CN112819069A - 一种事件的定级方法及装置 - Google Patents
一种事件的定级方法及装置 Download PDFInfo
- Publication number
- CN112819069A CN112819069A CN202110128231.0A CN202110128231A CN112819069A CN 112819069 A CN112819069 A CN 112819069A CN 202110128231 A CN202110128231 A CN 202110128231A CN 112819069 A CN112819069 A CN 112819069A
- Authority
- CN
- China
- Prior art keywords
- event
- information
- grading
- events
- decision tree
- 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
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000003066 decision tree Methods 0.000 claims abstract description 48
- 238000012549 training Methods 0.000 claims abstract description 37
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 24
- 238000011084 recovery Methods 0.000 claims abstract description 10
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
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
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种事件的定级方法及装置,该方法包括:获得目标事件的定级要素信息;定级要素信息包括信息系统类别信息、业务时段信息、系统恢复能力信息和事件影响信息;根据定级要素信息和预先训练好的决策树模型,对目标事件进行评级;决策树模型采用的算法为分类与回归树算法;决策树模型为根据训练样本训练获得的;训练样本包括事件集合、事件集合中的事件的定级要素信息和事件集合中的事件的实际定级信息。由此可知,本申请提供的方法根据目标事件的定级要素信息和预先训练好的决策树模型对目标事件进行评级,提高了对于事件进行定级的效率。且由于本申请获得的定级结果为通过决策树模型获得定级结果,使得定级结果的客观性和准确性更高。
Description
技术领域
本申请涉及计算机领域,尤其涉及一种事件的定级方法及装置。
背景技术
目前对突发的事件进行定级时,通常采用人工手动地对突发的事件进行定级。但通过这种方式对突发的事件进行定级的耗较时长,需要耗费大量的人力物力。且由于没有固定的定级标准,人工对事件定级的结果可能具有一定的主观性,不够客观和准确。
发明内容
为了解决上述技术问题,本申请提供了一种事件的定级方法及装置,用于对事件进行迅速且客观的定级。
为了实现上述目的,本申请实施例提供的技术方案如下:
本申请实施例提供一种事件的定级方法,其特征在于,所述方法包括:
获得目标事件的定级要素信息;所述定级要素信息包括信息系统类别信息、业务时段信息和事件影响信息;
根据所述定级要素信息和预先训练好的决策树模型,对所述目标事件进行评级;所述决策树模型采用的算法为分类与回归树算法;
所述决策树模型为根据训练样本训练获得的;所述训练样本包括事件集合、所述事件集合中的事件的定级要素信息和所述事件集合中的事件的实际定级信息。
可选地,所述事件影响信息包括:
事件影响程度、事件影响范围和事件影响时长。
可选地,当获得目标事件的定级要素信息后,所述方法还包括:
对所述定级要素信息进行预处理。
可选地,所述方法还包括:
当所述目标事件的等级小于预设等级时,标记所述目标事件并生产所述目标事件的评级报告。
可选地,所述定级要素信息还包括:系统恢复能力信息。
可选地,其特征在于,所述业务时段信息包括:
主要业务时段和非主要业务时段。
本申请实施例还提供了一种事件的定级装置,所述装置包括:
获得模块,用于获得目标事件的定级要素信息;所述定级要素信息包括信息系统类别信息、业务信息和事件影响信息;
评级模块,用于根据所述定级要素信息和预先训练好的决策树模型,对所述目标事件进行评级;所述决策树模型采用的算法为分类与回归树算法;
所述决策树模型为根据训练样本训练获得的;所述训练样本包括事件集合、所述事件集合中的事件的定级要素信息和所述事件集合中的事件的实际定级信息。
可选地,所述事件影响信息包括:
事件影响程度、事件影响范围和事件影响时长。
可选地,所述装置还包括:
标记模块,用于当所述目标事件的等级小于预设等级时,标记所述目标事件并生产所述目标事件的评级报告。
可选地,所述定级要素信息还包括:系统恢复能力信息。
通过上述技术方案可知,本申请具有以下有益效果:
本申请实施例提供了一种事件的定级方法及装置,该方法包括:获得目标事件的定级要素信息;定级要素信息包括信息系统类别信息、业务时段信息、系统恢复能力信息和事件影响信息;根据定级要素信息和预先训练好的决策树模型,对目标事件进行评级;决策树模型采用的算法为分类与回归树算法;决策树模型为根据训练样本训练获得的;训练样本包括事件集合、事件集合中的事件的定级要素信息和事件集合中的事件的实际定级信息。
由此可知,本申请实施例提供的方法根据目标事件的定级要素信息和预先训练好的决策树模型对目标事件进行评级,提高了对于事件进行定级的效率。且由于本申请获得的定级结果为通过决策树模型获得定级结果,使得定级结果的客观性和准确性更高。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是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为本申请实施例提供的一种事件的定级方法流程示意图;
图2为本申请实施例提供的一种事件级别划分图;
图3为本申请实施例提供的一种事件的定级装置结构示意图。
具体实施方式
为了帮助更好地理解本申请实施例提供的方案,在介绍本申请实施例提供的方法之前,先介绍本申请实施例方案的应用的场景。
目前对突发的事件进行定级时,通常采用人工手动地对突发的事件进行定级。但通过这种方式对突发的事件进行定级的耗较时长,需要耗费大量的人力物力。且由于没有固定的定级标准,人工对事件定级的结果可能具有一定的主观性,不够客观和准确。
为了解决上述的技术问题,本申请实施例提供了一种事件的定级方法及装置,该方法包括:获得目标事件的定级要素信息;定级要素信息包括信息系统类别信息、业务时段信息、系统恢复能力信息和事件影响信息;根据定级要素信息和预先训练好的决策树模型,对目标事件进行评级;决策树模型采用的算法为分类与回归树算法;决策树模型为根据训练样本训练获得的;训练样本包括事件集合、事件集合中的事件的定级要素信息和事件集合中的事件的实际定级信息。
由此可知,本申请实施例提供的方法根据目标事件的定级要素信息和预先训练好的决策树模型对目标事件进行评级,提高了对于事件进行定级的效率。且由于本申请获得的定级结果为通过决策树模型获得定级结果,使得定级结果的客观性和准确性更高。
为使本申请的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本申请实施例作进一步详细的说明。
参见图1,该图为本申请实施例提供的一种事件的定级方法流程示意图。如图1所示,本申请实施例提供的事件的定级方法,包括:
S101:获得目标事件的定级要素信息;定级要素信息包括信息系统类别信息、业务时段信息和事件影响信息。
S102:根据定级要素信息和预先训练好的决策树模型,对目标事件进行评级。
需要说明的是,在本申请实施例中,决策树模型采用的算法为分类与回归树算法。该决策树模型为根据训练样本训练获得的;训练样本包括事件集合、事件集合中的事件的定级要素信息和事件集合中的事件的实际定级信息。
需要说明的是,为了提高运算效率,本申请实施例中的决策树模型采用的算法为分类与回归树(Classification and regression tree,CART)算法。可以理解的是,CART算法使用基尼系数代替了信息增益比,生成的决策树模型为二叉树,因此运算效率较高。如此,进一步提升了本申请实施例提供的事件的定级方法的定级效率。下面将对本申请实施例中的步骤S101进行详细的介绍:
在本申请实施例中,作为一种可能的实施方式,为了使得评级的结果更加精准,定级要素信息中的信息系统类别信息,包括:核心系统、重要系统、一般系统和其他系统。需要说明的是,在本申请实施例中一个事件的系统类别为核心系统、重要系统、一般系统和其他系统中的一种。可以理解的是,在本申请实施例中,事件发生在不同的系统中带来的影响是不一样的,因此本申请可以根据事件所发生的系统对该事件进行评级,使得评级的结果更加精准。
在本申请实施例中,作为一种可能的实施方式,为了使得评级的结果更加精准,定级要素信息中的业务时间段,包括:主要业务时间段和非主要业务时间段。可以理解的是,在本申请实施例中,事件发生在不同的业务时间段中带来的影响是不一样的。例如:通讯系统的主要业务时间段可以为上午8点至下午10点,如果在业务时间段内该通讯系统发生了事件将影响在该系统承接的大量业务,但如果在非业务时间段内该通讯系统发生了事件影响的业务将相对减少。因此本申请可以根据事件所发生的业务时间段对该事件进行评级,使得评级的结果更加精准。
在本申请实施例中,作为一种可能的实施方式,为了使得评级的结果更加精准,定级要素信息中可以包括系统恢复能力信息。可以理解的是,在本申请实施例中,不同的系统的恢复能力是不一样的,恢复能力高的系统可以较快地恢复系统中事件发生所造成的影响。因此本申请可以根据事件所发生的系统的回复能力等级对该事件进行评级,使得评级的结果更加精准。
在本申请实施例中,作为一种可能的实施方式,为了使得评级的结果更加精准,事件影响信息可以包括:事件影响程度、事件影响范围和事件影响时长。具体地,本申请实施例中的事件影响程度可以根据事件所造成的损失进行取得,例如:根据事件所造成的损失,事件影响程度可以取0、10%、70%等阈值。本申请实施例中的事件影响范围可以包括事件影响的机构范围。例如:根据事件影响的机构范围,事件影响范围可以为一个一级分行,一个二级分行,多个一级分行等。本申请实施例中的影响时长可以包括事件影响的持续时长,例如:半个小时以内、3个小时以内或6个小时以内。
下面将对本申请实施例中的步骤S102进行详细的介绍:
在本申请实施例中,决策树模型为一种根据损失函数最小化的原则建立决策树事件定级量化计算模型。在分类任务中,CART算法使用基尼系数作为特征选择的依据。本申请实施例在决策树模型中所采用的CART算法思想如下:
输入:训练数据集D,停止计算的条件;
输出:CART决策树;
根据训练数据集,从根结点开始,递归地对每个结点进行如下操作,构建二叉树:
(1)设结点的训练数据集为D,计算现有特征对该数据集的基尼指数。此时,对每一个特征A,对其可能取的每个值a,根据样本点A=a的测试为“是”或“否”将D分割为D1和D2两部分,利用上式Gini(D,A)来计算A=a时的基尼指数。
(2)在所有可能的特征A以及他们所有可能的切分点a中,选择基尼指数最小的特征及其对应可能的切分点作为最优特征与最优切分点。根据最优特征与最优切分点,从现结点生成两个子节点,将训练数据集依特征分配到两个子节点中去。
(3)对两个子结点递归地调用(1)和(2),直至满足条件。
(4)生成CART决策树。
可以理解的是,CART算法停止计算的条件是节点中的样本个数小于预定阈值,或样本集的基尼指数小于预定阈值,或者没有更多特征。决策树是互斥且完备的,每一个实例都有且仅有一条路径覆盖,其本质是从已知的训练数据中学习出一组分类规则,得到的决策树要既与训练数据矛盾较小同时泛化能力又很强,也就是说我们要得到的决策树,不仅对训练数据的分类能力很强,其对未知数据的预测能力也要很强。
在本申请实施例中,为了使本申请中决策树模型的定级精准度更高,本申请实施所提供的方法,在获得目标事件的定级要素信息后,还可以包括:对定级要素信息进行预处理。本申请实施例中的预处理具体包括:选取真实发生的历史事件数据,并增加模拟生成的事件数据样本,模拟生成的事件数据尽可能覆盖了不同的定级要素信息类别,以增加总体数据样本个数,并使类别分布相对均匀。接着将所有事件分为训练集和测试集两部分,比例约为4:1,训练集和测试集互不交叉,保证了模型泛化能力的有效评估。再对训练集和测试集数据进行预处理,提取出每起事件预设特征的特征值,形成每起事件的特征点集,该特征点集中的各特征值按照预定顺序排列,最后按照既定的事件要素量化取值规则,对每起事件的要素和定级结果进行量化,获取每起目标事件的要素信息。
作为一种可能的实施方式,本申请实施例提供的方法还包括:当目标事件的等级小于预设等级时,标记目标事件并生成目标事件的评级报告。参见图2,该图为本申请实施例提供的一种事件级别划分图。如图2所示,本申请实施例提供的事件级别划分图中,事件的评级越低。当事件的等级小于预设等级(图中为六级)时,定义该事件为突发事件,标记该事件并生成该事件的评级报告。当事件的等级未小于预设等级时,定义该事件未构成突发事件。
综上所述,本申请实施例提供的方法根据目标事件的定级要素信息和预先训练好的决策树模型对目标事件进行评级,提高了对事件进行定级的效率。且由于本申请获得的定级结果为通过决策树模型获得定级结果,使得定级结果的客观性和准确性更高。
根据上述实施例提供的事件的定级方法,本申请实施例还提供了一种事件的定级装置。
参见图3,该图为本申请实施例提供的一种事件的定级装置结构示意图。如图3所示,本申请实施例提供的事件的定级装置,包括:
获得模块100,用于获得目标事件的定级要素信息;定级要素信息包括信息系统类别信息、业务时段信息和事件影响信息;
评级模块200,用于根据定级要素信息和预先训练好的决策树模型,对目标事件进行评级;决策树模型采用的算法为分类与回归树算法;决策树模型为根据训练样本训练获得的;训练样本包括事件集合、事件集合中的事件的定级要素信息和事件集合中的事件的实际定级信息。
作为一种可能的实施方式,本申请实施例的事件影响信息包括:事件影响程度、事件影响范围和事件影响时长。作为一种可能的实施方式,所述装置还包括:预处理模块,用于对定级要素信息进行预处理。作为一种可能的实施方式,装置还包括:标记模块,用于当目标事件的等级大于预设等级时,标记目标事件并生产目标事件的评级报告。作为一种可能的实施方式,业务时段信息包括:主要业务时段和非主要业务时段。作为一种可能的实施方式,定级要素信息还可以包括:系统恢复能力信息。
综上所述,本申请实施例提供的装置根据目标事件的定级要素信息和预先训练好的决策树模型对目标事件进行评级,提高了对事件进行定级的效率。且由于本申请获得的定级结果为通过决策树模型获得定级结果,使得定级结果的客观性和准确性更高。
通过以上的实施方式的描述可知,本领域的技术人员可以清楚地了解到上述实施例方法中的全部或部分步骤可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,本申请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,该计算机软件产品可以存储在存储介质中,如ROM/RAM、磁碟、光盘等,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,服务器,或者诸如媒体网关等网络通信设备,等等)执行本申请各个实施例或者实施例的某些部分所述的方法。
需要说明的是,本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的方法而言,由于其与实施例公开的系统相对应,所以描述的比较简单,相关之处参见系统部分说明即可。
还需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种事件的定级方法,其特征在于,所述方法包括:
获得目标事件的定级要素信息;所述定级要素信息包括信息系统类别信息、业务时段信息和事件影响信息;
根据所述定级要素信息和预先训练好的决策树模型,对所述目标事件进行评级;所述决策树模型采用的算法为分类与回归树算法;
所述决策树模型为根据训练样本训练获得的;所述训练样本包括事件集合、所述事件集合中的事件的定级要素信息和所述事件集合中的事件的实际定级信息。
2.根据权利要求1所述的方法,其特征在于,所述事件影响信息包括:
事件影响程度、事件影响范围和事件影响时长。
3.根据权利要求1所述的方法,其特征在于,当获得目标事件的定级要素信息后,所述方法还包括:
对所述定级要素信息进行预处理。
4.根据权利要求1所述的方法,其特征在于,所述方法还包括:
当所述目标事件的等级小于预设等级时,标记所述目标事件并生产所述目标事件的评级报告。
5.根据权利要求1所述的方法,其特征在于,所述定级要素信息还包括:系统恢复能力信息。
6.根据权利要求1至5任一项所述的方法,其特征在于,所述业务时段信息包括:
主要业务时段和非主要业务时段。
7.一种事件的定级装置,其特征在于,所述装置包括:
获得模块,用于获得目标事件的定级要素信息;所述定级要素信息包括信息系统类别信息、业务信息和事件影响信息;
评级模块,用于根据所述定级要素信息和预先训练好的决策树模型,对所述目标事件进行评级;所述决策树模型采用的算法为分类与回归树算法;
所述决策树模型为根据训练样本训练获得的;所述训练样本包括事件集合、所述事件集合中的事件的定级要素信息和所述事件集合中的事件的实际定级信息。
8.根据权利要求7所述的装置,其特征在于,所述事件影响信息包括:
事件影响程度、事件影响范围和事件影响时长。
9.根据权利要求7所述的装置,其特征在于,所述装置还包括:
标记模块,用于当所述目标事件的等级小于预设等级时,标记所述目标事件并生产所述目标事件的评级报告。
10.根据权利要求7所述的装置,其特征在于,所述定级要素信息还包括:系统恢复能力信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110128231.0A CN112819069B (zh) | 2021-01-29 | 一种事件的定级方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110128231.0A CN112819069B (zh) | 2021-01-29 | 一种事件的定级方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112819069A true CN112819069A (zh) | 2021-05-18 |
CN112819069B CN112819069B (zh) | 2024-08-02 |
Family
ID=
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114090393A (zh) * | 2022-01-14 | 2022-02-25 | 云智慧(北京)科技有限公司 | 一种告警级别的确定方法、装置及设备 |
CN114595997A (zh) * | 2022-03-21 | 2022-06-07 | 联想(北京)有限公司 | 一种数据处理方法、装置及电子设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107977670A (zh) * | 2017-10-09 | 2018-05-01 | 中国电子科技集团公司第二十八研究所 | 决策树和贝叶斯算法的突发事件分类分级方法、装置及系统 |
CN109711424A (zh) * | 2018-11-12 | 2019-05-03 | 平安科技(深圳)有限公司 | 一种基于决策树的行为规则获取方法、装置及设备 |
CN111242191A (zh) * | 2020-01-06 | 2020-06-05 | 中国建设银行股份有限公司 | 基于多分类器集成的信用评级方法及装置 |
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107977670A (zh) * | 2017-10-09 | 2018-05-01 | 中国电子科技集团公司第二十八研究所 | 决策树和贝叶斯算法的突发事件分类分级方法、装置及系统 |
CN109711424A (zh) * | 2018-11-12 | 2019-05-03 | 平安科技(深圳)有限公司 | 一种基于决策树的行为规则获取方法、装置及设备 |
CN111242191A (zh) * | 2020-01-06 | 2020-06-05 | 中国建设银行股份有限公司 | 基于多分类器集成的信用评级方法及装置 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114090393A (zh) * | 2022-01-14 | 2022-02-25 | 云智慧(北京)科技有限公司 | 一种告警级别的确定方法、装置及设备 |
CN114595997A (zh) * | 2022-03-21 | 2022-06-07 | 联想(北京)有限公司 | 一种数据处理方法、装置及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112910690A (zh) | 基于神经网络模型的网络流量预测方法、装置及设备 | |
CN110647456B (zh) | 一种存储设备的故障预测方法、系统及相关装置 | |
CN105471647B (zh) | 一种电力通信网故障定位方法 | |
CN113408138A (zh) | 一种基于二次融合的锂电池soh估计方法和系统 | |
CN114548118A (zh) | 一种服务对话检测方法及系统 | |
CN113300373B (zh) | 一种基于prmse评价指标的稳定裕度值预测方法及装置 | |
CN114090393A (zh) | 一种告警级别的确定方法、装置及设备 | |
CN113891342B (zh) | 基站巡检方法、装置、电子设备及存储介质 | |
KR101725629B1 (ko) | 오차 크기를 고려하는 적합도 함수를 이용한 유전 프로그래밍 기반의 교통량 예측 시스템 및 방법 | |
CN112231299A (zh) | 一种特征库动态调整的方法和装置 | |
CN112819069B (zh) | 一种事件的定级方法及装置 | |
CN112819069A (zh) | 一种事件的定级方法及装置 | |
CN116522912A (zh) | 一种包装设计语言模型的训练方法、装置、介质及设备 | |
CN112650931B (zh) | 一种内容推荐方法 | |
CN110955760A (zh) | 判决结果的评价方法和相关装置 | |
CN116228011A (zh) | 一种应用于多端柔性直流电网的运行效能评估方法及装置 | |
CN113571198B (zh) | 转化率预测方法、装置、设备及存储介质 | |
CN113850483A (zh) | 一种企业信用风险评级系统 | |
CN112307209A (zh) | 一种基于字符向量的短文本分类方法及系统 | |
Zhang et al. | Workload forecasting with hybrid stochastic configuration networks in clouds | |
CN115563555B (zh) | 一种数据驱动的互联网卡用户价值分类方法、设备及介质 | |
CN117896363B (zh) | 一种基于云服务的软件管理系统及方法 | |
CN111428118B (zh) | 一种检测事件可靠性的方法及电子设备 | |
Khalid et al. | Identifying State-Specific Customer Churn Patterns using DM Techniques | |
CN114626722A (zh) | 客户风险等级的确定方法及装置、存储介质及电子设备 |
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 |