CN112330080B - 基于连通图的因子筛选方法、装置、设备及介质 - Google Patents

基于连通图的因子筛选方法、装置、设备及介质 Download PDF

Info

Publication number
CN112330080B
CN112330080B CN202110015583.5A CN202110015583A CN112330080B CN 112330080 B CN112330080 B CN 112330080B CN 202110015583 A CN202110015583 A CN 202110015583A CN 112330080 B CN112330080 B CN 112330080B
Authority
CN
China
Prior art keywords
factor
target
factors
edge
graph
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
CN202110015583.5A
Other languages
English (en)
Other versions
CN112330080A (zh
Inventor
张莉
刘聃
余雯
乔延柯
吴志成
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN202110015583.5A priority Critical patent/CN112330080B/zh
Publication of CN112330080A publication Critical patent/CN112330080A/zh
Application granted granted Critical
Publication of CN112330080B publication Critical patent/CN112330080B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Educational Administration (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及人工智能领域，提供一种基于连通图的因子筛选方法、装置、设备及介质，能够结合贪婪遍历算法及连通图进行因子的筛选，有效剔除相关性较强的重复因子，避免由于因子的冗余造成数据的冗余，并且，最终得到的目标因子也具有较强的可解释性。本发明还涉及区块链技术，目标因子可存储于区块链。

Description

基于连通图的因子筛选方法、装置、设备及介质
技术领域
本发明涉及人工智能技术领域，尤其涉及一种基于连通图的因子筛选方法、装置、设备及介质。
背景技术
在人工智能领域，为了提高模型的准确率及效率，在将各个因子输入模型进行运算前，首先要对因子进行筛选。
目前，在处理多个高相似性的因子时，主要采用以下两种方式：
（1）人工筛选因子的方式。
采用人工对因子进行两两相关性判断，再挑选出对模型的预测能力高的因子。由于这种方式主要依赖于人工判断，并且是进行一对一的判定，容易产生错误或者遗漏现象，在进行模型的测试等迭代任务时，也比较繁琐。
（2）基于模型自动筛选因子的方式。
目前主要采用随机森林模型进行因子的筛选，但是随机森林模型无法剔除相关性强的因子，且可解释性较弱。
发明内容
鉴于以上内容，有必要提供一种基于连通图的因子筛选方法、装置、设备及介质，能够有效剔除相关性较强的重复因子，避免由于因子的冗余造成数据的冗余，并且，最终得到的目标因子也具有较强的可解释性。
一种基于连通图的因子筛选方法，所述基于连通图的因子筛选方法包括：
响应于因子筛选指令，根据所述因子筛选指令获取至少一个因子及预测目标；
计算所述至少一个因子中每两个因子间的相关系数；
获取预设阈值，根据所述预设阈值及每两个因子间的相关系数对所述至少一个因子进行两两组合，得到至少一个因子组合，并连接所述至少一个因子组合中的两个因子，得到至少一个边；
基于贪婪遍历算法，根据所述至少一个边构建至少一个子图；
整合所述至少一个子图，得到连通图；
计算所述连通图中每个因子相对于所述预测目标的信息价值，并根据所述信息价值从每个子图中筛选目标因子。
根据本发明优选实施例，采用下述公式计算所述至少一个因子中每两个因子间的相关系数：
Figure 294292DEST_PATH_IMAGE001
其中，
Figure 365016DEST_PATH_IMAGE002
为因子
Figure 418422DEST_PATH_IMAGE003
及因子
Figure 258202DEST_PATH_IMAGE004
之间的相关系数，
Figure 738862DEST_PATH_IMAGE005
为因子
Figure 31303DEST_PATH_IMAGE003
及因子
Figure 888401DEST_PATH_IMAGE004
的协方差，
Figure 645004DEST_PATH_IMAGE006
为因子
Figure 296566DEST_PATH_IMAGE003
的方差，
Figure 341882DEST_PATH_IMAGE007
为因子
Figure 737091DEST_PATH_IMAGE004
的方差，i、j为正整数。
根据本发明优选实施例，所述基于贪婪遍历算法，根据所述至少一个边构建至少一个子图包括：
检测每个边对应的两个因子中每个因子在所述至少一个边中的出现次数；
当检测到有边对应的两个因子在所述至少一个边中的出现次数都为1时，不执行遍历，将检测到的边确定为单边；或者
当检测到有边对应的两个因子在所述至少一个边中的出现次数不都为1时，将检测到的边确定为目标边，并根据所述目标边在所述至少一个边中进行遍历，根据遍历到的边对所述目标边进行扩展连接，得到完全图；
将所述单边及所述完全图确定为所述至少一个子图。
根据本发明优选实施例，所述计算所述连通图中每个因子相对于所述预测目标的信息价值，并根据所述信息价值从每个子图中筛选目标因子包括：
获取每个因子相对于所述预测目标的响应比例、未响应比例及证据权重；
计算每个因子的响应比例与每个因子的未响应比例的差作为每个因子对应的差值；
计算每个因子对应的差值与每个因子的证据权重的乘积作为每个因子相对于所述预测目标的信息价值；
从每个子图的因子中获取所述价值信息最大的因子作为每个子图的目标因子。
根据本发明优选实施例，所述方法还包括：
获取所述目标因子中每个目标因子的信息价值；
根据每个目标因子的信息价值对所述目标因子进行排序；
将排在前预设位的目标因子确定为可用因子；
根据所述可用因子获取待处理数据；
将所述待处理数据输入至至少一个购买力预测模型中进行处理，并根据所述至少一个购买力预测模型的输出确定购买力预测结果。
根据本发明优选实施例，所述将所述待处理数据输入至至少一个购买力预测模型中进行处理，并根据所述至少一个购买力预测模型的输出确定预测结果包括：
对所述待处理数据进行拆分，得到第一数据集及第二数据集；
将所述第一数据集输入至所述至少一个购买力预测模型中，输出至少一个子预测数据；
采用长短期记忆算法训练所述至少一个子预测数据，得到目标模型；
将所述第二数据集输入至所述目标模型，并获取所述目标模型的输出作为所述购买力预测结果。
根据本发明优选实施例，所述采用长短期记忆算法训练所述至少一个子预测数据，得到所述目标模型包括：
将所述至少一个子预测数据输入至所述遗忘门层进行遗忘处理，得到第一数据；
采用交叉验证法将所述第一数据划分为训练数据集及验证数据集；
将所述训练数据集输入至所述输入门层进行训练，得到次级学习器；
以所述验证数据集验证所述次级学习器，得到所述目标模型。
一种基于连通图的因子筛选装置，所述基于连通图的因子筛选装置包括：
获取单元，用于响应于因子筛选指令，根据所述因子筛选指令获取至少一个因子及预测目标；
计算单元，用于计算所述至少一个因子中每两个因子间的相关系数；
连接单元，用于获取预设阈值，根据所述预设阈值及每两个因子间的相关系数对所述至少一个因子进行两两组合，得到至少一个因子组合，并连接所述至少一个因子组合中的两个因子，得到至少一个边；
构建单元，用于基于贪婪遍历算法，根据所述至少一个边构建至少一个子图；
整合单元，用于整合所述至少一个子图，得到连通图；
筛选单元，用于计算所述连通图中每个因子相对于所述预测目标的信息价值，并根据所述信息价值从每个子图中筛选目标因子。
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所述基于连通图的因子筛选方法。
一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现所述基于连通图的因子筛选方法。
由以上技术方案可以看出，本发明能够响应于因子筛选指令，根据所述因子筛选指令获取至少一个因子及预测目标，计算所述至少一个因子中每两个因子间的相关系数，获取预设阈值，根据所述预设阈值及每两个因子间的相关系数对所述至少一个因子进行两两组合，得到至少一个因子组合，并连接所述至少一个因子组合中的两个因子，得到至少一个边，基于贪婪遍历算法，根据所述至少一个边构建至少一个子图，有效提升了图的构建效率，整合所述至少一个子图，得到连通图，计算所述连通图中每个因子相对于所述预测目标的信息价值，并根据所述信息价值从每个子图中筛选目标因子，能够有效剔除相关性较强的重复因子，避免由于因子的冗余造成数据的冗余，并且，最终得到的目标因子也具有较强的可解释性。
附图说明
图1是本发明基于连通图的因子筛选方法的较佳实施例的流程图。
图2是本发明基于连通图的因子筛选装置的较佳实施例的功能模块图。
图3是本发明实现基于连通图的因子筛选方法的较佳实施例的电子设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面结合附图和具体实施例对本发明进行详细描述。
如图1所示，是本发明基于连通图的因子筛选方法的较佳实施例的流程图。根据不同的需求，该流程图中步骤的顺序可以改变，某些步骤可以省略。
所述基于连通图的因子筛选方法应用于一个或者多个电子设备中，所述电子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(DigitalSignal Processor，DSP)、嵌入式设备等。
所述电子设备可以是任何一种可与用户进行人机交互的电子产品，例如，个人计算机、平板电脑、智能手机、个人数字助理（Personal Digital Assistant，PDA）、游戏机、交互式网络电视（Internet Protocol Television，IPTV）、智能式穿戴式设备等。
所述电子设备还可以包括网络设备和/或用户设备。其中，所述网络设备包括，但不限于单个网络服务器、多个网络服务器组成的服务器组或基于云计算(CloudComputing)的由大量主机或网络服务器构成的云。
所述电子设备所处的网络包括但不限于互联网、广域网、城域网、局域网、虚拟专用网络（Virtual Private Network，VPN）等。
S10，响应于因子筛选指令，根据所述因子筛选指令获取至少一个因子及预测目标。
其中，所述因子筛选指令可以由开发人员或者项目相关人员触发，本发明不限制。
例如：当需要利用模型预测客户对于产品的购买力时，所述至少一个因子可以包括，但不限于：客户性别、对产品的历史购买数量、双十一活跃度，所述预测目标可以为客户对于产品的购买力。
在本实施例中，所述至少一个因子及所述预测目标可以由相关工作人员选择并上传，也可以由电子设备根据所述因子筛选指令自动识别。
具体地，所述根据所述因子筛选指令获取至少一个因子及预测目标包括：
解析所述因子筛选指令的方法体，得到所述因子筛选指令所携带的信息；
获取第一预设标签；
根据所述第一预设标签构建第一正则表达式；
根据所述第一正则表达式在所述因子筛选指令所携带的信息中进行遍历，并将遍历到的数据确定为所述至少一个因子；
获取第二预设标签；
根据所述第二预设标签构建第二正则表达式；
根据所述第二正则表达式在所述因子筛选指令所携带的信息中进行遍历，并将遍历到的数据确定为所述预测目标。
具体地，所述因子筛选指令实质上是一条代码，在所述因子筛选指令中，根据代码的编写原则，{}之间的内容被称之为所述方法体。
所述因子筛选指令所携带的信息可以是一个具体的地址，也可以是具体的各种待处理的数据，所述信息的内容主要取决于所述因子筛选指令的代码组成。
其中，所述第一预设标签及所述第二预设标签可以进行自定义配置。
所述第一预设标签与因子具有一一对应关系，例如，所述第一预设标签可以配置为X，则构建的第一正则表达式可以为X()。
所述第二预设标签与预测目标具有一一对应关系，例如，所述第二预设标签可以配置为Y，则构建的第二正则表达式可以为Y()。
通过上述实施方式，直接从指令中获取数据，以提升处理效率，并且，以标签进行数据的获取，由于标签的配置具有唯一性，也提高了数据获取的准确性。
S11，计算所述至少一个因子中每两个因子间的相关系数。
具体地，采用下述公式计算所述至少一个因子中每两个因子间的相关系数：
Figure 285884DEST_PATH_IMAGE008
其中，
Figure 373926DEST_PATH_IMAGE002
为因子
Figure 952544DEST_PATH_IMAGE003
及因子
Figure 151444DEST_PATH_IMAGE004
之间的相关系数，
Figure 554743DEST_PATH_IMAGE005
为因子
Figure 813686DEST_PATH_IMAGE003
及因子
Figure 568016DEST_PATH_IMAGE004
的协方差，
Figure 305028DEST_PATH_IMAGE006
为因子
Figure 828413DEST_PATH_IMAGE003
的方差，
Figure 320574DEST_PATH_IMAGE007
为因子
Figure 296620DEST_PATH_IMAGE004
的方差，i、j为正整数。
通过上述实施方式，能够计算得到每两个因子间的相关性，以便后续根据因子间的相关性构建连通图。
S12，获取预设阈值，根据所述预设阈值及每两个因子间的相关系数对所述至少一个因子进行两两组合，得到至少一个因子组合，并连接所述至少一个因子组合中的两个因子，得到至少一个边。
其中，所述预设阈值可以进行自定义配置，如0.8。
在本实施例中，所述根据所述预设阈值及每两个因子间的相关系数对所述至少一个因子进行两两组合，得到至少一个因子组合包括：
当两个因子间的相关系数大于或者等于所述预设阈值时，将所述两个因子进行组合，得到一个因子组合；
整合所有的因子组合，得到所述至少一个因子组合。
例如：身份证号码的第十七位代表男女，而性别也代表男女，则因子“身份证号码的第十七位”与因子“性别”可以被划分为一个因子组合。
进一步地，连接因子“身份证号码的第十七位”与因子“性别”，即可得到一个边。
S13，基于贪婪遍历算法，根据所述至少一个边构建至少一个子图。
需要说明的是，传统的构图方式为逐个遍历每个因子，既耗时又浪费系统内存，因此，需要对此构图方式进行改进。
具体地，所述基于贪婪遍历算法，根据所述至少一个边构建至少一个子图包括：
检测每个边对应的两个因子中每个因子在所述至少一个边中的出现次数；
当检测到有边对应的两个因子在所述至少一个边中的出现次数都为1时，不执行遍历，将检测到的边确定为单边；或者
当检测到有边对应的两个因子在所述至少一个边中的出现次数不都为1时，将检测到的边确定为目标边，并根据所述目标边在所述至少一个边中进行遍历，根据遍历到的边对所述目标边进行扩展连接，得到完全图；
将所述单边及所述完全图确定为所述至少一个子图。
例如：一个边的两个因子分别为M、N，而M、N在所有边中的出现次数都为1，即M、N都只构造过一个边，则将M、N构成的边确定为单边；当检测到一个边的两个因子分别为A、B，而B的出现次数不为1时，以B在所述至少一个边中进行遍历，当确定B与C也构成了一个边时，将边A-B扩展为边A-B-C，继续检测A、B、C在所述至少一个边中的出现次数，直至所有的因子都遍历到，则构成了一个没有方向的完全图。进一步地，所有的单边及所有的完全图即可构成所述至少一个子图。
通过上述实施方式，有效提升了图的构建效率。
S14，整合所述至少一个子图，得到连通图。
具体地，将所有的子图整合为一个图，则可以得到所述连通图，以供后续目标因子的筛选使用。
S15，计算所述连通图中每个因子相对于所述预测目标的信息价值，并根据所述信息价值从每个子图中筛选目标因子。
在本实施例中，所述计算所述连通图中每个因子相对于所述预测目标的信息价值，并根据所述信息价值从每个子图中筛选目标因子包括：
获取每个因子相对于所述预测目标的响应比例、未响应比例及证据权重；
计算每个因子的响应比例与每个因子的未响应比例的差作为每个因子对应的差值；
计算每个因子对应的差值与每个因子的证据权重的乘积作为每个因子相对于所述预测目标的信息价值（Information Value，IV值）；
从每个子图的因子中获取所述价值信息最大的因子作为每个子图的目标因子。
可以理解的是，由于每个子图是根据相关系数进行构建的，因此，每个子图中的各个因子都具有较强的关联性（如因子“身份证号码的第十七位”与因子“性别”都表征“男女”），本实施方式通过信息价值从关联性较强的因子中筛选出最有价值的因子作为目标因子，与传统的随机森林算法相比，能够有效剔除相关性较强的重复因子，避免由于因子的冗余造成数据的冗余，给模型带来运行负担，同时，也有效避免了重复因子影响模型预测的准确率，并且，最终得到的目标因子也具有较强的可解释。
当然，在其他实施方式中，还可以采用决定系数、相关系数或者模型的方式筛选目标因子，在此不赘述。
需要说明的是，得到的目标因子是每个子图中对预测结果最有价值的目标因子，相当于是从每个类型（即相关性较强的因子构成的类别）的因子中筛选出最有价值的因子，得到的目标因子都是对应类别下最优的因子。
但是在实际应用中，考虑到模型对训练数据的实际需求，并非所有类型的因子都需要参与训练，因此，得到的目标因子还可能需要进一步筛选。
具体地，所述方法还包括：
获取所述目标因子中每个目标因子的信息价值；
根据每个目标因子的信息价值对所述目标因子进行排序；
将排在前预设位的目标因子确定为可用因子；
根据所述可用因子获取待处理数据；
将所述待处理数据输入至至少一个购买力预测模型中进行处理，并根据所述至少一个购买力预测模型的输出确定购买力预测结果。
通过上述实施方式，能够实现对目标因子的二次筛选，进一步提升了模型的准确率。
其中，所述将所述待处理数据输入至至少一个购买力预测模型中进行处理，并根据所述至少一个购买力预测模型的输出确定预测结果包括：
对所述待处理数据进行拆分，得到第一数据集及第二数据集；
将所述第一数据集输入至所述至少一个购买力预测模型中，输出至少一个子预测数据；
采用长短期记忆算法训练所述至少一个子预测数据，得到目标模型；
将所述第二数据集输入至所述目标模型，并获取所述目标模型的输出作为所述购买力预测结果。
其中，所述长短期记忆算法（Long Short Term Memory ,LSTM）包括三个网络层，分别为：输入门层、遗忘门层及输出门层。
通过上述实施方式，由于长短期记忆算法具有时间序列的优点，因此，以长短期记忆算法训练的目标模型也具有一定的时序性，能够更好的处理时序性特征，本实施方式以长短期记忆算法训练提取的特征，能够进一步加强特征的时序性，进而使模型基于时序性特征实现更精准的预测。
并且，本实施方式将待处理数据进行拆分，并基于拆分后的数据执行两级预测，进一步提高了预测的准确性。
在本发明的至少一个实施例中，所述采用长短期记忆算法训练所述至少一个子预测数据，得到所述目标模型包括：
将所述至少一个子预测数据输入至所述遗忘门层进行遗忘处理，得到第一数据；
采用交叉验证法将所述第一数据划分为训练数据集及验证数据集；
将所述训练数据集输入至所述输入门层进行训练，得到次级学习器；
以所述验证数据集验证所述次级学习器，得到所述目标模型。
通过上述实施方式，能够基于长短期记忆算法训练得到所述目标模型，以供后续的购买力预测使用。
具体地，采用交叉验证法将所述第一数据划分为所述训练数据集及所述验证数据集包括：
将所述第一数据按照预设数目随机划分为至少一个数据包，将所述至少一个数据包中的任意一个数据包确定为所述验证数据集，将其余的数据包确定为所述训练数据集，重复上述过程，直至所有的数据包全部依次被用作为所述验证数据集。
通过上述实施方式，能够利用所述第一数据中的所有数据进行全量训练及验证，提高了模型训练的拟合度。
需要说明的是，为了进一步保证数据的安全性，还可以将目标因子部署于区块链，以防止数据被恶意篡改。
由以上技术方案可以看出，本发明能够响应于因子筛选指令，根据所述因子筛选指令获取至少一个因子及预测目标，计算所述至少一个因子中每两个因子间的相关系数，获取预设阈值，根据所述预设阈值及每两个因子间的相关系数对所述至少一个因子进行两两组合，得到至少一个因子组合，并连接所述至少一个因子组合中的两个因子，得到至少一个边，基于贪婪遍历算法，根据所述至少一个边构建至少一个子图，有效提升了图的构建效率，整合所述至少一个子图，得到连通图，计算所述连通图中每个因子相对于所述预测目标的信息价值，并根据所述信息价值从每个子图中筛选目标因子，能够有效剔除相关性较强的重复因子，避免由于因子的冗余造成数据的冗余，并且，最终得到的目标因子也具有较强的可解释性。
如图2所示，是本发明基于连通图的因子筛选装置的较佳实施例的功能模块图。所述基于连通图的因子筛选装置11包括获取单元110、计算单元111、连接单元112、构建单元113、整合单元114、筛选单元115。本发明所称的模块/单元是指一种能够被处理器13所执行，并且能够完成固定功能的一系列计算机程序段，其存储在存储器12中。在本实施例中，关于各模块/单元的功能将在后续的实施例中详述。
响应于因子筛选指令，获取单元110根据所述因子筛选指令获取至少一个因子及预测目标。
其中，所述因子筛选指令可以由开发人员或者项目相关人员触发，本发明不限制。
例如：当需要利用模型预测客户对于产品的购买力时，所述至少一个因子可以包括，但不限于：客户性别、对产品的历史购买数量、双十一活跃度，所述预测目标可以为客户对于产品的购买力。
在本实施例中，所述至少一个因子及所述预测目标可以由相关工作人员选择并上传，也可以由电子设备根据所述因子筛选指令自动识别。
具体地，所述获取单元110根据所述因子筛选指令获取至少一个因子及预测目标包括：
解析所述因子筛选指令的方法体，得到所述因子筛选指令所携带的信息；
获取第一预设标签；
根据所述第一预设标签构建第一正则表达式；
根据所述第一正则表达式在所述因子筛选指令所携带的信息中进行遍历，并将遍历到的数据确定为所述至少一个因子；
获取第二预设标签；
根据所述第二预设标签构建第二正则表达式；
根据所述第二正则表达式在所述因子筛选指令所携带的信息中进行遍历，并将遍历到的数据确定为所述预测目标。
具体地，所述因子筛选指令实质上是一条代码，在所述因子筛选指令中，根据代码的编写原则，{}之间的内容被称之为所述方法体。
所述因子筛选指令所携带的信息可以是一个具体的地址，也可以是具体的各种待处理的数据，所述信息的内容主要取决于所述因子筛选指令的代码组成。
其中，所述第一预设标签及所述第二预设标签可以进行自定义配置。
所述第一预设标签与因子具有一一对应关系，例如，所述第一预设标签可以配置为X，则构建的第一正则表达式可以为X()。
所述第二预设标签与预测目标具有一一对应关系，例如，所述第二预设标签可以配置为Y，则构建的第二正则表达式可以为Y()。
通过上述实施方式，直接从指令中获取数据，以提升处理效率，并且，以标签进行数据的获取，由于标签的配置具有唯一性，也提高了数据获取的准确性。
计算单元111计算所述至少一个因子中每两个因子间的相关系数。
具体地，采用下述公式计算所述至少一个因子中每两个因子间的相关系数：
Figure 837323DEST_PATH_IMAGE009
其中，
Figure 480794DEST_PATH_IMAGE002
为因子
Figure 815961DEST_PATH_IMAGE003
及因子
Figure 544882DEST_PATH_IMAGE004
之间的相关系数，
Figure 436746DEST_PATH_IMAGE005
为因子
Figure 934723DEST_PATH_IMAGE003
及因子
Figure 440791DEST_PATH_IMAGE004
的协方差，
Figure 657009DEST_PATH_IMAGE006
为因子
Figure 539514DEST_PATH_IMAGE003
的方差，
Figure 891998DEST_PATH_IMAGE007
为因子
Figure 896863DEST_PATH_IMAGE004
的方差，i、j为正整数。
通过上述实施方式，能够计算得到每两个因子间的相关性，以便后续根据因子间的相关性构建连通图。
连接单元112获取预设阈值，根据所述预设阈值及每两个因子间的相关系数对所述至少一个因子进行两两组合，得到至少一个因子组合，并连接所述至少一个因子组合中的两个因子，得到至少一个边。
其中，所述预设阈值可以进行自定义配置，如0.8。
在本实施例中，所述连接单元112根据所述预设阈值及每两个因子间的相关系数对所述至少一个因子进行两两组合，得到至少一个因子组合包括：
当两个因子间的相关系数大于或者等于所述预设阈值时，将所述两个因子进行组合，得到一个因子组合；
整合所有的因子组合，得到所述至少一个因子组合。
例如：身份证号码的第十七位代表男女，而性别也代表男女，则因子“身份证号码的第十七位”与因子“性别”可以被划分为一个因子组合。
进一步地，连接因子“身份证号码的第十七位”与因子“性别”，即可得到一个边。
构建单元113基于贪婪遍历算法，根据所述至少一个边构建至少一个子图。
需要说明的是，传统的构图方式为逐个遍历每个因子，既耗时又浪费系统内存，因此，需要对此构图方式进行改进。
具体地，所述构建单元113基于贪婪遍历算法，根据所述至少一个边构建至少一个子图包括：
检测每个边对应的两个因子中每个因子在所述至少一个边中的出现次数；
当检测到有边对应的两个因子在所述至少一个边中的出现次数都为1时，不执行遍历，将检测到的边确定为单边；或者
当检测到有边对应的两个因子在所述至少一个边中的出现次数不都为1时，将检测到的边确定为目标边，并根据所述目标边在所述至少一个边中进行遍历，根据遍历到的边对所述目标边进行扩展连接，得到完全图；
将所述单边及所述完全图确定为所述至少一个子图。
例如：一个边的两个因子分别为M、N，而M、N在所有边中的出现次数都为1，即M、N都只构造过一个边，则将M、N构成的边确定为单边；当检测到一个边的两个因子分别为A、B，而B的出现次数不为1时，以B在所述至少一个边中进行遍历，当确定B与C也构成了一个边时，将边A-B扩展为边A-B-C，继续检测A、B、C在所述至少一个边中的出现次数，直至所有的因子都遍历到，则构成了一个没有方向的完全图。进一步地，所有的单边及所有的完全图即可构成所述至少一个子图。
通过上述实施方式，有效提升了图的构建效率。
整合单元114整合所述至少一个子图，得到连通图。
具体地，将所有的子图整合为一个图，则可以得到所述连通图，以供后续目标因子的筛选使用。
筛选单元115计算所述连通图中每个因子相对于所述预测目标的信息价值，并根据所述信息价值从每个子图中筛选目标因子。
在本实施例中，所述筛选单元115计算所述连通图中每个因子相对于所述预测目标的信息价值，并根据所述信息价值从每个子图中筛选目标因子包括：
获取每个因子相对于所述预测目标的响应比例、未响应比例及证据权重；
计算每个因子的响应比例与每个因子的未响应比例的差作为每个因子对应的差值；
计算每个因子对应的差值与每个因子的证据权重的乘积作为每个因子相对于所述预测目标的信息价值（Information Value，IV值）；
从每个子图的因子中获取所述价值信息最大的因子作为每个子图的目标因子。
可以理解的是，由于每个子图是根据相关系数进行构建的，因此，每个子图中的各个因子都具有较强的关联性（如因子“身份证号码的第十七位”与因子“性别”都表征“男女”），本实施方式通过信息价值从关联性较强的因子中筛选出最有价值的因子作为目标因子，与传统的随机森林算法相比，能够有效剔除相关性较强的重复因子，避免由于因子的冗余造成数据的冗余，给模型带来运行负担，同时，也有效避免了重复因子影响模型预测的准确率，并且，最终得到的目标因子也具有较强的可解释。
当然，在其他实施方式中，还可以采用决定系数、相关系数或者模型的方式筛选目标因子，在此不赘述。
需要说明的是，得到的目标因子是每个子图中对预测结果最有价值的目标因子，相当于是从每个类型（即相关性较强的因子构成的类别）的因子中筛选出最有价值的因子，得到的目标因子都是对应类别下最优的因子。
但是在实际应用中，考虑到模型对训练数据的实际需求，并非所有类型的因子都需要参与训练，因此，得到的目标因子还可能需要进一步筛选。
具体地，获取所述目标因子中每个目标因子的信息价值；
根据每个目标因子的信息价值对所述目标因子进行排序；
将排在前预设位的目标因子确定为可用因子；
根据所述可用因子获取待处理数据；
将所述待处理数据输入至至少一个购买力预测模型中进行处理，并根据所述至少一个购买力预测模型的输出确定购买力预测结果。
通过上述实施方式，能够实现对目标因子的二次筛选，进一步提升了模型的准确率。
其中，所述将所述待处理数据输入至至少一个购买力预测模型中进行处理，并根据所述至少一个购买力预测模型的输出确定预测结果包括：
对所述待处理数据进行拆分，得到第一数据集及第二数据集；
将所述第一数据集输入至所述至少一个购买力预测模型中，输出至少一个子预测数据；
采用长短期记忆算法训练所述至少一个子预测数据，得到目标模型；
将所述第二数据集输入至所述目标模型，并获取所述目标模型的输出作为所述购买力预测结果。
其中，所述长短期记忆算法（Long Short Term Memory ,LSTM）包括三个网络层，分别为：输入门层、遗忘门层及输出门层。
通过上述实施方式，由于长短期记忆算法具有时间序列的优点，因此，以长短期记忆算法训练的目标模型也具有一定的时序性，能够更好的处理时序性特征，本实施方式以长短期记忆算法训练提取的特征，能够进一步加强特征的时序性，进而使模型基于时序性特征实现更精准的预测。
并且，本实施方式将待处理数据进行拆分，并基于拆分后的数据执行两级预测，进一步提高了预测的准确性。
在本发明的至少一个实施例中，所述采用长短期记忆算法训练所述至少一个子预测数据，得到所述目标模型包括：
将所述至少一个子预测数据输入至所述遗忘门层进行遗忘处理，得到第一数据；
采用交叉验证法将所述第一数据划分为训练数据集及验证数据集；
将所述训练数据集输入至所述输入门层进行训练，得到次级学习器；
以所述验证数据集验证所述次级学习器，得到所述目标模型。
通过上述实施方式，能够基于长短期记忆算法训练得到所述目标模型，以供后续的购买力预测使用。
具体地，采用交叉验证法将所述第一数据划分为所述训练数据集及所述验证数据集包括：
将所述第一数据按照预设数目随机划分为至少一个数据包，将所述至少一个数据包中的任意一个数据包确定为所述验证数据集，将其余的数据包确定为所述训练数据集，重复上述过程，直至所有的数据包全部依次被用作为所述验证数据集。
通过上述实施方式，能够利用所述第一数据中的所有数据进行全量训练及验证，提高了模型训练的拟合度。
需要说明的是，为了进一步保证数据的安全性，还可以将目标因子部署于区块链，以防止数据被恶意篡改。
由以上技术方案可以看出，本发明能够响应于因子筛选指令，根据所述因子筛选指令获取至少一个因子及预测目标，计算所述至少一个因子中每两个因子间的相关系数，获取预设阈值，根据所述预设阈值及每两个因子间的相关系数对所述至少一个因子进行两两组合，得到至少一个因子组合，并连接所述至少一个因子组合中的两个因子，得到至少一个边，基于贪婪遍历算法，根据所述至少一个边构建至少一个子图，有效提升了图的构建效率，整合所述至少一个子图，得到连通图，计算所述连通图中每个因子相对于所述预测目标的信息价值，并根据所述信息价值从每个子图中筛选目标因子，能够有效剔除相关性较强的重复因子，避免由于因子的冗余造成数据的冗余，并且，最终得到的目标因子也具有较强的可解释性。
如图3所示，是本发明实现基于连通图的因子筛选方法的较佳实施例的电子设备的结构示意图。
所述电子设备1可以包括存储器12、处理器13和总线，还可以包括存储在所述存储器12中并可在所述处理器13上运行的计算机程序，例如基于连通图的因子筛选程序。
本领域技术人员可以理解，所述示意图仅仅是电子设备1的示例，并不构成对电子设备1的限定，所述电子设备1既可以是总线型结构，也可以是星形结构，所述电子设备1还可以包括比图示更多或更少的其他硬件或者软件，或者不同的部件布置，例如所述电子设备1还可以包括输入输出设备、网络接入设备等。
需要说明的是，所述电子设备1仅为举例，其他现有的或今后可能出现的电子产品如可适应于本发明，也应包含在本发明的保护范围以内，并以引用方式包含于此。
其中，存储器12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。存储器12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。存储器12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（Secure Digital, SD）卡、闪存卡（Flash Card）等。进一步地，存储器12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。存储器12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，例如基于连通图的因子筛选程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
处理器13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。处理器13是所述电子设备1的控制核心（Control Unit），利用各种接口和线路连接整个电子设备1的各个部件，通过运行或执行存储在所述存储器12内的程序或者模块（例如执行基于连通图的因子筛选程序等），以及调用存储在所述存储器12内的数据，以执行电子设备1的各种功能和处理数据。
所述处理器13执行所述电子设备1的操作系统以及安装的各类应用程序。所述处理器13执行所述应用程序以实现上述各个基于连通图的因子筛选方法实施例中的步骤，例如图1所示的步骤。
示例性的，所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器12中，并由所述处理器13执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述电子设备1中的执行过程。例如，所述计算机程序可以被分割成获取单元110、计算单元111、连接单元112、构建单元113、整合单元114、筛选单元115。
上述以软件功能模块的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机、计算机设备，或者网络设备等）或处理器（processor）执行本发明各个实施例所述基于连通图的因子筛选方法的部分。
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。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指示相关的硬件设备来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。
其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。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）、随机存取存储器等。
进一步地，计算机可读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。
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。
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。为便于表示，在图3中仅用一根箭头表示，但并不表示仅有一根总线或一种类型的总线。所述总线被设置为实现所述存储器12以及至少一个处理器13等之间的连接通信。
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13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。
图3仅示出了具有组件12-13的电子设备1，本领域技术人员可以理解的是，图3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。
结合图1，所述电子设备1中的所述存储器12存储多个指令以实现一种基于连通图的因子筛选方法，所述处理器13可执行所述多个指令从而实现：
响应于因子筛选指令，根据所述因子筛选指令获取至少一个因子及预测目标；
计算所述至少一个因子中每两个因子间的相关系数；
获取预设阈值，根据所述预设阈值及每两个因子间的相关系数对所述至少一个因子进行两两组合，得到至少一个因子组合，并连接所述至少一个因子组合中的两个因子，得到至少一个边；
基于贪婪遍历算法，根据所述至少一个边构建至少一个子图；
整合所述至少一个子图，得到连通图；
计算所述连通图中每个因子相对于所述预测目标的信息价值，并根据所述信息价值从每个子图中筛选目标因子。
具体地，所述处理器13对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。
在本发明所提供的几个实施例中，应该理解到，所揭露的系统，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标记视为限制所涉及的权利要求。
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。本发明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。第一、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 (10)

1.一种基于连通图的因子筛选方法，其特征在于，所述基于连通图的因子筛选方法包括：
响应于因子筛选指令，根据所述因子筛选指令获取至少一个因子及预测目标；
计算所述至少一个因子中每两个因子间的相关系数；
获取预设阈值，根据所述预设阈值及每两个因子间的相关系数对所述至少一个因子进行两两组合，得到至少一个因子组合，并连接所述至少一个因子组合中的两个因子，得到至少一个边；
基于贪婪遍历算法，根据所述至少一个边构建至少一个子图；
整合所述至少一个子图，得到连通图；
计算所述连通图中每个因子相对于所述预测目标的信息价值，并根据所述信息价值从每个子图中筛选目标因子。
2.如权利要求1所述的基于连通图的因子筛选方法，其特征在于，采用下述公式计算所述至少一个因子中每两个因子间的相关系数：
Figure FDA0002954407570000011
其中，r(Xi,Xj)为因子Xi及因子Xj之间的相关系数，Cov(Xi,Xj)为因子Xi及因子Xj的协方差，Var[Xi]为因子Xi的方差，Var[Xj]为因子Xj的方差，i、j为正整数。
3.如权利要求1所述的基于连通图的因子筛选方法，其特征在于，所述基于贪婪遍历算法，根据所述至少一个边构建至少一个子图包括：
检测每个边对应的两个因子中每个因子在所述至少一个边中的出现次数；
当检测到有边对应的两个因子在所述至少一个边中的出现次数都为1时，不执行遍历，将检测到的边确定为单边；或者
当检测到有边对应的两个因子在所述至少一个边中的出现次数不都为1时，将检测到的边确定为目标边，并根据所述目标边在所述至少一个边中进行遍历，根据遍历到的边对所述目标边进行扩展连接，得到完全图；
将所述单边及所述完全图确定为所述至少一个子图。
4.如权利要求1所述的基于连通图的因子筛选方法，其特征在于，所述计算所述连通图中每个因子相对于所述预测目标的信息价值，并根据所述信息价值从每个子图中筛选目标因子包括：
获取每个因子相对于所述预测目标的响应比例、未响应比例及证据权重；
计算每个因子的响应比例与每个因子的未响应比例的差作为每个因子对应的差值；
计算每个因子对应的差值与每个因子的证据权重的乘积作为每个因子相对于所述预测目标的信息价值；
从每个子图的因子中获取所述信息价值最大的因子作为每个子图的目标因子。
5.如权利要求1所述的基于连通图的因子筛选方法，其特征在于，所述方法还包括：
获取所述目标因子中每个目标因子的信息价值；
根据每个目标因子的信息价值对所述目标因子进行排序；
将排在前预设位的目标因子确定为可用因子；
根据所述可用因子获取待处理数据；
将所述待处理数据输入至至少一个购买力预测模型中进行处理，并根据所述至少一个购买力预测模型的输出确定购买力预测结果。
6.如权利要求5所述的基于连通图的因子筛选方法，其特征在于，所述将所述待处理数据输入至至少一个购买力预测模型中进行处理，并根据所述至少一个购买力预测模型的输出确定预测结果包括：
对所述待处理数据进行拆分，得到第一数据集及第二数据集；
将所述第一数据集输入至所述至少一个购买力预测模型中，输出至少一个子预测数据；
采用长短期记忆算法训练所述至少一个子预测数据，得到目标模型；
将所述第二数据集输入至所述目标模型，并获取所述目标模型的输出作为所述购买力预测结果。
7.如权利要求6所述的基于连通图的因子筛选方法，其特征在于，所述采用长短期记忆算法训练所述至少一个子预测数据，得到所述目标模型包括：
将所述至少一个子预测数据输入至所述长短期记忆算法对应的遗忘门层进行遗忘处理，得到第一数据；
采用交叉验证法将所述第一数据划分为训练数据集及验证数据集；
将所述训练数据集输入至所述长短期记忆算法对应的输入门层进行训练，得到次级学习器；
以所述验证数据集验证所述次级学习器，得到所述目标模型。
8.一种基于连通图的因子筛选装置，其特征在于，所述基于连通图的因子筛选装置包括：
获取单元，用于响应于因子筛选指令，根据所述因子筛选指令获取至少一个因子及预测目标；
计算单元，用于计算所述至少一个因子中每两个因子间的相关系数；
连接单元，用于获取预设阈值，根据所述预设阈值及每两个因子间的相关系数对所述至少一个因子进行两两组合，得到至少一个因子组合，并连接所述至少一个因子组合中的两个因子，得到至少一个边；
构建单元，用于基于贪婪遍历算法，根据所述至少一个边构建至少一个子图；
整合单元，用于整合所述至少一个子图，得到连通图；
筛选单元，用于计算所述连通图中每个因子相对于所述预测目标的信息价值，并根据所述信息价值从每个子图中筛选目标因子。
9.一种电子设备，其特征在于，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如权利要求1至7中任意一项所述的基于连通图的因子筛选方法。
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中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现如权利要求1至7中任意一项所述的基于连通图的因子筛选方法。
CN202110015583.5A 2021-01-07 2021-01-07 基于连通图的因子筛选方法、装置、设备及介质 Active CN112330080B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110015583.5A CN112330080B (zh) 2021-01-07 2021-01-07 基于连通图的因子筛选方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110015583.5A CN112330080B (zh) 2021-01-07 2021-01-07 基于连通图的因子筛选方法、装置、设备及介质

Publications (2)

Publication Number Publication Date
CN112330080A CN112330080A (zh) 2021-02-05
CN112330080B true CN112330080B (zh) 2021-04-02

Family

ID=74301554

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110015583.5A Active CN112330080B (zh) 2021-01-07 2021-01-07 基于连通图的因子筛选方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN112330080B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115167846B (zh) * 2022-09-07 2022-12-20 浙江大华技术股份有限公司 下游算子的推荐方法、电子设备及计算机可读存储介质

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107563554B (zh) * 2017-08-30 2022-01-18 三峡大学 一种统计降尺度模型预报因子的筛选方法
CN107679677A (zh) * 2017-10-30 2018-02-09 华南农业大学 一种旱改水优先区选择方法
CN109584076A (zh) * 2018-12-06 2019-04-05 平安科技（深圳）有限公司 股票因子收益分析方法、装置、计算机设备以及存储介质
CN109982291B (zh) * 2019-03-01 2020-08-14 同济大学 城市场景中有基础设施车联网弱连接检测方法
CN111949708B (zh) * 2020-08-10 2023-07-25 中国平安人寿保险股份有限公司 基于时序特征提取的多任务预测方法、装置、设备及介质

Also Published As

Publication number Publication date
CN112330080A (zh) 2021-02-05

Similar Documents

Publication Publication Date Title
CN112446025A (zh) 联邦学习防御方法、装置、电子设备及存储介质
CN112231586A (zh) 基于迁移学习的课程推荐方法、装置、设备及介质
CN112801718B (zh) 用户行为预测方法、装置、设备及介质
CN111949708B (zh) 基于时序特征提取的多任务预测方法、装置、设备及介质
CN111754110A (zh) 基于人工智能的经营指标评价方法、装置、设备及介质
CN112396547B (zh) 基于无监督学习的课程推荐方法、装置、设备及介质
CN111950621B (zh) 基于人工智能的目标数据检测方法、装置、设备及介质
CN113806434B (zh) 大数据处理方法、装置、设备及介质
CN111985545B (zh) 基于人工智能的目标数据检测方法、装置、设备及介质
CN115081538A (zh) 基于机器学习的客户关系识别方法、装置、设备及介质
CN114781832A (zh) 课程推荐方法、装置、电子设备及存储介质
CN111694844A (zh) 基于配置算法的企业运行数据分析方法、装置及电子设备
CN114612194A (zh) 产品推荐方法、装置、电子设备及存储介质
CN111831708A (zh) 基于缺失数据的样本分析方法、装置、电子设备及介质
CN111339072B (zh) 基于用户行为的变化值分析方法、装置、电子设备及介质
CN113868529A (zh) 知识推荐方法、装置、电子设备及可读存储介质
CN113256181A (zh) 风险因子预测方法、装置、设备及介质
CN114862140A (zh) 基于行为分析的潜力评估方法、装置、设备及存储介质
CN111475541A (zh) 数据决策方法、装置、电子设备及存储介质
CN112700261B (zh) 基于可疑社团的刷单行为检测方法、装置、设备及介质
CN111950707B (zh) 基于行为共现网络的行为预测方法、装置、设备及介质
CN112330080B (zh) 基于连通图的因子筛选方法、装置、设备及介质
CN112860851B (zh) 基于根因分析的课程推荐方法、装置、设备及介质
CN113591881A (zh) 基于模型融合的意图识别方法、装置、电子设备及介质
CN116823437A (zh) 基于配置化风控策略的准入方法、装置、设备及介质

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