CN107741899B - 处理终端数据的方法、装置及系统 - Google Patents
处理终端数据的方法、装置及系统 Download PDFInfo
- Publication number
- CN107741899B CN107741899B CN201710959505.4A CN201710959505A CN107741899B CN 107741899 B CN107741899 B CN 107741899B CN 201710959505 A CN201710959505 A CN 201710959505A CN 107741899 B CN107741899 B CN 107741899B
- Authority
- CN
- China
- Prior art keywords
- data
- trained
- terminal
- model
- type
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
- G06F11/3438—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment monitoring of user actions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
- G06F11/3409—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment for performance assessment
- G06F11/3419—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment for performance assessment by assessing time
- G06F11/3423—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment for performance assessment by assessing time where the assessed time is active or idle time
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
- G06F11/3447—Performance evaluation by modeling
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Transfer Between Computers (AREA)
Abstract
本公开是关于一种处理终端数据的方法、装置及系统,属于计算机技术领域。该方法包括:接收终端上传的训练信息,该训练信息包括待训练数据,按照该待训练数据的生成时间对该待训练数据进行排序,再根据接收到的模型训练指令指示的模型类型,从待训练数据中获取与该目标模型类型对应的有效数据,并对该有效数据进行训练,建立该目标模型类型对应的模型,并可以基于建立的模型处理终端数据,并输出对应的结果给终端。本公开提供的处理终端数据的方法,服务器在接收到建模指令后,可以根据需要建立的目标模型的类型快速提取有效数据。无需在需要建立模型时再从终端中获取数据,有效提高了建模的效率,从而提高了基于该模型处理终端数据的效率。
Description
技术领域
本公开涉及计算机技术领域,特别涉及一种处理终端数据的方法、装置及系统。
背景技术
为了实现智能化服务,改善用户体验,服务器可以对终端上传的用户数据进行训练,建立智能模型(例如用户行为分析模型),以便根据该智能模型处理终端数据。
相关技术中,当服务器需要建立智能模型时,可以根据建模的需求,从多个终端中获取对应的用户数据,并对该用户数据进行训练以建立智能模型。
但是,相关技术中的方法获取到用户数据较为杂乱,根据该用户数据建立智能模型时的效率较低,因此基于该智能模型处理终端数据的效率也较低。
发明内容
本公开实施例提供了一种处理终端数据的方法、装置及系统,可以解决相关技术中处理终端数据的效率较低的问题。所述技术方案如下:
根据本公开实施例的第一方面,提供了一种处理终端数据的方法,所述方法包括:
接收至少一个终端上传的训练信息,所述训练信息包括待训练数据,所述待训练数据携带有所述待训练数据的生成时间;
按照待训练数据的生成时间,对接收到的所述待训练数据进行排序;
在接收到模型训练指令后,根据所述模型训练指令指示的目标模型类型,从所述待训练数据中获取与所述目标模型类型对应的有效数据;
对获取到的有效数据进行训练,以建立所述目标模型类型对应的模型;
基于建立的模型处理终端数据,并输出对应的结果。
可选的,所述训练信息还包括:终端标识,所述方法还包括:
基于接收的多个训练信息,建立终端标识与待训练数据的对应关系;
所述按照待训练数据的生成时间,对接收到的待训练数据进行排序,包括:
对每个终端标识对应的待训练数据,按照待训练数据的生成时间进行排序。
可选的,所述方法还包括:
根据所述待训练数据所属的数据类型,对所述待训练数据进行分类存储;
所述按照待训练数据的生成时间,对接收到的多个待训练数据进行排序,包括:
对每个数据类型对应的待训练数据,按照待训练数据的生成时间进行排序。
可选的,所述从所述待训练数据中获取与所述目标模型类型对应的有效数据,包括:
根据所述模型训练指令指示的目标模型类型,确定目标数据类型;
从所述待训练数据中获取所述目标数据类型的待训练数据。
可选的,所述训练信息还包括:终端标识,所述根据所述待训练数据所属的数据类型,对所述待训练数据进行分类存储,包括:
对每个终端标识对应的待训练数据,根据所述待训练数据所属的数据类型,对所述待训练数据进行分类存储。
可选的,每个终端上传的训练信息为经过序列化处理和压缩处理后的信息,所述方法还包括:
对接收到的训练信息进行解压缩处理和反序列化处理。
可选的,所述待训练数据包括:应用程序的使用数据、传感器数据和通信数据中的至少一种;
所述应用程序的使用数据包括终端中每个应用程序的启动时刻、运行时长和启动频率中的至少一种;
所述传感器数据包括终端中每个传感器采集的数据;
所述通信数据包括:终端所连接的通信网络的网络类型、终端与所述通信网络的连接时刻、连接时长和连接频率中的至少一种,所述通信网络包括移动网络和无线局域网。
根据本公开实施例的第二方面,提供一种处理终端数据的装置,所述装置包括:
接收模块,被配置为接收至少一个终端上传的训练信息,所述训练信息包括待训练数据,所述待训练数据携带有所述待训练数据的生成时间;
排序模块,被配置为按照待训练数据的生成时间,对接收到的所述待训练数据进行排序;
获取模块,被配置为在接收到模型训练指令后,根据所述模型训练指令指示的目标模型类型,从所述待训练数据中获取与所述目标模型类型对应的有效数据;
训练模块,被配置为对获取到的有效数据进行训练,以建立所述目标模型类型对应的模型;
输出模块,被配置为基于建立的模型处理终端数据,并输出对应的结果。
可选的,所述训练信息还包括:终端标识,所述装置还包括:
建立模块,被配置为基于接收的多个训练信息,建立终端标识与待训练数据的对应关系;
所述排序模块,包括:
第一排序子模块,被配置为对每个终端标识对应的待训练数据,按照待训练数据的生成时间进行排序。
可选的,所述装置还包括:
存储模块,被配置为根据所述待训练数据所属的数据类型,对所述待训练数据进行分类存储;
所述排序模块,包括:
第二排序子模块,被配置为对每个数据类型对应的待训练数据,按照待训练数据的生成时间进行排序。
可选的,所述获取模块,包括:
确定子模块,被配置为根据所述模型训练指令指示的目标模型类型,确定目标数据类型;
获取子模块,被配置为从所述待训练数据中获取所述目标数据类型的待训练数据。
可选的,所述训练信息还包括:终端标识,所述存储模块,被配置为:
对每个终端标识对应的待训练数据,根据所述待训练数据所属的数据类型,对所述待训练数据进行分类存储。
可选的,每个终端上传的训练信息为经过序列化处理和压缩处理后的信息,所述装置还包括:
处理模块,被配置为对接收到的训练信息进行解压缩处理和反序列化处理。
可选的,所述待训练数据包括:应用程序的使用数据、传感器数据和通信数据中的至少一种;
所述应用程序的使用数据包括终端中每个应用程序的启动时刻、运行时长和启动频率中的至少一种;
所述传感器数据包括终端中每个传感器采集的数据;
所述通信数据包括:终端所连接的通信网络的网络类型、终端与所述通信网络的连接时刻、连接时长和连接频率中的至少一种,所述通信网络包括移动网络和无线局域网。
根据本公开实施例的第三方面,提供一种处理终端数据的装置,包括:
处理器;
被配置为存储所述处理器的可执行指令的存储器;
其中,所述处理器被配置为:
接收至少一个终端上传的训练信息,所述训练信息包括待训练数据,所述待训练数据携带有所述待训练数据的生成时间;
按照待训练数据的生成时间,对接收到的所述待训练数据进行排序;
在接收到模型训练指令后,根据所述模型训练指令指示的目标模型类型,从所述待训练数据中获取与所述目标模型类型对应的有效数据;
对获取到的有效数据进行训练,以建立所述目标模型类型对应的模型;
基于建立的模型处理终端数据,并输出对应的结果。
根据本公开实施例的第四方面,提供一种存储介质:
所述存储介质中存储有指令,当所述可读存储介质在处理组件上运行时,使得处理组件执行如第一方面所述处理终端数据的方法。
根据本公开实施例的第五方面,提供一种处理终端数据的系统:
包括:服务器和至少一个终端;
所述服务器包括如第二方面或第三方面所述的处理终端数据的装置。
本公开的实施例提供的技术方案可以包括以下有益效果:
本公开实施例提供的处理终端数据的方法、装置及系统,由于服务器可以接收并存储至少一个终端上传的待训练数据,因此在接收到建模指令后,可以根据需要建立的目标模型的类型快速提取有效数据。无需在需要建立模型时再从终端中获取数据,并且由于服务器还可以对接收到的待训练数据按照生成时间进行排序,提高了待训练数据的有序性,进而可以提高服务器对该待训练数据进行训练时的效率,从而有效提高了建模的效率,并进一步的提高了根据该建立的模型处理终端数据的效率。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性的,并不能限制本公开。
附图说明
为了更清楚地说明本公开的实施例,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本公开的一些实施例,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是根据相关技术示出的一种处理终端数据的方法所涉及的实施环境的示意图;
图2是根据一示例性实施例示出的一种处理终端数据的方法的流程图;
图3是根据一示例性实施例示出的另一种处理终端数据的方法的流程图;
图4-1是根据一示例性实施例示出的一种处理终端数据的装置的框图;
图4-2是根据一示例性实施例示出的另一种处理终端数据的装置的框图;
图4-3是根据一示例性实施例示出的一种排序模块的框图;
图4-4是根据一示例性实施例示出的又一种处理终端数据的装置的框图;
图4-5是根据一示例性实施例示出的一种获取模块的框图;
图4-6是根据一示例性实施例示出的再一种处理终端数据的装置的框图;
图5是根据一示例性实施例示出的另一种处理终端数据的装置的结构示意图。
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。
具体实施方式
为了使本公开的目的、技术方案和优点更加清楚,下面将结合附图对本公开作进一步地详细描述,显然,所描述的实施例仅仅是本公开一部分实施例,而不是全部的实施例。基于本公开中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本公开保护的范围。
请参见图1,其示出了本公开部分实施例中提供的处理终端数据的方法所涉及的实施环境的示意图。该实施环境可以包括:服务器110和至少一个终端120。
服务器110可以是一台服务器,或者由若干台服务器组成的服务器集群,或者是一个云计算服务中心。终端120可以为智能手机、平板电脑、电子阅读器等。图1以终端120为智能手机为例进行说明。
服务器110和每个终端120之间可以通过有线网络或无线网络建立连接。其中,每个终端120可以向服务器110上传待训练数据,服务器110可以对至少一个终端120上传的待训练数据进行训练,以建立智能模型。
图2是本公开实施例提供的一种处理终端数据的方法的流程图,可以应用于图1所示的服务器110中。如图2所示,该方法可以包括:
步骤101、接收至少一个终端上传的训练信息。
每个终端上传的训练信息中可以包括多个待训练数据,每个待训练数据携带有该待训练数据的生成时间。
步骤102、按照待训练数据的生成时间,对接收到的待训练数据进行排序。
例如,服务器可以对接收到的待训练数据按照生成时间由早到晚进行排序。
步骤103、在接收到模型训练指令后,根据该指令指示的目标模型类型,从待训练数据中获取与该目标模型类型对应的有效数据。
服务器中可以存储有模型类型与数据类型的对应关系,当服务器接收到模型训练指令后,可以根据该对应关系,确定与目标模型类型对应的目标数据类型,并从待训练数据中提取该目标数据类型的数据,该目标数据类型的数据即为有效数据。
步骤104、对获取到的有效数据进行训练,以建立目标模型类型对应的模型。
在本公开实施例中,服务器可以根据目标模型的建立需求,采用预设的特征提取算法对获取到的有效数据进行特征提取,并利用机器学习算法对提取的特征进行训练,从而建立相应的目标模型。
步骤105、基于建立的模型处理终端数据,并输出对应的结果。
综上所述,本公开实施例提供的处理终端数据的方法,由于服务器可以接收并存储至少一个终端上传的待训练数据,因此在接收到建模指令后,可以根据需要建立的目标模型的类型快速提取有效数据。无需在需要建立模型时再从终端中获取数据,并且由于服务器还可以对接收到的待训练数据按照生成时间进行排序,提高了待训练数据的有序性,进而可以提高服务器对该待训练数据进行训练时的效率,从而有效提高了建模的效率,并进一步的提高了根据该建立的模型处理终端数据的效率。
图3是本公开实施例示出的另一种处理终端数据的方法的流程图,该方法可以应用于图1所示的服务器110中,参考图3,该处理终端数据的方法可以包括:
步骤201、接收至少一个终端上传的训练信息,该训练信息包括待训练数据。
其中,该待训练数据携带有待训练数据的生成时间,服务器依据该生成时间可以在获取到待训练数据后对该待训练数据进行有序排列。由于服务器在根据该待训练数据进行建模时,待训练数据的生成时间也是一个较为重要的训练参数,因此服务器提前对该待训练数据按照时间顺序进行有序排列,可以提高后续根据该待训练数据进行建模时的效率。
在本公开实施例中,终端可以在运行过程中实时获取并存储待训练数据,并且可以周期性上传包含有该待训练数据的训练信息。为了保证数据的有效传输,以及避免耗费移动数据流量,终端在每次上传训练信息之前,可以检测终端是否满足上传条件。该上传条件可以包括:终端连接有无线局域网且当前电量充足,在终端连接有无线局域网时上传训练信息可以避免对终端移动数据流量的消耗,电量充足指的是终端的电量大于预设电量阈值,当终端电量充足时,终端进行训练信息上传时上传成功的概率较高。终端可以在检测到满足该上传条件时再上传训练信息。
示例的,假设该周期为一天,则终端可以每隔一天自动向服务器上传一次前一天获取并存储的训练信息,并且终端可以在每天的固定时间段内上传该训练信息。例如,假设该固定时间段为早上8:00-10:00,则终端可以在每天早上的8:00-10:00实时检测是否满足上传条件,当终端检测到连接有无线局域网且当前电量充足时,即可向服务器上传训练信息。
需要说明的是,该周期可以是用户设置的,也可以是终端出厂时预先配置的,还可以是终端中安装的用于上传训练信息的客户端配置的,本公开实施例对此不作限定。
进一步的,终端上传的训练信息包括待训练数据,该待训练数据可以包括多种类型,例如可以包括应用程序的使用数据、传感器数据和通信数据中的至少一种。该待训练数据是终端在运行过程中实时存储的。
具体的,待训练数据中的应用程序的使用数据可以包括终端中安装的每个应用程序(例如系统应用程序或者第三方应用程序)的启动时刻、运行时长和启动频率中的至少一种。其中,应用程序的启动时刻用于指示应用程序的启动时间点,应用程序的运行时长用于指示应用程序在每次启动后的运行时长,应用程序的启动频率用于指示应用程序在单位时间内启动的次数,该单位时间可以为终端上传训练信息的周期。
示例的,假设某终端上安装有购物应用程序:A网、社交应用程序:B聊以及支付应用程序:C付三个应用程序,且终端上传训练信息的周期为一天。则终端每天在运行的过程中,可以实时获取并存储该三个应用程序中每个应用程序的使用数据。例如,终端在某天上传训练信息时,获取到的该三个应用程序的使用数据可以如表1所示。其中,应用程序A网在前一天的启动时刻分别为14:00和21:00;运行时长为:14:00开启后运行了1小时,21:00开启后运行了40分钟;启动频率为:2次每天。B聊在前一天的启动时刻分别为9:00、13:00和19:00;运行时长为:9:00开启后运行了30分钟,13:00开启后运行了50分钟,17:00开启后运行了1小时;启动频率为:3次每天。C付在前一天的启动时刻分别为7:00和16:00,运行时长为:7:00开启后运行了10分钟,16:00开启后运行了5分钟;启动频率为:2次每天。
表1
具体的,待训练数据中的传感器数据可以包括终端中配置的每个传感器采集的数据。在本公开实施例中,终端中配置的传感器可以包括运动传感器、光敏传感器和温度传感器中的至少一种。其中运动传感器可以包括重力传感器、加速度传感器和三轴陀螺仪等。
示例的,假设某终端上安装有重力传感器和光敏传感器,且终端上传训练信息的周期为一天,则终端每天在运行的过程中,可以实时获取并存储该两个传感器中每个传感器采集的数据。例如,终端在某天上传训练信息时,获取到的该两个传感器数据可以如表2所示。其中,重力传感器在前一天采集的数据S1,光敏传感器在前一天采集的数据S2。
表2
传感器类型 | 传感器采集的数据 |
重力传感器 | S1 |
光敏传感器 | S2 |
进一步的,待训练数据中的通信数据可以包括终端所连接的通信网络的网络类型、终端与通信网络的连接时刻、连接时长和连接频率中的至少一种,该通信网络可以包括移动网络和无线局域网。其中,终端与通信网络的连接时刻用于指示连接网络的时间点,终端与通信网络的连接时长用于指示终端在每次连接到通信网络后的使用时长,终端与通信网络的连接频率用于指示通信网络在单位时间内被连接的次数,该单位时间可以为终端上传训练信息的周期。
需要说明的是,移动网络是指移动运营商提供的无线接入网,例如通用分组无线服务(英文:General Packet Radio Service;简称:GPRS)和第四代移动通信技术(英文:the 4th Generation mobile communication technology;简称:4G)网;无线局域网是指终端连接的无线网络,例如无线保真网络(英文:Wireless-Fidelity;简称:WiFi)。
示例的,假设终端上传训练信息的周期为一天,则终端每天在运行的过程中,可以实时获取并存储该终端上的通信数据。例如,终端在某天上传训练信息时,获取到的该通信数据可以如表3所示。其中,终端在前一天连接的通信网络的网络类型为无线局域网;连接的时刻分别为:8:00和14:00;连接的时长为:8:00后连接时长为3小时,14:00后连接时长为6小时;连接的频率为:2次每天。
表3
进一步的,假设终端在某天早上9:00检测到满足上传条件,则可以向服务器上传训练信息,该训练信息中的待训练数据可以包括如表1所示的应用程序的使用数据,如表2所示的传感器数据,以及如表3所示的通信数据。
步骤202、对接收到的训练信息进行解压缩处理和反序列化处理。
在本公开实施例中,终端在上传该训练信息之前可以对该训练信息进行预处理,该预处理可以包括序列化处理、压缩处理和加密处理等。其中,序列化处理指的是将训练信息中的待训练数据转换成二进制串,也即是将该待训练数据的状态信息转换为可以存储或传输的形式。在本公开实施例中,将待训练数据进行序列化处理和压缩处理可以提高数据传输的效率。由于终端上的数据可能涉及到个人隐私,因此还可以对该待训练数据进行加密处理,例如可以采用密码加密,该密码可以为终端与服务器之前预先约定的密码。
相应的,服务器在接收到训练信息后,需要对该训练信息进行解密处理、解压缩处理和反序列化处理等,从而提取出训练信息中的待训练数据。
其中,反序列化处理指的是将序列化过程中所生成的二进制串转换成数据结构或者对象的过程,也即是将二进制串转化成终端获取到的原始数据类型的待训练数据。
示例的,假设终端上传的训练信息中的待训练数据包括如表1所示的应用程序A网的使用数据。终端在上传训练信息之前可以将该应用程序的使用数据进行序列化处理,生成的二进制串为11001010,且对该二进制串进行了压缩和加密处理,密码设置为0700。则服务器在接收到该终端上传的训练信息之后,可以先根据预先约定的密码0700对该上传的训练信息进行解密处理,然后再对解密后得到的压缩文件进行解压缩,最后将解压缩后得到的二进制串11001010进行反序列化处理,将该二进制串11001010转化为该原始数据类型的应用程序A网的使用数据。
步骤203、根据接收到的多个训练信息,建立终端标识与待训练数据的对应关系。
在本公开实施例中,终端上传的训练信息中还可以包括终端标识,该终端标识可以为能够唯一标识终端的字符串。例如可以为终端的国际移动设备标识(英文:International Mobile Equipment Identity;简称:IMEI)、出厂序列号或者MAC地址等。服务器接收到至少一个终端上传的训练信息后,可以对每个终端上传的训练信息中的待训练数据进行分类存储,从而建立终端标识与待训练数据的对应关系。以便后续在进行模型训练时,快速获取到每个终端上传的待训练数据。
进一步的,由于训练信息中所包含的用于指示终端标识的字符串可能较长,会占用较多的存储空间,且不易于查找,因此服务器在分类存储每个终端上传的待训练数据时,还可以为每个终端标识分配一个唯一的标记字符串,并建立该标记字符串与待训练数据的对应关系。该标记字符串的长度较短,占用的存储空间较少,且方便查找。
示例的,假设服务器接收到了两个终端上传的训练信息。其中,第一终端上传的训练信息中所包括的终端标识为终端的IMEI,且该终端的IMEI为355065053311001/01;第二终端上传的训练信息中所包括的终端标识为终端的MAC地址,且该终端的MAC地址为3E0-77A-BC6-F8D-110-3C6。则服务器可以为该IMEI分配唯一的标记字符串:X1,并为该MAC地址分配唯一的标记字符串:X2。
进一步的,假设第一终端上传的训练信息中的待训练数据包括:应用程序A网在14:00、21:00被启动,运行时长为1小时和40分钟,运行频率为2次每天;重力传感器采集的数据S1;连接的通信网络为无线局域网,连接时刻为8:00,连接时长为9小时;第二终端上传的训练信息中的待训练数据包括:应用程序B聊在9:00、13:00和19:00被启动,运行时长为30分钟50分钟和1小时,运行频率为3次每天;光敏传感器采集的数据S2,连接的通信网络为移动网络,连接时刻为9:00,连接时长为14小时。则服务器建立的终端标识与待训练数据的对应关系可以如表4所示,从表4中可以看出,服务器在该对应关系中,可以采用为每个终端标识分配的标记字符串来标记对应的终端。
表4
步骤204、根据待训练数据所属的数据类型,对每个终端标识对应的待训练数据进行分类存储。
在本公开实施例中,由于每个终端上传的待训练数据可以包括应用程序的使用数据、传感器数据和通信数据等多种类型的数据,而服务器在建立不同的智能模型时,需要对不同类型的数据进行训练,因此为了提高获取有效数据的效率,服务器还可以根据待训练数据所属的数据类型,对每个终端标识对应的待训练数据进行分类存储。
示例的,假设服务器接收到的两个终端上传的训练信息中的待训练数据如表4所示,从表4可以看出,每个终端上传的训练信息中的待训练数据包括应用程序的使用数据、传感器数据和通信数据三种类型,则服务器可以根据待训练数据所属的数据类型,对每个终端标识对应的待训练数据划分为三类进行存储。该分类存储后的待训练数据可以如表5所示。
表5
步骤205、对每个数据类型对应的待训练数据,按照待训练数据的生成时间进行排序。
由于每个待训练数据都携带有其生成的时间,该生成时间是指终端在获取待训练数据时,该待训练数据的生成时间。在本公开实施例中,为了提高待训练数据的有序性,从而提高服务器对该待训练数据进行训练时的效率,服务器还可以根据该待训练数据所携带的生成时间,对分类存储好的多种待训练数据进行有序排列。
示例的,假设服务器接收到的待训练数据包括第一终端在9月1日上传的前一天的训练信息中的待训练数据,以及第一终端在9月2日上传的前一天的训练信息中的待训练数据。其中,9月1日上传的训练信息中的待训练数据为第一终端在9月1日获取的,该待训练数据包括:应用程序A网在13:00和16:00被启动,运行时长分别为50分钟和1小时,重力传感器采集的数据S3,连接的通信网络为移动网络,且连接时刻为早上8:00,连接时长为9小时;9月2日上传的训练信息中的待训练数据为第一终端在9月2日获取的,该待训练数据包括:应用程序A网在10:00和23:00被启动,运行时长分别为20分钟和40分钟,运动传感器采集的数据S4,连接的通信网络为无线局域网,且连接时刻为早上10:00,连接时长为14小时。则服务器可以依据该第一终端两次上传的待训练数据的生成时间:9月1日和9月2日,对第一终端上传的待训练数据按照该生成时间来排序,从而提高训练模型时的效率。服务器按照待训练数据的生成时间对第一终端上传的待训练数据进行排序后的排序结果可以如表6所示。
表6
步骤206、接收模型训练指令。
该模型训练指令中包括需要建立的目标模型类型,该目标模型类型可以包括用户行为分析模型、终端状态检测模型或者应用程序推荐模型等。其中,用户行为分析模型可以用于分析和预测用户行为,并在预测到用户行为后在终端上执行一系列的智能化操作;终端状态检测模型可以用于检测终端所处的状态,从而在终端上执行一些指定的操作,提高用户体验;应用程序推荐模型可以用于判断用户的喜好,从而智能化的向用户推荐一些应用程序供用户下载。
步骤207、根据该模型训练指令指示的目标模型类型,确定目标数据类型。
在本公开实施例中,服务器中可以存储有模型类型与数据类型的对应关系,当服务器接收到模型训练指令后,可以根据该对应关系,确定与目标模型类型对应的目标数据类型。其中,每个目标模型类型对应的目标数据类型为:建立该目标模型类型指示的智能模型时所需使用的待训练数据的类型。
示例的,服务器中存储的模型类型和数据类型的对应关系可以如表7所示。从表7可以看出,当目标模型类型为用户行为模型时,服务器可以确定需要使用的目标数据类型包括应用程序的使用数据和通信数据;当目标模型类型为终端状态检测模型时,可以确定需要使用的目标数据类型包括应用程序的使用数据和传感器数据;当目标模型类型为应用程序推荐模型时,可以确定需要使用的目标数据类型包括应用程序的使用数据。
表7
模型类型 | 数据类型 |
用户行为分析模型 | 应用程序的使用数据和通信数据 |
终端状态检测模型 | 应用程序的使用数据和传感器数据 |
应用程序推荐模型 | 应用程序的使用数据 |
示例的,假设服务器接收到的模型训练指令中包括的目标模型类型为用户行为分析模型,则根据上述表7的对应关系,服务器可以确定与该目标模型类型对应的目标数据类型包括:应用程序的使用数据和通信数据。
步骤208、从该待训练数据中获取目标数据类型的待训练数据。
服务器在确定该目标数据类型后,可以直接从预先存储的待训练数据中获取该目标数据类型的待训练数据。由于该目标数据类型是与该目标模型类型对应的数据类型,因此属于该目标数据类型的待训练数据,也即是建立该目标模型类型指示的模型时所需使用的有效数据。由于服务器中已经预先存储了大量待训练数据,因此服务器在接收到建模指令后,可以快速从该待训练数据中获取有效数据,从而提高了建模的效率。
示例的,假设服务器所确定的目标数据类型为应用程序的使用数据和通信数据,则服务器可以从表5所示的待训练数据中获取应用程序的使用数据和通信数据作为有效数据,该获取到的有效数据可以如表8所示,从表8可以看出,该有效数据包括第一终端中应用程序的使用数据:应用程序A网在14:00、21:00被启动,运行时长为1小时和40分钟,运行频率为2次每天;第二终端中应用程序的使用数据:应用程序B聊在9:00、13:00和19:00被启动,运行时长为30分钟、50分钟和1小时,运行频率为3次每天;第一终端中的通信数据:连接的通信网络为无线局域网,连接时刻为8:00,连接时长为9小时;以及第二终端中的通信数据:连接的通信网络为移动网络,连接时刻为9:00,连接时长为14小时。
表8
步骤209、对获取到的有效数据进行训练,以建立该目标模型类型对应的模型。
在本公开实施例中,服务器在获取到有效数据后,可以根据目标模型的建模需求,采用预设的特征提取算法对有效数据进行特征提取,并利用机器学习算法对提取的特征进行训练,从而建立目标模型类型对应的模型。
其中特征提取算法以及机器学习算法均可以参考相关技术,本公开实施例对此不做赘述。
示例的,假设目标模型类型为用户行为分析模型,服务器获取到的有效数据如表8所示,则服务器可以利用特征提取算法对该表8所示的有效数据进行特征提取后,再利用机器学习算法进行相应的训练,建立一个用户行为分析模型。
步骤210、基于建立的模型处理终端数据,并输出对应的结果。
在本公开实施例中,服务器可以根据建立的模型,对终端上传的数据进行处理,并输出对应的结果。进一步的,服务器可以将该结果反馈给终端,或者也可以直接根据该结果对终端的参数或者状态进行调整。
例如,假设服务器建立的模型为用户行为分析模型,当服务器接收到终端发送的行为分析请求时,可以则基于该用户行为分析模型,将该终端上传的应用程序的使用数据以及通信数据作为用户行为分析模型的输入参数,进而自动分析出用户当前的行为,并根据该分析出的行为对该终端执行相应的智能化处理操作;或者,服务器还可以将该结果发送至终端,以便终端可以根据该结果执行相应的智能化处理操作。
示例的,假设服务器根据表8所示的第一终端X1的有效数据,建立了一个用户行为分析模型,则服务器可以根据终端上传的数据,基于该用户行为分析模型分析并预测用户的行为,当服务器分析出用户进入睡眠状态时,可以对第一终端X1执行清理后台运行的应用程序、开启静音模式和断开网络连接等智能化处理操作,从而提高用户体验。
需要说明的是,本公开实施例提供的处理终端数据的方法步骤的先后顺序可以进行适当调整,步骤也可以根据情况进行相应增减,例如,步骤205可以在步骤204之前执行,或者步骤204也可以根据情况进行删除,也即是,服务器可以直接对每个终端标识对应的待训练数据,按照待训练数据的生成时间进行排序。任何熟悉本技术领域的技术人员在本公开揭露的技术范围内,可轻易想到变化的方法,都应涵盖在本公开的保护范围之内,因此不再赘述。
综上所述,本公开实施例提供的处理终端数据的方法,由于服务器可以接收并存储至少一个终端上传的待训练数据,因此在接收到建模指令后,可以根据需要建立的目标模型的类型快速提取有效数据。无需在需要建立模型时再从终端中获取数据,并且由于服务器还可以对接收到的待训练数据按照生成时间进行排序,提高了待训练数据的有序性,进而可以提高服务器对该待训练数据进行训练时的效率,从而有效提高了建模的效率,并进一步的提高了根据该建立的模型处理终端数据的效率。
图4-1是根据一示例性实施例示出的一种处理终端数据的装置30,如图4-1所示,该处理终端数据的装置30可以包括:
接收模块301,被配置为接收至少一个终端上传的训练信息,该训练信息包括待训练数据,该待训练数据携带有待训练数据的生成时间。
排序模块302,被配置为按照待训练数据的生成时间,对接收到的待训练数据进行排序。
获取模块303,被配置为在接收到模型训练指令后,根据该模型训练指令指示的目标模型类型,从待训练数据中获取与该目标模型类型对应的有效数据。
训练模块304,被配置为对获取到的有效数据进行训练,以建立该目标模型类型对应的模型。
输出模块305,被配置为基于建立的模型处理终端数据,并输出对应的结果。
综上所述,本公开实施例提供的处理终端数据的装置,由于在接收模块接收并存储至少一个终端上传的待训练数据后,当接收到建模指令时,获取模块可以根据需要建立的目标模型的类型快速提取有效数据。无需在需要建立模型时再从终端中获取数据,并且由于排序模块还可以对接收到的待训练数据按照生成时间进行排序,提高了待训练数据的有序性,进而可以提高训练模块对该待训练数据进行训练时的效率,从而有效提高了建模的效率,并进一步的提高了基于该建立的模型处理终端数据的效率。
可选的,该训练信息还可以包括:终端标识,图4-2是根据一示例性实施例示出的另一种处理终端数据的装置30,如图4-2所示,该处理终端数据的装置30还可以包括:
建立模块306,被配置为基于接收的多个训练信息,建立终端标识与待训练数据的对应关系。
相应的,图4-3是根据一示例性实施例示出的一种排序模块302,如图4-3所示,该排序模块302可以包括:第一排序子模块3021,被配置为对每个终端标识对应的待训练数据,按照待训练数据的生成时间进行排序。
进一步的,图4-4是根据一示例性实施例示出的又一种处理终端数据的装置30,如图4-4所示,该处理终端数据的装置30还可以包括:
存储模块307,被配置为根据待训练数据所属的数据类型,对该待训练数据进行分类存储。
相应的,如图4-3所示,该排序模块302还可以包括:
第二排序子模块3022,被配置为对每个数据类型对应的待训练数据,按照待训练数据的生成时间进行排序。
图4-5是根据一示例性实施例示出的一种获取模块303,如图4-5所示,该获取模块303可以包括:确定子模块3031和获取子模块3032。
确定子模块3031,被配置为根据模型训练指令指示的目标模型类型,确定目标数据类型。
获取子模块3032,被配置为从该待训练数据中获取该目标数据类型的待训练数据。
可选的,该存储模块307可以被配置为:
对每个终端标识对应的待训练数据,根据该待训练数据所属的数据类型,对该待训练数据进行分类存储。
进一步的,图4-6是根据一示例性实施例示出的再一种处理终端数据的装置30,如图4-6所示,该处理终端数据的装置30还可以包括:
处理模块308,被配置为对接收到的训练信息进行解压缩处理和反序列化处理。
可选的,待训练数据包括:应用程序的使用数据、传感器数据和通信数据中的至少一种。该应用程序的使用数据包括终端中每个应用程序的启动时刻、运行时长和启动频率中的至少一种;该传感器数据包括终端中每个传感器采集的数据;该通信数据包括:终端所连接的通信网络的网络类型、终端与通信网络的连接时刻、连接时长和连接频率中的至少一种,该通信网络包括移动网络和无线局域网。
综上所述,本公开实施例提供的处理终端数据的装置,由于在接收模块接收并存储至少一个终端上传的待训练数据后,当接收到建模指令时,获取模块可以根据需要建立的目标模型的类型快速提取有效数据。无需在需要建立模型时再从终端中获取数据,并且由于排序模块还可以对接收到的待训练数据按照生成时间进行排序,提高了待训练数据的有序性,进而可以提高训练模块对该待训练数据进行训练时的效率,从而有效提高了建模的效率,并进一步的提高了基于该建立的模型处理终端数据的效率。
关于上述实施例中的处理终端数据的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
图5是根据一示例性实施例示出的另一种处理终端数据的装置400的结构示意图。例如,装置400可以被提供为一服务器。参照图4,装置400包括处理组件422,其进一步包括一个或多个处理器,以及由存储器432所代表的存储器资源,用于存储可由处理组件422执行的指令,例如应用程序。存储器432中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理组件422被配置为执行指令,以执行上述模型处理终端数据的方法。
装置400还可以包括一个电源组件426被配置为执行装置400的电源管理,一个有线或无线网络接口450被配置为将装置400连接到网络,和一个输入输出(I/O)接口458。装置400可以操作基于存储在存储器432的操作系统,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM或类似。
一种非临时性计算机可读存储介质,当该存储介质中的指令由装置400的处理器执行时,使得装置400能够执行上述处理终端数据的方法。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (15)
1.一种处理终端数据的方法,其特征在于,所述方法包括:
接收至少一个终端上传的训练信息,所述训练信息包括待训练数据,所述待训练数据携带有所述待训练数据的生成时间;
按照待训练数据的生成时间,对接收到的所述待训练数据进行排序;
在接收到模型训练指令后,根据所述模型训练指令指示的目标模型类型,在预先存储的模型类型和数据类型的对应关系中,确定所述目标模型类型对应的目标数据类型,从所述待训练数据中获取与所述目标数据类型对应的有效数据,其中,所述待训练数据是按照所述待训练数据所属的数据类型分类存储的;
对获取到的有效数据进行训练,以建立所述目标模型类型对应的模型,所述目标模型类型包括用户行为分析模型、终端状态检测模型或者应用程序推荐模型,所述用户行为分析模型用于分析和预测用户行为,所述终端状态检测模型用于检测终端所处的状态,所述应用推荐模型用于判断用户的爱好;
基于建立的模型处理终端数据,并输出对应的结果。
2.根据权利要求1所述的方法,其特征在于,所述训练信息还包括:终端标识,所述方法还包括:
基于接收的多个训练信息,建立终端标识与待训练数据的对应关系;
所述按照待训练数据的生成时间,对接收到的待训练数据进行排序,包括:
对每个终端标识对应的待训练数据,按照待训练数据的生成时间进行排序。
3.根据权利要求1所述的方法,其特征在于,所述方法还包括:
根据所述待训练数据所属的数据类型,对所述待训练数据进行分类存储;
所述按照待训练数据的生成时间,对接收到的多个待训练数据进行排序,包括:
对每个数据类型对应的待训练数据,按照所述待训练数据的生成时间进行排序。
4.根据权利要求3所述的方法,其特征在于,所述训练信息还包括:终端标识,所述根据所述待训练数据所属的数据类型,对所述待训练数据进行分类存储,包括:
对每个终端标识对应的待训练数据,根据所述待训练数据所属的数据类型,对所述待训练数据进行分类存储。
5.根据权利要求1至4任一所述的方法,其特征在于,每个终端上传的训练信息为经过序列化处理和压缩处理后的信息,所述方法还包括:
对接收到的训练信息进行解压缩处理和反序列化处理。
6.根据权利要求1至4任一所述的方法,其特征在于,所述待训练数据包括:应用程序的使用数据、传感器数据和通信数据中的至少一种;
所述应用程序的使用数据包括终端中每个应用程序的启动时刻、运行时长和启动频率中的至少一种;
所述传感器数据包括终端中每个传感器采集的数据;
所述通信数据包括:终端所连接的通信网络的网络类型、终端与所述通信网络的连接时刻、连接时长和连接频率中的至少一种,所述通信网络包括移动网络和无线局域网。
7.一种处理终端数据的装置,其特征在于,所述装置包括:
接收模块,被配置为接收至少一个终端上传的训练信息,所述训练信息包括待训练数据,所述待训练数据携带有所述待训练数据的生成时间;
排序模块,被配置为按照待训练数据的生成时间,对接收到的所述待训练数据进行排序;
获取模块,被配置为在接收到模型训练指令后,根据所述模型训练指令指示的目标模型类型,在预先存储的模型类型和数据类型的对应关系中,确定所述目标模型类型对应的目标数据类型,从所述待训练数据中获取与所述目标数据类型对应的有效数据,其中,所述待训练数据是按照所述待训练数据所属的数据类型分类存储的;
训练模块,被配置为对获取到的有效数据进行训练,以建立所述目标模型类型对应的模型,所述目标模型类型包括用户行为分析模型、终端状态检测模型或者应用程序推荐模型,所述用户行为分析模型用于分析和预测用户行为,所述终端状态检测模型用于检测终端所处的状态,所述应用推荐模型用于判断用户的爱好;
输出模块,被配置为基于建立的模型处理终端数据,并输出对应的结果。
8.根据权利要求7所述的装置,其特征在于,所述训练信息还包括:终端标识,所述装置还包括:
建立模块,被配置为基于接收的多个训练信息,建立终端标识与待训练数据的对应关系;
所述排序模块,包括:
第一排序子模块,被配置为对每个终端标识对应的待训练数据,按照待训练数据的生成时间进行排序。
9.根据权利要求7所述的装置,其特征在于,所述装置还包括:
存储模块,被配置为根据所述待训练数据所属的数据类型,对所述待训练数据进行分类存储;
所述排序模块,包括:
第二排序子模块,被配置为对每个数据类型对应的待训练数据,按照待训练数据的生成时间进行排序。
10.根据权利要求9所述的装置,其特征在于,所述训练信息还包括:终端标识,所述存储模块,被配置为:
对每个终端标识对应的待训练数据,根据所述待训练数据所属的数据类型,对所述待训练数据进行分类存储。
11.根据权利要求7至10任一所述的装置,其特征在于,每个终端上传的训练信息为经过序列化处理和压缩处理后的信息,所述装置还包括:
处理模块,被配置为对接收到的训练信息进行解压缩处理和反序列化处理。
12.根据权利要求7至10任一所述的装置,其特征在于,所述待训练数据包括:应用程序的使用数据、传感器数据和通信数据中的至少一种;
所述应用程序的使用数据包括终端中每个应用程序的启动时刻、运行时长和启动频率中的至少一种;
所述传感器数据包括终端中每个传感器采集的数据;
所述通信数据包括:终端所连接的通信网络的网络类型、终端与所述通信网络的连接时刻、连接时长和连接频率中的至少一种,所述通信网络包括移动网络和无线局域网。
13.一种处理终端数据的装置,其特征在于,包括:
处理器;
被配置为存储所述处理器的可执行指令的存储器;
其中,所述处理器被配置为:
接收至少一个终端上传的训练信息,所述训练信息包括待训练数据,所述待训练数据携带有所述待训练数据的生成时间;
按照待训练数据的生成时间,对接收到的所述待训练数据进行排序;
在接收到模型训练指令后,根据所述模型训练指令指示的目标模型类型,在预先存储的模型类型和数据类型的对应关系中,确定所述目标模型类型对应的目标数据类型,从所述待训练数据中获取与所述目标数据类型对应的有效数据,其中,所述待训练数据是按照所述待训练数据所属的数据类型分类存储的;
对获取到的有效数据进行训练,以建立所述目标模型类型对应的模型,所述目标模型类型包括用户行为分析模型、终端状态检测模型或者应用程序推荐模型,所述用户行为分析模型用于分析和预测用户行为,所述终端状态检测模型用于检测终端所处的状态,所述应用推荐模型用于判断用户的爱好;
基于建立的模型处理终端数据,并输出对应的结果。
14.一种存储介质,其特征在于,所述存储介质中存储有指令,当可读存储介质在处理组件上运行时,使得处理组件执行如权利要求1至6任一所述处理终端数据的方法。
15.一种处理终端数据的系统,其特征在于,包括:服务器和至少一个终端;所述服务器包括如权利要求7至13任一所述的处理终端数据的装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710959505.4A CN107741899B (zh) | 2017-10-16 | 2017-10-16 | 处理终端数据的方法、装置及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710959505.4A CN107741899B (zh) | 2017-10-16 | 2017-10-16 | 处理终端数据的方法、装置及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107741899A CN107741899A (zh) | 2018-02-27 |
CN107741899B true CN107741899B (zh) | 2021-07-27 |
Family
ID=61237461
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710959505.4A Active CN107741899B (zh) | 2017-10-16 | 2017-10-16 | 处理终端数据的方法、装置及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107741899B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110430068B (zh) * | 2018-04-28 | 2021-04-09 | 华为技术有限公司 | 一种特征工程编排方法及装置 |
CN108804668A (zh) * | 2018-06-08 | 2018-11-13 | 珠海格力智能装备有限公司 | 数据处理方法及装置 |
CN111435356A (zh) * | 2019-01-15 | 2020-07-21 | 杭州海康威视数字技术股份有限公司 | 数据特征提取方法、装置、计算机设备以及存储介质 |
CN111460453B (zh) * | 2019-01-22 | 2023-12-12 | 百度在线网络技术(北京)有限公司 | 机器学习训练方法、控制器、装置、服务器、终端和介质 |
CN109977822B (zh) * | 2019-03-15 | 2023-05-09 | 广州市网星信息技术有限公司 | 数据供给方法、模型训练方法、装置、系统、设备和介质 |
CN112187663B (zh) * | 2020-09-17 | 2022-11-25 | 福建实达集团股份有限公司 | 基于通信负载的数据传输方法、装置及系统 |
CN116264712A (zh) * | 2021-12-15 | 2023-06-16 | 维沃移动通信有限公司 | 数据收集方法及装置、第一设备、第二设备 |
CN116108491B (zh) * | 2023-04-04 | 2024-03-22 | 杭州海康威视数字技术股份有限公司 | 基于半监督联邦学习的数据泄露预警方法、装置及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104885099A (zh) * | 2013-01-02 | 2015-09-02 | 高通股份有限公司 | 使用推升式决策树桩和联合特征选择及剔选算法来对移动设备行为进行高效分类的方法和系统 |
CN104980565A (zh) * | 2014-04-09 | 2015-10-14 | 小米科技有限责任公司 | 终端防沉迷方法及装置 |
CN105512938A (zh) * | 2016-02-03 | 2016-04-20 | 宜人恒业科技发展(北京)有限公司 | 一种基于用户长期使用行为的在线信用风险评估方法 |
CN106056143A (zh) * | 2016-05-26 | 2016-10-26 | 广东欧珀移动通信有限公司 | 终端使用数据处理方法和防沉迷方法及装置、系统和终端 |
CN106528777A (zh) * | 2016-10-27 | 2017-03-22 | 北京百分点信息科技有限公司 | 跨屏用户标识归一的方法及其系统 |
-
2017
- 2017-10-16 CN CN201710959505.4A patent/CN107741899B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104885099A (zh) * | 2013-01-02 | 2015-09-02 | 高通股份有限公司 | 使用推升式决策树桩和联合特征选择及剔选算法来对移动设备行为进行高效分类的方法和系统 |
CN104980565A (zh) * | 2014-04-09 | 2015-10-14 | 小米科技有限责任公司 | 终端防沉迷方法及装置 |
CN105512938A (zh) * | 2016-02-03 | 2016-04-20 | 宜人恒业科技发展(北京)有限公司 | 一种基于用户长期使用行为的在线信用风险评估方法 |
CN106056143A (zh) * | 2016-05-26 | 2016-10-26 | 广东欧珀移动通信有限公司 | 终端使用数据处理方法和防沉迷方法及装置、系统和终端 |
CN106528777A (zh) * | 2016-10-27 | 2017-03-22 | 北京百分点信息科技有限公司 | 跨屏用户标识归一的方法及其系统 |
Also Published As
Publication number | Publication date |
---|---|
CN107741899A (zh) | 2018-02-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107741899B (zh) | 处理终端数据的方法、装置及系统 | |
CN109492536B (zh) | 一种基于5g架构的人脸识别方法及系统 | |
CN109918205B (zh) | 一种边缘设备调度方法、系统、装置及计算机存储介质 | |
CN107305611B (zh) | 恶意账号对应的模型建立方法和装置、恶意账号识别的方法和装置 | |
CN113569117B (zh) | 一种基于工业互联网大数据服务的云平台系统及方法 | |
CN108683877B (zh) | 基于Spark的分布式海量视频解析系统 | |
CN112311612B (zh) | 一种信息构建方法、装置及存储介质 | |
CN107743130B (zh) | 一种指纹匹配的方法、装置及系统 | |
WO2020082724A1 (zh) | 一种对象分类的方法与装置 | |
CN106598678A (zh) | 向终端设备提供应用程序安装包的方法及装置 | |
CN108875328B (zh) | 一种身份验证方法、装置及存储介质 | |
CN111639968A (zh) | 轨迹数据处理方法、装置、计算机设备以及存储介质 | |
CN111352733A (zh) | 一种扩缩容状态的预测方法和装置 | |
CN111143165A (zh) | 一种监控方法及装置 | |
WO2017054307A1 (zh) | 用户信息的识别方法及装置 | |
CN111859127A (zh) | 消费数据的订阅方法、装置及存储介质 | |
CN106331060B (zh) | 一种基于wifi进行布控的方法和系统 | |
CN112989894A (zh) | 目标检测方法、任务处理方法、装置、设备及存储介质 | |
CN109408737B (zh) | 用户推荐方法、装置和存储介质 | |
CN112367215B (zh) | 基于机器学习的网络流量协议识别方法和装置 | |
CN114327846A (zh) | 集群的扩容方法、装置、电子设备及计算机可读存储介质 | |
CN116954490A (zh) | 数据处理方法、装置、电子设备和存储介质 | |
CN104483880A (zh) | 一种数据采集方法及数据采集服务器 | |
CN115309520A (zh) | 任务迁移方法、装置、电子设备及存储介质 | |
CN111901561B (zh) | 监控系统中的视频数据处理方法、装置、系统及存储介质 |
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 |