CN111915115A - 执行策略设置方法和装置 - Google Patents

执行策略设置方法和装置 Download PDF

Info

Publication number
CN111915115A
CN111915115A CN201910388546.1A CN201910388546A CN111915115A CN 111915115 A CN111915115 A CN 111915115A CN 201910388546 A CN201910388546 A CN 201910388546A CN 111915115 A CN111915115 A CN 111915115A
Authority
CN
China
Prior art keywords
task set
data
sets
dimension
task
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
CN201910388546.1A
Other languages
English (en)
Inventor
李慧
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.)
Beijing Wodong Tianjun Information Technology Co Ltd
Original Assignee
Beijing Wodong Tianjun Information 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 Beijing Wodong Tianjun Information Technology Co Ltd filed Critical Beijing Wodong Tianjun Information Technology Co Ltd
Priority to CN201910388546.1A priority Critical patent/CN111915115A/zh
Publication of CN111915115A publication Critical patent/CN111915115A/zh
Pending legal-status Critical Current

Links

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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06395—Quality analysis or management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2465—Query processing support for facilitating data mining operations in structured databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Databases & Information Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Game Theory and Decision Science (AREA)
  • Artificial Intelligence (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Evolutionary Computation (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种执行策略设置方法和装置，涉及计算机技术领域。该方法的一具体实施方式包括：获取多个任务集集合；将所述多个任务集集合根据标记维度数据区间的数值大小进行排序；在排序后的任务集集合中，获取任一任务集集合与其相邻的任务集集合在所述特征维度的聚类评价指数，将聚类评价指数符合预设判别条件的任务集集合确定为同一类别；将同一类别的任务集集合对应的标记维度数据区间合并为一个目标区间，在每一目标区间设置独立的执行策略。该实施方式有助于执行策略的有效设置。

Description

执行策略设置方法和装置
技术领域
本发明涉及计算机技术领域，尤其涉及一种执行策略设置方法和装置。
背景技术
工业生产中，需要对每一生产周期(例如一天、一月等)产出的产品进行检测计算其合格率，并对合格率处于不同范围的产品分别进行处置。处置的方式可以是：通过检测进入下一流程、复检、舍弃等。因此，需要对合格率处于不同区间的生产周期产品集合设置用于指导后续处置的执行策略。对于一个生产周期产品集合来说，其包括多个生产周期的产品，其中的每一生产周期产品的合格率在同一合格率区间。
具体应用中，为了简化处置逻辑，可确定数量较少的合格率区间分别设置执行策略，这就需要从历史的处置数据中确定具有类似规律的合格率区间进行合并。同时，进行合并时，首先需将不同的生产周期产品集合按照合格率区间排序，之后针对相邻的集合进行聚类。
例如，排序后的集合依次为：a(合格率区间为0到0.1)、b(合格率区间为0.1到0.2)、c(合格率区间为0.2到0.3)、d(合格率区间为0.3到0.4)、e(合格率区间为0.4到0.5)……y(合格率区间为0.9到1)，此时需要进行相邻聚类，即在符合条件时，只能将相邻的a、b，或者d、e，或者a、b、c确定为同一类别(一个集合也可作为一个独立类别)，不相邻的集合一般不作为同一类别，例如a和y一般不会确定为同一类别，这是因为a和y的合格率较为悬殊，处置规律差异较大。在上述场景中，只有合格率相邻的生产周期产品集合才具有类似规律，才有聚类价值。
在现有的K-Means(K均值)、高斯聚类等聚类方法中，不涉及上述相邻聚类的特点，无法应用于生产周期产品集合的相邻聚类，进而无法进行执行策略的有效设置。
发明内容
有鉴于此，本发明实施例提供一种执行策略设置方法和装置，能够针对排序后处于相邻位置的任务集集合进行聚类，从而得到具有同一执行策略的目标区间，由此利于执行策略的有效设置。
为实现上述目的，根据本发明的一个方面，提供了一种执行策略设置方法。
本发明实施例的执行策略设置方法用于将多个任务集集合确定为至少一个类别并为每一类别设置执行策略；其中，所述任务集集合具有标记维度和特征维度的数据；所述方法包括：获取多个任务集集合；其中，每一任务集集合中包括标记维度数据处于同一区间的多个任务集，不同的任务集集合对应的标记维度数据区间互斥，每一任务集集合具有至少一个特征维度的数据；将所述多个任务集集合根据标记维度数据区间的数值大小进行排序；在排序后的任务集集合中，获取任一任务集集合与其相邻的任务集集合在所述特征维度的聚类评价指数，将聚类评价指数符合预设判别条件的任务集集合确定为同一类别；其中，所述聚类评价指数包括：相似度或数据距离；以及，将同一类别的任务集集合对应的标记维度数据区间合并为一个目标区间，在每一目标区间设置独立的执行策略。
可选地，所述方法进一步包括：在获取所述聚类评价指数之前：将任务集在任一离散取值的特征维度的数据转换为证据权重值，将任一任务集集合中任务集在该特征维度的所述证据权重值的平均值确定为该任务集集合在该特征维度的数据，并将所述多个任务集集合在该特征维度的数据在该特征维度内进行离差标准化；将任一任务集集合中任务集在任一连续取值的特征维度的数据的平均值确定为该任务集集合在该特征维度的数据，并将所述多个任务集集合在该特征维度的数据在该特征维度内进行离差标准化；以及，将所述多个任务集集合在全部特征维度的、经过离差标准化的数据进行Z分数标准化。
可选地，所述获取任一任务集集合与其相邻的任务集集合在所述特征维度的聚类评价指数，具体包括：利用任一任务集集合在全部特征维度经过Z分数标准化的数据、以及其相邻的任务集集合在全部特征维度经过Z分数标准化的数据，确定该任一任务集集合与其相邻的任务集集合的相似度；以及，所述判别条件包括：相似度不小于预设阈值。
可选地，所述排序包括：升序排列或降序排列；所述相似度包括：余弦相似度、杰卡德相似度、皮尔逊相关系数或调整余弦相似度；以及，所述数据距离包括：欧氏距离、曼哈顿距离或明可夫斯基距离。
为实现上述目的，根据本发明的另一方面，提供了一种执行策略设置装置。
本发明实施例的执行策略设置装置用于将多个任务集集合确定为至少一个类别并为每一类别设置执行策略；其中，所述任务集集合具有标记维度和特征维度的数据；所述装置可包括：准备单元，用于获取多个任务集集合；其中，每一任务集集合中包括标记维度数据处于同一区间的多个任务集，不同的任务集集合对应的标记维度数据区间互斥，每一任务集集合具有至少一个特征维度的数据；排序单元，用于将所述多个任务集集合根据标记维度数据区间的数值大小进行排序；聚类单元，用于：在排序后的任务集集合中，获取任一任务集集合与其相邻的任务集集合在所述特征维度的聚类评价指数，将聚类评价指数符合预设判别条件的任务集集合确定为同一类别；其中，所述聚类评价指数包括：相似度或数据距离；策略设置单元，用于将同一类别的任务集集合对应的标记维度数据区间合并为一个目标区间，在每一目标区间设置独立的执行策略。
可选地，所述装置可进一步包括预处理单元，用于：在获取所述聚类评价指数之前：将任务集在任一离散取值的特征维度的数据转换为证据权重值，将任一任务集集合中任务集在该特征维度的所述证据权重值的平均值确定为该任务集集合在该特征维度的数据，并将所述多个任务集集合在该特征维度的数据在该特征维度内进行离差标准化；将任一任务集集合中任务集在任一连续取值的特征维度的数据的平均值确定为该任务集集合在该特征维度的数据，并将所述多个任务集集合在该特征维度的数据在该特征维度内进行离差标准化；以及，将所述多个任务集集合在全部特征维度的、经过离差标准化的数据进行Z分数标准化。
可选地，聚类单元可进一步用于：利用任一任务集集合在全部特征维度经过Z分数标准化的数据、以及其相邻的任务集集合在全部特征维度经过Z分数标准化的数据，确定该任一任务集集合与其相邻的任务集集合的相似度；以及，所述判别条件包括：相似度不小于预设阈值。
可选地，所述排序包括：升序排列或降序排列；所述相似度可包括：余弦相似度、杰卡德相似度、皮尔逊相关系数或调整余弦相似度；所述数据距离可包括：欧氏距离、曼哈顿距离或明可夫斯基距离。
为实现上述目的，根据本发明的又一方面，提供了一种电子设备。
本发明的一种电子设备包括：一个或多个处理器；存储装置，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，使得所述一个或多个处理器实现本发明所提供的执行策略设置方法。
为实现上述目的，根据本发明的再一方面，提供了一种计算机可读存储介质。
本发明的一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现本发明所提供的执行策略设置方法。
根据本发明的技术方案，上述发明中的一个实施例具有如下优点或有益效果：在依据标记维度数据区间的数值大小对任务集集合排序之后，分别计算相邻的任务集集合在特征维度的相似度或数据距离，从而判断二者是否具有类似的数据规律，进而决定是否确定为同一类别，这样即可实现任务集集合的相邻聚类，有助于后续的执行策略设置。此外，对于离散取值的特征维度，本发明可对其每一取值进行证据权重编码，由此实现了离散取值的定量计算，进而提升聚类准确性。
上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
附图用于更好地理解本发明，不构成对本发明的不当限定。其中：
图1是本发明实施例中执行策略设置方法的主要步骤示意图；
图2是本发明实施例中执行策略设置装置的组成部分示意图；
图3是根据本发明实施例可以应用于其中的示例性系统架构图；
图4是用来实现本发明实施例中执行策略设置方法的电子设备结构示意图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明，其中包括本发明实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本发明的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
需要指出的是，在不冲突的情况下，本发明的实施例以及实施例中的技术特征可以相互结合。
图1是本发明实施例中执行策略设置方法的主要步骤示意图。
如图1所示，本发明实施例的执行策略设置方法可具体按照如下步骤执行：
步骤S101：获取多个任务集集合；其中，每一任务集集合中包括标记维度数据处于同一区间的多个任务集，不同的任务集集合对应的标记维度数据区间互斥，每一任务集集合具有至少一个特征维度的数据。
在本步骤中，任务集可以是物理对象或者实体概念(如前述的生产周期产品)，也可以是抽象对象或者概念(如互联网领域的订单)。任务集集合为任务集组成的集合，如前述生产周期产品集合。在本发明实施例中，将主要通过对生产周期产品集合聚类并设置执行策略的场景(以下称为第一场景)来介绍本发明的技术方案，可以理解，这并不对本发明方法的应用场景形成任何限制。
实际应用中，任务集以及任务集集合具有标记维度和特征维度的数据。其中，标记维度用于对任务集集合进行标记，标记维度的各取值能够进行比较，从而使各任务集集合可根据标记维度的取值排序。可以理解，标记维度由相邻聚类的附加条件决定，其中相邻聚类指的是仅针对排序后的相邻任务集集合进行聚类。例如，在第一场景中，附加条件为：根据产品合格率维度对任务集集合进行相邻聚类，合格率即为任务集集合的标记维度。再如，在根据多个城市的经济指标进行聚类时，要求按照人口数量维度进行相邻聚类，则人口数量为标记维度。
在本发明实施例中，上述互斥指的是：对于任意两个不同的任务集集合，二者对应的标记维度数据区间中不包含相同数据。实际应用中，需要对标记维度数据进行合理切分，并使切分点符合预设规则，从而得到多个标记维度数据区间及其对应的任务集集合。例如，在某场景(非第一场景)中，若预设规则为：标记维度数据在50以下时，切分点能够被5整除；标记维度数据在50到100之间时，切分点能够被10整除；标记维度数据在100到1000之间时，切分点能够被100整除；标记维度数据在1000以上时，切分点能够被1000整除。此时，可首先将任务集按照标记维度数据升序或降序分成多类，其中每一类包括的任务集数量相同，如分为以下标记维度数据区间：[0,33]、(33,59]、(59,1001]、(1001,∞)，之后可调整切分点，使之符合预设规则，如将切分点33除以5，进行取整运算之后再乘以5，得到调整后的切分点30，利用类似方式可以得到调整后的标记维度数据区间为：[0,30]、(30,60]、(60,1000]、(1000,∞)。
具体应用中，任务集集合一般具有一个标记维度和多个特征维度。特征维度指的是直接用于聚类计算的维度。例如，在第一场景中，可选取以下一种或者多种与后续处置相关的维度作为特征维度：产品类型(较佳地，在第一场景中，一个生产周期的产品为同一类型)、产品重要性指数、产品平均制造成本、产品平均制造时间、处置方式、若处置方式为复检时的产品抽样率等。再如，在根据多个城市的经济指标进行聚类时，国内生产总值GDP(Gross Domestic Product)、国民生产总值GNP(Gross Nation Product)等经济指标可以作为特征维度。
可以理解，特征维度可以包括离散取值的特征维度和连续取值的特征维度。对于离散取值的特征维度，可首先将其每一取值数值化以便于后续计算。实际应用中，可首先利用证据权重方法WOE(weight of Evidence)将离散取值的特征维度各取值转换为证据权重值，转换公式如下：
Figure BDA0002055648180000081
其中，i为特征维度取值的序号，xi表示全部样本中具有该取值的正样本数量，ni表示全部样本中的正样本总数，xT表示全部样本中具有该取值的负样本数量，nT表示全部样本中的负样本总数。在第一场景中，样本为生产周期产品，正、负样本可根据处置方式的不同来确定。
例如，在全部样本中，将处置方式是“通过检测进入下一流程”(以下称为第一方式)的生产周期产品作为正样本，将处置方式不是“通过检测进入下一流程”(以下将该处置方式称为第二方式)的生产周期作为负样本，则产品类型维度的取值“M”的证据权重值为：
Figure BDA0002055648180000082
产品类型维度的取值“N”的证据权重值为：
Figure BDA0002055648180000083
实际使用中，也可利用独热编码(One-Hot Encoding)等方法进行上述数值化。特别地，在获得上述证据权重值之后，对于任一任务集集合与任一离散取值的特征维度，可计算该任务集集合中各任务集在该特征维度的证据权重值(即根据任务集在该特征维度的数据转换得到的证据权重值)的平均值，将该平均值确定为该任务集集合在该特征维度的数据。同样地，对于任一任务集集合与任一连续取值的特征维度，可计算该任务集集合中各任务集在该特征维度的数据的平均值，并将该平均值确定为该任务集集合在该特征维度的数据。示例性地，以上平均值可以是算数平均值或者几何平均值。
较佳地，在本发明实施例中，还可进一步对多个任务集集合在特征维度的数据进行标准化以提升聚类准确性。具体地，可在特征维度内对多个任务集集合的数据进行离差标准化，使数据均处于区间[0,1]之中。离差标准化的计算公式如下：
Figure BDA0002055648180000091
其中，m为某一任务集集合在某特征维度的原数据，m*为原数据的离差标准化结果，min为任务集集合在该特征维度的最小值，max为任务集集合在该特征维度的最大值。
在一可选实现方式中，还可针对全部任务集集合和全部特征维度进行Z分数标准化(即Z-score标准化)，使计算后的结果满足标准正态分布，计算公式如下：
Figure BDA0002055648180000092
其中，l为全部任务集集合在全部特征维度的所有数据中的任一数据，l′为相对于l的转换结果，l0为全部任务集集合在全部特征维度的所有数据的算数平均值，σ为全部任务集集合在全部特征维度的所有数据的标准差。可以理解的是，上述标准化过程也可在后续将要介绍的排序步骤之后进行。
步骤S102：将多个任务集集合根据标记维度数据区间的数值大小进行排序。
具体地，标记维度数据区间的数值可以是标记维度数据区间的任一数据，例如上界、下界、中位数据或者上界与下界的算数平均值。在本步骤中，可根据任务集集合对应的标记维度数据区间的数值大小以升序或降序方式进行排序，排序后的任务集集合可用于后续的相邻聚类。
步骤S103：在排序后的任务集集合中，获取任一任务集集合与其相邻的任务集集合在特征维度的聚类评价指数，将聚类评价指数符合预设判别条件的任务集集合确定为同一类别。
在本步骤中，聚类评价指数用于评价两个任务集集合之间数据规律的相似性，其可以是相似度或数据距离。其中，相似度可以是余弦相似度、杰卡德相似度、皮尔逊相关系数或调整余弦相似度，数据距离可以是欧氏距离、曼哈顿距离或明可夫斯基距离。可以理解，相似度越大，任务集集合的数据规律越相似；数据距离越小，任务集集合的数据规律越相似。此外，选取不同的聚类评价指数时，判别条件需要进行相应调整。以下以余弦相似度为例进行本步骤的说明。
在本发明实施例中，可利用排序后的任务集集合中经过离差标准化、Z分数标准化的数据计算相邻的任务集集合之间的余弦相似度，在余弦相似度符合判别条件时，将二者确定为同一类别。可以理解，判别条件可根据业务需求预先配置，例如可配置为：余弦相似度大于或等于预设阈值。相应地，若选取数据距离作为聚类评价指数，则判别条件可配置为：数据距离小于或等于预设距离。利用余弦相似度进行相邻聚类的过程可如下例所示：在排序后的任务集集合a、b、c、d、e中，若a、b之间的相似度大于预设阈值，则将a、b确定为类别1，若同时b、c之间的相似度大于该阈值，则将c归入类别1，若同时c、d之间的相似度小于该阈值，则将d确定为类别2。
实际应用中，还可利用余弦相似度矩阵确定相邻的任务集集合的余弦相似度，其中，余弦相似度矩阵的行与列均为任务集集合，行与列交叉点的数据即为相应任务集集合的余弦相似度。例如：任务集集合在各特征维度A、B、C、D、E、F经过离差标准化和Z分数标准化的数据如下：
Figure BDA0002055648180000101
Figure BDA0002055648180000111
其余弦相似度矩阵如下，其中a、b、c、d、e、f、g、h、j、y分别表示上表中排列的从[0,0.1]到(0.9,1]的10个区间：
a b c d e f g h j y
a 1.00 <u>0.96</u> 0.98 0.73 0.74 0.83 -0.04 0.03 0.82 -0.11
b 0.96 1.00 <u>0.90</u> 0.86 0.57 0.74 -0.30 -0.23 0.71 -0.23
c 0.98 0.90 1.00 <u>0.60</u> 0.84 0.86 0.14 0.22 0.69 -0.03
d 0.73 0.86 0.60 1.00 <u>0.30</u> 0.62 -0.60 -0.57 0.58 -0.09
e 0.74 0.57 0.84 0.30 1.00 <u>0.93</u> 0.57 0.61 0.44 0.48
f 0.83 0.74 0.86 0.62 0.93 1.00 <u>0.25</u> 0.29 0.32 0.45
g -0.04 -0.30 0.14 -0.60 0.57 0.25 1.00 <u>1.00</u> 0.23 0.55
h 0.03 -0.23 0.22 -0.57 0.61 0.29 1.00 1.00 <u>0.81</u> 0.49
j 0.82 0.71 0.69 0.58 0.44 0.32 0.23 0.81 1.00 <u>0.81</u>
y -0.11 -0.23 -0.03 -0.09 0.48 0.45 0.55 0.49 0.81 1.00
可以理解，上表中标注下划线的数据即为所需的相邻任务集集合之间的余弦相似度，即[0,0.1]与(0.1,0.2](以下暂以标记维度数据区间指代任务集集合)的余弦相似度为0.96，(0.1,0.2]与(0.2,0.3]的余弦相似度为0.9，(0.2,0.3]与(0.3,0.4]的余弦相似度为0.6，(0.3,0.4]与(0.4,0.5]的余弦相似度为0.3，(0.4,0.5]与(0.5,0.6]的余弦相似度为0.93，(0.5,0.6]与(0.6,0.7]的余弦相似度为0.25，(0.6,0.7]与(0.7,0.8]的余弦相似度为1，(0.7,0.8]与(0.8,0.9]的余弦相似度为0.81，(0.8,0.9]与(0.9,1]的余弦相似度为0.81。若预设阈值为0.35，则可将[0,0.1]、(0.1,0.2]、(0.2,0.3]和(0.3,0.4]确定为类别1，将(0.4,0.5]、(0.5,0.6]确定为类别2，将(0.6,0.7]、(0.7,0.8]、(0.8,0.9]和(0.9,1]确定为类别3。
步骤S104：将同一类别的任务集集合对应的标记维度数据区间合并为一个目标区间，在每一目标区间设置独立的执行策略。
由于步骤S103仅针对相邻的标记维度数据区间聚类，因此可将同一类别的任务集集合对应的标记维度数据区间合并为一个连续区间，即应具有相同执行策略的目标区间。上述合并还可以涵盖某一类别仅含有一个标记维度数据区间的情形，此时对该标记维度数据区间合并的结果为其自身。在上例中，可将类别1的[0,0.1]、(0.1,0.2]、(0.2,0.3]和(0.3,0.4]合并为[0,0.4]，将类别2的(0.4,0.5]、(0.5,0.6]合并为(0.4,0.6]，将类别3的(0.6,0.7]、(0.7,0.8]、(0.8,0.9]和(0.9,1]合并为(0.6,1]，即标记维度数据区间[0,0.4]内数据规律相似，(0.4,0.6]内数据规律相似，(0.6,1]内数据规律相似，[0,0.4]、(0.4,0.6]和(0.6,1]即为所需的目标区间。此时，可分别为每一目标区间设置独立的执行策略(一般来说，不同目标区间的执行策略不同且不存在依赖关系)。示例性地，在第一场景中，执行策略可以是：以合格率、产品类型、产品重要性指数、产品平均制造成本、产品平均制造时间等为自变量，以处置方式和处置方式的具体规则(例如，处置方式为复检时的产品抽样率)为因变量的函数。执行策略的具体形式与应用环境密切相关，在此不再赘述。
需要说明的是，上述预设阈值可通过以下方式确定：选取多个阈值进行聚类，将组内方差较小并且组间方差较大的阈值确定为最终使用的阈值。此外，以上各表中的数据仅为示例，未必是真实数据。
以下将说明本发明在互联网技术领域赔付策略设置中的实施例。具体地，在互联网技术领域，用户提交订单并完成支付之后，服务方可能会因产品或服务发生问题除退还用户的实付金额(即订单的实际支付金额)之外，额外进行赔付，因此需要预先设置对应于不同实付金额区间的赔付策略。可以理解，赔付策略可以是用于计算赔付金额或赔付比例(即赔付金额与实付金额之比)的函数。
具体应用中，为了简化赔付逻辑，可确定数量较少的实付金额区间来分别设置赔付策略，这就需要从赔付订单(即后期发生过赔付行为的订单)数据中确定具有类似赔付规律的实付金额区间进行合并。同时，进行合并时，首先需将赔付订单集合(即对应于一个实付金额区间的赔付订单组成的集合)按照实付金额区间排序，之后针对相邻的赔付订单集合进行聚类。
例如，排序后的赔付订单集合依次为：k(实付金额区间为0到5元)、p(实付金额区间为5到10元)、q(实付金额区间为10到50元)、r(实付金额区间为50到100元)、s(实付金额区间为100到200元)……t(实付金额区间为10000元以上)，此时需要进行相邻聚类，即在符合条件时，只能将相邻的k、p，或者p、q，或者k、p、q确定为同一类别(一个赔付订单集合也可作为一个独立类别)，不相邻的赔付订单集合一般不作为同一类别，如k和t一般不会确定为同一类别，这是因为k和t的实付金额较为悬殊，赔付规律差异较大。在上述场景中，只有实付金额相邻的赔付订单集合才具有类似规律，才有聚类价值。
可以看到，在本实施例中，任务集为赔付订单，任务集集合为赔付订单集合，执行策略为赔付策略，标记维度可以是实付金额。以下为本实施例中设置赔付策略的具体步骤：
1.获取多个赔付订单集合；其中，每一赔付订单集合包括实付金额处于同一区间的多个赔付订单，不同的赔付订单集合对应的实付金额区间互斥，每一赔付订单集合具有至少一个特征维度的数据。
在本实施例中，可选取以下与赔付相关的维度作为特征维度：赔付订单中产品的类别、产品折扣、赔付金额、赔付比例、赔付场景(例如因产品质量问题或者配送问题导致赔付，二者即对应不同的赔付场景)、赔付订单中用户的赔付频率(预设历史时间段内的单位赔付次数，如过去一年内每月向用户赔付1次)、赔付订单中用户的赔付平均值(预设历史时间段内的单位赔付金额，如过去一年内每月向用户赔付10元)以及赔付订单中用户的性别等。
此外，可利用前述方法针对离散取值的特征维度计算证据权重值以实现数值化，在获得证据权重值之后，对于任一赔付订单集合与任一离散取值的特征维度，可计算该赔付订单集合中各赔付订单在该特征维度的证据权重值(即根据赔付订单在该特征维度的数据转换得到的证据权重值)的平均值，将该平均值确定为该赔付订单集合在该特征维度的数据。同样地，对于任一赔付订单集合与任一连续取值的特征维度，可计算该赔付订单集合中各赔付订单在该特征维度的数据的平均值，并将该平均值确定为该赔付订单集合在该特征维度的数据。示例性地，以上平均值可以是算数平均值或者几何平均值。之后，可依据前述方法在每一特征维度内执行离差标准化，针对全部赔付订单集合和全部特征维度执行Z分数标准化。可以理解的是，上述标准化过程也可在后续的排序步骤之后进行。
2.将多个赔付订单集合根据实付金额区间的数值大小进行排序。
具体地，实付金额区间的数值可以是实付金额区间的任一数据，例如上界、下界、中位数据或者上界与下界的平均值。在本步骤中，可根据赔付订单集合对应的实付金额区间的数值大小以升序或降序方式进行排序，排序后的赔付订单集合可用于后续的相邻聚类。
3.在排序后的赔付订单集合中，获取任一赔付订单集合与其相邻的赔付订单集合在特征维度的聚类评价指数，将聚类评价指数符合预设判别条件的赔付订单集合确定为同一类别。
较佳地，聚类评价指数可以是相似度或数据距离。在本发明实施例中，可利用排序后的赔付订单集合中经过离差标准化、Z分数标准化的数据计算相邻的赔付订单集合之间的余弦相似度，在余弦相似度符合判别条件时，将二者确定为同一类别。可以理解，判别条件可根据业务需求预先配置，例如可配置为：余弦相似度大于或等于预设阈值。相应地，若选取数据距离作为聚类评价指数，则判别条件可配置为：数据距离小于或等于预设距离。
4.将同一类别的赔付订单集合对应的实付金额区间合并为一个目标区间，在每一目标区间设置独立的赔付策略。
在本实施例中，由于仅针对相邻的实付金额区间聚类，因此可将同一类别的赔付订单集合对应的实付金额区间合并为一个连续区间，即应具有相同赔付策略的目标区间。上述合并还可以涵盖某一类别仅含有一个实付金额区间的情形，此时对该实付金额区间合并的结果为其自身。最后，可分别为每一目标区间设置独立的赔付策略(一般来说，不同目标区间的赔付策略不同且不存在依赖关系)。示例性地，赔付策略可以是：以实付金额、产品类别和赔付场景为自变量，以赔付金额或赔付比例为因变量的函数。这样，即完成本实施例的执行策略设置。
需要说明的是，以上说明涉及到的工业产品处置场景和赔付场景只是应用本发明方法的示例，并不对本发明的适用范围与使用场景形成任何限制。
通过以上步骤，即完成基于相似度或数据距离的相邻聚类。可以看到，在本发明实施例的技术方案中，依据标记维度数据区间的数值大小对任务集集合排序之后，分别计算相邻的任务集集合在特征维度的相似度或数据距离，从而判断二者是否具有类似的数据规律，进而决定是否确定为同一类别，这样即可实现任务集集合的相邻聚类，有助于后续的执行策略设置。此外，对于离散取值的特征维度，本发明可对其每一取值进行证据权重编码，由此实现了离散取值的定量计算，进而提升聚类准确性。
需要说明的是，对于前述的各方法实施例，为了便于描述，将其表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，某些步骤事实上可以采用其它顺序进行或者同时进行。此外，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是实现本发明所必须的。
为便于更好的实施本发明实施例的上述方案，下面还提供用于实施上述方案的相关装置。
请参阅图2所示，本发明实施例提供的执行策略设置装置200用于将多个任务集集合确定为至少一个类别并为每一类别设置执行策略；其中，所述任务集集合具有标记维度和特征维度的数据；所述装置200可包括：准备单元201、排序单元202、聚类单元203和策略设置单元204。
其中，准备单元201可用于获取多个任务集集合；其中，每一任务集集合中包括标记维度数据处于同一区间的多个任务集，不同的任务集集合对应的标记维度数据区间互斥，每一任务集集合具有至少一个特征维度的数据。排序单元202可用于将所述多个任务集集合根据标记维度数据区间的数值大小进行排序。聚类单元203可用于：在排序后的任务集集合中，获取任一任务集集合与其相邻的任务集集合在所述特征维度的聚类评价指数，将聚类评价指数符合预设判别条件的任务集集合确定为同一类别；其中，所述聚类评价指数包括：相似度或数据距离。策略设置单元204可用于将同一类别的任务集集合对应的标记维度数据区间合并为一个目标区间，在每一目标区间设置独立的执行策略。
在本发明实施例中，所述装置200可进一步包括预处理单元，其可用于：在获取所述聚类评价指数之前：将任务集在任一离散取值的特征维度的数据转换为证据权重值，将任一任务集集合中任务集在该特征维度的所述证据权重值的平均值确定为该任务集集合在该特征维度的数据，并将所述多个任务集集合在该特征维度的数据在该特征维度内进行离差标准化；将任一任务集集合中任务集在任一连续取值的特征维度的数据的平均值确定为该任务集集合在该特征维度的数据，并将所述多个任务集集合在该特征维度的数据在该特征维度内进行离差标准化；以及，将所述多个任务集集合在全部特征维度的、经过离差标准化的数据进行Z分数标准化。
作为一个优选方案，聚类单元203可进一步用于：利用任一任务集集合在全部特征维度经过Z分数标准化的数据、以及其相邻的任务集集合在全部特征维度经过Z分数标准化的数据，确定该任一任务集集合与其相邻的任务集集合的相似度；以及，所述判别条件可包括：相似度不小于预设阈值。
此外，在本发明实施例中，所述排序包括：升序排列或降序排列；所述相似度可包括：余弦相似度、杰卡德相似度、皮尔逊相关系数或调整余弦相似度；所述数据距离可包括：欧氏距离、曼哈顿距离或明可夫斯基距离。
通过以上步骤，即完成基于相似度或数据距离的相邻聚类。可以看到，在本发明实施例的技术方案中，依据标记维度数据区间的数值大小对任务集集合排序之后，分别计算相邻的任务集集合在特征维度的相似度或数据距离，从而判断二者是否具有类似的数据规律，进而决定是否确定为同一类别，这样即可实现任务集集合的相邻聚类，有助于后续的执行策略设置。此外，对于离散取值的特征维度，本发明可对其每一取值进行证据权重编码，由此实现了离散取值的定量计算，进而提升聚类准确性。
图3示出了可以应用本发明实施例的执行策略设置方法或执行策略设置装置的示例性系统架构300。
如图3所示，系统架构300可以包括终端设备301、302、303，网络304和服务器305(此架构仅仅是示例，具体架构中包含的组件可以根据申请具体情况调整)。网络304用以在终端设备301、302、303和服务器305之间提供通信链路的介质。网络304可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备301、302、303通过网络304与服务器305交互，以接收或发送消息等。终端设备301、302、303上可以安装有各种通讯客户端应用，例如用于设置执行策略的应用等(仅为示例)。
终端设备301、302、303可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器305可以是提供各种服务的服务器，例如对用户利用终端设备301、302、303所操作的用于设置执行策略的应用提供支持的运算服务器(仅为示例)。运算服务器可以对接收到的聚类请求进行处理，并将处理结果(例如聚类结果--仅为示例)反馈给终端设备301、302、303。
需要说明的是，本发明实施例所提供的执行策略设置方法一般由服务器305执行，相应地，执行策略设置装置一般设置于服务器305中。
应该理解，图3中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
本发明还提供了一种电子设备。本发明实施例的电子设备包括：一个或多个处理器；存储装置，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，使得所述一个或多个处理器实现本发明所提供的执行策略设置方法。
下面参考图4，其示出了适于用来实现本发明实施例的电子设备的计算机系统400的结构示意图。图4示出的电子设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图4所示，计算机系统400包括中央处理单元(CPU)401，其可以根据存储在只读存储器(ROM)402中的程序或者从存储部分408加载到随机访问存储器(RAM)403中的程序而执行各种适当的动作和处理。在RAM403中，还存储有计算机系统400操作所需的各种程序和数据。CPU401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。
以下部件连接至I/O接口405：包括键盘、鼠标等的输入部分406；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分407；包括硬盘等的存储部分408；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分409。通信部分409经由诸如因特网的网络执行通信处理。驱动器410也根据需要连接至I/O接口405。可拆卸介质411，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器410上，以便从其上读出的计算机程序根据需要被安装入存储部分408。
特别地，根据本发明公开的实施例，上文的主要步骤图描述的过程可以被实现为计算机软件程序。例如，本发明实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行主要步骤图所示的方法的程序代码。在上述实施例中，该计算机程序可以通过通信部分409从网络上被下载和安装，和/或从可拆卸介质411被安装。在该计算机程序被中央处理单元401执行时，执行本发明的系统中限定的上述功能。
需要说明的是，本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。在本发明中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这根据所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括准备单元、排序单元、聚类单元和策略设置单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，排序单元还可以被描述为“向聚类单元提供排序后的任务集集合的单元”。
作为另一方面，本发明还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中的。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该设备执行时，使得该设备执行的步骤包括：获取多个任务集集合；其中，每一任务集集合中包括标记维度数据处于同一区间的多个任务集，不同的任务集集合对应的标记维度数据区间互斥，每一任务集集合具有至少一个特征维度的数据；将所述多个任务集集合根据标记维度数据区间的数值大小进行排序；在排序后的任务集集合中，获取任一任务集集合与其相邻的任务集集合在所述特征维度的聚类评价指数，将聚类评价指数符合预设判别条件的任务集集合确定为同一类别；其中，所述聚类评价指数包括：相似度或数据距离；以及，将同一类别的任务集集合对应的标记维度数据区间合并为一个目标区间，在每一目标区间设置独立的执行策略。
通过以上步骤，即完成基于相似度或数据距离的相邻聚类。可以看到，在本发明实施例的技术方案中，依据标记维度数据区间的数值大小对任务集集合排序之后，分别计算相邻的任务集集合在特征维度的相似度或数据距离，从而判断二者是否具有类似的数据规律，进而决定是否确定为同一类别，这样即可实现任务集集合的相邻聚类，有助于后续的执行策略设置。此外，对于离散取值的特征维度，本发明可对其每一取值进行证据权重编码，由此实现了离散取值的定量计算，进而提升聚类准确性。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，取决于设计要求和其他因素，可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (10)

1.一种执行策略设置方法，用于将多个任务集集合确定为至少一个类别并为每一类别设置执行策略；其中，所述任务集集合具有标记维度和特征维度的数据；其特征在于，所述方法包括：
获取多个任务集集合；其中，每一任务集集合中包括标记维度数据处于同一区间的多个任务集，不同的任务集集合对应的标记维度数据区间互斥，每一任务集集合具有至少一个特征维度的数据；
将所述多个任务集集合根据标记维度数据区间的数值大小进行排序；
在排序后的任务集集合中，获取任一任务集集合与其相邻的任务集集合在所述特征维度的聚类评价指数，将聚类评价指数符合预设判别条件的任务集集合确定为同一类别；其中，所述聚类评价指数包括：相似度或数据距离；以及，
将同一类别的任务集集合对应的标记维度数据区间合并为一个目标区间，在每一目标区间设置独立的执行策略。
2.根据权利要求1所述的方法，其特征在于，所述方法进一步包括：
在获取所述聚类评价指数之前：
将任务集在任一离散取值的特征维度的数据转换为证据权重值，将任一任务集集合中任务集在该特征维度的所述证据权重值的平均值确定为该任务集集合在该特征维度的数据，并将所述多个任务集集合在该特征维度的数据在该特征维度内进行离差标准化；
将任一任务集集合中任务集在任一连续取值的特征维度的数据的平均值确定为该任务集集合在该特征维度的数据，并将所述多个任务集集合在该特征维度的数据在该特征维度内进行离差标准化；以及，
将所述多个任务集集合在全部特征维度的、经过离差标准化的数据进行Z分数标准化。
3.根据权利要求2所述的方法，其特征在于，所述获取任一任务集集合与其相邻的任务集集合在所述特征维度的聚类评价指数，具体包括：
利用任一任务集集合在全部特征维度经过Z分数标准化的数据、以及其相邻的任务集集合在全部特征维度经过Z分数标准化的数据，确定该任一任务集集合与其相邻的任务集集合的相似度；以及，
所述判别条件包括：相似度不小于预设阈值。
4.根据权利要求1-3任一所述的方法，其特征在于，
所述排序包括：升序排列或降序排列；
所述相似度包括：余弦相似度、杰卡德相似度、皮尔逊相关系数或调整余弦相似度；以及，
所述数据距离包括：欧氏距离、曼哈顿距离或明可夫斯基距离。
5.一种执行策略设置装置，用于将多个任务集集合确定为至少一个类别并为每一类别设置执行策略；其中，所述任务集集合具有标记维度和特征维度的数据；其特征在于，所述装置包括：
准备单元，用于获取多个任务集集合；其中，每一任务集集合中包括标记维度数据处于同一区间的多个任务集，不同的任务集集合对应的标记维度数据区间互斥，每一任务集集合具有至少一个特征维度的数据；
排序单元，用于将所述多个任务集集合根据标记维度数据区间的数值大小进行排序；
聚类单元，用于：在排序后的任务集集合中，获取任一任务集集合与其相邻的任务集集合在所述特征维度的聚类评价指数，将聚类评价指数符合预设判别条件的任务集集合确定为同一类别；其中，所述聚类评价指数包括：相似度或数据距离；以及，
策略设置单元，用于将同一类别的任务集集合对应的标记维度数据区间合并为一个目标区间，在每一目标区间设置独立的执行策略。
6.根据权利要求5所述的装置，其特征在于，所述装置进一步包括：
预处理单元，用于：在获取所述聚类评价指数之前：将任务集在任一离散取值的特征维度的数据转换为证据权重值，将任一任务集集合中任务集在该特征维度的所述证据权重值的平均值确定为该任务集集合在该特征维度的数据，并将所述多个任务集集合在该特征维度的数据在该特征维度内进行离差标准化；将任一任务集集合中任务集在任一连续取值的特征维度的数据的平均值确定为该任务集集合在该特征维度的数据，并将所述多个任务集集合在该特征维度的数据在该特征维度内进行离差标准化；以及，将所述多个任务集集合在全部特征维度的、经过离差标准化的数据进行Z分数标准化。
7.根据权利要求6所述的装置，其特征在于，聚类单元进一步用于：
利用任一任务集集合在全部特征维度经过Z分数标准化的数据、以及其相邻的任务集集合在全部特征维度经过Z分数标准化的数据，确定该任一任务集集合与其相邻的任务集集合的相似度；以及，所述判别条件包括：相似度不小于预设阈值。
8.根据权利要求5-7任一所述的装置，其特征在于，
所述排序包括：升序排列或降序排列；
所述相似度包括：余弦相似度、杰卡德相似度、皮尔逊相关系数或调整余弦相似度；以及，
所述数据距离包括：欧氏距离、曼哈顿距离或明可夫斯基距离。
9.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，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，使得所述一个或多个处理器实现如权利要求1-4中任一所述的方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1-4中任一所述的方法。
CN201910388546.1A 2019-05-10 2019-05-10 执行策略设置方法和装置 Pending CN111915115A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910388546.1A CN111915115A (zh) 2019-05-10 2019-05-10 执行策略设置方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910388546.1A CN111915115A (zh) 2019-05-10 2019-05-10 执行策略设置方法和装置

Publications (1)

Publication Number Publication Date
CN111915115A true CN111915115A (zh) 2020-11-10

Family

ID=73242663

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910388546.1A Pending CN111915115A (zh) 2019-05-10 2019-05-10 执行策略设置方法和装置

Country Status (1)

Country Link
CN (1) CN111915115A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113052269A (zh) * 2021-04-29 2021-06-29 上海德衡数据科技有限公司 智能协同识别方法、系统、设备及介质
CN113379348A (zh) * 2021-06-10 2021-09-10 北京京东振世信息技术有限公司 仓库任务合并方法、装置、电子设备和可读存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103164499A (zh) * 2012-04-12 2013-06-19 哈尔滨理工大学 一种产品规划中的订单聚类方法
CN107451673A (zh) * 2017-06-14 2017-12-08 北京小度信息科技有限公司 配送区域划分方法和装置
CN108073578A (zh) * 2016-11-07 2018-05-25 阿里巴巴集团控股有限公司 一种进行对象推荐的方法和系统
CN109003028A (zh) * 2018-07-17 2018-12-14 北京百度网讯科技有限公司 用于划分物流区域的方法和装置
CN109460778A (zh) * 2018-10-12 2019-03-12 中国平安人寿保险股份有限公司 活动评估方法、装置、电子设备及存储介质
CN109493101A (zh) * 2017-09-11 2019-03-19 北京京东尚科信息技术有限公司 目标品牌信息确定方法、装置、电子设备及存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103164499A (zh) * 2012-04-12 2013-06-19 哈尔滨理工大学 一种产品规划中的订单聚类方法
CN108073578A (zh) * 2016-11-07 2018-05-25 阿里巴巴集团控股有限公司 一种进行对象推荐的方法和系统
CN107451673A (zh) * 2017-06-14 2017-12-08 北京小度信息科技有限公司 配送区域划分方法和装置
CN109493101A (zh) * 2017-09-11 2019-03-19 北京京东尚科信息技术有限公司 目标品牌信息确定方法、装置、电子设备及存储介质
CN109003028A (zh) * 2018-07-17 2018-12-14 北京百度网讯科技有限公司 用于划分物流区域的方法和装置
CN109460778A (zh) * 2018-10-12 2019-03-12 中国平安人寿保险股份有限公司 活动评估方法、装置、电子设备及存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113052269A (zh) * 2021-04-29 2021-06-29 上海德衡数据科技有限公司 智能协同识别方法、系统、设备及介质
CN113379348A (zh) * 2021-06-10 2021-09-10 北京京东振世信息技术有限公司 仓库任务合并方法、装置、电子设备和可读存储介质

Similar Documents

Publication Publication Date Title
CN109344154B (zh) 数据处理方法、装置、电子设备及存储介质
CN110163457A (zh) 一种业务指标的异常定位方法和装置
CN112017042A (zh) 基于tweedie分布的资源配额确定方法、装置和电子设备
CN111724185A (zh) 用户维护方法和装置
CN111179055B (zh) 授信额度调整方法、装置和电子设备
CN111915115A (zh) 执行策略设置方法和装置
CN111738632B (zh) 设备控制方法、装置、电子设备和计算机可读介质
CN112016793B (zh) 基于目标用户群的资源分配方法、装置及电子设备
CN113159453A (zh) 资源数据预测方法、装置、设备及存储介质
CN114036921A (zh) 一种政策信息匹配方法和装置
CN112100291A (zh) 一种数据分箱的方法和装置
CN112463916A (zh) 计算机化竞争力分析
CN110837907B (zh) 一种预测波次订单量的方法和装置
CN111400440A (zh) 一种意图识别的方法及装置
WO2022218068A1 (zh) 素材投放方法、装置、设备和介质
CN112527851B (zh) 用户特征数据筛选方法、装置及电子设备
CN110852078A (zh) 生成标题的方法和装置
CN114330720A (zh) 用于云计算的知识图谱构建方法、设备及存储介质
CN111401935B (zh) 资源分配方法、装置及存储介质
CN112906723B (zh) 一种特征选择的方法和装置
CN114066513A (zh) 一种用户分类的方法和装置
CN112990311A (zh) 一种准入客户的识别方法和装置
CN113450208A (zh) 贷款风险变动预警、模型训练方法和装置
CN113554041B (zh) 一种对用户标记标签的方法和装置
CN111046894A (zh) 识别马甲账号的方法和装置

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