CN112926659A - 实例异常判定方法、装置、计算机设备及存储介质 - Google Patents

实例异常判定方法、装置、计算机设备及存储介质 Download PDF

Info

Publication number
CN112926659A
CN112926659A CN202110219061.7A CN202110219061A CN112926659A CN 112926659 A CN112926659 A CN 112926659A CN 202110219061 A CN202110219061 A CN 202110219061A CN 112926659 A CN112926659 A CN 112926659A
Authority
CN
China
Prior art keywords
factors
evidence
probability
bayesian network
influence
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.)
Pending
Application number
CN202110219061.7A
Other languages
English (en)
Inventor
陈昊
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 Puhui Enterprise Management Co Ltd
Original Assignee
Ping An Puhui Enterprise Management 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 Puhui Enterprise Management Co Ltd filed Critical Ping An Puhui Enterprise Management Co Ltd
Priority to CN202110219061.7A priority Critical patent/CN112926659A/zh
Publication of CN112926659A publication Critical patent/CN112926659A/zh
Pending legal-status Critical Current

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
    • 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
    • G06F18/24155—Bayesian classification
    • 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
    • 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
    • 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
    • G06Q10/10—Office automation; Time management
    • G06Q10/103—Workflow collaboration or project management
    • 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
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Human Resources & Organizations (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Probability & Statistics with Applications (AREA)
  • Technology Law (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Accounting & Taxation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本申请实施例属于人工智能领域，涉及一种实例异常判定方法、装置、计算机设备及存储介质，其中方法包括：通过获取影响实例异常判定的影响因子；根据预先收集的样本数据计算影响因子和实例异常判定之间的条件概率；构建初始贝叶斯网络；接收M个证据因子；将所述M个证据因子输入所述初始贝叶斯网络计算所述实例异常的概率；当所述实例异常的概率大于预设的第一阈值时，判定所述实例异常。根据证据因子使用贝叶斯网络进行推理，得到实例异常的概率，通过实例异常的概率判定实例是否异常，证据因子与判定结果之间具有因果关系，判定结果可以被合理的解释。此外，本申请还涉及区块链技术，用户的证据因子可存储于区块链中。

Description

实例异常判定方法、装置、计算机设备及存储介质
技术领域
本申请涉及人工智能技术领域，尤其涉及实例异常判定方法、装置、计算机设备及存储介质。
背景技术
随着人工智能在金融领域中的广泛使用，在移动端开展金融行为的场景越来越丰富，这些场景中每一个业务实例均涉及到较为严格的审批业务；审批业务中如何做到快速，高效，准确的判定是核心任务，与其他业务不同的一点，审批必须强调结果具有可解释性，这就对业务实例的审批判定提出了因果推理的要求。常见的深度学习在审批中的应用，尽管具有高准确率的优点，但是判定的结果无法进行解释说明。同时，采用深度学习为基础的专家系统往往计算开销比较大。
发明内容
本申请实施例的目的在于提出一种实例异常判定方法、装置、计算机设备及存储介质，以解决实例异常判定结果无法进行解释说明的问题。
为了解决上述技术问题，本申请实施例提供一种实例异常判定方法，采用了如下所述的技术方案：
获取影响实例异常判定的N个影响因子，N为大于0的正整数；
根据预先收集的样本数据计算所述N个影响因子和实例异常之间的条件概率；
根据所述影响因子和所述条件概率，构建初始贝叶斯网络；
接收M个证据因子，所述M个证据因子提取自待判定的实例，M为大于0的正整数；
将所述M个证据因子输入所述初始贝叶斯网络计算所述实例异常的概率；
将所述实例异常的概率与预设的第一阈值比较，当所述实例异常的概率大于预设的第一阈值时，判定所述实例异常。
进一步的，在所述获取影响实例异常判定的N个影响因子的步骤中还包括：
获取样本数据，所述样本数据为标注了候选影响因子以及已判定是否异常的实例；
根据所述样本数据计算所述候选影响因子对实例异常判定的影响力；
将所述影响力与预设的第二阈值比较，当所述影响力大于预设的第二阈值时，确定所述候选影响因子为影响实例异常判定的影响因子。
进一步的，在所述根据所述影响因子和所述条件概率，构建初始贝叶斯网络的步骤之后，还包括：
根据决策树剪枝算法，对所述初始贝叶斯网络进行剪枝，得到简化的贝叶斯网络；
将所述M个证据因子输入所述初始贝叶斯网络计算所述实例异常的概率。
进一步的，在所述根据所述影响因子和所述条件概率，构建初始贝叶斯网络的步骤之后，还包括：
接收硬证据因子，将所述硬证据因子嵌入所述初始贝叶斯网络，获得第一更新贝叶斯网络；
将所述M个证据因子输入所述第一更新贝叶斯网络计算所述实例异常的概率。
进一步的，在所述根据所述影响因子和所述条件概率，构建初始贝叶斯网络的步骤之后，还包括：
接收软证据因子，将所述软证据因子嵌入所述初始贝叶斯网络，获得第二更新贝叶斯网络；
将所述M个证据因子输入所述第二更新贝叶斯网络计算所述实例异常的概率。
进一步的，在所述将所述实例异常的概率与预设的第一阈值比较，当所述实例异常的概率大于预设的第一阈值时，判定所述实例异常的步骤之后，还包括：
从所述M个证据因子中随机删除L个证据因子，得到M-L个证据因子,L为小于M，大于或等于0的整数；
将所述M-L个证据因子输入所述初始贝叶斯网络计算所述实例异常的修正概率；
计算所述修正概率和所述实例异常的概率之间的差值；
当所述差值小于预设的第三阈值时，返回所述M-L个证据因子作为所述实例被判定为异常的解释因子。
进一步的，在所述接收M个证据因子，所述M个证据因子提取自待判定的实例的步骤之后，还包括：
将所述M个证据因子存储至区块链中。
为了解决上述技术问题，本申请实施例还提供一种实例异常判定装置，采用了如下所述的技术方案：
获取模块，用于获取影响实例异常判定的N个影响因子，N为大于0的正整数；
计算模块，用于根据预先收集的样本数据计算所述N个影响因子和实例异常之间的条件概率；
构建模块，用于根据所述影响因子和所述条件概率，构建初始贝叶斯网络；
接收模块，用于接收M个证据因子，所述M个证据因子提取自待判定的实例，M为大于0的正整数；
处理模块，用于将所述M个证据因子输入所述初始贝叶斯网络计算所述实例异常的概率；
判定模块，用于将所述实例异常的概率与预设的第一阈值比较，当所述实例异常的概率大于预设的第一阈值时，判定所述实例异常。
进一步的，所述获取模块中还包括：
第一获取子模块，用于获取样本数据，所述样本数据为标注了候选影响因子以及已判定是否异常的实例；
第一计算子模块，用于根据所述样本数据计算所述候选影响因子对实例异常判定的影响力；
第一确定子模块，用于将所述影响力与预设的第二阈值比较，当所述影响力大于预设的第二阈值时，确定所述候选影响因子为影响实例异常判定的影响因子。
进一步的，所述实例异常判定装置还包括：
第一剪枝子模块，用于根据决策树剪枝算法，对所述初始贝叶斯网络进行剪枝，得到简化的贝叶斯网络；
第一处理子模块，用于将所述M个证据因子输入所述初始贝叶斯网络计算所述实例异常的概率。
进一步的，所述实例异常判定装置还包括：
第一接收子模块，用于接收硬证据因子，将所述硬证据因子嵌入所述初始贝叶斯网络，获得第一更新贝叶斯网络；
第二处理子模块，用于将所述M个证据因子输入所述第一更新贝叶斯网络计算所述实例异常的概率。
进一步的，所述实例异常判定装置还包括：
第一接收子模块，用于接收软证据因子，将所述软证据因子嵌入所述初始贝叶斯网络，获得第二更新贝叶斯网络；
第三处理子模块，用于将所述M个证据因子输入所述第二更新贝叶斯网络计算所述实例异常的概率。
进一步的，所述实例异常判定装置还包括：
第一选择子模块，用于从所述M个证据因子中随机删除L个证据因子，得到M-L个证据因子,L为小于M，大于或等于0的整数；
第四处理子模块，用于将所述M-L个证据因子输入所述初始贝叶斯网络计算所述实例异常的修正概率；
第二计算子模块，用于计算所述修正概率和所述实例异常的概率之间的差值；
第一返回子模块，用于当所述差值小于预设的第三阈值时，返回所述M-L个证据因子作为所述实例被判定为异常的解释因子。
进一步的，所述实例异常判定装置还包括：
第一存储子模块，用于将所述M个证据因子存储至区块链中。
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方案：
一种计算机设备，包括存储器和处理器，存储器中存储有计算机可读指令，处理器执行计算机可读指令时实现如上述实例异常判定方法的步骤
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方案：
一种计算机可读存储介质，计算机可读存储介质上存储有计算机可读指令，计算机可读指令被处理器执行时实现如上述实例异常判定方法的步骤
与现有技术相比，本申请实施例主要有以下有益效果：
通过获取影响实例异常判定的N个影响因子；根据预先收集的样本数据计算所述N个影响因子和实例异常之间的条件概率；根据所述影响因子和所述条件概率，构建初始贝叶斯网络；接收M个证据因子，所述M个证据因子提取自待判定的实例；将所述M个证据因子输入所述初始贝叶斯网络计算所述实例异常的概率；将所述实例异常的概率与预设的第一阈值比较，当所述实例异常的概率大于预设的第一阈值时，判定所述实例异常。根据证据因子使用贝叶斯网络进行推理，得到实例异常的概率，通过实例异常的概率判定实例是否异常，证据因子与判定结果之间具有因果关系，判定结果可以被合理的解释。
附图说明
为了更清楚地说明本申请中的方案，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，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是本申请可以应用于其中的示例性系统架构图；
图2根据本申请的实例异常判定方法的一个实施例的流程图；
图3是图2中步骤S202的一种具体实施方式的流程图；
图4是根据本申请的实例异常判定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。本申请的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方案，下面将结合附图，对本申请实施例中的技术方案进行清楚、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 PictureExpertsGroup Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(MovingPictureExperts 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实例异常判定方法一般由服务器/终端设 备执行，相应地，实例异常判定装置一般设置于服务器/终端设备中。
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，示出了根据本申请的实例异常判定方法的一个实施例的流程图。所述的实例异常判定方法，包括以下步骤：
步骤S201，获取影响实例异常判定的N个影响因子，N为大于0的正整数。
在本实施例中，实例异常判定方法运行于其上的电子设备(例如图1所示的服务 器/终端设备)可以通过有线连接方式或者无线连接方式获取影响实例异常判定的N个影响因子。需要指出的是，上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。
这里影响因子指对实例异常判定结果有影响的因素，影响因子可以是实例异常判定方面的专家根据经验确定的因素，例如专家根据经验确定金融服务申请人收入水平、消费水平、职业会影响对该申请人提供金融服务的风险判定，则将申请人收入水平、消费水平、职业列为影响实例异常判定的影响因子。在一些场景下，利用现有数据进行因子分析，获取影响实例异常判定的影响因子。具体请参考图3。
步骤S202，根据预先收集的样本数据计算所述N个影响因子和实例异常之间的条件概率。
在本实施例中，根据预先收集的样本数据计算影响因子和实例异常之间的条件概率。例如，经统计分析，当申请金融服务的申请人具有正当稳定的职业时，该申请实例异常的概率为10％，可记为条件概率P＝(异常|申请人具有正当稳定职业)。计算各个影响因子与实例异常之间的条件概率。
步骤S203，根据所述影响因子和所述条件概率，构建初始贝叶斯网络。
在本实施例中，通过步骤S202的计算结果，构建初始贝叶斯网络。贝叶斯网的网络结构是一个有向无环图(Directed Acyclic Graph)，其中每个结点代表影响因子，结点间的弧代表因子间的概率依赖关系。一条弧由一个因子A指向另外一个因子B说明因子A的取值可以对因子B的取值产生影响，由于是有向无环图，A、B间不会出现有向回路。如果从一个结点X有一条有向通路指向Y，则称结点X为结点Y的祖先(ancestor)，同时称结点Y为结点X的后代(descendent)。结点间的有向路径可以不只一条，一个祖先结点可以通过不同的途径来影响它的后代结点。这里每当我们说一个原因结点的出现会导致某个结果的产生时，都是一个概率的表述，而不是必然的，这样就需要为每个结点添加一个条件概率。一个节点在其双亲节点(直接的原因接点)的不同取值组合条件下取不同属性值的概率，就构成了该结点的条件概率表。贝叶斯网络中的条件概率表是结点的条件概率的集合。当使用贝叶斯网络进行推理时，实际上是使用条件概率表当中的先验概率和已知的证据结点来计算所查询的目标结点的后验概率的过程。
步骤S204，接收M个证据因子，所述M个证据因子提取自待判定的实例，M为大于0的正整数。
在本实施例中，通过用户输入的金融服务申请信息提取证据因子，这里待判定的实例指某一个用户的一次具体的金融服务申请。用户在可交互的界面上输入用户信息、申请金融服务类别、金额、时限等都可以作为证据因子。这里接收的证据因子与步骤S201的影响因子是相对应的。例如，根据专家经验，收入水平是影响实例异常判定的影响因子，则这里可交互的界面应该设计有用户可以输入本人的收入水平的接口。
步骤S205，将所述M个证据因子输入所述初始贝叶斯网络计算所述实例异常的概率。
在本实施例中，将证据因子根据初始贝叶斯网络计算所述实例异常的概率。使用贝叶斯网络进行推理时，实际上是使用条件概率表当中的先验概率和已知的证据结点来计算所查询的目标结点的后验概率的过程。
例如，根据样本数据统计，
P(X＝异常)＝30％，P(X＝正常)＝70％，
P(Y＝有稳定职业|X＝异常)＝20％,P(Y＝没有稳定职业|X＝异常)＝80％,
P(Y＝有稳定职业|X＝正常)＝80％,P(Y＝没有稳定职业|X＝正常)＝20％,
已知申请人没有稳定职业，依据贝叶斯公式，则他申请金融服务的实例异常的概率为
P(X＝异常|Y＝没有稳定职业)＝P(Y＝没有稳定职业|X＝异常)*P(X＝异常)/
[P(Y＝没有稳定职业|X＝异常)*P(X＝异常)+P(Y＝没有稳定职业|X＝正常)*P(X＝正常)]。
步骤S206，将所述实例异常的概率与预设的第一阈值比较，当所述实例异常的概率大于预设的第一阈值时，判定所述实例异常。
将通过步骤S205计算得到的实例异常的概率与预设的第一阈值比较，当实例异常的概率大于预设的第一阈值时，判定该申请人此次金融服务申请实例异常。
本申请通过获取影响实例异常判定的N个影响因子；根据预先收集的样本数据计算所述N个影响因子和实例异常之间的条件概率；根据所述影响因子和所述条件概率，构建初始贝叶斯网络；接收M个证据因子，所述M个证据因子提取自待判定的实例；将所述M个证据因子输入所述初始贝叶斯网络计算所述实例异常的概率；将所述实例异常的概率与预设的第一阈值比较，当所述实例异常的概率大于预设的第一阈值时，判定所述实例异常。根据证据因子使用贝叶斯网络进行推理，得到实例异常的概率，通过实例异常的概率判定实例是否异常，证据因子与判定结果之间具有因果关系，判定结果可以被合理的解释。
参考图3，在本实施例的一些可选的实现方式中，在步骤S201中，上述电子设备还可以执行以下步骤：
获取样本数据，所述样本数据为标注了候选影响因子以及已判定是否异常的实例；
根据所述样本数据计算所述候选影响因子对实例异常判定的影响力；
将所述影响力与预设的第二阈值比较，当所述影响力大于预设的第二阈值时，确定所述候选影响因子为影响实例异常判定的影响因子。
本实施例中，采用因子分析法计算所述候选影响因子对实例异常判定的影响力，因子分析是指研究从变量群中提取共性因子的统计技术。这里我们要识别哪些因子会影响实例异常的判定，即判定结果为两个，即异常和正常，候选的影响因子包括：申请人收入水平、消费水平、职业、学历等，具体可以用r语言的fa函数实现。R语言是用于统计分析、绘图的语言。通过因子分析法，计算得到每个候选影响因子对实例是否异常这两个结果的因子负载，这里我们称为对实例异常判定的影响力。
将影响力与预设的第二阈值比较，当影响力大于预设的第二阈值时，确定所述候选影响因子为影响实例异常判定的影响因子。
本实施例通过对样本数据进行因子分析，确定对实例异常判定结果影响大的候选影响因子为影响实例异常判定的影响因子，剔除了无关紧要的因子，这样构建的初始贝叶斯网络结点较少，计算开销小。
在一些可选的实现方式中，如果上述步骤S203之后，上述电子设备可以执行以下步骤：
根据决策树剪枝算法，对所述初始贝叶斯网络进行剪枝，得到简化的贝叶斯网络；
将所述M个证据因子输入所述初始贝叶斯网络计算所述实例异常的概率。
决策树的剪枝是为了简化模型，避免过拟合。决策树剪枝的原理为剪去模型中的一些子树或者叶结点，并将其上层的根结点作为新的叶结点，从而减少了叶结点甚至减少了层数，降低了模型复杂度。
具体的决策树剪枝算法，先对变量定义，|T|为树T的叶结点个数，t表示树T的叶结点，Nt表示该叶结点含有的样本点个数，其中属于K类的有Ntk个，K表示类别的个数，Ht为叶结点t上的经验熵，a≥0为参数。
其中，
Figure BDA0002953734960000111
评价损失函数
Figure BDA0002953734960000112
避免过拟合修正的评价损失函数
Figure BDA0002953734960000113
经验熵反映了一个叶结点中的分类结果的混乱程度。经验熵越大，说明该叶结点所对应的分类结果越混乱，也就是说分类结果中包含了较多的类别，表明该分支的分类效果较差。
评价损失函数其实是求叶结点的经验熵期望。用Nt经验熵加权的依据是叶子节点含有的样本个数越多，其分类效果或混乱程度越占主导，相当于求了期望，可以更好的描述分支前后的关系。
评价损失函数和经验熵越小越好。
修正项
Figure BDA0002953734960000114
可以避免过拟合,a值设置得好可以避免出现完全树和根结点这类的极端情况，因此可以避免过拟合。
例如设一个结点r有n个样本，其组成是第i类有ni个样本，在分了几个孩子结点后各个叶结点的成分仍保持原比例，记新的子树为R，计算评价损失函数
Figure BDA0002953734960000121
和
Figure BDA0002953734960000122
令
Figure BDA0002953734960000123
计算a，
Figure BDA0002953734960000124
当我们把所有的非叶结点的a求出来后比较它们的大小，在最小a所在结点处剪枝。
将接收的M个证据因子输入到剪枝后简化的贝叶斯网络计算该实例异常的概率。
经过剪枝后的贝叶斯网络得到进一步的简化，计算开销进一步减少。
在本实施例的一些可选的实现方式中，在步骤S203之后，上述电子设备还可以执行以下步骤：
接收硬证据因子，将所述硬证据因子嵌入所述初始贝叶斯网络，获得第一更新贝叶斯网络；
将所述M个证据因子输入所述第一更新贝叶斯网络计算所述实例异常的概率。
本实施例中，硬证据指确定成立的事实，将硬证据因子嵌入初始贝叶斯网络，即将该证据作为影响因子之一，该影响因子的先验概率为1，重新计算各影响因子对实例异常判定的条件概率，再根据重新计算的条件概率对初始贝叶斯网络进行更新，得到第一更新贝叶斯网络。
当初始贝叶斯网络更新为第一更新贝叶斯网络后，将所述M个证据因子输入所述第一更新贝叶斯网络计算所述实例异常的概率。
在本实施例的一些可选的实现方式中，在步骤S203之后，上述电子设备还可以执行以下步骤：
接收软证据因子，将所述软证据因子嵌入所述初始贝叶斯网络，获得第二更新贝叶斯网络；
将所述M个证据因子输入所述第二更新贝叶斯网络计算所述实例异常的概率。
本实施例中，软证据因子指本身按照一定概率发生的事实。将软证据因子嵌入初始贝叶斯网络，即将软证据因子作为影响因子，根据该影响因子的先验概率，重新计算各影响因子对实例异常判定的条件概率，再根据重新计算的条件概率对初始贝叶斯网络进行更新，得到第二更新贝叶斯网络。
当初始贝叶斯网络更新为第二更新贝叶斯网络后，将所述M个证据因子输入所述第二更新贝叶斯网络计算所述实例异常的概率。
在本实施例的一些可选的实现方式中，在步骤S206之后，上述电子设备还可以执行以下步骤：
从所述M个证据因子中随机删除L个证据因子，得到M-L个证据因子,L为小于M，大于或等于0的整数；
将所述M-L个证据因子输入所述初始贝叶斯网络计算所述实例异常的修正概率；
计算所述修正概率和所述实例异常的概率之间的差值；
当所述差值小于预设的第三阈值时，返回所述M-L个证据因子作为所述实例被判定为异常的解释因子。
本实施例中，通过随机删除L个证据因子，重新计算实例异常的修正概率，目的为筛选出对结果影响小的证据因子。当根据M个证据因子计算的实例异常的概率和根据M-L个证据因子计算实例异常的修正概率之间的差值小于预设的第三阈值时，认为删除的L个证据因子对结果影响小，对结果的解释作用小，在返回解释因子时，仅返回剩下的M-L个因子，使解释更合理。
这里L取值为小于M，大于或等于0的整数，循环执行上述步骤，直达找出所有的对结果影响小的证据因子。
在本实施例的一些可选的实现方式中，在步骤S204之后，上述电子设备还可以执行以下步骤：
将所述M个证据因子存储至区块链中。
需要强调的是，为进一步保证上述证据因子的私密和安全性，上述M个证据因子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，本申请提供了一种实例异常判定装置的一个实施例，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，本实施例所述的实例异常判定装置400包括：获取模块401、计算模块402、构建模块403、接收模块404、处理模块405以及判定模块406。其中：
获取模块401，用于获取影响实例异常判定的N个影响因子，N为大于0的正整数；
计算模块402，用于根据预先收集的样本数据计算所述N个影响因子和实例异常之间的条件概率；
构建模块403，用于根据所述影响因子和所述条件概率，构建初始贝叶斯网络；
接收模块404，用于接收M个证据因子，所述M个证据因子提取自待判定的实例，M为大于0的正整数；
处理模块405，用于将所述M个证据因子输入所述初始贝叶斯网络计算所述实例异常的概率；
判定模块406，用于将所述实例异常的概率与预设的第一阈值比较，当所述实例异常的概率大于预设的第一阈值时，判定所述实例异常。
通过获取影响实例异常判定的N个影响因子；根据预先收集的样本数据计算所述N个影响因子和实例异常之间的条件概率；根据所述影响因子和所述条件概率，构建初始贝叶斯网络；接收M个证据因子，所述M个证据因子提取自待判定的实例；将所述M个证据因子输入所述初始贝叶斯网络计算所述实例异常的概率；将所述实例异常的概率与预设的第一阈值比较，当所述实例异常的概率大于预设的第一阈值时，判定所述实例异常。根据证据因子使用贝叶斯网络进行推理，得到实例异常的概率，通过实例异常的概率判定实例是否异常，证据因子与判定结果之间具有因果关系，判定结果可以被合理的解释。
在本实施例的一些可选的实现方式中，获取模块401中还包括：
第一获取子模块，用于获取样本数据，所述样本数据为标注了候选影响因子以及已判定是否异常的实例；
第一计算子模块，用于根据所述样本数据计算所述候选影响因子对实例异常判定的影响力；
第一确定子模块，用于将所述影响力与预设的第二阈值比较，当所述影响力大于预设的第二阈值时，确定所述候选影响因子为影响实例异常判定的影响因子。
在本实施例的一些可选的实现方式中，所述实例异常判定装置400还包括：
第一剪枝子模块，用于根据决策树剪枝算法，对所述初始贝叶斯网络进行剪枝，得到简化的贝叶斯网络；
第一处理子模块，用于将所述M个证据因子输入所述初始贝叶斯网络计算所述实例异常的概率。
在本实施例的一些可选的实现方式中，所述实例异常判定装置400还包括：
第一接收子模块，用于接收硬证据因子，将所述硬证据因子嵌入所述初始贝叶斯网络，获得第一更新贝叶斯网络；
第二处理子模块，用于将所述M个证据因子输入所述第一更新贝叶斯网络计算所述实例异常的概率。
在本实施例的一些可选的实现方式中，所述实例异常判定装置400还包括：
第一接收子模块，用于接收软证据因子，将所述软证据因子嵌入所述初始贝叶斯网络，获得第二更新贝叶斯网络；
第三处理子模块，用于将所述M个证据因子输入所述第二更新贝叶斯网络计算所述实例异常的概率。
在本实施例的一些可选的实现方式中，所述实例异常判定装置400还包括：
第一选择子模块，用于从所述M个证据因子中随机删除L个证据因子，得到M-L个证据因子,L为小于M，大于或等于0的整数；
第四处理子模块，用于将所述M-L个证据因子输入所述初始贝叶斯网络计算所述实例异常的修正概率；
第二计算子模块，用于计算所述修正概率和所述实例异常的概率之间的差值；
第一返回子模块，用于当所述差值小于预设的第三阈值时，返回所述M-L个证据因子作为所述实例被判定为异常的解释因子。
在本实施例的一些可选的实现方式中，所述实例异常判定装置400还包括：
第一存储子模块，用于将所述M个证据因子存储至区块链中。
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。需要指出的是，图中仅示出了具有组件51-53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(ApplicationSpecific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable GateArray，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。
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(Secure Digital,SD)卡，闪存卡(FlashCard)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，例如实例异常判定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，例如运行所述实例异常判定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。
通过获取影响实例异常判定的N个影响因子；根据预先收集的样本数据计算所述N个影响因子和实例异常之间的条件概率；根据所述影响因子和所述条件概率，构建初始贝叶斯网络；接收M个证据因子，所述M个证据因子提取自待判定的实例；将所述M个证据因子输入所述初始贝叶斯网络计算所述实例异常的概率；将所述实例异常的概率与预设的第一阈值比较，当所述实例异常的概率大于预设的第一阈值时，判定所述实例异常。根据证据因子使用贝叶斯网络进行推理，得到实例异常的概率，通过实例异常的概率判定实例是否异常，证据因子与判定结果之间具有因果关系，判定结果可以被合理的解释。
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实例异常判定方法的步骤。
通过获取影响实例异常判定的N个影响因子；根据预先收集的样本数据计算所述N个影响因子和实例异常之间的条件概率；根据所述影响因子和所述条件概率，构建初始贝叶斯网络；接收M个证据因子，所述M个证据因子提取自待判定的实例；将所述M个证据因子输入所述初始贝叶斯网络计算所述实例异常的概率；将所述实例异常的概率与预设的第一阈值比较，当所述实例异常的概率大于预设的第一阈值时，判定所述实例异常。根据证据因子使用贝叶斯网络进行推理，得到实例异常的概率，通过实例异常的概率判定实例是否异常，证据因子与判定结果之间具有因果关系，判定结果可以被合理的解释。
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，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方案进行修改，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)

1.一种实例异常判定方法，其特征在于，包括下述步骤：
获取影响实例异常判定的N个影响因子，N为大于0的正整数；
根据预先收集的样本数据计算所述N个影响因子和实例异常之间的条件概率；
根据所述影响因子和所述条件概率，构建初始贝叶斯网络；
接收M个证据因子，所述M个证据因子提取自待判定的实例，M为大于0的正整数；
将所述M个证据因子输入所述初始贝叶斯网络计算所述实例异常的概率；
将所述实例异常的概率与预设的第一阈值比较，当所述实例异常的概率大于预设的第一阈值时，判定所述实例异常。
2.根据权利要求1所述的实例异常判定方法，其特征在于，在所述获取影响实例异常判定的N个影响因子的步骤中还包括：
获取样本数据，所述样本数据为标注了候选影响因子以及已判定是否异常的实例；
根据所述样本数据计算所述候选影响因子对实例异常判定的影响力；
将所述影响力与预设的第二阈值比较，当所述影响力大于预设的第二阈值时，确定所述候选影响因子为影响实例异常判定的影响因子。
3.根据权利要求1所述的实例异常判定方法，其特征在于，在所述根据所述影响因子和所述条件概率，构建初始贝叶斯网络的步骤之后，还包括：
根据决策树剪枝算法，对所述初始贝叶斯网络进行剪枝，得到简化的贝叶斯网络；
将所述M个证据因子输入所述初始贝叶斯网络计算所述实例异常的概率。
4.根据权利要求3所述的实例异常判定方法，其特征在于，在所述根据所述影响因子和所述条件概率，构建初始贝叶斯网络的步骤之后，还包括：
接收硬证据因子，将所述硬证据因子嵌入所述初始贝叶斯网络，获得第一更新贝叶斯网络；
将所述M个证据因子输入所述第一更新贝叶斯网络计算所述实例异常的概率。
5.根据权利要求1所述的实例异常判定方法，其特征在于，在所述根据所述影响因子和所述条件概率，构建初始贝叶斯网络的步骤之后，还包括：
接收软证据因子，将所述软证据因子嵌入所述初始贝叶斯网络，获得第二更新贝叶斯网络；
将所述M个证据因子输入所述第二更新贝叶斯网络计算所述实例异常的概率。
6.根据权利要求1所述的实例异常判定方法，其特征在于，在所述将所述实例异常的概率与预设的第一阈值比较，当所述实例异常的概率大于预设的第一阈值时，判定所述实例异常的步骤之后，还包括：
从所述M个证据因子中随机删除L个证据因子，得到M-L个证据因子,L为小于M，大于或等于0的整数；
将所述M-L个证据因子输入所述初始贝叶斯网络计算所述实例异常的修正概率；
计算所述修正概率和所述实例异常的概率之间的差值；
当所述差值小于预设的第三阈值时，返回所述M-L个证据因子作为所述实例被判定为异常的解释因子。
7.根据权利要求1所述的实例异常判定方法，其特征在于，在所述接收M个证据因子，所述M个证据因子提取自待判定的实例的步骤之后，还包括：
将所述M个证据因子存储至区块链中。
8.一种实例异常判定装置，其特征在于，包括：
获取模块，用于获取影响实例异常判定的N个影响因子，N为大于0的正整数；
计算模块，用于根据预先收集的样本数据计算所述N个影响因子和实例异常之间的条件概率；
构建模块，用于根据所述影响因子和所述条件概率，构建初始贝叶斯网络；
接收模块，用于接收M个证据因子，所述M个证据因子提取自待判定的实例，M为大于0的正整数；
处理模块，用于将所述M个证据因子输入所述初始贝叶斯网络计算所述实例异常的概率；
判定模块，用于将所述实例异常的概率与预设的第一阈值比较，当所述实例异常的概率大于预设的第一阈值时，判定所述实例异常。
9.一种计算机设备，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权利要求1至7中任一项所述的实例异常判定方法的步骤。
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中任一项所述的实例异常判定方法的步骤。
CN202110219061.7A 2021-02-26 2021-02-26 实例异常判定方法、装置、计算机设备及存储介质 Pending CN112926659A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110219061.7A CN112926659A (zh) 2021-02-26 2021-02-26 实例异常判定方法、装置、计算机设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110219061.7A CN112926659A (zh) 2021-02-26 2021-02-26 实例异常判定方法、装置、计算机设备及存储介质

Publications (1)

Publication Number Publication Date
CN112926659A true CN112926659A (zh) 2021-06-08

Family

ID=76172305

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110219061.7A Pending CN112926659A (zh) 2021-02-26 2021-02-26 实例异常判定方法、装置、计算机设备及存储介质

Country Status (1)

Country Link
CN (1) CN112926659A (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107733921A (zh) * 2017-11-14 2018-02-23 深圳中兴网信科技有限公司 网络流量异常检测方法、装置、计算机设备和存储介质
JP2018159319A (ja) * 2017-03-22 2018-10-11 大阪瓦斯株式会社 異常判定装置、及び異常判定方法
CN109639633A (zh) * 2018-11-02 2019-04-16 平安科技（深圳）有限公司 异常流量数据识别方法、装置、介质及电子设备
CN110413658A (zh) * 2019-07-23 2019-11-05 中经柏诚科技(北京)有限责任公司 一种基于关联规则的事实证据链构建方法
CN110968061A (zh) * 2019-12-06 2020-04-07 珠海格力电器股份有限公司 设备故障的预警方法、装置、存储介质和计算机设备
CN111108362A (zh) * 2017-09-06 2020-05-05 日本电信电话株式会社 异常声音探测装置、异常模型学习装置、异常探测装置、异常声音探测方法、异常声音生成装置、异常数据生成装置、异常声音生成方法以及程序
CN111240881A (zh) * 2020-01-14 2020-06-05 中南民族大学 基于贝叶斯网络的Web服务组合异常诊断方法
CN111898776A (zh) * 2020-08-03 2020-11-06 贵州电网有限责任公司 一种变电站设备异常及事故处理方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018159319A (ja) * 2017-03-22 2018-10-11 大阪瓦斯株式会社 異常判定装置、及び異常判定方法
CN111108362A (zh) * 2017-09-06 2020-05-05 日本电信电话株式会社 异常声音探测装置、异常模型学习装置、异常探测装置、异常声音探测方法、异常声音生成装置、异常数据生成装置、异常声音生成方法以及程序
CN107733921A (zh) * 2017-11-14 2018-02-23 深圳中兴网信科技有限公司 网络流量异常检测方法、装置、计算机设备和存储介质
CN109639633A (zh) * 2018-11-02 2019-04-16 平安科技（深圳）有限公司 异常流量数据识别方法、装置、介质及电子设备
CN110413658A (zh) * 2019-07-23 2019-11-05 中经柏诚科技(北京)有限责任公司 一种基于关联规则的事实证据链构建方法
CN110968061A (zh) * 2019-12-06 2020-04-07 珠海格力电器股份有限公司 设备故障的预警方法、装置、存储介质和计算机设备
CN111240881A (zh) * 2020-01-14 2020-06-05 中南民族大学 基于贝叶斯网络的Web服务组合异常诊断方法
CN111898776A (zh) * 2020-08-03 2020-11-06 贵州电网有限责任公司 一种变电站设备异常及事故处理方法

Similar Documents

Publication Publication Date Title
CN112148987B (zh) 基于目标对象活跃度的消息推送方法及相关设备
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
WO2022142001A1 (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
CN112052138A (zh) 业务数据质量检测方法、装置、计算机设备及存储介质
CN112990583B (zh) 一种数据预测模型的入模特征确定方法及设备
CN112035549A (zh) 数据挖掘方法、装置、计算机设备及存储介质
CN112231416A (zh) 知识图谱本体更新方法、装置、计算机设备及存储介质
CN112529477A (zh) 信用评估变量筛选方法、装置、计算机设备及存储介质
CN113283222A (zh) 自动化报表生成方法、装置、计算机设备及存储介质
CN112085087A (zh) 业务规则生成的方法、装置、计算机设备及存储介质
CN114493255A (zh) 基于知识图谱的企业异常监控方法及其相关设备
CN111190967B (zh) 用户多维度数据处理方法、装置及电子设备
CN115757075A (zh) 任务异常检测方法、装置、计算机设备及存储介质
CN114969443A (zh) 量子计算可视化调试方法、系统、计算机设备及存储介质
CN112417886A (zh) 意图实体信息抽取方法、装置、计算机设备及存储介质
CN112199374A (zh) 针对数据缺失的数据特征挖掘方法及其相关设备
CN111752958A (zh) 智能关联标签方法、装置、计算机设备及存储介质
CN111950623A (zh) 数据稳定性监控方法、装置、计算机设备及介质
CN116777646A (zh) 基于人工智能的风险识别方法、装置、设备及存储介质
CN111143568A (zh) 一种论文分类时的缓冲方法、装置、设备及存储介质
CN115099875A (zh) 基于决策树模型的数据分类方法及相关设备
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
CN115859273A (zh) 一种数据库异常访问的检测方法、装置、设备及存储介质
CN113298645B (zh) 资源额度调整方法、装置及电子设备

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
AD01 Patent right deemed abandoned

Effective date of abandoning: 20240823

AD01 Patent right deemed abandoned