CN112199434B - 数据处理方法、装置、电子设备及存储介质 - Google Patents

数据处理方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN112199434B
CN112199434B CN202011284986.1A CN202011284986A CN112199434B CN 112199434 B CN112199434 B CN 112199434B CN 202011284986 A CN202011284986 A CN 202011284986A CN 112199434 B CN112199434 B CN 112199434B
Authority
CN
China
Prior art keywords
information
data warehouse
target
data
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
CN202011284986.1A
Other languages
English (en)
Other versions
CN112199434A (zh
Inventor
王进
祝明远
钱勇
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.)
Shenzhen Pingan Zhihui Enterprise Information Management Co ltd
Original Assignee
Shenzhen Pingan Zhihui Enterprise Information Management 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 Shenzhen Pingan Zhihui Enterprise Information Management Co ltd filed Critical Shenzhen Pingan Zhihui Enterprise Information Management Co ltd
Priority to CN202011284986.1A priority Critical patent/CN112199434B/zh
Publication of CN112199434A publication Critical patent/CN112199434A/zh
Application granted granted Critical
Publication of CN112199434B publication Critical patent/CN112199434B/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
    • G06F16/20—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
    • G06F16/283—Multi-dimensional databases or data warehouses, e.g. MOLAP or ROLAP
    • 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
    • G06F16/25—Integrating or interfacing systems involving database management systems
    • G06F16/252—Integrating or interfacing systems involving database management systems between a Database Management System and a front-end application
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06Q10/10—Office automation; Time management
    • G06Q10/105—Human resources

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Strategic Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)

Abstract

本申请涉及数据处理技术，尤其涉及一种数据处理方法、装置、电子设备及存储介质，该方法包括：获取第一数据仓库中用户的第一信息；获取所述用户对应的目标预测方向；获取第二数据仓库中所述用户的第二信息，所述第一数据仓库和所述第二数据仓库包括所述用户的部分相同信息，所述第一数据仓库与所述第二数据仓库相关联；依据所述目标预测方向、所述第一信息和所述第二信息进行预测操作，得到目标预测结果。采用本申请实施例通过两个数据仓库之间的信息融合，以及结合预测方向，实现对用户能力进行预测，由于融合了两个个数据仓库的信息，使得用户信息更加丰富，能够提升预测精准度。

Description

数据处理方法、装置、电子设备及存储介质
技术领域
本申请涉及数据处理技术领域，具体涉及一种数据处理方法、装置、电子设备及存储介质。
背景技术
目前来看，数据模型是数据仓库中重要的组成部分，也是数据仓库的基础。传统的数据模型只能获得人事数据的基础信息(如年龄、工龄、性别、职务层次等)，各个业务数据成为孤岛、外部数据欠缺，难以以整体的视觉，获得内在属性和隐含的信息，从而导致业务分析不准确，以人力资源数据仓库为例，人力资源数据仓库数据模型是基于大数据生态圈搭建，根据主流的数据模型设计理念，结合具有人力资源(human resource，HR)特色业务流程的方式，主要以人事数据为核心，人力资源各个环节数据为辅助、同时扩展外部数据，最终形成招聘域、培训域、考核域等主题域，通过各个深度加工的数据模型，数据分析人员可进行快速统计、快速分析、综合和推理，总结出相关内容的模式和内在规律，从中挖掘更深层次的信息，进而预测未来可能发生的行为，为人事业务人员和决策者提供有效的支持。因此，如何基于数据仓库实现精准预测的问题亟待解决。
发明内容
本申请实施例提供了一种数据处理方法、装置、电子设备及存储介质，能够基于数据仓库实现对用户的能力进行精准预测。
第一方面，本申请实施例提供一种数据处理方法，所述方法包括：
获取第一数据仓库中用户的第一信息，所述第一数据仓库包括多个层，所述第一信息包括该多个层中至少一个层的信息；
获取所述用户对应的目标预测方向；
获取第二数据仓库中所述用户的第二信息，所述第二数据仓库包括多个层，所述第二信息包括该多个层中至少一个层的信息，所述第一数据仓库和所述第二数据仓库包括所述用户的部分相同信息，所述第一数据仓库与所述第二数据仓库相关联；
依据所述目标预测方向、所述第一信息和所述第二信息进行预测操作，得到目标预测结果。
第二方面，本申请实施例提供一种数据处理装置，所述装置包括：第一获取单元、第二获取单元、第三获取单元和预测单元，其中，
所述第一获取单元，用于获取第一数据仓库中用户的第一信息，所述第一数据仓库包括多个层，所述第一信息包括该多个层中至少一个层的信息；
所述第二获取单元，用于获取所述用户对应的目标预测方向；
所述第三获取单元，用于获取第二数据仓库中所述用户的第二信息，所述第二数据仓库包括多个层，所述第二信息包括该多个层中至少一个层的信息，所述第一数据仓库和所述第二数据仓库包括所述用户的部分相同信息，所述第一数据仓库与所述第二数据仓库相关联；
所述预测单元，用于依据所述目标预测方向、所述第一信息和所述第二信息进行预测操作，得到目标预测结果。
第三方面，本申请实施例提供一种电子设备，包括处理器、存储器、通信接口以及一个或多个程序，其中，上述一个或多个程序被存储在上述存储器中，并且被配置由上述处理器执行，上述程序包括用于执行本申请实施例第一方面中的步骤的指令。
第四方面，本申请实施例提供了一种计算机可读存储介质，其中，上述计算机可读存储介质存储用于电子数据交换的计算机程序，其中，上述计算机程序使得计算机执行如本申请实施例第一方面中所描述的部分或全部步骤。
第五方面，本申请实施例提供了一种计算机程序产品，其中，上述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，上述计算机程序可操作来使计算机执行如本申请实施例第一方面中所描述的部分或全部步骤。该计算机程序产品可以为一个软件安装包。
实施本申请实施例，具备如下有益效果：
可以看出，本申请实施例中所描述的数据处理方法、装置、电子设备及存储介质，获取第一数据仓库中用户的第一信息，第一数据仓库包括多个层，第一信息包括该多个层中至少一个层的信息，获取用户对应的目标预测方向，获取第二数据仓库中用户的第二信息，第二数据仓库包括多个层，第二信息包括该多个层中至少一个层的信息，第一数据仓库和第二数据仓库包括用户的部分相同信息，第一数据仓库与第二数据仓库相关联，依据目标预测方向、第一信息和第二信息进行预测操作，得到目标预测结果，如此，可以通过两个数据仓库之间的信息融合，以及结合预测方向，实现对用户能力进行预测，由于融合了两个个数据仓库的信息，使得用户信息更加丰富，能够提升预测精准度。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例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本申请的一些实施例，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1A是本申请实施例提供的一种数据处理方法的流程示意图；
图1B是本申请实施例提供的一种数据仓库的结构示意图；
图2是本申请实施例提供的另一种数据处理方法的流程示意图；
图3是本申请实施例提供的一种电子设备的结构示意图；
图4是本申请实施例提供的一种数据处理装置的功能单元组成框图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，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，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
本申请实施例所涉及到的电子设备可以包括各种具有无线通信功能的手持设备(如手机、平板电脑、POS机等等)、台式机、车载设备、可穿戴设备(智能手表、智能手环、无线耳机、增强现实/虚拟现实设备、智能眼镜)、AI机器人、计算设备或连接到无线调制解调器的其他处理设备，以及各种形式的用户设备(user equipment，UE)，移动台(mobilestation，MS)，终端设备(terminal device)等等。为方便描述，上面提到的设备统称为电子设备。
下面对本申请实施例进行详细介绍。
请参阅图1A，图1A是本申请实施例提供的一种数据处理方法的流程示意图，如图所示，应用于电子设备，本数据处理方法包括：
101、获取第一数据仓库中用户的第一信息，所述第一数据仓库包括多个层，所述第一信息包括该多个层中至少一个层的信息。
其中，本申请实施例中，第一信息可以为以下至少一种：姓名、年龄、性别、职位、学历、国籍、身份证号、爱好、特长、工号、邮箱、紧急联系人、座右铭、部门、住址、工作经历、项目经验、性格等等，在此不作限定。第一信息还可以包括第一数据仓库中与用户相关的其他数据。具体实现中，电子设备可以获取第一数据仓库的接口，并输入用户的身份信息，以登录第一数据仓库对应的系统，接收获取指令，响应该获取指令，得到用户的第一信息。
第一数据仓库可以包括多个层，该第一信息包括该多个层中至少一个层的信息。举例说明下，如图1B所示，如下提供一种第一数据仓库的结构示意图，该数据仓库可以包括多个层次，具体如下：
通过数据采集将各个业务系统的源数据接入，放入贴源层，该数据保留原始数据的状态，不做任何技术加工，为后续数据质量监控提供依据。贴源层保持与源数据结构一致，增加数据日，例如，保留3～7天全天数据(跨假期跑批量容错机制)。
数据标准化，根据业务定义，制定HR业务领域的标准规范，通过mapping关系，对业务系统的数据进行清洗标准化。
明细层通过统一的配置模板，根据表类型、抽取方式等做技术加工，保留全量数据(包含历史数据追溯)，自动生成脚本。明细层还用于实现流水增量功能、流水全量功能以及状态拉链功能，流水增量：删除目标表当前业务日期的数据、加载新增数据、新增数据日期、按月分区；流水全量:清空目标表、加载新主数据、新增数据日期、按月分区；状态拉链：全量对比、记录数据新增、修改、删除、新增数据标志、开始日期、结束日期、按月分区。
主题层为数据模型核心层，基于HR数据应用场景、结合数据模型设计原理规划多个数据主题，基于HR业务流程，规划核心人事、招聘、培训、绩效、薪酬等主题域。
集市层基于各事业线应用或者智能数据模型，规划各事业线专属数据集市。
脱敏层根据具体业务需求，为非HR数据团队用户及其他用户提供数仓脱敏数据访问权限。
进一步地，核心人事主题域示例如下：核心人事主题域以员工信息及候选人信息为基础模型，通过人员转换表进行两个基本信息的人员转换，并为衍生基础信息扩展(如紧急联系人、联系地址、邮箱信息等)、工作履历信息扩展(如入职前工作履历、入职后工作履历)、组织及职务信息扩展(如职务信息、组织架构等)、考核信息扩展等，丰富两大人事基础模型，为快速数据应用及快速数据挖掘提供高度融合的模型层，数据仓库不同层可以对应不同的功能，或者，不同的权限。
可选地，上述步骤101，获取第一数据仓库中用户的第一信息，可以包括如下步骤：
11、获取所述用户的目标身份信息；
12、依据所述目标身份信息从所述第一数据仓库中确定所述用户的第一信息。
其中，本申请实施例中，目标身份信息可以为以下至少一种：指纹图像、虹膜图像、人脸图像、掌纹图像、用户名、工号等等，在此不作限定。具体实现中，电子设备中可以预先存储身份信息与信息集之间的映射关系，进而，依据该映射关系从第一数据仓库中确定目标身份信息对应的用户的第一信息。
102、获取所述用户对应的目标预测方向。
其中，目标预测方向可以由用户自行设置或者系统默认。
可选地，上述步骤102，获取所述用户对应的目标预测方向，可以包括如下步骤：
21、在显示界面展示多个预测方向；
22、接收选取指令；
23、将所述选取指令从所述多个预测方向中选取的预测方向作为目标预测方向。
具体实现中，电子设备可以在显示界面展示多个预测方向，用户可以从多个预测方向中选取一个预测方向，进而，电子设备可以接收选取指令，将选取指令从多个预测方向中选取的预测方向作为目标预测方向。
103、获取第二数据仓库中所述用户的第二信息，所述第二数据仓库包括多个层，所述第二信息包括该多个层中至少一个层的信息，所述第一数据仓库和所述第二数据仓库包括所述用户的部分相同信息，所述第一数据仓库与所述第二数据仓库相关联。
本申请实施例中，第一数据仓库、第二数据仓库为不同的且相互关联的数据仓库，例如，第一数据仓库为招聘数据仓库，第二数据仓库为培训数据仓库。第二信息可以为以下至少一种：姓名、年龄、性别、职位、学历、国籍、身份证号、爱好、特长、工号、邮箱、紧急联系人、座右铭、部门、住址、工作经历、项目经验、性格等等，在此不作限定。第二信息还可以包括第二数据仓库中与用户相关的其他数据。第二数据仓库可以包括多个层，第二信息包括该多个层中至少一个层的信息，其结构与第一数据仓库类似，可以参照图1B所描述的第一数据仓库的描述，在此不再赘述。
可选地，上述步骤103，获取第二数据仓库中所述用户的第二信息，可以包括如下步骤：
31、按照预设的预测方向与信息标识之间的映射关系，确定所述目标预测方向对应的目标信息标识；
32、依据所述目标信息标识从所述第二数据仓库中获取所述用户的第二信息。
其中，不同的预测方向，则需要被用于预测的信息不一样，进而，电子设备中可以预先存储预设的预测方向与信息标识之间的映射关系，具体实现中，电子设备则可以按照预设的预测方向与信息标识之间的映射关系，确定目标预测方向对应的目标信息标识，并依据目标信息标识从第二数据仓库中获取用户的第二信息，如此，可以依据预测方向选取合适的信息用于实现预测功能。
可选地，在步骤103，获取第二数据仓库中所述用户的第二信息之前，还可以包括如下步骤：
A1、获取所述用户的操作权限；
A2、从预设数据库中获取与所述操作权限对应的数据仓库，得到至少一个数据仓库；
A3、确定所述第一数据仓库与所述至少一个数据仓库中每一数据仓库之间的关联度，得到至少一个关联度；
A4、从所述至少一个关联度中选取最大值，将该最大值对应的数据仓库作为第二数据仓库。
其中，预设数据库中可以包括至少一个数据仓库，预设数据中保存在电子设备或者服务器中，不同的用户对应不同的操作权限，电子设备可以获取用户的操作权限，电子设备可以从预设数据库中获取与操作权限对应的数据仓库，得到至少一个数据仓库，并确定第一数据仓库与至少一个数据仓库中每一数据仓库之间的关联度，得到至少一个关联度，从至少一个关联度中选取最大值，将该最大值对应的数据仓库作为第二数据仓库，从第二数据仓库中获取用户的第二信息，如此，可以选取从多个数据仓库中选取关联度最高的数据仓库用于功能预测。
可选地，上述步骤A3，确定所述第一数据仓库与所述至少一个数据仓库中每一数据仓库之间的关联度，得到至少一个关联度，可以包括如下步骤：
A31、获取所述第一数据仓库与所述至少一个数据仓库的交互访问次数，得到至少一个交互访问次数；
A32、按照预设的交互访问次数与关联度之间的映射关系，确定所述至少一个交互访问次数中的每一交互访问次数对应的第一关联度，得到至少一个第一关联度；
A33、获取所述第一数据仓库的第一仓库标签集，以及获取所述至少一个数据仓库的第二仓库标签集；
A34、将所述第一仓库标签集与所述至少一个数据仓库的第二仓库标签集中的每一数据仓库的第二仓库标签集进行比对，得到至少一个比对值；
A35、按照预设的比对值与关联度之间的映射关系，确定所述至少一个比对值中的每一比对值对应的关联度，得到至少一个第二关联度；
A36、获取目标权值对，所述目标权值对包括目标第一权值和目标第二权值，所述目标第一权值为所述第一关联度对应的权值，所述目标第二权值为所述第二关联度对应的权值；
A37、将所述目标第一权值、所述目标第二权值、所述至少一个第一关联度和所述至少一个第二关联度进行加权运算，得到所述至少一个关联度。
其中，电子设备中可以预先存储预设的交互访问次数与关联度之间的映射关系、预设的比对值与关联度之间的映射关系。
其中，电子设备可以获取第一数据仓库与至少一个数据仓库的交互访问次数，得到至少一个交互访问次数，进而，可以按照预设的交互访问次数与关联度之间的映射关系，确定至少一个交互访问次数中的每一交互访问次数对应的第一关联度，得到至少一个第一关联度，如此，可以通过交互访问温度确定两个数据仓库之间的关联度。
进一步地，电子设备可以获取第一数据仓库的第一仓库标签集，以及获取至少一个数据仓库的第二仓库标签集，第一仓库标签、第二仓库标签均用于对数据仓库进行标记。电子设备可以将第一仓库标签集与至少一个数据仓库的第二仓库标签集中的每一数据仓库的第二仓库标签集进行比对，得到至少一个比对值，进而，按照预设的比对值与关联度之间的映射关系，确定至少一个比对值中的每一比对值对应的关联度，得到至少一个第二关联度。
最后，电子设备可以获取目标权值对，目标权值对包括目标第一权值和目标第二权值，目标第一权值+目标第二权值＝1，目标第一权值为第一关联度对应的权值，目标第二权值为第二关联度对应的权值，目标权值对可以预先保存在电子设备中，或者，电子设备中可以预先存储权值对与预测方向之间的映射关系，进而，依据该映射关系确定目标预测方向对应的目标权值对，进而，将目标第一权值、目标第二权值、至少一个第一关联度和至少一个第二关联度进行加权运算，得到至少一个关联度，具体计算方式如下：
第一数据仓库与第二数据仓库之间的关联度＝目标第一权值*第一数据仓库与第二数据仓库之间的第一关联度+目标第二权值*第一数据仓库与第二数据仓库之间的关联度。
104、依据所述预测方向、所述第一信息和所述第二信息进行预测操作，得到目标预测结果。
其中，预测结果可以为一个或者多个，每一预测结果对应一个概率值。预测结果可以为以下至少一种：胜任岗位、薪资水准、职业方向、能力值等等，在此不作限定。电子设备则可以依据预测方向、所述第一信息和所述第二信息进行预测操作，得到目标预测结果。
可选地，上述步骤104，依据所述预测方向、所述第一信息和所述第二信息进行预测操作，得到预测结果，可以包括如下步骤：
41、将所述第一信息和所述第二信息中对应层的信息进行融合，得到融合信息；
42、对所述融合信息进行特征提取，得到多个特征；
43、按照预设的预测方向与神经网络模型之间的映射关系，确定所述目标预测方向对应的目标神经网络模型；
43、将该多个特征输入到所述目标神经网络模型，得到预测结果。
具体实现中，神经网络模型可以为以下至少一种：循环神经网络模型、脉冲神经网络模型、卷积神经网络模型，等等，在此不作限定。电子设备中可以预先存储预设的预测方向与神经网络模型之间的映射关系，电子设备可以将第一信息和第二信息中对应层的信息进行融合，具体实现中，可以采用神经网络耦合模型，将第一信息和第二信息中对应层的信息进行融合，得到融合信息，或者，将第一信息和第二信息输入中对应层的信息到级联模型，得到融合信息，对该融合信息进行特征提取，得到多个特征，该特征可以为关键字、字符串、矩阵等等，在此不做限定，进而，按照预设的预测方向与神经网络模型之间的映射关系，确定目标预测方向对应的目标神经网络模型，将该多个特征输入到目标神经网络模型，得到目标预测结果，不同的预测方向对应不同的神经网络模型。
具体实现中，可以事先获取大量样本信息，每一样本信息对应一个方向标签，将样本信息输入到神经网络模型进行训练，得到训练好的神经网络模型。
进一步可选地，在所述目标预测结果包括多个预测结果时，在步骤104，依据所述预测方向、所述第一信息和所述第二信息进行预测操作，得到目标预测结果之后，还可以包括如下步骤：
B1、确定所述多个预测结果中每一预测结果的概率值，得到多个概率值；
B2、确定所述多个预测结果中每一预测结果对应的权重值，得到多个权重值；
B3、依据所述多个概率值和所述多个权重值进行加权运算，得到目标评价值。
具体实现中，电子设备在将第一信息、第二信息输入到神经网络模型之后，可以得到多个预测结果，每一预测结果可以对应一个概率值，进而，还可以确定多个预测结果中每一预测结果对应的权重值，得到多个权重值，不同的预测结果对应不同的权重值，多个权重值之和为1，依据多个概率值和多个权重值进行加权运算，得到目标评价值，目标评价值可以作为个人潜力值或者能力值，以供HR进行参考。
可以看出，本申请实施例中所描述的数据处理方法，获取第一数据仓库中用户的第一信息，第一数据仓库包括多个层，第一信息包括该多个层中至少一个层的信息，获取用户对应的目标预测方向，获取第二数据仓库中用户的第二信息，第二数据仓库包括多个层，第二信息包括该多个层中至少一个层的信息，第一数据仓库和第二数据仓库包括用户的部分相同信息，第一数据仓库与第二数据仓库相关联，依据目标预测方向、第一信息和第二信息进行预测操作，得到目标预测结果，如此，可以通过两个数据仓库之间的信息融合，以及结合预测方向，实现对用户能力进行预测，由于融合了两个个数据仓库的信息，使得用户信息更加丰富，能够提升预测精准度。
请参阅图2，图2是本申请实施例提供的一种数据处理方法的流程示意图，应用于电子设备，如图所示，本数据处理方法包括：
201、获取第一数据仓库中用户的第一信息，所述第一数据仓库包括多个层，所述第一信息包括该多个层中至少一个层的信息。
202、获取所述用户对应的目标预测方向。
203、获取所述用户的操作权限。
204、从预设数据库中获取与所述操作权限对应的数据仓库，得到至少一个数据仓库。
205、确定所述第一数据仓库与所述至少一个数据仓库中每一数据仓库之间的关联度，得到至少一个关联度。
206、从所述至少一个关联度中选取最大值，将该最大值对应的数据仓库作为第二数据仓库。
207、获取所述第二数据仓库中所述用户的第二信息，所述第二数据仓库包括多个层，所述第二信息包括该多个层中至少一个层的信息。
208、依据所述目标预测方向、所述第一信息和所述第二信息进行预测操作，得到目标预测结果。
当然，上述步骤201-步骤208的具体描述可以参照上述图1A所描述的相应步骤，在此不再赘述。
可以看出，本申请实施例中所描述的数据处理方法，获取第一数据仓库中用户的第一信息，第一数据仓库包括多个层，第一信息包括该多个层中至少一个层的信息，获取用户对应的目标预测方向，获取用户的操作权限，从预设数据库中获取与操作权限对应的数据仓库，得到至少一个数据仓库，确定第一数据仓库与至少一个数据仓库中每一数据仓库之间的关联度，得到至少一个关联度，从至少一个关联度中选取最大值，将该最大值对应的数据仓库作为第二数据仓库，获取第二数据仓库中用户的第二信息，第二数据仓库包括多个层，第二信息包括该多个层中至少一个层的信息，依据目标预测方向、第一信息和第二信息进行预测操作，得到目标预测结果，如此，可以通过两个数据仓库之间的信息融合，以及结合预测方向，实现对用户能力进行预测，由于融合了两个个数据仓库的信息，使得用户信息更加丰富，能够提升预测精准度。
与上述实施例一致地，请参阅图3，图3是本申请实施例提供的一种电子设备的结构示意图，如图所示，该电子设备包括处理器、存储器、通信接口以及一个或多个程序，上述一个或多个程序被存储在上述存储器中，并且被配置由上述处理器执行，本申请实施例中，上述程序包括用于执行以下步骤的指令：
获取第一数据仓库中用户的第一信息，所述第一数据仓库包括多个层，所述第一信息包括该多个层中至少一个层的信息；
获取所述用户对应的目标预测方向；
获取第二数据仓库中所述用户的第二信息，所述第二数据仓库包括多个层，所述第二信息包括该多个层中至少一个层的信息，所述第一数据仓库和所述第二数据仓库包括所述用户的部分相同信息，所述第一数据仓库与所述第二数据仓库相关联；
依据所述目标预测方向、所述第一信息和所述第二信息进行预测操作，得到目标预测结果。
可以看出，本申请实施例中所描述的电子设备，获取第一数据仓库中用户的第一信息，第一数据仓库包括多个层，第一信息包括该多个层中至少一个层的信息，获取用户对应的目标预测方向，获取第二数据仓库中用户的第二信息，第二数据仓库包括多个层，第二信息包括该多个层中至少一个层的信息，第一数据仓库和第二数据仓库包括用户的部分相同信息，第一数据仓库与第二数据仓库相关联，依据目标预测方向、第一信息和第二信息进行预测操作，得到目标预测结果，如此，可以通过两个数据仓库之间的信息融合，以及结合预测方向，实现对用户能力进行预测，由于融合了两个个数据仓库的信息，使得用户信息更加丰富，能够提升预测精准度。
可选地，在所述获取第一数据仓库中用户的第一信息方面，上述程序包括用于执行以下步骤的指令：
获取所述用户的目标身份信息；
依据所述目标身份信息从所述第一数据仓库中确定所述用户的第一信息。
可选地，在所述获取第二数据仓库中所述用户的第二信息方面，上述程序包括用于执行以下步骤的指令：
按照预设的预测方向与信息标识之间的映射关系，确定所述目标预测方向对应的目标信息标识；
依据所述目标信息标识从所述第二数据仓库中获取所述用户的第二信息。
可选地，在所述获取第二数据仓库中所述用户的第二信息方面之前，上述程序还包括用于执行以下步骤的指令：
获取所述用户的操作权限；
从预设数据库中获取与所述操作权限对应的数据仓库，得到至少一个数据仓库；
确定所述第一数据仓库与所述至少一个数据仓库中每一数据仓库之间的关联度，得到至少一个关联度；
从所述至少一个关联度中选取最大值，将该最大值对应的数据仓库作为第二数据仓库。
可选地，在所述确定所述第一数据仓库与所述至少一个数据仓库中每一数据仓库之间的关联度，得到至少一个关联度方面，上述程序包括用于执行以下步骤的指令：
获取所述第一数据仓库与所述至少一个数据仓库的交互访问次数，得到至少一个交互访问次数；
按照预设的交互访问次数与关联度之间的映射关系，确定所述至少一个交互访问次数中的每一交互访问次数对应的第一关联度，得到至少一个第一关联度；
获取所述第一数据仓库的第一仓库标签集，以及获取所述至少一个数据仓库的第二仓库标签集；
将所述第一仓库标签集与所述至少一个数据仓库的第二仓库标签集中的每一数据仓库的第二仓库标签集进行比对，得到至少一个比对值；
按照预设的比对值与关联度之间的映射关系，确定所述至少一个比对值中的每一比对值对应的关联度，得到至少一个第二关联度；
获取目标权值对，所述目标权值对包括目标第一权值和目标第二权值，所述目标第一权值为所述第一关联度对应的权值，所述目标第二权值为所述第二关联度对应的权值；
将所述目标第一权值、所述目标第二权值、所述至少一个第一关联度和所述至少一个第二关联度进行加权运算，得到所述至少一个关联度。
可选地，在所述依据所述预测方向、所述第一信息和所述第二信息进行预测操作，得到目标预测结果方面，上述程序包括用于执行以下步骤的指令：
将所述第一信息和所述第二信息中对应层的信息进行融合，得到融合信息；
对所述融合信息进行特征提取，得到多个特征；
按照预设的预测方向与神经网络模型之间的映射关系，确定所述目标预测方向对应的目标神经网络模型；
将该多个特征输入到所述目标神经网络模型，得到所述目标预测结果。
可选地，在所述目标预测结果包括多个预测结果时，在所述依据所述预测方向、所述第一信息和所述第二信息进行预测操作，得到目标预测结果之后，上述程序还包括用于执行以下步骤的指令：
确定所述多个预测结果中每一预测结果的概率值，得到多个概率值；
确定所述多个预测结果中每一预测结果对应的权重值，得到多个权重值；
依据所述多个概率值和所述多个权重值进行加权运算，得到目标评价值。
上述主要从方法侧执行过程的角度对本申请实施例的方案进行了介绍。可以理解的是，电子设备为了实现上述功能，其包含了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到，结合本文中所提供的实施例描述的各示例的单元及算法步骤，本申请能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
本申请实施例可以根据上述方法示例对电子设备进行功能单元的划分，例如，可以对应各个功能划分各个功能单元，也可以将两个或两个以上的功能集成在一个处理单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。需要说明的是，本申请实施例中对单元的划分是示意性的，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。
图4是本申请实施例中所涉及的数据处理装置400的功能单元组成框图。该数据处理装置400，所述装置400包括：第一获取单元401、第二获取单元402、第三获取单元403和预测单元404，其中，
所述第一获取单元401，用于获取第一数据仓库中用户的第一信息，所述第一数据仓库包括多个层，所述第一信息包括该多个层中至少一个层的信息；
所述第二获取单元402，用于获取所述用户对应的目标预测方向；
所述第三获取单元403，用于获取第二数据仓库中所述用户的第二信息，所述第二数据仓库包括多个层，所述第二信息包括该多个层中至少一个层的信息，所述第一数据仓库和所述第二数据仓库包括所述用户的部分相同信息，所述第一数据仓库与所述第二数据仓库相关联；
所述预测单元404，用于依据所述目标预测方向、所述第一信息和所述第二信息进行预测操作，得到目标预测结果。
可以看出，本申请实施例中所描述的数据处理装置，获取第一数据仓库中用户的第一信息，第一数据仓库包括多个层，第一信息包括该多个层中至少一个层的信息，获取用户对应的目标预测方向，获取第二数据仓库中用户的第二信息，第二数据仓库包括多个层，第二信息包括该多个层中至少一个层的信息，第一数据仓库和第二数据仓库包括用户的部分相同信息，第一数据仓库与第二数据仓库相关联，依据目标预测方向、第一信息和第二信息进行预测操作，得到目标预测结果，如此，可以通过两个数据仓库之间的信息融合，以及结合预测方向，实现对用户能力进行预测，由于融合了两个个数据仓库的信息，使得用户信息更加丰富，能够提升预测精准度。
可选地，在所述获取第一数据仓库中用户的第一信息方面，所述第一获取单元401具体用于：
获取所述用户的目标身份信息；
依据所述目标身份信息从所述第一数据仓库中确定所述用户的第一信息。
可选地，在所述获取第二数据仓库中所述用户的第二信息方面，所述第三获取单元403具体用于：
按照预设的预测方向与信息标识之间的映射关系，确定所述目标预测方向对应的目标信息标识；
依据所述目标信息标识从所述第二数据仓库中获取所述用户的第二信息。
可选地，在所述获取第二数据仓库中所述用户的第二信息之前，所述装置400还用于执行如下功能：
获取所述用户的操作权限；
从预设数据库中获取与所述操作权限对应的数据仓库，得到至少一个数据仓库；
确定所述第一数据仓库与所述至少一个数据仓库中每一数据仓库之间的关联度，得到至少一个关联度；
从所述至少一个关联度中选取最大值，将该最大值对应的数据仓库作为第二数据仓库。
可选地，在所述确定所述第一数据仓库与所述至少一个数据仓库中每一数据仓库之间的关联度，得到至少一个关联度方面，所述装置400具体用于：
获取所述第一数据仓库与所述至少一个数据仓库的交互访问次数，得到至少一个交互访问次数；
按照预设的交互访问次数与关联度之间的映射关系，确定所述至少一个交互访问次数中的每一交互访问次数对应的第一关联度，得到至少一个第一关联度；
获取所述第一数据仓库的第一仓库标签集，以及获取所述至少一个数据仓库的第二仓库标签集；
将所述第一仓库标签集与所述至少一个数据仓库的第二仓库标签集中的每一数据仓库的第二仓库标签集进行比对，得到至少一个比对值；
按照预设的比对值与关联度之间的映射关系，确定所述至少一个比对值中的每一比对值对应的关联度，得到至少一个第二关联度；
获取目标权值对，所述目标权值对包括目标第一权值和目标第二权值，所述目标第一权值为所述第一关联度对应的权值，所述目标第二权值为所述第二关联度对应的权值；
将所述目标第一权值、所述目标第二权值、所述至少一个第一关联度和所述至少一个第二关联度进行加权运算，得到所述至少一个关联度。
可选地，在所述依据所述预测方向、所述第一信息和所述第二信息进行预测操作，得到目标预测结果方面，所述预测单元404具体用于：
将所述第一信息和所述第二信息中对应层的信息进行融合，得到融合信息；
对所述融合信息进行特征提取，得到多个特征；
按照预设的预测方向与神经网络模型之间的映射关系，确定所述目标预测方向对应的目标神经网络模型；
将该多个特征输入到所述目标神经网络模型，得到所述目标预测结果。
可选地，在所述目标预测结果包括多个预测结果时，在所述依据所述预测方向、所述第一信息和所述第二信息进行预测操作，得到目标预测结果之后，所述装置400还用于执行如下功能：
确定所述多个预测结果中每一预测结果的概率值，得到多个概率值；
确定所述多个预测结果中每一预测结果对应的权重值，得到多个权重值；
依据所述多个概率值和所述多个权重值进行加权运算，得到目标评价值。
可以理解的是，本实施例的数据处理装置的各程序模块的功能可根据上述方法实施例中的方法具体实现，其具体实现过程可以参照上述方法实施例的相关描述，此处不再赘述。
本申请实施例还提供一种计算机存储介质，其中，该计算机存储介质存储用于电子数据交换的计算机程序，该计算机程序使得计算机执行如上述方法实施例中记载的任一方法的部分或全部步骤，上述计算机包括电子设备。
本申请实施例还提供一种计算机程序产品，上述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，上述计算机程序可操作来使计算机执行如上述方法实施例中记载的任一方法的部分或全部步骤。该计算机程序产品可以为一个软件安装包，上述计算机包括电子设备。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，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本申请所必须的。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置，可通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如上述单元的划分，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，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性或其它的形式。
上述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
上述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储器中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储器中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例上述方法的全部或部分步骤。而前述的存储器包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储器中，存储器可以包括：闪存盘、只读存储器(英文：Read-Only Memory，简称：ROM)、随机存取器(英文：Random Access Memory，简称：RAM)、磁盘或光盘等。
以上对本申请实施例进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

Claims (7)

1.一种数据处理方法，其特征在于，所述方法包括：
获取第一数据仓库中用户的第一信息，所述第一数据仓库包括多个层，所述第一信息包括该多个层中至少一个层的信息；
获取所述用户对应的目标预测方向；
获取第二数据仓库中所述用户的第二信息，所述第二数据仓库包括多个层，所述第二信息包括该多个层中至少一个层的信息，所述第一数据仓库和所述第二数据仓库包括所述用户的部分相同信息，所述第一数据仓库与所述第二数据仓库相关联；
依据所述目标预测方向、所述第一信息和所述第二信息进行预测操作，得到目标预测结果，包括：将所述第一信息和所述第二信息中对应层的信息进行融合，得到融合信息，对所述融合信息进行特征提取，得到多个特征，按照预设的预测方向与神经网络模型之间的映射关系，确定所述目标预测方向对应的目标神经网络模型，将该多个特征输入到所述目标神经网络模型，得到所述目标预测结果，所述目标预测结果包括多个预测结果；
确定所述多个预测结果中每一预测结果的概率值，得到多个概率值；
确定所述多个预测结果中每一预测结果对应的权重值，得到多个权重值；
依据所述多个概率值和所述多个权重值进行加权运算，得到目标评价值；
其中，所述获取第二数据仓库中所述用户的第二信息之前，所述方法还包括：获取所述用户的操作权限，从预设数据库中获取与所述操作权限对应的数据仓库，得到至少一个数据仓库，确定所述第一数据仓库与所述至少一个数据仓库中每一数据仓库之间的关联度，得到至少一个关联度，从所述至少一个关联度中选取最大值，将该最大值对应的数据仓库作为第二数据仓库。
2.根据权利要求1所述的方法，其特征在于，所述获取第一数据仓库中用户的第一信息，包括：
获取所述用户的目标身份信息；
依据所述目标身份信息从所述第一数据仓库中确定所述用户的第一信息。
3.根据权利要求1所述的方法，其特征在于，所述获取第二数据仓库中所述用户的第二信息，包括：
按照预设的预测方向与信息标识之间的映射关系，确定所述目标预测方向对应的目标信息标识；
依据所述目标信息标识从所述第二数据仓库中获取所述用户的第二信息。
4.根据权利要求1所述的方法，其特征在于，所述确定所述第一数据仓库与所述至少一个数据仓库中每一数据仓库之间的关联度，得到至少一个关联度，包括：
获取所述第一数据仓库与所述至少一个数据仓库的交互访问次数，得到至少一个交互访问次数；
按照预设的交互访问次数与关联度之间的映射关系，确定所述至少一个交互访问次数中的每一交互访问次数对应的第一关联度，得到至少一个第一关联度；
获取所述第一数据仓库的第一仓库标签集，以及获取所述至少一个数据仓库的第二仓库标签集；
将所述第一仓库标签集与所述至少一个数据仓库的第二仓库标签集中的每一数据仓库的第二仓库标签集进行比对，得到至少一个比对值；
按照预设的比对值与关联度之间的映射关系，确定所述至少一个比对值中的每一比对值对应的关联度，得到至少一个第二关联度；
获取目标权值对，所述目标权值对包括目标第一权值和目标第二权值，所述目标第一权值为所述第一关联度对应的权值，所述目标第二权值为所述第二关联度对应的权值；
将所述目标第一权值、所述目标第二权值、所述至少一个第一关联度和所述至少一个第二关联度进行加权运算，得到所述至少一个关联度。
5.一种数据处理装置，其特征在于，所述装置包括：第一获取单元、第二获取单元、第三获取单元和预测单元，其中，
所述第一获取单元，用于获取第一数据仓库中用户的第一信息，所述第一数据仓库包括多个层，所述第一信息包括该多个层中至少一个层的信息；
所述第二获取单元，用于获取所述用户对应的目标预测方向；
所述第三获取单元，用于获取第二数据仓库中所述用户的第二信息，所述第二数据仓库包括多个层，所述第二信息包括该多个层中至少一个层的信息，所述第一数据仓库和所述第二数据仓库包括所述用户的部分相同信息，所述第一数据仓库与所述第二数据仓库相关联；
所述预测单元，用于依据所述目标预测方向、所述第一信息和所述第二信息进行预测操作，得到目标预测结果；
在所述依据所述目标预测方向、所述第一信息和所述第二信息进行预测操作，得到目标预测结果方面，所述预测单元，具体用于将所述第一信息和所述第二信息中对应层的信息进行融合，得到融合信息，对所述融合信息进行特征提取，得到多个特征，按照预设的预测方向与神经网络模型之间的映射关系，确定所述目标预测方向对应的目标神经网络模型，将该多个特征输入到所述目标神经网络模型，得到所述目标预测结果，所述目标预测结果包括多个预测结果；
所述预测单元，还用于确定所述多个预测结果中每一预测结果的概率值，得到多个概率值；确定所述多个预测结果中每一预测结果对应的权重值，得到多个权重值；依据所述多个概率值和所述多个权重值进行加权运算，得到目标评价值；
所述获取第二数据仓库中所述用户的第二信息之前，所述第三获取单元，还用于获取所述用户的操作权限，从预设数据库中获取与所述操作权限对应的数据仓库，得到至少一个数据仓库，确定所述第一数据仓库与所述至少一个数据仓库中每一数据仓库之间的关联度，得到至少一个关联度，从所述至少一个关联度中选取最大值，将该最大值对应的数据仓库作为第二数据仓库。
6.一种电子设备，其特征在于，包括处理器、存储器，所述存储器用于存储一个或多个程序，并且被配置由所述处理器执行，所述程序包括用于执行如权利要求1-4任一项所述的方法中的步骤的指令。
7.一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存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行如权利要求1-4任一项所述的方法。
CN202011284986.1A 2020-11-17 2020-11-17 数据处理方法、装置、电子设备及存储介质 Active CN112199434B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011284986.1A CN112199434B (zh) 2020-11-17 2020-11-17 数据处理方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011284986.1A CN112199434B (zh) 2020-11-17 2020-11-17 数据处理方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN112199434A CN112199434A (zh) 2021-01-08
CN112199434B true CN112199434B (zh) 2023-09-19

Family

ID=74033872

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011284986.1A Active CN112199434B (zh) 2020-11-17 2020-11-17 数据处理方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN112199434B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112908453B (zh) * 2021-02-09 2024-08-30 京东方科技集团股份有限公司 数据处理方法、装置、设备和介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109359934A (zh) * 2018-09-04 2019-02-19 平安普惠企业管理有限公司 基于性格分析的招聘方法、装置、计算机设备及存储介质
WO2020077871A1 (zh) * 2018-10-15 2020-04-23 平安科技（深圳）有限公司 基于大数据的事件预测方法、装置、计算机设备及存储介质
CN111177789A (zh) * 2020-01-07 2020-05-19 江苏满运软件科技有限公司 权限管理方法、系统、设备及存储介质
CN111737364A (zh) * 2020-07-22 2020-10-02 同盾控股有限公司 安全多方数据融合与联邦共享方法、装置、设备及介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109359934A (zh) * 2018-09-04 2019-02-19 平安普惠企业管理有限公司 基于性格分析的招聘方法、装置、计算机设备及存储介质
WO2020077871A1 (zh) * 2018-10-15 2020-04-23 平安科技（深圳）有限公司 基于大数据的事件预测方法、装置、计算机设备及存储介质
CN111177789A (zh) * 2020-01-07 2020-05-19 江苏满运软件科技有限公司 权限管理方法、系统、设备及存储介质
CN111737364A (zh) * 2020-07-22 2020-10-02 同盾控股有限公司 安全多方数据融合与联邦共享方法、装置、设备及介质

Also Published As

Publication number Publication date
CN112199434A (zh) 2021-01-08

Similar Documents

Publication Publication Date Title
US20200380399A1 (en) Method and System of Detecting Data Imbalance in a Dataset Used in Machine-Learning
CN107729456A (zh) 敏感信息检索方法、服务器及存储介质
CN111694615B (zh) 数据配置的方法、装置、设备及存储介质
US12079572B2 (en) Rule-based machine learning classifier creation and tracking platform for feedback text analysis
CN113870083A (zh) 政策匹配的方法、装置、系统、电子设备及可读存储介质
CN113393306A (zh) 产品推荐方法、装置、电子设备及计算机可读介质
CN112269926A (zh) 数据推送方法及相关装置
CN112926308A (zh) 匹配正文的方法、装置、设备、存储介质以及程序产品
CN112199434B (zh) 数据处理方法、装置、电子设备及存储介质
CN115630221A (zh) 终端应用界面展示数据处理方法、装置及计算机设备
CN109711656B (zh) 多系统关联预警方法、装置、设备及计算机可读存储介质
CN117473130A (zh) 业务处理方法、装置、设备、介质和程序产品
CN106575418A (zh) 建议的关键词
CN116956204A (zh) 多任务模型的网络结构确定方法、数据预测方法及装置
KR20210079001A (ko) 데이터베이스를 기반으로 기업의 문제를 해결하는 장치 및 방법
WO2020093613A1 (zh) 页面数据的处理方法及装置、存储介质、计算机设备
CN115758271A (zh) 数据处理方法、装置、计算机设备和存储介质
CN114022184A (zh) 数据管理方法、装置、电子设备及存储介质
CN109636083A (zh) 黑名单分析方法、装置、设备及计算机可读存储介质
US10904346B2 (en) Weighted digital image object tagging
CN111368214B (zh) 信息推荐方法、装置、计算机设备和存储介质
CN107742195A (zh) 系统数据整合方法、装置及存储介质
CN115082071A (zh) 一种异常交易账户的识别方法、装置及存储介质
CN112396439A (zh) 商机数据处理方法、装置、计算机设备及存储介质
CN116150341B (zh) 理赔事件检测方法、计算机设备和存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20210203

Address after: 518000 room 64, 3 / F, building 364B, Jingui building, 68 Puti Road, Fubao community, Fubao street, Futian District, Shenzhen City, Guangdong Province

Applicant after: Shenzhen Pingan Zhihui Enterprise Information Management Co.,Ltd.

Address before: No.1411-14158, main tower of shipping center, No.59 Linhai Avenue, Nanshan street, Qianhai Shenzhen Hong Kong cooperation zone, Shenzhen, Guangdong 518000

Applicant before: Ping An digital information technology (Shenzhen) Co.,Ltd.

SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant