CN110929106B - 用于获取目标数据的方法及装置 - Google Patents
用于获取目标数据的方法及装置 Download PDFInfo
- Publication number
- CN110929106B CN110929106B CN201811102022.3A CN201811102022A CN110929106B CN 110929106 B CN110929106 B CN 110929106B CN 201811102022 A CN201811102022 A CN 201811102022A CN 110929106 B CN110929106 B CN 110929106B
- Authority
- CN
- China
- Prior art keywords
- curve
- attribute information
- data
- lifting degree
- degree
- 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.)
- Active
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Abstract
本申请实施例公开了用于获取目标数据的方法及装置。该方法的一具体实施方式包括:从待处理数据集合中获取特征数据;根据最优提升度曲线确定对应上述特征数据的预测提升度值;查询上述预测提升度值对应的属性信息,并根据该属性信息从上述待处理数据集合中选择待处理数据构建目标数据集合。该实施方式提高了获取目标数据的准确性。
Description
技术领域
本申请实施例涉及计算机技术领域,具体涉及用于获取目标数据的方法及装置。
背景技术
随着信息技术的发展,各种类型的服务机构为人们提供了专业的信息服务,使得人们工作和生活的各个方面的信息化程度越来越高。为了提高工作效率,服务机构的技术人员可以通过对历史信息分析处理,以针对性地向用户提供服务。
发明内容
本申请实施例提出了用于获取目标数据的方法及装置。
第一方面,本申请实施例提供了一种用于获取目标数据的方法,该方法包括:从待处理数据集合中获取特征数据,其中,上述待处理数据包括至少两条属性信息,上述特征数据用于表征上述待处理数据集合中待处理数据的指定属性信息之间的关联关系;根据最优提升度曲线确定对应上述特征数据的预测提升度值,其中,上述最优提升度曲线用于表征特征数据与预测提升度值之间的对应关系,上述最优提升度曲线包括第一曲线和第二曲线,上述第一曲线和第二曲线分别与不同的属性信息对应;查询上述预测提升度值对应的属性信息,并根据该属性信息从上述待处理数据集合中选择待处理数据构建目标数据集合。
在一些实施例中,上述指定属性信息包括属性值,以及,上述从待处理数据集合中获取特征数据,包括:按照属性值由大到小的顺序对上述待处理数据集合中待处理数据的指定属性信息进行排序,得到指定属性信息序列;计算上述指定属性信息序列中相邻两条指定属性信息的属性值的差值,得到差值序列,并将差值序列的均值设置为对应上述指定属性信息序列的特征数据。
在一些实施例中,上述最优提升度曲线通过以下步骤获取:获取历史数据集合,其中,上述历史数据包括至少两条属性信息;根据上述历史数据集合中的历史数据获取指定属性信息的基准提升度曲线;对于上述至少两条属性信息中的、除上述指定属性信息以外的属性信息,获取该属性信息的、对应上述指定属性信息的参考提升度曲线;响应于至少一条参考提升度曲线中存在与上述基准提升度曲线属于相同曲线类型、且与上述基准提升度曲线存在交叉点的参考提升度曲线,确定该参考提升度曲线与基准提升度曲线的特征区域,其中,特征区域通过交叉点、提升度基准线,以及交叉点和提升度基准线之间的曲线组成;将交叉点的特征区域所在一侧的、特征数据取值大的曲线设置为第一曲线,将交叉点的特征区域所在的另一侧的、特征数据取值大的曲线设置为第二曲线,并通过上述第一曲线和第二曲线组成最优提升度曲线。
在一些实施例中,上述根据上述历史样本数据集合中的历史样本数据获取指定属性信息的基准提升度曲线,包括:将样本数据集合中的样本数据的指定属性信息作为输入,将上述样本数据集合中的样本数据的指定属性信息对应的样本提升度值作为输出,训练得到提升度模型;将上述历史样本数据集合中的历史样本数据导入上述提升度模型,得到基准提升度曲线。
在一些实施例中,上述最优提升度曲线获取步骤还包括:将存在交叉点和特征区域的参考提升度曲线和基准提升度曲线设置为提升度曲线对;响应于存在至少两组提升度曲线对,将上述至少两组提升度曲线对中提升度曲线对的特征区域的最大提升度值设置为上限提升度值,得到对应上述至少两组提升度曲线对的上限提升度值集合;将上述上限提升度值集合中对应最大上限提升度值的提升度曲线对设置为参考提升度曲线对;将上述参考提升度曲线对的交叉点的特征区域所在一侧的、特征数据取值大的曲线设置为第一曲线,将交叉点的特征区域所在的另一侧的、特征数据取值大的曲线设置为第二曲线,并通过上述第一曲线和第二曲线组成最优提升度曲线。
在一些实施例中,上述根据该属性信息从上述待处理数据集合中选择待处理数据构建目标数据集合,包括:对上述待处理数据集合中的该属性信息的属性值由大到小进行排序,得到对应该属性信息的属性信息序列;从上述属性信息序列中选择前设定个属性信息对应的待处理数据作为目标数据构建目标数据集合。
第二方面,本申请实施例提供了一种用于获取目标数据的装置,该装置包括:特征数据获取单元,被配置成从待处理数据集合中获取特征数据,其中,上述待处理数据包括至少两条属性信息,上述特征数据用于表征上述待处理数据集合中待处理数据的指定属性信息之间的关联关系;预测提升度值确定单元,被配置成根据最优提升度曲线确定对应上述特征数据的预测提升度值,其中,上述最优提升度曲线用于表征特征数据与预测提升度值之间的对应关系,上述最优提升度曲线包括第一曲线和第二曲线,上述第一曲线和第二曲线分别与不同的属性信息对应;目标数据集合获取单元,被配置成查询上述预测提升度值对应的属性信息,并根据该属性信息从上述待处理数据集合中选择待处理数据构建目标数据集合。
在一些实施例中,上述指定属性信息包括属性值,以及,上述特征数据获取单元包括:指定属性信息序列获取子单元,被配置成按照属性值由大到小的顺序对上述待处理数据集合中待处理数据的指定属性信息进行排序,得到指定属性信息序列;特征数据获取子单元,被配置成计算上述指定属性信息序列中相邻两条指定属性信息的属性值的差值,得到差值序列,并将差值序列的均值设置为对应上述指定属性信息序列的特征数据。
在一些实施例中,上述装置包括最优提升度曲线获取单元,被配置成获取最优提升度曲线,上述最优提升度曲线获取单元包括:历史数据集合获取子单元,被配置成获取历史数据集合,其中,上述历史数据包括至少两条属性信息;基准提升度曲线获取子单元,被配置成根据上述历史数据集合中的历史数据获取指定属性信息的基准提升度曲线;参考提升度曲线获取子单元,对于上述至少两条属性信息中的、除上述指定属性信息以外的属性信息,被配置成获取该属性信息的、对应上述指定属性信息的参考提升度曲线;特征区域确定子单元,响应于至少一条参考提升度曲线中存在与上述基准提升度曲线属于相同曲线类型、且与上述基准提升度曲线存在交叉点的参考提升度曲线,被配置成确定该参考提升度曲线与基准提升度曲线的特征区域,其中,特征区域通过交叉点、提升度基准线,以及交叉点和提升度基准线之间的曲线组成;第一最优提升度曲线获取子单元,被配置成将交叉点的特征区域所在一侧的、特征数据取值大的曲线设置为第一曲线,将交叉点的特征区域所在的另一侧的、特征数据取值大的曲线设置为第二曲线,并通过上述第一曲线和第二曲线组成最优提升度曲线。
在一些实施例中,上述基准提升度曲线获取子单元包括:提升度模型训练模块,被配置成将样本数据集合中的样本数据的指定属性信息作为输入,将上述样本数据集合中的样本数据的指定属性信息对应的样本提升度值作为输出,训练得到提升度模型;基准提升度曲线获取模块,被配置成将上述历史样本数据集合中的历史样本数据导入上述提升度模型,得到基准提升度曲线。
在一些实施例中,上述最优提升度曲线获取单元还包括:提升度曲线对设置子单元,被配置成将存在交叉点和特征区域的参考提升度曲线和基准提升度曲线设置为提升度曲线对;上限提升度值集合获取子弹,响应于存在至少两组提升度曲线对,被配置成将上述至少两组提升度曲线对中提升度曲线对的特征区域的最大提升度值设置为上限提升度值,得到对应上述至少两组提升度曲线对的上限提升度值集合;参考提升度曲线对设置子单元,被配置成将上述上限提升度值集合中对应最大上限提升度值的提升度曲线对设置为参考提升度曲线对;第二最优提升度曲线获取子单元,被配置成将上述参考提升度曲线对的交叉点的特征区域所在一侧的、特征数据取值大的曲线设置为第一曲线,将交叉点的特征区域所在的另一侧的、特征数据取值大的曲线设置为第二曲线,并通过上述第一曲线和第二曲线组成最优提升度曲线。
在一些实施例中,上述目标数据集合获取单元包括:属性信息序列获取子单元,被配置成对上述待处理数据集合中的该属性信息的属性值由大到小进行排序,得到对应该属性信息的属性信息序列;目标数据集合获取子单元,被配置成从上述属性信息序列中选择前设定个属性信息对应的待处理数据作为目标数据构建目标数据集合。
第三方面,本申请实施例提供了一种服务器,包括:一个或多个处理器;存储器,其上存储有一个或多个程序,当上述一个或多个程序被上述一个或多个处理器执行时,使得上述一个或多个处理器执行上述第一方面的用于获取目标数据的方法。
第四方面,本申请实施例提供了一种计算机可读介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现上述第一方面的用于获取目标数据的方法。
本申请实施例提供的用于获取目标数据的方法及装置,首先从待处理数据集合中提取特征数据;然后根据最优提升度曲线确定对应特征数据的预测提升度值;最后查询预测提升度值对应的属性信息,并根据该属性信息从待处理数据集合中选择待处理数据构建目标数据集合。本申请方法能够根据待处理数据集合的特征数据确定目标数据集合,提高了获取目标数据的准确性。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1是本申请的一个实施例可以应用于其中的示例性系统架构图;
图2是根据本申请的用于获取目标数据的方法的一个实施例的流程图;
图3是根据本申请的用于获取目标数据的方法的一个应用场景的示意图;
图4是根据本申请的最优提升度曲线生成方法的一个实施例的流程图;
图5是根据本申请的最优提升度曲线的组成结构示意图;
图6是根据本申请的用于获取目标数据的装置的一个实施例的结构示意图;
图7是适于用来实现本申请实施例的服务器的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请实施例的用于获取目标数据的方法或用于获取目标数据的装置的示例性系统架构100。
如图1所示,系统架构100可以包括子服务器101、102、103,网络104和综合服务器105。网络104用以在子服务器101、102、103和综合服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
子服务器101、102、103通过网络104与综合服务器105交互,以接收或发送消息等。子服务器101、102、103上可以安装有各种数据处理应用,例如数据采集应用、数据分类应用、数据发送应用、数据接收应用、数据筛选应用等。
子服务器101、102、103可以是硬件,也可以是软件。当子服务器101、102、103为硬件时,可以是具有显示屏并且支持数据处理的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当子服务器101、102、103为软件时,可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务),也可以实现成单个软件或软件模块,在此不做具体限定。
综合服务器105可以是提供各种服务的服务器,例如对子服务器101、102、103上的待处理数据进行处理,以得到目标数据的服务器。服务器可以对接收到的待处理数据的属性信息进行划分,并根据属性信息从待处理数据中确定目标数据。
需要说明的是,本申请实施例所提供的用于获取目标数据的方法一般由综合服务器105执行,相应地,用于获取目标数据的装置一般设置于综合服务器105中。
需要说明的是,综合服务器105可以是硬件,也可以是软件。当综合服务器105为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当综合服务器105为软件时,可以实现成多个软件或软件模块(例如用来提供分布式服务),也可以实现成单个软件或软件模块,在此不做具体限定。
应该理解,图1中的子服务器、网络和综合服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的子服务器、网络和综合服务器。
继续参考图2,示出了根据本申请的用于获取目标数据的方法的一个实施例的流程200。该用于获取目标数据的方法包括以下步骤:
步骤201,从待处理数据集合中获取特征数据。
在本实施例中,用于获取目标数据的方法的执行主体(例如图1所示的综合服务器105)可以通过有线连接方式或者无线连接方式从子服务器101、102、103接收待处理数据。其中,待处理数据可以是用户的画像信息等信息。每个子服务器包含待处理数据的一个或多个属性信息。属性信息可以是用户的消费信息、收入信息、出行记录信息、浏览网页信息等信息。实际中,各个属性信息通常由专门的子服务器来记录。执行主体可以将从多个子服务器中获取的同一待处理数据的属性信息进行合并,并将合并属性信息后的待处理数据组合成待处理数据集合。需要指出的是,上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。
现有技术中,服务机构办理的用户信息通常是独立且零散的,不易找到信息的规律性。因此,技术人员不易确定哪些用户为目标用户,无法向用户提供针对性的信息服务,降低了信息服务的效率。
为此,本申请的执行主体可以从待处理数据集合中提取特征数据。其中,上述待处理数据可以包括至少两条属性信息。上述特征数据可以用于表征上述待处理数据集合中待处理数据的指定属性信息之间的关联关系。例如,当指定属性信息为出行记录信息时,特征数据可以是多个不同的用户在一段时间内出行的时间或目的地之间的关联关系。对于不同的待处理数据及属性信息,特征数据可以不同,具体视实际情况而定。
在本实施例的一些可选的实现方式中,上述指定属性信息可以包括属性值,以及,上述从待处理数据集合中获取特征数据,可以包括:
第一步,按照属性值由大到小的顺序对上述待处理数据集合中待处理数据的指定属性信息进行排序,得到指定属性信息序列。
本申请的属性信息可以包括属性值。例如,当指定属性信息为出行记录信息时,属性值可以是用户在对应时间内出行的次数,还可以是按照出行目的地为国内或国外,将属性值设置为0或1等形式。根据实际需要,属性值可以根据属性信息进行相应的设定,此处不再一一赘述。
执行主体可以按照指定属性信息的属性值由大到小的顺序对指定属性信息进行排序,得到指定属性信息序列。
第二步,计算上述指定属性信息序列中相邻两条指定属性信息的属性值的差值,得到差值序列,并将差值序列的均值设置为对应上述指定属性信息序列的特征数据。
得到指定属性信息序列后,执行主体可以计算上述指定属性信息序列中相邻两条指定属性信息的属性值的差值,得到差值序列,并将差值序列的均值设置为对应上述指定属性信息序列的特征数据。此外,根据具体的指定属性信息,执行主体还可以通过计算上述指定属性信息序列中相邻两条指定属性信息的属性值的比值,然后计算比值均值等方式获取到特征数据,此处不再一一赘述。
步骤202,根据最优提升度曲线确定对应上述特征数据的预测提升度值。
执行主体得到特征数据后,可以通过最优提升度曲线确定对应上述特征数据的预测提升度值。其中,上述最优提升度曲线可以用于表征特征数据与预测提升度值之间的对应关系。上述最优提升度曲线包括第一曲线和第二曲线,上述第一曲线和第二曲线分别与不同的属性信息对应。
同一待处理数据包含的属性信息可以具有相关性,也可以没有相关性。对于具有相关性的属性信息,可以符合相同或类似的提升度曲线。最优提升度曲线可以认为是通过具有相关性的两个属性信息的第一曲线和第二曲线各自的优势线段组合的得到的。优势线段可以认为是:在该优势线段对应特征数据区间,该优势线段对应的提升度高于其他属性信息对应的线段。
步骤203,查询上述预测提升度值对应的属性信息,并根据该属性信息从上述待处理数据集合中选择待处理数据构建目标数据集合。
最优提升度曲线可以用于表征特征数据与预测提升度值之间的对应关系。实际中,最优提升度曲线通常为单调递减的曲线。又由于最优提升度曲线包括第一曲线和第二曲线,第一曲线和第二曲线分别与不同的属性信息对应。执行主体可以确定预测提升度值所在的是第一曲线还是第二曲线,并进一步确定预测提升度值对应的属性信息。之后,执行主体可以根据该属性信息对待处理数据进行筛选,最后得到目标数据集合。
在本实施例的一些可选的实现方式中,上述根据该属性信息从上述待处理数据集合中选择待处理数据构建目标数据集合,可以包括:
第一步,对上述待处理数据集合中的该属性信息的属性值由大到小进行排序,得到对应该属性信息的属性信息序列。
确定了属性信息后,执行主体可以对该属性信息的属性值进行排序,得到属性信息序列。
第二步,从上述属性信息序列中选择前设定个属性信息对应的待处理数据作为目标数据构建目标数据集合。
为了有效地获取高价值的提升度对应的目标数据,执行主体可以从属性信息序列中选择前设定个属性信息对应的待处理数据,并将这些设定个待处理数据作为目标数据来构建目标数据集合。例如。当预测提升度值对应的属性信息为消费信息时,执行主体可以按照消费信息对应的消费金额对属性信息进行排序,并挑选设定个消费金额最高的待处理数据作为目标数据构建目标数据集合。
之后,执行主体可以通过目标数据集合中的目标数据来计算实际的提升度信息。
继续参见图3,图3是根据本实施例的用于获取目标数据的应用场景的一个示意图。在图3的应用场景中,综合服务器105分别从子服务器101、102、103获取到待处理数据,组成待处理数据集合,并从待处理数据集合中获取特征数据。然后,综合服务器105通过最优提升度曲线确定对应特征数据的预测提升度值。最后,综合服务器105查询到对应预测提升度值的属性信息,并根据该属性信息从待处理数据中挑选出目标数据,组成目标数据集合。
本申请的上述实施例提供的方法首先从待处理数据集合中提取特征数据;然后根据最优提升度曲线确定对应特征数据的预测提升度值;最后查询预测提升度值对应的属性信息,并根据该属性信息从待处理数据集合中选择待处理数据构建目标数据集合。本申请方法能够根据待处理数据集合的特征数据确定目标数据集合,提高了获取目标数据的准确性。
进一步参考图4,其示出了最优提升度曲线生成方法的一个实施例的流程400。该最优提升度曲线生成方法的流程400,包括以下步骤:
步骤401,获取历史数据集合。
在本实施例中,用于获取目标数据的方法的执行主体(例如图1所示的综合服务器105)可以通过有线连接方式或者无线连接方式从子服务器101、102、103接收历史数据,并通过历史数据构建初始历史数据集合。
执行主体可以将初始历史数据集合中属于同一初始历史数据的属性信息进行合并,得到历史数据集合。即,每个历史数据可以包括至少两条属性信息。
步骤402,根据上述历史数据集合中的历史数据获取指定属性信息的基准提升度曲线。
实际中,当需要获取某一属性信息的提升度时,执行主体可以将该属性信息设置为指定属性信息。然后,执行主体可以获取该指定属性信息的特征数据,并根据该特征数据计算提升度,得到基准提升度曲线。
步骤403,对于上述至少两条属性信息中的、除上述指定属性信息以外的属性信息,获取该属性信息的、对应上述指定属性信息的参考提升度曲线。
对于不同的属性信息,该属性信息的提升度的计算方式通常不同。为了从其他属性信息中找出与指定属性信息的提升度曲线相同或相似的提升度曲线,执行主体可以按照指定属性信息计算提升度的方式来计算其他属性信息对应的提升度。例如,指定属性信息计算提升度的方式可以为:计算指定属性信息的特征数据与指定属性信息的各个属性值之间的差值的平方和;然后再计算平方和的开方得到提升度值;最后根据提升度值得到提升度曲线。另一属性信息计算提升度的方式可以为:计算该属性信息的特征数据与该属性信息的各个属性值之间的差值的立方和;然后计算立方和的开三次方得到提升度值;最后根据提升度值得到提升度曲线。为了确定该属性信息是否与指定属性信息具有相关性,执行主体可以对该属性信息的属性值也采用计算特征数据与该属性信息的属性值之间的差值的平方和;然后再计算平方和的开方得到提升度值;最后根据提升度值得到提升度曲线的方式,得到对应指定属性信息的参考提升度曲线。
步骤404,响应于至少一条参考提升度曲线中存在与上述基准提升度曲线属于相同曲线类型、且与上述基准提升度曲线存在交叉点的参考提升度曲线,确定该参考提升度曲线与基准提升度曲线的特征区域。
由上述描述可知,每个历史数据包括至少两条属性信息。按照上述的计算参考提升度曲线的方法,执行主体可以获取到至少一条参考提升度曲线。参考提升度曲线可以是不同曲线类型的曲线,其中,曲线类型可以是单调递增曲线、单调递减曲线、波浪线等类型。当存在曲线类型与基准提升度曲线的曲线类型相同,并且与基准提升度曲线存在交叉点的参考提升度曲线时,执行主体可以确定出该参考提升度曲线与基准提升度曲线的特征区域。其中,特征区域可以通过交叉点、提升度基准线,以及交叉点和提升度基准线之间的曲线组成;提升度基准线通常是预先设置好的。例如,当提升度对应获益能力时,提升度基准线可以用于对获益区间进行划分。如图5所示,基准提升度曲线和参考提升度曲线存在交叉点,由交叉点、提升度基准线,以及交叉点和提升度基准线之间的曲线组成的网格区域即为特征区域。
步骤405,将交叉点的特征区域所在一侧的、特征数据取值大的曲线设置为第一曲线,将交叉点的特征区域所在的另一侧的、特征数据取值大的曲线设置为第二曲线,并通过上述第一曲线和第二曲线组成最优提升度曲线。
之后,执行主体可以将交叉点的特征区域所在一侧的、特征数据取值大的曲线设置为第一曲线,即图5中的粗虚线。执行主体可以将交叉点的特征区域所在的另一侧的、特征数据取值大的曲线设置为第二曲线,即图5中的粗实线。则由第一曲线和第二曲线组成的曲线即为最优提升度曲线。最优提升度曲线可以认为是:指定属性信息取不同特征数据时,通过哪条曲线(第一曲线或第二曲线)能够使得指定属性信息获得最大的提升度值。
在本实施例的一些可选的实现方式中,上述根据上述历史样本数据集合中的历史样本数据获取指定属性信息的基准提升度曲线,可以包括以下步骤:
第一步,将样本数据集合中的样本数据的指定属性信息作为输入,将上述样本数据集合中的样本数据的指定属性信息对应的样本提升度值作为输出,训练得到提升度模型。
为了能够准确计算提升度,执行主体可以首先获取样本数据集合,然后将样本数据集合中的样本数据的指定属性信息作为输入,将上述样本数据集合中的样本数据的指定属性信息对应的样本提升度值作为输出,通过多种类型的智能算法训练得到提升度模型。通常,训练提升度模型时需要大量的样本数据,即提升度模型能够从整体上反映指定属性信息的特征数据与提升度值之间的对应关系,提高了获取提升度的准确性。类似的,执行主体还可以得到其他属性信息的提升度模型,此处不再一一赘述。
第二步,将上述历史样本数据集合中的历史样本数据导入上述提升度模型,得到基准提升度曲线。
得到提升度模型后,执行主体可以将上述历史样本数据集合中的历史样本数据导入上述提升度模型,得到基准提升度曲线。
在本实施例的一些可选的实现方式中,上述最优提升度曲线获取步骤还可以包括:
第一步,将存在交叉点和特征区域的参考提升度曲线和基准提升度曲线设置为提升度曲线对。
当存在多条参考提升度曲线和基准提升度曲线属于相同的曲线类型,并存在交叉点和特征区域时,执行主体可以将存在交叉点和特征区域的参考提升度曲线和基准提升度曲线设置为提升度曲线对。
第二步,响应于存在至少两组提升度曲线对,将上述至少两组提升度曲线对中提升度曲线对的特征区域的最大提升度值设置为上限提升度值,得到对应上述至少两组提升度曲线对的上限提升度值集合。
当历史数据包含的多个属性信息可以得到至少两组提升度曲线对时,执行主体可以比较至少两组提升度曲线对中提升度曲线对之间的特征区域的最大提升度值。并将提升度曲线对的特征区域的最大提升度值设置为上限提升度值,得到对应上述至少两组提升度曲线对的上限提升度值集合。
第三步,将上述上限提升度值集合中对应最大上限提升度值的提升度曲线对设置为参考提升度曲线对。
得到上限提升度值集合后,执行主体可以将上述上限提升度值集合中对应最大上限提升度值的提升度曲线对设置为参考提升度曲线对。即,参考提升度曲线对可以认为是获益能力最大的曲线对。
第四步,将上述参考提升度曲线对的交叉点的特征区域所在一侧的、特征数据取值大的曲线设置为第一曲线,将交叉点的特征区域所在的另一侧的、特征数据取值大的曲线设置为第二曲线,并通过上述第一曲线和第二曲线组成最优提升度曲线。
该步骤与上述步骤405的过程相同,此处不再一一赘述。
进一步参考图6,作为对上述各图所示方法的实现,本申请提供了一种用于获取目标数据的装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图6所示,本实施例的用于获取目标数据的装置600可以包括:特征数据获取单元601、预测提升度值确定单元602和目标数据集合获取单元603。其中,特征数据获取单元601被配置成从待处理数据集合中获取特征数据,其中,上述待处理数据包括至少两条属性信息,上述特征数据用于表征上述待处理数据集合中待处理数据的指定属性信息之间的关联关系;预测提升度值确定单元602被配置成根据最优提升度曲线确定对应上述特征数据的预测提升度值,其中,上述最优提升度曲线用于表征特征数据与预测提升度值之间的对应关系,上述最优提升度曲线包括第一曲线和第二曲线,上述第一曲线和第二曲线分别与不同的属性信息对应;目标数据集合获取单元603被配置成查询上述预测提升度值对应的属性信息,并根据该属性信息从上述待处理数据集合中选择待处理数据构建目标数据集合。
在本实施例的一些可选的实现方式中,上述指定属性信息可以包括属性值,以及,上述特征数据获取单元601可以包括:指定属性信息序列获取子单元(图中未示出)和特征数据获取子单元(图中未示出)。其中,指定属性信息序列获取子单元被配置成按照属性值由大到小的顺序对上述待处理数据集合中待处理数据的指定属性信息进行排序,得到指定属性信息序列;特征数据获取子单元被配置成计算上述指定属性信息序列中相邻两条指定属性信息的属性值的差值,得到差值序列,并将差值序列的均值设置为对应上述指定属性信息序列的特征数据。
在本实施例的一些可选的实现方式中,上述用于获取目标数据的装置600可以包括最优提升度曲线获取单元(图中未示出),被配置成获取最优提升度曲线,上述最优提升度曲线获取单元可以包括:历史数据集合获取子单元(图中未示出)、基准提升度曲线获取子单元(图中未示出)、参考提升度曲线获取子单元(图中未示出)、特征区域确定子单元(图中未示出)和第一最优提升度曲线获取子单元(图中未示出)。其中,历史数据集合获取子单元被配置成获取历史数据集合,其中,上述历史数据包括至少两条属性信息;基准提升度曲线获取子单元被配置成根据上述历史数据集合中的历史数据获取指定属性信息的基准提升度曲线;参考提升度曲线获取子单元,对于上述至少两条属性信息中的、除上述指定属性信息以外的属性信息,被配置成获取该属性信息的、对应上述指定属性信息的参考提升度曲线;特征区域确定子单元,响应于至少一条参考提升度曲线中存在与上述基准提升度曲线属于相同曲线类型、且与上述基准提升度曲线存在交叉点的参考提升度曲线,被配置成确定该参考提升度曲线与基准提升度曲线的特征区域,其中,特征区域通过交叉点、提升度基准线,以及交叉点和提升度基准线之间的曲线组成;第一最优提升度曲线获取子单元被配置成将交叉点的特征区域所在一侧的、特征数据取值大的曲线设置为第一曲线,将交叉点的特征区域所在的另一侧的、特征数据取值大的曲线设置为第二曲线,并通过上述第一曲线和第二曲线组成最优提升度曲线。
在本实施例的一些可选的实现方式中,上述基准提升度曲线获取子单元可以包括:提升度模型训练模块(图中未示出)和基准提升度曲线获取模块(图中未示出)。其中,提升度模型训练模块被配置成将样本数据集合中的样本数据的指定属性信息作为输入,将上述样本数据集合中的样本数据的指定属性信息对应的样本提升度值作为输出,训练得到提升度模型;基准提升度曲线获取模块被配置成将上述历史样本数据集合中的历史样本数据导入上述提升度模型,得到基准提升度曲线。
在本实施例的一些可选的实现方式中,上述最优提升度曲线获取单元还可以包括:提升度曲线对设置子单元(图中未示出)、上限提升度值集合获取子单元(图中未示出)、参考提升度曲线对设置子单元(图中未示出)和第二最优提升度曲线获取子单元(图中未示出)。其中,提升度曲线对设置子单元被配置成将存在交叉点和特征区域的参考提升度曲线和基准提升度曲线设置为提升度曲线对;上限提升度值集合获取子单元,响应于存在至少两组提升度曲线对,被配置成将上述至少两组提升度曲线对中提升度曲线对的特征区域的最大提升度值设置为上限提升度值,得到对应上述至少两组提升度曲线对的上限提升度值集合;参考提升度曲线对设置子单元被配置成将上述上限提升度值集合中对应最大上限提升度值的提升度曲线对设置为参考提升度曲线对;第二最优提升度曲线获取子单元被配置成将上述参考提升度曲线对的交叉点的特征区域所在一侧的、特征数据取值大的曲线设置为第一曲线,将交叉点的特征区域所在的另一侧的、特征数据取值大的曲线设置为第二曲线,并通过上述第一曲线和第二曲线组成最优提升度曲线。
在本实施例的一些可选的实现方式中,上述目标数据集合获取单元603可以包括:属性信息序列获取子单元(图中未示出)和目标数据集合获取子单元(图中未示出)。其中,属性信息序列获取子单元被配置成对上述待处理数据集合中的该属性信息的属性值由大到小进行排序,得到对应该属性信息的属性信息序列;目标数据集合获取子单元被配置成从上述属性信息序列中选择前设定个属性信息对应的待处理数据作为目标数据构建目标数据集合。
本实施例还提供了一种服务器,包括:一个或多个处理器;存储器,其上存储有一个或多个程序,当上述一个或多个程序被上述一个或多个处理器执行时,使得上述一个或多个处理器执行上述的用于获取目标数据的方法。
本实施例还提供了一种计算机可读介质,其上存储有计算机程序,该程序被处理器执行时实现上述的用于获取目标数据的方法。
下面参考图7,其示出了适于用来实现本申请实施例的服务器(例如,图1中的综合服务器105)的计算机系统700的结构示意图。图7示出的服务器仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图7所示,计算机系统700包括中央处理单元(CPU)701,其可以根据存储在只读存储器(ROM)702中的程序或者从存储部分708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中,还存储有系统700操作所需的各种程序和数据。CPU 701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
以下部件连接至I/O接口705:包括键盘、鼠标等的输入部分706;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分707;包括硬盘等的存储部分708;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至I/O接口705。可拆卸介质711,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器710上,以便于从其上读出的计算机程序根据需要被安装入存储部分708。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分709从网络上被下载和安装,和/或从可拆卸介质711被安装。在该计算机程序被中央处理单元(CPU)701执行时,执行本申请的方法中限定的上述功能。
需要说明的是,本申请上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括特征数据获取单元、预测提升度值确定单元和目标数据集合获取单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,目标数据集合获取单元还可以被描述为“用户获取目标数据的单元”。
作为另一方面,本申请还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的装置中所包含的;也可以是单独存在,而未装配入该装置中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该装置执行时,使得该装置:从待处理数据集合中获取特征数据,其中,上述待处理数据包括至少两条属性信息,上述特征数据用于表征上述待处理数据集合中待处理数据的指定属性信息之间的关联关系;根据最优提升度曲线确定对应上述特征数据的预测提升度值,其中,上述最优提升度曲线用于表征特征数据与预测提升度值之间的对应关系,上述最优提升度曲线包括第一曲线和第二曲线,上述第一曲线和第二曲线分别与不同的属性信息对应;查询上述预测提升度值对应的属性信息,并根据该属性信息从上述待处理数据集合中选择待处理数据构建目标数据集合。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (12)
1.一种用于获取目标数据的方法,包括:
从待处理数据集合中获取特征数据,其中,所述待处理数据包括至少两条属性信息,所述特征数据用于表征所述待处理数据集合中待处理数据的指定属性信息之间的关联关系;
根据最优提升度曲线确定对应所述特征数据的预测提升度值,其中,所述最优提升度曲线用于表征特征数据与预测提升度值之间的对应关系,所述最优提升度曲线包括第一曲线和第二曲线,所述第一曲线和第二曲线分别与不同的属性信息对应,所述最优提升度曲线通过以下步骤获取:获取历史数据集合,其中,所述历史数据包括至少两条属性信息;根据所述历史数据集合中的历史数据获取指定属性信息的基准提升度曲线;对于所述至少两条属性信息中的、除所述指定属性信息以外的属性信息,获取该属性信息的、对应所述指定属性信息的参考提升度曲线;响应于至少一条参考提升度曲线中存在与所述基准提升度曲线属于相同曲线类型、且与所述基准提升度曲线存在交叉点的参考提升度曲线,确定该参考提升度曲线与基准提升度曲线的特征区域,其中,特征区域通过交叉点、提升度基准线,以及交叉点和提升度基准线之间的曲线组成;将交叉点的特征区域所在一侧的、特征数据取值大的曲线设置为第一曲线,将交叉点的特征区域所在的另一侧的、特征数据取值大的曲线设置为第二曲线,并通过所述第一曲线和第二曲线组成最优提升度曲线;
查询所述预测提升度值对应的属性信息,并根据该属性信息从所述待处理数据集合中选择待处理数据构建目标数据集合。
2.根据权利要求1所述的方法,其中,所述指定属性信息包括属性值,以及
所述从待处理数据集合中获取特征数据,包括:
按照属性值由大到小的顺序对所述待处理数据集合中待处理数据的指定属性信息进行排序,得到指定属性信息序列;
计算所述指定属性信息序列中相邻两条指定属性信息的属性值的差值,得到差值序列,并将差值序列的均值设置为对应所述指定属性信息序列的特征数据。
3.根据权利要求1所述的方法,其中,所述根据所述历史样本数据集合中的历史样本数据获取指定属性信息的基准提升度曲线,包括:
将样本数据集合中的样本数据的指定属性信息作为输入,将所述样本数据集合中的样本数据的指定属性信息对应的样本提升度值作为输出,训练得到提升度模型;
将所述历史样本数据集合中的历史样本数据导入所述提升度模型,得到基准提升度曲线。
4.根据权利要求1所述的方法,其中,所述最优提升度曲线获取步骤还包括:
将存在交叉点和特征区域的参考提升度曲线和基准提升度曲线设置为提升度曲线对;
响应于存在至少两组提升度曲线对,将所述至少两组提升度曲线对中提升度曲线对的特征区域的最大提升度值设置为上限提升度值,得到对应所述至少两组提升度曲线对的上限提升度值集合;
将所述上限提升度值集合中对应最大上限提升度值的提升度曲线对设置为参考提升度曲线对;
将所述参考提升度曲线对的交叉点的特征区域所在一侧的、特征数据取值大的曲线设置为第一曲线,将交叉点的特征区域所在的另一侧的、特征数据取值大的曲线设置为第二曲线,并通过所述第一曲线和第二曲线组成最优提升度曲线。
5.根据权利要求1至4任意一项所述的方法,其中,所述根据该属性信息从所述待处理数据集合中选择待处理数据构建目标数据集合,包括:
对所述待处理数据集合中的该属性信息的属性值由大到小进行排序,得到对应该属性信息的属性信息序列;
从所述属性信息序列中选择前设定个属性信息对应的待处理数据作为目标数据构建目标数据集合。
6.一种用于获取目标数据的装置,包括:
特征数据获取单元,被配置成从待处理数据集合中获取特征数据,其中,所述待处理数据包括至少两条属性信息,所述特征数据用于表征所述待处理数据集合中待处理数据的指定属性信息之间的关联关系;
预测提升度值确定单元,被配置成根据最优提升度曲线确定对应所述特征数据的预测提升度值,其中,所述最优提升度曲线用于表征特征数据与预测提升度值之间的对应关系,所述最优提升度曲线包括第一曲线和第二曲线,所述第一曲线和第二曲线分别与不同的属性信息对应;
目标数据集合获取单元,被配置成查询所述预测提升度值对应的属性信息,并根据该属性信息从所述待处理数据集合中选择待处理数据构建目标数据集合;
最优提升度曲线获取单元,被配置成获取最优提升度曲线,所述最优提升度曲线获取单元包括:
历史数据集合获取子单元,被配置成获取历史数据集合,其中,所述历史数据包括至少两条属性信息;
基准提升度曲线获取子单元,被配置成根据所述历史数据集合中的历史数据获取指定属性信息的基准提升度曲线;
参考提升度曲线获取子单元,对于所述至少两条属性信息中的、除所述指定属性信息以外的属性信息,被配置成获取该属性信息的、对应所述指定属性信息的参考提升度曲线;
特征区域确定子单元,响应于至少一条参考提升度曲线中存在与所述基准提升度曲线属于相同曲线类型、且与所述基准提升度曲线存在交叉点的参考提升度曲线,被配置成确定该参考提升度曲线与基准提升度曲线的特征区域,其中,特征区域通过交叉点、提升度基准线,以及交叉点和提升度基准线之间的曲线组成;
第一最优提升度曲线获取子单元,被配置成将交叉点的特征区域所在一侧的、特征数据取值大的曲线设置为第一曲线,将交叉点的特征区域所在的另一侧的、特征数据取值大的曲线设置为第二曲线,并通过所述第一曲线和第二曲线组成最优提升度曲线。
7.根据权利要求6所述的装置,其中,所述指定属性信息包括属性值,以及
所述特征数据获取单元包括:
指定属性信息序列获取子单元,被配置成按照属性值由大到小的顺序对所述待处理数据集合中待处理数据的指定属性信息进行排序,得到指定属性信息序列;
特征数据获取子单元,被配置成计算所述指定属性信息序列中相邻两条指定属性信息的属性值的差值,得到差值序列,并将差值序列的均值设置为对应所述指定属性信息序列的特征数据。
8.根据权利要求6所述的装置,其中,所述基准提升度曲线获取子单元包括:
提升度模型训练模块,被配置成将样本数据集合中的样本数据的指定属性信息作为输入,将所述样本数据集合中的样本数据的指定属性信息对应的样本提升度值作为输出,训练得到提升度模型;
基准提升度曲线获取模块,被配置成将所述历史样本数据集合中的历史样本数据导入所述提升度模型,得到基准提升度曲线。
9.根据权利要求6所述的装置,其中,所述最优提升度曲线获取单元还包括:
提升度曲线对设置子单元,被配置成将存在交叉点和特征区域的参考提升度曲线和基准提升度曲线设置为提升度曲线对;
上限提升度值集合获取子单元,响应于存在至少两组提升度曲线对,被配置成将所述至少两组提升度曲线对中提升度曲线对的特征区域的最大提升度值设置为上限提升度值,得到对应所述至少两组提升度曲线对的上限提升度值集合;
参考提升度曲线对设置子单元,被配置成将所述上限提升度值集合中对应最大上限提升度值的提升度曲线对设置为参考提升度曲线对;
第二最优提升度曲线获取子单元,被配置成将所述参考提升度曲线对的交叉点的特征区域所在一侧的、特征数据取值大的曲线设置为第一曲线,将交叉点的特征区域所在的另一侧的、特征数据取值大的曲线设置为第二曲线,并通过所述第一曲线和第二曲线组成最优提升度曲线。
10.根据权利要求6至9任意一项所述的装置,其中,所述目标数据集合获取单元包括:
属性信息序列获取子单元,被配置成对所述待处理数据集合中的该属性信息的属性值由大到小进行排序,得到对应该属性信息的属性信息序列;
目标数据集合获取子单元,被配置成从所述属性信息序列中选择前设定个属性信息对应的待处理数据作为目标数据构建目标数据集合。
11.一种服务器,包括:
一个或多个处理器;
存储器,其上存储有一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器执行权利要求1至5中任一所述的方法。
12.一种计算机可读介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1至5中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811102022.3A CN110929106B (zh) | 2018-09-20 | 2018-09-20 | 用于获取目标数据的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811102022.3A CN110929106B (zh) | 2018-09-20 | 2018-09-20 | 用于获取目标数据的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110929106A CN110929106A (zh) | 2020-03-27 |
CN110929106B true CN110929106B (zh) | 2022-08-09 |
Family
ID=69855527
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811102022.3A Active CN110929106B (zh) | 2018-09-20 | 2018-09-20 | 用于获取目标数据的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110929106B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8713023B1 (en) * | 2013-03-15 | 2014-04-29 | Gordon Villy Cormack | Systems and methods for classifying electronic information using advanced active learning techniques |
CN105389713A (zh) * | 2015-10-15 | 2016-03-09 | 南京大学 | 基于用户历史数据的移动流量套餐推荐算法 |
CN106251241A (zh) * | 2016-08-02 | 2016-12-21 | 贵州电网有限责任公司信息中心 | 一种基于特征选择改进的LR‑Bagging算法 |
CN107292528A (zh) * | 2017-06-30 | 2017-10-24 | 阿里巴巴集团控股有限公司 | 车险风险预测方法、装置及服务器 |
CN107368918A (zh) * | 2017-06-27 | 2017-11-21 | 国网北京市电力公司 | 数据处理方法和装置 |
CN107967624A (zh) * | 2017-11-24 | 2018-04-27 | 四川长虹电器股份有限公司 | 一种业务活动销售预测模型的评价方法 |
CN110197390A (zh) * | 2019-04-09 | 2019-09-03 | 深圳市梦网百科信息技术有限公司 | 一种基于关联规则关联度和经济值的推荐方法和系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9330127B2 (en) * | 2007-01-04 | 2016-05-03 | Health Care Productivity, Inc. | Methods and systems for automatic selection of classification and regression trees |
US20150332158A1 (en) * | 2014-05-16 | 2015-11-19 | International Business Machines Corporation | Mining strong relevance between heterogeneous entities from their co-ocurrences |
-
2018
- 2018-09-20 CN CN201811102022.3A patent/CN110929106B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8713023B1 (en) * | 2013-03-15 | 2014-04-29 | Gordon Villy Cormack | Systems and methods for classifying electronic information using advanced active learning techniques |
CN105389713A (zh) * | 2015-10-15 | 2016-03-09 | 南京大学 | 基于用户历史数据的移动流量套餐推荐算法 |
CN106251241A (zh) * | 2016-08-02 | 2016-12-21 | 贵州电网有限责任公司信息中心 | 一种基于特征选择改进的LR‑Bagging算法 |
CN107368918A (zh) * | 2017-06-27 | 2017-11-21 | 国网北京市电力公司 | 数据处理方法和装置 |
CN107292528A (zh) * | 2017-06-30 | 2017-10-24 | 阿里巴巴集团控股有限公司 | 车险风险预测方法、装置及服务器 |
CN107967624A (zh) * | 2017-11-24 | 2018-04-27 | 四川长虹电器股份有限公司 | 一种业务活动销售预测模型的评价方法 |
CN110197390A (zh) * | 2019-04-09 | 2019-09-03 | 深圳市梦网百科信息技术有限公司 | 一种基于关联规则关联度和经济值的推荐方法和系统 |
Non-Patent Citations (3)
Title |
---|
"Single-Event Data Analysis";E. L. Petersen;《IEEE Transactions on Nuclear Science 》;20081231;第55卷;第2819-2841页 * |
"以决策树分类方法实现电信行业精准营销";张永辉、杨本昭、胡万里;《信息安全与通信保密》;20091110(第11期);第94-97页 * |
"基于特征选择改进LR-Bagging算法的电力欠费风险居民客户预测";吴漾、朱州;《电子产品世界》;20170404;第24卷(第04期);第70-75页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110929106A (zh) | 2020-03-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107885873B (zh) | 用于输出信息的方法和装置 | |
JP2019534487A (ja) | 最適ストラテジーを決定するためのシステムおよび方法 | |
CN108810047B (zh) | 用于确定信息推送准确率的方法、装置及服务器 | |
CN107392259B (zh) | 构建不均衡样本分类模型的方法和装置 | |
CN108540508B (zh) | 用于推送信息的方法、装置和设备 | |
CN110866040A (zh) | 用户画像生成方法、装置和系统 | |
CN111062572B (zh) | 任务分配的方法和装置 | |
US11822581B2 (en) | Region information processing method and apparatus | |
CN111626767A (zh) | 资源数据的发放方法、装置及设备 | |
CN109992719B (zh) | 用于确定推送优先级信息的方法和装置 | |
CN114064834A (zh) | 目标地点确定方法及装置、存储介质和电子设备 | |
CN110929106B (zh) | 用于获取目标数据的方法及装置 | |
CN110895699B (zh) | 用于处理图像的特征点的方法和装置 | |
CN109669779B (zh) | 用于确定数据的清理路径、清理数据的方法和设备 | |
CN108777878B (zh) | 用于确定无线接入点的类别的方法及装置 | |
CN113934894A (zh) | 基于指标树的数据显示方法、终端设备 | |
CN108898446B (zh) | 用于输出信息的方法和装置 | |
CN109947830B (zh) | 用于输出信息的方法和装置 | |
CN113434754A (zh) | 确定推荐api服务的方法、装置、电子设备和存储介质 | |
CN113780703A (zh) | 一种指标调整方法和装置 | |
CN111161067A (zh) | 一种交易路由的确定方法和装置 | |
CN112308595A (zh) | 用于确定货品状态的方法和装置 | |
CN113343090B (zh) | 用于推送信息的方法、装置、设备、介质和产品 | |
CN110020211B (zh) | 用户属性影响力的评估方法和装置 | |
CN111199437A (zh) | 一种数据处理方法和装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |