CN114185967A - 一种基于云计算的金融数据挖掘方法 - Google Patents
一种基于云计算的金融数据挖掘方法 Download PDFInfo
- Publication number
- CN114185967A CN114185967A CN202111507811.7A CN202111507811A CN114185967A CN 114185967 A CN114185967 A CN 114185967A CN 202111507811 A CN202111507811 A CN 202111507811A CN 114185967 A CN114185967 A CN 114185967A
- Authority
- CN
- China
- Prior art keywords
- financial
- data
- target
- data mining
- activities
- 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
- 238000007418 data mining Methods 0.000 title claims abstract description 60
- 238000000034 method Methods 0.000 title claims abstract description 24
- 230000000694 effects Effects 0.000 claims abstract description 73
- 238000012216 screening Methods 0.000 claims abstract description 20
- 238000009412 basement excavation Methods 0.000 claims abstract description 12
- 238000004458 analytical method Methods 0.000 claims abstract description 6
- 230000000875 corresponding effect Effects 0.000 claims description 40
- 238000005065 mining Methods 0.000 claims description 9
- 238000007619 statistical method Methods 0.000 claims description 7
- 238000012847 principal component analysis method Methods 0.000 claims description 4
- 230000001419 dependent effect Effects 0.000 claims description 3
- 230000003203 everyday effect Effects 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 230000002123 temporal effect Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 description 7
- 238000007781 pre-processing Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013524 data verification Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000009469 supplementation Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/283—Multi-dimensional databases or data warehouses, e.g. MOLAP or ROLAP
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Quality & Reliability (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于云计算的金融数据挖掘方法，涉及金融数据处理技术领域，解决了现有方案没有对客户需求进行科学分析，导致无法保证金融数据精准满足客户需求的技术问题；本发明对注册客户进行筛选获取了目标客户，对目标客户的金融活动进行分析，获取对应的金融特征，根据金融特征从数据仓库中获取目标数据；通过对客户需求科学有效的分析，保证提供的金融数据能够满足客户需求，避免提供无用的数据打扰客户；本发明将目标客户的金融特征进行整合，获取需求特征，通过需求特征对金融挖掘对象进行筛选获取目标挖掘对象，通过逐层/逐个抓取策略和目标挖掘对象采集金融数据；能够提高采集金融数据时的工作效率，降低计算量。
Description
技术领域
本发明属于金融数据处理领域，涉及基于云计算的金融数据挖掘技术，具体是一种基于云计算的金融数据挖掘方法。
背景技术
随着网络化的迅速发展，金融行业对金融数据的实时性和准确性提出了更高的要求，迫切追求更高效更便捷的方式来获取金融数据，如何从海量数据中实时地、快速地挖掘出需要的金融数据，是金融行业中的一个巨大挑战。
现有方案通过建立金融数据仓库采集存储金融数据，对金融数据仓库内的金融数据进行分类管理和数据预处理，再对金融数据进行转换、校验和清洗完成数据挖掘，最后将生成的金融业务信息发送至用户；现有方案通过既定的金融数据挖掘规则获取金融数据，对金融数据进行标准化处理发送给用户，没有对客户需求进行科学分析，无法保证所发送的金融数据满足客户需求，甚至会对客户产生干扰；因此，亟需一种能够科学分析客户需求以实现精准数据挖掘的金融数据挖掘方法。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一；为此，本发明提出了一种基于云计算的金融数据挖掘方法，用于解决现有方案没有对客户需求进行科学分析，导致无法保证金融数据精准满足客户需求的技术问题，本发明通过对目标客户进行科学分析，根据分析结果确定数据挖掘规则以及从数据仓库中筛选金融数据解决了上述问题。
为实现上述目的，根据本发明的第一方面的实施例提出一种基于云计算的金融数据挖掘方法，包括：
获取数据挖掘规则，根据数据挖掘规则采集金融数据，并生成数据仓库；
筛选获取目标客户，并分析获取目标客户的金融特征；
根据金融特征从数据仓库中获取目标数据，并将目标数据发送至客户终端。
优选的，从金融数据挖掘对象采集金融数据；其中，所述金融数据挖掘对象包括网页和开放数据库。
优选的，在生成所述数据仓库之前，需要对采集的所述金融数据进行数据预处理；其中，所述数据预处理包括数据去重、数据补充和数据分类。
优选的，所述数据挖掘规则通过分析金融数据挖掘对象获取，或者
通过分析所述目标客户的金融活动获取。
优选的，根据所述金融数据挖掘对象获取的所述数据挖掘规则具体为通过逐层/逐个抓取策略采集金融数据以及对应的时间特征序列。
优选的，分析所述目标客户获取需求特征，包括：
筛选在设定时限内存在金融活动的注册客户作为目标客户；其中，所述金融活动包括与股票、基金和债券的相关活动；
分析金融活动获取所述目标客户的特性标签，根据特性标签设置筛选系数；
通过主成分分析法和筛选系数从金融活动分析提取所述目标客户的金融特征；其中，所述金融特征包括金融活动以及每个金融活动对应权重；
将所有目标客户的金融特征进行整合生成需求特征。
优选的，所述金融特征中金融活动对应权重的获取包括：
获取目标客户对应的所有金融活动，以及不同金融活动在设定时限内对应的活动次数；
每个金融活动对应活动次数与该目标客户对应所有金融活动的活动总次数的比值即为该金融活动对应权重。
优选的，所述设定时限通过人为设置，或者
通过统计方法获取。
优选的，通过统计方法获取设定时限，包括：
统计每天第一次进行金融活动的注册用户的数量，并标记为用户数量；
以时间为自变量，以用户数量为因变量建立用户变化曲线；
以当前时刻为限，对用户变化曲线求积分获取积分值，将积分值超过积分阈值的时刻标记为初始时刻；其中，积分阈值为大于0的实数；
将当前时刻和初始时刻之间的天数差值标记为设定时限。
优选的，所述特性标签用于表征目标客户所涉及金融活动的范围；其中，当特性标签为1时，表示目标客户的金融活动范围广，当特性标签为0时，表示目标客户的金融活动范围窄。
优选的，当所述目标客户涉及至少两个金融活动时，则将特性标签设置为1；否则，将特性标签设置为0。
优选的，分析所述目标客户的金融活动获取数据挖掘规则，包括：
提取分析所述目标客户金融活动生成的需求特征；
通过需求特征对金融挖掘对象进行筛选获取目标挖掘对象；
通过逐层/逐个抓取策略和目标挖掘对象采集金融数据以及对应的时间特征序列。
优选的，根据金融特征从数据仓库中提取金融数据，将所述金融数据经过金融数据转换算法、金融数据校验算法和金融数据清洗算法处理之后生成目标数据，将目标数据发送至金融特征对应的目标客户。
优选的，所述客户终端包括智能手机、平板电脑和笔记本电脑。
与现有技术相比，本发明的有益效果是：
1、本发明对注册客户进行筛选获取了目标客户，对目标客户的金融活动进行分析，获取对应的金融特征，根据金融特征从数据仓库中获取目标数据；通过对客户需求科学有效的分析，保证提供的金融数据能够满足客户需求，避免提供无用的数据打扰客户。
2、本发明将目标客户的金融特征进行整合，获取需求特征，通过需求特征对金融挖掘对象进行筛选获取目标挖掘对象，通过逐层/逐个抓取策略和目标挖掘对象采集金融数据；能够提高采集金融数据时的工作效率，降低计算量。
附图说明
图1为本发明的工作步骤示意图。
具体实施方式
下面将结合实施例对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，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它实施例，都属于本发明保护的范围。
本发明所涉及到的技术方案主要用于对金融数据进行精准挖掘；随着信息技术的发展，互联网以及很多的开放数据库已经成为一个巨大的信息空间，为用户提供了极具价值的信息资源。如何从海量数据中实时地、快速地挖掘出需要的数据，是一个亟需解决的问题，有着更高要求的金融数据更是其中的典型。
请参阅图1，本发明提供了一种基于云计算的金融数据挖掘方法，现有方案通过对金融数据挖掘对象进行分析获取金融数据挖掘规则，并依此采集金融数据，对金融数据经过各种标准化处理之后发送至客户；显然，现有方案只考虑了金融数据挖掘对象，并没有考虑金融数据需求对象，这容易导致采集的金融数据并不满足金融数据需求对象的要求，在一定程度上还会对客户产生干扰。
本发明提供的一种基于云计算的金融数据挖掘方法，以云计算技术为基础，建立的从指定金融数据挖掘规则到将目标数据发送给客户的一套金融数据定制化挖掘方法。
本发明提供的一种基于云计算的金融数据挖掘方法，包括：
获取数据挖掘规则，根据数据挖掘规则采集金融数据，并生成数据仓库；
筛选获取目标客户，并分析获取目标客户的金融特征；
根据金融特征从数据仓库中获取目标数据，并将目标数据发送至客户终端。
在一个实施例中，本发明从金融数据挖掘对象采集金融数据，这里所说的金融数据挖掘对象包括网页和开放数据库。
网页是金融数据的主要来源，充斥着大量的金融信息；而开放的数据库较网页而言，其中的金融数据是经过筛选的，因此更加的专业；网页和开放数据库结合能够获取足够专业和足够全面的金融数据；可以理解的是，本发明中的金融数据挖掘对象不仅仅包括网页和开放数据库，还包括其他能够自由提取金融数据的平台。
在一个实施例中，生成数据仓库之前，需要对采集的金融数据进行数据预处理；大量的金融数据中，难免存在重复的、虚假的金融信息，因此需要对重复的信息进行数据去重，只保留一份，对于虚假的金融信息进行通过机器学习等方式进行辨别，对相同类型的金融数据进行数据分类，保证数据仓库中的金融数据的真实性和完整性。
在一个实施例中，本发明分析目标客户获取需求特征，包括：
筛选在设定时限内存在金融活动的注册客户作为目标客户；
分析金融活动获取目标客户的特性标签，根据特性标签设置筛选系数；
通过主成分分析法和筛选系数从金融活动分析提取目标客户的金融特征；
将所有目标客户的金融特征进行整合生成需求特征。
本实施例通过注册客户筛选出目标客户，对目标客户的金融活动进行分析获取对应的金融特征；值得注意的是，目标客户的需求特征是为了获取数据挖掘规则，后面会提到。
在一个具体的实施例中，特性标签用于表征目标客户所涉及金融活动的范围；其中，当特性标签为1时，表示目标客户的金融活动范围广，当特性标签为0时，表示目标客户的金融活动范围窄；如当所述目标客户涉及至少两个金融活动时，则将特性标签设置为1；否则，将特性标签设置为0。
在一个具体的实施例中，目标客户特征标签为1，将对应的筛选系数设置为0.5；通过主成分分析法获取目标客户与所有金融活动之间的相关系数，当相关系数大于等于0.5时，则将该金融活动纳入目标客户的金融特征中。
在一个具体的实施例中，目标客户特征标签为0，将对应的筛选系数设置为0.8，则当相关系数大于等于0.8时，则将该金融活动纳入目标客户的金融特征中。
可以理解的是，筛选系数的取值范围为[0，1]。
在一个可选的实施例中，金融活动包括与股票、基金和债券的相关活动，如买卖股票、基金和债券，如在银行买入理财等。
在一个实施例中，金融特征包括金融活动以及每个金融活动对应权重；如股票以及股票对应的权重、基金以及基金对应的权重。
在一个具体的实施例中，金融特征中金融活动对应权重的获取包括：
获取目标客户对应的所有金融活动，以及不同金融活动在设定时限内对应的活动次数；
每个金融活动对应活动次数与该目标客户对应所有金融活动的活动总次数的比值即为该金融活动对应权重。
具体来说，将目标客户的金融活动标记为i，i＝1，2，…，n；n为整数，表示金融活动的总数；
将金融活动i在设定时限内的活动次数标记为Hi；
通过公式Qi＝Hi/(H1+H2+…+Hn)计算金融活动i的对应权重Qi。
在一个实施例中，本发明中数据挖掘规则通过分析金融数据挖掘对象获取，或者通过分析目标客户的金融活动获取。
在一个具体的实施例中，分析金融数据挖掘对象获取数据挖掘规则；当金融数据挖掘对象是网页时，结合C#.NET技术、ADO.NET数据访问技术和SQLServer数据库技术，采取逐层抓取策略采集金融数据和对应的时间特征序列；当金融数据挖掘对象是数据库时，结合相关数据库技术，采取逐个抓取策略采集金融数据和对应的时间特征序列；本实施例是分析金融数据挖掘对象生成数据挖掘规则，网页和数据库的数据格式较为统一，保证数据挖掘规则的可用时效，提高工作效率。
在一个具体的实施例中，分析目标客户的金融活动获取数据挖掘规则，包括：
提取分析目标客户金融活动生成的需求特征；
通过需求特征对金融挖掘对象进行筛选获取目标挖掘对象；
通过逐层/逐个抓取策略和目标挖掘对象采集金融数据以及对应的时间特征序列。
本实施例中，通过前面分析目标客户获取的需求特征来对金融挖掘对象进行筛选，获取目标挖掘对象，再逐层/逐个抓取目标挖掘对象采集金融数据；如需求特征中只与股票和基金相关，则通过需求特征获取的目标挖掘对象为与股票和基金相关的网页或者开放数据库；能够节省金融数据的采集时间，提高采集效率。
在一个实施例中，设定时限通过人为设置，或者通过统计方法获取。
在一个具体的实施例中，通过人为设置设定时限，如三个月、六个月；可以理解的是，设定时限为三个月，指的是以当前时刻为基准，向前推三个月，这个时间段即为设置的设定时限。
在一个具体的实施例中，通过统计方法获取设定时限，包括：
统计每天第一次进行金融活动的注册用户的数量，并标记为用户数量；
以时间为自变量，以用户数量为因变量建立用户变化曲线；
以当前时刻为限，对用户变化曲线求积分获取积分值，将积分值超过积分阈值的时刻标记为初始时刻；其中，积分阈值为大于0的实数；
将当前时刻和初始时刻之间的天数差值标记为设定时限。
值得注意的是，以当前时刻为限，对用户变化曲线求积分获取积分值，实质是在用户变化曲线、时间横轴、当前时刻对应的纵轴固定的情况下，改变初始时刻对应的纵轴，这四个要素的面积即为用户变化曲线的积分值，当积分值超过积分阈值时，则初始时刻与当前时刻之间的时间段即为设定时限；本实施例中的本质是通过目标用户的数量来确定设定时限。
在一个实施例中，根据金融特征从数据仓库中获取目标数据，该目标数据中可能包含多个金融活动，则目标数据可以按照每个金融活动的对应权重进行配比。
上述公式中的部分数据均是去除量纲取其数值计算，公式是由采集的大量数据经过软件模拟得到最接近真实情况的一个公式；公式中的预设参数和预设阈值由本领域的技术人员根据实际情况设定或者通过大量数据模拟获得。
本发明的工作原理：
通过人为设置或者统计方法获取设定时限，分析金融数据挖掘对象或者分析目标客户的金融活动获取数据挖掘规则。
根据数据挖掘规则采集金融数据，对金融数据进行数据预处理之后生成数据仓库。
分析筛选目标客户，以及获取目标客户对应的金融特征，根据金融特征从数据仓库中获取目标数据，并将目标数据发送至客户终端。
以上实施例仅用以说明本发明的技术方法而非限制，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法进行修改或等同替换，而不脱离本发明技术方法的精神和范围。
Claims (8)
1.一种基于云计算的金融数据挖掘方法，其特征在于，包括：
获取数据挖掘规则，根据数据挖掘规则采集金融数据，并生成数据仓库；
筛选获取目标客户，并分析获取目标客户的金融特征；
根据金融特征从数据仓库中获取目标数据，并将目标数据发送至客户终端。
2.根据权利要求1所述的一种基于云计算的金融数据挖掘方法，其特征在于，所述数据挖掘规则通过分析金融数据挖掘对象获取，或者
通过分析所述目标客户的金融活动获取。
3.根据权利要求2所述的一种基于云计算的金融数据挖掘方法，其特征在于，根据所述金融数据挖掘对象获取的所述数据挖掘规则具体为通过逐层/逐个抓取策略采集金融数据以及对应的时间特征序列。
4.根据权利要求1所述的一种基于云计算的金融数据挖掘方法，其特征在于，分析所述目标客户获取需求特征，包括：
筛选在设定时限内存在金融活动的注册客户作为目标客户；其中，所述金融活动包括与股票、基金和债券的相关活动；
分析金融活动获取所述目标客户的特性标签，根据特性标签设置筛选系数；
通过主成分分析法和筛选系数从金融活动分析提取所述目标客户的金融特征；其中，所述金融特征包括金融活动以及每个金融活动对应权重。
5.根据权利要求4所述的一种基于云计算的金融数据挖掘方法，其特征在于，所述金融特征中金融活动对应权重的获取包括：
获取目标客户对应的所有金融活动，以及不同金融活动在设定时限内对应的活动次数；
每个金融活动对应活动次数与该目标客户对应所有金融活动的活动总次数的比值即为该金融活动对应权重。
6.根据权利要求4所述的一种基于云计算的金融数据挖掘方法，其特征在于，所述设定时限通过人为设置，或者
通过统计方法获取。
7.根据权利要求6所述的一种基于云计算的金融数据挖掘方法，其特征在于，通过统计方法获取设定时限，包括：
统计每天第一次进行金融活动的注册用户的数量，并标记为用户数量；
以时间为自变量，以用户数量为因变量建立用户变化曲线；
以当前时刻为限，对用户变化曲线求积分获取积分值，将积分值超过积分阈值的时刻标记为初始时刻；其中，积分阈值为大于0的实数；
将当前时刻和初始时刻之间的天数差值标记为设定时限。
8.根据权利要求2所述的一种基于云计算的金融数据挖掘方法，其特征在于，分析所述目标客户的金融活动获取数据挖掘规则，包括：
将所有目标客户的金融特征进行整合生成需求特征；
通过需求特征对金融挖掘对象进行筛选获取目标挖掘对象；
通过逐层/逐个抓取策略和目标挖掘对象采集金融数据以及对应的时间特征序列。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111507811.7A CN114185967A (zh) | 2021-12-10 | 2021-12-10 | 一种基于云计算的金融数据挖掘方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111507811.7A CN114185967A (zh) | 2021-12-10 | 2021-12-10 | 一种基于云计算的金融数据挖掘方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114185967A true CN114185967A (zh) | 2022-03-15 |
Family
ID=80543145
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111507811.7A Pending CN114185967A (zh) | 2021-12-10 | 2021-12-10 | 一种基于云计算的金融数据挖掘方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114185967A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116089809A (zh) * | 2023-04-07 | 2023-05-09 | 平安银行股份有限公司 | 金融特征数据的筛选方法、装置、电子设备及存储介质 |
-
2021
- 2021-12-10 CN CN202111507811.7A patent/CN114185967A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116089809A (zh) * | 2023-04-07 | 2023-05-09 | 平安银行股份有限公司 | 金融特征数据的筛选方法、装置、电子设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Filimonov et al. | Apparent criticality and calibration issues in the Hawkes self-excited point process model: application to high-frequency financial data | |
| CN107993143A (zh) | 一种信贷风险评估方法及系统 | |
| CN103617435B (zh) | 一种主动学习图像分类方法和系统 | |
| CN104866831B (zh) | 特征加权的人脸识别算法 | |
| CN112132233A (zh) | 一种基于有效影响因子的服刑人员危险行为预测方法及系统 | |
| CN111815207B (zh) | 一种针对供应链金融的风险定量评估方法 | |
| CN115759640B (zh) | 一种智慧城市的公共服务信息处理系统及方法 | |
| CN114612251A (zh) | 风险评估方法、装置、设备及存储介质 | |
| US20210224588A1 (en) | Recruitment process graph based unsupervised anomaly detection | |
| CN116644184B (zh) | 基于数据聚类的人力资源信息管理系统 | |
| CN112700321A (zh) | 基于用户行为数据的多规则反欺诈预测方法及系统 | |
| CN109492859A (zh) | 基于神经网络模型的员工分类方法及装置、设备、介质 | |
| CN114185967A (zh) | 一种基于云计算的金融数据挖掘方法 | |
| US20160239559A1 (en) | Document classification system, document classification method, and document classification program | |
| CN111062602A (zh) | 企业信用风险评估的方法、装置及存储介质 | |
| CN114493686A (zh) | 一种运营内容生成推送方法及装置 | |
| CN112883018A (zh) | 基于大数据分析的银行业人才信息预测方法及装置 | |
| CN112434886A (zh) | 一种预测客户抵押贷款违约概率的方法 | |
| DE112014006799T5 (de) | Verfahren zur Messung eines Benutzerverhalten-Konsistenzgrades auf Basis eines komplexen Korrespondenzsystems | |
| CN117132383A (zh) | 一种信贷数据处理方法、装置、设备及可读存储介质 | |
| CN111581298A (zh) | 大数据仓库的异构数据整合系统及方法 | |
| CN115034654A (zh) | 资产评估方法、装置、设备及存储介质 | |
| CN116342255A (zh) | 互联网消费贷反欺诈风险识别方法及系统 | |
| CN114398562B (zh) | 一种店铺数据管理方法、装置、设备及存储介质 | |
| CN114626940A (zh) | 数据分析方法、装置及电子设备 |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20220315 |