CN117493996A - 一种警情级联分类模型的构建方法 - Google Patents
一种警情级联分类模型的构建方法 Download PDFInfo
- Publication number
- CN117493996A CN117493996A CN202311538033.7A CN202311538033A CN117493996A CN 117493996 A CN117493996 A CN 117493996A CN 202311538033 A CN202311538033 A CN 202311538033A CN 117493996 A CN117493996 A CN 117493996A
- Authority
- CN
- China
- Prior art keywords
- model
- classification
- knowledge base
- cascade
- classification 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
- 238000013145 classification model Methods 0.000 title claims abstract description 40
- 238000010276 construction Methods 0.000 title claims abstract description 8
- 238000013136 deep learning model Methods 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 17
- 230000033228 biological regulation Effects 0.000 claims abstract description 8
- 238000007619 statistical method Methods 0.000 claims abstract description 6
- 238000000034 method Methods 0.000 claims description 47
- 238000012549 training Methods 0.000 claims description 23
- 238000012937 correction Methods 0.000 claims description 14
- 230000000694 effects Effects 0.000 claims description 13
- 230000006698 induction Effects 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 230000008094 contradictory effect Effects 0.000 claims description 5
- 238000012795 verification Methods 0.000 claims description 4
- 230000006399 behavior Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 238000002372 labelling Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000009960 carding Methods 0.000 description 2
- 230000008451 emotion Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2431—Multiple classes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种警情级联分类模型的构建方法,其特征在于,包括以下步骤:S1、整理涉及接警、出警相关业务工作的法律法规和规范标准并构建业务场景知识库;S2、通过对客户现场的历史数据进行统计分析并对数据特征进行归纳总结,形成了专门的经验知识库;S3、通过整理得到的业务场景知识库和经验知识库,构建级联分类模型;S4、将构建的级联分类模型分为粗分规则模型层、深度学习模型层和细分规则模型层;S5、将警情数据输入级联分类模型中,得到结果;S6、通过整理分析谬误规律和特征形成本地经验知识库,再融合本地经验知识库对结果进行了纠正优化。该警情级联分类模型能够识别多种警情类别,并能够对其进行快速分类处理。
Description
技术领域
本发明涉及警情内容文本分类技术领域,具体涉及一种警情级联分类模型的构建方法。
背景技术
警情种类繁多,单个警情甚至包含多种违法犯罪行为,很难通过人力实现准确识别具体行为描述。目前报警群众法律知识水平不高加之情绪影响,口头描述很难准确;法律法规、司法解释频繁更新,接处警人员业务水平不一,认知水平不同,对警情进行主观分类的过程难以做到准确、一致。工作人员互相之间标准不一也使得结果价值进一步降低,数据价值被隐藏,难以得到有效的利用。
为固定警情分类过程,使之标准化、流程化,充分挖掘警情数据的价值,我们面临诸多挑战;一是,警情种类纷繁复杂,同时样本分布极度不平衡,99%的警情种类数量占总警情数量的比例不到10%。这使得传统的利用单一深度模型进行分类方法无法有效实现需求。二是,警情样本书写不规范,文本中充斥着大量的人员属性、地址以及口语化信息的干扰。三是,约有20%的数据语义信息极少,难以被深度模型有效利用。四是,深度学习模型解释性很差,警情之间的联系和区别难以被利用,进而导致未来如有种类变动,几乎只能推倒重来。
因此,为了解决上述问题,本文提出一种警情级联分类模型的构建方法。
发明内容
本发明的目的在于设计能够识别多种警情类别,并能够对其进行快速处理的一种警情级联分类模型的构建方法。
为了达到上述技术效果,本发明是通过以下技术方案实现的:一种警情级联分类模型的构建方法,其特征在于,包括以下步骤:
S1、整理涉及接警、出警相关业务工作的法律法规和规范标准并构建业务场景知识库;
S2、通过对客户现场的历史数据进行统计分析并对数据特征进行归纳总结,形成了专门的经验知识库;
S3、通过整理得到的业务场景知识库和经验知识库,构建级联分类模型;
S4、将构建的级联分类模型分为粗分规则模型层、深度学习模型层和细分规则模型层;
S5、将警情数据输入级联分类模型中,通过设置在级联分类模型内部的Top K和置信度阈值来实现多标签分类,在对分类结果按照置信度排序的基础上,筛选置信度大于一定阈值的分类,并将矛盾的标签排除;
S6、将S5得到数据输入粗分规则模型层或深度学习模型层中,然后通过整理分析谬误规律和特征形成矫正知识库,再融合矫正知识库对数据进行了纠正优化;得到处理结果。
进一步的,S1中,接警、出警相关业务工作的法律法规和规范标准具体为接警、处警相关实体法、过程法,梳理客户现场接处警过程中常见警情类别下的场景知识。
进一步的,S2中,对客户现场的历史数据进行统计分析并对数据特征进行归纳总结具体为分析历史数据分类结果和现场客户数据规律特点并进行归纳总结。
进一步的,S4中,所述粗分规则模型层是基于通用知识库对信息含量少的警情直接分类模型层;
所述深度学习模型层是通过基于Transformer的中文预训练大模型ERNIE结合多尺度的深度模型结构对信息含量丰富的文本进行语义分析,形成多类别标签;
所述细分规则模型是基于细分专业领域知识对深度学习模型层的部分分类标签进行细化分类。
进一步的,所述基于Transformer的中文预训练大模型ERNIE结合多尺度的深度模型结构对信息含量丰富的文本进行语义分析,形成多类别标签;包括以下步骤:
S4.1、将人工标注的若干条,31个大类的数据通过ERNIE3.0进行文本嵌入,获得文本的向量表示,分为训练集和验证集;
S4.2、固定ERNIE3.0作为预训练文本嵌入模型,训练基于Attention机制的多尺度深度学习模型,用于捕获文本中对分类任务有价值的单词、双词以及三词,句子甚至文档书写物理空间位置信息等不同尺度范围的特征;
S4.3、在多次模型训练过程中,选取多次epoch中效果较好的模型参数,保存模型结构和参数。
进一步的,S6中,所述矫正知识库具体为对上述分类结果的效果进行分析,总结效果较差的场景其内容规律特征形成的知识库。
本发明的有益效果是:
本发明通过结合jieba以及PaddleNLP解语知识标注技术,结合语义进行分词,从而识别并删除实体及其属性;梳理冗余内容规则并用正则技术替换删除;将内容中语义信息较少的警情通过反复核验总结出的规则直接分类;使得后续能够进入级联分类模型的文本都是具备丰富语义且文本内容只包含必要的事件相关描述;然后结合通过学习了解的警情业务知识,根据警情种类之间的区别与联系以及警情事件涉及的不同行为和人员,系统的整理和归纳为了31种大类,共计281种类型的三级体系,使该警情级联分类模型能够识别上述多种警情事件;
本发明通过对输入警情进行排除无效干扰内容、纠正错别字、过滤停用词、剔除干扰分类的否定描述、增加容错如内容为空、返回无效警情等预处理,排除与分类无关甚至干扰分类结果的内容,减少处理干扰,加快处理进度;
本发明通过设置矫正知识库,可以实现对几类容易混淆和描述过于复杂难以通过模型精确区分的类型结合梳理而得的知识库进行更专门的甄别;最终实现对分类结果的纠正和补全。
本发明通过设置Top K和置信度阈值来实现多标签分类,在对分类结果按照置信度排序的基础上,筛选置信度大于一定阈值的分类,并将矛盾的标签排除,实现减小人工标注麻烦,加快处理速度。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述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是本发明一种警情级联分类模型的构建方法流程图;
图2是本发明多尺度的深度模型结构对信息含量丰富的文本进行语义分析流程图;
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它实施例,都属于本发明保护的范围。
实施例1
参阅图1和图2所示;一种警情级联分类模型的构建方法,其特征在于,包括以下步骤:
S1、整理涉及接警、出警相关业务工作的法律法规和规范标准并构建业务场景知识库;S2、通过对客户现场的历史数据进行统计分析并对数据特征进行归纳总结,形成了专门的经验知识库;S3、通过整理得到的业务场景知识库和经验知识库,构建级联分类模型;S4、将构建的级联分类模型分为粗分规则模型层、深度学习模型层和细分规则模型层;S5、将警情数据输入级联分类模型中,通过设置在级联分类模型内部的Top K和置信度阈值来实现多标签分类,在对分类结果按照置信度排序的基础上,筛选置信度大于一定阈值的分类,并将矛盾的标签排除;S6、将S5得到数据输入粗分规则模型层或深度学习模型层中,然后通过整理分析谬误规律和特征形成矫正知识库,再融合矫正知识库对数据进行了纠正优化;得到处理结果。
S1中,接警、出警相关业务工作的法律法规和规范标准具体为接警、处警相关实体法、过程法,梳理客户现场接处警过程中常见警情类别下的场景知识。
S2中,对客户现场的历史数据进行统计分析并对数据特征进行归纳总结具体为分析历史数据分类结果和现场客户数据规律特点并进行归纳总结。
S4中,所述粗分规则模型层是基于通用知识库对信息含量少的警情直接分类模型层;所述深度学习模型层是通过基于Transformer的中文预训练大模型ERNIE结合多尺度的深度模型结构对信息含量丰富的文本进行语义分析,形成多类别标签;所述细分规则模型是基于细分专业领域知识对深度学习模型层的部分分类标签进行细化分类。
所述基于Transformer的中文预训练大模型ERNIE结合多尺度的深度模型结构对信息含量丰富的文本进行语义分析,形成多类别标签;包括以下步骤:
S4.1、将人工标注的若干条,31个大类的数据通过ERNIE3.0进行文本嵌入,获得文本的向量表示,分为训练集和验证集;
S4.2、固定ERNIE3.0作为预训练文本嵌入模型,训练基于Attention机制的多尺度深度学习模型,用于捕获文本中对分类任务有价值的单词、双词以及三词,句子甚至文档书写物理空间位置信息等不同尺度范围的特征;
S4.3、在多次模型训练过程中,选取多次epoch中效果较好的模型参数,保存模型结构和参数。
S6中,所述矫正知识库具体为对上述分类结果的效果进行分析,总结效果较差的场景其内容规律特征形成的知识库。
实施例2
对本技术方案中所述整理分析谬误规律和特征形成矫正知识库,再融合矫正知识库对数据进行了纠正优化进行详解;具体如下:
会对待分类文本再次进行知识库融合,不是直接对结果纠正,例如“殴打他人”被分类为“夫妻家庭暴力”是占比较高的谬误:A殴打B,随后B的丈夫赶到现场。这个例子就是殴打他人而不是夫妻家庭暴力,我们会总结这种谬误的规则,形成本地经验知识库,对占比较高的谬误类型组合进行专门的纠正。
实施例3
本实施例对构建本技术方案所述警情级联分类模型做具体描述,并对各步骤做详细解释,如下:
将人工标注的1万余条,31个大类的数据通过ERNIE3.0进行文本嵌入,获得文本的向量表示,分为训练集和验证集。固定ERNIE3.0作为预训练文本嵌入模型,训练基于Attention机制的多尺度深度学习模型,用于捕获文本中对分类任务有价值的单词、双词以及三词,句子甚至文档书写物理空间位置信息等不同尺度范围的特征。在多次模型训练过程中,选取多次epoch中效果较好的模型参数,保存模型结构和参数。在此基础上,我们对深度模型结果采用设置Top K和置信度阈值来实现多标签分类。在对分类结果按照置信度排序的基础上,筛选置信度大于一定阈值的分类,使得矛盾的标签得以排除。对于纠纷警情可能同时包含了“殴打他人”以及“损害公私财物”等类别共存的警情多义场景,我们的级联分类方法仅需单标签的训练数据,通过对可能性较高的类别进行规则细分,即可实现有效分类。
结合接警、处警相关实体法、过程法等业务知识,梳理客户现场接处警过程中常见警情类别下的场景知识,形成业务场景知识库;分析分类结果和现场客户数据规律特点,梳理形成经验知识库。融合知识库提升了模型的可解释性,警情文本中命中的知识库规则和关键字即可用作解释具体分类。甚至更进一步,当未来警情类别发生变动时,就能通过增改知识库灵活应对。例如:新增情感纠纷类涵盖了夫妻、情侣之间的纠纷,那么只需梳理出夫妻、情侣之间产生的警情涉及的种类,并在对应种类的细分规则模型中添加规则即可识别这一新警情类别。
实施例4
本实施例对多尺度的深度模型的具体分类方式做进一步叙述,如下:
结合jieba以及PaddleNLP解语知识标注技术,结合语义进行分词,从而识别并删除实体及其属性。梳理冗余内容规则并用正则技术替换删除。将内容中语义信息较少的警情通过反复核验总结出的规则直接分类。使得后续能够进入级联分类模型的文本都是具备丰富语义且文本内容只包含必要的事件相关描述。
通过学习了解警情业务知识,根据警情种类之间的区别与联系以及警情事件涉及的不同行为和人员,系统的整理和归纳为了31种大类,共计281种类型的三级体系,例如表1所示。从而为级联分类提供依据。对占比高,层级复杂的种类进行更为细致的分类处理。
表1
实施例5
本实施例对本发明所述的级联分类模型的具体警情处理流程做叙述;步骤如下:
步骤一、统一预处理,排除无效干扰内容。纠正错别字,过滤停用词,剔除干扰分类的否定描述(如“没有打人”等),增加容错如内容为空,返回无效警情等。
步骤二、将内容过于简介,有效语义信息少的这部分数据综合考虑警情数据的分布特点判别筛选出来,此种情况下文本中除了必要的时间地点人物等要素记载之外没有其余内容。区别于一般警情内容,在完成融合知识库的先行分类之后直接返回结果,从而在有效分类的同时提升分类效率。
步骤三、使用深度模型进行31种大类的分类。得到待分类文本类型的置信度。采用TOP K个结果,并设置阈值,将置信度小于该阈值的分类结果排除。
步骤四、针对大类分类结果,融合知识库进行子类细分。
示例如下:首先,对诈骗大类进行知识库融合前的预处理工作(表2所示),然后在融合各细类所需预处理之前对文本进行细类预处理(表3所示)。最后在经过相应预处理之后,有效融合具体知识库(如表4所示)对具体子类进行规则细分。注意该过程为每个细类有序交替进行,一旦破坏判断顺序,知识库也将不再适用。
项目 | 内容 |
干扰描述 | 未有损失,怕被骗,以为被骗,担心自己被骗,担心被骗 |
必须含有 | 贷款,不对劲,号被找回,号被盗,QQ被盗,qq被盗,名义,联系不上, |
不能含有 | 不是诈骗,没有诈骗,不存在诈骗,没有被诈骗,未发现有诈骗,未被诈骗 |
表2诈骗大类预处理
表3子类预处理
具体类型 | 含有以下描述 |
假货诈骗 | 假货 |
信用卡诈骗 | 办信用卡,额度,提额,逾期,信用卡 |
电话诈骗 | 来电,电话,陌生好嘛,接到 |
短信诈骗 | 收到,短信 |
网络诈骗 | 小程序,支付宝,购物,上网,网上 |
接触式诈骗 | 结账,换零钱,调包,换钱,借用 |
表4子类知识库
步骤五、对上述分类结果的效果进行分析,总结效果较差的场景其内容规律特征形成用于结果矫正的知识库。对几类容易混淆和描述过于复杂难以通过模型精确区分的类型结合梳理而得的知识库进行更专门的甄别。最终实现对分类结果的纠正和补全。
通过上述步骤,该结合深度学习模型和知识库的警情级联分类模型能够识别281种警情类别,准确率达到90%以上。
Claims (6)
1.一种警情级联分类模型的构建方法,其特征在于,包括以下步骤:
S1、整理涉及接警、出警相关业务工作的法律法规和规范标准并构建业务场景知识库;
S2、通过对客户现场的历史数据进行统计分析并对数据特征进行归纳总结,形成了专门的经验知识库;
S3、通过整理得到的业务场景知识库和经验知识库,构建级联分类模型;
S4、将构建的级联分类模型分为粗分规则模型层、深度学习模型层和细分规则模型层;
S5、将警情数据输入级联分类模型中,通过设置在级联分类模型内部的Top K和置信度阈值来实现多标签分类,在对分类结果按照置信度排序的基础上,筛选置信度大于一定阈值的分类,并将矛盾的标签排除;
S6、将S5得到数据输入粗分规则模型层或深度学习模型层中,然后通过整理分析谬误规律和特征形成矫正知识库,再融合矫正知识库对数据进行了纠正优化;得到处理结果。
2.根据权利要求1所述的一种警情级联分类模型的构建方法,其特征在于:S1中,接警、出警相关业务工作的法律法规和规范标准具体为接警、处警相关实体法、过程法,梳理客户现场接处警过程中常见警情类别下的场景知识。
3.根据权利要求1所述的一种警情级联分类模型的构建方法,其特征在于:S2中,对客户现场的历史数据进行统计分析并对数据特征进行归纳总结具体为分析历史数据分类结果和现场客户数据规律特点并进行归纳总结。
4.根据权利要求1所述的一种警情级联分类模型的构建方法,其特征在于:S4中,所述粗分规则模型层是基于通用知识库对信息含量少的警情直接分类模型层;
所述深度学习模型层是通过基于Transformer的中文预训练大模型ERNIE结合多尺度的深度模型结构对信息含量丰富的文本进行语义分析,形成多类别标签;
所述细分规则模型是基于细分专业领域知识对深度学习模型层的部分分类标签进行细化分类。
5.根据权利要求4所述的一种警情级联分类模型的构建方法,其特征在于:所述基于Transformer的中文预训练大模型ERNIE结合多尺度的深度模型结构对信息含量丰富的文本进行语义分析,形成多类别标签;包括以下步骤:
S4.1、将人工标注的若干条,31个大类的数据通过ERNIE3.0进行文本嵌入,获得文本的向量表示,分为训练集和验证集;
S4.2、固定ERNIE3.0作为预训练文本嵌入模型,训练基于Attention机制的多尺度深度学习模型,用于捕获文本中对分类任务有价值的单词、双词以及三词,句子甚至文档书写物理空间位置信息等不同尺度范围的特征;
S4.3、在多次模型训练过程中,选取多次epoch中效果较好的模型参数,保存模型结构和参数。
6.根据权利要求1所述的一种警情级联分类模型的构建方法,其特征在于:S6中,所述矫正知识库具体为对上述分类结果的效果进行分析,总结效果较差的场景其内容规律特征形成的知识库。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311538033.7A CN117493996A (zh) | 2023-11-17 | 2023-11-17 | 一种警情级联分类模型的构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311538033.7A CN117493996A (zh) | 2023-11-17 | 2023-11-17 | 一种警情级联分类模型的构建方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117493996A true CN117493996A (zh) | 2024-02-02 |
Family
ID=89674268
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311538033.7A Pending CN117493996A (zh) | 2023-11-17 | 2023-11-17 | 一种警情级联分类模型的构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117493996A (zh) |
-
2023
- 2023-11-17 CN CN202311538033.7A patent/CN117493996A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109816397B (zh) | 一种欺诈判别方法、装置及存储介质 | |
WO2019218699A1 (zh) | 欺诈交易判断方法、装置、计算机设备和存储介质 | |
US8190621B2 (en) | Method, system, and computer readable recording medium for filtering obscene contents | |
CN102591854B (zh) | 针对文本特征的广告过滤系统及其过滤方法 | |
US8108413B2 (en) | Method and apparatus for automatically discovering features in free form heterogeneous data | |
EP1191463A2 (en) | A method for adapting a k-means text clustering to emerging data | |
Schreyer et al. | Adversarial learning of deepfakes in accounting | |
US11609959B2 (en) | System and methods for generating an enhanced output of relevant content to facilitate content analysis | |
CN115238688B (zh) | 电子信息数据关联关系分析方法、装置、设备和存储介质 | |
US20220050838A1 (en) | System and method for processing data for electronic searching | |
JP2022548501A (ja) | 暗号通貨取引を分析するためのデータ取得方法及び装置 | |
CN111782793A (zh) | 智能客服处理方法和系统及设备 | |
CN111680506A (zh) | 数据库表的外键映射方法、装置、电子设备和存储介质 | |
CN113010637A (zh) | 一种文本审核方法及装置 | |
US20160085824A1 (en) | Real-time and adaptive data mining | |
Soni et al. | Reducing risk in KYC (know your customer) for large Indian banks using big data analytics | |
CN111861733B (zh) | 基于地址模糊匹配的欺诈防控系统及方法 | |
CN110972086A (zh) | 短信息处理方法、装置、电子设备及计算机可读存储介质 | |
US20160085805A1 (en) | Real-time and adaptive data mining | |
US20160085826A1 (en) | Real-time and adaptive data mining | |
CN112699949B (zh) | 一种基于社交平台数据的潜在用户识别方法及装置 | |
CN117493996A (zh) | 一种警情级联分类模型的构建方法 | |
CN114741501A (zh) | 舆情预警方法、装置、可读存储介质及电子设备 | |
CN114547406A (zh) | 数据监控方法、系统、存储介质及电子装置 | |
CN114090850A (zh) | 日志分类方法、电子设备及计算机可读存储介质 |
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 |