CN108897780A - 一种分析计算人员亲密度的方法及系统 - Google Patents
一种分析计算人员亲密度的方法及系统 Download PDFInfo
- Publication number
- CN108897780A CN108897780A CN201810574663.2A CN201810574663A CN108897780A CN 108897780 A CN108897780 A CN 108897780A CN 201810574663 A CN201810574663 A CN 201810574663A CN 108897780 A CN108897780 A CN 108897780A
- Authority
- CN
- China
- Prior art keywords
- data
- same
- party
- cohesion
- personnel
- 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
- 238000004364 calculation method Methods 0.000 title claims abstract description 19
- 238000000034 method Methods 0.000 title claims abstract description 18
- 230000003542 behavioural effect Effects 0.000 claims abstract description 25
- 238000004458 analytical method Methods 0.000 claims abstract description 9
- 230000006399 behavior Effects 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 15
- 238000007477 logistic regression Methods 0.000 claims description 13
- 238000007405 data analysis Methods 0.000 claims description 7
- 206010039203 Road traffic accident Diseases 0.000 claims description 5
- 235000013399 edible fruits Nutrition 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 241001269238 Data Species 0.000 claims description 2
- 238000007418 data mining Methods 0.000 claims 1
- 238000012216 screening Methods 0.000 abstract description 3
- 238000009412 basement excavation Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/01—Social networking
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Primary Health Care (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Computing Systems (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种分析计算人员亲密度的方法及系统,本发明旨在针对公安数据人员关系进行挖掘,主要从人员的行为数据、属性数据进行分析,针对分析结果进行预测人员之间的亲密度得分。通过亲密度值的筛选,从而得到亲密度最亲近的人及经常活动在一起的人员,为公安办案及案情研判提供一定的辅助。
Description
技术领域
本发明涉及一种分析计算人员亲密度的方法及系统。
背景技术
在人员关系挖掘方面比较流行的技术是基本关系图谱的挖掘,无论是使用传统的关系型数据库还是使用现今比较流行的大数据图计算方式都避免不了计算人员亲密度,从而可以同亲密度结果上进一步精确分析密切关注的人的出行情况。
针对公安数据的种类越来越多,需要挖掘数据的维度越来越广泛。使用传统的出行次数统计法界定约定权重进行计算亲密度已经不能适用现在的多元化数据分析。现今的公安数据多维度、多种人员关系行为数据之间关系错综复杂,需要提取的人员行为特征也在逐步增加;如何实现自动化计算每个特征的权重值成为了需要。
发明专利《一种基于公安数据获取多维人员关系亲密度的方法及系统》中,公开了根据公安系统的数据,利用以线性、指数和半衰期的衰退的关系度进行关系亲密度的计算,但这种方法计算量大,且结果并不精确。
发明内容
本发明为了解决上述问题,提出了一种分析计算人员亲密度的方法及系统,本发明针对公安数据人员关系进行挖掘,主要从人员的行为数据、属性数据进行分析,针对分析结果进行预测人员之间的亲密度得分。通过亲密度值的筛选,从而得到亲密度最亲近的人及经常活动在一起的人员,为公安办案及案情研判提供一定的辅助。
为了实现上述目的,本发明采用如下技术方案:
一种分析计算人员亲密度的方法,包括以下步骤:
(1)获取公安数据,利用关系人的自身属性直接计算单一关系亲密度,通过单一关系表示人员关系的亲疏度;
(2)获取关系人的行为数据,对数据的质量进行统计及数据的时效性进行分析;
(3)对同住宿、同房间、同上网、同飞机、同火车、同交通违法、同车事故、同租房和同事关系的行为特征选定进行统计;
(4)对人员关系、行为数据和行为特征进行样本的统计,利用逻辑回归算法创建线性预测模型;
(5)利用Logistic Regression算法将线性预测模型的结果映射到sigmoid函数中,得到样本数据的概率密度函数;
(6)通过大数据挖掘人与之间的属性特征及出行行为特征进行数据的分析并将分析结果存储,获取预测数据,并将预测数据作为线性预测模型的输入,计算得出人员亲密度值。
进一步的,所述步骤(1)中,获取公安数据,主要涉及人员的常住人口、民政厅数据、流口数据,使用关系人的自身属性直接计算单一关系亲密度,通过单一关系表示人员关系的亲疏度,单一关系包括但不限于,同户、夫妻、父女、母女或兄弟姐妹直接表示关系人关系。
进一步的,所述步骤(2)中,关系人行为数据,包括但不限于铁路、民航、住宿、网吧、交通违法、交通事故、租房或/和同事关系数据。
进一步的,所述步骤(2)中,如果一段时间内没有发生行为关系,则亲密度会根据时间的推移消失。
进一步的,所述步骤(3)中,关系行为特征具体为:
同住:关系人同时在住同一宾馆并开N个房间(N>1);或,同时开房、同时退房,时间差在T时间段;
同房间:关系人在同时入住同一个宾馆的同一个房间;
同上网:关系人在在同一个网吧T时间上机、同上网邻座;并在同T时间下机;
同飞机:关系人在同一个机场T时间同时登机、同下机;
同飞机订票:关系人T时间同订共同一个航班机票;
同飞机邻座:关系人T时间在同航班并且为邻座关系;
同火车:关系人在T时间同坐同一趟火车,并且起始地点相同;
同火车订票:关系人在T时间同订票,并且是同一趟火车相同起始地;
同火车邻座:关系人在T时间乘坐同一趟火车,且为邻座;
同交通违法:关系人在T时间使用同一辆车发生交通违法;
同车事故:关系人在T时间使用同一辆车发生交通事故;
同租房:关系人在T时间同租一套房;
同事:关系人在T时间为同事关系。
上述T时间可以一致,也可以不一致,根据具体情况相调节设置,如同飞机邻座的时间T小于同事关系的时间T。
进一步的,所述步骤(4)中,对步骤(1)-步骤(3)中的所有关系特征值进行数据校验,凡是涉及同户、夫妻特征的样本数据的值大于0分为a类;针对所有特征值进行数据校验,涉及到同户、夫妻特征的样本数据值为0,而其他行为数据存在有效数据的分为b类。
进一步的,所述步骤(5)中,sigmoid的函数输出介于(0,1)之间,若模型的输出值小于设定值,则说明当前数据属于a类;否则说明当前数据属于b类。
进一步的,所述步骤(5)中,将有监督样本数据作为模型训练的数据源,通过设置模型参数,其中包括最大的迭代次数n,n>0,正则化系数r,r大于等于0,二分类预测的阈值t,迭代算法的收敛性l,进而创建亲密度预测模型。
进一步的,所述步骤(6)中,通过大数据挖掘人与之间的属性特征及出行行为特征进行数据的分析并将分析结果存储到Hbase,这部分数据称之为预测特征,通过从Hbase获取预测数据,并将预测数据作为构建的模型需要的预测数据,从而从此模型中得出人员亲密度的值,并将预测结果值有二维矩阵转为一维数组进行存储到Hbase。
一种分析计算人员亲密度的系统,运行于处理器或存储器上,被配置为执行以下指令:
(1)获取公安数据,利用关系人的自身属性直接计算单一关系亲密度,通过单一关系表示人员关系的亲疏度;
(2)获取关系人的行为数据,对数据的质量进行统计及数据的时效性进行分析;
(3)对同住宿、同房间、同上网、同飞机、同火车、同交通违法、同车事故、同租房和同事关系的行为特征选定进行统计;
(4)对人员关系、行为数据和行为特征进行样本的统计,利用逻辑回归算法创建线性预测模型;
(5)利用Logistic Regression算法将线性预测模型的结果映射到sigmoid函数中,得到样本数据的概率密度函数;
(6)通过大数据挖掘人与之间的属性特征及出行行为特征进行数据的分析并将分析结果存储,获取预测数据,并将预测数据作为线性预测模型的输入,计算得出人员亲密度值。
与现有技术相比,本发明的有益效果为:
本发明通过计算人员之间的亲密度值,可以有效迅速确定与犯罪嫌疑人关系比较密切的人员,及同行次数最多的可能的犯罪嫌疑人,帮助公安机关进行案情研判,有助于尽快抓捕嫌疑人,维护社会治安。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。
图1为sigmoid的函数图形;
图2为本发明的工作流程图;
具体实施方式:
下面结合附图与实施例对本发明作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在本发明中,术语如“上”、“下”、“左”、“右”、“前”、“后”、“竖直”、“水平”、“侧”、“底”等指示的方位或位置关系为基于附图所示的方位或位置关系,只是为了便于叙述本发明各部件或元件结构关系而确定的关系词,并非特指本发明中任一部件或元件,不能理解为对本发明的限制。
本发明中,术语如“固接”、“相连”、“连接”等应做广义理解,表示可以是固定连接,也可以是一体地连接或可拆卸连接;可以是直接相连,也可以通过中间媒介间接相连。对于本领域的相关科研或技术人员,可以根据具体情况确定上述术语在本发明中的具体含义,不能理解为对本发明的限制。
本发明旨在针对公安数据人员关系进行挖掘,主要从人员的行为数据、属性数据进行分析,针对分析结果进行预测人员之间的亲密度得分。通过亲密度值的筛选,从而得到亲密度最亲近的人及经常活动在一起的人员,为公安办案及案情研判提供一定的辅助。
为了实现人员亲密度计算方式,本发明的具体方案如下:
首先,汇聚公安数据,主要涉及人员的常住人口、民政厅数据、流口数据。使用关系人的自身属性直接计算单一关系亲密度,通过单一关系可以表示人员关系的亲疏度。单一关系主要包括,同户、夫妻、父女、母女、兄弟姐妹可直接表示关系人关系。
然后、汇聚关系人行为数据,主要包括铁路、民航、住宿、网吧、交通违法、交通事故、租房、同事等数据进行梳理。并对数据的质量进行统计及数据的时效性进行分析;不同时间段的数据会造成关系人的亲密度计算值不同。例如如果一段时间内没有发生行为关系,则亲密度会根据时间的推移进行消失。所以亲密度值也是有时效性的,仅代表某个时期的一个亲疏情况。
第三、对关系行为特征选定进行统计,该行为主要包括:同住宿、同房间、同上网、同飞机、同火车、同交通违法、同车事故、同租房、同事8个方面来计算亲密度。其中,
同住:关系人同时在住同一宾馆并开N个房间(N>1);同时开房、同时退房,时间差在T时间段。(T为任意时间,如15分钟)
同房间:关系人在同时入住同一个宾馆的同一个房间。
同上网:关系人在在同一个网吧T时间上机、同上网邻座;并在同T时间下机。(T为任意时间,如前后5分钟)。
同飞机:关系人在同一个机场T时间同时登机、同下机。(T为任意时间,如前后10分钟)
同飞机订票:关系人T时间同订共同一个航班机票。(T为任意时间,如前后5分钟)
同飞机邻座:关系人T时间在同航班并且为邻座关系。(T为任意时间)
同火车:关系人在T时间同坐同一趟火车,并且起始地点相同。(T为任意时间)。
同火车订票:关系人在T时间同订票,并且是同一趟火车相同起始地。(T为任意时间)
同火车邻座:关系人在T时间乘坐同一趟火车,且为邻座。(T为任意时间)
同交通违法:关系人在T时间使用同一辆车发生交通违法。(T为任意时间)
同车事故:关系人在T时间使用同一辆车发生交通事故。(T为任意时间)
同租房:关系人在T时间同租一套房。(T为任意时间)
同事:关系人在T时间为同事关系。(T为任意时间)
第四、根据上述第一、第二、第三所述的特征数据进行样本的统计。通过人工对数据分析、得出单一关系(如同户关系,夫妻关系)与行为关系的样本数据;接下来针对14个特征值进行数据校验,凡是涉及同户、夫妻特征的样本数据的值大于0分为a类(标签值为1);针对14个特征值进行数据校验,涉及到同户、夫妻特征的样本数据值为0,而其他12类行为数据存在有效数据(例如,同住2次,同房间4次,同火车1次等等)分为b类(标签值为0)。
第五、根据第四步分析出的样本数据,使用spark的mlib算法库中逻辑回归算法lr创建模型。逻辑回归的主要就是通过历史数据拟合成一条直线,用这条直线对新的数据进行数据预测,而对于Logistic Regression来说,其思想也是基于的线性回归,其公式:
其中,
被称作sigmoid函数,我们可以看到,Logistic Regression算法是将线性函数的结果映射到了sigmoid函数中。sigmoid的函数图形如图1所示。
可以看到,sigmoid的函数输出是介于(0,1)之间的,中间值是0.5,于是之前的公式hθ(x)的含义就很好理解了,因为hθ(x)输出是介于(0,1)之间,也就表明了数据属于某一类别的概率,例如:
hθ(x)<0.5则说明当前数据属于a类;
hθ(x)>0.5则说明当前数据属于b类。
所以我们可以将sigmoid函数看成样本数据的概率密度函数。
第六、使用第五步涉及到的逻辑回归算法进行建模,并用来预测人员亲密值v(v为[0,1]值)。将有监督样本数据作为模型训练的数据源,通过设置模型参数,其中包括最大的迭代次数n(n>0),正则化系数r(r>=0),二分类预测的阈值t(范围[0,1]区间值),迭代算法的收敛性l(范围[0,1]区间值)等,进而创建亲密度预测模型LR。
第七、通过大数据挖掘人与之间的属性特征及出行行为特征进行数据的分析并将分析结果存储到Hbase,这部分数据称之为预测特征。通过从Hbase获取预测数据,并将预测数据作为第六步模型需要的预测数据,从而从此模型中得出人员亲密度的值。并将预测结果值有二维矩阵转为一维数组进行存储到Hbase。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (10)
1.一种分析计算人员亲密度的方法,其特征是:包括以下步骤:
(1)获取公安数据,利用关系人的自身属性直接计算单一关系亲密度,通过单一关系表示人员关系的亲疏度;
(2)获取关系人的行为数据,对数据的质量进行统计及数据的时效性进行分析;
(3)对同住宿、同房间、同上网、同飞机、同火车、同交通违法、同车事故、同租房和同事关系的行为特征选定进行统计;
(4)对人员关系、行为数据和行为特征进行样本的统计,利用逻辑回归算法创建线性预测模型;
(5)利用Logistic Regression算法将线性预测模型的结果映射到sigmoid函数中,得到样本数据的概率密度函数;
(6)通过大数据挖掘人与之间的属性特征及出行行为特征进行数据的分析并将分析结果存储,获取预测数据,并将预测数据作为线性预测模型的输入,计算得出人员亲密度值。
2.如权利要求1所述的一种分析计算人员亲密度的方法,其特征是:所述步骤(1)中,获取公安数据,主要涉及人员的常住人口、民政厅数据、流口数据,使用关系人的自身属性直接计算单一关系亲密度,通过单一关系表示人员关系的亲疏度,单一关系包括但不限于,同户、夫妻、父女、母女或兄弟姐妹直接表示关系人关系。
3.如权利要求1所述的一种分析计算人员亲密度的方法,其特征是:所述步骤(2)中,关系人行为数据,包括但不限于铁路、民航、住宿、网吧、交通违法、交通事故、租房或/和同事关系数据。
4.如权利要求1所述的一种分析计算人员亲密度的方法,其特征是:所述步骤(2)中,如果一段时间内没有发生行为关系,则亲密度会根据时间的推移消失。
5.如权利要求1所述的一种分析计算人员亲密度的方法,其特征是:所述步骤(3)中,关系行为特征具体为:
同住:关系人同时在住同一宾馆并开N个房间(N>1);或,同时开房、同时退房,时间差在T时间段;
同房间:关系人在同时入住同一个宾馆的同一个房间;
同上网:关系人在在同一个网吧T时间上机、同上网邻座;并在同T时间下机;
同飞机:关系人在同一个机场T时间同时登机、同下机;
同飞机订票:关系人T时间同订共同一个航班机票;
同飞机邻座:关系人T时间在同航班并且为邻座关系;
同火车:关系人在T时间同坐同一趟火车,并且起始地点相同;
同火车订票:关系人在T时间同订票,并且是同一趟火车相同起始地;
同火车邻座:关系人在T时间乘坐同一趟火车,且为邻座;
同交通违法:关系人在T时间使用同一辆车发生交通违法;
同车事故:关系人在T时间使用同一辆车发生交通事故;
同租房:关系人在T时间同租一套房;
同事:关系人在T时间为同事关系。
6.如权利要求1所述的一种分析计算人员亲密度的方法,其特征是:所述步骤(4)中,对步骤(1)-步骤(3)中的所有关系特征值进行数据校验,凡是涉及同户、夫妻特征的样本数据的值大于0分为a类;针对所有特征值进行数据校验,涉及到同户、夫妻特征的样本数据值为0,而其他行为数据存在有效数据的分为b类。
7.如权利要求1所述的一种分析计算人员亲密度的方法,其特征是:所述步骤(5)中,sigmoid的函数输出介于(0,1)之间,若模型的输出值小于设定值,则说明当前数据属于a类;否则说明当前数据属于b类。
8.如权利要求1所述的一种分析计算人员亲密度的方法,其特征是:所述步骤(5)中,将有监督样本数据作为模型训练的数据源,通过设置模型参数,其中包括最大的迭代次数n,n>0,正则化系数r,r大于等于0,二分类预测的阈值t,迭代算法的收敛性l,进而创建亲密度预测模型。
9.如权利要求1所述的一种分析计算人员亲密度的方法,其特征是:所述步骤(6)中,通过大数据挖掘人与之间的属性特征及出行行为特征进行数据的分析并将分析结果存储到Hbase,这部分数据称之为预测特征,通过从Hbase获取预测数据,并将预测数据作为构建的模型需要的预测数据,从而从此模型中得出人员亲密度的值,并将预测结果值有二维矩阵转为一维数组进行存储到Hbase。
10.一种分析计算人员亲密度的系统,其特征是:运行于处理器或存储器上,被配置为执行以下指令:
(1)获取公安数据,利用关系人的自身属性直接计算单一关系亲密度,通过单一关系表示人员关系的亲疏度;
(2)获取关系人的行为数据,对数据的质量进行统计及数据的时效性进行分析;
(3)对同住宿、同房间、同上网、同飞机、同火车、同交通违法、同车事故、同租房和同事关系的行为特征选定进行统计;
(4)对人员关系、行为数据和行为特征进行样本的统计,利用逻辑回归算法创建线性预测模型;
(5)利用Logistic Regression算法将线性预测模型的结果映射到sigmoid函数中,得到样本数据的概率密度函数;
(6)通过大数据挖掘人与之间的属性特征及出行行为特征进行数据的分析并将分析结果存储,获取预测数据,并将预测数据作为线性预测模型的输入,计算得出人员亲密度值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810574663.2A CN108897780A (zh) | 2018-06-06 | 2018-06-06 | 一种分析计算人员亲密度的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810574663.2A CN108897780A (zh) | 2018-06-06 | 2018-06-06 | 一种分析计算人员亲密度的方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108897780A true CN108897780A (zh) | 2018-11-27 |
Family
ID=64343966
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810574663.2A Pending CN108897780A (zh) | 2018-06-06 | 2018-06-06 | 一种分析计算人员亲密度的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108897780A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109615572A (zh) * | 2018-11-30 | 2019-04-12 | 武汉烽火众智数字技术有限责任公司 | 基于大数据的人员亲密度分析的方法及系统 |
CN109977178A (zh) * | 2019-03-27 | 2019-07-05 | 成都市公安科学技术研究所 | 基于社交关系亲密度的车主判断系统及方法 |
CN110008866A (zh) * | 2019-03-25 | 2019-07-12 | 联想(北京)有限公司 | 一种判断学生之间亲密度的数据处理方法及电子设备 |
CN110888888A (zh) * | 2019-12-11 | 2020-03-17 | 北京明略软件系统有限公司 | 人员关系分析方法、装置、电子设备及存储介质 |
CN111241429A (zh) * | 2020-01-15 | 2020-06-05 | 秒针信息技术有限公司 | 一种时空关系的确定方法、装置、电子设备及存储介质 |
CN111652304A (zh) * | 2020-05-28 | 2020-09-11 | 浙江大华技术股份有限公司 | 人员亲密度分析方法、终端及存储介质 |
CN111680077A (zh) * | 2020-06-17 | 2020-09-18 | 郑州市中之易科技有限公司 | 一种通过关联度评分和模型比对确定相互关系的方法 |
CN112069156A (zh) * | 2020-07-14 | 2020-12-11 | 武汉白虹软件科技有限公司 | 一种获取目标对象人物关系及关系亲密度的算法模型 |
CN113761390A (zh) * | 2021-08-19 | 2021-12-07 | 厦门市美亚柏科信息股份有限公司 | 一种用于属性亲密度的分析方法和系统 |
-
2018
- 2018-06-06 CN CN201810574663.2A patent/CN108897780A/zh active Pending
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109615572A (zh) * | 2018-11-30 | 2019-04-12 | 武汉烽火众智数字技术有限责任公司 | 基于大数据的人员亲密度分析的方法及系统 |
CN110008866A (zh) * | 2019-03-25 | 2019-07-12 | 联想(北京)有限公司 | 一种判断学生之间亲密度的数据处理方法及电子设备 |
CN109977178A (zh) * | 2019-03-27 | 2019-07-05 | 成都市公安科学技术研究所 | 基于社交关系亲密度的车主判断系统及方法 |
CN110888888A (zh) * | 2019-12-11 | 2020-03-17 | 北京明略软件系统有限公司 | 人员关系分析方法、装置、电子设备及存储介质 |
CN111241429A (zh) * | 2020-01-15 | 2020-06-05 | 秒针信息技术有限公司 | 一种时空关系的确定方法、装置、电子设备及存储介质 |
CN111241429B (zh) * | 2020-01-15 | 2024-05-28 | 上海明胜品智人工智能科技有限公司 | 一种时空关系的确定方法、装置、电子设备及存储介质 |
CN111652304B (zh) * | 2020-05-28 | 2023-04-07 | 浙江大华技术股份有限公司 | 人员亲密度分析方法、终端及存储介质 |
CN111652304A (zh) * | 2020-05-28 | 2020-09-11 | 浙江大华技术股份有限公司 | 人员亲密度分析方法、终端及存储介质 |
CN111680077A (zh) * | 2020-06-17 | 2020-09-18 | 郑州市中之易科技有限公司 | 一种通过关联度评分和模型比对确定相互关系的方法 |
CN111680077B (zh) * | 2020-06-17 | 2023-10-27 | 郑州市中之易科技有限公司 | 一种通过关联度评分和模型比对确定相互关系的方法 |
CN112069156A (zh) * | 2020-07-14 | 2020-12-11 | 武汉白虹软件科技有限公司 | 一种获取目标对象人物关系及关系亲密度的算法模型 |
CN113761390B (zh) * | 2021-08-19 | 2022-07-22 | 厦门市美亚柏科信息股份有限公司 | 一种用于属性亲密度的分析方法和系统 |
CN113761390A (zh) * | 2021-08-19 | 2021-12-07 | 厦门市美亚柏科信息股份有限公司 | 一种用于属性亲密度的分析方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108897780A (zh) | 一种分析计算人员亲密度的方法及系统 | |
Van Imhoff et al. | Microsimulation methods for population projection | |
CN106781489B (zh) | 一种基于递归神经网络的路网状态预测方法 | |
Wang et al. | Visual causality analysis made practical | |
CN106250905A (zh) | 一种结合高校建筑结构特征的实时能耗异常检测方法 | |
CN109670167A (zh) | 一种基于Word2Vec的电力客服工单情感量化分析方法 | |
Jagannath et al. | Low temperature asymptotics of spherical mean field spin glasses | |
CN109558484A (zh) | 基于相似度词序矩阵的电力客服工单情感量化分析方法 | |
CN110162744A (zh) | 一种基于张量的车联网数据缺失多重估计新方法 | |
Bureva et al. | Generalized net of the process of sequential pattern mining by generalized sequential pattern algorithm (GSP) | |
Gustafson et al. | Conservative prior distributions for variance parameters in hierarchical models | |
Xu et al. | CET-4 score analysis based on data mining technology | |
Akerkar et al. | Implementing approximate Bayesian inference for survival analysis using integrated nested Laplace approximations | |
Bogaert et al. | Hidden Markov Models for Annual Land Cover Mapping—Increasing Temporal Consistency and Completeness | |
Krishnan | Combining diverse and partially redundant information in the earth sciences | |
CN103092994B (zh) | 基于信息概念格矫正的svm文本自动分类方法及其系统 | |
Mawarni et al. | Website Implementation for Making Scholarship Acceptance Decisions At SMK N 1 Talangpadang Using The Analytical Hieararchy Process Method | |
Huang et al. | Synthetic Data: Development Status and Prospects for Military Applications | |
Hall et al. | Bayesian parametric and nonparametric inference for multiple record linkage | |
Hu | Extreme Precipitation Projections in a Changing Climate | |
Fasso et al. | Space-time integration of heterogeneous networks in air quality monitoring | |
Kim | Recent Advances in Activity-Based Travel Demand Models for Greater Flexibility | |
Cohen | Microscopic pedestrian simulation: an exploratory application of Agent-Based modelling | |
van der Vleuten | Path integral formulation for pedestrian dynamics | |
Thierstein | Book review of: Neal, ZP; Rozenblat, C.(eds.)(2021): Handbook of Cities and Networks |
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 |
Application publication date: 20181127 |
|
RJ01 | Rejection of invention patent application after publication |