CN113032440A - 训练风险模型的数据处理方法和装置 - Google Patents
训练风险模型的数据处理方法和装置 Download PDFInfo
- Publication number
- CN113032440A CN113032440A CN202110295231.XA CN202110295231A CN113032440A CN 113032440 A CN113032440 A CN 113032440A CN 202110295231 A CN202110295231 A CN 202110295231A CN 113032440 A CN113032440 A CN 113032440A
- Authority
- CN
- China
- Prior art keywords
- data
- training
- risk model
- feature
- characteristic
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2457—Query processing with adaptation to user needs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2455—Query execution
- G06F16/24564—Applying rules; Deductive queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
Abstract
本申请公开了一种训练风险模型的数据处理方法和装置。该方法包括:获取开发人员的需求数据,其中,所述需求数据为在风险模型的开发过程中产生的需求数据;对所述需求数据进行预处理,获得所述需求数据对应的训练特征数据;基于所述训练特征数据,对预设风险模型进行训练,获得标准风险模型。通过上述方法,本申请通过对训练业务数据进行处理,获得构造特征数据,可实现快速清洗构造入模特征及关联特征,缩短风险模型上线周期,提高风险模型的开发效率。
Description
技术领域
本申请涉及风控模型领域,具体而言,涉及一种训练风险模型的数据处理方法和装置。
背景技术
随着信息技术的不断发展,互联网金融也在不断发展,随之而来的风险也在不断增加,现有技术中针对互联网金融的风险问题主要通过风险模型进行监控,但是在风险模型的开发过程中,需要获取大量的模型特征数据进行训练,由人工标注获得特征数据需要消耗大量时间,且现有技术中通过机器学习标注,也难以获得符合模型开发需求对应的特征数据,导致模型的开发效率较低。
因此,现有技术中的风险模型开发效率较低的技术问题。
申请内容
本申请的主要目的在于提供一种训练风险模型的数据处理方法和装置,基于开发人员的需求数据,获得模型训练的特征数据,以提高风险模型的开发效率。
为了实现上述目的,本申请提出了一种训练风险模型的数据处理方法。
本申请的第二方面,提出了一种训练风险模型的数据处理装置。
本申请的第三方面,提出了一种计算机可读存储介质。
有鉴于此,根据本发明的第一方面,包括:获取开发人员的需求数据,其中,所述需求数据为在风险模型的开发过程中产生的需求数据;对所述需求数据进行预处理,获得所述需求数据对应的训练特征数据;基于所述训练特征数据,对预设风险模型进行训练,获得标准风险模型。
进一步地,对所述需求数据进行预处理,获得所述需求数据对应的训练特征数据,包括:
对所述需求数据进行识别,获取所述需求数据对应的训练业务数据;
在预设特征数据库中,匹配与所述训练业务数据对应的特征数据,所述预设特征数据库中存储有所述训练业务数据与所述特征数据的映射关系。
进一步地,对所述需求数据进行预处理,获得所述需求数据对应的训练特征数据,包括:对所述需求数据进行识别,获取所述需求数据对应的特征筛选规则;基于所述特征筛选规则,对所述特征数据进行处理,获得所述训练特征数据,其中,所述训练特征数据为符合所述特征筛选规则的特征数据。
进一步地,基于所述训练特征数据,对预设风险模型进行训练,获得标准风险模型,包括:基于预设特征关联规则,对所述训练特征数据进行处理,获取构造特征数据,其中,所述构造特征数据包括所述训练特征数据与所述训练特征数据的关联特征数据;基于预设风险模型,对所述构造特征数据进行处理,获得所述训练结果数据。
进一步地,还包括:基于所述需求数据对应所述预设风险模型进行校验迭代,获得标准风险模型,包括:若所述训练结果数据满足预设条件,获得所述标准风险模型;若所述训练结果数据不满足预设条件,所述预设风险模型继续进行校验迭代,直至满足预设条件,获得所述标准风险模型。
本申请的第二方面提出了一种训练风险模型的数据处理装置,包括:数据获取模块,用于获取开发人员的需求数据,其中,所述需求数据为在风险模型的开发过程中产生的需求数据;预处理模块,用于对所述需求数据进行预处理,获得所述需求数据对应的训练特征数据;训练模块,基于所述训练特征数据,对预设风险模型进行训练,获得标准风险模型。
进一步地,预处理模块,包括:特征数据获取模块,用于对所述需求数据进行识别,获取所述需求数据对应的训练业务数据;在预设特征数据库中,匹配与所述训练业务数据对应的特征数据,所述预设特征数据库中存储有所述训练业务数据与所述特征数据的映射关系。
进一步地,预处理模块,包括:特征数据筛选模块,用于对所述需求数据进行识别,获取所述需求数据对应的特征筛选规则;基于所述特征筛选规则,对所述特征数据进行处理,获得所述训练特征数据,其中,所述训练特征数据为符合所述特征筛选规则的特征数据。
进一步地,训练模块,基于所述训练特征数据,对预设风险模型进行训练,获得标准风险模型,包括:基于预设特征关联规则,对所述训练特征数据进行处理,获取构造特征数据,其中,所述构造特征数据包括所述训练特征数据与所述训练特征数据的关联特征数据;基于预设风险模型,对所述构造特征数据进行处理,获得所述训练结果数据。
本申请的第三方面,提出了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述训练风险模型的处理方法的步骤。
本申请的实施例提供的技术方案可以包括以下有益效果:
在本申请中,通过对开发人员的需求数据进行处理,对训练业务数据进行处理,匹配所述训练业务数据对应的特征数据,基于开发人员的开发需求,对所述特征数据进行筛选和关联处理,获取包含有训练特征数据与所述训练特征数据的关联数据的构造特征数据,通过构造特征数据对预设风险模型进行训练,基于所述需求数据对应所述预设风险模型进行校验迭代,获得标准风险模型。本申请通过对训练业务数据进行处理,获得构造特征数据,可实现快速清洗构造入模特征及关联特征,缩短风险模型上线周期,提高风险模型的开发效率。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解,使得本申请的其它特征、目的和优点变得更明显。本申请的示意性实施例附图及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本申请提供的一种训练风险模型的数据处理方法的流程示意图;
图2为本申请提供的一种训练风险模型的数据处理方法的流程示意图;
图3为本申请提供的一种训练风险模型的数据处理方法的流程示意图;
图4为本申请提供的一种训练风险模型的数据处理装置的结构示意图;
图5为本申请提供的另一种训练风险模型的数据处理装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分的实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本申请保护的范围。
需要说明的是,本申请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。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本申请中,术语“上”、“下”、“左”、“右”、“前”、“后”、“顶”、“底”、“内”、“外”、“中”、“竖直”、“水平”、“横向”、“纵向”等指示的方位或位置关系为基于附图所示的方位或位置关系。这些术语主要是为了更好地描述本申请及其实施例,并非用于限定所指示的装置、元件或组成部分必须具有特定方位,或以特定方位进行构造和操作。
并且,上述部分术语除了可以用于表示方位或位置关系以外,还可能用于表示其他含义,例如术语“上”在某些情况下也可能用于表示某种依附关系或连接关系。对于本领域普通技术人员而言,可以根据具体情况理解这些术语在本申请中的具体含义。
此外,术语“安装”、“设置”、“设有”、“连接”、“相连”、“套接”应做广义理解。例如,“连接”可以是固定连接,可拆卸连接,或整体式构造;可以是机械连接,或电连接;可以是直接相连,或者是通过中间媒介间接相连,又或者是两个装置、元件或组成部分之间内部的连通。对于本领域普通技术人员而言,可以根据具体情况理解上述术语在本申请中的具体含义。
图1为本申请提供的一种训练风险模型的数据处理方法的流程示意图,如图1所示,该方法包括以下步骤:
S101:获取开发人员的需求数据,其中,所述需求数据为在风险模型的开发过程中产生的需求数据;
在风险模型的开发过程中,需要对风险模型进行训练,获取开发人员的需求数据,根据开发人员的需求数据对风险模型进行训练。
S102:对所述需求数据进行预处理,获得所述需求数据对应的训练特征数据;
图2为本申请中对所述需求数据进行预处理的流程示意图,如图2所示,该方法包括以下步骤:
S201:对所述需求数据进行识别,获取所述需求数据对应的训练业务数据;
识别所述需求数据,基于所述需求数据在预设训练数据库中匹配与所述需求数据对应的训练业务数据,所述预设训练数据库中存储有所述需求数据与所述训练业务数据的映射关系。
识别所述需求数据可通过识别需求数据对应的关键词,基于关键词匹配与所述关键词对应训练业务数据;也可通过识别需求数据中的样本数据,在预设训练数据库中匹配与所述需求数据对应的训练业务数据;所述需求数据可通过关键词、样本数据以及外部接口等方式获取。
举例说明,如在风险模型的开发过程中,获取开发人员的需求数据,识别所述需求数据对应的关键词为“还款能力”,在预设训练数据库中匹配具有“还款行为”业务数据;如识别所述需求数据中提供的样本数据A,基于样本数据A,在预设训练数据库中匹配业务数据。
S202:在预设特征数据库中,匹配与所述训练业务数据对应的特征数据;
基于所述训练业务数据,在预设特征数据库中匹配所述训练业务数据对应的特征数据,所述预设特征数据库中存储有所述训练业务数据与所述特征数据之间的映射关系。
所述训练特征数据库中存储有特征数据,所述特征数据基于客户的业务数据节点衍生形成的特征,如画像、注册、申请、授信、交易、还款及催收等节点衍生得到的特征数据;
对所述训练业务数据进行识别,在预设特征数据库中匹配所述训练业务数据对应的特征数据,通过对训练业务数据进行识别,识别训练业务数据中的各节点数据,基于所述节点数据匹配训练特征数据。
S203:对所述需求数据进行识别,获取所述需求数据对应的特征筛选规则;
识别所述需求数据对应的特征筛选规则,如,所述需求数据为“还款能力”,基于“还款能力”获取“还款能力”对应的特征筛选规则。
S204:基于所述特征筛选规则,对所述特征数据进行处理,获得所述训练特征数据。
所述训练特征数据为符合所述特征筛选规则的特征数据。
S103:基于所述训练特征数据,对预设风险模型进行训练,获得标准风险模型。
S301:基于预设特征关联规则,对所述训练特征数据进行处理,获取构造特征数据;
所述构造特征数据包括所述训练特征数据与所述训练特征数据的关联特征数据,所述训练特征数据存在相关性,如还款数据与催收数据相关,交易数据与授信数据相关,基于预设特征关联规则,获得所述训练特征数据的关联特征数据,获得构造特征数据。
S302:基于预设风险模型,对所述构造特征数据进行处理,获得所述训练结果数据。
若所述训练结果数据满足预设条件,获得所述标准风险模型;
若所述训练结果数据不满足预设条件,所述预设风险模型继续进行校验迭代,直至满足预设条件,获得所述标准风险模型。
识别需求数据中的模型训练预设条件,所述预设条件为风险模型数据处理效果,确定所述风险模型效果表现形式。
图4为本申请中一种训练风险模型的数据处理装置的结构示意图,如图4所示,
数据获取模块41,用于获取开发人员的需求数据,其中,所述需求数据为在风险模型的开发过程中产生的需求数据;
预处理模块42,用于对所述需求数据进行预处理,获得所述需求数据对应的训练特征数据;
训练模块43,基于所述训练特征数据,对预设风险模型进行训练,获得标准风险模型。
图5为本申请中一种训练风险模型的数据处理装置的结构示意图,如图5所示,
特征数据获取模块51,用于对所述需求数据进行识别,获取所述需求数据对应的训练业务数据;
在预设特征数据库中,匹配与所述训练业务数据对应的特征数据,所述预设特征数据库中存储有所述训练业务数据与所述特征数据的映射关系。
特征数据筛选模块52,用于对所述需求数据进行识别,获取所述需求数据对应的特征筛选规则;
基于所述特征筛选规则,对所述特征数据进行处理,获得所述训练特征数据,其中,所述训练特征数据为符合所述特征筛选规则的特征数据。
关于上述实施例中各单元的执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
综上所述,在本申请中,通过对开发人员的需求数据进行处理,对训练业务数据进行处理,匹配所述训练业务数据对应的特征数据,基于开发人员的开发需求,对所述特征数据进行筛选和关联处理,获取包含有训练特征数据与所述训练特征数据的关联数据的构造特征数据,通过构造特征数据对预设风险模型进行训练,基于所述需求数据对应所述预设风险模型进行校验迭代,获得标准风险模型。本申请通过对训练业务数据进行处理,获得构造特征数据,可实现快速清洗构造入模特征及关联特征,缩短风险模型上线周期,提高风险模型的开发效率。
需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
显然,本领域的技术人员应该明白,上述的本申请的各单元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,可选地,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,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,本申请不限制于任何特定的硬件和软件结合。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种训练风险模型的数据处理方法,其特征在于,包括:
获取开发人员的需求数据,其中,所述需求数据为在风险模型的开发过程中产生的需求数据;
对所述需求数据进行预处理,获得所述需求数据对应的训练特征数据;
基于所述训练特征数据,对预设风险模型进行训练,获得标准风险模型。
2.根据权利要求1所述的数据处理方法,其特征在于,对所述需求数据进行预处理,获得所述需求数据对应的训练特征数据,包括:
对所述需求数据进行识别,获取所述需求数据对应的训练业务数据;
在预设特征数据库中,匹配与所述训练业务数据对应的特征数据,所述预设特征数据库中存储有所述训练业务数据与所述特征数据的映射关系。
3.根据权利要求1或权利要求2所述的数据处理方法,其特征在于,对所述需求数据进行预处理,获得所述需求数据对应的训练特征数据,包括:
对所述需求数据进行识别,获取所述需求数据对应的特征筛选规则;
基于所述特征筛选规则,对所述特征数据进行处理,获得所述训练特征数据,其中,所述训练特征数据为符合所述特征筛选规则的特征数据。
4.根据权利要求1所述的数据处理方法,其特征在于,基于所述训练特征数据,对预设风险模型进行训练,获得标准风险模型,包括:
基于预设特征关联规则,对所述训练特征数据进行处理,获取构造特征数据,其中,所述构造特征数据包括所述训练特征数据与所述训练特征数据的关联特征数据;
基于预设风险模型,对所述构造特征数据进行处理,获得所述训练结果数据。
5.根据权利要求4所述的数据处理方法,其特征在于,还包括:
基于所述需求数据对应所述预设风险模型进行校验迭代,获得标准风险模型,包括:
若所述训练结果数据满足预设条件,获得所述标准风险模型;
若所述训练结果数据不满足预设条件,所述预设风险模型继续进行校验迭代,直至满足预设条件,获得所述标准风险模型。
6.一种训练风险模型的数据处理装置,其特征在于,包括:
数据获取模块,用于获取开发人员的需求数据,其中,所述需求数据为在风险模型的开发过程中产生的需求数据;
预处理模块,用于对所述需求数据进行预处理,获得所述需求数据对应的训练特征数据;
训练模块,基于所述训练特征数据,对预设风险模型进行训练,获得标准风险模型。
7.根据权利要求1所述的数据处理装置,其特征在于,预处理模块,包括:
特征数据获取模块,用于对所述需求数据进行识别,获取所述需求数据对应的训练业务数据;
在预设特征数据库中,匹配与所述训练业务数据对应的特征数据,所述预设特征数据库中存储有所述训练业务数据与所述特征数据的映射关系。
8.根据权利要求1或权利要求2所述的数据处理装置,其特征在于,预处理模块,包括:
特征数据筛选模块,用于对所述需求数据进行识别,获取所述需求数据对应的特征筛选规则;
基于所述特征筛选规则,对所述特征数据进行处理,获得所述训练特征数据,其中,所述训练特征数据为符合所述特征筛选规则的特征数据。
9.根据权利要求1所述的数据处理装置,其特征在于,训练模块,基于所述训练特征数据,对预设风险模型进行训练,获得标准风险模型,包括:
基于预设特征关联规则,对所述训练特征数据进行处理,获取构造特征数据,其中,所述构造特征数据包括所述训练特征数据与所述训练特征数据的关联特征数据;
基于预设风险模型,对所述构造特征数据进行处理,获得所述训练结果数据。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至5任一项所述训练风险模型的数据处理方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110295231.XA CN113032440A (zh) | 2021-03-18 | 2021-03-18 | 训练风险模型的数据处理方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110295231.XA CN113032440A (zh) | 2021-03-18 | 2021-03-18 | 训练风险模型的数据处理方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113032440A true CN113032440A (zh) | 2021-06-25 |
Family
ID=76471723
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110295231.XA Pending CN113032440A (zh) | 2021-03-18 | 2021-03-18 | 训练风险模型的数据处理方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113032440A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114063992A (zh) * | 2022-01-11 | 2022-02-18 | 广东道一信息技术股份有限公司 | 一种低代码开发平台的建模方法及系统 |
CN115766489A (zh) * | 2022-12-23 | 2023-03-07 | 中国联合网络通信集团有限公司 | 数据处理设备、方法及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109670724A (zh) * | 2018-12-29 | 2019-04-23 | 重庆誉存大数据科技有限公司 | 风险评估方法及装置 |
CN110046815A (zh) * | 2019-04-11 | 2019-07-23 | 网易(杭州)网络有限公司 | 风险管理方法、装置、设备和存储介质 |
CN111311107A (zh) * | 2020-03-02 | 2020-06-19 | 腾讯科技(深圳)有限公司 | 基于用户关系的风险评估方法、装置和计算机设备 |
CN111325557A (zh) * | 2020-02-25 | 2020-06-23 | 支付宝(杭州)信息技术有限公司 | 一种商户风险的检测方法、装置及设备 |
CN111383100A (zh) * | 2020-03-25 | 2020-07-07 | 中国建设银行股份有限公司 | 基于风险模型的全生命周期管控方法和装置 |
-
2021
- 2021-03-18 CN CN202110295231.XA patent/CN113032440A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109670724A (zh) * | 2018-12-29 | 2019-04-23 | 重庆誉存大数据科技有限公司 | 风险评估方法及装置 |
CN110046815A (zh) * | 2019-04-11 | 2019-07-23 | 网易(杭州)网络有限公司 | 风险管理方法、装置、设备和存储介质 |
CN111325557A (zh) * | 2020-02-25 | 2020-06-23 | 支付宝(杭州)信息技术有限公司 | 一种商户风险的检测方法、装置及设备 |
CN111311107A (zh) * | 2020-03-02 | 2020-06-19 | 腾讯科技(深圳)有限公司 | 基于用户关系的风险评估方法、装置和计算机设备 |
CN111383100A (zh) * | 2020-03-25 | 2020-07-07 | 中国建设银行股份有限公司 | 基于风险模型的全生命周期管控方法和装置 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114063992A (zh) * | 2022-01-11 | 2022-02-18 | 广东道一信息技术股份有限公司 | 一种低代码开发平台的建模方法及系统 |
CN115766489A (zh) * | 2022-12-23 | 2023-03-07 | 中国联合网络通信集团有限公司 | 数据处理设备、方法及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113822494B (zh) | 风险预测方法、装置、设备及存储介质 | |
CN112800053B (zh) | 数据模型的生成方法、调用方法、装置、设备及存储介质 | |
CN110968701A (zh) | 用于图神经网络的关系图谱建立方法以及装置、设备 | |
CN105069036A (zh) | 一种信息推荐方法及装置 | |
CN111371767A (zh) | 恶意账号识别方法、恶意账号识别装置、介质及电子设备 | |
CN113032440A (zh) | 训练风险模型的数据处理方法和装置 | |
CN109726918A (zh) | 基于生成式对抗网络和半监督学习的个人信用确定方法 | |
CN114663198A (zh) | 基于用户画像的产品推荐方法、装置、设备及存储介质 | |
CN113592605A (zh) | 基于相似产品的产品推荐方法、装置、设备及存储介质 | |
CN109711849B (zh) | 以太坊地址画像生成方法、装置、电子设备及存储介质 | |
CN114048024A (zh) | 任务部署方法、装置、设备、存储介质及产品 | |
CN109885745A (zh) | 一种用户画像方法、装置、可读存储介质及终端设备 | |
CN109543959A (zh) | 审批链生成方法、装置、计算机设备及存储介质 | |
CN112950347A (zh) | 资源数据处理的优化方法及装置、存储介质、终端 | |
CN108647714A (zh) | 负面标签权重的获取方法、终端设备及介质 | |
Liu et al. | Brand marketing decision support system based on computer vision and parallel computing | |
CN114708073B (zh) | 一种围标串标智能检测方法、装置、电子设备及存储介质 | |
CN115600013A (zh) | 用于多主体之间匹配推荐的数据处理方法和装置 | |
CN109033078A (zh) | 语句类别识别方法及装置、存储介质、处理器 | |
CN115204971A (zh) | 产品推荐方法、装置、电子设备及计算机可读存储介质 | |
CN114780688A (zh) | 基于规则匹配的文本质检方法、装置、设备及存储介质 | |
CN114518993A (zh) | 基于业务特征的系统性能监控方法、装置、设备及介质 | |
CN113987351A (zh) | 基于人工智能的智能推荐方法、装置、电子设备及介质 | |
CN110909777A (zh) | 一种多维特征图嵌入方法、装置、设备及介质 | |
CN114418752B (zh) | 无类型标签用户数据的处理方法、装置、电子设备和介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210625 |