CN107066518B - 数据处理方法及*** - Google Patents

数据处理方法及*** Download PDF

Info

Publication number
CN107066518B
CN107066518B CN201710068706.5A CN201710068706A CN107066518B CN 107066518 B CN107066518 B CN 107066518B CN 201710068706 A CN201710068706 A CN 201710068706A CN 107066518 B CN107066518 B CN 107066518B
Authority
CN
China
Prior art keywords
variable
user
data processing
representative
determining
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.)
Active
Application number
CN201710068706.5A
Other languages
English (en)
Other versions
CN107066518A (zh
Inventor
周扬
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Advanced New Technologies Co Ltd
Advantageous New Technologies Co Ltd
Original Assignee
Advanced New Technologies Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Advanced New Technologies Co Ltd filed Critical Advanced New Technologies Co Ltd
Priority to CN201710068706.5A priority Critical patent/CN107066518B/zh
Publication of CN107066518A publication Critical patent/CN107066518A/zh
Application granted granted Critical
Publication of CN107066518B publication Critical patent/CN107066518B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases
    • G06F16/285—Clustering or classification
    • 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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0202—Market predictions or forecasting for commercial activities

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Finance (AREA)
  • Strategic Management (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Physics & Mathematics (AREA)
  • Game Theory and Decision Science (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请实施例提供了一种数据处理方法及***，该方法包括以下步骤：根据第一用户群体的特定业务数据确定待选变量集及其变量值；所述第一用户群体包括设置有特定业务的数据处理方式的用户群体；根据所述待选变量集及其变量值确定代表变量及其权重，并根据所述代表变量及其权重确定预测模型；获取每个第二用户的代表变量的变量值，并根据所述预测模型以及所述每个第二用户的代表变量的变量值，确定所述每个第二用户针对所述特定业务的数据处理方式；所述第二用户包括未设置所述特定业务的数据处理方式的用户。本申请实施例可以提高数据处理的首次处理成功率和处理效率。

Description

数据处理方法及***
技术领域
本申请涉及数据处理技术领域，尤其是涉及一种数据处理方法及***。
背景技术
在数据处理领域，有时会涉及到数据处理方式的选择。例如当用户预先设置了数据处理方式时，可将用户设置的数据处理方式作为该用户特定业务的数据处理方式。当用户未预先设置数据处理方式时，可按照默认的数据处理方式进行处理，或基于用户偏好等为用户推荐一个数据处理方式，以作为该用户特定业务的数据处理方式。
然而，本申请的发明人发现，现有技术中，在基于用户偏好为用户推荐数据处理方式时，往往根据经验选择一些因素来提取用户偏好，这可能导致一些重要因素被忽略，从而致使获得的用户偏好可能与用户真实的用户偏好不符，而在此基础上为用户推荐的数据处理方式的就可能存在问题。从而容易导致在一些业务场景下，上述自动为用户推荐数据处理方式的方案可能不适用，从而影响了数据处理的首次处理成功率和处理效率。
发明内容
本申请实施例的目的在于提供一种数据处理方法及***，以提高数据处理的首次处理成功率和处理效率。
为达到上述目的，一方面本申请实施例提供了一种数据处理方法，包括以下步骤：
根据第一用户群体的特定业务数据确定待选变量集及其变量值；所述第一用户群体包括设置有特定业务的数据处理方式的用户群体；
根据所述待选变量集及其变量值确定代表变量及其权重，并根据所述代表变量及其权重确定预测模型；
获取每个第二用户的代表变量的变量值，并根据所述预测模型以及所述每个第二用户的代表变量的变量值，确定所述每个第二用户针对所述特定业务的数据处理方式；所述第二用户包括未设置所述特定业务的数据处理方式的用户。
另一方面，本申请实施例还提供了一种数据处理***，包括：
变量获取模块，用于根据第一用户群体的特定业务数据确定待选变量集及其变量值；所述第一用户群体包括设置有特定业务的数据处理方式的用户群体；
模型获取模块，用于根据所述待选变量集及其变量值确定代表变量及其权重，并根据所述代表变量及其权重确定预测模型；
方式确定模块，用于获取每个第二用户的代表变量的变量值，并根据所述预测模型以及所述每个第二用户的代表变量的变量值，确定所述每个第二用户针对所述特定业务的数据处理方式；所述第二用户包括未设置所述特定业务的数据处理方式的用户。
再一方面，本申请实施例还提供了另一种数据处理方法，包括以下步骤：
接收特定业务的待处理数据任务；
当所述待处理数据任务所对应用户为第二用户时，根据所述用户的用户标识，从预设的数据处理方式集合中匹配对应的数据处理方式；其中，所述数据处理方式集合预先通过以下步骤得到：
根据第一用户群体的特定业务数据确定待选变量集及其变量值；所述第一用户群体包括设置有特定业务的数据处理方式的用户群体；
根据所述待选变量集及其变量值确定代表变量及其权重，并根据所述代表变量及其权重确定预测模型；
获取每个第二用户的代表变量的变量值，并根据所述预测模型以及所述每个第二用户的代表变量的变量值，确定所述每个第二用户针对所述特定业务的数据处理方式；所述第二用户包括未设置所述特定业务的数据处理方式的用户。
再一方面，本申请实施例还提供了另一种数据处理***，包括：
处理器；
存储器，用于存储数据处理装置；
其中，所述数据处理装置被所述处理器处理时，执行如下步骤：
接收特定业务的待处理数据任务；
当所述待处理数据任务所对应用户为第二用户时，根据所述用户的用户标识，从预设的数据处理方式集合中匹配对应的数据处理方式；其中，所述数据处理方式集合预先通过以下步骤得到：
根据第一用户群体的特定业务数据确定待选变量集及其变量值；所述第一用户群体包括设置有特定业务的数据处理方式的用户群体；
根据所述待选变量集及其变量值确定代表变量及其权重，并根据所述代表变量及其权重确定预测模型；
获取每个第二用户的代表变量的变量值，并根据所述预测模型以及所述每个第二用户的代表变量的变量值，确定所述每个第二用户针对所述特定业务的数据处理方式；所述第二用户包括未设置所述特定业务的数据处理方式的用户。
由此可见，本申请实施例中，可根据设置有特定业务的数据处理方式的第一用户的特定业务数据确定待选变量集；然后从待选变量集中选出代表变量，并代表变量确定预测模型；然后根据预测模型并结合未设置有特定业务的数据处理方式的第二用户的代表变量，预测出该第二用户的数据处理方式。由于预测模型是学习了第一用户的用户偏好，而统计表明第一用户的数据处理的首次处理成功率和处理效率都是非常高的；因此，后续当基于这种预测模型并结合第二用户的用户环境，对第二用户的特定业务进行数据处理时，可以提高数据处理的首次处理成功率和处理效率。
附图说明
为了更清楚地说明本申请实施例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简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。在附图中：
图1为本申请一实施例的数据处理方法的流程图；
图2为本申请另一实施例的数据处理方法的流程图；
图3为本申请一实施例的数据处理***的结构框图；
图4为本申请另一实施例的数据处理***的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本申请中的技术方案，下面将结合本申请实施例中的附图，对本申请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，都应当属于本申请保护的范围。
参考图1所示，本申请实施例的数据处理方法包括以下步骤：
S101.根据第一用户群体的特定业务数据确定待选变量集及其变量值；所述第一用户群体包括设置有特定业务的数据处理方式的用户群体。
本申请实施例中，一般的，对于任何一个应用而言，其往往有中多个用户。在一些情况下，有的应用允许用户设置特定业务的数据处理方式。然而，统计表明，由于各种原因，往往只有一部分用户设置了特定业务(例如支付业务、下载业务、搜索业务等等)的数据处理方式，其余用户则未进行设置。因此，在应用中会存在一部分设置有特定业务的数据处理方式的用户(即第一用户)，以及另一部分未设置特定业务的数据处理方式的用户(即第二用户)。
本申请实施例中，所述第一用户群体的特定业务数据可以包括该第一用户群体针对该特定业务的所有业务数据。在本申请的另一个实施例中，所述第一用户群体的特定业务数据也可以包括该第一用户群体的指定时间范围内的特定业务数据。在本申请实施例一个示例性的支付应用场景下，所述第一用户群体的特定业务数据例如可以包括所述第一用户群体的指定时间范围内的历史支付数据。
本申请实施例中，所述待选变量集一般可以包括多个待选变量。每个待选变量构成一个影响所述第一用户群体的用户偏好评价指标或评价维度。因此，理论上而言，待选变量越多，考虑的就越全面，从而越能更真实的反应所述第一用户群体的用户偏好。在本申请的一个示例性的支付应用场景下，所述待选变量集例如可以包括支付渠道、支付场景、支付时间和支付金额等等。其中，所述渠道支付可以包括：无线支付、PC支付、协议支付等。所述支付场景例如可以包括：当面付、批量扣款、房贷还款、***还款等。
本申请实施例中，所述待选变量集的变量值即为每个待选变量所对应的变量值，例如如果将特定业务的业务发生时间作为一个待选变量，则其对应的变量值可以为2016.11.06/12:05:53，2016.11.10/18:15:24，2016.11.21/09:20:03等等。
当然，本申请实施例中，对于不同的应用或同一应用中不同的业务而言，由于业务不同，其待选变量集一般也是不同的。
在本申请一个示例性的基于第三方支付平台的支付应用场景下，所述待选变量集可以包括所述第一用户群体的最近一次支付时间、支付频率以及支付金额等。从而可以得到可以如下表1所示各个待选变量及其对应的变量值：
表1
Figure BDA0001221974610000051
上述表1中仅示例性列出了所述第一用户群体中的一个第一用户的待选变量集及其变量值。所述第一用户群体中的其他第一用户的待选变量集所包含的待选变量与之相同，只是对应的变量值不同。
S102.根据所述待选变量集及其变量值确定代表变量及其权重，并根据所述代表变量及其权重确定预测模型。
本申请实施例中，可以基于预设的变量选择方法，确定所述待选变量集中每个待选变量对指定目标变量的影响程度值；然后将其中指定数量个影响程度值最大的待选变量作为代表变量，并将对应的影响程度值作为该代表变量的权重。从而从所述第一用户群体的待选变量集中优选出一部分具有代表性的变量作为代表变量。由于代表变量是在全部待选变量中通过变量选择方法优选出的，因此，本申请实施例所优选的代表变量可以更好的反映第一用户群体的用户偏好。此外，本申请实施例不利用待选变量集，而利用代表变量确定预测模型的目的在于，这样可以大大降低计算量，节约***资源。
本申请实施例中，所述变量选择方法可以为信息熵算法、信息增益算法、IV(Information Value，信息价值)算法等等。
在本申请的一个示例性实施例中，所述变量选择方法可以采用IV算法。具体的，如果在一个分类问题中，目标变量的类别有两类：Y1，Y2。对于一个待预测的个体A，要判断A属于Y1还是Y2，我们是需要一定的信息的，如果这个信息总量是I，而这些所需要的信息，就蕴含在所有的自变量C1，C2，C3，…，Cn中，那么，对于其中的一个变量Ci来说，其蕴含的信息越多，那么它对于判断A属于Y1还是Y2的贡献就越大，Ci的信息价值就越大；对应的，Ci的IV就越大，Ci就越应该被选为代表变量。IV的计算公式如下：
Figure BDA0001221974610000061
其中，
Figure BDA0001221974610000062
从以上公式可以看出，IV相当于是woei值的一个加权求和，woei值的大小决定了自变量对于目标变量的影响程度。其中，woei反应在自变量的每个分组i下负样本用户Gi对正样本用户Bi占比，与总体负样本GT用户对总体正样本用户BT占比之间的差异。
本申请一个实施例中，当采用IV算法选择代表变量时，自变量即为待选变量集中各个待选变量，而目标变量可以为一个二分类的目标变量。至于将何变量作为二分类的目标变量，可以依据具体应用场景而定。例如：
在本申请一个示例性的基于第三方支付平台的支付应用场景下，用户在第三方支付平台的账户上可能绑定多张银行卡，不同的银行卡可能拥有不同的用途，常见的银行卡用途包括：房贷卡、车贷卡、***、ETC卡、消费贷卡等。并且，部分用户不希望指定用途的卡被扣款；例如用户的房贷卡中的钱刚好够还下一期贷款，但是如果在银行扣款之前，用户使用了第三方支付平台的当面付，从而将用户房贷卡中的钱扣掉了；由于用户对当面付使用哪张卡无感知，恰好用户又没有开通房贷卡的账户变动短信通知，所以并不知道发生的一切，从而容易导致房贷扣款失败，造成还款逾期。
而如果用户设置了支付的支付选择顺序(即该用户为第一用户)，例如：银行卡A->银行卡B->银行卡C，这表示该用户希望首先用银行卡A做支付，如果此卡支付失败，再考虑用于银行卡B扣款，以此类推。一般的，消费贷卡的常用程度大部分情况下是高于房贷卡的常用程度的，同时常用的卡大部分情况下也是支付首次处理成功率较高的(没人愿意主动给自己找麻烦)。借助这个事实，因此，本申请示例性实施例做一个合理的假设：用户越常用的银行卡，其支付首次处理成功率也越高，如此就把预测支付卡偏好和预测支付首次处理成功率结合到了一起。具体的，可以将第一用户在支付选择顺序中设置的选择优先级最高的一张银行卡设为常用卡(记为1)、第一用户在支付选择顺序中设置的其余的银行卡为非常用卡(记为0)，因此，常用卡1和非常用卡0就可以作为一个二分类的目标变量。
在基于IV算法选择代表变量的场景下，通过IV算法可以得到每个待选变量的IV值，可将这些IV值按照大小进行排序(例如下表2所示)，以便于从中选择若干个IV值最大的待选变量作为代表变量。本申请示例性实施例中，具体选择多少个IV值最大的待选变量作为代表变量，可通过效果测试确定。
表2
待选变量 IV值
V1:最近一次支付时间 1.59
V2:最近一次支付成功时间 1.52
V3:最近一次支付失败时间 1.48
V4:支付天数 …
V5:支付成功天数 …
V6:支付失败天数 …
V7:支付总金额 …
V8:支付成功总金额 …
V9:支付失败总金额 …
V10:支付最大金额 …
V11:支付成功最大金额 …
V12:支付失败最大金额 …
V13:支付最小金额 …
V14:支付成功最小金额 …
V15:支付失败最小金额 …
V16:支付平均金额 …
V17:支付成功平均金额 …
V18:支付失败平均金额 …
………… …
本申请示例性实施例中，在确定代表变量后，每个代表变量所对应的IV值就可以确定为该代表变量的权重，从而可依据代表变量及其确定预测模型。例如上表2所示，如果选择出V1、V2和V3作为代表变量，则确定的预测模型可以表示为各个代表变量的变量值的加权求和，如下式所示：
F＝1.59V1+1.52V2+1.48V2。
S103、获取每个第二用户的代表变量的变量值，并根据所述预测模型以及所述每个第二用户的代表变量的变量值，确定所述每个第二用户针对所述特定业务的数据处理方式；所述第二用户包括未设置所述特定业务的数据处理方式的用户。
本申请一个实施例中，在得到预测模型后，可根据预测模型，并结合未设置有特定业务的数据处理方式的第二用户的用户环境进行预测。所述的未设置有特定业务的数据处理方式的第二用户的用户环境，可以为其指定时间范围的代表变量的变量值。其中，所述代表变量与所述预测模型中的代表变量相对应。
本申请实施例中，所述第二用户的针对所述特定业务的数据处理方式例如可以包括：所述第二用户的特定数据对象的选择优先级排序。对应的，所述根据所述预测模型以及所述每个第二用户的代表变量的变量值，确定所述每个第二用户针对所述特定业务的数据处理方式，可以为：将一个第二用户的每个特定数据对象对应的代表变量的变量值代入预测模型，可得到该特定数据对象的预测值，然后按照预测值由大到小的排序作为该第二用户的针对所述特定业务的数据处理方式；基于类似的处理方式，可以预测出每个第二用户的针对所述特定业务的数据处理方式。
在本申请的一个示例性实施例中，如果预测模型为F＝1.59V1+1.52V2+1.48V2时，一个第二用户X有三个特定数据对象a、b和c，按照上述方法，可以先获得第二用户X的特定数据对象A对应的代表变量(V1a、V2a和V3a)的变量值，然后代入上述预测模型即可得到第二用户X的特定数据对象a的预测值Fa，同理可以对应得到第二用户X的特定数据对象b的预测值Fb，以及特定数据对象c的预测值Fc。将Fa、Fb和Fc按照由大到小的顺序进行排序，假设排序结果为Fa->Fc->Fb，则Fa->Fc->Fb即为第二用户X的针对所述特定业务的数据处理方式。
在本申请实施例一个示例性实施例中，所述特定数据对象例如可以为所述第二用户在某个第三方支付平台的账户上所绑定的各张银行卡的支付选择顺序。
在本申请一个实施例中，在所述根据所述待选变量集及其变量值确定代表变量及其权重之后，还可以包括：
根据斜率呈指数递减的归一化函数，将所述待选变量集的变量值进行归一化处理，获得所述待选变量集的归一化变量值。
对应的，所述根据所述待选变量集及其变量值确定代表变量及其权重，并根据所述代表变量及其权重确定预测模型，可以包括：
根据所述待选变量集及归一化变量值确定代表变量及其权重，并根据所述代表变量及其权重确定预测模型；
对应的，所述获取每个第二用户的代表变量的变量值，可以包括：
根据所述归一化函数将每个第二用户的代表变量的变量值进行归一化处理，对应得到所述每个第二用户的代表变量的归一化变量值。
本申请实施例中，选择斜率呈指数递减的归一化函数，将所述待选变量集的变量值进行归一化处理，是为了获得反应次数、频次等类似变量的变量值的变化所包含报的信息。例如在一个支付场景下，当用户第一次支付时，历史支付频次从0次变为第1次；当用户第100次支付时，历史支付频次从第99次变为第100次。虽然都是增加了一次，但支付频次从0到1要比支付频次从99到100所包含的信息量要大。举例说明：用户从学校毕业进入社会工作，在校使用的学校发放奖学金的借记卡使用频率虽然逐渐降低(变得不常用)，但是由于在校读书时间长，历史累计使用频次高，而公司发放的新工资卡由于刚刚拿到，历史使用的频次低。因此，旧卡的支付是较为普通的一次支付行为，而新卡的支付则是较为特别的一次支付行为，这代表用户生活状态的某一种转变(体现为用户绑卡后的第一次支付)。而采用斜率呈指数递减的归一化函数，将所述待选变量集的变量值进行归一化处理，则可以较好的体现出这种差异，从而使得后续得到预测模型可以更加准确的反映用户偏好。
在本申请的一个示例性实施例中，所述斜率呈指数递减的归一化函数例如可以为Logit Function函数，其表达公式如下：
Figure BDA0001221974610000091
在本申请的一个实施例中，在所述确定所述每个第二用户针对所述特定业务的数据处理方式之后，还可以定期更新所述每个第二用户的针对所述特定业务的数据处理方式，以使用户的数据处理方式可以适应户偏好的变化。
本申请实施例中，可根据设置有特定业务的数据处理方式的第一用户的特定业务数据确定待选变量集；然后从待选变量集中选出代表变量，并代表变量确定预测模型；然后根据预测模型并结合未设置有特定业务的数据处理方式的第二用户的代表变量，预测出该第二用户的数据处理方式。由于预测模型是学习了第一用户的用户偏好，而统计表明第一用户的数据处理的首次处理成功率和处理效率都是非常高的；因此，后续当基于这种预测模型并结合第二用户的用户环境，对第二用户的特定业务进行数据处理时，可以提高数据处理的首次处理成功率和处理效率。
参考图2所示，本申请实施例的数据处理方法，包括以下步骤：
S201、接收特定业务的待处理数据任务。
本申请实施例中，所述特定业务可以为任何应用的业务，例如支付业务、下载业务或搜索业务等等。
S202、当所述待处理数据任务所对应用户为第二用户时，根据所述用户的用户标识，从预设的数据处理方式集合中匹配对应的数据处理方式。
本申请实施例中，所述数据处理方式集合预先通过以下步骤得到：
根据第一用户群体的特定业务数据确定待选变量集及其变量值；所述第一用户群体包括设置有特定业务的数据处理方式的用户群体；
根据所述待选变量集及其变量值确定代表变量及其权重，并根据所述代表变量及其权重确定预测模型；
获取每个第二用户的代表变量的变量值，并根据所述预测模型以及所述每个第二用户的代表变量的变量值，确定所述每个第二用户针对所述特定业务的数据处理方式；所述第二用户包括未设置所述特定业务的数据处理方式的用户。
上述对应关系集合的具体细节，可参考图1所示方法实施例，在此不再赘述。
在本申请的一个实施例中，为了有利于快捷处理数据任务，在预测完每个第二用户的数据处理方式后，可以根据第二用户的用户标识与其数据处理方式的对应关系，将这些预测出的数据处理方式构成一个有序的数据处理方式集合，例如下表3所示：
表3
用户ID 数据处理方式ID 数据处理方式
0001 001 A1->A2->A3
0002 002 B2->B4->B3->B1
0003 003 C2->C1
本申请实施例中，可预先通过用户ID打标方式确定用户是第一用户还是第二用户。从而，当接收特定业务的待处理数据任务时，可根据待处理数据任务所对应用户的用户ID，来确定待处理数据任务所对应用户类型。当待处理数据任务所对应用户为第二用户时，执行步骤S202；当待处理数据任务所对应用户为第一用户时，可直接按照该第一用户已设定的针对该特定业务的数据处理方式，来处理所述待处理数据任务。
虽然上文描述的过程流程包括以特定顺序出现的多个操作，但是，应当清楚了解，这些过程可以包括更多或更少的操作，这些操作可以顺序执行或并行执行(例如使用并行处理器或多线程环境)。
参考图3所示，本申请一实施例的数据处理***包括：
变量获取模块31，可以用于根据第一用户群体的特定业务数据确定待选变量集及其变量值；所述第一用户群体包括设置有特定业务的数据处理方式的用户群体；
模型获取模块32，可以用于根据所述待选变量集及其变量值确定代表变量及其权重，并根据所述代表变量及其权重确定预测模型；
方式确定模块33，可以用于获取每个第二用户的代表变量的变量值，并根据所述预测模型以及所述每个第二用户的代表变量的变量值，确定所述每个第二用户针对所述特定业务的数据处理方式；所述第二用户包括未设置所述特定业务的数据处理方式的用户。
本申请实施例的数据处理***与上述图1所示方法实施例的方法对应，因此，有关于本申请实施例的数据处理***的具体细节，可参考图1所示方法实施例，在此不再赘述。
本申请实施例中，变量获取模块可根据设置有特定业务的数据处理方式的第一用户的特定业务数据确定待选变量集；模型获取模块可从待选变量集中选出代表变量，并代表变量确定预测模型；方式确定模块可根据预测模型并结合未设置有特定业务的数据处理方式的第二用户的代表变量，预测出该第二用户的数据处理方式。由于预测模型是学习了第一用户的用户偏好，而统计表明第一用户的数据处理的首次处理成功率和处理效率都是非常高的；因此，后续当基于这种预测模型并结合第二用户的用户环境，对第二用户的特定业务进行数据处理时，可以提高数据处理的首次处理成功率和处理效率。
参考图4所示，本申请实施例的数据处理***在硬件层面可以包括处理器、内部总线、存储器和内存等，当然还可能包括其他业务所需要的硬件。处理器从存储器中读取对应的计算机程序到内存中然后运行，在逻辑层面上形成数据处理装置。当然，除了软件实现方式之外，本申请实施例并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。其中，存储器，用于存储数据处理装置；所述数据处理装置被所述处理器处理时，执行如下步骤：
接收特定业务的待处理数据任务；
当所述待处理数据任务所对应用户为第二用户时，根据所述用户的用户标识，从预设的数据处理方式集合中匹配对应的数据处理方式；其中，所述数据处理方式集合预先通过以下步骤得到：
根据第一用户群体的特定业务数据确定待选变量集及其变量值；所述第一用户群体包括设置有特定业务的数据处理方式的用户群体；
根据所述待选变量集及其变量值确定代表变量及其权重，并根据所述代表变量及其权重确定预测模型；
获取每个第二用户的代表变量的变量值，并根据所述预测模型以及所述每个第二用户的代表变量的变量值，确定所述每个第二用户针对所述特定业务的数据处理方式；所述第二用户包括未设置所述特定业务的数据处理方式的用户。
本申请实施例的数据处理***与上述图2所示方法实施例的方法对应，因此，有关于本申请实施例的数据处理***的具体细节，可参考图2所示方法实施例，在此不再赘述。
在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字***“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的***、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本发明的实施例可提供为方法、***、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本申请的实施例可提供为方法、***或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于***实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (16)

1.一种数据处理方法，其特征在于，包括以下步骤：
根据第一用户群体的特定业务数据确定待选变量集及其变量值；所述第一用户群体包括设置有特定业务的数据处理方式的用户群体；所述待选变量中所包含的至少一个待选变量用于构成所述第一用户群体的用户偏好评价指标；
根据所述待选变量集及其变量值确定代表变量及其权重，并根据所述代表变量及其权重确定预测模型；
获取每个第二用户的代表变量的变量值，并根据所述预测模型以及所述每个第二用户的代表变量的变量值，确定所述每个第二用户针对所述特定业务的数据处理方式；所述第二用户包括未设置所述特定业务的数据处理方式的用户；所述第二用户对应有至少两个特定数据对象；所述获取每个第二用户的代表变量的变量值，并根据所述预测模型以及所述每个第二用户的代表变量的变量值，确定所述每个第二用户针对所述特定业务的数据处理方式，包括：将所述第二用户每个特定数据对象的代表变量的变量值带入所述预测模型得到对应于特定数据对象的预测值；根据所述预测值对所述特定数据对象进行排序；确定所述特定数据对象的排序结果为所述第二用户针对所述特定业务的数据处理方式。
2.根据权利要求1所述的数据处理方法，其特征在于，在所述根据所述待选变量集及其变量值确定代表变量及其权重之后，还包括：
根据斜率呈指数递减的归一化函数，将所述待选变量集的变量值进行归一化处理，获得所述待选变量集的归一化变量值；
对应的，所述根据所述待选变量集及其变量值确定代表变量及其权重，并根据所述代表变量及其权重确定预测模型，包括：
根据所述待选变量集及归一化变量值确定代表变量及其权重，并根据所述代表变量及其权重确定预测模型；
对应的，所述获取每个第二用户的代表变量的变量值，包括：
根据所述归一化函数将每个第二用户的代表变量的变量值进行归一化处理，对应得到所述每个第二用户的代表变量的归一化变量值。
3.根据权利要求1或2所述的数据处理方法，其特征在于，所述根据所述待选变量集及其变量值确定代表变量及其权重，包括：
根据预设的变量选择方法，确定所述待选变量集中每个待选变量对指定目标变量的影响程度值；
将其中指定数量个影响程度值最大的待选变量作为代表变量，并将对应的影响程度值作为该代表变量的权重。
4.根据权利要求3所述的数据处理方法，其特征在于，所述预测模型为各个代表变量的变量值的加权求和。
5.根据权利要求1所述的数据处理方法，其特征在于，在所述确定所述每个第二用户针对所述特定业务的数据处理方式之后，还包括：
定期更新每个第二用户针对所述特定业务的数据处理方式。
6.根据权利要求1或2所述的数据处理方法，其特征在于，所述第一用户群体的特定业务数据包括:
所述第一用户群体的指定时间范围内的特定业务数据。
7.根据权利要求1所述的数据处理方法，其特征在于，所述特定业务包括：
支付业务、搜索业务或下载业务。
8.一种数据处理***，其特征在于，包括：
变量获取模块，用于根据第一用户群体的特定业务数据确定待选变量集及其变量值；所述第一用户群体包括设置有特定业务的数据处理方式的用户群体；所述待选变量中所包含的至少一个待选变量用于构成所述第一用户群体的用户偏好评价指标；
模型获取模块，用于根据所述待选变量集及其变量值确定代表变量及其权重，并根据所述代表变量及其权重确定预测模型；
方式确定模块，用于获取每个第二用户的代表变量的变量值，并根据所述预测模型以及所述每个第二用户的代表变量的变量值，确定所述每个第二用户针对所述特定业务的数据处理方式；所述第二用户包括未设置所述特定业务的数据处理方式的用户；所述第二用户对应有至少两个特定数据对象；所述获取每个第二用户的代表变量的变量值，并根据所述预测模型以及所述每个第二用户的代表变量的变量值，确定所述每个第二用户针对所述特定业务的数据处理方式，包括：将所述第二用户每个特定数据对象的代表变量的变量值带入所述预测模型得到对应于特定数据对象的预测值；根据所述预测值对所述特定数据对象进行排序；确定所述特定数据对象的排序结果为所述第二用户针对所述特定业务的数据处理方式。
9.一种数据处理方法，其特征在于，包括以下步骤：
接收特定业务的待处理数据任务；
当所述待处理数据任务所对应用户为第二用户时，根据所述第二用户的用户标识，从预设的数据处理方式集合中匹配对应的数据处理方式；其中，所述数据处理方式集合预先通过以下步骤得到：
根据第一用户群体的特定业务数据确定待选变量集及其变量值；所述第一用户群体包括设置有特定业务的数据处理方式的用户群体；所述待选变量中所包含的至少一个待选变量用于构成所述第一用户群体的用户偏好评价指标；
根据所述待选变量集及其变量值确定代表变量及其权重，并根据所述代表变量及其权重确定预测模型；
获取每个第二用户的代表变量的变量值，并根据所述预测模型以及所述每个第二用户的代表变量的变量值，确定所述每个第二用户针对所述特定业务的数据处理方式；所述第二用户包括未设置所述特定业务的数据处理方式的用户；所述第二用户对应有至少两个特定数据对象；所述获取每个第二用户的代表变量的变量值，并根据所述预测模型以及所述每个第二用户的代表变量的变量值，确定所述每个第二用户针对所述特定业务的数据处理方式，包括：将所述第二用户每个特定数据对象的代表变量的变量值带入所述预测模型得到对应于特定数据对象的预测值；根据所述预测值对所述特定数据对象进行排序；确定所述特定数据对象的排序结果为所述第二用户针对所述特定业务的数据处理方式。
10.根据权利要求9所述的数据处理方法，其特征在于，在所述根据所述待选变量集及其变量值确定代表变量及其权重之后，还包括：
根据斜率呈指数递减的归一化函数，将所述待选变量集的变量值进行归一化处理，获得所述待选变量集的归一化变量值；
对应的，所述根据所述待选变量集及其变量值确定代表变量及其权重，并根据所述代表变量及其权重确定预测模型，包括：
根据所述待选变量集及归一化变量值确定代表变量及其权重，并根据所述代表变量及其权重确定预测模型；
对应的，所述获取每个第二用户的代表变量的变量值，包括：
根据所述归一化函数将每个第二用户的代表变量的变量值进行归一化处理，对应得到所述每个第二用户的代表变量的归一化变量值。
11.根据权利要求9或10所述的数据处理方法，其特征在于，所述根据所述待选变量集及其变量值确定代表变量及其权重，包括：
根据预设的变量选择方法，确定所述待选变量集中每个待选变量对指定目标变量的影响程度值；
将其中指定数量个影响程度值最大的待选变量作为代表变量，并将对应的影响程度值作为该代表变量的权重。
12.根据权利要求11所述的数据处理方法，其特征在于，所述预测模型为各个代表变量的变量值的加权求和。
13.根据权利要求9所述的数据处理方法，其特征在于，在所述确定所述每个第二用户针对所述特定业务的数据处理方式之后，还包括：
定期更新每个第二用户针对所述特定业务的数据处理方式。
14.根据权利要求9或10所述的数据处理方法，其特征在于，所述第一用户群体的特定业务数据包括:
所述第一用户群体的指定时间范围内的特定业务数据。
15.根据权利要求9所述的数据处理方法，其特征在于，所述特定业务包括：
支付业务、搜索业务或下载业务。
16.一种数据处理***，其特征在于，包括：
处理器；
存储器，用于存储数据处理装置；
其中，所述数据处理装置被所述处理器处理时，执行如下步骤：
接收特定业务的待处理数据任务；
当所述待处理数据任务所对应用户为第二用户时，根据所述第二用户的用户标识，从预设的数据处理方式集合中匹配对应的数据处理方式；其中，所述数据处理方式集合预先通过以下步骤得到：
根据第一用户群体的特定业务数据确定待选变量集及其变量值；所述第一用户群体包括设置有特定业务的数据处理方式的用户群体；所述待选变量中所包含的至少一个待选变量用于构成所述第一用户群体的用户偏好评价指标；
根据所述待选变量集及其变量值确定代表变量及其权重，并根据所述代表变量及其权重确定预测模型；
获取每个第二用户的代表变量的变量值，并根据所述预测模型以及所述每个第二用户的代表变量的变量值，确定所述每个第二用户针对所述特定业务的数据处理方式；所述第二用户包括未设置所述特定业务的数据处理方式的用户；所述第二用户对应有至少两个特定数据对象；所述获取每个第二用户的代表变量的变量值，并根据所述预测模型以及所述每个第二用户的代表变量的变量值，确定所述每个第二用户针对所述特定业务的数据处理方式，包括：将所述第二用户每个特定数据对象的代表变量的变量值带入所述预测模型得到对应于特定数据对象的预测值；根据所述预测值对所述特定数据对象进行排序；确定所述特定数据对象的排序结果为所述第二用户针对所述特定业务的数据处理方式。
CN201710068706.5A 2017-02-08 2017-02-08 数据处理方法及*** Active CN107066518B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710068706.5A CN107066518B (zh) 2017-02-08 2017-02-08 数据处理方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710068706.5A CN107066518B (zh) 2017-02-08 2017-02-08 数据处理方法及***

Publications (2)

Publication Number Publication Date
CN107066518A CN107066518A (zh) 2017-08-18
CN107066518B true CN107066518B (zh) 2021-01-08

Family

ID=59598746

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710068706.5A Active CN107066518B (zh) 2017-02-08 2017-02-08 数据处理方法及***

Country Status (1)

Country Link
CN (1) CN107066518B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113837731A (zh) * 2018-04-04 2021-12-24 创新先进技术有限公司 一种偏好设置、业务处理的***、方法、装置及设备
CN111796513B (zh) * 2019-04-08 2022-09-09 阿里巴巴集团控股有限公司 一种数据处理方法及装置
CN113077277A (zh) * 2020-01-06 2021-07-06 北京京邦达贸易有限公司 信息处理装置和方法
CN111382068B (zh) * 2020-02-29 2024-04-09 中国平安人寿保险股份有限公司 一种大批量数据的层次测试方法及装置
CN111737166B (zh) * 2020-05-15 2023-04-07 完美世界(北京)软件科技发展有限公司 数据对象的处理方法、装置及设备
CN113469807B (zh) * 2021-08-31 2022-03-01 阿里云计算有限公司 信贷风险确定和数据处理方法、设备、介质及程序产品

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6687696B2 (en) * 2000-07-26 2004-02-03 Recommind Inc. System and method for personalized search, information filtering, and for generating recommendations utilizing statistical latent class models
CN104346372A (zh) * 2013-07-31 2015-02-11 国际商业机器公司 用于评估预测模型的方法和装置
CN104778176A (zh) * 2014-01-13 2015-07-15 阿里巴巴集团控股有限公司 一种数据搜索处理方法及装置
CN104899315A (zh) * 2015-06-17 2015-09-09 百度在线网络技术（北京）有限公司 推送用户信息的方法和装置
CN106202088A (zh) * 2015-05-04 2016-12-07 阿里巴巴集团控股有限公司 一种匹配业务场景的方法和***

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104751234B (zh) * 2013-12-31 2018-10-19 华为技术有限公司 一种用户资产的预测方法及装置
CN106126597A (zh) * 2016-06-20 2016-11-16 乐视控股（北京）有限公司 用户属性预测方法及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6687696B2 (en) * 2000-07-26 2004-02-03 Recommind Inc. System and method for personalized search, information filtering, and for generating recommendations utilizing statistical latent class models
CN104346372A (zh) * 2013-07-31 2015-02-11 国际商业机器公司 用于评估预测模型的方法和装置
CN104778176A (zh) * 2014-01-13 2015-07-15 阿里巴巴集团控股有限公司 一种数据搜索处理方法及装置
CN106202088A (zh) * 2015-05-04 2016-12-07 阿里巴巴集团控股有限公司 一种匹配业务场景的方法和***
CN104899315A (zh) * 2015-06-17 2015-09-09 百度在线网络技术（北京）有限公司 推送用户信息的方法和装置

Also Published As

Publication number Publication date
CN107066518A (zh) 2017-08-18

Similar Documents

Publication Publication Date Title
CN107066518B (zh) 数据处理方法及***
CN108537568B (zh) 一种信息推荐方法和装置
CN108399477B (zh) 一种风险阈值确定的方法及装置
CN108764915B (zh) 模型训练方法、数据类型识别方法和计算机设备
CN110852503B (zh) 一种支付渠道的选择方法和设备、支付渠道路由
CN112966186A (zh) 一种模型训练和信息推荐的方法及装置
CN111539739A (zh) 一种风险检测方法、装置及设备
CN113222578A (zh) 一种支付方法及装置
CN115238826B (zh) 一种模型训练的方法、装置、存储介质及电子设备
CN108920183B (zh) 一种业务决策方法、装置及设备
CN110738562B (zh) 一种风险提醒信息的生成方法、装置及设备
CN109345221A (zh) 资源流转的核对方法及装置
CN114997472A (zh) 一种模型训练的方法、业务风控的方法及装置
CN110134860B (zh) 用户画像生成方法、装置和设备
CN110245978B (zh) 策略组中的策略评估、策略选择方法及装置
CN113222649A (zh) 一种业务执行方式的推荐方法以及装置
CN113886033A (zh) 一种任务处理的方法及装置
CN112163962A (zh) 一种模型训练和业务风控的方法及装置
CN115729714A (zh) 一种资源分配方法、装置、存储介质及电子设备
CN111047435A (zh) 信贷数据处理、信贷分配方法、装置及电子设备
CN116485391A (zh) 支付推荐处理方法及装置
CN107392408B (zh) 一种信用分数的提示信息输出方法及装置
CN115049433A (zh) 一种模型训练方法、装置、存储介质及电子设备
CN112579292A (zh) 一种资源分配的方法及装置
CN111784162A (zh) 一种业务***的健康指数评价方法、装置以及设备

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
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 1241511

Country of ref document: HK

TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20200925

Address after: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman Islands

Applicant after: Innovative advanced technology Co.,Ltd.

Address before: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman Islands

Applicant before: Advanced innovation technology Co.,Ltd.

Effective date of registration: 20200925

Address after: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman Islands

Applicant after: Advanced innovation technology Co.,Ltd.

Address before: Greater Cayman, British Cayman Islands

Applicant before: Alibaba Group Holding Ltd.

GR01 Patent grant
GR01 Patent grant