CN111177129A - 标签体系的构建方法、装置、设备及存储介质 - Google Patents
标签体系的构建方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN111177129A CN111177129A CN201911290678.7A CN201911290678A CN111177129A CN 111177129 A CN111177129 A CN 111177129A CN 201911290678 A CN201911290678 A CN 201911290678A CN 111177129 A CN111177129 A CN 111177129A
- Authority
- CN
- China
- Prior art keywords
- target
- data
- label
- attribute
- label system
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/242—Query formulation
- G06F16/2433—Query languages
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2457—Query processing with adaptation to user needs
- G06F16/24573—Query processing with adaptation to user needs using data annotations, e.g. user-defined metadata
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/08—Insurance
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Computational Linguistics (AREA)
- Library & Information Science (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明实施例提供一种标签体系的构建方法,包括步骤:获取元数据,对元数据进行处理以得到原始数据;对原始数据进行清洗和合并以得到目标数据;从目标数据中提取多个第一目标特征,对多个第一目标特征进行聚类分析以得到第一属性标签;根据第一属性标签创建第一标签体系;判断是否需要创建第二标签体系;从目标数据中提取第二目标特征,对第二目标特征进行聚类分析以得到第二属性标签;根据第二属性标签创建第二标签体系;从第一标签体系和第二标签体系或第二标签体系中筛选目标属性标签以建立目标模型,根据目标模型向目标用户推荐业务。通过本发明实施例,能够减少在构建标签体系时的计算资源浪费,提高数据资源利用率。
Description
技术领域
本发明实施例涉及数据处理技术领域,尤其涉及一种标签体系的构建方法、装置、设备及存储介质。
背景技术
用户画像的本质是一套完整的标签体系,通过构建多种多样的属性标签,从而勾勒出一幅完整的用户画像。在车险行业中,常常需要利用业务数据来构建针对车辆的画像,即需要构建一套针对车辆的标签体系。
在构建标签体系的过程中,如果只是基于某一特定对象进行画像,或者只是基于某一应用场景进行画像,这一画像无法应用到其他对象中,多个画像间存在重复加工造成计算资源的浪费;如果对全体对象进行画像,其中某些特征是部分对象特有的,根据这些特征构建的标签对其他对象作用不大。例如只是基于货车进行画像,或者基于风险定价模型进行画像,那这一画像则无法应用到小汽车和客车等其他车型中,两个画像间需要重复加工,造成资源浪费;如果针对全部车型进行画像,营业特征是货车所特有的,根据营业特征构建的标签对其他车型作用不大,这样会造成数据资源无法得到充分利用。
故,本方案旨在解决构建标签体系时重复加工造成计算资源浪费和数据资源无法得到充分利用的问题。
发明内容
有鉴于此,本发明实施例提供了一种标签体系的构建方法、装置、计算机设备及计算机可读存储介质,能够减少在构建标签体系时的计算资源浪费,提高数据资源利用率。
为实现上述目的,本发明实施例提供了一种标签体系的构建方法,包括:
获取多个业务数据源中的元数据,对所述元数据进行处理以得到原始数据,并将所述原始数据存储到第一数据库中;
对所述原始数据进行清洗和合并以得到目标数据,并将所述目标数据存储到第二数据库中;
根据预设的多个对象从所述目标数据中提取与所述多个对象对应的多个第一目标特征,并对所述多个第一目标特征进行聚类分析以得到至少一个第一属性标签;
根据所述多个对象和所述至少一个第一属性标签创建第一标签体系;
获取目标对象和所述目标对象的目标特征数据,并根据所述目标特征数据和所述至少一个第一属性标签判断是否需要创建第二标签体系;
当判断需要创建第二标签体系时,则从所述目标数据中提取与所述目标特征数据对应的第二目标特征,并对所述第二目标特征进行聚类分析以得到至少一个第二属性标签;
根据所述目标对象和所述至少一个第二属性标签创建第二标签体系;
根据所述目标特征数据从所述第一标签体系和所述第二标签体系或所述第二标签体系中筛选与所述目标特征数据对应的目标属性标签以建立目标模型,并根据所述目标模型向目标用户推荐业务。
进一步地,所述对所述元数据进行处理以得到原始数据的步骤,包括:
根据预设的第一数据格式对所述元数据进行数据校验和冗余性处理以得到所述原始数据。
进一步地,所述对所述原始数据进行清洗和合并以得到目标数据的步骤,包括:
根据预设的第二数据格式对所述原始数据进行清洗,以得到样本数据,其中,所述样本数据包括字段名;
根据所述字段名对所述样本数据进行合并以得到目标数据。
进一步地,所述根据预设的多个对象从所述目标数据中提取与所述多个对象对应的多个第一目标特征的步骤,包括:
识别所述预设的多个对象以确定与所述多个对象对应的多个标识信息;
根据所述多个标识信息从所述目标数据中提取对应的多个第一目标特征。
进一步地,所述根据所述多个对象和所述至少一个第一属性标签创建第一标签体系的步骤之后,还包括:
将所述至少一个第一属性标签存储到所述第二数据库中。
进一步地,所述根据所述目标特征数据和所述至少一个第一属性标签判断是否需要创建第二标签体系的步骤,包括:
将所述目标特征数据和所述至少一个第一属性标签中的多个第一目标特征逐一进行匹配;
当所述目标特征数据和所述多个第一目标特征都不匹配时,则判断需要建立所述第二标签体系。
进一步地,所述根据所述目标特征数据和所述至少一个第一属性标签判断是否需要创建第二标签体系的步骤之后,还包括:
当判断不需要创建第二标签体系时,则根据所述目标特征数据从所述第一标签体系中筛选与所述目标特征数据对应的目标属性标签以建立目标模型,并根据所述目标模型向目标用户推荐业务。
为了实现上述目的,本发明实施例还提供一种标签体系的构建装置,包括:
获取模块,用于获取多个业务数据源中的元数据,对所述元数据进行处理以得到原始数据,并将所述原始数据存储到第一数据库中;
清洗模块,用于对所述原始数据进行清洗和合并以得到目标数据,并将所述目标数据存储到第二数据库中;
提取模块,用于根据预设的多个对象从所述目标数据中提取与所述多个对象对应的多个第一目标特征,并对所述多个第一目标特征进行聚类分析以得到至少一个第一属性标签;
第一创建模块,用于根据所述多个对象和所述至少一个第一属性标签创建第一标签体系;
判断模块,用于获取目标对象和所述目标对象的目标特征数据,并根据所述目标特征数据和所述至少一个第一属性标签判断是否需要创建第二标签体系;
分析模块,用于当判断需要创建第二标签体系时,则从所述目标数据中提取与所述目标特征数据对应的第二目标特征,并对所述第二目标特征进行聚类分析以得到至少一个第二属性标签;
第二创建模块,用于根据所述目标对象和所述至少一个第二属性标签创建第二标签体系;
筛选模块,用于根据所述目标特征数据从所述第一标签体系和所述第二标签体系或所述第二标签体系中筛选与所述目标特征数据对应的目标属性标签以建立目标模型,并根据所述目标模型向目标用户推荐业务。
为了实现上述目的,本发明实施例还提供一种计算机设备,所述计算机设备包括存储器、处理器以及存储在所述存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上所述标签体系的构建方法的步骤。
为了实现上述目的,本发明实施例还提供一种计算机可读存储介质,所述计算机可读存储介质内存储有计算机程序,所述计算机程序可被至少一个处理器所执行,以使所述至少一个处理器执行如上所述的标签体系的构建方法的步骤。
本发明实施例提供的标签体系的构建方法、装置、计算机设备及计算机可读存储介质,能够减少在构建标签体系时的计算资源浪费,提高数据资源利用率。
以下结合附图和具体实施例对本发明进行详细描述,但不作为对本发明的限定。
附图说明
图1为本发明实施例提供的标签体系的构建方法的步骤流程图;
图2为本发明实施例提供的标签体系的构建装置的程序模块示意图;
图3为本发明实施例提供的计算机设备的硬件结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
各个实施例之间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本发明要求的保护范围之内。
实施例一
请参阅图1,示出了本发明实施例之标签体系的构建方法的步骤流程图。可以理解,本方法实施例中的流程图不用于对执行步骤的顺序进行限定。下面以计算机设备为执行主体进行示例性描述,具体如下:
步骤S100,获取多个业务数据源中的元数据,对所述元数据进行处理以得到原始数据,并将所述原始数据存储到第一数据库中。
具体的,根据预设的配置信息对所述多个业务数据源库中的元数据进行全量抽取,或者对业务数据源的动态元数据进行增量抽取,然后对抽取到的元数据进行处理以得到原始数据,最后将原始数据存储到Hadoop集群的第一Hive数据库中,其中,Hive是基于Hadoop的一个数据仓库工具,可以将结构化的数据文件映射为一张数据库表,并提供简单的结构化查询语言Sql查询功能。
示例性的,所述数据源可以是传统的数据库,例如Mysql、Sql和/或Oracle,也可以是Excel文件,所述元数据可以是保单中投保人的承保行为。所述全量抽取,指的是数据的迁移或者数据复制,即将所述数据源中的表或视图原封不动的从数据源中抽取出来,并转换成目标数据库可以识别的格式;所述增量抽取,指的是对全量抽取之后数据源中新增和/或修改的元数据进行抽取,在本实施例中,可以根据所述业务数据库中元数据更新的频率设定增量抽取的周期。例如,对于每天存在交易的保单业务,通过定时任务每天抽取动态元数据;而对于按月维护的汇率业务,通过定时任务每月抽取动态元数据。
在一较佳实施例中,所述对所述元数据进行的处理,包括根据预设的数据格式对所述元数据进行数据校验和冗余性处理,所述冗余性处理指的是对所述元数据中重复的数据进行删除。
示例性的,当对所述元数据进行全量抽取时,根据预设的数据格式校验所述元数据的格式是否符合预设的导入规则,或者检验所述元数据的日期格式字段对应的实际数据是否为非日期字符串。然后对校验后的所述元数据进行冗余性处理,已得到原始数据,并将原始数据写入到第一Hive数据库中。例如在增量抽取动态元数据时,对于已经全量抽取过的元数据,首先将所述第一Hive数据库中对应的原始数据删除,然后将所述元数据写入所述第一Hive数据库中。
步骤S102,对所述原始数据进行清洗和合并以得到目标数据,并将所述目标数据存储到第二数据库中。
具体的,首先根据预设的规则对所述原始数据进行检测,当检测到不符合所述预设规则的原始数据时,则剔除所述不符合预设规则的原始数据以得到样本数据。然后根据样本数据的字段名对所述样本数据进行合并,即将数据来源不同但是对象相同的样本数据合并到同一表格中以得到目标数据,再将所述目标数据存储到第二Hive数据库中。
示例性的,所述预设规则可以是:目标日期字段值是否大于预设阈值。如果检测到所述原始数据中有字段值大于预设阈值的数据,则清洗该数据以得到样本数据。然后,根据样本数据的字段名,将字段名相同的样本数据进行合并,得到目标数据。例如,已投保车险的车辆同时出现在保单询价数据中,则将所述车险数据中的车辆数据和所述保单询价数据中的车辆数据进行合并。需要说明的是,数据清洗和合并的过程可与数据抽取同时进行。
步骤S104,根据预设的多个对象从所述目标数据中提取与所述多个对象对应的多个第一目标特征,并对所述多个第一目标特征进行聚类分析以得到至少一个第一属性标签。
具体的,通过识别所述预设的多个对象以确定与所述多个对象对应的多个标识信息,然后根据所述多个标识信息从所述第二数据库中的数据表中确定与所述唯一标识确定对应的目标数据,并将这些目标数据提取为第一目标特征;接着对所述第一目标特征进行聚类分析以得到与所述预设的多个对象对应的第一属性标签。所述预设的多个对象包括车辆、客户、配件工时、赔案和道路。
示例性的,当所述对象为车辆时,对应的第一目标特征可以是车辆的基本属性及使用情况,这些特征会影响到车辆的风险和价值评估;当所述对象为客户时,对应的第一目标特征可以是客户的基础属性和行为属性,这些特征用于为用户推荐服务;当所述对象为配件工时时,对应的第一目标特征可以是配件整体更换工时或者维修工时;当所述对象为赔案时,对应的第一目标特征可以是事故信息、风险和成本等;当所述对象为道路时,对应的第一目标特征可以是道路属性(如城市道路和高速公路)和路况,这些特征对车辆行驶的风险评估具有重要意义。
当所述对象为车辆时,标识信息可以是车牌号和/或车架号;当所述对象为客户时,标识信息可以是姓名、证件类型和/证件号码。将这些标识信息与所述第一数据中的数据表的表头字段进行比较,从而确定对应的目标数据,然后从所述目标数据中提取目标特征时可以根据自上而下和自下而上两种方式对所述目标数据进行特征提取,其中,自上而下是指从应用角度整合标签需求,例如,根据业务需求和业务经验提取影响续保率的特征;自下而上是指从场景触点中梳理标签需求。
步骤S106,根据所述多个对象和所述至少一个第一属性标签创建第一标签体系。
在一较佳实施例中,还将所述第一标签体系存储到第二Hive数据库中。具体的,在第二Hive数据库中,按照对象、主分类、从分类和次分类的原则对所述多个对象对应的属性标签进行管理和扩展,例如,将对象和对象对应的属性标签在逻辑上划分为单独的库,如车辆标签库、客户标签库等。需要说明的是,将对象的属性标签进行存储时,可以采用第一存储方式和第二存储方式,其中,第一存储方式是指通过第二Hive数据库的独立数据表将对象、主分类和从分类进行划分存储,并将次分类和对象对应的属性标签设置为具体的标签字段;第二存储方式是指在第二Hive数据库中设置独立数据表存储对象、主分类、从分类和次分类,并将对象对应的属性标签设置为字段进行存储。
示例性的,对于车辆的保费规模业务,其第一标签体系存储层级关系按照对象、主分类、从分类、次分类和对象对应的属性标签划分为车辆、使用信息、用车、承保和保费规模。当采用第一存储方式进行存储时,将车辆、使用信息和用车命名为vechile_usetag_use_attr数据表,将承保和保费规模设置为最终字段,命名为ply_prem_tag;当采用第二存储方式进行存储时,将车辆、使用信息、用车和承保命名为vechile_usetag_use_ply_attr数据表,并将保费规模设置为最终字段,命名为prem_tag。
需要说明的是,具体的存储原则需要根据实际场景进行判断后进行选择,判断对象分类下的属性标签数据量是否大于预设值,若对象分类下的标签数据量大于预置值,则采用第二存储方式;若分类下的标签数据不大于所述预设值,则采用第一存储方式。例如,“车辆—使用信息—用车”分类超过300个标签,则使用第二存储方式,采用根据细粒度的分类拆分数据表,属性标签分类和最终字段的对照关系可通过系统进行管理。
步骤S108,获取目标对象和所述目标对象的目标特征数据,并根据所述目标特征数据和所述至少一个第一属性标签判断是否需要创建第二标签体系。
具体的,在不同的业务场景中,需要对不同的对象建立算法模型,所以要确定目标对象和目标对象的目标特征数据,然后将所述目标特征数据和所述第一属性标签中的多个第一目标特征逐一进行匹配,从而判断是否需要创建第二标签体系。
示例性,在针对货车的车险定价时,需要建立货车的风险定价模型,该算法模型涉及到的特征数据包括:车况、违章记录、车辆所有人信息、营运性质、核定载重和保险记录等,其中,营运性质和核定载重为货车的目标特征数据,车况、违章信息、车辆所有人信息和保险记录等特征为所有类型的车辆共有,已纳入在第一标签体系中。将货车的目标特征数据与第一属性标签中的各个第一目标特征进行逐一匹配,从而判断是否需要建立第二标签体系;当所述目标特征数据和所述各个第一目标特征都不匹配时,则判断需要建立所述第二标签体系。
步骤S110,当判断需要创建第二标签体系时,则从所述目标数据中提取与所述目标特征数据对应的第二目标特征,并对所述第二目标特征进行聚类分析以得到至少一个第二属性标签。
示例性的,在针对货车的车险定价时,通过将货车的目标特征数据与各个第一目标特征进行逐一匹配后,判断需要建立第二标签体系。则根据货车这一对象从目标数据中提取与营运性质和核定载重对应的第二目标特征,然后第二目标特征进行聚类分析,得到对应的第二属性标签。
步骤S112,根据所述目标对象和所述至少一个第二属性标签创建第二标签体系。
示例性的,根据货车这一目标对象和对应的第二属性标签创建第二标签体系。同样的,也将所述至少一个第二属性标签存储到所述第二数据库中,管理规则也和第一属性标签的相同。
步骤S114,根据所述目标特征数据从所述第一标签体系和所述第二标签体系或所述第二标签体系中筛选与所述目标特征数据对应的目标属性标签以建立目标模型,并根据所述目标模型向目标用户推荐业务。
示例性的,针对货车车险的风险定价模型,需要从第一标签体系筛选与车况、违章信息、车辆所有人信息和保险记录对应的属性标签,也需要从第二标签体系中筛选与营运性质和核定载重对应的属性标签,然后根据这些属性标签建立风险定价模型,然后根据风险定价模型计算不同货车的保险价格,从而向目标客户推荐业务。
本发明实施例通过根据建立针对大多数对象的第一标签体系,再根据具体应用场景中的目标对象来判断是否建立第二标签体系,能够减少在构建标签体系时的计算资源浪费,提高数据资源利用率。
实施例二
请参阅图2,示出了本发明实施例之标签体系的构建装置的程序模块示意图。在本实施例中,基于计算机设备的标签体系的构建装置20可以包括或被分割成一个或多个程序模块,一个或者多个程序模块被存储于存储介质中,并由一个或多个处理器所执行,以完成本发明,并可实现上述标签体系的构建方法。本发明实施例所称的程序模块是指能够完成特定功能的一系列计算机程序指令段,比程序本身更适合于描述标签体系的构建装置20在存储介质中的执行过程。以下描述将具体介绍本实施例各程序模块的功能:
获取模块200,用于获取多个业务数据源中的元数据,对所述元数据进行处理以得到原始数据,并将所述原始数据存储到第一数据库中。
具体的,所述获取模块200根据预设的配置信息对所述多个业务数据源库中的元数据进行全量抽取,或者对业务数据源的动态元数据进行增量抽取,然后对抽取到的元数据进行处理以得到原始数据,最后将原始数据存储到Hadoop集群的第一Hive数据库中,其中,Hive是基于Hadoop的一个数据仓库工具,可以将结构化的数据文件映射为一张数据库表,并提供简单的结构化查询语言Sql查询功能。
示例性的,所述数据源可以是传统的数据库,例如Mysql、Sql和/或Oracle,也可以是Excel文件,所述元数据可以是保单中投保人的承保行为。所述全量抽取,指的是数据的迁移或者数据复制,即将所述数据源中的表或视图原封不动的从数据源中抽取出来,并转换成目标数据库可以识别的格式;所述增量抽取,指的是对全量抽取之后数据源中新增和/或修改的元数据进行抽取,在本实施例中,可以根据所述业务数据库中元数据更新的频率设定增量抽取的周期。例如,对于每天存在交易的保单业务,通过定时任务每天抽取动态元数据;而对于按月维护的汇率业务,通过定时任务每月抽取动态元数据。
在一较佳实施例中,所述获取模块200对所述元数据进行的处理,包括根据预设的数据格式对所述元数据进行数据校验和冗余性处理,所述冗余性处理指的是对所述元数据中重复的数据进行删除。
示例性的,当所述获取模块200对所述元数据进行全量抽取时,根据预设的数据格式校验所述元数据的格式是否符合预设的导入规则,或者检验所述元数据的日期格式字段对应的实际数据是否为非日期字符串。然后对校验后的所述元数据进行冗余性处理,已得到原始数据,并将原始数据写入到第一Hive数据库中。例如在增量抽取动态元数据时,对于已经全量抽取过的元数据,首先将所述第一Hive数据库中对应的原始数据删除,然后将所述元数据写入所述第一Hive数据库中。
清洗模块202,用于对所述原始数据进行清洗和合并以得到目标数据,并将所述目标数据存储到第二数据库中。
具体的,所述清洗模块202首先根据预设的规则对所述原始数据进行检测,当检测到不符合所述预设规则的原始数据时,则剔除所述不符合预设规则的原始数据以得到样本数据。然后根据样本数据的字段名对所述样本数据进行合并,即将数据来源不同但是对象相同的样本数据合并到同一表格中以得到目标数据,再将所述目标数据存储到第二Hive数据库中。
示例性的,所述预设规则可以是:目标日期字段值是否大于预设阈值。如果检测到所述原始数据中有字段值大于预设阈值的数据,则清洗该数据以得到样本数据。然后,根据样本数据的字段名,将字段名相同的样本数据进行合并,得到目标数据。例如,已投保车险的车辆同时出现在保单询价数据中,则将所述车险数据中的车辆数据和所述保单询价数据中的车辆数据进行合并。需要说明的是,数据清洗和合并的过程可与数据抽取同时进行。
提取模块204,用于根据预设的多个对象从所述目标数据中提取与所述多个对象对应的多个第一目标特征,并对所述多个第一目标特征进行聚类分析以得到至少一个第一属性标签。
具体的,所述提取模块204通过识别所述预设的多个对象以确定与所述多个对象对应的多个标识信息,然后根据所述多个标识信息从所述第二数据库中的数据表中确定与所述唯一标识确定对应的目标数据,并将这些目标数据提取为第一目标特征;接着对所述第一目标特征进行聚类分析以得到与所述预设的多个对象对应的第一属性标签。所述预设的多个对象包括车辆、客户、配件工时、赔案和道路。
示例性的,当所述对象为车辆时,对应的第一目标特征可以是车辆的基本属性及使用情况,这些特征会影响到车辆的风险和价值评估;当所述对象为客户时,对应的第一目标特征可以是客户的基础属性和行为属性,这些特征用于为用户推荐服务;当所述对象为配件工时时,对应的第一目标特征可以是配件整体更换工时或者维修工时;当所述对象为赔案时,对应的第一目标特征可以是事故信息、风险和成本等;当所述对象为道路时,对应的第一目标特征可以是道路属性(如城市道路和高速公路)和路况,这些特征对车辆行驶的风险评估具有重要意义。
当所述对象为车辆时,标识信息可以是车牌号和/或车架号;当所述对象为客户时,标识信息可以是姓名、证件类型和/证件号码。将这些标识信息与所述第一数据中的数据表的表头字段进行比较,从而确定对应的目标数据,然后从所述目标数据中提取目标特征时可以根据自上而下和自下而上两种方式对所述目标数据进行特征提取,其中,自上而下是指从应用角度整合标签需求,例如,根据业务需求和业务经验提取影响续保率的特征;自下而上是指从场景触点中梳理标签需求。
第一创建模块206,用于根据所述多个对象和所述至少一个第一属性标签创建第一标签体系。
在一较佳实施例中,所述第一创建模块206还将所述第一标签体系存储到第二Hive数据库中。具体的,在第二Hive数据库中,按照对象、主分类、从分类和次分类的原则对所述多个对象对应的属性标签进行管理和扩展,例如,将对象和对象对应的属性标签在逻辑上划分为单独的库,如车辆标签库、客户标签库等。需要说明的是,将对象的属性标签进行存储时,可以采用第一存储方式和第二存储方式,其中,第一存储方式是指通过第二Hive数据库的独立数据表将对象、主分类和从分类进行划分存储,并将次分类和对象对应的属性标签设置为具体的标签字段;第二存储方式是指在第二Hive数据库中设置独立数据表存储对象、主分类、从分类和次分类,并将对象对应的属性标签设置为字段进行存储。
示例性的,对于车辆的保费规模业务,其第一标签体系存储层级关系按照对象、主分类、从分类、次分类和对象对应的属性标签划分为车辆、使用信息、用车、承保和保费规模。当采用第一存储方式进行存储时,将车辆、使用信息和用车命名为vechile_usetag_use_attr数据表,将承保和保费规模设置为最终字段,命名为ply_prem_tag;当采用第二存储方式进行存储时,将车辆、使用信息、用车和承保命名为vechile_usetag_use_ply_attr数据表,并将保费规模设置为最终字段,命名为prem_tag。需要说明的是,具体的存储原则需要根据实际场景进行判断后进行选择,判断对象分类下的属性标签数据量是否大于预设值,若对象分类下的标签数据量大于预置值,则采用第二存储方式;若分类下的标签数据不大于所述预设值,则采用第一存储方式。例如,“车辆—使用信息—用车”分类超过300个标签,则使用第二存储方式,采用根据细粒度的分类拆分数据表,属性标签分类和最终字段的对照关系可通过系统进行管理。
判断模块208,用于获取目标对象和所述目标对象的目标特征数据,并根据所述目标特征数据和所述至少一个第一属性标签判断是否需要创建第二标签体系。
具体的,在不同的业务场景中,需要对不同的对象建立算法模型,所以所述判断模块208要确定目标对象和目标对象的目标特征数据,然后将所述目标特征数据和所述第一属性标签中的多个第一目标特征逐一进行匹配,从而判断是否需要创建第二标签体系。
示例性,在针对货车的车险定价时,需要建立货车的风险定价模型,该算法模型涉及到的特征数据包括:车况、违章记录、车辆所有人信息、营运性质、核定载重和保险记录等,其中,营运性质和核定载重为货车的目标特征数据,车况、违章信息、车辆所有人信息和保险记录等特征为所有类型的车辆共有,已纳入在第一标签体系中。所述判断模块208将货车的目标特征数据与第一属性标签中的各个第一目标特征进行逐一匹配,从而判断是否需要建立第二标签体系;当所述目标特征数据和所述各个第一目标特征都不匹配时,则判断需要建立所述第二标签体系。
分析模块210,用于当判断需要创建第二标签体系时,则从所述目标数据中提取与所述目标特征数据对应的第二目标特征,并对所述第二目标特征进行聚类分析以得到至少一个第二属性标签。
示例性的,在针对货车的车险定价时,所述判断模块208通过将货车的目标特征数据与各个第一目标特征进行逐一匹配后,判断需要建立第二标签体系。所述分析模块210则根据货车这一对象从目标数据中提取与营运性质和核定载重对应的第二目标特征,然后第二目标特征进行聚类分析,得到对应的第二属性标签。
第二创建模块212,用于根据所述目标对象和所述至少一个第二属性标签创建第二标签体系。
示例性的,所述第二创建模块212根据货车这一目标对象和对应的第二属性标签创建第二标签体系。同样的,也将所述至少一个第二属性标签存储到所述第二数据库中,管理规则也和第一属性标签的相同。
筛选模块214,用于根据所述目标特征数据从所述第一标签体系和所述第二标签体系或所述第二标签体系中筛选与所述目标特征数据对应的目标属性标签以建立目标模型,并根据所述目标模型向目标用户推荐业务。
示例性的,针对货车车险的风险定价模型,所述筛选模块214需要从第一标签体系筛选与车况、违章信息、车辆所有人信息和保险记录对应的属性标签,也需要从第二标签体系中筛选与营运性质和核定载重对应的属性标签,然后根据这些属性标签建立风险定价模型,然后根据风险定价模型计算不同货车的保险价格,从而向目标客户推荐业务。
本发明实施例通过根据建立针对大多数对象的第一标签体系,再根据具体应用场景中的目标对象来判断是否建立第二标签体系,能够减少在构建标签体系时的计算资源浪费,提高数据资源利用率。
实施例三
参阅图3,是本发明实施例之计算机设备的硬件架构示意图。本实施例中,所述计算机设备2是一种能够按照事先设定或者存储的指令,自动进行数值计算和/或信息处理的设备。该计算机设备2可以是机架式服务器、刀片式服务器、塔式服务器或机柜式服务器(包括独立的服务器,或者多个服务器所组成的服务器集群)等。如图3所示,所述计算机设备2至少包括,但不限于,可通过系统总线相互通信连接存储器21、处理器22、网络接口23、以及标签体系的构建装置20。其中:
本实施例中,存储器21至少包括一种类型的计算机可读存储介质,所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中,存储器21可以是计算机设备2的内部存储单元,例如该计算机设备2的硬盘或内存。在另一些实施例中,存储器21也可以是计算机设备2的外部存储设备,例如该计算机设备2上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。当然,存储器21还可以既包括计算机设备2的内部存储单元也包括其外部存储设备。本实施例中,存储器21通常用于存储安装于计算机设备2的操作系统和各类应用软件,例如实施例二的标签体系的构建装置20的程序代码等。此外,存储器21还可以用于暂时地存储已经输出或者将要输出的各类数据。
处理器22在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器22通常用于控制计算机设备2的总体操作。本实施例中,处理器22用于运行存储器21中存储的程序代码或者处理数据,例如运行标签体系的构建装置20,以实现实施例一的标签体系的构建方法。
所述网络接口23可包括无线网络接口或有线网络接口,该网络接口23通常用于在所述计算机设备2与其他电子装置之间建立通信连接。例如,所述网络接口23用于通过网络将所述计算机设备2与外部终端相连,在所述计算机设备2与外部终端之间的建立数据传输通道和通信连接等。所述网络可以是企业内部网(Intranet)、互联网(Internet)、全球移动通讯系统(Global System of Mobile communication,GSM)、宽带码分多址(WidebandCode Division Multiple Access,WCDMA)、4G网络、5G网络、蓝牙(Bluetooth)、Wi-Fi等无线或有线网络。
需要指出的是,图3仅示出了具有部件20-23的计算机设备2,但是应理解的是,并不要求实施所有示出的部件,可以替代的实施更多或者更少的部件。
在本实施例中,存储于存储器21中的所述标签体系的构建装置20还可以被分割为一个或者多个程序模块,所述一个或者多个程序模块被存储于存储器21中,并由一个或多个处理器(本实施例为处理器22)所执行,以完成本发明。
例如,图2示出了所述实现标签体系的构建装置20实施例二的程序模块示意图,该实施例中,所述基于标签体系的构建装置20可以被划分为获取模块200、清洗模块202、提取模块204、第一创建模块206、判断模块208、分析模块210、第二创建模块212、筛选模块214。其中,本发明所称的程序模块是指能够完成特定功能的一系列计算机程序指令段,比程序更适合于描述所述标签体系的构建装置20在所述计算机设备2中的执行过程。所述程序模块200-214的具体功能在实施例二中已有详细描述,在此不再赘述。
实施例四
本实施例还提供一种计算机可读存储介质,如闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘、服务器、App应用商城等等,其上存储有计算机程序,程序被处理器执行时实现相应功能。本实施例的计算机可读存储介质用于存储标签体系的构建装置20,被处理器执行时实现实施例一的标签体系的构建方法。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种标签体系的构建方法,其特征在于,所述方法包括:
获取多个业务数据源中的元数据,对所述元数据进行处理以得到原始数据,并将所述原始数据存储到第一数据库中;
对所述原始数据进行清洗和合并以得到目标数据,并将所述目标数据存储到第二数据库中;
根据预设的多个对象从所述目标数据中提取与所述多个对象对应的多个第一目标特征,并对所述多个第一目标特征进行聚类分析以得到至少一个第一属性标签;
根据所述多个对象和所述至少一个第一属性标签创建第一标签体系;
获取目标对象和所述目标对象的目标特征数据,并根据所述目标特征数据和所述至少一个第一属性标签判断是否需要创建第二标签体系;
当判断需要创建第二标签体系时,则从所述目标数据中提取与所述目标特征数据对应的第二目标特征,并对所述第二目标特征进行聚类分析以得到至少一个第二属性标签;
根据所述目标对象和所述至少一个第二属性标签创建第二标签体系;
根据所述目标特征数据从所述第一标签体系和所述第二标签体系或所述第二标签体系中筛选与所述目标特征数据对应的目标属性标签以建立目标模型,并根据所述目标模型向目标用户推荐业务。
2.根据权利要求1所述的标签体系的构建方法,其特征在于,所述对所述元数据进行处理以得到原始数据的步骤,包括:
根据预设的第一数据格式对所述元数据进行数据校验和冗余性处理以得到所述原始数据。
3.根据权利要求1所述的标签体系的构建方法,其特征在于,所述对所述原始数据进行清洗和合并以得到目标数据的步骤,包括:
根据预设的第二数据格式对所述原始数据进行清洗,以得到样本数据,其中,所述样本数据包括字段名;
根据所述字段名对所述样本数据进行合并以得到目标数据。
4.根据权利要求1所述的标签体系的构建方法,其特征在于,所述根据预设的多个对象从所述目标数据中提取与所述多个对象对应的多个第一目标特征的步骤,包括:
识别所述预设的多个对象以确定与所述多个对象对应的多个标识信息;
根据所述多个标识信息从所述目标数据中提取对应的多个第一目标特征。
5.根据权利要求1所述的标签体系的构建方法,其特征在于,所述根据所述多个对象和所述至少一个第一属性标签创建第一标签体系的步骤之后,还包括:
将所述至少一个第一属性标签存储到所述第二数据库中。
6.根据权利要求1所述的标签体系的构建方法,其特征在于,所述根据所述目标特征数据和所述至少一个第一属性标签判断是否需要创建第二标签体系的步骤,包括:
将所述目标特征数据和所述至少一个第一属性标签中的多个第一目标特征逐一进行匹配;
当所述目标特征数据和所述多个第一目标特征都不匹配时,则判断需要建立所述第二标签体系。
7.根据权利要求1所述的标签体系的构建方法,其特征在于,所述根据所述目标特征数据和所述至少一个第一属性标签判断是否需要创建第二标签体系的步骤之后,还包括:
当判断不需要创建第二标签体系时,则根据所述目标特征数据从所述第一标签体系中筛选与所述目标特征数据对应的目标属性标签以建立所述目标模型,并根据所述目标模型向目标用户推荐业务。
8.一种标签体系的构建装置,其特征在于,包括:
获取模块,用于获取多个业务数据源中的元数据,对所述元数据进行处理以得到原始数据,并将所述原始数据存储到第一数据库中;
清洗模块,用于对所述原始数据进行清洗和合并以得到目标数据,并将所述目标数据存储到第二数据库中;
提取模块,用于根据预设的多个对象从所述目标数据中提取与所述多个对象对应的多个第一目标特征,并对所述多个第一目标特征进行聚类分析以得到至少一个第一属性标签;
第一创建模块,用于根据所述多个对象和所述至少一个第一属性标签创建第一标签体系;
判断模块,用于获取目标对象和所述目标对象的目标特征数据,并根据所述目标特征数据和所述至少一个第一属性标签判断是否需要创建第二标签体系;
分析模块,用于当判断需要创建第二标签体系时,则从所述目标数据中提取与所述目标特征数据对应的第二目标特征,并对所述第二目标特征进行聚类分析以得到至少一个第二属性标签;
第二创建模块,用于根据所述目标对象和所述至少一个第二属性标签创建第二标签体系;
筛选模块,用于根据所述目标特征数据从所述第一标签体系和所述第二标签体系或所述第二标签体系中筛选与所述目标特征数据对应的目标属性标签以建立目标模型,并根据所述目标模型向目标用户推荐业务。
9.一种计算机设备,其特征在于,所述计算机设备存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的标签体系的构建方法的步骤。
10.一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内存储有计算机程序,所述计算机程序可被至少一个处理器所执行,以使所述至少一个处理器执行如权利要求1至7中任一项所述的标签体系的构建方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911290678.7A CN111177129B (zh) | 2019-12-16 | 2019-12-16 | 标签体系的构建方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911290678.7A CN111177129B (zh) | 2019-12-16 | 2019-12-16 | 标签体系的构建方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111177129A true CN111177129A (zh) | 2020-05-19 |
CN111177129B CN111177129B (zh) | 2023-08-08 |
Family
ID=70650202
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911290678.7A Active CN111177129B (zh) | 2019-12-16 | 2019-12-16 | 标签体系的构建方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111177129B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111681775A (zh) * | 2020-06-03 | 2020-09-18 | 北京启云数联科技有限公司 | 基于医药大数据的药品应用分析的方法、系统及装置 |
CN111723142A (zh) * | 2020-06-24 | 2020-09-29 | 厦门海迈科技股份有限公司 | 一种数据处理方法及装置 |
CN111984898A (zh) * | 2020-06-29 | 2020-11-24 | 平安国际智慧城市科技股份有限公司 | 基于大数据的标签推送方法、装置、电子设备及存储介质 |
CN112581295A (zh) * | 2020-12-15 | 2021-03-30 | 平安养老保险股份有限公司 | 基于字段拆分的产品数据处理方法、装置、设备和介质 |
CN113313344A (zh) * | 2021-04-13 | 2021-08-27 | 武汉烽火众智数字技术有限责任公司 | 一种融合多模式的标签体系构建方法和系统 |
CN115203483A (zh) * | 2022-07-15 | 2022-10-18 | 小米汽车科技有限公司 | 标签管理方法、装置、车辆、存储介质及芯片 |
CN115510324A (zh) * | 2022-09-29 | 2022-12-23 | 中电金信软件有限公司 | 一种标签体系的确定方法、装置、电子设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108256119A (zh) * | 2018-02-14 | 2018-07-06 | 北京方正阿帕比技术有限公司 | 一种资源推荐模型的构建方法及基于该模型的资源推荐方法 |
CN109582875A (zh) * | 2018-12-17 | 2019-04-05 | 武汉泰乐奇信息科技有限公司 | 一种在线医疗教育资源的个性化推荐方法及系统 |
CN109978630A (zh) * | 2019-04-02 | 2019-07-05 | 安徽筋斗云机器人科技股份有限公司 | 一种基于大数据建立用户画像的精准营销方法和系统 |
CN110502538A (zh) * | 2019-07-05 | 2019-11-26 | 中国平安人寿保险股份有限公司 | 画像标签生成逻辑映射的方法、系统、设备及存储介质 |
-
2019
- 2019-12-16 CN CN201911290678.7A patent/CN111177129B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108256119A (zh) * | 2018-02-14 | 2018-07-06 | 北京方正阿帕比技术有限公司 | 一种资源推荐模型的构建方法及基于该模型的资源推荐方法 |
CN109582875A (zh) * | 2018-12-17 | 2019-04-05 | 武汉泰乐奇信息科技有限公司 | 一种在线医疗教育资源的个性化推荐方法及系统 |
CN109978630A (zh) * | 2019-04-02 | 2019-07-05 | 安徽筋斗云机器人科技股份有限公司 | 一种基于大数据建立用户画像的精准营销方法和系统 |
CN110502538A (zh) * | 2019-07-05 | 2019-11-26 | 中国平安人寿保险股份有限公司 | 画像标签生成逻辑映射的方法、系统、设备及存储介质 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111681775A (zh) * | 2020-06-03 | 2020-09-18 | 北京启云数联科技有限公司 | 基于医药大数据的药品应用分析的方法、系统及装置 |
CN111681775B (zh) * | 2020-06-03 | 2023-09-29 | 北京启云数联科技有限公司 | 基于医药大数据的药品应用分析的方法、系统及装置 |
CN111723142A (zh) * | 2020-06-24 | 2020-09-29 | 厦门海迈科技股份有限公司 | 一种数据处理方法及装置 |
CN111984898A (zh) * | 2020-06-29 | 2020-11-24 | 平安国际智慧城市科技股份有限公司 | 基于大数据的标签推送方法、装置、电子设备及存储介质 |
CN112581295A (zh) * | 2020-12-15 | 2021-03-30 | 平安养老保险股份有限公司 | 基于字段拆分的产品数据处理方法、装置、设备和介质 |
CN112581295B (zh) * | 2020-12-15 | 2023-09-26 | 平安养老保险股份有限公司 | 基于字段拆分的产品数据处理方法、装置、设备和介质 |
CN113313344A (zh) * | 2021-04-13 | 2021-08-27 | 武汉烽火众智数字技术有限责任公司 | 一种融合多模式的标签体系构建方法和系统 |
CN115203483A (zh) * | 2022-07-15 | 2022-10-18 | 小米汽车科技有限公司 | 标签管理方法、装置、车辆、存储介质及芯片 |
CN115203483B (zh) * | 2022-07-15 | 2024-02-13 | 小米汽车科技有限公司 | 标签管理方法、装置、车辆、存储介质及芯片 |
CN115510324A (zh) * | 2022-09-29 | 2022-12-23 | 中电金信软件有限公司 | 一种标签体系的确定方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111177129B (zh) | 2023-08-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111177129B (zh) | 标签体系的构建方法、装置、设备及存储介质 | |
CN108268593B (zh) | 信用卡投保信息的处理方法、装置、服务器和存储介质 | |
US7904366B2 (en) | Method and system to determine resident qualifications | |
CN107944011B (zh) | 团体保单数据的处理方法、装置、服务器和存储介质 | |
CN112541745B (zh) | 用户行为数据分析方法、装置、电子设备及可读存储介质 | |
CN107679740A (zh) | 业务员筛选激活方法、电子装置及计算机可读存储介质 | |
CN111209400B (zh) | 一种数据分析的方法及装置 | |
CN110634021A (zh) | 基于大数据的车辆估值方法、系统、设备及可读存储介质 | |
CN108416506B (zh) | 客户风险等级管理方法、服务器及计算机可读存储介质 | |
CN107807967B (zh) | 实时推荐方法、电子设备及计算机可读存储介质 | |
CN111914135A (zh) | 数据查询方法、装置、电子设备及存储介质 | |
CN112507212A (zh) | 智能回访方法、装置、电子设备及可读存储介质 | |
CN111401690A (zh) | 车队风险识别方法、电子装置及可读存储介质 | |
CN111177511A (zh) | 利用爬虫获取并解析公告信息方法及装置 | |
CN111159183A (zh) | 报表生成方法、电子装置及计算机可读存储介质 | |
CN114187449A (zh) | 车辆信息处理方法、装置、计算机设备和存储介质 | |
CN111242779B (zh) | 金融数据特征选择和预测方法、装置、设备及存储介质 | |
CN112733049A (zh) | 一种车辆信息展示方法及装置 | |
CN116503092A (zh) | 用户留资意向识别方法、装置、电子设备及存储介质 | |
CN110443560B (zh) | 一种协议数据管理方法、装置、计算机设备及存储介质 | |
CN112613853A (zh) | 一种数据归集方法、装置、计算机设备和可读存储介质 | |
CN108985950B (zh) | 电子装置、用户骗保风险预警方法及存储介质 | |
CN114416807A (zh) | 一种客户账户的数据合并方法、装置及系统 | |
CN110442780B (zh) | 基于智慧园区的车主画像生成方法、装置和计算机设备 | |
CN111369790B (zh) | 过车记录校正方法、装置、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |