CN110163761B - 基于图像处理的可疑项目成员识别方法及装置 - Google Patents
基于图像处理的可疑项目成员识别方法及装置 Download PDFInfo
- Publication number
- CN110163761B CN110163761B CN201910238911.0A CN201910238911A CN110163761B CN 110163761 B CN110163761 B CN 110163761B CN 201910238911 A CN201910238911 A CN 201910238911A CN 110163761 B CN110163761 B CN 110163761B
- Authority
- CN
- China
- Prior art keywords
- images
- suspicious
- image
- case
- members
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering 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
- G06Q40/08—Insurance
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Finance (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Accounting & Taxation (AREA)
- Evolutionary Biology (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- General Business, Economics & Management (AREA)
- Image Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请提供基于图像处理的可疑项目成员识别方法及装置，所述基于图像处理的可疑项目成员识别方法，包括：获取参与项目的项目成员提交的案件审核图像组成的案件审核图像集；提取所述案件审核图像集中所述案件审核图像的特征向量；根据所述特征向量确定所述案件审核图像之间的图像相似度；基于所述图像相似度确定的相似度权重对所述案件审核图像进行聚类；根据所述聚类的聚类结果确定所述项目成员中的可疑项目成员。所述基于图像处理的可疑项目成员识别方法，在项目成员提交的案件审核图像集中基于案件审核图像的相似性确定可疑项目成员，进而在可疑项目成员的基础上圈定可疑团伙，建立广义的可疑团伙识别能力，从而降低项目中团伙作案的概率。
Description
技术领域
本申请涉及图像处理技术领域，特别涉及一种基于图像处理的可疑项目成员识别方法。本申请同时涉及一种基于图像处理的可疑项目成员识别装置，一种计算设备，以及一种计算机可读存储介质。
背景技术
随着大众抗风险意识增强，保险成为越来越多人的投资选项。风控是保险业务正常发展的重要环节，成长于互联网环境下的保险风控更为重要，保险风控中的核赔环节是指判断理赔是否符合保险保障条款，是防控骗保的核心手段之一。保险理赔环节一般会需要用户上传理赔材料，现在有很多非法获利组织通过招募志愿者形成骗保团伙，而骗保团伙上传的理赔材料间大多具有某种共性。
现有技术中，风控场景的团伙识别方法是基于事实性关系进行判断，事实性关系是指参与保险项目的项目成员之间的资金转账关系、通信关系、通讯录关系、设备关系等，通过判断项目成员之间是否存在事实性关系，达到确定骗保团伙的目的。但是，现在很多骗保团伙成员之间以网络作为联络方式，从而不能被基于事实性关系的团伙识别方案识别，存在一定的缺陷。
发明内容
有鉴于此，本申请实施例提供了一种基于图像处理的可疑项目成员识别方法，以解决现有技术中存在的技术缺陷。本申请实施例同时提供了一种基于图像处理的可疑项目成员识别装置，一种计算设备，以及一种计算机可读存储介质。
本申请实施例公开了一种基于图像处理的可疑项目成员识别方法，包括：
获取参与项目的项目成员提交的案件审核图像组成的案件审核图像集；
提取所述案件审核图像集中所述案件审核图像的特征向量；
根据所述特征向量确定所述案件审核图像之间的图像相似度；
基于所述图像相似度确定的相似度权重对所述案件审核图像进行聚类；
根据所述聚类的聚类结果确定所述项目成员中的可疑项目成员。
可选的，所述提取所述案件审核图像集中所述案件审核图像的特征向量，包括：
将所述案件审核图像输入预先训练好的深度学习模型进行图像向量化处理，输出所述案件审核图像的特征向量。
可选的，所述根据所述特征向量确定所述案件审核图像之间的图像相似度，包括：
根据所述特征向量利用词频逆文本频率指数算法计算所述案件审核图像之间的图像相似度。
可选的，所述根据所述特征向量确定所述案件审核图像之间的图像相似度，包括：
基于所述案件审核图像的特征向量之间的向量距离，确定所述案件审核图像之间的图像相似度。
可选的，所述基于所述图像相似度确定的相似度权重对所述案件审核图像进行聚类，包括：
构建连通图，将所述案件审核图像与所述连通图中的节点建立一一对应的关系，并将所述案件审核图像之间的图像相似度取对数值作为所述案件审核图像对应节点之间的边权重；
将所述连通图输入聚类模型进行聚类，输出所述案件审核图像的聚类标识。
可选的，所述根据所述聚类的聚类结果确定所述项目成员中的可疑项目成员，包括：
确定具有相同聚类标识的所述案件审核图像为可疑图像；
确定所述可疑图像的提交人为所述项目成员中的可疑项目成员。
可选的，所述根据所述聚类的聚类结果确定所述项目成员中的可疑项目成员步骤执行之后，包括：
确定所述可疑图像中具有同一聚类标识的所述案件审核图像的提交人的集合为可疑团伙。
可选的，所述根据所述聚类的聚类结果确定所述项目成员中的可疑项目成员步骤执行之后，还包括：
获取所述可疑项目成员的事实性关系；
基于所述事实性关系在所述可疑项目成员中确定具有实际事实性关系的项目成员为不可信项目成员；
确定所述不可信项目成员中提交具有同一聚类标识的所述案件审核图像的成员集合为可疑团伙。
可选的，所述获取参与项目的项目成员提交的案件审核图像组成的案件审核图像集步骤执行之前，还包括：
获取所述项目成员的事实性关系；
基于所述事实性关系确定具有实际事实性关系的项目成员；
相应的，所述获取参与项目的项目成员提交的案件审核图像组成的案件审核图像集步骤中，获取所述具有实际事实性关系的项目成员的案件审核图像，组成所述案件审核图像集。
可选的，所述项目成员的事实性关系，包括下述至少一项：
所述项目成员之间的资金转账关系、通信关系、通讯录关系、设备关系。
可选的，所述深度学习模型，基于下述任意一种神经网络构建：
卷积神经网络、深度神经网络。
可选的，所述聚类模型，基于下述任意一种算法：
标签传播算法、最大连通图算法。
本申请提供一种基于图像处理的可疑项目成员识别装置，包括：
案件审核图像集获取模块，被配置为获取参与项目的项目成员提交的案件审核图像组成的案件审核图像集；
特征向量提取模块，被配置为提取所述案件审核图像集中所述案件审核图像的特征向量；
图像相似度确定模块，被配置为根据所述特征向量确定所述案件审核图像之间的图像相似度；
聚类模块，被配置为基于所述图像相似度确定的相似度权重对所述案件审核图像进行聚类；
可疑项目成员确定模块，被配置为根据所述聚类的聚类结果确定所述项目成员中的可疑项目成员。
本申请提供一种计算设备，包括：
存储器和处理器；
所述存储器用于存储计算机可执行指令，所述处理器用于执行所述计算机可执行指令：
获取参与项目的项目成员提交的案件审核图像组成的案件审核图像集；
提取所述案件审核图像集中所述案件审核图像的特征向量；
根据所述特征向量确定所述案件审核图像之间的图像相似度；
基于所述图像相似度确定的相似度权重对所述案件审核图像进行聚类；
根据所述聚类的聚类结果确定所述项目成员中的可疑项目成员。
本申请提供一种计算机可读存储介质，其存储有计算机指令，该指令被处理器执行时实现所述基于图像处理的可疑项目成员识别方法的步骤。
与现有技术相比，本申请具有如下优点：
本申请提供一种基于图像处理的可疑项目成员识别方法，包括：获取参与项目的项目成员提交的案件审核图像组成的案件审核图像集；提取所述案件审核图像集中所述案件审核图像的特征向量；根据所述特征向量确定所述案件审核图像之间的图像相似度；基于所述图像相似度确定的相似度权重对所述案件审核图像进行聚类；根据所述聚类的聚类结果确定所述项目成员中的可疑项目成员。
本申请提供的基于图像处理的可疑项目成员识别方法，通过对案件审核图像集中的案件审核图像进行图像相似度计算，依据图像相似度计算结果将案件审核图像进行图聚类操作，使得具有相似性的案件审核图像被标记相同标识，从而根据标识来识别出具有团伙骗保可能性的可疑项目成员，降低团伙骗保发生的概率。
附图说明
图1是本申请实施例提供的一种基于图像处理的可疑项目成员识别方法流程图；
图2是本申请实施例提供的一种基于图像处理的可疑项目成员识别过程的示意图；
图3是本申请实施例提供的一种基于图像处理的可疑项目成员识别装置的示意图；
图4是本申请实施例提供的一种计算设备的结构框图。
具体实施方式
在下面的描述中阐述了很多具体细节以便于充分理解本申请。但是本申请能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本申请内涵的情况下做类似推广，因此本申请不受下面公开的具体实施的限制。
在本说明书一个或多个实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本说明书一个或多个实施例。在本说明书一个或多个实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本说明书一个或多个实施例中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本说明书一个或多个实施例中可能采用术语第一、第二等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本说明书一个或多个实施例范围的情况下，第一也可以被称为第二，类似地，第二也可以被称为第一。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
本申请提供一种基于图像处理的可疑项目成员识别方法，本申请还提供一种基于图像处理的可疑项目成员识别装置，一种计算设备，以及一种计算机可读存储介质。以下分别结合本申请提供的实施例的附图逐一进行详细说明，并且对方法的各个步骤进行说明。
本申请提供的一种基于图像处理的可疑项目成员识别方法实施例如下：
参照附图1，其示出了本实施例提供的一种基于图像处理的可疑项目成员识别方法流程图；参照附图2，其示出了本实施例提供的一种基于图像处理的可疑项目成员识别过程的示意图。
步骤S102，获取参与项目的项目成员提交的案件审核图像组成的案件审核图像集。
保险理赔环节一般会需要用户上传理赔材料，如实物图片，以车险为例，保险公司会要求用户提交受损车辆的外观图片，来判断用户提出的理赔申请是否符合保险保障条款。所述参与项目的项目成员即参与保险项目的用户，案件审核图像即参与保险项目的用户提交的理赔材料中的实物图片，如受损车辆的外观图片、交通事故现场图片等。实际应用中，骗保团伙上传的理赔图片在一定程度上具有相似性，因此可以通过分析理赔图片来识别骗保团伙，从而降低保险理赔环节中骗保团伙骗保情况发生的概率。
本实施例通过对所述案件审核图像集中的案件审核图像进行图像识别，获得所述案件审核图像集中所有案件审核图像的广义相似关系，该相似关系表现为相似的案件审核图像归属于同一社区即被聚为同一类，从而通过追溯属于同一社区的案件审核图像的提交人来识别可疑项目成员，进一步，还可以在识别出可疑项目成员的基础上，根据可疑项目成员归属的社区来圈定可疑团伙，防止骗保情况的发生。
出于减少图像识别的计算量的目的，可以在进行图像识别之前缩小图像识别对象的范围，本申请实施例提供的一种优选实施方式中，在所述获取参与项目的项目成员提交的案件审核图像组成的案件审核图像集之前，通过下述实现方式来缩小图像识别对象的范围：
获取所述项目成员的事实性关系；
基于所述事实性关系确定具有实际事实性关系的项目成员；
相应的，在获取参与项目的项目成员提交的案件审核图像组成的案件审核图像集的过程中，获取所述具有实际事实性关系的项目成员的案件审核图像，组成所述案件审核图像集。
上述提供的实现方式，首先基于是否具有实际事实性关系对所述项目成员进行筛选，然后获取具有实际事实性关系的项目成员提交的案件审核图像组成的所述案件审核图像集，并在组成的所述案件审核图像集的基础上进行图像识别，从而缩小了图像识别范围，同时，识别出可疑项目成员的可能性会更大一些。
其中，所述项目成员的事实性关系，包括下述至少一项：所述项目成员之间的资金转账关系、通信关系、通讯录关系、设备关系。
参与骗保团伙的团伙成员在实际应用可能会通过某种媒介进行交易往来和互通信息，具有资金转账交易记录、通过通讯设备通信、对方互为通讯录联系人、多方曾使用同一登录设备等都属于事实性关系，所述具有实际事实性关系是指所述项目成员被检测到确实具有上述事实性关系中的至少一种关系，具有事实性关系的项目成员在被识别出其提交的案件审核图像归属于相同社区的情况下，判断其为可疑项目成员会更加合理。
步骤S104，提取所述案件审核图像集中所述案件审核图像的特征向量。
实际应用中，保险公司在核保过程中的保险理赔环节获取的理赔图片数量比较大，为提高图像处理效率，本申请实施例提供的一种优选实施方式中，所述提取所述案件审核图像集中所述案件审核图像的特征向量，包括：将所述案件审核图像输入预先训练好的深度学习模型进行图像向量化处理，输出所述案件审核图像的特征向量。
在计算案件审核图像的相似度的过程中，需要将图像进行向量化处理，将图像转化成向量的过程基于深度学习模型实现，所述深度学习模型是预先被训练样本训练好的模型，将所述案件审核图像作为输入量，输入所述深度学习模型中，该模型的输出即为所述案件审核图像的特征向量。
所述深度学习模型，优选基于卷积神经网络(CNN，Convolutional NeuralNetwork)或者深度神经网络(DNN，Deep Neural Network)构建，除此之外，还可以采用其他神经网络，本实施例在此不做限定。
步骤S106，根据所述特征向量确定所述案件审核图像之间的图像相似度。
本申请实施例提供的一种优选实施方式中，所述根据所述特征向量确定所述案件审核图像之间的图像相似度，包括：根据所述特征向量利用词频逆文本频率指数(TF-IDF，Term Frequency-Inverse Document Frequency)算法计算所述案件审核图像之间的图像相似度。
所述词频逆文本频率指数算法是一种统计方法，应用对象多用于文本，用以评估一个字词对于一个文件集或一个语料库中的其中一份文件的重要程度，本实施例将所述案件审核图像转化为特征向量后，采用所述词频逆文本频率指数算法进行图像相似度计算。
本申请实施例提供的一种优选实施方式中，所述根据所述特征向量确定所述案件审核图像之间的图像相似度，包括：基于所述案件审核图像的特征向量之间的向量距离，确定所述案件审核图像之间的图像相似度。
其中，所述案件审核图像的特征向量之间的向量距离，包括下述至少一项：欧式距离、余弦距离；余弦距离的特点是余弦值接近1，夹角趋于0，表明两个向量越相似，图像相似度越高，欧氏距离的特点是欧氏距离越小，两个向量越相似，图像相似度越高。
步骤S108，基于所述图像相似度确定的相似度权重对所述案件审核图像进行聚类。
本申请实施例提供的一种优选实施方式中，所述基于所述图像相似度确定的相似度权重对所述案件审核图像进行聚类，包括：
构建连通图，将所述案件审核图像与所述连通图中的节点建立一一对应的关系，并将所述案件审核图像之间的图像相似度取对数值作为所述案件审核图像对应节点之间的边权重；
将所述连通图输入聚类模型进行聚类，输出所述案件审核图像的聚类标识。
优选的，所述聚类模型，优选基于标签传播算法(LPA，Label PropagationAlgorithm)或者最大连通图算法实现，除此之外，还可以采用其他算法，本实施例在此不做限定。
以所述聚类模型基于标签传播算法实现为例，对所述聚类步骤进行说明：
聚类模型的输入为基于案件审核图像以及图像相似度构建的连通图，具体在构建连通图的过程中，将连通图中包含的节点与所述案件审核图像建立一一对应关系，每个节点分别包含各自对应案件审核图像的图像编号，并且，将上述求得的所述案件审核图像之间的图像相似度取对数值作为所述案件审核图像对应节点之间的边权重，完成所述聚类模型所需连通图的构建。
所述聚类模型基于标签传播算法，标签传播算法的应用场景为：社区发现，传统意义上的社区指的是网络中的一组节点间具有较大的相似性，从而形成的一种内部连接紧密，而外部稀疏的群体结构，对给定的网络图寻找其社区结构的过程称为社区发现，大体上看，社区发现的过程就是一种聚类的过程；标签传播算法的基本思想是：将一个节点的邻居节点的标签中数量最多的标签作为该节点自身的标签，具体为给每个节点添加标签以代表它所属的社区，并通过标签的传播形成同一标签的社区结构。
标签传播算法的传播过程可以概括为：
1)初始时，给每个节点一个唯一的标签；
2)每个节点使用其邻居节点的标签中最多的标签来更新自身的标签；
3)反复执行步骤2)，直到每个节点的标签都不再发生变化为止。
将所述连通图输入所述聚类模型运行标签传播算法进行聚类，所述案件审核图像被划分社区，输出划分后的代表每个社区的标签，该标签即是指所述案件审核图像的聚类标识。
步骤S110，根据所述聚类的聚类结果确定所述项目成员中的可疑项目成员。
本申请实施例提供的一种优选实施方式中，所述根据所述聚类的聚类结果确定所述项目成员中的可疑项目成员，包括：
确定具有相同聚类标识的所述案件审核图像为可疑图像；
确定所述可疑图像的提交人为所述项目成员中的可疑项目成员。
在上述构建连通图的步骤中，将所述案件审核图像之间的图像相似度取对数值作为所述案件审核图像对应节点之间的边权重，就使得所述案件审核图像之间相似度高的案件审核图像，连接其在连通图中对应节点的边的权重也高，节点连接越紧密，从而更易形成同一社区，所述聚类模型输出的所述案件审核图像的聚类标识可作为划分社区的标准，具有相同聚类标识的所述案件审核图像属于相同社区，从而确定其为可疑图像，相应的，所述可疑图像的提交人为所述项目成员中的可疑项目成员。
优选的，所述根据所述聚类的聚类结果确定所述项目成员中的可疑项目成员步骤执行之后，包括：确定所述可疑图像中具有同一聚类标识的所述案件审核图像的提交人的集合为可疑团伙。
在确定所述可疑项目成员之后，根据所述聚类结果，具有同一聚类标识的所述案件审核图像形成同一社区，同一社区内的案件审核图像对应的提交人组成的群体则很有可能是可疑团伙。
本申请实施例提供的一种优选实施方式中，根据所述聚类的聚类结果确定所述项目成员中的可疑项目成员之后，在聚类获得的聚类结果的基础上，还可以通过分析事实性关系来判断可疑项目成员是否出自于同一骗保团伙，具体实现如下：
1)获取所述可疑项目成员的事实性关系；
2)基于所述事实性关系在所述可疑项目成员中确定具有实际事实性关系的项目成员为不可信项目成员；
3)确定所述不可信项目成员中提交具有同一聚类标识的所述案件审核图像的成员集合为可疑团伙。
在确定所述可疑项目成员之后，基于获取的可疑项目成员的事实性关系筛选出具有实际事实性关系的项目成员为不可信项目成员的好处在于，首先图聚类操作实现的是第一轮筛选，筛选出被划分为同一社区的案件审核图像，该案件审核图像的提交人具有团伙骗保的嫌疑，其次通过判断是否具有实际事实性关系进行第二轮筛选，来判断可疑项目成员在现实生活中是否具有实际联系，经过这两轮筛选，筛选出的项目成员同时具备提交的案件审核图片为所述可疑图片且该项目成员间具有事实性关系这两个条件，在此基础上确定所述不可信项目成员集合构成的骗保团伙的准确性更高。
下述结合附图2，对本申请提供的基于图像处理的可疑项目成员识别方法进行进一步说明，具体实现如下：
步骤S202，获取保险理赔环节要求用户上传的N张理赔图片。
保险理赔环节一般会需要用户上传理赔材料，如理赔图片，保险公司会对理赔材料进行分析来判断用户是否满足理赔条件。本实施例是基于图像处理技术来识别可疑项目成员，首先需要获取用户上传的N张理赔图片，N张理赔图片分别表示为：Image1，Image2，Image3，……，ImageN。
步骤S204，利用深度学习模型提取N张理赔图片各自的特征向量。
基于理赔图片数量大、占用计算空间大的问题，N张理赔图片统一采用模型来处理，以提高图像处理效率。本方法是根据理赔图片之间的图像相似度来进行图聚类操作，在计算图像相似度的过程中，需要先将图像进行向量化处理，将图像转化成向量的过程基于开源的深度学习框架来实现，具体的，在深度学习框架下，利用卷积神经网络预先构建并且训练好深度学习模型，通过将Image1到ImageN这N张理赔图片输入深度学习模型获取Image1到ImageN各自的特征向量。
步骤S206，利用词频逆文本频率指数算法计算N张理赔图片之间的图像相似度。
对N张理赔图片进行向量化操作得到其对应的特征向量后，即可采用词频逆文本频率指数算法计算理赔图片之间的图像相似度，作为图聚类操作的依据。
步骤S208，利用标签传播算法对N张理赔图片进行聚类。
具体的，对理赔图片的聚类操作由聚类模型来进行，该聚类模型在聚类过程中采用的算法为标签传播算法，步骤如下：
1)构建连通图，N张理赔图片Image1到ImageN与连通图中的节点一一对应，相应的，节点可以被标记为Image1，Image2，Image3，……，ImageN，将N张理赔图片之间的图像相似度取对数值作为理赔图片对应节点之间的边权重；
2)将连通图输入聚类模型，利用标签传播算法获得节点的标签，具有较高相似度的理赔图片对应的节点具有相同的标签，被聚为同类。
步骤S210，确定可疑项目成员。
将聚类模型输出的理赔图片的标识作为划分社区的标准，具有同一聚类标识的理赔图片在某一方面具有相似度，被划分为同一社区，确定具有社区属性的理赔图片为可疑图片，确定可疑图片的提交人为可疑项目成员。
步骤S212，获取可疑项目成员的事实性关系。
确定可疑项目成员后，还可通过可疑项目成员之间的事实性关系进一步判断该可疑项目成员是否具有骗保嫌疑，事实性关系包括项目成员之间的资金转账关系、通信关系、通讯录关系、设备关系等，具有资金转账交易记录、通过通讯设备通信、对方互为通讯录联系人、多方曾使用同一登录设备等行为的可疑项目成员都被认定为具有事实性关系。
步骤S214，在可疑项目成员中确定具有实际事实性关系的项目成员为不可信项目成员。
对理赔图片的聚类操作筛选出了提交的理赔图片具有相似性的可疑项目成员后，如果可疑项目成员还同时具有事实性关系，则该可疑项目成员参与骗保的可能性更大，据此可以基于事实性关系在可疑项目成员中筛选出具有事实性关系的项目成员作为不可信项目成员。
步骤S216，确定不可信项目成员中提交的具有同一标签的理赔图像的成员集合为可疑团伙。
项目成员中被确定的不可信项目成员具有很大的骗保嫌疑，而属于同一骗保团伙的项目成员提交的理赔图片大多在某一方面具有相似性，易被标识同一标签，据此，根据之前得到的聚类结果，可以确定不可信项目成员中提交的具有同一标签的理赔图像的成员组成的集合为可疑团伙。
本申请提供的一种基于图像处理的可疑项目成员识别装置实施例如下：
在上述的实施例中，提供了一种基于图像处理的可疑项目成员识别方法，与之相对应的，本申请还提供了一种基于图像处理的可疑项目成员识别装置，下面结合附图进行说明。
参照附图3，其示出了本申请提供的一种基于图像处理的可疑项目成员识别装置实施例的示意图。
由于装置实施例基本相似于方法实施例，所以描述得比较简单，相关的部分请参见上述提供的方法实施例的对应说明即可。下述描述的装置实施例仅仅是示意性的。
本申请提供一种基于图像处理的可疑项目成员识别装置，包括：
案件审核图像集获取模块302，被配置为获取参与项目的项目成员提交的案件审核图像组成的案件审核图像集；
特征向量提取模块304，被配置为提取所述案件审核图像集中所述案件审核图像的特征向量；
图像相似度确定模块306，被配置为根据所述特征向量确定所述案件审核图像之间的图像相似度；
聚类模块308，被配置为基于所述图像相似度确定的相似度权重对所述案件审核图像进行聚类；
可疑项目成员确定模块310，被配置为根据所述聚类的聚类结果确定所述项目成员中的可疑项目成员。
可选的，所述特征向量提取模块304，具体被配置为将所述案件审核图像输入预先训练好的深度学习模型进行图像向量化处理，输出所述案件审核图像的特征向量。
可选的，所述图像相似度确定模块306，具体被配置为根据所述特征向量利用词频逆文本频率指数算法计算所述案件审核图像之间的图像相似度。
可选的，所述图像相似度确定模块306，具体被配置为基于所述案件审核图像的特征向量之间的向量距离，确定所述案件审核图像之间的图像相似度。
可选的，所述聚类模块308，包括：
连通图构建子模块，被配置为构建连通图，将所述案件审核图像与所述连通图中的节点建立一一对应的关系，并将所述案件审核图像之间的图像相似度取对数值作为所述案件审核图像对应节点之间的边权重；
聚类标识输出模块，被配置为将所述连通图输入聚类模型进行聚类，输出所述案件审核图像的聚类标识。
可选的，所述可疑项目成员确定模块310，包括：
可疑图像确定子模块，被配置为确定具有相同聚类标识的所述案件审核图像为可疑图像；
可疑项目成员确定子模块，被配置为确定所述可疑图像的提交人为所述项目成员中的可疑项目成员。
可选的，所述基于图像处理的可疑项目成员识别装置，还包括：
第一可疑团伙确定模块，被配置为确定所述可疑图像中具有同一聚类标识的所述案件审核图像的提交人的集合为可疑团伙。
可选的，所述基于图像处理的可疑项目成员识别装置，还包括：
第二事实性关系获取模块，被配置为获取所述可疑项目成员的事实性关系；
不可信项目成员确定模块，被配置为基于所述事实性关系在所述可疑项目成员中确定具有实际事实性关系的项目成员为不可信项目成员；
第二可疑团伙确定模块，被配置为确定所述不可信项目成员中提交具有同一聚类标识的所述案件审核图像的成员集合为可疑团伙。
可选的，所述基于图像处理的可疑项目成员识别装置，还包括：
第一事实性关系获取模块，被配置为获取所述项目成员的事实性关系；
案件审核图像获取对象确定模块，被配置为基于所述事实性关系确定具有实际事实性关系的项目成员；
相应的，所述案件审核图像集获取模块302，具体被配置为获取所述具有实际事实性关系的项目成员的案件审核图像，组成所述案件审核图像集。
可选的，所述项目成员的事实性关系，包括下述至少一项：
所述项目成员之间的资金转账关系、通信关系、通讯录关系、设备关系。
可选的，所述深度学习模型，基于下述任意一种神经网络构建：
卷积神经网络、深度神经网络。
可选的，所述聚类模型，基于下述任意一种算法：
标签传播算法、最大连通图算法。
本申请提供的一种计算设备实施例如下：
图4是示出了根据本说明书一实施例的计算设备400的结构框图。该计算设备400的部件包括但不限于存储器410和处理器420。处理器420与存储器410通过总线430相连接，数据库450用于保存数据。
计算设备400还包括接入设备440，接入设备440使得计算设备400能够经由一个或多个网络460通信。这些网络的示例包括公用交换电话网(PSTN)、局域网(LAN)、广域网(WAN)、个域网(PAN)或诸如因特网的通信网络的组合。接入设备440可以包括有线或无线的任何类型的网络接口(例如，网络接口卡(NIC))中的一个或多个，诸如IEEE802.11无线局域网(WLAN)无线接口、全球微波互联接入(Wi-MAX)接口、以太网接口、通用串行总线(USB)接口、蜂窝网络接口、蓝牙接口、近场通信(NFC)接口，等等。
在本说明书的一个实施例中，计算设备400的上述部件以及图4中未示出的其他部件也可以彼此相连接，例如通过总线。应当理解，图4所示的计算设备结构框图仅仅是出于示例的目的，而不是对本说明书范围的限制。本领域技术人员可以根据需要，增添或替换其他部件。
计算设备400可以是任何类型的静止或移动计算设备，包括移动计算机或移动计算设备(例如，平板计算机、个人数字助理、膝上型计算机、笔记本计算机、上网本等)、移动电话(例如，智能手机)、可佩戴的计算设备(例如，智能手表、智能眼镜等)或其他类型的移动设备，或者诸如台式计算机或PC的静止计算设备。计算设备400还可以是移动式或静止式的服务器。
本申请提供一种计算设备，包括存储器410、处理器420及存储在存储器上并可在处理器上运行的计算机指令，所述处理器420用于执行如下计算机可执行指令：
获取参与项目的项目成员提交的案件审核图像组成的案件审核图像集；
提取所述案件审核图像集中所述案件审核图像的特征向量；
根据所述特征向量确定所述案件审核图像之间的图像相似度；
基于所述图像相似度确定的相似度权重对所述案件审核图像进行聚类；
根据所述聚类的聚类结果确定所述项目成员中的可疑项目成员。
可选的，所述提取所述案件审核图像集中所述案件审核图像的特征向量，包括：
将所述案件审核图像输入预先训练好的深度学习模型进行图像向量化处理，输出所述案件审核图像的特征向量。
可选的，所述根据所述特征向量确定所述案件审核图像之间的图像相似度，包括：
根据所述特征向量利用词频逆文本频率指数算法计算所述案件审核图像之间的图像相似度。
可选的，所述根据所述特征向量确定所述案件审核图像之间的图像相似度，包括：
基于所述案件审核图像的特征向量之间的向量距离，确定所述案件审核图像之间的图像相似度。
可选的，所述基于所述图像相似度确定的相似度权重对所述案件审核图像进行聚类，包括：
构建连通图，将所述案件审核图像与所述连通图中的节点建立一一对应的关系，并将所述案件审核图像之间的图像相似度取对数值作为所述案件审核图像对应节点之间的边权重；
将所述连通图输入聚类模型进行聚类，输出所述案件审核图像的聚类标识。
可选的，所述根据所述聚类的聚类结果确定所述项目成员中的可疑项目成员，包括：
确定具有相同聚类标识的所述案件审核图像为可疑图像；
确定所述可疑图像的提交人为所述项目成员中的可疑项目成员。
可选的，所述根据所述聚类的聚类结果确定所述项目成员中的可疑项目成员步骤执行之后，包括：
确定所述可疑图像中具有同一聚类标识的所述案件审核图像的提交人的集合为可疑团伙。
可选的，所述根据所述聚类的聚类结果确定所述项目成员中的可疑项目成员步骤执行之后，还包括：
获取所述可疑项目成员的事实性关系；
基于所述事实性关系在所述可疑项目成员中确定具有实际事实性关系的项目成员为不可信项目成员；
确定所述不可信项目成员中提交具有同一聚类标识的所述案件审核图像的成员集合为可疑团伙。
可选的，所述获取参与项目的项目成员提交的案件审核图像组成的案件审核图像集步骤执行之前，还包括：
获取所述项目成员的事实性关系；
基于所述事实性关系确定具有实际事实性关系的项目成员；
相应的，所述获取参与项目的项目成员提交的案件审核图像组成的案件审核图像集步骤中，获取所述具有实际事实性关系的项目成员的案件审核图像，组成所述案件审核图像集。
可选的，所述项目成员的事实性关系，包括下述至少一项：
所述项目成员之间的资金转账关系、通信关系、通讯录关系、设备关系。
可选的，所述深度学习模型，基于下述任意一种神经网络构建：
卷积神经网络、深度神经网络。
本申请一实施例还提供一种计算机可读存储介质，其存储有计算机指令，该指令被处理器执行时实现如下：
获取参与项目的项目成员提交的案件审核图像组成的案件审核图像集；
提取所述案件审核图像集中所述案件审核图像的特征向量；
根据所述特征向量确定所述案件审核图像之间的图像相似度；
基于所述图像相似度确定的相似度权重对所述案件审核图像进行聚类；
根据所述聚类的聚类结果确定所述项目成员中的可疑项目成员。
可选的，所述提取所述案件审核图像集中所述案件审核图像的特征向量，包括：
将所述案件审核图像输入预先训练好的深度学习模型进行图像向量化处理，输出所述案件审核图像的特征向量。
可选的，所述根据所述特征向量确定所述案件审核图像之间的图像相似度，包括：
根据所述特征向量利用词频逆文本频率指数算法计算所述案件审核图像之间的图像相似度。
可选的，所述根据所述特征向量确定所述案件审核图像之间的图像相似度，包括：
基于所述案件审核图像的特征向量之间的向量距离，确定所述案件审核图像之间的图像相似度。
可选的，所述基于所述图像相似度确定的相似度权重对所述案件审核图像进行聚类，包括：
构建连通图，将所述案件审核图像与所述连通图中的节点建立一一对应的关系，并将所述案件审核图像之间的图像相似度取对数值作为所述案件审核图像对应节点之间的边权重；
将所述连通图输入聚类模型进行聚类，输出所述案件审核图像的聚类标识。
可选的，所述根据所述聚类的聚类结果确定所述项目成员中的可疑项目成员，包括：
确定具有相同聚类标识的所述案件审核图像为可疑图像；
确定所述可疑图像的提交人为所述项目成员中的可疑项目成员。
可选的，所述根据所述聚类的聚类结果确定所述项目成员中的可疑项目成员步骤执行之后，包括：
确定所述可疑图像中具有同一聚类标识的所述案件审核图像的提交人的集合为可疑团伙。
可选的，所述根据所述聚类的聚类结果确定所述项目成员中的可疑项目成员步骤执行之后，还包括：
获取所述可疑项目成员的事实性关系；
基于所述事实性关系在所述可疑项目成员中确定具有实际事实性关系的项目成员为不可信项目成员；
确定所述不可信项目成员中提交具有同一聚类标识的所述案件审核图像的成员集合为可疑团伙。
可选的，所述获取参与项目的项目成员提交的案件审核图像组成的案件审核图像集步骤执行之前，还包括：
获取所述项目成员的事实性关系；
基于所述事实性关系确定具有实际事实性关系的项目成员；
相应的，所述获取参与项目的项目成员提交的案件审核图像组成的案件审核图像集步骤中，获取所述具有实际事实性关系的项目成员的案件审核图像，组成所述案件审核图像集。
可选的，所述项目成员的事实性关系，包括下述至少一项：
所述项目成员之间的资金转账关系、通信关系、通讯录关系、设备关系。
可选的，所述深度学习模型，基于下述任意一种神经网络构建：
卷积神经网络、深度神经网络。
上述为本实施例的一种计算机可读存储介质的示意性方案。需要说明的是，该存储介质的技术方案与上述的基于图像处理的可疑项目成员识别方法的技术方案属于同一构思，存储介质的技术方案未详细描述的细节内容，均可以参见上述基于图像处理的可疑项目成员识别方法的技术方案的描述。
所述计算机指令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-Only Memory)、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。
需要说明的是，对于前述的各方法实施例，为了简便描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其它顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定都是本申请所必须的。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其它实施例的相关描述。
以上公开的本申请优选实施例只是用于帮助阐述本申请。可选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本申请的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本申请。本申请仅受权利要求书及其全部范围和等效物的限制。
Claims (14)
1.一种基于图像处理的可疑项目成员识别方法，其特征在于，包括：
获取参与项目的项目成员提交的案件审核图像组成的案件审核图像集；
提取所述案件审核图像集中所述案件审核图像的特征向量；
根据所述特征向量确定所述案件审核图像之间的图像相似度；
基于所述图像相似度确定的相似度权重对所述案件审核图像进行聚类；
根据所述聚类的聚类结果确定所述项目成员中的可疑项目成员；
其中，所述根据所述聚类的聚类结果确定所述项目成员中的可疑项目成员，包括：
确定具有相同聚类标识的所述案件审核图像为可疑图像；
确定所述可疑图像的提交人为所述项目成员中的可疑项目成员。
2.根据权利要求1所述的一种基于图像处理的可疑项目成员识别方法，其特征在于，所述提取所述案件审核图像集中所述案件审核图像的特征向量，包括：
将所述案件审核图像输入预先训练好的深度学习模型进行图像向量化处理，输出所述案件审核图像的特征向量。
3.根据权利要求1所述的一种基于图像处理的可疑项目成员识别方法，其特征在于，所述根据所述特征向量确定所述案件审核图像之间的图像相似度，包括：
根据所述特征向量利用词频逆文本频率指数算法计算所述案件审核图像之间的图像相似度。
4.根据权利要求1所述的一种基于图像处理的可疑项目成员识别方法，其特征在于，所述根据所述特征向量确定所述案件审核图像之间的图像相似度，包括：
基于所述案件审核图像的特征向量之间的向量距离，确定所述案件审核图像之间的图像相似度。
5.根据权利要求1所述的一种基于图像处理的可疑项目成员识别方法，其特征在于，所述基于所述图像相似度确定的相似度权重对所述案件审核图像进行聚类，包括：
构建连通图，将所述案件审核图像与所述连通图中的节点建立一一对应的关系，并将所述案件审核图像之间的图像相似度取对数值作为所述案件审核图像对应节点之间的边权重；
将所述连通图输入聚类模型进行聚类，输出所述案件审核图像的聚类标识。
6.根据权利要求1所述的一种基于图像处理的可疑项目成员识别方法，其特征在于，所述根据所述聚类的聚类结果确定所述项目成员中的可疑项目成员步骤执行之后，包括：
确定所述可疑图像中具有同一聚类标识的所述案件审核图像的提交人的集合为可疑团伙。
7.根据权利要求1所述的一种基于图像处理的可疑项目成员识别方法，其特征在于，所述根据所述聚类的聚类结果确定所述项目成员中的可疑项目成员步骤执行之后，还包括：
获取所述可疑项目成员的事实性关系；
基于所述事实性关系在所述可疑项目成员中确定具有实际事实性关系的项目成员为不可信项目成员；
确定所述不可信项目成员中提交具有同一聚类标识的所述案件审核图像的成员集合为可疑团伙。
8.根据权利要求1所述的一种基于图像处理的可疑项目成员识别方法，其特征在于，所述获取参与项目的项目成员提交的案件审核图像组成的案件审核图像集步骤执行之前，还包括：
获取所述项目成员的事实性关系；
基于所述事实性关系确定具有实际事实性关系的项目成员；
相应的，所述获取参与项目的项目成员提交的案件审核图像组成的案件审核图像集步骤中，获取所述具有实际事实性关系的项目成员的案件审核图像，组成所述案件审核图像集。
9.根据权利要求7或8所述的一种基于图像处理的可疑项目成员识别方法，其特征在于，所述项目成员的事实性关系，包括下述至少一项：
所述项目成员之间的资金转账关系、通信关系、通讯录关系、设备关系。
10.根据权利要求2所述的一种基于图像处理的可疑项目成员识别方法，其特征在于，所述深度学习模型，基于下述任意一种神经网络构建：
卷积神经网络、深度神经网络。
11.根据权利要求5所述的一种基于图像处理的可疑项目成员识别方法，其特征在于，所述聚类模型，基于下述任意一种算法：
标签传播算法、最大连通图算法。
12.一种基于图像处理的可疑项目成员识别装置，其特征在于，包括：
案件审核图像集获取模块，被配置为获取参与项目的项目成员提交的案件审核图像组成的案件审核图像集；
特征向量提取模块，被配置为提取所述案件审核图像集中所述案件审核图像的特征向量；
图像相似度确定模块，被配置为根据所述特征向量确定所述案件审核图像之间的图像相似度；
聚类模块，被配置为基于所述图像相似度确定的相似度权重对所述案件审核图像进行聚类；
可疑项目成员确定模块，被配置为根据所述聚类的聚类结果确定所述项目成员中的可疑项目成员，其中，所述根据所述聚类的聚类结果确定所述项目成员中的可疑项目成员，包括：
确定具有相同聚类标识的所述案件审核图像为可疑图像；
确定所述可疑图像的提交人为所述项目成员中的可疑项目成员。
13.一种计算设备，其特征在于，包括：
存储器和处理器；
所述存储器用于存储计算机可执行指令，所述处理器用于执行所述计算机可执行指令：
获取参与项目的项目成员提交的案件审核图像组成的案件审核图像集；
提取所述案件审核图像集中所述案件审核图像的特征向量；
根据所述特征向量确定所述案件审核图像之间的图像相似度；
基于所述图像相似度确定的相似度权重对所述案件审核图像进行聚类；
根据所述聚类的聚类结果确定所述项目成员中的可疑项目成员，其中，所述根据所述聚类的聚类结果确定所述项目成员中的可疑项目成员，包括：确定具有相同聚类标识的所述案件审核图像为可疑图像；确定所述可疑图像的提交人为所述项目成员中的可疑项目成员。
14.一种计算机可读存储介质，其存储有计算机指令，其特征在于，该指令被处理器执行时实现权利要求1至11任意一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910238911.0A CN110163761B (zh) | 2019-03-27 | 2019-03-27 | 基于图像处理的可疑项目成员识别方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910238911.0A CN110163761B (zh) | 2019-03-27 | 2019-03-27 | 基于图像处理的可疑项目成员识别方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110163761A CN110163761A (zh) | 2019-08-23 |
| CN110163761B true CN110163761B (zh) | 2023-05-12 |
Family
ID=67638486
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910238911.0A Active CN110163761B (zh) | 2019-03-27 | 2019-03-27 | 基于图像处理的可疑项目成员识别方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110163761B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111325265B (zh) * | 2020-02-17 | 2023-09-01 | ***股份有限公司 | 一种针对篡改图像的检测方法及装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107358596A (zh) * | 2017-04-11 | 2017-11-17 | 阿里巴巴集团控股有限公司 | 一种基于图像的车辆定损方法、装置、电子设备及*** |
| CN108573286A (zh) * | 2018-05-10 | 2018-09-25 | 阿里巴巴集团控股有限公司 | 一种理赔业务的数据处理方法、装置、设备及服务器 |
| CN108734479A (zh) * | 2018-04-12 | 2018-11-02 | 阿里巴巴集团控股有限公司 | 保险欺诈识别的数据处理方法、装置、设备及服务器 |
| CN109271418A (zh) * | 2018-08-14 | 2019-01-25 | 阿里巴巴集团控股有限公司 | 可疑团伙识别方法、装置、设备及计算机可读存储介质 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8724904B2 (en) * | 2011-10-25 | 2014-05-13 | International Business Machines Corporation | Anomaly detection in images and videos |
| US10628890B2 (en) * | 2017-02-23 | 2020-04-21 | International Business Machines Corporation | Visual analytics based vehicle insurance anti-fraud detection |
| CN107403424B (zh) * | 2017-04-11 | 2020-09-18 | 阿里巴巴集团控股有限公司 | 一种基于图像的车辆定损方法、装置及电子设备 |
-
2019
- 2019-03-27 CN CN201910238911.0A patent/CN110163761B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107358596A (zh) * | 2017-04-11 | 2017-11-17 | 阿里巴巴集团控股有限公司 | 一种基于图像的车辆定损方法、装置、电子设备及*** |
| CN108734479A (zh) * | 2018-04-12 | 2018-11-02 | 阿里巴巴集团控股有限公司 | 保险欺诈识别的数据处理方法、装置、设备及服务器 |
| CN108573286A (zh) * | 2018-05-10 | 2018-09-25 | 阿里巴巴集团控股有限公司 | 一种理赔业务的数据处理方法、装置、设备及服务器 |
| CN109271418A (zh) * | 2018-08-14 | 2019-01-25 | 阿里巴巴集团控股有限公司 | 可疑团伙识别方法、装置、设备及计算机可读存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110163761A (zh) | 2019-08-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111738357B (zh) | 垃圾图片的识别方法、装置及设备 | |
| US10031925B2 (en) | Method and system of using image recognition and geolocation signal analysis in the construction of a social media user identity graph | |
| CN112613501A (zh) | 信息审核分类模型的构建方法和信息审核方法 | |
| TWI705341B (zh) | 特徵關係推薦方法及裝置、計算設備及儲存媒體 | |
| CN110636445B (zh) | 基于wifi的室内定位方法、装置、设备及介质 | |
| US20230401833A1 (en) | Method, computer device, and storage medium, for feature fusion model training and sample retrieval | |
| WO2023185539A1 (zh) | 机器学习模型训练方法、业务数据处理方法、装置及*** | |
| CN115994226B (zh) | 基于联邦学习的聚类模型训练***及方法 | |
| CN112348081A (zh) | 用于图像分类的迁移学习方法、相关装置及存储介质 | |
| CN112995414B (zh) | 基于语音通话的行为质检方法、装置、设备及存储介质 | |
| CN112258254A (zh) | 基于大数据架构的互联网广告风险监测方法及*** | |
| CN114139013A (zh) | 图像搜索方法、装置、电子设备及计算机可读存储介质 | |
| CN112258250A (zh) | 基于网络热点的目标用户识别方法、装置和计算机设备 | |
| WO2023024408A1 (zh) | 用户特征向量确定方法、相关设备及介质 | |
| CN110163761B (zh) | 基于图像处理的可疑项目成员识别方法及装置 | |
| CN113011966A (zh) | 基于深度学习的信用评分方法及装置 | |
| CN110955778A (zh) | 一种基于差分隐私联合学习的垃圾短信识别方法及*** | |
| CN115640401A (zh) | 文本内容提取方法及装置 | |
| CN113011503B (zh) | 一种电子设备的数据取证方法、存储介质及终端 | |
| CN111552846B (zh) | 识别可疑关系的方法以及装置 | |
| CN113487389A (zh) | 一种信息推荐方法及装置 | |
| CN114970670A (zh) | 模型公平性评估方法及装置 | |
| CN115757764A (zh) | 一种信息识别方法、装置、设备及计算机可读存储介质 | |
| CN113344581A (zh) | 业务数据处理方法及装置 | |
| KR102060110B1 (ko) | 컨텐츠에 포함되는 객체를 분류하는 방법, 장치 및 컴퓨터 프로그램 |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20200929 Address after: 27 Hospital Road, George Town, Grand Cayman ky1-9008 Applicant after: Advanced innovation technology Co.,Ltd. Address before: A four-storey 847 mailbox in Grand Cayman Capital Building, British Cayman Islands Applicant before: Alibaba Group Holding Ltd. Effective date of registration: 20200929 Address after: 27 Hospital Road, George Town, Grand Cayman ky1-9008 Applicant after: Innovative advanced technology Co.,Ltd. Address before: 27 Hospital Road, George Town, Grand Cayman ky1-9008 Applicant before: Advanced innovation technology Co.,Ltd. |
|
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20230404 Address after: 801-10, Section B, 8th floor, 556 Xixi Road, Xihu District, Hangzhou City, Zhejiang Province Applicant after: Ant financial (Hangzhou) Network Technology Co.,Ltd. Address before: 27 Hospital Road, George Town, Grand Cayman ky1-9008 Applicant before: Innovative advanced technology Co.,Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |