CN107133805A - 用户作弊种类预测模型中参数的调整方法、装置及设备 - Google Patents

用户作弊种类预测模型中参数的调整方法、装置及设备 Download PDF

Info

Publication number
CN107133805A
CN107133805A CN201710322233.7A CN201710322233A CN107133805A CN 107133805 A CN107133805 A CN 107133805A CN 201710322233 A CN201710322233 A CN 201710322233A CN 107133805 A CN107133805 A CN 107133805A
Authority
CN
China
Prior art keywords
value
user
cheating
parameter
weight parameter
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.)
Pending
Application number
CN201710322233.7A
Other languages
English (en)
Inventor
刘梦宇
王永会
谭星
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.)
Beijing Xiaodu Information Technology Co Ltd
Original Assignee
Beijing Xiaodu Information 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 Beijing Xiaodu Information Technology Co Ltd filed Critical Beijing Xiaodu Information Technology Co Ltd
Priority to CN201710322233.7A priority Critical patent/CN107133805A/zh
Publication of CN107133805A publication Critical patent/CN107133805A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • 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
    • G06Q30/018—Certifying business or products
    • G06Q30/0185—Product, service or business identity fraud

Landscapes

  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Engineering & Computer Science (AREA)
  • Finance (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Physics & Mathematics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Game Theory and Decision Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明实施例提供一种用户作弊种类预测模型中参数的调整方法、装置及电子设备，涉及计算机应用技术领域。其中，用户作弊种类预测模型中参数的调整方法根据已有训练样本集，基于最小错误率训练算法，调节预测模型中各个特征权重。本发明实施例提供的技术方案，能够将特征权重快速调节到符合预期的权重，比人工经验估计的权重准确性更高；因此，可以有效提高模型预测准确度及模型参数调整速度。

Description

用户作弊种类预测模型中参数的调整方法、装置及设备
技术领域
本发明实施例涉及计算机应用技术领域，尤其涉及一种用户作弊种类预测模型中参数的调整方法、装置及电子设备。
背景技术
在O2O(Online To Offlin，在线离线/线上到线下)领域，商户作弊种类这个指标是O2O平台确定如何对商户进行管理的重要依据，例如，平台可根据商户作弊种类确定是否对其进行新用户补贴等操作。
现有技术中，通常采用人工调整特征权重的方式，确定商户作弊种类的预测模型，然后再根据待预测商户的作弊特征数据，通过预先生成的预测模型对该商户的作弊种类进行预测。采用该方式确定预测模型，在分析出作弊特征之后，首先需要根据人为经验确定各个作弊特征的权重，然后再在验证集上验证该预测模型，如果发现结果不合理，则在该模型基础之上再进行调整，直到达到一定的预测准确度。
然而,采用该方式调整特征权重，人工经验的因素参考过大，如果人工的经验错误，则很有可能得到错误的预测模型。此外，人工的经验与业务的熟悉程度非常相关，采用该方式调整特征权重的速度也较慢。
从上述分析可以看出，现有技术存在特征权重调整速度慢且模型预测准确度低的问题。
发明内容
本发明实施例提供了一种用户作弊种类预测模型中参数的调整方法、装置及电子设备，用以解决现有技术中特征权重调整速度慢且模型预测准确度低的问题。
第一方面，本发明实施例中提供了一种用户作弊种类预测模型中参数的调整方法，该方法包括：设置用户作弊种类预测模型中多个特征权重参数的值；获取多个用户各自对应的多个特征数据和实际作弊种类，形成多个训练样本；从所述多个特征权重参数中选取一个特征权重参数；根据所述多个训练样本，确定所述用户作弊种类预测模型在当前选取特征权重参数的多个参数取值下的预测错误率；将所述用户作弊种类预测模型中所述当前选取特征权重参数的值调整为所述预测错误率的最小值对应的参数取值；根据所述最小值，判断是否满足第一停止条件；若是，则结束所述方法；若否，则从未调整过的特征权重参数中重新选取一个特征权重参数，作为所述当前选取特征权重参数，返回所述根据所述多个训练样本，并确定所述用户作弊种类预测模型在当前选取特征权重参数的多个参数取值下的预测错误率的步骤。
结合第一方面，本发明在第一方面的第一种实现方式中，所述设置用户作弊种类预测模型中多个特征权重参数的值，采用如下方式：将所述多个特征权重参数的值设置为预设值或随机数。
结合第一方面，本发明在第一方面的第二种实现方式中，所述设置用户作弊种类预测模型中多个特征权重参数的值，采用如下方式：通过机器学习算法,从所述多个训练样本中学习获得所述多个特征权重参数的值。
结合第一方面，本发明在第一方面的第三种实现方式中，所述第一停止条件包括以下条件：所述当前选取特征权重参数对应的所述最小值小于第一预设阈值。
结合第一方面，本发明在第一方面的第四种实现方式中，当调整过至少两个特征权重参数时,所述第一停止条件包括以下条件：所述当前选取特征权重参数和上一次选取特征权重参数各自对应的所述最小值的差值在预设范围内。
结合第一方面，本发明在第一方面的第五种实现方式中，所述预测错误率采用如下步骤确定：通过所述用户作弊种类预测模型获得所述多个用户各自的用户健康度得分；根据所述用户健康度得分和第二预设阈值，确定所述多个用户各自的作弊种类的预测值；比较各个用户的所述实际作弊种类和所述预测值，获得所述实际作弊种类和所述预测值不一致的用户数量；将所述用户数量与所述多个用户的用户总数量的比值作为所述预测错误率。
结合第一方面的第五种实现方式，本发明在第一方面的第六种实现方式中，所述预测值采用如下步骤确定：将所述用户健康度得分归一化；若所述用户健康度得分的归一化值大于或等于所述第二预设阈值，则确定所述预测值为作弊；若所述用户健康度得分的归一化值小于所述第二预设阈值，则确定所述预测值为未作弊。
结合第一方面、第一方面的第一种实现方式、第一方面的第二种实现方式、第一方面的第三种实现方式、第一方面的第四种实现方式、第一方面的第五种实现方式或第一方面的第六种实现方式，本发明在第一方面的第七种实现方式中，所述用户作弊种类预测模型包括基于线性回归模型的用户作弊种类预测模型。
第二方面，本发明实施例还提供了一种用户作弊种类预测模型中参数的调整装置，所述装置包括：参数值设置单元,用于设置用户作弊种类预测模型中多个特征权重参数的值；训练样本获取单元,用于获取多个用户各自对应的多个特征数据和实际作弊种类，形成多个训练样本；参数选取单元,用于从所述多个特征权重参数中选取一个未调整过的特征权重参数；预测错误率确定单元,用于根据所述多个训练样本，确定所述用户作弊种类预测模型在当前选取特征权重参数的多个参数取值下的预测错误率；参数值调整单元,用于将所述用户作弊种类预测模型中所述当前选取特征权重参数的值调整为所述预测错误率的最小值对应的参数取值；第一停止条件判断单元，用于根据所述最小值，判断是否满足第一停止条件；若否，则启动所述参数选取单元。
所述功能可以通过硬件实现，也可以通过硬件执行相应的软件实现。所述硬件或软件包括一个或多个与上述功能相对应的模块。
在一个可能的设计中，所述用户作弊种类预测模型中参数的调整装置的结构中包括处理器和存储器，所述存储器用于存储支持所述用户作弊种类预测模型中参数的调整装置执行上述第一方面中所述用户作弊种类预测模型中参数的调整方法的程序，所述处理器被配置为用于执行所述存储器中存储的程序。所述用户作弊种类预测模型中参数的调整装置还可以包括通信接口，用于所述用户作弊种类预测模型中参数的调整装置与其他设备或通信网络通信。
第三方面，本发明实施例提供了一种计算机存储介质，用于储存所述用户作弊种类预测模型中参数的调整装置所用的计算机软件指令，其包含用于执行上述第一方面中所述用户作弊种类预测模型中参数的调整方法为所述用户作弊种类预测模型中参数的调整装置所涉及的程序。
本发明实施例根据多个训练样本，基于最小错误率训练算法，调节用户作弊种类预测模型中特征权重参数；这种处理方式，能够将特征权重参数快速调节到符合预期的权重值，比人工经验估计的权重准确性更高；因此，可以有效提高参数调整速度及模型预测准确度。
本发明的这些方面或其他方面在以下实施例的描述中会更加简明易懂。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1示出了根据本发明一个实施例的用户作弊种类预测模型中参数的调整方法流程示意图；
图2示出了根据本发明一个实施例的用户作弊种类预测模型中参数的调整方法的参数取值与用户健康度得分之间的关系示意图；
图3示出了根据本发明一个实施例的用户作弊种类预测模型中参数的调整方法的参数取值与预测错误率之间的关系示意图；
图4示出了根据本发明一个实施例的用户作弊种类预测模型中参数的调整方法的具体流程示意图；
图5示出了根据本发明一个实施例的用户作弊种类预测模型中参数的调整装置的框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。
在本发明的说明书和权利要求书及上述附图中的描述的一些流程中，包含了按照特定顺序出现的多个操作，但是应该清楚了解，这些操作可以不按照其在本文中出现的顺序来执行或并行执行，操作的序号如101、102等，仅仅是用于区分开各个不同的操作，序号本身不代表任何的执行顺序。另外，这些流程可以包括更多或更少的操作，并且这些操作可以按顺序执行或并行执行。需要说明的是，本文中的“第一”、“第二”等描述，是用于区分不同的消息、设备、模块等，不代表先后顺序，也不限定“第一”和“第二”是不同的类型。
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参见图1，为本发明的用户作弊种类预测模型中参数的调整方法一个实施例的流程图，该方法包括如下步骤：
步骤101，设置用户作弊种类预测模型中多个特征权重参数的值。
所述用户作弊种类预测模型是指根据用户的特征数据对其用户作弊种类进行预测的模型。所述用户作弊种类预测模型包括基于机器学习模型构建的用户作弊种类预测模型。所述机器学习模型包括但不限于：逻辑回归模型、决策树模型、支持向量机(SupportVector Machine，SVM)模型、神经网络等，还可以是多种机器学习模型的组合。
所述用户作弊种类预测模型的输入包括用户(如，商户)的特征数据集，输出包括用户的健康度得分。用户的特征可以是动态特征，例如，一个商户的动态特征可以为新用户占比，物流用户占比，老用户占比，仅在本店内下单的用户占比，或相同IP订单占比等；用户的特征也可以是静态特征，例如，一个商户的静态特征可以为该商户是否为重要商户(KeyAccount，简称KA)、所属城市等。
在本实施例中，所述用户作弊种类预测模型为基于线性回归模型的用户作弊种类预测模型。基于线性回归模型的预测模型的用户健康度的计算公式为：其中wi为第i个特征权重参数的值，fi为商户的第i个特征数据。本实施例通过采用线性回归模型，使得每个特征维度的权重都是非常直接的，便于对这些维度进行解读，对业务的可解释性也比较强。
具体实施时，步骤101可采用将特征权重参数的值设置为预设值或随机数的方式，以实现为预测模型的各个特征权重参数设置初始值。在本实施例中，将基于线性回归模型的预测模型的各个权重参数的初始值全部设置为1。采用这种处理方式，能够使得尽快找到不同权重取值对应的预测错误率的最小值；因此，可以有效提高调整速度。
具体实施时，也可采用通过机器学习算法从训练样本集中学习获得各个特征权重参数的初始值；采用这种处理方式，使得权重的初始值更接近于调整后的权重值；因此，可以有效缩短调整权重参数的时间。
步骤102，获取多个用户各自对应的多个特征数据和实际作弊种类，形成多个训练样本。
本申请实施例提供的方法，根据训练样本集，确定用户作弊种类预测模型的预测错误率。训练样本集包括多个训练样本。所述训练样本的数量可根据具体业务需求确定。
所述训练样本包括用户的特征数据集和实际作弊种类之间的对应记录。特征数据集包括用户的多个特征数据。所述实际作弊种类是指当用户处于所述多个特征数据的状态下，其实际是否作弊的标记。如果用户实际作弊过，则可将所述实际作弊种类设置为是；如果用户并未实际作弊过，则可将所述实际作弊种类设置为否。
在本实施例中，训练样本集中的用户为O2O平台的商户，训练样本集包括多个商户的特征数据集和实际作弊种类之间的对应记录。
一个用户的特征数据集与该用户的实际作弊种类之间的对应记录形成一个训练样本。请参见表1，其为本实施例的由多个训练样本构成的训练样本集。
表1、训练样本集
在为用户作弊种类预测模型的各个特征权重参数设置初始值、及获取到多个训练样本之后，就可以进入下一步骤逐个对特征权重参数的值进行调整。
步骤103，从所述多个特征权重参数中选取一个特征权重参数。
在对特征权重参数的值进行调整的过程中，首先需要选取一个特征权重参数。具体实施时，可以从用户作弊种类预测模型的所有特征权重参数中任意选取一个特征权重参数对其参数值进行调整。
步骤104，根据所述多个训练样本，确定所述用户作弊种类预测模型在当前选取特征权重参数的多个参数取值下的预测错误率。
在选取了一个特征权重参数后，就需要根据所述多个训练样本，确定用户作弊种类预测模型在该参数的多个参数取值下的预测错误率。在对当前选取特征权重参数的值进行调整时，该参数的值会发生变化，而其他特征权重参数的值固定不变。所述其他特征权重参数的值固定不变是指，对于其他已调整过的特征权重参数，其参数值为调整后的值；对于其他未调整过的特征权重参数，其参数值为步骤101设置的初始值。
一个特征权重参数的值可以有多个不同取值，参数的取值范围可根据经验确定。例如，新用户占比这个特征的权重取值范围可以设置为(-50，50)。
需要说明的是，参数值可以为负值，当一个特征权重参数的值为负值时，说明该特征对用户健康度得分产生负面影响，负值越小则负面影响越大，即用户作弊的可能性越大；当特征权重参数的值为正值时，说明该特征对用户健康度得分产生正面影响，正值越大则正面影响越大，即用户作弊越小。
在对当前选取特征权重参数的值进行调整的过程中，参数取值可以根据预设规则进行选取，例如，以从小到大或从大到小的顺序进行选取，按照预设的权重梯度(如1或2等)进行选取，或任意选取等。
具体实施时，所述用户作弊种类预测模型在当前选取特征权重参数的任意一个参数取值下的预测错误率，可采用如下具体步骤确定：1)通过所述用户作弊种类预测模型获得所述多个用户各自的用户健康度得分；2)根据所述用户健康度得分和第二预设阈值，确定所述多个用户各自的作弊种类的预测值；3)比较各个用户的所述实际作弊种类和所述预测值，获得所述实际作弊种类和所述预测值不一致的用户数量；4)将所述用户数量与所述多个用户的用户总数量的比值作为所述预测错误率。
1)通过所述用户作弊种类预测模型获得所述多个用户各自的用户健康度得分。
在调整当前选取特征权重参数的值时，固定其他特征权重参数的值，通过所述用户作弊种类预测模型获得所述多个用户各自的用户健康度得分。在本实施例中，基于线性回归模型的预测模型的计算公式为：
其中，score为用户健康度得分，wk为当前选取特征权重参数的值，fk为wk对应的特征数据；当i为0且i不等于k时，wi为其他特征权重参数的值，fi为wi对应的特征数据。参见图2，其为参数取值与用户健康度得分之间的关系示意图。本实施例的score函数为一条直线，即参数取值越大，则用户健康度得分越大。
2)根据所述用户健康度得分和第二预设阈值，确定所述多个用户各自的作弊种类的预测值。
获取到各个用户的健康度得分之后，就可以通过将用户健康度得分与第二预设阈值进行比较的方式，确定各个用户的作弊种类的预测值。其中，所述第二预设阈值可根据经验确定。
例如，一个用户的健康度得分为50分，第二预设阈值为60分，则可确定该用户的作弊种类的预测值为“会作弊”；如果第二预设阈值为45分，则可确定该用户的作弊种类的预测值为“不会作弊”。
3)比较各个用户的所述实际作弊种类和所述预测值，获得所述实际作弊种类和所述预测值不一致的用户数量。
获取到各个用户的作弊种类的预测值后，就可以该预测值与实际作弊种类进行比对，如果比对结果一致，则说明预测准确；如果比对结果不一致，则说明预测错误。然后，再进一步统计比对结果不一致的用户数量。
4)将所述用户数量与所述多个用户的用户总数量的比值作为所述预测错误率。
比对结果不一致的用户数量与训练样本集中的用户总数量的比值即为用户作弊种类预测模型在当前选取特征权重参数的当前参数取值下的预测错误率。
为了易于理解上述预测错误率的确定过程，下面通过计算公式的方式对上述过程进行描述。上述过程的公式化表达为：其中其中，yi为作弊种类的预测值，yact为商户在样本中的真实作弊种类。
具体实施时，确定所述作弊种类的预测值的过程，可采用如下具体步骤实现：1)将所述用户健康度得分归一化；2)若所述用户健康度得分的归一化值大于或等于所述第二预设阈值，则确定该用户的所述预测值为作弊；3)若所述用户健康度得分的归一化值小于所述第二预设阈值，则确定该用户的所述预测值为未作弊。
对所述用户健康度得分作归一化处理的原因在于，参数取值可能并非在(0,1)区间内，当参数取值在(0,1)区间外时，用户健康度得分可能是一个较大的值。为了使得用户健康度得分与第二预设阈值具有可比性，要对用户健康度得分作归一化处理。
本步骤104在确定预测模型在当前选取特征权重参数的多个参数取值下的预测错误率之后，就可以进入下一步骤，将预测错误率的最小值对应的参数取值作为当前选取特征权重参数的调整后值。
步骤105，将所述用户作弊种类预测模型中所述当前选取特征权重参数的值调整为所述预测错误率的最小值对应的参数取值。
在获取到预测模型在当前选取特征权重参数的多个参数取值下的预测错误率之后，就可以将这些预测错误率中的最小值所对应的参数取值作为该特征权重参数的调整后值。至此，当前选取特征权重参数的值调整完毕。
参见图3，其为参数取值与预测错误率之间的关系示意图。在本实施例中，在当前选取特征权重参数的值为W1时，预测错误率最低，因此，该参数的值由步骤101设置的初始值调整为W1。
需要说明的是，当用户作弊种类预测模型基于线性回归模型构建时，通过设置第二停止条件等方式，可缩短查找到最小值的速度。当查找到最小值时，就无需再为当前选取的特征权重参数设置其他可能的参数取值,因此，可以有效降低计算量，从而提高调整速度。
所述第二停止条件包括但不限于以下条件：当前选取的参数取值对应的所述预测错误率小于第一预设阈值；上一次选取的参数取值对应的所述预测错误率率低于当前选取的参数取值对应的所述预测错误率、且所述上一次选取的参数取值对应的所述预测错误率率低于其上一次选取的参数取值对应的所述预测错误率。所述第一预设阈值可根据业务需求进行设置。
步骤106，根据所述最小值，判断是否满足第一停止条件；若是，则结束所述方法；若否，则从未调整过的特征权重参数中重新选取一个特征权重参数，作为所述当前选取特征权重参数，返回步骤104。
所述第一停止条件可以为所述当前选取特征权重参数对应的所述最小值小于第一预设阈值。当调整过至少两个特征权重参数时,所述第一停止条件还可包括：所述当前选取特征权重参数和上一次选取特征权重参数各自对应的所述最小值的差值在预设范围内。
在本实施例中，所述第一停止条件包括：所述当前选取特征权重参数和上一次选取特征权重参数各自对应的所述最小值的差值在预设范围内。通过该条件可说明两次错误率没有太大的变化，即|et+1-et|<∈，其中，et+1为当前选取特征权重参数对应的预测错误率的最小值，et+1为上一次选取特征权重参数对应的预测错误率的最小值，∈为第一预设阈值。
本步骤106根据所述当前选取特征权重参数对应的所述最小值，判断是否满足预设的第一停止条件，如果满足该条件，则表示用户作弊种类预测模型的特征权重参数调整到位，即：对于调整过的特征权重参数，其参数值为调整后的值；对于未调整过的特征权重参数，其参数值为步骤101设置的初始值。至此，用户作弊种类预测模型中参数的调整过程全部完成，可将各个特征权重参数的值保存在文件中。
如果判定不满足第一停止条件，则需要从用户作弊种类预测模型的未调整过的特征权重参数中重新选取一个特征权重参数，作为所述当前选取特征权重参数，并返回步骤104，对重新选取的特征权重参数的值进行调整，此时已经调整过的特征权重参数的值均更新为调整后的值，未调整过的特征权重参数的值仍为步骤101设置的初始值。
参见图4，其为本实施例的用户作弊种类预测模型中参数的调整方法的具体流程示意图。通过该图，可直观地理解本发明实施例的用户作弊种类预测模型中参数的调整方法。由图4可见，本实施例的用户作弊种类预测模型中参数的调整方法包括如下步骤：
1)收集训练样本，形成数据集的格式为每行:用户id,实际作弊种类标记tag(值为0或1)。
2)归纳整理需要调整的特征维度。
3)选取一个特征维度，对其权重进行调整，调整时需固定其他维度的特征。
4)针对所选取特征的不同权重，统计预测错误率。
5)选取最低的错误率的权重，作为当前选取特征的权重。
6)判断最后两次选取特征的预测错误率是否基本不变；若是，则调整完毕；若否，则返回第3个步骤，选取下一个特征进行调整。
从上述实施例可以看出，本发明实施例根据多个训练样本，基于最小错误率训练算法，逐个调节用户作弊种类预测模型中的特征权重参数；这种处理方式，能够将特征权重参数快速调节到符合预期的权重值，比人工经验估计的权重准确性更高；因此，可以有效提高参数调整速度及模型预测准确度。
参见图5，为本发明实施例用户作弊种类预测模型中参数的调整装置一个实施例的结构示意图。所述装置包括：参数值设置单元501,用于设置用户作弊种类预测模型中多个特征权重参数的值；训练样本获取单元502,用于获取多个用户各自对应的多个特征数据和实际作弊种类，形成多个训练样本；参数选取单元503,用于从所述多个特征权重参数中选取一个未调整过的特征权重参数；预测错误率确定单元504,用于根据所述多个训练样本，确定所述用户作弊种类预测模型在当前选取特征权重参数的多个参数取值下的预测错误率；参数值调整单元505,用于将所述用户作弊种类预测模型中所述当前选取特征权重参数的值调整为所述预测错误率的最小值对应的参数取值；第一停止条件判断单元506，用于根据所述最小值，判断是否满足第一停止条件；若否，则启动参数选取单元504。
可选的，所述参数值设置单元501，具体用于将所述多个特征权重参数的值设置为预设值或随机数。
可选的，所述参数值设置单元501，具体用于通过机器学习算法,从所述多个训练样本中学习获得所述多个特征权重参数的值。
可选的，所述第一停止条件包括以下条件：所述当前选取特征权重参数对应的所述最小值小于第一预设阈值。
可选的，当调整过至少两个特征权重参数时,所述第一停止条件包括以下条件：所述当前选取特征权重参数和上一次选取特征权重参数各自对应的所述最小值的差值在预设范围内。
可选的，所述预测错误率确定单元504包括预测错误率确定子单元；所述预测错误率确定子单元，用于根据所述多个训练样本，确定所述用户作弊种类预测模型在所述当前选取特征权重参数的所述参数取值下的所述预测错误率；
所述预测错误率确定子单元包括：
用户健康度得分获取子单元，用于通过所述用户作弊种类预测模型获得所述多个用户各自的用户健康度得分；
作弊种类预测值确定子单元，用于根据所述用户健康度得分和第二预设阈值，确定所述多个用户各自的作弊种类的预测值；
第一用户数量获取子单元，用于比较各个用户的所述实际作弊种类和所述预测值，获得所述实际作弊种类和所述预测值不一致的用户数量；
预测错误率计算子单元，用于将所述用户数量与所述多个用户的用户总数量的比值作为所述预测错误率。
可选得，所述作弊种类预测值确定子单元包括第一作弊种类预测值确定子单元；所述第一作弊种类预测值确定子单元，用于根据所述用户健康度得分和第二预设阈值，确定所述用户的作弊种类的所述预测值；
所述第一作弊种类预测值确定子单元包括：
归一化子单元，用于将所述用户健康度得分归一化；
确定作弊子单元，用于若所述用户健康度得分的归一化值大于或等于所述第二预设阈值，则确定所述预测值为作弊；
确定未作弊子单元，用于若所述用户健康度得分的归一化值小于所述第二预设阈值，则确定所述预测值为未作弊。
可选的，所述用户作弊种类预测模型包括基于线性回归模型的用户作弊种类预测模型。
可选的，所述特征权重参数包括：新用户占比，物流用户占比，老用户占比，仅在本店内下单的用户占比，相同IP订单占比，商户是否为重要商户，或所属城市。
从上述实施例可以看出，本发明实施例根据多个训练样本，基于最小错误率训练算法，逐个调节用户作弊种类预测模型中的特征权重参数；这种处理方式，能够将特征权重参数快速调节到符合预期的权重值，比人工经验估计的权重准确性更高；因此，可以有效提高参数调整速度及模型预测准确度。
在一个可能的设计中，用户作弊种类预测模型中参数的调整装置的结构中包括处理器和存储器，所述存储器用于存储支持用户作弊种类预测模型中参数的调整装置执行上述第一方面中用户作弊种类预测模型中参数的调整方法的程序，所述处理器被配置为用于执行所述存储器中存储的程序。
所述程序包括一条或多条计算机指令，其中，所述一条或多条计算机指令供所述处理器调用执行。
所述处理器用于：用于存储实现用户作弊种类预测模型中参数的调整方法的程序，该设备通电并通过所述处理器运行该用户作弊种类预测模型中参数的调整方法的程序后，执行下述步骤：设置用户作弊种类预测模型中多个特征权重参数的值；获取多个用户各自对应的多个特征数据和实际作弊种类，形成多个训练样本；从所述多个特征权重参数中选取一个特征权重参数；根据所述多个训练样本，确定所述用户作弊种类预测模型在当前选取特征权重参数的多个参数取值下的预测错误率；将所述用户作弊种类预测模型中所述当前选取特征权重参数的值调整为所述预测错误率的最小值对应的参数取值；根据所述最小值，判断是否满足第一停止条件；若是，则结束所述方法；若否，则从未调整过的特征权重参数中重新选取一个特征权重参数，作为所述当前选取特征权重参数，返回所述根据所述多个训练样本，并确定所述用户作弊种类预测模型在当前选取特征权重参数的多个参数取值下的预测错误率的步骤。
本发明实施例提供了一种计算机存储介质，用于储存用户作弊种类预测模型中参数的调整装置所用的计算机软件指令，其包含用于执行上述第一方面中用户作弊种类预测模型中参数的调整方法为用户作弊种类预测模型中参数的调整装置所涉及的程序。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
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：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分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各实施例技术方案的精神和范围。
本发明公开了A1、一种用户作弊种类预测模型中参数的调整方法，包括：
设置用户作弊种类预测模型中多个特征权重参数的值；
获取多个用户各自对应的多个特征数据和实际作弊种类，形成多个训练样本；
从所述多个特征权重参数中选取一个特征权重参数；
根据所述多个训练样本，确定所述用户作弊种类预测模型在当前选取特征权重参数的多个参数取值下的预测错误率；
将所述用户作弊种类预测模型中所述当前选取特征权重参数的值调整为所述预测错误率的最小值对应的参数取值；
根据所述最小值，判断是否满足第一停止条件；若是，则结束所述方法；若否，则从未调整过的特征权重参数中重新选取一个特征权重参数，作为所述当前选取特征权重参数，返回所述根据所述多个训练样本，并确定所述用户作弊种类预测模型在当前选取特征权重参数的多个参数取值下的预测错误率的步骤。
A2、如A1所述的方法，所述设置用户作弊种类预测模型中多个特征权重参数的值，采用如下方式：
将所述多个特征权重参数的值设置为预设值或随机数。
A3、如A1所述的方法，所述设置用户作弊种类预测模型中多个特征权重参数的值，采用如下方式：
通过机器学习算法,从所述多个训练样本中学习获得所述多个特征权重参数的值。
A4、如A1所述的方法，所述第一停止条件包括以下条件：
所述当前选取特征权重参数对应的所述最小值小于第一预设阈值。
A5、如A1所述的方法，当调整过至少两个特征权重参数时,所述第一停止条件包括以下条件：
所述当前选取特征权重参数和上一次选取特征权重参数各自对应的所述最小值的差值在预设范围内。
A6、如A1所述的方法，所述预测错误率采用如下步骤确定：
通过所述用户作弊种类预测模型获得所述多个用户各自的用户健康度得分；
根据所述用户健康度得分和第二预设阈值，确定所述多个用户各自的作弊种类的预测值；
比较各个用户的所述实际作弊种类和所述预测值，获得所述实际作弊种类和所述预测值不一致的用户数量；
将所述用户数量与所述多个用户的用户总数量的比值作为所述预测错误率。
A7、如A6所述的方法，所述预测值采用如下步骤确定：
将所述用户健康度得分归一化；
若所述用户健康度得分的归一化值大于或等于所述第二预设阈值，则确定所述预测值为作弊；
若所述用户健康度得分的归一化值小于所述第二预设阈值，则确定所述预测值为未作弊。
A8、如A1至A7任一项所述的方法，所述用户作弊种类预测模型包括基于线性回归模型的用户作弊种类预测模型。
本发明还公开了B9、一种用户作弊种类预测模型中参数的调整装置，所述装置包括：
参数值设置单元,用于设置用户作弊种类预测模型中多个特征权重参数的值；
训练样本获取单元,用于获取多个用户各自对应的多个特征数据和实际作弊种类，形成多个训练样本；
参数选取单元,用于从所述多个特征权重参数中选取一个未调整过的特征权重参数；
预测错误率确定单元,用于根据所述多个训练样本，确定所述用户作弊种类预测模型在当前选取特征权重参数的多个参数取值下的预测错误率；
参数值调整单元,用于将所述用户作弊种类预测模型中所述当前选取特征权重参数的值调整为所述预测错误率的最小值对应的参数取值；
第一停止条件判断单元，用于根据所述最小值，判断是否满足第一停止条件；若否，则启动所述参数选取单元。
B10、如B9所述的装置，所述参数值设置单元，具体用于将所述多个特征权重参数的值设置为预设值或随机数。
B11、如B9所述的装置，所述参数值设置单元，具体用于通过机器学习算法,从所述多个训练样本中学习获得所述多个特征权重参数的值。
B12、如B9所述的装置，所述第一停止条件包括以下条件：
所述当前选取特征权重参数对应的所述最小值小于第一预设阈值。
B13、如B9所述的装置，当调整过至少两个特征权重参数时,所述第一停止条件包括以下条件：
所述当前选取特征权重参数和上一次选取特征权重参数各自对应的所述最小值的差值在预设范围内。
B14、如B9所述的装置，预测错误率确定单元包括预测错误率确定子单元；
所述预测错误率确定子单元，用于根据所述多个训练样本，确定所述用户作弊种类预测模型在所述当前选取特征权重参数的所述参数取值下的所述预测错误率；
所述预测错误率确定子单元包括：
用户健康度得分获取子单元，用于通过所述用户作弊种类预测模型获得所述多个用户各自的用户健康度得分；
作弊种类预测值确定子单元，用于根据所述用户健康度得分和第二预设阈值，确定所述多个用户各自的作弊种类的预测值；
第一用户数量获取子单元，用于比较各个用户的所述实际作弊种类和所述预测值，获得所述实际作弊种类和所述预测值不一致的用户数量；
预测错误率计算子单元，用于将所述用户数量与所述多个用户的用户总数量的比值作为所述预测错误率。
B15、如B14所述的装置，所述作弊种类预测值确定子单元包括第一作弊种类预测值确定子单元；
所述第一作弊种类预测值确定子单元，用于根据所述用户健康度得分和第二预设阈值，确定所述用户的作弊种类的所述预测值；
所述第一作弊种类预测值确定子单元包括：
归一化子单元，用于将所述用户健康度得分归一化；
确定作弊子单元，用于若所述用户健康度得分的归一化值大于或等于所述第二预设阈值，则确定所述预测值为作弊；
确定未作弊子单元，用于若所述用户健康度得分的归一化值小于所述第二预设阈值，则确定所述预测值为未作弊。
B16、如B9至B15任一项所述的装置，所述用户作弊种类预测模型包括基于线性回归模型的用户作弊种类预测模型。
本发明还公开了C17、一种电子设备，包括：
处理器；以及
存储器，用于存储实现用户作弊种类预测模型中参数的调整方法的程序，该设备通电并通过所述处理器运行该用户作弊种类预测模型中参数的调整方法的程序后，执行下述步骤：设置用户作弊种类预测模型中多个特征权重参数的值；获取多个用户各自对应的多个特征数据和实际作弊种类，形成多个训练样本；从所述多个特征权重参数中选取一个特征权重参数；根据所述多个训练样本，确定所述用户作弊种类预测模型在当前选取特征权重参数的多个参数取值下的预测错误率；将所述用户作弊种类预测模型中所述当前选取特征权重参数的值调整为所述预测错误率的最小值对应的参数取值；根据所述最小值，判断是否满足第一停止条件；若是，则结束所述方法；若否，则从未调整过的特征权重参数中重新选取一个特征权重参数，作为所述当前选取特征权重参数，返回所述根据所述多个训练样本，并确定所述用户作弊种类预测模型在当前选取特征权重参数的多个参数取值下的预测错误率的步骤。
本发明还公开了D18、一种计算机存储介质，所述计算机存储介质存储有一条或多条计算机指令，所述计算机指令被执行时实现如A1-A8中任一项所述的方法。

Claims (10)

1.一种用户作弊种类预测模型中参数的调整方法，其特征在于，所述方法包括：
设置用户作弊种类预测模型中多个特征权重参数的值；
获取多个用户各自对应的多个特征数据和实际作弊种类，形成多个训练样本；
从所述多个特征权重参数中选取一个特征权重参数；
根据所述多个训练样本，确定所述用户作弊种类预测模型在当前选取特征权重参数的多个参数取值下的预测错误率；
将所述用户作弊种类预测模型中所述当前选取特征权重参数的值调整为所述预测错误率的最小值对应的参数取值；
根据所述最小值，判断是否满足第一停止条件；若是，则结束所述方法；若否，则从未调整过的特征权重参数中重新选取一个特征权重参数，作为所述当前选取特征权重参数，返回所述根据所述多个训练样本，并确定所述用户作弊种类预测模型在当前选取特征权重参数的多个参数取值下的预测错误率的步骤。
2.如权利要求1所述的方法，其特征在于，所述设置用户作弊种类预测模型中多个特征权重参数的值，采用如下方式：
将所述多个特征权重参数的值设置为预设值或随机数。
3.如权利要求1所述的方法，其特征在于，所述设置用户作弊种类预测模型中多个特征权重参数的值，采用如下方式：
通过机器学习算法,从所述多个训练样本中学习获得所述多个特征权重参数的值。
4.如权利要求1所述的方法，其特征在于，所述第一停止条件包括以下条件：
所述当前选取特征权重参数对应的所述最小值小于第一预设阈值。
5.如权利要求1所述的方法，其特征在于，当调整过至少两个特征权重参数时,所述第一停止条件包括以下条件：
所述当前选取特征权重参数和上一次选取特征权重参数各自对应的所述最小值的差值在预设范围内。
6.如权利要求1所述的方法，其特征在于，所述预测错误率采用如下步骤确定：
通过所述用户作弊种类预测模型获得所述多个用户各自的用户健康度得分；
根据所述用户健康度得分和第二预设阈值，确定所述多个用户各自的作弊种类的预测值；
比较各个用户的所述实际作弊种类和所述预测值，获得所述实际作弊种类和所述预测值不一致的用户数量；
将所述用户数量与所述多个用户的用户总数量的比值作为所述预测错误率。
7.如权利要求6所述的方法，其特征在于，所述预测值采用如下步骤确定：
将所述用户健康度得分归一化；
若所述用户健康度得分的归一化值大于或等于所述第二预设阈值，则确定所述预测值为作弊；
若所述用户健康度得分的归一化值小于所述第二预设阈值，则确定所述预测值为未作弊。
8.一种用户作弊种类预测模型中参数的调整装置，其特征在于，所述装置包括：
参数值设置单元,用于设置用户作弊种类预测模型中多个特征权重参数的值；
训练样本获取单元,用于获取多个用户各自对应的多个特征数据和实际作弊种类，形成多个训练样本；
参数选取单元,用于从所述多个特征权重参数中选取一个未调整过的特征权重参数；
预测错误率确定单元,用于根据所述多个训练样本，确定所述用户作弊种类预测模型在当前选取特征权重参数的多个参数取值下的预测错误率；
参数值调整单元,用于将所述用户作弊种类预测模型中所述当前选取特征权重参数的值调整为所述预测错误率的最小值对应的参数取值；
第一停止条件判断单元，用于根据所述最小值，判断是否满足第一停止条件；若否，则启动所述参数选取单元。
9.一种电子设备，其特征在于，包括：
处理器；以及
存储器，用于存储实现用户作弊种类预测模型中参数的调整方法的程序，该设备通电并通过所述处理器运行该用户作弊种类预测模型中参数的调整方法的程序后，执行下述步骤：设置用户作弊种类预测模型中多个特征权重参数的值；获取多个用户各自对应的多个特征数据和实际作弊种类，形成多个训练样本；从所述多个特征权重参数中选取一个特征权重参数；根据所述多个训练样本，确定所述用户作弊种类预测模型在当前选取特征权重参数的多个参数取值下的预测错误率；将所述用户作弊种类预测模型中所述当前选取特征权重参数的值调整为所述预测错误率的最小值对应的参数取值；根据所述最小值，判断是否满足第一停止条件；若是，则结束所述方法；若否，则从未调整过的特征权重参数中重新选取一个特征权重参数，作为所述当前选取特征权重参数，返回所述根据所述多个训练样本，并确定所述用户作弊种类预测模型在当前选取特征权重参数的多个参数取值下的预测错误率的步骤。
10.一种计算机存储介质，其特征在于，所述计算机存储介质存储有一条或多条计算机指令，所述计算机指令被执行时实现如权利要求1-7中任一项所述的方法。
CN201710322233.7A 2017-05-09 2017-05-09 用户作弊种类预测模型中参数的调整方法、装置及设备 Pending CN107133805A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710322233.7A CN107133805A (zh) 2017-05-09 2017-05-09 用户作弊种类预测模型中参数的调整方法、装置及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710322233.7A CN107133805A (zh) 2017-05-09 2017-05-09 用户作弊种类预测模型中参数的调整方法、装置及设备

Publications (1)

Publication Number Publication Date
CN107133805A true CN107133805A (zh) 2017-09-05

Family

ID=59732988

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710322233.7A Pending CN107133805A (zh) 2017-05-09 2017-05-09 用户作弊种类预测模型中参数的调整方法、装置及设备

Country Status (1)

Country Link
CN (1) CN107133805A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107943571A (zh) * 2017-11-14 2018-04-20 广东欧珀移动通信有限公司 后台应用管控方法、装置、存储介质及电子设备
CN108038735A (zh) * 2017-12-26 2018-05-15 北京小度信息科技有限公司 数据生成方法及装置
CN109871702A (zh) * 2019-02-18 2019-06-11 深圳前海微众银行股份有限公司 联邦模型训练方法、系统、设备及计算机可读存储介质
CN111160624A (zh) * 2019-12-09 2020-05-15 深圳市思为软件技术有限公司 一种用户意向预测方法、用户意向预测装置及终端设备
CN112235782A (zh) * 2020-10-16 2021-01-15 蜂助手股份有限公司 一种防止手机刷量的方法及系统
CN113392920A (zh) * 2021-06-25 2021-09-14 北京百度网讯科技有限公司 生成作弊预测模型的方法、装置、设备、介质及程序产品
CN115037630A (zh) * 2022-04-29 2022-09-09 电子科技大学长三角研究院(湖州) 一种基于结构扰动模型的加权网络链路预测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014071858A (ja) * 2012-10-02 2014-04-21 Jfe Steel Corp 結果予測方法及び結果予測装置
CN105095588A (zh) * 2015-08-05 2015-11-25 中国联合网络通信集团有限公司 移动互联网用户投诉的预测方法和装置
CN105404947A (zh) * 2014-09-02 2016-03-16 阿里巴巴集团控股有限公司 用户质量侦测方法及装置
JP2016134017A (ja) * 2015-01-20 2016-07-25 Kddi株式会社 階層的な状態遷移モデルを用いて活動関連量を予測する装置、プログラム及び方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014071858A (ja) * 2012-10-02 2014-04-21 Jfe Steel Corp 結果予測方法及び結果予測装置
CN105404947A (zh) * 2014-09-02 2016-03-16 阿里巴巴集团控股有限公司 用户质量侦测方法及装置
JP2016134017A (ja) * 2015-01-20 2016-07-25 Kddi株式会社 階層的な状態遷移モデルを用いて活動関連量を予測する装置、プログラム及び方法
CN105095588A (zh) * 2015-08-05 2015-11-25 中国联合网络通信集团有限公司 移动互联网用户投诉的预测方法和装置

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107943571A (zh) * 2017-11-14 2018-04-20 广东欧珀移动通信有限公司 后台应用管控方法、装置、存储介质及电子设备
CN107943571B (zh) * 2017-11-14 2020-03-10 Oppo广东移动通信有限公司 后台应用管控方法、装置、存储介质及电子设备
CN108038735A (zh) * 2017-12-26 2018-05-15 北京小度信息科技有限公司 数据生成方法及装置
CN109871702A (zh) * 2019-02-18 2019-06-11 深圳前海微众银行股份有限公司 联邦模型训练方法、系统、设备及计算机可读存储介质
CN109871702B (zh) * 2019-02-18 2024-06-28 深圳前海微众银行股份有限公司 联邦模型训练方法、系统、设备及计算机可读存储介质
CN111160624A (zh) * 2019-12-09 2020-05-15 深圳市思为软件技术有限公司 一种用户意向预测方法、用户意向预测装置及终端设备
CN112235782A (zh) * 2020-10-16 2021-01-15 蜂助手股份有限公司 一种防止手机刷量的方法及系统
CN112235782B (zh) * 2020-10-16 2023-04-28 蜂助手股份有限公司 一种防止手机刷量的方法及系统
CN113392920A (zh) * 2021-06-25 2021-09-14 北京百度网讯科技有限公司 生成作弊预测模型的方法、装置、设备、介质及程序产品
CN115037630A (zh) * 2022-04-29 2022-09-09 电子科技大学长三角研究院(湖州) 一种基于结构扰动模型的加权网络链路预测方法
CN115037630B (zh) * 2022-04-29 2023-10-20 电子科技大学长三角研究院(湖州) 一种基于结构扰动模型的加权网络链路预测方法

Similar Documents

Publication Publication Date Title
CN107133805A (zh) 用户作弊种类预测模型中参数的调整方法、装置及设备
CN106814698B (zh) 具备芯焊接位置决定功能的线放电加工机的仿真装置
US20180308160A1 (en) Risk assessment method and system
CN109299344A (zh) 排序模型的生成方法、搜索结果的排序方法、装置及设备
CN107239443A (zh) 一种词向量学习模型的训练方法及服务器
CN108182634A (zh) 一种借贷预测模型的训练方法、借贷预测方法和装置
Chirodea et al. Comparison of tensorflow and pytorch in convolutional neural network-based applications
JP6659652B2 (ja) 加工条件調整装置及び機械学習装置
Gui Analysis of imbalanced data set problem: The case of churn prediction for telecommunication.
CN109816509A (zh) 评分卡模型的生成方法、终端设备及介质
Soylu Integrating prometheeii with the tchebycheff function for multi criteria decision making
CN111582450A (zh) 一种基于参数评价的神经网络模型训练方法及相关装置
CN110501973A (zh) 模拟装置
CN112561303A (zh) 基于集成学习和电网拓扑变化的电力系统动态分析方法
CN109902157A (zh) 一种训练样本有效性检测方法及装置
CN107194489A (zh) 数据预测方法及装置
CN106909454A (zh) 一种规则处理方法和设备
CN107992978A (zh) 一种网贷平台的风险预警方法及相关装置
CN111178537A (zh) 一种特征提取模型训练方法及设备
CN108182448B (zh) 一种标注策略的选择方法及相关装置
CN108830492A (zh) 一种基于大数据的确定抽检商家的方法
JPWO2020059789A5 (zh)
CN110309513A (zh) 一种文本依存分析的方法和装置
CN107480703A (zh) 交易故障检测方法及装置
CN110189092A (zh) 审核组成员评估方法及装置

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: Room 202, 2 floors, 1-3 floors, No. 11 Shangdi Information Road, Haidian District, Beijing 100085

Applicant after: Beijing Xingxuan Technology Co.,Ltd.

Address before: Room 202, 2 floors, 1-3 floors, No. 11 Shangdi Information Road, Haidian District, Beijing 100085

Applicant before: Beijing Xiaodu Information Technology Co.,Ltd.

RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20170905