CN110457576A - 账户分类方法、装置、计算机设备和存储介质 - Google Patents
账户分类方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN110457576A CN110457576A CN201910610493.3A CN201910610493A CN110457576A CN 110457576 A CN110457576 A CN 110457576A CN 201910610493 A CN201910610493 A CN 201910610493A CN 110457576 A CN110457576 A CN 110457576A
- Authority
- CN
- China
- Prior art keywords
- interest tags
- candidate
- label
- target
- feature
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- 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
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及人工智能,提供一种账户分类方法、装置、计算机设备和存储介质,所述方法包括:将候选兴趣标签进行特征化处理,得到候选兴趣标签特征;获取特征筛选模型,特征筛选模型是由互信息算法和随机森林算法进行构建的,将候选兴趣标签特征输入特征筛选模型中,输出目标兴趣特征;从候选兴趣标签中确定与目标兴趣特征对应的目标兴趣标签;将目标兴趣标签输入已训练的预测模型中,输出与目标兴趣标签对应的资源信息概率;当资源信息概率大于预设资源阈值时,将候选兴趣标签对应的账户标识划分至对应的资源群组,能够通过兴趣标签准确且快捷地将账户标识划分至对应的资源群组中。
Description
技术领域
本申请涉及计算机技术领域,特别是涉及一种账户分类方法、装置、计算机设备和存储介质。
背景技术
随着计算机技术领域的高速发展,不同类型的账户层出不穷,由于账号种类的繁多,当需要针对不同账户类型制定不同服务策略时就显得十分困难,因此对账户进行有效的分类是个亟需解决的问题。
传统地对账户进行分类时需要获取与账户相关的大量个人隐私信息,例如存款状况、名下不动产等,但由于个人隐私信息的难获取性,导致在进行账户分类时容易出现分类不准确的情况。
发明内容
基于此,有必要针对上述技术问题,提供一种账户分类方法、装置、计算机设备和存储介质,能够通过兴趣标签准确且快捷地将账户标识划分至对应的资源群组中。
一种账户分类方法,所述方法包括:
获取账户标识对应的候选兴趣标签,将所述候选兴趣标签进行特征化处理,得到所述候选兴趣标签对应的候选兴趣标签特征;
获取特征筛选模型,所述特征筛选模型是由互信息算法和随机森林算法进行构建的,将所述候选兴趣标签特征输入所述特征筛选模型中,输出目标兴趣特征;
从所述候选兴趣标签中确定与所述目标兴趣特征对应的目标兴趣标签;
将所述目标兴趣标签输入已训练的预测模型中,输出与所述目标兴趣标签对应的资源信息概率;
当所述资源信息概率大于预设资源阈值时,将所述候选兴趣标签对应的账户标识划分至对应的资源群组。
在其中一个实施例中,所述方法还包括:
获取与账户标识对应的特质数据和行为数据;
根据所述特质数据确定与所述账户标识对应的第一特质标签,根据所述行为数据确定与所述账户标识对应的第一行为标签;
将所述第一特质标签和所述第一行为标签进行汇总,得到候选兴趣标签。
在其中一个实施例中,所述方法还包括:
确定与所述行为数据对应的行为频次信息;筛除所述行为频次信息小于预设行为阈值的行为数据,得到目标行为数据;
根据所述目标行为数据确定与所述账户标识对应的第一行为标签,将所述第一特质标签和所述第一行为标签进行汇总,得到所述候选兴趣标签。
在其中一个实施例中,所述方法还包括:
获取模型训练样本,将所述模型训练样本按预设比例划分为训练集和验证集;将所述训练集输入基础预测模型中进行训练,得到中间预测模型;
将所述验证集输入所述中间预测模型中进行验证,得到当前验证结果;获取预先设定的与所述模型训练样本对应的目标验证结果;
当所述当前验证结果与所述目标验证结果不一致时,对所述中间模型进行参数调整,直至所述当前验证结果与所述目标验证结果一致时,得到预测模型。
在其中一个实施例中,所述方法还包括:
将所述目标兴趣标签对应的资源群组进行显示,获取与所述资源群组对应的群组更正信息;
根据所述群组更正信息对所述预测模型中的参数进行调节;根据每次调节后的参数对所述预测模型进行更新,得到更新后的预测模型;
将所述目标兴趣标签输入更新后的预测模型中,输出与目标兴趣标签对应的更新后的资源信息概率;
当所述更新后的资源信息概率大于预设阈值时,将所述候选兴趣标签对应的账户标识划分至对应的资源群组。
一种账户分类装置,所述装置包括:
标签处理模块,用于获取账户标识对应的候选兴趣标签,将所述候选兴趣标签进行特征化处理,得到所述候选兴趣标签对应的候选兴趣标签特征;
兴趣特征获取模块,用于获取特征筛选模型,所述特征筛选模型是由互信息算法和随机森林算法进行构建的,将所述候选兴趣标签特征输入所述特征筛选模型中,输出目标兴趣特征;
兴趣标签确定模块,用于从所述候选兴趣标签中确定与所述目标兴趣特征对应的目标兴趣标签;
概率输出模块,用于将所述目标兴趣标签输入已训练的预测模型中,输出与所述目标兴趣标签对应的资源信息概率;
群组划分模块,用于当所述资源信息概率大于预设资源阈值时,将所述候选兴趣标签对应的账户标识划分至对应的资源群组。
在其中一个实施例中,所述装置还包括:
数据获取模块,用于获取与账户标识对应的特质数据和行为数据;
标签确定模块,用于根据所述特质数据确定与所述账户标识对应的第一特质标签,根据所述行为数据确定与所述账户标识对应的第一行为标签;
第一标签汇总模块,用于将所述第一特质标签和所述第一行为标签进行汇总,得到候选兴趣标签。
在其中一个实施例中,所述装置还包括:
数据筛除模块,用于确定与所述行为数据对应的行为频次信息;筛除所述行为频次信息小于预设行为阈值的行为数据,得到目标行为数据;
第二标签汇总模块,用于根据所述目标行为数据确定与所述账户标识对应的第一行为标签,将所述第一特质标签和所述第一行为标签进行汇总,得到所述候选兴趣标签。
一种计算机设备,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,所述处理器执行所述程序时实现上述方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述方法的步骤。
上述账户分类方法、装置、计算机设备和存储介质,服务器获取与账户标识对应的候选兴趣标签,并将候选兴趣标签进行特征化处理,得到候选兴趣标签特征,根据互信息算法和随机森林算法构建特征筛选模型,将候选兴趣标签特征输入特征筛选模型中,输出目标兴趣特征,再根据目标兴趣特征确定目标兴趣标签,通过对候选兴趣标签的筛选,能够有效地剔除无用的兴趣标签,进一步提高通过兴趣标签预测与账户标识对应的资源信息的准确度。服务器将目标兴趣标签输入已训练的预测模型中,输出与目标兴趣标签对应的资源信息概率,当资源信息概率大于预设资源阈值时,将候选兴趣标签对应的账户标识划分至对应的资源群组。账户服务器通过将兴趣标签转换为候选兴趣标签特征,并将其输入特征筛选模型中,能够使得特征筛选模型在进行特征的筛选时更加准确,且避免模型的过拟合,有效地剔除无用的候选兴趣标签特征,得到目标兴趣特征,通过标签的特征化、从候选兴趣标签中确定与目标兴趣特征对应的目标兴趣标签、根据目标兴趣标签确定对应的资源信息概率、再将候选兴趣标签对应的账户标识划分至对应的资源群组等多个处理步骤之间的配合,不需要获取大量的账户个人隐私信息,只需账户兴趣标签就能够准确且快捷地预测与账户标识对应的资源,并将账户标识划分至对应的资源群组中,能够通过兴趣标签准确且快捷地将账户标识划分至对应的资源群组中。
附图说明
图1为一个实施例中账户分类方法的应用环境图;
图2为一个实施例中账户分类方法的方法流程图;
图3为一个实施例中账户分类方法中进行标签汇总的方法流程图;
图4为一个实施例中账户分类方法中进行资源群组划分的方法流程图;
图5为一个实施例中账户分类方法装置的结构示意图;
图6为一个实施例中计算机设备的内部结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本发明实施例中所提供的账户分类方法可以应用于如图1所示的应用环境中,服务器120获取账户标识对应的候选兴趣标签,服务器120将候选兴趣标签进行特征化处理,得到候选兴趣标签对应的候选兴趣标签特征,并获取特征筛选模型,特征筛选模型是由互信息算法和随机森林算法进行构建的,服务器120将候选兴趣标签特征输入特征筛选模型中,输出目标兴趣特征,服务器120从候选兴趣标签中确定与目标兴趣特征对应的目标兴趣标签,将目标兴趣标签输入已训练的预测模型中,输出与目标兴趣标签对应的资源信息概率,当资源信息概率大于预设资源阈值时,服务器120将候选兴趣标签对应的账户标识划分至对应的资源群组,可将该资源群组显示至终端110。
下述实施方式以账户分类方法应用于图1的服务器为例进行说明,但需要说明的是,实际应用中该方法并不仅限应用于上述服务器。
如图2所示,为一个实施例中的账户分类方法的流程图,该方法具体包括以下步骤:
步骤202,获取账户标识对应的候选兴趣标签,将候选兴趣标签进行特征化处理,得到候选兴趣标签对应的候选兴趣标签特征。
其中,账户标识是指表征账户身份信息的标识,账户标识包括但不限于账户身份证信息、账户账号信息等。候选兴趣标签是指与账户标识对应的账户的兴趣爱好信息,可以理解的是,与账户标识对应的候选兴趣标签为至少一个。候选兴趣标签特征是指将候选兴趣标签进行标签特征化处理后得到的特征信息,服务器通过将候选兴趣标签进行特征化处理,得到候选兴趣标签特征,并将该候选兴趣标签特征输入特征筛选模型中,能够使得特征筛选模型在进行特征的筛选时更加准确,有效地避免了直接将标签输入特征筛选模型时出现的模型过拟合问题,有效地剔除无用的特征信息。
在一个实施例中,服务器可从终端或其他分布式服务器中获取与账户标识对应的特质数据和行为数据,可以理解的是,特质数据包括账户的年龄、姓名、职业和受教育程度等,行为数据是指对账户日常生活中的行为进行分析得到的数据。账户的行为数据和账户的特质数据的数据来源包括账户的日志信息、账户主体信息和外界环境信息,例如:(1)网站日志:当账户在访问某个目标网站时,网站记录的账户相关行为信息。(2)搜索引擎日志:搜索引擎日志系统所记录的账户在搜索引擎上的相关行为信息。(3)账户浏览日志:通过特定的工具和途径记录账户所记录的账户在该搜索引擎上的相关行为信息。(4)外界环境数据:如移动互联网流量、手机上网账户增长、自费套餐等。服务器根据特质数据确定与第一特质标签,根据行为数据确定第一行为标签,第一特质标签是指与账户的年龄、姓名、职业和受教育程度对应的标签,第一行为标签与账户日常生活中的行为对应的标签,服务器再进一步将第一特质标签和第一行为标签进行汇总,得到候选兴趣标签。
在一个实施例中,终端可直接发送与账户标识对应的候选兴趣标签至服务器,服务器将接收到的候选兴趣标签存储至本地。服务器也可从其他分布式服务器中直接获取候选兴趣标签,并将候选兴趣标签进行特征化处理,得到候选兴趣标签对应的候选兴趣标签特征。
在一个实施例中,与账户标识对应的候选兴趣标签包括但不限于喜欢关注与汽车相关的资讯、喜欢关注房地产领域相关的资讯、喜欢关注理财类资讯、喜欢购物、喜欢运动、喜欢音乐、喜欢阅读等。举例说明,例如账户标识对应的账户为A时,该账户A的候选兴趣标签为爱听音乐、爱看理财类资讯,则服务器将账户A的候选兴趣标签进行特征化处理,得到候选的兴趣标签特征为爱听音乐特征和爱看理财类资讯特征。
具体地,特征化处理是指服务器根据候选兴趣标签构建不同维度的特征,将候选兴趣标签转换为特征信息以用于进行特征筛选的过程。特征化处理包括特征构建、特征提取以及特征选择。特征构建根据原始数据构建新的特征,需要找出一些具有物理意义的特征,特征提取是指自动地构建新的特征,将原始标签转换为一组具有明显物理意义或者统计意义或核的特征。例如Gabor,几何特征,纹理等,特征选择是指从特征集合中挑选一组最具统计意义的特征子集,把无关的特征删掉,从而达到降维的效果,以此进一步将候选兴趣标签转换为候选兴趣标签特征。可以理解的是,服务器将候选兴趣标签进行特征化处理实质上是将候选兴趣标签使用更高效的编码方式(特征)表示。使用特征表示的信息,信息损失较少,而原始数据(候选兴趣标签)中包含的规律依然保留。通过将候选兴趣标签转换为候选兴趣标签特征能够减少原始数据中(候选兴趣标签)的不确定因素(白噪声、异常数据和数据缺失等等),能够提高预测账户标识对应的资源信息概率时的准确性。
步骤204,获取特征筛选模型,特征筛选模型是由互信息算法和随机森林算法进行构建的,将候选兴趣标签特征输入特征筛选模型中,输出目标兴趣特征。
其中,特征筛选模型是由互信息算法和随机森林算法进行构建的,随机森林算法指的是利用多棵树对样本进行训练并预测的一种分类器,互信息算法指的是一种有用的信息度量,它可以看成是一个随机变量中包含的关于另一个随机变量的信息量。传统地在进行特征筛选时,若出现相似或相近特征信息时,无法准确地识别特征信息之间的差异性,在本方法中服务器通过互信息算法和随机森林算法能够有效地计算特征信息间的差异度,在面对相似特征信息时,也能够有效地对特征进行筛选,输出目标兴趣特征。
具体地,特征筛选模型包括特征筛选规则,该特征筛选规则可根据需求自定义进行配置,也可由服务器获取历史资源预测时对应的历史特征筛选规则,并将该历史特征筛选规则作为特征筛选模型所使用的特征筛选规则。由于候选兴趣标签特征中存在许多噪音特征,因此服务器通过特征筛选模型能够将候选兴趣标签特征中的噪音特征进行进一步的筛除,得到目标兴趣特征,以用于服务器根据更准确的兴趣标签预测资源信息概率。服务器通过将候选兴趣标签特征输入特征筛选模型中得到目标兴趣特征,有效地剔除了无用的兴趣标签,目标兴趣特征是指服务器对候选兴趣标签特征进行筛选后得到的特征信息,且该目标兴趣特征是与预测账户资源信息相关的特征信息。
举例说明,当服务器需要对账户标识对应的账户进行资源信息的预测时,将获取具有表征意义的候选兴趣标签,例如当账户B的兴趣特征为喜欢运动、喜欢阅读和喜欢关注理财类资讯时,则服务器将账户B的兴趣特征进行特征化处理,得到候选兴趣标签特征,再将候选兴趣标签特征输入特征筛选模型中,得到目标兴趣特征,可以理解的是,在这一过程中,服务器可根据预测的资源信息的种类对候选兴趣标签特征进行筛选,若资源信息为财富信息时,则服务器可进一步筛除爱运动这一候选兴趣标签特征,将喜欢阅读特征和喜欢关注理财类资讯特征作为目标兴趣特征。
在一个实施例中,服务器根据预测的资源信息的不同调用不同的特征筛选规则,特征筛选模型将根据特征筛选规则进行筛选候选兴趣标签特征,得到目标兴趣特征。
步骤206,从候选兴趣标签中确定与目标兴趣特征对应的目标兴趣标签。
其中,目标兴趣标签是与目标兴趣特征一一对应的且与预测资源信息概率相关的兴趣标签,服务器通过特征筛选模型剔除无用的特征信息,得到目标兴趣特征,并从候选兴趣标签中确定与目标兴趣特征对应的目标兴趣标签,进一步将特征标签化,将与预测资源信息概率相关的目标兴趣特征映射为目标兴趣标签,可以理解的是,该已训练的预测模型的输入为标签信息,通过将特征信息转换为目标兴趣标签输入已训练的预测模型中,能够得到对应的资源信息概率。
步骤208,将目标兴趣标签输入已训练的预测模型中,输出与目标兴趣标签对应的资源信息概率。
其中,服务器将目标兴趣标签输入已训练的预测模型中,得到资源信息概率。在一个实施例中,该预测模型为逻辑回归模型,相当于y=f(x),其用于表明自变量x与因变量y的关系,逻辑回归模型指的是给定一些输入,该输入为标签类信息,输出结果为离散值。举例说明,例如用逻辑回归模型实现一个财富值预测分类器,输入兴趣标签x,预测该兴趣标签对应的账户标识是否为高财富人群,输出该兴趣标签中为高财富的概率结果y。
在一个实施例中,与账户标识对应的资源包括但不限于线上资源和线下资源,线下资源包括但不限于虚拟红包、电子券、积分券、积分、电子代金券、游戏币和虚拟物品等。服务器根据不同种类的资源调用不同的特征筛选规则,得到目标兴趣特征,由目标兴趣特征进一步确定目标兴趣标签。
步骤210,当资源信息概率大于预设资源阈值时,将候选兴趣标签对应的账户标识划分至对应的资源群组。
其中,预设资源阈值是指预先设置的用于将账户标识划分对应的资源群组的阈值信息,当资源信息概率大于预设资源阈值时,服务器将候选兴趣标签对应的账户标识划分至对应的资源群组中。
具体地,当资源信息概率小于预设资源阈值时,服务器将候选兴趣标签对应的账户标识划分至对应的资源群组。举例说明,当资源信息概率为高财富人群概率信息,且高财富人群概率信息大于预设资源阈值时,服务器将候选兴趣标签对应的账户标识划分至对应的高财富人群中,当高财富人群概率信息小于预设阈值时,服务器将候选兴趣标签对应的账户标识划分至对应的低财富人群中。
在一个实施例中,预设资源阈值可由终端自定义设置,也可根据服务器划分的资源群组的准确率进一步确定预设资源阈值。具体地,服务器可将每次划分的资源群组显示至对应的终端,并接收终端每次发送的群组更正信息,根据服务器接收群组更正信息的频率对预设资源阈值进行调整,直至服务器接收终端发送的群组更正信息的频率降低至自定义阈值时,得到预设资源阈值。服务器通过提高预设资源阈值的精确度,能够进一步提高资源群组划分的准确度。
在一个实施例中,资源群组包括高财富人群和低财富人群。其中,将这些兴趣标签都以上述的方式表示为特征向量的形式,则可以由一对(x,y)进行表示,其中x是nx维的特征向量,y是该特征向量的标签,根据该特征向量表示的是高财富人群或非高财富人群,值取0和1。即当资源信息概率为1时,可将资源信息概率对应的账户标识划分至对应的高财富人群中,当资源信息概率为0时,可将资源信息概率对应的账户标识划分至对应的低财富人群中。
本实施例中,服务器获取与账户标识对应的候选兴趣标签,并将候选兴趣标签进行特征化处理,得到候选兴趣标签特征,根据互信息算法和随机森林算法构建特征筛选模型,将候选兴趣标签特征输入特征筛选模型中,输出目标兴趣特征,再根据目标兴趣特征确定目标兴趣标签,通过对兴趣标签的筛选,能够有效地剔除无用的兴趣标签,进一步提高通过兴趣标签预测与账户标识对应的资源信息的准确度。服务器将目标兴趣标签输入已训练的预测模型中,输出与目标兴趣标签对应的资源信息概率,当资源信息概率大于预设资源阈值时,将兴趣标签对应的账户标识划分至对应的资源群组。服务器通过将兴趣标签转换为候选兴趣标签特征,并将其输入特征筛选模型中,能够使得特征筛选模型在进行特征的筛选时更加准确,且避免模型的过拟合,有效地剔除无用的候选兴趣标签特征,得到目标兴趣特征,通过标签的特征化、从候选兴趣标签中确定与目标兴趣特征对应的目标兴趣标签、根据目标兴趣标签确定对应的资源信息概率、再将候选兴趣标签对应的账户标识划分至对应的资源群组等多个处理步骤之间的配合,不需要获取大量的账户个人隐私信息,只需账户兴趣标签就能够准确且快捷地预测与账户标识对应的资源信息,能够通过兴趣标签准确且快捷地将账户标识划分至对应的资源群组中。
在一个实施例中,该方法还包括:获取与账户标识对应的特质数据和行为数据;根据特质数据确定与账户标识对应的第一特质标签,根据行为数据确定与账户标识对应的第一行为标签;将第一特质标签和第一行为标签进行汇总,得到候选兴趣标签。
其中,特质数据包括账户的年龄、姓名、职业和受教育程度等,行为数据是指对账户日常生活中的行为进行分析得到的数据。账户的行为数据和账户的特质数据的数据来源包括账户的日志信息、账户主体信息和外界环境信息,例如:(1)网站日志:当账户在访问某个目标网站时,网站记录的账户相关行为信息。(2)搜索引擎日志:搜索引擎日志系统所记录的账户在搜索引擎上的相关行为信息。(3)账户浏览日志:通过特定的工具和途径记录的账户在该搜索引擎上的相关行为信息。(4)外界环境数据:如移动互联网流量、手机上网账户增长、自费套餐等。
具体地,服务器根据特质数据确定与账户标识对应的第一特质标签,根据行为数据确定与账户标识对应的第一行为标签,并将第一特质标签和第一行为标签进行汇总,得到候选兴趣标签。可以理解的是,第一特质标签和第一行为标签为至少一个。
本实施例中,服务器通过获取与账户标识对应的特质数据和行为数据,并根据特质数据确定与账户标识对应的第一特质标签,根据行为数据确定与账户标识对应的第一行为标签,再将第一特质标签和第一行为标签进行汇总,得到候选兴趣标签,能够从多渠道获取与账户标识对应的候选兴趣标签,进而提高通过兴趣标签将账户标识准确地划分至对应的资源群组中的准确度。
在一个实施例中,如图3所示,该方法还包括以下步骤:
步骤302,确定与行为数据对应的行为频次信息;筛除行为频次信息小于预设行为阈值的行为数据,得到目标行为数据。
步骤304,根据目标行为数据确定与账户标识对应的第一行为标签,将第一特质标签和第一行为标签进行汇总,得到候选兴趣标签。
其中,行为频次信息是指与账户标识对应的账户的行为频率信息,预设行为阈值是指预先设置的用于判断该行为是否有效的阈值信息,服务器将筛除行为频次信息小于预设阈值的行为数据,得到目标行为数据。
具体地,服务器将根据目标行为数据确定与账户标识对应的第一行为标签,并将第一特质标签和该第一行为标签进行汇总,得到候选兴趣标签。
举例说明,例如账户C在某一天浏览了一次财经类新闻、浏览了十次娱乐类新闻,则服务器将根据预设行为阈值将账户C浏览了一次的财经类新闻的行为数据进行筛除,能够解决由于账户误触发产生的行为被记录为行为数据,降低兴趣标签准确度的问题。
本实施例中,服务器通过确定与行为数据对应的行为频次信息,并筛除行为频次信息小于预设行为阈值的行为数据,得到目标行为数据,能够有效地剔除一些可能是由于误触发造成的行为数据,进一步提高与账户标识对应的候选兴趣标签的准确度。服务器根据该目标行为数据确定与账户标识对应的第一行为标签,将第一特质标签和第一行为标签进行汇总,得到候选兴趣标签,提高通过兴趣标签划分资源群组的准确度。
在一个实施例中,该方法还包括:获取模型训练样本,将模型训练样本按预设比例划分为训练集和验证集;将训练集输入基础预测模型中进行训练,得到中间预测模型;将验证集输入中间预测模型中进行验证,得到当前验证结果;获取预先设定的与模型训练样本对应的目标验证结果;当当前验证结果与目标验证结果不一致时,对中间模型进行参数调整,直至当前验证结果与目标验证结果一致时,得到预测模型。
其中,模型训练样本是用于训练模型的样本,服务器将模型训练样本按预设比例划分为训练集和验证集,可以理解的是,对于模型训练样本的划分可以使用交叉验证的方法,这里交叉验证是用于进行调参,此时不接触测试集。模型训练首先可以划分出训练集与测试集(可以是4:1或者9:1)。其次,在训练集中,再划分出验证集(通常也是4:1或者9:1),然后对于训练集和验证集进行交叉验证,选取出最优的超参数,然后把训练集和验证集一起训练出最终的模型。具体地,当当前验证结果未达到目标验证结果时,对中间模型进行参数调整,参数是一个函数参数,可以有一个值范围,正在使用的具体模型就是函数,需要参数才能对新数据进行预测,直至当前验证结果与目标验证结果一致时,得到预测模型。
本实施例中,服务器将模型训练样本按预设比例划分为训练集和验证集,将训练集输入基础预测模型中进行训练,得到中间预测模型,将验证集输入中间预测模型中进行验证,得到当前验证结果,获取预先设定的与模型训练样本对应的目标验证结果,当当前验证结果与目标验证结果不一致时,对中间模型进行参数调整,直至当前验证结果与目标验证结果一致时,得到预测模型,通过对模型进行训练并且验证,能够得到预测模型,进一步提高通过兴趣标签输出资源信息概率的准确度。
在一个实施例中,如图4所示,该方法还包括以下步骤:
步骤402,将目标兴趣标签对应的资源群组进行显示,获取与资源群组对应的群组更正信息。
步骤404,根据群组更正信息对预测模型中的参数进行调节;根据每次调节后的参数对预测模型进行更新,得到更新后的预测模型。
其中,群组更正信息是指终端返回的对该资源群组的更正信息。服务器将资源群组发送到对应的终端进行显示,并接收终端返回的与资源群组对应的群组更正信息。
举例说明,例如当与目标兴趣标签对应的资源群组为低财富人群时,服务器将该资源群组发送至对应的终端进行显示,当终端认为该资源群组划分有误时,将向终端返回群组更正信息,服务器根据群组更正信息对预测模型中的参数进行调节,根据每次调节后的参数对预测模型进行更新,得到更新后的预测模型,实现了对预测模型的实时优化,进一步提高资源群组划分的准确度。
步骤406,将目标兴趣标签输入更新后的预测模型中,输出与目标兴趣标签对应的更新后的资源信息概率。
步骤408,当更新后的资源信息概率大于预设阈值时,将候选兴趣标签对应的账户标识划分至对应的资源群组。
其中,服务器将目标兴趣标签输入更新后的预测模型中,输出与目标兴趣标签对应的更新后的资源概率信息,即重新根据目标兴趣标签获取更新后的资源概率信息,当更新后的资源信息概率大于预设阈值时,将候选兴趣标签对应的账户标识划分至对应的资源群组。
本实施例中,服务器通过将目标兴趣标签对应的资源群组进行显示,并获取与资源群组对应的群组更正信息,根据群组更正信息对预测模型中的参数进行调节,根据每次调节后的参数对预测模型进行更新,得到更新后的预测模型,能够实现对预测模型的实时优化,再将目标兴趣标签输入更新后的预测模型中,输出与目标兴趣标签对应的更新后的资源信息概率,当更新后的资源信息概率大于预设阈值时,将候选兴趣标签对应的账户标识划分至对应的资源群组,使得预测模型根据目标兴趣标签输出的资源信息概率更加准确,进一步提升服务器对资源群组划分的准确度。
如图5所示,为一实施例中的账户分类装置的示意图,该装置包括:
标签处理模块502,用于获取账户标识对应的候选兴趣标签,将候选兴趣标签进行特征化处理,得到候选兴趣标签对应的候选兴趣标签特征;
兴趣特征获取模块504,用于获取特征筛选模型,特征筛选模型是由互信息算法和随机森林算法进行构建的,将候选兴趣标签特征输入特征筛选模型中,输出目标兴趣特征;
兴趣标签确定模块506,用于从候选兴趣标签中确定与目标兴趣特征对应的目标兴趣标签;
概率输出模块508,用于将目标兴趣标签输入已训练的预测模型中,输出与目标兴趣标签对应的资源信息概率;
群组划分模块510,用于当资源信息概率大于预设资源阈值时,将候选兴趣标签对应的账户标识划分至对应的资源群组。
在一个实施例中,标签处理模块包括:数据获取模块,用于获取与账户标识对应的特质数据和行为数据;标签确定模块,用于根据特质数据确定与账户标识对应的第一特质标签,根据行为数据确定与账户标识对应的第一行为标签;第一标签汇总模块,用于将第一特质标签和第一行为标签进行汇总,得到候选兴趣标签。
在一个实施例中,标签处理模块还包括:数据筛除模块,用于确定与行为数据对应的行为频次信息;筛除行为频次信息小于预设行为阈值的行为数据,得到目标行为数据;第二标签汇总模块,用于根据目标行为数据确定与账户标识对应的第一行为标签,将第一特质标签和第一行为标签进行汇总,得到候选兴趣标签。
在一个实施例中,概率输出模块包括:获取模型训练样本,将模型训练样本按预设比例划分为训练集和验证集;将训练集输入基础预测模型中进行训练,得到中间预测模型;将验证集输入中间预测模型中进行验证,得到当前验证结果;获取预先设定的与模型训练样本对应的目标验证结果;当当前验证结果与目标验证结果不一致时,对中间模型进行参数调整,直至当前验证结果与目标验证结果一致时,得到预测模型。
在一个实施例中,群组划分模块包括:将目标兴趣标签对应的资源群组进行显示,获取与资源群组对应的群组更正信息;根据群组更正信息对预测模型中的参数进行调节;根据每次调节后的参数对预测模型进行更新,得到更新后的预测模型;将目标兴趣标签输入更新后的预测模型中,输出与目标兴趣标签对应的更新后的资源信息概率;当更新后的资源信息概率大于预设阈值时,将候选兴趣标签对应的账户标识划分至对应的资源群组。
关于账户分类装置的具体限定可以参见上文中对于账户分类方法的限定,在此不再赘述。上述账户分类装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。该处理器可以为中央处理单元(CPU)、微处理器、单片机等。上述账户分类装置可以实现为一种计算机程序的形式。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,也可以是终端。当该计算机设备为终端时,其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种账户分类方法。本领域技术人员可以理解,图6中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
其中,处理器执行程序时实现以下步骤:获取账户标识对应的候选兴趣标签,将候选兴趣标签进行特征化处理,得到候选兴趣标签对应的候选兴趣标签特征;获取特征筛选模型,特征筛选模型是由互信息算法和随机森林算法进行构建的,将候选兴趣标签特征输入特征筛选模型中,输出目标兴趣特征;从候选兴趣标签中确定与目标兴趣特征对应的目标兴趣标签;将目标兴趣标签输入已训练的预测模型中,输出与目标兴趣标签对应的资源信息概率;当资源信息概率大于预设资源阈值时,将候选兴趣标签对应的账户标识划分至对应的资源群组。
上述对于计算机设备的限定可以参见上文中对于账户分类方法的具体限定,在此不再赘述。
请继续参阅图6,还提供一种计算机可读存储介质,其上存储有计算机程序,如图6中所示的非易失性存储介质,其中,该程序被处理器执行时实现以下步骤:获取账户标识对应的候选兴趣标签,将候选兴趣标签进行特征化处理,得到候选兴趣标签对应的候选兴趣标签特征;获取特征筛选模型,特征筛选模型是由互信息算法和随机森林算法进行构建的,将候选兴趣标签特征输入特征筛选模型中,输出目标兴趣特征;从候选兴趣标签中确定与目标兴趣特征对应的目标兴趣标签;将目标兴趣标签输入已训练的预测模型中,输出与目标兴趣标签对应的资源信息概率;当资源信息概率大于预设资源阈值时,将候选兴趣标签对应的账户标识划分至对应的资源群组。
上述对于计算机可读存储介质的限定可以参见上文中对于账户分类方法的具体限定,在此不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一非易失性计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-OnlyMemory,ROM)等。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种账户分类方法,所述方法包括:
获取账户标识对应的候选兴趣标签,将所述候选兴趣标签进行特征化处理,得到所述候选兴趣标签对应的候选兴趣标签特征;
获取特征筛选模型,所述特征筛选模型是由互信息算法和随机森林算法进行构建的,将所述候选兴趣标签特征输入所述特征筛选模型中,输出目标兴趣特征;
从所述候选兴趣标签中确定与所述目标兴趣特征对应的目标兴趣标签;
将所述目标兴趣标签输入已训练的预测模型中,输出与所述目标兴趣标签对应的资源信息概率;
当所述资源信息概率大于预设资源阈值时,将所述候选兴趣标签对应的账户标识划分至对应的资源群组。
2.根据权利要求1所述的方法,其特征在于,所述获取账户标识对应的候选兴趣标签,将所述候选兴趣标签进行特征化处理,得到所述候选兴趣标签对应的候选兴趣标签特征,包括:
获取与账户标识对应的特质数据和行为数据;
根据所述特质数据确定与所述账户标识对应的第一特质标签,根据所述行为数据确定与所述账户标识对应的第一行为标签;
将所述第一特质标签和所述第一行为标签进行汇总,得到候选兴趣标签。
3.根据权利要求2所述的方法,其特征在于,所述获取账户标识对应的候选兴趣标签,将所述候选兴趣标签进行特征化处理,得到所述候选兴趣标签对应的候选兴趣标签特征,还包括:
确定与所述行为数据对应的行为频次信息;筛除所述行为频次信息小于预设行为阈值的行为数据,得到目标行为数据;
根据所述目标行为数据确定与所述账户标识对应的第一行为标签,将所述第一特质标签和所述第一行为标签进行汇总,得到所述候选兴趣标签。
4.根据权利要求1所述的方法,其特征在于,所述将所述目标兴趣标签输入已训练的预测模型中,输出与所述目标兴趣标签对应的资源信息概率,包括:
获取模型训练样本,将所述模型训练样本按预设比例划分为训练集和验证集;将所述训练集输入基础预测模型中进行训练,得到中间预测模型;
将所述验证集输入所述中间预测模型中进行验证,得到当前验证结果;获取预先设定的与所述模型训练样本对应的目标验证结果;
当所述当前验证结果与所述目标验证结果不一致时,对所述中间模型进行参数调整,直至所述当前验证结果与所述目标验证结果一致时,得到预测模型。
5.根据权利要求1所述的方法,其特征在于,所述当所述资源信息概率大于预设资源阈值时,将所述候选兴趣标签对应的账户标识划分至对应的资源群组账户,还包括:
将所述目标兴趣标签对应的资源群组进行显示,获取与所述资源群组对应的群组更正信息;
根据所述群组更正信息对所述预测模型中的参数进行调节;根据每次调节后的参数对所述预测模型进行更新,得到更新后的预测模型;
将所述目标兴趣标签输入更新后的预测模型中,输出与目标兴趣标签对应的更新后的资源信息概率;
当所述更新后的资源信息概率大于预设阈值时,将所述候选兴趣标签对应的账户标识划分至对应的资源群组。
6.一种账户分类装置,其特征在于,所述装置包括:
标签处理模块,用于获取账户标识对应的候选兴趣标签,将所述候选兴趣标签进行特征化处理,得到所述候选兴趣标签对应的候选兴趣标签特征;
兴趣特征获取模块,用于获取特征筛选模型,所述特征筛选模型是由互信息算法和随机森林算法进行构建的,将所述候选兴趣标签特征输入所述特征筛选模型中,输出目标兴趣特征;
兴趣标签确定模块,用于从所述候选兴趣标签中确定与所述目标兴趣特征对应的目标兴趣标签;
概率输出模块,用于将所述目标兴趣标签输入已训练的预测模型中,输出与所述目标兴趣标签对应的资源信息概率;
群组划分模块,用于当所述资源信息概率大于预设资源阈值时,将所述候选兴趣标签对应的账户标识划分至对应的资源群组。
7.根据权利要求6所述的装置,其特征在于,所述标签处理模块包括:
数据获取模块,用于获取与账户标识对应的特质数据和行为数据;
标签确定模块,用于根据所述特质数据确定与所述账户标识对应的第一特质标签,根据所述行为数据确定与所述账户标识对应的第一行为标签;
第一标签汇总模块,用于将所述第一特质标签和所述第一行为标签进行汇总,得到候选兴趣标签。
8.根据权利要求6所述的装置,其特征在于,所述标签处理模块还包括:
数据筛除模块,用于确定与所述行为数据对应的行为频次信息;筛除所述行为频次信息小于预设行为阈值的行为数据,得到目标行为数据;
第二标签汇总模块,用于根据所述目标行为数据确定与所述账户标识对应的第一行为标签,将所述第一特质标签和所述第一行为标签进行汇总,得到所述候选兴趣标签。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至5中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910610493.3A CN110457576A (zh) | 2019-07-08 | 2019-07-08 | 账户分类方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910610493.3A CN110457576A (zh) | 2019-07-08 | 2019-07-08 | 账户分类方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110457576A true CN110457576A (zh) | 2019-11-15 |
Family
ID=68482365
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910610493.3A Pending CN110457576A (zh) | 2019-07-08 | 2019-07-08 | 账户分类方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110457576A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111382283A (zh) * | 2020-03-12 | 2020-07-07 | 腾讯科技(深圳)有限公司 | 资源类别标签标注方法、装置、计算机设备和存储介质 |
CN111508604A (zh) * | 2020-04-20 | 2020-08-07 | 深圳大学 | 一种急性肾损伤患者死亡率预测方法、服务器及存储介质 |
CN113409096A (zh) * | 2021-08-19 | 2021-09-17 | 腾讯科技(深圳)有限公司 | 目标对象识别方法、装置、计算机设备及存储介质 |
CN113536672A (zh) * | 2021-07-09 | 2021-10-22 | 浙江网商银行股份有限公司 | 目标对象处理方法及装置 |
CN113626707A (zh) * | 2021-08-11 | 2021-11-09 | 北京百度网讯科技有限公司 | 一种兴趣描述信息获得方法、装置、电子设备及存储介质 |
CN113988152A (zh) * | 2021-09-23 | 2022-01-28 | 北京达佳互联信息技术有限公司 | 用户类型预测模型训练方法、资源分配方法、介质及装置 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010182267A (ja) * | 2009-02-09 | 2010-08-19 | Toshiba Corp | コンテンツ分類装置、方法及びプログラム |
CN104572733A (zh) * | 2013-10-22 | 2015-04-29 | 腾讯科技(深圳)有限公司 | 用户兴趣标签分类的方法及装置 |
CN104965890A (zh) * | 2015-06-17 | 2015-10-07 | 深圳市腾讯计算机系统有限公司 | 广告推荐的方法和装置 |
US20170169341A1 (en) * | 2015-12-14 | 2017-06-15 | Le Holdings (Beijing) Co., Ltd. | Method for intelligent recommendation |
CN107562875A (zh) * | 2017-08-31 | 2018-01-09 | 北京麒麟合盛网络技术有限公司 | 一种模型的更新方法、装置及系统 |
CN108319628A (zh) * | 2017-02-22 | 2018-07-24 | 腾讯科技(深圳)有限公司 | 一种用户兴趣确定方法及装置 |
CN108804619A (zh) * | 2018-05-31 | 2018-11-13 | 腾讯科技(深圳)有限公司 | 兴趣偏好预测方法、装置、计算机设备及存储介质 |
CN109597940A (zh) * | 2018-12-06 | 2019-04-09 | 上海哔哩哔哩科技有限公司 | 基于商业兴趣的目标人群确定及信息推送方法和系统 |
CN109933678A (zh) * | 2019-03-07 | 2019-06-25 | 合肥工业大学 | 艺术品推荐方法、装置、可读介质及电子设备 |
-
2019
- 2019-07-08 CN CN201910610493.3A patent/CN110457576A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010182267A (ja) * | 2009-02-09 | 2010-08-19 | Toshiba Corp | コンテンツ分類装置、方法及びプログラム |
CN104572733A (zh) * | 2013-10-22 | 2015-04-29 | 腾讯科技(深圳)有限公司 | 用户兴趣标签分类的方法及装置 |
CN104965890A (zh) * | 2015-06-17 | 2015-10-07 | 深圳市腾讯计算机系统有限公司 | 广告推荐的方法和装置 |
US20170169341A1 (en) * | 2015-12-14 | 2017-06-15 | Le Holdings (Beijing) Co., Ltd. | Method for intelligent recommendation |
CN108319628A (zh) * | 2017-02-22 | 2018-07-24 | 腾讯科技(深圳)有限公司 | 一种用户兴趣确定方法及装置 |
CN107562875A (zh) * | 2017-08-31 | 2018-01-09 | 北京麒麟合盛网络技术有限公司 | 一种模型的更新方法、装置及系统 |
CN108804619A (zh) * | 2018-05-31 | 2018-11-13 | 腾讯科技(深圳)有限公司 | 兴趣偏好预测方法、装置、计算机设备及存储介质 |
CN109597940A (zh) * | 2018-12-06 | 2019-04-09 | 上海哔哩哔哩科技有限公司 | 基于商业兴趣的目标人群确定及信息推送方法和系统 |
CN109933678A (zh) * | 2019-03-07 | 2019-06-25 | 合肥工业大学 | 艺术品推荐方法、装置、可读介质及电子设备 |
Non-Patent Citations (2)
Title |
---|
AL-KOUZ, A 等: "An Interests Discovery Approach in Social Networks based on a Semantically Enriched Bayesian Network Model", PROCEEDINGS OF THE 4TH INTERNATIONAL CONFERENCE ON KNOWLEDGE DISCOVERY AND INFORMATION RETRIEVAL. KDIR 2012, pages 300 - 305 * |
郑宁川;徐光伟;: "基于用户兴趣的服务资源分类算法", 计算机应用, no. 12, pages 3407 - 3409 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111382283A (zh) * | 2020-03-12 | 2020-07-07 | 腾讯科技(深圳)有限公司 | 资源类别标签标注方法、装置、计算机设备和存储介质 |
CN111508604A (zh) * | 2020-04-20 | 2020-08-07 | 深圳大学 | 一种急性肾损伤患者死亡率预测方法、服务器及存储介质 |
CN113536672A (zh) * | 2021-07-09 | 2021-10-22 | 浙江网商银行股份有限公司 | 目标对象处理方法及装置 |
CN113536672B (zh) * | 2021-07-09 | 2024-05-31 | 浙江网商银行股份有限公司 | 目标对象处理方法及装置 |
CN113626707A (zh) * | 2021-08-11 | 2021-11-09 | 北京百度网讯科技有限公司 | 一种兴趣描述信息获得方法、装置、电子设备及存储介质 |
CN113409096A (zh) * | 2021-08-19 | 2021-09-17 | 腾讯科技(深圳)有限公司 | 目标对象识别方法、装置、计算机设备及存储介质 |
CN113409096B (zh) * | 2021-08-19 | 2021-11-16 | 腾讯科技(深圳)有限公司 | 目标对象识别方法、装置、计算机设备及存储介质 |
CN113988152A (zh) * | 2021-09-23 | 2022-01-28 | 北京达佳互联信息技术有限公司 | 用户类型预测模型训练方法、资源分配方法、介质及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110457576A (zh) | 账户分类方法、装置、计算机设备和存储介质 | |
WO2022252363A1 (zh) | 数据处理方法、计算机设备以及可读存储介质 | |
CN111028016A (zh) | 销量数据预测方法、装置以及相关设备 | |
CN106991488A (zh) | 关键词和资产价值的关联性评估方法及其装置 | |
JP2012113744A (ja) | エンタープライズウェブマイニングシステム及び方法 | |
CN110276369A (zh) | 基于机器学习的特征选择方法、装置、设备及存储介质 | |
CN110377522A (zh) | 交易场景的测试方法、装置、计算设备以及介质 | |
CN108388929A (zh) | 基于代价敏感和半监督分类的客户分类方法及装置 | |
CN116049412B (zh) | 文本分类方法、模型训练方法、装置及电子设备 | |
CN107977678A (zh) | 用于输出信息的方法和装置 | |
CN106095939A (zh) | 账户权限的获取方法和装置 | |
CN106354797A (zh) | 数据推荐方法和装置 | |
CN109858965A (zh) | 一种用户识别方法和系统 | |
CN111986027A (zh) | 基于人工智能的异常交易处理方法、装置 | |
CN111539612B (zh) | 一种风险分类模型的训练方法和系统 | |
CN110457601B (zh) | 社交账号的识别方法和装置、存储介质及电子装置 | |
CN112749973A (zh) | 一种权限管理方法、装置和计算机可读存储介质 | |
CN113569162A (zh) | 数据处理方法、装置、设备及存储介质 | |
CN110852809A (zh) | 一种数据处理方法、装置、设备及介质 | |
CN113850669A (zh) | 用户分群方法、装置、计算机设备及计算机可读存储介质 | |
CN108074122A (zh) | 产品试用推荐方法、装置及服务器 | |
CN110619090B (zh) | 一种区域吸引力评估方法及设备 | |
CN110503468A (zh) | 一种基于用户行为的资源推荐方法及装置 | |
CN115439928A (zh) | 一种操作行为识别方法及装置 | |
CN116861226A (zh) | 一种数据处理的方法以及相关装置 |
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 |