CN111951141A - 基于大数据智能分析的双随机监管方法、系统及终端设备 - Google Patents
基于大数据智能分析的双随机监管方法、系统及终端设备 Download PDFInfo
- Publication number
- CN111951141A CN111951141A CN202010659872.4A CN202010659872A CN111951141A CN 111951141 A CN111951141 A CN 111951141A CN 202010659872 A CN202010659872 A CN 202010659872A CN 111951141 A CN111951141 A CN 111951141A
- Authority
- CN
- China
- Prior art keywords
- random
- information
- big data
- double
- inspection object
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 62
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000007689 inspection Methods 0.000 claims abstract description 90
- 238000013499 data model Methods 0.000 claims abstract description 10
- 238000005516 engineering process Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 12
- 238000001514 detection method Methods 0.000 claims description 10
- 238000007405 data analysis Methods 0.000 claims description 7
- 238000012797 qualification Methods 0.000 claims description 6
- 239000013598 vector Substances 0.000 description 8
- 230000009977 dual effect Effects 0.000 description 4
- 239000006185 dispersion Substances 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 206010011971 Decreased interest Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000008685 targeting Effects 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及公开了一种基于大数据智能分析的双随机监管方法、系统、终端设备及存储介质,方法包括:随机获取检查品类信息;根据所述检查品类信息,在预设的随机规则库中,根据选择的随机规则,随机获取监管人员信息;获取网络当前热点事件及投诉情况;并对获取结果采用大数据算法对风险较高的检查对象提升随机抽检的概率;智能推荐出与当前检查对象相匹配的双随机规则;并输出对应的双随机结果;根据大数据模型及人工分析,判断本次双随机的结合是否符合要求;若是,则直接输出结果;若否,则调整随机规则重新计算,直到输出的结果符合要求。本发明能够自动采集检查对象进行智能分析推荐,减少人工干预,实现科学监管,提高监督抽查效能。
Description
技术领域
本发明涉及互联网大数据技术领域,特别是涉及一种基于大数据智能分析的双随机监管方法、系统、终端设备及存储介质。
背景技术
近年来,随着国家推行“双随机、一公开”的抽查检测制度,随机的生成将影响到众多相关者的利益得失问题。如何生成随机、证明随机的公平公正,变成了所有人所关注的技术焦点。目前传统检测系统的双随机生成方式主要是使用系统的随机函数进行生成,此种方式受制于单机和独立系统的可信性。以往通过中间机构进行担保,但并没有公开的证明方式,不能保证系统是否受到人为的干扰。
现有双随机市场监管技术,只是针对市场主体库和监管人员库中的数据进行随机抽取后,形成双随机检查任务,在对市场主体库中的数据抽取的过程中,只是根据市场主体名称随机抽取,因此所抽取的市场监管主体数据具有普适性,靶向性不强,且整个双随机监管过程中不能解决市场监管中监管效率低、监管精度差、监管重点难把控问题。
发明内容
本发明的目的是:提供一种基于大数据智能分析的双随机监管方法、系统、终端设备及存储介质,能够自动采集检查对象进行智能分析推荐,减少人工干预,实现科学监管,提高监督抽查效能。
为了实现上述目的,本发明提供了一种基于大数据智能分析的双随机监管方法,包括:
随机获取检查品类信息,其中,所述检测品类信息包括若干个检查对象信息;
根据所述检查品类信息,在预设的随机规则库中,选择随机规则,并根据所述随机规则,随机获取监管人员信息;
获取网络当前热点情况及事故或投诉情况;并对所述网络当前热点情况及事故或投诉情况,采用大数据算法对风险较高的所述检查对象提升随机抽检的概率;智能推荐出与当前检查对象相匹配的双随机规则;并输出对应的双随机结果;
根据大数据模型及人工分析,判断本次双随机的结合是否符合要求;若是,则直接输出结果;若否,则调整随机规则重新计算,直到输出的结果符合要求。
进一步地,所述检查对象信息包括名称、地址、类型、经营业务;所述监管人员信息包括个人基本信息、资格信息、专业信息以及检查等级信息。
进一步地,所述获取网络当前热点情况及事故或投诉情况,具体为:通过网络数据采集技术从网络获取当前热点情况及事故或投诉情况。
进一步地,所述智能推荐出与当前检查对象相匹配的双随机规则,具体为:采用相似度分析、大数据分析技术,智能推荐出与当前检查对象相匹配的双随机规则。
本发明还提供一种基于大数据智能分析的双随机监管系统,包括:信息获取单元、智能推荐单元和结果分析单元;
所述信息获取单元,用于随机获取检查品类信息,并根据预设的双随机规则获取监管人员信息;其中,所述检测品类信息包括若干个检查对象信息;
所述信息获取单元,还用于根据所述检查品类信息,在预设的随机规则库中,选择随机规则,并根据所述随机规则,随机获取监管人员信息;
所述智能推荐单元,用于获取网络当前热点情况及事故或投诉情况;并对所述网络当前热点情况及事故或投诉情况,采用大数据算法对风险较高的所述检查对象提升随机抽检的概率;智能推荐出与当前检查对象相匹配的双随机规则;并输出对应的双随机结果;
所述结果分析单元,用于根据大数据模型及人工分析,判断本次双随机的结合是否符合要求;若是,则直接输出结果;若否,则调整随机规则重新计算,直到输出的结果符合要求。
进一步地,所述检查对象信息包括名称、地址、类型、经营业务;所述监管人员信息包括个人基本信息、资格信息、专业信息以及检查等级信息。
进一步地,所述获取网络当前热点情况及事故或投诉情况,具体为:通过网络数据采集技术从网络获取当前热点情况及事故或投诉情况。
进一步地,所述智能推荐出与当前检查对象相匹配的双随机规则,具体为:采用相似度分析、大数据分析技术,智能推荐出与当前检查对象相匹配的双随机规则。
本发明还提供了一种基于大数据智能分析的双随机监管终端设备终端设备,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至4任一项所述的一种基于大数据智能分析的双随机监管方法。
本发明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包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至4任一项所述的一种基于大数据智能分析的双随机监管方法。
本发明实施例一种基于大数据智能分析的双随机监管方法、系统、终端设备及存储介质与现有技术相比,其有益效果在于:
本发明提供了一种基于大数据智能分析的双随机监管方法、装置、终端设备及存储介质,所述方法包括:随机获取检查品类信息,其中,所述检测品类信息包括若干个检查对象信息;根据所述检查品类信息,在预设的随机规则库中,选择随机规则,并根据所述随机规则,随机获取监管人员信息;获取网络当前热点情况及事故或投诉情况;并对所述网络当前热点情况及事故或投诉情况,采用大数据算法对风险较高的所述检查对象提升随机抽检的概率;智能推荐出与当前检查对象相匹配的双随机规则;并输出对应的双随机结果;根据大数据模型及人工分析,判断本次双随机的结合是否符合要求;若是,则直接输出结果;若否,则调整随机规则重新计算,直到输出的结果符合要求。本发明能够自动采集检查对象进行智能分析推荐,减少人工干预,实现科学监管,提高监督抽查效能。
附图说明
为了更清楚地说明本发明的技术方案,下面将对实施方式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本发明的一些实施方式,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的附图。
图1为本发明第一实施例提供的一种基于大数据智能分析的双随机监管方法的流程示意图;
图2为本发明第二实施例提供的一种基于大数据智能分析的双随机监管系统的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅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。
本发明第一实施例:
如图1所示,本发明实施例的一种基于大数据智能分析的双随机监管方法,包括:
S101、随机获取检查品类信息,其中,所述检测品类信息包括若干个检查对象信息;
S102、根据所述检查品类信息,在预设的随机规则库中,选择随机规则,并根据所述随机规则,随机获取监管人员信息;
S103、获取网络当前热点情况及事故或投诉情况;并对所述网络当前热点情况及事故或投诉情况,采用大数据算法对风险较高的所述检查对象提升随机抽检的概率;智能推荐出与当前检查对象相匹配的双随机规则;并输出对应的双随机结果;
S104、根据大数据模型及人工分析,判断本次双随机的结合是否符合要求;若是,则直接输出结果;若否,则调整随机规则重新计算,直到输出的结果符合要求。
在本发明的某一个实施例中,对于步骤S101,所述检查对象信息包括名称、地址、类型、经营业务;
在本发明的某一个实施例中,对于步骤S102,所述监管人员信息包括个人基本信息、资格信息、专业信息以及检查等级信息。
在本发明的某一个实施例中,对于步骤S103,所述获取网络当前热点情况及事故或投诉情况,具体为:通过网络数据采集技术从网络获取当前热点情况及事故或投诉情况。
在本发明的某一个实施例中,对于步骤S103,所述智能推荐出与当前检查对象相匹配的双随机规则,具体为:采用相似度分析、大数据分析技术,智能推荐出与当前检查对象相匹配的双随机规则。
需要说明的是,所述大数据算法包括云计算、MapReduce(并行编程架构模型)、大数据分析和挖掘的算法;
需要说明的是,所述相似度分析包括:余弦相似度、皮尔逊相关系数和修正余弦相似度;所述余弦相似度,又称为余弦相似性,是通过计算两个向量的夹角余弦值来评估他们的相似度。0度角的余弦值是1,而其他任何角度的余弦值都不大于1;并且其最小值是-1。从而两个向量之间的角度的余弦值确定两个向量是否大致指向相同的方向。两个向量有相同的指向时,余弦相似度的值为1;两个向量夹角为90°时,余弦相似度的值为0;两个向量指向完全相反的方向时,余弦相似度的值为-1。这结果是与向量的长度无关的,仅仅与向量的指向方向相关。余弦相似度通常用于正空间,因此给出的值为-1到1之间。
所述皮尔逊相关系数是最早由统计学家卡尔·皮尔逊设计的统计指标,是研究变量之间线性相关程度的量,一般用字母r表示。由于研究对象的不同,相关系数有多种定义方式,较为常用的是皮尔逊相关系数。
相关表和相关图可反映两个变量之间的相互关系及其相关方向,但无法确切地表明两个变量之间相关的程度。相关系数是用以反映变量之间相关关系密切程度的统计指标。相关系数是按积差方法计算,同样以两变量与各自平均值的离差为基础,通过两个离差相乘来反映两变量之间相关程度;着重研究线性的单相关系数。
需要说明的是,皮尔逊相关系数并不是唯一的相关系数,但是最常见的相关系数,以下解释都是针对皮尔逊相关系数。
依据相关现象之间的不同特征,其统计指标的名称有所不同。如将反映两变量间线性相关关系的统计指标称为相关系数(相关系数的平方称为判定系数);将反映两变量间曲线相关关系的统计指标称为非线性相关系数、非线性判定系数;将反映多元线性相关关系的统计指标称为复相关系数、复判定系数等。
本发明实施例提供了一种基于大数据智能分析的双随机监管方法,所述方法包括:随机获取检查品类信息,其中,所述检测品类信息包括若干个检查对象信息;根据所述检查品类信息,在预设的随机规则库中,选择随机规则,并根据所述随机规则,随机获取监管人员信息;获取网络当前热点情况及事故或投诉情况;并对所述网络当前热点情况及事故或投诉情况,采用大数据算法对风险较高的所述检查对象提升随机抽检的概率;智能推荐出与当前检查对象相匹配的双随机规则;并输出对应的双随机结果;根据大数据模型及人工分析,判断本次双随机的结合是否符合要求;若是,则直接输出结果;若否,则调整随机规则重新计算,直到输出的结果符合要求。本发明能够自动采集检查对象进行智能分析推荐,减少人工干预,实现科学监管,提高监督抽查效能。
本发明第二实施例:
如图2所示,本发明实施例的一种基于大数据智能分析的双随机监管系统200,包括:信息获取单元201、智能推荐单元202和结果分析单元203;
所述信息获取单元201,用于随机获取检查品类信息,并根据预设的双随机规则获取监管人员信息;其中,所述检测品类信息包括若干个检查对象信息;
所述信息获取单元201,还用于根据所述检查品类信息,在预设的随机规则库中,选择随机规则,并根据所述随机规则,随机获取监管人员信息;
所述智能推荐单元202,用于获取网络当前热点情况及事故或投诉情况;并对所述网络当前热点情况及事故或投诉情况,采用大数据算法对风险较高的所述检查对象提升随机抽检的概率;智能推荐出与当前检查对象相匹配的双随机规则;并输出对应的双随机结果;
所述结果分析单元203,用于根据大数据模型及人工分析,判断本次双随机的结合是否符合要求;若是,则直接输出结果;若否,则调整随机规则重新计算,直到输出的结果符合要求。
在本发明的某一个实施例中,所述检查对象信息包括名称、地址、类型、经营业务;所述监管人员信息包括个人基本信息、资格信息、专业信息以及检查等级信息。
在本发明的某一个实施例中,所述获取网络当前热点情况及事故或投诉情况,具体为:通过网络数据采集技术从网络获取当前热点情况及事故或投诉情况。
在本发明的某一个实施例中,所述智能推荐出与当前检查对象相匹配的双随机规则,具体为:采用相似度分析、大数据分析技术,智能推荐出与当前检查对象相匹配的双随机规则。
本发明实施例提供了一种基于大数据智能分析的双随机监管系统200,包括:信息获取单元201、智能推荐单元202和结果分析单元203;所述信息获取单元201,用于随机获取检查品类信息,并根据预设的双随机规则获取监管人员信息;其中,所述检测品类信息包括若干个检查对象信息;所述信息获取单元201,还用于根据所述检查品类信息,在预设的随机规则库中,选择随机规则,并根据所述随机规则,随机获取监管人员信息;所述智能推荐单元202,用于获取网络当前热点情况及事故或投诉情况;并对所述网络当前热点情况及事故或投诉情况,采用大数据算法对风险较高的所述检查对象提升随机抽检的概率;智能推荐出与当前检查对象相匹配的双随机规则;并输出对应的双随机结果;所述结果分析单元203,用于根据大数据模型及人工分析,判断本次双随机的结合是否符合要求;若是,则直接输出结果;若否,则调整随机规则重新计算,直到输出的结果符合要求。本系统能够自动采集检查对象进行智能分析推荐,减少人工干预,实现科学监管,提高监督抽查效能。
本发明第三实施例:
本发明实施例的一种基于大数据智能分析的双随机监管终端设备,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至4任一项所述的一种基于大数据智能分析的双随机监管方法。
本发明第四实施例:
本发明实施例的一种计算机可读存储介质,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至4任一项所述的一种基于大数据智能分析的双随机监管方法。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和替换,这些改进和替换也应视为本发明的保护范围。
Claims (10)
1.一种基于大数据智能分析的双随机监管方法,其特征在于,包括:
随机获取检查品类信息,其中,所述检测品类信息包括若干个检查对象信息;
根据所述检查品类信息,在预设的随机规则库中,选择随机规则,并根据所述随机规则,随机获取监管人员信息;
获取网络当前热点情况及事故或投诉情况;并对所述网络当前热点情况及事故或投诉情况,采用大数据算法对风险较高的所述检查对象提升随机抽检的概率;智能推荐出与当前检查对象相匹配的双随机规则;并输出对应的双随机结果;
根据大数据模型及人工分析,判断本次双随机的结合是否符合要求;若是,则直接输出结果;若否,则调整随机规则重新计算,直到输出的结果符合要求。
2.根据权利要求1所述的一种基于大数据智能分析的双随机监管方法,其特征在于,所述检查对象信息包括名称、地址、类型、经营业务;所述监管人员信息包括个人基本信息、资格信息、专业信息以及检查等级信息。
3.根据权利要求1所述的一种基于大数据智能分析的双随机监管方法,其特征在于,所述获取网络当前热点情况及事故或投诉情况,具体为:通过网络数据采集技术从网络获取当前热点情况及事故或投诉情况。
4.根据权利要求1所述的一种基于大数据智能分析的双随机监管方法,其特征在于,所述智能推荐出与当前检查对象相匹配的双随机规则,具体为:采用相似度分析、大数据分析技术,智能推荐出与当前检查对象相匹配的双随机规则。
5.一种基于大数据智能分析的双随机监管系统,其特征在于,包括:信息获取单元、智能推荐单元和结果分析单元;
所述信息获取单元,用于随机获取检查品类信息,并根据预设的双随机规则获取监管人员信息;其中,所述检测品类信息包括若干个检查对象信息;
所述信息获取单元,还用于根据所述检查品类信息,在预设的随机规则库中,选择随机规则,并根据所述随机规则,随机获取监管人员信息;
所述智能推荐单元,用于获取网络当前热点情况及事故或投诉情况;并对所述网络当前热点情况及事故或投诉情况,采用大数据算法对风险较高的所述检查对象提升随机抽检的概率;智能推荐出与当前检查对象相匹配的双随机规则;并输出对应的双随机结果;
所述结果分析单元,用于根据大数据模型及人工分析,判断本次双随机的结合是否符合要求;若是,则直接输出结果;若否,则调整随机规则重新计算,直到输出的结果符合要求。
6.根据权利要求5所述的一种基于大数据智能分析的双随机监管系统,其特征在于,所述检查对象信息包括名称、地址、类型、经营业务;所述监管人员信息包括个人基本信息、资格信息、专业信息以及检查等级信息。
7.根据权利要求5所述的一种基于大数据智能分析的双随机监管系统,其特征在于,所述获取网络当前热点情况及事故或投诉情况,具体为:通过网络数据采集技术从网络获取当前热点情况及事故或投诉情况。
8.根据权利要求5所述的一种基于大数据智能分析的双随机监管系统,其特征在于,所述智能推荐出与当前检查对象相匹配的双随机规则,具体为:采用相似度分析、大数据分析技术,智能推荐出与当前检查对象相匹配的双随机规则。
9.一种基于大数据智能分析的双随机监管终端设备,其特征在于,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至4任一项所述的一种基于大数据智能分析的双随机监管方法。
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包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至4任一项所述的一种基于大数据智能分析的双随机监管方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010659872.4A CN111951141A (zh) | 2020-07-09 | 2020-07-09 | 基于大数据智能分析的双随机监管方法、系统及终端设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010659872.4A CN111951141A (zh) | 2020-07-09 | 2020-07-09 | 基于大数据智能分析的双随机监管方法、系统及终端设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111951141A true CN111951141A (zh) | 2020-11-17 |
Family
ID=73340108
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010659872.4A Pending CN111951141A (zh) | 2020-07-09 | 2020-07-09 | 基于大数据智能分析的双随机监管方法、系统及终端设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111951141A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115577867A (zh) * | 2022-12-09 | 2023-01-06 | 深圳海智创科技有限公司 | 一种抽检任务创建方法、系统、计算机设备及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103631859A (zh) * | 2013-10-24 | 2014-03-12 | 杭州电子科技大学 | 一种面向科技项目的评审专家智能推荐方法 |
CN107943931A (zh) * | 2017-11-22 | 2018-04-20 | 上海心灵伙伴览育信息技术有限公司 | 来访者与咨询师的匹配方法及系统 |
CN110633316A (zh) * | 2019-08-13 | 2019-12-31 | 广州中国科学院软件应用技术研究所 | 一种多场景融合双随机市场监管方法 |
CN110633301A (zh) * | 2019-09-19 | 2019-12-31 | 浪潮软件集团有限公司 | 一种基于引擎设置抽取数据的方法及系统 |
CN111199350A (zh) * | 2019-12-30 | 2020-05-26 | 山东爱城市网信息技术有限公司 | 一种基于区块链的监督抽查方法、设备及介质 |
CN111209486A (zh) * | 2019-12-19 | 2020-05-29 | 杭州安恒信息技术股份有限公司 | 一种混合推荐规则的管理平台数据推荐方法 |
CN111210106A (zh) * | 2019-12-18 | 2020-05-29 | 航天信息股份有限公司 | 一种基于双随机的监督检查方法及系统 |
-
2020
- 2020-07-09 CN CN202010659872.4A patent/CN111951141A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103631859A (zh) * | 2013-10-24 | 2014-03-12 | 杭州电子科技大学 | 一种面向科技项目的评审专家智能推荐方法 |
CN107943931A (zh) * | 2017-11-22 | 2018-04-20 | 上海心灵伙伴览育信息技术有限公司 | 来访者与咨询师的匹配方法及系统 |
CN110633316A (zh) * | 2019-08-13 | 2019-12-31 | 广州中国科学院软件应用技术研究所 | 一种多场景融合双随机市场监管方法 |
CN110633301A (zh) * | 2019-09-19 | 2019-12-31 | 浪潮软件集团有限公司 | 一种基于引擎设置抽取数据的方法及系统 |
CN111210106A (zh) * | 2019-12-18 | 2020-05-29 | 航天信息股份有限公司 | 一种基于双随机的监督检查方法及系统 |
CN111209486A (zh) * | 2019-12-19 | 2020-05-29 | 杭州安恒信息技术股份有限公司 | 一种混合推荐规则的管理平台数据推荐方法 |
CN111199350A (zh) * | 2019-12-30 | 2020-05-26 | 山东爱城市网信息技术有限公司 | 一种基于区块链的监督抽查方法、设备及介质 |
Non-Patent Citations (2)
Title |
---|
张松兰;: "智能推荐算法研究综述", 长春师范大学学报, no. 06 * |
黎承;: ""双随机、一公开"消防监督执法机制的探讨", 智能建筑与智慧城市, no. 12 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115577867A (zh) * | 2022-12-09 | 2023-01-06 | 深圳海智创科技有限公司 | 一种抽检任务创建方法、系统、计算机设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | Risk prediction and evaluation of transnational transmission of financial crisis based on complex network | |
US11070585B2 (en) | Systems and methods configuring a unified threat machine learning model for joint content and user threat detection | |
Bojnordi et al. | A novel collaborative filtering model based on combination of correlation method with matrix completion technique | |
CN115174231B (zh) | 一种基于AI Knowledge Base的网络欺诈分析方法及服务器 | |
CN109063921A (zh) | 客户风险预警的优化处理方法、装置、计算机设备和介质 | |
Guegan et al. | Multivariate vars for operational risk capital computation: a vine structure approach | |
Kumar et al. | An information theoretic approach for feature selection | |
CN114580916A (zh) | 一种企业风险评估方法、装置、电子设备及存储介质 | |
Zhou et al. | Recommending ticket resolution using feature adaptation | |
CN112463848A (zh) | 检测用户异常行为的检测方法、系统、装置和存储介质 | |
Rafiei et al. | A novel intelligent strategy for probabilistic electricity price forecasting: Wavelet neural network based modified dolphin optimization algorithm | |
Varbella et al. | Geometric deep learning for online prediction of cascading failures in power grids | |
CN114548756A (zh) | 基于主成分分析的综合能源项目综合效益评价方法及装置 | |
CN111951141A (zh) | 基于大数据智能分析的双随机监管方法、系统及终端设备 | |
CN113835947B (zh) | 一种基于异常识别结果确定异常原因的方法和系统 | |
CN108768742B (zh) | 网络构建方法及装置、电子设备、存储介质 | |
El Hadj et al. | Validation and correction of large security policies: A clustering and access log based approach | |
Lee et al. | Tests for Volatility Shifts in Garch Against Long‐Range Dependence | |
Hadi-Vencheh et al. | Robust ABC Inventory Classification Using Hybrid TOPSIS-Alternative Factor Extraction Approaches | |
Misyrlis et al. | Sparse causal temporal modeling to inform power system defense | |
Zang | Construction of Mobile Internet Financial Risk Cautioning Framework Based on BP Neural Network | |
CN113064812A (zh) | 一种项目开发过程质量缺陷预测方法、装置及介质 | |
Fonteneau-Belmudes et al. | Consequence driven decomposition of large-scale power system security analysis | |
Upadhyay et al. | Comparative analysis of tabular generative adversarial network (GAN) models for generation and validation of power grid synthetic datasets | |
Rezaei et al. | Transformer Tap Position Estimation Improvement Using the Hypothesis Testing for a Population Mean |
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 |