用户个性化

摘要： 海尔总裁张瑞敏发现,企业的规模越大,渠道越长,则企业与用户的距离越远。为克服上述弊病和摆脱家电企业普遍面临的低利润困境,张瑞敏在海尔推行了一场自我颠覆式的变革,实现“互联网+”模式的家电制造,建设资源共享、平台化的新型公司,实现“企业平台化、员工创客化、用户个性化”。一个大型公司能如此激进地改革是非常不容易的。人们把海尔大胆的自我革命描述为:1985年砸冰箱,2005年“砸”组织。

摘要： 随着数据信息的不断扩增,点对点推荐模型作为深度学习中常用的推荐算法,能一定程度上解决信息过载的问题。但其仅通过单个用户与单个新闻预测得分,未利用新闻列表之间的交互信息。为了提升个性化推荐的质量,如何充分利用用户的历史信息、新闻的文本语义信息和列表信息等,以精准全面地表征用户和新闻是当前新闻推荐系统亟待解决的问题。对此,提出了一种增强列表信息和用户兴趣的新闻个性化推荐算法。利用用户历史点击新闻序列与新闻数据训练点对点模型进行特征构造,实现用户兴趣的个性化信息抽取,通过注意力网络处理用户与整个新闻列表特征来增强列表信息,实现直接对全局列表的推荐排序。实验结果表明,此种增强列表信息和用户兴趣的个性化推荐算法能够建模全局列表信息,与前沿的新闻推荐算法相比效果有显著提升。

摘要： 丰富产品的配色有助于提高用户个性化的选择,特别是在日常可见的办公桌面,性能优异的外设固然能够提升生产力,“秀色可餐”的外设也能够舒缓办公时的烦闷,平添一份好心情,让工作更具效率。为此,雷柏在E9350G多模式无线纤薄键盘(以下简称E9350G)中适配了流行粉与冷艳紫这两个暖色调,希望能够为时下办公用户提供更多配色选择,带来柔和的桌面氛围。

摘要： 目前,5G已经成为数字经济发展不可缺少的部分,赋能各行业领域。5G面临的是满足不同用户的个性化需求,实现多场景的实际应用。这就对5G核心网的编排架构与管理提出了更高的功能和性能要求。本文基于微服务的方式,对5G核心网提出了新的编排架构和管理方式,能够实现用户个性化对网络资源的延展应用,同时具备较好的容灾能力,有效提高5G核心网的利用率。

摘要： 引言2020年9月,我国出台了《关于加快推进媒体深度融合发展的意见》并指出要走好全媒体时代群众路线,坚持以人民为中心的工作导向,坚持贴近群众服务群众,强化媒体与受众的连接,以开放平台吸引广大用户参与信息生产传播,生产群众更喜爱的内容,建构群众离不开的渠道[1]。融媒体时代的到来对档案信息服务有了新的发展要求,要做到“坚持以人民为中心的工作导向”,需从档案用户的角度出发,满足档案用户个性化需求,满足档案用户个性化需求,打造档案信息的个性化服务,而如何推动融媒体与档案工作的互通互容,打造个性化的信息服务体系,满足用户个性化的需求,也已经成为了新时代抛给我们的新挑战。

摘要： 近年来,信用卡业务增速放缓,行业迈向高质量发展阶段,存量用户经营重要性凸显,场景化、个性化经营成为行业新趋势。用户个性化经营在提升用户忠诚度的同时,为银行价值增长带来可持续动力。2022年3月,万事达卡与弗雷斯特市场咨询(Forrester Consulting)合作,针对银行卡持卡人个性化经营进行了深入调研,并于近日发布了《银行业个性化用户经营专题思想领导力研究》报告(以下简称“报告”)。报告显示,银行已在多触点、多场景对用户个性化经营进行了探索。

摘要： 海尔始创于1984年,经过30余年发展,海尔品牌已经从“中国海尔”成长为“世界海尔”。从1984年开始,在历经名牌战略、多元化品牌战略、国际化品牌战略、全球化品牌战略4个发展阶段之后,2012年海尔进入网络化品牌战略阶段。在全新的发展阶段,海尔围绕“企业平台化、员工创客化、用户个性化”积极布局。

摘要： 在价值创造的过程中,顾客的需求和体验的个性化决定着共创的价值,从而产生了用户的满意度,进而影响用户对产品的持续使用意愿.由于企业所感受到的压力与日俱增,企业与客户共同创造价值的活动也越来越受欢迎,越来越多的顾客参与到企业的生产过程,体验环境,进行企业和顾客之间的服务互动.本文正是基于此背景下研究价值共创行为对用户持续使用意愿的影响,提出关于用户个性化调节作用的初步设想.

摘要： 灵活定义Windows主题,能够营造相对舒适的桌面视觉环境,满足用户个性化的视觉需求。虽然Windows 10的"设置”应用可以设定“夜间模式”的定时自动开关,但对于主题颜色深浅的选择,只能深入到“设置-个性化-颜色",通过手动切换进行,操作不便,选择单一(图1)。

摘要： 本文着重介绍了利用向量空间模型和BP神经网络,分别针对网页内容和链接,建立和更新用户个性化兴趣模型(User Profile)的过程.并讨论了该模型的基于Agent的体系结构实现.

摘要： 本发明公开了一种针对用户进行个性化推荐的方法、用户建模设备及相应系统，其中，所述方法包括：从信息模型数据库中提取用户所关注的名人的信息模型，其中，所述名人为社交网络中满足预定条件的人，所述信息模型数据库中存储有基于第一建模策略为所述名人建立的信息模型；根据所述用户所关注的名人的信息模型和第二建模策略为所述用户建立用户模型；获取根据所述用户模型提取的适合所述用户的信息，并向所述用户推荐该信息。根据用户所关注的名人的信息模型建立的用户模型能准确表征用户的兴趣，根据用户模型为用户推荐的信息能够准确匹配用户兴趣，因此，信息推荐的准确率高，并且解决了因用户缺少或没有历史行为而引起的冷启动问题。

摘要： 提供了一种在无需用户登记或注册其生物统计特征的情况下识别家庭中不同用户的方法和设备。该设备可利用与遥控器装置集成或连接到媒体装置的传感器，并在用户正在消费来自媒体装置的内容服务时创建用户的伪身份。当创建伪身份时，用户的内容偏好、用户的观看习惯以及用户对内容的观看行为可与多于一个的伪身份相关联，以更好地识别同一位用户。在随后的使用中，服务提供商可以以隐蔽且自然的方式向用户提供个性化服务(诸如个性化指南和节目、用户选择的偏好、针对性广告或内容推荐)。

摘要： 本发明提供了一种基于用户画像的个性化信息推送方法及用户端，其在用户端执行对用户信息的采集和用户子画像库的生成；基于待访问的应用或网站的类别，获取对应的用户子画像，判断当前用户子画像的下级子画像是否为0，若是，则将当前用户子画像添加进访问请求中，与访问请求一并发送给服务端，否则将所述下级子画像赋值给当前用户子画像，服务端根据用户子画像执行信息推送，有效减少了服务端的资源消耗，能够更全面地采用用户信息，生成的用户画像更为准确，从而方便于信息服务提供方高效地提供更具个性化的信息服务。

摘要： 本发明属于人工智能技术领域，公开了一种基于用户偏好与用户属性的个性化推荐方法，提取目标用户的第一历史行为信息，根据偏好阈值条件进行筛选得到第二历史行为信息，进而得到目标用户对不同类别的物品的喜好信息，构建目标用户的偏好模型；根据目标用户的偏好模型，得到目标用户与其他用户之间的第一相似度信息，根据目标用户与其他用户的个人配置信息得到用户配置权值信息，结合第一相似度信息和用户配置权值信息得到第二相似度信息，构建相似用户集合；根据目标用户的偏好模型和相似用户集合构建待推荐物品总集。本发明解决了现有技术中个性化推荐无法保证推荐物与目标用户的偏好相契合的问题，能够确保推荐物品与用户的偏好相契合。

摘要： 本发明提供一种基于用户需求的用户档案创建方法，包括：1)在用户进行检索的过程中，提取该用户对于所返回页面的行为特征和该用户所点击页面的页面特征向量，所述页面特征向量包括：能够反映页面布局的特征，表征页面阅读难度的特征，以及页面数据量；2)基于该用户点击过的多个页面的页面特征向量构造该用户的用户档案；其中，根据该用户对于各个页面的行为特征设置该页面的用户偏好权重。本发明还提供了相应的个性化搜索排名方法和系统。本发明能够充分适应用户对不同特征的偏好，提高排名结果的准确性；以及提高用户满意程度的评判精度。

摘要： 本发明公开了一种针对用户进行个性化推荐的方法、用户建模设备及相应系统，其中，所述方法包括：从信息模型数据库中提取用户所关注的名人的信息模型，其中，所述名人为社交网络中满足预定条件的人，所述信息模型数据库中存储有基于第一建模策略为所述名人建立的信息模型；根据所述用户所关注的名人的信息模型和第二建模策略为所述用户建立用户模型；获取根据所述用户模型提取的适合所述用户的信息，并向所述用户推荐该信息。根据用户所关注的名人的信息模型建立的用户模型能准确表征用户的兴趣，根据用户模型为用户推荐的信息能够准确匹配用户兴趣，因此，信息推荐的准确率高，并且解决了因用户缺少或没有历史行为而引起的冷启动问题。

摘要： 本发明提供了一种基于用户历史和特征因子化的个性化套装推荐方法。首先提取商品视觉特征，以用户嵌入向量得到用户基本表征后，通过因子化方式将商品特征和用户特征投影到多个隐式空间中，学习用户对于套装不同方面的兴趣，使用特征高阶组合和加权池化对商品特征进行聚合得到套装特征，构造用户历史行为学习用户历史表征，接着聚合用户嵌入向量和用户历史表征得到用户表征，并从套装内商品兼容性和套装与用户相关度两方面度量用户与套装的匹配得分。本发明通过对套装特征和用户特征进行因子化，从多个隐式空间中度量用户与套装之间的相关性，使推荐结果更能展现用户对于套装某些方面的特征的兴趣。

摘要： 本发明公开了一种基于用户协同正则化的个性化Web服务组合方法，本发明方法通过融合用户历史数据的矩阵分解算法可以高效地预测服务的QoS信息，并支持满足用户的个性化服务组合需求；此外，本发明通过矩阵分解加速技术大大提升了求解效率，从而实时响应多用户的个性化QoS组合查询请求。

摘要： 本发明公开了一种基于用户个性化特征的社交网络用户行为预测方法，首先基于若干社交网络用户的多维行为属性数据，构建不同类别的用户标记向量；对社交网络用户进行分类，划分为不同归属类别的用户，并对其行为进行行为特征向量转化，得到向量化后的用户行为；将向量化用户行为按时序排列，采用长短时记忆神经网络进行预测，所需预测结果；本发明对社交网络用户进行分类定义，对社交网络用户的类别及行为属性进行区分；对每一归属类别的用户行为的时序数据进行排序，通过对该类别用户行为数据的学习迭代来进行用户行为预测，降低了对预测过程中参数化的假设；充分考虑了社交网络用户在时序行为上的动态过程，提高了预测结果的真实性。

摘要： 本发明涉及产品设计领域，提供一种基于用户个性化需求推荐的产品模块化设计方法及装置，该方法包括通过获取用户对标准模块构成的初始产品的评分数据；再将获取的评分数据和初始产品结构模块数据输入推荐系统，产生推荐的M组产品结构模块数据，所述推荐系统包括隐语义模型，将M组所述产品结构模块数据推荐给用户，用户选择推荐的M组所述产品结构模块数据中满意的设计方案；若用户对推荐的M组所述产品结构模块数据均不满意，则对推荐的M组所述产品结构模块数据进行评分，评分数据返回输入推荐系统。该方法及装置能够快速获取用户需求以及产品模块划分，提升产品模块化设计效率。