CN110784435A - 一种异常服务识别方法、装置、电子设备及存储介质 - Google Patents
一种异常服务识别方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN110784435A CN110784435A CN201910300821.XA CN201910300821A CN110784435A CN 110784435 A CN110784435 A CN 110784435A CN 201910300821 A CN201910300821 A CN 201910300821A CN 110784435 A CN110784435 A CN 110784435A
- Authority
- CN
- China
- Prior art keywords
- service
- abnormal
- historical
- identification model
- identified
- 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.)
- Granted
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L63/00—Network architectures or network communication protocols for network security
- H04L63/14—Network architectures or network communication protocols for network security for detecting or protecting against malicious traffic
- H04L63/1408—Network architectures or network communication protocols for network security for detecting or protecting against malicious traffic by monitoring network traffic
- H04L63/1416—Event detection, e.g. attack signature detection
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L63/00—Network architectures or network communication protocols for network security
- H04L63/14—Network architectures or network communication protocols for network security for detecting or protecting against malicious traffic
- H04L63/1408—Network architectures or network communication protocols for network security for detecting or protecting against malicious traffic by monitoring network traffic
- H04L63/1425—Traffic logging, e.g. anomaly detection
Landscapes
- Engineering & Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- Computer Hardware Design (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供了一种异常服务识别方法、装置、电子设备及存储介质,其中,该方法包括:获取待识别服务的服务数据,所述待识别服务的服务数据包括服务请求方特征和服务提供方特征,对所述服务请求方特征和所述服务提供方特征进行特征交叉处理,得到针对所述待识别服务的服务特征,采用预设的异常服务识别模型识别所述服务特征,获取所述待识别服务的异常数据。本申请能够提高对识别异常服务的准确性和可靠性。
Description
技术领域
本申请涉及互联网技术领域,具体而言,涉及一种异常服务识别方法、装置、电子设备及存储介质。
背景技术
目前,随着互联网技术和电子商务的发展,各行业的服务已经能够实现电子化和自动化。在各行业的服务中,都可能会存在异常的服务,比如恶意刷单、有安全风险的服务等,因此,为了更好地向正常的用户提供服务,如何识别异常服务日益收到广泛的关注。
现有技术中,可以获取待识别服务的服务内容,确定其所提供的服务是否包括恶意或存在安全风险等,即识别该服务是否为异常服务,但由于各行各业中服务的形式多种多样,通过服务内容难以准确对异常服务进行识别,即识别异常服务的可靠性低下。
发明内容
有鉴于此,本申请实施例的目的在于提供一种异常服务识别方法、装置、电子设备及存储介质,能够提高识别异常服务的准确性和可靠性。
根据本申请的一个方面,提供一种异常服务识别方法,包括:
获取待识别服务的服务数据,所述待识别服务的服务数据包括服务请求方特征和服务提供方特征;
对所述服务请求方特征和所述服务提供方特征进行特征交叉处理,得到针对所述待识别服务的服务特征;
采用预设的异常服务识别模型识别所述服务特征,获取所述待识别服务的异常数据。
根据本申请的另一个方面,提供一种异常服务识别装置,包括:
第一获取模块,用于获取待识别服务的服务数据,所述待识别服务的服务数据包括服务请求方特征和服务提供方特征;
第一处理模块,用于对所述服务请求方特征和所述服务提供方特征进行特征交叉处理,得到针对所述待识别服务的服务特征;
第二获取模块,用于采用预设的异常服务识别模型识别所述服务特征,获取所述待识别服务的异常数据。
根据本申请的另一个方面,提供一种电子设备,包括:处理器、存储介质和总线,所述存储介质存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储介质之间通过总线通信,所述处理器执行所述机器可读指令,以执行时执行如前述的异常服务识别方法的步骤。
根据本申请的另一个方面,提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行如前述的异常服务识别方法的步骤。
在本申请实施例中,能够获取待识别服务的服务数据,其中包括服务请求方特征和服务提供方特征,并服务请求方特征和服务提供方特征进行特征交叉处理,由于服务是由服务提供方提供给服务请求方的,且无论是何种类型的服务,在该服务中总会有特定的服务提供方和服务请求方,该服务会由服务请求方以及服务提供方的特点从而有所差异,因此由待识别服务的服务请求方特征和服务提供方特征结合所得到的服务特征,即是与该待识别服务对应的,从而能够作为对待识别服务进行准确识别的依据,所以即能够基于该服务特征,通过预设的异常服务识别模型获取待识别服务的异常数据,从而准确对该待识别服务是否为异常服务进行识别。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1示出了本申请实施例所提供的一种异常服务识别系统的架构示意图;
图2示出了本申请实施例所提供的一种异常服务识别方法的流程示意图;
图3示出了本申请实施例所提供的另一种异常服务识别方法的流程示意图;
图4示出了本申请实施例所提供的一种根据历史服务获取异常服务识别模型的方法流程图;
图5示出了本申请实施例所提供的一种异常服务识别装置的示意图;
图6示出了本申请实施例所提供的另一种异常服务识别装置的示意图;
图7示出了本申请实施例所提供的另一种异常服务识别装置的示意图;
图8示出了本申请实施例所提供的另一种异常服务识别装置的示意图;
图9示出了本申请实施例所提供的一种电子设备的功能模块示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,应当理解,本申请中附图仅起到说明和描述的目的,并不用于限定本申请的保护范围。另外,应当理解,示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了根据本申请的一些实施例实现的操作。应该理解,流程图的操作可以不按顺序实现,没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外,本领域技术人员在本申请内容的指引下,可以向流程图添加一个或多个其他操作,也可以从流程图中移除一个或多个操作。
另外,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
为了使得本领域技术人员能够使用本申请内容,结合特定应用场景“网络打车服务”,给出以下实施方式。虽然本申请主要围绕网络打车服务进行描述,但是应该理解,这仅是一个示例性实施例。对于本领域技术人员来说,在不脱离本申请的精神和范围的情况下,可以将这里定义的一般原理应用于其他实施例和应用场景,比如网络约车服务、拼车服务、外卖服务、电商服务。
需要说明的是,本申请实施例中将会用到术语“包括”,用于指出其后所声明的特征的存在,但并不排除增加其它的特征。
本申请中的术语“乘客”、“服务请求方”和“客户”可互换使用,以指代可以请求或订购服务的个人、实体或工具。本申请中的术语“司机”、“服务提供方”和“供应商”可互换使用,以指代可以提供服务的个人、实体或工具。本申请中的术语“用户”可以指代请求服务、订购服务、提供服务或促成服务的提供的个人、实体或工具。例如,用户可以是乘客、驾驶员、操作员等,或其任意组合。
在本申请提出申请之前,现有的技术方案为:通常是服务的服务内容进行识别,以判断该服务是否为异常服务。
其所导致的技术问题为:在服务的形式日益多变的情况下,从服务内容上可能难以有效对异常服务进行识别,识别的准确性和可靠性低下。
为了解决上述技术问题,本发明实施例提供一种异常服务识别方法,其核心改进点在于,能够将待识别服务的服务请求方特征和服务提供方特征相结合,从而针对待识别服务的服务特征。由于服务是由服务提供方提供给服务请求方的,且无论是何种类型的服务,在该服务中总会有特定的服务提供方和服务请求方,该服务会由服务请求方以及服务提供方的特点从而有所差异,比如在打车服务中,两个性格暴躁的司机和乘客在该打车服务中出现冲突的可能性更大,或者,被投诉较多的司机与投诉较多的乘客在打车服务中出现冲突的可能性更大。因此,由待识别服务的服务请求方特征和服务提供方特征结合所得到的服务特征,即是与该待识别服务对应的,从而能够作为对待识别服务进行准确识别的依据。下面通过可能的实现方式对本发明的技术方案进行说明。
待识别服务为需要识别以确实是否存在异常的服务。
服务提供方为提供服务的主体,相应的,服务请求方为请求服务的主体。
服务提供方特征为说明服务提供方所具有特点的信息,相应的,服务请求方特征为说明服务请求方所具有特点的信息。
例如,打车服务中,服务提供方可以包括司机,服务提供方特征可以包括司机性别、年龄等基础信息,还可以包括服务星级、司机历史接单的地理位置信息(学校、酒店等)、司机三月内被投诉数、司机三月内投诉数、司机接单偏好等服务历史信息。服务请求方可以包括乘客,服务请求方特征可以包括乘客性别、年龄、等基础信息,乘客家庭、公司住址置信度、三月内取消服务次数、乘客三月内消费金额、乘客被投诉数等。
服务特征为用于说明服务所具有特点的信息。
图1是本申请实施例提供的一种异常服务识别系统的架构示意图。例如,异常服务识别系统可以是用于诸如出租车、代驾服务、快车、拼车、公共汽车服务、驾驶员租赁、或班车服务之类的运输服务、或其任意组合的在线运输服务平台。异常服务识别系统可以包括服务器110、网络120、服务请求端130、服务提供端140、和数据库150中的一种或多种。
在一些实施例中,服务器110可以包括处理器。处理器可以处理与服务请求有关的信息和/或数据,以执行本申请中描述的一个或多个功能。例如,处理器可以基于从服务请求端130获得的服务请求来确定目标车辆。在一些实施例中,处理器可以包括一个或多个处理核(例如,单核处理器(S)或多核处理器(S))。仅作为举例,处理器可以包括中央处理单元(Central Processing Unit,CPU)、专用集成电路(Application Specific IntegratedCircuit,ASIC)、专用指令集处理器(Application Specific Instruction-setProcessor,ASIP)、图形处理单元(Graphics Processing Unit,GPU)、物理处理单元(Physics Processing Unit,PPU)、数字信号处理器(Digital Signal Processor,DSP)、现场可编程门阵列(Field Programmable Gate Array,FPGA)、可编程逻辑器件(Programmable Logic Device,PLD)、控制器、微控制器单元、简化指令集计算机(ReducedInstruction Set Computing,RISC)、或微处理器等,或其任意组合。
在一些实施例中,服务请求端130和服务提供端140对应的设备类型可以是移动设备,比如可以包括智能家居设备、可穿戴设备、智能移动设备、虚拟现实设备、或增强现实设备等,也可以是平板计算机、膝上型计算机、或机动车辆中的内置设备等。
在一些实施例中,数据库150可以连接到网络120以与异常服务识别系统中的一个或多个组件(例如,服务器110,服务请求端130,服务提供端140等)通信。异常服务识别系统中的一个或多个组件可以经由网络120访问存储在数据库150中的数据或指令。在一些实施例中,数据库150可以直接连接到异常服务识别系统中的一个或多个组件,或者,数据库150也可以是服务器110的一部分。
下面结合上述图1示出的异常服务识别系统中描述的内容,对本申请实施例提供的异常服务识别方法进行详细说明。
参照图2所示,为本申请实施例提供的一种异常服务识别方法的流程示意图,该方法可以由异常服务识别系统中的括服务器110来执行,具体执行过程为:
步骤201,获取待识别服务的服务数据,该待识别服务的服务数据包括服务请求方特征和服务提供方特征。
为便于后续对待识别的服务进行识别,可以获取该待识别服务的服务数据,且为了能够从参与服务的主体,包括服务提供方和服务请求方对待识别服务进行识别,提高识别的可靠性,该服务数据可以包括服务请求方特征和服务提供方特征。
服务数据为与服务相关的数据,可以包括服务请求方特征和服务提供方特征。当然,在实际应用中还可以包括更多的信息。
可以获取待识别服务所包括的订单,从订单获取服务提供方标识以及服务请求方标识,再根据服务提供方标识和服务请求方标识分别获取服务请求方特征和服务提供方特征。
服务提供方标识为用于对服务提供方进行标识的信息,服务请求方标识为用于对服务请求方进行标识的信息。以服务提供方标识为例,该服务提供方标识可以包括服务提供方的ID(Identity,身份标识码)。
需要说明的是,可以从生成、管理或执行服务的服务器获取订单,从存储有服务提供方和服务请求方的服务器中分别获取服务请求方特征和服务提供方特征,当然,在实际应用中,也可以从服务提供方的客户端中获取服务提供方特征、从服务请求方的客户端中获取服务请求方特征。
步骤202,对服务请求方特征和服务提供方特征进行特征交叉处理,得到针对待识别服务的服务特征。
为了将服务请求方以及服务提供方等用户的维度信息进行结合和转换,从而得到针对待识别服务的服务特征,例如可以对服务请求方特征和服务提供方特征进行特征交叉处理。
可选地,特征交叉处理可以是对服务请求方特征以及服务提供方特征进行数学运算,包括算术运算和/或逻辑运算,从而得到服务特征,但是不以此为限。
步骤203,采用预设的异常服务识别模型识别服务特征,获取待识别服务的异常数据。
为了快速准确地对待识别服务进行识别,可以采用异常服务识别模型来对服务特征进行识别从而得到对应该待识别服务的异常数据。
异常服务识别模型为对待识别服务进行识别,以得到对应该待识别服务的异常数据的模型。
需要说明的是,该异常服务识别模型可以通过实现确定得到,比如,可以从其它设备或者其它存储位置获取异常服务识别模型,或者,也可以事先获取样本并训练得到异常服务识别模型。
异常数据为用于说明对待识别服务识别结果的数据。比如,该异常数据可以包括待识别服务为异常服务的概率,或者,可以包括待识别服务中可能存在异常的信息或者原因。
在本申请实施例中,能够获取待识别服务的服务数据,其中包括服务请求方特征和服务提供方特征,并服务请求方特征和服务提供方特征进行特征交叉处理,由于服务是由服务提供方提供给服务请求方的,且无论是何种类型的服务,在该服务中总会有特定的服务提供方和服务请求方,该服务会由服务请求方以及服务提供方的特点从而有所差异,因此由待识别服务的服务请求方特征和服务提供方特征结合所得到的服务特征,即是与该待识别服务对应的,从而能够作为对待识别服务进行准确识别的依据,所以即能够基于该服务特征,通过预设的异常服务识别模型获取对待识别服务的异常数据,从而准确对该待识别服务是否为异常服务进行识别。
参照图3所示,为本申请实施例提供的一种异常服务识别方法的流程示意图,该方法可以由异常服务识别系统中的括服务器110来执行,具体执行过程为:
步骤301,根据历史服务,获取异常服务识别模型。
由于在不同的应用场景中的服务可能具有不同的特点,因此为了提高对待识服务进行识别的准确性,可以根据历史服务获取异常服务识别模型。
历史服务可以包括当前时刻之前的服务。
可以根据历史服务的服务数据,训练得到异常服务识别模型。
其中,历史服务的服务数据可以包括服务提供方特征和服务请求方特征。
可选地,历史服务数据还可以包括服务内容。
服务内容为服务提供方向服务请求方所提供的服务的具体内容,可以包括服务发起时间、服务项目和服务地点等信息中的至少一个。
例如,在打车服务中,服务内容可以包括订单发起时间、起终点距离、上下车地点。
可选地,预设的异常服务识别模型包括第一层识别模型和第二层识别模型。参照图4所示,可以通过下述步骤来根据历史服务获取得到异常服务识别模型。
子步骤30101,从历史服务集合中获取多个携带第一异常标记的历史服务作为正样本、获取多个携带正常标记的历史服务作为负样本,得到第一样本集合。
其中,第一样本集合包括:第一训练集合和第一验证集合。
为了后续对第一层识别模型进行训练和验证,可以从历史服务集合中获取第一样本集合,且其中第一训练集合用于对第一层识别模型进行训练,第一验证集合用于对第一层识别模型进行验证,从而确定第一层识别模型的识别效果。
第一异常标记为说明服务为异常服务的标记,相应的,正常标记为说明服务为正常服务的标记。
可选地,可以事先对历史服集合中包括的历史服务进行标记,从而可以直接按照历史服务所携带的第一异常标记和正常标记,获取得到正样本和负样本。或者,也可以先从历史服务集合中获取的到多个历史服务,然后,对多个历史服务进行标记,从而得到正样本和负样本。
需要说明的是,对历史服务进行标记,包括对存在异常的历史服务添加第一异常标记、对正常的历史服务添加正常标记。
还需要说明的是,可以由人工完成对历史服务进行标记,也可以通过已有的模型或者方法对历史服务进行识别和标记。
还需要说明的是,第一异常标记和正常标记可以包括特定的字符或符号。
可选地,可以从历史服务集合获取在当前时刻之前第一特定时间段的历史服务作为第一样本集合中的样本。
其中,第一特定时间段可以通过事先设置得到,比如可以包括2017年12月1日至2018年8月31日。
可选地,第一样本集合所包括的正样本的数目和负样本的数目的比例可以符合第一特定比例,比如,正样本的数目和负样本的数目的比例可以为1:4。
其中,第一特定比例可以通过事先设置得到。
可选地,第一训练集合包括的样本的数目和第一验证集合包括的样本的数目的比例可以符合第二特定比例,比如,第一训练集合和第一验证集合中包括的样本的数目的比例可以为4:1。
其中,第二特定比例可以通过事先设置得到。
需要说明的是,第一训练集合和第一验证集合中包括的正样本的数目和负样本的数目之间的比例也可以符合第一特定比例。
子步骤30102,将各历史服务中的服务请求方特征和服务提供方特征进行特征交叉处理,得到分别针对各历史服务的服务特征。
为了将历史服务请求方和服务提供方的特征进行结合和转换,从而针对该历史服务的服务特征,可以将各历史服务的服务请求方特征和服务提供方特征进行特征交叉处理。
其中,可以将历史服务中的服务请求方特征和服务提供方特征进行算术运算和/逻辑运算,从而得到针对该历史服务的服务特征。
可选地,算术运算可以包括相乘和相加。
可选地,可以基于预设的特征类型关联关系,将服务请求方特征和服务提供方特征进行特征交叉处理。
由于服务请求方和服务提供方可能包括相关的特征,比如,在打车服务中,司机的被投诉的可能与乘客投诉的可能是相关的,因此,为了提高服务请求方特征和服务提供方特征进行特征交叉处理的效果,进而提高服务特征的准确性,可以基于预设的特征类型关联关系,将服务请求方特征和服务提供方特征进行交叉处理。
特征类型关联关系用于说明具有关联关系的多个特征,且该多个特征可以包括服务请求方特征和服务提供方特征。
其中,可以事先确定具有关联关系的多个特征(比如可以接收用户指定的具有关联关系的多个特征),并将该多个特征存储至特征类型关联关系。
子步骤30103,基于第一训练集合训练获取第一层识别模型。
可以通过第一层识别模型对第一训练集合包括的正样本和负样本进行识别,从完成对该第一层识别模型的训练。
子步骤30104,将第一验证集合作为第一层识别模型的输入,获取验证结果。
为了验证对第一层识别模型的训练结果,可以通过包括较少样本的第一验证集合,对训练得到的第一层识别模型进行验证,以确定第一层识别模型没有过拟合。
可以通过第一层识别模型,对第一验证集合包括的正样本和负样本进行识别,将识别结果实际的标记结果进行比较,完成对第一层识别模型的验证。
子步骤30105,对第一层识别模型进行测试。
为了进一步确定第一层识别模型的准确性,从而确保后续对待识别服务进行识别的可靠性,可以对第一层识别模型进行测试。
可以从历史服务集合中获取多个历史服务,得到第一测试集合,第一测试集合包括携带第二异常标记的历史服务,将第一测试集合作为第一层识别模型的输入,获取第一层识别模型的测试结果。
第一测试集合用于对第一识别模型进行测试。
第二异常标记为说明历史服务为真实认定的异常服务的标记。
其中,可以事先由人工(比如专门的安全检查人员)确定历史服务是否真实异常的历史服务,并向真实异常的历史服务添加第二异常标记得到,当然,也可以通过其它方式(比如多种方式综合确定)来确定历史服务是否为真实的异常服务,从而向真实异常的历史服务添加第二异常标记得到。
需要说明的是,第二异常标记可以包括特定的字符或符号。
还需要说明的是,第二异常标记与第一异常标记的区别在于,携带有第一异常标记的历史服务可能包括误识别的正常服务,而携带第二异常标记的历史服务不包括误识别的正常服务。
可选地,可以从历史服务集合中获取在当前时刻之前第二特定时间段的历史服务作为第一测试集合中的历史服务。
其中,确定第二特定时间段的方式,可以与确定第一特定时间段的方式相同。
需要说明的是,为了确保第一层识别模型的时效性,即使第一层识别模型能够更加准确地对当前的待识别服务进行识别,第二特定时间段可以晚于第一特定时间段。
例如,当第一特定时间段包括2017年12月1日至2018年8月31日时,第二特定时间段可以包括2018年09月01日-2018年09月07日。
可选地,基于第一层识别模型,确定第一测试集合中各历史服务为异常服务的异常概率,基于第一测试集合中各历史服务为异常服务的异常概率,从第一测试集合中获取异常概率最高的第一预设比例个历史服务,将第一测试集合中第一预设比例个历史服务的服务数目,与第一测试集合中携带第二异常标记的历史服务的服务数目之间的比值,确定为对第一层识别模型的测试结果。
由于第一层识别模型对历史服务中识别异常概率越高,则该历史服务为异常服务的可能性也越高,但该历史服务仍然可能为误识别的正常的历史服务,而携带有第二异常标记的历史服务为真实异常的历史服务。对于同一测试集合,第一层识别模型准确识别的历史服务的比例越高,则第一层识别模型越准确,因此,可以将第一层识别模型所识别的异常概率最高的,即最可能为异常服务的历史服务的数目,与真实的异常服务的历史服务的数目进行比较,从而进一步确定第一层识别模型的准确性。
异常概率用于服务为异常服务的概率。当服务的异常概率越高,则该服务为异常服务的概率也越高。
第一预设比例可以通过事先设置得到,比如第一预设比例可以包括5%。
当测试结果,即第一测试集合中第一预设比例个历史服务的服务数目,与第一测试集合中携带第二异常标记的历史服务的服务数目之间的比值,大于特定比值时,可以确定对第一层识别模型测试通过,否则,确定对一层识别模型不通过。且当第一层识别模型测试通过时,可以继续执行后续步骤;当第一层识别模型测试不通过时,可以重新对第一层识别模型进行调整或训练。
需要说明的是,特定比值可以通过事先设置得到。
子步骤30106,根据验证结果从第一验证集合中选择多个异常概率最高但携带正常标记的历史服务,得到第二样本集合的负样本。
由于异常服务可能相对于正常服务数目较少,因此,为了使第二层识别模型能够通过噪音更少的样本进行训练,从而提高第二层识别模型的准确性,可以从第一验证集合的验证结果中,获取第一层识别模型误识别的历史服务作为第二样本集合中的负样本。
可以根据第一验证结合中各历史服务的异常概率,对各历史服务进行排序,并按照异常概率由高到低的次序,选择多个携带正常标记的历史服务。
子步骤30107,基于第二样本集合的负样本以及第二样本集合的正样本训练获取第二层识别模型,其中,第二样本集合的正样本携带第二异常标记。
由于异常服务可能相对于正常服务数目较少,因此,为了使第二层识别模型能够通过噪音更少的样本进行训练,从而提高第二层识别模型的准确性,可以获取真实异常的历史服务作为第二样本集合中的正样本,进而通过获取得到的第二样本集训练获取第二层识别模型。
可选地,第二样本集合中的正样本的数目和负样本的数目的比例可以符合第一特定比例。
可选地,第二样本集合包括第二训练集合和第二验证集合。其中,第二训练集合用于训练得到第二层识别模型,第二验证集合用于后续对训练得到的第二层识别模型进行训练。
需要说明的是,基于第二训练集合训练获取第二层识别模型的方式,可以与基于第一训练集合训练获取第一层识别模型的方式相同,此处不再一一赘述。
可选的,第二训练集合包括的样本的数目和第二验证集合包括的样本的数目的比例可以符合第二特定比例,且第二训练集合和第二验证集合中包括的正样本的数目和负样本的数目之间的比例也可以符合第一特定比例。
需要说明的是,在基于第二样本集合的负样本以及第二样本集合的正样本训练获取第二层识别模型之前,可以将第二样本集合所包括的各历史服务中的服务请求方特征和服务提供方特征进行特征交叉处理。
子步骤30108,对第二层识别模型进行验证。
可以将第二验证集合作为第二层识别模型的输入,获取验证结果,从完成对第二层识别模型进行验证。
其中,将第二验证集合作为第二层识别模型的输入并获取验证结果的方式,可以与将第一验证集合作为第一层识别模型的输入获取验证结果的方式相同,此处不再一一赘述。
子步骤30109,对第二层识别模型进行测试。
可选地,将第一测试集合中第一预设比例个历史服务作为第二测试集合,基于第二层识别模型,确定第二测试集合中各历史服务为异常服务的异常概率,基于第二测试集合中各历史服务为异常服务的异常概率,从第二测试集合中获取异常概率最高的第二预设比例个历史服务,将第二测试集合中第二预设比例个历史服务的服务数目,与第二测试集合中携带第二异常标记的历史服务的服务数目之间的比值,确定为对第二层识别模型的测试结果。
由于异常服务可能相对于正常服务数目较少,因此,为了进一步提高对第二层识别模型进行测试准确性,减少噪音,从提高训练得到的异常识别模型的准确性,可以基于第一测试集合对第一层识别模型的测试结果,从第一测试集合中进一步获取对第二层识别模型进行测试的第二测试集合。
第二预设比例可以通过事先设置得到,比如第二预设比例也可以包括5%。
需要说明的是,训练得到的第一层识别模型已经能够对待识别服务进行识别,在后续子步骤30104-30109中,为了进一步提高对待识别服务进行识别的准确性和可靠性,还对第一层识别模型进行了验证、测试、并进一步训练获取了第二层识别模型。但在本申请的另一可选实施例中,可以不再进行下述子步骤30104-30109,而是直接执行下述步骤302,即直接通过第一层识别模型对待识别服务进行识别;或者,在本申请的另一可选实施例中,可以省略对第一层识别模型的验证步骤(子步骤30104)、对第一层识别模型的测试步骤(子步骤30105)、对第二层识别模型的验证步骤(子步骤30108)和对第二层识别模型的测试步骤(子步骤30108)中的至少一个。
步骤302,获取待识别服务的服务数据,该待识别服务的服务数据包括服务请求方特征和服务提供方特征。
其中,获取待识别服务的服务数据的方式,可以参见前述步骤201中的相关描述,此处不再一一赘述。
可选地,待识别服务的服务数据还包括服务内容。
步骤303,对服务请求方特征和服务提供方特征进行特征交叉处理,得到针对待识别服务的服务特征。
可选地,基于预设的特征类型关联关系,将服务请求方特征和服务提供方特征进行特征交叉处理。
其中,对服务请求方特征和服务提供方特征进行特征交叉处理的方式,可以参见前述步骤201和前述子步骤30102中的相关描述,此处不再一一赘述。
通过预设的特征类型关联关系,将服务请求方特征和服务提供方特征进行特征交叉处理,提高了对服务请求方特征和服务提供方特征进行特征交叉处理的效果,进而提高了所得到的服务特征的准确性。
步骤304,采用预设的异常服务识别模型识别服务特征,获取待识别服务的异常数据。
其中,采用预设的异常服务识别模型识别服务特征,获取待识别服务的异常数据的方式,可以参见前述步骤203中的相关描述,此处不再一一赘述。
可选地,待识别服务的服务数据还包括服务内容,相应的,采用预设的异常服务识别模型识别服务特征和服务内容,获取待识别服务的异常数据。
为了充分依据待识别服务的各项维度的服务数据,进一步提高对待识别服务进行识别的准确性,待识别服务的服务数据还可以包括服务内容,进而可以基于服务特征和服务内容,对待识别服务进行识别。
在本申请实施例中,首先,能够获取待识别服务的服务数据,其中包括服务请求方特征和服务提供方特征,并服务请求方特征和服务提供方特征进行特征交叉处理,由于服务是由服务提供方提供给服务请求方的,且无论是何种类型的服务,在该服务中总会有特定的服务提供方和服务请求方,该服务会由服务请求方以及服务提供方的特点从而有所差异,因此由待识别服务的服务请求方特征和服务提供方特征结合所得到的服务特征,即是与该待识别服务对应的,从而能够作为对待识别服务进行准确识别的依据,所以即能够基于该服务特征,通过预设的异常服务识别模型获取对待识别服务的异常数据,从而准确对该待识别服务是否为异常服务进行识别。
其次,异常服务识别模型可以包括两层识别模型,通过先从历史服务集合中获取第一样本从而对第一层识别模型进行训练,在第一层识别模型识别的基础上,通过获取噪音更少的第二样本集合对第二层识别模型进行训练,兼顾了对模型训练过程中的稀疏性和降噪音,提高了异常服务识别模型的准确性和可靠性。
基于同一发明构思,本申请实施例中还提供了与异常服务识别方法对应的异常服务识别装置,由于本申请实施例中的装置解决问题的原理与本申请实施例上述异常服务识别方法相似,因此装置的实施可以参见方法的实施,重复之处不再赘述。
参照图5所示,为本申请实施例提供的一种异常服务识别装置500的示意图,所述装置包括:第一获取模块501、第一处理模块502、第二获取模块503。
第一获取模块501,用于获取待识别服务的服务数据,所述待识别服务的服务数据包括服务请求方特征和服务提供方特征;
第一处理模块502,用于对所述服务请求方特征和所述服务提供方特征进行特征交叉处理,得到针对所述待识别服务的服务特征;
第二获取模块503,用于采用预设的异常服务识别模型识别所述服务特征,获取所述待识别服务的异常数据。
一种可能的实施方式中,第一处理模块502具体用于:
基于预设的特征类型关联关系,将所述服务请求方特征和所述服务提供方特征进行特征交叉处理。
一种可能的实施方式中,所述待识别服务的服务数据还包括服务内容,所述第二获取模块503用于:
采用预设的异常服务识别模型识别所述服务特征和所述服务内容,获取所述待识别服务的异常数据。
参照图6所示,一种可能的实施方式中,所述预设的异常服务识别模型包括第一层识别模型和第二层识别模型,所述装置还包括:
第三获取模块504,用于从历史服务集合中获取多个携带第一异常标记的历史服务作为正样本、获取多个携带正常标记的历史服务作为负样本,得到第一样本集合,所述第一样本集合包括:第一训练集合和第一验证集合;
第四获取模块505,用于基于所述第一训练集合训练获取所述第一层识别模型;
第五获取模块506,用于将所述第一验证集合作为所述第一层识别模型的输入,获取验证结果;
选择模块507,用于根据所述验证结果从所述第一验证集合中选择多个异常概率最高但携带所述正常标记的历史服务,得到第二样本集合的负样本;
第六获取模块508,用于基于所述第二样本集合的负样本以及所述第二样本集合的正样本训练获取所述第二层识别模型,其中,所述第二样本集合的正样本携带第二异常标记。
参照图7所示,一种可能的实施方式中,所述装置还包括:
第七获取模块509,用于从所述历史服务集合中获取多个历史服务,得到第一测试集合,所述第一测试集合包括携带第二异常标记的历史服务;
第八获取模块510,用于将所述第一测试集合作为所述第一层识别模型的输入,获取所述第一层识别模型的测试结果。
一种可能的实施方式中,所述第八获取模块510具体用于:
基于所述第一层识别模型,确定所述第一测试集合中各历史服务为异常服务的异常概率;
基于所述第一测试集合中各历史服务为异常服务的异常概率,从所述第一测试集合中获取异常概率最高的第一预设比例个历史服务;
将所述第一测试集合中第一预设比例个历史服务的服务数目,与所述第一测试集合中携带所述第二异常标记的历史服务的服务数目之间的比值,确定为对所述第一层识别模型的测试结果。
参照图8所示,一种可能的实施方式中,所述装置还包括:
第二处理模块511,用于将所述第一测试集合中第一预设比例个历史服务作为第二测试集合;
第一确定模块512,用于基于所述第二层识别模型,确定所述第二测试集合中各历史服务为异常服务的异常概率;
第九获取模块513,用于基于所述第二测试集合中各历史服务为异常服务的异常概率,从所述第二测试集合中获取异常概率最高的第二预设比例个历史服务;
第二确定模块514,用于将所述第二测试集合中第二预设比例个历史服务的服务数目,与所述第二测试集合中携带所述第二异常标记的历史服务的服务数目之间的比值,确定为对所述第二层识别模型的测试结果。
上述装置用于执行前述实施例提供的方法,其实现原理和技术效果类似,在此不再赘述。
参照图9,为本申请所提供的一种电子设备的功能模块示意图。该电子设备可以处理器91、存储器92、和总线93。所述存储器92存储有所述处理器91可执行的机器可读指令,当计算机设备90运行时,所述处理器91与所述存储器92之间通过总线93通信,所述机器可读指令被所述处理器91执行时执行上述异常服务识别方法。
本申请实施例还提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行上述异常服务识别方法的步骤。
具体地,该存储介质能够为通用的存储介质,如移动磁盘、硬盘等,该存储介质上的计算机程序被运行时,能够执行上述异常服务识别方法。
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,上述描述的系统和装置的具体工作过程,可以参考方法实施例中的对应过程,本申请中不再赘述。在本申请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。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,又例如,多个模块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通信接口,装置或模块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,在本申请各个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。
所述功能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,可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解,本申请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)执行本申请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、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (16)
1.一种异常服务识别方法,其特征在于,包括:
获取待识别服务的服务数据,所述待识别服务的服务数据包括服务请求方特征和服务提供方特征;
对所述服务请求方特征和所述服务提供方特征进行特征交叉处理,得到针对所述待识别服务的服务特征;
采用预设的异常服务识别模型识别所述服务特征,获取所述待识别服务的异常数据。
2.根据权利要求1所述的方法,其特征在于,所述对所述服务请求方特征和所述服务提供方特征进行特征交叉处理,包括:
基于预设的特征类型关联关系,将所述服务请求方特征和所述服务提供方特征进行特征交叉处理。
3.根据权利要求1所述的方法,其特征在于,所述待识别服务的服务数据还包括服务内容,所述采用预设的异常服务识别模型识别所述服务特征,获取所述待识别服务的异常数据,包括:
采用预设的异常服务识别模型识别所述服务特征和所述服务内容,获取所述待识别服务的异常数据。
4.根据权利要求1所述的方法,其特征在于,所述预设的异常服务识别模型包括第一层识别模型和第二层识别模型,在所述采用预设的异常服务识别模型识别所述服务特征,获取所述待识别服务的异常数据之前,所述方法还包括:
从历史服务集合中获取多个携带第一异常标记的历史服务作为正样本、获取多个携带正常标记的历史服务作为负样本,得到第一样本集合,所述第一样本集合包括:第一训练集合和第一验证集合;
基于所述第一训练集合训练获取所述第一层识别模型;
将所述第一验证集合作为所述第一层识别模型的输入,获取验证结果;
根据所述验证结果从所述第一验证集合中选择多个异常概率最高但携带所述正常标记的历史服务,得到第二样本集合的负样本;
基于所述第二样本集合的负样本以及所述第二样本集合的正样本训练获取所述第二层识别模型,其中,所述第二样本集合的正样本携带第二异常标记。
5.根据权利要求4所述的方法,其特征在于,在所述将所述第一验证集合作为所述第一层识别模型的输入,获取验证结果之后,所述方法还包括:
从所述历史服务集合中获取多个历史服务,得到第一测试集合,所述第一测试集合包括携带第二异常标记的历史服务;
将所述第一测试集合作为所述第一层识别模型的输入,获取所述第一层识别模型的测试结果。
6.根据权利要求5所述的方法,其特征在于,所述将所述第一测试集合作为所述第一层识别模型的输入,获取所述第一层识别模型的测试结果,包括:
基于所述第一层识别模型,确定所述第一测试集合中各历史服务为异常服务的异常概率;
基于所述第一测试集合中各历史服务为异常服务的异常概率,从所述第一测试集合中获取异常概率最高的第一预设比例个历史服务;
将所述第一测试集合中第一预设比例个历史服务的服务数目,与所述第一测试集合中携带所述第二异常标记的历史服务的服务数目之间的比值,确定为对所述第一层识别模型的测试结果。
7.根据权利要求6所述的方法,其特征在于,所述方法还包括:
将所述第一测试集合中第一预设比例个历史服务作为第二测试集合;
基于所述第二层识别模型,确定所述第二测试集合中各历史服务为异常服务的异常概率;
基于所述第二测试集合中各历史服务为异常服务的异常概率,从所述第二测试集合中获取异常概率最高的第二预设比例个历史服务;
将所述第二测试集合中第二预设比例个历史服务的服务数目,与所述第二测试集合中携带所述第二异常标记的历史服务的服务数目之间的比值,确定为对所述第二层识别模型的测试结果。
8.一种异常服务识别装置,其特征在于,包括:
第一获取模块,用于获取待识别服务的服务数据,所述待识别服务的服务数据包括服务请求方特征和服务提供方特征;
第一处理模块,用于对所述服务请求方特征和所述服务提供方特征进行特征交叉处理,得到针对所述待识别服务的服务特征;
第二获取模块,用于采用预设的异常服务识别模型识别所述服务特征,获取所述待识别服务的异常数据。
9.根据权利要求8所述的装置,其特征在于,所述第一处理模块具体用于:
基于预设的特征类型关联关系,将所述服务请求方特征和所述服务提供方特征进行特征交叉处理。
10.根据权利要求8所述的装置,其特征在于,所述待识别服务的服务数据还包括服务内容,所述第二获取模块用于:
采用预设的异常服务识别模型识别所述服务特征和所述服务内容,获取所述待识别服务的异常数据。
11.根据权利要求8所述的装置,其特征在于,所述预设的异常服务识别模型包括第一层识别模型和第二层识别模型,所述装置还包括:
第三获取模块,用于从历史服务集合中获取多个携带第一异常标记的历史服务作为正样本、获取多个携带正常标记的历史服务作为负样本,得到第一样本集合,所述第一样本集合包括:第一训练集合和第一验证集合;
第四获取模块,用于基于所述第一训练集合训练获取所述第一层识别模型;
第五获取模块,用于将所述第一验证集合作为所述第一层识别模型的输入,获取验证结果;
选择模块,用于根据所述验证结果从所述第一验证集合中选择多个异常概率最高但携带所述正常标记的历史服务,得到第二样本集合的负样本;
第六获取模块,用于基于所述第二样本集合的负样本以及所述第二样本集合的正样本训练获取所述第二层识别模型,其中,所述第二样本集合的正样本携带第二异常标记。
12.根据权利要求11所述的装置,其特征在于,所述装置还包括:
第七获取模块,用于从所述历史服务集合中获取多个历史服务,得到第一测试集合,所述第一测试集合包括携带第二异常标记的历史服务;
第八获取模块,用于将所述第一测试集合作为所述第一层识别模型的输入,获取所述第一层识别模型的测试结果。
13.根据权利要求12所述的装置,其特征在于,所述第八获取模块具体用于:
基于所述第一层识别模型,确定所述第一测试集合中各历史服务为异常服务的异常概率;
基于所述第一测试集合中各历史服务为异常服务的异常概率,从所述第一测试集合中获取异常概率最高的第一预设比例个历史服务;
将所述第一测试集合中第一预设比例个历史服务的服务数目,与所述第一测试集合中携带所述第二异常标记的历史服务的服务数目之间的比值,确定为对所述第一层识别模型的测试结果。
14.根据权利要求13所述的装置,其特征在于,所述装置还包括:
第二处理模块,用于将所述第一测试集合中第一预设比例个历史服务作为第二测试集合;
第一确定模块,用于基于所述第二层识别模型,确定所述第二测试集合中各历史服务为异常服务的异常概率;
第九获取模块,用于基于所述第二测试集合中各历史服务为异常服务的异常概率,从所述第二测试集合中获取异常概率最高的第二预设比例个历史服务;
第二确定模块,用于将所述第二测试集合中第二预设比例个历史服务的服务数目,与所述第二测试集合中携带所述第二异常标记的历史服务的服务数目之间的比值,确定为对所述第二层识别模型的测试结果。
15.一种电子设备,其特征在于,包括:处理器、存储介质和总线,所述存储介质存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储介质之间通过总线通信,所述处理器执行所述机器可读指令,以执行如权利要求1至7任一所述的异常服务识别方法的步骤。
16.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行如权利要求1至7任一所述的异常服务识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910300821.XA CN110784435B (zh) | 2019-04-15 | 2019-04-15 | 一种异常服务识别方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910300821.XA CN110784435B (zh) | 2019-04-15 | 2019-04-15 | 一种异常服务识别方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110784435A true CN110784435A (zh) | 2020-02-11 |
CN110784435B CN110784435B (zh) | 2020-11-06 |
Family
ID=69383232
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910300821.XA Active CN110784435B (zh) | 2019-04-15 | 2019-04-15 | 一种异常服务识别方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110784435B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111861444A (zh) * | 2020-06-28 | 2020-10-30 | 北京嘀嘀无限科技发展有限公司 | 计费监控方法、装置、计算机设备和存储介质 |
CN113178258A (zh) * | 2021-04-28 | 2021-07-27 | 青岛百洋智能科技股份有限公司 | 外科手术术前风险评估方法及系统 |
CN115239025A (zh) * | 2022-09-21 | 2022-10-25 | 荣耀终端有限公司 | 一种支付预测方法及电子设备 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006004797A3 (en) * | 2004-06-25 | 2007-03-01 | Univ Columbia | Methods and systems for feature selection |
CN102821002A (zh) * | 2011-06-09 | 2012-12-12 | 中国移动通信集团河南有限公司信阳分公司 | 网络流量异常检测方法和系统 |
US20140113588A1 (en) * | 2012-10-18 | 2014-04-24 | Deutsche Telekom Ag | System for detection of mobile applications network behavior- netwise |
CN106557955A (zh) * | 2016-11-29 | 2017-04-05 | 流量海科技成都有限公司 | 网约车异常订单识别方法及系统 |
CN108512822A (zh) * | 2017-02-28 | 2018-09-07 | 阿里巴巴集团控股有限公司 | 一种数据处理事件的风险识别方法和装置 |
CN108960922A (zh) * | 2018-07-09 | 2018-12-07 | 中国联合网络通信集团有限公司 | 终端的更换预测方法及装置 |
CN109194689A (zh) * | 2018-10-22 | 2019-01-11 | 武汉极意网络科技有限公司 | 异常行为识别方法、装置、服务器及存储介质 |
CN109409970A (zh) * | 2017-05-09 | 2019-03-01 | 北京嘀嘀无限科技发展有限公司 | 异常订单处理系统及方法 |
CN109509048A (zh) * | 2017-09-15 | 2019-03-22 | 北京京东尚科信息技术有限公司 | 恶意订单识别方法、装置、电子设备及存储介质 |
-
2019
- 2019-04-15 CN CN201910300821.XA patent/CN110784435B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006004797A3 (en) * | 2004-06-25 | 2007-03-01 | Univ Columbia | Methods and systems for feature selection |
CN102821002A (zh) * | 2011-06-09 | 2012-12-12 | 中国移动通信集团河南有限公司信阳分公司 | 网络流量异常检测方法和系统 |
US20140113588A1 (en) * | 2012-10-18 | 2014-04-24 | Deutsche Telekom Ag | System for detection of mobile applications network behavior- netwise |
CN106557955A (zh) * | 2016-11-29 | 2017-04-05 | 流量海科技成都有限公司 | 网约车异常订单识别方法及系统 |
CN108512822A (zh) * | 2017-02-28 | 2018-09-07 | 阿里巴巴集团控股有限公司 | 一种数据处理事件的风险识别方法和装置 |
CN109409970A (zh) * | 2017-05-09 | 2019-03-01 | 北京嘀嘀无限科技发展有限公司 | 异常订单处理系统及方法 |
CN109509048A (zh) * | 2017-09-15 | 2019-03-22 | 北京京东尚科信息技术有限公司 | 恶意订单识别方法、装置、电子设备及存储介质 |
CN108960922A (zh) * | 2018-07-09 | 2018-12-07 | 中国联合网络通信集团有限公司 | 终端的更换预测方法及装置 |
CN109194689A (zh) * | 2018-10-22 | 2019-01-11 | 武汉极意网络科技有限公司 | 异常行为识别方法、装置、服务器及存储介质 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111861444A (zh) * | 2020-06-28 | 2020-10-30 | 北京嘀嘀无限科技发展有限公司 | 计费监控方法、装置、计算机设备和存储介质 |
CN113178258A (zh) * | 2021-04-28 | 2021-07-27 | 青岛百洋智能科技股份有限公司 | 外科手术术前风险评估方法及系统 |
CN115239025A (zh) * | 2022-09-21 | 2022-10-25 | 荣耀终端有限公司 | 一种支付预测方法及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN110784435B (zh) | 2020-11-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110784435B (zh) | 一种异常服务识别方法、装置、电子设备及存储介质 | |
US8929606B2 (en) | Vehicle identification based on an image | |
US20180025392A1 (en) | Methods and systems for assessing and managing asset condition | |
US20190098015A1 (en) | Integrity of Data Records | |
US20140351109A1 (en) | Method and apparatus for automatically identifying a fraudulent order | |
CN107341668A (zh) | 一种判断真实数据的方法以及装置 | |
CN112529575B (zh) | 风险预警方法、设备、存储介质及装置 | |
KR20200069126A (ko) | 공공 데이터를 활용하여 차량 정보 입력을 대체하는 중고차 가격 산정 시스템 및 그 방법 | |
CN111209538A (zh) | 一种表数据质量探查方法及装置 | |
JP6499996B2 (ja) | 車載式故障診断装置に記録された情報に基づいて中古車査定の適正化を促す中古車査定支援システム | |
CN111858922A (zh) | 服务方信息查询方法、装置、电子设备以及存储介质 | |
CN113423063A (zh) | 基于车载t-box的车辆监控方法、装置、车辆及介质 | |
CN111259119B (zh) | 一种问题推荐方法及装置 | |
KR20160134402A (ko) | 자동차의 튜닝견적 자동산출시스템 및 그 방법 | |
CN111859172A (zh) | 信息推送方法、装置、电子设备和计算机可读存储介质 | |
CN111860512B (zh) | 一种车辆识别方法、装置、电子设备及计算机可读存储介质 | |
CN111833080A (zh) | 信息推送的方法、装置、电子设备和计算机可读存储介质 | |
CN111695919B (zh) | 评价数据处理方法、装置、电子设备及存储介质 | |
CN111651686B (zh) | 一种测试处理方法、装置、电子设备及存储介质 | |
CN108398702B (zh) | 停车环境识别方法及装置 | |
CN114328211A (zh) | 用于出行应用的仿真测试方法、装置以及存储介质 | |
CN110766435B (zh) | 向量训练方法、装置、电子设备以及计算机可读存储介质 | |
CN111259229B (zh) | 一种问题推荐方法及装置 | |
CN112633926A (zh) | 车辆估价模型的生成方法、车辆的估价方法 | |
US20220261666A1 (en) | Leveraging big data, statistical computation and artificial intelligence to determine a likelihood of object renunciation prior to a resource event |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |