-
公开(公告)号：CN113962160B
公开(公告)日：2025-04-04
申请号：CN202111298139.5
申请日：2021-11-04
Applicant: 中南大学
IPC: G06F30/27 , G06F18/213 , G06F18/214 , G06F18/22 , G06F18/24 , G06N3/04 , G06N3/08 , G06F111/08
Abstract: 本发明公开了基于用户画像的互联网卡用户流失预测方法及系统，通过分析互联网卡用户与流失相关的身份特性以及行为特性，确定互联网卡用户的关键画像数据维度以及关键时序行为数据维度；关键画像数据维度包括表征互联网卡用户行为的不确定性和活跃度的活跃熵，关键时序行为数据维度包括表征互联网卡用户的异常行为的行为异常天数；从历史数据中获取不同用户对应维度的关键画像数据以及不同时期的关键时序行为数据构建训练数据集，并使用训练数据集训练构建的深度学习模型，再使用训练好的深度学习模型预测用户流失。本发明在选取训练数据的特征维度时，新增用户的活跃熵和行为异常天数来反映不同用户的流失行为规律，使得训练得到深度学习模型预测精度更高。
-
公开(公告)号：CN115563555B
公开(公告)日：2023-03-14
申请号：CN202211513076.5
申请日：2022-11-30
Applicant: 中南大学
IPC: G06F18/2415 , G06F18/2323 , G06Q30/0201
Abstract: 本发明公开一种数据驱动的互联网卡用户价值分类方法、设备及介质，本方法首先从互联网卡用户的网卡使用数据中提取出用于表征用户价值状况的特征，然后将特征组成待分类数据集，对待分类数据集进行聚类，将聚类结果输入至预设的机器学习模型中，得到特征重要性向量，最后利用特征重要性向量判断用户的价值等级，本方法是通过大数据分析和挖掘技术从大规模群体用户数据中捕捉用户行为反应的潜在用户价值信息，从而利用潜在用户价值信息实现用户的价值等级划分。本方法得到的分类结果具有的明确的目的性和高可靠性，能为企业决策行为提供合理的大数据支持，而且待分类数据集中所筛选的特征可根据不同的应用场景进行差异化选取，很高的普适性。
-
公开(公告)号：CN119052249B
公开(公告)日：2025-03-11
申请号：CN202411540735.3
申请日：2024-10-31
Applicant: 中南大学
IPC: H04L67/1008 , H04L67/1004
Abstract: 本申请公开了一种负载均衡调度方法和系统，通过获取第t个时隙内，多个服务器中的每一服务器的第一状态和第二状态；根据第一状态和第二状态对多个服务器进行聚类分组，得到多个服务器组，每一服务器组包括至少两个服务器；利用预先训练的任务调度模型根据每一服务器组内的至少两个服务器的第一状态，将多个服务器组划分为第一服务器组和多个第二服务器组；根据任务调度模型将多个第二服务器组中的待卸载任务卸载至第一服务器组中，并将卸载至第一服务器组的待卸载任务分配至第一服务器组中的至少两个服务器中，以达到精细化的任务调度策略和高效的均衡负载调度，实现边缘计算资源利用最大化。
-
Patent Agency Ranking
公开(公告)号：CN115563555A
公开(公告)日：2023-01-03
申请号：CN202211513076.5
申请日：2022-11-30
Applicant: 中南大学
IPC: G06F18/2415 , G06F18/2323 , G06Q30/0201
Abstract: 本发明公开一种数据驱动的互联网卡用户价值分类方法、设备及介质，本方法首先从互联网卡用户的网卡使用数据中提取出用于表征用户价值状况的特征，然后将特征组成待分类数据集，对待分类数据集进行聚类，将聚类结果输入至预设的机器学习模型中，得到特征重要性向量，最后利用特征重要性向量判断用户的价值等级，本方法是通过大数据分析和挖掘技术从大规模群体用户数据中捕捉用户行为反应的潜在用户价值信息，从而利用潜在用户价值信息实现用户的价值等级划分。本方法得到的分类结果具有的明确的目的性和高可靠性，能为企业决策行为提供合理的大数据支持，而且待分类数据集中所筛选的特征可根据不同的应用场景进行差异化选取，很高的普适性。
-
公开(公告)号：CN113962160A
公开(公告)日：2022-01-21
申请号：CN202111298139.5
申请日：2021-11-04
Applicant: 中南大学
IPC: G06F30/27 , G06K9/62 , G06N3/04 , G06N3/08 , G06F111/08
Abstract: 本发明公开了基于用户画像的互联网卡用户流失预测方法及系统，通过分析互联网卡用户与流失相关的身份特性以及行为特性，确定互联网卡用户的关键画像数据维度以及关键时序行为数据维度；关键画像数据维度包括表征互联网卡用户行为的不确定性和活跃度的活跃熵，关键时序行为数据维度包括表征互联网卡用户的异常行为的行为异常天数；从历史数据中获取不同用户对应维度的关键画像数据以及不同时期的关键时序行为数据构建训练数据集，并使用训练数据集训练构建的深度学习模型，再使用训练好的深度学习模型预测用户流失。本发明在选取训练数据的特征维度时，新增用户的活跃熵和行为异常天数来反映不同用户的流失行为规律，使得训练得到深度学习模型预测精度更高。
-
公开(公告)号：CN119052249A
公开(公告)日：2024-11-29
申请号：CN202411540735.3
申请日：2024-10-31
Applicant: 中南大学
IPC: H04L67/1008 , H04L67/1004
Abstract: 本申请公开了一种负载均衡调度方法和系统，通过获取第t个时隙内，多个服务器中的每一服务器的第一状态和第二状态；根据第一状态和第二状态对多个服务器进行聚类分组，得到多个服务器组，每一服务器组包括至少两个服务器；利用预先训练的任务调度模型根据每一服务器组内的至少两个服务器的第一状态，将多个服务器组划分为第一服务器组和多个第二服务器组；根据任务调度模型将多个第二服务器组中的待卸载任务卸载至第一服务器组中，并将卸载至第一服务器组的待卸载任务分配至第一服务器组中的至少两个服务器中，以达到精细化的任务调度策略和高效的均衡负载调度，实现边缘计算资源利用最大化。
-
公开(公告)号：CN114022202A
公开(公告)日：2022-02-08
申请号：CN202111295191.5
申请日：2021-11-03
Applicant: 中南大学
Abstract: 本发明公开了基于深度学习的用户流失预测方法及系统，通过构建并将时序行为特征矩阵转化成多个块嵌入向量，并添加初始类别嵌入向量以及位置嵌入向量，再提取嵌入特征块的各个块嵌入向量的目标类别，并加上位置嵌入向量所标记的各个块嵌入向量之间的位置关系对提取的各个块嵌入向量进行自相似性计算，得到嵌入特征块的类别嵌入向量；对嵌入特征块的类别嵌入向量进行预分类，输出用户流失概率值，从用户画像特征矩阵提取用户画像的关键特征矩阵，根据用户画像的关键特征矩阵以及用户流失概率值确定用户的流失类别。本发明能准确、全面捕捉用户各种时序行为特征之间的自相似性，并结合用户画像的关键特征矩阵实现高精度的用户流失预测。
-
公开(公告)号：CN114022202B
公开(公告)日：2022-11-01
申请号：CN202111295191.5
申请日：2021-11-03
Applicant: 中南大学
Abstract: 本发明公开了基于深度学习的用户流失预测方法及系统，通过构建并将时序行为特征矩阵转化成多个块嵌入向量，并添加初始类别嵌入向量以及位置嵌入向量，再提取嵌入特征块的各个块嵌入向量的目标类别，并加上位置嵌入向量所标记的各个块嵌入向量之间的位置关系对提取的各个块嵌入向量进行自相似性计算，得到嵌入特征块的类别嵌入向量；对嵌入特征块的类别嵌入向量进行预分类，输出用户流失概率值，从用户画像特征矩阵提取用户画像的关键特征矩阵，根据用户画像的关键特征矩阵以及用户流失概率值确定用户的流失类别。本发明能准确、全面捕捉用户各种时序行为特征之间的自相似性，并结合用户画像的关键特征矩阵实现高精度的用户流失预测。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.027 seconds)
