CN111367965B - 目标对象确定方法、装置、电子设备及存储介质 - Google Patents

目标对象确定方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN111367965B
CN111367965B CN202010144805.9A CN202010144805A CN111367965B CN 111367965 B CN111367965 B CN 111367965B CN 202010144805 A CN202010144805 A CN 202010144805A CN 111367965 B CN111367965 B CN 111367965B
Authority
CN
China
Prior art keywords
feature
determining
coding
target object
features
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
Application number
CN202010144805.9A
Other languages
English (en)
Other versions
CN111367965A (zh
Inventor
刘志煌
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tencent Cloud Computing Beijing Co Ltd
Original Assignee
Tencent Cloud Computing Beijing Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tencent Cloud Computing Beijing Co Ltd filed Critical Tencent Cloud Computing Beijing Co Ltd
Priority to CN202010144805.9A priority Critical patent/CN111367965B/zh
Publication of CN111367965A publication Critical patent/CN111367965A/zh
Application granted granted Critical
Publication of CN111367965B publication Critical patent/CN111367965B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F16/20—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
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/27—Replication, distribution or synchronisation of data between databases or within a distributed database system; Distributed database system architectures therefor
    • 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
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9536—Search customisation based on social or collaborative filtering
    • 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
    • G06Q20/00—Payment architectures, schemes or protocols
    • G06Q20/04—Payment circuits
    • G06Q20/06—Private payment circuits, e.g. involving electronic currency used among participants of a common payment scheme
    • G06Q20/065—Private payment circuits, e.g. involving electronic currency used among participants of a common payment scheme using e-cash
    • 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
    • G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/01—Social networking

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Accounting & Taxation (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Finance (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Computing Systems (AREA)
  • Tourism & Hospitality (AREA)
  • Fuzzy Systems (AREA)
  • Primary Health Care (AREA)
  • Technology Law (AREA)
  • Development Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明提供了目标对象确定方法包括：获取与不同对象相对应的资源交易数据；确定相应的对象编码特征和行为编码特征，并根据所述对象编码特征和行为编码特征确定相应的候选对象集合；确定所述候选对象集合对应的特征编码频繁序列模式；对所述候选对象集合对应的特征编码频繁序列模式进行加权，确定与目标对象相匹配的权重参数；对所述对象编码特征和行为编码特征分别进行聚类处理；根据对象编码特征和行为编码特征的聚类结果，以及相应的筛选条件，确定候选对象集合中与筛选条件相匹配的目标对象。本发明还提供了处理装置、电子设备及存储介质。本发明能够实现高效准确地确定与筛选条件相匹配的目标对象，以便于对相应的目标对象进行不同的操作。

Description

目标对象确定方法、装置、电子设备及存储介质
技术领域
本发明涉及目标对象确定技术，尤其涉及目标对象确定方法、装置、电子设备及存储介质。
背景技术
金融关键意见领袖(KOL)的识别和挖掘对金融领域相关应用具有非常重要的意义，通过挖掘金融高潜和传播力较强的用户，能够指导金融产品和相关业务的运营和投放，更有针对性的对目标用户群体进行信息与产品的脱推送。例如，在理财投资和融资贷款领域，挖掘产品目标客户对增强客户群体之间的传播效应，还能够提高产品的页面访问量以及访问用户数；确定金融意见领袖，可以有效地控制行情趋势和舆论方向。因此，如何准确有效地识别挖掘金融KOL用户群体，对信息投放技术极为重要。
发明内容
有鉴于此，本发明实施例提供一种目标对象确定方法、装置、电子设备及存储介质，能够实现
本发明实施例的技术方案是这样实现的：
本发明实施例提供了一种目标对象确定方法，所述方法包括：
获取与不同对象相对应的资源交易数据；
基于所述资源交易数据，确定相应的对象编码特征和行为编码特征，并根据所述对象编码特征和行为编码特征确定相应的候选对象集合；
确定所述候选对象集合对应的特征编码频繁序列模式；
对所述候选对象集合对应的特征编码频繁序列模式进行加权，确定与目标对象相匹配的权重参数；
基于与所述目标对象相匹配的权重参数，对所述对象编码特征和行为编码特征分别进行聚类处理；
根据所述对象编码特征和行为编码特征的聚类结果，以及相应的筛选条件，确定所述候选对象集合中与所述筛选条件相匹配的目标对象。
本发明实施例还提供了一种目标对象确定装置，所述装置包括：
信息传输模块，用于获取与不同对象相对应的资源交易数据；
信息处理模块，用于基于所述资源交易数据，确定相应的对象编码特征和行为编码特征，并根据所述对象编码特征和行为编码特征确定相应的候选对象集合；
所述信息处理模块，用于确定所述候选对象集合对应的特征编码频繁序列模式；
所述信息处理模块，用于对所述候选对象集合对应的特征编码频繁序列模式进行加权，确定与目标对象相匹配的权重参数；
所述信息处理模块，用于基于与所述目标对象相匹配的权重参数，对所述对象编码特征和行为编码特征分别进行聚类处理；
所述信息处理模块，用于根据所述对象编码特征和行为编码特征的聚类结果，以及相应的筛选条件，确定所述候选对象集合中与所述筛选条件相匹配的目标对象。
上述方案中，
所述信息传输模块，用于获取所述不同对象在社交资源交换进程中的第一资源交易数据；
所述信息传输模块，用于获取所述不同对象在金融资源交换进程中的第二资源交易数据；
所述信息传输模块，用于建立所述第一资源交易数据与所述第二资源交易数据的关联关系集合，以形成与不同对象相对应的资源交易数据。
上述方案中，
所述信息处理模块，用于基于所述资源交易数据，对所述对象编码特征和行为编码特征分别进行除噪，以删除相应维度的单值特征；
所述信息处理模块，用于确定所述对象编码特征和行为编码特征中的异常值，并对所述对象编码特征和行为编码特征中的异常值分别进行删除；
所述信息处理模块，用于基于所删除的相应维度的单值特征和相应异常值对所述对象编码特征和行为编码特征分别进行数据填充与特征构造处理。
上述方案中，
所述信息处理模块，用于确定所述对象编码特征和行为编码特征中的相应的特征类型；
所述信息处理模块，用于当所述特征类型为连续型特征时，通过相应的均值进行数据填充，并对所述连续型特征进行分箱离散化的特征构造处理；
所述信息处理模块，用于当所述特征类型为离散型特征时，通过相应的常数进行数据填充，并对所述离散型特征进行类型编码处理以实现相应的特征构造。
上述方案中，
所述信息处理模块，用于根据第一资源交易数据与第二资源交易数据的关联关系集合，确定与所述关联关系集合相匹配的不同维度的基础对象标签；
所述信息处理模块，用于响应于与所述关联关系集合相匹配的不同维度的基础对象标签，对所述不同对象进行筛选，以确定所述不同对象中的基础对象。
上述方案中，
所述信息处理模块，用于基于前缀投影的模式挖掘算法，确定单位长度的对象特征编码序列前缀和对应投影数据集；
所述信息处理模块，用于基于对象特征编码序列前缀出现频率，将支持度高于最小支持度阈值的所述对象特征编码序列前缀添加至所述应投影数据集，确定相应的频繁一项集序列模式；
所述信息处理模块，用于基于所述频繁一项集序列模式对所述对象特征编码序列前缀进行迭代处理，直至达到相应的最小支持度要求参数；
所述信息处理模块，用于根据对所述对象特征编码序列前缀进行迭代处理的结果，确定所述候选对象集合对应的特征编码频繁序列模式。
上述方案中，
所述信息处理模块，用于删除各项频繁前缀中均未出现的特征类型字段；
所述信息处理模块，用于根据所述目标对象的使用环境，对所述特征类型字段的权重参数进行调整；
所述信息处理模块，用于基于所述特征类型字段的权重参数，对所述候选对象集合对应的特征编码频繁序列模式进行加权，确定所述对象编码特征序列的字段类型平均权重参数为与所述目标对象相匹配的权重参数。
上述方案中，
所述信息处理模块，用于基于所述对象编码特征序列的字段类型平均权重参数，对相应的用户特征进行加权，确定相应的第一样本特征向量；
所述信息处理模块，用于根据所述第一样本特征向量与所述聚类结果，确定所述候选对象集合中与所述筛选条件相匹配的目标对象。
上述方案中，
所述信息处理模块，用于基于所述对象编码特征序列的字段类型平均权重参数，对相应的用户特征进行加权，确定相应的第一样本特征向量；
所述信息处理模块，用于对所述第一样本特征向量和所述不同对象对应的样本特征向量进行加权处理，确定相应的第二样本特征向量；
所述信息处理模块，用于根据所述第一样本特征向量与所述聚类结果，确定相应的目标对象比例参数；
所述信息处理模块，用于基于所述目标对象比例参数，确定所述候选对象集合中与所述筛选条件相匹配的目标对象。
上述方案中，
所述信息处理模块，用于将对象标识、相应的资源交易数据以及与所述筛选条件相匹配的目标对象送至区块链网络，以使
所述区块链网络的节点将所述对象标识、相应的资源交易数据以及与所述筛选条件相匹配的目标对象填充至新区块，且当对所述新区块共识一致时，将所述新区块追加至区块链的尾部。
上述方案中，
所述信息处理模块，用于接收所述区块链网络中的其他节点的数据同步请求；
响应于所述数据同步请求，对所述其他节点的权限进行验证；
当所述其他节点的权限通过验证时，控制当前节点与所述其他节点之间进行数据同步，以实现所述其他节点获取对象标识、相应的资源交易数据以及与所述筛选条件相匹配的目标对象。
上述方案中，
所述信息处理模块，用于响应于查询请求，解析所述查询请求以获取对应的对象标识；
根据所述对象标识，获取区块链网络中的目标区块内的权限信息；
对所述权限信息与所述对象标识的匹配性进行校验；
当所述权限信息与所述对象标识相匹配时，在所述区块链网络中获取相应的资源交易数据以及与所述筛选条件相匹配的目标对象；
响应于所述查询请求，将所获取的相应的资源交易数据以及与所述筛选条件相匹配的目标对象向相应的客户端进行推送，以实现所述客户端获取所述区块链网络中所保存的相应的资源交易数据以及与所述筛选条件相匹配的目标对象。
本发明实施例还提供了一种电子设备，所述电子设备包括：
存储器，用于存储可执行指令；
处理器，用于运行所述存储器存储的可执行指令时，实现前序的目标对象确定方法。
本发明实施例还提供了一种计算机可读存储介质，存储有可执行指令，所述可执行指令被处理器执行时实现前序的目标对象确定方法。
本发明实施例具有以下有益效果：
通过获取与不同对象相对应的资源交易数据；基于所述资源交易数据，确定相应的对象编码特征和行为编码特征，并根据所述对象编码特征和行为编码特征确定相应的候选对象集合；确定所述候选对象集合对应的特征编码频繁序列模式；对所述候选对象集合对应的特征编码频繁序列模式进行加权，确定与目标对象相匹配的权重参数；基于与所述目标对象相匹配的权重参数，对所述对象编码特征和行为编码特征分别进行聚类处理；根据所述对象编码特征和行为编码特征的聚类结果，以及相应的筛选条件，确定所述候选对象集合中与所述筛选条件相匹配的目标对象，由此，实现了高效准确地确定不同对象中与筛选条件相匹配的目标对象，以便于对相应的目标对象进行不同的操作。
附图说明
图1是本发明实施例提供的目标对象确定方法的使用环境示意图；
图2为本发明实施例提供的目标对象确定装置的组成结构示意图；
图3为本发明实施例提供的目标对象确定方法一个可选的流程示意图；
图4A为本发明实施例提供的目标对象确定方法一个可选的流程示意图；
图4B为本发明实施例提供的目标对象确定方法的前端显示示意图；
图5是本发明实施例提供的目标对象确定装置100的架构示意图；
图6是本发明实施例提供的区块链网络200中区块链的结构示意图；
图7是本发明实施例提供的区块链网络200的功能架构示意图；
图8为本发明实施例的目标对象确定方法的使用环境示意图；
图9为本发明实施例提供的目标对象确定方法一个可选的流程示意图；
图10为本发明实施例提供的目标对象确定方法一个可选的流程示意图；
图11为本发明实施例提供的目标对象确定方法一个可选的流程示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，所描述的实施例不应视为对本发明的限制，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
在以下的描述中，涉及到“一些实施例”，其描述了所有可能实施例的子集，但是可以理解,“一些实施例”可以是所有可能实施例的相同子集或不同子集，并且可以在不冲突的情况下相互结合。
对本发明实施例进行进一步详细说明之前，对本发明实施例中涉及的名词和术语进行说明，本发明实施例中涉及的名词和术语适用于如下的解释。
1)交易(Transaction)，等同于计算机术语“事务”，交易包括了需要提交到区块链网络执行的操作，并非单指商业语境中的交易，鉴于在区块链技术中约定俗成地使用了“交易”这一术语，本发明实施例遵循了这一习惯。
例如，部署(Deploy)交易用于向区块链网络中的节点安装指定的智能合约并准备好被调用；调用(Invoke)交易用于通过调用智能合约在区块链中追加交易的记录，并对区块链的状态数据库进行操作，包括更新操作(包括增加、删除和修改状态数据库中的键值对)和查询操作(即查询状态数据库中的键值对)。
2)区块链(Block chain)，是由区块(Block)形成的加密的、链式的交易的存储结构。
例如，每个区块的头部既可以包括区块中所有交易的哈希值，同时也包含前一个区块中所有交易的哈希值，从而基于哈希值实现区块中交易的防篡改和防伪造；新产生的交易被填充到区块并经过区块链网络中节点的共识后，会被追加到区块链的尾部从而形成链式的增长。
3)区块链网络(Block chain Network)，通过共识的方式将新区块纳入区块链的一系列的节点的集合。
4)账本(Ledger)，是区块链(也称为账本数据)和与区块链同步的状态数据库的统称。
其中，区块链是以文件***中的文件的形式来记录交易；状态数据库是以不同类型的键(Key)值(Value)对的形式来记录区块链中的交易，用于支持对区块链中交易的快速查询。
5)智能合约(Smart Contracts)，也称为链码(Chain code)或应用代码，部署在区块链网络的节点中的程序，节点执行接收的交易中所调用的智能合约，来对账本数据库的键值对数据进行更新或查询的操作。
6)共识(Consensus)，是区块链网络中的一个过程，用于在涉及的多个节点之间对区块中的交易达成一致，达成一致的区块将被追加到区块链的尾部，实现共识的机制包括工作量证明(Po W，Proof of Work)、权益证明(PoS，Proof of Stake)、股份授权证明(D PoS，Delegated Proof-of-Stake)、消逝时间量证明(Po ET，Proof of Elapsed Time)等。
7)响应于，用于表示所执行的操作所依赖的条件或者状态，当满足所依赖的条件或状态时，所执行的一个或多个操作可以是实时的，也可以具有设定的延迟；在没有特别说明的情况下，所执行的多个操作不存在执行先后顺序的限制。
8)终端，包括但不限于：普通终端、专用终端，其中所述普通终端与发送通道保持长连接和/或短连接，所述专用终端与所述发送通道保持长连接。
9)客户端，终端中实现特定功能的载体，例如移动客户端(APP)是移动终端中特定功能的载体，例如执行支付消费功能或者是购买理财产品的功能。
10)前缀投影的模式挖掘，(PrefixSpan，Prefix-Projected Pattern Growth)，其目标是挖掘出满足最小支持度的频繁序列，其从长度为1的前缀开始挖掘序列模式，搜索对应的投影数据库得到长度为1的前缀对应的频繁序列，然后递归的挖掘长度为2的前缀所对应的频繁序列，。。。以此类推，一直递归到不能挖掘到更长的前缀挖掘为止。
11)KOL：关键意见领袖(Key Opinion Leader，简称KOL)是营销学上的概念，通常被定义为：拥有更多、更准确的产品信息，且为相关群体所接受或信任，并对该群体的购买行为有较大影响力的人。金融KOL指在金融领域上尤其是理财投资、交易行为具有更高价值的用户，该部分用户的挖掘对于理财产品的推广运营和销售具有更大的意义。
图1为本发明实施例提供的目标对象确定方法的使用场景示意图，参见图1，终端(包括终端10-1和终端10-2)上设置有能够显示相应资源交易数据的软件的客户端，例如虚拟资源或者实体资源进行金融活动或者通过虚拟资源支付的客户端或插件，用户通过相应的客户端可以获得资源交易数据并进行展示，并在虚拟资源变化过程中触发相应的目标对象确定进程(例如微信财付通支付或者微信中的资金购买物品的进程)；终端通过网络300连接服务器200，网络300可以是广域网或者局域网，又或者是二者的组合，使用无线链路实现数据传输。
作为一个示例，服务器200用于布设所述目标对象确定装置以实现本发明所提供的目标对象确定方法，以通过获取与不同对象相对应的资源交易数据；基于所述资源交易数据，确定相应的对象编码特征和行为编码特征，并根据所述对象编码特征和行为编码特征确定相应的候选对象集合；确定所述候选对象集合对应的特征编码频繁序列模式；对所述候选对象集合对应的特征编码频繁序列模式进行加权，确定与目标对象相匹配的权重参数；基于与所述目标对象相匹配的权重参数，对所述对象编码特征和行为编码特征分别进行聚类处理；根据所述对象编码特征和行为编码特征的聚类结果，以及相应的筛选条件，确定所述候选对象集合中与所述筛选条件相匹配的目标对象。
当然，本发明所提供的目标对象确定装置可以应用于虚拟资源进行金融活动或者通过虚拟资源支付环境(包括但不限于各类型的虚拟资源变化环境)或者社交软件进行信息交互的使用环境，在虚拟资源进行金融活动或者通过虚拟资源支付中通常会对不同数据来源的资源交易数据进行处理，最终在用户界面(User Interface，UI)上呈现出与相应的与所述目标对象查询请求相对应的资源交易数据。用户在当前显示界面中获得的资源交易数据(例如虚拟礼物或者虚拟游戏币等非实物货币)还可以供其他应用程序调用。
当然在通过目标对象确定装置确定资源交易数据，具体包括：获取与不同对象相对应的资源交易数据；基于所述资源交易数据，确定相应的对象编码特征和行为编码特征，并根据所述对象编码特征和行为编码特征确定相应的候选对象集合；确定所述候选对象集合对应的特征编码频繁序列模式；对所述候选对象集合对应的特征编码频繁序列模式进行加权，确定与目标对象相匹配的权重参数；基于与所述目标对象相匹配的权重参数，对所述对象编码特征和行为编码特征分别进行聚类处理；根据所述对象编码特征和行为编码特征的聚类结果，以及相应的筛选条件，确定所述候选对象集合中与所述筛选条件相匹配的目标对象。
下面对本发明实施例的目标对象确定装置的结构做详细说明，目标对象确定装置可以各种形式来实施，如带有目标对象确定装置处理功能的专用终端，也可以为设置有目标对象确定装置处理功能的服务器，例如前序图1中的服务器200。图2为本发明实施例提供的目标对象确定装置的组成结构示意图，可以理解，图2仅仅示出了目标对象确定装置的示例性结构而非全部结构，根据需要可以实施图2示出的部分结构或全部结构。
本发明实施例提供的目标对象确定装置包括：至少一个处理器201、存储器202、用户接口203和至少一个网络接口204。目标对象确定装置中的各个组件通过总线***205耦合在一起。可以理解，总线***205用于实现这些组件之间的连接通信。总线***205除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见，在图2中将各种总线都标为总线***205。
其中，用户接口203可以包括显示器、键盘、鼠标、轨迹球、点击轮、按键、按钮、触感板或者触摸屏等。
可以理解，存储器202可以是易失性存储器或非易失性存储器，也可包括易失性和非易失性存储器两者。本发明实施例中的存储器202能够存储数据以支持终端(如10-1)的操作。这些数据的示例包括：用于在终端(如10-1)上操作的任何计算机程序，如操作***和应用程序。其中，操作***包含各种***程序，例如框架层、核心库层、驱动层等，用于实现各种基础业务以及处理基于硬件的任务。应用程序可以包含各种应用程序。
在一些实施例中，本发明实施例提供的目标对象确定装置可以采用软硬件结合的方式实现，作为示例，本发明实施例提供的目标对象确定装置可以是采用硬件译码处理器形式的处理器，其被编程以执行本发明实施例提供的目标对象确定方法。例如，硬件译码处理器形式的处理器可以采用一个或多个应用专用集成电路(ASIC，Application SpecificIntegrated Circuit)、DSP、可编程逻辑器件(PLD，Programmable Logic Device)、复杂可编程逻辑器件(CPLD，Co mplex Programmable Logic Device)、现场可编程门阵列(FPGA，Field-Progra mmable Gate Array)或其他电子元件。
作为本发明实施例提供的目标对象确定装置采用软硬件结合实施的示例，本发明实施例所提供的目标对象确定装置可以直接体现为由处理器201执行的软件模块组合，软件模块可以位于存储介质中，存储介质位于存储器202，处理器201读取存储器202中软件模块包括的可执行指令，结合必要的硬件(例如，包括处理器201以及连接到总线205的其他组件)完成本发明实施例提供的目标对象确定方法。
作为示例，处理器201可以是一种集成电路芯片，具有信号的处理能力，例如通用处理器、数字信号处理器(DSP，Digital Signal Processor)，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，其中，通用处理器可以是微处理器或者任何常规的处理器等。
作为本发明实施例提供的目标对象确定装置采用硬件实施的示例，本发明实施例所提供的装置可以直接采用硬件译码处理器形式的处理器201来执行完成，例如，被一个或多个应用专用集成电路(ASIC，Application Specific Integr ated Circuit)、DSP、可编程逻辑器件(PLD，Programmable Logic Device)、复杂可编程逻辑器件(CPLD，ComplexProgrammable Logic Device)、现场可编程门阵列(FPGA，Field-Programmable GateArray)或其他电子元件执行实现本发明实施例提供的目标对象确定方法。
本发明实施例中的存储器202用于存储各种类型的数据以支持目标对象确定装置的操作。这些数据的示例包括：用于在目标对象确定装置上操作的任何可执行指令，如可执行指令，实现本发明实施例的从目标对象确定方法的程序可以包含在可执行指令中。
在另一些实施例中，本发明实施例提供的目标对象确定装置可以采用软件方式实现，图2示出了存储在存储器202中的目标对象确定装置，其可以是程序和插件等形式的软件，并包括一系列的模块，作为存储器202中存储的程序的示例，可以包括目标对象确定装置，目标对象确定装置中包括以下的软件模块信息传输模块2081和信息处理模块2082。当目标对象确定装置中的软件模块被处理器201读取到RAM中并执行时，将实现本发明实施例提供的目标对象确定方法，其中，目标对象确定装置中各个软件模块的功能，包括：
信息传输模块2081，用于获取与不同对象相对应的资源交易数据；
信息处理模块2082，用于基于所述资源交易数据，确定相应的对象编码特征和行为编码特征，并根据所述对象编码特征和行为编码特征确定相应的候选对象集合；
所述信息处理模块2082，用于确定所述候选对象集合对应的特征编码频繁序列模式；
所述信息处理模块2082，用于对所述候选对象集合对应的特征编码频繁序列模式进行加权，确定与目标对象相匹配的权重参数；
所述信息处理模块2082，用于基于与所述目标对象相匹配的权重参数，对所述对象编码特征和行为编码特征分别进行聚类处理；
所述信息处理模块2082，用于根据所述对象编码特征和行为编码特征的聚类结果，以及相应的筛选条件，确定所述候选对象集合中与所述筛选条件相匹配的目标对象。
结合图2示出的目标对象确定装置说明本发明实施例提供的目标对象确定方法，参见图3，图3为本发明实施例提供的目标对象确定方法一个可选的流程示意图，可以理解地，图3所示的步骤可以由运行目标对象确定装置的各种电子设备执行，例如可以是如带有目标对象确定装置的服务器或者服务器集群，其中，带有目标对象确定装置的专用终端可以封装于图1所示的服务器中，以执行前序图2所示的目标对象确定装置中的相应软件模块。下面针对图3示出的步骤进行说明。
步骤301：目标对象确定装置获取与不同对象相对应的资源交易数据。
在本发明的一些实施例中，获取与不同对象相对应的资源交易数据，可以通过以下方式实现：
获取所述不同对象在社交资源交换进程中的第一资源交易数据；获取所述不同对象在金融资源交换进程中的第二资源交易数据；建立所述第一资源交易数据与所述第二资源交易数据的关联关系集合，以形成与不同对象相对应的资源交易数据。
在本发明的一些实施例中，资源交易可以是实体资源(不同币种)间的交易、虚拟资源间(电子货币或者积分、代币)的交易，也可以是实体资源与虚拟资源间的交易，例如：虚拟资源处理为相应的支付活动时，目标用户对应的账户中的资源和参与支付活动需要消耗的资源可以有不同的表现形式，本发明的一些实施例对虚拟资源的具体表现形式不作限定，可选地，该虚拟资源可以是真实资金、真实基金、真实理财产品、虚拟铜钱、虚拟宝石、用户积分、代金券、虚拟元宝、虚拟银票等。示例性地，目标用户对应的账户中的虚拟资源既可以是一种表现形式，也可以包含多种表现形式，例如，目标用户对应的账户中的虚拟资源可以是统一的真实货币(单一币种或者混合币种)的形式，进一步地，目标用户对应的账户中的虚拟资源可以包含虚拟元宝、虚拟银票、虚拟宝石等多种表现形式。本发明的一些实施例中，为了方便地表示目标用户对应的账户中的虚拟资源的总数量，将目标用户对应的账户中的虚拟资源采用一种表现形式表示，可选地，其他表现形式的虚拟资源与目标用户对应的账户中表现形式的虚拟资源之间可以互相转换。
步骤302：目标对象确定装置基于所述资源交易数据，确定相应的对象编码特征和行为编码特征，并根据所述对象编码特征和行为编码特征确定相应的候选对象集合。
在本发明的一些实施例中，基于所述资源交易数据，确定相应的对象编码特征和行为编码特征，可以通过以下方式实现：
基于所述资源交易数据，对所述对象编码特征和行为编码特征分别进行除噪，以删除相应维度的单值特征；确定所述对象编码特征和行为编码特征中的异常值，并对所述对象编码特征和行为编码特征中的异常值分别进行删除；基于所删除的相应维度的单值特征和相应异常值对所述对象编码特征和行为编码特征分别进行数据填充与特征构造处理。
在本发明的一些实施例中，基于所删除的相应维度的单值特征和相应异常值对所述对象编码特征和行为编码特征分别进行数据填充与特征构造处理，可以通过以下方式实现：
确定所述对象编码特征和行为编码特征中的相应的特征类型；当所述特征类型为连续型特征时，通过相应的均值进行数据填充，并对所述连续型特征进行分箱离散化的特征构造处理；当所述特征类型为离散型特征时，通过相应的常数进行数据填充，并对所述离散型特征进行类型编码处理以实现相应的特征构造。
在本发明的一些实施例中，目标对象确定方法还包括：
根据第一资源交易数据与第二资源交易数据的关联关系集合，确定与所述关联关系集合相匹配的不同维度的基础对象标签；响应于与所述关联关系集合相匹配的不同维度的基础对象标签，对所述不同对象进行筛选，以确定所述不同对象中的基础对象，由此，可以提升对不同目标对象所在的对象样本池的筛选速度，提升确定相应的目标样本的效率，更快速地向与相应筛选条件相匹配的目标对象推送信息。
步骤303：目标对象确定装置确定所述候选对象集合对应的特征编码频繁序列模式。
继续结合图2示出的目标对象确定装置说明本发明实施例提供的目标对象确定方法，参见图4A，图4A为本发明实施例提供的目标对象确定方法一个可选的流程示意图，可以理解地，图4A所示的步骤可以由运行目标对象确定装置的各种电子设备执行，例如可以是如带有目标对象确定装置的服务器或者服务器集群，其中，带有目标对象确定装置的专用终端可以封装于图1所示的服务器中，以执行前序图2所示的目标对象确定装置中的相应软件模块。下面针对图4A示出的步骤进行说明。
步骤401：基于前缀投影的模式挖掘算法，确定单位长度的对象特征编码序列前缀和对应投影数据集；
步骤402：基于对象特征编码序列前缀出现频率，将支持度高于最小支持度阈值的所述对象特征编码序列前缀添加至所述应投影数据集，确定相应的频繁一项集序列模式；
步骤403：基于所述频繁一项集序列模式对所述对象特征编码序列前缀进行迭代处理，直至达到相应的最小支持度要求参数；
步骤404：根据对所述对象特征编码序列前缀进行迭代处理的结果，确定所述候选对象集合对应的特征编码频繁序列模式。
这一过程中，参考图4B，其中，图4B为本发明实施例提供的目标对象确定方法的前端显示示意图。其中，在社交软件的零钱通等平台，用户可以方便快捷的购买理财产品获取收益，并用来做日常消费支付，面对不同的用户群体，金融关键意见领袖(KOL)的识别和挖掘对金融领域相关应用具有非常重要的意义，通过挖掘金融高潜和传播力较强的用户，能够指导金融产品和相关业务的运营和投放，更有针对性的对目标用户群体进行推广，达到事半功倍的效果。结合前序图8所示，在理财投资和融资贷款领域，挖掘产品目标客户对增强客户群体之间的传播效应，提高产品的PV(页面访问量)、UV(访问用户数)有显著作用；在金融资讯和论坛，对金融意见领袖的发掘和引导，可以有效地带动行情趋势和舆论方向。因此，准确有效地识别挖掘金融KOL用户群体，对投资理财和金融事件都起着至关重要的作用。
步骤304：目标对象确定装置对所述候选对象集合对应的特征编码频繁序列模式进行加权，确定与目标对象相匹配的权重参数。
在本发明的一些实施例中，对所述候选对象集合对应的特征编码频繁序列模式进行加权，确定与目标对象相匹配的权重参数，可以通过以下方式实现：
删除各项频繁前缀中均未出现的特征类型字段；根据所述目标对象的使用环境，对所述特征类型字段的权重参数进行调整；基于所述特征类型字段的权重参数，对所述候选对象集合对应的特征编码频繁序列模式进行加权，确定所述对象编码特征序列的字段类型平均权重参数为与所述目标对象相匹配的权重参数。
步骤305：目标对象确定装置基于与所述目标对象相匹配的权重参数，对所述对象编码特征和行为编码特征分别进行聚类处理。
步骤306：目标对象确定装置根据所述对象编码特征和行为编码特征的聚类结果，以及相应的筛选条件，确定所述候选对象集合中与所述筛选条件相匹配的目标对象。
在本发明的一些实施例中，根据所述对象编码特征和行为编码特征的聚类结果，以及相应的筛选条件，确定所述候选对象集合中与所述筛选条件相匹配的目标对象，可以通过以下方式实现：
基于所述对象编码特征序列的字段类型平均权重参数，对相应的用户特征进行加权，确定相应的第一样本特征向量；根据所述第一样本特征向量与所述聚类结果，确定所述候选对象集合中与所述筛选条件相匹配的目标对象。
下面针对不同筛选条件的使用环境中，确定候选对象集合中与相应的筛选条件相匹配的目标对象为例进行说明，其中，目标用户活动中在社交产品、理财产品等领域会产生相关数据，可以从基础属性维度和行为维度构建特征，可包含以下信息：职位、年龄、性别、教育状况、最近N天内(可选为具体的时间天数或者时间区间值)金融交易次数、转账与被转账次数、虚拟货币交易次数、交易金额等，可以通过这些数据设置不同的筛选条件，例如筛选金融交易次数前TOP N的用户(N取值根据实际样本量选取，可设为：实际样本量×1/1000)为相应的金融KOL用户即前述的目标对象，也可以筛选转账与被转账次数前TOP N的用户为相应的金融KOL用户作为前述的目标对象，以提升用户筛选的准确性。
在本发明的一些实施例中，根据所述对象编码特征和行为编码特征的聚类结果，以及相应的筛选条件，确定所述候选对象集合中与所述筛选条件相匹配的目标对象，可以通过以下方式实现：
基于所述对象编码特征序列的字段类型平均权重参数，对相应的用户特征进行加权，确定相应的第一样本特征向量；对所述第一样本特征向量和所述不同对象对应的样本特征向量进行加权处理，确定相应的第二样本特征向量；根据所述第一样本特征向量与所述聚类结果，确定相应的目标对象比例参数；基于所述目标对象比例参数，确定所述候选对象集合中与所述筛选条件相匹配的目标对象。
结合前序实施例，可以通过这些数据设置不同的筛选条件，例如在样本池容量为10000用户的金融信息样本池中筛选金融交易次数前TOP 100的用户，为相应的金融KOL目标对象，所筛选TOP 100的目标对象拥有更多、更准确的产品信息，且为其所在的社交群体所接受或信任，并对该群体的购买行为有较大影响力的人。因此，可以向不同筛选条件所对应的目标对象推送不同的信息，以提升信息推送的准确性。
在本发明的一些实施例中，为了实现通过区块链网络存储相应的数据，本发明所提供的目标对象确定方法还包括：
将对象标识、相应的资源交易数据以及与所述筛选条件相匹配的目标对象送至区块链网络，以使所述区块链网络的节点将所述对象标识、相应的资源交易数据以及与所述筛选条件相匹配的目标对象填充至新区块，且当对所述新区块共识一致时，将所述新区块追加至区块链的尾部。其中，本发明实施例可结合云技术实现，云技术(Cloud technology)是指在广域网或局域网内将硬件、软件及网络等系列资源统一起来，实现数据的计算、储存、处理和共享的一种托管技术，也可理解为基于云计算商业模式应用的网络技术、信息技术、整合技术、管理平台技术及应用技术等的总称。技术网络***的后台服务需要大量的计算、存储资源，如视频网站、图片类网站和更多的门户网站，因此云技术需要以云计算作为支撑。
需要说明的是，云计算是一种计算模式，它将计算任务分布在大量计算机构成的资源池上，使各种应用***能够根据需要获取计算力、存储空间和信息服务。提供资源的网络被称为“云”。“云”中的资源在使用者看来是可以无限扩展的，并且可以随时获取，按需使用，随时扩展，按使用付费。作为云计算的基础能力提供商，会建立云计算资源池平台，简称云平台，一般称为基础设施即服务(IaaS，Infrastructure as a Service)，在资源池中部署多种类型的虚拟资源，供外部客户选择使用。云计算资源池中主要包括：计算设备(可为虚拟化机器，包含操作***)、存储设备和网络设备。
结合前序图1所示，本发明实施例所提供的目标对象确定方法可以通过相应的云端设备实现，例如：终端(包括终端10-1和终端10-2)通过网络300连接位于云端的服务器200，网络300可以是广域网或者局域网，又或者是二者的组合。值得说明的是，服务器200可为实体设备，也可为虚拟化设备。
在本发明的一些实施例中，发明所提供的目标对象确定方法还包括：
接收所述区块链网络中的其他节点的数据同步请求；
响应于所述数据同步请求，对所述其他节点的权限进行验证；
当所述其他节点的权限通过验证时，控制当前节点与所述其他节点之间进行数据同步，以实现所述其他节点获取对象标识、相应的资源交易数据以及与所述筛选条件相匹配的目标对象。
进一步地，在本发明的一些实施例中，响应于查询请求，解析所述查询请求以获取对应的对象标识；
根据所述对象标识，获取区块链网络中的目标区块内的权限信息；
对所述权限信息与所述对象标识的匹配性进行校验；
当所述权限信息与所述对象标识相匹配时，在所述区块链网络中获取相应的资源交易数据以及与所述筛选条件相匹配的目标对象；
响应于所述查询请求，将所获取的相应的资源交易数据以及与所述筛选条件相匹配的目标对象向相应的客户端进行推送，以实现所述客户端获取所述区块链网络中所保存的相应的资源交易数据以及与所述筛选条件相匹配的目标对象。
参见图5，图5是本发明实施例提供的目标对象确定装置100的架构示意图，包括区块链网络200(示例性示出了共识节点210-1至共识节点210-3)、认证中心300、业务主体400和业务主体500，下面分别进行说明。
区块链网络200的类型是灵活多样的，例如可以为公有链、私有链或联盟链中的任意一种。以公有链为例，任何业务主体的电子设备例如用户终端和服务器，都可以在不需要授权的情况下接入区块链网络200；以联盟链为例，业务主体在获得授权后其下辖的电子设备(例如终端/服务器)可以接入区块链网络200，此时，成为区块链网络200中的客户端节点。
在一些实施例中，客户端节点可以只作为区块链网络200的观察者，即提供支持业务主体发起交易(例如，用于上链存储数据或查询链上数据)功能，对于区块链网络200的共识节点210的功能，例如排序功能、共识服务和账本功能等，客户端节点可以缺省或者有选择性(例如，取决于业务主体的具体业务需求)地实施。从而，可以将业务主体的数据和业务处理逻辑最大程度迁移到区块链网络200中，通过区块链网络200实现数据和业务处理过程的可信和可追溯。
区块链网络200中的共识节点接收来自不同业务主体(例如图1中示出的业务主体400和业务主体500)的客户端节点(例如，图1中示出的归属于业务主体400的客户端节点410、以及归属于电子设备的***500的客户端节点510)提交的交易，执行交易以更新账本或者查询账本，执行交易的各种中间结果或最终结果可以返回业务主体的客户端节点中显示。
例如，客户端节点410/510可以订阅区块链网络200中感兴趣的事件，例如区块链网络200中特定的组织/通道中发生的交易，由共识节点210推送相应的交易通知到客户端节点410/510，从而触发客户端节点410/510中相应的业务逻辑。
下面以多个业务主体接入区块链网络以实现目标对象确定结果的管理为例，说明区块链网络的示例性应用。
参见图5，管理环节涉及的多个业务主体，如业务主体400可以是基于人工智能的目标对象确定装置，业务主体500可以是带有目标对象确定功能的显示***，从认证中心300进行登记注册获得各自的数字证书，数字证书中包括业务主体的公钥、以及认证中心300对业务主体的公钥和身份信息签署的数字签名，用来与业务主体针对交易的数字签名一起附加到交易中，并被发送到区块链网络，以供区块链网络从交易中取出数字证书和签名，验证消息的可靠性(即是否未经篡改)和发送消息的业务主体的身份信息，区块链网络会根据身份进行验证，例如是否具有发起交易的权限。业务主体下辖的电子设备(例如终端或者服务器)运行的客户端都可以向区块链网络200请求接入而成为客户端节点。
业务主体400的客户端节点410用于获取与不同对象相对应的资源交易数据；根据所述资源交易数据，确定所述不同对象的级别信息，并根据所述级别信息确定所述不同对象中的基础对象；根据所述资源交易数据，确定与所述不同对象相匹配的差异特征向量；基于与所述不同对象相匹配的差异特征向量，确定所述不同对象之间的关联关系网络；响应于所述基础对象，确定所述不同对象之间的关联关系网络的聚类结果；根据所述不同对象之间的关联关系网络的聚类结果和相应的级别信息，确定所述不同对象中与所述基础对象相匹配的目标对象，将对象标识、相应的资源交易数据以及与所述筛选条件相匹配的目标对象发送至区块链网络200。
其中，将对象标识、相应的资源交易数据以及与所述筛选条件相匹配的目标对象发送至区块链网络200，可以预先在客户端节点410设置业务逻辑，当形成相应的目标对象确定结果时，客户端节点410将对象标识、相应的资源交易数据以及与所述筛选条件相匹配的目标对象自动发送至区块链网络200，也可以由业务主体400的业务人员在客户端节点410中登录，手动打包将对象标识、相应的资源交易数据以及与所述筛选条件相匹配的目标对象，并将其发送至区块链网络200。在发送时，客户端节点410根据将对象标识、相应的资源交易数据以及与所述筛选条件相匹配的目标对象生成对应更新操作的交易，在交易中指定了实现更新操作需要调用的智能合约、以及向智能合约传递的参数，交易还携带了客户端节点410的数字证书、签署的数字签名(例如，使用客户端节点410的数字证书中的私钥，对交易的摘要进行加密得到)，并将交易广播到区块链网络200中的共识节点210。
区块链网络200中的共识节点210中接收到交易时，对交易携带的数字证书和数字签名进行验证，验证成功后，根据交易中携带的业务主体400的身份，确认业务主体400是否是具有交易权限，数字签名和权限验证中的任何一个验证判断都将导致交易失败。验证成功后签署节点210自己的数字签名(例如，使用节点210-1的私钥对交易的摘要进行加密得到)，并继续在区块链网络200中广播。
区块链网络200中的共识节点210接收到验证成功的交易后，将交易填充到新的区块中，并进行广播。区块链网络200中的共识节点210广播的新区块时，会对新区块进行共识过程，如果共识成功，则将新区块追加到自身所存储的区块链的尾部，并根据交易的结果更新状态数据库，执行新区块中的交易：对于提交更新将对象标识、相应的资源交易数据以及与所述筛选条件相匹配的目标对象的交易，在状态数据库中添加包括将对象标识、相应的资源交易数据以及与所述筛选条件相匹配的目标对象的键值对。
业务主体500的业务人员在客户端节点510中登录，输入目标对象确定结果或者目标对象查询请求，客户端节点510根据目标对象确定结果或者目标对象查询请求生成对应更新操作/查询操作的交易，在交易中指定了实现更新操作/查询操作需要调用的智能合约、以及向智能合约传递的参数，交易还携带了客户端节点510的数字证书、签署的数字签名(例如，使用客户端节点510的数字证书中的私钥，对交易的摘要进行加密得到)，并将交易广播到区块链网络200中的共识节点210。
区块链网络200中的共识节点210中接收到交易，对交易进行验证、区块填充及共识一致后，将填充的新区块追加到自身所存储的区块链的尾部，并根据交易的结果更新状态数据库，执行新区块中的交易：对于提交的更新某一将对象标识、相应的资源交易数据以及与所述筛选条件相匹配的目标对象的交易，根据人工识别结果更新状态数据库中该目标对象确定结果对应的键值对；对于提交的查询某个目标对象确定结果的交易，从状态数据库中查询目标对象确定结果对应的键值对，并返回交易结果。
值得说明的是，在图5中示例性地示出了将对象标识、相应的资源交易数据以及与所述筛选条件相匹配的目标对象直接上链的过程，但在另一些实施例中，对于目标对象确定结果的数据量较大的情况，客户端节点410可将目标对象确定结果的哈希以及相应的目标对象确定结果的哈希成对上链，将原始的目标对象确定结果以及相应的目标对象确定结果存储于分布式文件***或数据库。客户端节点510从分布式文件***或数据库获取到目标对象确定结果以及相应的目标对象确定结果后，可结合区块链网络200中对应的哈希进行校验，从而减少上链操作的工作量。
作为区块链的示例，参见图6，图6是本发明实施例提供的区块链网络200中区块链的结构示意图，每个区块的头部既可以包括区块中所有交易的哈希值，同时也包含前一个区块中所有交易的哈希值，新产生的交易的记录被填充到区块并经过区块链网络中节点的共识后，会被追加到区块链的尾部从而形成链式的增长，区块之间基于哈希值的链式结构保证了区块中交易的防篡改和防伪造。
下面说明本发明实施例提供的区块链网络的示例性的功能架构，参见图7，图7是本发明实施例提供的区块链网络200的功能架构示意图，包括应用层201、共识层202、网络层203、数据层204和资源层205，下面分别进行说明。
资源层205封装了实现区块链网路200中的各个节点210的计算资源、存储资源和通信资源。
数据层204封装了实现账本的各种数据结构，包括以文件***中的文件实现的区块链，键值型的状态数据库和存在性证明(例如区块中交易的哈希树)。
网络层203封装了点对点(P2P，Point to Point)网络协议、数据传播机制和数据验证机制、接入认证机制和业务主体身份管理的功能。
其中，P2P网络协议实现区块链网络200中节点210之间的通信，数据传播机制保证了交易在区块链网络200中的传播，数据验证机制用于基于加密学方法(例如数字证书、数字签名、公/私钥对)实现节点210之间传输数据的可靠性；接入认证机制用于根据实际的业务场景对加入区块链网络200的业务主体的身份进行认证，并在认证通过时赋予业务主体接入区块链网络200的权限；业务主体身份管理用于存储允许接入区块链网络200的业务主体的身份、以及权限(例如能够发起的交易的类型)。
共识层202封装了区块链网络200中的节点210对区块达成一致性的机制(即共识机制)、交易管理和账本管理的功能。共识机制包括POS、POW和DP OS等共识算法，支持共识算法的可插拔。
交易管理用于验证节点210接收到的交易中携带的数字签名，验证业务主体的身份信息，并根据身份信息判断确认其是否具有权限进行交易(从业务主体身份管理读取相关信息)；对于获得接入区块链网络200的授权的业务主体而言，均拥有认证中心颁发的数字证书，业务主体利用自己的数字证书中的私钥对提交的交易进行签名，从而声明自己的合法身份。
账本管理用于维护区块链和状态数据库。对于取得共识的区块，追加到区块链的尾部；执行取得共识的区块中的交易，当交易包括更新操作时更新状态数据库中的键值对，当交易包括查询操作时查询状态数据库中的键值对并向业务主体的客户端节点返回查询结果。支持对状态数据库的多种维度的查询操作，包括：根据区块向量号(例如交易的哈希值)查询区块；根据区块哈希值查询区块；根据交易向量号查询区块；根据交易向量号查询交易；根据业务主体的账号(向量号)查询业务主体的账号数据；根据通道名称查询通道中的区块链。
应用层201封装了区块链网络能够实现的各种业务，包括交易的溯源、存证和验证等。
下面以确定金融交易信息中的金融关键意见领袖(KOL)为例对本发明所提供的目标对象确定方法进行说明，其中，参考图8，图8为本发明实施例的目标对象确定方法的使用环境示意图；其中，参见图8，终端(包括终端10-1和终端10-2)上设置有能够执行不同功能相应客户端，其中，所属客户端为终端(包括终端10-1和终端10-2)通过网络300从相应的服务器200中获取不同的基金信息进行浏览，终端通过网络300连接服务器200，网络300可以是广域网或者局域网，又或者是二者的组合，使用无线链路实现数据传输，其中，终端(包括终端10-1和终端10-2)通过网络300从相应的服务器200中所获取的基金等资源配置进程的类型既可以相同也可以不相同，随着互联网金融的发展，在零钱通等平台，用户可以方便快捷的购买理财产品获取收益，并用来做日常消费支付，面对不同的用户群体，关键意见领袖(KOL)的识别和挖掘对金融领域相关应用具有非常重要的意义，通过挖掘金融高潜和传播力较强的用户，能够指导金融产品和相关业务的运营和投放，更有针对性的对目标用户群体进行推广，达到事半功倍的效果。结合前序图8所示，在理财投资和融资贷款领域，挖掘产品目标客户对增强客户群体之间的传播效应，提高产品的PV(页面访问量)、UV(访问用户数)有显著作用；在金融资讯和论坛，对金融意见领袖的发掘和引导，可以有效地带动行情趋势和舆论方向。因此，准确有效地识别挖掘金融KOL用户群体，对投资理财和金融事件都起着至关重要的作用。
传统技术中，识别挖掘金融KOL用户群体的方式包括：
1)基于规则或神经网络等方法构建用户社交关系网络首先通过获取目标用户群体的社交数据，如红包、转账关系，然后指定用户亲密度计算规则或者构建深层神经网络，预测及量化其他用户与种子用户的关联度，根据关联度提取条件匹配的其他用户作为目标用户。
2)基于分类模型则通过多个维度特征获取所有用户的历史数据，然后训练建立用于进行用户预测的多个挖掘模型，并基于多个分类回归模型确定目标挖掘模型，通过目标挖掘模型从所有用户中确定目标KOL用户。
但是上述传统方式的缺陷主要包括：
1、基于分类或回归模型忽略用户之间的网络关系，即KOL用户之间有群体效应，用户群体网络关系挖掘对发掘深层KOL用户有重要的意义。
2.、基于规则等方法构建用户社交关系网络方法可解释性较高，但对于不同的目标人群挖掘需要重新指定规则，通用性不高，模型泛化性能较低。
3、基于神经网络构建用户关系链方法需要构建庞大的网络和复杂的节点关系，随着节点数和节点连线的增加，训练神经网络模型过程非常耗时。
为解决上述缺陷，参考图9，图9为本发明实施例提供的目标对象确定方法一个可选的流程示意图，具体包括以下步骤：
步骤901：构建用户编码特征和行为编码特征，建立KOL用户样本库。
获取用户在社交产品、理财产品等相关数据，从基础属性维度和行为维度构建特征，可包含以下信息：职位、年龄、性别、教育状况(学历)、最近N天内(如7天、30天、90天等)内红包发送/接收次数、最近N天内(如7天、30天、90天等)内转账与被转账次数、最近N天内(如7天、30天、90天等)内信息收发人数、交易笔数、交易金额，理财产品历史申购赎回笔数、金额、最近一次申购/赎回时间、最近一次互动/交流时间、社交产品评论消息发表条数、发送接收信息比、关注与被关注人数占比、互动次数、受邀回答问题次数等。
继续参考图10，图10为本发明实施例提供的目标对象确定方法一个可选的流程示意图，进行数据预处理并构建用户特征和行为特征，构建方式为：离散型特征进行类型编码，连续型特征进行分箱操作，处理步骤具体包括：
步骤1001：舍弃缺失值过多的特征，其中，可以设定N可为0.4，若某特征数据缺失的数量超过该阈值则过滤这个特征，同时删除单值特征。
步骤1002：进行异常值处理，即根据特征分布，舍弃特征数值超过相应阈值的特征。
例如，可选的，可以舍弃排在前0.0001(万分之一)的异常值。
步骤1003：缺失值处理，即连续型特征用均值填充，离散型特征用常数填充作为单独的类别；
步骤1004：特征构造，即连续型特征进行分箱离散化(其中，分箱方法可根据用户特征字段在各区间的分布占比进行分箱)、离散型特征进行类型编码。
步骤1005：特征处理，即对连续型特征进行分箱离散化、离散型特征进行one-hot编码。
步骤1006：特征选择，即利用卡方检验进行特征选择。
其中，在本发明的一些实施例中，年龄(连续型特征)编码可以参考表1：
Figure GDA0004052153400000251
Figure GDA0004052153400000261
表1
性别(离散型特征)编码可以参考表2：
性别 性别编码
男 性别a
女 性别b
表2
最近N天内(如7天、30天、90天等)内红包发送次数(连续型特征)编码参考表3：
最近N天内红包发送次数 N天发红包次数编码
0-10 N天发红包次数a
11-20 N天发红包次数b
21-30 N天发红包次数c
31-40 N天发红包次数d
41-50 N天发红包次数e
51-60 N天发红包次数f
61-70 N天发红包次数g
70以上 N天发红包次数h
表3
通过以上步骤将用户特征按照各个字段的类型进行类型编码，从而得到用户的编码特征表示。
基于产品用户实际转化建立相应的KOL用户样本库，通过数据转化维度召回一批基准的金融KOL用户作为分类样本标签，其中，可选的维度包括：历史申购赎回次数、申购总金额、好友中理财产品用户关系占比、历史收益、产品评分等级，具体的不同维度选择可以根据金融KOL用户的类型进行相应的调整。
对有理财产品数据的用户，基于以上转化维度计算得到样本评分，计算方法为：将各个维度分别进行该维度的Min-Max标准化后相乘计算评分，构建KOL用户样本库中每个用户对应的<用户id，KOL评分>。
步骤902：基于序列模式挖掘算法挖掘KOL用户特征编码频繁序列模式。
其中，可以基于序列模式算法(prefixspan算法)挖掘KOL用户样本特征编码序列模式，挖掘KOL用户群体频繁出现的特征模式。
其中，基于Prefixspan算法挖掘KOL用户特征编码矩阵中满足最小支持度阈值的各个长度的频繁序列模式。同时，使用多最小支持度策略，最小支持度的计算方法如公式(1)所示：
min-sup＝a×n (1)
其中n为KOL用户样本库的样本数，a为最小支持率，最小支持率参数根据样本集的数量进行调整，同时本发明运用了一种“滚雪球”的方法和思路，即每一轮挖掘都设置较高的支持度，保证行为序列模式挖掘的准确性，通过多轮迭代挖掘提高模式挖掘的查全率。
其中，参考图11，图11为本发明实施例提供的目标对象确定方法一个可选的流程示意图，其中，序列模式算法(prefixspan算法)的体操作步骤包括：
步骤1101：找出单位长度为1的用户特征编码序列前缀和对应投影数据集；
步骤1102：统计用户特征编码序列前缀出现频率并将支持度高于最小支持度阈值的前缀添加到数据集，获取频繁一项集序列模式；
步骤1103：对所有长度为i且满足最小支持度要求的前缀递归挖掘，具体可以包括：
1)挖掘前缀的投影数据集，如果投影数据为空集合，则返回递归；
2)统计对应投影数据集中各项的最小支持度，将满足支持度的各单项与当前缀合并，得到新前缀，不满足支持度要求则递归返回；
3)令i＝i+1，前缀为合并单项后的各个新前缀，分别递归执行当前步骤；
步骤1104：返回该用户特征编码序列样本集中所有的频繁特征编码序列模式。
继续结合前序Prefixspan算法的原理描述，以下实施例说明KOL用户特征编码矩阵具体的挖掘方式。
Figure GDA0004052153400000281
表4
其中，上述表4中，N天收发信息比＝N天内收到信息条数/N天内发送信息条数；好友中理财产品用户关系占比＝好友为理财产品用户数/好友数；关注与被关注人数占比＝用户关注人数/用户被关注人数。
进一步地，基于Prefixspan算法挖掘用户特征序列中蕴含的序列模式，假设所设定的最小支持度阈值为0.5，首先统计所有类型特征的频率：
Figure GDA0004052153400000282
Figure GDA0004052153400000291
表5
满足该阈值的一项前缀与其对应后缀分别为：
Figure GDA0004052153400000292
表6
同样地，满足最小支持度阈值的二项前缀和对应后缀为：
Figure GDA0004052153400000293
表7
满足最小支持度阈值的三项前缀和对应后缀为：
Figure GDA0004052153400000294
表8
其中，算法挖掘结果转化为字段编码对应的字段类型和区间可得到，所获取的编码特征频繁出现的模式是KOL用户群体普遍具备的共同特征。
步骤903：基于序列模式特征挖掘得到的KOL相关因素特征进行加权计算得到用户样本权重。
通过步骤902从KOL用户人群特征编码序列挖掘KOL用户样本频繁特征编码序列模式，从而在建模方法上更加关注这部分特征类型，对这部分类型特征进行加权处理，以及对序列模式的各项频繁前缀中都不出现的特征类型字段进行该字段剔除，过滤对区分KOL用户影响不够显著的因素。加权权重设置为各字段类型对应的频次占比，如最小支持度阈值设置为0.5，若某个字段的各种类型值的频次占比都小于该最小支持度，则将该字段剔除，若字段类型“N天收发信息条数比e”出现的频次占比为0.75，那么该字段类型加权权重为0.75；字段类型“关注与被关注人数占比c”出现频次占比为0.6，那么该字段类型加权权重为0.6。计算用户编码特征序列的字段类型平均权重作为该KOL用户的样本权重。如KOL用户的频繁特征序列模式为：
Figure GDA0004052153400000301
表9
其中，该KOL用户的样本权重为：(0.6+0.75+0.9+0.88)/4＝0.7825
构建每个KOL用户样本的样本权重如图。
Figure GDA0004052153400000302
Figure GDA0004052153400000311
表10
步骤904：构建样本加权聚类算法对用户特征和行为特征进行聚类。
结合前序步骤901-903同时剔除掉特征编码的各种类型值出现频次占比都小于设定最小支持度的特征，从而进行特征筛选，之后对连续型特征进行分箱离散化、离散型特征进行one-hot编码，从而构造KOL用户样本特征。
根据步骤903计算得到的每个样本的样本权重对用户样本特征进行加权，构建样本加权聚类算法对特征向量进行聚类，具体聚类过程如下。
在传统的基于划分的聚类算法中，一般都是对聚类样本同等对待，例如K-means算法、EM算法等。在不考虑样本权重的前提下，K-means聚类算法在准则函数收敛时结束聚类，准则函数的公式为：
Figure GDA0004052153400000312
其中，J为凝聚度，用来衡量聚类效果，k为类簇的总数目，mi是类簇i中的成员总数；
Figure GDA0004052153400000313
为类簇i中的第j个成员；
Figure GDA0004052153400000314
为类簇i的中心向量，计算公式为：
Figure GDA0004052153400000315
为文本
Figure GDA0004052153400000316
为类簇中心点
Figure GDA0004052153400000317
的相似度。本发明方法利用向量夹角的余弦计算相似度。考虑样本加权的聚类算法，对样本加权后聚类的准则函数计算公式为：
Figure GDA0004052153400000318
其中
Figure GDA0004052153400000319
为聚类样本加权后的类中心向量，计算公式为：
Figure GDA0004052153400000321
其中，wj为聚类样本i的权重，
Figure GDA0004052153400000322
对应步骤3即
Figure GDA0004052153400000323
通过加权聚类得到KOL用户群体的聚类结果。
步骤905：基于聚类结果和预设条件预测相应的KOL用户。
其中，结合前序步骤的处理过程，同时剔除掉特征字段的各种类型值的频次占比都小于设定最小支持度的特征进行特征筛选，之后对连续型特征进行分箱离散化、离散型特征进行one-hot编码，根据步骤903计算得到的每个样本的样本权重对用户样本特征进行加权，从而构造新样本加权特征。以下可通过两种方式得到新样本为KOL用户的概率：
方式一，即计算新样本特征向量与聚类中心距离，如余弦距离。距离越近则说明该新样本为KOL用户的概率越大，通过距离计算量化来预测KOL用户。
方式二，即将新样本特征向量与所有用户样本特征向量共同进行步骤4加权聚类，完成聚类后计算新样本特征向量所属类别中KOL用户样本数占比，所属类别KOL用户样本数占比越高表示新用户样本为KOL用户的概率越大，通过聚类结果的类别占比量化新样本为KOL用户的可能性。
相比于传统技术，本申请能够更好地构建KOL用户特征，同时解决了传统方法没有更好地对用户特征和行为特征进行重要性量化和进一步分析处理的缺陷，通过剔除影响不明显的特征，能够最大程度的大程度地减少了噪音特征的影响，提高对目标对象预测的准确率。
有益技术效果：
本发明通过获取与不同对象相对应的资源交易数据；基于所述资源交易数据，确定相应的对象编码特征和行为编码特征，并根据所述对象编码特征和行为编码特征确定相应的候选对象集合；确定所述候选对象集合对应的特征编码频繁序列模式；对所述候选对象集合对应的特征编码频繁序列模式进行加权，确定与目标对象相匹配的权重参数；基于与所述目标对象相匹配的权重参数，对所述对象编码特征和行为编码特征分别进行聚类处理；根据所述对象编码特征和行为编码特征的聚类结果，以及相应的筛选条件，确定所述候选对象集合中与所述筛选条件相匹配的目标对象，由此，实现了高效准确地确定不同对象中与筛选条件相匹配的目标对象，以便于对相应的目标对象进行不同的操作。
以上所述，仅为本发明的实施例而已，并非用于限定本发明的保护范围，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (14)

1.一种目标对象确定方法，其特征在于，所述方法包括：
获取与不同对象相对应的资源交易数据；
基于所述资源交易数据，确定相应的对象编码特征和行为编码特征，并根据所述对象编码特征和行为编码特征确定相应的候选对象集合；
确定所述候选对象集合对应的特征编码频繁序列模式；
删除各项频繁前缀中均未出现的特征类型字段；
根据所述目标对象的使用环境，对所述特征类型字段的权重参数进行调整；
基于所述特征类型字段的权重参数，对所述候选对象集合对应的特征编码频繁序列模式进行加权，确定所述对象编码特征序列的字段类型平均权重参数为与所述目标对象相匹配的权重参数；
基于与所述目标对象相匹配的权重参数，对所述对象编码特征和行为编码特征分别进行聚类处理；
根据所述对象编码特征和行为编码特征的聚类结果，以及相应的筛选条件，确定所述候选对象集合中与所述筛选条件相匹配的目标对象。
2.根据权利要求1所述的方法，其特征在于，所述获取与不同对象相对应的资源交易数据，包括：
获取所述不同对象在社交资源交换进程中的第一资源交易数据；
获取所述不同对象在金融资源交换进程中的第二资源交易数据；
建立所述第一资源交易数据与所述第二资源交易数据的关联关系集合，以形成与不同对象相对应的资源交易数据。
3.根据权利要求1所述的方法，其特征在于，所述基于所述资源交易数据，确定相应的对象编码特征和行为编码特征，包括：
基于所述资源交易数据，对所述对象编码特征和行为编码特征分别进行除噪，以删除相应维度的单值特征；
确定所述对象编码特征和行为编码特征中的异常值，并对所述对象编码特征和行为编码特征中的异常值分别进行删除；
基于所删除的相应维度的单值特征和相应异常值对所述对象编码特征和行为编码特征分别进行数据填充与特征构造处理。
4.根据权利要求3所述的方法，其特征在于，所述基于所删除的相应维度的单值特征和相应异常值对所述对象编码特征和行为编码特征分别进行数据填充与特征构造处理，包括：
确定所述对象编码特征和行为编码特征中的相应的特征类型；
当所述特征类型为连续型特征时，通过相应的均值进行数据填充，并对所述连续型特征进行分箱离散化的特征构造处理；
当所述特征类型为离散型特征时，通过相应的常数进行数据填充，并对所述离散型特征进行类型编码处理以实现相应的特征构造。
5.根据权利要求4所述的方法，其特征在于，所述方法还包括：
根据第一资源交易数据与第二资源交易数据的关联关系集合，确定与所述关联关系集合相匹配的不同维度的基础对象标签；
响应于与所述关联关系集合相匹配的不同维度的基础对象标签，对所述不同对象进行筛选，以确定所述不同对象中的基础对象。
6.根据权利要求1所述的方法，其特征在于，所述确定所述候选对象集合对应的特征编码频繁序列模式，包括：
基于前缀投影的模式挖掘算法，确定单位长度的对象特征编码序列前缀和对应投影数据集；
基于对象特征编码序列前缀出现频率，将支持度高于最小支持度阈值的所述对象特征编码序列前缀添加至所述应投影数据集，确定相应的频繁一项集序列模式；
基于所述频繁一项集序列模式对所述对象特征编码序列前缀进行迭代处理，直至达到相应的最小支持度要求参数；
根据对所述对象特征编码序列前缀进行迭代处理的结果，确定所述候选对象集合对应的特征编码频繁序列模式。
7.根据权利要求1所述的方法，其特征在于，所述根据所述对象编码特征和行为编码特征的聚类结果，以及相应的筛选条件，确定所述候选对象集合中与所述筛选条件相匹配的目标对象，包括：
基于所述对象编码特征序列的字段类型平均权重参数，对相应的用户特征进行加权，确定相应的第一样本特征向量；
根据所述第一样本特征向量与所述聚类结果，确定所述候选对象集合中与所述筛选条件相匹配的目标对象。
8.根据权利要求1所述的方法，其特征在于，所述根据所述对象编码特征和行为编码特征的聚类结果，以及相应的筛选条件，确定所述候选对象集合中与所述筛选条件相匹配的目标对象，包括：
基于所述对象编码特征序列的字段类型平均权重参数，对相应的用户特征进行加权，确定相应的第一样本特征向量；
对所述第一样本特征向量和所述不同对象对应的样本特征向量进行加权处理，确定相应的第二样本特征向量；
根据所述第一样本特征向量与所述聚类结果，确定相应的目标对象比例参数；
基于所述目标对象比例参数，确定所述候选对象集合中与所述筛选条件相匹配的目标对象。
9.根据权利要求1-8任一所述的方法，其特征在于，所述方法还包括：
将对象标识、相应的资源交易数据以及与所述筛选条件相匹配的目标对象送至区块链网络，以使
所述区块链网络的节点将所述对象标识、相应的资源交易数据以及与所述筛选条件相匹配的目标对象填充至新区块，且当对所述新区块共识一致时，将所述新区块追加至区块链的尾部。
10.根据权利要求9所述的方法，其特征在于，所述方法还包括：
接收所述区块链网络中的其他节点的数据同步请求；
响应于所述数据同步请求，对所述其他节点的权限进行验证；
当所述其他节点的权限通过验证时，控制当前节点与所述其他节点之间进行数据同步，以实现所述其他节点获取对象标识、相应的资源交易数据以及与所述筛选条件相匹配的目标对象。
11.根据权利要求9所述的方法，其特征在于，所述方法还包括：
响应于查询请求，解析所述查询请求以获取对应的对象标识；
根据所述对象标识，获取区块链网络中的目标区块内的权限信息；
对所述权限信息与所述对象标识的匹配性进行校验；
当所述权限信息与所述对象标识相匹配时，在所述区块链网络中获取相应的资源交易数据以及与所述筛选条件相匹配的目标对象；
响应于所述查询请求，将所获取的相应的资源交易数据以及与所述筛选条件相匹配的目标对象向相应的客户端进行推送，以实现所述客户端获取所述区块链网络中所保存的相应的资源交易数据以及与所述筛选条件相匹配的目标对象。
12.一种目标对象确定装置，其特征在于，所述装置包括：
信息传输模块，用于获取与不同对象相对应的资源交易数据；
信息处理模块，用于基于所述资源交易数据，确定相应的对象编码特征和行为编码特征，并根据所述对象编码特征和行为编码特征确定相应的候选对象集合；
所述信息处理模块，用于确定所述候选对象集合对应的特征编码频繁序列模式；
所述信息处理模块，用于删除各项频繁前缀中均未出现的特征类型字段；
所述信息处理模块，用于根据所述目标对象的使用环境，对所述特征类型字段的权重参数进行调整；
所述信息处理模块，用于基于所述特征类型字段的权重参数，对所述候选对象集合对应的特征编码频繁序列模式进行加权，确定所述对象编码特征序列的字段类型平均权重参数为与所述目标对象相匹配的权重参数；
所述信息处理模块，用于基于与所述目标对象相匹配的权重参数，对所述对象编码特征和行为编码特征分别进行聚类处理；
所述信息处理模块，用于根据所述对象编码特征和行为编码特征的聚类结果，以及相应的筛选条件，确定所述候选对象集合中与所述筛选条件相匹配的目标对象。
13.一种电子设备，其特征在于，所述电子设备包括：
存储器，用于存储可执行指令；
处理器，用于运行所述存储器存储的可执行指令时，实现权利要求1至11任一项所述的目标对象确定方法。
14.一种计算机可读存储介质，存储有可执行指令，其特征在于，所述可执行指令被处理器执行时实现权利要求1至11任一项所述的目标对象确定方法。
CN202010144805.9A 2020-03-04 2020-03-04 目标对象确定方法、装置、电子设备及存储介质 Active CN111367965B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010144805.9A CN111367965B (zh) 2020-03-04 2020-03-04 目标对象确定方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010144805.9A CN111367965B (zh) 2020-03-04 2020-03-04 目标对象确定方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN111367965A CN111367965A (zh) 2020-07-03
CN111367965B true CN111367965B (zh) 2023-05-02

Family

ID=71206592

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010144805.9A Active CN111367965B (zh) 2020-03-04 2020-03-04 目标对象确定方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN111367965B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112215684B (zh) * 2020-10-30 2023-07-14 腾讯科技（深圳）有限公司 一种目标可控制对象的聚类方法及装置
CN112508621A (zh) * 2020-12-15 2021-03-16 航天信息股份有限公司 一种交易分析方法及装置
CN113128592B (zh) * 2021-04-20 2022-10-18 重庆邮电大学 一种用于异构的医疗器械标识解析方法、***及存储介质
CN114417158A (zh) * 2022-01-18 2022-04-29 腾讯科技（深圳）有限公司 数据处理方法、装置、计算机设备及计算机可读存储介质
CN116932766B (zh) * 2023-09-15 2023-12-29 腾讯科技（深圳）有限公司 对象分类方法、装置、设备、存储介质及程序产品

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107767238A (zh) * 2017-11-18 2018-03-06 东北电力大学 一种基于电力交易用户最优特征子集的售电套餐推荐方法
CN109711733A (zh) * 2018-12-28 2019-05-03 上海盛付通电子支付服务有限公司 用于生成聚类模型的方法、电子设备和计算机可读介质
CN110009056A (zh) * 2019-04-15 2019-07-12 秒针信息技术有限公司 一种社交账号的分类方法及分类装置
CN110020124A (zh) * 2017-10-20 2019-07-16 北京京东尚科信息技术有限公司 用于相关产品挖掘的方法及装置
CN110597943A (zh) * 2019-09-16 2019-12-20 腾讯科技（深圳）有限公司 基于人工智能的兴趣点处理方法、装置及电子设备

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2875578A1 (en) * 2014-12-24 2016-06-24 Stephan HEATH Systems, computer media, and methods for using electromagnetic frequency (emf) identification (id) devices for monitoring, collection, analysis, use and tracking of personal, medical, transaction, and location data for one or more individuals

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110020124A (zh) * 2017-10-20 2019-07-16 北京京东尚科信息技术有限公司 用于相关产品挖掘的方法及装置
CN107767238A (zh) * 2017-11-18 2018-03-06 东北电力大学 一种基于电力交易用户最优特征子集的售电套餐推荐方法
CN109711733A (zh) * 2018-12-28 2019-05-03 上海盛付通电子支付服务有限公司 用于生成聚类模型的方法、电子设备和计算机可读介质
CN110009056A (zh) * 2019-04-15 2019-07-12 秒针信息技术有限公司 一种社交账号的分类方法及分类装置
CN110597943A (zh) * 2019-09-16 2019-12-20 腾讯科技（深圳）有限公司 基于人工智能的兴趣点处理方法、装置及电子设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Kynan Eng et al..An Investigation of Collective Human Behavior in Large-Scale Mixed Reality Spaces.《Presence》.2006,第15卷(第4期),403-418. *
车明华.数据挖掘技术在分析型CRM中的应用研究.《中国优秀硕士学位论文全文数据库 信息科技辑》.2008,I138-335. *

Also Published As

Publication number Publication date
CN111367965A (zh) 2020-07-03

Similar Documents

Publication Publication Date Title
CN111367965B (zh) 目标对象确定方法、装置、电子设备及存储介质
CN111401558B (zh) 数据处理模型训练方法、数据处理方法、装置、电子设备
CN111681091B (zh) 基于时间域信息的金融风险预测方法、装置及存储介质
TWI804575B (zh) 確定高風險用戶的方法及裝置、電腦可讀儲存媒體、和計算設備
US11900271B2 (en) Self learning data loading optimization for a rule engine
CN111311409A (zh) 目标对象确定方法、装置、电子设备及存储介质
WO2021254027A1 (zh) 一种可疑社团的识别方法、装置、存储介质和计算机设备
CN111046237B (zh) 用户行为数据处理方法、装置、电子设备及可读介质
CN112529429B (zh) 客户信息校验方法、装置、计算机设备及存储介质
CN111460323B (zh) 基于人工智能的焦点用户挖掘方法和装置
Perez et al. Revisiting transactional statistics of high-scalability blockchains
CN112749827A (zh) 金融信息处理方法、装置、电子设备及存储介质
US20230325592A1 (en) Data management using topic modeling
CN110197426B (zh) 一种信用评分模型的建立方法、装置及可读存储介质
CN112308238A (zh) 解析模型的训练方法、装置、电子设备及存储介质
CN110602215B (zh) 基于联盟区块链的资源处理方法及联盟区块链***
CN111476640A (zh) 认证方法、***、存储介质及大数据认证平台
CN112766560B (zh) 联盟区块链网络优化方法、装置、***和电子设备
Phetsouvanh et al. Analysis of multi‐input multi‐output transactions in the Bitcoin network
CN112989338A (zh) 异常应用数据检测方法、装置、电子设备及存储介质
CN111832661B (zh) 分类模型构建方法、装置、计算机设备及可读存储介质
CN111245815B (zh) 数据处理方法、装置、存储介质及电子设备
CN117151859A (zh) 模型训练及评估方法、相关装置、设备、介质及产品
CN115983907A (zh) 一种数据推荐方法、装置、电子设备及计算机可读介质
Vlahavas et al. Unsupervised clustering of bitcoin transactions

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
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 40025914

Country of ref document: HK

GR01 Patent grant
GR01 Patent grant