CN113450147A - 基于决策树的产品匹配方法、装置、设备及存储介质 - Google Patents
基于决策树的产品匹配方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113450147A CN113450147A CN202110725709.8A CN202110725709A CN113450147A CN 113450147 A CN113450147 A CN 113450147A CN 202110725709 A CN202110725709 A CN 202110725709A CN 113450147 A CN113450147 A CN 113450147A
- Authority
- CN
- China
- Prior art keywords
- product
- decision tree
- content
- unread mail
- target
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000003066 decision tree Methods 0.000 title claims abstract description 124
- 238000000034 method Methods 0.000 title claims abstract description 73
- 238000012549 training Methods 0.000 claims description 66
- 238000012360 testing method Methods 0.000 claims description 28
- 238000004422 calculation algorithm Methods 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000001514 detection method Methods 0.000 claims description 10
- 238000012015 optical character recognition Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping 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
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 235000011888 snacks Nutrition 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012795 verification 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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Finance (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Computational Linguistics (AREA)
- Game Theory and Decision Science (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Information Transfer Between Computers (AREA)
Abstract
本申请涉及人工智能技术领域,揭露一种基于决策树的产品匹配方法、装置、设备及存储介质,其中方法包括通过定时检测到未读邮件时,获取未读邮件的主题与正文内容;再将主题与正文内容输入到训练好的决策树进行决策判断;若未读邮件与产品销售相关,则识别未读邮件中的内容,作为目标内容;然后提取目标内容中产品相关信息;再将产品名称匹配对应的销售金额,得到产品销售信息,并将产品销售信息进行输出。本申请还涉及区块链技术,产品销售信息存储于区块链中。本申请实现了通过训练好的决策树自动判断出未读邮件是否与产品销售信息相关,并提取邮件中的产品相关信息进行产品匹配,有利于提高产品的匹配效率。
Description
技术领域
本申请涉及人工智能技术领域,尤其涉及一种基于决策树的产品匹配方法、装置、设备及存储介质。
背景技术
随着业务不断拓展,日常运营已成为每个公司正常运营的必要组成部分。销售运营作为日常运营的其中一环,旨在建立产品销售生态,并维护这个生态圈,形成用户贡献和消费产品内容的生态闭环。产品销售策略明确后需要运营人员将销售策略指令做机械性的录入。
在现有的产品销售运营方法中,往往需要人工识别邮件中的销售方案,并对该销售方案进行拆分和匹配,从而得到相关产品的匹配方案。但是,这需要人工去关注邮件的情况,并给予判断邮箱是否与产品销售相关,这导致可能对邮件遗漏,从而导致后续产品分析时间过长,导致产品的匹配效率较低。现亟需一种能够提高产品匹配效率的方法。
发明内容
本申请实施例的目的在于提出一种基于决策树的产品匹配方法、装置、设备及存储介质,以提高产品的匹配效率。
为了解决上述技术问题,本申请实施例提供一种基于决策树的产品匹配方法,包括:
通过定时任务,定时检测目标邮箱的接收情况;
若检测到所述目标邮箱中存在未读邮件,则获取所述未读邮件的主题与正文内容;
将所述主题与正文内容输入到训练好的决策树中,以判断所述未读邮件是否与产品销售相关,得到第一判断结果;
若所述第一判断结果为所述未读邮件与产品销售相关,则识别所述未读邮件中的内容,作为目标内容;
通过预设关键词遍历所述目标内容,以提取所述目标内容中的产品相关信息,其中,所述产品相关信息包括产品名称、销售时间、销售金额;
通过预设的匹配规则,将所述产品名称匹配对应的销售金额,得到产品销售信息,并基于所述销售时间,将所述产品销售信息进行输出。
为了解决上述技术问题,本申请实施例提供一种基于决策树的产品匹配装置,包括:
接收情况检测模块,用于通过定时任务,定时检测目标邮箱的接收情况;
未读邮件获取模块,用于若检测到所述目标邮箱中存在未读邮件,则获取所述未读邮件的主题与正文内容;
未读邮件判断模块,用于将所述主题与正文内容输入到训练好的决策树中,以判断所述未读邮件是否与产品销售相关,得到第一判断结果;
目标内容识别模块,用于若所述第一判断结果为所述未读邮件与产品销售相关,则识别所述未读邮件中的内容,作为目标内容;
产品相关信息提取模块,用于通过预设关键词遍历所述目标内容,以提取所述目标内容中的产品相关信息,其中,所述产品相关信息包括产品名称、销售时间、销售金额;
产品销售信息输出模块,用于通过预设的匹配规则,将所述产品名称匹配对应的销售金额,得到产品销售信息,并基于所述销售时间,将所述产品销售信息进行输出。
为解决上述技术问题,本发明采用的一个技术方案是:提供一种计算机设备,包括,一个或多个处理器;存储器,用于存储一个或多个程序,使得一个或多个处理器实现上述任意一项所述的基于决策树的产品匹配方法。
为解决上述技术问题,本发明采用的一个技术方案是:一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现上述任意一项所述的基于决策树的产品匹配方法。
本发明实施例提供了一种基于决策树的产品匹配方法、装置、设备及存储介质。本发明实施例通过定时任务,定时检测邮箱的接收情况,若检测到有未读邮件时,则获取未读邮件的主题与正文内容;将主题与正文内容输入到训练好的决策树进行决策判断,判断未读邮件是否与产品销售相关,得到判断结果;若判断结果为未读邮件与产品销售相关,则识别未读邮件中的内容,作为目标内容;通过预设关键词遍历目标内容,以提取目标内容中产品相关信息;通过预设的匹配规则,将产品名称匹配对应的销售金额,得到产品销售信息,并基于销售时间,将产品销售信息进行输出。实现了通过训练好的决策树自动判断出未读邮件是否与产品销售信息相关,若是,则通过提取邮件中的产品相关信息进行产品匹配,有利于提高产品的匹配效率。
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是本申请实施例提供的基于决策树的产品匹配方法的应用环境示意图;
图2根据本申请实施例提供的基于决策树的产品匹配方法的一实现流程图;
图3是本申请实施例提供的基于决策树的产品匹配方法中子流程的一实现流程图;
图4是本申请实施例提供的基于决策树的产品匹配方法中子流程的又一实现流程图;
图5是本申请实施例提供的基于决策树的产品匹配方法中子流程的又一实现流程图;
图6是本申请实施例提供的基于决策树的产品匹配方法中子流程的又一实现流程图;
图7是本申请实施例提供的基于决策树的产品匹配方法中子流程的又一实现流程图;
图8是本申请实施例提供的基于决策树的产品匹配方法中子流程的又一实现流程图;
图9是本申请实施例提供的基于决策树的产品匹配装置示意图;
图10是本申请实施例提供的计算机设备的示意图。
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。
下面结合附图和实施方式对本发明进行详细说明。
请参阅图1,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、搜索类应用、即时通信工具等。
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、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基于决策树的产品匹配方法一般由服务器执行,相应地,基于决策树的产品匹配装置一般配置于服务器中。
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。
请参阅图2,图2示出了基于决策树的产品匹配方法的一种具体实施方式。
需注意的是,若有实质上相同的结果,本发明的方法并不以图2所示的流程顺序为限,该方法包括如下步骤:
S1:通过定时任务,定时检测目标邮箱的接收情况。
在本申请实施例中,为了更清楚的理解技术方案,下面对本申请所涉及的终端进行详细介绍。
一是服务器,服务器能够通过定时监控任务,对用户端的邮箱进行监控,若是接收到未读邮件,则判断该未读邮件是否与产品销售相关,若相关,则提取该邮件的产品相关信息,并基于预设的匹配规则,将该产品相关信息进行匹配,得到产品销售信息,再将产品销售信息进行输出,并生成数据分析报告,将该数据分析报告返回该用户端。
二是用户端,该用户端的用户可以为产品销售的运营人员,其可以接收服务器所返回数据分析报告。
具体的,在申请本实施中,通过定时执行任务技术,实时监控特定邮箱的接收情况,若检测到有未读邮件,则将对该未读邮件进行判断,判断该未读是否与产品销售相关。进一步的,通过判断邮件的读取标识,来判断所述邮件是否已读。其中,该读取标识通过生成的日志文件进行获取,读取标志用以区分邮件处理读取或未读状态。
S2:若检测到目标邮箱中存在未读邮件,则获取未读邮件的主题与正文内容。
具体的,当检测到未读邮件时,通过所生成的日志文件从目标邮箱中,准确识别出该未读邮件。再抓取出该未读邮件的主题和正文内容,作为后续判断该未读邮件是否与产品销售相关的依据。
S3:将主题与正文内容输入到训练好的决策树中,以判断未读邮件是否与产品销售相关,得到第一判断结果。
具体的,本申请实施例是通过训练决策树,通过训练好的决策树去判断未读邮件是否与产品销售相关。其中,决策树对数据进行处理是利用归纳算法产生分类规则和决策树,再对新数据进行预测分析。树的终端节点“叶子节点”(Leaf Node),表示分类结果的类别(Class),每个内部节点表示一个变量的测试,分枝(Branch)为测试输出,代表变量的一个可能数值。为达到分类目的,变量值在数据上测试,每一条路径代表一个分类规则。决策树模型通过不断地划分数据,使依赖变量的差别最大,最终目的是将数据分类到不同的组织或不同的分枝,在依赖变量的值上建立最强的归类。依靠深度学习的强大工具,对邮件主题和内容进行信息分类。本申请实施例中,采用了python机器学习的Sklearn模块进行决策树的实现。
具体的,决策树是一个预测模型,其代表的是对象属性与对象值之间的一种映射关系。树中每个节点表示某个对象,而每个分叉路径则代表的某个可能的属性值,而每个叶结点则对应从根节点到该叶节点所经历的路径所表示的对象的值。例如,预测一个人是否会购买电脑的决策树,利用这棵树,可以对新记录进行分类,从根节点(年龄)开始,如果某个人的年龄为中年,就直接判断这个人会买电脑,如果是青少年,则需要进一步判断是否是学生;如果是老年则需要进一步判断其信用等级,直到叶子结点可以判定记录的类别。同样的,在本申请实施例中,可利用决策树判断未读邮件是否与产品销售相关。例如,预测未读邮件是否产品销售相关的决策树(该决策树可以通过训练得到),利用这棵树,可以对新的未读邮件进行分类;从根节点(邮件主题与正文内容)开始分类,可能存在“垃圾邮件”、“日常邮件”以及“包括词汇‘产品’的邮件”三种分类;若是分类为“垃圾邮件”、“日常邮件”,则直接判定该邮件与产品销售无关;若是分类为包括词汇‘产品’的邮件”,则与该节点开始进行分类,可能分类分为“存在词汇‘产品销售’的邮件”、“存在词汇‘销售金额’的邮件”以及“不存在词汇‘销售’的邮件”三种结果,若是前两种分类结果,则判定其为与产品销售相关邮件,若是第三种结果,则进一步进行判断,直到叶子结点可以判定邮件的类别。
请参阅图3,图3示出了步骤S3的一种具体实施方式,详叙如下:
S31:将主题与正文内容输入到训练好的决策树中。
S32:通过训练好的决策树对主题与正文内容进行节点分类,得到当前节点分类结果。
具体的,通过训练好的决策树对输入的主题与正文内容进行节点分类,从根节点开始预测下个节点,从而得到当前节点分类结果。其中,节点分类是指决策树根据输入数据选择一个最优特征,按着这一数据特征将输入数据集分割成子集,使得各个子集有一个在当前条件下最好的分类。
S33:基于当前节点分类结果判断未读邮件的最终叶子节点,作为预测叶子节点。
具体的,通过训练好的决策树对当前节点分类结果进行预测下一叶子节点,得到未读邮件中的最终叶子节点,通过判断该最终叶子节点,可以获取到对该未读邮件的分类结果。在本实施例中,对未读邮件的分类结果分为“与产品销售相关”、“与产品销售无关”。
S34:通过对预测叶子节点的预测结果,得到第一判断结果。
具体的,对主题与正文内容中的每一条记录,通过决策树对其进行分类预测,在每一个节点上都根据当前节点的分类结果集合判断该条记录应进入哪一个子节点,直到到达某个叶子节点。通过当前叶子节点获得一个预测值,根据训练还得决策树的预测结果,得到所有预测结果中概率最大的那个分类结果,输出所有记录的分类结果,从而得到第一判断结果。其中,第一判断结果分为未读邮件与产品销售相关以及未读邮件与产品销售无关两种结果。
本实施例中,通过训练好的决策树对主题与正文内容进行节点分类,得到当前节点分类结果,并基于当前节点分类结果判断未读邮件的最终叶子节点,作为预测叶子节点,然后通过对预测叶子节点的预测结果,得到第一判断结果,实现从众多邮件中,快速筛选出与产品销售相关的未读邮件,有利于快速对邮件进行分析,从而有利于提高产品的匹配效率。
请参阅图4,图4示出了步骤S3之前的一种具体实施方式,详叙如下:
S3A:获取样本邮件,并抓取样本邮件中的内容,得到样本训练数据。
具体的,样本邮件分为与产品销售相关的邮件以及与产品销售无关的邮件,其用来训练决策树。抓取样本邮件中的内容包括邮件主题、正文内容以及附件内容,并将该内容作为样本训练数据。
S3B:识别样本训练数据中的产品特征属性,其中,产品特征属性为样本训练数据中产品的固有属性。
具体的,产品特征属性为样本训练数据中产品的固有属性,例如产品名称、产品种类、产品销售金额、产品销售时间等。
S3C:根据产品特征属性对样本训练数据中的数据进行特征选择,生成目标训练集,其中,目标训练集分为训练数据和测试数据。
具体的,通过产品特征属性对样本训练数据中的数据进行特征选择,选取与产品特征属性的数据,从而生成目标训练数据。其中,特征选择是指选取与产品特征属性相关的数据。例如,若该样本训练数据集是50列的数据集,在经过特征选择后,剩余的只有10列数据,则该10列数据就会作为目标训练集。此外,属性选择既可以缩小数据集的大小,又可以提高决策树模型的预测效果,而在进行特征选择时,所用到的方法一般是通过算法选择(如:基于信息增益的特征选择算法)和人工选择相结合的方式来进行的选择的。
S3D:采用决策树算法对目标训练集进行训练,得到训练好的决策树。
具体的,基于决策树从输入的样本邮件中,根据特征属性选择对预测过程有用的属性数据。也即在训练本申请实施例中的决策树时,通过将产品相关信息,如产品名称、产品种类、销售金额、销售时间等作为产品特征属性。将这些特征数据对训练数据进特征筛选,选取具备与产品销售相关的邮件,从而得到目标训练集,再将目标训练集根据预设比例分为训练数据和测试数据,训练数据用来训练决策树,测试数据用来验证所训练的决策树,且该预设比例根据实际情况进行设定,此处不做限定,在一具体实施例中,预设比例为8:2。
本实施例中,通过获取样本邮件,并抓取样本邮件中的内容,得到样本训练数据,识别样本训练数据中的产品特征属性,再根据产品特征属性对样本训练数据中的数据进行特征选择,生成目标训练集,然后采用决策树算法对目标训练集进行训练,得到训练好的决策树,实现通过邮件信息训练决策树,便于后续通过该决策树快速判断未读邮件是否与产品销售相关,从而提高识别邮件中的产品相关信息,进而有利于提高产品的匹配效率。
请参阅图5,图5示出了步骤S3D的一种具体实施方式,详叙如下:
S3D1:采用ID3算法,将训练数据对决策树进行节点计算,得到节点特征。
其中,ID3算法最早是由罗斯昆(J.Ross Quinlan)于1975年在悉尼大学提出的一种分类预测算法,算法的核心是“信息熵”。ID3算法通过计算每个属性的信息增益,认为信息增益高的是好属性,每次划分选取信息增益最高的属性为划分标准,重复这个过程,直至生成一个能完美分类训练样例的决策树。在本实施例中,通过ID3算法训练与产品销售相关邮件对应的决策树。其中,节点计算是指从根结点(root node)开始,对所有可能的特征的信息增益,选择信息增益最大的特征作为结点的特征。
S3D2:基于节点特征,对决策树进行递归计算,其中,每次递归计算得到一个基础决策树。
具体的,通过对决策树进行递归计算,每次递归计算,都选择信息增益最大的特征作为下一计算的节点特征,同时每次递归计算都得到一个决策树。
S3D3:通过测试数据对基础决策树进行测试计算,得到误差值。
S3D4:当误差值小于预设阈值时,停止递归计算,得到训练好的决策树。
具体的,在决策树模型训练中,一般会有两种模型测试的方法,一种是将训练集中的数据分成两部分,将一部分数据用来做训练生成决策树(即训练数据),一部分数据用来做测试(即测试数据),其中,一般在测试数据中选择测试例;另一种方法是采用n一折交叉验证法,将训练集中的数据分为n折,若将数据分为10份,取其中8份用来做训练生成决策树,剩下的2份用来做测试,作为测试例进行测试,直到将10份数据全都作为测试例分别进行测试,则完成整个测试过程。在本实施例中,每次得到的基础决策树,都通过测试数据对基础决策树进行测试计算,得到误差值,直到该误差值小于预设阈值时,停止递归计算,从而得到训练好的决策树。其中,误差值是指基础决策树的分类结果与实际分类结果的相差值。
需要说明的是,预设阈值根据实际情况进行设定,此处不做限定。在一具体实施例中,预设阈值为0.05。
本实施例中,采用ID3算法,将训练数据对决策树进行节点计算,得到节点特征,并基于节点特征,对决策树进行递归计算,再通过测试数据对基础决策树进行测试计算,得到误差值,且当误差值小于预设阈值时,停止递归计算,得到训练好的决策树,实现对决策树的训练,获取到与产品销售相关的决策树,便于提高识别未读邮件是否与产品相关的准确率。
S4:若第一判断结果为未读邮件与产品销售相关,则识别未读邮件中的内容,作为目标内容。
具体的,若是第一判断结果为未读邮件与产品销售相关,则需要对该未读邮件进行产品销售进行分析,所以需要识别该未读邮件中的所有内容,作为目标内容。上述步骤仅识别出未读邮件的主题和正文内容,但是在实际情况下,邮件可能会存在附件的情况,该附件也可以包括产品销售的相关信息。所以需要判断该未读邮件是否包括附件,若是包括附件,则进一步对该附件进行识别和解析,获取附件当中的内容,将附件中的内容与主题、正文内容共同作为目标内容。
请参阅图6,图6示出了步骤S4的一种具体实施方式,详叙如下:
S41:若第一判断结果为未读邮件与产品销售相关,则将主题与正文内容作为目标内容,并检测未读邮件是否包括附件,得到检测结果。
具体的,若第一判断结果为未读邮件与产品销售相关,先将主题与正文内容作为目标内容,再判断未读邮件中是否包括附件。
S42:若检测结果为未读邮件包括附件,则判断附件的文本类型,得到第二判断结果。
具体的,若是未读邮件中包括附件,再判断附件的文本类型,便于根据附件的文本类型,采用对应的方式获取附件中的目标内容。
S43:若第二判断结果为附件的文本类型为word文档,则读取word文档对应的文字内容,作为目标内容。
具体的,若附件的文本类型为word文档,则可以直接读取word文档对应的文字内容,并将其作为目标内容。
S44:若第二判断结果为附件的文本类型为文本型PDF,则通过java类包解析的方式,读取出文本型PDF的文字内容,作为目标内容。
具体的,java类包包括PDFBox、iText、XPDF,该PDFBox(一个BSD许可下的源码开放项目)是一个为开发人员读取和创建PDF文档而准备的纯Java类库,可以提取文本;iText用于能够快速产生PDF文档的一个java类库,通过iText不仅可以生成PDF或rtf的文档,而且可以将XML、Html文件转化为PDF文件;XPDF是一个开源项目,可以调用对应的本地方法来实现抽取中文pdf文件。
S45:若第二判断结果为附件的文本类型为图片型PDF,则通过OCR识别的方式,读取出图片型PDF的文字内容,作为目标内容。
其中,OCR(optical character recognition)识别的方式是指对文本资料进行扫描,然后对图像文件进行分析处理,获取文字及版面信息的的方式。在本实施例中,通过OCR识别的方式,读取出图片型PDF的文字内容。
本实施例中,若是未读邮件与产品销售相关,则将主题与正文内容作为目标内容,并检测未读邮件是否包括附件,得到检测结果,若存在附件,则根据附件的文本类型,采用对应的解析方式获取对应的目标内容,实现精确获取目标内容,有利于提高后续识别产品相关信息,进而有利于提高产品的匹配效率。
S5:通过预设关键词遍历目标内容,以提取目标内容中的产品相关信息,其中,产品相关信息包括产品名称、销售时间、销售金额。
具体的,通过产品、产品名称、金额、销售金额、销售时间等作为预设关键词,并结合预设关键词遍历目标内容,从而提取到目标内容中的产品相关信息,其中,产品相关信息包括产品名称、销售时间以及销售金额等。例如,通过遍历目标内容,获取到内容中存在“此次销售产品:xxx小吃”,则定位到目标内容关于产品的地方,通过获取预设关键词“产品”后分隔符的内容,从而得到对应产品名称。相应的,销售时间和销售金额,只要定位到对应预设关键词,获取预设关键词后续的数据和时间,则作为销售金额和销售时间。其中,预设关键词根据产品销售相关信息进行设定,可以为产品、金额、销售等等词语。
请参阅图7,图7示出了步骤S5的一种具体实施方式,详叙如下:
S51:通过预设关键词遍历目标内容,以获取目标内容中的包括预设关键词的句子,作为关键句子。
具体的,通过识别目标内容中的预设关键词,来获取到目标内容中预设关键词的句子,作为关键句子,用以后续识别对应的产品相关信息。
S52:获取关键句子中与预设关键词相对应的数据,得到销售时间和销售金额。
具体的,若是邮件是与产品销售相关的,往往目标内容中都包括产品销售的相关金额和产品销售的相关时间。通过获取关键句子中中与预设关键词所对应的数据,得到销售时间和销售金额,例如,关键句子为“在此次商场活动中目标的销售金额为30000元,销售时间2021-5-3”,通过识别预设关键词对应的数据,则可以得到销售金额30000,销售时间2021-5-3。
S53:通过分隔符对关键句子进行拆分,以获取产品名称。
具体的,在关键句子中,通过分隔符对其进行拆分,获取预设关键词,例如“产品”之后的信息,从而得到产品名称。例如,关键句子为“这次我们的销售产品:XXX商品”。进一步的,可以通过正则匹配的方式,获取目标内容中的产品相关信息。
本实施例中,通过预设关键词遍历目标内容,以获取目标内容中的包括预设关键词的句子,作为关键句子,再获取关键句子中与预设关键词所对应的数据,得到销售时间和销售金额,并通过分隔符对关键句子进行拆分,获取得产品名称,实现从目标内容中精准识别出对应的产品相关信息,从而有利于提高产品的匹配效率。
请参阅图8,图8示出了步骤S53的一种具体实施方式,详叙如下:
S54:判断目标内容中是否存在表格,得到第三判断结果。
S55:若第三判断结果为目标内容中存在表格,则对表格进行解析,以获取表格对应的表头信息。
具体的,由于邮件中的正文内容和附件内容中可能存在表格,该表格也有可能为产品的相关信息。所以需要目标内容中是否存在表格,若存在,则对该表格进行解析,以获取表头信息,再对通过对该表头信息来判断该表格信息是否与产品销售相关。
S56:判断表头信息是否与预设关键词相匹配,得到第四判断结果。
S57:若第四判断结果为表头信息与预设关键词相匹配,则基于表头信息,获取产品相关信息。
具体的,若是预设关键词中存在与表头信息相匹配的关键词,则第四判断结果为表头信息与预设关键词相匹配,否则,第四判断结果为表头信息与预设关键词不相匹配。在第四判断结果为表头信息与预设关键词相匹配时,获取表格中表头信息对应的数据,则可以获取到产品相关信息。
本实施中,若目标内容中存在表格,则获取表格中的表头信息,并判断该表格是否与预设关键词相匹配,若是,则获取对应的产品相关信息,实现了从表格中获取产品相关信息,使得不遗漏对应的产品相关信息,从而有利于后续匹配对应的产品销售信息。
S6:通过预设的匹配规则,将产品名称匹配对应的销售金额,得到产品销售信息,并基于销售时间,将产品销售信息进行输出。
具体的,将获取到的产品相关信息按照预设的匹配规则,将产品名称匹配对应的销售金额,并结合销售时间点,通过selenuim结合requests技术设置定时生效模式或者立即重启模式的产品状态配置。进一步的,可以通过配置人组以及渠道后,特定人组与特定的渠道能准确获得销售额度。同时在完成任务产品分配任务后,可以生成分析报告生成,并将发送报告给运营人员。
本实施中,通过定时任务,定时检测邮箱的接收情况,若检测到有未读邮件时,则获取未读邮件的主题与正文内容;将主题与正文内容输入到训练好的决策树进行决策判断,判断未读邮件是否与产品销售相关,得到判断结果;若判断结果为未读邮件与产品销售相关,则识别未读邮件中的内容,作为目标内容;通过预设关键词遍历目标内容,以提取目标内容中产品相关信息;通过预设的匹配规则,将产品名称匹配对应的销售金额,得到产品销售信息,并基于销售时间,将产品销售信息进行输出。实现了通过训练好的决策树自动判断出未读邮件是否与产品销售信息相关,若是,则通过提取邮件中的产品相关信息进行产品匹配,有利于提高产品的匹配效率。并且本申请还通过定时任务,检测邮件情况,及时对产品相关邮件进行处理;本申请还结合邮件内容的对应格式,采用不同的解析方式,获取对应的产品信息,有利于提高产品的匹配效率。
需要强调的是,为进一步保证上述产品销售信息的私密和安全性,上述产品销售信息还可以存储于一区块链的节点中。
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,是可以通过计算机程序来指令相关的硬件来完成,该计算机程序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。
请参考图9,作为对上述图2所示方法的实现,本申请提供了一种基于决策树的产品匹配装置的一个实施例,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9所示,本实施例的基于决策树的产品匹配装置包括:接收情况检测模块71、未读邮件获取模块72、未读邮件判断模块73、目标内容识别模块74、产品相关信息提取模块75及产品销售信息输出模块76,其中:
接收情况检测模块71,用于通过定时任务,定时检测目标邮箱的接收情况;
未读邮件获取模块72,用于若检测到目标邮箱中存在未读邮件,则获取未读邮件的主题与正文内容;
未读邮件判断模块73,用于将主题与正文内容输入到训练好的决策树中,以判断未读邮件是否与产品销售相关,得到第一判断结果;
目标内容识别模块74,用于若第一判断结果为未读邮件与产品销售相关,则识别未读邮件中的内容,作为目标内容;
产品相关信息提取模块75,用于通过预设关键词遍历目标内容,以提取目标内容中的产品相关信息,其中,产品相关信息包括产品名称、销售时间、销售金额;
产品销售信息输出模块76,用于通过预设的匹配规则,将产品名称匹配对应的销售金额,得到产品销售信息,并基于销售时间,将产品销售信息进行输出。
进一步的,未读邮件判断模块73包括:
内容输入单元,用于将主题与正文内容输入到训练好的决策树中;
节点分类单元,用于通过训练好的决策树对主题与正文内容进行节点分类,得到当前节点分类结果;
节点预测单元,用于基于当前节点分类结果判断未读邮件的最终叶子节点,作为预测叶子节点;
预测结果推测单元,用于通过对预测叶子节点的预测结果,得到第一判断结果。
进一步的,在未读邮件判断模块73之前,还包括:
样本训练数据模块,用于获取样本邮件,并抓取样本邮件中的内容,得到样本训练数据;
产品特征属性识别模块,用于识别样本训练数据中的产品特征属性,其中,产品特征属性为样本训练数据中产品的固有属性;
目标训练集生成模块,用于根据产品特征属性对样本训练数据中的数据进行特征选择,生成目标训练集,其中,目标训练集分为训练数据和测试数据;
目标训练集训练模块,用于采用决策树算法对目标训练集进行训练,得到训练好的决策树。
进一步的,目标训练集训练模块包括:
节点特征获取单元,用于采用ID3算法,将训练数据对决策树进行节点计算,得到节点特征;
递归计算单元,用于基于节点特征,对决策树进行递归计算,其中,每次递归计算得到一个基础决策树;
误差值生成单元,用于通过测试数据对基础决策树进行测试计算,得到误差值;
递归计算结束单元,用于当误差值小于预设阈值时,停止递归计算,得到训练好的决策树。
进一步的,目标内容识别模块74包括:
检测结果获取单元,用于若第一判断结果为未读邮件与产品销售相关,则将主题与正文内容作为目标内容,并检测未读邮件是否包括附件,得到检测结果;
第二判断结果生成单元,用于若检测结果为未读邮件包括附件,则判断附件的文本类型,得到第二判断结果;
第一结果生成单元,用于若第二判断结果为附件的文本类型为word文档,则读取word文档对应的文字内容,作为目标内容;
第二结果生成单元,用于若第二判断结果为附件的文本类型为文本型PDF,则通过java类包解析的方式,读取出文本型PDF的文字内容,作为目标内容;
第三结果生成单元,用于若第二判断结果为附件的文本类型为图片型PDF,则通过OCR识别的方式,读取出图片型PDF的文字内容,作为目标内容。
进一步的,产品相关信息提取模块75包括:
关键句子获取单元,用于通过预设关键词遍历目标内容,以获取目标内容中的包括预设关键词的句子,作为关键句子;
数据获取单元,用于获取关键句子中与预设关键词相对应的数据,得到销售时间和销售金额;
产品名称获取单元,用于通过分隔符对关键句子进行拆分,以获取产品名称。
进一步的,在产品名称获取单元之后,还包括:
第三判断结果获取单元,用于判断目标内容中是否存在表格,得到第三判断结果;
表头信息获取单元,用于若第三判断结果为目标内容中存在表格,则对表格进行解析,以获取表格对应的表头信息;
表头信息匹配单元,用于判断表头信息是否与预设关键词相匹配,得到第四判断结果;
第四判断结果显示单元,用于若第四判断结果为表头信息与预设关键词相匹配,则基于表头信息,获取产品相关信息。
需要强调的是,为进一步保证上述产品销售信息的私密和安全性,上述产品销售信息还可以存储于一区块链的节点中。
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10,图10为本实施例计算机设备基本结构框图。
计算机设备8包括通过系统总线相互通信连接存储器81、处理器82、网络接口83。需要指出的是,图中仅示出了具有三种组件存储器81、处理器82、网络接口83的计算机设备8,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(Application Specific Integrated Circuit,ASIC)、可编程门阵列(Field-Programmable Gate Array,FPGA)、数字处理器(Digital Signal Processor,DSP)、嵌入式设备等。
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。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。
存储器81至少包括一种类型的可读存储介质,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81可以是计算机设备8的内部存储单元,例如该计算机设备8的硬盘或内存。在另一些实施例中,存储器81也可以是计算机设备8的外部存储设备,例如该计算机设备8上配备的插接式硬盘,智能存储卡(SmartMedia Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。当然,存储器81还可以既包括计算机设备8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81通常用于存储安装于计算机设备8的操作系统和各类应用软件,例如基于决策树的产品匹配方法的程序代码等。此外,存储器81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82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82通常用于控制计算机设备8的总体操作。本实施例中,处理器82用于运行存储器81中存储的程序代码或者处理数据,例如运行上述基于决策树的产品匹配方法的程序代码,以实现基于决策树的产品匹配方法的各种实施例。
网络接口83可包括无线网络接口或有线网络接口,该网络接口83通常用于在计算机设备8与其他电子设备之间建立通信连接。
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,计算机可读存储介质存储有计算机程序,计算机程序可被至少一个处理器执行,以使至少一个处理器执行如上述的一种基于决策树的产品匹配方法的步骤。
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的方法。
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。
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 (10)
1.一种基于决策树的产品匹配方法,其特征在于,包括:
通过定时任务,定时检测目标邮箱的接收情况;
若检测到所述目标邮箱中存在未读邮件,则获取所述未读邮件的主题与正文内容;
将所述主题与正文内容输入到训练好的决策树中,以判断所述未读邮件是否与产品销售相关,得到第一判断结果;
若所述第一判断结果为所述未读邮件与产品销售相关,则识别所述未读邮件中的内容,作为目标内容;
通过预设关键词遍历所述目标内容,以提取所述目标内容中的产品相关信息,其中,所述产品相关信息包括产品名称、销售时间、销售金额;
通过预设的匹配规则,将所述产品名称匹配对应的销售金额,得到产品销售信息,并基于所述销售时间,将所述产品销售信息进行输出。
2.根据权利要求1所述的基于决策树的产品匹配方法,其特征在于,所述将所述主题与正文内容输入到训练好的决策树中,以判断所述未读邮件是否与产品销售相关,得到第一判断结果,包括:
将所述主题与正文内容输入到所述训练好的决策树中;
通过所述训练好的决策树对所述主题与正文内容进行节点分类,得到当前节点分类结果;
基于所述当前节点分类结果判断所述未读邮件的最终叶子节点,作为预测叶子节点;
通过对所述预测叶子节点的预测结果,得到所述第一判断结果。
3.根据权利要求1所述的基于决策树的产品匹配方法,其特征在于,在所述将所述主题与正文内容输入到训练好的决策树中,以判断所述未读邮件是否与产品销售相关,得到第一判断结果之前,所述方法还包括:
获取样本邮件,并抓取所述样本邮件中的内容,得到样本训练数据;
识别所述样本训练数据中的产品特征属性,其中,所述产品特征属性为所述样本训练数据中产品的固有属性;
根据产品特征属性对样本训练数据中的数据进行特征选择,生成目标训练集,其中,所述目标训练集分为训练数据和测试数据;
采用决策树算法对所述目标训练集进行训练,得到所述训练好的决策树。
4.根据权利要求3所述的基于决策树的产品匹配方法,其特征在于,所述采用决策树算法对所述目标训练集进行训练,得到所述训练好的决策树,包括:
采用ID3算法,将所述训练数据对决策树进行节点计算,得到节点特征;
基于所述节点特征,对所述所述决策树进行递归计算,其中,每次递归计算得到一个基础决策树;
通过测试数据对所述基础决策树进行测试计算,得到误差值;
当所述误差值小于预设阈值时,停止所述递归计算,得到所述训练好的决策树。
5.根据权利要求1所述的基于决策树的产品匹配方法,其特征在于,所述若所述第一判断结果为所述未读邮件与产品销售相关,则识别所述未读邮件中的内容,作为目标内容,包括:
若所述第一判断结果为所述未读邮件与产品销售相关,则将所述主题与正文内容作为所述目标内容,并检测所述未读邮件是否包括附件,得到检测结果;
若所述检测结果为所述未读邮件包括附件,则判断所述附件的文本类型,得到第二判断结果;
若所述第二判断结果为所述附件的文本类型为word文档,则读取所述word文档对应的文字内容,作为所述目标内容;
若所述第二判断结果为所述附件的文本类型为文本型PDF,则通过java类包解析的方式,读取出所述文本型PDF的文字内容,作为所述目标内容;
若所述第二判断结果为所述附件的文本类型为图片型PDF,则通过OCR识别的方式,读取出所述图片型PDF的文字内容,作为所述目标内容。
6.根据权利要求1至5任一项所述的基于决策树的产品匹配方法,其特征在于,所述通过预设关键词遍历所述目标内容,以提取所述目标内容中的产品相关信息,包括:
通过预设关键词遍历所述目标内容,以获取目标内容中的包括所述预设关键词的句子,作为关键句子;
获取关键句子中与所述预设关键词相对应的数据,得到所述销售时间和所述销售金额;
通过分隔符对所述关键句子进行拆分,以获取所述产品名称。
7.根据权利要求6所述的基于决策树的产品匹配方法,其特征在于,在所述通过分隔符对所述关键句子进行拆分,以获取所述产品名称之后,还包括:
判断所述目标内容中是否存在表格,得到第三判断结果;
若所述第三判断结果为所述目标内容中存在表格,则对所述表格进行解析,以获取所述表格对应的表头信息;
判断所述表头信息是否与所述预设关键词相匹配,得到第四判断结果;
若所述第四判断结果为所述表头信息与预设关键词相匹配,则基于所述表头信息,获取所述产品相关信息。
8.一种基于决策树的产品匹配装置,其特征在于,包括:
接收情况检测模块,用于通过定时任务,定时检测目标邮箱的接收情况;
未读邮件获取模块,用于若检测到所述目标邮箱中存在未读邮件,则获取所述未读邮件的主题与正文内容;
未读邮件判断模块,用于将所述主题与正文内容输入到训练好的决策树中,以判断所述未读邮件是否与产品销售相关,得到第一判断结果;
目标内容识别模块,用于若所述第一判断结果为所述未读邮件与产品销售相关,则识别所述未读邮件中的内容,作为目标内容;
产品相关信息提取模块,用于通过预设关键词遍历所述目标内容,以提取所述目标内容中的产品相关信息,其中,所述产品相关信息包括产品名称、销售时间、销售金额;
产品销售信息输出模块,用于通过预设的匹配规则,将所述产品名称匹配对应的销售金额,得到产品销售信息,并基于所述销售时间,将所述产品销售信息进行输出。
9.一种计算机设备,其特征在于,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述的基于决策树的产品匹配方法。
10.一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程序,所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的基于决策树的产品匹配方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110725709.8A CN113450147B (zh) | 2021-06-29 | 2021-06-29 | 基于决策树的产品匹配方法、装置、设备及存储介质 |
PCT/CN2021/108777 WO2023272850A1 (zh) | 2021-06-29 | 2021-07-28 | 基于决策树的产品匹配方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110725709.8A CN113450147B (zh) | 2021-06-29 | 2021-06-29 | 基于决策树的产品匹配方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113450147A true CN113450147A (zh) | 2021-09-28 |
CN113450147B CN113450147B (zh) | 2024-04-26 |
Family
ID=77813818
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110725709.8A Active CN113450147B (zh) | 2021-06-29 | 2021-06-29 | 基于决策树的产品匹配方法、装置、设备及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN113450147B (zh) |
WO (1) | WO2023272850A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114511822A (zh) * | 2022-04-19 | 2022-05-17 | 广州市方连科技有限公司 | 一种根据监控画面预测销售额的日用杂品销售系统 |
CN117773334A (zh) * | 2024-02-28 | 2024-03-29 | 无锡丰毅汽车配件有限公司 | 一种汽车天窗框自动焊接装置 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117408787B (zh) * | 2023-12-15 | 2024-03-05 | 江西求是高等研究院 | 一种基于决策树的根因挖掘分析方法及系统 |
CN117575300B (zh) * | 2024-01-19 | 2024-05-14 | 德阳凯达门业有限公司 | 一种车间的任务分配方法以及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103597507A (zh) * | 2011-05-31 | 2014-02-19 | 乐天株式会社 | 进展状况提示装置、进展状况提示程序、记录了进展状况提示程序的计算机可读记录介质、以及进展状况提示方法 |
US20150254620A1 (en) * | 2014-03-05 | 2015-09-10 | Toshiba Tec Kabushiki Kaisha | Sale article settlement terminal and product time limit notification system |
CN108768819A (zh) * | 2018-03-08 | 2018-11-06 | 成都美美臣科技有限公司 | 一种营销邮件送达效果预防性检查方法及装置 |
CN112016321A (zh) * | 2020-10-13 | 2020-12-01 | 上海一嗨成山汽车租赁南京有限公司 | 用于邮件处理的方法、电子设备和存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107147556A (zh) * | 2016-03-01 | 2017-09-08 | 北京国双科技有限公司 | 邮件数据处理方法和装置 |
CN111680161A (zh) * | 2020-07-07 | 2020-09-18 | 腾讯科技(深圳)有限公司 | 一种文本处理方法、设备以及计算机可读存储介质 |
-
2021
- 2021-06-29 CN CN202110725709.8A patent/CN113450147B/zh active Active
- 2021-07-28 WO PCT/CN2021/108777 patent/WO2023272850A1/zh active Application Filing
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103597507A (zh) * | 2011-05-31 | 2014-02-19 | 乐天株式会社 | 进展状况提示装置、进展状况提示程序、记录了进展状况提示程序的计算机可读记录介质、以及进展状况提示方法 |
US20150254620A1 (en) * | 2014-03-05 | 2015-09-10 | Toshiba Tec Kabushiki Kaisha | Sale article settlement terminal and product time limit notification system |
CN108768819A (zh) * | 2018-03-08 | 2018-11-06 | 成都美美臣科技有限公司 | 一种营销邮件送达效果预防性检查方法及装置 |
CN112016321A (zh) * | 2020-10-13 | 2020-12-01 | 上海一嗨成山汽车租赁南京有限公司 | 用于邮件处理的方法、电子设备和存储介质 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114511822A (zh) * | 2022-04-19 | 2022-05-17 | 广州市方连科技有限公司 | 一种根据监控画面预测销售额的日用杂品销售系统 |
CN117773334A (zh) * | 2024-02-28 | 2024-03-29 | 无锡丰毅汽车配件有限公司 | 一种汽车天窗框自动焊接装置 |
CN117773334B (zh) * | 2024-02-28 | 2024-05-14 | 无锡丰毅汽车配件有限公司 | 一种汽车天窗框自动焊接装置 |
Also Published As
Publication number | Publication date |
---|---|
WO2023272850A1 (zh) | 2023-01-05 |
CN113450147B (zh) | 2024-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113450147B (zh) | 基于决策树的产品匹配方法、装置、设备及存储介质 | |
US8688690B2 (en) | Method for calculating semantic similarities between messages and conversations based on enhanced entity extraction | |
CN109872162B (zh) | 一种处理用户投诉信息的风控分类识别方法及系统 | |
US11810070B2 (en) | Classifying digital documents in multi-document transactions based on embedded dates | |
US11003889B2 (en) | Classifying digital documents in multi-document transactions based on signatory role analysis | |
CN111818198B (zh) | 域名检测方法、域名检测装置和设备以及介质 | |
CN112686022A (zh) | 违规语料的检测方法、装置、计算机设备及存储介质 | |
CN112671985A (zh) | 基于深度学习的坐席质检方法、装置、设备及存储介质 | |
CN111767382A (zh) | 生成反馈信息的方法、装置及终端设备 | |
CN113486664A (zh) | 文本数据可视化分析方法、装置、设备及存储介质 | |
CN112468658A (zh) | 语音质量检测方法、装置、计算机设备及存储介质 | |
CN116701641B (zh) | 一种非结构化数据的分级分类方法及装置 | |
CN113869789A (zh) | 一种风险监控的方法、装置、计算机设备及存储介质 | |
CN112669850A (zh) | 语音质量检测方法、装置、计算机设备及存储介质 | |
CN117195319A (zh) | 保函文件电子件的验真方法、装置、电子设备和介质 | |
CN116881971A (zh) | 一种敏感信息泄露检测方法、设备及存储介质 | |
CN111552783A (zh) | 内容分析查询方法、装置、设备和计算机存储介质 | |
CN110688558A (zh) | 网页搜索的方法、装置、电子设备和存储介质 | |
CN115688107A (zh) | 一种涉诈app检测系统和方法 | |
CN116318974A (zh) | 站点风险识别方法、装置、计算机可读介质及电子设备 | |
Hisham et al. | An innovative approach for fake news detection using machine learning | |
CN113255361B (zh) | 语音内容的自动检测方法、装置、设备以及存储介质 | |
CN113014591B (zh) | 假冒公众号的检测方法和装置、电子设备、及介质 | |
US20230359826A1 (en) | Computer-implemented system and method to perform natural language processing entity research and resolution | |
CN117788051A (zh) | 基于人工智能的客户偏好分析方法、装置、设备及介质 |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20240328 Address after: 100080, Beijing, Haidian District, Zhongguancun Xin Xiang Garden, No. 6 Building Applicant after: SINOSOFT Co.,Ltd. Country or region after: China Address before: Floor 15, no.1333, Lujiazui Ring Road, pilot Free Trade Zone, Pudong New Area, Shanghai Applicant before: Weikun (Shanghai) Technology Service Co.,Ltd. Country or region before: China |
|
GR01 | Patent grant | ||
GR01 | Patent grant |