CN108876586A - 一种征信分确定方法、装置及服务器 - Google Patents
一种征信分确定方法、装置及服务器 Download PDFInfo
- Publication number
- CN108876586A CN108876586A CN201710330665.2A CN201710330665A CN108876586A CN 108876586 A CN108876586 A CN 108876586A CN 201710330665 A CN201710330665 A CN 201710330665A CN 108876586 A CN108876586 A CN 108876586A
- Authority
- CN
- China
- Prior art keywords
- head portrait
- network
- feature
- user
- network head
- 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
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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/03—Credit; Loans; Processing thereof
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Finance (AREA)
- Data Mining & Analysis (AREA)
- Accounting & Taxation (AREA)
- Educational Administration (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Technology Law (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供一种征信分确定方法、装置及服务器,该方法包括:获取目标用户的网络头像;确定所述网络头像的图像特征;根据所述图像特征确定所述网络头像的头像属性;根据预训练的征信分模型,确定与所述头像属性及所述目标用户的行为特征相应的征信分;其中,所述征信分模型至少根据正样本用户和负样本用户的行为特征及网络头像的头像属性训练得到,正样本用户的信用程度高于负样本用户。本发明实施例在确定征信分时,结合考虑了用户的行为特征和网络头像的头像属性,使得征信分的确定因素更为全面,有助于提升最终的征信分确定效果。
Description
技术领域
本发明涉及数据处理技术领域,具体设计一种征信分确定方法、装置及服务器。
背景技术
征信分是用户信用程度的分值体现,能够表示用户的违约概率;目前征信分已不单独应用在信贷领域,还在其他如共享经济、用户评价、信息推荐等领域具有广泛应用。
随着征信市场化步伐的加快,应用征信分的领域也在不断的扩展;因此如何优化征信分的确定方式具有重要意义,这也一直是本领域技术人员研究的技术点。
发明内容
有鉴于此,本发明实施例提供一种征信分确定方法、装置及服务器,以优化征信分的确定方式。
为实现上述目的,本发明实施例提供如下技术方案:
一种征信分确定方法,包括:
获取目标用户的网络头像;
确定所述网络头像的图像特征;
根据所述图像特征确定所述网络头像的头像属性;
根据预训练的征信分模型,确定与所述头像属性及所述目标用户的行为特征相应的征信分;其中,所述征信分模型至少根据正样本用户和负样本用户的行为特征及网络头像的头像属性训练得到,正样本用户的信用程度高于负样本用户。
本发明实施例还提供一种征信分确定装置,包括:
头像获取模块,用于获取目标用户的网络头像;
图像特征确定模块,用于确定所述网络头像的图像特征;
头像属性确定模块,用于根据所述图像特征确定所述网络头像的头像属性;
征信分确定模块,用于根据预训练的征信分模型,确定与所述头像属性及所述目标用户的行为特征相应的征信分;其中,所述征信分模型至少根据正样本用户和负样本用户的行为特征及网络头像的头像属性训练得到,正样本用户的信用程度高于负样本用户。
本发明实施例还提供一种服务器,包括:至少一个存储器和至少一个处理器;所述存储器存储有程序,所述处理器调用所述存储器存储的程序,所述程序用于:
获取目标用户的网络头像;
确定所述网络头像的图像特征;
根据所述图像特征确定所述网络头像的头像属性;
根据预训练的征信分模型,确定与所述头像属性及所述目标用户的行为特征相应的征信分;其中,所述征信分模型至少根据正样本用户和负样本用户的行为特征及网络头像的头像属性训练得到,正样本用户的信用程度高于负样本用户。
基于上述技术方案,服务器可获取目标用户的网络头像,确定所述网络头像的图像特征,并根据所述图像特征确定所述网络头像的头像属性;从而通过预训练的结合用户的行为特征和头像属性的征信分模型,可在进行目标用户的征信分确定时,将目标用户的行为特征和网络头像的头像属性,导入该征信分模型中,从而通过征信分模型处理,确定出目标用户的征信分,所确定的征信分结合考虑了目标用户的行为特征和网络头像的头像属性,使得征信分的确定因素更为全面,有助于提升最终的征信分确定效果。
附图说明
为了更清楚地说明本发明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发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为服务器与业务平台的连接示意图;
图2为本发明实施例提供的服务器的硬件结构框图;
图3为本发明实施例提供的征信分确定方法的流程图;
图4为网络头像的示意图;
图5为头像主题分类的示意图;
图6为确定网络头像的CNN特征的方法流程图;
图7为通过CNN实现征信分确定的示意图;
图8为AlexNet模型结构的CNN网络的示意图;
图9为本发明实施例提供的训练得到头像主题分类模型的方法流程图;
图10为头像主题分类模型的训练示意图;
图11为本发明实施例提供的训练得到征信分模型的方法流程图;
图12为本发明实施例提供的征信分确定装置的结构框图;
图13为本发明实施例提供的征信分确定装置的另一结构框图;
图14为本发明实施例提供的征信分确定装置的再一结构框图。
具体实施方式
本发明的发明人发现,用户的征信分主要是基于用户的行为确定,如可通过获取用户的行为特征来预测用户的违约概率,确定出用户的征信分;虽然通过用户的行为能够评估出用户的征信分,但单纯的基于用户的行为进行征信分的确定,征信分的确定因素则显得较为单一;因此本发明的发明人考虑如何加入其它能够影响用户征信分的因素,以提升征信分的确定因素的全面性,实现对征信分的确定方式的优化。
本发明的发明人发现,用户的网络头像(如用户在社交属性的应用(如即时通信应用)中设置的网络头像,又如用户在论坛等网站上传的头像等)是用户在网络中标识自己的形象,是在网络中对外界所展示的第一印象,用户的网络头像中蕴含非常丰富的多维度的信息,且用户的网络头像一般与用户性格、生活状态存在某种程度的关联关系,而用户的性格、生活状态又在一定程度上会对用户的征信产生影响;因此借助用户的网络头像,对基于用户行为确定征信分的方式进行补充,将具有重大的意义,可以使得征信分的确定因素更为全面,有助于提升最终的征信分确定效果。
基于此思路,本发明的发明人提出结合用户的网络头像,对基于用户的行为确定征信分的方式进行补充,以对征信分的确定方式进行优化,并通过本发明实施例提供的征信分确定方法进行实施。
下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例提供的征信分确定方法可以应用于服务器中,该服务器可以是专门设置的用于进行征信分确定的服务设备;该服务器也可以是服务器集群中的服务设备,该服务器集群可以认为是实现某一主业务(如社交、电子商务、第三方支付等)的服务器的集群,可通过在该服务器集群中进行服务设备的扩展,或者,在原有服务器上集合本发明实施例提供的征信分确定功能;
如图1所示,该服务器可以收集至少一个业务平台的数据(图1所示为两个以上的业务平台,但实际也可以设置业务平台为一个或多个,具体的业务平台数量可根据实际情况设定),从该至少一个业务平台收集到用户的行为数据,该至少一个业务平台可以对应有至少一个业务类型,一个业务类型可以由一个或多个业务平台支持;
可选的,本发明实施例中,业务平台的业务类型可以如社交类业务平台、视频类业务平台、应用下载类业务平台、电子商务类业务平台等,具体可以根据实际情况设定;
可选的,该至少一个业务平台可以共用一账号体系,即用户可使用同一账号在不同的业务平台实现登录,如该至少一个业务平台可共用社交平台的账号体系,从而用户可使用社交账号在不同的业务平台实现登录,则本发明实施例可通过用户的社交账号识别同一用户在不同业务平台的行为数据,并进行收集;进一步,该至少一个业务平台中同一用户的网络头像可以相同,如均使用用户在社交平台上传的网络头像;
当然,该至少一个业务平台也可能不是共用一个账号体系,如该至少一个业务平台中涉及银行机构、政府部门的业务平台,或者该至少一个业务平台中存在业务平台未接入共用的账号体系标准(如存在未接入共用的社交账号体系的电子商务平台),则本发明实施例可使用用户的身份证号、手机号等身份标识,识别同一用户在不同业务平台的行为数据;进一步,可确定该至少一个业务平台中的主业务平台,以用户在主业务平台上传的网络头像作为,本发明实施例进行征信分确定的补充因素。
本发明实施例可在服务器中装载相应程序,实现本发明实施例提供的征信分确定方法,该程序可由服务器中的存储器存储,并由处理器调用实施。
可选的,图2示出了本发明实施例提供的服务器的硬件结构框图,参照图2,该服务器可以包括:至少一个处理器1,至少一个通信接口2,至少一个存储器3和至少一个通信总线4;
在本发明实施例中,处理器1、通信接口2、存储器3、通信总线4的数量为至少一个,且处理器1、通信接口2、存储器3通过通信总线4完成相互间的通信;显然,图2所示的处理器1、通信接口2、存储器3和通信总线4的通信连接示意仅是可选的;
可选的,通信接口2可以为通信模块的接口,如GSM模块的接口;
处理器1可能是一个中央处理器CPU,或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit),或者是被配置成实施本发明实施例的一个或多个集成电路。
存储器3可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatilememory),例如至少一个磁盘存储器。
其中,存储器3存储有程序,处理器1调用存储器3所存储的程序实现本发明实施例提供的征信分确定方法。
下面站在服务器的角度,对本发明实施例提供的征信分确定方法进行介绍,下文描述的征信分确定方法内容,可结合用户的网络头像,对基于用户的行为确定征信分的方式进行补充,以对征信分确定方式进行优化,在具体实施时,可由服务器装载的相应程序实现。
图3为本发明实施例提供的征信分确定方法的流程图,该方法可应用于服务器,参照图3,该方法可以包括:
步骤S100、获取目标用户的网络头像。
目标用户可以是本发明实施例待进行征信分确定的用户,本发明实施例可将任一用户作为目标用户,从而通过本发明实施例提供的征信分确定方法进行征信分的确定,实现各用户的征信分确定。
可选的,目标用户的网络头像可以是目标用户在网站、社交应用平台等上传的在网络上标识形象的图像,能够代表目标用户,并且目标用户的网络头像可与目标用户在网络(如网站、社交应用平台)设置的与账户名、别名相联系;图4示出了网络头像的一种示意,可参照;
可选的,网络头像可以是二维形式的图像,也可以是三维形式的图像,具体视实际情况而定。
步骤S110、确定所述网络头像的图像特征。
可选的,本发明实施例可通过CNN(Convolutional Neural Network,卷积神经网络)确定所述网络头像的CNN特征,将所确定的CNN特征作为图像特征使用;显然,除使用CNN外,本发明实施例还可以使用其他的图像特征提取模型,从所述网络头像中提取出图像特征,相应的,图像特征的形式并不限于CNN特征,而是可以根据所使用的图像特征提取模型相应调整。
步骤S120、根据所述图像特征确定所述网络头像的头像属性。
可选的,头像属性可以认为是头像所对应的头像主题描述,即所述网络头像的头像属性可以认为是,所述网络头像所对应的头像主题描述。
可选的,头像所对应的头像主题描述,可以通过头像在各个头像主题分类对应的概率实现,头像在各个头像主题分类对应的概率可以称为是,头像在各个头像主题分类的概率分布;即可选的,所述网络头像所对应的头像主题描述可以是,所述网络头像在各个头像主题分类对应的概率,即所述网络头像在各个头像主题分类的概率分布。
可选的,确定所述网络头像在各个头像主题分类的概率分布,可以通过预训练的头像主题分类模型实现;头像主题分类模型可以通过机器学习算法(如Softmax分类算法),训练各个头像主题分类的图像的图像特征实现,如本发明实施例可收集各个头像主题分类的图像,一个头像主题分类所收集的图像可以是一个或多个,从而分析所收集的各个头像主题分类的图像的图像特征,利用Softmax分类算法等机器学习算法,对各个头像主题分类的图像的图像特征进行训练,确定出Softmax分类模型等头像主题分类模型,该Softmax分类模型能够基于一图像的图像特征,预测出该图像在各个头像主题分类的概率;
值得注意的是,一个头像在各个头像主题分类对应的概率的和为1,如本发明实施例可设置m个头像主题分类,头像在各个头像主题分类对应的概率可以表示为(p1,p2,p3,p4,p5,p6,…,pi,…,pm),其中pi认为是头像在第i个头像主题分类的概率,0<i<=m,
则
可选的,所设置的头像主题分类的数量和形式可以根据实际情况设置;例如可以根据统计将头像的主题分类分为植物、人、微生物、动物和体育运动、人造设施、自然对象和其他等几个一级类目,每个一级类目下又可以细分成多个二级类目,如图5所示;显然,图5所示头像的主题分类的设置方式仅是可选的,本发明实施例也可以直接设置多个同级的类目作为头像的主题分类;对于具体的头像主题分类的设置,可以根据实际情况调整。
步骤S130、根据预训练的征信分模型,确定与所述头像属性及所述目标用户的行为特征相应的征信分。
可选的,征信分模型可以是本发明实施例预先训练的用于评估用户的征信分的模型,与传统的征信分模型的训练过程不相同的是,本发明实施例可至少根据用户的行为特征和头像属性,进行征信分模型的训练,从而将用户的头像属性融合到征信分模型中,使得征信分模型的训练过程中能够考虑到较为全面的影响用户征信的因素,提升征信分模型的整体效果;相应的,以此训练得到的征信分模型在进行用户的征信分评估时,可以结合用户的头像属性实现用户的征信分确定;
可选的,在进行征信分模型的训练时,本发明实施例可根据用户的历史行为,从多个用户中确定出行为违约较少,信用程度较高的用户作为正样本用户,并确定出行为违约较多,信用程度较低的用户作为负样本用户;可选的,正样本用户与负样本用户的确定可以通过人工分析用户的历史行为实现,当然,如果有相应的自动算法能够实现,本发明实施例也并不排除以自动算法的方式,从多个用户中确定正样本用户和负样本用户;
进而,本发明实施例可确定正样本用户的行为特征和网络头像的头像属性,以及负样本用户的行为特征和网络头像的头像属性,从而以机器学习方法进行训练,得到融合有头像属性的征信分模型;可选的,用户的行为特征可通过用户的行为数据分析得到。
可选的,本发明实施例可不涉及对机器学习方法的改进,而是在利用机器学习方法时,通过调整模型训练使用的特征,使得训练使用的特征除包含用户的行为特征外,还融合用户的头像属性,从而为后续得到融合有头像属性的征信分模型提供可能。
可以看出,通过预训练的结合用户的行为特征和头像属性的征信分模型,本发明实施例在进行目标用户的征信分确定时,可以将目标用户的行为特征和网络头像的头像属性,导入该征信分模型中,从而通过征信分模型处理,确定出目标用户的征信分,所确定的征信分结合考虑了目标用户的行为特征和网络头像的头像属性,使得征信分的确定因素更为全面,有助于提升最终的征信分确定效果。
可选的,所确定的目标用户的征信分可以应用在对目标用户进行信贷评估(一般的,征信分越高,信贷评估额度越高),用户评价(如目标用户的征信分越高,则目标用户所进行的评价的可信度越高),共享经济,信息推荐(如目标用户的征信分越高,则目标用户发布的信息的可信度越高,可以优先进行推荐)等领域。
可选的,本发明实施例在确定网络头像的图像特征时,可通过CNN确定所述网络头像的CNN特征;需要说明的是,CNN是神经网络的一种,其在处理图像问题上有着出色的表现,它的人工神经元可以响应一定覆盖范围内的图像像素单元,CNN模型是最常用于图像处理的模型;相比于传统的人工神经网络模型,CNN拥有更多的隐藏层,其特有的卷积和池化操作对图像地处理有着较高的效率,在数字图像处理领域中可以把图像认为是像素的向量,比如可以将一个100*100大小的图像转换成一个10000的向量;
若直接用传统的人工神经网络模型实现图像特征的提取,假设隐含层的个数也是10000个,那么连接的它们的权值将会是108个,这样多的参数使得神经网络的各种参数很难被训练,同时如果将图像拉成向量的话会丢失图像空间上与周围邻域之间的相关信息;而CNN是通过局部感受野和权值共享两种合理的形式来实现,在降低参数的数量上具有极大的优势,因此本发明实施例优选使用CNN,实现图像特征的提取。
本发明实施例在通过CNN确定网络头像的CNN特征时,可以通过CNN的多个卷积层对网络头像进行卷积处理,并通过全连接层连接多个卷积层卷积处理的结果,形成设定维度的特征向量,得到网络头像的CNN特征;其中,第一卷积层卷积处理的对象为网络头像,非第一卷积层卷积处理的对象为上一层卷积层卷积处理后的结果;
可选的,如图6所示确定网络头像的CNN特征的方法流程,在进行网络头像的CNN特征的确定时,该流程可以包括:
步骤S200、将网络头像导入CNN的第一层卷积层,通过第一层卷积层对网络头像进行卷积处理。
步骤S210、将第一层卷积层的卷积处理结果导入下一层卷积层进行卷积处理,并使得下一层卷积层卷积处理上一层卷积层的卷积处理结果,直至所有的卷积层均进行过卷积处理。
可选的,一卷积层的卷积处理结果可以认为是多组的Feature Map,一FeatureMap表示该卷积层卷积处理后的一组多维度特征;
可选的,本发明实施例随着逐层卷积层的卷积处理,下一层卷积层的卷积处理结果对应的特征维度,可低于上一层卷积层的卷积处理结果对应的特征维度,即随着逐层卷积层的卷积处理,卷积处理结果对应的特征维度将实现降维;而每一层卷积层的卷积处理结果对应的维度特征的组数,可以根据各卷积层的实际情况设定;比如,第二层卷积层的卷积处理结果为256组x*y维的特征,第三层卷积层的卷积处理结果为384组x1*y1维的特征,则x1<x,y1<y,实现卷积处理结果对应的特征维度的降维,这里涉及的256组、384组的组数仅是举例参数,具体数值可以根据实际情况调整设定,并不具有限制作用。
步骤S220、将最后层卷积层的卷积处理结果导入全连接层,连接形成设定维度的特征向量,得到网络头像的CNN特征。
可选的,最后层卷积层的卷积处理结果也是多组的多维度特征,将其导入全连接层后,全连接层可将该多组的多维度特征连接成为设定维度(如一维)的特征向量,得到网络头像的CNN特征。
可选的,本发明实施例也可在CNN中设置Softmax层,该Softmax层可以具有本发明实施例提供的Softmax分类模型的功能,如将训练得到的Softmax分类模型设置在CNN的Softmax层,从而可将全连接层输出的网络头像的CNN特征,导入到Softmax层,得出网络头像在各个头像主题分类的概率分布;
如图7所示,目标用户的网络头像可通过CNN网络的卷积层处理和全连接层处理,得到网络头像的CNN特征,该CNN特征导入Softmax层,可以确定出网络头像在各个头像主题分类的概率分布;从而结合目标用户的网络头像在各个头像主题分类的概率分布,以及目标用户的行为特征,可通过征信分模型,确定出目标用户的征信分。
需要说明的是,网络头像在各个头像主题分类的概率分布,能够与网络头像所体现的用户性格、生活状态存在关联关系,因此可间接的影响用户的征信;以大数据分析中得到的统计规律说明,如果用户使用自己或者家人照片作为网络头像,则该用户倾向于以自我为中心,具有较强的自我意识;如果用户使用卡通图片作为网络头像,则该用户往往比较怀旧,容易被外界事物左右,思想可能比较理想化,但此类用户可能创造性意识很强;如果用户使用风景美图作为网络头像,该用户往往为人成熟,有较强处理问题的能力;如果用户使用儿童或者婴儿图片等作为网络头像的,该用户很可能是已婚用户,生活幸福美满;再比如,如果用户的网络头像中含有电话号码等联系方式,则该用户可能是利用网络平台从事交易。
可见,用户的网络头像中不但显现了用户个人的性格,还蕴含了用户家庭、婚恋、职业、情感等生活状态信息;它是用户个人形象的展示,是用户在社交平台等网络上展示给外界的第一印象,蕴含非常丰富的多维度的信息,将这些信息应用到用户征信中,将会有助于提升征信分模型的构建效果,使得确定征信分模型的确定因素更为全面。
可选的,网络头像在各个头像主题分类的概率分布仅是网络头像的头像属性的一种优选形式;只要网络头像的头像属性能够与网络头像所体现的用户性格、生活状态存在关联关系,本发明实施例并不排除其他形式的头像属性,如在基于色彩反应用户性格的基础上,也可以网络头像的色彩特征分布作为头像属性。
可选的,在进行CNN的构建时,本发明实施例可以使用AlexNet、VGG、ResNet等模型结构实现;
这里,AlexNet是Alex Krizhevsky等基于GPU计算平台提出AlexNet模型,在百万量级的ImageNet数据集合上,效果大幅度超过传统的方法,从传统的70%多提升到80%多。AlexNet训练基于ImageNet图像数据集,大数据和GPU高度并行计算使得深度学习在视觉领域的应用成为可能;AlexNet通过加深网络和引入ReLU、Dropout等改进算法。AlexNet是深度学习在视觉发展的里程碑式代表。
VGG和GoogLeNet这两类模型结构有一个共同特点是go deeper。GoogLeNet将Top5的错误率降低到6.67%,GoogLeNet是一个22层的深度卷积神经网络;为了方便增添和修改,GoogLeNet采用了模块化的结构;网络最后采用了Average Pooling来代替全连接层。为了方便finetune,在最后还可以加一个全连接层;为了避免过拟合,网络中依然使用了Dropout;为了避免梯度消失,网络额外增加了2个辅助的SoftMax用于向前传导梯度。
VGG继承了Lenet以及Alexnet的一些框架,它跟Alexnet框架比较相似,VGG也是5个Group的卷积、2层全连接图像特征、1层全连接分类特征,可以看做和Alexnet一样总共8个部分。根据前5个卷积Group,每个Group中的不同配置,VGG给出了A~E这五种配置,卷积层数从8到16递增,从8到16随着卷积层的一步步加深,通过加深卷积层数也已经到达准确率提升的瓶颈了。
ResNet将层级提到了152层,将Top-5准确率降低到3.57%。ResNet基于深度残差学习框架,将深度参差网络应用到图像识别领域,大幅降低了训练更深层次神经网络的难度,也使准确率得到显著提升。ResNet主要的创新在残差网络,本质上解决层次比较深的时候无法训练的问题。它借鉴了Highway Network思想的网络相当于旁边专门开个通道使得输入可以直达输出,而优化的目标由原来的拟合输出变成输出和输入的差。
为便于理解CNN特征的提取,本发明实施例以AlexNet的模型结构的CNN网络为例,说明CNN特征的提取过程;如图8所示,AlexNet的模型结构的CNN网络可以包括5层的卷积层(Conv1至Conv5)以及全连接层,当然CNN网络的全连接层之后还可设置Softmax层;可选的,本发明实施例也可将Softmax分类模型置于CNN网络之外;
基于图8所示,CNN特征提取的示例可以如下流程,值得注意的是,下述涉及的具体数值仅是举例说明,在实际使用时可以根据情况调整,但一般来说随着逐层卷积层的卷积处理,卷积处理结果对应的特征维度将实现降维;
步骤1:Conv1阶段,Conv1将网络头像的图片划分为m个n*n小块,第一卷积层Conv1的卷积核采用滑动窗口机制实现,在网络头像的图片上进行卷积运算,具体可由第一卷积层的96个神经元分别对网络头像进行卷积处理,每一个神经元处理得到一个s*t维特征(如假设滑动窗口的框大小是k*k,网络图像的图片大小是l*z,则s=l-k+1,t=z-k+1),把一个s*t维特征放在一个图里,就变成了一个s*t的Feature Map(FM),从而一共得到96张FM,一张FM对应一组s*t维度特征;之后进行下采样操作(Down Sampling),将Feature Map中96组s*t维度特征变换为96组p*q(p*q是采样之后的维度,具体规则和维度数值根据采样规则确定)的特征,其中p<s,q<t;将下采样后的特征输入到归一化层,然后归一化结果输入Conv2;
步骤2:Conv2阶段,Conv2分别对96组p*q维特征进行卷积运算,生成256组(256的数值是参数,可以调大也可以调小,可以通过试验确定)i*j维特征,把它们放在一个图里,就变成了一个i*j的Feature Map(FM),一共256张;之后进行下采样操作(Down Sampling),将Feature Map中256组i*j维度特征变换为256组x*y(x*y是采样之后的维度,具体规则和维度数值根据采样规则确定)的特征,其中x<i,y<j;将下采样后的特征输入到归一化层,然后归一化结果输入Conv3;
步骤3:Conv3阶段,Conv3分别对256组x*y维特征进行卷积运算,生成384组(384的数值是参数,可以调大也可以调小,可以通过试验确定)x1*y1维特征,把它们放在一个图里,就变成了一个x1*y1的Feature Map(FM),一共384张,然后输入Conv4;
步骤4:Conv4阶段,Conv4分别对384组x1*y1维特征进行卷积运算,生成384(384的数值是参数,可以调大也可以调小,可以通过试验确定)组x2*y2维特征,把它们放在一个图里,就变成了一个x2*y2的Feature Map(FM),一共384张,然后输入Conv5;
步骤5:Conv5阶段,Conv5分别对384组x2*y2维特征进行卷积运算,生成256(256的数值是参数,可以调大也可以调小,可以通过试验确定)组x3*y3维特征,把它们放在一个图里,就变成了一个x3*y3的Feature Map(FM),一共256张,然后输入全连接层;
步骤6:全连接阶段,全连接层对Conv5的输出结果进行连接,形成设定维度的特征向量,得到网络头像的CNN特征。
进一步,可以设置Softmax层可对全连接层输出的CNN特征进行处理,确定网络头像在各个头像主题分类的概率分布。
可选的,本发明实施例可通过训练头像主题分类模型,确定网络头像的图像特征所对应的,网络头像在各个头像主题分类的概率,实现网络头像的头像属性的确定;
可选的,图9示出了本发明实施例提供的训练得到头像主题分类模型的方法流程图,参照图9,该方法可以包括:
步骤S300、获取各个头像主题分类的图像。
可选的,一个头像主题分类可对应获取一个或多个图像。
步骤S310、获取各头像主题分类的图像对应的图像特征。
可选的,本发明实施例可通过图6所示方法,获取到各头像主题分类的图像对应的CNN特征,对于每一头像主题分类的每一图像,相应的进行CNN特征的获取。
步骤S320、根据机器学习算法,训练各个头像主题分类的图像的图像特征,得到头像主题分类模型。
可选的,如图10所示,本发明实施例可设置多个头像主题分类,收集各个头像主题分类对应的图像,并确定各头像主题分类对应的图像的CNN特征,从而通过Softmax分类算法,训练得到Softmax分类模型,实现头像主题分类模型的获取。
可选的,本发明实施例可通过结合用户的头像属性训练得到的征信分模型,评估用户的征信分;可选的,图11示出了本发明实施例提供的训练得到征信分模型的方法流程图,参照图11,该方法可以包括:
步骤S400、确定正样本用户和负样本用户,其中,正样本用户的信用程度高于负样本用户。
可选的,本发明实施例可根据用户的历史行为,从多个用户中确定出行为违约较少,信用程度较高的用户作为正样本用户,并确定出行为违约较多,信用程度较低的用户作为负样本用户。
步骤S410、获取各正样本用户的行为特征以及网络头像的头像属性,作为正样本特征;及,获取各负样本用户的行为特征以及网络头像的头像属性,作为负样本特征。
可选的,对于每一个正样本用户,本发明实施例可根据正样本用户的行为数据,获取到正样本用户的行为特征,根据头像主题分类模型获取到正样本用户的网络头像的图像特征对应的,网络头像在各个头像主题分类的概率分布(头像属性的一种可选形式),从而结合一正样本用户的行为特征和网络头像在各个头像主题分类的概率分布,得到该正样本用户的样本特征,从而对于每一正样本用户均作此处理,可得到训练使用的正样本特征;
负样本特征的获取过程与正样本特征的获取过程类似,仅是对象由正样本用户变为负样本用户,两者可相互参照。
步骤S420、根据机器学习算法训练所述正样本特征和负样本特征,得到征信分模型。
可选的,本发明实施例所使用的机器学习算法可以如支持向量机(SVM),逻辑回归(Logitic Regression)等。
本发明实施例提供的征信分确定方法的一个应用示例,可以如图12所示;用户A为社交应用的注册用户,在对用户A进行征信分评估时,服务器(用于征信分的确定)可以从社交应用的服务器中获取到用户A的行为数据,以及用户A上传的网络头像;
从而服务器可通过CNN网络确定出用户A的网络头像的CNN特征,采用Softmax分类模型对该CNN特征进行处理,确定出用户A的网络头像在各个头像主题分类的概率;同时,服务器可分析用户A的行为数据,识别出用户A的行为特征;
进而,服务器将用户A的网络头像在各个头像主题分类的概率,以及用户A的行为特征导入征信分模型(该征信分模型结合用户的行为特征和网络头像的头像属性训练得到),评估出用户A的征信分。
本发明将用户的网络头像的头像属性融合到征信分模型的建立过程中,使得征信分的确定因素更为全面,将有助于提升所构建的征信分模型的整体效果;并且当前通用的网络平台都含有用户的头像数据,结合用户的头像数据所实现的征信分确定将具备很强普适性。
下面对本发明实施例提供的征信分确定装置进行介绍,下文描述的征信分确定装置可以认为是服务器,为实现本发明实施例提供的征信分确定方法所需设置的程序模块;下文描述的征信分确定装置的内容,可与上描述的征信分确定方法的内容相互对应参照。
图12为本发明实施例提供的征信分确定装置的结构框图,该装置可应用于服务器,参照图12,该装置可以包括:
头像获取模块100,用于获取目标用户的网络头像;
图像特征确定模块200,用于确定所述网络头像的图像特征;
头像属性确定模块300,用于根据所述图像特征确定所述网络头像的头像属性;
征信分确定模块400,用于根据预训练的征信分模型,确定与所述头像属性及所述目标用户的行为特征相应的征信分;其中,所述征信分模型至少根据正样本用户和负样本用户的行为特征及网络头像的头像属性训练得到,正样本用户的信用程度高于负样本用户。
可选的,所述图像特征可以为CNN特征,相应的,图像特征确定模块200,用于确定所述网络头像的图像特征,具体包括:
通过CNN的多个卷积层对网络头像进行卷积处理,并通过全连接层连接所述多个卷积层卷积处理的结果,形成设定维度的特征向量,得到网络头像的CNN特征。
可选的,图像特征确定模块200,用于通过CNN的多个卷积层对网络头像进行卷积处理,具体包括:
将网络头像导入CNN的第一层卷积层,通过第一层卷积层对网络头像进行卷积处理;
将第一层卷积层的卷积处理结果导入下一层卷积层进行卷积处理,并使得下一层卷积层卷积处理上一层卷积层的卷积处理结果,直至所有的卷积层均进行过卷积处理;
相应的,图像特征确定模块200,用于通过全连接层连接所述多个卷积层卷积处理的结果,具体包括:
将最后层卷积层的卷积处理结果导入全连接层,连接形成设定维度的特征向量,得到网络头像的CNN特征。
可选的,下一层卷积层的卷积处理结果对应的特征维度,低于上一层卷积层的卷积处理结果对应的特征维度;即随着逐层卷积层的卷积处理,卷积处理结果对应的特征维度将实现降维。
可选的,头像属性确定模块300,用于根据所述图像特征确定所述网络头像的头像属性,具体包括:
根据预训练的头像主题分类模型,确定与所述图像特征相应的,所述网络头像在各头像主题分类的概率分布;所述头像主题分类模型至少根据各头像主题分类的图像对应的图像特征训练得到。
可选的,头像属性也可以使用头像的图像色彩特征分布实现。
可选的,图13示出了本发明实施例提供的征信分确定装置的另一结构框图,结合图12和图13所示,该装置还可以包括:
主题分类模型构建模块500,用于获取各个头像主题分类的图像;获取各头像主题分类的图像对应的图像特征;根据Softmax分类算法,训练各个头像主题分类的图像的图像特征,得到Softmax分类模型;
可选的,此处所指的图像特征可以是CNN特征。
可选的,Softmax分类模型可以设置于CNN的Softmax层;相应的,头像属性确定模块300,用于根据预训练的头像主题分类模型,确定与所述图像特征相应的,所述网络头像在各头像主题分类的概率分布,具体可以包括:
将所述图像特征导入CNN的Softmax层,根据所述Softmax层,确定与所述图像特征相应的,所述网络头像在各头像主题分类的概率分布。
可选的,图14示出了本发明实施例提供的征信分确定装置的再一结构框图,结合图12和图14所示,该装置还可以包括:
征信分模块构建模块600,用于确定正样本用户和负样本用户;获取各正样本用户的行为特征以及网络头像的头像属性,作为正样本特征;及,获取各负样本用户的行为特征以及网络头像的头像属性,作为负样本特征;根据机器学习算法训练所述正样本特征和负样本特征,得到征信分模型。
上文描述的征信分确定装置的功能,可以通过服务器的程序实现;该程序可以装载于服务器的存储器中,并由服务器的处理器调用实施;可选的,服务器的硬件结构可以如图2所示,包括:至少一个存储器和至少一个处理器;
所述存储器存储有程序,所述处理器调用所述存储器存储的程序,所述程序用于:
获取目标用户的网络头像;
确定所述网络头像的图像特征;
根据所述图像特征确定所述网络头像的头像属性;
根据预训练的征信分模型,确定与所述头像属性及所述目标用户的行为特征相应的征信分;其中,所述征信分模型至少根据正样本用户和负样本用户的行为特征及网络头像的头像属性训练得到,正样本用户的信用程度高于负样本用户。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的核心思想或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (12)
1.一种征信分确定方法,其特征在于,包括:
获取目标用户的网络头像;
确定所述网络头像的图像特征;
根据所述图像特征确定所述网络头像的头像属性;
根据预训练的征信分模型,确定与所述头像属性及所述目标用户的行为特征相应的征信分;其中,所述征信分模型至少根据正样本用户和负样本用户的行为特征及网络头像的头像属性训练得到,正样本用户的信用程度高于负样本用户。
2.根据权利要求1所述的征信分确定方法,其特征在于,所述图像特征为卷积神经网络CNN特征,所述确定所述网络头像的图像特征包括:
通过CNN的多个卷积层对网络头像进行卷积处理,并通过全连接层连接所述多个卷积层卷积处理的结果,形成设定维度的特征向量,得到网络头像的CNN特征。
3.根据权利要求2所述的征信分确定方法,其特征在于,所述通过CNN的多个卷积层对网络头像进行卷积处理包括:
将网络头像导入CNN的第一层卷积层,通过第一层卷积层对网络头像进行卷积处理;
将第一层卷积层的卷积处理结果导入下一层卷积层进行卷积处理,并使得下一层卷积层卷积处理上一层卷积层的卷积处理结果,直至所有的卷积层均进行过卷积处理;
所述通过全连接层连接所述多个卷积层卷积处理的结果包括:
将最后层卷积层的卷积处理结果导入全连接层,连接形成设定维度的特征向量,得到网络头像的CNN特征。
4.根据权利要求3所述的征信分确定方法,其特征在于,下一层卷积层的卷积处理结果对应的特征维度,低于上一层卷积层的卷积处理结果对应的特征维度。
5.根据权利要求2所述的征信分确定方法,其特征在于,所述根据所述图像特征确定所述网络头像的头像属性包括:
根据预训练的头像主题分类模型,确定与所述图像特征相应的,所述网络头像在各头像主题分类的概率分布;所述头像主题分类模型至少根据各头像主题分类的图像对应的图像特征训练得到。
6.根据权利要求5所述的征信分确定方法,其特征在于,还包括:
获取各个头像主题分类的图像;
获取各头像主题分类的图像对应的图像特征;
根据Softmax分类算法,训练各个头像主题分类的图像的图像特征,得到Softmax分类模型。
7.根据权利要求6所述的征信分确定方法,其特征在于,所述Softmax分类模型设置于CNN的Softmax层;所述根据预训练的头像主题分类模型,确定与所述图像特征相应的,所述网络头像在各头像主题分类的概率分布包括:
将所述图像特征导入CNN的Softmax层,根据所述Softmax层,确定与所述图像特征相应的,所述网络头像在各头像主题分类的概率分布。
8.根据权利要求1所述的征信分确定方法,其特征在于,还包括:
确定正样本用户和负样本用户;
获取各正样本用户的行为特征以及网络头像的头像属性,作为正样本特征;及,获取各负样本用户的行为特征以及网络头像的头像属性,作为负样本特征;
根据机器学习算法训练所述正样本特征和负样本特征,得到征信分模型。
9.一种征信分确定装置,其特征在于,包括:
头像获取模块,用于获取目标用户的网络头像;
图像特征确定模块,用于确定所述网络头像的图像特征;
头像属性确定模块,用于根据所述图像特征确定所述网络头像的头像属性;
征信分确定模块,用于根据预训练的征信分模型,确定与所述头像属性及所述目标用户的行为特征相应的征信分;其中,所述征信分模型至少根据正样本用户和负样本用户的行为特征及网络头像的头像属性训练得到,正样本用户的信用程度高于负样本用户。
10.根据权利要求9所述的征信分确定装置,其特征在于,所述图像特征可以为CNN特征,所述图像特征确定模块,用于确定所述网络头像的图像特征,具体包括:
通过CNN的多个卷积层对网络头像进行卷积处理,并通过全连接层连接所述多个卷积层卷积处理的结果,形成设定维度的特征向量,得到网络头像的CNN特征。
11.根据权利要求10所述的征信分确定装置,其特征在于,所述头像属性确定模块,用于根据所述图像特征确定所述网络头像的头像属性,具体包括:
根据预训练的头像主题分类模型,确定与所述图像特征相应的,所述网络头像在各头像主题分类的概率分布;所述头像主题分类模型至少根据各头像主题分类的图像对应的图像特征训练得到。
12.一种服务器,其特征在于,包括:至少一个存储器和至少一个处理器;所述存储器存储有程序,所述处理器调用所述存储器存储的程序,所述程序用于:
获取目标用户的网络头像;
确定所述网络头像的图像特征;
根据所述图像特征确定所述网络头像的头像属性;
根据预训练的征信分模型,确定与所述头像属性及所述目标用户的行为特征相应的征信分;其中,所述征信分模型至少根据正样本用户和负样本用户的行为特征及网络头像的头像属性训练得到,正样本用户的信用程度高于负样本用户。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710330665.2A CN108876586A (zh) | 2017-05-11 | 2017-05-11 | 一种征信分确定方法、装置及服务器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710330665.2A CN108876586A (zh) | 2017-05-11 | 2017-05-11 | 一种征信分确定方法、装置及服务器 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108876586A true CN108876586A (zh) | 2018-11-23 |
Family
ID=64319703
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710330665.2A Pending CN108876586A (zh) | 2017-05-11 | 2017-05-11 | 一种征信分确定方法、装置及服务器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108876586A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109448737A (zh) * | 2018-08-30 | 2019-03-08 | 百度在线网络技术(北京)有限公司 | 虚拟形象的创建方法、装置、电子设备与存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150254766A1 (en) * | 2014-03-05 | 2015-09-10 | Marc Abramowitz | System and method for generating a dynamic credit risk rating for a debt security |
CN105335712A (zh) * | 2015-10-26 | 2016-02-17 | 小米科技有限责任公司 | 图像识别方法、装置及终端 |
CN105589798A (zh) * | 2015-12-10 | 2016-05-18 | 小米科技有限责任公司 | 征信值计算方法及装置 |
CN106447490A (zh) * | 2016-09-26 | 2017-02-22 | 广州速鸿信息科技有限公司 | 一种基于用户画像的征信应用方法 |
CN106447625A (zh) * | 2016-09-05 | 2017-02-22 | 北京中科奥森数据科技有限公司 | 基于人脸图像序列的属性识别方法及装置 |
-
2017
- 2017-05-11 CN CN201710330665.2A patent/CN108876586A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150254766A1 (en) * | 2014-03-05 | 2015-09-10 | Marc Abramowitz | System and method for generating a dynamic credit risk rating for a debt security |
CN105335712A (zh) * | 2015-10-26 | 2016-02-17 | 小米科技有限责任公司 | 图像识别方法、装置及终端 |
CN105589798A (zh) * | 2015-12-10 | 2016-05-18 | 小米科技有限责任公司 | 征信值计算方法及装置 |
CN106447625A (zh) * | 2016-09-05 | 2017-02-22 | 北京中科奥森数据科技有限公司 | 基于人脸图像序列的属性识别方法及装置 |
CN106447490A (zh) * | 2016-09-26 | 2017-02-22 | 广州速鸿信息科技有限公司 | 一种基于用户画像的征信应用方法 |
Non-Patent Citations (1)
Title |
---|
卢九评编著: "微信营销技巧及案例", 《微信营销技巧及案例》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109448737A (zh) * | 2018-08-30 | 2019-03-08 | 百度在线网络技术(北京)有限公司 | 虚拟形象的创建方法、装置、电子设备与存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109816092A (zh) | 深度神经网络训练方法、装置、电子设备及存储介质 | |
CN107423442A (zh) | 基于用户画像行为分析的应用推荐方法及***,储存介质及计算机设备 | |
CN110533097A (zh) | 一种图像清晰度识别方法、装置、电子设备及存储介质 | |
JP6788264B2 (ja) | 表情認識方法、表情認識装置、コンピュータプログラム及び広告管理システム | |
CN107808132A (zh) | 一种融合主题模型的场景图像分类方法 | |
CN110348428A (zh) | 眼底图像分类方法、装置及计算机可读存储介质 | |
CN107194898A (zh) | 酒店图像的展示方法、存储介质及酒店信息的推送方法 | |
CN108229269A (zh) | 人脸检测方法、装置和电子设备 | |
CN108229523A (zh) | 图像检测、神经网络训练方法、装置和电子设备 | |
CN108681970A (zh) | 基于大数据的理财产品推送方法、***及计算机存储介质 | |
CN107784372A (zh) | 目标对象属性的预测方法、装置和*** | |
CN107785061A (zh) | 孤独症谱系障碍儿童情绪能力干预*** | |
CN110196945B (zh) | 一种基于LSTM与LeNet融合的微博用户年龄预测方法 | |
CN110097090A (zh) | 一种基于多尺度特征融合的图像细粒度识别方法 | |
CN107609563A (zh) | 图片语义描述方法及装置 | |
CN109919006A (zh) | 表情检测方法、装置、电子设备及存储介质 | |
CN107862322A (zh) | 结合图片和文本进行图片属性分类的方法、装置及*** | |
CN110163250A (zh) | 基于分布式调度的图像脱敏处理***、方法以及装置 | |
CN108876193A (zh) | 一种基于信用分的风控模型构建方法 | |
CN106897282B (zh) | 一种用户群的分类方法和设备 | |
CN115687786A (zh) | 一种个性化推荐方法、***以及存储介质 | |
CN109670927A (zh) | 信用额度的调整方法及其装置、设备、存储介质 | |
CN108776846A (zh) | 推荐方法、装置、计算机设备及存储介质 | |
CN109508640A (zh) | 一种人群情感分析方法、装置和存储介质 | |
CN112132634A (zh) | 虚拟馈赠资源发放方法、装置、计算机设备和存储介质 |
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 |