-
公开(公告)号：CN109840550A
公开(公告)日：2019-06-04
申请号：CN201910030405.2
申请日：2019-01-14
Applicant: 华南理工大学 , 中国移动通信集团广西有限公司
Abstract: 本发明公开了一种基于深度神经网络的移动用户应用偏好识别方法，包括步骤：S1、收集移动用户的行为特征数据和应用特征数据，对数据进行预处理；S2、构建应用聚类模型，对应用进行聚类，得到应用所属类别；S3、根据第一用户集的应用使用数据以及S2步中的应用所属类别得到应用类别集合L；S4、利用第一用户集，构建用户应用偏好预测模型；S5、使用构建的应用偏好预测模型，根据用户的行为特征预测第二用户集中用户偏好的应用类别集合L。本发明可快速而准确地对用户应用偏好进行预测，能够提高应用运营商的推广效率和准确率，同时也给用户带来更好的应用体验。
-
公开(公告)号：CN110223106A
公开(公告)日：2019-09-10
申请号：CN201910417277.7
申请日：2019-05-20
Applicant: 华南理工大学
IPC: G06Q30/02
Abstract: 本发明公开了一种基于深度学习的欺诈应用检测方法，包括步骤：1)获取移动广告数据，进行预处理；2)提取结构数据和样本数据；3)基于结构数据构建图并获取图嵌入特征，基于样本数据构建应用二维数据单元；4)所有应用的数据单元和图嵌入特征纵向拼接构建应用基本属性特征矩阵和图嵌入特征矩阵，构成输入特征；5)定义标签，构成被试数据；6)构建混合卷积神经网络，用于欺诈检测；7)被试数据输入至混合卷积神经网络中训练，得到混合卷积神经网络模型；8)采用混合卷积神经网络模型进行欺诈检测。本发明能够同时考虑应用的结构特征和基本属性特征，有效提高欺诈应用检测的准确率，同时减少移动广告历史数据特征工程的工作量。
-
Patent Agency Ranking
公开(公告)号：CN109829018A
公开(公告)日：2019-05-31
申请号：CN201910078950.9
申请日：2019-01-28
Applicant: 华南理工大学 , 中国移动通信集团广西有限公司
IPC: G06F16/28
Abstract: 本发明公开了一种基于深度学习的移动客户超细分方法，包括步骤：S1、对移动用户的基础数据和消费行为数据进行预处理；S2、针对消费行为特征，统计第一用户集(这类移动用户拥有大于或等于t个月的消费行为数据)中每个用户的该特征的t个月数据的平均值等作为该特征的统计特征；S3、将处理后的两类特征拼接，作为特征向量；S4、构建自动编码器，获得特征向量的低维向量表示；S5、构建层次聚类模型，进行层次聚类；S6、对于第二用户集(这类移动用户拥有小于t个月的消费行为数据)，通过计算与聚类后各簇心的距离获得相应的细分类别。本发明可以对大规模移动客户数据实现快速细分，根据客户细分结果，可以针对性地进行套餐推荐等个性化服务。
-
公开(公告)号：CN108710651A
公开(公告)日：2018-10-26
申请号：CN201810431307.5
申请日：2018-05-08
Applicant: 华南理工大学
CPC classification number: G06F17/277 , G06N3/0454 , G06Q30/01
Abstract: 本发明公开了一种大规模客户投诉数据自动分类方法，包括以下步骤：收集投诉文本数据，并进行预处理；构建第一投诉分类器和第二投诉分类器；根据过滤规则，满足过滤规则分配第一分类标签；不满足过滤规则使用第一投诉分类器进行分类；有第一分类标签的投诉文本数据，没有对应第二投诉分类器，且第一分类标签条目大于第一门限值，则增加一个第二投诉分类器，进行再分类，得到第二分类标签；有对应第二投诉分类器，进行再分类，得到第二分类标签；本发明构建分类器，将投诉文本数据转化为向量，进行分类，通过生成特征词表和TF‑IDF权重值进行聚类和再分类，从而对投诉文本数据进行多层分类，实现快速而准确的对投诉数据文本进行分类。
-
公开(公告)号：CN110197729A
公开(公告)日：2019-09-03
申请号：CN201910417295.5
申请日：2019-05-20
Applicant: 华南理工大学
Abstract: 本发明公开了一种基于深度学习的静息态fMRI数据分类方法和装置，包括：1)获取静息态fMRI试验数据，进行预处理并获取标签；2)对静息态fMRI数据进行大脑区域划分，提取功能连接特征和脑区综合特征；3)提取全脑体素点特征；4)提取个人属性特征；5)构建用于静息态fMRI数据分类的混合神经网络模型；6)将用于模型训练部分的数据进行处理，作为输入数据进行混合神经网络的训练，得到的参数用于静息态fMRI数据分类的混合神经网络模型；7)对静息态fMRI数据进行处理，将得到的功能连接特征、脑区综合特征、全脑体素点特征和个人属性特征输入到训练后的混合神经网络模型中进行分类。本发明能保留各项特征的数据形式，综合考虑各项特征的信息，有效提高分类准确率。
-
公开(公告)号：CN108710651B
公开(公告)日：2022-03-25
申请号：CN201810431307.5
申请日：2018-05-08
Applicant: 华南理工大学
IPC: G06F16/35 , G06F40/289 , G06F40/216 , G06N3/04 , G06N3/08 , G06Q30/00
Abstract: 本发明公开了一种大规模客户投诉数据自动分类方法，包括以下步骤：收集投诉文本数据，并进行预处理；构建第一投诉分类器和第二投诉分类器；根据过滤规则，满足过滤规则分配第一分类标签；不满足过滤规则使用第一投诉分类器进行分类；有第一分类标签的投诉文本数据，没有对应第二投诉分类器，且第一分类标签条目大于第一门限值，则增加一个第二投诉分类器，进行再分类，得到第二分类标签；有对应第二投诉分类器，进行再分类，得到第二分类标签；本发明构建分类器，将投诉文本数据转化为向量，进行分类，通过生成特征词表和TF‑IDF权重值进行聚类和再分类，从而对投诉文本数据进行多层分类，实现快速而准确的对投诉数据文本进行分类。
-
公开(公告)号：CN110223106B
公开(公告)日：2021-09-21
申请号：CN201910417277.7
申请日：2019-05-20
Applicant: 华南理工大学
IPC: G06Q30/02
Abstract: 本发明公开了一种基于深度学习的欺诈应用检测方法，包括步骤：1)获取移动广告数据，进行预处理；2)提取结构数据和样本数据；3)基于结构数据构建图并获取图嵌入特征，基于样本数据构建应用二维数据单元；4)所有应用的数据单元和图嵌入特征纵向拼接构建应用基本属性特征矩阵和图嵌入特征矩阵，构成输入特征；5)定义标签，构成被试数据；6)构建混合卷积神经网络，用于欺诈检测；7)被试数据输入至混合卷积神经网络中训练，得到混合卷积神经网络模型；8)采用混合卷积神经网络模型进行欺诈检测。本发明能够同时考虑应用的结构特征和基本属性特征，有效提高欺诈应用检测的准确率，同时减少移动广告历史数据特征工程的工作量。
-
-
-
-
-
-
Search Results
7
records
(took 0.015 seconds)
