CN114691791A - 一种动态信息关联方法 - Google Patents

一种动态信息关联方法 Download PDF

Info

Publication number
CN114691791A
CN114691791A CN202210241631.7A CN202210241631A CN114691791A CN 114691791 A CN114691791 A CN 114691791A CN 202210241631 A CN202210241631 A CN 202210241631A CN 114691791 A CN114691791 A CN 114691791A
Authority
CN
China
Prior art keywords
information
entity
dynamic
information entity
attributes
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
Application number
CN202210241631.7A
Other languages
English (en)
Inventor
倪伟渊
袁轶慧
陈康
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu United Credit Reference Co ltd
Original Assignee
Jiangsu United Credit Reference Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jiangsu United Credit Reference Co ltd filed Critical Jiangsu United Credit Reference Co ltd
Priority to CN202210241631.7A priority Critical patent/CN114691791A/zh
Publication of CN114691791A publication Critical patent/CN114691791A/zh
Pending legal-status Critical Current

Links

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
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases
    • G06F16/288—Entity relationship models
    • 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
    • G06F16/219—Managing data history or versioning
    • 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
    • G06F16/2455—Query execution
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种动态信息关联方法，包括步骤1)接收新增信息记录，根据静态属性确定相似信息实体集合，步骤2)不存在相似信息实体，创建新的信息实体，流程结束，存在相似信息实体，获取相似信息实体动态属性的历史信息记录，步骤3)构建针对信息实体各个动态属性的预测模型，确定动态属性的合理取值范围，构建信息实体各个动态属性预测模型的相关性特征，计算相似信息的实体的动态属性预测取值范围，步骤4)若不存在则创建新的信息实体，若存在则将新增信息记录关联到最匹配的候选信息实体，本方案利用动态属性的变化趋势以及动态属性之间的相关性对来自不同数据源和/或不同时刻的信息进行关联，提升关联的准确率和召回率。

Description

一种动态信息关联方法
技术领域
本发明属于计算机技术领域，具体涉及一种动态信息关联方法。
背景技术
信息化社会中的参与者(比如自然人、公司)每天都会产生海量的信息，这些信息可能来自不同系统、不同的采集时间，信息来自不同系统的例子：张三投资了公司A，同时又是公司B的特聘专家，这两条信息的来源可能是不同的系统，比如前者是国家企业信用信息公示系统的信息，后者可能来自公司B的官网。信息来自不同采集时间的例子：金融机构C定期查询房贷用户李四的外部负债情况，在2021年6月底查得李四有一笔余额为5万元的贷款，2021年12月底的时候查得李四有一笔余额为4万元的贷款，而这两次查得的贷款信息很有可能对应于同一笔贷款。把这些存在业务联系的信息关联起来非常有必要，通过信息关联可以建立完整的信息链，减少数据冗余。比如，在构建企业图谱时，如果把张三作为同一个自然人，就能挖掘出公司A和公司B之间的关联关系，同时避免了分别存储两个“张三”的重复数据。在做贷款违约风险管理的时候，把用户在不同时刻的贷款记录联系起来可以分析用户的还款行为。
为了明确区分本发明方案涉及的几个概念，定义了以下专业术语。
1.信息实体：具有特定业务属性的内容，例如企业图谱中的一个自然人(业务属性如姓名、证件号、对外投资关系等)，一笔银行贷款(业务属性如贷款余额、贷款机构、贷款期限等)；
2.信息记录：记录信息实体来自不同来源或不同时刻的内容，一个信息实体可以对应一个或多个信息记录。信息来自不同来源的例子，信息记录1：“公司A的股东---张三”，信息记录2：“公司B的特聘专家---张三”，如果这两个张三对应的是同一个人，那么就是“张三”这个信息实体对应的两个信息记录；信息来自不同时刻的例子，一笔银行贷款分别在2021年6月采集的信息记录“余额5万元，贷款类型：信用贷款，贷款期限24期”和2021年12月采集的信息记录“余额4万元，贷款类型：信用贷款，贷款期限24期”。
需要指出的是信息实体的属性可能会动态变化，也就是同一个信息实体的不同信息记录并不完全相同，将有业务联系的动态信息关联起来是一个存在挑战的技术问题。现有技术CN110019542A，企业图谱中企业关系的生成方法、生成组织成员数据库及识别同名成员的方法、装置，现有技术一使用成员的辨识信息判断同名成员是否是同一个人，其中辨识属性包括个体属性和/或关系属性。基于个体属性判断是否是同一个人时，要求属性值相同；基于关系属性判断是否是同一个人时，要求关联的相同成员数量满足设定阈值。比如有两条关于“张三”的记录，这两个张三有3个共同的联系人李四、王五、赵六，假定信息关联的阈值条件为>＝3，那么可以认为两条记录的“张三”是同一个人。现有技术CN106487825B，信息关联方法及装置，现有技术二主要用于关联不同客户端上传的用户信息，关联主要基于地址位置这个属性，若两个信息记录的地理位置之间的距离小于阈值则进行关联。现有技术存在以下问题：
现有技术在关联信息记录的时候未考虑动态属性的变化趋势以及动态属性之间的相关性，影响信息关联的准确率(没有业务联系的信息被关联)和召回率(有业务联系的信息未被关联)。例如，在判断同名成员对应实体是否相同时，可以用到的关系属性如对外投资关系，现有技术一的方案是对比两个同名成员是否有若干个完全相同的投资公司，并没有用到实体在历史时刻的对外投资关系及可以从中提炼的投资偏好和扩张趋势等内容。现有技术二仅根据不同时刻用户物理位置的距离来判断能否进行关联，并没有考虑用户历史路径中包含的运动方向、加速度等信息。
发明内容
为达到上述目的，本发明的技术方案如下：一种动态信息关联方法，本发明方案利用动态属性的变化趋势以及动态属性之间的相关性对来自不同数据源和/或不同时刻的信息进行关联，提升关联的准确率和召回率，本发明涉及的系统模块架构包括：
信息处理单元：存储已识别的信息实体内容，至少包含信息实体的唯一标识，静态属性等；
信息实体数据库：存储已识别的信息实体对应的信息记录，至少包含对应信息实体的唯一标识、动态属性等，架构图中的虚线标识可以通过信息实体的唯一标识来关联信息记录和信息实体；
信息记录数据库：负责接收新增信息记录，查询信息实体数据库和/或信息记录数据库的内容，并处理相关内容生成信息关联结果，并将相关结果写入对应的数据库。
所述方法包括以下步骤：
步骤1)接收新增信息记录，包含静态属性和动态属性，并根据静态属性确定相似信息实体集合；
步骤2)若不存在相似信息实体，则创建新的信息实体，流程结束，若存在相似信息实体，则获取相似信息实体动态属性的历史信息记录；
步骤3)构建针对信息实体各个动态属性的预测模型，并确定动态属性的合理取值范围，构建信息实体各个动态属性预测模型的相关性特征，并计算相似信息的实体的动态属性预测取值范围；
步骤4)根据预测取值范围的匹配情况确定候选信息实体，判断是否存在候选信息实体，若不存在则创建新的信息实体，流程结束，若存在则将新增信息记录关联到最匹配的候选信息实体，流程结束。
基于上述技术方案，所述静态属性包括静态个体属性和/或静态关系属性，，静态个体属性例如证件号、姓名、企业统一信用代码等，静态关系属性例如对外投资、企业任职、亲属关系等；所述动态属性包括动态个体属性和/或动态关系属性，动态个体属性例如融资金额、年龄等，动态关系熟悉例如对外投资的企业名单及持股比例、存在直接或间接关联的自然人名单等。
作为本发明的一种改进，所述步骤1)中还包括：根据静态属性确定相似信息实体集合的步骤为：将新增信息记录的一个或多个静态属性与信息实体数据库中信息实体的静态属性进行对比，静态属性取值相同的若干信息实体组成新增信息记录的相似信息实体集合，相似信息实体集合ID：{ID1，ID2，...IDn}。
作为本发明的一种改进，所述步骤2)中还包括：若不存在相似信息实体，创建新的信息实体并加入信息实体数据库，将新增信息记录加入信息记录数据库并关联到新创建的信息实体，流程结束；若存在相似信息实体，从信息记录数据库中分别获取各个相似信息实体动态属性的历史数据集合，历史数据采集自不同的历史时刻和/或不同的信息源，特定动态属性的历史数据集合如下：{x1，x2，x3，....xt}，其中，Xi代表不同的时刻取值。
作为本发明的一种改进，所述步骤3)中还包括：基于动态属性的历史信息记录提炼动态属性的变化信息，使用时间序列方法拟合历史数据构建针对信息实体各个动态属性的预测模型，用于计算动态属性将来时刻的预测取值范围。
基于上述技术方案，动态属性的变化信息包括变化趋势及变化幅度等信息，可以采用以下的预测模型：xt＝f(Tt，Ct，It)，其中，Xt为动态属性t时刻的值，Tt为动态属性的趋势因素，Ct为动态属性的规律波动因素，It为动态属性的随机波动因素。
作为本发明的一种改进，所述步骤3)中还包括：结合业务规则和/或历史数据确定动态属性的合理取值范围δ。
作为本发明的一种改进，所述步骤3)中还包括：构建信息实体各个动态属性预测模型的相关性特征，描述动态属性之间的关联性ρ，比如正相关、负相关，其中相关性用ρ(X，Y)表示，X代表动态属性一，Y代表动态属性二。
作为本发明的一种改进，所述步骤3)中包括：分别计算相似信息实体的动态属性在当前时刻的预测取值范围，其中预测取值范围由生成的预测模型计算的预测值加减波动生成，这里波动值可以基于动态属性的变化幅度和/或经验值和/或合理取值区间获得。
作为本发明的一种改进，所述步骤4)中还包括：若新增信息记录的一个或多个动态属性在预测取值范围，且符合相关性特征，则将对应的相似信息实体作为候选信息实体，若新增信息记录的动态属性都超出预测取值范围，则认为是新的信息实体。
作为本发明的一种改进，所述步骤4)中还包括：确定和新增信息记录匹配度最高的候选信息实体作为目标信息实体，并新增信息记录加入信息记录数据库并关联到所述目标信息实体，所述匹配度用于度量新增信息记录与信息实体一个或多个动态属性之间相似程度。选择匹配度最高的候选信息实体作为目标信息实体。
作为本发明的一种改进，所述步骤4)中还包括：若信息记录的若干动态属性超出合理取值范围，使用动态属性之间的相关性信息和/或预测取值范围对相关动态属性进行修正。
相对于现有技术，本发明的有益效果为：利用动态属性的变化趋势以及动态属性之间的相关性对来自不同数据源和/或不同时刻的信息进行关联，提升关联的准确率和召回率。
附图说明
图1为背景技术对比文件一示意图。
图2为背景技术对比文件二示意图。
图3为本发明系统架构图。
图4为本发明流程图。
图5为本发明实施例1中U001持股比例预测模型-A公司。
具体实施方式
下面结合附图和具体实施方式，进一步阐明本发明，应理解下述具体实施方式仅用于说明本发明而不用于限制本发明的范围。
实施例1：本实施例以企业图谱的构建为背景，企业图谱由实体和实体间关系组成，实体例如自然人、企业、电话号码、地址等，实体间关系例如投资、任职等。
本实施例中的系统架构图如图3所示，信息实体数据库中存储自然人等类型的信息实体，假设目前已经存在如下内容，有两个名字为张三的自然人，唯一标识分别是U001和U002。
表1实施例一信息实体数据库-自然人初始内容
唯一标识 姓名 证件号
U001 张三 ID0001
U002 张三 ID0002
(1.1)信息记录数据库中存储投资关系等类型的信息记录，假设目前已经存在如下内容，唯一标识为U001信息实体的有3条投资A公司的信息记录和4条投资B公司的信息记录，采集自不同的时间和信息源，唯一标识为U002信息实体的有4条投资A公司的信息记录和3条投资B公司的信息记录，分别采集自不同的时间和信息源。
表2实施例一信息记录数据库-初始内容
Figure BDA0003542352110000071
Figure BDA0003542352110000081
接收到如下的新增信息记录，其中静态个体属性及取值是“姓名：张三”，动态关系属性及取值是“A公司持股数：50万”和“A公司持股比例：0.5％”，“B公司持股数：450万”和“B公司持股比例：4.5％”。
表3实施例一新增信息记录
Figure BDA0003542352110000082
(1.2)根据静态属性确定相似信息实体集合，根据新增信息记录的静态属性“姓名：张三”与信息实体数据库中(表1)信息实体的静态属性进行比较。
(1.3)确定静态属性相同的信息实体唯一标识为U001和U002，这2个信息实体组成相似信息实体集合。
相似信息实体集合ID：{U001，U002}
从信息记录数据库分别获取各个相似信息实体动态属性的历史数据，也就是表2中的内容。
(1.4)基于动态属性的历史信息记录提炼动态属性的变化趋势、变化幅度和波动率等信息，分别构建针对信息实体各个动态属性的预测模型。
(1.5)另外，结合数据和业务规则限制，可以确定动态属性持股比例的合理取值范围为0-100％。
(1.6)对于相似信息实体U001，A公司持股比例这个动态属性的变化趋势是下降，也就是“减持”。可以从表2提炼下以下信息构建预测模型(图5)，本实施例中使用时间序列方法拟合历史数据生成模型(假设模型只有趋势项，模型为：
Figure BDA0003542352110000091
其中
Figure BDA0003542352110000092
为下一时刻的预测值，xt历史数据中最新时刻的值)。时间序列分析中有较多分解因素的方法，这里不展开介绍。
表4实施例一U001训练预测模型数据-A公司
采集时刻 1 2 3
持股比例 3％ 2％ 1％
对于相似信息实体U002，A公司持股比例这个动态属性的变化趋势是上升，也就是“增持”，其模型曲线变化趋势与U001相反。
类似地，相似信息实体U001和U002对B公司的持股比例也可以采用相同方法构建预测模型。
构建信息实体各个动态属性预测模型的相关性特征。具体地，相似信息实体U001对A公司的持股比例(减持趋势)与对B公司(增持趋势)的持股比例之间呈负相关，相似信息实体U002对A公司的持股比例(增持趋势)与对B公司(增持趋势)的持股比例之间呈正相关。
基于步骤3生成的预测模型分别计算相似信息实体的动态属性在当前时刻的预测取值范围。
相似信息实体U001持股A公司的预测模型预测下一时刻的取值为0(＝0.01-0.01)，结合合理取值范围和平均变化幅度(1％)可以进一步得到一个预测取值区间[0，1％]，为了提升匹配的召回率，所以预测的是一个区间，而不是一个精准值。
(1.7)类似地，计算相似信息实体U001和U002分别对A公司和B公司的持股比例的预测范围如下表：
表5实施例一预测持股比例
信息实体唯一标识 持股公司 预测持股比例
U001 A公司 [0，1％]
U001 B公司 [4％，6％]
U002 A公司 [4％，6％]
U002 B公司 [3％，5％]
参考表2，U001对于B公司的持股比例时间序列为0.5％->1.5％->3％->4％，趋势是上升，那么预测下一个时刻的值为5％，加减一个波动值(1％)得到范围【4％，6％】，参考表2，U002对于B公司的持股比例时间序列为1％->2％->3％，趋势是上升，那么预测下一个时刻的值为4％，加减一个波动值(1％)得到范围【3％，5％】。
(1.8)新增信息记录(表3)的动态属性A公司持股比例和B公司持股比例在预测取值范围，且符合所述相关性特征(趋势负相关)，则将对应的相似信息实体U001作为候选信息实体。新增信息记录的A公司和B公司的持股比例与相似信息实体U002的预测取值范围及相关性特征都不匹配，故U002不作为候选信息实体。
(1.9)确定和新增信息记录匹配度最高的候选信息实体作为目标信息实体，并新增信息记录加入信息记录数据库并关联到所述目标信息实体。本实施例中只有一个候选信息实体U001，故该信息实体为目标信息实体，将新增信息记录加入信息记录数据库得到以下内容：
表6实施例一信息记录数据库-更新后内容
Figure BDA0003542352110000111
Figure BDA0003542352110000121
若存在多个候选信息实体，需要计算并比较新增信息记录与候选信息实体之间的相似度，这里相似度例如是新增信息记录动态属性与候选信息实体动态属性的预测值之间的标准化欧式距离等。因新增信息记录动态属性的取值都在合理取值区间(步骤4：0-100％)，故无需进行修正，流程结束。
实施例二：需要进行信息修正：
假定实施例二与实施例一的初始化状态一致(见表1和表2)。
(2.1)接收到如下的新增信息记录，其中静态个体属性及取值是“姓名：张三”，动态关系属性及取值是“A公司持股数：50万”和“A公司持股比例：0.5％”，“B公司持股数：450万”和“B公司持股比例：450％”。其中“持股比例：450％”是与实施例一不同的地方。
表7实施例二新增信息记录
Figure BDA0003542352110000122
(2.2)至(2.6)同实施例一的(1.2)至(1.6)内容；
(2.7)新增信息记录(表7)的动态属性“A公司持股比例”，在预测取值范围，则将对应的相似信息实体U001作为候选信息实体。新增信息记录的A公司和B公司的持股比例与相似信息实体U002的预测取值范围都不匹配，故U002不作为候选信息实体。
(2.8)确定和新增信息记录匹配度最高的候选信息实体作为目标信息实体，并新增信息记录加入信息记录数据库并关联到所述目标信息实体。本实施例中只有一个候选信息实体U001，故该信息实体为目标信息实体，将新增信息记录加入信息记录数据库得到以下内容：
表8实施例二信息记录数据库-更新后内容(修正前)
Figure BDA0003542352110000131
Figure BDA0003542352110000141
(2.9)因新增信息记录中动态属性“B公司持股比例”的取值超过合理取值区间(步骤4：0-100％)，需要进行修正。可以根据历史数据中提炼的持股数和持股比例之间的相关性(持股比例＝持股数*0.0001)，对将异常数据450％修正为4.5％。
需要说明的是，以上内容仅仅说明了本发明的技术思想，不能以此限定本发明的保护范围，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰均落入本发明权利要求书的保护范围之内。

Claims (10)

1.一种动态信息关联方法，其特征在于，所述方法包括以下步骤：
步骤1)接收新增信息记录，包含静态属性和动态属性，并根据静态属性确定相似信息实体集合；
步骤2)若不存在相似信息实体，则创建新的信息实体，流程结束，若存在相似信息实体，则获取相似信息实体动态属性的历史信息记录；
步骤3)构建针对信息实体各个动态属性的预测模型，并确定动态属性的合理取值范围，构建信息实体各个动态属性预测模型的相关性特征，并计算相似信息的实体的动态属性预测取值范围；
步骤4)根据预测取值范围的匹配情况确定候选信息实体，判断是否存在候选信息实体，若不存在则创建新的信息实体，流程结束，若存在则将新增信息记录关联到最匹配的候选信息实体，流程结束。
2.根据权利要求1所述的一种动态信息关联方法，其特征在于，所述步骤1)中还包括：根据静态属性确定相似信息实体集合的步骤为：将新增信息记录的一个或多个静态属性与信息实体数据库中信息实体的静态属性进行对比，静态属性取值相同的若干信息实体组成新增信息记录的相似信息实体集合，相似信息实体集合ID：{ID1，ID2，...IDn}。
3.根据权利要求1所述的一种动态信息关联方法，其特征在于，所述步骤2)中还包括：若不存在相似信息实体，创建新的信息实体并加入信息实体数据库，将新增信息记录加入信息记录数据库并关联到新创建的信息实体，流程结束；若存在相似信息实体，从信息记录数据库中分别获取各个相似信息实体动态属性的历史数据集合，历史数据采集自不同的历史时刻和/或不同的信息源，特定动态属性的历史数据集合如下：{x1,x2,x3,....xt}，其中，Xi代表不同的时刻取值。
4.根据权利要求1所述的一种动态信息关联方法，其特征在于，所述步骤3)中还包括：基于动态属性的历史信息记录提炼动态属性的变化信息，使用时间序列方法拟合历史数据构建针对信息实体各个动态属性的预测模型，用于计算动态属性将来时刻的预测取值范围。
5.根据权利要求1所述的一种动态信息关联方法，其特征在于，所述步骤3)中还包括：结合业务规则和/或历史数据确定动态属性的合理取值范围δ。
6.根据权利要求1所述的一种动态信息关联方法，其特征在于，所述步骤3)中还包括：构建信息实体各个动态属性预测模型的相关性特征，描述动态属性之间的关联性ρ，其中相关性用ρ(X，Y)表示,X代表动态属性一，Y代表动态属性二。
7.根据权利要求1所述的一种动态信息关联方法，其特征在于，所述步骤3)中包括：分别计算相似信息实体的动态属性在当前时刻的预测取值范围，其中预测取值范围由生成的预测模型计算的预测值加减波动生成。
8.根据权利要求1所述的一种动态信息关联方法，其特征在于，所述步骤4)中还包括：若新增信息记录的一个或多个动态属性在预测取值范围，且符合相关性特征，则将对应的相似信息实体作为候选信息实体，若新增信息记录的动态属性都超出预测取值范围，则认为是新的信息实体。
9.根据权利要求1所述的一种动态信息关联方法，其特征在于，所述步骤4)中还包括：确定和新增信息记录匹配度最高的候选信息实体作为目标信息实体，并新增信息记录加入信息记录数据库并关联到所述目标信息实体，所述匹配度用于度量新增信息记录与信息实体一个或多个动态属性之间相似程度。选择匹配度最高的候选信息实体作为目标信息实体。
10.根据权利要求1所述的一种动态信息关联方法，其特征在于，所述步骤4)中还包括：若信息记录的若干动态属性超出合理取值范围，使用动态属性之间的相关性信息和/或预测取值范围对相关动态属性进行修正。
CN202210241631.7A 2022-03-11 2022-03-11 一种动态信息关联方法 Pending CN114691791A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210241631.7A CN114691791A (zh) 2022-03-11 2022-03-11 一种动态信息关联方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210241631.7A CN114691791A (zh) 2022-03-11 2022-03-11 一种动态信息关联方法

Publications (1)

Publication Number Publication Date
CN114691791A true CN114691791A (zh) 2022-07-01

Family

ID=82139618

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210241631.7A Pending CN114691791A (zh) 2022-03-11 2022-03-11 一种动态信息关联方法

Country Status (1)

Country Link
CN (1) CN114691791A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115169989A (zh) * 2022-09-02 2022-10-11 北京新机场建设指挥部 多耦合项目管理方法、系统、装置、电子设备及存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115169989A (zh) * 2022-09-02 2022-10-11 北京新机场建设指挥部 多耦合项目管理方法、系统、装置、电子设备及存储介质
CN115169989B (zh) * 2022-09-02 2023-01-06 北京新机场建设指挥部 多耦合项目管理方法、系统、装置、电子设备及存储介质

Similar Documents

Publication Publication Date Title
US8175889B1 (en) Systems and methods for tracking changes of address based on service disconnect/connect data
US9104960B2 (en) Click prediction using bin counting
US10089686B2 (en) Systems and methods for increasing efficiency in the detection of identity-based fraud indicators
US7634482B2 (en) System and method for data integration using multi-dimensional, associative unique identifiers
CN107622326B (zh) 用户分类、可用资源预测方法、装置及设备
US7962421B2 (en) Residential delivery indicator
US8214373B1 (en) Systems and methods for assignment of human reviewers using probabilistic prioritization
WO2009010950A1 (en) System and method for predicting a measure of anomalousness and similarity of records in relation to a set of reference records
US8694427B2 (en) Time-efficient and deterministic adaptive score calibration techniques for maintaining a predefined score distribution
CN109767225B (zh) 一种基于自学习滑动时间窗口的网络支付欺诈检测方法
CN111784204A (zh) 一种基于用户用电行为画像的优质用户挖掘方法及系统
US20150199784A1 (en) Systems and Methods For Estimating Probability Of Identity-Based Fraud
CN111415192A (zh) 基于大数据的用户用水性质预测方法
CN114691791A (zh) 一种动态信息关联方法
CN108304990B (zh) 一种停电敏感预判方法和系统
US20220229854A1 (en) Constructing ground truth when classifying data
CN115048682B (zh) 一种土地流转信息的安全存储方法
CN111737308A (zh) 基于最小熵分值的股票交易点预测方法、系统及存储介质
CN114219245B (zh) 基于大数据的乡村电力指数评价方法、装置及存储介质
Kirshners et al. A comparative analysis of short time series processing methods
CN109919811B (zh) 基于大数据的保险代理人培养方案生成方法及相关设备
Chi et al. Delineating the Spatio‐Temporal Pattern of House Price Variation by Local Authority in England: 2009 to 2016
McClellan et al. Using machine‐learning algorithms to improve imputation in the medical expenditure panel survey
CN110852392A (zh) 一种用户分群方法、装置、设备和介质
CN112651415B (zh) 一种电力客户群体的用电问题挖掘方法及装置

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