CN111798282A - 一种信息处理方法、终端及存储介质 - Google Patents
一种信息处理方法、终端及存储介质 Download PDFInfo
- Publication number
- CN111798282A CN111798282A CN201910277897.5A CN201910277897A CN111798282A CN 111798282 A CN111798282 A CN 111798282A CN 201910277897 A CN201910277897 A CN 201910277897A CN 111798282 A CN111798282 A CN 111798282A
- Authority
- CN
- China
- Prior art keywords
- credit
- merchant
- information
- score
- user
- 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
- 230000010365 information processing Effects 0.000 title claims abstract description 31
- 238000003672 processing method Methods 0.000 title claims abstract description 28
- 238000011835 investigation Methods 0.000 claims abstract description 85
- 238000000034 method Methods 0.000 claims abstract description 46
- 230000006399 behavior Effects 0.000 claims description 22
- 238000012549 training Methods 0.000 claims description 12
- 230000002349 favourable effect Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 abstract description 3
- 238000004891 communication Methods 0.000 abstract description 2
- 238000012545 processing Methods 0.000 description 13
- 241000207961 Sesamum Species 0.000 description 6
- 235000003434 Sesamum indicum Nutrition 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 230000001360 synchronised effect Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 3
- 230000002238 attenuated effect Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000002372 labelling Methods 0.000 description 3
- 238000013016 damping Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 241001464837 Viridiplantae Species 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 235000021168 barbecue Nutrition 0.000 description 1
- 230000003796 beauty Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 235000013361 beverage Nutrition 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 235000021185 dessert Nutrition 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 235000012055 fruits and vegetables Nutrition 0.000 description 1
- 235000015220 hamburgers Nutrition 0.000 description 1
- 210000001503 joint Anatomy 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 235000013550 pizza Nutrition 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
Images
Classifications
-
- 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]
- G06Q30/0609—Buyer or seller confidence or verification
-
- 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
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/38—Payment protocols; Details thereof
- G06Q20/382—Payment protocols; Details thereof insuring higher security of transaction
-
- 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
- G06Q40/03—Credit; Loans; Processing thereof
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Technology Law (AREA)
- Computer Security & Cryptography (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例公开了一种信息处理方法、终端及存储介质，应用于通信技术领域或互联网排序技术领域；所述方法包括：基于所述第三方征信平台，获得信用信息；对所述信用信息进行量化，获得所述信用信息的第一信用分数；基于所述第一信用分数及所述商户的运营时间，获得所述商户的第二信用分数；基于所述第二信用分数及用户粘度，获得所述商户的信用等级。所述方法可以兼顾商户的初始信息情况以及后期商户运营的信息情况，来获得商户的信用等级，有效地解决了现有技术中预测商户信用等级不准确的问题，大大提高了预设商户的信用等级的精准性，还避免了新入驻商户难以预测信用等级的情况发生。
Description
技术领域
本发明涉及通信技术领域或互联网排序技术领域，尤其涉及一种信息处理方法、终端及存储介质。
背景技术
随着移动通信技术特别是4G技术的发展与智能手机的快速普及，越来越多的线下商家积极地拥抱移动互联网，线上线下O2O行业得到了空前的发展，涌现了众多的诸如点评、美团、饿了么等平台，极大地方便了人们的生活。
目前，互联网O2O平台主要采用位置远近、好评率、销量、人均消费等因素对商户进行排序，其中，涉及到商户信用信息的因素可以是好评率、销量等，但是，好评率、销量可以通过刷单造假，并不能有效评估商户的信用信息，特别是不能反映对于一些新入驻的商家的信用信息。而在互联网O2O平台中，特别是在预付费办理消费卡等消费场景中，缺失信用信息的排序会导致推荐导流到失信商户。
因而，将商户的信用信息参与到商户的排序中来至关重要，而现有技术中针对商户运营的信用情况往往难以准确确定。
发明内容
有鉴于此，本发明实施例提供一种信息处理方法、服务器、终端设备及存储介质。
本发明的技术方案是这样实现的：
一种信息处理方法，所述方法包括：
基于所述第三方征信平台，获得信用信息；
对所述信用信息进行量化，获得所述信用信息的第一信用分数；
基于所述第一信用分数及所述商户的运营时间，获得所述商户的第二信用分数；
基于所述第二信用分数及用户粘度，获得所述商户的信用等级。
上述方案中，所述对所述信用信息进行量化，获得所述信用信息的第一信用分数，包括：
对特征信息进行量化，获得征信分数；
对舆情信息进行量化，获得舆情分数；
对商情信用信息进行量化，获得商情信用分数；
对所述征信分数、所述舆情征分数和所述商情信用分数基于各自权重相乘之和，获得第一信用分数。
上述方案中，所述基于所述第一信用分数以及所述商户的运营时间，获得所述商户的第二信用分数，包括：
基于所述运营时间对所述第一信用分数进行衰减计算，获得所述商户的第二信用分数。
上述方案中，所述方法还包括：
基于用户的消费情况，获得所述商户的用户粘度。
上述方案中，所述方法还包括：
获得所述商户的运营数据；
所述基于所述第二信用分数及用户粘度，获得所述商户的信用等级，包括：
基于商户信用模型，对所述第二信用分数、所述用户粘度以及所述运营数据进行训练，获得所述商户信用等级；
其中，所述运营数据包括以下至少之一：好评率、投诉数、评论数、销量。
上述方案中，所述方法还包括：
若确定所述商户为第一类商户，所述信用信息包括：商户的信用信息和投资者的信用信息；
若确定所述商户为第二类商户，所述信用信息包括：投资者的信用信息。
上述方案中，所述方法还包括：
向所述第三方征信平台反馈所述信用等级和/或所述第一信用分数和/或第二信用分数。
上述方案中，其特征在于，所述方法还包括：
根据用户的行为数据，获取用户的用户特征；
根据所述用户特征以及所述商户的信用等级，向所述用户推荐所述商户。
本发明实施例还提供了一种终端，所述终端包括处理器和用于存储能够在所述处理器上运行的计算机程序的存储器；其中，所述处理器用于运行计算机程序时，实现是本发明任一实施例所述信息处理方法。
本发明实施例还提供了一种存储介质，所述存储介质中有计算机可执行指令，其特征在于，所述计算机可执行指令被处理器执行实现任一实施例所述信息处理方法。
本发明实施例所提供的一种信息处理方法，通过基于所述第三方征信平台，获得信用信息；对所述信用信息进行量化，获得所述信用信息的第一信用分数，可以从第三方征信平台获得更多的所述商户的信用信息并进行量化，从而获得商户的初始信用得分；通过基于所述第一信用分数及所述商户的运营时间，获得所述商户的第二信用分数，可以基于商户的持续运营时间，获得所述商户实时信用得分；基于所述第二信用分数及用户粘度，获得所述商户的信用等级。如此，本发明可以兼顾商户的初始信用情况，获得初始信用分数的同时，还考虑到后期商户运营的信用情况，提高了商户信用等级预测的准确性和精确性；特别是对于新入驻互联网O2O平台的商户，可基于所述商户的初始信用情况而预测商户的信用等级，避免了新入驻商户难以预测信用等级的问题。
且，本发明基于预测的所述商户的信用等级还有利于后续基于该信用等级将所述商户的信用因素加入到所述商户的排序中，降低平台导流到失信商户的概率，减少消费者投诉，增加平台的用户粘度。
附图说明
图1为本发明实施例提供的一种信息处理方法的流程示意图；
图2为本发明实施例提供的一种信息处理方法的流程示意图；
图3为本发明实施例提供的一种信息处理方法的流程示意图；
图4为本发明实施例提供的一种信息处理方法的流程示意图；
图5为本发明实施例提供的一种信息处理装置的流程示意图；
图6为本发明实施例提供的一种终端的硬件结构示意图。
具体实施方式
以下结合附图及实施例，对本发明进行进一步详细说明。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。
在后续的描述中，使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本申请的说明，其本身没有特定的意义。因此，“模块”、“部件”或“单元”可以混合地使用。
在后续的描述中，所述信息处理方法应用于终端，所述终端包括服务器、计算机、平板电脑，或者其它电子设备。所述终端上安装有互联网线上线下O2O平台软件或者其它的适用于商家排序的平台软件。后续的描述中以所述信息处理方法借助在所述互联网O2O平台上完成来进行举例。
可以理解的是，所述互联网O2O平台等由于商户的信息有限，需要对接权威的第三方平台获得所述商户的相关信息；因而所述互联网O2O平台需要对接第三方征信平台；所述第三方征信平台包括：互联网征信平台和/或政府征信中心、舆情信息平台、商情信息平台，等等。当商户在所述互联网O2O平台注册时，需要授权所述互联网平台能够通过第三方征信平台获得商户的相关信息；其中，所述相关信息包括信用信息。而所述互联网O2O也可通过第三方open API接口将所述商户的相关信息反馈给第三方征信平台。
可以理解的是，本发明中所述商户可以是指个体经营者商户、独资企业商户、合伙企业商户、公司企业商户或者其它类型的商户。
如图1所示，本发明实施例提供了一种信息处理方法，所述方法包括：
步骤101，基于所述第三方征信平台，获得信用信息；
步骤102，对所述信用信息进行量化，获得所述信用信息的第一信用分数；
步骤103，基于所述第一信用分数及所述商户的运营时间，获得所述商户的第二信用分数；
步骤104，基于所述第二信用分数及用户粘度，获得所述商户的信用等级。
这里，所述第三方征信平台包括：互联网征信平台和/或政府征信中心。所述互联网征信平台可以包括芝麻信用平台、美国个人信用评分系统FICO，等等。所述政府征信中心可以是央行征信中心、百行征信中心，等等。
这里，所述商户可以是指食美食商户、便利超市商户、果蔬商户、医药商户、甜品饮品商户、鲜花绿植商户、汉堡披萨商户，等等；所述商户还可以是指书店、衣服店、鞋帽店、美妆店、鞋包店，等等；所述商户还可以是指家电商户、体育用品商户等等。总之，所述商户可以是包括涵盖人们一切衣食住行在互联网O2O平台注册了的商户。
在一些实施例中，所述方法还包括：若确定所述商户为第一类商户，所述信用信息包括：商户的信用信息和投资者的信用信息；若确定所述商户为第二类商户，所述信用信息包括：投资者的信用信息。
在另一些实施例中，所述若确定所述商户为第一类商户时，所述信用信息还可以包括商户的经营者的信用信息。
这里，所述第一类商户为已入驻互联网O2O平台超过第一阈值时间的商户；所述第二类商户为已入驻所述互联网O2O平台未超过所述第一阈值时间的商户。
在一些实施例中，所述信用信息包括但不限于：征信信息、舆情信息和商情信用信息；所述对所述信用信息进行量化，获得所述信用信息的第一信用分数，包括：对征信信息进行量化，获得征信分数；对舆情信息进行量化，获得舆情分数；对商情信用信息进行量化，获得商情信用分数；对所述征信分数、所述舆情征分数和所述商情信用分数基于各自权重相乘之和，获得第一信用分数。
这里，所述征信信息包括：商户的征信信息以及商户投资者的征信信息。其中，所述商户的征信信息包括商户自营数据信息相关的征信信息。例如，可以是指运营中投诉、纠纷等情况的征信信息。所述商户投资者的征信信息可以包括但不限于以下至少之一：投资者个人资产信息、交易信用历史信息、履约能力信息、人脉关系信息、行为偏好信息、身份特征信息。
这里，所述征信信息还可以包括：经营者的征信信息；所述经营者的征信信息与所述投资者的征信信息类似，可以包括：交易信用历史信息、履约能力信息、人脉关系信息、行为偏好信息、身份特征信息，等等。
在一些实施例中，获取征信信息包括：获取至少一个所述第三方征信平台的征信信息；所述对征信信息进行量化，获得征信分数，包括：对获得的至少一个所述第三方征信平台的所述征信信息进行量化，进行加权求和，获得征信分数。如此，可以解决由于单一征信平台对商户的信用信息分析不全面的问题，具体地可通过对接多个征信平台，涉及更多数据源的信用信息，从而使得基于所述信用信息获得的征信分数更加准确、全面。
所述第三方征信平台还包括：舆情信息平台。所述舆情平台可以是微博平台、搜狗平台、地方论坛、自有互联网头条新闻，等等。可以理解的是，所述舆情信息平台可采用互联网数据采集技术与自然语言处理技术对舆情信息进行热度分析和情感判断。所述舆情信息可以反映商户或者商户经营者、商户投资者的社会信用好坏；所述舆情信息代表了一种主观舆论倾向。
这里，所述舆情信息包括：负面舆情信息和正面舆情信息。
在一些实施例中，所述对舆情信息进行量化，获得舆情分数，包括：对负面舆情信息进行量化，获得舆情分数。
在另一些实施例中，获取舆情信息，包括：获取至少一个所述舆情信息平台的舆情信息；所述对舆情信息进行量化，获得舆情分数，包括：对获取的至少一个所述舆情信息平台的所述舆情信息进行量化，进行加权求和，获得舆情分数。如此，可以解决由单一舆情平台对商户的舆论倾向评价不全面的问题，可以使得获得舆情分数更加全面、客观的反映对该商户的舆论情况。而对各个舆情信息进行加权计算，还考虑到了各个舆情信息来源的权威性不同，以能够更加精准的获得舆情分数。
在一些实施例中，所述商情信用信息包括：商户与商户之间的信息、商户的投资者占投资比例的信息，商户投资者之间的信用信息，等等。
所述第三方征信平台还包括：商情信息平台。所述商情信息平台主要是分析商户与商户之间、商户与投资者之间，商户的各投资者之间拓扑关系的平台。可以理解的是，对于某一个商户，其投资者的人数越多、投资者的信用越高，则所述商户的商情信用信息的信用度越好。
在一些实施例中，所述获取商情信用分数可以是基于投资所述商户的各投资者的投资的商户的信用评级与投资的所述商户的数据的比例，以及所述商情信息平台中所述商户的总数而获取。
例如，对所述商情信用信息进行量化，获得的所述商情信用分数可为：
其中所述credit(pi)为所述商户的投资者或者所述商户i的信用评级；所述Mpi为所述商户的所有投资者的集合；所述L(pj)表示投资者pj所投资其它商户的总数目；α为阻尼系数，一般取0.85；所述N为商情分析系统(商情信息平台)的商户总数。
如此，本实施例中当商情信息平台拥有丰富的商户的商情信用信息相关数据时，可经过数轮迭代，计算出所有商户或者商户的投资者的信用评级值。
在一些实施例中，所述对所述信用信息进行量化，获得所述信用信息的第一信用分数，还包括：基于所述商情信息的信用等级、所述征信信息的信用等级以及所述舆情信息的信用等级，获得所述信用分数。
具体地，所述信用分数为：
其中，所述creditthird为所述征信信息的信用等级、所述creditsq为所述商情信息的信用等级，所述credityq为所述舆情信息的信用等级。在本实施例中，对于creditthird、creditsq、credityq每项后面都加1，可以防止产生负数权重系统以及分母为0的情况。
在本实施例中，可以从互联网征信平台和/或政府征信中心、舆情信息平台、商情信息平台等多个第三方征信平台获取商户信用信息和/或所述商户投资者的信用信息和/或所述商户经营者的信用信息，并对所述信用信息进行量化，相对于现有技术中获取的信用特征向量来说，更加全面，基于此得出的信用等级更加准确、全面，从而提高评价所述商户信用等级的精确性。
在上述应用场景中，随着互联网O2O平台中商户的持续运营，商户运营过程中产生的相关数据会产生比较大的信用方面的影响，基于征信信息、舆情信息以及商情信用信息的获得的初始信用分数(即第一信用分数)的影响会相应衰减，因而当引入商户的运营时间作为信用特征向量计算所述商户的信用分数时，需要精确控制衰减多长时间衰减到一个稳定的最终值。在一些实施例中，提出了基于牛顿冷却定律的衰减公式：credit(t)＝creditinite-α(t+l)；若控制其信用分数的衰减系数，让所述商户的初始信用分数creditinit在m天后衰减至一个最终值creditfinish，则计算得到所述衰减系数为
这里，可根据所述衰减系数以及所述运营时间对所述第一信用分数进行衰减，获得所述商户的第二信用分数。
在一些实施例中，所述基于所述第一信用分数以及所述商户的运营时间，获得所述商户的第二信用分数，包括：
基于所述运营时间对所述第一信用分数进行衰减计算，获得所述商户的第二信用分数。
如此，本实施例中，可以基于商户的运营时间，衰减所述初始信用分数(即第一信用分数)的权重，计算得到所述商户的实时信用分数。
在一些应用场景中，对所述商户的信用分数进行计算还会考虑到用户粘度customer_stickiness。在一些实施例中，所述方法还包括：基于用户的消费情况，获得所述商户的用户粘度。
具体地，终端对不同商户经营领域，设定不同消费次数的第二阈值，再根据单位时间内重复消费次数大于所述第二阈值的用户总消费用户的比例，计算出所述商户的用户粘度。例如，可通过以下公式计算所述用户粘度：
其中，所述n为商户总消费用户数，所述
为单位时间消费次数大于阈值的消费用户之和。
如此，本实施例中可以通过引用商户的用户粘度该信用特征，基于用户的具体消费情况，来进一步准确确定所述商户的信用分数，从而有利于提高预测所述商户的信用等级的精确度。
在一些实施例中，所述方法还包括：
获得所述商户的运营数据；
所述基于所述第二信用分数及用户粘度，获得所述商户的信用等级，包括：
基于商户信用模型，对所述第二信用分数、所述用户粘度以及所述运营数据进行训练，获得所述商户信用等级；
其中，所述运营数据包括以下至少之一：好评率、投诉数、评论数、销量。
可以理解的是，随着商户的持续运营，在商户的运营期间会产生一系列的运营数据，例如好评、投诉、评论以及星级评价，等等。如此，本实施例可以进一步获取该运营数据，综合所述运营数据对所述商户进行信用等级的评价。
在一些实施例中，所述方法还包括：建立所述商户信用模型。
在一些实施例中，所述基于所述第一信用分数及所述商户的运营时间，获得所述商户的第二信用分数，基于所述第二信用分数及用户粘度，获得所述商户的信用等级还可以是，基于商户信用模型，对所述第一信用分数、所述运营时间、所述用户粘度以及所述运营数据进行训练，获得所述商户信用等级；其中，所述运营数据包括以下至少之一：好评率、投诉数、评论数、销量、星级。
具体地，一种获得商户信用等级的方式为：根据商户入驻所述互联网O2O平台的运营时间、销量、评论数、第一信用分数、投诉数等用户信用特征构建商户信用模型；采用基于特征标注的监督学习方法，进行商户信用模型训练，将按照投诉数比例分阶段随机选择一批商户样本，对商户样本进行划分，选择第一百分比的商户样本进行样本标注确定为训练信用模型，第二百分比的商户样本确定为预测信用模型；其中，所述第一百分比与第二百分比之和为1；对所述商户样本进行标注信用等级，共分为5级标准；采用SVM或者决策树等学习算法进行训练，对所述第二百分比的商户样本进行信用等级预测，不断调整所述信用特征获得所述第二百分比的商户样本的信用等级预测。
其中，所述信用特征可如下表1示：
表1
其中，信用等级可预设设置为5级标准，对不同的商户样本标注为不同的信用等级，如下表2所示，例举了商户样本1和商户样本2的信用等级标准。其中，所述f-1到f-2可分别表征表1中的某一信用特征。
| 商户样本 | 信用等级 | f-1 | f-2 | f-3 | f-4 | …… | f-n |
| 1 | 5 | 100 | 2.55 | 5 | 98％ | …… | 100000 |
| 2 | 4 | 95 | 1.23 | 3 | 95％ | …… | 3000 |
表2
本实施例中，可基于商户信用模型对所述商户的信用特征进行训练，从而可以对未知商户进行信用等级预测。本实施例不仅解决了新入驻互联网平台的商户初始信用分数的获得，同时又兼顾了后期互联网平台商户的运营数据的信用特征；并且还提出了商户信用模型的特征获取和标注训练方法，增加了商户信用等级预测的准确和精度。且，该方案还有利于增加更多不同领域的商户的不同信用特征，实现对不同领域的商户进行信用等级的预测。
在一些实施例中，所述方法还包括：基于所述商户的信用等级，对所述商户进行排序。
在另一些实施例中，所述方法还包括：基于所述商户的信用等级，以及所述商户所在的地理位置，对所述商户进行排序。
这里，所述商户所在的地理位置包括所述商户所处的经纬度。
例如，一种基于所述互联网O2O平台计算商户的经纬度的方式为：基于geohash的球面距离计算方式，假设当前终端设备定位的经纬度位置为pt＝(120.729709 31.31989)，若检测到距当前位置10公里范围内的商户，则搜索出10公里范围内的商户的公式为：
将所述公式输入到对应的检索应用中进行排序。
在另一些实施例中，所述方法还包括：基于所述商户的排序，显示所述商户的相关信息。
这里，所述相关信息包括：商户名称、商户的第一信用分数、第二信用分数、信用等级、商户的运营时间、商户的运营数据，等等。
在一些实施例中，所述方法还包括：
向所述第三方征信平台反馈所述信用等级和/或所述第一信用分数和/或第二信用分数。
在一些实施例中，所述向所述第三方征信平台反馈所述信用等级和/或所述第一信用分数和/或第二信用分数，包括：以预设的时间间隔向所述第三方征信平台反馈所述信用等级和/或所述第一信用分数和/或第二信用分数。
这里，所述向第三方征信平台可以是具体反馈所述商户的好评率、销售量、投诉量等信息。
在本实施例中，由于可以向第三方征信平台反馈所述商户的信用等级、第一信用分数、第二信用分数等信息，可以使得第三方征信平台能够及时更新所述商户的信用信息以及信用分数等，从而有利于终端设备获取到已经更新后的相关信用度的信息，从而计算出更为准确的所述商户的信用等级。
在一些实施例中，所述方法还包括：
根据用户的行为数据，获取用户的用户特征；
根据所述用户特征以及所述商户的信用等级，向所述用户推荐所述商户。
在另一些实施例中，所述方法还包括：
根据所述用户特征，确定所述用户的类型；
所述根据所述用户特征以及所述商户的信用等级，向所述用户推荐所述商户，包括：
基于所述用户的类型以及商户的信用等级，向所述用户推荐所述商户。
这里，所述用户特征可以是表征用户购买商户类型的信息、用户浏览次数信息、用户购买商户的价格趋势信息，等等。
这里，所述用户的类型包括但不限于以下至少之一：价格敏感型、环境挑剔型、位置偏爱型、评论偏爱型、品类偏爱型。
具体地，若所述互联网平台中商户的信用等级分为：等级1、等级2、等级3、等级4和等级5，其中等级1为最低等级、等级2的等级大于等级1，等级3的等级大于等级2，等级4的等级大于等级3，等级5的等级大于等级4；若根据用户特征确定该用户为价格敏感型(喜欢挑比较便宜的商品)，则可以向所述用户推荐等级稍微比较低的等级3或等级4的商户；若根据用户特征确定该用户为评论偏爱型(喜欢挑评论好的商品)，则可以向所述用户推荐等级最高的等级5的商户。
本实施例中，可以通过对用户的用户特征的获取，基于商户的信用等级系向用户推荐所述商户，可以为用户找到最合适所需的商户。
以下通过具体实施例对本发明实施例的技术方案作进一步详细说明。
如图2所示，本发明实施例还提供了一种信息处理方法，主要用于对信用信息收集与量化，所述方法包括以下步骤。
步骤201，确定互联网O2O平台对接第三方征信平台。
可选地，终端确定互联网O2O平台与所述第三方征信平台进行对接；所述商户在互联网O2O平台注册时授权所述互联网O2O平台能够通过所述第三方征信平台获得所述商户的信用信息；当所述商户在互联网平台注册完成后，可通过第三方Open API向所述第三方征信平台反馈所述商户的信用信息。
这里，终端获取所述商户的信用信息可以通过周期性获取；并可显示所述信用信息。
步骤202，获取所述商户的征信信息，并对所述征信信息进行量化，获得所述商户的征信分数。
可选地，所述终端从支付宝的芝麻信用平台获得所述商户的信用得分S1、以及从腾讯征信平台获得征信得分S2，根据加权得分，获得所述商户的征信分数为：credit_scorethird＝αS1+βS2，α+β＝1；其中，所述α、β分别为芝麻信用平台、腾讯征信平台的权重系数、S1、S2分别为支付宝芝麻信用平台、腾讯征信平台对所述商户评估的征信信用得分。
这里，计算商户在芝麻信用平台的征信得分可以是综合考虑用户个人资产、交易信用历史、履约能力、人脉关系、行为偏好、用户身份等因素的加权得分。这里，计算商户在腾讯征信平台的征信得分与计算商户在芝麻信用平台的分数类似。
这里，终端也可以根据从第三方征信平台获取所述商户的征信信息进行量化，而获得商户在各所述第三方征信平台的征信信用分数。
可以理解的是，本实施例可以基于更多征信信用平台的征信信息，来获得最终的征信分数。随着个人和企业信用系统的不断建设，可以对接更多的第三方征信平台，例如央行征信平台、百行征信平台等，并且，可以对各第三方征信平台的权重值进行调整。
步骤203，获取所述商户的舆情信息，并对所述舆情信息进行量化，获得所述商户的舆情分数。
可选地，所述终端从微博平台中获得所述商户的舆情得分pweibo_neg、从微信平台中获得所述商户的舆情得分pweixin_neg、从地方论坛平台中获得所述商户舆情得分pforum_neg、从自有平台获得所述商户的舆情得分pself_neg、从头条新闻平台中获得所述商户的舆情得分pnews_neg，根据加权得分，获得所述商户的舆情分数为：credit_neg＝αpweibo_neg+βpweixin_neg+...+γpnews_neg，(α+β+...+γ＝1,α≥0,β≥0,...γ≥0)；其中，所述credit_neg为负面舆情分数，所述α、β、……、γ分别为所述微博平台、微信平台……、头条新闻平台的权重系数。
可以理解的是，舆情主要评估标注是以负面舆情信息为依据。
步骤204，获取所述商户的商情信用信息，并对所述商情信用信息进行量化，获得所述商户的商情信用分数。
可选地，所述终端从佩奇排名(PageRank)平台获取商户和所述商户投资者的商情信用信息，得到所述商户的商情信用分数为：
其中所述credit(pi)为所述商户的投资者或者所述商户i的信用评级；所述Mpi为所述商户的所有投资者的集合；所述L(pj)表示投资者pj所投资其它商户的总数目；α为阻尼系数，一般取0.85；N为商情分析系统(商情信息平台)的商户总数。
本实施例中，可以从多个第三方征信平台中获取所述商户的征信信息、舆情信息以及商情信用信息并对其继续量化，不仅提出了信用信息量化的方法，而且可以基于更全面的信用信息而获得商户的信用信息，从而对商户基于信用度的排序更加准确。
如图3所示，本发明还提出了一种信息处理方法，主要基于商户信用模型对所述商户的各信用特征进行训练而获得所述商户的信用等级，所述方法包括以下步骤。
步骤301，确定商户的信用特征。
这里，所述商户的信用特征包括但不限于以下至少之一：征信信息、舆情信息、商情信用信息、入驻时间、运营时间、销量、人气、投诉数、用户粘度。
可选地，终端以SOLR为基础创建一个互联网兴趣点POI检索应用，商户的索引字段表征所述商户的信用特征。以下表3介绍了一些信用特征的索引字段：
表3
这里，所述SOLR为基于Lucene的企业级搜索服务器，它对外提供类似于Web-service的API接口。
本实施例中采用基于所述SOLR为基础的企业级搜索引擎为应用示例，所述商户的信用分数计算公式则以SOLR查询语言为基础，以下表4为一实例中POI智能排序请求参数：
表4
其中，距离计算方法采用geohash的球面距离计算方式，假设当前移动终端手机定位的位置经纬度为pt＝(120.729709 31.31989)；表4的查询意图解释如下：
查询离当前位置10公里范围内的“烧烤”商户，因此加入了fq查询,过滤出了10公里范围内的商户，如公式
所示。
步骤302，基于所述商户的信用特征，获取所述商户的初始信用分数；
这里，所述初始信用分数可认为是上述实施例中的第一信用分数。
可选地，基于信用特征中的所述征信信息、舆情信息和商情信用信息，得到初始信用分数为：
其中，所述creditthird为所述征信信息的信用等级、所述creditsq为所述商情信息的信用等级，所述credityq为所述舆情信息的信用等级。
如此，本实施例可以解决新入驻互联网O2O平台时商户的排序问题，当商户为新入驻互联网O2O平台的商户时，其运营数据较低的情况下，来自所述商户的信用信息就占所述商家信用等级的主导因数。
步骤303，基于用户的消费情况，获得所述商户的用户粘度。
可选地，可以根据统计出的所述商户的消费者(用户)个数计算出用户粘度，所述商户的用户粘度为
其中，所述n为商户总消费用户数，所述
为单位时间消费次数大于阈值的消费用户之和。
步骤304，基于商户信用模型，获取所述商户的用户等级。
可选地，基于商户信用模型，对所述商户的初始信用分数、用户粘度、运营时间、好评率、投诉数、评论数、销量进行训练，获得所述商户的信用等级。
具体地，对商户样本进行划分，选择80％的商户样本进行样本标注确定为训练信用模型，20％的商户样本确定为预测信用模型；对所述商户样本进行标注信用等级，共分为5级标准；采用SVM或者决策树等学习算法进行训练，对所述20％的商户样本进行信用等级预测，不断调整所述信用特征获得所述20％的商户样本的信用等级预测。
本实施例中，不仅考虑了入驻互联网O2O平台的商户的信用因素，同时又兼顾了商户在所述互联网O2O后期的运营信用因素，获得了更加全面的信用特征，从而基于该些信用特征而确定的信用等级能够更加准确的反映所述商户真实的信用情况。且，提出了商户信用模型，基于所述商户信用模型深度学习来获取所述商户的信用等级，一方面能够适用于更多的商户的信用等级的确定，另一方面能够进一步增加商户的信用等级预测的精确度。
如图4所示，本发明还提出了一种信息处理方法，主要用于构建商户信用画像以及将商户的信用信息反馈给第三方征信平台，所述方法包括以下步骤。
步骤401，以预设的时间间隔获取线上用户行为。
这里，所述用户行为包括：点击行为、浏览行为、评论行为、投诉行为、下单行为、付款行为，等等。这里，可利用kafka作为消息总线，将不同的用户行为作为kafka集群中的一个topic进行获取。所述kafka为一种分布式消息队列系统。
步骤402，对所述用户行为进行处理，获得用户行为数据。
这里，可利用spark streaming处理所述用户行为，获得所述用户行为数据。其中，所述spark-streaming为建立在Spark上的基于内存的实时计算框架，扩展了spark处理大规模流式数据的能力；所述spark为大规模数据处理而设计的快速通用的计算引擎。
步骤403，将所述用户行为数据更新到商户数据库和用户数据库。
这里，可利用spark streaming将所述用户行为数据更新商户数据库DB以及相关的用户数据库。
步骤404，与预设的时间间隔构建用户画像。
这里，可利用机器学习算法周期性构建用户画像。例如，构建用户对于消费环境的偏好、位置的偏好、是否特别关注评论和投诉的用户画像。
步骤405，将所述商户数据库反馈给所述第三方征信平台。
这里，所述商户数据库包括：好评率、销售、投诉数、信用分数，等等。
这里，所述第三方征信平台为是与互联网平台O2O签订了共享信用信息协议的平台。
本实施例中，由于可以建立用户画像，从而确定用户喜好等等；可以将商户的信用相关数据反馈给第三方征信平台，可以完善基于信用的生态体系。
这里需要指出的是：以下信息处理装置项的描述，与上述信息处理方法项描述是类似的，同方法的有益效果描述，不做赘述。对于本发明设备信息处理方法装置实施例中未披露的技术细节，请参照本发明信息处理方法实施例的描述。
如图5所示，本发明实施例还提供了一种信息处理装置，所述装置包括：第一获得单元51、量化单元52、第一处理单元53、第二处理单元54；其中，
所述第一获得单元51，用于基于所述第三方征信平台，获得信用信息；
所述量化单元52，用于对所述信用信息进行量化，获得所述信用信息的第一信用分数；
所述第一处理单元53，用于基于所述第一信用分数及所述商户的运营时间，获得所述商户的第二信用分数；
所述第二处理单元54，用于基于所述第二信用分数及用户粘度，获得所述商户的信用等级。
在一些实施例中，所述量化单元52，具体用于，对征信信息进行量化，获得征信分数；对舆情信息进行量化，获得舆情分数；对商情信用信息进行量化，获得商情信用分数；对所述征信分数、所述舆情分数和所述商情信用分数基于各自权重相乘之和，获得第一信用分数。
在一些实施例中，所述第一处理单元53，具体用于基于所述运营时间对所述第一信用分数进行衰减计算，获得所述商户的第二信用分数。
在一些实施例中，所述装置还包括第二获得单元55；其中，
所述第二获得单元55，用于基于用户的消费情况，获得所述商户的用户粘度。
在一些实施例中，所述装置还包括第三获得单元56；其中，
所述第三获得单元56，用于获得所述商户的运营数据；
所述第二处理单元54，用于基于商户信用模型，对所述第二信用分数、所述用户粘度以及所述运营数据进行训练，获得所述商户信用等级；
其中，所述运营数据包括以下至少之一：好评率、投诉数、评论数、销量。
在一些实施例中，所述装置还包括确定单元57；其中，
所述确定单元57，用于若确定所述商户为第一类商户，所述信用信息包括：商户的信用信息和投资者的信用信息；
若确定所述商户为第二类商户，所述信用信息包括：投资者的信用信息。
在一些实施例中，所述装置还包括反馈单元58；其中，
所述反馈单元58，用于向所述第三方征信平台反馈所述信用等级和/或所述第一信用分数和/或第二信用分数。
在一些实施例中，所述第一获得单元51，还用于根据用户的行为数据，获取用户的用户特征；
所述第二处理单元54，还用于根据所述用户特征以及所述商户的信用等级，向所述用户推荐所述商户。
如图6所示，本发明实施例还提供了一种终端，所述终端包括处理器61和用于存储能够在所述处理器61上运行的计算机程序的存储器62；其中，所述处理器61用于运行计算机程序时，实现本发明任一实施例所述信息处理方法。
在一些实施例中，本发明实施例中的存储器62可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(Read-Only Memory，ROM)、可编程只读存储器(Programmable ROM，PROM)、可擦除可编程只读存储器(Erasable PROM，EPROM)、电可擦除可编程只读存储器(Electrically EPROM，EEPROM)或闪存。易失性存储器可以是随机存取存储器(Random Access Memory，RAM)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(Static RAM，SRAM)、动态随机存取存储器(Dynamic RAM，DRAM)、同步动态随机存取存储器(Synchronous DRAM，SDRAM)、双倍数据速率同步动态随机存取存储器(Double DataRate SDRAM，DDRSDRAM)、增强型同步动态随机存取存储器(Enhanced SDRAM，ESDRAM)、同步连接动态随机存取存储器(Synchlink DRAM，SLDRAM)和直接内存总线随机存取存储器(Direct Rambus RAM，DRRAM)。本文描述的系统和方法的存储器62旨在包括但不限于这些和任意其它适合类型的存储器。
而处理器61可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器61中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器61可以是通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(FieldProgrammable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器62，处理器61读取存储器62中的信息，结合其硬件完成上述方法的步骤。
在一些实施例中，本文描述的这些实施例可以用硬件、软件、固件、中间件、微码或其组合来实现。对于硬件实现，处理单元可以实现在一个或多个专用集成电路(Application Specific Integrated Circuits，ASIC)、数字信号处理器(Digital SignalProcessing，DSP)、数字信号处理设备(DSP Device，DSPD)、可编程逻辑设备(ProgrammableLogic Device，PLD)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)、通用处理器、控制器、微控制器、微处理器、用于执行本申请所述功能的其它电子单元或其组合中。
对于软件实现，可通过执行本文所述功能的模块(例如过程、函数等)来实现本文所述的技术。软件代码可存储在存储器中并通过处理器执行。存储器可以在处理器中或在处理器外部实现。
本发明又一实施例提供了一种计算机存储介质，该计算机可读存储介质存储有可执行程序，所述可执行程序被处理器61执行时，可实现应用于所述终端中的信息处理方法的步骤。例如，如图1-图4所示的方法中的一个或多个。
在一些实施例中，所述计算机存储介质可以包括：U盘、移动硬盘、只读存储器(ROM，Read Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
需要说明的是：本发明实施例所记载的技术方案之间，在不冲突的情况下，可以任意组合。
以上所述，仅为本发明的具体实施方式，但本发明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发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种信息处理方法，其特征在于，所述方法包括：
基于所述第三方征信平台，获得信用信息；
对所述信用信息进行量化，获得所述信用信息的第一信用分数；
基于所述第一信用分数及所述商户的运营时间，获得所述商户的第二信用分数；
基于所述第二信用分数及用户粘度，获得所述商户的信用等级。
2.根据权利要求1所述的方法，其特征在于，
所述对所述信用信息进行量化，获得所述信用信息的第一信用分数，包括：
对征信信息进行量化，获得征信分数；
对舆情信息进行量化，获得舆情分数；
对商情信用信息进行量化，获得商情信用分数；
对征信分数、所述舆情征分数和所述商情信用分数基于各自权重相乘之和，获得第一信用分数。
3.根据权利要求1或2所述的方法，其特征在于，
所述基于所述第一信用分数以及所述商户的运营时间，获得所述商户的第二信用分数，包括：
基于所述运营时间对所述第一信用分数进行衰减计算，获得所述商户的第二信用分数。
4.根据权利要求1所述的方法，其特征在于，所述方法还包括：
基于用户的消费情况，获得所述商户的用户粘度。
5.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获得所述商户的运营数据；
所述基于所述第二信用分数及用户粘度，获得所述商户的信用等级，包括：
基于商户信用模型，对所述第二信用分数、所述用户粘度以及所述运营数据进行训练，获得所述商户信用等级；
其中，所述运营数据包括以下至少之一：好评率、投诉数、评论数、销量。
6.根据权利要求1所述的方法，其特征在于，所述方法还包括：
若确定所述商户为第一类商户，所述信用信息包括：商户的信用信息和投资者的信用信息；
若确定所述商户为第二类商户，所述信用信息包括：投资者的信用信息。
7.根据权利要求1所述的方法，其特征在于，所述方法还包括：
向所述第三方征信平台反馈所述信用等级和/或所述第一信用分数和/或第二信用分数。
8.根据权利要求1所述的方法，其特征在于，
根据用户的行为数据，获取用户的用户特征；
根据所述用户特征以及所述商户的信用等级，向所述用户推荐所述商户。
9.一种终端，其特征在于，所述终端包括处理器和用于存储能够在所述处理器上运行的计算机程序的存储器；其中，所述处理器用于运行计算机程序时，实现权利要求1-8任一项所述信息处理方法。
10.一种存储介质，所述存储介质中有计算机可执行指令，其特征在于，所述计算机可执行指令被处理器执行实现权利要求1-8任一项所述信息处理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910277897.5A CN111798282A (zh) | 2019-04-08 | 2019-04-08 | 一种信息处理方法、终端及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910277897.5A CN111798282A (zh) | 2019-04-08 | 2019-04-08 | 一种信息处理方法、终端及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111798282A true CN111798282A (zh) | 2020-10-20 |
Family
ID=72805661
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910277897.5A Pending CN111798282A (zh) | 2019-04-08 | 2019-04-08 | 一种信息处理方法、终端及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111798282A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114169962A (zh) * | 2021-11-23 | 2022-03-11 | 苏州中仑网络科技有限公司 | 用于流量管理的数据处理方法和装置 |
| CN117974139A (zh) * | 2024-01-02 | 2024-05-03 | 全流量时代(北京)信息技术有限公司 | 一种用于银行用户的防盗快捷支付系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107220867A (zh) * | 2017-04-20 | 2017-09-29 | 北京小度信息科技有限公司 | 对象控制方法及装置 |
| CN107688979A (zh) * | 2016-08-05 | 2018-02-13 | 百度在线网络技术（北京）有限公司 | 用于提供信用参考信息的方法和装置 |
-
2019
- 2019-04-08 CN CN201910277897.5A patent/CN111798282A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107688979A (zh) * | 2016-08-05 | 2018-02-13 | 百度在线网络技术（北京）有限公司 | 用于提供信用参考信息的方法和装置 |
| CN107220867A (zh) * | 2017-04-20 | 2017-09-29 | 北京小度信息科技有限公司 | 对象控制方法及装置 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114169962A (zh) * | 2021-11-23 | 2022-03-11 | 苏州中仑网络科技有限公司 | 用于流量管理的数据处理方法和装置 |
| CN117974139A (zh) * | 2024-01-02 | 2024-05-03 | 全流量时代(北京)信息技术有限公司 | 一种用于银行用户的防盗快捷支付系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2020048084A1 (zh) | 资源推荐方法、装置、计算机设备及计算机可读存储介质 | |
| TWI776894B (zh) | 商戶評價方法及系統 | |
| US11087413B2 (en) | Identity mapping between commerce customers and social media users | |
| CN105677831B (zh) | 一种确定推荐商户的方法及装置 | |
| TWI539305B (zh) | Personalized information push method and device | |
| US9710555B2 (en) | User profile stitching | |
| CN107220852A (zh) | 用于确定目标推荐用户的方法、装置和服务器 | |
| CN107808314B (zh) | 用户推荐方法及装置 | |
| US20140379617A1 (en) | Method and system for recommending information | |
| Xu et al. | Integrated collaborative filtering recommendation in social cyber-physical systems | |
| WO2016015444A1 (zh) | 一种目标用户的确定方法、设备和网络服务器 | |
| CN113077317B (zh) | 基于用户数据的物品推荐方法、装置、设备及存储介质 | |
| CA3070612A1 (en) | Click rate estimation | |
| TW201305944A (zh) | 商品資訊投放方法和設備 | |
| US20190333176A1 (en) | Recording recommendation method, device, apparatus and computer-readable storage medium | |
| CN110827101B (zh) | 一种店铺推荐的方法和装置 | |
| US11470032B2 (en) | Method for recommending groups and related electronic device | |
| CN107679916A (zh) | 用于获取用户兴趣度的方法及装置 | |
| CN111626767A (zh) | 资源数据的发放方法、装置及设备 | |
| CN111798282A (zh) | 一种信息处理方法、终端及存储介质 | |
| CN109325796B (zh) | 潜在用户筛选方法、装置、计算机设备及存储介质 | |
| CN110189188B (zh) | 商品管理方法、装置、计算机设备及存储介质 | |
| CN107181672A (zh) | 在位置社交网络中基于时间分布相对熵的好友推荐方法 | |
| CN112991033A (zh) | 一种确定物品价值属性的方法和装置 | |
| CN115879819A (zh) | 企业信用评估方法及装置 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201020 |
|
| RJ01 | Rejection of invention patent application after publication |