CN111192091A - 通信企业集团客户成员识别方法、存储介质和计算机设备 - Google Patents
通信企业集团客户成员识别方法、存储介质和计算机设备 Download PDFInfo
- Publication number
- CN111192091A CN111192091A CN201911422307.XA CN201911422307A CN111192091A CN 111192091 A CN111192091 A CN 111192091A CN 201911422307 A CN201911422307 A CN 201911422307A CN 111192091 A CN111192091 A CN 111192091A
- Authority
- CN
- China
- Prior art keywords
- data
- training data
- model
- recognition
- key features
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000004891 communication Methods 0.000 title claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 69
- 238000011156 evaluation Methods 0.000 claims abstract description 22
- 230000000694 effects Effects 0.000 claims abstract description 17
- 230000008030 elimination Effects 0.000 claims description 13
- 238000003379 elimination reaction Methods 0.000 claims description 13
- 238000002790 cross-validation Methods 0.000 claims description 11
- 238000007477 logistic regression Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 7
- 238000004140 cleaning Methods 0.000 claims description 6
- 238000010219 correlation analysis Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000005065 mining Methods 0.000 claims description 2
- 201000004569 Blindness Diseases 0.000 abstract description 4
- 238000012795 verification Methods 0.000 description 7
- 238000002474 experimental method Methods 0.000 description 6
- 238000010187 selection method Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003012 network analysis Methods 0.000 description 2
- 208000025174 PANDAS Diseases 0.000 description 1
- 208000021155 Paediatric autoimmune neuropsychiatric disorders associated with streptococcal infection Diseases 0.000 description 1
- 240000000220 Panda oleosa Species 0.000 description 1
- 235000016496 Panda oleosa Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012216 screening Methods 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- G06Q50/60—
Abstract
本发明公开了一种通信企业集团客户成员识别方法,包括:根据基础训练数据进行特征工程,获取关键特征;根据关键特征从基础训练数据中选取训练数据,并利用训练数据对识别模型训练;根据预设指标对识别模型的识别效果进行评估,根据评估结果对模型参数进行调整,直至评估结果达到预设值,得到最优识别模型;根据关键特征,利用最优识别模型对新增业务数据进行通信企业集团客户成员识别。本发明通过特征工程获取对识别影响重要的关键特征,避免了特征选取的盲目性,进一步提高识别质量、性能、效果和识别效率。本发明还公开了一种存储介质和计算机设备。
Description
技术领域
本发明涉及通讯技术领域,具体而言,涉及一种通信企业集团客户成员识别方法、存储介质和计算机设备。
背景技术
通信企业集团客户市场存在客户信息虚假、集团成员真假并存等现状,因此,如何有效识别现有集团成员的真实性,以针对真实集团成员展开有针对性的维护,在提高客户服务质量的同时,降低企业运营成本,成为通信企业亟待解决的问题。
现有的通信企业集团客户成员识别,存在如下问题:
现有方法的特征选取多基于常识假设。即针对成员识别,按照固定的基本常识选取一些常用的固定特征(例如:订购VPNM、集团统付、集团彩铃、手机邮箱、是否漫游、终端类型等),但是基于常识选取的特征并不一定是影响识别的区别特征,从而导致识别质量下降。
发明内容
本发明正是基于上述问题,提出了一种通信企业集团客户成员识别方法、存储介质和计算机设备。
有鉴于此,本发明提出了一种通信企业集团客户成员识别方法,包括如下步骤:
根据基础训练数据进行特征工程,获取关键特征;
根据所述关键特征从所述基础训练数据中选取训练数据,并利用所述训练数据对识别模型训练;
根据预设指标对所述识别模型的识别效果进行评估,根据评估结果对模型参数进行调整,直至评估结果达到预设值,得到最优识别模型;
根据所述关键特征,利用所述最优识别模型对新增业务数据进行通信企业集团客户成员识别。
本发明还公开一种存储介质,包括指令,当所述指令在计算机上运行时,使所述计算机执行上述技术方案所述的通信企业集团客户成员识别方法。
本发明还公开一种计算机设备,包括存储器、处理器及存储在所述存储器上的并可在所述处理器上运行的计算机程序,所述处理器执行所述程序时,实现上述技术方案所述的通信企业集团客户成员识别方法。
本发明的有益效果是:通过特征工程获取对识别影响重要的关键特征,再根据关键特征利用基础训练数据对识别模型进行训练,再利用预设指标对识别模型进行优化,得到最优识别模型,再利用最优识别模型进行识别,避免了特征选取的盲目性,进一步提高识别质量、性能、效果和识别效率。
附图说明
图1示出了根据本发明的实施例提供的一种通信企业集团客户成员识别方法流程图;
图2示出了业务场景示意图;
图3示出了通话网络示意图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了根据本发明的实施例提供的一种通信企业集团客户成员识别方法流程图。
如图1所示,本实施例中,一种通信企业集团客户成员识别方法,包括如下步骤:
根据基础训练数据进行特征工程,获取关键特征;
根据所述关键特征从所述基础训练数据中选取训练数据,并利用所述训练数据对识别模型训练;
其中,因为基础训练数据有多个维度的数据特征,根据所述关键特征从所述基础训练数据中选取训练数据,即为从基础训练数据中选择与关键特征对应的数据,作为训练数据。
根据预设指标对所述识别模型的识别效果进行评估,根据评估结果对模型参数进行调整,直至评估结果达到预设值,得到最优识别模型;
其中,对模型参数进行调整可采用网格搜索+交叉验证的方法。
根据所述关键特征,利用所述最优识别模型对新增业务数据进行通信企业集团客户成员识别。
在算法识别领域,通常需要先运用先验数据对识别模型进行训练优化,尔后利用经训练的最优识别模型对待识别数据进行识别。
基础训练数据即为先验数据,基础训练数据中包括订购VPNM、集团统付、集团彩铃、手机邮箱、是否漫游、终端类型等成员业务订购使用特征和成员通信记录等成员通信特征,这些特征并不都与识别相关,一些基于常识选取的特点并不是识别模型的区别特征。
如:例如,从业务常识上来说,若集团M为集团成员N缴纳通信费用,则认为成员N为集团M真实的集团客户成员,由此,将“是否集团统付”变量作为分类模型的重要特征。但通过对真实数据分析发现,实际业务中存在如图2所示的情况。图2中,集团成员1与集团成员2在集团客户系统中均显示为集团A的集团客户成员,但仅集团成员1实际就职于集团A,集团成员2实际就职于集团B,也就是说,对集团A而言,集团成员1为真正的集团客户成员,而集团成员2则是虚假的集团客户成员。假设集团A缴付其员工(集团成员1)的通信费用,集团B缴付其员工(集团成员2)的通信费用,则集团成员1与集团成员2的通信费用均是集团统付,在判断集团成员2是否为集团A的真实成员时,在“是否集团统付”这一变量上均取值为“真”,即“是否集团统付”无法作为区分集团A真实与虚假成员的有效特征。因此,仅基于常识假设进行特征选取是不合理的。
在上述实施例中,通过特征工程获取对识别影响重要的关键特征,再根据关键特征利用基础训练数据对识别模型进行训练,得到具有优化识别模型参数的识别模型,再利用该识别模型对待识别数据进行识别,避免了特征选取的盲目性,进一步提高识别质量、性能、效果和识别效率。
可选地,所述根据基础训练数据进行特征工程,获取关键特征之前,还包括,
对所述基础训练数据进行数据清洗、字段填充和类别数据不平衡处理。
数据清洗:即删除缺失值非常严重的数据记录以及记录错误的数据记录。这些缺失值非常严重的数据记录,无法用于识别,反而会使识别性能下降,因此需要删除。
字段填充:针对一些缺失值不是很严重的数据记录,如果将这些数据记录都删除,那么样本数据会减少很多,因此需要对该类数据进行填充,以使得数据更完善有效,方法是根据同属性值的平均数或者众数对缺失值填充。
类别数据不平衡处理:即平衡类别数据,可采用合成少数类过采样技术来平衡类别数据。现有方法未考虑实际业务中存在的类别数据不均衡问题,假设共有100名集团成员,其中包含90名真实成员,10名虚假成员,在运用模型评估时,由于虚假成员数量相对于真实成员数量少很多,模型在测试时更偏向将被判断对象预测为真实成员,从而影响评估性能。
上述实施例中,通过数据清洗,减少没有意义的数据,从而提高识别速度;通过字段填充,从而增加有效数据,提高识别效果;通过类别数据不平衡处理,避免类别数据不均衡带来的评估效果影响,从而提高评估效果。
可选地,所述关键特征包括成员业务订购使用优选特征和节点可达的真实成员数;
所述根据基础训练数据进行特征工程,获取关键特征,包括,
对所述基础训练数据中的通信数据进行挖掘,获得节点可达的真实成员数;
对所述基础训练数据中的成员业务订购使用特征进行选取,获得所述成员业务订购使用优选特征。
节点可达的真实成员数的意义和求取如下:
如图3(a)所示,假设用户A与用户B均为集团M的真实用户,由于二者在第一层通话中并没有发生通话关系,因此二者之间呈现无联系状态;而在图3(b)中,用户A作为主叫与被叫用户C发生过通话关系,而由于第二层通信数据的加入,发现用户C作为主叫曾与用户B发生过通话关系,这就使得同为真实成员的用户A与用户B产生了关联。由此,针对构建的有向网络,提出“节点可达的真实成员数”这一指标,并假设真实成员节点可联系到的真实成员较多,而虚假成员可联系到的真实成员数相对较少,由此以该指标作为区分真实成员与虚假成员的特征之一。对该指标做出如下定义:
假设通信网络的节点集合为V={v1,v2,…,vn},若节点vi与节点vj之间存在一条由节点vi指向节点vj的弧,则称节点vi直接可达节点vj;
若节点vi与节点vk之间存在一个由节点vi开始,到节点vk终止的弧序列,每条弧的终点正好作为另一条弧的起点,即该弧序列始终沿着弧的方向,且该序列中每个节点仅出现一次,则称节点vi可达节点vk;
若节点vi可达节点vk,且节点vk为真实成员,则节点vi可达的真实成员数加1。由此,可获得节点可达真实成员数。
求取节点可达真实成员数的通话关系数据来自于基础训练数据中的通信记录。
求取节点可达真实成员数可用社会网络分析方法求取。
实验表明,节点可达的真实成员数这一特征对提升识别模型性能的作用非常明显。
对所述基础训练数据中的成员业务订购使用特征进行选取,获得所述成员业务订购使用优选特征,即,选取成员业务订购使用特征中对识别结果影响较大的特征,并去除冗余特征(即相互间相关性较大的特征),从而得到成员业务订购使用优选特征。
上述实施例中,通过基于现有数据挖掘出节点可达的真实成员数作为关键特征,可进一步提高识别效果;通过对成员业务订购使用特征进行筛选和去冗余,降低算法复杂度,进一步提高识别效率。
可选地,所述对所述基础训练数据中的成员业务订购使用特征进行选取,获得所述成员业务订购使用优选特征,包括,
对所述成员业务订购使用特征内的特征两两进行相关性分析,对相关性系数大于第一预设值的两个特征进行择一删除,得到由剩余的所述成员业务订购使用特征内的特征组成的第一成员业务订购使用特征;
其中,相关性系数可采用皮尔森Pearson相关性系数,第一预设值可以是0.7。
对所述第一成员订购使用特征内的每个特征和成员的类别数据进行相关性分析,选取相关性系数大于第二预设值的特征,得到第二成员业务订购使用特征;
其中,第二预设值可以是0.7。
采用递归特征消除和交叉验证方法对所述成员业务订购使用特征进行特征选择,得到第三成员业务订购使用特征;
对所述第二成员业务订购使用特征和所述第三成员业务订购使用特征进行合并,并删除重合的特征,得到所述成员业务订购使用优选特征。
递归特征消除和交叉验证方法使用预测模型进行训练,每轮训练后移除权值系数小的特征,再基于新的特征进行下一轮训练,最终获得对预测模型重要的特征。相较于单变量选择法、逻辑回归权重法,递归特征消除和交叉验证方法选取的特征,能够获取更好的识别性能。
通过进行相关性分析,选取与类别数据相关,并且去除冗余的数据,减少了特征和数据量,提高了识别速度和性能。
上述实施例中,通过综合采取递归特征消除和交叉验证方法和相关性分析方法进行特征选取,能够较好避免对识别结果较为重要的特征,被误删除,进一步提高识别准确度。
可选地,所述根据所述关键特征从所述基础训练数据中选取训练数据,并利用所述训练数据对识别模型训练,包括,
所述根据所述关键特征从所述基础训练数据中选取训练数据,并采用分层采样的交叉验证方法,利用所述训练数据对识别模型训练。
上述实施例中,通过选用分层采样的交叉验证方法进行训练,可保证训练集与测试集中各类别样本的比例与原始数据集中各样本所占比例相同,进一步提高评估结果的科学性和准确性。
可选地,所述识别模型为逻辑回归模型。
上述实施例中,逻辑回归模型计算代价较低、易于理解,且可以通过调整条件概率阈值,提高模型在不同方面的性能,从而提高评估效果。
可选地,所述预设指标,包括真实成员的召回率、虚假成员的精确率和模型的准确率。
真实成员的召回率=被正确预测的真实成员样本数/真实成员样本总数。
虚假成员的精确率=被正确预测的虚假成员样本数/被预测为虚假成员的样本总数。
模型的准确率=被正确预测的样本数/样本总数。
现有评估模型评价指标大多仅考虑准确率,没有考虑真实成员召回率和虚假成员的精确率,对模型性能指标的评价不够准确和全面,从而影响模型训练的效果和性能。例如:共有100名集团成员,其中包含90名真实成员,10名虚假成员,则当分类模型直接将全部成员判断为真时,其分类准确率也可高达90%,但此时模型对真正的真实成员和真正的虚假成员不具备识别性。同时,这也说明,现有方法选择准确率作为模型性能评价指标是不准确、不全面的,这就使得高准确率并不一定意味着模型具有良好的分类性能。
上述实施例中,通过将虚假成员的精确率和真实成员的召回率引入评估指标,使得对模型性能的评估更加全面、准确,从而提高模型迭代训练的效果。
可选地,根据所述关键特征,利用所述最优识别模型对新增业务数据进行通信企业集团客户成员识别,包括,
对所述新增业务数据进行数据清洗和字段填充得到第一新增业务数据;
根据所述关键特征从所述第一新增业务数据中提取数据,得到第二新增业务数据;
利用所述最优模型对所述第二新增业务数据进行通信企业集团客户成员识别。
本发明实施例还公开一种存储介质,包括指令,当所述指令在计算机上运行时,使所述计算机执行上述技术方案所述的通信企业集团客户成员识别方法。
本发明实施例还公开一种计算机设备,包括存储器、处理器及存储在所述存储器上的并可在所述处理器上运行的计算机程序,所述处理器执行所述程序时,实现上述技术方案所述的通信企业集团客户成员识别方法。
上述实施例中,通过特征工程获取对识别影响重要的关键特征,再根据关键特征利用基础训练数据对识别模型进行训练,再利用预设指标对识别模型进行优化,得到最优识别模型,再利用最优识别模型进行识别,避免了特征选取的盲目性,进一步提高识别质量、性能、效果和识别效率。
以下,简要叙述本发明实施例的实验和验证过程。
实验用到的工具如下:
工具/包 | 版本号 | 功能 |
python | 3.6.4 | 开发语言 |
scikit-learn | 0.19.1 | Python机器算法包 |
pandas | 0.22.0 | Python数据结构和数据分析库 |
numpy | 1.14.0 | Python矩阵运算库 |
pajek | 5.07 | 社会网络分析 |
选取10个集团的实际数据进行训练和测试。
实验1:对比运用合成少数类过采样技术进行类别数据不平衡处理和不进行类别数据不平衡处理的评估效果。
可得,10个集团中2个集团进行类别数据不平衡处理后,识别性能持平,8个集团进行类别数据不平衡处理后性能提高。其中,2个性能持平的集团属于原样本数据就呈相对均衡状态。从整体来看,类别数据不平衡处理后,模型性能提升明显(真实成员召回率最高提升9%,虚假成员精确率最高提升8%,准确率最高提升9%)。
可见,通过类别数据不平衡处理可以显著提升识别的性能。
实验2:对比三种特征选取方法——递归特征消除和交叉验证法、单变量选择法、逻辑回归权重法的模型评估指标。
可得,利用递归特征消除和交叉验证法获得18个关键特征;利用单变量选择法获得9个关键特征;利用逻辑回归权重法获得17个关键特征。基于上述关键特征分别构建逻辑回归识别模型,模型经训练及测试后发现,递归特征消除和交叉验证法相对其他两种方法在真实成员的召回率和虚假成员的精度上表现更好。因此,选择递归特征消除和交叉验证法获得的共性特征作为特征选取结果。
此外,基于递归特征消除和交叉验证法获得的关键特征与全部特征分别构建逻辑回归识别模型,模型经训练及测试后发现,前者在7个集团方面表现优于全部特征(真实成员的召回率和虚假成员的精度提高12%左右),但在3个集团中表现逊于全部特征(真实成员的召回率和虚假成员的精度下降7%左右)。又考虑到递归特征消除和交叉验证法获得的关键特征数量远小于全部特征数(36个),大大降低了模型的复杂度,提高了模型泛化能力。
可见,通过递归特征消除和交叉验证法进行特征工程,能够显著提升识别性能。
实验3:对比由递归特征消除和交叉验证法获得的18个关键特征+1个通信特征和仅18个关键特征对10个集团数据进行识别。
可得,模型评估性能提升幅度很大(真实成员召回率最高提升15%,虚假成员精确率最高提升14%,准确率最高提升10%),即10个集团中2个集团在加入通话特征前后性能持平,8个集团在加入通话特征后性能提高。
可见,引入节点可达的真实成员数这一通信特征能够显著提升模型评估性能。
以上所述仅为本发明的优选实施例而已,并不用以限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种通信企业集团客户成员识别方法,其特征在于,包括如下步骤:
根据基础训练数据进行特征工程,获取关键特征;
根据所述关键特征从所述基础训练数据中选取训练数据,并利用所述训练数据对识别模型训练;
根据预设指标对所述识别模型的识别效果进行评估,根据评估结果对模型参数进行调整,直至评估结果达到预设值,得到最优识别模型;
根据所述关键特征,利用所述最优识别模型对新增业务数据进行通信企业集团客户成员识别。
2.根据权利要求1所述的一种通信企业集团客户成员识别方法,其特征在于,所述根据基础训练数据进行特征工程,获取关键特征之前,还包括,
对所述基础训练数据进行数据清洗、字段填充和类别数据不平衡处理。
3.根据权利要求1或2所述的一种通信企业集团客户成员识别方法,其特征在于,所述关键特征包括成员业务订购使用优选特征和节点可达的真实成员数;
所述根据基础训练数据进行特征工程,获取关键特征,包括,
对所述基础训练数据中的通信数据进行挖掘,获得节点可达的真实成员数;
对所述基础训练数据中的成员业务订购使用特征进行选取,获得所述成员业务订购使用优选特征。
4.根据权利要求3所述的一种通信企业集团客户成员识别方法,其特征在于,所述对所述基础训练数据中的成员业务订购使用特征进行选取,获得所述成员业务订购使用优选特征,包括,
对所述成员业务订购使用特征内的特征两两进行相关性分析,对相关性系数大于第一预设值的两个特征进行择一删除,得到由剩余的所述成员业务订购使用特征内的特征组成的第一成员业务订购使用特征;
对所述第一成员业务订购使用特征内的每个特征和成员的类别数据进行相关性分析,选取相关性系数大于第二预设值的特征,得到第二成员业务订购使用特征;
采用递归特征消除和交叉验证方法对所述成员业务订购使用特征进行特征选择,得到第三成员业务订购使用特征;
对所述第二成员业务订购使用特征和所述第三成员业务订购使用特征进行合并,并删除重合的特征,得到所述成员业务订购使用优选特征。
5.根据权利要求1所述的一种通信企业集团客户成员识别方法,其特征在于,所述根据所述关键特征从所述基础训练数据中选取训练数据,并利用所述训练数据对识别模型训练,包括,
所述根据所述关键特征从所述基础训练数据中选取训练数据,并采用分层采样的交叉验证方法,利用所述训练数据对识别模型训练。
6.根据权利要求1所述的一种通信企业集团客户成员识别方法,其特征在于,所述识别模型为逻辑回归模型。
7.根据权利要求1所述的一种通信企业集团客户成员识别方法,其特征在于,所述预设指标,包括真实成员的召回率、虚假成员的精确率和模型的准确率。
8.根据权利要求2所述的一种通信企业集团客户成员识别方法,其特征在于,根据所述关键特征,利用所述最优识别模型对新增业务数据进行通信企业集团客户成员识别,包括,
对所述新增业务数据进行数据清洗和字段填充得到第一新增业务数据;
根据所述关键特征从所述第一新增业务数据中提取数据,得到第二新增业务数据;
利用所述最优模型对所述第二新增业务数据进行通信企业集团客户成员识别。
9.一种存储介质,包括指令,其特征在于,当所述指令在计算机上运行时,使所述计算机执行根据权利要求1-8任一项所述的通信企业集团客户成员识别方法。
10.一种计算机设备,包括存储器、处理器及存储在所述存储器上的并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时,实现如权利要求1-8任一项所述的通信企业集团客户成员识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911422307.XA CN111192091A (zh) | 2019-12-30 | 2019-12-30 | 通信企业集团客户成员识别方法、存储介质和计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911422307.XA CN111192091A (zh) | 2019-12-30 | 2019-12-30 | 通信企业集团客户成员识别方法、存储介质和计算机设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111192091A true CN111192091A (zh) | 2020-05-22 |
Family
ID=70709732
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911422307.XA Withdrawn CN111192091A (zh) | 2019-12-30 | 2019-12-30 | 通信企业集团客户成员识别方法、存储介质和计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111192091A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113673245A (zh) * | 2021-07-15 | 2021-11-19 | 北京三快在线科技有限公司 | 实体识别方法、装置、电子设备及可读存储介质 |
-
2019
- 2019-12-30 CN CN201911422307.XA patent/CN111192091A/zh not_active Withdrawn
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113673245A (zh) * | 2021-07-15 | 2021-11-19 | 北京三快在线科技有限公司 | 实体识别方法、装置、电子设备及可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sharma et al. | A survey on software testing techniques using genetic algorithm | |
US8644468B2 (en) | Carrying out predictive analysis relating to nodes of a communication network | |
CN107301210A (zh) | 一种数据处理方法 | |
CN111652661B (zh) | 一种手机客户端用户流失预警处理方法 | |
CN109936857B (zh) | 一种无线感知度智能识别方法 | |
CN112948274A (zh) | 测试用例评分模型训练方法和测试用例选择方法 | |
CN111639690A (zh) | 基于关系图谱学习的欺诈分析方法、系统、介质及设备 | |
Das et al. | Multi-objective feature selection (MOFS) algorithms for prediction of liquefaction susceptibility of soil based on in situ test methods | |
CN113409016A (zh) | 应用于大数据云办公的信息处理方法、服务器及介质 | |
CN110502432B (zh) | 智能测试方法、装置、设备及可读存储介质 | |
CN109308564A (zh) | 人群绩效等级识别方法、装置、存储介质及计算机设备 | |
CN111192091A (zh) | 通信企业集团客户成员识别方法、存储介质和计算机设备 | |
US20200082822A1 (en) | System and method for mapping a customer journey to a category | |
CN114048199A (zh) | 5g套餐潜在用户的识别方法、装置、设备及存储介质 | |
CN114647790A (zh) | 应用于行为意图分析的大数据挖掘方法及云端ai服务系统 | |
CN107871055A (zh) | 一种数据分析方法和装置 | |
CN115712843B (zh) | 基于人工智能的数据匹配检测处理方法及系统 | |
CN114201199B (zh) | 基于信息安全大数据的防护升级方法及信息安全系统 | |
CN115409115A (zh) | 基于用户日志的时序聚类异常终端识别方法 | |
CN110087230B (zh) | 数据处理方法、装置、存储介质及电子设备 | |
CN106875276A (zh) | 一种通信用户社交圈生成方法及系统 | |
Gruszczyński et al. | Application of social network inferred data to churn modeling in telecoms | |
Morani et al. | Developement of Prediction in Clients’ Consent to a Bank Term Deposit Using Feature Selection | |
CN115115449B (zh) | 一种面向金融供应链的优化数据推荐的方法及系统 | |
Madhusudanarao et al. | On Learning for Ambiguous Chance Constrained Problems |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20200522 |