CN111949696A - 一种全要素关联分析方法及装置 - Google Patents

一种全要素关联分析方法及装置 Download PDF

Info

Publication number
CN111949696A
CN111949696A CN202010652499.XA CN202010652499A CN111949696A CN 111949696 A CN111949696 A CN 111949696A CN 202010652499 A CN202010652499 A CN 202010652499A CN 111949696 A CN111949696 A CN 111949696A
Authority
CN
China
Prior art keywords
association
full
data
analysis method
correlation analysis
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
CN202010652499.XA
Other languages
English (en)
Inventor
孙波
李应博
张伟
司成祥
张建松
李胜男
毛蔚轩
盖伟麟
王亿芳
胡晓旭
王梦禹
孟杰
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.)
National Computer Network and Information Security Management Center
Beijing Yongxin Zhicheng Technology Co Ltd
Original Assignee
National Computer Network and Information Security Management Center
Beijing Yongxin Zhicheng 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 National Computer Network and Information Security Management Center, Beijing Yongxin Zhicheng Technology Co Ltd filed Critical National Computer Network and Information Security Management Center
Priority to CN202010652499.XA priority Critical patent/CN111949696A/zh
Publication of CN111949696A publication Critical patent/CN111949696A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24Querying
    • G06F16/245Query processing
    • G06F16/2457Query processing with adaptation to user needs
    • G06F16/24573Query processing with adaptation to user needs using data annotations, e.g. user-defined metadata
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24Querying
    • G06F16/245Query processing
    • G06F16/2458Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2465Query processing support for facilitating data mining operations in structured databases
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24Querying
    • G06F16/248Presentation of query results

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • General Physics & Mathematics (AREA)
  • Library & Information Science (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Software Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请公开了一种全要素关联分析方法和装置,其中,所述方法包括:获得目标对象的目标元数据,并进行关键数据提取;利用预设的领域知识智能关联规则和智能算法将提取的所述关键数据进行深入挖掘和关联分析,生成目标对象的全要素关联模型图数据;将获取的全要素关联模型图数据,根据需要呈现在显示屏上。采用本申请所述的全要素关联分析方法,能够提高人群社会关系和人员关系梳理、推导以及关联分析的效率,依托大数据智能分析平台,提供目标人群的全要素关联关系数据,极大提升了用户的使用体验。

Description

一种全要素关联分析方法及装置
技术领域
本发明实施例涉及大数据分析领域,具体涉及一种全要素关联分析方法及装置,另外还涉及一种电子设备及计算机可读存储介质。
背景技术
近年来,随着计算机和信息技术的迅猛发展和普及应用,行业应用系统的规模迅速扩大,行业应用所产生的数据呈爆炸性增长,动辄达到数百TB甚至数十至数百PB规模的行业/企业大数据比比皆是。
因此,寻求有效的大数据处理技术、方法和手段,特别是分析出这些网络行为数据之间存在的关联关系,形成网络关系图谱,达到通过已知要素、技术手段获得与其相关联的要素信息,已经成为现实世界的迫切需求。
发明内容
为此,本发明实施例提供一种全要素关联分析方法,以解决现有技术中存在的要素关联分析系统中要素关联分析不全面,无法很好的解决用户需求的问题。
为了实现上述目的,本发明实施例提供如下技术方案:
第一方面,本发明实施例提供一种全要素关联分析方法,包括:获得目标对象的目标元数据,并进行关键数据提取;利用预设的领域知识智能关联规则和智能算法将提取的所述关键数据进行深入挖掘和关联分析,生成目标对象的全要素关联模型图数据;将获取的全要素关联模型图数据,根据需要呈现在显示屏上。
进一步的,所述目标元数据包括人员、地理位置、行为事件、文本记录以及组织信息五要素。
进一步的,基于独立关联库中五要素的关联信息,利用预设的推导算法推导出独立关联库之间延伸关联数据;其中每一个目标对象对应一个独立关联库。
进一步的,所述的全要素关联分析方法,还包括:通过社会网络分析,发现目标对象之间的关联关系;基于预先建立的分布式图计算框架对关联关系进行分析;分析的内容包括两节点间距离、群体数量、位置关键程度、关系紧密程度、活动频繁程度、权力影响程度、社区分类以及计算结果显示。
进一步的,所述目标元数据包含若干种类别的特定的网络行为数据。
第二方面,本发明实施例提供一种全要素关联分析装置,包括:
数据获取单元,用于获得目标对象的目标元数据,并进行关键数据提取;
数据挖掘及关联单元,用于利用预设的领域知识智能关联规则和智能算法将提取的所述关键数据进行深入挖掘和关联分析,生成目标对象的全要素关联模型图数据;
数据呈现单元,用于将获取的全要素关联模型图数据,根据需要呈现在显示屏上。
进一步的,所述目标元数据包括人员、地理位置、行为事件、文本记录以及组织信息五要素。
进一步的,所述的全要素关联分析装置,还包括:延伸关联单元,用于基于独立关联库中五要素的关联信息,利用预设的推导算法推导出独立关联库之间延伸关联数据;其中每一个目标对象对应一个独立关联库。
进一步的,所述的全要素关联分析装置,还包括:通过社会网络分析,发现目标对象之间的关联关系;基于预先建立的分布式图计算框架对关联关系进行分析;分析的内容包括两节点间距离、群体数量、位置关键程度、关系紧密程度、活动频繁程度、权力影响程度、社区分类以及计算结果显示。
进一步的,所述目标元数据包含若干种类别的特定的网络行为数据。
第三方面,本发明实施例还提供一种电子设备,包括:处理器以及存储器;所述存储器,用于存储全要素关联分析方法的程序,该电子设备通电并通过所述处理器运行该全要素关联分析方法的程序后,执行上述任意一项所述的全要素关联分析方法。
第四方面,本发明实施例还提供一种计算机可读存储介质,所述计算机可读存储介质中包含一个或多个程序指令,所述一个或多个程序指令用于被处理器执行上述任一项所述的全要素关联分析方法。
采用本申请所述的全要素关联分析方法,能够提高人群社会关系和人员关系梳理、推导以及关联分析的效率,依托大数据智能分析平台,提供目标人群的全要素关联关系数据,极大提升了用户的使用体验。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案,下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地,下面描述中的附图仅仅是示例性的,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,还可以根据提供的附图引申获得其它的实施附图。
图1为本发明实施例提供的一种全要素关联分析方法的流程图;
图2为本发明实施例提供的一种全要素关联分析装置的示意图;
图3为本发明实施例提供的一种电子设备的示意图;
图4为本发明实施例提供的一种全要素关联分析方法的具体流程图。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式,熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
下面基于本发明所述的一种全要素关联分析方法,对其实施例进行详细描述。如图1所示,其为本发明实施例提供的一种全要素关联分析方法的流程图,具体实现过程包括以下步骤:
步骤S101:获得目标对象的目标元数据,并进行关键数据提取。
在本发明实施例中,所述目标元数据包含若干种类别的特定的网络行为数据,比如包括人员信息、地理位置、行为事件、文本记录以及文本记录五种要素的网络行为数据,当然,在具体实施过程中也可包括其他要素,在此不再一一列举。
在本发明实施例中,可基于独立关联库中五种要素的关联信息,利用预设的推导算法推导出独立关联库之间延伸关联数据;其中每一个目标对象对应一个独立关联库。在具体实施过程中,需要预先获取该目标对象在网上的网络行为数据,分析网络行为特征,根据行为类别的不同,预先建立直接对应的独立关联库(如图4所示)。
需要说明的是,所述人员信息包括目标对象的身份标识信息等;所述地理位置信息为所述人员信息出现的地理位置信息,具体可以是经纬度信息;所述行为事件可以是指所述目标对象相关应用的登陆信息;所述文本记录可以是指图4所示的“物”,具体可表示目标对象登录相关应用之后,发表的评论、留言等文本信息;所述组织信息可以是指目标对象在网络中所在的网络群组的名称或属性信息。所述智能算法可以是指网络协议特征知识库包含的算法,所述网络协议特征知识库为一套对网络协议特征识别、网络数据过滤以及数据提取的高速网络数据处理系统,它与普通的网络协议特征识别的不同在于,普通的网络协议识别仅限于协议规范本身,而对于一些未公开协议规范的私有协议,则无法有效处理。本申请所述的网络协议特征知识库加入了很多通过逆向分析网络协议获取的特征的智能算法。
步骤S102:利用预设的领域知识智能关联规则和智能算法将提取的所述关键数据进行深入挖掘和关联分析,生成目标对象的全要素关联模型图数据。
本发明实施提供依托大数据智能分析平台,可通过将人(人员信息)、地(地理位置)、事(行为事件)、物(文本记录)、组织(群组、社群)等目标元数据进行深入挖掘和关联分析,生成该对象的全要素关联模型图。具体包括:提取目标人、地、事、物、组织等相关信息,进行关键数据抽取。将抽取的所述关键数据,通过将人物、时间、位置、事件等目标元数据进行深入挖掘和关联分析,生成该对象的全要素关联模型图;将全要素关联模型图数据,根据实际需要呈现在显示屏上。获取包括目标人、社区、群体、组织等构建人群网络关系图谱,将相关全要素信息根据所述要素信息抽象叠加在所述可视化图上,以便于后续实现相关全要素信息可视化呈现。全要素分析模型的建立依赖于本体的信息抽取、整合,基于独立关联库中五要素的关联信息,结合领域知识设定等推导出独立关联库的延伸。
在具体实施过程中,可通过社会网络行为分析算法,发现目标对象之间的关联关系,基于预先建立的分布式图计算框架对关联关系进行分析。具体的,可采用预设的社会网络行为分析算法进行运算分析,按照最短路径近似计算,通过分析人员的关系,根据关系模式反映出的现象特征或网络行为数据,确定网络分析的焦点,并通过网络分析的焦点,实现对朋友圈、家庭圈、同事圈、特定团伙等网络社交圈的社群网络划分,并对社群网络划分之后的数据进行二次抽取关键数据。将抽取的所述关键数据,按照人、地、事、物、组织等要素统计分析,筛选出目标元数据并对其进行深入挖掘和关联分析。
分析的内容具体可包括以下8个过程:两节点间距离、群体数量、位置关键程度、关系紧密程度、活动频繁程度、权力影响程度、社区分类以及计算结果显示等,这些两节点间距离、群体数量、位置关键程度、关系紧密程度、活动频繁程度、权力影响程度等均可通过预设的规则进行分析运算获得,在此不再详细赘述。在具体分析内容中,两节点间距离分析过程包括两个节点的所有路径及两节点间的最短路径;群体数量(connected components)分析过程包括节点集团数量的显示;位置关键程度(betweenness)分析过程节点控制信息流通的能力;关系紧密程度(closeness)分析过程包括传递信息的能力与获取信息的效率;活动频繁程度(degree)分析过程包括通过测量与节点有直接联系的节点,计算节点的活跃程度。节点的出入度数量计算;权力影响程度(eigenvector)分析过程包括集群的核心人物;社区分类分析过程包括人群分类;计算结果显示分析过程包括拓扑图结果展示,依据结果重新布局,在此不再详细赘述。
步骤S103:将获取的全要素关联模型图数据,根据需要呈现在显示屏上。
采用本发明所述的全要素关联分析方法,能够提高人群社会关系和人员关系梳理、推导以及关联分析的效率,依托大数据智能分析平台,提供目标人群的全要素关联关系数据,极大提升了用户的使用体验。
与上述提供的一种全要素关联分析方法相对应,本发明还提供一种全要素关联分析装置。由于该装置的实施例相似于上述方法实施例,所以描述的比较简单,相关之处请参见上述方法实施例部分的说明即可,下面描述的全要素关联分析装置的实施例仅是示意性的。请参考图2所示,其为本发明实施例提供的一种全要素关联分析装置的示意图。
本发明所述的一种全要素关联分析装置包括如下部分:
数据获取单元201,用于获得目标对象的目标元数据,并进行关键数据提取。
数据挖掘及关联单元202,用于利用预设的领域知识智能关联规则和智能算法将提取的所述关键数据进行深入挖掘和关联分析,生成目标对象的全要素关联模型图数据。
数据呈现单元203,用于将获取的全要素关联模型图数据,根据需要呈现在显示屏上。
采用本发明所述的全要素关联分析装置,能够提高人群社会关系和人员关系梳理、推导以及关联分析的效率,依托大数据智能分析平台,提供目标人群的全要素关联关系数据,极大提升了用户的使用体验。
与上述提供的全要素关联分析方法相对应,本发明还提供一种电子设备。由于该电子设备的实施例相似于上述方法实施例,所以描述的比较简单,相关之处请参见上述方法实施例部分的说明即可,下面描述的电子设备仅是示意性的。如图3所示,其为本发明实施例提供的一种电子设备的示意图。该电子设备具体包括:处理器301和存储器302;其中,存储器302用于运行一个或多个程序指令,用于存储全要素关联分析方法的程序,该电子设备通电并通过所述处理器301运行该全要素关联分析方法的程序后,执行上述任意一项所述的全要素关联分析方法。
与上述提供的一种全要素关联分析方法相对应,本发明还提供一种计算机可读存储介质,该计算机可读存储介质中包含一个或多个程序指令,所述一个或多个程序指令用于被处理器执行上述任一项所述的全要素关联分析方法。由于该计算机可读存储介质的实施例相似于上述方法实施例,所以描述的比较简单,相关之处请参见上述方法实施例部分的说明即可,该部分描述的计算机可读存储介质仅是示意性的。
综上所述,需要说明的是,在本发明实施例中,处理器或处理器模块可以是一种集成电路芯片,具有信号的处理能力。处理器可以是通用处理器、数字信号处理器(DigitalSignal Processor,简称DSP)、专用集成电路(Application Specific IntegratedCircuit,简称ASIC)、现场可编程门阵列(Field Programmable Gate Array,简称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。处理器读取存储介质中的信息,结合其硬件完成上述方法的步骤。
存储介质可以是存储器,例如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,简称ROM)、可编程只读存储器(Programmable ROM,简称PROM)、可擦除可编程只读存储器(Erasable PROM,简称EPROM)、电可擦除可编程只读存储器(Electrically EPROM,简称EEPROM)或闪存。
易失性存储器可以是随机存取存储器(Random Access Memory,简称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,简称SRAM)、动态随机存取存储器(Dynamic RAM,简称DRAM)、同步动态随机存取存储器(Synchronous DRAM,简称SDRAM)、双倍数据速率同步动态随机存取存储器(Double Data Rate SDRAM,简称DDRSDRAM)、增强型同步动态随机存取存储器(EnhancedSDRAM,简称ESDRAM)、同步连接动态随机存取存储器(Synch link DRAM,简称SLDRAM)和直接内存总线随机存取存储器(Direct Ram bus RAM,简称DRRAM)。
本发明实施例描述的存储介质旨在包括但不限于这些和任意其它适合类型的存储器。
本领域技术人员应该可以意识到,在上述一个或多个示例中,本发明所描述的功能可以用硬件与软件组合来实现。当应用软件时,可以将相应功能存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。计算机可读介质包括计算机存储介质和通信介质,其中通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是通用或专用计算机能够存取的任何可用介质。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的技术方案的基础之上,所做的任何修改、等同替换、改进等,均应包括在本发明的保护范围之内。

Claims (10)

1.一种全要素关联分析方法,其特征在于,包括:
获得目标对象的目标元数据,并进行关键数据提取;
利用预设的领域知识智能关联规则和智能算法将提取的所述关键数据进行深入挖掘和关联分析,生成目标对象的全要素关联模型图数据;
将获取的全要素关联模型图数据,根据需要呈现在显示屏上。
2.根据权利要求1所述的全要素关联分析方法,其特征在于,所述目标元数据包括人员、地理位置、行为事件、文本记录以及组织信息五要素。
3.根据权利要求2所述的全要素关联分析方法,其特征在于,基于独立关联库中五要素的关联信息,利用预设的推导算法推导出独立关联库之间延伸关联数据;其中每一个目标对象对应一个独立关联库。
4.根据权利要求1所述的全要素关联分析方法,其特征在于,还包括:通过社会网络分析,发现目标对象之间的关联关系;基于预先建立的分布式图计算框架对关联关系进行分析;分析的内容包括两节点间距离、群体数量、位置关键程度、关系紧密程度、活动频繁程度、权力影响程度、社区分类以及计算结果显示。
5.根据权利要求1所述的全要素关联分析方法,其特征在于,所述目标元数据包含若干种类别的特定的网络行为数据。
6.一种全要素关联分析装置,其特征在于,包括:
数据获取单元,用于获得目标对象的目标元数据,并进行关键数据提取;
数据挖掘及关联单元,用于利用预设的领域知识智能关联规则和智能算法将提取的所述关键数据进行深入挖掘和关联分析,生成目标对象的全要素关联模型图数据;
数据呈现单元,用于将获取的全要素关联模型图数据,根据需要呈现在显示屏上。
7.根据权利要求6所述的全要素关联分析装置,其特征在于,所述目标元数据包括人员、地理位置、行为事件、文本记录以及组织信息五要素。
8.根据权利要求7所述的全要素关联分析装置,其特征在于,还包括:延伸关联单元,用于基于独立关联库中五要素的关联信息,利用预设的推导算法推导出独立关联库之间延伸关联数据;其中每一个目标对象对应一个独立关联库。
9.一种电子设备,其特征在于,包括:
处理器;以及
存储器,用于存储全要素关联分析方法的程序,该电子设备通电并通过所述处理器运行该全要素关联分析方法的程序后,执行上述权利要求1-5任意一项所述的全要素关联分析方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中包含一个或多个程序指令,所述一个或多个程序指令用于被处理器执行如权利要求1-5任一项所述的全要素关联分析方法。
CN202010652499.XA 2020-07-08 2020-07-08 一种全要素关联分析方法及装置 Pending CN111949696A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010652499.XA CN111949696A (zh) 2020-07-08 2020-07-08 一种全要素关联分析方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010652499.XA CN111949696A (zh) 2020-07-08 2020-07-08 一种全要素关联分析方法及装置

Publications (1)

Publication Number Publication Date
CN111949696A true CN111949696A (zh) 2020-11-17

Family

ID=73341116

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010652499.XA Pending CN111949696A (zh) 2020-07-08 2020-07-08 一种全要素关联分析方法及装置

Country Status (1)

Country Link
CN (1) CN111949696A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115203311A (zh) * 2022-07-05 2022-10-18 南京云创大数据科技股份有限公司 一种基于数据大脑的行业数据分析挖掘方法及系统
CN115641176A (zh) * 2022-09-27 2023-01-24 韩大鹏 一种数据分析方法及ai系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1675060A1 (en) * 2004-12-23 2006-06-28 IBM Corporation A method and system for managing customer network value
CN104572757A (zh) * 2013-10-24 2015-04-29 中兴通讯股份有限公司 微博群体处理方法及装置
CN107491530A (zh) * 2017-08-18 2017-12-19 四川神琥科技有限公司 一种基于文件自动标记信息的社会关系挖掘分析方法
CN109508453A (zh) * 2018-09-28 2019-03-22 西南电子技术研究所(中国电子科技集团公司第十研究所) 跨媒体情报目标要素关联分析系统及其关联分析方法
CN110390039A (zh) * 2019-07-25 2019-10-29 广州汇智通信技术有限公司 基于知识图谱的社交关系分析方法、装置及设备
CN110727805A (zh) * 2019-10-11 2020-01-24 北京明略软件系统有限公司 社区知识图谱构建方法及系统
CN110955737A (zh) * 2019-11-27 2020-04-03 北京明略软件系统有限公司 关系图谱展示策略确定方法、装置、电子设备及存储介质
CN111159418A (zh) * 2018-11-08 2020-05-15 北京航天长峰科技工业集团有限公司 一种公安专题知识图谱系统的构建方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1675060A1 (en) * 2004-12-23 2006-06-28 IBM Corporation A method and system for managing customer network value
CN104572757A (zh) * 2013-10-24 2015-04-29 中兴通讯股份有限公司 微博群体处理方法及装置
CN107491530A (zh) * 2017-08-18 2017-12-19 四川神琥科技有限公司 一种基于文件自动标记信息的社会关系挖掘分析方法
CN109508453A (zh) * 2018-09-28 2019-03-22 西南电子技术研究所(中国电子科技集团公司第十研究所) 跨媒体情报目标要素关联分析系统及其关联分析方法
CN111159418A (zh) * 2018-11-08 2020-05-15 北京航天长峰科技工业集团有限公司 一种公安专题知识图谱系统的构建方法
CN110390039A (zh) * 2019-07-25 2019-10-29 广州汇智通信技术有限公司 基于知识图谱的社交关系分析方法、装置及设备
CN110727805A (zh) * 2019-10-11 2020-01-24 北京明略软件系统有限公司 社区知识图谱构建方法及系统
CN110955737A (zh) * 2019-11-27 2020-04-03 北京明略软件系统有限公司 关系图谱展示策略确定方法、装置、电子设备及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
潘安东: "网络行为人关系族谱发现系统", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 08, pages 139 - 10 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115203311A (zh) * 2022-07-05 2022-10-18 南京云创大数据科技股份有限公司 一种基于数据大脑的行业数据分析挖掘方法及系统
CN115641176A (zh) * 2022-09-27 2023-01-24 韩大鹏 一种数据分析方法及ai系统
CN115641176B (zh) * 2022-09-27 2023-10-20 北京国联视讯信息技术股份有限公司 一种数据分析方法及ai系统

Similar Documents

Publication Publication Date Title
CN109241461B (zh) 一种用户画像构建方法及装置
CN111309614B (zh) A/b测试方法、装置及电子设备
CN110674144A (zh) 用户画像生成方法、装置、计算机设备和存储介质
CN108366012B (zh) 一种社交关系建立方法、装置及电子设备
CN111949696A (zh) 一种全要素关联分析方法及装置
CN112241458B (zh) 文本的知识结构化处理方法、装置、设备和可读存储介质
Young et al. Social sensing of flood impacts in India: A case study of Kerala 2018
CN112819611A (zh) 欺诈识别方法、装置、电子设备和计算机可读存储介质
CN113553583A (zh) 信息系统资产安全风险评估方法与装置
CN111224923A (zh) 一种仿冒网站的检测方法、装置及系统
CN109711849B (zh) 以太坊地址画像生成方法、装置、电子设备及存储介质
CN113641970B (zh) 风险检测方法、装置及计算设备
CN109359233A (zh) 基于自然语言处理技术的公网海量信息监测方法和系统
CN117056620A (zh) 一种基于职业信息处理业务的方法、装置、设备及介质
Shinde et al. Design and development of geofencing based attendance system for mobile application
CN112685618A (zh) 用户特征识别方法、装置、计算设备及计算机存储介质
CN113961811B (zh) 基于事件图谱的话术推荐方法、装置、设备及介质
CN110619090A (zh) 一种区域吸引力评估方法及设备
US20160092481A1 (en) Information integration and assessment
CN111339373B (zh) 一种图谱特征的提取方法、系统、计算机设备和存储介质
CN110457600B (zh) 查找目标群体的方法、装置、存储介质和计算机设备
US9532165B2 (en) Method and apparatus for location prediction using short text
CN111950282A (zh) 一种基于网络行为特征的扩线分析方法及装置
CN110781314B (zh) 用户关系图的分层显示方法、装置及电子设备
CN113076451A (zh) 异常行为识别和风险模型库的建立方法、装置及电子设备

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20201117