CN111209486B - 一种混合推荐规则的管理平台数据推荐方法 - Google Patents
一种混合推荐规则的管理平台数据推荐方法 Download PDFInfo
- Publication number
- CN111209486B CN111209486B CN201911318147.4A CN201911318147A CN111209486B CN 111209486 B CN111209486 B CN 111209486B CN 201911318147 A CN201911318147 A CN 201911318147A CN 111209486 B CN111209486 B CN 111209486B
- Authority
- CN
- China
- Prior art keywords
- user
- recommendation
- result
- supervised
- platform
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9536—Search customisation based on social or collaborative filtering
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及一种混合推荐规则的管理平台数据推荐方法，记录并学习平台用户对被监管对象的操作行为，结合平台用户的角色权限，作为协同过滤推荐规则的输入，对被监管对象从若干评分维度进行分析，生成对被监管对象自身属性的评估指标，作为对象多维度推荐规则的输入，叠加输入内容，输出综合排序结果，平台用户查看后将感兴趣目标对象置顶显示。本发明集成协同推荐规则以及对象多维度推荐规则，满足不同角色的用户管理，根据用户兴趣方向以及对象信息变化推送不同的排序结果；可优先获取突发情况数据，用户订阅行为数据反向修正推荐结果，实现推荐算法闭环，提升整个算法的准确度，基于推荐结果可以有效提升平台用户的工作效率，及时发现潜在问题。
Description
技术领域
本发明涉及电数字数据处理的技术领域，特别涉及一种特别适用于特定功能的数字计算设备或数据处理设备或数据处理方法的混合推荐规则的管理平台数据推荐方法。
背景技术
网络的应用越来越广泛，基于此，对于网络安全的监管工作越来越重要，国务院工业和信息化、公安部门和其他有关部门在各自职责范围内负责网络安全保护和监督管理工作。为了完成这样一个对于全社会范围内的网络安全的“监督管理”工作，务必要解决有限的人力资源应对“海量”的“被监管单位”问题，实现人力高效工作与产出，及时发现重点问题并采取有效措施，降低影响，挽回损失，从而实现网络安全“事前，事中，事后”的全面管理。
网络安全监管部门日常工作需要借助网络安全监管平台(或者称之为“网络安全态势感知”平台)对辖区内被监管单位的进行实时监测、评估，并对分析结果进行处理。在此过程中，平台使用用户每天的待处理列表中一般都是按照数据更新时间或者相关告警数量多少进行排序，需要浪费大量的时间与精力查看的大量价值不高的告警，而需要重点关注的监管对象的安全问题往往淹没在大量虚假或者非紧急告警中，无法及时被发现，即用户获取信息过载问题，需要借助一定信息推荐技术解决该问题。
另一方面，监管平台通常在监测到发生问题后才能进行事后取证通报，不能有效做到事前感知预警，不能及时、准确发现潜在问题，无法从海量监管对象以及相关问题的动态变化关联关系中准确推送具有价值的对象，从而无法实现“事前预警”的预期目标。
发明内容
本发明解决了现有技术中，管理平台通常在发生问题后才能进行事后取证通报，不能有效做到事前感知预警，不能及时、准确发现潜在问题，提供了一种优化的混合推荐规则的管理平台数据推荐方法，方便平台用户在海量对象中高效、快速的发现高价值的线索与需要关注的“被监管对象”信息，提升平台的使用价值。
本发明所采用的技术方案是，一种混合推荐规则的管理平台数据推荐方法，所述方法包括以下步骤：
步骤1：记录并学习平台用户对被监管对象的操作行为，结合平台用户的角色权限，作为协同过滤推荐规则的输入；
步骤2：对被监管对象从若干评分维度进行分析，生成对被监管对象自身属性的评估指标，作为对象多维度推荐规则的输入；
步骤3：以步骤1和步骤2的输入内容进行叠加，输出综合排序结果；
步骤4：平台用户查看综合排序结果，将感兴趣的目标对象优先置顶显示。
优选地，所述步骤1中，用户对被监管对象的操作行为包括对对象的数据进行查看、修改、业务处置、标记、订阅及关联搜索行为；平台用户的属性包括所述平台用户的管辖辖区、职务角色、审核权限。
优选地，所述步骤1中，协同过滤推荐规则包括以下步骤：
步骤1.1：根据平台用户的属性，找到与目标用户ui兴趣相似的用户集合N(u)，获取用户-对象关注度评分矩阵；
步骤1.2：整理基于用户集合N(u)关注的目标用户集合以及目标用户的关注度评分数据，基于用户之间的相似性评估，完成目标用户uk对于所有被监管对象Tj的关注度指标评估Pkj；
其中，sim(uk,un)表示用户uk、un间的余弦相似度，该相似度基于用户的角色、管理范围，un为任意其他兴趣相似用户集合中用户，Rnj为用户un对于对象Tj的关注评分，N为用户总数；
步骤1.3：基于推荐关注度指标进行排序，完成基于用户的协同推荐。
优选地，所述步骤1.1中，用户-对象关注度评分矩阵中，用户uk对于被监管对象Ti的关注度Rki为以用户对被监管对象Ti的相关操作行为进行的评分计算结果。
优选地，所述步骤2中，对象多维度推荐规则包括以下步骤：
步骤2.1：对被监管对象从若干维度进行分析，获取被监管对象Tj的特征向量
步骤2.2：基于被监管对象的特征向量
结合用户的对相关特征指标的订阅行为
获取结合用户偏好的特征向量
计算基于目标对象Tj的被监管对象的相似度σnj；
步骤2.3：以σnj为参考结果，完成基于对象多维度推荐排序结果输出。
优选地，所述步骤2.1中，基于专家经验的规则对被监管对象从若干维度进行分析。
优选地，所述步骤2.2中，被监管对象的自身属性包括系统隐患漏洞的脆弱性评分、流量告警严重性的威胁程度评分、单位影响因子评分、数据泄露影响因子评分。
优选地，所述步骤3包括以下步骤：
步骤3.1：基于协同推荐的结果，得到用户相似性推荐排序结果，并将排序结果进行归一化处理；
步骤3.2：基于对象多维度推荐的结果，得到被监管对象的多维结果排序结果，将排序结果进行归一化处理；
步骤3.3：对2种排序结果归一计算后，采用加权计算方法，完成所有被监管对象综合排序输出。
优选地，所述步骤4中，平台使用用户定制默认筛选主题，根据排序结果查看满足筛选要求的被监管对象信息。
优选地，步骤4中，基于订阅行为反向更新向量
修正输出。
本发明涉及一种优化的混合推荐规则的管理平台数据推荐方法，通过记录并学习平台用户对被监管对象的操作行为，结合平台用户的角色权限，作为协同过滤推荐规则的输入，对被监管对象从若干评分维度进行分析，生成对被监管对象自身属性的评估指标，作为对象多维度推荐规则的输入，以输入内容进行叠加，输出综合排序结果，平台用户查看综合排序结果，将感兴趣的目标对象优先置顶显示。
本发明集成协同推荐规则以及对象多维度推荐规则，形成与用户的行为、被监管对象属性绑定的自动化推荐结果排序。不同用户对同一个被监管单位的排序优先级存在差异不同，随着相关用户行为数据收集得愈加充分，推荐排序结果更加智能，从而满足管理不同角色的用户，根据用户兴趣方向以及对象信息的变化推送不同的排序结果。
本发明还支持基于关注度指标阈值订阅不同维度的数据，从而优先获取突发情况的数据，用户订阅行为数据可以反向修正推荐结果，从而实现推荐过程的算法闭环，提升整个算法的准确度，基于推荐结果可以有效提升平台用户的工作效率，及时发现潜在问题。
附图说明
图1为本发明的流程图。
具体实施方式
下面结合实施例对本发明做进一步的详细描述，但本发明的保护范围并不限于此。
本发明涉及一种混合推荐规则的管理平台数据推荐方法，所述方法包括以下步骤。
步骤1：记录并学习平台用户对被监管对象的操作行为，结合平台用户的角色权限，作为协同过滤推荐规则的输入。
所述步骤1中，用户对被监管对象的操作行为包括对对象的数据进行查看、修改、业务处置、标记、订阅及关联搜索行为；平台用户的属性包括所述平台用户的管辖辖区、职务角色、审核权限。
所述步骤1中，协同过滤推荐规则包括以下步骤：
步骤1.1：根据平台用户的属性，找到与目标用户ui兴趣相似的用户集合N(u)，获取用户-对象关注度评分矩阵；
所述步骤1.1中，用户-对象关注度评分矩阵中，用户uk对于被监管对象Ti的关注度Rki为以用户对被监管对象Ti的相关操作行为进行的评分计算结果。
步骤1.2：整理基于用户集合N(u)关注的目标用户集合以及目标用户的关注度评分数据，基于用户之间的相似性评估，完成目标用户uk对于所有被监管对象Tj的关注度指标评估Pkj；
其中，sim(uk,un)表示用户uk、un间的余弦相似度，该相似度基于用户的角色、管理范围，un为任意其他兴趣相似用户集合中用户，Rnj为用户un对于对象Tj的关注评分，N为用户总数；
步骤1.3：基于推荐关注度指标进行排序，完成基于用户的协同推荐。
本发明中，平台用户对被监管对象的操作行为将通过特定的行为评价规则，生成一个“关注度”指标
本发明中，步骤1.1中的“兴趣相似”来源于主要指用户职务角色以及管辖范围的重合，即认为具有相同角色或者同级别管理辖区的用户默认对相似的对象具有同样的兴趣，更高级别用户的操作行为具有更优先的指导意义，这里用户角色包括市级“等保专员”、市级“通报专员”、区县“现场检查员”等，排除系统管理员等维护用户。
本发明中，可以基于用户对被监管对象的操作行为建立一个受关注度的评分方法，举例来说，根据用户的操作类别，即查看、修改、业务处置、标记、订阅及相关搜索行为等设置不同的权重，并基于操作的时间段，根据对应类别的有效操作频次，建立基于操作行为评分向量，如：
点击查看目标详情权重为1，有效频次为每天1次，则R1＝ρf＝1*1＝1；
查看目标关联系统详情权重为1.5，有效日查看频次为0.8，则R2＝1.5*0.8＝1.2；
单位增加标签分类权重为3，操作频次为0.1，则R3＝3*0.1＝0.3；
修改维护相关基础信息权重为3，有效操作频次为0.5，则R4＝3*0.5＝1.5；
被用户搜索直接命中权重为2，有效操作频次为0.3，则R5＝2*0.3＝0.6；
对其进行通报处置权重为5，有效操作频次为0.1，则R6＝5*0.1＝0.5；
关注评分向量
关注度评分结果为操作向量的绝对值，即关注度评分数据的方均根，
本发明中，关注度Rki的结果需要参考系统中相关以及其他高级别用户的操作记录，从而形成针对该用户的推荐排序。
如表1所示，基于用户的操作行为生成“用户-对象“关注度评分”矩阵。
表1：基于用户的生成的关注度指数表
对于常见的基于用户的推荐算法，往往通过“用户-产品”评分矩阵获取产品之间的相似度，从而完成对应的推荐；而业务系统通常情况下用户的角色权限从一开始就被确定了下来，只需要对用户在不同权限、重要性、管辖范围方面进行用户相似度测算,从而完成对目标用户的“关注度”指标Pkj的预估调整。
若是某个新的对象，没有任何用户对其有相关操作行为，则采用对象多维度推荐结果进行结果调整，详见步骤3。
基于用户的操作行为评分生成关注度评分，然后基于用户之间的余弦相似度计算，完成目标用户uk的关注度指标最终计算结果，以上述矩阵为例,对象Tj，用户uk的关注度Pkj调整为：
其中，sim(uk,un)表示用户uk，un间的余弦相似度，该相似度基于用户的角色(基于对应的工作职级以及相关审核权限等)、管理范围(按行政区域进行层级关系评价)；un为任意其他“兴趣相似”用户集合中用户Rnj为用户un对于对象Tj的关注评分；N为用户总数。
步骤2：对被监管对象从若干评分维度进行分析，生成对被监管对象自身属性的评估指标，作为对象多维度推荐规则的输入。
本发明中，基于协同算法的用户的相似度矩阵算法，对于类似用户属性的用户进行相似推荐，可以在系统运行一段时间后，对新增用户的推荐结果比较友好，很好的满足了不同角色的用户的差异推荐需求。
本发明中，虽然基于协同算法存在优势，但为了达到推荐效果，需要有一段时间的用户行为记录，且可能存在关注越多的单位评分越高，从而有些新增的被监管对象或者操作记录较少的被监管对象的推荐可能性较小；基于此，引入对象多维度推荐算法，对被监管对象自身的属性进行评估。
所述步骤2中，对象多维度推荐规则包括以下步骤：
步骤2.1：对被监管对象从若干维度进行分析，获取被监管对象Tj的特征向量
所述步骤2.1中，基于专家经验的规则对被监管对象从若干维度进行分析。
步骤2.2：基于被监管对象的特征向量
结合用户的对相关特征指标的订阅行为
获取结合用户偏好的特征向量
计算基于目标对象Tj的被监管对象的相似度σnj；
所述步骤2.2中，被监管对象的自身属性包括系统隐患漏洞的脆弱性评分、流量告警严重性的威胁程度评分、单位影响因子评分、数据泄露影响因子评分。
步骤2.3：以σnj为参考结果，完成基于对象多维度推荐排序结果输出。
本发明中，步骤2.1中，基于专家经验的规则对被监管对象从若干维度进行评估打分，获取被监管对象Tj的特征向量
其中mi表示Tj在某个评分维度的打分结果，评分维度包括系统隐患漏洞的脆弱性评分、流量告警严重性的威胁程度评分(基于时间衰减计算)、(单位类型、归属行业、服务人群)的单位影响因子评分、存储公民隐私数据、存储公共服务数据等数据泄露影响因子评分等。
本发明中，步骤2.2中，用户根据订阅情况以及用户自定的喜好数据生成反映用户多维度偏好的向量
本发明中，步骤2.2的结合用户偏好的特征向量的输出结果更加接近目标用户的目标对象。
本发明中，一般来说，步骤2.2中的目标对象Tj筛选采用最接近被监管对象的
的均值，相似度计算方法则采用计算欧氏距离完成，即由计算与目标对象的向量距离大小判断相似性，距离越小，则越相似。
本发明中，对象多维度推荐基于被监管对象的自身属性特征向量
根据一定的专家知识，建立“被监管对象”之间的相似度模型，如：
系统脆弱性评估数据包括：“隐患漏洞影响因子”计算方法为基于隐患漏洞的分级分类指标、“等保测评分数”、“拥有易被攻击后台框架系统，Strut2漏洞”；
威胁程度评分包括：“近期发生的重要攻击行为”，如DDOS、暴力破解，其中“近期”采用基于时间衰减函数计算；
单位影响因子包括：提供互联网服务、提供公共服务、防篡改措施、防泄漏措施、防中断措施、“是否实施等级保护”、归属行业、单位性质、影响国家安全分级指标等；
数据泄露影响因子包括：存储公民隐私数据(根据数据量大小进行评分)、存储公共设施运行数据等维度的评分，建立对象的特征向量
本发明中，相关特征向量
不仅用于对象自身的相似度评估，而且作为直接筛选指标提供给用户订阅，用户可以指定某个或者某几个指标的逻辑与或非运算结果进行主题订阅，并根据订阅情况以及用户自定的喜好数据，一般来说，提供一个指标优先级排序面板给用户操作，默认优先关注一组指定主题，如“重点等保系统威胁”，从而生成一个反映用户多维度偏好的向量
步骤3：以步骤1和步骤2的输入内容进行叠加，输出综合排序结果。
所述步骤3包括以下步骤：
步骤3.1：基于协同推荐的结果，得到用户相似性推荐排序结果，并将排序结果进行归一化处理；
步骤3.2：基于对象多维度推荐的结果，得到被监管对象的多维结果排序结果，将排序结果进行归一化处理；
步骤3.3：对2种排序结果归一计算后，采用加权计算方法，完成所有被监管对象综合排序输出。
本发明中，步骤3.3的加权计算方法采用专家经验预设完成，可以跟进用户反馈进行人工调整。
本发明中，混合算法采用混杂式算法，即综合对象多维度推荐算法与协同算法的排序结果，综合呈现结果，从而满足个性化、准确性的要求。
本发明中，综合两种推荐算法进行输出，提供兼顾用户侧重点、对象特征维度的多维度推荐信息，从而按照不同角色的不同侧重点呈现不同推荐结果，满足用户个性化的工作视角，避免过去单一规则导致数据过冷或者过热以及协同结果的冷启动问题。
步骤4：平台用户查看综合排序结果，将感兴趣的目标对象优先置顶显示。
所述步骤4中，平台使用用户定制默认筛选主题，根据排序结果查看满足筛选要求的被监管对象信息。
步骤4中，基于订阅行为反向更新向量
修正输出。
本发明中，用户在获取步骤3的综合排序结果后，可以对某些指标组合基于逻辑关系进行基于结果的二次筛选或者查询组合条件的订阅(即再次登录后，用户可以直接点击历史查询组合条件进行快速查询)，用户可以定制默认筛选主题，例如针对“教育”行业内“近期存在相似攻击告警”的复合条件筛选，提供进一步的筛选结果输出，即实现“主题订阅”的排序结果输出，从而在第一时间查看满足特定要求的被监管对象的信息；主题数据筛选条件来源于被监管对象的特征向量
根据查询条件查看满足筛选要求的被监管对象信息并基于特征向量评分进行排序；相关查询条件主题订阅行为可以更新用户喜好向量
从而修正输出。
本发明中，用户可以对相关指标复合筛选条件进行主题订阅，可以通过邮箱以及站内通知消息的方式及时获得相关主题的被监管对象的信息提醒，从而大大提升用户对于相关对象处置的时效性。
本发明中，订阅操作也会动态影响用户多维度偏好的向量
的值，从而优化对象多维度推荐的推荐结果，在一定程度上实现了用户对推荐算法的校正，从而不断提升用户呈现结果的准确度。
本发明通过记录并学习平台用户对被监管对象的操作行为，结合平台用户的角色权限，作为协同过滤推荐规则的输入，对被监管对象从若干评分维度进行分析，生成对被监管对象自身属性的评估指标，作为对象多维度推荐规则的输入，以输入内容进行叠加，输出综合排序结果，平台用户查看综合排序结果，将感兴趣的目标对象优先置顶显示。
本发明集成协同推荐规则以及对象多维度推荐规则，形成与用户的行为、被监管对象属性绑定的自动化推荐结果排序。不同用户对同一个被监管单位的排序优先级存在差异不同，随着相关用户行为数据收集得愈加充分，推荐排序结果更加智能，从而满足管理不同角色的用户，根据用户兴趣方向以及对象信息的变化推送不同的排序结果。
本发明还支持基于关注度指标阈值订阅不同维度的数据，从而优先获取突发情况的数据，用户订阅行为数据可以反向修正推荐结果，从而实现推荐过程的算法闭环，提升整个算法的准确度，基于推荐结果可以有效提升平台用户的工作效率，及时发现潜在问题。
Claims (9)
1.一种混合推荐规则的管理平台数据推荐方法，其特征在于：所述方法包括以下步骤：
步骤1：记录并学习平台用户对被监管对象的操作行为，结合平台用户的角色权限，作为协同过滤推荐规则的输入；
步骤2：对被监管对象从若干评分维度进行分析，生成对被监管对象自身属性的评估指标，作为对象多维度推荐规则的输入；
步骤3：以步骤1和步骤2的输入内容进行叠加，输出综合排序结果；包括以下步骤：
步骤3.1：基于协同推荐的结果，得到用户相似性推荐排序结果，并将排序结果进行归一化处理；
步骤3.2：基于对象多维度推荐的结果，得到被监管对象的多维结果排序结果，将排序结果进行归一化处理；
步骤3.3：对2种排序结果归一计算后，采用加权计算方法，完成所有被监管对象综合排序输出；
步骤4：平台用户查看综合排序结果，将感兴趣的目标对象优先置顶显示。
2.根据权利要求1所述的一种混合推荐规则的管理平台数据推荐方法，其特征在于：所述步骤1中，用户对被监管对象的操作行为包括对对象的数据进行查看、修改、业务处置、标记、订阅及关联搜索行为；平台用户的属性包括所述平台用户的管辖辖区、职务角色、审核权限。
3.根据权利要求2所述的一种混合推荐规则的管理平台数据推荐方法，其特征在于：所述步骤1中，协同过滤推荐规则包括以下步骤：
步骤1.1：根据平台用户的属性，找到与目标用户ui兴趣相似的用户集合N(u)，获取用户-对象关注度评分矩阵；
步骤1.2：整理基于用户集合N(u)关注的目标用户集合以及目标用户的关注度评分数据，基于用户之间的相似性评估，完成目标用户uk对于所有被监管对象Tj的关注度指标评估Pkj；
步骤1.3：基于推荐关注度指标进行排序，完成基于用户的协同推荐。
4.根据权利要求3所述的一种混合推荐规则的管理平台数据推荐方法，其特征在于：所述步骤1.1中，用户-对象关注度评分矩阵中，用户uk对于被监管对象Ti的关注度Rki为以用户对被监管对象Ti的相关操作行为进行的评分计算结果。
5.根据权利要求1所述的一种混合推荐规则的管理平台数据推荐方法，其特征在于：所述步骤2中，对象多维度推荐规则包括以下步骤：
步骤2.1：对被监管对象从若干维度进行分析，获取被监管对象Tj的特征向量
步骤2.2：基于被监管对象的特征向量
结合用户的对相关特征指标的订阅行为
获取结合用户偏好的特征向量
计算基于目标对象Tj的被监管对象的相似度σnj；
步骤2.3：以σnj为参考结果，完成基于对象多维度推荐排序结果输出。
6.根据权利要求5所述的一种混合推荐规则的管理平台数据推荐方法，其特征在于：所述步骤2.1中，基于专家经验的规则对被监管对象从若干维度进行分析。
7.根据权利要求5所述的一种混合推荐规则的管理平台数据推荐方法，其特征在于：所述步骤2.2中，被监管对象的自身属性包括系统隐患漏洞的脆弱性评分、流量告警严重性的威胁程度评分、单位影响因子评分、数据泄露影响因子评分。
8.根据权利要求1所述的一种混合推荐规则的管理平台数据推荐方法，其特征在于：所述步骤4中，平台使用用户定制默认筛选主题，根据排序结果查看满足筛选要求的被监管对象信息。
9.根据权利要求4所述的一种混合推荐规则的管理平台数据推荐方法，其特征在于：步骤4中，基于订阅行为反向更新向量
修正输出。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911318147.4A CN111209486B (zh) | 2019-12-19 | 2019-12-19 | 一种混合推荐规则的管理平台数据推荐方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911318147.4A CN111209486B (zh) | 2019-12-19 | 2019-12-19 | 一种混合推荐规则的管理平台数据推荐方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111209486A CN111209486A (zh) | 2020-05-29 |
| CN111209486B true CN111209486B (zh) | 2023-04-11 |
Family
ID=70785065
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911318147.4A Active CN111209486B (zh) | 2019-12-19 | 2019-12-19 | 一种混合推荐规则的管理平台数据推荐方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111209486B (zh) |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111951141A (zh) * | 2020-07-09 | 2020-11-17 | 广东港鑫科技有限公司 | 基于大数据智能分析的双随机监管方法、系统及终端设备 |
| CN112215680B (zh) * | 2020-10-21 | 2023-09-08 | 中国银行股份有限公司 | 一种产品推荐方法、装置、电子设备和存储介质 |
| CN112685676B (zh) * | 2020-12-30 | 2023-12-15 | 华控清交信息科技(北京)有限公司 | 一种信息推荐方法、装置和电子设备 |
| CN112784080B (zh) * | 2021-01-28 | 2023-02-03 | 上海发电设备成套设计研究院有限责任公司 | 基于发电厂三维数字化平台的场景推荐方法、系统及装置 |
| CN113656123B (zh) * | 2021-07-28 | 2023-05-16 | 上海纽盾科技股份有限公司 | 面向等保测评的信息评估方法、装置及系统 |
| CN113656122B (zh) * | 2021-07-28 | 2023-05-16 | 上海纽盾科技股份有限公司 | 面向等保测评的信息筛选方法、装置及系统 |
| CN114662007B (zh) * | 2022-05-25 | 2022-09-02 | 太平金融科技服务(上海)有限公司深圳分公司 | 数据推荐方法、装置、计算机设备和存储介质 |
| CN116150482B (zh) * | 2023-01-28 | 2023-09-29 | 北京黑马企服科技有限公司 | 一种基于大数据云平台的分布式消息推送系统 |
| CN117648471B (zh) * | 2024-01-30 | 2024-04-09 | 深圳鹏锐信息技术股份有限公司 | 一种三维工业设计素材ai智能推荐管理系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103744917A (zh) * | 2013-12-27 | 2014-04-23 | 东软集团股份有限公司 | 混合推荐方法及系统 |
| CN106339502A (zh) * | 2016-09-18 | 2017-01-18 | 电子科技大学 | 一种基于用户行为数据分片聚类的建模推荐方法 |
| CN107220365A (zh) * | 2017-06-07 | 2017-09-29 | 四川大学 | 基于协同过滤与关联规则并行处理的精准推荐系统及方法 |
| CN108334558A (zh) * | 2018-01-02 | 2018-07-27 | 南京师范大学 | 一种结合标签和时间因素的协同过滤推荐方法 |
-
2019
- 2019-12-19 CN CN201911318147.4A patent/CN111209486B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103744917A (zh) * | 2013-12-27 | 2014-04-23 | 东软集团股份有限公司 | 混合推荐方法及系统 |
| CN106339502A (zh) * | 2016-09-18 | 2017-01-18 | 电子科技大学 | 一种基于用户行为数据分片聚类的建模推荐方法 |
| CN107220365A (zh) * | 2017-06-07 | 2017-09-29 | 四川大学 | 基于协同过滤与关联规则并行处理的精准推荐系统及方法 |
| CN108334558A (zh) * | 2018-01-02 | 2018-07-27 | 南京师范大学 | 一种结合标签和时间因素的协同过滤推荐方法 |
Non-Patent Citations (2)
| Title |
|---|
| 房小可 ; 严承希 ; .融合情境关系的社会化媒体用户兴趣推荐.图书情报工作.2017,第61卷(第21期),第99-103页. * |
| 肖云鹏 ; 刘瀚松 ; 刘宴兵 ; .一种基于二部图和节点角色划分的社交网络推荐方案.电子学报.2017,第45卷(第10期),第2426-2430页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111209486A (zh) | 2020-05-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111209486B (zh) | 一种混合推荐规则的管理平台数据推荐方法 | |
| Buczak et al. | Fuzzy association rule mining for community crime pattern discovery | |
| Brown et al. | Data association methods with applications to law enforcement | |
| US8458105B2 (en) | Method and apparatus for analyzing and interrelating data | |
| CN116662989B (zh) | 一种安全数据解析方法及系统 | |
| CN112101769A (zh) | 供应链风险管理系统 | |
| Nissan | An overview of data mining for combating crime | |
| US20220327455A1 (en) | Information processing system and information processing method | |
| Madhuri et al. | Big-data driven approaches in materials science for real-time detection and prevention of fraud | |
| Tumminello et al. | Insurance fraud detection: A statistically validated network approach | |
| Shenvi et al. | A Bayesian decision support system for counteracting activities of terrorist groups | |
| Mohan et al. | Improving anti-money laundering in bitcoin using evolving graph convolutions and deep neural decision forest | |
| US11776078B2 (en) | Systems and methods for generating strategic competitive intelligence data relevant for an entity | |
| Özgül et al. | Mining for offender group detection and story of a police operation. | |
| Sulastri et al. | Handling Money Laundering Crime in the Forestry Sector through Integrated Governance | |
| Bhattacharjee et al. | PRIVEE: A visual analytic workflow for proactive privacy risk inspection of open data | |
| CN114880923A (zh) | 一种融合电力数据的企业信用预测方法 | |
| Xu et al. | MSEs credit risk assessment model based on federated learning and feature selection | |
| Mukherjee et al. | Fraud analytics using data mining | |
| Correia et al. | A Business Intelligence system for fisheries surveillance | |
| Rastogi¹ et al. | Knowledge discovery in databases for prediction of future crimes | |
| CN117455549A (zh) | 一种基于城市体征指标的消费能力评估方法 | |
| Kute | Explainable deep learning approach for detecting money laundering transactions in banking system | |
| Asadi et al. | The HiTS/ISAC social network analysis tool | |
| Li | The Application of Big Data in the Insurance Industry-with Potential Risks and Possible Solutions |
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 |