CN110162545A - 基于大数据的信息推送方法、设备、存储介质及装置 - Google Patents
基于大数据的信息推送方法、设备、存储介质及装置 Download PDFInfo
- Publication number
- CN110162545A CN110162545A CN201910315456.XA CN201910315456A CN110162545A CN 110162545 A CN110162545 A CN 110162545A CN 201910315456 A CN201910315456 A CN 201910315456A CN 110162545 A CN110162545 A CN 110162545A
- Authority
- CN
- China
- Prior art keywords
- data
- information
- target
- target indicator
- chosen
- 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 49
- 238000013075 data extraction Methods 0.000 claims abstract description 14
- 238000013507 mapping Methods 0.000 claims description 14
- 238000012886 linear function Methods 0.000 claims description 13
- 241001269238 Data Species 0.000 claims description 9
- 230000001419 dependent effect Effects 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 4
- 235000013399 edible fruits Nutrition 0.000 claims 1
- 238000007405 data analysis Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 9
- 238000011156 evaluation Methods 0.000 description 7
- SBNFWQZLDJGRLK-UHFFFAOYSA-N phenothrin Chemical compound CC1(C)C(C=C(C)C)C1C(=O)OCC1=CC=CC(OC=2C=CC=CC=2)=C1 SBNFWQZLDJGRLK-UHFFFAOYSA-N 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 230000002349 favourable effect Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 239000000284 extract Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2457—Query processing with adaptation to user needs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于大数据的信息推送方法、设备、存储介质及装置,该方法包括:获取待选取基本信息,对各待选取基本信息按照预设类别进行数据提取,获得所述预设类别对应的目标指标数据;获取与各目标指标数据对应的目标置信度公式;根据各目标指标数据的目标置信度计算各待选取基本信息的综合评分;根据所述综合评分从各待选取基本信息中选取目标信息,将所述目标信息推送至目标终端。基于大数据分析,通过对大量的待选取基本信息进行综合评分,从而根据综合评分将符合需求的目标信息筛选出来并推送,以提高数据推送效率和准确度,提升用户体验。
Description
技术领域
本发明涉及大数据的技术领域,尤其涉及一种基于大数据的信息推送方法、设备、存储介质及装置。
背景技术
目前,面对大量的基础数据,为了找到符合用户需求的数据,需要耗费大量时间对基础数据进行分析和筛选,以找到符合需求的数据,才能进行该数据的推送,以满足需求。通常没有合适的方式进行基础数据的分析和选取,导致推送的信息效率低,准确度也不高,无法满足需求,用户体验差。因此,基于大量数据如何提高数据推送效率和准确度是亟待解决的技术问题。
上述内容仅用于辅助理解本发明的技术方案,并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种基于大数据的信息推送方法、设备、存储介质及装置,旨在解决现有技术中基于大量数据的数据推送效率低及准确度低的技术问题。
为实现上述目的,本发明提供一种基于大数据的信息推送方法,所述基于大数据的信息推送方法包括以下步骤:
获取待选取基本信息,对各待选取基本信息按照预设类别进行数据提取,获得所述预设类别对应的目标指标数据;
获取与各目标指标数据对应的目标置信度公式;
根据所述目标指标数据及对应的所述目标置信度公式分别计算各目标指标数据的目标置信度;
根据各目标指标数据的目标置信度计算各待选取基本信息的综合评分;
根据所述综合评分从各待选取基本信息中选取目标信息,将所述目标信息推送至目标终端。
优选地,所述根据各目标指标数据的目标置信度计算各待选取基本信息的综合评分,包括:
获取各目标指标数据对应的目标权重;
计算各目标指标数据的目标置信度和目标权重的乘积之和,获得各待选取基本信息的综合评分。
优选地,所述获取各目标指标数据对应的目标权重,包括:
获取历史基本信息,从所述历史基本信息中提取出历史指标数据及对应的历史权重;
根据所述历史指标数据及对应的历史权重对卷积神经网络模型进行训练,获得权重评估模型;
将所述目标指标数据输入所述权重评估模型进行评估,获得各目标指标数据对应的目标权重。
优选地,所述获取与各目标指标数据对应的目标置信度公式之前,所述基于大数据的信息推送方法还包括:
判断所述目标指标数据是否为连续变化类型数据;
若所述目标指标数据是连续变化类型数据,则构建以所述目标指标数据为自变量,以所述目标指标数据对应的目标权重为因变量的线性函数,将所述线性函数作为所述目标指标数据对应的目标置信度公式。
优选地,所述判断所述目标指标数据是否为连续变化类型数据之后,所述基于大数据的信息推送方法还包括:
若所述目标指标数据不是连续变化类型数据,则判断所述目标指标数据是否处于预设取值范围;
若所述目标指标数据处于预设取值范围,则构建数据区间占比公式,将所述数据区间占比公式作为所述目标指标数据对应的目标置信度公式。
优选地,所述获取与各目标指标数据对应的目标置信度公式,包括:
从映射关系表中获取与各目标指标数据对应的目标置信度公式,所述映射关系表中包括指标数据与置信度公式之间的对应关系。
优选地,所述获取待选取基本信息,对各待选取基本信息按照预设类别进行数据提取,获得所述预设类别对应的目标指标数据,包括:
获取待选取基本信息;
获取预设类别对应的历史指标数据,对所述预设类别级对应的所述历史指标数据进行训练,生成弱分类器;
通过所述弱分类器对历史基本信息进行分类,获得预设类别对应的弱分类指标数据;
根据所述预设类别对应的历史指标数据识别所述弱分类指标数据中正确结果和错误结果;
降低所述弱分类指标数据中正确结果的第一权重,提升所述弱分类指标数据中错误结果的第二权重;
根据所述第一权重和所述第二权重,对所述历史指标数据进行再次训练,获得强分类器;
对各待选取基本信息按照预设类别通过所述强分类器进行数据提取,获得所述预设类别对应的目标指标数据。
此外,为实现上述目的,本发明还提出一种基于大数据的信息推送设备,所述基于大数据的信息推送设备包括存储器、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基于大数据的信息推送程序,所述基于大数据的信息推送程序配置为实现如上文所述的基于大数据的信息推送方法的步骤。
此外,为实现上述目的,本发明还提出一种存储介质,所述存储介质上存储有基于大数据的信息推送程序,所述基于大数据的信息推送程序被处理器执行时实现如上文所述的基于大数据的信息推送方法的步骤。
此外,为实现上述目的,本发明还提出一种基于大数据的信息推送装置,所述基于大数据的信息推送装置包括:
提取模块,用于获取待选取基本信息,对各待选取基本信息按照预设类别进行数据提取,获得所述预设类别对应的目标指标数据;
获取模块,用于获取与各目标指标数据对应的目标置信度公式;
计算模块,用于根据所述目标指标数据及对应的所述目标置信度公式分别计算各目标指标数据的目标置信度;
所述计算模块,还用于根据各目标指标数据的目标置信度计算各待选取基本信息的综合评分。
推送模块,用于根据所述综合评分从各待选取基本信息中选取目标信息,将所述目标信息推送至目标终端。
本发明中,通过获取待选取基本信息,对各待选取基本信息按照预设类别进行数据提取,获得所述预设类别对应的目标指标数据,获取与各目标指标数据对应的目标置信度公式,根据各目标指标数据的目标置信度计算各待选取基本信息的综合评分,根据所述综合评分从各待选取基本信息中选取目标信息,将所述目标信息推送至目标终端,基于大数据分析,通过对大量的待选取基本信息进行综合评分,从而根据综合评分将符合需求的目标信息筛选出来并推送,以提高数据推送效率和准确度,提升用户体验。
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基于大数据的信息推送设备的结构示意图;
图2为本发明基于大数据的信息推送方法第一实施例的流程示意图;
图3为本发明基于大数据的信息推送方法第二实施例的流程示意图;
图4为本发明基于大数据的信息推送方法第三实施例的流程示意图;
图5为本发明基于大数据的信息推送装置第一实施例的结构框图。
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。
参照图1,图1为本发明实施例方案涉及的硬件运行环境的基于大数据的信息推送设备结构示意图。
如图1所示,该基于大数据的信息推送设备可以包括:处理器1001,例如中央处理器(Central Processing Unit,CPU),通信总线1002、用户接口1003,网络接口1004,存储器1005。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),可选用户接口1003还可以包括标准的有线接口、无线接口,对于用户接口1003的有线接口在本发明中可为USB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,WI-FI)接口)。存储器1005可以是高速的随机存取存储器(Random Access Memory,RAM)存储器,也可以是稳定的存储器(Non-volatileMemory,NVM),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。
本领域技术人员可以理解,图1中示出的结构并不构成对基于大数据的信息推送设备的限定,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,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、用户接口模块以及基于大数据的信息推送程序。
在图1所示的基于大数据的信息推送设备中,网络接口1004主要用于连接后台服务器,与所述后台服务器进行数据通信;用户接口1003主要用于连接用户设备;所述基于大数据的信息推送设备通过处理器1001调用存储器1005中存储的基于大数据的信息推送程序,并执行本发明实施例提供的基于大数据的信息推送方法。
基于上述硬件结构,提出本发明基于大数据的信息推送方法的实施例。
参照图2,图2为本发明基于大数据的信息推送方法第一实施例的流程示意图,提出本发明基于大数据的信息推送方法第一实施例。
在第一实施例中,所述基于大数据的信息推送方法包括以下步骤:
步骤S10:获取待选取基本信息,对各待选取基本信息按照预设类别进行数据提取,获得所述预设类别对应的目标指标数据。
应理解的是,本实施例的执行主体是所述基于大数据的信息推送设备,其中,所述基于大数据的信息推送设备可为智能手机、个人电脑或服务器等电子设备。所述待选取基本信息可以是涉及不同行业的同一个业务下的基础数据,以经纪人的基本信息为例,所述待选取基本信息包括工作年限、用户评分、电话号码、带看量、交易量、好评率和好评数等信息。所述预设类别通常为所述待选取基本信息包含的数据类型中对用户需求影响较大的数据类型,以经纪人的基本信息为例,根据经验值设置的对经纪人的综合素质评价影响比较大的数据类别,所述预设类别可以包括电话号码、用户评分、工作年限、带看量和交易量。所述预设类别的设置还可通过与用户进行交互获取,可以通过将所述待选取基本信息包括的所有类别制作成类别列表,将所述类别列表发送至用户设备,以使用户基于所述类别列表选取关注度较高的预设类别,接收所述用户设备发送的用户选取的预设类别,按照用户选取的预设类别对所述待选取基本信息进行数据提取,从而获得各预设类别分别对应的目标指标数据。对于不属于所述预设类别的数据不予考虑,通常不属于所述预设类别的数据为边缘数据,对所述待选取基本信息的综合评分影响较小。
比如,所述待选取基本信息包括:工作年限为6年、用户评分为5分、电话号码为1xxx、带看量为20次每月、交易量为10次每月、好评率为80%和好评数为16个等信息。所述预设类别为工作年限、用户评分、电话号码、带看量和交易量,则对所述待选取基本信息按照所述预设类别进行数据提取,获得各预设类别对应的目标指标数据为:工作年限为6年、用户评分为5分、电话号码为1xxx、带看量为20次每月和交易量为10次每月。
步骤S20:获取与各目标指标数据对应的目标置信度公式。
可理解的是,通常预先对各目标指标数据的特性进行分析,根据所述目标指标数据的特征设置相应的目标置信度公式。通常根据经验值设置各目标指标数据的预设值,所述预设值相当于该项目标指标数据的满分。所述预设值设置标准可以是各项指标特征对应的预设值求和满足100,且预设值分布均匀即可,没有严格限制,比如中介公司A对经纪人的基本信息进行分析,设置所述目标指标特征分别为:电话号码、用户评分、工作年限、带看量和交易量,对应的预设值为:30、15、15、20及20。所述预设值设置标准还可以是各项指标特征对应的预设值均设置为统一的值,比如,各项指标特征对应的所述预设值取值均为100,本实施例对此不加以限制。
在具体实现中,若所述目标指标数据的变化范围小,一种情况是属于0-1特征,比如电话号码有无;一种情况是设置的取值范围小,比如用户评分范围:1-5,对于上述两种情况,可采用数据区间占比公式作为所述目标置信度公式。若所述目标指标数据属于连续变化类型数据,比如带看量最小值:0,最大值:100,交易量最小值:1,最大值为99,所述带看量和所述交易量取值连续变化且取值范围通常较大,属于无量纲数据,需要将其标准化使其分布在(0,1)范围内,再乘以对应的所述预设值,从而获得对应的所述目标置信度。可根据上述分析结果,预先设置各种数据类型的指标数据对应的置信度公式,并将各种指标数据与所述置信度公式之间的对应关系存储与映射关系表中,则后续进行置信度计算时,可从所述映射关系表中获取对应的目标置信度公式,根据获取的所述目标置信度公式计算所述目标指标数据的目标置信度。本实施例中,所述步骤S20,包括:从映射关系表中获取与各目标指标数据对应的目标置信度公式,所述映射关系表中包括指标数据与置信度公式之间的对应关系。
步骤S30:根据所述目标指标数据及对应的所述目标置信度公式分别计算各目标指标数据的目标置信度。
需要说明的是,若所述目标指标数据的变化范围小,一种情况是属于0-1特征,比如电话号码有无;一种情况是设置的取值范围小,比如用户评分范围:1-5,对于上述两种情况,可采用数据区间占比公式作为所述目标置信度公式。比如中介公司A中用户评分这个特征指标:0-3分占比接近2/3,所述用户评分设置的所述预设值为15,那么对于所述用户评分可划分数据区间,对于所述用户评分为0-3分的数据区间,计算所述用户评分的目标置信度为:2/3*15=10,其余则为满分15。若所述目标指标数据属于连续变化类型数据,比如带看量最小值:0,最大值:100;交易量最小值:1,最大值为99,所述带看量和所述交易量取值连续变化且取值范围通常较大,属于无量纲数据,需要将其标准化使其分布在(0,1)范围内,再乘以对应的所述预设值,从而获得对应的所述目标置信度。
步骤S40:根据各目标指标数据的目标置信度计算各待选取基本信息的综合评分。
应理解的是,对于各目标指标数据可设置相应的目标权重,可通过对每个目标指标数据设置多个权重参数选项,将所述权重参数选项进行展示,供用户选择,从而获得所述目标权重;或者,通过权重评估模型评估各目标指标数据的目标权重。将各目标指标数据的目标置信度乘以对应的目标权重,并将计算获得的各乘积进行累加,获得各待选取基本信息的综合评分。
步骤S50:根据所述综合评分从各待选取基本信息中选取目标信息,将所述目标信息推送至目标终端。
应理解的是,所述目标终端是可用于接收信息的终端设备,比如用户的智能手机或个人电脑等,本实施例对此不加以限制。通常可选取所述综合评分中评分最高的预设数量(比如1、2或3)的待选取基本信息作为所述目标信息,所述综合评分越高,说明对应的待选取基本信息越符合需求,将所述目标信息推送至目标终端,提高了数据推送的效率和准确度。
本实施例中,通过获取待选取基本信息,对各待选取基本信息按照预设类别进行数据提取,获得所述预设类别对应的目标指标数据,获取与各目标指标数据对应的目标置信度公式,根据各目标指标数据的目标置信度计算各待选取基本信息的综合评分,根据所述综合评分从各待选取基本信息中选取目标信息,将所述目标信息推送至目标终端,基于大数据分析,通过对大量的待选取基本信息进行综合评分,从而根据综合评分将符合需求的目标信息筛选出来并推送,以提高数据推送效率和准确度,提升用户体验。
参照图3,图3为本发明基于大数据的信息推送方法第二实施例的流程示意图,基于上述图2所示的第一实施例,提出本发明基于大数据的信息推送方法的第二实施例。
在第二实施例中,所述步骤S40,包括:
步骤S401:获取各目标指标数据对应的目标权重。
可理解的是,对于各目标指标数据可设置相应的目标权重,可通过对每个目标指标数据设置多个权重参数选项,将所述权重参数选项进行展示,供用户选择,从而获得所述目标权重。或者,通过权重评估模型评估各目标指标数据的目标权重,可通过建立基础模型,所述基础模型可以是卷积神经网络模型等,获取大量的历史基本信息,对所述历史基本信息按照预设类别进行数据提取,获得所述预设类别对应的历史指标数据,并从所述历史基本信息中提取出与各历史指标数据对应的历史权重,根据所述历史指标数据及对应的历史权重对所述基础模型进行训练,获得权重评估模型,则可通过所述权重评估模型评估各项目标指标数据对应的目标权重,本实施例中,所述步骤S401包括:获取历史基本信息,从所述历史基本信息中提取出历史指标数据及对应的历史权重;根据所述历史指标数据及对应的历史权重对卷积神经网络模型进行训练,获得权重评估模型;将所述目标指标数据输入所述权重评估模型进行评估,获得各目标指标数据对应的目标权重。
步骤S402:计算各目标指标数据的目标置信度和目标权重的乘积之和,获得各待选取基本信息的综合评分。
应理解的是,所述目标指标数据的目标置信度用A1、A2、...、An表示,所述目标权重用X1、X2、...、Xn表示,各待选取基本信息的综合评分用S表示,则计算各待选取基本信息的综合评分的公式可表示为:
S=A1*X1+A2*X2+...+An*Xn。
将各目标指标数据的目标置信度乘以对应的目标权重,并将计算获得的各乘积进行累加,获得各待选取基本信息的综合评分。
在第二实施例中,获取各目标指标数据对应的目标权重,计算各目标指标数据的目标置信度和目标权重的乘积之和,获得各待选取基本信息的综合评分,从而使得各待选取基本信息的评分更符合实际需求,能够提供可靠的评分作为参考,以基于所述综合评分选取合适的待选取基本信息作为目标信息进行推送,提升数据推送的准确度。
参照图4,图4为本发明基于大数据的信息推送方法第三实施例的流程示意图,基于上述图3所示的第二实施例,提出本发明基于大数据的信息推送方法的第三实施例。
在第三实施例中,所述步骤S20,包括:
步骤S201:判断所述目标指标数据是否为连续变化类型数据。
应理解的是,为了对各目标指标数据设置合理的置信度计算公式,可先对各目标指标数据进行数据分析,判断所述目标指标数据是否为连续变化类型数据,若所述目标指标数据是连续变化类型数据,可以构建以所述目标指标数据为自变量,以所述目标指标数据对应的目标权重为因变量的线性函数,即所述目标指标数据越大,所述目标权重越大,则所述目标指标数据对应的目标置信度越高。
举例说明,若所述目标指标特征分别为:电话号码、用户评分、工作年限、带看量和交易量,带看量最小值:0,最大值:100;交易量最小值:1,最大值为99,则带看量和交易量为所述连续变化类型数据,则通过构建以带看量为自变量,以带看量的权重为因变量的线性函数,即带看量越多权重越大,最后带看量的置信度越高;通过构建以交易量为自变量,以交易量的权重为因变量的线性函数,即交易量越多权重越大,最后交易看量的置信度越高。所述带看量和交易量属于无量纲数据,需要将其标准化使其分布在(0,1)范围内,再乘以所述预设值。
步骤S202:若所述目标指标数据是连续变化类型数据,则构建以所述目标指标数据为自变量,以所述目标指标数据对应的目标权重为因变量的线性函数,将所述线性函数作为所述目标指标数据对应的目标置信度公式。
在具体实现中,以交易量为例,通常带看量区间值和对应的人数成正态分布,带看量权重值和对应的人数也符合正态分布,但是根据带看量区间对应的人数分布特征来看,当实际带看量在某一区间范围内其对应人数呈下降,实际我们需要构造两端线性函数,并且带看量标准化至(0,1)区间。
例如,带看量标准化方法:将实际带看量分为100份,取其中97%带看量最大值,那么带看量标准化公式=实际带看量/97%带看量最大值,超过97%的带看量最大值仍以97%最大值为准。数据标准化也可采用其他方法,本实施例对此不加以限制。
中介公司A中,带看量为0次,占比约55%;带看量为0-10次,占比约33%,带看量为10-20次,占比约5%,带看量为20-50,占比约为5%。97%带看量最大值约等于45。需要构造两端线性函数,则需计算线段1和线段2的斜率和截距。计算线段的截距和斜率至少根据该线段两个点(x,y)值才能确定。
线段1:带看量为0或者为空的的人数占比55%,我们得出线段1的一个点为(0,0.55);线段2:带看为最大值1的对应权重为1,我们得出线段2的一个点(1,1)。线段1的带看权重最大值和线段2带看权重最小值相同,那么需要寻找两个占比相同或者近似的实际带看区间。在网络爬取数据中,实际带看量介于0-10的人数占比约为33%,带看量介于10-20次数与带看量介于20-50次数的实际占比相同,那么带看量介于10-20分权益最大值与带看量介于20-50分权益最小值形同,约等于0.93(0.55+0.33+0.05≈0.93)。归一化公式:实际带看量/最大值,采集到的数据中带看量最大值为45,则实际带看量为19归一化后标准数据19/45,取实际带看量20归一化后标准数据20/45,y值约等于0.93(0.55+0.38)。
综上,第一个线段两点(0,0.55),(19/45,0.93);
第二个线段两点(20/45,0.93),(1,1);
得出:线段1公式:0.90x+0.55,线段2公式:0.11x+0.89,交易量计算同上,其他渠道计算与上述算法相似。
带看量计算:如中介公司A97%数据带看量最大值为45,实际带看量为20,则X=20/45≈0.45,根据公式:0.11x+0.89=0.11*0.45+0.89≈0.94,带看量分值为:20*0.94=18.8。
交易量计算:如中介公司A97%数据带看量最大值为99,实际交易量为10,则X=10/99≈0.10,根据公式:0.14x+0.86=0.14*0.1+0.86≈0.87,交易量分值:20*0.87=17.4。
在第三实施例中,所述步骤S201之后,还包括:
步骤S203:若所述目标指标数据不是连续变化类型数据,则判断所述目标指标数据是否处于预设取值范围。
应理解的是,举例说明,在所述目标指标特征分别为:电话号码、用户评分、工作年限、带看量和交易量,所述预设取值范围包括0-1或1-5,一种情况是属于0-1特征,比如电话号码有无;一种情况是设置的取值范围小,比如用户评分范围:1-5,对于上述两种情况,满足0-1或者1-5中任意一个范围,则可采用数据区间占比公式作为所述目标置信度公式。
步骤S204:若所述目标指标数据处于预设取值范围,则构建数据区间占比公式,将所述数据区间占比公式作为所述目标指标数据对应的目标置信度公式。
可理解的是,若所述目标指标数据处于预设取值范围,则可采用数据区间占比公式作为所述目标置信度公式。比如,中介公司A中用户评分这个特征指标:0-3分占比接近2/3,所述用户评分设置的所述预设值为15,那么对于所述用户评分可划分数据区间,对于所述用户评分为0-3分的数据区间,计算所述用户评分的目标置信度为:2/3*15=10,其余则为满分15。
需要说明的是,通常为了使用户能够选择出合适的目标信息,可将各待选取基本信息及对应的所述综合评分均进行展示,以使用户基于所述综合评分判断选择哪一个待选取基本信息。进一步地,可获取各待选取基本信息的综合评分,根据数量占比,对综合评分划分等级,比如:优秀、良好、中等和一般等等级。在进行展示时,可优先展示优秀等级的待选取基本信息给用户选择,其次展示良好等级的待选取基本信息,从而使得用户能够快速找到合适的待选取基本信息作为所述目标信息。
在本实施例中,所述步骤S10,包括:
获取待选取基本信息;
获取预设类别对应的历史指标数据,对所述预设类别级对应的所述历史指标数据进行训练,生成弱分类器;
通过所述弱分类器对历史基本信息进行分类,获得预设类别对应的弱分类指标数据;
根据所述预设类别对应的历史指标数据识别所述弱分类指标数据中正确结果和错误结果;
降低所述弱分类指标数据中正确结果的第一权重,提升所述弱分类指标数据中错误结果的第二权重;
根据所述第一权重和所述第二权重,对所述历史指标数据进行再次训练,获得强分类器;
对各待选取基本信息按照预设类别通过所述强分类器进行数据提取,获得所述预设类别对应的目标指标数据。
应理解的是,为了实现所述待选取基本信息的准确分类,可通过获取大量的预设类别对应的历史指标数据,对所述预设类别级对应的所述历史指标数据进行训练,找到阈值,生成弱分类器,经过一次训练获得的所述弱分类器的分类效果可能准确率不高,可通过所述弱分类器对历史基本信息进行分类,获得预设类别对应的弱分类指标数据,此处的历史基本信息为已经分类过的预设类别对应的历史指标数据所构成,则可通过将所述弱分类指标数据与所述历史指标数据进行比对,若一致,则说明该弱分类指标数据为正确结果,若不一致,则说明该弱分类指标数据为错误结果,为了提高所述若分类器的分类准确率,可对所述弱分类指标数据的权重进行调整,降低所述弱分类指标数据中正确结果的第一权重,提升所述弱分类指标数据中错误结果的第二权重,从而根据调整之后的所述第一权重也是与所述正确结果对应的历史指标数据的权重,所述第二权重也是与所述错误结果对应的历史指标数据的权重,根据所述第一权重和所述第二权重,再次对所述历史指标数据进行训练,找到新的阈值,生成强分类器,则所述强分类器的分类准确度高于所述弱分类器,对各待选取基本信息按照预设类别通过所述强分类器进行数据提取,获得所述预设类别对应的目标指标数据,提高了各待选取基本信息的数据提取的准确度。
在第三实施例中,判断所述目标指标数据是否为连续变化类型数据,若所述目标指标数据是连续变化类型数据,则构建以所述目标指标数据为自变量,以所述目标指标数据对应的目标权重为因变量的线性函数,将所述线性函数作为所述目标指标数据对应的目标置信度公式,若所述目标指标数据不是连续变化类型数据,则判断所述目标指标数据是否处于预设取值范围,若所述目标指标数据处于预设取值范围,则构建数据区间占比公式,将所述数据区间占比公式作为所述目标指标数据对应的目标置信度公式,根据数据特征从而建立合适的置信度计算公式,从而合理对各待选取基本信息进行评分,提高从各待选取基本信息中选取目标信息的效率和准确度。
此外,本发明实施例还提出一种存储介质,所述存储介质上存储有基于大数据的信息推送程序,所述基于大数据的信息推送程序被处理器执行时实现如上文所述的基于大数据的信息推送方法的步骤。
此外,参照图5,本发明实施例还提出一种基于大数据的信息推送装置,所述基于大数据的信息推送装置包括:
提取模块10,用于获取待选取基本信息,对各待选取基本信息按照预设类别进行数据提取,获得所述预设类别对应的目标指标数据;
获取模块20,用于获取与各目标指标数据对应的目标置信度公式;
计算模块30,用于根据所述目标指标数据及对应的所述目标置信度公式分别计算各目标指标数据的目标置信度;
所述计算模块30,还用于根据各目标指标数据的目标置信度计算各待选取基本信息的综合评分;
推送模块40,用于根据所述综合评分从各待选取基本信息中选取目标信息,将所述目标信息推送至目标终端。
应理解的是,所述待选取基本信息可以是涉及不同行业的同一个业务下的基础数据,以经纪人的基本信息为例,所述待选取基本信息包括工作年限、用户评分、电话号码、带看量、交易量、好评率和好评数等信息。所述预设类别通常为所述待选取基本信息包含的数据类型中对用户需求影响较大的数据类型,以经纪人的基本信息为例,根据经验值设置的对经纪人的综合素质评价影响比较大的数据类别,所述预设类别可以包括电话号码、用户评分、工作年限、带看量和交易量。所述预设类别的设置还可通过与用户进行交互获取,可以通过将所述待选取基本信息包括的所有类别制作成类别列表,将所述类别列表发送至用户设备,以使用户基于所述类别列表选取关注度较高的预设类别,接收所述用户设备发送的用户选取的预设类别,按照用户选取的预设类别对所述待选取基本信息进行数据提取,从而获得各预设类别分别对应的目标指标数据。对于不属于所述预设类别的数据不予考虑,通常不属于所述预设类别的数据为边缘数据,对所述待选取基本信息的综合评分影响较小。
比如,所述待选取基本信息包括:工作年限为6年、用户评分为5分、电话号码为1xxx、带看量为20次每月、交易量为10次每月、好评率为80%和好评数为16个等信息。所述预设类别为工作年限、用户评分、电话号码、带看量和交易量,则对所述待选取基本信息按照所述预设类别进行数据提取,获得各预设类别对应的目标指标数据为:工作年限为6年、用户评分为5分、电话号码为1xxx、带看量为20次每月和交易量为10次每月。
可理解的是,通常预先对各目标指标数据的特性进行分析,根据所述目标指标数据的特征设置相应的目标置信度公式。通常根据经验值设置各目标指标数据的预设值,所述预设值相当于该项目标指标数据的满分。所述预设值设置标准可以是各项指标特征对应的预设值求和满足100,且预设值分布均匀即可,没有严格限制,比如中介公司A对经纪人的基本信息进行分析,设置所述目标指标特征分别为:电话号码、用户评分、工作年限、带看量和交易量,对应的预设值为:30、15、15、20及20。所述预设值设置标准还可以是各项指标特征对应的预设值均设置为统一的值,比如,各项指标特征对应的所述预设值取值均为100,本实施例对此不加以限制。
在具体实现中,若所述目标指标数据的变化范围小,一种情况是属于0-1特征,比如电话号码有无;一种情况是设置的取值范围小,比如用户评分范围:1-5,对于上述两种情况,可采用数据区间占比公式作为所述目标置信度公式。若所述目标指标数据属于连续变化类型数据,比如带看量最小值:0,最大值:100,交易量最小值:1,最大值为99,所述带看量和所述交易量取值连续变化且取值范围通常较大,属于无量纲数据,需要将其标准化使其分布在(0,1)范围内,再乘以对应的所述预设值,从而获得对应的所述目标置信度。可根据上述分析结果,预先设置各种数据类型的指标数据对应的置信度公式,并将各种指标数据与所述置信度公式之间的对应关系存储与映射关系表中,则后续进行置信度计算时,可从所述映射关系表中获取对应的目标置信度公式,根据获取的所述目标置信度公式计算所述目标指标数据的目标置信度。本实施例中,所述获取与各目标指标数据对应的目标置信度公式,包括:从映射关系表中获取与各目标指标数据对应的目标置信度公式,所述映射关系表中包括指标数据与置信度公式之间的对应关系。
需要说明的是,若所述目标指标数据的变化范围小,一种情况是属于0-1特征,比如电话号码有无;一种情况是设置的取值范围小,比如用户评分范围:1-5,对于上述两种情况,可采用数据区间占比公式作为所述目标置信度公式。比如中介公司A中用户评分这个特征指标:0-3分占比接近2/3,所述用户评分设置的所述预设值为15,那么对于所述用户评分可划分数据区间,对于所述用户评分为0-3分的数据区间,计算所述用户评分的目标置信度为:2/3*15=10,其余则为满分15。若所述目标指标数据属于连续变化类型数据,比如带看量最小值:0,最大值:100;交易量最小值:1,最大值为99,所述带看量和所述交易量取值连续变化且取值范围通常较大,属于无量纲数据,需要将其标准化使其分布在(0,1)范围内,再乘以对应的所述预设值,从而获得对应的所述目标置信度。
应理解的是,对于各目标指标数据可设置相应的目标权重,可通过对每个目标指标数据设置多个权重参数选项,将所述权重参数选项进行展示,供用户选择,从而获得所述目标权重;或者,通过权重评估模型评估各目标指标数据的目标权重。将各目标指标数据的目标置信度乘以对应的目标权重,并将计算获得的各乘积进行累加,获得各待选取基本信息的综合评分。
应理解的是,所述目标终端是可用于接收信息的终端设备,比如用户的智能手机或个人电脑等,本实施例对此不加以限制。通常可选取所述综合评分中评分最高的预设数量(比如1、2或3)的待选取基本信息作为所述目标信息,所述综合评分越高,说明对应的待选取基本信息越符合需求,将所述目标信息推送至目标终端,提高了数据推送的效率和准确度。
本实施例中,通过获取待选取基本信息,对各待选取基本信息按照预设类别进行数据提取,获得所述预设类别对应的目标指标数据,获取与各目标指标数据对应的目标置信度公式,根据各目标指标数据的目标置信度计算各待选取基本信息的综合评分,根据所述综合评分从各待选取基本信息中选取目标信息,将所述目标信息推送至目标终端,基于大数据分析,通过对大量的待选取基本信息进行综合评分,从而根据综合评分将符合需求的目标信息筛选出来并推送,以提高数据推送效率和准确度,提升用户体验。
在一实施例中,所述获取模块20,还用于获取各目标指标数据对应的目标权重;
所述计算模块30,还用于计算各目标指标数据的目标置信度和目标权重的乘积之和,获得各待选取基本信息的综合评分。
在一实施例中,所述提取模块10,还用于获取历史基本信息,从所述历史基本信息中提取出历史指标数据及对应的历史权重;
所述基于大数据的信息推送装置还包括:
训练模块,用于根据所述历史指标数据及对应的历史权重对卷积神经网络模型进行训练,获得权重评估模型;
评估模块,用于将所述目标指标数据输入所述权重评估模型进行评估,获得各目标指标数据对应的目标权重。
在一实施例中,所述基于大数据的信息推送装置还包括:
判断模块,用于判断所述目标指标数据是否为连续变化类型数据;
构建模块,用于若所述目标指标数据是连续变化类型数据,则构建以所述目标指标数据为自变量,以所述目标指标数据对应的目标权重为因变量的线性函数,将所述线性函数作为所述目标指标数据对应的目标置信度公式。
在一实施例中,所述判断模块,还用于若所述目标指标数据不是连续变化类型数据,则判断所述目标指标数据是否处于预设取值范围;
所述构建模块,还用于若所述目标指标数据处于预设取值范围,则构建数据区间占比公式,将所述数据区间占比公式作为所述目标指标数据对应的目标置信度公式。
在一实施例中,所述获取模块20,还用于从映射关系表中获取与各目标指标数据对应的目标置信度公式,所述映射关系表中包括指标数据与置信度公式之间的对应关系。
在一实施例中,所述获取模块20,还用于获取待选取基本信息;获取预设类别对应的历史指标数据,对所述预设类别级对应的所述历史指标数据进行训练,生成弱分类器;通过所述弱分类器对历史基本信息进行分类,获得预设类别对应的弱分类指标数据;根据所述预设类别对应的历史指标数据识别所述弱分类指标数据中正确结果和错误结果;降低所述弱分类指标数据中正确结果的第一权重,提升所述弱分类指标数据中错误结果的第二权重;根据所述第一权重和所述第二权重,对所述历史指标数据进行再次训练,获得强分类器;对各待选取基本信息按照预设类别通过所述强分类器进行数据提取,获得所述预设类别对应的目标指标数据。
本发明所述基于大数据的信息推送装置的其他实施例或具体实现方式可参照上述各方法实施例,此处不再赘述。
需要说明的是,在本文中,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。
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。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。词语第一、第二、以及第三等的使用不表示任何顺序,可将这些词语解释为标识。
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一个存储介质(如只读存储器镜像(Read Only Memory image,ROM)/随机存取存储器(Random AccessMemory,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)
1.一种基于大数据的信息推送方法,其特征在于,所述基于大数据的信息推送方法包括以下步骤:
获取待选取基本信息,对各待选取基本信息按照预设类别进行数据提取,获得所述预设类别对应的目标指标数据;
获取与各目标指标数据对应的目标置信度公式;
根据所述目标指标数据及对应的所述目标置信度公式分别计算各目标指标数据的目标置信度;
根据各目标指标数据的目标置信度计算各待选取基本信息的综合评分;
根据所述综合评分从各待选取基本信息中选取目标信息,将所述目标信息推送至目标终端。
2.如权利要求1所述的基于大数据的信息推送方法,其特征在于,所述根据各目标指标数据的目标置信度计算各待选取基本信息的综合评分,包括:
获取各目标指标数据对应的目标权重;
计算各目标指标数据的目标置信度和目标权重的乘积之和,获得各待选取基本信息的综合评分。
3.如权利要求2所述的基于大数据的信息推送方法,其特征在于,所述获取各目标指标数据对应的目标权重,包括:
获取历史基本信息,从所述历史基本信息中提取出历史指标数据及对应的历史权重;
根据所述历史指标数据及对应的历史权重对卷积神经网络模型进行训练,获得权重评估模型;
将所述目标指标数据输入所述权重评估模型进行评估,获得各目标指标数据对应的目标权重。
4.如权利要求1所述的基于大数据的信息推送方法,其特征在于,所述获取与各目标指标数据对应的目标置信度公式之前,所述基于大数据的信息推送方法还包括:
判断所述目标指标数据是否为连续变化类型数据;
若所述目标指标数据是连续变化类型数据,则构建以所述目标指标数据为自变量,以所述目标指标数据对应的目标权重为因变量的线性函数,将所述线性函数作为所述目标指标数据对应的目标置信度公式。
5.如权利要求4所述的基于大数据的信息推送方法,其特征在于,所述判断所述目标指标数据是否为连续变化类型数据之后,所述基于大数据的信息推送方法还包括:
若所述目标指标数据不是连续变化类型数据,则判断所述目标指标数据是否处于预设取值范围;
若所述目标指标数据处于预设取值范围,则构建数据区间占比公式,将所述数据区间占比公式作为所述目标指标数据对应的目标置信度公式。
6.如权利要求1-5中任一项所述的基于大数据的信息推送方法,其特征在于,所述获取与各目标指标数据对应的目标置信度公式,包括:
从映射关系表中获取与各目标指标数据对应的目标置信度公式,所述映射关系表中包括指标数据与置信度公式之间的对应关系。
7.如权利要求1-5中任一项所述的基于大数据的信息推送方法,其特征在于,所述获取待选取基本信息,对各待选取基本信息按照预设类别进行数据提取,获得所述预设类别对应的目标指标数据,包括:
获取待选取基本信息;
获取预设类别对应的历史指标数据,对所述预设类别级对应的所述历史指标数据进行训练,生成弱分类器;
通过所述弱分类器对历史基本信息进行分类,获得预设类别对应的弱分类指标数据;
根据所述预设类别对应的历史指标数据识别所述弱分类指标数据中正确结果和错误结果;
降低所述弱分类指标数据中正确结果的第一权重,提升所述弱分类指标数据中错误结果的第二权重;
根据所述第一权重和所述第二权重,对所述历史指标数据进行再次训练,获得强分类器;
对各待选取基本信息按照预设类别通过所述强分类器进行数据提取,获得所述预设类别对应的目标指标数据。
8.一种基于大数据的信息推送设备,其特征在于,所述基于大数据的信息推送设备包括: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基于大数据的信息推送程序,所述基于大数据的信息推送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的信息推送方法的步骤。
9.一种存储介质,其特征在于,所述存储介质上存储有基于大数据的信息推送程序,所述基于大数据的信息推送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的信息推送方法的步骤。
10.一种基于大数据的信息推送装置,其特征在于,所述基于大数据的信息推送装置包括:
提取模块,用于获取待选取基本信息,对各待选取基本信息按照预设类别进行数据提取,获得所述预设类别对应的目标指标数据;
获取模块,用于获取与各目标指标数据对应的目标置信度公式;
计算模块,用于根据所述目标指标数据及对应的所述目标置信度公式分别计算各目标指标数据的目标置信度;
所述计算模块,还用于根据各目标指标数据的目标置信度计算各待选取基本信息的综合评分;
推送模块,用于根据所述综合评分从各待选取基本信息中选取目标信息,将所述目标信息推送至目标终端。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910315456.XA CN110162545A (zh) | 2019-04-18 | 2019-04-18 | 基于大数据的信息推送方法、设备、存储介质及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910315456.XA CN110162545A (zh) | 2019-04-18 | 2019-04-18 | 基于大数据的信息推送方法、设备、存储介质及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110162545A true CN110162545A (zh) | 2019-08-23 |
Family
ID=67639664
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910315456.XA Pending CN110162545A (zh) | 2019-04-18 | 2019-04-18 | 基于大数据的信息推送方法、设备、存储介质及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110162545A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110597882A (zh) * | 2019-09-19 | 2019-12-20 | 北京明略软件系统有限公司 | 数据处理方法及装置、存储介质、电子装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106708939A (zh) * | 2016-11-24 | 2017-05-24 | 上海智传文化传播有限公司 | 一种对目标人物进行评分及推送的方法、装置、系统 |
US9864951B1 (en) * | 2015-03-30 | 2018-01-09 | Amazon Technologies, Inc. | Randomized latent feature learning |
CN108304429A (zh) * | 2017-05-16 | 2018-07-20 | 腾讯科技(深圳)有限公司 | 信息推荐方法、装置和计算机设备 |
CN109214717A (zh) * | 2018-10-24 | 2019-01-15 | 国网江西省电力有限公司经济技术研究院 | 配电网电源并网评价方法及其评价系统 |
-
2019
- 2019-04-18 CN CN201910315456.XA patent/CN110162545A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9864951B1 (en) * | 2015-03-30 | 2018-01-09 | Amazon Technologies, Inc. | Randomized latent feature learning |
CN106708939A (zh) * | 2016-11-24 | 2017-05-24 | 上海智传文化传播有限公司 | 一种对目标人物进行评分及推送的方法、装置、系统 |
CN108304429A (zh) * | 2017-05-16 | 2018-07-20 | 腾讯科技(深圳)有限公司 | 信息推荐方法、装置和计算机设备 |
CN109214717A (zh) * | 2018-10-24 | 2019-01-15 | 国网江西省电力有限公司经济技术研究院 | 配电网电源并网评价方法及其评价系统 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110597882A (zh) * | 2019-09-19 | 2019-12-20 | 北京明略软件系统有限公司 | 数据处理方法及装置、存储介质、电子装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107910068A (zh) | 投保用户的健康风险预测方法、装置、设备及存储介质 | |
CN108256691A (zh) | 还款概率预测模型构建方法及装置 | |
CN105490823B (zh) | 一种数据处理方法及装置 | |
CN110163647A (zh) | 一种数据处理方法及装置 | |
CN106919579A (zh) | 一种信息处理方法及装置、设备 | |
CN104572775B (zh) | 广告分类方法、装置及服务器 | |
CN111078880B (zh) | 子应用的风险识别方法以及装置 | |
CN109872232A (zh) | 涉及非法所得合法化行为的账户分类方法、装置、计算机设备及存储介质 | |
CN109670962A (zh) | 基于大数据的理财产品推送方法、装置、设备及存储介质 | |
CN107657500A (zh) | 股票推荐方法及服务器 | |
CN107644098A (zh) | 一种欺诈行为识别方法、装置、设备及存储介质 | |
CN110489449A (zh) | 一种图表推荐方法、装置和电子设备 | |
CN111797320B (zh) | 数据处理方法、装置、设备及存储介质 | |
CN107194815B (zh) | 客户分类方法及系统 | |
CN108429776A (zh) | 网络对象的推送方法、装置、客户端、交互设备以及系统 | |
CN106651368A (zh) | 防刷单的支付方式的控制方法及控制系统 | |
CN109492863A (zh) | 金融单证的自动生成方法及装置 | |
CN108629508A (zh) | 信用风险分类方法、装置、计算机设备及存储介质 | |
CN114782123A (zh) | 一种信用评估方法及系统 | |
CN108171570A (zh) | 一种数据筛选方法、装置及终端 | |
CN110019774A (zh) | 标签分配方法、装置、存储介质及电子装置 | |
CN114139931A (zh) | 企业数据评估方法、装置、计算机设备及存储介质 | |
CN113837793A (zh) | 一种供应商推荐方法、装置、存储介质及终端 | |
CN110162545A (zh) | 基于大数据的信息推送方法、设备、存储介质及装置 | |
CN109102391A (zh) | 金融机构评级方法、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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190823 |