CN112306835B - 用户数据监控分析方法、装置、设备及介质 - Google Patents
用户数据监控分析方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN112306835B CN112306835B CN202011204209.1A CN202011204209A CN112306835B CN 112306835 B CN112306835 B CN 112306835B CN 202011204209 A CN202011204209 A CN 202011204209A CN 112306835 B CN112306835 B CN 112306835B
- Authority
- CN
- China
- Prior art keywords
- data set
- data
- behavior data
- behavior
- dimension reduction
- 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
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 title claims abstract description 37
- 206010000117 Abnormal behaviour Diseases 0.000 claims abstract description 46
- 238000012800 visualization Methods 0.000 claims abstract description 30
- 238000012545 processing Methods 0.000 claims abstract description 20
- 238000001514 detection method Methods 0.000 claims abstract description 19
- 238000003860 storage Methods 0.000 claims abstract description 17
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 16
- 238000001914 filtration Methods 0.000 claims abstract description 13
- 238000004458 analytical method Methods 0.000 claims abstract description 11
- 230000006399 behavior Effects 0.000 claims description 224
- 230000009467 reduction Effects 0.000 claims description 83
- 239000013598 vector Substances 0.000 claims description 65
- 230000002159 abnormal effect Effects 0.000 claims description 25
- 230000006870 function Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000011946 reduction process Methods 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 abstract description 7
- 230000009471 action Effects 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 8
- 230000000007 visual effect Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 230000003542 behavioural effect Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 2
- 210000001503 joint Anatomy 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000002077 nanosphere Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 102000008297 Nuclear Matrix-Associated Proteins Human genes 0.000 description 1
- 108010035916 Nuclear Matrix-Associated Proteins Proteins 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000000299 nuclear matrix Anatomy 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
- G06F11/3438—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment monitoring of user actions
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Debugging And Monitoring (AREA)
Abstract
本发明涉及数据监控技术，揭露了一种基于第三方软件的用户数据监控分析方法，包括：从第三方软件中收集目标用户的行为数据集，对所述行为数据集降维，得到降维行为数据集，利用数据异常检测模型检测所述降维行为数据集，得到正常行为数据集和异常行为数据集，利用协同过滤算法，根据所述正常行为数据集和异常行为数据集执行数据重构，得到标准数据集，对所述标准数据集执行可视化处理，得到可视化图表集。本发明还涉及区块链技术，所述目标用户的行为数据集可存储于区块链节点中。本发明还提出一种基于第三方软件的用户数据监控分析装置、电子设备以及一种计算机可读存储介质。本发明可以解决数据监控过程中，耗费大量计算机内存的问题。
Description
技术领域
本发明涉及数据监控技术领域，尤其涉及一种基于第三方软件的用户数据监控分析方法、装置、电子设备及计算机可读存储介质。
背景技术
目前，很多软件产品或者平台为了给用户提供更加丰富的产品与服务都会接入第三方软件，所述第三方软件是针对第一方、第二方而言，其中，第一方是指自已，第二方是指自己要解决的问题即用户，用另外的软件去为自己的用户提供服务，就是指第三方软件。
为了了解第三方软件对用户产生的效果，通常需要对所述第三方软件产生的用户行为数据进行分析。传统的分析方法多利用支持向量机(SVM)建模来完成，但是SVM的空间消耗主要是存储训练样本和核矩阵，由于SVM是借助二次规划来求解支持向量，而求解二次规划将涉及m阶矩阵的计算(m为样本的个数)，当数目很大时该矩阵的存储和计算将耗费大量的计算机内存，损耗计算机磁盘的读写速度。
发明内容
本发明提供一种基于第三方软件的用户数据监控分析方法、装置、电子设备及计算机可读存储介质，其主要目的在于解决数据监控过程中，耗费大量计算机内存的问题。
为实现上述目的，本发明提供的一种基于第三方软件的用户数据监控分析方法，包括：
从第三方软件中收集目标用户的行为数据集；
对所述行为数据集执行降维操作，得到降维行为数据集；
利用预先构建的数据异常检测模型，检测所述降维行为数据集，得到正常行为数据集和异常行为数据集；
利用预设的协同过滤算法，根据所述正常行为数据集和所述异常行为数据集执行数据重构，得到标准数据集；
对所述标准数据集执行可视化处理，得到可视化图表集，并将所述可视化图表集传送至预设终端。
可选地，所述所述行为数据集包括用户浏览所述第三方软件的时长、用户浏览所述第三方软件相关的界面、用户浏览所述第三方软件时点击的按钮。
可选地，所述对所述行为数据集执行降维操作，得到降维行为数据集，包括：
对所述行为数据集执行编码操作，得到用户行为向量集；
利用预构建的权重集，计算得到所述用户行为向量集的权重行为向量集；
对所述权重行为向量集执行降维处理，得到所述降维行为数据集。
可选地，所述所述所述权重行为向量集执行降维处理，得到所述降维行为数据集，包括：
利用如下公式对所述权重行为向量集执行降维处理：
Qi＝(Xi-XiWjWj T)(Xi-XiWjWj T)T
其中，Qi表示所述降维行为数据集中第i个降维行为数据，Xi表示所述权重行为向量集的第i个权重行为向量，Wj表示由所述权重集得到的权重矩阵中第j行向量，Wj T表示Wj的转置。
可选地，所述所述利用预先构建的数据异常检测模型，检测所述降维行为数据集，得到正常行为数据集和异常行为数据集，包括：
根据所述降维行为数据集构造超球体，并计算所述超球体的半径；
计算所述降维行为数据集中的数据到所述超球体球心的距离；
汇总所述距离小于所述半径的数据，得到所述正常行为数据集；
汇总所述距离大于或等于所述半径的数据，得到所述异常行为数据集。
可选地，所述所述计算所述超球体的半径，包括：
利用下述公式计算所述超球体的半径：
其中，R表示所述超球体的半径，αi表示所述超球体的第一拉格朗日乘子，αj表示所述超球体的第二拉格朗日乘子，Qi，Qj表示所述降维行为数据集中任意两个降维行为数据，()表示高斯核函数。
可选地，所述利用预设的协同过滤算法，根据所述正常行为数据集和所述异常行为数据集执行数据重构，得到标准数据集，包括：
计算所述正常行为数据集内每个正常数据和所述异常行为数据集内每个异常数据的距离，得到距离值集；
将所述距离值集中每个距离值与预设的阈值进行比较，选取不大于所述阈值的距离值集对应的正常数据及异常数据，并汇总所选取的正常数据及异常数据得到标准数据集。
为了解决上述问题，本发明还提供一种基于第三方软件的用户数据监控分析装置，所述装置包括：
行为数据获取模块，用于从第三方软件中收集目标用户的行为数据集；
数据检测模块，用于对所述行为数据集执行降维操作，得到降维行为数据集，利用预先构建的数据异常检测模型，检测所述降维行为数据集，得到正常行为数据集和异常行为数据集；
数据重构模块，用于利用预设的协同过滤算法，根据所述正常行为数据集和所述异常行为数据集执行数据重构，得到标准数据集；
可视化模块，用于对所述标准数据集执行可视化处理，得到可视化图表集，并将所述可视化图表集传送至预设终端。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
存储器，存储至少一个指令；及
处理器，执行所述存储器中存储的指令以实现上述所述的基于第三方软件的用户数据监控分析方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质，包括存储数据区和存储程序区，存储数据区存储创建的数据，存储程序区存储有计算机程序；其中，所述计算机程序被处理器执行时实现上述所述的基于第三方软件的用户数据监控分析方法。
本发明实施例从第三方软件中收集目标用户的行为数据集，对所述行为数据集分别执行降维操作、数据异常检测及数据重构，从而降低行为数据集的数据维度，并将行为数据集分成正常行为数据集和异常行为数据集后，进行数据重构得到标准数据集，相比于传统的分析方法如支持向量机来说，本发明实施例降维操作可有效降低数据维度，避免存储和计算资源的浪费，同时通过数据异常检测及数据重构完善数据，提高数据监控的准确性，因此本发明提出的基于第三方软件的用户数据监控分析方法、装置及计算机可读存储介质，可以解决数据监控过程中，耗费大量计算机内存的问题。
附图说明
图1为本发明一实施例提供的基于第三方软件的用户数据监控分析方法的流程示意图；
图2为本发明一实施例提供的基于第三方软件的用户数据监控分析方法中S2的流程示意图；
图3为本发明一实施例提供的基于第三方软件的用户数据监控分析方法中S2的流程示意图；
图4为本发明一实施例提供的基于第三方软件的用户数据监控分析装置的模块示意图；
图5为本发明一实施例提供的实现基于第三方软件的用户数据监控分析方法的电子设备的内部结构示意图；
本发明目的的实现、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
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本申请实施例提供一种基于第三方软件的用户数据监控分析方法。所述基于第三方软件的用户数据监控分析方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述基于第三方软件的用户数据监控分析方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。
本发明提供一种基于第三方软件的用户数据监控分析方法。参照图1所示，为本发明一实施例提供的基于第三方软件的用户数据监控分析方法的流程示意图。该方法可以由一个装置执行，该装置可以由软件和/或硬件实现。
在本实施例中，基于第三方软件的用户数据监控分析方法包括：
S1、从第三方软件中收集目标用户的行为数据集。
本发明较佳实施例中，所述目标用户是指第三方软件的用户。所述第三方软件是针对第一方、第二方而言，其中，第一方是指所述目标用户，第二方是指与所述目标用户对接的用户或平台等，而第三方软件是指第一方所使用的软件。
本发明实施例中，可通过一个预先配置的监控脚本从第三方软件中获取所述目标用户的行为数据集。其中，所述监控脚本的配置信息可以部署在一个内部服务器上，并通过热更新的方式进行快速配置，无需部署版本，也无需进行灰度测试。
本发明实施例直接可以通过生产端上报到数据统计系统里的数据对所述监控脚本进行验证，如果发现误配，也能快速通过热更新的方式修正，对于用户层面更是没有感知，不会影响体验。其中，所述配置信息中包含：用户视觉区域信息、用户位置信息等，方便监控用户在使用第三方软件时所产生的行为数据集。其中，所述行为数据集包含：用户浏览第三方软件的时长、用户浏览第三方软件相关的界面、用户浏览第三方软件时点击的按钮等，第三方软件一般由多个界面组成，本发明实施例中，获取用户操作第三方软件中具体的界面及时长等，得到所述行为数据集。
进一步地，本发明实施例将获取到的所述行为数据集先上传到redis缓存中，再把所述行为数据集上传到数据库中，为后续分析处理所述行为数据集做准备。
本发明另一实施例中，所述行为数据集也可以存储在区块链节点中。
S2、对所述行为数据集执行降维操作，得到降维行为数据集。
本发明较佳实施例中，由于获取到的所述行为数据集中的数据量比较大，不利于计算机对所述用户行为数据的计算与分析，因此需要对所述行为数据集执行降维操作，以缩小数据量方便计算机进行计算。
详细地，参阅图2所示，本发明较佳实施例中所述对所述行为数据集执行降维操作，得到降维行为数据集，包括：
S21、对所述行为数据集执行编码操作，得到用户行为向量集；
本发明实施例可采用word2vec方法将行为数据集编码为用户行为向量集。
S22、利用预构建的权重集，计算得到所述用户行为向量集的权重行为向量集；
本发明较佳实施例中，所述权重集是用户根据所述用户行为向量集内每个用户行为而预先设定的权重。
本发明一个可选实施例可以利用下述公式计算所述行为数据集的权重行为向量集：
其中，Xj表示所述权重行为向量集中第j个权重行为向量，xj表示所述用户行为向量集中的第j个用户行为向量，k为所述权重行为向量集的数据量，wj为所述权重集中的第j个权重。
例如，本发明其中一个应用实例将包括用户浏览第三方软件的时长、用户浏览第三方软件相关的界面等行为数据集进行编码，分别得到用户浏览第三方软件的时长为x1，用户浏览第三方软件界面为x2的用户行为向量集，并通过所述权重集进行对应计算，得到包括所述权重行为向量集X1和X2的权重行为向量集。S23、对所述权重行为向量集执行降维处理，得到所述降维行为数据集。
本发明一个可选的实施例可以利用如下公式对所述权重行为向量集执行降维处理：
Qi＝(Xi-XiWjWj T)(Xi-XiWjWj T)T
其中，Qi表示所述降维行为数据集中第i个降维行为数据，Xi表示所述权重行为向量集的第i个权重行为向量，Wj表示由所述权重集得到的权重矩阵中第j行向量，Wj T表示Wj的转置。
本发明另一个可选的实施例也可利用PCA算法对所述权重行为向量集执行降维处理，得到降维行为数据集。
S3、利用预先构建的数据异常检测模型，检测所述降维行为数据集，得到正常行为数据集和异常行为数据集。
本发明较佳实施例中，所述降维行为数据集中会有许多有关用户行为的异常数据，如用户在浏览第三方软件的时间一般在几分钟到几小时认为是正常数据，若出现十几个小时甚至二十几个小时的浏览时间，则认为是异常数据。因此，本发明实施例需要检测所述降维行为数据集，得到正常行为数据集和异常行为数据集。
本发明较佳实施例可以采用支持向量数据描述方法(support vector datadescription，简称SVDD)来构建数据异常检测模型。所述SVDD是一种数据描述方法，能够对目标数据集进行超球形描述，并可用于异类点检测或分类。详细地，参阅图3所示，所述S3包括：
S31、根据所述降维行为数据集构造超球体；
一个可选实施例中，利用下述公式构造所述超球体：
C-αi-γi＝0
其中，αi表示所述超球体的第一拉格朗日乘子，o表示所述超球体的球心，C表示惩罚因子，qi表示所述降维行为数据集，γi表示松弛变量。
S32、计算所述超球体的半径；
一个可选实施例中，利用下述公式计算所述超球体的半径：
其中，R表示所述超球体的半径，αj表示所述超球体的第二拉格朗日乘子，Qi，Qj表示所述降维行为数据集中任意两个降维行为数据，K()表示高斯核函数。
S33、计算所述降维行为数据集中的数据到所述超球体球心的距离；
一个可选实施例中，利用下述公式计算所述降维行为数据集中的数据到所述超球体球心的距离：
其中，D表示所述降维行为数据集中的数据到所述超球体球心的距离，||表示范数计算。
S34、汇总所述距离小于所述半径的数据，得到所述正常行为数据集；
本发明实施例通过将所述降维行为数据集中的数据到所述超球体球心的距离与所述超球体的半径进行比较，如果所述距离小于所述超球体半径，则认为所述数据是正常数据，并利用SQL技术汇总所述距离小于所述半径的数据，得到所述正常行为数据集。
S35、汇总所述距离大于或等于所述半径的数据，得到所述异常行为数据集。
进一步的，本发明实施例中，如果所述距离大于或等于所述超球体的半径，则认为所述数据为异常数据，并利用SQL技术汇总所述距离大于或等于所述半径的数据，得到所述异常行为数据集。
S4、利用预设的协同过滤算法，根据所述正常行为数据集和所述异常行为数据集执行数据重构，得到标准数据集。
本发明较佳实施例中，所述S4包括：计算所述正常行为数据集内每个正常数据和所述异常行为数据集内每个异常数据的距离，得到距离值集；S42、将所述距离值集中每个距离值与预设的阈值进行比较，选取不大于所述阈值的距离值集对应的正常数据及异常数据，并汇总所选取的正常数据及异常数据得到标准数据集。
一个可选实施例中，利用下述公式计算所述正常行为数据集和所述异常行为数据集距离：
其中，dist(x，y)表示所述正常行为数据集和所述异常行为数据集距离，xi表示所述正常行为数据集中的数据点，yi表示所述异常行为数据集中的数据点，n表示所述正常行为数据集或所述异常行为数据集的数据量。
例如：预设的阈值为10，若一个正常数据A与一个异常数据B之间的距离值为5，则正常数据A和异常数据B均可划分到标准数据集中。
S5、可视化所述标准数据集，得到可视化图表集，并将所述可视化图表集返回至预设终端。
所述可视化指的是通过一定的技术手段把不清晰无章法的数据转化为清晰直观的图表形式，方便分析查看数据，如用户浏览第三方软件的时间在所述标准数据集中都是以数字的形式存在，无法直观分析用户的浏览时间变化，若把这些数据转化为折线图，则可直观的看到用户浏览时间的变化；用户浏览第三方软件时点击软件按钮的次数也是以数字的形式在标准数据集中存在，若把这些数据转为柱形图，则可直观的看到软件中按钮的点击量，也可直观的看到哪些按钮最受用户喜欢点击，哪些按钮不受用户喜欢点击。
进一步的，本发明较佳实施例中，通过java技术调用jfreeChart图标绘制类库处理所述标准数据集，生成清晰可见的用户行为数据柱形图集。
JFreeChart是JAVA平台上的一个开放的图表绘制类库，可将数据绘制成饼图、柱状图、散点图、时序图、甘特图、折线图等多种图表，并且可以产生PNG和JPEG格式的输出，还可以与PDF和EXCEL关联。
本发明实施例从第三方软件中收集目标用户的行为数据集，对所述行为数据集分别执行降维操作、数据异常检测及数据重构，从而降低行为数据集的数据维度，并将行为数据集分成正常行为数据集和异常行为数据集后，进行数据重构得到标准数据集，相比于传统的分析方法如支持向量机来说，本发明实施例降维操作可有效降低数据维度，避免存储和计算资源的浪费，同时通过数据异常检测及数据重构完善数据，提高数据监控的准确性，因此本发明提出的基于第三方软件的用户数据监控分析方法、装置及计算机可读存储介质，可以解决数据监控过程中，耗费大量计算机内存的问题。
如图4所示，是本发明基于第三方软件的用户数据监控分析装置的模块示意图。
本发明所述基于第三方软件的用户数据监控分析装置100可以安装于电子设备中。根据实现的功能，所述基于第三方软件的用户数据监控分析装置可以包括行为数据获取模块101、数据检测模块102、数据重构模块103及可视化模块104。本发所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述行为数据获取模块101，用于从第三方软件中收集目标用户的行为数据集；
所述数据检测模块102，用于对所述行为数据集执行降维操作，得到降维行为数据集，利用预先构建的数据异常检测模型，检测所述降维行为数据集，得到正常行为数据集和异常行为数据集；
所述数据重构模块103，用于利用预设的协同过滤算法，根据所述正常行为数据集和所述异常行为数据集执行数据重构，得到标准数据集；
所述可视化模块104，用于对所述标准数据集执行可视化处理，得到可视化图表集，并将所述可视化图表集传送至预设终端；
详细地，所述图像中文本内容提取生成装置各模块的具体实施方式如下：
所述行为数据获取模块101用于从第三方软件中收集目标用户的行为数据集。
本发明较佳实施例中，所述目标用户是指第三方软件的用户。所述第三方软件是针对第一方、第二方而言，其中，第一方是指所述目标用户，第二方是指与所述目标用户对接的用户或平台等，而第三方软件是指第一方所使用的软件。
本发明实施例中，可通过一个预先配置的监控脚本从第三方软件中获取所述目标用户的行为数据集。其中，所述监控脚本的配置信息可以部署在一个内部服务器上，并通过热更新的方式进行快速配置，无需部署版本，也无需进行灰度测试。
本发明实施例直接可以通过生产端上报到数据统计系统里的数据对所述监控脚本进行验证，如果发现误配，也能快速通过热更新的方式修正，对于用户层面更是没有感知，不会影响体验。其中，所述配置信息中包含：用户视觉区域信息、用户位置信息等，方便监控用户在使用第三方软件时所产生的行为数据集。其中，所述行为数据集包含：用户浏览第三方软件的时长、用户浏览第三方软件相关的界面、用户浏览第三方软件时点击的按钮等。
进一步地，本发明实施例将获取到的所述行为数据集先上传到redis缓存中，再把所述行为数据集上传到数据库中，为后续分析处理所述行为数据集做准备。
本发明另一实施例中，所述行为数据集也可以存储在区块链节点中。
所述数据检测模块102用于对所述行为数据集执行降维操作，得到降维行为数据集，利用预先构建的数据异常检测模型，检测所述降维行为数据集，得到正常行为数据集和异常行为数据集。
本发明较佳实施例中，由于获取到的所述行为数据集中的数据量比较大，不利于计算机对所述用户行为数据的计算与分析，因此需要对所述行为数据集执行降维操作，以缩小数据量方便计算机进行计算。
详细地，本发明较佳实施例中，所述对所述行为数据集执行降维操作，得到降维行为数据集，包括：对所述行为数据集执行编码操作，得到用户行为向量集；利用预构建的权重集，计算得到所述用户行为向量集的权重行为向量集；对所述权重行为向量集执行降维处理，得到所述降维行为数据集。
本发明实施例可采用word2vec方法将行为数据集编码为用户行为向量集。
本发明较佳实施例中，所述权重集是用户根据所述用户行为向量集内每个用户行为而预先设定的权重。
本发明一个可选实施例可以利用下述公式计算所述行为数据集的权重行为向量集：
其中，Xj表示所述权重行为向量集中第j个权重行为向量，xj表示所述用户行为向量集中的第j个用户行为向量，k为所述权重行为向量集的数据量，wj为所述权重集中的第j个权重。
例如，本发明其中一个应用实例将包括用户浏览第三方软件的时长、用户浏览第三方软件相关的界面等行为数据集进行编码，分别得到用户浏览第三方软件的时长为x1，用户浏览第三方软件相关的界面为x2的用户行为向量集，并通过所述权重集进行对应计算，得到包括所述权重行为向量集X1和X2的权重行为向量集。
本发明一个可选的实施例可以利用如下公式对所述权重行为向量集执行降维处理：
Qi＝(Xi-XiWjWj T)(Xi-XiWjWj T)T
其中，Qi表示所述降维行为数据集中第i个降维行为数据，Xi表示所述权重行为向量集的第i个权重行为向量，Wj表示由所述权重集得到的权重矩阵中第j行向量，Wj T表示Wj的转置。
本发明另一个可选的实施例也可利用PCA算法对所述权重行为向量集执行降维处理，得到降维行为数据集。
本发明较佳实施例中，所述降维行为数据集中会有许多有关用户行为的异常数据，如用户在浏览第三方软件的时间一般在几分钟到几小时认为是正常数据，若出现十几个小时甚至二十几个小时的浏览时间，则认为是异常数据。因此，本发明实施例需要检测所述降维行为数据集，得到正常行为数据集和异常行为数据集。
本发明较佳实施例可以采用支持向量数据描述方法(support vector datadescription，简称SVDD)来构建数据异常检测模型。所述SVDD是一种数据描述方法，能够对目标数据集进行超球形描述，并可用于异类点检测或分类。详细地，所述利用预先构建的数据异常检测模型，检测所述降维行为数据集，得到正常行为数据集和异常行为数据集，包括：根据所述降维行为数据集构造超球体；计算所述超球体的半径；计算所述降维行为数据集中的数据到所述超球体球心的距离；汇总所述距离小于所述半径的数据，得到所述正常行为数据集；汇总所述距离大于或等于所述半径的数据，得到所述异常行为数据集。
一个可选实施例中，利用下述公式构造所述超球体：
C-αi-γi＝0
其中，αi表示所述超球体的第一拉格朗日乘子，o表示所述超球体的球心，C表示惩罚因子，qi表示所述降维行为数据集，γi表示松弛变量。
一个可选实施例中，利用下述公式计算所述超球体的半径：
其中，R表示所述超球体的半径，αj表示所述超球体的第二拉格朗日乘子，Qi，Qj表示所述降维行为数据集中任意两个降维行为数据，K()表示高斯核函数。
一个可选实施例中，利用下述公式计算所述降维行为数据集中的数据到所述超球体球心的距离：
其中，D表示所述降维行为数据集中的数据到所述超球体球心的距离，||表示范数计算。
本发明实施例通过将所述降维行为数据集中的数据到所述超球体球心的距离与所述超球体的半径进行比较，如果所述距离小于所述超球体半径，则认为所述数据是正常数据，并利用SQL技术汇总所述距离小于所述半径的数据，得到所述正常行为数据集。
进一步的，本发明实施例中，如果所述距离大于或等于所述超球体的半径，则认为所述数据为异常数据，并利用SQL技术汇总所述距离大于或等于所述半径的数据，得到所述异常行为数据集。
所述数据重构模块103，用于利用预设的协同过滤算法，根据所述正常行为数据集和所述异常行为数据集执行数据重构，得到标准数据集。
本发明较佳实施例中，所述利用预设的协同过滤算法，根据所述正常行为数据集和所述异常行为数据集执行数据重构，得到标准数据集，包括：计算所述正常行为数据集内每个正常数据和所述异常行为数据集内每个异常数据的距离，得到距离值集；将所述距离值集中每个距离值与预设的阈值进行比较，选取不大于所述阈值的距离值集对应的正常数据及异常数据，并汇总所选取的正常数据及异常数据得到标准数据集。
一个可选实施例中，利用下述公式计算所述正常行为数据集和所述异常行为数据集距离：
其中，dist(x,y)表示所述正常行为数据集和所述异常行为数据集距离，xi表示所述正常行为数据集中的数据点，yi表示所述异常行为数据集中的数据点，n表示所述正常行为数据集或所述异常行为数据集的数据量。
例如：预设的阈值为10，若一个正常数据A与一个异常数据B之间的距离值为5，则正常数据A和异常数据B均可划分到标准数据集中。
所述可视化模块104，用于对所述标准数据集执行可视化处理，得到可视化图表集，并将所述可视化图表集传送至预设终端。
所述可视化指的是通过一定的技术手段把不清晰无章法的数据转化为清晰直观的图表形式，方便分析查看数据，如用户浏览第三方软件的时间在所述标准数据集中都是以数字的形式存在，无法直观分析用户的浏览时间变化，若把这些数据转化为折线图，则可直观的看到用户浏览时间的变化；用户浏览第三方软件时点击软件按钮的次数也是以数字的形式在标准数据集中存在，若把这些数据转为柱形图，则可直观的看到软件中按钮的点击量，也可直观的看到哪些按钮最受用户喜欢点击，哪些按钮不受用户喜欢点击。
进一步的，本发明较佳实施例中，通过java技术调用jfreeChart图标绘制类库处理所述标准数据集，生成清晰可见的用户行为数据柱形图集。
JFreeChart是JAVA平台上的一个开放的图表绘制类库，可将数据绘制成饼图、柱状图、散点图、时序图、甘特图、折线图等多种图表，并且可以产生PNG和JPEG格式的输出，还可以与PDF和EXCEL关联。
如图5所示，是本发明实现基于第三方软件的用户数据监控分析方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11和总线，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如基于第三方软件的用户数据监控分析程序12。
其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(SecureDigital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如基于第三方软件的用户数据监控分析程序12的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如执行基于第三方软件的用户数据监控分析程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。
所述总线可以是外设部件互连标准(peripheral component interconnect，简称PCI)总线或扩展工业标准结构(extended industry standard architecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图5仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图5示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
进一步地，所述电子设备1还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的基于第三方软件的用户数据监控分析程序12是多个指令的组合，在所述处理器10中运行时，可以实现：
从第三方软件中收集目标用户的行为数据集；
对所述行为数据集执行降维操作，得到降维行为数据集；
利用预先构建的数据异常检测模型，检测所述降维行为数据集，得到正常行为数据集和异常行为数据集；
利用预设的协同过滤算法，根据所述正常行为数据集和所述异常行为数据集执行数据重构，得到标准数据集；
对所述标准数据集执行可视化处理，得到可视化图表集，并将所述可视化图表集传送至预设终端。
进一步地，所述电子设备1集成的模块/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介质中。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。
进一步地，所述计算机可用存储介质可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以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，所述模块的划分，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。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块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模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块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，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图表记视为限制所涉及的权利要求。
本发明所指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等。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。
Claims (8)
1.一种基于第三方软件的用户数据监控分析方法，其特征在于，所述方法包括：
从第三方软件中收集目标用户的行为数据集；
对所述行为数据集执行降维操作，得到降维行为数据集；
根据所述降维行为数据集构造超球体，并计算所述超球体的半径，计算所述降维行为数据集中的数据到所述超球体球心的距离，汇总所述距离小于所述半径的数据，得到正常行为数据集，汇总所述距离大于或等于所述半径的数据，得到异常行为数据集；
利用预设的协同过滤算法，根据所述正常行为数据集和所述异常行为数据集执行数据重构，得到标准数据集；
对所述标准数据集执行可视化处理，得到可视化图表集，并将所述可视化图表集传送至预设终端；
其中，所述利用预设的协同过滤算法，根据所述正常行为数据集和所述异常行为数据集执行数据重构，得到标准数据集，包括：计算所述正常行为数据集内每个正常数据和所述异常行为数据集内每个异常数据的距离，得到距离值集；将所述距离值集中每个距离值与预设的阈值进行比较，选取不大于所述阈值的距离值集对应的正常数据及异常数据，并汇总所选取的正常数据及异常数据得到标准数据集。
2.如权利要求1所述的基于第三方软件的用户数据监控分析方法，其特征在于，所述行为数据集包括用户浏览所述第三方软件的时长、用户浏览所述第三方软件相关的界面、用户浏览所述第三方软件时点击的按钮。
3.如权利要求1所述的基于第三方软件的用户数据监控分析方法，其特征在于，所述对所述行为数据集执行降维操作，得到降维行为数据集，包括：
对所述行为数据集执行编码操作，得到用户行为向量集；
利用预构建的权重集，计算得到所述用户行为向量集的权重行为向量集；
对所述权重行为向量集执行降维处理，得到所述降维行为数据集。
4.如权利要求3所述的基于第三方软件的用户数据监控分析方法，其特征在于，所述对所述权重行为向量集执行降维处理，得到所述降维行为数据集，包括：
利用如下公式对所述权重行为向量集执行降维处理：
其中，表示所述降维行为数据集中第/>个降维行为数据，/>表示所述权重行为向量集的第/>个权重行为向量，/>表示由所述权重集得到的权重矩阵中第/>行向量，/>表示/>的转置。
5.如权利要求4所述的基于第三方软件的用户数据监控分析方法，其特征在于，所述计算所述超球体的半径，包括：
利用下述公式计算所述超球体的半径：
其中，表示所述超球体的半径，/>表示所述超球体的第一拉格朗日乘子，/>表示所述超球体的第二拉格朗日乘子，/>表示所述降维行为数据集中任意两个降维行为数据，表示高斯核函数。
6.一种基于第三方软件的用户数据监控分析装置，其特征在于，所述装置包括：
行为数据获取模块，用于从第三方软件中收集目标用户的行为数据集；
数据检测模块，用于对所述行为数据集执行降维操作，得到降维行为数据集，根据所述降维行为数据集构造超球体，并计算所述超球体的半径，计算所述降维行为数据集中的数据到所述超球体球心的距离，汇总所述距离小于所述半径的数据，得到正常行为数据集，汇总所述距离大于或等于所述半径的数据，得到异常行为数据集；
数据重构模块，用于利用预设的协同过滤算法，根据所述正常行为数据集和所述异常行为数据集执行数据重构，得到标准数据集；
可视化模块，用于对所述标准数据集执行可视化处理，得到可视化图表集，并将所述可视化图表集传送至预设终端；
其中，所述利用预设的协同过滤算法，根据所述正常行为数据集和所述异常行为数据集执行数据重构，得到标准数据集，包括：计算所述正常行为数据集内每个正常数据和所述异常行为数据集内每个异常数据的距离，得到距离值集；将所述距离值集中每个距离值与预设的阈值进行比较，选取不大于所述阈值的距离值集对应的正常数据及异常数据，并汇总所选取的正常数据及异常数据得到标准数据集。
7.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至5中任一所述的基于第三方软件的用户数据监控分析方法。
8.一种计算机可读存储介质，包括存储数据区和存储程序区，存储数据区存储创建的数据，存储程序区存储有计算机程序；其中，所述计算机程序被处理器执行时实现如权利要求1至5中任一所述的基于第三方软件的用户数据监控分析方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011204209.1A CN112306835B (zh) | 2020-11-02 | 2020-11-02 | 用户数据监控分析方法、装置、设备及介质 |
| PCT/CN2021/090312 WO2022088632A1 (zh) | 2020-11-02 | 2021-04-27 | 用户数据监控分析方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011204209.1A CN112306835B (zh) | 2020-11-02 | 2020-11-02 | 用户数据监控分析方法、装置、设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112306835A CN112306835A (zh) | 2021-02-02 |
| CN112306835B true CN112306835B (zh) | 2024-05-28 |
Family
ID=74333679
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011204209.1A Active CN112306835B (zh) | 2020-11-02 | 2020-11-02 | 用户数据监控分析方法、装置、设备及介质 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN112306835B (zh) |
| WO (1) | WO2022088632A1 (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112306835B (zh) * | 2020-11-02 | 2024-05-28 | 平安科技（深圳）有限公司 | 用户数据监控分析方法、装置、设备及介质 |
| CN113806738A (zh) * | 2021-09-01 | 2021-12-17 | 浪潮卓数大数据产业发展有限公司 | 一种基于区块链的用户行为跟踪方法及系统 |
| CN115471215B (zh) * | 2022-10-31 | 2023-03-28 | 江西省地质局地理信息工程大队 | 一种业务流程处理方法及装置 |
| CN116540790B (zh) * | 2023-07-05 | 2023-09-08 | 深圳市保凌影像科技有限公司 | 云台稳定控制方法、装置、电子设备及存储介质 |
| CN118195641B (zh) * | 2024-05-17 | 2024-08-06 | 智联信通科技股份有限公司 | 一种基于区块链的智能制造领域生产全流程溯源方法 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105224872A (zh) * | 2015-09-30 | 2016-01-06 | 河南科技大学 | 一种基于神经网络聚类的用户异常行为检测方法 |
| CN107222472A (zh) * | 2017-05-26 | 2017-09-29 | 电子科技大学 | 一种Hadoop集群下的用户行为异常检测方法 |
| CN107426177A (zh) * | 2017-06-13 | 2017-12-01 | 努比亚技术有限公司 | 一种用户行为聚类分析方法及终端、计算机可读存储介质 |
| CN108287782A (zh) * | 2017-06-05 | 2018-07-17 | 中兴通讯股份有限公司 | 一种多维数据异常检测方法及装置 |
| CN109710663A (zh) * | 2018-12-29 | 2019-05-03 | 北京神舟航天软件技术有限公司 | 一种数据统计图表生成方法 |
| CN109783481A (zh) * | 2018-12-19 | 2019-05-21 | 新华三大数据技术有限公司 | 数据处理方法和装置 |
| CN110413681A (zh) * | 2019-08-01 | 2019-11-05 | 上海胜泰信息技术有限公司 | 一款Web端基于大数据技术的可视化数据处理方法 |
| CN110999250A (zh) * | 2017-06-22 | 2020-04-10 | 甲骨文国际公司 | 在计算机环境中监视特权用户和检测异常活动的技术 |
| CN111027594A (zh) * | 2019-11-18 | 2020-04-17 | 西北工业大学 | 一种基于字典表示的分步式异常检测方法 |
| CN111369339A (zh) * | 2020-03-02 | 2020-07-03 | 深圳索信达数据技术有限公司 | 一种基于过采样改进svdd的银行客户交易行为异常识别方法 |
| CN111488363A (zh) * | 2020-06-28 | 2020-08-04 | 平安国际智慧城市科技股份有限公司 | 数据处理方法、装置、电子设备及介质 |
| CN111507470A (zh) * | 2020-03-02 | 2020-08-07 | 上海金仕达软件科技有限公司 | 一种异常账户的识别方法及装置 |
| CN111813618A (zh) * | 2020-05-28 | 2020-10-23 | 平安科技（深圳）有限公司 | 数据异常检测方法、装置、设备及存储介质 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10147049B2 (en) * | 2015-08-31 | 2018-12-04 | International Business Machines Corporation | Automatic generation of training data for anomaly detection using other user's data samples |
| CN105843936A (zh) * | 2016-03-31 | 2016-08-10 | 乐视控股（北京）有限公司 | 一种业务数据报表方法与系统 |
| CN112306835B (zh) * | 2020-11-02 | 2024-05-28 | 平安科技（深圳）有限公司 | 用户数据监控分析方法、装置、设备及介质 |
-
2020
- 2020-11-02 CN CN202011204209.1A patent/CN112306835B/zh active Active
-
2021
- 2021-04-27 WO PCT/CN2021/090312 patent/WO2022088632A1/zh active Application Filing
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105224872A (zh) * | 2015-09-30 | 2016-01-06 | 河南科技大学 | 一种基于神经网络聚类的用户异常行为检测方法 |
| CN107222472A (zh) * | 2017-05-26 | 2017-09-29 | 电子科技大学 | 一种Hadoop集群下的用户行为异常检测方法 |
| CN108287782A (zh) * | 2017-06-05 | 2018-07-17 | 中兴通讯股份有限公司 | 一种多维数据异常检测方法及装置 |
| CN107426177A (zh) * | 2017-06-13 | 2017-12-01 | 努比亚技术有限公司 | 一种用户行为聚类分析方法及终端、计算机可读存储介质 |
| CN110999250A (zh) * | 2017-06-22 | 2020-04-10 | 甲骨文国际公司 | 在计算机环境中监视特权用户和检测异常活动的技术 |
| CN109783481A (zh) * | 2018-12-19 | 2019-05-21 | 新华三大数据技术有限公司 | 数据处理方法和装置 |
| CN109710663A (zh) * | 2018-12-29 | 2019-05-03 | 北京神舟航天软件技术有限公司 | 一种数据统计图表生成方法 |
| CN110413681A (zh) * | 2019-08-01 | 2019-11-05 | 上海胜泰信息技术有限公司 | 一款Web端基于大数据技术的可视化数据处理方法 |
| CN111027594A (zh) * | 2019-11-18 | 2020-04-17 | 西北工业大学 | 一种基于字典表示的分步式异常检测方法 |
| CN111369339A (zh) * | 2020-03-02 | 2020-07-03 | 深圳索信达数据技术有限公司 | 一种基于过采样改进svdd的银行客户交易行为异常识别方法 |
| CN111507470A (zh) * | 2020-03-02 | 2020-08-07 | 上海金仕达软件科技有限公司 | 一种异常账户的识别方法及装置 |
| CN111813618A (zh) * | 2020-05-28 | 2020-10-23 | 平安科技（深圳）有限公司 | 数据异常检测方法、装置、设备及存储介质 |
| CN111488363A (zh) * | 2020-06-28 | 2020-08-04 | 平安国际智慧城市科技股份有限公司 | 数据处理方法、装置、电子设备及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112306835A (zh) | 2021-02-02 |
| WO2022088632A1 (zh) | 2022-05-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112306835B (zh) | 用户数据监控分析方法、装置、设备及介质 | |
| Zhang et al. | Visual analytics for the big data era—A comparative review of state-of-the-art commercial systems | |
| CN113449187B (zh) | 基于双画像的产品推荐方法、装置、设备及存储介质 | |
| CN111652278B (zh) | 用户行为检测方法、装置、电子设备及介质 | |
| CN114186132B (zh) | 信息推荐方法、装置、电子设备及存储介质 | |
| CN112990374B (zh) | 图像分类方法、装置、电子设备及介质 | |
| CN111523677A (zh) | 实现对机器学习模型的预测结果进行解释的方法及装置 | |
| CN111652280A (zh) | 基于行为的目标物数据分析方法、装置及存储介质 | |
| CN111768096A (zh) | 基于算法模型的评级方法、装置、电子设备及存储介质 | |
| CN111340240A (zh) | 实现自动机器学习的方法及装置 | |
| CN112507230B (zh) | 基于浏览器的网页推荐方法、装置、电子设备及存储介质 | |
| US20230004979A1 (en) | Abnormal behavior detection method and apparatus, electronic device, and computer-readable storage medium | |
| CN113327136A (zh) | 归因分析方法、装置、电子设备及存储介质 | |
| CN111652282B (zh) | 基于大数据的用户偏好分析方法、装置及电子设备 | |
| CN111178687A (zh) | 金融风险分类方法、装置及电子设备 | |
| CN115577701A (zh) | 针对大数据安全的风险行为识别方法、装置、设备及介质 | |
| CN111651652B (zh) | 基于人工智能的情感倾向识别方法、装置、设备及介质 | |
| CN112214602B (zh) | 基于幽默度的文本分类方法、装置、电子设备及存储介质 | |
| CN113742069A (zh) | 基于人工智能的容量预测方法、装置及存储介质 | |
| CN109543959A (zh) | 审批链生成方法、装置、计算机设备及存储介质 | |
| CN117234844A (zh) | 云服务器异常管理方法、装置、计算机设备及存储介质 | |
| CN116860311A (zh) | 脚本分析方法、装置、计算机设备及存储介质 | |
| CN113706019B (zh) | 基于多维数据的业务能力分析方法、装置、设备及介质 | |
| CN113139129B (zh) | 虚拟阅读轨迹图生成方法、装置、电子设备及存储介质 | |
| CN114240560A (zh) | 基于多维分析的产品排名方法、装置、设备及存储介质 |
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 |