CN109523342A - 服务策略生成方法及装置、电子设备、存储介质 - Google Patents
服务策略生成方法及装置、电子设备、存储介质 Download PDFInfo
- Publication number
- CN109523342A CN109523342A CN201811191519.7A CN201811191519A CN109523342A CN 109523342 A CN109523342 A CN 109523342A CN 201811191519 A CN201811191519 A CN 201811191519A CN 109523342 A CN109523342 A CN 109523342A
- Authority
- CN
- China
- Prior art keywords
- time series
- evaluation
- numerical value
- target object
- series data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000011156 evaluation Methods 0.000 claims abstract description 62
- 230000009466 transformation Effects 0.000 claims abstract description 24
- 238000012545 processing Methods 0.000 claims abstract description 23
- 230000006870 function Effects 0.000 claims description 36
- 238000010801 machine learning Methods 0.000 claims description 15
- 238000013507 mapping Methods 0.000 claims description 13
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 4
- 238000003062 neural network model Methods 0.000 claims description 3
- 238000007637 random forest analysis Methods 0.000 claims description 3
- 239000004744 fabric Substances 0.000 claims description 2
- 238000011161 development Methods 0.000 abstract description 4
- 230000008569 process Effects 0.000 abstract description 4
- 238000009825 accumulation Methods 0.000 description 10
- 239000000047 product Substances 0.000 description 6
- 230000006399 behavior Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 101000953492 Homo sapiens Inositol hexakisphosphate and diphosphoinositol-pentakisphosphate kinase 1 Proteins 0.000 description 2
- 102100037739 Inositol hexakisphosphate and diphosphoinositol-pentakisphosphate kinase 1 Human genes 0.000 description 2
- 230000003542 behavioural effect Effects 0.000 description 2
- 230000005291 magnetic effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000005526 G1 to G0 transition Effects 0.000 description 1
- 241000406668 Loxodonta cyclotis Species 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 239000013065 commercial product Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000009123 feedback regulation Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 210000000352 storage cell Anatomy 0.000 description 1
- 238000012549 training 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
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开提供了一种基于时序数据的服务策略生成方法及装置、电子设备、计算机可读存储介质，属于数据处理技术领域。该方法包括：获取目标对象的历史时序数据；从所述历史时序数据中统计一个或多个预设属性的时间分布信息；根据各所述预设属性的时间分布信息得到各所述预设属性的趋势评价数值；基于各所述趋势评价数值，利用转换模型生成目标对象的服务策略。本公开可以针对于用户行为习惯或喜好的发展及变化趋势，生成定制性及预测性的服务策略，服务策略的精准性较好，且过程可以实现自动化，减少人力投入。
Description
技术领域
本公开涉及数据处理技术领域，尤其涉及一种基于时序数据的服务策略生成方法及装置、电子设备、计算机可读存储介质。
背景技术
随着数据处理技术的发展，越来越多的电商、金融、搜索等服务提供厂商致力于通过数据分析及处理，为用户提供定制化与个性化的服务策略，以吸引更多用户，并提升用户体验。
现有的服务策略生成方法多数是基于静态的数据分析，例如用户浏览过一个商品，则向其推送相同或相似的商品。这种方法无法反映用户习惯或喜好的变化，导致生成的服务策略不准确，并且有较强的滞后性。
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时序数据的服务策略生成方法及装置、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由于现有技术的限制和缺陷而导致的服务策略不准确且有滞后性的问题。
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，提供一种基于时序数据的服务策略生成方法，包括：获取目标对象的历史时序数据；从所述历史时序数据中统计一个或多个预设属性的时间分布信息；根据各所述预设属性的时间分布信息得到各所述预设属性的趋势评价数值；基于各所述趋势评价数值，利用转换模型生成目标对象的服务策略。
在本公开的一种示例性实施例中，所述时间分布信息包括时间-属性数值分布图像；根据各所述预设属性的时间分布信息得到各所述预设属性的趋势评价数值包括：分别通过一个或多个特征函数对各所述预设属性的时间-属性数值分布图像进行拟合，并根据各所述特征函数的类型及/或参数确定各所述趋势评价数值。
在本公开的一种示例性实施例中，所述转换模型包括机器学习模型；基于各所述趋势评价数值，利用转换模型生成目标对象的服务策略包括：通过所述机器学习模型对各所述趋势评价数值进行分析，生成所述目标对象的服务策略。
在本公开的一种示例性实施例中，所述机器学习模型包括随机森林模型、梯度提升树模型、支持向量机模型、神经网络模型及逻辑回归模型中的一种或多种。
在本公开的一种示例性实施例中，所述转换模型包括直接映射关系；基于各所述趋势评价数值，利用转换模型生成目标对象的服务策略包括：通过所述直接映射关系由各所述趋势评价数值生成所述目标对象的服务策略。
在本公开的一种示例性实施例中，获取目标对象的历史时序数据包括：从时序数据库中提取所述目标对象的所述预设属性对应的历史时序数据。
在本公开的一种示例性实施例中，所述时序数据库包括InfluxDB、Beringei、OpenTSDB、KairosDB及TimeScaleDB中的一种或多种。
根据本公开的一个方面，提供一种基于时序数据的服务策略生成装置，包括：数据获取模块，用于获取目标对象的历史时序数据；属性统计模块，用于从所述历史时序数据中统计一个或多个预设属性的时间分布信息；趋势评价模块，用于根据各所述预设属性的时间分布信息得到各所述预设属性的趋势评价数值；转换处理模块，用于根据各所述趋势评价数值，利用转换模型生成目标对象的服务策略。
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：
在上述方法及装置中，从目标对象的历史时序数据中统计预设属性的时间分布信息，以确定预设属性的趋势评价数值，再通过转换模型生成服务策略。一方面，本实施例基于时序数据，分析预设属性的时间分布特征，得到的趋势评价数值能够反映预设属性的变化趋势，使得最终生成的服务策略具有较好的预测性，可以反映目标对象行为习惯或喜好等的发展及变化趋势，服务策略的精准性较好。另一方面，对于不同的目标对象，通常其历史时序数据反映不同的时间分布信息，则最终生成的服务策略也不同，因此可以根据目标对象的特点生成具有个性化的服务策略，用户体验更好。再一方面，本实施例可以根据目标对象的唯一性标识，自动获取历史时序数据，并进行统计、转换等处理以生成服务策略，从而实现了服务策略生成过程的自动化，并且当目标对象产生新的时序数据时，还可以根据时序数据的变化自动更新其服务策略，减少人力投入，提高服务运营的效率。
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示出应用本公开示例性实施例的一种服务策略生成方法的系统架构图；
图2示出本公开示例性实施例中一种服务策略生成方法的流程图；
图3示出本公开示例性实施例中另一种服务策略生成方法的流程图；
图4示出本公开示例性实施例中一种预设属性的特征函数示意图；
图5示出本公开示例性实施例中另一种预设属性的特征函数示意图；
图6示出本公开示例性实施例中一种服务策略生成装置的结构框图；
图7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8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时序数据的服务策略生成方法。时序数据(或称时间序列数据)是指带有时间标签的数据，通常储存于专门的时序数据库中。本示例实施方式的时序数据库可以包括InfluxDB、Beringei、OpenTSDB、KairosDB及TimeScaleDB(上述都是常用的时序数据库名)中的一种或多种。时序数据库可以采用集中式架构，以减少设备数量，降低硬件成本，也可以采用分布式架构，以增加系统容量，具备海量数据处理能力。服务策略是指针对于不同的用户、企业型客户等对象，具体提供什么类型或内容的服务，例如信息推送策略、商品推荐策略、客服类型选择策略等。
图1示出了可以运行本示例性实施例的服务策略方法的系统架构示意图。该系统100包括时序数据库110与外部节点120，其中时序数据库可以是分布式架构的形式，包括主节点111与数据节点112、113、114。外部节点120可以是服务器，例如生成服务策略的后台服务器、提供服务策略的前端服务器等。外部节点120在向时序数据库110读写数据时，可以将读写数据的请求发送到主节点111，由主节点111分发或转发到相应的数据节点112、113、114，再由数据节点112、113、114完成具体的读写任务，通过主节点111反馈到外部节点120。
需要说明的是，本示例性实施例可以应用于外部节点120，由外部节点120从时序数据库110中获取时序数据并生成服务策略，提供到前端服务器或直接提供到客户端。本示例性实施例也可以应用于分布式时序数据库的主节点111，由主节点111利用时序数据生成服务策略，并提供到外部节点120。
应当理解，图1中的外部节点120、主节点111及数据节点112、113、114的数目仅仅是示意性的，根据实际需要，可以设置任意数目的外部节点、主节点及数据节点。此外，时序数据库110也可以是集中式数据库，例如只包括一个数据节点。本实施例对此不做特别限定。
在一示例性实施例中，参考图2所示，该服务策略生成方法可以包括以下步骤：
步骤S210，获取目标对象的历史时序数据。
其中，目标对象是指服务策略提供的对象，例如用户、企业型客户等。历史时序数据记录了目标对象的全部或部分历史行为以及各个历史行为发生的时间。以理财产品推荐策略的场景为例，表1所示为用户A理财相关的历史时序数据，其中包含了用户A的与理财相关的各种历史行为或事件，例如浏览(browse)、购买(buy)、评论(comment)理财产品，每一条数据都记录了相应的时间。需要说明的是，在时序数据中，目标对象通常是通过唯一性标识来表征的，例如用户的手机号、App(Application，应用程序)账号、IP地址(InternetProtocol，互联网协议地址)等。在上述理财产品推荐策略的场景中，当用户A登录App后，为了生成用户A的理财产品推荐策略，可以识别出用户A的App账号，并根据该账号在时序数据库中搜索相应的历史时序数据。
表1
步骤S220，从历史时序数据中统计一个或多个预设属性的时间分布信息。
其中，属性是指历史时序数据中包含或反映的信息维度，用于反映目标对象在一个或多个方面的特征。按照实际应用的需要，可以设定一个或多个预设属性，对相关的历史时序数据进行统计。例如可以从表1的历史时序数据中，统计理财购买次数、累积购买金额两个预设属性的时间分布信息，结果如表2所示，其中时间数值是对原时间进行了数值转换。表2反映了用户A在各时间节点的理财购买次数分布特征以及累积购买金额分布特征。时间分布信息可以通过多种形式体现，例如类似于表2的时间-预设属性数值分布表，或者时间-预设属性数值分布图像等。
需要说明的是，预设属性可以对时序数据的原始属性进行转换以得到，例如理财购买次数、累积购买金额都不是时序数据中的原始属性，其数值需要对时序数据的原数据进行计算以得到；在另一些情况下，预设属性也可以是时序数据的原始属性，例如可以将表1中的“Amount”(单次理财金额)作为一个预设属性，可以直接调取表1中的原数据得到时间分布信息。
| Time | 时间数值 | 理财购买次数 | 累积购买金额 |
| 1/15 09:22:15 | 1539045 | 1 | 50000 |
| 1/18 20:38:11 | 1885985 | 2 | 100000 |
| 1/22 21:04:37 | 2287821 | 3 | 180000 |
| 1/24 19:35:25 | 2481626 | 4 | 280000 |
| 1/25 12:16:55 | 2551175 | 5 | 480000 |
| 1/27 21:17:55 | 2788744 | 6 | 880000 |
表2
步骤S230，根据各预设属性的时间分布信息得到各预设属性的趋势评价数值。
其中，趋势评价数值是将预设属性的变化趋势进行定量反映的数值。通常时间分布信息以图表的形式体现，图表中包含的时间分布特征较为抽象，难以直接进行数值处理，因此可以对其转化处理，得到趋势评价数值。根据每个预设属性的时间分布信息，判断其反映了怎样的变化趋势，例如上升、下降、平稳等，再由该趋势确定趋势评价数值，例如预设上升的数值为1，下降的数值为-1，平稳的数值为0，则可以得到趋势评价数值。
上述上升、下降、平稳的分类方式及数值确定方式仅是简单的举例说明，关于由时间分布信息得到趋势评价数值的实现方法，在后面的实施例中将具体描述。
步骤S240，基于各趋势评价数值，利用转换模型生成目标对象的服务策略。
本示例实施方式中，转换模型用于表示趋势评价数值与服务策略之间的对应关系，转换模型决定了根据趋势评价数值采取怎样的服务策略，其可以是预设的计算模型，如机器学习模型、函数模型等，将趋势评价数值作为计算模型的输入，计算得到相应的服务策略；也可以是包含了大量趋势评价数值与服务策略之间的映射关系表，通过在映射关系表中直接查找的方式，生成相应的服务策略。本实施例对此不做特别限定。
在一示例性实施例中，当目标对象的时序数据发生变化时，例如由于目标对象做出新的行为而产生了新的时序数据，可以依据最新版本的时序数据，重新统计预设属性的时间分布信息，确定各预设属性的最新趋势评价数值，并通过转换模型生成新的服务策略，从而可以实现服务策略的更新，使服务策略与目标对象的最新状态(例如用户的新习惯、新喜好等)相适应。
在上述服务策略生成方法中，从目标对象的历史时序数据中统计预设属性的时间分布信息，以确定预设属性的趋势评价数值，再通过转换模型生成服务策略。一方面，本实施例基于时序数据，分析预设属性的时间分布特征，得到的趋势评价数值能够反映预设属性的变化趋势，使得最终生成的服务策略具有较好的预测性，可以反映目标对象行为习惯或喜好等的发展及变化趋势，服务策略的精准性较好。另一方面，对于不同的目标对象，通常其历史时序数据反映不同的时间分布信息，则最终生成的服务策略也不同，因此可以根据目标对象的特点生成具有个性化的服务策略，用户体验更好。再一方面，本实施例可以根据目标对象的唯一性标识，自动获取历史时序数据，并进行统计、转换等处理以生成服务策略，从而实现了服务策略生成过程的自动化，并且当目标对象产生新的时序数据时，还可以根据时序数据的变化自动更新其服务策略，减少人力投入，提高服务运营的效率。
在生成服务策略之前，通常可以确定预设属性，则在提取历史时序数据时，可以只提取预设属性对应的那一部分历史时序数据。即步骤S210可以通过图3中的步骤S310实现：步骤S310中，从时序数据库中提取目标对象的预设属性对应的历史时序数据。例如，对于表1中的历史时序数据，在确定了预设属性为理财购买次数、累积购买金额后，由于预设属性都是与购买行为相关的，因此可以只调取Type＝“buy”的历史时序数据，降低系统的数据处理量。
在一示例性实施例中，时间分布信息可以通过时间-属性数值分布图像的形式表示；则步骤S230可以通过图3中的步骤S330实现：步骤S330中，分别通过一个或多个特征函数对各预设属性的时间-属性数值分布图像进行拟合，并根据各特征函数的类型及/或参数确定各趋势评价数值。通常对时间-属性数值分布图像进行函数拟合后，特征函数的类型或参数可以表征属性数值的变化趋势，例如处于上升趋势、平稳趋势或下降趋势，上升或下降的快慢等，而根据特征函数的类型或参数得到的趋势评价数值正是对变化趋势的直接反映。仍然以表2中的数值为例进行说明，如图4所示，对表2中理财购买次数的时间-属性数值分布图像进行函数拟合，得到一S型函数的特征函数，具体类型为S型函数稳定期；表3为根据经验及历史数据确定的特征函数与趋势评价数值的对应关系表，参考表3，可以确定理财购买次数的趋势评价数值为1。如图5所示，对表2中累积购买金额的时间-属性数值分布图像进行函数拟合，得到一指数函数的特征函数，具体类型为指数函数(正)，可以通过表3确定其趋势评价数值为6。
表3
表3中所示的特征函数类型及其对应的趋势评价数值仅是示例，实际应用中，特征函数可以表现为更多的类型，例如对数函数、多项式函数、三角函数等，可以根据每种类型函数所表征的属性数值变化趋势确定趋势评价数值，并且在同一类型函数内，可以根据特征函数的参数进行再分类，以确定更细分的趋势评价数值，例如可以根据幂函数的底数大小确定不同的趋势评价数值，根据线性函数的斜率大小确定不同的趋势评价数值等，本实施例对此不做特别限定。
需要说明的是，不同预设属性的趋势评价标准可以相同，也可以不同，例如表3可以同时适用理财购买次数与累积理财金额这两个预设属性，在其他实施例中表3可能只适用于理财购买次数，而对于累积理财金额需要通过另外的标准进行分类及确定趋势评价数值。通常为了更好的反映每个预设属性的变化趋势所反映的内在规律，可以为每个预设属性设定专门的分类及趋势评价数值确定标准。此外，表3示出了特征函数与趋势评价数值之间的一种对应关系表，在其他实施例中，也可以根据对应关系表以外的方式确定趋势评价数值，例如基于特征函数的参数的计算公式，基于特征函数的属性数值预测值等。
在得到各预设属性的趋势评价数值后，可以通过多种形式的转换模型以生成服务策略。在一示例性实施例中，转换模型可以是机器学习模型，例如随机森林模型、梯度提升树模型、支持向量机模型、神经网络模型及逻辑回归模型中的一种或多种；则步骤S240可以通过图3中的步骤S340实现：步骤S340中，通过机器学习模型对各趋势评价数值进行分析，生成目标对象的服务策略。实际应用中，为了对目标对象进行较全面的分析，通常预设属性的数量较多，以通过多个方面反映目标对象的特征。对于多属性的分类或转换问题，很适合通过机器学习模型来处理。并且各预设属性的趋势评价数值可以很容易的写为多维向量的形式，其中各维度数值即各趋势评价数值，因此可以将趋势评价数值的组合直接输入机器学习模型，无需再做额外的数据处理。
机器学习模型中的各参数或权重系数可以通过样本数据训练得到，样本数据来自于已经确定服务策略的对象的历史时序数据，已经确定的服务策略可以作为样本数据对应的结果标签，以实现机器学习模型的监督式学习。在实际运行过程中，也可以根据前端的数据反馈调节与优化机器学习模型中的参数，以提高生成的服务策略的精准度。
除了机器学习模型或函数模型等计算模型外，转换模型还可以包括直接映射关系；则步骤S240可以通过以下方法实现：通过直接映射关系由各趋势评价数值生成目标对象的服务策略。例如可以将直接映射关系通过映射关系表来表示，参考表4所示，为理财购买次数与累积购买金额在不同的趋势评价数值时对应的服务策略，在上述实施例中，通过表3确定了理财购买次数的趋势评价数值为1，累积购买金额的趋势评价数值为6，则可以在表4中直接查询到对应的服务策略为“VIP1”，从而为目标对象生成“VIP1”的服务策略。
表4
本公开的示例性实施例还提供了一种基于时序数据的服务策略生成装置，可以应用于图1所示的系统中的外部节点120或时序数据库的主节点111。参考图6所示，该服务策略生成装置600可以包括：数据获取模块610，用于获取目标对象的历史时序数据；属性统计模块620，用于在历史时序数据中提取一个或多个预设属性的时间分布信息；趋势评价模块630，用于根据各预设属性的时间分布信息得到各预设属性的趋势评价数值；转换处理模块640，用于根据各趋势评价数值，利用转换模型生成目标对象的服务策略。各模块的具体细节在方法部分的实施例已经详细说明，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7来描述根据本公开的这种示例性实施例的电子设备700。图7显示的电子设备700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7所示，电子设备700以通用计算设备的形式表现。电子设备700的组件可以包括但不限于：上述至少一个处理单元710、上述至少一个存储单元720、连接不同系统组件(包括存储单元720和处理单元710)的总线730、显示单元740。
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710执行，使得所述处理单元710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710可以执行如图2中所示的步骤：步骤S210，获取目标对象的历史时序数据；步骤S220，从历史时序数据中统计一个或多个预设属性的时间分布信息；步骤S230，根据各预设属性的时间分布信息得到各预设属性的趋势评价数值；步骤S240，基于各趋势评价数值，利用转换模型生成目标对象的服务策略。
存储单元720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)721和/或高速缓存存储单元722，还可以进一步包括只读存储单元(ROM)723。
存储单元720还可以包括具有一组(至少一个)程序模块725的程序/实用工具724，这样的程序模块725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730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700也可以与一个或多个外部设备900(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700交互的设备通信，和/或与使得该电子设备700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750进行。并且，电子设备700还可以通过网络适配器760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760通过总线730与电子设备700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700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8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800，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 (10)
1.一种基于时序数据的服务策略生成方法，其特征在于，包括：
获取目标对象的历史时序数据；
从所述历史时序数据中统计一个或多个预设属性的时间分布信息；
根据各所述预设属性的时间分布信息得到各所述预设属性的趋势评价数值；
基于各所述趋势评价数值，利用转换模型生成目标对象的服务策略。
2.根据权利要求1所述的方法，其特征在于，所述时间分布信息包括时间-属性数值分布图像；根据各所述预设属性的时间分布信息得到各所述预设属性的趋势评价数值包括：
分别通过一个或多个特征函数对各所述预设属性的时间-属性数值分布图像进行拟合，并根据各所述特征函数的类型及/或参数确定各所述趋势评价数值。
3.根据权利要求1所述的方法，其特征在于，所述转换模型包括机器学习模型；基于各所述趋势评价数值，利用转换模型生成目标对象的服务策略包括：
通过所述机器学习模型对各所述趋势评价数值进行分析，生成所述目标对象的服务策略。
4.根据权利要求3所述的方法，其特征在于，所述机器学习模型包括随机森林模型、梯度提升树模型、支持向量机模型、神经网络模型及逻辑回归模型中的一种或多种。
5.根据权利要求1所述的方法，其特征在于，所述转换模型包括直接映射关系；基于各所述趋势评价数值，利用转换模型生成目标对象的服务策略包括：
通过所述直接映射关系由各所述趋势评价数值生成所述目标对象的服务策略。
6.根据权利要求1所述的方法，其特征在于，获取目标对象的历史时序数据包括：
从时序数据库中提取所述目标对象的所述预设属性对应的历史时序数据。
7.根据权利要求6所述的方法，其特征在于，所述时序数据库包括InfluxDB、Beringei、OpenTSDB、KairosDB及TimeScaleDB中的一种或多种。
8.一种基于时序数据的服务策略生成装置，其特征在于，包括：
数据获取模块，用于获取目标对象的历史时序数据；
属性统计模块，用于从所述历史时序数据中统计一个或多个预设属性的时间分布信息；
趋势评价模块，用于根据各所述预设属性的时间分布信息得到各所述预设属性的趋势评价数值；
转换处理模块，用于根据各所述趋势评价数值，利用转换模型生成目标对象的服务策略。
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1-7任一项所述的方法。
10.一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1-7任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811191519.7A CN109523342A (zh) | 2018-10-12 | 2018-10-12 | 服务策略生成方法及装置、电子设备、存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811191519.7A CN109523342A (zh) | 2018-10-12 | 2018-10-12 | 服务策略生成方法及装置、电子设备、存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109523342A true CN109523342A (zh) | 2019-03-26 |
Family
ID=65771870
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811191519.7A Pending CN109523342A (zh) | 2018-10-12 | 2018-10-12 | 服务策略生成方法及装置、电子设备、存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109523342A (zh) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110517142A (zh) * | 2019-08-28 | 2019-11-29 | 中国银行股份有限公司 | 策略评估信息的输出方法及装置 |
| CN110809040A (zh) * | 2019-10-30 | 2020-02-18 | 四川速宝网络科技有限公司 | 加速服务提供系统及方法 |
| CN111382359A (zh) * | 2020-03-09 | 2020-07-07 | 北京京东振世信息技术有限公司 | 基于强化学习的服务策略推荐方法、装置、电子设备 |
| CN111582646A (zh) * | 2020-04-09 | 2020-08-25 | 上海淇毓信息科技有限公司 | 用户策略风险预警方法、装置及电子设备 |
| CN111698335A (zh) * | 2020-06-29 | 2020-09-22 | 腾讯科技（深圳）有限公司 | 设备状态查询方法、装置及服务器 |
| CN111783810A (zh) * | 2019-09-24 | 2020-10-16 | 北京沃东天骏信息技术有限公司 | 用于确定用户的属性信息的方法和装置 |
| CN112949273A (zh) * | 2021-03-04 | 2021-06-11 | 长沙市到家悠享网络科技有限公司 | 电子合同签约方法、装置、电子设备及计算机可读介质 |
| CN113256044A (zh) * | 2020-02-13 | 2021-08-13 | 中国移动通信集团广东有限公司 | 一种策略的确定方法、装置及电子设备 |
| CN113505181A (zh) * | 2020-09-29 | 2021-10-15 | 西部证券股份有限公司 | 基于dolphindb数据库的衍生时序数据制作方法 |
| CN114723481A (zh) * | 2022-03-29 | 2022-07-08 | 中国建设银行股份有限公司 | 数据处理方法、装置、电子设备和存储介质 |
| CN115269555A (zh) * | 2022-08-09 | 2022-11-01 | 苏州大学附属儿童医院 | 一种关系型数据库管理系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106355499A (zh) * | 2016-09-29 | 2017-01-25 | 河南理工大学 | 一种股票价格趋势预测及交易方法 |
| CN106991611A (zh) * | 2017-03-27 | 2017-07-28 | 北京贝塔智投科技有限公司 | 一种智能理财投资顾问机器人系统及其工作方法 |
| CN107220851A (zh) * | 2017-05-25 | 2017-09-29 | 北京中电普华信息技术有限公司 | 基于x13季节调整和因素回归的售电量预测方法及装置 |
| CN107544981A (zh) * | 2016-06-25 | 2018-01-05 | 华为技术有限公司 | 内容推荐方法及装置 |
| CN107679987A (zh) * | 2017-07-25 | 2018-02-09 | 上海壹账通金融科技有限公司 | 资产配置策略获取方法、装置、计算机设备和存储介质 |
| CN108446817A (zh) * | 2018-02-01 | 2018-08-24 | 阿里巴巴集团控股有限公司 | 确定业务对应的决策策略的方法、装置和电子设备 |
| CN108596765A (zh) * | 2018-04-28 | 2018-09-28 | 国信优易数据有限公司 | 一种金融电子资源推荐方法和装置 |
-
2018
- 2018-10-12 CN CN201811191519.7A patent/CN109523342A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107544981A (zh) * | 2016-06-25 | 2018-01-05 | 华为技术有限公司 | 内容推荐方法及装置 |
| CN106355499A (zh) * | 2016-09-29 | 2017-01-25 | 河南理工大学 | 一种股票价格趋势预测及交易方法 |
| CN106991611A (zh) * | 2017-03-27 | 2017-07-28 | 北京贝塔智投科技有限公司 | 一种智能理财投资顾问机器人系统及其工作方法 |
| CN107220851A (zh) * | 2017-05-25 | 2017-09-29 | 北京中电普华信息技术有限公司 | 基于x13季节调整和因素回归的售电量预测方法及装置 |
| CN107679987A (zh) * | 2017-07-25 | 2018-02-09 | 上海壹账通金融科技有限公司 | 资产配置策略获取方法、装置、计算机设备和存储介质 |
| CN108446817A (zh) * | 2018-02-01 | 2018-08-24 | 阿里巴巴集团控股有限公司 | 确定业务对应的决策策略的方法、装置和电子设备 |
| CN108596765A (zh) * | 2018-04-28 | 2018-09-28 | 国信优易数据有限公司 | 一种金融电子资源推荐方法和装置 |
Non-Patent Citations (1)
| Title |
|---|
| 徐国祥: "统计预测和决策", 31 August 2012, 上海财经大学出版社, pages: 17 - 22 * |
Cited By (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110517142A (zh) * | 2019-08-28 | 2019-11-29 | 中国银行股份有限公司 | 策略评估信息的输出方法及装置 |
| CN111783810A (zh) * | 2019-09-24 | 2020-10-16 | 北京沃东天骏信息技术有限公司 | 用于确定用户的属性信息的方法和装置 |
| CN111783810B (zh) * | 2019-09-24 | 2023-12-08 | 北京沃东天骏信息技术有限公司 | 用于确定用户的属性信息的方法和装置 |
| CN110809040A (zh) * | 2019-10-30 | 2020-02-18 | 四川速宝网络科技有限公司 | 加速服务提供系统及方法 |
| CN110809040B (zh) * | 2019-10-30 | 2022-04-29 | 四川速宝网络科技有限公司 | 加速服务提供系统及方法 |
| CN113256044B (zh) * | 2020-02-13 | 2023-08-15 | 中国移动通信集团广东有限公司 | 一种策略的确定方法、装置及电子设备 |
| CN113256044A (zh) * | 2020-02-13 | 2021-08-13 | 中国移动通信集团广东有限公司 | 一种策略的确定方法、装置及电子设备 |
| CN111382359A (zh) * | 2020-03-09 | 2020-07-07 | 北京京东振世信息技术有限公司 | 基于强化学习的服务策略推荐方法、装置、电子设备 |
| CN111382359B (zh) * | 2020-03-09 | 2024-01-12 | 北京京东振世信息技术有限公司 | 基于强化学习的服务策略推荐方法、装置、电子设备 |
| CN111582646A (zh) * | 2020-04-09 | 2020-08-25 | 上海淇毓信息科技有限公司 | 用户策略风险预警方法、装置及电子设备 |
| CN111698335A (zh) * | 2020-06-29 | 2020-09-22 | 腾讯科技（深圳）有限公司 | 设备状态查询方法、装置及服务器 |
| CN113505181A (zh) * | 2020-09-29 | 2021-10-15 | 西部证券股份有限公司 | 基于dolphindb数据库的衍生时序数据制作方法 |
| CN112949273A (zh) * | 2021-03-04 | 2021-06-11 | 长沙市到家悠享网络科技有限公司 | 电子合同签约方法、装置、电子设备及计算机可读介质 |
| CN112949273B (zh) * | 2021-03-04 | 2024-04-26 | 长沙市到家悠享网络科技有限公司 | 电子合同签约方法、装置、电子设备及计算机可读介质 |
| CN114723481A (zh) * | 2022-03-29 | 2022-07-08 | 中国建设银行股份有限公司 | 数据处理方法、装置、电子设备和存储介质 |
| CN115269555B (zh) * | 2022-08-09 | 2023-08-04 | 苏州大学附属儿童医院 | 一种关系型数据库管理系统 |
| CN115269555A (zh) * | 2022-08-09 | 2022-11-01 | 苏州大学附属儿童医院 | 一种关系型数据库管理系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109523342A (zh) | 服务策略生成方法及装置、电子设备、存储介质 | |
| US10430892B2 (en) | Object based energy usage and tracking | |
| CA2944652C (en) | Inference model for traveler classification | |
| US12086820B2 (en) | Technology opportunity mapping | |
| US20140324851A1 (en) | Classifying e-commerce queries to generate category mappings for dominant products | |
| CN110073382A (zh) | 用于显示商家位置处的库存数据的图形用户界面 | |
| CN113781149B (zh) | 信息推荐方法、装置、计算机可读存储介质及电子设备 | |
| JP5914549B2 (ja) | 情報処理装置および情報分析方法 | |
| CN109155041A (zh) | 提供与社交图相关联的基于旅行或促销的推荐 | |
| CN110046081A (zh) | 性能测试方法、性能测试装置、电子设备及存储介质 | |
| KR20200021843A (ko) | 인쇄물 제작 서비스 제공 방법 및 시스템 | |
| CN116738081A (zh) | 一种前端组件绑定方法、装置及存储介质 | |
| CN112785111A (zh) | 生产效率预测方法、装置、存储介质与电子设备 | |
| US20140324852A1 (en) | Classifying Queries To Generate Category Mappings | |
| KR20220053652A (ko) | 화장품 소매 디스플레이 시스템 및 방법 | |
| US20240127321A1 (en) | User context-aware website optimization framework | |
| US20240078372A1 (en) | Intelligently identifying freshness of terms in documentation | |
| CN111047389A (zh) | 一种ar购物应用的监控推荐分析方法及储存介质、系统 | |
| CN116579803A (zh) | 基于替代和关联作用的多品类联合需求预测方法及装置 | |
| CN115860877A (zh) | 一种产品营销方法、装置、设备及介质 | |
| KR20230034184A (ko) | 아이템 그룹의 정보를 제공하는 방법 및 이를 위한 장치 | |
| US20220253776A1 (en) | Automatically discovering data trends using anonymized data | |
| KR102264063B1 (ko) | 복수의 상품들에 대한 샘플들을 제공하고 광고 비를 청구하기 위한 전자 장치 및 그 동작 방법 | |
| Ehsani et al. | Customer purchase prediction in electronic markets from clickstream data using the Oracle meta-classifier | |
| CN110333844B (zh) | 计算公式处理方法及装置 |
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 |