CN111144429B - 对象分类方法及其系统、计算机系统及计算机可读介质 - Google Patents
对象分类方法及其系统、计算机系统及计算机可读介质 Download PDFInfo
- Publication number
- CN111144429B CN111144429B CN201811306989.3A CN201811306989A CN111144429B CN 111144429 B CN111144429 B CN 111144429B CN 201811306989 A CN201811306989 A CN 201811306989A CN 111144429 B CN111144429 B CN 111144429B
- Authority
- CN
- China
- Prior art keywords
- training
- sample
- data
- classification model
- characteristic data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000013145 classification model Methods 0.000 claims abstract description 81
- 238000012549 training Methods 0.000 claims description 84
- 238000012795 verification Methods 0.000 claims description 30
- 238000012545 processing Methods 0.000 claims description 22
- 238000012937 correction Methods 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 20
- 238000011161 development Methods 0.000 description 15
- 238000004590 computer program Methods 0.000 description 11
- 230000008901 benefit Effects 0.000 description 10
- 238000003066 decision tree Methods 0.000 description 10
- 230000015654 memory Effects 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000007635 classification algorithm Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000011835 investigation Methods 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 2
- 238000009472 formulation Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000003550 marker Substances 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000004806 packaging method and process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 239000000758 substrate Substances 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Game Theory and Decision Science (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
Abstract
本公开提供了一种对象分类方法,包括:获取样本对象的地址画像,其中,地址画像包括样本对象的第一对象标识和样本对象的第一特征数据,基于地址画像,确定分类模型,其中,分类模型用于依据输入的特征数据对目标对象进行分类,以及将目标对象的第二特征数据输入至分类模型中,得到目标对象的第二对象标识,以对目标对象进行分类。此外,本公开还提供了一种对象分类系统,一种计算机系统以及一种计算机可读存储介质。
Description
技术领域
本公开涉及数据处理领域,更具体地,涉及一种对象分类方法及其系统,一种计算机系统及一种计算机可读存储介质。
背景技术
现代大型连锁企业或成熟商业组织,通常会选择性地开设线下实体店,以期为用户提供便捷的服务的同时,提升经济效益和竞争力。因此,店面选址合理性显得异常重要。
然而,在实现本公开构思的过程中,发明人发现相关技术中至少存在如下问题:相关技术中,对拟选地址进行分类,以确定该地址是否为可行的地址,主要依赖于人的经验,主观性较强,难以大范围推广,不利于规模化发展。
针对相关技术中的上述问题,目前还未提出有效的解决方案。
发明内容
有鉴于此,本公开提供了一种对象分类方法及其系统,一种计算机系统及一种计算机可读存储介质。
本公开的一个方面提供了一种对象分类方法,包括:获取样本对象的地址画像,其中,上述地址画像包括上述样本对象的第一对象标识和上述样本对象的第一特征数据;基于上述地址画像,确定分类模型,其中,上述分类模型用于依据输入的特征数据对目标对象进行分类;以及将上述目标对象的第二特征数据输入至上述分类模型中,得到上述目标对象的第二对象标识,以对上述目标对象进行分类。
根据本公开的实施例,上述获取上述样本对象的第一特征数据包括:基于上述样本对象,确定以上述样本对象确定出的第一区域为中心,第一预设距离为半径的第二区域;针对上述样本对象,获取上述第二区域范围内的历史交易数据;以及基于上述历史交易数据,提取上述样本对象的第一特征数据。
根据本公开的实施例,上述基于上述地址画像,确定分类模型包括:基于上述地址画像,获取包含有训练对象的训练数据集,其中,上述训练对象包括至少一个样本对象;以及对上述训练数据集中的第三特征数据进行训练,已得到包含有非叶子节点和叶子节点的分类模型,其中,上述非叶子节点为第三特征数据,上述叶子节点为上述第三对象标识。
根据本公开的实施例,上述方法还包括:获取包含有校验对象的第四对象标识和上述校验对象的第四特征数据,其中,上述校验对象包括上述样本对象中除上述训练对象之外的对象;将上述校验对象的第四特征数据输入至上述分类模型中,以得到上述校验对象的实际对象标识,检测上述第四对象标识与上述实际对象标识是否一致;以及在上述第四对象标识与上述实际对象标识不一致的情况下,对上述分类模型进行修正以得到新分类模型。
根据本公开的实施例,上述对上述训练数据集中的第三特征数据进行训练包括:对上述训练数据集中的第三特征数据进行标准化处理,以得到标准化后的特征数据;以及对上述标准化后的特征数据进行训练。
本公开的另一个方面提供了一种对象分类系统,包括:第一获取模块,用于获取样本对象的地址画像,其中,上述地址画像包括上述样本对象的第一对象标识和上述样本对象的第一特征数据;确定模块,用于基于上述地址画像,确定分类模型,其中,上述分类模型用于依据输入的特征数据对目标对象进行分类;以及分类模块,用于将上述目标对象的第二特征数据输入至上述分类模型中,得到上述目标对象的第二对象标识,以对上述目标对象进行分类。
根据本公开的实施例,上述第一获取模块包括:确定子模块,用于基于上述样本对象,确定以上述样本对象确定出的第一区域为中心,第一预设距离为半径的第二区域;第一获取子模块,用于针对上述样本对象,获取上述第二区域范围内的历史交易数据;以及提取子模块,用于基于上述历史交易数据,提取上述样本对象的第一特征数据。
根据本公开的实施例,上述确定模块包括:第二获取子模块,用于基于上述地址画像,获取包含有训练对象的训练数据集,其中,上述训练对象包括至少一个样本对象;以及训练子模块,用于对上述训练数据集中的第三特征数据进行训练,已得到包含有非叶子节点和叶子节点的分类模型,其中,上述非叶子节点为第三特征数据,上述叶子节点为上述第三对象标识。
根据本公开的实施例,上述系统还包括:第二获取模块,用于获取包含有校验对象的第四对象标识和上述校验对象的第四特征数据,其中,上述校验对象包括上述样本对象中除上述训练对象之外的对象;处理模块,用于将上述校验对象的第四特征数据输入至上述分类模型中,以得到上述校验对象的实际对象标识;检测模块,用于检测上述第四对象标识与上述实际对象标识是否一致;以及修正模块,用于在上述第四对象标识与上述实际对象标识不一致的情况下,对上述分类模型进行修正以得到新分类模型。
根据本公开的实施例,上述训练子模块包括:处理单元,用于对上述训练数据集中的第三特征数据进行标准化处理,以得到标准化后的特征数据;以及训练单元,用于对上述标准化后的特征数据进行训练。
本公开的另一方面提供了一种计算机可读存储介质,存储有计算机可执行指令,所述指令在被执行时用于实现如上所述的方法。
本公开的另一方面提供了一种计算机程序,所述计算机程序包括计算机可执行指令,所述指令在被执行时用于实现如上所述的方法。
根据本公开的实施例,可以至少部分地克服相关技术中对拟选地址进行分类,以确定该地址是否为可行的地址时,主要依赖于人的经验,主观性较强,难以大范围推广,不利于规模化发展的技术问题,并因此可以实现利用包含有对象标识以及特征数据的样本对象的地址画像数据等大数据,来确定分类模型,得到目标样本的对象标识以实现对目标对象分类,达到分类结果依赖于大数据,而并非依靠人的经验,客观性强,可以大范围推广,利用规模化发展技术效果。
附图说明
通过以下参照附图对本公开实施例的描述,本公开的上述以及其他目的、特征和优点将更为清楚,在附图中:
图1A示意性示出了根据本公开实施例的对象分类方法和对象分类系统的应用场景;
图1B示意性示出了根据本公开实施例的对象分类方法的应用场景;
图2示意性示出了根据本公开实施例的对象分类方法的流程图;
图3A示意性示出了根据本公开实施例的获取样本对象的第一特征数据的流程图;
图3B示意性示出了根据本公开实施例的基于地址画像,确定分类模型的流程图;
图3C示意性示出了根据本公开实施例的分类模型的示意图;
图3D示意性示出了根据本公开另一实施例的对象分类方法的流程图;
图3E示意性示出了根据本公开实施例的对训练数据集中的第三特征数据进行训练的流程图;
图3F示意性示出了根据本公开实施例的对象分类方法的整体流程图;
图4示意性示出了根据本公开实施例的对象分类系统的框图;
图5A示意性示出了根据本公开实施例的第一获取模块的框图;
图5B示意性示出了根据本公开实施例的确定模块的框图;
图5C示意性示出了根据本公开另一实施例的对象分类系统的框图;
图5D示意性示出了根据本公开实施例的训练子模块的框图;以及
图6示意性示出了根据本公开实施例的适于实现对象分类方法及其对象分类系统的计算机系统的框图。
具体实施方式
以下,将参照附图来描述本公开的实施例。但是应该理解,这些描述只是示例性的,而并非要限制本公开的范围。在下面的详细描述中,为便于解释,阐述了许多具体的细节以提供对本公开实施例的全面理解。然而,明显地,一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本公开的概念。
在此使用的术语仅仅是为了描述具体实施例,而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在,但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义,除非另外定义。应注意,这里使用的术语应解释为具有与本说明书的上下文相一致的含义,而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下,一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如,“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。在使用类似于“A、B或C等中至少一个”这样的表述的情况下,一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如,“具有A、B或C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。本领域技术人员还应理解,实质上任意表示两个或更多可选项目的转折连词和/或短语,无论是在说明书、权利要求书还是附图中,都应被理解为给出了包括这些项目之一、这些项目任一方、或两个项目的可能性。例如,短语“A或B”应当被理解为包括“A”或“B”、或“A和B”的可能性。
本公开提供了一种对象分类方法,包括:获取样本对象的地址画像,其中,地址画像包括样本对象的第一对象标识和样本对象的第一特征数据,基于地址画像,确定分类模型,其中,分类模型用于依据输入的特征数据对目标对象进行分类,以及将目标对象的第二特征数据输入至分类模型中,得到目标对象的第二对象标识,以对目标对象进行分类。
本公开实施例提供的对象分类方法可以适应于任何需要对目标对象进行分类的场景。
图1A示意性示出了根据本公开实施例的对象分类方法和对象分类系统的应用场景100。需要注意的是,图1A所示仅为可以应用本公开实施例的系统架构的示例,以帮助本领域技术人员理解本公开的技术内容,但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。
如图1A所示,根据该实施例的应用场景100可以包括样本对象,地址画像,目标对象,其中,样本对象包括样本对象A,样本对象B,样本对象C和样本对象D,地址画像包括对象标识和特征数据,将目标对象输入由样本对象训练确定的分类模型中,即可得出目标对象的分类结果。
应该理解,通常样本对象的数量是海量的,图1A中的样本对象和目标对象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样本对象和目标对象,本公开不做限定。
图1B示意性示出了根据本公开实施例的对象分类方法的应用场景。下文将以图1B所示的应用场景为例,来详细阐述本公开实施例的技术思路。金融小站是某网络平台在全国范围内的县域、乡镇、村屯建立的便民金融服务渠道,是全方位金融服务的线下实体店。目前已经建立数千家金融小站(如图1B所示的金融小站a,金融小站b,金融小站c和金融小站d),在未来还会发展和扩充更多的小站(如图1B所示的拟建小站e),根据大数据提供的基础数据,对已建的金融小站进行打标,以获得已建金融小站的标识信息,最终根据分类模型确定拟建小站的标识信息,即分类结果,实现对拟建小站是否发展和扩充的判断。
需要说明的是,图1B中所示的已建的金融小站a,金融小站b,金融小站c和金融小站d对应于图1A中所示的样本对象,图1B中所示的拟建小站e对应于图1A中所示的输入分类模型的目标对象,可以理解的是,通常已建的金融小站的数量是海量的,而图1B中所示的金融小站的数目和拟建小站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金融小站和拟建小站,本公开不做限定。
图2示意性示出了根据本公开实施例的对象分类方法的流程图。
如图2所示,该方法包括操作S210~S230。其中:
在操作S210,获取样本对象的地址画像。
在操作S220,基于地址画像,确定分类模型。
在操作S230,将目标对象的第二特征数据输入至分类模型中,得到目标对象的第二对象标识,以对目标对象进行分类。
根据本公开的实施例,对象可以包括但不限于金融小站,对象可以包括样本对象和目标对象,样本对象可以是已建的金融小站,目标对象可以是拟建小站。
根据本公开的实施例,样本对象的地址画像包括但不限于样本对象的对象标识和样本对象的特征数据。其中,对象标识是样本对象的分类结果,可以根据不同的分类标准实现对样本对象的分类,本公开不做限定。考虑到经济效益,可以利用该样本对象所能产生的经济效益对样本对象的分类标准,使得对象标识是经验效益的直接表征,可以理解的是,根据实际情况,可以采用任意公知的衡量标准来确定对象标识,本公开不做限定。
以本公开实施例的金融小站为例,要实现根据经济效益对该小站进行标识,已得到该金融小站的分类结果,可以参考该小站站主的月佣金信息,根据站主的月佣金对小站进行打标,具体地,可以根据该小站的地址信息结合该地址当地的经济情况,确定一个月佣金的预设金额,若站主的月佣金大于该预设金额,则表明该小站经济效益较好,标记为标杆小站,若站主的月佣金小于该预设金额,则表明该小站经济效益较差,标记为非标杆小站,如预设金额为1000元,将月佣金高于该预设金额如1000元的小站标记为标杆小站(如图1B中所示的金融小站c),月佣金低于1000元的小站标记为非标杆小站(如图1B中所示的金融小站a,金融小站b,金融小站d),通过对每一个小站分类得到各个小站的标识。
可以理解的是,标杆小站是具有较高经营效益和较强竞争力的小站,拟建的小站也期望其是具有较高经营效益和较强竞争力的标杆小站,因此,当拟建小站的分类结果为标杆小站的情况下,则表明该小站为可以发展和扩充的小站,当拟建小站的分类结果为非标杆小站的情况下,则表明该小站不为可以发展和扩充的小站。
根据本公开的实施例,特征数据是对象的突出性质,是影响对象收益的关键因素。分类模型是基于样本对象的地址画像数据确定的,由海量的样本对象的对象标识和特征数据训练得出,用于依据输入的特征数据对目标对象进行分类。将目标对象的特征数据输入该训练好的分类模型,即可获得该目标对象的分类结果。
以本公开实施例的金融小站为例,将拟建小站e的特征数据输入该分类模型后,得出拟建小站e的标识(标杆小站或非标杆小站)。在获得多个拟建小站的标识结果的情况下,可以结合地图应用程序编程接口(Application Programming Interface,简称为API),将多个“标杆小站”呈现在地图上,供选址人员参考和挑选,并根据实际情况最终决定是否建立该拟建小站。
相关技术中,金融小站的选址方式主要依靠布局在线下的主管,通过实地走访进行考察,结合实际情况从拥有线下门店的金融合伙人中挑选出站主,进而确定小站的位置,因此,小站选址完全由线下主管决定,主观性强、偶然性大,主管线下考察,耗时长、成本高,难以大范围推广,不利于小站规模化发展,且选址信息的上报依赖于主管,一旦出现人员调动或其他风险,易造成混乱,难以对小站溯源。
而本公开实施例的对象分类方法,基于数据挖掘技术,实现客观、准确的选址方案,利用机器学习算法,构建小站选址分类模型,可以对全国任意拟建小站的商圈进行分类,降低了前期调研成本,实现小站在全国范围内的快速推广和规模化发展,且选址信息筛选取决于公司,即使相关发生人员调动,运营人员也可以追根溯源,对小站不会产生影响。
通过本公开的实施例,可以至少部分地克服相关技术中对拟选地址进行分类,以确定该地址是否为可行的地址时,主要依赖于人的经验,主观性较强,难以大范围推广,不利于规模化发展的技术问题,并因此可以实现利用包含有对象标识以及特征数据的样本对象的地址画像数据等大数据,来确定分类模型,得到目标样本的对象标识以实现对目标对象分类,达到分类结果依赖于大数据,而并非人的经验,客观性强,可以大范围推广,利用规模化发展技术效果。
下面参考图3A~图3F,结合具体实施例对图2所示的方法做进一步说明。
图3A示意性示出了根据本公开实施例的获取样本对象的第一特征数据的流程图。
如图3A所示,该方法包括S311~S313。其中:
在操作S311,基于样本对象,确定以样本对象确定出的第一区域为中心,第一预设距离为半径的第二区域。
在操作S312,针对样本对象,获取第二区域范围内的历史交易数据。
在操作S313,基于历史交易数据,提取样本对象的第一特征数据。
表1
根据本公开的实施例,特征数据可以借助存储于Hadoop技术的大数据平台的海量数据获取。
可以理解的是,本公开实施例涉及的对象是一个具体的地点,要实现对该地点的准确分类,仅仅依靠该地点的数据是远远不够的,因此,根据本公开的实施例,将以样本对象确定出的第一区域为中心,第一预设距离为半径确定出第二区域,依托用户交易数据获取在第二区域范围内的经济圈信息,将样本对象转换为样本信息。
具体地,可以是以已建小站(如图1B中所述的金融小站a,金融小站b,金融小站c和金融小站d)为中心,预设距离1.5公里为半径的一个区域称为一个商圈,对于每一个已建小站,依托用户交易数据获取其周边1.5公里范围内的经济圈信息,包括人口统计信息、消费信息、白条交易、理财、信用和风险等信息。以将所有已建小站转换为小站商圈,将这些商圈作为样本。
根据本公开的实施例,可以结合商圈地址画像数据和实际情况,最终选取如表1所示的6个变量作为小站的特征数据,分别是:
特征A:年活跃用户数,门槛值为500;
特征B:年度实名用户占比,门槛值为50%;
特征C:近一季度信用额度标准差,门槛值为2;
特征D:近季度已用信用额度占比标准差,门槛值为5;
特征E:近一季度订单(活跃用户),门槛值为500;
近一季度信用评分均值,门槛值为8(满分为10分)。
需要说明的是,特征数据受样本对象,预设距离,历史交易数据等的影响,因此,不同的样本对象,预设距离,历史交易数据可能提取出的特征数据不同,上述表1所列的特征数据以及门槛值仅仅是示意性的,并不是对特征数据的具体限定,以根据结合小站商圈地址画像和实际情况,提取的特征数据为准,提取方法本公开不做限定,只要特征数据能够反映小站(包括已建小站和拟建小站)具有的某些突出性质且是影响小站收益的关键因素即可。
通过本公开的实施例,基于样本对象,获取样本对象确定的区域范围,基于该范围内的交易数据提取第一特征数据,可以利用大数据确定样本对象的数据,为模型建立提供可靠的数据支撑,提高分类结果的准确性。
图3B示意性示出了根据本公开实施例的基于地址画像,确定分类模型的流程图。
如图3B所示,该方法包括S321和S322。其中:
在操作S321,基于地址画像,获取包含有训练对象的训练数据集,其中,训练对象包括至少一个样本对象。
在操作S322,对训练数据集中的第三特征数据进行训练,已得到包含有非叶子节点和叶子节点的分类模型,其中,非叶子节点为第三特征数据,叶子节点为第三对象标识。
根据本公开的实施例,对于所有的样本对象的样本,利用分类算法对其进行训练,找出样本对象的标识(即标杆小站与非标杆小站)与提取出的6个特征数据之间的关系,生成分类模型。具体的模型生成方法可以采用任意公知的分类算法,本公开不做限定。
根据本公开的实施例,可以利用的分类算法为基于实例归纳的机器学习算法的决策树算法,以从给定的无序训练样本中,提炼出如图3C所示的树型的分类模型,叶子节点为目标样本的分类结果(即标杆小站与非标杆小站),非叶子节点为提取出的6个特征数据。决策树的生成采用scikit-learn算法类库,其内部实现使用了调优过的CART树算法,既可以做分类,也可以做回归。其中分类决策树对应的类是DecisionTreeClassifier,是一种递归算法,基本思想是将当前样本分为两个子集,使得生成的每个非叶子节点都有两个分支,最终得到二叉树形式的决策树。
图3C示意性示出了根据本公开实施例的分类模型的示意图。
根据本公开的实施例,可以利用决策树算法对已建小站商圈样本集进行训练,训练完成后便得到如图3C所示的“决策树”,即选址分类模型。
如图3C所示,该决策树由非叶子节点和叶子节点组成,其中,决策树中的“标杆小站”、“非标杆小站”称为叶子节点,其余节点称为非叶子节点。非叶子节点记录了利用哪些特征来进行目标对象类别的判断,对应于表1中确定出的6个特征(6个特征在决策树中的先后顺序由训练结果决定,图3C中所示的顺序仅是适应性的,并非是对决策树具体结果的限定),叶子节点则代表拟建小站的分类结果。从根节点到每个叶子节点均形成一条分类的路径规则。对新的样本即拟建小站进行分类时,只需要从根节点开始,在每个分支节点即非叶子节点进行测试,沿着相应的分支递归地进入子树,一直到达叶子节点,该叶子节点所代表的类别即是拟建小站商圈样本的分类结果集预测类别(标杆小站或非标杆小站)。
通过本公开的实施例,对训练对象的训练数据集进行训练,得到包含有非叶子节点和叶子节点的分类模型,为目标对象的分类提供可靠的模型,以实现对目标对象的分类。
图3D示意性示出了根据本公开另一实施例的对象分类方法的流程图。
如图3D所示,该方法包括S331~S334。其中:
在操作S331,获取包含有校验对象的第四对象标识和校验对象的第四特征数据,其中,校验对象包括样本对象中除训练对象之外的对象。
在操作S332,将校验对象的第四特征数据输入至分类模型中,以得到校验对象的实际对象标识。
在操作S333,检测第四对象标识与实际对象标识是否一致。
在操作S334,在第四对象标识与实际对象标识不一致的情况下,对分类模型进行修正以得到新分类模型。
根据本公开的实施例,在利用训练对象确定出分类模型后,为了完善和优化分类模型,可以随机选出除训练对象之外的对象作为校验对象,利用校验对象的数据对训练出的模型进行验证。
具体地,可以通过比较和分析分类模型预测的小站标签与实际标签,判断是否符合预期,进而修正小站的特征数据,调整分类模型的参数,优化样本的预处理过程。通过不断迭代、更新,最终实现分类模型的优化和完善。
需要说明的是,DecisionTreeClassifier算法主要调参参数及含义如表2所示,可以根据校验对象的校验结果,对分类模型的参数进行调整和优化,此处不再赘述。
通过本公开的实施例,利用校验对象对校验对象的分类结果进行校验,可以实现对分类模型的有效监控,提高分类结果的准确性。
表2
图3E示意性示出了根据本公开实施例的对训练数据集中的第三特征数据进行训练的流程图。
如图3E所示,该方法包括S341和S342。其中:
在操作S341,对训练数据集中的第三特征数据进行标准化处理,以得到标准化后的特征数据。
在操作S342,对标准化后的特征数据进行训练。
根据本公开的实施例,根据已选取训练对象的训练数据的样本特征,汇总所有已建小站的特征数据并对其进行预处理,将包含异常值、缺失值的训练样本从样本库中剔除,同时对所有特征信息进行标准化处理。对于连续数值类特征变量,对其进行分类处理,例如将“年活跃用户数”特征按照用户数的高低分为I、II、III三个等级。也可以针对不同的特征数据,结合用户历史交易记录,确定与特征数据对应的门槛值(如表1所示),根据门槛值确定目标样本的特征数据是否满足条件,以便得出分类结果。
以特征A为例,年活跃用户数的门槛值为500,在目标对象的年活跃用户数大于500的情况下,目标对象的特征数据满足特征A,在目标对象的年活跃用户数不大于500的情况下,目标对象的特征数据不满足特征A。
通过本公开的实施例,利用标准化处理后的特征数据,进行训练,可以为模型的训练提供可靠准确的数据,提高训练结果可信度。
图3F示意性示出了根据本公开实施例的对象分类方法的整体流程图。
如图3F所示,对用户交易数据(可以包括但不限于已建小站的地址信息、对象标识352)和已建小站的历史交易数据351(可以包括但不限于消费信息、白条交易、理财、信用和风险等信息)的数据进行数据采集与处理(操作S351),对影响小站收益的经济圈特征(如表1所示的6个特征)进行提取和筛选(操作S352)。选取合适的分类算法353及对应的分类参数,对已建小站样本集进行训练,得到分类模型(如图3C所示的分类模型)。通过对模型进行测试(操作S354)和验证,不断调整和优化参数(操作S355),最终得到理想的分类模型354。以全国所有5级行政单位(村/街道)为中心,1.5公里为半径,结合用户交易数据,构建全国商圈数据,将拟建小站的商圈即目标对象356的特征数据输入该分类模型354中,即可得到该目标对象356的分类结果355,根据该分类结果可以判断该目标对象是否为可发展对象,依次可以对全国所有的商圈进行上述操作,得出可发展对象列表357,结合其他因素,挑选出适合建立小站的地址。
需要说明的是,根据本公开的分类结果来实现拟建小站的选址决策时,还可以结合其他现有的信息,如现代大型连锁企业或成熟商业组织,其经营方式和运作理念都十分成熟,对于连锁店或网点的选址均有科学有效的策略。因此,在本公开实施例的基础上,还可以通过调查、走访和分析这些大型企业的选址方案,参考其选址经验和方法,预测拟建金融小站的地址,或者,也可以在分类模型的分类结果的基础上结合现代大型连锁企业或成熟商业组织已建连锁店、网点的地址信息,综合预测拟建金融小站的地址,以实现智能、快速、精确的小站选址方案。
图4示意性示出了根据本公开实施例的对象分类系统的框图。
如图4所示,对象分类系统400包括第一获取模块410、确定模块420以及分类模块430。其中:
第一获取模块410,用于获取样本对象的地址画像,其中,地址画像包括样本对象的第一对象标识和样本对象的第一特征数据。
确定模块420,用于基于地址画像,确定分类模型,其中,分类模型用于依据输入的特征数据对目标对象进行分类。
分类模块430,用于将目标对象的第二特征数据输入至分类模型中,得到目标对象的第二对象标识,以对目标对象进行分类。
通过本公开的实施例,可以至少部分地克服相关技术中对拟选地址进行分类,以确定该地址是否为可行的地址时,主要依赖于人的经验,主观性较强,难以大范围推广,不利于规模化发展的技术问题,并因此可以实现利用包含有对象标识以及特征数据的样本对象的地址画像数据等大数据,来确定分类模型,得到目标样本的对象标识以实现对目标对象分类,达到分类结果依赖于大数据,而并非人的经验,客观性强,可以大范围推广,利用规模化发展技术效果。
图5A示意性示出了根据本公开实施例的第一获取模块的框图。
如图5A所示,第一获取模块410包括确定子模块511、第一获取子模块512以及提取子模块513。其中:
确定子模块511,用于基于样本对象,确定以样本对象确定出的第一区域为中心,第一预设距离为半径的第二区域。
第一获取子模块512,用于针对样本对象,获取第二区域范围内的历史交易数据。
提取子模块513,用于基于历史交易数据,提取样本对象的第一特征数据。
通过本公开的实施例,基于样本对象,获取样本对象确定的区域范围,基于该范围内的交易数据提取第一特征数据,可以利用大数据确定样本对象的数据,为模型建立提供可靠的数据支撑,提高分类结果的准确性。
图5B示意性示出了根据本公开实施例的确定模块的框图。
如图5B所示,确定模块420包括第二获取子模块521以及训练子模块522。其中:
第二获取子模块521,用于基于地址画像,获取包含有训练对象的训练数据集,其中,训练对象包括至少一个样本对象。
训练子模块522,用于对训练数据集中的第三特征数据进行训练,已得到包含有非叶子节点和叶子节点的分类模型,其中,非叶子节点为第三特征数据,叶子节点为第三对象标识。
通过本公开的实施例,对训练对象的训练数据集进行训练,得到包含有非叶子节点和叶子节点的分类模型,为目标对象的分类提供可靠的模型,以实现对目标对象的分类。
图5C示意性示出了根据本公开另一实施例的对象分类系统的框图。
如图5C所示,该对象分类系统400除了包括前述第一获取模块410、确定模块420以及分类模块430之外,还包括第二获取模块531、处理模块532、检测模块533以及修正模块534。其中:
第二获取模块531,用于获取包含有校验对象的第四对象标识和校验对象的第四特征数据,其中,校验对象包括样本对象中除训练对象之外的对象。
处理模块532,用于将校验对象的第四特征数据输入至分类模型中,以得到校验对象的实际对象标识。
检测模块533,用于检测第四对象标识与实际对象标识是否一致。
修正模块534,用于在第四对象标识与实际对象标识不一致的情况下,对分类模型进行修正以得到新分类模型。
通过本公开的实施例,利用校验对象对校验对象的分类结果进行校验,可以实现对分类模型的有效监控,提高分类结果的准确性。
图5D示意性示出了根据本公开实施例的训练子模块的框图。
如图5D所示,训练子模块522包括处理单元541以及训练单元542。其中:
处理单元541,用于对训练数据集中的第三特征数据进行标准化处理,以得到标准化后的特征数据。
训练单元542,用于对标准化后的特征数据进行训练。
通过本公开的实施例,利用标准化处理后的特征数据,进行训练,可以为模型的训练提供可靠准确的数据,提高训练结果可信度。
根据本公开的实施例的模块、子模块、单元中的任意多个、或其中任意多个的至少部分功能可以在一个模块中实现。根据本公开实施例的模块、子模块、单元中的任意一个或多个可以被拆分成多个模块来实现。根据本公开实施例的模块、子模块、单元中的任意一个或多个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC),或可以通过对电路进行集成或封装的任何其他的合理方式的硬件或固件来实现,或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者,根据本公开实施例的模块、子模块、单元中的一个或多个可以至少被部分地实现为计算机程序模块,当该计算机程序模块被运行时,可以执行相应的功能。
例如,第一获取模块410、确定模块420、分类模块430,第二获取模块531、处理模块532、检测模块533以及修正模块534中的任意多个可以合并在一个模块中实现,或者其中的任意一个模块可以被拆分成多个模块。或者,这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合,并在一个模块中实现。根据本公开的实施例,第一获取模块410、确定模块420、分类模块430,第二获取模块531、处理模块532、检测模块533以及修正模块534中的至少一个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC),或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现,或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者,第一获取模块410、确定模块420、分类模块430,第二获取模块531、处理模块532、检测模块533以及修正模块534中的至少一个可以至少被部分地实现为计算机程序模块,当该计算机程序模块被运行时,可以执行相应的功能。
图6示意性示出了根据本公开实施例的适于实现对象分类方法和系统的计算机系统的框图。图6示出的计算机系统仅仅是一个示例,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6所示,根据本公开实施例的计算机系统600包括处理器601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。处理器601例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如,专用集成电路(ASIC)),等等。处理器601还可以包括用于缓存用途的板载存储器。处理器601可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
在RAM 603中,存储有系统600操作所需的各种程序和数据。处理器601、ROM 602以及RAM 603通过总线604彼此相连。处理器601通过执行ROM 602和/或RAM 603中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意,所述程序也可以存储在除ROM 602和RAM 603以外的一个或多个存储器中。处理器601也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。
根据本公开的实施例,系统600还可以包括输入/输出(I/O)接口605,输入/输出(I/O)接口605也连接至总线604。系统600还可以包括连接至I/O接口605的以下部件中的一项或多项:包括键盘、鼠标等的输入部分606;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607;包括硬盘等的存储部分608;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609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611,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610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608。
根据本公开的实施例,根据本公开实施例的方法流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存储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609从网络上被下载和安装,和/或从可拆卸介质611被安装。在该计算机程序被处理器601执行时,执行本公开实施例的系统中限定的上述功能。根据本公开的实施例,上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。
本公开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可以是上述实施例中描述的设备/装置/系统中所包含的;也可以是单独存在,而未装配入该设备/装置/系统中。上述计算机可读存储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执行时,实现根据本公开实施例的方法。
根据本公开的实施例,计算机可读存储介质可以是非易失性的计算机可读存储介质,例如可以包括但不限于: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)、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。在本公开中,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。
例如,根据本公开的实施例,计算机可读存储介质可以包括上文描述的ROM 602和/或RAM 603和/或ROM 602和RAM 603以外的一个或多个存储器。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、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,上述模块、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,框图或流程图中的每个方框、以及框图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。
本领域技术人员可以理解,本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合,即使这样的组合或结合没有明确记载于本公开中。特别地,在不脱离本公开精神和教导的情况下,本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。
以上对本公开的实施例进行了描述。但是,这些实施例仅仅是为了说明的目的,而并非为了限制本公开的范围。尽管在以上分别描述了各实施例,但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围,本领域技术人员可以做出多种替代和修改,这些替代和修改都应落在本公开的范围之内。
Claims (10)
1.一种对象分类方法,包括:
获取样本对象的地址画像,其中,所述地址画像包括所述样本对象的第一对象标识和所述样本对象的第一特征数据;
基于所述地址画像,确定分类模型,其中,所述分类模型用于依据输入的特征数据对目标对象进行分类;以及
将所述目标对象的第二特征数据输入至所述分类模型中,得到所述目标对象的第二对象标识,以对所述目标对象进行分类;
其中,所述获取所述样本对象的第一特征数据包括:
基于所述样本对象,确定以所述样本对象确定出的第一区域为中心,第一预设距离为半径的第二区域;
针对所述样本对象,获取所述第二区域范围内的历史交易数据;以及
基于所述历史交易数据,提取所述样本对象的第一特征数据,其中,所述第一特征数据包括以下至少一项:活跃用户数、信用额度标准差、已用信用额度占比标准差、信用评分均值。
2.根据权利要求1方法,其中,所述基于所述地址画像,确定分类模型包括:
基于所述地址画像,获取包含有训练对象的训练数据集,其中,所述训练对象包括至少一个样本对象;以及
对所述训练数据集中的第三特征数据进行训练,已得到包含有非叶子节点和叶子节点的分类模型,其中,所述非叶子节点为第三特征数据,所述叶子节点为第三对象标识。
3.根据权利要求1的方法,其中,所述方法还包括:
获取包含有校验对象的第四对象标识和所述校验对象的第四特征数据,其中,所述校验对象包括所述样本对象中除训练对象之外的对象;
将所述校验对象的第四特征数据输入至所述分类模型中,以得到所述校验对象的实际对象标识;
检测所述第四对象标识与所述实际对象标识是否一致;以及
在所述第四对象标识与所述实际对象标识不一致的情况下,对所述分类模型进行修正以得到新分类模型。
4.根据权利要求2的方法,其中,所述对所述训练数据集中的第三特征数据进行训练包括:
对所述训练数据集中的第三特征数据进行标准化处理,以得到标准化后的特征数据;以及
对所述标准化后的特征数据进行训练。
5.一种对象分类系统,包括:
第一获取模块,用于获取样本对象的地址画像,其中,所述地址画像包括所述样本对象的第一对象标识和所述样本对象的第一特征数据;
确定模块,用于基于所述地址画像,确定分类模型,其中,所述分类模型用于依据输入的特征数据对目标对象进行分类;以及
分类模块,用于将所述目标对象的第二特征数据输入至所述分类模型中,得到所述目标对象的第二对象标识,以对所述目标对象进行分类;
其中,所述第一获取模块包括:
确定子模块,用于基于所述样本对象,确定以所述样本对象确定出的第一区域为中心,第一预设距离为半径的第二区域;
第一获取子模块,用于针对所述样本对象,获取所述第二区域范围内的历史交易数据;以及
提取子模块,用于基于所述历史交易数据,提取所述样本对象的第一特征数据,其中,所述第一特征数据包括以下至少一项:活跃用户数、信用额度标准差、已用信用额度占比标准差、信用评分均值。
6.根据权利要求5系统,其中,所述确定模块包括:
第二获取子模块,用于基于所述地址画像,获取包含有训练对象的训练数据集,其中,所述训练对象包括至少一个样本对象;以及
训练子模块,用于对所述训练数据集中的第三特征数据进行训练,已得到包含有非叶子节点和叶子节点的分类模型,其中,所述非叶子节点为第三特征数据,所述叶子节点为第三对象标识。
7.根据权利要求5的系统,其中,所述系统还包括:
第二获取模块,用于获取包含有校验对象的第四对象标识和所述校验对象的第四特征数据,其中,所述校验对象包括所述样本对象中除训练对象之外的对象;
处理模块,用于将所述校验对象的第四特征数据输入至所述分类模型中,以得到所述校验对象的实际对象标识;
检测模块,用于检测所述第四对象标识与所述实际对象标识是否一致;以及
修正模块,用于在所述第四对象标识与所述实际对象标识不一致的情况下,对所述分类模型进行修正以得到新分类模型。
8.根据权利要求6的系统,其中,所述训练子模块包括:
处理单元,用于对所述训练数据集中的第三特征数据进行标准化处理,以得到标准化后的特征数据;以及
训练单元,用于对所述标准化后的特征数据进行训练。
9.一种计算机系统,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,
其中,当一个或多个程序被一个或多个处理器执行时,使得一个或多个处理器实现权利要求1至4中任一项的方法。
10.一种计算机可读存储介质,其上存储有可执行指令,该指令被处理器执行时使处理器实现权利要求1至4中任一项的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811306989.3A CN111144429B (zh) | 2018-11-05 | 2018-11-05 | 对象分类方法及其系统、计算机系统及计算机可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811306989.3A CN111144429B (zh) | 2018-11-05 | 2018-11-05 | 对象分类方法及其系统、计算机系统及计算机可读介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111144429A CN111144429A (zh) | 2020-05-12 |
CN111144429B true CN111144429B (zh) | 2024-05-24 |
Family
ID=70515187
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811306989.3A Active CN111144429B (zh) | 2018-11-05 | 2018-11-05 | 对象分类方法及其系统、计算机系统及计算机可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111144429B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111598188B (zh) * | 2020-06-28 | 2022-05-24 | 腾讯科技(深圳)有限公司 | 目标门店位置的识别的方法和装置、存储介质和电子设备 |
CN111932302B (zh) * | 2020-07-31 | 2024-02-13 | 中国工商银行股份有限公司 | 一种区域中业务站点数量的确定方法、装置、设备及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104965920A (zh) * | 2015-07-08 | 2015-10-07 | 百度在线网络技术(北京)有限公司 | 用于确定目标地址的方法和装置 |
CN107256461A (zh) * | 2017-06-13 | 2017-10-17 | 北京中电普华信息技术有限公司 | 一种充电设施建设地址评价方法及系统 |
CN107730310A (zh) * | 2017-09-30 | 2018-02-23 | 平安科技(深圳)有限公司 | 电子装置、构建零售网点评分模型的方法及存储介质 |
CN107784463A (zh) * | 2016-08-26 | 2018-03-09 | 阿里巴巴集团控股有限公司 | 库存信息处理方法、系统及设备 |
CN108022023A (zh) * | 2017-12-20 | 2018-05-11 | 深圳春沐源控股有限公司 | 一种农作物的种植产量预测方法、装置及存储介质 |
CN108154300A (zh) * | 2017-12-25 | 2018-06-12 | 东软集团股份有限公司 | 兴趣点选址方法、装置和计算机设备 |
CN108600958A (zh) * | 2018-04-25 | 2018-09-28 | 中国联合网络通信集团有限公司 | 用户引流方法、装置、终端及计算机可读存储介质 |
-
2018
- 2018-11-05 CN CN201811306989.3A patent/CN111144429B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104965920A (zh) * | 2015-07-08 | 2015-10-07 | 百度在线网络技术(北京)有限公司 | 用于确定目标地址的方法和装置 |
CN107784463A (zh) * | 2016-08-26 | 2018-03-09 | 阿里巴巴集团控股有限公司 | 库存信息处理方法、系统及设备 |
CN107256461A (zh) * | 2017-06-13 | 2017-10-17 | 北京中电普华信息技术有限公司 | 一种充电设施建设地址评价方法及系统 |
CN107730310A (zh) * | 2017-09-30 | 2018-02-23 | 平安科技(深圳)有限公司 | 电子装置、构建零售网点评分模型的方法及存储介质 |
CN108022023A (zh) * | 2017-12-20 | 2018-05-11 | 深圳春沐源控股有限公司 | 一种农作物的种植产量预测方法、装置及存储介质 |
CN108154300A (zh) * | 2017-12-25 | 2018-06-12 | 东软集团股份有限公司 | 兴趣点选址方法、装置和计算机设备 |
CN108600958A (zh) * | 2018-04-25 | 2018-09-28 | 中国联合网络通信集团有限公司 | 用户引流方法、装置、终端及计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111144429A (zh) | 2020-05-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107657267B (zh) | 产品潜在用户挖掘方法及装置 | |
Yang et al. | Does High‐Speed Rail Promote Enterprises Productivity? Evidence from China | |
US7693767B2 (en) | Method for generating predictive models for a business problem via supervised learning | |
CN110909970A (zh) | 信用评分方法和装置 | |
CN111199474A (zh) | 一种基于双方网络图数据的风险预测方法、装置和电子设备 | |
CN110377524B (zh) | 报表系统的测试方法、装置、系统及介质 | |
CN111144429B (zh) | 对象分类方法及其系统、计算机系统及计算机可读介质 | |
CN107545043A (zh) | 一种基于数据质量检测的数据应用方法及装置 | |
CN110688536A (zh) | 一种标签预测方法、装置、设备和存储介质 | |
CN112037038A (zh) | 银行信贷风险预测方法及装置 | |
CN103957116A (zh) | 一种云故障数据的决策方法及系统 | |
CN110134907A (zh) | 一种降雨缺失数据填补方法、系统及电子设备 | |
CN109284978B (zh) | 一种精准识别贫困户的系统及识别方法 | |
Moloney et al. | Quality data for strategic infrastructure decisions in Ireland | |
CN113743080A (zh) | 一种分层级地址文本相似度比对方法、装置及介质 | |
CN111581197B (zh) | 对数据集中的数据表进行抽样和校验的方法及装置 | |
CN104574179A (zh) | 银行卡资金清算平台的复核验证系统和复核验证方法 | |
Zeydan et al. | A rule-based decision support approach for site selection of Automated Teller Machines (ATMs) | |
CN115860436A (zh) | 一种基于知识图谱的城市热线派单方法及系统 | |
Rajšp et al. | Neo4j graph dataset of cycling paths in Slovenia | |
CN113962216A (zh) | 文本处理方法、装置、电子设备及可读存储介质 | |
KR20230103025A (ko) | 기업 신용 분석 및 평가 정보 제공 방법, 장치 및 시스템 | |
CN113516398A (zh) | 基于分层抽样的风险设备识别方法、装置及电子设备 | |
CN112925856B (zh) | 实体关系分析方法、装置、分析设备及计算机存储介质 | |
CN111491256B (zh) | 商户定位方法、装置、服务器及可读存储介质 |
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 | ||
CB02 | Change of applicant information |
Address after: Room 221, 2 / F, block C, 18 Kechuang 11th Street, Daxing District, Beijing, 100176 Applicant after: Jingdong Technology Holding Co.,Ltd. Address before: Room 221, 2 / F, block C, 18 Kechuang 11th Street, Daxing District, Beijing, 100176 Applicant before: BEIJING JINGDONG FINANCIAL TECHNOLOGY HOLDING Co.,Ltd. |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant |