CN117459914A - 话单合并方法、系统、电子设备和存储介质 - Google Patents
话单合并方法、系统、电子设备和存储介质 Download PDFInfo
- Publication number
- CN117459914A CN117459914A CN202310853797.9A CN202310853797A CN117459914A CN 117459914 A CN117459914 A CN 117459914A CN 202310853797 A CN202310853797 A CN 202310853797A CN 117459914 A CN117459914 A CN 117459914A
- Authority
- CN
- China
- Prior art keywords
- data
- ticket
- user
- merging
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000012549 training Methods 0.000 claims abstract description 95
- 238000013528 artificial neural network Methods 0.000 claims abstract description 35
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 12
- 238000003064 k means clustering Methods 0.000 claims description 9
- 230000015654 memory Effects 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000004891 communication Methods 0.000 abstract description 11
- 238000005516 engineering process Methods 0.000 description 16
- 238000007418 data mining Methods 0.000 description 12
- 230000006399 behavior Effects 0.000 description 6
- 230000001186 cumulative effect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 239000000284 extract Substances 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 230000004927 fusion Effects 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/24—Accounting or billing
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L12/00—Data switching networks
- H04L12/02—Details
- H04L12/14—Charging, metering or billing arrangements for data wireline or wireless communications
- H04L12/1403—Architecture for metering, charging or billing
- H04L12/1407—Policy-and-charging control [PCC] architecture
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及通信技术领域,提供一种话单合并方法、系统、电子设备和存储介质,所述方法包括:获取用户的用户标签数据和历史计费话单数据;基于用户标签数据构建用户画像,生成用户特征数据,并对历史计费话单数据进行解析,得到资源量类别数据;通过用户特征数据和资源量类别数据对预设神经网络进行模型训练,得到话单合并模型;基于话单合并模型输出待合并话单的话单合并规则,并基于话单合并规则将待合并话单进行话单合并。本申请实施例的话单合并方法通过用户特征数据和资源量类别数据训练出的话单合并模型输出话单合并规则,从而通过话单合并规则实现从多维度和用户级别对待合并话单进行话单合并,提高了话单合并的灵活性和准确性。
Description
技术领域
本申请涉及通信技术领域,具体涉及一种话单合并方法、系统、电子设备和存储介质。
背景技术
针对电信行业,5G的大带宽、低延时、大连接特性势必将产生海量的话单和数据,支撑系统将面临海量话单与数据处理的压力;目前流量话单占总话单量的90%,流量话单已经成为最主要的话单类型。现有的话单合并策略,针对流量字段进行合并,固定条目进行下发,入口话单全部统一策略处理。现有的合并策略,只能在系统级别层面进行合并控制,不能在用户级别控制合并策略,以及合并策略控制维度太少,不能根据业务、时间、用户、资源量进行控制合并策略。
发明内容
本申请实施例提供一种话单合并方法、系统、电子设备和存储介质,旨在提高话单合并的灵活性和准确性。
第一方面,本申请实施例提供一种话单合并方法,包括:
获取用户的用户标签数据和历史计费话单数据;
基于所述用户标签数据构建用户画像,生成用户特征数据,并对所述历史计费话单数据进行解析,得到资源量类别数据;
通过所述用户特征数据和所述资源量类别数据对预设神经网络进行模型训练,得到话单合并模型;
基于所述话单合并模型输出待合并话单的话单合并规则,并基于所述话单合并规则将所述待合并话单进行话单合并。
在一个实施例中,所述通过所述对所述历史计费话单数据进行解析,得到资源量类别数据,包括:
对所述历史计费话单数据进行解析,得到用户标签数据、业务标签数据、时段标签数据、使用资源量标签数据和话单量标签数据;
基于所述用户标签数据、所述业务标签数据、所述时段标签数据、所述使用资源量标签数据和所述话单量标签数据,构建流量业务模型;
基于所述流量业务模型将所述使用资源量标签数据转化为所述资源量类别数据。
在一个实施例中,所述通过所述用户特征数据和所述资源量类别数据对预设神经网络进行模型训练,得到话单合并模型,包括:
获取模型训练标签数据;
以所述模型训练标签数据为训练数据,并以所述用户特征数据为模型训练值,所述资源量类别数据为模型预测值,对所述预设神经网络进行模型训练,迭代预设次数或模型损失函数值小于预设损失值后,得到所述话单合并模型。
在一个实施例中,所述获取模型训练标签数据,包括:
通过k-means聚类算法将所述业务标签数据按照所述使用资源量标签数据进行聚类,得到分类类别值,并将所述分类类别值替换为业务标签值;
根据所述用户标签数据将所述用户特征数据、资源量类别数据和所述业务标签值进行关联合并,得到所述模型训练标签数据。
在一个实施例中,所述基于所述用户标签数据构建用户画像,生成用户特征数据,包括:
基于用户属性标签数据、业务属性标签数据、产品属性标签数据和消费属性标签数据构建用户画像,生成所述用户特征数据。
在一个实施例中,所述基于所述话单合并模型输出待合并话单的话单合并规则,包括:
对所述待合并话单进行解析,得到所述待合并话单的用户数据、业务数据和时段数据,并通过所述话单合并模型根据所述用户数据、所述业务数据和所述时段数据,预测出资源量数据和时长数据;
将所述资源量数据和所述时长数据,确定为所述待合并话单的话单合并规则。
在一个实施例中,所述话单合并方法还包括:
对所述待合并话单进行解析,得到所述待合并话单的用户场景信息,并通过所述话单合并模型根据所述用户场景信息,预测所述待合并话单的下发场景;
基于所述下发场景将所述待合并话单合并后的话单进行下发。
第二方面,本申请实施例提供一种话单合并系统,包括:
获取模块,用于获取用户的用户标签数据和历史计费话单数据;
生成解析模块,用于基于所述用户标签数据构建用户画像,生成用户特征数据,对所述历史计费话单数据进行解析,得到资源量类别数据;
模型训练模块,用于通过所述用户特征数据和所述资源量类别数据对预设神经网络进行模型训练,得到话单合并模型;
话单合并模块,用于基于所述话单合并模型输出待合并话单的话单合并规则,基于所述话单合并规则将所述待合并话单进行话单合并。
第三方面,本申请实施例提供一种电子设备,所述电子设备包括存储器、处理器及存储在所述存储器上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第一方面所述的话单合并方法。
第四方面,本申请实施例提供一种非暂态计算机可读存储介质,非暂态计算机可读存储介质包括计算机程序,所述计算机程序被处理器执行时实现第一方面所述的话单合并方法。
本申请实施例提供的话单合并方法、系统、电子设备和存储介质,获取用户的用户标签数据和历史计费话单数据;基于用户标签数据构建用户画像,生成用户特征数据,并对历史计费话单数据进行解析,得到资源量类别数据;通过用户特征数据和资源量类别数据对预设神经网络进行模型训练,得到话单合并模型;基于话单合并模型输出待合并话单的话单合并规则,并基于话单合并规则将待合并话单进行话单合并。在话单合并的过程中,通过用户特征数据和资源量类别数据训练出的话单合并模型输出话单合并规则,从而通过话单合并规则实现从多维度和用户级别对待合并话单进行话单合并,提高了话单合并的灵活性和准确性。
附图说明
为了更清楚地说明本申请或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本申请的一些实施例,对于本领域普通技术人员来讲,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是本申请实施例提供的话单合并方法的流程图;
图2是本申请实施例提供的话单合并系统的应用示意图;
图3是本申请实施例提供的话单合并方法的整体方案流程图;
图4是本申请实施例提供的话单合并系统的结构图;
图5是本申请实施例提供的电子设备的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
图1是本申请实施例提供的话单合并方法的流程图。参照图1,本申请实施例提供一种话单合并方法包括:
步骤101,获取用户的用户标签数据和历史计费话单数据;
步骤102,基于所述用户标签数据构建用户画像,生成用户特征数据,并对所述历史计费话单数据进行解析,得到资源量类别数据;
步骤103,通过所述用户特征数据和所述资源量类别数据对预设神经网络进行模型训练,得到话单合并模型;
步骤104,基于所述话单合并模型输出待合并话单的话单合并规则,并基于所述话单合并规则将所述待合并话单进行话单合并。
本发明实施例以话单合并系统作为执行主体为例对话单合并方法进行描述,但是执行主体不限制于话单合并系统。需要说明的是,话单合并系统是一种用于整合和合并话单数据的系统,能够自动识别和合并具有相似特征和资源使用情况的话单记录,从而减少冗余数据并提高数据处理效率。
具体地,话单合并系统通过大数据平台获取用户的用户标签数据,并通过融合计费系统获取用户的历史计费话单数据,其中,用户标签数据中包括但不限制于用户属性标签数据、业务属性标签数据、产品属性标签数据和消费属性标签数据,历史计费话单数据中包括但不限制于用户标签数据、业务标签数据、时段标签数据、使用资源量标签数据和话单量标签数据。
进一步地,话单合并系统基于获取到的用户标签数据,通过数据挖掘和分析技术,构建用户画像,对用户画像中的特征数据进行提取,并将提取的特征数据转化为可用于训练模型的特征数据,得到用户特征数据,其中,用户特征数据包括但不限制于用户信息特征数据、用户行为特征数据、用户业务特征数据、用户产品特征数据、用户消费特征数据和用户兴趣特征数据。
进一步地,话单合并系统通过数据挖掘和分析技术,对历史计费话单数据进行解析,对解析后的历史计费话单数据中的使用资源量标签数据进行转化,得到资源量类别数据。
进一步地,话单合并系统通过用户特征数据和资源量类别数据,对预设神经网络进行模型训练,得到话单合并模型,也就是说,话单合并系统将用户特征数据确定为模型训练值,并将资源量类别数据确定为模型预测值,对预设神经网络进行模型训练,得到话单合并模型。其中,预设神经网络根据实际情况设定,预设神经网络包括但不限制于卷积神经网络(Convolutional Neural Network,CNN)和长短期记忆网络(Long Short-Term Memory,LSTM),神经网络是一种模仿生物神经系统工作原理的计算模型,通过模拟神经元之间的连接和信息传递,能够学习和处理复杂的输入数据;模型训练值是在模型训练过程中,通过训练数据进行迭代训练时得到的参数值或权重值;模型预测值是模型训练完成后,对新输入数据进行预测得到的输出值。
进一步地,话单合并系统通过话单合并模型输出预测数据,将预测数据确定为待合并话单的话单合并规则,基于话单合并原则将待合并话单进行话单合并。
本申请实施例提供的话单合并方法、系统、电子设备和存储介质,获取用户的用户标签数据和历史计费话单数据;基于用户标签数据构建用户画像,生成用户特征数据,并对历史计费话单数据进行解析,得到资源量类别数据;通过用户特征数据和资源量类别数据对预设神经网络进行模型训练,得到话单合并模型;基于话单合并模型输出待合并话单的话单合并规则,并基于话单合并规则将待合并话单进行话单合并。在话单合并的过程中,通过用户特征数据和资源量类别数据训练出的话单合并模型输出话单合并规则,从而通过话单合并规则实现从多维度和用户级别对待合并话单进行话单合并,提高了话单合并的灵活性和准确性。
进一步地,步骤101基于所述用户标签数据构建用户画像,生成用户特征数据,包括:
基于用户属性标签数据、业务属性标签数据、产品属性标签数据和消费属性标签数据构建用户画像,生成所述用户特征数据。
具体地,话单合并系统通过数据挖掘和分析技术,对用户标签数据进行解析,得到用户属性标签数据、业务属性标签数据、产品属性标签数据和消费属性标签数据,也就是说,话单合并系统通过数据挖掘和分析技术,提取并解析用户个人属性信息、用户使用业务信息、用户使用产品信息和用户个人消费信息,得到用户属性标签数据、业务属性标签数据、产品属性标签数据和消费属性标签数据。
需要说明的是,用户属性标签数据包括但不限制于性别标签数据、年龄标签数据、客户类型标签数据、职业类型标签数据、省份标签数据、在网时长标签数据、极低使用量标签数据和出账标签数据,其中,性别标签数据是根据所出示的用户证件确定的,年龄标签数据是根据所出示的用户证件确定的,用户类型标签数据是根据用户办理业务所属的客户划分确定的,职业类型标签数据是根据用户信令、年龄、实名制识别出的用户职业确定的,省份标签数据是根据号码资源所归属的省份确定的,在网时长标签数据是根据用户手机开通后持续在网的月数确定的,极低使用量标签数据是根据非当月新发展中在网出账用户的使用流量、主叫计费时长和点对点发送的短信条数确定的,出账标签数据是根据出账收入确定的。
进一步需要说明的是,业务属性标签数据包括但不限制于近三月月均上网流量标签数据、当月累计使用总流量标签数据、网红达人标签数据、社交达人标签数据、当前信誉度标签数据、流量使用度标签数据、4G流量标签数据、价值得分标签数据、稳定度标签数据、稳定度得分标签数据、会员(Very Important Person,VIP)级别标签数据、高流量倾向用户标签数据、当月累计本地数据流量标签数据、当月累计省内漫游数据流量标签数据、当月累计港澳台漫游数据流量标签数据、当月累计省际漫游数据流量标签数据、当月累计国际漫游数据流量标签数据、当月使用定向流量标签数据、上月结转流量标签数据、定向流量额度标签数据、套餐内流量额度标签数据、流量包额度标签数据、近六月月均上网流量标签数据、连续超套标签数据、套餐分类描述标签数据、套餐基础分类标签数据、套餐基础分类描述标签数据、欠费金额标签数据、使用流量标签数据、稳定度-价值矩阵标签数据、客户分类标签数据和用户等级标签数据,其中,近三月月均上网流量标签数据是根据近三个月的平均月上网流量确定的,当月累计使用总流量标签数据是根据当前取自计费话单上传的上行流量和下行流量之和确定的,网红达人标签数据是根据一个月内合计上行流量或合计直播时长确定的,社交达人标签数据是根据一个月内与异网用户相互通话的次数或通话时长确定的,当前信誉度标签数据是根据用户当前信誉度确定的,流量使用度标签数据是根据用户流量使用量占用户套餐包中流量的比例确定的,4G流量标签数据是根据是否含有4G流量确定的,价值得分标签数据是根据对传统用户价值定义的分析以及用户价值的内涵和特征进行的用户价值评分确定的,稳定度标签数据是根据当月计算的全国总用户数的排序确定的,且稳定度用户分为高稳定度用户、中稳定度用户和低稳定度用户,稳定度得分标签数据是根据数据的分布通过模型训练计算得到的用户得分确定的,VIP级别标签数据是根据用户VIP级别确定的,高流量倾向用户标签数据是根据用户观看视频和上网行为特征信息确定的,当月累计本地数据流量标签数据是根据当月累计使用的本地数据流量确定的、当月累计省内漫游数据流量标签数据是根据当月累计使用的省内漫游数据流量确定的,当月累计港澳台漫游数据流量标签数据是根据当月累计使用的港澳台漫游数据流量确定的,当月累计省际漫游数据流量标签数据是根据当月累计使用的省际漫游数据流量确定的,当月累计国际漫游数据流量标签数据是根据当月累计使用的国际漫游数据流量确定的,当月使用定向流量标签数据是根据当月使用的定向流量确定的,上月结转流量标签数据是根据上月剩余流量结转到当月的流量确定的,定向流量额度标签数据是根据定向流量包订购和使用情况确定的,套餐内流量额度标签数据是根据套餐内免计费的流量额度确认的、流量包额度标签数据是根据流量包订购和使用情况确定的,近六月月均上网流量标签数据是根据近六个月的平均月上网流量,连续超套标签数据是根据超出套餐流量确定的,套餐分类描述标签数据是根据涛涛分类描述确定的,套餐基础分类标签数据是根据套餐基础分类确定的,套餐基础分类描述标签数据是根据套餐基础分类描述确定的,欠费金额标签数据是根据欠费费用之和确定的,使用流量标签数据是根据使用流量确定的,稳定度-价值矩阵标签数据是根据用户的稳定度和用户的分级等级进行交叉确定的,客户分类标签数据是根据用户的稳定度和用户的分级等级进行交叉得到的用户综合价值确定的,且客户分类根据稳定度-价值矩阵标签数据分为黄金客户、波动客户和高危客户,用户等级标签数据是根据用户在网时长、VIP是否到期进行公众客户评级确定的。
进一步需要说明的是,产品属性标签数据包括但不限制于固移融合套餐标签数据、产品类型标签数据、主产品标识标签数据和套餐名称标签数据,其中,固移融合套餐标签数据是根据是否办理固移融合套餐确定的,产品类型标签数据是根据订购产品类型确定的,主产品标识标签数据是根据订购的主要产品的标识确定的,套餐名称标签数据是根据订购套餐名称确定的。
进一步需要说明的是,消费属性标签数据包括但不限制于月总出账金额标签数据、月基本套餐出账金额标签数据和月超套流量出账金额标签数据,其中,月总出账金额标签数据是根据月出账金额确定的、月基本套餐出账金额标签数据是根据套餐基本费用确定的,月超套流量出账金额标签数据是根据超套流量出账金额确定的。
进一步地,话单合并系统基于用户属性标签数据、业务属性标签数据、产品属性标签数据和消费属性标签数据构建用户画像,对用户画像中的特征数据进行提取,并将提取的特征数据转化为可用于训练模型的特征数据,得到用户特征数据。需要说明的是,话单合并系统将用户特征数据用于模型训练时,需要对用户特征数据进行标准化和归一化,以消除不同特征数据之间的尺度差异,使模型能够高效地学习和处理特征。
本发明实施例通过对用户标签数据进行解析,得到用户属性标签数据、业务属性标签数据、产品属性标签数据和消费属性标签数据,基于用户属性标签数据、业务属性标签数据、产品属性标签数据和消费属性标签数据构建用户画像,生成可用于训练模型的用户特征数据,进而实现对预设神经网络的模型训练,得到话单合并模型,基于话单合并模型输出话单合并规则,从而通过话单合并规则实现从多维度和用户级别对待合并话单进行话单合并,提高了话单合并的灵活性和准确性。
进一步地,步骤102基于所述通过所述对所述历史计费话单数据进行解析,得到资源量类别数据,包括:
对所述历史计费话单数据进行解析,得到用户标签数据、业务标签数据、时段标签数据、使用资源量标签数据和话单量标签数据;
基于所述用户标签数据、所述业务标签数据、所述时段标签数据、所述使用资源量标签数据和所述话单量标签数据,构建流量业务模型;
基于所述流量业务模型将所述使用资源量标签数据转化为所述资源量类别数据。
具体地,话单合并系统通过数据挖掘和分析技术,对历史计费话单数据进行解析,得到用户标签数据、业务标签数据、时段标签数据、使用资源量标签数据和话单量标签数据,也就是说,话单合并系统通过数据挖掘和分析技术,提取并解析用户相关信息、业务类型信息、时间戳信息和使用资源量信息,得到用户标签数据、业务标签数据、时段标签数据、使用资源量标签数据和话单量标签数据。
进一步地,话单合并系统基于用户标签数据、业务标签数据、时段标签数据、使用资源量标签数据和话单量标签数据,通过机器学习算法构建流量业务模型,其中,流量业务模型包括但不限制于RFM流量业务模型,RFM流量业务模型是一种基于RFM分析方法的模型,用于分析用户的流量业务行为和价值,对用户的流量业务行为进行细分和预测,以了解用户的价值、需求和行为模式,RFM代表了三个关键指标,这三个关键指标为最近一次活动(Recency)、频率(Frequency)和消费金额(Monetary)。
进一步地,话单合并系统将使用资源量标签数据进行预处理,基于流量业务模型,将预处理后的使用资源量标签数据进行流量业务模型应用,也就是将使用资源量标签数据确定为输入数据,通过已经训练完成的流量业务模型进行预测,并输出预测结果。进一步地,话单合并系统根据流量业务模型的预测结果,将使用资源量标签数据转化为资源量类别数据,其中,资源量类别数据是指将使用资源量标签数据转化为离散的类别信息的数据,这种转化可以基于业务需求和模型预测结果,将连续的使用资源量数据划分为不同的类别,以便进行进一步的分析、决策和资源优化。
本发明实施例通过对历史计费话单数据进行解析,得到用户标签数据、业务标签数据、时段标签数据、使用资源量标签数据和话单量标签数据,并构建流量业务模型,基于流量业务模型将使用资源量标签数据转化为资源量类别数据,进而实现对预设神经网络的模型训练,得到话单合并模型,基于话单合并模型输出话单合并规则,从而通过话单合并规则实现从多维度和用户级别对待合并话单进行话单合并,提高了话单合并的灵活性和准确性。
进一步地,步骤103基于所述通过所述用户特征数据和所述资源量类别数据对预设神经网络进行模型训练,得到话单合并模型,包括:
获取模型训练标签数据;
以所述模型训练标签数据为训练数据,并以所述用户特征数据为模型训练值,所述资源量类别数据为模型预测值,对所述预设神经网络进行模型训练,迭代预设次数或模型损失函数值小于预设损失值后,得到所述话单合并模型。
具体地,话单合并系统获取模型训练标签数据,通过深度神经网络技术将模型训练标签数据确定为训练数据,并将用户特征数据确定为模型训练值,将资源量类别数据确定为模型预测值,对预设神经网络进行模型训练,其中,训练数据是用于训练模型的参数,在模型训练过程中,通过不断迭代,将训练数据提供给模型,模型逐渐调整自身的参数,使模型在新的未见数据上做出准确的预测。
进一步地,在进行模型训练的过程中,话单合并系统对模型参数进行迭代优化,并通过模型损失函数最小化模型在训练过程的损失。进一步地,话单合并系统通过迭代预设次数或模型损失函数值小于预设损失值后,结束对预设神经网络的模型训练,得到训练完成的话单合并模型,其中,预设次数和预设损失值根据实际情况设定。
本发明实施例通过深度神经网络技术将模型训练标签数据确定为训练数据,并将用户特征数据确定为模型训练值,将资源量类别数据确定为模型预测值对预设神经网络进行模型训练,得到话单合并模型,进而基于话单合并模型输出话单合并规则,从而通过话单合并规则实现从多维度和用户级别对待合并话单进行话单合并,提高了话单合并的灵活性和准确性。
进一步地,所述获取模型训练标签数据,包括:
通过k-means聚类算法将所述业务标签数据按照所述使用资源量标签数据进行聚类,得到分类类别值,并将所述分类类别值替换为业务标签值;
根据所述用户标签数据将所述用户特征数据、资源量类别数据和所述业务标签值进行关联合并,得到所述模型训练标签数据。
具体地,话单合并系统通过k-means聚类算法将业务标签数据按照使用资源量标签数据进行聚类,也就是说,话单合并系统将使用资源量标签数据确定为k-means聚类中心点,根据数据的相似性,通过k-means聚类算法将业务标签数据按照k-means聚类中心点进行聚类,并将业务标签数据划分为不同的聚类簇,得到聚类结果。需要说明的是,k-means聚类算法是一种无监督学习算法,用于将数据集划分成k个簇,通过不断更新迭代簇中心点,逐步优化聚类结果。
进一步地,话单合并系统通过轮廓系数算法计算每个聚类簇中的业务标签数据的轮廓系数,并通过轮廓系数验证聚类效果。需要说明的是,轮廓系数的范围为-1~1,轮廓系数越接近1表示样本数据与自身的簇类更相似,轮廓系数越接近-1表示样本数据与最邻近的簇类更相似,轮廓系数接近0表示样本数据位于簇类边界上,轮廓系数越接近1,表示聚类效果越好,因此,通过轮廓系数算法,可以定量评估聚类效果。
进一步地,话单合并系统根据聚类结果,确定每个聚类簇的标识符,将每个聚类簇的标识符确定为分类类别值,并将分类类别值替换为业务标签值。
进一步地,话单合并系统根据用户标签数据,将用户特征数据、资源量类别数据和业务标签值进行关联合并,得到模型训练标签数据,用以对预设神经网络进行模型训练。
本发明实施例通过k-means聚类算法将业务标签数据按照使用资源量标签数据进行聚类,得到分类类别值,并将分类类别值替换为业务标签值,根据用户标签数据将用户特征数据、资源量类别数据和业务标签值进行关联合并,得到模型训练标签数据,进而实现对预设神经网络的模型训练,得到话单合并模型,基于话单合并模型输出话单合并规则,从而通过话单合并规则实现从多维度和用户级别对待合并话单进行话单合并,提高了话单合并的灵活性和准确性。
进一步地,步骤104基于所述话单合并模型输出待合并话单的话单合并规则,包括:
对所述待合并话单进行解析,得到所述待合并话单的用户数据、业务数据和时段数据,并通过所述话单合并模型根据所述用户数据、所述业务数据和所述时段数据,预测出资源量数据和时长数据;
将所述资源量数据和所述时长数据,确定为所述待合并话单的话单合并规则。
具体地,话单合并系统通过数据挖掘和分析技术,对待合并话单进行解析,提取待合并话单中的用户个人信息、办理业务类型信息和时间戳信息,得到待合并话单的用户数据、业务数据和时段数据。
进一步地,话单合并系统将解析得到的用户数据、业务数据和时段数据确定为话单合并模型的输入预测值,通过话单合并模型根据用户数据、业务数据和时段数据,预测出资源量数据和时长数据,并输出资源量数据和时长数据,其中,资源量数据是表示用户在特定业务和时段下的资源使用量,时长数据是表示用户在特定业务和时段下的通信时长。
进一步地,话单合并系统将资源量数据和时长数据,确定为待合并话单的话单合并规则,并将待合并话单的话单合并规则确定为合并策略引擎的输入规则,通过合并策略引擎,对合并话单进行判断和决策,基于话单合并规则将待合并话单进行话单合并,其中,话单合并规则描述了话单合并的条件、规则和行为。
本发明实施例通过对待合并话单进行解析,得到待合并话单的用户数据、业务数据和时段数据,通过话单合并模型预测出资源量数据和时长数据,并将资源量数据和时长数据确定为话单合并规则,通过合并策略引擎,基于话单合并规则将待合并话单进行话单合并,实现通过模型配置控制用户合并规则,进而引入训练预测结果动态控制下发场景,通过模型进行系统级控制,从而实现从多维度和用户级别对待合并话单进行话单合并,提高了话单合并的灵活性和准确性。
进一步地,所述话单合并方法还包括:
对所述待合并话单进行解析,得到所述待合并话单的用户场景信息,并通过所述话单合并模型根据所述用户场景信息,预测所述待合并话单的下发场景;
基于所述下发场景将所述待合并话单合并后的话单进行下发。
具体地,话单合并系统通过数据挖掘和分析技术,对待合并话单进行解析,得到待合并话单的用户场景信息。进一步地,话单合并系统将用户场景信息确定为话单合并模型的输入预测值,通过话单合并模型根据用户场景信息,预测出待合并话单的下发场景,并输出待合并话单的下发场景,基于待合并话单的下发场景,通过合并策略引擎,根据话单合并规则,确定待合并话单是否进行话单合并。
进一步地,若确定待合并话单进行话单合并,话单合并系统则将合并后的话单存储至数据库中,并根据用户场景信息确定话单是否进行下发。进一步地,若确定话单进行下发,话单合并系统则根据下发话单记录生成话单文件,并将生成的话单文件发送至详单管理系统,以供详单管理系统记录用户的详细通信和使用情况。
进一步地,若确定待合并话单不进行话单合并,话单合并系统则根据下发话单记录生成话单文件,并将生成的话单文件发送至详单管理系统。
因此,话单合并系统通过大数据平台获取用户的用户标签数据,通过融合计费系统获取用户的历史计费话单数据,通过解析用户标签数据和历史计费话单数据,得到用户特征数据和资源量类别数据,通过用户特征数据和资源量类别数据对预设神经网络进行模型训练,得到话单合并模型,基于话单合并模型输出待合并话单的话单合并规则,并将话单合并规则确定为合并策略引擎的输入规则。进一步地,话单合并系统通过话单合并模型输出训练结果,基于合并策略引擎的输入规则,将待合并话单进行话单合并,根据用户场景信息将话单进行下发,并生成话单文件发送至详单管理系统,以供详单管理系统记录用户的详细通信和使用情况。参照图2,图2是本申请实施例提供的话单合并系统的应用示意图。
本发明实施例通过对待合并话单进行解析,得到待合并话单的用户场景信息,并通过话单合并模型预测出下发场景,基于下发场景将合并后的话单进行下发,实现通过模型配置对用户话单合并策略进行用户级场景编排,控制话单合并规则和下发场景,并通过模型限制预测结果,从而提高了话单合并的灵活性和准确性。
参照图3,图3是本申请实施例提供的话单合并方法的整体方案流程图,因此,本发明提供的话单合并方法的整体流程可以理解为:
话单合并系统通过大数据平台获取用户的用户标签数据,并通过融合计费系统获取用户的历史计费话单数据。
进一步地,话单合并系统通过数据挖掘和分析技术,对用户标签数据进行解析,得到用户属性标签数据、业务属性标签数据、产品属性标签数据和消费属性标签数据,基于用户属性标签数据、业务属性标签数据、产品属性标签数据和消费属性标签数据构建用户画像,并生成用户特征数据。
进一步地,话单合并系统通过数据挖掘和分析技术,对历史计费话单数据进行解析,得到用户标签数据、业务标签数据、时段标签数据、使用资源量标签数据和话单量标签数据。进一步地,话单合并系统基于用户标签数据、业务标签数据、时段标签数据、使用资源量标签数据和话单量标签数据,通过机器学习算法构建流量业务模型,将使用资源量标签数据确定为输入数据,通过已经训练完成的流量业务模型进行预测,输出预测结果,并根据预测结果将使用资源量标签数据转化为资源量类别数据。
进一步地,话单合并系统将使用资源量标签数据确定为k-means聚类中心点,根据数据的相似性,通过k-means聚类算法将业务标签数据按照k-means聚类中心点进行聚类,并将业务标签数据划分为不同的聚类簇,得到聚类结果。进一步地,话单合并系统通过轮廓系数算法计算每个聚类簇中的业务标签数据的轮廓系数,并通过轮廓系数验证聚类效果。
进一步地,话单合并系统根据聚类结果,确定每个聚类簇的标识符,将每个聚类簇的标识符确定为分类类别值,并将分类类别值替换为业务标签值。进一步地,话单合并系统根据用户标签数据,将用户特征数据、资源量类别数据和业务标签值进行关联合并,得到模型训练标签数据。
进一步地,话单合并系统通过深度神经网络技术,将模型训练标签数据确定为训练数据,并将用户特征数据确定为模型训练值,将资源量类别数据确定为模型预测值,对预设神经网络进行模型训练。进一步地,话单合并系统对模型参数进行迭代优化,并通过模型损失函数最小化模型在训练过程的损失,迭代预设次数或模型损失函数值小于预设损失值后,结束对预设神经网络的模型训练,得到训练完成的话单合并模型。
进一步地,话单合并系统通过数据挖掘和分析技术,对待合并话单进行解析,提取待合并话单中的用户个人信息、办理业务类型信息和时间戳信息,得到待合并话单的用户数据、业务数据和时段数据,将解析得到的用户数据、业务数据和时段数据确定为话单合并模型的输入预测值,通过话单合并模型根据用户数据、业务数据和时段数据,预测出资源量数据和时长数据,并输出资源量数据和时长数据。
进一步地,话单合并系统将资源量数据和时长数据,确定为待合并话单的话单合并规则,并将待合并话单的话单合并规则确定为合并策略引擎的输入规则,通过合并策略引擎,对合并话单进行判断和决策,基于话单合并规则将待合并话单进行话单合并。
进一步地,话单合并系统通过数据挖掘和分析技术,对待合并话单进行解析,得到待合并话单的用户场景信息。进一步地,话单合并系统将用户场景信息确定为话单合并模型的输入预测值,通过话单合并模型根据用户场景信息,预测出待合并话单的下发场景,并输出待合并话单的下发场景,基于待合并话单的下发场景,通过合并策略引擎,根据话单合并规则,确定待合并话单是否进行话单合并。
进一步地,若确定待合并话单进行话单合并,话单合并系统则将合并后的话单存储至数据库中,并根据用户场景信息确定话单是否进行下发。进一步地,若确定话单进行下发,话单合并系统则根据下发话单记录生成话单文件,并将生成的话单文件发送至详单管理系统,以供详单管理系统记录用户的详细通信和使用情况。
进一步地,若确定待合并话单不进行话单合并,话单合并系统则根据下发话单记录生成话单文件,并将生成的话单文件发送至详单管理系统。
下面对本申请实施例提供的话单合并系统进行描述,下文描述的话单合并系统与上文描述的话单合并方法可相互对应参照。
参考图4,图4是本申请实施例提供的话单合并系统的结构图,本申请实施例提供的话单合并系统包括:
获取模块401,用于获取用户的用户标签数据和历史计费话单数据;
生成解析模块402,用于基于所述用户标签数据构建用户画像,生成用户特征数据,对所述历史计费话单数据进行解析,得到资源量类别数据;
模型训练模块403,用于通过所述用户特征数据和所述资源量类别数据对预设神经网络进行模型训练,得到话单合并模型;
话单合并模块404,用于基于所述话单合并模型输出待合并话单的话单合并规则,基于所述话单合并规则将所述待合并话单进行话单合并。
本申请实施例提供的话单合并系统,获取用户的用户标签数据和历史计费话单数据;基于用户标签数据构建用户画像,生成用户特征数据,并对历史计费话单数据进行解析,得到资源量类别数据;通过用户特征数据和资源量类别数据对预设神经网络进行模型训练,得到话单合并模型;基于话单合并模型输出待合并话单的话单合并规则,并基于话单合并规则将待合并话单进行话单合并。在话单合并的过程中,通过用户特征数据和资源量类别数据训练出的话单合并模型输出话单合并规则,从而通过话单合并规则实现从多维度和用户级别对待合并话单进行话单合并,提高了话单合并的灵活性和准确性。
在一个实施例中,获取模块401还用于:
基于用户属性标签数据、业务属性标签数据、产品属性标签数据和消费属性标签数据构建用户画像,生成所述用户特征数据。
在一个实施例中,生成解析模块402还用于:
对所述历史计费话单数据进行解析,得到用户标签数据、业务标签数据、时段标签数据、使用资源量标签数据和话单量标签数据;
基于所述用户标签数据、所述业务标签数据、所述时段标签数据、所述使用资源量标签数据和所述话单量标签数据,构建流量业务模型;
基于所述流量业务模型将所述使用资源量标签数据转化为所述资源量类别数据。
在一个实施例中,模型训练模块403还用于:
获取模型训练标签数据;
以所述模型训练标签数据为训练数据,并以所述用户特征数据为模型训练值,所述资源量类别数据为模型预测值,对所述预设神经网络进行模型训练,迭代预设次数或模型损失函数值小于预设损失值后,得到所述话单合并模型。
在一个实施例中,模型训练模块403还用于:
通过k-means聚类算法将所述业务标签数据按照所述使用资源量标签数据进行聚类,得到分类类别值,并将所述分类类别值替换为业务标签值;
根据所述用户标签数据将所述用户特征数据、资源量类别数据和所述业务标签值进行关联合并,得到所述模型训练标签数据。
在一个实施例中,话单合并模块404还用于:
对所述待合并话单进行解析,得到所述待合并话单的用户数据、业务数据和时段数据,并通过所述话单合并模型根据所述用户数据、所述业务数据和所述时段数据,预测出资源量数据和时长数据;
将所述资源量数据和所述时长数据,确定为所述待合并话单的话单合并规则。
在一个实施例中,话单合并系统还用于:
对所述待合并话单进行解析,得到所述待合并话单的用户场景信息,并通过所述话单合并模型根据所述用户场景信息,预测所述待合并话单的下发场景;
基于所述下发场景将所述待合并话单合并后的话单进行下发。
图5示例了一种电子设备的实体结构示意图,如图5所示,该电子设备可以包括:处理器(processor)510、通信接口(Communication Interface)520、存储器(memory)530和通信总线540,其中,处理器510,通信接口520,存储器730通过通信总线540完成相互间的通信。处理器510可以调用存储器530中的计算机程序,以执行话单合并方法的步骤,例如包括:
获取用户的用户标签数据和历史计费话单数据;
基于所述用户标签数据构建用户画像,生成用户特征数据,并对所述历史计费话单数据进行解析,得到资源量类别数据;
通过所述用户特征数据和所述资源量类别数据对预设神经网络进行模型训练,得到话单合并模型;
基于所述话单合并模型输出待合并话单的话单合并规则,并基于所述话单合并规则将所述待合并话单进行话单合并。
此外,上述的存储器530中的逻辑指令可以通过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,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本申请实施例还提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质包括计算机程序,所述计算机程序可存储在非暂态计算机可读存储介质上,所述计算机程序被处理器执行时,计算机能够执行上述各实施例所提供的话单合并方法的步骤,例如包括:
获取用户的用户标签数据和历史计费话单数据;
基于所述用户标签数据构建用户画像,生成用户特征数据,并对所述历史计费话单数据进行解析,得到资源量类别数据;
通过所述用户特征数据和所述资源量类别数据对预设神经网络进行模型训练,得到话单合并模型;
基于所述话单合并模型输出待合并话单的话单合并规则,并基于所述话单合并规则将所述待合并话单进行话单合并。
以上所描述的系统实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (10)
1.一种话单合并方法,其特征在于,包括:
获取用户的用户标签数据和历史计费话单数据;
基于所述用户标签数据构建用户画像,生成用户特征数据,并对所述历史计费话单数据进行解析,得到资源量类别数据;
通过所述用户特征数据和所述资源量类别数据对预设神经网络进行模型训练,得到话单合并模型;
基于所述话单合并模型输出待合并话单的话单合并规则,并基于所述话单合并规则将所述待合并话单进行话单合并。
2.据权利要求1所述的话单合并方法,其特征在于,所述通过所述对所述历史计费话单数据进行解析,得到资源量类别数据,包括:
对所述历史计费话单数据进行解析,得到用户标签数据、业务标签数据、时段标签数据、使用资源量标签数据和话单量标签数据;
基于所述用户标签数据、所述业务标签数据、所述时段标签数据、所述使用资源量标签数据和所述话单量标签数据,构建流量业务模型;
基于所述流量业务模型将所述使用资源量标签数据转化为所述资源量类别数据。
3.据权利要求2所述的话单合并方法,其特征在于,所述通过所述用户特征数据和所述资源量类别数据对预设神经网络进行模型训练,得到话单合并模型,包括:
获取模型训练标签数据;
以所述模型训练标签数据为训练数据,并以所述用户特征数据为模型训练值,所述资源量类别数据为模型预测值,对所述预设神经网络进行模型训练,迭代预设次数或模型损失函数值小于预设损失值后,得到所述话单合并模型。
4.据权利要求3所述的话单合并方法,其特征在于,所述获取模型训练标签数据,包括:
通过k-means聚类算法将所述业务标签数据按照所述使用资源量标签数据进行聚类,得到分类类别值,并将所述分类类别值替换为业务标签值;
根据所述用户标签数据将所述用户特征数据、资源量类别数据和所述业务标签值进行关联合并,得到所述模型训练标签数据。
5.据权利要求1所述的话单合并方法,其特征在于,所述基于所述用户标签数据构建用户画像,生成用户特征数据,包括:
基于用户属性标签数据、业务属性标签数据、产品属性标签数据和消费属性标签数据构建用户画像,生成所述用户特征数据。
6.据权利要求1所述的话单合并方法,其特征在于,所述基于所述话单合并模型输出待合并话单的话单合并规则,包括:
对所述待合并话单进行解析,得到所述待合并话单的用户数据、业务数据和时段数据,并通过所述话单合并模型根据所述用户数据、所述业务数据和所述时段数据,预测出资源量数据和时长数据;
将所述资源量数据和所述时长数据,确定为所述待合并话单的话单合并规则。
7.据权利要求1至6任一项所述的话单合并方法,其特征在于,所述话单合并方法还包括:
对所述待合并话单进行解析,得到所述待合并话单的用户场景信息,并通过所述话单合并模型根据所述用户场景信息,预测所述待合并话单的下发场景;
基于所述下发场景将所述待合并话单合并后的话单进行下发。
8.一种话单合并系统,其特征在于,包括:
获取模块,用于获取用户的用户标签数据和历史计费话单数据;
生成解析模块,用于基于所述用户标签数据构建用户画像,生成用户特征数据,对所述历史计费话单数据进行解析,得到资源量类别数据;
模型训练模块,用于通过所述用户特征数据和所述资源量类别数据对预设神经网络进行模型训练,得到话单合并模型;
话单合并模块,用于基于所述话单合并模型输出待合并话单的话单合并规则,基于所述话单合并规则将所述待合并话单进行话单合并。
9.一种电子设备,所述电子设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7任一项所述的话单合并方法。
10.一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质包括计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7任一项所述的话单合并方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310853797.9A CN117459914A (zh) | 2023-07-12 | 2023-07-12 | 话单合并方法、系统、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310853797.9A CN117459914A (zh) | 2023-07-12 | 2023-07-12 | 话单合并方法、系统、电子设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117459914A true CN117459914A (zh) | 2024-01-26 |
Family
ID=89591672
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310853797.9A Pending CN117459914A (zh) | 2023-07-12 | 2023-07-12 | 话单合并方法、系统、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117459914A (zh) |
-
2023
- 2023-07-12 CN CN202310853797.9A patent/CN117459914A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107609708B (zh) | 一种基于手机游戏商店的用户流失预测方法及系统 | |
CN111614690B (zh) | 一种异常行为检测方法及装置 | |
CN112633962B (zh) | 业务推荐方法、装置、计算机设备和存储介质 | |
CN103796183B (zh) | 一种垃圾短信识别方法及装置 | |
CN103150696A (zh) | 选择目标增值业务潜在客户的方法及装置 | |
CN110147803A (zh) | 用户流失预警处理方法与装置 | |
CN111489095A (zh) | 一种风险用户管理方法、装置、计算机设备和存储介质 | |
CN106991577A (zh) | 一种确定目标用户的方法及装置 | |
CN109697637A (zh) | 对象类别确定方法、装置、电子设备及计算机存储介质 | |
Li et al. | Enhancing telco service quality with big data enabled churn analysis: infrastructure, model, and deployment | |
CN114154672A (zh) | 一种用于客户流失预测的数据挖掘方法 | |
CN110677269B (zh) | 通信用户关系的确定方法、装置和计算机可读存储介质 | |
CN111091460A (zh) | 一种数据处理方法及装置 | |
CN113850669A (zh) | 用户分群方法、装置、计算机设备及计算机可读存储介质 | |
CN117196630A (zh) | 交易风险预测方法、装置、终端设备以及存储介质 | |
CN112819499A (zh) | 信息发送方法、装置、服务器及存储介质 | |
CN114997879B (zh) | 一种支付路由方法、装置、设备和存储介质 | |
CN110796450A (zh) | 可信关系处理方法以及装置 | |
CN117459914A (zh) | 话单合并方法、系统、电子设备和存储介质 | |
CN112637793B (zh) | 一种基于5g的场景化计费方法、系统、电子设备和存储介质 | |
CN113469406A (zh) | 结合多粒度窗口扫描和组合多分类的用户流失预测方法 | |
Xu et al. | Metro train operation plan analysis based on station travel time reliability | |
CN111523034A (zh) | 一种应用程序的处理方法、装置、设备及介质 | |
CN115130623B (zh) | 数据融合方法、装置、电子设备及存储介质 | |
CN112734352A (zh) | 一种基于数据维度的单据审核方法和装置 |
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 |