CN109685238A - 资源交换方法和装置、存储介质及电子装置 - Google Patents
资源交换方法和装置、存储介质及电子装置 Download PDFInfo
- Publication number
- CN109685238A CN109685238A CN201710989661.5A CN201710989661A CN109685238A CN 109685238 A CN109685238 A CN 109685238A CN 201710989661 A CN201710989661 A CN 201710989661A CN 109685238 A CN109685238 A CN 109685238A
- Authority
- CN
- China
- Prior art keywords
- data
- sample
- classification
- resource exchange
- target user
- 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
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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/08—Insurance
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Technology Law (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种资源交换方法和装置、存储介质及电子装置。其中,该方法包括:获取待进行资源交换的目标用户的特征数据,其中,特征数据至少包括目标用户的历史资源交换数据和行为特征数据,行为特征数据用于指示目标用户的生活习惯和生活位置;根据目标用户的特征数据确定目标用户为进行资源交换所需提交的待交换的资源的数量为第一数值,其中,在预定的目标事件发生时,进行资源交换;在获取到目标用户提交的数量为第一数值的资源之后,在确定目标事件发生的情况下,向目标用户返回数量为第二数值的资源,其中,第二数值与目标事件对应。本发明解决了相关技术中由于资源交换的预测方法简单造成的预测结果不准确的技术问题。
Description
技术领域
本发明涉及数据计算领域,具体而言,涉及一种资源交换方法和装置、存储介质及电子装置。
背景技术
在进行资源交换时通常都有资源交换的具体规则,例如,甲方提交第一数量的资源给乙方,在预先约定的事件发生时,乙方向甲方返回第二数量的资源,通常第二数量比第一数量要多,乙方为了降低自身的风险,需要根据甲方的情况计算一个合理的第一数量。
举例来说,目前疾病险制定保费和赔率的方法一般采用根据用户基本属性如年龄性别和用户历史出险记录综合评估用户的身体状态并制定相应的保费和赔付比例。但是相关技术中这种过于简单通用的规则不能对用户做到更佳细致的分类,仅仅通过年龄和历史出险记录预测用户可能的赔率的方式过于简单,往往不够准确预测,仅通过简单的规则难以实现保费和赔率的精确化。
针对上述的问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种资源交换方法和装置、存储介质及电子装置,以至少解决相关技术中由于资源交换的预测方法简单造成的预测结果不准确的技术问题。
根据本发明实施例的一个方面,提供了一种资源交换方法,包括:获取待进行资源交换的目标用户的特征数据,其中,所述特征数据至少包括所述目标用户的历史资源交换数据和行为特征数据,所述行为特征数据用于指示所述目标用户的生活习惯和生活位置,所述目标用户的历史资源交换数据为所述目标用户已经完成的资源交换的数据;根据所述目标用户的特征数据确定所述目标用户为进行所述资源交换所需提交的待交换的资源的数量为第一数值,其中,在预定的目标事件发生时,进行所述资源交换;在获取到所述目标用户提交的数量为所述第一数值的资源之后,在确定所述目标事件发生的情况下,向所述目标用户返回数量为第二数值的资源,其中,所述第二数值与所述目标事件对应。
根据本发明实施例的另一方面,还提供了一种资源交换装置,包括:获取单元,用于获取待进行资源交换的目标用户的特征数据,其中,所述特征数据至少包括所述目标用户的历史资源交换数据和行为特征数据,所述行为特征数据用于指示所述目标用户的生活习惯和生活位置,所述目标用户的历史资源交换数据为所述目标用户已经完成的资源交换的数据;确定单元,用于根据所述目标用户的特征数据确定所述目标用户为进行所述资源交换所需提交的待交换的资源的数量为第一数值,其中,在预定的目标事件发生时,进行所述资源交换;处理单元,用于在获取到所述目标用户提交的数量为所述第一数值的资源之后,在确定所述目标事件发生的情况下,向所述目标用户返回数量为第二数值的资源,其中,所述第二数值与所述目标事件对应。
根据本发明实施例的另一方面,还提供了一种存储介质,包括存储的程序,其中,程序运行时执行本发明的方法。
根据本发明实施例的另一方面,还提供了一种电子装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器通过计算机程序执行本发明的方法。
在本发明实施例中,采用获取待进行资源交换的目标用户的特征数据,其中,特征数据至少包括目标用户的历史资源交换数据和行为特征数据,行为特征数据用于指示目标用户的生活习惯和生活位置,目标用户的历史资源交换数据为目标用户已经完成的资源交换的数据;根据目标用户的特征数据确定目标用户为进行资源交换所需提交的待交换的资源的数量为第一数值,其中,在预定的目标事件发生时,进行资源交换;在获取到目标用户提交的数量为第一数值的资源之后,在确定目标事件发生的情况下,向目标用户返回数量为第二数值的资源,其中,第二数值与目标事件对应,达到了基于用户更多的特征数据来确定第一数值的目的,从而实现了使资源交换的第一数值的计算结果更加精确的技术效果,进而解决了相关技术中由于资源交换的预测方法简单造成的预测结果不准确的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据本发明实施例的资源交换方法的硬件环境的示意图;
图2是根据本发明实施例的一种可选的资源交换方法的流程图;
图3是根据本发明实施例的一种等距离散的示意图;
图4是根据本发明实施例的一种等样本点离散的示意图;
图5是根据本发明实施例的业务流程图;
图6是根据本发明实施例的一种可选的资源交换装置的示意图;以及
图7是根据本发明实施例的一种终端的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
根据本发明的一实施例,提供了一种资源交换的方法实施例。
可选地,在本实施例中,上述资源交换方法可以应用于如图1所示的由服务器102和终端104所构成的硬件环境中,其中,硬件环境包括网络环境。如图1所示,服务器102通过网络与终端104进行连接,上述网络包括但不限于:广域网、城域网或局域网,终端104并不限定于PC、手机、平板电脑等。本发明实施例的资源交换方法可以由服务器102来执行,也可以由终端104来执行,还可以是由服务器102和终端104共同执行。其中,终端104执行本发明实施例的资源交换方法也可以是由安装在其上的客户端来执行。
在一个具体应用场景中,目标用户通过第一帐号向第二帐号提交第一数值的资源,在目标事件发生时,第二帐号向第一帐号返回第二数值的资源,第二数值通常是与目标事件对应的确定数值,而第一数值是根据目标用户自身情况来确定的,至少通过目标用户的历史资源交换数据和行为特征数据来计算得到一个合适的第一数值,行为特征数据可以包括用户的作息时间、娱乐时间、运动数据、生活位置等多种类型的特征数据,由于用户的行为特征数据与目标事件的发生有一定的联系,因此,通过用户的行为特征数据来确定第一数值,相对于相关技术中对第一数值进行计算时只基于目标用户的年龄和性别,能够使第一数值的计算结果更加精确。
图2是根据本发明实施例的一种可选的资源交换方法的流程图,如图2所示,该方法可以包括以下步骤:
步骤S202,获取待进行资源交换的目标用户的特征数据,其中,特征数据至少包括目标用户的历史资源交换数据和行为特征数据,行为特征数据用于指示目标用户的生活习惯和生活位置,目标用户的历史资源交换数据为目标用户已经完成的资源交换的数据。
步骤S204,根据目标用户的特征数据确定目标用户为进行资源交换所需提交的待交换的资源的数量为第一数值,其中,在预定的目标事件发生时,进行资源交换。
步骤S206,在获取到目标用户提交的数量为第一数值的资源之后,在确定目标事件发生的情况下,向目标用户返回数量为第二数值的资源,其中,第二数值与目标事件对应。
通过上述步骤S202至步骤S206,通过获取待进行资源交换的目标用户的特征数据,其中,特征数据至少包括目标用户的历史资源交换数据和行为特征数据,行为特征数据用于指示目标用户的生活习惯和生活位置,目标用户的历史资源交换数据为目标用户已经完成的资源交换的数据;根据目标用户的特征数据确定目标用户为进行资源交换所需提交的待交换的资源的数量为第一数值,其中,在预定的目标事件发生时,进行资源交换;在获取到目标用户提交的数量为第一数值的资源之后,在确定目标事件发生的情况下,向目标用户返回数量为第二数值的资源,其中,第二数值与目标事件对应,可以解决了相关技术中由于资源交换的预测方法简单造成的预测结果不准确的技术问题,进而达到使资源交换的第一数值的计算结果更加精确的技术效果。
在步骤S202提供的技术方案中,目标用户可以通过唯一的身份标识来表示,可以通过用户的身份标识来获取待进行资源交换的目标用户的特征数据,例如,每个用户都有各自的帐号,所获取到的特征数据通过帐号来标识和存储,特征数据至少包括历史资源交换数据和行为特征数据,其中,历史资源交换数据为该用户已经完成资源交换的数据,例如,用户A在半年前或者一年前所完成的资源交换的数据,已经完成的资源交换的数据可以是用户A在一年前提交了数量为a的资源,然后发生目标事件后收到了数量为b的资源,如果用户A没有提交过资源,也就没有收到返回的资源,则该用户的资源交换数据就都为空,或者数值为0,如果用户A提交过数量为a的资源,但没有发生目标时间也没收到返回的资源,则该用户已经完成的资源交换的数据中,提交的数值就为a,返回的数据就为0。特征数据除了可以包括历史资源交换数据和行为特征数据之外,还可以包括用户的常规属性,如年龄、性别、身高体重等特征数据,其中,用户的行为特征数据可以包括用户的作息时间、运动时间、游戏时间、运动数据以及生活的地理位置等多种类型的数据,包括生活位置的海拔高度、昼夜温差、经纬度等。通过全面采集用户多种类型的特征数据,能够提高对用户需要提交的第一数值的计算结果准确性。获取的用户数据可以是通过用户的帐号输入到服务器的计算系统中。
在步骤S204提供的技术方案中,在获取到目标用户的特征数据之后,可以根据获取到的多种类型的特征数据确定目标用户提交的资源的数量为第一数值,第一数值的资源是用户为进行资源交换所要预先提供的,只有在用户提交了第一数值的资源,在预定的目标事件发生时才可以向用户返回第二数值的资源。在根据特征数据确定第一数值时,可以基于多种方法确定,例如,可以基于预先设置好的模型,或者基于经验列表中的经验值进行确定。
在步骤S206提供的技术方案中,在获取到目标用户提交的数量为第一数值的资源之后,当目标事件发生的情况下,向该目标用户返回第二数值的资源,第二数值是与目标事件对应的数值,对应于不同的目标事件的第二数值可能相同,也可能不同,不同的用户可能计算得到的第一数值不同,但是无论第一数值是多少,对于同样的目标事件,第二数值都是相同的。
作为一种可选的实施例,在根据目标用户的特征数据确定目标用户为进行资源交换所需提交的待交换的资源的数量为第一数值之前,采集样本数据;对样本数据进行分类,得到各个类别的样本特征数据和各个类别的样本历史资源交换数据;根据各个类别的样本特征数据和样本各个类别的历史资源交换数据的对应关系建立预测模型,其中,预测模型用于确定目标用户的特征数据对应的第一数值。
在确定第一数值之前,可以先通过样本数据建立预测模型,样本数据可以包括已进行资源交换的样本用户的特征数据和未进行资源交换的样本用户的特征数据,也即,样本数据需要包含这两类数据才能保证样本数据的完整性。采集样本数据之后,先对样本数据进行分类整理,按照具体细类对样本数据进行分类整理,例如,将特征数据分类得到年龄、性别、运动数据、居住地、空气质量等,进一步地,再得到各个类之后,还可以对各个类别的数据进行进一步分类,例如,将年龄分为多个年龄段,将运动时间分为多个时间段等,对样本历史资源交换数据也进一步分类,得到多个数据段。可以基于分类后的特征数据和历史资源交换数据建立预测模型。
作为一种可选的实施例,根据各个类别的样本特征数据和样本各个类别的历史资源交换数据的对应关系建立预测模型包括:计算每个类别的样本特征数据与样本历史资源交换数据的相关性系数;筛选相关性系数超过预设阈值的类别作为目标类别;根据目标类别的样本特征数据和样本历史资源交换数据的对应关系建立预测模型。
对每个类别的特征数据分别计算与资源交换数据的相关性系数,仅筛选出相关性系数高的类别作为目标类别来建立预测模型,例如,海拔高度可能与资源交换数据的相关性并不明显,则在建立预测模型时可以不需要考虑海拔高度这一类别,以降低模型复杂度。可以筛选出相关性系数较高的N个类别的数据作为目标类别来建立预测模型,以进一步降低模型复杂度,减少无关因素的影响。
作为一种可选的实施例,计算每个类别的样本特征数据与样本历史资源交换数据的相关性系数可以是:对每个类别的样本特征数据进行离散化,得到离散化数据;基于离散化数据建立每个类别的样本特征数据与样本历史资源交换数据对应关系的子模型;根据子模型计算每个类别的特征数据与样本历史资源交换数据的相关性系数。
可以对每个类别的样本特征数据进行离散化,然后得到离散化数据,以减少数据复杂度,降低运算量,基于离散化之后的数据建立每个类别的样本特征数据和历史资源交换数据的对应关系子模型,然后根据子模型就可以计算每个类别的特征数据与样本历史资源交换数据的相关性系数,通过计算得到相关性系数可以筛选相关性系数高的特征建立预测模型。
作为一种可选的实施例,对每个类别的样本特征数据进行离散化,得到离散化数据包括:对每个类别的样本特征数据进行等距离散化,得到等距离散化数据;对每个类别的样本特征数据进行等样本点离散化,得到等样本点离散化数据;基于离散化数据建立每个类别的样本特征数据与样本历史资源交换数据对应关系的子模型包括:基于等距离散化数据建立每个类别的样本数据与样本历史资源交换数据对应关系的第一子模型;基于等样本点离散化数据建立每个类别的样本数据与样本历史资源交换数据对应关系的第二子模型;根据子模型计算每个类别的特征数据与样本历史资源交换数值的相关性系数包括:分别计算第一子模型和第二子模型的模型区分能力参数,其中,模型区分能力参数用于指示模型的准确度;将模型区分能力参数大的子模型作为每个类别的样本特征数据与样本历史资源交换数据对应关系的子模型。
可以通过两种方法对样本数据进行离散化,可以是等距离散化和等样本点离散化,然后基于这两种离散化数据分别建立子模型,然后分别计算两种子模型的模型区分能力参数,选择区分能力参数大的离散化方式作为最终的离散化方式,然后以这种离散化方式建立的子模型为准。
作为一种可选的实施例,根据目标用户的特征数据确定目标用户为进行资源交换所需提交的待交换的资源的数量为第一数值包括:读取目标用户的特征数据;将目标用户的特征数据导入预测模型,得到对应的各个类别的资源交换数据的概率;计算各个类别的资源交换数据的概率与预设的各个类别的资源交换数据的平均值的加权和,基于加权和得到第一数值。
在模型建立完成之后,读取目标用户的特征数据,然后将特征数据导入到预测模型中,得到该目标用户可能符合各个类别的资源交换数据的概率,然后根据预设的各个类别的概率的资源交换数据的平均值计算加权和,得到的第一数值可以是加权和与一个预设基础值的和。
作为一种可选的实施例,在根据各个类别的样本特征数据和样本各个类别的历史资源交换数据的对应关系建立预测模型之后,每隔预设时间采集新的样本数据;根据新的样本数据对预测模型进行更新,得到更新后的预测模型。每隔预设时间采集新的样本数据对预测模型进行更新,能够使预测模型的预测结果更加准确。
本发明还提供了一种优选实施例,下面结合优选实施例对本发明实施例的技术方案进行进一步说明。
本发明实施例的资源交换方法可以作为一种基于用户生活状态和生活环境的疾病保险计算方法,应用在保险的保费计算中。该方法通过统计用户使用应用程序的时间和频率获取用户的作息时间和行为习惯,并通过运动记录类软件或其关联的运动记录类硬件获取用户的运动习惯,通过用户的使用应用软件的位置信息获取用户的常住生活地。根据获取的用户生活状态以及用户生活地的环境,利用疾病险的出险历史数据构建每个年龄段的疾病险赔付模型。对于新投保用户,依据该用户的基本信息,生活习惯、生活地环境和疾病险赔付模型计算出合理的保费以及赔付比例,使得疾病保险的投保赔付更佳科学化。
本发明实施例可以收集用户在购买保险前的历史行为序列数据(历史资源交换数据),在此基础上建模进行精准预测用户出险的概率从而精确的为用户制定保费和赔率,从而达降低风险和收益最大化的目的。具体可以包括以下步骤:
1.获取用户购买保险的用户正负样本集。从历史用户购买保险以及出险情况数据中获取正负样本。正样本就是购买疾病险且无出险的用户,负样本是购买疾病险且有出险的用户。将用户根据年龄性别分成若干个样本集合,例如:男性、40-45岁为一个子集。
2.对于每一个样本集合,收集正负样本的用户数据,这些数据包括但不局限于:
a)用户使用软件的数据。这些软件包括社交、游戏、音频、视频等软件,通过记录用户使用软件的时间,时长,操作频率等信息,经过一段时间的统计分析得到用户的作息时间,作息时间包括休息时间(各类软件完全无操作)、工作时间(社交类软件音频类软件有操作,其他无)、娱乐时间(音视频类软件社交类软件有操作)和游戏时间(仅游戏类软件有操作)通过分析得到用户的工作时长(每月工作日数和每日工作时长),每日休息时长,每日娱乐时长,每日游戏时长等作息时间数据。
b)用户运动数据。使用移动终端的运动信息采集装置或者其关联的运动手环类硬件装置以及定位装置采集用户运动数据和位置数据。这些数据包括用户每日步数,每日移动距离,每日跑步数等运动位置数据。
c)地理位置信息。使用移动终端的定位装置,获取用户的常住地信息。对于每一个省份或者市县等区域,根据每日的当地气象局空气质量检测数据统计得到该地空气质量指数,采集当地各季节的气温并以过去5年的平均气温作为每个季节的气温指标,并采集空气湿度,昼夜温差,海拔高度,经纬度作为地理位置信息。
d)对于部分用户的部分数据缺失的情况,使用软件的数据和用户运动数据用同年龄段同性别用户的平均数值代替,地理位置缺失的用户用全国归一化数据代替(具体方法为各地数据乘以人口比例)。
3.用户疾病模型训练。
3.1特征选择与离散化。
特征的离散化是指将连续的特征分成若干个离散的区间,例如将年龄,气温的连续特征分为年龄段,气温区间,采用的方法是等样本点离散化和等距离离散化。等距离离散:就是离散点选取等距点。比如{0.5,1.5,2.5}就是一种等距离散,图3是根据本发明实施例的一种等距离散的示意图,如图3所示,图中在0.5、1.5、2.5处的垂直的线代表离散点。
等样本点离散就是选取的离散点保证落在每段里的样本点数量大致相同,图4是根据本发明实施例的一种等样本点离散的示意图,如图4所示,在每个段内的样本点数量都是三个。
对于年龄,气温,空气质量,海拔等连续型变量均可以采用上述两种方式进行离散化。本方案中先对每一种连续特征均先采用两种离散方法进行离散化,然后利用样本构建子模型,通过模型的区分能力指标(auc)(也即区分能力参数),选择模型区分能力大的离散方法进行离散化。
特征选择:可以采用互信息的方法进行特征选择,也就是选取与因变量相关性较高的自变量作为最终候选的特征。
3.2用户疾病模型训练。
对于采集的正负样本集,根据样本用户的出险情况,将样本历史资源交换数据分为若干个类别:无出险,有出险赔付较低(门诊等常见疾病),有出险赔付适中(相对对严重疾病),又出险赔付较高等类别(重大疾病),具体的分类方式依据具体业务数字来定制。每一类都可以是一个数值范围,对每一个子样本集合利用上述方法处理的特征对用户构建多个二分类模型(例如:判断用户是否为无出险用户),构建模型的方法可以是但不局限于逻辑回归分类方法,决策树分类方法,SVM支持向量机方法等二分类方法。并通过加入正则项或者松弛变量的方法防止模型训练过拟合。
4.疾病模型的应用。
对于每一个申请保险的用户,首先获取其各种数据并通过与样本用户相同的方法进行特征选择和离散化,利用训练好的用户疾病模型分别预测用户属于各个类别的概率,并进行归一化得到用户类别的概率分布。用户的概率分布表示如下:
p=[p1,p2,…,pn]
pn表示用户的疾病险出险情况的N种情况的概率分布,p1+……+pn=1,对于每一种情况根据历史出险情况统计平均每种情况下的治疗费用m,并根据人均可支配收入等社会条件制定每种类别相应的出险费用。
M=[m1,m2,…,mn]
mn表示每种情况下的平均赔付费用,这里m1为不出险的情况,可定为不赔付或者返还一定的奖励金。
那么用户的初始保费可通过如下公式计算:
F=Σpi*(mi+x)=∑pi*mi+y
其中,x表示预定的参数,y表示经验值,根据业务营收定制。保费分为两部分:基准保费(y)和个性化保费(∑pi*mi),在概率计算准确的情况下,小概率的用户需要投入的保费较低,赔率较高,反之亦然。总体来看保险公司属于盈利状态。
5.根据售后出险情况更新模型。
在售出疾病险后,根据客户出险情况不断更新模型进行反馈,对新的客户利用最新的模型参数计算保费。
图5是根据本发明实施例的业务流程图,如图5所示,获取历史客户出险数据(历史资源交换数据),然后对每个类别筛选正负样本,获取样本特征并进行特征处理和筛选之后,训练疾病预测模型,通过疾病模型技术客户的保费(第一数值),售后还需要定期收集客户数据并更新模型,以使模型的准确度更高。
本发明实施例的技术方案结合了用户行为,运动,地理位置等数据,对用户身体状态进行精准建模并预测出险概率。通过精准模型计算保费,既提升了保费制定的合理性也降低了保险公司的风险。
本发明实施例的技术方案除了利用用户的基本信息(年龄和历史资源交换数据)之外,还进一步获取了用户的作息习惯和运动习惯,并根据用户的生活环境,利用机器学习模型对用户身体状态进行建模预测。有效的解决了现有技术中保险技术过于简单的问题,使得保费的计算更加科学化,提高了疾病险保险计算的精确度。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本发明所必须的。
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根据上述实施例的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,或者网络设备等)执行本发明各个实施例所述的方法。
根据本发明的其他一实施例,还提供了一种用于实施上述资源交换方法的资源交换装置。图6是根据本发明实施例的一种可选的资源交换装置的示意图,如图6所示,该装置可以包括:
获取单元10,用于获取待进行资源交换的目标用户的特征数据,其中,特征数据至少包括目标用户的历史资源交换数据和行为特征数据,行为特征数据用于指示目标用户的生活习惯和生活位置,目标用户的历史资源交换数据为目标用户已经完成的资源交换的数据;
确定单元20,用于根据目标用户的特征数据确定目标用户为进行资源交换所需提交的待交换的资源的数量为第一数值,其中,在预定的目标事件发生时,进行资源交换;
处理单元30,用于在获取到目标用户提交的数量为第一数值的资源之后,在确定目标事件发生的情况下,向目标用户返回数量为第二数值的资源,其中,第二数值与目标事件对应。
需要说明的是,该实施例中的获取单元10可以用于执行本申请上述实施例中的步骤S202,该实施例中的确定单元20可以用于执行本申请上述实施例中的步骤S204,该实施例中的处理单元30可以用于执行本申请上述实施例中的步骤S206。
此处需要说明的是,上述模块与对应的步骤所实现的示例和应用场景相同,但不限于上述实施例所公开的内容。需要说明的是,上述模块作为装置的一部分可以运行在如图1所示的硬件环境中,可以通过软件实现,也可以通过硬件实现。
通过上述模块,可以解决了相关技术中由于资源交换的预测方法简单造成的预测结果不准确的技术问题,进而达到使资源交换的第一数值的计算结果更加精确的技术效果。
作为一种可选的实施例,该装置还包括:采集单元,用于在根据目标用户的特征数据确定目标用户为进行资源交换所需提交的待交换的资源的数量为第一数值之前,采集样本数据;分类单元,用于对样本数据进行分类,得到各个类别的样本特征数据和各个类别的样本历史资源交换数据;建模单元,用于根据各个类别的样本特征数据和样本各个类别的历史资源交换数据的对应关系建立预测模型,其中,预测模型用于确定目标用户的特征数据对应的第一数值。
作为一种可选的实施例,建模单元包括:计算模块,用于计算每个类别的样本特征数据与样本历史资源交换数据的相关性系数;筛选模块,用于筛选相关性系数超过预设阈值的类别作为目标类别;建立模块,用于根据目标类别的样本特征数据和样本历史资源交换数据的对应关系建立预测模型。
作为一种可选的实施例,计算模块包括:离散化子模块,用于对每个类别的样本特征数据进行离散化,得到离散化数据;建立子模块,用于基于离散化数据建立每个类别的样本特征数据与样本历史资源交换数据对应关系的子模型;计算子模块,用于根据子模型计算每个类别的特征数据与样本历史资源交换数据的相关性系数。
作为一种可选的实施例,离散化子模块用于:对每个类别的样本特征数据进行等距离散化,得到等距离散化数据;对每个类别的样本特征数据进行等样本点离散化,得到等样本点离散化数据;建立子模块用于:基于等距离散化数据建立每个类别的样本数据与样本历史资源交换数据对应关系的第一子模型;基于等样本点离散化数据建立每个类别的样本数据与样本历史资源交换数据对应关系的第二子模型;计算子模块包括:分别计算第一子模型和第二子模型的模型区分能力参数,其中,模型区分能力参数用于指示模型的准确度;将模型区分能力参数大的子模型作为每个类别的样本特征数据与样本历史资源交换数据对应关系的子模型。
作为一种可选的实施例,确定单元20包括:读取模块,用于读取目标用户的特征数据;导入模块,用于将目标用户的特征数据导入预测模型,得到对应的各个类别的资源交换数据的概率;计算模块,用于计算各个类别的资源交换数据的概率与预设的各个类别的资源交换数据的平均值的加权和,基于加权和得到第一数值。
此处需要说明的是,上述模块与对应的步骤所实现的示例和应用场景相同,但不限于上述实施例所公开的内容。需要说明的是,上述模块作为装置的一部分可以运行在如图1所示的硬件环境中,可以通过软件实现,也可以通过硬件实现,其中,硬件环境包括网络环境。
根据本发明的其他一实施例,还提供了一种用于实施上述资源交换方法的电子装置。如图7所示,该电子装置包括:
1)处理器
2)存储器
图7是根据本发明实施例的一种电子装置的结构框图,如图7所示,该电子装置可以包括:一个或多个(图中仅示出一个)处理器201、存储器203、以及传输装置205(如上述实施例中的发送装置),如图7所示,该电子装置还可以包括输入输出设备207。
其中,存储器203可用于存储软件程序以及模块,如本发明实施例中的资源交换方法和装置对应的程序指令/模块,处理器201通过运行存储在存储器203内的软件程序以及模块,从而执行各种功能应用以及数据处理,即实现上述的资源交换方法。存储器203可包括高速随机存储器,还可以包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器203可进一步包括相对于处理器201远程设置的存储器,这些远程存储器可以通过网络连接至电子装置。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
上述的传输装置205用于经由一个网络接收或者发送数据,还可以用于处理器与存储器之间的数据传输。上述的网络具体实例可包括有线网络及无线网络。在一个实例中,传输装置205包括一个网络适配器(Network Interface Controller,NIC),其可通过网线与其他网络设备与路由器相连从而可与互联网或局域网进行通讯。在一个实例中,传输装置205为射频(Radio Frequency,RF)模块,其用于通过无线方式与互联网进行通讯。
其中,具体地,存储器203用于存储可执行指令,以执行下述步骤。
处理器201可以通过传输装置205调用存储器203存储的可执行指令,以执行下述步骤:获取待进行资源交换的目标用户的特征数据,其中,特征数据至少包括目标用户的历史资源交换数据和行为特征数据,行为特征数据用于指示目标用户的生活习惯和生活位置,目标用户的历史资源交换数据为目标用户已经完成的资源交换的数据;根据目标用户的特征数据确定目标用户为进行资源交换所需提交的待交换的资源的数量为第一数值,其中,在预定的目标事件发生时,进行资源交换;在获取到目标用户提交的数量为第一数值的资源之后,在确定目标事件发生的情况下,向目标用户返回数量为第二数值的资源,其中,第二数值与目标事件对应。
处理器201可以通过传输装置205调用存储器203存储的可执行指令,以执行下述步骤:采集样本数据;对样本数据进行分类,得到各个类别的样本特征数据和各个类别的样本历史资源交换数据;根据各个类别的样本特征数据和样本各个类别的历史资源交换数据的对应关系建立预测模型,其中,预测模型用于确定目标用户的特征数据对应的第一数值。
处理器201可以通过传输装置205调用存储器203存储的可执行指令,以执行下述步骤:计算每个类别的样本特征数据与样本历史资源交换数据的相关性系数;筛选相关性系数超过预设阈值的类别作为目标类别;根据目标类别的样本特征数据和样本历史资源交换数据的对应关系建立预测模型。
处理器201可以通过传输装置205调用存储器203存储的可执行指令,以执行下述步骤:对每个类别的样本特征数据进行离散化,得到离散化数据;基于离散化数据建立每个类别的样本特征数据与样本历史资源交换数据对应关系的子模型;根据子模型计算每个类别的特征数据与样本历史资源交换数据的相关性系数。
处理器201可以通过传输装置205调用存储器203存储的可执行指令,以执行下述步骤:对每个类别的样本特征数据进行等距离散化,得到等距离散化数据;对每个类别的样本特征数据进行等样本点离散化,得到等样本点离散化数据;基于等距离散化数据建立每个类别的样本数据与样本历史资源交换数据对应关系的第一子模型;基于等样本点离散化数据建立每个类别的样本数据与样本历史资源交换数据对应关系的第二子模型;分别计算第一子模型和第二子模型的模型区分能力参数,其中,模型区分能力参数用于指示模型的准确度;将模型区分能力参数大的子模型作为每个类别的样本特征数据与样本历史资源交换数据对应关系的子模型。
处理器201可以通过传输装置205调用存储器203存储的可执行指令,以执行下述步骤:读取目标用户的特征数据;将目标用户的特征数据导入预测模型,得到对应的各个类别的资源交换数据的概率;计算各个类别的资源交换数据的概率与预设的各个类别的资源交换数据的平均值的加权和,基于加权和得到第一数值。
处理器201可以通过传输装置205调用存储器203存储的可执行指令,以执行下述步骤:每隔预设时间采集新的样本数据;根据新的样本数据对预测模型进行更新,得到更新后的预测模型。
采用本发明实施例,实现了使资源交换的第一数值的计算结果更加精确的技术效果,进而解决了相关技术中由于资源交换的预测方法简单造成的预测结果不准确的技术问题。
可选地,本实施例中的具体示例可以参考其他实施例中所描述的示例,本实施例在此不再赘述。
本领域普通技术人员可以理解,图7所示的结构仅为示意,电子装置可以是智能手机(如Android手机、iOS手机等)、平板电脑、掌上电脑以及移动互联网设备(MobileInternet Devices,MID)、PAD等电子装置设备。图7其并不对上述电子装置的结构造成限定。例如,电子装置还可包括比图7中所示更多或者更少的组件(如网络接口、显示装置等),或者具有与图7所示不同的配置。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令电子装置设备相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:闪存盘、只读存储器(Read-Only Memory,ROM)、随机存取器(Random Access Memory,RAM)、磁盘或光盘等。
本发明的其他一实施例还提供了一种存储介质。可选地,在本实施例中,上述存储介质可以用于执行资源交换方法的程序代码。
可选地,在本实施例中,上述存储介质可以位于上述实施例所示的网络中的多个网络设备中的至少一个网络设备上。
可选地,在本实施例中,存储介质被设置为存储用于执行以下步骤的程序代码:
S1,获取待进行资源交换的目标用户的特征数据,其中,特征数据至少包括目标用户的历史资源交换数据和行为特征数据,行为特征数据用于指示目标用户的生活习惯和生活位置,目标用户的历史资源交换数据为目标用户已经完成的资源交换的数据;
S2,根据目标用户的特征数据确定目标用户为进行资源交换所需提交的待交换的资源的数量为第一数值,其中,在预定的目标事件发生时,进行资源交换;
S3,在获取到目标用户提交的数量为第一数值的资源之后,在确定目标事件发生的情况下,向目标用户返回数量为第二数值的资源,其中,第二数值与目标事件对应。
可选地,存储介质还被设置为存储用于执行以下步骤的程序代码:采集样本数据;对样本数据进行分类,得到各个类别的样本特征数据和各个类别的样本历史资源交换数据;根据各个类别的样本特征数据和样本各个类别的历史资源交换数据的对应关系建立预测模型,其中,预测模型用于确定目标用户的特征数据对应的第一数值。
可选地,存储介质还被设置为存储用于执行以下步骤的程序代码:计算每个类别的样本特征数据与样本历史资源交换数据的相关性系数;筛选相关性系数超过预设阈值的类别作为目标类别;根据目标类别的样本特征数据和样本历史资源交换数据的对应关系建立预测模型。
可选地,存储介质还被设置为存储用于执行以下步骤的程序代码:对每个类别的样本特征数据进行离散化,得到离散化数据;基于离散化数据建立每个类别的样本特征数据与样本历史资源交换数据对应关系的子模型;根据子模型计算每个类别的特征数据与样本历史资源交换数据的相关性系数。
可选地,存储介质还被设置为存储用于执行以下步骤的程序代码:对每个类别的样本特征数据进行等距离散化,得到等距离散化数据;对每个类别的样本特征数据进行等样本点离散化,得到等样本点离散化数据;基于等距离散化数据建立每个类别的样本数据与样本历史资源交换数据对应关系的第一子模型;基于等样本点离散化数据建立每个类别的样本数据与样本历史资源交换数据对应关系的第二子模型;分别计算第一子模型和第二子模型的模型区分能力参数,其中,模型区分能力参数用于指示模型的准确度;将模型区分能力参数大的子模型作为每个类别的样本特征数据与样本历史资源交换数据对应关系的子模型。
可选地,存储介质还被设置为存储用于执行以下步骤的程序代码:读取目标用户的特征数据;将目标用户的特征数据导入预测模型,得到对应的各个类别的资源交换数据的概率;计算各个类别的资源交换数据的概率与预设的各个类别的资源交换数据的平均值的加权和,基于加权和得到第一数值。
可选地,存储介质还被设置为存储用于执行以下步骤的程序代码:每隔预设时间采集新的样本数据;根据新的样本数据对预测模型进行更新,得到更新后的预测模型。
可选地,本实施例中的具体示例可以参考上述其他一实施例中所描述的示例,本实施例在此不再赘述。
可选地,在本实施例中,上述存储介质可以包括但不限于:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
上述实施例中的集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在上述计算机可读取的存储介质中。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或者该技术方案的全部或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存储介质中,包括若干指令用以使得一台或多台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的客户端,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述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,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (15)
1.一种资源交换方法,其特征在于,包括:
获取待进行资源交换的目标用户的特征数据,其中,所述特征数据至少包括所述目标用户的历史资源交换数据和行为特征数据,所述行为特征数据用于指示所述目标用户的生活习惯和生活位置,所述目标用户的历史资源交换数据为所述目标用户已经完成的资源交换的数据;
根据所述目标用户的特征数据确定所述目标用户为进行所述资源交换所需提交的待交换的资源的数量为第一数值,其中,在预定的目标事件发生时,进行所述资源交换;
在获取到所述目标用户提交的数量为所述第一数值的资源之后,在确定所述目标事件发生的情况下,向所述目标用户返回数量为第二数值的资源,其中,所述第二数值与所述目标事件对应。
2.根据权利要求1所述的方法,其特征在于,在根据所述目标用户的特征数据确定所述目标用户为进行所述资源交换所需提交的待交换的资源的数量为第一数值之前,所述方法还包括:
采集样本数据;
对所述样本数据进行分类,得到各个类别的样本特征数据和各个类别的样本历史资源交换数据;
根据所述各个类别的样本特征数据和样本各个类别的历史资源交换数据的对应关系建立预测模型,其中,所述预测模型用于确定所述目标用户的特征数据对应的所述第一数值。
3.根据权利要求2所述的方法,其特征在于,根据所述各个类别的样本特征数据和样本各个类别的历史资源交换数据的对应关系建立预测模型包括:
计算每个类别的样本特征数据与样本历史资源交换数据的相关性系数;
筛选所述相关性系数超过预设阈值的类别作为目标类别;
根据所述目标类别的样本特征数据和所述样本历史资源交换数据的对应关系建立所述预测模型。
4.根据权利要求3所述的方法,其特征在于,计算每个类别的样本特征数据与样本历史资源交换数据的相关性系数包括:
对每个类别的样本特征数据进行离散化,得到离散化数据;
基于所述离散化数据建立每个类别的样本特征数据与所述样本历史资源交换数据对应关系的子模型;
根据所述子模型计算每个类别的特征数据与所述样本历史资源交换数据的相关性系数。
5.根据权利要求4所述的方法,其特征在于,
对每个类别的样本特征数据进行离散化,得到离散化数据包括:对每个类别的样本特征数据进行等距离散化,得到等距离散化数据;对每个类别的样本特征数据进行等样本点离散化,得到等样本点离散化数据;
基于所述离散化数据建立每个类别的样本特征数据与所述样本历史资源交换数据对应关系的子模型包括:基于所述等距离散化数据建立每个类别的样本数据与所述样本历史资源交换数据对应关系的第一子模型;基于所述等样本点离散化数据建立每个类别的样本数据与所述样本历史资源交换数据对应关系的第二子模型;
根据所述子模型计算每个类别的特征数据与所述样本历史资源交换数据的相关性系数包括:分别计算所述第一子模型和所述第二子模型的模型区分能力参数,其中,所述模型区分能力参数用于指示所述模型的准确度;将所述模型区分能力参数大的子模型作为每个类别的样本特征数据与所述样本历史资源交换数据对应关系的所述子模型。
6.根据权利要求2所述的方法,其特征在于,根据所述目标用户的特征数据确定所述目标用户为进行所述资源交换所需提交的待交换的资源的数量为第一数值包括:
读取所述目标用户的特征数据;
将所述目标用户的特征数据导入所述预测模型,得到对应的各个类别的资源交换数据的概率;
计算所述各个类别的资源交换数据的概率与预设的各个类别的资源交换数据的平均值的加权和,基于所述加权和得到所述第一数值。
7.根据权利要求2所述的方法,其特征在于,在根据所述各个类别的样本特征数据和样本各个类别的历史资源交换数据的对应关系建立预测模型之后,所述方法还包括:
每隔预设时间采集新的样本数据;
根据所述新的样本数据对所述预测模型进行更新,得到更新后的预测模型。
8.一种资源交换装置,其特征在于,包括:
获取单元,用于获取待进行资源交换的目标用户的特征数据,其中,所述特征数据至少包括所述目标用户的历史资源交换数据和行为特征数据,所述行为特征数据用于指示所述目标用户的生活习惯和生活位置,所述目标用户的历史资源交换数据为所述目标用户已经完成的资源交换的数据;
确定单元,用于根据所述目标用户的特征数据确定所述目标用户为进行所述资源交换所需提交的待交换的资源的数量为第一数值,其中,在预定的目标事件发生时,进行所述资源交换;
处理单元,用于在获取到所述目标用户提交的数量为所述第一数值的资源之后,在确定所述目标事件发生的情况下,向所述目标用户返回数量为第二数值的资源,其中,所述第二数值与所述目标事件对应。
9.根据权利要求8所述的装置,其特征在于,所述装置还包括:
采集单元,用于在根据所述目标用户的特征数据确定所述目标用户为进行所述资源交换所需提交的待交换的资源的数量为第一数值之前,采集样本数据;
分类单元,用于对所述样本数据进行分类,得到各个类别的样本特征数据和各个类别的样本历史资源交换数据;
建模单元,用于根据所述各个类别的样本特征数据和样本各个类别的历史资源交换数据的对应关系建立预测模型,其中,所述预测模型用于确定所述目标用户的特征数据对应的所述第一数值。
10.根据权利要求9所述的装置,其特征在于,所述建模单元包括:
计算模块,用于计算每个类别的样本特征数据与样本历史资源交换数据的相关性系数;
筛选模块,用于筛选所述相关性系数超过预设阈值的类别作为目标类别;
建立模块,用于根据所述目标类别的样本特征数据和所述样本历史资源交换数据的对应关系建立所述预测模型。
11.根据权利要求10所述的装置,其特征在于,所述计算模块包括:
离散化子模块,用于对每个类别的样本特征数据进行离散化,得到离散化数据;
建立子模块,用于基于所述离散化数据建立每个类别的样本特征数据与所述样本历史资源交换数据对应关系的子模型;
计算子模块,用于根据所述子模型计算每个类别的特征数据与所述样本历史资源交换数据的相关性系数。
12.根据权利要求11所述的装置,其特征在于,
所述离散化子模块用于:对每个类别的样本特征数据进行等距离散化,得到等距离散化数据;对每个类别的样本特征数据进行等样本点离散化,得到等样本点离散化数据;
所述建立子模块用于:基于所述等距离散化数据建立每个类别的样本数据与所述样本历史资源交换数据对应关系的第一子模型;基于所述等样本点离散化数据建立每个类别的样本数据与所述样本历史资源交换数据对应关系的第二子模型;
所述计算子模块包括:分别计算所述第一子模型和所述第二子模型的模型区分能力参数,其中,所述模型区分能力参数用于指示所述模型的准确度;将所述模型区分能力参数大的子模型作为每个类别的样本特征数据与所述样本历史资源交换数据对应关系的所述子模型。
13.根据权利要求9所述的装置,其特征在于,所述确定单元包括:
读取模块,用于读取所述目标用户的特征数据;
导入模块,用于将所述目标用户的特征数据导入所述预测模型,得到对应的各个类别的资源交换数据的概率;
计算模块,用于计算所述各个类别的资源交换数据的概率与预设的各个类别的资源交换数据的平均值的加权和,基于所述加权和得到所述第一数值。
14.一种存储介质,其特征在于,所述存储介质包括存储的程序,其中,所述程序运行时执行所述权利要求1至7任一项中所述的方法。
15.一种电子装置,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,其特征在于,所述处理器通过所述计算机程序执行所述权利要求1至7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710989661.5A CN109685238A (zh) | 2017-10-19 | 2017-10-19 | 资源交换方法和装置、存储介质及电子装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710989661.5A CN109685238A (zh) | 2017-10-19 | 2017-10-19 | 资源交换方法和装置、存储介质及电子装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109685238A true CN109685238A (zh) | 2019-04-26 |
Family
ID=66184234
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710989661.5A Pending CN109685238A (zh) | 2017-10-19 | 2017-10-19 | 资源交换方法和装置、存储介质及电子装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109685238A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111523809A (zh) * | 2020-04-24 | 2020-08-11 | 浙江大搜车软件技术有限公司 | 一种对象交互方法及装置 |
CN112307308A (zh) * | 2019-07-26 | 2021-02-02 | 腾讯科技(深圳)有限公司 | 一种数据处理方法、装置、设备及介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101072226A (zh) * | 2006-12-30 | 2007-11-14 | 腾讯科技(深圳)有限公司 | 一种网格计算方法及系统 |
CN104751365A (zh) * | 2013-12-27 | 2015-07-01 | 中国科学院沈阳自动化研究所 | 医疗保险实时保费计算方法 |
CN106022900A (zh) * | 2016-08-08 | 2016-10-12 | 北京京东尚科信息技术有限公司 | 用户风险数据挖掘方法和装置 |
CN106296193A (zh) * | 2015-05-27 | 2017-01-04 | 阿里巴巴集团控股有限公司 | 用于虚拟资源操作的风险控制方法和装置 |
CN106530089A (zh) * | 2015-09-15 | 2017-03-22 | 平安科技(深圳)有限公司 | 保险理赔额度的获取方法及服务器 |
WO2017133615A1 (zh) * | 2016-02-03 | 2017-08-10 | 腾讯科技(深圳)有限公司 | 一种业务参数获取方法及装置 |
-
2017
- 2017-10-19 CN CN201710989661.5A patent/CN109685238A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101072226A (zh) * | 2006-12-30 | 2007-11-14 | 腾讯科技(深圳)有限公司 | 一种网格计算方法及系统 |
CN104751365A (zh) * | 2013-12-27 | 2015-07-01 | 中国科学院沈阳自动化研究所 | 医疗保险实时保费计算方法 |
CN106296193A (zh) * | 2015-05-27 | 2017-01-04 | 阿里巴巴集团控股有限公司 | 用于虚拟资源操作的风险控制方法和装置 |
CN106530089A (zh) * | 2015-09-15 | 2017-03-22 | 平安科技(深圳)有限公司 | 保险理赔额度的获取方法及服务器 |
WO2017133615A1 (zh) * | 2016-02-03 | 2017-08-10 | 腾讯科技(深圳)有限公司 | 一种业务参数获取方法及装置 |
CN106022900A (zh) * | 2016-08-08 | 2016-10-12 | 北京京东尚科信息技术有限公司 | 用户风险数据挖掘方法和装置 |
Non-Patent Citations (2)
Title |
---|
李贤: "电子商务用户资源管理中数据挖掘技术的应用", 《现代商贸工业》 * |
谢邦昌等: "数据挖掘在保险业中的应用", 《统计与信息论坛》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112307308A (zh) * | 2019-07-26 | 2021-02-02 | 腾讯科技(深圳)有限公司 | 一种数据处理方法、装置、设备及介质 |
CN111523809A (zh) * | 2020-04-24 | 2020-08-11 | 浙江大搜车软件技术有限公司 | 一种对象交互方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Matthiopoulos et al. | Establishing the link between habitat selection and animal population dynamics | |
Manson et al. | Agent-based modeling of deforestation in southern Yucatan, Mexico, and reforestation in the Midwest United States | |
CN109003143A (zh) | 利用深度强化学习进行推荐营销的方法及装置 | |
Maharjan et al. | A multi-actor multi-objective optimization approach for locating temporary logistics hubs during disaster response | |
CN109285075A (zh) | 一种理赔风险评估方法、装置及服务器 | |
CN108108821A (zh) | 模型训练方法及装置 | |
CN107885796A (zh) | 信息推荐方法及装置、设备 | |
CN106663258A (zh) | 通过混合的基于统计和用户测量方法测量多屏幕互联网用户概况、交易行为和用户群体结构 | |
CN108985638A (zh) | 一种用户投资风险评估方法和装置以及存储介质 | |
CN105122293A (zh) | 用于记录和处理与活动相关的数据的方法和系统 | |
CN110069706A (zh) | 数据处理的方法、端侧设备、云侧设备和端云协同系统 | |
CN103649981A (zh) | 用于输送目标内容的方法和装置 | |
CN110309434A (zh) | 一种轨迹数据处理方法、装置以及相关设备 | |
CN110008397A (zh) | 一种推荐模型训练方法及装置 | |
CN115205695B (zh) | 一种根据种植数据确定种植策略的方法和系统 | |
CN108304853A (zh) | 游戏相关度的获取方法、装置、存储介质和电子装置 | |
CN109614414A (zh) | 一种用户信息的确定方法及装置 | |
CN109949103A (zh) | 一种数据处理方法、装置及电子设备 | |
CN110472798A (zh) | 时间序列数据的预测方法、装置及计算机可读存储介质 | |
CN110415036A (zh) | 用户等级的确定方法、装置、计算机设备和存储介质 | |
CN109685238A (zh) | 资源交换方法和装置、存储介质及电子装置 | |
CN109977979A (zh) | 定位种子用户的方法、装置、电子设备和存储介质 | |
JP5785830B2 (ja) | 資産評価システム、及び、住民活動予測システム | |
CN108389314A (zh) | 一种售药机及其药品库存管理方法、存储介质 | |
CN112449002A (zh) | 一种待推送对象的推送方法、装置、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |