CN111932131B - 业务数据处理方法及装置 - Google Patents
业务数据处理方法及装置 Download PDFInfo
- Publication number
- CN111932131B CN111932131B CN202010806056.1A CN202010806056A CN111932131B CN 111932131 B CN111932131 B CN 111932131B CN 202010806056 A CN202010806056 A CN 202010806056A CN 111932131 B CN111932131 B CN 111932131B
- Authority
- CN
- China
- Prior art keywords
- service
- relationship
- relation
- graph
- ring network
- 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.)
- Active
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 18
- 238000004458 analytical method Methods 0.000 claims abstract description 75
- 238000012549 training Methods 0.000 claims description 33
- 238000012545 processing Methods 0.000 claims description 25
- 238000012706 support-vector machine Methods 0.000 claims description 20
- 238000013145 classification model Methods 0.000 claims description 15
- 238000000034 method Methods 0.000 claims description 14
- 238000012795 verification Methods 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 6
- 230000000977 initiatory effect Effects 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
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
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/288—Entity relationship models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
- G06F16/355—Class or cluster creation or modification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- 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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/55—Push-based network services
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Entrepreneurship & Innovation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Strategic Management (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Economics (AREA)
- Signal Processing (AREA)
- Game Theory and Decision Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Animal Behavior & Ethology (AREA)
- Computational Linguistics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例提供一种业务数据处理方法及装置,通过结合每个第一业务对象的业务关系圈网络,构建第一业务对象、与第一业务对象关联的第二业务对象以及业务事件之间的知识图谱,然后根据知识图谱的业务关系圈网络的业务关系类型相关的业务数据计算业务关系圈网络对应的业务分析属性,从而根据业务关系圈网络的业务关系类型和业务分析属性确定业务关系圈网络的第一业务推送等级和业务关系圈网络中每个第一业务对象的第二业务推送等级,能够有效提高业务推送等级的决策准确性,进而便于提高后续业务推送的准确性和针对性。
Description
技术领域
本申请涉及计算机技术领域,具体而言,涉及一种业务数据处理方法及装置。
背景技术
在业务信息的推送过程中,需要确定业务推送等级以有效区分不同形式的推送策略,从而提高推送的准确性和针对性。现有的衡量业务对象的业务推送等级的方案中,只研究了单个业务对象的自身业务数据情况,或者是与之存在关联的业务对象的业务指标维度,并没有考虑业务关系圈网络的整体结构带来的决策误差,从而影响业务推送等级的决策准确性,进而降低了业务推送的准确性和针对性。
发明内容
基于现有设计的不足,本申请提供一种业务数据处理方法及装置,能够有效提高业务推送等级的决策准确性,进而便于提高后续业务推送的准确性和针对性。
根据本申请的第一方面,提供一种业务数据处理方法,应用于服务器,所述方法包括:
获取待处理的业务数据,所述业务数据包括每个第一业务对象在业务关系圈网络的指标维度下的业务属性数据、与相关联的其它第一业务对象之间的第一关系业务数据以及与相关联的第二业务对象之间的第二关系业务数据,其中,所述业务关系圈网络用于表示同一业务关系圈下每个第一业务对象之间的关联关系;
根据所述待处理的业务数据构建所述第一业务对象、所述第二业务对象以及业务事件之间的知识图谱;
识别所述知识图谱的业务关系圈网络的业务关系类型,并根据所述业务关系圈网络相关的业务数据计算所述业务关系圈网络对应的业务分析属性;
根据所述业务关系圈网络的业务关系类型和业务分析属性确定所述业务关系圈网络的第一业务推送等级和所述业务关系圈网络中每个第一业务对象的第二业务推送等级。
在第一方面的一种可能的实施方式中,根据所述待处理的业务数据构建所述第一业务对象、所述第二业务对象以及业务事件之间的知识图谱的步骤,包括:
对所述待处理的业务数据进行数据处理,得到用于导入知识图谱模型的实体类型数据和关系类型数据;
将所述实体类型数据和关系类型数据导入到知识图谱模型中,构建所述第一业务对象、所述第二业务对象以及业务事件之间的知识图谱。
在第一方面的一种可能的实施方式中,所述对所述待处理的业务数据进行数据处理,得到用于导入知识图谱模型的实体类型数据和关系类型数据的步骤,包括:
从所述待处理的业务数据中确定每个实体类型以及每个实体类型的实体属性数据,并作为所述实体类型数据,其中,所述实体类型包括第一业务对象类型、第二业务对象类型以及业务事件类型;以及
从所述第一关系业务数据以及所述第二关系业务数据中确定每个关系类型、每个关系类型的关系起始节点和关系终止节点以及关系属性数据,并作为所述实体类型数据。
在第一方面的一种可能的实施方式中,所述识别所述知识图谱的业务关系圈网络的业务关系类型的步骤,包括:
遍历所述知识图谱的所有业务关系链,将所有业务关系链形成的业务关系圈网络分别输入到训练完成的图核算法模型,计算得到所述业务关系圈网络对应的直积图;
将所述直积图导入到支持向量机的分类模型中,得到所述知识图谱的业务关系圈网络的业务关系类型。
在第一方面的一种可能的实施方式中,所述支持向量机的分类模型通过以下方式训练得到:
获得不同业务关系类型的训练样本,作为训练样本集输入到图核算法模型中,并配置所述图核算法模型对应的顶点的核函数和边的核函数,其中,所述训练样本为不同业务关系类型的业务关系圈网络,所述顶点用于表示所述业务关系圈网络中的每个关系类型的关系起始节点和关系终止节点,所述边用于表示两个节点之间的关系类型,所述顶点的核函数和边的核函数用于定义业务关系类型的相似性,所述顶点的核函数和边的核函数用于输出第一相似度数值和第二相似度数值,当两个顶点的标签一致时,该两个顶点的相似度为第一相似度数值,当两个顶点的标签不一致时,该两个顶点的相似度为第二相似度数值,当两条边分别属于两个不同子图,且两条边的两端的节点标签一致、边标签一致时,该两条边相似度为第一相似度数值,反之为第二相似度数值;
在图计算平台上,通过连通图算法,识别出所述不同业务关系类型的测试样本中所有业务关系链组成的子图;
计算每个业务关系链组成的源子图与训练样本的直积图,直积图用于表示由两个源子图生成一个新图的操作图,所述新图的顶点为两个源子图的积,对于第一子图和第二子图,每个子图各取一个顶点形成全排列组合;
根据所述顶点的核函数和边的核函数,计算所述新图中每个顶点和每条边的权重,其中,所述新图中的顶点的权重由比较两个源顶点得到,所述新图中的边的权重由比较两个源边得到;
在所述直积图中计算两个源子图的相似度,得到所有训练样本之间的相似度,得到对应的相似度矩阵结果,并将所述相似度矩阵结果导入支持向量机分类器进行训练,获得支持向量机的分类模型。
在第一方面的一种可能的实施方式中,所述根据所述业务关系圈网络相关的业务数据计算所述业务关系圈网络对应的业务分析属性的步骤,包括:
根据所述业务关系圈网络相关的与业务规模指标对应的业务数据确定所述业务关系圈网络对应的业务规模分析属性,所述业务规模分析属性包括所述业务关系圈网络包含的第一服务对象数量、业务事件产生数量、业务统计数值中的至少一种;
根据所述业务关系圈网络相关的与业务结构指标对应的业务数据确定所述业务关系圈网络对应的业务结构分析属性,所述业务结构分析属性包括所述业务关系圈网络的拓扑结构、业务统计比例、关系密度中的至少一种;
根据所述业务关系圈网络相关的与业务触发指标对应的业务数据确定所述业务关系圈网络对应的业务触发分析属性,所述业务触发分析属性包括所述业务关系圈网络内的业务触发事件以及业务触发事件的业务统计数值。
在第一方面的一种可能的实施方式中,所述根据所述业务关系圈网络的业务关系类型和业务分析属性确定所述业务关系圈网络的第一业务推送等级和所述业务关系圈网络中每个第一业务对象的第二业务推送等级的步骤,包括:
将所述业务关系圈网络的业务分析属性与每个第一预设业务推送等级对应的等级规则下的属性匹配条件进行匹配,获得所述业务关系圈网络的第一初始业务推送等级;
根据所述业务关系圈网络的业务关系类型所对应的调整规则对所述第一初始业务推送等级进行调整,得到所述业务关系圈网络的第一业务推送等级;以及
根据所述业务关系圈网络的业务分析属性确定所述业务关系圈网络中每个第一业务对象的对象分析属性,并将所述每个第一业务对象的对象分析属性与每个等级调整规则下的属性匹配条件进行匹配,获得所述每个第一业务对象的第二业务推送等级。
根据本申请的第二方面,提供一种业务数据处理装置,应用于服务器,所述装置包括:
获取模块,用于获取待处理的业务数据,所述业务数据包括每个第一业务对象在业务关系圈网络的指标维度下的业务属性数据、与相关联的其它第一业务对象之间的第一关系业务数据以及与相关联的第二业务对象之间的第二关系业务数据,其中,所述业务关系圈网络用于表示同一业务关系圈下每个第一业务对象之间的关联关系;
构建模块,用于根据所述待处理的业务数据构建所述第一业务对象、所述第二业务对象以及业务事件之间的知识图谱;
识别计算模块,用于识别所述知识图谱的业务关系圈网络的业务关系类型,并根据所述业务关系圈网络相关的业务数据计算所述业务关系圈网络对应的业务分析属性;
确定模块,用于根据所述业务关系圈网络的业务关系类型和业务分析属性确定所述业务关系圈网络的第一业务推送等级和所述业务关系圈网络中每个第一业务对象的第二业务推送等级。
基于上述任一方面,本申请通过结合每个第一业务对象的业务关系圈网络,构建第一业务对象、与第一业务对象关联的第二业务对象以及业务事件之间的知识图谱,然后根据知识图谱的业务关系圈网络的业务关系类型相关的业务数据计算业务关系圈网络对应的业务分析属性,从而根据业务关系圈网络的业务关系类型和业务分析属性确定业务关系圈网络的第一业务推送等级和业务关系圈网络中每个第一业务对象的第二业务推送等级,能够有效提高业务推送等级的决策准确性,进而便于提高后续业务推送的准确性和针对性。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1示出了本申请实施例所提供的业务数据处理方法的流程示意图;
图2示出了本申请实施例所提供的业务数据处理装置的功能模块示意图;
图3示出了本申请实施例所提供的用于执行上述的业务数据处理方法的服务器的组件结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,应当理解,本申请中附图仅起到说明和描述的目的,并不用于限定本申请的保护范围。另外,应当理解,示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了根据本申请实施例的一些实施例实现的操作。应该理解,流程图的操作可以不按顺序实现,没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外,本领域技术人员在本申请内容的指引下,可以向流程图添加一个或多个其它操作,也可以从流程图中移除一个或多个操作。
图1示出了本申请实施例提供的业务数据处理方法的流程示意图,应当理解,在其它实施例中,本实施例的业务数据处理方法其中部分步骤的顺序可以根据实际需要相互交换,或者其中的部分步骤也可以省略或删除。该业务数据处理方法的详细步骤介绍如下。
步骤S110,获取待处理的业务数据。
步骤S120,根据待处理的业务数据构建第一业务对象、第二业务对象以及业务事件之间的知识图谱。
步骤S130,识别知识图谱的业务关系圈网络的业务关系类型,并根据业务关系圈网络相关的业务数据计算业务关系圈网络对应的业务分析属性。
步骤S140,根据业务关系圈网络的业务关系类型和业务分析属性确定业务关系圈网络的第一业务推送等级和业务关系圈网络中每个第一业务对象的第二业务推送等级。
本实施例中,业务数据具体可以包括每个第一业务对象在业务关系圈网络的指标维度下的业务属性数据、与相关联的其它第一业务对象之间的第一关系业务数据以及与相关联的第二业务对象之间的第二关系业务数据。其中,业务关系圈网络可以用于表示同一业务关系圈下每个第一业务对象之间的关联关系。
例如,假设第一业务对象为企业,第二业务对象为自然人,业务关系圈网络为基于金融担保业务的业务关系圈网络,那么业务关系圈网络的指标维度可以理解为与金融担保业务相关的指标维度。
基于此,每个第一业务对象在业务关系圈网络的指标维度下的业务属性数据可以是,但不限于:企业的基本工商信息、工商事件、司法事件、逾期事件、担保合同数据、贷款数据等。每个第一业务对象与相关联的其它第一业务对象之间的第一关系业务数据可以是,但不限于:企业间的持股关系、分支关系和担保关系等。每个第一业务对象与相关联的第二业务对象之间的第二关系业务数据可以是,但不限于:自然人和企业之间的任职关系、持股关系等。
示例性地,企业基本工商信息可以包括,但不限于:企业名称、统一社会信用代码、注册号、注册资本(万元)、成立日期、净资产(万元)等,可以从企业信用信息公示网、客户信息数据库等获取。企业股权数据可以包括,但不限于:企业名称、股东名称、出资金额、出资比例等。企业分支机构数据可以包括,但不限于:企业名称、分支机构名称。企业信用信息公示网,企业高管任职数据可以包括,但不限于:企业名称、任职人员姓名、身份证号、职位,企业裁判文书数据可以包括,但不限于:企业名称、角色、立案时间、案由、案件正文,担保合同数据可以包括,但不限于:企业名称、担保合同号、担保人、被担保人、担保金额(万元)、合同起止时间,贷款逾期数据可以包括,但不限于:企业名称、还款到期时间、未还款金额,纳税非正常户数据可以包括,但不限于:企业名称、列入日期,涉税处罚数据可以包括,但不限于:企业名称、处罚日期。企业工商事件数据可以包括,但不限于:企业名称、发生日期、事件类型。
基于上述步骤,本实施例通过结合每个第一业务对象的业务关系圈网络,构建第一业务对象、与第一业务对象关联的第二业务对象以及业务事件之间的知识图谱,然后根据知识图谱的业务关系圈网络的业务关系类型相关的业务数据计算业务关系圈网络对应的业务分析属性,从而根据业务关系圈网络的业务关系类型和业务分析属性确定业务关系圈网络的第一业务推送等级和业务关系圈网络中每个第一业务对象的第二业务推送等级,能够有效提高业务推送等级的决策准确性,进而便于提高后续业务推送的准确性和针对性。
在一种可能的实施方式中,针对步骤S120而言,可以通过以下示例性的子步骤来实现,详细描述如下。
子步骤S121,对待处理的业务数据进行数据处理,得到用于导入知识图谱模型的实体类型数据和关系类型数据。
子步骤S122,将实体类型数据和关系类型数据导入到知识图谱模型中,构建第一业务对象、第二业务对象以及业务事件之间的知识图谱。
示例性地,在子步骤S121中,可以从待处理的业务数据中确定每个实体类型以及每个实体类型的实体属性数据,并作为实体类型数据。其中,实体类型可以包括第一业务对象类型、第二业务对象类型以及业务事件类型。
例如,以前述示例为例,实体类型可以包括企业、自然人以及事件。对应企业实体类型而言,其实体属性数据可以包括,但不限于:企业、企业名称、统一社会信用代码、注册号、总资产、净资产、负债率、企业风险等级等。对于自然人实体类型而言,其实体属性数据可以包括,但不限于:姓名。对于事件实体类型而言,其实体属性数据可以包括,但不限于:事件类型、事件发生时间等。
在另一种方式中,可以从第一关系业务数据以及第二关系业务数据中确定每个关系类型、每个关系类型的关系起始节点和关系终止节点以及关系属性数据,并作为实体类型数据。
例如,以前述示例为例,关系类型可以包括,但不限于:持股关系类型、分支机构关系类型、任职关系类型、担保关系类型、发生事件关系类型等。持股关系类型的关系起始节点和关系终止节点可以是企业到自然人,也可以是自然人到企业,关系属性数据可以是,但不限于:持股比例。分支机构的关系类型的关系起始节点和关系终止节点可以是企业到企业,关系属性数据可以为空。任职关系类型的关系起始节点和关系终止节点可以是自然人到企业,关系属性数据可以是,但不限于:职位。担保关系类型的关系起始节点和关系终止节点可以是企业到企业,或者自然人到企业,关系属性数据可以是,但不限于:担保开始日期、担保结束日期、贷款状态、贷款五级分类、贷款逾期天数、贷款金额等。发生事件关系类型的关系起始节点和关系终止节点可以是企业到事件,关系属性数据为空。
如此,在构建用于导入知识图谱模型的实体类型数据和关系类型数据后,即可将实体类型数据和关系类型数据导入到知识图谱模型中,从而构建第一业务对象、第二业务对象以及业务事件之间的知识图谱。
在此基础上,针对步骤S130而言,可以通过以下示例性的子步骤来实现,详细描述如下。
子步骤S131,遍历知识图谱的所有业务关系链,将所有业务关系链形成的业务关系圈网络分别输入到训练完成的图核算法模型,计算得到业务关系圈网络对应的直积图。
子步骤S132,将直积图导入到支持向量机的分类模型中,得到知识图谱的业务关系圈网络的业务关系类型。
作为一种可能的示例,上述的支持向量机的分类模型可以通过以下方式训练得到,具体描述如下。
(1)获得不同业务关系类型的训练样本,作为训练样本集输入到图核算法模型中,并配置图核算法模型对应的顶点的核函数和边的核函数。
其中,训练样本可以为不同业务关系类型的业务关系圈网络,顶点用于表示业务关系圈网络中的每个关系类型的关系起始节点和关系终止节点,边用于表示两个节点之间的关系类型。例如,训练样本可以为一般担保、简单互保、连环担保、循环担保、联合担保、交叉担保、金字塔式担保、复杂担保的样本。示例性地,一般担保可以是指两企业间有且仅有一条担保关系。简单互保可以是指两企业互相担保。连环担保可以是指多个(例如,大于等于3)企业间形成单向担保链,且无循环。循环担保可以是指多个(例如,大于等于3)企业间形成单向闭环图。联合担保可以是指多个(例如,大于等于3)企业两两互相担保。交叉担保可以是指在连环担保的基础上,企业越过相邻企业为其他企业提供担保。金字塔式担保可以是指以集团为担保模式。复杂担保可以是指担保网络内节点数大于等于4的非上述模式网络。
其中,顶点的核函数和边的核函数用于定义业务关系类型的相似性,顶点的核函数和边的核函数用于输出第一相似度数值和第二相似度数值。可以理解,当两个顶点的标签一致时,该两个顶点的相似度为第一相似度数值;当两个顶点的标签不一致时,该两个顶点的相似度为第二相似度数值;当两条边分别属于两个不同子图,且两条边的两端的节点标签一致、边标签一致时,该两条边相似度为第一相似度数值,反之为第二相似度数值。
例如,假设第一相似度数值为1,第二相似度数值为0。即,该两个顶点的标签一致时,该两个顶点的相似度为1,反之为0。当两条边分别属于两个不同子图,且两条边的两端的节点标签一致、边标签一致时,该两条边相似度为1,反之为0。
(2)在图计算平台上,通过连通图算法,识别出不同业务关系类型的测试样本中所有业务关系链组成的子图。
(3)计算每个业务关系链组成的源子图与训练样本的直积图(Product Graph),直积图可以用于表示由两个源子图生成一个新图的操作图,新图的顶点为两个源子图的积,对于第一子图和第二子图,每个子图各取一个顶点形成全排列组合。
例如,在新图中,每个节点落以源节点的组合来命名,在新图中可以分别任意取两个顶点,如第一顶点和第二顶点,第一顶点包括第一顶点横坐标和第一顶点纵坐标,第二顶点包括第二顶点横坐标和第二顶点纵坐标。当在第一子图中的第一顶点横坐标和第二顶点横坐标相邻、且在第二子图中的第一顶点纵坐标和第二顶点纵坐标相邻;或在第一子图中的第一顶点横坐标和第二顶点纵坐标相邻、且在第二子图中的第一顶点纵坐标和第二顶点横坐标相邻时,则可以在新图中连接第一顶点和第二顶点。
(4)根据顶点的核函数和边的核函数,计算新图中每个顶点和每条边的权重。
其中,新图中的顶点的权重由比较两个源顶点得到,新图中的边的权重由比较两个源边得到。
(5)在直积图中计算两个源子图的相似度,得到所有训练样本之间的相似度,得到对应的相似度矩阵结果,并将相似度矩阵结果导入支持向量机分类器进行训练,获得支持向量机的分类模型。
本实施例中,可以在直积图上通过不断扩展的方法,对从直积图中选定的节点团体计算核函数结果。例如,可以从一个空的团C开始,每一步向团C增加一个顶点,团C的权重W也随着更新,初始值W=1,可以首先根据每次新增加的顶点的权重更新,然后再通过连接该顶点的所有边的权重更新。在每一次扩展当前团时,可以不考虑已经扩展过的顶点。当直积图上的所有点都在当前团中时,则停止扩展,由此得到最终的核函数值即为两个源子图的相似度。
在一种可能的实施方式中,仍旧针对步骤S130,在根据业务关系圈网络相关的业务数据计算业务关系圈网络对应的业务分析属性的过程中,可以通过以下示例性的子步骤来实现,详细描述如下。
子步骤S133,根据业务关系圈网络相关的与业务规模指标对应的业务数据确定业务关系圈网络对应的业务规模分析属性。
本实施例中,业务规模分析属性可以包括业务关系圈网络包含的第一服务对象数量、业务事件产生数量、业务统计数值中的至少一种。例如,可以包括担保圈内的企业个数、担保圈内贷款笔数、担保圈总贷款余额等。
子步骤S134,根据业务关系圈网络相关的与业务结构指标对应的业务数据确定业务关系圈网络对应的业务结构分析属性。
本实施例中,业务结构分析属性可以包括业务关系圈网络的拓扑结构、业务统计比例、关系密度中的至少一种。例如,可以包括担保圈拓扑结构、资产负债率、总体担保率、担保圈关系密度等。
子步骤S135,根据业务关系圈网络相关的与业务触发指标对应的业务数据确定业务关系圈网络对应的业务触发分析属性。
本实施例中,业务触发分析属性可以包括业务关系圈网络内的业务触发事件以及业务触发事件的业务统计数值。例如,可以包括担保圈内不良贷款余额、担保圈内企业涉税事件、担保圈内发生不良贷款事件等。
在一种可能的实施方式中,针对步骤S140而言,可以通过以下示例性的子步骤来实现,详细描述如下。
子步骤S141,将业务关系圈网络的业务分析属性与每个第一预设业务推送等级对应的等级规则下的属性匹配条件进行匹配,获得业务关系圈网络的第一初始业务推送等级。
子步骤S142,根据业务关系圈网络的业务关系类型所对应的调整规则对第一初始业务推送等级进行调整,得到业务关系圈网络的第一业务推送等级。
例如,若业务关系圈网络的业务关系类型为某些预设类型的时候,则可以根据根据业务关系圈网络的业务关系类型所对应的调整规则对第一初始业务推送等级进行调整,例如可以将第一初始业务推送等级在原基础上增加或者减少相应的等级。
子步骤S143,根据业务关系圈网络的业务分析属性确定业务关系圈网络中每个第一业务对象的对象分析属性,并将每个第一业务对象的对象分析属性与每个等级调整规则下的属性匹配条件进行匹配,获得每个第一业务对象的第二业务推送等级。
基于同一发明构思,请参阅图2,示出了本申请实施例提供的业务数据处理装置110的功能模块示意图,本实施例可以根据上述方法实施例对业务数据处理装置110进行功能模块的划分。例如,可以对应各个功能划分各个功能模块,也可以将两个或两个以上的功能集成在一个处理模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。需要说明的是,本申请实施例中对模块的划分是示意性的,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。比如,在采用对应各个功能划分各个功能模块的情况下,图2示出的业务数据处理装置110只是一种装置示意图。其中,业务数据处理装置110可以包括获取模块111、构建模块112、识别计算模块113以及确定模块114,下面分别对该业务数据处理装置110的各个功能模块的功能进行详细阐述。
获取模块111,用于获取待处理的业务数据,业务数据包括每个第一业务对象在业务关系圈网络的指标维度下的业务属性数据、与相关联的其它第一业务对象之间的第一关系业务数据以及与相关联的第二业务对象之间的第二关系业务数据,其中,业务关系圈网络用于表示同一业务关系圈下每个第一业务对象之间的关联关系。可以理解,该获取模块111可以用于执行上述方式S110,关于该获取模块111的详细实现方式可以参照上述对方式S110有关的内容。
构建模块112,用于根据待处理的业务数据构建第一业务对象、第二业务对象以及业务事件之间的知识图谱。可以理解,该构建模块112可以用于执行上述方式S120,关于该构建模块112的详细实现方式可以参照上述对方式S120有关的内容。
识别计算模块113,用于识别知识图谱的业务关系圈网络的业务关系类型,并根据业务关系圈网络相关的业务数据计算业务关系圈网络对应的业务分析属性。可以理解,该识别计算模块113可以用于执行上述方式S130,关于该识别计算模块113的详细实现方式可以参照上述对方式S130有关的内容。
确定模块114,用于根据业务关系圈网络的业务关系类型和业务分析属性确定业务关系圈网络的第一业务推送等级和业务关系圈网络中每个第一业务对象的第二业务推送等级。可以理解,该确定模块114可以用于执行上述方式S140,关于该确定模块114的详细实现方式可以参照上述对方式S140有关的内容。
在一种可能的实施方式中,构建模块112具体用于:
对待处理的业务数据进行数据处理,得到用于导入知识图谱模型的实体类型数据和关系类型数据;
将实体类型数据和关系类型数据导入到知识图谱模型中,构建第一业务对象、第二业务对象以及业务事件之间的知识图谱。
上述对待处理的业务数据进行数据处理,得到用于导入知识图谱模型的实体类型数据和关系类型数据的方式,包括:
从待处理的业务数据中确定每个实体类型以及每个实体类型的实体属性数据,并作为实体类型数据,其中,实体类型包括第一业务对象类型、第二业务对象类型以及业务事件类型;以及
从第一关系业务数据以及第二关系业务数据中确定每个关系类型、每个关系类型的关系起始节点和关系终止节点以及关系属性数据,并作为实体类型数据。
识别计算模块113识别知识图谱的业务关系圈网络的业务关系类型的方式,包括:
遍历知识图谱的所有业务关系链,将所有业务关系链形成的业务关系圈网络分别输入到训练完成的图核算法模型,计算得到业务关系圈网络对应的直积图;
将直积图导入到支持向量机的分类模型中,得到知识图谱的业务关系圈网络的业务关系类型。
支持向量机的分类模型通过以下方式训练得到:
获得不同业务关系类型的训练样本,作为训练样本集输入到图核算法模型中,并配置图核算法模型对应的顶点的核函数和边的核函数,其中,训练样本为不同业务关系类型的业务关系圈网络,顶点用于表示业务关系圈网络中的每个关系类型的关系起始节点和关系终止节点,边用于表示两个节点之间的关系类型,顶点的核函数和边的核函数用于定义业务关系类型的相似性,顶点的核函数和边的核函数用于输出第一相似度数值和第二相似度数值,当两个顶点的标签一致时,该两个顶点的相似度为第一相似度数值,当两个顶点的标签不一致时,该两个顶点的相似度为第二相似度数值,当两条边分别属于两个不同子图,且两条边的两端的节点标签一致、边标签一致时,该两条边相似度为第一相似度数值,反之为第二相似度数值;
在图计算平台上,通过连通图算法,识别出不同业务关系类型的测试样本中所有业务关系链组成的子图;
计算每个业务关系链组成的源子图与训练样本的直积图,直积图用于表示由两个源子图生成一个新图的操作图,新图的顶点为两个源子图的积,对于第一子图和第二子图,每个子图各取一个顶点形成全排列组合;
根据顶点的核函数和边的核函数,计算新图中每个顶点和每条边的权重,其中,新图中的顶点的权重由比较两个源顶点得到,新图中的边的权重由比较两个源边得到;
在直积图中计算两个源子图的相似度,得到所有训练样本之间的相似度,得到对应的相似度矩阵结果,并将相似度矩阵结果导入支持向量机分类器进行训练,获得支持向量机的分类模型。
进一步地,所述识别计算模块113根据业务关系圈网络相关的业务数据计算业务关系圈网络对应的业务分析属性的方式,具体可以包括:
根据业务关系圈网络相关的与业务规模指标对应的业务数据确定业务关系圈网络对应的业务规模分析属性,业务规模分析属性包括业务关系圈网络包含的第一服务对象数量、业务事件产生数量、业务统计数值中的至少一种;
根据业务关系圈网络相关的与业务结构指标对应的业务数据确定业务关系圈网络对应的业务结构分析属性,业务结构分析属性包括业务关系圈网络的拓扑结构、业务统计比例、关系密度中的至少一种;
根据业务关系圈网络相关的与业务触发指标对应的业务数据确定业务关系圈网络对应的业务触发分析属性,业务触发分析属性包括业务关系圈网络内的业务触发事件以及业务触发事件的业务统计数值。
所述确定模块114根据业务关系圈网络的业务关系类型和业务分析属性确定业务关系圈网络的第一业务推送等级和业务关系圈网络中每个第一业务对象的第二业务推送等级的方式,具体可以包括:
将业务关系圈网络的业务分析属性与每个第一预设业务推送等级对应的等级规则下的属性匹配条件进行匹配,获得业务关系圈网络的第一初始业务推送等级;
根据业务关系圈网络的业务关系类型所对应的调整规则对第一初始业务推送等级进行调整,得到业务关系圈网络的第一业务推送等级;以及
根据业务关系圈网络的业务分析属性确定业务关系圈网络中每个第一业务对象的对象分析属性,并将每个第一业务对象的对象分析属性与每个等级调整规则下的属性匹配条件进行匹配,获得每个第一业务对象的第二业务推送等级。
基于同一发明构思,请参阅图3,示出了本申请实施例提供的用于执行上述业务数据处理方法的服务器100的结构示意框图,该服务器100可以包括业务数据处理装置110、机器可读存储介质120和处理器130。
本实施例中,机器可读存储介质120与处理器130均位于服务器100中且二者分离设置。然而,应当理解的是,机器可读存储介质120也可以是独立于服务器100之外,且可以由处理器130通过总线接口来访问。可替换地,机器可读存储介质120也可以集成到处理器130中,例如,可以是高速缓存和/或通用寄存器。
业务数据处理装置110可以包括存储在机器可读存储介质120的软件功能模块(例如图2中所示的获取模块111、构建模块112、识别计算模块113以及确定模块114),当处理器130执行业务数据处理装置110中的软件功能模块时,以实现前述方法实施例提供的业务数据处理方法。
由于本申请实施例提供的服务器100是上述服务器100执行的方法实施例的另一种实现形式,且服务器100可用于执行上述方法实施例提供的业务数据处理方法,因此其所能获得的技术效果可参考上述方法实施例,在此不再赘述。
以上所描述的实施例仅仅是本申请的一部分实施例,而不是全部的实施例。通常在附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,在附图中提供的本申请的实施例的详细描述并非旨在限制本申请的保护范围,而仅仅是表示本申请的选定实施例。因此,本申请的保护范围应以权利要求的保护范围为准。此外,基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下可获得的所有其它实施例,都应属于本申请保护的范围。
Claims (8)
1.一种业务数据处理方法,其特征在于,应用于服务器,所述方法包括:
获取待处理的业务数据,所述业务数据包括每个第一业务对象在业务关系圈网络的指标维度下的业务属性数据、与相关联的其它第一业务对象之间的第一关系业务数据以及与相关联的第二业务对象之间的第二关系业务数据,其中,所述业务关系圈网络用于表示同一业务关系圈下每个第一业务对象之间的关联关系;
根据所述待处理的业务数据构建所述第一业务对象、所述第二业务对象以及业务事件之间的知识图谱;
识别所述知识图谱的业务关系圈网络的业务关系类型,并根据所述业务关系圈网络相关的业务数据计算所述业务关系圈网络对应的业务分析属性;
根据所述业务关系圈网络的业务关系类型和业务分析属性确定所述业务关系圈网络的第一业务推送等级和所述业务关系圈网络中每个第一业务对象的第二业务推送等级;
其中,所述识别所述知识图谱的业务关系圈网络的业务关系类型的步骤,包括:
遍历所述知识图谱的所有业务关系链,将所有业务关系链形成的业务关系圈网络分别输入到训练完成的图核算法模型,计算得到所述业务关系圈网络对应的直积图;
将所述直积图导入到支持向量机的分类模型中,得到所述知识图谱的业务关系圈网络的业务关系类型;
其中,所述支持向量机的分类模型通过以下方式训练得到:
获得不同业务关系类型的训练样本,作为训练样本集输入到图核算法模型中,并配置所述图核算法模型对应的顶点的核函数和边的核函数,其中,所述训练样本为不同业务关系类型的业务关系圈网络,所述顶点用于表示所述业务关系圈网络中的每个关系类型的关系起始节点和关系终止节点,所述边用于表示两个节点之间的关系类型,所述顶点的核函数和边的核函数用于定义业务关系类型的相似性,所述顶点的核函数和边的核函数用于输出第一相似度数值和第二相似度数值,当两个顶点的标签一致时,该两个顶点的相似度为第一相似度数值,当两个顶点的标签不一致时,该两个顶点的相似度为第二相似度数值,当两条边分别属于两个不同子图,且两条边的两端的节点标签一致、边标签一致时,该两条边相似度为第一相似度数值,反之为第二相似度数值;
在图计算平台上,通过连通图算法,识别出所述不同业务关系类型的测试样本中所有业务关系链组成的子图;
计算每个业务关系链组成的源子图与训练样本的直积图,直积图用于表示由两个源子图生成一个新图的操作图,所述新图的顶点为两个源子图的积,对于第一子图和第二子图,每个子图各取一个顶点形成全排列组合;
根据所述顶点的核函数和边的核函数,计算所述新图中每个顶点和每条边的权重,其中,所述新图中的顶点的权重由比较两个源顶点得到,所述新图中的边的权重由比较两个源边得到;
在所述直积图中计算两个源子图的相似度,得到所有训练样本之间的相似度,得到对应的相似度矩阵结果,并将所述相似度矩阵结果导入支持向量机分类器进行训练,获得支持向量机的分类模型。
2.根据权利要求1所述的业务数据处理方法,其特征在于,根据所述待处理的业务数据构建所述第一业务对象、所述第二业务对象以及业务事件之间的知识图谱的步骤,包括:
对所述待处理的业务数据进行数据处理,得到用于导入知识图谱模型的实体类型数据和关系类型数据;
将所述实体类型数据和关系类型数据导入到知识图谱模型中,构建所述第一业务对象、所述第二业务对象以及业务事件之间的知识图谱。
3.根据权利要求2所述的业务数据处理方法,其特征在于,所述对所述待处理的业务数据进行数据处理,得到用于导入知识图谱模型的实体类型数据和关系类型数据的步骤,包括:
从所述待处理的业务数据中确定每个实体类型以及每个实体类型的实体属性数据,并作为所述实体类型数据,其中,所述实体类型包括第一业务对象类型、第二业务对象类型以及业务事件类型;以及
从所述第一关系业务数据以及所述第二关系业务数据中确定每个关系类型、每个关系类型的关系起始节点和关系终止节点以及关系属性数据,并作为所述关系类型数据。
4.根据权利要求1所述的业务数据处理方法,其特征在于,所述根据所述业务关系圈网络相关的业务数据计算所述业务关系圈网络对应的业务分析属性的步骤,包括:
根据所述业务关系圈网络相关的与业务规模指标对应的业务数据确定所述业务关系圈网络对应的业务规模分析属性,所述业务规模分析属性包括所述业务关系圈网络包含的第一服务对象数量、业务事件产生数量、业务统计数值中的至少一种;
根据所述业务关系圈网络相关的与业务结构指标对应的业务数据确定所述业务关系圈网络对应的业务结构分析属性,所述业务结构分析属性包括所述业务关系圈网络的拓扑结构、业务统计比例、关系密度中的至少一种;
根据所述业务关系圈网络相关的与业务触发指标对应的业务数据确定所述业务关系圈网络对应的业务触发分析属性,所述业务触发分析属性包括所述业务关系圈网络内的业务触发事件以及业务触发事件的业务统计数值。
5.根据权利要求1所述的业务数据处理方法,其特征在于,所述根据所述业务关系圈网络的业务关系类型和业务分析属性确定所述业务关系圈网络的第一业务推送等级和所述业务关系圈网络中每个第一业务对象的第二业务推送等级的步骤,包括:
将所述业务关系圈网络的业务分析属性与每个第一预设业务推送等级对应的等级规则下的属性匹配条件进行匹配,获得所述业务关系圈网络的第一初始业务推送等级;
根据所述业务关系圈网络的业务关系类型所对应的调整规则对所述第一初始业务推送等级进行调整,得到所述业务关系圈网络的第一业务推送等级;以及
根据所述业务关系圈网络的业务分析属性确定所述业务关系圈网络中每个第一业务对象的对象分析属性,并将所述每个第一业务对象的对象分析属性与每个等级调整规则下的属性匹配条件进行匹配,获得所述每个第一业务对象的第二业务推送等级。
6.一种业务数据处理装置,其特征在于,应用于服务器,所述装置包括:
获取模块,用于获取待处理的业务数据,所述业务数据包括每个第一业务对象在业务关系圈网络的指标维度下的业务属性数据、与相关联的其它第一业务对象之间的第一关系业务数据以及与相关联的第二业务对象之间的第二关系业务数据,其中,所述业务关系圈网络用于表示同一业务关系圈下每个第一业务对象之间的关联关系;
构建模块,用于根据所述待处理的业务数据构建所述第一业务对象、所述第二业务对象以及业务事件之间的知识图谱;
识别计算模块,用于识别所述知识图谱的业务关系圈网络的业务关系类型,并根据所述业务关系圈网络相关的业务数据计算所述业务关系圈网络对应的业务分析属性;
确定模块,用于根据所述业务关系圈网络的业务关系类型和业务分析属性确定所述业务关系圈网络的第一业务推送等级和所述业务关系圈网络中每个第一业务对象的第二业务推送等级;
所述识别计算模块具体用于:
遍历所述知识图谱的所有业务关系链,将所有业务关系链形成的业务关系圈网络分别输入到训练完成的图核算法模型,计算得到所述业务关系圈网络对应的直积图;
将所述直积图导入到支持向量机的分类模型中,得到所述知识图谱的业务关系圈网络的业务关系类型;
其中,所述支持向量机的分类模型通过以下方式训练得到:
获得不同业务关系类型的训练样本,作为训练样本集输入到图核算法模型中,并配置所述图核算法模型对应的顶点的核函数和边的核函数,其中,所述训练样本为不同业务关系类型的业务关系圈网络,所述顶点用于表示所述业务关系圈网络中的每个关系类型的关系起始节点和关系终止节点,所述边用于表示两个节点之间的关系类型,所述顶点的核函数和边的核函数用于定义业务关系类型的相似性,所述顶点的核函数和边的核函数用于输出第一相似度数值和第二相似度数值,当两个顶点的标签一致时,该两个顶点的相似度为第一相似度数值,当两个顶点的标签不一致时,该两个顶点的相似度为第二相似度数值,当两条边分别属于两个不同子图,且两条边的两端的节点标签一致、边标签一致时,该两条边相似度为第一相似度数值,反之为第二相似度数值;
在图计算平台上,通过连通图算法,识别出所述不同业务关系类型的测试样本中所有业务关系链组成的子图;
计算每个业务关系链组成的源子图与训练样本的直积图,直积图用于表示由两个源子图生成一个新图的操作图,所述新图的顶点为两个源子图的积,对于第一子图和第二子图,每个子图各取一个顶点形成全排列组合;
根据所述顶点的核函数和边的核函数,计算所述新图中每个顶点和每条边的权重,其中,所述新图中的顶点的权重由比较两个源顶点得到,所述新图中的边的权重由比较两个源边得到;
在所述直积图中计算两个源子图的相似度,得到所有训练样本之间的相似度,得到对应的相似度矩阵结果,并将所述相似度矩阵结果导入支持向量机分类器进行训练,获得支持向量机的分类模型。
7.根据权利要求6所述的业务数据处理装置,其特征在于,所述识别计算模块具体用于:
根据所述业务关系圈网络相关的与业务规模指标对应的业务数据确定所述业务关系圈网络对应的业务规模分析属性,所述业务规模分析属性包括所述业务关系圈网络包含的第一服务对象数量、业务事件产生数量、业务统计数值中的至少一种;
根据所述业务关系圈网络相关的与业务结构指标对应的业务数据确定所述业务关系圈网络对应的业务结构分析属性,所述业务结构分析属性包括所述业务关系圈网络的拓扑结构、业务统计比例、关系密度中的至少一种;
根据所述业务关系圈网络相关的与业务触发指标对应的业务数据确定所述业务关系圈网络对应的业务触发分析属性,所述业务触发分析属性包括所述业务关系圈网络内的业务触发事件以及业务触发事件的业务统计数值。
8.根据权利要求6所述的业务数据处理装置,其特征在于,所述确定模块具体用于:
将所述业务关系圈网络的业务分析属性与每个第一预设业务推送等级对应的等级规则下的属性匹配条件进行匹配,获得所述业务关系圈网络的第一初始业务推送等级;
根据所述业务关系圈网络的业务关系类型所对应的调整规则对所述第一初始业务推送等级进行调整,得到所述业务关系圈网络的第一业务推送等级;以及
根据所述业务关系圈网络的业务分析属性确定所述业务关系圈网络中每个第一业务对象的对象分析属性,并将所述每个第一业务对象的对象分析属性与每个等级调整规则下的属性匹配条件进行匹配,获得所述每个第一业务对象的第二业务推送等级。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010806056.1A CN111932131B (zh) | 2020-08-12 | 2020-08-12 | 业务数据处理方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010806056.1A CN111932131B (zh) | 2020-08-12 | 2020-08-12 | 业务数据处理方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111932131A CN111932131A (zh) | 2020-11-13 |
CN111932131B true CN111932131B (zh) | 2024-03-15 |
Family
ID=73311869
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010806056.1A Active CN111932131B (zh) | 2020-08-12 | 2020-08-12 | 业务数据处理方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111932131B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112632197B (zh) * | 2021-02-01 | 2023-08-04 | 上海冰鉴信息科技有限公司 | 基于知识图谱的业务关系处理方法及装置 |
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104199875A (zh) * | 2014-08-20 | 2014-12-10 | 百度在线网络技术(北京)有限公司 | 一种搜索推荐方法及装置 |
CN104992168A (zh) * | 2015-07-28 | 2015-10-21 | 中国科学院自动化研究所 | 一种基于图核的人体行为识别方法 |
CN106354845A (zh) * | 2016-08-31 | 2017-01-25 | 上海交通大学 | 基于传播结构的微博谣言识别方法和系统 |
CN107368812A (zh) * | 2017-07-21 | 2017-11-21 | 成都恒高科技有限公司 | 基于最大连通子图的人脸识别数据清洗方法 |
CN108038498A (zh) * | 2017-12-05 | 2018-05-15 | 北京工业大学 | 一种基于子图匹配的室内场景对象语义标注方法 |
CN108388651A (zh) * | 2018-02-28 | 2018-08-10 | 北京理工大学 | 一种基于图核和卷积神经网络的文本分类方法 |
CN108596439A (zh) * | 2018-03-29 | 2018-09-28 | 北京中兴通网络科技股份有限公司 | 一种基于知识图谱的企业风险预测方法及系统 |
CN110019560A (zh) * | 2017-12-28 | 2019-07-16 | 中国移动通信集团上海有限公司 | 一种基于知识图谱的查询方法及装置 |
CN110263248A (zh) * | 2019-05-21 | 2019-09-20 | 平安科技(深圳)有限公司 | 一种信息推送方法、装置、存储介质和服务器 |
CN110287188A (zh) * | 2019-06-19 | 2019-09-27 | 上海冰鉴信息科技有限公司 | 通话详单数据的特征变量生成方法及装置 |
CN110298725A (zh) * | 2019-05-24 | 2019-10-01 | 北京三快在线科技有限公司 | 商品组合的推荐方法、装置、电子设备及可读存储介质 |
CN110543951A (zh) * | 2018-05-28 | 2019-12-06 | 中国铁道科学研究院铁道建筑研究所 | 一种铁路桥梁检养修虚拟助理系统 |
CN110609887A (zh) * | 2019-09-18 | 2019-12-24 | 中科赛思联科(苏州)网络科技有限公司 | 基于知识图谱的科技资源大数据查询推荐系统及方法 |
CN110929086A (zh) * | 2019-12-20 | 2020-03-27 | 腾讯科技(深圳)有限公司 | 一种音视频推荐方法、装置及存储介质 |
CN111047130A (zh) * | 2019-06-11 | 2020-04-21 | 北京嘀嘀无限科技发展有限公司 | 用于交通分析和管理的方法和系统 |
CN111061859A (zh) * | 2019-12-02 | 2020-04-24 | 深圳追一科技有限公司 | 基于知识图谱的数据处理方法、装置和计算机设备 |
CN111191039A (zh) * | 2019-09-30 | 2020-05-22 | 腾讯科技(深圳)有限公司 | 知识图谱创建方法、装置和计算机可读存储介质 |
CN111488462A (zh) * | 2020-04-02 | 2020-08-04 | 中国移动通信集团江苏有限公司 | 基于知识图谱的推荐方法、装置、设备及介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10535007B2 (en) * | 2012-04-24 | 2020-01-14 | International Business Machines Corporation | Determining a similarity between graphs |
CN103927307B (zh) * | 2013-01-11 | 2017-03-01 | 阿里巴巴集团控股有限公司 | 一种识别网站用户的方法和装置 |
-
2020
- 2020-08-12 CN CN202010806056.1A patent/CN111932131B/zh active Active
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104199875A (zh) * | 2014-08-20 | 2014-12-10 | 百度在线网络技术(北京)有限公司 | 一种搜索推荐方法及装置 |
CN104992168A (zh) * | 2015-07-28 | 2015-10-21 | 中国科学院自动化研究所 | 一种基于图核的人体行为识别方法 |
CN106354845A (zh) * | 2016-08-31 | 2017-01-25 | 上海交通大学 | 基于传播结构的微博谣言识别方法和系统 |
CN107368812A (zh) * | 2017-07-21 | 2017-11-21 | 成都恒高科技有限公司 | 基于最大连通子图的人脸识别数据清洗方法 |
CN108038498A (zh) * | 2017-12-05 | 2018-05-15 | 北京工业大学 | 一种基于子图匹配的室内场景对象语义标注方法 |
CN110019560A (zh) * | 2017-12-28 | 2019-07-16 | 中国移动通信集团上海有限公司 | 一种基于知识图谱的查询方法及装置 |
CN108388651A (zh) * | 2018-02-28 | 2018-08-10 | 北京理工大学 | 一种基于图核和卷积神经网络的文本分类方法 |
CN108596439A (zh) * | 2018-03-29 | 2018-09-28 | 北京中兴通网络科技股份有限公司 | 一种基于知识图谱的企业风险预测方法及系统 |
CN110543951A (zh) * | 2018-05-28 | 2019-12-06 | 中国铁道科学研究院铁道建筑研究所 | 一种铁路桥梁检养修虚拟助理系统 |
CN110263248A (zh) * | 2019-05-21 | 2019-09-20 | 平安科技(深圳)有限公司 | 一种信息推送方法、装置、存储介质和服务器 |
CN110298725A (zh) * | 2019-05-24 | 2019-10-01 | 北京三快在线科技有限公司 | 商品组合的推荐方法、装置、电子设备及可读存储介质 |
CN111047130A (zh) * | 2019-06-11 | 2020-04-21 | 北京嘀嘀无限科技发展有限公司 | 用于交通分析和管理的方法和系统 |
CN110287188A (zh) * | 2019-06-19 | 2019-09-27 | 上海冰鉴信息科技有限公司 | 通话详单数据的特征变量生成方法及装置 |
CN110609887A (zh) * | 2019-09-18 | 2019-12-24 | 中科赛思联科(苏州)网络科技有限公司 | 基于知识图谱的科技资源大数据查询推荐系统及方法 |
CN111191039A (zh) * | 2019-09-30 | 2020-05-22 | 腾讯科技(深圳)有限公司 | 知识图谱创建方法、装置和计算机可读存储介质 |
CN111061859A (zh) * | 2019-12-02 | 2020-04-24 | 深圳追一科技有限公司 | 基于知识图谱的数据处理方法、装置和计算机设备 |
CN110929086A (zh) * | 2019-12-20 | 2020-03-27 | 腾讯科技(深圳)有限公司 | 一种音视频推荐方法、装置及存储介质 |
CN111488462A (zh) * | 2020-04-02 | 2020-08-04 | 中国移动通信集团江苏有限公司 | 基于知识图谱的推荐方法、装置、设备及介质 |
Non-Patent Citations (3)
Title |
---|
"基于图核算法的文本分类";蒋强荣等;《计算机与现代化》;13-16+61 * |
王旭."图相似度度量的关键技术研究".《中国优秀博士论文全文数据库》.2018,1-102. * |
赵海峰."基于图的模式识别及其在计算机视觉中的应用".《中国优秀博士论文全文数据库》.2012,1-99. * |
Also Published As
Publication number | Publication date |
---|---|
CN111932131A (zh) | 2020-11-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Letizia et al. | Corporate payments networks and credit risk rating | |
Sentas et al. | Categorical missing data imputation for software cost estimation by multinomial logistic regression | |
CN111932130B (zh) | 业务类型识别方法及装置 | |
Wei et al. | A data envelopment analysis (DEA) evaluation method based on sample decision making units | |
CN115796889B (zh) | 适用于交易平台的数据处理方法 | |
CN111798304A (zh) | 一种风险贷款确定方法、装置、电子设备及存储介质 | |
CN111932131B (zh) | 业务数据处理方法及装置 | |
CN115545886A (zh) | 逾期风险识别方法、装置、设备及存储介质 | |
CN115526700A (zh) | 风险的预测方法、装置及电子设备 | |
CN113159930A (zh) | 一种基于经济依存关系的客户群体识别方法和装置 | |
CN112308623A (zh) | 基于监督学习的优质客户流失预测方法、装置及存储介质 | |
KR102249028B1 (ko) | 기업의 채무상환능력 평가시스템 | |
WO2022143431A1 (zh) | 一种反洗钱模型的训练方法及装置 | |
CN112632197B (zh) | 基于知识图谱的业务关系处理方法及装置 | |
EP3276551A1 (en) | A method, computer program and system for detecting a discrepancy arising from a mismatch between incoming and outgoing flows of resource | |
CN114626940A (zh) | 数据分析方法、装置及电子设备 | |
CN110570301B (zh) | 风险识别方法、装置、设备及介质 | |
CN113850669A (zh) | 用户分群方法、装置、计算机设备及计算机可读存储介质 | |
CN113837648A (zh) | 企业关联性分析方法、关联企业推荐方法和装置 | |
CN113849580A (zh) | 一种主体评级预测方法、装置、电子设备及存储介质 | |
Huang et al. | Time Series Analysis and Prediction on Bitcoin | |
CN112950350A (zh) | 一种基于机器学习的贷款产品推荐方法及系统 | |
CN112150276A (zh) | 一种机器学习模型的训练方法、使用方法、装置和设备 | |
Martınez Jaramillo et al. | Systemic risk analysis by means of network theory: an empirical study of the Mexican banking system | |
KR102535663B1 (ko) | 물자 공급망 위험관리 및 분석 방법과, 동 방법을 컴퓨터에서 실행하기 위한 컴퓨터 프로그램이 기록된, 컴퓨터 판독 가능한 기록매체 |
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 |