CN112396310B - 一种基于机器学习的社会信用风险评估*** - Google Patents

一种基于机器学习的社会信用风险评估*** Download PDF

Info

Publication number
CN112396310B
CN112396310B CN202011262949.0A CN202011262949A CN112396310B CN 112396310 B CN112396310 B CN 112396310B CN 202011262949 A CN202011262949 A CN 202011262949A CN 112396310 B CN112396310 B CN 112396310B
Authority
CN
China
Prior art keywords
sample data
risk assessment
module
model
particle
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
CN202011262949.0A
Other languages
English (en)
Other versions
CN112396310A (zh
Inventor
欧泽超
王元聪
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.)
Shanghai Jingdi Credit Management Co ltd
Original Assignee
Shanghai Jingdi Credit Management 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 Shanghai Jingdi Credit Management Co ltd filed Critical Shanghai Jingdi Credit Management Co ltd
Priority to CN202011262949.0A priority Critical patent/CN112396310B/zh
Publication of CN112396310A publication Critical patent/CN112396310A/zh
Application granted granted Critical
Publication of CN112396310B publication Critical patent/CN112396310B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Game Theory and Decision Science (AREA)
  • Tourism & Hospitality (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Medical Informatics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Educational Administration (AREA)

Abstract

本发明提供一种基于机器学习的社会信用风险评估***，包括：样本数据模块用于获取个人社会信用样本数据，其中样本数据包括个人基本信息以及个人信用信息；模型训练模块用户将训练样本数据作为训练集输入到风险评估模型中进行模型训练，生成训练好的风险评估模型；输入模块用于获取目标个人的基本信息作为目标测试数据；评估模块用于调用模型训练模块中训练好的风险评估模型，将目标测试数据输入到该训练好的风险评估模型中，获取由风险评估模型输出的风险评估结果。本发明能够基于机器学习自动训练准确度高的风险评估模型用作目标对象的风险评估，为对目标对象的个人社会信用风险评估提供参考依据。

Description

一种基于机器学习的社会信用风险评估***
技术领域
本发明涉及机器学习技术领域，特别是一种基于机器学习的社会信用风险评估***。
背景技术
目前，针对个人社会信用的评估，通常是根据该目标个人的具体守信行为记录或者失信行为记录作为依据，通过主观的方式评定该目标个人的信用评级；但是针对无任何守信行为记录或者失信行为记录的目标对象，则失去了信用评级的依据，无法满足现代社会信用信息查询或者评估的需要。
发明内容
针对上述问题，本发明旨在提供一种基于机器学习的社会信用风险评估***。
本发明的目的采用以下技术方案来实现：
提供一种基于机器学习的社会信用风险评估***，包括：
样本数据模块，用于获取个人社会信用样本数据，其中样本数据包括个人基本信息以及个人信用信息；
统计模块，用于当样本数据模块中个人社会信用样本数据的数量大于设定的阈值时，获取本数据模块中的个人社会信用样本数据作为训练样本数据；
模型训练模块，用户将训练样本数据作为训练集输入到风险评估模型中进行模型训练，生成训练好的风险评估模型；
输入模块，用于获取目标个人的基本信息作为目标测试数据；
评估模块，用于调用模型训练模块中训练好的风险评估模型，将目标测试数据输入到该训练好的风险评估模型中，获取由风险评估模型输出的风险评估结果。
本发明的有益效果为：本发明风险评估***，对获取的个人社会信用数据进行管理形成样本库，并且根据样本数据训练风险评估模型，并采用风险评估模型对目标对象进行风险评估，能够基于机器学习自动训练准确度高的风险评估模型用作目标对象的风险评估，为对目标对象的个人社会信用风险评估提供参考依据。
附图说明
利用附图对本发明作进一步说明，但附图中的实施例不构成对本发明的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。
图1为本发明的框架结构图。
附图标记：
样本数据模块100、统计模块200、模型训练模块300、输入模块400、评估模块500
具体实施方式
结合以下应用场景对本发明作进一步描述。
参见图1，其示出一种基于机器学习的社会信用风险评估***，包括：
样本数据模块100，用于获取个人社会信用样本数据，其中样本数据包括个人基本信息以及个人信用信息；
统计模块200，用于当样本数据模块100中个人社会信用样本数据的数量大于设定的阈值时，获取本数据模块中的个人社会信用样本数据作为训练样本数据；
模型训练模块300，用户将训练样本数据作为训练集输入到风险评估模型中进行模型训练，生成训练好的风险评估模型；
输入模块400，用于获取目标个人的基本信息作为目标测试数据；
评估模块500，用于调用模型训练模块300中训练好的风险评估模型，将目标测试数据输入到该训练好的风险评估模型中，获取由风险评估模型输出的风险评估结果。
其中，个人基本信息包括：年龄、婚姻状况、籍贯、居住地、工作单位、历史守信事件、历史失信事件等；个人信用信息包括：信用评级等。
上述实施方式中，通过样本数据模块100对获取的个人社会信用数据进行管理形成样本库，通过模型训练模块300根据样本数据训练风险评估模型，评估模块500采用风险评估模型对目标对象进行风险评估，能够基于机器学习自动训练准确度高的风险评估模型用作目标对象的风险评估，为对目标对象的个人社会信用风险评估提供参考依据。
一种实施方式中，样本数据模块100还包括：
外接单元，用于从个人社会信用查询平台数据库中导入个人社会信用样本数据；和/或
录入单元，用于录入个人社会信用样本数据。
其中个人社会信用样本数据可以通过从外部公开的个人社会信用查询平台的数据库(或其他的个人社会信用数据开源数据库等)导入到本发明风险评估***中，同时也可以在本发明风险评估***中构建内部的数据库，通过录入的方式将个人社会信用样本数据录入到***中。
一种实施方式中，统计模块200还包括：
对样本数据模块100中的个人社会信用样本数据进行数据清洗，消除个人社会信用样本数据中的无效数据，并将个人社会信用样本数据转变为符合训练样本数据的格式。
其中，针对从开源数据库中道路的人社会信用样本数据，由于导入的数据量可能十分庞大，容易存在错误的数据或者无用的数据，因此本发明***设置统计模块200还用于对导入的人社会信用样本数据进行数据清洗等预处理，使得人社会信用样本数据变换成统一的训练样本数据格式，方便***后续的调用和管理。
其中，样本数据中，包含的个人基本信息可以是类别属性的数据形式，如是否结婚、居住地所在地、历史失信事件类别等；也可以是数值属性的数据形式，如年龄、历史守信时间数量等。该数据格式能够满足风险评估模型训练的需要。
一种实施方式中，模型训练模块300能够采用现有的模型训练方法对风险评估模型进行训练。
另外，为了提高风险评估模型的性能，本发明还提出一种改进的模型训练技术方案，在一种实施方式中，模型训练模块300包括：
确定风险评估模型中采用的BP神经网络模型的拓扑结构，并将统计模块200获取训练样本数据作为训练集；
对粒子群进行初始化设置，包括：设定初始迭代次数t＝0,、设定种群大小N、设定搜索空间维度d，设定训练最大迭代次数T，设定惯性权重ω的上下边界阈值，设定粒子的初始位置xi＝{xi1,xi2,…,xid}及初始速度vi＝{vi1,vi2,…,vid}，其中i＝1,2,…,I，I表示粒子总数，xid和vid表示粒子i在第d维度下的位置和速度，其中粒子的位置对应一组神经网络的权值和阈值、设定粒子的位置阈值x′max和x′min、设定粒子的速度阈值v′max和v′min；
初始化每个粒子的最优历史位置xi-best，计算每个粒子的优选值Qi，根据每个粒子的优选值初始化种群最优位置pbest和种群反面位置pworst；
其中粒子的优选值Qi的计算函数为
式中，Qi表示第i个粒子当前位置的优选值，R表示样本集中训练样本数据的数量，J表示神经网络中输出节点的总数，j表示神经网络中第j个输出节点，γrj表示神经网络中第j个输出节点的期望输出值，Υrj(t)表示第j个输出节点的实际输出值；
其中当t＝0时，xi-best＝xi，pbest＝xa其中pworst＝xb其中
迭代过程：更新当前迭代轮数t＝t+1；
对每个粒子的位置和速度进行更新，其中采用的更新函数为：
vi(t)＝ωvi(t-1)+c1(xi-best(t-1)-xi(t-1))+c2(pbest(t-1)-xi(t-1))+c3(pworst(t-1)-xi(t-1))
xi(t)＝xi(t-1)+vi(t)
式中，vi(t)表示第t轮迭代时第i个粒子的速度，vi(t-1)表示第t-1轮迭代时第i个粒子的速度，xi(t)表示第t轮迭代时第i个粒子的位置，xi(t-1)表示第t-1轮迭代时第i个粒子的位置，ω表示趋势权重，其中T表示设定的最大迭代次数，其中c1、c2、c3为控制因子，c1为[0.3,0.7]之间的随机数，c2为[0.2,0.5]之间的随机数，c1为[0.1,0.9]之间的随机数；
分别计算位置更新后每个粒子的优选值Qi，当存在当前迭代轮数中粒子i的优选值小于该粒子最优历史位置xi-best对应的优选值时，则更新该粒子的历史最优位置xi-best＝xi(t)；如果存在当前迭代轮数中粒子i的优选值小于种群最优位置pbest对应的优选值时，则更新种群最优位置pbest＝xi(t)，如果存在当前迭代轮数中粒子i的优选值大于种群反面位置pworst对应的优选值时，则更新种群反面位置pworst＝xi(t)；
判断当前迭代次数是否到达设定的最大迭代次数T，若否，则重复上述迭代过程进行新一轮的迭代；若是，则结束迭代过程，将当前种群最优位置pbest映射到神经网络的权值和阈值，输出训练好的风险评估模型。
上述实施方式中，提出了一种风险评估模型的训练技术方案，该方案中，在基于BP神经网络的模型训练技术方案中，特别对粒子的更新规则进行了改进，通过加入种群反面位置作为粒子在每一轮迭代过程中的影响因素以及提出了一种改进的控制因子设置方法，能够有助于刺激粒子打破局部最优解导致的束缚，提高了模型在训练过程中寻找最优解的性能。
一种实施方式中，输入模块400包括：
根据用户输入的目标个人信息从开源数据库中获取与该目标个人对应的基本信息，并将获取的目标个人基本信息作为目标测试数据。
在一种场景中，用户通过输入模块400输入目标个人的名字或者身份ID信息，根据该目标个人的姓名或者ID信息从内部数据库或者开源数据库中获取与该目标个人相应的基本信息，其中基本信息包括年龄、婚姻状况、籍贯、居住地、工作单位、历史守信事件、历史失信事件等；个人信用信息包括：信用评级等；并根据以上信息生成目标测试数据，其中目标测试数据符合风险评估模型输入数据的格式，上述每一项基本信息作为输入数据的一个特征参数。
一种实施方式中，评估模块500还包括：
显示风险评估结果。评估模块500输出风险评估模型输出的风险评估结果，其中风险评估结果包括评估的信用等级。
上述实施方式中，本发明风险评估***能够自适应地从根据个人社会信用样本数据进行风险评估模型训练，并将最终训练好的风险评估模型对目标对象进行信用等级评估，能够有效地针对目标对象的基本情况，获取客观性强的信用评估结果，为有关部门或者用户针对目标对象的信用评级提供依据，同时也能够满足基于个人社会信用风险评估的各种需要。
需要说明的是，在本发明各个实施例中的各功能单元/模块可以集成在一个处理单元/模块中，也可以是各个单元/模块单独物理存在，也可以是两个或两个以上单元/模块集成在一个单元/模块中。上述集成的单元/模块既可以采用硬件的形式实现，也可以采用软件功能单元/模块的形式实现。
通过以上的实施方式的描述，所属领域的技术人员可以清楚地了解应当理解，可以以硬件、软件、固件、中间件、代码或其任何恰当组合来实现这里描述的实施例。对于硬件实现，处理器可以在一个或多个下列单元中实现：专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、处理器、控制器、微控制器、微处理器、设计用于实现这里所描述功能的其他电子单元或其组合。对于软件实现，实施例的部分或全部流程可以通过计算机程序来指令相关的硬件来完成。实现时，可以将上述程序存储在计算机可读介质中或作为计算机可读介质上的一个或多个指令或代码进行传输。计算机可读介质包括计算机存储介质和通信介质，其中通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是计算机能够存取的任何可用介质。计算机可读介质可以包括但不限于RAM、ROM、EEPROM、CD-ROM或其他光盘存储、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质。
最后应当说明的是，以上实施例仅用以说明本发明的技术方案，而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细地说明，本领域的普通技术人员应当分析，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和范围。

Claims (5)

1.一种基于机器学习的社会信用风险评估***，其特征在于，包括：
样本数据模块，用于获取个人社会信用样本数据，其中样本数据包括个人基本信息以及个人信用信息；
统计模块，用于当样本数据模块中个人社会信用样本数据的数量大于设定的阈值时，获取本数据模块中的个人社会信用样本数据作为训练样本数据；
模型训练模块，用户将训练样本数据作为训练集输入到风险评估模型中进行模型训练，生成训练好的风险评估模型；
输入模块，用于获取目标个人的基本信息作为目标测试数据；
评估模块，用于调用模型训练模块中训练好的风险评估模型，将目标测试数据输入到该训练好的风险评估模型中，获取由风险评估模型输出的风险评估结果；
其中，所述模型训练模块包括：
确定风险评估模型中采用的BP神经网络模型的拓扑结构，并将统计模块获取训练样本数据作为训练集；
对粒子群进行初始化设置，包括：设定初始迭代次数t＝0,、设定种群大小N、设定搜索空间维度d，设定训练最大迭代次数T，设定惯性权重ω的上下边界阈值，设定粒子的初始位置xi＝{xi1,xi2,…,xid}及初始速度vi＝{vi1,vi2,…,vid}，其中i＝1,2,…,I，I表示粒子总数，xid和vid表示粒子i在第d维度下的位置和速度，其中粒子的位置对应一组神经网络的权值和阈值、设定粒子的位置阈值x′max和x′min、设定粒子的速度阈值v′max和v′min；
初始化每个粒子的最优历史位置xi-best，计算每个粒子的优选值Qi，根据每个粒子的优选值初始化种群最优位置pbest和种群反面位置pworst；
其中粒子的优选值Qi的计算函数为
式中，Qi表示第i个粒子当前位置的优选值，R表示样本集中训练样本数据的数量，J表示神经网络中输出节点的总数，j表示神经网络中第j个输出节点，γrj表示神经网络中第j个输出节点的期望输出值，Υrj(t)表示第j个输出节点的实际输出值；
其中当t＝0时，xi-best＝xi，pbest＝xa其中pworst＝xb其中
迭代过程：更新当前迭代轮数t＝t+1；
对每个粒子的位置和速度进行更新，其中采用的更新函数为：
vi(t)＝ωvi(t-1)+c1(xi-best(t-1)-xi(t-1))+c2(pbest(t-1)-xi(t-1))
+c3(pworst(t-1)-xi(t-1))
xi(t)＝xi(t-1)+vi(t)
式中，vi(t)表示第t轮迭代时第i个粒子的速度，vi(t-1)表示第t-1轮迭代时第i个粒子的速度，xi(t)表示第t轮迭代时第i个粒子的位置，xi(t-1)表示第t-1轮迭代时第i个粒子的位置，ω表示趋势权重，其中T表示设定的最大迭代次数，其中c1、c2、c3为控制因子，c1为[0.3,0.7]之间的随机数，c2为[0.2,0.5]之间的随机数，c1为[0.1,0.9]之间的随机数；
分别计算位置更新后每个粒子的优选值Qi，当存在当前迭代轮数中粒子i的优选值小于该粒子最优历史位置xi-best对应的优选值时，则更新该粒子的历史最优位置xi-best＝xi(t)；如果存在当前迭代轮数中粒子i的优选值小于种群最优位置pbest对应的优选值时，则更新种群最优位置pbest＝xi(t)，如果存在当前迭代轮数中粒子i的优选值大于种群反面位置pworst对应的优选值时，则更新种群反面位置pworst＝xi(t)；
判断当前迭代次数是否到达设定的最大迭代次数T，若否，则重复上述迭代过程进行新一轮的迭代；若是，则结束迭代过程，将当前种群最优位置pbest映射到神经网络的权值和阈值，输出训练好的风险评估模型。
2.根据权利要求1所述的一种基于机器学习的社会信用风险评估***，其特征在于，所述样本数据模块还包括：
外接单元，用于从个人社会信用查询平台数据库中导入所述个人社会信用样本数据；和/或
录入单元，用于录入所述个人社会信用样本数据。
3.根据权利要求1所述的一种基于机器学习的社会信用风险评估***，其特征在于，所述统计模块还包括：
对所述样本数据模块中的所述个人社会信用样本数据进行数据清洗，消除个人社会信用样本数据中的无效数据，并将个人社会信用样本数据转变为符合所述训练样本数据的格式。
4.根据权利要求1所述的一种基于机器学习的社会信用风险评估***，其特征在于，所述输入模块包括：
根据用户输入的所述目标个人信息从开源数据库中获取与该目标个人对应的基本信息，并将获取的目标个人基本信息作为所述目标测试数据。
5.根据权利要求1所述的一种基于机器学习的社会信用风险评估***，其特征在于，所述评估模块还包括：
显示风险评估结果。
CN202011262949.0A 2020-11-12 2020-11-12 一种基于机器学习的社会信用风险评估*** Active CN112396310B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011262949.0A CN112396310B (zh) 2020-11-12 2020-11-12 一种基于机器学习的社会信用风险评估***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011262949.0A CN112396310B (zh) 2020-11-12 2020-11-12 一种基于机器学习的社会信用风险评估***

Publications (2)

Publication Number Publication Date
CN112396310A CN112396310A (zh) 2021-02-23
CN112396310B true CN112396310B (zh) 2024-05-28

Family

ID=74599901

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011262949.0A Active CN112396310B (zh) 2020-11-12 2020-11-12 一种基于机器学习的社会信用风险评估***

Country Status (1)

Country Link
CN (1) CN112396310B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116702052B (zh) * 2023-08-02 2023-10-27 云南香农信息技术有限公司 一种社区社会信用体系信息处理***及方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109670940A (zh) * 2018-11-12 2019-04-23 深圳壹账通智能科技有限公司 基于机器学习的信用风险评估模型生成方法及相关设备
CN110610412A (zh) * 2019-09-02 2019-12-24 深圳中兴飞贷金融科技有限公司 信用风险评估方法和装置、存储介质和电子设备
CN110992173A (zh) * 2020-03-04 2020-04-10 杭州信雅达数码科技有限公司 一种基于多实例学习的信用风险评估模型生成方法
CN111080397A (zh) * 2019-11-18 2020-04-28 支付宝(杭州)信息技术有限公司 信用评估方法、装置及电子设备

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109670940A (zh) * 2018-11-12 2019-04-23 深圳壹账通智能科技有限公司 基于机器学习的信用风险评估模型生成方法及相关设备
CN110610412A (zh) * 2019-09-02 2019-12-24 深圳中兴飞贷金融科技有限公司 信用风险评估方法和装置、存储介质和电子设备
CN111080397A (zh) * 2019-11-18 2020-04-28 支付宝(杭州)信息技术有限公司 信用评估方法、装置及电子设备
CN110992173A (zh) * 2020-03-04 2020-04-10 杭州信雅达数码科技有限公司 一种基于多实例学习的信用风险评估模型生成方法

Also Published As

Publication number Publication date
CN112396310A (zh) 2021-02-23

Similar Documents

Publication Publication Date Title
TWI769754B (zh) 基於隱私保護確定目標業務模型的方法及裝置
WO2023035564A1 (zh) 基于分位数梯度提升决策树的负荷区间预测方法及***
JP2021518024A (ja) 機械学習アルゴリズムのためのデータを生成する方法、システム
WO2021089013A1 (zh) 空间图卷积网络的训练方法、电子设备及存储介质
CN114048331A (zh) 一种基于改进型kgat模型的知识图谱推荐方法及***
WO2020168851A1 (zh) 行为识别
US11374882B2 (en) Intelligent chat channel processor
WO2022179384A1 (zh) 一种社交群体的划分方法、划分***及相关装置
CN110135681A (zh) 风险用户识别方法、装置、可读存储介质及终端设备
CN113298121B (zh) 基于多数据源建模的消息发送方法、装置和电子设备
JP2022526931A (ja) マスタ・データ管理システムのデータ記録にアクセスするための方法
CN112396310B (zh) 一种基于机器学习的社会信用风险评估***
CN112307133A (zh) 安全防护方法、装置、计算机设备及存储介质
CN112257959A (zh) 用户风险预测方法、装置、电子设备及存储介质
CN109871866B (zh) 用于医院内感染预测的模型训练方法、装置、设备及介质
CN109121133B (zh) 一种位置隐私保护方法及装置
US7895206B2 (en) Search query categrization into verticals
Feng et al. A learning fuzzy Petri net model
CN113379536A (zh) 一种基于引力搜索算法优化递归神经网络的违约概率预测方法
WO2023045378A1 (zh) 向用户推荐物品信息的方法、设备、存储介质及程序产品
CN113409096B (zh) 目标对象识别方法、装置、计算机设备及存储介质
CN115794586A (zh) 云服务器软件老化预测方法、装置、设备和介质
CN115099875A (zh) 基于决策树模型的数据分类方法及相关设备
CN112069392B (zh) 涉网犯罪防控方法、装置、计算机设备及存储介质
KR20220061835A (ko) 하드웨어 가속 장치 및 방법

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