CN106791221A - 一种基于通话的亲友圈关系识别方法 - Google Patents
一种基于通话的亲友圈关系识别方法 Download PDFInfo
- Publication number
- CN106791221A CN106791221A CN201611109181.7A CN201611109181A CN106791221A CN 106791221 A CN106791221 A CN 106791221A CN 201611109181 A CN201611109181 A CN 201611109181A CN 106791221 A CN106791221 A CN 106791221A
- Authority
- CN
- China
- Prior art keywords
- user
- call
- collection
- users
- relation
- 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.)
- Granted
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04M—TELEPHONIC COMMUNICATION
- H04M3/00—Automatic or semi-automatic exchanges
- H04M3/22—Arrangements for supervision, monitoring or testing
- H04M3/2218—Call detail recording
-
- 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
Abstract
一种基于通话的亲友圈关系识别方法,包括有:提取话单数据,计算每两个用户之间的通话指标,并据此判断每两个用户之间是否存在频繁通话关系;将相互之间存在频繁通话关系的k个用户构成一个k项用户集,然后基于多个k项用户集,并采用聚类算法生成若干个k+1项用户集:判断每两个k项用户集中是否存在k‑1个相同用户、且唯一不同的用户之间存在频繁通话关系,如果是,则将所述两个k项用户集中的所有不重复的用户构成一个k+1项用户集,所述k+1项用户集中的所有用户之间是亲友圈关系。本发明属于网络通信技术领域,能基于用户之间的通信指标,从海量用户之间挖掘出由相互之间频繁通信的用户所组成的亲友圈,从而实现个性化营销。
Description
技术领域
本发明涉及一种基于通话的亲友圈关系识别方法,属于网络通信技术领域。
背景技术
亲友圈是一个相互之间保持着频繁联系的用户集团,亲友圈内用户之间的联系具有以下特点:较多的通话次数、较长的通话时长等等,通过挖掘相互之间频繁通信的亲友圈,可以有助于挖掘潜在的用户集团,从而实现个性化营销。
目前,各网络运营商也相继推出了“亲友圈”相关业务,例如通过用户主动签约“亲情号码”业务来发现亲友圈,这种亲友圈是易于理解和易于发现的,但现网中更多用户并未签约有相关业务,因此识别出这些隐藏于现网海量数据下的、难以直观识别的亲友圈,是一件极其复杂的工作。如何利用用户之间的通话次数、通话时间等通信指标,从海量用户之间挖掘出由相互之间频繁联系的用户所组成的亲友圈,从而实现个性化营销,是当前技术人员急需解决的技术问题,目前还未发现有效的技术解决方案。
发明内容
有鉴于此,本发明的目的是提供一种基于通话的亲友圈关系识别方法,能基于用户之间的通信指标,从海量用户之间挖掘出由相互之间频繁通信的用户所组成的亲友圈,从而实现个性化营销。
为了达到上述目的,本发明提供了一种基于通话的亲友圈关系识别方法,包括有:
步骤一、提取话单数据,计算每两个用户之间的通话指标,并据此判断每两个用户之间是否存在频繁通话关系;
步骤二、将相互之间存在频繁通话关系的k个用户构成一个k项用户集,然后基于多个k项用户集,并采用聚类算法生成若干个k+1项用户集:判断每两个k项用户集中是否存在k‐1个相同用户、且唯一不同的用户之间存在频繁通话关系,如果是,则将所述两个k项用户集中的所有不重复的用户构成一个k+1项用户集,所述k+1项用户集中的所有用户之间是亲友圈关系。
与现有技术相比,本发明的有益效果是:本发明能先根据用户之间的若干通话指标来构成由k个用户所组成的较小亲友圈,再通过计算,从海量数据中识别出由k+1个用户所组成的较大亲友圈,从而实现个性化营销;本发明还进一步通过计算通话指标阈值、或构建分类模型两种不同方式,准确筛选出相互之间存在频繁通话关系的两个用户;本发明还可以首先基于两个用户的频繁通话关系来构成基本的2项用户集,然后再进行层层聚类,不断识别出越来越多数量的用户所构成的多项用户集(即亲友圈);在对k项用户集进行聚类时,本发明按照前k-1位用户进行分组,在每个分组内生成新的k+1项用户集,同时,k项用户集中的用户均按照一定次序排序,不仅有效减小算法时间复杂度,也能保证不会遗漏任何一个可能的k+1项用户集,从而有效减少了本发明的运行时间,具有较高的可行性。
附图说明
图1是本发明一种基于通话的亲友圈关系识别方法的流程图。
图2是从采集到的通话记录中提取签约有亲情号码的用户的通话记录,并根据亲情号码用户的通话指标值来计算通话指标阈值,从而准确筛选出相互之间存在频繁通话关系的两个用户的具体操作流程图。
图3是构建分类模型,以两个用户之间的通话指标作为输入,并将两个用户之间是否存在频繁通话关系作为目标变量,从而准确筛选出相互之间存在频繁通话关系的两个用户的具体操作流程图。
图4是步骤二的具体操作流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面结合附图对本发明作进一步的详细描述。
如图1所示,本发明一种基于通话的亲友圈关系识别方法,包含有:
步骤一、提取话单数据,计算每两个用户之间的通话指标,并据此判断每两个用户之间是否存在频繁通话关系;
步骤二、将相互之间存在频繁通话关系的k个用户构成一个k项用户集,然后基于多个k项用户集,并采用聚类算法生成若干个k+1项用户集:判断每两个k项用户集中是否存在k‐1个相同用户、且唯一不同的用户之间存在频繁通话关系,如果是,则将所述两个k项用户集中的所有不重复的用户构成一个k+1项用户集,所述k+1项用户集中的所有用户之间是亲友圈关系。
也就是说,本发明中,可以根据由k个用户所组成的较小亲友圈,通过计算,来识别出由k+1个用户所组成的较大亲友圈,每个亲友圈中的用户之间可能是亲人、朋友、或是潜在的集团用户,从而挖掘潜在的用户团体。
步骤一中,可以通过信令采集的方式从信令监测系统或A口等设备采集一个月的呼叫事件信令话单数据或者从BOSS采集历史话单数据,计算两个用户之间的多个通话指标,所述通话指标可以包括但不限于:通话次数、通话时长、闲时(例如18:00到8:00)通话次数占比、闲时通话时长占比,其中,闲时通话次数占比是闲时通话次数和通话次数的比值,闲时通话时长占比是闲时通话时长和通话时长的比值。本发明中,判断每两个用户之间是否存在频繁通话关系,还可以分别采取以下两种方法来实现:
方法一、从采集到的通话记录中提取签约有亲情号码的用户的通话记录,并根据亲情号码用户的通话指标值来计算通话指标阈值,从而准确筛选出相互之间存在频繁通话关系的两个用户,如图2所示,本发明还可以进一步包括有:
步骤A1、从话单数据中提取所有签约有亲情号码业务的用户的通话记录,并统计所有签约有亲情号码业务的用户相互之间的通话指标的平均值,然后计算每种通话指标所对应的通话指标阈值:其中,Qi是第i种通话指标阈值,是所有签约有亲情号码业务的用户相互之间的第i种通话指标的平均值,ai是第i种通话指标的阈值设定比值,其值可以根据实际业务需要而设定,例如ai=1/4;
步骤A2、判断两个用户之间的通话指标值是否都大于通话指标阈值?如果是,则两个用户之间存在频繁通话关系;如果否,则两个用户之间不存在频繁通话关系。
方法二、构建分类模型,以两个用户之间的通话指标作为输入,并将两个用户之间是否存在频繁通话关系作为目标变量,从而准确筛选出相互之间存在频繁通话关系的两个用户,如图3所示,本发明还可以进一步包括有:
步骤B1、从话单数据中提取一定数量的签约有亲情号码业务的用户的通话记录、以及相同数量已确认的非亲情用户的通话记录,然后统计签约有亲情号码业务的用户相互之间的通话指标、以及已确认的非亲情用户相互之间的通话指标;
根据亲友圈内用户之间的通话特点,签约有亲情号码业务的用户相互之间会存在频繁通话关系,而已确认的非亲情用户相互之间不存在频繁通话关系;
步骤B2、以所提取的签约有亲情号码业务的用户、以及已确认的非亲情用户为训练样本,训练分类模型,所述分类模型的输入是签约有亲情号码业务的用户相互之间的通话指标、或者已确认的非亲情用户相互之间的通话指标,输出是两个用户之间是否存在频繁通话关系;
分类模型可以采用但不限于:决策树、逻辑回归、或朴素贝叶斯模型;
步骤B3、将两个用户之间的通话指标输入训练后的分类模型,所述分类模型的输出即为两个用户之间是否存在频繁通话关系。
本发明可以首先基于两个用户的频繁通话关系,构成基本的2项用户集,然后再进行层层聚类,不断识别出越来越多数量的用户所构成的多项用户集,即基于两个用户所组成的2项用户集来识别出更多数量的用户所构成的亲友圈。如图4所示,步骤二还可以进一步包括有:
步骤21、将k初始化设置成2,并构建一个多项用户集群S,所述多项用户集群S初始化为空,然后将相互之间存在频繁通话关系的k个用户构成一个k项用户集,且将k项用户集中的所有用户按一定次序进行排序,最后由所有k项用户集构成一个k项用户集群;
对k项用户集中的用户按照一定次序排序,并在生成k+1项用户集时也是按相同次序进行排序,这样每次生成的用户集合都是内部有序的;同时,对于2项用户集来说,可以使用hash map存储2项用户集到keys中,从而大大降低查找的时间复杂度;
步骤22、将k项用户集群中的所有k项用户集按照排在前k‐1位的用户进行分组,即将前k‐1位用户相同的所有k项用户集归属于一组,前k‐1位用户不相同的k项用户集分别归属于不同组;
由于使用聚类算法时间复杂度较高,对于通话记录来说,数据量非常庞大,非线性的复杂度对实现来说都是很大的困难。因此对k项用户集进行聚类时,本发明按照前k‐1位用户进行分组,在每个分组内生成新的k+1项用户集,这样不仅能否有效减小算法时间复杂度,也能保证不会遗漏任何一个可能的k+1项用户集。根据实际情况,一个用户的频繁联系人有限,对于初始集合,假如每个用户平均有m个频繁联系人,则可以分成n/m个组(n是k项用户集的个数),这样,判断两个k项用户集中是否存在有k‐1个相同用户而进行连接的次数变为连接的时间复杂度则变为O((n/m)*m2),m为有限常量,因此时间复杂度为线性,从而有效减少了本发明的运行时间,具有较高的可行性;
步骤23、分别对每一组内的所有k项用户集进行两两比对,判断是否分别排在两个k项用户集中第k位的用户之间存在频繁通话关系?如果是,则提取两个k项用户集中排在前k‐1位的相同用户、以及排在第k位的不同用户来生成一个k+1项用户集,并对k+1项用户集中的所有用户按一定次序进行排序,然后继续对该组内的k项用户集进行两两比对,直至每个组内的所有k项用户集两两比对完毕;如果否,则继续对该组内的k项用户集进行两两比对,直至每个组内的所有k项用户集两两比对完毕;
步骤24、将所有生成的k+1项用户集构成一个k+1项用户集群,所述k+1项用户集群中的每个k+1项用户集都是一个由k+1个用户所组成的亲友圈;
步骤25、判断k+1项用户集群中的k+1项用户集的个数是否为0?如果是,则说明不存在有k+1个用户所组成的亲友圈,本流程结束;如果否,则将k+1项用户集群写入到多项用户集群S中,并更新k:k=k+1,然后转向步骤22。
最后,本发明所得到的多项用户集群S中的每个多项用户集(k=3、4、…)都是一个由多用户组成的亲友圈(即用户集团),亲友圈内的每个用户之间都保持着频繁联系。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明保护的范围之内。
Claims (9)
1.一种基于通话的亲友圈关系识别方法,其特征在于,包括有:
步骤一、提取话单数据,计算每两个用户之间的通话指标,并据此判断每两个用户之间是否存在频繁通话关系;
步骤二、将相互之间存在频繁通话关系的k个用户构成一个k项用户集,然后基于多个k项用户集,并采用聚类算法生成若干个k+1项用户集:判断每两个k项用户集中是否存在k-1个相同用户、且唯一不同的用户之间存在频繁通话关系,如果是,则将所述两个k项用户集中的所有不重复的用户构成一个k+1项用户集,所述k+1项用户集中的所有用户之间是亲友圈关系。
2.根据权利要求1所述的方法,其特征在于,步骤一中,两个用户之间的通话指标包括但不限于:通话次数、通话时长、闲时通话次数占比、闲时通话时长占比,其中,闲时通话次数占比是闲时通话次数和通话次数的比值,闲时通话时长占比是闲时通话时长和通话时长的比值。
3.根据权利要求1所述的方法,其特征在于,步骤一中,判断每两个用户之间是否存在频繁通话关系,进一步包括有:
步骤A1、判断两个用户之间的通话指标值是否都大于通话指标阈值,如果是,则两个用户之间存在频繁通话关系;如果否,则两个用户之间不存在频繁通话关系。
4.根据权利要求3所述的方法,其特征在于,步骤A1之前还包括有:
从话单数据中提取所有签约有亲情号码业务的用户的通话记录,并统计所有签约有亲情号码业务的用户相互之间的通话指标的平均值,然后计算每种通话指标所对应的通话指标阈值:其中,Qi是第i种通话指标阈值,是所有签约有亲情号码业务的用户相互之间的第i种通话指标的平均值,ai是第i种通话指标的阈值设定比值,其值根据实际业务需要而设定。
5.根据权利要求1所述的方法,其特征在于,步骤一中,判断每两个用户之间是否存在频繁通话关系,进一步包括有:
步骤B1、从话单数据中提取一定数量的签约有亲情号码业务的用户的通话记录、以及相同数量已确认的非亲情用户的通话记录,然后统计签约有亲情号码业务的用户相互之间的通话指标、以及已确认的非亲情用户相互之间的通话指标;
步骤B2、以所提取的签约有亲情号码业务的用户、以及已确认的非亲情用户为训练样本,训练分类模型,所述分类模型的输入是签约有亲情号码业务的用户相互之间的通话指标、或者已确认的非亲情用户相互之间的通话指标,输出是两个用户之间是否存在频繁通话关系;
步骤B3、将两个用户之间的通话指标输入训练后的分类模型,所述分类模型的输出即为两个用户之间是否存在频繁通话关系。
6.根据权利要求1所述的方法,其特征在于,步骤二进一步包括有:
步骤21、将所有k项用户集按照排在前k-1位的用户进行分组,即将前k-1位用户相同的所有k项用户集归属于一组,前k-1位用户不相同的k项用户集分别归属于不同组;
步骤22、分别对每一组内的所有k项用户集进行两两比对,判断是否分别排在两个k项用户集中第k位的用户之间存在频繁通话关系,如果是,则提取两个k项用户集中排在前k-1位的相同用户、以及排在第k位的不同用户来生成一个k+1项用户集,并对k+1项用户集中的所有用户按一定次序进行排序,然后继续对该组内的k项用户集进行两两比对,直至每个组内的所有k项用户集两两比对完毕;如果否,则继续对该组内的k项用户集进行两两比对,直至每个组内的所有k项用户集两两比对完毕;
步骤23、将所有生成的k+1项用户集构成一个k+1项用户集群,所述k+1项用户集群中的每个k+1项用户集都是一个由k+1个用户所组成的亲友圈。
7.根据权利要求6所述的方法,其特征在于,步骤21之间还包括有:
将k初始化设置成2,并构建一个多项用户集群S,所述多项用户集群S初始化为空,然后将相互之间存在频繁通话关系的k个用户构成一个k项用户集,且将k项用户集中的所有用户按一定次序进行排序,最后由所有k项用户集构成一个k项用户集群。
8.根据权利要求7所述的方法,其特征在于,步骤23之后还包括有:
步骤24、判断k+1项用户集群中的k+1项用户集的个数是否为0,如果是,则本流程结束;如果否,则将k+1项用户集群写入到多项用户集群S中,并更新k:k=k+1,然后转向步骤21。
9.根据权利要求1所述的方法,其特征在于,使用hash map存储2项用户集到keys中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611109181.7A CN106791221B (zh) | 2016-12-06 | 2016-12-06 | 一种基于通话的亲友圈关系识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611109181.7A CN106791221B (zh) | 2016-12-06 | 2016-12-06 | 一种基于通话的亲友圈关系识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106791221A true CN106791221A (zh) | 2017-05-31 |
CN106791221B CN106791221B (zh) | 2019-05-31 |
Family
ID=58879087
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611109181.7A Active CN106791221B (zh) | 2016-12-06 | 2016-12-06 | 一种基于通话的亲友圈关系识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106791221B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108280115A (zh) * | 2017-10-24 | 2018-07-13 | 腾讯科技(深圳)有限公司 | 识别用户关系的方法及装置 |
CN108804662A (zh) * | 2018-06-08 | 2018-11-13 | 中国联合网络通信集团有限公司 | 一种关联号码获取方法及装置 |
CN110019382A (zh) * | 2017-07-21 | 2019-07-16 | 东软集团股份有限公司 | 用户亲密度指数确定方法、装置、存储介质及电子设备 |
CN110677269A (zh) * | 2018-07-03 | 2020-01-10 | 中国电信股份有限公司 | 通信用户关系的确定方法、装置和计算机可读存储介质 |
CN112261654A (zh) * | 2020-09-23 | 2021-01-22 | 中国地质大学(武汉) | 一种用于电信反欺诈中生成手机号白名单的方法及系统 |
CN115086488A (zh) * | 2022-07-27 | 2022-09-20 | 广东创新科技职业学院 | 一种号码分类方法和装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020099702A1 (en) * | 2001-01-19 | 2002-07-25 | Oddo Anthony Scott | Method and apparatus for data clustering |
CN103870547A (zh) * | 2014-02-26 | 2014-06-18 | 华为技术有限公司 | 联系人的分组处理方法及装置 |
-
2016
- 2016-12-06 CN CN201611109181.7A patent/CN106791221B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020099702A1 (en) * | 2001-01-19 | 2002-07-25 | Oddo Anthony Scott | Method and apparatus for data clustering |
WO2002057958A1 (en) * | 2001-01-19 | 2002-07-25 | Predictive Networks, Inc. | Method and apparatus for data clustering |
CN103870547A (zh) * | 2014-02-26 | 2014-06-18 | 华为技术有限公司 | 联系人的分组处理方法及装置 |
Non-Patent Citations (2)
Title |
---|
郝小琪: "数据挖掘技术在电信企业精确营销中的应用", 《中国优秀硕士学位论文全文数据库》 * |
陆菁: "基于移动通信交往圈的家庭用户识别研究", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110019382A (zh) * | 2017-07-21 | 2019-07-16 | 东软集团股份有限公司 | 用户亲密度指数确定方法、装置、存储介质及电子设备 |
CN110019382B (zh) * | 2017-07-21 | 2021-09-24 | 东软集团股份有限公司 | 用户亲密度指数确定方法、装置、存储介质及电子设备 |
CN108280115A (zh) * | 2017-10-24 | 2018-07-13 | 腾讯科技(深圳)有限公司 | 识别用户关系的方法及装置 |
CN108280115B (zh) * | 2017-10-24 | 2021-09-28 | 腾讯科技(深圳)有限公司 | 识别用户关系的方法及装置 |
CN108804662A (zh) * | 2018-06-08 | 2018-11-13 | 中国联合网络通信集团有限公司 | 一种关联号码获取方法及装置 |
CN108804662B (zh) * | 2018-06-08 | 2021-01-29 | 中国联合网络通信集团有限公司 | 一种关联号码获取方法及装置 |
CN110677269A (zh) * | 2018-07-03 | 2020-01-10 | 中国电信股份有限公司 | 通信用户关系的确定方法、装置和计算机可读存储介质 |
CN112261654A (zh) * | 2020-09-23 | 2021-01-22 | 中国地质大学(武汉) | 一种用于电信反欺诈中生成手机号白名单的方法及系统 |
CN112261654B (zh) * | 2020-09-23 | 2021-08-03 | 中国地质大学(武汉) | 一种用于电信反欺诈中生成手机号白名单的方法及系统 |
CN115086488A (zh) * | 2022-07-27 | 2022-09-20 | 广东创新科技职业学院 | 一种号码分类方法和装置 |
CN115086488B (zh) * | 2022-07-27 | 2022-10-25 | 广东创新科技职业学院 | 一种号码分类方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN106791221B (zh) | 2019-05-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106791221B (zh) | 一种基于通话的亲友圈关系识别方法 | |
CN109615116B (zh) | 一种电信诈骗事件检测方法和检测系统 | |
CN108536851B (zh) | 一种基于移动轨迹相似度比较的用户身份识别方法 | |
CN106778876A (zh) | 基于移动用户轨迹相似性的用户分类方法和系统 | |
CN103605791B (zh) | 信息推送系统和信息推送方法 | |
CN109492026B (zh) | 一种基于改进的主动学习技术的电信欺诈分类检测方法 | |
CN103024746B (zh) | 一种电信运营商垃圾短信处理系统及处理方法 | |
CN110457404B (zh) | 基于复杂异质网络的社交媒体账户分类方法 | |
CN109218223B (zh) | 一种基于主动学习的鲁棒性网络流量分类方法及系统 | |
CN107038449B (zh) | 一种欺诈用户的识别方法及装置 | |
CN106372072A (zh) | 一种基于位置的移动社会网络用户关系的识别方法 | |
CN106254321A (zh) | 一种全网络异常数据流分类方法 | |
CN103488683B (zh) | 一种微博数据管理系统及其实现方法 | |
CN109949176A (zh) | 一种基于图嵌入的社交网络中异常用户检测方法 | |
CN106294738B (zh) | 一种智能家居场景配置方法 | |
CN105893615B (zh) | 基于手机取证数据的机主特征属性挖掘方法及其系统 | |
CN107682344A (zh) | 一种基于dpi数据互联网身份识别的id图谱建立方法 | |
CN113961712B (zh) | 一种基于知识图谱的诈骗电话分析方法 | |
CN105512301A (zh) | 基于社交内容的用户分组方法 | |
Min et al. | K-means algorithm: fraud detection based on signaling data | |
CN103593454A (zh) | 面向微博文本分类的挖掘方法及系统 | |
CN101840423B (zh) | 基于成对下单原理与数据挖掘技术的话单准确性稽核方法 | |
CN108347367A (zh) | 一种电子邮件处理方法、装置、服务器及客户端 | |
CN108959922A (zh) | 一种基于贝叶斯网的恶意文档检测方法及装置 | |
CN106326746B (zh) | 一种恶意程序行为特征库构建方法及装置 |
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 |