CN111723825A - 一种客户信息查询异常行为检测方法和装置 - Google Patents

一种客户信息查询异常行为检测方法和装置 Download PDF

Info

Publication number
CN111723825A
CN111723825A CN201910203414.7A CN201910203414A CN111723825A CN 111723825 A CN111723825 A CN 111723825A CN 201910203414 A CN201910203414 A CN 201910203414A CN 111723825 A CN111723825 A CN 111723825A
Authority
CN
China
Prior art keywords
user
query
group
data
behavior
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.)
Pending
Application number
CN201910203414.7A
Other languages
English (en)
Inventor
冯春进
黄丽诗
胡泽柱
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
SF Technology Co Ltd
SF Tech Co Ltd
Original Assignee
SF Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by SF Technology Co Ltd filed Critical SF Technology Co Ltd
Priority to CN201910203414.7A priority Critical patent/CN111723825A/zh
Publication of CN111723825A publication Critical patent/CN111723825A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/231—Hierarchical techniques, i.e. dividing or merging pattern sets so as to obtain a dendrogram

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明涉及一种客户信息查询异常行为检测方法和装置。客户信息查询异常行为检测方法包括以下步骤：获取用户群体查询客户信息的查询数据；根据查询数据中各查询行为特征，统计用户群体内单个用户的至少两组查询行为及其对应的频率；计算单个用户在各个时间聚合单位内查询数据的PCA得分，形成第一数据组；根据所述第一数据组计算每两个用户的DTW距离，形成第二数据组；基于第二数据组采用聚类分析法将用户群体分成若干组，输出组内人数少于预设阈值的用户信息。将异常人员从群体中识别出来，缩小检测范围，增加检测准确性和检测效率。

Description

一种客户信息查询异常行为检测方法和装置
技术领域
本发明涉及数据挖掘技术领域，尤其涉及一种客户信息查询异常行为检测方法和装置。
背景技术
目前用户异常行为检测通常基于单一行为进行分析，不能很好地反映用户真实的行为，在实际的应用中产生大量的假报警，导致调查人员花费过多的调查时间，也不能较好地覆盖真正异常事件；利用主成分分析与聚类的方式，将异常人员从群体中识别出来。
发明内容
为了解决上述技术问题，本发明的目的在于提供一种客户信息查询异常行为检测方法和装置。
根据本发明的一个方面，提供了一种客户信息查询异常行为检测方法，包括：
获取用户群体查询客户信息的查询数据；
根据查询数据中各查询行为特征，统计用户群体内单个用户的至少两组查询行为及其对应的频率；
计算单个用户在各个时间聚合单位内查询数据的PCA得分，形成第一数据组；
根据所述第一数据组计算每两个用户的DTW距离，形成第二数据组；
基于第二数据组采用聚类分析法将用户群体分成若干组，输出组内人数少于预设阈值的用户信息。
进一步，计算单个用户在各个时间聚合单位内查询数据的PCA得分，形成第一数据组，包括：
对每个用户的查询行为及其对应的频率进行Z-score处理；
预测主成分得分，根据主成分和主成分的方差贡献率，计算单个用户在各个时间聚合单位内查询数据的PCA得分，形成第一数据组。
进一步，根据所述第一数据组计算每两个用户的DTW距离，形成第二数据组，包括：
获取多个时间聚合单位的时间序列；
将第一数据组及其对应的时间序列构造第一矩阵；
基于第二数据组采用聚类分析法将用户群体分成若干组，输出组内人数少于预设阈值的用户信息，包括：
根据时间先后获取时间聚合单位的时间序列，
将第一数据组及其对应的用户序列构造第二矩阵；
设置分组数，采用层次聚类分析对用户群体进行分组，输出组内人数少于预设阈值的用户序列。
进一步，所述查询行为特征包括以下至少两种：查询客户名称行为、查询客户联系人名称行为、查询客户联系人类型行为、查询客户证件行为、查询客户邮箱地址行为；
和/或
所述时间聚合单位包括以下至少一种：天、n天、周、月；
和/或
所述用户信息包括以下至少一种：用户序列、用户代码、用户姓名、用户岗位
根据本发明的另一个方面，提供了一种客户信息查询异常行为检测装置，包括：
数据获取模块，配置获取用户群体查询客户信息的查询数据；
数据统计模块，配置用于根据查询数据中各查询行为特征，统计每个用户的查询行为及其对应的频率；
第一计算模块，配置用于计算单个用户在各个时间聚合单位内查询数据的PCA得分，形成第一数据组；
第二计算模块，配置用于根据所述第一数据组计算每两个用户的DTW距离，形成第二数据组；
信息输出模块，配置用于基于第二数据组采用聚类分析法将用户群体分成若干组，输出组内人数少于预设阈值的用户信息。
进一步，所述第一计算模块，包括：
Z-score处理单元，配置用于对每个用户的查询行为及其对应的频率进行Z-score处理；
预测单元，配置用于确定主成分的数量，预测主成分得分，根据主成分和主成分的方差贡献率，计算单个用户在各个时间聚合单位内查询数据的PCA得分，形成第一数据组。
进一步，数据获取模块，还配置用于根据时间先后获取时间聚合单位的时间序列；
所述第二计算模块，包括：
第一矩阵构造单元，配置用于将第一数据组及其对应的时间序列构造第一矩阵；
第一数据组获取单元，配置用于基于第一矩阵计算每两个用户的DTW距离，形成第二数据组。
进一步，数据获取模块，还配置用于获取用户群体内每个用户的用户信息；
信息输出模块，包括
第二矩阵构造单元，配置用于将第一数据组及其对应的用户信息构造第二矩阵；
分组单元，配置用于设置分组数，采用层次聚类分析对用户群体进行分组；
识别输出单元，配置用于输出组内人数少于预设阈值的用户信息。
进一步，所述查询行为特征包括以下至少两种：查询客户名称行为、查询客户联系人名称行为、查询客户联系人类型行为、查询客户证件行为、查询客户邮箱地址行为；
和/或
所述时间聚合单位包括以下至少一种：天、n天、周、月；
和/或
所述用户信息包括以下至少一种：用户序列、用户代码、用户姓名、用户岗位
根据本发明的另一个方面，提供了一种货车车牌识别设备，包括
一个或多个处理器；
存储器，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器执行如上任一项所述的方法。
根据本发明的另一个方面，提供了一种存储有计算机程序的计算机可读存储介质，该程序被处理器执行时实现如上任一项所述的方法。
与现有技术相比，本发明具有以下有益效果：
1、本发明示例的一种客户信息查询异常行为检测方法，计算单个用户在各个时间聚合单位内查询数据的PCA得分及对应的DTW距离；采用聚类分析法将用户群体分成若干组，设置阈值，将分组组内人员数小于预设阈值的用户信息输出，对输出的用户检测其是否存在客户信息查询异常行为，将异常人员从群体中识别出来，缩小检测范围，增加检测准确性和检测效率。
2、本发明示例的一种客户信息查询异常行为检测装置，获取用户群体的日常查询数据，采用聚类分析法将用户群体分成若干组，设置阈值，将分组组内人员数小于预设阈值的用户信息输出，对输出的用户检测其是否存在客户信息查询异常行为，将异常人员从群体中识别出来，缩小检测范围，增加检测准确性和检测效率。
3、本发明中示例的设备，通过处理器执行客户信息查询异常行为检测方法，能够将异常人员从群体中识别出来，缩小检测范围，增加检测准确性和检测效率。
4、本发明中示例的可读存储介质，储存有被处理器执行时实现的所述客户信息查询异常行为检测方法，便于检测装置的使用及推广。
附图说明
图1为本发明流程图。
具体实施方式
为了更好的了解本发明的技术方案，下面结合具体实施例、说明书附图对本发明作进一步说明。
实施例1：
本实施例的一种客户信息查询异常行为检测装置，包括：
数据获取模块，配置用于获取用户群体查询客户信息的查询数据、根据时间先后获取时间聚合单位的时间序列(所述时间聚合单位包括以下至少一种：天、n天、周、月)、用户群体内每个用户的用户信息；所述用户信息包括以下至少一种：用户序列、用户代码、用户姓名、用户岗位；所述查询行为特征包括以下至少两种：客户名称、客户联系人名称、客户联系人类型、客户证件、客户邮箱地址。
数据统计模块，配置用于根据查询数据中各查询行为特征，统计每个用户的查询行为及其对应的频率；
第一计算模块，配置用于计算单个用户在各个时间聚合单位内查询数据的PCA得分，形成第一数据组；包括：
Z-score处理单元，配置用于对每个用户的查询行为及其对应的频率进行Z-score处理；
预测单元，配置用于确定主成分的数量，预测主成分得分，根据主成分和主成分的方差贡献率，计算单个用户在各个时间聚合单位内查询数据的PCA得分，形成第一数据组，所有主成分都参与计算的，即PCA得分是根据所有主成份及对应的方差贡献率计算出的一个综合得分。
第二计算模块，配置用于根据所述第一数据组计算每两个用户的DTW距离，形成第二数据组，包括：第一矩阵构造单元，配置用于将第一数据组及其对应的时间序列构造第一矩阵，行是时间聚合单位，列是用户信息。第一数据组获取单元，配置用于基于第一矩阵计算每两个用户的DTW距离，形成第二数据组。
信息输出模块，配置用于基于第二数据组采用聚类分析法将用户群体分成若干组，输出组内人数少于预设阈值的用户信息，具体的，信息输出模块，包括：第二矩阵构造单元，配置用于将第一数据组及其对应的用户信息构造第二矩阵，每一列代表各个用户各时间聚合单位操作的PCA得分，计算每个用户PCA得分的DTW距离，得到距离矩阵。分组单元，配置用于设置分组数，采用层次聚类分析对用户群体进行分组；识别输出单元，配置用于输出组内人数少于预设阈值的用户信息。
本实施例的一种客户信息查询异常行为检测方法，包括：
S1：获取用户群体查询客户信息的查询数据；
S2：根据查询数据中各查询行为特征，统计用户群体内单个用户的查询行为及其对应的频率；所述查询行为特征包括以下至少两种：查询客户名称行为、查询客户联系人名称行为、查询客户联系人类型行为、查询客户证件行为、查询客户邮箱地址行为。
S3：计算单个用户在各个时间聚合单位内查询数据的PCA得分，形成第一数据组，包括：
S3-1：对每个用户的查询行为及其对应的频率进行Z-score处理；
S3-2：确定主成分的数量，预测主成分得分，根据主成分和主成分的方差贡献率，计算单个用户在各个时间聚合单位内查询数据的PCA得分，形成第一数据组。
S4：根据所述第一数据组计算每两个用户的DTW距离，形成第二数据组，包括：
S4-1：获取多各时间聚合单位的时间序列，所述时间聚合单位包括以下至少一种：天、n天、周、月；
S4-2：将第一数据组及其对应的时间序列构造第一矩阵；
S4-3：基于第一矩阵计算每两个用户的DTW距离，形成第二数据组。
S5：基于第二数据组采用聚类分析法将用户群体分成若干组，输出组内人数少于预设阈值的用户信息，包括：
S5-1：获取用户群体内每个用户的用户信息，所述用户信息包括以下至少一种：用户序列、用户代码、用户姓名、用户岗位。
S5-2：将第一数据组及其对应的用户信息构造第二矩阵；
S5-3：设置分组数，采用层次聚类分析对用户群体进行分组，输出组内人数少于预设阈值的用户信息。
以下举例对客户信息查询异常行为检测方法，进一步说明：
第1步：获取数据
(1)获取需要检测的时间范围内的用户群体的日常行为数据、用户群体内各用户的用户信息(用户信息包括用户序列、用户代码、用户姓名、用户岗位的至少一个)，本实施例选取用户序列，例如目前的用户群体有n个人，则用户序列为：用户1、用户2…….用户n。
确定时间聚合单位并获取多各时间聚合单位的时间序列，例如聚合单位为天、周、月或每n天等形式，n可以是1到30，不建议聚合的周期超过月。
(2)准备的数据至少需要如下两种不同数据：查询客户名称行为、查询客户联系人名称行为、查询客户联系人类型行为、查询客户
Figure BDA0001998204710000071
证件行为、查询客户邮箱地址行为；
第二步：数据处理(Z-score处理)
若用户在需要检测的时间范围内有该行为则记录该行为发生的次数(频率)，没有发生记为0；具体的检测的时间范围以实际情况为准，但建议每次检测都应该有不少7各时间聚合单位，例如以天为聚合单位则应至少有7天的数据，以周为聚合单位则至少有7周的数据，以此类推。
例如n＝1,则以1天为数据聚合单位，进行Z-score处理：
Figure BDA0001998204710000072
例如n＝7,则以周为数据聚合单位：
Figure BDA0001998204710000081
第三步：数据计算
(1)构造第一矩阵
计算用户在各时间聚合单位的PCA得分，PCA得分为取所有主成分的综合得分：
单个用户在时间聚合单位内的PCA得分＝主成分1预测得分*主成分1的方差贡献率+主成分2预测得分*主成分2的方差贡献率+…+主成分n预测得分*主成分n的方差贡献率得第一数据组，本实施例n＝5(5个主成分分别是查询客户名称数量、查询客户联系人名称数量、查询客户联系人类型数量、查询客户证件数量、查询客户邮箱地址数量)。
n名员工，以天为时间聚合单位，检测的周期为1个月，将第一数据组及其对应的时间序列构造第一矩阵，行是时间聚合单位，列是用户信息，则PCA综合得分矩阵为30(31)*N的PCA得分M1(第一矩阵),M1如下：
Figure BDA0001998204710000082
(2)构造第二矩阵
计算DTW距离，根据上一步得到的矩阵M1，计算每两个用户的DTW距离，可采用R语言parallelDist包中的parDist函数计算DTW距离，每一列代表各个用户各时间聚合单位操作的PCA得分，计算每个用户PCA得分的DTW距离，得到N*N的距离矩阵M2(第二矩阵)，M2如下：
用户1 用户2 … 用户10 用户n
用户2 1 50 0 30
… 20 1 73 40
用户10 40 73 1 20
用户n 30 0 50 1
本实施例中，采用DTW可以动态调整不同时间序列之间的相似性，确定不同时间序列最佳对应点，采用DTW计算不同时间序列之间的距离比传统的计算欧式距离更有优势，而聚类的结果很大程序上依赖距离的计算，所以采用DTW方法计算出来的距离在聚类分析中有着更好的表现效果。
第四步：聚类分析
层次聚类分析输出异常员工，可以采用层次聚类法中的ward.D2或者median方法，设置的分组数可根据业务需要进行调整，设置告警阈值L，将分组组内人员小于L的告警(例如n＝2000，设置L为8，同时可根据人员变动，可适当增减L的数值)。
进一步的，根据业务需要如果需要将所有的用户放在一起进行聚类检测，则可以对所有的用户利用上述方法做聚类分析输出异常员工；
当用户群体又可以根据不同因素分为多个用户小群体(如同岗位、同部门或同小组)，例如目前的用户群体有100个人，可以选择按照岗位分可以分为开发岗30人、财务岗8人、人力资源岗20人、安全管理岗15人、产品推销岗以及产品岗27人，那么分为六个用户小群体；若需要根据不同的用户小群体进行聚类，对不同用户小群体，各自根据上述提及的方法做聚类分析输出异常员工。
本实施例提供了一种设备，所述设备包括：
一个或多个处理器；
存储器，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器执行如上所述的方法。
本实施例提供了一种存储有计算机程序的计算机可读存储介质，该程序被处理器执行时实现如上所述的方法。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能。

Claims (10)

1.一种客户信息查询异常行为检测方法，其特征在于，包括：
获取用户群体查询客户信息的查询数据；
根据查询数据中各查询行为特征，统计用户群体内单个用户的至少两组查询行为及其对应的频率；
计算单个用户在各个时间聚合单位内查询数据的PCA得分，形成第一数据组；
根据所述第一数据组计算每两个用户的DTW距离，形成第二数据组；
基于第二数据组采用聚类分析法将用户群体分成若干组，输出组内人数少于预设阈值的用户信息。
2.根据权利要求1所述的客户信息查询异常行为检测方法，其特征在于，计算单个用户在各个时间聚合单位内查询数据的PCA得分，形成第一数据组，包括：
对每个用户的查询行为及其对应的频率进行Z-score处理；
预测主成分得分，根据主成分和主成分的方差贡献率，计算单个用户在各个时间聚合单位内查询数据的PCA得分，形成第一数据组。
3.根据权利要求1所述的客户信息查询异常行为检测方法，其特征在于，根据所述第一数据组计算每两个用户的DTW距离，形成第二数据组，包括：
获取多个时间聚合单位的时间序列；
将第一数据组及其对应的时间序列构造第一矩阵；
基于第一矩阵计算每两个用户的DTW距离，形成第二数据组。
4.根据权利要求1所述的客户信息查询异常行为检测方法，其特征在于，基于第二数据组采用聚类分析法将用户群体分成若干组，输出组内人数少于预设阈值的用户信息，包括：
根据时间先后获取时间聚合单位的时间序列，
将第一数据组及其对应的用户序列构造第二矩阵；
设置分组数，采用层次聚类分析对用户群体进行分组，输出组内人数少于预设阈值的用户序列。
5.根据权利要求1-4任意一项所述的客户信息查询异常行为检测方法，其特征在于，
所述查询行为特征包括以下至少两种：查询客户名称行为、查询客户联系人名称行为、查询客户联系人类型行为、查询客户证件行为、查询客户邮箱地址行为；
和/或
所述时间聚合单位包括以下至少一种：天、n天、周、月；
和/或
所述用户信息包括以下至少一种：用户序列、用户代码、用户姓名、用户岗位。
6.一种客户信息查询异常行为检测装置，其特征在于，包括：
数据获取模块，配置获取用户群体查询客户信息的查询数据；
数据统计模块，配置用于根据查询数据中各查询行为特征，统计每个用户的查询行为及其对应的频率；
第一计算模块，配置用于计算单个用户在各个时间聚合单位内查询数据的PCA得分，形成第一数据组；
第二计算模块，配置用于根据所述第一数据组计算每两个用户的DTW距离，形成第二数据组；
信息输出模块，配置用于基于第二数据组采用聚类分析法将用户群体分成若干组，输出组内人数少于预设阈值的用户信息。
7.根据权利要求6所述的客户信息查询异常行为检测装置，其特征在于，所述第一计算模块，包括：
Z-score处理单元，配置用于对每个用户的查询行为及其对应的频率进行Z-score处理；
预测单元，配置用于确定主成分的数量，预测主成分得分，根据主成分和主成分的方差贡献率，计算单个用户在各个时间聚合单位内查询数据的PCA得分，形成第一数据组。
8.根据权利要求6所述的客户信息查询异常行为检测装置，其特征在于，
数据获取模块，还配置用于根据时间先后获取时间聚合单位的时间序列；
所述第二计算模块，包括：
第一矩阵构造单元，配置用于将第一数据组及其对应的时间序列构造第一矩阵；
第一数据组获取单元，配置用于基于第一矩阵计算每两个用户的DTW距离，形成第二数据组。
9.根据权利要求6所述的客户信息查询异常行为检测装置，其特征在于，
数据获取模块，还配置用于获取用户群体内每个用户的用户信息；
信息输出模块，包括
第二矩阵构造单元，配置用于将第一数据组及其对应的用户信息构造第二矩阵；
分组单元，配置用于设置分组数，采用层次聚类分析对用户群体进行分组；
识别输出单元，配置用于输出组内人数少于预设阈值的用户信息。
10.根据权利要求6-9所述的客户信息查询异常行为检测装置，其特征在于，
所述查询行为特征包括以下至少两种：查询客户名称行为、查询客户联系人名称行为、查询客户联系人类型行为、查询客户证件行为、查询客户邮箱地址行为；
和/或
所述时间聚合单位包括以下至少一种：天、n天、周、月；
和/或
所述用户信息包括以下至少一种：用户序列、用户代码、用户姓名、用户岗位。
CN201910203414.7A 2019-03-18 2019-03-18 一种客户信息查询异常行为检测方法和装置 Pending CN111723825A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910203414.7A CN111723825A (zh) 2019-03-18 2019-03-18 一种客户信息查询异常行为检测方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910203414.7A CN111723825A (zh) 2019-03-18 2019-03-18 一种客户信息查询异常行为检测方法和装置

Publications (1)

Publication Number Publication Date
CN111723825A true CN111723825A (zh) 2020-09-29

Family

ID=72562237

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910203414.7A Pending CN111723825A (zh) 2019-03-18 2019-03-18 一种客户信息查询异常行为检测方法和装置

Country Status (1)

Country Link
CN (1) CN111723825A (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105653427A (zh) * 2016-03-04 2016-06-08 上海交通大学 基于行为异常检测的日志监控方法
CN107358075A (zh) * 2017-07-07 2017-11-17 四川大学 一种基于层次聚类的虚假用户检测方法
US20180105858A1 (en) * 2015-04-03 2018-04-19 Sumitomo Chemical Company, Limited Prediction-Rule Generating System, Prediction System, Prediction-Rule Generating Method, and Prediction Method
CN108717510A (zh) * 2018-05-11 2018-10-30 深圳市联软科技股份有限公司 一种通过聚类分析文件异常操作行为的方法、系统及终端
CN108805747A (zh) * 2018-06-13 2018-11-13 山东科技大学 一种基于半监督学习的异常用电用户检测方法
CN109241994A (zh) * 2018-07-31 2019-01-18 顺丰科技有限公司 一种用户异常行为检测方法、装置、设备及存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180105858A1 (en) * 2015-04-03 2018-04-19 Sumitomo Chemical Company, Limited Prediction-Rule Generating System, Prediction System, Prediction-Rule Generating Method, and Prediction Method
CN105653427A (zh) * 2016-03-04 2016-06-08 上海交通大学 基于行为异常检测的日志监控方法
CN107358075A (zh) * 2017-07-07 2017-11-17 四川大学 一种基于层次聚类的虚假用户检测方法
CN108717510A (zh) * 2018-05-11 2018-10-30 深圳市联软科技股份有限公司 一种通过聚类分析文件异常操作行为的方法、系统及终端
CN108805747A (zh) * 2018-06-13 2018-11-13 山东科技大学 一种基于半监督学习的异常用电用户检测方法
CN109241994A (zh) * 2018-07-31 2019-01-18 顺丰科技有限公司 一种用户异常行为检测方法、装置、设备及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
周大镯: "多变量时间序列的聚类、相似查询与异常检测", 《中国博士学位论文全文数据库 信息科技辑》 *
王忠群 等: "基于模板用户信息搜索行为和统计分析的共谋销量欺诈识别", 《现代图书情报技术》 *

Similar Documents

Publication Publication Date Title
US10841743B2 (en) Branching mobile-device to system-namespace identifier mappings
WO2019051951A1 (zh) 业务数据监控方法、装置、终端设备及存储介质
Kao et al. Efficiency measurement using independent component analysis and data envelopment analysis
WO2019056681A1 (zh) 数据实时监控方法、装置、终端设备及存储介质
US10216829B2 (en) Large-scale, high-dimensional similarity clustering in linear time with error-free retrieval
US9753964B1 (en) Similarity clustering in linear time with error-free retrieval using signature overlap with signature size matching
US20140006044A1 (en) System and method for preparing healthcare service bundles
US20200184485A1 (en) Systems and methods for processing support messages relating to features of payment networks
CN114496264B (zh) 基于多维数据的健康指数分析方法、装置、设备及介质
CN115391669B (zh) 一种智能推荐方法、装置、电子设备
JP2014006757A (ja) コンテンツ配信装置
CN111639077A (zh) 数据治理方法、装置、电子设备、存储介质
Natarajan et al. Cohesion and repulsion in Bayesian distance clustering
MPHIL A Survey on Data Mining Tools and Techniques in Medical Field
Roy The effects of HIV/AIDS on economic growths and human capitals: a panel study evidence from Asian countries
CN109144999B (zh) 一种数据定位方法、装置及存储介质、程序产品
CN112100177A (zh) 数据存储方法、装置、计算机设备及存储介质
CN109462635B (zh) 一种信息推送方法、计算机可读存储介质及服务器
CN111723825A (zh) 一种客户信息查询异常行为检测方法和装置
CN109241146B (zh) 集群环境下的学生智助方法和系统
CN109062638B (zh) 一种系统组件显示方法、计算机可读存储介质及终端设备
CN111708813A (zh) 一种用户日常行为异常检测方法和装置
WO2019223082A1 (zh) 客户类别分析方法、装置、计算机设备和存储介质
CN111723118A (zh) 一种运单查询异常行为检测方法和装置
JP6031165B1 (ja) 有望顧客予測装置、有望顧客予測方法及び有望顧客予測プログラム

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