CN113570113B - 一种设备失联预测方法、装置和电子设备 - Google Patents
一种设备失联预测方法、装置和电子设备 Download PDFInfo
- Publication number
- CN113570113B CN113570113B CN202110748414.2A CN202110748414A CN113570113B CN 113570113 B CN113570113 B CN 113570113B CN 202110748414 A CN202110748414 A CN 202110748414A CN 113570113 B CN113570113 B CN 113570113B
- Authority
- CN
- China
- Prior art keywords
- app
- equipment
- data
- disconnection
- historical
- 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
- 238000000034 method Methods 0.000 title claims abstract description 52
- 230000002776 aggregation Effects 0.000 claims abstract description 28
- 238000004220 aggregation Methods 0.000 claims abstract description 28
- 238000013058 risk prediction model Methods 0.000 claims abstract description 21
- 238000009434 installation Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 11
- 238000007621 cluster analysis Methods 0.000 claims description 8
- 238000009795 derivation Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000012423 maintenance Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 12
- 238000004590 computer program Methods 0.000 description 5
- 101150053844 APP1 gene Proteins 0.000 description 4
- 101100189105 Homo sapiens PABPC4 gene Proteins 0.000 description 4
- 102100039424 Polyadenylate-binding protein 4 Human genes 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000007418 data mining Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 101100055496 Arabidopsis thaliana APP2 gene Proteins 0.000 description 2
- 101100016250 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) GYL1 gene Proteins 0.000 description 2
- 102100038359 Xaa-Pro aminopeptidase 3 Human genes 0.000 description 2
- 101710081949 Xaa-Pro aminopeptidase 3 Proteins 0.000 description 2
- 238000007792 addition Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 101100264195 Caenorhabditis elegans app-1 gene Proteins 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006116 polymerization reaction Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000002759 z-score normalization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
- G06Q10/0635—Risk analysis of enterprise or organisation activities
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于APP特征衍生的设备失联预测方法、装置、电子设备和可读介质，所述方法包括基于历史设备的APP数据和设备失联数据，计算所述各APP的设备失联概率；基于历史设备上特定APP的设备失联概率，通过数据聚合得到历史设备的APP风险指数；基于历史设备的APP风险指数和设备失联数据建立风险预测模型；获取新设备的APP数据，基于该新设备上特定APP的设备失联概率，通过数据聚合得到新设备的APP风险指数；基于新设备的APP风险指数，使用所述风险预测模型预测该新设备的设备失联概率。本发明特征维度不高、方便维护，信息含量较高，且新产生的APP可及时纳入风险统计范畴，时效性较强。
Description
技术领域
本发明属于数据处理技术领域，具体涉及移动互联网领域中设备失联预测，特别是基于APP特征衍生的设备失联预测方法、装置、电子设备和可读介质。
背景技术
随着近些年互联网业务的快速发展，，互联网已与人们的生活密切相关。用户在手机上安装APP可以进行各种互联网应用。但是，对于开展互联网业务的平台来说，用户会通过注销手机号、卸载APP等方式中断正在进行的业务，如果不能对这些用户的设备可能发生的行为进行预测和处理，则会严重损害互联网平台的合法权益。
针对互联网业务，用户的APP安装列表往往蕴含大量的风险信息，需要运用合理的数据挖掘方法对用户的APP安装及卸载信息进行特征衍生、模型构建，充分挖掘其中蕴含的信息，以达到拒绝设备失联率高的高风险用户设备、控制风险的目的。
传统的基于用户的APP安装及卸载信息的数据挖掘方法主要包括对APP安装列表进行One-hot编码、通过APP逾期排名来构建衍生特征、运用文本挖掘方法将APP进行分类构建特征等。这些方法构建的特征通常存在维度较高、不容易维护、无法将近期产生的APP纳入风险统计等缺点。
发明内容
本发明所要解决的技术问题是现有的基于用户的APP安装、卸载信息的数据挖掘方法维度较高、不容易维护且无法将近期产生的APP纳入风险统计的问题。
为解决上述技术问题，本发明的第一方面提出一种基于APP特征衍生的设备失联预测方法，所述方法包括以下步骤：基于历史设备的APP数据和设备失联数据，计算所述各APP的设备失联概率；基于历史设备上特定APP的设备失联概率，通过数据聚合得到历史设备的APP风险指数；基于历史设备的APP风险指数和设备失联数据建立风险预测模型；获取新设备的APP数据，基于该新设备上特定APP的设备失联概率，通过数据聚合得到新设备的APP风险指数；基于新设备的APP风险指数，使用所述风险预测模型预测该新设备的设备失联概率。
根据本发明的一种优选实施方式，所述历史设备的APP数据和设备失联数据均为特定时间段内的数据。
根据本发明的一种优选实施方式，所述特定APP的设备失联概率是根据全部APP的设备失联概率进行标准化后的值。
根据本发明的一种优选实施方式，所述数据聚合为取最大值、取平均值、取加权平均值中至少一种。
根据本发明的一种优选实施方式，获取的新设备的APP数据包括：剔除安装次数小于预设安装次数的APP。
根据本发明的一种优选实施方式，所述聚合方法为：对历史设备中的各APP根据设备失联概率进行聚类分析，得到若干样本APP组，基于簇心最大的样本APP组，通过数据聚合得到历史设备的APP风险指数。
根据本发明的一种优选实施方式，所述聚类分析方法为k-means。
本发明的第二方面提出一种基于APP特征衍生的设备失联预测装置，包括：数据获取模块，用于获取历史设备的APP数据、设备失联数据以及新设备的APP数据；APP概率计算模块，用于基于历史设备的APP数据和设备失联数据计算各APP的设备失联概率；数据聚合模块，用于基于历史设备上特定APP的设备失联概率，通过数据聚合得到历史设备的APP风险指数，以及基于新设备上特定APP的设备失联概率，通过数据聚合得到新设备的APP风险指数；风险预测模块，用于建立基于历史设备的APP风险指数和设备失联数据的风险预测模型，并将新设备的APP风险指数作为输入，获得新设备的设备失联概率。
本发明的第三方面提出一种电子设备，包括：存储器，用于存储计算机可执行程序；数据处理装置，用于读取所述存储器中的计算机可执行程序，以执行所述的基于APP特征衍生的设备失联预测方法。
本发明的第四方面提出一种计算机可读介质，用于存储计算机可读程序，所述计算机可读程序用于执行所述的基于APP特征衍生的设备失联预测方法。
与现有技术相比，本发明的有益效果为：
本发明基于每一APP的设备失联概率获取历史设备的APP风险指数，并结合设备失联数据建立风险预测模型，优点是特征维度不高、方便维护，信息含量较高，且新产生的APP可及时纳入风险统计范畴，时效性较强。
附图说明
图1本发明的一种基于APP特征衍生的设备失联预测方法所应用的场景示意图。
图2是本发明基于APP特征衍生的设备失联预测方法的流程示意图。
图3是本发明的基于APP特征衍生的设备失联预测方法的一个实施例的示意图。
图4是本发明基于APP特征衍生的设备失联预测装置的架构示意图。
图5是本发明风险预测模块的架构示意图。
图6是本发明的电子设备的结构框架示意图。
图7是本发明的一个计算机可读介质实施例的示意图。
具体实施方式
现在将参考附图来更加全面地描述本发明的示例性实施例，虽然各示例性实施例能够以多种具体的方式实施，但不应理解为本发明仅限于在此阐述的实施例。相反，提供这些示例性实施例是为了使本发明的内容更加完整，更加便于将发明构思全面地传达给本领域的技术人员。
在符合本发明的技术构思的前提下，在某个特定的实施例中描述的结构、性能、效果或者其他特征可以以任何合适的方式结合到一个或更多其他的实施例中。
在对于具体实施例的介绍过程中，对结构、性能、效果或者其他特征的细节描述是为了使本领域的技术人员对实施例能够充分理解。但是，并不排除本领域技术人员可以在特定情况下，以不含有上述结构、性能、效果或者其他特征的技术方案来实施本发明。
附图中的流程图仅是一种示例性的流程演示，不代表本发明的方案中必须包括流程图中的所有的内容、操作和步骤，也不代表必须按照图中所显示的的顺序执行。例如，流程图中有的操作/步骤可以分解，有的操作/步骤可以合并或部分合并，等等，在不脱离本发明的发明主旨的情况下，流程图中显示的执行顺序可以根据实际情况改变。
附图中的框图一般表示的是功能实体，并不一定必然与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
各附图中相同的附图标记表示相同或类似的元件、组件或部分，因而下文中可能省略了对相同或类似的元件、组件或部分的重复描述。还应理解，虽然本文中可能使用第一、第二、第三等表示编号的定语来描述各种器件、元件、组件或部分，但是这些器件、元件、组件或部分不应受这些定语的限制。也就是说，这些定语仅是用来将一者与另一者区分。例如，第一器件亦可称为第二器件，但不偏离本发明实质的技术方案。此外，术语“和/或”、“及/或”是指包括所列出项目中的任一个或多个的所有组合。
图1本发明的一种基于APP特征衍生的设备失联预测方法所应用的场景示意图。
如图1所示，设备1通过网络2与互联网平台的服务器3进行信息交互。网络2用以在设备1和服务器3之间提供通信链路的介质。网络2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。
用户可以使用设备1通过网络2与服务器3交互，以接收或发送消息等。设备1上可以安装有各种通讯客户端APP应用，例如购物类应用、网页浏览器应用、即时通信工具、邮箱客户端、社交平台软件等。
设备1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3可以是提供各种服务的服务器，例如对用户利用设备1所浏览的服务类网站提供支持的后台管理服务器。后台管理服务器可以对接收到的用户数据进行分析等处理，并将处理结果反馈给平台管理员和/或设备1。
所述设备1上可以安装有多个应用，即APP。设备1上安装的APP的特征从某种程度上反应了设备1对于提高互联网服务的某种特性。本发明正是利用APP特征来预测设备1的失联概率，以便以某种策略避免或降低具有失联风险的设备1在互联网服务平台注册或接受服务。
图2是本发明基于APP特征衍生的设备失联预测方法的流程示意图。如图2所示，本发明的方法具有如下步骤：
S1、基于历史设备的APP数据和设备失联数据，计算所述各APP的设备失联概率。
本发明中，每一历史设备中设有一个或多个APP，将历史设备的APP数据作为基础数据，并结合历史设备的失联情况来构建各APP的设备失联概率，每一APP的设备失联概率＝APP对应的历史设备的设备失联数/APP对应的历史设备总数。
本发明中，每一APP数据包括APP名称，设备失联数据为是否能与设备关联用户取得联系的情况或者APP是否卸载的情况，当无法与设备的关联用户取得联系或者对应的APP已经卸载时，APP对应的历史设备的设备失联数加1。更具体来说，是否能与设备关联用户取得联系为APP在用户认证过程中记录的手机号是否仍然能够接通。
进一步的，APP数据还包括版本号和发行商名称，防止APP名称相同造成基础数据错乱从而影响APP的设备失联概率的计算。
进一步的，所述历史设备的APP数据和设备失联数据均为特定时间段内的数据。
图3是本发明的基于APP特征衍生的设备失联预测方法的一个实施例的示意图。如图3所示，对于APP1，我们可以统计特定时段内安装该APP1的各设备在该时段内是否失联。图中“0”表示“未失联”，“1”表示“失联”。在该实施例中，统计得到APP1的失联概率为1.22％。
本发明中，每一特定时间段更新一次历史设备的APP数据和设备失联数据，这里的特定时间段可以为一天、一周或者一个月甚至更长，本领域技术人员可根据实际情况设置，每次更新时历史设备的APP数据和设备失联数据的起始时间均一致且固定不变，结束时间为更新时间。通过不断更新获取庞大的数据库来精准计算APP的设备失联概率，时效性较强。
更进一步的，所述各APP的设备失联概率是根据全部APP的设备失联概率进行标准化后的值。
在数据分析之前，通常需要先将数据标准化，利用标准化后的数据进行数据分析，数据标准化也就是统计数据的指数化，这里，由于数据的性质相同，仅为APP的设备失联概率，因此使用无量纲化处理，来解决数据的可比性，常用的有"最小-最大标准化"、"Z-score标准化"和"按小数定标标准化"等。经过上述标准化处理，各APP的设备失联概率均转换为无量纲化指标测评值，即各指标值都处于同一个数量级别上，可以进行综合测评分析。通过对设备的失联概率进行标准化，保证APP的设备失联概率值的可靠性。
S2、基于历史设备上特定APP的设备失联概率，通过数据聚合得到历史设备的APP风险指数。
图3所示，可以为历史设备的特定APP群组中的每个APP都统计特定时间段内的失联概率，例如，APP1的设备失联概率为1.22％，APP2的设备失联概率为1.32％，APP3的设备失联概率为1.45％，等等。特定APP群组包含有特定的APP，一般是安装次数较多的APP，或者新上线的APP。
接着，对于每个历史设备，通过数据聚合得到历史设备的APP风险指数。作为本发明中数据聚合的其中一具体实施方式，所述数据聚合为取最大值、取平均值、取加权平均值中至少一种。
本发明中，由于每一个历史设备都设有一个或多个APP，因此作为本发明的其中一具体实施方式，历史设备的APP风险指数为其中一个APP的设备失联概率，且该APP的设备失联概率为最大值；作为本发明的另一具体实施方式，历史设备的APP风险指数＝历史设备中APP的平均设备失联概率之和/历史设备中APP的总数；作为本发明的又一具体实施方式，历史设备的APP风险指数＝历史设备中APP的平均设备失联概率的加权和/历史设备中APP的总数，这里，每个APP的平均失联概率的权重为预设值，本领域技术人员可根据实际情况自行设置。例如，在上述实施例中，通过取设备上安装的所有APP的失联概率的平均值得到设备A的APP风险指数为2.56％。
进一步的，所述数据聚合为：对历史设备中的各APP根据设备失联概率进行聚类分析，得到若干样本APP组，基于簇心最大的样本APP组，通过数据聚合得到历史设备的APP风险指数。
聚类是将数据分类到不同的类或者簇这样的一个过程，所以同一个簇中的对象有很大的相似性，而不同簇间的对象有很大的相异性，本发明中，通过聚类分析，构建设备失联概率相似的APP作为同一个簇，设备失联概率相似的APP形成一个样本APP组，而由于每一个簇都会有一个簇心，因此每个样本APP组均有一个簇心，簇心对应有一设备失联概率，选取设备失联概率最大的簇心所在的样本APP组，根据该样本APP组中每一APP的设备失联概率，通过数据聚合来计算历史设备的APP风险指数，这里的数据聚合也即上述的取最大值、取平均值、取加权平均值中至少一种。本发明中，对历史设备中的APP的设备失联概率进行聚类分析后再计算历史设备的APP风险指数，将设备失联概率较高的APP样本组作为计算APP风险指数的基础数据，以降低风险。
所述聚类分析方法为k-means。该聚类分析方法中，距离计算公式为曼哈顿距离，即APP的设备失联概率直接相减得到的值取绝对值。通过聚类方法得到的设备的APP风险指示能够找出影响设备A失联的主要因素，能更加精确地表征设备的失联风险。
S3、基于历史设备的APP风险指数和设备失联数据建立风险预测模型。
本发明采用风险预测模型来识别潜在的可能存在失联的设备。风险预测模型最终生成一个失联概率，该概率为0或1。0表示设备失联风险低，1表示设备失联风险高。本发明中，每一历史设备都有对应的APP风险指数和设备失联数据，以历史设备的APP风险指数作为变量，对应的设备失联数据作为目标输出，构建风险预测模型，这里的风险预测模型可以为参数模型，也可以为非参数模型，参数模型包括线性回归模型、逻辑回归模型等，非参模型包括决策树、神经网络、线性规划等。
作为具体实施方式，所述风险预测模型为为机器学习模型。该模型使用步骤S2的历史设备的APP风险指数和设备失联数据来进行训练。在此，模型输入的是历史设备的APP风险指数和相应的设备对应的用户特征等，输出的是历史设备是否在特定时间内失联的数据。
S4、获取新设备的APP数据，基于该新设备上特定APP的设备失联概率，通过数据聚合得到新设备的APP风险指数。
本发明中，基于特定APP的设备失联概率，并结合数据聚合来获取新设备的APP风险指数，这里的数据聚合与步骤S2中的数据聚合所用的方法一致，防止不同的数据聚合方法计算得到的新设备的APP风险指数处于不同维度。
进一步的，获取的新设备的APP数据时获取APP安装列表中，包括剔除安装次数小于预设安装次数的APP。本发明中，安装次数小于预设安装次数的APP不纳入APP风险指数的计算，以保证统计数据的有效性。
S5、基于新设备的APP风险指数，使用所述风险预测模型预测该新设备的设备失联概率。
本发明中，将新设备的APP风险指数作为目标输入，即可得到对应的目标输出，也即新设备的设备失联概率。
根据所预测得到的设备失联概率，互联网服务平台可以依据既定的策略来规避设备失联带来的风险，例如，对于失联概率超过特定阈值的设备，可以阻止其注册，或者不允许其使用平台的服务，或者对使用平台服务作出限制。本发明不限于具体的平台服务，诸如网络购物、电子商务、出行、共享单车等等，都不特定的排除。
本领域技术人员可以理解，实现上述实施例的全部或部分步骤被实现为由数据处理设备(包括计算机)执行的程序，即计算机程序。在该计算机程序被执行时，可以实现本发明提供的上述方法。而且，所述的计算机程序可以存储于计算机可读存储介质中，该存储介质可以是磁盘、光盘、ROM、RAM等可读存储介质，也可以是多个存储介质组成的存储阵列，例如磁盘或磁带存储阵列。所述的存储介质不限于集中式存储，其也可以是分布式存储，例如基于云计算的云存储。
下面描述本发明的装置实施例，该装置可以用于执行本发明的方法实施例。对于本发明装置实施例中描述的细节，应视为对于上述方法实施例的补充；对于在本发明装置实施例中未披露的细节，可以参照上述方法实施例来实现。
图4是本发明基于APP特征衍生的设备失联预测装置的架构示意图。如图4所示，本发明的装置包括：数据获取模块，用于获取历史设备的APP数据、设备失联数据以及新设备的APP数据；APP概率计算模块，用于基于历史设备的APP数据和设备失联数据计算各APP的设备失联概率；数据聚合模块，用于基于历史设备上特定APP的设备失联概率，通过数据聚合得到历史设备的APP风险指数，以及基于新设备上特定APP的设备失联概率，通过数据聚合得到新设备的APP风险指数；风险预测模块，用于建立基于历史设备的APP风险指数和设备失联数据的风险预测模型，并将新设备的APP风险指数作为输入，获得新设备的设备失联概率。
本发明中，数据获取模块中的历史设备的APP数据、设备失联数据可以从既有的历史设备安装列表数据库中获取，新设备的APP安装列表在经过用户授权之后可以直接获取新设备的安装列表数据，此为本领域的公知常识，本领域技术人员可根据实际情况自行设置。
图5是本发明风险预测模块的架构示意图。如图5所示，所述风险预测模块包括：模型建立单元，用于建立风险预测模型；模型训练单元，用于对所述风险预测模型进行训练，训练样本包括历史设备的APP风险指数和设备失联数据。
本发明中模型建立单元用于建立模型的结构，如该模型可以为神经网络，需要设置模型的网络层数，层与层之间的连接关系，如稠密连接、残差连接等，此为本领域的公知常识，本领域技术人员可根据实际情况自行设置。在得到模型后，需要对该模型进行训练，使得该模型能够学习历史设备的APP风险指数和设备失联数据间的关系，从而在输入新设备的APP风险指数时，能够得到对应的设备失联概率。
本领域技术人员可以理解，上述装置实施例中的各模块或单元可以按照描述分布于装置中，也可以进行相应变化，分布于不同于上述实施例的一个或多个装置中。上述实施例的模块或单元可以合并为一个模块或单元，也可以进一步拆分成多个子模块或单元。
下面描述本发明的电子设备实施例，该电子设备可以视为对于上述本发明的方法和装置实施例的实体形式的实施方式。对于本发明电子设备实施例中描述的细节，应视为对于上述方法或装置实施例的补充；对于在本发明电子设备实施例中未披露的细节，可以参照上述方法或装置实施例来实现。
此外，本发明还提出一种电子设备，其能够基于APP特征衍生来预测设备失联。图6是本发明的电子设备的结构框架示意图，如图6所示，该电子设备包括存储器和数据处理装置，存储器用于存储计算机可执行程序，数据处理装置，用于读取所述存储器中的计算机可执行程序，以执行所述的基于APP特征衍生的设备失联预测方法。本发明的存储器可以是本地存储器，也可以是分布式存储系统，例如云存储系统。而数据处理器则包括至少一个具人数字信息处理能力的装置，例如CPU、GPU、多处理器系统或云处理器。
再者，本发明还提出计算机可读介质，用于存储计算机可读程序，所述计算机可读程序用于执行所述的基于APP特征衍生的设备失联预测方法。图7是本发明的一个计算机可读介质实施例的示意图。如图7所示，所述计算机程序可以存储于一个或多个计算机可读介质上。计算机可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。当所述计算机程序被一个或多个数据处理设备执行时，使得该计算机可读介质能够实现本发明的基于APP特征衍生的设备失联预测方法方法。
通过以上的实施方式的描述，本领域的技术人员易于理解，本发明描述的示例性实施例可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本发明实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个计算机可读的存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台数据处理设备(可以是个人计算机、服务器、或者网络设备等)执行根据本发明的上述方法。
所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
应当理解，可以对本发明的一个实施例的设备中包括的模块、单元、组件等进行自适应性地改变以把它们设置在与该实施例不同的设备中。可以把实施例的设备包括的不同模块、单元或组件组合成一个模块、单元或组件，也可以把它们分成多个子模块、子单元或子组件。本发明的实施例中的模块、单元或组件可以以硬件方式实现，也可以以一个或者多个处理器上运行的软件方式实现，或者以它们的组合实现。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于APP特征衍生的设备失联预测方法，其特征在于，所述方法包括以下步骤：
基于历史设备的APP数据和设备失联数据，计算所述各APP的设备失联概率；每一APP的设备失联概率＝APP对应的历史设备的设备失联数/APP对应的历史设备总数；设备失联数据为是否能与设备关联用户取得联系的情况或者APP是否卸载的情况，当无法与设备的关联用户取得联系或者对应的APP已经卸载时，APP对应的历史设备的设备失联数加1；
基于历史设备上特定APP的设备失联概率，通过数据聚合得到历史设备的APP风险指数；
基于历史设备的APP风险指数和设备失联数据建立风险预测模型；风险预测模型输入的是历史设备的APP风险指数和相应的设备对应的用户特征，输出的是历史设备是否在特定时间内失联的数据；
获取新设备的APP数据，基于该新设备上特定APP的设备失联概率，通过数据聚合得到新设备的APP风险指数；
基于新设备的APP风险指数，使用所述风险预测模型预测该新设备的设备失联概率。
2.如权利要求1所述的一种基于APP特征衍生的设备失联预测方法，其特征在于，所述历史设备的APP数据和设备失联数据均为特定时间段内的数据。
3.如权利要求1所述的一种基于APP特征衍生的设备失联预测方法，其特征在于，所述特定APP的设备失联概率是根据全部APP的设备失联概率进行标准化后的值。
4.如权利要求1所述的一种基于APP特征衍生的设备失联预测方法，其特征在于，所述数据聚合为取最大值、取平均值、取加权平均值中至少一种。
5.如权利要求1所述的一种基于APP特征衍生的设备失联预测方法，其特征在于，获取的新设备的APP数据包括，剔除安装次数小于预设安装次数的APP。
6.如权利要求1所述的一种基于APP特征衍生的设备失联预测方法，其特征在于，所述数据聚合为：对历史设备中的各APP根据设备失联概率进行聚类分析，得到若干样本APP组，基于簇心最大的样本APP组，通过数据聚合得到历史设备的APP风险指数。
7.如权利要求6所述的一种基于APP特征衍生的设备失联预测方法，其特征在于，所述聚类分析方法为k-means。
8.一种基于APP特征衍生的设备失联预测装置，其特征在于，包括：
数据获取模块，用于获取历史设备的APP数据、设备失联数据以及新设备的APP数据；每一APP的设备失联概率＝APP对应的历史设备的设备失联数/APP对应的历史设备总数；设备失联数据为是否能与设备关联用户取得联系的情况或者APP是否卸载的情况，当无法与设备的关联用户取得联系或者对应的APP已经卸载时，APP对应的历史设备的设备失联数加1；
APP概率计算模块，用于基于历史设备的APP数据和设备失联数据计算各APP的设备失联概率；
数据聚合模块，用于基于历史设备上特定APP的设备失联概率，通过数据聚合得到历史设备的APP风险指数，以及基于新设备上特定APP的设备失联概率，通过数据聚合得到新设备的APP风险指数；
风险预测模块，用于建立基于历史设备的APP风险指数和设备失联数据的风险预测模型，并将新设备的APP风险指数作为输入，获得新设备的设备失联概率；风险预测模型输入的是历史设备的APP风险指数和相应的设备对应的用户特征，输出的是历史设备是否在特定时间内失联的数据。
9.一种电子设备，其特征在于，包括
存储器，用于存储计算机可执行程序；
数据处理装置，用于读取所述存储器中的计算机可执行程序，以执行权利要求1至7中任一项所述的基于APP特征衍生的设备失联预测方法。
10.一种计算机可读介质，用于存储计算机可读程序，其特征在于，所述计算机可读程序用于执行权利要求1至7中任一项所述的基于APP特征衍生的设备失联预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110748414.2A CN113570113B (zh) | 2021-07-02 | 2021-07-02 | 一种设备失联预测方法、装置和电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110748414.2A CN113570113B (zh) | 2021-07-02 | 2021-07-02 | 一种设备失联预测方法、装置和电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113570113A CN113570113A (zh) | 2021-10-29 |
| CN113570113B true CN113570113B (zh) | 2024-05-21 |
Family
ID=78163436
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110748414.2A Active CN113570113B (zh) | 2021-07-02 | 2021-07-02 | 一种设备失联预测方法、装置和电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113570113B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109063985A (zh) * | 2018-07-18 | 2018-12-21 | 阿里巴巴集团控股有限公司 | 一种业务的风险决策方法及装置 |
| CN111966730A (zh) * | 2020-10-23 | 2020-11-20 | 北京淇瑀信息科技有限公司 | 基于常驻地的风险预测方法、装置和电子设备 |
| CN112784219A (zh) * | 2021-02-08 | 2021-05-11 | 北京淇瑀信息科技有限公司 | 基于app指数的用户风险预测方法、装置及电子设备 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10084645B2 (en) * | 2015-11-30 | 2018-09-25 | International Business Machines Corporation | Estimating server-change risk by corroborating historic failure rates, predictive analytics, and user projections |
-
2021
- 2021-07-02 CN CN202110748414.2A patent/CN113570113B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109063985A (zh) * | 2018-07-18 | 2018-12-21 | 阿里巴巴集团控股有限公司 | 一种业务的风险决策方法及装置 |
| CN111966730A (zh) * | 2020-10-23 | 2020-11-20 | 北京淇瑀信息科技有限公司 | 基于常驻地的风险预测方法、装置和电子设备 |
| CN112784219A (zh) * | 2021-02-08 | 2021-05-11 | 北京淇瑀信息科技有限公司 | 基于app指数的用户风险预测方法、装置及电子设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113570113A (zh) | 2021-10-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107818344B (zh) | 用户行为进行分类和预测的方法和系统 | |
| CN112148987A (zh) | 基于目标对象活跃度的消息推送方法及相关设备 | |
| CN111178687B (zh) | 金融风险分类方法、装置及电子设备 | |
| CN113297287B (zh) | 用户策略自动部署方法、装置及电子设备 | |
| CN111583018A (zh) | 一种基于用户金融表现分析的授信策略管理方法、装置和电子设备 | |
| CN111191677B (zh) | 用户特征数据生成方法、装置及电子设备 | |
| CN112016793B (zh) | 基于目标用户群的资源分配方法、装置及电子设备 | |
| CN111582645B (zh) | 基于因子分解机的app风险评估方法、装置和电子设备 | |
| CN115238815A (zh) | 异常交易数据获取方法、装置、设备、介质和程序产品 | |
| CN111582649B (zh) | 基于用户app独热编码的风险评估方法、装置和电子设备 | |
| CN113570113B (zh) | 一种设备失联预测方法、装置和电子设备 | |
| CN117035416A (zh) | 企业风险评估方法、企业风险评估装置、设备及存储介质 | |
| CN116843395A (zh) | 一种业务系统的告警分级方法、装置、设备及存储介质 | |
| CN108768742B (zh) | 网络构建方法及装置、电子设备、存储介质 | |
| CN116244146A (zh) | 日志异常检测方法、日志异常检测模型的训练方法及装置 | |
| CN112348661B (zh) | 基于用户行为轨迹的服务策略分配方法、装置及电子设备 | |
| CN115545753A (zh) | 一种基于贝叶斯算法的合作伙伴预测方法及相关设备 | |
| CN111626438B (zh) | 基于模型迁移的用户策略分配方法、装置及电子设备 | |
| CN110348190B (zh) | 基于用户操作行为的用户设备归属判断方法及装置 | |
| CN113298645A (zh) | 资源额度调整方法、装置及电子设备 | |
| CN111582648A (zh) | 用户策略生成方法、装置及电子设备 | |
| CN112084408A (zh) | 名单数据筛选方法、装置、计算机设备及存储介质 | |
| CN114219053B (zh) | 用户位置信息处理方法、装置及电子设备 | |
| CN113362097B (zh) | 一种用户确定方法和装置 | |
| US20220343000A1 (en) | System and method for data anonymization using optimization techniques |
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 | ||
| CB02 | Change of applicant information |
Country or region after: China Address after: Room 1109, No. 4, Lane 800, Tongpu Road, Putuo District, Shanghai, 200062 Applicant after: Shanghai Qiyue Information Technology Co.,Ltd. Address before: Room a2-8914, 58 Fumin Branch Road, Hengsha Township, Chongming District, Shanghai, 201500 Applicant before: Shanghai Qiyue Information Technology Co.,Ltd. Country or region before: China |
|
| CB02 | Change of applicant information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |