CN117634885A - 数据检测方法、装置、设备及存储介质 - Google Patents
数据检测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117634885A CN117634885A CN202311633219.0A CN202311633219A CN117634885A CN 117634885 A CN117634885 A CN 117634885A CN 202311633219 A CN202311633219 A CN 202311633219A CN 117634885 A CN117634885 A CN 117634885A
- Authority
- CN
- China
- Prior art keywords
- data
- detected
- detection
- dimensional
- detection 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
- 238000001514 detection method Methods 0.000 title claims abstract description 262
- 238000003860 storage Methods 0.000 title claims abstract description 26
- 238000000034 method Methods 0.000 claims abstract description 32
- 238000006243 chemical reaction Methods 0.000 claims abstract description 26
- 238000012216 screening Methods 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims abstract description 17
- 238000004590 computer program Methods 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 230000004927 fusion Effects 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 12
- 238000007405 data analysis Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 10
- 230000015654 memory Effects 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000003442 weekly effect Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013475 authorization Methods 0.000 description 1
- 230000009193 crawling Effects 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
- G06Q10/103—Workflow collaboration or project management
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开提供了一种数据检测方法、装置、设备及存储介质,可以应用于大数据和金融科技技术领域。该方法包括:基于与第一待检测数据对应的特征数据和变量数据之间的关联度,对第一待检测数据集中的第一待检测数据进行筛选,得到第二待检测数据集;基于第二待检测数据集,以及与第二待检测数据集中的第二待检测数据对应的变量数据之间的相关系数,从第二待检测数据集中确定第三待检测数据集;将第三待检测数据集中的第三待检测数据输入至目标检测模型中,利用目标检测模型中的转换层对第三待检测数据进行转换,得到二维待检测数据;以及利用目标检测模型中的卷积层处理二维待检测数据,输出第三待检测数据的检测结果。
Description
技术领域
本公开涉及大数据和金融科技技术领域,尤其涉及一种数据检测方法、装置、设备、存储介质和程序产品。
背景技术
在投资活动中,目标项目的风险评估成为重要的投资决策环节,投资项目风险预测一般是通过人工市场调查或者对大批量数据进行计算分析,来评估投资项目的可靠性。
在实现本公开构思的过程中,发明人发现相关技术中针对投资项目风险预测过程中存在如下缺陷:针对投资项目风险预测的准确性较差;风险预测的效率较为低下,导致系统资源消耗较大,难以满足实际业务的需求。
发明内容
鉴于上述问题,本公开提供了数据检测方法、装置、设备、存储介质和程序产品。
根据本公开的第一个方面,提供了一种数据检测方法,包括:基于与第一待检测数据对应的特征数据和变量数据之间的关联度,对第一待检测数据集中的上述第一待检测数据进行筛选,得到第二待检测数据集;
基于上述第二待检测数据集,以及与上述第二待检测数据集中的第二待检测数据对应的变量数据之间的相关系数,从上述第二待检测数据集中确定第三待检测数据集,其中,上述第三待检测数据为一维时序数据,上述相关系数表征上述第二待检测数据与上述变量数据之间的关联度;
将上述第三待检测数据集中的第三待检测数据输入至目标检测模型中,利用上述目标检测模型中的转换层对上述第三待检测数据进行转换,得到二维待检测数据;以及
利用上述目标检测模型中的卷积层处理上述二维待检测数据,输出上述第三待检测数据的检测结果。
根据本公开的实施例,上述目标检测模型还包括输出层;
其中,上述利用上述目标检测模型中的卷积层处理上述二维待检测数据,输出上述第三待检测数据的检测结果,包括:
将上述二维待检测数据输入至上述目标检测模型的卷积层,输出检测后的二维检测数据,上述检测后的二维检测数据包括检测周期的频率数据和幅度数据;以及
将上述检测后的二维检测数据输入至上述目标检测模型的输出层,输出上述第三待检测数据的检测结果,上述检测结果为与上述检测周期的频率数据和幅度数据对应的融合数据。
根据本公开的实施例,上述检测周期包括日检测周期和年检测周期;
其中,上述将上述检测后的二维检测数据输入至上述目标检测模型的输出层,输出上述第三待检测数据的检测结果,包括:
基于预设转换规则,将上述检测后的二维检测数据输入至上述目标检测模型的输出层,输出与上述日检测周期和与上述年检测周期对应的检测结果。
根据本公开的实施例,上述基于与第一待检测数据对应的特征数据和变量数据之间的关联度,对第一待检测数据集中的上述第一待检测数据进行筛选,得到第二待检测数据集,包括:
根据预设关联规则,确定与上述第一待检测数据对应的特征数据和变量数据之间的关联结果;
将上述关联结果与预设关联阈值进行比对,得到上述特征数据与上述变量数据之间的关联度;以及
根据上述特征数据与上述变量数据之间的关联度,对上述第一待检测数据集中的第一待检测数据进行筛选,得到上述第二待检测数据集。
根据本公开的实施例,上述变量数据包括用户数据、规模数据、产品数据及其他关联数据;
其中,上述基于上述第二待检测数据集,以及与上述第二待检测数据集中的第二待检测数据对应的变量数据之间的相关系数,从上述第二待检测数据集中确定第三待检测数据集,包括:
获取与上述第二待检测数据对应的用户数据、规模数据、产品数据及其他关联数据;
基于预设计算规则,确定上述第二待检测数据集,以及与上述第二待检测数据对应的的用户数据、规模数据、产品数据及其他关联数据之间的相关系数;
将上述相关系数与预设系数阈值进行比对,生成上述相关系数与上述预设系数阈值之间的比对结果;以及
根据上述比对结果,从上述第二待检测数据集中确定第三待检测数据集。
根据本公开的实施例,上述目标检测模型通过如下方式训练得到:
利用样本目标待检测数据和与上述样本目标待检测数据对应的标签对初始检测模型进行训练;以及
在确定上述初始检测模型检测准确率大于或者等于预设检测阈值的情况下,得到上述目标检测模型。
根据本公开的实施例,上述初始检测模型的参数值选择规则包括:
选取上述初始检测模型的初始参数值;以及
基于预设更新规则对上述初始参数值进行更新,得到上述初始检测模型的参数值。
本公开的第二方面提供了一种数据检测装置,包括:
第一待检测数据筛选模块,用于基于与第一待检测数据对应的特征数据和变量数据之间的关联度,对第一待检测数据集中的上述第一待检测数据进行筛选,得到第二待检测数据集;
第三待检测数据集确定模块,用于基于上述第二待检测数据集,以及与上述第二待检测数据集中的第二待检测数据对应的变量数据之间的相关系数,从上述第二待检测数据集中确定第三待检测数据集,其中,上述第三待检测数据为一维时序数据,上述相关系数表征上述第二待检测数据与上述变量数据之间的关联度;
第三待检测数据转换模块,用于将上述第三待检测数据集中的第三待检测数据输入至目标检测模型中,利用上述目标检测模型中的转换层对上述第三待检测数据进行转换,得到二维待检测数据;以及
检测结果输出模块,用于利用上述目标检测模型中的卷积层处理上述二维待检测数据,输出上述第三待检测数据的检测结果。
本公开的第三方面提供了一种电子设备,包括:一个或多个处理器;存储器,用于存储一个或多个程序,其中,当上述一个或多个程序被上述一个或多个处理器执行时,使得一个或多个处理器执行上述方法。
本公开的第四方面还提供了一种计算机可读存储介质,其上存储有可执行指令,该指令被处理器执行时使处理器执行上述方法。
本公开的第五方面还提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述方法。
根据本公开提供的数据检测方法、装置、设备、存储介质和程序产品,通过基于与第一待检测数据对应的特征数据和变量数据之间的关联度,对第一待检测数据集中的第一待检测数据进行筛选,得到第二待检测数据集,可以基于第二待检测数据集,以及与第二待检测数据集对应的变量数据之间的相关系数,从第二待检测数据集中筛选得到第三待检测数据集,从而减少了第三待检测数据的数据量,,节省了运算资源,同时提高了第三待检测数据的数据精度,可以将第三待检测数据集中的第三待检测数据输入至目标检测模型中,由于可以利用目标检测模型中的转换层将第三待检测数据由一维时序数据转换为二维待检测数据并进行检测,进而可以得到第三待检测数据的检测结果,在满足一维目标待检测数据处理的基础上,进一步提高了模型的预测效率和预测精度。
附图说明
通过以下参照附图对本公开实施例的描述,本公开的上述内容以及其他目的、特征和优点将更为清楚,在附图中:
图1示意性示出了根据本公开实施例的数据检测方法、装置、设备和存储介质的应用场景图;
图2示意性示出了根据本公开实施例的数据检测方法的流程图;
图3示意性示出了根据本公开实施例的目标检测模型将一维时间序列转换为二维待检测数据的示意图;
图4意性示出了根据本公开实施例的数据检测装置的结构框图;以及
图5意性示出了根据本公开实施例的适于实现数据检测方法的电子设备的方框图。
具体实施方式
以下,将参照附图来描述本公开的实施例。但是应该理解,这些描述只是示例性的,而并非要限制本公开的范围。在下面的详细描述中,为便于解释,阐述了许多具体的细节以提供对本公开实施例的全面理解。然而,明显地,一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本公开的概念。
在此使用的术语仅仅是为了描述具体实施例,而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在,但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义,除非另外定义。应注意,这里使用的术语应解释为具有与本说明书的上下文相一致的含义,而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下,一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如,“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。
在本公开的技术方案中,所涉及的用户信息(包括但不限于用户个人信息、用户图像信息、用户设备信息,例如位置信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据,并且相关数据的收集、存储、使用、加工、传输、提供、公开和应用等处理,均遵守相关国家和地区的相关法律法规和标准,采取了必要保密措施,不违背公序良俗,并提供有相应的操作入口,供用户选择授权或者拒绝。
发明人发现,在相关技术中,针对创业投资项目风险预测的准确性较差;风险预测的效率较为低下,难以满足实际业务的需求。鉴于此,本公开通过基于与第一待检测数据对应的特征数据和变量数据之间的关联度,对第一待检测数据集中的第一待检测数据进行筛选,得到第二待检测数据集,可以基于第二待检测数据集,以及与第二待检测数据集对应的变量数据之间的相关系数,从第二待检测数据集中筛选得到第三待检测数据集,从而减少了第三待检测数据的数据量,,节省了运算资源,同时提高了第三待检测数据的数据精度,可以将第三待检测数据集中的第三待检测数据输入至目标检测模型中,由于可以利用目标检测模型中的转换层将第三待检测数据由一维时序数据转换为二维待检测数据并进行检测,进而可以得到第三待检测数据的检测结果,在满足一维目标待检测数据处理的基础上,进一步提高了模型的预测效率和预测精度。
本公开的实施例提供了一种数据检测方法、装置、设备和存储介质。该方法包括:基于与第一待检测数据对应的特征数据和变量数据之间的关联度,对第一待检测数据集中的第一待检测数据进行筛选,得到第二待检测数据集;基于第二待检测数据集,以及与第二待检测数据集中的第二待检测数据对应的变量数据之间的相关系数,从第二待检测数据集中确定第三待检测数据集;将第三待检测数据集中的第三待检测数据输入至目标检测模型中,利用目标检测模型中的转换层对第三待检测数据进行转换,得到二维待检测数据;以及利用目标检测模型中的卷积层处理二维待检测数据,输出第三待检测数据的检测结果。
图1示意性示出了根据本公开实施例的数据检测方法、装置、设备和存储介质的应用场景图。
如图1所示,根据该实施例的应用场景100可以包括第一终端设备101、第二终端设备102、第三终端设备103、网络104和服务器105。网络104用以在第一终端设备101、第二终端设备102、第三终端设备103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用第一终端设备101、第二终端设备102、第三终端设备103中的至少一个通过网络104与服务器105交互,以接收或发送消息等。第一终端设备101、第二终端设备102、第三终端设备103上可以安装有各种通讯客户端应用,例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。
第一终端设备101、第二终端设备102、第三终端设备103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对用户利用第一终端设备101、第二终端设备102、第三终端设备103所浏览的网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理,并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。
需要说明的是,本公开实施例所提供的数据检测方法一般可以由服务器105执行。相应地,本公开实施例所提供的数据检测装置一般可以设置于服务器105中。本公开实施例所提供的数据检测方法也可以由不同于服务器105且能够与第一终端设备101、第二终端设备102、第三终端设备103和/或服务器105通信的服务器或服务器集群执行。相应地,本公开实施例所提供的数据检测装置也可以设置于不同于服务器105且能够与第一终端设备101、第二终端设备102、第三终端设备103和/或服务器105通信的服务器或服务器集群中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
图2示意性示出了根据本公开实施例的数据检测方法的流程图。
如图2所示,该实施例的数据检测方法包括操作S210~操作S240。
在操作S210,基于与第一待检测数据对应的特征数据和变量数据之间的关联度,对第一待检测数据集中的第一待检测数据进行筛选,得到第二待检测数据集。
根据本公开的实施例,第一待检测数据可以是创业投资项目的基础数据,包括创业项目的市场子数据、竞争子数据和行业子数据。第一待检测数据对应的特征数据可以是创业投资项目自身的特征数据,例如,创业投资项目为生产摄像设备,摄像设备的销售数据、价格数据、各价位购买比例数据等为创业投资项目自身的特征数据。与第一待检测数据对应的变量数据可以是创业投资项目基础数据中具有变化性的数据,包括目标客户消费数据、规模数据、产品数据和其他关联数据。通过计算特征数据和变量数据之间的关联度,可以从第一待检测数据集中筛选得到第二待检测数据集。
在操作S220,基于第二待检测数据集,以及与第二待检测数据集中的第二待检测数据对应的变量数据之间的相关系数,从第二待检测数据集中确定第三待检测数据集,其中,第三待检测数据为一维时序数据,相关系数表征第二待检测数据与变量数据之间的关联度。
根据本公开的实施例,第二待检测数据对应的变量数据对应的变量数据可以是进行筛选后具有变化性的数据,包括目标客户消费数据、规模数据、产品数据和其他关联数据。通过计算第二待检测数据与第二待检测数据对应的变量数据之间的相关系数,可以得到第二待检测数据与变量数据之间的关联度,即第三待检测数据。
在操作S230,将第三待检测数据集中的第三待检测数据输入至目标检测模型中,利用目标检测模型中的转换层对第三待检测数据进行转换,得到二维待检测数据。
根据本公开的实施例,第三待检测数据为一维时序数据,现有技术中相关检测模型大多难以满足一维数据的检测。具体到本公开中,为了满足一维数据的检测,采用的目标检测模型可以包括转换层、卷积层和输出层。利用目标检测模型的转换层,将一维时间序列数据,基于多个周期(例如日周期和年周期),进行折叠,通过预设转换算法(例如快速傅里叶变换算法)能够快速识别第三待检测数据中的周期(例如日周期和年周期),提取二维时序变化特征数据(二维待检测数据),即将第三待检测数据由一维时序数据转换为二维待检测数据。
在操作S240,利用目标检测模型中的卷积层处理二维待检测数据,输出第三待检测数据的检测结果。
根据本公开的实施例,利用目标检测模型中的卷积层对二维待检测数据进行处理,二维待检测数据可以通过二维张量(矩阵)的列和行来进行表示,可以分别表示周期内与周期间的时序变化,得到第三待检测数据的检测结果。
根据本公开的实施例,通过基于与第一待检测数据对应的特征数据和变量数据之间的关联度,对第一待检测数据集中的第一待检测数据进行筛选,得到第二待检测数据集,可以基于第二待检测数据集,以及与第二待检测数据集对应的变量数据之间的相关系数,从第二待检测数据集中筛选得到第三待检测数据集,从而减少了第三待检测数据的数据量,节省了运算资源,同时提高了第三待检测数据的数据精度,可以将第三待检测数据集中的第三待检测数据输入至目标检测模型中,由于可以利用目标检测模型中的转换层将第三待检测数据由一维时序数据转换为二维待检测数据并进行检测,进而可以得到第三待检测数据的检测结果,在满足一维目标待检测数据处理的基础上,进一步提高了模型的预测效率和预测精度。
根据本公开的实施例,目标检测模型还包括输出层;其中,利用目标检测模型中的卷积层处理二维待检测数据,输出第三待检测数据的检测结果,包括:将二维待检测数据输入至目标检测模型的卷积层,输出检测后的二维检测数据,检测后的二维检测数据包括检测周期的频率数据和幅度数据;以及将检测后的二维检测数据输入至目标检测模型的输出层,输出第三待检测数据的检测结果,检测结果为与检测周期的频率数据和幅度数据对应的融合数据。
根据本公开的实施例,二维检测数据可以根据检测周期,得到检测周期对应的频率数据,例如,根据检测日周期和检测年周期,分别得到日周期对应的频率数据和年周期对应的频率数据;同时,二维检测数据还可以根据检测周期,得到检测周期对应的幅度数据,例如,根据检测日周期和检测年周期,分别得到日周期对应的幅度数据和年周期对应的幅度数据。目标检测模型可以根据检测周期构建二维向量,并通过对二维向量进行分析,可以得到周期内随着时间序列变化的结果。目标检测模型输出层可以满足将二维检测数据进行周期融合,将二维检测数据表征为一维检测结果。
根据本公开的实施例,通过利用目标检测模型的卷积层对二维待检测数据进行处理,得到检测后的二维检测数据(不同检测周期的频率数据和幅度数据),并通过输出层将二维检测数据输出得到一维检测结果,满足了数据检测的同时,提高了数据的检测效率和检测结果的可视化。
根据本公开的实施例,检测周期包括日检测周期和年检测周期;其中,将检测后的二维检测数据输入至目标检测模型的输出层,输出第三待检测数据的检测结果,包括:基于预设转换规则,将检测后的二维检测数据输入至目标检测模型的输出层,输出与日检测周期和与年检测周期对应的检测结果。
根据本公开的实施例,预设转换规则可以是目标检测模型中的输出层利用转换算法将检测后的二维检测数据进行周期融合,转化为一维检测结果,一维检测结果的表现方式可以是表格和图片。
根据本公开的实施例,基于与第一待检测数据对应的特征数据和变量数据之间的关联度,对第一待检测数据集中的第一待检测数据进行筛选,得到第二待检测数据集,包括:根据预设关联规则,确定与第一待检测数据对应的特征数据和变量数据之间的关联结果;将关联结果与预设关联阈值进行比对,得到特征数据与变量数据之间的关联度;以及根据特征数据与变量数据之间的关联度,对第一待检测数据集中的第一待检测数据进行筛选,得到第二待检测数据集。
根据本公开的实施例,预设关联规则可以是利用关联算法,例如互信息,计算第一待检测数据对应的特征数据和变量数据之间的关联结果。预设关联阈值可以是提前设定的比对阈值,例如,预设关联阈值为0.6,应该说明的是,预设关联阈值可以根据实际情况进行确定,具体在此不进行限定。通过将计算得到的关联结果与预设关联阈值进行比对,得到比对结果,即特征数据与变量数据之间的关联度,并可以根据关联度对第一待检测数据进行筛选,筛选得到满足关联度要求的数据,即第二待检测数据。
根据本公开的实施例,变量数据包括用户数据、规模数据、产品数据及其他关联数据;其中,基于第二待检测数据集,以及与第二待检测数据集中的第二待检测数据对应的变量数据之间的相关系数,从第二待检测数据集中确定第三待检测数据集,包括:获取与第二待检测数据对应的用户数据、规模数据、产品数据及其他关联数据;基于预设计算规则,确定第二待检测数据集,以及与第二待检测数据对应的的用户数据、规模数据、产品数据及其他关联数据之间的相关系数;将相关系数与预设系数阈值进行比对,生成相关系数与预设系数阈值之间的比对结果;以及根据比对结果,从第二待检测数据集中确定第三待检测数据集。
根据本公开的实施例,与第二待检测数据对应的用户数据可以是投资创业项目对应的目标产品的历史消费数据;与第二待检测数据对应的规模数据可以是与投资创业项目相对应的行业中,现有企业的规模数据;与第二待检测数据对应的产品数据可以包括与投资创业项目相对应的现有的企业知名度数据和客户忠诚度数据,其他关联数据可以包括销售渠道数据和政策方面的数据等。相关系数是用来研究变量之间线性相关程度的量,具体到本公开中,可以用来计算第二待检测数据与用户数据、规模数据、产品数据及其他关联数据之间的关联度(相关系数),相关系数的计算可以通过相关算法,例如,斯皮尔曼系数、皮尔逊相关系数等来进行计算,并通过将计算得到的相关系数与预设系数阈值进行比对,生成比对结果,并可以根据比对结果,从第二待检测数据集中筛选出满足关联度要求的数据,进而得到第三待检测数据集。
根据本公开的实施例,目标检测模型通过如下方式训练得到:利用样本目标待检测数据和与样本目标待检测数据对应的标签对初始检测模型进行训练;以及在确定初始检测模型检测准确率大于或者等于预设检测阈值的情况下,得到目标检测模型。
根据本公开的实施例,初始检测模型可以是满足时间序列数据检测的模型,例如,TimesNet,样本可以是通过爬取公司体系内的历史创业投资项目的数据和体系外其他公共数据平台的数据,并进行数据提取和处理后的样本目标待检测数据,包括样本市场子数据、样本竞争子数据和样本行业子数据等。样本目标待检测数据可以对应有样本标签,例如,样本目标待检测数据为生产摄像设备项目的数据,对应的标签可以是“生产摄像设备”。通过利用样本目标待检测数据和与对应的标签来训练初始检测模型,在训练后的初始检测模型地检测准确率满足预设检测阈值(例如95%)的情况下,得到目标检测模型。
根据本公开的实施例,初始检测模型的参数值选择规则包括:选取初始检测模型的初始参数值;以及基于预设更新规则对初始参数值进行更新,得到初始检测模型的参数值。
根据本公开的实施例,可以利用优化算法(例如随机梯度下降算法),对初始检测模型的参数进行优化,可以随机选择一个样本目标待检测数据或一小批样本(例如,小于256个样本)目标待检测数据来计算模型损失函数的梯度。对于单个样本目标待检测数据,使用符号表示梯度,对于小批量样本目标待检测数据,使用符号/>表示梯度;然后可以通过学习率(learning rate)η来调整梯度的步长,即更新参数,可以在梯度方向上减去学习率乘以梯度,以降低损失函数;重复上述步骤,直到达到指定的停止条件(如达到最大迭代次数或损失函数收敛)。单个样本更新的随机梯度下降的计算方法,具体操作如公式(1)所示:
其中,η为步长,θ为模型的初始参数,为初始参数θ的梯度。
小批量样本目标待检测数据更新的随机梯度下降的计算方法,具体操作如公式(2)所示:
其中,θ_{t}是第(t)次迭代后的参数向量,α是学习率,是损失函数J{θ}对参数θ的梯度。
根据本公开的实施例,通过在更新初始检测模型的参数时,可以通过使用一部分样本(例如,小于256个样本)来更新参数,这样既可以保证训练过程更稳定,又可以利用批量训练方法中的矩阵计算的优势。
图3示意性示出了根据本公开实施例的目标检测模型将一维时间序列转换为二维待检测数据的示意图。
如图3所示,可以将第三待检测数据划分为不同检测周期(每周、每月、每年)的待检测子数据,包括:每周待检测子数据311、每月待检测子数据321、每年待检测子数据331,将不同检测周期的待检测子数据输入至目标检测模型中,利用目标检测模型中的转换层对第三待检测数据(包括每周待检测子数据311、每月待检测子数据321和每年待检测子数据331)进行转换,得到对应于不同检测周期的二维待检测数据,包括:对应于每周待检测子数据311转换为每周内的子数据变化3121以及每周间的子数据变化3122,对应于每月待检测子数据321转换为每月内的子数据变化3221以及每月间的子数据变化3222,对应于每年待检测子数据331转换为每年内的子数据变化3321以及每月间的子数据变化3322,并通过分析不同检测周期(每周、每月、每年)的待检测子数据,可以得到对应于不同检测周期的二维待检测数据的分析结果,对应于每周内的子数据变化3121以及每周间的子数据变化3122的分析结果分别为每周内的子数据分析结果3131和每周间的子数据分析结果3132,对应于每月内的子数据变化3221以及每月间的子数据变化3222的分析结果分别为每月内的子数据分析结果3231和每周间的子数据分析结果3232,对应于每年内的子数据变化3321以及每月间的子数据变化3322的分析结果分别为每年内的子数据分析结果3331和每年间的子数据分析结果3332。
根据本公开的实施例,通过利用目标检测模型中的转换层将第三待检测数据由一维时序数据转换为二维待检测数据并进行检测,满足了一维目标待检测数据处理的需求的同时,提高了待检测数据的预测效率。
基于上述数据检测方法,本公开还提供了一种数据检测装置。以下将结合图4该装置进行详细描述。
图4意性示出了根据本公开实施例的数据检测装置的结构框图。
如图4所示,该实施例的数据检测装置400包括第一待检测数据筛选模块410、第三待检测数据集确定模块420、第三待检测数据转换模块430和检测结果输出模块440。
第一待检测数据筛选模块410,用于基于与第一待检测数据对应的特征数据和变量数据之间的关联度,对第一待检测数据集中的第一待检测数据进行筛选,得到第二待检测数据集。在一实施例中,第一待检测数据筛选模块410可以用于执行前文描述的操作S210,在此不再赘述。
第三待检测数据集确定模块420,用于基于第二待检测数据集,以及与第二待检测数据集中的第二待检测数据对应的变量数据之间的相关系数,从第二待检测数据集中确定第三待检测数据集,其中,第三待检测数据为一维时序数据,相关系数表征第二待检测数据与变量数据之间的关联度。在一实施例中,第三待检测数据集确定模块420可以用于执行前文描述的操作S220,在此不再赘述。
第三待检测数据转换模块430,用于将第三待检测数据集中的第三待检测数据输入至目标检测模型中,利用目标检测模型中的转换层对第三待检测数据进行转换,得到二维待检测数据。在一实施例中,第三待检测数据转换模块430可以用于执行前文描述的操作S230,在此不再赘述。
检测结果输出模块440,用于利用目标检测模型中的卷积层处理二维待检测数据,输出第三待检测数据的检测结果。在一实施例中,检测结果输出模块440可以用于执行前文描述的操作S240,在此不再赘述。
根据本公开的实施例,目标检测模型还包括输出层;其中,检测结果输出模块,包括:二维检测数据输出子模块和检测结果输出子模块。
二维检测数据输出子模块,用于将二维待检测数据输入至目标检测模型的卷积层,输出检测后的二维检测数据,检测后的二维检测数据包括检测周期的频率数据和幅度数据。
检测结果输出子模块,用于将检测后的二维检测数据输入至目标检测模型的输出层,输出第三待检测数据的检测结果,检测结果为与检测周期的频率数据和幅度数据对应的融合数据。
根据本公开的实施例,检测周期包括日检测周期和年检测周期;其中,检测结果输出子模块包括:二维检测数据输入单元,用于基于预设转换规则,将检测后的二维检测数据输入至目标检测模型的输出层,输出与日检测周期和与年检测周期对应的检测结果。
根据本公开的实施例,第一待检测数据筛选模块包括:关联结果确定子模块、关联结果比对子模块和第一待检测数据筛选子模块。
关联结果确定子模块,用于根据预设关联规则,确定与第一待检测数据对应的特征数据和变量数据之间的关联结果。
关联结果比对子模块,用于将关联结果与预设关联阈值进行比对,得到特征数据与变量数据之间的关联度。
第一待检测数据筛选子模块,用于根据特征数据与变量数据之间的关联度,对第一待检测数据集中的第一待检测数据进行筛选,得到第二待检测数据集。
根据本公开的实施例,变量数据包括用户数据、规模数据、产品数据及其他关联数据;其中,第三待检测数据集确定模块包括:数据获取子模块、相关系数确定子模块、比对结果生成子模块和第三待检测数据集确定子模块。
数据获取子模块,用于获取与第二待检测数据对应的用户数据、规模数据、产品数据及其他关联数据。
相关系数确定子模块,用于基于预设计算规则,确定第二待检测数据集,以及与第二待检测数据对应的的用户数据、规模数据、产品数据及其他关联数据之间的相关系数。
比对结果生成子模块,用于将相关系数与预设系数阈值进行比对,生成相关系数与预设系数阈值之间的比对结果。
第三待检测数据集确定子模块,用于根据比对结果,从第二待检测数据集中确定第三待检测数据集。
根据本公开的实施例,目标检测模型通过如下方式训练得到:利用样本目标待检测数据和与样本目标待检测数据对应的标签对初始检测模型进行训练;以及在确定初始检测模型检测准确率大于或者等于预设检测阈值的情况下,得到目标检测模型。
根据本公开的实施例,初始检测模型的参数值选择规则包括:选取初始检测模型的初始参数值;以及基于预设更新规则对初始参数值进行更新,得到初始检测模型的参数值。
根据本公开的实施例,第一待检测数据筛选模块410、第三待检测数据集确定模块420、第三待检测数据转换模块430和检测结果输出模块440中的任意多个模块可以合并在一个模块中实现,或者其中的任意一个模块可以被拆分成多个模块。或者,这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合,并在一个模块中实现。根据本公开的实施例,第一待检测数据筛选模块410、第三待检测数据集确定模块420、第三待检测数据转换模块430和检测结果输出模块440中的至少一个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC),或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现,或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者,第一待检测数据筛选模块410、第三待检测数据集确定模块420、第三待检测数据转换模块430和检测结果输出模块440中的至少一个可以至少被部分地实现为计算机程序模块,当该计算机程序模块被运行时,可以执行相应的功能。
图5意性示出了根据本公开实施例的适于实现数据检测方法的电子设备的方框图。
如图5示,根据本公开实施例的电子设备500包括处理器501,其可以根据存储在只读存储器(ROM)502中的程序或者从存储部分508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。处理器501例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如,专用集成电路(ASIC))等等。处理器501还可以包括用于缓存用途的板载存储器。处理器501可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
在RAM 503中,存储有电子设备500操作所需的各种程序和数据。处理器501、ROM502以及RAM 503通过总线504彼此相连。处理器501通过执行ROM 502和/或RAM 503中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意,所述程序也可以存储在除ROM 502和RAM 503以外的一个或多个存储器中。处理器501也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。
根据本公开的实施例,电子设备500还可以包括输入/输出(I/O)接口505,输入/输出(I/O)接口505也连接至总线504。电子设备500还可以包括连接至输入/输出(I/O)接口505的以下部件中的一项或多项:包括键盘、鼠标等的输入部分506;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分507;包括硬盘等的存储部分508;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至输入/输出(I/O)接口505。可拆卸介质511,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器510上,以便于从其上读出的计算机程序根据需要被安装入存储部分508。
本公开还提供了一种计算机可读存储介质,该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的;也可以是单独存在,而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序,当上述一个或者多个程序被执行时,实现根据本公开实施例的方法。
根据本公开的实施例,计算机可读存储介质可以是非易失性的计算机可读存储介质,例如可以包括但不限于:便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如,根据本公开的实施例,计算机可读存储介质可以包括上文描述的ROM 502和/或RAM 503和/或ROM 502和RAM 503以外的一个或多个存储器。
本公开的实施例还包括一种计算机程序产品,其包括计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。当计算机程序产品在计算机系统中运行时,该程序代码用于使计算机系统实现本公开实施例所提供的数据检测方法。
在该计算机程序被处理器501执行时执行本公开实施例的系统/装置中限定的上述功能。根据本公开的实施例,上文描述的系统、装置、模块、单元等可以通过计算机程序模块来实现。
在一种实施例中,该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中,该计算机程序也可以在网络介质上以信号的形式进行传输、分发,并通过通信部分509被下载和安装,和/或从可拆卸介质511被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输,包括但不限于:无线、有线等等,或者上述的任意合适的组合。
在这样的实施例中,该计算机程序可以通过通信部分509从网络上被下载和安装,和/或从可拆卸介质511被安装。在该计算机程序被处理器501执行时,执行本公开实施例的系统中限定的上述功能。根据本公开的实施例,上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。
根据本公开的实施例,可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例提供的计算机程序的程序代码,具体地,可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如Java,C++,python,“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
本领域技术人员可以理解,本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合或/或结合,即使这样的组合或结合没有明确记载于本公开中。特别地,在不脱离本公开精神和教导的情况下,本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。
以上对本公开的实施例进行了描述。但是,这些实施例仅仅是为了说明的目的,而并非为了限制本公开的范围。尽管在以上分别描述了各实施例,但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围,本领域技术人员可以做出多种替代和修改,这些替代和修改都应落在本公开的范围之内。
Claims (11)
1.一种数据检测方法,包括:
基于与第一待检测数据对应的特征数据和变量数据之间的关联度,对第一待检测数据集中的所述第一待检测数据进行筛选,得到第二待检测数据集;
基于所述第二待检测数据集,以及与所述第二待检测数据集中的第二待检测数据对应的变量数据之间的相关系数,从所述第二待检测数据集中确定第三待检测数据集,其中,所述第三待检测数据为一维时序数据,所述相关系数表征所述第二待检测数据与所述变量数据之间的关联度;
将所述第三待检测数据集中的第三待检测数据输入至目标检测模型中,利用所述目标检测模型中的转换层对所述第三待检测数据进行转换,得到二维待检测数据;以及
利用所述目标检测模型中的卷积层处理所述二维待检测数据,输出所述第三待检测数据的检测结果。
2.根据权利要求1所述的方法,其中,所述目标检测模型还包括输出层;
其中,所述利用所述目标检测模型中的卷积层处理所述二维待检测数据,输出所述第三待检测数据的检测结果,包括:
将所述二维待检测数据输入至所述目标检测模型的卷积层,输出检测后的二维检测数据,所述检测后的二维检测数据包括检测周期的频率数据和幅度数据;以及
将所述检测后的二维检测数据输入至所述目标检测模型的输出层,输出所述第三待检测数据的检测结果,所述检测结果为与所述检测周期的频率数据和幅度数据对应的融合数据。
3.根据权利要求2所述的方法,其中,所述检测周期包括日检测周期和年检测周期;
其中,所述将所述检测后的二维检测数据输入至所述目标检测模型的输出层,输出所述第三待检测数据的检测结果,包括:
基于预设转换规则,将所述检测后的二维检测数据输入至所述目标检测模型的输出层,输出与所述日检测周期和与所述年检测周期对应的检测结果。
4.根据权利要求1所述的方法,其中,所述基于与第一待检测数据对应的特征数据和变量数据之间的关联度,对第一待检测数据集中的所述第一待检测数据进行筛选,得到第二待检测数据集,包括:
根据预设关联规则,确定与所述第一待检测数据对应的特征数据和变量数据之间的关联结果;
将所述关联结果与预设关联阈值进行比对,得到所述特征数据与所述变量数据之间的关联度;以及
根据所述特征数据与所述变量数据之间的关联度,对所述第一待检测数据集中的第一待检测数据进行筛选,得到所述第二待检测数据集。
5.根据权利要求1所述的方法,其中,所述变量数据包括用户数据、规模数据、产品数据及其他关联数据;
其中,所述基于所述第二待检测数据集,以及与所述第二待检测数据集中的第二待检测数据对应的变量数据之间的相关系数,从所述第二待检测数据集中确定第三待检测数据集,包括:
获取与所述第二待检测数据对应的用户数据、规模数据、产品数据及其他关联数据;
基于预设计算规则,确定所述第二待检测数据集,以及与所述第二待检测数据对应的的用户数据、规模数据、产品数据及其他关联数据之间的相关系数;
将所述相关系数与预设系数阈值进行比对,生成所述相关系数与所述预设系数阈值之间的比对结果;以及
根据所述比对结果,从所述第二待检测数据集中确定第三待检测数据集。
6.根据权利要求1所述的方法,其中,所述目标检测模型通过如下方式训练得到:
利用样本目标待检测数据和与所述样本目标待检测数据对应的标签对初始检测模型进行训练;以及
在确定所述初始检测模型检测准确率大于或者等于预设检测阈值的情况下,得到所述目标检测模型。
7.根据权利要求6所述的方法,其中,所述初始检测模型的参数值选择规则包括:
选取所述初始检测模型的初始参数值;以及
基于预设更新规则对所述初始参数值进行更新,得到所述初始检测模型的参数值。
8.一种数据检测装置,包括:
第一待检测数据筛选模块,用于基于与第一待检测数据对应的特征数据和变量数据之间的关联度,对第一待检测数据集中的所述第一待检测数据进行筛选,得到第二待检测数据集;
第三待检测数据集确定模块,用于基于所述第二待检测数据集,以及与所述第二待检测数据集中的第二待检测数据对应的变量数据之间的相关系数,从所述第二待检测数据集中确定第三待检测数据集,其中,所述第三待检测数据为一维时序数据,所述相关系数表征所述第二待检测数据与所述变量数据之间的关联度;
第三待检测数据转换模块,用于将所述第三待检测数据集中的第三待检测数据输入至目标检测模型中,利用所述目标检测模型中的转换层对所述第三待检测数据进行转换,得到二维待检测数据;以及
检测结果输出模块,用于利用所述目标检测模型中的卷积层处理所述二维待检测数据,输出所述第三待检测数据的检测结果。
9.一种电子设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器执行根据权利要求1~7中任一项所述的方法。
10.一种计算机可读存储介质,其上存储有可执行指令,该指令被处理器执行时使处理器执行根据权利要求1~7中任一项所述的方法。
11.一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现根据权利要求1~7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311633219.0A CN117634885A (zh) | 2023-12-01 | 2023-12-01 | 数据检测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311633219.0A CN117634885A (zh) | 2023-12-01 | 2023-12-01 | 数据检测方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117634885A true CN117634885A (zh) | 2024-03-01 |
Family
ID=90030098
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311633219.0A Pending CN117634885A (zh) | 2023-12-01 | 2023-12-01 | 数据检测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117634885A (zh) |
-
2023
- 2023-12-01 CN CN202311633219.0A patent/CN117634885A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10521404B2 (en) | Data transformations with metadata | |
US20200218721A1 (en) | Extracting seasonal, level, and spike components from a time series of metrics data | |
CN107909274B (zh) | 企业投资风险评估方法、装置及存储介质 | |
CN107944481B (zh) | 用于生成信息的方法和装置 | |
CN110135901A (zh) | 一种企业用户画像构建方法、系统、介质和电子设备 | |
US20220245556A1 (en) | Data distillery for signal detection | |
CN106991175B (zh) | 一种客户信息挖掘方法、装置、设备以及存储介质 | |
CN113610230A (zh) | 训练方法、预测方法、装置、计算机系统及存储介质 | |
CN111723180A (zh) | 一种面试方法和装置 | |
CN113535577B (zh) | 基于知识图谱的应用测试方法、装置、电子设备和介质 | |
CN113128773B (zh) | 地址预测模型的训练方法、地址预测方法及装置 | |
CN118096170A (zh) | 风险预测方法及装置、设备、存储介质和程序产品 | |
CN109978594B (zh) | 订单处理方法、装置及介质 | |
CN113112352A (zh) | 风险业务检测模型训练方法、风险业务检测方法及装置 | |
CN116701935A (zh) | 敏感度预测模型训练方法、敏感信息处理方法及装置 | |
CN110795638A (zh) | 用于输出信息的方法和装置 | |
CN115795345A (zh) | 信息处理方法、装置、设备及存储介质 | |
CN117634885A (zh) | 数据检测方法、装置、设备及存储介质 | |
CN114897607A (zh) | 产品资源的数据处理方法及装置、电子设备、存储介质 | |
CN114493853A (zh) | 信用等级评价方法、装置、电子设备及存储介质 | |
CN116450950A (zh) | 产品组合推荐方法、装置、设备及介质 | |
CN118395319A (zh) | 用于联邦模型训练的样本特征数据筛选方法、装置、设备及可读存储介质 | |
CN118133193A (zh) | 异常数据识别方法、装置、设备及存储介质 | |
CN118152811A (zh) | 数据处理方法及装置、设备、存储介质和程序产品 | |
CN114168825A (zh) | 数据推送方法、装置、电子设备及可读存储介质 |
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 |