CN112286967A - 一种基于联系人执行业务任务的方法、装置和电子设备 - Google Patents
一种基于联系人执行业务任务的方法、装置和电子设备 Download PDFInfo
- Publication number
- CN112286967A CN112286967A CN202011146562.9A CN202011146562A CN112286967A CN 112286967 A CN112286967 A CN 112286967A CN 202011146562 A CN202011146562 A CN 202011146562A CN 112286967 A CN112286967 A CN 112286967A
- Authority
- CN
- China
- Prior art keywords
- contact
- contact person
- information
- screening
- client
- 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
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000012216 screening Methods 0.000 claims abstract description 99
- 238000001914 filtration Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 abstract description 10
- 238000012545 processing Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 4
- 238000012502 risk assessment Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Images
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
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2455—Query execution
- G06F16/24564—Applying rules; Deductive queries
-
- 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
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2457—Query processing with adaptation to user needs
-
- 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
- G06F16/285—Clustering or classification
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Information Transfer Between Computers (AREA)
Abstract
本说明书实施例提供一种基于联系人执行业务任务的方法，通过获取联系人信息调用权限并配置联系人筛选规则，在用户进行业务时获取本地联系人信息，基于所述本地联系人信息，执行所述联系人筛选规则筛选出目标联系人，利用筛选出的目标联系人执行业务任务。由于在本地获取联系人信息，并在本地执行联系人筛选规则筛选出目标联系人，不需要将无关的本地联系人上传给服务器，因而，提高执行业务任务过程中用户信息的私密性。
Description
技术领域
本申请涉及互联网领域，尤其涉及一种基于联系人执行业务任务的方法、装置和电子设备。
背景技术
目前，一些业务的进行会涉及到关系人，用户在进行这种业务时，需要输入联系人，之前常用的方式是服务器收集该用户的关系人，通过构建关系图谱等方式选择关联人，然而，随着保护用户隐私的观念逐渐被重视，这种方式越来越不适用。
因此，需要一种新的基于联系人执行业务任务的方法，以提高执行业务任务过程中用户信息的私密性。
发明内容
本说明书实施例提供一种基于联系人执行业务任务的方法、装置和电子设备，用以提高用户信息的私密性。
本说明书实施例提供一种基于联系人执行业务任务的方法，包括：
获取联系人信息调用权限并配置联系人筛选规则；
在用户进行业务时获取本地联系人信息；
基于所述本地联系人信息，执行所述联系人筛选规则筛选出目标联系人，利用筛选出的目标联系人执行业务任务。
可选地，所述利用筛选出的目标联系人执行业务任务，包括：
将筛选出的目标联系人信息自动输入到业务的联系人录入组件中。
可选地，还包括：
所述联系人录入组件在客户端的页面中显示自动输入的联系人信息，并将所述目标联系人信息上传至服务端数据接口。
可选地，所述配置联系人筛选规则包括：为客户端配置联系人筛选模型。
可选地，所述为客户端配置联系人筛选模型，包括：
在所述客户端的终端部署未训练的联系人筛选模型，并配置客户端与所述联系人筛选模型的调用关系；
以联邦学习的方式在服务端对联系人筛选模型进行训练，提取模型参数；
利用所述模型参数对在所述客户端的终端部署的联系人筛选模型进行配置。
可选地，所述执行所述联系人筛选规则筛选出目标联系人，包括：
利用联系人筛选规则对本地联系人进行评分或分类，筛选目标联系人。
可选地，所述利用联系人筛选规则对本地联系人进行评分或分类，包括：
利用联系人筛选规则按照联系人风险和关联度中的至少一个对本地联系人进行评分或分类。
可选地，还包括：
服务端利用所述目标联系人信息为当前进行业务的用户生成业务策略。
本说明书实施例还提供一种基于联系人执行业务任务的装置，包括：
配置模块，获取联系人信息调用权限并配置联系人筛选规则；
业务执行模块，在用户进行业务时获取本地联系人信息；
基于所述本地联系人信息，执行所述联系人筛选规则筛选出目标联系人，利用筛选出的目标联系人执行业务任务。
可选地，所述利用筛选出的目标联系人执行业务任务，包括：
将筛选出的目标联系人信息自动输入到业务的联系人录入组件中。
可选地，所述业务执行模块，还用于：
所述联系人录入组件在客户端的页面中显示自动输入的联系人信息，并将所述目标联系人信息上传至服务端数据接口。
可选地，所述配置联系人筛选规则包括：为客户端配置联系人筛选模型。
可选地，所述为客户端配置联系人筛选模型，包括：
在所述客户端的终端部署未训练的联系人筛选模型，并配置客户端与所述联系人筛选模型的调用关系；
以联邦学习的方式在服务端对联系人筛选模型进行训练，提取模型参数；
利用所述模型参数对在所述客户端的终端部署的联系人筛选模型进行配置。
可选地，所述执行所述联系人筛选规则筛选出目标联系人，包括：
利用联系人筛选规则对本地联系人进行评分或分类，筛选目标联系人。
可选地，所述利用联系人筛选规则对本地联系人进行评分或分类，包括：
利用联系人筛选规则按照联系人风险和关联度中的至少一个对本地联系人进行评分或分类。
可选地，所述业务执行模块，还用于利用所述目标联系人信息为当前进行业务的用户生成业务策略。
本说明书实施例还提供一种电子设备，其中，该电子设备包括：
处理器；以及，
存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行上述任一项方法。
本说明书实施例还提供一种计算机可读存储介质，其中，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被处理器执行时，实现上述任一项方法。
本说明书实施例提供的各种技术方案通过获取联系人信息调用权限并配置联系人筛选规则，在用户进行业务时获取本地联系人信息，基于所述本地联系人信息，执行所述联系人筛选规则筛选出目标联系人，利用筛选出的目标联系人执行业务任务。由于在本地获取联系人信息，并在本地执行联系人筛选规则筛选出目标联系人，不需要将无关的本地联系人上传给服务器，因而，提高执行业务任务过程中用户信息的私密性。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本说明书实施例提供的一种的原理示意图；
图2为本说明书实施例提供的一种的结构示意图；
图3为本说明书实施例提供的一种电子设备的结构示意图；
图4为本说明书实施例提供的一种计算机可读介质的原理示意图。
具体实施方式
现在将参考附图更全面地描述本发明的示例性实施例。然而，示例性实施例能够以多种形式实施，且不应被理解为本发明仅限于在此阐述的实施例。相反，提供这些示例性实施例能够使得本发明更加全面和完整，更加便于将发明构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的元件、组件或部分，因而将省略对它们的重复描述。
在符合本发明的技术构思的前提下，在某个特定的实施例中描述的特征、结构、特性或其他细节不排除可以以合适的方式结合在一个或更多其他的实施例中。
在对于具体实施例的描述中，本发明描述的特征、结构、特性或其他细节是为了使本领域的技术人员对实施例进行充分理解。但是，并不排除本领域技术人员可以实践本发明的技术方案而没有特定特征、结构、特性或其他细节的一个或更多。
附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。
附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
术语“和/或”或者“及/或”包括相关联的列出项目中的任一个或多者的所有组合。
图1为本说明书实施例提供的一种基于联系人执行业务任务的方法的原理示意图，该方法可以包括：
S101：获取联系人信息调用权限并配置联系人筛选规则。
为了实现在终端本地筛选联系人，我们为执行业务的客户端配置联系人信息调用权限，并且为客户端配置联系人筛选规则。
这样，客户端在执行到筛选联系人的任务节点时，便能够调用联系人筛选规则并且调用本地联系人信息，以进行筛选。
其中，规则可以搭载于模型中，因此，所述配置联系人筛选规则包括：为客户端配置联系人筛选模型。
联邦学习是一种机器学习框架，能够在不传输原始数据的情况下，联合多个客户端完成模型的训练，因而能够满足保护数据安全和用户隐私的需求。
在本说明书实施例中，考虑到进一步提高用户的私密性，我们可以采取连邦学习的方式来构建联系人筛选模型。
因此，所述为客户端配置联系人筛选模型，可以包括：
在所述客户端的终端部署未训练的联系人筛选模型，并配置客户端与所述联系人筛选模型的调用关系；
以联邦学习的方式在服务端对联系人筛选模型进行训练，提取模型参数；
利用所述模型参数对在所述客户端的终端部署的联系人筛选模型进行配置。
在以联邦学习的方式在服务端对联系人筛选模型进行训练时，会涉及到安全多方计算。安全多方计算是一种计算加密方式，可以在没有可信第三方的情况下，安全的计算约定的函数。
在以联邦学习的方式在服务端对联系人筛选模型进行训练时，会涉及到差分隐私。差分隐私是密码学的一种手段，能够在保持数据准确性的前提下，加入噪声，增加识别原始记录的限制。
其中，在所述客户端的终端部署未训练的联系人筛选模型，可以是利用模型转换器将未训练的联系人筛选模型转换成可在终端上运行的模型。
其中，模型转换器可以是tensor flow lite，对于tensor flow lite的作用，现有技术已有公开，在此不做具体阐述。
具体的，以联邦学习的方式在服务端对联系人筛选模型进行训练，可以包括：
利用差分隐私规则将用户信息转换成中间梯度信息，将所述中间梯度信息和所述用户信息对应的评分数据上传到服务端；
所述服务端利用多个用户上传的中间梯度信息及对应的评分数据对联系人筛选模型进行迭代训练。
这个训练过程仅会上传模型经过差分隐私处理过后的中间梯度和评分，通过联合多个客户端，便能够在服务端迭代模型参数，再把更新的模型参数应用到终端的联系人筛选模型上。
通过利用中间梯度信息在服务端对模型参数进行迭代的方式，能够保护用户数据隐私，在终端对用户进行信用评分，避免了上传原始敏感数据并缓存数据的可能性，而且能够快速更新迭代，模型的准确性更高，能够有效抵抗模型衰减，在使用模型进行评分时，评分的决策过程可以在客户端就快速完成，减少业务过程花费的时间，提升了用户体验。
具体实施时，可以先基于tensorflow框架离线建立深度网络模型，当然，整个模型的结构可以根据业务需求自由调整，接着，将整个网络的模型参数随机初始化，并指定模型输出计算的梯度数据和评分，配置差分隐私规则，进行封装，再使用tensor flow lite框架对整个封装的对象进行序列化操作并保存到文件中，进而将模型部署到手机上，成为客户端模型。
在本说明书实施例中，该方法还可以包括：
客户端利用配置的预处理脚本对原始数据进行缺失值填补和编码，将预处理后的数据输入到联系人筛选模型。
S102：在用户进行业务时获取本地联系人信息。
在本说明书实施例中，在获取联系人信息调用权限并配置联系人筛选规则后，用户可以利用客户端进行业务，客户端可以为用户提供业务页面，业务页面可以具有联系人录入组件。
当用户通过操作触发联系人录入组件时，客户端便获取本地联系人信息。
考虑到一种应用场景，用户进行的业务时申请资源的业务，该业务要求用户输入联系人，以便对用户进行风险评估或者后期维护，这时，如果允许用户随意输入联系人，则由于联系人的主观立场往往不同于业务的提供方，使得用户可能会从对自己有利的角度出发，输入联系人，甚至，如果用户并不是真实的客户，而是诈骗团伙，那么允许用户自行输入联系人，就对业务产生了更大的风险，因此，为了解决这个问题同时保护用户信息的私密性，我们提出，在终端运行联系人筛选规则筛选目标联系人，这样，便不需要服务器收集大量的联系人信息，也可以避免用户自行输入联系人的情况。
S103：基于所述本地联系人信息，执行所述联系人筛选规则筛选出目标联系人，利用筛选出的目标联系人执行业务任务。
通过获取联系人信息调用权限并配置联系人筛选规则，在用户进行业务时获取本地联系人信息，基于所述本地联系人信息，执行所述联系人筛选规则筛选出目标联系人，利用筛选出的目标联系人执行业务任务。由于在本地获取联系人信息，并在本地执行联系人筛选规则筛选出目标联系人，不需要将无关的本地联系人上传给服务器，因而，提高执行业务任务过程中用户信息的私密性。
其中，所述利用筛选出的目标联系人执行业务任务，包括：
将筛选出的目标联系人信息自动输入到业务的联系人录入组件中。
在本说明书实施例中，该方法还可以包括：
所述联系人录入组件在客户端的页面中显示自动输入的联系人信息，并将所述目标联系人信息上传至服务端数据接口。
在本说明书实施例中，该方法还可以包括：
接收用户对目标联系人的选中操作，确定用户操作选中的目标联系人；
所述将所述目标联系人信息上传至服务端数据接口，包括：
将用户操作选中的目标联系人信息上传至服务端数据接口。
在本说明书实施例中，该方法还可以包括：
服务端利用所述目标联系人信息为当前进行业务的用户生成业务策略。
可选地，利用所述目标联系人信息为当前进行业务的用户生成业务策略可以包括：
利用所述目标联系人信息对当前进行业务的用户进行风险评估，基于评估结果生成资源授予策略。
可选地，利用所述目标联系人信息为当前进行业务的用户生成业务策略可以包括：
基于所述目标联系人信息为当前进行业务的用户生成资源返还的辅助策略。
其中，资源返还的辅助策略具体可以是，利用目标联系人信息对用户的影响力，促使用户返还资源。
具体的筛选出目标联系人的方式，可以是以对联系人进行评分并按照评分进行筛选的方式，也可以是对联系人进行分类，筛选预设类别的用户的方式。
因此，所述执行所述联系人筛选规则筛选出目标联系人，包括：
利用联系人筛选规则对本地联系人进行评分或分类，筛选目标联系人。
至于评分或分类的具体指标，在本说明书实施例中，所述利用联系人筛选规则对本地联系人进行评分或分类，可以包括：
利用联系人筛选规则按照联系人风险和关联度中的至少一个对本地联系人进行评分或分类。
通过按照关联度对本地联系人进行评分或分类，能够筛选出关系密切的联系人。
这里的评分或分类，可以是利用联邦学习的方式配置的联系人筛选模型进行的。
当然，对联系人进行分类或者评分，也可以是利用根据预设指标构建的联系人筛选模型对联系人进行分类或者评分。
其中，预设指标可以包括通话频率信息。
由于通话频率一定程度上能够反映关系人拨通用户电话的可能性，也能够反映联系人与用户的关联度，因而利用这种指标构建的联系人筛选模型能够精准地筛选目标联系人，有利于进行业务任务。
其中，分类可以是按照多种属性进行的分类，联系人可以被划分至至少一种属性的类别中，分类属性可以是医生、客服、中介、政府等。
在本说明书实施例中，可能筛选出多个联系人，这时，可以在业务页面中显示筛选出的多个联系人，供用户通过操作进行选择，确定最终的目标联系人，这样，也能为用户提供一定的选择空间。
由于上述整个过程全部在客户端运行，不上传的用户任何相关隐私数据，即使处于无网络状态也可运行，因而提升了用户信息的私密性。
在一种应用场景中，在用户对客户端授权后，在利用客户单进行业务时，客户端后台自动获取通讯录数据，将通讯录的数据通过分类策略的运算后，生成一份通讯录分类策略数据，并将通讯录分类策略关系数据输入到部署在客户端的联系人筛选模型，通过模型输出通讯录联系人对应的评分数据，根据评分的高低筛选出适合的联系人信息供用户选择。
在本说明书实施例中，该方法可以包括：
S201：用户向客户端授予联系人信息调用权限。
S202：用户通过客户端进行业务，客户端获取本地联系人信息。
S203：客户端对本地联系人信息进行清洗，并清理剔除包含预设字符的联系人。
S204：利用部署在客户端的分类规则对本地联系人信息进行运算，将运算结果输入到部署在客户端的联系人筛选模型，计算出联系人的评分数据。
S205：按照评分数据对联系人进行排序，将排序靠前的预设数量个联系人展示给用户。
S206：接收用户对目标联系人的选中操作，确定用户操作选中的目标联系人；
将用户操作选中的目标联系人信息上传至服务端数据接口。
图2为本说明书实施例提供的一种基于联系人执行业务任务的装置的结构示意图，该装置可以包括：
配置模块201，获取联系人信息调用权限并配置联系人筛选规则；
业务执行模块202，在用户进行业务时获取本地联系人信息；
基于所述本地联系人信息，执行所述联系人筛选规则筛选出目标联系人，利用筛选出的目标联系人执行业务任务。
考虑到一种应用场景，用户进行的业务时申请资源的业务，该业务要求用户输入联系人，以便对用户进行风险评估或者后期维护，这时，如果允许用户随意输入联系人，则由于联系人的主观立场往往不同于业务的提供方，使得用户可能会从对自己有利的角度出发，输入联系人，甚至，如果用户并不是真实的客户，而是诈骗团伙，那么允许用户自行输入联系人，就对业务产生了更大的风险，因此，为了解决这个问题同时保护用户信息的私密性，我们提出，在终端运行联系人筛选规则筛选目标联系人，这样，便不需要服务器收集大量的联系人信息，也可以避免用户自行输入联系人的情况。
在本说明书实施例中，所述利用筛选出的目标联系人执行业务任务，可以包括：
将筛选出的目标联系人信息自动输入到业务的联系人录入组件中。
在本说明书实施例中，所述业务执行模块，还可以用于：
所述联系人录入组件在客户端的页面中显示自动输入的联系人信息，并将所述目标联系人信息上传至服务端数据接口。
在本说明书实施例中，该方法还可以包括：
接收用户对目标联系人的选中操作，确定用户操作选中的目标联系人；
所述将所述目标联系人信息上传至服务端数据接口，可以包括：
将用户操作选中的目标联系人信息上传至服务端数据接口。
为了实现在终端本地筛选联系人，我们为执行业务的客户端配置联系人信息调用权限，并且为客户端配置联系人筛选规则。
这样，客户端在执行到筛选联系人的任务节点时，便能够调用联系人筛选规则并且调用本地联系人信息，以进行筛选，因此，所述配置联系人筛选规则可以包括：为客户端配置联系人筛选模型。
在本说明书实施例中，所述为客户端配置联系人筛选模型，可以包括：
在所述客户端的终端部署未训练的联系人筛选模型，并配置客户端与所述联系人筛选模型的调用关系；
以联邦学习的方式在服务端对联系人筛选模型进行训练，提取模型参数；
利用所述模型参数对在所述客户端的终端部署的联系人筛选模型进行配置。
具体的，以联邦学习的方式在服务端对联系人筛选模型进行训练，可以包括：
利用差分隐私规则将用户信息转换成中间梯度信息，将所述中间梯度信息和所述用户信息对应的评分数据上传到服务端；
所述服务端利用多个用户上传的中间梯度信息及对应的评分数据对联系人筛选模型进行迭代训练。
这个训练过程仅会上传模型经过差分隐私处理过后的中间梯度和评分，通过联合多个客户端，便能够在服务端迭代模型参数，再把更新的模型参数应用到终端的联系人筛选模型上。
在本说明书实施例中，所述执行所述联系人筛选规则筛选出目标联系人，可以包括：
利用联系人筛选规则对本地联系人进行评分或分类，筛选目标联系人。
在本说明书实施例中，所述利用联系人筛选规则对本地联系人进行评分或分类，可以包括：
利用联系人筛选规则按照联系人风险和关联度中的至少一个对本地联系人进行评分或分类。
在本说明书实施例中，所述业务执行模块，还可以用于利用所述目标联系人信息为当前进行业务的用户生成业务策略。
可选地，利用所述目标联系人信息为当前进行业务的用户生成业务策略可以包括：
利用所述目标联系人信息对当前进行业务的用户进行风险评估，基于评估结果生成资源授予策略。
可选地，利用所述目标联系人信息为当前进行业务的用户生成业务策略可以包括：
基于所述目标联系人信息为当前进行业务的用户生成资源返还的辅助策略。
在一种应用场景中，在用户对客户端授权后，在利用客户单进行业务时，客户端后台自动获取通讯录数据，将通讯录的数据通过分类策略的运算后，生成一份通讯录分类策略数据，并将通讯录分类策略关系数据输入到部署在客户端的联系人筛选模型，通过模型输出通讯录联系人对应的评分数据，根据评分的高低筛选出适合的联系人信息供用户选择。
该装置通过获取联系人信息调用权限并配置联系人筛选规则，在用户进行业务时获取本地联系人信息，基于所述本地联系人信息，执行所述联系人筛选规则筛选出目标联系人，利用筛选出的目标联系人执行业务任务。由于在本地获取联系人信息，并在本地执行联系人筛选规则筛选出目标联系人，不需要将无关的本地联系人上传给服务器，因而，提高执行业务任务过程中用户信息的私密性。
基于同一发明构思，本说明书实施例还提供一种电子设备。
下面描述本发明的电子设备实施例，该电子设备可以视为对于上述本发明的方法和装置实施例的具体实体实施方式。对于本发明电子设备实施例中描述的细节，应视为对于上述方法或装置实施例的补充；对于在本发明电子设备实施例中未披露的细节，可以参照上述方法或装置实施例来实现。
图3为本说明书实施例提供的一种电子设备的结构示意图。下面参照图3来描述根据本发明该实施例的电子设备300。图3显示的电子设备300仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图3所示，电子设备300以通用计算设备的形式表现。电子设备300的组件可以包括但不限于：至少一个处理单元310、至少一个存储单元320、连接不同系统组件(包括存储单元320和处理单元310)的总线330、显示单元340等。
其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元310执行，使得所述处理单元310执行本说明书上述处理方法部分中描述的根据本发明各种示例性实施方式的步骤。例如，所述处理单元310可以执行如图1所示的步骤。
所述存储单元320可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)3201和/或高速缓存存储单元3202，还可以进一步包括只读存储单元(ROM)3203。
所述存储单元320还可以包括具有一组(至少一个)程序模块3205的程序/实用工具3204，这样的程序模块3205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线330可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备300也可以与一个或多个外部设备400(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备300交互的设备通信，和/或与使得该电子设备300能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口350进行。并且，电子设备300还可以通过网络适配器360与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。网络适配器360可以通过总线330与电子设备300的其它模块通信。应当明白，尽管图3中未示出，可以结合电子设备300使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述，本领域的技术人员易于理解，本发明描述的示例性实施例可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本发明实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个计算机可读的存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、或者网络设备等)执行根据本发明的上述方法。当所述计算机程序被一个数据处理设备执行时，使得该计算机可读介质能够实现本发明的上述方法，即：如图1所示的方法。
图4为本说明书实施例提供的一种计算机可读介质的原理示意图。
实现图1所示方法的计算机程序可以存储于一个或多个计算机可读介质上。计算机可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
综上所述，本发明可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)等通用数据处理设备来实现根据本发明实施例中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
以上所述的具体实施例，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，应理解的是，本发明不与任何特定计算机、虚拟装置或者电子设备固有相关，各种通用装置也可以实现本发明。以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种基于联系人执行业务任务的方法，其特征在于，包括：
获取联系人信息调用权限并配置联系人筛选规则；
在用户进行业务时获取本地联系人信息；
基于所述本地联系人信息，执行所述联系人筛选规则筛选出目标联系人，利用筛选出的目标联系人执行业务任务。
2.根据权利要求1所述的方法，其特征在于，所述利用筛选出的目标联系人执行业务任务，包括：
将筛选出的目标联系人信息自动输入到业务的联系人录入组件中。
3.根据权利要求1-2中任一项所述的方法，其特征在于，还包括：
所述联系人录入组件在客户端的页面中显示自动输入的联系人信息，并将所述目标联系人信息上传至服务端数据接口。
4.根据权利要求1-3中任一项所述的方法，其特征在于，所述配置联系人筛选规则包括：为客户端配置联系人筛选模型。
5.根据权利要求1-4中任一项所述的方法，其特征在于，所述为客户端配置联系人筛选模型，包括：
在所述客户端的终端部署未训练的联系人筛选模型，并配置客户端与所述联系人筛选模型的调用关系；
以联邦学习的方式在服务端对联系人筛选模型进行训练，提取模型参数；
利用所述模型参数对在所述客户端的终端部署的联系人筛选模型进行配置。
6.根据权利要求1-5中任一项所述的方法，其特征在于，所述执行所述联系人筛选规则筛选出目标联系人，包括：
利用联系人筛选规则对本地联系人进行评分或分类，筛选目标联系人。
7.根据权利要求1-6中任一项所述的方法，其特征在于，所述利用联系人筛选规则对本地联系人进行评分或分类，包括：
利用联系人筛选规则按照联系人风险和关联度中的至少一个对本地联系人进行评分或分类。
8.一种基于联系人执行业务任务的装置，其特征在于，包括：
配置模块，获取联系人信息调用权限并配置联系人筛选规则；
业务执行模块，在用户进行业务时获取本地联系人信息；
基于所述本地联系人信息，执行所述联系人筛选规则筛选出目标联系人，利用筛选出的目标联系人执行业务任务。
9.一种电子设备，其中，该电子设备包括：
处理器；以及，
存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行根据权利要求1-7中任一项所述的方法。
10.一种计算机可读存储介质，其中，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被处理器执行时，实现权利要求1-7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011146562.9A CN112286967A (zh) | 2020-10-23 | 2020-10-23 | 一种基于联系人执行业务任务的方法、装置和电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011146562.9A CN112286967A (zh) | 2020-10-23 | 2020-10-23 | 一种基于联系人执行业务任务的方法、装置和电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112286967A true CN112286967A (zh) | 2021-01-29 |
Family
ID=74423709
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011146562.9A Pending CN112286967A (zh) | 2020-10-23 | 2020-10-23 | 一种基于联系人执行业务任务的方法、装置和电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112286967A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107527204A (zh) * | 2011-12-28 | 2017-12-29 | 诺基亚技术有限公司 | 用于在执行业务时利用识别数据的方法和设备 |
| CN107734123A (zh) * | 2016-08-12 | 2018-02-23 | 中兴通讯股份有限公司 | 一种联系人排序方法和装置 |
| CN111512617A (zh) * | 2017-12-22 | 2020-08-07 | 三星电子株式会社 | 推荐联系人信息的装置和方法 |
| CN111681032A (zh) * | 2020-04-28 | 2020-09-18 | 上海淇馥信息技术有限公司 | 一种配置附加资源的方法、装置和电子设备 |
| CN111768008A (zh) * | 2020-06-30 | 2020-10-13 | 平安科技（深圳）有限公司 | 联邦学习方法、装置、设备和存储介质 |
-
2020
- 2020-10-23 CN CN202011146562.9A patent/CN112286967A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107527204A (zh) * | 2011-12-28 | 2017-12-29 | 诺基亚技术有限公司 | 用于在执行业务时利用识别数据的方法和设备 |
| CN107734123A (zh) * | 2016-08-12 | 2018-02-23 | 中兴通讯股份有限公司 | 一种联系人排序方法和装置 |
| CN111512617A (zh) * | 2017-12-22 | 2020-08-07 | 三星电子株式会社 | 推荐联系人信息的装置和方法 |
| CN111681032A (zh) * | 2020-04-28 | 2020-09-18 | 上海淇馥信息技术有限公司 | 一种配置附加资源的方法、装置和电子设备 |
| CN111768008A (zh) * | 2020-06-30 | 2020-10-13 | 平安科技（深圳）有限公司 | 联邦学习方法、装置、设备和存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11032304B2 (en) | Ontology based persistent attack campaign detection | |
| CN113169976A (zh) | 使用私有集交集(psi)对敏感数据的安全多重检测 | |
| US10223440B2 (en) | Question and answer system emulating people and clusters of blended people | |
| Singh et al. | Cloud based development issues: a methodical analysis | |
| US10262266B2 (en) | Identifying and analyzing impact of an event on relationships | |
| US20220086131A1 (en) | Multi-factor authentication for non-internet applications | |
| US20200042643A1 (en) | Heuristic q&a system | |
| CN107634947A (zh) | 限制恶意登录或注册的方法和装置 | |
| CN111931048B (zh) | 基于人工智能的黑产账号检测方法及相关装置 | |
| WO2019092553A1 (en) | Neural response detector | |
| AU2021276638A1 (en) | Unsupervised text summarization with reinforcement learning | |
| CN114004700A (zh) | 业务数据处理方法、装置、电子设备及存储介质 | |
| CN110414989A (zh) | 异常检测方法及装置、电子设备和计算机可读存储介质 | |
| US10540440B2 (en) | Relation extraction using Q and A | |
| CN112286967A (zh) | 一种基于联系人执行业务任务的方法、装置和电子设备 | |
| US20220067211A1 (en) | Privacy verification for electronic communications | |
| CN110674491B (zh) | 用于安卓应用的实时取证的方法、装置和电子设备 | |
| WO2020251866A1 (en) | Risk management of processes utilizing personal data | |
| CN113052727A (zh) | 基于购房资格核验的购房推荐装置及方法 | |
| CN115640325A (zh) | 内容推荐方法、装置、可读介质及电子设备 | |
| US20230283634A1 (en) | Determining intent of phishers through active engagement | |
| US11811520B2 (en) | Making security recommendations | |
| US9674160B2 (en) | Methods for anti-fraud masking of a universal resource indentifier (“URI”) | |
| US11954209B2 (en) | Cognitive malware awareness improvement with cyclamates | |
| US11036939B2 (en) | Data driven approach for automatically generating a natural language processing cartridge |
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 |
Application publication date: 20210129 |