CN109636433A - 基于大数据分析的养卡识别方法、装置、设备和存储介质 - Google Patents
基于大数据分析的养卡识别方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN109636433A CN109636433A CN201811206497.7A CN201811206497A CN109636433A CN 109636433 A CN109636433 A CN 109636433A CN 201811206497 A CN201811206497 A CN 201811206497A CN 109636433 A CN109636433 A CN 109636433A
- Authority
- CN
- China
- Prior art keywords
- card
- information
- feeding
- user
- characteristic information
- 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
- 238000007405 data analysis Methods 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000004891 communication Methods 0.000 claims description 52
- 238000004458 analytical method Methods 0.000 claims description 25
- 238000004590 computer program Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 10
- 238000012790 confirmation Methods 0.000 claims description 7
- 238000010219 correlation analysis Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 230000002085 persistent effect Effects 0.000 description 11
- 241000894007 species Species 0.000 description 10
- 230000008901 benefit Effects 0.000 description 8
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 230000010365 information processing Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 241000282326 Felis catus Species 0.000 description 2
- 239000003795 chemical substances by application Substances 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012559 user support system Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000012098 association analyses Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 230000036461 convulsion Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 230000003442 weekly effect Effects 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
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0207—Discounts or incentives, e.g. coupons or rebates
- G06Q30/0225—Avoiding frauds
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于大数据分析的养卡识别方法,包括以下步骤:在接收到养卡识别请求时,获取待识别的卡片标识,及所述卡片标识对应的特征信息;根据所述养卡识别请求中的套利模式和所述特征信息的信息获取耗时,从所述特征信息中选取目标特征信息;对所述目标特征信息进行分析,判断所述卡片标识对应用户是否为可疑养卡用户;若所述卡片标识对应用户是可疑养卡用户,则输出提示信息。本发明还公开了一种基于大数据分析的养卡识别装置、设备和存储介质。本发明中服务器通过对卡片标识对应的特征数据分析,旨在提高养卡识别的准确性。
Description
技术领域
本发明涉及通信技术领域,尤其涉及基于大数据分析的养卡识别方法、装置、设备和存储介质。
背景技术
目前各个地区移动通信市场日渐饱和,用户数量增长趋于减缓,不同营运商之间的竞争日益激烈。
因而,各个运营商对社会渠道和个人用户越来越重视,为了支持社会渠道,运营商通过给代理商发放佣金的形式来鼓励其发展用户;为了鼓励个人用户长期使用,运营商设置积分兑换的方式。但是而实际应用中,部分代理商通过养卡的方式:激活一定数量的号码,不出售这些号码,并利用这些号码通过办理业务来采用欺诈的方法套取佣金;或者部分个人用户套取积分,进行积分兑换等;这些养卡套利的现象,导致运营商客户量虚增,收入增长减少等问题;因此需要进行养卡识别,目前养卡识别将全部的特征信息进行分析,但是养卡识别的准确率较低。
发明内容
本发明的主要目的在于提供一种基于大数据分析的养卡识别方法、装置、设备和存储介质,旨在通过对卡片标识对应的特征数据分析,提高养卡识别的准确性。
为实现上述目的,本发明提供一种基于大数据分析的养卡识别方法,所述基于大数据分析的养卡识别方法包括以下步骤:
在接收到养卡识别请求时,获取待识别的卡片标识,及所述卡片标识对应的特征信息;
根据所述养卡识别请求中的套利模式和所述特征信息的信息获取耗时,从所述特征信息中选取目标特征信息;
对所述目标特征信息进行分析,判断所述卡片标识对应用户是否为可疑养卡用户;
若所述卡片标识对应用户是可疑养卡用户,则输出提示信息。
可选地,所述根据所述养卡识别请求中的套利模式和所述特征信息的信息获取耗时,从所述特征信息中选取目标特征信息的步骤,包括:
获取所述养卡识别请求中的套利模式,及所述套利模式下各所述特征信息对应的权重分值;
分别获取各所述特征信息的信息获取耗时,将各所述特征信息的信息获取耗时对应分值,作为各所述特征信息的信息难度分值;
将各所述特征信息的权重分值和信息难度分值进行数据归一化处理,并将归一化处理之后的所述权重分值和所述信息难度分值进行计算,得到对应所述特征信息的综合评分;
将所述综合评分高于预设评分的特征信息,作为目标特征信息。
可选地,所述对所述目标特征信息进行分析,判断所述卡片标识对应用户是否为可疑养卡用户的步骤,包括:
判断所述目标特征信息中是否包含社交信息;
若所述目标特征信息中包含社交信息,则统计第一预设时间段内各所述社交信息的更新频率;
查询预设活跃度表格,获取各所述更新频率对应的社交活跃度;
若各所述社交信息的所述社交活跃度都低于第一预设阈值,则判定所述卡片标识对应用户为可疑养卡用户。
可选地,所述对所述目标特征信息进行分析,判断所述卡片标识对应用户是否为可疑养卡用户的步骤,包括:
判断所述目标特征信息中是否包含通信信息;
若所述目标特征信息中包含通信信息,则统计第二预设时间段内各类型所述通信信息的频率数据;
将各类型所述通信信息的频率数据与各自的预设频率进行比对;
获取低于各自预设频率的目标通信信息,统计所述目标通信信息的种类数量;
在所述目标通信信息的种类数量到达第二预设阈值时,判定所述卡片标识对应用户为可疑养卡用户。
可选地,所述对所述目标特征信息进行分析,判断所述卡片标识对应用户是否为可疑养卡用户的步骤,包括:
判断所述目标特征信息中是否包含基站信息;
若所述目标特征信息中包含基站信息,则统计第三预设时间段内所述基站信息中驻留的小区数量;
若所述小区数量小于第三预设阈值,则判定所述卡片标识对应用户为可疑养卡用户。
可选地,所述若所述卡片标识对应用户是可疑养卡用户,则输出提示信息的步骤之后,包括:
若所述卡片标识对应用户是可疑养卡用户,则将所述卡片标识对应的特征信息输入至预设识别模型中;
通过所述预设识别模型对各所述特征信息进行交叉关联分析,得到所述卡片标识对应用户是养卡用户的概率;
若所述概率高于预设概率,则采用自动拨号模式对所述卡片标识进行自动拨号;
在检测到所述卡片标识对应的用户接通电话时,将通话转接到人工通话模式,以对卡片标识对应用户进行人工确认。
可选地,所述在接收到养卡识别请求时,获取待识别的卡片标识,及所述卡片标识对应的特征信息的步骤之后,包括:
将所述卡片标识与预设黑名单库中的预设标识进行比对;
若所述预设黑名单库中存在与所述卡片标识匹配的目标标识,则获取所述卡片标识的开卡时间,并获取所述开卡时间对应的各所述特征信息的权重值,从各所述特征信息中选择所述权重值高于预设权重的目标特征信息;
若所述预设黑名单库中不存在与所述卡片标识匹配的目标标识,则执行根据所述养卡识别请求中的套利模式和所述特征信息的信息获取耗时,从所述特征信息中选取目标特征信息的步骤。
此外,为实现上述目的,本发明还提供一种基于大数据分析的养卡识别装置,所述基于大数据分析的养卡识别装置包括:
请求接收模块,用于在接收到养卡识别请求时,获取待识别的卡片标识,及所述卡片标识对应的特征信息;
信息选择模块,用于根据所述养卡识别请求中的套利模式和所述特征信息的信息获取耗时,从所述特征信息中选取目标特征信息;
分析判断模块,用于对所述目标特征信息进行分析,判断所述卡片标识对应用户是否为可疑养卡用户;
识别输出模块,用于若所述卡片标识对应用户是可疑养卡用户,则输出提示信息。
此外,为实现上述目的,本发明还提供一种基于大数据分析的养卡识别设备;
所述基于大数据分析的养卡识别设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的程序,其中:
所述计算机程序被所述处理器执行时实现如上所述的基于大数据分析的养卡识别方法的步骤。
此外,为实现上述目的,本发明还提供计算机存储介质;
所述计算机存储介质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如上述的基于大数据分析的养卡识别方法的步骤。
本发明实施例提出的一种基于大数据分析的养卡识别方法、装置、设备和存储介质,在服务器接收到养卡识别请求时,获取待识别的卡片标识,及所述卡片标识对应的特征信息;根据所述养卡识别请求中的套利模式和所述特征信息的信息获取耗时,从所述特征信息中选取目标特征信息;对所述目标特征信息进行分析,判断所述卡片标识对应用户是否为可疑养卡用户;若所述卡片标识对应用户是可疑养卡用户,则输出提示信息。本申请中服务器根据养卡识别请求中的套利模式和所述特征信息的信息获取耗时,从所述特征信息中选取目标特征信息;既保证了特征信息获取耗时,又有效地减少了干扰特征信息,以此同时,服务器通过减小了特征信息处理量,达到了特征信息处理效率提高的目的,此外,本申请中按不同的分析规则对目标特征信息进行分析,判断所述卡片标识对应用户是否为可疑养卡用户,提高了养卡用户识别的准确性。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的装置结构示意图;
图2为本发明基于大数据分析的养卡识别方法第一实施例的流程示意图;
图3为本发明基于大数据分析的养卡识别装置一实施例的功能模块示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本实施例中提供一种基于大数据分析的养卡识别方法,包括以下步骤:服务器在接收到养卡识别请求时,服务器获取待识别的卡片标识,及所述卡片标识对应的特征信息;服务器根据所述养卡识别请求中的套利模式(套利模式包括:个人用户套利和社会渠道套利)和所述特征信息的信息获取耗时,从所述特征信息中选取目标特征信息;并对所述目标特征信息进行分析,判断所述卡片标识对应用户是否为可疑养卡用户;若所述卡片标识对应用户是可疑养卡用户,则输出提示信息。减少了干扰特征信息,实现了养卡用户的准确识别。
现有技术中的养卡识别根据各用户的通信数据和不同的结合关联因素,对不同通话特征对应的用户群进行分析,识别出其通话特征存在养卡特征的养卡用户;相比现有技术中的养卡识别而言,本发明中从特殊数据中根据套利模式和信息获取耗时选择部分特征数据,减少干扰特征信息,在保证养卡识别的准确性的同时,还因为减少数据的处理量,提高了养卡识别的效率。
如图1所示,图1是本发明实施例方案涉及的硬件运行环境的服务器(又叫基于大数据分析的养卡识别设备,其中,基于大数据分析的养卡识别设备可以是由单独的基于大数据分析的养卡识别装置构成,也可以是由其他装置与基于大数据分析的养卡识别装置组合形成)结构示意图。
本发明实施例服务器指一个管理资类型并为用户提供服务的计算机,通常分为文件服务器、数据库服务器和应用程序服务器。运行以上软件的计算机或计算机系统也被称为服务器。相对于普通PC(personal computer)个人计算机来说,服务器在稳定性、安全性、性能等方面都要求较高;如图1所示,该服务器可以包括:处理器1001,例如中央处理器(Central Processing Unit,CPU),网络接口1004,用户接口1003,存储器1005,通信总线1002、芯片组、磁盘系统、网络等硬件等。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真WIreless-FIdelity,WIFI接口)。存储器1005可以是高速随机存取存储器(random access memory,RAM),也可以是稳定的存储器(non-volatilememory),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
可选地,服务器还可以包括摄像头、RF(Radio Frequency,射频)电路,传感器、音频电路、WiFi模块;输入单元,比显示屏,触摸屏;网络接口可选除无线接口中除WiFi外,蓝牙等等。本领域技术人员可以理解,图1中示出的服务器结构并不构成对服务器的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,该计算机软件产品存储在一个存储介质(存储介质:又叫计算机存储介质、计算机介质、可读介质、可读存储介质、计算机可读存储介质或者直接叫介质等非易失性可读存储介质,如RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法,作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及计算机程序。
在图1所示的服务器中,网络接口1004主要用于连接后台数据库,与后台数据库进行数据通信;用户接口1003主要用于连接客户端(客户端,又叫用户端或终端,本发明实施例终端可以固定终端,也可以是移动终端,其中,固定终端如“物联网设备”、带联网功能的智能空调、智能电灯、智能电类型等等;移动终端,如带联网功能的AR/VR设备,智能音箱、自动驾驶汽车、PC,智能手机、平板电脑、电子书阅读器、便携计算机等具有显示功能的终端设备,终端中包含传感器比如光传感器、运动传感器以及其他传感器,移动终端还可配置陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器,在此不再赘述),与客户端进行数据通信;而处理器1001可以用于调用存储器1005中存储的计算机程序,并执行本发明以下实施例提供的基于大数据分析的养卡识别方法中的步骤。
本实施例中提出了一种基于大数据分析的养卡识别方法。
在接收到养卡识别请求时,获取待识别的卡片标识,及所述卡片标识对应的特征信息;
根据所述养卡识别请求中的套利模式和所述特征信息的信息获取耗时,从所述特征信息中选取目标特征信息;
对所述目标特征信息进行分析,判断所述卡片标识对应用户是否为可疑养卡用户;
若所述卡片标识对应用户是可疑养卡用户,则输出提示信息。
在本实施例中基于数据分析进行养卡识别的方法,在进行养卡识别时根据套利模式选择不同的特征信息进行分析,以提高养卡识别的准确性,具体地:
参照图2,在本发明基于大数据分析的养卡识别方法的第一实施例中,所述基于大数据分析的养卡识别方法包括:
步骤S10,在接收到养卡识别请求时,获取待识别的卡片标识,及所述卡片标识对应的特征信息。
本实施例应用于如图1所示的服务器,服务器接收养卡识别请求,其中,服务器接收到的养卡识别请求可通过不同的方式触发,例如,用户在终端上手动输入“个人用户套利养卡识别”点击显示屏上的“识别”虚拟按键触发养卡识别请求,或者用户在服务器上预先设置触发条件:“积分兑换”和“佣金发放”,在用户进行积分兑换,或者社会渠道进行佣金领取时,服务器检测到符合预先设置触发条件,服务器自动触发养卡识别请求,在服务器接收到养卡识别请求之后,服务器确定待识别的卡片标识(卡片标识是指唯一识别电话卡的标识信息,例如,电话号码),服务器获取该卡片标识对应的特征信息,特征信息是指电话卡使用时的相关数据,例如:电话号码对应卡片的通话信息(包括:通话时间、通话次数、通话对端号码)、流量使用信息、话费套餐信息、对应设备标识信息、短信信息、通话基站和驻留小区名称等。
步骤S20,根据所述养卡识别请求中的套利模式和所述特征信息的信息获取耗时,从所述特征信息中选取目标特征信息。
服务器首先获取养卡识别请求中的套利模式,其中,本实施例中的套利模式包括但不仅限于个人用户套利和社会渠道套利,在获取到套利模式之后,服务器获取该套利模式对应的各个特征信息的权重分值,例如,个人用户套利模式下各个特征信息对应的权重分值为:通信时间信息20%、对端号码信息10%、短信信息30%、即时通讯信息10%、社交网站信息10%、驻留小区数量5%、驻留小区5%、开机天数5%和通信天数5%。
即,本实施例中的养卡识别在不同的套利模式下选择的特征信息不同,例如,个人养卡套利主要分析卡片标识对应的消费信息,因为个人用户套利通常需要将卡片标识对应卡片的消费等级提高,以获取更多的利益,因此个人用户养卡套利的具有:短信集中于消费或者转账、私人短信少,社交活跃度低的特征;社会渠道养卡套利主要分析卡片标识对应卡片的基站信息,因为社会渠道养卡是为了换取佣金,且大多是通过猫池设备(猫池设备就是将相当数量的调制解调器使用特殊的拨号请求接入设备连接在一起)实现的,因此社会渠道养卡套利具有:长时间驻留在一个小区,或者驻留小区数较少的特征。
在获取到套利模式对应的各个特征信息的权重分值之后,服务器获取特征信息的信息获取耗时,并根据特征信息的信息获取耗时确定各个特征信息的信息难度分值,例如,卡片标识为A特征信息:短信获取时间为1秒对应信息难度分值为10分,即时通讯信息获取时间为2秒对应信息难度分值为5分,通话信息获取时间为0.5秒对应信息难度分值为20分,最后,服务器将各个特征信息的权重分值与信息难度分值进行综合考虑,即,服务器将各个特征信息的权重分值与信息难度分值的数量级进行统一,在将各个特征信息的权重分值与信息难度分值进行累加得到综合评分,服务器将综合评分高的前五个作为目标特征信息,服务器从所述特征信息中选取目标特征信息,以根据目标特征信息进行分析。
本实施例中将套利模式和信息获取耗时进行结合,选择具有针对性的特征信息,排除干扰特征信息,减少了信息的处理量,以提高养卡识别的准确性和效率。
步骤S30,对所述目标特征信息进行分析,判断所述卡片标识对应用户是否为可疑养卡用户。
服务器对所述目标特征信息进行分析,由于本实施中目标特征信息的类类型不同,并对应设置了不同的分析规则,判断所述卡片标识对应用户是否为可疑养卡用户,具体地:
第一种分析规则针对社交信息:若目标特征信息中包含社交信息,则服务器统计社交信息对应频率,以根据频率得到社交信息对应的社交活跃度;在社交活跃度低时,服务器判定卡片标识对应用户为可疑养卡用户。例如,卡片标识为A的电话卡,无法通话或通话较少,无即时通讯信息、无短信信息,则服务器确定卡片标识为A的电话卡社交活跃度极低,卡片标识A对应用户为可疑养卡用户。
第二种分析规则针对通信数据:若目标特征信息中包含通信信息,服务器统计通信信息中高频对端号码、月通话次数、月累计通话时间和月产生的流量等信息,并根据统计的通信信息判断所述卡片标识对应用户是否为可疑养卡用户;例如,高频对端号码固定、月通话次数少于5个、月累计通话时间小于10分钟和月产生的流量低于100M;则服务器判定卡片标识对应用户为可疑养卡用户。
第三种分析规则针对基站信息:若目标特征信息中包含基站信息,服务器根据基站信息确定对应的小区,并统计小区个数,以判断所述卡片标识对应用户是否为可疑养卡用户;例如,卡片标识为A的电话卡驻留小区为甲,服务器确定卡片标识为A的驻留小区数为1,服务器判定卡片标识A对应用户为可疑养卡用户。
第四种分析规则针对状态信息:若目标特征信息中包含状态信息,服务器根据状态信息确定:卡片标识对应卡片的开机天数和通信天数,以判断所述卡片标识对应用户是否为可疑养卡用户;例如,一周的开机天数小于2天,一周的通信天数小于2天,则服务器判定卡片标识A对应用户为可疑养卡用户。
本实施例中服务器针对不同的目标特征信息采集不同的分析规则进行分析,有效地提高了养卡用户识别的准确性,此外,本实施例中若目标特性信息包含多个种类,可以将各个分析规则的实现方式进行结合分析,使的用户养卡识别更加准确。
步骤S40,若所述卡片标识对应用户是可疑养卡用户,则输出提示信息。
若所述卡片标识对应用户是可疑养卡用户,则服务器输出提示信息,其中,本实施例中的提示信息可以是语音播报,还可以是短信等显示,本实施例中不作限定。
在本实施例中服务器根据养卡识别请求中的套利模式和所述特征信息的信息获取耗时,从所述特征信息中选取目标特征信息;既保证了特征信息获取耗时,又有效地减少了干扰特征信息,以此同时,服务器通过减小了特征信息处理量,达到了特征信息处理效率提高的目的,此外,本申请中按不同的分析规则对目标特征信息进行分析,判断所述卡片标识对应用户是否为可疑养卡用户,提高了养卡用户识别的准确性。
进一步地,在本发明第一实施例的基础上,提出了本发明基于大数据分析的养卡识别方法的第二实施例。
本实施例是第一实施例中步骤S10之后的步骤,在本实施例中获取到待识别的卡片标识之后,服务器还可以基于预设黑名单库对卡片标识进行识别,本实施例中的预设黑名单库是指预先设置的黑名单数据库,黑名单数据库中包含有历史的黑名单卡片标识,具体包括:
步骤S50,将所述卡片标识与预设黑名单库中的预设标识进行比对;
服务器将识别请求中的卡片标识与预设黑名单库中的预设标识进行比对,判断预设黑名单库中是否存在与所述卡片标识匹配的目标标识,具体地:
步骤S60,若所述预设黑名单库中存在与所述卡片标识匹配的目标标识,则获取所述卡片标识的开卡时间,并获取所述开卡时间对应的各所述特征信息的权重值,从各所述特征信息中选择所述权重值高于预设权重的目标特征信息;
若所述预设黑名单库中存在与所述卡片标识匹配的目标标识,则服务器获取所述卡片标识的开卡时间,并获取所述开卡时间对应的各所述特征信息的权重值,以使服务器从各所述特征信息中选择所述权重值高于预设权重的目标特征信息,例如,开卡时间为1个月,对应各个特征信息对应的权重分值为:通信时间信息10%、对端号码信息10%、短信信息10%、即时通讯信息10%、社交网站信息10%、驻留小区数量10%、驻留小区10%、开机天数15%和通信天数15%。
此外,在本实施例的步骤S50之后,还包括:若所述预设黑名单库中不存在与所述卡片标识匹配的目标标识,则执行第一实施例中步骤S20:根据所述养卡识别请求中的套利模式和所述特征信息的信息获取耗时,从所述特征信息中选取目标特征信息的步骤。本实施例中在确定卡片标识为黑名单数据库中的卡片标识时,采用另外的信息评分规则,以使养卡识别的目标特征信息的选取更加符合实际的应用场景。
进一步地,在本发明第一实施例的基础上,提出了本发明基于大数据分析的养卡识别方法的第三实施例。
本实施例是第一实施例中步骤S20的细化,本实施例具体说明了目标特征数据的选择方式,所述基于大数据分析的养卡识别方法包括:
步骤S21,获取所述养卡识别请求中的套利模式,及所述套利模式下各所述特征信息对应的权重分值。
服务器获取所述养卡识别请求中的套利模式,服务器查询预设的套利模式与特征信息对应表,服务器获取所述套利模式下各个各所述特征信息对应的权重分值,其中,预设的套利模式与特征信息对应表如下表1所示:
表1
步骤S22,分别获取各所述特征信息的信息获取耗时,将各所述特征信息的信息获取耗时对应分值,作为各所述特征信息的信息难度分值。
服务器分别获取各所述特征信息的信息获取耗时,并查询预设的信息获取耗时与信息评分表,得到各个特性信息的信息获取耗时下对应的分值,服务器将各所述特征信息的信息获取耗时对应分值,作为各所述特征信息的信息难度分值。
步骤S23,将各所述特征信息的权重分值和信息难度分值进行数据归一化处理,并将归一化处理之后的所述权重分值和所述信息难度分值进行计算,得到对应所述特征信息的综合评分;将所述综合评分高于预设评分的特征信息,作为目标特征信息。
将各所述特征信息的权重分值和信息难度分值进行数据归一化处理,即,本实施例中得到的特征信息的权重分值和信息难度分值范围不同,则要考虑先将两个分值进行标准化,使得不同度量之间的特征数值具有可比性和可运算性,即将两个分值进行线性变化,将数值映射至同一分值范围内再进行相加;而在进行标准化时,为了计算的方便,可以是将两个分值映射0到10的范围(区间),并将归一化处理之后的所述权重分值和所述信息难度分值进行计算,得到对应所述特征信息的综合评分。
服务器各个特征信息的综合评分与预设评分进行比较,其中,预设评分可以根据具体场景设置,例如,设置为6分,服务器将所述综合评分高于预设评分的特征信息,作为目标特征信息。
在本实施例中具体说了服务器根据所述养卡识别请求中的套利模式和所述特征信息的获取耗时,从所述特征信息中选取目标特征信息的具体实现方式,本实施例中首先根据套利模式确定各个特征信息的权重值,然后根据特征信息的信息获取耗时,确定该特征信息的信息难度分值,最后将权重分值和所述信息难度分值进行综合考虑选择目标特征信息,可以减少信息的分析量,避免干扰特征信息对养卡识别的影响,以提高养卡识别的准确性。
进一步地,在本发明第一实施例的基础上,提出了本发明基于大数据分析的养卡识别方法的第四实施例。
本实施例是第一实施例中步骤S30的细化,本实施例中给出了对所述目标特征信息进行分析,判断所述卡片标识对应用户是否为可疑养卡用户的具体实现方式,即,本实施例中可以根据目标特征信息的类型选择具有的分析规则。
实现方式一:根据目标特征信息中的社交信息进行分析判断。
步骤S31,判断所述目标特征信息中是否包含社交信息;
服务器获取各目标特征信息的标签,并根据各目标特征信息的标签,判断所述目标特征信息中是否包含社交信息,例如,目标特征信息为即时通讯信息,标签中记录有社交类;目标特征信息驻留小区名称,标签中记录有基站类;目标特征信息通信时间,标签中记录有社交类、通信类。
步骤S32,若所述目标特征信息中包含社交信息,则统计第一预设时间段内各所述社交信息的更新频率。
若所述目标特征信息中包含社交信息,则服务器根据社交信息确定卡片标识对应用户的社交活跃度,具体地,服务器统计第一预设时间段(第一预设时间段可以根据具体场景设置,如设置为1个月1个星期)内所述社交信息的更新频率,例如,即时通讯信息在1周只能更新了100次。
步骤S33,查询预设活跃度表格,获取各所述更新频率对应的社交活跃度;若各所述社交信息的所述社交活跃度都低于第一预设阈值,则判定所述卡片标识对应用户为可疑养卡用户。
服务器查询预设活跃度表格(预设活跃度表格是指预先设置的更新频率与社交活跃度映射表),服务器获取预设活跃度表格中各所述更新频率对应的社交活跃度;服务器将各所述社交信息的所述社交活跃度与第一预设阈值(第一预设阈值可以根据具体场景设置,例如设置为2次每周)进行比较,若各所述社交信息的所述社交活跃度都低于第一预设阈值,则判定所述卡片标识对应用户为可疑养卡用户,若社交活跃度存在不低于第一预设阈值的社交信息时,服务器需要结合其他目标特征信息进行分析,在此不作赘述。
实现方式二:根据目标特征信息中的通信信息进行分析判断。
步骤S34,判断所述目标特征信息中是否包含通信信息。
服务器获取各目标特征信息的标签,并根据各目标特征信息的标签,判断所述目标特征信息中是否包含通信信息,例如,目标特征信息通信时间,标签中记录有社交类、通信类。
步骤S35,若所述目标特征信息中包含通信信息,则统计第二预设时间段内各类型所述通信信息的频率数据;并将各类型所述通信信息的频率数据与各自的预设频率进行比对。
若所述目标特征信息中包含通信信息,则服务器统计在第二预设时间段(第二预设时间段可以根据具体场景设置,如设置为1个月1个星期)内各类型所述通信信息的频率数据;例如,一个月中通话次数为10次、一个月中接收短信12个;服务器将各类型所述通信信息的频率数据与各自的预设频率(预设频率为预先设置的各个种类通信信息的临界值)进行比对,例如,服务器将通话次数与预设通话次数进行比对,若通话次数小于预设通话次数,则将通话信息作为目标通信信息;服务器将短信个数与预设短信个数进行比对,若短信个数小于预设短信个数,则将所述短信类型作为目标通信信息。
步骤S36,获取低于各自预设频率的目标通信信息,统计所述目标通信信息的种类数量;在所述目标通信信息的种类数量到达第二预设阈值时,判定所述卡片标识对应用户为可疑养卡用户。
服务器获取低于各自预设频率的目标通信信息,服务器统计所述目标通信信息的种类数量;服务器将种类数量与第二预设阈值进行比较(第二预设阈值可以根据具体场景设置,例如设为3个),在所述目标通信信息的种类数量到达第二预设阈值时,判定所述卡片标识对应用户为可疑养卡用户;例如,通信新息中的1、高频对端号码;2、通话交往圈中月主被叫号码数;3、月通话次数;4通话起始时间、次数;5、月产生的流量;6、月通话分钟;7、每用户平均收入((ARPU-Average Revenue Per User)即一个时间段内运营商从每个用户所得到的利润)中有三个满足各自预设频率时,服务器判定所述卡片标识对应用户为可疑养卡用户。
此外,在所述目标通信信息的种类数量小于第二预设阈值时,服务器需要结合其他目标特征信息进行分析,在此不作赘述。
实现方式三:根据目标特征信息中的基站信息进行分析判断。
步骤S37,判断所述目标特征信息中是否包含基站信息。
服务器获取各目标特征信息的标签,并根据各目标特征信息的标签,判断所述目标特征信息中是否包含基站信息,例如,目标特征信息驻留小区名称,标签中记录有基站类。
步骤S38,若所述目标特征信息中包含基站信息,则统计第三预设时间段内所述基站信息中驻留的小区数量。
若所述目标特征信息中包含基站信息,则服务器统计第三预设时间段(第三预设时间段可以根据具体场景设置,如设置为1个月1个星期)内所述基站信息中驻留的小区数量;服务器将驻留小区数量与第三预设阈值(第三预设阈值为预设的驻留小区数量)进行比较,以根据比较结果进行识别,具体地:
步骤S39,若所述小区数量小于第三预设阈值,则判定所述卡片标识对应用户为可疑养卡用户。
若所述小区数量小于第三预设阈值,则服务器判定所述卡片标识对应用户为可疑养卡用户。若所述小区数量大于或等于第三预设阈值,服务器需要结合其他目标特征信息进行分析,在此不作赘述。
本实施例中可以将上述各个实现方式进行结合分析,例如,首先判断所述目标特征信息中是否包含社交信息;若包含社交信息,则按照社交信息的分析方式进行分析;社交信息分析完成之后,再判断所述目标特征信息中是否包含通信信息;若包含通信信息,则按照通信信息的分析方式进行分析;通信信息分析完成之后,再判断所述目标特征信息中是否包含基站信息;若包含基站信息,则按照基站信息的分析方式进行分析;基站信息分析完成之后,服务器综合各联系分析方式得到的分析结果给出统一的结果,使得用户养卡识别更加综合准确。
需要补充说明的是:本实施例中目标信息类型分类并不是标准分类,例如,特征信息通信时间和通信频率,即可以分为通信信息也可以分为社交信息。此外,本实施例中还可以根据套餐信息的进行养卡识别。
进一步地,在本发明上述实施例的基础上,提出了本发明基于大数据分析的养卡识别方法的第五实施例。
本发明基于大数据分析的养卡识别方法的第五实施例中,在服务器确定卡片标识对应用户是可疑养卡用户之后的处理策略,所述基于大数据分析的养卡识别方法包括:
步骤S70,若所述卡片标识对应用户是可疑养卡用户,则将所述卡片标识对应的特征信息输入至预设识别模型中。
若所述卡片标识对应用户是可疑养卡用户,则服务器将所述卡片标识对应的特征信息输入至预设识别模型中,其中,预设识别模型是预设设置的用与养卡概率识别的模型,所述预设识别模型优选包括Adaboost迭代算法识别模型、SVM(Support Vector Machine,支持向量机)预设识别模型。
步骤S80,通过所述预设识别模型对各所述特征信息进行交叉关联分析,得到所述卡片标识对应用户是养卡用户的概率。
服务器通过所述预设识别模型对各所述特征信息进行交叉关联分析,得到所述卡片标识对应用户是养卡用户的概率。即,预设识别模型获取用户的户资料、套餐信息、账单信息、以及通话详单等通信数据,然后通话时间、通话对端号码和通话地点等关联因素,对不同通话特征对应的用户群进行交叉关联分析,从而识别出卡片标识对应用户是养卡用户的概率。
步骤S90,若所述概率高于预设概率,则采用自动拨号模式对所述卡片标识进行自动拨号;在检测到所述卡片标识对应的用户接通电话时,将通话转接到人工通话模式,以对卡片标识对应用户进行人工确认。
若所述概率高于预设概率(预设概率可以根据具体场景设置,例如设置为0.8),即,服务器判定是养卡的概率较高,服务器采用自动拨号模式对所述卡片标识进行自动拨号;在检测到所述卡片标识对应的用户接通电话时,将通话转接到人工通话模式,以对卡片标识对应用户进行人工确认。
在本实施例中在确定若所述卡片标识对应用户是可疑养卡用户之后,服务器通过预设识别模型对全部的特征信息进行关联分析,确定是养卡用户的概率,在若所述概率高于预设概率,则服务器采用自动拨号模式对所述卡片标识进行自动拨号,以对卡片标识对应用户进行人工确认,实现了基于养卡用户的准确识别并处理。
此外,参照图3,本发明实施例还提出一种基于大数据分析的养卡识别装置,所述基于大数据分析的养卡识别装置包括:
请求接收模块10,用于在接收到养卡识别请求时,获取待识别的卡片标识,及所述卡片标识对应的特征信息;
信息选择模块20,用于根据所述养卡识别请求中的套利模式和所述特征信息的信息获取耗时,从所述特征信息中选取目标特征信息;
分析判断模块30,用于对所述目标特征信息进行分析,判断所述卡片标识对应用户是否为可疑养卡用户;
识别输出模块40,用于若所述卡片标识对应用户是可疑养卡用户,则输出提示信息。
可选地,所述信息选择模块20,包括:
权重获取单元,用于获取所述养卡识别请求中的套利模式,及所述套利模式下各所述特征信息对应的权重分值;
信息统计单元,用于分别获取各所述特征信息的信息获取耗时,将各所述特征信息的信息获取耗时对应分值,作为各所述特征信息的信息难度分值;
分值计算单元,用于将各所述特征信息的权重分值和信息难度分值进行数据归一化处理,并将归一化处理之后的所述权重分值和所述信息难度分值进行计算,得到对应所述特征信息的综合评分;
信息确定单元,用于将所述综合评分高于预设评分的特征信息,作为目标特征信息。
可选地,所述分析判断模块30,包括:
第一判断单元,用于判断所述目标特征信息中是否包含社交信息;
第一统计单元,用于若所述目标特征信息中包含社交信息,则统计第一预设时间段内各所述社交信息的更新频率;
信息查询单元,用于查询预设活跃度表格,获取各所述更新频率对应的社交活跃度;
第一比较单元,用于若各所述社交信息的所述社交活跃度都低于第一预设阈值,则判定所述卡片标识对应用户为可疑养卡用户。
可选地,所述分析判断模块30,包括:
第二判断单元,用于判断所述目标特征信息中是否包含通信信息;
第二统计单元,用于若所述目标特征信息中包含通信信息,则统计第二预设时间段内各类型所述通信信息的频率数据;
信息比对单元,用于将各类型所述通信信息的频率数据与各自的预设频率进行比对;
获取统计单元,用于获取低于各自预设频率的目标通信信息,统计所述目标通信信息的种类数量;
第二比较单元,用于在所述目标通信信息的种类数量到达第二预设阈值时,判定所述卡片标识对应用户为可疑养卡用户。
可选地,所述分析判断模块30,包括:
第三判断单元,用于判断所述目标特征信息中是否包含基站信息;
第三统计单元,用于若所述目标特征信息中包含基站信息,则统计第三预设时间段内所述基站信息中驻留的小区数量;
第三比较单元,用于若所述小区数量小于第三预设阈值,则判定所述卡片标识对应用户为可疑养卡用户。
可选地,所述基于大数据分析的养卡识别装置,包括:
信息输入模块,用于若所述卡片标识对应用户是可疑养卡用户,则将所述卡片标识对应的特征信息输入至预设识别模型中;
关联分析模块,用于通过所述预设识别模型对各所述特征信息进行交叉关联分析,得到所述卡片标识对应用户是养卡用户的概率;
拨号处理模块,用于若所述概率高于预设概率,则采用自动拨号模式对所述卡片标识进行自动拨号;
人工确认模块,用于在检测到所述卡片标识对应的用户接通电话时,将通话转接到人工通话模式,以对卡片标识对应用户进行人工确认。
可选地,所述基于大数据分析的养卡识别装置,包括:
名单比对模块,用于将所述卡片标识与预设黑名单库中的预设标识进行比对;
所述在接收到养卡识别请求时,获取待识别的卡片标识,及所述卡片标识对应的特征信息的步骤之后,包括:
标识比对模块,用于将所述卡片标识与预设黑名单库中的预设标识进行比对;
匹配选择模块,用于若所述预设黑名单库中存在与所述卡片标识匹配的目标标识,则获取所述卡片标识的开卡时间,并获取所述开卡时间对应的各所述特征信息的权重值,从各所述特征信息中选择所述权重值高于预设权重的目标特征信息;
信息选择模块,用于若所述预设黑名单库中不存在与所述卡片标识匹配的目标标识,则执行根据所述养卡识别请求中的套利模式和所述特征信息的信息获取耗时,从所述特征信息中选取目标特征信息的步骤。
其中,基于大数据分析的养卡识别装置的各个功能模块实现的步骤可参照本发明基于大数据分析的养卡识别方法的各个实施例,此处不再赘述。
此外,本发明实施例还提出一种计算机存储介质。
所述计算机存储介质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实施例提供的基于大数据分析的养卡识别方法中的操作。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体/操作/对象与另一个实体/操作/对象区分开来,而不一定要求或者暗示这些实体/操作/对象之间存在任何这种实际的关系或者顺序;术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
对于装置实施例而言,由于其基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的,其中作为分离部件说明的单元可以是或者也可以不是物理上分开的。可以根据实际的需要选择中的部分或者全部模块来实现本发明方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种基于大数据分析的养卡识别方法,其特征在于,所述基于大数据分析的养卡识别方法包括以下步骤:
在接收到养卡识别请求时,获取待识别的卡片标识,及所述卡片标识对应的特征信息;
根据所述养卡识别请求中的套利模式和所述特征信息的信息获取耗时,从所述特征信息中选取目标特征信息;
对所述目标特征信息进行分析,判断所述卡片标识对应用户是否为可疑养卡用户;
若所述卡片标识对应用户是可疑养卡用户,则输出提示信息。
2.如权利要求1所述的基于大数据分析的养卡识别方法,其特征在于,所述根据所述养卡识别请求中的套利模式和所述特征信息的信息获取耗时,从所述特征信息中选取目标特征信息的步骤,包括:
获取所述养卡识别请求中的套利模式,及所述套利模式下各所述特征信息对应的权重分值;
分别获取各所述特征信息的信息获取耗时,将各所述特征信息的信息获取耗时对应分值,作为各所述特征信息的信息难度分值;
将各所述特征信息的权重分值和信息难度分值进行数据归一化处理,并将归一化处理之后的所述权重分值和所述信息难度分值进行计算,得到对应所述特征信息的综合评分;
将所述综合评分高于预设评分的特征信息,作为目标特征信息。
3.如权利要求1所述的基于大数据分析的养卡识别方法,其特征在于,所述对所述目标特征信息进行分析,判断所述卡片标识对应用户是否为可疑养卡用户的步骤,包括:
判断所述目标特征信息中是否包含社交信息;
若所述目标特征信息中包含社交信息,则统计第一预设时间段内各所述社交信息的更新频率;
查询预设活跃度表格,获取各所述更新频率对应的社交活跃度;
若各所述社交信息的所述社交活跃度都低于第一预设阈值,则判定所述卡片标识对应用户为可疑养卡用户。
4.如权利要求1所述的基于大数据分析的养卡识别方法,其特征在于,所述对所述目标特征信息进行分析,判断所述卡片标识对应用户是否为可疑养卡用户的步骤,包括:
判断所述目标特征信息中是否包含通信信息;
若所述目标特征信息中包含通信信息,则统计第二预设时间段内各类型所述通信信息的频率数据;
将各类型所述通信信息的频率数据与各自的预设频率进行比对;
获取低于各自预设频率的目标通信信息,统计所述目标通信信息的种类数量;
在所述目标通信信息的种类数量到达第二预设阈值时,判定所述卡片标识对应用户为可疑养卡用户。
5.如权利要求1所述的基于大数据分析的养卡识别方法,其特征在于,所述对所述目标特征信息进行分析,判断所述卡片标识对应用户是否为可疑养卡用户的步骤,包括:
判断所述目标特征信息中是否包含基站信息;
若所述目标特征信息中包含基站信息,则统计第三预设时间段内所述基站信息中驻留的小区数量;
若所述小区数量小于第三预设阈值,则判定所述卡片标识对应用户为可疑养卡用户。
6.如权利要求1所述的基于大数据分析的养卡识别方法,其特征在于,所述若所述卡片标识对应用户是可疑养卡用户,则输出提示信息的步骤之后,包括:
若所述卡片标识对应用户是可疑养卡用户,则将所述卡片标识对应的特征信息输入至预设识别模型中;
通过所述预设识别模型对各所述特征信息进行交叉关联分析,得到所述卡片标识对应用户是养卡用户的概率;
若所述概率高于预设概率,则采用自动拨号模式对所述卡片标识进行自动拨号;
在检测到所述卡片标识对应的用户接通电话时,将通话转接到人工通话模式,以对卡片标识对应用户进行人工确认。
7.如权利要求1所述的基于大数据分析的养卡识别方法,其特征在于,所述在接收到养卡识别请求时,获取待识别的卡片标识,及所述卡片标识对应的特征信息的步骤之后,包括:
将所述卡片标识与预设黑名单库中的预设标识进行比对;
若所述预设黑名单库中存在与所述卡片标识匹配的目标标识,则获取所述卡片标识的开卡时间,并获取所述开卡时间对应的各所述特征信息的权重值,从各所述特征信息中选择所述权重值高于预设权重的目标特征信息;
若所述预设黑名单库中不存在与所述卡片标识匹配的目标标识,则执行根据所述养卡识别请求中的套利模式和所述特征信息的信息获取耗时,从所述特征信息中选取目标特征信息的步骤。
8.一种基于大数据分析的养卡识别装置,其特征在于,所述基于大数据分析的养卡识别装置包括:
请求接收模块,用于在接收到养卡识别请求时,获取待识别的卡片标识,及所述卡片标识对应的特征信息;
信息选择模块,用于根据所述养卡识别请求中的套利模式和所述特征信息的信息获取耗时,从所述特征信息中选取目标特征信息;
分析判断模块,用于对所述目标特征信息进行分析,判断所述卡片标识对应用户是否为可疑养卡用户;
识别输出模块,用于若所述卡片标识对应用户是可疑养卡用户,则输出提示信息。
9.一种基于大数据分析的养卡识别设备,其特征在于,所述基于大数据分析的养卡识别设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其中:
所述计算机程序被所述处理器执行时实现如权利要求1至7中任一项所述的基于大数据分析的养卡识别方法的步骤。
10.一种计算机存储介质,其特征在于,所述计算机存储介质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如权利要求1至7中任一项所述的基于大数据分析的养卡识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811206497.7A CN109636433A (zh) | 2018-10-16 | 2018-10-16 | 基于大数据分析的养卡识别方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811206497.7A CN109636433A (zh) | 2018-10-16 | 2018-10-16 | 基于大数据分析的养卡识别方法、装置、设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109636433A true CN109636433A (zh) | 2019-04-16 |
Family
ID=66066380
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811206497.7A Pending CN109636433A (zh) | 2018-10-16 | 2018-10-16 | 基于大数据分析的养卡识别方法、装置、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109636433A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110995687A (zh) * | 2019-11-26 | 2020-04-10 | 深圳市随手金服信息科技有限公司 | 一种猫池设备识别方法、装置、设备及存储介质 |
CN112215386A (zh) * | 2020-05-11 | 2021-01-12 | 北京明略软件系统有限公司 | 一种人员活跃度预测方法、装置和计算机可读存储介质 |
CN113205443A (zh) * | 2020-02-03 | 2021-08-03 | 中国移动通信集团浙江有限公司 | 异常用户的识别方法及装置 |
CN113422836A (zh) * | 2021-07-01 | 2021-09-21 | 中国联合网络通信集团有限公司 | 养卡用户识别方法、装置、设备以及存储介质 |
CN114092546A (zh) * | 2021-11-19 | 2022-02-25 | 深圳市国华识别科技开发有限公司 | 卡片识字方法、装置、计算机设备以及存储介质 |
US11701271B2 (en) | 2018-09-12 | 2023-07-18 | Massachusetts Institute Of Technology | Antenna and system for wireless sensing of health monitoring |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102081774A (zh) * | 2009-11-26 | 2011-06-01 | 中国移动通信集团广东有限公司 | 养卡识别方法及系统 |
CN104778591A (zh) * | 2015-04-01 | 2015-07-15 | 北京三快在线科技有限公司 | 一种异常行为的特征信息的提取、识别方法和装置 |
CN106022827A (zh) * | 2016-05-18 | 2016-10-12 | 国家电网公司 | 一种基于用户行为信息的电网服务方法及系统 |
CN106330837A (zh) * | 2015-06-30 | 2017-01-11 | 阿里巴巴集团控股有限公司 | 一种可疑网络用户的识别方法和装置 |
CN106789140A (zh) * | 2015-11-24 | 2017-05-31 | 阿里巴巴集团控股有限公司 | 一种识别非法用户的方法和设备 |
CN106937291A (zh) * | 2017-04-25 | 2017-07-07 | 中国联合网络通信集团有限公司 | 养卡识别方法及系统 |
CN107248082A (zh) * | 2017-05-23 | 2017-10-13 | 北京道隆华尔软件股份有限公司 | 养卡识别方法及装置 |
WO2017185742A1 (zh) * | 2016-04-29 | 2017-11-02 | 宇龙计算机通信科技(深圳)有限公司 | 一种伪基站的识别方法、装置以及终端 |
CN107808519A (zh) * | 2016-08-25 | 2018-03-16 | 上海瑞警科技有限公司 | 一种多特征车辆匹配方法 |
CN108109056A (zh) * | 2018-01-10 | 2018-06-01 | 北京思特奇信息技术股份有限公司 | 一种商品的推荐方法及系统 |
CN108304426A (zh) * | 2017-04-27 | 2018-07-20 | 腾讯科技(深圳)有限公司 | 标识的获取方法及装置 |
CN108335200A (zh) * | 2018-05-03 | 2018-07-27 | 湖南大学 | 一种基于特征选取的信用评级方法 |
-
2018
- 2018-10-16 CN CN201811206497.7A patent/CN109636433A/zh active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102081774A (zh) * | 2009-11-26 | 2011-06-01 | 中国移动通信集团广东有限公司 | 养卡识别方法及系统 |
CN104778591A (zh) * | 2015-04-01 | 2015-07-15 | 北京三快在线科技有限公司 | 一种异常行为的特征信息的提取、识别方法和装置 |
CN106330837A (zh) * | 2015-06-30 | 2017-01-11 | 阿里巴巴集团控股有限公司 | 一种可疑网络用户的识别方法和装置 |
CN106789140A (zh) * | 2015-11-24 | 2017-05-31 | 阿里巴巴集团控股有限公司 | 一种识别非法用户的方法和设备 |
WO2017185742A1 (zh) * | 2016-04-29 | 2017-11-02 | 宇龙计算机通信科技(深圳)有限公司 | 一种伪基站的识别方法、装置以及终端 |
CN106022827A (zh) * | 2016-05-18 | 2016-10-12 | 国家电网公司 | 一种基于用户行为信息的电网服务方法及系统 |
CN107808519A (zh) * | 2016-08-25 | 2018-03-16 | 上海瑞警科技有限公司 | 一种多特征车辆匹配方法 |
CN106937291A (zh) * | 2017-04-25 | 2017-07-07 | 中国联合网络通信集团有限公司 | 养卡识别方法及系统 |
CN108304426A (zh) * | 2017-04-27 | 2018-07-20 | 腾讯科技(深圳)有限公司 | 标识的获取方法及装置 |
CN107248082A (zh) * | 2017-05-23 | 2017-10-13 | 北京道隆华尔软件股份有限公司 | 养卡识别方法及装置 |
CN108109056A (zh) * | 2018-01-10 | 2018-06-01 | 北京思特奇信息技术股份有限公司 | 一种商品的推荐方法及系统 |
CN108335200A (zh) * | 2018-05-03 | 2018-07-27 | 湖南大学 | 一种基于特征选取的信用评级方法 |
Non-Patent Citations (1)
Title |
---|
谷红勋;杨珂;: "基于大数据的移动用户行为分析系统与应用案例", 电信科学, no. 03, pages 139 - 146 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11701271B2 (en) | 2018-09-12 | 2023-07-18 | Massachusetts Institute Of Technology | Antenna and system for wireless sensing of health monitoring |
CN110995687A (zh) * | 2019-11-26 | 2020-04-10 | 深圳市随手金服信息科技有限公司 | 一种猫池设备识别方法、装置、设备及存储介质 |
CN110995687B (zh) * | 2019-11-26 | 2022-06-07 | 深圳市铭数信息有限公司 | 一种猫池设备识别方法、装置、设备及存储介质 |
CN113205443A (zh) * | 2020-02-03 | 2021-08-03 | 中国移动通信集团浙江有限公司 | 异常用户的识别方法及装置 |
CN112215386A (zh) * | 2020-05-11 | 2021-01-12 | 北京明略软件系统有限公司 | 一种人员活跃度预测方法、装置和计算机可读存储介质 |
CN113422836A (zh) * | 2021-07-01 | 2021-09-21 | 中国联合网络通信集团有限公司 | 养卡用户识别方法、装置、设备以及存储介质 |
CN114092546A (zh) * | 2021-11-19 | 2022-02-25 | 深圳市国华识别科技开发有限公司 | 卡片识字方法、装置、计算机设备以及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109636433A (zh) | 基于大数据分析的养卡识别方法、装置、设备和存储介质 | |
CN110197331A (zh) | 业务数据处理方法、装置、设备及计算机可读存储介质 | |
CN104077515A (zh) | 终端装置和终端控制方法 | |
CN105281925B (zh) | 网络业务用户群组划分的方法和装置 | |
CN109947497A (zh) | 应用程序预加载方法、装置、存储介质及移动终端 | |
CN109670937A (zh) | 风险用户识别方法、用户设备、存储介质及装置 | |
CN107515915A (zh) | 基于用户行为数据的用户标识关联方法 | |
CN111010426A (zh) | 一种消息推送方法及装置 | |
CN106993048A (zh) | 确定推荐信息的方法及装置、信息推荐方法及装置 | |
CN110197402B (zh) | 基于用户群的用户标签分析方法、装置、设备和存储介质 | |
CN110245116A (zh) | 对账数据处理方法、装置、设备及计算机可读存储介质 | |
CN109636582A (zh) | 信贷信息管理方法、装置、设备和存储介质 | |
CN108566666A (zh) | Wi-Fi热点推荐方法、装置及存储介质 | |
US20190223141A1 (en) | Device positioning method and apparatus | |
CN109194689A (zh) | 异常行为识别方法、装置、服务器及存储介质 | |
CN102438205A (zh) | 一种基于移动用户行为的业务推送的方法与系统 | |
CN109657892A (zh) | 基于数据分析的机器行为识别方法、装置、设备和介质 | |
CN102855554A (zh) | 电子邮件的分类方法和装置 | |
CN103634470A (zh) | 一种基于终端移动数据接入网Qos的人机交互预测方法 | |
CN109727004A (zh) | 电子红包的派发方法、用户设备、存储介质及装置 | |
CN105912583A (zh) | 移动终端会员服务数据交互方法及装置 | |
CN109325177A (zh) | 信息推送方法、系统、可读存储介质和计算机设备 | |
CN108924915A (zh) | 基于飞行模式的数据更新方法及装置 | |
CN108810916A (zh) | Wi-Fi热点推荐方法、装置及存储介质 | |
CN109427008A (zh) | 记账方法、装置及计算机可读存储介质 |
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 |