CN111105132A - 目标行为的协同监督方法及装置 - Google Patents
目标行为的协同监督方法及装置 Download PDFInfo
- Publication number
- CN111105132A CN111105132A CN201911087626.XA CN201911087626A CN111105132A CN 111105132 A CN111105132 A CN 111105132A CN 201911087626 A CN201911087626 A CN 201911087626A CN 111105132 A CN111105132 A CN 111105132A
- Authority
- CN
- China
- Prior art keywords
- data
- behavior
- user
- target
- target behavior
- 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
- 230000006399 behavior Effects 0.000 title claims abstract description 231
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000012544 monitoring process Methods 0.000 title claims abstract description 28
- 238000012545 processing Methods 0.000 claims abstract description 23
- 230000010354 integration Effects 0.000 claims abstract description 14
- 230000006870 function Effects 0.000 claims description 24
- 238000010801 machine learning Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 5
- 238000012806 monitoring device Methods 0.000 abstract 1
- 238000011156 evaluation Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 10
- 238000007726 management method Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 9
- 230000002265 prevention Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000012550 audit Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000005111 flow chemistry technique Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 239000004065 semiconductor Substances 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
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q50/06—Energy or water supply
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Alarm Systems (AREA)
Abstract
本公开涉及一种目标行为的协同监督方法及装置。该方法包括:由多个数据源获取用户行为的相关数据;将所述多个数据源的用户行为相关数据进行数据整合处理生成用户特征数据;将所述用户特性数据输入目标行为判定模型中生成目标行为概率,所述目标行为概率表示用户行为中具有目标行为的概率;基于所述目标行为概率生成多个行为监督表格;以及通过所述多个行为监督表格对所述用户进行协同监督。本公开涉及的目标行为的协同监督方法及装置,能够通过多个维度对用户的行为进行判断,并且在用户具有目标行为特征的时候,通过多个维度对用户进行协同监督。
Description
技术领域
本公开涉及计算机信息处理领域,具体而言,涉及一种目标行为的协同监督方法及装置。
背景技术
廉洁建设是新时期公司党组廉政建设的一项重大战略任务,是各个公司战略目标实现的重要保障。但传统岗位小微权力廉洁风险防控存在诸多难点,一是小微权力岗位点多面广,全面核查难度大,存在抓不全的问题;二是小微权力廉洁风险隐蔽性强,以人工核查及经验判断为主,涉及专业多,深入核查难度高,存在抓不准的问题;三是小微权力廉洁风险缺少主动识别技术,以被动呈现为主,曝光率低,防控效率不高。四是现有的监督执纪“四种形态”,大多以事后处理为主,缺少事先预防的机制与方法。
小微权力是在执行岗位权力时,具有重大决策、重大活动、重大项目以及资金、资产、资源管理等管理服务权力。小微权力岗位成为当今社会廉洁风险的高发群体。
目前,供电所小微权力廉洁风险监督和管理过程中,存在如下问题:电所小微权力监督和风险评价缺乏有效的信息化监督手段,小微权力廉洁风险态势分析和主动预防缺乏有效的技术方法,不利于电力公司将廉洁风险防范战线前移,无法有效提升供电所小微权力廉洁风险预防和管控能力。
因此,需要一种新的目标行为的协同监督方法及装置,对廉洁安全性进行评价。
在所述背景技术部分公开的上述信息仅用于加强对本公开的背景的理解,因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
有鉴于此,本公开提供一种目标行为的协同监督方法及装置,能够通过多个维度对用户的行为进行判断,并且在用户具有目标行为特征的时候,通过多个维度对用户进行协同监督。
本公开的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本公开的实践而习得。
根据本公开的一方面,提出一种目标行为的协同监督方法,该方法包括:由多个数据源获取用户行为的相关数据;将所述多个数据源的用户行为相关数据进行数据整合处理生成用户特征数据;将所述用户特性数据输入目标行为判定模型中生成目标行为概率,所述目标行为概率表示用户行为中具有目标行为的概率;基于所述目标行为概率生成多个行为监督表格;以及通过所述多个行为监督表格对所述用户进行协同监督。
在本公开的一种示例性实施例中,还包括:通过具有目标行为的历史用户的相关数据与机器学习模型生成所述目标行为模型。
在本公开的一种示例性实施例中,通过具有目标行为的历史用户的相关数据与机器学习模型生成所述目标行为模型,包括:由历史用户数据中提取出具有目标行为的多个第一用户;由多个数据源获取所述多个第一用户的相关数据;将所述多个数据源的多个第一用户的相关数据进行整合生成多个第一用户特征数据。
在本公开的一种示例性实施例中,还包括:由历史用户数据中提取出不具有目标行为的多个第二用户;由多个数据源获取所述多个第二用户的相关数据;将所述多个数据源的多个第二用户的相关数据进行整合生成多个第二用户特征数据。
在本公开的一种示例性实施例中,还包括:将所述多个第一用户特征数据作为正标签数据;将所述多个第二用户特征数据作为负标签数据;通过所述正标签数据与所述负标签数据对机器学习模型进行训练,生成所述目标行为模型。
在本公开的一种示例性实施例中,通过所述正标签数据与所述负标签数据对机器学习模型进行训练,生成所述目标行为模型,包括:确定目标函数;将所述正标签数据与所述负标签数据代入所述梯度提升模型中;在所述梯度提升模型满足预设目标函数时,生成所述目标行为模型。
在本公开的一种示例性实施例中,在所述梯度提升模型满足预设目标函数时,生成所述目标行为模型,包括:所述梯度提升模型前向传播计算目标函数和损失函数;所述梯度提升模型反向传播更新网络权重;以及根据所述网络权重和损失函数计算目标函数。
在本公开的一种示例性实施例中,基于所述目标行为概率生成多个行为监督表格,包括:由预设的行为监督数据库中提取初始表格;基于所述目标行为概率生成多个行为监督参数;以及基于所述行为监督参数填充所述初始表格以生成所述多个行为监督表格。
在本公开的一种示例性实施例中,通过所述多个行为监督表格对所述用户进行协同监督,包括:将所述多个行为监督表格按照其对应的类别发送至多个管理终端;多个管理终端通过其对应的行为监督表格对所述用户进行协同监督。
根据本公开的一方面,提出一种目标行为的协同监督装置,该装置包括:数据模块,用于由多个数据源获取用户行为的相关数据;特征模块,用于将所述多个数据源的用户行为相关数据进行数据整合处理生成用户特征数据;概率模块,用于将所述用户特性数据输入目标行为判定模型中生成目标行为概率,所述目标行为概率表示用户行为中具有目标行为的概率;表格模块,用于基于所述目标行为概率生成多个行为监督表格;以及监督模块,用于通过所述多个行为监督表格对所述用户进行协同监督。
根据本公开的一方面,提出一种电子设备,该电子设备包括:一个或多个处理器;存储装置,用于存储一个或多个程序;当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如上文的方法。
根据本公开的一方面,提出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如上文中的方法。
根据本公开的目标行为的协同监督方法及装置,由多个数据源获取用户行为的相关数据;将所述多个数据源的用户行为相关数据进行数据整合处理生成用户特征数据;将所述用户特性数据输入目标行为判定模型中生成目标行为概率,所述目标行为概率表示用户行为中具有目标行为的概率;基于所述目标行为概率生成多个行为监督表格;以及通过所述多个行为监督表格对所述用户进行协同监督的方式,能够通过多个维度对用户的行为进行判断,并且在用户具有目标行为特征的时候,通过多个维度对用户进行协同监督。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性的,并不能限制本公开。
附图说明
通过参照附图详细描述其示例实施例,本公开的上述和其它目标、特征及优点将变得更加显而易见。下面描述的附图仅仅是本公开的一些实施例,对于本领域的普通技术人员来讲,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的附图。
图1是根据一示例性实施例示出的一种目标行为的协同监督方法及装置的系统框图。
图2是根据一示例性实施例示出的一种目标行为的协同监督方法的流程图。
图3是根据另一示例性实施例示出的一种目标行为的协同监督方法的流程图。
图4是根据一示例性实施例示出的一种目标行为的协同监督装置的框图。
图5是根据一示例性实施例示出的一种电子设备的框图。
图6是根据一示例性实施例示出的一种计算机可读介质的框图。
具体实施方式
现在将参考附图更全面地描述示例实施例。然而,示例实施例能够以多种形式实施,且不应被理解为限于在此阐述的实施例;相反,提供这些实施例使得本公开将全面和完整,并将示例实施例的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。
此外,所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中,提供许多具体细节从而给出对本公开的实施例的充分理解。然而,本领域技术人员将意识到,可以实践本公开的技术方案而没有特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知方法、装置、实现或者操作以避免模糊本公开的各方面。
附图中所示的方框图仅仅是功能实体,不一定必须与物理上独立的实体相对应。即,可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解,而有的操作/步骤可以合并或部分合并,因此实际执行的顺序有可能根据实际情况改变。
应理解,虽然本文中可能使用术语第一、第二、第三等来描述各种组件,但这些组件不应受这些术语限制。这些术语乃用以区分一组件与另一组件。因此,下文论述的第一组件可称为第二组件而不偏离本公开概念的教示。如本文中所使用,术语“及/或”包括相关联的列出项目中的任一个及一或多者的所有组合。
本领域技术人员可以理解,附图只是示例实施例的示意图,附图中的模块或流程并不一定是实施本公开所必须的,因此不能用于限制本公开的保护范围。
如上文所述,基层供电所是服务于电力客户的基本单元和重要窗口,直接影响供电企业的形象和效益。近几年通过巡察、审计、信访、核查,反映基层供电所“小微权力”问题不同程度存在,潜在诸多廉政风险,为积极推进廉政风险防控机制探索创新和实践,本公开提出了目标行为的协同监督方法及装置,由多个数据源获取用户行为的相关数据,借助文献研究法,总结相关理论方法、汲取同类项目经验教训,将所述多个数据源的用户行为相关数据进行数据整合处理生成用户特征数据;通过专家研讨法,深度融入专业工作,以及机器学习方法建立目标行为判定模型,构建廉洁安全性评价指标体系,促进突出风险识别、风险分析和风险应对三项风险管理程序。
下面借助于具体的实施例,对本公开的目标行为的协同监督方法进行详细描述。
图1是根据一示例性实施例示出的一种目标行为的协同监督方法及装置的系统框图。
如图1所示,系统架构100可以包括数据源服务器101、102、103,网络104和监督服务器105。网络104用以在数据源服务器101、102、103和监督服务器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。
可以使用数据源服务器101、102、103通过网络104与监督服务器105交互,以接收或发送消息等。数据源服务器101、102、103上可以安装有应用客户端应用,例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
数据源服务器101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备,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。
监督服务器105可以是提供各种服务的服务器,例如对数据源服务器101、102、103所存储的用户行为数据进行数据分析的后台管理服务器。后台管理服务器可以对接收到的用户行为数据进行分析等处理,并将处理结果(例如行为监督表格、目标行为概率)反馈给管理人员。
监督服务器105可例如由多个数据源服务器101、102、103获取用户行为的相关数据;监督服务器105可例如将所述多个数据源的用户行为相关数据进行数据整合处理生成用户特征数据;监督服务器105可例如将所述用户特性数据输入目标行为判定模型中生成目标行为概率,所述目标行为概率表示用户行为中具有目标行为的概率;监督服务器105可例如基于所述目标行为概率生成多个行为监督表格;监督服务器105可例如通过所述多个行为监督表格对所述用户进行协同监督。
监督服务器105可以是一个实体的服务器,还可例如为多个服务器组成,需要说明的是,本公开实施例所提供的目标行为的协同监督方法可以由监督服务器105执行,相应地,目标行为的协同监督装置可以设置于监督服务器105中。而存储用户行为数据的数据端位于数据源服务器101、102、103中。
图2是根据一示例性实施例示出的一种目标行为的协同监督方法的流程图。目标行为的协同监督方法20至少包括步骤S202至S210。
如图2所示,在S202中,由多个数据源获取用户行为的相关数据。其中,多个数据源可包括:各个基层供电所存储的用户行为数据、上一级部门存储的用户行为数据。
在S204中,将所述多个数据源的用户行为相关数据进行数据整合处理生成用户特征数据。
因为获得的原始数据里面有非常多的脏数据甚至错误数据,需要进行数据清洗和数据整合处理,具体可包括:
1.异常值分析过滤,异常值分析过滤是分析检验数据中是否有错误数据或者不合理的数据。如果有,则将这些数据剔除。
2.数据类型检查,例如年龄这个属性,应该全是数值类型。但是很多时候这个字段出现了字符串类型的值,很明显这就是异常值,需要进行相应的处理。
3.特殊字符处理,如果原始数据某些字段中存在换行符空格制表符等特殊字符,绝大部分情况下会影响后面进一步的分析。所以需要根据业务需求处理掉这些特殊字符。
在S206中,将所述用户特性数据输入目标行为判定模型中生成目标行为概率,所述目标行为概率表示用户行为中具有目标行为的概率。
其中,所述目标行为判断模型可通过机器学习模型生成。
在S208中,基于所述目标行为概率生成多个行为监督表格。可包括:由预设的行为监督数据库中提取初始表格;基于所述目标行为概率生成多个行为监督参数;以及基于所述行为监督参数填充所述初始表格以生成所述多个行为监督表格。
在获取目标行为概率之后,可例如A用户的目标行为概率为0.7,则代表用户有较大的几率具有目标行为(贪腐行为),这个时候可在数据库中进一步提取行为监督表格,监督表格可分为6个评价要素维度、70个评价指标。其中业务规范维度评价指标19个、行为规范维度评价指标15个、组织架构维度评价指标7个、制度标准维度评价指标11个、意识形态维度评价指标8个、社会环境维度评价指标10个。
所有评价指标区分为过程类指标和监控类指标,其中过程类指标55个,监控类指标15个。
监督表格中总分为100分,业务规范、行为规范、组织架构、制度标准、意识形态、社会环境六个评价要素的权重分别为28.4%、22%、9%、16.3%、11.7%、12.6%。
将用户行为参数依次代入上述表格中确定最终得分。
在S210中,通过所述多个行为监督表格对所述用户进行协同监督。包括:将所述多个行为监督表格按照其对应的类别发送至多个管理终端;多个管理终端通过其对应的行为监督表格对所述用户进行协同监督。
将最终得分发送到管理人员处,以便管理终员通过其对应的行为监督表格对所述用户进行协同监督。
管理员可继续根据表格中的指标对用户进行协同监督,其中可设定指标分为A、B、C、D、E五个等级,并且为五个等级分别设定评价标准,设定计算规则统一折算指标得分:A级为指标分值的100%;B级为指标分值的75%;C级为指标分值的50%;D级为指标分值的25%;E级为0分。监控类指标为加/扣分项,监控类指标在评价要素维度得分中扣除,扣完为止。
根据本公开的目标行为的协同监督方法及装置,由多个数据源获取用户行为的相关数据;将所述多个数据源的用户行为相关数据进行数据整合处理生成用户特征数据;将所述用户特性数据输入目标行为判定模型中生成目标行为概率,所述目标行为概率表示用户行为中具有目标行为的概率;基于所述目标行为概率生成多个行为监督表格;以及通过所述多个行为监督表格对所述用户进行协同监督的方式,能够通过多个维度对用户的行为进行判断,并且在用户具有目标行为特征的时候,通过多个维度对用户进行协同监督。
应清楚地理解,本公开描述了如何形成和使用特定示例,但本公开的原理不限于这些示例的任何细节。相反,基于本公开公开的内容的教导,这些原理能够应用于许多其它实施例。
图3是根据另一示例性实施例示出的一种目标行为的协同监督方法及装置的流程图。图3所示的流程是对“通过具有目标行为的历史用户的相关数据与机器学习模型生成所述目标行为模型”的详细描述,
如图3所示,在S302中,由历史用户数据中提取出具有目标行为的多个第一用户。
在S304中,由多个数据源获取所述多个第一用户的相关数据。
在S306中,将所述多个数据源的多个第一用户的相关数据进行整合生成多个第一用户特征数据,并作为正标签数据。
在S308中,由历史用户数据中提取出不具有目标行为的多个第二用户。
在S310中,由多个数据源获取所述多个第二用户的相关数据。
在S312中,将所述多个数据源的多个第二用户的相关数据进行整合生成多个第二用户特征数据,并作为负标签数据。
在S314中,通过所述正标签数据与所述负标签数据对机器学习模型进行训练,生成所述目标行为模型。
在一个实施例中,通过所述正标签数据与所述负标签数据对机器学习模型进行训练,生成所述目标行为模型,包括:确定目标函数;将所述正标签数据与所述负标签数据代入所述梯度提升模型中;在所述梯度提升模型满足预设目标函数时,生成所述目标行为模型。
在一个实施例中,在所述梯度提升模型满足预设目标函数时,生成所述目标行为模型,包括:所述梯度提升模型前向传播计算目标函数和损失函数;所述梯度提升模型反向传播更新网络权重;以及根据所述网络权重和损失函数计算目标函数。
本领域技术人员可以理解实现上述实施例的全部或部分步骤被实现为由CPU执行的计算机程序。在该计算机程序被CPU执行时,执行本公开提供的上述方法所限定的上述功能。所述的程序可以存储于一种计算机可读存储介质中,该存储介质可以是只读存储器,磁盘或光盘等。
此外,需要注意的是,上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明,而不是限制目的。易于理解,上述附图所示的处理并不表明或限制这些处理的时间顺序。另外,也易于理解,这些处理可以是例如在多个模块中同步或异步执行的。
下述为本公开装置实施例,可以用于执行本公开方法实施例。对于本公开装置实施例中未披露的细节,请参照本公开方法实施例。
图4是根据一示例性实施例示出的一种目标行为的协同监督装置的框图。如图4所示,目标行为的协同监督装置40包括:数据模块402,特征模块404,概率模块406,表格模块408,以及监督模块410。
数据模块402用于由多个数据源获取用户行为的相关数据;
特征模块404用于将所述多个数据源的用户行为相关数据进行数据整合处理生成用户特征数据;
概率模块406用于将所述用户特性数据输入目标行为判定模型中生成目标行为概率,所述目标行为概率表示用户行为中具有目标行为的概率;
表格模块408用于基于所述目标行为概率生成多个行为监督表格;以及
监督模块410用于通过所述多个行为监督表格对所述用户进行协同监督。
根据本公开的目标行为的协同监督方法及装置,由多个数据源获取用户行为的相关数据;将所述多个数据源的用户行为相关数据进行数据整合处理生成用户特征数据;将所述用户特性数据输入目标行为判定模型中生成目标行为概率,所述目标行为概率表示用户行为中具有目标行为的概率;基于所述目标行为概率生成多个行为监督表格;以及通过所述多个行为监督表格对所述用户进行协同监督的方式,能够通过多个维度对用户的行为进行判断,并且在用户具有目标行为特征的时候,通过多个维度对用户进行协同监督。
图5是根据一示例性实施例示出的一种电子设备的框图。
下面参照图5来描述根据本公开的这种实施方式的电子设备200。图6显示的电子设备200仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图5所示,电子设备200以通用计算设备的形式表现。电子设备200的组件可以包括但不限于:至少一个处理单元210、至少一个存储单元220、连接不同系统组件(包括存储单元220和处理单元210)的总线230、显示单元240等。
其中,所述存储单元存储有程序代码,所述程序代码可以被所述处理单元210执行,使得所述处理单元210执行本说明书上述电子处方流转处理方法部分中描述的根据本公开各种示例性实施方式的步骤。例如,所述处理单元210可以执行如图2,图3中所示的步骤。
所述存储单元220可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)2201和/或高速缓存存储单元2202,还可以进一步包括只读存储单元(ROM)2203。
所述存储单元220还可以包括具有一组(至少一个)程序模块2205的程序/实用工具2204,这样的程序模块2205包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线230可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备200也可以与一个或多个外部设备300(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电子设备200交互的设备通信,和/或与使得该电子设备200能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口250进行。并且,电子设备200还可以通过网络适配器260与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。网络适配器260可以通过总线230与电子设备200的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备200使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,如图6所示,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、或者网络设备等)执行根据本公开实施方式的上述方法。
所述软件产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、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。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(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。
所述计算机可读存储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,其中承载了可读程序代码。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。可读存储介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、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。可读存储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、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
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一个该设备执行时,使得该计算机可读介质实现如下功能:由多个数据源获取用户行为的相关数据;将所述多个数据源的用户行为相关数据进行数据整合处理生成用户特征数据;将所述用户特性数据输入目标行为判定模型中生成目标行为概率,所述目标行为概率表示用户行为中具有目标行为的概率;基于所述目标行为概率生成多个行为监督表格;以及通过所述多个行为监督表格对所述用户进行协同监督。
本领域技术人员可以理解上述各模块可以按照实施例的描述分布于装置中,也可以进行相应变化唯一不同于本实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块,也可以进一步拆分成多个子模块。
通过以上的实施例的描述,本领域的技术人员易于理解,这里描述的示例实施例可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施例的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本公开实施例的方法。
以上具体地示出和描述了本公开的示例性实施例。应可理解的是,本公开不限于这里描述的详细结构、设置方式或实现方法;相反,本公开意图涵盖包含在所附权利要求的精神和范围内的各种修改和等效设置。
Claims (10)
1.一种目标行为的协同监督方法,其特征在于,包括:
由多个数据源获取用户行为的相关数据;
将所述多个数据源的用户行为相关数据进行数据整合处理生成用户特征数据;
将所述用户特性数据输入目标行为判定模型中生成目标行为概率,所述目标行为概率表示用户行为中具有目标行为的概率;
基于所述目标行为概率生成多个行为监督表格;以及
通过所述多个行为监督表格对所述用户进行协同监督。
2.如权利要求1所述的方法,其特征在于,还包括:
通过具有目标行为的历史用户的相关数据与机器学习模型生成所述目标行为模型。
3.如权利要求2所述的方法,其特征在于,通过具有目标行为的历史用户的相关数据与机器学习模型生成所述目标行为模型,包括:
由历史用户数据中提取出具有目标行为的多个第一用户;
由多个数据源获取所述多个第一用户的相关数据;
将所述多个数据源的多个第一用户的相关数据进行整合生成多个第一用户特征数据。
4.如权利要求3所述的方法,其特征在于,还包括:
由历史用户数据中提取出不具有目标行为的多个第二用户;
由多个数据源获取所述多个第二用户的相关数据;
将所述多个数据源的多个第二用户的相关数据进行整合生成多个第二用户特征数据。
5.如权利要求4所述的方法,其特征在于,还包括:
将所述多个第一用户特征数据作为正标签数据;
将所述多个第二用户特征数据作为负标签数据;
通过所述正标签数据与所述负标签数据对机器学习模型进行训练,生成所述目标行为模型。
6.如权利要求1所述的方法,其特征在于,通过所述正标签数据与所述负标签数据对机器学习模型进行训练,生成所述目标行为模型,包括:
确定目标函数;
将所述正标签数据与所述负标签数据代入所述梯度提升模型中;
在所述梯度提升模型满足预设目标函数时,生成所述目标行为模型。
7.如权利要求6所述的方法,其特征在于,在所述梯度提升模型满足预设目标函数时,生成所述目标行为模型,包括:
所述梯度提升模型前向传播计算目标函数和损失函数;
所述梯度提升模型反向传播更新网络权重;以及
根据所述网络权重和损失函数计算目标函数。
8.如权利要求1所述的方法,其特征在于,基于所述目标行为概率生成多个行为监督表格,包括:
由预设的行为监督数据库中提取初始表格;
基于所述目标行为概率生成多个行为监督参数;以及
基于所述行为监督参数填充所述初始表格以生成所述多个行为监督表格。
9.如权利要求1所述的方法,其特征在于,通过所述多个行为监督表格对所述用户进行协同监督,包括:
将所述多个行为监督表格按照其对应的类别发送至多个管理终端;
多个管理终端通过其对应的行为监督表格对所述用户进行协同监督。
10.一种目标行为的协同监督装置,其特征在于,包括:
数据模块,用于由多个数据源获取用户行为的相关数据;
特征模块,用于将所述多个数据源的用户行为相关数据进行数据整合处理生成用户特征数据;
概率模块,用于将所述用户特性数据输入目标行为判定模型中生成目标行为概率,所述目标行为概率表示用户行为中具有目标行为的概率;
表格模块,用于基于所述目标行为概率生成多个行为监督表格;以及
监督模块,用于通过所述多个行为监督表格对所述用户进行协同监督。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911087626.XA CN111105132A (zh) | 2019-11-08 | 2019-11-08 | 目标行为的协同监督方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911087626.XA CN111105132A (zh) | 2019-11-08 | 2019-11-08 | 目标行为的协同监督方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111105132A true CN111105132A (zh) | 2020-05-05 |
Family
ID=70420499
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911087626.XA Pending CN111105132A (zh) | 2019-11-08 | 2019-11-08 | 目标行为的协同监督方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111105132A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160321498A1 (en) * | 2007-01-12 | 2016-11-03 | International Business Machines Corporation | Warning a user about adverse behaviors of others within an environment based on a 3d captured image stream |
CN106650273A (zh) * | 2016-12-28 | 2017-05-10 | 东方网力科技股份有限公司 | 一种行为预测方法和装置 |
CN109034584A (zh) * | 2018-07-17 | 2018-12-18 | 国网浙江杭州市临安区供电有限公司 | 基于大数据的供电所廉洁风险隐患分析方法 |
CN109064032A (zh) * | 2018-08-06 | 2018-12-21 | 国网浙江杭州市临安区供电有限公司 | 基于企业云平台的供电所小微权力廉洁风险监督管控系统 |
CN109190907A (zh) * | 2018-08-06 | 2019-01-11 | 国网浙江杭州市临安区供电有限公司 | 基于大数据的供电所小微权力廉洁风险指数构建方法 |
CN109508825A (zh) * | 2018-11-12 | 2019-03-22 | 平安科技(深圳)有限公司 | 员工行为风险预警方法及相关装置 |
CN109523296A (zh) * | 2018-10-12 | 2019-03-26 | 中国平安人寿保险股份有限公司 | 用户行为概率分析方法及装置、电子设备、存储介质 |
CN109918899A (zh) * | 2019-01-23 | 2019-06-21 | 平安科技(深圳)有限公司 | 服务器、员工泄露企业信息的预测方法及存储介质 |
-
2019
- 2019-11-08 CN CN201911087626.XA patent/CN111105132A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160321498A1 (en) * | 2007-01-12 | 2016-11-03 | International Business Machines Corporation | Warning a user about adverse behaviors of others within an environment based on a 3d captured image stream |
CN106650273A (zh) * | 2016-12-28 | 2017-05-10 | 东方网力科技股份有限公司 | 一种行为预测方法和装置 |
CN109034584A (zh) * | 2018-07-17 | 2018-12-18 | 国网浙江杭州市临安区供电有限公司 | 基于大数据的供电所廉洁风险隐患分析方法 |
CN109064032A (zh) * | 2018-08-06 | 2018-12-21 | 国网浙江杭州市临安区供电有限公司 | 基于企业云平台的供电所小微权力廉洁风险监督管控系统 |
CN109190907A (zh) * | 2018-08-06 | 2019-01-11 | 国网浙江杭州市临安区供电有限公司 | 基于大数据的供电所小微权力廉洁风险指数构建方法 |
CN109523296A (zh) * | 2018-10-12 | 2019-03-26 | 中国平安人寿保险股份有限公司 | 用户行为概率分析方法及装置、电子设备、存储介质 |
CN109508825A (zh) * | 2018-11-12 | 2019-03-22 | 平安科技(深圳)有限公司 | 员工行为风险预警方法及相关装置 |
CN109918899A (zh) * | 2019-01-23 | 2019-06-21 | 平安科技(深圳)有限公司 | 服务器、员工泄露企业信息的预测方法及存储介质 |
Non-Patent Citations (1)
Title |
---|
朱嫱: "浅议电力施工企业如何强化廉政风险防控" * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109460664B (zh) | 风险分析方法、装置、电子设备及计算机可读介质 | |
US20200151392A1 (en) | System and method automated analysis of legal documents within and across specific fields | |
US20140149411A1 (en) | Building, reusing and managing authored content for incident management | |
US8478624B1 (en) | Quality of records containing service data | |
US11853337B2 (en) | System to determine a credibility weighting for electronic records | |
CN111210335B (zh) | 用户风险识别方法、装置及电子设备 | |
US20170269971A1 (en) | Migrating enterprise workflows for processing on a crowdsourcing platform | |
CN104077347A (zh) | 用于剖析通信网络上的社交潮流引领者的方法和系统 | |
CN112016796B (zh) | 综合风险评分请求处理方法、装置及电子设备 | |
CN111145009A (zh) | 用户贷后风险评估方法、装置及电子设备 | |
CN111179051A (zh) | 金融目标客户确定方法、装置及电子设备 | |
CN111178701B (zh) | 一种基于特征衍生技术的风险控制方法方法、装置和电子设备 | |
CN111221881B (zh) | 用户特征数据合成方法、装置及电子设备 | |
CN114997263B (zh) | 基于机器学习的结训率分析方法、装置、设备及存储介质 | |
CN111190967B (zh) | 用户多维度数据处理方法、装置及电子设备 | |
CN114398465A (zh) | 互联网服务平台的异常处理方法、装置和计算机设备 | |
CN112925914B (zh) | 数据安全分级方法、系统、设备及存储介质 | |
US20200097866A1 (en) | Project resource risk management | |
US20140129561A1 (en) | Risk analysis using unstructured data | |
CN113610625A (zh) | 逾期风险警示方法、装置及电子设备 | |
CN113610366A (zh) | 风险警告生成方法、装置及电子设备 | |
CN109472518B (zh) | 基于区块链的销售行为评价方法及装置、介质和电子设备 | |
CN112256884A (zh) | 一种基于知识图谱的数据资产库访问方法和装置 | |
US11782923B2 (en) | Optimizing breakeven points for enhancing system performance | |
CN111105132A (zh) | 目标行为的协同监督方法及装置 |
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 |