CN113343577B - 一种基于机器学习的参数优化方法、装置、设备及介质 - Google Patents

一种基于机器学习的参数优化方法、装置、设备及介质 Download PDF

Info

Publication number
CN113343577B
CN113343577B CN202110694884.5A CN202110694884A CN113343577B CN 113343577 B CN113343577 B CN 113343577B CN 202110694884 A CN202110694884 A CN 202110694884A CN 113343577 B CN113343577 B CN 113343577B
Authority
CN
China
Prior art keywords
target
value
feedback information
parameter
model
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
CN202110694884.5A
Other languages
English (en)
Other versions
CN113343577A (zh
Inventor
张焱凯
吴梦颖
张景逸
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.)
Ping An International Financial Leasing Co Ltd
Original Assignee
Ping An International Financial Leasing 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 Ping An International Financial Leasing Co Ltd filed Critical Ping An International Financial Leasing Co Ltd
Priority to CN202110694884.5A priority Critical patent/CN113343577B/zh
Publication of CN113343577A publication Critical patent/CN113343577A/zh
Application granted granted Critical
Publication of CN113343577B publication Critical patent/CN113343577B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及人工智能领域，公开了一种基于机器学习的参数优化方法、装置、设备及介质，包括：将目标参数的值及在值下的反馈信息的流量值整合成历史散点，汇总历史散点得到散点图；通过回归模型对散点图进行运算得到回归直线或回归曲线；根据回归直线或回归曲线计算目标模型的极值并将极值对应目标参数的值设为初始数据，将目标对象的目标参数的值修改为初始数据；采集目标对象在试验期间内的迭代反馈信息，并根据目标参数和迭代反馈信息对目标参数的值进行迭代处理，直至获得的目标参数的值满足目标模型的收敛条件并将其作为目标对象的目标参数。本发明实现了获得最大程度适应历史散点和当前环境最优的目标参数的技术效果。

Description

一种基于机器学习的参数优化方法、装置、设备及介质
技术领域
本发明涉及人工智能的机器学习技术领域，尤其涉及一种基于机器学习的参数优化方法、装置、设备及介质。
背景技术
随着互联网的高速发展，很多目标对象（诸如：设备、商业产品、金融产品等）的参数优化通常也会采用计算机模型，对其进行优化运算以得到用户所需的最优参数。
当前的技术通常是采用基于历史数据对参数进行分析，获得历史数据中最优的参数并将其作为目标对象的优化参数，然而发明人意识到，这种方式仅能够获得基于历史数据的最优的优化参数，而无法获得基于历史数据和当前环境下获得最优的优化参数，导致参数优化不精准。
发明内容
本发明的目的是提供一种基于机器学习的参数优化方法、装置、设备及介质，用于解决现有技术存在的无法获得基于历史数据和当前环境下获得最优的优化参数，导致参数优化不精准的问题。
为实现上述目的，本发明提供一种基于机器学习的参数优化方法，包括：
获取目标对象的目标参数和反馈信息，将所述目标参数的值及在所述值下的反馈信息的流量值整合成历史散点，汇总所述历史散点得到散点图；
通过预置的回归模型对所述散点图进行运算得到回归直线或回归曲线；根据所述回归直线或回归曲线中，所述目标参数的值和所述反馈信息的流量值之间的函数关系，计算预置的目标模型的极值并将所述极值对应的目标参数的值设为初始数据，将所述目标对象的目标参数的值修改为所述初始数据；
通过预置的机器学习模型采集所述目标对象在预置的试验期间内的迭代反馈信息，并根据改为所述初始数据的目标参数和所述迭代反馈信息对所述目标参数的值进行迭代处理，直至获得的目标参数的值满足所述目标模型的收敛条件，将满足所述收敛状态的值作为所述目标对象的目标参数；其中，所述收敛条件是指通过所述目标参数的值和所述迭代反馈信息，使所述目标模型的目标值趋向收敛于衡定极值的状态的情况。
上述方案中，所述获取目标对象的目标参数和反馈信息之前，所述方法还包括：
轮询平台系统的业务信息的反馈信息，识别流量值符合预置的平衡策略的反馈信息，并将所述反馈信息所对应的业务信息设为目标对象。
上述方案中，所述轮询平台系统的业务信息的反馈信息，识别流量值符合预置的平衡策略的反馈信息，并将所述反馈信息所对应的业务信息设为目标对象的步骤包括：
将从平台系统的表现层中获取业务信息，并根据所述业务信息从所述平台系统的数据访问层中获取所述业务信息的反馈信息；
判断所述反馈信息的流量值是否符合所述平衡策略；
若是，则将所述业务信息设为目标对象；
若否，则从所述表现层中获取下一业务信息。
上述方案中，所述判断所述反馈信息的流量值是否符合所述平衡策略的步骤，包括：
提取所述平衡策略中预定义的流量阈值；
判断所述流量值是否大于或等于所述流量阈值；
若是，则判定所述流量值符合所述平衡策略；
若否，则判定所述流量值不符合所述平衡策略。
上述方案中，所述目标模型是用于描述指定目标与所述目标参数和所述反馈信息之间函数关系的计算机模型，所述目标模型的目标函数为：
f(x)=( xn-y)×zn
其中，f(x)是指所述指定目标的值，xn是指当前迭代变量，即所述目标参数的值，y是预置的阈值参数，z指的是反馈信息的流量值。
上述方案中，所述通过预置的机器学习模型采集所述目标对象在预置的试验期间内的迭代反馈信息，并根据改为所述初始数据的目标参数和所述迭代反馈信息对所述目标参数的值进行迭代处理的步骤，包括：
执行监听进程，用于识别修改所述目标参数的值的时间并将所述时间设为起点时间，以所述起点时间为起点并以预置的时间间隔为时间跨度构建所述试验期间，并监听所述目标对象在所述试验期间内的迭代反馈信息；
提取所述目标参数的值并将其作为第一数据；执行迭代进程，用以通过所述机器学习模型根据所述第一数据和所述迭代反馈信息的流量值，对所述第一数据进行迭代处理得到第二数据；
通过所述目标模型运算所述第一数据得到第一目标值，及运算所述第二数据得到第二目标值，判断所述第二目标值与所述第一目标值之间的差值是否低于预置的判断阈值；若是，则判定所述第二数据满足所述目标模型的收敛条件；若否，则将所述目标参数的值修改为所述第二数据，并执行所述监听进程；
所述判定所述第二数据满足所述目标模型的收敛条件之后，所述方法还包括：
将所述第二数据上传至区块链中。
上述方案中，所述迭代进程的步骤包括：
将所述回归直线或回归曲线中，所述目标参数的值和所述反馈信息的流量值之间的函数关系，载入所述机器学习模型的迭代公式中得到转换公式；
将所述第一数据和所述迭代反馈信息的流量值录入所述转换公式，并运行所述机器学习模型得到第二数据。
为实现上述目的，本发明还提供一种基于机器学习的参数优化装置，其特征在于，包括：
散点构建模型，用于获取目标对象的目标参数和反馈信息，将所述目标参数的值及在所述值下的反馈信息的流量值整合成历史散点，汇总所述历史散点得到散点图；
函数构建模型，用于通过预置的回归模型对所述散点图进行运算得到回归直线或回归曲线；根据所述回归直线或回归曲线中，所述目标参数的值和所述反馈信息的流量值之间的函数关系，计算预置的目标模型的极值并将所述极值对应的目标参数的值设为初始数据，将所述目标对象的目标参数的值修改为所述初始数据；
迭代优化模型，用于通过预置的机器学习模型采集所述目标对象在预置的试验期间内的迭代反馈信息，并根据改为所述初始数据的目标参数和所述迭代反馈信息对所述目标参数的值进行迭代处理，直至获得的目标参数的值满足所述目标模型的收敛条件，将满足所述收敛状态的值作为所述目标对象的目标参数；其中，所述收敛条件是指通过所述目标参数的值和所述迭代反馈信息，使所述目标模型的目标值趋向收敛于衡定极值的状态的情况。
为实现上述目的，本发明还提供一种计算机设备，其包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述计算机设备的处理器执行所述计算机程序时实现上述参数优化方法的步骤。
为实现上述目的，本发明还提供一种计算机可读存储介质，所述可读存储介质上存储有计算机程序，所述可读存储介质存储的所述计算机程序被处理器执行时实现上述参数优化方法的步骤。
本发明提供的一种基于机器学习的参数优化方法、装置、设备及介质，通过获取目标对象的目标参数和反馈信息，将所述目标参数的值及在所述值下的反馈信息的流量值整合成历史散点，并汇总所述历史散点得到散点图，为后续的函数关系的拟合提供了数据基础。
通过回归模型对所述散点图进行运算得到回归直线或回归曲线，用以拟合表征目标参数的值和交易量数据的数量之间的函数关系；根据所述函数关系计算目标模型的极值，并将所述极值对应目标参数的值设为初始数据，由于，所获得的回归直线或回归曲线拟合了目标对象在历史上所有目标参数的值，及各所述值下的反馈信息的流量值，因此，最终得到的初始数据能够最大程度的接近机器学习模型的收敛条件，减少了后续使用的机器学习模型对目标参数的值的迭代次数；
通过机器学习模型对所述目标参数的值进行迭代处理，用以不断的寻找基于当前环境满足目标模型收敛条件的目标参数的值，当所述值能够使所述目标模型达到收敛条件，将满足所述收敛状态的值作为所述目标对象的目标参数，实现获得最大程度适应历史散点和当前环境最优的目标参数的技术效果。
附图说明
图1为本发明参数优化方法实施例一的流程图；
图2为本发明参数优化方法实施例二中参数优化方法的环境应用示意图；
图3是本发明参数优化方法实施例二中参数优化方法的具体方法流程图；
图4为本发明参数优化装置实施例三的程序模块示意图；
图5为本发明计算机设备实施例四中计算机设备的硬件结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明提供的基于机器学习的参数优化方法、装置、设备及介质，适用于人工智能技术领域，为提供一种基于散点构建模型、函数构建模型、迭代优化模型的参数优化方法。本发明通过获取目标对象的目标参数和反馈信息，将目标参数的值及在值下的反馈信息的流量值整合成历史散点，汇总历史散点得到散点图；通过回归模型对散点图进行运算得到回归直线或回归曲线；根据回归直线或回归曲线中目标参数的值和反馈信息的流量值之间的函数关系，计算目标模型的极值并将极值对应目标参数的值设为初始数据，将目标对象的目标参数的值修改为初始数据；通过机器学习模型采集目标对象在试验期间内的迭代反馈信息，并根据目标参数和迭代反馈信息对目标参数的值进行迭代处理，直至获得的目标参数的值满足目标模型的收敛条件，将满足收敛状态的值作为目标对象的目标参数。
实施例一：
请参阅图1，本实施例的一种基于机器学习算法的参数优化方法，包括：
S102：获取目标对象的目标参数和反馈信息，将所述目标参数的值及在所述值下的反馈信息的流量值整合成历史散点，汇总所述历史散点得到散点图。
S103：通过预置的回归模型对所述散点图进行运算得到回归直线或回归曲线；根据所述回归直线或回归曲线中，所述目标参数的值和所述反馈信息的流量值之间的函数关系，计算预置的目标模型的极值并将所述极值对应的目标参数的值设为初始数据，将所述目标对象的目标参数的值修改为所述初始数据。
S104：通过预置的机器学习模型采集所述目标对象在预置的试验期间内的迭代反馈信息，并根据改为所述初始数据的目标参数和所述迭代反馈信息对所述目标参数的值进行迭代处理，直至获得的目标参数的值满足所述目标模型的收敛条件，将满足所述收敛状态的值作为所述目标对象的目标参数；其中，所述收敛条件是指通过所述目标参数的值和所述迭代反馈信息，使所述目标模型的目标值趋向收敛于衡定极值的状态的情况。
在示例性的实施例中，目标参数是所述目标对象（例如：产品）中的指标数据（例如：产品价格），所述反馈信息是所述目标对象在所述目标参数下的表现情况（例如：所述产品基于所述产品价格的交易量），所述目标模型是根据目标对象的目标参数和反馈信息，计算预置的指定指标的计算机模型，所述指定指标反映了所述目标参数的优化程度。通过获取目标对象的目标参数和反馈信息，将所述目标参数的值及在所述值下的反馈信息的流量值整合成历史散点，并汇总所述历史散点得到散点图，其中，所述散点图反映了目标对象在历史上各目标参数之下的交易量数据，为后续的函数关系的拟合提供了数据基础。
由于直接通过机器学习模型对目标参数进行迭代，会因目标对象的迭代次数过多而导致服务器负担增大、迭代效率低下的问题发生，本步骤通过预置的回归模型对所述散点图进行运算得到回归直线或回归曲线，用以拟合表征目标参数的值和交易量数据的数量之间的函数关系；根据所述函数关系计算目标模型的极值，并将所述极值对应目标参数的值设为初始数据，将所述目标对象的目标参数的值修改为所述初始数据，由于，所获得的回归直线或回归曲线拟合了目标对象在历史上所有目标参数的值，及各所述值下的反馈信息的流量值，因此，最终得到的初始数据能够最大程度的接近机器学习模型的收敛条件，因此，减少了后续使用的机器学习模型对目标参数的值的迭代次数，进而避免了多频次的调整所述目标参数的值，导致服务器的运算负担较大，以及造成平台系统的业务信息出现频繁的信息及流量波动，导致平台系统运行不稳的问题发生。
由于随着时间的变化，基于所述历史散点所获得的初始数据，将难以满足所述目标模型持续保持在极值上，因此，本步骤通过预置的机器学习模型采集所述目标对象在预置的试验期间内的迭代反馈信息，并通过机器学习模型中的梯度下降算法根据所述目标参数和所述迭代反馈信息对所述目标参数的值进行迭代处理，用以不断的寻找基于当前环境满足目标模型收敛条件的目标参数的值，当所述值能够使所述目标模型达到收敛条件，将满足所述收敛状态的值作为所述目标对象的目标参数，实现获得最大程度适应历史散点和当前环境最优的目标参数的技术效果。
实施例二：
本实施例为上述实施例一的一种具体应用场景，通过本实施例，能够更加清楚、具体地阐述本发明所提供的方法。
下面，以在运行有参数优化方法的服务器中，通过历史散点得到回归直线或回归曲线，并结合目标模型得到基于历史散点所获得的初始数据，再通过机器学习模型根据迭代反馈信息对目标参数进行迭代处理得到满足收敛条件的值为例，来对本实施例提供的方法进行具体说明。需要说明的是，本实施例只是示例性的，并不限制本发明实施例所保护的范围。
图2示意性示出了根据本申请实施例二的参数优化方法的环境应用示意图。
在示例性的实施例中，参数优化方法所在的服务器2通过网络3连接平台系统4；所述服务器2可以通过一个或多个网络3提供服务，网络3可以包括各种网络设备，例如路由器，交换机，多路复用器，集线器，调制解调器，网桥，中继器，防火墙，代理设备和/或等等。网络3可以包括物理链路，例如同轴电缆链路，双绞线电缆链路，光纤链路，它们的组合和/或类似物。网络3可以包括无线链路，例如蜂窝链路，卫星链路，Wi-Fi链路和/或类似物；所述平台系统4为保存有业务信息的服务器。
图3是本发明一个实施例提供的一种参数优化方法的具体方法流程图，该方法具体包括步骤S201至S204。
S201：轮询平台系统的业务信息的反馈信息，识别流量值符合预置的平衡策略的反馈信息，并将所述反馈信息所对应的业务信息设为目标对象。
本步骤中，所述业务信息是指平台系统的具体业务，如：众包平台上众包产品。所述反馈信息反映了所述业务信息的交易量数据，例如：众包平台上众包产品的承包量。
在一个优选的实施例中，所述轮询平台系统的业务信息的反馈信息，识别流量值符合预置的平衡策略的反馈信息，并将所述反馈信息所对应的业务信息设为目标对象的步骤包括：
S11：将从平台系统的表现层中获取业务信息，并根据所述业务信息从所述平台系统的数据访问层中获取所述业务信息的反馈信息；
S12：判断所述反馈信息的流量值是否符合所述平衡策略；
S13：若是，则将所述业务信息设为目标对象；
S14：若否，则从所述表现层中获取下一业务信息。
具体地，所述业务信息记载于表现层中，所述业务信息的反馈信息记载于数据访问层中；通过控制层从所述表现层中获取业务信息，并根所述业务信息从所述数据访问层中获取反馈信息；调用所述控制层判断所述反馈信息是否符合预置的平衡策略；若是，则将所述业务信息设为目标对象；若否，则从所述表现层中获取下一业务信息，以实现轮询所述业务信息的反馈信息的技术效果。
进一步地，所述判断所述反馈信息的流量值是否符合所述平衡策略的步骤，包括：
S121：提取所述平衡策略中预定义的流量阈值；
S122：判断所述流量值是否大于或等于所述流量阈值；
S123：若是，则判定所述流量值符合所述平衡策略；
S124：若否，则判定所述流量值不符合所述平衡策略。
具体地，所述平衡策略是设置在所述控制层中的方法，通过所述平衡策略中预定义的流量阈值；判断所述反馈信息的流量值是否满足所述平衡策略；若所述流量值大于或等于所述流量阈值，则判定所述流量值符合所述平衡策略；若所述流量值小于所述流量阈值，则判定所述流量值不符合所述平衡策略。
通过所述平衡策略判断是否需要调整业务信息的方式，以便于识别出有调整需求的业务信息，使所述业务信息更加符合现实场景的需求，提高了业务信息的适应性；同时，剔除掉无调整需求的业务信息，降低了平台系统调整业务信息的算力消耗。
需要说明的是，所述表现层是用于展示数据并接收终端发送的数据的层次结构，示例性地，所述表现层是众包平台的众包产品页面。
所述控制层（controller）是用于读取视图表现层的数据，控制用户的输入，并调用业务层的方法的层次结构。
所述业务层（service）记载有调用数据访问层的计算机方法以提取所述反馈信息的数据提取方法。
数据访问层（dao）负责与数据库的数据交互，将数据进行存储读取操作；所述数据访问层中还记载有定义提取与所述表现层中业务信息对应的反馈信息的数据管理方法（即：通过计算机语言编写的规则代码），所述控制层通过所述数据提取方法调用所述数据管理方法获取所述反馈信息。
S202：获取目标对象的目标参数和反馈信息，将所述目标参数的值及在所述值下的反馈信息的流量值整合成历史散点，汇总所述历史散点得到散点图。
本步骤中，调用所述控制层从所述数据访问层中获取所述目标对象的反馈信息，及从所述表现层中获取所述目标对象的目标参数；通过汇总所述历史散点得到散点图，得到分布有目标对象历史上各价格及其交易量的图像。其中，所述目标参数表征了所述业务信息的价值属性；于本实施例中，所述目标参数是所述业务信息的交易价格，例如：众包平台上众包产品的原始价格。
S203：通过预置的回归模型对所述散点图进行运算得到回归直线或回归曲线；根据所述回归直线或回归曲线中，所述目标参数的值和所述反馈信息的流量值之间的函数关系，计算预置的目标模型的极值并将所述极值对应的目标参数的值设为初始数据，将所述目标对象的目标参数的值修改为所述初始数据。
于本实施例中，所述目标模型是用于描述指定目标与所述目标参数和所述反馈信息之间函数关系的计算机模型，所述目标模型的目标函数为：
f(x)=( xn-y)×zn
其中，f(x)是指所述指定目标的值，如：利润总额；所述xn是指当前迭代变量，即所述目标参数的值，y是预置的阈值参数，如：成本；z指的是反馈信息的流量值，所述收敛条件表征了目标参数的制定者（即：所述业务信息的所有者）和提供反馈信息的需求者（如：承接众包产品的终端）的非合作博弈均衡；所述目标函数中的变量和参数可根据需要设置。
由于直接通过机器学习模型对目标参数进行迭代，会因目标对象的迭代次数过多而导致服务器负担增大、迭代效率低下的问题发生，本步骤通过预置的回归模型对所述散点图进行运算得到回归直线或回归曲线，用以拟合表征目标参数的值和交易量数据的数量之间的函数关系；根据所述函数关系计算目标模型的极值，并将所述极值对应目标参数的值设为初始数据，将所述目标对象的目标参数的值修改为所述初始数据，由于，所获得的回归直线或回归曲线拟合了目标对象在历史上所有目标参数的值，及各所述值下的反馈信息的流量值，因此，最终得到的初始数据能够最大程度的接近机器学习模型的收敛条件，因此，减少了后续使用的机器学习模型对目标参数的值的迭代次数，进而避免了多频次的调整所述目标参数的值，导致服务器的运算负担较大，以及造成平台系统的业务信息出现频繁的信息及流量波动，导致平台系统运行不稳的问题发生。
示例性地，基于众包产品举例，根据目标对象的在历史上全部的目标参数的值及其对应的反馈信息的流量值，获得初始数据为v_1（即：初始价格），将目标参数当前的值v_0（即：原价）进行第一次调价，使其成为所述初始数据v_1（即：初始价格）。
S204：通过预置的机器学习模型采集所述目标对象在预置的试验期间内的迭代反馈信息，并根据改为所述初始数据的目标参数和所述迭代反馈信息对所述目标参数的值进行迭代处理，直至获得的目标参数的值满足所述目标模型的收敛条件，将满足所述收敛状态的值作为所述目标对象的目标参数；其中，所述收敛条件是指通过所述目标参数的值和所述迭代反馈信息，使所述目标模型的目标值趋向收敛于衡定极值的状态的情况。
由于随着时间的变化，基于所述历史散点所获得的初始数据，将难以满足所述目标模型持续保持在极值上，因此，本步骤通过预置的机器学习模型采集所述目标对象在预置的试验期间内的迭代反馈信息，并根据改为所述初始数据的目标参数和所述迭代反馈信息对所述目标参数的值进行迭代处理，用以不断的寻找基于当前环境满足目标模型收敛条件的目标参数的值，当所述值能够使所述目标模型达到收敛条件（即所述收敛条件状态），将满足所述收敛状态的值作为所述目标对象的目标参数，实现获得最大程度适应历史散点和当前环境最优的目标参数的技术效果。
所述机器学习模型中运行有梯度下降算法，其中，所述梯度下降算法是迭代法的一种,可以用于求解最小二乘问题(包括线性和非线性)，其用于求解机器学习算法的模型参数，即无约束优化问题。
在一个优选的实施例中，所述通过预置的机器学习模型采集所述目标对象在预置的试验期间内的迭代反馈信息，并根据改为所述初始数据的目标参数和所述迭代反馈信息对所述目标参数的值进行迭代处理的步骤，包括：
S41：执行监听进程，用于识别修改所述目标参数的值的时间并将所述时间设为起点时间，以所述起点时间为起点并以预置的时间间隔为时间跨度构建所述试验期间，并监听所述目标对象在所述试验期间内的迭代反馈信息。
本步骤中，所述时间间隔可根据需要设置，通过获得所述试验期间内目标对象的迭代反馈信息，用以识别及判断所述目标对象在当下环境中收敛条件点的位置，使目标参数的值能够更加适应当下环境。
通过采集目标对象在平台系统上在试验期间内的交易量，并将所述交易量设为所述迭代反馈信息。基于上述举例，f(x)=( xn-y)×zn，其中，所述xn是指当前迭代变量，即所述目标参数的值，y指的是成本，z指的是迭代反馈信息的流量值。
S42：提取所述目标参数的值并将其作为第一数据；执行迭代进程，用以通过所述机器学习模型根据所述第一数据和所述迭代反馈信息的流量值，对所述第一数据进行迭代处理得到第二数据；
S43：通过所述目标模型运算所述第一数据得到第一目标值，及运算所述第二数据得到第二目标值，判断所述第二目标值与所述第一目标值之间的差值是否低于预置的判断阈值；若是，则判定所述第二数据满足所述目标模型的收敛条件；若否，则将所述目标参数的值修改为所述第二数据，并执行所述监听进程。
本步骤中，将所述收敛条件设为所述目标模型的极值。
通过机器学习模型以所述目标模型的极值作为迭代目标（即：maxf(x)），对所述第一数据进行迭代处理得到第二数据，并通过比较所述第一数据和所述第二数据之间的差值与所述判断阈值，判断所述第二数据是否满足所述收敛条件。
所述迭代进程的步骤包括：
S421：将所述回归直线或回归曲线中，所述目标参数的值和所述反馈信息的流量值之间的函数关系，载入所述机器学习模型的迭代公式中得到转换公式；
S422：将所述第一数据和所述迭代反馈信息的流量值录入所述转换公式，并运行所述机器学习模型得到第二数据。
具体地，所述机器学习模型的迭代公式为：
xn+1=xn-α××▽f(xn)
其中，xn是指所述第一数据；xn+1是指所述第二数据；α为步长；是第n个试验期间中所接收到的迭代反馈信息的流量值，f(x)是所述目标模型的目标函数。
所述回归直线或回归曲线中，所述目标参数的值和所述反馈信息的流量值之间的函数关系为：
zn=p×xn+q
其中，所述xn是指所述第一数据，y是预置的阈值参数，z指的是迭代反馈信息的流量值，p和q为自然数。
通过将所述目标函数，和所述目标参数的值和所述反馈信息的流量值之间的函数关系录入所述迭代公式得到转换公式，以便于对目标函数进行基于目标参数的求导；再将第一数据和迭代反馈信息的流量值录入所述迭代公式中，计算获得第二数据。
进一步地，所述判断所述第二目标值与所述第一目标值之间的差值是否低于预置的判断阈值的公式如下所示：
〡f(xn+1)- f(xn)〡＜C
其中，f(xn+1)是所述第二目标值，f(xn)是第一目标值，C是判断阈值。
示例性地，通过回归模型对产品价格（即：所述标记信息）进行循环迭代，以第k轮循环为例，间隔为T_k(k=1、1、2、……)，新增n_k个任务（即：实时流量信息）[t_k1,t_k1…t_(k(n_k-1)),t_(kn_k ) ]，在该轮价格v_k基础上进行进一步的价格调整，获得下一轮的定价v_(k+1)。
每个周期等待一个间隔时间T_k（即：时间区间），是为了确保每一轮的价格调整，都有充分的新增任务参与统计，这样才能保证进一步调价的可靠性。T_k为可变时长，即：可以是任意时长（1天、1周、1月甚至1年），具体可以根据任务调用频率决定。
基于每一轮的价格v_k，进一步调整价格获得v_(k+1)，是迭代收敛的关键，因为新增任务价格就是v_k，只对新增的n_k个任务[t_k1,t_k1…t_(k(n_k-1)),t_(kn_k ) ]进行统计，可以避免以往不同定价的历史任务，对调价干扰。
此时，基于定价v_k与任务[t_k1,t_k1…t_(k(n_k-1)),t_(kn_k ) ]进行调价，相当于基于定价v_0与策略启动前的历史任务进行调价，唯一区别是v_k必v_0更接近降本保值（即：实现收敛条件的状态）的极限。
因此，通过所述机器学习模型对第一数据不断的迭代得到第二数据，使得所述第二数据不断的靠近所述目标模型极值所对应的自变量，进而获得实现所述目标模型极值所对应的自变量值的技术效果，将所述自变量值作为目标对象的目标参数，将会使目标对象能够最大程度的适应当下环境。
优选的，所述判定所述第二数据满足所述目标模型的收敛条件之后，所述方法还包括：
将所述第二数据上传至区块链中。
需要说明的是，基于第二数据得到对应的摘要信息，具体来说，摘要信息由第二数据进行散列处理得到，比如利用sha256s算法处理得到。将摘要信息上传至区块链可保证其安全性和对用户的公正透明性。用户设备可以从区块链中下载得该摘要信息，以便查证第二数据是否被篡改。本示例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。
实施例三：
请参阅图4，本实施例的一种基于机器学习的参数优化装置1，包括：
散点构建模型12，用于获取目标对象的目标参数和反馈信息，将所述目标参数的值及在所述值下的反馈信息的流量值整合成历史散点，汇总所述历史散点得到散点图；
函数构建模型13，用于通过预置的回归模型对所述散点图进行运算得到回归直线或回归曲线；根据所述回归直线或回归曲线中，所述目标参数的值和所述反馈信息的流量值之间的函数关系，计算预置的目标模型的极值并将所述极值对应的目标参数的值设为初始数据，将所述目标对象的目标参数的值修改为所述初始数据；
迭代优化模型14，用于通过预置的机器学习模型采集所述目标对象在预置的试验期间内的迭代反馈信息，并根据改为所述初始数据的目标参数和所述迭代反馈信息对所述目标参数的值进行迭代处理，直至获得的目标参数的值满足所述目标模型的收敛条件，将满足所述收敛状态的值作为所述目标对象的目标参数；其中，所述收敛条件是指通过所述目标参数的值和所述迭代反馈信息，使所述目标模型的目标值趋向收敛于衡定极值的状态的情况。
可选的，所述参数优化装置1还包括：
信息轮询模型11，用于轮询平台系统的业务信息的反馈信息，识别流量值符合预置的平衡策略的反馈信息，并将所述反馈信息所对应的业务信息设为目标对象。
可选的，所述信息轮询模型11包括：
信息获取单元111，用于将从平台系统的表现层中获取业务信息，并根据所述业务信息从所述平台系统的数据访问层中获取所述业务信息的反馈信息；
策略判断单元112，用于判断所述反馈信息的流量值是否符合所述平衡策略；
对象提取单元113，用于将所述业务信息设为目标对象；
信息轮询单元114，用于从所述表现层中获取下一业务信息。
可选的，所述策略判断单元112包括：
阈值提取子单元1121，用于提取所述平衡策略中预定义的流量阈值；
阈值判断子单元1122，用于判断所述流量值是否大于或等于所述流量阈值；
流量确定子单元1123，用于判定所述流量值符合所述平衡策略；
流量否定子单元1124，用于判定所述流量值不符合所述平衡策略。
可选的，所述迭代优化模型14包括：
监听单元141，用于执行监听进程，用于识别修改所述目标参数的值的时间并将所述时间设为起点时间，以所述起点时间为起点并以预置的时间间隔为时间跨度构建所述试验期间，并监听所述目标对象在所述试验期间内的迭代反馈信息。
迭代单元142，用于提取所述目标参数的值并将其作为第一数据；执行迭代进程，用以通过所述机器学习模型根据所述第一数据和所述迭代反馈信息的流量值，对所述第一数据进行迭代处理得到第二数据；
判断单元143，用于通过所述目标模型运算所述第一数据得到第一目标值，及运算所述第二数据得到第二目标值，判断所述第二目标值与所述第一目标值之间的差值是否低于预置的判断阈值；若是，则判定所述第二数据满足所述目标模型的收敛条件；若否，则将所述目标参数的值修改为所述第二数据，并执行所述监听进程。
可选的，所述迭代单元142包括：
转换子单元1421，用于将所述回归直线或回归曲线中，所述目标参数的值和所述反馈信息的流量值之间的函数关系，载入所述机器学习模型的迭代公式中得到转换公式；
计算子单元1422，用于将所述第一数据和所述迭代反馈信息的流量值录入所述转换公式，并运行所述机器学习模型得到第二数据。
本技术方案应用于人工智能的智能决策技术领域，通过历史散点得到回归直线或回归曲线，并结合目标模型得到基于历史散点所获得的初始数据，再通过机器学习模型根据迭代反馈信息对目标参数进行迭代处理得到满足收敛条件的值，以作为平台系统的预测模型以预测其中业务信息的目标参数的最优值。
实施例四：
为实现上述目的，本发明还提供一种计算机设备5，实施例三的参数优化装置的组成部分可分散于不同的计算机设备中，计算机设备5可以是执行程序的智能手机、平板电脑、笔记本电脑、台式计算机、机架式服务器、刀片式服务器、塔式服务器或机柜式服务器（包括独立的服务器，或者多个应用服务器所组成的服务器集群）等。本实施例的计算机设备至少包括但不限于：可通过系统总线相互通信连接的存储器51、处理器52，如图5所示。需要指出的是，图5仅示出了具有组件-的计算机设备，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。
本实施例中，存储器51（即可读存储介质）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，存储器51可以是计算机设备的内部存储单元，例如该计算机设备的硬盘或内存。在另一些实施例中，存储器51也可以是计算机设备的外部存储设备，例如该计算机设备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（Flash Card）等。当然，存储器51还可以既包括计算机设备的内部存储单元也包括其外部存储设备。本实施例中，存储器51通常用于存储安装于计算机设备的操作系统和各类应用软件，例如实施例三的参数优化装置的程序代码等。此外，存储器51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。
处理器52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52通常用于控制计算机设备的总体操作。本实施例中，处理器52用于运行存储器51中存储的程序代码或者处理数据，例如运行参数优化装置，以实现实施例一和实施例二的参数优化方法。
实施例五：
为实现上述目的，本发明还提供一种计算机可读存储介质，如闪存、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、服务器、App应用商城等等，其上存储有计算机程序，程序被处理器52执行时实现相应功能。本实施例的计算机可读存储介质用于存储实现所述参数优化方法的计算机程序，被处理器52执行时实现实施例一和实施例二的参数优化方法。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
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。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (8)

1.一种基于机器学习的参数优化方法，其特征在于，包括：
轮询平台系统的业务信息的反馈信息，识别流量值符合预置的平衡策略的反馈信息，并将所述反馈信息所对应的业务信息设为目标对象；
获取目标对象的目标参数和反馈信息，将所述目标参数的值及在所述值下的反馈信息的流量值整合成历史散点，汇总所述历史散点得到散点图；
通过预置的回归模型对所述散点图进行运算得到回归直线或回归曲线；根据所述回归直线或回归曲线中，所述目标参数的值和所述反馈信息的流量值之间的函数关系，计算预置的目标模型的极值并将所述极值对应的目标参数的值设为初始数据，将所述目标对象的目标参数的值修改为所述初始数据；其中，所述目标模型是用于描述指定目标与所述目标参数和所述反馈信息之间函数关系的计算机模型，所述目标模型的目标函数为：
f(x)=(xn-y)×zn
其中，f(x)是指所述指定目标的值， xn是指当前迭代变量，即所述目标参数的值，y是预置的阈值参数，zn指的是反馈信息的流量值；
通过预置的机器学习模型采集所述目标对象在预置的试验期间内的迭代反馈信息，并根据改为所述初始数据的目标参数和所述迭代反馈信息对所述目标参数的值进行迭代处理，直至获得的目标参数的值满足所述目标模型的收敛条件，将满足所述收敛条件的值作为所述目标对象的目标参数；其中，所述收敛条件是指通过所述目标参数的值和所述迭代反馈信息，使所述目标模型的目标值趋向收敛于衡定极值的状态的情况；所述通过预置的机器学习模型采集所述目标对象在预置的试验期间内的迭代反馈信息，包括：执行监听进程，用于识别修改所述目标参数的值的时间并将所述时间设为起点时间，以所述起点时间为起点并以预置的时间间隔为时间跨度构建所述试验期间，并监听所述目标对象在所述试验期间内的迭代反馈信息。
2.根据权利要求1所述的参数优化方法，其特征在于，所述轮询平台系统的业务信息的反馈信息，识别流量值符合预置的平衡策略的反馈信息，并将所述反馈信息所对应的业务信息设为目标对象的步骤包括：
将从平台系统的表现层中获取业务信息，并根据所述业务信息从所述平台系统的数据访问层中获取所述业务信息的反馈信息；
判断所述反馈信息的流量值是否符合所述平衡策略；
若是，则将所述业务信息设为目标对象；
若否，则从所述表现层中获取下一业务信息。
3.根据权利要求2所述的参数优化方法，其特征在于，所述判断所述反馈信息的流量值是否符合所述平衡策略的步骤，包括：
提取所述平衡策略中预定义的流量阈值；
判断所述流量值是否大于或等于所述流量阈值；
若是，则判定所述流量值符合所述平衡策略；
若否，则判定所述流量值不符合所述平衡策略。
4.根据权利要求1所述的参数优化方法，其特征在于，所述根据改为所述初始数据的目标参数和所述迭代反馈信息对所述目标参数的值进行迭代处理的步骤，包括：
提取所述目标参数的值并将其作为第一数据；执行迭代进程，用以通过所述机器学习模型根据所述第一数据和所述迭代反馈信息的流量值，对所述第一数据进行迭代处理得到第二数据；
通过所述目标模型运算所述第一数据得到第一目标值，及运算所述第二数据得到第二目标值，判断所述第二目标值与所述第一目标值之间的差值是否低于预置的判断阈值；若是，则判定所述第二数据满足所述目标模型的收敛条件；若否，则将所述目标参数的值修改为所述第二数据，并执行所述监听进程；
所述判定所述第二数据满足所述目标模型的收敛条件之后，所述方法还包括：
将所述第二数据上传至区块链中。
5.根据权利要求4所述的参数优化方法，其特征在于，所述迭代进程的步骤包括：
将所述回归直线或回归曲线中，所述目标参数的值和所述反馈信息的流量值之间的函数关系，载入所述机器学习模型的迭代公式中得到转换公式；
将所述第一数据和所述迭代反馈信息的流量值录入所述转换公式，并运行所述机器学习模型得到第二数据。
6.一种基于机器学习的参数优化装置，其特征在于，包括：
信息轮询模型，用于轮询平台系统的业务信息的反馈信息，识别流量值符合预置的平衡策略的反馈信息，并将所述反馈信息所对应的业务信息设为目标对象；
散点构建模型，用于获取目标对象的目标参数和反馈信息，将所述目标参数的值及在所述值下的反馈信息的流量值整合成历史散点，汇总所述历史散点得到散点图；
函数构建模型，用于通过预置的回归模型对所述散点图进行运算得到回归直线或回归曲线；根据所述回归直线或回归曲线中，所述目标参数的值和所述反馈信息的流量值之间的函数关系，计算预置的目标模型的极值并将所述极值对应的目标参数的值设为初始数据，将所述目标对象的目标参数的值修改为所述初始数据；其中，所述目标模型是用于描述指定目标与所述目标参数和所述反馈信息之间函数关系的计算机模型，所述目标模型的目标函数为：
f(x)=(xn-y)×zn
其中，f(x)是指所述指定目标的值， xn是指当前迭代变量，即所述目标参数的值，y是预置的阈值参数，zn指的是反馈信息的流量值；
迭代优化模型，用于通过预置的机器学习模型采集所述目标对象在预置的试验期间内的迭代反馈信息，并根据改为所述初始数据的目标参数和所述迭代反馈信息对所述目标参数的值进行迭代处理，直至获得的目标参数的值满足所述目标模型的收敛条件，将满足所述收敛条件的值作为所述目标对象的目标参数；其中，所述收敛条件是指通过所述目标参数的值和所述迭代反馈信息，使所述目标模型的目标值趋向收敛于衡定极值的状态的情况；所述通过预置的机器学习模型采集所述目标对象在预置的试验期间内的迭代反馈信息，并根据改为所述初始数据的目标参数和所述迭代反馈信息对所述目标参数的值进行迭代处理的步骤，包括：执行监听进程，用于识别修改所述目标参数的值的时间并将所述时间设为起点时间，以所述起点时间为起点并以预置的时间间隔为时间跨度构建所述试验期间，并监听所述目标对象在所述试验期间内的迭代反馈信息。
7.一种计算机设备，其包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述计算机设备的处理器执行所述计算机程序时实现权利要求1至5任一项所述参数优化方法的步骤。
8.一种计算机可读存储介质，所述可读存储介质上存储有计算机程序，其特征在于，所述可读存储介质存储的所述计算机程序被处理器执行时实现权利要求1至5任一项所述参数优化方法的步骤。
CN202110694884.5A 2021-06-23 2021-06-23 一种基于机器学习的参数优化方法、装置、设备及介质 Active CN113343577B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110694884.5A CN113343577B (zh) 2021-06-23 2021-06-23 一种基于机器学习的参数优化方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110694884.5A CN113343577B (zh) 2021-06-23 2021-06-23 一种基于机器学习的参数优化方法、装置、设备及介质

Publications (2)

Publication Number Publication Date
CN113343577A CN113343577A (zh) 2021-09-03
CN113343577B true CN113343577B (zh) 2023-09-26

Family

ID=77477633

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110694884.5A Active CN113343577B (zh) 2021-06-23 2021-06-23 一种基于机器学习的参数优化方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN113343577B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024036941A1 (zh) * 2022-08-17 2024-02-22 华为云计算技术有限公司 一种参数管理系统以及相关方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107292391A (zh) * 2017-06-20 2017-10-24 上海交通大学 基于de和l‑bfgs‑b混合算法的柔性化车间任务调度优化方法
WO2019001120A1 (zh) * 2017-06-29 2019-01-03 北京京东尚科信息技术有限公司 商品动态定价数据处理方法和系统
CN110942483A (zh) * 2019-11-21 2020-03-31 三一重工股份有限公司 函数快速收敛模型构建方法、装置和终端
WO2020103908A1 (zh) * 2018-11-23 2020-05-28 中兴通讯股份有限公司 确定终端位置的方法、装置及存储介质

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8527566B2 (en) * 2010-05-11 2013-09-03 International Business Machines Corporation Directional optimization via EBW
US20170116653A1 (en) * 2015-10-21 2017-04-27 Revionics Inc. Systems and methods for analytics based pricing optimization with competitive influence effects
US10917316B2 (en) * 2019-05-31 2021-02-09 International Business Machines Corporation Constrained optimization of cloud micro services

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107292391A (zh) * 2017-06-20 2017-10-24 上海交通大学 基于de和l‑bfgs‑b混合算法的柔性化车间任务调度优化方法
WO2019001120A1 (zh) * 2017-06-29 2019-01-03 北京京东尚科信息技术有限公司 商品动态定价数据处理方法和系统
WO2020103908A1 (zh) * 2018-11-23 2020-05-28 中兴通讯股份有限公司 确定终端位置的方法、装置及存储介质
CN110942483A (zh) * 2019-11-21 2020-03-31 三一重工股份有限公司 函数快速收敛模型构建方法、装置和终端

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
基于改进共轭梯度思想的滑动平均模型参数估计优化方法;单锐等;《兰州理工大学学报》;第40卷(第1期);144-147页 *
支持向量机增量学习中模型参数选择问题研究;张鹏等;《空军工程大学学报(自然科学版)》;第12卷(第5期);第5-9页 *
无约束优化算法比较及其极值点研究;毛巍等;《四川理工学院学报(自然科学版)》;第28卷(第4期);第89-94页 *

Also Published As

Publication number Publication date
CN113343577A (zh) 2021-09-03

Similar Documents

Publication Publication Date Title
CN110349038B (zh) 风险评估模型训练方法和风险评估方法
CN110442712B (zh) 风险的确定方法、装置、服务器和文本审理系统
CN111580874B (zh) 数据申请的系统安全控制方法、系统和计算机设备
CN112150014A (zh) 一种企业风险预警方法、装置、设备及可读存储介质
CN112990583B (zh) 一种数据预测模型的入模特征确定方法及设备
CN111950889A (zh) 一种客户风险评估方法、装置、可读存储介质及终端设备
CN111522724A (zh) 异常账号的确定方法、装置、服务器及存储介质
CN114140075B (zh) 业务处理方法、装置、介质及电子设备
CN114693192A (zh) 风控决策方法、装置、计算机设备和存储介质
CN113343577B (zh) 一种基于机器学习的参数优化方法、装置、设备及介质
CN114356712B (zh) 数据处理方法、装置、设备、可读存储介质及程序产品
CN112613974B (zh) 一种风险预警方法、装置、设备及可读存储介质
CN111831817B (zh) 问卷生成分析方法、装置、计算机设备及可读存储介质
CN113850669A (zh) 用户分群方法、装置、计算机设备及计算机可读存储介质
CN112702410A (zh) 一种基于区块链网络的评估系统、方法及相关设备
CN115809384A (zh) 网页更新方法、装置、计算机设备及计算机可读介质
CN111198986B (zh) 信息发送方法、装置、电子设备及存储介质
CN114529210A (zh) 基于虚拟现实的评价方法及装置
CN110209883B (zh) 一种用户历史数据有效性判断的方法及装置
CN114285896A (zh) 信息推送方法、装置、设备、存储介质及程序产品
CN112559221A (zh) 智能名单处理方法、系统、设备及存储介质
CN112132693A (zh) 交易验证方法、装置、计算机设备与计算机可读存储介质
CN111429257A (zh) 一种交易监控方法和装置
CN111159988A (zh) 一种模型处理方法、装置、计算机设备及存储介质
CN113421118B (zh) 数据推送方法、系统、计算机设备及计算机可读存储介质

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