CN113065892B - 一种信息推送方法、装置、设备及存储介质 - Google Patents
一种信息推送方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113065892B CN113065892B CN202110304646.9A CN202110304646A CN113065892B CN 113065892 B CN113065892 B CN 113065892B CN 202110304646 A CN202110304646 A CN 202110304646A CN 113065892 B CN113065892 B CN 113065892B
- Authority
- CN
- China
- Prior art keywords
- objects
- node
- object set
- target
- information
- 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
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000012216 screening Methods 0.000 claims abstract description 61
- 238000012545 processing Methods 0.000 claims description 17
- 238000013145 classification model Methods 0.000 claims description 13
- 238000001914 filtration Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 description 9
- 238000012546 transfer Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 230000003068 static effect Effects 0.000 description 5
- 230000006399 behavior Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 101100042371 Caenorhabditis elegans set-3 gene Proteins 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请提供一种信息推送方法、装置、设备及存储介质,涉及大数据技术领域。该方法包括:构建多个待筛选对象中各待筛选对象的用户画像;根据各待筛选对象的用户画像以及待推送的目标信息的特征信息,从多个待筛选对象中筛选出至少一个对象,得到第一对象集合;基于第一对象集合中各对象的用户画像,对第一对象集合中的对象进行筛选,得到第二对象集合;向该第二对象集合中的各对象推送所述目标信息。应用本申请实施例,可以提高推送待推送信息的精度。
Description
技术领域
本申请涉及大数据技术领域,具体而言,涉及一种信息推送方法、装置、设备及存储介质。
背景技术
在激烈的市场竞争环境下,如何从海量的业务数据中提取出有价值的信息,并根据这些有价值的信息确定出目标对象,再将企业信息(如广告)推送给目标对象,该问题成为当今研究的热点。
目前,根据用户的历史业务数据构建用户画像,基于用户画像以及待推送信息的特性确定目标对象,进而将待推送信息推送给该目标对象。
然而,根据用户的历史业务数据抽象出的用户画像只是一个基本维度的参数,通过现有技术方式确定目标对象,存在无法精确锁定目标对象的现象,进而使推送待推送信息的精度降低。
发明内容
本申请的目的在于,针对上述现有技术中的不足,提供一种信息推送方法、装置、设备及存储介质,可以提高推送待推送信息的精度。
为实现上述目的,本申请实施例采用的技术方案如下:
第一方面,本申请实施例提供了一种信息推送方法,所述方法包括:
构建多个待筛选对象中各待筛选对象的用户画像;
根据所述各待筛选对象的用户画像以及待推送的目标信息的特征信息,从所述多个待筛选对象中筛选出至少一个对象,得到第一对象集合;
基于所述第一对象集合中各对象的用户画像,对所述第一对象集合中的对象进行筛选,得到第二对象集合;
向所述第二对象集合中的各对象推送所述目标信息。
可选地,所述基于所述第一对象集合中各对象的用户画像,对所述第一对象集合中的对象进行筛选,得到第二对象集合,包括:
根据预先设置的样本集构建目标关联网络,所述样本集中包括所述目标网络中各节点的属性以及各节点之间的关联关系;
基于所述目标关联网络以及所述第一对象集合中各对象的用户画像,对所述第一对象集合中的对象进行筛选,得到所述第二对象集合。
可选地,所述目标关联网络包括:二部图网络,所述样本集包括:第一样本集,所述二部图网络中包括至少一个第一节点和至少一个第二节点,每个所述第一节点用于表征在所述第一样本集中与所述目标信息相关联的对象的标识,每个所述第二节点用于表征在所述第一样本集中的对象的归属对象的标识;
所述基于所述目标关联网络以及所述第一对象集合中各对象的用户画像,对所述第一对象集合中的对象进行筛选,得到所述第二对象集合,包括:
统计所述二部图网络中每个所述第二节点对应的目标对象的信息,所述目标对象为所述第一样本集中与所述目标信息相关联且归属于所述第二节点的对象;
根据每个所述第二节点对应的目标对象的信息,确定各所述第二节点的分值;
根据各所述第二节点的分值以及所述第一对象集合中各对象的用户画像,对所述第一对象集合中的对象进行筛选,得到所述第二对象集合。
可选地,所述根据各所述第二节点的分值以及所述第一对象集合中各对象的用户画像,对所述第一对象集合中的对象进行筛选,得到所述第二对象集合,包括:
按照各所述第二节点的分值对各所述第二节点进行排序,得到目标第二节点集合;
将所述目标第二节点集合中各节点的属性与所述第一对象集合中各对象的用户画像进行匹配,得到匹配结果;
根据所述匹配结果,对所述第一对象集合中的对象进行筛选,得到所述第二对象集合。
可选地,所述目标关联网络包括:同构网络,所述样本集包括:第二样本集,所述同构网络中包括至少一个第三节点和至少一个第四节点,每个所述第三节点用于表征在所述第二样本集中与所述目标信息相关联的对象的交换标识,每个所述第四节点用于表征在所述第二样本集中与所述目标信息无关联的对象交换标识;
所述基于所述目标关联网络以及所述第一对象集合中各对象的用户画像,对所述第一对象集合中的对象进行筛选,得到所述第二对象集合,包括:
统计所述第三节点与所述第四节点的交换参数;
根据所述交换参数对各所述第四节点进行分层处理,得到各所述第四节点对应的层数据以及各层数据对应的第一分值;
采用弱连通子图算法对所述同构网络进行分团处理,并根据分团处理结果得到每个所述第四节点对应的第二分值;
根据所述第一分值、第二分值以及所述第一对象集合中各对象的用户画像,对所述第一对象集合中的对象进行筛选,得到所述第二对象集合。
可选地,基于所述第一对象集合中各对象的用户画像,对所述第一对象集合中的对象进行筛选,得到第二对象集合,包括:
采用预先训练获得的二分类模型,对所述第一对象集合中各对象的用户画像进行处理,得到所述第二对象集合。
可选地,所述采用预先训练获得的二分类模型,对所述第一对象集合中各对象的用户画像进行处理,得到所述第二对象集合,包括:
将所述第一对象集合中各对象的用户画像输入所述二分类模型中,得到各对象被推送的概率;
根据各所述对象被推送的概率以及预设的概率阈值,得到所述第二对象集合。
第二方面,本申请实施例还提供了一种信息推送装置,所述装置包括:
构建模块,用于构建多个待筛选对象中各待筛选对象的用户画像;
第一筛选模块,用于根据所述各待筛选对象的用户画像以及待推送的目标信息的特征信息,从所述多个待筛选对象中筛选出至少一个对象,得到第一对象集合;
第二筛选模块,用于基于所述第一对象集合中各对象的用户画像,对所述第一对象集合中的对象进行筛选,得到第二对象集合;
推送模块,用于向所述第二对象集合中的各对象推送所述目标信息。
可选地,所述第二筛选模块,具体用于根据预先设置的样本集构建目标关联网络,所述样本集中包括所述目标网络中各节点的属性以及各节点之间的关联关系;基于所述目标关联网络以及所述第一对象集合中各对象的用户画像,对所述第一对象集合中的对象进行筛选,得到所述第二对象集合。
可选地,所述目标关联网络包括:二部图网络,所述样本集包括:第一样本集,所述二部图网络中包括至少一个第一节点和至少一个第二节点,每个所述第一节点用于表征在所述第一样本集中与所述目标信息相关联的对象的标识,每个所述第二节点用于表征在所述第一样本集中的对象的归属对象的标识;
相应地,所述第二筛选模块,还具体用于统计所述二部图网络中每个所述第二节点对应的目标对象的信息,所述目标对象为所述第一样本集中与所述目标信息相关联且归属于所述第二节点的对象;根据每个所述第二节点对应的目标对象的信息,确定各所述第二节点的分值;根据各所述第二节点的分值以及所述第一对象集合中各对象的用户画像,对所述第一对象集合中的对象进行筛选,得到所述第二对象集合。
可选地,所述第二筛选模块,还具体用于按照各所述第二节点的分值对各所述第二节点进行排序,得到目标第二节点集合;将所述目标第二节点集合中各节点的属性与所述第一对象集合中各对象的用户画像进行匹配,得到匹配结果;根据所述匹配结果,对所述第一对象集合中的对象进行筛选,得到所述第二对象集合。
可选地,所述目标关联网络包括:同构网络,所述样本集包括:第二样本集,所述同构网络中包括至少一个第三节点和至少一个第四节点,每个所述第三节点用于表征在所述第二样本集中与所述目标信息相关联的对象的交换标识,每个所述第四节点用于表征在所述第二样本集中与所述目标信息无关联的对象交换标识;
相应地,所述第二筛选模块,还具体用于统计所述第三节点与所述第四节点的交换参数;根据所述交换参数对各所述第四节点进行分层处理,得到各所述第四节点对应的层数据以及各层数据对应的第一分值;采用弱连通子图算法对所述同构网络进行分团处理,并根据分团处理结果得到每个所述第四节点对应的第二分值;根据所述第一分值、第二分值以及所述第一对象集合中各对象的用户画像,对所述第一对象集合中的对象进行筛选,得到所述第二对象集合。
可选地,所述第二筛选模块,还具体用于采用预先训练获得的二分类模型,对所述第一对象集合中各对象的用户画像进行处理,得到所述第二对象集合。
可选地,所述第二筛选模块,还具体用于将所述第一对象集合中各对象的用户画像输入所述二分类模型中,得到各对象被推送的概率;根据各所述对象被推送的概率以及预设的概率阈值,得到所述第二对象集合。
第三方面,本申请实施例提供了一种电子设备,包括:处理器、存储介质和总线,所述存储介质存储有所述处理器可执行的机器可读指令,当所述电子设备运行时,所述处理器与所述存储介质之间通过总线通信,所述处理器执行所述机器可读指令,以执行上述第一方面的所述信息推送方法的步骤。
第四方面,本申请实施例提供了一种存储介质,所述存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行上述第一方面的所述信息推送方法的步骤。
本申请的有益效果是:
本申请实施例提供一种信息推送方法、装置、设备及存储介质,该方法包括:构建多个待筛选对象中各待筛选对象的用户画像;根据各待筛选对象的用户画像以及待推送的目标信息的特征信息,从多个待筛选对象中筛选出至少一个对象,得到第一对象集合;基于第一对象集合中各对象的用户画像,对第一对象集合中的对象进行筛选,得到第二对象集合;向该第二对象集合中的各对象推送所述目标信息。采用本申请实施例提供的信息推送方法,首先利用各待筛选对象的用户画像得到第一对象集合,这是基于单个个体特征这一维度考虑的,在此基础上,再基于各待筛选对象的用户画像其他维度对第一对象集合中的对象进行筛选,得到第二对象集合。可以看出,本申请是通过多个维度对目标对象进行筛选,这样可以精确锁定目标对象,进而将目标信息精确的推送给目标对象(第二对象集合中的对象),即提高推送待推送信息的精度。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为本申请实施例提供的一种信息推送方法的流程示意图;
图2为本申请实施例提供的另一种信息推送方法的流程示意图;
图3为本申请实施例提供的又一种信息推送方法的流程示意图;
图4为本发明实施例提供的一种二部图网络的结构示意图;
图5为本申请实施例提供的再一种信息推送方法的流程示意图;
图6为本发明实施例提供的一种同构网络的结构示意图;
图7为本申请实施例提供的一种信息推送装置的结构示意图;
图8为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本申请一部分实施例,而不是全部的实施例。
因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本申请的选定实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
如下结合附图对本申请所提到的信息推送方法进行示例说明。图1为本申请实施例提供的一种信息推送方法的流程示意图。如图1所示,该方法可包括:
S101、构建多个待筛选对象中各待筛选对象的用户画像。
可根据实际需求,选择待筛选对象集,该待筛选对象集中可包括多个待筛选对象,待筛选对象可为用户。通过采集各待筛选对象产生的历史数据来构建其对应的用户画像。其中,该历史数据可包括静态数据以及动态数据,该静态数据用于表征用户的基本属性信息,通常不随着时间的变化而变化,如姓名、性别、职业、职位等,该动态数据用于表征用户的动态行为数据,通常会随着时间的变化而变化,如手机银行登录数据、浏览信息、购买信息等。根据在预设历史时间段内收集的静态数据以及动态数据分别构建用户画像,需要说明的是,由于动态数据一般随着时间的变化而变化,所以可按照预设的周期对用户画像进行更新,使更新后的用户画像更精准的表征待筛选对象的属性。
假设在银行产品推送的场景中,可通过银行系统获取各待筛选对象的静态数据和动态数据,静态数据可包括性别,职业,职位,学历,地址等,动态数据可包括从手机登录银行行为数据中提取出用户在过去一段时间内的登录次数、0-6点登录次数、6-12点登录次数、登录天数等,这一类标签因为其长时间不会变化因此在后续画像更新过程中不需要实时更新;从信用卡刷卡行为数据中提取出用户在过去一段时间内刷卡次数、刷卡金额、刷卡频率、是否高端客户、是否连续多日刷卡、是否满额刷卡等;从理财购买行为数据中提取出用户在过去一段时间内购买理财的种类、购买理财的次数、购买理财的金额、购买理财的时间偏好等;从行内资产数据中提取出用户过去一段时间内行内资产的最大值、最小值、资产变化趋势等,这一类基于因为实时性要求比较高,因此在后续画像更新过程中需要实时更新。
需要说明的是,在构建用户画像构成中,可对采集到的原始数据进行清洗,如原始数据中脏数据、缺失值、异常值进行处理。具体的,对于缺失值的处理方法有填充、丢弃、使用模型预测等;对于异常值可以用矫正、丢弃等方法,本申请不对清洗的方法进行限定,利用清洗操作后的数据构建用户画像,可提高用户画像构建的精准度。还需要说明的是,本申请也可应用于其他任何需要进行信息推送的场景中,本申请不对其进行限定。
S102、根据各待筛选对象的用户画像以及待推送的目标信息的特征信息,从多个待筛选对象中筛选出至少一个对象,得到第一对象集合。
其中,可预先对推送目标信息成功的用户的历史数据进行收集,构建这类用户的用户画像,构建用户画像的过程如上所述,此处不再进行描述。将该类用户可称为基准用户,可对各基准用户的用户画像进行分析,如将各基准用户的用户画像中属于 同类标签的数据(如登陆次数)进行综合分析。一般情况下,各类标签的数据类型可包括连续性数据类型、离散性数据类型,对于连续性数据类型的数据可通过Kernel Density Estimates(核密度曲线图)进行其数据分析,对于离散性数据类型的数据可通过柱状图进行数据分析。统计分析结果可得到待推送的目标信息的特征信息,将各待筛选对象的用户画像与该分析结果进行匹配,将匹配度高的用户画像提取出来,将提取出的用户画像对应的对象组成第一对象集合(set1)。
S103、基于该第一对象集合中各对象的用户画像,对该第一对象集合中的对象进行筛选,得到第二对象集合。
S104、向该第二对象集合中的各对象推送该目标信息。
其中,该第一对象集合中各对象的用户画像具有一定的拓扑关系,该拓扑关系如可为该第一对象集合中各对象的用户画像与其他对象有一定的关联,可得到关联数据,基于该关联数据可对该第一对象集合中的对象进行筛选,将筛选出的对象组成第二对象集合,该第二集合中包括的对象为需要将目标信息推送的对象,可通过多种方式向该第二集合中的各对象推送该目标信息,该方式可包括短信、电话、邮箱等。
综上所述,本申请提供的信息推送方法中,构建多个待筛选对象中各待筛选对象的用户画像;根据各待筛选对象的用户画像以及待推送的目标信息的特征信息,从多个待筛选对象中筛选出至少一个对象,得到第一对象集合;基于第一对象集合中各对象的用户画像,对第一对象集合中的对象进行筛选,得到第二对象集合;向该第二对象集合中的各对象推送所述目标信息。采用本申请实施例提供的信息推送方法,首先利用各待筛选对象的用户画像得到第一对象集合,这是基于单个个体特征这一维度考虑的,在此基础上,再基于各待筛选对象的用户画像其他维度对第一对象集合中的对象进行筛选,得到第二对象集合。可以看出,本申请是通过多个维度对目标对象进行筛选,这样可以精确锁定目标对象,进而将目标信息精确的推送给目标对象(第二对象集合中的对象),即提高推送待推送信息的精度。
图2为本申请实施例提供的另一种信息推送方法的流程示意图。如图2所示,可选地,上述基于第一对象集合中各对象的用户画像,对第一对象集合中的对象进行筛选,得到第二对象集合,包括:
S201、根据预先设置的样本集构建目标关联网络。
其中,该样本集中包括该目标网络中各节点的属性以及各节点之间的关联关系;各节点的属性可包括用户的身份标识、与用户有关联关系的其他对象的身份标识,也可包括与用户相关联的其他账号信息等,各节点的属性通常可分为两类,一类属性对应的各节点与另一类属性对应的各节点之间是否有关联关系也是在样本集中预先记载的。需要说明的是,本申请不对其进行限定,并且,此处提到的用户一般与第一对象集合中包括的对象属于两个完全不同的个体,该用户是一些已知与目标信息有关联关系的用户。
S202、基于该目标关联网络以及该第一对象集合中各对象的用户画像,对该第一对象集合中的对象进行筛选,得到该第二对象集合。
其中,通过该目标关联网络可得到和目标信息有密切联系的数据,将该数据与该第一对象集合中各对象的用户画像进行对比,根据对比结果可得到第一对象集合中为目标对象的对象,将各目标对象组成该第二对象集合。
图3为本申请实施例提供的又一种信息推送方法的流程示意图。如图3所示,该目标关联网络可包括二部图网络,该样本集可包括第一样本集,该二部图网络中包括至少一个第一节点和至少一个第二节点,每个第一节点用于表征在该第一样本集中与该目标信息相关联的对象的标识,每个第二节点用于表征在第一样本集中的对象的归属对象的标识。上述基于该目标关联网络以及该第一对象集合中各对象的用户画像,对该第一对象集合中的对象进行筛选,得到该第二对象集合,包括:
S301、统计该二部图网络中每个第二节点对应的目标对象的信息,该目标对象为该第一样本集中与该目标信息相关联且归属于该第二节点的对象。
其中,该二部图网络中包括的第一节点的数量与该第一样本集中与目标信息相关联的对象的个数相对应,该二部图网络中包括的第二节点的数量与第一样本集中的与目标信息相关联的对象的归属对象的个数相对应。该二部图网络中包括的各第一节点的属性一致,该二部图网络中包括的各第二节点的属性一致,其中,各第一节点的属性可均为该第一样本集中与该目标信息相关联的对象的标识,如用户的身份证(客户ID),各第二节点的属性可均为该第一样本集中的对象的归属对象的标识,如公司ID。该二部图网络具体可如图4所示,从图4的二部图网络中可得出各公司所包含的人员有哪些,图4中的第一节点用来表示客户ID,第二节点用来表示公司ID。
根据二部图网络中的连接关系,可得到与每个第二节点有关联的第一节点,即目标对象。举例来说,假设第一节点对应的用户均为申请过产品A(目标信息)的用户,那么申请过产品A的用户可包括申请产品A成功的用户以及申请产品A未成功的用户,即每个用户可包括两个参数,申请A产品的人数以及申请通过率,进而得到目标对象的信息为申请A产品的人数以及申请通过率这两个参数。需要说明的是,本申请不对目标对象的信息中包括的参数个数进行限定。
S302、根据每个第二节点对应的目标对象的信息,确定各第二节点的分值。
可根据各第二节点对应的目标对象的信息中的参数得到各参数对应的平均值,基于该平均值以及每个第二节点对应的目标对象的信息对应的参数,可对每个第二节点进行评分,得到各第二节点的分值。
S303、根据各第二节点的分值以及第一对象集合中各对象的用户画像,对该第一对象集合中的对象进行筛选,得到该第二对象集合。
可选地,按照各第二节点的分值对各第二节点进行排序,得到目标第二节点集合;将该目标第二节点集合中各节点的属性与该第一对象集合中各对象的用户画像进行匹配,得到匹配结果;根据该匹配结果,对第一对象集合中的对象进行筛选,得到该第二对象集合。
其中,可根据各第二节点的分值,将各第二节点按照分值从大到小的顺序进行排序,提取前预设多个第二节点组成目标第二节点集合。继续上述举例来说,目标第二节点集合中包括的第二节点相当于是一些目标公司,根据该第一对象集合中各对象的用户画像,可得出各第一对象所属的公司,将第一对象所属的公司与目标公司相匹配,确定出所述公司为目标公司的第一对象,最后将公司为目标公司的第一对象从第一对象集合中筛选出,组成第二对象集合(set2)。
可以看出,通过将包含有与目标信息相关联第一节点的二部图网络与用户画像相结合的方式,可以更精确的筛选出第二对象集合,该第二对象集合中的对象与目标信息更匹配,即提高了推送目标信息的精确度。
图5为本申请实施例提供的再一种信息推送方法的流程示意图。如图5所示,该目标关联网络可包括同构网络,该样本集包括可包括第二样本集,该同构网络中包括至少一个第三节点和至少一个第四节点,每个第三节点用于表征在该第二样本集中与该目标信息相关联的对象的交换标识,每个第四节点用于表征在该第二样本集中与该目标信息无关联的对象交换标识。上述基于该目标关联网络以及该第一对象集合中各对象的用户画像,对该第一对象集合中的对象进行筛选,得到该第二对象集合,包括:
S501、统计该第三节点与该第四节点的交换参数。
其中,该同构网络中包括的第三节点的数量与该第二样本集中与目标信息相关联的对象的个数相对应,该同构网络中包括的第四节点的数量与第二样本集中与目标信息无关联的对象的个数相对应。通常,该第二样本集中与目标信息无关联的对象包括该第一对象集合中的对象。该同构网络中包括的各第三节点的属性一致,该同构网络中包括的各第四节点的属性一致,其中,各第三节点的属性可均为该第一样本集中与该目标信息相关联的对象的交换标识,如账号,该账号称为源账号,各第四节点的属性可均为与该目标信息相关联的对象的交换标识,如账号,该账号称为目标账号。举例来说,若账户1向账户2转了一笔钱,并且转换1申请过A产品,账户2未申请过A产品,则账户1为源账户,账户2为目标账户。该同构网络具体可如图6所示,从图6的同构网络中可得出与各目标账号有连接关系的源账号有哪些,图6中的第三节点用来表示源账户,第四节点用来表示目标账户。
根据同构网络中的连接关系,可得到与每个第四节点有关联的第三节点,根据第三节点与第四节点的具体连接信息,可得到每个第四节点对应的交换参数。继续以上述提到的源账户向目标账户转账的场景来说,每个第四节点对应的交换参数可包括转账的金额、转账频次、转账时间差值,当然也可包括其他交换参数,本申请不对其进行限定。根据转账记录,可提取出这些交换参数。
S502、根据该交换参数对各所述第四节点进行分层处理,得到各第四节点对应的层数据以及各层数据对应的第一分值。
可根据每个第四节点对应的交换参数可计算出平均交换参数,继续上述距离来说,该平均交换参数可包括平均转账的金额、平均转账频次、平均转账时间差值,将各第四节点对应的交换参数与平均交换参数进行比较。可预先设置若交换参数大于平均交换参数,则用1表示,若交换参数小于平均交换参数,则用0表示,那么对应一个具有3个交换参数的第四节点来说,可为下述8个标记中的任何一种:111、101、011、001、110、100、010、000,那么每个第四节点对应的层数据为这8个标记中的一种。对应一个具有4个交换参数的第四节点来说,可为16个标记中的任何一种,以此类推。预先设定这8个标记从左到右推荐的可能性从高到低,根据每个第四节点对应的层数据,可得到各第四节点对应的第一分值(score1)。
S503、采用弱连通子图算法对该同构网络进行分团处理,并根据分团处理结果得到每个第四节点对应的第二分值。
其中,将图6所示同构网络中第三节点、第四节点之间有连接的节点分成一个团,每个团有对应的ID,统计每个团对应的参数,得到平均参数,可根据每个团对应的参数以及该平均参数将团分为多个层级。举例来说,假设每个团对应的参数包括申请过A产品的用户人数以及申请通过率,可根据每个团对应的参数计算出平均参数,该平均参数可包括平均申请过A产品的用户人数、平均申请通过率,将各第四节点对应的参数与平均参数进行比较,需要说明的是,本申请不对团对应的参数个数进行限定。
可预先设置若团对应的参数大于平均参数,则用1表示,若团对应的参数小于平均交换参数,则用0表示,那么对应一个具有2个参数的团来说,可为下述4个标记中的任何一种:11、10,01,00,那么每个团对应的分团处理结果为这4个标记中的一种,预先设定这4个标记从左到右推荐的可能性从高到低,根据每个团对应的分团处理结果,可得到各团对应的第二分值(score2),即各团中包括的第四节点对应的第二分值(score2)。
需要说明的是,可根据团中所包括的源账号计算出申请过A产品的用户人数,申请过A产品的用户可包括多个源账号,未申请过A产品的用户也可包括多个目标账户,将属于同一用户的账号用一个用户表示。
S504、根据该第一分值、第二分值以及该第一对象集合中各对象的用户画像,对该第一对象集合中的对象进行筛选,得到该第二对象集合。
将同一个第四节点对应的第一分值(score1)、第二分值(score2)综合计算出每个第四节点对应的总分值,将总分值按照从大到小的顺序进行排序,可取前n个总分值对应的第四节点作为目标第四节点。该第一对象集合中各对象的用户画像中包括与对象关联的目标账户,将该目标第四节点与该第一对象集合中各对象的用户画像进行匹配,将具有目标第四节点的对象从第一对象集合中筛选出,组成第二对象集合(set3)。
在另一种可实现的方式中,第一分值(score1)对应有第一权重(weight1),第二分值(score2)对应有第二权重(weight2),可通过下式计算出每个第四节点对应的总分值:socre1*weight1+score2*weight2,其中,第一权重(weight1)、第二权重(weight2)可根据实际需求进行设置,本申请不对其进行限定。其他内容可参考上述描述,此处不再进行赘述。
可以看出,通过将包含有与目标信息相关联第三节点的同构网络与用户画像相结合的方式,可以更精确的筛选出第二对象集合,该第二对象集合中的对象与目标信息更匹配,即提高了推送目标信息的精确度。
可选地,上述基于该第一对象集合中各对象的用户画像,对该第一对象集合中的对象进行筛选,得到第二对象集合,包括:采用预先训练获得的二分类模型,对该第一对象集合中各对象的用户画像进行处理,得到该第二对象集合。
其中,可通过下述方式训练得到二分类模型,可构建训练样本,该训练样本中包括正样本以及负样本。继续上述举例来说,正样本中的特征为申请过A产品的用户对应的用户画像,该特征对应的标签为1,负样本中的特征为未申请过A产品的用户对应的用户画像,该特征对应的标签为0,根据训练样本以及训练停止条件,可训练得到该二分类模型。在该二分类模型得到后,可将第一对象集合中各对象的用户画像中的特征分别输入到该二分类模型中,该第二分类模型可输出第一对象集合中各对象申请A产品的概率,根据第一对象集合中各对象申请A产品的概率从述第一对象集合中筛选出目标对象,将该目标对象组成述第二对象集合(set4)。
可选地,上述采用预先训练获得的二分类模型,对该第一对象集合中各对象的用户画像进行处理,根据处理结果对第一对象集合中的对象进行筛选,得到该第二对象集合,包括:将第一对象集合中各对象的用户画像输入该二分类模型中,得到各对象被推送的概率;根据各对象被推送的概率以及预设的概率阈值,得到该第二对象集合。
其中,在二分类模型输出各对象被推送的概率后,可将各对象被推送的概率与预先设置的概率阈值进行比较,将大于该概率阈值的对象组成该第二对象集合。
可以看出,通过将二分类模型与用户画像相结合的方式,可以更精确的筛选出第二对象集合,该第二对象集合中的对象与目标信息更匹配,即提高了推送目标信息的精确度。
需要说明的是,上述提到的获取第二对象集合(set2、set3、set4)的方式可单独使用,也可结合使用。在结合使用时,可根据至少两种第二对象集合求其并集,将并集结果中包括的对象作为最终推送目标信息的对象。
图7为本申请实施例提供的一种信息推送装置的结构示意图。如图7所示,该装置可以包括:
构建模块701,用于构建多个待筛选对象中各待筛选对象的用户画像;
第一筛选模块702,用于根据各待筛选对象的用户画像以及待推送的目标信息的特征信息,从多个待筛选对象中筛选出至少一个对象,得到第一对象集合;
第二筛选模块703,用于基于该第一对象集合中各对象的用户画像,对该第一对象集合中的对象进行筛选,得到第二对象集合;
推送模块704,用于向该第二对象集合中的各对象推送该目标信息。
可选地,第二筛选模块703,具体用于根据预先设置的样本集构建目标关联网络,样本集中包括目标网络中各节点的属性以及各节点之间的关联关系;基于目标关联网络以及第一对象集合中各对象的用户画像,对第一对象集合中的对象进行筛选,得到第二对象集合。
可选地,目标关联网络包括:二部图网络,样本集包括:第一样本集,二部图网络中包括至少一个第一节点和至少一个第二节点,每个第一节点用于表征在第一样本集中与目标信息相关联的对象的标识,每个第二节点用于表征在第一样本集中的对象的归属对象的标识;
相应地,第二筛选模块703,还具体用于统计二部图网络中每个第二节点对应的目标对象的信息,目标对象为第一样本集中与目标信息相关联且归属于第二节点的对象;根据每个第二节点对应的目标对象的信息,确定各第二节点的分值;根据各第二节点的分值以及第一对象集合中各对象的用户画像,对第一对象集合中的对象进行筛选,得到第二对象集合。
可选地,第二筛选模块703,还具体用于按照各第二节点的分值对各第二节点进行排序,得到目标第二节点集合;将目标第二节点集合中各节点的属性与第一对象集合中各对象的用户画像进行匹配,得到匹配结果;根据匹配结果,对第一对象集合中的对象进行筛选,得到第二对象集合。
可选地,目标关联网络包括:同构网络,样本集包括:第二样本集,同构网络中包括至少一个第三节点和至少一个第四节点,每个第三节点用于表征在第二样本集中与目标信息相关联的对象的交换标识,每个第四节点用于表征在第二样本集中与目标信息无关联的对象交换标识;
相应地,第二筛选模块703,还具体用于统计第三节点与第四节点的交换参数;根据交换参数对各第四节点进行分层处理,得到各第四节点对应的层数据以及各层数据对应的第一分值;采用弱连通子图算法对同构网络进行分团处理,并根据分团处理结果得到每个第四节点对应的第二分值;根据第一分值、第二分值以及第一对象集合中各对象的用户画像,对第一对象集合中的对象进行筛选,得到第二对象集合。
可选地,第二筛选模块703,还具体用于采用预先训练获得的二分类模型,对第一对象集合中各对象的用户画像进行处理,得到第二对象集合。
可选地,第二筛选模块703,还具体用于将第一对象集合中各对象的用户画像输入二分类模型中,得到各对象被推送的概率;根据各对象被推送的概率以及预设的概率阈值,得到第二对象集合。
上述装置用于执行前述实施例提供的方法,其实现原理和技术效果类似,在此不再赘述。
以上这些模块可以是被配置成实施以上方法的一个或多个集成电路,例如:一个或多个特定集成电路(Application Specific Integrated Circuit,简称ASIC),或,一个或多个微处理器(Digital Signal Processor,简称DSP),或,一个或者多个现场可编程门阵列(Field Programmable Gate Array,简称FPGA)等。再如,当以上某个模块通过处理元件调度程序代码的形式实现时,该处理元件可以是通用处理器,例如中央处理器(CentralProcessing Unit,简称CPU)或其它可以调用程序代码的处理器。再如,这些模块可以集成在一起,以片上系统(system-on-a-chip,简称SOC)的形式实现。
图8为本申请实施例提供的一种电子设备的结构示意图,如图8所示,该视频推荐设备可以包括:处理器801、存储介质802和总线803,存储介质802存储有处理器801可执行的机器可读指令,当该电子设备运行时,处理器801与存储介质802之间通过总线803通信,处理器801执行机器可读指令,以执行上述信息推送方法的步骤。具体实现方式和技术效果类似,这里不再赘述。
可选地,本申请还提供一种存储介质,存储介质上存储有计算机程序,计算机程序被处理器运行时执行上述信息推送方法的步骤。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中,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,或者网络设备等)或处理器(英文:processor)执行本申请各个实施例所述方法的部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(英文:Read-Only Memory,简称:ROM)、随机存取存储器(英文:Random Access Memory,简称:RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
需要说明的是,在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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。
Claims (8)
1.一种信息推送方法,其特征在于,所述方法包括:
构建多个待筛选对象中各待筛选对象的用户画像;
根据所述各待筛选对象的用户画像以及待推送的目标信息的特征信息,从所述多个待筛选对象中筛选出至少一个对象,得到第一对象集合;
基于所述第一对象集合中各对象的用户画像,对所述第一对象集合中的对象进行筛选,得到第二对象集合;
向所述第二对象集合中的各对象推送所述目标信息;
所述基于所述第一对象集合中各对象的用户画像,对所述第一对象集合中的对象进行筛选,得到第二对象集合,包括:
根据预先设置的样本集构建目标关联网络,所述样本集中包括所述目标关联网络中各节点的属性以及各节点之间的关联关系;
基于所述目标关联网络以及所述第一对象集合中各对象的用户画像,对所述第一对象集合中的对象进行筛选,得到所述第二对象集合;
所述目标关联网络包括:二部图网络,所述样本集包括:第一样本集,所述二部图网络中包括至少一个第一节点和至少一个第二节点,每个所述第一节点用于表征在所述第一样本集中与所述目标信息相关联的对象的标识,每个所述第二节点用于表征在所述第一样本集中的对象的归属对象的标识;
所述基于所述目标关联网络以及所述第一对象集合中各对象的用户画像,对所述第一对象集合中的对象进行筛选,得到所述第二对象集合,包括:
统计所述二部图网络中每个所述第二节点对应的目标对象的信息,所述目标对象为所述第一样本集中与所述目标信息相关联且归属于所述第二节点的对象;
根据每个所述第二节点对应的目标对象的信息,确定各所述第二节点的分值;
根据各所述第二节点的分值以及所述第一对象集合中各对象的用户画像,对所述第一对象集合中的对象进行筛选,得到所述第二对象集合。
2.根据权利要求1所述的方法,其特征在于,所述根据各所述第二节点的分值以及所述第一对象集合中各对象的用户画像,对所述第一对象集合中的对象进行筛选,得到所述第二对象集合,包括:
按照各所述第二节点的分值对各所述第二节点进行排序,得到目标第二节点集合;
将所述目标第二节点集合中各节点的属性与所述第一对象集合中各对象的用户画像进行匹配,得到匹配结果;
根据所述匹配结果,对所述第一对象集合中的对象进行筛选,得到所述第二对象集合。
3.根据权利要求1所述的方法,其特征在于,所述目标关联网络包括:同构网络,所述样本集包括:第二样本集,所述同构网络中包括至少一个第三节点和至少一个第四节点,每个所述第三节点用于表征在所述第二样本集中与所述目标信息相关联的对象的交换标识,每个所述第四节点用于表征在所述第二样本集中与所述目标信息无关联的对象交换标识;
所述基于所述目标关联网络以及所述第一对象集合中各对象的用户画像,对所述第一对象集合中的对象进行筛选,得到所述第二对象集合,包括:
统计所述第三节点与所述第四节点的交换参数;
根据所述交换参数对各所述第四节点进行分层处理,得到各所述第四节点对应的层数据以及各层数据对应的第一分值;
采用弱连通子图算法对所述同构网络进行分团处理,并根据分团处理结果得到每个所述第四节点对应的第二分值;
根据所述第一分值、第二分值以及所述第一对象集合中各对象的用户画像,对所述第一对象集合中的对象进行筛选,得到所述第二对象集合。
4.根据权利要求1所述的方法,其特征在于,基于所述第一对象集合中各对象的用户画像,对所述第一对象集合中的对象进行筛选,得到第二对象集合,包括:
采用预先训练获得的二分类模型,对所述第一对象集合中各对象的用户画像进行处理,得到所述第二对象集合。
5.根据权利要求4所述的方法,其特征在于,所述采用预先训练获得的二分类模型,对所述第一对象集合中各对象的用户画像进行处理,得到所述第二对象集合,包括:
将所述第一对象集合中各对象的用户画像输入所述二分类模型中,得到各对象被推送的概率;
根据各所述对象被推送的概率以及预设的概率阈值,得到所述第二对象集合。
6.一种信息推送装置,其特征在于,所述装置包括:
构建模块,用于构建多个待筛选对象中各待筛选对象的用户画像;
第一筛选模块,用于根据所述各待筛选对象的用户画像以及待推送的目标信息的特征信息,从所述多个待筛选对象中筛选出至少一个对象,得到第一对象集合;
第二筛选模块,用于基于所述第一对象集合中各对象的用户画像,对所述第一对象集合中的对象进行筛选,得到第二对象集合;
推送模块,用于向所述第二对象集合中的各对象推送所述目标信息;
所述第二筛选模块,具体用于根据预先设置的样本集构建目标关联网络,所述样本集中包括所述目标关联网络中各节点的属性以及各节点之间的关联关系;
目标关联网络包括:二部图网络,样本集包括:第一样本集,二部图网络中包括至少一个第一节点和至少一个第二节点,每个第一节点用于表征在第一样本集中与目标信息相关联的对象的标识,每个第二节点用于表征在第一样本集中的对象的归属对象的标识;
所述第二筛选模块,具体用于基于所述目标关联网络以及所述第一对象集合中各对象的用户画像,对所述第一对象集合中的对象进行筛选,得到所述第二对象集合;统计所述二部图网络中每个所述第二节点对应的目标对象的信息,所述目标对象为所述第一样本集中与所述目标信息相关联且归属于所述第二节点的对象;根据每个所述第二节点对应的目标对象的信息,确定各所述第二节点的分值;根据各所述第二节点的分值以及所述第一对象集合中各对象的用户画像,对所述第一对象集合中的对象进行筛选,得到所述第二对象集合。
7.一种电子设备,其特征在于,包括:处理器、存储介质和总线,所述存储介质存储有所述处理器可执行的机器可读指令,当所述电子设备运行时,所述处理器与所述存储介质之间通过总线通信,所述处理器执行所述机器可读指令,以执行如权利要求1-5任一项所述信息推送方法的步骤。
8.一种存储介质,其特征在于,所述存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行如权利要求1-5任一项所述信息推送方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110304646.9A CN113065892B (zh) | 2021-03-22 | 2021-03-22 | 一种信息推送方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110304646.9A CN113065892B (zh) | 2021-03-22 | 2021-03-22 | 一种信息推送方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113065892A CN113065892A (zh) | 2021-07-02 |
CN113065892B true CN113065892B (zh) | 2024-05-24 |
Family
ID=76562814
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110304646.9A Active CN113065892B (zh) | 2021-03-22 | 2021-03-22 | 一种信息推送方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113065892B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113438374B (zh) * | 2021-07-27 | 2022-10-11 | 中国平安人寿保险股份有限公司 | 智能外呼处理方法、装置、设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111710429A (zh) * | 2020-05-29 | 2020-09-25 | 平安医疗健康管理股份有限公司 | 信息的推送方法及装置、计算机设备、存储介质 |
CN111898023A (zh) * | 2020-07-24 | 2020-11-06 | 北京口袋财富信息科技有限公司 | 一种消息推送方法、装置、可读存储介质及计算设备 |
CN112000894A (zh) * | 2020-10-28 | 2020-11-27 | 北京妙医佳健康科技集团有限公司 | 一种健康管理信息推送方法、装置、设备及存储介质 |
-
2021
- 2021-03-22 CN CN202110304646.9A patent/CN113065892B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111710429A (zh) * | 2020-05-29 | 2020-09-25 | 平安医疗健康管理股份有限公司 | 信息的推送方法及装置、计算机设备、存储介质 |
CN111898023A (zh) * | 2020-07-24 | 2020-11-06 | 北京口袋财富信息科技有限公司 | 一种消息推送方法、装置、可读存储介质及计算设备 |
CN112000894A (zh) * | 2020-10-28 | 2020-11-27 | 北京妙医佳健康科技集团有限公司 | 一种健康管理信息推送方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113065892A (zh) | 2021-07-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110009174B (zh) | 风险识别模型训练方法、装置及服务器 | |
CN111291816B (zh) | 针对用户分类模型进行特征处理的方法及装置 | |
CN111932130B (zh) | 业务类型识别方法及装置 | |
CN110462651B (zh) | 模型变量候补生成装置及方法 | |
CN117611335A (zh) | 金融风险识别方法、装置、电子设备和存储介质 | |
CN115545886A (zh) | 逾期风险识别方法、装置、设备及存储介质 | |
CN113065892B (zh) | 一种信息推送方法、装置、设备及存储介质 | |
CN114971294A (zh) | 数据采集方法、装置、设备及存储介质 | |
CN114493686A (zh) | 一种运营内容生成推送方法及装置 | |
US20210073247A1 (en) | System and method for machine learning architecture for interdependence detection | |
CN115115369A (zh) | 数据处理方法、装置、设备及存储介质 | |
CN116805245A (zh) | 基于图神经网络与解耦表示学习的欺诈检测方法及系统 | |
CN115965468A (zh) | 基于交易数据的异常行为检测方法、装置、设备及介质 | |
CN115114851A (zh) | 基于五折交叉验证的评分卡建模方法及装置 | |
CN113743838B (zh) | 目标用户识别方法、装置、计算机设备和存储介质 | |
CN114756685A (zh) | 一种投诉单的投诉风险识别方法及装置 | |
CN113706258A (zh) | 基于组合模型的产品推荐方法、装置、设备及存储介质 | |
CN113283979A (zh) | 一种贷款申请人的贷款信用评估方法、装置及存储介质 | |
CN113706279A (zh) | 欺诈分析方法、装置、电子设备及存储介质 | |
CN111882339A (zh) | 预测模型训练及响应率预测方法、装置、设备及存储介质 | |
CN111738834B (zh) | 一种数据处理方法和装置 | |
CN113205270B (zh) | 一种满意度评价表自动生成和评价得分计算的方法及系统 | |
US20240211498A1 (en) | Evaluation system and evaluation method | |
CN107783989A (zh) | 文书归属领域的确定方法和装置 | |
CN116485518A (zh) | 客户分类方法、装置、电子设备和存储介质 |
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 |