CN107491433A - 基于深度学习的电商异常金融商品识别方法 - Google Patents
基于深度学习的电商异常金融商品识别方法 Download PDFInfo
- Publication number
- CN107491433A CN107491433A CN201710607516.6A CN201710607516A CN107491433A CN 107491433 A CN107491433 A CN 107491433A CN 201710607516 A CN201710607516 A CN 201710607516A CN 107491433 A CN107491433 A CN 107491433A
- Authority
- CN
- China
- Prior art keywords
- commodity
- layer
- model
- sample
- electric business
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/205—Parsing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
- G06F16/355—Class or cluster creation or modification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Artificial Intelligence (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Databases & Information Systems (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Game Theory and Decision Science (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了基于深度学习的电商异常金融商品识别方法，旨在解决传统的识别方法对经常篡改变动的文本很难进行准确分词，导致识别准确率较差的问题，该方法依次包括以下步骤：A、收集异常商品关键词；B、通过异常商品关键词在电商平台进行检索；C、粗筛；D、人工标注；E、对正常商品和异常商品比例均衡调整；F、利用深度学习框架搭建模型；G、训练模型；H、验证模型。本发明不需要分词，直接输入整个文本，进行端到端的模型训练识别，可以节省人力，并且快速产出模型，提高生产效率。
Description
技术领域
本发明涉及基于深度学习的电商异常金融商品识别方法。
背景技术
电商很多涉黑、涉灰、金融类商品，比如套现，代缴流水，很多带有明显作弊行为，对于个人信用属于减分项。在征信领域，这是一个很有用的信用补充数据。抓取分析购买这些异常商品人群就非常重要。传统的识别方法存在以下缺陷：
传统的识别方法是通过设置关键词去匹配文本，这些方法在初期比较有效，但是随着此类商品被电商平台打压，这些商品已经被下架或者通过文本修改逃避监管，变得没法用简单的关键词方法识别。并且这种简单模型需要涉及到分词，而一般的分词工具对于这种经常篡改变动的文本很难进行准确分词，导致模型错误百出。
发明内容
本发明提供了基于深度学习的电商异常金融商品识别方法，旨在解决传统的识别方法对经常篡改变动的文本很难进行准确分词，导致识别准确率较差的问题。
为了解决以上技术问题，本发明通过以下技术方案实现：
基于深度学习的电商异常金融商品识别方法，依次包括以下步骤：
A、关键词整理：人工整理异常商品的关键词，形成异常商品的关键词词库。
B、原始数据采集：通过异常商品的关键词在电商平台进行搜索，通过随机采样的方式从电商平台爬取不同品类的商品数据，从而搜集到用于方法研究的原始数据。
C、数据清洗和标注：对原始数据进行清洗和人工标注。人工识别为异常商品标注为负样本，正常商品标注为正样本。
D、模型训练样本数据集构造：采用亚采样法均衡正负样本比例，形成样本数据集。
E、样本数据特征抽取：利用商品分类模型分别对商品名以及商品图片进行特征抽取。
F、分类模型训练：将样本数据集划分为训练集与测试集，基于训练集样本的文本特征和图片特征，利用深度学习框架训练商品分类模型，根据模型训练的结果，更新异常关键词词库，不断优化分类模型，直到模型训练稳定。
G、模型测试：用训练后的模型对测试集样本进行分类测试，输出测试集样本属于正常商品和异常商品的概率，将测试集样本分类至概率较大的一类。同时依据测试集样本的标注判断测试集样本分类是否准确。如果测试集样本分类错误，则更新关键词词库，并再次训练模型，直到模型测试准确，得到最优模型。
H、模型预测：利用得到的最优模型预测模型输出商品是负样本的概率，当此概率大于经验阈值时，商品标记为负样本，否则为正样本。对标记为负样本的商品进行人工校验并入库。
进一步，特征抽取包括商品名文本特征抽取和商品图片特征抽取。
进一步，商品名文本特征抽取框架包括以下三层：
第一层为映射层：输入多维文本字向量，将其映射为一维字向量。
第二层为LSTM长短文本记忆层。
第三层为全连接层：将复杂的第三层神经元转换为较为简单的向量特征。
进一步，图片特征抽取包括以下五层：
第一层为卷积层：抽取图片特征。
第二层为降采样层：将图片特征进行压缩。
第三层为卷积层：抽取图片特征。
第四层为降采样层：将图片特征进行压缩。
第五层为全连接层：将图片特征转换为简单的向量特征。
进一步，其中分类模型框架如下：
第一层：将文本的特征向量与图片的特征向量级联合并。
第二层：利用softmax函数对合并后的特征进行非线性处理。
第三层：输出商品分类概率。
进一步，商品分类模型训练的目标函数为：
其中，为函数的交叉损失函数，为模型正则项，m为商品个数。m个商品的集合为{(x(1),y(1)),(x(2),y(2)),...,(x(m),y(m))}，其中，输出为y＝{-1,1}，输入为文本和图像数据，表示为x＝(text,image)。
与现有技术相比本发明的优点是：
本发明采用深度学习进行商品标题的金融异常商品分析，不需要分词，直接输入整个文本，进行端到端的模型训练识别，可以节省人力，并且快速产出模型，提高生产效率。准确率得到提升，基于深度学习方法，将商品的文本和图片信息进行有机整合，模型效果得到显著提升，准确率从75％提升到93％。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应看作是对范围的限定，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它相关的附图。
图1为本发明的流程示意图。
具体实施方式
参阅图1，基于深度学习的电商异常金融商品识别方法，依次包括以下步骤：
A、关键词整理：人工整理异常商品的关键词，形成异常商品的关键词词库。
异常商品关键词比如：秒批、银行流水、薅羊毛等。这批原始高风险词首先通过风控专家根据经验收集。由于高风险词基本都属于网络新词，因此需要通过电商平台关键词搜索进行校验，判断是否为异常商品关键词。
B、原始数据采集：通过异常商品的关键词在电商平台进行搜索，通过随机采样的方式从电商平台爬取不同品类的商品数据，从而搜集到用于方法研究的原始数据。
通过异常商品关键词搜索的方式，可以采集到电商平台的大部分可疑异常商品，通过随机采样的方式可以采集到电商平台的大部分正常商品。这些数据构成了本发明方法研究的原始数据集，数据采集过程中，采集了商品的商品名、商品图片以及商品价格、类目、销售量等字段。
C、数据清洗和标注：对原始数据进行清洗和人工标注。人工识别为异常商品标注为负样本，正常商品标注为正样本。
首先对原始数据进行清洗，如商品名和商品图片采集失败以及商品名为乱码的数据，并对商品文本字段进行统一编码处理，基于清洗和预处理之后的原始数据，通过商品的名称，图片以及价格等字段进行标注，人工识别为异常的商品，标注为负样本，正常商品标注为正样本。
D、模型训练样本数据集构造：采用亚采样法均衡正负样本比例，形成样本数据集。
由于采集到的数据中，异常商品(负样本数据)较少，而正常商品(正样本数据)较多，为了方法的有效性，本发明对正样本进行了无放回的多次欠采样，并将采样得到的正样本与负样本组合成为10：1比例的模型训练样本集。
E、样本数据特征抽取：利用商品分类模型分别对商品名以及商品图片进行特征抽取。
特征抽取包括商品名文本特征抽取和商品图片特征抽取。
商品名文本特征抽取框架包括以下三层：
第一层为映射层：输入多维文本字向量，将其映射为一维字向量。
第二层为LSTM长短文本记忆层。
第三层为全连接层：将复杂的第三层神经元转换为较为简单的向量特征。
图片特征抽取包括以下五层：
第一层为卷积层：抽取图片特征。
第二层为降采样层：将图片特征进行压缩。
第三层为卷积层：抽取图片特征。
第四层为降采样层：将图片特征进行压缩。
第五层为全连接层：将图片特征转换为简单的向量特征。
F、分类模型训练：将样本数据集划分为训练集与测试集，基于训练集样本的文本特征和图片特征，利用深度学习框架训练商品分类模型，根据模型训练的结果，更新异常关键词词库，不断优化分类模型，直到模型训练稳定，效果满足实际需求。
其中分类模型框架如下：
第一层：将文本的特征向量与图片的特征向量级联合并。
第二层：利用softmax函数对合并后的特征进行非线性处理。
第三层：输出商品分类概率。
其中，商品分类模型训练的目标函数为：
其中，为函数的交叉损失函数，为模型正则项，m为商品个数。m个商品的集合为{(x(1),y(1)),(x(2),y(2)),...,(x(m),y(m))}，其中，输出为y＝{-1,1}，输入为文本和图像数据，表示为x＝(text,image)。
G、模型测试：用训练后的模型对测试集样本进行分类测试，输出测试集样本属于正常商品和异常商品的概率，将测试集样本分类至概率较大的一类。同时依据测试集样本的标注判断测试集样本分类是否准确。如果测试集样本分类错误，则更新关键词词库，并再次训练模型，直到模型测试准确，得到最优模型。
H、模型预测：利用得到的最优模型预测模型输出商品是负样本的概率，当此概率大于经验阈值时(经验阈值根据需要进行人为设置，一般选择0.5-0.8)，商品标记为负样本，否则为正样本。对标记为负样本的商品进行人工校验并入库。
本发明避免了传统机器学习面临的两个问题：其一是，通过char-level字级别深度学习模型，避免了传统机器学习算法所面临的分词难题。其二是，通过卷积神经网络以及词向量算法，将文本和图片同时转换为向量，以此将文本和图片进行有机结合。在研究中发现，单独使用文本或者图像模型的准确都在85％左右。通过将图片和文本信息有机结合，增加了更多有价值的信息，让模型的准确率提升到93％，大大提升了模型效果。
以上所述仅为本发明的具体实施例，但本发明的技术特征并不局限于此，任何本领域的技术人员在本发明的领域内，所作的变化或修饰皆涵盖在本发明的专利范围之中。
Claims (6)
1.基于深度学习的电商异常金融商品识别方法，其特征是，依次包括以下步骤：
A、关键词整理：人工整理异常商品的关键词，形成异常商品的关键词词库；
B、原始数据采集：通过异常商品的关键词在电商平台进行搜索，通过随机采样的方式从电商平台爬取不同品类的商品数据，从而搜集到用于方法研究的原始数据；
C、数据清洗和标注：对原始数据进行清洗和人工标注；人工识别为异常商品标注为负样本，正常商品标注为正样本；
D、模型训练样本数据集构造：采用亚采样法均衡正负样本比例，形成样本数据集；
E、样本数据特征抽取：利用商品分类模型分别对商品名以及商品图片进行特征抽取；
F、分类模型训练：将样本数据集划分为训练集与测试集，基于训练集样本的文本特征和图片特征，利用深度学习框架训练商品分类模型，根据模型训练的结果，更新异常关键词词库，不断优化分类模型，直到模型训练稳定；
G、模型测试：用训练后的模型对测试集样本进行分类测试，输出测试集样本属于正常商品和异常商品的概率，将测试集样本分类至概率较大的一类；同时依据测试集样本的标注判断测试集样本分类是否准确；如果测试集样本分类错误，则更新关键词词库，并再次训练模型，直到模型测试准确，得到最优模型。
H、模型预测：利用得到的最优模型预测模型输出商品是负样本的概率，当此概率大于经验阈值时，商品标记为负样本，否则为正样本；对标记为负样本的商品进行人工校验并入库。
2.根据权利要求1所述的基于深度学习的电商异常金融商品识别方法，其特征是，特征抽取包括商品名文本特征抽取和商品图片特征抽取。
3.根据权利要求2所述的基于深度学习的电商异常金融商品识别方法，其特征是，
商品名文本特征抽取框架包括以下三层：
第一层为映射层：输入多维文本字向量，将其映射为一维字向量；
第二层为LSTM长短文本记忆层；
第三层为全连接层：将复杂的第三层神经元转换为较为简单的向量特征。
4.根据权利要求3所述的基于深度学习的电商异常金融商品识别方法，其特征是，
图片特征抽取包括以下五层：
第一层为卷积层：抽取图片特征；
第二层为降采样层：将图片特征进行压缩；
第三层为卷积层：抽取图片特征；
第四层为降采样层：将图片特征进行压缩；
第五层为全连接层：将图片特征转换为简单的向量特征。
5.根据权利要求1所述的基于深度学习的电商异常金融商品识别方法，其特征是，
其中分类模型框架如下：
第一层：将文本的特征向量与图片的特征向量级联合并；
第二层：利用softmax函数对合并后的特征进行非线性处理；
第三层：输出商品分类概率。
6.根据权利要求5所述的基于深度学习的电商异常金融商品识别方法，其特征是，商品分类模型训练的目标函数为：
其中，为函数的交叉损失函数，为模型正则项，m为商品个数；m个商品的集合为{(x(1),y(1)),(x(2),y(2)),...,(x(m),y(m))}，其中，输出为y＝{-1,1}，输入为文本和图像数据，表示为x＝(text,image)。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710607516.6A CN107491433A (zh) | 2017-07-24 | 2017-07-24 | 基于深度学习的电商异常金融商品识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710607516.6A CN107491433A (zh) | 2017-07-24 | 2017-07-24 | 基于深度学习的电商异常金融商品识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107491433A true CN107491433A (zh) | 2017-12-19 |
Family
ID=60644671
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710607516.6A Pending CN107491433A (zh) | 2017-07-24 | 2017-07-24 | 基于深度学习的电商异常金融商品识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107491433A (zh) |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108491388A (zh) * | 2018-03-22 | 2018-09-04 | 平安科技（深圳）有限公司 | 数据集获取方法、分类方法、装置、设备及存储介质 |
| CN108536825A (zh) * | 2018-04-10 | 2018-09-14 | 苏州市中地行信息技术有限公司 | 一种识别房源数据是否重复的方法 |
| CN108564414A (zh) * | 2018-04-23 | 2018-09-21 | 帷幄匠心科技（杭州）有限公司 | 基于线下行为的商品推荐方法和系统 |
| CN108898141A (zh) * | 2018-06-14 | 2018-11-27 | 中山大学 | 基于图像检测的商品货架分割和层信息统计方法 |
| CN109035558A (zh) * | 2018-06-12 | 2018-12-18 | 武汉市哈哈便利科技有限公司 | 一种用于无人售货柜的商品识别算法在线学习系统 |
| CN109034209A (zh) * | 2018-07-03 | 2018-12-18 | 阿里巴巴集团控股有限公司 | 主动风险实时识别模型的训练方法和装置 |
| CN109658245A (zh) * | 2018-12-14 | 2019-04-19 | 杭州云象网络技术有限公司 | 基于多模混合深度学习的ico项目欺诈自动判别方法 |
| CN110047002A (zh) * | 2019-03-28 | 2019-07-23 | 莆田学院 | 一种基于数据分析的期货推荐方法及系统 |
| CN110533018A (zh) * | 2018-05-23 | 2019-12-03 | 北京国双科技有限公司 | 一种图像的分类方法及装置 |
| CN111062786A (zh) * | 2019-12-25 | 2020-04-24 | 创新奇智(青岛)科技有限公司 | 一种基于建立商品外观特征映射表的模型更新方法 |
| CN111582825A (zh) * | 2020-05-09 | 2020-08-25 | 焦点科技股份有限公司 | 一种基于深度学习的产品信息审核方法及系统 |
| CN112085553A (zh) * | 2019-06-12 | 2020-12-15 | 阿里巴巴集团控股有限公司 | 一种特定商品检测方法及装置 |
| CN112396484A (zh) * | 2019-08-16 | 2021-02-23 | 阿里巴巴集团控股有限公司 | 商品的验证方法及装置、存储介质和处理器 |
| CN112528638A (zh) * | 2019-08-29 | 2021-03-19 | 北京沃东天骏信息技术有限公司 | 异常对象识别方法及装置、电子设备、存储介质 |
| CN112862519A (zh) * | 2021-01-20 | 2021-05-28 | 北京奥维云网大数据科技股份有限公司 | 一种针对电商平台家电零售数据的销量异常识别方法 |
| CN113129120A (zh) * | 2021-04-16 | 2021-07-16 | 建信金融科技有限责任公司 | 金融机构数据监管方法及装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105787490A (zh) * | 2016-03-24 | 2016-07-20 | 南京新与力文化传播有限公司 | 基于深度学习的商品潮流识别方法及装置 |
| CN106503055A (zh) * | 2016-09-27 | 2017-03-15 | 天津大学 | 一种从结构化文本到图像描述的生成方法 |
| CN106570164A (zh) * | 2016-11-07 | 2017-04-19 | 中国农业大学 | 一种基于深度学习的集成式食品安全文本分类方法 |
| CN106886580A (zh) * | 2017-01-23 | 2017-06-23 | 北京工业大学 | 一种基于深度学习的图片情感极性分析方法 |
-
2017
- 2017-07-24 CN CN201710607516.6A patent/CN107491433A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105787490A (zh) * | 2016-03-24 | 2016-07-20 | 南京新与力文化传播有限公司 | 基于深度学习的商品潮流识别方法及装置 |
| CN106503055A (zh) * | 2016-09-27 | 2017-03-15 | 天津大学 | 一种从结构化文本到图像描述的生成方法 |
| CN106570164A (zh) * | 2016-11-07 | 2017-04-19 | 中国农业大学 | 一种基于深度学习的集成式食品安全文本分类方法 |
| CN106886580A (zh) * | 2017-01-23 | 2017-06-23 | 北京工业大学 | 一种基于深度学习的图片情感极性分析方法 |
Non-Patent Citations (2)
| Title |
|---|
| _鸿: "交叉熵代价函数（作用及公式推导）", 《CSDN博客 HTTPS://BLOG.CSDN.NET/U014313009/ARTICLE/DETAILS/51043064》 * |
| 杨东坡: "基于深度学习的商品图像分类", 《中国优秀硕士学位论文全文数据库-信息科技辑》 * |
Cited By (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108491388B (zh) * | 2018-03-22 | 2021-02-23 | 平安科技（深圳）有限公司 | 数据集获取方法、分类方法、装置、设备及存储介质 |
| CN108491388A (zh) * | 2018-03-22 | 2018-09-04 | 平安科技（深圳）有限公司 | 数据集获取方法、分类方法、装置、设备及存储介质 |
| CN108536825A (zh) * | 2018-04-10 | 2018-09-14 | 苏州市中地行信息技术有限公司 | 一种识别房源数据是否重复的方法 |
| CN108564414A (zh) * | 2018-04-23 | 2018-09-21 | 帷幄匠心科技（杭州）有限公司 | 基于线下行为的商品推荐方法和系统 |
| CN110533018A (zh) * | 2018-05-23 | 2019-12-03 | 北京国双科技有限公司 | 一种图像的分类方法及装置 |
| CN109035558A (zh) * | 2018-06-12 | 2018-12-18 | 武汉市哈哈便利科技有限公司 | 一种用于无人售货柜的商品识别算法在线学习系统 |
| CN108898141A (zh) * | 2018-06-14 | 2018-11-27 | 中山大学 | 基于图像检测的商品货架分割和层信息统计方法 |
| CN109034209A (zh) * | 2018-07-03 | 2018-12-18 | 阿里巴巴集团控股有限公司 | 主动风险实时识别模型的训练方法和装置 |
| CN109034209B (zh) * | 2018-07-03 | 2021-07-30 | 创新先进技术有限公司 | 主动风险实时识别模型的训练方法和装置 |
| CN109658245A (zh) * | 2018-12-14 | 2019-04-19 | 杭州云象网络技术有限公司 | 基于多模混合深度学习的ico项目欺诈自动判别方法 |
| CN110047002A (zh) * | 2019-03-28 | 2019-07-23 | 莆田学院 | 一种基于数据分析的期货推荐方法及系统 |
| CN112085553A (zh) * | 2019-06-12 | 2020-12-15 | 阿里巴巴集团控股有限公司 | 一种特定商品检测方法及装置 |
| CN112396484A (zh) * | 2019-08-16 | 2021-02-23 | 阿里巴巴集团控股有限公司 | 商品的验证方法及装置、存储介质和处理器 |
| CN112528638A (zh) * | 2019-08-29 | 2021-03-19 | 北京沃东天骏信息技术有限公司 | 异常对象识别方法及装置、电子设备、存储介质 |
| CN111062786A (zh) * | 2019-12-25 | 2020-04-24 | 创新奇智(青岛)科技有限公司 | 一种基于建立商品外观特征映射表的模型更新方法 |
| CN111582825B (zh) * | 2020-05-09 | 2021-02-12 | 焦点科技股份有限公司 | 一种基于深度学习的产品信息审核方法及系统 |
| CN111582825A (zh) * | 2020-05-09 | 2020-08-25 | 焦点科技股份有限公司 | 一种基于深度学习的产品信息审核方法及系统 |
| CN112862519A (zh) * | 2021-01-20 | 2021-05-28 | 北京奥维云网大数据科技股份有限公司 | 一种针对电商平台家电零售数据的销量异常识别方法 |
| CN113129120A (zh) * | 2021-04-16 | 2021-07-16 | 建信金融科技有限责任公司 | 金融机构数据监管方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107491433A (zh) | 基于深度学习的电商异常金融商品识别方法 | |
| Czimmermann et al. | Visual-based defect detection and classification approaches for industrial applications—a survey | |
| CN109165294B (zh) | 一种基于贝叶斯分类的短文本分类方法 | |
| Lei et al. | Patent analytics based on feature vector space model: A case of IoT | |
| CN110929034A (zh) | 一种基于改进lstm的商品评论细粒度情感分类方法 | |
| CN107315738A (zh) | 一种文本信息的创新度评估方法 | |
| Yang et al. | Automatic academic paper rating based on modularized hierarchical convolutional neural network | |
| CN111680225B (zh) | 基于机器学习的微信金融消息分析方法及系统 | |
| CN112905739B (zh) | 虚假评论检测模型训练方法、检测方法及电子设备 | |
| CN112015721A (zh) | 一种基于大数据的电商平台存储数据库的优化方法 | |
| CN107292744A (zh) | 基于机器学习的投资趋势分析方法及其系统 | |
| CN109740642A (zh) | 发票类别识别方法、装置、电子设备及可读存储介质 | |
| CN115952291B (zh) | 基于多头自注意力及lstm的金融舆情分类方法及系统 | |
| CN114926150A (zh) | 一种变压器技术符合性评估数字化智能审核方法与装置 | |
| CN111462752A (zh) | 基于注意力机制、特征嵌入及bi-lstm的客户意图识别方法 | |
| CN114637827A (zh) | 一种基于图神经网络的碳交易文本事件抽取方法 | |
| CN116468460A (zh) | 基于人工智能的消费金融客户画像识别系统及其方法 | |
| CN114971294A (zh) | 数据采集方法、装置、设备及存储介质 | |
| CN109543038B (zh) | 一种应用于文本数据的情感分析方法 | |
| CN114358014A (zh) | 基于自然语言的工单智能诊断方法、装置、设备及介质 | |
| CN114528395A (zh) | 一种文本字词特征双线注意力融合的风险预测方法 | |
| CN111626331B (zh) | 一种自动化行业分类装置及其工作方法 | |
| CN113378024A (zh) | 一种基于深度学习面向公检法领域的相关事件识别方法 | |
| CN117112782A (zh) | 一种招标公告信息提取方法 | |
| CN112016294A (zh) | 一种基于文本的新闻重要性评估方法、装置及电子设备 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171219 |