CN113327136B - 归因分析方法、装置、电子设备及存储介质 - Google Patents
归因分析方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113327136B CN113327136B CN202110696756.4A CN202110696756A CN113327136B CN 113327136 B CN113327136 B CN 113327136B CN 202110696756 A CN202110696756 A CN 202110696756A CN 113327136 B CN113327136 B CN 113327136B
- Authority
- CN
- China
- Prior art keywords
- influence factor
- data set
- data
- attributed
- attribution
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 111
- 238000012545 processing Methods 0.000 claims abstract description 48
- 230000002159 abnormal effect Effects 0.000 claims abstract description 43
- 238000000034 method Methods 0.000 claims abstract description 16
- 238000006243 chemical reaction Methods 0.000 claims description 22
- 238000012360 testing method Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 8
- 238000012163 sequencing technique Methods 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 4
- RTZKZFJDLAIYFH-UHFFFAOYSA-N Diethyl ether Chemical compound CCOCC RTZKZFJDLAIYFH-UHFFFAOYSA-N 0.000 claims 2
- 238000005516 engineering process Methods 0.000 abstract description 7
- 230000000875 corresponding effect Effects 0.000 description 57
- 230000006870 function Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 6
- 238000001514 detection method Methods 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 239000004973 liquid crystal related substance Substances 0.000 description 4
- 230000002596 correlated effect Effects 0.000 description 3
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Accounting & Taxation (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Game Theory and Decision Science (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Complex Calculations (AREA)
Abstract
本发明涉及数据处理技术，揭露了一种归因分析方法，包括：对原始数据集进行字段重命名，得到初始数据集，并对其中的异常值进行替换，得到标准数据集；识别标准数据集中的待归因变量和对应的影响因子集，利用填充值对缺失值对应的影响因子填充，得到目标影响因子集；计算目标影响因子集与待归因变量的相关系数，确定相关系数大于相关阈值的目标影响因子为标准目标影响因子，根据标准目标影响因子、标准目标影响因子对应的相关系数述待归因变量进行分析得到结果。此外，本发明还涉及区块链技术，所述相关系数可存储于区块链的节点。本发明还提出一种归因分析装置、电子设备以及计算机可读存储介质。本发明可以解决归因分析方法准确度不够高的问题。
Description
技术领域
本发明涉及数据处理技术领域，尤其涉及一种归因分析方法、装置、电子设备及计算机可读存储介质。
背景技术
互联网技术的发展推动大数据技术飞速发展，归因分析是大数据技术领域之中的一个技术，归因分析是将通过各个渠道采集到的数据进行分析以获取数据所隐含的信息。例如，电商网站通常会同时发起多个活动，一件商品可能出现在多个活动中，因此需要进行归因分析以确定不同活动对商品的不同转化率。现有的归因分析方法中进行归因分析时存在数据割裂、数据丢失等问题，因此也往往无法获取到准确的影响因子，从而导致归因分析的准确度不高。
发明内容
本发明提供一种归因分析方法、装置及计算机可读存储介质，其主要目的在于解决归因分析方法准确度不够高的问题。
为实现上述目的，本发明提供的一种归因分析方法，包括：
获取原始数据集，对所述原始数据集中的原始数据进行字段重命名处理，得到初始数据集；
判断所述初始数据集中是否存在异常值，当所述初始数据集中存在异常值时对所述初始数据集中的异常值进行数据替换处理，得到标准数据集；
识别所述标准数据集中的待归因变量和所述待归因变量对应的影响因子集；
对所述影响因子集进行类型转换处理，得到转换后的影响因子集；
若所述转换后的影响因子集中存在缺失值，根据预设的近邻算法获取填充值，并利用所述填充值对所述缺失值对应的影响因子进行填充，得到目标影响因子集；
计算所述目标影响因子集中的目标影响因子与所述待归因变量之间的相关系数，确定所述相关系数大于预设的相关阈值的目标影响因子为标准目标影响因子；
根据所述标准目标影响因子、所述标准目标影响因子对应的相关系数对所述待归因变量进行归因分析，得到归因分析结果。
可选地，所述对所述影响因子集进行类型转换处理，得到转换后的影响因子集，包括：
将所述影响因子集中连续数据转化为离散数据，得到转换后的影响因子集。
可选地，所述根据所述标准目标影响因子、所述标准目标影响因子对应的相关系数对所述待归因变量进行归因分析，得到归因分析结果，包括：
若所述标准目标影响因子的数量为多个，对多个所述标准目标影响因子对应的相关系数进行排序；
根据所述排序筛选大于或者等于预设的排序阈值的相关系数；
分别对大于或者等于预设的排序阈值的相关系数对应的标准目标影响因子分配不同的权重值；
用所述标准目标影响因子和归因模型对所述待归因变量进行分析，得到的分析数据，所述分析数据包括多个标准目标影响因子与所述待归因变量之间的得分数据；
将所述分析数据乘以所述标准目标影响因子对应的权重值，得到归因分析结果。
可选地，所述判断所述初始数据集中是否存在异常值，包括：
计算所述初始数据集中每个初始数据的邻近数据的局部可达密度比值；
当所述局部可达密度比值小于或等于预设比值时，确定所述初始数据为异常值。
可选地，所述计算所述初始数据集中每个初始数据的邻近数据的局部可达密度比值，包括：
利用如下公式计算所述初始数据集中每个初始数据的邻近数据的局部可达密度比值：
其中，Nk(q)为所述初始数据集，ldk(q)为Nk(q)内的第q个初始数据，ld(p)为所述第q个初始数据的邻近数据，k为Nk(q)中所述初始数据集中的数据个数，reach-distk(p，q)为p，q之间的距离。
可选地，所述对所述原始数据集中的原始数据进行字段重命名处理，得到初始数据集，包括：
识别所述原始数据中包含的英文字段名；
从预创建的字段集中获取与所述英文字段名匹配的中文字段名；
利用所述中文字段名替换所述原始数据中对应的英文字段名，得到初始数据集。
可选地，所述计算所述目标影响因子集中的目标影响因子与所述待归因变量之间的相关系数，包括：
利用预设的卡方公式计算所述目标影响因子集中的目标影响因子与所述待归因变量之间的相关系数，包括：
其中，X2为相关系数，A为目标影响因子，T为待归因变量。
为了解决上述问题，本发明还提供一种归因分析装置，所述装置包括：
字段重命名模块，用于获取原始数据集，对所述原始数据集中的原始数据进行字段重命名处理，得到初始数据集；
数据替换模块，用于判断所述初始数据集中是否存在异常值，当所述初始数据集中存在异常值时对所述初始数据集中的异常值进行数据替换处理，得到标准数据集；
类型转换模块，用于识别所述标准数据集中的待归因变量和所述待归因变量对应的影响因子集，对所述影响因子集进行类型转换处理，得到转换后的影响因子集；
缺失填充模块，用于若所述转换后的影响因子集中存在缺失值，根据预设的近邻算法获取填充值，并利用所述填充值对所述缺失值对应的影响因子进行填充，得到目标影响因子集；
归因处理模块，用于计算所述目标影响因子集中的目标影响因子与所述待归因变量之间的相关系数，确定所述相关系数大于预设的相关阈值的目标影响因子为标准目标影响因子，根据所述标准目标影响因子、所述标准目标影响因子对应的相关系数对所述待归因变量进行归因分析，得到归因分析结果。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
存储器，存储至少一个指令；及
处理器，执行所述存储器中存储的指令以实现上述所述的归因分析方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现上述所述的归因分析方法。
本发明通过对所述原始数据集中的原始数据进行字段重命名处理，便于分析和理解原始数据中的字段，判断所述初始数据集中是否存在异常值并在存在异常值的情况下执行数据替换处理，确保了初始数据集中数据的准确性，判断所述转换后的影响因子集中是否存在缺失值，若所述转换后的影响因子集中存在缺失值，对所述缺失值对应的影响因子进行填充，保证了数据的完整性。计算所述目标影响因子集中的目标影响因子与所述待归因变量之间的相关系数，并确定所述相关系数大于预设的相关阈值的目标影响因子为标准目标影响因子，所述相关系数体现了目标影响因子和待归因变量之间的关联程度，根据所述相关系数进行筛选能够确保所述标准目标影响因子与待归因变量关联密切，根据所述标准目标影响因子、所述标准目标影响因子对应的相关系数对所述待归因变量进行归因分析，提高了归因分析的准确性。因此本发明提出的归因分析方法、装置、电子设备及计算机可读存储介质，可以解决归因分析准确度不够高的问题。
附图说明
图1为本发明一实施例提供的归因分析方法的流程示意图；
图2为本发明一实施例提供的归因分析装置的功能模块图；
图3为本发明一实施例提供的实现所述归因分析方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本申请实施例提供一种归因分析方法。所述归因分析方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述归因分析方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。
参照图1所示，为本发明一实施例提供的归因分析方法的流程示意图。
在本实施例中，所述归因分析方法包括：
S1、获取原始数据集，对所述原始数据集中的原始数据进行字段重命名处理，得到初始数据集。
本发明实施例中，所述原始数据集可以从客户端、服务器等一个或多个数据源获取。
例如，原始数据集为AEther平台上的智能客服场景下的相关数据。
进一步地，所述对所述原始数据集中的原始数据进行字段重命名处理，得到初始数据集，包括：
识别所述原始数据中包含的英文字段名；
从预创建的字段集中获取与所述英文字段名匹配的中文字段名；
利用所述中文字段名替换所述原始数据中对应的英文字段名，得到初始数据集。
详细地，在一个发明实施例中，所述预创建的字段集中可以是预先采集的多个历史字段，该历史字段包括中文字段名以及该中文字段名对应的英文字段名。
示例性地，对于企业而言，可以预先采集整个公司所有已创建的历史字段。
S2、判断所述初始数据集中是否存在异常值，当所述初始数据集中存在异常值时对所述初始数据集中的异常值进行数据替换处理，得到标准数据集。
本发明实施例中，所述判断所述初始数据集中是否存在异常值，包括：
计算所述初始数据集中每个初始数据的邻近数据的局部可达密度比值；
当所述局部可达密度比值小于或等于预设比值时，确定所述初始数据为异常值。
具体地，所述计算所述初始数据集中每个初始数据的邻近数据的局部可达密度比值，包括：
利用如下公式计算所述初始数据集中每个初始数据的邻近数据的局部可达密度比值：
其中，Nk(q)为所述初始数据集，ldk(q)为Nk(q)内的第q个初始数据，ld(p)为所述第q个初始数据的邻近数据，k为Nk(q)中所述初始数据集中的数据个数，reach-distk(p,q)为p，q之间的距离。
进一步地，当所述初始数据集中存在异常值时，本发明实施例利用预设的正确数值对所述异常值执行数据替换操作，得到标准数据集。
S3、识别所述标准数据集中的待归因变量和所述待归因变量对应的影响因子集。
本发明实施例中，所述待归因变量为不可定量的因素，所述待归因变量对应的影响因子集为影响所述待归因变量的多个可能因素。
具体地，将所述标准数据集中的变量与预先构建的变量库进行比对，其中，所述预先构建的变量库中包含多个提前确定的变量，将所述标准数据集中与所述变量库中一致的变量确认为待归因变量。
由于所述待归因变量为不可定量的因素，在不同的场景下待归因变量也不同，因此要根据实施例所处的场景选择对应的预先构建的变量库，根据所述变量库识别出所述标准数据集中的待归因变量。
本发明实施例中，所述待归因变量可以为问题解决率，所述待归因变量对应的影响因子集可以为客户的口音影响因子，客户的说话流利程度等。
S4、对所述影响因子集进行类型转换处理，得到转换后的影响因子集。
本发明实施例中，所述对所述影响因子集进行类型转换处理，得到转换后的影响因子集，包括：
将所述影响因子集中连续数据转化为离散数据，得到转换后的影响因子集。
详细地，根据所述影响因子集的类型可以将所述影响因子集分为连续数据和离散数据，例如：年龄、工资收入等具有具体数值且呈连续分布状态的数据即为连续数据，教育情况等不是具体数值或呈现离散化分布的数据即为离散数据。
其中，对所述影响因子集进行类型转换处理，转换得到影响因子集，所述影响因子集中的数据为离散数据，便于后续对影响因子进行缺失判断处理和填充处理。
S5、若所述转换后的影响因子集中存在缺失值，根据预设的近邻算法获取填充值，并利用所述填充值对所述缺失值对应的影响因子进行填充，得到目标影响因子集。
本发明实施例，可利用具有缺失值检测功能的java语句对所述转换后的影响因子集中的每一条影响因子中的属性数据进行长度检测，当检测到属性数据的数值长度为0时，则确定该属性数据的值缺失，当检测到属性数据的数值长度不为0时，则确定该属性数据的值未缺失。
本发明实施例中，所述转换后的影响因子集中包含多个属性和对应属性数值，例如，所述转换后的影响因子集中存在客户所属地域，以及所述客户所属地域对应的属性数值，则在进行长度检测时，检测所述转换后的影响因子集中各个属性数据是否为0。
当所述转换后的影响因子集存在缺失值时，本发明实施例可以采用缺失值填充方法对所述转换后的影响因子集进行数据填充，得到目标影响因子集。
详细地，缺失值填充方法包括但不限于填充默认值、均值、众数、KNN填充。
优选的，在本发明实施例中，根据预设的近邻算法获取填充值，并利用所述填充值对所述缺失值对应的影响因子进行填充，得到目标影响因子集。
具体地，所述根据预设的近邻算法获取填充值，包括：
选择所述影响因子集中的任意一影响因子作为测试影响因子；
计算所述测试影响因子和所述影响因子集中的影响因子之间的欧式距离；
根据所述欧式距离对影响因子进行排序，将所述欧式距离最小的影响因子作为填充值。
详细地，利用预设的欧式距离公式计算所述测试影响因子和所述影响因子集中的影响因子之间的欧式距离，包括：
其中，distance为欧氏距离，xi为测试影响因子，yi为影响因子。
S6、计算所述目标影响因子集中的目标影响因子与所述待归因变量之间的相关系数，确定所述相关系数大于预设的相关阈值的目标影响因子为标准目标影响因子。
本发明实施例中，所述计算所述目标影响因子集中的目标影响因子与所述待归因变量之间的相关系数，包括：
利用预设的卡方公式计算所述目标影响因子集中的目标影响因子与所述待归因变量之间的相关系数，包括：
其中，X2为相关系数，A为目标影响因子，T为待归因变量。
详细地，利用所述卡方公式计算出的相关系数描述了自变量与因变量之间的相关程度。其中，X2越大，表示实际与期望差距越大，两个变量之独立性越小，也就是越相关，X2越小，表示实际与期望的情况近似，那么独立性越大，相关性越小。所以可以使用X2值来做特征选择等相关的工作，从而得到更加精准的特征。
S7、根据所述标准目标影响因子、所述标准目标影响因子对应的相关系数对所述待归因变量进行归因分析，得到归因分析结果。
本发明实施例中，根据根据所述标准目标影响因子、所述标准目标影响因子对应的相关系数对所述待归因变量进行归因分析，得到归因分析结果，包括：
若所述标准目标影响因子的数量为多个，对多个所述标准目标影响因子对应的相关系数进行排序；
根据所述排序筛选大于或者等于预设的排序阈值的相关系数；
分别对大于或者等于预设的排序阈值的相关系数对应的标准目标影响因子分配不同的权重值；
用所述标准目标影响因子和归因模型对所述待归因变量进行分析，得到的分析数据，所述分析数据包括多个标准目标影响因子与所述待归因变量之间的得分数据；
将所述分析数据乘以所述标准目标影响因子对应的权重值，得到归因分析结果。
详细地，归因分析是识别所有对最终转化有贡献的过程，并确定每个标准影响因子对所述待归因变量的贡献度，所述标准目标影响因子为对归因分析结果贡献最大的几个因素，根据所述标准目标影响因子和所述待归因变量对所述原始数据集进行归因分析，得到归因分析结果。
本发明通过对所述原始数据集中的原始数据进行字段重命名处理，便于分析和理解原始数据中的字段，判断所述初始数据集中是否存在异常值并在存在异常值的情况下执行数据替换处理，确保了初始数据集中数据的准确性，判断所述转换后的影响因子集中是否存在缺失值，若所述转换后的影响因子集中存在缺失值，对所述缺失值对应的影响因子进行填充，保证了数据的完整性。计算所述目标影响因子集中的目标影响因子与所述待归因变量之间的相关系数，并确定所述相关系数大于预设的相关阈值的目标影响因子为标准目标影响因子，所述相关系数体现了目标影响因子和待归因变量之间的关联程度，根据所述相关系数进行筛选能够确保所述标准目标影响因子与待归因变量关联密切，根据所述标准目标影响因子、所述标准目标影响因子对应的相关系数对所述待归因变量进行归因分析，提高了归因分析的准确性。因此本发明提出的归因分析方法可以解决归因分析准确度不够高的问题。
如图2所示，是本发明一实施例提供的归因分析装置的功能模块图。
本发明所述归因分析装置100可以安装于电子设备中。根据实现的功能，所述归因分析装置100可以包括字段重命名模块101、数据替换模块102、类型转换模块103、缺失填充模块104及归因处理模块105。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述字段重命名模块101，用于获取原始数据集，对所述原始数据集中的原始数据进行字段重命名处理，得到初始数据集；
所述数据替换模块102，用于判断所述初始数据集中是否存在异常值，当所述初始数据集中存在异常值时对所述初始数据集中的异常值进行数据替换处理，得到标准数据集；
所述类型转换模块103，用于识别所述标准数据集中的待归因变量和所述待归因变量对应的影响因子集，对所述影响因子集进行类型转换处理，得到转换后的影响因子集；
所述缺失填充模块104，用于若所述转换后的影响因子集中存在缺失值，根据预设的近邻算法获取填充值，并利用所述填充值对所述缺失值对应的影响因子进行填充，得到目标影响因子集；
所述归因处理模块105，用于计算所述目标影响因子集中的目标影响因子与所述待归因变量之间的相关系数，确定所述相关系数大于预设的相关阈值的目标影响因子为标准目标影响因子，根据所述标准目标影响因子、所述标准目标影响因子对应的相关系数对所述待归因变量进行归因分析，得到归因分析结果。
详细地，所述归因分析装置100各模块的具体实施方式如下：
步骤一、获取原始数据集，对所述原始数据集中的原始数据进行字段重命名处理，得到初始数据集。
本发明实施例中，所述原始数据集可以从客户端、服务器等一个或多个数据源获取。
例如，原始数据集为AEther平台上的智能客服场景下的相关数据。
进一步地，所述对所述原始数据集中的原始数据进行字段重命名处理，得到初始数据集，包括：
识别所述原始数据中包含的英文字段名；
从预创建的字段集中获取与所述英文字段名匹配的中文字段名；
利用所述中文字段名替换所述原始数据中对应的英文字段名，得到初始数据集。
详细地，在一个发明实施例中，所述预创建的字段集中可以是预先采集的多个历史字段，该历史字段包括中文字段名以及该中文字段名对应的英文字段名。
示例性地，对于企业而言，可以预先采集整个公司所有已创建的历史字段。
步骤二、判断所述初始数据集中是否存在异常值，当所述初始数据集中存在异常值时对所述初始数据集中的异常值进行数据替换处理，得到标准数据集。
本发明实施例中，所述判断所述初始数据集中是否存在异常值，包括：
计算所述初始数据集中每个初始数据的邻近数据的局部可达密度比值；
当所述局部可达密度比值小于或等于预设比值时，确定所述初始数据为异常值。
具体地，所述计算所述初始数据集中每个初始数据的邻近数据的局部可达密度比值，包括：
利用如下公式计算所述初始数据集中每个初始数据的邻近数据的局部可达密度比值：
其中，Nk(q)为所述初始数据集，ldk(q)为Nk(q)内的第q个初始数据，ld(p)为所述第q个初始数据的邻近数据，k为Nk(q)中所述初始数据集中的数据个数，reach-distk(p,q)为p，q之间的距离。
进一步地，当所述初始数据集中存在异常值时，本发明实施例利用预设的正确数值对所述异常值执行数据替换操作，得到标准数据集。
步骤三、识别所述标准数据集中的待归因变量和所述待归因变量对应的影响因子集。
本发明实施例中，所述待归因变量为不可定量的因素，所述待归因变量对应的影响因子集为影响所述待归因变量的多个可能因素。
具体地，将所述标准数据集中的变量与预先构建的变量库进行比对，其中，所述预先构建的变量库中包含多个提前确定的变量，将所述标准数据集中与所述变量库中一致的变量确认为待归因变量。
由于所述待归因变量为不可定量的因素，在不同的场景下待归因变量也不同，因此要根据实施例所处的场景选择对应的预先构建的变量库，根据所述变量库识别出所述标准数据集中的待归因变量。
本发明实施例中，所述待归因变量可以为问题解决率，所述待归因变量对应的影响因子集可以为客户的口音影响因子，客户的说话流利程度等。
步骤四、对所述影响因子集进行类型转换处理，得到转换后的影响因子集。
本发明实施例中，所述对所述影响因子集进行类型转换处理，得到转换后的影响因子集，包括：
将所述影响因子集中连续数据转化为离散数据，得到转换后的影响因子集。
详细地，根据所述影响因子集的类型可以将所述影响因子集分为连续数据和离散数据，例如：年龄、工资收入等具有具体数值且呈连续分布状态的数据即为连续数据，教育情况等不是具体数值或呈现离散化分布的数据即为离散数据。
其中，对所述影响因子集进行类型转换处理，转换得到影响因子集，所述影响因子集中的数据为离散数据，便于后续对影响因子进行缺失判断处理和填充处理。
步骤五、若所述转换后的影响因子集中存在缺失值，根据预设的近邻算法获取填充值，并利用所述填充值对所述缺失值对应的影响因子进行填充，得到目标影响因子集。
本发明实施例，可利用具有缺失值检测功能的java语句对所述转换后的影响因子集中的每一条影响因子中的属性数据进行长度检测，当检测到属性数据的数值长度为0时，则确定该属性数据的值缺失，当检测到属性数据的数值长度不为0时，则确定该属性数据的值未缺失。
本发明实施例中，所述转换后的影响因子集中包含多个属性和对应属性数值，例如，所述转换后的影响因子集中存在客户所属地域，以及所述客户所属地域对应的属性数值，则在进行长度检测时，检测所述转换后的影响因子集中各个属性数据是否为0。
当所述转换后的影响因子集存在缺失值时，本发明实施例可以采用缺失值填充方法对所述转换后的影响因子集进行数据填充，得到目标影响因子集。
详细地，缺失值填充方法包括但不限于填充默认值、均值、众数、KNN填充。
优选的，在本发明实施例中，根据预设的近邻算法获取填充值，并利用所述填充值对所述缺失值对应的影响因子进行填充，得到目标影响因子集。
具体地，所述根据预设的近邻算法获取填充值，包括：
选择所述影响因子集中的任意一影响因子作为测试影响因子；
计算所述测试影响因子和所述影响因子集中的影响因子之间的欧式距离；
根据所述欧式距离对影响因子进行排序，将所述欧式距离最小的影响因子作为填充值。
详细地，利用预设的欧式距离公式计算所述测试影响因子和所述影响因子集中的影响因子之间的欧式距离，包括：
其中，distance为欧氏距离，xi为测试影响因子，yi为影响因子。
步骤六、计算所述目标影响因子集中的目标影响因子与所述待归因变量之间的相关系数，确定所述相关系数大于预设的相关阈值的目标影响因子为标准目标影响因子。
本发明实施例中，所述计算所述目标影响因子集中的目标影响因子与所述待归因变量之间的相关系数，包括：
利用预设的卡方公式计算所述目标影响因子集中的目标影响因子与所述待归因变量之间的相关系数，包括：
其中，X2为相关系数，A为目标影响因子，T为待归因变量。
详细地，利用所述卡方公式计算出的相关系数描述了自变量与因变量之间的相关程度。其中，X2越大，表示实际与期望差距越大，两个变量之独立性越小，也就是越相关，X2越小，表示实际与期望的情况近似，那么独立性越大，相关性越小。所以可以使用X2值来做特征选择等相关的工作，从而得到更加精准的特征。
步骤七、根据所述标准目标影响因子、所述标准目标影响因子对应的相关系数对所述待归因变量进行归因分析，得到归因分析结果。
本发明实施例中，根据所述标准目标影响因子、所述标准目标影响因子对应的相关系数对所述待归因变量进行归因分析，得到归因分析结果，包括：
若所述标准目标影响因子的数量为多个，对多个所述标准目标影响因子对应的相关系数进行排序；
根据所述排序筛选大于或者等于预设的排序阈值的相关系数；
分别对大于或者等于预设的排序阈值的相关系数对应的标准目标影响因子分配不同的权重值；
用所述标准目标影响因子和归因模型对所述待归因变量进行分析，得到的分析数据，所述分析数据包括多个标准目标影响因子与所述待归因变量之间的得分数据；
将所述分析数据乘以所述标准目标影响因子对应的权重值，得到归因分析结果。
详细地，归因分析是识别所有对最终转化有贡献的过程，并确定每个标准影响因子对所述待归因变量的贡献度，所述标准目标影响因子为对归因分析结果贡献最大的几个因素，根据所述标准目标影响因子和所述待归因变量对所述原始数据集进行归因分析，得到归因分析结果。
本发明通过对所述原始数据集中的原始数据进行字段重命名处理，便于分析和理解原始数据中的字段，判断所述初始数据集中是否存在异常值并在存在异常值的情况下执行数据替换处理，确保了初始数据集中数据的准确性，判断所述转换后的影响因子集中是否存在缺失值，若所述转换后的影响因子集中存在缺失值，对所述缺失值对应的影响因子进行填充，保证了数据的完整性。计算所述目标影响因子集中的目标影响因子与所述待归因变量之间的相关系数，并确定所述相关系数大于预设的相关阈值的目标影响因子为标准目标影响因子，所述相关系数体现了目标影响因子和待归因变量之间的关联程度，根据所述相关系数进行筛选能够确保所述标准目标影响因子与待归因变量关联密切，根据所述标准目标影响因子对应的相关系数对所述待归因变量进行归因分析，提高了归因分析的准确性。因此本发明提出的归因分析装置可以解决归因分析准确度不够高的问题。
如图3所示，是本发明一实施例提供的实现归因分析方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11、通信接口12和总线13，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如归因分析程序。
其中，所述存储器11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、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(SecureDigital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如归因分析程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如归因分析程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。
所述通信接口12用于上述电子设备与其他设备之间的通信，包括网络接口和用户接口。可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
所述总线13可以是外设部件互连标准(peripheral component interconnect，简称PCI)总线或扩展工业标准结构(extended industry standard architecture，简称EISA)总线等。该总线13可以分为地址总线、数据总线、控制总线等。所述总线13被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图3仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图3示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
进一步地，所述电子设备1还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的归因分析程序是多个指令的组合，在所述处理器10中运行时，可以实现：
获取原始数据集，对所述原始数据集中的原始数据进行字段重命名处理，得到初始数据集；
判断所述初始数据集中是否存在异常值，当所述初始数据集中存在异常值时对所述初始数据集中的异常值进行数据替换处理，得到标准数据集；
识别所述标准数据集中的待归因变量和所述待归因变量对应的影响因子集；
对所述影响因子集进行类型转换处理，得到转换后的影响因子集；
若所述转换后的影响因子集中存在缺失值，根据预设的近邻算法获取填充值，并利用所述填充值对所述缺失值对应的影响因子进行填充，得到目标影响因子集；
计算所述目标影响因子集中的目标影响因子与所述待归因变量之间的相关系数，确定所述相关系数大于预设的相关阈值的目标影响因子为标准目标影响因子；
根据所述标准目标影响因子、所述标准目标影响因子对应的相关系数对所述待归因变量进行归因分析，得到归因分析结果。
具体地，所述处理器10对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。
进一步地，所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。
本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
获取原始数据集，对所述原始数据集中的原始数据进行字段重命名处理，得到初始数据集；
判断所述初始数据集中是否存在异常值，当所述初始数据集中存在异常值时对所述初始数据集中的异常值进行数据替换处理，得到标准数据集；
识别所述标准数据集中的待归因变量和所述待归因变量对应的影响因子集；
对所述影响因子集进行类型转换处理，得到转换后的影响因子集；
若所述转换后的影响因子集中存在缺失值，根据预设的近邻算法获取填充值，并利用所述填充值对所述缺失值对应的影响因子进行填充，得到目标影响因子集；
计算所述目标影响因子集中的目标影响因子与所述待归因变量之间的相关系数，确定所述相关系数大于预设的相关阈值的目标影响因子为标准目标影响因子；
根据所述标准目标影响因子、所述标准目标影响因子对应的相关系数对所述待归因变量进行归因分析，得到归因分析结果。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，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，所述模块的划分，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。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块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模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块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模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明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。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。
Claims (9)
1.一种归因分析方法，其特征在于，所述方法包括：
获取原始数据集，对所述原始数据集中的原始数据进行字段重命名处理，得到初始数据集，所述原始数据集为AEther平台上的智能客服场景下的相关数据；
判断所述初始数据集中是否存在异常值，当所述初始数据集中存在异常值时对所述初始数据集中的异常值进行数据替换处理，得到标准数据集；
识别所述标准数据集中的待归因变量和所述待归因变量对应的影响因子集，所述待归因变量为问题解决率，所述待归因变量对应的影响因子集包括客户的口音影响因子和客户的说话流利程度；
对所述影响因子集进行类型转换处理，得到转换后的影响因子集；
若所述转换后的影响因子集中存在缺失值，根据预设的近邻算法获取填充值，并利用所述填充值对所述缺失值对应的影响因子进行填充，得到目标影响因子集；
利用预设的卡方公式计算所述目标影响因子集中的目标影响因子与所述待归因变量之间的相关系数，确定所述相关系数大于预设的相关阈值的目标影响因子为标准目标影响因子；
根据所述标准目标影响因子、所述标准目标影响因子对应的相关系数对所述待归因变量进行归因分析，得到归因分析结果；
其中，所述根据预设的近邻算法获取填充值，包括：选择所述影响因子集中的任意一影响因子作为测试影响因子；利用预设的欧式距离公式计算所述测试影响因子和所述影响因子集中的影响因子之间的欧式距离；根据所述欧式距离对影响因子进行排序，将所述欧式距离最小的影响因子作为填充值；
所述预设的欧式距离公式为：
其中，distance为欧氏距离，xi为测试影响因子，yi为影响因子；
所述预设的卡方公式为：
其中，X2为相关系数，A为目标影响因子，T为待归因变量。
2.如权利要求1所述的归因分析方法，其特征在于，所述对所述影响因子集进行类型转换处理，得到转换后的影响因子集，包括：
将所述影响因子集中连续数据转化为离散数据，得到转换后的影响因子集。
3.如权利要求1所述的归因分析方法，其特征在于，所述根据所述标准目标影响因子、所述标准目标影响因子对应的相关系数对所述待归因变量进行归因分析，得到归因分析结果，包括：
若所述标准目标影响因子的数量为多个，对多个所述标准目标影响因子对应的相关系数进行排序；
根据所述排序筛选大于或者等于预设的排序阈值的相关系数；
分别对大于或者等于预设的排序阈值的相关系数对应的标准目标影响因子分配不同的权重值；
用所述标准目标影响因子和归因模型对所述待归因变量进行分析，得到的分析数据，所述分析数据包括多个标准目标影响因子与所述待归因变量之间的得分数据；
将所述分析数据乘以所述标准目标影响因子对应的权重值，得到归因分析结果。
4.如权利要求1所述的归因分析方法，其特征在于，所述判断所述初始数据集中是否存在异常值，包括：
计算所述初始数据集中每个初始数据的邻近数据的局部可达密度比值；
当所述局部可达密度比值小于或等于预设比值时，确定所述初始数据为异常值。
5.如权利要求4所述的归因分析方法，其特征在于，所述计算所述初始数据集中每个初始数据的邻近数据的局部可达密度比值，包括：
利用如下公式计算所述初始数据集中每个初始数据的邻近数据的局部可达密度比值：
其中，Nk(q)为所述初始数据集，ldk(q)为Nk(q)内的第q个初始数据，ld(p)为所述第q个初始数据的邻近数据，k为Nk(q)中所述初始数据集中的数据个数，reach-distk(p,q)为p，q之间的距离。
6.如权利要求1所述的归因分析方法，其特征在于，所述对所述原始数据集中的原始数据进行字段重命名处理，得到初始数据集，包括：
识别所述原始数据中包含的英文字段名；
从预创建的字段集中获取与所述英文字段名匹配的中文字段名；
利用所述中文字段名替换所述原始数据中对应的英文字段名，得到初始数据集。
7.一种归因分析装置，其特征在于，所述装置包括：
字段重命名模块，用于获取原始数据集，对所述原始数据集中的原始数据进行字段重命名处理，得到初始数据集，所述原始数据集为AEther平台上的智能客服场景下的相关数据；
数据替换模块，用于判断所述初始数据集中是否存在异常值，当所述初始数据集中存在异常值时对所述初始数据集中的异常值进行数据替换处理，得到标准数据集；
类型转换模块，用于识别所述标准数据集中的待归因变量和所述待归因变量对应的影响因子集，对所述影响因子集进行类型转换处理，得到转换后的影响因子集，所述待归因变量为问题解决率，所述待归因变量对应的影响因子集包括客户的口音影响因子和客户的说话流利程度；
缺失填充模块，用于若所述转换后的影响因子集中存在缺失值，根据预设的近邻算法获取填充值，并利用所述填充值对所述缺失值对应的影响因子进行填充，得到目标影响因子集；
归因处理模块，用于利用预设的卡方公式计算所述目标影响因子集中的目标影响因子与所述待归因变量之间的相关系数，确定所述相关系数大于预设的相关阈值的目标影响因子为标准目标影响因子，根据所述标准目标影响因子、所述标准目标影响因子对应的相关系数对所述待归因变量进行归因分析，得到归因分析结果；
其中，所述根据预设的近邻算法获取填充值，包括：选择所述影响因子集中的任意一影响因子作为测试影响因子；利用预设的欧式距离公式计算所述测试影响因子和所述影响因子集中的影响因子之间的欧式距离；根据所述欧式距离对影响因子进行排序，将所述欧式距离最小的影响因子作为填充值；
所述预设的欧式距离公式为：
其中，distance为欧氏距离，xi为测试影响因子，yi为影响因子；
所述预设的卡方公式为：
其中，X2为相关系数，A为目标影响因子，T为待归因变量。
8.一种电子设备，其特征在于，所述电子设备包括：
处理器；以及，
与所述处理器通信连接的存储器；其中，
所述存储器存储有可被所述处理器执行的计算机程序，所述计算机程序被至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至6中任意一项所述的归因分析方法。
9.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6中任意一项所述的归因分析方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110696756.4A CN113327136B (zh) | 2021-06-23 | 2021-06-23 | 归因分析方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110696756.4A CN113327136B (zh) | 2021-06-23 | 2021-06-23 | 归因分析方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113327136A CN113327136A (zh) | 2021-08-31 |
| CN113327136B true CN113327136B (zh) | 2023-06-02 |
Family
ID=77424583
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110696756.4A Active CN113327136B (zh) | 2021-06-23 | 2021-06-23 | 归因分析方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113327136B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113723611B (zh) * | 2021-09-07 | 2024-03-29 | 平安银行股份有限公司 | 基于因果推断的业务因子生成方法、装置、设备及介质 |
| CN114390344B (zh) * | 2022-01-11 | 2024-07-05 | 北京达佳互联信息技术有限公司 | 视频分发方法、装置、电子设备和计算机可读存储介质 |
| CN114547133B (zh) * | 2022-01-17 | 2023-03-28 | 北京元年科技股份有限公司 | 基于多维数据集的对话式归因分析方法、装置及设备 |
| CN116112530B (zh) * | 2023-04-14 | 2023-06-23 | 河海大学 | 水利工程实时采集数据管理方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2010016109A1 (ja) * | 2008-08-05 | 2010-02-11 | 富士通株式会社 | サンプルの帰属クラス予測方法、帰属クラス予測プログラムおよび帰属クラス予測装置 |
| CN108647891A (zh) * | 2018-05-14 | 2018-10-12 | 口口相传(北京)网络技术有限公司 | 数据异常归因分析方法及装置 |
| CN110907319A (zh) * | 2019-11-07 | 2020-03-24 | 中国科学院遥感与数字地球研究所 | 一种近地面细颗粒物的归因分析方法 |
-
2021
- 2021-06-23 CN CN202110696756.4A patent/CN113327136B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2010016109A1 (ja) * | 2008-08-05 | 2010-02-11 | 富士通株式会社 | サンプルの帰属クラス予測方法、帰属クラス予測プログラムおよび帰属クラス予測装置 |
| CN108647891A (zh) * | 2018-05-14 | 2018-10-12 | 口口相传(北京)网络技术有限公司 | 数据异常归因分析方法及装置 |
| CN110907319A (zh) * | 2019-11-07 | 2020-03-24 | 中国科学院遥感与数字地球研究所 | 一种近地面细颗粒物的归因分析方法 |
Non-Patent Citations (1)
| Title |
|---|
| 横断山区产水服务空间异质性及归因分析;戴尔阜;王亚慧;;地理学报(第03期);第167-179页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113327136A (zh) | 2021-08-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113327136B (zh) | 归因分析方法、装置、电子设备及存储介质 | |
| CN111783982B (zh) | 攻击样本的获取方法、装置、设备及介质 | |
| CN111694844B (zh) | 基于配置算法的企业运行数据分析方法、装置及电子设备 | |
| CN112380439B (zh) | 目标物推荐方法、装置、电子设备及计算机可读存储介质 | |
| CN114186132B (zh) | 信息推荐方法、装置、电子设备及存储介质 | |
| CN112579621B (zh) | 数据展示方法、装置、电子设备及计算机存储介质 | |
| CN113516417A (zh) | 基于智能建模的业务评估方法、装置、电子设备及介质 | |
| CN113868528A (zh) | 资讯推荐方法、装置、电子设备及可读存储介质 | |
| CN112990374A (zh) | 图像分类方法、装置、电子设备及介质 | |
| CN113627160B (zh) | 文本纠错方法、装置、电子设备及存储介质 | |
| CN112541688B (zh) | 业务数据校验方法、装置、电子设备及计算机存储介质 | |
| CN116578696A (zh) | 文本摘要生成方法、装置、设备及存储介质 | |
| CN114817408B (zh) | 调度资源识别方法、装置、电子设备及存储介质 | |
| CN116521867A (zh) | 文本聚类方法、装置、电子设备及存储介质 | |
| CN114417998B (zh) | 数据特征映射方法、装置、设备及存储介质 | |
| CN113705686B (zh) | 图像分类方法、装置、电子设备及可读存储介质 | |
| CN113656586B (zh) | 情感分类方法、装置、电子设备及可读存储介质 | |
| CN113704616B (zh) | 信息推送方法、装置、电子设备及可读存储介质 | |
| CN112528183B (zh) | 基于大数据的网页组件布局方法、装置、电子设备及介质 | |
| CN112561500B (zh) | 基于用户数据的薪酬数据生成方法、装置、设备及介质 | |
| CN113887621B (zh) | 问答资源调整方法、装置、设备及存储介质 | |
| CN113592606B (zh) | 基于多重决策的产品推荐方法、装置、设备及存储介质 | |
| CN112528633B (zh) | 文本纠错方法、装置、电子设备及计算机可读存储介质 | |
| CN113723554B (zh) | 模型调度方法、装置、电子设备及计算机可读存储介质 | |
| CN114461630B (zh) | 智能归因分析方法、装置、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 |