CN113435771A - 一种业务评估方法、装置及设备 - Google Patents

一种业务评估方法、装置及设备 Download PDF

Info

Publication number
CN113435771A
CN113435771A CN202110769486.5A CN202110769486A CN113435771A CN 113435771 A CN113435771 A CN 113435771A CN 202110769486 A CN202110769486 A CN 202110769486A CN 113435771 A CN113435771 A CN 113435771A
Authority
CN
China
Prior art keywords
service
data
candidate
evaluation
factor
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.)
Pending
Application number
CN202110769486.5A
Other languages
English (en)
Inventor
刘国旭
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.)
CCB Finetech Co Ltd
Original Assignee
CCB Finetech 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 CCB Finetech Co Ltd filed Critical CCB Finetech Co Ltd
Priority to CN202110769486.5A priority Critical patent/CN113435771A/zh
Publication of CN113435771A publication Critical patent/CN113435771A/zh
Pending legal-status Critical Current

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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0633—Workflow analysis

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Educational Administration (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本说明书实施例提供一种业务评估方法、装置及设备，可应用于大数据技术领域。所述方法包括：接收业务评估请求；所述业务评估请求中包括对应于候选业务的候选业务数据；获取对应于所述候选业务的业务影响因子；根据所述业务影响因子计算调节系数；所述调节系数用于确定各个业务影响因子对所述候选业务的发展造成的影响；利用所述候选业务数据和调节系数确定所述候选业务对应的业务评估数据；所述业务评估数据用于描述所述候选业务执行失败的概率；基于所述业务评估数据反馈对应于所述候选业务的评估结果。上述方法能够有效规避业务执行失败的风险，改善了用户的业务执行结果，保障了用户的业务处理体验。

Description

一种业务评估方法、装置及设备
技术领域
本说明书实施例涉及大数据技术领域，特别涉及一种业务评估方法、装置及设备。
背景技术
随着社会整体和各行各业的发展，越来越多的业务被提供给用户，以使得用户能够基于这些业务实现相应的目的。相应的，用户也可以指定或自由地制定相应的业务，以满足自身的需求。
但是，这些业务在执行的过程中，基于特定的因素，可能会存在有执行失败的风险。例如，当某一业务的执行成功率与可被分配的资源数量挂钩时，在不同时期执行该业务时，由于可以利用到的资源数量均不相同，可能就会导致业务执行失败。当业务执行失败时，不仅会浪费用户的时间和资源，也影响了用户的业务处理体验。因此，目前亟需一种能够在用户执行业务之前，对业务执行的有效性进行有效评估，以提高用户处理业务的体验的方法。
发明内容
本说明书实施例的目的是提供一种业务评估方法、装置及设备，以解决如何对业务的有效性进行评估以改善用户的业务处理体验的问题。
为解决上述技术问题，本说明书实施例提供一种业务评估方法，包括：接收业务评估请求；所述业务评估请求中包括对应于候选业务的候选业务数据；获取对应于所述候选业务的业务影响因子；根据所述业务影响因子计算调节系数；所述调节系数用于确定各个业务影响因子对所述候选业务的发展造成的影响；利用所述候选业务数据和调节系数确定所述候选业务对应的业务评估数据；所述业务评估数据用于描述所述候选业务执行失败的概率；基于所述业务评估数据反馈对应于所述候选业务的评估结果。
本说明书实施例还提出一种业务评估装置，包括：业务评估请求接收模块，用于接收业务评估请求；所述业务评估请求中包括对应于候选业务的候选业务数据；业务影响因子获取模块，用于获取对应于所述候选业务的业务影响因子；调节系数计算模块，用于根据所述业务影响因子计算调节系数；所述调节系数用于确定各个业务影响因子对所述候选业务的发展造成的影响；业务评估数据确定模块，用于利用所述候选业务数据和调节系数确定所述候选业务对应的业务评估数据；所述业务评估数据用于描述所述候选业务执行失败的概率；评估结果反馈模块，用于基于所述业务评估数据反馈对应于所述候选业务的评估结果。
本说明书实施例还提出一种业务评估设备，包括存储器和处理器；所述存储器用于存储计算机程序指令；所述处理器，用于执行所述计算机程序指令以实现以下步骤：接收业务评估请求；所述业务评估请求中包括对应于候选业务的候选业务数据；获取对应于所述候选业务的业务影响因子；根据所述业务影响因子计算调节系数；所述调节系数用于确定各个业务影响因子对所述候选业务的发展造成的影响；利用所述候选业务数据和调节系数确定所述候选业务对应的业务评估数据；所述业务评估数据用于描述所述候选业务执行失败的概率；基于所述业务评估数据反馈对应于所述候选业务的评估结果。
由以上本说明书实施例提供的技术方案可见，本说明书实施例在需要对候选业务进行评估时，可以先获取对于候选业务存在一定影响的业务影响因子，进而计算调节系数，以确定业务影响因子对候选业务的影响程度。之后，根据候选业务的候选业务数据和所述调节系数可以计算得到相应的业务评估数据，从而对候选业务的执行过程进行评估，以获取最终的评估结果并反馈给用户。通过上述业务评估方法，在用户执行相应的业务之前，可以对业务的执行效果预先进行评估，从而在业务执行成功率较低时，能够有效规避业务执行失败的风险，改善了用户的业务执行结果，保障了用户的业务处理体验。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案，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说明书中记载的一些实施例，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为本说明书实施例一种业务评估方法的流程图；
图2为本说明书实施例一种业务评估装置的模块图；
图3为本说明书实施例一种业务评估设备的结构图。
具体实施方式
下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，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，都应当属于本说明书保护的范围。
为了解决上述技术问题，介绍本说明书实施例一种业务评估方法。所述业务评估方法的执行主体可以为业务评估设备，所述业务评估设备包括但不限于服务器、工控机、PC机等。如图1所示，所述业务评估方法可以包括以下具体实施步骤。
S110：接收业务评估请求；所述业务评估请求中包括对应于候选业务的候选业务数据。
业务评估请求用于请求所述业务评估设备对特定的业务进行评估。具体的评估内容例如可以是业务执行失败的概率，或者是业务对于资源利用上所存在的风险等，对此不做限制。
所述业务评估请求中可以包含对应于候选业务的候选业务数据。候选业务可以是还未被执行，需要进行评估的业务。所述候选业务基于最终的评估结果可以选择被执行或不被执行，以保证候选业务的执行成功率，改善用户的业务处理体验。
候选业务数据可以是对应于所述候选业务的历史样本数据，例如在以往处理所述候选业务时，业务执行过程中所产生的相应数据以及业务执行结果所对应的数据，相应的，所述候选业务数据也可以包括与所述候选业务相关联的其他因素所对应的数据，例如，在所述候选业务为投资业务时，所述候选业务数据也可以包括与所述投资业务相关联的其他数据，具体的，可以是GDP数据、CPI数据、投资行业发展数据等。基于所述候选业务数据，可以对所述候选业务进行有效分析，从而能够在之后的步骤中对候选业务的有效性进行评估。
具体的，所述业务评估请求可以是用户执行相应业务之前，针对所述业务所发出的请求，也可以在其他设备制定相应的业务后，由业务评估设备对所制定的业务进行评估的过程，即所述业务评估请求可以是由用户发出的请求，也可以是由其他设备所发出的请求，对此不做限制。
S120：获取对应于所述候选业务的业务影响因子。
在获取到业务评估请求中所包含的候选业务后，可以获取对应于所述候选业务的业务影响因子。所述业务影响因子可以是影响所述候选业务执行过程的各项因素。具体的，可以是所述候选业务自身的属性、特征等信息，也可以是外界环境中对所述候选业务存在影响的因素，例如在所述候选业务为金融领域的待处理业务时，所述业务影响因子可以是GDP、CPI等会在经济层面对候选业务的执行过程产生影响的因子。
在一些实施方式中，所述候选业务可以预先对应有相应的业务影响因子，使得在获取到所述业务评估请求后直接根据所述候选业务匹配到对应的业务影响因子。在另一些实施方式中，业务评估设备在获取到所述候选业务后，可以根据所述候选业务自身的属性信息、候选业务所对应的类型以及候选业务历史数据等信息，为所述候选业务匹配到相应的业务影响因子。具体的匹配方式例如可以是通过预先训练的模型进行匹配。实际应用中也可以采用其他方式来获取所述业务影响因子，并不限于上述示例，在此不再赘述。
S130：根据所述业务影响因子计算调节系数；所述调节系数用于确定各个业务影响因子对所述候选业务的发展造成的影响。
在获取到所述业务影响因子后，可以根据所述业务影响因子来计算调节系数。调节系数用于确定各个业务影响因子对所述候选业务的发展所造成的影响，从而在后续过程中基于不同的业务影响因子的重要程度对所述候选业务进行评估，从而提高评估结果的准确性。
在一些实施方式中，计算所述调节系数时，可以是从所述候选业务数据中筛选出分别对应于各个业务影响因子的影响因子数据，再根据所述影响因子数据计算对应于各个业务影响因子的预测业务数据；所述预测业务数据用于表示所述候选业务在指定周期之后分别对应于各个业务影响因子的预测到的业务数据。基于不同应用场景将所述预测业务数据调整为场景预测业务数据，最终基于所述场景预测业务数据确定调节系数。
在确定业务影响因子后，可以先根据所述业务影响因子从候选业务数据中筛选相应的影响因子数据。所述候选业务数据基于自身具体的内容可以对应有不同的属性标签，根据这些属性标签与业务影响因子之间的对应关系可以从候选业务数据中提取得到相应的影响因子数据，从而在后续过程中能够更好地结合所述影响因子数据与业务影响因子之间的对应关系，实现对于候选业务的评估效果。
业务影响因子与影响因子数据之间可以是一对一的关系，也可以是一对多，或多对一的关系，对此不做限制。
实际应用中可以基于实际应用的具体情况，采取对应的步骤来筛选得到对应于各个业务影响因子的影响因子数据，并不限于上述示例，在此不再赘述。
在分别获取到各个业务影响因子的影响因子数据后，可以根据这些影响因子数据计算各个业务影响因子的预测业务数据。预测业务数据可以用于表示预测到的所述候选业务在指定周期之后对应于各个业务影响因子的业务数据，即预测候选业务的数据在一定时间后的发展状况。
具体的，不同的业务影响因子可以对应有各自的因子计算逻辑，在计算预测业务数据时，可以先获取到对应于各个业务影响因子的因子计算逻辑，再进一步地利用所述因子计算逻辑，对影响因子数据进行处理，得到最终的预测业务数据。
在一些具体的示例中，所述因子计算逻辑可以是ARIMA函数。ARIMA函数是自回归积分滑动平均模型(Autoregressive Integrated Moving Average Model)，是一种较为有效的时间序列预测方法，能够对数据在一定时间后的变化发展状况进行预测。基于ARIMA函数可以构建相应的ARIMA模型，进而能够根据所述ARIMA模型实现业务数据的预测。
实际应用中也可以基于其他算法实现预测业务数据的计算，并不限于上述具体示例，在此不再赘述。
在一些实施方式中，在计算所述预测业务数据时，还可以是根据所述业务影响因子获取对应的数据预测范围和数据预测参数，进而根据所述业务影响因子和数据预测参数计算在所述数据预测范围内的预测业务数据。
数据预测范围用于限定计算得到的预测业务数据的范围。在实际应用中，由于计算逻辑与实际应用环境之间可能无法完全对应，可能会出现计算得到的结果与应用需求之间出现较大偏差的情况，从而影响数据的实际使用需求。因此，通过限定预测业务数据的范围，可以在获取到数据之后对数据进行有效筛选，保证了最终获取到的数据的有效性，提高了评估结果的准确性。
数据预测参数可以用于表示对获取到的不同的预测业务数据的影响效果。在实际应用中，不同的预测业务数据对于业务的执行过程可能会存在不同程度的影响效果，因此，通过额外设置所述数据预测参数，能够有效对预测业务数据的应用情况进行调整，以保证最终评估结果的准确性。
在获取到所述数据预测范围和数据预测参数后，在具体的计算预测业务数据的过程中，可以利用所述数据预测参数对预测业务数据的计算结果进行调整，以影响最终的计算结果的分布情况。相应的，在获取到数据预测范围之后，还可以利用所述数据预测范围筛选出最终的预测业务数据。实际应用中可以基于具体的需求来利用所述数据预测范围和数据预测参数，并不限于上述示例，在此不再赘述。
在一些实施方式中，在计算所述预测业务数据时，还可以是根据所述影响因子数据，计算对应于各个业务影响因子在多个指定周期后所对应的预测业务数据；所述指定周期包括季度和/或月份。
在计算预测业务数据时，根据不同的应用需求，可能需要计算不同时间所对应的数据，例如，在需要预测未来一年时间内业务数据变化情况时，可以根据需要选择预测未来四个季度所对应的预测业务数据，也可以选择预测未来12个月所对应的12期业务数据。根据所设置的指定周期长度的不同可以调节预测结果的精确度和预测过程的工作量，从而实现最优的预测效果。实际应用中根据具体的需求可以制定相应的指定周期，以获取对应于不同时间间隔以及数据量的预测业务数据，并不限于上述示例中所列出的指定周期的长度，以完善最终的预测效果，提高评估结果的准确性。
在获取到预测业务数据后，可以基于不同应用场景将所述预测业务数据调整为场景预测业务数据。应用场景可以用于表示对评估结果产生不同影响效果的场景。场景预测业务数据即可以是在不同的应用场景的影响下所得到的业务数据。
具体的，不同应用场景可以具有对应的对业务数据进行调整的处理逻辑，根据相应的处理逻辑实现对预测业务数据的处理后即可得到所述场景预测业务数据。
在一些具体的示例中，所述应用场景可以包括基准应用场景、积极应用场景和消极应用场景中的至少一种。基准应用场景可以用于表示外部环境对业务产生的影响较小的情况，即在该场景下对于预测业务数据不会产生太大的改动。积极应用场景可以用于表示对业务执行更为有利的外部环境，在该场景下所述预测业务数据可以朝更易被执行的方向进行调整，以将评估结果朝更易被执行的角度进行优化。消极应用场景可以用于表示对业务执行较为不利的外部环境，在该场景下执行所述候选业务可能会存在较高的执行失败概率，以将预测业务数据朝更易使得业务执行的方向进行调整。
基于上述应用场景的示例，在调整预测业务数据得到场景预测业务数据时，在所述应用场景为积极应用场景的情况下，对所述预测业务数据进行上调得到场景预测业务数据，或，在所述应用场景为消极应用场景的情况下，对所述预测业务数据进行下调得到场景预测业务数据，或，在所述应用场景为基准应用场景的情况下，将所述预测业务数据作为场景预测业务数据。具体的上调数据或下调数据的过程可以基于实际应用情况进行相应的设置，在此不再赘述。
在获取到场景预测业务数据之后，即可以利用所述场景预测业务数据来确定调节系数。调节系数即用于确定各个业务影响因子对于候选业务的执行结果所产生的影响。由于场景预测业务数据能够体现对应于不同业务影响因子的业务数据对于业务执行结果的关联性，因此基于所述场景预测业务数据能够实现调节系数的计算。
在一些实施方式中，计算所述调节系数时，可以先分别获取各个应用场景下对应于业务影响因子的因子影响系数，再基于所述因子影响系数构建系数计算方程；所述系数计算方程用于计算调节系数，最终利用所述系数计算方程确定调节系数。
因子影响系数可以用于调节各个业务影响因子对调节系数的计算过程的影响方向以及影响程度。所述因子影响系数可以由用户或管理人员进行设置，也可以利用相应的模型来确定。所述模型例如可以是基于历史数据进行训练所得到的模型，从而能够直接根据该模型获取到相应的因子影响系数。
在获取到因子影响系数后，可以利用所述因子影响系数构建系数计算方程；所述系数计算方程用于计算调节系数。
在一些具体的示例中，当计算调节系数时，假设所获取到的业务影响因子和因子影响系数如下表1所示。其中，影响因子包括GDP_TB、CPI_TB和M2_TB，对应的因子影响系数为1.512870、0.3258983、-0.090753。
滞后期次可以用于表示利用历史记录中的候选业务数据进行计算时，所选取的因子业务数据的批次，以得到相应的计算效果。
利用具体的示例进行说明，如果当前计算的是预测第1期：则滞后期次为0时，取预测的第一期指标结果；滞后期次为1时，取预测第一期的前一期指标结果，即历史数据的最后一期指标；滞后期次为2时，取预测第一期的前两期期指标结果，即历史数据的倒数第二期指标结果；如果当前计算的是预测第2期：则滞后期次为0时，取预测的第2期指标结果；滞后期次为1时，取预测第一期的指标结果；滞后期次为2时，取预测第2期的前两期期指标结果，即历史数据的最后一期指标结果。依次类推，可以获取到相应的滞后期次所对应的数据。
业务影响因子 衍生方式 因子影响系数 滞后期次
截距 -10.491801
GDP_TB 原值 1.512870 2
CPI_TB 原值 0.3258983 1
M2_TB 原值 -0.090753 1
表1
根据变量的滞后期次获取到指标值滞后带入公式，计算带入方式为Zt＝截距+变量1系数*变量1指标值+变量2系数*变量2指标值+…+变量n系数*变量n指标值。而基于上表1中的示例，所构建得到的系数计算方程可以是Z＝-10.491801+1.512870*GDP_TB(-2)+0.3258983*CPI_TB(-1)-0.090753*M2_TB(-1)。
实际应用中也可以基于其他逻辑或公式格式来构建所述系数计算方程，并不限于上述示例，在此不再赘述。
在构建完成系数计算方程后，可以将实际的数据代入所述系数计算方程得到计算结果。具体的，可以是将业务影响因子所对应的候选业务数据代入所述系数计算方程以得到最终的计算结果，作为调节系数。
在一些实施方式中，当利用所述系数计算方程获取到方程计算结果之后，还可以基于所述方程计算结果，利用预设取值逻辑来获取调节系数。所述预设取值逻辑用于获取延后指定周期后的方程计算结果。当针对所需要获取的数据存在多个周期的判断需求时，可以根据当前场景中对于周期的需求，将结果滞后一定的周期，以得到符合相应需求的计算结果。具体的操作过程可以基于实际应用的需求进行设置，对此不做赘述。
所述预设取值逻辑也可以表示其他的对计算结果进行处理的方式，例如，在需要针对四个季度分别计算相应的数据的情况下，所述预设取值逻辑可以是将这四个结算结果进行算术平均，并将最终结果作为当前应用场景下的调节系数。
实际应用中也可以采取其他方式对最终获取的调节系数进行处理，并不限于上述示例，在此不再赘述。
S140：利用所述候选业务数据和调节系数确定所述候选业务对应的业务评估数据；所述业务评估数据用于描述所述候选业务执行失败的概率。
在获取到候选业务数据和调节系数之后，可以确定所述候选业务对应的业务评估数据。所述业务评估数据即用于表述所述候选业务执行失败的概率，以使得在后续过程中能够基于所述业务评估数据确定相应的评估结果。
在一些实施方式中，确定业务评估数据时，可以是先基于所述候选业务数据构建第一迁徙矩阵，再基于所述第一迁徙矩阵分别获取第二迁徙矩阵和第三迁徙矩阵；所述第二迁徙矩阵和第三迁徙矩阵用于表示不同业务执行环境下的业务数据，最终基于所述第一迁徙矩阵、第二迁徙矩阵和第三迁徙矩阵，结合调节系数计算所述业务评估数据。
迁徙矩阵可以用于表示不同的根据不同的预测业务数据和历史业务数据所构建得到的矩阵，以对最终所需要获取的评估结果进行分析。第一迁徙矩阵、第二迁徙矩阵和第三迁徙矩阵可以分别用于表示针对不同阶段的矩阵数据结果。例如，第一迁徙矩阵可以表示不具有外部环境风险时执行业务失败的概率，第二迁徙矩阵可以表示存在特定概率的外部环境风险时执行业务失败的概率，第三迁徙矩阵可以表示百分之百的外部环境风险时执行业务失败的概率。针对这三种迁徙矩阵可以采取不同的利用方式，以实现相应的计算过程。
在计算时，可以先对风险的相关系数进行计算，具体的，可以是利用公式
Figure BDA0003152288510000081
Figure BDA0003152288510000082
进行计算，式中，ρ为风险相关系数，PDTTC为针对计算结果的前瞻性调整。
针对第一迁徙矩阵，可以直接利用所述风险相关系数进行调整，具体的，可以是利用公式
Figure BDA0003152288510000083
进行计算，式中，PD为不同业务场景下前瞻性调整后的业务风险值，情景Zt可以指代不同业务场景下的调节系数。
进一步的，可以利用公式PD1-forward＝∑{各情景下的前瞻性调整后PD*Wn}进行计算，式中，PD1-forward为计算得到的风险值，Wn为对应于不同业务场景的权重值。针对上述公式的计算结果，能够最终实现第一迁徙矩阵的调整，以进行后续的计算。
在利用第一迁徙矩阵获取第二迁徙矩阵和第三迁徙矩阵时，可以是根据第一迁徙矩阵、第二迁徙矩阵和第三迁徙矩阵分别计算对应的迁徙率，再基于所述迁徙率和所述调节系数计算所述业务评估数据。
基于调整后的值，为保证期初第一阶段或期初第二阶段迁期末各阶段的比例和为1，需要对平均迁徙矩阵其他单元格进行调整，其中第一阶段迁第二阶段和第二阶段迁第一阶段的值保持不变，第一阶段迁徙第一阶段的迁徙率＝100％-第一阶段迁徙第二阶段迁徙率-调整后第一阶段迁徙第三阶段迁徙率；第二阶段迁徙第二阶段的迁徙率＝100％-第二阶段迁徙第一阶段迁徙率-调整后第二阶段迁徙第三阶段迁徙率；调整完后，得到各个业务场景下不同的迁徙矩阵结果。
所述迁徙率用于表示不同业务执行环境变化的概率。如下表2所示，为不同阶段的迁徙率的变化情况的一个具体示例。
序号 A B C D
45 阶段划分 一阶段 二阶段 三阶段
46 一阶段 97.59％ 1.39％ 0.00％
47 二阶段 1.56％ 73.02％ 0.00％
48 三阶段 0.84％ 25.59％ 100.00％
表2
当业务数据设计不同周期时，在计算各个迁徙矩阵时，也可以结合不同的周期和时间对最终计算得到的迁徙矩阵的结果进行调整。如下表3所示，为结合不同年份所计算得到的迁徙率的变化情况。
序号 A B C D E F
50 阶段划分 第一年 第二年 第三年 第四年 第五年
51 第一阶段 0.84％ 2.07％ 3.55％ 5.22％ 7.00％
52 第二阶段 25.59％ 44.29％ 57.96％ 67.96％ 75.29％
53 第三阶段 100.00％ 100.00％ 100.00％ 100.00％ 100.00％
表3
具体的计算过程例如可以是在第一年时，阶段一PD＝前瞻性调整后一阶段迁三阶段的迁徙率；阶段二PD＝前瞻性调整后二阶段迁三阶段的迁徙率；阶段3PD＝100％。在第二年之后，使用调整后迁徙矩阵乘以前一年的PD值。PD值即为相应的风险系数，可以直接用于计算业务评估数据。
结合上述表3，在计算过程中所采用的具体规则可以是1)B51＝B48，B52＝C48，B53＝D48；2)C51＝SUMPRODUCT(B51:B53,$B$46:$B$48)；如果C51>1,则C51＝1，后续其他年份同一阶段累积PD均为1；3)C52＝SUMPRODUCT(B51:B53,$C$46:$C$48)；如果C52>1,则C52＝1，后续其他年份同一阶段累积PD均为1；4)C53＝100％；5)D至F列公式以此类推。
实际应用中对于具体的调整过程可以根据相应的需求进行设置，在此不再赘述。
在一些实施方式中，还可以计算各情景下第一阶段和第二阶段下多年期边际PD：情景
Figure BDA0003152288510000101
其中情景PDt表示前面推算得到的多年期累积PD，其中t>＝2,情景PD′1-forward＝情景PD1，如果情景PDt-1＝1,则情景PD′t-forward＝0；计算得到的结果示例如下表4所示。
Figure BDA0003152288510000102
表4
利用所述边界迁徙的结果可以更好地对不同的业务场景下的迁徙率进行表示，以获取到更好的评估结果。
在获取到所述第一迁徙矩阵、第二迁徙矩阵和第三迁徙矩阵后，可以结合调节系数计算所述业务评估数据。在一些具体的实施方式中，可以基于所述第一迁徙矩阵、第二迁徙矩阵和第三迁徙矩阵，结合调节系数分别计算对应于至少两个迁徙周期的候选评估数据，再综合所述候选评估数据得到业务评估数据。
例如，在一些示例中，可以是对每个阶段每一年的调整后边际PD做加权汇总，公式为：PD′t-forward＝∑{情景PD′t-forward*Wn}，其中Wn为对应的情景权重；之后，再基于边际PD做计算最终使用的多年期联合PD，计算逻辑为：
Figure BDA0003152288510000111
Figure BDA0003152288510000112
其中如果t＝1，PD1-forward＝PD′1-forward。
实际应用中也可以采取其他方式获取所述业务评估数据，并不限于上述示例，在此不再赘述。
S150：基于所述业务评估数据反馈对应于所述候选业务的评估结果。
在获取到业务评估数据之后，可以根据所述业务评估数据获取相应的评估结果，并将所述评估结果反馈给对应的用户或设备。
在一些实施方式中，预先设定有业务风险阈值，用于表示业务执行成功时所具备的最大风险值。相应的，在所述业务评估数据小于业务风险阈值的情况下，反馈积极评估结果；所述积极评估结果用于指示用户执行所述候选业务，或，在所述业务评估数据不小于业务风险阈值的情况下，反馈消极评估结果；所述消极评估结果用于指示用户不执行所述候选业务。
用户在接收到所述评估结果后，可以基于所述评估结果选择相应的处理方式，以更好地执行业务并提高业务执行的成功率。
实际应用中也可以采用其他方式将所述业务评估数据转化为对应的评估结果，并不限于上述示例，在此不再赘述。
通过上述实施例的介绍，可以看出，所述业务评估方法在需要对候选业务进行评估时，可以先获取对于候选业务存在一定影响的业务影响因子，进而计算调节系数，以确定业务影响因子对候选业务的影响程度。之后，根据候选业务的候选业务数据和所述调节系数可以计算得到相应的业务评估数据，从而对候选业务的执行过程进行评估，以获取最终的评估结果并反馈给用户。通过上述业务评估方法，在用户执行相应的业务之前，可以对业务的执行效果预先进行评估，从而在业务执行成功率较低时，能够有效规避业务执行失败的风险，改善了用户的业务执行结果，保障了用户的业务处理体验。
基于图1所对应的业务评估方法，介绍本说明书实施例一种业务评估装置。所述业务评估装置可以设置于所述业务评估设备。如图2所示，所述业务评估装置包括以下模块。
业务评估请求接收模块210，用于接收业务评估请求；所述业务评估请求中包括对应于候选业务的候选业务数据。
业务影响因子获取模块220，用于获取对应于所述候选业务的业务影响因子。
调节系数计算模块230，用于根据所述业务影响因子计算调节系数；所述调节系数用于确定各个业务影响因子对所述候选业务的发展造成的影响。
业务评估数据确定模块240，用于利用所述候选业务数据和调节系数确定所述候选业务对应的业务评估数据；所述业务评估数据用于描述所述候选业务执行失败的概率。
评估结果反馈模块250，用于基于所述业务评估数据反馈对应于所述候选业务的评估结果。
所述调节系数计算模块还可以包括影响因子数据筛选子模块，用于从所述候选业务数据中筛选出分别对应于各个业务影响因子的影响因子数据；预测业务数据计算子模块，用于根据所述影响因子数据计算对应于各个业务影响因子的预测业务数据；所述预测业务数据用于表示所述候选业务在指定周期之后分别对应于各个业务影响因子的预测到的业务数据；场景预测业务数据调整子模块，用于基于不同应用场景将所述预测业务数据调整为场景预测业务数据；调节系数确定子模块，用于基于所述场景预测业务数据确定调节系数。
所述调节系数确定子模块，还可以包括因子影响系数获取单元，用于分别获取各个应用场景下对应于业务影响因子的因子影响系数；系数计算方程构建单元，用于基于所述因子影响系数构建系数计算方程；所述系数计算方程用于计算调节系数；调节系数确定单元，用于利用所述系数计算方程确定调节系数。
调节系数确定单元，包括利用所述系数计算方程获取方程计算结果；基于所述方程计算结果，利用预设取值逻辑获取调节系数；所述预设取值逻辑用于获取延后指定周期后的方程计算结果。
所述业务影响因子分别对应有因子计算逻辑；所述预测业务数据计算子模块，包括第一预测业务数据计算单元，用于根据所述影响因子数据，利用各个业务影响因子分别对应的因子计算逻辑计算所述预测业务数据。
在一些实施方式中，所述因子计算逻辑包括ARIMA函数。
所述预测业务数据计算子模块，包括参数获取单元，用于根据所述业务影响因子获取对应的数据预测范围和数据预测参数；第二预测业务数据计算单元，用于根据所述业务影响因子和数据预测参数计算在所述数据预测范围内的预测业务数据。
所述预测业务数据计算子模块，包括第三预测业务数据计算单元，用于根据所述影响因子数据，计算对应于各个业务影响因子在多个指定周期后所对应的预测业务数据；所述指定周期包括季度和/或月份。
所述应用场景包括基准应用场景、积极应用场景和消极应用场景中的至少一种；所述场景预测业务数据调整子模块包括第一预测业务数据调整单元，用于在所述应用场景为积极应用场景的情况下，对所述预测业务数据进行上调得到场景预测业务数据；第二预测业务数据调整单元，用于在所述应用场景为消极应用场景的情况下，对所述预测业务数据进行下调得到场景预测业务数据；第三预测业务数据调整单元，用于在所述应用场景为基准应用场景的情况下，将所述预测业务数据作为场景预测业务数据。
所述业务评估数据确定模块，包括第一迁徙矩阵构建子模块，用于基于所述候选业务数据构建第一迁徙矩阵；第二迁徙矩阵构建子模块，用于基于所述第一迁徙矩阵分别获取第二迁徙矩阵和第三迁徙矩阵；所述第二迁徙矩阵和第三迁徙矩阵用于表示不同业务执行环境下的业务数据；业务评估数据计算子模块，用于基于所述第一迁徙矩阵、第二迁徙矩阵和第三迁徙矩阵，结合调节系数计算所述业务评估数据。
所述业务评估数据计算子模块，包括迁徙率计算单元，用于根据第一迁徙矩阵、第二迁徙矩阵和第三迁徙矩阵分别计算对应的迁徙率；所述迁徙率用于表示不同业务执行环境变化的概率；业务评估数据计算单元，用于基于所述迁徙率和所述调节系数计算所述业务评估数据。
所述业务评估数据计算子模块，包括候选评估数据计算单元，用于基于所述第一迁徙矩阵、第二迁徙矩阵和第三迁徙矩阵，结合调节系数分别计算对应于至少两个迁徙周期的候选评估数据；候选评估数据综合单元，用于综合所述候选评估数据得到业务评估数据。
所述评估结果反馈模块，包括积极评估结果反馈模块，用于在所述业务评估数据小于业务风险阈值的情况下，反馈积极评估结果；所述积极评估结果用于指示用户执行所述候选业务；消极评估结果反馈模块，用于在所述业务评估数据不小于业务风险阈值的情况下，反馈消极评估结果；所述消极评估结果用于指示用户不执行所述候选业务。
基于图1所对应的业务评估方法，本说明书实施例提供一种业务评估设备。如图3所示，所述业务评估设备可以包括存储器和处理器。
在本实施例中，所述存储器可以按任何适当的方式实现。例如，所述存储器可以为只读存储器、机械硬盘、固态硬盘、或U盘等。所述存储器可以用于存储计算机程序指令。
在本实施例中，所述处理器可以按任何适当的方式实现。例如，处理器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application SpecificIntegrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式等等。所述处理器可以执行所述计算机程序指令实现以下步骤：接收业务评估请求；所述业务评估请求中包括对应于候选业务的候选业务数据；获取对应于所述候选业务的业务影响因子；根据所述业务影响因子计算调节系数；所述调节系数用于确定各个业务影响因子对所述候选业务的发展造成的影响；利用所述候选业务数据和调节系数确定所述候选业务对应的业务评估数据；所述业务评估数据用于描述所述候选业务执行失败的概率；基于所述业务评估数据反馈对应于所述候选业务的评估结果。
需要说明的是，上述业务评估方法、装置及设备可以应用于大数据技术领域，也可以应用于除大数据技术领域外的其他技术领域，对此不做限制。
在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本说明书可借助软件加必需的第一硬件平台的方式来实现。基于这样的理解，本说明书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，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本说明书各个实施例或者实施例的某些部分所述的方法。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本说明书可用于众多第一或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
虽然通过实施例描绘了本说明书，本领域普通技术人员知道，本说明书有许多变形和变化而不脱离本说明书的精神，希望所附的权利要求包括这些变形和变化而不脱离本说明书的精神。

Claims (15)

1.一种业务评估方法，其特征在于，包括：
接收业务评估请求；所述业务评估请求中包括对应于候选业务的候选业务数据；
获取对应于所述候选业务的业务影响因子；
根据所述业务影响因子计算调节系数；所述调节系数用于确定各个业务影响因子对所述候选业务的影响程度；
利用所述候选业务数据和调节系数确定所述候选业务对应的业务评估数据；所述业务评估数据用于描述所述候选业务执行失败的概率；
基于所述业务评估数据反馈对应于所述候选业务的评估结果。
2.如权利要求1所述的方法，其特征在于，所述根据所述业务影响因子计算调节系数，包括：
从所述候选业务数据中筛选出分别对应于各个业务影响因子的影响因子数据；
根据所述影响因子数据计算对应于各个业务影响因子的预测业务数据；所述预测业务数据用于表示预测到的所述候选业务在指定周期之后对应于各个业务影响因子的业务数据；
基于不同应用场景将所述预测业务数据调整为场景预测业务数据；
基于所述场景预测业务数据确定调节系数。
3.如权利要求2所述的方法，其特征在于，所述业务影响因子分别对应有因子计算逻辑；所述根据所述影响因子数据计算对应于各个业务影响因子的预测业务数据，包括：
根据所述影响因子数据，利用各个业务影响因子分别对应的因子计算逻辑计算所述预测业务数据。
4.如权利要求3所述的方法，其特征在于，所述因子计算逻辑包括ARIMA函数。
5.如权利要求2所述的方法，其特征在于，所述根据所述影响因子数据计算对应于各个业务影响因子的预测业务数据，包括：
根据所述业务影响因子获取对应的数据预测范围和数据预测参数；
根据所述业务影响因子和数据预测参数计算在所述数据预测范围内的预测业务数据。
6.如权利要求2所述的方法，其特征在于，所述根据所述影响因子数据计算对应于各个业务影响因子的预测业务数据，包括：
根据所述影响因子数据，计算对应于各个业务影响因子在多个指定周期后所对应的预测业务数据；所述指定周期包括季度和/或月份。
7.如权利要求2所述的方法，其特征在于，所述应用场景包括基准应用场景、积极应用场景和消极应用场景中的至少一种；所述基于不同应用场景将所述预测业务数据调整为场景预测业务数据，包括：
在所述应用场景为积极应用场景的情况下，对所述预测业务数据进行上调得到场景预测业务数据，或，
在所述应用场景为消极应用场景的情况下，对所述预测业务数据进行下调得到场景预测业务数据，或，
在所述应用场景为基准应用场景的情况下，将所述预测业务数据作为场景预测业务数据。
8.如权利要求2所述的方法，其特征在于，所述基于所述场景预测业务数据确定调节系数，包括：
分别获取各个应用场景下对应于业务影响因子的因子影响系数；
基于所述因子影响系数构建系数计算方程；所述系数计算方程用于计算调节系数；
利用所述系数计算方程确定调节系数。
9.如权利要求8所述的方法，其特征在于，所述利用所述系数计算方程确定调节系数，包括：
利用所述系数计算方程获取方程计算结果；
基于所述方程计算结果，利用预设取值逻辑获取调节系数；所述预设取值逻辑用于获取延后指定周期后的方程计算结果。
10.如权利要求1所述的方法，其特征在于，所述利用所述候选业务数据和调节系数确定所述候选业务对应的业务评估数据，包括：
基于所述候选业务数据构建第一迁徙矩阵；
基于所述第一迁徙矩阵分别获取第二迁徙矩阵和第三迁徙矩阵；所述第二迁徙矩阵和第三迁徙矩阵用于表示不同业务执行环境下的业务数据；
基于所述第一迁徙矩阵、第二迁徙矩阵和第三迁徙矩阵，结合调节系数计算所述业务评估数据。
11.如权利要求10所述的方法，其特征在于，所述基于所述第一迁徙矩阵、第二迁徙矩阵和第三迁徙矩阵，结合调节系数计算所述业务评估数据，包括：
根据第一迁徙矩阵、第二迁徙矩阵和第三迁徙矩阵分别计算对应的迁徙率；所述迁徙率用于表示不同业务执行环境变化的概率；
基于所述迁徙率和所述调节系数计算所述业务评估数据。
12.如权利要求10所述的方法，其特征在于，所述基于所述第一迁徙矩阵、第二迁徙矩阵和第三迁徙矩阵，结合调节系数计算所述业务评估数据，包括：
基于所述第一迁徙矩阵、第二迁徙矩阵和第三迁徙矩阵，结合调节系数分别计算对应于至少两个迁徙周期的候选评估数据；
综合所述候选评估数据得到业务评估数据。
13.如权利要求1所述的方法，其特征在于，所述基于所述业务评估数据反馈对应于所述候选业务的评估结果，包括：
在所述业务评估数据小于业务风险阈值的情况下，反馈积极评估结果；所述积极评估结果用于指示用户执行所述候选业务，或，
在所述业务评估数据不小于业务风险阈值的情况下，反馈消极评估结果；所述消极评估结果用于指示用户不执行所述候选业务。
14.一种业务评估装置，其特征在于，包括：
业务评估请求接收模块，用于接收业务评估请求；所述业务评估请求中包括对应于候选业务的候选业务数据；
业务影响因子获取模块，用于获取对应于所述候选业务的业务影响因子；
调节系数计算模块，用于根据所述业务影响因子计算调节系数；所述调节系数用于确定各个业务影响因子对所述候选业务的发展造成的影响；
业务评估数据确定模块，用于利用所述候选业务数据和调节系数确定所述候选业务对应的业务评估数据；所述业务评估数据用于描述所述候选业务执行失败的概率；
评估结果反馈模块，用于基于所述业务评估数据反馈对应于所述候选业务的评估结果。
15.一种业务评估设备，包括存储器和处理器；
所述存储器用于存储计算机程序指令；
所述处理器，用于执行所述计算机程序指令以实现以下步骤：接收业务评估请求；所述业务评估请求中包括对应于候选业务的候选业务数据；获取对应于所述候选业务的业务影响因子；根据所述业务影响因子计算调节系数；所述调节系数用于确定各个业务影响因子对所述候选业务的发展造成的影响；利用所述候选业务数据和调节系数确定所述候选业务对应的业务评估数据；所述业务评估数据用于描述所述候选业务执行失败的概率；基于所述业务评估数据反馈对应于所述候选业务的评估结果。
CN202110769486.5A 2021-07-07 2021-07-07 一种业务评估方法、装置及设备 Pending CN113435771A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110769486.5A CN113435771A (zh) 2021-07-07 2021-07-07 一种业务评估方法、装置及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110769486.5A CN113435771A (zh) 2021-07-07 2021-07-07 一种业务评估方法、装置及设备

Publications (1)

Publication Number Publication Date
CN113435771A true CN113435771A (zh) 2021-09-24

Family

ID=77759551

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110769486.5A Pending CN113435771A (zh) 2021-07-07 2021-07-07 一种业务评估方法、装置及设备

Country Status (1)

Country Link
CN (1) CN113435771A (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070150324A1 (en) * 2005-12-28 2007-06-28 Kosato Makita Method, system and computer program for supporting evaluation of a service
CN105993036A (zh) * 2016-05-10 2016-10-05 深圳怡化电脑股份有限公司 一种自助终端的业务处理方法及系统
CN109118118A (zh) * 2018-09-06 2019-01-01 平安科技（深圳）有限公司 企业业务的风险评估方法、存储介质和服务器
CN110472192A (zh) * 2019-07-23 2019-11-19 平安科技（深圳）有限公司 评价指标提取方法、装置、存储介质和服务器
CN112529689A (zh) * 2020-12-16 2021-03-19 北京逸风金科软件有限公司 银行风险定价策略的仿真方法和装置
CN112580869A (zh) * 2020-12-17 2021-03-30 建信金融科技有限责任公司 一种业务优化方法、装置及设备

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070150324A1 (en) * 2005-12-28 2007-06-28 Kosato Makita Method, system and computer program for supporting evaluation of a service
CN105993036A (zh) * 2016-05-10 2016-10-05 深圳怡化电脑股份有限公司 一种自助终端的业务处理方法及系统
CN109118118A (zh) * 2018-09-06 2019-01-01 平安科技（深圳）有限公司 企业业务的风险评估方法、存储介质和服务器
CN110472192A (zh) * 2019-07-23 2019-11-19 平安科技（深圳）有限公司 评价指标提取方法、装置、存储介质和服务器
CN112529689A (zh) * 2020-12-16 2021-03-19 北京逸风金科软件有限公司 银行风险定价策略的仿真方法和装置
CN112580869A (zh) * 2020-12-17 2021-03-30 建信金融科技有限责任公司 一种业务优化方法、装置及设备

Similar Documents

Publication Publication Date Title
JP6484730B2 (ja) 時間因子を融合させる協調フィルタリング方法、装置、サーバおよび記憶媒体
CN108399477B (zh) 一种风险阈值确定的方法及装置
CN111798273A (zh) 产品的购买概率预测模型的训练方法及购买概率预测方法
CN111459993B (zh) 基于行为分析的配置更新方法、装置、设备及存储介质
CN108108233B (zh) 任务多副本执行的集群作业调度方法及系统
CN109214772B (zh) 项目推荐方法、装置、计算机设备及存储介质
US20220261591A1 (en) Data processing method and apparatus
CN111159413A (zh) 日志聚类方法、装置、设备及存储介质
WO2022268182A1 (en) Method and device for detecting standardization of wearing mask
CN112612887A (zh) 日志处理方法、装置、设备和存储介质
CN113392974A (zh) 模型训练方法、装置、电子设备以及存储介质
WO2022199473A1 (zh) 基于差分隐私的业务分析方法及装置
CN112199416A (zh) 数据规则生成方法及装置
CN113569955A (zh) 一种模型训练方法、用户画像生成方法、装置及设备
US20220138557A1 (en) Deep Hybrid Graph-Based Forecasting Systems
CN111783843A (zh) 一种特征选择方法、装置及计算机系统
US11036980B2 (en) Information processing method and information processing system
CN111667018A (zh) 一种对象聚类的方法、装置、计算机可读介质及电子设备
CN116957024A (zh) 利用神经网络模型进行推理的方法和装置
CN113435771A (zh) 一种业务评估方法、装置及设备
CN111143461A (zh) 映射关系处理系统、方法和电子设备
CN113360672B (zh) 用于生成知识图谱的方法、装置、设备、介质和产品
CN107368281B (zh) 一种数据处理方法及装置
CN114037060A (zh) 预训练模型的生成方法、装置、电子设备以及存储介质
WO2021085523A1 (ja) ニューラルネットワーク、演算方法及びプログラム

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