CN110751374A - 基于神经网络的电子政务考核方法及相关设备 - Google Patents
基于神经网络的电子政务考核方法及相关设备 Download PDFInfo
- Publication number
- CN110751374A CN110751374A CN201910915150.8A CN201910915150A CN110751374A CN 110751374 A CN110751374 A CN 110751374A CN 201910915150 A CN201910915150 A CN 201910915150A CN 110751374 A CN110751374 A CN 110751374A
- Authority
- CN
- China
- Prior art keywords
- neural network
- data
- assessment
- value
- connection weight
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 73
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000011156 evaluation Methods 0.000 claims abstract description 49
- 238000003062 neural network model Methods 0.000 claims abstract description 46
- 238000010606 normalization Methods 0.000 claims abstract description 24
- 238000010276 construction Methods 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 14
- 230000001537 neural effect Effects 0.000 claims abstract description 12
- 230000003044 adaptive effect Effects 0.000 claims description 43
- 230000002068 genetic effect Effects 0.000 claims description 28
- 210000002569 neuron Anatomy 0.000 claims description 17
- 230000004913 activation Effects 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 15
- 238000005457 optimization Methods 0.000 claims description 14
- 238000003032 molecular docking Methods 0.000 claims description 13
- 230000008859 change Effects 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000035772 mutation Effects 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 6
- 230000010354 integration Effects 0.000 description 6
- 238000004590 computer program Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000001737 promoting effect Effects 0.000 description 2
- 210000000225 synapse Anatomy 0.000 description 2
- 229910002056 binary alloy Inorganic materials 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
Images
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Educational Administration (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- General Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Entrepreneurship & Innovation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于神经网络的电子政务考核方法及相关设备,用于通过神经网络准确反映电子政务系统中各个省的考核指标数据,对不同省的考核指标数据进行排序,提高了电子政务系统的评价准确度。本发明方法包括:获取电子政务系统中的目标省份的省级统建业务系统数据;将省级统建业务系统数据按类别分别进行归一化处理,得到多个对应的归一化数据;将多个对应的归一化数据分别输入到预置的神经网络模型的输入层中各个神经单元;通过预置的神经网络模型对多个对应的归一化数据进行考核评估,得到目标省份的考核评估值;根据目标省份的考核评估值调整目标省份的排名信息。
Description
技术领域
本发明涉及网络安全领域,尤其涉及基于神经网络的电子政务考核方法及相关设备。
背景技术
当前国家为推动“互联网+政务服务”的发展,每年都会对各省“互联网+政务服务”系统的建设情况进行考核,由于涉及的参数为多维,而且各省的建设情况又有很大的差异,各省往往自己很难评估本省的“互联网+政务服务”水平,在全国占据多少位,待国家统计下发后,才会了解到本省最新排名,不利于推动本省“互联网+政务服务”的发展。
现有的方案中,并不能很准确地反映电子政务系统中数据的考核指标数据,各省之间的电子政务考核指标数据孤立,评价准确度不高。
发明内容
本发明提供了基于神经网络的电子政务考核方法及相关设备,用于通过神经网络准确反映电子政务系统中各个省的考核指标数据,对不同省的考核指标数据进行排序,提高了电子政务系统的评价准确度。
本发明实施例的第一方面提供一种基于神经网络的电子政务考核方法,包括:获取电子政务系统中的目标省份的省级统建业务系统数据,所述省级统建业务系统数据包括省对接部门自建业务系统数、价格、办件量、可网办事项数、用户访问量、用户数、共享数据数、延伸信息、移动客户端信息、咨询数和投诉数;将所述省级统建业务系统数据按类别分别进行归一化处理,得到多个对应的归一化数据;将所述多个对应的归一化数据分别输入到预置的神经网络模型的输入层中各个神经单元;通过所述预置的神经网络模型对所述多个对应的归一化数据进行考核评估,得到所述目标省份的考核评估值;根据所述目标省份的考核评估值调整所述目标省份的排名信息。
可选的,在本发明实施例第一方面的第一种实现方式中,所述获取电子政务系统中的目标省份的省级统建业务系统数据之前,所述方法还包括:获取原始学习样本数据,所述原始学习样本数据包括多种省级统建业务系统数据,每一种省级统建业务系统数据对应神经网络的一个神经元;对所述原始学习样本数据归一化,生成归一化的学习数据;根据历史数据确定神经网络的结构和连接权值的初始值;根据所述多种省级统建业务系统数据和所述连接权值的初始值计算得到连接权值的适应值;判断所述连接权值的适应值是否大于预设精度值或达到最大迭代次数;若所述连接权值的适应值大于预设精度值或所述连接权值的适应值达到最大迭代次数,则完成优化并生成预置的神经网络模型。
可选的,在本发明实施例第一方面的第二种实现方式中,所述根据所述多种省级统建业务系统数据和所述连接权值的初始值计算得到连接权值的适应值包括:确定每种省级统建业务系统数据对应的连接权值的初始值;调用预置的遗传算法模型对每种连接权值的初始值进行优化;生成每种省级统建业务系统数据对应的连接权值的适应值。
可选的,在本发明实施例第一方面的第三种实现方式中,所述调用预置的遗传算法模型对每种连接权值的初始值进行优化包括:设置进化代数计数器t,设置最大进化代数T,并随机生成M个个体作为初始群体P(0),t=0;计算群体P(t)中各个个体的适应度;将选择算子、交叉算子和变异算子依次作用于群体,得到下一代群体P(t+1)并更新进化代数计数器;判断进化代数计数器当前数t是否等于所述最大进化代数T;若进化代数计数器当前数t等于所述最大进化代数T,则以进化过程中所得到的具有最大适应度个体作为输出的适应值,终止计算。
可选的,在本发明实施例第一方面的第四种实现方式中,所述通过所述预置的神经网络模型对所述多个对应的归一化数据进行考核评估,得到所述目标省份的考核评估值包括:确定预置的神经网络模型的各个输入的输入总值为其中,权值wk0=θk;根据所述输入总值uk和阈值θk得到变化速度vk,vk=netk=uk-θk;根据所述变化速度生成激活函数为根据所述激活函数S(v)确定所述预置的神经网络模型中输出的考核评估值为yk=S(vk)。
本发明实施例的第二方面提供了一种基于神经网络的电子政务考核装置,包括:第一获取单元,用于获取电子政务系统中的目标省份的省级统建业务系统数据,所述省级统建业务系统数据包括省对接部门自建业务系统数、价格、办件量、可网办事项数、用户访问量、用户数、共享数据数、延伸信息、移动客户端信息、咨询数和投诉数;第一归一化单元,用于将所述省级统建业务系统数据按类别分别进行归一化处理,得到多个对应的归一化数据;输入单元,用于将所述多个对应的归一化数据分别输入到预置的神经网络模型的输入层中各个神经单元;考核评估单元,用于通过所述预置的神经网络模型对所述多个对应的归一化数据进行考核评估,得到所述目标省份的考核评估值;调整单元,用于根据所述目标省份的考核评估值调整所述目标省份的排名信息。
可选的,在本发明实施例第二方面的第一种实现方式中,所述基于神经网络的电子政务考核装置还包括:第二获取单元,用于获取原始学习样本数据,所述原始学习样本数据包括多种省级统建业务系统数据,每一种省级统建业务系统数据对应神经网络的一个神经元;第二归一化单元,用于对所述原始学习样本数据归一化,生成归一化的学习数据;确定单元,用于根据历史数据确定神经网络的结构和连接权值的初始值;计算单元,用于根据所述多种省级统建业务系统数据和所述连接权值的初始值计算得到连接权值的适应值;判断单元,用于判断所述连接权值的适应值是否大于预设精度值或达到最大迭代次数;生成单元,若所述连接权值的适应值大于预设精度值或所连接权值的适应值达到最大迭代次数,则用于完成优化并生成预置的神经网络模型。
可选的,在本发明实施例第二方面的第二种实现方式中,所述计算单元包括:获取模块,用于确定每种省级统建业务系统数据对应的连接权值的初始值;优化模块,用于调用预置的遗传算法模型对每种连接权值的初始值进行优化;生成模块,用于生成每种省级统建业务系统数据对应的连接权值的适应值。
可选的,在本发明实施例第二方面的第三种实现方式中,所述优化模块具体用于:设置进化代数计数器t,设置最大进化代数T,并随机生成M个个体作为初始群体P(0),t=0;计算群体P(t)中各个个体的适应度;将选择算子、交叉算子和变异算子依次作用于群体,得到下一代群体P(t+1)并更新进化代数计数器;判断进化代数计数器当前数t是否等于所述最大进化代数T;若进化代数计数器当前数t等于所述最大进化代数T,则以进化过程中所得到的具有最大适应度个体作为输出的适应值,终止计算。
可选的,在本发明实施例第二方面的第四种实现方式中,考核评估单元具体用于:确定预置的神经网络模型的各个输入的输入总值为其中,权值wk0=θk;根据所述输入总值uk和阈值θk得到变化速度vk,vk=netk=uk-θk;根据所述变化速度生成激活函数为根据所述激活函数S(v)确定所述预置的神经网络模型中输出的考核评估值为yk=S(vk)。
本发明实施例的第三方面提供了一种基于神经网络的电子政务考核设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述任一实施方式所述的基于神经网络的电子政务考核方法。
本发明实施例的第四方面提供了一种计算机可读存储介质,包括指令,当所述指令在计算机上运行时,使得计算机执行上述任一实施方式所述的基于神经网络的电子政务考核方法的步骤。
本发明实施例提供的技术方案中,获取电子政务系统中的目标省份的省级统建业务系统数据,省级统建业务系统数据包括省对接部门自建业务系统数、价格、办件量、可网办事项数、用户访问量、用户数、共享数据数、延伸信息、移动客户端信息、咨询数和投诉数;将省级统建业务系统数据按类别分别进行归一化处理,得到多个对应的归一化数据;将多个对应的归一化数据分别输入到预置的神经网络模型的输入层中各个神经单元;通过预置的神经网络模型对多个对应的归一化数据进行考核评估,得到目标省份的考核评估值;根据目标省份的考核评估值调整目标省份的排名信息。本发明实施例,通过神经网络准确反映电子政务系统中各个省的考核指标数据,对不同省的考核指标数据进行排序,提高了电子政务系统的评价准确度。
附图说明
图1为本发明实施例中基于神经网络的电子政务考核方法的一个实施例示意图;
图2为本发明实施例中基于神经网络的电子政务考核方法的另一个实施例示意图;
图3为本发明实施例中基于神经网络的电子政务考核装置的一个实施例示意图;
图4为本发明实施例中基于神经网络的电子政务考核装置的另一个实施例示意图;
图5为本发明实施例中基于神经网络的电子政务考核设备的一个实施例示意图。
具体实施方式
本发明提供了基于神经网络的电子政务考核方法、装置、系统及存储介质,用于通过神经网络准确反映电子政务系统中各个省的考核指标数据,对不同省的考核指标数据进行排序,提高了电子政务系统的评价准确度。
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,对本发明实施例进行描述。
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”、“第三”、“第四”等(如果存在)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,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”或“具有”及其任何变形,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。
请参阅图1,本发明实施例提供的基于神经网络的电子政务考核方法的流程图,具体包括:
101、获取电子政务系统中的目标省份的省级统建业务系统数据,省级统建业务系统数据包括省对接部门自建业务系统数、价格、办件量、可网办事项数、用户访问量、用户数、共享数据数、延伸信息、移动客户端信息、咨询数和投诉数。
服务器获取电子政务系统中的目标省份的省级统建业务系统数据,省级统建业务系统数据包括省对接部门自建业务系统数(System_Num)、价格(Price)、办件量(Amount)、可网办事项数(Online_Num)、用户访问量(User_visits)、用户数(User_Num)、共享数据数(Shared_data)、延伸信息(Extend)、移动客户端信息(Mobile)、咨询数(Advisory_Num)和投诉数(Complaint_Num)。其中,延伸信息用于指示省级统建业务系统是否延伸到市州、县区、乡镇、村,移动客户端信息用于指示省级统建业务系统是否开通移动客户端。
可以理解的是,本发明的执行主体可以为基于神经网络的电子政务考核装置,还可以是终端或者服务器,具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
102、将省级统建业务系统数据按类别分别进行归一化处理,得到多个对应的归一化数据。
服务器将省级统建业务系统数据按类别分别进行归一化处理,得到多个对应的归一化数据。具体的,不同的数据有不同的归一化方式,例如:System_Num:为真实对接自建业务系统数/10;Price:为省级统建业务系统价格/10000000,并只保留小数点后面3位数字;Amount:为省级统建业务系统真实办件量/10000000,并只保留小数点后面3位数字;Online_Num:为省级统建业务系统真实可网办事项数/10000,并只保留小数点后面3位数字;User_visits:为省级统建业务系统真实用户访问量/100000000,并只保留小数点后面3位数字;User_Num:为省级统建业务系统真实用户量/100000,并只保留小数点后面3位数字;Shared_data:为省级统建业务系统真实共享数据数/100000000,并只保留小数点后面3位数字;Extend:为省级统建业务系统真实是否延伸到市州、县区、乡镇和村,当只延伸到市州时Extend为2,当只延伸到市州、县区时Extend为3,当只延伸到市州、县区、乡镇时Extend为4,当延伸到市州、县区、乡镇和村时Extend为5;Mobile:为省级统建业务系统是否开通移动客户端,当开通移动客户端时,Mobile为0.5,当未开通移动客户端是Mobile为-0.5;Advisory_Num:为省级统建业务系统真实用户咨询数/100000,并只保留小数点后面3位数字;Complaint_Num:为省级统建业务系统真实用户投诉数/100000,并只保留小数点后面3位数字。
103、将多个对应的归一化数据分别输入到预置的神经网络模型的输入层中各个神经单元。
服务器将多个对应的归一化数据分别输入到预置的神经网络模型的输入层中各个神经单元。
具体的,人工神经网络的基本单元的神经元模型,包括三个基本要素,(1)一组连接(对应于生物神经元的突触),连接强度由各连接上的权值表示,权值为正表示激活,为负表示抑制。(2)一个求和单元,用于求取各输入信号的加权和(线性组合)。(3)一个非线性激活函数,起非线性映射作用并将神经元输出幅度限制在一定范围内。此外还有一个阈值θk(或偏置bk=-θk)。
104、通过预置的神经网络模型对多个对应的归一化数据进行考核评估,得到目标省份的考核评估值。
服务器通过预置的神经网络模型对多个对应的归一化数据进行考核评估,得到目标省份的考核评估值。具体的,服务器确定预置的神经网络模型的各个输入的输入总值为其中,权值wk0=θk;服务器根据输入总值uk和阈值θk得到变化速度vk,vk=netk=uk-θk;服务器根据变化速度生成激活函数为服务器根据激活函数S(v)确定预置的神经网络模型中输出考核评估值为yk=S(vk)。
105、根据目标省份的考核评估值调整目标省份的排名信息。
服务器根据目标省份的考核评估值调整目标省份的排名信息。
具体的,服务器获取预置省份考核排名顺序;服务器获取预置省份考核排名顺序中每个省份的考核评估值;服务器将比较目标省份和其他省份的考核评估值的大小,并按照从大到小的顺序进行重新排序;服务器生成新的排名信息,该排名信息用于指示最新的各个省份的考核评估排名。
本发明实施例,通过神经网络准确反映电子政务系统中各个省的考核指标数据,对不同省的考核指标数据进行排序,提高了电子政务系统的评价准确度。
请参阅图2,本发明实施例提供的基于神经网络的电子政务考核方法的另一个流程图,具体包括:
201、获取原始学习样本数据,原始学习样本数据包括多种省级统建业务系统数据,每一种省级统建业务系统数据对应神经网络的一个神经元。
服务器获取原始学习样本数据,原始学习样本数据包括多种省级统建业务系统数据,每一种省级统建业务系统数据对应神经网络的一个神经元。
202、对原始学习样本数据归一化,生成归一化的学习数据。
服务器对原始学习样本数据归一化,生成归一化的学习数据。具体过程与步骤102类似,具体此处不再赘述。
203、根据历史数据确定神经网络的结构和连接权值的初始值。
服务器根据历史数据确定神经网络的结构和连接权值的初始值。由于本实施例采用省级统建业务系统对接部门自建业务系统数System_Num,省级统建业务系统价格Price,省级统建业务系统办件量Amount,省级统建业务系统可网办事项数Online_Num,省级统建业务系统用户访问量User_visits,省级统建业务系统用户数User_Num,省级统建业务系统共享数据数Shared_data,省级统建业务系统是否延伸到市州、县区、乡镇、村Extend,省级统建业务系统是否开通移动客户端Mobile,省级统建业务系统咨询数Advisory_Num,省级统建业务系统投诉数Complaint_Num等11个要素作为关键字,待这11个关键字进行数据归一化后,即可作为神经网络的输入值,则输入层神经元个数L为11。鉴于全国共有28个省、4个直辖市以及香港、澳门特区共34个省市需要做评比,则根据二进制表示,输出层神经元M为6个,其中第一名为000001,第二名为000010,第三名为000011,依次类推,第34名为100010。对于隐藏神经元个数没有一个严格的设计要求,本实施例可以参考公式则N为7。从而神经网络结构确定,神经网络初始连接权值随机生成(-1,1)范围内的值。
204、根据多种省级统建业务系统数据和连接权值的初始值计算得到连接权值的适应值。
服务器根据多种省级统建业务系统数据和连接权值的初始值计算得到连接权值的适应值。具体的,服务器确定每种省级统建业务系统数据对应的连接权值的初始值;服务器调用预置的遗传算法模型对每种连接权值的初始值进行优化;服务器生成每种省级统建业务系统数据对应的连接权值的适应值。
其中,调用预置的遗传算法模型对每种连接权值的初始值进行优化包括:设置进化代数计数器t,设置最大进化代数T,并随机生成M个个体作为初始群体P(0),t=0;计算群体P(t)中各个个体(即连接权值)的适应度;将选择算子、交叉算子和变异算子依次作用于群体,得到下一代群体P(t+1)并更新进化代数计数器;判断进化代数计数器当前数t是否等于最大进化代数T;若进化代数计数器当前数t等于最大进化代数T,则以进化过程中所得到的具有最大适应度个体作为输出的适应值,终止计算。
例如,首先,对子种群进行初始化。随机生成F个遗传因子,每个遗传因子代表一个什么网络,再计算出实际输出和期望输出。鉴于连接权值φ(v)的值是(-1,1)范围内的值,在计算实际输出和期望输出比较时,当φ(v)小与0的时候,输出值为0,当φ(v)大于等于0的时候,输出值为1。按照各遗传因子对应的实际输出和期望输出对应的识别率,按照降序对初始的遗传因子排列,把排序后的遗传因子平均分配到m个子种群中。其中,第1个遗传因子分入第1个子种群中,第2个遗传因子分入第2个子种群,第m个遗传因子分入第m个子种群,第m+1个遗传因子分入第1个子种群,以此类推,直到将所有的M个遗传因子平均分入到m个子种群。根据遗传算法交叉和变异方法,使每个子种群的遗传因子,向子种群中经历的最优遗传因子学习,从而优化神经网络连接权值。再比较各子种群中各个遗传因子经历过的最优解作为本种群的最优遗传因子,比较各子种群中的最优遗传因子的最优解,作为全局最优遗传因子,即作为输出的适应值。
205、判断连接权值的适应值是否大于预设精度值或达到最大迭代次数。
服务器判断连接权值的适应值是否大于预设精度值或达到最大迭代次数。设置最大进化代数T为2000,当迭代次数t=T时,或全局最优遗传因子对应的实际输出和期望输出值的识别率在98%以上时,认为神经网络连接权值优化完成,这时全局最优遗传因子对应于的神经网络的即作为预置的神经网络模型。
206、若连接权值的适应值大于预设精度值或连接权值的适应值达到最大迭代次数,则完成优化并生成预置的神经网络模型。
若连接权值的适应值大于预设精度值或连接权值的适应值达到最大迭代次数,则服务器完成优化并生成预置的神经网络模型。
207、获取电子政务系统中的目标省份的省级统建业务系统数据,省级统建业务系统数据包括省对接部门自建业务系统数、价格、办件量、可网办事项数、用户访问量、用户数、共享数据数、延伸信息、移动客户端信息、咨询数和投诉数。
服务器获取电子政务系统中的目标省份的省级统建业务系统数据,省级统建业务系统数据包括省对接部门自建业务系统数(System_Num)、价格(Price)、办件量(Amount)、可网办事项数(Online_Num)、用户访问量(User_visits)、用户数(User_Num)、共享数据数(Shared_data)、延伸信息(Extend)、移动客户端信息(Mobile)、咨询数(Advisory_Num)和投诉数(Complaint_Num)。其中,延伸信息用于指示省级统建业务系统是否延伸到市州、县区、乡镇、村,移动客户端信息用于指示省级统建业务系统是否开通移动客户端。
可以理解的是,本发明的执行主体可以为基于神经网络的电子政务考核装置,还可以是终端或者服务器,具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
208、将省级统建业务系统数据按类别分别进行归一化处理,得到多个对应的归一化数据。
服务器将省级统建业务系统数据按类别分别进行归一化处理,得到多个对应的归一化数据。具体的,不同的数据有不同的归一化方式,例如:System_Num:为真实对接自建业务系统数/10;Price:为省级统建业务系统价格/10000000,并只保留小数点后面3位数字;Amount:为省级统建业务系统真实办件量/10000000,并只保留小数点后面3位数字;Online_Num:为省级统建业务系统真实可网办事项数/10000,并只保留小数点后面3位数字;User_visits:为省级统建业务系统真实用户访问量/100000000,并只保留小数点后面3位数字;User_Num:为省级统建业务系统真实用户量/100000,并只保留小数点后面3位数字;Shared_data:为省级统建业务系统真实共享数据数/100000000,并只保留小数点后面3位数字;Extend:为省级统建业务系统真实是否延伸到市州、县区、乡镇和村,当只延伸到市州时Extend为2,当只延伸到市州、县区时Extend为3,当只延伸到市州、县区、乡镇时Extend为4,当延伸到市州、县区、乡镇和村时Extend为5;Mobile:为省级统建业务系统是否开通移动客户端,当开通移动客户端时,Mobile为0.5,当未开通移动客户端是Mobile为-0.5;Advisory_Num:为省级统建业务系统真实用户咨询数/100000,并只保留小数点后面3位数字;Complaint_Num:为省级统建业务系统真实用户投诉数/100000,并只保留小数点后面3位数字。
209、将多个对应的归一化数据分别输入到预置的神经网络模型的输入层中各个神经单元。
服务器将多个对应的归一化数据分别输入到预置的神经网络模型的输入层中各个神经单元。
具体的,人工神经网络的基本单元的神经元模型,包括三个基本要素,(1)一组连接(对应于生物神经元的突触),连接强度由各连接上的权值表示,权值为正表示激活,为负表示抑制。(2)一个求和单元,用于求取各输入信号的加权和(线性组合)。(3)一个非线性激活函数,起非线性映射作用并将神经元输出幅度限制在一定范围内。此外还有一个阈值θk(或偏置bk=-θk)。
210、通过预置的神经网络模型对多个对应的归一化数据进行考核评估,得到目标省份的考核评估值。
服务器通过预置的神经网络模型对多个对应的归一化数据进行考核评估,得到目标省份的考核评估值。具体的,服务器确定预置的神经网络模型的各个输入的输入总值为其中,权值wk0=θk;服务器根据输入总值uk和阈值θk得到变化速度vk,vk=netk=uk-θk;服务器根据变化速度生成激活函数为服务器根据激活函数S(v)确定预置的神经网络模型中输出考核评估值为yk=S(vk)。
211、根据目标省份的考核评估值调整目标省份的排名信息。
服务器根据目标省份的考核评估值调整目标省份的排名信息。
具体的,服务器获取预置省份考核排名顺序;服务器获取预置省份考核排名顺序中每个省份的考核评估值;服务器将比较目标省份和其他省份的考核评估值的大小,并按照从大到小的顺序进行重新排序;服务器生成新的排名信息,该排名信息用于指示最新的各个省份的考核评估排名。
鉴于全国共有28个省、4个直辖市以及香港、澳门特区共34个省市需要做评比,则根据二进制表示,输出层神经元M为6个,其中第一名为000001,第二名为000010,第三名为000011,依次类推,第34名为100010。把输出结果φ(v)小与0的时候,输出值为0,当φ(v)大于等于0的时候,输出值为1,核实最终输出值的二进制对应的排名,该排名即为当年本省在全国范围内可能的排名。
本发明实施例,通过神经网络准确反映电子政务系统中各个省的考核指标数据,对不同省的考核指标数据进行排序,提高了电子政务系统的评价准确度。
上面对本发明实施例中基于神经网络的电子政务考核方法进行了描述,下面对本发明实施例中基于神经网络的电子政务考核装置进行描述,请参阅图3,本发明实施例中基于神经网络的电子政务考核装置的一个实施例包括:
第一获取单元301,用于获取电子政务系统中的目标省份的省级统建业务系统数据,所述省级统建业务系统数据包括省对接部门自建业务系统数、价格、办件量、可网办事项数、用户访问量、用户数、共享数据数、延伸信息、移动客户端信息、咨询数和投诉数;
第一归一化单元302,用于将所述省级统建业务系统数据按类别分别进行归一化处理,得到多个对应的归一化数据;
输入单元303,用于将所述多个对应的归一化数据分别输入到预置的神经网络模型的输入层中各个神经单元;
考核评估单元304,用于通过所述预置的神经网络模型对所述多个对应的归一化数据进行考核评估,得到所述目标省份的考核评估值;
调整单元305,用于根据所述目标省份的考核评估值调整所述目标省份的排名信息。
本发明实施例,通过神经网络准确反映电子政务内网中的复杂非线性关系,对电子政务系统中信息的安全性进行准确评估,提高了评估准确性。
请参阅图4,本发明实施例中基于神经网络的电子政务考核装置的另一个实施例包括:
第一获取单元301,用于获取电子政务系统中的目标省份的省级统建业务系统数据,所述省级统建业务系统数据包括省对接部门自建业务系统数、价格、办件量、可网办事项数、用户访问量、用户数、共享数据数、延伸信息、移动客户端信息、咨询数和投诉数;
第一归一化单元302,用于将所述省级统建业务系统数据按类别分别进行归一化处理,得到多个对应的归一化数据;
输入单元303,用于将所述多个对应的归一化数据分别输入到预置的神经网络模型的输入层中各个神经单元;
考核评估单元304,用于通过所述预置的神经网络模型对所述多个对应的归一化数据进行考核评估,得到所述目标省份的考核评估值;
调整单元305,用于根据所述目标省份的考核评估值调整所述目标省份的排名信息。
可选的,所述基于神经网络的电子政务考核装置还包括:
第二获取单元306,用于获取原始学习样本数据,所述原始学习样本数据包括多种省级统建业务系统数据,每一种省级统建业务系统数据对应神经网络的一个神经元;
第二归一化单元307,用于对所述原始学习样本数据归一化,生成归一化的学习数据;
确定单元308,用于根据历史数据确定神经网络的结构和连接权值的初始值;
计算单元309,用于根据所述多种省级统建业务系统数据和所述连接权值的初始值计算得到连接权值的适应值;
判断单元310,用于判断所述连接权值的适应值是否大于预设精度值或达到最大迭代次数;
生成单元311,若所述连接权值的适应值大于预设精度值或所连接权值的适应值达到最大迭代次数,则用于完成优化并生成预置的神经网络模型。
可选的,所述计算单元309包括:
获取模块3091,用于确定每种省级统建业务系统数据对应的连接权值的初始值;
优化模块3092,用于调用预置的遗传算法模型对每种连接权值的初始值进行优化;
生成模块3093,用于生成每种省级统建业务系统数据对应的连接权值的适应值。
可选的,优化模块3092具体用于:
设置进化代数计数器t,设置最大进化代数T,并随机生成M个个体作为初始群体P(0),t=0;
计算群体P(t)中各个个体的适应度;
将选择算子、交叉算子和变异算子依次作用于群体,得到下一代群体P(t+1)并更新进化代数计数器;
判断进化代数计数器当前数t是否等于所述最大进化代数T;
若进化代数计数器当前数t等于所述最大进化代数T,则以进化过程中所得到的具有最大适应度个体作为输出的适应值,终止计算。
可选的,考核评估单元304具体用于:
确定预置的神经网络模型的各个输入的输入总值为其中,权值wk0=θk;根据所述输入总值uk和阈值θk得到变化速度vk,vk=netk=uk-θk;根据所述变化速度生成激活函数为根据所述激活函数S(v)确定所述预置的神经网络模型中输出的考核评估值为yk=S(vk)。
本发明实施例,通过神经网络准确反映电子政务系统中各个省的考核指标数据,对不同省的考核指标数据进行排序,提高了电子政务系统的评价准确度。
上面图3至图4从模块化功能实体的角度对本发明实施例中的基于神经网络的电子政务考核装置进行详细描述,下面从硬件处理的角度对本发明实施例中基于神经网络的电子政务考核设备进行详细描述。
图5是本发明实施例提供的一种基于神经网络的电子政务考核设备的结构示意图,该基于神经网络的电子政务考核设备500包括存储器501、处理器502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,所述处理器执行所述计算机程序时实现任一实施例中的基于神经网络的电子政务考核方法。基于神经网络的电子政务考核设备500还可以包括通信接口503。
在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、双绞线)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存储的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,光盘)、或者半导体介质(例如固态硬盘(solid state disk,SSD))等。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本发明所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,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,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
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。
所述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,可以存储在一个计算机可读取存储介质中。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一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,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。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read-only memory,ROM)、随机存取存储器(random access memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于神经网络的电子政务考核方法,其特征在于,包括:
获取电子政务系统中的目标省份的省级统建业务系统数据,所述省级统建业务系统数据包括省对接部门自建业务系统数、价格、办件量、可网办事项数、用户访问量、用户数、共享数据数、延伸信息、移动客户端信息、咨询数和投诉数;
将所述省级统建业务系统数据按类别分别进行归一化处理,得到多个对应的归一化数据;
将所述多个对应的归一化数据分别输入到预置的神经网络模型的输入层中各个神经单元;
通过所述预置的神经网络模型对所述多个对应的归一化数据进行考核评估,得到所述目标省份的考核评估值;
根据所述目标省份的考核评估值调整所述目标省份的排名信息。
2.根据权利要求1所述的基于神经网络的电子政务考核方法,其特征在于,所述获取电子政务系统中的目标省份的省级统建业务系统数据之前,所述方法还包括:
获取原始学习样本数据,所述原始学习样本数据包括多种省级统建业务系统数据,每一种省级统建业务系统数据对应神经网络的一个神经元;
对所述原始学习样本数据归一化,生成归一化的学习数据;
根据历史数据确定神经网络的结构和连接权值的初始值;
根据所述多种省级统建业务系统数据和所述连接权值的初始值计算得到连接权值的适应值;
判断所述连接权值的适应值是否大于预设精度值或达到最大迭代次数;
若所述连接权值的适应值大于预设精度值或所述连接权值的适应值达到最大迭代次数,则完成优化并生成预置的神经网络模型。
3.根据权利要求2所述的基于神经网络的电子政务考核方法,其特征在于,所述根据所述多种省级统建业务系统数据和所述连接权值的初始值计算得到连接权值的适应值包括:
确定每种省级统建业务系统数据对应的连接权值的初始值;
调用预置的遗传算法模型对每种连接权值的初始值进行优化;
生成每种省级统建业务系统数据对应的连接权值的适应值。
4.根据权利要求3所述的基于神经网络的电子政务考核方法,其特征在于,所述调用预置的遗传算法模型对每种连接权值的初始值进行优化包括:
设置进化代数计数器t,设置最大进化代数T,并随机生成M个个体作为初始群体P(0),t=0;
计算群体P(t)中各个个体的适应度;
将选择算子、交叉算子和变异算子依次作用于群体,得到下一代群体P(t+1)并更新进化代数计数器;
判断进化代数计数器当前数t是否等于所述最大进化代数T;
若进化代数计数器当前数t等于所述最大进化代数T,则以进化过程中所得到的具有最大适应度个体作为输出的适应值,终止计算。
6.一种基于神经网络的电子政务考核装置,其特征在于,包括:
第一获取单元,用于获取电子政务系统中的目标省份的省级统建业务系统数据,所述省级统建业务系统数据包括省对接部门自建业务系统数、价格、办件量、可网办事项数、用户访问量、用户数、共享数据数、延伸信息、移动客户端信息、咨询数和投诉数;
第一归一化单元,用于将所述省级统建业务系统数据按类别分别进行归一化处理,得到多个对应的归一化数据;
输入单元,用于将所述多个对应的归一化数据分别输入到预置的神经网络模型的输入层中各个神经单元;
考核评估单元,用于通过所述预置的神经网络模型对所述多个对应的归一化数据进行考核评估,得到所述目标省份的考核评估值;
调整单元,用于根据所述目标省份的考核评估值调整所述目标省份的排名信息。
7.根据权利要求6所述的基于神经网络的电子政务考核装置,其特征在于,所述基于神经网络的电子政务考核装置还包括:
第二获取单元,用于获取原始学习样本数据,所述原始学习样本数据包括多种省级统建业务系统数据,每一种省级统建业务系统数据对应神经网络的一个神经元;
第二归一化单元,用于对所述原始学习样本数据归一化,生成归一化的学习数据;
确定单元,用于根据历史数据确定神经网络的结构和连接权值的初始值;
计算单元,用于根据所述多种省级统建业务系统数据和所述连接权值的初始值计算得到连接权值的适应值;
判断单元,用于判断所述连接权值的适应值是否大于预设精度值或达到最大迭代次数;
生成单元,若所述连接权值的适应值大于预设精度值或所连接权值的适应值达到最大迭代次数,则用于完成优化并生成预置的神经网络模型。
8.根据权利要求7所述的基于神经网络的电子政务考核装置,其特征在于,所述计算单元包括:
获取模块,用于确定每种省级统建业务系统数据对应的连接权值的初始值;
优化模块,用于调用预置的遗传算法模型对每种连接权值的初始值进行优化;
生成模块,用于生成每种省级统建业务系统数据对应的连接权值的适应值。
9.根据权利要求8所述的基于神经网络的电子政务考核装置,其特征在于,所述优化模块具体用于:
设置进化代数计数器t,设置最大进化代数T,并随机生成M个个体作为初始群体P(0),t=0;
计算群体P(t)中各个个体的适应度;
将选择算子、交叉算子和变异算子依次作用于群体,得到下一代群体P(t+1)并更新进化代数计数器;
判断进化代数计数器当前数t是否等于所述最大进化代数T;
若进化代数计数器当前数t等于所述最大进化代数T,则以进化过程中所得到的具有最大适应度个体作为输出的适应值,终止计算。
10.一种计算机可读存储介质,其特征在于,包括指令,当所述指令在计算机上运行时,使得计算机执行如权利要求1-5中任意一项所述的基于神经网络的电子政务考核方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910915150.8A CN110751374A (zh) | 2019-09-26 | 2019-09-26 | 基于神经网络的电子政务考核方法及相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910915150.8A CN110751374A (zh) | 2019-09-26 | 2019-09-26 | 基于神经网络的电子政务考核方法及相关设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110751374A true CN110751374A (zh) | 2020-02-04 |
Family
ID=69277148
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910915150.8A Pending CN110751374A (zh) | 2019-09-26 | 2019-09-26 | 基于神经网络的电子政务考核方法及相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110751374A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111858733A (zh) * | 2020-07-16 | 2020-10-30 | 广东南方报业传媒集团新媒体有限公司 | 一种基于互联网多源异构数据的政务信息比对方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104867074A (zh) * | 2015-05-15 | 2015-08-26 | 东北大学 | 基于遗传算法优化bp神经网络的学生综合素质测定方法 |
CN104915735A (zh) * | 2015-06-26 | 2015-09-16 | 国家电网公司 | 企业运营分析预警系统的预警分析方法 |
CN110033160A (zh) * | 2019-02-27 | 2019-07-19 | 贵州力创科技发展有限公司 | 一种绩效考评系统及方法 |
-
2019
- 2019-09-26 CN CN201910915150.8A patent/CN110751374A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104867074A (zh) * | 2015-05-15 | 2015-08-26 | 东北大学 | 基于遗传算法优化bp神经网络的学生综合素质测定方法 |
CN104915735A (zh) * | 2015-06-26 | 2015-09-16 | 国家电网公司 | 企业运营分析预警系统的预警分析方法 |
CN110033160A (zh) * | 2019-02-27 | 2019-07-19 | 贵州力创科技发展有限公司 | 一种绩效考评系统及方法 |
Non-Patent Citations (2)
Title |
---|
陈金赛: "对3-基于神经网络的预测分析及其应用研究", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 * |
颜佳华: "基于BP神经网络的电子政务绩效评价研究", 《中国管理科学》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111858733A (zh) * | 2020-07-16 | 2020-10-30 | 广东南方报业传媒集团新媒体有限公司 | 一种基于互联网多源异构数据的政务信息比对方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20160155194A1 (en) | System and method for providing credit to underserved borrowers | |
WO2019037202A1 (zh) | 目标客户的识别方法、装置、电子设备及介质 | |
US20070124236A1 (en) | Credit risk profiling method and system | |
CN109564669A (zh) | 基于信任得分和地理范围搜索实体 | |
CN108898476A (zh) | 一种贷款客户信用评分方法和装置 | |
CN110995459B (zh) | 异常对象识别方法、装置、介质及电子设备 | |
WO2011133551A2 (en) | Reducing the dissimilarity between a first multivariate data set and a second multivariate data set | |
CN113742492B (zh) | 保险方案生成方法、装置、电子设备及存储介质 | |
CN110147389A (zh) | 帐号处理方法和装置、存储介质及电子装置 | |
US20170337240A1 (en) | Software function verification system and software function verification method | |
CN110046889A (zh) | 一种异常行为主体的检测方法、装置及服务器 | |
CN116684330A (zh) | 基于人工智能的流量预测方法、装置、设备及存储介质 | |
Wong | Performance evaluation of supply chain in stochastic environment: using a simulation based DEA framework | |
CN110751374A (zh) | 基于神经网络的电子政务考核方法及相关设备 | |
CN113011966A (zh) | 基于深度学习的信用评分方法及装置 | |
CN112751785A (zh) | 待处理请求发送方法、装置、计算机设备及存储介质 | |
CN116843483A (zh) | 一种车险理赔方法、装置、计算机设备及存储介质 | |
CN113656692B (zh) | 基于知识迁移算法的产品推荐方法、装置、设备及介质 | |
CN116187675A (zh) | 任务分配方法、装置、设备及存储介质 | |
CN113902576A (zh) | 基于深度学习的信息推送方法、装置、电子设备及介质 | |
CN114925275A (zh) | 产品推荐方法、装置、计算机设备及存储介质 | |
CN115545088A (zh) | 模型构建方法、分类方法、装置和电子设备 | |
US11531887B1 (en) | Disruptive prediction with ordered treatment candidate bins | |
CN114170000A (zh) | 信用卡用户风险类别识别方法、装置、计算机设备和介质 | |
CN113298641A (zh) | 诚信程度认知方法及装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200204 |