Nothing Special   »   [go: up one dir, main page]

CN111026816B - 基于知识图谱的高净值客户群识别方法、装置及存储介质 - Google Patents

基于知识图谱的高净值客户群识别方法、装置及存储介质 Download PDF

Info

Publication number
CN111026816B
CN111026816B CN201911247702.9A CN201911247702A CN111026816B CN 111026816 B CN111026816 B CN 111026816B CN 201911247702 A CN201911247702 A CN 201911247702A CN 111026816 B CN111026816 B CN 111026816B
Authority
CN
China
Prior art keywords
client
node
nodes
customer
social relationship
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
Application number
CN201911247702.9A
Other languages
English (en)
Other versions
CN111026816A (zh
Inventor
李琦
宋卫东
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing Ruiyun Technology Co ltd
Original Assignee
Chongqing Ruiyun Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chongqing Ruiyun Technology Co ltd filed Critical Chongqing Ruiyun Technology Co ltd
Priority to CN201911247702.9A priority Critical patent/CN111026816B/zh
Publication of CN111026816A publication Critical patent/CN111026816A/zh
Application granted granted Critical
Publication of CN111026816B publication Critical patent/CN111026816B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational 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
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • 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
    • 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)
  • Business, Economics & Management (AREA)
  • Databases & Information Systems (AREA)
  • Finance (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Accounting & Taxation (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Engineering & Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • General Business, Economics & Management (AREA)
  • Computational Linguistics (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

基于知识图谱的高净值客户群识别方法、装置及存储介质，包括：构建客户知识图谱模型，知识图谱模型包含多个节点和节点关系，节点分为客户节点和非客户节点；将MySQL结构化数据库中的客户数据导入Neo4j图形数据库中；以广度优先的方式遍历初始客户节点的邻居客户节点，计算客户间社会关系强度；将初始客户节点的社会关系强度较高的客户节点，依次遍历得到每个社会关系强度较高的客户节点对应的集合；将所有客户节点的集合合并，得到图形中的高净值客户群。本发明提供的一种基于知识图谱的高净值客户群识别方法、装置及存储介质，根据客户签约类有关信息建立知识图谱，计算客户间的社会关系强度，以此确定高净值客户群。

Description

基于知识图谱的高净值客户群识别方法、装置及存储介质
技术领域
本发明涉及数据处理技术领域，具体涉及一种基于知识图谱的高净值客户群识别方法、装置及存储介质。
背景技术
高净值客户，这里定义为复购人群，对于地产公司的生存、持续经营、市场增长以及保持已有客户都起到至关重要的作用。有研究表明公司只需维持5％的老顾客就能创造100％的利润，复购的次数越多对品牌的认可度更高，复购的可能性也会更高。准确的判定高净值客户对后续的这类客户群的精准营销起到关键性作用。
由于数据统计单一化(单一的客户标识码)和地区性限购(借用他人身份证购房)问题，只能通过客户信息关联查询，在关系型数据库中难以实现多个字段的关联关系的统计，并且在关系复杂的查询中性能低下，对于这种高净值客户群识别的难度较高。
发明内容
本发明提供了一种基于知识图谱的高净值客户群识别方法、装置及存储介质，根据客户签约类有关信息建立知识图谱，计算客户间的社会关系强度，以此确定高净值客户群。
本发明采用如下技术方案：
基于知识图谱的高净值客户群识别方法，包括：
构建客户知识图谱模型，所述知识图谱模型包含多个节点和节点关系，所述每个节点具有唯一的名字，所述节点分为客户节点和非客户节点，所述客户节点和非客户节点间存在边，所述边为节点关系；
将MySQL结构化数据库中的客户数据导入Neo4j图形数据库中；
在一个图形中随机确定一个客户节点为初始客户节点，以广度优先的方式遍历初始客户节点的邻居客户节点，计算客户间社会关系强度；
若客户与初始客户社会关系强度的计算结果在0.5以上，判定社会关系强度较强并视为一个群体，若客户与初始客户社会关系强度的计算结果在0.5以下，判定社会关系强度较低并排除当前节点群体；
在加入客户节点后，判断加入客户节点后合同数量是否增加，计算客户间社会关系强度是否在0.5以上，若是，则将加入的客户节点加入到该节点对应的集合；
将初始客户节点的客户间社会关系强度较高的客户节点，依次遍历得到每个客户间社会关系强度较高的客户节点对应的集合；
将所有客户节点的集合合并，得到图形中的高净值客户群。
进一步地，所述客户节点为客户的身份标识信息，所述非客户节点为手机号、银行卡、合同、家庭地址中的一种，所述合同的节点关系包括但不限于合同号、签约时间、签约楼盘、签约金额，所述身份证的节点关系包括但不限于姓名、家庭住址。
进一步地，所述边还表示客户节点和非客户节点间的关联关系、三元关系。
进一步地，所述三元关系为起始节点、尾节点、由起始节点指向尾节点的关系边组成的集合，所述三元关系包括身份证、使用电话、手机号，合同、使用银行卡、银行卡号，身份证、签约、合同，身份证、居住、家庭地址。
进一步地，所述将MySQL结构化数据库中的客户数据导入Neo4j图形数据库中，包括：将家庭地址的写法标准化，并利用python将三元关系写入知识图谱模型中。
进一步地，所述计算客户间社会关系强度的计算公式为：
Figure BDA0002308150610000021
其中，Rs为客户间社会关系强度，k为自变量个数，ak为第k个自变量的权重；f(xk)是xk的正规化函数，计算结果在[0,1]之间。
进一步地，所述计算客户间社会关系强度中，自变量个数为三个，其中，x1为为两个客户节点间的路径数，x2为两个客户节点的签约楼盘的节点关系是否相同，x3为两个客户节点的节点关系为合同签约时间的时间间隔；a1为x1的权重，定为3/5，a2和a3分别为x2和x3的权重，均定为1/5；f(xk)的计算公式为：
Figure BDA0002308150610000022
一种装置，所述装置包括处理器、存储器及通讯总线；所述通信总线用于实现处理器和存储器之间的连接通信；所述处理器用于执行存储器中存储的一个或者多个程序，以实现权利要求1至7中任一项权利要求所述的基于知识图谱的高净值客户群识别方法的步骤。
一种存储介质，所述存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现权利要求1-7中任一项权利要求所述的基于知识图谱的高净值客户群识别方法的步骤。
本发明的有益效果为：本发明根据客户签约类有关信息建立知识图谱，通过知识图谱中客户的邻居节点的出入度、签约时间、是否购买同一楼盘，来计算客户间的社会关系强度，在满足关系强度的基础上，并判定客户节点的加入后合同数是否增加，以此确定高净值客户群。
附图说明
图1为本发明实施例一的基于知识图谱的高净值客户群识别方法的流程示意图。
图2为本发明实施例一的中一个示例的无向图。
图3为本发明实施例二的装置结构示意图。
附图中，处理器21、存储器22、通信总线23。
具体实施方式
下面结合附图对本发明作进一步的详细说明。
高净值客户，定义为房地产公司中的复购人群。
实施例一
如图1所示，本发明提供了一种基于知识图谱的高净值客户群识别方法，包括：
S1、构建客户知识图谱模型，所述知识图谱模型包含多个节点和节点关系，所述每个节点具有唯一的名字，所述节点分为客户节点和非客户节点，所述客户节点和非客户节点间存在边，边为节点关系。
客户节点为客户的身份标识信息，非客户节点为手机号、银行卡、合同、家庭地址中的一种；节点关系中，合同的节点关系包括但不限于合同号、签约时间、签约楼盘、签约金额，身份证的节点关系包括但不限于姓名、家庭住址。
边还表示客户节点和非客户节点间的关联关系、三元关系(h,r,t)。三元关系(h,r,t)中h代表起始节点，t代表尾节点，r是由h指向t的关系边。涉及到的三元关系有：(身份证，使用电话，手机号)，(合同，使用银行卡，银行卡号)，(身份证，签约，合同)，(身份证，居住，家庭地址)。
S2、将MySQL结构化数据库中的客户数据导入Neo4j图形数据库中。其中，还涉及到数据的处理，主要是清理空缺数据，将家庭地址的写法标准化，并按照S1中节点间的关系，利用python将三元关系写入知识图谱模型中。
S3、在一个图形中随机确定一个客户节点为初始客户节点，以广度优先的方式遍历初始客户节点的邻居客户节点，计算客户间社会关系强度。
计算客户间社会关系强度的计算公式为：
Figure BDA0002308150610000031
其中，Rs为客户间社会关系强度，k为自变量个数，ak为第k个自变量的权重；f(xk)是xk的正规化函数，计算结果在[0,1]之间。
上述公式中，自变量个数为三个，其中，x1为两个客户节点间的路径数，x2为两个客户节点的签约楼盘的节点关系是否相同，x3为两个客户节点的节点关系为合同签约时间的时间间隔。
上述公式中，f(xk)是变量的归一化函数，涉及到三个变量的归一化分别是关联路径数、签约时长间隔、是否在同一楼盘签约。签约时长间隔和关联路径数属于连续变量，是否在同一楼盘签约属于分类变量，两类变量分类处理。a1为是客户节点间路径数对应的权重，在关系度量中起重要作用定为
Figure BDA0002308150610000041
a2和a3对应权重为
Figure BDA0002308150610000042
f(xk)的计算公式为，当k∈(1，2)时，x最大值分别为4和1，k＝3时，x为时间间隔变量，最小值为0，最大值通过复购时间点来确定。数据统计表明，复购客户人群基本会在三年内进行复购，我们认为三年为有效的时间间隔。：
Figure BDA0002308150610000043
如图2所示，例如，A代表客户节点、M代表电话节点、C代表银行卡节点、D代表合同节点、F是代表家庭地址。其中，A1代表初始客户节点，可见与之关联的邻居客户节点有A2和A3，其中A2与A1共用手机号和家庭住址信息，A3与A1的签约信息全部一样。
通过图统计A1客户与邻居客户的关系属性，根据合同节点的楼盘属性和购买时间属性，利用Neo4j查询语言Cypher计算，表中是统计结果。
节点 A2 A3
相关路径数 2 4
是否购买同一楼盘 0 1
购买时间间隔(天) 121 0
合同数是否增加 是 否
根据上述步骤{A2,A3}是通过广度优先遍历得到的邻居客户节点，依次计算每个节点的社会关系强度，A2的社会关系强度计算：
Figure BDA0002308150610000044
A3的社会关系强度计算：
Figure BDA0002308150610000045
S4、若客户与初始客户社会关系强度的计算结果在0.5以上，判定社会关系强度较强并视为一个群体，若客户与初始客户社会关系强度的计算结果在0.5以下，判定社会关系强度较低并排除当前节点群体。
在步骤S3中的例子中，A2的社会关系强度满足条件，判定社会关系强度较强并视为一个群体，A3的社会关系强度满足条件，判定社会关系强度较强并视为一个群体。
S5、在加入客户节点后，判断加入客户节点后合同数量是否增加，计算客户间社会关系强度是否在0.5以上，若是，则将加入的客户节点加入到该节点对应的集合。
在步骤S3中的例子中，A2的社会关系强度满足条件，并且加入节点A2后的合同数增加了，所以把A2加入结果集{A1,A2}。A3的社会关系强度满足条件，但是合同数量并未增加，所以总体不满足条件。
S6、将初始客户节点的客户间社会关系强度较高的客户节点，依次遍历得到每个客户间社会关系强度较高的客户节点对应的集合。
在步骤S3中的例子中，A2和A3都不再有其他邻居客户节点，当A2和A3都有其他邻居客户节点时，将A2与其他邻居客户节点依次遍历得到A2的社会关系强度较高的A2对应的集合，将A3与其他邻居客户节点依次遍历得到A3的社会关系强度较高的A3对应的集合。
S7、将所有客户节点的集合合并，得到图形中的高净值客户群。
在步骤S3中的例子中，因A2和A3都不再有其他邻居客户节点，最终遍历完该图的高净值客户群为{A1,A2}。
在实际应用中当A2和A3都有其他邻居客户节点时，对A1的邻居节点继续同样的遍历，最终合并得到一个图的结果集。
实施例二
本实施例在上述实施例一的基础上，提供一种装置，如图3所示，主要用于实现上述实施例一的基于知识图谱的高净值客户群识别方法的步骤，该装置主要包括处理器21、存储器22及通信总线23；通信总线23用于实现处理器21和存储器22之间的连接通信；处理器21用于执行存储器22中存储的一个或者多个程序，以实现如上述实施例一的基于知识图谱的高净值客户群识别方法的步骤。具体请参见上述实施例一中的描述，在此不再赘述。
另，本实施例还提供一种存储介质，该存储介质存储有一个或者多个程序，该一个或者多个程序可被一个或者多个处理器执行，以实现上述实施例一的基于知识图谱的高净值客户群识别方法的步骤。具体请参见上述实施例一中的描述，在此不再赘述。
本发明的有益效果为：本发明根据客户签约类有关信息建立知识图谱，通过知识图谱中客户的邻居节点的出入度、签约时间、是否购买同一楼盘，来计算客户间的社会关系强度，在满足关系强度的基础上，并判定客户节点的加入后合同数是否增加，以此确定高净值客户群。
显然，本领域的技术人员应该明白，上述本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在计算机存储介质(ROM/RAM、磁碟、光盘)中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。所以，本发明不限制于任何特定的硬件和软件结合。
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，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解；其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。

Claims (7)

1.基于知识图谱的高净值客户群识别方法，其特征在于，包括：
构建客户知识图谱模型，所述知识图谱模型包含多个节点和节点关系，每个所述节点具有唯一的名字，所述节点分为客户节点和非客户节点，所述客户节点和非客户节点间存在边，所述边为节点关系；
将MySQL结构化数据库中的客户数据导入Neo4j图形数据库中；
在一个图形中随机确定一个客户节点为初始客户节点，以广度优先的方式遍历初始客户节点的邻居客户节点，计算客户间社会关系强度；
若客户与初始客户社会关系强度的计算结果在0.5以上，判定社会关系强度较强并视为一个群体，若客户与初始客户社会关系强度的计算结果在0.5以下，判定社会关系强度较低并排除当前节点群体；
在加入客户节点后，判断加入客户节点后合同数量是否增加，计算客户间社会关系强度是否在0.5以上，若是，则将加入的客户节点加入到该节点对应的集合；
汇总初始客户节点的社会关系强度较高的客户节点，依次遍历得到每个客户间社会关系强度较高的客户节点对应的集合；
将所有客户节点的集合合并，得到图形中的高净值客户群；
所述计算客户间社会关系强度的计算公式为：
Figure FDA0003750864630000011
其中，Rs为客户间社会关系强度，k为自变量个数，ak为第k个自变量的权重；f(xk)是xk的正规化函数，计算结果在[0,1]之间；
所述计算客户间社会关系强度中，自变量个数为三个，其中，x1为两个客户节点间的路径数，x2为两个客户节点的签约楼盘的节点关系是否相同，x3为两个客户节点的节点关系为合同签约时间的时间间隔；a1为x1的权重，定为3/5，a2和a3分别为x2和x3的权重，均定为1/5；f(xk)的计算公式为：
Figure FDA0003750864630000021
式中，当k∈(1，2)时，x为时间间隔变量，xmax为时间间隔变量最大值，定为4，xmin为时间间隔变量最小值，定为1；k＝3时，x为时间间隔变量，xmax为时间间隔变量最大值，且xmax通过复购时间点来确定，xmin为时间间隔变量最小值，定为0。
2.根据权利要求1所述的基于知识图谱的高净值客户群识别方法，其特征在于，所述客户节点为客户的身份标识信息，所述非客户节点为手机号、银行卡、合同、家庭地址中的一种，所述合同的节点关系包括但不限于合同号、签约时间、签约楼盘、签约金额，所述身份标识信息的节点关系包括但不限于姓名、家庭住址。
3.根据权利要求2所述的基于知识图谱的高净值客户群识别方法，其特征在于，所述边还表示客户节点和非客户节点间的关联关系、三元关系。
4.根据权利要求3所述的基于知识图谱的高净值客户群识别方法，其特征在于，所述三元关系为起始节点、尾节点、由起始节点指向尾节点的关系边组成的集合，所述三元关系包括身份证、使用电话、手机号，合同、使用银行卡、银行卡号，身份证、签约、合同，身份证、居住、家庭地址。
5.根据权利要求4所述的基于知识图谱的高净值客户群识别方法，其特征在于，所述将MySQL结构化数据库中的客户数据导入Neo4j图形数据库中，包括：将家庭地址的写法标准化，并利用python将三元关系写入知识图谱模型中。
6.一种基于知识图谱的高净值客户群识别装置，其特征在于，所述装置包括处理器、存储器及通信 总线；所述通信总线用于实现处理器和存储器之间的连接通信；所述处理器用于执行存储器中存储的一个或者多个程序，以实现权利要求1至5中任一项权利要求所述的基于知识图谱的高净值客户群识别方法的步骤。
7.一种存储介质，其特征在于，所述存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现权利要求1-5中任一项权利要求所述的基于知识图谱的高净值客户群识别方法的步骤。
CN201911247702.9A 2019-12-09 2019-12-09 基于知识图谱的高净值客户群识别方法、装置及存储介质 Active CN111026816B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911247702.9A CN111026816B (zh) 2019-12-09 2019-12-09 基于知识图谱的高净值客户群识别方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911247702.9A CN111026816B (zh) 2019-12-09 2019-12-09 基于知识图谱的高净值客户群识别方法、装置及存储介质

Publications (2)

Publication Number Publication Date
CN111026816A CN111026816A (zh) 2020-04-17
CN111026816B true CN111026816B (zh) 2022-09-02

Family

ID=70204797

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911247702.9A Active CN111026816B (zh) 2019-12-09 2019-12-09 基于知识图谱的高净值客户群识别方法、装置及存储介质

Country Status (1)

Country Link
CN (1) CN111026816B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112015909B (zh) * 2020-08-19 2024-04-30 普洛斯科技(重庆)有限公司 知识图谱的构建方法及装置、电子设备、存储介质

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109087140A (zh) * 2018-08-07 2018-12-25 广州航海学院 一种基于spark大数据的闭环目标客户识别方法
CN109165239A (zh) * 2018-07-06 2019-01-08 重庆邮电大学 基于用户属性和内容属性的d2d信息传播建模方法
CN109766445A (zh) * 2018-12-13 2019-05-17 平安科技（深圳）有限公司 一种知识图谱构建方法及数据处理装置
CN110110155A (zh) * 2019-04-03 2019-08-09 中国人民解放军战略支援部队信息工程大学 基于元社会关系圈的人物知识图谱属性获取方法及装置
CN110322318A (zh) * 2019-06-18 2019-10-11 中国平安财产保险股份有限公司 一种客户分群方法、装置及计算机存储介质
CN110378002A (zh) * 2019-07-11 2019-10-25 华中农业大学 基于移动轨迹的社会关系建模方法
CN110390039A (zh) * 2019-07-25 2019-10-29 广州汇智通信技术有限公司 基于知识图谱的社交关系分析方法、装置及设备
CN110489561A (zh) * 2019-07-12 2019-11-22 平安科技（深圳）有限公司 知识图谱构建方法、装置、计算机设备和存储介质
CN110502670A (zh) * 2019-08-29 2019-11-26 南京智慧光信息科技研究院有限公司 基于人工智能的网络社交关系知识图谱生成方法和系统
CN111401951A (zh) * 2020-03-13 2020-07-10 重庆锐云科技有限公司 保密存储下用户信息透明化的虚拟客户构建方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10782986B2 (en) * 2018-04-20 2020-09-22 Facebook, Inc. Assisting users with personalized and contextual communication content

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109165239A (zh) * 2018-07-06 2019-01-08 重庆邮电大学 基于用户属性和内容属性的d2d信息传播建模方法
CN109087140A (zh) * 2018-08-07 2018-12-25 广州航海学院 一种基于spark大数据的闭环目标客户识别方法
CN109766445A (zh) * 2018-12-13 2019-05-17 平安科技（深圳）有限公司 一种知识图谱构建方法及数据处理装置
CN110110155A (zh) * 2019-04-03 2019-08-09 中国人民解放军战略支援部队信息工程大学 基于元社会关系圈的人物知识图谱属性获取方法及装置
CN110322318A (zh) * 2019-06-18 2019-10-11 中国平安财产保险股份有限公司 一种客户分群方法、装置及计算机存储介质
CN110378002A (zh) * 2019-07-11 2019-10-25 华中农业大学 基于移动轨迹的社会关系建模方法
CN110489561A (zh) * 2019-07-12 2019-11-22 平安科技（深圳）有限公司 知识图谱构建方法、装置、计算机设备和存储介质
CN110390039A (zh) * 2019-07-25 2019-10-29 广州汇智通信技术有限公司 基于知识图谱的社交关系分析方法、装置及设备
CN110502670A (zh) * 2019-08-29 2019-11-26 南京智慧光信息科技研究院有限公司 基于人工智能的网络社交关系知识图谱生成方法和系统
CN111401951A (zh) * 2020-03-13 2020-07-10 重庆锐云科技有限公司 保密存储下用户信息透明化的虚拟客户构建方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于组合赋权-模糊评价法的商业银行高净值客户价值评价研究;周毓萍等;《金融理论与实践》;20170110(第01期);66-70 *

Also Published As

Publication number Publication date
CN111026816A (zh) 2020-04-17

Similar Documents

Publication Publication Date Title
TWI759562B (zh) 用於識別異常交易社團的方法和裝置
CN106021376B (zh) 用于处理用户信息的方法和设备
CN112214499B (zh) 图数据处理方法、装置、计算机设备和存储介质
CN112288347A (zh) 冷链配送的路线确定方法、装置、服务器及存储介质
CN102668457A (zh) 用于社交图数据分析以确定社区内的连接性的系统和方法
CN112200644B (zh) 欺诈用户识别方法、装置、计算机设备以及存储介质
CN110166344B (zh) 一种身份标识识别方法、装置以及相关设备
CN112085615A (zh) 图神经网络的训练方法及装置
CN110209729B (zh) 数据转移对象识别的方法及装置
CN112163096A (zh) 一种恶意团体确定方法、装置、电子设备及存储介质
CN111026816B (zh) 基于知识图谱的高净值客户群识别方法、装置及存储介质
CN115859187A (zh) 对象识别方法、装置、电子设备及存储介质
CN109670873A (zh) 房地产拓客方法、装置及服务器
Miccichè et al. A primer on statistically validated networks
CN112435034A (zh) 一种基于多网络图聚合的营销套利黑产的识别方法
CN111008871A (zh) 一种房地产复购客户跟进数量计算方法、装置及存储介质
CN107528969A (zh) 电话拨打时间的管理方法、管理装置及终端设备
CN117131460A (zh) 一种电信欺诈账户识别模型训练方法、装置、设备及介质
CN110532266A (zh) 一种数据处理的方法和装置
CN110210884A (zh) 确定用户特征数据的方法、装置、计算机设备及存储介质
CN113313505B (zh) 异常定位方法、装置及计算设备
CN109460490B (zh) 社交网络中中心顶点的确定方法、装置、设备及存储介质
CN113743838A (zh) 目标用户识别方法、装置、计算机设备和存储介质
CN112053210A (zh) 一种基于商品社区分类的关联值传播方法、系统及设备
CN109740069A (zh) 一种用户间亲密关系的识别方法及装置

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