CN109241418B - 基于随机森林的异常用户识别方法及装置、设备、介质 - Google Patents
基于随机森林的异常用户识别方法及装置、设备、介质 Download PDFInfo
- Publication number
- CN109241418B CN109241418B CN201810960853.8A CN201810960853A CN109241418B CN 109241418 B CN109241418 B CN 109241418B CN 201810960853 A CN201810960853 A CN 201810960853A CN 109241418 B CN109241418 B CN 109241418B
- Authority
- CN
- China
- Prior art keywords
- attribute
- user
- sampling probability
- random forest
- attributes
- 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
- 238000007637 random forest analysis Methods 0.000 title claims abstract description 85
- 238000000034 method Methods 0.000 title claims abstract description 83
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 63
- 238000005070 sampling Methods 0.000 claims abstract description 120
- 238000012549 training Methods 0.000 claims abstract description 64
- 230000008569 process Effects 0.000 claims abstract description 33
- 238000012545 processing Methods 0.000 claims abstract description 30
- 238000003066 decision tree Methods 0.000 claims description 40
- 238000012795 verification Methods 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 238000012952 Resampling Methods 0.000 claims 1
- 230000005856 abnormality Effects 0.000 description 11
- 230000006399 behavior Effects 0.000 description 8
- 206010000117 Abnormal behaviour Diseases 0.000 description 4
- 230000001965 increasing effect Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开提供了一种基于随机森林模型的异常用户识别方法及装置，属于大数据技术领域。该方法包括：按照预设属性从历史用户的信息中统计出样本数据，并获取所述历史用户的分类标签，其中，所述预设属性包括第一类属性及第二类属性；利用所述样本数据及所述分类标签训练随机森林模型，在训练过程中，所述第一类属性对应于第一抽样概率，所述第二类属性对应于第二抽样概率，第一抽样概率大于第二抽样概率；按照所述预设属性从待识别用户的信息中统计出目标数据，并通过训练后的所述随机森林模型处理所述目标数据，以确定所述待识别用户是否为异常用户。本公开可以降低异常用户识别方法所需的样本数据量，并提高识别的准确性。
Description
技术领域
本公开涉及大数据技术领域，尤其涉及一种基于随机森林模型的异常用户识别方法及装置、电子设备、计算机可读存储介质。
背景技术
互联网以及各种基于互联网的应用程序(Application，简称App)极大的方便了人们的生活，然而也有一些用户通过滥用互联网或App服务获取不正当利益，例如网络上出现的虚假用户、虚假“粉丝”、恶意刷单、恶意广告等异常用户及异常行为，影响了网站或App的正常运营，损害了运营方及正常用户的利益，因此需要将这些异常用户识别出来并进行处理。
现有的异常用户识别方法多数是建立异常行为的数据库，然后将待识别用户的行为数据与该数据库进行匹配，例如进行正则匹配或计算行为数据的余弦相似度等，根据匹配的程度判断用户是否异常用户。然而该方法具有以下缺点：用户行为具有复杂的多样性，建立完整的数据库需要大量的样本数据，在样本数据较少时难以适用该方法，并且通过数据库匹配难免会产生遗漏，影响识别结果的准确性；此外，在匹配时需要遍历数据库中的全部数据，较为耗时且占用较多资源，因此识别过程的效率较低。
需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的目的在于提供一种基于随机森林模型的异常用户识别方法及装置、电子设备、计算机可读存储介质，进而至少在一定程度上克服现有异常用户识别方法需要大量样本数据以及准确性较低的问题。
本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。
根据本公开的一个方面，提供一种基于随机森林模型的异常用户识别方法，包括：按照预设属性从历史用户的信息中统计出样本数据，并获取所述历史用户的分类标签，其中，所述预设属性包括第一类属性及第二类属性；利用所述样本数据及所述分类标签训练随机森林模型，在训练过程中，所述第一类属性对应于第一抽样概率，所述第二类属性对应于第二抽样概率，所述第一抽样概率大于所述第二抽样概率；按照所述预设属性从待识别用户的信息中统计出目标数据，并通过训练后的所述随机森林模型处理所述目标数据，以确定所述待识别用户是否为异常用户。
在本公开的一种示例性实施例中，所述预设属性包括N类属性，N≥3；所述利用所述样本数据及所述分类标签训练随机森林模型，在训练过程中，所述第一类属性对应于第一抽样概率，所述第二类属性对应于第二抽样概率，所述第一抽样概率大于所述第二抽样概率包括：利用所述样本数据及所述分类标签训练所述随机森林模型，在训练过程中，所述第一类属性对应于所述第一抽样概率，所述第二类属性对应于所述第二抽样概率，第i类属性对应于第i抽样概率，其中，所述第一抽样概率大于所述第二抽样概率，第i-1抽样概率大于所述第i抽样概率，i∈[3,N]。
在本公开的一种示例性实施例中，所述第一类属性为必然抽样属性，所述第一抽样概率为1。
在本公开的一种示例性实施例中，所述利用所述样本数据及所述分类标签训练随机森林模型包括：对所述样本数据进行随机放回抽样，获得多个样本子集；分别统计各所述样本子集包含的所述第一类属性与第二类属性的数量，并计算各所述样本子集中所述第二类属性的数量占所述第一类属性与第二类属性的数量之和的比例；将所述比例高于第一阈值的样本子集移除，利用剩余的样本子集及对应的所述分类标签生成多个决策树；为各所述决策树分配权重，以得到所述随机森林模型。
在本公开的一种示例性实施例中，所述对所述样本数据进行随机放回抽样，获得多个样本子集包括：将所述样本数据划分为训练集与验证集；对所述训练集进行随机放回抽样，获得多个样本子集；所述为各所述决策树分配权重，以得到所述随机森林模型包括：利用所述验证集验证各所述决策树的准确率，将所述准确率低于第二阈值的决策树移除；为剩余的决策树分配权重，以得到所述随机森林模型。
在本公开的一种示例性实施例中，所述预设属性还包括先验属性；所述按照所述预设属性从待识别用户的信息中统计出目标数据，并通过训练后的所述随机森林模型处理所述目标数据，以确定所述待识别用户是否为异常用户包括：按照所述预设属性从待识别用户的信息中统计出所述目标数据，判断所述目标数据中所述先验属性的数据是否满足先验条件；如果所述先验属性的数据满足所述先验条件，则确定所述待识别用户为异常用户；如果所述先验属性的数据不满足所述先验条件，则通过训练后的所述随机森林模型处理所述目标数据，以确定所述待识别用户是否为异常用户。
在本公开的一种示例性实施例中，所述按照预设属性从历史用户的信息中统计出样本数据包括：按照预设属性从历史用户的信息中统计初始数据；将所述初始数据分箱，并根据分箱的结果确定所述初始数据对应的样本数据。
根据本公开的一个方面，提供一种基于随机森林模型的异常用户识别装置，包括：样本统计模块，用于按照预设属性从历史用户的信息中统计出样本数据，并获取所述历史用户的分类标签，其中，所述预设属性包括第一类属性及第二类属性；模型训练模块，用于利用所述样本数据及所述分类标签训练随机森林模型，在训练过程中，所述第一类属性对应于第一抽样概率，所述第二类属性对应于第二抽样概率，所述第一抽样概率大于所述第二抽样概率；目标分析模块，用于按照所述预设属性从待识别用户的信息中统计出目标数据，并通过训练后的所述随机森林模型处理所述目标数据，以确定所述待识别用户是否为异常用户。
根据本公开的一个方面，提供一种电子设备，包括：处理器；以及存储器，用于存储所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行上述任意一项所述的方法。
根据本公开的一个方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任意一项所述的方法。
本公开的示例性实施例具有以下有益效果：
按照预设属性从历史用户的信息中统计出样本数据，并获取历史用户的分类标签；为预设属性中的第一类属性设定较高的抽样概率，第二类属性设定较低的抽样概率后，通过样本数据及分类标签训练得到随机森林模型；再通过随机森林模型处理待识别用户的目标数据，以确定其是否为异常用户。一方面，通过随机森林模型进行异常用户识别的方法较为智能且灵活，由于随机森林模型本身具有较强的泛化学习能力，在分析用户行为数据时，无需用户行为严格的匹配，对于行为近似异常的用户也能够较好的识别，因此识别结果的准确性较高。另一方面，本实施例将用户信息的预设属性根据其对于异常判定的影响大小分为第一类属性与第二类属性，并在随机森林模型的训练过程中设定不同的抽样概率，从而根据经验对随机森林模型的训练进行了倾向性的引导，可以加速训练过程，减小训练过程对于样本数据量的需求，提高随机森林模型的准确率。再一方面，本实施例基于训练得到的随机森林模型对待识别用户的目标数据进行处理，在处理过程中无需再调用样本数据，因此处理速度较快，提高了异常用户识别的效率。
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和解释性的，并不能限制本公开。
附图说明
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。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示出本公开示例性实施例中一种异常用户识别方法的流程图；
图2示出本公开示例性实施例中一种异常用户识别方法的子流程图；
图3示出本公开示例性实施例中另一种异常用户识别方法的子流程图；
图4示出本公开示例性实施例中另一种异常用户识别方法的流程图；
图5示出本公开示例性实施例中一种异常用户识别装置的结构框图；
图6示出本公开示例性实施例中一种用于实现上述方法的电子设备；
图7示出本公开示例性实施例中一种用于实现方法的计算机可读存储介质。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的属性、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。
本公开的示例性实施例首先提供了一种基于随机森林模型的异常用户识别方法，参考图1所示，该方法可以包括以下步骤：
步骤S11，按照预设属性从历史用户的信息中统计出样本数据，并获取历史用户的分类标签，其中，预设属性至少包括第一类属性及第二类属性。
其中，预设属性是指从某个方面反映用户行为的指标，例如用户的注册时间、归属地、登录属性、账号绑定属性等。历史用户是指这部分用户已经通过人为判断等方法进行过异常分类，其是否异常用户的结果即为分类标签。本实施例中，可以将预设属性划分为第一类属性与第二类属性，第一类属性是对于异常判定影响较大的属性，例如用户的登录属性、账号绑定属性等，这些属性的数据异常时，用户为异常用户的概率较高；第二类属性是对于异常判定影响较小的属性，例如用户的注册时间、归属地等，这些属性的数据异常时，用户为异常用户的概率较低。在不同的应用场景中，同一类预设属性对于异常判定的影响程度可以相同或者不同。
步骤S12，利用样本数据及分类标签训练随机森林模型，在训练过程中，第一类属性对应于第一抽样概率，第二类属性对应于第二抽样概率，第一抽样概率大于第二抽样概率。
随机森林模型是由多个决策树集成的学习器，其中每个决策树是基于样本数据抽样得到的样本子集而生成的个体学习器，在抽样时通常从历史用户及预设属性两个维度随机抽样，即样本子集包含的历史用户是全部历史用户的一部分，样本子集包含的预设属性也是全部预设属性的一部分。由于第一类属性对于异常判定的影响较大，因此可以设定其较高的抽样概率，相应的可以设定第二类属性较低的抽样概率，使得样本子集中更多的包含第一类属性，相当于增加了第一类属性的权重，能够提高随机森林模型的准确率。
在训练过程中，可以以随机森林模型的准确率作为参照，调整第一抽样概率与第二抽样概率，例如设定好抽样范围、决策树数量、第一抽样概率与第二抽样概率的初始值后(第一抽样概率与第二抽样概率可以设为初始等概率，也可以设定第一抽样概率的初始值略高出第二抽样概率等)，训练模型并计算准确率；然后可以逐步提高第一抽样概率并相应的降低第二抽样概率，再次训练模型并计算准确率，如果准确率提高，则继续调整抽样概率，如果准确率降低，则恢复到上一次抽样概率或反向调整；则通过多次迭代可以得到最优的第一抽样概率与第二抽样概率。
步骤S13，按照预设属性从待识别用户的信息中统计出目标数据，并通过训练后的随机森林模型处理目标数据，以确定待识别用户是否为异常用户。
其中，统计目标数据的方法可以与统计样本数据的方法相同，使两种数据具有相同的格式。将目标数据输入到训练后的随机森林模型中，可以输出“是”或“否”的分类结果，即为待识别用户是否为异常用户的识别结果。当用户被识别为异常用户时，还可以进行相应的处置，例如发送警告信息、账号封禁等。
上述方法中，按照预设属性从历史用户的信息中统计出样本数据，并获取历史用户的分类标签；为预设属性中的第一类属性设定较高的抽样概率，第二类属性设定较低的抽样概率后，通过样本数据及分类标签训练得到随机森林模型；再通过随机森林模型处理待识别用户的目标数据，以确定其是否为异常用户。一方面，通过随机森林模型进行异常用户识别的方法较为智能且灵活，由于随机森林模型本身具有较强的泛化学习能力，在分析用户行为数据时，无需用户行为严格的匹配，对于行为近似异常的用户也能够较好的识别，因此识别结果的准确性较高。另一方面，本实施例将用户信息的预设属性根据其对于异常判定的影响大小分为第一类属性与第二类属性，并在随机森林模型的训练过程中设定不同的抽样概率，从而根据经验对随机森林模型的训练进行了倾向性的引导，可以加速训练过程，减小训练过程对于样本数据量的需求，提高随机森林模型的准确率。再一方面，本实施例基于训练得到的随机森林模型对待识别用户的目标数据进行处理，在处理过程中无需再调用样本数据，因此处理速度较快，提高了异常用户识别的效率。
除了将预设属性划分为第一类属性及第二类属性外，还可以进行更细致的划分。在一示例性实施例中，预设属性可以包括N类属性，N≥3；则步骤S12可以通过以下步骤实现：利用样本数据及分类标签训练随机森林模型，在训练过程中，第一类属性对应于第一抽样概率，第二类属性对应于第二抽样概率，第i类属性对应于第i抽样概率，第一抽样概率大于第二抽样概率，第i-1抽样概率大于第i抽样概率，i∈[3,N]。其中，第一类属性对于异常判定影响最大，第二类属性次之，第N类属性对于异常判定影响最小，因此从第一抽样概率到第N抽样概率，概率值依次递减。需要说明的是，每一类属性可以包括多个预设属性，也可以仅包括一个预设属性。通过划分更多的属性类别并设定不同的抽样概率，可以进一步加速随机森林模型的训练过程，降低样本数据量需求，提高准确率。
各预设属性对于异常判定的影响程度可以通过经验判断，也可以通过计算各预设属性对于分类结果的基尼系数，并通过基尼系数定量表示各预设属性对于异常判定的影响程度等等，本实施例对此不做特别限定。
在一示例性实施例中，第一类属性可以是必然抽样属性，第一抽样概率可以为1。必然抽样属性是指对于异常判定的影响非常大，在任何情况下都必须考虑的属性，因此可以设定抽样必定抽中必然抽样属性；相应的，第二类属性可以是或然抽样属性，是指有时需要考虑、有时不需要考虑的属性。假设必然抽样属性的数量为s，在一次抽样中，如果抽出小于s个预设属性，则抽出的预设属性在s个必然抽样属性中随机产生；如果抽出s个预设属性，则抽出的预设属性刚好为s个必然抽样属性；如果抽出s+t个预设属性，则抽出s个必然抽样属性，以及t个或然抽样属性，该t个或然抽样属性根据第二抽样概率进行抽样而产生。从而每个样本子集都可以包含必然抽样属性。
在一示例性实施例中，对于预设属性仅划分为第一类属性与第二类属性的情况，参考图2所示，利用样本数据及分类标签训练随机森林模型可以通过以下步骤实现：步骤S21，对样本数据进行随机放回抽样，获得多个样本子集；步骤S22，分别统计各样本子集包含的第一类属性与第二类属性的数量，并计算各样本子集中第二类属性的数量占第一类属性与第二类属性的数量之和的比例；步骤S23，将比例高于第一阈值的样本子集移除，利用剩余的样本子集及对应的分类标签生成多个决策树；步骤S24，为各决策树分配权重，以得到随机森林模型。其中，假设一样本子集的第一类属性数量为p1，第二类属性数量为p2，则第二类属性的数量占第一类属性与第二类属性的数量之和的比例第一阈值可以根据经验设定，也可以根据第二类属性的总数量及第二抽样概率计算，例如T1＝a·P2·Q2，其中T1为第一阈值，P2为第二抽样概率，Q2为第二类属性的总数量，a为系数，其数值在1左右。当比例R2高于第一阈值时，说明该样本子集中第二类属性的数量过多，通过排除这些样本子集，可以保证各样本子集中第一类属性的比例，加速训练并提高随机森林模型的准确率。
在分配各决策树的权重时，可以通过多种方法决定权重的数值，以下举两例说明：
(1)、B＝1/m，其中B为权重，m为决策树的总数量，即各决策树可以等权重；
(2)、其中B(j)为第j棵决策树的权重，R1(j)与R1(k)分别为第j棵决策树与第j棵决策树对应的样本子集中第一类属性所占的比例，m为决策树的总数量，j,k∈[1,m]；
本实施例对于决定各决策树权重的方法不做特别限定。
需要补充的是，在随机森林模型中，确定了各决策树的权重后，可以通过加权计算随机森林模型的输出值，公式可以如下：
RF为随机森林模型的输出，B(j)为第j棵决策树的权重，Tree(j)为第j棵决策树的输出，通常第j棵决策树输出“异常”时，Tree(j)的数值为1，反之为0，m为决策树的总数量，j∈[1,m]。
通常RF>T3时，随机森林模型的输出结果为“异常”，T3可以为0.5，也可以设置为其他合适的数值，本实施例对此不做特别限定。
在一示例性实施例中，参考图3所示，步骤S21可以通过步骤S31与步骤S32实现：步骤S31中，将样本数据划分为训练集与验证集，例如可以按照8:2的比例划分训练集与验证集；步骤S32中，对训练集进行随机放回抽样，获得多个样本子集。步骤S33、步骤S34分别与步骤S22、步骤S23相同，步骤S24可以通过步骤S35与步骤S36实现：步骤S35中，利用验证集验证各决策树的准确率，将准确率低于第二阈值的决策树移除；步骤S36中，为剩余的决策树分配权重，以得到随机森林模型。通过上述步骤可以排除过拟合的决策树，进一步提高随机森林模型的准确率。
在一示例性实施例中，预设属性还可以包括先验属性。图4示出了本实施例方法的流程图，参考图4所示，步骤S13可以通过以下步骤实现：按照预设属性从待识别用户的信息中统计出目标数据，判断目标数据中先验属性的数据是否满足先验条件；如果先验属性的数据满足先验条件，则确定待识别用户为异常用户；如果先验属性的数据不满足先验条件，则通过训练后的随机森林模型处理目标数据，以确定待识别用户是否为异常用户。其中，先验条件是指在异常用户识别的过程中可以设立一些严格的“硬性条件”，当这些条件符合时，不再考虑其他条件而直接判断待识别用户为异常用户；与先验条件相关的属性即先验属性。例如可以将“短信验证属性”＝0(表示短信验证不合法)，“账号绑定属性”＝0(表示账号绑定不合法)等作为先验条件，如果待识别用户的目标数据满足上述任何一条，则可以不进行后面的流程，直接输出待识别用户为异常用户的结果，从而进一步简化整个流程。需要说明的是，先验条件可以是单个先验属性的条件，也可以是多个先验属性的组合条件。
在一示例性实施例中，按照预设属性从历史用户的信息中统计出样本数据可以包括以下步骤：按照预设属性从历史用户的信息中统计初始数据；将初始数据分箱，并根据分箱的结果确定初始数据对应的样本数据。其中，分箱相当于对初始数据进行离散化处理，特别适用于初始数据为连续数据，或者初始数据为离散数据，但数值分布数量过多的情况。通过分箱将初始数据转换为离散的样本数据，更有利于随机森林模型的训练。需要补充的是，对于待识别用户的数据，也可以通过同样的方法进行分箱及转换，更有利于随机森林模型的直接处理。
本公开的示例性实施例还提供了一种基于随机森林模型的异常用户识别装置，参考图5所示，该装置50可以包括：样本统计模块51，用于按照预设属性从历史用户的信息中统计出样本数据，并获取历史用户的分类标签，其中，预设属性包括第一类属性及第二类属性；模型训练模块52，用于利用样本数据及分类标签训练随机森林模型，在训练过程中，第一类属性对应于第一抽样概率，第二类属性对应于第二抽样概率，第一抽样概率大于第二抽样概率；目标分析模块53，用于按照预设属性从待识别用户的信息中统计出目标数据，并通过训练后的随机森林模型处理目标数据，以确定待识别用户是否为异常用户。
在一示例性实施例中，预设属性可以包括N类属性，N≥3；模型训练模块还可以用于利用样本数据及分类标签训练随机森林模型，在训练过程中，第一类属性对应于第一抽样概率，第二类属性对应于第二抽样概率，第i类属性对应于第i抽样概率，其中，第一抽样概率大于第二抽样概率，第i-1抽样概率大于第i抽样概率，i∈[3,N]。
在一示例性实施例中，第一类属性可以是必然抽样属性，第一抽样概率可以是1。
在一示例性实施例中，模型训练模块还可以包括：样本抽样单元，用于对样本数据进行随机放回抽样，获得多个样本子集；属性统计单元，用于分别统计各样本子集包含的第一类属性与第二类属性的数量，并计算各样本子集中第二类属性的数量占第一类属性与第二类属性的数量之和的比例；决策树生成单元，用于将比例高于第一阈值的样本子集移除，利用剩余的样本子集及对应的分类标签生成多个决策树；权重分配单元，用于为各决策树分配权重，以得到随机森林模型。
在一示例性实施例中，样本抽样单元还可以用于将样本数据划分为训练集与验证集，以及对训练集进行随机放回抽样，获得多个样本子集；权重分配单元还可以用于利用验证集验证各决策树的准确率，将准确率低于第二阈值的决策树移除，以及为剩余的决策树分配权重，以得到随机森林模型。
在一示例性实施例中，预设属性还可以包括先验属性；目标分析模块还可以包括：先验判断单元，用于按照预设属性从待识别用户的信息中统计出目标数据，判断目标数据中先验属性的数据是否满足先验条件，以及当先验属性的数据满足先验条件时，确定待识别用户为异常用户；模型判断单元，用于当先验属性的数据不满足先验条件时，通过训练后的随机森林模型处理目标数据，以确定待识别用户是否为异常用户。
在一示例性实施例中，样本统计模块还可以包括：初始统计单元，用于按照预设属性从历史用户的信息中统计初始数据；数据分箱单元，用于将初始数据分箱，并根据分箱的结果确定初始数据对应的样本数据。
上述各模块/单元的具体细节在方法部分的实施例中已经详细说明，因此不再赘述。
本公开的示例性实施例还提供了一种能够实现上述方法的电子设备。
所属技术领域的技术人员能够理解，本公开的各个方面可以实现为系统、方法或程序产品。因此，本公开的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。
下面参照图6来描述根据本公开的这种示例性实施例的电子设备600。图6显示的电子设备600仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图6所示，电子设备600以通用计算设备的形式表现。电子设备600的组件可以包括但不限于：上述至少一个处理单元610、上述至少一个存储单元620、连接不同系统组件(包括存储单元620和处理单元610)的总线630、显示单元640。
其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元610执行，使得所述处理单元610执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。例如，所述处理单元610可以执行如图1中所示的步骤S11～S13，也可以执行如图2中所示的步骤S21～S24等。
存储单元620可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)621和/或高速缓存存储单元622，还可以进一步包括只读存储单元(ROM)623。
存储单元620还可以包括具有一组(至少一个)程序模块625的程序/实用工具624，这样的程序模块625包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线630可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备600也可以与一个或多个外部设备800(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备600交互的设备通信，和/或与使得该电子设备600能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口650进行。并且，电子设备600还可以通过网络适配器660与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器660通过总线630与电子设备600的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备600使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开示例性实施例的方法。
本公开的示例性实施例还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中，本公开的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。
参考图7所示，描述了根据本公开的示例性实施例的用于实现上述方法的程序产品700，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本公开的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
此外，上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。
应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的示例性实施例，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
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他实施例。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。
Claims (8)
1.一种基于随机森林模型的异常用户识别方法，其特征在于，包括：
按照预设属性从历史用户的信息中统计出样本数据，并获取所述历史用户的分类标签，其中，所述预设属性至少包括第一类属性及第二类属性；
利用所述样本数据及所述分类标签训练随机森林模型，在训练过程中，所述第一类属性对应于第一抽样概率，所述第二类属性对应于第二抽样概率，所述第一抽样概率大于所述第二抽样概率；
按照所述预设属性从待识别用户的信息中统计出目标数据，并通过训练后的所述随机森林模型处理所述目标数据，以确定所述待识别用户是否为异常用户，其中，所述预设属性包括N类属性，N≥3；
所述利用所述样本数据及所述分类标签训练随机森林模型，在训练过程中，所述第一类属性对应于第一抽样概率，所述第二类属性对应于第二抽样概率，所述第一抽样概率大于所述第二抽样概率包括：
利用所述样本数据及所述分类标签训练所述随机森林模型，在训练过程中，所述第一类属性对应于所述第一抽样概率，所述第二类属性对应于所述第二抽样概率，第i类属性对应于第i抽样概率，其中，所述第一抽样概率大于所述第二抽样概率，第i-1抽样概率大于所述第i抽样概率，i∈[3,N]；
所述预设属性还包括先验属性；
所述按照所述预设属性从待识别用户的信息中统计出目标数据，并通过训练后的所述随机森林模型处理所述目标数据，以确定所述待识别用户是否为异常用户，包括：
按照所述预设属性从待识别用户的信息中统计出所述目标数据，判断所述目标数据中所述先验属性的数据是否满足先验条件；
如果所述先验属性的数据满足所述先验条件，则确定所述待识别用户为异常用户；
如果所述先验属性的数据不满足所述先验条件，则通过训练后的所述随机森林模型处理所述目标数据，以确定所述待识别用户是否为异常用户。
2.根据权利要求1所述的方法，其特征在于，所述第一类属性为必然抽样属性，所述第一抽样概率为1。
3.根据权利要求1所述的方法，其特征在于，所述利用所述样本数据及所述分类标签训练随机森林模型包括：
对所述样本数据进行随机放回抽样，获得多个样本子集；
分别统计各所述样本子集包含的所述第一类属性与第二类属性的数量，并计算各所述样本子集中所述第二类属性的数量占所述第一类属性与第二类属性的数量之和的比例；
将所述比例高于第一阈值的样本子集移除，利用剩余的样本子集及对应的所述分类标签生成多个决策树；
为各所述决策树分配权重，以得到所述随机森林模型。
4.根据权利要求3所述的方法，其特征在于，所述对所述样本数据进行随机放回抽样，获得多个样本子集包括：
将所述样本数据划分为训练集与验证集；
对所述训练集进行随机放回抽样，获得多个样本子集；
所述为各所述决策树分配权重，以得到所述随机森林模型包括：
利用所述验证集验证各所述决策树的准确率，将所述准确率低于第二阈值的决策树移除；
为剩余的决策树分配权重，以得到所述随机森林模型。
5.根据权利要求1所述的方法，其特征在于，所述按照预设属性从历史用户的信息中统计出样本数据包括：
按照预设属性从历史用户的信息中统计初始数据；
将所述初始数据分箱，并根据分箱的结果确定所述初始数据对应的样本数据。
6.一种基于随机森林模型的异常用户识别装置，其特征在于，包括：
样本统计模块，用于按照预设属性从历史用户的信息中统计出样本数据，并获取所述历史用户的分类标签，其中，所述预设属性包括第一类属性及第二类属性；
模型训练模块，用于利用所述样本数据及所述分类标签训练随机森林模型，在训练过程中，所述第一类属性对应于第一抽样概率，所述第二类属性对应于第二抽样概率，所述第一抽样概率大于所述第二抽样概率；
目标分析模块，用于按照所述预设属性从待识别用户的信息中统计出目标数据，并通过训练后的所述随机森林模型处理所述目标数据，以确定所述待识别用户是否为异常用户，其中，所述预设属性包括N类属性，N≥3；
所述利用所述样本数据及所述分类标签训练随机森林模型，在训练过程中，所述第一类属性对应于第一抽样概率，所述第二类属性对应于第二抽样概率，所述第一抽样概率大于所述第二抽样概率包括：
利用所述样本数据及所述分类标签训练所述随机森林模型，在训练过程中，所述第一类属性对应于所述第一抽样概率，所述第二类属性对应于所述第二抽样概率，第i类属性对应于第i抽样概率，其中，所述第一抽样概率大于所述第二抽样概率，第i-1抽样概率大于所述第i抽样概率，i∈[3,N]；
所述预设属性还包括先验属性；
所述按照所述预设属性从待识别用户的信息中统计出目标数据，并通过训练后的所述随机森林模型处理所述目标数据，以确定所述待识别用户是否为异常用户，包括：
按照所述预设属性从待识别用户的信息中统计出所述目标数据，判断所述目标数据中所述先验属性的数据是否满足先验条件；
如果所述先验属性的数据满足所述先验条件，则确定所述待识别用户为异常用户；
如果所述先验属性的数据不满足所述先验条件，则通过训练后的所述随机森林模型处理所述目标数据，以确定所述待识别用户是否为异常用户。
7.一种电子设备，其特征在于，包括：
处理器；以及
存储器，用于存储所述处理器的可执行指令；
其中，所述处理器配置为经由执行所述可执行指令来执行权利要求1-5任一项所述的方法。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-5任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810960853.8A CN109241418B (zh) | 2018-08-22 | 2018-08-22 | 基于随机森林的异常用户识别方法及装置、设备、介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810960853.8A CN109241418B (zh) | 2018-08-22 | 2018-08-22 | 基于随机森林的异常用户识别方法及装置、设备、介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109241418A CN109241418A (zh) | 2019-01-18 |
| CN109241418B true CN109241418B (zh) | 2024-04-09 |
Family
ID=65068372
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810960853.8A Active CN109241418B (zh) | 2018-08-22 | 2018-08-22 | 基于随机森林的异常用户识别方法及装置、设备、介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109241418B (zh) |
Families Citing this family (31)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109886119B (zh) * | 2019-01-22 | 2021-07-09 | 深圳市永达电子信息股份有限公司 | 一种基于工控信号的控制功能分类方法及系统 |
| CN110045209A (zh) * | 2019-05-10 | 2019-07-23 | 广东电网有限责任公司 | 用电数据异常的检测方法、装置、设备及可读存储介质 |
| CN110263859A (zh) * | 2019-06-21 | 2019-09-20 | 深圳前海微众银行股份有限公司 | 样本分类方法、装置、设备及可读存储介质 |
| CN110674839B (zh) * | 2019-08-16 | 2023-11-24 | 平安科技（深圳）有限公司 | 异常用户识别方法、装置、存储介质及电子设备 |
| CN112396445A (zh) * | 2019-08-16 | 2021-02-23 | 京东数字科技控股有限公司 | 用于识别用户身份信息的方法和装置 |
| CN110708285B (zh) * | 2019-08-30 | 2022-04-29 | 中国平安人寿保险股份有限公司 | 流量监控方法、装置、介质及电子设备 |
| CN110704614B (zh) * | 2019-08-30 | 2023-09-19 | 中国平安人寿保险股份有限公司 | 对应用中的用户群类型进行预测的信息处理方法及装置 |
| CN110781433B (zh) * | 2019-10-11 | 2023-06-02 | 腾讯科技（深圳）有限公司 | 数据类型的确定方法和装置、存储介质及电子装置 |
| CN110910204A (zh) * | 2019-10-24 | 2020-03-24 | 东莞市盟大塑化科技有限公司 | 一种基于人工智能的用户监测系统 |
| CN110807159B (zh) * | 2019-10-30 | 2021-05-11 | 同盾控股有限公司 | 数据标记方法、装置、存储介质及电子设备 |
| CN111091393B (zh) * | 2019-11-26 | 2023-09-05 | 汉海信息技术(上海)有限公司 | 异常账号识别方法、装置及电子设备 |
| CN113011552B (zh) * | 2019-12-20 | 2023-07-18 | 中移(成都)信息通信科技有限公司 | 神经网络训练方法、装置、设备及介质 |
| CN111159243B (zh) * | 2019-12-30 | 2023-08-04 | 中国移动通信集团江苏有限公司 | 用户类型识别方法、装置、设备及存储介质 |
| CN113123955B (zh) * | 2019-12-30 | 2022-07-26 | 北京国双科技有限公司 | 柱塞泵异常检测方法、装置、存储介质及电子设备 |
| CN111340502A (zh) * | 2020-02-24 | 2020-06-26 | 中国银联股份有限公司 | 异常行为的识别方法、装置、终端设备及存储介质 |
| CN111460140A (zh) * | 2020-03-05 | 2020-07-28 | 拉扎斯网络科技（上海）有限公司 | 数据处理方法、装置、电子设备及计算机可读存储介质 |
| CN111461231B (zh) * | 2020-04-02 | 2023-06-30 | 腾讯云计算（北京）有限责任公司 | 一种短信息的发送控制方法、装置及存储介质 |
| CN111582313B (zh) * | 2020-04-09 | 2023-05-02 | 上海淇毓信息科技有限公司 | 样本数据生成方法、装置及电子设备 |
| CN113554438B (zh) * | 2020-04-23 | 2023-12-05 | 北京京东振世信息技术有限公司 | 账号的识别方法、装置、电子设备及计算机可读介质 |
| CN111738331A (zh) * | 2020-06-19 | 2020-10-02 | 北京同邦卓益科技有限公司 | 用户分类方法及装置、计算机可读存储介质、电子设备 |
| CN111738765A (zh) * | 2020-06-23 | 2020-10-02 | 京东数字科技控股有限公司 | 数据处理方法、装置、设备和存储介质 |
| CN111832631A (zh) * | 2020-06-23 | 2020-10-27 | 平安科技（深圳）有限公司 | 特征识别方法、装置、计算机设备和存储介质 |
| CN111814669A (zh) * | 2020-07-08 | 2020-10-23 | 中国工商银行股份有限公司 | 一种银行网点异常行为的识别方法及装置 |
| CN113946720A (zh) * | 2020-07-17 | 2022-01-18 | 中国移动通信集团广东有限公司 | 一种识别群组中用户的方法、装置及电子设备 |
| CN112494952B (zh) * | 2020-09-04 | 2024-05-14 | 完美世界(北京)软件科技发展有限公司 | 目标游戏用户的检测方法、装置及设备 |
| CN114154048A (zh) * | 2020-09-04 | 2022-03-08 | 腾讯科技（深圳）有限公司 | 构建推荐模型的方法、装置、电子设备及存储介质 |
| CN112598118B (zh) * | 2021-03-03 | 2021-06-25 | 成都晓多科技有限公司 | 有监督学习的标注异常处理方法、装置、存储介质及设备 |
| CN113362118B (zh) * | 2021-07-08 | 2023-01-20 | 广东电网有限责任公司 | 一种基于随机森林的用户用电行为分析方法及系统 |
| CN113704409B (zh) * | 2021-08-31 | 2023-08-04 | 上海师范大学 | 一种基于级联森林的虚假招聘信息检测方法 |
| CN114240101A (zh) * | 2021-12-02 | 2022-03-25 | 支付宝(杭州)信息技术有限公司 | 一种风险识别模型的验证方法、装置以及设备 |
| CN114861800A (zh) * | 2022-05-12 | 2022-08-05 | 建信金融科技有限责任公司 | 模型训练方法、概率确定方法、装置、设备、介质及产品 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106255116A (zh) * | 2016-08-24 | 2016-12-21 | 王瀚辰 | 一种骚扰号码的识别方法 |
| CN107392241A (zh) * | 2017-07-17 | 2017-11-24 | 北京邮电大学 | 一种基于加权列抽样XGBoost的图像目标分类方法 |
| WO2017219548A1 (zh) * | 2016-06-20 | 2017-12-28 | 乐视控股（北京）有限公司 | 用户属性预测方法及装置 |
| CN108062560A (zh) * | 2017-12-04 | 2018-05-22 | 贵州电网有限责任公司电力科学研究院 | 一种基于随机森林的电力用户特征识别分类方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10147049B2 (en) * | 2015-08-31 | 2018-12-04 | International Business Machines Corporation | Automatic generation of training data for anomaly detection using other user's data samples |
-
2018
- 2018-08-22 CN CN201810960853.8A patent/CN109241418B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017219548A1 (zh) * | 2016-06-20 | 2017-12-28 | 乐视控股（北京）有限公司 | 用户属性预测方法及装置 |
| CN106255116A (zh) * | 2016-08-24 | 2016-12-21 | 王瀚辰 | 一种骚扰号码的识别方法 |
| CN107392241A (zh) * | 2017-07-17 | 2017-11-24 | 北京邮电大学 | 一种基于加权列抽样XGBoost的图像目标分类方法 |
| CN108062560A (zh) * | 2017-12-04 | 2018-05-22 | 贵州电网有限责任公司电力科学研究院 | 一种基于随机森林的电力用户特征识别分类方法 |
Non-Patent Citations (1)
| Title |
|---|
| 魏金太 ; 高穹 ; .基于信息增益和随机森林分类器的入侵检测系统研究.中北大学学报(自然科学版).2018,(第01期),第80-94页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109241418A (zh) | 2019-01-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109241418B (zh) | 基于随机森林的异常用户识别方法及装置、设备、介质 | |
| US11023682B2 (en) | Vector representation based on context | |
| US20190333118A1 (en) | Cognitive product and service rating generation via passive collection of user feedback | |
| US11128668B2 (en) | Hybrid network infrastructure management | |
| US11601468B2 (en) | Detection of an adversarial backdoor attack on a trained model at inference time | |
| CN108596616B (zh) | 用户数据真实性分析方法及装置、存储介质、电子设备 | |
| CN109639633B (zh) | 异常流量数据识别方法、装置、介质及电子设备 | |
| CN111210335B (zh) | 用户风险识别方法、装置及电子设备 | |
| CN111523640B (zh) | 神经网络模型的训练方法和装置 | |
| US20180330201A1 (en) | Time-series representation learning via random time warping | |
| CN114610772A (zh) | 基于大数据的用户画像挖掘方法及云计算服务器 | |
| US11176508B2 (en) | Minimizing compliance risk using machine learning techniques | |
| CN110348471B (zh) | 异常对象识别方法、装置、介质及电子设备 | |
| CN111181757B (zh) | 信息安全风险预测方法、装置以及计算设备、存储介质 | |
| CN112883990A (zh) | 数据分类方法及装置、计算机存储介质、电子设备 | |
| CN114186626A (zh) | 一种异常检测方法、装置、电子设备及计算机可读介质 | |
| US11321165B2 (en) | Data selection and sampling system for log parsing and anomaly detection in cloud microservices | |
| CN111598122B (zh) | 数据校验方法、装置、电子设备和存储介质 | |
| CN111950647A (zh) | 分类模型训练方法和设备 | |
| CN113392920B (zh) | 生成作弊预测模型的方法、装置、设备、介质及程序产品 | |
| CN111191893A (zh) | 风控文本处理方法、装置及电子设备 | |
| US20170178168A1 (en) | Effectiveness of service complexity configurations in top-down complex services design | |
| CN113298121A (zh) | 基于多数据源建模的消息发送方法、装置和电子设备 | |
| CN109933926B (zh) | 用于预测航班可靠性的方法和装置 | |
| CN110704614B (zh) | 对应用中的用户群类型进行预测的信息处理方法及装置 |
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 |