CN113869525A - 基于大数据的业务规则数据处理方法、装置、设备及介质 - Google Patents
基于大数据的业务规则数据处理方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN113869525A CN113869525A CN202111194981.4A CN202111194981A CN113869525A CN 113869525 A CN113869525 A CN 113869525A CN 202111194981 A CN202111194981 A CN 202111194981A CN 113869525 A CN113869525 A CN 113869525A
- Authority
- CN
- China
- Prior art keywords
- priority
- rule
- vector
- data
- business
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例涉及人工智能领域，公开了一种基于大数据的业务规则数据处理方法、装置、设备及介质，该方法包括：获取大数据平台的数据库中与业务相关联的一个或多个业务规则的评价数据；将评价数据作为训练集输入预设的机器学习模型进行训练，得到规则优先级预测模型；将与目标业务相关联的第一业务规则的评价数据输入规则优先级预测模型，确定第一业务规则的目标优先级；根据目标优先级调整第一业务规则的当前优先级，并生成第二业务规则，当对第二业务规则验证成功时，确认发布第二业务规则，实现对业务规则优先级的智能调整，提高了业务规则数据处理的准确率和效率。本发明涉及区块链技术，如可将评价数据写入区块链中，以用于数据取证等场景。
Description
技术领域
本发明涉及人工智能领域，尤其涉及一种基于大数据的业务规则数据处理方法、装置、设备及介质。
背景技术
目前，随着人工智能技术的发展，生活中越来越多的业务逐步智能化，以满足用户对各种业务的智能化、自动化需求。各种业务在智能化的过程中，通常需要设置不同的业务规则数据，以根据各种不同的业务规则数据智能化控制各种业务的功能，当各种业务规则数据不适用于最新的业务功能的时候，需要根据最新的业务功能调整各种业务的业务规则数据，以满足对业务功能的最新需求。
然而，传统的业务规则数据调整方法主要是通过人为干预手动调整业务规则数据，这种业务规则数据的调整方式操作繁琐、调整效率低、准确率较低。因此，如何更有效地提高调整业务规则的准确率和效率成为研究的重点。
发明内容
本发明实施例提供了一种基于大数据的业务规则数据处理方法、装置、设备及介质，实现了对业务规则优先级的智能调整，能够提高业务规则数据处理的准确率和效率。
第一方面，本发明实施例提供了一种基于大数据的业务规则数据处理方法，应用于数据管理平台，所述数据管理平台与大数据平台通信连接，所述方法包括：
获取大数据平台的数据库中与业务相关联的在预设时间范围内的一个或多个业务规则的评价数据，所述评价数据包括所述一个或多个业务规则中各个业务规则的优先级数据；
将所述各个业务规则的评价数据作为训练集，并将所述训练集输入预设的机器学习模型进行训练，得到规则优先级预测模型；
获取所述大数据平台的数据库中与目标业务相关联的第一业务规则的评价数据，并将所述第一业务规则的评价数据输入所述规则优先级预测模型，确定所述第一业务规则对应的目标优先级；
根据所述目标优先级调整所述第一业务规则的当前优先级，并根据调整后的目标优先级生成第二业务规则，以及对所述第二业务规则进行验证，当验证成功时，确认发布所述第二业务规则。
进一步地，所述将所述第一业务规则的评价数据输入所述规则优先级预测模型，确定所述第一业务规则对应的目标优先级，包括：
将所述第一业务规则的评价数据输入所述规则优先级预测模型，得到与所述第一业务规则的评价数据对应的优先级区间；
从所述大数据平台的数据库中与业务相关联的所述一个或多个业务规则中获取除所述第一业务规则以外的一个或多个第三业务规则，从所述优先级区间中选取未被所述一个或多个第三业务规则所使用的目标优先级，并确认所述目标优先级为所述第一业务规则的优先级。
进一步地，所述从所述优先级区间中选取未被所述一个或多个第三业务规则所使用的目标优先级，包括：
检测所述优先级区间中的各个优先级是否均被所述一个或多个业务规则使用；
如果检测结果为是，则从所述一个或多个第三业务规则中确定待调整业务规则，并将所述待调整业务规则的优先级调整为未被所述一个或多个第三业务规则使用的待选优先级，以及确定所述待调整业务规则调整前的优先级为所述目标优先级；
如果检测结果为否，则获取未被所述一个或多个第三业务规则使用的一个或多个优先级，并从所述一个或多个优先级的各个优先级中选取最大优先级为所述目标优先级。
进一步地，所述将所述训练集输入预设的机器学习模型进行训练，得到规则优先级预测模型，包括：
从所述训练集的所述各个业务规则的评价数据中提取评价特征向量；
将所述评价特征向量输入所述预设的机器学习模型进行训练，得到所述规则优先级预测模型。
进一步地，所述评价数据还包括各个业务规则的优先级数据、精准度数据以及报警数据；所述从所述训练集的所述各个业务规则的评价数据中提取评价特征向量，包括：
从所述各个业务规则的优先级数据中提取优先级向量，从所述精准度数据中提取精准度向量，以及从所述报警数据中提取报警向量；
所述将所述评价特征向量输入所述预设的机器学习模型进行训练，得到所述规则优先级预测模型，包括：
将所述各个业务规则的评价数据对应的优先级向量、精准度向量和报警向量输入所述机器学习模型，得到损失函数值；
将所述损失函数值与目标损失函数值进行对比，当对比结果不满足预设条件时，根据所述对比结果调整所述机器学习模型的模型参数；
将所述各个业务规则的评价数据对应的优先级向量、精准度向量和报警向量输入调整模型参数后的机器学习模型中进行重新训练；
当重新训练得到的损失函数值与目标损失函数值的对比结果满足所述预设条件时，确定得到所述规则优先级预测模型。
进一步地，所述将所述各个业务规则的评价数据对应的优先级向量、精准度向量和报警向量输入所述机器学习模型，得到损失函数值，包括：
将所述各个业务规则的评价数据对应的优先级向量、精准度向量和报警向量输入所述机器学习模型的第一网络层中，得到与所述各个业务规则的评价数据对应的目标向量特征；
将所述目标向量特征输入所述机器学习模型的第二网络层中，得到所述损失函数值。
进一步地，所述第一网络层包括第一层、第二层、第三层；所述将所述各个业务规则的评价数据对应的优先级向量、精准度向量和报警向量输入所述机器学习模型的第一网络层中，得到与所述各个业务规则的评价数据对应的目标向量特征，包括：
将所述优先级向量输入所述第一层中，得到所述优先级向量对应的第一向量特征；
将所述第一向量特征和所述精准度向量输入所述第二层中，得到与所述第一向量特征和所述精准度向量对应的第二向量特征；
将所述第一向量特征、所述第二向量特征和所述报警向量输入所述第三层中，得到所述第一向量特征、所述第二向量特征和所述报警向量对应的目标向量特征。
第二方面，本发明实施例提供了一种基于大数据的业务规则数据处理装置，应用于数据管理平台，所述数据管理平台与大数据平台通信连接，所述装置包括：
获取单元，用于获取大数据平台的数据库中与业务相关联的在预设时间范围内的一个或多个业务规则的评价数据，所述评价数据包括所述一个或多个业务规则中各个业务规则的优先级数据；
训练单元，用于将所述各个业务规则的评价数据作为训练集，并将所述训练集输入预设的机器学习模型进行训练，得到规则优先级预测模型；
确定单元，用于获取所述大数据平台的数据库中与目标业务相关联的第一业务规则的评价数据，并将所述第一业务规则的评价数据输入所述规则优先级预测模型，确定所述第一业务规则对应的目标优先级；
调整单元，用于根据所述目标优先级调整所述第一业务规则的当前优先级，并根据调整后的目标优先级生成第二业务规则，以及对所述第二业务规则进行验证，当验证成功时，确认发布所述第二业务规则。
第三方面，本发明实施例提供了一种计算机设备，包括处理器和存储器，其中，所述存储器用于存储计算机程序，所述计算机程序包括程序，所述处理器被配置用于调用所述计算机程序，执行上述第一方面的方法。
第四方面，本发明实施例提供了一种计算机可读存储介质，所述计算机存储介质存储有计算机程序，所述计算机程序被处理器执行以实现上述第一方面的方法。
本发明实施例可以获取大数据平台的数据库中与业务相关联的在预设时间范围内的一个或多个业务规则的评价数据，所述评价数据包括所述一个或多个业务规则中各个业务规则的优先级数据；将所述各个业务规则的评价数据作为训练集，并将所述训练集输入预设的机器学习模型进行训练，得到规则优先级预测模型；获取所述大数据平台的数据库中与目标业务相关联的第一业务规则的评价数据，并将所述第一业务规则的评价数据输入所述规则优先级预测模型，确定所述第一业务规则对应的目标优先级；根据所述目标优先级调整所述第一业务规则的当前优先级，并根据调整后的目标优先级生成第二业务规则，以及对所述第二业务规则进行验证，当验证成功时，确认发布所述第二业务规则。本发明实施例通过在模型训练中添加包括优先级数据的业务规则的评价数据，实现了对业务规则优先级的智能调整，提高了业务规则数据处理的准确率和效率。
附图说明
为了更清楚地说明本发明实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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是本发明实施例提供的一种基于大数据的业务规则数据处理方法的示意流程图；
图2是本发明实施例提供的一种业务规则的规则信息的示意图；
图3是本发明实施例提供的一种基于大数据的业务规则数据处理装置的示意框图；
图4是本发明实施例提供的一种计算机设备的示意框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例提供的基于大数据的业务规则数据处理方法可以应用于一种基于大数据的业务规则数据处理装置，在某些实施例中，所述基于大数据的业务规则数据处理装置设置于数据管理平台中，在某些实施例中，所述数据管理平台与大数据平台建立通信连接。在某些实施例中，所述数据管理平台可以为计算机设备，在某些实施例中，所述计算机设备包括但不限于智能手机、平板电脑、膝上型电脑等中的一种或者多种。
本发明实施例可以获取大数据平台的数据库中与业务相关联的在预设时间范围内的一个或多个业务规则的评价数据，所述评价数据包括所述一个或多个业务规则中各个业务规则的优先级数据；将所述各个业务规则的评价数据作为训练集，并将所述训练集输入预设的机器学习模型进行训练，得到规则优先级预测模型；获取所述大数据平台的数据库中与目标业务相关联的第一业务规则的评价数据，并将所述第一业务规则的评价数据输入所述规则优先级预测模型，确定所述第一业务规则对应的目标优先级；根据所述目标优先级调整所述第一业务规则的当前优先级，并根据调整后的目标优先级生成第二业务规则，以及对所述第二业务规则进行验证，当验证成功时，确认发布所述第二业务规则。
本发明实施例通过在模型训练中添加包括优先级数据的各个业务规则的评价数据训练得到规则优先级预测模型，实现了对业务规则优先级的智能调整，有助于提高调整业务规则的效率和准确率。
本申请实施例可以基于人工智能技术对相关的数据(如评价数据、业务规则等)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。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
本申请实施例能够应用于多种不同的领域中，如，医疗业务领域、金融业务领域等。
在一种可能的实现方式中，在医疗业务领域中，所述数据可以是与医疗业务相关联的医疗数据，如与医疗业务相关联的医疗设备数据、医疗业务的功能使用数据等。
下面结合附图1对本发明实施例提供的基于大数据的业务规则数据处理方法进行示意性说明。
请参见图1，图1是本发明实施例提供的一种基于大数据的业务规则数据处理方法的示意流程图，如图1所示，该方法可以由基于大数据的业务规则数据处理装置执行，所述基于大数据的业务规则数据处理装置设置于数据管理平台，所述数据管理平台与大数据平台通信连接，所述数据管理平台可以是计算机设备。具体地，本发明实施例的所述方法包括如下步骤。
S101：获取大数据平台的数据库中与业务相关联的在预设时间范围内的一个或多个业务规则的评价数据，所述评价数据包括所述一个或多个业务规则中各个业务规则的优先级数据。
本发明实施例中，基于大数据的业务规则数据处理装置可以获取大数据平台的数据库中与业务相关联的在预设时间范围内的一个或多个业务规则的评价数据，所述评价数据包括所述一个或多个业务规则中各个业务规则的优先级数据。
在某些实施例中，所述评价数据还包括所述一个或多个业务规则中各个业务规则的优先级数据、精准度数据、报警数据等。
在某些实施例中，所述优先级数据包括所述一个或多个业务规则中各个业务规则对应的优先级区间，例如，业务规则1对应的优先级区间为[8000,9000)；所述报警数据包括所述一个或多个业务规则中各个业务规则的报警量等，例如，业务规则1的报警量为20；所述精准度数据包括所述一个或多个业务规则中各个业务规则的评价数据的精准度，该精准度可以是根据各个业务规则的评价数据与预设的评价数据计算得到，例如，业务规则1的精准度为200。
在一些实施例中，所述大数据平台的数据库中存储的各个业务规则的评价数据是大数据平台根据各个业务规则的信息计算得到的，所述业务规则的信息包括但不限于规则码、交易流水信息、报警规则信息等中的一种或多种。
在某些实施例中，所述评价数据包括但不限于各个业务规则的日均报警量、独立覆盖率、规则覆盖率、规则覆盖伪冒卡数等信息。
在某些实施例中，所述规则码用于指示不同业务规则的标识，在某些实施例中，所述标识包括但不限于中文、英文、字母、数字等字符。
S102：将所述各个业务规则的评价数据作为训练集，并将所述训练集输入预设的机器学习模型进行训练，得到规则优先级预测模型。
本发明实施例中，基于大数据的业务规则数据处理装置可以将所述各个业务规则的评价数据作为训练集，并将所述训练集输入预设的机器学习模型进行训练，得到规则优先级预测模型。
在一个实施例中，基于大数据的业务规则数据处理装置在将所述训练集输入预设的机器学习模型进行训练，得到规则优先级预测模型时，可以从所述训练集的所述各个业务规则的评价数据中提取评价特征向量；并将所述评价特征向量输入所述预设的机器学习模型进行训练，得到所述规则优先级预测模型。
在某些实施例中，所述评价特征向量包括各个业务规则的优先级向量、精准度向量和报警向量。
在一个实施例中，所述评价数据还包括各个业务规则的优先级数据、精准度数据以及报警数据；基于大数据的业务规则数据处理装置在从所述训练集的所述各个业务规则的评价数据中提取评价特征向量时，可以从所述各个业务规则的优先级数据中提取优先级向量，从所述精准度数据中提取精准度向量，以及从所述报警数据中提取报警向量。
在一个实施例中，基于大数据的业务规则数据处理装置在将所述评价特征向量输入所述预设的机器学习模型进行训练，得到所述规则优先级预测模型时，可以将所述各个业务规则的评价数据对应的优先级向量、精准度向量和报警向量输入所述机器学习模型，得到损失函数值；将所述损失函数值与目标损失函数值进行对比，当对比结果不满足预设条件时，根据所述对比结果调整所述机器学习模型的模型参数；将所述各个业务规则的评价数据对应的优先级向量、精准度向量和报警向量输入调整模型参数后的机器学习模型中进行重新训练；当重新训练得到的损失函数值与目标损失函数值的对比结果满足所述预设条件时，确定得到所述规则优先级预测模型。
在一个实施例中，基于大数据的业务规则数据处理装置在将所述各个业务规则的评价数据对应的优先级向量、精准度向量和报警向量输入所述机器学习模型，得到损失函数值时，可以将所述各个业务规则的评价数据对应的优先级向量、精准度向量和报警向量输入所述机器学习模型的第一网络层中，得到与所述各个业务规则的评价数据对应的目标向量特征；并将所述目标向量特征输入所述机器学习模型的第二网络层中，得到所述损失函数值。
在一个实施例中，基于大数据的业务规则数据处理装置在将所述目标向量特征输入所述机器学习模型的第二网络层中，得到所述损失函数值时，可以将所述目标向量特征输入所述机器学习模型的第二网络层中，预测得到训练集中的各个业务规则对应的预测优先级，并根据预测得到训练集中的各个业务规则对应的预测优先级确定所述损失函数值。
在一个实施例中，所述第一网络层包括第一层、第二层、第三层；基于大数据的业务规则数据处理装置在将所述各个业务规则的评价数据对应的优先级向量、精准度向量和报警向量输入所述机器学习模型的第一网络层中，得到与所述各个业务规则的评价数据对应的目标向量特征时，可以将所述优先级向量输入所述第一层中，得到所述优先级向量对应的第一向量特征；并将所述第一向量特征和所述精准度向量输入所述第二层中，得到与所述第一向量特征和所述精准度向量对应的第二向量特征；以及将所述第一向量特征、所述第二向量特征和所述报警向量输入所述第三层中，得到所述第一向量特征、所述第二向量特征和所述报警向量对应的目标向量特征。在某些实施例中，所述机器学习模型可以包括但不限于Roberta模型等。
在一个示例中，基于大数据的业务规则数据处理装置可以将从各个业务规则的优先级数据中提取的优先级向量A输入机器学习模型的第一层中，得到所述优先级向量A对应的第一向量特征；并将所述第一向量特征和从各个业务规则的评价数据的精准度数据中提取的精准度向量B输入机器学习模型的第二层中，得到与所述第一向量特征和所述精准度向量B对应的第二向量特征；以及将所述第一向量特征、所述第二向量特征和从各个业务规则的评价数据的报警数据中提取的报警向量C输入所述第三层中，得到所述第一向量特征、所述第二向量特征和所述报警向量C对应的目标向量特征D。
S103：获取所述大数据平台的数据库中与目标业务相关联的第一业务规则的评价数据，并将所述第一业务规则的评价数据输入所述规则优先级预测模型，确定所述第一业务规则对应的目标优先级。
本发明实施例中，基于大数据的业务规则数据处理装置可以获取所述大数据平台的数据库中与目标业务相关联的第一业务规则的评价数据，并将所述第一业务规则的评价数据输入所述规则优先级预测模型，确定所述第一业务规则对应的目标优先级。
在一个实施例中，基于大数据的业务规则数据处理装置在将所述第一业务规则的评价数据输入所述规则优先级预测模型，确定所述第一业务规则对应的目标优先级时，可以所述第一业务规则的评价数据输入所述规则优先级预测模型，得到与所述第一业务规则的评价数据对应的优先级区间；从所述大数据平台的数据库中与业务相关联的所述一个或多个业务规则中获取除所述第一业务规则以外的一个或多个第三业务规则，从所述优先级区间中选取未被所述一个或多个第三业务规则所使用的目标优先级，并确认所述目标优先级为所述第一业务规则的优先级。在某些实施例中，所述第三业务规则是所述大数据平台的数据库中与业务相关联的除所述第一业务规则以外的业务规则。
在一个示例中，假设基于大数据的业务规则数据处理装置将第一业务规则F111(自助交易)的评价数据输入规则优先级预测模型，得到与所述第一业务规则的评价数据对应的优先级区间为[8000,9000)，如果第一业务规则的当前优先级为2020，报警量为20，规则精准度为200，如果第一业务规则F111符合报警量20在[30,30)之间，精准度200在[300,300)之间，则可以从第一业务规则F111的优先级区间[8000,9000)中选取未被除所述第一业务规则以外的第三业务规则所使用的一个目标优先级，并确认所述目标优先级为所述第一业务规则F111的优先级。
在一个实施例中，基于大数据的业务规则数据处理装置在从所述优先级区间中选取未被所述一个或多个第三业务规则所使用的目标优先级时，可以检测所述优先级区间中的各个优先级是否均被所述一个或多个业务规则使用；如果检测结果为是，则从所述一个或多个第三业务规则中确定待调整业务规则，并将所述待调整业务规则的优先级调整为未被所述一个或多个第三业务规则使用的待选优先级，以及确定所述待调整业务规则调整前的优先级为所述目标优先级；如果检测结果为否，则获取未被所述一个或多个第三业务规则使用的一个或多个优先级，并从所述一个或多个优先级的各个优先级中选取最大优先级为所述目标优先级。
在一种实施方式中，基于大数据的业务规则数据处理装置如果检测到所述优先级区间中的各个优先级均被所述一个或多个第三业务规则使用，则可以从所述一个或多个第三业务规则中选取一个业务规则可调整的待调整业务规则，将所述待调整业务规则的优先级调整为所述待调整业务规则对应的优先级区间中未被一个或多个第三业务规则使用的待选优先级，并确定所述待调整业务规则调整前的优先级为所述目标优先级。
在一些实施例中，基于大数据的业务规则数据处理装置在从所述一个或多个第三业务规则中选取一个业务规则可调整的待调整业务规则时，可以随机选取一个业务规则可调整的待调整业务规则。
在一些实施例中，基于大数据的业务规则数据处理装置在从所述一个或多个第三业务规则中选取一个业务规则可调整的待调整业务规则时，可以从一个或多个第三业务规则中选取使用所述优先级区间中的最高优先级业务规则为待调整业务规则。
在某些实施例中，本发明实施例对从使用所述优先级区间中的各个优先级的其他业务规则中选取待调整业务规则的方法不做具体限定。
例如，基于大数据的业务规则数据处理装置如果检测到第一业务规则F111的优先级区间[8000,9000)中的各个优先级均被一个或多个第三业务规则使用，第一业务规则F111当前的优先级为8600，则可以从所述一个或多个第三业务规则中选取一个业务规则可调整的待调整业务规则F112，将所述待调整业务规则F112的优先级调整为所述待调整业务规则F112对应的优先级区间[7100,8100)中未被一个或多个第三业务规则使用的待选优先级7300，并确定所述待调整业务规则调整前的优先级8600为所述目标优先级。
在一种实施方式中，基于大数据的业务规则数据处理装置如果检测到所述优先级区间中存在未被一个或多个第三业务规则使用的一个或多个优先级，则可以获取未被所述一个或多个第三业务规则使用的一个或多个优先级，并从所述一个或多个优先级的各个优先级中选取最大优先级为所述目标优先级。
例如，基于大数据的业务规则数据处理装置如果检测到第一业务规则F111的优先级区间[8000,9000)中存在未被一个或多个第三业务规则使用的一个或多个优先级，假设第一业务规则F111当前的优先级为8600，则可以获取未被所述一个或多个第三业务规则使用的一个或多个优先级8200、8200和8800，并从所述一个或多个优先级的各个优先级中选取最大优先级8800为所述目标优先级。
S104：根据所述目标优先级调整所述第一业务规则的当前优先级，并根据调整后的目标优先级生成第二业务规则，以及对所述第二业务规则进行验证，当验证成功时，确认发布所述第二业务规则。
本发明实施例中，基于大数据的业务规则数据处理装置可以根据所述目标优先级调整所述第一业务规则的当前优先级，并根据调整后的目标优先级生成第二业务规则，以及对所述第二业务规则进行验证，当验证成功时，确认发布所述第二业务规则。
在一个实施例中，基于大数据的业务规则数据处理装置在对所述第二业务规则进行验证时，可以获取所述第二业务规则的规则信息，并将所述第二业务规则的规则信息与预设的第二业务规则的规则信息进行对比，如果对比结果一致，则确定验证成功。在某些实施例中，所述规则信息包括但不限于规则代码、规则名称、优先级、决策、生产版本号、编辑版本号、规则集等信息，具体规则信息的例子如图2所示，图2是本发明实施例提供的一种业务规则的规则信息的示意图。
在一个实施例中，基于大数据的业务规则数据处理装置在确认发布所述第二业务规则时，可以向大数据平台发送业务规则发布指令，所述业务规则发布指令用于指示所述大数据平台重新发布与目标业务相关联的第二业务规则，并覆盖原来与目标业务相关联的第一业务规则，从而实现将与目标业务相关联的第一业务规则替换为第二业务规则。
本发明实施例中，基于大数据的业务规则数据处理装置可以获取大数据平台的数据库中与业务相关联的在预设时间范围内的一个或多个业务规则的评价数据，所述评价数据包括所述一个或多个业务规则中各个业务规则的优先级数据；将所述各个业务规则的评价数据作为训练集，并将所述训练集输入预设的机器学习模型进行训练，得到规则优先级预测模型；获取所述大数据平台的数据库中与目标业务相关联的第一业务规则的评价数据，并将所述第一业务规则的评价数据输入所述规则优先级预测模型，确定所述第一业务规则对应的目标优先级；根据所述目标优先级调整所述第一业务规则的当前优先级，并根据调整后的目标优先级生成第二业务规则，以及对所述第二业务规则进行验证，当验证成功时，确认发布所述第二业务规则。本发明实施例通过在模型训练中添加包括优先级数据的业务规则的评价数据优化训练得到规则优先级预测模型，能够更精确地确定业务规则的优先级区间，实现了对业务规则优先级的智能调整，提高了调整业务规则的准确率和效率。
本发明实施例还提供了一种基于大数据的业务规则数据处理装置，该基于大数据的业务规则数据处理装置用于执行前述任一项所述的方法的单元。具体地，参见图3，图3是本发明实施例提供的一种基于大数据的业务规则数据处理装置的示意框图。本实施例的基于大数据的业务规则数据处理装置包括：获取单元301、训练单元302、确定单元303以及调整单元304。
获取单元301，用于获取大数据平台的数据库中与业务相关联的在预设时间范围内的一个或多个业务规则的评价数据，所述评价数据包括所述一个或多个业务规则中各个业务规则的优先级数据；
训练单元302，用于将所述各个业务规则的评价数据作为训练集，并将所述训练集输入预设的机器学习模型进行训练，得到规则优先级预测模型；
确定单元303，用于获取所述大数据平台的数据库中与目标业务相关联的第一业务规则的评价数据，并将所述第一业务规则的评价数据输入所述规则优先级预测模型，确定所述第一业务规则对应的目标优先级；
调整单元304，用于根据所述目标优先级调整所述第一业务规则的当前优先级，并根据调整后的目标优先级生成第二业务规则，以及对所述第二业务规则进行验证，当验证成功时，确认发布所述第二业务规则。
进一步地，所述确定单元303将所述第一业务规则的评价数据输入所述规则优先级预测模型，确定所述第一业务规则对应的目标优先级时，具体用于：
将所述第一业务规则的评价数据输入所述规则优先级预测模型，得到与所述第一业务规则的评价数据对应的优先级区间；
从所述大数据平台的数据库中与业务相关联的所述一个或多个业务规则中获取除所述第一业务规则以外的一个或多个第三业务规则，从所述优先级区间中选取未被所述一个或多个第三业务规则所使用的目标优先级，并确认所述目标优先级为所述第一业务规则的优先级。
进一步地，所述确定单元303从所述优先级区间中选取未被所述一个或多个第三业务规则所使用的目标优先级时，具体用于：
检测所述优先级区间中的各个优先级是否均被所述一个或多个业务规则使用；
如果检测结果为是，则从所述一个或多个第三业务规则中确定待调整业务规则，并将所述待调整业务规则的优先级调整为未被所述一个或多个第三业务规则使用的待选优先级，以及确定所述待调整业务规则调整前的优先级为所述目标优先级；
如果检测结果为否，则获取未被所述一个或多个第三业务规则使用的一个或多个优先级，并从所述一个或多个优先级的各个优先级中选取最大优先级为所述目标优先级。
进一步地，所述训练单元302将所述训练集输入预设的机器学习模型进行训练，得到规则优先级预测模型时，具体用于：
从所述训练集的所述各个业务规则的评价数据中提取评价特征向量；
将所述评价特征向量输入所述预设的机器学习模型进行训练，得到所述规则优先级预测模型。
进一步地，所述评价数据还包括各个业务规则的优先级数据、精准度数据以及报警数据；所述训练单元302从所述训练集的所述各个业务规则的评价数据中提取评价特征向量时，具体用于：
从所述各个业务规则的优先级数据中提取优先级向量，从所述精准度数据中提取精准度向量，以及从所述报警数据中提取报警向量；
所述训练单元302将所述评价特征向量输入所述预设的机器学习模型进行训练，得到所述规则优先级预测模型时，具体用于：
将所述各个业务规则的评价数据对应的优先级向量、精准度向量和报警向量输入所述机器学习模型，得到损失函数值；
将所述损失函数值与目标损失函数值进行对比，当对比结果不满足预设条件时，根据所述对比结果调整所述机器学习模型的模型参数；
将所述各个业务规则的评价数据对应的优先级向量、精准度向量和报警向量输入调整模型参数后的机器学习模型中进行重新训练；
当重新训练得到的损失函数值与目标损失函数值的对比结果满足所述预设条件时，确定得到所述规则优先级预测模型。
进一步地，所述训练单元302将所述各个业务规则的评价数据对应的优先级向量、精准度向量和报警向量输入所述机器学习模型，得到损失函数值时，具体用于：
将所述各个业务规则的评价数据对应的优先级向量、精准度向量和报警向量输入所述机器学习模型的第一网络层中，得到与所述各个业务规则的评价数据对应的目标向量特征；
将所述目标向量特征输入所述机器学习模型的第二网络层中，得到所述损失函数值。
进一步地，所述第一网络层包括第一层、第二层、第三层；所述训练单元302将所述各个业务规则的评价数据对应的优先级向量、精准度向量和报警向量输入所述机器学习模型的第一网络层中，得到与所述各个业务规则的评价数据对应的目标向量特征时，具体用于：
将所述优先级向量输入所述第一层中，得到所述优先级向量对应的第一向量特征；
将所述第一向量特征和所述精准度向量输入所述第二层中，得到与所述第一向量特征和所述精准度向量对应的第二向量特征；
将所述第一向量特征、所述第二向量特征和所述报警向量输入所述第三层中，得到所述第一向量特征、所述第二向量特征和所述报警向量对应的目标向量特征。
本发明实施例中，基于大数据的业务规则数据处理装置可以获取大数据平台的数据库中与业务相关联的在预设时间范围内的一个或多个业务规则的评价数据，所述评价数据包括所述一个或多个业务规则中各个业务规则的优先级数据；将所述各个业务规则的评价数据作为训练集，并将所述训练集输入预设的机器学习模型进行训练，得到规则优先级预测模型；获取所述大数据平台的数据库中与目标业务相关联的第一业务规则的评价数据，并将所述第一业务规则的评价数据输入所述规则优先级预测模型，确定所述第一业务规则对应的目标优先级；根据所述目标优先级调整所述第一业务规则的当前优先级，并根据调整后的目标优先级生成第二业务规则，以及对所述第二业务规则进行验证，当验证成功时，确认发布所述第二业务规则。本发明实施例通过在模型训练中添加包括优先级数据的业务规则的评价数据优化训练得到规则优先级预测模型，能够更精确地确定业务规则的优先级区间，实现了对业务规则优先级的智能调整，提高了调整业务规则的准确率和效率。
参见图4，图4是本发明实施例提供的一种计算机设备的示意框图，在某些实施例中，如图4所示的本实施例中的计算机设备可以包括：一个或多个处理器401；一个或多个输入设备402，一个或多个输出设备403和存储器404。上述处理器401、输入设备402、输出设备403和存储器404通过总线405连接。存储器404用于存储计算机程序，所述计算机程序包括程序，处理器401用于执行存储器404存储的程序。其中，处理器401被配置用于调用所述程序执行：
获取大数据平台的数据库中与业务相关联的在预设时间范围内的一个或多个业务规则的评价数据，所述评价数据包括所述一个或多个业务规则中各个业务规则的优先级数据；
将所述各个业务规则的评价数据作为训练集，并将所述训练集输入预设的机器学习模型进行训练，得到规则优先级预测模型；
获取所述大数据平台的数据库中与目标业务相关联的第一业务规则的评价数据，并将所述第一业务规则的评价数据输入所述规则优先级预测模型，确定所述第一业务规则对应的目标优先级；
根据所述目标优先级调整所述第一业务规则的当前优先级，并根据调整后的目标优先级生成第二业务规则，以及对所述第二业务规则进行验证，当验证成功时，确认发布所述第二业务规则。
进一步地，所述处理器401将所述第一业务规则的评价数据输入所述规则优先级预测模型，确定所述第一业务规则对应的目标优先级时，具体用于：
将所述第一业务规则的评价数据输入所述规则优先级预测模型，得到与所述第一业务规则的评价数据对应的优先级区间；
从所述大数据平台的数据库中与业务相关联的所述一个或多个业务规则中获取除所述第一业务规则以外的一个或多个第三业务规则，从所述优先级区间中选取未被所述一个或多个第三业务规则所使用的目标优先级，并确认所述目标优先级为所述第一业务规则的优先级。
进一步地，所述处理器401从所述优先级区间中选取未被所述一个或多个第三业务规则所使用的目标优先级时，具体用于：
检测所述优先级区间中的各个优先级是否均被所述一个或多个业务规则使用；
如果检测结果为是，则从所述一个或多个第三业务规则中确定待调整业务规则，并将所述待调整业务规则的优先级调整为未被所述一个或多个第三业务规则使用的待选优先级，以及确定所述待调整业务规则调整前的优先级为所述目标优先级；
如果检测结果为否，则获取未被所述一个或多个第三业务规则使用的一个或多个优先级，并从所述一个或多个优先级的各个优先级中选取最大优先级为所述目标优先级。
进一步地，所述处理器401将所述训练集输入预设的机器学习模型进行训练，得到规则优先级预测模型时，具体用于：
从所述训练集的所述各个业务规则的评价数据中提取评价特征向量；
将所述评价特征向量输入所述预设的机器学习模型进行训练，得到所述规则优先级预测模型。
进一步地，所述评价数据还包括各个业务规则的优先级数据、精准度数据以及报警数据；所述处理器401从所述训练集的所述各个业务规则的评价数据中提取评价特征向量时，具体用于：
从所述各个业务规则的优先级数据中提取优先级向量，从所述精准度数据中提取精准度向量，以及从所述报警数据中提取报警向量；
所述处理器401将所述评价特征向量输入所述预设的机器学习模型进行训练，得到所述规则优先级预测模型时，具体用于：
将所述各个业务规则的评价数据对应的优先级向量、精准度向量和报警向量输入所述机器学习模型，得到损失函数值；
将所述损失函数值与目标损失函数值进行对比，当对比结果不满足预设条件时，根据所述对比结果调整所述机器学习模型的模型参数；
将所述各个业务规则的评价数据对应的优先级向量、精准度向量和报警向量输入调整模型参数后的机器学习模型中进行重新训练；
当重新训练得到的损失函数值与目标损失函数值的对比结果满足所述预设条件时，确定得到所述规则优先级预测模型。
进一步地，所述处理器401将所述各个业务规则的评价数据对应的优先级向量、精准度向量和报警向量输入所述机器学习模型，得到损失函数值时，具体用于：
将所述各个业务规则的评价数据对应的优先级向量、精准度向量和报警向量输入所述机器学习模型的第一网络层中，得到与所述各个业务规则的评价数据对应的目标向量特征；
将所述目标向量特征输入所述机器学习模型的第二网络层中，得到所述损失函数值。
进一步地，所述第一网络层包括第一层、第二层、第三层；所述处理器301将所述各个业务规则的评价数据对应的优先级向量、精准度向量和报警向量输入所述机器学习模型的第一网络层中，得到与所述各个业务规则的评价数据对应的目标向量特征时，具体用于：
将所述优先级向量输入所述第一层中，得到所述优先级向量对应的第一向量特征；
将所述第一向量特征和所述精准度向量输入所述第二层中，得到与所述第一向量特征和所述精准度向量对应的第二向量特征；
将所述第一向量特征、所述第二向量特征和所述报警向量输入所述第三层中，得到所述第一向量特征、所述第二向量特征和所述报警向量对应的目标向量特征。
本发明实施例中，计算机设备可以获取大数据平台的数据库中与业务相关联的在预设时间范围内的一个或多个业务规则的评价数据，所述评价数据包括所述一个或多个业务规则中各个业务规则的优先级数据；将所述各个业务规则的评价数据作为训练集，并将所述训练集输入预设的机器学习模型进行训练，得到规则优先级预测模型；获取所述大数据平台的数据库中与目标业务相关联的第一业务规则的评价数据，并将所述第一业务规则的评价数据输入所述规则优先级预测模型，确定所述第一业务规则对应的目标优先级；根据所述目标优先级调整所述第一业务规则的当前优先级，并根据调整后的目标优先级生成第二业务规则，以及对所述第二业务规则进行验证，当验证成功时，确认发布所述第二业务规则。本发明实施例通过在模型训练中添加包括优先级数据的业务规则的评价数据优化训练得到规则优先级预测模型，能够更精确地确定业务规则的优先级区间，实现了对业务规则优先级的智能调整，提高了调整业务规则的准确率和效率。
应当理解，在本发明实施例中，所称处理器401可以是中央处理单元(CentralProcessing Unit，CPU)，该处理器还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
输入设备402可以包括触控板、麦克风等，输出设备403可以包括显示器(LCD等)、扬声器等。
该存储器404可以包括只读存储器和随机存取存储器，并向处理器401提供指令和数据。存储器404的一部分还可以包括非易失性随机存取存储器。例如，存储器404还可以存储设备类型的信息。
具体实现中，本发明实施例中所描述的处理器401、输入设备402、输出设备403可执行本发明实施例提供的图1所述的方法实施例中所描述的实现方式，也可执行本发明实施例图3所描述的基于大数据的业务规则数据处理装置的实现方式，在此不再赘述。
本发明实施例中还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现图1所对应实施例中描述的基于大数据的业务规则数据处理方法，也可实现本发明图3所对应实施例的基于大数据的业务规则数据处理装置，在此不再赘述。
所述计算机可读存储介质可以是前述任一实施例所述的基于大数据的业务规则数据处理装置的内部存储单元，例如基于大数据的业务规则数据处理装置的硬盘或内存。所述计算机可读存储介质也可以是所述基于大数据的业务规则数据处理装置的外部存储装置，例如所述基于大数据的业务规则数据处理装置上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述计算机可读存储介质还可以既包括所述基于大数据的业务规则数据处理装置的内部存储单元也包括外部存储装置。所述计算机可读存储介质用于存储所述计算机程序以及所述基于大数据的业务规则数据处理装置所需的其他程序和数据。所述计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
所述集成的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，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或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计算机可读存储介质中，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，终端，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的计算机可读存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。所述的计算机可读存储介质可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。
需要强调的是，为进一步保证上述数据的私密和安全性，上述数据还可以存储于一区块链的节点中。其中，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。
以上所述，仅为本发明的部分实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种基于大数据的业务规则数据处理方法，其特征在于，应用于数据管理平台，所述数据管理平台与大数据平台通信连接，所述方法包括：
获取大数据平台的数据库中与业务相关联的在预设时间范围内的一个或多个业务规则的评价数据，所述评价数据包括所述一个或多个业务规则中各个业务规则的优先级数据；
将所述各个业务规则的评价数据作为训练集，并将所述训练集输入预设的机器学习模型进行训练，得到规则优先级预测模型；
获取所述大数据平台的数据库中与目标业务相关联的第一业务规则的评价数据，并将所述第一业务规则的评价数据输入所述规则优先级预测模型，确定所述第一业务规则对应的目标优先级；
根据所述目标优先级调整所述第一业务规则的当前优先级，并根据调整后的目标优先级生成第二业务规则，以及对所述第二业务规则进行验证，当验证成功时，确认发布所述第二业务规则。
2.根据权利要求1所述的方法，其特征在于，所述将所述第一业务规则的评价数据输入所述规则优先级预测模型，确定所述第一业务规则对应的目标优先级，包括：
将所述第一业务规则的评价数据输入所述规则优先级预测模型，得到与所述第一业务规则的评价数据对应的优先级区间；
从所述大数据平台的数据库中与业务相关联的所述一个或多个业务规则中获取除所述第一业务规则以外的一个或多个第三业务规则，从所述优先级区间中选取未被所述一个或多个第三业务规则所使用的目标优先级，并确认所述目标优先级为所述第一业务规则的优先级。
3.根据权利要求2所述的方法，其特征在于，所述从所述优先级区间中选取未被所述一个或多个第三业务规则所使用的目标优先级，包括：
检测所述优先级区间中的各个优先级是否均被所述一个或多个业务规则使用；
如果检测结果为是，则从所述一个或多个第三业务规则中确定待调整业务规则，并将所述待调整业务规则的优先级调整为未被所述一个或多个第三业务规则使用的待选优先级，以及确定所述待调整业务规则调整前的优先级为所述目标优先级；
如果检测结果为否，则获取未被所述一个或多个第三业务规则使用的一个或多个优先级，并从所述一个或多个优先级的各个优先级中选取最大优先级为所述目标优先级。
4.根据权利要求1所述的方法，其特征在于，所述将所述训练集输入预设的机器学习模型进行训练，得到规则优先级预测模型，包括：
从所述训练集的所述各个业务规则的评价数据中提取评价特征向量；
将所述评价特征向量输入所述预设的机器学习模型进行训练，得到所述规则优先级预测模型。
5.根据权利要求4所述的方法，其特征在于，所述评价数据还包括各个业务规则的优先级数据、精准度数据以及报警数据；所述从所述训练集的所述各个业务规则的评价数据中提取评价特征向量，包括：
从所述各个业务规则的优先级数据中提取优先级向量，从所述精准度数据中提取精准度向量，以及从所述报警数据中提取报警向量；
所述将所述评价特征向量输入所述预设的机器学习模型进行训练，得到所述规则优先级预测模型，包括：
将所述各个业务规则的评价数据对应的优先级向量、精准度向量和报警向量输入所述机器学习模型，得到损失函数值；
将所述损失函数值与目标损失函数值进行对比，当对比结果不满足预设条件时，根据所述对比结果调整所述机器学习模型的模型参数；
将所述各个业务规则的评价数据对应的优先级向量、精准度向量和报警向量输入调整模型参数后的机器学习模型中进行重新训练；
当重新训练得到的损失函数值与目标损失函数值的对比结果满足所述预设条件时，确定得到所述规则优先级预测模型。
6.根据权利要求5所述的方法，其特征在于，所述将所述各个业务规则的评价数据对应的优先级向量、精准度向量和报警向量输入所述机器学习模型，得到损失函数值，包括：
将所述各个业务规则的评价数据对应的优先级向量、精准度向量和报警向量输入所述机器学习模型的第一网络层中，得到与所述各个业务规则的评价数据对应的目标向量特征；
将所述目标向量特征输入所述机器学习模型的第二网络层中，得到所述损失函数值。
7.根据权利要求6所述的方法，其特征在于，所述第一网络层包括第一层、第二层、第三层；所述将所述各个业务规则的评价数据对应的优先级向量、精准度向量和报警向量输入所述机器学习模型的第一网络层中，得到与所述各个业务规则的评价数据对应的目标向量特征，包括：
将所述优先级向量输入所述第一层中，得到所述优先级向量对应的第一向量特征；
将所述第一向量特征和所述精准度向量输入所述第二层中，得到与所述第一向量特征和所述精准度向量对应的第二向量特征；
将所述第一向量特征、所述第二向量特征和所述报警向量输入所述第三层中，得到所述第一向量特征、所述第二向量特征和所述报警向量对应的目标向量特征。
8.一种基于大数据的业务规则数据处理装置，其特征在于，应用于数据管理平台，所述数据管理平台与大数据平台通信连接，所述装置包括：
获取单元，用于获取大数据平台的数据库中与业务相关联的在预设时间范围内的一个或多个业务规则的评价数据，所述评价数据包括所述一个或多个业务规则中各个业务规则的优先级数据；
训练单元，用于将所述各个业务规则的评价数据作为训练集，并将所述训练集输入预设的机器学习模型进行训练，得到规则优先级预测模型；
确定单元，用于获取所述大数据平台的数据库中与目标业务相关联的第一业务规则的评价数据，并将所述第一业务规则的评价数据输入所述规则优先级预测模型，确定所述第一业务规则对应的目标优先级；
调整单元，用于根据所述目标优先级调整所述第一业务规则的当前优先级，并根据调整后的目标优先级生成第二业务规则，以及对所述第二业务规则进行验证，当验证成功时，确认发布所述第二业务规则。
9.一种计算机设备，其特征在于，包括处理器和存储器，其中，所述存储器用于存储计算机程序，所述处理器被配置用于调用所述计算机程序，执行如权利要求1-7任一项所述的方法。
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存储有计算机程序，所述计算机程序被处理器执行以实现权利要求1-7任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111194981.4A CN113869525A (zh) | 2021-10-13 | 2021-10-13 | 基于大数据的业务规则数据处理方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111194981.4A CN113869525A (zh) | 2021-10-13 | 2021-10-13 | 基于大数据的业务规则数据处理方法、装置、设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113869525A true CN113869525A (zh) | 2021-12-31 |
Family
ID=78999524
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111194981.4A Pending CN113869525A (zh) | 2021-10-13 | 2021-10-13 | 基于大数据的业务规则数据处理方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113869525A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115618377A (zh) * | 2022-09-27 | 2023-01-17 | 黄星 | 一种数据保密处理方法、系统及云平台 |
-
2021
- 2021-10-13 CN CN202111194981.4A patent/CN113869525A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115618377A (zh) * | 2022-09-27 | 2023-01-17 | 黄星 | 一种数据保密处理方法、系统及云平台 |
| CN115618377B (zh) * | 2022-09-27 | 2023-10-27 | 北京国联视讯信息技术股份有限公司 | 一种数据保密处理方法、系统及云平台 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106650350B (zh) | 一种身份认证方法及系统 | |
| CN110751041A (zh) | 证件真伪验证方法、系统、计算机设备及可读存储介质 | |
| CN110741387B (zh) | 人脸识别方法、装置、存储介质及电子设备 | |
| CN112214402B (zh) | 一种代码验证算法的选择方法、装置及存储介质 | |
| CN107680221A (zh) | 开门方法及装置、门禁装置和计算机可读存储介质 | |
| CN112468975A (zh) | 一种模拟卡的管理方法、装置、介质及电子设备 | |
| CN104346550A (zh) | 一种信息处理方法以及一种电子设备 | |
| CN110414197B (zh) | 基于行为特征的银行用户身份验证方法及装置 | |
| CN113707157B (zh) | 基于声纹识别的身份验证方法、装置、电子设备及介质 | |
| CN113869525A (zh) | 基于大数据的业务规则数据处理方法、装置、设备及介质 | |
| CN105099700A (zh) | 一种认证方法、服务器及系统 | |
| CN113705792A (zh) | 基于深度学习模型的个性化推荐方法、装置、设备及介质 | |
| CN116151965B (zh) | 一种风险特征提取方法、装置、电子设备及存储介质 | |
| CN112258317A (zh) | 基于人工智能的线上信贷方法、装置、计算机设备及介质 | |
| CN109299948A (zh) | 一种红包发送方法、装置、可穿戴设备及存储介质 | |
| CN115658976A (zh) | 基于局部敏感哈希的设备指纹分析方法及系统 | |
| CN113780580A (zh) | 基于机器学习的数据分析方法、装置、设备及存储介质 | |
| CN115378806A (zh) | 流量分配方法、装置、计算机设备及存储介质 | |
| JP6349062B2 (ja) | 認証システム、クライアント端末、認証サーバー、端末プログラム及びサーバープログラム | |
| CN112085469B (zh) | 基于向量机模型的数据审批方法、装置、设备及存储介质 | |
| CN112992151A (zh) | 语音识别方法、系统、设备和可读存储介质 | |
| CN111681010A (zh) | 一种交易验证方法及装置 | |
| CN112184237A (zh) | 一种数据处理方法、装置及计算机可读存储介质 | |
| CN111931148A (zh) | 图像处理方法、装置和电子设备 | |
| JP7435908B2 (ja) | 認証システム、処理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 |