CN111709532A - 基于与模型无关局部解释的在线购物代表性样本选择系统 - Google Patents
基于与模型无关局部解释的在线购物代表性样本选择系统 Download PDFInfo
- Publication number
- CN111709532A CN111709532A CN202010453195.0A CN202010453195A CN111709532A CN 111709532 A CN111709532 A CN 111709532A CN 202010453195 A CN202010453195 A CN 202010453195A CN 111709532 A CN111709532 A CN 111709532A
- Authority
- CN
- China
- Prior art keywords
- network transaction
- data set
- data
- module
- model
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- Evolutionary Computation (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Business, Economics & Management (AREA)
- Medical Informatics (AREA)
- Development Economics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于与模型无关局部解释的在线购物代表性样本选择系统,主要包括数据采集模块、数据预处理模块、代表性样本选择模块和网络交易预测模块。在不损害预测准确率的前提下,本发明可以减少计算量缩短模型训练时间。
Description
技术领域
本发明涉及数据处理技术领域,具体是基于与模型无关局部解释的在线购物代表性样本选择系统。
背景技术
在线购物是通过互联网系统来连结消费者与销售者以进行销售。近年来,随着互联网的发展以及淘宝、京东等网上购物平台的出现,人们可以方便快捷地进行网上购物,使得在线购物业在近十年有了快速的增长,积累下来了大量的在线购物数据。
机器学习技术是当今人工智能领域研究和应用开发的热点,近年来,机器学习技术被应用于各行各业并取得良好的成果。但由于机器学习算法的复杂性,面对像在线购物数据这种大规模数据集时,需要花费大量时间用于模型训练,极大的损耗了资源。因此,样本选择算法越来越受到人们的关注。
目前已知的样本选择算法通常选用质心作为代表性样本或是需结合特定的模型,不具有通用性。面对在线购物数据这种大规模数据,对样本选择方法的需求十分迫切,但现目前还没有运用于在线购物数据的样本选择方法。
发明内容
本发明的目的是解决现有技术中存在的问题。
为实现本发明目的而采用的技术方案是这样的,基于与模型无关局部解释的在线购物代表性样本选择系统,主要包括数据采集模块、数据预处理模块、代表性样本选择模块和网络交易预测模块。
所述数据采集模块采集网络交易数据,并发送至数据预处理模块。
进一步,网络交易数据为在线购物数据,包括时间、特殊日标记信息、页面退出率、顾客类型和商品信息浏览时长。
所述数据预处理模块对网络交易数据进行预处理,并将预处理后的数据集随机划分为训练数据集和测试数据集。
进一步,对数据集进行预处理的主要步骤如下:
a)对网络交易数据的类别特征进行整型编码。
b)对网络交易数据进行归一化处理,得到归一化后的数据x',即:
式中,xmax表示数据的最大值。xmin表示数据的最小值。x表示网络交易数据。
所述数据预处理模块将训练数据集发送至代表性样本选择模块和网络交易预测模块,将测试数据集发送至网络交易预测模块。
所述代表性样本选择模块接收到训练数据集后,对训练数据集进行特征计算,并建立二次训练数据集。二次训练数据集中的元素为训练数据集元素所有特征的计算结果的平均值。
进一步,对训练数据集进行特征计算的公式如下:
ξ(x)=argming∈GL(f,g,Πx)+Ω(g)。 (2)
式中,ξ(x)为目标函数,也即二次训练样本。g为网络交易优化预测模型。G为潜在可解释模型的集合。Ω(g)为网络交易优化预测模型的复杂度。Πx为训练样本z到二次训练样本x之间的邻近度量。 f为二次训练样本x属于网络交易数据中某一类别的概率函数。L(*) 表示最大似然估计函数。
所述代表性样本选择模块对二次训练数据集中的元素进行降序排列,并按递增序列选取代表性样本,并发送至网络交易预测模块。
进一步,利用等差序列选取代表性样本的公式如下:
an=a1+(n-1)*D。 (3)
式中,an为目标值,即代表性样本。a1为等差序列首项且a1≥1。
n为项数。D为公差。
所述网络交易预测模块存储有基于机器学习算法建立的网络交易预测模型。
进一步,所述机器学习算法为逻辑回归算法。
进一步,网络交易预测模型如下所示:
式中,w为权值向量。wi=(w1;w2;...wd)。其中wi是w 在第i个属性上的取值。x为输入向量数据。 xi=(x1;x2;...xd)。其中xi是x在第i个属性上的取值。b为偏置常量。y为网络交易预测模型输出。i=1,2,…,d;d为属性总数。
所述网络交易预测模块接收训练数据集后,利用训练数据集对网络交易预测模型进行训练,得到网络交易优化预测模型。
所述网络交易预测模块接收测试数据集后,将测试数据集输入到训练后的网络交易优化预测模型中,对网络交易预测模型进行验证。
所述网络交易预测模块将接收到的代表性样本输入到网络交易优化预测模型中,对网络交易优化预测模型进行训练,得到网络交易最优预测模型。
所述网络交易预测模块将测试数据集输入到训练后的网络交易最优预测模型中,对网络交易最优预测模型进行评估。
进一步,网络交易最优预测模型评估参数包括网络交易最优预测模型的准确率、精确率、召回率和F1值。
准确率Accuracy如下所示:
式中,TP为将正类样本预测为正类。FN为将正类样本预测为负类。FP为将负类样本预测为正类。TN为将负类样本预测为正类。
精确率Precision如下所示:
召回率Recall如下所示:
F1值如下所示:
式中,F1值表示精确率Precision和召回率Recall的调和平均数。
本发明的技术效果是毋庸置疑的。本发明是一种与模型无关的样本选择方法,运用于在线购物数据的代表性样本选择;通过本方法选取代表性样本,在不损害预测准确率的前提下,可以减少计算量缩短模型训练时间。由此可见,本发明设计原理可靠,与现有技术相比,具有突出的实质性特点和显著地进步,具有较高的实用性。
附图说明
图1为本发明基于与模型无关局部解释的在线购物代表性样本选择系统的整体流程结构图;
图2为本发明基于与模型无关局部解释的在线购物代表性样本选择系统选取的代表性样本的评估结果图。
具体实施方式
下面结合实施例对本发明作进一步说明,但不应该理解为本发明上述主题范围仅限于下述实施例。在不脱离本发明上述技术思想的情况下,根据本领域普通技术知识和惯用手段,做出各种替换和变更,均应包括在本发明的保护范围内。
实施例1:
参见图1至图2,基于与模型无关局部解释的在线购物代表性样本选择系统,主要包括数据采集模块、数据预处理模块、代表性样本选择模块和网络交易预测模块。
所述数据采集模块采集网络交易数据,并发送至数据预处理模块。
进一步,网络交易数据为在线购物数据,包括时间、特殊日标记信息、页面退出率、顾客类型和商品信息浏览时长。
所述数据预处理模块对网络交易数据进行预处理,并将预处理后的数据集随机划分为训练数据集和测试数据集。
进一步,对数据集进行预处理的主要步骤如下:
a)对网络交易数据的类别特征进行整型编码。
b)对网络交易数据进行归一化处理,得到归一化后的数据x',即:
式中,xmax表示数据的最大值。xmin表示数据的最小值。x表示网络交易数据。
所述数据预处理模块将训练数据集发送至代表性样本选择模块和网络交易预测模块,将测试数据集发送至网络交易预测模块。
所述代表性样本选择模块接收到训练数据集后,对训练数据集进行特征计算,并建立二次训练数据集。二次训练数据集中的元素为训练数据集元素所有特征的计算结果的平均值。
进一步,对训练数据集进行特征计算的公式如下:
ξ(x)=argming∈GL(f,g,Πx)+Ω(g)。 (2)
式中,ξ(x)为目标函数,也即二次训练样本。g为网络交易优化预测模型。G为潜在可解释模型的集合。Ω(g)为网络交易优化预测模型的复杂度。Πx(z)为训练样本z到二次训练样本x之间的邻近度量。f(x)为二次训练样本x属于网络交易数据中某一类别的概率函数。 L(*)表示最大似然估计函数。
所述代表性样本选择模块对二次训练数据集中的元素进行降序排列,并按递增序列选取代表性样本,并发送至网络交易预测模块。
进一步,利用等差序列选取代表性样本的公式如下:
an=a1+(n-1)*D。 (3)
式中,an为目标值,即代表性样本。a1为等差序列首项且a1≥1。
n为项数。D为公差。
所述网络交易预测模块存储有基于机器学习算法建立的网络交易预测模型。
进一步,所述机器学习算法为逻辑回归算法。
进一步,网络交易预测模型如下所示:
式中,w为权值向量。wi=(w1;w2;...wd)。其中wi是w 在第i个属性上的取值。x为输入向量数据。 xi=(x1;x2;...xd)。其中xi是x在第i个属性上的取值。b为偏置常量。y为网络交易预测模型输出。i=1,2,…,d;d为属性总数。
所述网络交易预测模块接收训练数据集后,利用训练数据集对网络交易预测模型进行训练,得到网络交易优化预测模型。
所述网络交易预测模块接收测试数据集后,将测试数据集输入到训练后的网络交易优化预测模型中,对网络交易预测模型进行验证。
所述网络交易预测模块将接收到的代表性样本输入到网络交易优化预测模型中,对网络交易优化预测模型进行训练,得到网络交易最优预测模型。
所述网络交易预测模块将测试数据集输入到训练后的网络交易最优预测模型中,对网络交易最优预测模型进行评估。
进一步,网络交易最优预测模型评估参数包括网络交易最优预测模型的准确率、精确率、召回率和F1值。
准确率Accuracy如下所示:
式中,TP为将正类样本预测为正类。FN为将正类样本预测为负类。FP为将负类样本预测为正类。TN为将负类样本预测为正类。
精确率Precision如下所示:
召回率Recall如下所示:
F1值如下所示:
在评估完成后,网络交易预测模块对网络交易最优预测模型评估结果和网络交易优化预测模型评估结果进行比较。
实施例2:
基于与模型无关局部解释的在线购物代表性样本选择系统,主要包括数据采集模块、数据预处理模块、代表性样本选择模块和网络交易预测模块。
所述数据采集模块采集网络交易数据,并发送至数据预处理模块。
所述数据预处理模块对网络交易数据进行预处理,并将预处理后的数据集随机划分为训练数据集和测试数据集。所述数据预处理模块将训练数据集发送至代表性样本选择模块和网络交易预测模块,将测试数据集发送至网络交易预测模块。
所述代表性样本选择模块接收到训练数据集后,对训练数据集进行特征计算,并建立二次训练数据集。二次训练数据集中的元素为训练数据集元素所有特征的计算结果的平均值。
所述代表性样本选择模块对二次训练数据集中的元素进行降序排列,并按递增序列选取代表性样本,并发送至网络交易预测模块。
所述网络交易预测模块存储有基于机器学习算法建立的网络交易预测模型。
所述网络交易预测模块接收训练数据集后,利用训练数据集对网络交易预测模型进行训练,得到网络交易优化预测模型。
所述网络交易预测模块接收测试数据集后,将测试数据集输入到训练后的网络交易优化预测模型中,对网络交易预测模型进行验证。
所述网络交易预测模块将接收到的代表性样本输入到网络交易优化预测模型中,对网络交易优化预测模型进行训练,得到网络交易最优预测模型。
所述网络交易预测模块将测试数据集输入到训练后的网络交易最优预测模型中,对网络交易最优预测模型进行评估。
实施例3:
基于与模型无关局部解释的在线购物代表性样本选择系统,主要内容见实施例2,其中,网络交易预测模型如下所示:
式中,w为权值向量。wi=(w1;w2;...wd)。其中wi是w 在第i个属性上的取值。x为输入向量数据。 xi=(x1;x2;...xd)。其中xi是x在第i个属性上的取值。b为偏置常量。y为网络交易预测模型输出。
实施例4:
基于与模型无关局部解释的在线购物代表性样本选择系统,主要内容见实施例2,其中,利用局部可解读的与模型无关的解释方法 LIME对训练数据集进行特征计算的公式如下:
ξ(x)=argming∈GL(f,g,Πx)+Ω(g)。 (2)
式中,ξ(x)为目标函数,也即二次训练样本。g为网络交易优化预测模型。G为潜在可解释模型的集合。Ω(g)为网络交易优化预测模型的复杂度。Πx(z)为训练样本z到二次训练样本x之间的邻近度量。f(x)为二次训练样本x属于网络交易数据中某一类别的概率函数。 L(*)表示最大似然估计函数。
实施例5:
基于与模型无关局部解释的在线购物代表性样本选择系统,主要内容见实施例2,其中,
网络交易最优预测模型评估参数包括网络交易最优预测模型的准确率、精确率、召回率和F1值。
准确率Accuracy如下所示:
式中,TP为将正类样本预测为正类。FN为将正类样本预测为负类。FP为将负类样本预测为正类。TN为将负类样本预测为正类。
精确率Precision如下所示:
召回率Recall如下所示:
F1值如下所示:
式中,F1值表示精确率Precision和召回率Recall的调和平均数。
实施例6:
验证基于与模型无关局部解释的在线购物代表性样本选择系统的实验,主要包括以下步骤:
1)获取包含12330个实例的在线购物数据集,数据集包含月份、是否为特殊日、页面退出率、顾客类型、商品信息浏览时长等18个属性,其中是否购买为标签属性;其中10422个实例为负类样本, 1908个实例为正类样本。
为数据集打上标签,即将顾客类型、月份等类别特征进行整型编码。
对数据集进行归一化处理,按照如下公式将所有数据归一化到 0-1之间:
式中,xmax表示归一化后的数据,xmax表示数据的最大值,xmin表示数据的最小值。
2)将预处理完的数据集按照一定比例随机划分为训练数据和测试数据
预处理完成的数据集中,随机抽取8330条数据作为训练集, 4000条数据作为测试集;
3)利用机器学习算法(以逻辑回归为例)对训练数据建立预测模型,并将预测模型在测试数据上进行评估,计算公式如下:
逻辑回归算法选用python Sklearn包进行实现,正则化参数设置为L2,损失函数选用liblinear,正则化系数设为0.1,其余参数为默认
4)用与模型无关局部解释的样本选择方法对训练数据进行计算,计算公式如下;
ξ(x)=argming∈GL(f,g,Πx)+Ω(g)。 (3)
式中,g为逻辑回归模型,通过该公式结合已训练的逻辑回归模型,计算训练数据中每一样本的每一个特征的重要程度,输出为 8330*17的矩阵(8330为样本数量,17为特征数量)
5)将训练数据每个样本所有特征的计算结果取平均值作为该样本的计算结果
6)将样本的计算结果由大到小排序,对排序后测试数据按递增序列抽取代表性样本
递增序列在这里使用等差序列,公式如下:
an=a1+(n-1)*d。 (4)
实施例中a1赋值为1000,d赋值为200,构建等差序列 ai=(1000;1200;1400;...4000),对每一次选取的样本均用上述的逻辑回归算法建立预测模型
7)对抽取的代表性样本建立预测模型并在测试数据上进行评估,评估方式采用准确率、精确率、召回率、F1值来进行评估,公式如下:
式中,TP为将正类样本预测为正类;FN为将正类样本预测为负类;FP为将负类样本预测为正类;TN为将负类样本预测为正类。
准确率的评估结果如图2所示,由图可见,采用本发明方法选取少量的样本即可达到较好的预测效果,方法可靠,具有实用性。
Claims (8)
1.基于与模型无关局部解释的在线购物代表性样本选择系统,其特征在于:主要包括数据采集模块、所述数据预处理模块、代表性样本选择模块和网络交易预测模块。
所述数据采集模块采集网络交易数据,并发送至数据预处理模块;
所述数据预处理模块对网络交易数据进行预处理,并将预处理后的数据集随机划分为训练数据集和测试数据集;所述数据预处理模块将训练数据集发送至代表性样本选择模块和网络交易预测模块,将测试数据集发送至网络交易预测模块;
所述代表性样本选择模块接收到训练数据集后,对训练数据集进行特征计算,并建立二次训练数据集;二次训练数据集中的元素为训练数据集元素所有特征的计算结果的平均值;
所述代表性样本选择模块对二次训练数据集中的元素进行降序排列,并按递增序列选取代表性样本,并发送至网络交易预测模块;
所述网络交易预测模块存储有基于机器学习算法建立的网络交易预测模型;
所述网络交易预测模块接收训练数据集后,利用训练数据集对网络交易预测模型进行训练,得到网络交易优化预测模型;
所述网络交易预测模块接收测试数据集后,将测试数据集输入到训练后的网络交易优化预测模型中,对网络交易预测模型进行验证;
所述网络交易预测模块将接收到的代表性样本输入到网络交易优化预测模型中,对网络交易优化预测模型进行训练,得到网络交易最优预测模型;
所述网络交易预测模块将测试数据集输入到训练后的网络交易最优预测模型中,对网络交易最优预测模型进行评估。
2.根据权利要求1或2所述的基于与模型无关局部解释的在线购物代表性样本选择系统,其特征在于:网络交易数据为在线购物数据,包括时间、特殊日标记信息、页面退出率、顾客类型和商品信息浏览时长。
4.根据权利要求1所述的基于与模型无关局部解释的在线购物代表性样本选择系统,其特征在于:所述机器学习算法为逻辑回归算法。
6.根据权利要求1所述的基于与模型无关局部解释的在线购物代表性样本选择系统,其特征在于,对训练数据集进行特征计算的公式如下:
ξ(x)=argming∈GL(f,g,Πx)+Ω(g); (3)
式中,ξ(x)为目标函数,也即二次训练样本;g为网络交易优化预测模型;G为潜在可解释模型的集合;Ω(g)为网络交易优化预测模型的复杂度;Πx为训练样本z到二次训练样本x之间的邻近度量;f为二次训练样本x属于网络交易数据中某一类别的概率函数;L(*)表示最大似然估计函数。
7.根据权利要求1所述的基于与模型无关局部解释的在线购物代表性样本选择系统,其特征在于,利用等差序列选取代表性样本的公式如下:
an=a1+(n-1)*D; (4)
式中,an为目标值,即代表性样本;a1为等差序列首项且a1≥1;n为项数;D为公差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010453195.0A CN111709532B (zh) | 2020-05-26 | 2020-05-26 | 基于与模型无关局部解释的在线购物代表性样本选择系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010453195.0A CN111709532B (zh) | 2020-05-26 | 2020-05-26 | 基于与模型无关局部解释的在线购物代表性样本选择系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111709532A true CN111709532A (zh) | 2020-09-25 |
CN111709532B CN111709532B (zh) | 2023-09-22 |
Family
ID=72537826
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010453195.0A Active CN111709532B (zh) | 2020-05-26 | 2020-05-26 | 基于与模型无关局部解释的在线购物代表性样本选择系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111709532B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140180974A1 (en) * | 2012-12-21 | 2014-06-26 | Fair Isaac Corporation | Transaction Risk Detection |
US20150142713A1 (en) * | 2013-11-04 | 2015-05-21 | Global Analytics, Inc. | Real-Time Adaptive Decision System And Method Using Predictive Modeling |
CN108550047A (zh) * | 2018-03-20 | 2018-09-18 | 阿里巴巴集团控股有限公司 | 交易量的预测方法及装置 |
US20190042887A1 (en) * | 2017-08-04 | 2019-02-07 | Fair Ip, Llc | Computer System for Building, Training and Productionizing Machine Learning Models |
CN109376549A (zh) * | 2018-10-25 | 2019-02-22 | 广州电力交易中心有限责任公司 | 一种基于差分隐私保护的电力交易大数据发布方法 |
CN109636017A (zh) * | 2018-11-29 | 2019-04-16 | 深圳昆腾信息科技有限公司 | 一种金融交易价格预测方法、装置、介质及设备 |
CN109840637A (zh) * | 2019-02-20 | 2019-06-04 | 中国银行股份有限公司 | 现金需求量预测方法、装置和设备 |
CN109919684A (zh) * | 2019-03-18 | 2019-06-21 | 上海盛付通电子支付服务有限公司 | 用于生成信息预测模型的方法、电子设备和计算机可读存储介质 |
CN110110894A (zh) * | 2019-04-04 | 2019-08-09 | 平安科技(深圳)有限公司 | 经济预测模型的构建方法、装置、介质、电子设备 |
CN110415119A (zh) * | 2019-07-30 | 2019-11-05 | 中国工商银行股份有限公司 | 模型训练、票据交易预测方法、装置、存储介质及设备 |
CN110428270A (zh) * | 2019-08-07 | 2019-11-08 | 佰聆数据股份有限公司 | 基于逻辑回归算法的渠道潜在偏好客户识别方法 |
-
2020
- 2020-05-26 CN CN202010453195.0A patent/CN111709532B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140180974A1 (en) * | 2012-12-21 | 2014-06-26 | Fair Isaac Corporation | Transaction Risk Detection |
US20150142713A1 (en) * | 2013-11-04 | 2015-05-21 | Global Analytics, Inc. | Real-Time Adaptive Decision System And Method Using Predictive Modeling |
US20190042887A1 (en) * | 2017-08-04 | 2019-02-07 | Fair Ip, Llc | Computer System for Building, Training and Productionizing Machine Learning Models |
CN108550047A (zh) * | 2018-03-20 | 2018-09-18 | 阿里巴巴集团控股有限公司 | 交易量的预测方法及装置 |
CN109376549A (zh) * | 2018-10-25 | 2019-02-22 | 广州电力交易中心有限责任公司 | 一种基于差分隐私保护的电力交易大数据发布方法 |
CN109636017A (zh) * | 2018-11-29 | 2019-04-16 | 深圳昆腾信息科技有限公司 | 一种金融交易价格预测方法、装置、介质及设备 |
CN109840637A (zh) * | 2019-02-20 | 2019-06-04 | 中国银行股份有限公司 | 现金需求量预测方法、装置和设备 |
CN109919684A (zh) * | 2019-03-18 | 2019-06-21 | 上海盛付通电子支付服务有限公司 | 用于生成信息预测模型的方法、电子设备和计算机可读存储介质 |
CN110110894A (zh) * | 2019-04-04 | 2019-08-09 | 平安科技(深圳)有限公司 | 经济预测模型的构建方法、装置、介质、电子设备 |
CN110415119A (zh) * | 2019-07-30 | 2019-11-05 | 中国工商银行股份有限公司 | 模型训练、票据交易预测方法、装置、存储介质及设备 |
CN110428270A (zh) * | 2019-08-07 | 2019-11-08 | 佰聆数据股份有限公司 | 基于逻辑回归算法的渠道潜在偏好客户识别方法 |
Non-Patent Citations (2)
Title |
---|
MIN YOON 等: ""Conflict Prediction-based Transaction Execution for Transactional Memory in Multi-Core In-Memory Databases"", 《2016 IEEE INTERNATIONAL CONFERENCE ON CLUSTER COMPUTING》, pages 148 - 149 * |
钱明辉: ""基于机器学习的消费者品牌决策 偏好动态识别与效果验证研究"", 《信息管理》, pages 66 - 76 * |
Also Published As
Publication number | Publication date |
---|---|
CN111709532B (zh) | 2023-09-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110009430B (zh) | 作弊用户检测方法、电子设备及计算机可读存储介质 | |
CN110956273A (zh) | 融合多种机器学习模型的征信评分方法及系统 | |
Choudhury et al. | A machine learning approach to identify potential customer based on purchase behavior | |
CN111738532A (zh) | 一种事件对对象影响度的获取方法和系统 | |
CN115099310A (zh) | 训练模型、对企业进行行业分类的方法和装置 | |
CN110956278A (zh) | 重新训练机器学习模型的方法和系统 | |
CN113706291A (zh) | 欺诈风险预测方法、装置、设备及存储介质 | |
Tabassum et al. | Detecting online recruitment fraud using machine learning | |
Zhou et al. | Supply chain fraud prediction based on xgboost method | |
Xu | Mt-resnet: a multi-task deep network for facial attractiveness prediction | |
CN113837266A (zh) | 一种基于特征提取和Stacking集成学习的软件缺陷预测方法 | |
CN113591947A (zh) | 基于用电行为的电力数据聚类方法、装置和存储介质 | |
CN113159441A (zh) | 银行业务项目实施情况的预测方法及装置 | |
CN117372144A (zh) | 应用于小样本场景的风控策略智能化方法及系统 | |
CN116502898A (zh) | 基于神经网络的企业风险画像生成方法及装置 | |
CN111507528A (zh) | 一种基于cnn-lstm的股票长期趋势预测方法 | |
CN111709532A (zh) | 基于与模型无关局部解释的在线购物代表性样本选择系统 | |
CN115829683A (zh) | 一种基于逆奖赏学习优化的电力积分商品推荐方法及系统 | |
Sebt et al. | Implementing a data mining solution approach to identify the valuable customers for facilitating electronic banking | |
CN111967937A (zh) | 一种基于时间序列分析的电商推荐系统及实现方法 | |
Kanakamedala et al. | Sentiment analysis of online customer reviews for handicraft product using machine learning: A case of Flipkart | |
CN116304058B (zh) | 企业负面信息的识别方法、装置、电子设备及存储介质 | |
Su et al. | Churn Prediction in Telecommunications Industry Based on Conditional Wasserstein GAN | |
CN117557347B (zh) | 一种电子商务平台用户行为管理方法 | |
CN115687632B (zh) | 一种刑事量刑情节分解分析的方法和系统 |
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 |