CN1870025B - 一种用户业务特征的生成方法及装置 - Google Patents
一种用户业务特征的生成方法及装置 Download PDFInfo
- Publication number
- CN1870025B CN1870025B CN2005101131241A CN200510113124A CN1870025B CN 1870025 B CN1870025 B CN 1870025B CN 2005101131241 A CN2005101131241 A CN 2005101131241A CN 200510113124 A CN200510113124 A CN 200510113124A CN 1870025 B CN1870025 B CN 1870025B
- Authority
- CN
- China
- Prior art keywords
- service
- service attribute
- data
- user
- function
- 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.)
- Expired - Fee Related
Links
Images
Abstract
本发明公开了一种用户业务特征的生成方法及装置,对用户的业务记录数据进行采集,根据配置的业务属性将业务记录数据划分成业务属性数据,将业务属性数据与存储的业务特征、即业务属性函数中对应于业务属性数据含义的数据进行比较,根据比较策略确定需要对原有业务特征进行校正后,根据业务属性数据对原有业务特征进行校正,生成新的业务特征,通过对用户业务特征的分析,方便服务提供商对用户提供服务,从而提升用户体验,增强用户对业务的满意度;通过分析用户个体的业务特征或业务指纹,利用用户的业务特征或业务指纹预测用户的业务使用行为,区分出有共同业务表现特征的业务群体,能够对同类用户群提供更具有针对性的服务,提升业务价值。
Description
技术领域
本发明涉及通信领域,特别是指一种用户业务特征的生成方法及装置。
背景技术
众所周知,用户在实际生活中的很多习惯、特征都是与时间有关的,通常是根据一定的周期进行反复。在用户的通信过程中,这样的行为规律也随处可见,例如,用户每个月的通话量在正常情况下通常是比较稳定的,用户在网络上的业务表现也很可能是有规可循的。
目前,基于用户通信行为的分析系统在互联网的一些业务上已有所应用,并获得良好的效益,如搜索业务、电子商务、网络营销等业务。典型的互联网用户行为分析主要是通过用户资料调查、软件跟踪等方式完成的。虽然电信领域运营商或服务提供商(SP)已使用了专门进行业务分析和客户管理的系统,如客户关系管理系统、SP的客户管理系统,但是现有技术对用户通信行为分析都是针对群体用户进行的,难以针对用户个体进行个别分析,尤其是难以对用户个体的行为习惯、业务特征进行量化记录。
发明内容
有鉴于此,本发明的一个目的在于提供一种用户业务特征的生成方法,本发明的另一目的在于提供一种用户业务特征的生成装置,根据用户的业务特征来分析用户使用业务的行为,并可进一步对用户未来使用业务的情况做出预测。
为了达到上述目的,本发明提供了一种用户业务特征的生成方法,该包含以下步骤:
A、对用户的业务记录数据进行采集,根据配置的业务属性将业务记录
数据划分成业务属性数据;
B、将业务属性数据与存储的业务特征中对应于业务属性数据含义的数据进行比较,根据比较策略确定需要对原有业务特征进行校正后,根据业务属性数据对原有业务特征进行校正操作,然后对生成的业务特征进行存储;
C、当用户在业务属性上的表现异常发生时或异常次数累计至设定值时,结合用户的业务属性数据对业务属性函数进行重新分析,得到并存储新的业务属性函数,根据用户的业务属性的异常表现以及分析结果,确定是否向用户发出提醒通知。
所述A之前进一步包括:在一个以上设定周期的时间长度内的每个设定周期,采集对应于业务属性的用户的业务记录数据,根据所述业务记录数据生成用户的初始业务特征。
所述根据业务记录数据生成用户的初始业务特征,为:将业务记录数据经过曲线拟合分析得到具有分布曲线的业务特征。
步骤A中所述对用户的业务记录数据进行采集,与根据配置的业务属性将业务记录数据划分成业务属性数据,之间进一步包括:对业务记录数据的有效性进行验证,如果有效,则根据配置的业务属性将业务记录数据划分成业务属性数据。
所述对业务记录数据的有效性进行验证,为:确定业务记录数据的单位是否正确;或为:确定业务记录数据的含义是否准确;或为:确定业务记录数据是否来自于需要进行分析的用户。
一个设置周期的开始或结束执行所述步骤A;或触发事件发生时,执行所述步骤A。
所述触发事件为:收到控制命令;或为:确定业务属性数据与存储的业务属性函数中对应于业务属性数据含义的数据不相符。
步骤A中所述业务记录数据是体现用户业务使用情况的数据,为:历史话单,或费用记录,或当前业务使用记录,或用户业务使用过程中生成的数据,或以上任意的组合。
步骤B中所述根据比较策略确定需要对原有业务特征进行校正,为:确定业务属性数据与存储的业务特征中对应于业务属性数据含义的数据的偏差未在允许误差范围内。
所述根据比较策略确定需要对原有业务特征进行校正,为:确定业务属性数据与存储的业务特征中对应于业务属性数据含义的数据的偏差未在允许误差范围内,且满足第二设定条件。
所述第二设定条件为:偏差未在允许误差范围内的累计次数达到设定次数;或为偏差未在允许误差范围内的连续次数达到设定次数;或为:偏差在允许误差范围的正数倍之外。
所述偏差未在允许误差范围内,与满足第二设定条件,之间进一步包括:对业务属性数据进行存储。
步骤B中所述根据业务属性数据对原有业务特征进行校正操作,为:根据业务属性数据对业务特征中对应于业务属性数据含义的数据进行校正操作。
所述校正操作为:函数逼近或数值逼近。
所述业务属性数据为:固定周期内各时间点的业务属性数据;或为:固定周期内相同时间点的业务属性数据。
所述一个或一个以上的用户的业务特征的集合组成用于描述用户业务使用情况的业务指纹。
该方法进一步包括:重复执行步骤A和步骤B,分别生成各业务特征,生成的各业务特征的集合组成业务指纹。
所述业务特征通过具有分布曲线的函数、或集合、或矩阵来表示。
本发明还提供了一种用户业务特征的生成装置,该装置对用户的业务记录数据进行采集,根据配置的业务属性将业务记录数据划分成业务属性数据,将业务属性数据与存储的业务特征中对应于业务属性数据含义的数据进行比较,根据比较策略确定需要对原有业务特征进行校正后,根据业务属性数据对原有业务特征进行校正操作,然后对生成的业务特征进行存储,当用户在业务属性上的表现异常发生时或异常次数累计至设定值时,结合用户的业务属性数据对业务属性函数进行重新分析,得到并存储新的业务属性函数,根据用户的业务属性的异常表现以及分析结果,确定是否向用户发出提醒通知,包括:预处理单元,用于接收用户的业务记录数据,根据配置的业务属性将业务记录数据划分成业务属性数据,并向比较单元发送业务属性数据;比较单元,用于将接收的来自预处理单元的业务属性数据与来自数据存储单元的业务特征中对应于业务属性数据含义的数据进行比较,根据比较策
略确定需要对业务特征进行校正后,向分析单元发送业务属性数据;分析单元,用于根据来自比较单元的业务属性数据,对接收的原有业务特征进行校正操作,然后向数据存储单元发送生成的新的业务特征;数据存储单元,用于存储业务特征。
该装置进一步包括:业务节点,用于向预处理单元提供用户的业务记录数据。
所述业务节点与预处理单元通过数据采集接口相连。
所述业务节点为:服务提供服务器,或为:业务网关,或为:电信业务运营支撑系统服务器,或为:客户关系管理系统服务器。
所述分析单元进一步用于根据在一个以上设定周期的时间长度内的每个设定周期采集的对应于业务属性的用户的业务记录数据,生成用户的初始业务特征,并向数据存储单元发送业务记录数据和该初始业务特征;所述数据存储单元进一步用于存储业务记录数据。
所述分析单元接收的原有业务特征来自比较单元,或来自数据存储单元。
所述预处理单元进一步用于对业务记录数据的有效性进行验证。
所述预处理单元进一步用于根据业务属性数据生成表达式,并向比较单元发送该表达式。
所述比较单元进一步用于根据收到的来自预处理单元的表达式提取业务属性数据。
所述比较策略配置于比较单元,或存储于数据存储单元,由数据存储单元向比较单元提供。
业务属性数据与业务特征中对应于业务属性数据含义的数据不相符,且不需要对业务特征进行校正时,所述比较单元进一步用于向数据存储单元发送业务属性数据;所述数据存储单元进一步用于对收到的业务属性数据进行存储。
本发明中,对用户的业务记录数据进行采集,根据配置的业务属性将业务记录数据划分成业务属性数据,将业务属性数据与存储的业务特征、即业务属性函数中对应于业务属性数据含义的数据进行比较,根据比较策略确定需要对原有业务特征进行校正后,根据业务属性数据对原有业务特征进行校正操作,生成新的业务特征。根据本发明提出的方案,对于用户而言,通过对用户业务特征的分析,方便服务提供商对用户提供更体贴的服务,从而提
升用户体验,增强用户对业务的满意度,通过对用户的业务使用异常情况进行分析,在必要时对用户的行为做出干预或其他处理,最大限度地维护了用户的利益;对于服务提供商而言,通过分析用户个体的业务特征或业务指纹,利用用户的业务特征或业务指纹预测用户的业务使用行为,区分出有共同业务表现特征的业务群体,对用户群体进行更细致的划分,能够进一步对同类用户群提供更具有针对性的服务,提升业务价值,通过用户的业务特征或业务指纹预测用户的业务使用行为后,能够进一步挖掘用户的业务使用需求,提供更强的个性化服务,并可更好的开展有针对性的营销活动,对用户的消费进行引导。
附图说明
图1A示出了宽带业务中上网时间的业务属性函数曲线示意图;
图1B示出了宽带业务中时间长度的业务属性函数曲线示意图;
图1C示出了宽带业务中费用的业务属性函数曲线示意图;
图2示出了业务特征分析装置结构示意图;
图3示出了业务特征分析流程图;
图4示出了业务属性函数校正分析示意图。
具体实施方式
在对本发明的技术方案进行描述之前,首先介绍一下本发明中提出的业务指纹的含义。用户在实际生活中总会表现出一定的特征,如兴趣爱好、行为习惯等,这些特征在用户使用通信业务的过程中也会相应地表现出来,例如,某用户习惯于晚上七点后回家上网,或某用户经常浏览与影视相关的网页。通过对用户一段时间内的历史数据的分析,能够抽象出一条曲线,该曲线可形象地成为用户使用某一业务的一个业务特征,这些业务特征的组合就成为用户在该业务上的业务指纹。所述通信业务包括语音业务和数据业务。
为使本发明的目的、技术方案和优点更加清楚,下面结合附图对本发明
作进一步的详细描述。
一个业务通常包含很多业务属性,以宽带业务为例,其业务属性可包括上网时间、时间长度、流量、费用等。业务属性是对用户业务使用情况的一个方面的描述,例如,使用业务的时间、使用业务的次数等。可通过多个业务属性来描述用户使用某一业务的整体情况,如每天使用业务的时间、每次使用业务的时间长度、每次使用业务时的具体流量等,这些业务属性的集合就是对相应业务一个用户使用业务的行为实例的量化。对用户业务使用情况的分析最终会落实到对业务属性的分析,一个业务属性与用户使用业务的一个业务特征相对应。如果对业务特征进行量化,则业务特征具体可表现为在业务属性的基础上抽象出来的函数特征,即业务属性函数,例如,对某一业务属性在一段时间内所有的表现数据进行分析后得到的有规律或无规律的曲线。业务特征的表现是与时间周期相关的,例如,以一周为周期长度,通过业务特征、即业务属性函数来体现预计的用户在每周的业务使用情况。因此,对用户在某个业务上的行为的分析,实际上是对用户在该业务一个或多个业务属性上的行为表现进行分析,将用户在这些业务属性上的所有特征表现抽象出来,就形成了用户在这个业务的业务指纹,也就是说,用户在一个业务上的所有业务特征的集合形成了用户在这个业务上的业务指纹。如果只有一个业务特征、即通过一个业务属性得到的相应业务属性函数,则该业务特征或业务属性函数即为用户的业务指纹。
用户的业务特征是用户使用业务过程中表现出的一些习惯、行为等表现的抽象形式,业务特征一定是有时间周期的,如按周、月、年或者次数进行统计。对于能够在坐标系用分布曲线描述的业务属性,每个业务属性可能都对应于一个业务特征,业务特征的表现形式可为函数曲线;对于难以用数字表达的业务属性,如内容、访问网站等,业务特征的表现形式可为集合;对于能够用行表示业务属性、列表示属性内容的情况,业务特征的表现形式可为矩阵,等等。
与传统数值等表示方式相比,业务属性函数及其分布曲线能够形象描述
出用户的业务历史使用情况,如变化趋势、周期、关键点等,并能够对用户未来使用业务的行为做出预测,业务属性函数的最理想状态是周期性函数,能够对固定周期内任何一个时间的业务使用行为做出预测;如果业务属性函数不是周期性函数,至少也能够根据最近一段曲线的变化趋势,对用户未来一段时间的业务使用行为做出预测。由于现实生活中人们的生活习惯受到很多时间周期的影响,如朝九晚五、一周双休、按月结算、一年四季等,人们的通信方式也或多或少地受到这些时间周期的影响,天然具有一定的时间分布规律,因此,可根据一段时间的统计分析发现用户在某些业务及其业务属性上的规律。
结合具体通信业务,绝大部分的业务属性的分布都是离散的,如次数、点数等,如每天打了几个电话,发了多少短信,或上了几个小时的网,对应于这些业务属性的业务记录数据基本是离散的点,但是这些离散的点的集合,如收集一周、一个月,就可能会出现一定的分布规律。电信的例子是上网,用户平时可能由于上班时间限制,在家里上网的时间可能较为固定,如在下班回到家后的19:00左右,也可能会晚一些,但是总在一个时间区间内,如19:00至21:00,上网的时间长度也是较为固定的,由于第二天的工作,通常在2个小时左右,费用可能就是按照时长计算,也可能会涉及其他额外费用、如下载费,或者按流量收费、如无线上网。
通常一个业务包含很多业务属性,在对用户使用业务的情况进行统计分析时,不可能也没有必要对该业务的所有业务属性都进行分析,因此,实际分析过程中可根据实际情况和需要选择业务属性的一个子集,并在一段时间内的固定周期内对用户在选定的业务属性上的业务使用行为表现进行分析,该子集可通过集合的形式来描述。如果将一个业务看作一个集合,则该集合中的元素就是业务属性,该集合的每个实例就是用户使用业务时的业务记录。例如,为某宽带业务选择的业务属性包括上网时间、时间长度和费用,分别用x1、x2和x3表示,这样,用户宽带业务的业务属性可通过集合
来表示,其中, 和 分别对应用户每次的上网时间、时间长度和费用,各单位可根据精确度要求而定,如 的单位可为小时分钟、 的单位可为分钟, 的单位可为元; 的一个实例可表示为 其描述的是用户某次上网的记录,如描述用户在星期一的上网记录,即用户当天第一次上网的时间为19:00,本次上网的时间长度为30分钟,本次上网的费用为2.0元,其中,19:00为业务属性第一次上网的时间的业务属性数据,30分钟为业务属性本次上网的时间长度的业务属性数据,2.0元为业务属性本次上网的费用的业务属性数据, 为业务属性数据的表达式。
用户的业务属性数据的表达式可根据实现的不同需求而不同,最终目的都是从业务节点中提取用户的业务记录数据,并按照业务属性进行分类,即采集对应于业务属性的用户的业务记录数据,以方便对用户的业务使用情况进行深入分析。
在初始阶段,需要在一段时间内的每个固定周期定量采样用户在某个业务属性的记录数据,经过曲线拟合分析得到初始的分步曲线,该初始分布曲线基本能够描述出用户在某个业务属性上的业务特征表现情况,该初始分布曲线可较为平稳,可为起伏比较大的曲线,可为有规律的曲线,也可为无规律的曲线,但是无论何种表现形式的曲线都能够通过函数逼近或数值逼近等数学方法通过一个函数形式来表示,该函数就是用户的一个业务特征、即一个业务属性函数。所述函数逼近或数值逼近等数学方法,具体可为均差与牛顿插值多项式、三角函数等。例如,某业务属性函数表示为fi=fi(xi,T,δ),其中,xi为某个业务的业务属性,T为统计时间周期,δ为允许误差或精度。
由于本发明是为了通过对用户一段时间内业务使用情况的统计,来得到能够对用户未来业务使用情况的预测,因此,周期性是对业务特征、即业务
属性函数进行分析和对用户业务使用情况进行预测的基础,所有的分析都应该是基于固定周期的,得到的业务属性函数的理想形式应该是周期性函数。这样,这里所说的一段时间内的每个固定周期是一段时间的周期重复,例如,将一个月作为采样的一段时间,将每天作为固定周期,或以每周作为固定周期。
通过用户在多个业务属性的采样分析,同样可得到不同的业务属性函数,每个业务属性函数与用户在该业务的一个业务特征表现相对应,这些业务属性函数的组合就能够体现用户在该业务上的业务特征表现的集合,也就是所谓的用户业务指纹。例如,用户业务指纹可通过函数的形式表示为F=(f1,f2,…,fn)T,其中,n为针对某业务进行分析的业务属性的数量;fi为针对某个具体业务属性的某个用户的业务属性函数;F为n个业务属性函数的组合,即用户业务指纹的具体表现形式。
通过曲线函数表示的用户业务特征、即业务属性函数或业务指纹比传统的数值表现方式具有更强的优势,可通过曲线直观地看到用户的业务使用情况,并能够根据曲线对用户的未来业务使用趋势做出预测,从而为用户制定服务策略提供了有力指导,而且也便于存储和运算。
以宽带业务为例,经过一段时间的固定周期统计,如对用户两个月时间内的每个星期的宽度业务使用情况进行统计,可发现用户使用宽带业务的三个业务属性函数基本符合一定规律,每周的星期一至星期五基本在当天19:00左右第一次上网,每次上网的时间大致在一个小时左右,所产生的费用基本在2.0元上下,每周的星期六和星期日基本在当天8:00左右第一次上网,每次上网的时间大致在五个小时左右,所产生的费用基本在10.0元以上。经过数值拟合和函数逼真,可得到如图1所示的曲线分布,并得出用户在一个星期内每天第一次上网时间的业务属性函数 其中,x1表示用户每天第一次上网时间
的业务属性,单位为小时分钟;day表示一周中的星期几;δ1表示上网时间所允许的误差为5分钟。本例中为了更形象地进行说明,可能在某些描述上没有严格遵循数学方式来表达,如f1(t)作为y轴时的单位为小时分钟,实际应用中可能需要经过映射等其他处理才能实现;相应地,可通过同样的方法得到用户在一个星期内每天上网的时间长度的业务属性函数 其中,x2表示用户每天上网的时间长度的业务属性,单位为小时,day表示一周中的星期几,δ2表示上网的时间长度所允许的误差为10分钟;用户在一个星期内每天上网的费用的业务属性函数 其中,x3表示用户每天上网的费用的业务属性,单位为元,day表示一周中的星期几,δ3表示上网的费用所允许的误差为1元。
类似地,通过上述步骤针对某个业务的每个业务属性进行单独分析后,能够得到一组与时间相关的业务属性函数,这些业务属性函数的集合就是用户在相应业务上的业务指纹原型。仍以上述宽带业务为例,得到每个业务属性函数后,用户在宽度业务上的业务指纹可通过F=(f1,f2,f3)T来表示。如果选定的对业务指纹进行分析的业务属性只有一个,则针对于相应用户的业务属性函数即为该用户的业务指纹。
通过以上分析可见,针对某个业务的不同业务属性从用户的该业务使用记录中提取出相应的业务属性函数,该业务属性函数基本能够表现出用户使用业务过程中的某个特征,能够准确表达用户过去的业务使用情况,并可进一步成为对用户未来的业务使用情况做出预测的基础。最后,得到一系列业务属性函数的集合,这个集合能够简单而形象地描述出用户使用该业务的习惯,这就是用户业务指纹的量化过程。
下面对本发明的具体实现进行描述。
图2示出了业务特征生成装置结构示意图,如图2所示,业务特征生成装置20包括预处理单元201、比较单元202、分析单元203和数据存储单元204。
其中,预处理单元201用于接收来自业务节点10的用户的业务记录数据,根据配置的业务属性对用户的业务记录数据进行分类,生成用户的业务属性数据,可进一步将用户的业务属性数据转换成统一表达式,如矩阵、集合等,然后向比较单元202发送业务属性数据和/或业务属性数据的表达式。用户的业务记录数据可存储于用户业务记录存储单元101中,该用户业务记录存储单元101可位于业务节点10中。另外,预处理单元201可进一步用于对业务记录数据的有效性的验证,以避免对错误数据的处理,例如,确定业务记录数据的单位是否正确,如业务记录数据的单位应为分钟,如果采集到的业务记录数据的单位为小时,则确定该业务记录数据无效;确定业务记录数据的含义是否准确,如采集到的业务记录数据应为一天内的时间,如果采集到的数据为30,则确定该业务记录数据无效;确定业务记录数据是否来自于需要进行分析的用户,如采集用户标识为123的用户的业务记录数据,如果业务记录数据来自于非123的用户标识的业务记录数据,则确定该业务记录数据无效,等等。
所述业务节点10是能够提供用户业务记录数据的所有功能实体,可为SP侧收集用户业务记录数据的功能实体,如应用服务器(AS);也可为其他能够提供用户业务记录数据的功能实体,例如,业务网关,电信业务运营支撑系统(BOSS)、客户关系管理系统的用户数据服务器等功能节点。
比较单元202用于接收来自预处理单元201的业务属性数据,将业务属性数据与来自数据存储单元204的业务属性函数、即业务特征中对应于业务属性数据含义的数据进行比较,根据比较策略确定需要对原有业务属性函数、即业务特征进行校正后,向分析单元203发送业务属性数据。所述比较策略可配置于比较单元202中,也可存储于数据存储单元204中,由比较单元202与数据存储单元204进行交互来获取,比较策略可根据不同用户来设
置,可根据不同业务来设置,可根据一个业务中的不同业务属性来设置,针对同一业务中的同一业务属性,也可根据使用业务的不同用户来设置,或针对同一业务中的各业务属性,根据使用业务的不同用户来设置。
由于预处理单元201可进一步用于将用户的业务属性数据转换成统一表达式,预处理单元201向比较单元202发送的可能是业务属性数据的表达式,此时,比较单元202进一步用于从收到的业务属性数据表达式中提取相应业务属性数据。
分析单元203用于根据来自比较单元202的业务属性数据,对接收的原有业务属性函数、即业务特征进行校正操作,为用户生成新的业务属性函数、即新的业务特征,然后向数据存储单元204发送新的业务属性函数,由数据存储单元204进行存储。分析单元203实现了对用户原有的业务属性函数的不断修正,使得新的业务属性函数能够体现用户最近使用业务的情况,对用户未来的业务使用情况的预测起到指导作用。所述分析单元203接收的原有业务属性函数可来自比较单元202,即比较单元202确定需要对业务属性函数进行校正,向分析单元203发送业务属性数据时,进一步向分析单元203发送来自数据存储单元204的业务属性函数;也可来自数据存储单元204,即分析单元203收到比较单元发送的业务属性数据后,通过与数据存储单元204的交互获取业务属性函数。
对于未生成过业务属性函数的用户,分析单元203可进一步用于生成用户的初始业务属性函数,然后向数据存储单元204发送初始业务属性函数,由数据存储单元204进行存储。分析单元203可针对某一业务的各业务属性分别生成相应的初始业务属性函数,这些初始业务属性函数的组合就形成了用户业务指纹。未生成过业务属性函数可指未生成过用户业务指纹,由于未针对用户生成业务指纹,必然未针对相应用户生成任何业务属性函数;也可指需要针对某一业务的业务指纹新增的业务属性函数,如原来某一业务的业务属性有三个,现在需要再针对该业务增加一个新的业务属性,此时,从未针对用户生成对应于该新增的业务属性的业务属性函数。
可通过用户标识来识别是否已针对相应用户生成业务属性函数,例如,如果已针对用户生成了业务属性函数,则存储相应用户的用户标识,这样,对于未存储的用户标识、即新的用户标识,表明未针对相应用户生成过业务属性函数。例如,分析单元203得到用户的业务属性数据后,可判断自身是否存储有相应用户标识,如果存储了,则表明已针对该用户生成了业务属性函数,分析单元203对接收的原有业务属性函数进行校正操作;如果未存储,则表明还未针对该用户生成业务属性函数,分析单元203向数据存储单元204发送用户的业务属性数据,由数据存储单元204进行存储,在符合初始业务属性函数生成条件时,如数据的采集时间长度已达到设定的采集时间长度,提取数据存储单元204中存储的业务属性数据,为用户生成初始业务属性函数。又如,分析单元203得到用户的业务记录数据后,向数据存储单元204查询是否存储有相应用户标识,如果数据存储单元204查找到相应用户标识,则可向分析单元203返回成功响应,表明已针对该用户生成了业务属性函数,分析单元203对接收的原有业务属性函数进行校正操作;如果数据存储单元204未查找到相应用户标识,则可向分析单元203返回失败响应,表明还未针对该用户生成业务属性函数,分析单元203为该用户生成初始业务属性函数。未针对该用户生成业务属性函数时,由于比较单元202收到来自预处理单元201的业务属性数据或其表达式后,无法从数据存储单元204中获取业务属性函数,因此,比较单元202可确定异常发生,将分析单元203发送用户的业务属性数据。所述用户标识为用户使用相应业务时、区分于其他用户的标识。具体分析单元203为用户生成初始业务属性函数的过程,可参照前面初始阶段生成初始业务属性函数的描述,在此不再赘述。
数据存储单元204用于存储用户的一个或多个业务属性函数,如果数据存储单元204需要向比较单元202提供比较策略,则数据存储单元204进一步用于存储比较策略。用户使用的一个业务的各业务属性函数的集合就组成了用户在该业务的业务指纹。数据存储单元204中存储的业务属性函数可能是用户的初始业务属性函数、即业务属性函数原型,该用户的初始业务属性
函数可来自于预处理单元201,也可为配置在数据存储单元204中的,也可能是经过校正操作后的业务属性函数,该业务属性函数可来自于分析单元203。业务属性函数能够体现用户最近的业务使用情况的一个特征,这样,由各业务属性函数的集合组成的业务指纹就能够体现用户最近使用业务综合情况。
分析单元203用于生成用户的初始业务属性函数时,分析单元203进一步用于将一段时间内的每个固定周期内采集到的用户业务记录数据发送给数据存储单元204,并在符合初始业务属性函数生成条件时,如数据的采集时间长度已达到设定的采集时间长度后,提取数据存储单元204中存储的用户业务记录数据,为用户生成初始业务属性函数;数据存储单元204进一步用于对来自预处理单元201的用户业务记录数据进行存储。
根据比较策略,并不是每次发现业务属性数据不符合原有业务属性函数中对应于业务属性数据含义的数据,都需要马上对原有业务属性函数进行校正,而是可能只是将不符合原有业务属性函数的业务属性数据或其表达式暂时存储起来,当不符合的异常累计到设定次数时才开始对原有业务属性函数进行校正。由此可见,当业务属性数据不符合业务属性函数中对应于业务属性数据含义的数据、且根据比较策略又不需要对原有业务属性函数进行校正时,比较单元202向数据存储单元204发送业务属性数据或其表达式,由数据存储单元204进行存储。
对业务属性函数、即业务特征或业务指纹进行分析的重点在于:对用户个体的某个业务的使用情况进行分析,并通过一系列函数曲线来表示用户使用业务的变化趋势,从中得到一些与具体业务属性相关的规律性特征并进行量化。这些函数曲线能够根据用户的业务使用情况通过自适应等方式不断进行调整,从而准确地反映用户使用业务过程中的一个或一些特征表现,对用户未来的业务使用情况的预测起到指导作用。
图3示出了业务特征分析流程图,如图3所示,对业务特征进行分析的实现过程包括以下步骤:
步骤301:对用户的业务记录数据进行预处理,该预处理过程可包括:采集用户的业务记录数据,根据配置的业务属性对用户的业务记录数据进行分类,生成用户的业务属性数据。
用户的业务记录数据是从业务节点中提取到的体现用户业务使用情况的原始数据,如历史话单、费用记录、当前业务使用记录(时间、费用等基本信息)、用户业务使用过程中产生的数据(主要是用户业务相关内容信息,如短信内容、网络查询的内容等)。
用户的业务记录数据经过预处理,如识别、提取、过滤和量化等,最后得到的业务属性数据能够正确反映用户原始的业务记录数据,并能够直接对其进行比较分析。
步骤302:根据用户的业务属性数据,生成统一的业务属性数据的表达式,如矩阵、集合等,生成业务属性数据的表达式,步骤302可省略。
例如,用户使用宽带业务的记录信息可量化为以下形式: ,该形式即为业务属性数据的表达式,其描述的是用户当天上网的业务属性数据,当天第一次上网时间为19:00,时间长度为10分钟,上网费用2.0元,当天第二次上网时间为20:00,时间长度为30分钟,费用6.0元。
所述步骤301~步骤302可由图2所示的业务特征生成装置20来处理,具体可主要由业务特征生成装置20中的预处理单元201来处理。
步骤301~步骤302之前已预先选定了对业务指纹进行分析的业务属性,即需要对用户在业务使用过程中的行为表现进行分析的业务属性,所述配置的业务属性即为选定的业务属性。采集了用户的业务记录数据之后,可进一步对业务记录数据的有效性进行验证,以避免对错误数据的处理。
步骤301~步骤302是数据采样的过程,采集用户的业务记录数据,并根据业务属性转换为业务属性数据。可周期性执行步骤301~步骤302,如每
个月的第二个星期,对用户的业务记录数据进行采集,根据配置的业务属性将业务记录数据划分成业务属性数据,进一步可生成业务属性数据的表达式。也可根据触发事件执行步骤301~步骤302,如收到控制命令时,对用户的业务记录数据进行预处理;又如,通过后续步骤确定业务属性数据与存储的业务属性函数中对应于业务属性数据含义的数据不相符时,也可触发执行步骤301~步骤302,通过对一段时间业务属性数据的采集来对业务属性函数进行修正。
步骤303~步骤304:将业务属性数据与存储的业务属性函数中对应于业务属性数据含义的数据进行比较,根据比较策略判断是否需要对原有业务属性函数进行校正,如果是,则执行步骤305;否则,结束当前流程。所述步骤303~步骤304可由图2所示的业务特征生成装置20来处理,具体可主要由业务特征生成装置20中的比较单元202来处理。
如果步骤302中预处理单元201将用户的业务属性数据转换成统一表达式,则步骤303中比较单元202收到该表达式后,将提取相应业务属性数据。
如果已针对用户在某个业务上的业务属性生成了业务属性函数,即已存储了用户的业务属性函数,则将最新采样到的业务属性数据与这些已有的业务属性函数中对应于业务属性数据含义的数据进行比较分析,如果新采样到的业务属性数据与业务属性函数中对应于业务属性数据含义的数据的差值在允许的误差范围内,则不需要对原有业务属性函数进行校正操作,否则,就需要对原有业务属性函数进行校正操作。单次业务属性数据与原有业务属性函数中对应于业务属性数据含义的数据不相吻合,由于业务属性函数能够准确表达用户过去的业务使用情况,并可进一步成为对用户未来的业务使用情况做出预测的基础,因此,数据不相吻合可视为业务属性函数预测的失败,但是单次的数据不符可能还不足以确定出是否需要对原有业务属性函数进行调整,这样就需要综合考虑业务属性函数中对应于业务属性数据含义的数据与实际采样到的业务属性数据的相差幅度和预测失败次数,因此,需要一个比较策略来对是否需要对原有业务属性函数进行校正分析进行判断。
仍以宽带业务为例,只考虑对上网时间的业务属性进行分析,对该业务属性的比较策略是给定一个允许误差范围,将新采样到的业务属性数据与原有业务属性函数中对应于业务属性数据含义的数据进行差值比较,如果差值在允许误差范围内,则不需要对原有业务属性函数进行校正操作,也无需对此次采集到的业务属性数据进行存储,如用户上网时间的统计误差为10分钟,上网时间的判断原则是最新上网时间是否在预测时间的前后10分钟范围内;如果差值在允许误差范围之外,但是偏差不大,如小于允许误差范围的两倍,此时,也不需要立即对原有业务属性函数进行校正操作,但可开始对这样的情况进行监控,并在满足设定条件时,如累计业务属性函数预测失败的次数,对每次异常情况的业务属性数据进行统计和存储,以便在业务属性函数预测失败的次数累计到设定值、如三次或连续两次时,对业务属性函数进行校正操作,又如在后续发生偏差大于允许误差范围的两倍时,对业务属性函数进行校正操作;如果差值在允许误差范围之外,并且偏差很大,如大于允许误差范围的两倍或三点五倍,此时,可立即结合业务属性数据对原有业务属性函数进行校正操作,也可仍然对异常的次数进行统计,当业务属性函数预测失败的次数累计到设定值时,对业务属性函数进行校正操作。
另外,可对一周、一个月或一年等固定采集周期的用户业务记录数据进行采集,根据由这些业务记录数据生成的业务属性数据与业务属性函数进行比较,此处所说的业务属性数据是体现采集周期内用户使用业务情况的业务属性数据,也可为函数或曲线的形式。例如,对表示上网时间的业务属性x1进行,其允许的误差为δ,经过一段时间内每个固定周期的统计,发现用户上网基本集中在两个时间段(8:00,19:00)内,这样,可设定这样一个业务属性函数: ,每周的星期一至星期五,如果用户每次上网时间在19:00前后10分钟,即18:50至19:10,则可将
此次上网的时间记录为19:00,如果误差太大,如大于10分钟,则取用户的实际上网时间;每周的周末,用户每次上网时间如果在早上8:00前后20分钟,则将此次上网的时间记录为8:00,否则,取用户的实际上网时间。在用户的实际上网时间与业务属性函数中所描述的相应时间基本吻合时,即在允许误差范围时,这个用户的实际上网时间也可忽略不计,因为,其数值对业务属性函数基本没有什么影响。累计一段时间,如果用户在某天的上网时间超过一定规律,如用户在周末的上网时间在8:00的概率超过80%,则用一个函数表达,如
步骤305:根据业务属性数据,对原有业务属性函数进行校正操作,生成新的业务属性函数、即新的用户业务特征,实现了对原有业务属性函数的不断修正,使得新的业务属性函数能够体现用户最近使用业务的情况,对用户未来的业务使用情况的预测起到指导作用。该步骤可由图2所示的业务特征生成装置20来处理,具体可主要由业务特征生成装置20中的分析单元203来处理。
对原有业务属性函数进行校正操作可为对业务属性函数中对应于业务属性数据含义的数据进行校正。例如,用户在某个星期二15:00开始上网,用户本次上网的业务记录数据被采集,将该上网时间与业务属性函数中星期二的上网时间相比较发现,在业务属性函数中描述的用户在每星期二的上网时间应为19:00,出现了业务属性函数预测失败的异常情况,此时,可记录本次采集到的数据,在后续的几个星期二再对用户的上网时间进行采集,在满足比较策略时、如异常达到三次,根据采集到的用户在星期二的上网时间,对业务属性函数中用户在星期二的上网时间进行校正;或记录本次采集到的数据,可是对后续几个星期的用户上网时间进行采集,确定一周中的其他时间是否符合业务属性函数的预测,在满足比较策略时,根据采集到的用户在各周的上网时间,对业务属性函数中用户的上网时间进行校正,如果用户只在星期二的上网时间与业务属性函数中用户在星期二的上网时间有较大偏
差,也可只对用户在星期二的上网时间进行校正。因此,业务属性数据可为固定周期内各时间点的业务属性数据,也可为固定周期内相同时间点的业务属性数据。
初次分析后得到的业务属性函数的集合就是用户在该业务上的业务指纹的原型,需要通过不断的采样分析对其进行校正,才能够更准确地描述出用户在该业务上的特征表现。以用户的单个业务属性函数为例,与在固定周期内新采样的属性数据比较后发现两者的吻合度已不能满足要求,根据比较策略需要进行自适应分析。如图4所示,具体自适应分析、即校正分析操作过程如下:首先,将业务属性数据或其表达式与原有业务属性函数的分布曲线上对应于业务属性数据含义的点进行曲线拟合,从而获得新的业务属性函数的分布曲线;其次,通过函数逼真方式用一个新的函数来描述新的曲线分布,该新的函数即为新的业务属性函数。分布曲线到函数表示的过程与初步阶段生成初始业务属性函数的处理相同,即通过离散逼近等数学手段,得到新的业务属性函数。所述业务属性数据可为进行如一周、一个月或一年等固定采集周期的用户业务记录数据的采集、并根据配置的业务属性对用户的业务记录数据进行分类、生成的业务属性数据,该业务属性数据可为体现采集周期内用户使用业务情况的业务属性数据,也可为函数或曲线的形式;也可为已满足比较策略需要对原有业务属性函数进行校正,将与业务属性函数中对应于业务属性数据含义的数据不符合的业务属性数据。
步骤306:对新的业务属性函数进行存储。该步骤可由图2所示的业务特征生成装置20来处理,具体可主要由业务特征生成装置20中的存储单元204来处理。
根据以上描述可见,步骤303~步骤304中所述的存储的业务属性函数可为用户的初始业务属性函数,也可为经过校正分析操作后存储的业务属性函数。
当选定的对业务指纹进行分析的业务属性有多个时,对每一个需要进行校正分析操作的业务属性函数重复上述步骤303~步骤306,可以获得一组新
的业务属性函数,每个业务属性函数都能够反映出用户在最近一段时间内的业务使用习惯,这些业务属性函数的集合就组成了用户新的业务指纹。用户的业务属性函数或业务指纹实际是不断修正、自适应的,通过对用户原有的业务属性函数或业务指纹的不断校正和更新,来得到能够准确描述在过去的最近一段时间内用户业务使用行为特征的最新的业务属性函数或业务指纹。
针对于某一具体业务,参与对用户业务使用情况进行分析的业务属性的数量可根据实际需要而进行增加或去除,例如,最初选取三个业务属性对用户的业务使用情况进行分析,经过一段时间的业务属性函数或业务指纹校正分析后,发现其中一个业务属性函数的变化很小,则可将相应业务属性去除;又如,经过一段时间的业务属性函数或业务指纹校正分析后,发现为了更准确地体现用户对业务的使用情况,还需要增加一个业务属性,则对该业务属性的相关数据进行采集分析,生成相应的业务属性函数。
用户的业务属性函数或业务指纹的实时分析对于整个用户业务使用行为的分析是十分必要的。例如,对于用户在业务使用过程中的“异常”,如分布曲线上的跳变,必须引起警惕,典型的实例可为用户在某个业务的单次消费额大幅度增加、通话时间非常长,这样的情况不排除用户的业务被盗用或用户对业务的需求存在转折倾向。为此,对于某些业务属性必须进行实时分析或触发分析的机制。
用户的业务属性函数的实时分析过程可如以下描述:
步骤1:用户对相应业务开始使用或用户单次业务使用结束时,采集用户的业务记录数据,根据配置的业务属性对用户的业务记录数据进行分类,生成用户的业务属性数据,并可进一步将用户的业务属性数据转换成统一表达式。例如,用户一上网,立即记录用户的上网时间并进行记录和量化,然后量化后的上网时间进入下一步处理。
步骤2:将单次用户的业务属性数据与原有业务属性函数计算值进行比较分析,根据比较策略确定是否对业务属性函数进行校正,如果确定当前业务属性数据与业务属性函数的计算值相符,则不进行下一步处理,结束当前
流程;否则,按照预先设定的原则进行处理,如累计异常次数或立即触发。仍以宽带业务为例,用户每次上网都会对上网时间的业务属性进行分析,如果用户上网时间符合其上网时间属性函数f1,则不进行下一步处理;否则,按照预先设定的原则进行处理。
步骤3:当用户在某个业务属性上的表现异常发生时或异常次数累计至设定值时,必须结合用户的业务属性数据对业务属性函数进行重新分析,得到并存储新的业务属性函数。如果一次异常就触发业务属性函数的校正分析,则此处所说的业务属性数据可为通过本次业务记录数据转换得到的业务属性数据;如果累计多次后触发业务属性函数的校正分析,则此处所说的业务属性数据可为由各次存储的业务属性数据综合分析后生成的,所述综合分析过程可为一些数学处理过程,如数值拟合、函数逼真等。
步骤4:根据用户的业务属性的“异常”表现以及分析结果,进行进一步处理,如进行实时监控、善意提醒用户或触发其他事件。例如,在个人用户的宽带业务使用过程中,发现其单位时间内的费用在费用属性函数中发生很大跳变,有可能是账户被盗用或发生其他意外,此时可及时向用户发出提醒。该步骤为可选步骤。
根据本发明提出的方法和装置实现了对用户个体数据的实时、深度分析,尤其是解决了对用户个体的业务属性函数或业务指纹的量化、分析和提取,其优点如下:
1、实时地对用户个体使用某具体业务的行为进行分析,并对用户的行为给出预测、即业务属性函数,根据预测结果和实际值、即业务属性数据的差别来对用户进行有差异化的处理,对用户的业务属性函数或业务指纹进行分析的最理想的结果是:能够发现用户在某个业务属性的周期规律,这样可以对用户的下一个周期进行预测,退一步,即使用户的某个业务属性没有周期性规律,也能够根据业务属性函数的分布曲线的趋势预测用户未来一段时间的业务使用行为;
2、可以根据用户的业务属性函数或业务指纹来对用户进行归类,从而进行有针对性的营销,例如,如果以某个业务属性函数的分布曲线为搜索条件,根据设定的比较策略、如平均值接近,可以区分出有共同业务表现特征的业务群体,然后可针对这些群体展开相应业务,使业务具有更强的针对性和适用性,实现业务的个性化;
3、甚至能够通过某个特定的用户的业务属性函数或业务指纹,从业务群体中识别出用户个体本身。
本发明提供的业务特征生成装置可应用在语音业务、数据增值业务、宽带业务等业务的用户的业务属性函数或业务指纹分析中,由于每种业务的特点决定了其分析过程的某些细节可能不同,如某些业务是在时间上连续的,某些业务在时间上是离散的,但是分析步骤和所需要的功能单元是类似的。
用户的业务属性函数或业务指纹可进一步与运营商现有的用户个人资料和其他记录相配合,能够全面地反映出用户业务使用情况的真实表现,从而衍生出更多的应用。例如,通过分析不同性别的用户的业务属性函数或业务指纹,就能够确定由性别因素而产生的不同业务需求、行为差异,根据这种差异提供有针对性的服务,无疑能给业务带来更好的效益,并能够大大提高用户对业务的满意程度。
以上所述的业务属性函数为业务特征的表现方式;以上所述用户既可以指单个用户,即一个具体的用户个人,也可能是企业用户,还可以是使用同一账号的群体用户,因此以上描述的用户个体可指用户个人,也可以指一个用户群体。
总之,以上所述仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。
Claims (15)
1.一种用户业务特征的生成方法,其特征在于,该方法包含以下步骤:
A、对用户的业务记录数据进行采集,根据配置的业务属性将业务记录数据划分成业务属性数据;
B、将业务属性数据与存储的业务特征中对应于业务属性数据含义的数据进行比较,根据比较策略确定需要对原有业务特征进行校正后,根据业务属性数据对原有业务特征进行校正操作,然后对生成的业务特征进行存储,业务特征具体表现为在业务属性的基础上抽象出来的函数特征,即业务属性函数,所述根据比较策略确定需要对原有业务特征进行校正,为:确定业务属性数据与存储的业务特征中对应于业务属性数据含义的数据的偏差未在允许误差范围内,且满足第二设定条件,所述第二设定条件为:偏差未在允许误差范围内的累计次数达到设定次数;或为偏差未在允许误差范围内的连续次数达到设定次数;或为:偏差在允许误差范围的正数倍之外;
C、当用户确定业务属性数据与存储的业务特征中对应于业务属性数据含义的数据的偏差未在允许误差范围内,且满足第二设定条件时,结合用户的业务属性数据对业务属性函数进行重新分析,得到并存储新的业务属性函数,根据用户的业务属性的异常表现以及分析结果,确定是否向用户发出提醒通知。
2.根据权利要求1所述的方法,其特征在于,所述A之前进一步包括:在一个以上设定周期的时间长度内的每个设定周期,采集对应于业务属性的用户的业务记录数据,根据所述业务记录数据生成用户的初始业务特征。
3.根据权利要求2所述的方法,其特征在于,所述根据业务记录数据生成用户的初始业务特征,为:将业务记录数据经过曲线拟合分析得到具有分布曲线的业务特征。
4.根据权利要求1所述的方法,其特征在于,步骤A中所述对用户的业务记录数据进行采集,与根据配置的业务属性将业务记录数据划分成业务属性数据,之间进一步包括:对业务记录数据的有效性进行验证,如果有效,则根据配置的业务属性将业务记录数据划分成业务属性数据。
5.根据权利要求4所述的方法,其特征在于,所述对业务记录数据的有效性进行验证,为:确定业务记录数据的单位是否正确;或为:确定业务记录数据的含义是否准确;或为:确定业务记录数据是否来自于需要进行分析的用户。
6.根据权利要求1所述的方法,其特征在于,一个设置周期的开始或结束执行所述步骤A;或触发事件发生时,执行所述步骤A。
7.根据权利要求5所述的方法,其特征在于,所述触发事件为:收到控制命令;或为:确定业务属性数据与存储的业务属性函数中对应于业务属性数据含义的数据不相符。
8.根据权利要求1所述的方法,其特征在于,步骤A中所述业务记录数据是体现用户业务使用情况的数据,为:历史话单,或费用记录,或当前业务使用记录,或用户业务使用过程中生成的数据,或以上任意的组合。
9.根据权利要求1所述的方法,其特征在于,所述偏差未在允许误差范围内,与满足第二设定条件,之间进一步包括:对业务属性数据进行存储。
10.根据权利要求1所述的方法,其特征在于,步骤B中所述根据业务属性数据对原有业务特征进行校正操作,为:根据业务属性数据对业务特征中对应于业务属性数据含义的数据进行校正操作。
11.根据权利要求1或10所述的方法,其特征在于,所述校正操作为:函数逼近或数值逼近。
12.根据权利要求1所述的方法,其特征在于,所述业务属性数据为:固定周期内各时间点的业务属性数据;或为:固定周期内相同时间点的业务属性数据。
13.根据权利要求1所述的方法,其特征在于,一个或一个以上的用户的业务特征的集合组成用于描述用户业务使用情况的业务指纹。
14.根据权利要求13所述的方法,其特征在于,该方法进一步包括:重复执行步骤A和步骤B,分别生成各业务特征,生成的各业务特征的集合组成业务指纹。
15.根据权利要求1、2或13所述的方法,其特征在于,所述业务特征通过具有分布曲线的函数、或集合、或矩阵来表示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2005101131241A CN1870025B (zh) | 2005-10-14 | 2005-10-14 | 一种用户业务特征的生成方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2005101131241A CN1870025B (zh) | 2005-10-14 | 2005-10-14 | 一种用户业务特征的生成方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN1870025A CN1870025A (zh) | 2006-11-29 |
CN1870025B true CN1870025B (zh) | 2012-07-04 |
Family
ID=37443682
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2005101131241A Expired - Fee Related CN1870025B (zh) | 2005-10-14 | 2005-10-14 | 一种用户业务特征的生成方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN1870025B (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102137449B (zh) * | 2010-01-25 | 2014-10-01 | 中国移动通信集团湖北有限公司 | 一种用于业务支撑系统的业务处理方法及系统 |
CN102196366B (zh) * | 2010-03-08 | 2015-04-22 | 中国移动通信集团公司 | 通信用户组的识别方法及系统 |
US10168413B2 (en) | 2011-03-25 | 2019-01-01 | T-Mobile Usa, Inc. | Service enhancements using near field communication |
US20130054433A1 (en) * | 2011-08-25 | 2013-02-28 | T-Mobile Usa, Inc. | Multi-Factor Identity Fingerprinting with User Behavior |
US9824199B2 (en) | 2011-08-25 | 2017-11-21 | T-Mobile Usa, Inc. | Multi-factor profile and security fingerprint analysis |
CN103858473B (zh) * | 2013-11-26 | 2018-02-02 | 华为技术有限公司 | 信道管理方法、装置及基站控制器 |
CN104504445A (zh) * | 2014-12-31 | 2015-04-08 | 天津南大通用数据技术股份有限公司 | 一种在线数据分析服务中参考值的实现方法 |
CN105373498B (zh) * | 2015-10-09 | 2018-04-06 | 上海瀚之友信息技术服务有限公司 | 一种数据处理系统及方法 |
CN107291337A (zh) * | 2016-04-01 | 2017-10-24 | 华为技术有限公司 | 一种提供业务访问的方法及装置 |
US11273841B2 (en) * | 2018-09-20 | 2022-03-15 | Toyota Research Institute, Inc. | Method and apparatus for spoofing prevention |
CN110958126B (zh) * | 2018-09-26 | 2022-09-06 | 中国移动通信集团有限公司 | 一种校验方法、装置及计算机可读存储介质 |
CN109919746A (zh) * | 2019-02-01 | 2019-06-21 | 王亚萍 | 一种基于限定性税务业务类别的电子税务局数据预处理方法 |
US20230064153A1 (en) * | 2021-08-26 | 2023-03-02 | Robert Bosch Gmbh | System and method to detect malicious use of diagnostic state changes in a vehicle |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1050833A2 (en) * | 1999-05-06 | 2000-11-08 | Hnc Software Inc. | Predictive modeling of customer financial behavior |
-
2005
- 2005-10-14 CN CN2005101131241A patent/CN1870025B/zh not_active Expired - Fee Related
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1050833A2 (en) * | 1999-05-06 | 2000-11-08 | Hnc Software Inc. | Predictive modeling of customer financial behavior |
Also Published As
Publication number | Publication date |
---|---|
CN1870025A (zh) | 2006-11-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN1870025B (zh) | 一种用户业务特征的生成方法及装置 | |
Chen et al. | Using predictions in online optimization: Looking forward with an eye on the past | |
US7065496B2 (en) | System for managing equipment, services and service provider agreements | |
US9787540B2 (en) | System and method for predictive network congestion control | |
US20070083650A1 (en) | Prediction of service level compliance in it infrastructures | |
CN100583921C (zh) | 一种收集用户通信特征信息的方法和装置 | |
CN102027383A (zh) | 测定和分析便携式设备内事件的能耗的系统和方法 | |
CN103377242A (zh) | 用户行为分析方法、分析预测方法及电视节目推送系统 | |
US20160142917A1 (en) | Customer demographic information system and method | |
TWI505667B (zh) | 完成有關於通訊網路節點之預測分析的方法與系統 | |
Malone et al. | The tragedy of the last mile: Economic solutions to congestion in broadband networks | |
CN109819098A (zh) | 菜单选项显示方法、服务器、系统及计算机可读存储介质 | |
US20210357953A1 (en) | Availability ranking system and method | |
Pohjola et al. | Value-based methodology to analyze communication services | |
KR20020092540A (ko) | 메신저를 이용한 맞춤정보 제공 방법 및 시스템 | |
CN110880987A (zh) | 一种基于时间特征的分组域网络容量预测方法及系统 | |
JP4780668B2 (ja) | トラヒック分析モデルの構築方法、装置および構築プログラムならびにその記憶媒体 | |
CN109684546A (zh) | 推荐方法、装置、存储介质及终端 | |
CN104734898A (zh) | 一种基于社交网络分析的业务推荐方法和系统 | |
CN101511075A (zh) | 一种通信服务计费方法和通信服务计费系统 | |
CN116366436B (zh) | 一种基于广域组网提供各种电信增值业务的方法 | |
US20230169345A1 (en) | Multiscale dimensional reduction of data | |
US20220172230A1 (en) | Continuous value monitor | |
Droftina et al. | Predicting influential mobile-subscriber churners using low-level user features | |
Du et al. | Performance measurement for new mobile data services during generation upgrading period: a case of China’s telecom industry |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20120704 Termination date: 20171014 |