CN107644106B - 自动挖掘业务中间人的方法、终端设备及存储介质 - Google Patents
自动挖掘业务中间人的方法、终端设备及存储介质 Download PDFInfo
- Publication number
- CN107644106B CN107644106B CN201710975528.4A CN201710975528A CN107644106B CN 107644106 B CN107644106 B CN 107644106B CN 201710975528 A CN201710975528 A CN 201710975528A CN 107644106 B CN107644106 B CN 107644106B
- Authority
- CN
- China
- Prior art keywords
- analysis
- service
- mined
- model
- identity characteristic
- 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
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开一种自动挖掘业务中间人的方法,包括如下步骤:S1:输入手机取证数据,从输入的手机取证数据中提取待挖掘对象的至少一个身份特征属性,进入S2步骤;S2:根据S1中提取的待挖掘对象的每个身份特征属性,调用对应的分析模型对待挖掘对象进行挖掘分析,获得对应每个身份特征属性的业务中间人的类型的可信度值,进入S3步骤;S3:根据S2中获得的对应待挖掘对象的每个身份特征属性的业务中间人的类型的可信度值及各自的权重,综合计算待挖掘对象属于某种业务中间人的类型的可信度值,得出待挖掘对象属于某种业务中间人的结果。
Description
技术领域
本发明涉及信息处理技术领域,具体是一种自动挖掘业务中间人的方法、终端设备及存储介质。
背景技术
现阶段网络犯罪多数是有组织、有分工的犯罪集团,并呈现产业化发展趋势。
在当前的手机取证产品中,只能展示两人之间的通讯情况,缺乏有效的手段分析定位产业链条的业务中间人,进而全面分析整个产业链的关系,导致该类案件经常面临追踪难、取证难的困境。
随着智能手机的存储容量越来越大,各种应用层出不穷,手机取证的数据量越来越大,通过手工分析俩俩之间关系的方法,无法快速定位整个产业链条的层次关系,而且容易遗漏隐性的线索信息,难以满足实战的需要。
发明内容
为了解决上述问题,本发明提供一种自动挖掘业务中间人的方法、终端设备及存储介质,该方法是一种基于手机取证数据自动挖掘业务中间人的方法,可以通过对手机取证的相关身份数据进行自动挖掘和研判,得出各个身份的业务中间人在整个产业链条的对应环节所处的位置,直观地呈现整个产业链中各个环节的人员和关系情况,帮助工作人员快速地定位到重点分析的目标,将主要精力放在证据和情报分析工作上。
本发明一种自动挖掘业务中间人的方法,包括如下步骤:
S1:从手机取证数据中提取待挖掘对象的身份特征属性:输入手机取证数据,从输入的手机取证数据中提取待挖掘对象的至少一个身份特征属性,进入S2步骤;
S2:调用对应分析模型进行挖掘分析:根据S1中提取的待挖掘对象的每个身份特征属性,调用对应的分析模型对待挖掘对象进行挖掘分析,获得对应每个身份特征属性的业务中间人的类型的可信度值,进入S3步骤;
S3:综合计算待挖掘对象的可信度值,得出分析结果:根据S2中获得的对应待挖掘对象的每个身份特征属性的业务中间人的类型的可信度值及各自的权重,综合计算待挖掘对象属于某种业务中间人的类型的可信度值,得出待挖掘对象属于某种业务中间人的结果。
进一步的,S1中,能够输入用户指定值,该用户指定值为和待挖掘对象关联的已知的业务中间人的身份特征属性值,用于提高分析结果的正确性。
进一步的,S1中,手机取证数据包括但不限于:APP注册信息、通讯记录、备注信息、经济往来信息和通联关系。
进一步的,S2中,分析模型包括:聚类分析法分析模型、特征匹配法分析模型和场景分析法分析模型。
更进一步的,S2中,聚类分析法分析模型,其原理为:每种类型犯罪产业链的业务中间人,主要服务于该类案件的嫌疑人,所以业务中间人大多数存在于同类案件嫌疑人的共同通联对象集合中,其流程为:
1.1、从数据库中提取每种案件类型嫌疑人的共同通联对象,形成业务中间人的原始库;
1.2、根据每类案件的特征,通过原始库中业务中间人(待挖掘对象)与该类案件嫌疑人的通联特征分析,得到该业务中间人的类型的可信度值,其中通联特征包括但不限于:通联关系、好友备注和经济往来;
1.3、保存分析结果。
更进一步的,S2中,
特征匹配法分析模型,其原理为:中间环节的业务相对固定,其信息具有很强的规律性,如销赃环节的主要特征为物品类信息,其流程为:
2.1、创建不同类型中间业务的业务中间人的身份特征规则库;
2.2、将从手机取证数据中提取的待挖掘对象的每个身份特征属性进行有效性检验,并与身份特征规则库中的身份特征进行比对,确定待挖掘对象的业务中间人的类型的可信度值;
2.3、保存分析结果。
更进一步的,S2中,场景分析法分析模型,其原理为:手机取证数据中包含大量的聊天内容型信息,根据现有的明确的案件类型,借助人工智能深度学习的方法,能够分析出聊天内容对应的业务场景,进而研判出通联对象的身份特征,其流程为:
3.1、将现有案件的聊天内容,通过人工方式标识,搭建训练类案模型,类案模型包括但不限于:涉毒通联训练模型、涉黄通联训练模型、涉枪通联训练模型;
3.2、将从手机取证数据中提取的待挖掘对象的每个身份特征属性,输入3.1中训练的类案模型,智能研判出通联内容的业务使用场景,进而确定待挖掘对象的业务中间人的类型的可信度值;
3.3、保存分析结果。
本发明一种自动挖掘业务中间人的终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现自动挖掘业务中间人的方法的步骤。
本发明一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现自动挖掘业务中间人的方法的步骤。
本发明的有益效果:
1.通过对手机取证的相关身份数据进行自动挖掘和研判,得出各个身份的业务中间人在整个产业链条的对应环节所处的位置,直观地呈现整个产业链中各个环节的人员和关系情况,帮助工作人员快速地定位到重点分析的目标,可以有效地降低工作人员的研判工作负担,将主要精力放在证据和情报分析工作上。
2.采用了多种分析模型,可以将不同来源的信息进行有效地提炼。引入人工智能深度学习算法,对身份特征信息实现较好的研判分析。
附图说明
图1为本发明实施例一的方法流程图;
图2为本发明实施例的聚类分析法分析模型流程图;
图3为本发明实施例的特征匹配法分析模型流程图;
图4为本发明实施例的场景分析法分析模型流程图;
图5为本发明实施例的分析结果展示图。
具体实施方式
为进一步说明各实施例,本发明提供有附图。这些附图为本发明揭露内容的一部分,其主要用以说明实施例,并可配合说明书的相关描述来解释实施例的运作原理。配合参考这些内容,本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点。图中的组件并未按比例绘制,而类似的组件符号通常用来表示类似的组件。
现结合附图和具体实施方式对本发明进一步说明。
实施例一:
请参阅图1-图5所示,本发明提供了一种自动挖掘业务中间人的方法,
本发明所阐述的方法具体过程如下:
S1:从手机取证数据中提取待挖掘对象的身份特征属性:输入手机取证数据,从输入的手机取证数据中提取待挖掘对象的至少一个身份特征属性,
并且,能够输入用户指定值,该用户指定值为和待挖掘对象关联的已知的业务中间人的身份特征属性值,用于提高分析结果的正确性。即为了提高身份特征分析的正确性,身份特征分析时支持用户对某些已知的属性值进行提前指定,如用户可以手工设定某QQ号为业务中间人的身份特征属性值,可以在分析其他身份特征属性时有效提高正确性。
其中,手机取证数据包括但不限于:
APP注册信息:包括通讯录、即时通讯帐号等,由于移动端越来越流行,APP注册信息包含很多大量的从事业务的真实信息,例如:公司、职业等;
通讯记录:包括短信、即时通讯聊天内容、微博、邮件等。这些内容包含了大量的业务往来信息,由于中文的复杂性,我们通过先进的自然语言处理技术(NLP)来实现特征词汇解析,如涉骗关键词等,同时结合正则表达式完成具备规律性的字符串提取,例如身份证号、银行***、域名;
备注信息:包括其它人对某个人(手机号、APP账号等)的备注信息;经济往来信息:包括从短信、支付宝等应用提取的经济往来信息;
通联关系:包括同类型人员的共同通联对象,通过一定的通联特征,可研判出通联对象的身份属性。
进入S2步骤;
S2:调用对应分析模型进行挖掘分析:根据S1中提取的待挖掘对象的每个身份特征属性,调用对应的分析模型对待挖掘对象进行挖掘分析,获得对应每个身份特征属性的业务中间人的类型的可信度值,
其中,分析模型包括:聚类分析法分析模型、特征匹配法分析模型和场景分析法分析模型。
聚类分析法分析模型,其原理为:每种类型犯罪产业链的业务中间人,主要服务于该类案件的嫌疑人,所以业务中间人大多数存在于同类案件嫌疑人的共同通联对象集合中,其流程为:
1.1、从数据库中提取每种案件类型嫌疑人的共同通联对象,形成业务中间人的原始库;
1.2、根据每类案件的特征,通过原始库中业务中间人(待挖掘对象)与该类案件嫌疑人的通联特征分析,得到该业务中间人的类型的可信度值,其中通联特征包括但不限于:通联关系、好友备注和经济往来;通过分析原始库中业务中间人与嫌疑人的通联时间分布、通联方向、经济往来金额、经济往来方式、好友备注等信息,得到该业务中间人对应的身份特征;
1.3、保存分析结果。
特征匹配法分析模型,其原理为:中间环节的业务相对固定,其信息具有很强的规律性,如销赃环节的主要特征为物品类信息,其流程为:
2.1、创建不同类型中间业务的业务中间人的身份特征规则库;例如:有两个或两个以上的盗窃类嫌疑人,对某一联系人的身份的备注名为某一种或者多种物品(比如二手机、电脑、电动车等),物品名称判断依据来源于物品关键词库(二手机、电脑、电动车等);则***会自动将该身份标识为盗窃类案件的业务中间人。
2.2、将从手机取证数据中(如注册信息中的公司、职业;博文等数据来源;)提取的待挖掘对象的每个身份特征属性进行有效性检验,并与身份特征规则库中的身份特征进行比对,确定待挖掘对象的业务中间人的类型的可信度值;
2.3、保存分析结果。
场景分析法分析模型,其原理为:手机取证数据中包含大量的聊天内容型信息,根据现有的明确的案件类型,借助人工智能深度学习的方法,能够分析出聊天内容对应的业务场景,进而研判出通联对象的身份特征,其流程为:
3.1、将现有案件的聊天内容,通过人工方式标识,搭建训练类案模型,类案模型包括但不限于:涉毒通联训练模型、涉黄通联训练模型、涉枪通联训练模型;
3.2、将从手机取证数据中(包括短信、即时通讯聊天内容、微博、邮件等数据来源;)提取的待挖掘对象的每个身份特征属性,输入3.1中训练的类案模型,智能研判出通联内容的业务使用场景,进而确定待挖掘对象的业务中间人的类型的可信度值;
3.3、保存分析结果。
进入S3步骤;
S3:综合计算待挖掘对象的可信度值,得出分析结果:根据S2中获得的对应待挖掘对象的每个身份特征属性的业务中间人的类型的可信度值及各自的权重,综合计算待挖掘对象属于某种业务中间人的类型的可信度值,得出待挖掘对象属于某种业务中间人的结果。
例如:通过特征匹配法得到某个QQ号为盗窃类案件的中间人身份,再通过场景分析法得出该QQ号的某些通联信息属于销赃类型的通联内容,即该QQ号为销赃类案件的中间人身份,那通过综合计算这两种结果的可信度值及各自的权重,就可以得出该QQ号为确切的盗窃类案件的中间人身份。图5为本实施例挖掘得出的盗窃类案件的各个身份的业务中间人在整个产业链条的对应环节所处的位置情况展示图。
实施例二:
本发明还提供一种自动挖掘业务中间人的终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现本发明实施例上述方法实施例中的步骤,例如图1-图4所示的步骤的方法步骤。
进一步地,作为一个可执行方案,所述自动挖掘业务中间人的终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述自动挖掘业务中间人的终端设备可包括,但不仅限于,处理器、存储器。本领域技术人员可以理解,上述自动挖掘业务中间人的终端设备的组成结构仅仅是自动挖掘业务中间人的终端设备的示例,并不构成对自动挖掘业务中间人的终端设备的限定,可以包括比上述更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述自动挖掘业务中间人的终端设备还可以包括输入输出设备、网络接入设备、总线等,本发明实施例对此不做限定。
进一步地,作为一个可执行方案,所称处理器可以是中央处理单元(CentralProcessing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,所述处理器是所述自动挖掘业务中间人的终端设备的控制中心,利用各种接口和线路连接整个自动挖掘业务中间人的终端设备的各个部分。
所述存储器可用于存储所述计算机程序和/或模块,所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现所述自动挖掘业务中间人的终端设备的各种功能。所述存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需的应用程序;存储数据区可存储根据手机的使用所创建的数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
本发明还提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现本发明实施例上述方法的步骤。
所述自动挖掘业务中间人的终端设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
本发明一种自动挖掘业务中间人的方法、终端设备及存储介质,通过对手机取证的相关身份数据进行自动挖掘和研判,得出各个身份的业务中间人在整个产业链条的对应环节所处的位置,直观地呈现整个产业链中各个环节的人员和关系情况,帮助工作人员快速地定位到重点分析的目标,可以有效地降低工作人员的研判工作负担,将主要精力放在证据和情报分析工作上。采用了多种分析模型,可以将不同来源的信息进行有效地提炼。引入人工智能深度学习算法,对身份特征信息实现较好的研判分析。
尽管结合优选实施方案具体展示和介绍了本发明,但所属领域的技术人员应该明白,在不脱离所附权利要求书所限定的本发明的精神和范围内,在形式上和细节上可以对本发明做出各种变化,均为本发明的保护范围。
Claims (5)
1.一种自动挖掘业务中间人的方法,其特征在于:包括如下步骤:
S1:从手机取证数据中提取待挖掘对象的身份特征属性:输入手机取证数据,从输入的手机取证数据中提取待挖掘对象的至少一个身份特征属性,进入S2步骤;
S2:调用对应分析模型进行挖掘分析:根据S1中提取的待挖掘对象的每个身份特征属性,调用对应的分析模型对待挖掘对象进行挖掘分析,获得对应每个身份特征属性的业务中间人的类型的可信度值,进入S3步骤;分析模型包括:聚类分析法分析模型、特征匹配法分析模型和场景分析法分析模型;
聚类分析法分析模型的流程为:
1.1、从数据库中提取每种案件类型嫌疑人的共同通联对象,形成业务中间人的原始库;
1.2、根据每类案件的特征,通过原始库中业务中间人即待挖掘对象与该类案件嫌疑人的通联特征分析,得到该业务中间人的类型的可信度值,其中通联特征包括:通联关系、好友备注和经济往来;
1.3、保存分析结果;
特征匹配法分析模型的流程为:
2.1、创建不同类型中间业务的业务中间人的身份特征规则库;
2.2、将从手机取证数据中提取的待挖掘对象的每个身份特征属性进行有效性检验,并与身份特征规则库中的身份特征进行比对,确定待挖掘对象的业务中间人的类型的可信度值;
2.3、保存分析结果;
场景分析法分析模型的流程为:
3.1、将现有案件的聊天内容,通过人工方式标识,搭建训练类案模型,类案模型包括:涉毒通联训练模型、涉黄通联训练模型、涉枪通联训练模型;
3.2、将从手机取证数据中提取的待挖掘对象的每个身份特征属性,输入3.1中训练的类案模型,智能研判出通联内容的业务使用场景,进而确定待挖掘对象的业务中间人的类型的可信度值;
3.3、保存分析结果;
S3:综合计算待挖掘对象的可信度值,得出分析结果:根据S2中获得的对应待挖掘对象的每个身份特征属性的业务中间人的类型的可信度值及各自的权重,综合计算待挖掘对象属于某种业务中间人的类型的可信度值,得出待挖掘对象属于某种业务中间人的结果。
2.如权利要求1所述的自动挖掘业务中间人的方法,其特征在于:S1中,能够输入用户指定值,该用户指定值为和待挖掘对象关联的已知的业务中间人的身份特征属性值,用于提高分析结果的正确性。
3.如权利要求1所述的自动挖掘业务中间人的方法,其特征在于:S1中,手机取证数据包括:APP注册信息、通讯记录、备注信息、经济往来信息和通联关系。
4.一种自动挖掘业务中间人的终端设备,包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序,其特征在于:所述处理器执行所述计算机程序时实现如权利要求1-3中任一所述方法的步骤。
5.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于:所述计算机程序被处理器执行时实现如权利要求1-3中任一所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710975528.4A CN107644106B (zh) | 2017-10-17 | 2017-10-17 | 自动挖掘业务中间人的方法、终端设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710975528.4A CN107644106B (zh) | 2017-10-17 | 2017-10-17 | 自动挖掘业务中间人的方法、终端设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107644106A CN107644106A (zh) | 2018-01-30 |
CN107644106B true CN107644106B (zh) | 2020-10-09 |
Family
ID=61123909
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710975528.4A Active CN107644106B (zh) | 2017-10-17 | 2017-10-17 | 自动挖掘业务中间人的方法、终端设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107644106B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110688469B (zh) * | 2019-09-27 | 2022-10-11 | 厦门市美亚柏科信息股份有限公司 | 一种自动分析相似行为特征的方法和装置 |
CN110866049A (zh) * | 2019-11-27 | 2020-03-06 | 北京明略软件***有限公司 | 目标对象类别的确认方法及装置、存储介质、电子装置 |
CN111026818A (zh) * | 2019-12-17 | 2020-04-17 | 厦门市美亚柏科信息股份有限公司 | 一种多对象关联视图构建方法、终端设备及存储介质 |
CN111984831A (zh) * | 2020-08-21 | 2020-11-24 | 北京明略软件***有限公司 | 用于盗窃事件信息挖掘的方法与装置 |
CN112328652B (zh) * | 2020-10-27 | 2022-11-01 | 福建中锐电子科技有限公司 | 基于手机取证电子数据的涉毒情报挖掘方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103530540A (zh) * | 2013-09-27 | 2014-01-22 | 西安交通大学 | 基于人机交互行为特征的用户身份属性检测方法 |
CN106878242A (zh) * | 2016-06-02 | 2017-06-20 | 阿里巴巴集团控股有限公司 | 一种确定用户身份类别的方法及装置 |
-
2017
- 2017-10-17 CN CN201710975528.4A patent/CN107644106B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103530540A (zh) * | 2013-09-27 | 2014-01-22 | 西安交通大学 | 基于人机交互行为特征的用户身份属性检测方法 |
CN106878242A (zh) * | 2016-06-02 | 2017-06-20 | 阿里巴巴集团控股有限公司 | 一种确定用户身份类别的方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN107644106A (zh) | 2018-01-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107644106B (zh) | 自动挖掘业务中间人的方法、终端设备及存储介质 | |
CN107818344B (zh) | 用户行为进行分类和预测的方法和*** | |
CN109492772B (zh) | 生成信息的方法和装置 | |
WO2019062081A1 (zh) | 业务员画像形成方法、电子装置及计算机可读存储介质 | |
CN110427453B (zh) | 数据的相似度计算方法、装置、计算机设备及存储介质 | |
CN114357117A (zh) | 事务信息查询方法、装置、计算机设备及存储介质 | |
CN110609908A (zh) | 案件串并方法及装置 | |
CN110798567A (zh) | 短信分类显示方法及装置、存储介质、电子设备 | |
CN114693192A (zh) | 风控决策方法、装置、计算机设备和存储介质 | |
CN113139816A (zh) | 信息处理方法、装置、电子设备和存储介质 | |
CN110059172B (zh) | 基于自然语言理解的推荐答案的方法和装置 | |
CN115577172A (zh) | 物品推荐方法、装置、设备及介质 | |
US20210349920A1 (en) | Method and apparatus for outputting information | |
CN109450963B (zh) | 消息推送方法及终端设备 | |
CN111177421A (zh) | 一种面向数字人文的电子邮件历史事件轴生成方法及装置 | |
CN113918949A (zh) | 基于多模态融合的诈骗app的识别方法 | |
CN110972086A (zh) | 短信息处理方法、装置、电子设备及计算机可读存储介质 | |
CN108959289B (zh) | 网站类别获取方法和装置 | |
CN112966756A (zh) | 一种可视化的准入规则的生成方法、装置、机器可读介质及设备 | |
CN115146653B (zh) | 对话剧本构建方法、装置、设备及存储介质 | |
US11074486B2 (en) | Query analysis using deep neural net classification | |
CN114139052B (zh) | 用于智能推荐的排序模型训练方法、智能推荐方法及装置 | |
CN107368597B (zh) | 信息输出方法和装置 | |
CN111432080A (zh) | 话单数据处理方法、电子设备及计算机可读存储介质 | |
CN110992067B (zh) | 消息推送方法、装置、计算机设备及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |