CN111460140A - 数据处理方法、装置、电子设备及计算机可读存储介质 - Google Patents
数据处理方法、装置、电子设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN111460140A CN111460140A CN202010148156.XA CN202010148156A CN111460140A CN 111460140 A CN111460140 A CN 111460140A CN 202010148156 A CN202010148156 A CN 202010148156A CN 111460140 A CN111460140 A CN 111460140A
- Authority
- CN
- China
- Prior art keywords
- probability
- target task
- data
- data processing
- processor
- 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
- 238000003672 processing method Methods 0.000 title abstract description 21
- 238000012545 processing Methods 0.000 claims abstract description 189
- 239000013598 vector Substances 0.000 claims description 56
- 238000000034 method Methods 0.000 claims description 42
- 238000000605 extraction Methods 0.000 claims description 40
- 230000004044 response Effects 0.000 claims description 31
- 238000004590 computer program Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 8
- 230000002159 abnormal effect Effects 0.000 description 31
- 238000010586 diagram Methods 0.000 description 6
- 235000012054 meals Nutrition 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
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
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明实施例公开了一种数据处理方法、装置、电子设备及计算机可读存储介质,通过对目标任务信息及对应的第一对象的评论文本进行特征提取以获取目标任务对应的特征向量,并将目标任务对应的特征向量输入至数据处理模型进行处理,以获取第一概率和第二概率,通过判断第一概率和第二概率的大小预测目标任务的类别,输出对应的数据处理结果,由此,可以提高数据处理效率。
Description
技术领域
本发明涉及互联网技术领域,更具体地,涉及一种数据处理方法、装置、电子设备及计算机可读存储介质。
背景技术
随着互联网技术的发展,基于互联网的O2O***(Online To Offline,线上到线下)为生活带来越来越多的便利。目前,在O2O***中,由于各种原因(如天气原因等),任务可能会异常终止或被投诉,因此,如何处理异常任务,是目前亟待解决的问题。
发明内容
有鉴于此,本发明实施例提供一种数据处理方法、装置、电子设备及计算机可读存储介质,以提高数据处理效率。
第一方面,本发明实施例提供一种数据处理方法,所述方法包括:
接收来自终端设备的数据指令;
通过至少一个处理器解析所述数据指令,获取目标任务信息和对应的第一对象的评论文本,所述目标任务信息包括所述目标任务的任务记录、对应的第一对象信息以及第二对象信息;
通过至少一个处理器根据所述目标任务信息和所述评论文本获取所述目标任务对应的特征向量;
通过至少一个处理器将所述特征向量输入至数据处理模型进行处理,以获取第一概率和第二概率,所述第一概率用于表征所述目标任务属于第一类的概率,所述第二概率用于表征所述目标任务属于第二类的概率;
响应于所述第一概率大于或等于第一预定值,通过至少一个处理器发送第一数据处理结果,所述第一数据处理结果包括所述目标任务属于第一类;
响应于所述第二概率大于或等于第二预定值,通过至少一个处理器发送第二数据处理结果,所述第二数据处理结果包括所述目标任务属于第二类。
可选的,通过至少一个处理器根据所述目标任务信息和所述评论文本获取所述目标任务对应的特征向量包括:
对所述目标任务信息进行特征提取以获取第一数据;
对所述评论文本进行特征提取以获取第二数据;
合并所述第一数据和所述第二数据以获取所述目标任务对应的特征向量。
可选的,对所述目标任务信息进行特征提取以获取第一数据包括:
对所述目标任务信息中的离散数据进行onehot编码获取第一子数据;
对所述目标任务信息中的连续数据进行归一化处理获取第二子数据;
合并所述第一子数据和所述第二子数据以获取所述第一数据。
可选的,所述方法还包括:
响应于所述第一概率小于所述第一预定值且所述第二概率小于所述第二预定值,通过至少一个处理器发送第三处理结果。
可选的,所述方法还包括:
响应于所述第一概率大于或等于所述第一预定值且所述第二概率大于或等于所述第二预定值,通过至少一个处理器发送第三处理结果。
可选的,所述方法还包括:
基于数据集训练所述数据处理模型;
其中,所述数据集包括多个历史任务的信息、各所述历史任务对应的第一对象信息和对应的第二对象信息、以及各所述历史任务对应的第一对象的评论文本。
第二方面,本发明实施例提供一种数据处理装置,所述装置包括:
接收单元,被配置为接收来自终端设备的数据指令;
获取单元,被配置为通过至少一个处理器解析所述数据指令,获取目标任务信息和对应的第一对象的评论文本,所述目标任务信息包括所述目标任务的任务记录、对应的第一对象信息以及第二对象信息;
特征提取单元,被配置为通过至少一个处理器根据所述目标任务信息和所述评论文本获取所述目标任务对应的特征向量;
处理单元,被配置为通过至少一个处理器将所述特征向量输入至数据处理模型进行处理,以获取第一概率和第二概率,所述第一概率用于表征所述目标任务属于第一类的概率,所述第二概率用于表征所述目标任务属于第二类的概率;
第一发送单元,被配置为响应于所述第一概率大于或等于第一预定值,通过至少一个处理器发送第一数据处理结果,所述第一数据处理结果包括所述目标任务属于第一类;
第二发送单元,被配置为响应于所述第二概率大于或等于第二预定值,通过至少一个处理器发送第二数据处理结果,所述第二数据处理结果包括所述目标任务属于第二类。
可选的,特征提取单元包括:
第一特征提取子单元,被配置为对所述目标任务信息进行特征提取以获取第一数据;
第二特征提取子单元,被配置为对所述评论文本进行特征提取以获取第二数据;
合并子单元,被配置为合并所述第一数据和所述第二数据以获取所述目标任务对应的特征向量。
可选的,第一特征提取子单元包括:
第一处理模块,被配置为对所述目标任务信息中的离散数据进行onehot编码获取第一子数据;
第二处理模块,被配置为对所述目标任务信息中的连续数据进行归一化处理获取第二子数据;
合并模块,被配置为合并第一子数据和第二子数据以获取所述第一数据。
可选的,所述装置还包括:
第三发送单元,被配置为响应于所述第一概率小于所述第一预定值且所述第二概率小于所述第二预定值,通过至少一个处理器发送第三处理结果。
可选的,所述装置还包括:
第四发送单元,被配置为响应于所述第一概率大于或等于所述第一预定值且所述第二概率大于或等于所述第二预定值,通过至少一个处理器发送第三处理结果。
可选的,所述装置还包括:
训练单元,被配置为基于数据集训练所述数据处理模型;
其中,所述数据集包括多个历史任务的信息、各所述历史任务对应的第一对象信息和对应的第二对象信息、以及各所述历史任务对应的第一对象的评论文本。
第三方面,本发明实施例提供一种电子设备,包括存储器和处理器,所述存储器用于存储一条或多条计算机程序指令,其中,所述一条或多条计算机程序指令被所述处理器执行以实现如上所述的方法。
第四方面,本发明实施例提供一种计算机可读存储介质,其上存储计算机程序指令,所述计算机程序指令在被处理器执行时以实现如上所述的方法。
本发明实施例通过对目标任务信息及对应的第一对象的评论文本进行特征提取以获取目标任务对应的特征向量,并将目标任务对应的特征向量输入至数据处理模型进行处理,以获取第一概率和第二概率,通过判断第一概率和第二概率的大小预测目标任务的类别,输出对应的数据处理结果,由此,可以提高目标任务的分类效率以及数据处理效率。
附图说明
通过以下参照附图对本发明实施例的描述,本发明的上述以及其它目的、特征和优点将更为清楚,在附图中:
图1是本发明实施例的一种数据处理方法的流程图;
图2是本发明实施例的另一种数据处理方法的流程图;
图3是本发明实施例的数据处理方法的数据流向图;
图4是本发明实施例的数据处理装置的示意图;
图5是本发明实施例的电子设备的示意图。
具体实施方式
以下基于实施例对本发明进行描述,但是本发明并不仅仅限于这些实施例。在下文对本发明的细节描述中,详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明。为了避免混淆本发明的实质,公知的方法、过程、流程、元件和电路并没有详细叙述。
此外,本领域普通技术人员应当理解,在此提供的附图都是为了说明的目的,并且附图不一定是按比例绘制的。
除非上下文明确要求,否则在说明书的“包括”、“包含”等类似词语应当解释为包含的含义而不是排他或穷举的含义;也就是说,是“包括但不限于”的含义。
在本发明的描述中,需要理解的是,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性。此外,在本发明的描述中,除非另有说明,“多个”的含义是两个或两个以上。
图1是本发明实施例的数据处理方法的流程图。如图1所示,本发明实施例的数据处理方法包括以下步骤:
步骤S110,接收来自终端设备的数据指令。终端设备接收到数据处理任务请求时,发送对应的数据指令。
步骤S120,通过至少一个处理器解析所述数据指令,获取目标任务信息和对应的第一对象的评论文本。目标任务信息包括目标任务的任务记录、对应的第一对象信息以及第二对象信息。
在一种可选的实现方式中,本实施例的目标任务为异常任务,也即任务在完成前被中止或完成后被投诉的任务。上述数据处理任务请求可以为仲裁处理请求。以异常任务为例,目标任务的任务记录可以包括任务内容、初始时间、结束时间、环境信息(天气或路况等信息)及配送信息中的一项或多项。对应的第一对象信息可以包括第一对象的身份信息(例如是否为会员)、历史任务信息、信用信息、历史评论文本及历史异常任务信息中的一项或多项。第二对象信息可以包括历史任务信息、历史异常任务信息、历史被评论文本及信用信息中的一项或多项。其中,异常任务包括被取消任务和被投诉任务,评论文本包括被取消任务的取消理由、被投诉任务的投诉理由和之后对该任务的评论文本等。
以异常任务为异常外卖任务为例,目标任务的任务记录可以包括餐品信息、下单时间、接单时间、取餐时间、送达时间(或取消外卖任务时间)、配送信息及环境信息。其中,配送信息可以包括配送资源属性信息(平台配送或商户自配送)、配送资源的信用信息、送单量信息及历史评价信息等。对应的第一对象为订餐用户,第一对象信息可以包括订餐用户的身份信息(例如是否为会员)、历史任务信息、信用信息、历史评论文本及历史异常任务信息中的一项或多项。第二对象为商户,第二对象信息可以包括历史任务信息、历史异常任务信息、历史被评论文本及信用信息中的一项或多项。应理解,上述以外卖任务为例进行详细描述,但本实施例并不限制目标任务的类型,任意由多方形成的任务,例如网上购物、打车服务等均可应用本实施例的数据处理方法。
步骤S130,通过至少一个处理器根据目标任务信息和第一对象的评论文本获取目标任务对应的特征向量。
在一种可选的实现方式中,步骤S300可以包括对目标任务信息进行特征提取以获取第一数据,对第一对象的评论文本进行特征提取以获取第二数据,合并第一数据和第二数据以获取目标任务对应的特征向量。可选的,将第一数据和第二数据进行前后拼接以获取目标任务对应的特征向量。
目标任务信息包括离散数据和连续数据。离散数据指数值只能用自然数或整数单位计算的数据,离散数据的数值一般用计数方法获得。连续数据指在一定区间内可以任意取值、相邻两个数值可作无线分割的数据,连续数据的数值是连续不断的、其数值采用测量或计量的方法获得。在本实施例中,通过对目标任务信息中的离散数据和连续数据进行不同的处理以进一步提高数据处理效率。
在一种可选的实现方式中,对目标任务信息中的离散数据进行onehot编码获取第一子数据,对目标任务信息中的连续数据进行归一化处理获取第二子数据,合并第一子数据和第二子数据以获取所述第一数据。
在本实施中,对离线数据采用onehot编码方法进行处理,onehot编码方法的基本思想为:将离散数据的每一种取值都看成一种状态,例如,在历史任务中有两个状态,即正常历史任务和异常历史任务,onehot编码保证每一个取值只会使得一种状态处于“激活态”,也就是说,离散数据的多个状态中只有一个状态位值为1,其他状态位都为0。例如,对于历史任务信息采用onehot编码可以为:正常历史任务—[1,0],异常历史任务—[0,1]。由此,可以将目标任务信息中的离散数据进行onehot编码,以获取第一数据。应理解,目标任务信息中的离散数据还可以采用其他编码方式(例如哑变量编码)进行编码,本实施例并不对此进行限制。
在一种可选的实现方式中,可以采用词向量技术(word2vec)、神经网络语言模型、C&M(context&word,上下文和目标词)、CBOW(Continuous Bag of Words)模型或Skip-gram模型等对第一对象的评论文本进行向量化以获取第二数据。
步骤S140,通过至少一个处理器将目标任务对应的特征向量输入至数据处理模型进行处理,以获取第一概率和第二概率。其中,第一概率用于表征目标任务属于第一类的概率,第二概率用于表征目标任务属于第二类的概率。可选的,可以采用第一值(例如第一值为1)表征目标任务属于第一类、采用第二值(例如第二值为0)表征目标任务属于第二类。可选的,目标任务为异常任务(也即被取消或被投诉的任务),目标任务属于第一类可以为:目标任务应当为正常任务,也即该目标任务的仲裁结果为仲裁通过,被投诉方不负有责任。目标任务属于第二类可以为:目标任务被确定为异常任务,也即该目标任务的仲裁结果为不通过,被投诉方应当承担相应责任。以异常任务为异常外卖任务,在外卖任务完成后,由于送达时间比预计时间延长半小时,用户进行投诉。配送资源(或商户)通过配送资源终端(或商户终端)对该异常外卖任务申请仲裁,则可根据获取的该异常外卖任务的信息及用户的评论文本获取该异常外卖任务对应的特征向量,并将该特征向量输入至训练好的数据处理模型中进行处理,以获取仲裁通过(也即目标任务属于第一类)的概率和仲裁不通过(也即目标任务属于第二类)的概率,根据概率预测此次仲裁结果(也即目标任务的类别)。由此,本实施例可以通过机器自动预测异常任务的仲裁结果,提高了处理效率。
步骤S150,响应于第一概率大于或等于第一预定值,通过至少一个处理器发送第一数据处理结果,响应于第二概率大于或等于第二预定值,通过至少一个处理器发送第二数据处理结果。其中,第一数据处理结果包括目标任务属于第一类,第二数据处理结果包括目标任务属于第二类。
在一种可选的实现方式中,响应于第一概率大于或等于第一预定值且第二概率小于第二预定值,通过至少一个处理器发送第一数据处理结果,响应于第二概率大于或等于第二预定值且第一概率小于第一预定值,通过至少一个处理器发送第二数据处理结果。
以异常任务的仲裁处理为例,目标任务属于第一类表征异常任务的仲裁通过,目标任务属于第二类表征异常任务的仲裁不通过。在数据处理模型输出的第一概率大于或等于第一预定值且第二概率小于第二预定值时,则发送目标任务属于第一类(也即仲裁通过)的数据处理结果。在数据处理模型输出的第二概率大于或等于第二预定值且第一概率小于第一预定值时,则发送目标任务属于第二类(仲裁不通过)的数据处理结果。可选的,第一预定值为0.9,第二预定值为0.9。
在一种可选的实现方式中,本实施例的数据处理方法还包括:响应于所述第一概率小于所述第一预定值且所述第二概率小于所述第二预定值(或响应于所述第一概率大于所述第一预定值且所述第二概率大于所述第二预定值),通过至少一个处理器发送第三处理结果。可选的,所述第三数据处理结果包括所述目标任务属于第三类。在数据处理任务为仲裁任务时,目标任务属于第三类表征无法确定仲裁结果,需通过其他方式(例如人工仲裁)再次进行仲裁。以异常任务的仲裁处理为例,数据处理模型输出的第一概率小于第一预定值且第二概率小于第二预定值时,或者数据处理模型输出的第一概率大于第一预定值且第二概率大于第二预定值时,则输出无法预测仲裁结果的数据处理结果。此时,在收到该数据处理结果后,可以将异常任务的仲裁处理转至人工处理环节。
在一种可选的实现方式中,本实施例的数据处理方法还包括:基于标记的数据集训练所述数据处理模型。其中,数据集包括多个历史任务的信息、各所述历史任务对应的第一对象信息和对应的第二对象信息、以及各所述历史任务对应的第一对象的评论文本。其中,数据集中的历史任务为经过仲裁处理的历史任务。在数据集中,对各历史任务的数据处理结果进行标记,例如,对第一类的历史任务(也即仲裁通过的历史任务)标记第一值(例如1),对第二类的历史任务(也即仲裁未通过的历史任务)标记第二值(例如0)。在本实施例中,通过获取各历史任务对应的特征向量,并将各特征向量输入至数据处理模型中进行训练,以调整数据处理模型的参数,从而对于标记为第一历史任务,数据处理模型输出的第一概率大于或等于第一预定值,输出的第二概率小于第二预定值,对于标记为第二历史任务,数据处理模型输出的第二概率大于或等于第二预定值,输出的第一概率小于第一预定值,由此,训练后的数据处理模型能够较为准确地预测当前目标任务的类别,也即能够较为准确地预测当前目标任务的仲裁处理能否被仲裁通过,提高了仲裁效率。
在本实施例中,获取各历史任务对应的特征向量的方法与上述获取目标任务对应的特征向量的方法类似,在此不再赘述。
本发明实施例通过对目标任务信息及对应的第一对象的评论文本进行特征提取以获取目标任务对应的特征向量,并将目标任务对应的特征向量输入至数据处理模型进行处理,以获取第一概率和第二概率,通过判断第一概率和第二概率的大小预测目标任务的类别,输出对应的数据处理结果,由此,可以提高数据处理效率。
图2是本发明实施例的另一种数据处理方法的流程图。如图2所示,本实施例的数据处理方法包括以下步骤:
步骤S210,接收来自终端设备的数据指令。终端设备接收到数据处理任务时,发送对应的数据指令。
步骤S220,通过至少一个处理器解析所述数据指令,获取目标任务信息和对应的第一对象的评论文本。目标任务信息包括目标任务的任务记录、对应的第一对象信息以及第二对象信息。
步骤S230,通过至少一个处理器根据目标任务信息和第一对象的评论文本获取目标任务对应的特征向量。
在一种可选的实现方式中,步骤S300可以包括对目标任务信息进行特征提取以获取第一数据,对第一对象的评论文本进行特征提取以获取第二数据,合并第一数据和第二数据以获取目标任务对应的特征向量。可选的,将第一数据和第二数据进行前后拼接以获取目标任务对应的特征向量。可选的,对目标任务信息中的离散数据进行onehot编码获取第一子数据,对目标任务信息中的连续数据进行归一化处理获取第二子数据,合并第一子数据和第二子数据以获取所述第一数据。由此,在本实施例中,通过对目标任务信息中的离散数据和连续数据进行不同的处理以进一步提高数据处理效率。可选的,可以采用词向量技术(word2vec)、神经网络语言模型、C&M(context&word,上下文和目标词)、CBOW(Continuous Bag of Words)模型或Skip-gram模型等对第一对象的评论文本进行向量化以获取第二数据。
步骤S240,通过至少一个处理器将目标任务对应的特征向量输入至数据处理模型进行处理,以获取第一概率和第二概率。其中,第一概率用于表征目标任务属于第一类的概率,第二概率用于表征目标任务属于第二类的概率。可选的,可以采用第一值(例如第一值为1)表征目标任务属于第一类、采用第二值(例如第二值为0)表征目标任务属于第二类。可选的,目标任务为异常任务(也即被取消或被投诉的任务),目标任务属于第一类可以为:目标任务应当为正常任务,也即该目标任务的仲裁结果为仲裁通过,被投诉方不负有责任。目标任务属于第二类可以为:目标任务被确定为异常任务,也即该目标任务的仲裁结果为不通过,被投诉方应当承担相应责任。在本实施例中,步骤S210-步骤S240与步骤S110-步骤S140类似,在此不再进行具体描述。
步骤S250,判断第一概率是否小于第一预定值,若第一概率不小于第一预定值,执行步骤S260,若第一概率小于第一预定值,执行步骤S270。
步骤S260,判断第二概率是否小于第二预定值,若第二概率小于第二预定值,执行步骤S280,若第二概率不小于第一预定值,执行步骤S290。
步骤S280,发送第一数据处理结果,其中,第一数据处理结果包括目标任务属于第一类。也就是说,在第一概率不小于第一预定值且第二概率小于第二预定值时,发送第一数据处理结果。以异常任务的仲裁处理为例,在数据处理模型输出的第一概率大于或等于第一预定值且第二概率小于第二预定值时,发送仲裁通过(也即目标任务属于第一类)的数据处理结果。
步骤S270,判断第二概率是否小于第二预定值,若第二概率小于第二预定值,执行步骤S290,若第二概率不小于第一预定值,执行步骤S2A0。
步骤S290,发送第三数据处理结果。也就是说,在第一概率不小于第一预定值且第二概率不小于第二预定值,或者第一概率小于第一预定值且第二概率小于第二预定值时,发送第三数据处理结果。以异常任务的仲裁处理为例,在数据处理模型输出的第一概率不小于第一预定值且第二概率不小于第二预定值时,或者数据处理模型输出的第一概率不小于第一预定值且第二概率不小于第二预定值时,则输出无法预测仲裁结果的数据处理结果。此时,在收到该数据处理结果后,可以将异常任务的仲裁处理转至人工处理环节。由此,本实施例无需将所有仲裁任务均通过人工进行处理,提高了处理效率,节省了人力。
步骤S2A0,发送第二数据处理结果,其中,第二数据处理结果包括目标任务属于第二类。也就是说,在第一概率小于第一预定值且第二概率不小于第二预定值时,发送第二数据处理结果。以异常任务的仲裁处理为例,在数据处理模型输出的第一概率小于第一预定值且第二概率不小于第二预定值时,发送仲裁未通过(也即目标任务属于第二类)的数据处理结果。可选的,第一预定值为0.9,第二预定值为0.9。
本发明实施例通过对目标任务信息及对应的第一对象的评论文本进行特征提取以获取目标任务对应的特征向量,并将目标任务对应的特征向量输入至数据处理模型进行处理,以获取第一概率和第二概率,通过判断第一概率和第二概率的大小预测目标任务的类别,输出对应的数据处理结果,由此,本实施例可以根据数据处理模型对用户、商户、配送资源等提出的仲裁处理进行预测,以提高仲裁处理效率,减低人力需求。
图3是本发明实施例的数据处理方法的数据流向图。如图3所示,在本实施例中,在接收到仲裁请求(也即上述数据指令)后,获取目标任务信息31和目标任务对应的第一对象的评论文本32。其中,目标任务信息31包括目标任务的任务记录、第一对象信息和第二对象信息。以外卖任务为例,目标任务的任务记录可以包括餐品信息、配送信息及配送过程中的时间信息等。第一对象为订餐用户,第一对象信息可以包括订餐用户的身份信息、历史任务信息、历史异常任务信息(取消或投诉任务)、历史评论文本及信用信息等。第二对象为商户,第二对象信息可以包括历史任务信息、历史异常任务信息(被取消或被投诉任务)、历史被评论文本及信用信息等。第一对象的评论文本32可以包括取消或投诉任务的原因等,例如配送严重超时等。本实施例以外卖任务为例进行描述,应理解,本实施例还可以用于其他领域,例如在购物平台中,买家退货、投诉卖家或投诉配送方等,在网上约车中,取消约车或投诉司机等,本发明实施例并不对此进行限制。
在本实施例中,通过onehot编码对目标任务信息中的离散数据进行编码获取第一子数据,对目标任务信息中的连续数据进行归一化处理获取第二子数据,合并第一子数据和第二子数据以获取第一数据,基于CBOW模型对第一对象的评论文本进行向量化以获取第二数据,将第一数据和第二数据进行拼接合并以获取目标任务对应的特征向量。
在本实施例中,将目标任务对应的特征向量输入至预先训练好的数据处理模型33中进行处理,输出第一概率和第二概率。其中,第一概率用于表征目标任务属于第一类的概率,第二概率用于表征目标任务属于第二类的概率。然后将第一概率和第二概率输入至确定单元34,确定单元34根据第一概率和第二概率预测目标任务的分类结果,也即仲裁结果。其中,确定单元34在第一概率不小于第一预定值且第二概率小于第二预定值时确定仲裁通过,在第一概率小于第一预定值且第二概率不小于第二预定值时确定仲裁不通过,在第一概率不小于第一预定值且第二概率不小于第二预定值,或者第一概率小于第一预定值且第二概率小于第二预定值时输出无法确定仲裁结果。
在本实施例中,数据处理模型根据预先标记的训练集进行训练。数据集包括多个经过仲裁处理的历史任务的信息、各所述历史任务对应的第一对象信息和对应的第二对象信息、以及各所述历史任务对应的第一对象的评论文本。在数据集中,对各历史任务的数据处理结果进行标记,例如,对仲裁通过的历史任务标记第一值(例如1),对仲裁未通过的历史任务标记第二值(例如0)。在本实施例中,通过获取各历史任务对应的特征向量,并将各特征向量输入至数据处理模型中进行训练,以调整数据处理模型的参数,从而对于标记为第一历史任务,数据处理模型输出的第一概率大于或等于第一预定值,输出的第二概率小于第二预定值,对于标记为第二历史任务,数据处理模型输出的第二概率大于或等于第二预定值,输出的第一概率小于第一预定值,由此,训练后的数据处理模型能够较为准确地预测当前目标任务的类别,也即能够较为准确地预测当前目标任务的仲裁处理能否被仲裁通过,提高了仲裁效率。
本发明实施例通过对目标任务信息及对应的第一对象的评论文本进行特征提取以获取目标任务对应的特征向量,并将目标任务对应的特征向量输入至数据处理模型进行处理,以获取第一概率和第二概率,通过判断第一概率和第二概率的大小预测目标任务的类别,输出对应的数据处理结果,由此,本实施例可以根据数据处理模型对用户、商户、配送资源等提出的仲裁处理进行预测,以提高仲裁处理效率,减低人力需求。
图4是本发明实施例的数据处理装置的示意图。如图4所示,本实施例的数据处理装置4包括接收单元41、获取单元42、特征提取单元43、处理单元44、第一发送单元45和第二发送单元46。
接收单元41被配置为接收来自终端设备的数据指令。获取单元42被配置为通过至少一个处理器解析所述数据指令,获取目标任务信息和对应的第一对象的评论文本,所述目标任务信息包括所述目标任务的任务记录、对应的第一对象信息以及第二对象信息。
特征提取单元43被配置为通过至少一个处理器根据所述目标任务信息和所述评论文本获取所述目标任务对应的特征向量。在一种可选的实现方式中,特征提取单元43包括第一特征提取子单元431、第二特征提取子单元432以及合并子单元433。第一特征提取子单元431被配置为对所述目标任务信息进行特征提取以获取第一数据。第二特征提取子单元432被配置为对所述评论文本进行特征提取以获取第二数据。合并子单元433被配置为合并所述第一数据和所述第二数据以获取所述目标任务对应的特征向量。
在一种可选的实现方式中,第一特征提取子单元431包括第一处理模块4311、第二处理模块4312和合并模块4313。第一处理模块4311被配置为对所述目标任务信息中的离散数据进行onehot编码获取第一子数据。第二处理模块4312被配置为对所述目标任务信息中的连续数据进行归一化处理获取第二子数据。合并模块4313被配置为合并第一子数据和第二子数据以获取所述第一数据。
处理单元44被配置为通过至少一个处理器将所述特征向量输入至数据处理模型进行处理,以获取第一概率和第二概率,所述第一概率用于表征所述目标任务属于第一类的概率,所述第二概率用于表征所述目标任务属于第二类的概率。
第一发送单元45被配置为响应于所述第一概率大于或等于第一预定值,通过至少一个处理器发送第一数据处理结果,所述第一数据处理结果包括所述目标任务属于第一类。可选的,第一发送单元45进一步被配置为响应于所述第一概率大于或等于第一预定值且所述第二概率小于第二预定值,通过至少一个处理器发送第一数据处理结果。
第二发送单元46被配置为响应于所述第二概率大于或等于第二预定值,通过至少一个处理器发送第二数据处理结果,所述第二数据处理结果包括所述目标任务属于第二类。可选的,第二发送单元46进一步被配置为响应于所述第二概率大于或等于第二预定值且所述第一概率小于第一预定值,通过至少一个处理器发送第一数据处理结果。
在一种可选的实现方式中,数据处理装置4还包括第三发送单元47。第三发送单元47被配置为响应于所述第一概率小于所述第一预定值且所述第二概率小于所述第二预定值,通过至少一个处理器发送第三处理结果。可选的,所述第三数据处理结果包括所述目标任务属于第三类。在数据处理任务为仲裁任务时,目标任务属于第三类表征无法确定仲裁结果,需通过其他方式(例如人工仲裁)再次进行仲裁。
在一种可选的实现方式中,数据处理装置4还包括第四发送单元48。第四发送单元48被配置为响应于所述第一概率大于或等于所述第一预定值且所述第二概率大于或等于所述第二预定值,通过至少一个处理器发送第三处理结果。
在一种可选的实现方式中,数据处理装置4还包括训练单元49。训练单元49被配置为基于数据集训练所述数据处理模型。其中,所述数据集包括多个历史任务的信息、各所述历史任务对应的第一对象信息和对应的第二对象信息、以及各所述历史任务对应的第一对象的评论文本。
本发明实施例通过对目标任务信息及对应的第一对象的评论文本进行特征提取以获取目标任务对应的特征向量,并将目标任务对应的特征向量输入至数据处理模型进行处理,以获取第一概率和第二概率,通过判断第一概率和第二概率的大小预测目标任务的分类,输出对应的数据处理结果,由此,本实施例可以根据数据处理模型对用户、商户、配送资源等提出的仲裁处理进行预测,以提高仲裁处理效率,减低人力需求。
图5是本发明实施例的电子设备的示意图。在本实施例中,电子设备5包括服务器、终端等。如图5所示,该电子设备5:至少包括一个处理器51;以及,与至少一个处理器51通信连接的存储器52;以及,与扫描装置通信连接的通信组件53,通信组件53在处理器51的控制下接收和发送数据;其中,存储器52存储有可被至少一个处理器51执行的指令,指令被至少一个处理器51执行以实现上述数据处理方法。
具体地,该电子设备包括:一个或多个处理器51以及存储器52,图5中以一个处理器51为例。处理器51、存储器52可以通过总线或者其他方式连接,图5中以通过总线连接为例。存储器52作为一种非易失性计算机可读存储介质,可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块。处理器51通过运行存储在存储器52中的非易失性软件程序、指令以及模块,从而执行设备的各种功能应用以及数据处理,即实现上述数据处理方法。
存储器52可以包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需要的应用程序;存储数据区可存储选项列表等。此外,存储器52可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中,存储器52可选包括相对于处理器51远程设置的存储器,这些远程存储器可以通过网络连接至外接设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
一个或者多个模块存储在存储器52中,当被一个或者多个处理器51执行时,执行上述任意方法实施例中的数据处理方法。
上述产品可执行本申请实施例所提供的方法,具备执行方法相应的功能模块和有益效果,未在本实施例中详尽描述的技术细节,可参见本申请实施例所提供的方法。
本发明实施例通过对目标任务信息及对应的第一对象的评论文本进行特征提取以获取目标任务对应的特征向量,并将目标任务对应的特征向量输入至数据处理模型进行处理,以获取第一概率和第二概率,通过判断第一概率和第二概率的大小输出对应的数据处理结果,由此,本实施例可以根据数据处理模型对用户、商户、配送资源等提出的仲裁处理进行预测,以提高仲裁处理效率,减低人力需求。
本发明的另一个实施例涉及一种非易失性存储介质,用于存储计算机可读程序,所述计算机可读程序用于供计算机执行上述部分或全部的方法实施例。
即,本领域技术人员可以理解,实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序存储在一个存储介质中,包括若干指令用以使得一个设备(可以是单片机,芯片等)或处理器(processor)执行本申请各实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明实施例公开了A1、一种数据处理方法,其中,所述方法包括:
接收来自终端设备的数据指令;
通过至少一个处理器解析所述数据指令,获取目标任务信息和对应的第一对象的评论文本,所述目标任务信息包括所述目标任务的任务记录、对应的第一对象信息以及第二对象信息;
通过至少一个处理器根据所述目标任务信息和所述评论文本获取所述目标任务对应的特征向量;
通过至少一个处理器将所述特征向量输入至数据处理模型进行处理,以获取第一概率和第二概率,所述第一概率用于表征所述目标任务属于第一类的概率,所述第二概率用于表征所述目标任务属于第二类的概率;
响应于所述第一概率大于或等于第一预定值,通过至少一个处理器发送第一数据处理结果,所述第一数据处理结果包括所述目标任务属于第一类;
响应于所述第二概率大于或等于第二预定值,通过至少一个处理器发送第二数据处理结果,所述第二数据处理结果包括所述目标任务属于第二类。
A2、根据A1所述的方法,其中,通过至少一个处理器根据所述目标任务信息和所述评论文本获取所述目标任务对应的特征向量包括:
对所述目标任务信息进行特征提取以获取第一数据;
对所述评论文本进行特征提取以获取第二数据;
合并所述第一数据和所述第二数据以获取所述目标任务对应的特征向量。
A3、根据A2所述的方法,其中,对所述目标任务信息进行特征提取以获取第一数据包括:
对所述目标任务信息中的离散数据进行onehot编码获取第一子数据;
对所述目标任务信息中的连续数据进行归一化处理获取第二子数据;
合并所述第一子数据和所述第二子数据以获取所述第一数据。
A4、根据A1所述的方法,其中,所述方法还包括:
响应于所述第一概率小于所述第一预定值且所述第二概率小于所述第二预定值,通过至少一个处理器发送第三处理结果。
A5、根据A1所述的方法,其中,所述方法还包括:
响应于所述第一概率大于或等于所述第一预定值且所述第二概率大于或等于所述第二预定值,通过至少一个处理器发送第三处理结果。
A6、根据A1-A5中任一项所述的方法,其中,所述方法还包括:
基于数据集训练所述数据处理模型;
其中,所述数据集包括多个历史任务的信息、各所述历史任务对应的第一对象信息和对应的第二对象信息、以及各所述历史任务对应的第一对象的评论文本。
本发明实施例公开了B1、一种数据处理装置,其中,所述装置包括:
接收单元,被配置为接收来自终端设备的数据指令;
获取单元,被配置为通过至少一个处理器解析所述数据指令,获取目标任务信息和对应的第一对象的评论文本,所述目标任务信息包括所述目标任务的任务记录、对应的第一对象信息以及第二对象信息;
特征提取单元,被配置为通过至少一个处理器根据所述目标任务信息和所述评论文本获取所述目标任务对应的特征向量;
处理单元,被配置为通过至少一个处理器将所述特征向量输入至数据处理模型进行处理,以获取第一概率和第二概率,所述第一概率用于表征所述目标任务属于第一类的概率,所述第二概率用于表征所述目标任务属于第二类的概率;
第一发送单元,被配置为响应于所述第一概率大于或等于第一预定值,通过至少一个处理器发送第一数据处理结果,所述第一数据处理结果包括所述目标任务属于第一类;
第二发送单元,被配置为响应于所述第二概率大于或等于第二预定值,通过至少一个处理器发送第二数据处理结果,所述第二数据处理结果包括所述目标任务属于第二类。
B2、根据B1所述的装置,其中,特征提取单元包括:
第一特征提取子单元,被配置为对所述目标任务信息进行特征提取以获取第一数据;
第二特征提取子单元,被配置为对所述评论文本进行特征提取以获取第二数据;
合并子单元,被配置为合并所述第一数据和所述第二数据以获取所述目标任务对应的特征向量。
B3、根据B2所述的装置,其中,第一特征提取子单元包括:
第一处理模块,被配置为对所述目标任务信息中的离散数据进行onehot编码获取第一子数据;
第二处理模块,被配置为对所述目标任务信息中的连续数据进行归一化处理获取第二子数据;
合并模块,被配置为合并第一子数据和第二子数据以获取所述第一数据。
B4、根据B1所述的装置,其中,所述装置还包括:
第三发送单元,被配置为响应于所述第一概率小于所述第一预定值且所述第二概率小于所述第二预定值,通过至少一个处理器发送第三处理结果。
B5、根据B1所述的装置,其中,所述装置还包括:
第四发送单元,被配置为响应于所述第一概率大于或等于所述第一预定值且所述第二概率大于或等于所述第二预定值,通过至少一个处理器发送第三处理结果。
B6、根据B1-B5中任一项所述的装置,其中,所述装置还包括:
训练单元,被配置为基于数据集训练所述数据处理模型;
其中,所述数据集包括多个历史任务的信息、各所述历史任务对应的第一对象信息和对应的第二对象信息、以及各所述历史任务对应的第一对象的评论文本。
本发明实施例还公开了C1、一种电子设备,包括存储器和处理器,其中,所述存储器用于存储一条或多条计算机程序指令,其中,所述一条或多条计算机程序指令被所述处理器执行以实现如A1-A6中任一项所述的方法。
本发明实施例还公开了C1、一种计算机可读存储介质,其上存储计算机程序指令,其中,所述计算机程序指令在被处理器执行时以实现如A1-A6中任一项所述的方法。
以上所述仅为本发明的优选实施例,并不用于限制本发明,对于本领域技术人员而言,本发明可以有各种改动和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种数据处理方法,其特征在于,所述方法包括:
接收来自终端设备的数据指令;
通过至少一个处理器解析所述数据指令,获取目标任务信息和对应的第一对象的评论文本,所述目标任务信息包括所述目标任务的任务记录、对应的第一对象信息以及第二对象信息;
通过至少一个处理器根据所述目标任务信息和所述评论文本获取所述目标任务对应的特征向量;
通过至少一个处理器将所述特征向量输入至数据处理模型进行处理,以获取第一概率和第二概率,所述第一概率用于表征所述目标任务属于第一类的概率,所述第二概率用于表征所述目标任务属于第二类的概率;
响应于所述第一概率大于或等于第一预定值,通过至少一个处理器发送第一数据处理结果,所述第一数据处理结果包括所述目标任务属于第一类;
响应于所述第二概率大于或等于第二预定值,通过至少一个处理器发送第二数据处理结果,所述第二数据处理结果包括所述目标任务属于第二类。
2.根据权利要求1所述的方法,其特征在于,通过至少一个处理器根据所述目标任务信息和所述评论文本获取所述目标任务对应的特征向量包括:
对所述目标任务信息进行特征提取以获取第一数据;
对所述评论文本进行特征提取以获取第二数据;
合并所述第一数据和所述第二数据以获取所述目标任务对应的特征向量。
3.根据权利要求2所述的方法,其特征在于,对所述目标任务信息进行特征提取以获取第一数据包括:
对所述目标任务信息中的离散数据进行onehot编码获取第一子数据;
对所述目标任务信息中的连续数据进行归一化处理获取第二子数据;
合并所述第一子数据和所述第二子数据以获取所述第一数据。
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:
响应于所述第一概率小于所述第一预定值且所述第二概率小于所述第二预定值,通过至少一个处理器发送第三处理结果。
5.根据权利要求1所述的方法,其特征在于,所述方法还包括:
响应于所述第一概率大于或等于所述第一预定值且所述第二概率大于或等于所述第二预定值,通过至少一个处理器发送第三处理结果。
6.根据权利要求1-5中任一项所述的方法,其特征在于,所述方法还包括:
基于数据集训练所述数据处理模型;
其中,所述数据集包括多个历史任务的信息、各所述历史任务对应的第一对象信息和对应的第二对象信息、以及各所述历史任务对应的第一对象的评论文本。
7.一种数据处理装置,其特征在于,所述装置包括:
接收单元,被配置为接收来自终端设备的数据指令;
获取单元,被配置为通过至少一个处理器解析所述数据指令,获取目标任务信息和对应的第一对象的评论文本,所述目标任务信息包括所述目标任务的任务记录、对应的第一对象信息以及第二对象信息;
特征提取单元,被配置为通过至少一个处理器根据所述目标任务信息和所述评论文本获取所述目标任务对应的特征向量;
处理单元,被配置为通过至少一个处理器将所述特征向量输入至数据处理模型进行处理,以获取第一概率和第二概率,所述第一概率用于表征所述目标任务属于第一类的概率,所述第二概率用于表征所述目标任务属于第二类的概率;
第一发送单元,被配置为响应于所述第一概率大于或等于第一预定值,通过至少一个处理器发送第一数据处理结果,所述第一数据处理结果包括所述目标任务属于第一类;
第二发送单元,被配置为响应于所述第二概率大于或等于第二预定值,通过至少一个处理器发送第二数据处理结果,所述第二数据处理结果包括所述目标任务属于第二类。
8.根据权利要求7所述的装置,其特征在于,特征提取单元包括:
第一特征提取子单元,被配置为对所述目标任务信息进行特征提取以获取第一数据;
第二特征提取子单元,被配置为对所述评论文本进行特征提取以获取第二数据;
合并子单元,被配置为合并所述第一数据和所述第二数据以获取所述目标任务对应的特征向量。
9.一种电子设备,包括存储器和处理器,其特征在于,所述存储器用于存储一条或多条计算机程序指令,其中,所述一条或多条计算机程序指令被所述处理器执行以实现如权利要求1-6中任一项所述的方法。
10.一种计算机可读存储介质,其上存储计算机程序指令,其特征在于,所述计算机程序指令在被处理器执行时以实现如权利要求1-6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010148156.XA CN111460140A (zh) | 2020-03-05 | 2020-03-05 | 数据处理方法、装置、电子设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010148156.XA CN111460140A (zh) | 2020-03-05 | 2020-03-05 | 数据处理方法、装置、电子设备及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111460140A true CN111460140A (zh) | 2020-07-28 |
Family
ID=71683228
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010148156.XA Pending CN111460140A (zh) | 2020-03-05 | 2020-03-05 | 数据处理方法、装置、电子设备及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111460140A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106897113A (zh) * | 2017-02-23 | 2017-06-27 | 郑州云海信息技术有限公司 | 一种虚拟化主机运行状况预测的方法以及装置 |
CN107688564A (zh) * | 2017-08-31 | 2018-02-13 | 平安科技(深圳)有限公司 | 新闻主体企业识别方法、电子设备及计算机可读存储介质 |
CN108108348A (zh) * | 2017-11-17 | 2018-06-01 | 腾讯科技(成都)有限公司 | 信息的处理方法、服务器、存储介质和电子装置 |
CN109241418A (zh) * | 2018-08-22 | 2019-01-18 | 中国平安人寿保险股份有限公司 | 基于随机森林的异常用户识别方法及装置、设备、介质 |
CN109903095A (zh) * | 2019-03-01 | 2019-06-18 | 上海拉扎斯信息科技有限公司 | 数据处理方法、装置、电子设备及计算机可读存储介质 |
CN110378529A (zh) * | 2019-07-17 | 2019-10-25 | 拉扎斯网络科技(上海)有限公司 | 一种数据生成的方法、装置、可读存储介质和电子设备 |
CN110689254A (zh) * | 2019-09-23 | 2020-01-14 | 拉扎斯网络科技(上海)有限公司 | 数据处理方法、装置、电子设备和计算机可读存储介质 |
-
2020
- 2020-03-05 CN CN202010148156.XA patent/CN111460140A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106897113A (zh) * | 2017-02-23 | 2017-06-27 | 郑州云海信息技术有限公司 | 一种虚拟化主机运行状况预测的方法以及装置 |
CN107688564A (zh) * | 2017-08-31 | 2018-02-13 | 平安科技(深圳)有限公司 | 新闻主体企业识别方法、电子设备及计算机可读存储介质 |
CN108108348A (zh) * | 2017-11-17 | 2018-06-01 | 腾讯科技(成都)有限公司 | 信息的处理方法、服务器、存储介质和电子装置 |
CN109241418A (zh) * | 2018-08-22 | 2019-01-18 | 中国平安人寿保险股份有限公司 | 基于随机森林的异常用户识别方法及装置、设备、介质 |
CN109903095A (zh) * | 2019-03-01 | 2019-06-18 | 上海拉扎斯信息科技有限公司 | 数据处理方法、装置、电子设备及计算机可读存储介质 |
CN110378529A (zh) * | 2019-07-17 | 2019-10-25 | 拉扎斯网络科技(上海)有限公司 | 一种数据生成的方法、装置、可读存储介质和电子设备 |
CN110689254A (zh) * | 2019-09-23 | 2020-01-14 | 拉扎斯网络科技(上海)有限公司 | 数据处理方法、装置、电子设备和计算机可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110400219B (zh) | 业务处理方法及***、交易监控方法及*** | |
CN109635292B (zh) | 基于机器学习算法的工单质检方法和装置 | |
CN110097451B (zh) | 一种银行业务的监控方法及装置 | |
CN110009155B (zh) | 业务区域配送难度的估计方法、装置和电子设备 | |
CN108805332B (zh) | 一种特征评估方法和装置 | |
CN111539780A (zh) | 一种任务处理方法、装置、存储介质和电子设备 | |
CN108234441B (zh) | 确定伪造访问请求的方法、装置、电子设备和存储介质 | |
CN112860676A (zh) | 应用于大数据挖掘和业务分析的数据清洗方法及云服务器 | |
CN111459675A (zh) | 一种数据处理方法、装置、可读存储介质和电子设备 | |
CN111582407B (zh) | 任务处理方法、装置、可读存储介质和电子设备 | |
CN117422553A (zh) | 区块链网络的交易处理方法、装置、设备、介质和产品 | |
CN113011966A (zh) | 基于深度学习的信用评分方法及装置 | |
CN111460140A (zh) | 数据处理方法、装置、电子设备及计算机可读存储介质 | |
CN110213341B (zh) | 应用程序的下载检测方法及装置 | |
CN113807858B (zh) | 一种基于决策树模型的数据处理方法及相关设备 | |
CN111831630A (zh) | 数据处理方法、装置、电子设备和计算机可读存储介质 | |
CN112506063B (zh) | 数据分析方法、***、电子设备和存储介质 | |
CN110348190B (zh) | 基于用户操作行为的用户设备归属判断方法及装置 | |
CN113743435A (zh) | 业务数据分类模型的训练、业务数据的分类方法和装置 | |
CN112541669A (zh) | 风险识别方法、***及装置 | |
US10873550B2 (en) | Methods for communication in a communication network for reduced data traffic | |
CN116993396B (zh) | 基于车辆用户标签的风险预警方法、计算机设备 | |
CN112488625A (zh) | 退回件识别方法、装置、设备以及存储介质 | |
CN113132312A (zh) | 威胁检测规则的处理方法及装置 | |
CN111488738A (zh) | 非法信息的识别方法、装置 |
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 |