CN112737848B - 对象类型的确定方法、装置、存储介质及电子装置 - Google Patents
对象类型的确定方法、装置、存储介质及电子装置 Download PDFInfo
- Publication number
- CN112737848B CN112737848B CN202011608210.0A CN202011608210A CN112737848B CN 112737848 B CN112737848 B CN 112737848B CN 202011608210 A CN202011608210 A CN 202011608210A CN 112737848 B CN112737848 B CN 112737848B
- Authority
- CN
- China
- Prior art keywords
- binding
- target
- data
- daily
- distribution
- 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
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/08—Configuration management of networks or network elements
- H04L41/085—Retrieval of network configuration; Tracking network configuration history
- H04L41/0853—Retrieval of network configuration; Tracking network configuration history by actively collecting configuration information or by backing up configuration information
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提供了一种对象类型的确定方法、装置、存储介质及电子装置,其中,该方法包括:获取目标对象在目标时间段内的配网绑定数据,其中,目标对象的数量为多个,且多个目标对象中包括有不同类型的对象;对配网绑定数据进行分析,以得到分析结果;基于分析结果所指示的目标数据分布规律,对多个目标对象进行分组;基于每个分组所对应的目标数据分布规律,确定每个分组中包括的目标对象的目标类型,其中,同一分组中包括的目标对象的类型相同。通过本发明,解决了相关技术中存在的在分析配网绑定对象类型时,分析准确率较低且耗时较长进而导致分析效率低的问题,进而达到了提高分析效率的效果。
Description
技术领域
本发明实施例涉及通信领域,具体而言,涉及一种对象类型的确定方法、装置、存储介质及电子装置。
背景技术
智能家居正走进千家万户,给人们的生活带来了极大的便利,对智能家居设备进行配网正成为了越来越多人的选择,而对智能设备进行配网绑定的对象类型可以有多种,例如,可以包括市场绑定用户、研发测试用户及质量验证用户等,下面以此为例进行说明:
不同用户角色的绑定行为有所不同,设备厂家为了准确定位市场绑定用户行为,也为了给有意愿绑定但遇到困难的用户提供帮助,需要从设备绑定数据中识别出真正的市场用户,为解决该问题,目前主要通过线下收集研发测试用户和质量验证用户的名单,然后再从设备的线上绑定数据中剔除该两类用户列表对应的绑定行为数据,最终得到真实市场用户的绑定行为数据,该方法需要依赖大量的外部资源且解决周期较长,以致影响分析效率及准确性。
针对现有技术中存在的在分析配网绑定对象类型时,分析准确率较低且耗时较长进而导致分析效率低的问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种对象类型的确定方法、装置、存储介质及电子装置,以至少解决相关技术中存在的在分析配网绑定对象类型时,分析准确率较低且耗时较长进而导致分析效率低的问题。
根据本发明的一个实施例,提供了一种对象类型的确定方法,包括:获取目标对象在目标时间段内的配网绑定数据,其中,所述目标对象的数量为多个,且多个所述目标对象中包括有不同类型的对象;对所述配网绑定数据进行分析,以得到分析结果;基于所述分析结果所指示的目标数据分布规律,对多个所述目标对象进行分组;基于每个分组所对应的目标数据分布规律,确定每个分组中包括的所述目标对象的目标类型,其中,同一分组中包括的所述目标对象的类型相同。
在一个示例性实施例中,基于每个分组所对应的目标数据分布规律,确定每个分组中包括的目标对象的目标类型包括:获取预先配置的数据分布规律与对象的类型的对应关系;从所述对应关系中分别确定出与每个所述目标数据分布规律所对应的对象类型;将与每个所述目标数据分布规律所对应的对象类型确定为每个分组中包括的目标对象的目标类型。
在一个示例性实施例中,所述配网绑定数据包括配网绑定日期、所述目标对象的标识、所述目标对象的日绑定次数及所述目标对象的日绑定成功率。
在一个示例性实施例中,对所述配网绑定数据进行分析,以得到分析结果包括:对所述配网绑定数据进行分析,以得到如下分析结果至少之一:所述目标对象的日绑定次数的分布结果,其中,所述日绑定次数的分布结果用于指示多个日绑定次数中包括的每个日绑定次数下的人数分布;所述目标对象的日平均绑定成功率分布结果,其中,所述日平均绑定成功率分布结果用于指示多个日绑定次数中包括的每个日绑定次数下的平均绑定成功率分布;所述目标对象的日最低绑定成功率分布结果,其中,所述日最低绑定成功率分布结果用于指示多个日绑定次数中包括的每个日绑定次数下的最低绑定成功率分布。
在一个示例性实施例中,基于所述分析结果所指示的目标数据分布规律,对多个所述目标对象进行分组包括:在确定所述分析结果所指示的数据分布规律不符合预定规则的情况下,利用所述目标对象在其他时间段内的配网绑定数据对所述数据分布规律进行修正,以得到修正数据分布规律,其中,所述修正数据分布规律符合所述预定规则,所述其他时间段为除所述目标时间段之外的时间段;基于所述修正数据分布规律对多个所述目标对象进行分组。
根据本发明的另一个实施例,还提供了一种对象类型的确定装置,包括:获取模块,用于获取目标对象在目标时间段内的配网绑定数据,其中,所述目标对象的数量为多个,且多个所述目标对象中包括有不同类型的对象;分析模块,用于对所述配网绑定数据进行分析,以得到分析结果;分组模块,用于基于所述分析结果所指示的目标数据分布规律,对多个所述目标对象进行分组;确定模块,用于基于每个分组所对应的目标数据分布规律,确定每个分组中包括的所述目标对象的目标类型,其中,同一分组中包括的所述目标对象的类型相同。
在一个示例性实施例中,所述确定模块包括:获取单元,用于获取预先配置的数据分布规律与对象的类型的对应关系;第一确定单元,用于从所述对应关系中分别确定出与每个所述目标数据分布规律所对应的对象类型;第二确定单元,用于将与每个所述目标数据分布规律所对应的对象类型确定为每个分组中包括的目标对象的目标类型。
在一个示例性实施例中,所述分组模块包括:修正单元,用于在确定所述分析结果所指示的数据分布规律不符合预定规则的情况下,利用所述目标对象在其他时间段内的配网绑定数据对所述数据分布规律进行修正,以得到修正数据分布规律,其中,所述修正数据分布规律符合所述预定规则,所述其他时间段为除所述目标时间段之外的时间段;分组单元,用于基于所述修正数据分布规律对多个所述目标对象进行分组。
根据本发明的又一个实施例,还提供了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计算机程序,其中,所述计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
根据本发明的又一个实施例,还提供了一种电子装置,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行上述任一项方法实施例中的步骤。
通过本发明,基于对获取的配网绑定数据进行分析并提取数据分布规律,根据该分布规律对获取的配网绑定数据进行分组即可识别出配网绑定对象类型,因此,不需要依赖线下收集部分配网绑定数据等外部资源即可识别出配网绑定数据中的各种配网绑定对象类型,解决了相关技术中存在的在分析配网绑定对象类型时,分析准确率较低且耗时较长进而导致分析效率低的问题,进而达到了提高分析效率的效果。
附图说明
图1是本发明实施例的对象类型的确定方法的移动终端硬件结构框图;
图2是根据本发明实施例的对象类型的确定方法的流程图;
图3是根据本发明实施例的优选的对象类型的确定方法的流程图;
图4是根据本发明实施例的优选的配网绑定数据分析结果示例图一;
图5是根据本发明实施例的优选的配网绑定数据分析结果示例图二;
图6是根据本发明实施例的优选的配网绑定数据分析结果示例图三;
图7是根据本发明实施例的优选的对象类型的确定方法示例图;
图8是根据本发明实施例的对象类型的确定装置的结构框图。
具体实施方式
下文中将参考附图并结合实施例来详细说明本发明的实施例。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。
本申请实施例中所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。以运行在移动终端上为例,图1是本发明实施例的一种对象类型的确定方法的移动终端硬件结构框图。如图1所示,移动终端可以包括一个或多个(图1中仅示出一个)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)和用于存储数据的存储器104,其中,上述移动终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解,图1所示的结构仅为示意,其并不对上述移动终端的结构造成限定。例如,移动终端还可包括比图1中所示更多或者更少的组件,或者具有与图1所示不同的配置。
存储器104可用于存储计算机程序,例如,应用软件的软件程序以及模块,如本发明实施例中的对象类型的确定方法对应的计算机程序,处理器102通过运行存储在存储器104内的计算机程序,从而执行各种功能应用以及数据处理,即实现上述的方法。存储器104可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器104可进一步包括相对于处理器102远程设置的存储器,这些远程存储器可以通过网络连接至移动终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括移动终端的通信供应商提供的无线网络。在一个实例中,传输装置106包括一个网络适配器(Network Interface Controller,简称为NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输装置106可以为射频(Radio Frequency,简称为RF)模块,其用于通过无线方式与互联网进行通讯。
在本实施例中提供了对象类型的确定方法,图2是根据本发明实施例的对象类型的确定方法的流程图,如图2所示,该流程包括如下步骤:
步骤S202,获取目标对象在目标时间段内的配网绑定数据,其中,所述目标对象的数量为多个,且多个所述目标对象中包括有不同类型的对象;
步骤S204,对所述配网绑定数据进行分析,以得到分析结果;
步骤S206,基于所述分析结果所指示的目标数据分布规律,对多个所述目标对象进行分组;
步骤S208,基于每个分组所对应的目标数据分布规律,确定每个分组中包括的所述目标对象的目标类型,其中,同一分组中包括的所述目标对象的类型相同。
通过上述步骤,基于对获取的配网绑定数据进行分析并提取数据分布规律,根据该分布规律对获取的配网绑定数据进行分组即可识别出配网绑定对象类型,因此,不需要依赖线下收集部分配网绑定数据等外部资源即可识别出配网绑定数据中的各种配网绑定对象类型,解决了相关技术中存在的在分析配网绑定对象类型时,分析准确率较低且耗时较长进而导致分析效率低的问题,进而达到了提高分析效率的效果。
其中,上述步骤的执行主体可以为终端设备,如计算机终端、安装有相应数据分析APP的移动终端等,或者为具备相应数据分析处理能力的服务器或处理器,或者为具备类似处理能力的处理设备或处理单元等,但不限于此。下面以处理器执行上述操作为例(仅是一种示例性说明,在实际操作中还可以是其他的设备或模块来执行上述操作)进行说明:
在上述实施例中,处理器获取目标对象在目标时间段内的配网绑定数据,其中,所述目标对象的数量为多个,且多个所述目标对象中包括有不同类型的对象,例如,处理器获取到一种智能家居产品(如空调)的用户配网绑定数据,其中,所述用户数量众多(如成千上万或更多)且包括多种不同类型的用户(如市场真实用户、研发测试用户及质量验证用户等);由处理器对获取的配网绑定数据进行分析可得出分析结果,基于该分析结果所指示的目标数据分布规律,可对多个目标对象进行分组,例如,根据对配网绑定数据的分析可得出用户日绑定次数分布规律(指某一日在不同绑定次数下的用户数量分布规律)、用户日平均绑定成功率(指某一日在不同绑定次数下的平均绑定成功率)分布规律、用户日最低绑定成功率(指某一日在不同绑定次数下的最低绑定成功率)分布规律等,再根据上述几种分布规律对所述用户进行分组,例如,可将符合“①用户占比数比较高、②绑定率随绑定次数提升而呈下降趋势、③总体绑定成功率接近所有用户总的平均成功率”这一规律的用户分为A组,将符合“①用户占比数非常低、②绑定率随绑定次数提升而大幅抖动、③总体绑定成功率低于所有用户总的平均成功率”这一规律的用户分为B组,将符合“①用户占比数非常低、②日绑定次数较高、③总体绑定成功率高于所有用户总的平均成功率”这一规律的用户分为C组;根据每个分组所对应的分布规律的特点,可确定每个分组所属用户的类型,例如,可将符合A组所对应的数据分布规律的用户确定为u类型,可将符合B组所对应的数据分布规律的用户确定为r类型,可将符合C组所对应的数据分布规律的用户确定为q类型,可选地,在实际应用中,根据配网绑定数据的其它分布规律,还可将用户细分为更多不同类型。
在一个可选的实施例中,基于每个分组所对应的目标数据分布规律,确定每个分组中包括的目标对象的目标类型包括:获取预先配置的数据分布规律与对象的类型的对应关系;从所述对应关系中分别确定出与每个所述目标数据分布规律所对应的对象类型;将与每个所述目标数据分布规律所对应的对象类型确定为每个分组中包括的目标对象的目标类型。在本实施例中,可获取预先配置的数据分布规律与对象的类型的对应关系,例如,预先将符合“①用户占比数比较高、②绑定率随绑定次数提升而呈下降趋势、③总体绑定成功率接近所有用户总的平均成功率”这一规律的用户与真实市场用户类型确定为一一对应关系,预先将符合“①用户占比数非常低、②绑定率随绑定次数提升而大幅抖动、③总体绑定成功率低于所有用户总的平均成功率”这一规律的用户与研发测试用户类型确定为一一对应关系,预先将符合“①用户占比数非常低、②日绑定次数较高、③总体绑定成功率高于所有用户总的平均成功率”这一规律的用户与质量验证用户类型确定为一一对应关系;依据上述的对应关系可从本次所获得的用户配网绑定数据中确定出与每个目标数据分布规律对应的对象类型,例如,前述A组对应的目标数据分布规律为“①用户占比数比较高、②绑定率随绑定次数提升而呈下降趋势、③总体绑定成功率接近所有用户总的平均成功率”,可确定出与其对应的对象类型为真实市场用户类型,类似地,前述B组对应的目标数据分布规律为“①用户占比数非常低、②绑定率随绑定次数提升而大幅抖动、③总体绑定成功率低于所有用户总的平均成功率”,可确定出其对应的对象类型为研发测试用户类型,前述C组对应的目标数据分布规律为“①用户占比数非常低、②日绑定次数较高、③总体绑定成功率高于所有用户总的平均成功率”,可确定出与其对应的对象类型为质量验证用户类型;在上述基础上,可将A组中所包括的所有用户确定为真实市场用户类型,可将B组中所包括的所有用户确定为研发测试用户类型,可将C组中所包括的所有用户确定为质量验证用户类型。
在一个可选的实施例中,所述配网绑定数据包括配网绑定日期、所述目标对象的标识、所述目标对象的日绑定次数及所述目标对象的日绑定成功率。在本实施例中,配网绑定数据包括绑定日期(如2020年1月1日)、用户识别号、用户的日绑定次数(指单个用户一日的绑定次数)及用户的日绑定成功率,可选地,在实际应用中,为了数据的准确性,可采集多天(如7天或以上)的配网绑定数据进行分析。
在一个可选的实施例中,对所述配网绑定数据进行分析,以得到分析结果包括:对所述配网绑定数据进行分析,以得到如下分析结果至少之一:所述目标对象的日绑定次数的分布结果,其中,所述日绑定次数的分布结果用于指示多个日绑定次数中包括的每个日绑定次数下的人数分布;所述目标对象的日平均绑定成功率分布结果,其中,所述日平均绑定成功率分布结果用于指示多个日绑定次数中包括的每个日绑定次数下的平均绑定成功率分布;所述目标对象的日最低绑定成功率分布结果,其中,所述日最低绑定成功率分布结果用于指示多个日绑定次数中包括的每个日绑定次数下的最低绑定成功率分布。在本实施例中,对配网绑定数据进行分析后可得到的结果有:①用户日绑定次数分布结果Re1,其中Re1指某一日在不同绑定次数下的用户数量分布情况,例如,在2020年1月1日获取的所有配网绑定数据中,统计出绑定次数分别为1-N(N为自然数,根据需要,N可达数百以上)所对应的用户数量,②用户日平均绑定成功率分布结果Re2,其中Re2指某一日在不同绑定次数下的平均绑定成功率的分布情况,例如,在2020年1月1日获取的所有配网绑定数据中,统计出绑定次数为1-N(N为自然数,根据需要,N可达数百以上)所对应的日平均绑定成功率(如绑定1次的平均成功率为75.1%、绑定次数为2的平均成功率为55.9%等),③用户日最低绑定成功率分布结果Re3,其中Re3指某一日在不同绑定次数下的最低绑定成功率的分布情况,例如,在2020年1月1日获取的所有配网绑定数据中,统计出绑定次数为1-N(N为自然数,根据需要,N可达数百以上)所对应的日最低绑定成功率(如绑定次数为1的最低绑定成功率为0%、绑定次数为10的成功率为10%等)。
在一个可选的实施例中,基于所述分析结果所指示的目标数据分布规律,对多个所述目标对象进行分组包括:在确定所述分析结果所指示的数据分布规律不符合预定规则的情况下,利用所述目标对象在其他时间段内的配网绑定数据对所述数据分布规律进行修正,以得到修正数据分布规律,其中,所述修正数据分布规律符合所述预定规则,所述其他时间段为除所述目标时间段之外的时间段;基于所述修正数据分布规律对多个所述目标对象进行分组。在本实施例中,在基于所述分析结果所指示的目标数据分布规律,对多个所述目标对象进行分组时,在确定所述分析结果所指示的数据分布规律不符合预定规则的情况下,可以利用所述目标对象在其他时间段内的配网绑定数据对所述数据分布规律进行修正,以得到修正数据分布规律,例如,在确定所述分析结果所指示的数据分布规律与前述A组对应的分布规律整体相似但有偏差(如2020年1月1日绑定次数为1-7次对应的整体绑定成功率是呈下降趋势的,但中间仅某1个数据有偏差,又如绑定次数为5次的绑定成功率相对4次的绑定成功率上升了)的情况下,可利用上述绑定次数为5次的用户在其他时间段内(如2020年1月2日、3日或其它)的配网绑定数据对上述有偏差的数据进行修正以得到符合预定规则的修正数据分布规律,再基于所述修正数据分布规律对用户进行分组;可选地,在实际应用中,在确定相邻两组的临界点时也需要对所述临界点进行修正,例如,在初步确定相邻两组临界点为7次(如2020年1月10日绑定次数为1-7次的绑定数据对应分为A组、绑定次数为8-19次的绑定数据对应分为B组)时,但根据其他时间段(如2020年1月8日、1月9日及1月11日等多个单日)的数据分布规律可确定绑定次数为1-8次的绑定数据对应分为A组、绑定次数为9-19次的绑定数据对应分为B组时,此时,可对前述2020年1月10日的绑定次数为7次的绑定数据进行修正以得到符合预定规则的修正数据,再基于所述修正数据分布规律对用户进行分组。
需要说明的是,上述所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。
下面结合实施例对本发明进行具体说明:
图3是根据本发明实施例的优选的对象类型的确定方法的流程图,如图3所示,该流程包括如下步骤:
S302,数据准备,准备各类用户的配网绑定数据,其中,数据包括:配网绑定日期、用户的标识、用户日绑定次数及用户日绑定成功率等;
S304,样例分析(或称为数据分析),分析用户日绑定次数分布结果、用户日平均绑定成功率分布结果及用户日最低绑定成功率分布结果;
S306,规律提取,结合上述配网绑定数据及不同类型用户绑定行为的特点,提取其中的规律;
S308,模型建立(对应于前述的分组),根据上述配网绑定数据的分析结果及分布规律,建立一个能反映各类用户配网绑定数据特点和规律的模型图;
S310,确定算法(对应于前述的确定目标对象的目标类型),确定用户的类型。
优选地,在S302步骤中通常准备多天的配网绑定数据,例如7天或以上,数据量越大识别的准确性越高,因此,用户数量一般也至少大于千量级。
图4是根据本发明实施例的优选的配网绑定数据分析结果示例图一,图4具体地为用户日绑定次数分布图;图5是根据本发明实施例的优选的配网绑定数据分析结果示例图二,图5具体地为用户日平均绑定成功率分布图;图6是根据本发明实施例的优选的配网绑定数据分析结果示例图三,图6具体地为用户日最低绑定成功率分布图。
在步骤S306中,可根据不同类型用户自身及各自绑定行为的特点,同时结合实际的配网绑定数据进行规律提取,例如,大多数研发测试用户的特点可能为不会走完全部绑定流程、而大多数质量验证用户因具备完整测试条件而会走完全部绑定流程,另外,整体上相对于真实市场用户,研发测试用户和质量验证用户的数量是非常低的,同时结合实际的配网绑定数据可提取的规律有如下至少之一:
规律一,同时满足用户占比数比较高、绑定率随绑定次数提升而呈下降趋势且总体绑定成功率接近所有用户总的平均成功率等规律,可选地,在实际应用中,可将符合规律一的对应的用户确定为真实市场用户;
规律二,同时满足用户占比数非常低、绑定率随绑定次数提升而大幅抖动且总体绑定成功率低于所有用户总的平均成功率等规律,可选地,在实际应用中,可将符合规律二的对应的用户确定为研发测试用户;
规律三,同时满足用户占比数非常低、日绑定次数较高且总体绑定成功率高于所有用户总的平均成功率等规律,可选地,在实际应用中,可将符合规律三的对应的用户确定为质量验证用户。
可选地,在实际应用中,上述步骤S306中的规律提取也可在步骤S302之前执行,根据行业经验或之前获取的数据分布特点进行规律提取。
在步骤308中,根据前述配网绑定数据的分析结果及分布规律,可建立一个能反映各类用户配网绑定数据特点和规律的模型图,如图7所示,是根据本发明实施例的优选的对象类型的确定方法示例图。
图7仅从整体上区分不同类型的用户,仅反映不同类型的用户整体的绑定行为特点及绑定数据分布规律,图7中将用户类型划分为三个区域,对于图7中两个相邻区域(如横坐标在AB区域范围内和横坐标在BC区域范围内)的临界点(即绑定次数)不是绝对的,存在变动的可能,例如,在步骤S308中建立模型(对应于前述的分组)时,根据上述配网绑定数据的分析结果及分布规律可能将2020年2月10日绑定次数为7的用户划分为真实市场用户(即图7中最左侧区域对应的用户类型),将绑定次数为8对应的用户划分为研发测试用户(即图7中中间区域对应的用户类型),而在步骤S310中可能通过其他多个单日的数据规律对当前单日(前述2020年2月10日)的绑定数据做局部修正,即其他多个单日中绑定次数为8对应的规律更符合上述真实用户(即图7中最左侧区域对应的用户类型)的规律,因此将会对前述步骤308中建立的模型(对应于前述的分组)做局部修正。
图7中横坐标在AB区域范围内的用户绑定数据规律为随次数增多而下降,从高于绑定率均值,下降到低于绑定率均值,且次数分布集中,相同次数下的用户量很高,随着次数提升,相同次数下的用户数呈下降趋势,总体用户数占比很高,完全符合上述规律一,可确定为同一类型的用户,可选地,在实际应用中,图7中绑定次数在AB区域内的对应的可为真实市场用户;图7中横坐标在BC区域范围内的用户绑定数据规律为:研发测试绑定率呈大幅抖动,但整体绑定率低于绑定率均值,且次数分布较分散,相同次数下的用户量很小,总体用户数占比很小,完全符合上述规律二,可确定为同一类型的用户,可选地,在实际应用中,图7中绑定次数在BC区域内的对应的可为研发测试用户;图7中横坐标在CD区域范围内的用户绑定数据规律为:整体绑定率高于绑定率均值,且次数分布很分散,相同次数下的用户量非常小,总体用户数占比很小,完全符合上述规律三,可确定为同一类型的用户,可选地,在实际应用中,图7中绑定次数在CD区域内的对应的可为质量检验用户。
上述步骤S310是对不同用户类型进行确定,下面结合图4、图5、图7对不同用户类型的确定进行具体说明:
图7中AB区域对应为真实市场用户,对应绑定成功率约为75%~32%,上述AB区域对应绑定次数分布集中,相同次数下的用户量很高,随着次数提升,相同次数下的用户数呈下降趋势,总体用户数占比很高,结合图5,图5中当次数为1~7次时,绑定率从75.1%高于平均值下降到31.7%低于平均值,且一直呈现下降趋势,符合上述图7中真实市场用户绑定率的变化规律,再结合图4,可进一步验证AB区域对应1~7次下的用户数符合上述规律,因此,可确定绑定次数为1~7次的用户为真实市场用户。
类似地,图7中BC区域对应为研发测试用户,对应的绑定率在5.9%~46.7%范围内,该区域研发测试绑定率呈大幅抖动,但整体绑定率低于绑定率均值,结合图5,图5中当绑定次数为8~17次时,绑定率从37%(绑定次数为8时)降至5.9%(绑定次数为17时),期间绑定率有升有降,整体上抖动较大,且整体绑定率低于总的平均绑定率(指所有用户的总的平均绑定率),再结合图4,可进一步验证BC区域内对应8~17次下的用户数符合上述图7中研发测试用户绑定率的变化规律,优选地,在实际应用中,还可通过其他多个单日的数据规律对当前单日的绑定数据做局部修正,例如,通过其他天多个单日的数据规律修正后为8~19次,通过BC对应的用户量和占比进一步验证为8~19次,因此,可确定绑定次数为8~19次的用户为研发测试用户。
类似地,图7中CD区域对应为质量验证用户,对应的绑定率在55%~96%范围内,该区域整体绑定率高于绑定率均值,结合图5,图5中当绑定次数达20次及以上时,绑定率从75%(绑定次数为20时)升至87.2%(绑定次数为133时),期间绑定率有升有降,相对于前述BC区域整体上抖动较小,且整体绑定率明显高于平均绑定率,次数分布很分散,相同次数下的用户量非常小,总体用户数占比很小,再结合图4,可进一步验证CD区域内对应绑定次数为20次及以上的用户数符合上述图7中质量验证用户绑定率的变化规律,因此,可确定绑定次数为20次及以上的用户为质量验证用户。
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根据上述实施例的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,本发明的技术方案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,或者网络设备等)执行本发明各个实施例所述的方法。
在本实施例中还提供了一种对象类型的确定装置,图8是根据本发明实施例的对象类型的确定装置的结构框图,如图8所示,该装置包括:
获取模块802,用于获取目标对象在目标时间段内的配网绑定数据,其中,所述目标对象的数量为多个,且多个所述目标对象中包括有不同类型的对象;
分析模块804,用于对所述配网绑定数据进行分析,以得到分析结果;
分组模块806,用于基于所述分析结果所指示的目标数据分布规律,对多个所述目标对象进行分组;
确定模块808,用于基于每个分组所对应的目标数据分布规律,确定每个分组中包括的所述目标对象的目标类型,其中,同一分组中包括的所述目标对象的类型相同。
在一个可选的实施例中,所述确定模块808包括:获取单元,用于获取预先配置的数据分布规律与对象的类型的对应关系;第一确定单元,用于从所述对应关系中分别确定出与每个所述目标数据分布规律所对应的对象类型;第二确定单元,用于将与每个所述目标数据分布规律所对应的对象类型确定为每个分组中包括的目标对象的目标类型。
在一个可选的实施例中,所述配网绑定数据包括配网绑定日期、所述目标对象的标识、所述目标对象的日绑定次数及所述目标对象的日绑定成功率。
在一个可选的实施例中,所述分析模块804包括:分析单元,用于对所述配网绑定数据进行分析,以得到如下分析结果至少之一:所述目标对象的日绑定次数的分布结果,其中,所述日绑定次数的分布结果用于指示多个日绑定次数中包括的每个日绑定次数下的人数分布;所述目标对象的日平均绑定成功率分布结果,其中,所述日平均绑定成功率分布结果用于指示多个日绑定次数中包括的每个日绑定次数下的平均绑定成功率分布;所述目标对象的日最低绑定成功率分布结果,其中,所述日最低绑定成功率分布结果用于指示多个日绑定次数中包括的每个日绑定次数下的最低绑定成功率分布。
在一个可选的实施例中,所述分组模块包括:修正单元,用于在确定所述分析结果所指示的数据分布规律不符合预定规则的情况下,利用所述目标对象在其他时间段内的配网绑定数据对所述数据分布规律进行修正,以得到修正数据分布规律,其中,所述修正数据分布规律符合所述预定规则,所述其他时间段为除所述目标时间段之外的时间段;分组单元,用于基于所述修正数据分布规律对多个所述目标对象进行分组。
需要说明的是,上述各个模块是可以通过软件或硬件来实现的,对于后者,可以通过以下方式实现,但不限于此:上述模块均位于同一处理器中;或者,上述各个模块以任意组合的形式分别位于不同的处理器中。
本发明的实施例还提供了一种计算机可读存储介质,该计算机可读存储介质中存储有计算机程序,其中,该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
在一个示例性实施例中,上述计算机可读存储介质可以包括但不限于:U盘、只读存储器(Read-Only Memory,简称为ROM)、随机存取存储器(Random Access Memory,简称为RAM)、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。
本发明的实施例还提供了一种电子装置,包括存储器和处理器,该存储器中存储有计算机程序,该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
在一个示例性实施例中,上述电子装置还可以包括传输设备以及输入输出设备,其中,该传输设备和上述处理器连接,该输入输出设备和上述处理器连接。
本实施例中的具体示例可以参考上述实施例及示例性实施方式中所描述的示例,本实施例在此不再赘述。
显然,本领域的技术人员应该明白,上述的本发明的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,并且在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种对象类型的确定方法,其特征在于,包括:
获取目标对象在目标时间段内的配网绑定数据,其中,所述目标对象的数量为多个,且多个所述目标对象中包括有不同类型的对象;
对所述配网绑定数据进行分析,以得到分析结果;
基于所述分析结果所指示的目标数据分布规律,对多个所述目标对象进行分组;
基于每个分组所对应的目标数据分布规律,确定每个分组中包括的所述目标对象的目标类型,其中,同一分组中包括的所述目标对象的类型相同;
其中,所述配网绑定数据包括配网绑定日期、所述目标对象的标识、所述目标对象的日绑定次数及所述目标对象的日绑定成功率;
其中,对所述配网绑定数据进行分析,以得到分析结果包括:
对所述配网绑定数据进行分析,以得到如下分析结果至少之一:
所述目标对象的日绑定次数的分布结果,其中,所述日绑定次数的分布结果用于指示多个日绑定次数中包括的每个日绑定次数下的人数分布;
所述目标对象的日平均绑定成功率分布结果,其中,所述日平均绑定成功率分布结果用于指示多个日绑定次数中包括的每个日绑定次数下的平均绑定成功率分布;
所述目标对象的日最低绑定成功率分布结果,其中,所述日最低绑定成功率分布结果用于指示多个日绑定次数中包括的每个日绑定次数下的最低绑定成功率分布。
2.根据权利要求1所述的方法,其特征在于,基于每个分组所对应的目标数据分布规律,确定每个分组中包括的目标对象的目标类型包括:
获取预先配置的数据分布规律与对象的类型的对应关系;
从所述对应关系中分别确定出与每个所述目标数据分布规律所对应的对象类型;
将与每个所述目标数据分布规律所对应的对象类型确定为每个分组中包括的目标对象的目标类型。
3.根据权利要求1所述的方法,其特征在于,基于所述分析结果所指示的目标数据分布规律,对多个所述目标对象进行分组包括:
在确定所述分析结果所指示的数据分布规律不符合预定规则的情况下,利用所述目标对象在其他时间段内的配网绑定数据对所述数据分布规律进行修正,以得到修正数据分布规律,其中,所述修正数据分布规律符合所述预定规则,所述其他时间段为除所述目标时间段之外的时间段;
基于所述修正数据分布规律对多个所述目标对象进行分组。
4.一种对象类型的确定装置,其特征在于,包括:
获取模块,用于获取目标对象在目标时间段内的配网绑定数据,其中,所述目标对象的数量为多个,且多个所述目标对象中包括有不同类型的对象;
分析模块,用于对所述配网绑定数据进行分析,以得到分析结果;
分组模块,用于基于所述分析结果所指示的目标数据分布规律,对多个所述目标对象进行分组;
确定模块,用于基于每个分组所对应的目标数据分布规律,确定每个分组中包括的所述目标对象的目标类型,其中,同一分组中包括的所述目标对象的类型相同;
其中,所述配网绑定数据包括配网绑定日期、所述目标对象的标识、所述目标对象的日绑定次数及所述目标对象的日绑定成功率;
其中,所述分析模块包括:分析单元,用于对所述配网绑定数据进行分析,以得到如下分析结果至少之一:所述目标对象的日绑定次数的分布结果,其中,所述日绑定次数的分布结果用于指示多个日绑定次数中包括的每个日绑定次数下的人数分布;所述目标对象的日平均绑定成功率分布结果,其中,所述日平均绑定成功率分布结果用于指示多个日绑定次数中包括的每个日绑定次数下的平均绑定成功率分布;所述目标对象的日最低绑定成功率分布结果,其中,所述日最低绑定成功率分布结果用于指示多个日绑定次数中包括的每个日绑定次数下的最低绑定成功率分布。
5.根据权利要求4所述的装置,其特征在于,所述确定模块包括:
获取单元,用于获取预先配置的数据分布规律与对象的类型的对应关系;
第一确定单元,用于从所述对应关系中分别确定出与每个所述目标数据分布规律所对应的对象类型;
第二确定单元,用于将与每个所述目标数据分布规律所对应的对象类型确定为每个分组中包括的目标对象的目标类型。
6.根据权利要求4所述的装置,其特征在于,所述分组模块包括:
修正单元,用于在确定所述分析结果所指示的数据分布规律不符合预定规则的情况下,利用所述目标对象在其他时间段内的配网绑定数据对所述数据分布规律进行修正,以得到修正数据分布规律,其中,所述修正数据分布规律符合所述预定规则,所述其他时间段为除所述目标时间段之外的时间段;
分组单元,用于基于所述修正数据分布规律对多个所述目标对象进行分组。
7.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机程序,其中,所述计算机程序被处理器执行时实现所述权利要求1至3任一项中所述的方法的步骤。
8.一种电子装置,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现所述权利要求1至3任一项中所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011608210.0A CN112737848B (zh) | 2020-12-29 | 2020-12-29 | 对象类型的确定方法、装置、存储介质及电子装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011608210.0A CN112737848B (zh) | 2020-12-29 | 2020-12-29 | 对象类型的确定方法、装置、存储介质及电子装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112737848A CN112737848A (zh) | 2021-04-30 |
CN112737848B true CN112737848B (zh) | 2022-10-28 |
Family
ID=75610839
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011608210.0A Active CN112737848B (zh) | 2020-12-29 | 2020-12-29 | 对象类型的确定方法、装置、存储介质及电子装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112737848B (zh) |
Family Cites Families (32)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2470177A1 (en) * | 2003-05-17 | 2004-11-17 | Microsoft Corporation | System and method for controlling user interface properties with data |
US7831918B2 (en) * | 2005-09-12 | 2010-11-09 | Microsoft Corporation | Content based user interface design |
CN1921390B (zh) * | 2006-09-08 | 2011-11-02 | 网之易信息技术(北京)有限公司 | 一种用户身份识别方法及识别系统 |
US20080320453A1 (en) * | 2007-06-21 | 2008-12-25 | Microsoft Corporation | Type inference and late binding |
CN102722573A (zh) * | 2012-06-04 | 2012-10-10 | 北京吉亚互联科技有限公司 | 识别用户来源并推送网页的方法和系统 |
CN103581873A (zh) * | 2012-07-25 | 2014-02-12 | 中国电信股份有限公司 | 智能卡与用户识别模块安全绑定的方法、系统和管理平台 |
CN104932455B (zh) * | 2015-04-27 | 2018-04-13 | 小米科技有限责任公司 | 智能家居系统中智能设备的分组方法和分组装置 |
WO2017133691A1 (zh) * | 2016-02-04 | 2017-08-10 | 腾讯科技(深圳)有限公司 | 智能设备联网方法和装置 |
CN105607508A (zh) * | 2016-03-24 | 2016-05-25 | 重庆邮电大学 | 基于用户行为分析的智能家居设备控制方法及系统 |
CN105912358A (zh) * | 2016-04-01 | 2016-08-31 | 移康智能科技(上海)有限公司 | 智能电子设备及其设置方法 |
CN107506355B (zh) * | 2016-06-14 | 2020-09-29 | 阿里巴巴集团控股有限公司 | 对象分组方法及装置 |
CN108235360B (zh) * | 2016-12-22 | 2021-08-06 | 上海掌门科技有限公司 | 甄别用户的方法及设备 |
CN106878990B (zh) * | 2017-01-16 | 2019-11-08 | 新华三技术有限公司 | 一种信息推送方法及装置 |
CN107656954A (zh) * | 2017-01-19 | 2018-02-02 | 深圳市谷熊网络科技有限公司 | 信息推送方法、推送信息的获取方法及装置 |
CN110083777B (zh) * | 2018-01-26 | 2022-11-25 | 腾讯科技(深圳)有限公司 | 一种社交网络用户分组方法、装置及服务器 |
CN110633390A (zh) * | 2018-05-31 | 2019-12-31 | 北京嘀嘀无限科技发展有限公司 | 获取用户行为路径的方法和装置 |
CN110943875A (zh) * | 2018-09-21 | 2020-03-31 | 武汉安天信息技术有限责任公司 | 用户网络关系确定方法、基于网络的用户相互关系确定方法及相关装置 |
CN109753033A (zh) * | 2018-11-26 | 2019-05-14 | 深圳市赛亿科技开发有限公司 | 一种智能家居设备的控制方法、智能家居系统 |
CN109818839B (zh) * | 2019-02-03 | 2022-02-25 | 三星电子(中国)研发中心 | 应用于智能家居的个性化行为预测方法、装置和系统 |
CN111723349A (zh) * | 2019-03-18 | 2020-09-29 | 顺丰科技有限公司 | 一种用户识别方法、装置、设备及存储介质 |
CN110127475B (zh) * | 2019-03-27 | 2020-12-25 | 浙江新再灵科技股份有限公司 | 一种电梯乘梯人员分类与其乘梯规律分析的方法及系统 |
CN110147821A (zh) * | 2019-04-15 | 2019-08-20 | 中国平安人寿保险股份有限公司 | 目标用户群体确定方法、装置、计算机设备及存储介质 |
CN110276657A (zh) * | 2019-06-10 | 2019-09-24 | 秒针信息技术有限公司 | 目标对象的确定方法、装置、存储介质及电子装置 |
CN110708717A (zh) * | 2019-09-27 | 2020-01-17 | 青岛海尔科技有限公司 | 用于兼容性测试的方法和装置、终端设备及存储介质 |
CN110831116A (zh) * | 2019-11-05 | 2020-02-21 | 珠海格力电器股份有限公司 | 一种家电配网方法、存储介质及终端 |
CN110955849B (zh) * | 2019-11-29 | 2021-01-01 | 拉扎斯网络科技(上海)有限公司 | 对象显示方法、装置、电子设备及计算机可读存储介质 |
CN111523878A (zh) * | 2020-04-30 | 2020-08-11 | 北京三快在线科技有限公司 | 业务处理方法、装置、系统及存储介质 |
CN111860655B (zh) * | 2020-07-23 | 2023-05-30 | 中国联合网络通信集团有限公司 | 用户的处理方法、装置和设备 |
CN115545271A (zh) * | 2020-08-12 | 2022-12-30 | 支付宝(杭州)信息技术有限公司 | 一种用户身份状态预测方法、装置及设备 |
CN112090088A (zh) * | 2020-09-09 | 2020-12-18 | 腾讯科技(深圳)有限公司 | 游戏数据处理方法及相关设备 |
CN112107866A (zh) * | 2020-09-28 | 2020-12-22 | 腾讯科技(深圳)有限公司 | 用户行为数据处理方法、装置、设备及存储介质 |
CN112036666B (zh) * | 2020-09-29 | 2024-03-22 | 中移(杭州)信息技术有限公司 | 绑定流程评估方法、装置、服务器、存储介质 |
-
2020
- 2020-12-29 CN CN202011608210.0A patent/CN112737848B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112737848A (zh) | 2021-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106202117B (zh) | 数据处理方法、装置和服务器 | |
CN110634471B (zh) | 一种语音质检方法、装置、电子设备和存储介质 | |
CN104765751A (zh) | 应用推荐方法及装置 | |
CN110457704B (zh) | 目标字段的确定方法、装置、存储介质及电子装置 | |
CN111476375A (zh) | 一种确定识别模型的方法、装置、电子设备及存储介质 | |
CN101447995A (zh) | 一种识别p2p数据流的方法、装置和系统 | |
CN112737848B (zh) | 对象类型的确定方法、装置、存储介质及电子装置 | |
CN113867966A (zh) | 一种混合云模式的云资源调度方法 | |
CN106131238A (zh) | Ip地址的分类方法及装置 | |
CN110532267A (zh) | 字段的确定方法、装置、存储介质及电子装置 | |
CN112612673B (zh) | 拨测日志的分析方法及装置、存储介质及电子装置 | |
CN110493368B (zh) | 设备标识的匹配方法及装置 | |
CN114266291A (zh) | 聚类集合的确定方法和装置、存储介质及电子装置 | |
CN110781878B (zh) | 目标区域的确定方法及装置、存储介质、电子装置 | |
CN112214675A (zh) | 用户购机的确定方法、装置、设备及计算机存储介质 | |
CN113627730A (zh) | 一种企业评估方法、装置、设备及计算机存储介质 | |
CN113099057A (zh) | 用户提醒方法、装置和计算机可读存储介质 | |
CN113064926B (zh) | 数据筛选方法及装置、存储介质及电子装置 | |
CN111159461B (zh) | 音频文件确定方法和装置、存储介质及电子装置 | |
CN110188116B (zh) | 核对脚本的处理方法及装置、存储介质、电子装置 | |
CN115729885A (zh) | 设备分组方法和装置、存储介质及电子装置 | |
CN110532561A (zh) | 数据检测方法及装置、存储介质、电子装置 | |
CN116206181A (zh) | 数据的处理方法及装置、非易失性存储介质、电子设备 | |
CN112418294A (zh) | 确定帐号类别的方法、装置、存储介质及电子装置 | |
CN117290369A (zh) | 多源数据管理方法及装置 |
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 |