CN111506798A - 用户筛选方法、装置、设备及存储介质 - Google Patents
用户筛选方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN111506798A CN111506798A CN202010144416.6A CN202010144416A CN111506798A CN 111506798 A CN111506798 A CN 111506798A CN 202010144416 A CN202010144416 A CN 202010144416A CN 111506798 A CN111506798 A CN 111506798A
- Authority
- CN
- China
- Prior art keywords
- user
- data
- identified
- feature
- offline
- 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
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
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及数据分析领域,公开了一种用户筛选方法、装置、设备及存储介质,所述方法包括:获取待识别用户的线下图像数据和线上数据,所述线下图像数据包括拜访记录图像;对所述拜访记录图像进行图像处理,以得到所述待识别用户的线下拜访数据;将所述线下拜访数据和线上数据作为所述待识别用户的基础数据,并对所述基础数据进行特征衍生以得到所述待识别用户的特征数据;根据预先训练的用户识别模型对所述待识别用户的特征数据进行特征因子匹配;当所述待识别用户的特征数据与所述用户识别模型中的特征因子的匹配度满足预设条件时,确定所述待识别用户为目标用户。提高从新用户中筛选出目标用户的准确率。
Description
技术领域
本申请涉及特征识别领域,尤其涉及一种用户筛选方法、装置、设备及存储介质。
背景技术
目前,为了从用户群中识别出目标用户,通常会利用机器模型对用户的历史购买信息进行统计分析,以从用户群中筛选出目标用户。
但是对于新用户而言,由于其历史购买信息较少,可用信息较少,导致机器模型在对新用户进行目标用户的识别时,不能够准确的从中筛选出目标用户,目标用户筛选的准确率较低。
因此,如何提高从新用户中筛选出目标用户的筛选准确率成为亟待解决的问题。
发明内容
本申请提供了一种用户筛选方法、装置、设备及存储介质,以提高从新用户中筛选出目标用户的筛选准确率。
第一方面,本申请提供了一种用户筛选方法,所述方法包括:
获取待识别用户的线下图像数据和线上数据,所述线下图像数据包括拜访记录图像;
对所述拜访记录图像进行图像处理,以得到所述待识别用户的线下拜访数据;
将所述线下拜访数据和线上数据作为所述待识别用户的基础数据,并对所述基础数据进行特征衍生以得到所述待识别用户的特征数据;
根据预先训练的用户识别模型对所述待识别用户的特征数据进行特征因子匹配,所述预先训练的用户识别模型用于识别出目标用户的特征因子;
当所述待识别用户的特征数据与所述用户识别模型中的特征因子的匹配度满足预设条件时,确定所述待识别用户为目标用户。
第二方面,本申请还提供了一种用户筛选装置,所述装置包括:
数据获取模块,用于获取待识别用户的线下图像数据和线上数据,所述线下图像数据包括拜访记录图像;
图像处理模块,用于对所述拜访记录图像进行图像处理,以得到所述待识别用户的线下拜访数据;
特征衍生模块,用于将所述线下拜访数据和线上数据作为所述待识别用户的基础数据,并对所述基础数据进行特征衍生以得到所述待识别用户的特征数据;
特征匹配模块,用于根据预先训练的用户识别模型对所述待识别用户的特征数据进行特征因子匹配,所述预先训练的用户识别模型用于识别出目标用户的特征因子;
用户确定模块,用于当所述待识别用户的特征数据与所述用户识别模型中的特征因子的匹配度满足预设条件时,确定所述待识别用户为目标用户。
第三方面,本申请还提供了一种计算机设备,所述计算机设备包括存储器和处理器;所述存储器用于存储计算机程序;所述处理器,用于执行所述计算机程序并在执行所述计算机程序时实现如上述的用户筛选方法。
第四方面,本申请还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使所述处理器实现如上述的用户筛选方法。
本申请公开了一种用户筛选方法、装置、设备及存储介质,通过获取待识别用户的线下图像数据和线上数据,然后对线下图像数据进行图像处理得到待识别用户的线下拜访数据,并将线下拜访数据和线上数据作为所述待识别用户的基础数据,对基础数据进行特征衍生以得到所述待识别用户的特征数据,根据预先训练的用户识别模型对所述待识别用户的特征数据进行特征因子匹配,当所述待识别用户的特征数据与所述用户识别模型中的特征因子的匹配度满足预设条件时,确定所述待识别用户为目标用户。对线下图像数据进行图像处理,提高获取到的线下拜访数据的准确度和获取速度。对待识别用户的基础数据进行特征衍生,得到特征数据,特征衍生丰富新用户的特征数据,并通过预先训练的用户识别模型进行特征因子匹配,以确定待识别用户是否为目标用户,提高对目标用户的筛选准确度。
附图说明
为了更清楚地说明本申请实施例技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的一种用户识别模型训练方法的示意流程图;
图2是本申请实施例提供的一种用户筛选方法的示意流程图;
图3是图2中提供的一种用户筛选方法的子步骤示意流程图;
图4是本申请实施例提供的一种用户筛选方法的示意流程图;
图5是本申请一实施例提供的一种用户识别模型训练装置的示意性框图;
图6是本申请的实施例还提供一种用户筛选装置的示意性框图;
图7是本申请的实施例还提供一种用户筛选装置的示意性框图;
图8为本申请一实施例提供的一种计算机设备的结构示意性框图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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他实施例,都属于本申请保护的范围。
附图中所示的流程图仅是示例说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解、组合或部分合并,因此实际执行的顺序有可能根据实际情况改变。
应当理解,在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
本申请的实施例提供了一种用户筛选方法、装置、计算机设备及存储介质。用户筛选方法可用于对新用户进行筛选,从而从新用户中筛选出目标用户,提高从新用户中筛选出目标用户的准确率。其中,所述目标用户可以是对一个特定产品或者多个产品具有购买潜力的新用户。在本实施例中,为了便于描述和理解,以对特定产品具有购买潜力为例进行详细说明。
下面结合附图,对本申请的一些实施方式作详细说明。在不冲突的情况下,下述的实施例及实施例中的特征可以相互组合。
请参阅图1,图1是本申请实施例提供的一种用户识别模型训练方法的示意流程图。该用户识别模型训练方法通过对样本数据进行特征衍生,获取样本特征数据,再利用随机森林算法训练,从而提高训练得到的模型对于目标用户的筛选准确度。
如图1所示,该用户识别模型训练方法,具体包括:步骤S101至步骤S104。
S101、获取样本数据,并依次对所述样本数据进行特征提取和特征衍生以得到样本特征数据。
具体地,样本数据包括样本用户在历史一时间段内的非保险销售数据、线上互动数据、线下互动数据、基本信息、资产信息、负债信息和第三方用户画像等,还包括样本用户当前对于特定产品的购买情况,该特定产品是指需要进行产品推广的产品。
其中,第三方用户画像可以是该样本用户在其他平台上所产生的用户画像,第三方用户画像中可以包括用户爱好,购买偏好等信息。
其中,样本特征数据包括样本特征和样本特征值,样本特征数据用于构建用户识别模型。
对样本数据进行特征提取,得到各样本特征和与样本特征对应的特征值,并将得到的样本特征和与样本特征对应的特征值作为样本特征数据。
例如,用户基本信息中可以包括性别特征、年龄特征、职业特征等样本特征,用户资产信息中可以包括年收入特征、动产特征、不动产特征等。当用户基本信息为性别男,年龄35岁,购买特定产品时,其样本特征为性别,样本特征值为男,样本特征为年龄,样本特征值为35,样本特征为特定产品,样本特征值为已购买。
其中,对样本数据进行特征衍生是指对样本数据进行特征学习,以得到新的样本用户数据,并将新的样本用户数据和样本数据共同作为样本特征数据。其中,特征衍生可以通过单一特征的基础转换进行,也可以通过对特征添加时间纬度,进行时间切片进行,还可以通过对多个特征进行相加或者相乘等运算进行。例如,可以将两个特征相加得到新特征,比如将用户的资产信息和用户负债信息相加,得到用户的实际资产信息,并将得到的实际资产信息作为衍生得到的新特征。
S102、对所述样本特征数据进行数据清洗,以得到清洗后的样本特征数据。
具体地,对样本特征数据进行数据清洗是指对样本特征数据中的特征值进行数据清洗,具体包括数据空值检验、数据异常值检验和数据探索等。
其中,在对样本特征数据进行数据空值检验时,由于样本特征数据中包括多种不同类型的数据,因此不能采用一般的全局常量填充的方式,需要结合不同类型的特征数据分别考虑。
例如,对于一些互动行为特征,无法采集或者缺少的情况下可以进行零值填充;对于用户的收入、资产可以填充均值;对于性别、职业等可以保留空值为未知。
对所述样本特征数据进行数据探索时,通过计算样本特征数据中各样本特征的特征值的缺失率、最大值、最小值、平均值、方差、百分位值等,如果存在缺失率太高或者某些值导致方差很小,没有实际意义,则剔除这些样本特征和对应的样本特征值。当存在异常值时,例如存在最大值异常,也可以采用95%或者其他比例的分位数进行替换。
在一些实施例中,在得到清洗后的样本特征数据之后,还可以包括:对所述清洗后的样本特征数据进行变量处理,得到处理后的样本特征数据。
具体地,对清洗后的样本特征数据进行变量处理包括去除重复性样本特征和对清洗后的样本数据中的样本特征计算其IV值。
其中,去除重复性样本特征是指判断样本特征中是否存在相关性较高的样本特征,例如,样本特征中存在工作城市和生活城市两个特征,而这两个特征相关性较高,因此可以去除生活城市和工作城市中的任意一个。
IV值用于衡量样本特征的预测能力,对清洗后的样本数据中的样本特征计算其IV值,通常会对样本特征的特征值进行分箱并计算证据权重WOE值,随后在WOE值的基础上计算IV值。
其中,WOEi为某样本特征第i个属性对应的WOE值,gi表示某样本特征第i个属性对应的已购买产品用户数量,g为样本中总的已购买产品用户数量,bi表示某样本特征第i个属性对应的未购买产品用户数量,b为样本中总的未购买产品用户数量。
WOE值越高,代表该分组中用户未购买产品的概率越低。而IV值越大,则表示购买该特定产品的样本用户和未购买该特定产品的样本用户在该样本特征上的分布差异越大,也即该样本特征的区分能力越好。
如果计算得到某样本特征的IV值过高(例如,IV值大于0.5),则判断该样本特征是否包含事后因素,所述事后因素是指发生在产品购买之后的可能对模型产生影响的因素。例如,样本用户在购买了特定产品之后发生的交易记录,尽管该交易记录的特征与是否购买产品为强关联特征,但是由于其发生在特定产品购买之后,因此需要剔除该样本特征。
S103、将所述清洗后的样本特征数据按照产品购买规则进行分类,以分别获得正样本集和负样本集。
具体地,产品购买规则是指样本用户是否购买特定产品的规则。在具体实施过程中,产品购买规则可以由工程师预先设定。
根据清洗后的样本特征数据中的与特定产品购买相关的样本特征和样本特征值判断样本用户是否购买了特定产品,如果样本用户购买过该特定产品,则将该样本用户分类为已购买,并将该样本特征数据记为正样本,将清洗后的样本特征数据中符合该分类的样本特征数据作为正样本集;如果样本用户未购买过该特定产品,则将该样本用户分类为未购买,并将该样本特征数据记为负样本,将清洗后的样本特征数据中符合该分类的样本特征数据作为负样本集。在具体实施过程中,可以将已购买的分类记为1,未购买的分类记为0。
在一些实施例中,为了避免正样本集和负样本集中样本数量比例不均衡,导致在训练用户识别模型时产生过拟合的情况,在步骤S103之后,还可以包括:
判断所述负样本集与所述正样本集的样本数量差是否大于预设阈值;若所述负样本集与所述正样本集的样本数量差大于预设阈值,则对所述正样本集中的样本进行分析,以合成新样本并将所述新样本添加至所述正样本集中,以构建新的正样本集。
具体地,所述预设阈值可以由工程师预先设定。在一实施过程中,预设阈值可以是正样本集和负样本集中样本数量和的40%。例如,当正样本集和负样本集中的样本数量和为100时,当正样本集中的样本数量为20,负样本集中的样本数量为80,则正样本集和负样本集中样本数量差为60%,说明此时正样本集中的样本数量较少,因此对正样本集中的样本进行分析,以合成新样本,构建新的正样本集。
在具体实施过程中,对正样本集中的样本进行分析,其中,可以采用SMOTE算法对正样本集进行上采样,以合成出新样本,并将新样本添加至正样本集中,构建得到新的正样本集。
S104、基于所述正样本集和负样本集利用随机森林算法训练用户识别模型,得到所述预先训练的用户识别模型。
将正样本集和负样本集进行整合以得到样本集,并将样本集分为训练集和测试集,其中,训练集和测试集中正样本的数量和负样本的数量比相同。利用训练集和随机森林算法训练用户识别模型,利用测试集对训练的用户识别模型进行验证。
在具体实施过程中,利用训练集和随机森林算法训练用户识别模型的具体训练过程如下:
1、从训练集S中随机有放回地抽取大小和S一样的样本S’,未被抽取到的样本组成袋外数据。共进行n次抽样,生成n个训练子集;
2、对n个训练子集,分别训练n个CART决策树模型Gm(x),m∈{1,2,...,n};
3、对第t个决策树模型Gt(x),假设训练样本特征的维数为W,随机算则节点上的一部分特征w(w<W),在Wi中根据信息增益指数选择最好的特征进行***。对于某个类xi,其信息定义为:I(X=xi)=-log2 P(xi),其中,I(x)表示随机变量的信息,P(xi)表示xi发生的概率。
4、每棵树都按照步骤3中的方式进行***,直到该节点的所有训练样例都属于同一类,在决策树的***过程中不需要剪枝。
5、将生成的多棵决策树组成随机森林F,以完成用户识别模型的训练。
在用户识别模型建立完成后,可以输出样本集中各个样本特征的重要性,计算方法如下所示:
1、对于随机森林F中每一棵决策树,使用相应的袋外数据计算袋外误差,记为errOOB1;
2、随机对袋外数据中所有样本特征X加入噪声干扰,再次计算它的袋外数据误差,记为errOOB2;
在计算出各样本特征的重要性后,对各样本特征按照重要性数值的大小进行排序,将重要性排序靠前的样本特征作为识别目标用户的特征。
上述实施例提供的用户识别模型训练方法,通过对样本数据进行特征提取和特征衍生得到样本特征数据,再对样本特征数据进行数据清洗,得到清洗后的样本特征数据。对样本数据进行特征衍生增加了得到的样本特征数据,数据清洗降低了脏数据对用户识别模型的干扰。将清洗后的样本特征数据利用随机森林算法训练用户识别模型。提高用户识别模型的对于特征因子识别的准确率。
请参阅图2,图2是本申请实施例提供的一种用户筛选方法的示意流程图。该用户筛选方法可以对待识别用户的线下图像数据进行图像处理,根据处理后得到的待识别用户的用户数据利用预先训练的用户识别模型对待识别用户的特征数据中的特征因子进行匹配,从而筛选出目标用户。
如图2所示,该用户筛选方法,具体包括:步骤S201至步骤S205。
S201、获取待识别用户的线下图像数据和线上数据,所述线下图像数据包括拜访记录图像。
具体地,所述线下图像数据包括拜访记录图像和人脸识别图像。其中,所述拜访记录图像包括业务人员在对待识别用户进行线下交流拜访时,根据与待识别用户的交流沟通情况所做的线下拜访记录的扫描图像或者拍摄图像。
所述线上数据包括待识别用户的非保险销售数据、线上互动数据、基本信息、资产信息、负债信息和第三方用户画像等。其中,第三方用户画像可以是该待识别用户在其他平台上所产生的用户画像,第三方用户画像中可以包括用户爱好,购买偏好等信息。
S202、对所述拜访记录图像进行图像处理,以得到所述待识别用户的线下拜访数据。
具体地,线下拜访数据可以包括用户姓名、身份证号、用户对产品的了解程度、用户购买产品的名称和价格以及用户需求等。对业务人员所做的线下拜访记录进行图像处理,从而提取出待识别用户的线下拜访数据。
在一些实施例中,请参考图3,为了提高图像处理的准确度,步骤S202可以包括:
S2021、对所述拜访记录图像进行预处理。
具体地,预处理可以包括二值化、噪声去除和倾斜矫正等,其中,当拜访记录图像为彩色图像时,可以对拜访记录图像进行二值化,以得到黑白色的二值化图。对拜访记录图像进行预处理,以提高对拜访记录图像的识别准确度。
S2022、对预处理后的所述拜访记录图像进行版面分析和字符识别,以得到识别结果。
具体地,在对预处理后的拜访记录图像进行版面分析和字符识别时,版面分析是指将拜访记录图像根据其包括的文本内容进行分段和分行,在进行分段和分行后,对每段和每行内所包括的文本内容进行字符切割和字符识别,从而识别出所述拜访记录图像内所包括的文本内容。
S2023、根据所述识别结果确定线下拜访数据。
具体地,根据所述识别结果确定线下拜访数据可以是指对识别结果进行后处理,并将经后处理之后的数据作为线下拜访数据。对识别结果进行后处理是指根据特定的语言上下文的关系,对识别结果进矫正,从而提高图像处理的准确度,将后处理后的识别结果作为线下拜访数据进行保存。
S203、将所述线下拜访数据和线上数据作为所述待识别用户的基础数据,并对所述基础数据进行特征衍生以得到所述待识别用户的特征数据。
具体地,将处理得到的线下拜访数据和线上数据共同作为待识别用户的基础数据,并对基础数据进行特征衍生,以得到待识别用户的特征数据。
其中,待识别用户的特征数据中包括特征和特征值。例如,用户基本信息中可以包括性别特征、年龄特征、职业特征等特征,用户资产信息中可以包括年收入特征、动产特征、不动产特征等。当待识别用户的基本信息为性别男、年龄35岁时,则特征为性别,特征值为男,特征为年龄,特征值为35。
对待识别用户的基础数据进行特征衍生是指对待识别用户的基础数据进行特征学习,以得到新的待识别用户数据,并将新的待识别用户数据和待识别用户的基础数据共同作为待识别用户的特征数据。
在具体实施过程中,特征衍生可以采用以下三种方法进行:
1、单一特征的基础转换,比如通过对单一特征进行平方,开根号,log转换等。
2、特征通过添加时间维度进行衍生,比如可以根据待识别用户的基础数据进行时间切片,以分别获得1个月、3个月、6个月和12个月内待识别用户的线上互动数据、待识别用户的线下互动数据和待识别用户的非保险销售数据等。
3、多特征的运算,比如两个特征相加,相乘或特征间计算一个比率后得到新特征,比如可以对用户资产信息和用户负债信息等进行汇总,以得到新的待识别用户数据,或者对用户资产信息和用户负债信息进行相加、相乘等运算,以得到新的待识别用户数据。
S204、根据预先训练的用户识别模型对所述待识别用户的特征数据进行特征因子匹配。
具体地,所述预先训练的用户识别模型用于识别出目标用户的特征因子。由于训练好的用户识别模型输出的结果为特征的重要性,利用该用户识别模型对待识别用户的特征数据进行特征匹配,判断特征数据中是否包括用户识别模型所输出的重要特征。
S205、当所述待识别用户的特征数据与所述用户识别模型中的特征因子的匹配度满足预设条件时,确定所述待识别用户为目标用户。
具体地,当待识别用户的特征数据与用户识别模型中的特征因子的匹配度满足预设条件时,则说明该待识别用户为具有购买潜力的用户,并确定该识别用户为目标用户。
所述预设条件,可以是待识别用户的特征数据与所述用户识别模型中的特征因子的匹配度达到一个预设阈值,也可以是待识别用户的特征数据与所述用户识别模型中的特征因子的匹配度处于一个数值范围内。
当预设条件为待识别用户的特征数据与所述用户识别模型中的特征因子的匹配度达到一个预设阈值时,该预设阈值可以是工程师预先设置的百分数或具体数值。当预设阈值为百分数时,该百分数是指待识别用户的特征与用户识别模型输出的重要特征数量的百分比。
在其他实施例中,也可以训练其他模型来计算和调整阈值的具体数值,还可以训练模型来对重要特征的权重系数进行调节。
上述实施例公开的一种用户筛选方法,对获取到的待识别用户的线下图像数据进行图像处理,得到线下拜访数据,将线下拜访数据和线上数据共同作为待识别用户的基础数据,增加了待识别用户的基础数据的数据量。对基础数据进行特征衍生得到特征数据,增加了特征数据的数据量,丰富新用户的数据。根据用户识别模型对特征数据进行特征因子的匹配,当匹配度满足预设条件时,确定该待识别用户为目标用户,利用训练的用户识别模型提高目标用户的筛选准确率。
请参阅图4,图4是本申请实施例提供的一种用户筛选方法的示意流程图。该用户筛选方法可以对待识别用户的线下图像数据进行图像处理,利用人脸数据将识别出的线下数据与线上数据关联得到用户数据,再利用预先训练的用户识别模型对待识别用户进行目标用户的筛选。
如图4所示,该用户筛选方法,具体包括:步骤S301至步骤S306。
S301、获取待识别用户的线下图像数据和线上数据,所述线下图像数据包括拜访记录图像和人脸识别图像。
具体地,所述线下图像数据包括拜访记录图像和人脸识别图像。其中,所述拜访记录图像包括业务人员在对待识别用户进行线下交流拜访时,根据与待识别用户的交流沟通情况所做的线下拜访记录的扫描图像或者拍摄图像。人脸识别图像包括在对待识别用户进行线下交流拜访时采集到的人脸图像。
S302、对所述拜访记录图像进行图像处理,以得到所述待识别用户的线下拜访数据。
具体地,线下拜访数据可以包括用户姓名、身份证号、用户对产品的了解程度、用户购买产品的名称和价格以及用户需求等。对业务人员所做的线下拜访记录进行图像处理,从而提取出待识别用户的线下拜访数据。
在一些实施例中,人脸识别图像还可以包括待识别用户在参加线下活动时进行人脸识别签到时采集到的人脸图像。
具体地,在待识别用户参加线下活动时,在用户签到处设置人脸采集图像代替人工签到,人脸采集到来签到的用户的人脸信息,并将采集到的人脸信息与签到时间、签到地点共同保存至数据库中。此时,在对拜访记录进行图像处理,得到待识别用户的线下拜访数据时,还可以利用待识别用户参加线下活动时采集到的人脸图像与待识别用户的线下拜访数据进行匹配,从而将待识别用户参加线下活动的数据对应的签到时间和签到地点也作为用户的线下拜访数据。
S303、根据所述人脸识别图像将所述线下拜访数据与线上数据进行关联,以得到所述待识别用户的基础数据,并对所述基础数据进行特征衍生以得到所述待识别用户的特征数据。
具体地,由于所述待识别用户的线上数据中包括了所述待识别用户的基本信息,也即姓名、性别、身份证号码和人脸图像等信息,在通过图像处理获取到线下拜访数据后,需要将获得的线下拜访数据与该用户的线上数据共同保存,以作为该用户的基础数据。
因此,在进行数据关联时,根据线下拜访数据对应的人脸识别图像与线上数据中的人脸图像进行匹配;当人脸识别图像匹配成功时,则建立所述线下拜访数据与线上数据之间的关联,并将所述线下拜访数据与所述线上数据进行整合以得到待识别用户的基础数据。
采用人脸识别图像匹配的方式代替业务人员手动输入数据,一方面提高了数据输入的效率;并且由于在进行线下拜访数据的输入时,大多是采用姓名筛选,从而将该用户的线下拜访数据进行输入,容易造成同名用户线上数据和线下拜访数据的混淆,使用人脸识别图像匹配另一方面也避免了线下拜访数据输入时造成的用户信息混淆。
其中,对待识别用户的基础数据进行特征衍生是指对待识别用户的基础数据进行特征学习,以得到新的待识别用户数据,并将新的待识别用户数据和待识别用户的基础数据共同作为待识别用户的特征数据。
S304、对所述待识别用户的特征数据进行数据清洗,以得到清洗后的所述待识别用户的特征数据。
具体地,对待识别用户的特征数据进行数据清洗包括数据空值检验和数据异常值检验等。
其中,在对特征数据进行数据空值检验时,由于特征数据中包括多种不同类型的数据,因此不能采用一般的全局常量填充的方式,需要结合不同类型的特征数据分别考虑。
例如,对于一些互动行为特征,无法采集或者缺少的情况下可以进行零值填充;对于用户的收入、资产可以填充均值;对于性别、职业等可以保留空值为未知。
S305、根据预先训练的用户识别模型对所述待识别用户的特征数据进行特征因子匹配。
具体地,由于训练好的用户识别模型输出的结果为特征因子的重要性,利用该用户识别模型对清洗后的待识别用户的特征数据进行特征因子匹配,判断清洗后的特征数据中是否包括用户识别模型所输出的重要特征因子。
S306、当所述待识别用户的特征数据与所述用户识别模型中的特征因子的匹配度满足预设条件时,确定所述待识别用户为目标用户。
具体地,当清洗后的待识别用户的特征数据与用户识别模型中的特征因子的匹配度满足预设条件时,则说明该待识别用户为具有购买潜力的用户,并确定该识别用户为目标用户。
上述实施例公开了一种用户筛选方法,利用人脸识别图像将线下拜访数据和线上数据进行关联,使其二者共同作为基础数据,提高了线下拜访数据录入的准确率和效率。对基础数据进行特征衍生得到特征数据,增加了特征数据的数据量,丰富新用户的数据。对特征数据进行数据清洗,降低了脏数据对用户识别模型的干扰,提高特征因子匹配的准确度。根据用户识别模型对特征数据进行特征因子的匹配,当匹配度满足预设条件时,确定该待识别用户为目标用户,利用训练的用户识别模型提高目标用户的识别准确率。
请参阅图5,图5是本申请一实施例提供的一种用户识别模型训练装置的示意性框图,该用户识别模型训练装置可以配置于服务器中,用于执行前述的用户识别模型训练方法。
如图5所示,该用户识别模型训练装置400,包括:数据获取模块401、数据清洗模块402、数据分类模块403和模型训练模块404。
数据获取模块401,用于获取样本数据,并依次对所述样本数据进行特征提取和特征衍生以得到样本特征数据。
数据清洗模块402,用于对所述样本特征数据进行数据清洗,以得到清洗后的样本特征数据。
数据分类模块403,用于将所述清洗后的样本特征数据按照产品购买规则进行分类,以分别获得正样本集和负样本集。
模型训练模块404,用于基于所述正样本集和负样本集利用随机森林算法训练用户识别模型,得到所述预先训练的用户识别模型。
请参阅图6,图6是本申请的实施例还提供一种用户筛选装置的示意性框图,该用户筛选装置用于执行前述的用户筛选方法。其中,该用户筛选装置可以配置于服务器或终端中。
其中,服务器可以为独立的服务器,也可以为服务器集群。该终端可以是手机、平板电脑、笔记本电脑、台式电脑、个人数字助理和穿戴式设备等电子设备。
如图6所示,用户筛选装置500包括:数据获取模块501、图像处理模块502、特征衍生模块503、特征匹配模块504和用户确定模块505。
数据获取模块501,用于获取待识别用户的线下图像数据和线上数据,所述线下图像数据包括拜访记录图像。
图像处理模块502,用于对所述拜访记录图像进行图像处理,以得到所述待识别用户的线下拜访数据。
其中,图像处理模块502包括预处理子模块5021、识别结果子模块5022和数据确定子模块5023。
具体地,预处理子模块5021,用于对所述拜访记录图像进行预处理。
识别结果子模块5022,用于对预处理后的所述拜访记录图像进行版面分析和字符识别,以得到识别结果。
数据确定子模块5023,用于根据所述识别结果确定线下拜访数据。
特征衍生模块503,用于将所述线下拜访数据和线上数据作为所述待识别用户的基础数据,并对所述基础数据进行特征衍生以得到所述待识别用户的特征数据。
特征匹配模块504,用于根据预先训练的用户识别模型对所述待识别用户的特征数据进行特征因子匹配,所述预先训练的用户识别模型用于识别出目标用户的特征因子。
用户确定模块505,用于当所述待识别用户的特征数据与所述用户识别模型中的特征因子的匹配度满足预设条件时,确定所述待识别用户为目标用户。
请参阅图7,图7是本申请的实施例还提供一种用户筛选装置的示意性框图,该用户筛选装置用于执行前述的用户筛选方法。其中,该用户筛选装置可以配置于服务器或终端中。
如图7所示,用户筛选装置600包括:数据获取模块601、图像处理模块602、特征衍生模块603、数据清洗模块604、特征匹配模块605和用户确定模块606。
数据获取模块601,用于获取待识别用户的线下图像数据和线上数据,所述线下图像数据包括拜访记录图像和人脸识别图像。
图像处理模块602,用于对所述拜访记录图像进行图像处理,以得到所述待识别用户的线下拜访数据。
特征衍生模块603,用于根据所述人脸识别图像将所述线下拜访数据与线上数据进行关联,以得到所述待识别用户的基础数据,并对所述基础数据进行特征衍生以得到所述待识别用户的特征数据。
数据清洗模块604,用于对所述待识别用户的特征数据进行数据清洗,以得到清洗后的所述待识别用户的特征数据。
特征匹配模块605,用于根据预先训练的用户识别模型对所述待识别用户的特征数据进行特征因子匹配,所述预先训练的用户识别模型用于识别出目标用户的特征因子。
用户确定模块606,用于当所述待识别用户的特征数据与所述用户识别模型中的特征因子的匹配度满足预设条件时,确定所述待识别用户为目标用户。
需要说明的是,所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的用户识别模型训练装置和各模块的具体工作过程,和上述描述的用户筛选装置和各模块的具体工作过程,可以参考前述用户识别模型训练方法和用户筛选方法实施例中的对应过程,在此不再赘述。
上述的用户筛选装置可以实现为一种计算机程序的形式,该计算机程序可以在如图8所示的计算机设备上运行。
请参阅图8,图8是本申请实施例提供的一种计算机设备的结构示意性框图。该计算机设备可以是服务器或终端。
参阅图8,该计算机设备包括通过***总线连接的处理器、存储器和网络接口,其中,存储器可以包括非易失性存储介质和内存储器。
非易失性存储介质可存储操作***和计算机程序。该计算机程序包括程序指令,该程序指令被执行时,可使得处理器执行任意一种用户筛选方法。
处理器用于提供计算和控制能力,支撑整个计算机设备的运行。
内存储器为非易失性存储介质中的计算机程序的运行提供环境,该计算机程序被处理器执行时,可使得处理器执行任意一种用户筛选方法。
该网络接口用于进行网络通信,如发送分配的任务等。本领域技术人员可以理解,图8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。
应当理解的是,处理器可以是中央处理单元(Central Processing Unit,CPU),该处理器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)、现场可编程门阵列(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。其中,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。
其中,在一个实施例中,所述处理器用于运行存储在存储器中的计算机程序,以实现如下步骤:
获取待识别用户的线下图像数据和线上数据,所述线下图像数据包括拜访记录图像;对所述拜访记录图像进行图像处理,以得到所述待识别用户的线下拜访数据;将所述线下拜访数据和线上数据作为所述待识别用户的基础数据,并对所述基础数据进行特征衍生以得到所述待识别用户的特征数据;根据预先训练的用户识别模型对所述待识别用户的特征数据进行特征因子匹配,所述预先训练的用户识别模型用于识别出目标用户的特征因子;当所述待识别用户的特征数据与所述用户识别模型中的特征因子的匹配度满足预设条件时,确定所述待识别用户为目标用户。
在一个实施例中,所述处理器在实现所述对所述拜访记录图像进行图像处理,以得到所述待识别用户的线下拜访数据时,用于实现:
对所述拜访记录图像进行预处理,所述预处理包括二值化、噪声去除和倾斜矫正;对预处理后的所述拜访记录图像进行版面分析和字符识别,以得到识别结果;根据所述识别结果确定线下拜访数据。
在一个实施例中,所述线下图像数据还包括人脸识别图像;所述处理器在实现所述将所述线下拜访数据和线上数据作为所述待识别用户的基础数据时,用于实现:根据所述人脸识别图像将所述线下拜访数据与线上数据进行关联,以得到所述待识别用户的基础数据。
在一个实施例中,所述处理器在实现所述根据预先训练的用户识别模型对所述待识别用户的特征数据进行特征因子匹配之前,还用于实现:
对所述待识别用户的特征数据进行数据清洗,以得到清洗后的所述待识别用户的特征数据。
在一个实施例中,所述处理器还用于实现:
获取样本数据,并依次对所述样本数据进行特征提取和特征衍生以得到样本特征数据;对所述样本特征数据进行数据清洗,以得到清洗后的样本特征数据;将所述清洗后的样本特征数据按照产品购买规则进行分类,以分别获得正样本集和负样本集;基于所述正样本集和负样本集利用随机森林算法训练用户识别模型,得到所述预先训练的用户识别模型。
在一个实施例中,所述处理器还用于实现:对所述清洗后的样本特征数据进行变量处理,得到处理后的样本特征数据;所述处理器在实现所述将所述清洗后的样本特征数据按照产品购买规则进行分类,以分别获得正样本集和负样本集时,用于实现:将所述处理后的样本数据按照产品购买规则进行分类,以分别获得正样本集和负样本集。
在一个实施例中,所述处理器在实现所述基于所述正样本集和负样本集利用随机森林算法训练用户识别模型之前,还用于实现:
判断所述负样本集与所述正样本集的样本数量差是否大于预设阈值;若所述负样本集与所述正样本集的样本数量差大于预设阈值,则对所述正样本集中的样本进行分析,以合成新样本并将所述新样本添加至所述正样本集中,以构建新的正样本集。
本申请的实施例中还提供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,所述计算机程序中包括程序指令,所述处理器执行所述程序指令,实现本申请实施例提供的任一项用户筛选方法。
其中,所述计算机可读存储介质可以是前述实施例所述的计算机设备的内部存储单元,例如所述计算机设备的硬盘或内存。所述计算机可读存储介质也可以是所述计算机设备的外部存储设备,例如所述计算机设备上配备的插接式硬盘,智能存储卡(SmartMedia Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种用户筛选方法,其特征在于,包括:
获取待识别用户的线下图像数据和线上数据,所述线下图像数据包括拜访记录图像;
对所述拜访记录图像进行图像处理,以得到所述待识别用户的线下拜访数据;
将所述线下拜访数据和线上数据作为所述待识别用户的基础数据,并对所述基础数据进行特征衍生以得到所述待识别用户的特征数据;
根据预先训练的用户识别模型对所述待识别用户的特征数据进行特征因子匹配,所述预先训练的用户识别模型用于识别出目标用户的特征因子;
当所述待识别用户的特征数据与所述用户识别模型中的特征因子的匹配度满足预设条件时,确定所述待识别用户为目标用户。
2.根据权利要求1所述的用户筛选方法,其特征在于,所述对所述拜访记录图像进行图像处理,以得到所述待识别用户的线下拜访数据,包括:
对所述拜访记录图像进行预处理,所述预处理包括二值化、噪声去除和倾斜矫正;
对预处理后的所述拜访记录图像进行版面分析和字符识别,以得到识别结果;
根据所述识别结果确定线下拜访数据。
3.根据权利要求1所述的用户筛选方法,其特征在于,所述线下图像数据还包括人脸识别图像;
所述将所述线下拜访数据和线上数据作为所述待识别用户的基础数据,包括:
根据所述人脸识别图像将所述线下拜访数据与线上数据进行关联,以得到所述待识别用户的基础数据。
4.根据权利要求1所述的用户筛选方法,其特征在于,在所述根据预先训练的用户识别模型对所述待识别用户的特征数据进行特征因子匹配之前,还包括:
对所述待识别用户的特征数据进行数据清洗,以得到清洗后的所述待识别用户的特征数据。
5.根据权利要求1所述的用户识别方法,其特征在于,还包括:
获取样本数据,并依次对所述样本数据进行特征提取和特征衍生以得到样本特征数据;
对所述样本特征数据进行数据清洗,以得到清洗后的样本特征数据;
将所述清洗后的样本特征数据按照产品购买规则进行分类,以分别获得正样本集和负样本集;
基于所述正样本集和负样本集利用随机森林算法训练用户识别模型,得到所述预先训练的用户识别模型。
6.根据权利要求5所述的用户筛选方法,其特征在于,还包括:
对所述清洗后的样本特征数据进行变量处理,得到处理后的样本特征数据;
所述将所述清洗后的样本特征数据按照产品购买规则进行分类,以分别获得正样本集和负样本集,包括:
将所述处理后的样本数据按照产品购买规则进行分类,以分别获得正样本集和负样本集。
7.根据权利要求5所述的用户筛选方法,其特征在于,在所述基于所述正样本集和负样本集利用随机森林算法训练用户识别模型之前,还包括:
判断所述负样本集与所述正样本集的样本数量差是否大于预设阈值;
若所述负样本集与所述正样本集的样本数量差大于预设阈值,则对所述正样本集中的样本进行分析,以合成新样本并将所述新样本添加至所述正样本集中,以构建新的正样本集。
8.一种用户筛选装置,其特征在于,包括:
数据获取模块,用于获取待识别用户的线下图像数据和线上数据,所述线下图像数据包括拜访记录图像;
图像处理模块,用于对所述拜访记录图像进行图像处理,以得到所述待识别用户的线下拜访数据;
特征衍生模块,用于将所述线下拜访数据和线上数据作为所述待识别用户的基础数据,并对所述基础数据进行特征衍生以得到所述待识别用户的特征数据;
特征匹配模块,用于根据预先训练的用户识别模型对所述待识别用户的特征数据进行特征因子匹配,所述预先训练的用户识别模型用于识别出目标用户的特征因子;
用户确定模块,用于当所述待识别用户的特征数据与所述用户识别模型中的特征因子的匹配度满足预设条件时,确定所述待识别用户为目标用户。
9.一种计算机设备,其特征在于,所述计算机设备包括存储器和处理器;
所述存储器用于存储计算机程序;
所述处理器,用于执行所述计算机程序并在执行所述计算机程序时实现如权利要求1至7中任一项所述的用户筛选方法。
10.一种计算机可读存储介质,其特征在于,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使所述处理器实现如权利要求1至7中任一项所述的用户筛选方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010144416.6A CN111506798A (zh) | 2020-03-04 | 2020-03-04 | 用户筛选方法、装置、设备及存储介质 |
PCT/CN2020/093424 WO2021174699A1 (zh) | 2020-03-04 | 2020-05-29 | 用户筛选方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010144416.6A CN111506798A (zh) | 2020-03-04 | 2020-03-04 | 用户筛选方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111506798A true CN111506798A (zh) | 2020-08-07 |
Family
ID=71863921
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010144416.6A Pending CN111506798A (zh) | 2020-03-04 | 2020-03-04 | 用户筛选方法、装置、设备及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN111506798A (zh) |
WO (1) | WO2021174699A1 (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021164232A1 (zh) * | 2020-02-17 | 2021-08-26 | 平安科技(深圳)有限公司 | 用户识别方法、装置、设备及存储介质 |
CN113743752A (zh) * | 2021-08-23 | 2021-12-03 | 南京星云数字技术有限公司 | 一种数据处理方法及装置 |
CN117250521A (zh) * | 2023-11-17 | 2023-12-19 | 江西驴宝宝通卡科技有限公司 | 充电桩电池容量监测***及方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105426857A (zh) * | 2015-11-25 | 2016-03-23 | 小米科技有限责任公司 | 人脸识别模型训练方法和装置 |
CN106022317A (zh) * | 2016-06-27 | 2016-10-12 | 北京小米移动软件有限公司 | 人脸识别方法及装置 |
CN106789844A (zh) * | 2015-11-23 | 2017-05-31 | 阿里巴巴集团控股有限公司 | 一种恶意用户识别方法及装置 |
CN109784351A (zh) * | 2017-11-10 | 2019-05-21 | 财付通支付科技有限公司 | 数据分类方法、分类模型训练方法及装置 |
CN110415065A (zh) * | 2018-04-28 | 2019-11-05 | K11集团有限公司 | 用户数据收集***和信息推送方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107657048B (zh) * | 2017-09-21 | 2020-12-04 | 麒麟合盛网络技术股份有限公司 | 用户识别方法及装置 |
US20190324621A1 (en) * | 2018-04-23 | 2019-10-24 | Qualcomm Incorporated | System and Methods for Utilizing Multi-Finger Touch Capability to Efficiently Perform Content Editing on a Computing Device |
CN109218390B (zh) * | 2018-07-12 | 2021-09-10 | 北京比特智学科技有限公司 | 用户筛选方法及装置 |
CN110049094B (zh) * | 2019-02-28 | 2022-03-04 | 创新先进技术有限公司 | 信息推送的方法和线下展示终端 |
CN110175298B (zh) * | 2019-04-12 | 2023-11-14 | 腾讯科技(深圳)有限公司 | 用户匹配方法 |
-
2020
- 2020-03-04 CN CN202010144416.6A patent/CN111506798A/zh active Pending
- 2020-05-29 WO PCT/CN2020/093424 patent/WO2021174699A1/zh active Application Filing
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106789844A (zh) * | 2015-11-23 | 2017-05-31 | 阿里巴巴集团控股有限公司 | 一种恶意用户识别方法及装置 |
CN105426857A (zh) * | 2015-11-25 | 2016-03-23 | 小米科技有限责任公司 | 人脸识别模型训练方法和装置 |
CN106022317A (zh) * | 2016-06-27 | 2016-10-12 | 北京小米移动软件有限公司 | 人脸识别方法及装置 |
CN109784351A (zh) * | 2017-11-10 | 2019-05-21 | 财付通支付科技有限公司 | 数据分类方法、分类模型训练方法及装置 |
CN110415065A (zh) * | 2018-04-28 | 2019-11-05 | K11集团有限公司 | 用户数据收集***和信息推送方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021164232A1 (zh) * | 2020-02-17 | 2021-08-26 | 平安科技(深圳)有限公司 | 用户识别方法、装置、设备及存储介质 |
CN113743752A (zh) * | 2021-08-23 | 2021-12-03 | 南京星云数字技术有限公司 | 一种数据处理方法及装置 |
CN117250521A (zh) * | 2023-11-17 | 2023-12-19 | 江西驴宝宝通卡科技有限公司 | 充电桩电池容量监测***及方法 |
CN117250521B (zh) * | 2023-11-17 | 2024-02-20 | 江西驴充充物联网科技有限公司 | 充电桩电池容量监测***及方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2021174699A1 (zh) | 2021-09-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021164232A1 (zh) | 用户识别方法、装置、设备及存储介质 | |
CN108665159A (zh) | 一种风险评估方法、装置、终端设备及存储介质 | |
CN110555372A (zh) | 数据录入方法、装置、设备及存储介质 | |
CN109583966B (zh) | 一种高价值客户识别方法、***、设备及存储介质 | |
CN111506798A (zh) | 用户筛选方法、装置、设备及存储介质 | |
CN112102073A (zh) | 信贷风险控制方法及***、电子设备及可读存储介质 | |
CN112017040B (zh) | 信用评分模型训练方法、评分方法及***、设备及介质 | |
CN112559900A (zh) | 产品推荐方法、装置、计算机设备和存储介质 | |
CN111582932A (zh) | 场景间信息推送方法、装置、计算机设备及存储介质 | |
CN112487284A (zh) | 银行客户画像生成方法、设备、存储介质及装置 | |
CN112329586A (zh) | 基于情绪识别的客户回访方法、装置及计算机设备 | |
CN111127110A (zh) | 商户评分的计算方法、装置、设备及存储介质 | |
CN112766824A (zh) | 数据处理方法、装置、电子设备及存储介质 | |
CN115936841A (zh) | 一种构建信贷风险评估模型的方法及装置 | |
CN114743048A (zh) | 检测异常秸秆图片的方法和检测装置 | |
CN115713424A (zh) | 风险评估方法、风险评估装置、设备及存储介质 | |
CN114170000A (zh) | ***用户风险类别识别方法、装置、计算机设备和介质 | |
CN115114851A (zh) | 基于五折交叉验证的评分卡建模方法及装置 | |
CN114626940A (zh) | 数据分析方法、装置及电子设备 | |
CN114066564A (zh) | 服务推荐时间确定方法、装置、计算机设备、存储介质 | |
CN113706258A (zh) | 基于组合模型的产品推荐方法、装置、设备及存储介质 | |
CN109308565B (zh) | 人群绩效等级识别方法、装置、存储介质及计算机设备 | |
CN113744030A (zh) | 基于ai用户画像的推荐方法、装置、服务器及介质 | |
CN113435741A (zh) | 培训计划生成方法、装置、设备及存储介质 | |
CN114548620A (zh) | 物流准时保业务推荐方法、装置、计算机设备和存储介质 |
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 | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40031456 Country of ref document: HK |