CN115169852B - 信息发送方法、装置、电子设备、介质和计算机程序产品 - Google Patents
信息发送方法、装置、电子设备、介质和计算机程序产品 Download PDFInfo
- Publication number
- CN115169852B CN115169852B CN202210751753.0A CN202210751753A CN115169852B CN 115169852 B CN115169852 B CN 115169852B CN 202210751753 A CN202210751753 A CN 202210751753A CN 115169852 B CN115169852 B CN 115169852B
- Authority
- CN
- China
- Prior art keywords
- information
- attribute
- user
- scoring
- grading
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 230000005540 biological transmission Effects 0.000 title claims abstract description 18
- 238000004590 computer program Methods 0.000 title claims abstract description 18
- 230000004927 fusion Effects 0.000 claims abstract description 57
- 230000004044 response Effects 0.000 claims abstract description 34
- 230000002159 abnormal effect Effects 0.000 claims description 50
- 238000012545 processing Methods 0.000 claims description 16
- 230000000694 effects Effects 0.000 claims description 13
- 230000002547 anomalous effect Effects 0.000 claims 10
- 230000006870 function Effects 0.000 description 17
- 230000001680 brushing effect Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000005856 abnormality Effects 0.000 description 5
- 238000004140 cleaning Methods 0.000 description 5
- 238000013501 data transformation Methods 0.000 description 5
- 238000007781 pre-processing Methods 0.000 description 5
- 230000009466 transformation Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 238000007477 logistic regression Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000001808 coupling effect Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000001174 ascending effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
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
- 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
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0633—Lists, e.g. purchase orders, compilation or processing
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Educational Administration (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开的实施例公开了信息发送方法、装置、电子设备、介质和计算机程序产品。该方法的一具体实施方式包括:响应于接收到查询请求,获取第一初始用户信息集合和第二初始用户信息集合;生成第一用户信息集合和第二用户信息集合;生成第一属性评分信息集合;生成第二属性评分信息集合;对于第一属性评分信息集合中的每个第一属性评分信息,基于第一属性评分信息、第二属性评分信息和预先训练的融合评分卡模型,生成目标属性评分信息;基于所生成的各个目标属性评分信息,生成目标属性评分信息集合;将所生成的目标属性评分信息集合发送至目标终端设备,以供目标终端设备对目标属性评分信息集合进行显示。该实施方式提高了提高出入口的安全性。
Description
技术领域
本公开的实施例涉及计算机技术领域,具体涉及信息发送方法、装置、电子设备、介质和计算机程序产品。
背景技术
属性评分是指利用模型对用户的属性信息进行量化分析,从而为各业务的开展提供评估用户质量的参考依据的一项技术。利用用户的属性评分可以实现更有效的门禁管理。门禁管理是重要部门出入口实现安全防范管理的有效措施。目前,在门禁管理方面,门禁装置只能按照固定的方式控制开门和关门,例如,用户刷身份证或刷脸进入。
然而,发明人发现,当采用上述方式进行门禁管理时,经常会存在如下技术问题:
无法自动配置针对不同用户的门禁打开方式,刷身份证的方式较为繁琐,导致人流拥堵,而刷脸的方式存在一定错误率,陌生用户刷脸进入时导致安全性差。
该背景技术部分中所公开的以上信息仅用于增强对本发明构思的背景的理解,并因此,其可包含并不形成本国的本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的内容部分用于以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出了信息发送方法、装置、电子设备、计算机可读介质和计算机程序产品,来解决以上背景技术部分提到的技术问题。
第一方面,本公开的一些实施例提供了一种信息发送方法,该方法包括:响应于接收到客户端发送的针对各个目标用户的属性评分的查询请求,获取对应上述各个目标用户的第一初始用户信息集合和第二初始用户信息集合,其中,上述属性评分所针对的属性包括以下之一:根据用户在预定时间段内的使用频次所确定的活跃度,根据用户在预定时间段内重复使用次数所确定的用户黏度;基于上述第一初始用户信息集合和上述第二初始用户信息集合,生成第一用户信息集合和第二用户信息集合;基于预设的第一评分卡模型和上述第一用户信息集合,生成第一属性评分信息集合,其中,上述第一用户信息集合中的第一用户信息对应上述第一属性评分信息集合中的第一属性评分信息;基于预设的第二评分卡模型和上述第二用户信息集合,生成第二属性评分信息集合,其中,上述第二用户信息集合中的第二用户信息对应上述第二属性评分信息集合中的第二属性评分信息;对于上述第一属性评分信息集合中的每个第一属性评分信息,响应于确定上述第一属性评分信息为非异常第一属性评分信息,或确定上述第二属性评分信息集合中对应上述第一属性评分信息的第二属性评分信息为非异常第二属性评分信息,基于上述第一属性评分信息、上述第二属性评分信息和预先训练的融合评分卡模型,生成目标属性评分信息;基于所生成的各个目标属性评分信息,生成目标属性评分信息集合;将所生成的目标属性评分信息集合发送至目标终端设备,以供上述目标终端设备对上述目标属性评分信息集合进行显示。
第二方面,本公开的一些实施例提供了一种信息发送装置,装置包括:获取单元,被配置成响应于接收到客户端发送的针对各个目标用户的属性评分的查询请求,获取对应上述各个目标用户的第一初始用户信息集合和第二初始用户信息集合,其中,上述属性评分所针对的属性包括以下之一:根据用户在预定时间段内的使用频次所确定的活跃度,根据用户在预定时间段内重复使用次数所确定的用户黏度;第一生成单元,被配置成基于上述第一初始用户信息集合和上述第二初始用户信息集合,生成第一用户信息集合和第二用户信息集合;第二生成单元,被配置成基于预设的第一评分卡模型和上述第一用户信息集合,生成第一属性评分信息集合,其中,上述第一用户信息集合中的第一用户信息对应上述第一属性评分信息集合中的第一属性评分信息;第三生成单元,被配置成基于预设的第二评分卡模型和上述第二用户信息集合,生成第二属性评分信息集合,其中,上述第二用户信息集合中的第二用户信息对应上述第二属性评分信息集合中的第二属性评分信息;第四生成单元,被配置成对于上述第一属性评分信息集合中的每个第一属性评分信息,响应于确定上述第一属性评分信息为非异常第一属性评分信息,或确定上述第二属性评分信息集合中对应上述第一属性评分信息的第二属性评分信息为非异常第二属性评分信息,基于上述第一属性评分信息、上述第二属性评分信息和预先训练的融合评分卡模型,生成目标属性评分信息;第五生成单元,被配置成基于所生成的各个目标属性评分信息,生成目标属性评分信息集合;发送单元,被配置成将所生成的目标属性评分信息集合发送至目标终端设备,以供上述目标终端设备对上述目标属性评分信息集合进行显示。
第三方面,本公开的一些实施例提供了一种电子设备,包括:一个或多个处理器;存储装置,其上存储有一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现上述第一方面任一实现方式所描述的方法。
第四方面,本公开的一些实施例提供了一种计算机可读介质,其上存储有计算机程序,其中,程序被处理器执行时实现上述第一方面任一实现方式所描述的方法。
第五方面,本公开的一些实施例提供了一种计算机程序产品,包括计算机程序,计算机程序在被处理器执行时实现上述第一方面任一实现方式所描述的方法。
本公开的上述各个实施例具有如下有益效果:通过本公开的一些实施例的信息发送方法,能够减少人流拥堵,提高出入口的安全性。具体来说,造成人流拥堵,出入口的安全性较低的原因在于:无法自动配置针对不同用户的门禁打开方式,刷身份证的方式较为繁琐,导致人流拥堵,而刷脸的方式存在一定错误率,陌生用户刷脸进入时导致安全性差。基于此,本公开的一些实施例的信息发送方法包括:首先,响应于接收到客户端发送的针对各个目标用户的属性评分的查询请求,获取对应上述各个目标用户的第一初始用户信息集合和第二初始用户信息集合,其中,上述属性评分所针对的属性包括以下之一:根据用户在预定时间段内的使用频次所确定的活跃度,根据用户在预定时间段内重复使用次数所确定的用户黏度。由此,通过从不同渠道获取各个目标用户的用户信息,降低了用户信息的单一性和偶然性,提高了用户信息的全面性。然后,基于上述第一初始用户信息集合和上述第二初始用户信息集合,生成第一用户信息集合和第二用户信息集合。由此,对获得的初始用户信息进行处理后生成了可用于进行属性评分的用户信息。再然后,基于预设的第一评分卡模型和上述第一用户信息集合,生成第一属性评分信息集合。其中,上述第一用户信息集合中的第一用户信息对应上述第一属性评分信息集合中的第一属性评分信息。基于预设的第二评分卡模型和上述第二用户信息集合,生成第二属性评分信息集合。其中,上述第二用户信息集合中的第二用户信息对应上述第二属性评分信息集合中的第二属性评分信息。由此,分别利用第一用户信息和第二用户信息生成属性评分值,降低了数据的耦合性。接着,对于上述第一属性评分信息集合中的每个第一属性评分信息,响应于确定上述第一属性评分信息为非异常第一属性评分信息,或确定上述第二属性评分信息集合中对应上述第一属性评分信息的第二属性评分信息为非异常第二属性评分信息,基于上述第一属性评分信息、上述第二属性评分信息和预先训练的融合评分卡模型,生成目标属性评分信息。由此,融合了第一属性评分信息和第二属性评分信息以生成目标属性评分信息,提高了属性评分的准确率。再接着,基于所生成的各个目标属性评分信息,生成目标属性评分信息集合。由此,可以根据各个用户的目标属性评分信息,将属性评分值较高的目标用户的用户信息存储至数据库,并为这些用户开通刷脸开门方式,否则需要刷身份证进入,可以针对不同用户有特定的门禁打开方式。最后,将所生成的目标属性评分信息集合发送至目标终端设备,以供上述目标终端设备对上述目标属性评分信息集合进行显示。由此,可以将目标属性评分信息反馈给查询方,为查询方提供评估用户质量的参考依据。由此,可以减少人流拥堵,提高出入口的安全性。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,元件和元素不一定按照比例绘制。
图1是根据本公开的信息发送方法的一些实施例的流程图;
图2是根据本公开的信息发送装置的一些实施例的结构示意图;
图3是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例。相反,提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
图1示出了根据本公开的信息发送方法的一些实施例的流程100。该信息发送方法,包括以下步骤:
步骤101,响应于接收到客户端发送的针对各个目标用户的属性评分的查询请求,获取对应各个目标用户的第一初始用户信息集合和第二初始用户信息集合。
在一些实施例中,信息发送方法的执行主体(例如,计算设备)响应于接收到客户端发送的针对各个目标用户的属性评分的查询请求,获取对应上述各个目标用户的第一初始用户信息集合和第二初始用户信息集合。其中,上述目标用户可以是需要评估属性评分的用户。上述属性评分所针对的属性可以包括但不限于以下至少一项:活跃度、用户黏度和信用。上述活跃度可以是根据用户在预定时间段内的使用频次(例如门禁使用频次)所确定的活跃度。上述用户黏度可以是根据用户在预定时间段内重复使用次数所确定的用户黏度。上述第一初始用户信息集合中的第一初始用户信息可以是内部数据库中存储的上述各个目标用户的信息,包括各个目标用户的用户编号和第一初始用户特征数据。用户编号可以是用于区分各个目标用户的编号。上述内部数据库可以是当前应用的数据库。第一初始用户特征数据可以是上述内部数据库中目标用户的各维度的数据。例如,第一初始用户特征数据可以包括目标用户的订单数据。订单数据可以包括历史订单信息集合。上述历史订单信息集合中的历史订单信息可以包括但不限于:订单总价值(例如订单总金额)。上述第二用户信息集合可以是从外部数据库获取的上述各个目标用户的信息,包括用户编号和第二初始用户特征数据。外部数据库可以是其他应用的数据库。第二初始用户特征数据可以是外部数据库中的目标用户的各维度的数据。例如,第二初始用户特征数据可以是目标用户的打车数据。打车数据可以包括历史打车信息集合。上述历史打车信息集合中的历史打车信息可以包括但不限于打车价值(例如,打车车费)。实践中,可以利用公网或专线接入的方式获取第二初始用户特征数据。上述查询请求可以是查询上述各个目标用户的属性评分的请求。
作为示例,上述活跃度可以是在预定时间段内目标用户出入某栋大厦的活跃度。每次出入大厦可获得固定活跃度值。比如,在确定一个月内目标用户A出入大厦1的活跃度时,由于一个月内目标用户A出入大厦1的次数为58次,所以可以确定目标用户A的活跃度评分为580。用户黏度可以是根据用户在预定时间段内重复使用次数所确定的用户黏度。每天出入大厦超过1次的次数作为重复出入次数。比如,目标用户A在某个月的某天内出入大厦1的次数为5次,重复出入次数为4次,所以可以确定目标用户A的用户黏度为40。
需要说明的是,上述计算设备可以是硬件,也可以是软件。当计算设备为硬件时,可以实现成多个服务器或终端设备组成的分布式集群,也可以实现成单个服务器或单个终端设备。当计算设备体现为软件时,可以安装在上述所列举的硬件设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块,也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解,根据实现需要,可以具有任意数目的计算设备。
步骤102,基于第一初始用户信息集合和第二初始用户信息集合,生成第一用户信息集合和第二用户信息集合。
在一些实施例中,上述执行主体可以基于上述第一初始用户信息集合和上述第二初始用户信息集合,生成第一用户信息集合和第二用户信息集合。
在一些实施例的一些可选的实现方式中,上述执行主体可以通过以下步骤基于上述第一初始用户信息集合和上述第二初始用户信息集合,生成第一用户信息集合和第二用户信息集合:
第一步,对上述第一初始用户信息集合中的各个第一初始用户信息包括的第一初始用户特征数据进行特征工程处理,将处理后的第一初始用户特征数据作为第一用户特征数据,得到第一用户特征数据集合。
实践中,上述执行主体可以对第一初始用户特征数据进行特征清洗处理和数据预处理。例如,特征清洗处理可以包括删除一些缺失值或有异常错误的数据的处理。数据预处理可以包括数据变换处理。例如,上述数据变换可以为对数变换。
第二步,将上述第一用户特征数据集合中的每个第一用户特征数据与上述第一用户特征数据对应的用户编号组合为第一用户信息,得到第一用户信息集合。
实践中,上述执行主体可以把上述第一用户特征数据集合中的每个第一用户特征数据,与上述第一用户特征数据对应的用户编号拼接为第一用户信息,得到第一用户信息集合。其中,拼接方式可以包括但不限于利用字符“-”进行拼接。
第三步,对上述第二初始用户信息集合中的各个第二初始用户信息包括的第二初始用户特征数据进行特征工程处理,将处理后的第二初始用户特征数据作为第二用户特征数据,得到第二用户特征数据集合。
实践中,上述执行主体可以对第二初始用户特征数据进行特征清洗处理和数据预处理。例如,特征清洗处理可以包括删除一些缺失值或有异常错误的数据的处理。数据预处理可以包括数据变换处理。例如,上述数据变换可以为对数变换。
第四步,将上述第二用户特征数据集合中的每个第二用户特征数据与上述第二用户特征数据对应的用户编号组合为第二用户信息,得到第二用户信息集合。
实践中,上述执行主体可以把上述第二用户特征数据集合中的每个第二用户特征数据,与上述第二用户特征数据对应的用户编号拼接为第二用户信息,得到第二用户信息集合。其中,拼接方式可以包括但不限于利用字符“-”进行拼接。
步骤103,基于预设的第一评分卡模型和第一用户信息集合,生成第一属性评分信息集合。
在一些实施例中,上述执行主体可以基于预设的第一评分卡模型和上述第一用户信息集合,生成第一属性评分信息集合。其中,上述第一用户信息集合中的第一用户信息对应上述第一属性评分信息集合中的第一属性评分信息。这里,第一用户信息和第一属性评分信息相对应可以为:第一用户信息包括的用户编号和第一属性评分信息包括的用户编号相同。上述第一属性评分信息集合中的第一属性评分信息包括用户编号和第一属性评分值。上述第一属性评分值可以是以目标用户的第一用户信息为依据得到的属性评分值。上述第一评分卡模型可以是根据上述内部数据库中存储的样本数据,利用逻辑回归方法预先构建的评分卡模型。样本数据可以包括用户的订单数据。
实践中,上述执行主体可以通过以下步骤基于预设的第一评分卡模型和第一用户信息集合,生成第一属性评分信息集合:
第一步,对于上述第一用户信息集合中的每个第一用户信息,执行以下子步骤:
第一子步骤,将上述第一用户信息包括的第一属性评分值输入上述第一评分卡模型,得到第一属性评分值。
第二子步骤,将上述第一用户信息包括的用户编号和上述第一属性评分值组合为第一属性评分信息。
实践中,上述执行主体可以将上述第一用户信息包括的用户编号和上述第一属性评分值拼接为第一属性评分信息。其中,拼接方式可以包括但不限于利用字符“-”进行拼接。
第二步,将得到的各个第一属性评分信息组合为第一属性评分信息集合。
步骤104,基于预设的第二评分卡模型和第二用户信息集合,生成第二属性评分信息集合。
在一些实施例中,上述执行主体可以基于预设的第二评分卡模型和上述第二用户信息集合,生成第二属性评分信息集合。其中,上述第二用户信息集合中的第二用户信息对应上述第二属性评分信息集合中的第二属性评分信息。这里,第二用户信息和第二属性评分信息相对应可以为:第二用户信息包括的用户编号和第二属性评分信息包括的用户编号相同。上述第二属性评分信息集合中的第二属性评分信息包括用户编号和第二属性评分值。上述第二属性评分值可以是以目标用户的第二用户信息为依据得到的属性评分值。上述第二评分卡模型可以是根据从外部数据库获取的样本数据,利用逻辑回归方法预先构建的评分卡模型。样本数据可以包括用户的打车数据。
实践中,上述执行主体可以通过以下步骤基于预设的第二评分卡模型和第二用户信息集合,生成第二属性评分信息集合:
第一步,对于上述第二用户信息集合中的每个第二用户信息,执行以下子步骤:
第一子步骤,将上述第二用户信息包括的第二属性评分值输入上述第二评分卡模型,得到第二属性评分值。
第二子步骤,将上述第二用户信息包括的用户编号和上述第二属性评分值组合为第二属性评分信息。
实践中,上述执行主体可以将上述第二用户信息包括的用户编号和上述第二属性评分值拼接为第二属性评分信息。其中,拼接方式可以包括但不限于利用字符“-”进行拼接。
第二步,将得到的各个第二属性评分信息组合为第二属性评分信息集合。
步骤105,对于第一属性评分信息集合中的每个第一属性评分信息,响应于确定第一属性评分信息为非异常第一属性评分信息,或确定第二属性评分信息集合中对应第一属性评分信息的第二属性评分信息为非异常第二属性评分信息,基于第一属性评分信息、第二属性评分信息和预先训练的融合评分卡模型,生成目标属性评分信息。
在一些实施例中,对于上述第一属性评分信息集合中的每个第一属性评分信息,响应于确定上述第一属性评分信息为非异常第一属性评分信息,或确定上述第二属性评分信息集合中对应上述第一属性评分信息的第二属性评分信息为非异常第二属性评分信息,上述执行主体可以基于上述第一属性评分信息、上述第二属性评分信息和预先训练的融合评分卡模型,生成目标属性评分信息。其中,上述非异常第一属性评分信息可以是未出现异常的第一属性评分信息。上述非异常第二属性评分信息可以是未出现异常的第二属性评分信息。例如,上述非异常第一属性评分信息可以是包括的用户编号和第一属性评分值均为正常值的第一属性评分信息。上述非异常第二属性评分信息可以是包括的用户编号和第二属性评分值均为正常值的第二属性评分信息。上述融合评分卡模型可以是以上述第一评分卡模型的输出和上述第二评分卡模型的输出为输入,以融合属性评分值为输出的评分卡模型。可以基于上述第一评分卡模型和上述第二评分卡模型训练得到融合评分卡模型。训练方法可以包括但不限于决策树算法。实践中,上述执行主体可以响应于未检测到用户编号和第一属性评分值异常,确定第一属性评分信息为非异常第一属性评分信息。上述执行主体可以响应于未检测到用户编号和第二属性评分值异常,确定第二属性评分信息为非异常第二属性评分信息。
在一些实施例的一些可选的实现方式中,对于上述第一属性评分信息集合中的每个第一属性评分信息,响应于确定上述第一属性评分信息为非异常第一属性评分信息,或确定上述第二属性评分信息集合中对应上述第一属性评分信息的第二属性评分信息为非异常第二属性评分信息,上述执行主体可以响应于确定上述第一属性评分信息为非异常第一属性评分信息,且确定上述第二属性评分信息为非异常第二属性评分信息,执行以下步骤:
第一步,将上述第一属性评分信息包括的第一属性评分值和上述第二属性评分信息包括的第二属性评分值输入上述融合评分卡模型,得到融合属性评分值。这里,对应上述第一属性评分信息的第二属性评分信息可以是:包括的用户编号和上述第一属性评分信息包括的用户编号相同的第二属性评分信息。
第二步,将上述融合属性评分值、上述第一属性评分信息或上述第二属性评分信息包括的用户编号组合为目标属性评分信息。
实践中,上述执行主体可以将上述融合属性评分值、上述第一属性评分信息或上述第二属性评分信息包括的用户编号拼接为目标属性评分信息。其中,拼接方式可以包括但不限于利用字符“-”进行拼接。
在一些实施例的一些可选的实现方式中,上述执行主体还可以响应于确定上述第一属性评分信息为异常第一属性评分信息,且确定上述第二属性评分信息为非异常第二属性评分信息,执行以下步骤:
第一步,将上述第一属性评分信息包括的第一属性评分值更新为第一默认值,得到更新后的第一属性评分信息。其中,上述异常第一属性评分信息可以是出现异常的第一属性评分信息。例如,第一属性评分信息包括的第一属性评分值可以为-1或NaN(Not aNumber,非数)。上述第一默认值可以是在构建上述第一评分卡模型时所用样本数据的输出值的均值或众数。
第二步,将上述更新后的第一属性评分信息包括的第一属性评分值和上述第二属性评分信息包括的第二属性评分值输入上述融合评分卡模型,得到第一融合属性评分值。
第三步,将上述第一融合属性评分值、上述第一属性评分信息或上述第二属性评分信息包括的用户编号组合为目标属性评分信息。
实践中,上述执行主体可以将上述第一融合属性评分值、上述第一属性评分信息或上述第二属性评分信息包括的用户编号拼接在一起组合为目标属性评分信息。其中,拼接方式可以包括但不限于利用字符“-”进行拼接。
在一些实施例的一些可选的实现方式中,上述执行主体还可以响应于确定上述第二属性评分信息为异常第二属性评分信息,且确定上述第一属性评分信息为非异常第一属性评分信息,执行以下步骤:
第一步,将上述第二属性评分信息包括的第二属性评分值更新为第二默认值,得到更新后的第二属性评分信息。其中,上述异常第二属性评分信息可以是出现异常的第二属性评分信息。例如,第二属性评分信息包括的第二属性评分值为-1或NaN(Not a Number,非数)。上述第二默认值可以是在构建上述第二评分卡模型时所用样本数据的输出值的均值或众数。
第二步,将上述更新后的第二属性评分信息包括的第二属性评分值和上述第一属性评分信息包括的第一属性评分值输入上述融合评分卡模型,得到第二融合属性评分值。
第三步,将上述第二融合属性评分值、上述第一属性评分信息或上述第二属性评分信息包括的用户编号组合为目标属性评分信息。
实践中,上述执行主体可以将上述第二融合属性评分值、上述第一属性评分信息或上述第二属性评分信息包括的用户编号拼接为目标属性评分信息。其中,拼接方式可以包括但不限于利用字符“-”进行拼接。
在一些实施例的一些可选的实现方式中,在上述响应于确定第一属性评分信息为非异常第一属性评分信息,或确定第二属性评分信息集合中对应第一属性评分信息的第二属性评分信息为非异常第二属性评分信息,基于第一属性评分信息、第二属性评分信息和预先训练的融合评分卡模型,生成目标属性评分信息之后,上述执行主体还可以响应于确定上述第一属性评分信息为异常第一属性评分信息,且确定上述第二属性评分信息集合中对应上述第一属性评分信息的第二属性评分信息为异常第二属性评分信息,执行以下步骤:
第一步,获取上述第一属性评分信息对应的目标用户的第三初始用户信息。其中,上述第三初始用户信息可以是从其他外部数据库中获取的上述目标用户的信息,包括用户编号和第三初始用户特征数据。其他外部数据库可以是与获取第二初始用户信息的应用不相同的应用的数据库。第三初始用户特征数据可以是其他外部数据库中的目标用户的各维度的数据。例如,第三初始用户特征数据可以是目标用户的外卖数据。外卖数据可以包括历史外卖信息集合。上述历史外卖信息集合中的历史外卖信息可以包括但不限于外卖价值(例如,外卖金额)。实践中,可以利用公网或专线接入的方式获取第三初始用户特征数据。
第二步,对上述第三初始用户特征数据进行特征工程处理,将处理后的第三初始用户特征数据作为第三用户特征数据。
实践中,上述执行主体可以对第三初始用户特征数据进行特征清洗和预处理。例如,可以删除一些缺失值或有异常错误的数据。也可以进行数据变换(如,对数变换)。
第三步,将上述第三用户特征数据与上述第三用户特征数据对应的用户编号组合为第三用户信息。
实践中,上述执行主体可以把上述第三用户特征数据与上述第三用户特征数据对应的用户编号拼接为第三用户信息。
第四步,基于预设的第三评分卡模型和上述第三用户信息,生成第三属性评分信息。其中,上述第三属性评分信息包括用户编号和第三属性评分值。上述第三属性评分值可以是以目标用户的第三用户信息为依据得到的属性评分值。上述第三用户信息与上述第三属性评分信息相对应。上述第三用户信息包括的用户编号与上述第三属性评分信息包括的用户编号相同。上述第三评分卡模型可以根据从外部获取的样本数据,利用逻辑回归方法预先构建。其中,构建上述第三评分卡模型时所用的样本数据与构建上述第二评分卡模型时所用的样本数据不同。
实践中,首先,上述执行主体可以将上述第三用户信息包括的第三属性评分值输入上述第一评分卡模型,得到第一属性评分值。然后,上述执行主体可以将上述第三用户信息包括的用户编号和上述第三属性评分值组合为第三属性评分信息。例如,可以将上述第三用户信息包括的用户编号和上述第三属性评分值拼接为第三属性评分信息。
第五步,将上述第三属性评分信息包括的第三属性评分值输入数据标定函数,得到标定第三属性评分值。
第六步,将上述第三属性评分信息中的第三属性评分值更新为上述标定第三属性评分值,以及将更新后的第三属性评分信息作为目标属性评分信息。
上述第一步-第六步及其相关内容作为本公开的实施例的一个发明点,解决了“当自有数据和外采数据均出现异常时,得到的评分结果错误,没有对应自有数据和外采数据均出现异常情况的模型”的问题。因此,本公开在用户的自有数据(第一用户特征数据)和外采数据(第二用户特征数据)的输出异常时,采用了备份数据(第三用户特征数据),在数据服务切换至备份数据后,将备份数据经过第三评分卡模型的输出评分值进行数据标定,得到目标属性评分信息,以应对自有数据和外采数据均出现异常的情况。
在一些实施例的一些可选的实现方式中,上述数据标定函数可以通过以下构造步骤得到:
第一步,获取用户样本信息集合。其中,上述用户样本信息集合中的用户样本信息包括用户编号和用户样本特征数据集合。上述用户样本特征数据集合可以包括第一用户样本特征数据、第二用户样本特征数据和第三用户样本特征数据。上述第一用户样本特征数据可以是上述内部数据库中用户的各维度的样本数据。例如,第一用户样本特征数据可以包括用户的订单数据。上述第二用户样本特征数据和上述第三用户样本特征数据可以是从外部数据库获取的、且获取渠道不同的用户的各维度的样本数据。例如,第二用户样本特征数据可以是用户的打车数据。第三用户样本特征数据可以是用户的外卖数据。实践中,上述执行主体可以通过有线连接或无线连接的方式获取用户样本信息集合。
第二步,对于上述用户样本信息集合中的每个用户样本信息,执行以下子步骤:
第一子步骤,将上述用户样本信息包括的第一用户样本特征数据输入上述第一评分卡模型,得到上述用户样本信息对应的第一样本属性评分值。
第二子步骤,将上述用户样本信息包括的第二用户样本特征数据输入上述第二评分卡模型,得到上述用户样本信息对应的第二样本属性评分值。
第三子步骤,将上述第一样本属性评分值和上述第二样本属性评分值输入上述融合评分卡模型,得到上述用户样本信息对应的融合样本属性评分值。
第四子步骤,将上述用户样本信息包括的用户编号和上述融合样本属性评分值进行组合,以生成融合样本属性评分信息。
实践中,上述执行主体可以将上述用户样本信息包括的用户编号和上述融合样本属性评分值拼接为融合样本属性评分信息。其中,拼接方式可以包括但不限于利用字符“-”进行拼接。
第五子步骤,将上述用户样本信息包括的第三用户样本特征数据输入上述第三评分卡模型,得到上述用户样本信息对应的单一样本属性评分值。
第六子步骤,将上述用户样本信息包括的用户编号和上述单一样本属性评分值进行组合,以生成单一样本属性评分信息。
实践中,上述执行主体可以将上述用户样本信息包括的用户编号和上述单一样本属性评分值拼接为单一样本属性评分信息。
第三步,将所生成的各个融合样本属性评分信息按照融合样本属性评分值的大小进行排序,得到融合样本属性评分信息序列。
实践中,上述执行主体可以按照融合样本属性评分值升序或降序的方式,对所生成的各个融合样本属性评分信息进行排序,得到融合样本属性评分信息序列。
第四步,将所生成的各个单一样本属性评分信息按照单一样本属性评分值的大小进行排序,得到单一样本属性评分信息序列。
实践中,上述执行主体可以按照与融合样本属性评分信息序列相同的排序方式,将所生成的各个单一样本属性评分信息按照单一样本属性评分值的大小进行排序,得到单一样本属性评分信息序列。
第五步,对于预设的分箱方式集合中的每个分箱方式,根据上述融合样本属性评分信息序列和上述单一样本属性评分信息序列,执行以下子步骤,其中,分箱可以是等频分箱,将各个数据分箱使得不同的箱里有相同个数的数据。上述分箱方式集合中不同的分箱方式可以是按照每箱中不同的个数进行分箱的方式。例如,分箱可以是分为20箱、30箱或50箱:
第一子步骤,将上述融合样本属性评分信息序列中的各个融合样本属性评分值进行分箱处理,得到融合样本属性评分值子序列组。
第二子步骤,将上述单一样本属性评分信息序列中的各个单一样本属性评分值进行分箱处理,得到单一样本属性评分值子序列组。
第三子步骤,将上述融合样本属性评分值子序列组中的每个融合样本属性评分值子序列中各个融合样本属性评分值的平均值确定为融合属性评分平均值,得到融合属性评分平均值序列。
第四子步骤,将上述单一样本属性评分值子序列组中的每个单一样本属性评分值子序列中各个单一样本属性评分值的平均值确定为单一属性评分平均值,得到单一属性评分平均值序列。
第五子步骤,对上述单一属性评分平均值序列中的各个单一属性评分平均值进行对数变换,得到对数变换处理后的单一属性评分平均值序列作为目标单一属性评分平均值序列。
第六子步骤,将上述目标单一属性评分平均值序列中各个目标单一属性评分平均值作为自变量、上述融合属性评分平均值序列中各个融合属性评分平均值作为因变量,构建一元线性回归方程作为初始数据标定函数。
第六步,确定所得到的各个初始数据标定函数的可决系数。
实践中,上述执行主体可以根据可决系数的公式确定所得到的各个初始数据标定函数的可决系数。
第七步,从得到的各个初始数据标定函数中选择满足预设条件的初始数据标定函数作为数据标定函数。其中,上述预设条件可以是函数的可决系数最大。
上述构造步骤及其相关内容作为本公开的实施例的一个发明点,解决了“采用备份数据后,输出分值的分布相比于原始输出(融合评分卡模型的输出)产生了大幅波动,导致输出分值量化客户风险的能力发生显著变化”的问题。导致输出分值量化客户风险的能力发生显著变化的因素往往如下:采用备份数据后,输出分值的分布相比于原始输出(融合评分卡模型的输出)产生了大幅波动,导致输出分值量化客户风险的能力发生显著变化。因此,本公开利用样本数据预先构造数据标定函数,用以确定备份数据的输出评分值与原始输出之间的线性关系。进而,在数据服务切换至备份数据后,将备份数据经过第三评分卡模型的输出评分值进行数据标定,以使得标定后的分值分布与原始输出分布相近,输出分值量化客户风险的能力不发生显著变化。
步骤106,基于所生成的各个目标属性评分信息,生成目标属性评分信息集合。
在一些实施例中,上述执行主体可以基于所生成的各个目标属性评分信息,生成目标属性评分信息集合。
实践中,上述执行主体可以将所得到的各个目标属性评分信息组合为目标属性评分信息集合。
步骤107,将所生成的目标属性评分信息集合发送至目标终端设备,以供目标终端设备对目标属性评分信息集合进行显示。
在一些实施例中,上述执行主体可以将所生成的目标属性评分信息集合发送至目标终端设备,以供上述目标终端设备对上述目标属性评分信息集合进行显示。其中,上述目标终端设备可以是发送针对各个目标用户的属性评分的查询请求的终端设备。
在一些实施例的一些可选的实现方式中,上述执行主体还可以响应于在预设数据库中未检测到用户的身份信息,控制相关联的控制设备执行预设操作,以及控制相关联的声音播放设备发出预设提示音。其中,上述预设数据库可以是预先存储对应的目标属性评分信息包括的属性评分值大于等于预设阈值的目标用户的身份信息的数据库。上述身份信息可以是表征用户身份的信息。例如,上述身份信息可以是用户的人脸图像。上述预设阈值可以是提前预设的、用于判断目标用户的属性评分是否达到标准的阈值。上述控制设备可以是控制出入门开关的设备。上述预设操作可以是控制门锁关闭的操作。上述声音播放设备可以是用于发出预设提示音的设备。上述预设提示音可以是用于提示用户刷身份证的提示应。例如,上述预设提示音可以是“请刷身份证进入”的提示音。
通过本公开的一些实施例的信息发送方法,能够减少人流拥堵,提高出入口的安全性。具体来说,造成人流拥堵,出入口的安全性较低的原因在于:无法自动配置针对不同用户的门禁打开方式,刷身份证的方式较为繁琐,导致人流拥堵,而刷脸的方式存在一定错误率,陌生用户刷脸进入时导致安全性差。基于此,本公开的一些实施例的信息发送方法包括:首先,响应于接收到客户端发送的针对各个目标用户的属性评分的查询请求,获取对应上述各个目标用户的第一初始用户信息集合和第二初始用户信息集合。由此,通过从不同渠道获取各个目标用户的用户信息,降低了用户信息的单一性和偶然性,提高了用户信息的全面性。然后,基于上述第一初始用户信息集合和上述第二初始用户信息集合,生成第一用户信息集合和第二用户信息集合。由此,对获得的初始用户信息进行处理后生成了可用于进行属性评分的用户信息。再然后,基于预设的第一评分卡模型和上述第一用户信息集合,生成第一属性评分信息集合。其中,上述第一用户信息集合中的第一用户信息对应上述第一属性评分信息集合中的第一属性评分信息。基于预设的第二评分卡模型和上述第二用户信息集合,生成第二属性评分信息集合。其中,上述第二用户信息集合中的第二用户信息对应上述第二属性评分信息集合中的第二属性评分信息。由此,分别利用第一用户信息和第二用户信息生成属性评分值,降低了数据的耦合性。接着,对于上述第一属性评分信息集合中的每个第一属性评分信息,响应于确定上述第一属性评分信息为非异常第一属性评分信息,或确定上述第二属性评分信息集合中对应上述第一属性评分信息的第二属性评分信息为非异常第二属性评分信息,基于上述第一属性评分信息、上述第二属性评分信息和预先训练的融合评分卡模型,生成目标属性评分信息。由此,融合了第一属性评分信息和第二属性评分信息以生成目标属性评分信息,提高了属性评分的准确率。再接着,基于所生成的各个目标属性评分信息,生成目标属性评分信息集合。由此,可以根据各个用户的目标属性评分信息,将属性评分值较高的目标用户的用户信息存储至数据库,并为这些用户开通刷脸开门方式,否则需要刷身份证进入,可以针对不同用户有特定的门禁打开方式。最后,将所生成的目标属性评分信息集合发送至目标终端设备,以供上述目标终端设备对上述目标属性评分信息集合进行显示。由此,可以将目标属性评分信息反馈给查询方,为查询方提供评估用户质量的参考依据。由此,可以减少人流拥堵,提高出入口的安全性。
进一步参考图2,作为对上述各图所示方法的实现,本公开提供了一种信息发送装置的一些实施例,这些装置实施例与图1所示的那些方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图2所示,一些实施例的信息发送装置200包括:获取单元201、第一生成单元202、第二生成单元203、第三生成单元204、第四生成单元205、第五生成单元206和发送单元207。其中,获取单元201被配置成响应于接收到客户端发送的针对各个目标用户的属性评分的查询请求,获取对应上述各个目标用户的第一初始用户信息集合和第二初始用户信息集合,其中,上述属性评分所针对的属性包括以下之一:根据用户在预定时间段内的使用频次所确定的活跃度,根据用户在预定时间段内重复使用次数所确定的用户黏度;第一生成单元202被配置成基于上述第一初始用户信息集合和上述第二初始用户信息集合,生成第一用户信息集合和第二用户信息集合;第二生成单元203被配置成基于预设的第一评分卡模型和上述第一用户信息集合,生成第一属性评分信息集合,其中,上述第一用户信息集合中的第一用户信息对应上述第一属性评分信息集合中的第一属性评分信息;第三生成单元204被配置成基于预设的第二评分卡模型和上述第二用户信息集合,生成第二属性评分信息集合,其中,上述第二用户信息集合中的第二用户信息对应上述第二属性评分信息集合中的第二属性评分信息;第四生成单元205被配置成对于上述第一属性评分信息集合中的每个第一属性评分信息,响应于确定上述第一属性评分信息为非异常第一属性评分信息,或确定上述第二属性评分信息集合中对应上述第一属性评分信息的第二属性评分信息为非异常第二属性评分信息,基于上述第一属性评分信息、上述第二属性评分信息和预先训练的融合评分卡模型,生成目标属性评分信息;第五生成单元206被配置成基于所生成的各个目标属性评分信息,生成目标属性评分信息集合;发送单元207被配置成将所生成的目标属性评分信息集合发送至目标终端设备,以供上述目标终端设备对上述目标属性评分信息集合进行显示。
可以理解的是,该装置200中记载的诸单元与参考图1描述的方法中的各个步骤相对应。由此,上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置200及其中包含的单元,在此不再赘述。
下面参考图3,其示出了适于用来实现本公开的一些实施例的电子设备(例如,计算设备)300的结构示意图。图3示出的电子设备仅仅是一个示例,不应对本公开的实施例的功能和使用范围带来任何限制。
如图3所示,电子设备300可以包括处理装置(例如中央处理器、图形处理器等)301,其可以根据存储在只读存储器(ROM)302中的程序或者从存储装置308加载到随机访问存储器(RAM)303中的程序而执行各种适当的动作和处理。在RAM 303中,还存储有电子设备300操作所需的各种程序和数据。处理装置301、ROM 302以及RAM 303通过总线304彼此相连。输入/输出(I/O)接口305也连接至总线304。
通常,以下装置可以连接至I/O接口305:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置306;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置307;包括例如磁带、硬盘等的存储装置308;以及通信装置309。通信装置309可以允许电子设备300与其他设备进行无线或有线通信以交换数据。虽然图3示出了具有各种装置的电子设备300,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图3中示出的每个方框可以代表一个装置,也可以根据需要代表多个装置。
特别地,根据本公开的一些实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的一些实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中,该计算机程序可以通过通信装置309从网络上被下载和安装,或者从存储装置308被安装,或者从ROM 302被安装。在该计算机程序被处理装置301执行时,执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是,本公开的一些实施例中记载的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:响应于接收到客户端发送的针对各个目标用户的属性评分的查询请求,获取对应上述各个目标用户的第一初始用户信息集合和第二初始用户信息集合,其中,上述属性评分所针对的属性包括以下之一:根据用户在预定时间段内的使用频次所确定的活跃度,根据用户在预定时间段内的在预定时间段内重复使用次数所确定的用户黏度;基于上述第一初始用户信息集合和上述第二初始用户信息集合,生成第一用户信息集合和第二用户信息集合;基于预设的第一评分卡模型和上述第一用户信息集合,生成第一属性评分信息集合,其中,上述第一用户信息集合中的第一用户信息对应上述第一属性评分信息集合中的第一属性评分信息;基于预设的第二评分卡模型和上述第二用户信息集合,生成第二属性评分信息集合,其中,上述第二用户信息集合中的第二用户信息对应上述第二属性评分信息集合中的第二属性评分信息;对于上述第一属性评分信息集合中的每个第一属性评分信息,响应于确定上述第一属性评分信息为非异常第一属性评分信息,或确定上述第二属性评分信息集合中对应上述第一属性评分信息的第二属性评分信息为非异常第二属性评分信息,基于上述第一属性评分信息、上述第二属性评分信息和预先训练的融合评分卡模型,生成目标属性评分信息;基于所生成的各个目标属性评分信息,生成目标属性评分信息集合;将所生成的目标属性评分信息集合发送至目标终端设备,以供上述目标终端设备对上述目标属性评分信息集合进行显示。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的一些实施例中的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括获取单元、执行单元和发送单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,获取单元还可以被描述为“响应于接收到客户端发送的针对各个目标用户的属性评分的查询请求,获取对应上述各个目标用户的第一初始用户信息集合和第二初始用户信息集合的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
本公开的一些实施例还提供一种计算机程序产品,包括计算机程序,计算机程序在被处理器执行时实现上述的任一种信息发送方法。
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开的实施例中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (9)
1.一种信息发送方法,包括:
响应于接收到客户端发送的针对各个目标用户的属性评分的查询请求,获取对应所述各个目标用户的第一初始用户信息集合和第二初始用户信息集合,其中,所述属性评分所针对的属性包括以下之一:根据用户在预定时间段内的使用频次所确定的活跃度,根据用户在预定时间段内重复使用次数所确定的用户黏度;
基于所述第一初始用户信息集合和所述第二初始用户信息集合,生成第一用户信息集合和第二用户信息集合;
基于预设的第一评分卡模型和所述第一用户信息集合,生成第一属性评分信息集合,其中,所述第一用户信息集合中的第一用户信息对应所述第一属性评分信息集合中的第一属性评分信息;
基于预设的第二评分卡模型和所述第二用户信息集合,生成第二属性评分信息集合,其中,所述第二用户信息集合中的第二用户信息对应所述第二属性评分信息集合中的第二属性评分信息;
对于所述第一属性评分信息集合中的每个第一属性评分信息,响应于确定所述第一属性评分信息为非异常第一属性评分信息,或确定所述第二属性评分信息集合中对应所述第一属性评分信息的第二属性评分信息为非异常第二属性评分信息,基于所述第一属性评分信息、所述第二属性评分信息和预先训练的融合评分卡模型,生成目标属性评分信息;
基于所生成的各个目标属性评分信息,生成目标属性评分信息集合;
将所生成的目标属性评分信息集合发送至目标终端设备,以供所述目标终端设备对所述目标属性评分信息集合进行显示。
2.根据权利要求1所述的方法,其中,所述方法还包括:
响应于在预设数据库中未检测到用户的身份信息,控制相关联的控制设备执行预设操作,以及控制相关联的声音播放设备发出预设提示音。
3.根据权利要求2所述的方法,其中,所述第一初始用户信息集合中的第一初始用户信息包括用户编号和第一初始用户特征数据,所述第二初始用户信息集合中的第二初始用户信息包括用户编号和第二初始用户特征数据;以及
所述基于所述第一初始用户信息集合和所述第二初始用户信息集合,生成第一用户信息集合和第二用户信息集合,包括:
对所述第一初始用户信息集合中的各个第一初始用户信息包括的第一初始用户特征数据进行特征工程处理,将处理后的第一初始用户特征数据作为第一用户特征数据,得到第一用户特征数据集合;
将所述第一用户特征数据集合中的每个第一用户特征数据与所述第一用户特征数据对应的用户编号组合为第一用户信息,得到第一用户信息集合;
对所述第二初始用户信息集合中的各个第二初始用户信息包括的第二初始用户特征数据进行特征工程处理,将处理后的第二初始用户特征数据作为第二用户特征数据,得到第二用户特征数据集合;
将所述第二用户特征数据集合中的每个第二用户特征数据与所述第二用户特征数据对应的用户编号组合为第二用户信息,得到第二用户信息集合。
4.根据权利要求3所述的方法,其中,所述第一属性评分信息集合中的第一属性评分信息包括用户编号和第一属性评分值,所述第二属性评分信息集合中的第二属性评分信息包括用户编号和第二属性评分值;以及
所述响应于确定所述第一属性评分信息为非异常第一属性评分信息,或确定所述第二属性评分信息集合中对应所述第一属性评分信息的第二属性评分信息为非异常第二属性评分信息,基于所述第一属性评分信息、所述第二属性评分信息和预先训练的融合评分卡模型,生成目标属性评分信息,包括:
响应于确定所述第一属性评分信息为非异常第一属性评分信息,且确定所述第二属性评分信息为非异常第二属性评分信息,执行以下步骤:
将所述第一属性评分信息包括的第一属性评分值和所述第二属性评分信息包括的第二属性评分值输入所述融合评分卡模型,得到融合属性评分值;
将所述融合属性评分值、所述第一属性评分信息或所述第二属性评分信息包括的用户编号组合为目标属性评分信息。
5.根据权利要求4所述的方法,其中,所述响应于确定所述第一属性评分信息为非异常第一属性评分信息,或确定所述第二属性评分信息集合中对应所述第一属性评分信息的第二属性评分信息为非异常第二属性评分信息,基于所述第一属性评分信息、所述第二属性评分信息和预先训练的融合评分卡模型,生成目标属性评分信息,还包括:
响应于确定所述第一属性评分信息为异常第一属性评分信息,且确定所述第二属性评分信息为非异常第二属性评分信息,执行以下步骤:
将所述第一属性评分信息包括的第一属性评分值更新为第一默认值,得到更新后的第一属性评分信息;
将所述更新后的第一属性评分信息包括的第一属性评分值和所述第二属性评分信息包括的第二属性评分值输入所述融合评分卡模型,得到第一融合属性评分值;
将所述第一融合属性评分值、所述第一属性评分信息或所述第二属性评分信息包括的用户编号组合为目标属性评分信息。
6.根据权利要求5所述的方法,其中,所述响应于确定所述第一属性评分信息为非异常第一属性评分信息,或确定所述第二属性评分信息集合中对应所述第一属性评分信息的第二属性评分信息为非异常第二属性评分信息,基于所述第一属性评分信息、所述第二属性评分信息和预先训练的融合评分卡模型,生成目标属性评分信息,还包括:
响应于确定所述第二属性评分信息为异常第二属性评分信息,且确定所述第一属性评分信息为非异常第一属性评分信息,执行以下步骤:
将所述第二属性评分信息包括的第二属性评分值更新为第二默认值,得到更新后的第二属性评分信息;
将所述更新后的第二属性评分信息包括的第二属性评分值和所述第一属性评分信息包括的第一属性评分值输入所述融合评分卡模型,得到第二融合属性评分值;
将所述第二融合属性评分值、所述第一属性评分信息或所述第二属性评分信息包括的用户编号组合为目标属性评分信息。
7.一种信息发送装置,包括:
获取单元,被配置成响应于接收到客户端发送的针对各个目标用户的属性评分的查询请求,获取对应所述各个目标用户的第一初始用户信息集合和第二初始用户信息集合,其中,所述属性评分所针对的属性包括以下之一:根据用户在预定时间段内的使用频次所确定的活跃度,根据用户在预定时间段内重复使用次数所确定的用户黏度;
第一生成单元,被配置成基于所述第一初始用户信息集合和所述第二初始用户信息集合,生成第一用户信息集合和第二用户信息集合;
第二生成单元,被配置成基于预设的第一评分卡模型和所述第一用户信息集合,生成第一属性评分信息集合,其中,所述第一用户信息集合中的第一用户信息对应所述第一属性评分信息集合中的第一属性评分信息;
第三生成单元,被配置成基于预设的第二评分卡模型和所述第二用户信息集合,生成第二属性评分信息集合,其中,所述第二用户信息集合中的第二用户信息对应所述第二属性评分信息集合中的第二属性评分信息;
第四生成单元,被配置成对于所述第一属性评分信息集合中的每个第一属性评分信息,响应于确定所述第一属性评分信息为非异常第一属性评分信息,或确定所述第二属性评分信息集合中对应所述第一属性评分信息的第二属性评分信息为非异常第二属性评分信息,基于所述第一属性评分信息、所述第二属性评分信息和预先训练的融合评分卡模型,生成目标属性评分信息;
第五生成单元,被配置成基于所生成的各个目标属性评分信息,生成目标属性评分信息集合;
发送单元,被配置成将所生成的目标属性评分信息集合发送至目标终端设备,以供所述目标终端设备对所述目标属性评分信息集合进行显示。
8.一种电子设备,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-6中任一所述的方法。
9.一种计算机可读介质,其上存储有计算机程序,其中,所述程序被处理器执行时实现如权利要求1-6中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210751753.0A CN115169852B (zh) | 2022-06-29 | 2022-06-29 | 信息发送方法、装置、电子设备、介质和计算机程序产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210751753.0A CN115169852B (zh) | 2022-06-29 | 2022-06-29 | 信息发送方法、装置、电子设备、介质和计算机程序产品 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115169852A CN115169852A (zh) | 2022-10-11 |
CN115169852B true CN115169852B (zh) | 2023-10-27 |
Family
ID=83488920
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210751753.0A Active CN115169852B (zh) | 2022-06-29 | 2022-06-29 | 信息发送方法、装置、电子设备、介质和计算机程序产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115169852B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117689311B (zh) * | 2023-12-04 | 2024-05-17 | 朴道征信有限公司 | 物品库存调整方法、装置、电子设备和计算机可读介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110348992A (zh) * | 2019-06-25 | 2019-10-18 | 深圳中兴飞贷金融科技有限公司 | 用户信息处理方法和装置、存储介质和电子设备 |
CN113204577A (zh) * | 2021-04-15 | 2021-08-03 | 北京沃东天骏信息技术有限公司 | 信息推送方法、装置、电子设备和计算机可读介质 |
CN113722594A (zh) * | 2021-09-01 | 2021-11-30 | 北京百度网讯科技有限公司 | 推荐模型的训练方法、推荐方法、装置、电子设备及介质 |
CN113888262A (zh) * | 2021-09-27 | 2022-01-04 | 口碑(上海)信息技术有限公司 | 评价识别及评价识别网络模型的训练方法及装置 |
CN114201687A (zh) * | 2021-12-21 | 2022-03-18 | 武汉卓尔数字传媒科技有限公司 | 信息推荐方法、装置、电子设备及存储介质 |
CN114238781A (zh) * | 2021-12-13 | 2022-03-25 | 深圳壹账通智能科技有限公司 | 基于人工智能的信息推送方法、装置、设备及介质 |
CN114386488A (zh) * | 2021-12-22 | 2022-04-22 | 百果园技术(新加坡)有限公司 | 用户类别识别方法、装置、电子设备及可读存储介质 |
CN114418748A (zh) * | 2022-01-26 | 2022-04-29 | 深圳前海微众银行股份有限公司 | 车贷信用评估方法、装置、设备及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108230067A (zh) * | 2016-12-14 | 2018-06-29 | 阿里巴巴集团控股有限公司 | 用户信用的评估方法和装置 |
-
2022
- 2022-06-29 CN CN202210751753.0A patent/CN115169852B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110348992A (zh) * | 2019-06-25 | 2019-10-18 | 深圳中兴飞贷金融科技有限公司 | 用户信息处理方法和装置、存储介质和电子设备 |
CN113204577A (zh) * | 2021-04-15 | 2021-08-03 | 北京沃东天骏信息技术有限公司 | 信息推送方法、装置、电子设备和计算机可读介质 |
CN113722594A (zh) * | 2021-09-01 | 2021-11-30 | 北京百度网讯科技有限公司 | 推荐模型的训练方法、推荐方法、装置、电子设备及介质 |
CN113888262A (zh) * | 2021-09-27 | 2022-01-04 | 口碑(上海)信息技术有限公司 | 评价识别及评价识别网络模型的训练方法及装置 |
CN114238781A (zh) * | 2021-12-13 | 2022-03-25 | 深圳壹账通智能科技有限公司 | 基于人工智能的信息推送方法、装置、设备及介质 |
CN114201687A (zh) * | 2021-12-21 | 2022-03-18 | 武汉卓尔数字传媒科技有限公司 | 信息推荐方法、装置、电子设备及存储介质 |
CN114386488A (zh) * | 2021-12-22 | 2022-04-22 | 百果园技术(新加坡)有限公司 | 用户类别识别方法、装置、电子设备及可读存储介质 |
CN114418748A (zh) * | 2022-01-26 | 2022-04-29 | 深圳前海微众银行股份有限公司 | 车贷信用评估方法、装置、设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
基于用户评分与类别聚类的个性化推荐方法;谢壮壮;《中国优秀博硕士学位论文全文数据库(硕士)社会科学Ⅱ辑》(第04期);1-54 * |
Also Published As
Publication number | Publication date |
---|---|
CN115169852A (zh) | 2022-10-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108427939B (zh) | 模型生成方法和装置 | |
CN117156012B (zh) | 异常请求数据处理方法、装置、设备和计算机可读介质 | |
CN116932919B (zh) | 信息推送方法、装置、电子设备和计算机可读介质 | |
CN115169852B (zh) | 信息发送方法、装置、电子设备、介质和计算机程序产品 | |
CN113765928A (zh) | 物联网入侵检测方法、系统、设备及介质 | |
WO2022188534A1 (zh) | 信息推送的方法和装置 | |
CN115471307A (zh) | 基于知识图谱的审计评估信息生成方法、装置和电子设备 | |
CN117035842A (zh) | 模型训练方法、业务量预测方法、装置、设备和介质 | |
CN113486968B (zh) | 摄像机生命周期的监控方法、装置、设备和介质 | |
CN116843991A (zh) | 模型训练方法、信息生成方法、装置、设备和介质 | |
CN113765692B (zh) | 限流方法、装置、电子设备和计算机可读介质 | |
CN115062119A (zh) | 政务事件办理推荐方法、装置 | |
CN111754984B (zh) | 文本选取的方法、装置、设备和计算机可读介质 | |
CN114639072A (zh) | 人流量信息生成方法、装置、电子设备和计算机可读介质 | |
CN111582456B (zh) | 用于生成网络模型信息的方法、装置、设备和介质 | |
CN118096192B (zh) | 基于图神经网络的信息推送方法、装置、设备和介质 | |
CN115292081B (zh) | 信息发送方法、装置、电子设备和介质 | |
CN113010784B (zh) | 用于生成预测信息的方法、装置、电子设备和介质 | |
CN117909957B (zh) | 登录请求处理方法、装置、电子设备和计算机可读介质 | |
CN113077353B (zh) | 用于生成核保结论的方法、装置、电子设备和介质 | |
CN114826707B (zh) | 处理用户威胁的方法、装置、电子设备和计算机可读介质 | |
CN111582482B (zh) | 用于生成网络模型信息的方法、装置、设备和介质 | |
CN116645211B (zh) | 推荐用户信息生成方法、装置、设备和计算机可读介质 | |
CN113220384B (zh) | 基于门禁设备的信息发布系统、方法、电子设备和介质 | |
CN116881914B (zh) | 文件系统操作处理方法、系统、设备和计算机可读介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |