CN114896298A - 一种同类型标签数据预测方法、终端设备及存储介质 - Google Patents

一种同类型标签数据预测方法、终端设备及存储介质 Download PDF

Info

Publication number
CN114896298A
CN114896298A CN202210387042.XA CN202210387042A CN114896298A CN 114896298 A CN114896298 A CN 114896298A CN 202210387042 A CN202210387042 A CN 202210387042A CN 114896298 A CN114896298 A CN 114896298A
Authority
CN
China
Prior art keywords
score
target object
prediction
prediction target
communication
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
CN202210387042.XA
Other languages
English (en)
Inventor
周新波
黄锴
赵佞
毕永辉
涂家霖
赖颖南
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.)
Xiamen Meiya Pico Information Co Ltd
Original Assignee
Xiamen Meiya Pico Information 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 Xiamen Meiya Pico Information Co Ltd filed Critical Xiamen Meiya Pico Information Co Ltd
Priority to CN202210387042.XA priority Critical patent/CN114896298A/zh
Publication of CN114896298A publication Critical patent/CN114896298A/zh
Priority to PCT/CN2023/073820 priority patent/WO2023197725A1/zh
Priority to ZA2023/05634A priority patent/ZA202305634B/en
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
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2462—Approximate or statistical queries
    • 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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Tourism & Hospitality (AREA)
  • Operations Research (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Quality & Reliability (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种同类型标签数据预测方法、终端设备及存储介质，该方法中包括：在每个计算周期启动时，采集预测目标对象赋予初始分值后，添加至预测目标列表中；在每个计算周期截止时：针对每个预测目标对象，如具有通联关系则分值增加一次；如具有特殊行为或特殊目的地则分值增加一次；如为最低分值且分值无增加，则从预测目标列表中删除；如分值无增加则分值减少一次；当需要预测与已知类型标签对象属于同一标签的对象时，从预测目标列表中提取分值大于分值阈值的预测目标对象作为预测结果。本发明能够以确认的某类标签群体之间的通联关系为基准，从中寻找出目标对象与该类确定标签群体之间的共性。

Description

一种同类型标签数据预测方法、终端设备及存储介质
技术领域
本发明涉及数据处理领域，尤其涉及一种同类型标签数据预测方法、终端设备及存储介质。
背景技术
随着信息化的高速发展，各种通联数据与轨迹数据在大量形成，新增的数据提供了一些新的计算关系的可能，即可在新的数据中挖掘出在原有数据基础上不具备条件挖掘的隐性关系。
预测模型是指用于预测的，用数学语言或公式所描述的事物之间的关系，在一定程度上解释了事物间的内规律性，是对实际问题的一种数学表述。预测模型的计算结果根据数据是否覆盖业务所需场景、数据是否覆盖特殊行为等情况会有很大影响，对数据的业务意义、数据属性完整性、数据记录完整性等非常依赖。
发明内容
为了解决上述问题，本发明提出了一种同类型标签数据预测方法、终端设备及存储介质。
具体方案如下：
一种同类型标签数据预测方法，包括以下步骤：
(1)在每个计算周期启动时，进行以下操作：
采集与已知类型标签对象在距离该计算周期的特定时间范围内具有通联关系且通联次数大于次数阈值的通联对象作为预测目标对象；
为每个预测目标对象赋予初始分值后，添加至预测目标列表中；
(2)在每个计算周期截止时，进行以下操作：
判断预测目标列表中每个预测目标对象在该计算周期内是否与已知类型标签对象具有通联关系，如果是，则令该预测目标对象的分值增加一次；
判断预测目标列表中每个预测目标对象在该计算周期内是否具有特殊行为或特殊目的地，如果是，则令该预测目标对象的分值增加一次；
判断是否存在预测目标对象的分值为最低分值且在该计算周期内没有出现分值增加，如果存在，则将该预测目标对象从预测目标列表中删除；
判断预测目标列表中每个预测目标对象在该计算周期内是否出现分值增加，如果没有出现，则令该预测目标对象的分值减少1次，直至减少至最低分值；
(3)当需要预测与已知类型标签对象属于同一标签的对象时，从预测目标列表中提取分值大于分值阈值的预测目标对象作为预测结果。
进一步的，预测目标对象采集的过程为：首先采集与已知类型标签对象在大于特定时间范围的额定时间范围内具有通联关系且通联次数大于次数阈值的通联对象作为待选预测目标对象，之后在每个计算周期启动时再从待选预测目标对象中选取与已知类型标签对象在距离该计算周期的特定时间范围内具有通联关系且通联次数大于次数阈值的通联对象作为预测目标对象。
进一步的，特定时间范围为3个月，次数阈值为3次，计算周期为1个月。
进一步的，分值减少以分值最大值为基准，按百分比进行减少。
一种同类型标签数据预测终端设备，包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现本发明实施例上述的方法的步骤。
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本发明实施例上述的方法的步骤。
本发明采用如上技术方案，能够以确认的某类标签群体之间的通联关系为基准，从中寻找出目标对象与该类确定标签群体之间的共性。
附图说明
图1所示为本发明实施例一的流程图。
具体实施方式
为进一步说明各实施例，本发明提供有附图。这些附图为本发明揭露内容的一部分，其主要用以说明实施例，并可配合说明书的相关描述来解释实施例的运作原理。配合参考这些内容，本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点。
现结合附图和具体实施方式对本发明进一步说明。
实施例一：
本发明实施例提供了一种同类型标签数据预测方法，如图1所示，所述方法包括以下步骤：
(1)在每个计算周期启动时，进行以下操作：
采集与已知类型标签对象在距离该计算周期的特定时间范围内具有通联关系且通联次数大于次数阈值的通联对象作为预测目标对象。
该实施例中设定特定时间范围为3个月，次数阈值为3次，在其他实施例中本领域技术人员可以根据需求自行设定，在此不做限定。
通联关系包括电话、qq、微信、邮件等多种方式的通联关系，通联次数为所有方式的通联关系进行通联的总次数。
为了方便在每个计算周期启动时对预测目标对象的采集，该实施例中设定首先采集与已知类型标签对象在大于特定时间范围的额定时间范围内具有通联关系且通联次数大于次数阈值的通联对象作为待选预测目标对象，之后在每个计算周期启动时再从待选预测目标对象中选取与已知类型标签对象在距离该计算周期的特定时间范围内具有通联关系且通联次数大于次数阈值的通联对象作为预测目标对象。
为每个预测目标对象赋予初始分值(该实施例中设定为30分)后，添加至预测目标列表中。
(2)在每个计算周期(该实施例中设定为1个月，在其他实施例中本领域技术人员可以根据需求自行设定，在此不做限定)截止时，进行以下操作：
判断预测目标列表中每个预测目标对象在该计算周期内是否与已知类型标签对象具有通联关系，如果是，则令该预测目标对象的分值增加一次(该实施例中设定一次为10分)。
判断预测目标列表中每个预测目标对象在该计算周期内是否具有特殊行为(如聚众、流连特殊场所)或特殊目的地，如果是，则令该预测目标对象的分值增加一次。特殊行为和特殊目的地为本领域技术人员根据需求自行进行预先设定的，可以通过通联数据判定或通过人工判定。
判断是否存在预测目标对象的分值为最低分值且在该计算周期内没有出现分值增加，如果存在，则将该预测目标对象从预测目标列表中删除。
判断预测目标列表中每个预测目标对象在该计算周期内是否出现分值增加，如果没有出现，则令该预测目标对象的分值减少1次，直至减少至最低分值(该实施例中设定为0分)。该实施例中设定分值减少以分值最大值为基准，按百分比进行减少。
(3)当需要预测与已知类型标签对象属于同一标签的对象时，从预测目标列表中提取分值大于分值阈值的预测目标对象作为预测结果。
分值阈值本领域技术人员可以根据需要预先进行设定，在此不做限定。
本发明实施例针对某些符合特定条件的目标，通过对某种特定行为进行建模，计算特定情况下的分值，在大量数据的支撑下，以分值形式累计符合标签的可能性，可以大幅度提升对目标身份标签判定的准确性。
实施例二：
本发明还提供一种同类型标签数据预测终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现本发明实施例一的上述方法实施例中的步骤。
进一步地，作为一个可执行方案，所述同类型标签数据预测终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述同类型标签数据预测终端设备可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，上述同类型标签数据预测终端设备的组成结构仅仅是同类型标签数据预测终端设备的示例，并不构成对同类型标签数据预测终端设备的限定，可以包括比上述更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述同类型标签数据预测终端设备还可以包括输入输出设备、网络接入设备、总线等，本发明实施例对此不做限定。
进一步地，作为一个可执行方案，所称处理器可以是中央处理单元(CentralProcessing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(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，所述处理器是所述同类型标签数据预测终端设备的控制中心，利用各种接口和线路连接整个同类型标签数据预测终端设备的各个部分。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述同类型标签数据预测终端设备的各种功能。所述存储器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；存储数据区可存储根据手机的使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、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)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
本发明还提供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本发明实施例上述方法的步骤。
所述同类型标签数据预测终端设备集成的模块/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，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)以及软件分发介质等。
尽管结合优选实施方案具体展示和介绍了本发明，但所属领域的技术人员应该明白，在不脱离所附权利要求书所限定的本发明的精神和范围内，在形式上和细节上可以对本发明做出各种变化，均为本发明的保护范围。

Claims (6)

1.一种同类型标签数据预测方法，其特征在于，包括以下步骤：
(1)在每个计算周期启动时，进行以下操作：
采集与已知类型标签对象在距离该计算周期的特定时间范围内具有通联关系且通联次数大于次数阈值的通联对象作为预测目标对象；
为每个预测目标对象赋予初始分值后，添加至预测目标列表中；
(2)在每个计算周期截止时，进行以下操作：
判断预测目标列表中每个预测目标对象在该计算周期内是否与已知类型标签对象具有通联关系，如果是，则令该预测目标对象的分值增加一次；
判断预测目标列表中每个预测目标对象在该计算周期内是否具有特殊行为或特殊目的地，如果是，则令该预测目标对象的分值增加一次；
判断是否存在预测目标对象的分值为最低分值且在该计算周期内没有出现分值增加，如果存在，则将该预测目标对象从预测目标列表中删除；
判断预测目标列表中每个预测目标对象在该计算周期内是否出现分值增加，如果没有出现，则令该预测目标对象的分值减少1次，直至减少至最低分值；
(3)当需要预测与已知类型标签对象属于同一标签的对象时，从预测目标列表中提取分值大于分值阈值的预测目标对象作为预测结果。
2.根据权利要求1所述的同类型标签数据预测方法，其特征在于：预测目标对象采集的过程为：首先采集与已知类型标签对象在大于特定时间范围的额定时间范围内具有通联关系且通联次数大于次数阈值的通联对象作为待选预测目标对象，之后在每个计算周期启动时再从待选预测目标对象中选取与已知类型标签对象在距离该计算周期的特定时间范围内具有通联关系且通联次数大于次数阈值的通联对象作为预测目标对象。
3.根据权利要求1所述的同类型标签数据预测方法，其特征在于：特定时间范围为3个月，次数阈值为3次，计算周期为1个月。
4.根据权利要求1所述的同类型标签数据预测方法，其特征在于：分值减少以分值最大值为基准，按百分比进行减少。
5.一种同类型标签数据预测终端设备，其特征在于：包括处理器、存储器以及存储在所述存储器中并在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1～4中任一所述方法的步骤。
6.一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，其特征在于：所述计算机程序被处理器执行时实现如权利要求1～4中任一所述方法的步骤。
CN202210387042.XA 2022-04-14 2022-04-14 一种同类型标签数据预测方法、终端设备及存储介质 Pending CN114896298A (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202210387042.XA CN114896298A (zh) 2022-04-14 2022-04-14 一种同类型标签数据预测方法、终端设备及存储介质
PCT/CN2023/073820 WO2023197725A1 (zh) 2022-04-14 2023-01-30 一种同类型标签数据预测方法、终端设备及存储介质
ZA2023/05634A ZA202305634B (en) 2022-04-14 2023-05-25 Method for predicting label data of same type, terminal device and storage medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210387042.XA CN114896298A (zh) 2022-04-14 2022-04-14 一种同类型标签数据预测方法、终端设备及存储介质

Publications (1)

Publication Number Publication Date
CN114896298A true CN114896298A (zh) 2022-08-12

Family

ID=82717617

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210387042.XA Pending CN114896298A (zh) 2022-04-14 2022-04-14 一种同类型标签数据预测方法、终端设备及存储介质

Country Status (3)

Country Link
CN (1) CN114896298A (zh)
WO (1) WO2023197725A1 (zh)
ZA (1) ZA202305634B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023197725A1 (zh) * 2022-04-14 2023-10-19 厦门市美亚柏科信息股份有限公司 一种同类型标签数据预测方法、终端设备及存储介质

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107870988A (zh) * 2017-10-17 2018-04-03 厦门市美亚柏科信息股份有限公司 一种信息核查方法、终端设备及存储介质
CN109684373B (zh) * 2018-11-26 2023-07-18 西南电子技术研究所（中国电子科技集团公司第十研究所） 基于出行和话单数据分析的重点关系人发现方法
CN110688469B (zh) * 2019-09-27 2022-10-11 厦门市美亚柏科信息股份有限公司 一种自动分析相似行为特征的方法和装置
CN113887551B (zh) * 2021-08-17 2022-09-09 厦门市美亚柏科信息股份有限公司 基于话单数据的目标人分析方法、终端设备及存储介质
CN114896298A (zh) * 2022-04-14 2022-08-12 厦门市美亚柏科信息股份有限公司 一种同类型标签数据预测方法、终端设备及存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023197725A1 (zh) * 2022-04-14 2023-10-19 厦门市美亚柏科信息股份有限公司 一种同类型标签数据预测方法、终端设备及存储介质

Also Published As

Publication number Publication date
WO2023197725A1 (zh) 2023-10-19
ZA202305634B (en) 2023-12-20

Similar Documents

Publication Publication Date Title
CN111104540B (zh) 图像搜索方法、装置、设备及计算机可读存储介质
CN110909009B (zh) 基于话单的轨迹伴随行为分析方法、终端设备及存储介质
CN106708912B (zh) 垃圾文件识别及管理方法、识别装置、管理装置和终端
CN107688626B (zh) 慢查询日志处理方法、装置及电子设备
CN112214617B (zh) 一种基于区块链技术的数字档案管理方法及系统
CN111163072A (zh) 机器学习模型中特征值的确定方法、装置及电子设备
CN106033574B (zh) 一种作弊行为的识别方法及装置
CN111209257B (zh) 一种文件系统碎片化的方法及装置
CN110781386A (zh) 信息推荐、布隆过滤器的创建方法及装置
CN109472540B (zh) 业务处理方法和装置
CN114896298A (zh) 一种同类型标签数据预测方法、终端设备及存储介质
CN110377276B (zh) 源代码文件管理方法及设备
CN111414207A (zh) 一种页面搭建方法、装置和设备
CN108829345B (zh) 日志文件的数据处理方法和终端设备
CN110599004A (zh) 一种风险控制方法、设备、介质以及装置
CN113887551A (zh) 基于话单数据的目标人分析方法、终端设备及存储介质
CN108509478B (zh) 规则引擎文件的拆分调用方法、电子装置及存储介质
CN111198900B (zh) 工业控制网络的数据缓存方法、装置、终端设备及介质
CN111198986B (zh) 信息发送方法、装置、电子设备及存储介质
CN113342270A (zh) 卷卸载方法、装置和电子设备
CN112261168A (zh) 一种多ip端口段用户信息查找方法、终端设备及存储介质
CN116303296B (zh) 一种数据存储方法、装置、电子设备及介质
CN111241818B (zh) 词槽填充方法、装置、设备及存储介质
CN109447386B (zh) 工作考核方法及终端设备
US20220035527A1 (en) Method, electronic device and computer program product for processing operation commands

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