CN112308173A - 基于多评价因子融合的多目标对象评价方法及其相关设备 - Google Patents
基于多评价因子融合的多目标对象评价方法及其相关设备 Download PDFInfo
- Publication number
- CN112308173A CN112308173A CN202011574370.8A CN202011574370A CN112308173A CN 112308173 A CN112308173 A CN 112308173A CN 202011574370 A CN202011574370 A CN 202011574370A CN 112308173 A CN112308173 A CN 112308173A
- Authority
- CN
- China
- Prior art keywords
- evaluation
- factor
- target
- target object
- scores
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请属于大数据技术领域,涉及基于多评价因子融合的多目标对象评价方法及其相关设备,所述方法包括:根据历史数据提取至少两个因子集合;对评价因子进行相似度计算得到多个因子类别,每个因子类别对应一个基准评价维度;求取评价因子的决定系数以确定评价因子的权重,根据各评价因子的数据和权重得到各目标对象在每个基准评价纬度的多个评分;通过LSTM模型对多个评分进行拟合得到维度评分,将每个因子集合的维度评分进行融合得到至少两个目标评分;根据目标评分的分布构建评价维度图谱并输出各目标对象的评价结果。此外,本申请还涉及区块链技术,历史数据中的隐私信息可存储于区块链中。本申请实施例对目标对象的评价准确度高,预测性强。
Description
技术领域
本申请涉及大数据技术领域,具体涉及基于多评价因子融合的多目标对象评价方法、装置、计算机设备及存储介质。
背景技术
当前对一些实体对象进行评价时,会采用结果数据作为评价因子进行单评价因子的评价,例如比如营业单位这一实体对象,采用销售营业单位的销售收入作为评价因子,这种采用单评价因子的评价方式仅能从局部反映实体对象的属性,且采用单指标时也没有考虑用于评价的数据所处时间区间的影响,导致评价准确性低,预测性低。
发明内容
本申请实施例的目的在于提出一种基于多评价因子融合的多目标对象评价方法、装置、计算机设备及存储介质,以解决现有技术中对实体对象进行评价时评价准确性低,预测性低的问题。
为了解决上述技术问题,本申请实施例提供一种基于多评价因子融合的多目标对象评价方法,采用了如下所述的技术实施例:
一种基于多评价因子融合的多目标对象评价方法,包括下述步骤:
根据多个目标对象的历史数据提取多个评价因子,其中所述历史数据包括至少两个数据类别,根据所述数据类别将所述多个评价因子划分为至少两个因子集合;
对每个所述因子集合中的评价因子进行相似度计算,根据计算结果对每个所述因子集合中的评价因子进行分类,得到每个所述因子集合下的多个因子类别,每个所述因子类别对应一个基准评价维度;
求取每个所述因子类别包含的评价因子的决定系数,根据所述决定系数确定各所述评价因子在其对应的基准评价纬度中的权重,并获取各评价因子在多个历史时间段的数据,根据获取的各评价因子的数据和各评价因子的权重,得到各所述目标对象在每个所述基准评价纬度的多个评分,每个所述评分对应一个历史时间段;
通过预训练的LSTM模型对所述多个评分进行拟合,得到目标时间段内各所述目标对象在每个所述基准评价纬度的维度评分,将每个所述因子集合包含的基准评价纬度的维度评分进行融合,得到各所述目标对象与所述因子集合的数量相对应的至少两个目标评分;
根据所有所述目标对象的目标评分的分布构建评价维度图谱,并根据各所述目标对象在所述评价维度图谱中的分布输出各所述目标对象的评价结果。
为了解决上述技术问题,本申请实施例还提供一种基于多评价因子融合的多目标对象评价装置,采用了如下所述的技术实施例:
一种基于多评价因子融合的多目标对象评价装置,包括:
因子提取模块,用于根据多个目标对象的历史数据提取多个评价因子,其中所述历史数据包括至少两个数据类别,根据所述数据类别将所述多个评价因子划分为至少两个因子集合;
分类模块,用于对每个所述因子集合中的评价因子进行相似度计算,根据计算结果对每个所述因子集合中的评价因子进行分类,得到每个所述因子集合下的多个因子类别,每个所述因子类别对应一个基准评价维度;
第一评分处理模块,用于求取每个所述因子类别包含的评价因子的决定系数,根据所述决定系数确定各所述评价因子在其对应的基准评价纬度中的权重,并获取各评价因子在多个历史时间段的数据,根据获取的各评价因子的数据和各评价因子的权重,得到各所述目标对象在每个所述基准评价纬度的多个评分,每个所述评分对应一个历史时间段;
第二评分处理模块,用于通过预训练的LSTM模型对所述多个评分进行拟合,得到目标时间段内各所述目标对象在每个所述基准评价纬度的维度评分,将每个所述因子集合包含的基准评价纬度的维度评分进行融合,得到各所述目标对象与所述因子集合的数量相对应的至少两个目标评分;
输出模块,用于根据所有所述目标对象的目标评分的分布构建评价维度图谱,并根据各所述目标对象在所述评价维度图谱中的分布输出各所述目标对象的评价结果。
为了解决上述技术问题,本申请实施例还提供一种计算机设备,采用了如下所述的技术实施例:
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可读指令,所述处理器执行所述计算机可读指令时实现如上所述的基于多评价因子融合的多目标对象评价方法的步骤。
为了解决上述技术问题,本申请实施例还提供一种计算机可读存储介质,采用了如下所述的技术实施例:
一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机可读指令,所述计算机可读指令被处理器执行时实现如上所述的基于多评价因子融合的多目标对象评价方法的步骤。
与现有技术相比,本申请实施例提供的基于多评价因子融合的多目标对象评价方法、装置、计算机设备及存储介质主要有以下有益效果:
通过提取所有目标对象的全部评价因子,并基于数据类别将评价因子归类成多个基准评价维度,再基于基准评价多个维度得到多个历史时间段的维度评分,再通过维度评分进行拟合得到目标时间段的评分,以此构建评价图谱对目标对象进行评价,可对目标对象的进行综合全方位的评价,反映目标对象的全局属性,准确度高,且评价结果对未来一段时间内的目标对象的评价具有预见性,预测性强,此外构建评价图谱依赖所有的目标对象的历史数据,每个目标对象的评价结果为与其他目标对象的相对评价,各目标对象的评价互相依赖,可以避免孤立的评价判断,更加系统客观。
附图说明
为了更清楚地说明本申请中的实施例,下面将对本申请实施例描述中所需要使用的附图作一个简单介绍,下面描述中的附图对应于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1是本申请可以应用于其中的示例性系统架构图;
图2是本申请的基于多评价因子融合的多目标对象评价方法的一个实施例的流程图;
图3是本申请目标对象包含两个目标评分时构建的评价图谱的示例;
图4是根据本申请的基于多评价因子融合的多目标对象评价装置的一个实施例的结构示意图;
图5是根据本申请的计算机设备的一个实施例的结构示意图。
具体实施方式
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同;本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本申请;本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形,意图在于覆盖不排他的包含。本申请说明书和权利要求书或上述附图中的术语“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。
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。
为了使本技术领域的人员更好地理解本申请实施例,下面将结合附图,对本申请实施例中的技术实施例进行清楚、完整地描述。
如图1所示,系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器( Moving Picture ExpertsGroup Audio Layer III,动态影像专家压缩标准音频层面3 )、MP4( Moving PictureExperts Group Audio Layer IV,动态影像专家压缩标准音频层面4 )播放器、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对终端设备101、102、103上显示的页面提供支持的后台服务器。
需要说明的是,本申请实施例所提供的基于多评价因子融合的多目标对象评价方法一般由服务器执行,相应地,基于多评价因子融合的多目标对象评价装置一般设置于服务器中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
继续参考图2,其示出了根据本申请的基于多评价因子融合的多目标对象评价方法的一个实施例的流程图。所述的基于多评价因子融合的多目标对象评价方法包括以下步骤:
S201,根据多个目标对象的历史数据提取多个评价因子,其中所述历史数据包括至少两个数据类别,根据所述数据类别将所述多个评价因子划分为至少两个因子集合;
S202,对每个所述因子集合中的评价因子进行相似度计算,根据计算结果对每个所述因子集合中的评价因子进行分类,得到每个所述因子集合下的多个因子类别,每个所述因子类别对应一个基准评价维度;
S203,求取每个所述因子类别包含的评价因子的决定系数,根据所述决定系数确定各所述评价因子在其对应的基准评价纬度中的权重,并获取各评价因子在多个历史时间段的数据,根据获取的各评价因子的数据和各评价因子的权重,得到各所述目标对象在每个所述基准评价纬度的多个评分,每个所述评分对应一个历史时间段;
S204,通过预训练的LSTM模型对所述多个评分进行拟合,得到目标时间段内各所述目标对象在每个所述基准评价纬度的维度评分,将每个所述因子集合包含的基准评价纬度的维度评分进行融合,得到各所述目标对象与所述因子集合的数量相对应的至少两个目标评分;
S205,根据所有所述目标对象的目标评分的分布构建评价维度图谱,并根据各所述目标对象在所述评价维度图谱中的分布输出各所述目标对象的评价结果。
下面对上述步骤进行展开说明。
对于步骤S201,在本实施例中,历史数据可按照数据来源、数据生成过程或者数据结构类型等来确认数据类别,比如按照数据生成过程可包括与目标对象相关的操作或者任务所对应生成的结果数据和过程数据,以目标对象为营业单位为例,历史数据可以是与销售任务相关的销售数据、销售人力、绩效、日常事务、销售支持、会议、培训、增员等数据,其中的销售数据、销售人力、绩效属于结果数据,日常事务、销售支持、会议、培训、增员等属于为达成结果数据所生成的过程数据。
对于评价因子的提取,可从历史数据提取字段作为评价因子的名称,比如从数据表中提取表字段或者从文本数据中提取分词,在得到多个评价因子后,可以按照评价因子所属的数据类别来对多个评价因子进行划分,得到多个因子集合。
对于步骤S202,在本实施例中,对每个所述因子集合中的评价因子进行相似度计算可采用计算评价因子之间的向量余弦相似度进行,具体的,对因子集合中的评价因子进行向量化,在本实施例中,评价因子的向量化即为获取评价因子的词向量,词向量可以通过调取不同的中文词向量直接获取,包括现有开源中文词向量等,在可能的实施例中,词向量也可通过获取字向量,再对字向量进行加总平均的方式获得;完成评价因子的向量化后,再在各因子集合内分别计算评价因子之间的余弦相似度,再将余弦相似度与预设阈值进行比较来对评价因子进行二次分类,由此将每个因子集合中的评价因子分为多个因子类别。下面是余弦相似度(Similarity)的计算公式:
其中,A与B分别是不同的向量化的评价因子,n表示评价因子的数量,上述余弦相似度越趋向于1则说明两个评价因子的相似度越高,可以聚合形成一个因子类别。
在一些实施例中,在所述求取每个所述因子类别包含的评价因子的决定系数之前,所述方法还包括:将各所述因子集合中的已分类的评价因子作为预设的分类模型的输入,通过所述分类模型的输出结果对已分类的评价因子所属的因子类别进行局部调整。比如目标对象为营业单位时,在根据相似度进行分类后,进一步通过所述分类模型将销售数据、销售人力、绩效相关的评价因子归类为绩效结果维度,将日常事务相关的评价因子归类为日常管理维度,将销售支持、会议相关的评价因子归类为销售支持维度,将培训相关的评价因子归类为训练培养维度,将增员相关的评价因子归类为增员管理维度,通过得到的这些维度对已分类的评价因子进行调整,具体的,分类模型可输出的评价因子的类别以及属于该类别的概率值,根据概率值是否达到预设阈值来确认是否调整评价因子的因子类别,若达到预设阈值则进行调整,否者维持原有分类。
在一些实施例中,在所述得到每个所述因子集合下的多个因子类别之后包括:计算各所述评价因子对于所述目标指标的显著性,以对各所述评价因子进行显著性筛选;并对显著性筛选后剩余的评价因子进行共线性筛选,得到每个所述因子类别筛选后的多个评价因子,实现对每个所述因子类别包含的评价因子的更新。比如目标对象为营业单位,其行为因子集合包含日常管理、销售支持、训练培养、增员管理等四个因子类别,将对四个因子类别分别进行评价因子的筛选,具体的,计算各基准评价维度的评价因子与目标指标的显著性是计算评价因子与目标指标的相关性,比如目标对象为营业单位,目标指标为营业单位的业绩总体,在计算评价因子与业绩总体的相关性后,可以保留相关性数值满足预设阈值的评价因子,完成显著性筛选;而对剩余的评价因子进行共线性筛选是计算评价因子之间的相关性,并两两相关性数值达到预设阈值时剔除其中一个评价因子,保留剩余的评价因子进行后续评分计算。
对于步骤S203,在本实施例中,所述求取每个所述因子类别包含的评价因子的决
定系数,根据所述决定系数确定各所述评价因子在其对应的基准评价纬度中的权重包括:
获取目标指标,根据各所述因子类别的评价因子与所述目标指标进行线性拟合;根据拟合
结果计算所述目标指标的均值与残差平方和,并基于均值计算所述目标指标的离差;通过
所述目标指标的离差与残差平方和求取各所述因子类别的评价因子与所述目标指标的决
定系数;对各所述决定系数进行归一化处理,将处理后的各所述决定系数作为对应的评价
因子在其对应的基准评价纬度中的权重。下面通过公式进行说明,令评价因子为(i=
n),目标指标为y,二者的决定系数为,决定系数反应了y的波动有多少百分比能被的波动所描述,进行线性拟合(通过拟合y)后得到拟合函数f(y)=mx+b,再依次通过
下式计算决定系数:
由上得到每个评价因子的权重,在进一步获取到多个历史时间段的评价因子的数据后,结合评价因子的权重可得到各目标对象在每个基准评价纬度的多个评分,每个评分对应一个历史时间段,其中,在计算评分之前,可对评价因子的数据也进行归一化处理,以便于评分计算。
在一些实施例中,在所述根据所述决定系数确定各所述评价因子在其对应的基准评价纬度中的权重之后,所述方法还包括:将各所述评价因子作为入模特征输入预先训练的LightGBM模型,输出各所述评价因子的因子重要性,基于所述因子重要性对各所述评价因子在其对应的基准评价纬度中的权重进行校正。其中上述的LightGBM(Light GradientBoosting Machine)是开源的一个实现GBDT(Gradient Boosting Decision Tree)算法的框架,支持高效率的并行训练,LightGBM模型的训练过程包括预先对一定数量的目标对象进行评价标记,再将对应的评价因子作为入模特征输入LightGBM模型拟合该评价标记结果,当拟合达到预设条件时完成模型训练。
在另一些实施例中,步骤S203中各评价因子的权重也可通过预先训练的模型比如LightGBM模型来直接获得,具体将评价因子作为入模特征输入预先训练的LightGBM模型后输出评价因子的因子重要性,基于因子重要性直接得到各评价因子的权重。
对于步骤S204,上述的LSTM(Long Short-Term Memory,长短期记忆网络)是一种时间循环神经网络,在本实施例中,上述因子集合存在包含单个因子类别和多个因子类别两种情形,对于前种情形,通过LSTM模型拟合得到的维度评分即为目标评分,比如目标对象为营业单位,其结果数据对应的因子集合中评价因子均属于绩效因子类别,获得各评价因子的数据后,对数据对数据进行归一化处理,再乘以相应权重进行加权求和得到多个时间段的评分,再通过LSTM模型拟合得到目标评分;而对于后种情形则在通过LSTM模型拟合得到的维度评分后,将每个因子集合包含的基准评价纬度的维度评分进行融合得到目标评分,具体为获取每个基准评价纬度的权重后再进行加权融合得到目标评分。其中,对于拟合过程,利用神经网络LSTM算法,分别输入为各基准评价纬度的评分序列,例如score1为培训维度得分,则输入多个目标对象的包括m1_score1(当期得分),以及m2_socre1~m12_score1(最近的多个时间段的得分),输入到LSTM网络中去,拟合出score1的最终得分。
在本实施例中,获取评价因子多个历史时间段的数据的原因在于过程数据产生影响的时间周期不同,故考虑长短期结合,形成多个时间段的评分,对近期评分与中长期评分进行拟合(考虑近期和长期的评分的不同影响)得到未来某时间段的评分。
对于步骤S205,在本实施例中,所述根据所有所述目标对象的目标评分的分布构建评价维度图谱包括:将所有所述目标对象的目标评分进行等频切分,根据等频切分后的各所述目标评分的多个分布区间生成维度交叉的评价维度图谱。如图3所示为多个目标对象包含两个目标评分时构建的评价图谱的示例,以目标对象为营业单位为例,两个目标评分分别为行为评分(基于过程数据)和业绩评分(基于结果数据),二者均等频切分为5段(切分标准可为TOP10%,10-30%,30-70%,Botomm10-30%,Botomm10%,分别表示五个评分的分布区间),将二者进行交叉构造成评价图谱后,建立起营业单位的行为和结果的交叉评价体系,两个维度交叉出25格,每个目标对象将在该评价图谱中占据一个位置,该位置能够反映目标对象的评价结果,比如右上角的位置对应业绩评分5分、行为评分5的十星营业单位。在其他实施例中,当包含三个目标评分时,还可构建出三维的评价纬度图谱,在此不做限定,通过该评价体系可以对营业单位分类,得到不同层级的营业单位,可以针对处于不同层级的营业单位进行区别管理,对实际的经营过程也非常有借鉴参考意义,通过分析营业单位的长处、成长性,找出类似行为的业绩评分高的营业单位,挖掘分析提升路径,实现更精准、更有针对性的提升。
在本实施例中,所述方法还包括:监控预设时间段内各所述目标对象新产生的历史数据,并对新产生的历史数据进行评价因子提取,判断新提取的评价因子是否存在于各所述因子集合中,若存在则根据所述新的历史数据对所述目标评分进行更新,更新过程为执行步骤S203和S204的相关步骤,若不存在则根据所述新的历史数据所属的数据类别将所述新提取的评价因子添加至其中一个所述因子集合中,并基于更新的各所述因子集合和所述新的历史数据对所述目标评分进行更新,更新过程为执行步骤S202、S203和S204的相关步骤,在此不作展开。
本申请提供的基于多评价因子融合的多目标对象评价方法,通过提取所有目标对象的全部评价因子,并基于数据类别将评价因子归类成多个基准评价维度,再基于基准评价多个维度得到多个历史时间段的维度评分,再通过维度评分进行拟合得到目标时间段的评分,以此构建评价图谱对目标对象进行评价,可对目标对象的进行综合全方位的评价,反映目标对象的全局属性,准确度高,且评价结果对未来一段时间内的目标对象的评价具有预见性,预测性强,此外构建评价图谱依赖所有的目标对象的历史数据,每个目标对象的评价结果为与其他目标对象的相对评价,各目标对象的评价互相依赖,可以避免孤立的评价判断,更加系统客观。
需要强调的是,为进一步保证信息的私密和安全性,上述实施例中的历史数据涉及的隐私数据还可以存储于一区块链的节点中。本申请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。
本申请可用于众多通用或专用的计算机系统环境或配置中。例如:个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
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,是可以通过计算机可读指令来指令相关的硬件来完成,该计算机可读指令可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)等非易失性存储介质,或随机存储记忆体(Random Access Memory,RAM)等。
应该理解的是,虽然附图的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,其可以以其他的顺序执行。而且,附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
进一步参考图4,作为对上述图2所示方法的实现,本申请提供了一种基于多评价因子融合的多目标对象评价装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图4所示,本实施例所述的基于多评价因子融合的多目标对象评价装置包括:因子提取模块401、分类模块402、第一评分处理模块403、第二评分处理模块404以及输出模块405。其中,所述因子提取模块401用于根据多个目标对象的历史数据提取多个评价因子,其中所述历史数据包括至少两个数据类别,根据所述数据类别将所述多个评价因子划分为至少两个因子集合;所述分类模块402用于对每个所述因子集合中的评价因子进行相似度计算,根据计算结果对每个所述因子集合中的评价因子进行分类,得到每个所述因子集合下的多个因子类别,每个所述因子类别对应一个基准评价维度;所述第一评分处理模块403用于求取每个所述因子类别包含的评价因子的决定系数,根据所述决定系数确定各所述评价因子在其对应的基准评价纬度中的权重,并获取各评价因子在多个历史时间段的数据,根据获取的各评价因子的数据和各评价因子的权重,得到各所述目标对象在每个所述基准评价纬度的多个评分,每个所述评分对应一个历史时间段;所述第二评分处理模块404用于通过预训练的LSTM模型对所述多个评分进行拟合,得到目标时间段内各所述目标对象在每个所述基准评价纬度的维度评分,将每个所述因子集合包含的基准评价纬度的维度评分进行融合,得到各所述目标对象与所述因子集合的数量相对应的至少两个目标评分;所述输出模块405用于根据所有所述目标对象的目标评分的分布构建评价维度图谱,并根据各所述目标对象在所述评价维度图谱中的分布输出各所述目标对象的评价结果。
在本实施例中,因子提取模块401获取的历史数据可按照数据来源、数据生成过程或者数据结构类型等来确认数据类别,具体可参考上述方法实施例,在此不作展开。
进一步的,分类模块402对每个所述因子集合中的评价因子进行相似度计算可采用计算评价因子之间的向量余弦相似度进行,具体可参考上述方法实施例,在此不作展开。
在一些实施例中,所述分类模块402还用于在所述求取每个所述因子类别包含的评价因子的决定系数之前,将各所述因子集合中的已分类的评价因子作为预设的分类模型的输入,通过所述分类模型的输出结果对已分类的评价因子所属的因子类别进行局部调整。具体可参考上述方法实施例,在此不作展开。
在一些实施例中,所述分类模块402在所述得到每个所述因子集合下的多个因子类别之后还用于计算各所述评价因子对于所述目标指标的显著性,以对各所述评价因子进行显著性筛选;并对显著性筛选后剩余的评价因子进行共线性筛选,得到每个所述因子类别筛选后的多个评价因子,实现对每个所述因子类别包含的评价因子的更新。具体可参考上述方法实施例,在此不作展开。
在本实施例中,所述第一评分处理模块403求取每个所述因子类别包含的评价因子的决定系数,根据所述决定系数确定各所述评价因子在其对应的基准评价纬度中的权重时,具体用于获取目标指标,根据各所述因子类别的评价因子与所述目标指标进行线性拟合;根据拟合结果计算所述目标指标的均值与残差平方和,并基于均值计算所述目标指标的离差;通过所述目标指标的离差与残差平方和求取各所述因子类别的评价因子与所述目标指标的决定系数;对各所述决定系数进行归一化处理,将处理后的各所述决定系数作为对应的评价因子在其对应的基准评价纬度中的权重。具体可参考上述方法实施例,在此不作展开。
在一些实施例中,所述第一评分处理模块403还用于在根据所述决定系数确定各所述评价因子在其对应的基准评价纬度中的权重之后,将各所述评价因子作为入模特征输入预先训练的LightGBM模型,输出各所述评价因子的因子重要性,基于所述因子重要性对各所述评价因子在其对应的基准评价纬度中的权重进行校正。
在另一些实施例中,所述第一评分处理模块403可通过预先训练的模型比如LightGBM模型来直接获得各评价因子的权重。
在本实施例中,上述因子集合存在包含单个因子类别和多个因子类别两种情形,对于前种情形,所述第二评分处理模块404通过LSTM模型拟合得到的维度评分即为目标评分;而对于后种情形,则所述第二评分处理模块404在通过LSTM模型拟合得到的维度评分后,将每个因子集合包含的基准评价纬度的维度评分进行融合得到目标评分,具体可参考上述方法实施例,在此不作展开。
在本实施例中,所述输出模块405根据所有所述目标对象的目标评分的分布构建评价维度图谱时,具体用于将所有所述目标对象的目标评分进行等频切分,根据等频切分后的各所述目标评分的多个分布区间生成维度交叉的评价维度图谱。具体可参考上述方法实施例,在此不作展开。
在本实施例中,所述装置还包括监控模块(未示出),用于监控预设时间段内各所述目标对象新产生的历史数据,以使所述因子提取模块401对新产生的历史数据进行评价因子提取,再判断新提取的评价因子是否存在于各所述因子集合中,若存在则使所述第一评分处理模块403、第二评分处理模块404根据所述新的历史数据对所述目标评分进行更新,若不存在则使所述分类模块402、第一评分处理模块403、第二评分处理模块404根据所述新的历史数据所属的数据类别将所述新提取的评价因子添加至其中一个所述因子集合中,并基于更新的各所述因子集合和所述新的历史数据对所述目标评分进行更新。
本申请提供的基于多评价因子融合的多目标对象评价装置,通过提取所有目标对象的全部评价因子,并基于数据类别将评价因子归类成多个基准评价维度,再基于基准评价多个维度得到多个历史时间段的维度评分,再通过维度评分进行拟合得到目标时间段的评分,以此构建评价图谱对目标对象进行评价,可对目标对象的进行综合全方位的评价,反映目标对象的全局属性,准确度高,且评价结果对未来一段时间内的目标对象的评价具有预见性,预测性强,此外构建评价图谱依赖所有的目标对象的历史数据,每个目标对象的评价结果为与其他目标对象的相对评价,各目标对象的评价互相依赖,可以避免孤立的评价判断,更加系统客观。
为解决上述技术问题,本申请实施例还提供计算机设备。具体请参阅图5,图5为本实施例计算机设备基本结构框图。所述计算机设备5包括通过系统总线相互通信连接存储器51、处理器52、网络接口53,所述存储器51中存储有计算机可读指令,所述处理器52执行所述计算机可读指令时实现上述方法实施例中所述的基于多评价因子融合的多目标对象评价方法的步骤,并具有与上述基于多评价因子融合的多目标对象评价方法相对应的有益效果,在此不作展开。
需要指出的是,图中仅示出了具有存储器51、处理器52、网络接口53的计算机设备5,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。其中,本技术领域技术人员可以理解,这里的计算机设备是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程门阵列(Field-Programmable Gate Array,FPGA)、数字处理器 (Digital Signal Processor,DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
在本实施例中,所述存储器51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、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中,所述存储器51可以是所述计算机设备5的内部存储单元,例如该计算机设备5的硬盘或内存。在另一些实施例中,所述存储器51也可以是所述计算机设备5的外部存储设备,例如该计算机设备5上配备的插接式硬盘,智能存储卡(Smart Media Card, SMC),安全数字(SecureDigital, SD)卡,闪存卡(Flash Card)等。当然,所述存储器51还可以既包括所述计算机设备5的内部存储单元也包括其外部存储设备。本实施例中,所述存储器51通常用于存储安装于所述计算机设备5的操作系统和各类应用软件,例如对应于上述基于多评价因子融合的多目标对象评价方法的计算机可读指令等。此外,所述存储器51还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器52在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器52通常用于控制所述计算机设备5的总体操作。本实施例中,所述处理器52用于运行所述存储器51中存储的计算机可读指令或者处理数据,例如运行对应于所述基于多评价因子融合的多目标对象评价方法的计算机可读指令。
所述网络接口53可包括无线网络接口或有线网络接口,该网络接口53通常用于在所述计算机设备5与其他电子设备之间建立通信连接。
本申请还提供了另一种实施方式,即提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可读指令,所述计算机可读指令可被至少一个处理器执行,以使所述至少一个处理器执行如上述的基于多评价因子融合的多目标对象评价方法的步骤,并具有与上述基于多评价因子融合的多目标对象评价方法相对应的有益效果,在此不作展开。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术实施例本质上或者说对现有技术做出贡献的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介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本申请各个实施例所述的方法。
显然,以上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,附图中给出了本申请的较佳实施例,但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现,相反地,提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明,对于本领域的技术人员来而言,其依然可以对前述各具体实施方式所记载的技术实施例进行修改,或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构,直接或间接运用在其他相关的技术领域,均同理在本申请专利保护范围之内。
Claims (10)
1.一种基于多评价因子融合的多目标对象评价方法,其特征在于,包括下述步骤:
根据多个目标对象的历史数据提取多个评价因子,其中所述历史数据包括至少两个数据类别,根据所述数据类别将所述多个评价因子划分为至少两个因子集合;
对每个所述因子集合中的评价因子进行相似度计算,根据计算结果对每个所述因子集合中的评价因子进行分类,得到每个所述因子集合下的多个因子类别,每个所述因子类别对应一个基准评价维度;
求取每个所述因子类别包含的评价因子的决定系数,根据所述决定系数确定各所述评价因子在其对应的基准评价纬度中的权重,并获取各评价因子在多个历史时间段的数据,根据获取的各评价因子的数据和各评价因子的权重,得到各所述目标对象在每个所述基准评价纬度的多个评分,每个所述评分对应一个历史时间段;
通过预训练的LSTM模型对所述多个评分进行拟合,得到目标时间段内各所述目标对象在每个所述基准评价纬度的维度评分,将每个所述因子集合包含的基准评价纬度的维度评分进行融合,得到各所述目标对象与所述因子集合的数量相对应的至少两个目标评分;
根据所有所述目标对象的目标评分的分布构建评价维度图谱,并根据各所述目标对象在所述评价维度图谱中的分布输出各所述目标对象的评价结果。
2.根据权利要求1所述的基于多评价因子融合的多目标对象评价方法,其特征在于,所述求取每个所述因子类别包含的评价因子的决定系数,根据所述决定系数确定各所述评价因子在其对应的基准评价纬度中的权重包括:
获取目标指标,根据各所述因子类别的评价因子与所述目标指标进行线性拟合;根据拟合结果计算所述目标指标的均值与残差平方和,并基于均值计算所述目标指标的离差;通过所述目标指标的离差与残差平方和求取各所述因子类别的评价因子与所述目标指标的决定系数;对各所述决定系数进行归一化处理,将处理后的各所述决定系数作为对应的评价因子在其对应的基准评价纬度中的权重。
3.根据权利要求2所述的基于多评价因子融合的多目标对象评价方法,其特征在于,在所述根据所述决定系数确定各所述评价因子在其对应的基准评价纬度中的权重之后,所述方法还包括:
将各所述评价因子作为入模特征输入预先训练的LightGBM模型,输出各所述评价因子的因子重要性,基于所述因子重要性对各所述评价因子在其对应的基准评价纬度中的权重进行校正。
4.根据权利要求2所述的基于多评价因子融合的多目标对象评价方法,其特征在于,在所述得到每个所述因子集合下的多个因子类别之后,所述方法还包括:
计算各所述评价因子对于所述目标指标的显著性,以对各所述评价因子进行显著性筛选;并对显著性筛选后剩余的评价因子进行共线性筛选,得到每个所述因子类别筛选后的多个评价因子,实现对每个所述因子类别包含的评价因子的更新。
5.根据权利要求1至4任一项所述的基于多评价因子融合的多目标对象评价方法,其特征在于,在所述求取每个所述因子类别包含的评价因子的决定系数之前,所述方法还包括:将各所述因子集合中的已分类的评价因子作为预设的分类模型的输入,通过所述分类模型的输出结果对已分类的评价因子所属的因子类别进行局部调整。
6.根据权利要求1至4任一项所述的基于多评价因子融合的多目标对象评价方法,其特征在于,所述根据所有所述目标对象的目标评分的分布构建评价维度图谱包括:
将所有所述目标对象的目标评分进行等频切分,根据等频切分后的各所述目标评分的多个分布区间生成维度交叉的评价维度图谱。
7.根据权利要求1至4任一项所述的基于多评价因子融合的多目标对象评价方法,其特征在于,所述方法还包括:
监控预设时间段内各所述目标对象新产生的历史数据,并对新产生的历史数据进行评价因子提取,判断新提取的评价因子是否存在于各所述因子集合中,若存在则根据所述新产生的历史数据对所述目标评分进行更新,若不存在则根据所述新产生的历史数据所属的数据类别将所述新提取的评价因子添加至其中一个所述因子集合中,并基于更新的各所述因子集合和所述新产生的历史数据对所述目标评分进行更新。
8.一种基于多评价因子融合的多目标对象评价装置,其特征在于,包括:
因子提取模块,用于根据多个目标对象的历史数据提取多个评价因子,其中所述历史数据包括至少两个数据类别,根据所述数据类别将所述多个评价因子划分为至少两个因子集合;
分类模块,用于对每个所述因子集合中的评价因子进行相似度计算,根据计算结果对每个所述因子集合中的评价因子进行分类,得到每个所述因子集合下的多个因子类别,每个所述因子类别对应一个基准评价维度;
第一评分处理模块,用于求取每个所述因子类别包含的评价因子的决定系数,根据所述决定系数确定各所述评价因子在其对应的基准评价纬度中的权重,并获取各评价因子在多个历史时间段的数据,根据获取的各评价因子的数据和各评价因子的权重,得到各所述目标对象在每个所述基准评价纬度的多个评分,每个所述评分对应一个历史时间段;
第二评分处理模块,用于通过预训练的LSTM模型对所述多个评分进行拟合,得到目标时间段内各所述目标对象在每个所述基准评价纬度的维度评分,将每个所述因子集合包含的基准评价纬度的维度评分进行融合,得到各所述目标对象与所述因子集合的数量相对应的至少两个目标评分;
输出模块,用于根据所有所述目标对象的目标评分的分布构建评价维度图谱,并根据各所述目标对象在所述评价维度图谱中的分布输出各所述目标对象的评价结果。
9.一种计算机设备,其特征在于,包括存储器和处理器,所述存储器中存储有计算机可读指令,所述处理器执行所述计算机可读指令时实现如权利要求1至7中任一项所述的基于多评价因子融合的多目标对象评价方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机可读指令,所述计算机可读指令被处理器执行时实现如权利要求1至7中任一项所述的基于多评价因子融合的多目标对象评价方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011574370.8A CN112308173B (zh) | 2020-12-28 | 2020-12-28 | 基于多评价因子融合的多目标对象评价方法及其相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011574370.8A CN112308173B (zh) | 2020-12-28 | 2020-12-28 | 基于多评价因子融合的多目标对象评价方法及其相关设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112308173A true CN112308173A (zh) | 2021-02-02 |
CN112308173B CN112308173B (zh) | 2021-04-09 |
Family
ID=74487672
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011574370.8A Active CN112308173B (zh) | 2020-12-28 | 2020-12-28 | 基于多评价因子融合的多目标对象评价方法及其相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112308173B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113329204A (zh) * | 2021-08-03 | 2021-08-31 | 北京电信易通信息技术股份有限公司 | 一种基于终端信任管理的数据安全传输方法及系统 |
CN113761134A (zh) * | 2021-09-16 | 2021-12-07 | 平安国际智慧城市科技股份有限公司 | 用户画像构建方法、装置、计算机设备及存储介质 |
CN115640275A (zh) * | 2022-08-27 | 2023-01-24 | 北京华宜信科技有限公司 | 一种数据产品和资产自动生成及更新方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103377296A (zh) * | 2012-04-19 | 2013-10-30 | 中国科学院声学研究所 | 一种多指标评价信息的数据挖掘方法 |
CN103514255A (zh) * | 2013-07-11 | 2014-01-15 | 江苏谐云智能科技有限公司 | 一种基于项目层次类别的协同过滤推荐方法 |
CN104809243A (zh) * | 2015-05-15 | 2015-07-29 | 东南大学 | 一种基于对用户行为复合因子进行挖掘的混合推荐方法 |
WO2016046639A2 (en) * | 2014-09-24 | 2016-03-31 | Research Center For Justice Standards Ltd. | Methods and systems for evaluating judicial system |
CN105930931A (zh) * | 2016-04-22 | 2016-09-07 | 国网浙江省电力公司经济技术研究院 | 一种电力工程造价的管理方法 |
CN106952167A (zh) * | 2017-03-06 | 2017-07-14 | 浙江工业大学 | 一种基于多元线性回归的餐饮业好友连边影响力预测方法 |
CN108491477A (zh) * | 2018-03-09 | 2018-09-04 | 重庆邮电大学 | 基于多维云和用户动态兴趣的神经网络推荐方法 |
CN109754067A (zh) * | 2018-11-30 | 2019-05-14 | 华南师范大学 | 基于卷积注意力的矩阵分解方法、装置及电子设备 |
CN110175289A (zh) * | 2019-05-24 | 2019-08-27 | 西安电子科技大学 | 基于余弦相似度协同过滤的混合推荐方法 |
US20200184278A1 (en) * | 2014-03-18 | 2020-06-11 | Z Advanced Computing, Inc. | System and Method for Extremely Efficient Image and Pattern Recognition and Artificial Intelligence Platform |
-
2020
- 2020-12-28 CN CN202011574370.8A patent/CN112308173B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103377296A (zh) * | 2012-04-19 | 2013-10-30 | 中国科学院声学研究所 | 一种多指标评价信息的数据挖掘方法 |
CN103514255A (zh) * | 2013-07-11 | 2014-01-15 | 江苏谐云智能科技有限公司 | 一种基于项目层次类别的协同过滤推荐方法 |
US20200184278A1 (en) * | 2014-03-18 | 2020-06-11 | Z Advanced Computing, Inc. | System and Method for Extremely Efficient Image and Pattern Recognition and Artificial Intelligence Platform |
WO2016046639A2 (en) * | 2014-09-24 | 2016-03-31 | Research Center For Justice Standards Ltd. | Methods and systems for evaluating judicial system |
CN104809243A (zh) * | 2015-05-15 | 2015-07-29 | 东南大学 | 一种基于对用户行为复合因子进行挖掘的混合推荐方法 |
CN105930931A (zh) * | 2016-04-22 | 2016-09-07 | 国网浙江省电力公司经济技术研究院 | 一种电力工程造价的管理方法 |
CN106952167A (zh) * | 2017-03-06 | 2017-07-14 | 浙江工业大学 | 一种基于多元线性回归的餐饮业好友连边影响力预测方法 |
CN108491477A (zh) * | 2018-03-09 | 2018-09-04 | 重庆邮电大学 | 基于多维云和用户动态兴趣的神经网络推荐方法 |
CN109754067A (zh) * | 2018-11-30 | 2019-05-14 | 华南师范大学 | 基于卷积注意力的矩阵分解方法、装置及电子设备 |
CN110175289A (zh) * | 2019-05-24 | 2019-08-27 | 西安电子科技大学 | 基于余弦相似度协同过滤的混合推荐方法 |
Non-Patent Citations (2)
Title |
---|
JAE-JUNG KIM ET AL.: "A Method of Risk Assessment for Multi-Factor Authentication", 《JOURNAL OF INFORMATION PROCESSING SYSTEMS》 * |
骆正山 等: "多因素模糊综合评判模型的风险投资项目评估应用研究", 《西安科技大学学报》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113329204A (zh) * | 2021-08-03 | 2021-08-31 | 北京电信易通信息技术股份有限公司 | 一种基于终端信任管理的数据安全传输方法及系统 |
CN113329204B (zh) * | 2021-08-03 | 2021-10-01 | 北京电信易通信息技术股份有限公司 | 一种基于终端信任管理的数据安全传输方法及系统 |
CN113761134A (zh) * | 2021-09-16 | 2021-12-07 | 平安国际智慧城市科技股份有限公司 | 用户画像构建方法、装置、计算机设备及存储介质 |
CN115640275A (zh) * | 2022-08-27 | 2023-01-24 | 北京华宜信科技有限公司 | 一种数据产品和资产自动生成及更新方法 |
CN115640275B (zh) * | 2022-08-27 | 2023-04-21 | 北京华宜信科技有限公司 | 一种数据产品和资产自动生成及更新方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112308173B (zh) | 2021-04-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112308173B (zh) | 基于多评价因子融合的多目标对象评价方法及其相关设备 | |
CN112148987B (zh) | 基于目标对象活跃度的消息推送方法及相关设备 | |
CN112528025A (zh) | 基于密度的文本聚类方法、装置、设备及存储介质 | |
CN112766649B (zh) | 基于多评分卡融合的目标对象评价方法及其相关设备 | |
CN112365202B (zh) | 一种多目标对象的评价因子筛选方法及其相关设备 | |
CN112863683A (zh) | 基于人工智能的病历质控方法、装置、计算机设备及存储介质 | |
CN112287244A (zh) | 基于联邦学习的产品推荐方法、装置、计算机设备及介质 | |
CN112328909B (zh) | 信息推荐方法、装置、计算机设备及介质 | |
CN112035549B (zh) | 数据挖掘方法、装置、计算机设备及存储介质 | |
CN112785005B (zh) | 多目标任务的辅助决策方法、装置、计算机设备及介质 | |
CN111984792A (zh) | 网站分类方法、装置、计算机设备及存储介质 | |
CN112288025A (zh) | 基于树结构的异常案件识别方法、装置、设备及存储介质 | |
CN112288163A (zh) | 目标对象的目标因子预测方法及相关设备 | |
CN112861662A (zh) | 基于人脸和交互文本的目标对象行为预测方法及相关设备 | |
CN112231416A (zh) | 知识图谱本体更新方法、装置、计算机设备及存储介质 | |
CN112241458A (zh) | 文本的知识结构化处理方法、装置、设备和可读存储介质 | |
CN113283222B (zh) | 自动化报表生成方法、装置、计算机设备及存储介质 | |
CN112990583A (zh) | 一种数据预测模型的入模特征确定方法及设备 | |
CN112950359A (zh) | 一种用户识别方法和装置 | |
CN116777646A (zh) | 基于人工智能的风险识别方法、装置、设备及存储介质 | |
CN116843483A (zh) | 一种车险理赔方法、装置、计算机设备及存储介质 | |
CN110619564B (zh) | 一种反欺诈特征生成方法和装置 | |
CN115099875A (zh) | 基于决策树模型的数据分类方法及相关设备 | |
CN115618859A (zh) | 一种基于大数据的研效管理方法、装置、设备及存储介质 | |
CN115545753A (zh) | 一种基于贝叶斯算法的合作伙伴预测方法及相关设备 |
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 |