CN109711733A - 用于生成聚类模型的方法、电子设备和计算机可读介质 - Google Patents
用于生成聚类模型的方法、电子设备和计算机可读介质 Download PDFInfo
- Publication number
- CN109711733A CN109711733A CN201811620245.9A CN201811620245A CN109711733A CN 109711733 A CN109711733 A CN 109711733A CN 201811620245 A CN201811620245 A CN 201811620245A CN 109711733 A CN109711733 A CN 109711733A
- Authority
- CN
- China
- Prior art keywords
- account
- data
- predetermined quantity
- target
- cluster result
- 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 106
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 143
- 238000011156 evaluation Methods 0.000 claims abstract description 81
- 238000012545 processing Methods 0.000 claims abstract description 24
- 238000004140 cleaning Methods 0.000 claims description 39
- 238000003860 storage Methods 0.000 claims description 15
- 230000007246 mechanism Effects 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 235000013399 edible fruits Nutrition 0.000 claims description 4
- 230000002265 prevention Effects 0.000 abstract description 10
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000012549 training Methods 0.000 description 7
- 230000006854 communication Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 6
- 238000013107 unsupervised machine learning method Methods 0.000 description 6
- 235000018185 Betula X alpestris Nutrition 0.000 description 5
- 235000018212 Betula X uliginosa Nutrition 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 230000005291 magnetic effect Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000032696 parturition Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 235000000060 Malva neglecta Nutrition 0.000 description 1
- 241000219071 Malvaceae Species 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 210000003127 knee Anatomy 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000032258 transport Effects 0.000 description 1
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请实施例公开了用于生成聚类模型的方法、电子设备和计算机可读介质。该方法的一具体实施方式包括：获取目标账号集合中的账号的数据，得到针对目标账号集合的数据集合，其中，账号为产品服务提供方的账号；对于数据集合中的数据，采用第一预定数量个聚类算法对该数据进行第一预定数量次聚类处理，得到第一预定数量个聚类结果；采用第二预定数量个聚类算法评价指标，对第一预定数量个聚类结果中的聚类结果进行评价，以从第一预定数量个聚类结果中确定目标聚类结果；基于目标聚类结果，生成聚类模型。该实施方式提高了生成聚类模型的灵活性，有助于实现针对不同类别的产品服务提供方的差异化管理和个性化运营，有助于实现更及时的风险防控。
Description
技术领域
本申请实施例涉及计算机技术领域，具体涉及用于生成聚类模型的方法、电子设备和计算机可读介质。
背景技术
支付平台的运营人员通常会根据产品服务提供方的特点，对不同的产品服务提供方采用不同的运营方式，以提高运营效益。
例如，当产品服务提供方在一定时间段内，存在高频、大额的价值资源交换行为(例如交易行为)时，该产品服务提供方可能属于风险产品服务提供方。这种情况下，该产品服务提供方的账户可能存在被盗的风险，或者，该产品服务提供方获得的大额资金可能是通过非法手段或其他不正当手段获取的。
此外，不同的产品服务提供方，其所感兴趣的信息通常是不同的。在此场景下，运营人员也可以根据产品服务提供方的特点确定其所感兴趣的信息，进而实现更具针对性的信息推送，实现平台个性化的运营和管理。
然而，目前一般依赖运营人员的个人经验，人工对产品服务提供方进行分类以确定不同产品服务提供方的特点，效率较低且无法保证准确性。
发明内容
本申请实施例提出了用于生成聚类模型的方法、电子设备和计算机可读介质。
第一方面，本申请实施例提供了一种用于生成聚类模型的方法，该方法包括：获取目标账号集合中的账号的数据，得到针对目标账号集合的数据集合；对于数据集合中的数据，采用第一预定数量个聚类算法对该数据进行第一预定数量次聚类处理，得到第一预定数量个聚类结果；采用第二预定数量个聚类算法评价指标，对第一预定数量个聚类结果中的聚类结果进行评价，以从第一预定数量个聚类结果中确定目标聚类结果；基于目标聚类结果，生成聚类模型。
第二方面，本申请实施例提供了一种用于生成产品服务提供方的用户画像信息的方法，该方法包括：获取产品服务提供方的账号的数据；将数据输入至预先训练的聚类模型，以生成产品服务提供方的用户画像信息，其中，聚类模型是按照如上述用于生成聚类模型的方法中任一实施例的方法生成的。
第三方面，本申请实施例提供了一种用于生成聚类模型的装置，该装置包括：第一获取单元，被配置成获取目标账号集合中的账号的数据，得到针对目标账号集合的数据集合；聚类单元，被配置成对于数据集合中的数据，采用第一预定数量个聚类算法对该数据进行第一预定数量次聚类处理，得到第一预定数量个聚类结果；评价单元，被配置成采用第二预定数量个聚类算法评价指标，对第一预定数量个聚类结果中的聚类结果进行评价，以从第一预定数量个聚类结果中确定目标聚类结果；第一生成单元，被配置成基于目标聚类结果，生成聚类模型。
第四方面，本申请实施例提供了一种用于生成产品服务提供方的用户画像信息的装置，该装置包括：第二获取单元，被配置成获取产品服务提供方的账号的数据；第二生成单元，被配置成将数据输入至预先训练的聚类模型，以生成产品服务提供方的用户画像信息，其中，聚类模型是按照如上述用于生成聚类模型的方法中任一实施例的方法生成的。
第五方面，本申请实施例提供了一种用于生成聚类模型的电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当上述一个或多个程序被上述一个或多个处理器执行，使得该一个或多个处理器实现如上述用于生成聚类模型的方法中任一实施例的方法。
第六方面，本申请实施例提供了一种用于生成聚类模型的计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如上述用于生成聚类模型的方法中任一实施例的方法。
本申请实施例提供的用于生成聚类模型的方法、电子设备和计算机可读介质，通过获取目标账号集合中的账号的数据，得到针对目标账号集合的数据集合，而后，对于数据集合中的数据，采用第一预定数量个聚类算法对该数据进行第一预定数量次聚类处理，得到第一预定数量个聚类结果，之后，采用第二预定数量个聚类算法评价指标，对第一预定数量个聚类结果中的聚类结果进行评价，以从第一预定数量个聚类结果中确定目标聚类结果，最后，基于目标聚类结果，生成聚类模型，从而基于对账号的数据进行聚类处理，并采用聚类算法评价指标来对聚类处理的聚类结果进行评价，进而选择出目标聚类结果，再进一步生成聚类模型，由此提高了生成聚类模型的灵活性，有助于实现针对不同类别的产品服务提供方的差异化管理和个性化运营，有助于实现更及时的风险防控。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1是本申请的一个实施例可以应用于其中的示例性系统架构图；
图2是根据本申请的用于生成聚类模型的方法的一个实施例的流程图；
图3是根据本申请的用于生成聚类模型的方法的一个应用场景的示意图；
图4是根据本申请的用于生成聚类模型的方法的又一个实施例的流程图；
图5是根据本申请的用于生成产品服务提供方的用户画像信息的方法的一个实施例的流程图；
图6是根据本申请的用于生成产品服务提供方的用户画像信息的方法的又一个实施例的流程图；
图7是适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请实施例的用于生成聚类模型的方法或者用于生成产品服务提供方的用户画像信息的方法的实施例的示例性系统架构100。
如图1所示，系统架构100可以包括终端设备101、102、103，网络104和网络设备105。网络104用以在终端设备101、102、103和网络设备105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与网络设备105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是具有显示屏并且支持页面浏览的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture Experts Group Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(Moving Picture Experts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务的软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。
网络设备105可以是提供各种服务的网络设备，例如对终端设备101、102、103上显示的页面提供支持的后台服务器。后台服务器可以从终端设备101、102、103上显示的页面获取与账号(例如用户或者产品服务提供方的账号)相关的数据。例如，账号的类型(例如超市的账号、宾馆的账号等)，价值资源交换方式(例如交易方式)，价值资源交换时间(例如交易时间)，价值资源交换时长(例如交易时长)，价值资源的价值(例如交易价格)，价值资源交换次数(例如交易次数)，价值资源交换频率(例如交易频率)等。
需要说明的是，本申请实施例所提供的用于生成聚类模型的方法可以由网络设备105执行，相应地，用于生成聚类模型的装置可以设置于网络设备105中。此外，本申请实施例所提供的用于生成聚类模型的方法也可以由终端设备101、102、103执行，相应地，用于生成聚类模型的装置也可以设置于终端设备101、102、103中。类似的，本申请实施例所提供的用于生成产品服务提供方的用户画像信息的方法可以由网络设备105执行，相应地，用于生成产品服务提供方的用户画像信息的装置可以设置于网络设备105中。此外，本申请实施例所提供的用于生成产品服务提供方的用户画像信息的方法也可以由终端设备101、102、103执行，相应地，用于生成产品服务提供方的用户画像信息的装置也可以设置于终端设备101、102、103中。但需要说明的是，用于生成聚类模型的方法的执行主体，与用于生成产品服务提供方的用户画像信息的方法的执行主体可以相同，也可以不同，用于生成聚类模型的装置，与用于生成产品服务提供方的用户画像信息的装置可以设置于相同的电子设备(例如终端设备101、102、103，或者网络设备105)，也可以设置于不同的电子设备。
需要说明的是，网络设备可以是硬件，也可以是软件。当网络设备为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当网络设备为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务的软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解，图1中的终端设备、网络和网络设备的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和网络设备。当用于生成聚类模型方法运行于其上的电子设备(例如可以是终端设备101、102、103，也可以是网络设备105)不需要与其他电子设备进行数据传输时，该系统架构可以仅包括用于生成聚类模型方法运行于其上的电子设备。
继续参考图2，示出了根据本申请的用于生成聚类模型的方法的一个实施例的流程200。该用于生成聚类模型的方法，包括以下步骤：
步骤201，获取目标账号集合中的账号的数据，得到针对目标账号集合的数据集合。
在本实施例中，用于生成聚类模型的方法的执行主体(例如图1所示的网络设备或终端设备)可以通过有线连接方式或者无线连接方式从其他电子设备，或者本地获取目标账号集合中的账号的数据，得到针对目标账号集合的数据集合。其中，目标账号集合中的账号为产品服务提供方的账号。
上述目标账号集合可以是使用某个特定软件，或登录某个特定网站的产品服务提供方的账号的集合，也可以是使用某个特定软件，或登录某个特定网站的产品服务提供方中，属于某个特定类别的产品服务提供方的账号的集合。
在这里，产品服务提供方可以提供产品或者服务。例如，产品服务提供方可以是宾馆、超市、酒店、银行等等。
上述目标账号集合中的账号的数据可以是任意与目标账号集合中的账号存在联系的数据，也可以是按照预设的规则，确定出的数据。上述预设的规则可以是“如果一条数据是账号的价值资源交换信息(例如交易金额)，那么将该数据确定为与该账号的数据”。作为示例，与账号存在联系的数据可以是，账号的登录时间、登录时长等等。
在本实施例的一些可选的实现方式中，上述目标账号集合中的账号的数据可以包括以下至少一项：账号的类型(例如宾馆的账号、汽车维修厂的账号、酒店的账号、银行的账号等)，价值资源交换方式(例如线上交易方式、线下交易方式，或者银行卡交易方式、信用卡交易方式)，价值资源交换时间(例如交易时间)，价值资源交换时长(例如交易时长)，价值资源的价值(例如交易金额)，价值资源交换次数(例如交易次数)，价值资源交换频率(例如单位时间内的交易次数)，价值资源交换特征(例如交易标的物)。
在这里，上述目标账号集合中的账号的数据可以是经过爬虫等方式直接获取到的数据，也可以是对爬虫获取到的数据进行处理后得到的数据。上述针对目标账号集合的数据集合中的数据可以是所获取的、目标账号集合中的账号的数据，也可以是对获取的、目标账号集合中的账号的数据进行处理后得到的数据。
在本实施例的一些可选的实现方式中，上述数据集合中的数据是经过数据清洗后得到的数据。基于此，在执行上述步骤201之前，上述执行主体还可以执行如下步骤：
第一步，获取目标账号集合中的各个账号的初始数据。
在这里，上述初始数据可以是数据清洗前的账号的数据。例如，初始数据可以是上述执行主体或者其他电子设备通过爬虫直接获取到的数据。
第二步，对目标账号集合中的各个账号的初始数据进行数据清洗，得到目标账号集合中的各个账号的清洗数据。
在这里，上述执行主体可以根据预先确定的清洗规则来对数据进行清洗。作为示例，上述清洗规则可以包括“如果某一属性存在缺失的属性值，则采用针对该属性预先确定的默认值，或者该属性的属性值均值，或者该属性的属性值中出现次数最多的数值来填补该属性存在的属性值”。
其中，所获取的目标账号集合中的账号的数据可以包括属性和属性值。例如，目标账号集合中的账号的数据可以是“2018年11月1日价值资源交换次数：11；2018年11月2日价值资源交换次数：15”。其中，“价值资源交换次数”可以是属性，“11”、“15”可以是属性值。
第三步，根据目标账号集合中各个账号的清洗数据，得到数据集合。
在这里，上述执行主体可以直接将上述第二步中所得到的清洗数据的集合，确定为数据集合。
可以理解，通过数据清洗，可以使得后续步骤得到的聚类结果更准确。
在本实施例的一些可选的实现方式中，所得到的清洗数据包括属性和属性值。由此，对于上述第三步，上述执行主体还可以按照如下子步骤来执行：
第一子步骤，将目标账号集合中的各个账号的清洗数据所包括的属性对应的属性值中的最大值、属性对应的属性值的总和以及属性对应的属性值的平均值，确定为目标账号集合中的各个账号的特征数据。
可以理解，上述属性可以是上述产品服务提供方所提供的产品或服务的属性。例如，属性可以是：价格、价值资源交换时间、价值资源交换时长、价值资源的价值、价值资源交换次数或者价值资源交换频率。
第二子步骤，根据目标账号集合中的各个账号的清洗数据和特征数据，得到数据集合。
可以理解，通过确定最大值、总和以及平均值，可以从更多角度来分析产品服务提供方的账号的数据，由此，可以得到更全面的数据。
在本实施例的一些可选的实现方式中，上述第二子步骤可以包括：对目标账号集合中的各个账号的清洗数据和特征数据进行降维处理，得到数据集合。
在本实施例的一些可选的实现方式中，上述对目标账号集合中的各个账号的清洗数据和特征数据进行降维处理，可以包括：采用主成分分析方法(principal componentanalysis，PCA)，对目标账号集合中的各个账号的清洗数据和特征数据所包括的特征进行选择，以完成降维处理。
可选的，上述对所获取的数据进行降维处理，也可以包括采用如下至少一种方法，对所获取的数据进行降维处理：LDA(Linear Discriminant Analysis)算法、局部线性嵌入(LLE)。
上述用于对所获取的数据进行降维处理的方法是本领域技术人员广泛研究的公知技术，在此不再赘述。
需要说明的是，上述执行主体可以在将目标账号集合中的账号的数据、所确定的最大值、总和以及平均值的集合，确定为针对目标账号集合的数据集合之后，再对所确定的数据集合进行降维处理。
可以理解，经过降维处理，可以提高数据的处理速度。
步骤202，对于数据集合中的数据，采用第一预定数量个聚类算法对该数据进行第一预定数量次聚类处理，得到第一预定数量个聚类结果。
在本实施例中，上述执行主体可以采用第一预定数量个聚类算法，对步骤201得到的数据集合中的数据进行第一预定数量次聚类处理，得到第一预定数量个聚类结果。
上述第一预定数量可以为预先确定的正整数，例如，第一预定数量可以是1、2、3、4、5等等。
在本实施例的一些可选的实现方式中，第一预定数量大于等于二。
上述聚类算法可以包括但不限于以下至少一项：图论聚类法、模型聚类法、基于划分的聚类算法、基于层次的聚类算法、基于密度的聚类算法、基于网格的聚类算法。
在本实施例的一些可选的实现方式中，第一预定数量个聚类算法可以包括以下至少一项：基于划分的聚类算法、基于层次的聚类算法、基于密度的聚类算法、基于网格的聚类算法。
在本实施例的一些可选的实现方式中，上述基于划分的聚类算法可以包括以下至少一项：k-means、k-modes、k-medoids、k-prototypes，基于层次的聚类算法可以包括以下至少一项：BIRCH、CURE、CHEMALOEN，基于密度的聚类算法可以包括以下至少一项：DBSCAN、OPTICS，基于网格的聚类算法可以包括以下至少一项：STING、CLIQUE。
在本实施例的一些可选的实现方式中，上述第一预定数量个聚类算法可以包括如下聚类算法：k-means、k-modes、k-medoids、k-prototypes、BIRCH、CURE、CHEMALOEN、DBSCAN、OPTICS、STING、CLIQUE。
可选的，上述第一预定数量个聚类算法也可以是第一预定数量个同一聚类算法，例如第一预定数量个聚类算法可以是第一预定数量个k-means算法。
可以理解，聚类算法是无监督学习算法，不需要标记结果。可以按照内在相似性，将数据划分为多个类别使得类内相似性大，内间相似性小。当采用多个聚类算法时，可以得到多个不同的聚类结果。
在这里，上述聚类结果可以包括类簇中心点和/或簇标签描述(例如，可以用于表征账号的类别)。上述类簇中心可以用于表征属于某个特定类别的数据的特征值的平均值，或者，用于表征属于某个特定类别的数据的特征值中，与属于该类别的数据的特征值的平均值最接近的数据的特征值。上述数据的特征值可以是对数据进行特征(例如数据包括属性值等)提取而得到的数值。特征值可以通过数值、向量、矩阵等形式表征。
步骤203，采用第二预定数量个聚类算法评价指标，对第一预定数量个聚类结果中的聚类结果进行评价，以从第一预定数量个聚类结果中确定目标聚类结果。
在本实施例中，上述执行主体可以采用第二预定数量个聚类算法评价指标，对步骤202得到的第一预定数量个聚类结果中的聚类结果进行评价，从而从第一预定数量个聚类结果中确定目标聚类结果。
上述第二预定数量可以为预先确定的正整数，例如，第二预定数量可以是1、2、3、4、5等等。
在本实施例的一些可选的实现方式中，第二预定数量大于等于二。
在本实施例的一些可选的实现方式中，第二预定数量为奇数。
在本实施例的一些可选的实现方式中，步骤203可以包括以下步骤：
步骤一，采用第二预定数量个聚类算法评价指标，对第一预定数量个聚类结果中的聚类结果进行评价，得到评价结果。
在这里，第二预定数量个聚类算法评价指标可以包括内部聚类算法评价指标和/或外部聚类算法评价指标。
在本实施例的一些可选的实现方式中，第二预定数量个聚类算法评价指标包括内部聚类算法评价指标和外部聚类算法评价指标。
在本实施例的一些可选的实现方式中，内部聚类算法评价指标包括以下至少一项：轮廓系数Silhouette coefficient、Calinski-Harabaz，外部聚类算法评价指标包括以下至少一项：Rand Index、Adjust Rand Index、Adjusted Mutual Information、Fowlkes-Mallows index。
可选的，内部聚类算法评价指标也可以包括除上述所列举的内部聚类算法评价指标之外的其它内部聚类算法评价指标，例如，Davies-Bouldin Index(DBI)，Dunn Index(DI)等等。外部聚类算法评价指标也可以包括除上述所列举的外部聚类算法评价指标之外的其它内部聚类算法评价指标，例如，Jaccard Coefficient、Accuracy等等。
可以理解，外部聚类算法评价指标可以在真实聚类结果已知的情况下，衡量得到的聚类结果与真实聚类结果之间的吻合程度。内部评价指标可以在不能获得真实聚类结果的情况下，衡量得到的聚类结果本身的好坏情况(比如簇的内聚性，簇间独立性)。上述内部聚类算法评价指标和外部聚类算法评价指标是本领域的技术人员广泛研究的公知技术，在此不再赘述。
步骤二，基于评价结果，采用投票机制，从第一预定数量个聚类结果中确定目标聚类结果。
在这里，当步骤一中所得到的聚类结果的数量只有一个时，可以将步骤一中所得到的聚类结果作为目标聚类结果。当步骤一中所得到的聚类结果的数量有多个时，上述执行主体可以通过对步骤一中所得到的评价结果进行投票，以从第一预定数量个聚类结果中确定出一个或多个聚类结果作为目标聚类结果。
上述目标聚类结果可以是第一预定数量个聚类结果中，与真实聚类结果之间的吻合程度较高的一个或多个聚类结果和/或第一预定数量个聚类结果中簇的内聚性、簇间相对于其他聚类结果，独立性更好的一个或多个聚类结果。
可以理解，当第二预定数量为奇数时，采用投票机制更有助于从从多个聚类结果中确定出一个最准确的聚类结果作为目标聚类结果。作为示例，假设第二预定数量为3，第一预定数量为2，步骤202所得到的聚类结果包括：结果1和结果2。当采用投票机制，对结果1的投票数量为2，对结果2的投票数量为1时，可以将上述两个聚类结果中投票数量最多的聚类结果，确定为目标聚类结果。在这里，可以将结果1确定为目标聚类结果。
步骤204，基于目标聚类结果，生成聚类模型。
在本实施例中，上述执行主体可以基于目标聚类结果，生成聚类模型。其中，聚类模型可以用于表征与账号的数据，和账号的类别之间的对应关系。
作为示例，上述聚类模型可以是存储有与账号的数据，和账号的类别的二维表，例如，上述聚类模型可以是如下二维表：
可以理解，目标聚类结果中通常包含有簇标签描述(可以用于表征账号的类别)。由此，技术人员可以通过对与账号的数据以及所得到的聚类结果包含的账号的类别的统计，从而将统计后的与账号的数据，和账号的类别存储于上述执行主体，进而由上述执行主体生成聚类模型。
在一些使用情况下，在生成上述二维表之后，当向聚类模型输入与产品服务提供方的账号的数据时，上述执行主体可以提取产品服务提供方的账号的数据中的目标数据(该目标数据可以是上述二维表中包括的价值资源交换次数(例如“1”、“2”、“100”等))，然后将所提取的目标数据对应的账号的类别确定为该产品服务提供方的账号的类别。例如，假设所提取的目标数据为“1”，根据上表可知，价值资源交换次数为“1”时，其所对应的账号的类别为“1”，由此，上述执行主体可以将“1”确定为该产品服务提供方的账号的类别。作为示例，当上述账号的类别为“1”时，可以表征账号为安全账号，当上述账号的类别为“2”时，可以表征账号为风险账号。可选的，技术人员可以根据需求制定上述二维表，以及个账号类别表征的含义，本申请实施例对此不做限定。
可选的，上述生成的模型还可以是采用无监督的机器学习方法中的聚类算法，基于目标聚类结果，而生成的模型。例如，目标聚类结果可以包括多个类簇中心点和多个簇标签描述(例如，可以用于表征账号的类别)。当向聚类模型输入与产品服务提供方的账号的数据时，可以首先提取与产品服务提供方的账号的数据的特征值，然后在目标聚类结果包括的多个类簇中心点中，确定与所提取的特征值最接近(例如相似度最大)的类簇中心点，将所确定的类簇中心点对应的簇标签描述(即账号的类别)确定为该产品服务提供方的账号的类别。
在一些使用情况下，当上述生成的模型采用无监督的机器学习方法中的聚类方法得到时，可以将属于离群点或离群簇的聚类结果所对应的账号，确定为风险账号，将不属于离群点或离群簇的聚类结果所对应的账号，确定为非风险账号。在这里，账号的类别可以是风险账号或非风险账号。
继续参见图3，图3是根据本实施例的用于生成聚类模型的方法的应用场景的一个示意图。在图3的应用场景中，服务器301从终端设备集合302获取与目标账号集合(例如使用终端设备集合302中的各个终端设备的产品服务提供方的账号的集合)中的账号的数据3001，得到针对目标账号集合的数据集合3002。然后，服务器301采用第一预定数量(例如2)个聚类算法，对数据集合中的数据进行第一预定数量次聚类处理，得到第一预定数量个聚类结果3003。随后，服务器301采用第二预定数量(例如3)个聚类算法评价指标，对第一预定数量个聚类结果中的聚类结果进行评价，从而从第一预定数量个聚类结果中确定目标聚类结果3004。例如，服务器可以对第一预定数量个聚类结果3003进行投票，将获得票数最多的聚类结果作为目标聚类结果。最后，服务器301基于目标聚类结果3004，生成了聚类模型3005。例如，聚类模型可以是采用非监督的机器学习算法中的聚类算法训练得到的聚类模型。
本申请的上述实施例提供的方法，通过基于对账号的数据进行聚类处理，并采用聚类算法评价指标来对聚类处理的聚类结果进行评价，进而选择出目标聚类结果，再进一步生成聚类模型，由此提高了生成聚类模型的灵活性，有助于实现针对不同类别的产品服务提供方的差异化管理和个性化运营，有助于实现更及时的风险防控。
进一步参考图4，其示出了用于生成聚类模型的方法的又一个实施例的流程400。其中，图4所示方法中，与图2所示方法相同或相似的内容，可以参考图2中的详细介绍，后续不再赘述。该用于生成聚类模型的方法的流程400，包括以下步骤：
步骤401，获取目标账号集合中的各个账号的初始数据。
在本实施例中，用于生成聚类模型的方法的执行主体(例如图1所示的网络设备或终端设备)可以通过有线连接方式或者无线连接方式从其他电子设备，或者本地获取目标账号集合中的各个账号的初始数据。
上述目标账号集合中的账号可以是产品服务提供方(例如商户)的账号。
上述目标账号集合中的账号的数据可以是任意与目标账号集合中的账号存在联系的数据，也可以是按照预设的规则，确定出的数据。上述预设的规则可以是“如果一条数据是账号的价值资源交换信息(例如交易金额)，那么将该数据确定为与该账号的数据”。作为示例，与账号存在联系的数据可以是，账号的登录时间、登录时长等等。
示例性的，上述目标账号集合中的账号的数据可以包括：账号的类型(例如宾馆的账号、汽车维修厂的账号、酒店的账号、银行的账号等)，价值资源交换方式(例如线上交易方式、线下交易方式，或者银行卡交易方式、信用卡交易方式)，价值资源交换时间(例如交易时间)，价值资源交换时长(例如交易时长)，价值资源的价值(例如交易金额)，价值资源交换次数(例如交易次数)，价值资源交换频率(例如单位时间内的交易次数)，以及价值资源交换特征(例如交易标的物)。
在这里，上述初始数据可以是数据清洗前的账号的数据。例如，初始数据可以是上述执行主体或者其他电子设备通过爬虫直接获取到的数据。
步骤402，对目标账号集合中的各个账号的初始数据进行数据清洗，得到目标账号集合中的各个账号的清洗数据。
在本实施例中，上述执行主体可以对目标账号集合中的各个账号的初始数据进行数据清洗，得到目标账号集合中的各个账号的清洗数据。
在这里，上述执行主体可以根据预先确定的清洗规则来对数据进行清洗。作为示例，上述清洗规则可以包括“如果某一属性存在缺失的属性值，则采用针对该属性预先确定的默认值，或者该属性的属性值均值，或者该属性的属性值中出现次数最多的数值来填补该属性存在的属性值”。
可以理解，通过数据清洗，可以使得后续步骤得到的聚类结果更准确。
步骤403，将目标账号集合中的各个账号的清洗数据所包括的属性对应的属性值中的最大值、属性对应的属性值的总和以及属性对应的属性值的平均值，确定为目标账号集合中的各个账号的特征数据。
在本实施例中，上述执行主体可以将目标账号集合中的各个账号的清洗数据所包括的属性对应的属性值中的最大值、属性对应的属性值的总和以及属性对应的属性值的平均值，确定为目标账号集合中的各个账号的特征数据。
步骤404，根据目标账号集合中的各个账号的清洗数据和特征数据，得到数据集合。
在本实施例中，上述执行主体可以根据目标账号集合中的各个账号的清洗数据和特征数据，得到数据集合。
作为示例，上述执行主体可以将目标账号集合中的各个账号的清洗数据和特征数据的集合，确定为数据集合。
作为又一示例，上述执行主体也可以采用主成分分析方法，对目标账号集合中的各个账号的清洗数据和特征数据所包括的特征进行选择，以完成降维处理，从而得到数据集合。
步骤405，对于数据集合中的数据，采用第一预定数量个聚类算法对该数据进行第一预定数量次聚类处理，得到第一预定数量个聚类结果。
在本实施例中，上述执行主体可以对于数据集合中的数据，采用第一预定数量个聚类算法对该数据进行第一预定数量次聚类处理，得到第一预定数量个聚类结果。其中，第以预定数量可以是大于1的正整数。
在这里，上述第一预定数量个聚类算法可以包括基于划分的聚类算法、基于层次的聚类算法、基于密度的聚类算法和基于网格的聚类算法。具体地，上述基于划分的聚类算法可以包括：k-means、k-modes、k-medoids、k-prototypes，基于层次的聚类算法可以包括：BIRCH、CURE、CHEMALOEN，基于密度的聚类算法可以包括：DBSCAN、OPTICS，基于网格的聚类算法可以包括：STING、CLIQUE。
步骤406，采用第二预定数量个聚类算法评价指标，对第一预定数量个聚类结果中的聚类结果进行评价，得到评价结果。
在本实施例中，上述执行主体还可以采用第二预定数量个聚类算法评价指标，对第一预定数量个聚类结果中的聚类结果进行评价，得到评价结果。其中，第二预定数量可以是大于2的奇数。
在这里，上述第二预定数量个聚类算法评价指标可以包括内部聚类算法评价指标和外部聚类算法评价指标。具体地，上述内部聚类算法评价指标可以包括：轮廓系数Silhouette coefficient、Calinski-Harabaz，外部聚类算法评价指标可以包括：RandIndex、Adjust Rand Index、Adjusted Mutual Information、Fowlkes-Mallows index。
步骤407，基于评价结果，采用投票机制，从第一预定数量个聚类结果中确定目标聚类结果。
在本实施例中，上述执行主体可以基于评价结果，采用投票机制，从第一预定数量个聚类结果中确定目标聚类结果。
在这里，步骤405中所得到的聚类结果的数量为多个，因而，上述执行主体可以通过对步骤405中所得到的评价结果进行投票，以从第一预定数量个聚类结果中确定出一个聚类结果作为目标聚类结果。
上述目标聚类结果可以是第一预定数量个聚类结果中，与真实聚类结果之间的吻合程度较高的一个聚类结果或第一预定数量个聚类结果中簇的内聚性、簇间独立性最好的一个聚类结果。
步骤408，基于目标聚类结果，生成聚类模型。
在本实施例中，上述执行主体可以基于目标聚类结果，生成聚类模型。
在这里，上述步骤406和步骤408分别图2对应实施例中的步骤202和步骤204基本一致，这里不再赘述。
从图4中可以看出，本实施例中的用于生成聚类模型的方法的流程400首先对初始数据进行数据清洗，得到清洗数据和特征数据，以及基于对账号的数据进行多次聚类处理，并采用多个聚类算法评价指标来对上述多个聚类结果进行评价，进而选择出目标聚类结果，再进一步生成聚类模型，由此进一步提高了生成聚类模型的灵活性，有助于得到具有更准确的聚类效果的聚类模型，有助于实现针对不同类别的产品服务提供方的差异化管理和个性化运营，有助于实现更及时的风险防控。此外，由于进行了数据清洗，因而可以使得所得到的聚类结果更准确，更迅速。
继续参考图5，示出了根据本申请的用于生成产品服务提供方的用户画像信息的方法的一个实施例的流程500。该用于生成产品服务提供方的用户画像信息的方法，包括以下步骤：
步骤501，获取目标账号集合中的账号的数据，得到针对目标账号集合的数据集合。
步骤502，对于数据集合中的数据，采用第一预定数量个聚类算法对该数据进行第一预定数量次聚类处理，得到第一预定数量个聚类结果。
步骤503，采用第二预定数量个聚类算法评价指标，对第一预定数量个聚类结果中的聚类结果进行评价，以从第一预定数量个聚类结果中确定目标聚类结果。
步骤504，基于目标聚类结果，生成聚类模型。
在本实施例中，上述步骤501-步骤504分别图2对应实施例中的步骤201-步骤204基本一致，这里不再赘述。
步骤505，获取产品服务提供方的账号的数据。
在本实施例中，用于生成产品服务提供方的用户画像信息的方法的执行主体(例如图1所示的网络设备或终端设备)可以获取产品服务提供方的账号的数据。
上述产品服务提供方的账号可以是待对其进行分类，以得到其所属的类别，进而生成其用户画像信息的账号。
上述产品服务提供方的账号的数据可以是任意与产品服务提供方存在联系的数据，也可以是按照预设的规则，确定出的数据。上述预设的规则可以是“如果一条数据是账号的价值资源交换信息(例如交易金额)，那么将该数据确定为与该账号的数据”。作为示例，与账号存在联系的数据可以是，账号的登录时间、登录时长等等。
在本实施例的一些可选的实现方式中，上述与产品服务提供方的账号的数据可以包括以下至少一项：账号的类型(例如宾馆的账号、汽车维修厂的账号、酒店的账号、银行的账号等)，价值资源交换方式(例如线上交易方式、线下交易方式，或者银行卡交易方式、信用卡交易方式)，价值资源交换时间(例如交易时间)，价值资源交换时长(例如交易时长)，价值资源的价值(例如交易金额)，价值资源交换次数(例如交易次数)，价值资源交换频率(例如单位时间内的交易次数)，以及价值资源交换特征(例如交易标的物)。
在这里，上述与产品服务提供方的账号的数据可以是经过爬虫等方式直接获取到的数据，也可以是对爬虫获取到的数据进行处理(例如数据标准化处理、数据清洗等)后得到的数据。
步骤506，将数据输入至预先训练的聚类模型，以生成产品服务提供方的用户画像信息。
在本实施例中，上述执行主体可以将步骤505所获取到的数据输入至上述聚类模型，以生成产品服务提供方的用户画像信息。其中，聚类模型可以用于表征与账号的数据，和账号的类别之间的对应关系。具体地，聚类模型的生成方法可以是参照图2或图4所示实施例描述的方法，此处不做赘述。
在一些使用情况下，上述聚类模型可以通过二维表来表征，在此应用场景下，当向聚类模型输入与产品服务提供方的账号的数据时，上述执行主体可以通过二维表，确定产品服务提供方的账号类别。
可选的，上述生成的模型还可以是采用无监督的机器学习方法中的聚类算法，基于目标聚类结果，而生成的模型。例如，目标聚类结果可以包括多个类簇中心点和多个簇标签描述(例如，可以用于表征账号的类别)。当向聚类模型输入与产品服务提供方的账号的数据时，可以首先提取与产品服务提供方的账号的数据的特征值，然后在目标聚类结果包括的多个类簇中心点中，确定与所提取的特征值最接近(例如相似度最大)的类簇中心点，将所确定的类簇中心点对应的簇标签描述(即账号的类别)确定为该产品服务提供方的账号的类别。
在一些使用情况下，当将上述生成的模型采用无监督的机器学习方法中的聚类算法得到时，如果将数据输入至该聚类模型后，该聚类模型输出的结果属于离群点或离群簇，那么，可以将所输入的数据对应的账号，确定为风险账号。如果该聚类模型输出的结果并非属于离群点或离群簇，那么，可以将所输入的数据对应的账号，确定为非风险账号。在这里，账号的类别可以是风险账号或者非风险账号。
在本实施例的一些可选的实现方式中，上述执行主体可以采用如下方式来执行步骤506：
首先，将数据输入至预先训练的聚类模型，以生成产品服务提供方的账号的类别。
然后，基于类别，生成产品服务提供方的用户画像信息。
在这里，上述执行主体可以将所生成的类别，或者生成的类别表征的含义，直接确定为产品服务提供方的账号的使用者的用户画像信息。例如，如果在步骤506中，所生成的产品服务提供方的账号的类别表征产品服务提供方的信用等级为优，那么，该产品服务提供方的账号的使用者的用户画像信息可以是“信用等级：优”。
可以理解，技术人员可以根据实际需求设定用户画像信息的生成规则，本申请实施例对此不做限定。
在本实施例的一些可选的实现方式中，若类别属于预先确定的类别集合，那么，上述执行主体还可以关闭产品服务提供方的账号的目标操作权限。其中，目标操作权限可以是针对上述预先确定的类别集合而设置的操作权限。
作为示例，假设步骤506所生成的类别可以是以下之一：信用等级：优，信用等级：良，信用等级：中，信用等级：差。上述预先确定的类别集合中的类别为“信用等级：差”。目标操作权限为“价值资源的价值大于1000的价值资源交换权限(例如交易金额大于1000的交易权限)”。在此基础上，在此应用场景下，如果步骤506所生成的类别为“信用等级：差”，那么，上述执行主体可以关闭该产品服务提供方的账号的价值资源的价值大于1000的价值资源交换权限(例如交易金额大于1000的交易权限)。
可以理解，通过针对预先确定的类别集合设置操作权限，可以实现管理者对不同类别的产品服务提供方的差异化管理，从而实现个性化的运营。当确定产品服务提供方(例如商户)所使用的账号属于风险账号类别时，上述执行主体可以采用有效的风险防范措施，从而避免个人用户的损失，由此，有助于保障个人用户的财产安全。
在本实施例的一些可选的实现方式中，上述执行主体还可以执行如下步骤：
步骤一，将步骤506所得到的类别输入预先训练的操作标识生成模型，得到针对产品服务提供方的账号的操作标识。其中，操作标识生成模型用于表征类别和操作标识之间的对应关系。操作标识可以用于标识操作或者操作序列。例如，操作标识“1”可以用于标识操作“关闭价值资源交换权限”，操作标识“2”可以用于标识操作“关闭价值资源交换频率大于3次每分钟的权限”。
在这里，上述操作标识生成模型可以是存储有类别和操作标识的二维表或者数据库。
可选的，上述操作标识生成模型也可以是采用机器学习算法，基于训练样本集合，对初始模型(例如卷积神经网络等)进行训练而得到的模型。上述训练样本可以包括类别和类别对应的操作标识。
上述利用机器学习方法训练得到模型的技术，是本领域人员广泛研究的公知技术，在此不再赘述。
步骤二，对产品服务提供方的账号执行所得到的操作标识指示的操作。
作为示例，假设操作标识“1”可以用于标识操作“关闭价值资源交换权限”，操作标识“2”可以用于标识操作“关闭价值资源交换频率大于3次每分钟的权限”。那么，当将步骤506所得到的类别输入上述操作标识生成模型，得到的操作标识为“1”时，上述执行主体可以关闭上述产品服务提供方的账号的价值资源交换权限，当将步骤506所得到的类别输入上述操作标识生成模型，得到的操作标识为“2”时，上述执行主体可以关闭上述产品服务提供方的账号的价值资源交换频率大于3次每分钟的权限。
可以理解，通过针对属于各个类别的账号设置操作标识，以执行操作标识所标识的操作，可以实现管理者对不同类别的产品服务提供方的差异化管理，从而实现个性化的运营。当确定产品服务提供方(例如商户)所使用的账号属于风险账号类别时，上述执行主体可以采用有效的风险防范措施，从而避免个人用户的损失，由此，有助于保障个人用户的财产安全。
本申请的上述实施例提供的方法，通过将与产品服务提供方的账号的数据输入至预先训练的聚类模型，生成产品服务提供方的账号的类别，其中，聚类模型是按照如上述用于生成聚类模型的方法所生成的，由此，可以通过上述聚类模型，来确定产品服务提供方的账号所属的类别，从而提高了确定产品服务提供方的账号所属的类别的准确性和效率，有助于实现针对不同类别的产品服务提供方的差异化管理和个性化运营，有助于实现更及时的风险防控。
接下来请参考图6，其示出了根据本申请的用于生成产品服务提供方的用户画像信息的方法的又一个实施例的流程600。其中，图6所示方法中，与图5所示方法相同或相似的内容，可以参考图5中的详细介绍，后续不再赘述。该用于生成产品服务提供方的用户画像信息的方法，包括以下步骤：
步骤601，获取目标账号集合中的各个账号的初始数据。
在本实施例中，用于生成产品服务提供方的用户画像信息的方法的执行主体(例如)(例如图1所示的网络设备或终端设备)可以可以通过有线连接方式或者无线连接方式从其他电子设备，或者本地获取目标账号集合中的各个账号的初始数据。其中，目标账号集合中的账号为产品服务提供方的账号。
上述目标账号集合可以是使用某个特定软件，或登录某个特定网站的产品服务提供方的账号的集合，也可以是使用某个特定软件，或登录某个特定网站的产品服务提供方中，属于某个特定类别的产品服务提供方的账号的集合。
在这里，产品服务提供方可以提供产品或者服务。例如，产品服务提供方可以是宾馆、超市、酒店、银行等等。
上述目标账号集合中的账号的数据可以是任意与目标账号集合中的账号存在联系的数据，也可以是按照预设的规则，确定出的数据。上述预设的规则可以是“如果一条数据是账号的价值资源交换信息(例如交易金额)，那么将该数据确定为与该账号的数据”。作为示例，与账号存在联系的数据可以是，账号的登录时间、登录时长等等。
在本实施例的一些可选的实现方式中，上述目标账号集合中的账号的数据可以包括以下至少一项：账号的类型(例如宾馆的账号、汽车维修厂的账号、酒店的账号、银行的账号等)，价值资源交换方式(例如线上交易方式、线下交易方式，或者银行卡交易方式、信用卡交易方式)，价值资源交换时间(例如交易时间)，价值资源交换时长(例如交易时长)，价值资源的价值(例如交易金额)，价值资源交换次数(例如交易次数)，价值资源交换频率(例如单位时间内的交易次数)，价值资源交换特征(例如交易标的物)。
在这里，上述初始数据可以是数据清洗前的账号的数据。例如，初始数据可以是上述执行主体或者其他电子设备通过爬虫直接获取到的数据。
步骤602，对目标账号集合中的各个账号的初始数据进行数据清洗，得到目标账号集合中的各个账号的清洗数据。
在本实施例中，上述执行主体可以对目标账号集合中的各个账号的初始数据进行数据清洗，得到目标账号集合中的各个账号的清洗数据。
在这里，上述执行主体可以根据预先确定的清洗规则来对数据进行清洗。作为示例，上述清洗规则可以包括“如果某一属性存在缺失的属性值，则采用针对该属性预先确定的默认值，或者该属性的属性值均值，或者该属性的属性值中出现次数最多的数值来填补该属性存在的属性值”。
其中，所获取的目标账号集合中的账号的数据可以包括属性和属性值。例如，目标账号集合中的账号的数据可以是“2018年11月1日价值资源交换次数：11；2018年11月2日价值资源交换次数：15”。其中，“价值资源交换次数”可以是属性，“11”、“15”可以是属性值。
步骤603，将目标账号集合中的各个账号的清洗数据所包括的属性对应的属性值中的最大值、属性对应的属性值的总和以及属性对应的属性值的平均值，确定为目标账号集合中的各个账号的特征数据。
在本实施例中，上述执行主体可以将目标账号集合中的各个账号的清洗数据所包括的属性对应的属性值中的最大值、属性对应的属性值的总和以及属性对应的属性值的平均值，确定为目标账号集合中的各个账号的特征数据。
步骤604，采用主成分分析方法，对目标账号集合中的各个账号的清洗数据和特征数据所包括的特征进行选择，以完成降维处理。
在本实施例中，上述执行主体可以采用主成分分析方法，对目标账号集合中的各个账号的清洗数据和特征数据所包括的特征进行选择，以完成降维处理。
步骤605，对于数据集合中的数据，采用第一预定数量个聚类算法对该数据进行第一预定数量次聚类处理，得到第一预定数量个聚类结果。
在本实施例中，上述执行主体可以对于数据集合中的数据，采用第一预定数量个聚类算法对该数据进行第一预定数量次聚类处理，得到第一预定数量个聚类结果。其中，第一预定数量大于等于二。
上述聚类算法可以包括但不限于以下至少一项：图论聚类法、模型聚类法、基于划分的聚类算法、基于层次的聚类算法、基于密度的聚类算法、基于网格的聚类算法。
在本实施例的一些可选的实现方式中，第一预定数量个聚类算法可以包括以下至少一项：基于划分的聚类算法、基于层次的聚类算法、基于密度的聚类算法、基于网格的聚类算法。
在本实施例的一些可选的实现方式中，上述基于划分的聚类算法可以包括以下至少一项：k-means、k-modes、k-medoids、k-prototypes，基于层次的聚类算法可以包括以下至少一项：BIRCH、CURE、CHEMALOEN，基于密度的聚类算法可以包括以下至少一项：DBSCAN、OPTICS，基于网格的聚类算法可以包括以下至少一项：STING、CLIQUE。
在本实施例的一些可选的实现方式中，上述第一预定数量个聚类算法可以包括如下聚类算法：k-means、k-modes、k-medoids、k-prototypes、BIRCH、CURE、CHEMALOEN、DBSCAN、OPTICS、STING、CLIQUE。
可选的，上述第一预定数量个聚类算法也可以是第一预定数量个同一聚类算法，例如第一预定数量个聚类算法可以是第一预定数量个k-means算法。
可以理解，聚类算法是无监督学习算法，不需要标记结果。可以按照内在相似性，将数据划分为多个类别使得类内相似性大，内间相似性小。当采用多个聚类算法时，可以得到多个不同的聚类结果。
在这里，上述聚类结果可以包括类簇中心点和/或簇标签描述(例如，可以用于表征账号的类别)。上述类簇中心可以用于表征属于某个特定类别的数据的特征值的平均值，或者，用于表征属于某个特定类别的数据的特征值中，与属于该类别的数据的特征值的平均值最接近的数据的特征值。上述数据的特征值可以是对数据进行特征(例如数据包括属性值等)提取而得到的数值。特征值可以通过数值、向量、矩阵等形式表征。
步骤606，采用第二预定数量个聚类算法评价指标，对第一预定数量个聚类结果中的聚类结果进行评价，得到评价结果。
在本实施例中，上述执行主体可以将采用第二预定数量个聚类算法评价指标，对第一预定数量个聚类结果中的聚类结果进行评价，得到评价结果。其中，第二预定数量为大于二的奇数。
在这里，第二预定数量个聚类算法评价指标可以包括内部聚类算法评价指标和/或外部聚类算法评价指标。
在本实施例中，第二预定数量个聚类算法评价指标包括内部聚类算法评价指标和外部聚类算法评价指标。
在本实施例中，内部聚类算法评价指标包括以下至少一项：轮廓系数Silhouettecoefficient、Calinski-Harabaz，外部聚类算法评价指标包括以下至少一项：Rand Index、Adjust Rand Index、Adjusted Mutual Information、Fowlkes-Mallows index。
可选的，内部聚类算法评价指标也可以包括除上述所列举的内部聚类算法评价指标之外的其它内部聚类算法评价指标，例如，Davies-Bouldin Index(DBI)，Dunn Index(DI)等等。外部聚类算法评价指标也可以包括除上述所列举的外部聚类算法评价指标之外的其它内部聚类算法评价指标，例如，Jaccard Coefficient、Accuracy等等。
可以理解，外部聚类算法评价指标可以在真实聚类结果已知的情况下，衡量得到的聚类结果与真实聚类结果之间的吻合程度。内部评价指标可以在不能获得真实聚类结果的情况下，衡量得到的聚类结果本身的好坏情况(比如簇的内聚性，簇间独立性)。上述内部聚类算法评价指标和外部聚类算法评价指标是本领域的技术人员广泛研究的公知技术，在此不再赘述。
步骤607，基于评价结果，采用投票机制，从第一预定数量个聚类结果中，确定目标聚类结果。
在本实施例中，上述执行主体可以基于评价结果，采用投票机制，从第一预定数量个聚类结果中，确定目标聚类结果。
上述目标聚类结果可以是第一预定数量个聚类结果中，与真实聚类结果之间的吻合程度较高的一个或多个聚类结果和/或第一预定数量个聚类结果中簇的内聚性、簇间相对于其他聚类结果，独立性更好的一个或多个聚类结果。
可以理解，当第二预定数量为奇数时，采用投票机制更有助于从从多个聚类结果中确定出一个最准确的聚类结果作为目标聚类结果。作为示例，假设第二预定数量为3，第一预定数量为2，步骤202所得到的聚类结果包括：结果1和结果2。当采用投票机制，对结果1的投票数量为2，对结果2的投票数量为1时，可以将上述两个聚类结果中投票数量最多的聚类结果，确定为目标聚类结果。在这里，可以将结果1确定为目标聚类结果。
步骤608，基于目标聚类结果，生成聚类模型。
在本实施例中，上述执行主体可以上述执行主体可以基于目标聚类结果，生成聚类模型。其中，聚类模型可以用于表征与账号的数据，和账号的类别之间的对应关系。
作为示例，上述聚类模型可以是存储有与账号的数据，和账号的类别的二维表。
可以理解，目标聚类结果中通常包含有簇标签描述(可以用于表征账号的类别)。由此，技术人员可以通过对与账号的数据以及所得到的聚类结果包含的账号的类别的统计，从而将统计后的与账号的数据，和账号的类别存储于上述执行主体，进而由上述执行主体生成聚类模型。
在一些使用情况下，在生成上述二维表之后，当向聚类模型输入与产品服务提供方的账号的数据时，上述执行主体可以提取产品服务提供方的账号的数据中的目标数据(该目标数据可以是上述二维表中包括的价值资源交换次数(例如“1”、“2”、“100”等))，然后将所提取的目标数据对应的账号的类别确定为该产品服务提供方的账号的类别。例如，假设所提取的目标数据为“1”，根据上表可知，价值资源交换次数为“1”时，其所对应的账号的类别为“1”，由此，上述执行主体可以将“1”确定为该产品服务提供方的账号的类别。作为示例，当上述账号的类别为“1”时，可以表征账号为安全账号，当上述账号的类别为“2”时，可以表征账号为风险账号。可选的，技术人员可以根据需求制定上述二维表，以及个账号类别表征的含义，本申请实施例对此不做限定。
可选的，上述生成的模型还可以是采用无监督的机器学习方法中的聚类算法，基于目标聚类结果，而生成的模型。例如，目标聚类结果可以包括多个类簇中心点和多个簇标签描述(例如，可以用于表征账号的类别)。当向聚类模型输入与产品服务提供方的账号的数据时，可以首先提取与产品服务提供方的账号的数据的特征值，然后在目标聚类结果包括的多个类簇中心点中，确定与所提取的特征值最接近(例如相似度最大)的类簇中心点，将所确定的类簇中心点对应的簇标签描述(即账号的类别)确定为该产品服务提供方的账号的类别。
在一些使用情况下，当上述生成的模型采用无监督的机器学习方法中的聚类方法得到时，可以将属于离群点或离群簇的聚类结果所对应的账号，确定为风险账号，将不属于离群点或离群簇的聚类结果所对应的账号，确定为非风险账号。在这里，账号的类别可以是风险账号或非风险账号。
步骤609，获取产品服务提供方的账号的数据。
在本实施例中，上述执行主体可以获取产品服务提供方的账号的数据。
在该步骤609中，上述产品服务提供方的账号可以是待对其进行分类，以得到其所属的类别，进而生成其用户画像信息的账号。上述产品服务提供方的账号的数据可以是任意与产品服务提供方存在联系的数据，也可以是按照预设的规则，确定出的数据。上述预设的规则可以是“如果一条数据是账号的价值资源交换信息(例如交易金额)，那么将该数据确定为与该账号的数据”。作为示例，与账号存在联系的数据可以是，账号的登录时间、登录时长等等。
步骤610，将数据输入至预先训练的聚类模型，以生成产品服务提供方的账号的类别。
在本实施例中，上述执行主体可以将将数据输入至预先训练的聚类模型，以生成产品服务提供方的账号的类别。其中，聚类模型可以用于表征与账号的数据，和账号的类别之间的对应关系。聚类模型是采用步骤601至步骤608所描述的方法得到的模型。
步骤611，基于类别，生成产品服务提供方的用户画像信息。
在本实施例中，上述执行主体可以基于类别，生成产品服务提供方的用户画像信息。
在这里，上述执行主体可以将所生成的类别，或者生成的类别表征的含义，直接确定为产品服务提供方的账号的使用者的用户画像信息。例如，如果在步骤610中，所生成的产品服务提供方的账号的类别表征产品服务提供方的信用等级为优，那么，该产品服务提供方的账号的使用者的用户画像信息可以是“信用等级：优”。
可以理解，技术人员可以根据实际需求设定用户画像信息的生成规则，本申请实施例对此不做限定。
步骤612，若类别属于预先确定的类别集合，关闭产品服务提供方的账号的目标操作权限。
在本实施例中，若类别属于预先确定的类别集合，上述执行主体可以关闭产品服务提供方的账号的目标操作权限。其中，目标操作权限可以是针对上述预先确定的类别集合而设置的操作权限。
作为示例，假设步骤506所生成的类别可以是以下之一：信用等级：优，信用等级：良，信用等级：中，信用等级：差。上述预先确定的类别集合中的类别为“信用等级：差”。目标操作权限为“价值资源的价值大于1000的价值资源交换权限(例如交易金额大于1000的交易权限)”。在此基础上，在此应用场景下，如果步骤506所生成的类别为“信用等级：差”，那么，上述执行主体可以关闭该产品服务提供方的账号的价值资源的价值大于1000的价值资源交换权限(例如交易金额大于1000的交易权限)。
可以理解，通过针对预先确定的类别集合设置操作权限，可以实现管理者对不同类别的产品服务提供方的差异化管理，从而实现个性化的运营。当确定产品服务提供方(例如商户)所使用的账号属于风险账号类别时，上述执行主体可以采用有效的风险防范措施，从而避免个人用户的损失，由此，有助于保障个人用户的财产安全。
步骤613，将类别输入预先训练的操作标识生成模型，得到针对产品服务提供方的账号的操作标识。
在本实施例中，上述执行主体可以将类别输入预先训练的操作标识生成模型，得到针对产品服务提供方的账号的操作标识。其中，操作标识生成模型用于表征类别和操作标识之间的对应关系。
其中，操作标识生成模型用于表征类别和操作标识之间的对应关系。操作标识可以用于标识操作或者操作序列。例如，操作标识“1”可以用于标识操作“关闭价值资源交换权限”，操作标识“2”可以用于标识操作“关闭价值资源交换频率大于3次每分钟的权限”。
在这里，上述操作标识生成模型可以是存储有类别和操作标识的二维表或者数据库。
可选的，上述操作标识生成模型也可以是采用机器学习算法，基于训练样本集合，对初始模型(例如卷积神经网络等)进行训练而得到的模型。上述训练样本可以包括类别和类别对应的操作标识。
上述利用机器学习方法训练得到模型的技术，是本领域人员广泛研究的公知技术，在此不再赘述。
步骤614，对产品服务提供方的账号执行所得到的操作标识指示的操作。
在本实施例中，上述执行主体可以对产品服务提供方的账号执行所得到的操作标识指示的操作。
作为示例，假设操作标识“1”可以用于标识操作“关闭价值资源交换权限”，操作标识“2”可以用于标识操作“关闭价值资源交换频率大于3次每分钟的权限”。那么，当将步骤506所得到的类别输入上述操作标识生成模型，得到的操作标识为“1”时，上述执行主体可以关闭上述产品服务提供方的账号的价值资源交换权限，当将步骤506所得到的类别输入上述操作标识生成模型，得到的操作标识为“2”时，上述执行主体可以关闭上述产品服务提供方的账号的价值资源交换频率大于3次每分钟的权限。
可以理解，通过针对属于各个类别的账号设置操作标识，以执行操作标识所标识的操作，可以实现管理者对不同类别的产品服务提供方的差异化管理，从而实现个性化的运营。当确定产品服务提供方(例如商户)所使用的账号属于风险账号类别时，上述执行主体可以采用有效的风险防范措施，从而避免个人用户的损失，由此，有助于保障个人用户的财产安全。
本申请的上述实施例提供的方法，通过基于产品服务提供方的多维信息，对产品服务提供方交易特征进行建模，从而可以从多个维度对产品服务提供方进行描述，更准确有效。此外，本申请的上述实施例提供的方法采用机器学习方法，对大量数据进行交易特征描述，建立画像描述，避免了人工对海量数据查看分析的低效性。采用多种聚类方法进行建模，并采用多种模型评价指标，有更好的扩展性和适应性。再者，本申请的上述实施例提供的方法基于海量数据，对用户交易特征进行分群，对不同类别的产品服务提供方，采用不同的运营方式，个性化运营，可以有效提高运营效益，同时，可以更准确地识别具有风险的产品服务提供方，实现有效的风险防控。
下面参考图7，其示出了适于用来实现本申请实施例的电子设备的计算机系统700的结构示意图。图7示出的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图7所示，计算机系统700包括中央处理单元(CPU)701，其可以根据存储在只读存储器(ROM)702中的程序或者从存储部分708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中，还存储有系统700操作所需的各种程序和数据。CPU 701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
以下部件连接至I/O接口705：包括键盘、鼠标等的输入部分706；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分707；包括硬盘等的存储部分708；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至I/O接口705。可拆卸介质711，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器710上，以便于从其上读出的计算机程序根据需要被安装入存储部分708。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分709从网络上被下载和安装，和/或从可拆卸介质711被安装。在该计算机程序被中央处理单元(CPU)701执行时，执行本申请的方法中限定的上述功能。
需要说明的是，本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——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。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机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。而在本申请中，计算机可读的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，其中承载了计算机可读的程序代码。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。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、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。计算机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、电线、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或其组合来编写用于执行本申请的操作的计算机程序代码，所述程序设计语言包括面向目标的程序设计语言—诸如Python、Java、Smalltalk、C++，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机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括第一获取单元、聚类单元、评价单元和第一生成单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，第一获取单元还可以被描述为“获取目标账号集合中的账号的数据的单元”。
作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取目标账号集合中的账号的数据，得到针对目标账号集合的数据集合；对于数据集合中的数据，采用第一预定数量个聚类算法对该数据进行第一预定数量次聚类处理，得到第一预定数量个聚类结果；采用第二预定数量个聚类算法评价指标，对第一预定数量个聚类结果中的聚类结果进行评价，以从第一预定数量个聚类结果中确定目标聚类结果；基于目标聚类结果，生成聚类模型。或者，使得该电子设备：获取产品服务提供方的账号的数据；将所述数据输入至预先训练的聚类模型，生成所述产品服务提供方的账号的类别，其中，所述聚类模型是按照如上述用于生成聚类模型的方法中任一实施例的方法生成的。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (16)
1.一种用于生成聚类模型的方法，其特征在于，包括：
获取目标账号集合中的账号的数据，得到针对所述目标账号集合的数据集合，其中，所述目标账号集合中的账号为产品服务提供方的账号；
对于所述数据集合中的数据，采用第一预定数量个聚类算法对该数据进行所述第一预定数量次聚类处理，得到所述第一预定数量个聚类结果；
采用第二预定数量个聚类算法评价指标，对所述第一预定数量个聚类结果中的聚类结果进行评价，以从所述第一预定数量个聚类结果中确定目标聚类结果；
基于所述目标聚类结果，生成聚类模型。
2.根据权利要求1所述的方法，其特征在于，所述数据集合中的数据是经过数据清洗后得到的数据，在所述获取目标账号集合中的账号的数据，得到针对所述目标账号集合的数据集合之前，所述方法还包括：
获取所述目标账号集合中的各个账号的初始数据；
对所述目标账号集合中的各个账号的初始数据进行数据清洗，得到所述目标账号集合中的各个账号的清洗数据；
根据所述目标账号集合中各个账号的清洗数据，得到所述数据集合。
3.根据权利要求2所述的方法，其特征在于，所得到的清洗数据包括属性和属性值；以及
所述根据所述目标账号集合中各个账号的清洗数据，得到数据集合，包括：
将所述目标账号集合中的各个账号的清洗数据所包括的属性对应的属性值中的最大值、属性对应的属性值的总和以及属性对应的属性值的平均值，确定为所述目标账号集合中的各个账号的特征数据；
根据所述目标账号集合中的各个账号的清洗数据和特征数据，得到所述数据集合。
4.根据权利要求3所述的方法，其特征在于，所述根据所述目标账号集合中的各个账号的清洗数据和特征数据，得到所述数据集合，包括：
对所述目标账号集合中的各个账号的清洗数据和特征数据进行降维处理，得到所述数据集合。
5.根据权利要求4所述的方法，其特征在于，所述对所述目标账号集合中的各个账号的清洗数据和特征数据进行降维处理，包括：
采用主成分分析方法，对所述目标账号集合中的各个账号的清洗数据和特征数据所包括的特征进行选择，以完成降维处理。
6.根据权利要求1-5之一所述的方法，其特征在于，所述第二预定数量为奇数，所述采用第二预定数量个聚类算法评价指标，对所述第一预定数量个聚类结果中的聚类结果进行评价，以从所述第一预定数量个聚类结果中确定目标聚类结果，包括：
采用所述第二预定数量个聚类算法评价指标，对所述第一预定数量个聚类结果中的聚类结果进行评价，得到评价结果；
基于所述评价结果，采用投票机制，从所述第一预定数量个聚类结果中，确定所述目标聚类结果。
7.根据权利要求1-6之一所述的方法，其特征在于，所述数据集合中的数据包括以下至少一项：账号的类型，价值资源交换方式，价值资源交换时间，价值资源交换时长，价值资源的价值，价值资源交换次数，价值资源交换频率，以及价值资源交换特征。
8.根据权利要求1-7之一所述的方法，其特征在于，所述第一预定数量和/或所述第二预定数量大于等于二。
9.根据权利要求1-8之一所述的方法，其特征在于，所述第一预定数量个聚类算法包括以下至少一项：基于划分的聚类算法、基于层次的聚类算法、基于密度的聚类算法、基于网格的聚类算法。
10.根据权利要求1-9之一所述的方法，其特征在于，所述第二预定数量个聚类算法评价指标包括：内部聚类算法评价指标和外部聚类算法评价指标。
11.一种用于生成产品服务提供方的用户画像信息的方法，其特征在于，包括：
获取产品服务提供方的账号的数据；
将所述数据输入至预先训练的聚类模型，以生成所述产品服务提供方的用户画像信息，其中，所述聚类模型是按照如权利要求1-10之一所述的方法生成的。
12.根据权利要求11所述的方法，其特征在于，所述将所述数据输入至预先训练的聚类模型，以生成所述产品服务提供方的用户画像信息，包括：
将所述数据输入至预先训练的聚类模型，以生成所述产品服务提供方的账号的类别；
基于所述类别，生成所述产品服务提供方的用户画像信息。
13.根据权利要求12所述的方法，其特征在于，所述方法还包括：
若所述类别属于预先确定的类别集合，关闭所述产品服务提供方的账号的目标操作权限。
14.根据权利要求12或13所述的方法，其特征在于，所述方法还包括：
将所述类别输入预先训练的操作标识生成模型，得到针对所述产品服务提供方的账号的操作标识，其中，所述操作标识生成模型用于表征类别和操作标识之间的对应关系；
对所述产品服务提供方的账号执行所得到的操作标识指示的操作。
15.一种电子设备，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-14中任一所述的方法。
16.一种计算机可读介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如权利要求1-14中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811620245.9A CN109711733A (zh) | 2018-12-28 | 2018-12-28 | 用于生成聚类模型的方法、电子设备和计算机可读介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811620245.9A CN109711733A (zh) | 2018-12-28 | 2018-12-28 | 用于生成聚类模型的方法、电子设备和计算机可读介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109711733A true CN109711733A (zh) | 2019-05-03 |
Family
ID=66257990
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811620245.9A Pending CN109711733A (zh) | 2018-12-28 | 2018-12-28 | 用于生成聚类模型的方法、电子设备和计算机可读介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109711733A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110717817A (zh) * | 2019-08-14 | 2020-01-21 | 深圳壹账通智能科技有限公司 | 贷前审核方法及装置、电子设备和计算机可读存储介质 |
| CN110826623A (zh) * | 2019-11-04 | 2020-02-21 | 深圳雷霆应急科技有限公司 | 基于气象数据的分类方法、装置、计算机设备及存储介质 |
| CN111353779A (zh) * | 2020-02-25 | 2020-06-30 | 中国银联股份有限公司 | 异常服务提供方的确定方法、装置、设备及存储介质 |
| CN111367965A (zh) * | 2020-03-04 | 2020-07-03 | 腾讯云计算（北京）有限责任公司 | 目标对象确定方法、装置、电子设备及存储介质 |
| CN113313590A (zh) * | 2020-02-26 | 2021-08-27 | 京东数字科技控股股份有限公司 | 产品的获取方法和装置、存储介质和电子装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107608989A (zh) * | 2016-07-12 | 2018-01-19 | 上海视畅信息科技有限公司 | 一种分类个性化推荐方法 |
| CN108021929A (zh) * | 2017-11-16 | 2018-05-11 | 华南理工大学 | 基于大数据的移动端电商用户画像建立与分析方法及系统 |
| CN108052639A (zh) * | 2017-12-21 | 2018-05-18 | 中国联合网络通信集团有限公司 | 基于运营商数据的行业用户推荐方法及装置 |
| CN109086787A (zh) * | 2018-06-06 | 2018-12-25 | 平安科技（深圳）有限公司 | 用户画像获取方法、装置、计算机设备以及存储介质 |
-
2018
- 2018-12-28 CN CN201811620245.9A patent/CN109711733A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107608989A (zh) * | 2016-07-12 | 2018-01-19 | 上海视畅信息科技有限公司 | 一种分类个性化推荐方法 |
| CN108021929A (zh) * | 2017-11-16 | 2018-05-11 | 华南理工大学 | 基于大数据的移动端电商用户画像建立与分析方法及系统 |
| CN108052639A (zh) * | 2017-12-21 | 2018-05-18 | 中国联合网络通信集团有限公司 | 基于运营商数据的行业用户推荐方法及装置 |
| CN109086787A (zh) * | 2018-06-06 | 2018-12-25 | 平安科技（深圳）有限公司 | 用户画像获取方法、装置、计算机设备以及存储介质 |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110717817A (zh) * | 2019-08-14 | 2020-01-21 | 深圳壹账通智能科技有限公司 | 贷前审核方法及装置、电子设备和计算机可读存储介质 |
| CN110826623A (zh) * | 2019-11-04 | 2020-02-21 | 深圳雷霆应急科技有限公司 | 基于气象数据的分类方法、装置、计算机设备及存储介质 |
| CN110826623B (zh) * | 2019-11-04 | 2023-09-01 | 深圳雷霆应急科技有限公司 | 基于气象数据的分类方法、装置、计算机设备及存储介质 |
| CN111353779A (zh) * | 2020-02-25 | 2020-06-30 | 中国银联股份有限公司 | 异常服务提供方的确定方法、装置、设备及存储介质 |
| CN111353779B (zh) * | 2020-02-25 | 2023-05-16 | 中国银联股份有限公司 | 异常服务提供方的确定方法、装置、设备及存储介质 |
| CN113313590A (zh) * | 2020-02-26 | 2021-08-27 | 京东数字科技控股股份有限公司 | 产品的获取方法和装置、存储介质和电子装置 |
| CN111367965A (zh) * | 2020-03-04 | 2020-07-03 | 腾讯云计算（北京）有限责任公司 | 目标对象确定方法、装置、电子设备及存储介质 |
| CN111367965B (zh) * | 2020-03-04 | 2023-05-02 | 腾讯云计算（北京）有限责任公司 | 目标对象确定方法、装置、电子设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109711733A (zh) | 用于生成聚类模型的方法、电子设备和计算机可读介质 | |
| CN109492772B (zh) | 生成信息的方法和装置 | |
| US20190147430A1 (en) | Customizing payment sessions with machine learning models | |
| CN108171276A (zh) | 用于生成信息的方法和装置 | |
| CN108090162A (zh) | 基于人工智能的信息推送方法和装置 | |
| CN107247786A (zh) | 用于确定相似用户的方法、装置和服务器 | |
| CN110135901A (zh) | 一种企业用户画像构建方法、系统、介质和电子设备 | |
| CN107908789A (zh) | 用于生成信息的方法和装置 | |
| CN107944481A (zh) | 用于生成信息的方法和装置 | |
| CN107908740A (zh) | 信息输出方法和装置 | |
| CN109976997A (zh) | 测试方法和装置 | |
| CN109086719A (zh) | 用于输出数据的方法和装置 | |
| Mützel | Unlocking the payment experience: Future imaginaries in the case of digital payments | |
| CN107870984A (zh) | 识别搜索词的意图的方法和装置 | |
| CN107944956A (zh) | 用于生成信息的方法和装置 | |
| CN109872242A (zh) | 信息推送方法和装置 | |
| CN108121699A (zh) | 用于输出信息的方法和装置 | |
| CN109087138A (zh) | 数据处理方法及系统、计算机系统和可读存储介质 | |
| CN110363411A (zh) | 利用话术智能推荐的风险控制方法及装置 | |
| CN109947811A (zh) | 通用特征库生成方法及装置、存储介质、电子设备 | |
| CN109685560A (zh) | 大数据处理方法、装置、介质及电子设备 | |
| CN110245684A (zh) | 数据处理方法、电子设备和介质 | |
| CN110197317A (zh) | 目标用户确定方法及装置、电子设备及存储介质 | |
| JP7288062B2 (ja) | 情報を出力するための方法及び装置、電子機器、記憶媒体並びにコンピュータプログラム | |
| CN108959289A (zh) | 网站类别获取方法和装置 |
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 |