CN111652279A - 基于时序数据的行为评价方法、装置及可读存储介质 - Google Patents
基于时序数据的行为评价方法、装置及可读存储介质 Download PDFInfo
- Publication number
- CN111652279A CN111652279A CN202010370732.5A CN202010370732A CN111652279A CN 111652279 A CN111652279 A CN 111652279A CN 202010370732 A CN202010370732 A CN 202010370732A CN 111652279 A CN111652279 A CN 111652279A
- Authority
- CN
- China
- Prior art keywords
- time sequence
- sequence data
- original
- scoring
- historical
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 53
- 238000012549 training Methods 0.000 claims abstract description 73
- 238000000034 method Methods 0.000 claims abstract description 18
- 230000006399 behavior Effects 0.000 claims description 79
- 239000013598 vector Substances 0.000 claims description 56
- 230000006870 function Effects 0.000 claims description 34
- 239000011159 matrix material Substances 0.000 claims description 16
- 230000002123 temporal effect Effects 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 230000003542 behavioural effect Effects 0.000 claims 3
- 239000000126 substance Substances 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 14
- 239000002699 waste material Substances 0.000 abstract description 5
- 230000002159 abnormal effect Effects 0.000 description 26
- 230000003993 interaction Effects 0.000 description 14
- 238000003066 decision tree Methods 0.000 description 10
- 238000013507 mapping Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000007726 management method Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000007637 random forest analysis Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000004321 preservation Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
Images
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Technology Law (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种大数据技术,揭露了一种基于时序数据的行为评价方法,包括:获取历史时序数据集,拆分所述历史时序数据集得到多个历史时序数据子集;构建并拆分原始评分模型,得到多个原始评分子模型;训练对应的原始评分子模型,得到多个标准评分子模型;接收当前时序数据并判断其在所述周期的时间阶段,选择对应的标准评分子模型进行行为评分,得到行为评价结果。此外,本发明还涉及区块链技术,所述历史时序数据集可存储于区块链中。进一步地,本发明还揭露一种基于时序数据的行为评价装置、电子设备及计算机可读存储介质。本发明可以解决当前时序数据浪费的问题。
Description
技术领域
本发明涉及大数据领域,尤其涉及一种基于时序数据的行为评价方法、装置、电子设备及可读存储介质。
背景技术
随着通信技术、互联网技术及计算机硬件水平的发展,企业可以更好地和用户产生互动,更多通信渠道去触达用户,以获取到大量的和用户的当前时序数据。所述通信渠道包括互联网线上平台(官网)、手机APP、微信等即时通信手段。
当前企业在进行用户需求分析时主要存在如下缺陷:大多数的用户需求分析模型是基于固定的因子,或是基于上个周期的用户需求数据来实现对当前时期的需求分析,而没有利用到与用户的当前时序数据,造成了当前时序数据的浪费。
发明内容
本发明提供一种基于时序数据的行为评价方法、装置、电子设备及计算机可读存储介质,其主要目的在于解决当前时序数据浪费的问题。
为实现上述目的,本发明提供的一种基于时序数据的行为评价方法,包括:
获取预设周期内的历史时序数据集,将所述历史时序数据集按照所述周期的不同时间阶段进行拆分,得到多个历史时序数据子集;
根据所述历史时序数据集构建原始评分模型,并根据多个所述历史时序数据子集,拆分所述原始评分模型,得到多个原始评分子模型;
利用所述历史时序数据子集训练对应的原始评分子模型,得到多个标准评分子模型;
接收当前时序数据,判断所述当前时序数据在所述周期的时间阶段,根据所述时间阶段选择对应的标准评分子模型进行行为评分,得到行为评价结果。
可选地,所述历史时序数据集存储于区块链中,所述将所述历史时序数据集按照所述周期的不同时间阶段进行拆分,得到多个历史时序数据子集,包括:
根据所述周期的长度,将所述周期拆分成不同的时间阶段;
按照不同的所述时间阶段,将所述历史时序数据集进行拆分,并与所述时间阶段进行匹配,得到多个所述历史时序数据子集。
可选地,所述利用所述历史时序数据子集训练对应的原始评分子模型,得到多个标准评分子模型,包括:
步骤A:将所述历史时序数据子集中的数据输入所述原始评分子模型中,训练所述原始评分子模型的模型参数得到训练值;
步骤B:判断所述训练值与预设的训练误差值的大小关系;
步骤C:若所述训练值大于所述训练误差值,返回步骤A;
步骤D:若所述训练值小于或等于所述训练误差值,则完成训练得到所述多个标准评分子模型。
可选地,所述步骤A,包括:
将所述历史时序数据子集内的数据转变为原始向量;
根据预构建的拼接向量规则,拼接所述原始向量得到原始时序向量;
根据预构建的标准时序向量、第一权重矩阵及第二权重矩阵,计算所述原始时序向量的原始时序特征向量;
将所述原始时序特征向量输入预构建的激活函数经所述激活函数的计算得到所述训练值。
可选地,所述计算所述原始时序向量的原始时序特征向量,包括:
利用预构建的特征函数采用下述公式计算所述原始时序特征向量:
ht=σ(Wfxt+Wsyt)
其中,σ表示所述特征函数,Wf表示所述第一权重矩阵,xt表示所述原始时序向量,Ws表示所述第二权重矩阵,yt表示所述标准时序向量,ht表示所述原始时序特征向量。
可选地,所述根据所述时间阶段选择对应的标准评分子模型进行行为评分,得到行为评价结果,包括:
将所述当前时序数据输入所述标准评分子模型获得所述用户行为的评分值;
若所述评分值小于等于预设的阈值,则认为用户行为不可信;
若所述评分值大于预设的阈值,则认为用户行为可信。
为了解决上述问题,本发明还提供一种基于时序数据的行为评价装置,所述装置包括:
模型拆分模块,用于获取预设周期内的历史时序数据集,将所述历史时序数据集按照所述周期的不同时间阶段进行拆分,得到多个历史时序数据子集;根据所述历史时序数据集构建原始评分模型,并根据多个所述历史时序数据子集,拆分所述原始评分模型,得到多个原始评分子模型;
模型训练模块,用于利用所述历史时序数据子集训练对应的原始评分子模型,得到多个标准评分子模型;
评价结果获得模块,用于接收当前时序数据,判断所述当前时序数据在所述周期的时间阶段,根据所述时间阶段选择对应的标准评分子模型进行行为评分,得到行为评价结果。
可选地,所述模型拆分模块具体用于:
根据所述周期的长度,将所述周期拆分成不同的时间阶段;
按照不同的所述时间阶段,将所述历史时序数据集进行拆分,并与所述时间阶段进行匹配,得到多个所述历史时序数据子集。
为了解决上述问题,本发明还提供一种电子设备,所述电子设备包括:
存储器,存储至少一个指令;及
处理器,执行所述存储器中存储的指令以实现上述所述的基于时序数据的行为评价方法。
为了解决上述问题,本发明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中存储有至少一个指令,所述至少一个指令被电子设备中的处理器执行以实现上述所述的基于时序数据的行为评价方法。
本发明实施例是先获取预设周期内的历史时序数据集,将所述历史时序数据集按照所述周期的不同时间阶段进行拆分,得到多个历史时序数据子集;根据所述历史时序数据集构建原始评分模型,并根据多个所述历史时序数据子集,拆分所述原始评分模型,得到多个原始评分子模型;利用所述历史时序数据子集训练对应的原始评分子模型,得到多个标准评分子模型;接收当前时序数据,判断所述当前时序数据在所述周期的时间阶段,根据所述时间阶段选择对应的标准评分子模型进行用户行为评分得到用户行为评价结果。利用所述历史时序数据集中的数据构建和训练了标准评分子模型,再利用该标准评分子模型对当前时序数据进行用户行为评价,解决了当前时序数据浪费的问题。
附图说明
图1为本发明一实施例提供的基于时序数据的行为评价方法的流程示意图;
图2为本发明一实施例提供的基于时序数据的行为评价装置的模块示意图;
图3为本发明一实施例提供的实现基于时序数据的行为评价方法的电子设备的内部结构示意图;
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本申请实施例提供的基于时序数据的行为评价方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之,所述基于时序数据的行为评价方法可以由安装在终端设备或服务端设备的软件或硬件来执行,所述软件可以是区块链平台。所述服务端包括但不限于:单台服务器、服务器集群、云端服务器或云端服务器集群等。
参照图1所示,在本发明实施例中,所述基于时序数据的行为评价方法包括:
S1、获取预设周期内的历史时序数据集,将所述历史时序数据集按照所述周期的不同时间阶段进行拆分,得到多个历史时序数据子集。
较佳地,本发明实施例中,所述预设周期可以为3个月。所述历史时序数据是指在所述预设周期内用户与企业的交互数据,例如车险用户与保险企业之间在上一个保险周期内的互联网平台交互数据。所述历史时序数据可以来源于手机APP使用记录、用户相关出险记录、用户相关投诉记录、外呼(包括AI机器人外呼)情况记录、微信等即时通信工具的消息记录等。本发明实施例将所述历史时序数据汇总获得所述历史时序数据集
详细地,所述将所述历史时序数据集按照所述周期的不同时间阶段进行拆分,得到多个历史时序数据子集,包括:
根据所述周期的长度,将所述周期拆分成不同的时间阶段;
按照不同的所述时间阶段,将所述历史时序数据集进行拆分,并与所述时间阶段进行匹配,得到多个所述历史时序数据子集。
需要强调的是,为进一步保证上述历史时序数据集的私密和安全性,上述历史时序数据集还可以存储于一区块链的节点中。
本发明实施例中,对所述周期和所述历史时序数据集进行拆分采用的是独立拆分技术,所述独立拆分技术即对所述周期和所述历史时序数据集分别进行拆分,拆分过程互不干扰,使拆分效率得到极大提高。详细地,所述独立拆分技术,包括:
将所述周期拆分为不同时间阶段;
将所述历史时序数据集中的每个数据按照时序进行排序,并对所述历史时序数据集中每个数据都赋予一个序号;
将所述历史时序数据集中每个数据的序号都输入到一个等差拆分函数中进行等差拆分操作后,输出多个历史时序数据拆分集;
利用所述等差拆分函数的映射功能将所述多个历史时序数据拆分集映射到相对应的所述周期的不同时间阶段,得到与所述周期不同时间阶段相匹配的多个历史时序数据子集。
本发明实施例中所述独立拆分技术采用多线程方式,充分利用CPU多核资源,根据当前节点CPU的核数自动开辟多个线程,解决了传统拆分技术所用算法的计算量大,单线程运算方式费时等众多问题。此外,传统拆分技术虽已经充分利用了单节点的硬件资源,效率得到了提升,但是单节点的效率提升是有限的,为了进一步提高效率,本发明实施例中同时使用集群中多个计算机节点进行拆分和映射,主节点上的进程会根据可用的计算机节点数和序号数自动对所述周期和所述历史时序数据集进行拆分,在多个节点上同时独立地进行拆分和映射。
S2、根据所述历史时序数据集构建原始评分模型,并根据多个所述历史时序数据子集,拆分所述原始评分模型,得到多个原始评分子模型。
本发明实施例中,所述构建原始评分模型,包括:
根据所述历史时序数据集中的用户账号数据构建黑名单样本库和白名单样本库,其中,所述黑名单样本库中包括异常帐号,所述白名单样本库中包括正常帐号;
基于梯度提升决策树(GradientBoostingDecisionTree,GBDT)模型对所述黑名单样本库中的异常帐号和白名单样本库中的正常帐号进行聚类训练,筛选出异常帐号分类特征;
基于随机森林(RandomForest,简称RF)模型对所述异常帐号分类特征进行训练,获取每一个异常帐号分类特征对应的贡献度;
根据所述异常帐号分类特征及其对应的贡献度,构建原始评分模型,其中,所述原始评分模型用于识别异常帐号。
所述基于GBDT模型对所述黑名单样本库中的异常帐号和白名单样本库中的正常帐号进行聚类训练包括:
步骤A:获取每一所述异常帐号以及正常帐号的特征信息对应的样本值;
步骤B:根据所述样本值,按照预测的特征条件将所述异常帐号、正常帐号分配至GBDT模型中的首棵回归决策树,直至每个异常帐号、正常帐号均分配至所述首棵回归决策树的每一个叶子节点;
步骤C:获取预构建的损失函数,初始化所述损失函数的极小化的常数值;
步骤D:针对每一个叶子节点,根据所述损失函数和常数值估算每一所述异常帐号、正常帐号对应的残差近似值;若所述残差近似值与预设的残差之间的差值的绝对值大于或等于预设的误差值,则返回步骤C;若所述残差近似值与预设的残差之间的差值的绝对值小于预设的误差值,则得到所述聚类训练的结果;
步骤E:基于所有残差近似值迭代训练下一棵回归决策树,直至获得所述GBDT模型中每颗回归决策树的所述聚类训练结果。
其中,所述异常帐号分类特征包括:
连续高频绑定特征、连续密码绑定特征、连续IP绑定特征、IP高发散率特征、帐号业务员同地域特征、注册绑定时间差特征、注册绑定无前端埋点特征等。
所述原始评分模型构建完成后,本发明实施例根据多个所述历史时序数据子集所在的周期不同时间阶段得到与其相匹配的多个所述原始评分子模型,至此,所述原始评分模型完成拆分。
S3、利用所述历史时序数据子集训练对应的原始评分子模型,得到多个标准评分子模型。
优选地,所述S3包括:
步骤A:将所述历史时序数据子集中的数据输入所述原始评分子模型中,训练所述原始评分子模型的模型参数得到训练值;
步骤B:判断所述训练值与预设的训练误差值的大小关系;
步骤C:若所述训练值大于所述训练误差值,返回步骤A;
步骤D:若所述训练值小于或等于所述训练误差值,则完成训练得到所述多个标准评分子模型。
详细地,所述步骤A包括:将所述历史时序数据子集内的数据转变为原始向量;根据预构建的拼接向量规则,拼接所述原始向量得到原始时序向量;根据预构建的标准时序向量、第一权重矩阵及第二权重矩阵,计算所述原始时序向量的原始时序特征向量;将所述原始时序特征向量输入预构建的激活函数经所述激活函数的计算得到所述训练值。
进一步地,所述计算所述原始时序向量的原始时序特征向量,包括:利用预构建的特征函数采用下述公式计算所述原始时序特征向量:
ht=σ(Wfxt+Wsyt)
其中,σ表示所述特征函数,Wf表示所述第一权重矩阵,xt表示所述原始时序向量,Ws表示所述第二权重矩阵,yt表示所述标准时序向量,ht表示所述原始时序特征向量。
S4、接收当前时序数据,判断所述当前时序数据在所述周期的时间阶段,根据所述时间阶段选择对应的标准评分子模型进行行为评分,得到行为评价结果。
优选地,所述根据所述时间阶段选择对应的标准评分子模型进行行为评分,得到行为评价结果包括:
将所述当前时序数据输入所述标准评分子模型获得所述用户行为的评分值;
若所述评分值小于等于预设的阈值,则认为用户行为不可信;
若所述评分值大于预设的阈值,则认为用户行为可信。
在本发明实施例其中一个应用实例中,根据车险用户与保险企业之间在之前的保险周期内的互联网平台交互数据来进行所述行为评价,包括:接收车险用户与保险企业之间在当前的保险周期内的互联网平台交互数据,判断所述车险用户与保险企业之间在当前的保险周期内的互联网平台交互数据所在的保险周期的不同时间阶段,根据所述不同时间阶段选择对应的根据所述车险用户与保险企业之间在之前的保险周期内的互联网平台交互数据训练得到的所述标准评分子模型,将所述车险用户与保险企业之间在当前的保险周期内的互联网平台交互数据输入所述标准评分子模型从而得到用户当前的评分值,根据所述评分值,实现对所述用户行为的分析:若所述评分值小于等于预设的阈值,则认为该用户行为不可信,即在下一周期续保的可能性小,要对该用户进行风险处理;若当前评分值大于预设的阈值,则认为该用户行为可信,即在下一周期续保的可能性大,不予进行风险处理。
本发明实施例是先获取预设周期内的历史时序数据集,将所述历史时序数据集按照所述周期的不同时间阶段进行拆分,得到多个历史时序数据子集;根据所述历史时序数据集构建原始评分模型,并根据多个所述历史时序数据子集,拆分所述原始评分模型,得到多个原始评分子模型;利用所述历史时序数据子集训练对应的原始评分子模型,得到多个标准评分子模型;接收当前时序数据,判断所述当前时序数据在所述周期的时间阶段,根据所述时间阶段选择对应的标准评分子模型进行用户行为评分得到用户行为评价结果。利用所述历史时序数据集中的数据构建和训练了标准评分子模型,再利用该标准评分子模型对当前时序数据进行用户行为评价,解决了当前时序数据浪费的问题。
如图2所示,是本发明基于时序数据的行为评价装置的功能模块图。
本发明所述基于时序数据的行为评价装置100可以安装于电子设备中。根据实现的功能,所述基于时序数据的行为评价装置可以包括模型拆分模块101、模型训练模块102、评价结果获得模块103。本发所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本实施例中,关于各模块/单元的功能如下:
所述模型拆分模块101,用于获取预设周期内的历史时序数据集,将所述历史时序数据集按照所述周期的不同时间阶段进行拆分,得到多个历史时序数据子集;根据所述历史时序数据集构建原始评分模型,并根据多个所述历史时序数据子集,拆分所述原始评分模型,得到多个原始评分子模型;
所述模型训练模块102,用于利用所述历史时序数据子集训练对应的原始评分子模型,得到多个标准评分子模型;
所述评价结果获得模块103,用于接收当前时序数据,判断所述当前时序数据在所述周期的时间阶段,根据所述时间阶段选择对应的标准评分子模型进行行为评分,得到行为评价结果。
详细地,所述基于时序数据的行为评价装置各模块的具体实施步骤如下:
所述模型拆分模块101获取预设周期内的历史时序数据集,将所述历史时序数据集按照所述周期的不同时间阶段进行拆分,得到多个历史时序数据子集;根据所述历史时序数据集构建原始评分模型,并根据多个所述历史时序数据子集,拆分所述原始评分模型,得到多个原始评分子模型。
较佳地,本发明实施例中,所述预设周期可以为3个月。所述历史时序数据是指在所述预设周期内用户与企业的交互数据,例如车险用户与保险企业之间在上一个保险周期内的互联网平台交互数据。所述历史时序数据可以来源于手机APP使用记录、用户相关出险记录、用户相关投诉记录、外呼(包括AI机器人外呼)情况记录、微信等即时通信工具的消息记录、用户对发放的洗车等相关服务的使用情况等,将所述历史时序数据汇总获得所述历史时序数据集。
详细地,所述历史时序数据集存储于区块链中,所述将所述历史时序数据集按照所述周期的不同时间阶段进行拆分,得到多个历史时序数据子集,包括:
根据所述周期的长度,将所述周期拆分成不同的时间阶段;
按照不同的所述时间阶段,将所述历史时序数据集进行拆分,并与所述时间阶段进行匹配,得到多个所述历史时序数据子集。
本发明实施例中,对所述周期和所述历史时序数据集进行拆分采用的是独立拆分技术,所述独立拆分技术即对所述周期和所述历史时序数据集分别进行拆分,拆分过程互不干扰,使拆分效率得到极大提高。所述独立拆分技术,包括:
将所述周期拆分为不同时间阶段;
将所述历史时序数据集中的每个数据按照时序进行排序,并对所述历史时序数据集中每个数据都赋予一个序号;
将所述历史时序数据集中每个数据的序号都输入到一个等差拆分函数中进行等差拆分操作后,输出多个历史时序数据拆分集;
利用所述等差拆分函数的映射功能将所述多个历史时序数据拆分集映射到相对应的所述周期的不同时间阶段,得到与所述周期不同时间阶段相匹配的多个历史时序数据子集。
本发明实施例中所述独立拆分技术采用多线程方式,充分利用CPU多核资源,根据当前节点CPU的核数自动开辟多个线程,解决了传统拆分技术所用算法的计算量大,单线程运算方式费时等众多问题。此外,传统拆分技术虽已经充分利用了单节点的硬件资源,效率得到了提升,但是单节点的效率提升是有限的,为了进一步提高效率,本发明实施例中同时使用集群中多个计算机节点进行拆分和映射,主节点上的进程会根据可用的计算机节点数和序号数自动对所述周期和所述历史时序数据集进行拆分,在多个节点上同时独立地进行拆分和映射。
本发明实施例中,所述构建原始评分模型,包括:
根据所述历史时序数据集中的用户账号数据构建黑名单样本库和白名单样本库,其中,所述黑名单样本库中包括异常帐号,所述白名单样本库中包括正常帐号;
基于梯度提升决策树(GradientBoostingDecisionTree,GBDT)模型对所述黑名单样本库中的异常帐号和白名单样本库中的正常帐号进行聚类训练,筛选出异常帐号分类特征;
基于随机森林(RandomForest,简称RF)模型对所述异常帐号分类特征进行训练,获取每一个异常帐号分类特征对应的贡献度;
根据所述异常帐号分类特征及其对应的贡献度,构建原始评分模型,其中,所述原始评分模型用于识别异常帐号。
所述基于GBDT模型对所述黑名单样本库中的异常帐号和白名单样本库中的正常帐号进行聚类训练包括:
步骤A:获取每一所述异常帐号以及正常帐号的特征信息对应的样本值;
步骤B:根据所述样本值,按照预测的特征条件将所述异常帐号、正常帐号分配至GBDT模型中的首棵回归决策树,直至每个异常帐号、正常帐号均分配至所述首棵回归决策树的每一个叶子节点;
步骤C:获取预构建的损失函数,初始化所述损失函数的极小化的常数值;
步骤D:针对每一个叶子节点,根据所述损失函数和常数值估算每一所述异常帐号、正常帐号对应的残差近似值;若所述残差近似值与预设的残差之间的差值的绝对值大于或等于预设的误差值,则返回步骤C;若所述残差近似值与预设的残差之间的差值的绝对值小于预设的误差值,则得到所述聚类训练的结果;
步骤E:基于所有残差近似值迭代训练下一棵回归决策树,直至获得所述GBDT模型中每颗回归决策树的所述聚类训练结果。
其中,所述异常帐号分类特征包括:
连续高频绑定特征、连续密码绑定特征、连续IP绑定特征、IP高发散率特征、帐号业务员同地域特征、注册绑定时间差特征、注册绑定无前端埋点特征等。
所述原始评分模型构建完成后,本发明实施例根据多个所述历史时序数据子集所在的周期不同时间阶段得到与其相匹配的多个所述原始评分子模型,至此,所述原始评分模型完成拆分。
优选地,所述模型拆分模块具体用于:根据所述周期的长度,将所述周期拆分成不同的时间阶段;按照不同的所述时间阶段,将所述历史时序数据集进行拆分,并与所述时间阶段进行匹配,得到多个所述历史时序数据子集。
所述模型训练模块102利用所述历史时序数据子集训练对应的原始评分子模型,得到多个标准评分子模型。
优选地,所述模型训练模块102包括:
步骤A:将所述历史时序数据子集中的数据输入所述原始评分子模型中,训练所述原始评分子模型的模型参数得到训练值;
步骤B:判断所述训练值与预设的训练误差值的大小关系;
步骤C:若所述训练值大于所述训练误差值,返回步骤A;
步骤D:若所述训练值小于或等于所述训练误差值,则完成训练得到所述多个标准评分子模型。
详细地,所述步骤A包括:将所述历史时序数据子集内的数据转变为原始向量;根据预构建的拼接向量规则,拼接所述原始向量得到原始时序向量;根据预构建的标准时序向量、第一权重矩阵及第二权重矩阵,计算所述原始时序向量的原始时序特征向量;将所述原始时序特征向量输入预构建的激活函数经所述激活函数的计算得到所述训练值。
进一步地,所述计算所述原始时序向量的原始时序特征向量,包括:利用预构建的特征函数采用下述公式计算所述原始时序特征向量:
ht=σ(Wfxt+Wsyt)
其中,σ表示所述特征函数,Wf表示所述第一权重矩阵,xt表示所述原始时序向量,Ws表示所述第二权重矩阵,yt表示所述标准时序向量,ht表示所述原始时序特征向量。
所述评价结果获得模块103接收当前时序数据,判断所述当前时序数据在所述周期的时间阶段,根据所述时间阶段选择对应的标准评分子模型进行行为评分,得到行为评价结果。
优选地,所述根据所述时间阶段选择对应的标准评分子模型进行行为评分得到行为评价结果包括:
将所述当前时序数据输入所述标准评分子模型获得所述用户行为的评分值;
若所述评分值小于等于预设的阈值,则认为用户行为不可信;
若所述评分值大于预设的阈值,则认为用户行为可信。
在本发明实施例其中一个应用实例中,根据车险用户与保险企业之间在之前的保险周期内的互联网平台交互数据来进行所述行为评价,包括:接收车险用户与保险企业之间在当前的保险周期内的互联网平台交互数据,判断所述车险用户与保险企业之间在当前的保险周期内的互联网平台交互数据所在的保险周期的不同时间阶段,根据所述不同时间阶段选择对应的根据所述车险用户与保险企业之间在之前的保险周期内的互联网平台交互数据训练得到的所述标准评分子模型,将所述车险用户与保险企业之间在当前的保险周期内的互联网平台交互数据输入所述标准评分子模型从而得到用户当前的评分值,根据所述评分值,实现对所述用户行为的分析:若所述评分值小于等于预设的阈值,则认为该用户行为不可信,即在下一周期续保的可能性小,要对该用户进行风险处理;若当前评分值大于预设的阈值,则认为该用户行为可信,即在下一周期续保的可能性大,不予进行风险处理。
如图3所示,是本发明实现基于时序数据的行为评价方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11和总线,还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序,如基于时序数据的行为评价程序12。
其中,所述存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元,例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备,例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(SecureDigital,SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据,例如基于时序数据的行为评价的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器11内的程序或者模块(例如执行基于时序数据的行为评价等),以及调用存储在所述存储器11内的数据,以执行电子设备1的各种功能和处理数据。
所述总线可以是外设部件互连标准(peripheral component interconnect,简称PCI)总线或扩展工业标准结构(extended industry standard architecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图3仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图3示出的结构并不构成对所述电子设备1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备1还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器10逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
进一步地,所述电子设备1还可以包括网络接口,可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地,该电子设备1还可以包括用户接口,用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的基于时序数据的行为评价12是多个指令的组合,在所述处理器10中运行时,可以实现:
获取预设周期内的历史时序数据集,将所述历史时序数据集按照所述周期的不同时间阶段进行拆分,得到多个历史时序数据子集;
根据所述历史时序数据集构建原始评分模型,并根据多个所述历史时序数据子集,拆分所述原始评分模型,得到多个原始评分子模型;
利用所述历史时序数据子集训练对应的原始评分子模型,得到多个标准评分子模型;
接收当前时序数据,判断所述当前时序数据在所述周期的时间阶段,根据所述时间阶段选择对应的标准评分子模型进行行为评分,得到行为评价结果。
具体地,所述处理器10对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述,在此不赘述。
进一步地,所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个非易失性计算机可读取存储介质中。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种基于时序数据的行为评价方法,其特征在于,所述方法包括:
获取预设周期内的历史时序数据集,将所述历史时序数据集按照所述周期的不同时间阶段进行拆分,得到多个历史时序数据子集;
根据所述历史时序数据集构建原始评分模型,并根据多个所述历史时序数据子集,拆分所述原始评分模型,得到多个原始评分子模型;
利用所述历史时序数据子集训练对应的原始评分子模型,得到多个标准评分子模型;
接收当前时序数据,判断所述当前时序数据在所述周期的时间阶段,根据所述时间阶段选择对应的标准评分子模型进行行为评分,得到行为评价结果。
2.如权利要求1所述的基于时序数据的行为评价方法,其特征在于,所述历史时序数据集存储于区块链中,所述将所述历史时序数据集按照所述周期的不同时间阶段进行拆分,得到多个历史时序数据子集,包括:
根据所述周期的长度,将所述周期拆分成不同的时间阶段;
按照不同的所述时间阶段,将所述历史时序数据集进行拆分,并与所述时间阶段进行匹配,得到多个所述历史时序数据子集。
3.如权利要求1所述的基于时序数据的行为评价方法,其特征在于,所述利用所述历史时序数据子集训练对应的原始评分子模型,得到多个标准评分子模型,包括:
步骤A:将所述历史时序数据子集中的数据输入所述原始评分子模型中,训练所述原始评分子模型的模型参数得到训练值;
步骤B:判断所述训练值与预设的训练误差值的大小关系;
步骤C:若所述训练值大于所述训练误差值,返回步骤A;
步骤D:若所述训练值小于或等于所述训练误差值,则完成训练得到所述多个标准评分子模型。
4.如权利要求3所述的基于时序数据的行为评价方法,其特征在于,所述步骤A包括:
将所述历史时序数据子集内的数据转变为原始向量;
根据预构建的拼接向量规则,拼接所述原始向量得到原始时序向量;
根据预构建的标准时序向量、第一权重矩阵及第二权重矩阵,计算所述原始时序向量的原始时序特征向量;
将所述原始时序特征向量输入预构建的激活函数经所述激活函数的计算得到所述训练值。
5.如权利要求4所述的基于时序数据的行为评价方法,其特征在于,所述计算所述原始时序向量的原始时序特征向量,包括:
利用预构建的特征函数采用下述公式计算所述原始时序特征向量:
ht=σ(Wfxt+Wsyt)
其中,σ表示所述特征函数,Wf表示所述第一权重矩阵,xt表示所述原始时序向量,Ws表示所述第二权重矩阵,yt表示所述标准时序向量,ht表示所述原始时序特征向量。
6.如权利要求1所述的基于时序数据的行为评价方法,其特征在于,所述根据所述时间阶段选择对应的标准评分子模型进行行为评分,得到行为评价结果,包括:
将所述当前时序数据输入所述标准评分子模型获得所述用户行为的评分值;
若所述评分值小于等于预设的阈值,则认为用户行为不可信;
若所述评分值大于预设的阈值,则认为用户行为可信。
7.一种基于时序数据的行为评价装置,其特征在于,所述装置包括:
模型拆分模块,用于获取预设周期内的历史时序数据集,将所述历史时序数据集按照所述周期的不同时间阶段进行拆分,得到多个历史时序数据子集;根据所述历史时序数据集构建原始评分模型,并根据多个所述历史时序数据子集,拆分所述原始评分模型,得到多个原始评分子模型;
模型训练模块,用于利用所述历史时序数据子集训练对应的原始评分子模型,得到多个标准评分子模型;
评价结果获得模块,用于接收当前时序数据,判断所述当前时序数据在所述周期的时间阶段,根据所述时间阶段选择对应的标准评分子模型进行行为评分,得到行为评价结果。
8.如权利要求7所述的基于时序数据的行为评价装置,其特征在于,所述模型拆分模块具体用于:
根据所述周期的长度,将所述周期拆分成不同的时间阶段;
按照不同的所述时间阶段,将所述历史时序数据集进行拆分,并与所述时间阶段进行匹配,得到多个所述历史时序数据子集。
9.一种电子设备,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如权利要求1至6中任意一项所述的基于时序数据的行为评价方法。
10.一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6中任意一项所述的基于时序数据的行为评价方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010370732.5A CN111652279B (zh) | 2020-04-30 | 2020-04-30 | 基于时序数据的行为评价方法、装置及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010370732.5A CN111652279B (zh) | 2020-04-30 | 2020-04-30 | 基于时序数据的行为评价方法、装置及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111652279A true CN111652279A (zh) | 2020-09-11 |
CN111652279B CN111652279B (zh) | 2024-04-30 |
Family
ID=72349460
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010370732.5A Active CN111652279B (zh) | 2020-04-30 | 2020-04-30 | 基于时序数据的行为评价方法、装置及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111652279B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112215696A (zh) * | 2020-09-28 | 2021-01-12 | 北京大学 | 基于时序归因分析的个人信用评估与解释方法、装置、设备及存储介质 |
CN112330362A (zh) * | 2020-11-04 | 2021-02-05 | 江苏瑞祥科技集团有限公司 | 用于互联网商城用户行为习惯的快速数据智能分析方法 |
CN112348094A (zh) * | 2020-11-10 | 2021-02-09 | 上海优扬新媒信息技术有限公司 | 数据处理方法及装置 |
CN112862593A (zh) * | 2021-01-28 | 2021-05-28 | 深圳前海微众银行股份有限公司 | 信用评分卡模型训练方法、装置、系统及计算机存储介质 |
CN113505532A (zh) * | 2021-07-06 | 2021-10-15 | 新智数字科技有限公司 | 设备剩余寿命预测方法、装置、计算机设备及介质 |
CN113763186A (zh) * | 2021-10-22 | 2021-12-07 | 平安科技(深圳)有限公司 | 基于循环神经网络的用户转保预测方法、装置以及设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107402921A (zh) * | 2016-05-18 | 2017-11-28 | 阿里巴巴集团控股有限公司 | 识别用户行为的事件时序数据处理方法、装置及系统 |
CN107730087A (zh) * | 2017-09-20 | 2018-02-23 | 平安科技(深圳)有限公司 | 预测模型训练方法、数据监控方法、装置、设备及介质 |
CN109784377A (zh) * | 2018-12-26 | 2019-05-21 | 平安科技(深圳)有限公司 | 多重识别模型构建方法、装置、计算机设备及存储介质 |
-
2020
- 2020-04-30 CN CN202010370732.5A patent/CN111652279B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107402921A (zh) * | 2016-05-18 | 2017-11-28 | 阿里巴巴集团控股有限公司 | 识别用户行为的事件时序数据处理方法、装置及系统 |
CN107730087A (zh) * | 2017-09-20 | 2018-02-23 | 平安科技(深圳)有限公司 | 预测模型训练方法、数据监控方法、装置、设备及介质 |
CN109784377A (zh) * | 2018-12-26 | 2019-05-21 | 平安科技(深圳)有限公司 | 多重识别模型构建方法、装置、计算机设备及存储介质 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112215696A (zh) * | 2020-09-28 | 2021-01-12 | 北京大学 | 基于时序归因分析的个人信用评估与解释方法、装置、设备及存储介质 |
CN112330362A (zh) * | 2020-11-04 | 2021-02-05 | 江苏瑞祥科技集团有限公司 | 用于互联网商城用户行为习惯的快速数据智能分析方法 |
CN112348094A (zh) * | 2020-11-10 | 2021-02-09 | 上海优扬新媒信息技术有限公司 | 数据处理方法及装置 |
CN112862593A (zh) * | 2021-01-28 | 2021-05-28 | 深圳前海微众银行股份有限公司 | 信用评分卡模型训练方法、装置、系统及计算机存储介质 |
CN112862593B (zh) * | 2021-01-28 | 2024-05-03 | 深圳前海微众银行股份有限公司 | 信用评分卡模型训练方法、装置、系统及计算机存储介质 |
CN113505532A (zh) * | 2021-07-06 | 2021-10-15 | 新智数字科技有限公司 | 设备剩余寿命预测方法、装置、计算机设备及介质 |
CN113505532B (zh) * | 2021-07-06 | 2023-12-29 | 新奥新智科技有限公司 | 设备剩余寿命预测方法、装置、计算机设备及介质 |
CN113763186A (zh) * | 2021-10-22 | 2021-12-07 | 平安科技(深圳)有限公司 | 基于循环神经网络的用户转保预测方法、装置以及设备 |
CN113763186B (zh) * | 2021-10-22 | 2024-03-15 | 平安科技(深圳)有限公司 | 基于循环神经网络的用户转保预测方法、装置以及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN111652279B (zh) | 2024-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111652279A (zh) | 基于时序数据的行为评价方法、装置及可读存储介质 | |
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 | |
CN112148577A (zh) | 数据异常检测方法、装置、电子设备及存储介质 | |
CN113657495B (zh) | 基于概率预测模型的保险产品推荐方法、装置、设备 | |
CN111932562B (zh) | 基于ct序列的图像识别方法、装置、电子设备及介质 | |
CN112949760A (zh) | 基于联邦学习的模型精度控制方法、装置及存储介质 | |
CN114881616A (zh) | 业务流程执行方法、装置、电子设备及存储介质 | |
CN114663198A (zh) | 基于用户画像的产品推荐方法、装置、设备及存储介质 | |
CN113688923A (zh) | 订单异常智能检测方法、装置、电子设备及存储介质 | |
CN113516417A (zh) | 基于智能建模的业务评估方法、装置、电子设备及介质 | |
CN113504935A (zh) | 软件开发质量评估方法、装置、电子设备及可读存储介质 | |
CN115081538A (zh) | 基于机器学习的客户关系识别方法、装置、设备及介质 | |
CN112104662B (zh) | 远端数据读写方法、装置、设备及计算机可读存储介质 | |
CN112541640A (zh) | 资源的权限管理方法、装置、电子设备及计算机存储介质 | |
CN112631903A (zh) | 任务测试方法、装置、电子设备及存储介质 | |
CN112541688A (zh) | 业务数据校验方法、装置、电子设备及计算机存储介质 | |
CN111652282A (zh) | 基于大数据的用户偏好分析方法、装置及电子设备 | |
CN114996386A (zh) | 业务角色识别方法、装置、设备及存储介质 | |
CN113657546A (zh) | 信息分类方法、装置、电子设备及可读存储介质 | |
CN114896164A (zh) | 接口优化方法、装置、电子设备及存储介质 | |
CN113627692A (zh) | 投诉量预测方法、装置、设备及存储介质 | |
CN113591881A (zh) | 基于模型融合的意图识别方法、装置、电子设备及介质 | |
CN115225489B (zh) | 队列业务流量阈值动态控制方法、电子设备及存储介质 | |
CN114723488B (zh) | 课程推荐方法、装置、电子设备及存储介质 | |
CN115795171A (zh) | 基于业务场景的信息推送方法、装置、电子设备及介质 |
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 |