CN113688923A - 订单异常智能检测方法、装置、电子设备及存储介质 - Google Patents
订单异常智能检测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113688923A CN113688923A CN202111009278.1A CN202111009278A CN113688923A CN 113688923 A CN113688923 A CN 113688923A CN 202111009278 A CN202111009278 A CN 202111009278A CN 113688923 A CN113688923 A CN 113688923A
- Authority
- CN
- China
- Prior art keywords
- order
- historical
- training
- current
- detection
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 199
- 238000012549 training Methods 0.000 claims abstract description 149
- 238000005457 optimization Methods 0.000 claims abstract description 28
- 238000000605 extraction Methods 0.000 claims abstract description 20
- 230000002159 abnormal effect Effects 0.000 claims description 69
- 238000012545 processing Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 14
- 238000000034 method Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 13
- 238000007781 pre-processing Methods 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 2
- 238000013473 artificial intelligence Methods 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 abstract description 4
- 230000005856 abnormality Effects 0.000 description 13
- 238000004891 communication Methods 0.000 description 8
- 238000007726 management method Methods 0.000 description 5
- 238000012550 audit Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000003066 decision tree Methods 0.000 description 3
- 239000006185 dispersion Substances 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 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
- 230000008520 organization Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012384 transportation and delivery Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0633—Lists, e.g. purchase orders, compilation or processing
- G06Q30/0635—Processing of requisition or of purchase orders
-
- 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/08—Insurance
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Technology Law (AREA)
- Debugging And Monitoring (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及人工智能领域，揭露一种订单异常智能检测方法，包括：对历史订单进行特征提取，得到历史订单特征，标记历史订单特征的特征标签；分别从历史订单和历史订单特征中随机选取预设数量的订单和特征作为训练数据；利用训练数据和特征标签对预构建订单异常检测树进行训练，得到训练订单异常检测树；在训练订单异常检测树的数量满足用户需求时，生成订单异常检测森林；对待检测的当前订单进行调度优化和特征提取，得到当前订单特征；将当前订单特征输入订单异常检测森林，以输出当前订单的订单异常概率，得到当前订单的异常检测结果。此外，本发明还涉及区块链技术，所述当前订单特征可存储于区块链中。本发明可以提高订单异常的检测准确率。
Description
技术领域
本发明涉及人工智能领域，尤其涉及一种订单异常智能检测方法、装置、电子设备及计算机可读存储介质。
背景技术
随着信息科技的不断发展，线上订单的数量和类别日益剧增，如商城订单、车险订单、保险订单等，目前，线上订单通常是基于订单平台进行操作提交，但订单平台中所产生的订单大多数是基于用户提交的数据自动生成，由于订单平台很容易受到外部网络攻击或者用户操作不当，导致订单数据出现异常，从而会产生订单异常的现象，因此，关于订单异常检测显得愈发重要，所述订单异常检测是对用户提交的交易订单进行异常识别的过程，其主要用于保障订单的正常交易。
目前，订单异常检测通常是基于订单后台开发人员设置的订单审核规则，判断用户提交的订单是否符合要求，但是由于在实际业务场景中，一个订单中会出现大量且复杂的订单数据，若通过订单后台开发人员设置的订单审核规则进行订单异常检测，需要将订单中所涉及的所有订单数据进行一一甄别，导致订单异常检测的数据量非常庞大，从而会影响订单异常的检测准确率。
发明内容
本发明提供一种订单异常智能检测方法、装置、电子设备及计算机可读存储介质，其主要目的在于提高订单异常的检测准确率。
为实现上述目的，本发明提供的一种订单异常智能检测方法，包括：
获取历史订单，对所述历史订单进行特征提取，得到历史订单特征，并标记所述历史订单特征的特征标签；
分别从所述历史订单和所述历史订单特征中随机选取预设数量的订单和特征作为训练数据；
利用所述训练数据和所述特征标签对预构建订单异常检测树进行训练，得到训练订单异常检测树；
判断所述训练订单异常检测树的数量是否满足用户需求；
若所述训练订单异常检测树的数量不满足用户需求，则返回执行分别从所述历史订单和所述历史订单特征中随机选取预设数量的订单和特征作为训练数据的步骤；
若所述训练订单异常检测树的数量满足用户需求，则根据所述训练订单异常检测树的数量，生成订单异常检测森林；
接收待检测的当前订单，对所述当前订单进行调度优化，并对调度优化后的所述当前订单进行特征提取，得到当前订单特征；
将所述当前订单特征输入所述订单异常检测森林，以输出所述当前订单的订单异常概率，根据所述订单异常概率，生成所述当前订单的异常检测结果。
可选地，所述对所述历史订单进行特征提取，得到历史订单特征包括：
对所述历史订单中的数据进行维度拆分，得到多个维度数据；
计算每个所述维度数据在所述历史订单中的权重，将所述权重大于预设阈值的维度数据作为所述历史订单的特征，得到历史订单特征。
可选地，所述利用所述训练数据和所述特征标签对预构建订单异常检测树进行训练，得到训练订单异常检测树，包括：
根据所述训练数据中的历史订单，利用所述预构建订单异常检测树中的决策层从所述训练数据的历史订单特征中选取根节点；
根据所述根节点，利用所述预构建订单异常检测树中分类层对所述训练数据中剩余历史订单特征进行分类，得到多个叶子节点；
根据所述特征标签，利用所述预构建订单异常检测树中的激活函数计算每个所述叶子节点的基尼系数；
判断所述基尼系数是否满足预设条件；
若所述基尼系数不满足预设条件，调整所述预构建订单异常检测树的参数，并返回执行根据所述根节点，利用所述预构建订单异常检测树中分类层对所述训练数据中剩余历史订单特征进行分类的步骤；
若所述基尼系数满足预设条件，则得到所述训练订单异常检测树。
可选地，所述根据所述训练数据中的历史订单，利用所述预构建订单异常检测树中的决策层从所述训练数据的历史订单特征中选取根节点，包括：
利用所述决策层中的决策算法计算所述训练数据的历史订单特征在所述历史订单中的信息增益值；
将所述信息增益值最高的历史订单特征作为所述根节点。
可选地，所述决策算法包括：
其中，Ci表示历史订单特征的信息增益值，Ei表示历史订单特征中第i个订单特征的特征向量期望，
表示历史订单特征中第i个订单特征的特征期望的特征向量协方差，trace()表示空间滤波函数。
可选地，所述对所述当前订单进行调度优化，包括：
将所述当前订单传输至消息队列中，并配置所述消息队列中当前订单的处理时间戳和处理窗口，以完成所述当前订单的调度优化。
可选地，所述将所述当前订单特征输入所述订单异常检测森林，以输出所述当前订单的订单异常概率，包括：
利用所述订单异常检测森林中每个训练订单异常检测树计算所述当前订单特征的异常概率；
根据每个所述当前订单特征的异常概率，计算所述当前订单特征的平均异常概率，并将所述平均异常概率作为所述当前订单的订单异常概率。
为了解决上述问题，本发明还提供一种订单异常智能检测装置，所述装置包括：
历史订单预处理模块，用于获取历史订单，对所述历史订单进行特征提取，得到历史订单特征，并标记所述历史订单特征的特征标签；
训练数据选取模块，用于分别从所述历史订单和所述历史订单特征中随机选取预设数量的订单和特征作为训练数据；
模型训练模块，用于利用所述训练数据和所述特征标签对预构建订单异常检测树进行训练，得到训练订单异常检测树；
所述模型训练模块，还用于判断所述训练订单异常检测树的数量是否满足用户需求；
所述模型训练模块，还用于在所述训练订单异常检测树的数量不满足用户需求，则返回执行分别从所述历史订单和所述历史订单特征中随机选取预设数量的订单和特征作为训练数据的步骤；
所述模型训练模块，还用于所述训练订单异常检测树的数量满足用户需求，则根据所述训练订单异常检测树的数量，生成订单异常检测森林；
当前订单预处理模块，用于接收待检测的当前订单，对所述当前订单进行调度优化，并对调度优化后的所述当前订单进行特征提取，得到当前订单特征；
当前订单检测模块，用于将所述当前订单特征输入所述订单异常检测森林，以输出所述当前订单的订单异常概率，根据所述订单异常概率，生成所述当前订单的异常检测结果。为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以实现上述所述的订单异常智能检测方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个计算机程序，所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的订单异常智能检测方法。
本发明实施例首先对获取历史订单进行特征提取，得到历史订单特征，并标记所述历史订单特征的特征标签，可以减少所述历史订单中的数据量，提高后续数据处理的速度，并分别从所述历史订单和所述历史订单特征中随机选取预设数量的订单和特征作为训练数据，以保障后续模型的训练；其次，本发明实施例利用所述训练数据和所述特征标签对预构建订单异常检测树进行训练，得到训练订单异常检测树，并结合所述训练订单异常检测树的数量，生成订单异常检测森林，可以避免后续通过订单审核规则对订单中所有的订单数据进行一一甄别的现象，智能自动化的识别出异常订单，从而可以提高异常订单的检测准确率；进一步地，本发明实施例通过对接收待检测的当前订单进行调度优化，可以保障后续当前订单可以稳定进行的同时又能保障计算机的CPU性能，从而可以保障当前订单的检测准确率，并将所述调度优化后的当前订单中当前订单特征输入所述订单异常检测森林，以输出所述当前订单的订单异常概率，得到所述当前订单的异常检测结果。因此，本发明提出的一种订单异常智能检测方法、装置、电子设备以及计算机可读存储介质可以提高订单异常的检测准确率。
附图说明
图1为本发明一实施例提供的订单异常智能检测方法的流程示意图；
图2为本发明一实施例提供的订单异常智能检测装置的模块示意图；
图3为本发明一实施例提供的实现订单异常智能检测方法的电子设备的内部结构示意图；
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本申请实施例提供一种订单异常智能检测方法。所述订单异常智能检测方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述订单异常智能检测方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(ContentDelivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示，为本发明一实施例提供的订单异常智能检测方法的流程示意图。在本发明实施例中，所述订单异常智能检测方法包括：
S1、获取历史订单，对所述历史订单进行特征提取，得到历史订单特征，并标记所述历史订单特征的特征标签。
本发明实施例中，所述历史订单是指用户已经完成交易的订单，其可以通过查询订单平台的后台数据库获取，如商城订单数据库、车险订单数据库以及寿险订单数据库等，所述特征标签用于表征其对应历史订单特征是否为异常特征，以反映对应历史订单是否处于异常状态。
应该了解，在所述历史订单中会存在大量的订单数据，在所述订单数据中会包含许多无用数据或重复数据，因此，本发明实施例通过对所述历史订单进行特征提取，以减少所述历史订单中的数据量，提高后续数据处理的速度。
作为本发明的一个实施例，所述对所述历史订单进行特征提取，得到历史订单特征包括：对所述历史订单中的数据进行维度拆分，得到多个维度数据；计算每个所述维度数据在所述历史订单中的权重，将所述权重大于预设阈值的维度数据作为所述历史订单的特征，得到历史订单特征。
其中，所述维度拆分可以理解为将所述历史订单中的数据进行类别划分的过程，如所述历史订单为车险订单，将所述车险订单进行维度拆分后可以得到客户编号、被保险人编号、申请人编号、批次编号、关联车辆编号、坐席编号、任务编号、机构代码、渠道来源、业务来源、系统来源、特别条款、保额、保费以及订单日期时间等维度数据，所述维度数据在所述历史订单的权重可以通过熵值法计算，即通过熵值法判断每个所述维度数据在所述历史订单中的离散程度，若所述离散程度越大，则表示所述维度数据在所述历史订单中的权重越大，所述预设阈值可以设置为0.65，也可以根据实际业务场景设置。
进一步地，本发明实施例中，所述特征标签的标记可以通过查询所述历史订单特征中的数据是否为异常数据实现，若所述历史订单特征中的数据为异常数据，则可以标记该历史订单特征的标签为1，若所述历史订单特征中的数据不为异常数据，则可以标记该历史订单特征的标签为0。
S2、分别从所述历史订单和所述历史订单特征中随机选取预设数量的订单和特征作为训练数据。
本发明实施例通过分别从所述历史订单和所述历史订单特征中随机选取预设数量的订单和特征，以作为后续模型训练的训练数据，其中，所述预设数量的订单和特征可以基于所述历史订单和所述历史订单特征的数量设置，若存在所述历史订单和所述历史订单特征的数量分别为5000和10000，则所述预设数量可以分别设置为2000和5000。
S3、利用所述训练数据和所述特征标签对预构建订单异常检测树进行训练，得到训练订单异常检测树。
本发明实施例中，所述预构建订单异常检测树通过决策树算法进行构建，所述决策树算法包括CART算法(classification and regression tree)，所述订单异常检测树用于对订单特征进行分类，以识别出不同订单特征表征异常异常订单的概率值。
作为本发明的一个实施例，所述利用所述训练数据和所述特征标签对预构建订单异常检测树进行训练，得到训练订单异常检测树，包括：根据所述训练数据中的历史订单，利用所述预构建订单异常检测树中的决策层从所述训练数据的历史订单特征中选取根节点，并根据所述根节点，利用所述预构建订单异常检测树中分类层对所述训练数据中剩余历史订单特征进行分类，得到多个叶子节点，根据所述特征标签，利用所述预构建订单异常检测树中的激活函数计算每个所述叶子节点的基尼系数，判断所述基尼系数是否满足预设条件，若所述基尼系数不满足预设条件，调整所述预构建订单异常检测树的参数，并返回执行根据所述根节点，利用所述预构建订单异常检测树中分类层对所述训练数据中剩余历史订单特征进行分类的步骤，若所述基尼系数满足预设条件，则得到所述训练订单异常检测树。
进一步地，本发明又一可选实施例中，所述根据所述训练数据中的历史订单，利用所述预构建订单异常检测树中的决策层从所述训练数据的历史订单特征中选取根节点，包括：利用所述决策层中的决策算法计算所述训练数据的历史订单特征在所述历史订单中的信息增益值，将所述信息增益值最高的历史订单特征作为所述根节点。其中，所述决策算法包括：
其中，Ci表示历史订单特征的信息增益值，Ei表示历史订单特征中第i个订单特征的特征向量期望，
表示历史订单特征中第i个订单特征的特征期望的特征向量协方差，trace()表示空间滤波函数。
一个可选实施例中，所述基尼系数可以通过计算所述叶子节点与其对应特征标签的损失得到，其用于评价所述预构建订单异常检测树中的每个叶子节点的特征是否为最优特征，因此，所述预设条件可以设置为所述基尼系数是否小于预设系数，若所述基尼系数不小于预设系数，则表示所述基尼系数不满足预设条件，若所述基尼系数小于所述预设系数，则表示所述基尼系数满足预设条件，其中，所述预设系数可以设置为0.1，也可以根据实际业务场景设置，所述预构建订单异常检测树的参数包括订单特征数量和决策树深度。
S4、判断所述训练订单异常检测树的数量是否满足用户需求。
本发明实施例中，通过判断所述训练订单异常检测树的数量是否满足用户需求，以获取用户需求的训练订单异常检测树的数量，从而构建后续订单异常检测森林，提高异常订单的检测准确率。
若所述训练订单异常检测树的数量不满足用户需求，则返回执行分别从所述历史订单和所述历史订单特征中随机选取预设数量的订单和特征作为训练数据的步骤。
需要说明的是，在所述训练订单异常检测树的数量不满足用户需求时，本发明实施例返回执行上述S2和S3的步骤，以训练更多数量的训练订单异常检测树，保障后续异常订单的检测准确率。
若所述训练订单异常检测树的数量满足用户需求，则执行S5、根据所述训练订单异常检测树的数量，生成订单异常检测森林。
本发明实施例中，在所述训练订单异常检测树的数量满足用户需求时，根据所述训练订单异常检测树的数量，生成订单异常检测森林，以保障后续异常订单的检测准确率。
S6、接收待检测的当前订单，对所述当前订单进行调度优化，并对调度优化后的所述当前订单进行特征提取，得到当前订单特征。
本发明实施例中，所述待检测的当前订单基于当前业务场景所产生，应该了解，在实际业务场景中，会产生大量的待检测订单，因此，本发明实施例通过对所述当前订单进行调度优化，以保障后续当前订单可以稳定进行的同时保障计算机的CPU性能，提高当前订单的检测准确率。
作为本发明的一个实施例，所述对所述当前订单进行调度优化，包括：将所述当前订单传输至消息队列中，并配置所述消息队列中当前订单的处理时间戳和处理窗口，以完成所述当前订单的调度优化。其中，所述消息队列包括kafka队列，其用于实现所述当前订单的异步处理，提高当前订单的处理效率，所述处理时间戳的配置包括批处理间隔(batchinterval)和时间块间隔(block interval)的设置，所述处理窗口的配置包括滑动窗口大小(window length)和滑动间隔(sliding interval)的设置。
进一步地，所述对调度优化后的所述当前订单进行特征提取可以参阅上述S1中历史订单的特征提取步骤，在此不做进一步地阐述。
进一步地，为保障所述当前订单特征的隐私性和安全性，所述当前订单特征还可存储于一区块链节点中。
S7、将所述当前订单特征输入所述订单异常检测森林，以输出所述当前订单的订单异常概率，根据所述订单异常概率，生成所述当前订单的异常检测结果。
本发明实施例中，所述将所述当前订单特征输入所述订单异常检测森林，以输出所述当前订单的订单异常概率，包括：利用所述订单异常检测森林中每个训练订单异常检测树计算所述当前订单特征的异常概率，根据每个所述当前订单特征的异常概率，计算所述当前订单特征的平均异常概率，并将所述平均异常概率作为所述当前订单的订单异常概率。
示例性的，所述订单异常检测森林存在6颗训练订单异常检测树，将所述当前订单特征分别输入至所述6颗训练订单异常检测树中，得到所述当前订单特征的异常概率分别为：0.4、0.5、0.4、0.6、0.5、0.6，根据每个异常概率，计算当前订单特征的平均异常概率为：0.4+0.5+0.4+0.6+0.5+0.6/6＝0.5。
进一步地，本发明实施例根据所述订单异常概率，生成所述当前订单的异常检测结果，即将所述订单异常概率大于预设异常概率的订单作为异常订单，将所述订单异常概率不大于预设异常概率的订单作为正常订单，其中，所述预设异常概率可以设置为0.5，也可以根据实际业务场景设置。
可以看出，本发明实施例首先对获取历史订单进行特征提取，得到历史订单特征，并标记所述历史订单特征的特征标签，可以减少所述历史订单中的数据量，提高后续数据处理的速度，并分别从所述历史订单和所述历史订单特征中随机选取预设数量的订单和特征作为训练数据，以保障后续模型的训练；其次，本发明实施例利用所述训练数据和所述特征标签对预构建订单异常检测树进行训练，得到训练订单异常检测树，并结合所述训练订单异常检测树的数量，生成订单异常检测森林，可以避免后续通过订单审核规则对订单中所有的订单数据进行一一甄别的现象，智能自动化的识别出异常订单，从而可以提高异常订单的检测准确率；进一步地，本发明实施例通过对接收待检测的当前订单进行调度优化，可以保障后续当前订单可以稳定进行的同时又能保障计算机的CPU性能，从而可以保障当前订单的检测准确率，并将所述调度优化后的当前订单中当前订单特征输入所述订单异常检测森林，以输出所述当前订单的订单异常概率，得到所述当前订单的异常检测结果。
如图2所示，是本发明订单异常智能检测装置的功能模块图。
本发明所述订单异常智能检测装置100可以安装于电子设备中。根据实现的功能，所述订单异常智能检测装置可以包括历史订单预处理模块101、训练数据选取模块102、模型训练模块103、当前订单预处理模块104以及当前订单检测模块105。本发所述模块也可以称之为单元，是指一种能够被电子设备的处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述历史订单预处理模块101，用于获取历史订单，对所述历史订单进行特征提取，得到历史订单特征，并标记所述历史订单特征的特征标签；
所述训练数据选取模块102，用于分别从所述历史订单和所述历史订单特征中随机选取预设数量的订单和特征作为训练数据；
所述模型训练模块103，用于利用所述训练数据和所述特征标签对预构建订单异常检测树进行训练，得到训练订单异常检测树；
所述模型训练模块103，还用于判断所述训练订单异常检测树的数量是否满足用户需求；
所述模型训练模块103，还用于在所述训练订单异常检测树的数量不满足用户需求，则返回执行分别从所述历史订单和所述历史订单特征中随机选取预设数量的订单和特征作为训练数据的步骤；
所述模型训练模块103，还用于所述训练订单异常检测树的数量满足用户需求，则根据所述训练订单异常检测树的数量，生成订单异常检测森林；
所述当前订单预处理模块104，用于接收待检测的当前订单，对所述当前订单进行调度优化，并对调度优化后的所述当前订单进行特征提取，得到当前订单特征；
所述当前订单检测模块105，用于将所述当前订单特征输入所述订单异常检测森林，以输出所述当前订单的订单异常概率，根据所述订单异常概率，生成所述当前订单的异常检测结果。
详细地，本发明实施例中所述订单异常智能检测装置100中的所述各模块在使用时采用与上述的图1中所述的订单异常智能检测方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
如图3所示，是本发明实现订单异常智能检测方法的电子设备1的结构示意图。
所述电子设备1可以包括处理器10、存储器11、通信总线12以及通信接口13，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如订单异常智能检测程序。
其中，所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备1的控制核心(ControlUnit)，利用各种接口和线路连接整个电子设备1的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如执行订单异常智能检测程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。
所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(SecureDigital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如订单异常智能检测程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述通信总线12可以是外设部件互连标准(peripheral componentinterconnect，简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
所述通信接口13用于上述电子设备1与其他设备之间的通信，包括网络接口和用户接口。可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备1与其他电子设备1之间建立通信连接。所述用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
图3仅示出了具有部件的电子设备1，本领域技术人员可以理解的是，图3示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的订单异常智能检测程序是多个计算机程序的组合，在所述处理器10中运行时，可以实现：
获取历史订单，对所述历史订单进行特征提取，得到历史订单特征，并标记所述历史订单特征的特征标签；
分别从所述历史订单和所述历史订单特征中随机选取预设数量的订单和特征作为训练数据；
利用所述训练数据和所述特征标签对预构建订单异常检测树进行训练，得到训练订单异常检测树；
判断所述训练订单异常检测树的数量是否满足用户需求；
若所述训练订单异常检测树的数量不满足用户需求，则返回执行分别从所述历史订单和所述历史订单特征中随机选取预设数量的订单和特征作为训练数据的步骤；
若所述训练订单异常检测树的数量满足用户需求，则根据所述训练订单异常检测树的数量，生成订单异常检测森林；
接收待检测的当前订单，对所述当前订单进行调度优化，并对调度优化后的所述当前订单进行特征提取，得到当前订单特征；
将所述当前订单特征输入所述订单异常检测森林，以输出所述当前订单的订单异常概率，根据所述订单异常概率，生成所述当前订单的异常检测结果。
具体地，所述处理器10对上述计算机程序的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。
进一步地，所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个非易失性计算机可读取存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。
本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备1的处理器所执行时，可以实现：
获取历史订单，对所述历史订单进行特征提取，得到历史订单特征，并标记所述历史订单特征的特征标签；
分别从所述历史订单和所述历史订单特征中随机选取预设数量的订单和特征作为训练数据；
利用所述训练数据和所述特征标签对预构建订单异常检测树进行训练，得到训练订单异常检测树；
判断所述训练订单异常检测树的数量是否满足用户需求；
若所述训练订单异常检测树的数量不满足用户需求，则返回执行分别从所述历史订单和所述历史订单特征中随机选取预设数量的订单和特征作为训练数据的步骤；
若所述训练订单异常检测树的数量满足用户需求，则根据所述训练订单异常检测树的数量，生成订单异常检测森林；
接收待检测的当前订单，对所述当前订单进行调度优化，并对调度优化后的所述当前订单进行特征提取，得到当前订单特征；
将所述当前订单特征输入所述订单异常检测森林，以输出所述当前订单的订单异常概率，根据所述订单异常概率，生成所述当前订单的异常检测结果。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种订单异常智能检测方法，其特征在于，所述方法包括：
获取历史订单，对所述历史订单进行特征提取，得到历史订单特征，并标记所述历史订单特征的特征标签；
分别从所述历史订单和所述历史订单特征中随机选取预设数量的订单和特征作为训练数据；
利用所述训练数据和所述特征标签对预构建订单异常检测树进行训练，得到训练订单异常检测树；
判断所述训练订单异常检测树的数量是否满足用户需求；
若所述训练订单异常检测树的数量不满足用户需求，则返回执行分别从所述历史订单和所述历史订单特征中随机选取预设数量的订单和特征作为训练数据的步骤；
若所述训练订单异常检测树的数量满足用户需求，则根据所述训练订单异常检测树的数量，生成订单异常检测森林；
接收待检测的当前订单，对所述当前订单进行调度优化，并对调度优化后的所述当前订单进行特征提取，得到当前订单特征；
将所述当前订单特征输入所述订单异常检测森林，以输出所述当前订单的订单异常概率，根据所述订单异常概率，生成所述当前订单的异常检测结果。
2.如权利要求1所述的订单异常智能检测方法，其特征在于，所述对所述历史订单进行特征提取，得到历史订单特征包括：
对所述历史订单中的数据进行维度拆分，得到多个维度数据；
计算每个所述维度数据在所述历史订单中的权重，将所述权重大于预设阈值的维度数据作为所述历史订单的特征，得到历史订单特征。
3.如权利要求1所述的订单异常智能检测方法，其特征在于，所述利用所述训练数据和所述特征标签对预构建订单异常检测树进行训练，得到训练订单异常检测树，包括：
根据所述训练数据中的历史订单，利用所述预构建订单异常检测树中的决策层从所述训练数据的历史订单特征中选取根节点；
根据所述根节点，利用所述预构建订单异常检测树中分类层对所述训练数据中剩余历史订单特征进行分类，得到多个叶子节点；
根据所述特征标签，利用所述预构建订单异常检测树中的激活函数计算每个所述叶子节点的基尼系数；
判断所述基尼系数是否满足预设条件；
若所述基尼系数不满足预设条件，调整所述预构建订单异常检测树的参数，并返回执行根据所述根节点，利用所述预构建订单异常检测树中分类层对所述训练数据中剩余历史订单特征进行分类的步骤；
若所述基尼系数满足预设条件，则得到所述训练订单异常检测树。
4.如权利要求3所述的订单异常智能检测方法，其特征在于，所述根据所述训练数据中的历史订单，利用所述预构建订单异常检测树中的决策层从所述训练数据的历史订单特征中选取根节点，包括：
利用所述决策层中的决策算法计算所述训练数据的历史订单特征在所述历史订单中的信息增益值；
将所述信息增益值最高的历史订单特征作为所述根节点。
5.如权利要求4所述的订单异常智能检测方法，其特征在于，所述决策算法包括：
其中，Ci表示历史订单特征的信息增益值，Ei表示历史订单特征中第i个订单特征的特征向量期望，
表示历史订单特征中第i个订单特征的特征期望的特征向量协方差，trace()表示空间滤波函数。
6.如权利要求1所述的订单异常智能检测方法，其特征在于，所述对所述当前订单进行调度优化，包括：
将所述当前订单传输至消息队列中，并配置所述消息队列中当前订单的处理时间戳和处理窗口，以完成所述当前订单的调度优化。
7.如权利要求1至6中任意一项所述的订单异常智能检测方法，其特征在于，所述将所述当前订单特征输入所述订单异常检测森林，以输出所述当前订单的订单异常概率，包括：
利用所述订单异常检测森林中每个训练订单异常检测树计算所述当前订单特征的异常概率；
根据每个所述当前订单特征的异常概率，计算所述当前订单特征的平均异常概率，并将所述平均异常概率作为所述当前订单的订单异常概率。
8.一种订单异常智能检测装置，其特征在于，所述装置包括：
历史订单预处理模块，用于获取历史订单，对所述历史订单进行特征提取，得到历史订单特征，并标记所述历史订单特征的特征标签；
训练数据选取模块，用于分别从所述历史订单和所述历史订单特征中随机选取预设数量的订单和特征作为训练数据；
模型训练模块，用于利用所述训练数据和所述特征标签对预构建订单异常检测树进行训练，得到训练订单异常检测树；
所述模型训练模块，还用于判断所述训练订单异常检测树的数量是否满足用户需求；
所述模型训练模块，还用于在所述训练订单异常检测树的数量不满足用户需求，则返回执行分别从所述历史订单和所述历史订单特征中随机选取预设数量的订单和特征作为训练数据的步骤；
所述模型训练模块，还用于所述训练订单异常检测树的数量满足用户需求，则根据所述训练订单异常检测树的数量，生成订单异常检测森林；
当前订单预处理模块，用于接收待检测的当前订单，对所述当前订单进行调度优化，并对调度优化后的所述当前订单进行特征提取，得到当前订单特征；
当前订单检测模块，用于将所述当前订单特征输入所述订单异常检测森林，以输出所述当前订单的订单异常概率，根据所述订单异常概率，生成所述当前订单的异常检测结果。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至7中任意一项所述的订单异常智能检测方法。
10.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任意一项所述的订单异常智能检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111009278.1A CN113688923B (zh) | 2021-08-31 | 2021-08-31 | 订单异常智能检测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111009278.1A CN113688923B (zh) | 2021-08-31 | 2021-08-31 | 订单异常智能检测方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113688923A true CN113688923A (zh) | 2021-11-23 |
| CN113688923B CN113688923B (zh) | 2024-04-05 |
Family
ID=78584232
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111009278.1A Active CN113688923B (zh) | 2021-08-31 | 2021-08-31 | 订单异常智能检测方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113688923B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114638299A (zh) * | 2022-03-15 | 2022-06-17 | 平安国际智慧城市科技股份有限公司 | 僵尸许可证智能识别方法、装置、设备及存储介质 |
| CN114742477A (zh) * | 2022-06-09 | 2022-07-12 | 未来地图(深圳)智能科技有限公司 | 企业订单数据处理方法、装置、设备及存储介质 |
| CN116051106A (zh) * | 2022-07-29 | 2023-05-02 | 荣耀终端有限公司 | 一种异常订单处理方法和装置 |
| CN117372076A (zh) * | 2023-08-23 | 2024-01-09 | 广东烟草广州市有限公司 | 一种异常交易数据监控方法、装置、设备及存储介质 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018177247A1 (zh) * | 2017-03-28 | 2018-10-04 | 瀚思安信（北京）软件技术有限公司 | 用于检测计算机网络系统用户的异常行为的方法 |
| CN109033966A (zh) * | 2018-06-25 | 2018-12-18 | 北京嘀嘀无限科技发展有限公司 | 绕路检测模型训练方法和装置，以及绕路检测方法和装置 |
| CN110807466A (zh) * | 2018-08-01 | 2020-02-18 | 北京京东金融科技控股有限公司 | 一种处理订单数据的方法和装置 |
| CN110874778A (zh) * | 2018-08-31 | 2020-03-10 | 阿里巴巴集团控股有限公司 | 异常订单检测方法及装置 |
| CN112819499A (zh) * | 2020-07-21 | 2021-05-18 | 深圳市腾讯网域计算机网络有限公司 | 信息发送方法、装置、服务器及存储介质 |
| CN113011481A (zh) * | 2021-03-10 | 2021-06-22 | 广东电网有限责任公司计量中心 | 一种基于决策树算法的电能表功能异常评估方法及系统 |
| WO2021139115A1 (zh) * | 2020-05-26 | 2021-07-15 | 平安科技（深圳）有限公司 | 特征选择方法、装置、设备及存储介质 |
| CN113240480A (zh) * | 2021-01-25 | 2021-08-10 | 天津五八到家货运服务有限公司 | 订单处理方法、装置、电子终端及存储介质 |
-
2021
- 2021-08-31 CN CN202111009278.1A patent/CN113688923B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018177247A1 (zh) * | 2017-03-28 | 2018-10-04 | 瀚思安信（北京）软件技术有限公司 | 用于检测计算机网络系统用户的异常行为的方法 |
| CN109033966A (zh) * | 2018-06-25 | 2018-12-18 | 北京嘀嘀无限科技发展有限公司 | 绕路检测模型训练方法和装置，以及绕路检测方法和装置 |
| CN110807466A (zh) * | 2018-08-01 | 2020-02-18 | 北京京东金融科技控股有限公司 | 一种处理订单数据的方法和装置 |
| CN110874778A (zh) * | 2018-08-31 | 2020-03-10 | 阿里巴巴集团控股有限公司 | 异常订单检测方法及装置 |
| WO2021139115A1 (zh) * | 2020-05-26 | 2021-07-15 | 平安科技（深圳）有限公司 | 特征选择方法、装置、设备及存储介质 |
| CN112819499A (zh) * | 2020-07-21 | 2021-05-18 | 深圳市腾讯网域计算机网络有限公司 | 信息发送方法、装置、服务器及存储介质 |
| CN113240480A (zh) * | 2021-01-25 | 2021-08-10 | 天津五八到家货运服务有限公司 | 订单处理方法、装置、电子终端及存储介质 |
| CN113011481A (zh) * | 2021-03-10 | 2021-06-22 | 广东电网有限责任公司计量中心 | 一种基于决策树算法的电能表功能异常评估方法及系统 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114638299A (zh) * | 2022-03-15 | 2022-06-17 | 平安国际智慧城市科技股份有限公司 | 僵尸许可证智能识别方法、装置、设备及存储介质 |
| CN114742477A (zh) * | 2022-06-09 | 2022-07-12 | 未来地图(深圳)智能科技有限公司 | 企业订单数据处理方法、装置、设备及存储介质 |
| CN114742477B (zh) * | 2022-06-09 | 2022-08-12 | 未来地图(深圳)智能科技有限公司 | 企业订单数据处理方法、装置、设备及存储介质 |
| CN116051106A (zh) * | 2022-07-29 | 2023-05-02 | 荣耀终端有限公司 | 一种异常订单处理方法和装置 |
| CN117372076A (zh) * | 2023-08-23 | 2024-01-09 | 广东烟草广州市有限公司 | 一种异常交易数据监控方法、装置、设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113688923B (zh) | 2024-04-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113688923B (zh) | 订单异常智能检测方法、装置、电子设备及存储介质 | |
| CN112541745B (zh) | 用户行为数据分析方法、装置、电子设备及可读存储介质 | |
| CN111652278B (zh) | 用户行为检测方法、装置、电子设备及介质 | |
| CN112418798A (zh) | 信息审核方法、装置、电子设备及存储介质 | |
| CN112528616B (zh) | 业务表单生成方法、装置、电子设备及计算机存储介质 | |
| CN113792089B (zh) | 基于人工智能的非法行为检测方法、装置、设备及介质 | |
| CN114663198A (zh) | 基于用户画像的产品推荐方法、装置、设备及存储介质 | |
| CN114781832A (zh) | 课程推荐方法、装置、电子设备及存储介质 | |
| CN114491047A (zh) | 多标签文本分类方法、装置、电子设备及存储介质 | |
| CN113868529A (zh) | 知识推荐方法、装置、电子设备及可读存储介质 | |
| CN114612194A (zh) | 产品推荐方法、装置、电子设备及存储介质 | |
| CN113505273B (zh) | 基于重复数据筛选的数据排序方法、装置、设备及介质 | |
| CN113868528A (zh) | 资讯推荐方法、装置、电子设备及可读存储介质 | |
| CN113268665A (zh) | 基于随机森林的信息推荐方法、装置、设备及存储介质 | |
| CN112085611A (zh) | 数据异步核验方法、装置、电子设备及存储介质 | |
| CN111652281B (zh) | 信息数据的分类方法、装置及可读存储介质 | |
| CN115099339A (zh) | 欺诈行为识别方法、装置、电子设备及存储介质 | |
| CN115357666A (zh) | 异常业务行为识别方法、装置、电子设备及存储介质 | |
| CN115203364A (zh) | 软件故障反馈处理方法、装置、设备及可读存储介质 | |
| CN113706019A (zh) | 基于多维数据的业务能力分析方法、装置、设备及介质 | |
| CN113486646A (zh) | 产品报告发布方法、装置、电子设备及可读存储介质 | |
| CN113626605A (zh) | 信息分类方法、装置、电子设备及可读存储介质 | |
| CN115225489B (zh) | 队列业务流量阈值动态控制方法、电子设备及存储介质 | |
| CN113592606B (zh) | 基于多重决策的产品推荐方法、装置、设备及存储介质 | |
| CN113673597A (zh) | 企业年报催报方法、装置、电子设备及计算机存储介质 |
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 |