CN110264038A - 一种产品测评模型的生成方法及设备 - Google Patents
一种产品测评模型的生成方法及设备 Download PDFInfo
- Publication number
- CN110264038A CN110264038A CN201910430235.7A CN201910430235A CN110264038A CN 110264038 A CN110264038 A CN 110264038A CN 201910430235 A CN201910430235 A CN 201910430235A CN 110264038 A CN110264038 A CN 110264038A
- Authority
- CN
- China
- Prior art keywords
- variable
- product
- derivative
- target
- primary
- 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
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000012546 transfer Methods 0.000 claims abstract description 37
- 230000008676 import Effects 0.000 claims abstract description 18
- 238000004458 analytical method Methods 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 44
- 238000012549 training Methods 0.000 claims description 27
- 238000012360 testing method Methods 0.000 claims description 19
- 230000002159 abnormal effect Effects 0.000 claims description 16
- 230000008859 change Effects 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 14
- 238000003860 storage Methods 0.000 claims description 8
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 235000013399 edible fruits Nutrition 0.000 claims description 2
- 230000015572 biosynthetic process Effects 0.000 abstract description 5
- 239000000284 extract Substances 0.000 abstract description 5
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 2
- 238000012502 risk assessment Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000003892 spreading Methods 0.000 description 1
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
- G06Q10/0635—Risk analysis of enterprise or organisation activities
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明适用于模型管理技术领域,提供了一种产品测评模型的生成方法及设备,包括:基于不同原生变量分别对应的预设的衍生变量转换函数,为变量库中各个所述原生变量配置多个衍生变量,并建立原生变量与衍生变量的对应关系;获取目标产品的产品信息,并对产品信息进行语义分析,识别产品信息包含的产品关键词;从变量库中选取与产品关键词匹配的原生变量,并将选取的原生变量识别为目标变量;基于对应关系,获取各个目标变量关联的衍生变量;根据目标产品的产品类型,下载产品类型的产品测评模板,并将目标变量以及与目标变量关联的衍生变量导入产品测评模板,生成目标产品的产品测评模型。本发明可以直接从变量库中提取目标产品关联的各个变量,提高测评模型的生成效率。
Description
技术领域
本发明属于模型管理技术领域,尤其涉及一种产品测评模型的生成方法及设备。
背景技术
在用户进行风险操作之前,企业需要对该用户进行风险测评,确定该用户的用户测评等级,而不同产品的测评模型各不相同,随着产品数量的不断增加,产品测评模型的配置频率也越来越高,如何高效地建立产品测评模型,则直接影响产品的更新速度。现有的产品测评模型中,不仅包含从用户信息中直接提取的原生变量,包含了基于原生变量经过既定转换算法得到的衍生变量,用户需要手动配置各个风险模型所包含原生变量以及衍生变量,所需配置的变量数量庞大,往往会出现变量遗漏配置的情况,从而降低了产品测评模型的创建的效率以及模型的准确率。
发明内容
有鉴于此,本发明实施例提供了一种产品测评模型的生成方法及设备,以解决现有的产品测评模型的生成技术,需要手动配置各个风险模型所包含原生变量以及衍生变量,当原生变量数量较多时,往往会出现变量遗漏配置的情况,从而降低了产品测评模型的创建的效率以及模型的准确率的问题。
本发明实施例的第一方面提供了一种产品测评模型的生成方法,包括:
基于不同原生变量分别对应的预设的衍生变量转换函数,为变量库中各个所述原生变量配置多个衍生变量,并建立所述原生变量与所述衍生变量的对应关系;
获取目标产品的产品信息,并对所述产品信息进行语义分析,识别所述产品信息包含的产品关键词;
从所述变量库中选取与所述产品关键词匹配的所述原生变量,并将选取的所述原生变量识别为所述目标产品对应的目标变量;
基于所述对应关系,获取各个所述目标变量关联的所述衍生变量;
根据所述目标产品的产品类型,下载所述产品类型的产品测评模板,并将所述目标变量以及与所述目标变量关联的所述衍生变量导入所述产品测评模板,生成所述目标产品的产品测评模型。
本发明实施例的第二方面提供了一种产品测评模型的生成设备,包括:
衍生变量配置单元,用于基于不同原生变量分别对应的预设的衍生变量转换函数,为变量库中各个所述原生变量配置多个衍生变量,并建立所述原生变量与所述衍生变量的对应关系;
产品关键词获取单元,用于获取目标产品的产品信息,并对所述产品信息进行语义分析,识别所述产品信息包含的产品关键词;
目标变量识别单元,用于从所述变量库中选取与所述产品关键词匹配的所述原生变量,并将选取的所述原生变量识别为所述目标产品对应的目标变量;
衍生变量选取单元,用于基于所述对应关系,获取各个所述目标变量关联的所述衍生变量;
产品测评模型生成单元,用于根据所述目标产品的产品类型,下载所述产品类型的产品测评模板,并将所述目标变量以及与所述目标变量关联的所述衍生变量导入所述产品测评模板,生成所述目标产品的产品测评模型。
本发明实施例的第三方面提供了一种终端设备,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第一方面的各个步骤。
本发明实施例的第四方面提供了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第一方面的各个步骤。
实施本发明实施例提供的一种产品测评模型的生成方法及设备具有以下有益效果:
本发明实施例通过首先为各个原生变量配置关联的衍生变量,并建立各个原生变量与衍生变量的对应关系;然后对目标产品的产品信息进行解析,确定该目标产品中包含的原生变量,基于上述建立的对应关系,自动拉取各个原生变量关联的衍生变量,将获取得到的原生变量以及衍生变量导入到目标产品的产品类型匹配的产品测评模板内,生成目标产品的产品测评模型,实现自动生成产品测评模型的目的。与现有的产品测评模型的生成技术相比,无需用户手动配置原生变量,并为每个原生变量配置转换函数,从而得到衍生变量,可以直接从变量库中提取目标产品关联的各个变量,提高测评模型的生成效率,也能够避免变量遗漏配置的情况发生,提高了产品测评模型的准确性。
附图说明
为了更清楚地说明本发明实施例中的技术方案,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。
图1是本发明第一实施例提供的一种产品测评模型的生成方法的实现流程图;
图2是本发明第二实施例提供的一种产品测评模型的生成方法S101具体实现流程图;
图3是本发明第三实施例提供的一种产品测评模型的生成方法具体实现流程图;
图4是本发明第四实施例提供的一种产品测评模型的生成方法S103具体实现流程图;
图5是本发明第五实施例提供的一种产品测评模型的生成方法具体实现流程图;
图6是本发明一实施例提供的一种产品测评模型的生成设备的结构框图;
图7是本发明另一实施例提供的一种终端设备的示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明实施例通过首先为各个原生变量配置关联的衍生变量,并建立各个原生变量与衍生变量的对应关系;然后对目标产品的产品信息进行解析,确定该目标产品中包含的原生变量,基于上述建立的对应关系,自动拉取各个原生变量关联的衍生变量,将获取得到的原生变量以及衍生变量导入到目标产品的产品类型匹配的产品测评模板内,生成目标产品的产品测评模型,实现自动生成产品测评模型的目的,解决了现有的产品测评模型的生成技术,需要手动配置各个风险模型所包含原生变量以及衍生变量,当原生变量数量较多时,往往会出现变量遗漏配置的情况,从而降低了产品测评模型的创建的效率以及模型的准确率的问题。
在本发明实施例中,流程的执行主体为终端设备。该终端设备包括但不限于:服务器、计算机、智能手机以及平板电脑等能够执行产品测评模型的生成操作的设备。图1示出了本发明第一实施例提供的产品测评模型的生成方法的实现流程图,详述如下:
在S101中,基于不同原生变量分别对应的预设的衍生变量转换函数,为变量库中各个所述原生变量配置多个衍生变量,并建立所述原生变量与所述衍生变量的对应关系。
在本实施例中,终端设备在创建各个目标产品的产品测评模型之前,需要建立变量库。该变量库中包含原生变量以及基于各个原生变量通过预设的转换函数生成的衍生变量。不同的原生变量对应的衍生变量转换函数不同,终端设备可以根据提取与该原生变量相关的所有衍生变量转换函数,从而建立原生变量与其对应的衍生变量之间的对应关系。其中,原生变量具体为能够从原始数据中直接提取得到的参量。原始数据可以为购买目标产品的用户信息和/或目标产品的产品信息。而衍生变量可以通过单个原生变量基于预设的运算方式计算得到,例如某一原生变量为购买目标产品的待测评用户的“年收入”,即可以基于“年收入”计算得到待测评用户的“月收入”,由于月收入的信息无法直接从用户信息中提取,需要通过年收入的计算后得到,因此“月收入”属于“年收入”的这一原生变量的衍生变量。当然,该衍生变量还可以通过两个或以上的原生变量通过预设的转换函数计算得到,例如某一原生变量为“存款金额”,另一原生变量为“已购物业金额”,则可以根据“存款金额”以及“已购物业金额”确定购买目标产品的用户的“资产总额”,同样地,“资产总额”无法直接从用户信息中直接提取,需要首先确定“存款金额”以及“已购物业金额”,基于上述两个参数计算得到,即“资产总额”是“存款金额”以及“已购物业金额”的衍生变量。由此可见,原生变量可以对应多个衍生变量,当原生变量的个数较多时,若通过人工手动配置的方式拉取衍生变量,则可能会遗漏基于多个原生变量转换得到的衍生变量,不仅需要考虑单个原生变量对应的衍生变量,还需要确定不同的原生变量的组合是否存在衍生变量,从而加大了配置的难度,造成变量遗漏的情况。
在本实施例中,终端设备可以接收用户输入的衍生变量转换函数,并识别该衍生变量转换函数中包含的原生变量以及衍生变量,并将上述的原生变量识别为待配置的原生变量,建立待配置的原生变量以及衍生变量的对应关系,优选地,将上述的衍生变量转换函数导入到该对应关系内,从而能够直接从对应关系中确定衍生变量的转换函数,将创建得到的与原生变量关联的衍生变量导入到变量库内。
可选地,在本实施例中,终端设备可以将包含有衍生变量转换函数的文件发送给终端设备,终端设备对该文件进行解析,分离出多条衍生变量转换函数,并识别该衍生变量函数中的自变量以及因变量,将自变量所对应的变量名识别为原生变量,将因变量的变量名识别为衍生变量,从而确定原生变量以及衍生变量的对应关系。
在S102中,获取目标产品的产品信息,并对所述产品信息进行语义分析,识别所述产品信息包含的产品关键词。
在本实施例中,终端设备在建立了变量库后,可以创建关于目标产品的产品测评模型。该产品测评模型具体用于根据目标产品的产品特征,确定所需购买该目标产品的用户等级,并基于该用户等级判断是否响应该用户的购买操作,即判断该用户是否具有目标产品的购买权限,例如产品测评模型具体为一风险测评模型,可以通过风险测评模型确定购买用户的风险等级,并基于该风险等级确定购买用户的可借贷的金额范围,并判断购买用户购买贷款产品的借贷金额是否在该可借贷金额范围内,若在该可接待金额范围内,则响应购买用户的本次购买操作;反之,若该购买用户的贷款金额在可接待金额范围外,则识别本次购买操作失败。基于此,终端设备需要确定目标产品的所需采集的用户信息内容和/或产品信息内容,从而能够通过采集得到的参数对用户或操作进行合法性判定。
在本实施例中,终端设备根据目标产品的产品标识,从产品数据库内提取该产品标识关联的产品信息。该产品信息可以为目标产品的说明文档或开发文档,优选地,产品信息可以为用户信息的采集页面,该用户信息的采集页面包含有所需采集用户信息的各个参量名。终端设备在获取了目标产品的产品信息后,对该产品信息进行语义分析,确定该产品信息中各个字符的关联度,选取关联度较高的多个字符构成候选关键词,并基于该候选关键词的词语属性,从候选关键词中提取出产品关键词。可选地,终端设备可以存储为不同的原生变量配置有关联的产品关键词,终端设备将所有原生变量对应的产品关键词进行汇聚,生成产品关键词库,在进行产品关键词提取操作时,会检测产品信息中是否包含有产品关键词库内记录有的产品关键词,若产品信息包含产品关键词库内记载的关键词,则识别该关键词为目标产品的产品关键词。
在S103中,从所述变量库中选取与所述产品关键词匹配的所述原生变量,并将选取的所述原生变量识别为所述目标产品对应的目标变量。
在本实施例中,终端设备在确定了产品信息中包含的产品关键词后,可以确定在对购买目标产品的用户进行测评操作时所需采集的参量类型,因此需要将产品关键词转换为测评模型可读的变量形式。终端设备将产品关键词与变量库中的各个原生变量进行匹配,选取匹配度高于预设的匹配阈值的原生变量作为产品关键词关联的原生变量。可选地,若产品关键词与两个或以上的原生变量之间的匹配度大于预设的变量阈值,则选取匹配度最大的一个原生变量作为该候选关键词关联的原生变量。
在本实施例中,识别产品关键词匹配的原生变量的方式可以为:终端设备获取各个原生变量的变量名,将各个变量名与产品关键词进行匹配,选取变量名与产品关键词相同的原生变量作为产品关键词匹配的原生变量。
在本实施例中,终端设备将与产品关键词匹配的原生变量作为目标产品对应的目标变量,并通过目标变量生成目标产品的产品测评模型。
在S104中,基于所述对应关系,获取各个所述目标变量关联的所述衍生变量。
在本实施例中,由于终端设备已经确定了各个原生变量的多个衍生变量,终端设备可以根据目标变量的变量名,确定该目标变量的对应关系,并通过该对应关系从变量库中提取该目标变量关联的衍生变量,以及各个衍生变量的转换函数。
在S105中,根据所述目标产品的产品类型,下载所述产品类型的产品测评模板,并将所述目标变量以及与所述目标变量关联的所述衍生变量导入所述产品测评模板,生成所述目标产品的产品测评模型。
在本实施例中,终端设备在确定了目标产品进行测评时所需的目标变量以及与目标变量关联的衍生变量后,需要获取目标产品的产品测评模板。由于不同产品类型,其测评的计算方式会存在差异,例如对于金融产品,需要确定用户的信用等级,则该产品类型对应的产品测评模板为信用测评模板;而对于保险产品,需要确定用户的风险等级,则该产品类型对应的产品测评模板为风险测评模板。因此,为了使得生成的产品测评模型与目标产品相匹配,终端设备需要确定目标产品的产品类型,从而选取与产品类型相关联的产品测评模板。可选地,终端设备识别目标产品的产品类型的方式可以为:终端设备获取目标产品的模块列表,基于所述模块列表中各个程序模块的模块功能,确定目标产品的产品类型。每个模块功能对应一个产品类型的概率,终端设备对各个模块功能进行加权,选取概率最大的一个产品类型作为目标产品的产品类型。
在本实施例中,终端设备在确定了目标产品的产品类型后,可以获取与产品类型相匹配的产品测评模板,并将目标产品所需采集的变量,即目标变量以及与目标变量关联的衍生变量一并导入到产品测评模板中,可以基于上述的变量信息确定购买目标产品的用户的用户等级。
以上可以看出,本发明实施例提供的一种产品测评模型的生成方法通过首先为各个原生变量配置关联的衍生变量,并建立各个原生变量与衍生变量的对应关系;然后对目标产品的产品信息进行解析,确定该目标产品中包含的原生变量,基于上述建立的对应关系,自动拉取各个原生变量关联的衍生变量,将获取得到的原生变量以及衍生变量导入到目标产品的产品类型匹配的产品测评模板内,生成目标产品的产品测评模型,实现自动生成产品测评模型的目的。与现有的产品测评模型的生成技术相比,无需用户手动配置原生变量,并为每个原生变量配置转换函数,从而得到衍生变量,可以直接从变量库中提取目标产品关联的各个变量,提高测评模型的生成效率,也能够避免变量遗漏配置的情况发生,提高了产品测评模型的准确性
图2示出了本发明第二实施例提供的一种产品测评模型的生成方法S101的具体实现流程图。参见图2,相对于图1所述实施例,本实施例提供的一种产品测评模型的生成方法S101包括:S1011~S1014,具体详述如下:
进一步地,所述基于不同原生变量分别对应的预设的衍生变量转换函数,为变量库中各个所述原生变量配置多个衍生变量,并建立所述原生变量与所述衍生变量的对应关系,包括:
在S1011中,对已创建的在用测评模型进行解析,确定所述在用测评模型包含的所述原生变量以及所述衍生变量。
在本实施例中,终端设备除了通过用户手动配置的方式获取衍生变量转换函数外,还可以通过智能学习的方式,从而历史生成的产品测评模型中获取原生变量与衍生变量之间的转换函数。基于此,终端设备可以从测评模型库中提取已创建的在用测评模型,该在用测评模型具体为历史产品所对应的产品测评模型。该在用测评模型内可以从用户信息中自动拉取原生变量的参量值,并基于各个原生变量的参量值输出衍生变量的参量值,并基于原生变量以及衍生参量计算历史产品的产品测评分数。终端设备可以通过控制变量法,确定每个原生变量对衍生变量的换算权重,从而确定出两者之间的转换函数。
在本实施例中,终端设备可以对在用测评模型进行解析,识别该在用测评模型包含的变量列表,并根据各个变量与用户信息和/或产品信息之间的转换关系,划分得到原生变量以及衍生变量。
在1012中,获取所述在用测评模型包含的所述原生变量的参量取值范围,在所述参量取值范围内选取多个参量节点,为每个所述参量节点配置训练变量值。
在本实施例中,终端设备在确定了在用测评模型内的原生变量后,会根据该变量类型,确定该原生变量的数据类型,并基于该数据类型确定参量取值范围。例如,某一原生变量为“性别”信息,则数据类型为字符类型,而取值范围“男”、“女”以及“第三性别”,则将每一取值识别为一个参量节点,并为每个参量节点配置一个训练变量值;又例如,某一原生变量为“年龄”信息,则数据类型为数字类型,而取值范围为[0,120],则终端设备可以从年龄信息中选取多个关键年龄节点,例如“18”、“25”、“50”、“70”,并为每个关键年龄节点配置对应的训练变量值。
其中,对于离散有限的取值范围,可以将各个离散值作为参量节点,而对于连续无限的取值范围,则可以根据该原生变量的变量属性,选取多个特征值,将每个特征值作为一个参量节点。
在S1013中,分别将各个所述训练变量值导入所述在用测评模型,采集所述在用测评模型基于所述训练变量值输出的第一衍生变量值。
在本实施例中,终端设备可以通过控制变量法,即将一原生变量的各个训练变量值导入到在用测评模型时,保持除该原生变量外的其他原生变量为一固定值,从而能够确定当原生变量变化时,发生变化的衍生变量,从而能够确定与该原生变量关联的衍生变量,并获取关联的衍生变量基于训练变量值输出的第一衍生变量值。
在S1014中,根据所述训练变量值以及所述第一衍生变量值,确定所述在用测评模型包含的所述原生变量与所述衍生变量之间对应的所述衍生变量转换函数。
在本实施例中,终端设备根据多个训练变量值以及与训练变量值的第一衍生变量值,从而能够确定原生变量对衍生变量的转换权重,从而生成关于原生变量与衍生变量之间的转换函数。若衍生变量需要通过多个原生变量转换计算得到,则基于多个原生变量对应的转换权重,并进行加权后得到衍生变量与原生变量之间的转换函数,即上述的衍生变量转换函数。
在本发明实施例中,通过对在用测评模型进行解析,确定原生变量与衍生变量之间的转换函数,从而实现自动进行转换函数的学习目的,无需用户手动配置,提高了产品测评模型的生成效率。
图3示出了本发明第三实施例提供的一种产品测评模型的生成方法的具体实现流程图。参见图3,相对于图1所述的实施例,本实施例提供的一种产品测评模型的生成方法在所述将所述目标变量以及与所述目标变量关联的所述衍生变量导入所述产品测评模板,生成所述目标产品的产品测评模型之后,还包括:S301~S304,具体详述如下:
在S301中,获取多个已测评用户的历史信息;所述历史信息包括关于所述已测评用户的历史用户参量以及历史测评等级。
在本实施例中,终端设备在生成目标产品的产品测评模型后,需要对该产品测评模型进行检验,即判断该产品测评模型是否配置成功,因此会获取多个已测评用户的用户信息。对于已测评用户,终端设备记录有该用户的历史测评等级,以及关于历史用户在各个原生参量的用户参量值,即上述历史用户参量。终端设备可以通过比对实际输出的测评等级与已判断合法的历史测评等级之间是否相同来判断本次测评结果是否正确,并确定产品测评模型的正确率。
在S302中,基于所述历史用户参量确定各个所述目标变量的变量值,并将各个所述变量值导入所述产品测评模型,计算各个所述已测评用户的训练测评结果。
在本实施例中,终端设备将各个已测评用户的用户信息作为训练样本,将历史信息中的历史用户参量作为训练输入参数,根据历史用户参量设置各个目标变量的变量值,从而通过产品测评模型对各个目标变量的变量值进行运算,输出关于已测评用户的训练测评结果。
在S303中,统计所述多个已测评用户的所述训练测评结果与对应的所述历史测评等级不匹配的异常个数。
在本实施例中,终端设备会将各个训练测评结果与对应的已测评用户的历史测评等级进行比对,若该训练测评结果识别得到用户等级与历史测评等级一致,则识别本次训练操作无异常;反之,若该训练测评结果识别得到的用户等级与历史测评结果不一致,则识别本次训练操作异常,从而可以统计训练操作异常的次数作为上述的异常个数。
在本实施例中,若异常个数小于或等于预设的异常阈值,则识别该产品测评模型属于合法测评模型,可以通过该合法测评模型对待测评的用户进行用户等级评定。
在S304,若所述异常个数大于预设的异常阈值,则生成关于所述产品测评模型的模型异常信息。
在本实施例中,若检测到异常个数大于预设的异常阈值,则标识产品测评模型的正确率低于预设的出厂要求,此时需要对产品测评模型进行调整,则输出模型异常信息,以便管理员进行手动调整。
在本发明实施例中,通过已识别用户的历史信息作为训练样本,检测生成的产品测评模型的正确率,并对于正确率较低的产品测评模型生成模型异常信息,从而提高产品测评模型的准确性。
图4示出了本发明第四实施例提供的一种产品测评模型的生成方法S103的具体实现流程图。参见图4,相对于图1至3所述实施例,本实施例提供的一种产品测评模型的生成方法S103包括:S1031~S1034,具体详述如下:
进一步地,所述从所述变量库中选取与所述产品关键词匹配的所述原生变量,并将选取的所述原生变量识别为所述目标产品对应的目标变量,包括:
在S1031中,计算所述产品关键词与所述变量库中的各个所述原生变量的变量名之间的第一匹配度。
在本实施例中,终端设备判断该产品关键词与变量库中各个原生变量的变量名是否相同,识别产品关键词与变量名之间相同的字符个数,并根据相同的字符个数以及变量名的总字符,计算两者之间的第一匹配度。
在S1032中,若各个所述第一匹配度均小于预设的匹配阈值,则获取所述产品关键词的同义关键词,并计算所述同义关键词与各个所述变量名之间的第二匹配度。
在本实施例中,终端设备若检测到该产品关键词语与各个原生变量之间的第一匹配度均低于预设的匹配阈值,则会通过同义词生成算法,将产品关键词导入到该同义词生成算法内,确定该产品关键词的同义关键词。由于用户在撰写产品描述信息时,可能采用的词组不同,例如“地址”这一原生变量,而产品描述信息内的产品关键词为“地点”,而上述两者之间的物理含义是相同的,因此可以通过计算同义关键词与原生变量之间的第二匹配度,判断变量库中是否包含产品关键词关联的原生变量。若存在第二匹配度大于匹配阈值,则识别该大于匹配阈值的原生变量作为产品关键词关联的目标变量。
在S1033中,若各个所述第二匹配度均小于所述匹配阈值,则获取所述产品关键词的变式关键词,并计算变式关键词与各个所述变量名之间的第三匹配度;所述变式关键词为与所述产品关键词基于不同语言的关键词。
在本实施例中,除了采用不同的词语进行同义表达外,还可以通过不同语言来表达,因此在确定了变量库中各个原生变量均与产品关键词以及同一关键词不匹配时,终端设备可以获取产品关键词的变式关键词,其中,终端设备可以配置多种的预设语言,生成关于各个预设语言的变式关键词。
在S1034,若任一所述第三匹配度大于所述匹配阈值,则识别大于匹配阈值的所述第三匹配度对应的所述原生变量作为所述产品关键词的所述目标变量。
在本实施例中,由于变式关键词与字段关键词的物理含义相同,因此若存在一个变式关键词与原生字段匹配,则可以将该匹配的原生字段作为产品关键词匹配的原生字段。
在本发明实施例中,终端设备可以通过获取产品关键词的多个同义关键词以及变式关键词,从变量库中提取对应的目标变量,提高了目标变量获取效率。
图5示出了本发明第五实施例提供的一种产品测评模型的生成方法的具体实现流程图。参见图5,相对于图1至图3所述实施例,本实施例提供的一种产品测评模型的生成方法在将所述目标变量以及与所述目标变量关联的所述衍生变量导入所述产品测评模板,生成所述目标产品的产品测评模型之后,还包括:S501~S504,具体详述如下:
在S501中,获取待测评用户的用户信息,并根据所述用户信息确定各个所述目标变量的测评变量值。
在本实施例中,终端设备在生成了目标产品的产品测评模型后,可以确定购买目标产品用户的用户测评等级,其中,待测评用户即为需要购买目标产品的用户,终端设备根据待测评用户的用户名,获取用户信息,并从用户信息中确定各个目标变量的测评变量值。
在S502中,基于各个所述原生变量的测评变量值,计算各个所述衍生变量的第二衍生变量值。
在本实施例中,终端设备根据各个衍生变量对应的转换函数,将目标变量的测评变量值导入到衍生变量转换函数内,得到关于各个衍生变量的第二衍生变量值。
在S503中,将所述测评变量值以及所述第二衍生变量值导入所述产品测评模板,计算所述待测评用户的用户测评等级。
在本实施例中,终端设备将计算得到的第二衍生变量值以及测评变量值导入到产品测评模型内,则可以计算得到该待测评用户的用户测评等级。若该用户测评等级高于或等于预设的等级阈值,则识别该用户为合法用户,并相应购买操作。
在S504中,若所述用户测评等级低于预设的等级阈值,则识别所述待测评用户为异常用户。
在本实施例中,若检测用户测评等级低于等级阈值,则表示该用户不具有购买该目标产品的权限,会识别该用户为异常用户。
在本发明实施例中,通过确定待测评用户的用户测评等级,根据用户测评等级判断用户的合法性,从而能够提高用户识别的准确性。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
图6示出了本发明一实施例提供的一种产品测评模型的生成设备的结构框图,该产品测评模型的生成设备包括的各单元用于执行图1对应的实施例中的各步骤。具体请参阅图1与图1所对应的实施例中的相关描述。为了便于说明,仅示出了与本实施例相关的部分。
参见图6,所述产品测评模型的生成设备包括:
衍生变量配置单元61,用于基于不同原生变量分别对应的预设的衍生变量转换函数,为变量库中各个所述原生变量配置多个衍生变量,并建立所述原生变量与所述衍生变量的对应关系;
产品关键词获取单元62,用于获取目标产品的产品信息,并对所述产品信息进行语义分析,识别所述产品信息包含的产品关键词;
目标变量识别单元63,用于从所述变量库中选取与所述产品关键词匹配的所述原生变量,并将选取的所述原生变量识别为所述目标产品对应的目标变量;
衍生变量选取单元64,用于基于所述对应关系,获取各个所述目标变量关联的所述衍生变量;
产品测评模型生成单元65,用于根据所述目标产品的产品类型,下载所述产品类型的产品测评模板,并将所述目标变量以及与所述目标变量关联的所述衍生变量导入所述产品测评模板,生成所述目标产品的产品测评模型。
可选地,所述衍生变量配置单元61,包括:
在用测评模型解析单元,用于对已创建的在用测评模型进行解析,确定所述在用测评模型包含的所述原生变量以及所述衍生变量;
训练变量值获取单元,用于获取所述在用测评模型包含的所述原生变量的参量取值范围,在所述参量取值范围内选取多个参量节点,为每个所述参量节点配置训练变量值;
第一衍生变量值采集单元,用于分别将各个所述训练变量值导入所述在用测评模型,采集所述在用测评模型基于所述训练变量值输出的第一衍生变量值;
转换函数确定单元,用于根据所述训练变量值以及所述第一衍生变量值,确定所述在用测评模型包含的所述原生变量与所述衍生变量之间对应的所述衍生变量转换函数。
可选地,所述产品测评模型的生成设备还包括:
历史信息获取单元,用于获取多个已测评用户的历史信息;所述历史信息包括关于所述已测评用户的历史用户参量以及历史测评等级;
训练测评结果输出单元,用于基于所述历史用户参量确定各个所述目标变量的变量值,并将各个所述变量值导入所述产品测评模型,计算各个所述已测评用户的训练测评结果;
异常个数统计单元,用于统计所述多个已测评用户的所述训练测评结果与对应的所述历史测评等级不匹配的异常个数;
异常模型判定单元,用于若所述异常个数大于预设的异常阈值,则生成关于所述产品测评模型的模型异常信息。
可选地,所述目标变量识别单元63,包括:
第一匹配度计算单元,用于计算所述产品关键词与所述变量库中的各个所述原生变量的变量名之间的第一匹配度;
第二匹配度计算单元,用于若各个所述第一匹配度均小于预设的匹配阈值,则获取所述产品关键词的同义关键词,并计算所述同义关键词与各个所述变量名之间的第二匹配度;
第三匹配度计算单元,用于若各个所述第二匹配度均小于所述匹配阈值,则获取所述产品关键词的变式关键词,并计算变式关键词与各个所述变量名之间的第三匹配度;所述变式关键词为与所述产品关键词基于不同语言的关键词;
目标变量选取单元,用于若任一所述第三匹配度大于所述匹配阈值,则识别大于匹配阈值的所述第三匹配度对应的所述原生变量作为所述产品关键词的所述目标变量。
可选地,所述产品测评模型的生成设备还包括:
用户信息获取单元,用于获取待测评用户的用户信息,并根据所述用户信息确定各个所述目标变量的测评变量值;
测评变量值转换单元,用于基于各个所述原生变量的测评变量值,计算各个所述衍生变量的第二衍生变量值;
用户测评等级计算单元,用于将所述测评变量值以及所述第二衍生变量值导入所述产品测评模板,计算所述待测评用户的用户测评等级;
异常用户识别单元,用于若所述用户测评等级低于预设的等级阈值,则识别所述待测评用户为异常用户。
因此,本发明实施例提供的产品测评模型的生成设备同样可以无需用户手动配置原生变量,并为每个原生变量配置转换函数,从而得到衍生变量,可以直接从变量库中提取目标产品关联的各个变量,提高测评模型的生成效率,也能够避免变量遗漏配置的情况发生,提高了产品测评模型的准确性。
图7是本发明另一实施例提供的一种终端设备的示意图。如图7所示,该实施例的终端设备7包括:处理器70、存储器71以及存储在所述存储器71中并可在所述处理器70上运行的计算机程序72,例如产品测评模型的生成程序。所述处理器70执行所述计算机程序72时实现上述各个产品测评模型的生成方法实施例中的步骤,例如图1所示的S101至S105。或者,所述处理器70执行所述计算机程序72时实现上述各装置实施例中各单元的功能,例如图6所示模块61至65功能。
示例性的,所述计算机程序72可以被分割成一个或多个单元,所述一个或者多个单元被存储在所述存储器71中,并由所述处理器70执行,以完成本发明。所述一个或多个单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序72在所述终端设备7中的执行过程。例如,所述计算机程序72可以被分割成衍生变量配置单元、产品关键词获取单元、目标变量识别单元、衍生变量选取单元以及产品测评模型生成单元,各单元具体功能如上所述。
所述终端设备7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。所述终端设备可包括,但不仅限于,处理器70、存储器71。本领域技术人员可以理解,图7仅仅是终端设备7的示例,并不构成对终端设备7的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器70可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,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。
所述存储器71可以是所述终端设备7的内部存储单元,例如终端设备7的硬盘或内存。所述存储器71也可以是所述终端设备7的外部存储设备,例如所述终端设备7上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器71还可以既包括所述终端设备7的内部存储单元也包括外部存储设备。所述存储器71用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器71还可以用于暂时地存储已经输出或者将要输出的数据。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种产品测评模型的生成方法,其特征在于,包括:
基于不同原生变量分别对应的预设的衍生变量转换函数,为变量库中各个所述原生变量配置多个衍生变量,并建立所述原生变量与所述衍生变量的对应关系;
获取目标产品的产品信息,并对所述产品信息进行语义分析,识别所述产品信息包含的产品关键词;
从所述变量库中选取与所述产品关键词匹配的所述原生变量,并将选取的所述原生变量识别为所述目标产品对应的目标变量;
基于所述对应关系,获取各个所述目标变量关联的所述衍生变量;
根据所述目标产品的产品类型,下载所述产品类型的产品测评模板,并将所述目标变量以及与所述目标变量关联的所述衍生变量导入所述产品测评模板,生成所述目标产品的产品测评模型。
2.根据权利要求1所述的生成方法,其特征在于,所述基于不同原生变量分别对应的预设的衍生变量转换函数,为变量库中各个所述原生变量配置多个衍生变量,并建立所述原生变量与所述衍生变量的对应关系之前,还包括:
对已创建的在用测评模型进行解析,确定所述在用测评模型包含的所述原生变量以及所述衍生变量;
获取所述在用测评模型包含的所述原生变量的参量取值范围,在所述参量取值范围内选取多个参量节点,为每个所述参量节点配置训练变量值;
分别将各个所述训练变量值导入所述在用测评模型,采集所述在用测评模型基于所述训练变量值输出的第一衍生变量值;
根据所述训练变量值以及所述第一衍生变量值,确定所述在用测评模型包含的所述原生变量与所述衍生变量之间的所述衍生变量转换函数。
3.根据权利要求1所述的生成方法,其特征在于,在所述将所述目标变量以及与所述目标变量关联的所述衍生变量导入所述产品测评模板,生成所述目标产品的产品测评模型之后,还包括:
获取多个已测评用户的历史信息;所述历史信息包括关于所述已测评用户的历史用户参量以及历史测评等级;
基于所述历史用户参量确定各个所述目标变量的变量值,并将各个所述变量值导入所述产品测评模型,计算各个所述已测评用户的训练测评结果;
统计所述多个已测评用户的所述训练测评结果与对应的所述历史测评等级不匹配的异常个数;
若所述异常个数大于预设的异常阈值,则生成关于所述产品测评模型的模型异常信息。
4.根据权利要求1-3任一项所述的生成方法,其特征在于,所述从所述变量库中选取与所述产品关键词匹配的所述原生变量,并将选取的所述原生变量识别为所述目标产品对应的目标变量,包括:
计算所述产品关键词与所述变量库中的各个所述原生变量的变量名之间的第一匹配度;
若各个所述第一匹配度均小于预设的匹配阈值,则获取所述产品关键词的同义关键词,并计算所述同义关键词与各个所述变量名之间的第二匹配度;
若各个所述第二匹配度均小于所述匹配阈值,则获取所述产品关键词的变式关键词,并计算变式关键词与各个所述变量名之间的第三匹配度;所述变式关键词为与所述产品关键词基于不同语言的关键词;
若任一所述第三匹配度大于所述匹配阈值,则识别大于匹配阈值的所述第三匹配度对应的所述原生变量作为所述产品关键词的所述目标变量。
5.根据权利要求1-3任一项所述的生成方法,其特征在于,在将所述目标变量以及与所述目标变量关联的所述衍生变量导入所述产品测评模板,生成所述目标产品的产品测评模型之后,还包括:
获取待测评用户的用户信息,并根据所述用户信息确定各个所述目标变量的测评变量值;
基于各个所述原生变量的测评变量值,计算各个所述衍生变量的第二衍生变量值;
将所述测评变量值以及所述第二衍生变量值导入所述产品测评模板,计算所述待测评用户的用户测评等级;
若所述用户测评等级低于预设的等级阈值,则识别所述待测评用户为异常用户。
6.一种产品测评模型的生成设备,其特征在于,包括:
衍生变量配置单元,用于基于不同原生变量分别对应的预设的衍生变量转换函数,为变量库中各个所述原生变量配置多个衍生变量,并建立所述原生变量与所述衍生变量的对应关系;
产品关键词获取单元,用于获取目标产品的产品信息,并对所述产品信息进行语义分析,识别所述产品信息包含的产品关键词;
目标变量识别单元,用于从所述变量库中选取与所述产品关键词匹配的所述原生变量,并将选取的所述原生变量识别为所述目标产品对应的目标变量;
衍生变量选取单元,用于基于所述对应关系,获取各个所述目标变量关联的所述衍生变量;
产品测评模型生成单元,用于根据所述目标产品的产品类型,下载所述产品类型的产品测评模板,并将所述目标变量以及与所述目标变量关联的所述衍生变量导入所述产品测评模板,生成所述目标产品的产品测评模型。
7.根据权利要求6所述的生成设备,其特征在于,所述衍生变量配置单元,包括:
在用测评模型解析单元,用于对已创建的在用测评模型进行解析,确定所述在用测评模型包含的所述原生变量以及所述衍生变量;
训练变量值获取单元,用于获取所述在用测评模型包含的所述原生变量的参量取值范围,在所述参量取值范围内选取多个参量节点,为每个所述参量节点配置训练变量值;
第一衍生变量值采集单元,用于分别将各个所述训练变量值导入所述在用测评模型,采集所述在用测评模型基于所述训练变量值输出的第一衍生变量值;
转换函数确定单元,用于根据所述训练变量值以及所述第一衍生变量值,确定所述在用测评模型包含的所述原生变量与所述衍生变量之间对应的所述衍生变量转换函数。
8.根据权利要求6所述的生成设备,其特征在于,所述产品测评模型的生成设备还包括:
历史信息获取单元,用于获取多个已测评用户的历史信息;所述历史信息包括关于所述已测评用户的历史用户参量以及历史测评等级;
训练测评结果输出单元,用于基于所述历史用户参量确定各个所述目标变量的变量值,并将各个所述变量值导入所述产品测评模型,计算各个所述已测评用户的训练测评结果;
异常个数统计单元,用于统计所述多个已测评用户的所述训练测评结果与对应的所述历史测评等级不匹配的异常个数;
异常模型判定单元,用于若所述异常个数大于预设的异常阈值,则生成关于所述产品测评模型的模型异常信息。
9.一种终端设备,其特征在于,所述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如权利要求1至5任一项所述方法的步骤。
10.一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至5任一项所述方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910430235.7A CN110264038A (zh) | 2019-05-22 | 2019-05-22 | 一种产品测评模型的生成方法及设备 |
PCT/CN2020/087382 WO2020233360A1 (zh) | 2019-05-22 | 2020-04-28 | 一种产品测评模型的生成方法及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910430235.7A CN110264038A (zh) | 2019-05-22 | 2019-05-22 | 一种产品测评模型的生成方法及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110264038A true CN110264038A (zh) | 2019-09-20 |
Family
ID=67915109
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910430235.7A Pending CN110264038A (zh) | 2019-05-22 | 2019-05-22 | 一种产品测评模型的生成方法及设备 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN110264038A (zh) |
WO (1) | WO2020233360A1 (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111104500A (zh) * | 2019-12-21 | 2020-05-05 | 江西省天轴通讯有限公司 | 一种线索匹配方法、***、可读存储介质及计算机设备 |
WO2020233360A1 (zh) * | 2019-05-22 | 2020-11-26 | 深圳壹账通智能科技有限公司 | 一种产品测评模型的生成方法及设备 |
CN113065765A (zh) * | 2021-04-01 | 2021-07-02 | 瀚蓝绿电固废处理(佛山)有限公司 | 一种垃圾焚烧炉烟气中co排放量预测模型构建方法及应用 |
CN113496287A (zh) * | 2020-04-07 | 2021-10-12 | 广州华工弈高科技有限公司 | 一种基于地域数据的自动化特征工程方法及装置 |
CN115238190A (zh) * | 2022-08-12 | 2022-10-25 | 中国建设银行股份有限公司 | 一种推荐对象的方法、装置、电子设备和存储介质 |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113485694B (zh) * | 2021-07-06 | 2023-04-28 | 算话信息科技(上海)有限公司 | 一种算法的变量数据智能中台*** |
CN114897108B (zh) * | 2022-07-08 | 2022-09-13 | 浙江省标准化研究院(金砖国家标准化(浙江)研究中心、浙江省物品编码中心) | 一种生物灭杀类市场准入评估方法及*** |
CN116233902B (zh) * | 2023-03-10 | 2023-09-08 | 西安航空学院 | 一种基于大数据的无线通信网络异常识别***及方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107871286A (zh) * | 2017-07-20 | 2018-04-03 | 上海前隆信息科技有限公司 | 用户与联系人间亲密度判定方法/***、存储介质及设备 |
CN108241892A (zh) * | 2016-12-23 | 2018-07-03 | 北京国双科技有限公司 | 一种数据建模方法和装置 |
CN108446850A (zh) * | 2018-03-21 | 2018-08-24 | 国网辽宁省电力有限公司沈阳供电公司 | 一种基于偏最小二乘法的供电企业客户满意度评价方法 |
US20180276291A1 (en) * | 2017-03-27 | 2018-09-27 | Alibaba Group Holding Limited | Method and device for constructing scoring model and evaluating user credit |
CN109299865A (zh) * | 2018-09-06 | 2019-02-01 | 西南大学 | 基于语义分析的心理测评***及方法、信息数据处理终端 |
CN109614336A (zh) * | 2018-12-14 | 2019-04-12 | 深圳壹账通智能科技有限公司 | 一种测试脚本的生成方法及设备 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102346901A (zh) * | 2011-11-22 | 2012-02-08 | 北京信城通数码科技有限公司 | 一种互联网药品交易主体信用评估***及其方法 |
CN106548350B (zh) * | 2016-11-17 | 2020-07-14 | 腾讯科技(深圳)有限公司 | 一种数据处理方法及服务器 |
CN108960505A (zh) * | 2018-05-31 | 2018-12-07 | 试金石信用服务有限公司 | 个人金融信用的量化评估方法、装置、***及存储介质 |
CN109767312B (zh) * | 2018-12-10 | 2023-05-09 | 江西师范大学 | 一种信用评估模型训练、评估方法与装置 |
CN110264038A (zh) * | 2019-05-22 | 2019-09-20 | 深圳壹账通智能科技有限公司 | 一种产品测评模型的生成方法及设备 |
-
2019
- 2019-05-22 CN CN201910430235.7A patent/CN110264038A/zh active Pending
-
2020
- 2020-04-28 WO PCT/CN2020/087382 patent/WO2020233360A1/zh active Application Filing
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108241892A (zh) * | 2016-12-23 | 2018-07-03 | 北京国双科技有限公司 | 一种数据建模方法和装置 |
US20180276291A1 (en) * | 2017-03-27 | 2018-09-27 | Alibaba Group Holding Limited | Method and device for constructing scoring model and evaluating user credit |
CN107871286A (zh) * | 2017-07-20 | 2018-04-03 | 上海前隆信息科技有限公司 | 用户与联系人间亲密度判定方法/***、存储介质及设备 |
CN108446850A (zh) * | 2018-03-21 | 2018-08-24 | 国网辽宁省电力有限公司沈阳供电公司 | 一种基于偏最小二乘法的供电企业客户满意度评价方法 |
CN109299865A (zh) * | 2018-09-06 | 2019-02-01 | 西南大学 | 基于语义分析的心理测评***及方法、信息数据处理终端 |
CN109614336A (zh) * | 2018-12-14 | 2019-04-12 | 深圳壹账通智能科技有限公司 | 一种测试脚本的生成方法及设备 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020233360A1 (zh) * | 2019-05-22 | 2020-11-26 | 深圳壹账通智能科技有限公司 | 一种产品测评模型的生成方法及设备 |
CN111104500A (zh) * | 2019-12-21 | 2020-05-05 | 江西省天轴通讯有限公司 | 一种线索匹配方法、***、可读存储介质及计算机设备 |
CN113496287A (zh) * | 2020-04-07 | 2021-10-12 | 广州华工弈高科技有限公司 | 一种基于地域数据的自动化特征工程方法及装置 |
CN113065765A (zh) * | 2021-04-01 | 2021-07-02 | 瀚蓝绿电固废处理(佛山)有限公司 | 一种垃圾焚烧炉烟气中co排放量预测模型构建方法及应用 |
CN115238190A (zh) * | 2022-08-12 | 2022-10-25 | 中国建设银行股份有限公司 | 一种推荐对象的方法、装置、电子设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2020233360A1 (zh) | 2020-11-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110264038A (zh) | 一种产品测评模型的生成方法及设备 | |
CN107122346B (zh) | 一种输入语句的纠错方法及装置 | |
US9542477B2 (en) | Method of automated discovery of topics relatedness | |
CN110163478A (zh) | 一种合同条款的风险审查方法及装置 | |
CN108182279A (zh) | 基于文本特征的对象分类方法、装置和计算机设备 | |
CN109345282A (zh) | 一种业务咨询的响应方法及设备 | |
CN110598070B (zh) | 应用类型识别方法及装置、服务器及存储介质 | |
US20220100772A1 (en) | Context-sensitive linking of entities to private databases | |
CN110263311A (zh) | 一种网络页面的生成方法及设备 | |
Li et al. | A policy-based process mining framework: mining business policy texts for discovering process models | |
CN110262965A (zh) | 一种应用程序的测试方法及设备 | |
US20220100967A1 (en) | Lifecycle management for customized natural language processing | |
CN111694940A (zh) | 一种用户报告的生成方法及终端设备 | |
CN110134845A (zh) | 项目舆情监控方法、装置、计算机设备及存储介质 | |
CN110717009A (zh) | 一种法律咨询报告的生成方法及设备 | |
CN110516033A (zh) | 一种计算用户偏好的方法和装置 | |
CN109597894A (zh) | 一种关联模型生成方法及装置、一种数据关联方法及装置 | |
Platonov et al. | Characterizing graph datasets for node classification: Homophily-heterophily dichotomy and beyond | |
CN112257959A (zh) | 用户风险预测方法、装置、电子设备及存储介质 | |
Yang | Financial big data management and control and artificial intelligence analysis method based on data mining technology | |
Wang et al. | An improved clustering method for detection system of public security events based on genetic algorithm and semisupervised learning | |
Kabaale et al. | Representing software process in description logics: an ontology approach for software process reasoning and verification | |
CN111209394A (zh) | 文本分类处理方法和装置 | |
Schmidt et al. | Leveraging textual information for improving decision-making in the business process lifecycle | |
CN114911936A (zh) | 一种模型训练、评论识别方法、装置、电子设备及介质 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190920 |