TWI811745B - 用於預測瀏覽網址類別標籤的伺服器及方法 - Google Patents
用於預測瀏覽網址類別標籤的伺服器及方法 Download PDFInfo
- Publication number
- TWI811745B TWI811745B TW110127417A TW110127417A TWI811745B TW I811745 B TWI811745 B TW I811745B TW 110127417 A TW110127417 A TW 110127417A TW 110127417 A TW110127417 A TW 110127417A TW I811745 B TWI811745 B TW I811745B
- Authority
- TW
- Taiwan
- Prior art keywords
- time point
- vectors
- accuracy
- browsing
- result
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 17
- 239000013598 vector Substances 0.000 claims abstract description 152
- 238000012795 verification Methods 0.000 claims abstract description 54
- 238000003062 neural network model Methods 0.000 claims abstract description 53
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 2
- 230000015654 memory Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Automatic Analysis And Handling Materials Therefor (AREA)
Abstract
提供一種用於預測瀏覽網址類別標籤的伺服器及方法。所述方法包括：利用多個向量及神經網路模型獲得對應於驗證時間點的第一結果；利用多個向量獲得對應於驗證時間點的第二結果；判斷對應於第一結果的第一準確度是否大於對應於第二結果的第二準確度；若第一準確度大於第二準確度，利用多個向量及神經網路模型獲得對應於欲預測時間點的第一瀏覽網址類別標籤預測結果；若第二準確度大於第一準確度，利用多個向量獲得對應於欲預測時間點的第二瀏覽網址類別標籤預測結果。
Description
本揭露是有關於一種用於預測瀏覽網址類別標籤的伺服器及方法。
目前，許多機構希望藉由預測用戶將會瀏覽的網址類別標籤來得知用戶將要瀏覽的網址類型，以根據用戶的喜好推薦廣告給用戶。然而，預測瀏覽網址類別標籤的準確性通常不高，因而造成廣告資源的浪費。基此，需要提出一種改良的用於預測瀏覽網址類別標籤的伺服器及方法。
本揭露提供一種用於預測瀏覽網址類別標籤的伺服器及方法，可提高預測瀏覽網址類別標籤的準確性。
本揭露的用於預測瀏覽網址類別標籤的伺服器包括儲存媒體以及處理器。儲存媒體儲存神經網路模型以及多個向量，其中多個向量中的每一者包括分別對應於多個瀏覽網址類別標籤的多個布林值，其中多個向量分別對應於多個時間點。處理器耦接儲存媒體，處理器經配置以：利用多個向量以及神經網路模型獲得對應於驗證時間點的第一結果，其中驗證時間點屬於多個時間點的其中之一；利用多個向量獲得對應於驗證時間點的第二結果；判斷對應於第一結果的第一準確度是否大於對應於第二結果的第二準確度；若第一準確度大於第二準確度，利用多個向量以及神經網路模型獲得對應於欲預測時間點的第一瀏覽網址類別標籤預測結果，其中欲預測時間點晚於驗證時間點；以及若第二準確度大於第一準確度，利用多個向量獲得對應於欲預測時間點的第二瀏覽網址類別標籤預測結果。
本揭露的預測瀏覽網址類別標籤的方法包括：利用多個向量以及神經網路模型獲得對應於驗證時間點的第一結果，其中多個向量中的每一者包括分別對應於多個瀏覽網址類別標籤的多個布林值，其中多個向量分別對應於多個時間點，其中驗證時間點屬於多個時間點的其中之一；利用多個向量獲得對應於驗證時間點的第二結果；判斷對應於第一結果的第一準確度是否大於對應於第二結果的第二準確度；若第一準確度大於第二準確度，利用多個向量以及神經網路模型獲得對應於欲預測時間點的第一瀏覽網址類別標籤預測結果，其中欲預測時間點晚於驗證時間點；以及若第二準確度大於第一準確度，利用多個向量獲得對應於欲預測時間點的第二瀏覽網址類別標籤預測結果。
基於上述，本揭露的用於預測瀏覽網址類別標籤的伺服器及方法可在預測瀏覽網址類別標籤之前，先比較（利用神經網路模型所獲得的）第一結果以及（不利用神經網路模型所獲得的）第二結果的準確性，以決定是否使用神經網路模型來預測瀏覽網址類別標籤，從而提高了預測瀏覽網址類別標籤的準確性。
為讓本揭露的上述特徵和優點能更明顯易懂，下文特舉實施例，並配合所附圖式作詳細說明如下。
圖1是根據本揭露一範例實施例的用於預測瀏覽網址類別標籤的伺服器100的示意圖。伺服器100包括儲存媒體110以及處理器120。伺服器100例如可設置於欲預測用戶將會瀏覽的網址類別標籤的機構，例如銀行欲預測用戶將會瀏覽的網址是屬於信用卡類別標籤、個人台幣類別標籤或個人貸款類別標籤等。
儲存媒體110可以是任意型式的固定式或可移動式隨機存取記憶體（Random Access Memory，RAM）、唯讀記憶體（Read-Only Memory，ROM）、快閃記憶體（Flash memory）、硬碟或其他類似裝置或這些裝置的組合。儲存媒體110可儲存神經網路模型1101。神經網路模型1101例如可以是長短期記憶（Long Short Term Memory，LSTM）神經網路模型，然而本揭露不對此限制。
處理器120耦接儲存媒體110，以控制伺服器100的運作。處理器120例如是一般用途處理器、特殊用途處理器、傳統的處理器、數位訊號處理器、多個微處理器（microprocessor）、一個或多個結合數位訊號處理器核心的微處理器、控制器、微控制器、特殊應用集成電路（Application Specific Integrated Circuit，ASIC）、場可程式閘陣列電路（Field Programmable Gate Array，FPGA）、任何其他種類的積體電路、狀態機、基於進階精簡指令集機器（Advanced RISC Machine，ARM）的處理器以及類似品。
儲存媒體110可儲存多個向量（即，向量1102-1~向量1102-N）。多個向量中的每一者可包括分別對應於多個瀏覽網址類別標籤的多個布林值。多個向量可分別對應於多個時間點。
以下將以實施例進一步說明。表1是瀏覽網址類別標籤的一個實例。伺服器100可設置表1中的各瀏覽網址以讓用戶端電子裝置（圖未繪示）連線至該些瀏覽網址，且各瀏覽網址可分別被設置為表1所示的瀏覽網址類別標籤。換句話說，瀏覽網址類別標籤為瀏覽網址經分類之後的結果。表1中以13種不同的瀏覽網址類別標籤作為說明，然而本揭露不限於此。
表1 瀏覽網址類別標籤的一個實例
| 瀏覽網址 | 瀏覽網址類別標籤 |
| https://www.xxbank.com.tw/corporate | 企金 |
| https://www.xxbank.com.tw/corporate/loan | 企業貸款 |
| https://www.xxbank.com.tw/corporate/trade | 企業貿易金融 |
| https://www.xxbank.com.tw/corporate/trust | 企業信託 |
| https://www.xxbank.com.tw/corporate/cash-management /twd-service | 企業存款收付 |
| https://www.xxbank.com.tw/corporate/obu | 境外金融中心 |
| https://www.xxbank.com.tw/digital-finance | 數位金融 |
| https://www.xxbank.com.tw/personal/twd-service | 個人台幣 |
| https://www.xxbank.com.tw/personal/foreign-service | 個人外幣 |
| https://www.xxbank.com.tw/personal/loan | 個人貸款 |
| https://estimation.xxbank.com.tw/ | 個人貸款 |
| https://onlineloan.xxbank.com.tw/ | 個人貸款 |
| https://www.xxbank.com.tw/personal/credit-card | 信用卡 |
| https://ebank.xxbank.com.tw/MegaMCreditCardWeb | 信用卡 |
| https://fund.xxbank.com.tw/ | 基金投資 |
| https://www.xxbank.com.tw/personal/investment | 基金投資 |
| https://www.xxbank.com.tw/personal/finance/ | 財富管理 |
表2是向量1102-1的一個實例。向量1102-1可包括分別對應於表1中的13個瀏覽網址類別標籤的13個布林值，例如，由於對應於瀏覽網址類別標籤「個人台幣」的布林值為1，表2所示的向量1102-1可指示用戶端電子裝置曾經連線至表1中瀏覽網址類別標籤「個人台幣」所對應的瀏覽網址（https://www.xxbank.com.tw/personal/twd-service）。進一步而言，向量1102-1例如可對應於時間點2020/10/02，換句話說，向量1102-1可指示用戶端電子裝置曾經在時間點2020/10/02時連線至瀏覽網址類別標籤「個人台幣」所對應的瀏覽網址。
表2 向量1102-1的一個實例
| 對應於時間點 2020/10/02 | |
| 瀏覽網址類別標籤 | 布林值 |
| 企金 | 0 |
| 企業貸款 | 0 |
| 企業貿易金融 | 0 |
| 企業信託 | 0 |
| 企業存款收付 | 0 |
| 境外金融中心 | 0 |
| 數位金融 | 0 |
| 個人台幣 | 1 |
| 個人外幣 | 0 |
| 個人貸款 | 0 |
| 信用卡 | 0 |
| 基金投資 | 0 |
| 財富管理 | 0 |
以下將以N為91（即，儲存媒體110儲存向量1102-1~向量1102-91）作為範例說明。需說明的是，本揭露並不對N的數量限制。
向量1102-1~向量1102-91所分別對應的時間點例如是連續的日期。即，向量1102-1可指示用戶端電子裝置曾在時間點2020/10/02連線至（向量1102-1中）布林值為1的各瀏覽網址類別標籤所分別對應的瀏覽網址、向量1102-2可指示用戶端電子裝置曾在時間點2020/10/03連線至（向量1102-2中）布林值為1的各瀏覽網址類別標籤所分別對應的瀏覽網址，依此類推，直到向量1102-90可指示用戶端電子裝置曾在時間點2020/12/30連線至（向量1102-90中）布林值為1的各瀏覽網址類別標籤所分別對應的瀏覽網址，以及向量1102-91可指示用戶端電子裝置曾在時間點2020/12/31連線至（向量1102-91中）布林值為1的各瀏覽網址類別標籤所分別對應的瀏覽網址。
處理器120可利用向量1102-1~向量1102-91以及神經網路模型1101獲得對應於驗證時間點的第一結果，其中驗證時間點屬於多個時間點（即，時間點2020/10/02~時間點2020/12/31）的其中之一。
進一步而言，處理器120可利用訓練資料集訓練神經網路模型1101。訓練資料集可包括向量1102-1~向量1102-91中的多個訓練向量。例如，處理器120可將驗證時間點設置為時間點2020/12/31，並將訓練時間點設置為時間點2020/12/30。處理器120可將分別對應於時間點2020/10/02~時間點2020/12/29的向量1102-1~向量1102-89作為多個訓練向量中的應變數，以及對應於訓練時間點（時間點2020/12/30）的向量1102-90作為訓練向量中的自變數，以訓練神經網路模型1101。
處理器120可將輸入資料集輸入至神經網路模型1101，並且由神經網路模型1101獲得對應於驗證時間點（時間點2020/12/31）的輸出結果。輸入資料集可包括向量1102-1~向量1102-91中的多個輸入向量。例如，處理器120可將分別對應於時間點2020/10/03~時間點2020/12/30的向量1102-2~向量1102-90作為輸入向量。處理器120可將包括此些輸入向量的輸入資料集輸入至神經網路模型1101，並且由神經網路模型1101獲得對應於驗證時間點（時間點2020/12/31）的輸出結果。
處理器120可將此輸出結果作為對應於驗證時間點（時間點2020/12/31）的第一結果。即，第一結果為由神經網路模型1101所決定（預測）在時間點2020/12/31時用戶端電子裝置是否會連線至如表1中該13種瀏覽網址類別標籤所對應的瀏覽網址。
在另一實施例中，處理器120可利用向量1102-1~向量1102-91獲得對應於驗證時間點（時間點2020/12/31）的第二結果（即，不利用神經網路模型1101而獲得第二結果）。
進一步而言，處理器120可利用輸入資料集獲得對應於驗證時間點（時間點2020/12/31）的第二結果。輸入資料集可包括向量1102-1~向量1102-91中的多個輸入向量。例如，處理器120可將分別對應於時間點2020/10/03~時間點2020/12/30的向量1102-2~向量1102-90作為輸入向量。處理器120可檢視輸入資料集中的輸入向量（向量1102-2~向量1102-90）的各布林值，並根據此些輸入向量的各布林值獲得對應於驗證時間點（時間點2020/12/31）的第二結果。假設向量1102-2~向量1102-90中每一個向量的瀏覽網址類別標籤「企金」所對應的布林值均是0，即用戶端電子裝置在時間點2020/10/03~時間點2020/12/30均未連線至瀏覽網址類別標籤「企金」所對應的瀏覽網址，處理器120可決定在驗證時間點（時間點2020/12/31）時，用戶端電子裝置將不會連線至瀏覽網址類別標籤「企金」所對應的瀏覽網址。另一方面，假設向量1102-2~向量1102-90中至少有一個向量的瀏覽網址類別標籤「企業貸款」所對應的布林值為1，即用戶端電子裝置在時間點2020/10/03~時間點2020/12/30曾經連線至瀏覽網址類別標籤「企業貸款」所對應的瀏覽網址，處理器120可決定在驗證時間點（時間點2020/12/31）時，用戶端電子裝置將會連線至瀏覽網址類別標籤「企業貸款」所對應的瀏覽網址。
處理器120可判斷對應於第一結果的第一準確度是否大於對應於第二結果的第二準確度。
進一步而言，處理器120可利用對應於驗證時間點的驗證時間點向量以及混淆矩陣（Confusion Matrix）判斷對應於第一結果的第一準確度是否大於對應於第二結果的第二準確度。
如前述實施例所說明的，對應於驗證時間點（時間點2020/12/31）的第一結果為處理器120將輸入資料集（即，對應於時間點2020/10/03~時間點2020/12/30的輸入向量，向量1102-2~向量1102-90）輸入至神經網路模型1101而獲得，而對應於驗證時間點（時間點2020/12/31）第二結果則為處理器120直接根據此些對應於時間點2020/10/03~時間點2020/12/30的輸入向量而獲得。
處理器120可利用對應於驗證時間點（時間點2020/12/31）的驗證時間點向量（向量1102-91）以及混淆矩陣來判斷對應於第一結果的第一準確度是否大於對應於第二結果的第二準確度。換句話說，處理器120可藉由比較驗證時間點向量與第一結果獲得第一準確度，以及藉由比較驗證時間點向量與第二結果獲得第二準確度，再利用混淆矩陣判斷第一準確度是否大於第二準確度。
混淆矩陣所包括的指標例如是真陰性（true negative，TN）、真陽性（true positive，TP）、偽陰性（false negative，FN）、偽陽性（false positive，FP）、召回（recall）、準確率（precision）、調和平均數（F1）或準確性（accuracy），但本揭露不限於此。
若第一準確度大於第二準確度，處理器120可利用（向量1102-1~向量1102-91）以及神經網路模型1101獲得對應於欲預測時間點的第一瀏覽網址類別標籤預測結果。欲預測時間點可晚於驗證時間點。
進一步而言，處理器120可將輸入資料集輸入至神經網路模型1101，並且由神經網路模型1101獲得對應於欲預測時間點的輸出結果。輸入資料集可包括向量1102-1~向量1102-91中的多個輸入向量。例如，處理器120可將欲預測時間點設置為時間點2021/01/01。處理器120可將分別對應於時間點2020/10/04~時間點2020/12/31的向量1102-3~向量1102-91作為輸入向量。處理器120可將包括此些輸入向量的輸入資料集輸入至神經網路模型1101，並且由神經網路模型1101獲得對應於欲預測時間點（時間點2021/01/01）的輸出結果。處理器120可將輸出結果作為對應於欲預測時間點（時間點2021/01/01）的第一瀏覽網址類別標籤預測結果。
若第二準確度大於第一準確度，處理器120可利用（向量1102-1~向量1102-91）獲得對應於欲預測時間點（時間點2021/01/01）的第二瀏覽網址類別標籤預測結果。
進一步而言，處理器120可利用輸入資料集獲得對應於欲預測時間點（時間點2021/01/01）的第二瀏覽網址類別標籤預測結果。輸入資料集可包括（向量1102-1~向量1102-91）中的多個輸入向量。例如，處理器120可將分別對應於時間點2020/10/04~時間點2020/12/31的向量1102-3~向量1102-91作為輸入向量。處理器120可檢視此些輸入向量（向量1102-3~向量1102-91）的各布林值，並根據此些輸入向量的各布林值獲得對應於欲預測時間點（時間點2021/01/01）的第二瀏覽網址類別標籤預測結果。假設向量1102-3~向量1102-91中每一個向量的瀏覽網址類別標籤「企金」所對應的布林值均是0，即用戶端電子裝置在時間點2020/10/04~時間點2020/12/31均未連線至瀏覽網址類別標籤「企金」所對應的瀏覽網址，處理器120可決定在欲預測時間點（時間點2021/01/01）時，用戶端電子裝置將不會連線至瀏覽網址類別標籤「企金」所對應的瀏覽網址。另一方面，假設向量1102-3~向量1102-91中至少有一個向量的瀏覽網址類別標籤「企業貸款」所對應的布林值為1，即用戶端電子裝置在時間點2020/10/04~時間點2020/12/31曾經連線至瀏覽網址類別標籤「企業貸款」所對應的瀏覽網址，處理器120可決定在欲預測時間點（時間點2021/01/01）時，用戶端電子裝置將會連線至瀏覽網址類別標籤「企業貸款」所對應的瀏覽網址。
在處理器120利用多個向量獲得對應於欲預測時間點的第二瀏覽網址類別標籤預測結果之後，處理器120可利用此第二瀏覽網址類別標籤預測結果來訓練神經網路模型1101。處理器120例如可將此第二瀏覽網址類別標籤預測結果加入前述實施例中的訓練資料集。基此，可提高後續使用神經網路模型1101來預測瀏覽網址類別標籤時的準確度。
圖2是根據本揭露一範例實施例的預測瀏覽網址類別標籤的方法的流程圖。
在步驟S201中，利用多個向量以及神經網路模型獲得對應於驗證時間點的第一結果，其中多個向量中的每一者包括分別對應於多個瀏覽網址類別標籤的多個布林值，其中多個向量分別對應於多個時間點，其中驗證時間點屬於多個時間點的其中之一。
在步驟S202中，利用多個向量獲得對應於驗證時間點的第二結果。
在步驟S203中，判斷對應於第一結果的第一準確度是否大於對應於第二結果的第二準確度。
在步驟S204中，若第一準確度大於第二準確度，利用多個向量以及神經網路模型獲得對應於欲預測時間點的第一瀏覽網址類別標籤預測結果，其中欲預測時間點晚於驗證時間點。
在步驟S205中，若第二準確度大於第一準確度，利用多個向量獲得對應於欲預測時間點的第二瀏覽網址類別標籤預測結果。
綜上所述，本揭露的用於預測瀏覽網址類別標籤的伺服器及方法可在預測瀏覽網址類別標籤之前，先比較（利用神經網路模型所獲得的）第一結果以及（不利用神經網路模型所獲得的）第二結果的準確性，以決定是否使用神經網路模型來預測瀏覽網址類別標籤，從而提高了預測瀏覽網址類別標籤的準確性。
雖然本揭露已以實施例揭露如上，然其並非用以限定本揭露，任何所屬技術領域中具有通常知識者，在不脫離本揭露的精神和範圍內，當可作些許的更動與潤飾，故本揭露的保護範圍當視後附的申請專利範圍所界定者為準。
100:用於預測瀏覽網址類別標籤的伺服器
110:儲存媒體
1101:神經網路模型
1102-1~1102-N:向量
120:處理器
S201~S205:步驟
圖1是根據本揭露一範例實施例的用於預測瀏覽網址類別標籤的伺服器的示意圖。
圖2是根據本揭露一範例實施例的預測瀏覽網址類別標籤的方法的流程圖。
S201~S205:步驟
Claims (8)
- 一種用於預測瀏覽網址類別標籤的伺服器，包括：一儲存媒體，儲存一神經網路模型以及多個向量，其中所述多個向量中的每一者包括分別對應於多個瀏覽網址類別標籤的多個布林值，其中所述多個向量分別對應於多個時間點，其中所述多個瀏覽網址類別標籤的每一者對應於瀏覽網址，且所述多個向量的每一者指示一用戶端電子裝置是否曾經連線至所述瀏覽網址，其中所述多個瀏覽網址類別標籤包括企金、企業貸款、企業貿易金融、企業信託、企業存款收付、境外金融中心、數位金融、個人台幣、個人外幣、個人貸款、信用卡、基金投資以及財富管理；以及一處理器，耦接所述儲存媒體，所述處理器經配置以：利用所述多個向量以及所述神經網路模型獲得對應於一驗證時間點的一第一結果，其中所述驗證時間點屬於所述多個時間點的其中之一；利用所述多個向量獲得對應於所述驗證時間點的一第二結果；判斷對應於所述第一結果的一第一準確度是否大於對應於所述第二結果的一第二準確度；若所述第一準確度大於所述第二準確度，利用所述多個向量以及所述神經網路模型獲得對應於一欲預測時間點的一第一瀏覽網址類別標籤預測結果，其中所述欲預測時間點晚於所述驗證時間點；以及 若所述第二準確度大於所述第一準確度，利用所述多個向量獲得對應於所述欲預測時間點的一第二瀏覽網址類別標籤預測結果，其中所述處理器更經配置以：利用一輸入資料集獲得對應於所述驗證時間點的所述第二結果，其中所述輸入資料集包括所述多個向量中的多個輸入向量，其中所述處理器更經配置以：利用對應於所述驗證時間點的一驗證時間點向量以及一混淆矩陣判斷對應於所述第一結果的所述第一準確度是否大於對應於所述第二結果的所述第二準確度，且所述混淆矩陣包括真陰性(true negative，TN)、真陽性(true positive，TP)、偽陰性(false negative，FN)、偽陽性(false positive，FP)、召回(recall)、準確率(precision)、調和平均數(F1)或準確性(accuracy)等指標。
- 如請求項1所述的用於預測瀏覽網址類別標籤的伺服器，其中所述處理器更經配置以：利用一訓練資料集訓練所述神經網路模型，其中所述訓練資料集包括所述多個向量中的多個訓練向量；將所述輸入資料集輸入至所述神經網路模型，並且由所述神經網路模型獲得對應於所述驗證時間點的一輸出結果，其中所述輸入資料集包括所述多個向量中的所述多個輸入向量；以及將所述輸出結果作為對應於所述驗證時間點的所述第一結果。
- 如請求項1所述的用於預測瀏覽網址類別標籤的伺服器，其中所述處理器更經配置以：將所述輸入資料集輸入至所述神經網路模型，並且由所述神經網路模型獲得對應於所述欲預測時間點的一輸出結果，其中所述輸入資料集包括所述多個向量中的所述多個輸入向量；以及將所述輸出結果作為對應於所述欲預測時間點的所述第一瀏覽網址類別標籤預測結果。
- 如請求項1所述的用於預測瀏覽網址類別標籤的伺服器，其中所述處理器更經配置以：利用所述輸入資料集獲得對應於所述欲預測時間點的所述第二瀏覽網址類別標籤預測結果，其中所述輸入資料集包括所述多個向量中的所述多個輸入向量。
- 一種預測瀏覽網址類別標籤的方法，適用於包括儲存媒體以及處理器的伺服器，其中所述儲存媒體儲存一神經網路模型以及多個向量，其中所述處理器執行所述方法的以下步驟：利用所述多個向量以及所述神經網路模型獲得對應於一驗證時間點的一第一結果，其中所述多個向量中的每一者包括分別對應於多個瀏覽網址類別標籤的多個布林值，其中所述多個向量分別對應於多個時間點，其中所述驗證時間點屬於所述多個時間點的其中之一，其中所述多個瀏覽網址類別標籤的每一者對應於瀏覽網址，且所述多個向量的每一者指示一用戶端電子裝置是否曾經連線至所述瀏覽網址，其中所述多個瀏覽網址類別標籤包括企 金、企業貸款、企業貿易金融、企業信託、企業存款收付、境外金融中心、數位金融、個人台幣、個人外幣、個人貸款、信用卡、基金投資以及財富管理；利用所述多個向量獲得對應於所述驗證時間點的一第二結果；判斷對應於所述第一結果的一第一準確度是否大於對應於所述第二結果的一第二準確度；若所述第一準確度大於所述第二準確度，利用所述多個向量以及所述神經網路模型獲得對應於一欲預測時間點的一第一瀏覽網址類別標籤預測結果，其中所述欲預測時間點晚於所述驗證時間點；以及若所述第二準確度大於所述第一準確度，利用所述多個向量獲得對應於所述欲預測時間點的一第二瀏覽網址類別標籤預測結果，其中利用所述多個向量獲得對應於所述驗證時間點的所述第二結果的步驟更包括：利用一輸入資料集獲得對應於所述驗證時間點的所述第二結果，其中所述輸入資料集包括所述多個向量中的多個輸入向量，其中判斷對應於所述第一結果的所述第一準確度是否大於對應於所述第二結果的所述第二準確度的步驟更包括：利用對應於所述驗證時間點的一驗證時間點向量以及一混淆矩陣判斷對應於所述第一結果的所述第一準確度是否大於對應於 所述第二結果的所述第二準確度，且所述混淆矩陣包括真陰性(true negative，TN)、真陽性(true positive，TP)、偽陰性(false negative，FN)、偽陽性(false positive，FP)、召回(recall)、準確率(precision)、調和平均數(F1)或準確性(accuracy)等指標。
- 如請求項5所述的預測瀏覽網址類別標籤的方法，其中利用所述多個向量以及所述神經網路模型獲得對應於所述驗證時間點的所述第一結果的步驟更包括：利用一訓練資料集訓練所述神經網路模型，其中所述訓練資料集包括所述多個向量中的多個訓練向量；將所述輸入資料集輸入至所述神經網路模型，並且由所述神經網路模型獲得對應於所述驗證時間點的一輸出結果，其中所述輸入資料集包括所述多個向量中的所述多個輸入向量；以及將所述輸出結果作為對應於所述驗證時間點的所述第一結果。
- 如請求項5所述的預測瀏覽網址類別標籤的方法，其中若所述第一準確度大於所述第二準確度，利用所述多個向量以及所述神經網路模型獲得對應於所述欲預測時間點的所述第一瀏覽網址類別標籤預測結果的步驟更包括：將所述輸入資料集輸入至所述神經網路模型，並且由所述神經網路模型獲得對應於所述欲預測時間點的一輸出結果，其中所述輸入資料集包括所述多個向量中的所述多個輸入向量；以及 將所述輸出結果作為對應於所述欲預測時間點的所述第一瀏覽網址類別標籤預測結果。
- 如請求項5所述的預測瀏覽網址類別標籤的方法，其中若所述第二準確度大於所述第一準確度，利用所述多個向量獲得對應於所述欲預測時間點的所述第二瀏覽網址類別標籤預測結果的步驟更包括：利用所述輸入資料集獲得對應於所述欲預測時間點的所述第二瀏覽網址類別標籤預測結果，其中所述輸入資料集包括所述多個向量中的所述多個輸入向量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW110127417A TWI811745B (zh) | 2021-07-26 | 2021-07-26 | 用於預測瀏覽網址類別標籤的伺服器及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW110127417A TWI811745B (zh) | 2021-07-26 | 2021-07-26 | 用於預測瀏覽網址類別標籤的伺服器及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| TW202305620A TW202305620A (zh) | 2023-02-01 |
| TWI811745B true TWI811745B (zh) | 2023-08-11 |
Family
ID=86661353
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW110127417A TWI811745B (zh) | 2021-07-26 | 2021-07-26 | 用於預測瀏覽網址類別標籤的伺服器及方法 |
Country Status (1)
| Country | Link |
|---|---|
| TW (1) | TWI811745B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111709575A (zh) * | 2020-06-16 | 2020-09-25 | 北京工业大学 | 基于c-lstm的学业成绩预测方法 |
| CN112463976A (zh) * | 2020-09-29 | 2021-03-09 | 东南大学 | 一种以群智感知任务为中心的知识图谱构建方法 |
| CN112950350A (zh) * | 2021-02-06 | 2021-06-11 | 中国建设银行股份有限公司 | 一种基于机器学习的贷款产品推荐方法及系统 |
| TWM620099U (zh) * | 2021-07-26 | 2021-11-21 | 兆豐國際商業銀行股份有限公司 | 用於預測瀏覽網址類別標籤的伺服器 |
-
2021
- 2021-07-26 TW TW110127417A patent/TWI811745B/zh active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111709575A (zh) * | 2020-06-16 | 2020-09-25 | 北京工业大学 | 基于c-lstm的学业成绩预测方法 |
| CN112463976A (zh) * | 2020-09-29 | 2021-03-09 | 东南大学 | 一种以群智感知任务为中心的知识图谱构建方法 |
| CN112950350A (zh) * | 2021-02-06 | 2021-06-11 | 中国建设银行股份有限公司 | 一种基于机器学习的贷款产品推荐方法及系统 |
| TWM620099U (zh) * | 2021-07-26 | 2021-11-21 | 兆豐國際商業銀行股份有限公司 | 用於預測瀏覽網址類別標籤的伺服器 |
Also Published As
| Publication number | Publication date |
|---|---|
| TW202305620A (zh) | 2023-02-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Chavez‐Demoulin et al. | An extreme value approach for modeling operational risk losses depending on covariates | |
| Ding et al. | Frontier efficiency, capital structure, and portfolio risk: An empirical analysis of US banks | |
| US11907867B2 (en) | Identification and suggestion of rules using machine learning | |
| US8694420B1 (en) | System and method for outputting a credit risk report based on debit data | |
| US20220247754A1 (en) | Systems and methods for identifying synthetic identities associated with network communications | |
| CA2840050A1 (en) | System and methods for producing a credit feedback loop | |
| TW201734893A (zh) | 信用分的獲取、特徵向量值的輸出方法及其裝置 | |
| WO2011085497A1 (en) | Systems and methods for conducting more reliable financial transactions, credit decisions, and security assessments | |
| Johl et al. | Business group affiliation, board quality and audit pricing behavior: Evidence from Indian companies | |
| CN111566683A (zh) | 强健和自适应的人工智能建模 | |
| US20200380524A1 (en) | Transaction feature generation | |
| US20230116362A1 (en) | Scoring trustworthiness, competence, and/or compatibility of any entity for activities including recruiting or hiring decisions, composing a team, insurance underwriting, credit decisions, or shortening or improving sales cycles | |
| CN110489691A (zh) | 页面组件显示方法及终端设备 | |
| JP2019185595A (ja) | 情報処理装置、情報処理方法、情報処理プログラム、判定装置、判定方法及び判定プログラム | |
| Chen et al. | Incomplete information model of credit default of micro and small enterprises | |
| JP2018116694A (ja) | 算出装置、算出方法及び算出プログラム | |
| CN110288488A (zh) | 医疗险欺诈预测方法、装置、设备和可读存储介质 | |
| TWM620099U (zh) | 用於預測瀏覽網址類別標籤的伺服器 | |
| TWI811745B (zh) | 用於預測瀏覽網址類別標籤的伺服器及方法 | |
| Zeng | [Retracted] Research on Risk Measurement and Early Warning of Electronic Banking Business Based on GMDH Algorithm | |
| JP2018116580A (ja) | 算出装置、算出方法及び算出プログラム | |
| US20230091063A1 (en) | Systems and methods for real-time processing of resource requests | |
| US20220027916A1 (en) | Self Learning Machine Learning Pipeline for Enabling Binary Decision Making | |
| Kirikos | Monetary policy effectiveness in the liquidity trap: a switching regimes approach | |
| Hilliard et al. | Option pricing under short-lived arbitrage: theory and tests |