CN113326991B - 自动授权方法、装置、计算机设备及存储介质 - Google Patents

自动授权方法、装置、计算机设备及存储介质 Download PDF

Info

Publication number
CN113326991B
CN113326991B CN202110703798.6A CN202110703798A CN113326991B CN 113326991 B CN113326991 B CN 113326991B CN 202110703798 A CN202110703798 A CN 202110703798A CN 113326991 B CN113326991 B CN 113326991B
Authority
CN
China
Prior art keywords
authorization
target
data
user
target user
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
Application number
CN202110703798.6A
Other languages
English (en)
Other versions
CN113326991A (zh
Inventor
肖琦
裘金龙
郑毅
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.)
Shenzhen Pingan Zhihui Enterprise Information Management Co ltd
Original Assignee
Shenzhen Pingan Zhihui Enterprise Information 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 Shenzhen Pingan Zhihui Enterprise Information Management Co ltd filed Critical Shenzhen Pingan Zhihui Enterprise Information Management Co ltd
Priority to CN202110703798.6A priority Critical patent/CN113326991B/zh
Publication of CN113326991A publication Critical patent/CN113326991A/zh
Application granted granted Critical
Publication of CN113326991B publication Critical patent/CN113326991B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Development Economics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Marketing (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Probability & Statistics with Applications (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请实施例属于人工智能领域，涉及一种自动授权方法，包括在接收到目标用户的授权请求时，获取预设的目标权限模型、目标用户数据和目标用户授权信息；将目标用户数据和目标用户授权信息输入至目标权限模型，根据目标权限模型对目标用户数据和目标用户授权信息进行预测，得到预测值；根据预测值获取对应的目标角色信息和授权功能，并确定授权功能是否为核心功能，在授权功能非核心功能时，根据目标角色信息对目标用户进行授权功能的自动授权。本申请还提供一种自动授权装置、计算机设备及存储介质。此外，本申请还涉及区块链技术，目标角色信息可存储于区块链中。本申请实现了对用户的高效自动授权。

Description

自动授权方法、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，尤其涉及一种自动授权方法、装置、计算机设备及存储介质。
背景技术
传统的企业管理信息系统中，权限子系统往往采用现有权限模型中的一种，根据该权限模型基本上都可以满足比较复杂的权限管控需求。然而，在大型组织机构里，往往存在大量为新用户或老用户增量授权的情况。
随着系统复杂度迅速的提高，以及用户数的激增，而且不论是使用哪种模型，对于管理员的人工配置量是非常巨大的；大型系统往往需要十几个专业的系统管理专员来维护用户的权限，最终导致授权效率低下的技术问题。
发明内容
本申请实施例的目的在于提出一种自动授权方法、装置、计算机设备及存储介质，以解决授权效率低下的技术问题。
为了解决上述技术问题，本申请实施例提供一种自动授权方法，采用了如下所述的技术方案：
在接收到目标用户的授权请求时，获取预设的目标权限模型、目标用户数据和目标用户授权信息；
将所述目标用户数据和所述目标用户授权信息输入至所述目标权限模型，根据所述目标权限模型对所述目标用户数据和所述目标用户授权信息进行预测，得到预测值；
根据所述预测值获取对应的目标角色信息和授权功能，并确定所述授权功能是否为核心功能，在所述授权功能非所述核心功能时，根据所述目标角色信息对所述目标用户进行所述授权功能的自动授权。
进一步的，在所述获取预设的目标权限模型的步骤之前，还包括：
构建基础授权模型，其中，所述基础授权模型包括输入层、计算层和输出层；
采集多组用户参考数据和用户授权数据，将所述用户参考数据和所述用户授权数据按照预设比例划分为训练集和验证集；
根据所述训练集对所述基础授权模型进行训练，在训练后的基础授权模型对所述验证集的验证正确率大于等于预设阈值时，确定所述训练后的基础授权模型为所述目标权限模型。
进一步的，所述根据所述目标权限模型对所述目标用户数据和所述目标用户授权信息进行预测的步骤包括：
所述目标用户数据包括身份数据、操作数据和业务数据，根据所述目标权限模型的输入层对所述用户数据、所述操作数据和所述业务数据计算得到用户画像数据；
根据所述目标权限模型的计算层计算所述目标用户授权信息得到功能点数据；
输入所述用户画像数据和所述功能点数据至所述目标权限模型中预设预测模型中，输出得到所述预测值。
进一步的，所述根据所述目标权限模型的输入层对所述用户数据、所述操作数据和所述业务数据计算得到用户画像数据的步骤包括：
解析所述用户数据、所述操作数据和所述业务数据，得到维度信息、指标信息和标签信息；
根据所述目标权限模型的输入层计算所述维度信息、所述指标信息和所述标签信息，得到所述用户画像数据，其中，所述用户画像数据包括岗位画像集合、行为画像集合和评估画像集合。
进一步的，所述根据所述目标权限模型的计算层计算所述目标用户授权信息得到功能点数据的步骤包括：
获取预设聚类算法，根据所述预设聚类算法对所述目标用户授权信息进行分类，得到所述功能点数据。
进一步的，所述根据所述预测值获取对应的目标角色信息的步骤包括：
获取所述预测值的区间范围，在所述预测值在第一区间范围内时，获取与所述第一区间范围关联的所有角色信息，将所述角色信息组合后得到所述目标角色信息；
在所述预测值在第二区间范围内时，根据所述第二区间范围获取所述目标用户的新角色信息，并确定所述新角色信息为所述目标用户的目标角色信息。
进一步的，在所述确定所述授权功能是否为核心功能的步骤之后，还包括：
在所述授权功能为所述核心功能时，获取所述核心功能的授权列表；
根据所述授权列表确定所述目标用户是否为授权用户，在所述目标用户为所述授权用户时，将所述核心功能授权至所述目标用户。
为了解决上述技术问题，本申请实施例还提供一种自动授权装置，采用了如下所述的技术方案：
获取模块，用于在接收到目标用户的授权请求时，获取预设的目标权限模型、目标用户数据和目标用户授权信息；
预测模块，用于将所述目标用户数据和所述目标用户授权信息输入至所述目标权限模型，根据所述目标权限模型对所述目标用户数据和所述目标用户授权信息进行预测，得到预测值；
确认模块，用于根据所述预测值获取对应的目标角色信息和授权功能，并确定所述授权功能是否为核心功能，在所述授权功能非所述核心功能时，根据所述目标角色信息对所述目标用户进行所述授权功能的自动授权。
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：
在接收到目标用户的授权请求时，获取预设的目标权限模型、目标用户数据和目标用户授权信息；
将所述目标用户数据和所述目标用户授权信息输入至所述目标权限模型，根据所述目标权限模型对所述目标用户数据和所述目标用户授权信息进行预测，得到预测值；
根据所述预测值获取对应的目标角色信息和授权功能，并确定所述授权功能是否为核心功能，在所述授权功能非所述核心功能时，根据所述目标角色信息对所述目标用户进行所述授权功能的自动授权。
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：
在接收到目标用户的授权请求时，获取预设的目标权限模型、目标用户数据和目标用户授权信息；
将所述目标用户数据和所述目标用户授权信息输入至所述目标权限模型，根据所述目标权限模型对所述目标用户数据和所述目标用户授权信息进行预测，得到预测值；
根据所述预测值获取对应的目标角色信息和授权功能，并确定所述授权功能是否为核心功能，在所述授权功能非所述核心功能时，根据所述目标角色信息对所述目标用户进行所述授权功能的自动授权。
本申请提出的自动授权方法，通过在接收到目标用户的授权请求时，获取预设的目标权限模型、目标用户数据和目标用户授权信息；之后，将目标用户数据和目标用户授权信息输入至目标权限模型，根据目标权限模型对目标用户数据和目标用户授权信息进行预测，得到预测值，从而实现对目标用户的授权功能的精确预测；而后，根据预测值获取对应的目标角色信息和授权功能，并确定授权功能是否为核心功能，在授权功能非核心功能时，根据目标角色信息对目标用户进行授权功能的自动授权，实现了对目标用户的自动授权，提高了用户的授权效率和准确率，避免了由授权不及时而导致的安全隐患。
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根据本申请的自动授权方法的一个实施例的流程图；
图3是根据本申请的自动授权装置的一个实施例的结构示意图；
图4是根据本申请的计算机设备的一个实施例的结构示意图。
附图标记：自动授权装置300、获取模块301、预测模块302和确认模块303。
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自动授权方法一般由服务器/终端设备执行，相应地，自动授权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自动授权的方法的一个实施例的流程图。所述的自动授权方法，包括以下步骤：
步骤S201，在接收到目标用户的授权请求时，获取预设的目标权限模型、目标用户数据和目标用户授权信息；
在本实施例中，目标权限模型为预先训练完成的预测模型，包括输入层、计算层和输出层，目标用户数据则包括身份数据、操作数据和业务数据。其中，身份数据为当前该目标用户的身份信息，如身份ID，操作数据为该目标用户的行为数据，如基于页面的点击等操作，业务数据则为与该目标用户相关的业务信息记录。目标用户授权信息为该目标用户的所有历史授权记录。在接收到目标用户的授权请求时，获取预设的目标权限模型，并解析该授权请求得到该目标用户的身份信息；根据该身份信息查找该目标用户的操作日志和目标用户授权信息，之后根据该操作日志即可得到该目标用户的操作数据和业务数据。
步骤S202，将所述目标用户数据和所述目标用户授权信息输入至所述目标权限模型，根据所述目标权限模型对所述目标用户数据和所述目标用户授权信息进行预测，得到预测值；
在本实施例中，目标权限模型包括输入层、计算层和输出层，通过输入层可以将目标用户数据和目标用户授权信息进行编码计算，得到目标用户数据和目标授权信息分别对应的输入向量。之后，根据计算层对该目标用户数据和目标授权信息分别对应的输入向量进行计算，得到预测值。具体地，以协同过滤算法为例，在得到目标用户数据和目标授权信息分别对应的输入向量时，构建目标用户数据和目标授权信息的向量矩阵；根据该向量矩阵计算与其他用户的相似度，将与其他用户相似度的最大值作为预测值。根据该预测值选取对应的功能点，将该功能点作为授权功能授权给目标用户。
步骤S203，根据所述预测值获取对应的目标角色信息和授权功能，并确定所述授权功能是否为核心功能，在所述授权功能非所述核心功能时，根据所述目标角色信息对所述目标用户进行所述授权功能的自动授权。
在本实施例中，在得到预测值时，根据该预测值可以确定对应的授权功能。目标用户对应的目标角色信息则需要根据该预测值所在的区间范围确定。具体地，目标角色信息为目标用户对授权功能的权限角色信息，如管理员等具有不同权限范围的角色信息。在得到该预测值时，确定该预测值所在的区间范围，不同区间范围的预测值对应不同的目标角色信息。例如，第一区间范围的预测值对应有管理员和普通用户的组合角色信息，第二区间范围的预测值只拥有普通用户的角色信息。在得到目标角色信息和授权功能时，确定该授权功能是否为核心功能，若该授权功能非核心功能，则根据该目标角色信息对该目标用户进行自动授权，即自动授予该目标用户对该授权功能的目标角色信息范围的权限。
需要强调的是，为进一步保证上述目标角色信息的私密和安全性，上述目标角色信息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。
本申请实现了对目标用户的自动授权，提高了用户的授权效率和准确率，避免了由授权不及时而导致的安全隐患。
在本实施例的一些可选的实现方式中，在上述获取预设的目标权限模型之前，还包括：
构建基础授权模型，其中，所述基础授权模型包括输入层、计算层和输出层；
采集多组用户参考数据和用户授权数据，将所述用户参考数据和所述用户授权数据按照预设比例划分为训练集和验证集；
根据所述训练集对所述基础授权模型进行训练，在训练后的基础授权模型对所述验证集的验证正确率大于等于预设阈值时，确定所述训练后的基础授权模型为所述目标权限模型。
在本实施例中，在获取预设的目标权限模型之前，需要对基础授权模型进行训练，训练完成的基础授权模型即为该目标权限模型。该基础授权模型与该目标权限模型具备相同的结构和不同的模型参数。具体地，构建基础授权模型，该基础授权模型包括输入层、计算层和输出层。预先采集多组用户参考数据和用户授权数据，该用户参考数据中包括了多个用户的身份数据、操作数据和业务数据，同一个用户的用户参考数据和用户授权数据即为一组数据。获取预设比例，按照预设比例将该用户参考数据和将用户授权数据划分为训练集和测试集，训练集和测试集中均包括多组用户参考数据和用户授权数据。根据该训练集对该基础授权模型进行训练，在训练达到预设次数时，根据测试集对训练后的基础授权模型进行验证；在该训练后的基础授权模型验证通过率大于等于预设阈值时，确定该训练后的基础授权模型为目标权限模型。
本实施例通过对基础授权模型进行训练，使得通过训练得到目标权限模型能够对目标用户的权限进行精准预测，提高了自动授权的准确率，及授权效率。
在本实施例的一些可选的实现方式中，上述根据所述目标权限模型对所述目标用户数据和所述目标用户授权信息进行预测包括：
所述目标用户数据包括身份数据、操作数据和业务数据，根据所述目标权限模型的输入层对所述用户数据、所述操作数据和所述业务数据计算得到用户画像数据；
根据所述目标权限模型的计算层计算所述目标用户授权信息得到功能点数据；
输入所述用户画像数据和所述功能点数据至所述目标权限模型中预设预测模型中，输出得到所述预测值。
在本实施例中，目标用户数据包括身份数据、操作数据和业务数据，身份数据为当前该目标用户的身份信息，如身份ID，操作数据为该目标用户的行为数据，业务数据则为与该目标用户相关的业务信息记录。根据目标权限模型的输入层对该目标用户数据中的身份数据、操作数据和业务数据进行分析，得到用户画像数据；根据目标权限模型的输入层对该目标用户授权信息进行计算，得到功能点数据。该用户画像数据为用户特征的集合，功能点数据为目标用户历史授权的功能的分类数据。在得到用户画像数据和功能点数据时，输入该用户画像数据和功能点数据至计算层的预设预测模型(如基于协同过滤算法的推荐模型)中，根据该预设预测模型对该用户画像数据和功能点数据预测，即得到预测值。
本实施例通过预设预测模型对目标用户的功能进行预测，实现了对目标用户的精确分析及精准预测，进一步提高了预测的授权功能的准确性。
在本实施例的一些可选的实现方式中，上述根据所述目标权限模型的输入层对所述用户数据、所述操作数据和所述业务数据计算得到用户画像数据包括：
解析所述用户数据、所述操作数据和所述业务数据，得到维度信息、指标信息和标签信息；
根据所述目标权限模型的输入层计算所述维度信息、所述指标信息和所述标签信息，得到所述用户画像数据，其中，所述用户画像数据包括岗位画像集合、行为画像集合和评估画像集合。
在本实施例中，对目标用户数据中的用户数据、操作数据和业务数据进行解析，得到维度信息、指标信息和标签信息；其中，该维度信息为用户数据的类别维度，指标信息为操作数据的衡量参数，标签信息为业务数据的标签数据。而后，对该维度信息、指标信息和标签信息通过目标权限模型的输入层画像分析，生成目标用户对应的用户画像数据。该用户画像数据具体包括岗位画像集合、行为画像集合和评估画像集合。
本实施例通过对目标用户进行多维度的数据分析及画像生成，使得通过该数据能够对目标用户进行精确的功能授权。
在本实施例的一些可选的实现方式中，上述根据所述目标权限模型的计算层计算所述目标用户授权信息得到功能点数据包括：
获取预设聚类算法，根据所述预设聚类算法对所述目标用户授权信息进行分类，得到所述功能点数据。
在本实施例中，获取预设聚类算法，如K-MEANS聚类算法，根据该预设聚类算法对该目标用户授权信息进行分类，即得到功能点数据。该功能点数据即为目标用户历史授权的功能的分类数据。具体地，在通过预设聚类算法对目标用户授权信息进行分类时，选取初始化的K个目标用户授权信息作为初始聚类中心的样本；之后，针对目标用户授权信息对应的数据集中的每个样本，计算样本到K个聚类中心的聚类，并将该样本分到距离最小的聚类中心所对应的类中；而后，针对每个聚类中心所对应的类，重新计算该类所有样本的中心；重复上述操作，直至迭代次数达到预设次数，或者达到最小误差。由此，即可达到当前目标用户对应的不同类别的功能点数据。
本实施例通过聚类算法对目标用户授权信息进行分类，使得通过分类得到的功能点数据能够对目标用户的授权功能进行精确预测，提高了预测的准确性。
在本实施例的一些可选的实现方式中，上述根据所述预测值获取对应的目标角色信息包括：
获取所述预测值的区间范围，在所述预测值在第一区间范围内时，获取与所述第一区间范围关联的所有角色信息，将所述角色信息组合后得到所述目标角色信息；
在所述预测值在第二区间范围内时，根据所述第二区间范围获取所述目标用户的新角色信息，并确定所述新角色信息为所述目标用户的目标角色信息。
在本实施例中，不同区间范围的预测值对应不同的目标角色信息。根据预设划分比例，可以将预测值从小到大划分为多个区间范围，如第一区间范围和第二区间范围等。以将预测值按照预设划分比例划分为两个区间范围(即第一区间范围和第二区间范围)为例，在得到当前目标用户的预测值时，确定该预测值所在的区间范围，在该预测值在该第一区间范围内时，获取与该第一区间范围关联的所有角色信息，并将该所有角色信息进行组合，组合后的角色信息即为该目标用户对应的目标角色信息。在该预测值在该第二区间范围内时，根据该第二区间范围获取关联的新角色信息，将该新角色信息确定为该目标用户的目标角色信息。
本实施例通过对预测值对应的区间范围进行确定，使得通过该区间范围能够确定目标用户对应的角色信息，从而实现对目标用户的精确授权。
在本实施例的一些可选的实现方式中，在上述确定所述授权功能是否为核心功能之后，还包括：
在所述授权功能为所述核心功能时，获取所述核心功能的授权列表；
根据所述授权列表确定所述目标用户是否为授权用户，在所述目标用户为所述授权用户时，将所述核心功能授权至所述目标用户。
在本实施例中，在授权功能为核心功能时，获取与该核心功能关联的授权列表，该授权列表中标注有该核心功能允许授权的用户信息。根据该授权列表确定目标用户是否为该授权列表中的授权用户，若该目标用户为授权用户，则将该核心功能授权给目标用户；若该目标用户非该授权列表中的授权用户，则不将该核心功能授权给该目标用户。
本实施例通过对核心功能的授权列表进行获取，使得根据该授权列表能够对目标用户是否授权进行判断，避免了信息的泄露，提高了信息的安全性。
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3，作为对上述图2所示方法的实现，本申请提供了一种自动授权装置的一个实施例，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3所示，本实施例所述的自动授权装置300包括：获取模块301、预测模块302和确认模块303。其中：
获取模块301，用于在接收到目标用户的授权请求时，获取预设的目标权限模型、目标用户数据和目标用户授权信息；
在本实施例中，目标权限模型为预先训练完成的预测模型，包括输入层、计算层和输出层，目标用户数据则包括身份数据、操作数据和业务数据。其中，身份数据为当前该目标用户的身份信息，如身份ID，操作数据为该目标用户的行为数据，如基于页面的点击等操作，业务数据则为与该目标用户相关的业务信息记录。目标用户授权信息为该目标用户的所有历史授权记录。在接收到目标用户的授权请求时，获取预设的目标权限模型，并解析该授权请求得到该目标用户的身份信息；根据该身份信息查找该目标用户的操作日志和目标用户授权信息，之后根据该操作日志即可得到该目标用户的操作数据和业务数据。
预测模块302，用于将所述目标用户数据和所述目标用户授权信息输入至所述目标权限模型，根据所述目标权限模型对所述目标用户数据和所述目标用户授权信息进行预测，得到预测值；
在本实施例的一些可选的实现方式中，预测模块302包括：
第一计算单元，用于所述目标用户数据包括身份数据、操作数据和业务数据，根据所述目标权限模型的输入层对所述用户数据、所述操作数据和所述业务数据计算得到用户画像数据；
第二计算单元，用于根据所述目标权限模型的计算层计算所述目标用户授权信息得到功能点数据；
预测单元，用于输入所述用户画像数据和所述功能点数据至所述目标权限模型中预设预测模型中，输出得到所述预测值。
在本实施例的一些可选的实现方式中，第一计算单元包括：
解析子单元，用于解析所述用户数据、所述操作数据和所述业务数据，得到维度信息、指标信息和标签信息；
计算子单元，用于根据所述目标权限模型的输入层计算所述维度信息、所述指标信息和所述标签信息，得到所述用户画像数据，其中，所述用户画像数据包括岗位画像集合、行为画像集合和评估画像集合。
在本实施例的一些可选的实现方式中，第二计算单元包括：
分类子单元，用于获取预设聚类算法，根据所述预设聚类算法对所述目标用户授权信息进行分类，得到所述功能点数据。
在本实施例中，目标权限模型包括输入层、计算层和输出层，通过输入层可以将目标用户数据和目标用户授权信息进行编码计算，得到目标用户数据和目标授权信息分别对应的输入向量。之后，根据计算层对该目标用户数据和目标授权信息分别对应的输入向量进行计算，得到预测值。具体地，以协同过滤算法为例，在得到目标用户数据和目标授权信息分别对应的输入向量时，构建目标用户数据和目标授权信息的向量矩阵；根据该向量矩阵计算与其他用户的相似度，将与其他用户相似度的最大值作为预测值。根据该预测值选取对应的功能点，将该功能点作为授权功能授权给目标用户。
确认模块303，用于根据所述预测值获取对应的目标角色信息和授权功能，并确定所述授权功能是否为核心功能，在所述授权功能非所述核心功能时，根据所述目标角色信息对所述目标用户进行所述授权功能的自动授权。
在本实施例的一些可选的实现方式中，确认模块303包括：
组合单元，用于获取所述预测值的区间范围，在所述预测值在第一区间范围内时，获取与所述第一区间范围关联的所有角色信息，将所述角色信息组合后得到所述目标角色信息；
确认单元，用于在所述预测值在第二区间范围内时，根据所述第二区间范围获取所述目标用户的新角色信息，并确定所述新角色信息为所述目标用户的目标角色信息。
在本实施例中，在得到预测值时，根据该预测值可以确定对应的授权功能。目标用户对应的目标角色信息则需要根据该预测值所在的区间范围确定。具体地，目标角色信息为目标用户对授权功能的权限角色信息，如管理员等具有不同权限范围的角色信息。在得到该预测值时，确定该预测值所在的区间范围，不同区间范围的预测值对应不同的目标角色信息。例如，第一区间范围的预测值对应有管理员和普通用户的组合角色信息，第二区间范围的预测值只拥有普通用户的角色信息。在得到目标角色信息和授权功能时，确定该授权功能是否为核心功能，若该授权功能非核心功能，则根据该目标角色信息对该目标用户进行自动授权，即自动授予该目标用户对该授权功能的目标角色信息范围的权限。
需要强调的是，为进一步保证上述目标角色信息的私密和安全性，上述目标角色信息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。
在本实施例的一些可选的实现方式中，上述自动授权装置300还包括：
构建模块，用于构建基础授权模型，其中，所述基础授权模型包括输入层、计算层和输出层；
采集模块，用于采集多组用户参考数据和用户授权数据，将所述用户参考数据和所述用户授权数据按照预设比例划分为训练集和验证集；
训练模块，用于根据所述训练集对所述基础授权模型进行训练，在训练后的基础授权模型对所述验证集的验证正确率大于等于预设阈值时，确定所述训练后的基础授权模型为所述目标权限模型。
在本实施例中，在获取预设的目标权限模型之前，需要对基础授权模型进行训练，训练完成的基础授权模型即为该目标权限模型。该基础授权模型与该目标权限模型具备相同的结构和不同的模型参数。具体地，构建基础授权模型，该基础授权模型包括输入层、计算层和输出层。预先采集多组用户参考数据和用户授权数据，该用户参考数据中包括了多个用户的身份数据、操作数据和业务数据，同一个用户的用户参考数据和用户授权数据即为一组数据。获取预设比例，按照预设比例将该用户参考数据和将用户授权数据划分为训练集和测试集，训练集和测试集中均包括多组用户参考数据和用户授权数据。根据该训练集对该基础授权模型进行训练，在训练达到预设次数时，根据测试集对训练后的基础授权模型进行验证；在该训练后的基础授权模型验证通过率大于等于预设阈值时，确定该训练后的基础授权模型为目标权限模型。
在本实施例的一些可选的实现方式中，上述自动授权装置300还包括：
第一授权模块，用于在所述授权功能为所述核心功能时，获取所述核心功能的授权列表；
第二授权模块，用于根据所述授权列表确定所述目标用户是否为授权用户，在所述目标用户为所述授权用户时，将所述核心功能授权至所述目标用户。
在本实施例中，在授权功能为核心功能时，获取与该核心功能关联的授权列表，该授权列表中标注有该核心功能允许授权的用户信息。根据该授权列表确定目标用户是否为该授权列表中的授权用户，若该目标用户为授权用户，则将该核心功能授权给目标用户；若该目标用户非该授权列表中的授权用户，则不将该核心功能授权给该目标用户。
本实施例提出的自动授权装置，实现了对目标用户的自动授权，提高了用户的授权效率和准确率，避免了由授权不及时而导致的安全隐患。
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4，图4为本实施例计算机设备基本结构框图。
所述计算机设备6包括通过系统总线相互通信连接存储器61、处理器62、网络接口63。需要指出的是，图中仅示出了具有组件61-63的计算机设备6，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61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61可以是所述计算机设备6的内部存储单元，例如该计算机设备6的硬盘或内存。在另一些实施例中，所述存储器61也可以是所述计算机设备6的外部存储设备，例如该计算机设备6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61还可以既包括所述计算机设备6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61通常用于存储安装于所述计算机设备6的操作系统和各类应用软件，例如自动授权方法的计算机可读指令等。此外，所述存储器61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62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62通常用于控制所述计算机设备6的总体操作。本实施例中，所述处理器62用于运行所述存储器61中存储的计算机可读指令或者处理数据，例如运行所述自动授权方法的计算机可读指令。
所述网络接口63可包括无线网络接口或有线网络接口，该网络接口63通常用于在所述计算机设备6与其他电子设备之间建立通信连接。
本实施例提出的计算机设备，实现了对目标用户的自动授权，提高了用户的授权效率和准确率，避免了由授权不及时而导致的安全隐患。
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自动授权方法的步骤。
本实施例提出的计算机可读存储介质，实现了对目标用户的自动授权，提高了用户的授权效率和准确率，避免了由授权不及时而导致的安全隐患。
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 (9)

1.一种自动授权方法，其特征在于，包括下述步骤：
在接收到目标用户的授权请求时，获取预设的目标权限模型、目标用户数据和目标用户授权信息，其中，所述目标用户数据包括身份数据、操作数据和业务数据，所述目标用户授权信息为该目标用户的所有历史授权记录；
将所述目标用户数据和所述目标用户授权信息输入至所述目标权限模型，根据所述目标权限模型对所述目标用户数据和所述目标用户授权信息进行预测，得到预测值，具体的，所述根据所述目标权限模型对所述目标用户数据和所述目标用户授权信息进行预测的步骤，包括：根据所述目标权限模型的输入层对所述用户数据、所述操作数据和所述业务数据计算得到用户画像数据；根据所述目标权限模型的计算层计算所述目标用户授权信息得到功能点数据；输入所述用户画像数据和所述功能点数据至所述目标权限模型中预设预测模型中，输出得到所述预测值；
根据所述预测值获取对应的目标角色信息和授权功能，并确定所述授权功能是否为核心功能，在所述授权功能非所述核心功能时，根据所述目标角色信息对所述目标用户进行所述授权功能的自动授权。
2.根据权利要求1所述的自动授权方法，其特征在于，在所述获取预设的目标权限模型的步骤之前，还包括：
构建基础授权模型，其中，所述基础授权模型包括输入层、计算层和输出层；
采集多组用户参考数据和用户授权数据，将所述用户参考数据和所述用户授权数据按照预设比例划分为训练集和验证集；
根据所述训练集对所述基础授权模型进行训练，在训练后的基础授权模型对所述验证集的验证正确率大于等于预设阈值时，确定所述训练后的基础授权模型为所述目标权限模型。
3.根据权利要求1所述的自动授权方法，其特征在于，所述根据所述目标权限模型的输入层对所述用户数据、所述操作数据和所述业务数据计算得到用户画像数据的步骤包括：
解析所述用户数据、所述操作数据和所述业务数据，得到维度信息、指标信息和标签信息；
根据所述目标权限模型的输入层计算所述维度信息、所述指标信息和所述标签信息，得到所述用户画像数据，其中，所述用户画像数据包括岗位画像集合、行为画像集合和评估画像集合。
4.根据权利要求1所述的自动授权方法，其特征在于，所述根据所述目标权限模型的计算层计算所述目标用户授权信息得到功能点数据的步骤包括：
获取预设聚类算法，根据所述预设聚类算法对所述目标用户授权信息进行分类，得到所述功能点数据。
5.根据权利要求1所述的自动授权方法，其特征在于，所述根据所述预测值获取对应的目标角色信息的步骤包括：
获取所述预测值的区间范围，在所述预测值在第一区间范围内时，获取与所述第一区间范围关联的所有角色信息，将所述角色信息组合后得到所述目标角色信息；
在所述预测值在第二区间范围内时，根据所述第二区间范围获取所述目标用户的新角色信息，并确定所述新角色信息为所述目标用户的目标角色信息。
6.根据权利要求1所述的自动授权方法，其特征在于，在所述确定所述授权功能是否为核心功能的步骤之后，还包括：
在所述授权功能为所述核心功能时，获取所述核心功能的授权列表；
根据所述授权列表确定所述目标用户是否为授权用户，在所述目标用户为所述授权用户时，将所述核心功能授权至所述目标用户。
7.一种自动授权装置，其特征在于，包括：
获取模块，用于在接收到目标用户的授权请求时，获取预设的目标权限模型、目标用户数据和目标用户授权信息，其中，所述目标用户数据包括身份数据、操作数据和业务数据，所述目标用户授权信息为该目标用户的所有历史授权记录；
预测模块，用于将所述目标用户数据和所述目标用户授权信息输入至所述目标权限模型，根据所述目标权限模型对所述目标用户数据和所述目标用户授权信息进行预测，得到预测值，具体的，所述根据所述目标权限模型对所述目标用户数据和所述目标用户授权信息进行预测的步骤，包括：根据所述目标权限模型的输入层对所述用户数据、所述操作数据和所述业务数据计算得到用户画像数据；根据所述目标权限模型的计算层计算所述目标用户授权信息得到功能点数据；输入所述用户画像数据和所述功能点数据至所述目标权限模型中预设预测模型中，输出得到所述预测值；
确认模块，用于根据所述预测值获取对应的目标角色信息和授权功能，并确定所述授权功能是否为核心功能，在所述授权功能非所述核心功能时，根据所述目标角色信息对所述目标用户进行所述授权功能的自动授权。
8.一种计算机设备，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6中任一项所述的自动授权方法的步骤。
9.一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6中任一项所述的自动授权方法的步骤。
CN202110703798.6A 2021-06-24 2021-06-24 自动授权方法、装置、计算机设备及存储介质 Active CN113326991B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110703798.6A CN113326991B (zh) 2021-06-24 2021-06-24 自动授权方法、装置、计算机设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110703798.6A CN113326991B (zh) 2021-06-24 2021-06-24 自动授权方法、装置、计算机设备及存储介质

Publications (2)

Publication Number Publication Date
CN113326991A CN113326991A (zh) 2021-08-31
CN113326991B true CN113326991B (zh) 2023-04-07

Family

ID=77424559

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110703798.6A Active CN113326991B (zh) 2021-06-24 2021-06-24 自动授权方法、装置、计算机设备及存储介质

Country Status (1)

Country Link
CN (1) CN113326991B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114254279A (zh) * 2021-12-07 2022-03-29 咪咕音乐有限公司 动态授权访问控制方法、装置、设备及计算机存储介质
CN115292272B (zh) * 2021-12-31 2023-07-07 美云智数科技有限公司 企业级权限管理的方法、系统、电子设备以及存储介质
CN115114647B (zh) * 2022-08-26 2022-11-11 湖南华菱电子商务有限公司 一种基于数字中台构建客户画像的客户信息管理方法及系统
CN116311644B (zh) * 2022-12-28 2023-12-19 杭州致成电子科技有限公司 一种基于资格授权的人员管理方法及系统
CN115935330B (zh) * 2023-02-24 2023-05-12 华谱科仪(北京)科技有限公司 色谱分析系统软件的功能授权方法、装置、设备和介质
CN116595509B (zh) * 2023-07-11 2023-10-03 北京珞安科技有限责任公司 一种程序白名单构建方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3617918A1 (en) * 2018-08-28 2020-03-04 Cobalt Iron, Inc. Dynamic authorization control system and method
CN111625809A (zh) * 2020-05-31 2020-09-04 数字浙江技术运营有限公司 数据授权方法及装置、电子设备、存储介质

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10069831B2 (en) * 2014-11-05 2018-09-04 Visa International Service Association Using third party information to improve predictive strength for authentications
CN109711116A (zh) * 2018-12-14 2019-05-03 国云科技股份有限公司 一种按需构建软件前端项目的方法
CN110471728B (zh) * 2019-07-11 2024-05-17 中国平安财产保险股份有限公司 基于用户权限显示界面的方法及相关装置
US11057189B2 (en) * 2019-07-31 2021-07-06 Advanced New Technologies Co., Ltd. Providing data authorization based on blockchain

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3617918A1 (en) * 2018-08-28 2020-03-04 Cobalt Iron, Inc. Dynamic authorization control system and method
CN111625809A (zh) * 2020-05-31 2020-09-04 数字浙江技术运营有限公司 数据授权方法及装置、电子设备、存储介质

Also Published As

Publication number Publication date
CN113326991A (zh) 2021-08-31

Similar Documents

Publication Publication Date Title
CN113326991B (zh) 自动授权方法、装置、计算机设备及存储介质
CN112528025A (zh) 基于密度的文本聚类方法、装置、设备及存储介质
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
CN113127633B (zh) 智能会议管理方法、装置、计算机设备及存储介质
CN112468658B (zh) 语音质量检测方法、装置、计算机设备及存储介质
CN111124917A (zh) 公共测试用例的管控方法、装置、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
CN111639360A (zh) 智能数据脱敏方法、装置、计算机设备及存储介质
CN115936895A (zh) 基于人工智能的风险评估方法、装置、设备及存储介质
CN114219664B (zh) 产品推荐方法、装置、计算机设备及存储介质
CN115757075A (zh) 任务异常检测方法、装置、计算机设备及存储介质
CN117133006A (zh) 一种单证验证方法、装置、计算机设备及存储介质
CN116777646A (zh) 基于人工智能的风险识别方法、装置、设备及存储介质
CN112100491A (zh) 基于用户数据的信息推荐方法、装置、设备及存储介质
CN116796140A (zh) 基于人工智能的异常分析方法、装置、设备及存储介质
CN116681045A (zh) 报表生成方法、装置、计算机设备及存储介质
CN115378806A (zh) 流量分配方法、装置、计算机设备及存储介质
CN114549053B (zh) 数据分析方法、装置、计算机设备及存储介质
CN112085469B (zh) 基于向量机模型的数据审批方法、装置、设备及存储介质
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
CN109409922A (zh) 数据联合建模方法、装置、计算机设备及存储介质
CN114912003A (zh) 文档搜索方法、装置、计算机设备及存储介质
CN114925275A (zh) 产品推荐方法、装置、计算机设备及存储介质
CN112084408A (zh) 名单数据筛选方法、装置、计算机设备及存储介质
CN112396111A (zh) 文本意图分类方法、装置、计算机设备及存储介质

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