CN114339626A - 主叫用户的5g消息群发处理方法及装置 - Google Patents
主叫用户的5g消息群发处理方法及装置 Download PDFInfo
- Publication number
- CN114339626A CN114339626A CN202011033817.0A CN202011033817A CN114339626A CN 114339626 A CN114339626 A CN 114339626A CN 202011033817 A CN202011033817 A CN 202011033817A CN 114339626 A CN114339626 A CN 114339626A
- Authority
- CN
- China
- Prior art keywords
- sending
- mass
- group
- index sequence
- processing
- 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
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Information Transfer Between Computers (AREA)
Abstract
本发明公开了一种主叫用户的5G消息群发处理方法及装置，该方法包括：从群聊服务器获取主叫用户提供的群发内容数据以及群发媒体类型数据；从5G消息中心获取主叫用户的被举报信息；将群发内容数据及群发媒体类型数据预处理为第一索引序列，将主叫用户的被举报信息预处理为第二索引序列；将第一索引序列及第二索引序列输入至群发能力预测模型中进行处理，预测得到群发能力限制策略；将群发能力限制策略反馈给群聊服务器，以使群聊服务器将群发能力限制策略下发给5G消息中心，以便5G消息中心根据群发能力限制策略进行消息群发处理。通过上述方式能够实现对主叫用户的消息群发能力进行差异化、精准化管控。
Description
技术领域
本发明涉及通信技术领域，具体涉及一种主叫用户的5G消息群发处理方法及装置。
背景技术
5G消息业务基于终端原生短信入口，为用户提供文本、图片、音频、视频、位置、联系人等媒体内容的发送和接收，包括点对点消息、群发消息、群聊消息、点与应用间消息。相较于功能单一的传统短信，5G消息不仅拓宽了信息收发的广度，支持用户使用文本、音视频、卡片、位置等多媒体内容，更延展了交互体验的深度，用户在消息窗口就能完成服务搜索、发现、交互、支付等业务，构建一站式服务的信息窗口。
5G消息系统，包括5G消息中心(5GMC)、MaaP系统(含MaaP平台管理模块和MaaP平台)及群聊服务器等设备。5G消息中心是5G消息业务的核心网元。它具有接入、路由模块及功能，作为整体虚拟网络架构进行部署，又具备短消息中心的处理能力和外部接口。该网元将统一提供针对短消息和基础多媒体消息的处理、发送、存储和转发等功能；MaaP系统是行业5G消息业务的核心网元，该网元将为行业用户提供5G商业消息业务接入及消息上下行能力，为用户提供行业聊天机器人搜索、详情查询、消息上下行等功能；群聊服务器为5G消息提供群聊功能，包括群聊消息收发、群信息管理等功能。
但是，发明人在实现本发明的过程中发现：现有技术中，对于主叫用户的5G消息群发能力限制需要通过人工审核或人工制定相应规则来实现，但随着5G消息的形式及内容的多样化，对于5G消息群发能力精确限制和管控难度越来越大，例如针对图像、音视频的限制应比文本类限制更加严格。
发明内容
鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的主叫用户的5G消息群发处理方法及装置。
根据本发明的一个方面，提供了一种主叫用户的5G消息群发处理方法，包括：
从群聊服务器中获取主叫用户提供的群发内容数据以及群发媒体类型数据；
从5G消息中心获取主叫用户的被举报信息；
将群发内容数据以及群发媒体类型数据预处理为第一索引序列，将主叫用户的被举报信息预处理为第二索引序列；
将第一索引序列以及第二索引序列输入至群发能力预测模型中进行处理，预测得到群发能力限制策略；
将群发能力限制策略反馈给群聊服务器，以使群聊服务器将群发能力限制策略下发给5G消息中心，以便5G消息中心根据群发能力限制策略进行消息群发处理。
可选地，将群发内容数据以及群发媒体类型数据预处理为第一索引序列进一步包括：
将群发内容数据以及群发媒体类型数据进行文本清洗处理，并将文本清洗结果所包含的各个词进行索引化处理，得到第一索引序列；
将主叫用户的被举报信息预处理为第二索引序列进一步包括：
将主叫用户的被举报信息进行文本清洗处理，并将文本清洗结果所包含的各个词进行索引化处理，得到第二索引序列。
可选地，群发能力限制策略包括：可群发的被叫用户数量限制策略、可群发的被叫用户区域限制策略、可群发的时间限制策略。
可选地，方法进一步包括：
获取历史群发内容数据、历史群发媒体类型数据以及相应的历史主叫用户的被举报信息；
对历史群发内容数据、历史群发媒体类型数据、历史主叫用户的被举报信息进行群发能力限制策略的标注，以形成训练数据集，并将训练数据集预处理为训练索引序列；
采用注意力机制编解码神经网络，利用训练索引序列训练得到群发能力预测模型。
可选地，被举报信息包括：被举报次数信息以及被举报原因信息。
可选地，群发能力预测模型包括：
输入层，用于输入第一索引序列以及第二索引序列；
嵌入层，用于将第一索引序列转换为预设维度的第一空间向量，以及将第二索引序列转换为预设维度的第二空间向量；
LSTM编码层，用于将第一空间向量编码成预设长度的第一上下文向量，以及将第二空间向量编码成预设长度的第二上下文向量；
合并层，用于将第一上下文向量以及第二上下文向量按照列维度进行拼接，得到第三上下文向量；
LSTM解码层，用于对第三上下文向量进行解码，生成群发能力限制策略；
全连接层，用于输出群发能力限制策略。
根据本发明的另一方面，提供了一种主叫用户的5G消息群发处理装置，包括：
数据采集模块，适于从群聊服务器中获取主叫用户提供的群发内容数据以及群发媒体类型数据；以及从5G消息中心获取主叫用户的被举报信息；
数据预处理模块，适于将群发内容数据以及群发媒体类型数据预处理为第一索引序列，将主叫用户的被举报信息预处理为第二索引序列；
预测处理模块，适于将第一索引序列以及第二索引序列输入至群发能力预测模型中进行处理，预测得到群发能力限制策略；
反馈模块，适于将群发能力限制策略反馈给群聊服务器，以使群聊服务器将群发能力限制策略下发给5G消息中心，以便5G消息中心根据群发能力限制策略进行消息群发处理。
可选地，数据预处理模块进一步适于：
将群发内容数据以及群发媒体类型数据进行文本清洗处理，并将文本清洗结果所包含的各个词进行索引化，得到第一索引序列；
以及，将主叫用户的被举报信息进行文本清洗处理，并将文本清洗结果所包含的各个词进行索引化处理，得到第二索引序列。
可选地，群发能力限制策略包括：可群发的被叫用户数量限制策略、可群发的被叫用户区域限制策略、可群发的时间限制策略。
可选地，数据采集模块进一步适于：获取历史群发内容数据、历史群发媒体类型数据以及相应的历史主叫用户的被举报信息；
装置进一步包括：标注模块，适于对历史群发内容数据、历史群发媒体类型数据、历史主叫用户的被举报信息进行群发能力限制策略的标注，以形成训练数据集；
数据预处理模块进一步适于：将训练数据集预处理为训练索引序列；
装置进一步包括：模型训练模块，适于采用注意力机制编解码神经网络，利用训练索引序列训练得到群发能力预测模型。
可选地，被举报信息包括：被举报次数信息以及被举报原因信息。
可选地，群发能力预测模型包括：输入层，用于输入第一索引序列以及第二索引序列；嵌入层，用于将第一索引序列转换为预设维度的第一空间向量，以及将第二索引序列转换为预设维度的第二空间向量；LSTM编码层，用于将第一空间向量编码成预设长度的第一上下文向量，以及将第二空间向量编码成预设长度的第二上下文向量；合并层，用于将第一上下文向量以及第二上下文向量按照列维度进行拼接，得到第三上下文向量；LSTM解码层，用于对第三上下文向量进行解码，生成群发能力限制策略；全连接层，用于输出群发能力限制策略。
根据本发明的又一方面，提供了一种计算设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行上述主叫用户的5G消息群发处理方法对应的操作。
根据本发明的再一方面，提供了一种计算机存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如上述主叫用户的5G消息群发处理方法对应的操作。
根据本发明的主叫用户的5G消息群发处理方法及装置，通过从群聊服务器中获取主叫用户提供的群发内容数据以及群发媒体类型数据；从5G消息中心获取主叫用户的被举报信息；将群发内容数据以及群发媒体类型数据预处理为第一索引序列，将主叫用户的被举报信息预处理为第二索引序列；将第一索引序列以及第二索引序列输入至群发能力预测模型中进行处理，预测得到群发能力限制策略；将群发能力限制策略反馈给群聊服务器，以使群聊服务器将群发能力限制策略下发给5G消息中心，以便5G消息中心根据群发能力限制策略进行消息群发处理。该方式采用神经网络的方式训练得到群发能力预测模型，利用模型预测主叫用户的群发能力限制，从而实现对主叫用户群发能力进行差异化、精准化管控。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1示出了本发明实施例提供的主叫用户的5G消息群发处理方法的流程图；
图2示出了本发明另一实施例提供的主叫用户的5G消息群发处理方法的流程图；
图3示出了本发明实施例中注意力机制的示意图；
图4示出了本发明实施例提供的群发能力预测模型的示意图；
图5示出了本发明另一实施例提供的主叫用户的5G消息群发处理装置的流程图；
图6示出了本发明实施例提供的主叫用户的5G消息群发处理方法的交互示意图；
图7示出了本发明实施例提供的计算设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
图1示出了本发明实施例提供的主叫用户的5G消息群发处理方法的流程图，如图1所示，该方法包括以下步骤：
步骤S110，从群聊服务器中获取主叫用户提供的群发内容数据以及群发媒体类型数据。
其中，主叫用户向5G消息群聊服务器发送群发消息请求，群发消息请求中携带有群发内容数据以及群发媒体类型数据，5G消息群聊服务器对群发内容数据以及群发媒体类型数据进行转发，用于实现本实施例方法的设备获取5G消息群聊服务器发送的数据。
步骤S120，从5G消息中心获取主叫用户的被举报信息。
具体地，从5GMC(5G消息中心)中获取该主叫用户的被举报信息，包括被举报次数信息以及被举报原因信息等等。
步骤S130，将群发内容数据以及群发媒体类型数据预处理为第一索引序列，将主叫用户的被举报信息预处理为第二索引序列。
本实施例的方法中，将群发内容数据以及群发媒体类型数据作为一个集合进行索引化处理，得到第一索引序列。将被叫用户的被举报信息进行索引化处理，得到第二索引序列。
步骤S140，将第一索引序列以及第二索引序列输入至群发能力预测模型中进行处理，预测得到群发能力限制策略。
将第一索引序列以及第二索引序列输入至预先训练好的群发能力预测模型中，群发能力预测模型分别抽取第一索引序列的特征以及第二索引序列的特征，然后根据抽取的特征输出该主叫用户的群发能力限制策略，具体包括：可群发的被叫用户数量限制策略、可群发的被叫用户区域限制策略、可群发的时间限制策略。
步骤S150，将群发能力限制策略反馈给群聊服务器，以使群聊服务器将群发能力限制策略下发给5G消息中心，以便5G消息中心根据群发能力限制策略进行消息群发处理。
将预测得到的群发能力限制策略反馈给群聊服务器，群聊服务器将群发能力限制策略下发给5G消息中心，5G消息中心根据群发能力限制策略实施群发管控，即根据群发能力限制策略完成本次消息群发。另外，群聊服务器还将群发能力限制策略反馈给主叫用户终端，以使主叫用户获知本次群发消息的管控策略。
根据本实施例所提供的主叫用户的5G消息群发处理方法，包括：从群聊服务器中获取主叫用户提供的群发内容数据以及群发媒体类型数据；从5G消息中心获取主叫用户的被举报信息；将群发内容数据以及群发媒体类型数据预处理为第一索引序列，将主叫用户的被举报信息预处理为第二索引序列；将第一索引序列以及第二索引序列输入至群发能力预测模型中进行处理，预测得到群发能力限制策略；将群发能力限制策略反馈给群聊服务器，以使群聊服务器将群发能力限制策略下发给5G消息中心，以便5G消息中心根据群发能力限制策略进行消息群发处理。该方式采用神经网络的方式训练得到群发能力预测模型，利用模型预测主叫用户的群发能力限制，从而实现对主叫用户群发能力进行差异化、精准化管控。
图2示出了本发明另一实施例提供的主叫用户的5G消息群发处理方法的流程图，如图2所示，该方法包括以下步骤：
步骤S210，获取历史群发内容数据、历史群发媒体类型数据以及相应的历史主叫用户的被举报信息。
从群聊服务器中获取历史群发内容数据和历史群发媒体类型数据，从5G消息中心获取相应的历史主叫用户的被举报信息。
步骤S220，对历史群发内容数据、历史群发媒体类型数据、历史主叫用户的被举报信息进行群发能力限制策略的标注，以形成训练数据集，并将训练数据集预处理为训练索引序列。
对历史群发内容数据、历史群发媒体类型数据以及历史主叫用户的被举报信息(包括主叫用户的被举报次数信息和被举报原因信息)进行标注，标注对应的主叫用户群发能力限制策略，从而形成训练数据集，该步骤相当于获取历史数据，并对历史数据进行人工标注，标注历史数据对应的主叫用户的群发能力限制策略，从而形成训练数据集。之后，再将训练数据集处理为训练索引序列。
将历史群发内容和历史群发媒体类型作为一个文本序列可表示为：P＝{p1 i、p2 i、p3 i、…、pL i}，群发媒体类型包括文本、图片、音频、视频等；
将主叫用户的被举报次数和被举报原因作为一个文本序列可表示为：Q＝{q1 i、q2 i、q3 i、…、qL i}
标注的对应主叫用户的每次可群发被叫用户数量限制、可群发被叫用户区域限制、可群发的时间限制可表示为：Y＝{y1 i、y2 i、y3 i、…、yL i}
具体地，将训练数据集预处理为训练索引序列具体包括：一方面，将历史群发内容和历史群发媒体类型作为一个文本集合进行预处理，另一方面，将历史主叫用户的被举报次数和被举报原因作为一个文本集合进行预处理，再一方面，对相应的标注结果进行预处理。
其中，预处理具体包括文本清洗处理以及文本索引化处理。
对于历史群发内容和历史群发媒体类型的文本集合，清洗处理具体包括：过滤掉历史群发内容和历史群发媒体类型的文本集合中的所有标点符号；若文本为中文则对文本进行分词、若文本为英文则将字母统一为小写。索引化处理具体包括：对文本清洗的结果所包含的各个词进行索引化，使得每一段文本都被转化成一段索引数字，并对未达到最长文本长度的索引序列补零。
对于历史主叫用户的被举报次数和被举报原因的文本集合，清洗处理具体包括：过滤掉历史主叫用户的被举报次数和被举报原因的文本集合中的所有标点符号；若文本为中文则对文本进行分词、若文本为英文则将字母统一为小写。然后，对文本清洗的结果所包含的各个词进行索引化，使得每一段文本都被转化成一段索引数字，并对未达到最长文本长度的索引序列补零。
对于标注结果，清洗处理具体包括：过滤掉标注结果中的所有标点符号；若文本为中文则对文本进行分词、若文本为英文则将字母统一为小写。然后，对文本清洗的结果所包含的各个词进行索引化，使得每一段文本都被转化成一段索引数字，并对未达到最长文本长度的索引序列补零。
其中，取历史群发内容和历史群发媒体类型的文本集合、历史主叫用户的被举报次数和被举报原因文本集合的最长长度L作为其索引序列长度，取其词典大小为input_vocab_size，即输入词汇的大小；取对应标注的主叫用户的群发能力限制策略集合的最长长度M作为其索引序列长度，取其词典大小为output_vocab_size，即输出词汇的大小。
可选地，将总数据集划分为训练集和测试集，例如，将总数据集的80％划为训练数据集，总数据集的20％划为测试数据集。训练数据集用于训练模型，测试数据集用于测试模型。
步骤S230，采用注意力机制编解码神经网络，利用训练索引序列训练得到群发能力预测模型。
在对历史样本数据及相应的标注结果进行序列化处理之后，采用注意力机制编解神经网络，训练得到群发能力预测模型。
编解码神经网络是一种组织循环神经网络的方式，主要用于解决含多个输入或多个输出的序列预测问题，包含编码器和解码器。编码器负责将输入的序列进行逐字编码，编码成一个固定长度的向量，即上下文向量；解码器负责读取编码器输出的上下文向量，并生成输出序列。而注意力机制解决了编解码器结构的局限，首先它将从编码器获得的更加丰富的上下文提供给解码器，编码器会传递更多的数据给解码器，相比传统模型中编码器只传递编码阶段的最后一个隐藏状态，而注意力机制模型中编码器传递所有的隐藏状态给解码器。同时注意力提供这样一种学习机制，当预测每一个时步上输出的序列时，解码器可以学习在更加丰富的上下文中需要聚焦于何处。注意力网络会给每一个输入分配一个注意力权重，如果该输入与当前操作越相关则注意力权重越接近于1，反之则越接近于0，这些注意力权重在每一个输出步骤都会重新计算。注意力权重由模型经过多次训练后得出。注意力网络会给每一个输入分配一个注意力权重，如果该输入与当前操作越相关则注意力权重越接近于1，反之则越接近于0。
图3示出了本发明实施例中注意力机制的示意图，其中，Tx为输入时间步骤的个数(即每次输入X的个数)；Ty为输出时间步骤的个数；attentioni为在输出时间步骤i的注意力权重；ci为在输出时间步骤i的上下文(context)
1)计算注意力权重，权重长度为Tx，所有权重之和为1：
attentioni＝softmax(Dense(x,yi-1))
Dense是指全连接神经元，Dense(x,yi-1)＝yi，表示将x和yi-1输入至全连接神经元后，输出yi。
2)计算注意力权重和输入的乘积之和，得到的结果成为上下文：
3)将所得的上下文输入到长短期记忆神经层中：
yi＝LSTM(ci)
本实施例的神经元均采用长短期记忆。所述长短期记忆(LSTM，long short-termmemory)是一种特殊的循环神经网络类型，所谓的循环神经网络即同一个神经网络被重复使用。LSTM可以学习长期依赖信息，通过控制缓存中的值保存的时间，可以记住长期的信息，适合进行长序列的学习。每个神经元有四个输入和一个输出，每个神经元内有一个Cell存放记忆的数值，每一个LSTM神经元中含有三个门控：遗忘门、输入门、输出门。长短期记忆神经网络在长序列的学习上具有较好的效果。
本实施例的方法中，搭建基于长短期记忆神经元的编解码神经网络，其中编码器用于将历史群发内容和历史群发媒体类型序列、历史主叫用户的被举报次数和被举报原因序列分别输入两个LSTM层编码成两个固定长度的上下文向量，将两个上下文向量经过合并层合并为1个固定长度的上下文向量后输入解码器，解码器用于从编码后的上下文向量中生成对应的主叫用户本次群发能力限制结果，再与正确的群发能力限制策略(也就是标注的群发能力限制策略)比较来计算目标函数，利用梯度下降逐渐找到使目标函数最小的权重值，将训练收敛后的模型权重作为群发能力预测模型。
图4示出了本发明实施例提供的群发能力预测模型的示意图，如图4所示，模型的详细组成如下：
第一层为输入层：分别输入索引化后的历史群发内容数据和历史群发媒体类型数据的序列，以及历史主叫用户的被举报次数和被举报原因的序列，每条序列长度为L，因此该层输出数据的形状为(None,L)；
第二层为嵌入层：利用词嵌入将每个词转化为向量，输入数据维度为input_vocab_size，输出设置为需要将词转换为128维度的空间向量，输入序列长度为L，因此该层输出数据的形状为(None,L，128)。该层的作用是对输入的词进行向量映射，将每个词的索引转换为128维的固定形状向量；
第三层为LSTM编码层：包含两个并列的LSTM层，每层含128个LSTM神经元，激活函数设置为“relu”，该层输出数据的形状为(None,L,128)，编码成两个固定长度的上下文向量；
第四层为合并层：，将两个固定长度的上下文向量按列维度进行拼接合并为1个固定长度的上下文向量；
第五层为注意力LSTM解码层：含128个LSTM神经元，激活函数设置为“relu”。该层输出数据的形状为(None,L,128)；
第六层全连接(Dense)层(输出层)：包含Dense全连接神经元个数为output_vocab_size，激活函数设置为“softmax”，将softmax输出结果送入多类交叉熵损失函数。该层输出数据的形状为(None,output_vocab_size)。
具体实施时，可将训练回合数设置为1000(epochs＝1000)，批处理大小设置为100(batch_size＝100)，选择categorical crossentropy多类交叉熵作为损失函数即目标函数(loss＝'categorical_crossentropy')，梯度下降优化算法选择adam优化器用于改善传统梯度下降的学习速度(optimizer＝'adam')。将预测结果与正确的群发能力限制结果比较来计算目标函数，利用梯度下降逐渐找到使目标函数最小的权重值。将训练收敛后的模型权重作为群发能力预测模型。
在导出模型权重后，当需要在线预测主叫用户的群发能力限制策略时直接加载保存的权重，将预处理完毕后的序列输入至训练好的群发能力预测模型中，数据将经过上述各个层，最终实时输出主叫用户的群发能力限制策略。
步骤S240，从群聊服务器中获取主叫用户提供的群发内容数据以及群发媒体类型数据。
步骤S250，从5G消息中心获取主叫用户的被举报信息。
步骤S260，将群发内容数据以及群发媒体类型数据进行文本清洗处理，并将文本清洗结果所包含的各个词进行索引化处理，得到第一索引序列。
与历史数据的处理方式一致，在获取到当前被叫用户提供的群发内容数据以及群发媒体类型数据之后，将群发内容数据以及群发媒体类型数据作为一个集合进行文本清洗处理，具体包括：过滤掉群发内容数据以及群发媒体类型数据的文本集合中所有的标点符号；若文本为中文则对文本进行分词、若文本为英文则将字母统一为小写。然后，对文本清洗的结果所包含的各个词进行索引化，使得每一段文本都被转化成一段索引数字，并对未达到最长文本长度的索引序列补零，由此得到第一索引序列。
步骤S270，将主叫用户的被举报信息进行文本清洗处理，并将文本清洗结果所包含的各个词进行索引化处理，得到第二索引序列。
同样地，将主叫用户的被举报次数和被举报原因作为一个集合进行文本清洗处理，具体包括：过滤掉主叫用户的被举报信息的文本集合中所有的标点符号；若文本为中文则对文本进行分词、若文本为英文则将字母统一为小写。然后，对文本清洗的结果所包含的各个词进行索引化，使得每一段文本都被转化成一段索引数字，并对未达到最长文本长度的索引序列补零，由此得到第二索引序列。
步骤S280，将第一索引序列以及第二索引序列输入至群发能力预测模型中进行处理，预测得到群发能力限制策略。
群发能力预测模型的处理具体如下：输入层，用于输入第一索引序列以及所述第二索引序列；嵌入层，用于将第一索引序列转换为预设维度的第一空间向量，以及将第二索引序列转换为预设维度的第二空间向量；LSTM编码层，用于将第一空间向量编码成预设长度的第一上下文向量，以及将第二空间向量编码成预设长度的第二上下文向量；合并层，用于将第一上下文向量以及第二上下文向量按照列维度进行拼接，得到第三上下文向量；LSTM解码层，用于对第三上下文向量进行解码，生成群发能力限制策略；全连接层，用于输出群发能力限制策略。
步骤S290，将群发能力限制策略反馈给群聊服务器，以使群聊服务器将群发能力限制策略下发给5G消息中心，以便5G消息中心根据群发能力限制策略进行消息群发处理。
将预测得到的群发能力限制策略下发反馈给群聊服务器，群聊服务器将群发能力限制策略下分给5G消息中心，5G消息中心根据群发能力限制策略实施群发管控，即根据群发能力限制策略完成本次消息群发。另外，群聊服务器还将群发能力限制策略反馈给主叫用户终端，以使主叫用户获知本次群发消息的管控。
本实施例的方法中，首先从群聊服务器中收集历史群发内容和群发媒体类型数据、从5GMC中收集历史主叫用户被举报次数和被举报主要原因数据，人工标注数据集中对应的主叫用户群发能力限制，从而形成总数据集。将序列化后的数据输入至基于长短期记忆神经元的编解码神经网络，其中编码器用于将群发内容和群发媒体类型序列、主叫用户的被举报次数和被举报原因序列分别输入两个LSTM层编码成两个固定长度的上下文向量，将两个上下文向量经过合并层合并为1个固定长度的上下文向量后输入至解码器，解码器利用注意力编解码神经网络可按需聚焦输入序列中的相关部分的特点，根据编码后的上下文向量生成主叫用户本次群发能力限制策略(包含针对该主叫用户的本次可群发被叫用户数量限制、可群发被叫用户区域限制、可群发的时间限制)，再与标注的群发能力限制策略比较来计算目标函数，利用梯度下降逐渐找到使目标函数最小的权重值，将训练收敛后的模型权重作为群发能力预测模型，该方式根据学习到的主叫用户的群发内容和群发媒体特征，并结合主叫用户被举报次数和备举报原因，实现了对主叫用户群发能力进行差异化、精准化管控。
图5示出了本发明主叫用户的5G消息群发处理装置实施例的结构示意图。如图5所示，该装置包括：
数据采集模块51，适于从群聊服务器中获取主叫用户提供的群发内容数据以及群发媒体类型数据；以及从5G消息中心获取主叫用户的被举报信息；
数据预处理模块52，适于将群发内容数据以及群发媒体类型数据预处理为第一索引序列，将主叫用户的被举报信息预处理为第二索引序列；
预测处理模块53，适于将第一索引序列以及第二索引序列输入至群发能力预测模型中进行处理，预测得到群发能力限制策略；
反馈模块54，适于将群发能力限制策略反馈给群聊服务器，以使群聊服务器将群发能力限制策略下发给5G消息中心，以便5G消息中心根据群发能力限制策略进行消息群发处理。
在一种可选的方式中，数据预处理模块52进一步适于：
将群发内容数据以及群发媒体类型数据进行文本清洗处理，并将文本清洗结果所包含的各个词进行索引化，得到第一索引序列；
以及，将主叫用户的被举报信息进行文本清洗处理，并将文本清洗结果所包含的各个词进行索引化处理，得到第二索引序列。
在一种可选的方式中，群发能力限制策略包括：可群发的被叫用户数量限制策略、可群发的被叫用户区域限制策略、可群发的时间限制策略。
在一种可选的方式中，数据采集模块51进一步适于：获取历史群发内容数据、历史群发媒体类型数据以及相应的历史主叫用户的被举报信息；
装置进一步包括：
标注模块，适于对历史群发内容数据、历史群发媒体类型数据、历史主叫用户的被举报信息进行群发能力限制策略的标注，以形成训练数据集；
数据预处理52模块进一步适于：将训练数据集预处理为训练索引序列；
装置进一步包括：模型训练模块，适于采用注意力机制编解码神经网络，利用训练索引序列训练得到群发能力预测模型。
在一种可选的方式中，被举报信息包括：被举报次数信息以及被举报原因信息。
在一种可选的方式中，群发能力预测模型包括：
输入层，用于输入第一索引序列以及第二索引序列；嵌入层，用于将第一索引序列转换为预设维度的第一空间向量，以及将第二索引序列转换为预设维度的第二空间向量；LSTM编码层，用于将第一空间向量编码成预设长度的第一上下文向量，以及将第二空间向量编码成预设长度的第二上下文向量；合并层，用于将第一上下文向量以及第二上下文向量按照列维度进行拼接，得到第三上下文向量；LSTM解码层，用于对第三上下文向量进行解码，生成群发能力限制策略；全连接层，用于输出群发能力限制策略。
通过上述方式，从群聊服务器获取主叫用户提供的群发内容数据以及群发媒体类型数据；从5G消息中心获取主叫用户的被举报信息；将群发内容数据及群发媒体类型数据预处理为第一索引序列，将主叫用户的被举报信息预处理为第二索引序列；将第一索引序列及第二索引序列输入至群发能力预测模型中进行处理，预测得到群发能力限制策略；将群发能力限制策略反馈给群聊服务器，以使群聊服务器将群发能力限制策略下发给5G消息中心，以便5G消息中心根据群发能力限制策略进行消息群发处理。能够实现对主叫用户的消息群发能力进行差异化、精准化管控。
图6示出了本发明实施例提供的主叫用户的5G消息群发处理方法的交互示意图，如图6所示，该方法包括以下步骤：
步骤1：主叫用户向5G消息群聊服务器发送群发消息请求，请求中携带本次群发内容和群发媒体类型；
步骤2：群聊服务器将收到的本次群发内容和群发媒体类型发送至数据收集模块，数据收集模块向5GMC获取该主叫用户的历史被举报次数和被举报原因；
步骤3：数据收集模块将所获取的该主叫用户本次群发内容和群发媒体类型、以及该主叫用户的历史被举报次数和被举报原因发送至数据预处理模块；
步骤4：数据预处理模块分别将本次群发内容和群发媒体类型转化为整数序列P、将该主叫用户的历史被举报次数和被举报原因转化为整数序列Q，预处理后的数据输入至预训练完毕的群发能力预测模型；
步骤5：群发能力预测模型利用由长短期记忆神经网络构成的编码器分别抽取本次群发内容和群发媒体类型序列的特征、以及该主叫用户被举报次数和被举报原因序列的特征，然后利用由注意力长短期记忆神经网络构成的解码器输出针对该主叫用户的本次可群发被叫用户数量限制、可群发被叫用户区域限制、可群发的时间限制。
步骤6：将该主叫用户的本次群发能力限制策略反馈给群聊服务器；
步骤7：群聊服务器将群发能力限制策略反馈至主叫用户终端，同时将群发能力限制策略发送至5GMC对该主叫用户的本次群发消息实施管控。
本发明实施例提供了一种非易失性计算机存储介质，所述计算机存储介质存储有至少一可执行指令，该计算机可执行指令可执行上述任意方法实施例中的主叫用户的5G消息群发处理方方法。
可执行指令具体可以用于使得处理器执行以下操作：
从群聊服务器中获取主叫用户提供的群发内容数据以及群发媒体类型数据；
从5G消息中心获取主叫用户的被举报信息；
将群发内容数据以及群发媒体类型数据预处理为第一索引序列，将主叫用户的被举报信息预处理为第二索引序列；
将第一索引序列以及第二索引序列输入至群发能力预测模型中进行处理，预测得到群发能力限制策略；
将群发能力限制策略反馈给群聊服务器，以使群聊服务器将群发能力限制策略下发给5G消息中心，以便5G消息中心根据群发能力限制策略进行消息群发处理。
在一种可选的方式中，所述可执行指令使所述处理器执行以下操作：
将群发内容数据以及群发媒体类型数据进行文本清洗处理，并将文本清洗结果所包含的各个词进行索引化处理，得到第一索引序列；
将主叫用户的被举报信息预处理为第二索引序列进一步包括：
将主叫用户的被举报信息进行文本清洗处理，并将文本清洗结果所包含的各个词进行索引化处理，得到第二索引序列。
在一种可选的方式中，群发能力限制策略包括：可群发的被叫用户数量限制策略、可群发的被叫用户区域限制策略、可群发的时间限制策略。
在一种可选的方式中，所述可执行指令使所述处理器执行以下操作：
获取历史群发内容数据、历史群发媒体类型数据以及相应的历史主叫用户的被举报信息；
对历史群发内容数据、历史群发媒体类型数据、历史主叫用户的被举报信息进行群发能力限制策略的标注，以形成训练数据集，并将训练数据集预处理为训练索引序列；
采用注意力机制编解码神经网络，利用训练索引序列训练得到群发能力预测模型。
在一种可选的方式中，被举报信息包括：被举报次数信息以及被举报原因信息。
在一种可选的方式中，群发能力预测模型包括：
输入层，用于输入第一索引序列以及第二索引序列；
嵌入层，用于将第一索引序列转换为预设维度的第一空间向量，以及将第二索引序列转换为预设维度的第二空间向量；
LSTM编码层，用于将第一空间向量编码成预设长度的第一上下文向量，以及将第二空间向量编码成预设长度的第二上下文向量；
合并层，用于将第一上下文向量以及第二上下文向量按照列维度进行拼接，得到第三上下文向量；
LSTM解码层，用于对第三上下文向量进行解码，生成群发能力限制策略；
全连接层，用于输出群发能力限制策略。
通过上述方式，从群聊服务器获取主叫用户提供的群发内容数据以及群发媒体类型数据；从5G消息中心获取主叫用户的被举报信息；将群发内容数据及群发媒体类型数据预处理为第一索引序列，将主叫用户的被举报信息预处理为第二索引序列；将第一索引序列及第二索引序列输入至群发能力预测模型中进行处理，预测得到群发能力限制策略；将群发能力限制策略反馈给群聊服务器，以使群聊服务器将群发能力限制策略下发给5G消息中心，以便5G消息中心根据群发能力限制策略进行消息群发处理。能够实现对主叫用户的消息群发能力进行差异化、精准化管控。
图7示出了本发明计算设备实施例的结构示意图，本发明具体实施例并不对计算设备的具体实现做限定。
如图7所示，该计算设备可以包括：处理器(processor)702、通信接口(Communications Interface)704、存储器(memory)706、以及通信总线708。
其中：处理器702、通信接口704、以及存储器706通过通信总线708完成相互间的通信。通信接口704，用于与其它设备比如客户端或其它服务器等的网元通信。处理器702，用于执行程序710，具体可以执行上述用于计算设备的主叫用户的5G消息群发处理方法实施例中的相关步骤。
具体地，程序710可以包括程序代码，该程序代码包括计算机操作指令。
处理器702可能是中央处理器CPU，或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路。计算设备包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个CPU；也可以是不同类型的处理器，如一个或多个CPU以及一个或多个ASIC。
存储器706，用于存放程序710。存储器706可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
程序710具体可以用于使得处理器702执行以下操作：
从群聊服务器中获取主叫用户提供的群发内容数据以及群发媒体类型数据；
从5G消息中心获取主叫用户的被举报信息；
将群发内容数据以及群发媒体类型数据预处理为第一索引序列，将主叫用户的被举报信息预处理为第二索引序列；
将第一索引序列以及第二索引序列输入至群发能力预测模型中进行处理，预测得到群发能力限制策略；
将群发能力限制策略反馈给群聊服务器，以使群聊服务器将群发能力限制策略下发给5G消息中心，以便5G消息中心根据群发能力限制策略进行消息群发处理。
在一种可选的方式中，所述程序710使所述处理器702执行以下操作：
将群发内容数据以及群发媒体类型数据进行文本清洗处理，并将文本清洗结果所包含的各个词进行索引化处理，得到第一索引序列；
将主叫用户的被举报信息预处理为第二索引序列进一步包括：
将主叫用户的被举报信息进行文本清洗处理，并将文本清洗结果所包含的各个词进行索引化处理，得到第二索引序列。
在一种可选的方式中，群发能力限制策略包括：可群发的被叫用户数量限制策略、可群发的被叫用户区域限制策略、可群发的时间限制策略。
在一种可选的方式中，所述程序710使所述处理器702执行以下操作：
获取历史群发内容数据、历史群发媒体类型数据以及相应的历史主叫用户的被举报信息；
对历史群发内容数据、历史群发媒体类型数据、历史主叫用户的被举报信息进行群发能力限制策略的标注，以形成训练数据集，并将训练数据集预处理为训练索引序列；
采用注意力机制编解码神经网络，利用训练索引序列训练得到群发能力预测模型。
在一种可选的方式中，被举报信息包括：被举报次数信息以及被举报原因信息。
在一种可选的方式中，群发能力预测模型包括：
输入层，用于输入第一索引序列以及第二索引序列；
嵌入层，用于将第一索引序列转换为预设维度的第一空间向量，以及将第二索引序列转换为预设维度的第二空间向量；
LSTM编码层，用于将第一空间向量编码成预设长度的第一上下文向量，以及将第二空间向量编码成预设长度的第二上下文向量；
合并层，用于将第一上下文向量以及第二上下文向量按照列维度进行拼接，得到第三上下文向量；
LSTM解码层，用于对第三上下文向量进行解码，生成群发能力限制策略；
全连接层，用于输出群发能力限制策略。
通过上述方式，从群聊服务器获取主叫用户提供的群发内容数据以及群发媒体类型数据；从5G消息中心获取主叫用户的被举报信息；将群发内容数据及群发媒体类型数据预处理为第一索引序列，将主叫用户的被举报信息预处理为第二索引序列；将第一索引序列及第二索引序列输入至群发能力预测模型中进行处理，预测得到群发能力限制策略；将群发能力限制策略反馈给群聊服务器，以使群聊服务器将群发能力限制策略下发给5G消息中心，以便5G消息中心根据群发能力限制策略进行消息群发处理。能够实现对主叫用户的消息群发能力进行差异化、精准化管控。
在此提供的算法或显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明实施例也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
类似地，应当理解，为了精简本发明并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明实施例的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外，本领域的技术人员能够理解，尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。上述实施例中的步骤，除有特殊说明外，不应理解为对执行顺序的限定。
Claims (10)
1.一种主叫用户的5G消息群发处理方法，包括：
从群聊服务器中获取主叫用户提供的群发内容数据以及群发媒体类型数据；
从5G消息中心获取所述主叫用户的被举报信息；
将所述群发内容数据以及群发媒体类型数据预处理为第一索引序列，将所述主叫用户的被举报信息预处理为第二索引序列；
将所述第一索引序列以及所述第二索引序列输入至群发能力预测模型中进行处理，预测得到群发能力限制策略；
将所述群发能力限制策略反馈给所述群聊服务器，以使所述群聊服务器将所述群发能力限制策略下发给5G消息中心，以便所述5G消息中心根据所述群发能力限制策略进行消息群发处理。
2.根据权利要求1所述的方法，其中，所述将所述群发内容数据以及群发媒体类型数据预处理为第一索引序列进一步包括：
将所述群发内容数据以及群发媒体类型数据进行文本清洗处理，并将文本清洗结果所包含的各个词进行索引化处理，得到第一索引序列；
所述将所述主叫用户的被举报信息预处理为第二索引序列进一步包括：
将所述主叫用户的被举报信息进行文本清洗处理，并将文本清洗结果所包含的各个词进行索引化处理，得到第二索引序列。
3.根据权利要求1所述的方法，其中，所述群发能力限制策略包括：可群发的被叫用户数量限制策略、可群发的被叫用户区域限制策略、可群发的时间限制策略。
4.根据权利要求1所述的方法，其中，所述方法进一步包括：
获取历史群发内容数据、历史群发媒体类型数据以及相应的历史主叫用户的被举报信息；
对所述历史群发内容数据、历史群发媒体类型数据、历史主叫用户的被举报信息进行群发能力限制策略的标注，以形成训练数据集，并将所述训练数据集预处理为训练索引序列；
采用注意力机制编解码神经网络，利用所述训练索引序列训练得到所述群发能力预测模型。
5.根据权利要求1所述的方法，其中，所述被举报信息包括：被举报次数信息以及被举报原因信息。
6.根据权利要求3所述的方法，其中，所述群发能力预测模型包括：
输入层，用于输入所述第一索引序列以及所述第二索引序列；
嵌入层，用于将所述第一索引序列转换为预设维度的第一空间向量，以及将所述第二索引序列转换为预设维度的第二空间向量；
LSTM编码层，用于将所述第一空间向量编码成预设长度的第一上下文向量，以及将所述第二空间向量编码成预设长度的第二上下文向量；
合并层，用于将所述第一上下文向量以及所述第二上下文向量按照列维度进行拼接，得到第三上下文向量；
LSTM解码层，用于对所述第三上下文向量进行解码，生成群发能力限制策略；
全连接层，用于输出群发能力限制策略。
7.一种主叫用户的5G消息群发处理装置，包括：
数据采集模块，适于从群聊服务器中获取主叫用户提供的群发内容数据以及群发媒体类型数据；以及从5G消息中心获取所述主叫用户的被举报信息；
数据预处理模块，适于将所述群发内容数据以及群发媒体类型数据预处理为第一索引序列，将所述主叫用户的被举报信息预处理为第二索引序列；
预测处理模块，适于将所述第一索引序列以及所述第二索引序列输入至群发能力预测模型中进行处理，预测得到群发能力限制策略；
反馈模块，适于将所述群发能力限制策略反馈给所述群聊服务器，以使所述群聊服务器将所述群发能力限制策略下发给5G消息中心，以便所述5G消息中心根据所述群发能力限制策略进行消息群发处理。
8.根据权利要求1所述的装置，其中，所述数据预处理模块进一步适于：
将所述群发内容数据以及群发媒体类型数据进行文本清洗处理，并将文本清洗结果所包含的各个词进行索引化，得到第一索引序列；
以及，将所述主叫用户的被举报信息进行文本清洗处理，并将文本清洗结果所包含的各个词进行索引化处理，得到第二索引序列。
9.一种计算设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行如权利要求1-6中任一项所述的主叫用户的5G消息群发处理方法对应的操作。
10.一种计算机存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如权利要求1-6中任一项所述的主叫用户的5G消息群发处理方法对应的操作。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011033817.0A CN114339626B (zh) | 2020-09-27 | 2020-09-27 | 主叫用户的5g消息群发处理方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011033817.0A CN114339626B (zh) | 2020-09-27 | 2020-09-27 | 主叫用户的5g消息群发处理方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114339626A true CN114339626A (zh) | 2022-04-12 |
| CN114339626B CN114339626B (zh) | 2023-08-04 |
Family
ID=81011271
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011033817.0A Active CN114339626B (zh) | 2020-09-27 | 2020-09-27 | 主叫用户的5g消息群发处理方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114339626B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1889711A (zh) * | 2005-06-29 | 2007-01-03 | 华为技术有限公司 | 消息群发系统及方法 |
| CN1964355A (zh) * | 2006-09-30 | 2007-05-16 | 华为技术有限公司 | 信息上报方法及装置及通信系统和计费方法及装置及系统 |
| CN101426257A (zh) * | 2008-11-21 | 2009-05-06 | 中国移动通信集团广东有限公司 | 基于移动通信网的不良信息治理系统和方法 |
| CN103686736A (zh) * | 2012-09-25 | 2014-03-26 | 中国电信股份有限公司 | 垃圾短信拦截方法和平台 |
| CN104702671A (zh) * | 2015-02-06 | 2015-06-10 | 贵阳朗玛信息技术股份有限公司 | 一种实现信息举报的方法及服务器 |
| CN104754526A (zh) * | 2013-12-30 | 2015-07-01 | 中国移动通信集团上海有限公司 | 一种分发短信的方法及服务器 |
| WO2015191123A1 (en) * | 2014-06-11 | 2015-12-17 | Giesecke & Devrient America, Inc. | Device, computer-readable medium, and method for retaining services using advnced data collection capabilities |
| US20190155905A1 (en) * | 2017-11-17 | 2019-05-23 | Digital Genius Limited | Template generation for a conversational agent |
| CN110390109A (zh) * | 2019-07-29 | 2019-10-29 | 阿里巴巴集团控股有限公司 | 分析多条群聊消息间关联关系的方法和装置 |
| US20200213817A1 (en) * | 2018-12-27 | 2020-07-02 | Industrial Technology Research Institute | Method of grouping user devices |
-
2020
- 2020-09-27 CN CN202011033817.0A patent/CN114339626B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1889711A (zh) * | 2005-06-29 | 2007-01-03 | 华为技术有限公司 | 消息群发系统及方法 |
| CN1964355A (zh) * | 2006-09-30 | 2007-05-16 | 华为技术有限公司 | 信息上报方法及装置及通信系统和计费方法及装置及系统 |
| CN101426257A (zh) * | 2008-11-21 | 2009-05-06 | 中国移动通信集团广东有限公司 | 基于移动通信网的不良信息治理系统和方法 |
| CN103686736A (zh) * | 2012-09-25 | 2014-03-26 | 中国电信股份有限公司 | 垃圾短信拦截方法和平台 |
| CN104754526A (zh) * | 2013-12-30 | 2015-07-01 | 中国移动通信集团上海有限公司 | 一种分发短信的方法及服务器 |
| WO2015191123A1 (en) * | 2014-06-11 | 2015-12-17 | Giesecke & Devrient America, Inc. | Device, computer-readable medium, and method for retaining services using advnced data collection capabilities |
| CN104702671A (zh) * | 2015-02-06 | 2015-06-10 | 贵阳朗玛信息技术股份有限公司 | 一种实现信息举报的方法及服务器 |
| US20190155905A1 (en) * | 2017-11-17 | 2019-05-23 | Digital Genius Limited | Template generation for a conversational agent |
| US20200213817A1 (en) * | 2018-12-27 | 2020-07-02 | Industrial Technology Research Institute | Method of grouping user devices |
| CN110390109A (zh) * | 2019-07-29 | 2019-10-29 | 阿里巴巴集团控股有限公司 | 分析多条群聊消息间关联关系的方法和装置 |
Non-Patent Citations (2)
| Title |
|---|
| 王君兰: "夯实监管基石:管窥投诉举报处理难题", 《通信世界》 * |
| 王君兰: "夯实监管基石:管窥投诉举报处理难题", 《通信世界》, no. 19, 15 July 2018 (2018-07-15) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114339626B (zh) | 2023-08-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10503834B2 (en) | Template generation for a conversational agent | |
| CN110956018B (zh) | 文本处理模型的训练方法、文本处理方法、装置及存储介质 | |
| CN111382555B (zh) | 数据处理方法、介质、装置和计算设备 | |
| CN110619124B (zh) | 一种结合注意力机制与双向lstm的命名实体识别方法及系统 | |
| CN111538809B (zh) | 一种语音服务质量检测方法、模型训练方法及装置 | |
| CN112131368B (zh) | 对话生成方法、装置、电子设备及存储介质 | |
| CN111444399B (zh) | 回复内容的生成方法、装置、设备及可读存储介质 | |
| CN112632283A (zh) | 模型生成方法、文本分类方法、装置、设备及介质 | |
| CN110188158B (zh) | 关键词及话题标签生成方法、装置、介质及电子设备 | |
| CN110889290B (zh) | 文本编码方法和设备、文本编码有效性检验方法和设备 | |
| CN116108810A (zh) | 文本数据增强方法及装置 | |
| CN114339626B (zh) | 主叫用户的5g消息群发处理方法及装置 | |
| CN115705464A (zh) | 一种信息的处理方法、装置及设备 | |
| CN114707633A (zh) | 特征提取方法、装置、电子设备和存储介质 | |
| CN115496175A (zh) | 新建边缘节点接入评估方法、装置、终端设备及产品 | |
| CN114792086A (zh) | 一种支持文本交叉覆盖的信息抽取方法、装置、设备和介质 | |
| CN113747480A (zh) | 5g切片故障的处理方法、装置及计算设备 | |
| CN115515083B (zh) | 消息发放方法、装置、服务器及存储介质 | |
| CN117392379B (zh) | 目标检测的方法和装置 | |
| CN112994923B (zh) | 网元选取方法及装置 | |
| CN110149810A (zh) | 限制在网络环境中操纵内容的传输 | |
| CN113377986B (zh) | 图像检索方法和装置 | |
| CN117521674B (zh) | 对抗信息的生成方法、装置、计算机设备和存储介质 | |
| CN114386390B (zh) | 一种数据处理方法、装置、计算机设备及存储介质 | |
| CN113656573B (zh) | 文本信息生成方法、装置、终端设备 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |