CN116361699A - 状态检测方法、装置、计算机设备及存储介质 - Google Patents
状态检测方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN116361699A CN116361699A CN202310350481.8A CN202310350481A CN116361699A CN 116361699 A CN116361699 A CN 116361699A CN 202310350481 A CN202310350481 A CN 202310350481A CN 116361699 A CN116361699 A CN 116361699A
- Authority
- CN
- China
- Prior art keywords
- state detection
- tag
- target object
- target
- data
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 241
- 238000012216 screening Methods 0.000 claims abstract description 38
- 239000013598 vector Substances 0.000 claims abstract description 31
- 238000012545 processing Methods 0.000 claims abstract description 21
- 238000000034 method Methods 0.000 claims abstract description 19
- 238000012549 training Methods 0.000 claims description 46
- 238000004590 computer program Methods 0.000 claims description 15
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 6
- 238000004140 cleaning Methods 0.000 claims description 5
- 238000002372 labelling Methods 0.000 claims description 4
- 230000005856 abnormality Effects 0.000 description 14
- 230000002159 abnormal effect Effects 0.000 description 9
- 230000006399 behavior Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 230000009193 crawling Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 230000008451 emotion Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 210000001525 retina Anatomy 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/951—Indexing; Web crawling techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (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)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种状态检测方法、装置、计算机设备及存储介质,方法包括:获取目标对象的多个对象标签;对多个对象标签进行筛选,得到未满足预设筛选条件的目标对象标签;确定目标对象标签的标签数量;若标签数量大于预设数量阈值,则对目标对象标签进行特征提取,得到目标对象标签的特征向量;将特征向量输入至已训练的状态检测模型,得到状态检测模型输出的目标对象的目标状态检测结果。无需依靠对象主动提供,并且也提高了数据丰富度,进而提高了状态检测的精度和效率;此外,将目标对象标签的标签数量作为后续状态检测的准入条件,避免对明显正常的对象标签进行处理,节省了处理资源,也进一步提高了状态检测的效率。
Description
技术领域
本发明涉及数据分析技术领域,具体涉及一种状态检测方法、装置、计算机设备及存储介质。
背景技术
随着科技的发展,依托互联网能够提供的线上服务已经遍布各个行业,极大的提高了服务效率;而在线上服务过程中,根据服务面向的对象的状态对服务进行实时调整,以实现对象在使用服务过程中的持续维护,从而提高服务质量。
现有技术中,确定对象的状态通常是基于问答形式所得到,比如根据对象主动反馈的对于商品的买家秀数据、对于产品的问卷数据等和/或投诉数据等,但由于这些数据过于单一,且难以收集,严重降低了状态判断的精度和效率,从而导致对象的服务维护较难。
发明内容
针对现有技术中所存在的不足,本发明提供一种状态检测方法、装置、计算机设备及存储介质。
第一方面,在一个实施例中,本发明提供一种状态检测方法,包括:
获取目标对象的多个对象标签;
对多个对象标签进行筛选,得到未满足预设筛选条件的目标对象标签;
确定目标对象标签的标签数量;
若标签数量大于预设数量阈值,则对目标对象标签进行特征提取,得到目标对象标签的特征向量;
将特征向量输入至已训练的状态检测模型,得到状态检测模型输出的目标对象的目标状态检测结果。
在一个实施例中,在获取目标对象的多个对象标签的步骤之前,上述状态检测方法还包括:
获取目标对象的多维数据;对多维数据进行数据预处理,得到多个特征数据;
对每个特征数据进行标签化处理,得到每个特征数据对应的初始标签;
根据每个特征数据的数据权重,对每个初始标签进行权重化处理,得到目标对象的多个带有标签权重的对象标签。
在一个实施例中,对多维数据进行数据预处理,得到多个特征数据,包括:
对多维数据进行数据清洗,得到目标多维数据;
对目标多维数据进行数据结构化处理和数据合并处理,得到多个特征数据。
在一个实施例中,对多个对象标签进行筛选,得到未满足预设筛选条件的目标对象标签,包括:
针对每个对象标签,将该对象标签与预设标签范围进行比对;
若该对象标签不属于预设标签范围中的对象标签,则将该对象标签确定为目标对象标签;
若该对象标签属于预设标签范围中的对象标签,则将该对象标签的标签权重与预设标签范围中对应的对象标签的标签权重范围进行比对;
若该对象标签的标签权重超出预设标签范围中对应的对象标签的标签权重范围,则将该对象标签确定为目标对象标签。
在一个实施例中,目标状态检测结果包括多个子检测结果;在得到状态检测模型输出的目标对象的状目标态检测结果的步骤之后,上述状态检测方法还包括:
对目标状态检测结果中的多个子检测结果进行加权平均,得到结果平均值;
若结果平均值超出预设平均值范围,则将目标状态检测结果推送至管理员终端。
在一个实施例中,在将特征向量输入至已训练的状态检测模型,得到状态检测模型输出的目标对象的目标状态检测结果的步骤之前,上述状态检测方法还包括:
获取训练样本集;训练样本集包括多个训练样本,每个训练样本包括训练特征向量以及对应的训练状态检测结果;
将训练样本集中的训练特征向量分别作为状态检测模型的输入,将训练样本集中的训练状态检测结果作为状态检测模型的期望输出,对状态检测模型进行训练,得到已训练的状态检测模型。
在一个实施例中,在将状态检测结果推送至管理员终端的步骤之后,上述状态检测方法还包括:
获取管理员终端反馈的实际状态检测结果;
根据实际状态检测结果和目标状态检测结果,对状态检测模型进行参数更新。
第二方面,在一个实施例中,本发明提供一种状态检测装置,包括:
标签获取模块,用于获取目标对象的多个对象标签;
标签筛选模块,用于对多个对象标签进行筛选,得到未满足预设筛选条件的目标对象标签;
数量确定模块,用于确定目标对象标签的标签数量;
特征提取模块,若标签数量大于预设数量阈值,则用于对目标对象标签进行特征提取,得到目标对象标签的特征向量;
状态检测模块,用于将特征向量输入至已训练的状态检测模型,得到状态检测模型输出的目标对象的目标状态检测结果。
第三方面,在一个实施例中,本发明提供一种计算机设备,包括存储器和处理器;存储器存储有计算机程序,处理器用于运行存储器内的计算机程序,以执行上述任一种实施例中的状态检测方法中的步骤。
第四方面,在一个实施例中,本发明提供一种存储介质,存储介质存储有计算机程序,计算机程序被处理器进行加载,以执行上述任一种实施例中的状态检测方法中的步骤。
通过上述状态检测方法、装置、计算机设备及存储介质,获取目标对象的多个对象标签(即目标对象的目标画像),然后筛选出未满足预设筛选条件的目标对象标签,被筛选出的目标对象标签用于表征出现异常的标签,比如与目标对象在正常情况下的同类标签存在较大差异,当目标对象标签的标签数量大于设定的预设数量阈值时,说明目标对象当前的状态可能存在异常,进而对目标对象标签进行特征提取并输入至已训练的状态检测模型中,得到状态检测模型输出的目标状态检测结果;由于对象标签表征了对象的各种重要信息,并且对象标签可通过大数据爬取的方式获得,因此通过对象标签进行状态检测,无需依靠对象主动提供,并且也提高了数据丰富度,进而提高了状态检测的精度和效率;此外,将目标对象标签的标签数量作为后续状态检测的准入条件,避免对明显正常的对象标签进行处理,节省了处理资源,也进一步提高了状态检测的效率。
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单地介绍,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,对于本领域技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一个实施例中状态检测方法的应用场景示意图;
图2为本发明一个实施例中状态检测方法的流程示意图;
图3为本发明一个实施例中状态检测装置的结构示意图;
图4为本发明一个实施例中计算机设备的内部结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,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,本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本发明的描述中,需要理解的是,术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本申请的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。在本申请中,“示例性”一词用来表示“用作例子、例证或说明”。本申请中被描述为“示例性”的任何实施例不一定被解释为比其它实施例更优选或更具优势。为了使本领域任何技术人员能够实现和使用本发明,给出了以下描述。在以下描述中,为了解释的目的而列出了细节。应当明白的是,本领域普通技术人员可以认识到,在不使用这些特定细节的情况下也可以实现本发明。在其它实例中,不会对公知的结构和过程进行详细阐述,以避免不必要的细节使本发明的描述变得晦涩。因此,本发明并非旨在限于所示的实施例,而是与符合本申请所公开的原理和特征的最广范围相一致。
本发明实施例中的状态检测方法应用于状态检测装置,状态检测装置设置于计算机设备;计算机设备可以是终端,例如,手机或平板电脑,计算机设备还可以是一台服务器,或者多台服务器组成的服务集群。
如图1所示,图1为本发明实施例状态检测方法的应用场景示意图,本发明实施例中状态检测方法的应用场景中包括计算机设备100(计算机设备100中集成有状态检测装置),计算机设备100中运行状态检测方法对应的计算机可读存储介质,以执行状态检测方法的步骤。
可以理解的是,图1所示状态检测方法的应用场景中的计算机设备,或者计算机设备中包含的装置并不构成对本发明实施例的限制,即,状态检测方法的应用场景中包含的设备数量、设备种类,或者各个设备中包含的装置数量、装置种类不影响本发明实施例中技术方案整体实现,均可以算作本发明实施例要求保护技术方案的等效替换或衍生。
本发明实施例中计算机设备100可以是独立的设备,也可以是设备组成的设备网络或设备集群,例如,本发明实施例中所描述的计算机设备100,其包括但不限于电脑、网络主机、单个网络设备、多个网络设备集或多个设备构成的云设备。其中,云设备由基于云计算(Cloud Computing)的大量电脑或网络设备构成。
本领域技术人员可以理解,图1中示出的应用场景,仅仅是与本发明的技术方案对应的一种应用场景,并不构成对本发明的技术方案的应用场景的限定,其他的应用场景还可以包括比图1中所示更多或更少的计算机设备,或者计算机设备网络连接关系,例如图1中仅示出1个计算机设备,可以理解的,该状态检测方法的场景还可以包括一个或多个其他计算机设备,具体此处不作限定;该计算机设备100中还可以包括存储器,用于存储状态检测方法相关的信息。
此外,本发明实施例中的状态检测方法的应用场景中计算机设备100可以设置显示装置,或者计算机设备100中不设置显示装置并与外接的显示装置200通讯连接,显示装置200用于输出计算机设备中状态检测方法执行的结果。计算机设备100可以访问后台数据库300(后台数据库300可以是计算机设备100的本地存储器,后台数据库300还可以设置在云端),后台数据库300中保存有状态检测方法相关的信息。
需要说明的是,图1所示的状态检测方法的应用场景仅仅是一个示例,本发明实施例描述的状态检测方法的应用场景是为了更加清楚的说明本发明实施例的技术方案,并不构成对于本发明实施例提供的技术方案的限定。
基于上述状态检测方法的应用场景,提出了状态检测方法的实施例。
第一方面,如图2所示,在一个实施例中,本发明提供一种状态检测方法,包括:
步骤201,获取目标对象的多个对象标签;
其中,目标对象可以是指线上服务面向的某一个具体的用户,也可以是线上服务面向的某部分用户群体;
其中,线上服务包括金融科技领域(包括贷款申请、金融产品购买、电子商务、电子支付、电子交易、证券交易、网上银行、税务办理、电子政务、网络购物、网申保险等)的服务、数字医疗领域(包括智能医疗、线上诊断、网络购药、病情智能分析等)的服务以及人工智能领域(包括计算机视觉、自然语言处理、语音识别、生物识别、语义识别、视网膜识别、虹膜识别、掌纹识别、机器翻译、虚拟助理、字符识别、语音交互等)的服务;
其中,在不同领域中,标签可以是“青少年人”、“中年人”、“老年人”、“学生”、“职场人”、“网购”、“影视”、“线上诊断”、“外卖”、“游戏”、“二次元”等等,根据对象标签可以清楚的知晓目标对象的偏好情况,从而提供更加精准的线上服务;
其中,以上述举例中的金融产品购买服务为例,目标对象可以是购买金融产品的某一个购买者,也可以是购买金融产品的全部购买者;当目标对象为某一个具体的用户时,对应的多个对象标签侧重于该用户的个人数据;当目标对象为部分用户群体时,对应的多个对象标签侧重于用户群体的整体数据,在实际应用过程中,可根据实际需求来设定目标对象;目标对象的不同,会导致对象标签的标签权重的确定方式存在差异,比如当目标对象是购买金融产品的某一个购买者时,若该目标对象的多个对象标签分别为“贷款金融产品”、“理财金融产品”、“保险金融产品”,则三个对象标签的标签权重取决于该目标对象对于这三种产品的办理频次,办理的频次越多,对应的标签权重越高;比如当目标对象是购买金融产品的全部购买者时,则三个对象表现的标签权重取决于对于这三种产品的办理用户数,用户数越高,对应的标签权重越高,当然,在该情况中,标签权重也可以同时考虑用户数,以及每个用户的办理频次;
步骤202,对多个对象标签进行筛选,得到未满足预设筛选条件的目标对象标签;
其中,未满足预设筛选条件的目标对象标签表征出现异常的标签,比如对于提供金融产品的线上服务,该线上服务主推保险金融产品,则在正常情况下,该线上服务希望“保险金融产品”的对象标签具有较高的标签权重,“贷款金融产品”、“理财金融产品”的对象标签具有较低的标签权重,若在对象标签进行筛选时,发现“保险金融产品”、“贷款金融产品”、“理财金融产品”的对象标签具有相同的标签权重,说明该线上服务的服务策略出现问题,“保险金融产品”、“贷款金融产品”、“理财金融产品”的对象标签相对于正常情况下,都存在较大的权重偏差,因此可同时判定“保险金融产品”、“贷款金融产品”、“理财金融产品”的对象标签未满足预设筛选条件,从而将“保险金融产品”、“贷款金融产品”、“理财金融产品”的对象标签确定为目标对象标签;出现上述情况,可能存在两种原因,一是用户加强了该线上服务中的“贷款金融产品”、“理财金融产品”的购买,但由于“贷款金融产品”、“理财金融产品”不是主推产品,基本不会引起用户的侧重转移,因此该原因出现的概率较小,二是用户在“保险金融产品”上选择了竞品,即其他线上服务提供的“保险金融产品”,这可能是其他线上服务的服务质量更高,导致用户流失;当出现标签权重与正常情况下存在差异的目标对象标签时,无论是上述那种原因导致,都说明线上服务的服务策略可能出现了异常;
步骤203,确定目标对象标签的标签数量;
其中,每个目标对象标签都表征线上服务的服务策略可能存在异常,但一个或少数目标对象标签,可能是由于一些环境因素,比如数据获取的完整性(比如以上述金融产品为例,可能未获取到部分“保险金融产品”的数据),或者获取的数据进行处理过程中出现错误,这些情况都可能导致获取到的对象标签与正常情况下存在差异,即通过筛选得到目标对象标签,然而这些因素导致的目标对象标签与实际情况不符;由于上述出现的情况属于偶然事件,只可能导致一个或少数的对象标签出现未满足预设筛选条件,即只可能得到一个或少数目标对象标签,当目标对象标签的标签数量过大时,说明不是由上述出现的情况所导致,或者说不是纯粹由上述出现的情况所导致;
其中,每个目标对象标签都只能从一个维度或者一个方面表征线上服务的服务策略可能存在异常,无法较为确切的确定线上服务的服务策略存在异常;
因此在本实施例中,可进一步统计目标对象标签的数量,来判断出现目标对象标签的原因是否为上述的环境因素,或者提高表征的维度或方面,进而能够更加确切的确定线上服务的服务策略存储异常;
步骤204,若标签数量大于预设数量阈值,则对目标对象标签进行特征提取,得到目标对象标签的特征向量;
其中,预设数量阈值可根据通常情况下单纯由环境因素导致的目标对象标签的标签数量或者确定到线上服务的服务策略出现异常后反推得到的目标对象标签的标签数量进行设置,比如预设数量阈值可稍高于上述两种情况下得到的标签数量;比如上述两种情况下得到的标签数量分别为n1和n1+n2,则预设数量阈值可以设置为n1+n2+n3;
其中,当统计到的标签数量大于预设数量阈值时,说明已经超出了上述两种情况的限度,当前线上服务的服务策略极有可能存在异常,因此需要进行后续的状态检测,从而根据得到的状态检测结果来确定导致线上服务的服务策略具体出现了何种异常;由于本实施例采用AI(Artificial Intelligence,人工智能)模型,使用各种典型的高性能机器学习算法进行高效处理,因此在输入至模型前,需要对目标对象标签进行特征提取,以得到符合模型的数据格式的特征向量;
步骤205,将特征向量输入至已训练的状态检测模型,得到状态检测模型输出的目标对象的目标状态检测结果;
其中,目标状态检测结果可以为一个具体的结果值,当然也可以是针对目标对象的多个方面的结果值,即状态检测模型的输出可以是一个,也可以是多个,可根据实际情况,构建对应的模型架构。
通过上述状态检测方法,获取目标对象的多个对象标签(即目标对象的目标画像),然后筛选出未满足预设筛选条件的目标对象标签,被筛选出的目标对象标签用于表征出现异常的标签,比如与目标对象在正常情况下的同类标签存在较大差异,当目标对象标签的标签数量大于设定的预设数量阈值时,说明目标对象当前的状态可能存在异常,进而对目标对象标签进行特征提取并输入至已训练的状态检测模型中,得到状态检测模型输出的目标状态检测结果;由于对象标签表征了对象的各种重要信息,并且对象标签可通过大数据爬取的方式获得,因此通过对象标签进行状态检测,无需依靠对象主动提供,并且也提高了数据丰富度,进而提高了状态检测的精度和效率;此外,将目标对象标签的标签数量作为后续状态检测的准入条件,避免对明显正常的对象标签进行处理,节省了处理资源,也进一步提高了状态检测的效率。
在一个实施例中,在获取目标对象的多个对象标签的步骤之前,上述状态检测方法还包括:
获取目标对象的多维数据;多维数据包括基本信息数据、社会属性数据、人口统计学数据和行为数据中的至少两种;
其中,多维数据是指通过接口等方式爬取到的目标对象的各种原始网络数据;基本信息数据包括姓名、年龄、性别等,社会属性数据包括职业、是否有小孩、活跃时间等,人口统计学数据包括通信数据、资产数据、位置数据等,行为数据包括购买数据、浏览数据、转发数据等;
其中,在金融产品的服务场景中,目标对象的多维数据可以包括用户属性、资产负债数据、交易流程、客户行为、权益服务数据等,具体的可包括,用户资质(P值、M值、授信额度)、卡行为(卡交易、卡分期)、贷款行为(贷款申请、审批放款行为)、电销(客户电话、短信营销意向)、家庭关系图谱(家庭成员资金需求)、历史异常(历史异常点、客服满意度)、活跃行为(浏览行为:贷款页面浏览,消费行为:大额资金变动)等;
其中,需要说明的是,本实施例中获取目标对象的多维数据不存在侵犯隐私的问题;首先,本实施例中所提及的多维数据通常为已公开的数据,比如用户自己公开上传的动态,这些数据本身的私密属性较低;其次,在获取这些多维数据时,已经以获取到目标对象的权限为前提,即目标对象同意获取这些多维数据,并通过这些多维数据进行状态检测,从而调整线上服务的服务策略,以对目标对象提供服务质量更高的线上服务;对于目标对象,可以自由选择是否给予获取权限,若目标对象未给予权限,则不会执行上述获取步骤;
对多维数据进行数据预处理,得到多个特征数据;
其中,由于获取到的多维数据是未经任何处理的原始数据,其中存在各种问题,比如字段缺失、字段错误,或者存在各种无关的数据,通过数据预处理步骤,能够解决上述问题,从而得到更加精准并且为后续步骤所需的多个特征数据;
对每个特征数据进行标签化处理,得到每个特征数据对应的初始标签;
其中,根据每个特征数据,都可以映射到对应的标签上,比如年龄为20岁,则可以映射到“青年人”的标签上;完成映射后,即可得到初始标签,初始标签仅表征了标签的基本属性,即内容(是什么),但未带有对应的标签权重(即影响程度有多大);
根据每个特征数据的数据权重,对每个初始标签进行权重化处理,得到目标对象的多个带有标签权重的对象标签;
其中,特征数据的数据权重取决于特征数据的出现频次,比如特征数据为购买“保险金融产品”,则可能存在多个该特征数据,比如用户a购买“保险金融产品”,用户b购买“保险金融产品”,用户c购买“保险金融产品”,如此购买“保险金融产品”的特征数据出现了三次,再比如用户a在a时购买“保险金融产品”,用户a在b时购买“保险金融产品”,用户a在c时购买“保险金融产品”,如此购买“保险金融产品”的特征数据也出现了三次;可根据每个特征数据出现的频次占总频次的比重来确定每个特征数据的数据权重;然后为每个特征数据对应的初始标签赋予数据权重的权重值相同的标签权重。
在一个实施例中,对多维数据进行数据预处理,得到多个特征数据,包括:
对多维数据进行数据清洗,得到目标多维数据;
其中,数据清洗主要是过滤无效或者虚假数据,在针对特定的线上服务而言,比如需要构建得到用户画像,则还需要过滤掉非目标数据;
对目标多维数据进行数据结构化处理和数据合并处理,得到多个特征数据;
其中,数据结构化处理和数据合并处理需要结合具体业务和应用场景,整合出用户信息雏形。
在一个实施例中,对多个对象标签进行筛选,得到未满足预设筛选条件的目标对象标签,包括:
针对每个对象标签,将该对象标签与预设标签范围进行比对;
其中,预设标签范围中包括多个对象标签,这些对象标签是基于线上服务的服务策略所预先设定,比如包括“理财金融产品”、“贷款金融产品”的对象标签,预设标签范围限定了正常情况下,线上服务面向的目标对象应该具有的对象标签;
若该对象标签不属于预设标签范围中的对象标签,则将该对象标签确定为目标对象标签;
其中,比如获取到的对象标签为“保险金融产品”,则无法在预设标签范围中匹配到一致的对象标签,说明获取到的对象标签不属于预设标签范围中的对象标签;再比如获取到的对象标签为“理财金融产品”和/或“贷款金融产品”,则能够在预设标签范围中匹配到一致的对象标签,说明获取到的对象标签属于预设标签范围中的对象标签;
若该对象标签属于预设标签范围中的对象标签,则将该对象标签的标签权重与预设标签范围中对应的对象标签的标签权重范围进行比对;
其中,上述实施例已经提到,标签权重的差异仍然表征线上服务的服务策略可能存在异常,因此,当比对到获取的对象标签属于预设标签范围中的对象标签,还需要进一步比对标签权重是否在标签权重范围内;
若该对象标签的标签权重超出预设标签范围中对应的对象标签的标签权重范围,则将该对象标签确定为目标对象标签;
其中,比如获取到的对象标签为“理财金融产品”,但其标签权重为m1,虽然预设标签范围中存在对应的“理财金融产品”,但在预设标签范围中,“理财金融产品”的标签权重范围为m2~m3(m1<m2),则获取到的对象标签的标签权重超出了对应的标签权重范围。
在一个实施例中,目标状态检测结果包括多个子检测结果;在得到状态检测模型输出的目标对象的状目标态检测结果的步骤之后,上述状态检测方法还包括:
对目标状态检测结果中的多个子检测结果进行加权平均,得到结果平均值;
其中,比如在某个线上服务的场景中,目标状态检测结果包括客户情绪值(客户对线上服务的态度)、产品体验值(客户对产品的体验情况)、客户投诉值(客户投诉意愿倾向)等子检测结果,这三个子检测结果从不同维度去评估目标对象的状态,若这三个子检测结果的数值分别为低、中、高,则说明目标对象对线上服务的态度不太认同,对产品的体验存在一些意见,但并没有投诉意愿,虽然客户没有投诉意愿,但从客户情绪值和产品体验值而言,已经能够确定当前的线上服务的服务策略存在异常,需要进行调整;因此,需要综合多个子检测结果,来确定线上服务的服务策略是否真的存在需要调整的异常;在本实施例中,可通过多个子检测结果的结果平均值进行判断;
其中,在进行加权平均前,可针对多个子检测结果的重要程度,设置对应的数值权重;比如上述投诉意愿可设置较小的数值权重;
若结果平均值超出预设平均值范围,则将目标状态检测结果推送至管理员终端;
其中,若加权平均得到的结果平均值超出预设平均值范围,则说明线上服务的服务策略真的存在需要调整的异常,需要及时调整,因此将得到的目标状态检测结果推送至管理员终端,以使管理员进行核实,无误后进行调整。
在一个实施例中,在将特征向量输入至已训练的状态检测模型,得到状态检测模型输出的目标对象的目标状态检测结果的步骤之前,上述状态检测方法还包括:
获取训练样本集;训练样本集包括多个训练样本,每个训练样本包括训练特征向量以及对应的训练状态检测结果;
将训练样本集中的训练特征向量分别作为状态检测模型的输入,将训练样本集中的训练状态检测结果作为状态检测模型的期望输出,对状态检测模型进行训练,得到已训练的状态检测模型;
其中,在得到状态检测模型的实际输出后,可确定状态检测模型的实际输出与期望输出的比对结果,若比对结果不满足要求,则根据比对结果更新状态检测模型的模型参数;然后获取下一个训练样本集,直至得到的比对结果满足要求。
在一个实施例中,确定状态检测模型的实际输出与期望输出的比对结果,若比对结果不满足要求,则根据比对结果更新状态检测模型的模型参数,包括:
确定状态检测模型的实际输出与期望输出的比对差值,根据比对差值计算得到损失;
若损失不满足有损坏收敛条件,则根据损失更新状态检测模型的模型参数。
在一个实施例中,在将状态检测结果推送至管理员终端的步骤之后,上述状态检测方法还包括:
获取管理员终端反馈的实际状态检测结果;
根据实际状态检测结果和目标状态检测结果,对状态检测模型进行参数更新;
其中,状态检测模型在使用过程中也可以进行二次训练,比如在将输出的目标状态检测结果推送至管理员终端后,管理员经过核实,确定目标对象的实际状态检测结果与接收到的目标状态检测结果不一致,因此可通过管理员终端反馈该实际状态检测结果;在接收到管理员终端反馈的实际状态检测结果后,将实际状态检测结果作为期望输出,将目标状态检测结果作为实际输出,来调整状态检测模型的参数。
第二方面,如图3所示,在一个实施例中,本发明提供一种状态检测装置,包括:
标签获取模块301,用于获取目标对象的多个对象标签;
标签筛选模块302,用于对多个对象标签进行筛选,得到未满足预设筛选条件的目标对象标签;
数量确定模块303,用于确定目标对象标签的标签数量;
特征提取模块304,若标签数量大于预设数量阈值,则用于对目标对象标签进行特征提取,得到目标对象标签的特征向量;
状态检测模块305,用于将特征向量输入至已训练的状态检测模型,得到状态检测模型输出的目标对象的目标状态检测结果。
通过上述状态检测装置,获取目标对象的多个对象标签(即目标对象的目标画像),然后筛选出未满足预设筛选条件的目标对象标签,被筛选出的目标对象标签用于表征出现异常的标签,比如与目标对象在正常情况下的同类标签存在较大差异,当目标对象标签的标签数量大于设定的预设数量阈值时,说明目标对象当前的状态可能存在异常,进而对目标对象标签进行特征提取并输入至已训练的状态检测模型中,得到状态检测模型输出的目标状态检测结果;由于对象标签表征了对象的各种重要信息,并且对象标签可通过大数据爬取的方式获得,因此通过对象标签进行状态检测,无需依靠对象主动提供,并且也提高了数据丰富度,进而提高了状态检测的精度和效率;此外,将目标对象标签的标签数量作为后续状态检测的准入条件,避免对明显正常的对象标签进行处理,节省了处理资源,也进一步提高了状态检测的效率。
在一个实施例中,上述状态检测装置还包括:
标签确定模块,用于在获取目标对象的多个对象标签的步骤之前,获取目标对象的多维数据;对多维数据进行数据预处理,得到多个特征数据;对每个特征数据进行标签化处理,得到每个特征数据对应的初始标签;根据每个特征数据的数据权重,对每个初始标签进行权重化处理,得到目标对象的多个带有标签权重的对象标签。
在一个实施例中,标签确定模块具体用于对多维数据进行数据清洗,得到目标多维数据;对目标多维数据进行数据结构化处理和数据合并处理,得到多个特征数据。
在一个实施例中,标签筛选模块具体用于针对每个对象标签,将该对象标签与预设标签范围进行比对;若该对象标签不属于预设标签范围中的对象标签,则将该对象标签确定为目标对象标签;若该对象标签属于预设标签范围中的对象标签,则将该对象标签的标签权重与预设标签范围中对应的对象标签的标签权重范围进行比对;若该对象标签的标签权重超出预设标签范围中对应的对象标签的标签权重范围,则将该对象标签确定为目标对象标签。
在一个实施例中,目标状态检测结果包括多个子检测结果;上述状态检测装置还包括:
结果推送模块,用于在得到状态检测模型输出的目标对象的状目标态检测结果的步骤之后,对目标状态检测结果中的多个子检测结果进行加权平均,得到结果平均值;若结果平均值超出预设平均值范围,则将目标状态检测结果推送至管理员终端。
在一个实施例中,上述状态检测装置还包括:
模型训练模块,用于在将特征向量输入至已训练的状态检测模型,得到状态检测模型输出的目标对象的目标状态检测结果的步骤之前,获取训练样本集;训练样本集包括多个训练样本,每个训练样本包括训练特征向量以及对应的训练状态检测结果;将训练样本集中的训练特征向量分别作为状态检测模型的输入,将训练样本集中的训练状态检测结果作为状态检测模型的期望输出,对状态检测模型进行训练,得到已训练的状态检测模型。
在一个实施例中,在将状态检测结果推送至管理员终端的步骤之后,上述状态检测装置还包括:
模型调整模块,用于在将状态检测结果推送至管理员终端的步骤之后,获取管理员终端反馈的实际状态检测结果;根据实际状态检测结果和目标状态检测结果,对状态检测模型进行参数更新。
第三方面,在一个实施例中,本发明提供一种计算机设备,如图4所示,其示出了本发明所涉及的计算机设备的结构,具体来讲:
该计算机设备可以包括一个或者一个以上处理核心的处理器401、一个或一个以上计算机可读存储介质的存储器402、电源403和输入单元404等部件。本领域技术人员可以理解,图4中示出的计算机设备的结构并不构成对计算机设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。其中:
处理器401是该计算机设备的控制中心,利用各种接口和线路连接整个计算机设备的各个部分,通过运行或执行存储在存储器402内的软件程序和/或模块,以及调用存储在存储器402内的数据,执行计算机设备的各种功能和处理数据,从而对计算机设备进行整体监控。可选的,处理器401可包括一个或多个处理核心;优选的,处理器401可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作系统、用户界面和计算机程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器401中。
存储器402可用于存储软件程序以及模块,处理器401通过运行存储在存储器402的软件程序以及模块,从而执行各种功能应用以及数据处理。存储器402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计算机程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据服务器的使用所创建的数据等。此外,存储器402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。相应地,存储器402还可以包括存储器控制器,以提供处理器401对存储器402的访问。
计算机设备还包括给各个部件供电的电源403,优选的,电源403可以通过电源管理系统与处理器401逻辑相连,从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源403还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
该计算机设备还可包括输入单元404,该输入单元404可用于接收输入的数字或字符信息,以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。
尽管未示出,计算机设备还可以包括显示单元等,在此不再赘述。具体在本实施例中,计算机设备中的处理器401会按照如下的指令,将一个或一个以上的计算机程序的进程对应的可执行文件加载到存储器402中,并由处理器401来运行存储在存储器402中的计算机程序,以执行如下步骤:
获取目标对象的多个对象标签;
对多个对象标签进行筛选,得到未满足预设筛选条件的目标对象标签;
确定目标对象标签的标签数量;
若标签数量大于预设数量阈值,则对目标对象标签进行特征提取,得到目标对象标签的特征向量;
将特征向量输入至已训练的状态检测模型,得到状态检测模型输出的目标对象的目标状态检测结果。
通过上述计算机设备,获取目标对象的多个对象标签(即目标对象的目标画像),然后筛选出未满足预设筛选条件的目标对象标签,被筛选出的目标对象标签用于表征出现异常的标签,比如与目标对象在正常情况下的同类标签存在较大差异,当目标对象标签的标签数量大于设定的预设数量阈值时,说明目标对象当前的状态可能存在异常,进而对目标对象标签进行特征提取并输入至已训练的状态检测模型中,得到状态检测模型输出的目标状态检测结果;由于对象标签表征了对象的各种重要信息,并且对象标签可通过大数据爬取的方式获得,因此通过对象标签进行状态检测,无需依靠对象主动提供,并且也提高了数据丰富度,进而提高了状态检测的精度和效率;此外,将目标对象标签的标签数量作为后续状态检测的准入条件,避免对明显正常的对象标签进行处理,节省了处理资源,也进一步提高了状态检测的效率。
本领域普通技术人员可以理解,上述实施例的任一种方法中的全部或部分步骤可以通过计算机程序来完成,或通过计算机程序控制相关的硬件来完成,该计算机程序可以存储于一计算机可读存储介质中,并由处理器进行加载和执行。
第四方面,在一个实施例中,本发明提供一种存储介质,其中存储有多条计算机程序,该计算机程序能够被处理器进行加载,以执行如下步骤:
获取目标对象的多个对象标签;
对多个对象标签进行筛选,得到未满足预设筛选条件的目标对象标签;
确定目标对象标签的标签数量;
若标签数量大于预设数量阈值,则对目标对象标签进行特征提取,得到目标对象标签的特征向量;
将特征向量输入至已训练的状态检测模型,得到状态检测模型输出的目标对象的目标状态检测结果。
通过上述存储介质,获取目标对象的多个对象标签(即目标对象的目标画像),然后筛选出未满足预设筛选条件的目标对象标签,被筛选出的目标对象标签用于表征出现异常的标签,比如与目标对象在正常情况下的同类标签存在较大差异,当目标对象标签的标签数量大于设定的预设数量阈值时,说明目标对象当前的状态可能存在异常,进而对目标对象标签进行特征提取并输入至已训练的状态检测模型中,得到状态检测模型输出的目标状态检测结果;由于对象标签表征了对象的各种重要信息,并且对象标签可通过大数据爬取的方式获得,因此通过对象标签进行状态检测,无需依靠对象主动提供,并且也提高了数据丰富度,进而提高了状态检测的精度和效率;此外,将目标对象标签的标签数量作为后续状态检测的准入条件,避免对明显正常的对象标签进行处理,节省了处理资源,也进一步提高了状态检测的效率。
本领域普通技术人员可以理解,本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)、DRAM(SLDRAM)、存储器总线(Rambus)、直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
由于该存储介质中所存储的计算机程序,可以执行本发明所提供的任一种实施例中的状态检测方法中的步骤,因此,可以实现本发明所提供的任一种实施例中的状态检测方法所能实现的有益效果,详见前面的实施例,在此不再赘述。
以上各个操作的具体实施可参见前面的实施例,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见上文针对其他实施例的详细描述,此处不再赘述。
以上对本发明所提供的一种状态检测方法、装置、计算机设备及存储介质进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
Claims (10)
1.一种状态检测方法,其特征在于,包括:
获取目标对象的多个对象标签;
对所述多个对象标签进行筛选,得到未满足预设筛选条件的目标对象标签;
确定所述目标对象标签的标签数量;
若所述标签数量大于预设数量阈值,则对所述目标对象标签进行特征提取,得到所述目标对象标签的特征向量;
将所述特征向量输入至已训练的状态检测模型,得到所述状态检测模型输出的所述目标对象的目标状态检测结果。
2.根据权利要求1所述的状态检测方法,其特征在于,在所述获取目标对象的多个对象标签的步骤之前,还包括:
获取所述目标对象的多维数据;对所述多维数据进行数据预处理,得到多个特征数据;
对每个所述特征数据进行标签化处理,得到每个所述特征数据对应的初始标签;
根据每个所述特征数据的数据权重,对每个所述初始标签进行权重化处理,得到所述目标对象的多个带有标签权重的对象标签。
3.根据权利要求2所述的状态检测方法,其特征在于,所述对所述多维数据进行数据预处理,得到多个特征数据,包括:
对所述多维数据进行数据清洗,得到目标多维数据;
对所述目标多维数据进行数据结构化处理和数据合并处理,得到所述多个特征数据。
4.根据权利要求2所述的状态检测方法,其特征在于,所述对所述多个对象标签进行筛选,得到未满足预设筛选条件的目标对象标签,包括:
针对每个对象标签,将该对象标签与预设标签范围进行比对;
若该对象标签不属于所述预设标签范围中的对象标签,则将该对象标签确定为所述目标对象标签;
若该对象标签属于所述预设标签范围中的对象标签,则将该对象标签的标签权重与所述预设标签范围中对应的对象标签的标签权重范围进行比对;
若该对象标签的标签权重超出所述预设标签范围中对应的对象标签的标签权重范围,则将该对象标签确定为所述目标对象标签。
5.根据权利要求1所述的状态检测方法,其特征在于,所述目标状态检测结果包括多个子检测结果;在所述得到所述状态检测模型输出的所述目标对象的状目标态检测结果的步骤之后,还包括:
对所述目标状态检测结果中的多个子检测结果进行加权平均,得到结果平均值;
若所述结果平均值超出预设平均值范围,则将所述目标状态检测结果推送至管理员终端。
6.根据权利要求5所述的状态检测方法,其特征在于,在所述将所述特征向量输入至已训练的状态检测模型,得到所述状态检测模型输出的所述目标对象的目标状态检测结果的步骤之前,还包括:
获取训练样本集;所述训练样本集包括多个训练样本,每个所述训练样本包括训练特征向量以及对应的训练状态检测结果;
将所述训练样本集中的训练特征向量分别作为所述状态检测模型的输入,将所述训练样本集中的训练状态检测结果作为所述状态检测模型的期望输出,对所述状态检测模型进行训练,得到所述已训练的状态检测模型。
7.根据权利要求6所述的状态检测方法,其特征在于,在所述将所述状态检测结果推送至管理员终端的步骤之后,还包括:
获取所述管理员终端反馈的实际状态检测结果;
根据所述实际状态检测结果和所述目标状态检测结果,对所述状态检测模型进行参数更新。
8.一种状态检测装置,其特征在于,包括:
标签获取模块,用于获取目标对象的多个对象标签;
标签筛选模块,用于对所述多个对象标签进行筛选,得到未满足预设筛选条件的目标对象标签;
数量确定模块,用于确定所述目标对象标签的标签数量;
特征提取模块,若所述标签数量大于预设数量阈值,则用于对所述目标对象标签进行特征提取,得到所述目标对象标签的特征向量;
状态检测模块,用于将所述特征向量输入至已训练的状态检测模型,得到所述状态检测模型输出的所述目标对象的目标状态检测结果。
9.一种计算机设备,其特征在于,包括存储器和处理器;所述存储器存储有计算机程序,所述处理器用于运行所述存储器内的所述计算机程序,以执行权利要求1至7任一项所述的状态检测方法中的步骤。
10.一种存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序被处理器进行加载,以执行权利要求1至7任一项所述的状态检测方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310350481.8A CN116361699A (zh) | 2023-03-27 | 2023-03-27 | 状态检测方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310350481.8A CN116361699A (zh) | 2023-03-27 | 2023-03-27 | 状态检测方法、装置、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116361699A true CN116361699A (zh) | 2023-06-30 |
Family
ID=86920706
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310350481.8A Pending CN116361699A (zh) | 2023-03-27 | 2023-03-27 | 状态检测方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116361699A (zh) |
-
2023
- 2023-03-27 CN CN202310350481.8A patent/CN116361699A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110321436B (zh) | 一种基于社交注意力机制表示学习的冷启动欺诈评论检测方法 | |
US20230004979A1 (en) | Abnormal behavior detection method and apparatus, electronic device, and computer-readable storage medium | |
CN114187112A (zh) | 账户风险模型的训练方法和风险用户群体的确定方法 | |
CN111582932A (zh) | 场景间信息推送方法、装置、计算机设备及存储介质 | |
CN113934937A (zh) | 一种内容智能推荐方法、装置、终端和存储介质 | |
Zhang et al. | The approaches to contextual transaction trust computation in e‐Commerce environments | |
US11847599B1 (en) | Computing system for automated evaluation of process workflows | |
CN115827994A (zh) | 一种数据处理方法、装置、设备、存储介质 | |
CN116361699A (zh) | 状态检测方法、装置、计算机设备及存储介质 | |
CN115758271A (zh) | 数据处理方法、装置、计算机设备和存储介质 | |
CN115641198A (zh) | 用户运营方法、装置、电子设备和存储介质 | |
US20140324523A1 (en) | Missing String Compensation In Capped Customer Linkage Model | |
CN114529399A (zh) | 用户数据处理方法、装置、计算机设备和存储介质 | |
CN116955763A (zh) | 内容推荐方法、装置、计算机设备及计算机可读存储介质 | |
CN113283979A (zh) | 一种贷款申请人的贷款信用评估方法、装置及存储介质 | |
CN115187252A (zh) | 网络交易系统中欺诈行为的识别方法、服务器及存储介质 | |
CN111752985A (zh) | 一种主体画像生成的方法、装置和存储介质 | |
US11989243B2 (en) | Ranking similar users based on values and personal journeys | |
US20230214903A1 (en) | Methods and apparatus for predicting a user acquisition event | |
CN118195738A (zh) | 数据处理方法、装置及设备 | |
CN113868438B (zh) | 信息可信度的校准方法、装置、计算机设备及存储介质 | |
CN117391490A (zh) | 金融业务的评价信息处理方法、装置和计算机设备 | |
CN116304300A (zh) | 一种目标对象转移确定模型训练方法、装置和计算机设备 | |
CN117390258A (zh) | 金融业务推荐方法、装置、计算机设备和存储介质 | |
CN114418729A (zh) | 白户违约风险评估方法、装置、电子设备和存储介质 |
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 |