CN110765327A - 数据分析方法、装置、计算机装置及存储介质 - Google Patents
数据分析方法、装置、计算机装置及存储介质 Download PDFInfo
- Publication number
- CN110765327A CN110765327A CN201910838702.XA CN201910838702A CN110765327A CN 110765327 A CN110765327 A CN 110765327A CN 201910838702 A CN201910838702 A CN 201910838702A CN 110765327 A CN110765327 A CN 110765327A
- Authority
- CN
- China
- Prior art keywords
- decision
- data
- points
- data set
- application scene
- 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 57
- 238000007405 data analysis Methods 0.000 title claims abstract description 51
- 238000004458 analytical method Methods 0.000 claims abstract description 108
- 239000011159 matrix material Substances 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 21
- 230000004048 modification Effects 0.000 claims description 20
- 238000012986 modification Methods 0.000 claims description 20
- 238000012360 testing method Methods 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 description 13
- 238000003066 decision tree Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 238000011835 investigation Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
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
- G06F16/906—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/03—Credit; Loans; Processing thereof
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Finance (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Accounting & Taxation (AREA)
- Artificial Intelligence (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供一种数据分析方法、装置、计算机装置及存储介质。所述数据分析方法包括：在接收到决策部署请求后，根据所述决策部署请求新建决策部署的应用场景；针对所述应用场景配置决策部署的数据信息；获取所述应用场景的数据集，对所述数据集进行聚类，根据所述数据集的聚类结果生成所述应用场景的决策准则；在接收到针对所述应用场景的决策分析请求后，根据所述数据信息获取待分析数据，根据所述决策准则对所述待分析数据进行决策分析，得到所述待分析数据的决策分析结果。本发明可以快速响应应用场景需求生成决策准则，实现快速的数据分析。
Description
技术领域
本发明涉及数据处理领域，具体涉及一种数据分析方法、装置、计算机装置及计算机存储介质。
背景技术
随着信息化程度的提高，需要进行决策分析的应用越来越多，逻辑的变化越来越频繁。然而，现有的数据分析方法无法快速响应不同应用场景的需求得到决策准则，从而无法快速进行数据分析得到分析结果。应用场景需求
发明内容
鉴于以上内容，有必要提出一种数据分析方法、装置、计算机装置及计算机存储介质，其可以快速响应应用场景需求，实现快速的数据分析。
本申请的第一方面提供一种数据分析方法，所述方法包括：
在接收到决策部署请求后，根据所述决策部署请求新建决策部署的应用场景；
针对所述应用场景配置决策部署的数据信息；
获取所述应用场景的数据集，对所述数据集进行聚类，根据所述数据集的聚类结果生成所述应用场景的决策准则；
在接收到针对所述应用场景的决策分析请求后，根据所述数据信息获取待分析数据，根据所述决策准则对所述待分析数据进行决策分析，得到所述待分析数据的决策分析结果。
另一种可能的实现方式中，所述对所述数据集进行聚类包括：
计算所述数据集中所有点之间的距离；
根据所述数据集中所有点之间的距离计算所述数据集中所有点之间的平均距离R'；
计算所述数据集中每个点与其他所有点的平均距离R；
根据所述数据集中每个点与其他所有点的平均距离R和所述数据集中所有点之间的平均距离R'选取每个点的临界距离，根据每个点的临界距离确定每个点的近邻点，根据所述数据集中每个点的近邻点更新所述数据集的相似度矩阵；
获取所述相似度矩阵中的最大相似度，判断所述最大相似度是否大于预设值，若所述最大相似度大于所述预设值，则将所述最大相似度对应的两个点划分为同一类，更新所述相似度矩阵中所述两个点与其他点的相似度；
若所述最大相似度小于等于所述预设值，则输出所述数据集的数据划分。
另一种可能的实现方式中，所述选取每个点的临界距离包括：
若该点与其他所有点的平均距离R小于所述数据集中所有点之间的平均距离R'，则该点的临界距离在区间((R+R')/2,R')内选取；
若该点与其他所有点的平均距离R大于所述数据集中所有点之间的平均距离R'，则该点的临界距离在区间(R',(R+R')/2)内选取。
另一种可能的实现方式中，所述根据所述数据集中每个点的近邻点更新所述数据集的相似度矩阵包括：
若所述数据集中的两个点为近邻点，则所述两个点的相似度s更新为s＝s+1/(kN)，其中N为所述数据集中所有点的个数，k为大于1的自然数。
另一种可能的实现方式中，所述方法还包括：
根据所述数据信息及所述决策准则生成所述应用场景的决策分析接口；
所述根据所述数据信息获取待分析数据，根据所述决策准则对所述待分析数据进行决策分析包括：
调用所述决策分析接口，根据所述决策分析接口中的数据信息获取所述待分析数据，根据所述决策分析接口中的决策准则对所述待分析数据进行决策分析。
另一种可能的实现方式中，在所述根据所述数据信息及所述决策准则生成所述应用场景的决策分析接口之前，所述方法还包括：
根据所述数据信息及所述决策准则对所述应用场景进行测试，若所述应用场景测试通过，则执行所述根据所述数据信息及所述决策准则生成所述应用场景的决策分析接口。
另一种可能的实现方式中，所述方法还包括：
若接收到应用场景信息修改请求，则修改所述应用场景的应用场景信息；和/或
若接收到数据信息修改请求，则修改所述数据信息；和/或
若接收到决策准则修改请求，修改所述决策准则；和/或
若接收到应用场景删除请求，则删除所述应用场景。
本申请的第二方面提供一种数据分析装置，所述装置包括：
新建模块，用于在接收到决策部署请求后，根据所述决策部署请求新建决策部署的应用场景；
配置模块，用于针对所述应用场景配置决策部署的数据信息；
聚类模块，用于获取所述应用场景的数据集，对所述数据集进行聚类，根据所述数据集的聚类结果生成所述应用场景的决策准则；
分析模块，用于在接收到针对所述应用场景的决策分析请求后，根据所述数据信息获取待分析数据，根据所述决策准则对所述待分析数据进行决策分析，得到所述待分析数据的决策分析结果配置模块聚类模块分析模块。
本申请的第三方面提供一种计算机装置，所述计算机装置包括处理器，所述处理器用于执行存储器中存储的计算机程序时实现所述数据分析方法。
本申请的第四方面提供一种计算机存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述数据分析方法。
本发明在接收到决策部署请求后，根据所述决策部署请求新建决策部署的应用场景；针对所述应用场景配置决策部署的数据信息；获取所述应用场景的数据集，对所述数据集进行聚类，根据所述数据集的聚类结果生成所述应用场景的决策准则；在接收到针对所述应用场景的决策分析请求后，根据所述数据信息获取待分析数据，根据所述决策准则对所述待分析数据进行决策分析，得到所述待分析数据的决策分析结果。本发明可以快速响应应用场景需求生成决策准则，实现快速的数据分析。
附图说明
图1是本发明实施例提供的数据分析方法的流程图。
图2是本发明实施例提供的数据分析装置的结构图。
图3是本发明实施例提供的计算机装置的示意图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施例对本发明进行详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。
优选地，本发明的数据分析方法应用在一个或者多个计算机装置中。所述计算机装置是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(Application Specific IntegratedCircuit，ASIC)、可编程门阵列(Field－Programmable Gate Array，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。
所述计算机装置可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机装置可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
实施例一
图1是本发明实施例一提供的数据分析方法的流程图。所述数据分析方法应用于计算机装置。所述数据分析方法能够快速响应应用场景需求，实现快速的数据分析。
如图1所示，所述数据分析方法包括：
101，在接收到决策部署请求后，根据所述决策部署请求新建决策部署的应用场景。
在本实施例中，接收到用户的决策部署请求后，确定所述决策部署请求所请求的应用场景是否为新的应用场景。若所述决策部署请求所请求的应用场景为新的应用场景，则新建与原有应用场景不同的新的应用场景。若所述决策部署请求所请求的应用场景非新的应用场景，则新建不同版本的应用场景。
决策部署的应用场景就是需要进行决策部署的业务解决方案。例如，所述决策部署方法可以应用于银行风控系统，所述应用场景可以是银行风控系统的贷后监控。又如，所述数据分析方法可以应用于银行营销系统，所述应用场景可以是银行营销系统的营销推荐。
当需要对新的业务进行决策部署时，可以新建与原有应用场景不同的新的应用场景。例如，在银行风控系统中如果要对贷前预警进行决策部署，则可以新建贷前预警应用场景。
当同一业务发生变化时，可以新建不同版本的应用场景。例如，所述应用场景是贷后监控，原有版本为1.0版本，当贷后监控发生变化(例如决策准则发生变化)时，可以新建1.1版本的贷后监控应用场景。
可以生成应用场景新建界面，在所述应用场景新建界面接收应用场景信息，根据所述应用场景信息新建所述应用场景。
应用场景信息可以包括场景编号、场景名称、场景描述、版本号、版本描述等。所述场景编号可以是数字、场景名称的英文全拼或缩写，也可以是随机字符串或者上述的任意组合，也可以是其他命名方式，只要能够唯一识别对应应用场景即可。所述场景描述、版本描述可以是应用场景的相关描述，也可以为空。例如，新建的贷后预警应用场景的场景编号为WarningMonitor，场景名称为贷后预警，版本号为1.2，场景描述、版本描述为空。又如，新建的贷前预警应用场景的场景编号为BeforeLoanMonitor，场景名称为贷前预警，版本号为1.1，场景描述、版本描述为空。
102，针对所述应用场景配置决策部署的数据信息。
可以生成数据信息配置界面，从所述数据信息配置界面接收针对所述应用场景配置的数据信息。
所述数据信息可以包括数据源信息、变量组信息和变量信息。
数据源即原始数据的来源。所述数据源信息可以包括数据源的名称、描述、连接信息(例如URL(Uniform Resource Locator，统一资源定位符))等。所述数据源可以包括使用方外部的数据源，也可以包括使用方内部的数据源。例如，在贷后监控应用场景中，所述数据源可以包括工商系统、非银信贷系统、司法系统、征信系统等外部数据源。
所述变量组信息可以包括变量组的名称、描述、来源、类型等。所述变量组信息定义的每个变量组可以包括多个字段，每个字段可以是一个变量。所述变量组可以是所述数据源中的数据。例如，在贷后监控应用场景中，所述变量组可以包括工商系统中的变量组、非银信贷系统中的变量组、司法系统中的变量组、征信系统中的变量组。所述变量组也可以不是所述数据源中的变量组。例如，可以是自定义的变量组。
所述变量信息可以包括变量的名称、描述、类型等。所述变量可以是所述变量组中的变量，也可以不是所述变量组中的变量。
所述数据信息描述的数据可以包括变量、常量和参数。
可以将所述数据信息存储到数据库中，例如存储到redis中。
103，获取所述应用场景的数据集，对所述数据集进行聚类，根据所述数据集的聚类结果生成所述应用场景的决策准则。
对所述数据集进行聚类就是从所述数据集中挖掘出所述应用场景的分类规则。所述应用场景的数据集可以包括多个分类变量。
所述应用场景的决策准则可以包括决策流、决策树、决策表、评分卡、决策集等。
决策流用于实现决策流程的流转，从而灵活进行决策。可以定义多个组件，通过组合所述多个组件形成所述决策流。所述组件可以被用户拖拽，形成所述决策流。所述组件可以包括开始、规则、分支、聚合、决策等。所述规则可以支持规则嵌套，不同条件下，通过决策可流转到不同的规则执行后续动作。
决策树是通过树状结构的方式，分类执行某一枝干决策，从而快速实现该类业务目标。
决策表主要应用于风险定价类场景，决策表为二维矩阵表，通过不同横轴、纵轴变量区间，执行对应的策略。
评分卡主要应用于评分类场景，不同变量对应属性匹配相应分值，并累加获取总评分，快速实现评分决策。
规则集是规则的集合，定义一般规则类决策逻辑。所述规则可以包括作为判断条件的黑白名单和/或逻辑表达式、判断条件之间的逻辑连接关系。
决策流、决策树、决策表、评分卡、决策集相互独立，所述应用场景可以只采用其中任意一种，也可以采用其任意组合。决策流功能最强大，复杂的应用场景可以通过决策流串联其他的决策方式。
可以将所述决策准则存储到数据库(例如规则库)中，例如存储到redis中。可以生成所述决策准则对应的规则文件，将所述规则文件导入数据库。
在本实施例中，所述对所述数据集进行聚类包括：
计算所述数据集中所有点之间的距离；
根据所述数据集中所有点之间的距离计算所述数据集中所有点之间的平均距离R'；
计算所述数据集中每个点与其他所有点的平均距离R；
根据所述数据集中每个点与其他所有点的平均距离R和所述数据集中所有点之间的平均距离R'选取每个点的临界距离，根据每个点的临界距离确定每个点的近邻点，根据所述数据集中每个点的近邻点更新所述数据集的相似度矩阵；
获取所述相似度矩阵中的最大相似度，判断所述最大相似度是否大于预设值，若所述最大相似度大于所述预设值，则将所述最大相似度对应的两个点划分为同一类，更新所述相似度矩阵中所述两个点与其他点的相似度；
若所述最大相似度小于等于所述预设值，则输出所述数据集的数据划分。
为了提高聚类效果，可以按照预设的循环次数执行所述根据所述数据集中每个点与其他所有点的平均距离R和所述数据集中所有点之间的平均距离R'选取每个点的临界距离，根据每个点的临界距离确定每个点的近邻点，根据所述数据集中每个点的近邻点更新所述数据集的相似度矩阵。所述循环次数可以取值为N，即所述数据集中所有点的个数。
在本实施例中，所述数据集中每个点的临界距离按照如下方法选取：
若该点与其他所有点的平均距离R小于所述数据集中所有点之间的平均距离R'，则该点的临界距离在区间((R+R')/2,R')内选取；
若该点与其他所有点的平均距离R大于所述数据集中所有点之间的平均距离R'，则该点的临界距离在区间(R',(R+R')/2)内选取。
在其他的实施例中，所述数据集中每个点的临界距离可以按照其他方法选取，例如：
若该点与其他所有点的平均距离R小于所述数据集中所有点之间的平均距离R'，则该点的临界距离在区间(R,R')内选取；
若该点与其他所有点的平均距离R大于所述数据集中所有点之间的平均距离R'，则该点的临界距离在区间(R',R)内选取。
每个点p的邻近点为与该点p的距离小于该点p的临界距离的其他点。
在本实施例中，所述根据所述数据集中每个点的近邻点更新所述数据集的相似度矩阵包括：
若所述数据集中的两个点为近邻点，则所述两个点的相似度s更新为s＝s+1/(kN)，其中N为所述数据集中所有点的个数，k为大于1的自然数，例如k为2。
所述更新所述相似度矩阵中所述两个点与其他点的相似度可以是将所述相似度矩阵中所述两个点与其他点的相似度取平均值。例如，所述两个点为点a和点b，点a与点c的相似度原为n1，点b与点c的相似度原为n2，则点a与点c的相似度、点b与点c的相似度修改为(n1+n2)/2。
在本实施例中，可以对决策准则进行合法性检查。例如，所述决策准则包括10条规则，对每条规则进行合法性检查，得到合法的规则。若检查为非法的决策准则，可以向用户发出错误提示。对决策准则进行合法性检查可以包括对所述决策准则进行语法检查以及对所述决策准则进行有效性检查。
104，在接收到针对所述应用场景的决策分析请求后，根据所述数据信息获取待分析数据，根据所述决策准则对所述待分析数据进行决策分析，得到所述待分析数据的决策分析结果。
在本实施例中，所述方法还可以包括：根据所述数据信息及所述决策准则生成所述应用场景的决策分析接口。
所述根据所述数据信息获取待分析数据，根据所述决策准则对所述待分析数据进行决策分析包括：
调用所述决策分析接口，根据所述决策分析接口中的数据信息获取所述待分析数据，根据所述决策分析接口中的决策准则对所述待分析数据进行决策分析。
可以对所述应用场景的所述数据信息及所述决策准则进行封装，再对封装的所述数据信息及所述决策准则定义接口路径、输入参数、输出参数，从而生成所述应用场景的决策分析接口。
在本实施例中，在生成所述决策分析接口之前，可以根据所述数据信息及所述决策准则对所述应用场景进行测试，测试通过后生成所述决策分析接口。
当使用方(例如银行风控系统)需要进行所述应用场景的决策分析时，调用所述决策分析接口，根据所述数据信息获取需要分析的数据，根据所述决策准则对所述数据进行分析，得到决策分析结果。
实施例一的数据分析方法在接收到决策部署请求后，根据所述决策部署请求新建决策部署的应用场景；针对所述应用场景配置决策部署的数据信息；获取所述应用场景的数据集，对所述数据集进行聚类，根据所述数据集的聚类结果生成所述应用场景的决策准则；在接收到针对所述应用场景的决策分析请求后，根据所述数据信息获取待分析数据，根据所述决策准则对所述待分析数据进行决策分析，得到所述待分析数据的决策分析结果。实施例一可以快速响应应用场景需求，实现快速的数据分析。
在另一实施例中，所述方法还可以包括：若接收到应用场景信息修改请求，则修改所述应用场景的应用场景信息。可以修改所述应用场景的场景编号、场景名称、场景描述、版本号、版本描述等应用场景信息。可以显示所有已建立的应用场景，针对每个应用场景显示一个修改按钮，当接收到对所述修改按钮的点击操作时，对所述应用场景的应用场景信息进行修改。
在另一实施例中，所述方法还可以包括：若接收到应用场景删除请求，则删除所述应用场景。可以针对每个应用场景显示一个删除按钮，当接收到对所述删除按钮的点击操作时，删除所述应用场景。
在另一实施例中，所述方法还可以包括：若接收到数据信息修改请求，则修改所述数据信息。可以修改所述数据信息中的数据源信息、变量组信息和/或变量信息。例如，当所述应用场景的决策分析的数据源发生变化时，可以修改所述数据源信息。又如，当所述应用场景的决策分析的变量组发生变化时，可以修改所述变量组信息。
在另一实施例中，所述方法还可以包括：若接收到决策准则修改请求，则修改所述决策准则。可以修改所述应用场景的决策准则中的决策流、决策树、决策表、评分卡、决策集的任意一个或其任意组合。
在另一实施例中，所述方法在接收到决策分析请求后，确定与所述决策分析请求匹配的应用场景；调用所述与所述决策分析请求匹配的应用场景的决策分析接口。可以预先生成一张或者多张表格，在表格中记录有决策分析请求和应用场景的对应关系。或者，可以以文本的方式记录决策分析请求和对应用场景之间的对应关系。
在另一实施例中，所述方法还可以包括：对所述应用场景的所述数据信息及所述决策准则进行发布。可以对所述应用场景的所述数据信息及所述决策准则进行编译，对编译后的所述数据信息及所述决策准则进行发布。
实施例二
图2是本发明实施例二提供的数据分析装置的结构图。所述数据分析装置20应用于计算机装置。所述数据分析装置20用于针对应用场景进行决策部署。所述数据分析装置20能够快速响应应用场景需求，实现快速的数据分析。
如图2所示，所述数据分析装置20可以包括新建模块201、配置模块202、聚类模块203、分析模块204。
新建模块201，用于在接收到决策部署请求后，根据所述决策部署请求新建决策部署的应用场景。
在本实施例中，接收到用户的决策部署请求(例如接收针对银行风控系统的贷后监控的决策部署请求)后，确定所述决策部署请求所请求的应用场景是否为新的应用场景。若所述决策部署请求所请求的应用场景为新的应用场景，则新建与原有应用场景不同的新的应用场景。若所述决策部署请求所请求的应用场景非新的应用场景，则新建不同版本的应用场景。
决策部署的应用场景就是需要进行决策部署的业务解决方案。例如，所述决策部署方法可以应用于银行风控系统，所述应用场景可以是银行风控系统的贷后监控。又如，所述数据分析方法可以应用于银行营销系统，所述应用场景可以是银行营销系统的营销推荐。
当需要对新的业务进行决策部署时，可以新建与原有应用场景不同的新的应用场景。例如，在银行风控系统中如果要对贷前预警进行决策部署，则可以新建贷前预警应用场景。
当同一业务发生变化时，可以新建不同版本的应用场景。例如，所述应用场景是贷后监控，原有版本为1.0版本，当贷后监控发生变化(例如决策准则发生变化)时，可以新建1.1版本的贷后监控应用场景。
可以生成应用场景新建界面，在所述应用场景新建界面接收应用场景信息，根据所述应用场景信息新建所述应用场景。
应用场景信息可以包括场景编号、场景名称、场景描述、版本号、版本描述等。所述场景编号可以是数字、场景名称的英文全拼或缩写，也可以是随机字符串或者上述的任意组合，也可以是其他命名方式，只要能够唯一识别对应应用场景即可。所述场景描述、版本描述可以是应用场景的相关描述，也可以为空。例如，新建的贷后预警应用场景的场景编号为WarningMonitor，场景名称为贷后预警，版本号为1.2，场景描述、版本描述为空。又如，新建的贷前预警应用场景的场景编号为BeforeLoanMonitor，场景名称为贷前预警，版本号为1.1，场景描述、版本描述为空。
配置模块202，用于针对所述应用场景配置决策部署的数据信息。
可以生成数据信息配置界面，从所述数据信息配置界面接收针对所述应用场景配置的数据信息。
所述数据信息可以包括数据源信息、变量组信息和变量信息。
数据源即原始数据的来源。所述数据源信息可以包括数据源的名称、描述、连接信息(例如URL(Uniform Resource Locator，统一资源定位符))等。所述数据源可以包括使用方外部的数据源，也可以包括使用方内部的数据源。例如，在贷后监控应用场景中，所述数据源可以包括工商系统、非银信贷系统、司法系统、征信系统等外部数据源。
所述变量组信息可以包括变量组的名称、描述、来源、类型等。所述变量组信息定义的每个变量组可以包括多个字段，每个字段可以是一个变量。所述变量组可以是所述数据源中的数据。例如，在贷后监控应用场景中，所述变量组可以包括工商系统中的变量组、非银信贷系统中的变量组、司法系统中的变量组、征信系统中的变量组。所述变量组也可以不是所述数据源中的变量组。例如，可以是自定义的变量组。
所述变量信息可以包括变量的名称、描述、类型等。所述变量可以是所述变量组中的变量，也可以不是所述变量组中的变量。
所述数据信息描述的数据可以包括变量、常量和参数。
可以将所述数据信息存储到数据库中，例如存储到redis中。
聚类模块203，用于获取所述应用场景的数据集，对所述数据集进行聚类，根据所述数据集的聚类结果生成所述应用场景的决策准则。
对所述数据集进行聚类就是从所述数据集中挖掘出所述应用场景的分类规则。所述应用场景的数据集包括多组数据，每组数据可以包括多个分类变量，根据每组数据可以得到一个决策结果。
所述应用场景的决策准则可以包括决策流、决策树、决策表、评分卡、决策集等。
决策流用于实现决策流程的流转，从而灵活进行决策。可以定义多个组件，通过组合所述多个组件形成所述决策流。所述组件可以被用户拖拽，形成所述决策流。所述组件可以包括开始、规则、分支、聚合、决策等。所述规则可以支持规则嵌套，不同条件下，通过决策可流转到不同的规则执行后续动作。
决策树是通过树状结构的方式，分类执行某一枝干决策，从而快速实现该类业务目标。
决策表主要应用于风险定价类场景，决策表为二维矩阵表，通过不同横轴、纵轴变量区间，执行对应的策略。
评分卡主要应用于评分类场景，不同变量对应属性匹配相应分值，并累加获取总评分，快速实现评分决策。
规则集是规则的集合，定义一般规则类决策逻辑。所述规则可以包括作为判断条件的黑白名单和/或逻辑表达式、判断条件之间的逻辑连接关系。
决策流、决策树、决策表、评分卡、决策集相互独立，所述应用场景可以只采用其中任意一种，也可以采用其任意组合。决策流功能最强大，复杂的应用场景可以通过决策流串联其他的决策方式。
可以将所述决策准则存储到数据库(例如规则库)中，例如存储到redis中。可以生成所述决策准则对应的规则文件，将所述规则文件导入数据库。
在本实施例中，所述对所述数据集进行聚类包括：
计算所述数据集中所有点之间的距离；
根据所述数据集中所有点之间的距离计算所述数据集中所有点之间的平均距离R'；
计算所述数据集中每个点与其他所有点的平均距离R；
根据所述数据集中每个点与其他所有点的平均距离R和所述数据集中所有点之间的平均距离R'选取每个点的临界距离，根据每个点的临界距离确定每个点的近邻点，根据所述数据集中每个点的近邻点更新所述数据集的相似度矩阵；
获取所述相似度矩阵中的最大相似度，判断所述最大相似度是否大于预设值，若所述最大相似度大于所述预设值，则将所述最大相似度对应的两个点划分为同一类，更新所述相似度矩阵中所述两个点与其他点的相似度；
若所述最大相似度小于等于所述预设值，则输出所述数据集的数据划分。
为了提高聚类效果，可以按照预设的循环次数执行所述根据所述数据集中每个点与其他所有点的平均距离R和所述数据集中所有点之间的平均距离R'选取每个点的临界距离，根据每个点的临界距离确定每个点的近邻点，根据所述数据集中每个点的近邻点更新所述数据集的相似度矩阵。所述循环次数可以取值为N，即所述数据集中所有点的个数。
在本实施例中，所述数据集中每个点的临界距离按照如下方法选取：
若该点与其他所有点的平均距离R小于所述数据集中所有点之间的平均距离R'，则该点的临界距离在区间((R+R')/2,R')内选取；
若该点与其他所有点的平均距离R大于所述数据集中所有点之间的平均距离R'，则该点的临界距离在区间(R',(R+R')/2)内选取。
在其他的实施例中，所述数据集中每个点的临界距离可以按照其他方法选取，例如：
若该点与其他所有点的平均距离R小于所述数据集中所有点之间的平均距离R'，则该点的临界距离在区间(R,R')内选取；
若该点与其他所有点的平均距离R大于所述数据集中所有点之间的平均距离R'，则该点的临界距离在区间(R',R)内选取。
每个点p的邻近点为与该点p的距离小于该点p的临界距离的其他点。
在本实施例中，所述根据所述数据集中每个点的近邻点更新所述数据集的相似度矩阵包括：
若所述数据集中的两个点为近邻点，则所述两个点的相似度s更新为s＝s+1/(kN)，其中N为所述数据集中所有点的个数，k为大于1的自然数，例如k为2。
所述更新所述相似度矩阵中所述两个点与其他点的相似度可以是将所述相似度矩阵中所述两个点与其他点的相似度取平均值。例如，所述两个点为点a和点b，点a与点c的相似度原为n1，点b与点c的相似度原为n2，则点a与点c的相似度、点b与点c的相似度修改为(n1+n2)/2。
在本实施例中，可以对决策准则进行合法性检查。例如，所述决策准则包括10条规则，对每条规则进行合法性检查，得到合法的规则。若检查为非法的决策准则，可以向用户发出错误提示。对决策准则进行合法性检查可以包括对所述决策准则进行语法检查以及对所述决策准则进行有效性检查。
分析模块204，用于在接收到针对所述应用场景的决策分析请求后，根据所述数据信息获取待分析数据，根据所述决策准则对所述待分析数据进行决策分析，得到所述待分析数据的决策分析结果。
在本实施例中，所述方法还可以包括：根据所述数据信息及所述决策准则生成所述应用场景的决策分析接口。
所述根据所述数据信息获取待分析数据，根据所述决策准则对所述待分析数据进行决策分析包括：
调用所述决策分析接口，根据所述决策分析接口中的数据信息获取所述待分析数据，根据所述决策分析接口中的决策准则对所述待分析数据进行决策分析。
可以对所述应用场景的所述数据信息及所述决策准则进行封装，再对封装的所述数据信息及所述决策准则定义接口路径、输入参数、输出参数，从而生成所述应用场景的决策分析接口。
在本实施例中，在生成所述决策分析接口之前，可以根据所述数据信息及所述决策准则对所述应用场景进行测试，测试通过后生成所述决策分析接口。
当使用方(例如银行风控系统)需要进行所述应用场景的决策分析时，调用所述决策分析接口，根据所述数据信息获取需要分析的数据，根据所述决策准则对所述数据进行分析，得到决策分析结果。
实施例二的数据分析装置20在接收到决策部署请求后，根据所述决策部署请求新建决策部署的应用场景；针对所述应用场景配置决策部署的数据信息；获取所述应用场景的数据集，对所述数据集进行聚类，根据所述数据集的聚类结果生成所述应用场景的决策准则；在接收到针对所述应用场景的决策分析请求后，根据所述数据信息获取待分析数据，根据所述决策准则对所述待分析数据进行决策分析，得到所述待分析数据的决策分析结果。实施例二可以快速响应应用场景需求生成决策准则，实现快速的数据分析。
在另一实施例中，所述数据分析装置20还可以包括：第一修改模块，用于若接收到应用场景信息修改请求，则修改所述应用场景的应用场景信息。可以修改所述应用场景的场景编号、场景名称、场景描述、版本号、版本描述等应用场景信息。可以显示所有已建立的应用场景，针对每个应用场景显示一个修改按钮，当接收到对所述修改按钮的点击操作时，对所述应用场景的应用场景信息进行修改。
在另一实施例中，所述数据分析装置20还可以包括：删除模块，用于若接收到应用场景删除请求，则删除所述应用场景。可以针对每个应用场景显示一个删除按钮，当接收到对所述删除按钮的点击操作时，删除所述应用场景。
在另一实施例中，所述数据分析装置20还可以包括：第二修改模块，用于若接收到数据信息修改请求，则修改所述数据信息。可以修改所述数据信息中的数据源信息、变量组信息和/或变量信息。例如，当所述应用场景的决策分析的数据源发生变化时，可以修改所述数据源信息。又如，当所述应用场景的决策分析的变量组发生变化时，可以修改所述变量组信息。
在另一实施例中，所述数据分析装置20还可以包括：第三修改模块，用于若接收到决策准则修改请求，则修改所述决策准则。可以修改所述应用场景的决策准则中的决策流、决策树、决策表、评分卡、决策集的任意一个或其任意组合。
在另一实施例中，所述数据分析装置20还可以包括：确定模块，用于在接收到决策分析请求后，确定与所述决策分析请求匹配的应用场景。所述分析模块204调用与所述决策分析请求匹配的应用场景的决策分析接口。可以预先生成一张或者多张表格，在表格中记录有决策分析请求和应用场景的对应关系。或者，可以以文本的方式记录决策分析请求和对应用场景之间的对应关系。
在另一实施例中，所述数据分析装置还可以包括：发布模块，用于对所述应用场景的所述数据信息及所述决策准则进行发布。可以对所述应用场景的所述数据信息及所述决策准则进行编译，对编译后的所述数据信息及所述决策准则进行发布。
实施例三
本实施例提供一种计算机存储介质，该计算机存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述数据分析方法实施例中的步骤，例如图1所示的101-104：
101，在接收到决策部署请求后，根据所述决策部署请求新建决策部署的应用场景；
102，针对所述应用场景配置决策部署的数据信息；
103，获取所述应用场景的数据集，对所述数据集进行聚类，根据所述数据集的聚类结果生成所述应用场景的决策准则；
104，在接收到针对所述应用场景的决策分析请求后，根据所述数据信息获取待分析数据，根据所述决策准则对所述待分析数据进行决策分析，得到所述待分析数据的决策分析结果。
或者，该计算机程序被处理器执行时实现上述装置实施例中各模块的功能，例如图2中的模块201-204：
新建模块201，用于在接收到决策部署请求后，根据所述决策部署请求新建决策部署的应用场景；
配置模块202，用于针对所述应用场景配置决策部署的数据信息；
聚类模块203，用于获取所述应用场景的数据集，对所述数据集进行聚类，根据所述数据集的聚类结果生成所述应用场景的决策准则；
分析模块204，用于在接收到针对所述应用场景的决策分析请求后，根据所述数据信息获取待分析数据，根据所述决策准则对所述待分析数据进行决策分析，得到所述待分析数据的决策分析结果。
实施例四
图3为本发明实施例四提供的计算机装置的示意图。所述计算机装置30包括存储器301、处理器302以及存储在所述存储器301中并可在所述处理器302上运行的计算机程序303，例如数据分析程序。所述处理器302执行所述计算机程序303时实现上述数据分析方法实施例中的步骤，例如图1所示的101-104：
101，在接收到决策部署请求后，根据所述决策部署请求新建决策部署的应用场景；
102，针对所述应用场景配置决策部署的数据信息；
103，获取所述应用场景的数据集，对所述数据集进行聚类，根据所述数据集的聚类结果生成所述应用场景的决策准则；
104，在接收到针对所述应用场景的决策分析请求后，根据所述数据信息获取待分析数据，根据所述决策准则对所述待分析数据进行决策分析，得到所述待分析数据的决策分析结果。
或者，该计算机程序被处理器执行时实现上述装置实施例中各模块的功能，例如图2中的模块201-204：
新建模块201，用于在接收到决策部署请求后，根据所述决策部署请求新建决策部署的应用场景；
配置模块202，用于获取所述应用场景的数据集，对所述数据集进行聚类，根据所述数据集的聚类结果生成所述应用场景的决策准则；
聚类模块203，用于根据所述数据信息配置所述应用场景的决策准则；
分析模块204，用于在接收到针对所述应用场景的决策分析请求后，根据所述数据信息获取待分析数据，根据所述决策准则对所述待分析数据进行决策分析，得到所述待分析数据的决策分析结果。
示例性的，所述计算机程序303可以被分割成一个或多个模块，所述一个或者多个模块被存储在所述存储器301中，并由所述处理器302执行，以完成本方法。所述一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序303在所述计算机装置30中的执行过程。例如，所述计算机程序303可以被分割成图2中的新建模块201、配置模块202、聚类模块203、分析模块204，各模块具体功能参见实施例二。
所述计算机装置30可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。本领域技术人员可以理解，所述示意图3仅仅是计算机装置30的示例，并不构成对计算机装置30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，例如所述计算机装置30还可以包括输入输出设备、网络接入设备、总线等。
所称处理器302可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器302也可以是任何常规的处理器等，所述处理器302是所述计算机装置30的控制中心，利用各种接口和线路连接整个计算机装置30的各个部分。
所述存储器301可用于存储所述计算机程序303，所述处理器302通过运行或执行存储在所述存储器301内的计算机程序或模块，以及调用存储在存储器301内的数据，实现所述计算机装置30的各种功能。所述存储器301可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据计算机装置30的使用所创建的数据(比如音频数据)等。此外，存储器301可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。
所述计算机装置30集成的模块如果以软件功能模块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，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。
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，所述模块的划分，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。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，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模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
上述以软件功能模块的形式实现的集成的模块，可以存储在一个计算机可读取存储介质中。上述软件功能模块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)或处理器(processor)执行本发明各个实施例所述方法的部分步骤。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他模块或步骤，单数不排除复数。系统权利要求中陈述的多个模块或装置也可以由一个模块或装置通过软件或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种数据分析方法，其特征在于，所述方法包括：
在接收到决策部署请求后，根据所述决策部署请求新建决策部署的应用场景；
针对所述应用场景配置决策部署的数据信息；
获取所述应用场景的数据集，对所述数据集进行聚类，根据所述数据集的聚类结果生成所述应用场景的决策准则；
在接收到针对所述应用场景的决策分析请求后，根据所述数据信息获取待分析数据，根据所述决策准则对所述待分析数据进行决策分析，得到所述待分析数据的决策分析结果。
2.如权利要求1所述的方法，其特征在于，所述对所述数据集进行聚类包括：
计算所述数据集中所有点之间的距离；
根据所述数据集中所有点之间的距离计算所述数据集中所有点之间的平均距离R'；
计算所述数据集中每个点与其他所有点的平均距离R；
根据所述数据集中每个点与其他所有点的平均距离R和所述数据集中所有点之间的平均距离R'选取每个点的临界距离，根据每个点的临界距离确定每个点的近邻点，根据所述数据集中每个点的近邻点更新所述数据集的相似度矩阵；
获取所述相似度矩阵中的最大相似度，判断所述最大相似度是否大于预设值，若所述最大相似度大于所述预设值，则将所述最大相似度对应的两个点划分为同一类，更新所述相似度矩阵中所述两个点与其他点的相似度；
若所述最大相似度小于等于所述预设值，则输出所述数据集的数据划分。
3.如权利要求2所述的方法，其特征在于，所述选取每个点的临界距离包括：
若该点与其他所有点的平均距离R小于所述数据集中所有点之间的平均距离R'，则该点的临界距离在区间((R+R')/2,R')内选取；
若该点与其他所有点的平均距离R大于所述数据集中所有点之间的平均距离R'，则该点的临界距离在区间(R',(R+R')/2)内选取。
4.如权利要求2所述的方法，其特征在于，所述根据所述数据集中每个点的近邻点更新所述数据集的相似度矩阵包括：
若所述数据集中的两个点为近邻点，则所述两个点的相似度s更新为s＝s+1/(kN)，其中N为所述数据集中所有点的个数，k为大于1的自然数。
5.如权利要求1-4中任一项所述的方法，其特征在于，所述方法还包括：
根据所述数据信息及所述决策准则生成所述应用场景的决策分析接口；
所述根据所述数据信息获取待分析数据，根据所述决策准则对所述待分析数据进行决策分析包括：
调用所述决策分析接口，根据所述决策分析接口中的数据信息获取所述待分析数据，根据所述决策分析接口中的决策准则对所述待分析数据进行决策分析。
6.如权利要求5所述的方法，其特征在于，在所述根据所述数据信息及所述决策准则生成所述应用场景的决策分析接口之前，所述方法还包括：
根据所述数据信息及所述决策准则对所述应用场景进行测试，若所述应用场景测试通过，则执行所述根据所述数据信息及所述决策准则生成所述应用场景的决策分析接口。
7.如权利要求1-4中任一项所述的方法，其特征在于，所述方法还包括：
若接收到应用场景信息修改请求，则修改所述应用场景的应用场景信息；和/或
若接收到数据信息修改请求，则修改所述数据信息；和/或
若接收到决策准则修改请求，修改所述决策准则；和/或
若接收到应用场景删除请求，则删除所述应用场景。
8.一种数据分析装置，其特征在于，所述装置包括：
新建模块，用于在接收到决策部署请求后，根据所述决策部署请求新建决策部署的应用场景；
配置模块，用于针对所述应用场景配置决策部署的数据信息；
聚类模块，用于获取所述应用场景的数据集，对所述数据集进行聚类，根据所述数据集的聚类结果生成所述应用场景的决策准则；
分析模块，用于在接收到针对所述应用场景的决策分析请求后，根据所述数据信息获取待分析数据，根据所述决策准则对所述待分析数据进行决策分析，得到所述待分析数据的决策分析结果。
9.一种计算机装置，其特征在于：所述计算机装置包括处理器，所述处理器用于执行存储器中存储的计算机程序以实现如权利要求1-7中任一项所述数据分析方法。
10.一种计算机存储介质，所述计算机存储介质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如权利要求1-7中任一项所述数据分析方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910838702.XA CN110765327A (zh) | 2019-09-05 | 2019-09-05 | 数据分析方法、装置、计算机装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910838702.XA CN110765327A (zh) | 2019-09-05 | 2019-09-05 | 数据分析方法、装置、计算机装置及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110765327A true CN110765327A (zh) | 2020-02-07 |
Family
ID=69330443
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910838702.XA Pending CN110765327A (zh) | 2019-09-05 | 2019-09-05 | 数据分析方法、装置、计算机装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110765327A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111475541A (zh) * | 2020-03-17 | 2020-07-31 | 中国平安人寿保险股份有限公司 | 数据决策方法、装置、电子设备及存储介质 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060190310A1 (en) * | 2005-02-24 | 2006-08-24 | Yasu Technologies Pvt. Ltd. | System and method for designing effective business policies via business rules analysis |
| CN102110173A (zh) * | 2011-04-08 | 2011-06-29 | 华北电力大学（保定） | 一种改进亲和矩阵的多路谱聚类方法 |
| CN106021361A (zh) * | 2016-05-10 | 2016-10-12 | 中国空间技术研究院 | 一种基于序列比对的自适应应用层网络协议报文聚类方法 |
| CN107844634A (zh) * | 2017-09-30 | 2018-03-27 | 平安科技（深圳）有限公司 | 多元通用模型平台建模方法、电子设备及计算机可读存储介质 |
| CN108428103A (zh) * | 2017-12-28 | 2018-08-21 | 深圳萨摩耶互联网金融服务有限公司 | 决策引擎和决策方法 |
| CN109190672A (zh) * | 2018-08-02 | 2019-01-11 | 清华大学 | 电力系统运行工况无监督聚类方法及装置 |
| CN109376759A (zh) * | 2018-09-10 | 2019-02-22 | 平安科技（深圳）有限公司 | 用户信息分类方法、装置、计算机设备和存储介质 |
| CN109685635A (zh) * | 2018-09-11 | 2019-04-26 | 深圳平安财富宝投资咨询有限公司 | 金融业务的风险评估方法、风控服务端及存储介质 |
| CN109784354A (zh) * | 2017-11-14 | 2019-05-21 | 中移（杭州）信息技术有限公司 | 基于改进分类效用的无参数聚类方法及电子设备 |
| CN110162333A (zh) * | 2019-05-10 | 2019-08-23 | 中信银行股份有限公司 | 基于Drools规则引擎的多业务场景策略管理平台 |
-
2019
- 2019-09-05 CN CN201910838702.XA patent/CN110765327A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060190310A1 (en) * | 2005-02-24 | 2006-08-24 | Yasu Technologies Pvt. Ltd. | System and method for designing effective business policies via business rules analysis |
| CN102110173A (zh) * | 2011-04-08 | 2011-06-29 | 华北电力大学（保定） | 一种改进亲和矩阵的多路谱聚类方法 |
| CN106021361A (zh) * | 2016-05-10 | 2016-10-12 | 中国空间技术研究院 | 一种基于序列比对的自适应应用层网络协议报文聚类方法 |
| CN107844634A (zh) * | 2017-09-30 | 2018-03-27 | 平安科技（深圳）有限公司 | 多元通用模型平台建模方法、电子设备及计算机可读存储介质 |
| CN109784354A (zh) * | 2017-11-14 | 2019-05-21 | 中移（杭州）信息技术有限公司 | 基于改进分类效用的无参数聚类方法及电子设备 |
| CN108428103A (zh) * | 2017-12-28 | 2018-08-21 | 深圳萨摩耶互联网金融服务有限公司 | 决策引擎和决策方法 |
| CN109190672A (zh) * | 2018-08-02 | 2019-01-11 | 清华大学 | 电力系统运行工况无监督聚类方法及装置 |
| CN109376759A (zh) * | 2018-09-10 | 2019-02-22 | 平安科技（深圳）有限公司 | 用户信息分类方法、装置、计算机设备和存储介质 |
| CN109685635A (zh) * | 2018-09-11 | 2019-04-26 | 深圳平安财富宝投资咨询有限公司 | 金融业务的风险评估方法、风控服务端及存储介质 |
| CN110162333A (zh) * | 2019-05-10 | 2019-08-23 | 中信银行股份有限公司 | 基于Drools规则引擎的多业务场景策略管理平台 |
Non-Patent Citations (2)
| Title |
|---|
| 段明秀: ""层次聚类算法的研究及应用"", 《信息科技辑》, 30 April 2010 (2010-04-30), pages 138 - 4 * |
| 王虹 等: ""基于混合聚类算法的客户细分策略研究"", 《协议·算法及仿真》, vol. 29, no. 1, 15 January 2016 (2016-01-15), pages 29 - 32 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111475541A (zh) * | 2020-03-17 | 2020-07-31 | 中国平安人寿保险股份有限公司 | 数据决策方法、装置、电子设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US8996452B2 (en) | Generating a predictive model from multiple data sources | |
| US20190258648A1 (en) | Generating asset level classifications using machine learning | |
| CN110929145A (zh) | 舆情分析方法、装置、计算机装置及存储介质 | |
| US11720825B2 (en) | Framework for multi-tenant data science experiments at-scale | |
| CN107615240B (zh) | 用于分析二进制文件的基于生物序列的方案 | |
| CN110674360B (zh) | 一种用于数据的溯源方法和系统 | |
| CN112527420A (zh) | 接口数据流转处理方法、装置、计算机设备及介质 | |
| CN112231416B (zh) | 知识图谱本体更新方法、装置、计算机设备及存储介质 | |
| CN113763057A (zh) | 用户身份画像的数据处理方法和装置 | |
| CN112016138A (zh) | 一种车联网自动化安全建模的方法、装置和电子设备 | |
| TW202123026A (zh) | 資料歸檔方法、裝置、電腦裝置及存儲介質 | |
| CN112732949A (zh) | 一种业务数据的标注方法、装置、计算机设备和存储介质 | |
| CN110807653A (zh) | 一种筛选用户的方法、装置和电子设备 | |
| CN111143390A (zh) | 更新元数据的方法及装置 | |
| CN111435367A (zh) | 知识图谱的构建方法、系统、设备及存储介质 | |
| CN111949793B (zh) | 用户意图识别方法、装置及终端设备 | |
| CN110765327A (zh) | 数据分析方法、装置、计算机装置及存储介质 | |
| US8468116B2 (en) | Rule creation method and rule creating apparatus | |
| CN112184059A (zh) | 评分分析方法、装置、电子设备及存储介质 | |
| CN113918534A (zh) | 一种策略处理系统及方法 | |
| CN116910650A (zh) | 数据识别方法、装置、存储介质及计算机设备 | |
| CN115952201A (zh) | 数据查询方法、装置、系统及存储介质 | |
| CN113704624B (zh) | 基于用户分流的策略推荐方法、装置、设备及介质 | |
| CN111597453B (zh) | 用户画像方法、装置、计算机设备及计算机可读存储介质 | |
| CN111859985B (zh) | Ai客服模型测试方法、装置、电子设备及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |