CN112182143B - 产品智能推荐方法、装置、计算机设备和存储介质 - Google Patents

产品智能推荐方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN112182143B
CN112182143B CN202011051581.3A CN202011051581A CN112182143B CN 112182143 B CN112182143 B CN 112182143B CN 202011051581 A CN202011051581 A CN 202011051581A CN 112182143 B CN112182143 B CN 112182143B
Authority
CN
China
Prior art keywords
product
file
user information
factor
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.)
Active
Application number
CN202011051581.3A
Other languages
English (en)
Other versions
CN112182143A (zh
Inventor
方明
濮琳
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.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen 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 Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN202011051581.3A priority Critical patent/CN112182143B/zh
Publication of CN112182143A publication Critical patent/CN112182143A/zh
Application granted granted Critical
Publication of CN112182143B publication Critical patent/CN112182143B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06F16/31—Indexing; Data structures therefor; Storage structures
    • G06F16/316—Indexing structures
    • G06F16/325—Hash tables
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
    • G06F40/295—Named entity recognition
    • 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]
    • G06Q30/0631—Item recommendations
    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Data Mining & Analysis (AREA)
  • Development Economics (AREA)
  • Strategic Management (AREA)
  • Software Systems (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请涉及数据处理技术领域，提供一种产品智能推荐方法、装置、计算机设备和存储介质，通过建立因素集以及评价集，无需大量的训练数据；分别基于所述因素集中各个单因素对所述评价集中的各个元素的隶属度，建立各个所述单因素对所述评价集中所有产品推荐结果的模糊集合；再将所述因素集中的所有单因素对应的模糊集合组成矩阵，得到模糊综合评价矩阵，并将所述模糊综合评价矩阵保存至区块链中；并建立各所述因素的权重集合的模糊集，基于所述模糊综合评价矩阵以及所述模糊集，计算得到所述评价集上的模糊向量；最终基于所述模糊向量，确定最终的产品推荐结果，模糊向量采用精确的数据进行表达，便于精确表达推荐程度。

Description

产品智能推荐方法、装置、计算机设备和存储介质
技术领域
本申请涉及数据处理技术领域，特别涉及一种产品智能推荐方法、装置、计算机设备和存储介质。
背景技术
智能推荐是互联网产品中常见的应用。在保险领域，智能推荐可用于向用户精确推送保险产品。而对于保障智能推荐的精确度，目前大致分为两种模式：
1.基于大数据的训练系统：随着数据量增加和系统不断学习，推送结果越来越精确。但是这种模式非常依赖大量的用户数据和较长时间的训练过程，存在“冷启动”问题，在运营初期难以实施。而在保险领域，往往需要面对大量的新用户和新产品，“冷启动”问题尤为突出，所以目前业内对于这一模式的运用还存在较大的限制。
2.基于定制化的专家系统。在这种模式下，即使用户、产品都是全新的，在合理建模的前提下也能获得较为精确的结果。但是，在传统的专家系统中，建模需要依赖精确的参数设定。其中一些规则是可以明确的，如：“对于年龄大于10岁且年龄小于65岁的用户可以推荐产品1，否则不推荐；对于已经购买过产品1的用户，不再推荐产品1。”然而在更多的场景下，其规则更为复杂，其边界更为模糊，又或是难以进行量化，如：“对于健康的用户，推荐产品1；对于不健康的用户，推荐产品2”，此时对于“健康”如何精确界定？又如：“对于年轻的用户，推荐产品3；对于年长的用户，推荐产品4”，此时对于“年轻”和“年长”的年龄边界如何精确制定？此外，同为“值得推荐”的产品中对于每个产品的推荐程度往往有高有低，无法用精确的数据进行推荐程度的描述。
发明内容
本申请的主要目的为提供一种产品智能推荐方法、装置、计算机设备和存储介质，旨在克服目前需要大量的训练数据以及无法用精确数据表达推荐程度的缺陷。
为实现上述目的，本申请提供了一种产品智能推荐方法，包括以下步骤：
对用户进行产品推荐时，获取影响产品推荐结果的各个因素，并基于各个所述因素分别作为集合的单因素建立因素集；
获取各个产品推荐结果，并将各个所述产品推荐结果分别作为集合的一个元素建立评价集；
分别基于所述因素集中各个单因素对所述评价集中的各个元素的隶属度，建立各个所述单因素对所述评价集中所有产品推荐结果的模糊集合；
将所述因素集中的所有单因素对应的模糊集合组成矩阵，得到模糊综合评价矩阵，并将所述模糊综合评价矩阵保存至区块链中；
获取各个所述因素对应的权重，基于各个所述因素对应的权重建立各所述因素的权重集合的模糊集；
基于所述模糊综合评价矩阵以及所述模糊集，计算得到所述评价集上的模糊向量；
基于所述模糊向量，确定最终的产品推荐结果。
进一步地，所述分别基于所述因素集中各个单因素对所述评价集中的各个元素的隶属度，建立各个所述单因素对所述评价集中所有产品推荐结果的模糊集合的步骤之前，包括：
获取所述因素集中各个单因素的变量类型；所述变量类型包括离散变量以及连续变量；
根据所述单因素的变量类型，匹配对应的隶属函数；所述隶属函数包括所述单因素对所述评价集中各个元素的隶属关系；
根据所述单因素以及所述隶属函数，确定所述因素集中各个所述单因素对所述评价集中的各个元素的隶属度。
进一步地，所述基于所述模糊向量，确定最终的产品推荐结果的步骤之后，包括：
根据所述最终的产品推荐结果，确定对应的产品介绍电子模板；
将所述用户的各个因素添加至所述产品介绍电子模板中，生成产品推荐文件；
对所述产品推荐文件进行哈希计算，得到对应的文件哈希值并存储至数据库中；
将所述产品推荐文件以及所述文件哈希值发送至所述用户所在的终端；其中，所述文件哈希值用于所述用户所在的终端对所述产品推荐文件进行加密。
进一步地，所述将所述产品推荐文件以及所述文件哈希值发送至所述用户所在的终端的步骤之后，包括：
接收所述用户上传的产品文件；其中，所述产品文件为所述用户在所述产品推荐文件中输入用户信息并通过所述文件哈希值进行加密后所形成；
基于数据库中存储的所述文件哈希值对所述产品文件进行解密，以获取所述产品文件中记载的所述用户的用户信息；
对所述用户信息进行哈希计算得到对应的哈希值作为标识信息添加在所述产品文件中；
对所述用户信息进行伪造，得到多份伪造用户信息；
将所述用户信息以及每份所述伪造用户信息分别添加至二维码中，得到多个用户信息二维码；
删除所述产品文件中记载的所述用户的用户信息，并将每个所述用户信息二维码添加在所述产品文件中。
进一步地，所述删除所述产品文件中记载的所述用户的用户信息，并将每个所述用户信息二维码添加在所述产品文件中的步骤之后，包括：
在接收到生成产品订单的指令时，识别出所述产品文件中的多个所述用户信息二维码；
解析各个所述用户信息二维码中存储的信息；
对所述用户信息二维码中存储的信息分别进行哈希计算得到对应的二维码哈希值；
对比所述二维码哈希值以及所述标识信息，确定出与所述标识信息一致的二维码哈希值所对应的目标用户信息二维码；
将所述目标用户信息二维码中存储的信息添加至订单模板中，生成所述产品订单。
进一步地，所述对所述用户信息进行伪造的步骤，包括：
识别所述用户信息中包括的多个命名实体以及各个所述命名实体对应的命名实体类型；
从所述命名实体中随机选择出至少一个命名实体作为目标命名实体；
将所述目标命名实体随机替换为伪造命名实体，得到伪造用户信息；其中，所述伪造命名实体与所述目标命名实体的命名实体类型相同。
本申请还提供了一种产品智能推荐装置，包括：
第一建立单元，用于对用户进行产品推荐时，获取影响产品推荐结果的各个因素，并基于各个所述因素分别作为集合的单因素建立因素集；
第二建立单元，用于获取各个产品推荐结果，并将各个所述产品推荐结果分别作为集合的一个元素建立评价集；
第三建立单元，用于分别基于所述因素集中各个单因素对所述评价集中的各个元素的隶属度，建立各个所述单因素对所述评价集中所有产品推荐结果的模糊集合；
组成单元，用于将所述因素集中的所有单因素对应的模糊集合组成矩阵，得到模糊综合评价矩阵，并将所述模糊综合评价矩阵保存至区块链中；
第四建立单元，用于获取各个所述因素对应的权重，基于各个所述因素对应的权重建立各所述因素的权重集合的模糊集；
第一计算单元，用于基于所述模糊综合评价矩阵以及所述模糊集，计算得到所述评价集上的模糊向量；
推荐单元，用于基于所述模糊向量，确定最终的产品推荐结果。
进一步地，还包括：
获取单元，用于获取所述因素集中各个单因素的变量类型；所述变量类型包括离散变量以及连续变量；
匹配单元，用于根据所述单因素的变量类型，匹配对应的隶属函数；所述隶属函数包括所述单因素对所述评价集中各个元素的隶属关系；
第一确定单元，用于根据所述单因素以及所述隶属函数，确定所述因素集中各个所述单因素对所述评价集中的各个元素的隶属度。
进一步地，所述装置还包括：
第二确定单元，用于根据所述最终的产品推荐结果，确定对应的产品介绍电子模板；
添加单元，用于将所述用户的各个因素添加至所述产品介绍电子模板中，生成产品推荐文件；
第二计算单元，用于对所述产品推荐文件进行哈希计算，得到对应的文件哈希值并存储至数据库中；
发送单元，用于将所述产品推荐文件以及所述文件哈希值发送至所述用户所在的终端；其中，所述文件哈希值用于所述用户所在的终端对所述产品推荐文件进行加密。
进一步地，还包括：
接收单元，用于接收所述用户上传的产品文件；其中，所述产品文件为所述用户在所述产品推荐文件中输入用户信息并通过所述文件哈希值进行加密后所形成；
第三计算单元，用于基于数据库中存储的所述文件哈希值对所述产品文件进行解密，以获取所述产品文件中记载的所述用户的用户信息；
第四计算单元，用于对所述用户信息进行哈希计算得到对应的哈希值作为标识信息添加在所述产品文件中；
伪造单元，用于对所述用户信息进行伪造，得到多份伪造用户信息；
生成单元，用于将所述用户信息以及每份所述伪造用户信息分别添加至二维码中，得到多个用户信息二维码；
删除单元，用于删除所述产品文件中记载的所述用户的用户信息，并将每个所述用户信息二维码添加在所述产品文件中。
进一步地，还包括：
识别单元，用于在接收到生成产品订单的指令时，识别出所述产品文件中的多个所述用户信息二维码；
解析单元，用于解析各个所述用户信息二维码中存储的信息；
第五计算单元，用于对所述用户信息二维码中存储的信息分别进行哈希计算得到对应的二维码哈希值；
对比单元，用于对比所述二维码哈希值以及所述标识信息，确定出与所述标识信息一致的二维码哈希值所对应的目标用户信息二维码；
订单生成单元，用于将所述目标用户信息二维码中存储的信息添加至订单模板中，生成所述产品订单。
本申请还提供一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。
本申请还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述的方法的步骤。
本申请提供的产品智能推荐方法、装置、计算机设备和存储介质，通过建立因素集以及评价集，无需大量的训练数据；分别基于所述因素集中各个单因素对所述评价集中的各个元素的隶属度，建立各个所述单因素对所述评价集中所有产品推荐结果的模糊集合；再将所述因素集中的所有单因素对应的模糊集合组成矩阵，得到模糊综合评价矩阵；并建立各所述因素的权重集合的模糊集，基于所述模糊综合评价矩阵以及所述模糊集，计算得到所述评价集上的模糊向量；最终基于所述模糊向量，确定最终的产品推荐结果，模糊向量采用精确的数据进行表达，便于精确表达推荐程度。
附图说明
图1是本申请一实施例中产品智能推荐方法步骤示意图；
图2是本申请一实施例中单因素对评价集中推荐产品的隶属函数示意图；
图3是本申请一实施例中产品智能推荐装置结构框图；
图4为本申请一实施例的计算机设备的结构示意框图。
本申请目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
参照图1，本申请提供了一种产品智能推荐方法，包括以下步骤：
步骤S1，对用户进行产品推荐时，获取影响产品推荐结果的各个因素，并基于各个所述因素分别作为集合的单因素建立因素集；
步骤S2，获取各个产品推荐结果，并将各个所述产品推荐结果分别作为集合的一个元素建立评价集；
步骤S3，分别基于所述因素集中各个单因素对所述评价集中的各个元素的隶属度，建立各个所述单因素对所述评价集中所有产品推荐结果的模糊集合；
步骤S4，将所述因素集中的所有单因素对应的模糊集合组成矩阵，得到模糊综合评价矩阵，并将所述模糊综合评价矩阵保存至区块链中；
步骤S5，获取各个所述因素对应的权重，基于各个所述因素对应的权重建立各所述因素的权重集合的模糊集；
步骤S6，基于所述模糊综合评价矩阵以及所述模糊集，计算得到所述评价集上的模糊向量；
步骤S7，基于所述模糊向量，确定最终的产品推荐结果。
在本实施例中，上述方法应用保险领域，用于为指定用户合理推荐保险产品，且在推荐时，可以用精确的数据对产品推荐结果的推荐程度进行描述，便于直观从数据中获取到对保险产品的推荐程度。上述方案也可以应用于智慧城市领域中，从而推动智慧城市的建设。
具体地，如上述步骤S1所述的，上述产品推荐结果指的是所要推荐的产品，例如在保险领域，可以是保险产品1，保险产品2等。影响上述产品推荐结果的因素可以有多个，上述因素通常为用户的个人信息，例如用户年龄、用户职业。
上述因素集是以影响产品推荐结果的各种因素所组成的一个普通集合，通常用U表示，U＝(u1,u2,…,um)，，其中，ui表示影响产品推荐结果的第i个因素。
为了便于描述，在本实施例中，假设影响产品推荐结果的因素集为U＝(u1,u2)，u1表示用户年龄，u2表示用户职业。
如上述步骤S2所述的，上述评价集是对用户进行产品推荐时所有可能的产品推荐结果的集合，通常用V表示，V＝(v1,v2,…,vn)，其中vj表示第j种产品推荐结果。为了便于描述，在本实施例中，假设产品推荐结果的集合为V＝(v1,v2,v3)，即包括三种产品推荐结果。
如上述步骤S3所述的，上述隶属度指的是因素集中某个单因素(即每个因素)在不同条件下，对上述评价集中单个元素的对应关联度；例如，对于上述因素集中的用户职业以及评价集中的产品推荐结果v1，当用户的用户职业不同时，分别对用户推荐上述产品推荐结果V1的推荐程度不同，例如用户职业为医生时，对某个产品推荐结果V1的推荐程度为0.8，对应的该推荐程度(0.8)即为上述因素集中单因素对所述评价集中的单个元素的隶属度，该隶属度表达为ri1。
每个单因素针对所述评价集中所有产品推荐结果均具有一个推荐程度，将各个所述单因素对所述评价集中所有产品推荐结果的隶属度建立模糊集合。该集合中包括了某个单因素对评价集中所有产品推荐结果的隶属度，模糊集合表达为Ri＝(ri1,ri2,…,rin)。
如上述步骤S4所述的，上述因素集中包括有多个单因素，每个单因素对应有一个模糊集合，将因素集中所有的单因素对应的模糊集合组成矩阵Rm*n，得到上述模糊综合评价矩阵；上述矩阵的构成方式为，矩阵中的每一行分别为同一个单因素对所述评价集中所有产品推荐结果的隶属度。
在本实施例中，将所述模糊综合评价矩阵保存至区块链中。其中，区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层。
如上述步骤S5所述的，在实际业务中，各因素的重要程度往往是不同的，为此，给各因素一个权重，各因素的权重集合的模糊集可以表示为A＝(a1,a2,...,am)；为了便于描述，假设对于年龄，职业这两个因素的权重集合的模糊集表示为A＝(0.2,0.5)。
如上述步骤S6-S7所述的，确定了模糊综合评价矩阵和模糊集A之后，通过模糊变化将因素集上的模糊向量A(即模糊集A)变为评价集V上的模糊向量B；
其中，模糊向量B＝A1*m°Rm*n＝(b1,b2,...,bn)。其中°为综合评价合成算子，为了便于描述与计算，此处直接取通用的矩阵乘法。
例如，在一具体实施例中，计算可得模糊向量：B＝A*R＝(0.062，0.336，0)。由此可得结论：对于该用户，产品2最为推荐，产品1次之，而产品3不适合推荐。在本实施例中，将模糊的、主观的推荐规则拆解为多个明确的、客观的评判标准，原先的主观因素客观化为一个个因子，最终推荐时采用精确的数据进行表达，便于推荐程度的精确描述。
在一实施例中，所述分别基于所述因素集中各个单因素对所述评价集中的各个元素的隶属度，建立各个所述单因素对所述评价集中所有产品推荐结果的模糊集合的步骤S3之前，包括：
步骤S31，获取所述因素集中各个单因素的变量类型；所述变量类型包括离散变量以及连续变量；
步骤S32，根据所述单因素的变量类型，匹配对应的隶属函数；所述隶属函数包括所述单因素对所述评价集中各个元素的隶属关系；
步骤S33，根据所述单因素以及所述隶属函数，确定所述因素集中各个所述单因素对所述评价集中的各个元素的隶属度。
在本实施例中，关于上述隶属度的获取，需要考虑两种情况：
第一种情况下，单因素为离散的，则其隶属函数是离散的，此时的处理较为简单。以用户属性“职业”对“适合产品1”的隶属度为例，设“职业”为x，“适合产品1的集合”为P，其隶属函数可如下表示：
若该用户为医生，则根据上述因素“医生”以及上述隶属函数，得到上述隶属度为0.8。
第二种情况下，单因素为连续变量，其隶属函数是连续的，该情况较为复杂。以用户属性“年龄”对“适合产品1”的隶属度为例，设“年龄”为x，“适合产品1的集合”为P，其隶属函数ux可表示为如图2：
此时根据实际情况制定合适的隶属函数，同样的根据上述因素“年龄”的具体值，将其代入至上述隶属函数中，则可以计算得到对应的隶属度。
在一具体实施例中，当各因素对各产品推荐结果的隶属函数均确定之后，代入用户的各个因素的属性值，便获得了一个特定用户对于产品推荐度模糊综合评价矩阵如下：
即上述模糊综合评价矩阵为：
在一实施例中，所述基于所述模糊向量，确定最终的产品推荐结果的步骤S7之后，包括：
步骤S8，根据所述最终的产品推荐结果，确定对应的产品介绍电子模板；
步骤S9，将所述用户的各个因素添加至所述产品介绍电子模板中，生成产品推荐文件；
步骤S10，对所述产品推荐文件进行哈希计算，得到对应的文件哈希值并存储至数据库中；
步骤S11，将所述产品推荐文件以及所述文件哈希值发送至所述用户所在的终端；其中，所述文件哈希值用于所述用户所在的终端对所述产品推荐文件进行加密。
其中，所述用户接收到所述产品推荐文件之后，在所述产品推荐文件中输入用户信息，并通过所述文件哈希值对所述产品推荐文件进行加密。上述用户的各个因素通常为用户职业、年龄、性别等信息，其有一定的私密性，但私密性不高，因此可以不进行加密；上述用户的用户信息通常为用户的姓名、身份证号码、电话号码等较为私密的信息，因此为了信息安全，需要对其进行加密，上述文件哈希值即作为约定的加密密码。
在一实施例中，所述将所述产品推荐文件以及所述文件哈希值发送至所述用户所在的终端的步骤S11之后，包括：
步骤S12，接收所述用户上传的产品文件；其中，所述产品文件为所述用户在所述产品推荐文件中输入用户信息并通过所述文件哈希值进行加密后所形成；
步骤S13，基于数据库中存储的所述文件哈希值对所述产品文件进行解密，以获取所述产品文件中记载的所述用户的用户信息；
步骤S14，对所述用户信息进行哈希计算得到对应的哈希值作为标识信息添加在所述产品文件中；
步骤S15，对所述用户信息进行伪造，得到多份伪造用户信息；
步骤S16，将所述用户信息以及每份所述伪造用户信息分别添加至二维码中，得到多个用户信息二维码；
步骤S17，删除所述产品文件中记载的所述用户的用户信息，并将每个所述用户信息二维码添加在所述产品文件中。
在本实施例中，用户将用户信息输入至上述产品推荐文件中之后，为了保障用户信息的安全性，对上述产品推荐文件进行加密，得到上述产品文件；企业终端接收到上述产品文件时，则对其进行解密得到用户的用户信息。
为了进一步地保障用户信息的安全性，而且为了避免将用户信息直接展示在产品文件，本实施例中选择将上述用户信息添加在二维码中。同时，还需要伪造多份用户信息得到伪造用户信息，作为误导信息；将正确的用户信息以及伪造用户信息分别添加在二维码中，得到多个用户信息二维码添加在产品文件中。即便非法用户解密上述产品文件，也只能得到多个用户信息二维码，而无法直接从中确认正确的用户信息。
同时，对上述用户信息进行哈希计算得到对应的哈希值，将该哈希值作为标识信息添加在所述产品文件中，该标识信息作为验证上述用户信息二维码的验证信息。验证时，只需要分别解析出每个用户信息二维码中记载的信息，对解析出的信息进行哈希计算得到对应的哈希值，判断与上述标识信息是否相同，则可以判断出哪个用户信息二维码为记载正确用户信息的二维码。
在一实施例中，上述对所述用户信息进行伪造的步骤S15，包括：
识别所述用户信息中包括的多个命名实体以及各个所述命名实体对应的命名实体类型；
从所述命名实体中随机选择出至少一个命名实体作为目标命名实体；
将所述目标命名实体随机替换为伪造命名实体，得到伪造用户信息；其中，所述伪造命名实体与所述目标命名实体的命名实体类型相同。
在本实施例中，上述命名实体指的包名人名、地名、机构名称等，上述信息中通常包括用户的私密信息，因此可以对其进行伪造，在伪造时，为了增加伪造用户信息的置信度，还应当将其伪造成相同命名实体类型的命名实体。因此，需要识别出命名实体对应的命名实体类型。在每一次进行伪造时，可以从用户信息的命名实体中随机选择至少一个命名实体作为目标命名实体作为伪造对象。每一次伪造的目标命名实体可以不同，数量也可以不同，经过多次伪造，则可以得到多份伪造用户信息。
具体地，在本实施例中，所述删除所述产品文件中记载的所述用户的用户信息，并将每个所述用户信息二维码添加在所述产品文件中的步骤S17之后，包括：
步骤S18，在接收到生成产品订单的指令时，识别出所述产品文件中的多个所述用户信息二维码；
步骤S19，解析各个所述用户信息二维码中存储的信息；
步骤S20，对所述用户信息二维码中存储的信息分别进行哈希计算得到对应的二维码哈希值；
步骤S21，对比所述二维码哈希值以及所述标识信息，确定出与所述标识信息一致的二维码哈希值所对应的目标用户信息二维码；
步骤S22，将所述目标用户信息二维码中存储的信息添加至订单模板中，生成所述产品订单。
参照图3，本申请一实施例中还提供了一种产品智能推荐装置，包括：
第一建立单元10，用于对用户进行产品推荐时，获取影响产品推荐结果的各个因素，并基于各个所述因素分别作为集合的单因素建立因素集；
第二建立单元20，用于获取各个产品推荐结果，并将各个所述产品推荐结果分别作为集合的一个元素建立评价集；
第三建立单元30，用于分别基于所述因素集中各个单因素对所述评价集中的各个元素的隶属度，建立各个所述单因素对所述评价集中所有产品推荐结果的模糊集合；
组成单元40，用于将所述因素集中的所有单因素对应的模糊集合组成矩阵，得到模糊综合评价矩阵，将所述模糊综合评价矩阵保存至区块链中；
第四建立单元50，用于获取各个所述因素对应的权重，基于各个所述因素对应的权重建立各所述因素的权重集合的模糊集；
第一计算单元60，用于基于所述模糊综合评价矩阵以及所述模糊集，计算得到所述评价集上的模糊向量；
推荐单元70，用于基于所述模糊向量，确定最终的产品推荐结果。
在一实施例中，上述装置还包括：
获取单元，用于获取所述因素集中各个单因素的变量类型；所述变量类型包括离散变量以及连续变量；
匹配单元，用于根据所述单因素的变量类型，匹配对应的隶属函数；所述隶属函数包括所述单因素对所述评价集中各个元素的隶属关系；
第一确定单元，用于根据所述单因素以及所述隶属函数，确定所述因素集中各个所述单因素对所述评价集中的各个元素的隶属度。
在一实施例中，所述装置还包括：
第二确定单元，用于根据所述最终的产品推荐结果，确定对应的产品介绍电子模板；
添加单元，用于将所述用户的各个因素添加至所述产品介绍电子模板中，生成产品推荐文件；
第二计算单元，用于对所述产品推荐文件进行哈希计算，得到对应的文件哈希值并存储至数据库中；
发送单元，用于将所述产品推荐文件以及所述文件哈希值发送至所述用户所在的终端；其中，所述文件哈希值用于所述用户所在的终端对所述产品推荐文件进行加密。
在一实施例中，上述装置还包括：
接收单元，用于接收所述用户上传的产品文件；其中，所述产品文件为所述用户在所述产品推荐文件中输入用户信息并通过所述文件哈希值进行加密后所形成；
第三计算单元，用于基于数据库中存储的所述文件哈希值对所述产品文件进行解密，以获取所述产品文件中记载的所述用户的用户信息；
第四计算单元，用于对所述用户信息进行哈希计算得到对应的哈希值作为标识信息添加在所述产品文件中；
伪造单元，用于对所述用户信息进行伪造，得到多份伪造用户信息；
生成单元，用于将所述用户信息以及每份所述伪造用户信息分别添加至二维码中，得到多个用户信息二维码；
删除单元，用于删除所述产品文件中记载的所述用户的用户信息，并将每个所述用户信息二维码添加在所述产品文件中。
在一实施例中，所述伪造单元具体用于：
识别所述用户信息中包括的多个命名实体以及各个所述命名实体对应的命名实体类型；
从所述命名实体中随机选择出至少一个命名实体作为目标命名实体；
将所述目标命名实体随机替换为伪造命名实体，得到伪造用户信息；其中，所述伪造命名实体与所述目标命名实体的命名实体类型相同。
在一实施例中，上述装置还包括：
识别单元，用于在接收到生成产品订单的指令时，识别出所述产品文件中的多个所述用户信息二维码；
解析单元，用于解析各个所述用户信息二维码中存储的信息；
第五计算单元，用于对所述用户信息二维码中存储的信息分别进行哈希计算得到对应的二维码哈希值；
对比单元，用于对比所述二维码哈希值以及所述标识信息，确定出与所述标识信息一致的二维码哈希值所对应的目标用户信息二维码；
订单生成单元，用于将所述目标用户信息二维码中存储的信息添加至订单模板中，生成所述产品订单。
在一实施例中，上述装置还包括：
保存单元，用于将所述模糊综合评价矩阵保存至区块链中。
在本实施例中，上述各个单元的具体实现请参照上述方法实施例中所述，在此不再进行赘述。
参照图4，本申请实施例中还提供一种计算机设备，该计算机设备可以是服务器，其内部结构可以如图4所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设计的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储用户信息等。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种产品智能推荐方法。
本领域技术人员可以理解，图4中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定。
本申请一实施例还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现一种产品智能推荐方法。可以理解的是，本实施例中的计算机可读存储介质可以是易失性可读存储介质，也可以为非易失性可读存储介质。
综上所述，为本申请实施例中提供的产品智能推荐方法、装置、计算机设备和存储介质，通过建立因素集以及评价集，无需大量的训练数据；分别基于所述因素集中各个单因素对所述评价集中的各个元素的隶属度，建立各个所述单因素对所述评价集中所有产品推荐结果的模糊集合；再将所述因素集中的所有单因素对应的模糊集合组成矩阵，得到模糊综合评价矩阵，并将所述模糊综合评价矩阵保存至区块链中；并建立各所述因素的权重集合的模糊集，基于所述模糊综合评价矩阵以及所述模糊集，计算得到所述评价集上的模糊向量；最终基于所述模糊向量，确定最终的产品推荐结果，模糊向量采用精确的数据进行表达，便于精确表达推荐程度。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM通过多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双速据率SDRAM(SSRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其它变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其它要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
以上所述仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其它相关的技术领域，均同理包括在本申请的专利保护范围内。

Claims (7)

1.一种产品智能推荐方法，其特征在于，包括以下步骤：
对用户进行产品推荐时，获取影响产品推荐结果的各个因素，并基于各个所述因素分别作为集合的单因素建立因素集；
获取各个产品推荐结果，并将各个所述产品推荐结果分别作为集合的一个元素建立评价集；
分别基于所述因素集中各个单因素对所述评价集中的各个元素的隶属度，建立各个所述单因素对所述评价集中所有产品推荐结果的模糊集合；
将所述因素集中的所有单因素对应的模糊集合组成矩阵，得到模糊综合评价矩阵，并将所述模糊综合评价矩阵保存至区块链中；
获取各个所述因素对应的权重，基于各个所述因素对应的权重建立各所述因素的权重集合的模糊集；
基于所述模糊综合评价矩阵以及所述模糊集，计算得到所述评价集上的模糊向量；
基于所述模糊向量，确定最终的产品推荐结果；
所述基于所述模糊向量，确定最终的产品推荐结果的步骤之后，包括：
根据所述最终的产品推荐结果，确定对应的产品介绍电子模板；
将所述用户的各个因素添加至所述产品介绍电子模板中，生成产品推荐文件；
对所述产品推荐文件进行哈希计算，得到对应的文件哈希值并存储至数据库中；
将所述产品推荐文件以及所述文件哈希值发送至所述用户所在的终端；其中，所述文件哈希值用于所述用户所在的终端对所述产品推荐文件进行加密；
所述将所述产品推荐文件以及所述文件哈希值发送至所述用户所在的终端的步骤之后，包括：
接收所述用户上传的产品文件；其中，所述产品文件为所述用户在所述产品推荐文件中输入用户信息并通过所述文件哈希值进行加密后所形成；
基于数据库中存储的所述文件哈希值对所述产品文件进行解密，以获取所述产品文件中记载的所述用户的用户信息；
对所述用户信息进行哈希计算得到对应的哈希值作为标识信息添加在所述产品文件中；
对所述用户信息进行伪造，得到多份伪造用户信息；
将所述用户信息以及每份所述伪造用户信息分别添加至二维码中，得到多个用户信息二维码；
删除所述产品文件中记载的所述用户的用户信息，并将每个所述用户信息二维码添加在所述产品文件中；所述删除所述产品文件中记载的所述用户的用户信息，并将每个所述用户信息二维码添加在所述产品文件中的步骤之后，包括：
在接收到生成产品订单的指令时，识别出所述产品文件中的多个所述用户信息二维码；
解析各个所述用户信息二维码中存储的信息；
对所述用户信息二维码中存储的信息分别进行哈希计算得到对应的二维码哈希值；
对比所述二维码哈希值以及所述标识信息，确定出与所述标识信息一致的二维码哈希值所对应的目标用户信息二维码；
将所述目标用户信息二维码中存储的信息添加至订单模板中，生成所述产品订单。
2.根据权利要求1所述的产品智能推荐方法，其特征在于，所述分别基于所述因素集中各个单因素对所述评价集中的各个元素的隶属度，建立各个所述单因素对所述评价集中所有产品推荐结果的模糊集合的步骤之前，包括：
获取所述因素集中各个单因素的变量类型；所述变量类型包括离散变量以及连续变量；
根据所述单因素的变量类型，匹配对应的隶属函数；所述隶属函数包括所述单因素对所述评价集中各个元素的隶属关系；
根据所述单因素以及所述隶属函数，确定所述因素集中各个所述单因素对所述评价集中的各个元素的隶属度。
3.根据权利要求1所述的产品智能推荐方法，其特征在于，所述对所述用户信息进行伪造的步骤，包括：
识别所述用户信息中包括的多个命名实体以及各个所述命名实体对应的命名实体类型；
从所述命名实体中随机选择出至少一个命名实体作为目标命名实体；
将所述目标命名实体随机替换为伪造命名实体，得到伪造用户信息；其中，所述伪造命名实体与所述目标命名实体的命名实体类型相同。
4.一种产品智能推荐装置，其特征在于，包括：
第一建立单元，用于对用户进行产品推荐时，获取影响产品推荐结果的各个因素，并基于各个所述因素分别作为集合的单因素建立因素集；
第二建立单元，用于获取各个产品推荐结果，并将各个所述产品推荐结果分别作为集合的一个元素建立评价集；
第三建立单元，用于分别基于所述因素集中各个单因素对所述评价集中的各个元素的隶属度，建立各个所述单因素对所述评价集中所有产品推荐结果的模糊集合；
组成单元，用于将所述因素集中的所有单因素对应的模糊集合组成矩阵，得到模糊综合评价矩阵，并将所述模糊综合评价矩阵保存至区块链中；
第四建立单元，用于获取各个所述因素对应的权重，基于各个所述因素对应的权重建立各所述因素的权重集合的模糊集；
第一计算单元，用于基于所述模糊综合评价矩阵以及所述模糊集，计算得到所述评价集上的模糊向量；
推荐单元，用于基于所述模糊向量，确定最终的产品推荐结果；
第二确定单元，用于根据所述最终的产品推荐结果，确定对应的产品介绍电子模板；
添加单元，用于将所述用户的各个因素添加至所述产品介绍电子模板中，生成产品推荐文件；
第二计算单元，用于对所述产品推荐文件进行哈希计算，得到对应的文件哈希值并存储至数据库中；
发送单元，用于将所述产品推荐文件以及所述文件哈希值发送至所述用户所在的终端；其中，所述文件哈希值用于所述用户所在的终端对所述产品推荐文件进行加密；
接收单元，用于接收所述用户上传的产品文件；其中，所述产品文件为所述用户在所述产品推荐文件中输入用户信息并通过所述文件哈希值进行加密后所形成；
第三计算单元，用于基于数据库中存储的所述文件哈希值对所述产品文件进行解密，以获取所述产品文件中记载的所述用户的用户信息；
第四计算单元，用于对所述用户信息进行哈希计算得到对应的哈希值作为标识信息添加在所述产品文件中；
伪造单元，用于对所述用户信息进行伪造，得到多份伪造用户信息；
生成单元，用于将所述用户信息以及每份所述伪造用户信息分别添加至二维码中，得到多个用户信息二维码；
删除单元，用于删除所述产品文件中记载的所述用户的用户信息，并将每个所述用户信息二维码添加在所述产品文件中；
识别单元，用于在接收到生成产品订单的指令时，识别出所述产品文件中的多个所述用户信息二维码；
解析单元，用于解析各个所述用户信息二维码中存储的信息；
第五计算单元，用于对所述用户信息二维码中存储的信息分别进行哈希计算得到对应的二维码哈希值；
对比单元，用于对比所述二维码哈希值以及所述标识信息，确定出与所述标识信息一致的二维码哈希值所对应的目标用户信息二维码；
订单生成单元，用于将所述目标用户信息二维码中存储的信息添加至订单模板中，生成所述产品订单。
5.根据权利要求4所述的产品智能推荐装置，其特征在于，还包括：
获取单元，用于获取所述因素集中各个单因素的变量类型；所述变量类型包括离散变量以及连续变量；
匹配单元，用于根据所述单因素的变量类型，匹配对应的隶属函数；所述隶属函数包括所述单因素对所述评价集中各个元素的隶属关系；
第一确定单元，用于根据所述单因素以及所述隶属函数，确定所述因素集中各个所述单因素对所述评价集中的各个元素的隶属度。
6.一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至3中任一项所述方法的步骤。
7.一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，所述计算机程序被处理器执行时实现权利要求1至3中任一项所述的方法的步骤。
CN202011051581.3A 2020-09-29 2020-09-29 产品智能推荐方法、装置、计算机设备和存储介质 Active CN112182143B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011051581.3A CN112182143B (zh) 2020-09-29 2020-09-29 产品智能推荐方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011051581.3A CN112182143B (zh) 2020-09-29 2020-09-29 产品智能推荐方法、装置、计算机设备和存储介质

Publications (2)

Publication Number Publication Date
CN112182143A CN112182143A (zh) 2021-01-05
CN112182143B true CN112182143B (zh) 2023-08-25

Family

ID=73946049

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011051581.3A Active CN112182143B (zh) 2020-09-29 2020-09-29 产品智能推荐方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN112182143B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR930001059A (ko) * 1991-06-18 1993-01-16 이노구마 도끼히사 퍼지 추론 시스템용 멤버쉽 함수 및 퍼지 추론 규정을 자동적으로 발생시키는 장치 및 방법
WO2005059791A1 (en) * 2003-12-15 2005-06-30 Koninklijke Philips Electronics N.V. Communication method and system using priority technology
CN101853320A (zh) * 2010-05-17 2010-10-06 北京航空航天大学 一种适用于飞机结构腐蚀损伤的模糊综合评判方法
CN106648089A (zh) * 2016-12-14 2017-05-10 中国电子产品可靠性与环境试验研究所 智能可穿戴产品等级评价方法和系统
CN107451640A (zh) * 2017-07-20 2017-12-08 福州觉感视觉软件科技有限公司 一种基于二维码的防伪方法
CN108629511A (zh) * 2018-05-04 2018-10-09 上海微小卫星工程中心 一种基于多因素模糊理论推理及层级分析法的卫星综合效能评估方法
CN108665156A (zh) * 2018-04-28 2018-10-16 福州大学 区块链下基于马尔科夫链的供应链选择评价方法
CN111489061A (zh) * 2020-03-23 2020-08-04 天津大学 基于虚拟现实提高汽车产品安全性的交互控制方法
CN111523867A (zh) * 2020-07-06 2020-08-11 和宇健康科技股份有限公司 人员信息管理方法、计算机设备和存储介质

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR930001059A (ko) * 1991-06-18 1993-01-16 이노구마 도끼히사 퍼지 추론 시스템용 멤버쉽 함수 및 퍼지 추론 규정을 자동적으로 발생시키는 장치 및 방법
WO2005059791A1 (en) * 2003-12-15 2005-06-30 Koninklijke Philips Electronics N.V. Communication method and system using priority technology
CN101853320A (zh) * 2010-05-17 2010-10-06 北京航空航天大学 一种适用于飞机结构腐蚀损伤的模糊综合评判方法
CN106648089A (zh) * 2016-12-14 2017-05-10 中国电子产品可靠性与环境试验研究所 智能可穿戴产品等级评价方法和系统
CN107451640A (zh) * 2017-07-20 2017-12-08 福州觉感视觉软件科技有限公司 一种基于二维码的防伪方法
CN108665156A (zh) * 2018-04-28 2018-10-16 福州大学 区块链下基于马尔科夫链的供应链选择评价方法
CN108629511A (zh) * 2018-05-04 2018-10-09 上海微小卫星工程中心 一种基于多因素模糊理论推理及层级分析法的卫星综合效能评估方法
CN111489061A (zh) * 2020-03-23 2020-08-04 天津大学 基于虚拟现实提高汽车产品安全性的交互控制方法
CN111523867A (zh) * 2020-07-06 2020-08-11 和宇健康科技股份有限公司 人员信息管理方法、计算机设备和存储介质

Also Published As

Publication number Publication date
CN112182143A (zh) 2021-01-05

Similar Documents

Publication Publication Date Title
Zaeem et al. The effect of the GDPR on privacy policies: Recent progress and future promise
US11386985B2 (en) Healthcare transaction validation via blockchain systems and methods
CN109670049B (zh) 图谱路径查询方法、装置、计算机设备和存储介质
EP3166053A1 (en) Computer-implemented system and method for automatically identifying attributes for anonymization
CN111666460A (zh) 基于隐私保护的用户画像生成方法、装置及存储介质
CN109858273B (zh) 产品信息获取方法、装置、计算机设备和存储介质
CN112288279A (zh) 基于自然语言处理和线性回归的业务风险评估方法和装置
CN110147502B (zh) 基于大数据分析的产品推荐方法、装置、介质及服务器
CN113704704A (zh) 基于区块链的协同作品权属确认方法、系统、计算机设备
CN110213660B (zh) 节目的分发方法、系统、计算机设备和存储介质
CN113807415A (zh) 联邦特征选择方法、装置、计算机设备和存储介质
CN113282935A (zh) 一种基于模型的预测方法、装置和存储介质
CN113704805B (zh) 一种风控规则匹配方法、装置及电子设备
Lorenz Restart strategies in a continuous setting
US11956353B2 (en) Machine learning device, machine learning system, and machine learning method
CN112182143B (zh) 产品智能推荐方法、装置、计算机设备和存储介质
CN113032670A (zh) 停车场推荐方法、装置、计算机设备和存储介质
CN116611895A (zh) 交易异常识别方法、装置、计算机设备和存储介质
CN109003193B (zh) 投保风险预测方法、装置、计算机设备和存储介质
Swetha et al. Cloud based secure multimedia medical data using optimized convolutional neural network and cryptography mechanism
CN114692785B (zh) 行为分类方法、装置、设备及存储介质
CN111523867B (zh) 人员信息管理方法、计算机设备和存储介质
CN114238914A (zh) 数字证书申请系统、方法、装置、计算机设备和存储介质
CN113868714A (zh) 一种遗嘱防篡改方法、装置、电子设备及存储介质
Daniels Univariate multiple imputation for coarse employee income data

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