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 PDFInfo
- 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
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
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
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:
例如n=7,则以周为数据聚合单位:
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:
(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。
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)
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 |
-
2019
- 2019-03-18 CN CN201910203414.7A patent/CN111723825A/zh active Pending
Patent Citations (6)
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)
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 |