CN113111284A - 归类信息展示方法、装置、电子设备和可读存储介质 - Google Patents

归类信息展示方法、装置、电子设备和可读存储介质 Download PDF

Info

Publication number
CN113111284A
CN113111284A CN202110389156.3A CN202110389156A CN113111284A CN 113111284 A CN113111284 A CN 113111284A CN 202110389156 A CN202110389156 A CN 202110389156A CN 113111284 A CN113111284 A CN 113111284A
Authority
CN
China
Prior art keywords
information
attribute
classification information
data
target data
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
Application number
CN202110389156.3A
Other languages
English (en)
Other versions
CN113111284B (zh
Inventor
赵宪策
金梦
何杰
高珊珊
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.)
China Tower Co Ltd
Original Assignee
China Tower 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 China Tower Co Ltd filed Critical China Tower Co Ltd
Priority to CN202110389156.3A priority Critical patent/CN113111284B/zh
Publication of CN113111284A publication Critical patent/CN113111284A/zh
Application granted granted Critical
Publication of CN113111284B publication Critical patent/CN113111284B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/957—Browsing optimisation, e.g. caching or content distillation
    • G06F16/9574—Browsing optimisation, e.g. caching or content distillation of access to content, e.g. by caching
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Probability & Statistics with Applications (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请提供一种归类信息展示方法、装置、电子设备和可读存储介质，其方法包括：获取目标数据，并识别目标数据的多个属性信息；使用预先训练的网络模型对目标数据的多个属性信息分别进行预测，以得到每个属性信息的预测结果，其中，预测结果表示属性信息在网络模型的训练样本中的概率信息；通过朴素贝叶斯算法获取多个属性信息的预测结果对应的分类信息，其中，分类信息包括目标数据属于第一类型数据的第一分类信息，分类信息包括目标数据属于第二类型数据的第二分类信息；基于第一分类信息和第二分类信息，确定目标数据的归类信息；展示归类信息。本申请可以提高目标数据参数信息展示的效率。

Description

归类信息展示方法、装置、电子设备和可读存储介质
技术领域
本申请涉及数据处理领域，并且更具体地，涉及一种归类信息展示方法、装置、电子设备和可读存储介质。
背景技术
企业在其经营活动中，会遇到各种事件，如商机、合同、订单、项目等业务，这些事件可能对企业的经营活动产生影响，目前主要通过人工打分预估事件的归类信息并展示，以提醒用户事件可能产生的影响程度，但效率较低。
发明内容
本申请实施例提供一种归类信息展示方法、装置、电子装备和可读存储介质，以解决展示归类信息效率较低的问题。
第一方面，本申请实施例提供了一种归类信息展示方法，包括：
获取目标数据，并识别所述目标数据的多个属性信息；
使用预先训练的网络模型对所述目标数据的多个属性信息分别进行预测，以得到每个属性信息的预测结果，其中，所述预测结果表示属性信息在所述网络模型的训练样本中的概率信息；
通过朴素贝叶斯算法获取所述多个属性信息的预测结果对应的分类信息，其中，所述分类信息包括所述目标数据属于第一类型数据的第一分类信息，所述分类信息包括所述目标数据属于第二类型数据的第二分类信息；
基于所述第一分类信息和所述第二分类信息，确定所述目标数据的归类信息；
展示所述归类信息。
第二方面，本申请实施例还提供一种归类信息展示装置，包括：
第一获取模块，用于获取目标数据，并识别所述目标数据的多个属性信息；
预测模块，用于使用预先训练的网络模型对所述目标数据的多个属性信息分别进行预测，以得到每个属性信息的预测结果，其中，所述预测结果表示属性信息在所述网络模型的训练样本中的概率信息；
第二获取模块，用于通过朴素贝叶斯算法获取所述多个属性信息的预测结果对应的分类信息，其中，所述分类信息包括所述目标数据属于第一类型数据的第一分类信息，所述分类信息包括所述目标数据属于第二类型数据的第二分类信息；
确定模块，用于基于所述第一分类信息和所述第二分类信息，确定所述目标数据的归类信息；
展示模块，用于展示所述归类信息。
第三方面，本申请实施例还提供一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的程序或者指令，所述程序或者指令被所述处理器执行时实现本申请实施例第一方面公开的所述归类信息展示方法中的步骤。
第四方面，本申请实施例提供了一种可读存储介质，所述可读存储介质上存储有程序或指令，所述程序或指令被处理器执行时实现本申请实施例第一方面公开的所述归类信息展示方法中的步骤。
这样，本实施例中，使用预先训练的网络模型对所述目标数据的多个属性信息分别进行预测，通过朴素贝叶斯算法获取所述多个属性信息的预测结果对应的分类信息，基于所述分类信息确定所述目标数据的归类信息并展示，可以快速得到目标数据的归类信息并展示，让用户可以直观的看到目标数据的归类信息，可以实现提高归类信息展示效率的技术效果。
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，下面描述中的附图仅仅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性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的一种归类信息展示方法的流程示意图；
图2是本申请实施例提供的一种归类信息展示装置的结构示意图；
图3是本申请实施例提供的另一种归类信息展示装置的结构示意图；
图4是本申请实施例提供的另一种归类信息展示装置的结构示意图；
图5是本申请实施例提供的另一种归类信息展示装置的结构示意图；
图6是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
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。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。
请参阅图1，图1是本申请实施例提供的一种归类信息展示方法的流程示意图，如图1所示，包括以下步骤：
步骤101、获取目标数据，并识别所述目标数据的多个属性信息。
其中，上述多个属性信息可以是订单中与风险有关的属性信息，例如：客户类型、产品类型、合同时间、合同金额、订购次数等。
步骤102、使用预先训练的网络模型对所述目标数据的多个属性信息分别进行预测，以得到每个属性信息的预测结果，其中，所述预测结果表示属性信息在所述网络模型的训练样本中的概率信息。
其中，上述网络模型可以使用历史数据的多种属性信息进行预先训练，例如：将商机、合同、订单、项目等业务数据按照相关性进行分类，找到所有跟风险有关系的属性，如：客户类型、产品类型、合同时间、合同金额、订购次数等。获取在目标数据之前的所有历史数据，并识别其中的历史属性信息训练成一个网络模型，上述网络模型所使用的样本数据随着历史数据的增加而增加。
其中，上述概率信息可以是属性信息出现的概率，例如：上述网络模型的训练样本中包括四个订单，其中，上述四个订单的客户类型分别为客户A1、客户A2、客户A3和客户A1，目标数据中的客户类型为客户A1，那么目标数据的客户类型的预测结果可以包括客户A1在所述网络模型的训练样本中出现的概率为50％。
其中，上述每个属性信息的预测结果可以是独立的，例如：上述网络模型的训练样本中包括四个订单，上述四个订单的客户类型和产品类型分别为客户A1产品B1、客户A2产品B2、客户A3产品B3和客户A1产品B4，那么目标数据的客户A1产品B1对应的预测结果为：客户A1在所述网络模型的训练样本中出现的概率为50％，产品B1在所述网络模型的训练样本中出现的概率为25％，客户A1的预测结果与产品B1的预测结果互不影响。
步骤103、通过朴素贝叶斯算法获取所述多个属性信息的预测结果对应的分类信息，其中，所述分类信息包括所述目标数据属于第一类型数据的第一分类信息，所述分类信息包括所述目标数据属于第二类型数据的第二分类信息。
其中，上述朴素贝叶斯算法是在贝叶斯算法的基础上进行了相应的简化，即假定给定目标值时属性之间相互条件独立。
其中，上述分类信息可以包括多种概率信息，例如：所述目标数据属于第一类型数据的概率和所述目标数据属于第二类型数据的概率。
其中，上述第一类型数据可以是有风险数据，上述第二类型数据可以是无风险数据，例如：历史数据中已经出现各种风险，如违约、欠款、逃单、诈骗、逾期等的归为第一类型数据，未出现风险的归为第二类型数据。例如：上述网络模型的训练样本中包括五个订单，其中三个订单出现过风险，可以作为第一类型数据，另外两个订单未出现过风险，可以作为第二类型数据。
步骤104、基于所述第一分类信息和所述第二分类信息，确定所述目标数据的归类信息。
其中，上述归类信息可以是目标数据的风险系数，通过有风险概率和无风险概率得到。
步骤105、展示所述归类信息。
其中，上述展示的方式，可以是弹窗、弹幕、状态栏通知等方式，此处不做具体限定，可根据实际需要进行选择。
本实施例中，使用预先训练的网络模型对所述目标数据的多个属性信息分别进行预测，通过朴素贝叶斯算法获取所述多个属性信息的预测结果对应的分类信息，基于所述分类信息确定所述目标数据的归类信息并展示，可以快速得到目标数据的归类信息并展示，让用户可以直观的看到目标数据的归类信息，可以实现提高归类信息展示效率的技术效果。
另外，使用预先训练的网络模型对所述目标数据的多个属性信息分别进行预测，通过多种与归类信息相关的属性信息得到归类信息，可以使得归类信息的结果更加准确。
可选的，步骤102中所述使用预先训练的网络模型对所述目标数据的多个属性信息分别进行预测，可以具体包括：
使用预先训练的网络模型对所述目标数据的多个第一属性信息分别进行预测；
使用预先训练的网络模型对所述目标数据的多个第二属性信息分别进行预测。
其中，上述第一类型属性信息可以是连续型数据，例如：金额、时间、次数等属性，上述第二属性信息可以是离散型数据，例如：客户类型、产品类型等。对上述连续型数据进行预测时，可以对其进行高斯分布计算得到对应的概率，对上述离散型数据进行预测时，可以直接根据预先训练的网络模型得到各个属性信息对应的概率。例如：上述网络模型的训练样本中包括金额10元、20元和30元，预测属性信息金额为25元在上述网络模型的训练样本中的概率信息时，可以计算训练样本的均值μ和标准差σ分别为20和10，代入高斯分布函数得到高斯分布函数的值：
Figure BDA0003015792820000051
该实施方式中，根据对不同类型的属性信息采用不同方法进行预测，可以提高每个属性信息预测结果的准确率，避免部分属性信息在后续步骤中无法找到样本对应的概率。
可选的，所述预测结果包括第一预测结果、第二预测结果和第三预测结果；
所述预测结果表示属性信息在所述网络模型的训练样本中的概率信息，包括：
所述第一预测结果表示属性信息在所述网络模型的训练样本的所述第一类型数据中的第一概率信息；
所述第二预测结果表示属性信息在所述网络模型的训练样本的所述第二类型数据中的第二概率信息；
所述第三预测结果表示属性信息在所述网络模型的训练样本中的第三概率信息。
其中，上述第一类型数据可以是训练样本中有风险的数据，上述第二类型数据可以是训练样本中无风险的数据，例如：训练样本中包括四个数据，数据1包括客户A1和产品B1，数据2包括客户A2和产品B2，数据3包括客户A1和产品B3，其中，数据1为有风险的数据，数据2和数据3为无风险的数据，那么，得到目标数据中客户A1和产品B2的预测结果包括：客户A1的第一预测结果为客户A1在上述训练样本的有风险数据中的概率100％，客户A1的第二预测结果为客户A1在上述训练样本的无风险数据中的概率50％，客户A1的第三预测结果为客户A1在上述训练样本中的概率66.7％，产品B2的第一预测结果为产品B2在上述训练样本的有风险数据中的概率0，产品B2的第二预测结果为产品B2在上述训练样本的无风险数据中的概率50％，产品B2的第三预测结果为产品B2在上述训练样本中的概率33.3％。
该实施方式中，获取属性信息在所述网络模型的训练样本的不同类型数据中出现的概率，根据已知的数据进行预测，可以提高朴素贝叶斯算法获取分类信息的准确率。
可选的，步骤103中所述通过朴素贝叶斯算法获取所述多个属性信息的预测结果对应的分类信息，可以具体包括：
根据所述朴素贝叶斯算法分别获取第一公式和第二公式；
通过所述第一公式获取所述多个属性信息的预测结果对应的第一分类信息；
通过所述第二公式获取所述多个属性信息的预测结果对应的第二分类信息。
其中，上述第一公式和第二公式可以根据朴素贝叶斯算法得到，例如：每个属性信息之间相互条件独立，第一公式和第二公式中，每个属性信息对最终结果占的比值相同，得到的最终结果不易受单个属性信息的影响。
其中，上述第一分类信息可以是上述目标数据属于有风险数据的概率，上述第二分类信息可以是上述目标数据属于无风险数据的概率，例如：根据上述步骤得到目标数据每个属性信息的预测结果后，将每个属性信息的预测结果分别代入第一公式和第二公式可以得到上述目标数据属于有风险数据的概率和上述目标数据属于无风险数据的概率。
该实施方式中，通过朴素贝叶斯算法获取所述多个属性信息的预测结果对应的分类信息，可以简化实际的应用场景中的复杂性。
可选的，所述第一公式包括：
Figure BDA0003015792820000071
其中，P(第一类型数据|属性1，属性2，…，属性n)表示所述目标数据属于第一类型数据的第一分类信息，属性1、属性2、…和属性n为所述目标数据的多个属性信息，P(属性i|第一类型数据)表示所述属性i的第一预测结果，P(第一类型数据)表示所述第一类型数据在所述网络模型的训练样本中的概率信息，P(属性i)表示所述属性i的第三预测结果。
其中，P(第一类型数据)表示朴素贝叶斯算法中的先验概率，P(属性i|第一类型数据)表示朴素贝叶斯算法中的类条件概率，P(属性i)表示朴素贝叶斯算法中的证据，P(第一类型数据|属性1，属性2，…，属性n)表示朴素贝叶斯算法中的后验概率，例如：目标数据中属性信息包括客户A6和产品B6，已得到客户A6的预测结果为：第一预测结果10％和第三预测结果30％，产品B6的预测结果：第一预测结果20％和第三预测结果50％，P(第一类型数据)为30％，代入第一公式中，得到所述目标数据属于有风险数据的概率P(第一类型数据)为4％。
该实施方式中，通过第一公式可以快速得到第一分类信息。
可选的，所述第二公式包括：
Figure BDA0003015792820000072
其中，P(第二类型数据|属性1，属性2，…，属性n)表示所述目标数据属于第二类型数据的第二分类信息，属性1、属性2、…和属性n为所述目标数据的多个属性信息，P(属性i|第二类型数据)表示所述属性i的第二预测结果，P(第二类型数据)表示所述第二类型数据在所述网络模型的训练样本中的概率信息，P(属性i)表示所述属性i的第三预测结果。
其中，P(第二类型数据)表示朴素贝叶斯算法中的先验概率，P(属性i|第二类型数据)表示朴素贝叶斯算法中的类条件概率，P(属性i)表示朴素贝叶斯算法中的证据，P(第二类型数据|属性1，属性2，…，属性n)表示朴素贝叶斯算法中的后验概率，例如：目标数据中属性信息包括客户A7和产品B7，已得到客户A7的预测结果为：第二预测结果20％和第三预测结果30％，产品B7的预测结果：第二预测结果20％和第三预测结果50％，P(第二类型数据)为30％，代入第二公式中，得到所述目标数据属于无风险数据的概率P(第二类型数据)为4.8％。
该实施方式中，通过第二公式可以快速得到第二分类信息。
可选的，基于所述第一分类信息和所述第二分类信息，确定所述目标数据的归类信息，包括：
将所述第一分类信息和所述第二分类信息相除，确定所述目标数据的归类信息。
该实施方式中，通过将所述第一分类信息和所述第二分类信息相除，得到的归类信息可以反映目标数据发生各类风险的综合概率，提高用户对高风险数据的警惕性。
为方便理解，具体示例如下：
上述归类信息展示方法可以具体包括以下过程：
收集并整理历史数据后得到样本数据；
其中，上述历史数据可以是历史业务订单数据。将商机、合同、订单、项目等业务数据按照相关性进行分类，找到所有跟风险有关系的属性，如：客户类型、产品类型、合同时间、合同金额、订购次数等。将所有有效数据进行二次整理，得到样本数据。
对所述样本数据进行训练，构造风险评估模型；
其中，上述风险评估模型表示所述预先训练的网络模型。
根据所述风险评估模型得到每个属性在样本数据中的概率；
其中，一些属性信息是离散型数据，如客户类型、产品类型等可以直接在风险评估模型中计算样本数据对应的概率，而另一些属性信息是连续变量，如时间、金额、次数等，可以通过对它们进行高斯分布计算，计算属性在样本中出现的概率即计算高斯分布函数的值。计算连续变量属性的相关概率可以包括以下步骤：
在所述样本数据中选取数据；
其中，上述数据可以根据要计算的概率选取，例如：样本数据中的全部数据、样本数据中的有风险数据或者样本数据中的无风险数据。
根据所述数据取得每一个属性对于风险的平均值和方差，平均值用μ表示，xi表示所述数据中符合条件的属性值，计算公式为：
Figure BDA0003015792820000091
根据均值和所述数据取得每一个属性的标准差，标准差(样本标准差)用σ表示，xi表示所述数据中符合条件的属性值，计算公式为：
Figure BDA0003015792820000092
将均值和标准差代入高斯分布公式，x表示所述目标数据中的属性值，得到高斯分布概率：
Figure BDA0003015792820000093
重复上述计算过程，分别计算每个连续变量属性在全部样本数据中出现的概率P(属性)、在有风险样本数据中出现的概率P(属性|有风险)、在无风险样本数据中出现的概率P(属性|无风险)
获取新的业务数据，根据所述概率得到所述业务数据的每个属性对应的概率；
其中，上述新的业务数据包括属性1、属性2、…、属性n，每个属性对应的概率根据上述步骤203得到。
通过朴素贝叶斯算法得到所述业务数据有风险的概率和无风险的概率；
其中，所述业务数据有风险的概率：
Figure BDA0003015792820000101
所述业务数据有风险的概率：
Figure BDA0003015792820000102
其中，P(有风险)表示有风险数据在全部样本数据中出现的概率，P(无风险)表示无风险数据在全部样本数据中出现的概率，P(有风险)和P(无风险)可以预先根据样本数据得到。
将上述分别得到的有风险的概率和无风险的概率相除，得到风险系数；
其中，上述风险系数表示上述归类信息，风险系数可以表示该业务发生各类风险的综合概率。
将所述风险系数推送到页面，展示给用户。
其中，用户根据上述风险系数可以提前预估该业务发生各类风险的综合概率，提高了对风险订单的警惕性，必要时可采用取消订单等紧急手段，从而达到有效降低风险概率、减少风险订单、拒绝风险客户的目的。
本实施例中，通过样本数据构造风险评估模型，根据风险评估模型得到每个属性在样本数据中的概率，获取新的业务数据中的属性信息在样本数据中的概率，得到新的业务数据的风险系数，可以提高风险评估的效率，有助于用户及时掌握业务风险情况。
请参阅图2，图2是本申请实施例提供的一种归类信息展示装置的结构示意图，如图2所示，装置200包括：
第一获取模块201，用于获取目标数据，并识别所述目标数据的多个属性信息；
预测模块202，用于使用预先训练的网络模型对所述目标数据的多个属性信息分别进行预测，以得到每个属性信息的预测结果，其中，所述预测结果表示属性信息在所述网络模型的训练样本中的概率信息；
第二获取模块203，用于通过朴素贝叶斯算法获取所述多个属性信息的预测结果对应的分类信息，其中，所述分类信息包括所述目标数据属于第一类型数据的第一分类信息，所述分类信息包括所述目标数据属于第二类型数据的第二分类信息；
确定模块204，用于基于所述第一分类信息和所述第二分类信息，确定所述目标数据的归类信息；
展示模块205，用于展示所述归类信息。
可选的，如图3所示，所述预测模块202可以具体包括：
第一预测单元2021，用于使用预先训练的网络模型对所述目标数据的多个第一属性信息分别进行预测；
第二预测单元2022，用于使用预先训练的网络模型对所述目标数据的多个第二属性信息分别进行预测。
可选的，所述预测结果包括第一预测结果、第二预测结果和第三预测结果；
所述预测结果表示属性信息在所述网络模型的训练样本中的概率信息，包括：
所述第一预测结果表示属性信息在所述网络模型的训练样本的所述第一类型数据中的第一概率信息；
所述第二预测结果表示属性信息在所述网络模型的训练样本的所述第二类型数据中的第二概率信息；
所述第三预测结果表示属性信息在所述网络模型的训练样本中的第三概率信息。
可选的，如图4所示，所述第二获取模块203可以具体包括：
第一获取单元2031，用于根据所述朴素贝叶斯算法分别获取第一公式和第二公式；
第二获取单元2032，用于通过所述第一公式获取所述多个属性信息的预测结果对应的第一分类信息；
第三预测单元2033，用于通过所述第二公式获取所述多个属性信息的预测结果对应的第二分类信息。
可选的，所述第一公式包括：
Figure BDA0003015792820000111
Figure BDA0003015792820000121
其中，P(第一类型数据|属性1，属性2，…，属性n)表示所述目标数据属于第一类型数据的第一分类信息，属性1、属性2、…和属性n为所述目标数据的多个属性信息，P(属性i|第一类型数据)表示所述属性i的第一预测结果，P(第一类型数据)表示所述第一类型数据在所述网络模型的训练样本中的概率信息，P(属性i)表示所述属性i的第三预测结果。
可选的，所述第二公式包括：
Figure BDA0003015792820000122
其中，P(第二类型数据|属性1，属性2，…，属性n)表示所述目标数据属于第二类型数据的第二分类信息，属性1、属性2、…和属性n为所述目标数据的多个属性信息，P(属性i|第二类型数据)表示所述属性i的第二预测结果，P(第二类型数据)表示所述第二类型数据在所述网络模型的训练样本中的概率信息，P(属性i)表示所述属性i的第三预测结果。
可选的，如图5所示，所述确定模块204可以具体包括：
确定单元2041，用于将所述第一分类信息和所述第二分类信息相除，确定所述目标数据的归类信息。
装置200可以实现图1的方法实施例中装置实现的各个过程，为避免重复，这里不再赘述。装置200可以达到提高归类信息展示效率的技术效果。
请参阅图6，本申请实施例还提供一种电子设备，该电子设备600包括处理器601，存储器602，存储在存储器602上并可在处理器601上运行的程序或指令，该程序或指令被处理器601执行时实现上述归类信息展示方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
本申请实施例还提供一种可读存储介质，可读存储介质上存储有程序或指令，该程序或指令被处理器执行时实现上述参数展示方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
其中，处理器为上述实施例中的电子设备中的处理器。可读存储介质，包括计算机可读存储介质，如计算机只读存储器(Read-Only Memory，ROM)、随机存取存储器(RandomAccess Memory，RAM)、磁碟或者光盘等。
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、物品或者装置不仅包括那些要素，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、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。此外，需要指出的是，本申请实施方式中的方法和装置的范围不限按示出或讨论的顺序来执行功能，还可包括根据所涉及的功能按基本同时的方式或按相反的顺序来执行功能，例如，可以按不同于所描述的次序来执行所描述的方法，并且还可以添加、省去、或组合各种步骤。另外，参照某些示例所描述的特征可在其他示例中被组合。
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(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的方法。
上面结合附图对本申请的实施例进行了描述，但是本申请并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本申请的启示下，在不脱离本申请宗旨和权利要求所保护的范围情况下，还可做出很多形式，均属于本申请的保护之内。

Claims (10)

1.一种归类信息展示方法，其特征在于，包括：
获取目标数据，并识别所述目标数据的多个属性信息；
使用预先训练的网络模型对所述目标数据的多个属性信息分别进行预测，以得到每个属性信息的预测结果，其中，所述预测结果表示属性信息在所述网络模型的训练样本中的概率信息；
通过朴素贝叶斯算法获取所述多个属性信息的预测结果对应的分类信息，其中，所述分类信息包括所述目标数据属于第一类型数据的第一分类信息，所述分类信息包括所述目标数据属于第二类型数据的第二分类信息；
基于所述第一分类信息和所述第二分类信息，确定所述目标数据的归类信息；
展示所述归类信息。
2.如权利要求1所述的方法，其特征在于，所述使用预先训练的网络模型对所述目标数据的多个属性信息分别进行预测，包括：
使用预先训练的网络模型对所述目标数据的多个第一属性信息分别进行预测；
使用预先训练的网络模型对所述目标数据的多个第二属性信息分别进行预测。
3.如权利要求2所述的方法，其特征在于，所述预测结果包括第一预测结果、第二预测结果和第三预测结果；
所述预测结果表示属性信息在所述网络模型的训练样本中的概率信息，包括：
所述第一预测结果表示属性信息在所述网络模型的训练样本的所述第一类型数据中的第一概率信息；
所述第二预测结果表示属性信息在所述网络模型的训练样本的所述第二类型数据中的第二概率信息；
所述第三预测结果表示属性信息在所述网络模型的训练样本中的第三概率信息。
4.如权利要求3所述的方法，其特征在于，所述通过朴素贝叶斯算法获取所述多个属性信息的预测结果对应的分类信息，包括：
根据所述朴素贝叶斯算法分别获取第一公式和第二公式；
通过所述第一公式获取所述多个属性信息的预测结果对应的第一分类信息；
通过所述第二公式获取所述多个属性信息的预测结果对应的第二分类信息。
5.如权利要求4所述的方法，其特征在于，所述第一公式包括：
Figure FDA0003015792810000021
其中，P(第一类型数据|属性1，属性2，…，属性n)表示所述目标数据属于第一类型数据的第一分类信息，属性1、属性2、…和属性n为所述目标数据的多个属性信息，P(属性i|第一类型数据)表示所述属性i的第一预测结果，P(第一类型数据)表示所述第一类型数据在所述网络模型的训练样本中的概率信息，P(属性i)表示所述属性i的第三预测结果。
6.如权利要求4所述的方法，其特征在于，所述第二公式包括：
Figure FDA0003015792810000022
其中，P(第二类型数据|属性1，属性2，…，属性n)表示所述目标数据属于第二类型数据的第二分类信息，属性1、属性2、…和属性n为所述目标数据的多个属性信息，P(属性i|第二类型数据)表示所述属性i的第二预测结果，P(第二类型数据)表示所述第二类型数据在所述网络模型的训练样本中的概率信息，P(属性i)表示所述属性i的第三预测结果。
7.如权利要求1所述的方法，其特征在于，基于所述第一分类信息和所述第二分类信息，确定所述目标数据的归类信息，包括：
将所述第一分类信息和所述第二分类信息相除，确定所述目标数据的归类信息。
8.一种归类信息展示装置，其特征在于，包括：
第一获取模块，用于获取目标数据，并识别所述目标数据的多个属性信息；
预测模块，用于使用预先训练的网络模型对所述目标数据的多个属性信息分别进行预测，以得到每个属性信息的预测结果，其中，所述预测结果表示属性信息在所述网络模型的训练样本中的概率信息；
第二获取模块，用于通过朴素贝叶斯算法获取所述多个属性信息的预测结果对应的分类信息，其中，所述分类信息包括所述目标数据属于第一类型数据的第一分类信息，所述分类信息包括所述目标数据属于第二类型数据的第二分类信息；
确定模块，用于基于所述第一分类信息和所述第二分类信息，确定所述目标数据的归类信息；
展示模块，用于展示所述归类信息。
9.一种电子设备，其特征在于，包括处理器、存储器及存储在所述存储器上并在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行时实现如权利要求1至7中任一项所述的归类信息展示方法的步骤。
10.一种可读存储介质，其特征在于，所述可读存储介质上存储程序或指令，所述程序或指令被处理器执行时实现如权利要求1至7中任一项所述的归类信息展示方法的步骤。
CN202110389156.3A 2021-04-12 2021-04-12 归类信息展示方法、装置、电子设备和可读存储介质 Active CN113111284B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110389156.3A CN113111284B (zh) 2021-04-12 2021-04-12 归类信息展示方法、装置、电子设备和可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110389156.3A CN113111284B (zh) 2021-04-12 2021-04-12 归类信息展示方法、装置、电子设备和可读存储介质

Publications (2)

Publication Number Publication Date
CN113111284A true CN113111284A (zh) 2021-07-13
CN113111284B CN113111284B (zh) 2024-07-16

Family

ID=76715652

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110389156.3A Active CN113111284B (zh) 2021-04-12 2021-04-12 归类信息展示方法、装置、电子设备和可读存储介质

Country Status (1)

Country Link
CN (1) CN113111284B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106204083A (zh) * 2015-04-30 2016-12-07 中国移动通信集团山东有限公司 一种目标用户分类方法、装置及系统
CA2960505A1 (en) * 2016-03-10 2017-09-10 Tata Consultancy Services Limited System and method for visual bayesian data fusion
CN109350032A (zh) * 2018-10-16 2019-02-19 武汉中旗生物医疗电子有限公司 一种分类方法、系统、电子设备及存储介质
CN110874778A (zh) * 2018-08-31 2020-03-10 阿里巴巴集团控股有限公司 异常订单检测方法及装置
CN111104980A (zh) * 2019-12-19 2020-05-05 腾讯科技（深圳）有限公司 确定分类结果的方法、装置、设备及存储介质
CN111797942A (zh) * 2020-07-23 2020-10-20 深圳壹账通智能科技有限公司 用户信息的分类方法及装置、计算机设备、存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106204083A (zh) * 2015-04-30 2016-12-07 中国移动通信集团山东有限公司 一种目标用户分类方法、装置及系统
CA2960505A1 (en) * 2016-03-10 2017-09-10 Tata Consultancy Services Limited System and method for visual bayesian data fusion
CN110874778A (zh) * 2018-08-31 2020-03-10 阿里巴巴集团控股有限公司 异常订单检测方法及装置
CN109350032A (zh) * 2018-10-16 2019-02-19 武汉中旗生物医疗电子有限公司 一种分类方法、系统、电子设备及存储介质
CN111104980A (zh) * 2019-12-19 2020-05-05 腾讯科技（深圳）有限公司 确定分类结果的方法、装置、设备及存储介质
CN111797942A (zh) * 2020-07-23 2020-10-20 深圳壹账通智能科技有限公司 用户信息的分类方法及装置、计算机设备、存储介质

Also Published As

Publication number Publication date
CN113111284B (zh) 2024-07-16

Similar Documents

Publication Publication Date Title
Zhao et al. Modelling and interpreting pre-evacuation decision-making using machine learning
CN112668859A (zh) 基于大数据的客户风险评级方法、装置、设备及存储介质
CN111178377B (zh) 可视化特征筛选方法、服务器及存储介质
CN104321794A (zh) 一种使用多维评级来确定一实体的未来商业可行性的系统和方法
US20190050473A1 (en) Mixture model based time-series clustering of crime data across spatial entities
CN111476653A (zh) 一种风险信息识别、确定、模型训练方法及装置
CN113673870B (zh) 一种企业数据分析方法及相关组件
CN112036762A (zh) 行为事件的识别方法和装置、电子设备和存储介质
US20130006705A1 (en) Small business intelligence tool
CN112634062B (zh) 基于Hadoop的数据处理方法、装置、设备及存储介质
CN111428963B (zh) 一种数据处理方法及装置
CN112801528A (zh) 车险风险监测方法、装置、存储介质及计算机设备
CN117273800A (zh) 营销策略生成方法、装置、设备及存储介质
CN112288117A (zh) 目标客户的成交概率预测方法、装置与电子设备
CN113111284A (zh) 归类信息展示方法、装置、电子设备和可读存储介质
CN113065892B (zh) 一种信息推送方法、装置、设备及存储介质
CN114943455A (zh) 一种前后台防违规方法和装置、电子设备、存储介质
US20220101359A1 (en) System and method for automated sales forecast on deal level during black swan scenario
CN114187104A (zh) 交易风险检测方法、装置、计算机设备和存储介质
KR102153834B1 (ko) 확정치 및 추정치 기반의 데이터 정량화 방법
CN115545088A (zh) 模型构建方法、分类方法、装置和电子设备
CN111476511A (zh) 针对服务方所面临特定风险的数据展示方法及装置
US20150248129A1 (en) Sample-keyed adaptive product development tool
Sasanuma et al. Approximate performance measures for a single station two-stage reneging queue
US20150095099A1 (en) Rapid assessment of emerging risks

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: Room 101, floors 1-3, building 14, North District, yard 9, dongran North Street, Haidian District, Beijing 100029

Applicant after: CHINA TOWER Co.,Ltd.

Address before: 100142 19th floor, 73 Fucheng Road, Haidian District, Beijing

Applicant before: CHINA TOWER Co.,Ltd.

GR01 Patent grant
GR01 Patent grant