CN111291071B - 数据处理方法、装置及电子设备 - Google Patents
数据处理方法、装置及电子设备 Download PDFInfo
- Publication number
- CN111291071B CN111291071B CN202010068471.1A CN202010068471A CN111291071B CN 111291071 B CN111291071 B CN 111291071B CN 202010068471 A CN202010068471 A CN 202010068471A CN 111291071 B CN111291071 B CN 111291071B
- Authority
- CN
- China
- Prior art keywords
- target
- data
- classification result
- classification
- screening
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 21
- 238000012216 screening Methods 0.000 claims abstract description 82
- 238000000034 method Methods 0.000 claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 37
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 30
- 238000012545 processing Methods 0.000 claims abstract description 30
- 238000010801 machine learning Methods 0.000 claims abstract description 25
- 238000013145 classification model Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000007635 classification algorithm Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06F16/24—Querying
- G06F16/242—Query formulation
- G06F16/2428—Query predicate definition using graphical user interfaces, including menus and forms
-
- 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
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- 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
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Development Economics (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Strategic Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Software Systems (AREA)
- Game Theory and Decision Science (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Human Computer Interaction (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开实施例中提供了一种数据处理方法、装置及电子设备，属于数据处理技术领域，该方法包括：通过预设的图形用户界面上选择不同类型的参数，确定针对目标用户的筛选条件；基于所述筛选条件所对应的检索参数，利用后端系统从数据仓库中获取与所述筛选条件相匹配的目标数据集；利用根据实际需要选择的机器学习算法，对所述目标数据集进行训练，得到分类结果，所述机器学习算法包括多种选择和处理模式；基于所述分类结果和预设的统计指标，确定最终的目标用户分类结果。通过本公开的处理方案，能够实时的对用户进行分类处理。
Description
技术领域
本公开涉及数据处理技术领域，尤其涉及一种数据处理方法、装置及电子设备。
背景技术
产品增长分析当中，想关注符合某些条件的一部分用户，不仅想知道这些人的整体行为如访问次数，访问时长等，还希望知道其中差异较大的细分类体。用户分类方法就是一个典型的简化理解用户群体的方法，能帮助我们对差异较大的群体分别进行深入分析，从而探究指标数字背后的原因，探索实现用户增长的途径，方便我们能够更好的寻找关键核心用户、精细化设计产品、针对化运营。
现有的用户分类一般由分析人员基于一些规则创建，譬如基于做过哪些操作(如登录、点击广告、购买消费等)来筛选一批用户创建分类。这种方式人工成本比较高，并且不具备时效性。并且引入了人为的对于同类人群划分的假设，不具备理论上的可说服性。
发明内容
有鉴于此，本公开实施例提供一种数据处理方法、装置及电子设备，以至少部分解决现有技术中存在的问题。
第一方面，本公开实施例提供了一种数据处理方法，包括：
通过预设的图形用户界面上选择不同类型的参数，确定针对目标用户的筛选条件；
基于所述筛选条件所对应的检索参数，利用后端系统从数据仓库中获取与所述筛选条件相匹配的目标数据集；
利用根据实际需要选择的机器学习算法，对所述目标数据集进行训练，得到分类结果，所述机器学习算法包括多种选择和处理模式；
基于所述分类结果和预设的统计指标，确定最终的目标用户分类结果。
根据本公开实施例的一种具体实现方式，所述通过预设的图形用户界面上选择不同类型的参数，确定针对目标用户的筛选条件，包括：
从预设的图形用户界面中选择目标筛选控件；
基于所述目标筛选控件，确定针对目标用户的筛选条件。
根据本公开实施例的一种具体实现方式，所述通过预设的图形用户界面上选择不同类型的参数，确定针对目标用户的筛选条件，包括：
判断所述图形用户界面上的筛选条件是否为空；
若是，则基于当前系统里面的预设时间范围的目标用户来进行目标用户分类。
根据本公开实施例的一种具体实现方式，所述基于所述筛选条件所对应的检索参数，利用后端系统从数据仓库中获取与所述筛选条件相匹配的目标数据集，包括：
获取所述图形用户界面中目标筛选控件设置的筛选动作；
将所述筛选动作转化为获取训练数据集的后端查询语句；
基于所述查询语句，在数据仓库中获取所述训练数据集。
根据本公开实施例的一种具体实现方式，所述基于所述筛选条件所对应的检索参数，利用后端系统从数据仓库中获取与所述筛选条件相匹配的目标数据集之后，所述方法还包括：
对所述目标数据集执行差值和归一化处理。
根据本公开实施例的一种具体实现方式，所述利用根据实际需要选择的机器学习算法，对所述目标数据集进行训练，得到分类结果，包括：
基于历史数据和标记数据，预先训练分类模型；
基于所述分类模型中包含的分类算法，对新增的目标用户进行分类处理，以得到所述分类结果。
根据本公开实施例的一种具体实现方式，所述利用根据实际需要选择的机器学习算法，对所述目标数据集进行训练，得到分类结果，包括：
对所述目标数据集进行聚类处理；
将所述聚类处理的结果作为所述分类结果。
根据本公开实施例的一种具体实现方式，所述基于所述分类结果和预设的统计指标，确定最终的目标用户分类结果，包括：
对所述分类结果中的每一个分类的数据进行统计计算，以得到统计数据；
基于所述统计数据，确定最终的目标用户分类结果。
第二方面，本公开实施例提供了一种数据处理装置，包括：
确定模块，用于通过预设的图形用户界面上选择不同类型的参数，确定针对目标用户的筛选条件；
获取模块，用于基于所述筛选条件所对应的检索参数，利用后端系统从数据仓库中获取与所述筛选条件相匹配的目标数据集；
训练模块，用于利用根据实际需要选择的机器学习算法，对所述目标数据集进行训练，得到分类结果，所述机器学习算法包括多种选择和处理模式；
执行模块，用于基于所述分类结果和预设的统计指标，确定最终的目标用户分类结果。
第三方面，本公开实施例还提供了一种电子设备，该电子设备包括：
至少一个处理器；以及，
与该至少一个处理器通信连接的存储器；其中，
该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行前述第一方面或第一方面的任一实现方式中的数据处理方法。
第四方面，本公开实施例还提供了一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行前述第一方面或第一方面的任一实现方式中的数据处理方法。
第五方面，本公开实施例还提供了一种计算机程序产品，该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序，该计算机程序包括程序指令，当该程序指令被计算机执行时，使该计算机执行前述第一方面或第一方面的任一实现方式中的数据处理方法。
本公开实施例中的数据处理方案，包括通过预设的图形用户界面上选择不同类型的参数，确定针对目标用户的筛选条件；基于所述筛选条件所对应的检索参数，利用后端系统从数据仓库中获取与所述筛选条件相匹配的目标数据集；利用根据实际需要选择的机器学习算法，对所述目标数据集进行训练，得到分类结果，所述机器学习算法包括多种选择和处理模式；基于所述分类结果和预设的统计指标，确定最终的目标用户分类结果。通过本公开的处理方案，通过机器学习算法，可以将用户分类自动化，依托底层算法来发现同类用户，分类结果更有理论依据，也更具时效性。
附图说明
为了更清楚地说明本公开实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，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它的附图。
图1为本公开实施例提供的一种数据处理方法的流程图；
图2为本公开实施例提供的另一种数据处理方法的流程图；
图3为本公开实施例提供的另一种数据处理方法的流程图；
图4为本公开实施例提供的另一种数据处理方法的流程图；
图5为本公开实施例提供的一种数据处理装置的结构示意图；
图6为本公开实施例提供的电子设备示意图。
具体实施方式
下面结合附图对本公开实施例进行详细描述。
以下通过特定的具体实例说明本公开的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本公开的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。
需要说明的是，下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见，本文中所描述的方面可体现于广泛多种形式中，且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本公开，所属领域的技术人员应了解，本文中所描述的一个方面可与任何其它方面独立地实施，且可以各种方式组合这些方面中的两者或两者以上。举例来说，可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外，可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。
还需要说明的是，以下实施例中所提供的图示仅以示意方式说明本公开的基本构想，图式中仅显示与本公开中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
另外，在以下描述中，提供具体细节是为了便于透彻理解实例。然而，所属领域的技术人员将理解，可在没有这些特定细节的情况下实践所述方面。
本公开实施例提供一种数据处理方法。本实施例提供的数据处理方法可以由一计算装置来执行，该计算装置可以实现为软件，或者实现为软件和硬件的组合，该计算装置可以集成设置在服务器、客户端等中。
参见图1，本公开实施例中的数据处理方法，可以包括如下步骤：
S101，通过预设的图形用户界面上选择不同类型的参数，确定针对目标用户的筛选条件。
在进行数据处理之前，需要预先设置训练数据，通过设置训练数据，可以通过预先设置的训练模型对预设时间段内的数据是进行实时的分类处理。
目标用户是需要进行分类处理的所有用户的总和，基于不同的习惯，目标用户可以具有不同的分类。通过分析用户的操作数据(如登录、点击广告、购买消费等)，可以筛选并对用户的类别进行分类处理。
图形用户界面上可以设置不同类型的参数，通过对这些参数进行选择或者设置，可以设定不同类型的筛选条件。例如，这些筛选条件可以是选择预设时间段的数据、选择特定业务类型的数据、选择特定目标地区的数据等。。
S102，基于所述筛选条件所对应的检索参数，利用后端系统从数据仓库中获取与所述筛选条件相匹配的目标数据集。
在执行参数选择的过程中，可以通过前端的图形用户界面来提供筛选控件，以便于在时间区间等维度提供时间范围的标记筛选，用来确定相应的检索参数。通过监控用户执行筛选条件的筛选动作，可以将前端执行完成的筛选条件所对应的检索参数，转换成查询语句给到后端。后端拿到筛选条件后会从数据仓库取出给定范围的数据作为样本，用于形成目标数据集。
作为一种方式，目标数据集超过限制大小则会做一次抽样保证样本集在特定范围。针对数据集也可以执行必要的插值和归一化处理，作为最终的训练用数据。
S103，利用根据实际需要选择的机器学习算法，对所述目标数据集进行训练，得到分类结果，所述机器学习算法包括多种选择和处理模式。
可以按需选择机器学习算法对输入的目标数据集做训练，得到分类结果。作为一种方式，机器学习算法可以包含两种选择和处理模式：
a)基于分类的算法，以分类来处理新增用户的分类，这个要求提前基于历史数据和人工标记训练好分类模型；
b)基于聚类的算法，这中方式会基于当前数据集做实时的聚类分析从而得到分类结果。
基于分类的训练分类过程中，后端系统会有持续性的离线模型训练，该过程基于系统中已有的历史用户数据及人工赋予这些用户的标记。离线模型会定期更新以反映当前的用户分类情况。当有新的用户数据过来时，后端系统会基于离线模型对新数据做分类，标记新用户的分类信息。常见的如决策树、贝叶斯、神经网络等分类算法都可以应用在这里。
基于聚类的训练分类过程中，后端系统不会做离线模型的训练，所有过程都实时处理。拿到数据集后系统可以选择基于如K-means、NMF等算法对数据集做聚类分割。
S104，基于所述分类结果和预设的统计指标，确定最终的目标用户分类结果。
获得分类结果之后，可以分类结果中的每一个分类的数据做统计计算，得到包括方差、均值等等在内的统计数据，通过这些统计数据可以辅助分析发现分类的内在规律，以便于最终确定目标用户的分类结果。
通过上述实施例中的内容，能够将用户分群自动化，依托底层算法来发现同类用户，分类(分群)结果更有理论依据，也更具时效性。
参见图2，根据本公开实施例的一种具体实现方式，所述通过预设的图形用户界面上选择不同类型的参数，确定针对目标用户的筛选条件，包括：
S201，从预设的图形用户界面中选择目标筛选控件。
为了方便进行筛选条件的设置，可以在预设的图形用户界面中设置多个目标筛选控件，这些目标筛选控件可以例如是时间选择控件，也可以是其他类型的条件选择控件，在此对目标选择控件的类型不作限制。
S202，基于所述目标筛选控件，确定针对目标用户的筛选条件。
通过读取目标筛选控件上的选择结果，便可以确定最终针对目标用户的筛选条件。
根据本公开实施例的一种具体实现方式，所述通过预设的图形用户界面上选择不同类型的参数，确定针对目标用户的筛选条件，包括：判断所述图形用户界面上的筛选条件是否为空；若是，则基于当前系统里面的预设时间范围的目标用户来进行目标用户分类。
参见图3，根据本公开实施例的一种具体实现方式，所述基于所述筛选条件所对应的检索参数，利用后端系统从数据仓库中获取与所述筛选条件相匹配的目标数据集，包括：
S301，获取所述图形用户界面中目标筛选控件设置的筛选动作。
图形用户界面可以是定制化的交互界面，在图形用户界面中，设置有多个筛选控件(例如，筛选框)，用户可以通过这些筛选控件来选择相应的条件。为此，可以监控筛选控件中存在的筛选动作，通过该筛选动作，来确定用户对于不同筛选条件的参数设置。
S302，将所述筛选动作转化为获取训练数据集的后端查询语句。
通过获取筛选动作，可以获取筛选动作所对应的参数，并进一步的将一个或多个筛选动作对应的参数转化为能够在后端(例如，数据库中)进行数据查询的语句，从而为查找相应的训练数据集提供了支撑。
S303，基于所述查询语句，在数据仓库中获取所述训练数据集。
根据本公开实施例的一种具体实现方式，所述基于所述筛选条件所对应的检索参数，利用后端系统从数据仓库中获取与所述筛选条件相匹配的目标数据集之后，所述方法还包括：对所述目标数据集执行差值和归一化处理。
参见图4，根据本公开实施例的一种具体实现方式，所述利用根据实际需要选择的机器学习算法，对所述目标数据集进行训练，得到分类结果，包括：
S401，基于历史数据和标记数据，预先训练分类模型。
通过将历史数据和标记数据作为训练样本，对分类模型进行预先训练，在训练完成之后，能够得到具有分类功能的分类模型。对于分类模型的训练可以采用现有的模型训练方法，在此不再详述。
S402，基于所述分类模型中包含的分类算法，对新增的目标用户进行分类处理，以得到所述分类结果。
根据本公开实施例的一种具体实现方式，所述利用根据实际需要选择的机器学习算法，对所述目标数据集进行训练，得到分类结果，包括：对所述目标数据集进行聚类处理；将所述聚类处理的结果作为所述分类结果。
根据本公开实施例的一种具体实现方式，所述基于所述分类结果和预设的统计指标，确定最终的目标用户分类结果，包括：对所述分类结果中的每一个分类的数据进行统计计算，以得到统计数据；基于所述统计数据，确定最终的目标用户分类结果。
与上面的方法实施例相对应，参见图5，本公开实施例还提供了一种数据处理装置50，包括：
确定模块501，用于通过预设的图形用户界面上选择不同类型的参数，确定针对目标用户的筛选条件；
获取模块502，用于基于所述筛选条件所对应的检索参数，利用后端系统从数据仓库中获取与所述筛选条件相匹配的目标数据集；
训练模块503，用于利用根据实际需要选择的机器学习算法，对所述目标数据集进行训练，得到分类结果，所述机器学习算法包括多种选择和处理模式；
执行模块504，用于基于所述分类结果和预设的统计指标，确定最终的目标用户分类结果。
本实施例未详细描述的部分，参照上述方法实施例中记载的内容，在此不再赘述。
参见图6，本公开实施例还提供了一种电子设备60，该电子设备包括：
至少一个处理器；以及，
与该至少一个处理器通信连接的存储器；其中，
该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行前述方法实施例中的数据处理方法。
本公开实施例还提供了一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行前述方法实施例中的数据处理方法。
本公开实施例还提供了一种计算机程序产品，该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序，该计算机程序包括程序指令，当该程序指令被计算机执行时，使该计算机执行前述方法实施例中的的数据处理方法。
下面参考图6，其示出了适于用来实现本公开实施例的电子设备60的结构示意图。本公开实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图6示出的电子设备仅仅是一个示例，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，电子设备60可以包括处理装置(例如中央处理器、图形处理器等)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装置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。在RAM 603中，还存储有电子设备60操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
通常，以下装置可以连接至I/O接口605：包括例如触摸屏、触摸板、键盘、鼠标、图像传感器、麦克风、加速度计、陀螺仪等的输入装置606；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备60与其他设备进行无线或有线通信以交换数据。虽然图中示出了具有各种装置的电子设备60，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地，根据本公开的实施例，上文参考流程图描述的过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装置609从网络上被下载和安装，或者从存储装置608被安装，或者从ROM602被安装。在该计算机程序被处理装置601执行时，执行本公开实施例的方法中限定的上述功能。
需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——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。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、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)、光纤、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。而在本公开中，计算机可读信号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，其中承载了计算机可读的程序代码。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。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、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。计算机可读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：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
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该电子设备执行时，使得该电子设备：获取至少两个网际协议地址；向节点评价设备发送包括所述至少两个网际协议地址的节点评价请求，其中，所述节点评价设备从所述至少两个网际协议地址中，选取网际协议地址并返回；接收所述节点评价设备返回的网际协议地址；其中，所获取的网际协议地址指示内容分发网络中的边缘节点。
或者，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该电子设备执行时，使得该电子设备：接收包括至少两个网际协议地址的节点评价请求；从所述至少两个网际协议地址中，选取网际协议地址；返回选取出的网际协议地址；其中，接收到的网际协议地址指示内容分发网络中的边缘节点。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，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机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
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，该模块、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，框图和/或流程图中的每个方框、以及框图和/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。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元的名称在某种情况下并不构成对该单元本身的限定，例如，第一获取单元还可以被描述为“获取至少两个网际协议地址的单元”。
应当理解，本公开的各部分可以用硬件、软件、固件或它们的组合来实现。
以上所述，仅为本公开的具体实施方式，但本公开的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本公开揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本公开的保护范围之内。因此，本公开的保护范围应以权利要求的保护范围为准。
Claims (11)
1.一种数据处理方法，其特征在于，包括：
通过预设的图形用户界面上选择不同类型的参数，确定针对目标用户的筛选条件；
基于所述筛选条件所对应的检索参数，利用后端系统从数据仓库中获取与所述筛选条件相匹配的目标数据集；
利用根据实际需要选择的机器学习算法，对所述目标数据集进行训练，得到分类结果，所述机器学习算法包括多种选择和处理模式；
基于所述分类结果和预设的统计指标，确定最终的目标用户分类结果，包括：基于所述分类结果中的每一个分类的数据做统计计算，得到统计数据；通过所述统计数据辅助分析得到分类的内在规律，以确定所述最终的目标用户分类结果。
2.根据权利要求1所述的方法，其特征在于，所述通过预设的图形用户界面上选择不同类型的参数，确定针对目标用户的筛选条件，包括：
从预设的图形用户界面中选择目标筛选控件；
基于所述目标筛选控件，确定针对目标用户的筛选条件。
3.根据权利要求1所述的方法，其特征在于，所述通过预设的图形用户界面上选择不同类型的参数，确定针对目标用户的筛选条件，包括：
判断所述图形用户界面上的筛选条件是否为空；
若是，则基于当前系统里面的预设时间范围的目标用户来进行目标用户分类。
4.根据权利要求1所述的方法，其特征在于，所述基于所述筛选条件所对应的检索参数，利用后端系统从数据仓库中获取与所述筛选条件相匹配的目标数据集，包括：
获取所述图形用户界面中目标筛选控件设置的筛选动作；
将所述筛选动作转化为获取训练数据集的后端查询语句；
基于所述查询语句，在数据仓库中获取所述训练数据集。
5.根据权利要求1所述的方法，其特征在于，所述基于所述筛选条件所对应的检索参数，利用后端系统从数据仓库中获取与所述筛选条件相匹配的目标数据集之后，所述方法还包括：
对所述目标数据集执行差值和归一化处理。
6.根据权利要求1所述的方法，其特征在于，所述利用根据实际需要选择的机器学习算法，对所述目标数据集进行训练，得到分类结果，包括：
基于历史数据和标记数据，预先训练分类模型；
基于所述分类模型中包含的分类算法，对新增的目标用户进行分类处理，以得到所述分类结果。
7.根据权利要求1所述的方法，其特征在于，所述利用根据实际需要选择的机器学习算法，对所述目标数据集进行训练，得到分类结果，包括：
对所述目标数据集进行聚类处理；
将所述聚类处理的结果作为所述分类结果。
8.根据权利要求1所述的方法，其特征在于，所述基于所述分类结果和预设的统计指标，确定最终的目标用户分类结果，包括：
对所述分类结果中的每一个分类的数据进行统计计算，以得到统计数据；
基于所述统计数据，确定最终的目标用户分类结果。
9.一种数据处理装置，其特征在于，包括：
确定模块，用于通过预设的图形用户界面上选择不同类型的参数，确定针对目标用户的筛选条件；
获取模块，用于基于所述筛选条件所对应的检索参数，利用后端系统从数据仓库中获取与所述筛选条件相匹配的目标数据集；
训练模块，用于利用根据实际需要选择的机器学习算法，对所述目标数据集进行训练，得到分类结果，所述机器学习算法包括多种选择和处理模式；
执行模块，用于基于所述分类结果和预设的统计指标，确定最终的目标用户分类结果，包括：基于所述分类结果中的每一个分类的数据做统计计算，得到统计数据；通过所述统计数据辅助分析得到分类的内在规律，以确定所述最终的目标用户分类结果。
10.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行前述权利要求1-8中任一项所述的数据处理方法。
11.一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行前述权利要求1-8中任一项所述的数据处理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010068471.1A CN111291071B (zh) | 2020-01-21 | 2020-01-21 | 数据处理方法、装置及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010068471.1A CN111291071B (zh) | 2020-01-21 | 2020-01-21 | 数据处理方法、装置及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111291071A CN111291071A (zh) | 2020-06-16 |
| CN111291071B true CN111291071B (zh) | 2023-10-17 |
Family
ID=71025453
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010068471.1A Active CN111291071B (zh) | 2020-01-21 | 2020-01-21 | 数据处理方法、装置及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111291071B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111860661B (zh) * | 2020-07-24 | 2024-04-30 | 中国平安财产保险股份有限公司 | 基于用户行为的数据分析方法、装置、电子设备及介质 |
| CN112417007A (zh) * | 2020-12-03 | 2021-02-26 | 恒安嘉新（北京）科技股份公司 | 一种数据分析方法、装置、电子设备及存储介质 |
| CN112560265A (zh) * | 2020-12-15 | 2021-03-26 | 北京动力机械研究所 | 复合材料的b基准值计算方法及装置 |
| CN112848540A (zh) * | 2020-12-30 | 2021-05-28 | 浙江奕源建材有限公司 | 一种具有高保温性的高强度彩钢夹芯板制备方法 |
| CN113010509A (zh) * | 2021-04-06 | 2021-06-22 | 新奥数能科技有限公司 | 统计特定时间段中使用数据的方法、装置和电子设备 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102402566A (zh) * | 2011-08-09 | 2012-04-04 | 江苏欣网视讯科技有限公司 | 基于中文网页自动分类技术的Web用户行为分析方法 |
| CA2932310A1 (en) * | 2015-06-10 | 2016-12-10 | Accenture Global Services Limited | System and method for automating information abstraction process for documents |
| CN106294568A (zh) * | 2016-07-27 | 2017-01-04 | 北京明朝万达科技股份有限公司 | 一种基于bp网络的中文文本分类规则生成方法及系统 |
| CN107688966A (zh) * | 2017-08-22 | 2018-02-13 | 北京京东尚科信息技术有限公司 | 数据处理方法及其系统和非易失性存储介质 |
| CN108647316A (zh) * | 2018-05-10 | 2018-10-12 | 北京中电普华信息技术有限公司 | 数据处理方法和装置 |
| CN109325541A (zh) * | 2018-09-30 | 2019-02-12 | 北京字节跳动网络技术有限公司 | 用于训练模型的方法和装置 |
| CN109783859A (zh) * | 2018-12-13 | 2019-05-21 | 重庆金融资产交易所有限责任公司 | 模型构建方法、装置及计算机可读存储介质 |
| CN110097066A (zh) * | 2018-01-31 | 2019-08-06 | 阿里巴巴集团控股有限公司 | 一种用户分类方法、装置及电子设备 |
| CN110116254A (zh) * | 2019-05-05 | 2019-08-13 | 中国石油天然气集团有限公司 | 油气集输用双金属复合管环焊接头缺陷预测与控制方法 |
| CN110674414A (zh) * | 2019-09-20 | 2020-01-10 | 北京字节跳动网络技术有限公司 | 目标信息识别方法、装置、设备及存储介质 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7792850B1 (en) * | 2007-07-27 | 2010-09-07 | Sonicwall, Inc. | On-the-fly pattern recognition with configurable bounds |
| US8543401B2 (en) * | 2009-04-17 | 2013-09-24 | Synchronoss Technologies | System and method for improving performance of semantic classifiers in spoken dialog systems |
| US20150278977A1 (en) * | 2015-03-25 | 2015-10-01 | Digital Signal Corporation | System and Method for Detecting Potential Fraud Between a Probe Biometric and a Dataset of Biometrics |
| US20170140278A1 (en) * | 2015-11-18 | 2017-05-18 | Ca, Inc. | Using machine learning to predict big data environment performance |
| US10776760B2 (en) * | 2017-11-17 | 2020-09-15 | The Boeing Company | Machine learning based repair forecasting |
-
2020
- 2020-01-21 CN CN202010068471.1A patent/CN111291071B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102402566A (zh) * | 2011-08-09 | 2012-04-04 | 江苏欣网视讯科技有限公司 | 基于中文网页自动分类技术的Web用户行为分析方法 |
| CA2932310A1 (en) * | 2015-06-10 | 2016-12-10 | Accenture Global Services Limited | System and method for automating information abstraction process for documents |
| CN106294568A (zh) * | 2016-07-27 | 2017-01-04 | 北京明朝万达科技股份有限公司 | 一种基于bp网络的中文文本分类规则生成方法及系统 |
| CN107688966A (zh) * | 2017-08-22 | 2018-02-13 | 北京京东尚科信息技术有限公司 | 数据处理方法及其系统和非易失性存储介质 |
| CN110097066A (zh) * | 2018-01-31 | 2019-08-06 | 阿里巴巴集团控股有限公司 | 一种用户分类方法、装置及电子设备 |
| CN108647316A (zh) * | 2018-05-10 | 2018-10-12 | 北京中电普华信息技术有限公司 | 数据处理方法和装置 |
| CN109325541A (zh) * | 2018-09-30 | 2019-02-12 | 北京字节跳动网络技术有限公司 | 用于训练模型的方法和装置 |
| CN109783859A (zh) * | 2018-12-13 | 2019-05-21 | 重庆金融资产交易所有限责任公司 | 模型构建方法、装置及计算机可读存储介质 |
| CN110116254A (zh) * | 2019-05-05 | 2019-08-13 | 中国石油天然气集团有限公司 | 油气集输用双金属复合管环焊接头缺陷预测与控制方法 |
| CN110674414A (zh) * | 2019-09-20 | 2020-01-10 | 北京字节跳动网络技术有限公司 | 目标信息识别方法、装置、设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111291071A (zh) | 2020-06-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111291071B (zh) | 数据处理方法、装置及电子设备 | |
| US11741072B2 (en) | Method and apparatus for real-time interactive recommendation | |
| CN110598157B (zh) | 目标信息识别方法、装置、设备及存储介质 | |
| US10902445B2 (en) | Location evaluation | |
| CN108182240B (zh) | 兴趣点新增率预测模型训练及预测方法、装置及存储介质 | |
| CN113112497B (zh) | 一种基于零样本学习的工业外观缺陷检测方法、电子设备及存储介质 | |
| CN112115372B (zh) | 一种停车场的推荐方法及装置 | |
| CN111061979A (zh) | 一种用户标签的推送方法、装置、电子设备和介质 | |
| CN114265981A (zh) | 推荐词确定方法、装置、设备及存储介质 | |
| CN111738316A (zh) | 零样本学习的图像分类方法、装置及电子设备 | |
| CN112328889A (zh) | 推荐搜索词确定方法、装置、可读介质及电子设备 | |
| CN113868538B (zh) | 信息处理方法、装置、设备及介质 | |
| CN110674208B (zh) | 用于确定用户的职住地信息的方法和装置 | |
| CN111753114A (zh) | 图像预标注方法、装置及电子设备 | |
| CN113033707B (zh) | 视频分类方法、装置、可读介质及电子设备 | |
| CN113869599A (zh) | 鱼类疫病发展预测方法、系统、设备及介质 | |
| CN112836128A (zh) | 信息推荐方法、装置、设备和存储介质 | |
| CN116796233A (zh) | 数据分析方法、装置、计算机可读介质及电子设备 | |
| CN111832354A (zh) | 目标对象年龄识别方法、装置及电子设备 | |
| CN113870998A (zh) | 问诊方法、装置、电子设备和存储介质 | |
| CN111241128A (zh) | 数据处理方法、装置及电子设备 | |
| CN113961811A (zh) | 基于事件图谱的话术推荐方法、装置、设备及介质 | |
| CN109857838B (zh) | 用于生成信息的方法和装置 | |
| CN111738311A (zh) | 面向多任务的特征提取方法、装置及电子设备 | |
| CN107256214B (zh) | 一种垃圾信息判断方法和装置以及一种服务器集群 |
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 |