CN112861895A - 一种异常物品的检测方法和装置 - Google Patents
一种异常物品的检测方法和装置 Download PDFInfo
- Publication number
- CN112861895A CN112861895A CN201911184216.7A CN201911184216A CN112861895A CN 112861895 A CN112861895 A CN 112861895A CN 201911184216 A CN201911184216 A CN 201911184216A CN 112861895 A CN112861895 A CN 112861895A
- Authority
- CN
- China
- Prior art keywords
- articles
- abnormal
- information
- article
- category
- 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
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 152
- 238000001514 detection method Methods 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 claims abstract description 51
- 238000013145 classification model Methods 0.000 claims abstract description 32
- 238000012216 screening Methods 0.000 claims abstract description 14
- 230000005856 abnormality Effects 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 19
- 238000003860 storage Methods 0.000 claims description 16
- 238000012423 maintenance Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 12
- 230000002547 anomalous effect Effects 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 8
- 239000013598 vector Substances 0.000 claims description 7
- 238000003064 k means clustering Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 description 18
- 238000010586 diagram Methods 0.000 description 14
- 230000008569 process Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 4
- 238000009826 distribution Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000006467 substitution reaction 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
-
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Probability & Statistics with Applications (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种异常物品检测方法和装置，涉及仓储物流领域。该方法的一具体实施方式包括：获取在库物品的名称信息、类别信息、物流属性信息；根据所述在库物品名称信息和所述在库物品类别信息，基于预设的文本分类模型对所述在库物品进行分类判断，将满足预设异常条件的在库物品确定为第一异常物品；将所述在库物品中去除第一异常物品之后剩余的物品作为待检测物品；利用预设的异常检测算法，根据所述待检测物品类别信息和所述待检测物品物流属性信息，从所述待检测物品中筛选出第二异常物品。该实施方式能够根据物品的多种数据信息进行主动异常检测，并且能够适应于多种样本情况，使检测结果准确。
Description
技术领域
本发明涉及仓储物流领域，尤其涉及一种异常物品的检测方法和装置。
背景技术
在仓储物流领域中，物流计费是基于运单的重量体积进行计算的，而运单的重量体积是包括物品和耗材的重量体积，所以物品重量体积的正确性对于计费有着重要的影响。目前对于物品重量、体积进行异常监测的方法主要有以下方式：(1)利用经验或历史数据统计的方法，基于一定阈值对入库时的物品进行监测；(2)基于统计的方法，找出离群值；(3)根据不同系统之间的对比校验进行异常提示。
在实现本发明过程中，发明人发现现有技术中至少存在如下问题：
对于(1)制定阈值的方法，若同一品类包含的物品重量体积差异过大，不能设置合理阈值；且该方法不能对微弱的异常变化进行监测；该检测方式不能适应于多种样本情况，且不够准确；
对于(2)统计学习的方法，对样本数据要求较高，需要样本符合一定的分布；且容易将某些样本量少、但重量体积比较极端的物品作为异常物品检测出来；该检测方式不能适应于多种样本情况，且不够准确、容易产生错报；
对于(3)根据不同系统对比的方法，该方法属于事后行为，不能主动发掘异常，且造成不一致的原因也可能是由于系统之间数据流的传输或存储问题；该检测方式不够及时且不够准确。
发明内容
有鉴于此，本发明实施例提供一种异常物品的检测方法，能够根据物品的多种数据信息进行主动异常检测，并且能够适应于多种样本情况，检测结果较准确。
为实现上述目的，根据本发明实施例的一个方面，提供了一种异常物品的检测方法，包括：
获取在库物品的名称信息、类别信息、物流属性信息；
根据所述在库物品名称信息和所述在库物品类别信息，基于预设的文本分类模型对所述在库物品进行分类判断，将满足预设异常条件的在库物品确定为第一异常物品；
将所述在库物品中去除第一异常物品之后剩余的物品作为待检测物品；利用预设的异常检测算法，根据所述待检测物品类别信息和所述待检测物品物流属性信息，从所述待检测物品中筛选出第二异常物品。
可选地，所述名称信息包括：中文名称、库存单位标识；
所述类别信息包括：至少一个级别的类别编号以及类别名称；
所述物流属性信息包括：重量、最大边长、次大边长、最小边长。
可选地，在对所述在库物品进行分类判断之前，还包括：
将所述在库物品名称信息中包含预设字符的在库物品，和/或
将所述在库物品名称长度小于长度阈值的在库物品，和/或
将所述在库物品物流属性信息不满足重量体积预设条件的在库物品，确定为第三异常物品；将第三异常物品从所述在库物品中去除。
可选地，根据所述在库物品名称信息和所述在库物品类别信息，基于预设的文本分类模型对所述在库物品进行分类判断，将满足预设异常条件的在库物品确定为第一异常物品，包括：
根据预设的停用词信息和维护词信息，对所述在库物品中文名称进行词向量化处理；
将所述在库物品中一部分物品的名称信息和类别信息作为训练集、将所述在库物品中余下部分物品的名称信息和类别信息作为验证集，以处理后得到的在库物品词向量作为输入、以在库物品类别信息作为输出，训练预设的文本分类模型；
确定所述在库物品在基于训练好的文本分类模型进行分类之后，落入各类别的概率值；
将所述落入各类别的概率值均小于预设概率阈值的在库物品确定为第一异常物品。
可选地，利用预设的异常检测算法，根据所述待检测物品类别信息和所述待检测物品物流属性信息，从所述待检测物品中筛选出第二异常物品，包括：
确定最末级别的类别对应的待检测物品的类别中数量值；
当所述类别中数量值小于预设阈值，将该类别对应的待检测物品确定为待重测物品；对所述待重测物品再次检测，从中确定出第二异常物品；
当所述类别中数量值不小于预设阈值，基于该类别对应的待检测物品物流属性信息，利用孤立森林算法确定出满足预设参数条件的待检测物品，作为第二异常物品。
可选地，所述预设参数条件包括：异常率不大于预设异常率，且使得被判定为第二异常物品的异常分数值不小于预设异常分数值；所述异常分数值由孤立森林算法中的异常值函数确定。
可选地，当所述类别中数量值不小于预设阈值，根据所述待检测物品类别信息和所述待检测物品物流属性信息，从所述待检测物品中筛选出第二异常物品，还包括：
利用k均值聚类算法，将所述类别对应的待检测物品分为k个簇；
在各个簇中，基于簇中待检测物品物流属性信息，利用多元高斯模型算法，确定出第二异常物品。
根据本发明实施例的再一个方面，提供了一种异常物品的检测装置，包括：
获取模块，用于获取在库物品的名称信息、类别信息、物流属性信息；
第一异常确定模块，用于根据所述在库物品名称信息和所述在库物品类别信息，基于预设的文本分类模型对所述在库物品进行分类判断，将满足预设异常条件的在库物品确定为第一异常物品；
第二异常确定模块，用于将所述在库物品中去除第一异常物品之后剩余的物品作为待检测物品；利用预设的异常检测算法，根据所述待检测物品类别信息和所述待检测物品物流属性信息，从所述待检测物品中筛选出第二异常物品。
可选地，所述名称信息包括：中文名称、库存单位标识；
所述类别信息包括：至少一个级别的类别编号以及类别名称；
所述物流属性信息包括：重量、最大边长、次大边长、最小边长。
可选地，所述第一异常确定模块在对所述在库物品进行分类判断之前，还包括：
将所述在库物品名称信息中包含预设字符的在库物品，和/或
将所述在库物品名称长度小于长度阈值的在库物品，和/或
将所述在库物品物流属性信息不满足重量体积预设条件的在库物品，确定为第三异常物品；将第三异常物品从所述在库物品中去除。
可选地，所述第一异常确定模块根据所述在库物品名称信息和所述在库物品类别信息，基于预设的文本分类模型对所述在库物品进行分类判断，将满足预设异常条件的在库物品确定为第一异常物品，包括：
根据预设的停用词信息和维护词信息，对所述在库物品中文名称进行词向量化处理；
将所述在库物品中一部分物品的名称信息和类别信息作为训练集、将所述在库物品中余下部分物品的名称信息和类别信息作为验证集，以处理后得到的在库物品词向量作为输入、以在库物品类别信息作为输出，训练预设的文本分类模型；
确定所述在库物品在基于训练好的文本分类模型进行分类之后，落入各类别的概率值；
将所述落入各类别的概率值均小于预设概率阈值的在库物品确定为第一异常物品。
可选地，所述第二异常确定模块利用预设的异常检测算法，根据所述待检测物品类别信息和所述待检测物品物流属性信息，从所述待检测物品中筛选出第二异常物品，包括：
确定最末级别的类别对应的待检测物品的类别中数量值；
当所述类别中数量值小于预设阈值，将该类别对应的待检测物品确定为待重测物品；对所述待重测物品再次检测，从中确定出第二异常物品；
当所述类别中数量值不小于预设阈值，基于该类别对应的待检测物品物流属性信息，利用孤立森林算法确定出满足预设参数条件的待检测物品，作为第二异常物品。
可选地，所述预设参数条件包括：异常率不大于预设异常率，且使得被判定为第二异常物品的异常分数值不小于预设异常分数值；所述异常分数值由孤立森林算法中的异常值函数确定。
可选地，当所述类别中数量值不小于预设阈值，所述第二异常确定模块根据所述待检测物品类别信息和所述待检测物品物流属性信息，从所述待检测物品中筛选出第二异常物品，还包括：
利用k均值聚类算法，将所述类别对应的待检测物品分为k个簇；
在各个簇中，基于簇中待检测物品物流属性信息，利用多元高斯模型算法，确定出第二异常物品。
根据本发明实施例的另一个方面，提供了一种异常物品的检测电子设备，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明提供的异常物品的检测方法。
根据本发明实施例的还一个方面，提供了一种计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现本发明提供的异常物品的检测方法。
上述发明中的一个实施例具有如下优点或有益效果：因为采用先根据在库物品名称信息和在库物品类别信息、利用文本分类模型对在库物品进行分类判断、将满足预设异常条件的在库物品确定为第一异常物品，再在剩余的在库物品中利用预设的异常检测算法、根据物品类别信息和物品物流属性信息，从剩余的在库物品中筛选出第二异常物品的技术手段，所以克服了现有技术中检测方式不能适应于多种样本情况、且不够准确、不够及时甚至出错的技术问题，进而达到能适应于多种样本情况，且检测结果准确及时的技术效果。
上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
附图用于更好地理解本发明，不构成对本发明的不当限定。其中：
图1是根据本发明实施例的一种异常物品的检测方法的主要流程的示意图；
图2是本发明一具体实施例中的异常物品检测方法中物品类别信息示意图；
图3是本发明一具体实施例中的异常物品检测的执行过程流程图；
图4是根据本发明实施例的一种异常物品的检测装置的主要模块的示意图；
图5是本发明实施例可以应用于其中的示例性系统架构图；
图6是适于用来实现本发明实施例的终端设备或服务器的计算机系统的结构示意图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明，其中包括本发明实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本发明的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
图1是根据本发明实施例的一种异常物品的检测方法的主要流程的示意图，如图1所示，包括：
步骤S101、获取在库物品的名称信息、类别信息、物流属性信息；
步骤S102、根据所述在库物品名称信息和所述在库物品类别信息，基于预设的文本分类模型对所述在库物品进行分类判断，将满足预设异常条件的在库物品确定为第一异常物品；
步骤S103、将所述在库物品中去除第一异常物品之后剩余的物品作为待检测物品；利用预设的异常检测算法，根据所述待检测物品类别信息和所述待检测物品物流属性信息，从所述待检测物品中筛选出第二异常物品。
所述在库物品可以是已在仓储系统中登记过的、可以查询到信息的物品；在获取在库物品各种信息的过程中，可以从多个相关系统中获取数据，以使数据更全面、更准确；例如，可以从仓储系统、订单管理系统、配运系统、物品信息采集系统等系统中获取信息；
在一些实际情况中，在库物品的物品信息来源可以分为可靠信息来源和不可靠信息来源，对于来自不可靠信息来源的物品，在入库登记时可以忽略初始物品信息，重新进行测量登记。
本发明采用先根据在库物品名称信息和在库物品类别信息、利用文本分类模型对在库物品进行分类判断、将满足预设异常条件的在库物品确定为第一异常物品，再在剩余的在库物品中利用预设的异常检测算法、根据物品类别信息和物品物流属性信息，从剩余的在库物品中筛选出第二异常物品的技术手段，将多种物品信息结合使用，克服了现有技术中检测方式不能适应于多种样本情况、且不够准确、不够及时甚至出错的问题，进而能够适应于多种样本情况，且检测结果更准确及时。
在一些实施例中，所述名称信息包括：中文名称、库存单位标识；
所述类别信息包括：至少一个级别的类别编号以及类别名称；
所述物流属性信息包括：重量、最大边长、次大边长、最小边长。
所述物品的名称信息可以包括其中文名称和库存单位标识(SKU标识)；
所述物品的类别信息可以包括至少一个级别的类别编号以及类别名称，例如，可以包括一级类别编号和一级类别名称，；也可以包括一级类别编号、一级类别名称、二级类别编号、二级类别名称、三级类别编号、三级类别名称，其中，二级类别为一级类别的子类别，三级类别为二级类别的子类别；
所述物品的物流属性信息可以包括：重量、最大边长、次大边长、最小边长；物品的最大边长、次大边长、最小边长可以分别理解为物品的长、宽、高信息。
以上这些物品信息可以是在物品入库的时候进行测量登记的。
图2是本发明一具体实施例中的异常物品检测方法中物品类别信息示意图，如图2所示，包括：
物品名称201对应着三个级别的分类，分别为一级类别202、二级类别203、三级类别204；
具体地，一级类别202中有一级类别1、一级类别2、一级类别3；
二级类别203中有二级类别1.1、二级类别1.2、二级类别2.1、二级类别3.1、二级类别3.2；其中二级类别1.1、二级类别1.2是一级类别1的子类别；
三级类别204中有三级类别1.1.1、三级类别1.1.2、三级类别1.2.1等，类似地，三级类别1.1.1、三级类别1.1.2是二级类别1.1的子类别。
在一些实施例中，在对所述在库物品进行分类判断之前，还包括：
将所述在库物品名称信息中包含预设字符的在库物品，和/或
将所述在库物品名称长度小于长度阈值的在库物品，和/或
将所述在库物品物流属性信息不满足重量体积预设条件的在库物品，确定为第三异常物品；将第三异常物品从所述在库物品中去除。
上述步骤可以看作是对物品信息的一次数据清洗过程；在仓储工作的日常生产中，由于商家或人为维护造成了一些物品信息数据异常，例如数据缺失、数值异常等问题，进而产生了脏数据，这是很常见且难以避免的；基于此，该步骤可以去除这些脏数据，使得后续步骤中用到的物品信息更加可靠、有效；
举例说明，如对于最长边小于120cm的物品，可以认为其重量应小于50kg，密度在10-1500kg/m3之间；又如，物品的物流属性信息中长、宽、高、重量这些数值中不应该有0数据；再如，对于物品名称的描述，若其物品名称中含有“测试商品”或者名称长度小于5个字，可以认为是名称异常。
在一些实施例中，根据所述在库物品名称信息和所述在库物品类别信息，基于预设的文本分类模型对所述在库物品进行分类判断，将满足预设异常条件的在库物品确定为第一异常物品，包括：
根据预设的停用词信息和维护词信息，对所述在库物品中文名称进行词向量化处理；
将所述在库物品中一部分物品的名称信息和类别信息作为训练集、将所述在库物品中余下部分物品的名称信息和类别信息作为验证集，以处理后得到的在库物品词向量作为输入、以在库物品类别信息作为输出，训练预设的文本分类模型；
可以利用归一化指数函数(softmax函数)或二分类函数(sigmoid函数)确定所述在库物品在基于训练好的文本分类模型进行分类之后，落入各类别的概率值；
将所述落入各类别的概率值均小于预设概率阈值的在库物品确定为第一异常物品。
上述筛选异常物品的过程中结合使用了物品的名称信息和类别信息，并且使用了数据中的一部分为训练集、另一部分为验证集，使训练出的模型更加准确，进而使本步骤中的方法结果更加准确；
具体地，本步骤中可以先根据预设的停用词信息和维护词信息，对在库物品中文名称进行词向量化处理，在一些实际情况中，可以使用较为成熟的word2vec技术将物品的中文名称转化为词向量；其中，所述停用词，可以是指在信息检索中，为节省存储空间和提高搜索效率，在处理自然语言数据(或文本)之前或之后可以自动过滤掉的某些字或词，如“一般”、“的”、“啦”等；所述维护词可以是在信息检索中作为一个整体不可在拆分的某些字或词，如“电视”和“电视机顶盒”即为两个不同的维护词；
在一些实际情况中，文本分类模型可以采用Text-CNN模型；
所述预设概率阈值是可以根据实际情况进行调整的，如可以设置为0.85，或0.8，或0.7等数值；以设置为0.85举例，即对应于经过文本分类模型处理后的分类结果，进行softmax生成结果，对于落入各类别的概率值均小于0.85的物品，可以看作是第一异常物品；其中，“各类别”可以是物品的类别信息中出现过的每一个类别；以图2所示的物品类别信息示意图为例，若某物品落入图2中每一个类别的概率均小于0.85，那么可以将该物品认为是第一异常物品。
在一些实施例中，利用预设的异常检测算法，根据所述待检测物品类别信息和所述待检测物品物流属性信息，从所述待检测物品中筛选出第二异常物品，包括：
确定最末级别的类别对应的待检测物品的类别中数量值；
当所述类别中数量值小于预设阈值，将该类别对应的待检测物品确定为待重测物品；对所述待重测物品再次检测，从中确定出第二异常物品；
当所述类别中数量值不小于预设阈值，基于该类别对应的待检测物品物流属性信息，利用孤立森林算法确定出满足预设参数条件的待检测物品，作为第二异常物品。
以图2所示的物品类别信息示意图为例，若物品的类别存在三级分类，则可以只根据最末级别，即根据图2中的各个三级类别确定类别中数量值；
所述预设阈值是可以根据实际情况进行调整的，如可以设置为16；
所述对所述待重测物品再次检测，可以是由人为方法查看该物品是否为异常物品，也可以是由其它检测方法进行二次判断。
在一些实施例中，所述预设参数条件包括：异常率不大于预设异常率，且使得被判定为第二异常物品的异常分数值不小于预设异常分数值；所述异常分数值由孤立森林算法中的异常值函数确定。
所述预设异常率和预设异常分数值是可以根据实际情况进行调整的，如预设异常率可以设置为5％，预设异常分数值可以设置为0.7。
在一些实施例中，当所述类别中数量值不小于预设阈值，根据所述待检测物品类别信息和所述待检测物品物流属性信息，从所述待检测物品中筛选出第二异常物品，还包括：
利用k均值聚类算法，将所述类别对应的待检测物品分为k个簇；
在各个簇中，基于簇中待检测物品物流属性信息，利用多元高斯模型算法，确定出第二异常物品。
对于微弱的异常变化，上述方法可以将微弱的异常变化识别出来，进行小数据量级的检测识别。
图3是本发明一具体实施例中的异常物品检测的执行过程流程图，该具体实施例中的物品类别信息为图2所示；其中，图中的外部商家可以认为是不可靠信息来源的商家；
如图3所示，包括：
步骤S301、对于外部商家，可以基于物品名称、物流属性信息判断其是否异常，将异常的物品确定为第三异常物品；若否，
步骤S302、将外部商家的非第三异常物品的物品，与内部商家的物品，共同进行类别分类判断；
步骤S303、基于文本分类模型进行分类判断，是否满足异常条件；将满足异常条件的物品确定为第一异常物品；若否，
步骤S304、判断三级品类下的物品个数是否小于预设阈值；将三级品类下的物品个数小于预设阈值的物品确定为待重测物品；若否，
步骤S305、利用预设的异常检测算法进行检测。
图4是根据本发明实施例的一种异常物品的检测装置的主要模块的示意图，如图4所示，异常物品的检测装置400包括：
获取模块401，用于获取在库物品的名称信息、类别信息、物流属性信息；
第一异常确定模块402，用于根据所述在库物品名称信息和所述在库物品类别信息，基于预设的文本分类模型对所述在库物品进行分类判断，将满足预设异常条件的在库物品确定为第一异常物品；
第二异常确定模块403，用于将所述在库物品中去除第一异常物品之后剩余的物品作为待检测物品；利用预设的异常检测算法，根据所述待检测物品类别信息和所述待检测物品物流属性信息，从所述待检测物品中筛选出第二异常物品。
所述在库物品可以是已在仓储系统中登记过的、可以查询到信息的物品；在获取在库物品各种信息的过程中，可以从多个相关系统中获取数据，以使数据更全面、更准确；例如，可以从仓储系统、订单管理系统、配运系统、物品信息采集系统等系统中获取信息；
在一些实际情况中，在库物品的物品信息来源可以分为可靠信息来源和不可靠信息来源，对于来自不可靠信息来源的物品，在入库登记时可以忽略初始物品信息，重新进行测量登记。
本发明采用先根据在库物品名称信息和在库物品类别信息、利用文本分类模型对在库物品进行分类判断、将满足预设异常条件的在库物品确定为第一异常物品，再在剩余的在库物品中利用预设的异常检测算法、根据物品类别信息和物品物流属性信息，从剩余的在库物品中筛选出第二异常物品的技术手段，将多种物品信息结合使用，克服了现有技术中检测方式不能适应于多种样本情况、且不够准确、不够及时甚至出错的问题，进而能够适应于多种样本情况，且检测结果更准确及时。
在一些实施例中，所述名称信息包括：中文名称、库存单位标识；
所述类别信息包括：至少一个级别的类别编号以及类别名称；
所述物流属性信息包括：重量、最大边长、次大边长、最小边长。
所述物品的名称信息可以包括其中文名称和库存单位标识(SKU标识)；
所述物品的类别信息可以包括至少一个级别的类别编号以及类别名称，例如，可以包括一级类别编号和一级类别名称，；也可以包括一级类别编号、一级类别名称、二级类别编号、二级类别名称、三级类别编号、三级类别名称，其中，二级类别为一级类别的子类别，三级类别为二级类别的子类别；
所述物品的物流属性信息可以包括：重量、最大边长、次大边长、最小边长；物品的最大边长、次大边长、最小边长可以分别理解为物品的长、宽、高信息。
以上这些物品信息可以是在物品入库的时候进行测量登记的。
在一些实施例中，所述第一异常确定模块402在对所述在库物品进行分类判断之前，还包括：
将所述在库物品名称信息中包含预设字符的在库物品，和/或
将所述在库物品名称长度小于长度阈值的在库物品，和/或
将所述在库物品物流属性信息不满足重量体积预设条件的在库物品，确定为第三异常物品；将第三异常物品从所述在库物品中去除。
上述步骤可以看作是对物品信息的一次数据清洗过程；在仓储工作的日常生产中，由于商家或人为维护造成了一些物品信息数据异常，例如数据缺失、数值异常等问题，进而产生了脏数据，这是很常见且难以避免的；基于此，该步骤可以去除这些脏数据，使得后续步骤中用到的物品信息更加准确、有效；
举例说明，如对于最长边小于120cm的物品，可以认为其重量应小于50kg，密度在10-1500kg/m3之间；又如，物品的物流属性信息中长、宽、高、重量这些数值中不应该有0数据；再如，对于物品名称的描述，若其物品名称中含有“测试商品”或者名称长度小于5个字，可以认为是名称异常。
在一些实施例中，所述第一异常确定模块402根据所述在库物品名称信息和所述在库物品类别信息，基于预设的文本分类模型对所述在库物品进行分类判断，将满足预设异常条件的在库物品确定为第一异常物品，包括：
根据预设的停用词信息和维护词信息，对所述在库物品中文名称进行词向量化处理；
将所述在库物品中一部分物品的名称信息和类别信息作为训练集、将所述在库物品中余下部分物品的名称信息和类别信息作为验证集，以处理后得到的在库物品词向量作为输入、以在库物品类别信息作为输出，训练预设的文本分类模型；
可以利用归一化指数函数(softmax函数)或二分类函数(sigmoid函数)确定所述在库物品在基于训练好的文本分类模型进行分类之后，落入各类别的概率值；
将所述落入各类别的概率值均小于预设概率阈值的在库物品确定为第一异常物品。
上述筛选异常物品的过程中结合使用了物品的名称信息和类别信息，并且使用了数据中的一部分为训练集、另一部分为验证集，使训练出的模型更加准确，进而使本步骤中的方法结果更加准确；
具体地，本步骤中可以先根据预设的停用词信息和维护词信息，对在库物品中文名称进行词向量化处理，在一些实际情况中，可以使用较为成熟的word2vec技术将物品的中文名称转化为词向量；其中，所述停用词，可以是指在信息检索中，为节省存储空间和提高搜索效率，在处理自然语言数据(或文本)之前或之后可以自动过滤掉的某些字或词，如“一般”、“的”、“啦”等；所述维护词可以是在信息检索中作为一个整体不可在拆分的某些字或词，如“电视”和“电视机顶盒”即为两个不同的维护词；
在一些实际情况中，文本分类模型可以采用Text-CNN模型；
所述预设概率阈值是可以根据实际情况进行调整的，如可以设置为0.85，或0.8，或0.7等数值；以设置为0.85举例，即对应于经过文本分类模型处理后的分类结果，进行softmax生成结果，对于落入各类别的概率值均小于0.85的物品，可以看作是第一异常物品；其中，“各类别”可以是物品的类别信息中出现过的每一个类别。
在一些实施例中，所述第二异常确定模块403利用预设的异常检测算法，根据所述待检测物品类别信息和所述待检测物品物流属性信息，从所述待检测物品中筛选出第二异常物品，包括：
确定最末级别的类别对应的待检测物品的类别中数量值；
当所述类别中数量值小于预设阈值，将该类别对应的待检测物品确定为待重测物品；对所述待重测物品再次检测，从中确定出第二异常物品；
当所述类别中数量值不小于预设阈值，基于该类别对应的待检测物品物流属性信息，利用孤立森林算法确定出满足预设参数条件的待检测物品，作为第二异常物品。
以图2所示的物品类别信息示意图为例，若物品的类别存在三级分类，则可以只根据最末级别，即根据图2中的各个三级类别确定类别中数量值；
所述预设阈值是可以根据实际情况进行调整的，如可以设置为16；
所述对所述待重测物品再次检测，可以是由人为方法查看该物品是否为异常物品，也可以是由其它检测方法进行二次判断。
在一些实施例中，所述预设参数条件包括：异常率不大于预设异常率，且使得被判定为第二异常物品的异常分数值不小于预设异常分数值；所述异常分数值由孤立森林算法中的异常值函数确定。
所述预设异常率和预设异常分数值是可以根据实际情况进行调整的，如预设异常率可以设置为5％，预设异常分数值可以设置为0.7。
在一些实施例中，当所述类别中数量值不小于预设阈值，所述第二异常确定模块403根据所述待检测物品类别信息和所述待检测物品物流属性信息，从所述待检测物品中筛选出第二异常物品，还包括：
利用k均值聚类算法，将所述类别对应的待检测物品分为k个簇；
在各个簇中，基于簇中待检测物品物流属性信息，利用多元高斯模型算法，确定出第二异常物品。
对于微弱的异常变化，上述方法可以将微弱的异常变化识别出来，进行小数据量级的检测识别。
图5示出了可以应用本发明实施例的异常物品的检测方法或异常物品的检测装置的示例性系统架构500。
如图5所示，系统架构500可以包括终端设备501、502、503，网络504和服务器505。网络504用以在终端设备501、502、503和服务器505之间提供通信链路的介质。网络504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501、502、503通过网络504与服务器505交互，以接收或发送消息等。终端设备501、502、503上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、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501、502、503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、膝上型便携计算机和台式计算机等等。
服务器505可以是提供各种服务的服务器，例如对用户利用终端设备501、502、503所浏览的购物类网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的产品信息查询请求等数据进行分析等处理，并将处理结果(例如目标推送信息、产品信息--仅为示例)反馈给终端设备。
需要说明的是，本发明实施例所提供的异常物品的检测方法一般由服务器505执行，相应地，异常物品的检测装置一般设置于服务器505中。
应该理解，图5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。
下面参考图6，其示出了适于用来实现本发明实施例的终端设备的计算机系统600的结构示意图。图6示出的终端设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图6所示，计算机系统600包括中央处理单元(CPU)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有系统600操作所需的各种程序和数据。CPU 601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
以下部件连接至I/O接口605：包括键盘、鼠标等的输入部分606；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607；包括硬盘等的存储部分608；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器610上，以便于从其上读出的计算机程序根据需要被安装入存储部分608。
特别地，根据本发明公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分609从网络上被下载和安装，和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CPU)601执行时，执行本发明的系统中限定的上述功能。
需要说明的是，本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中，例如，可以描述为：一种处理器包括获取模块、第一异常确定模块和第二异常确定模块。其中，这些模块的名称在某种情况下并不构成对该模块本身的限定，例如，获取模块还可以被描述为“向所连接的服务端发送图片获取请求的模块”。
作为另一方面，本发明还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该设备包括：步骤S101、获取在库物品的名称信息、类别信息、物流属性信息；步骤S102、根据所述在库物品名称信息和所述在库物品类别信息，基于预设的文本分类模型对所述在库物品进行分类判断，将满足预设异常条件的在库物品确定为第一异常物品；步骤S103、将所述在库物品中去除第一异常物品之后剩余的物品作为待检测物品；利用预设的异常检测算法，根据所述待检测物品类别信息和所述待检测物品物流属性信息，从所述待检测物品中筛选出第二异常物品。
根据本发明实施例的技术方案，因为采用了先根据在库物品名称信息和在库物品类别信息、利用文本分类模型对在库物品进行分类判断、将满足预设异常条件的在库物品确定为第一异常物品，再在剩余的在库物品中利用预设的异常检测算法、根据物品类别信息和物品物流属性信息，从剩余的在库物品中筛选出第二异常物品的技术手段，所以克服了现有技术中检测方式不能适应于多种样本情况、且不够准确、不够及时甚至出错的技术问题，进而达到能适应于多种样本情况，且检测结果准确及时的技术效果。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，取决于设计要求和其他因素，可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。
Claims (10)
1.一种异常物品的检测方法，其特征在于，包括：
获取在库物品的名称信息、类别信息、物流属性信息；
根据所述在库物品的名称信息和所述在库物品的类别信息，基于预设的文本分类模型对所述在库物品进行分类判断，将满足预设异常条件的在库物品确定为第一异常物品；
将所述在库物品中去除第一异常物品之后剩余的物品作为待检测物品；利用预设的异常检测算法，根据所述待检测物品类别信息和所述待检测物品物流属性信息，从所述待检测物品中筛选出第二异常物品。
2.根据权利要求1所述的方法，其特征在于，
所述名称信息包括：中文名称、库存单位标识；
所述类别信息包括：至少一个级别的类别编号以及类别名称；
所述物流属性信息包括：重量、最大边长、次大边长、最小边长。
3.根据权利要求2所述的方法，其特征在于，在对所述在库物品进行分类判断之前，还包括：
将所述在库物品的名称信息中包含预设字符的在库物品，和/或
将所述在库物品名称长度小于长度阈值的在库物品，和/或
将所述在库物品物流属性信息不满足重量体积预设条件的在库物品，确定为第三异常物品；将第三异常物品从所述在库物品中去除。
4.根据权利要求3所述的方法，其特征在于，根据所述在库物品的名称信息和所述在库物品的类别信息，基于预设的文本分类模型对所述在库物品进行分类判断，将满足预设异常条件的在库物品确定为第一异常物品，包括：
根据预设的停用词信息和维护词信息，对所述在库物品中文名称进行词向量化处理；
将所述在库物品中一部分物品的名称信息和类别信息作为训练集、将所述在库物品中余下部分物品的名称信息和类别信息作为验证集，以处理后得到的在库物品词向量作为输入、以在库物品类别信息作为输出，训练预设的文本分类模型；
确定所述在库物品在基于训练好的文本分类模型进行分类之后，落入各类别的概率值；
将所述落入各类别的概率值均小于预设概率阈值的在库物品确定为第一异常物品。
5.根据权利要求4所述的方法，其特征在于，利用预设的异常检测算法，根据所述待检测物品类别信息和所述待检测物品物流属性信息，从所述待检测物品中筛选出第二异常物品，包括：
确定最末级别的类别对应的待检测物品的类别中数量值；
当所述类别中数量值小于预设阈值，将该类别对应的待检测物品确定为待重测物品；对所述待重测物品再次检测，从中确定出第二异常物品；
当所述类别中数量值不小于预设阈值，基于该类别对应的待检测物品物流属性信息，利用孤立森林算法确定出满足预设参数条件的待检测物品，作为第二异常物品。
6.根据权利要求5所述的方法，其特征在于，所述预设参数条件包括：异常率不大于预设异常率，且使得被判定为第二异常物品的异常分数值不小于预设异常分数值；所述异常分数值由孤立森林算法中的异常值函数确定。
7.根据权利要求5所述的方法，其特征在于，当所述类别中数量值不小于预设阈值，根据所述待检测物品类别信息和所述待检测物品物流属性信息，从所述待检测物品中筛选出第二异常物品，还包括：
利用k均值聚类算法，将所述类别对应的待检测物品分为k个簇；
在各个簇中，基于簇中待检测物品物流属性信息，利用多元高斯模型算法，确定出第二异常物品。
8.一种异常物品的检测装置，其特征在于，包括：
获取模块，用于获取在库物品的名称信息、类别信息、物流属性信息；
第一异常确定模块，用于根据所述在库物品的名称信息和所述在库物品的类别信息，基于预设的文本分类模型对所述在库物品进行分类判断，将满足预设异常条件的在库物品确定为第一异常物品；
第二异常确定模块，用于将所述在库物品中去除第一异常物品之后剩余的物品作为待检测物品；利用预设的异常检测算法，根据所述待检测物品类别信息和所述待检测物品物流属性信息，从所述待检测物品中筛选出第二异常物品。
9.一种异常物品的检测电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。
10.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1-7中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911184216.7A CN112861895B (zh) | 2019-11-27 | 2019-11-27 | 一种异常物品的检测方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911184216.7A CN112861895B (zh) | 2019-11-27 | 2019-11-27 | 一种异常物品的检测方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112861895A true CN112861895A (zh) | 2021-05-28 |
| CN112861895B CN112861895B (zh) | 2023-11-03 |
Family
ID=75985098
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911184216.7A Active CN112861895B (zh) | 2019-11-27 | 2019-11-27 | 一种异常物品的检测方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112861895B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113327085A (zh) * | 2021-06-28 | 2021-08-31 | 北京京东振世信息技术有限公司 | 一种物品的物流属性信息异常监控方法和装置 |
| CN113487362A (zh) * | 2021-07-14 | 2021-10-08 | 神策网络科技（北京）有限公司 | 异常用户的检测方法、装置及设备 |
| CN113987240A (zh) * | 2021-12-27 | 2022-01-28 | 智器云南京信息科技有限公司 | 一种基于知识图谱的海关检样溯源方法及系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2016110290A (ja) * | 2014-12-03 | 2016-06-20 | 株式会社リコー | 情報処理装置及び情報処理方法 |
| CN105843947A (zh) * | 2016-04-08 | 2016-08-10 | 华南师范大学 | 基于大数据关联规则挖掘的异常行为检测方法和系统 |
| CN107391569A (zh) * | 2017-06-16 | 2017-11-24 | 阿里巴巴集团控股有限公司 | 数据类型的识别、模型训练、风险识别方法、装置及设备 |
| CN108829715A (zh) * | 2018-05-04 | 2018-11-16 | 慧安金科（北京）科技有限公司 | 用于检测异常数据的方法、设备和计算机可读存储介质 |
| CN109032829A (zh) * | 2018-07-23 | 2018-12-18 | 腾讯科技（深圳）有限公司 | 数据异常检测方法、装置、计算机设备及存储介质 |
| CN109766956A (zh) * | 2018-07-19 | 2019-05-17 | 西北工业大学 | 基于快递大数据的异常检测方法 |
| WO2019129977A1 (fr) * | 2017-12-28 | 2019-07-04 | Worldline | Detection d'anomalies par une approche combinant apprentissage supervise et non-supervise |
-
2019
- 2019-11-27 CN CN201911184216.7A patent/CN112861895B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2016110290A (ja) * | 2014-12-03 | 2016-06-20 | 株式会社リコー | 情報処理装置及び情報処理方法 |
| CN105843947A (zh) * | 2016-04-08 | 2016-08-10 | 华南师范大学 | 基于大数据关联规则挖掘的异常行为检测方法和系统 |
| CN107391569A (zh) * | 2017-06-16 | 2017-11-24 | 阿里巴巴集团控股有限公司 | 数据类型的识别、模型训练、风险识别方法、装置及设备 |
| WO2019129977A1 (fr) * | 2017-12-28 | 2019-07-04 | Worldline | Detection d'anomalies par une approche combinant apprentissage supervise et non-supervise |
| CN108829715A (zh) * | 2018-05-04 | 2018-11-16 | 慧安金科（北京）科技有限公司 | 用于检测异常数据的方法、设备和计算机可读存储介质 |
| CN109766956A (zh) * | 2018-07-19 | 2019-05-17 | 西北工业大学 | 基于快递大数据的异常检测方法 |
| CN109032829A (zh) * | 2018-07-23 | 2018-12-18 | 腾讯科技（深圳）有限公司 | 数据异常检测方法、装置、计算机设备及存储介质 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113327085A (zh) * | 2021-06-28 | 2021-08-31 | 北京京东振世信息技术有限公司 | 一种物品的物流属性信息异常监控方法和装置 |
| CN113327085B (zh) * | 2021-06-28 | 2023-09-26 | 北京京东振世信息技术有限公司 | 一种物品的物流属性信息异常监控方法和装置 |
| CN113487362A (zh) * | 2021-07-14 | 2021-10-08 | 神策网络科技（北京）有限公司 | 异常用户的检测方法、装置及设备 |
| CN113987240A (zh) * | 2021-12-27 | 2022-01-28 | 智器云南京信息科技有限公司 | 一种基于知识图谱的海关检样溯源方法及系统 |
| CN113987240B (zh) * | 2021-12-27 | 2022-04-08 | 智器云南京信息科技有限公司 | 一种基于知识图谱的海关检样溯源方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112861895B (zh) | 2023-11-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11636389B2 (en) | System and method for improving machine learning models by detecting and removing inaccurate training data | |
| US11741094B2 (en) | Method and system for identifying core product terms | |
| CN112861895B (zh) | 一种异常物品的检测方法和装置 | |
| US20210319366A1 (en) | Method, apparatus and device for generating model and storage medium | |
| CN110555451A (zh) | 信息识别方法和装置 | |
| CN111427974A (zh) | 数据质量评估管理方法和装置 | |
| CN111796957A (zh) | 基于应用日志的交易异常根因分析方法及系统 | |
| CN107291774B (zh) | 错误样本识别方法和装置 | |
| CN113392920B (zh) | 生成作弊预测模型的方法、装置、设备、介质及程序产品 | |
| CN115689407A (zh) | 账户异常检测方法、装置以及终端设备 | |
| CN113704389A (zh) | 一种数据评估方法、装置、计算机设备及存储介质 | |
| CN116340831B (zh) | 一种信息分类方法、装置、电子设备及存储介质 | |
| EP3489838A1 (en) | Method and apparatus for determining an association | |
| CN113869904B (zh) | 可疑数据识别方法、装置、电子设备、介质和计算机程序 | |
| CN113641823B (zh) | 文本分类模型训练、文本分类方法、装置、设备及介质 | |
| CN115619245A (zh) | 一种基于数据降维方法的画像构建和分类方法及系统 | |
| CN115408236A (zh) | 一种日志数据审计系统、方法、设备及介质 | |
| CN114692778A (zh) | 用于智能巡检的多模态样本集生成方法、训练方法及装置 | |
| CN114328123A (zh) | 异常确定方法、训练方法、装置、电子设备以及存储介质 | |
| CN110879821A (zh) | 评分卡模型衍生标签生成方法、装置、设备及存储介质 | |
| CN112528103A (zh) | 一种推荐对象的方法和装置 | |
| CN112906723A (zh) | 一种特征选择的方法和装置 | |
| CN113342969A (zh) | 数据处理方法和装置 | |
| CN111833085A (zh) | 一种计算物品价格的方法和装置 | |
| CN113656393B (zh) | 数据处理方法、装置、电子设备以及存储介质 |
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 |