CN110659395B - 关系网络图谱构建方法、装置、计算机设备和存储介质 - Google Patents
关系网络图谱构建方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN110659395B CN110659395B CN201910748748.2A CN201910748748A CN110659395B CN 110659395 B CN110659395 B CN 110659395B CN 201910748748 A CN201910748748 A CN 201910748748A CN 110659395 B CN110659395 B CN 110659395B
- Authority
- CN
- China
- Prior art keywords
- nodes
- node
- attribute
- association
- relationship
- 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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/901—Indexing; Data structures therefor; Storage structures
- G06F16/9024—Graphs; Linked lists
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/951—Indexing; Web crawling techniques
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Computational Linguistics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种关系网络图谱构建方法、装置、计算机设备和存储介质。该方法包括:获取多个目标对象的身份属性信息和社交网络信息;根据所述身份属性信息生成每个目标对象对应的对象节点及属性节点,采用有向边将所述属性节点连接至相应对象节点;识别不同所述对象节点是否连接有相同的属性节点;若是,对所述相同的属性节点进行合并,并将合并得到的属性节点标记为对应多个对象节点的关联节点;根据所述社交网络信息计算所述对象节点基于不同关联节点的单边关联度,将所述单边关联度添加至相应关联节点相连的有向边,得到关系网络图谱。采用本方法能够提高关联关系获取效率。
Description
技术领域
本申请涉及计算机技术领域,特别是涉及一种关系网络图谱构建方法、装置、计算机设备和存储介质。
背景技术
随着计算机技术的发展,出现了数据挖掘技术,数据挖掘是从大量不完全的、有噪声的、模糊的、随机的实际数据中,提取隐含在其中的、人们所不知道的、但又是潜在有用信息和知识的过程。数据挖掘技术在很多领域得到应用,如在营销领域发掘潜在客户,或在征信领域审核客户资质时均需挖掘客户之间的关联关系,而目前的关联关系主要依赖人工对繁杂的信息分析处理,使得关联关系获取效率降低。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高关联关系获取效率的关系网络图谱构建方法、装置、计算机设备和存储介质。
一种关系网络图谱构建方法,所述方法包括:获取多个目标对象的身份属性信息和社交网络信息;根据所述身份属性信息生成每个目标对象对应的对象节点及属性节点,采用有向边将所述属性节点连接至相应对象节点;识别不同所述对象节点是否连接有相同的属性节点;若是,对所述相同的属性节点进行合并,并将合并得到的属性节点标记为对应多个对象节点的关联节点;根据所述社交网络信息计算所述对象节点基于不同关联节点的单边关联度,将所述单边关联度添加至相应关联节点相连的有向边,得到关系网络图谱。
在一个实施例中,所述根据所述社交网络信息计算所述对象节点基于不同关联节点的单边关联度,包括:根据所述社交网络信息识别相关联的两个对象节点之间的关系类型;获取预设的所述关系类型对应的基础关联系数;基于所述关系网络图谱确定相关联的两个对象节点之间的最短社交距离;根据所述社交网络信息统计相关联的两个对象节点在统计时段发生的关联事件的事件类型和发生频次;根据所述最短社交距离以及所述关联事件的事件类型和发生频次,对所述基础关联系数进行调整,得到相应对象节点基于不同关联节点的单边关联度。
在一个实施例中,所述得到关系网络图谱之后,还包括:识别任意两个对象节点连接的多个关联节点的节点类型;将两个对象节点连接的节点类型相同的多个关联节点合并为联合节点;获取所述关联节点的节点描述,对被合并的多个关联节点的节点描述进行统计分析,得到所述联合节点的节点描述;对被合并的多个关联节点的单边关联度进行叠加,得到所述联合节点的单边关联度;将分析得到的节点描述关联至所述联合节点,将叠加得到的单边关联度添加至相应联合节点相连的有向边,得到精简后的关系网络图谱。
在一个实施例中,所述方法还包括:计算所述关系网络图谱的图谱广度;比较所述图谱广度是否超过阈值;若是,则获取每个所述对象节点及属性节点的节点标识;对所述节点标识进行哈希运算,得到节点哈希;利用所述节点哈希替换对应节点标识。
在一个实施例中,所述方法还包括:识别每个对象节点的身份属性信息是否存在缺失属性;根据识别结果将所述关系网络图谱中多个对象节点区分为确定对象节点和待定对象节点;在所述关系网络图谱中划取每个所述待定对象节点的全连通子网络图,将所述全连通子网络图一个或多个对象节点确定为参考对象节点;根据所述全连通子网络图中参考对象节点的身份属性信息对相应待定对象节点的缺失属性进行补充。
在一个实施例中,所述根据全连通子网络图中参考对象节点的身份属性信息对相应待定对象节点的缺失属性进行补充,包括:确定所述缺失属性的属性类型;识别所述属性类型对应的目标关联关系,将所述全连通子网络图中与待定对象节点存在所述目标关联关系的对象节点标记为参考对象节点;对所述参考对象节点与所述待定对象节点之间多个关联节点的单边关联度进行叠加,得到所述参考对象节点与所述待定对象节点的综合关联度;在所述参考对象节点的身份属性信息中提取与所述缺失属性对应的参考属性值,并根据所述综合关联度确定所述参考属性值的参考权重;基于多个参考属性值及分别对应的参考权重计算得到所述缺失属性的目标属性值,将所述目标属性值补入相应待定对象节点的身份属性信息。
一种关系网络图谱构建装置,所述装置包括:节点生成模块,用于获取多个目标对象的身份属性信息和社交网络信息;根据所述身份属性信息生成每个目标对象对应的对象节点及属性节点,采用有向边将所述属性节点连接至相应对象节点;节点关联模块,用于识别不同所述对象节点是否连接有相同的属性节点;若是,对所述相同的属性节点进行合并,并将合并得到的属性节点标记为对应多个对象节点的关联节点;关联度计算模块,用于根据所述社交网络信息计算所述对象节点基于不同关联节点的单边关联度,将所述单边关联度添加至相应关联节点相连的有向边,得到关系网络图谱。
在一个实施例中,所述关联度计算模块还用于根据所述社交网络信息识别相关联的两个对象节点之间的关系类型;获取预设的所述关系类型对应的基础关联系数;基于所述关系网络图谱确定相关联的两个对象节点之间的最短社交距离;根据所述社交网络信息统计相关联的两个对象节点在统计时段发生的关联事件的事件类型和发生频次;根据所述最短社交距离以及所述关联事件的事件类型和发生频次,对所述基础关联系数进行调整,得到相应对象节点基于不同关联节点的单边关联度。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现本申请任意一个实施例中提供的关系网络图谱构建方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现本申请任意一个实施例中提供的关系网络图谱构建方法的步骤。
上述关系网络图谱构建方法、装置、计算机设备和存储介质,根据多个目标对象的身份属性信息,可以生成每个目标对象对应的对象节点及属性节点;通过对有相同的属性节点进行合并,并采用有向边将属性节点连接至相应对象节点,可以将多个对象节点关联起来;根据所述社交网络信息,可以计算所述对象节点基于不同关联节点的单边关联度;将所述单边关联度添加至相应关联节点相连的有向边所在位置,可以得到关系网络图谱。由于通过识别是否存在相同的属性节点,可以自动提取其中隐含的关联关系,相比传统的人工分析的方式可以大大提高关联关系获取效率。不仅基于身份属性信息识别多个目标对象之间的关联关系,还基于社交网络信息挖掘相关联的目标对象的关联强度,可以拓展信息挖掘维度并提高信息挖掘深度,进而可以提高关系网络挖掘准确性。此外,基于属性节点可以随时新增对象节点,便于关联网络的延伸扩展,进而可以逐渐增大关系网络图谱覆盖人群规模。
附图说明
图1为一个实施例中关系网络图谱构建方法的应用场景图;
图2为一个实施例中关系网络图谱构建方法的流程示意图;
图3为一个实施例中构建得到的关系网络图谱的示意图;
图4为一个实施例中单边关联度计算的步骤的流程示意图;
图5为一个实施例中关系网络图谱构建装置的结构框图;
图6为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的关系网络图谱构建方法,可以应用于如图1所示的应用环境中。其中,终端102与服务器104通过网络进行通信。其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备,服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。服务器104获取多个目标对象的身份属性信息。身份属性信息包括对象标识。服务器104根据对象标识生成目标对象对应的对象节点,并根据其他身份属性信息生成目标对象对应的一个或多个属性节点。服务器104采用有向边将每个属性节点连接至相应对象节点。服务器104识别任意不同的两个对象节点是否连接有相同类型的属性节点。若连接有相同类型的属性节点,服务器104对两个对象节点之间的相同属性节点进行合并,并将每个相同类型的属性节点标记为对应两个对象节点的关联节点。服务器104获取每个目标对象的社交网络信息,并根据社交网络信息计算每个对象节点基于不同关联节点与其他对象节点之间的单边关联度,将单边关联度添加至相应关联节点相连的有向边所在位置,得到关系网络图谱。用户可以通过终端102向服务器发送关系网路查询请求。服务器104根据关系网络查询请求向终端102返回关系网络图谱。上述关系网络图谱构建过程中,由于通过识别是否存在相同的属性节点,可以自动提取其中隐含的关联关系,相比传统的人工分析的方式可以大大提高关联关系获取效率。
在一个实施例中,如图2所示,提供了一种关系网络图谱构建方法,以该方法应用于图1中的服务器为例进行说明,包括以下步骤:
步骤202,获取多个目标对象的身份属性信息和社交网络信息。
目标对象可以是流失客户,也可以是已有客户,还可以是潜在客户。其中,潜在客户可以是根据流失客户或已有客户的客户数据识别得到的,例如,可以将已有客户预留的担保人或紧急联系人作为潜在客户。潜在客户也可以是服务器存对用户在目标网站浏览相关产品留下的产品查阅记录进行监测得到的,对此不作限制。
身份属性信息包括对象标识。对象标识可以是身份证号、手机号或邮箱等。容易理解,若目标对象为企业,对象标识也可以是机构代码等。身份属性信息还包括姓名、性别、年龄、学历、联系方式、任职单位、保单、银行卡账号、终端设备信息、社交网络账号、兴趣、财富等级或风险水平等。社交网络信息包括wifi连接信息、位置共享信息、即时通讯信息、电子转账信息或远程通话信息等。
步骤204,根据身份属性信息生成每个目标对象对应的对象节点及属性节点,采用有向边将属性节点连接至相应对象节点。
服务器根据对象标识生成目标对象对应的对象节点,并根据其他身份属性信息生成目标对象对应的一个或多个属性节点。例如,可以以任职单位为标识生成一个属性节点,也可以是转账ID为标识生成一个属性节点。每个属性节点关联有对应的节点描述。本实施例中有向边从对象节点指向属性节点。一个对象节点可以连接有多个属性节点。
步骤206,识别不同对象节点是否连接有相同的属性节点。
步骤208,若是,对相同的属性节点进行合并,并将合并得到的属性节点标记为对应多个对象节点的关联节点。
同一个对象节点可以连接有多种类型的属性节点,如任职单位型、银行卡账号型、常用网络型等。通过对相同的属性节点进行合并,可以将多个对象节点关联起来。换句话说,根据身份属性信息可以识别多个目标对象之间的关联关系。例如,具有相同的“任职单位”属性节点,表示两个目标对象可能存在同事关系;具有相同的“学历”属性节点,表示两个目标对象可能存在同学关系;具有相同的“银行卡账号”或“常用网络型”属性节点,表示两个目标对象可能亲属关系等,如此对每一类关联关系进行分析。
需要说明的是,为了提高关联关系识别精度,可以结合其他识别因素,例如,除任职单位,还可以结合就职时间来判断两个目标对象是否存在同事关系,对此不作限制。
步骤210,根据社交网络信息计算对象节点基于不同关联节点的单边关联度,将单边关联度添加至相应关联节点相连的有向边,得到关系网络图谱。
连接有一个或多个关联节点的两个对象节点相关联。服务器根据社交网络信息测算相关联的两个对象节点基于每个关联节点的单边关联度。对两个对象节点之间的多个关联节点的单边关联度进行叠加,可以得到两个对象节点的综合关联度。关系网络图谱包括多个对象节点以及用于连接对象节点的属性节点和有向边。
图3示例性给出一种关系网络图谱,如图3所示,V1~V8分别为8个对象节点,Mij及Mijij为每个对象节点对应的属性节点“任职单位”;Nij及Nijij为每个对象节点对应的属性节点“转账ID”;Oij及Oijij为每个对象节点对应的属性节点“保单”;P ij及P ijij为每个对象节点对应的属性节点“无线网络标识”;Qij及Qijij为每个对象节点对应的属性节点“银行***”。其中,1≤i≤8;1≤j。有向边可以从对象节点指向属性节点。Mijij、Nijij、Oijij、P ijij及Qijij作为多个对象节点的关联节点。关联节点的节点标识可以根据被合并的多个属性节点的节点标识生成的。例如,由属性节点Q51与属性节点Q83合并得到的关联节点的节点标识可以是Q5183。
业务人员可以根据关系网路图谱了解不同客户之间的潜在关系。具体的,业务终端捕获业务人员对关系网络图谱中某个对象节点或属性节点的点击事件,根据点击事件在关系网络图谱中获取与被点击的对象节点直接相连的其他对象节点,将被点击的对象节点以及直接相连的其他对象节点进行区别标注,如高亮展示等,便于关系网路图谱查阅。
在另一个实施例中,为了进一步提高关系网路图谱查阅便利性,关系网路图谱通过多个图层展示不同的对象节点和/或属性节点。例如,在一个图层展示对象节点及关联节点,在另一个图层展示对象节点及未被标记为关联节点的属性节点。
本实施例中,根据多个目标对象的身份属性信息,可以生成每个目标对象对应的对象节点及属性节点;通过对有相同的属性节点进行合并,并采用有向边将属性节点连接至相应对象节点,可以将多个对象节点关联起来;根据社交网络信息,可以计算对象节点基于不同关联节点的单边关联度;将单边关联度添加至相应关联节点相连的有向边所在位置,可以得到关系网络图谱。由于通过识别是否存在相同的属性节点,可以自动提取其中隐含的关联关系,相比传统的人工分析的方式可以大大提高关联关系获取效率。不仅基于身份属性信息识别多个目标对象之间的关联关系,还基于社交网络信息挖掘相关联的目标对象的关联强度,可以拓展信息挖掘维度并提高信息挖掘深度,进而可以提高关系网络挖掘准确性。此外,基于属性节点可以随时新增对象节点,便于关联网络的延伸扩展,进而可以逐渐增大关系网络图谱覆盖人群规模。
在一个实施例中,如图4所示,根据社交网络信息计算对象节点基于不同关联节点的单边关联度,即单边关联度计算的步骤,包括:
步骤402,根据社交网络信息识别相关联的两个对象节点之间的关系类型。
关系类型可以是亲属关系、同学关系、同事关系、朋友关系、转账关系、位置临近关系等。服务器根据身份属性信息及社交网络信息,可以识别相关联的两个对象节点之间的关系类型。例如,根据与目标对象甲与目标对象乙、丙、丁连接同一家庭wifi、企业wifi或公共wifi,可以识别其可能存在亲友、同事或附近的人等关联关系。
步骤404,获取预设的关系类型对应的基础关联系数。
针对不同关系类型可以预置不同的基础关联系数。两个目标对象可能存在多种关联关系,如目标对象甲与乙可以即是同学,也是同事,还为朋友。对于这种情况,服务器也可以针对不同关系类型组合预置不同的基础关联系数。
在另一个实施例中,基于关系网路图谱的不同用途,可以预设不同的关系类型与基础关联系数的映射关系,或者不同的关系类型组合与基础关联系数的映射关系。例如,当关系网路图谱用于挖掘客户兴趣属性时,直系亲属关系设置为1,同事关系设置为0.5等;当关系网路图谱用于审核客户风险属性时,朋友关系设置为1,亲属关系设置为0.4等。
步骤406,基于关系网络图谱确定相关联的两个对象节点之间的最短社交距离。
最短社交距离是指从一个对象节点到另一个对象节点至少要经过的关联节点的数量。例如,在上述举例的图3中,对象节点V3与V5之间的最短社交距离为1,而对象节点V4与V8之间的最短社交距离为2。
步骤408,根据社交网络信息统计相关联的两个对象节点在统计时段发生的关联事件的事件类型和发生频次。
关联事件可以是连接同一局域网、基于即时通讯平台发送社交信息或者银行卡转账等交互操作。
步骤410,根据最短社交距离以及关联事件的事件类型和发生频次,对基础关联系数进行调整,得到相应对象节点基于不同关联节点的单边关联度。
服务器预置了多种事件类型,每种事件类型对应的多种发生频次区间以及每种发生频次区间对应的第一调整系数。服务器还预置了多种最短社交距离对应第二调整系数。根据第一调整系数及第二调整系数对基础关联系数进行增大或缩小处理,得到目标关联系数。服务器将目标关联系数标记为相应对象节点基于对应关联节点的单边关联度。与相应对象节点相连的有向边上展示对应的单边关联度,例如,在上述举例的图3中,关联节点Q5183与相连的两个对象节点V5和V8的单边关联度为3.21,即对象节点V5与对象节点V8基于关联节点Q5183的单边关联度为3.21。关联节点M5482与相连的两个对象节点V5和V8的单边关联度为0.89。
本实施例中,根据关系网络图谱的用途,预设多种用途对应的基础关联系数,实现多种单边关联度计算方式,可以充分考虑每种关系类型对评估关联度的价值意义不同,从而提高基于关系网络图谱进行不同缺失属性补充的准确性。同时结合最短社交距离及发生关联事件的频次多个维度的影响因素,对基础关联系数进行调整,可以提高单边关联度计算准确性,进而进一步提高缺失属性补充的准确性。
在一个实施例中,得到关系网络图谱之后,还包括:识别任意两个对象节点连接的多个关联节点的节点类型;将两个对象节点连接的节点类型相同的多个关联节点合并为联合节点;获取关联节点的节点描述,对被合并的多个关联节点的节点描述进行统计分析,得到联合节点的节点描述;对被合并的多个关联节点的单边关联度进行叠加,得到联合节点的单边关联度;将分析得到的节点描述关联至来联合节点,将叠加得到的单边关联度添加至相应联合节点相连的有向边,得到精简后的关系网络图谱。
同一个对象节点可能连接有多个相同类型的属性节点。例如,同一个目标对象可能具有多个任职单位的就职经历,则具有多个任职单位型的属性节点。为了便于查阅,可以将关系网络图谱中相同节点类型的属性节点以同一种颜色进行展示,不同节点类型的属性节点以不同颜色展示。
为了对关系网络图谱进行精简,服务器根据属性类型将两个对象节点之间的多个关联节点进一步合并。具体的,服务器识别任意两个对象节点连接的多个关联节点的节点类型,并将两个对象节点连接的节点类型相同的多个关联节点合并为联合节点。
服务器还根据被合并的多个关联节点的节点描述,统计生成对应合并得到的联合节点的节点描述。统计得到的联合节点的节点描述包括对应属性类型的关联事件的事件类型及发生频次等。例如,在上述举例的图3中,对象节点V5与对象节点V8之间存在多个转账类型的属性节点N5182、N5281、N538和M5483,表示两个目标对象之间存在多次转账行为,多次转账行为可能是基于不同转账ID,但均属于转账属性,可以合并为同一节点,但在合并后的联合节点处记录转账事件的详细信息,如转账ID、转账时间等。换句话说,任意两个相关联的对象节点对应每种节点类型的属性节点最多只有一个。
服务器对被合并的多个关联节点的单边关联度进行预设逻辑运算,得到对应合并得到的联合节点的单边关联度。预设逻辑运算可以是基于预设权重的叠加运算。
本实施例中,根据节点类型将两个对象节点之间的多个关联节点进一步合并,可以对关系网络图谱进行精简,使得多个目标对象基于不同节点类型的关联关系更加清晰明朗,便于对关系网路图谱查阅。
在一个实施例中,方法还包括:计算关系网络图谱的图谱广度;比较图谱广度是否超过阈值;若是,则获取每个对象节点及属性节点的节点标识;对节点标识进行哈希运算,得到节点哈希;利用节点哈希替换对应节点标识。
图谱广度可以是能够反映关系网络图谱的复杂程度和数据量的指标值。例如,可以是关系网络图谱包含字段信息的数据量,也可以是包含对象节点的数量、包含属性节点的数量或包含有向边的数量等。服务器比较图谱广度是否超过阈值。当图谱广度超过阈值时,服务器利用每个对象节点及属性节点的节点哈希替代对应的节点标识,可以减少关系网络图谱包含字段信息的数据量,进而减小图谱广度。
在另一个实施例中,为了减少关系网络图谱的图谱广度,服务器还通过比较每个关联节点分别与对应多个对象节点的单边关联度是否达到预设值,并在单边关联度小于预设值时将相应关联节点标记为剪枝节点,删除剪枝节点以及以剪枝节点相连的有向边。
本实施例中,利用每个对象节点及属性节点的节点哈希替代对应的节点标识,不仅可以减少关系网络图谱的数据量,通过节点哈希匹配识别关联节点相比通过节点标识识别关联节点,可以提高关联节点识别效率,进而可以提高关联网路图谱构建效率。
在一个实施例中,方法还包括:识别每个对象节点的身份属性信息是否存在缺失属性;根据识别结果将关系网络图谱中多个对象节点区分为确定对象节点和待定对象节点;在关系网络图谱中划取每个待定对象节点的全连通子网络图,将全连通子网络图一个或多个对象节点确定为参考对象节点;根据全连通子网络图中参考对象节点的身份属性信息对相应待定对象节点的缺失属性进行补充。
服务器还根据身份属性信息生成了每个对象节点对应的节点标签,如基本信息标签、消费兴趣标签、财富级别标签或风险评级标签等。服务器识别每个对象节点是否缺少某种节点标签,以判断对应对象节点的身份属性信息是否存在缺失属性。服务器将存在缺失属性的对象节点表标记为待定对象节点,将不存在缺失属性的对象节点标记为确定对象节点。
服务器根据社交网络信息,在关系网络图谱中划取每个待定对象节点的全连通子网络图。具体的,服务器获取待定对象节点的社交网络信息,按照上述方式基于社交网络信息计算待定对象节点与一度关联的每个对象节点之间的综合关联度。一度关联是指与两个对象节点通过一条有向边直接相连。服务器比较综合关联度是否达到阈值,并保留综合关联度达到阈值的对象节点(记作一度关联对象节点),删除综合关联度小于阈值的对象节点。
服务器识别保留的一度关联对象节点中是否至少一个为确定对象节点。换言之,服务器判断保留的一度关联对象节点中是否至少一个为包含完整身份属性信息的对象节点。若保留的一度关联对象节点中存在确定对象节点,服务器在关系网路图谱中划取待定对象节点、保留的一度关联对象节点以及连接待定对象节点与一度关联对象节点的有向边,得到待定对象节点对应的全连通子网络图。若保留的一度关联对象节点中没有确定对象节点,则服务器按照上述方式进一步筛选与待定对象节点二度关联的一个或多个对象节点(记作二度关联对象节点)。二度关联是指与两个对象节点通过两条有向边相连。容易理解,二度关联对象节点是与一度关联对象节点直接相连的对象节点。
服务器进一步识别二度关联对象节点中是否至少一个为确定对象节点。若否,则按照上述方式进一步筛选待定对象节点的三度关联对象节点,如此重复,直至筛选得到至少一个确定对象节点。服务器按照上述方式在关系网路图谱中划取待定对象节点、筛选得到的一度关联对象节点、二度关联对象节点等,得到待定对象节点对应的全连通子网络图。
服务器根据全连通子网络图中参考对象节点的身份属性信息对相应待定对象节点的缺失属性进行补充。根据缺失属性的不同,划取的同一待定对象节点的全连通子网络图可以不同。
在另一个实施例中,由于全连通子网络图用于对待定对象节点的缺失属性进行补充,为了保证缺失属性补充的准确性,服务器预置了关联对象节点的筛选阈值,若达到筛选阈值的层级的关联对象节点中仍不存在确定对象节点,则停止筛选关联对象节点,并生成对应的缺失属性补充失败的提示信息。例如,关联阈值为2,若二度关联对象节点中仍不存在确定对象节点,则返回“缺失属性补充失败”的提示信息。
本实施例中,将覆盖大规模人群的关联关系集中展示在一张关系网路图谱,便于用户从全局把握客户之间的关联关系。根据缺失属性的不同,从关系网路图谱中划取对应待定对象节点的全连通子网络图,便于用户更有针对性的了解其中某个客户。
在一个实施例中,根据全连通子网络图中参考对象节点的身份属性信息对相应待定对象节点的缺失属性进行补充,包括:确定缺失属性的属性类型;识别属性类型对应的目标关联关系,将全连通子网络图中与待定对象节点存在目标关联关系的对象节点标记为参考对象节点;对参考对象节点与待定对象节点之间多个关联节点的单边关联度进行叠加,得到参考对象节点与待定对象节点的综合关联度;在参考对象节点的身份属性信息中提取与缺失属性对应的参考属性值,并根据综合关联度确定参考属性值的参考权重;基于多个参考属性值及分别对应的参考权重计算得到缺失属性的目标属性值,将目标属性值补入相应待定对象节点的身份属性信息。
属性类型包括基本属性、兴趣属性、资产属性、风险属性等。服务器预设了多种属性类型及对应的目标关联关系,根据缺失属性的属性类型,在对应的全连通子网络图中筛选与待定对象节点存在目标关联关系的关联对象节点作为参考对象节点。例如,当属性类型为基本属性时,可以将与待定对象存在同学关系、同事关系、朋友关系的关联对象确定为参考对象;当属性类型为兴趣属性时,可以将与待定对象存在朋友关系、附近的人关系的关联对象确定为参考对象;当属性类型为资产属性时,将与目标对象存在亲属关系、朋友关系的关联对象确定为参考对象;当属性类型为风险属性时,可以将与待定对象节点具有共同相连的其他对象节点的关联对象节点确定为参考对象节点。容易理解,也可以将全连通子网络图中的全部关联对象确定为参考对象,但根据缺失属性的不同针对不同参考对象预置不同的参考权重,对此不做限定。
服务器获取每个参考对象节点对应的身份属性信息,在获取到的身份属性信息提取与缺失属性对应的参考属性的属性值(记作参考属性值),并根据缺失属性的属性类型,对参考属性值进行预设逻辑运算,得到缺失属性的目标属性值。预设逻辑运算可以是基于参考权重的叠加运算。参考权重可以是根据相应参考对象节点与待定对象节点的综合关联度确定。
在另一个实施例中,预设逻辑运算还可以是对多个参考属性值取中位数或者取平均等。例如,若某目标对象的财富信息缺失,则可以用同亲属圈其他对象的财富等级中位数替代;若某目标对象的的学历信息缺失,则可以同公司同属性的其他对象的学历替代。
在又一个实施例中,服务器针对不同属性类型的缺失属性,预先训练了对应的缺失属性补全模型。服务器根据模型准确率可以给出计算得到的缺失属性的目标属性值的置信度。
本实施例中,基于与待定对象节点具有较强关联度的确定对象节点的身份属性信息,对待定对象节点的缺失属性进行补充,不仅可以提高信息补全效率,也可以提高补全信息的准确性。
应该理解的是,虽然图2和图4的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2和图4中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图5所示,提供了一种关系网络图谱构建装置,包括:节点生成模块502、节点关联模块504和关联度计算模块506,其中:
节点生成模块502,用于获取多个目标对象的身份属性信息和社交网络信息;根据身份属性信息生成每个目标对象对应的对象节点及属性节点,采用有向边将属性节点连接至相应对象节点。
节点关联模块504,用于识别不同对象节点是否连接有相同的属性节点;若是,对相同的属性节点进行合并,并将合并得到的属性节点标记为对应多个对象节点的关联节点。
关联度计算模块506,用于根据社交网络信息计算对象节点基于不同关联节点的单边关联度,将单边关联度添加至相应关联节点相连的有向边,得到关系网络图谱。
在一个实施例中,关联度计算模块506还用于根据社交网络信息识别相关联的两个对象节点之间的关系类型;获取预设的关系类型对应的基础关联系数;基于关系网络图谱确定相关联的两个对象节点之间的最短社交距离;根据社交网络信息统计相关联的两个对象节点在统计时段发生的关联事件的事件类型和发生频次;根据最短社交距离以及关联事件的事件类型和发生频次,对基础关联系数进行调整,得到相应对象节点基于不同关联节点的单边关联度。
在一个实施例中,该装置还包括图谱精简模块508,用于识别任意两个对象节点连接的多个关联节点的节点类型;将两个对象节点连接的节点类型相同的多个关联节点合并为联合节点;获取关联节点的节点描述,对被合并的多个关联节点的节点描述进行统计分析,得到联合节点的节点描述;对被合并的多个关联节点的单边关联度进行叠加,得到联合节点的单边关联度;将分析得到的节点描述关联至来联合节点,将叠加得到的单边关联度添加至相应联合节点相连的有向边,得到精简后的关系网络图谱。
在一个实施例中,图谱精简模块508还用于计算关系网络图谱的图谱广度;比较图谱广度是否超过阈值;若是,则获取每个对象节点及属性节点的节点标识;对节点标识进行哈希运算,得到节点哈希;利用节点哈希替换对应节点标识。
在一个实施例中,该装置还包括缺失属性补充模块510,用于识别每个对象节点的身份属性信息是否存在缺失属性;根据识别结果将关系网络图谱中多个对象节点区分为确定对象节点和待定对象节点;在关系网络图谱中划取每个待定对象节点的全连通子网络图,将全连通子网络图一个或多个对象节点确定为参考对象节点;根据全连通子网络图中参考对象节点的身份属性信息对相应待定对象节点的缺失属性进行补充。
在一个实施例中,缺失属性补充模块510还用于确定缺失属性的属性类型;识别属性类型对应的目标关联关系,将全连通子网络图中与待定对象节点存在目标关联关系的对象节点标记为参考对象节点;对参考对象节点与待定对象节点之间多个关联节点的单边关联度进行叠加,得到参考对象节点与待定对象节点的综合关联度;在参考对象节点的身份属性信息中提取与缺失属性对应的参考属性值,并根据综合关联度确定参考属性值的参考权重;基于多个参考属性值及分别对应的参考权重计算得到缺失属性的目标属性值,将目标属性值补入相应待定对象节点的身份属性信息。
关于关系网络图谱构建装置的具体限定可以参见上文中对于关系网络图谱构建方法的限定,在此不再赘述。上述关系网络图谱构建装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图6所示。该计算机设备包括通过***总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的数据库用于存储关系网络图谱以及多个目标对象的身份属性信息和社交网络信息。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种关系网络图谱构建方法。
本领域技术人员可以理解,图6中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现本申请任意一个实施例中提供的关系网络图谱构建方法的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种关系网络图谱构建方法,所述方法包括:
获取多个目标对象的身份属性信息和社交网络信息;
根据所述身份属性信息生成每个目标对象对应的对象节点及属性节点,采用有向边将所述属性节点连接至相应对象节点;
识别不同所述对象节点是否连接有相同的属性节点;
若是,对所述相同的属性节点进行合并,并将合并得到的属性节点标记为对应多个对象节点的关联节点;
根据所述社交网络信息识别相关联的两个对象节点之间的关系类型;
获取预设的所述关系类型对应的基础关联系数;
确定相关联的两个对象节点之间的最短社交距离;
根据所述社交网络信息统计相关联的两个对象节点在统计时段发生的关联事件的事件类型和发生频次;
根据所述最短社交距离以及所述关联事件的事件类型和发生频次,对所述基础关联系数进行调整,得到相应对象节点基于不同关联节点的单边关联度;
将所述单边关联度添加至相应关联节点相连的有向边,得到关系网络图谱。
2.根据权利要求1所述的方法,其特征在于,所述得到关系网络图谱之后,还包括:
识别任意两个对象节点连接的多个关联节点的节点类型;
将两个对象节点连接的节点类型相同的多个关联节点合并为联合节点;
获取所述关联节点的节点描述,对被合并的多个关联节点的节点描述进行统计分析,得到所述联合节点的节点描述;
对被合并的多个关联节点的单边关联度进行叠加,得到所述联合节点的单边关联度;
将分析得到的节点描述关联至所述联合节点,将叠加得到的单边关联度添加至相应联合节点相连的有向边,得到精简后的关系网络图谱。
3.根据权利要求1所述的方法,其特征在于,所述方法还包括:
计算所述关系网络图谱的图谱广度;
比较所述图谱广度是否超过阈值;
若是,则获取每个所述对象节点及属性节点的节点标识;
对所述节点标识进行哈希运算,得到节点哈希;
利用所述节点哈希替换对应节点标识。
4.根据权利要求1所述的方法,其特征在于,所述方法还包括:
识别每个对象节点的身份属性信息是否存在缺失属性;
根据识别结果将所述关系网络图谱中多个对象节点区分为确定对象节点和待定对象节点;
在所述关系网络图谱中划取每个所述待定对象节点的全连通子网络图,将所述全连通子网络图一个或多个对象节点确定为参考对象节点;
根据所述全连通子网络图中参考对象节点的身份属性信息对相应待定对象节点的缺失属性进行补充。
5.根据权利要求4所述的方法,其特征在于,所述根据所述全连通子网络图中参考对象节点的身份属性信息对相应待定对象节点的缺失属性进行补充,包括:
确定所述缺失属性的属性类型;
识别所述属性类型对应的目标关联关系,将所述全连通子网络图中与待定对象节点存在所述目标关联关系的对象节点标记为参考对象节点;
对所述参考对象节点与所述待定对象节点之间多个关联节点的单边关联度进行叠加,得到所述参考对象节点与所述待定对象节点的综合关联度;
在所述参考对象节点的身份属性信息中提取与所述缺失属性对应的参考属性值,并根据所述综合关联度确定所述参考属性值的参考权重;
基于多个参考属性值及分别对应的参考权重计算得到所述缺失属性的目标属性值,将所述目标属性值补入相应待定对象节点的身份属性信息。
6.一种关系网络图谱构建装置,所述装置包括:
节点生成模块,用于获取多个目标对象的身份属性信息和社交网络信息;根据所述身份属性信息生成每个目标对象对应的对象节点及属性节点,采用有向边将所述属性节点连接至相应对象节点;
节点关联模块,用于识别不同所述对象节点是否连接有相同的属性节点;若是,对所述相同的属性节点进行合并,并将合并得到的属性节点标记为对应多个对象节点的关联节点;
关联度计算模块,用于根据所述社交网络信息识别相关联的两个对象节点之间的关系类型;获取预设的所述关系类型对应的基础关联系数;确定相关联的两个对象节点之间的最短社交距离;根据所述社交网络信息统计相关联的两个对象节点在统计时段发生的关联事件的事件类型和发生频次;根据所述最短社交距离以及所述关联事件的事件类型和发生频次,对所述基础关联系数进行调整,得到相应对象节点基于不同关联节点的单边关联度,将所述单边关联度添加至相应关联节点相连的有向边,得到关系网络图谱。
7.根据权利要求6所述的装置,其特征在于,所述装置还包括图谱精简模块,所述图谱精简模块用于:识别任意两个对象节点连接的多个关联节点的节点类型;将两个对象节点连接的节点类型相同的多个关联节点合并为联合节点;获取所述关联节点的节点描述,对被合并的多个关联节点的节点描述进行统计分析,得到所述联合节点的节点描述;对被合并的多个关联节点的单边关联度进行叠加,得到所述联合节点的单边关联度;将分析得到的节点描述关联至所述联合节点,将叠加得到的单边关联度添加至相应联合节点相连的有向边,得到精简后的关系网络图谱。
8.根据权利要求7所述的装置,其特征在于,所述图谱精简模块还用于计算所述关系网络图谱的图谱广度;比较所述图谱广度是否超过阈值;若是,则获取每个所述对象节点及属性节点的节点标识;对所述节点标识进行哈希运算,得到节点哈希;利用所述节点哈希替换对应节点标识。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910748748.2A CN110659395B (zh) | 2019-08-14 | 2019-08-14 | 关系网络图谱构建方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910748748.2A CN110659395B (zh) | 2019-08-14 | 2019-08-14 | 关系网络图谱构建方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110659395A CN110659395A (zh) | 2020-01-07 |
CN110659395B true CN110659395B (zh) | 2023-05-30 |
Family
ID=69037387
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910748748.2A Active CN110659395B (zh) | 2019-08-14 | 2019-08-14 | 关系网络图谱构建方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110659395B (zh) |
Families Citing this family (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111274495B (zh) * | 2020-01-20 | 2023-08-25 | 平安科技(深圳)有限公司 | 用户关系强度的数据处理方法、装置、计算机设备及存储介质 |
CN111368214B (zh) * | 2020-03-06 | 2023-03-21 | 腾讯科技(深圳)有限公司 | 信息推荐方法、装置、计算机设备和存储介质 |
CN114207573A (zh) * | 2020-03-20 | 2022-03-18 | 清华大学 | 基于度分布生成模型的社交网络图生成方法 |
CN111459999B (zh) * | 2020-03-27 | 2023-08-18 | 北京百度网讯科技有限公司 | 身份信息处理方法、装置、电子设备和存储介质 |
CN111737369B (zh) * | 2020-05-21 | 2024-07-23 | 北京明略软件***有限公司 | 一种关系图谱的更新方法、装置及存储介质 |
CN113222771B (zh) * | 2020-07-10 | 2023-10-20 | 杭州海康威视数字技术股份有限公司 | 一种基于知识图谱确定目标群体的方法、装置及电子设备 |
CN111782822A (zh) * | 2020-07-21 | 2020-10-16 | 致诚阿福技术发展(北京)有限公司 | 一种关系图谱生成方法及装置 |
CN112333085B (zh) * | 2020-10-30 | 2023-02-03 | 维沃移动通信有限公司 | 社交方法和电子设备 |
CN112566093B (zh) * | 2020-11-13 | 2022-02-01 | 腾讯科技(深圳)有限公司 | 一种终端关系识别方法、装置、计算机设备及存储介质 |
CN112380494B (zh) * | 2020-11-17 | 2023-09-01 | ***股份有限公司 | 一种确定对象特征的方法及装置 |
CN112799744B (zh) * | 2021-01-29 | 2024-05-07 | 北京索为***技术股份有限公司 | 工业app的调用方法、装置、计算机可读介质及电子设备 |
CN112949538B (zh) * | 2021-03-16 | 2023-08-04 | 杭州海康威视数字技术股份有限公司 | 一种目标关联方法、装置、电子设备及机器可读存储介质 |
CN113099478A (zh) * | 2021-03-30 | 2021-07-09 | 上海钐昆网络科技有限公司 | 设备关系网络构建方法、装置、设备及计算机存储介质 |
CN113157704B (zh) * | 2021-05-06 | 2023-07-25 | 成都卫士通信息产业股份有限公司 | 层级关系分析方法、装置、设备及计算机可读存储介质 |
CN113297429B (zh) * | 2021-05-24 | 2023-09-29 | 南京大学 | 一种基于神经网络架构搜索的社交网络链路预测方法 |
CN113591958B (zh) * | 2021-07-21 | 2024-03-19 | 杭州海康威视数字技术股份有限公司 | 融合物联网数据和信息网数据的方法、装置及设备 |
CN113792163B (zh) * | 2021-08-09 | 2022-12-27 | 北京达佳互联信息技术有限公司 | 多媒体推荐方法、装置、电子设备及存储介质 |
CN114022295A (zh) * | 2021-11-03 | 2022-02-08 | 泰康保险集团股份有限公司 | 一种群体欺诈识别方法和*** |
CN115630196A (zh) * | 2022-10-18 | 2023-01-20 | 曙光云计算集团有限公司 | 数据查询方法、装置、计算机设备、存储介质和程序产品 |
CN116226460A (zh) * | 2022-12-09 | 2023-06-06 | 中科世通亨奇(北京)科技有限公司 | 基于人物图谱的最具价值路径提取方法及设备 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107506355A (zh) * | 2016-06-14 | 2017-12-22 | 阿里巴巴集团控股有限公司 | 对象分组方法及装置 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7966291B1 (en) * | 2007-06-26 | 2011-06-21 | Google Inc. | Fact-based object merging |
US8736612B1 (en) * | 2011-07-12 | 2014-05-27 | Relationship Science LLC | Altering weights of edges in a social graph |
US9251470B2 (en) * | 2014-05-30 | 2016-02-02 | Linkedin Corporation | Inferred identity |
CN108287864B (zh) * | 2017-12-06 | 2020-07-10 | 深圳市腾讯计算机***有限公司 | 一种兴趣群组划分方法、装置、介质及计算设备 |
-
2019
- 2019-08-14 CN CN201910748748.2A patent/CN110659395B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107506355A (zh) * | 2016-06-14 | 2017-12-22 | 阿里巴巴集团控股有限公司 | 对象分组方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110659395A (zh) | 2020-01-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110659395B (zh) | 关系网络图谱构建方法、装置、计算机设备和存储介质 | |
WO2021027317A1 (zh) | 基于关系网络的属性信息处理方法、装置、计算机设备和存储介质 | |
CN110659396B (zh) | 缺失属性信息补全方法、装置、计算机设备和存储介质 | |
US20220253406A1 (en) | Method for data structure relationship detection | |
CN110647676B (zh) | 基于大数据的兴趣属性挖掘方法、装置和计算机设备 | |
US11681744B2 (en) | Methods and systems for updating a database based on object recognition | |
CN111934899B (zh) | 物联网用户信息的配置方法、装置、计算机设备 | |
CN108334625B (zh) | 用户信息的处理方法、装置、计算机设备和存储介质 | |
CN109886719B (zh) | 基于网格的数据挖掘处理方法、装置和计算机设备 | |
CN109063984B (zh) | 风险旅客方法、装置、计算机设备和存储介质 | |
CN114840519A (zh) | 一种数据打标签的方法、设备及存储介质 | |
Puri et al. | Survey big data analytics, applications and privacy concerns | |
US20170272362A1 (en) | Data communication systems and methods of operating data communication systems | |
CN111177481B (zh) | 用户标识映射方法及装置 | |
CN110598124B (zh) | 数值属性挖掘方法、装置、计算机设备和存储介质 | |
CN117035082A (zh) | 一种用于识别欺诈团伙的知识图谱实时运算方法和*** | |
CN114240344A (zh) | 企业人员数据处理方法、装置、计算机设备和存储介质 | |
CN112989216B (zh) | 同事的推荐方法、装置、计算机设备及存储介质 | |
CN112907308B (zh) | 数据检测方法和装置、计算机可读存储介质 | |
CN116415957A (zh) | 异常交易对象识别方法、装置、计算机设备和存储介质 | |
CN112085566B (zh) | 基于智能决策的产品推荐方法、装置及计算机设备 | |
CN111316259A (zh) | 用于反馈和裁定的语义属性的动态合成和瞬时聚簇的***和方法 | |
CN112333182B (zh) | 档案处理方法、装置、服务器及存储介质 | |
US20210049624A1 (en) | System and Method for Identifying Prospective Entities to Interact With | |
CN113934764A (zh) | 事件信息的处理方法、装置及电子设备 |
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 |