第301-306页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117495432A (zh) | 2024-02-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111444236B (zh) | 一种基于大数据的移动终端用户画像构建方法及*** | |
| CN109697629B (zh) | 产品数据推送方法及装置、存储介质、计算机设备 | |
| CN104993962B (zh) | 获取终端使用状态的方法和*** | |
| CN110336838B (zh) | 账号异常检测方法、装置、终端及存储介质 | |
| CN111914159B (zh) | 一种信息推荐方法及终端 | |
| CN112364014A (zh) | 数据查询方法、装置、服务器及存储介质 | |
| CN111460293B (zh) | 信息推送方法、装置及计算机可读存储介质 | |
| CN117495432B (zh) | 一种多时间尺度投票式用户潜在需求分析方法及*** | |
| US20160292258A1 (en) | Method and apparatus for filtering out low-frequency click, computer program, and computer readable medium | |
| WO2019080419A1 (zh) | 标准知识库的构建方法、电子装置及存储介质 | |
| CN110196924B (zh) | 特征信息库的构建、目标对象的追踪方法及装置 | |
| CN117370650A (zh) | 基于服务组合超图卷积网络的云计算数据推荐方法 | |
| CN113822379B (zh) | 工艺制程异常分析方法、装置、电子设备及存储介质 | |
| CN115936346A (zh) | 一种提升豆瓣品质的制曲工艺方法、装置、设备及介质 | |
| CN115185625A (zh) | 基于可配置卡片的自推荐式界面更新方法及其相关设备 | |
| CN111881179B (zh) | 数据匹配方法、装置及其设备、计算机存储介质 | |
| CN113468076A (zh) | 应用程序的异常测试方法、装置、设备及存储介质 | |
| CN114090882A (zh) | 基于移动终端的学习资料推送方法和*** | |
| CN113486238A (zh) | 基于用户画像的信息推送方法、装置、设备及存储介质 | |
| FI20215700A1 (en) | Analyzing the measurement results of the communication network or other target system | |
| CN117097833B (zh) | 一种基于元宇宙的远程呼叫方法及*** | |
| CN112801744B (zh) | 一种活动推荐方法、装置、电子设备和存储介质 | |
| JP2010282416A (ja) | 区分データレコメンド方法、プログラム、及び装置 | |
| CN117150035A (zh) | 人工智能生成和自动化的学习与处理方法及*** | |
| CN113312422A (zh) | 一种基于深度学习的新闻媒体数据智能结构化方法及装置 |
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 |