CN109189805B - 行为处理方法、装置、电子设备及计算机可读存储介质 - Google Patents
行为处理方法、装置、电子设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN109189805B CN109189805B CN201810989056.2A CN201810989056A CN109189805B CN 109189805 B CN109189805 B CN 109189805B CN 201810989056 A CN201810989056 A CN 201810989056A CN 109189805 B CN109189805 B CN 109189805B
- Authority
- CN
- China
- Prior art keywords
- user
- user behavior
- behavior evaluation
- processing
- data
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 23
- 238000011156 evaluation Methods 0.000 claims abstract description 332
- 238000012545 processing Methods 0.000 claims abstract description 140
- 238000000034 method Methods 0.000 claims abstract description 28
- 230000008569 process Effects 0.000 claims abstract description 17
- 230000006399 behavior Effects 0.000 claims description 405
- 206010000117 Abnormal behaviour Diseases 0.000 claims description 50
- 238000004364 calculation method Methods 0.000 claims description 29
- 238000001914 filtration Methods 0.000 claims description 12
- 230000002159 abnormal effect Effects 0.000 claims description 8
- 230000007246 mechanism Effects 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 18
- 230000036541 health Effects 0.000 description 14
- 230000000694 effects Effects 0.000 description 13
- 230000009471 action Effects 0.000 description 10
- 238000004891 communication Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 6
- 238000004140 cleaning Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000035945 sensitivity Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Images
Landscapes
- Medical Treatment And Welfare Office Work (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开实施例公开了一种行为处理方法、装置、电子设备及计算机可读存储介质,所述行为处理方法包括:获取用户行为评价数据,其中,所述用户行为评价数据是由用户行为评价子数据组成的结构化数据;当所述用户行为满足预设条件时,根据所述用户行为评价数据计算用户行为评价分值;根据所述用户行为评价分值对用户执行预设分级处理。本公开实施例能够提高用户管理机制的实时性和准确性,节省人力成本,简化使用流程,还能够增强用户的使用体验。
Description
技术领域
本公开涉及信息处理技术领域,具体涉及一种行为处理方法、装置、电子设备及计算机可读存储介质。
背景技术
随着互联网技术和智能终端的发展,越来越多的活动依托互联网进行,而活动主体不仅涉及用户,还会涉及商户和第三方,在多方参与的活动中,如何有效规范多方行为,是一个需要解决的问题。目前是根据活动主体的各种业务状态制定相应管理工作流,然后再在工作流节点上通过人为操作来实现对于活动主体的管理,比如上线、下线、处罚等等。但这种做法存在以下缺陷:1、时效性差,活动主体的管理需要人工参与,不能及时处理紧急情况;2、管理处理规则混乱,现有的活动主体处理规则众多,规则之间存在相互包含或者交叉的情况,因此对于适用规则的认定不清晰;3、人力成本高,目前的处理方案需要很多人工操作,导致人力成本较高;4、跨端交互复杂,由于现有的活动主体处理规则众多且变化较快,因此在活动主体应用端与其他应用端合作时需要进行规则同步,导致跨端合作比较复杂。
发明内容
本公开实施例提供一种行为处理方法、装置、电子设备及计算机可读存储介质。
第一方面,本公开实施例中提供了一种行为处理方法。
具体的,所述行为处理方法,包括:
获取用户行为评价数据,其中,所述用户行为评价数据是由用户行为评价子数据组成的结构化数据;
当所述用户行为满足预设条件时,根据所述用户行为评价数据计算用户行为评价分值;
根据所述用户行为评价分值对用户执行预设分级处理。
结合第一方面,本公开在第一方面的第一种实现方式中,所述获取用户行为评价数据,包括:
获取初始用户行为评价数据;
对所述初始用户行为评价数据进行过滤;
对过滤后得到的用户行为评价数据根据预设结构规则进行结构化操作。
结合第一方面和第一方面的第一种实现方式,本发明实施例在第一方面的第二种实现方式中,当所述用户行为满足预设条件时,所述根据所述用户行为评价数据计算用户行为评价分值,包括:
当所述用户行为满足预设条件时,获取用户行为评价规则;
基于所述用户行为评价规则计算所述用户行为评价子数据对应的用户行为评价子分值;
对所述用户行为评价子分值进行加权计算,得到与所述用户行为评价数据对应的用户行为评价分值。
结合第一方面、第一方面的第一种实现方式和第一方面的第二种实现方式,本发明实施例在第一方面的第三种实现方式中,所述根据所述用户行为评价分值对用户执行预设分级处理,包括:
判断所述用户是否属于异常行为用户;
当所述用户属于异常行为用户时,对所述用户执行异常处理;
当所述用户不属于异常行为用户时,根据所述用户行为评价分值对用户执行预设分级处理。
结合第一方面、第一方面的第一种实现方式、第一方面的第二种实现方式和第一方面的第三种实现方式,本发明实施例在第一方面的第四种实现方式中,所述当所述用户属于异常行为用户时,对所述用户执行异常处理,包括:
当所述用户满足第一异常行为条件时,对所述用户的用户行为评价分值进行核查;
当所述用户满足第二异常行为条件时,重新计算所述用户行为的用户评价分值。
结合第一方面、第一方面的第一种实现方式、第一方面的第二种实现方式、第一方面的第三种实现方式和第一方面的第四种实现方式,本发明实施例在第一方面的第五种实现方式中,所述当所述用户不属于异常行为用户时,根据所述用户行为评价分值对用户执行预设分级处理,包括:
当所述用户不属于异常行为用户时,获取分级处理规则,其中,所述分级处理规则包括一个或多个用户行为评价分值范围以及与所述用户行为评价分值范围对应的处理规则;
确定所述用户行为评价分值所属的用户行为评价分值范围;
根据与所述用户行为评价分值所属的用户行为评价分值范围对应的处理规则对用户进行处理。
第二方面,本公开实施例中提供了一种行为处理装置。
具体的,所述行为处理装置,包括:
获取模块,被配置为获取用户行为评价数据,其中,所述用户行为评价数据是由用户行为评价子数据组成的结构化数据;
计算模块,被配置为当所述用户行为满足预设条件时,根据所述用户行为评价数据计算用户行为评价分值;
处理模块,被配置为根据所述用户行为评价分值对用户执行预设分级处理。
结合第二方面,本发明实施例在第二方面的第一种实现方式中,所述获取模块包括:
第一获取子模块,被配置为获取初始用户行为评价数据;
过滤子模块,被配置为对所述初始用户行为评价数据进行过滤;
操作子模块,被配置为对过滤后得到的用户行为评价数据根据预设结构规则进行结构化操作。
结合第二方面和第二方面的第一种实现方式,本发明实施例在第二方面的第二种实现方式中,所述计算模块包括:
第二获取子模块,被配置为当所述用户行为满足预设条件时,获取用户行为评价规则;
第一计算子模块,被配置为基于所述用户行为评价规则计算所述用户行为评价子数据对应的用户行为评价子分值;
第二计算子模块,被配置为对所述用户行为评价子分值进行加权计算,得到与所述用户行为评价数据对应的用户行为评价分值。
结合第二方面、第二方面的第一种实现方式和第二方面的第二种实现方式,本发明实施例在第二方面的第三种实现方式中,所述处理模块包括:
判断子模块,被配置为判断所述用户是否属于异常行为用户;
第一处理子模块,被配置为当所述用户属于异常行为用户时,对所述用户执行异常处理;
第二处理子模块,被配置为当所述用户不属于异常行为用户时,根据所述用户行为评价分值对用户执行预设分级处理。
结合第二方面、第二方面的第一种实现方式、第二方面的第二种实现方式和第二方面的第三种实现方式,本发明实施例在第二方面的第四种实现方式中,所述第一处理子模块包括:
核查子模块,被配置为当所述用户满足第一异常行为条件时,对所述用户的用户行为评价分值进行核查;
第三计算子模块,被配置为当所述用户满足第二异常行为条件时,重新计算所述用户行为的用户评价分值。
结合第二方面、第二方面的第一种实现方式、第二方面的第二种实现方式、第二方面的第三种实现方式和第二方面的第四种实现方式,本发明实施例在第二方面的第五种实现方式中,所述第二处理子模块包括:
第三获取子模块,被配置为当所述用户不属于异常行为用户时,获取分级处理规则,其中,所述分级处理规则包括一个或多个用户行为评价分值范围以及与所述用户行为评价分值范围对应的处理规则;
确定子模块,被配置为确定所述用户行为评价分值所属的用户行为评价分值范围;
第三处理子模块,被配置为根据与所述用户行为评价分值所属的用户行为评价分值范围对应的处理规则对用户进行处理。
第三方面,本公开实施例提供了一种电子设备,包括存储器和处理器,所述存储器用于存储一条或多条支持行为处理装置执行上述第一方面中行为处理方法的计算机指令,所述处理器被配置为用于执行所述存储器中存储的计算机指令。所述行为处理装置还可以包括通信接口,用于行为处理装置与其他设备或通信网络通信。
第四方面,本公开实施例提供了一种计算机可读存储介质,用于存储行为处理装置所用的计算机指令,其包含用于执行上述第一方面中行为处理方法为行为处理装置所涉及的计算机指令。
本公开实施例提供的技术方案可以包括以下有益效果:
上述技术方案通过对于用户进行评价来确定用户的健康情况,并借助健康评价结果进行分级处理来实现实时、自动、统一的用户管理。该技术方案能够提高用户管理机制的实时性和准确性,节省人力成本,简化使用流程,还能够增强用户的使用体验。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
结合附图,通过以下非限制性实施方式的详细描述,本公开的其它特征、目的和优点将变得更加明显。在附图中:
图1示出根据本公开一实施方式的行为处理方法的流程图;
图2示出根据图1所示实施方式的行为处理方法的步骤S101的流程图;
图3示出根据图1所示实施方式的行为处理方法的步骤S102的流程图;
图4示出根据图1所示实施方式的行为处理方法的步骤S103的流程图;
图5示出根据图4所示实施方式的行为处理方法的步骤S402的流程图;
图6示出根据图4所示实施方式的行为处理方法的步骤S403的流程图;
图7为根据本公开一实施方式对用户执行预设分级处理的应用场景示意图;
图8示出根据本公开一实施方式的行为处理装置的结构框图;
图9示出根据图8所示实施方式的行为处理装置的获取模块801的结构框图;
图10示出根据图8所示实施方式的行为处理装置的计算模块802的结构框图;
图11示出根据图8所示实施方式的行为处理装置的处理模块803的结构框图;
图12示出根据图11所示实施方式的行为处理装置的第一处理子模块1102的结构框图;
图13示出根据图11所示实施方式的行为处理装置的第二处理子模块1103的结构框图;
图14示出根据本公开一实施方式的电子设备的结构框图;
图15是适于用来实现根据本公开一实施方式的行为处理方法的计算机***的结构示意图。
具体实施方式
下文中,将参考附图详细描述本公开的示例性实施方式,以使本领域技术人员可容易地实现它们。此外,为了清楚起见,在附图中省略了与描述示例性实施方式无关的部分。
在本公开中,应理解,诸如“包括”或“具有”等的术语旨在指示本说明书中所公开的特征、数字、步骤、行为、部件、部分或其组合的存在,并且不欲排除一个或多个其他特征、数字、步骤、行为、部件、部分或其组合存在或被添加的可能性。
另外还需要说明的是,在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。
本公开实施例提供的技术方案通过对于用户进行评价来确定用户的健康情况,并借助健康评价结果进行分级处理来实现实时、自动、统一的用户管理。该技术方案能够提高用户管理机制的实时性和准确性,节省人力成本,简化使用流程,还能够增强用户的使用体验。
图1示出根据本公开一实施方式的行为处理方法的流程图。如图1所示,所述行为处理方法包括以下步骤S101-S103:
在步骤S101中,获取用户行为评价数据,其中,所述用户行为评价数据是由用户行为评价子数据组成的结构化数据;
在步骤S102中,当所述用户行为满足预设条件时,根据所述用户行为评价数据计算用户行为评价分值;
在步骤S103中,根据所述用户行为评价分值对用户执行预设分级处理。
上文提及,随着互联网技术和智能终端的发展,越来越多的活动依托互联网进行,而在多方主体参与的活动中,如何有效规范多方行为,是一个需要解决的问题。目前的处理方案存在时效性差、管理处理规则混乱、人力成本高、跨端交互复杂等缺陷。
考虑到上述缺陷,在该实施方式中,提出一种行为处理方法,该方法通过对于用户行为进行评价来确定用户行为的健康情况,并借助健康评价结果进行分级处理来实现实时、自动、统一的用户行为管理。该技术方案能够提高用户行为管理机制的实时性和准确性,节省人力成本,简化使用流程,还能够增强用户的使用体验。
其中,所述用户是一个宽泛的概念,其既可以指代商户、与商户产生交易的用户,也可以指代除了商户和用户之外的第三方。
其中,所述用户行为评价数据包括以下数据中的一种或多种,或者说所述用户行为评价子数据是以下数据中的一种或多种:用户注册数据、用户相关交易数据、用户应用数据、用户操作数据等等,其中,所述用户注册数据比如可以为用户注册ID、用户名、用户昵称、用户姓名、用户性别、用户年龄、用户出生日期、用户邮箱、用户联系地址等用户注册信息等;所述用户相关交易数据比如可以为用户交易时间、用户交易标识、用户交易内容、用户交易金额、用户交易备注等等;所述用户应用数据比如可以为用户应用客户端下载时间、版本信息等;所述用户操作数据比如可以为用户操作时间、用户操作标识、用户操作内容、用户操作备注、用户操作日志等等。
其中,所述用户行为评价分值用于表征该用户的行为健康程度或者该用户的行为良好程度,用户行为评价分值越高,说明该用户健康程度越高,行为良好程度越好,相应的处理就越轻,反之,用户行为评价分值越低,说明该用户健康程度越低,行为良好程度越差,相应的处理就越重。
在本实施例的一个可选实现方式中,如图2所示,所述步骤S101,即获取用户行为评价数据的步骤,包括步骤S201-S203:
在步骤S201中,获取初始用户行为评价数据;
在步骤S202中,对所述初始用户行为评价数据进行过滤;
在步骤S203中,对过滤后得到的用户行为评价数据根据预设结构规则进行结构化操作。
为了更为方便地管理用户行为数据,制定统一的用户行为处理机制并有效执行,需要对于获取得到的用户行为评价数据进行统一化的处理。具体地,在该实施方式中,首先获取初始的用户行为评价数据,然后对所述初始用户行为评价数据进行过滤和清洗;最后对过滤清洗后得到的用户行为评价数据根据预设结构规则进行结构化操作,得到用户行为评价数据。
其中,对所述初始用户行为评价数据进行过滤和清洗包括以下操作中的一种或几种:删除全部缺失或者存在部分缺失的数据、删除内容不完整的数据、删除内容出现错误的数据、删除可能是由于异常情况引起的内容偏离数据等等。通过对于初始用户行为评价数据进行上述过滤和清洗,能够滤除初始用户行为评价数据中绝大部分的噪声数据,以保证参与到用户行为评价以及后续用户行为管理中的数据的正确性。
其中,所述预设结构规则指的是对于数据进行结构化,以使数据呈现出一定结构特性的规则。具体规则内容可由本领域技术人员根据实际应用的需要进行定义或选择,本公开对其不作具体限定。
在本实施例的一个可选实现方式中,所述结构规则为对过滤后得到的用户行为评价数据进行处理,以使其生成以用户唯一可识别标识为索引的结构数组的规则,其中,所述结构数组中包括与该用户行为相关的一个或多个用户行为评价子数据,也可称为该用户的特征数据,比如shop_id(d1,d2,d3,…,dn),其中,shop_id表示某一用户的唯一可识别标识,d1、d2……为该用户的特征数据,即上述用户行为评价子数据,n为用户行为评价子数据的数量。
在本实施例的一个可选实现方式中,如图3所示,所述步骤S102,即当所述用户行为满足预设条件时,根据所述用户行为评价数据计算用户行为评价分值的步骤,包括步骤S301-S303:
在步骤S301中,当所述用户行为满足预设条件时,获取用户行为评价规则;
在步骤S302中,基于所述用户行为评价规则计算所述用户行为评价子数据对应的用户行为评价子分值;
在步骤S303中,对所述用户行为评价子分值进行加权计算,得到与所述用户行为评价数据对应的用户行为评价分值。
考虑到有些行为规范比较重要或者敏感,比如,杜绝销售人员执行卖家或者买家的操作,如若用户违规操作,后果就会比较严重。为了能够维护这些行为规范不被破坏,或者在这些行为规范被破坏后的第一时间就能够及时补救,当一旦检测到用户违反了这些重要行为规范时,不按照上述流程对于该用户的行为进行评价,而是直接对于这些用户进行处理或惩罚;当未检测到用户违反这些行为规范时,也就是说当所述用户行为满足预设条件时,则可继续按照上述流程对于该用户的行为进行评价。因此,所述预设条件比如可以为,所述用户未发生预设行为或者所述用户行为的敏感度低于预设敏感度阈值等等,而其中,所述预设行为指的就是违反上述比较重要或敏感的行为规范的行为。
在根据所述用户行为评价数据计算用户行为评价分值时,为了充分考虑用户所有行为数据的特点,在该实施方式中,首先使用用户行为评价规则对于用户行为评价数据中的每个子数据分别进行评价,然后再将得到的行为评价结果进行加权处理,从而得到相对比较综合、全面的与所述用户行为评价数据对应的用户行为评价分值。
其中,所述用户行为评价规则与所述用户行为评价子数据相对应,比如,用户注册数据对应一个评价规则、用户相关交易数据对应一个评价规则、用户应用数据对应一个评价规则、用户操作数据也对应一个评价规则,利用相应的评价规则对于相应的数据进行评价,从而能够得到相应的评价分数。在实际应用中,与不同数据对应的评价规则可以相同也可以不相同,具体可根据实际应用的需要进行设置,只要能够体现出用户的行为良好程度即可。
其中,在对所述用户行为评价子分值进行加权计算时,首先为不同的评价规则、不同的用户行为评价子数据或者不同的用户行为评价子分值设置相应的权值,然后进行加权或者加权平均计算即可得到与所述用户行为评价数据对应的用户行为评价分值。在设置各个权值时,可遵循用户行为评价子数据越重要,相应的权值就越高的原则,当然也可采取其他赋值原则,各权值的具体取值可根据实际应用的需要进行设置,本公开不作具体限定。
比如,对于用户行为评价数据shop_id(d1,d2,d3,…,dn),经过与每个用户行为评价子数据相应的评价规则评价之后,得到相应的用户行为评价子分值:shop_id(r1_score,r2_score,r3_score,…,rk_score),其中,r1、r2……表示评价规则,r1_score、r2_score……表示相应的用户行为评价子分值,k为用户行为评价子分值的数量,k≤n,当k=n时,指的是取所述用户行为评价数据中所有的用户行为评价子数据进行评价,当k<n时,指的是取所述用户行为评价数据中的部分用户行为评价子数据进行评价;若设置r1_score对应的权值为m1,r2_score对应的权值为m2,…,以此类推,那么所述用户行为评价分值可以表示为score=m1*r1_score+m2*r2_score+m3*r3_score+…+mk*rk_score,或者score=(m1*r1_score+m2*r2_score+m3*r3_score+…+mk*rk_score)/(m1+m2+m3+…+mk)。
在本实施例的一个可选实现方式中,如图4所示,所述步骤S103,即根据所述用户行为评价分值对用户执行预设分级处理的步骤,包括步骤S401-S403:
在步骤S401中,判断所述用户是否属于异常行为用户;
在步骤S402中,当所述用户属于异常行为用户时,对所述用户执行异常处理;
在步骤S403中,当所述用户不属于异常行为用户时,根据所述用户行为评价分值对用户执行预设分级处理。
考虑到在获取用户行为评价数据时有可能存在没有被过滤掉的噪声数据,这些噪声数据有可能会影响后续评价分值计算的准确性,比如,若某一用户某次计算得到的评价分值较低,大大低于常值,则有可能是计算过程出了意外,如若按照此次分数对于该用户进行严厉处理,则有可能会对该用户的业务带来很大的、不必要的而且很有可能是错误的负面影响。因此,为了保证计算结果的准确性,还需要进行异常判断的步骤,以对于计算偏差进行纠正。即在该实施方式中,首先判断所述用户是否属于异常行为用户,当所述用户属于异常行为用户时,直接对所述用户执行异常处理,当所述用户不属于异常行为用户时,再根据所述用户行为评价分值对用户执行预设分级处理。
在本实施例的一个可选实现方式中,如图5所示,所述步骤S402,即当所述用户属于异常行为用户时,对所述用户执行异常处理的步骤,包括步骤S501-S502:
在步骤S501中,当所述用户满足第一异常行为条件时,对所述用户的用户行为评价分值进行核查;
在步骤S502中,当所述用户满足第二异常行为条件时,重新计算所述用户行为的用户评价分值。
其中,所述第一异常行为条件比如可以为:所述用户的行为评价分数与该用户第一预设历史时间段内的行为评价分数的均值之间的差值大于或等于第一预设阈值。或者进一步地,根据某一用户第二预设历史时间段内的行为评价分数或者其均值是否持续高于所述第一预设阈值,或者根据某一用户第三预设历史时间段内的行为评价分数或者其均值高于所述第一预设阈值的次数是否大于第二预设阈值,来将某一用户划分为某一预设用户范围,即白名单,若之后白名单中的用户的行为评价分数低于第三预设阈值,即,该用户的行为评价分数偏离了正常值,这说明该用户行为评价分数的计算可能出现了些错误,需要对该用户的用户行为评价分值进行核查确定。
其中,所述第二异常行为条件比如可以为:每个处理措施对应的已处理用户数量与所有需要被处理的用户数量之间的比例与预设比例之间的差值的绝对值大于或等于第一预设阈值。对于一个稳定的业务圈来说,每个处理措施对应的已处理用户数量与所有需要被处理的用户数量之间的比例通常都是恒定的,即维持一个预设比例,或者只在一个较小的范围内波动,但如果这个比例波动比较大,这在一定程度上说明,相应用户的行为评价分数计算出现了较大的偏差,需要重新计算所述用户行为的用户评价分值,然后再重新判断,其中,所述预设比例可通过计算一预设历史时间段内已处理用户数量与所有需要被处理的用户数量之间的比例的平均值来确定。
在本实施例的一个可选实现方式中,如图6所示,所述步骤S403,即当所述用户不属于异常行为用户时,根据所述用户行为评价分值对用户执行预设分级处理的步骤,包括步骤S601-S603:
在步骤S601中,当所述用户不属于异常行为用户时,获取分级处理规则,其中,所述分级处理规则包括一个或多个用户行为评价分值范围以及与所述用户行为评价分值范围对应的处理规则;
在步骤S602中,确定所述用户行为评价分值所属的用户行为评价分值范围;
在步骤S603中,根据与所述用户行为评价分值所属的用户行为评价分值范围对应的处理规则对用户进行处理。
当确定某一用户不属于异常行为用户时,可按照正常流程进行计算,即根据所述用户行为评价分值对用户执行预设分级处理。具体地,在该实施方式中,首先获取分级处理规则,其中,所述分级处理规则包括预先设定的一个或多个用户行为评价分值范围以及与所述用户行为评价分值范围对应的处理规则;然后确定某一用户的行为评价分值属于哪一个用户行为评价分值范围;最后根据与所述用户行为评价分值所属的用户行为评价分值范围对应的处理规则对用户进行相应的处理。
比如,若将用户行为评价分值根据高低划分为5个范围:[0,s1),[s1,s2),[s2,s3),[s3,s4)和[s4,100],这5个分值范围分别对应5种处理规则(f1,f2,f3,f4,f5),分数值越小的范围说明相应的用户行为良好度比较差,因此对应的处理规则也就越严厉。
其中,所述处理规则可以为禁止上线、限制上线、强制下线、阶段下线、禁止开放交易、限制开放交易、解除交易协议、限制交易协议、警告、严重警告、处罚等等。
图7为根据本公开一实施方式对用户执行预设分级处理的应用场景示意图,经过后台运算,可在前台展示用户1、用户2、用户3、用户4等多个用户的行为评价分值以及相应的选择的处理措施。
下述为本公开装置实施例,可以用于执行本公开方法实施例。
图8示出根据本公开一实施方式的行为处理装置的结构框图,该装置可以通过软件、硬件或者两者的结合实现成为电子设备的部分或者全部。如图8所示,所述行为处理装置包括:
获取模块801,被配置为获取用户行为评价数据,其中,所述用户行为评价数据是由用户行为评价子数据组成的结构化数据;
计算模块802,被配置为当所述用户行为满足预设条件时,根据所述用户行为评价数据计算用户行为评价分值;
处理模块803,被配置为根据所述用户行为评价分值对用户执行预设分级处理。
上文提及,随着互联网技术和智能终端的发展,越来越多的活动依托互联网进行,而在多方主体参与的活动中,如何有效规范多方行为,是一个需要解决的问题。目前的处理方案存在时效性差、管理处理规则混乱、人力成本高、跨端交互复杂等缺陷。
考虑到上述缺陷,在该实施方式中,提出一种行为处理装置,该装置通过对于用户行为进行评价来确定用户行为的健康情况,并借助健康评价结果进行分级处理来实现实时、自动、统一的用户行为管理。该技术方案能够提高用户行为管理机制的实时性和准确性,节省人力成本,简化使用流程,还能够增强用户的使用体验。
其中,所述用户是一个宽泛的概念,其既可以指代商户、与商户产生交易的用户,也可以指代除了商户和用户之外的第三方。
其中,所述用户行为评价数据包括以下数据中的一种或多种,或者说所述用户行为评价子数据是以下数据中的一种或多种:用户注册数据、用户相关交易数据、用户应用数据、用户操作数据等等,其中,所述用户注册数据比如可以为用户注册ID、用户名、用户昵称、用户姓名、用户性别、用户年龄、用户出生日期、用户邮箱、用户联系地址等用户注册信息等;所述用户相关交易数据比如可以为用户交易时间、用户交易标识、用户交易内容、用户交易金额、用户交易备注等等;所述用户应用数据比如可以为用户应用客户端下载时间、版本信息等;所述用户操作数据比如可以为用户操作时间、用户操作标识、用户操作内容、用户操作备注、用户操作日志等等。
其中,所述用户行为评价分值用于表征该用户的行为健康程度或者该用户的行为良好程度,用户行为评价分值越高,说明该用户健康程度越高,行为良好程度越好,相应的处理就越轻,反之,用户行为评价分值越低,说明该用户健康程度越低,行为良好程度越差,相应的处理就越重。
在本实施例的一个可选实现方式中,如图9所示,所述获取模块801包括:
第一获取子模块901,被配置为获取初始用户行为评价数据;
过滤子模块902,被配置为对所述初始用户行为评价数据进行过滤;
操作子模块903,被配置为对过滤后得到的用户行为评价数据根据预设结构规则进行结构化操作。
为了更为方便地管理用户行为数据,制定统一的用户行为处理机制并有效执行,需要对于获取得到的用户行为评价数据进行统一化的处理。具体地,在该实施方式中,第一获取子模块901获取初始的用户行为评价数据,过滤子模块902对所述初始用户行为评价数据进行过滤和清洗;操作子模块903对过滤清洗后得到的用户行为评价数据根据预设结构规则进行结构化操作,得到用户行为评价数据。
其中,对所述初始用户行为评价数据进行过滤和清洗包括以下操作中的一种或几种:删除全部缺失或者存在部分缺失的数据、删除内容不完整的数据、删除内容出现错误的数据、删除可能是由于异常情况引起的内容偏离数据等等。通过对于初始用户行为评价数据进行上述过滤和清洗,能够滤除初始用户行为评价数据中绝大部分的噪声数据,以保证参与到用户行为评价以及后续用户行为管理中的数据的正确性。
其中,所述预设结构规则指的是对于数据进行结构化,以使数据呈现出一定结构特性的规则。具体规则内容可由本领域技术人员根据实际应用的需要进行定义或选择,本公开对其不作具体限定。
在本实施例的一个可选实现方式中,所述结构规则为对过滤后得到的用户行为评价数据进行处理,以使其生成以用户唯一可识别标识为索引的结构数组的规则,其中,所述结构数组中包括与该用户行为相关的一个或多个用户行为评价子数据,也可称为该用户的特征数据,比如shop_id(d1,d2,d3,…,dn),其中,shop_id表示某一用户的唯一可识别标识,d1、d2……为该用户的特征数据,即上述用户行为评价子数据,n为用户行为评价子数据的数量。
在本实施例的一个可选实现方式中,如图10所示,所述计算模块802包括:
第二获取子模块1001,被配置为当所述用户行为满足预设条件时,获取用户行为评价规则;
第一计算子模块1002,被配置为基于所述用户行为评价规则计算所述用户行为评价子数据对应的用户行为评价子分值;
第二计算子模块1003,被配置为对所述用户行为评价子分值进行加权计算,得到与所述用户行为评价数据对应的用户行为评价分值。
考虑到有些行为规范比较重要或者敏感,比如,杜绝销售人员执行卖家或者买家的操作,如若用户违规操作,后果就会比较严重。为了能够维护这些行为规范不被破坏,或者在这些行为规范被破坏后的第一时间就能够及时补救,当一旦检测到用户违反了这些重要行为规范时,不按照上述流程对于该用户的行为进行评价,而是直接对于这些用户进行处理或惩罚;当未检测到用户违反这些行为规范时,也就是说当所述用户行为满足预设条件时,则可继续按照上述流程对于该用户的行为进行评价。因此,所述预设条件比如可以为,所述用户未发生预设行为或者所述用户行为的敏感度低于预设敏感度阈值等等,而其中,所述预设行为指的就是违反上述比较重要或敏感的行为规范的行为。
在根据所述用户行为评价数据计算用户行为评价分值时,为了充分考虑用户所有行为数据的特点,在该实施方式中,第一计算子模块1002使用用户行为评价规则对于用户行为评价数据中的每个子数据分别进行评价,第二计算子模块1003将得到的行为评价结果进行加权处理,从而得到相对比较综合、全面的与所述用户行为评价数据对应的用户行为评价分值。
其中,所述用户行为评价规则与所述用户行为评价子数据相对应,比如,用户注册数据对应一个评价规则、用户相关交易数据对应一个评价规则、用户应用数据对应一个评价规则、用户操作数据也对应一个评价规则,利用相应的评价规则对于相应的数据进行评价,从而能够得到相应的评价分数。在实际应用中,与不同数据对应的评价规则可以相同也可以不相同,具体可根据实际应用的需要进行设置,只要能够体现出用户的行为良好程度即可。
其中,在对所述用户行为评价子分值进行加权计算时,首先为不同的评价规则、不同的用户行为评价子数据或者不同的用户行为评价子分值设置相应的权值,然后进行加权或者加权平均计算即可得到与所述用户行为评价数据对应的用户行为评价分值。在设置各个权值时,可遵循用户行为评价子数据越重要,相应的权值就越高的原则,当然也可采取其他赋值原则,各权值的具体取值可根据实际应用的需要进行设置,本公开不作具体限定。
比如,对于用户行为评价数据shop_id(d1,d2,d3,…,dn),经过与每个用户行为评价子数据相应的评价规则评价之后,得到相应的用户行为评价子分值:shop_id(r1_score,r2_score,r3_score,…,rk_score),其中,r1、r2……表示评价规则,r1_score、r2_score……表示相应的用户行为评价子分值,k为用户行为评价子分值的数量,k≤n,当k=n时,指的是取所述用户行为评价数据中所有的用户行为评价子数据进行评价,当k<n时,指的是取所述用户行为评价数据中的部分用户行为评价子数据进行评价;若设置r1_score对应的权值为m1,r2_score对应的权值为m2,…,以此类推,那么所述用户行为评价分值可以表示为score=m1*r1_score+m2*r2_score+m3*r3_score+…+mk*rk_score,或者score=(m1*r1_score+m2*r2_score+m3*r3_score+…+mk*rk_score)/(m1+m2+m3+…+mk)。
在本实施例的一个可选实现方式中,如图11所示,所述处理模块803包括:
判断子模块1101,被配置为判断所述用户是否属于异常行为用户;
第一处理子模块1102,被配置为当所述用户属于异常行为用户时,对所述用户执行异常处理;
第二处理子模块1103,被配置为当所述用户不属于异常行为用户时,根据所述用户行为评价分值对用户执行预设分级处理。
考虑到在获取用户行为评价数据时有可能存在没有被过滤掉的噪声数据,这些噪声数据有可能会影响后续评价分值计算的准确性,比如,若某一用户某次计算得到的评价分值较低,大大低于常值,则有可能是计算过程出了意外,如若按照此次分数对于该用户进行严厉处理,则有可能会对该用户的业务带来很大的、不必要的而且很有可能是错误的负面影响。因此,为了保证计算结果的准确性,还需要进行异常判断的步骤,以对于计算偏差进行纠正。即在该实施方式中,判断子模块1101判断所述用户是否属于异常行为用户,当所述用户属于异常行为用户时,第一处理子模块1102直接对所述用户执行异常处理,当所述用户不属于异常行为用户时,第二处理子模块1103再根据所述用户行为评价分值对用户执行预设分级处理。
在本实施例的一个可选实现方式中,如图12所示,所述第一处理子模块1102包括:
核查子模块1201,被配置为当所述用户满足第一异常行为条件时,对所述用户的用户行为评价分值进行核查;
第三计算子模块1202,被配置为当所述用户满足第二异常行为条件时,重新计算所述用户行为的用户评价分值。
其中,所述第一异常行为条件比如可以为:所述用户的行为评价分数与该用户第一预设历史时间段内的行为评价分数的均值之间的差值大于或等于第一预设阈值。或者进一步地,根据某一用户第二预设历史时间段内的行为评价分数或者其均值是否持续高于所述第一预设阈值,或者根据某一用户第三预设历史时间段内的行为评价分数或者其均值高于所述第一预设阈值的次数是否大于第二预设阈值,来将某一用户划分为某一预设用户范围,即白名单,若之后白名单中的用户的行为评价分数低于第三预设阈值,即,该用户的行为评价分数偏离了正常值,这说明该用户行为评价分数的计算可能出现了些错误,需要对该用户的用户行为评价分值进行核查确定。
其中,所述第二异常行为条件比如可以为:每个处理措施对应的已处理用户数量与所有需要被处理的用户数量之间的比例与预设比例之间的差值的绝对值大于或等于第一预设阈值。对于一个稳定的业务圈来说,每个处理措施对应的已处理用户数量与所有需要被处理的用户数量之间的比例通常都是恒定的,即维持一个预设比例,或者只在一个较小的范围内波动,但如果这个比例波动比较大,这在一定程度上说明,相应用户的行为评价分数计算出现了较大的偏差,需要重新计算所述用户行为的用户评价分值,然后再重新判断,其中,所述预设比例可通过计算一预设历史时间段内已处理用户数量与所有需要被处理的用户数量之间的比例的平均值来确定。
在本实施例的一个可选实现方式中,如图13所示,所述第二处理子模块1103包括:
第三获取子模块1301,被配置为当所述用户不属于异常行为用户时,获取分级处理规则,其中,所述分级处理规则包括一个或多个用户行为评价分值范围以及与所述用户行为评价分值范围对应的处理规则;
确定子模块1302,被配置为确定所述用户行为评价分值所属的用户行为评价分值范围;
第三处理子模块1303,被配置为根据与所述用户行为评价分值所属的用户行为评价分值范围对应的处理规则对用户进行处理。
当确定某一用户不属于异常行为用户时,可按照正常流程进行计算,即根据所述用户行为评价分值对用户执行预设分级处理。具体地,在该实施方式中,第三获取子模块1301获取分级处理规则,其中,所述分级处理规则包括预先设定的一个或多个用户行为评价分值范围以及与所述用户行为评价分值范围对应的处理规则;确定子模块1302确定某一用户的行为评价分值属于哪一个用户行为评价分值范围;第三处理子模块1303根据与所述用户行为评价分值所属的用户行为评价分值范围对应的处理规则对用户进行相应的处理。
比如,若将用户行为评价分值根据高低划分为5个范围:[0,s1),[s1,s2),[s2,s3),[s3,s4)和[s4,100],这5个分值范围分别对应5种处理规则(f1,f2,f3,f4,f5),分数值越小的范围说明相应的用户行为良好度比较差,因此对应的处理规则也就越严厉。
其中,所述处理规则可以为禁止上线、限制上线、强制下线、阶段下线、禁止开放交易、限制开放交易、解除交易协议、限制交易协议、警告、严重警告、处罚等等。
本公开还公开了一种电子设备,图14示出根据本公开一实施方式的电子设备的结构框图,如图14所示,所述电子设备1400包括存储器1401和处理器1402;其中,
所述存储器1401用于存储一条或多条计算机指令,其中,所述一条或多条计算机指令被所述处理器1402执行以实现上述任一方法步骤。
图15适于用来实现根据本公开实施方式的行为处理方法的计算机***的结构示意图。
如图15所示,计算机***1500包括中央处理单元(CPU)1501,其可以根据存储在只读存储器(ROM)1502中的程序或者从存储部分1508加载到随机访问存储器(RAM)1503中的程序而执行上述实施方式中的各种处理。在RAM1503中,还存储有***1500操作所需的各种程序和数据。CPU1501、ROM1502以及RAM1503通过总线1504彼此相连。输入/输出(I/O)接口1505也连接至总线1504。
以下部件连接至I/O接口1505:包括键盘、鼠标等的输入部分1506;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分1507;包括硬盘等的存储部分1508;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分1509。通信部分1509经由诸如因特网的网络执行通信处理。驱动器1510也根据需要连接至I/O接口1505。可拆卸介质1511,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器1510上,以便于从其上读出的计算机程序根据需要被安装入存储部分1508。
特别地,根据本公开的实施方式,上文描述的方法可以被实现为计算机软件程序。例如,本公开的实施方式包括一种计算机程序产品,其包括有形地包含在及其可读介质上的计算机程序,所述计算机程序包含用于执行上述行为处理方法的程序代码。在这样的实施方式中,该计算机程序可以通过通信部分1509从网络上被下载和安装,和/或从可拆卸介质1511被安装。
附图中的流程图和框图,图示了按照本公开各种实施方式的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,路程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施方式中所涉及到的单元或模块可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元或模块也可以设置在处理器中,这些单元或模块的名称在某种情况下并不构成对该单元或模块本身的限定。
作为另一方面,本公开还提供了一种计算机可读存储介质,该计算机可读存储介质可以是上述实施方式中所述装置中所包含的计算机可读存储介质;也可以是单独存在,未装配入设备中的计算机可读存储介质。计算机可读存储介质存储有一个或者一个以上程序,所述程序被一个或者一个以上的处理器用来执行描述于本公开的方法。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离所述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (12)
1.一种行为处理方法,其特征在于,包括:
获取用户行为评价数据,其中,所述用户行为评价数据是由用户行为评价子数据组成的结构化数据;
当所述用户行为满足预设条件时,根据所述用户行为评价数据计算用户行为评价分值;
根据所述用户行为评价分值对用户执行预设分级处理,包括:判断所述用户是否属于异常行为用户;当所述用户属于异常行为用户时,对所述用户执行异常处理,所述执行异常处理包括对所述用户行为评价分值的计算偏差进行纠正;当所述用户不属于异常行为用户时,根据所述用户行为评价分值对用户执行预设分级处理。
2.根据权利要求1所述的方法,其特征在于,所述获取用户行为评价数据,包括:
获取初始用户行为评价数据;
对所述初始用户行为评价数据进行过滤;
对过滤后得到的用户行为评价数据根据预设结构规则进行结构化操作。
3.根据权利要求1或2所述的方法,其特征在于,当所述用户行为满足预设条件时,所述根据所述用户行为评价数据计算用户行为评价分值,包括:
当所述用户行为满足预设条件时,获取用户行为评价规则;
基于所述用户行为评价规则计算所述用户行为评价子数据对应的用户行为评价子分值;
对所述用户行为评价子分值进行加权计算,得到与所述用户行为评价数据对应的用户行为评价分值。
4.根据权利要求1所述的方法,其特征在于,所述当所述用户属于异常行为用户时,对所述用户执行异常处理,包括:
当所述用户满足第一异常行为条件时,对所述用户的用户行为评价分值进行核查;
当所述用户满足第二异常行为条件时,重新计算所述用户行为的用户评价分值。
5.根据权利要求1或4所述的方法,其特征在于,所述当所述用户不属于异常行为用户时,根据所述用户行为评价分值对用户执行预设分级处理,包括:
当所述用户不属于异常行为用户时,获取分级处理规则,其中,所述分级处理规则包括一个或多个用户行为评价分值范围以及与所述用户行为评价分值范围对应的处理规则;
确定所述用户行为评价分值所属的用户行为评价分值范围;
根据与所述用户行为评价分值所属的用户行为评价分值范围对应的处理规则对用户进行处理。
6.一种行为处理装置,其特征在于,包括:
获取模块,被配置为获取用户行为评价数据,其中,所述用户行为评价数据是由用户行为评价子数据组成的结构化数据;
计算模块,被配置为当所述用户行为满足预设条件时,根据所述用户行为评价数据计算用户行为评价分值;
处理模块,被配置为根据所述用户行为评价分值对用户执行预设分级处理,包括:判断子模块,被配置为判断所述用户是否属于异常行为用户;第一处理子模块,被配置为当所述用户属于异常行为用户时,对所述用户执行异常处理,所述执行异常处理包括对所述用户行为评价分值的计算偏差进行纠正;第二处理子模块,被配置为当所述用户不属于异常行为用户时,根据所述用户行为评价分值对用户执行预设分级处理。
7.根据权利要求6所述的装置,其特征在于,所述获取模块包括:
第一获取子模块,被配置为获取初始用户行为评价数据;
过滤子模块,被配置为对所述初始用户行为评价数据进行过滤;
操作子模块,被配置为对过滤后得到的用户行为评价数据根据预设结构规则进行结构化操作。
8.根据权利要求6或7所述的装置,其特征在于,所述计算模块包括:
第二获取子模块,被配置为当所述用户行为满足预设条件时,获取用户行为评价规则;
第一计算子模块,被配置为基于所述用户行为评价规则计算所述用户行为评价子数据对应的用户行为评价子分值;
第二计算子模块,被配置为对所述用户行为评价子分值进行加权计算,得到与所述用户行为评价数据对应的用户行为评价分值。
9.根据权利要求6所述的装置,其特征在于,所述第一处理子模块包括:
核查子模块,被配置为当所述用户满足第一异常行为条件时,对所述用户的用户行为评价分值进行核查;
第三计算子模块,被配置为当所述用户满足第二异常行为条件时,重新计算所述用户行为的用户评价分值。
10.根据权利要求6或9所述的装置,其特征在于,所述第二处理子模块包括:
第三获取子模块,被配置为当所述用户不属于异常行为用户时,获取分级处理规则,其中,所述分级处理规则包括一个或多个用户行为评价分值范围以及与所述用户行为评价分值范围对应的处理规则;
确定子模块,被配置为确定所述用户行为评价分值所属的用户行为评价分值范围;
第三处理子模块,被配置为根据与所述用户行为评价分值所属的用户行为评价分值范围对应的处理规则对用户进行处理。
11.一种电子设备,其特征在于,包括存储器和处理器;其中,
所述存储器用于存储一条或多条计算机指令,其中,所述一条或多条计算机指令被所述处理器执行以实现权利要求1-5任一项所述的方法步骤。
12.一种计算机可读存储介质,其上存储有计算机指令,其特征在于,该计算机指令被处理器执行时实现权利要求1-5任一项所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810989056.2A CN109189805B (zh) | 2018-08-28 | 2018-08-28 | 行为处理方法、装置、电子设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810989056.2A CN109189805B (zh) | 2018-08-28 | 2018-08-28 | 行为处理方法、装置、电子设备及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109189805A CN109189805A (zh) | 2019-01-11 |
CN109189805B true CN109189805B (zh) | 2021-01-01 |
Family
ID=64916516
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810989056.2A Active CN109189805B (zh) | 2018-08-28 | 2018-08-28 | 行为处理方法、装置、电子设备及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109189805B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111104979B (zh) * | 2019-12-18 | 2023-08-01 | 北京思维造物信息科技股份有限公司 | 一种用户行为价值评估模型的生成方法、装置及设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102945279A (zh) * | 2012-11-14 | 2013-02-27 | 清华大学 | 微博用户影响力的评估方法及装置 |
CN103577991A (zh) * | 2012-08-03 | 2014-02-12 | 阿里巴巴集团控股有限公司 | 一种用户的识别方法和装置 |
CN103631898A (zh) * | 2013-11-19 | 2014-03-12 | 西安电子科技大学 | 基于强弱联系反馈的多媒体社交网络信誉值计算方法 |
-
2018
- 2018-08-28 CN CN201810989056.2A patent/CN109189805B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103577991A (zh) * | 2012-08-03 | 2014-02-12 | 阿里巴巴集团控股有限公司 | 一种用户的识别方法和装置 |
CN102945279A (zh) * | 2012-11-14 | 2013-02-27 | 清华大学 | 微博用户影响力的评估方法及装置 |
CN103631898A (zh) * | 2013-11-19 | 2014-03-12 | 西安电子科技大学 | 基于强弱联系反馈的多媒体社交网络信誉值计算方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109189805A (zh) | 2019-01-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110471821B (zh) | 异常变更检测方法、服务器及计算机可读存储介质 | |
US20100262606A1 (en) | Method for Scoring Content of Nodes in a Database | |
US20130173333A1 (en) | Prioritizing social activity postings | |
CN110866698A (zh) | 用于评定服务提供方的服务分值的装置 | |
JP2017507393A (ja) | 複合的ダイアディック又はマルチプルなカウンターパーティ関係を発見するために使用される多次元再帰的学習プロセス及びシステム | |
CN111340584A (zh) | 一种资金方的确定方法、装置、设备及存储介质 | |
CN105991574B (zh) | 风险行为监控方法及装置 | |
CN109189805B (zh) | 行为处理方法、装置、电子设备及计算机可读存储介质 | |
CN112215473B (zh) | 一种配送压力数据的获得方法、装置、电子设备 | |
CN109460778B (zh) | 活动评估方法、装置、电子设备及存储介质 | |
CN110263803A (zh) | 样本数据的处理方法、装置、服务器和存储介质 | |
CN110738571B (zh) | 一种交易风险控制的方法以及相关装置 | |
US8156127B1 (en) | Method and system for data arbitration | |
CN105913270A (zh) | 一种企业信用评估方法及装置 | |
CN112801690A (zh) | 一种干预特征的确定方法和装置 | |
CN112685610A (zh) | 虚假注册账号识别方法及相关装置 | |
CN113129127A (zh) | 预警方法和装置 | |
CN112183969A (zh) | 针对供货单的支付设备操作控制方法、装置、电子设备 | |
CN110727590A (zh) | 异常试验方案的确定方法、设备及计算机可读存储介质 | |
US20150242910A1 (en) | Methods for evaluating a network associated with an organization and devices thereof | |
JP6927894B2 (ja) | サービス内容管理装置及びサービス内容管理方法 | |
CN113077352B (zh) | 基于用户信息和保险相关信息的保险服务物品推荐方法 | |
CN118096192B (zh) | 基于图神经网络的信息推送方法、装置、设备和介质 | |
CN117314121A (zh) | 基于人员调配的信息处理方法、装置、设备及存储介质 | |
CN115439137A (zh) | 用于分析产品功能的方法、装置及存储介质 |
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 |