CN114693011A - 一种政策匹配方法、装置、设备和介质 - Google Patents
一种政策匹配方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN114693011A CN114693011A CN202011562375.9A CN202011562375A CN114693011A CN 114693011 A CN114693011 A CN 114693011A CN 202011562375 A CN202011562375 A CN 202011562375A CN 114693011 A CN114693011 A CN 114693011A
- Authority
- CN
- China
- Prior art keywords
- policy
- user
- matched
- matching
- sample
- 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
- 238000000034 method Methods 0.000 title claims abstract description 49
- 230000006399 behavior Effects 0.000 claims description 68
- 238000013136 deep learning model Methods 0.000 claims description 43
- 238000012549 training Methods 0.000 claims description 30
- 238000005259 measurement Methods 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 10
- 238000010586 diagram Methods 0.000 description 16
- 238000004891 communication Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 6
- 238000013139 quantization Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000012015 optical character recognition Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Primary Health Care (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种政策匹配方法、装置、设备和介质，由于该方法中在确定匹配分值是基于待匹配政策的每种指标的关键词，相比与现有技术中的基于政策的可量化指标进行匹配的方法，该方法中根据政策的每种指标的关键词参考的指标更多，因此确定的匹配分值更准确，从而根据匹配分值及预设阈值，确定待匹配用户与待匹配政策是否匹配时的精准度更高。
Description
技术领域
本发明涉及计算机人工智能数据处理技术领域，尤其涉及一种政策匹配方法、装置、设备和介质。
背景技术
现有技术中的一种政策智能匹配的方法中采用政策智能匹配系统进行匹配，该政策智能匹配系统包括用户平台和后台管理系统；用户平台包括用户类别选择模块、用户信息填写模块、政策匹配模块，后台管理系统包括政策数据库、政策编译模块和用户管理模块；该政策智能匹配系统用来采集存储政策信息，将各项政策信息的可量化定性硬指标编译成匹配公式，输入用户的信息与各项政策进行匹配，符合匹配公式的匹配成功。
该政策智能匹配系统能帮助用户快速、精准地匹配出对应的扶持政策，有效解决现有项目查找、筛选、评估和匹配费时费力的问题，更好地为用户做好项目申报规划准备工作，但是由于在进行匹配时仅对可量化的指标进行匹配，而对于无法量化的部分则不进行匹配，因此导致政策匹配时的精准度低的问题。
发明内容
本发明实施例提供了一种政策匹配方法、装置、设备和介质，用以解决现有技术中政策匹配的精准度低的问题。
本发明实施例提供了一种政策匹配方法，所述方法包括：
确定待匹配用户针对待匹配政策的每个目标行为属性信息，并根据预先保存的所述待匹配用户的每个目标基础属性信息，确定所述待匹配用户的每个目标属性信息；
基于预先训练完成的政策匹配模型，根据输入的所述待匹配用户的目标属性信息、及所述待匹配政策的每种指标的关键词，获取所述待匹配用户与所述待匹配政策的匹配分值；
根据所述匹配分值及预设阈值，确定所述待匹配用户与所述待匹配政策是否匹配。
进一步地，所述确定待匹配用户针对待匹配政策的每个目标行为属性信息包括：
采集待匹配用户针对待匹配政策的页面的行为数据，其中所述行为数据包括浏览时长、设定时间周期内浏览次数、下载次数、点击次数；
根据所述行为数据确定所述待匹配用户针对所述待匹配政策的每个目标行为属性信息。
进一步地，所述政策匹配模型的训练过程包括：
针对样本集中的任一样本匹配组合，获取所述样本匹配组合以及所述样本匹配组合对应的第一标签信息，其中所述样本匹配组合包括政策的每种指标的关键词及用户的每个属性信息，所述第一标签信息标识所述样本匹配组合中的政策与用户的匹配分值；
将所述样本匹配组合输入到原始深度学习模型中，获取输出的所述样本匹配组合的第二标签信息；
根据所述第一标签信息和所述第二标签信息，对所述原始深度学习模型的各参数的参数值进行调整，得到训练完成的所述政策匹配模型。
进一步地，所述将所述样本匹配组合输入到原始深度学习模型中，获取输出的所述样本匹配组合的第二标签信息包括：
将所述样本匹配组合输入到所述原始深度学习模型中，根据所述样本匹配组合中的政策的每种指标的关键词与用户的每个属性信息，确定所述样本匹配组合中的政策与用户的关联度值；
获取输出的标识所述样本匹配组合的所述关联度值的第二标签信息。
进一步地，所述根据所述样本匹配组合中的政策的每种指标的关键词与用户的每个属性信息，确定所述样本匹配组合中的政策与用户的关联度值包括：
根据所述样本匹配组合中的政策的每种指标的关键词与用户的每个属性信息，采用关联度测算函数关系进行关联度测算，确定所述样本匹配组合中的政策与用户的关联度值。
进一步地，所述针对样本集中的任一样本匹配组合，获取所述样本匹配组合以及所述样本匹配组合对应的第一标签信息之前，所述方法还包括：
针对预先保存的每条政策，根据预先保存的政策与用户条件的对应关系，确定该条政策的目标用户条件；
根据预先保存的每个用户的每个属性信息、以及所述目标用户条件，确定满足所述目标用户条件的每个目标用户；
针对每个目标用户，根据该目标用户的每个属性信息以及该条政策的每种指标的关键词，确定样本集中的样本匹配组合。
相应地，本发明实施例提供了一种政策匹配装置，所述装置包括：
确定模块，用于确定待匹配用户针对待匹配政策的每个目标行为属性信息，并根据预先保存的所述待匹配用户的每个目标基础属性信息，确定所述待匹配用户的每个目标属性信息；
匹配模块，用于基于预先训练完成的政策匹配模型，根据输入所述待匹配用户的目标属性信息、及所述待匹配政策的每种指标的关键词，获取所述待匹配用户与所述待匹配政策的匹配分值；根据所述每个匹配分值及预设阈值，确定所述待匹配用户与所述待匹配政策是否匹配。
进一步地，所述确定模块，具体用于所述确定待匹配用户针对待匹配政策的每个目标行为属性信息包括：采集待匹配用户针对待匹配政策的页面的行为数据，其中所述行为数据包括浏览时长、设定时间周期内浏览次数、下载次数、点击次数；根据所述行为数据确定所述待匹配用户针对所述待匹配政策的每个目标行为属性信息。
进一步地，所述装置还包括：
训练模块，用于所述政策匹配模型的训练过程包括：针对样本集中的任一样本匹配组合，获取所述样本匹配组合以及所述样本匹配组合对应的第一标签信息，其中所述样本匹配组合包括政策的每种指标的关键词及用户的每个属性信息，所述第一标签信息标识所述样本匹配组合中的政策与用户的匹配分值；将所述样本匹配组合输入到原始深度学习模型中，获取输出的所述样本匹配组合的第二标签信息；根据所述第一标签信息和所述第二标签信息，对所述原始深度学习模型的各参数的参数值进行调整，得到训练完成的所述政策匹配模型。
进一步地，所述训练模块，具体用于所述将所述样本匹配组合输入到原始深度学习模型中，获取输出的所述样本匹配组合的第二标签信息包括：将所述样本匹配组合输入到所述原始深度学习模型中，根据所述样本匹配组合中的政策的每种指标的关键词与用户的每个属性信息，确定所述样本匹配组合中的政策与用户的关联度值；获取输出的标识所述样本匹配组合的所述关联度值的第二标签信息。
进一步地，所述训练模块，具体用于所述根据所述样本匹配组合中的政策的每种指标的关键词与用户的每个属性信息，确定所述样本匹配组合中的政策与用户的关联度值包括：根据所述样本匹配组合中的政策的每种指标的关键词与用户的每个属性信息，采用关联度测算函数关系进行关联度测算，确定所述样本匹配组合中的政策与用户的关联度值。
进一步地，所述训练模块，具体用于所述针对样本集中的任一样本匹配组合，获取所述样本匹配组合以及所述样本匹配组合对应的第一标签信息之前，所述方法还包括：针对预先保存的每条政策，根据预先保存的政策与用户条件的对应关系，确定该条政策的目标用户条件；根据预先保存的每个用户的每个属性信息、以及所述目标用户条件，确定满足所述目标用户条件的每个目标用户；针对每个目标用户，根据该目标用户的每个属性信息以及该条政策的每种指标的关键词，确定样本集中的样本匹配组合。
相应地，本发明实施例提供了一种电子设备，所述电子设备包括处理器和存储器，所述存储器用于存储程序指令，所述处理器用于执行存储器中存储的计算机程序时实现上述政策匹配方法中任一所述方法的步骤。
相应地，本发明实施例提供了一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现上述政策匹配方法中任一所述方法的步骤。
本发明实施例提供了一种政策匹配方法、装置、设备和介质，由于该方法中确定待匹配用户针对待匹配政策的每个目标行为属性信息，并根据预先保存的所述待匹配用户的每个目标基础属性信息，确定所述待匹配用户的每个目标属性信息；基于预先训练完成的政策匹配模型，根据输入的待匹配用户的每个目标属性信息、及所述待匹配政策的每种指标的关键词，获取待匹配用户与待匹配政策的匹配分值；由于该方法中在确定匹配分值是基于待匹配政策的每种指标的关键词，相比与现有技术中的基于政策的可量化指标进行匹配的方法，该方法中根据政策的每种指标的关键词参考的指标更多，因此确定的匹配分值更准确，从而根据匹配分值及预设阈值，确定待匹配用户与待匹配政策是否匹配时的精准度更高。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种政策匹配方法的过程示意图；
图2为本发明实施例提供的一种政策匹配装置的结构示意图；
图3为本发明实施例提供的一种政策匹配装置的结构示意图；
图4为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，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。
为了提高政策匹配的精准度，本发明实施例提供了一种政策匹配方法、装置、设备和介质。
实施例1：
图1为本发明实施例提供的一种政策匹配方法的过程示意图，该过程包括以下步骤：
S101：确定待匹配用户针对待匹配政策的每个目标行为属性信息，并根据预先保存的所述待匹配用户的每个目标基础属性信息，确定所述待匹配用户的每个目标属性信息。
本发明实施例提供的一种政策匹配方法应用于电子设备，该电子设备可以是智能手机、平板电脑、PC等智能终端设备；也可以是本地服务器、云端服务器等设备，具体的本发明实施例对此不做限制。
为了确定待匹配用户与待匹配政策是否匹配，在本发明实施例中，该待匹配用户是指需要确定适用政策的用户，该待匹配用户可以是公司用户、也可以是个人用户；该待匹配政策可以是税务政策、也可以是人才政策、或者是其他的政策。
该电子设备首先确定待匹配用户针对该待匹配政策的每个目标行为属性信息。其中目标行为属性信息是指待匹配用户在该待匹配政策的页面时的所有行为的行为属性信息，包括浏览行为属性信息、点击行为属性信息、以及下载行为属性信息等。
为了确定待匹配用户的目标属性信息，还可以确定出该待匹配用户的目标基础属性信息，该电子设备预先保存有每个用户的每个基础属性信息，根据预先保存的每个用户的每个基础属性信息，确定出该待匹配用户的每个目标基础属性信息。其中该基础属性信息是用户的身份相关信息。该目标基础属性信息包括该待匹配用户的年龄、性别、家庭地址、学历等信息。
根据待匹配用户针对待匹配政策的每个目标行为属性信息、以及预先保存的待匹配用户的每个目标基础属性信息，确定出该待匹配用户的目标属性信息，即将每个目标行为属性信息和每个目标基础属性信息均作为该待匹配用户的目标属性信息，目标属性信息包括每个目标行为属性信息、以及每个目标基础属性信息。
S102：基于预先训练完成的政策匹配模型，根据输入的所述待匹配用户的目标属性信息、及所述待匹配政策的每种指标的关键词，获取所述待匹配用户与所述待匹配政策的匹配分值。
为了确定出待匹配用户与待匹配政策的匹配分值，在确定出待匹配用户的目标属性信息后，还可以确定待匹配政策的每种指标的关键词。其中每种指标的关键词包括每种量化指标的关键词，以及每种非量化指标的关键词，每种量化指标是指可以用数字字符表示的指标，例如年龄指标、数量指标等，每种非量化指标是指无法用数字字符表示的指标，例如学历指标、地域指标等。
具体的，该待匹配政策的每种指标的关键词是预先识别并保存的，预先对每种纸质文件上的政策进行光学字符(Optical Character Recognition，OCR)识别确定出纸质文件上的政策的每个字符，根据预先保存的每种类型的政策的指标字符、政策的类型、识别出的政策的每个字符，确定政策的每个字符中的目标指标字符，并将目标指标字符后设定数量的字符作为目标指标的关键词，并将政策与每种指标的关键词对应保存。
例如，在识别出税务政策的每个字符后，根据预先保存的税务政策的指标字符、以及识别出的税务政策的每个字符，确定出税务政策的每个字符中包括目标非量化指标字符“税种”、以及目标量化指标字符“期限”，则将字符“税种”后的设定数量的字符作为目标非量化指标“税种”的关键词，将字符“期限”后的设定数量的字符作为目标量化指标“期限”的关键词。
在识别出人才政策的每个字符后，根据预先保存的人才政策的指标字符、以及识别出的人才政策的每个字符，确定出人才政策的每个字符中包括目标非量化指标字符“学历”、以及目标量化指标字符“年龄”，则将字符“学历”后的设定数量的字符作为目标非量化指标“学历”的关键词，将字符“年龄”后的设定数量的字符作为目标量化指标“年龄”的关键词。
该电子设备保存有预先训练完成的政策匹配模型，该政策匹配模型是用于确定待匹配用户与待匹配政策的匹配分值的，基于该预先训练完成的政策匹配模型，可以确定该待匹配用户和该待匹配政策的匹配分值。
具体的，将该待匹配用户的目标属性信息、以及该待匹配政策的每种指标的关键词输入到该预先训练完成的政策匹配模型中，该预先训练完成的政策匹配模型对该待匹配用户和该待匹配政策进行匹配，确定该待匹配用户和该待匹配政策的匹配分值。其中该待匹配用户和该待匹配政策的匹配分值是指该待匹配政策适合该待匹配用户的可能性。
S103：根据所述匹配分值及预设阈值，确定所述待匹配用户与所述待匹配政策是否匹配。
为了确定待匹配用户与待匹配政策是否匹配，预先保存有预设阈值，根据该匹配分值与该预设阈值的比较结果，确定待匹配用户与待匹配政策是否匹配；具体得，若该匹配分值不小于该预设阈值，则确定该待匹配用户与待匹配政策匹配；若该匹配分值小于该预设阈值，则确定该待匹配用户与待匹配政策不匹配。
其中，该预设阈值可以根据需要进行灵活设置，若希望提高待匹配用户与待匹配政策匹配的匹配准确性，则可以将该预设阈值设置地较大一些；若希望提高待匹配用户与待匹配政策的匹配可能性，则可以将该预设阈值设置地较小一些。
由于本发明实施例中在确定匹配分值是基于待匹配政策的每种指标的关键词及用户得属性信息，相比与现有技术中的基于政策的可量化指标进行匹配的方法，本发明实施例中根据政策的每种指标的关键词参考的指标更多，因此确定的匹配分值更准确，从而根据匹配分值及预设阈值，确定待匹配用户与待匹配政策是否匹配时的精准度更高。
实施例2：
为了确定待匹配用户的每个目标行为属性信息，在上述实施例的基础上，在本发明实施例中，所述确定待匹配用户针对待匹配政策的每个目标行为属性信息包括：
采集待匹配用户针对待匹配政策的页面的行为数据，其中所述行为数据包括浏览时长、设定时间周期内浏览次数、点击次数；
根据所述行为数据确定所述待匹配用户针对所述待匹配政策的每个目标行为属性信息。
为了确定待匹配用户的每个目标行为属性信息，在本发明实施例中，该电子设备采集待匹配用户针对该待匹配政策的页面的行为数据。其中该行为数据包括该待匹配用户对该待匹配政策的页面的浏览时长、该待匹配用户在该待匹配政策的页面的点击次数和点击频率、该待匹配用户在该待匹配政策的页面时下载该待匹配政策的下载次数、该待匹配用户对该待匹配政策的页面在设定时间周期内的浏览次数，该设定时间周期可以是一天、可以是一周、也可以是一个月，本发明实施例对此不做限制。
具体的，可以是预先在该待匹配政策的页面的主要节点埋点数据库，即采用埋点技术采集待匹配用户针对该待匹配政策的页面的行为数据；也可以是通过基础代码在待匹配政策的页面上放置监听器，即采用无埋点技术采集待匹配用户针对该待匹配政策的页面的行为数据。
根据采集到的行为数据，确定该待匹配用户针对该待匹配政策的每个目标行为属性信息，具体的，根据行为数据中的浏览时长信息、点击次数信息、点击频率信息、下载次数信息、以及设定时间周期内的浏览次数信息，确定该待匹配用户针对该待匹配政策的浏览行为属性信息、点击行为属性信息、和下载行为属性信息。
实施例3：
为了训练政策匹配模型，在上述各实施例的基础上，在本发明实施例中，所述政策匹配模型的训练过程包括：
针对样本集中的任一样本匹配组合，获取所述样本匹配组合以及所述样本匹配组合对应的第一标签信息，其中所述样本匹配组合包括政策的每种指标的关键词及用户的每个属性信息，所述第一标签信息标识所述样本匹配组合中的政策与用户的匹配分值；
将所述样本匹配组合输入到原始深度学习模型中，获取输出的所述样本匹配组合的第二标签信息；
根据所述第一标签信息和所述第二标签信息，对所述原始深度学习模型的各参数的参数值进行调整，得到训练完成的所述政策匹配模型。
为了实现政策匹配模型的训练，本发明实施例中保存有进行训练用的样本集，该样本集中包括样本匹配组合，该样本匹配组合包括政策的每种指标的关键词及用户的每个属性信息，还包括该样本匹配组合对应的第一标签信息。
其中，该第一标签信息用于标识样本匹配组合中的政策与用户的匹配分值，该匹配分值是预先接收的对该样本匹配组合的政策与用户进行匹配时的打分值，该匹配分值越高，则表示该样本匹配组合的政策与用户越匹配。
在本发明实施例中，在获取到样本集中的任一样本匹配组合及该任一样本匹配组合的第一标签信息后，将该任一样本匹配组合输入到原始深度学习模型中，该原始深度学习模型输出该任一样本匹配组合的第二标签信息。其中，第二标签信息标识该原始深度学习模型对该样本匹配组合中的政策与用户的匹配分值。
在根据该原始深度学习模型确定出该样本匹配组合的第二标签信息后，根据该第二标签信息以及该样本匹配组合的第一标签信息，对该原始深度学习模型进行训练，以调整该原始深度学习模型的各项参数的参数值，得到训练完成的政策匹配模型。
对深度学习模型进行训练的样本集中包含的每一个样本匹配组合都进行上述操作，当满足预设的条件时，得到训练完成的深度学习模型。其中，该预设的条件可以是样本集中的样本匹配组合通过原始深度学习模型训练后得到的第二标签信息与第一标签信息一致的样本匹配组合的数量大于设定数量；也可以是对原始深度学习模型进行训练的迭代次数达到设置的最大迭代次数等。具体的，本发明实施例对此不做限制。
作为一种可能的实施方式，在对原始深度学习模型进行训练时，可以把样本集中的样本匹配组合分为训练样本匹配组合和测试样本匹配组合，先基于训练样本匹配组合对原始深度学习模型进行训练，再基于测试样本匹配组合对训练完成的政策匹配模型的可靠性进行测试。
实施例4：
为了获取输出的样本匹配组合的第二标签信息，在上述各实施例的基础上，在本发明实施例中，所述将所述样本匹配组合输入到原始深度学习模型中，获取输出的所述样本匹配组合的第二标签信息包括：
将所述样本匹配组合输入到所述原始深度学习模型中，根据所述样本匹配组合中的政策的每种指标的关键词与用户的每个属性信息，确定所述样本匹配组合中的政策与用户的关联度值；
获取输出的标识所述样本匹配组合的所述关联度值的第二标签信息。
为了获取输出的样本匹配组合的第二标签信息，在本发明实施例中，将样本匹配组合输入到原始深度学习模型中，该原始深度学习模型根据样本匹配组合中的政策的每种指标的关键词与用户的每个属性信息，进行关联度测算确定该样本匹配组合中的政策与用户的关联度值。
其中该关联度值是表示该样本匹配组合中的政策与用户的关联程度，具体是根据每个属性信息与每种指标的关键词的关联程度确定政策与用户的关联度值，其中关联度值反映政策与用户匹配的可能性，关联度值越高则政策与用户匹配的可能性就越高。
确定出样本匹配组合中的政策与用户的关联度值后，由于关联度值反映出政策与用户相匹配的可能性，因此获取输出的该样本匹配组合的关联度值，并将该关联度值作为该样本匹配组合的第二标签信息。
为了确定政策与用户的关联度值，在本发明实施例中，所述根据所述样本匹配组合中的政策的每种指标的关键词与用户的每个属性信息，确定所述样本匹配组合中的政策与用户的关联度值包括：
根据所述样本匹配组合中的政策的每种指标的关键词与用户的每个属性信息，采用关联度测算函数关系进行关联度测算，确定所述样本匹配组合中的政策与用户的关联度值。
为了确定出政策与用户的关联度值，在本发明实施例中，根据样本匹配组合中的政策的每种指标的关键词与用户的每个属性信息，由于现有技术中存在关联度测算函数关系，因此直接采用关联度测算函数关系进行关联度测算，确定出该样本匹配组合中政策与用户的关联度值。
其中该关联度测算函数关系可以是现有的Apriori算法函数关系、也可以是现有的其他关联度测算函数关系，根据现有的关联度测算函数关系进行关联度测算属于现有技术，本发明实施例对此不做赘述。
实施例5：
为了提高政策匹配模型的训练效率，在上述各实施例的基础上，在本发明实施例中，所述针对样本集中的任一样本匹配组合，获取所述样本匹配组合以及所述样本匹配组合对应的第一标签信息之前，所述方法还包括：
针对预先保存的每条政策，根据预先保存的政策与用户条件的对应关系，确定该条政策的目标用户条件；
根据预先保存的每个用户的每个属性信息、以及所述目标用户条件，确定满足所述目标用户条件的每个目标用户；
针对每个目标用户，根据该目标用户的每个属性信息以及该条政策的每种指标的关键词，确定样本集中的样本匹配组合。
为了提高政策匹配模型的训练效率，在本发明实施例中，样本匹配组合并不是随机确定的，而是先确定出存在一定关联的政策与用户，并将其作为样本集中的样本匹配组合。
针对预先保存的每条政策，首先筛选出与该条政策存在一定关联的用户，电子设备预先保存有政策与用户条件的对应关系，其中每条政策的用户条件是预先确定的。
根据预先保存的政策与用户条件的对应关系，在该对应关系中确定出该条政策对应的用户条件，并将该条政策对应的用户条件作为该条政策的目标用户条件。
确定出该条政策的目标用户条件后，根据该目标用户条件确定出满足该目标用户条件的每个目标用户。具体的，电子设备预先保存有每个用户的每个属性信息，根据预先保存的每个用户的每个属性信息、以及该目标用户条件，确定满足所述目标用户条件的每个目标用户。
该电子设备筛选出与该条政策存在一定关联的每个目标用户，针对每个目标用户，根据该目标用户以及该条政策，确定出该目标用户的每个属性信息以及该条政策的每种指标的关键词，并将其作为该样本集中的一个样本匹配组合，针对每个目标用户均确定出对应的样本匹配组合，针对每条政策确定出每条政策对应的每个样本匹配组合综合确定出该样本集。
实施例6：
在上述各实施例的基础上，图2为本发明实施例提供的一种政策匹配装置的结构示意图，所述装置包括：
确定模块201，用于确定待匹配用户针对待匹配政策的每个目标行为属性信息，并根据预先保存的所述待匹配用户的每个目标基础属性信息，确定所述待匹配用户的每个目标属性信息；
匹配模块202，用于基于预先训练完成的政策匹配模型，根据输入所述待匹配用户的每个目标属性信息、及所述待匹配政策的每种指标的关键词，获取所述待匹配用户与所述待匹配政策的匹配分值；根据所述每个匹配分值及预设阈值，确定所述待匹配用户与所述待匹配政策是否匹配。
进一步地，所述确定模块，具体用于所述确定待匹配用户针对待匹配政策的每个目标行为属性信息包括：采集待匹配用户针对待匹配政策的页面的行为数据，其中所述行为数据包括浏览时长、设定时间周期内浏览次数、下载次数、点击次数；根据所述行为数据确定所述待匹配用户针对所述待匹配政策的每个目标行为属性信息。
进一步地，所述装置还包括：
训练模块，用于所述政策匹配模型的训练过程包括：针对样本集中的任一样本匹配组合，获取所述样本匹配组合以及所述样本匹配组合对应的第一标签信息，其中所述样本匹配组合包括政策的每种指标的关键词及用户的每个属性信息，所述第一标签信息标识所述样本匹配组合中的政策与用户的匹配分值；将所述样本匹配组合输入到原始深度学习模型中，获取输出的所述样本匹配组合的第二标签信息；根据所述第一标签信息和所述第二标签信息，对所述原始深度学习模型的各参数的参数值进行调整，得到训练完成的所述政策匹配模型。
进一步地，所述训练模块，具体用于所述将所述样本匹配组合输入到原始深度学习模型中，获取输出的所述样本匹配组合的第二标签信息包括：将所述样本匹配组合输入到所述原始深度学习模型中，根据所述样本匹配组合中的政策的每种指标的关键词与用户的每个属性信息，确定所述样本匹配组合中的政策与用户的关联度值；获取输出的标识所述样本匹配组合的所述关联度值的第二标签信息。
进一步地，所述训练模块，具体用于所述根据所述样本匹配组合中的政策的每种指标的关键词与用户的每个属性信息，确定所述样本匹配组合中的政策与用户的关联度值包括：根据所述样本匹配组合中的政策的每种指标的关键词与用户的每个属性信息，采用关联度测算函数关系进行关联度测算，确定所述样本匹配组合中的政策与用户的关联度值。
进一步地，所述训练模块，具体用于所述针对样本集中的任一样本匹配组合，获取所述样本匹配组合以及所述样本匹配组合对应的第一标签信息之前，所述方法还包括：针对预先保存的每条政策，根据预先保存的政策与用户条件的对应关系，确定该条政策的目标用户条件；根据预先保存的每个用户的每个属性信息、以及所述目标用户条件，确定满足所述目标用户条件的每个目标用户；针对每个目标用户，根据该目标用户的每个属性信息以及该条政策的每种指标的关键词，确定样本集中的样本匹配组合。
下面通过一个具体的实施例对本发明实施例的政策匹配装置的结构进行说明，图3为本发明实施例提供的一种政策匹配装置的结构示意图，如图3所示，该政策匹配装置包括匹配模块301、条件设置模块302、反馈模块303、以及训练模块304。
匹配模块301分别与条件设置模块302，反馈模块303、以及训练模块304相连，该匹配模块301用于针对预先保存的每条政策，根据条件设置模块302中预先保存的政策与用户条件的对应关系，确定该条政策的目标用户条件；根据目标用户条件，确定出满足该目标用户条件的每个目标用户，并针对每个目标用户，将该目标用户的每个属性信息以及该条政策的每种指标的关键词作为样本集中的一个样本匹配组合发送给训练模块304；还用于确定待匹配用户针对待匹配政策的每个目标行为属性信息，并根据预先保存的所述待匹配用户的每个目标基础属性信息，确定待匹配用户的每个目标属性信息；基于训练模块304中预先训练完成的政策匹配模型，根据输入的待匹配用户的每个目标属性信息、及待匹配政策的每种指标的关键词，获取待匹配用户与待匹配政策的匹配分值；根据匹配分值及预设阈值，确定待匹配用户与待匹配政策是否匹配；相当于实施例6中政策匹配装置的确定模块201和匹配模块202。
条件设置模块302与匹配模块301相连，用于接收用户对每条政策的用户条件，确定出政策与用户条件的对应关系并保存。
反馈模块303与匹配模块301相连，用于针对匹配模块301确定出的每个样本匹配组合中的政策与用户，接收对该样本匹配组合中的政策与用户的打分值并作为政策与用户的匹配分值，并将匹配分值发送给该匹配模块301保存在该样本匹配组合。
训练模块304与匹配模块301相连，用于根据匹配模块301发送的样本集中的样本匹配组合，对原深度学习模型进行训练，得到训练完成的政策匹配模型，相当于实施例6中政策匹配装置的训练模块。
实施例7：
图4为本发明实施例提供的一种电子设备的结构示意图，在上述各实施例的基础上，本发明实施例中还提供了一种电子设备，包括处理器401、通信接口402、存储器403和通信总线404，其中，处理器401，通信接口402，存储器403通过通信总线404完成相互间的通信；
所述存储器403中存储有计算机程序，当所述程序被所述处理器401执行时，使得所述处理器401执行如下步骤：
确定待匹配用户针对待匹配政策的每个目标行为属性信息，并根据预先保存的所述待匹配用户的每个目标基础属性信息，确定所述待匹配用户的每个目标属性信息；
基于预先训练完成的政策匹配模型，根据输入的所述待匹配用户的目标属性信息、及所述待匹配政策的每种指标的关键词，获取所述待匹配用户与所述待匹配政策的匹配分值；
根据所述匹配分值及预设阈值，确定所述待匹配用户与所述待匹配政策是否匹配。
进一步地，所述处理器401具体用于所述确定待匹配用户针对待匹配政策的每个目标行为属性信息包括：
采集待匹配用户针对待匹配政策的页面的行为数据，其中所述行为数据包括浏览时长、设定时间周期内浏览次数、下载次数、点击次数；
根据所述行为数据确定所述待匹配用户针对所述待匹配政策的每个目标行为属性信息。
进一步地，所述处理器401还用于所述政策匹配模型的训练过程包括：
针对样本集中的任一样本匹配组合，获取所述样本匹配组合以及所述样本匹配组合对应的第一标签信息，其中所述样本匹配组合包括政策的每种指标的关键词及用户的每个属性信息，所述第一标签信息标识所述样本匹配组合中的政策与用户的匹配分值；
将所述样本匹配组合输入到原始深度学习模型中，获取输出的所述样本匹配组合的第二标签信息；
根据所述第一标签信息和所述第二标签信息，对所述原始深度学习模型的各参数的参数值进行调整，得到训练完成的所述政策匹配模型。
进一步地，所述处理器401具体用于所述将所述样本匹配组合输入到原始深度学习模型中，获取输出的所述样本匹配组合的第二标签信息包括：
将所述样本匹配组合输入到所述原始深度学习模型中，根据所述样本匹配组合中的政策的每种指标的关键词与用户的每个属性信息，确定所述样本匹配组合中的政策与用户的关联度值；
获取输出的标识所述样本匹配组合的所述关联度值的第二标签信息。
进一步地，所述处理器401具体用于所述根据所述样本匹配组合中的政策的每种指标的关键词与用户的每个属性信息，确定所述样本匹配组合中的政策与用户的关联度值包括：
根据所述样本匹配组合中的政策的每种指标的关键词与用户的每个属性信息，采用关联度测算函数关系进行关联度测算，确定所述样本匹配组合中的政策与用户的关联度值。
进一步地，所述处理器401还用于所述针对样本集中的任一样本匹配组合，获取所述样本匹配组合以及所述样本匹配组合对应的第一标签信息之前，所述方法还包括：
针对预先保存的每条政策，根据预先保存的政策与用户条件的对应关系，确定该条政策的目标用户条件；
根据预先保存的每个用户的每个属性信息、以及所述目标用户条件，确定满足所述目标用户条件的每个目标用户；
针对每个目标用户，根据该目标用户的每个属性信息以及该条政策的每种指标的关键词，确定样本集中的样本匹配组合。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect，PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
通信接口402用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory，RAM)，也可以包括非易失性存储器(Non-Volatile Memory，NVM)，例如至少一个磁盘存储器。可选地，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述处理器可以是通用处理器，包括中央处理器、网络处理器(NetworkProcessor，NP)等；还可以是数字指令处理器(Digital Signal Processing，DSP)、专用集成电路、现场可编程门陈列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。
实施例8：
在上述各实施例的基础上，本发明实施例还提供了一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行如下步骤：
确定待匹配用户针对待匹配政策的每个目标行为属性信息，并根据预先保存的所述待匹配用户的每个目标基础属性信息，确定所述待匹配用户的每个目标属性信息；
基于预先训练完成的政策匹配模型，根据输入的所述待匹配用户的目标属性信息、及所述待匹配政策的每种指标的关键词，获取所述待匹配用户与所述待匹配政策的匹配分值；
根据所述匹配分值及预设阈值，确定所述待匹配用户与所述待匹配政策是否匹配。
进一步地，所述确定待匹配用户针对待匹配政策的每个目标行为属性信息包括：
采集待匹配用户针对待匹配政策的页面的行为数据，其中所述行为数据包括浏览时长、设定时间周期内浏览次数、下载次数、点击次数；
根据所述行为数据确定所述待匹配用户针对所述待匹配政策的每个目标行为属性信息。
进一步地，所述政策匹配模型的训练过程包括：
针对样本集中的任一样本匹配组合，获取所述样本匹配组合以及所述样本匹配组合对应的第一标签信息，其中所述样本匹配组合包括政策的每种指标的关键词及用户的每个属性信息，所述第一标签信息标识所述样本匹配组合中的政策与用户的匹配分值；
将所述样本匹配组合输入到原始深度学习模型中，获取输出的所述样本匹配组合的第二标签信息；
根据所述第一标签信息和所述第二标签信息，对所述原始深度学习模型的各参数的参数值进行调整，得到训练完成的所述政策匹配模型。
进一步地，所述将所述样本匹配组合输入到原始深度学习模型中，获取输出的所述样本匹配组合的第二标签信息包括：
将所述样本匹配组合输入到所述原始深度学习模型中，根据所述样本匹配组合中的政策的每种指标的关键词与用户的每个属性信息，确定所述样本匹配组合中的政策与用户的关联度值；
获取输出的标识所述样本匹配组合的所述关联度值的第二标签信息。
进一步地，所述根据所述样本匹配组合中的政策的每种指标的关键词与用户的每个属性信息，确定所述样本匹配组合中的政策与用户的关联度值包括：
根据所述样本匹配组合中的政策的每种指标的关键词与用户的每个属性信息，采用关联度测算函数关系进行关联度测算，确定所述样本匹配组合中的政策与用户的关联度值。
进一步地，所述针对样本集中的任一样本匹配组合，获取所述样本匹配组合以及所述样本匹配组合对应的第一标签信息之前，所述方法还包括：
针对预先保存的每条政策，根据预先保存的政策与用户条件的对应关系，确定该条政策的目标用户条件；
根据预先保存的每个用户的每个属性信息、以及所述目标用户条件，确定满足所述目标用户条件的每个目标用户；
针对每个目标用户，根据该目标用户的每个属性信息以及该条政策的每种指标的关键词，确定样本集中的样本匹配组合。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。
Claims (9)
1.一种政策匹配方法，其特征在于，所述方法包括：
确定待匹配用户针对待匹配政策的每个目标行为属性信息，并根据预先保存的所述待匹配用户的每个目标基础属性信息，确定所述待匹配用户的每个目标属性信息；
基于预先训练完成的政策匹配模型，根据输入的所述待匹配用户的目标属性信息、及所述待匹配政策的每种指标的关键词，获取所述待匹配用户与所述待匹配政策的匹配分值；
根据所述匹配分值及预设阈值，确定所述待匹配用户与所述待匹配政策是否匹配。
2.根据权利要求1所述的方法，其特征在于，所述确定待匹配用户针对待匹配政策的每个目标行为属性信息包括：
采集待匹配用户针对待匹配政策的页面的行为数据，其中所述行为数据包括浏览时长、设定时间周期内浏览次数、下载次数、点击次数；
根据所述行为数据确定所述待匹配用户针对所述待匹配政策的每个目标行为属性信息。
3.根据权利要求1所述的方法，其特征在于，所述政策匹配模型的训练过程包括：
针对样本集中的任一样本匹配组合，获取所述样本匹配组合以及所述样本匹配组合对应的第一标签信息，其中所述样本匹配组合包括政策的每种指标的关键词及用户的每个属性信息，所述第一标签信息标识所述样本匹配组合中的政策与用户的匹配分值；
将所述样本匹配组合输入到原始深度学习模型中，获取输出的所述样本匹配组合的第二标签信息；
根据所述第一标签信息和所述第二标签信息，对所述原始深度学习模型的各参数的参数值进行调整，得到训练完成的所述政策匹配模型。
4.根据权利要求3所述的方法，其特征在于，所述将所述样本匹配组合输入到原始深度学习模型中，获取输出的所述样本匹配组合的第二标签信息包括：
将所述样本匹配组合输入到所述原始深度学习模型中，根据所述样本匹配组合中的政策的每种指标的关键词与用户的每个属性信息，确定所述样本匹配组合中的政策与用户的关联度值；
获取输出的标识所述样本匹配组合的所述关联度值的第二标签信息。
5.根据权利要求4所述的方法，其特征在于，所述根据所述样本匹配组合中的政策的每种指标的关键词与用户的每个属性信息，确定所述样本匹配组合中的政策与用户的关联度值包括：
根据所述样本匹配组合中的政策的每种指标的关键词与用户的每个属性信息，采用关联度测算函数关系进行关联度测算，确定所述样本匹配组合中的政策与用户的关联度值。
6.根据权利要求3所述的方法，其特征在于，所述针对样本集中的任一样本匹配组合，获取所述样本匹配组合以及所述样本匹配组合对应的第一标签信息之前，所述方法还包括：
针对预先保存的每条政策，根据预先保存的政策与用户条件的对应关系，确定该条政策的目标用户条件；
根据预先保存的每个用户的每个属性信息、以及所述目标用户条件，确定满足所述目标用户条件的每个目标用户；
针对每个目标用户，根据该目标用户的每个属性信息以及该条政策的每种指标的关键词，确定样本集中的样本匹配组合。
7.一种政策匹配装置，其特征在于，所述装置包括：
确定模块，用于确定待匹配用户针对待匹配政策的每个目标行为属性信息，并根据预先保存的所述待匹配用户的每个目标基础属性信息，确定所述待匹配用户的每个目标属性信息；
匹配模块，用于基于预先训练完成的政策匹配模型，根据输入所述待匹配用户的目标属性信息、及所述待匹配政策的每种指标的关键词，获取所述待匹配用户与所述待匹配政策的匹配分值；根据所述每个匹配分值及预设阈值，确定所述待匹配用户与所述待匹配政策是否匹配。
8.一种电子设备，其特征在于，所述电子设备包括处理器和存储器，所述存储器用于存储程序指令，所述处理器用于执行存储器中存储的计算机程序时实现如权利要求1-6中任一所述政策匹配方法的步骤。
9.一种计算机可读存储介质，其特征在于，其存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1-6中任一所述政策匹配方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011562375.9A CN114693011A (zh) | 2020-12-25 | 2020-12-25 | 一种政策匹配方法、装置、设备和介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011562375.9A CN114693011A (zh) | 2020-12-25 | 2020-12-25 | 一种政策匹配方法、装置、设备和介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114693011A true CN114693011A (zh) | 2022-07-01 |
Family
ID=82129542
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011562375.9A Pending CN114693011A (zh) | 2020-12-25 | 2020-12-25 | 一种政策匹配方法、装置、设备和介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114693011A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115147081A (zh) * | 2022-07-12 | 2022-10-04 | 武汉初旦软件技术有限公司 | 基于人工智能的政策匹配方法、系统及存储介质 |
| CN115221205A (zh) * | 2022-09-09 | 2022-10-21 | 中电科新型智慧城市研究院有限公司 | 政策确定方法、设备及存储介质 |
-
2020
- 2020-12-25 CN CN202011562375.9A patent/CN114693011A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115147081A (zh) * | 2022-07-12 | 2022-10-04 | 武汉初旦软件技术有限公司 | 基于人工智能的政策匹配方法、系统及存储介质 |
| CN115147081B (zh) * | 2022-07-12 | 2023-10-27 | 芜湖中艺科技服务有限公司 | 基于人工智能的政策匹配方法、系统及存储介质 |
| CN115221205A (zh) * | 2022-09-09 | 2022-10-21 | 中电科新型智慧城市研究院有限公司 | 政策确定方法、设备及存储介质 |
| CN115221205B (zh) * | 2022-09-09 | 2023-01-06 | 中电科新型智慧城市研究院有限公司 | 政策确定方法、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106919575B (zh) | 应用程序搜索方法及装置 | |
| CN108256074A (zh) | 校验处理的方法、装置、电子设备和存储介质 | |
| CN109167816A (zh) | 信息推送方法、装置、设备和存储介质 | |
| CN110674144A (zh) | 用户画像生成方法、装置、计算机设备和存储介质 | |
| CN107818491A (zh) | 电子装置、基于用户上网数据的产品推荐方法及存储介质 | |
| CN110264038A (zh) | 一种产品测评模型的生成方法及设备 | |
| CN114693011A (zh) | 一种政策匹配方法、装置、设备和介质 | |
| CN111199469A (zh) | 用户还款模型生成方法、装置及电子设备 | |
| CN114240101A (zh) | 一种风险识别模型的验证方法、装置以及设备 | |
| CN110968664A (zh) | 一种文书检索方法、装置、设备及介质 | |
| CN111369148A (zh) | 对象指标的监测方法、电子装置及存储介质 | |
| CN114330550A (zh) | 模型融合策略的选择方法、装置及电子设备 | |
| CN108021713B (zh) | 一种文档聚类的方法和装置 | |
| CN111325255B (zh) | 特定人群圈定方法、装置、电子设备及存储介质 | |
| CN111062736A (zh) | 模型训练、线索排序方法、装置及设备 | |
| CN115794898B (zh) | 一种金融资讯推荐方法、装置、电子设备及存储介质 | |
| CN116501979A (zh) | 信息推荐方法、装置、计算机设备及计算机可读存储介质 | |
| CN110675205B (zh) | 基于应用的竞品分析方法、装置及存储介质 | |
| CN111523921A (zh) | 漏斗分析方法、分析设备、电子设备及可读存储介质 | |
| CN115292167A (zh) | 生命周期预测模型构建方法、装置、设备及可读存储介质 | |
| CN109242690A (zh) | 理财产品推荐方法、装置、计算机设备及可读存储介质 | |
| CN115564534A (zh) | 文案处理方法、装置、电子设备、存储介质及程序产品 | |
| CN113837807A (zh) | 热度预测方法、装置、电子设备及可读存储介质 | |
| CN113628077A (zh) | 生成不重复考题的方法、终端及可读存储介质 | |
| CN115102741B (zh) | 用户行为校验方法、装置以及存储介质 |
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 |