CN117194525A - 针对多源业务数据的数据分析方法及系统 - Google Patents
针对多源业务数据的数据分析方法及系统 Download PDFInfo
- Publication number
- CN117194525A CN117194525A CN202311282251.9A CN202311282251A CN117194525A CN 117194525 A CN117194525 A CN 117194525A CN 202311282251 A CN202311282251 A CN 202311282251A CN 117194525 A CN117194525 A CN 117194525A
- Authority
- CN
- China
- Prior art keywords
- service data
- data
- source service
- source
- mining
- 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
- 238000007405 data analysis Methods 0.000 title claims abstract description 69
- 238000000034 method Methods 0.000 title claims abstract description 38
- 239000013598 vector Substances 0.000 claims abstract description 307
- 238000007418 data mining Methods 0.000 claims abstract description 180
- 238000005065 mining Methods 0.000 claims abstract description 62
- 238000012216 screening Methods 0.000 claims abstract description 43
- 230000002776 aggregation Effects 0.000 claims description 30
- 238000004220 aggregation Methods 0.000 claims description 30
- 238000004458 analytical method Methods 0.000 claims description 30
- 238000013528 artificial neural network Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 6
- 238000012512 characterization method Methods 0.000 claims description 5
- 230000004927 fusion Effects 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000005457 optimization Methods 0.000 description 18
- 238000012545 processing Methods 0.000 description 13
- 238000001914 filtration Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000013506 data mapping Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000012502 risk assessment Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供的针对多源业务数据的数据分析方法及系统,涉及人工智能技术领域。在本发明中,确定出每一个源业务数据对应的关键性业务数据;依据每一个源业务数据对应的第一类局部业务数据,挖掘出每一个源业务数据对应的第一数据挖掘描述向量;依据每一个源业务数据对应的关键性业务数据和待处理描述向量,挖掘出每一个源业务数据对应的第二数据挖掘描述向量;依据每一个源业务数据对应的第一数据挖掘描述向量和每一个源业务数据对应的第二数据挖掘描述向量,分析出至少两个源业务数据中的筛选源业务数据;基于筛选源业务数据,对目标业务用户进行用户管控操作。基于上述内容,可以在一定程度上提高数据分析的可靠度。
Description
技术领域
本发明涉及人工智能技术领域,具体而言,涉及一种针对多源业务数据的数据分析方法及系统。
背景技术
对业务用户进行用户管控操作是一种普遍的应用,例如,对贷款业务用户进行用户风险管控、对查询业务用户进行用户安全管控等。其中,对于进行用户管控操作的依据,即相应的业务数据,一般存在较多的数据源,使得会形成较多的业务数据,但是,在现有技术中,会直接利用这些业务数据进行用户管控操作,使得存在着用户管控的可靠度不高的问题,即数据分析的可靠度不高的问题。
发明内容
有鉴于此,本发明的目的在于提供一种针对多源业务数据的数据分析方法及系统,以在一定程度上提高数据分析的可靠度。
为实现上述目的,本发明实施例采用如下技术方案:
一种针对多源业务数据的数据分析方法,包括:
确定出至少两个源业务数据中的每一个源业务数据对应的关键性业务数据,所述关键性业务数据包括第一类局部业务数据和第二类局部业务数据,所述第一类局部业务数据对应的第一筛选比例大于所述第二类局部业务数据对应的第二筛选比例,所述第一类局部业务数据基于所述第一筛选比例从所述源业务数据中筛选出,所述第二类局部业务数据基于所述第二筛选比例从所述源业务数据中筛选出,所述至少两个源业务数据通过对应的至少两个数据源平台分别对目标业务用户进行用户信息采集以形成,每一个所述源业务数据包括图像数据、音频数据和文本数据中的至少一种;
依据所述至少两个源业务数据中的每一个源业务数据对应的第一类局部业务数据,挖掘出所述至少两个源业务数据中的每一个源业务数据对应的第一数据挖掘描述向量,所述第一数据挖掘描述向量是依据待处理描述向量进行深度挖掘操作以形成,所述待处理描述向量是将所述第一类局部业务数据进行特征挖掘操作以形成;
依据所述至少两个源业务数据中的每一个源业务数据对应的关键性业务数据和所述至少两个源业务数据中的每一个源业务数据对应的待处理描述向量,挖掘出所述至少两个源业务数据中的每一个源业务数据对应的第二数据挖掘描述向量;
依据所述至少两个源业务数据中的每一个源业务数据对应的第一数据挖掘描述向量和至少两个源业务数据中的每一个源业务数据对应的第二数据挖掘描述向量,分析出所述至少两个源业务数据中的筛选源业务数据;
基于所述筛选源业务数据,对所述目标业务用户进行用户管控操作。
在一些优选的实施例中,在上述针对多源业务数据的数据分析方法中,所述依据所述至少两个源业务数据中的每一个源业务数据对应的第一类局部业务数据,挖掘出所述至少两个源业务数据中的每一个源业务数据对应的第一数据挖掘描述向量的步骤,包括:
将待处理源业务数据对应的第一类局部业务数据进行特征挖掘操作,以形成所述待处理源业务数据的第一数量个第一待处理描述向量,所述待处理源业务数据为所述至少两个源业务数据中的任意一个源业务数据;
依据所述待处理源业务数据对应的第一类局部业务数据,分析出所述第一数量个第一待处理描述向量的第一重要性参数;
依据所述第一数量个第一待处理描述向量和所述第一数量个第一待处理描述向量的第一重要性参数,确定出所述待处理源业务数据对应的第一数据挖掘描述向量。
在一些优选的实施例中,在上述针对多源业务数据的数据分析方法中,所述依据所述至少两个源业务数据中的每一个源业务数据对应的关键性业务数据和所述至少两个源业务数据中的每一个源业务数据对应的待处理描述向量,挖掘出所述至少两个源业务数据中的每一个源业务数据对应的第二数据挖掘描述向量的步骤,包括:
将所述待处理源业务数据对应的关键性业务数据进行特征挖掘操作,以形成所述待处理源业务数据的第二数量个第二待处理描述向量;
依据所述待处理源业务数据对应的关键性业务数据,确定出所述第二数量个第二待处理描述向量的第二重要性参数和所述第一数量个第一待处理描述向量的第二重要性参数;
依据所述第二数量个第二待处理描述向量的第二重要性参数、所述第一数量个第一待处理描述向量的第二重要性参数、所述第二数量个第二待处理描述向量和所述第一数量个第一待处理描述向量,确定出所述待处理源业务数据对应的第二数据挖掘描述向量。
在一些优选的实施例中,在上述针对多源业务数据的数据分析方法中,所述依据所述待处理源业务数据对应的关键性业务数据,确定出所述第二数量个第二待处理描述向量的第二重要性参数和所述第一数量个第一待处理描述向量的第二重要性参数的步骤,包括:
依据所述待处理源业务数据对应的关键性业务数据和所述待处理源业务数据对应的数据源应用参数,分析出所述第二数量个第二待处理描述向量的第二重要性参数和所述第一数量个第一待处理描述向量的第二重要性参数,所述数据源应用参数用于反映对应的源业务数据的数据源的数据应用情况;
其中,所述依据所述待处理源业务数据对应的关键性业务数据和所述待处理源业务数据对应的数据源应用参数,分析出所述第二数量个第二待处理描述向量的第二重要性参数和所述第一数量个第一待处理描述向量的第二重要性参数的步骤,包括:
对所述待处理源业务数据对应的关键性业务数据和所述待处理源业务数据对应的数据源应用参数进行组合操作,以形成所述待处理源业务数据对应的待处理组合数据;
依据所述待处理源业务数据对应的待处理组合数据,分析出所述第二数量个第二待处理描述向量的第二重要性参数和所述第一数量个第一待处理描述向量的第二重要性参数。
在一些优选的实施例中,在上述针对多源业务数据的数据分析方法中,所述依据所述至少两个源业务数据中的每一个源业务数据对应的第一数据挖掘描述向量和至少两个源业务数据中的每一个源业务数据对应的第二数据挖掘描述向量,分析出所述至少两个源业务数据中的筛选源业务数据的步骤,包括:
将所述至少两个源业务数据中的每一个源业务数据对应的第一数据挖掘描述向量和所述至少两个源业务数据中的每一个源业务数据对应的第二数据挖掘描述向量进行向量聚合操作,以形成所述至少两个源业务数据中的每一个源业务数据对应的聚合数据挖掘描述向量;
依据所述至少两个源业务数据中的每一个源业务数据对应的聚合数据挖掘描述向量,分析出所述至少两个源业务数据中的每一个源业务数据对应的可靠性分析结果,所述可靠性分析结果为基于所述源业务数据对所述目标业务用户进行用户管控操作的可靠性的预测表征参数;
依据所述至少两个源业务数据中的每一个源业务数据对应的可靠性分析结果,分析出所述至少两个源业务数据中的筛选源业务数据。
在一些优选的实施例中,在上述针对多源业务数据的数据分析方法中,所述将所述至少两个源业务数据中的每一个源业务数据对应的第一数据挖掘描述向量和所述至少两个源业务数据中的每一个源业务数据对应的第二数据挖掘描述向量进行向量聚合操作,以形成所述至少两个源业务数据中的每一个源业务数据对应的聚合数据挖掘描述向量的步骤,包括:
依据待分析源业务数据对应的关键性业务数据,确定出所述待分析源业务数据对应的第二数据挖掘描述向量的第三重要性参数,所述待分析源业务数据为所述至少两个源业务数据中的任意一个源业务数据;
依据所述待分析源业务数据对应的第二数据挖掘描述向量的第三重要性参数,将所述待分析源业务数据对应的第一数据挖掘描述向量和所述待分析源业务数据对应的第二数据挖掘描述向量进行进行聚合操作,以形成所述待分析源业务数据对应的聚合数据挖掘描述向量。
在一些优选的实施例中,在上述针对多源业务数据的数据分析方法中,所述依据待分析源业务数据对应的关键性业务数据,确定出所述待分析源业务数据对应的第二数据挖掘描述向量的第三重要性参数的步骤,包括:
依据所述待分析源业务数据对应的关键性业务数据和所述待分析源业务数据对应的数据源应用参数,分析出所述待分析源业务数据对应的第二数据挖掘描述向量的第三重要性参数,所述数据源应用参数用于反映对应的源业务数据的数据源的数据应用情况;
其中,所述依据所述待分析源业务数据对应的关键性业务数据和所述待分析源业务数据对应的数据源应用参数,分析出所述待分析源业务数据对应的第二数据挖掘描述向量的第三重要性参数的步骤,包括:
对所述待分析源业务数据对应的关键性业务数据和所述待分析源业务数据的数据源应用参数进行组合操作,以形成所述待分析源业务数据对应的待分析组合数据;
依据所述待分析源业务数据对应的待分析组合数据,分析出所述待分析源业务数据对应的第二数据挖掘描述向量的第三重要性参数。
在一些优选的实施例中,在上述针对多源业务数据的数据分析方法中,所述依据所述待分析源业务数据对应的第二数据挖掘描述向量的第三重要性参数,将所述待分析源业务数据对应的第一数据挖掘描述向量和所述待分析源业务数据对应的第二数据挖掘描述向量进行进行聚合操作,以形成所述待分析源业务数据对应的聚合数据挖掘描述向量的步骤,包括:
依据所述待分析源业务数据对应的第二数据挖掘描述向量的第三重要性参数,将所述待分析源业务数据的第二数据挖掘描述向量进行相乘运算操作,以形成所述待分析源业务数据对应的调整数据挖掘描述向量;
对所述待分析源业务数据对应的调整数据挖掘描述向量和所述待分析源业务数据对应的第一数据挖掘描述向量叠加运算操作,以形成所述待分析源业务数据对应的聚合数据挖掘描述向量。
在一些优选的实施例中,在上述针对多源业务数据的数据分析方法中,所述依据所述至少两个源业务数据中的每一个源业务数据对应的第一类局部业务数据,挖掘出所述至少两个源业务数据中的每一个源业务数据对应的第一数据挖掘描述向量的步骤,包括:
利用数据分析神经网络中的前端特征挖掘单元,将所述至少两个源业务数据中的每一个源业务数据对应的第一类局部业务数据进行特征挖掘操作,以形成所述至少两个源业务数据中的每一个源业务数据对应的第一数据挖掘描述向量;
所述依据所述至少两个源业务数据中的每一个源业务数据对应的关键性业务数据和所述至少两个源业务数据中的每一个源业务数据对应的待处理描述向量,挖掘出所述至少两个源业务数据中的每一个源业务数据对应的第二数据挖掘描述向量的步骤,包括:
利用所述数据分析神经网络中的后端特征挖掘单元,将所述两个源业务数据中的每一个源业务数据对应的关键性业务数据和所述至少两个源业务数据中的每一个源业务数据对应的待处理描述向量进行融合挖掘操作,以输出所述至少两个源业务数据中的每一个源业务数据对应的第二数据挖掘描述向量;
所述将所述至少两个源业务数据中的每一个源业务数据对应的第一数据挖掘描述向量和所述至少两个源业务数据中的每一个源业务数据对应的第二数据挖掘描述向量进行向量聚合操作,以形成所述至少两个源业务数据中的每一个源业务数据对应的聚合数据挖掘描述向量的步骤,包括:
利用所述数据分析神经网络中的向量聚合单元,将所述至少两个源业务数据中的每一个源业务数据对应的第一数据挖掘描述向量和所述至少两个源业务数据中的每一个源业务数据对应的第二数据挖掘描述向量进行进行聚合操作,以形成所述至少两个源业务数据中的每一个源业务数据对应的聚合数据挖掘描述向量;
所述依据所述至少两个源业务数据中的每一个源业务数据对应的聚合数据挖掘描述向量,分析出所述至少两个源业务数据中的每一个源业务数据对应的可靠性分析结果的步骤,包括:
利用所述数据分析神经网络中的数据可能性分析单元,将所述至少两个源业务数据中的每一个源业务数据对应的聚合数据挖掘描述向量进行分析输出,以得到所述至少两个源业务数据中的每一个源业务数据对应的可靠性分析结果。
本发明实施例还提供一种针对多源业务数据的数据分析系统,包括处理器和存储器,所述存储器用于存储计算机程序,所述处理器用于执行所述计算机程序,以实现上述的针对多源业务数据的数据分析方法。
本发明实施例提供的针对多源业务数据的数据分析方法及系统,可以先确定出每一个源业务数据对应的关键性业务数据;依据每一个源业务数据对应的第一类局部业务数据,挖掘出每一个源业务数据对应的第一数据挖掘描述向量;依据每一个源业务数据对应的关键性业务数据和待处理描述向量,挖掘出每一个源业务数据对应的第二数据挖掘描述向量;依据每一个源业务数据对应的第一数据挖掘描述向量和每一个源业务数据对应的第二数据挖掘描述向量,分析出至少两个源业务数据中的筛选源业务数据;基于筛选源业务数据,对目标业务用户进行用户管控操作。基于前述的内容,由于在进行用户管控操作之前,会先筛选出筛选源业务数据,使得用户管控操作的依据更为可靠,另外,由于在进行筛选源业务数据的筛选过程中,会参考第一类局部业务数据和第二类局部业务数据的关键性业务数据,使得筛选的可靠度也更高,因此,在一定程度上提高数据分析的可靠度(用户管控的可靠度),从而改善现有技术中存在的可靠度不高的问题。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
图1为本发明实施例提供的针对多源业务数据的数据分析系统的结构框图。
图2为本发明实施例提供的针对多源业务数据的数据分析方法包括的各步骤的流程示意图。
图3为本发明实施例提供的针对多源业务数据的数据分析装置包括的各模块的示意图。
实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例只是本发明的一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。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。
如图1所示,本发明实施例提供了一种针对多源业务数据的数据分析系统。其中,所述数据分析系统可以包括存储器和处理器。
详细地,所述存储器和处理器之间直接或间接地电性连接,以实现数据的传输或交互。例如,相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述存储器中可以存储有至少一个可以以软件或固件(firmware)的形式,存在的软件功能模块(计算机程序)。所述处理器可以用于执行所述存储器中存储的可执行的计算机程序,从而实现本发明实施例提供的针对多源业务数据的数据分析方法。
应当理解的是,在一种可能的实施方案中,所述存储器可以是,但不限于,随机存取存储器(Random Access Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-Only Memory,PROM),可擦除只读存储器(ErasableProgrammable Read-Only Memory,EPROM),电可擦除只读存储器(Electric ErasableProgrammable Read-Only Memory,EEPROM)等。
应当理解的是,在一种可能的实施方案中,所述处理器可以是一种通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)、片上系统(System on Chip,SoC)等;还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(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。
应当理解的是,在一种可能的实施方案中,所述针对多源业务数据的数据分析系统可以是一种具备数据处理能力的服务器。
结合图2,本发明实施例还提供一种针对多源业务数据的数据分析方法,可应用于上述针对多源业务数据的数据分析系统。其中,所述针对多源业务数据的数据分析方法有关的流程所定义的方法步骤,可以由所述针对多源业务数据的数据分析系统实现。
下面将对图2所示的具体流程,进行详细阐述。
步骤S110,确定出至少两个源业务数据中的每一个源业务数据对应的关键性业务数据。
在本发明实施例中,所述针对多源业务数据的数据分析系统可以确定出至少两个源业务数据中的每一个源业务数据对应的关键性业务数据。所述关键性业务数据包括第一类局部业务数据和第二类局部业务数据,所述第一类局部业务数据对应的第一筛选比例大于所述第二类局部业务数据对应的第二筛选比例,所述第一类局部业务数据基于所述第一筛选比例从所述源业务数据中筛选出,所述第二类局部业务数据基于所述第二筛选比例从所述源业务数据中筛选出,所述至少两个源业务数据通过对应的至少两个数据源平台分别对目标业务用户进行用户信息采集以形成,每一个所述源业务数据包括图像数据、音频数据和文本数据中的至少一种。
步骤S120,依据所述至少两个源业务数据中的每一个源业务数据对应的第一类局部业务数据,挖掘出所述至少两个源业务数据中的每一个源业务数据对应的第一数据挖掘描述向量。
在本发明实施例中,所述针对多源业务数据的数据分析系统可以依据所述至少两个源业务数据中的每一个源业务数据对应的第一类局部业务数据,挖掘出所述至少两个源业务数据中的每一个源业务数据对应的第一数据挖掘描述向量。所述第一数据挖掘描述向量是依据待处理描述向量进行深度挖掘操作以形成,所述待处理描述向量是将所述第一类局部业务数据进行特征挖掘操作以形成。
步骤S130,依据所述至少两个源业务数据中的每一个源业务数据对应的关键性业务数据和所述至少两个源业务数据中的每一个源业务数据对应的待处理描述向量,挖掘出所述至少两个源业务数据中的每一个源业务数据对应的第二数据挖掘描述向量。
在本发明实施例中,所述针对多源业务数据的数据分析系统可以依据所述至少两个源业务数据中的每一个源业务数据对应的关键性业务数据和所述至少两个源业务数据中的每一个源业务数据对应的待处理描述向量,挖掘出所述至少两个源业务数据中的每一个源业务数据对应的第二数据挖掘描述向量。如此,在对至少两个源业务数据挖掘第二数据挖掘描述向量时,除了使用至少两个源业务数据分别对应的关键性业务数据之外,还利用了至少两个源业务数据分别对应的待处理描述向量,从而能够学习到源业务数据中的多层次的信息。
步骤S140,依据所述至少两个源业务数据中的每一个源业务数据对应的第一数据挖掘描述向量和至少两个源业务数据中的每一个源业务数据对应的第二数据挖掘描述向量,分析出所述至少两个源业务数据中的筛选源业务数据。
在本发明实施例中,所述针对多源业务数据的数据分析系统可以依据所述至少两个源业务数据中的每一个源业务数据对应的第一数据挖掘描述向量和至少两个源业务数据中的每一个源业务数据对应的第二数据挖掘描述向量,分析出所述至少两个源业务数据中的筛选源业务数据。
步骤S150,基于所述筛选源业务数据,对所述目标业务用户进行用户管控操作。
在本发明实施例中,所述针对多源业务数据的数据分析系统可以基于所述筛选源业务数据,对所述目标业务用户进行用户管控操作,例如,可以基于经过网络优化形成的用户风险分析神经网络,对所述筛选源业务数据进行用户风险分析,以得到对应的用户风险表征数据,然后,可以基于该用户风险表征数据对所述目标业务用户进行用户管控操作,如将所述目标业务用户标记为风险用户或正常用户等。
基于前述的内容(即前述的步骤S110-步骤S150),由于在进行用户管控操作之前,会先筛选出筛选源业务数据,使得用户管控操作的依据更为可靠,另外,由于在进行筛选源业务数据的筛选过程中,会参考第一类局部业务数据和第二类局部业务数据的关键性业务数据,使得筛选的可靠度也更高,因此,在一定程度上提高数据分析的可靠度(用户管控的可靠度),从而改善现有技术中存在的可靠度不高的问题。
其中,应当理解的是,在一种可能的实施方案中,上述描述中的步骤S110,即所述确定出至少两个源业务数据中的每一个源业务数据对应的关键性业务数据的步骤,进一步可以包括以下所述的一种具体实施步骤:
对于至少两个源业务数据中的任意一个源业务数据,将所述源业务数据进行特征空间的映射操作,以形成对应的业务数据映射向量;
基于第一滤波矩阵,对所述业务数据映射向量进行滑窗滤波操作,以形成对应的第一滑窗滤波向量;
基于第二滤波矩阵,对所述业务数据映射向量进行滑窗滤波操作,以形成对应的第二滑窗滤波向量,所述第一滤波矩阵的尺寸小于所述第二滤波矩阵的尺寸(所述第一类局部业务数据对应的第一筛选比例大于所述第二类局部业务数据对应的第二筛选比例),使得所述第一滑窗滤波向量包括的向量参数的数量大于所述第二滑窗滤波向量包括的向量参数的数量;
将所述第一滑窗滤波向量作为关键性业务数据包括的第一类局部业务数据,以及,将所述第二滑窗滤波向量作为关键性业务数据包括的第二类局部业务数据,以形成所述源业务数据对应的关键性业务数据。
应当理解的是,在一种可能的实施方案中,上述描述中的步骤S120,即所述依据所述至少两个源业务数据中的每一个源业务数据对应的第一类局部业务数据,挖掘出所述至少两个源业务数据中的每一个源业务数据对应的第一数据挖掘描述向量的步骤,进一步可以包括以下所述的一种具体实施步骤:
将待处理源业务数据对应的第一类局部业务数据进行特征挖掘操作,以形成所述待处理源业务数据的第一数量个第一待处理描述向量,所述待处理源业务数据为所述至少两个源业务数据中的任意一个源业务数据,例如,可以将所述至少两个源业务数据中的每一个源业务数据依次或并行作为所述待处理源业务数据,以形成相应的处理,例如,对于所述第一数量个第一待处理描述向量,可以是利用第一数量个特征挖掘单元,分别对所述第一类局部业务数据进行特征挖掘操作,如进行卷积运算以得到;
依据所述待处理源业务数据对应的第一类局部业务数据,分析出所述第一数量个第一待处理描述向量的第一重要性参数,示例性地,所述第一数量个特征挖掘单元可以对应有第一数量个重要性分析单元,如此,可以利用所述第一数量个重要性分析单元,分别对所述第一类局部业务数据进行分析输出,以得到所述第一数量个第一待处理描述向量的第一重要性参数,所述重要性分析单元可以包括softmax等函数;
依据所述第一数量个第一待处理描述向量和所述第一数量个第一待处理描述向量的第一重要性参数,确定出所述待处理源业务数据对应的第一数据挖掘描述向量,例如,可以基于所述第一数量个第一待处理描述向量的第一重要性参数,对所述第一数量个第一待处理描述向量进行叠加运算操作(即将所述第一重要性参数作为加权系数进行加权叠加)。
应当理解的是,在一种可能的实施方案中,上述描述中的步骤S130,即所述依据所述至少两个源业务数据中的每一个源业务数据对应的关键性业务数据和所述至少两个源业务数据中的每一个源业务数据对应的待处理描述向量,挖掘出所述至少两个源业务数据中的每一个源业务数据对应的第二数据挖掘描述向量的步骤,进一步可以包括以下的一种具体实施步骤:
将所述待处理源业务数据对应的关键性业务数据进行特征挖掘操作,以形成所述待处理源业务数据的第二数量个第二待处理描述向量,示例性地,可以通过第二数量个特征挖掘单元,对所述关键性业务数据进行特征挖掘操作,以形成第二数量个第二待处理描述向量;
依据所述待处理源业务数据对应的关键性业务数据,确定出所述第二数量个第二待处理描述向量的第二重要性参数和所述第一数量个第一待处理描述向量的第二重要性参数;
依据所述第二数量个第二待处理描述向量的第二重要性参数、所述第一数量个第一待处理描述向量的第二重要性参数、所述第二数量个第二待处理描述向量和所述第一数量个第一待处理描述向量,确定出所述待处理源业务数据对应的第二数据挖掘描述向量,例如,可以依据所述第二数量个第二待处理描述向量的第二重要性参数、所述第一数量个第一待处理描述向量的第二重要性参数,对所述第二数量个第二待处理描述向量和所述第一数量个第一待处理描述向量进行加权叠加运算。
应当理解的是,在一种可能的实施方案中,所述依据所述待处理源业务数据对应的关键性业务数据,确定出所述第二数量个第二待处理描述向量的第二重要性参数和所述第一数量个第一待处理描述向量的第二重要性参数的步骤,进一步可以包括以下所述的一种具体实施步骤:
依据所述待处理源业务数据对应的关键性业务数据和所述待处理源业务数据对应的数据源应用参数,分析出所述第二数量个第二待处理描述向量的第二重要性参数和所述第一数量个第一待处理描述向量的第二重要性参数,所述数据源应用参数用于反映对应的源业务数据的数据源的数据应用情况,如与该数据源中历史上作为筛选源业务数据的次数之间正相关。
应当理解的是,在一种可能的实施方案中,所述依据所述待处理源业务数据对应的关键性业务数据和所述待处理源业务数据对应的数据源应用参数,分析出所述第二数量个第二待处理描述向量的第二重要性参数和所述第一数量个第一待处理描述向量的第二重要性参数的步骤,进一步可以包括以下所述的一种具体实施步骤:
对所述待处理源业务数据对应的关键性业务数据和所述待处理源业务数据对应的数据源应用参数进行组合操作,以形成所述待处理源业务数据对应的待处理组合数据,在所述关键性业务数据属于向量的时候,可以将所述数据源应用参数编码为向量,然后,可以将向量进行聚合操作,如进行级联组合操作,以形成对应的聚合向量,作为待处理组合数据,在所述关键性业务数据不属于向量的时候,可以将所述关键性业务数据和所述数据源应用参数进行组合,然后,对得到的数据组合进行编码,以形成所述待处理源业务数据对应的待处理组合数据;
依据所述待处理源业务数据对应的待处理组合数据,分析出所述第二数量个第二待处理描述向量的第二重要性参数和所述第一数量个第一待处理描述向量的第二重要性参数,示例性地,可以依据配置的多个重要性分析单元,分别对所述待处理组合数据进行分析输出,以得到所述第二数量个第二待处理描述向量的第二重要性参数和所述第一数量个第一待处理描述向量的第二重要性参数,在本发明实施例中,各重要性分析单元具体的参数可以在相应的网络优化过程中实现。
应当理解的是,在一种可能的实施方案中,上述描述中的步骤S140,即所述依据所述至少两个源业务数据中的每一个源业务数据对应的第一数据挖掘描述向量和至少两个源业务数据中的每一个源业务数据对应的第二数据挖掘描述向量,分析出所述至少两个源业务数据中的筛选源业务数据的步骤,进一步可以包括以下所述的一种具体实施步骤:
将所述至少两个源业务数据中的每一个源业务数据对应的第一数据挖掘描述向量和所述至少两个源业务数据中的每一个源业务数据对应的第二数据挖掘描述向量进行向量聚合操作,以形成所述至少两个源业务数据中的每一个源业务数据对应的聚合数据挖掘描述向量,即将对应的第一数据挖掘描述向量和第二数据挖掘描述向量进行向量聚合操作;
依据所述至少两个源业务数据中的每一个源业务数据对应的聚合数据挖掘描述向量,分析出所述至少两个源业务数据中的每一个源业务数据对应的可靠性分析结果,所述可靠性分析结果为基于所述源业务数据对所述目标业务用户进行用户管控操作的可靠性的预测表征参数,例如,可以基于相应神经网络包括的处理单元(可以包括softmax函数等),对所述聚合数据挖掘描述向量进行分析,以得到对应的可靠性分析结果;
依据所述至少两个源业务数据中的每一个源业务数据对应的可靠性分析结果,分析出所述至少两个源业务数据中的筛选源业务数据,例如,可以将对应的可靠性分析结果表征的预测表征参数最大的一个或多个源业务数据,作为筛选源业务数据。
应当理解的是,在一种可能的实施方案中,所述将所述至少两个源业务数据中的每一个源业务数据对应的第一数据挖掘描述向量和所述至少两个源业务数据中的每一个源业务数据对应的第二数据挖掘描述向量进行向量聚合操作,以形成所述至少两个源业务数据中的每一个源业务数据对应的聚合数据挖掘描述向量的步骤,进一步可以包括以下所述的一种具体实施步骤:
依据待分析源业务数据对应的关键性业务数据,确定出所述待分析源业务数据对应的第二数据挖掘描述向量的第三重要性参数,所述待分析源业务数据为所述至少两个源业务数据中的任意一个源业务数据,所述至少两个源业务数据中的每一个源业务数据可以依次或并行作为待分析源业务数据,以进行后续相应的处理;
依据所述待分析源业务数据对应的第二数据挖掘描述向量的第三重要性参数,将所述待分析源业务数据对应的第一数据挖掘描述向量和所述待分析源业务数据对应的第二数据挖掘描述向量进行进行聚合操作,以形成所述待分析源业务数据对应的聚合数据挖掘描述向量,如此,所述聚合数据挖掘描述向量可以携带有所述第一数据挖掘描述向量和所述第二数据挖掘描述向量两个方面的信息,表达能力更强。
应当理解的是,在一种可能的实施方案中,所述依据待分析源业务数据对应的关键性业务数据,确定出所述待分析源业务数据对应的第二数据挖掘描述向量的第三重要性参数的步骤,进一步可以包括以下所述的一种具体实施步骤:
依据所述待分析源业务数据对应的关键性业务数据和所述待分析源业务数据对应的数据源应用参数,分析出所述待分析源业务数据对应的第二数据挖掘描述向量的第三重要性参数,所述数据源应用参数用于反映对应的源业务数据的数据源的数据应用情况,如前相关所述。
应当理解的是,在一种可能的实施方案中,所述依据所述待分析源业务数据对应的关键性业务数据和所述待分析源业务数据对应的数据源应用参数,分析出所述待分析源业务数据对应的第二数据挖掘描述向量的第三重要性参数的步骤,进一步可以包括以下所述的一种具体实施步骤:
对所述待分析源业务数据对应的关键性业务数据和所述待分析源业务数据的数据源应用参数进行组合操作,以形成所述待分析源业务数据对应的待分析组合数据,如前相关所述;
依据所述待分析源业务数据对应的待分析组合数据,分析出所述待分析源业务数据对应的第二数据挖掘描述向量的第三重要性参数,具体的处理过程可以参照前文中的相关描述。
应当理解的是,在一种可能的实施方案中,所述依据所述待分析源业务数据对应的第二数据挖掘描述向量的第三重要性参数,将所述待分析源业务数据对应的第一数据挖掘描述向量和所述待分析源业务数据对应的第二数据挖掘描述向量进行进行聚合操作,以形成所述待分析源业务数据对应的聚合数据挖掘描述向量的步骤,进一步可以包括以下所述的一种具体实施步骤:
依据所述待分析源业务数据对应的第二数据挖掘描述向量的第三重要性参数,将所述待分析源业务数据的第二数据挖掘描述向量进行相乘运算操作,以形成所述待分析源业务数据对应的调整数据挖掘描述向量;
对所述待分析源业务数据对应的调整数据挖掘描述向量和所述待分析源业务数据对应的第一数据挖掘描述向量进行叠加运算操作,以形成所述待分析源业务数据对应的聚合数据挖掘描述向量。
应当理解的是,在一种可能的实施方案中,所述依据所述至少两个源业务数据中的每一个源业务数据对应的第一类局部业务数据,挖掘出所述至少两个源业务数据中的每一个源业务数据对应的第一数据挖掘描述向量的步骤,包括:利用数据分析神经网络中的前端特征挖掘单元,将所述至少两个源业务数据中的每一个源业务数据对应的第一类局部业务数据进行特征挖掘操作,以形成所述至少两个源业务数据中的每一个源业务数据对应的第一数据挖掘描述向量,具体的处理过程可以如前相关描述。
应当理解的是,在一种可能的实施方案中,所述依据所述至少两个源业务数据中的每一个源业务数据对应的关键性业务数据和所述至少两个源业务数据中的每一个源业务数据对应的待处理描述向量,挖掘出所述至少两个源业务数据中的每一个源业务数据对应的第二数据挖掘描述向量的步骤,包括:利用所述数据分析神经网络中的后端特征挖掘单元,将所述两个源业务数据中的每一个源业务数据对应的关键性业务数据和所述至少两个源业务数据中的每一个源业务数据对应的待处理描述向量进行融合挖掘操作,以输出所述至少两个源业务数据中的每一个源业务数据对应的第二数据挖掘描述向量,具体的处理过程可以如前相关描述。
应当理解的是,在一种可能的实施方案中,所述将所述至少两个源业务数据中的每一个源业务数据对应的第一数据挖掘描述向量和所述至少两个源业务数据中的每一个源业务数据对应的第二数据挖掘描述向量进行向量聚合操作,以形成所述至少两个源业务数据中的每一个源业务数据对应的聚合数据挖掘描述向量的步骤,包括:利用所述数据分析神经网络中的向量聚合单元,将所述至少两个源业务数据中的每一个源业务数据对应的第一数据挖掘描述向量和所述至少两个源业务数据中的每一个源业务数据对应的第二数据挖掘描述向量进行进行聚合操作,以形成所述至少两个源业务数据中的每一个源业务数据对应的聚合数据挖掘描述向量,具体的处理过程可以如前相关描述。
应当理解的是,在一种可能的实施方案中,所述依据所述至少两个源业务数据中的每一个源业务数据对应的聚合数据挖掘描述向量,分析出所述至少两个源业务数据中的每一个源业务数据对应的可靠性分析结果的步骤,包括:利用所述数据分析神经网络中的数据可能性分析单元,将所述至少两个源业务数据中的每一个源业务数据对应的聚合数据挖掘描述向量进行分析输出,以得到所述至少两个源业务数据中的每一个源业务数据对应的可靠性分析结果,具体的处理过程可以如前相关描述。
其中,应当理解的是,在一种可能的实施方案中,在所述确定出至少两个源业务数据中的每一个源业务数据对应的关键性业务数据的步骤以前,即在步骤S110以前,所述针对多源业务数据的数据分析方法还进一步可以包括以下所述的一种具体实施步骤:
确定出示例性源业务数据对应的关键性业务数据,如前文的相关内容;
利用所述前端特征挖掘单元,将所述示例性源业务数据对应的第一类局部业务数据进行特征挖掘操作,以形成所述示例性源业务数据对应的第一数据挖掘描述向量,如前文的相关内容;
利用所述后端特征挖掘单元,将所述示例性源业务数据对应的关键性业务数据和所述示例性源业务数据对应的待处理描述向量进行特征挖掘操作,以形成所述示例性源业务数据对应的第二数据挖掘描述向量,如前文的相关内容;
利用所述向量聚合单元,将所述示例性源业务数据对应的第一数据挖掘描述向量和所述示例性源业务数据对应的第二数据挖掘描述向量进行聚合操作,以形成所述示例性源业务数据对应的聚合数据挖掘描述向量,如前文的相关内容;
利用所述数据分析神经网络中的数据可能性分析单元,将所述示例性源业务数据对应的聚合数据挖掘描述向量进行分析输出,以得到所述示例性源业务数据对应的可靠性分析结果,如前文的相关内容;
依据所述示例性源业务数据对应的可靠性分析结果、所述示例性源业务数据对应的可靠性实际参数和所述示例性源业务数据的优化重要性参数,分析出对应的网络优化误差指标,所述优化重要性参数和所述示例性源业务数据的数据源应用参数之间具有负相关的对应关系,所述可靠性实际参数为基于所述示例性源业务数据对相应的示例性业务用户进行用户管控操作的可靠性的实际表征参数;
依据所述网络优化误差指标,将所述数据分析神经网络进行网络优化操作,以形成优化后的数据分析神经网络,也就是说,可以沿着降低所述网络优化误差指标的方向,将所述数据分析神经网络的网络参数进行优化调整,以形成优化后的数据分析神经网络。
其中,应当理解的是,在一种可能的实施方案中,所述依据所述示例性源业务数据对应的可靠性分析结果、所述示例性源业务数据对应的可靠性实际参数和所述示例性源业务数据的优化重要性参数,分析出对应的网络优化误差指标的步骤,进一步可以包括以下所述的一种具体实施步骤:
提取到预先配置的第一参数和第二参数,示例性地,所述第一参数可以等于1,所述第二参数可以等于0;
计算所述第一参数和所述示例性源业务数据对应的可靠性分析结果之间的差值,得到第一差值,以及,计算所述第一参数和所述示例性源业务数据对应的可靠性实际参数之间的差值,得到第二差值;
对所述示例性源业务数据对应的可靠性分析结果进行取对数操作,以得到对应的第一对数操作结果,以及,对所述第一差值进行去对数操作,以得到对应的第二对数操作结果;
将所述示例性源业务数据对应的可靠性实际参数作为所述第一对数操作结果的加权系数,并将所述第二差值作为所述第二对数操作结果,以进行加权求和计算,得到所述示例性源业务数据对应的局部优化误差指标;
在具有多个示例性源业务数据的情况下,提取到每一个所述示例性源业务数据对应的优化重要性参数,以及,基于每一个所述示例性源业务数据对应的优化重要性参数,对每一个所述示例性源业务数据对应的局部优化误差指标进行加权求和计算,以及,基于加权求和计算的结果和所述第二参数,计算出对应的网络优化误差指标,例如,所述网络优化误差指标与所述加权求和计算的结果的和值等于所述第二参数。
其中,应当理解的是,在一种可能的实施方案中,计算出所述示例性源业务数据对应的优化重要性参数的步骤,可以包括:
对所述示例性源业务数据的数据源的数据应用情况进行分析,以得到该数据源中在历史上作为筛选源业务数据的次数;
对所述次数和所述第一参数进行和值计算,以得到目标和值,以及,基于所述目标和值计算出负相关的优化重要性参数,例如,对所述目标和值进行幂运算(如0.5次幂等),然后,计算所述第一参数和幂运算结果之间的比值,以得到对应的优化重要性参数。
结合图3,本发明实施例还提供一种针对多源业务数据的数据分析装置,可应用于上述针对多源业务数据的数据分析系统。其中,所述针对多源业务数据的数据分析装置可以包括:
关键性数据确定模块,用于确定出至少两个源业务数据中的每一个源业务数据对应的关键性业务数据,所述关键性业务数据包括第一类局部业务数据和第二类局部业务数据,所述第一类局部业务数据对应的第一筛选比例大于所述第二类局部业务数据对应的第二筛选比例,所述第一类局部业务数据基于所述第一筛选比例从所述源业务数据中筛选出,所述第二类局部业务数据基于所述第二筛选比例从所述源业务数据中筛选出,所述至少两个源业务数据通过对应的至少两个数据源平台分别对目标业务用户进行用户信息采集以形成,每一个所述源业务数据包括图像数据、音频数据和文本数据中的至少一种;
数据第一挖掘模块,用于依据所述至少两个源业务数据中的每一个源业务数据对应的第一类局部业务数据,挖掘出所述至少两个源业务数据中的每一个源业务数据对应的第一数据挖掘描述向量,所述第一数据挖掘描述向量是依据待处理描述向量进行深度挖掘操作以形成,所述待处理描述向量是将所述第一类局部业务数据进行特征挖掘操作以形成;
数据第二挖掘模块,用于依据所述至少两个源业务数据中的每一个源业务数据对应的关键性业务数据和所述至少两个源业务数据中的每一个源业务数据对应的待处理描述向量,挖掘出所述至少两个源业务数据中的每一个源业务数据对应的第二数据挖掘描述向量;
业务数据筛选模块,用于依据所述至少两个源业务数据中的每一个源业务数据对应的第一数据挖掘描述向量和至少两个源业务数据中的每一个源业务数据对应的第二数据挖掘描述向量,分析出所述至少两个源业务数据中的筛选源业务数据;
用户管控模块,用于基于所述筛选源业务数据,对所述目标业务用户进行用户管控操作。
综上所述,本发明提供的针对多源业务数据的数据分析方法及系统,可以先确定出每一个源业务数据对应的关键性业务数据;依据每一个源业务数据对应的第一类局部业务数据,挖掘出每一个源业务数据对应的第一数据挖掘描述向量;依据每一个源业务数据对应的关键性业务数据和待处理描述向量,挖掘出每一个源业务数据对应的第二数据挖掘描述向量;依据每一个源业务数据对应的第一数据挖掘描述向量和每一个源业务数据对应的第二数据挖掘描述向量,分析出至少两个源业务数据中的筛选源业务数据;基于筛选源业务数据,对目标业务用户进行用户管控操作。基于前述的内容,由于在进行用户管控操作之前,会先筛选出筛选源业务数据,使得用户管控操作的依据更为可靠,另外,由于在进行筛选源业务数据的筛选过程中,会参考第一类局部业务数据和第二类局部业务数据的关键性业务数据,使得筛选的可靠度也更高,因此,在一定程度上提高数据分析的可靠度(用户管控的可靠度),从而改善现有技术中存在的可靠度不高的问题。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种针对多源业务数据的数据分析方法,其特征在于,包括:
确定出至少两个源业务数据中的每一个源业务数据对应的关键性业务数据,所述关键性业务数据包括第一类局部业务数据和第二类局部业务数据,所述第一类局部业务数据对应的第一筛选比例大于所述第二类局部业务数据对应的第二筛选比例,所述第一类局部业务数据基于所述第一筛选比例从所述源业务数据中筛选出,所述第二类局部业务数据基于所述第二筛选比例从所述源业务数据中筛选出,所述至少两个源业务数据通过对应的至少两个数据源平台分别对目标业务用户进行用户信息采集以形成,每一个所述源业务数据包括图像数据、音频数据和文本数据中的至少一种;
依据所述至少两个源业务数据中的每一个源业务数据对应的第一类局部业务数据,挖掘出所述至少两个源业务数据中的每一个源业务数据对应的第一数据挖掘描述向量,所述第一数据挖掘描述向量是依据待处理描述向量进行深度挖掘操作以形成,所述待处理描述向量是将所述第一类局部业务数据进行特征挖掘操作以形成;
依据所述至少两个源业务数据中的每一个源业务数据对应的关键性业务数据和所述至少两个源业务数据中的每一个源业务数据对应的待处理描述向量,挖掘出所述至少两个源业务数据中的每一个源业务数据对应的第二数据挖掘描述向量;
依据所述至少两个源业务数据中的每一个源业务数据对应的第一数据挖掘描述向量和至少两个源业务数据中的每一个源业务数据对应的第二数据挖掘描述向量,分析出所述至少两个源业务数据中的筛选源业务数据;
基于所述筛选源业务数据,对所述目标业务用户进行用户管控操作。
2.如权利要求1所述的针对多源业务数据的数据分析方法,其特征在于,所述依据所述至少两个源业务数据中的每一个源业务数据对应的第一类局部业务数据,挖掘出所述至少两个源业务数据中的每一个源业务数据对应的第一数据挖掘描述向量的步骤,包括:
将待处理源业务数据对应的第一类局部业务数据进行特征挖掘操作,以形成所述待处理源业务数据的第一数量个第一待处理描述向量,所述待处理源业务数据为所述至少两个源业务数据中的任意一个源业务数据;
依据所述待处理源业务数据对应的第一类局部业务数据,分析出所述第一数量个第一待处理描述向量的第一重要性参数;
依据所述第一数量个第一待处理描述向量和所述第一数量个第一待处理描述向量的第一重要性参数,确定出所述待处理源业务数据对应的第一数据挖掘描述向量。
3.如权利要求2所述的针对多源业务数据的数据分析方法,其特征在于,所述依据所述至少两个源业务数据中的每一个源业务数据对应的关键性业务数据和所述至少两个源业务数据中的每一个源业务数据对应的待处理描述向量,挖掘出所述至少两个源业务数据中的每一个源业务数据对应的第二数据挖掘描述向量的步骤,包括:
将所述待处理源业务数据对应的关键性业务数据进行特征挖掘操作,以形成所述待处理源业务数据的第二数量个第二待处理描述向量;
依据所述待处理源业务数据对应的关键性业务数据,确定出所述第二数量个第二待处理描述向量的第二重要性参数和所述第一数量个第一待处理描述向量的第二重要性参数;
依据所述第二数量个第二待处理描述向量的第二重要性参数、所述第一数量个第一待处理描述向量的第二重要性参数、所述第二数量个第二待处理描述向量和所述第一数量个第一待处理描述向量,确定出所述待处理源业务数据对应的第二数据挖掘描述向量。
4.如权利要求3所述的针对多源业务数据的数据分析方法,其特征在于,所述依据所述待处理源业务数据对应的关键性业务数据,确定出所述第二数量个第二待处理描述向量的第二重要性参数和所述第一数量个第一待处理描述向量的第二重要性参数的步骤,包括:
依据所述待处理源业务数据对应的关键性业务数据和所述待处理源业务数据对应的数据源应用参数,分析出所述第二数量个第二待处理描述向量的第二重要性参数和所述第一数量个第一待处理描述向量的第二重要性参数,所述数据源应用参数用于反映对应的源业务数据的数据源的数据应用情况;
其中,所述依据所述待处理源业务数据对应的关键性业务数据和所述待处理源业务数据对应的数据源应用参数,分析出所述第二数量个第二待处理描述向量的第二重要性参数和所述第一数量个第一待处理描述向量的第二重要性参数的步骤,包括:
对所述待处理源业务数据对应的关键性业务数据和所述待处理源业务数据对应的数据源应用参数进行组合操作,以形成所述待处理源业务数据对应的待处理组合数据;
依据所述待处理源业务数据对应的待处理组合数据,分析出所述第二数量个第二待处理描述向量的第二重要性参数和所述第一数量个第一待处理描述向量的第二重要性参数。
5.如权利要求1所述的针对多源业务数据的数据分析方法,其特征在于,所述依据所述至少两个源业务数据中的每一个源业务数据对应的第一数据挖掘描述向量和至少两个源业务数据中的每一个源业务数据对应的第二数据挖掘描述向量,分析出所述至少两个源业务数据中的筛选源业务数据的步骤,包括:
将所述至少两个源业务数据中的每一个源业务数据对应的第一数据挖掘描述向量和所述至少两个源业务数据中的每一个源业务数据对应的第二数据挖掘描述向量进行向量聚合操作,以形成所述至少两个源业务数据中的每一个源业务数据对应的聚合数据挖掘描述向量;
依据所述至少两个源业务数据中的每一个源业务数据对应的聚合数据挖掘描述向量,分析出所述至少两个源业务数据中的每一个源业务数据对应的可靠性分析结果,所述可靠性分析结果为基于所述源业务数据对所述目标业务用户进行用户管控操作的可靠性的预测表征参数;
依据所述至少两个源业务数据中的每一个源业务数据对应的可靠性分析结果,分析出所述至少两个源业务数据中的筛选源业务数据。
6.如权利要求5所述的针对多源业务数据的数据分析方法,其特征在于,所述将所述至少两个源业务数据中的每一个源业务数据对应的第一数据挖掘描述向量和所述至少两个源业务数据中的每一个源业务数据对应的第二数据挖掘描述向量进行向量聚合操作,以形成所述至少两个源业务数据中的每一个源业务数据对应的聚合数据挖掘描述向量的步骤,包括:
依据待分析源业务数据对应的关键性业务数据,确定出所述待分析源业务数据对应的第二数据挖掘描述向量的第三重要性参数,所述待分析源业务数据为所述至少两个源业务数据中的任意一个源业务数据;
依据所述待分析源业务数据对应的第二数据挖掘描述向量的第三重要性参数,将所述待分析源业务数据对应的第一数据挖掘描述向量和所述待分析源业务数据对应的第二数据挖掘描述向量进行进行聚合操作,以形成所述待分析源业务数据对应的聚合数据挖掘描述向量。
7.如权利要求6所述的针对多源业务数据的数据分析方法,其特征在于,所述依据待分析源业务数据对应的关键性业务数据,确定出所述待分析源业务数据对应的第二数据挖掘描述向量的第三重要性参数的步骤,包括:
依据所述待分析源业务数据对应的关键性业务数据和所述待分析源业务数据对应的数据源应用参数,分析出所述待分析源业务数据对应的第二数据挖掘描述向量的第三重要性参数,所述数据源应用参数用于反映对应的源业务数据的数据源的数据应用情况;
其中,所述依据所述待分析源业务数据对应的关键性业务数据和所述待分析源业务数据对应的数据源应用参数,分析出所述待分析源业务数据对应的第二数据挖掘描述向量的第三重要性参数的步骤,包括:
对所述待分析源业务数据对应的关键性业务数据和所述待分析源业务数据的数据源应用参数进行组合操作,以形成所述待分析源业务数据对应的待分析组合数据;
依据所述待分析源业务数据对应的待分析组合数据,分析出所述待分析源业务数据对应的第二数据挖掘描述向量的第三重要性参数。
8.如权利要求6所述的针对多源业务数据的数据分析方法,其特征在于,所述依据所述待分析源业务数据对应的第二数据挖掘描述向量的第三重要性参数,将所述待分析源业务数据对应的第一数据挖掘描述向量和所述待分析源业务数据对应的第二数据挖掘描述向量进行进行聚合操作,以形成所述待分析源业务数据对应的聚合数据挖掘描述向量的步骤,包括:
依据所述待分析源业务数据对应的第二数据挖掘描述向量的第三重要性参数,将所述待分析源业务数据的第二数据挖掘描述向量进行相乘运算操作,以形成所述待分析源业务数据对应的调整数据挖掘描述向量;
对所述待分析源业务数据对应的调整数据挖掘描述向量和所述待分析源业务数据对应的第一数据挖掘描述向量叠加运算操作,以形成所述待分析源业务数据对应的聚合数据挖掘描述向量。
9.如权利要求5所述的针对多源业务数据的数据分析方法,其特征在于,所述依据所述至少两个源业务数据中的每一个源业务数据对应的第一类局部业务数据,挖掘出所述至少两个源业务数据中的每一个源业务数据对应的第一数据挖掘描述向量的步骤,包括:
利用数据分析神经网络中的前端特征挖掘单元,将所述至少两个源业务数据中的每一个源业务数据对应的第一类局部业务数据进行特征挖掘操作,以形成所述至少两个源业务数据中的每一个源业务数据对应的第一数据挖掘描述向量;
所述依据所述至少两个源业务数据中的每一个源业务数据对应的关键性业务数据和所述至少两个源业务数据中的每一个源业务数据对应的待处理描述向量,挖掘出所述至少两个源业务数据中的每一个源业务数据对应的第二数据挖掘描述向量的步骤,包括:
利用所述数据分析神经网络中的后端特征挖掘单元,将所述两个源业务数据中的每一个源业务数据对应的关键性业务数据和所述至少两个源业务数据中的每一个源业务数据对应的待处理描述向量进行融合挖掘操作,以输出所述至少两个源业务数据中的每一个源业务数据对应的第二数据挖掘描述向量;
所述将所述至少两个源业务数据中的每一个源业务数据对应的第一数据挖掘描述向量和所述至少两个源业务数据中的每一个源业务数据对应的第二数据挖掘描述向量进行向量聚合操作,以形成所述至少两个源业务数据中的每一个源业务数据对应的聚合数据挖掘描述向量的步骤,包括:
利用所述数据分析神经网络中的向量聚合单元,将所述至少两个源业务数据中的每一个源业务数据对应的第一数据挖掘描述向量和所述至少两个源业务数据中的每一个源业务数据对应的第二数据挖掘描述向量进行进行聚合操作,以形成所述至少两个源业务数据中的每一个源业务数据对应的聚合数据挖掘描述向量;
所述依据所述至少两个源业务数据中的每一个源业务数据对应的聚合数据挖掘描述向量,分析出所述至少两个源业务数据中的每一个源业务数据对应的可靠性分析结果的步骤,包括:
利用所述数据分析神经网络中的数据可能性分析单元,将所述至少两个源业务数据中的每一个源业务数据对应的聚合数据挖掘描述向量进行分析输出,以得到所述至少两个源业务数据中的每一个源业务数据对应的可靠性分析结果。
10.一种针对多源业务数据的数据分析系统,其特征在于,包括处理器和存储器,所述存储器用于存储计算机程序,所述处理器用于执行所述计算机程序,以实现权利要求1-9任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311282251.9A CN117194525A (zh) | 2023-10-07 | 2023-10-07 | 针对多源业务数据的数据分析方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311282251.9A CN117194525A (zh) | 2023-10-07 | 2023-10-07 | 针对多源业务数据的数据分析方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117194525A true CN117194525A (zh) | 2023-12-08 |
Family
ID=89001659
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311282251.9A Pending CN117194525A (zh) | 2023-10-07 | 2023-10-07 | 针对多源业务数据的数据分析方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117194525A (zh) |
-
2023
- 2023-10-07 CN CN202311282251.9A patent/CN117194525A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111178380B (zh) | 数据分类方法、装置及电子设备 | |
CN110363121B (zh) | 指纹图像处理方法及装置、存储介质和电子设备 | |
CN115718846B (zh) | 用于智能化交互网络的大数据挖掘方法及系统 | |
CN116310914B (zh) | 基于人工智能的无人机监控方法及系统 | |
CN116109630B (zh) | 基于传感器采集和人工智能的图像分析方法及系统 | |
CN115814686B (zh) | 一种镭射气体混配生产系统的状态监控方法及系统 | |
CN115687674A (zh) | 服务于智慧云服务平台的大数据需求分析方法及系统 | |
CN116664335B (zh) | 基于智能监控的半导体生产系统运行分析方法及系统 | |
CN116702220A (zh) | 基于加密特征分析的数据比对方法及系统 | |
CN115757900B (zh) | 应用人工智能模型的用户需求分析方法及系统 | |
CN116720119A (zh) | 应用于多端业务交互的大数据识别方法及系统 | |
CN116070149A (zh) | 基于人工智能的数据分析方法、系统及云平台 | |
CN117194525A (zh) | 针对多源业务数据的数据分析方法及系统 | |
CN112688897A (zh) | 一种流量识别的方法、装置、存储介质及电子设备 | |
CN116662415B (zh) | 基于数据挖掘的智能匹配方法及系统 | |
CN116523631A (zh) | 基于人工智能和大数据风控的信息判别方法及系统 | |
CN117236617B (zh) | 一种企业业务管理方法及系统 | |
CN116501285B (zh) | 基于虚拟数字形象交互的ai对话处理方法及数字化系统 | |
CN116996403B (zh) | 应用ai模型的网络流量诊断方法及系统 | |
CN116958838B (zh) | 一种基于无人机航测技术的森林资源监测方法及系统 | |
CN116778959A (zh) | 基于人工智能的水轮发电机声纹监测方法及系统 | |
CN117349836A (zh) | 基于大数据风控的信息判别方法及系统 | |
CN117095689A (zh) | 数字化信号数据去噪方法及系统 | |
CN116955451A (zh) | 智能测绘数据管理方法及系统 | |
CN117422302A (zh) | 基于风控模型的信息预测方法及系统 |
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 |