CN112819491A - 一种转化数据处理的方法、装置、电子设备及存储介质 - Google Patents

一种转化数据处理的方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN112819491A
CN112819491A CN201911120892.8A CN201911120892A CN112819491A CN 112819491 A CN112819491 A CN 112819491A CN 201911120892 A CN201911120892 A CN 201911120892A CN 112819491 A CN112819491 A CN 112819491A
Authority
CN
China
Prior art keywords
data
index value
index
value sequence
conversion
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.)
Granted
Application number
CN201911120892.8A
Other languages
English (en)
Other versions
CN112819491B (zh
Inventor
张晓雨
朱建新
唐潜
郭玲
杨雷
秦首科
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.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology 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 Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN201911120892.8A priority Critical patent/CN112819491B/zh
Publication of CN112819491A publication Critical patent/CN112819491A/zh
Application granted granted Critical
Publication of CN112819491B publication Critical patent/CN112819491B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0242—Determining effectiveness of advertisements
    • 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
    • G06F16/2474—Sequence data queries, e.g. querying versioned data
    • 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
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Marketing (AREA)
  • Finance (AREA)
  • General Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Educational Administration (AREA)
  • Fuzzy Systems (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Probability & Statistics with Applications (AREA)
  • Mathematical Physics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请公开了转化数据处理的方法、装置、电子设备及存储介质，涉及数据处理领域，尤其是目标转化出价中的转化数据处理技术。具体实现方案为：根据指标参数对多种类型的转化数据进行归一化处理，得到归一化数据，归一化数据包括基于时间的指标值序列；根据时间权重判断指标值序列是否存在异常数据；若存在异常数据，从指标值序列中删除异常数据。归一化处理能够将多种类型的转化数据转化为具有相同数据结构的归一化数据，基于时间权重对归一化数据包含的指标值序列进行异常数据检测，能够提高异常数据检测的准确性。

Description

一种转化数据处理的方法、装置、电子设备及存储介质
技术领域
本申请涉及数据处理技术，尤其涉及互联网广告转化数据处理技术。
背景技术
目标转化出价(optimization cost per click，oCPC)用于互联网广告投放中计算回报率。目标转化出价功能的实现过程中，需要对转化数据进行统计和异常数据的检测。但是在处理异构的数据源时，异常数据检测准确性较差。
发明内容
本申请实施例提供一种转化数据处理的方法、装置、电子设备及存储介质，可以在处理异构的数据源时，提高异常数据检测准确性。
本申请实施例提供了一种转化数据处理的方法，包括：
根据指标参数对多种类型的转化数据进行归一化处理，得到归一化数据，归一化数据包括基于时间的指标值序列；
根据时间权重判断指标值序列是否存在异常数据；
若存在异常数据，从指标值序列中删除异常数据。
上述申请实施例，能够根据指标参数对多种类型的转化数据进行归一化处理，得到归一化数据，归一化数据包括基于时间的指标值序列；根据时间权重判断指标值序列是否存在异常数据；若存在异常数据，从指标值序列中删除异常数据。归一化处理能够将多种类型的转化数据转化为具有相同数据结构的归一化数据，基于时间权重对归一化数据包含的指标值序列进行异常数据检测，能够提高异常数据检测的准确性。
在上述申请的一个实施例中，根据指标参数对多种类型的转化数据进行归一化处理，得到归一化数据，包括：
获取转化数据的用户标识、转化类型以及采集类型；
根据用户标识、转化类型以及采集类型对多种类型的转化数据进行归一化处理，得到归一化数据。
在上述申请实施例中，能够根据用户标识、转化类型以及采集类型对多种类型的转化数据进行分类。根据转化数据所属的用户标识、转化类型以及转化数据的采集方式，对转化数据进行归一化处理，进而实现异构数据源的归一化处理。通过记录用户标识、转化类型以及采集类型，能够更加准确的标记转化数据。
在上述申请的一个实施例中，根据用户标识、转化类型以及采集类型对多种类型的转化数据进行归一化处理，得到归一化数据，包括：
为用户标识配置一个数据单元；
数据单元包括一个或多个采集类型与转化类型的关联关系，关联关系关联一个或多个投放包信息；投放包信息包括指标标识以及指标标识关联的基于时间的指标值序列。
在上述申请实施例中，使用数据单元的数据结构存储一个用户的多种类型的转化数据，根据转化数据的采集类型和转化类型的关联关系，可确定多个类型的投放包信息。每个投放包信息包括一种指标下的指标值序列，该指标值序列基于时间排序，存储有不同时间点上的指标值。进而实现根据客户指标、采集方式、转化类型以及指标标识定位指标值序列的数据结构，通过该数据结构能够对不同类型的转化数据进行归一化处理，提高归一化效率。
在上述申请的一个实施例中，根据时间权重判断指标值序列是否存在异常数据，包括：
根据归一化数据包含的目标特征计算归一化数据的哈希值；
根据哈希值确定归一化数据所在的哈希桶；
根据时间权重判断判断每个哈希桶中归一化数据包含的指标值序列是否存在异常数据。
在上述申请实施例中，在对归一化数据进行检测之前，根据归一化数据的目标特征得到哈希值，根据哈希值对归一化数据进行分桶，然后对每个分桶中的归一化数据进行异常数据检测，进而实现基于哈希值将归一化数据进行分割，提高异常检测效率。
在上述申请的一个实施例中，根据时间权重判断判断每个哈希桶中归一化数据包含的指标值序列是否存在异常数据，包括：
并行处理多个哈希桶中的异常数据检测；
每个哈希桶中，按照串行顺序，依次读取哈希桶中指标值序列；
判断指标序列中是否存在异常数据。
在上述申请实施例中，可以在各个哈希桶之间进行并行计算，实现高并发的异常检测。同时，每个哈希桶内部，采用串行方式依次处理每个指标值序列，进一步提高数据处理效率。
在上述申请的一个实施例中，根据时间权重判断指标值序列是否存在异常数据，包括：
根据时间权重对指标值序列中的每个指标值进行加权，得到指标值序列的均值，均值为指标序列的平均数或中位数；
计算指标值序列的标准差或绝对中位差；
根据均值和标准差遍历指标值序列，确定与均值数值差距最大的残差；
计算指标值序列t分布的临界值；
根据临界值与标准差的大小确定是否存在异常点。
在上述申请实施例中，对于一个指标值序列，按照时间权重为该指标值序列中的每个指标值进行加权，得到指标值序列的均值；根据均值和标准差遍历该指标值序列中的每个指标值，确定与均值数值差距最大的残差，然后根据该指标序列的t分布的临界值与该残差，确定一个异常点。进而实现基于指标值的时间信息确定指标值序列的均值，并基于该均值确定指标值序列中的异常点，进而能够基于时间有效性更加准确的确定异常点，提高异常点检测效率。
在上述申请的一个实施例中，根据时间权重对指标值序列中的每个指标值进行加权，包括：
根据指标值的获取时间与当前时间的时间间隔，确定指标值的加权参数，加权参数小于1，加权参数的数值与时间间隔的长度呈反比趋势；
根据加权参数对指标值进行加权。
在上述申请实施例中，根据指标值的获取时间与当前时间的时间间隔，确定指标值的加权参数，能够实现加权参数的数值与时间间隔的长度呈反比趋势的加权方式，进而提高加权计算的准确性。
本申请实施例还提供了一种转化数据处理的装置，包括：
归一化模块，用于根据指标参数对多种类型的转化数据进行归一化处理，得到归一化数据，归一化数据包括基于时间的指标值序列；
异常检测模块，用于根据时间权重判断指标值序列是否存在异常数据；
异常处理模块，用于若存在异常数据，从指标值序列中删除异常数据。
本申请实施例还提供了一种转化数据处理的装置，包括：
归一化模块，用于根据指标参数对多种类型的转化数据进行归一化处理，得到归一化数据，归一化数据包括基于时间的指标值序列；
异常检测模块，用于根据时间权重判断指标值序列是否存在异常数据；
异常处理模块，用于若存在异常数据，从指标值序列中删除异常数据。
本申请实施例还提供了一种电子设备，包括：
至少一个处理器；以及
与至少一个处理器通信连接的存储器；其中，
存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行上述实施例所示方法。
本申请实施例还提供了一种存储有计算机指令的非瞬时计算机可读存储介质，计算机指令用于使计算机执行上述实施例所示方法。
上述可选方式所具有的其他效果将在下文中结合具体实施例加以说明。
附图说明
附图用于更好地理解本方案，不构成对本申请的限定。其中：
图1是根据本申请第一实施例的流程示意图；
图2是根据本申请第二实施例的流程示意图；
图3是根据本申请第三实施例的流程示意图；
图4是根据本申请第四实施例的结构示意图；
图5是用来实现本申请实施例的转化数据处理的方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
实施例一
图1为本申请实施例提供的一种转化数据处理的方法的流程示意图，该方法适用于目标转化出价(optimization cost per click，oCPC)中的多源异构数据的波动检测，可以通过服务器、终端等电子设备执行，该方法可通过下述方式实施：
步骤101、根据指标参数对多种类型的转化数据进行归一化处理，得到归一化数据，归一化数据包括基于时间的指标值序列。
转化数据的根据采集类型和转化类型的不同分为不同类别。采集类型与转化类型成组出现，当产生关注的指标值时，移动终端等转化数据采集设备生成转化数据。
多种类型的转化数据的采集类型用于表示转化数据的采集方式，采集类型可以包括应用程序编程接口(Application Programming Interface,API)采集、落地页中的加载的JS(JavaScript)代码采集、商业对话平台(Business Conversation Platform)采集，应用程序(Application，APP)激活采集、小程序中SDK代码采集等。
转化数据的转化类型可以为被认定为产生转化的操作类型，如用户在检索页面中或落地页中触发一次目标行为。目标行为可以为咨询寻或提交表单等。
多种类型的转化数据又被称为异构数据源，本申请实施例对异构数据源携带的转化数据进行归一化处理，得到的归一化数据中包括指标值序列。指标值序列又称时间序列，指标值序列(或时间序列)中每个元素包括两个时间信息和指标值。时间信息表示产生指标值的时间，指标值为关注的用户行为参数。
可选的，获取转化数据的用户标识、转化类型以及采集类型；根据用户标识、转化类型以及采集类型对多种类型的转化数据进行归一化处理，得到归一化数据。
根据获取转化数据的获取方式，如接收转化数据的接口可确定采集类型，根据转化数据携带的指标值类型，可确定转化类型。从转化数据中提炼用户标识、转化类型以及采集类型，通过遍历转化数据得到指标值序列。
在上述申请实施例中，能够根据用户标识、转化类型以及采集类型对多种类型的转化数据进行分类。根据转化数据所属的用户标识、转化类型以及转化数据的采集方式，对转化数据进行归一化处理，进而实现异构数据源的归一化处理。通过记录用户标识、转化类型以及采集类型，能够更加准确的标记转化数据。
具体的，如图2所示，为用户标识配置一个数据单元；
数据单元包括一个或多个采集类型与转化类型的关联关系，该关联关系关联一个或多个投放包信息；投放包信息包括指标标识以及指标标识关联的基于时间的指标值序列。
在互联网推广平台中，每个账户可能使用一种或多种采集方式接入一种或多种转化类型(标记一种广告主期望优化的目标行为)的数据。一个用户标识用于标记一个账户。本申请实施例提供了一种新的数据结构，在该数据结构中，为一个账户配置一个数据单元(又称unit)。每个数据单元具有一个或多个投放包信息(又称cell)。可以为每个账户配置一个数据单元，例如，若存在N个用户标识表示的N个账户，则配置N个数据单元，其中N为正整数。或者，可以为部分账户配置一个数据单元，例如，若存在N个用户标识表示的N个账户，则配置M个数据单元，为M个账户中的每个账户配置一个数据单元，M为小于N的非负整数。
每个投放包信息配置有一个采集类型和转化类型的关联关系，该关联关系表示该投放包信息是通过何种采集方式得到，以及记录的是何种转化类型的指标值。同一个用户标识(即账户)可以配置多个投放包信息，进而实现以固定的时间周期对转化数据进行聚合。投放包信息即为按照相应转换类型和采集类型采集到的指标值序列(又称时间序列)。
如表1所示，一个用户标识对应一个数据单元，数据单元中包括两个关联关系，分别为：使用采集类型1接入转化类型1和采集类型2接入转化类型2。其中，采集类型1-转化类型1包括两个投放包信息，分别包括指标1-1及其关联的指标值序列和指标1-2及其关联的指标值序列。采集类型2-转化类型2包括两个投放包信息，分别包括指标2-1及其关联的指标值序列和指标2-2及其关联的指标值序列。
表1
Figure BDA0002275434520000071
在上述申请实施例中，使用数据单元的数据结构存储一个用户的多种类型的转化数据，根据转化数据的采集类型和转化类型的关联关系，可确定多个类型的投放包信息。每个投放包信息包括一种指标下的指标值序列，该指标值序列基于时间排序，存储有不同时间点上的指标值。进而实现根据客户指标、采集方式、转化类型以及指标标识定位指标值序列的数据结构，通过该数据结构能够对不同类型的转化数据进行归一化处理，提高归一化效率。
步骤102、根据时间权重判断指标值序列是否存在异常数据。
分别对指标序列中的每个指标值配置时间权重，计算得到指标值序列的均值。根据该均值以及指标序列中的指标值判断指标序列中的异常数据，完成波动检测。
步骤103、若存在异常数据，从指标值序列中删除异常数据。
若存在异常数据，则从指标值序列中删除异常数据，并判断是否返回执行步骤102。若不存在异常数据，则表示指标值序列中不包含异常数据。
示例性的，判断已经确定的异常数据的个数是否满足预设异常数据个数，或者执行判断是否存在异常数据的次数是否超出预设循环次数。如果异常数据的个数小于满足预设异常数据个数，或者执行判断是否存在异常数据的次数未超出预设循环次数，则循环执行步骤102。如果异常数据的个数大于等于预设异常数据个数，或者执行判断是否存在异常数据的次数超出预设循环次数，则取消返回执行步骤102。
上述申请实施例，能够根据指标参数对多种类型的转化数据进行归一化处理，得到归一化数据，归一化数据包括基于时间的指标值序列；根据时间权重判断指标值序列是否存在异常数据；若存在异常数据，从指标值序列中删除异常数据。归一化处理能够将多种类型的转化数据转化为具有相同数据结构的归一化数据，基于时间权重对归一化数据包含的指标值序列进行异常数据检测，能够提高异常数据检测的准确性。
实施例二
图3为本申请实施例二提供的转化数据处理的方法的流程示意图，作为对上述实施例的进一步说明，包括：
步骤201、根据指标参数对多种类型的转化数据进行归一化处理，得到归一化数据，归一化数据包括基于时间的指标值序列。
步骤202、根据归一化数据包含的目标特征计算归一化数据的哈希值。
目标特征可以为归一化数据中的用户标识或指标值等。根据用户标识计算哈希值，可以在同一个哈希桶中统计具有相同哈希值的用户标识的归一化数据。根据指标值计算哈希值，可以在同一个哈希桶中得到具有相同哈希值的指标值的归一化数据。
步骤203、根据哈希值确定归一化数据所在的哈希桶。
步骤204、根据时间权重判断判断每个哈希桶中归一化数据包含的指标值序列是否存在异常数据。
可选的，并行处理多个哈希桶中的异常数据检测；每个哈希桶中，按照串行顺序，依次读取哈希桶中指标值序列；判断指标序列中是否存在异常数据。
根据目标特征进行哈希分桶后，每个哈希分桶中存储有多个指标值序列。波动检测的处理对象为一个或多个指标值序列。可选的，在一个哈希桶中，可以按照一定顺序依次读取指标值序列，每读取一个指标值序列。判断读取的指标序列中是否存在异常数据。该顺序可以为指标值序列的在存储空间的首地址顺序，或者可以为上述数据结构中指标值序列的存储顺序。
在上述申请实施例中，在对每个哈希桶中的数据进行异常数据检测时，以数据单元为每次处理的最小粒度，将哈希桶中的数据拆分成可以加载至内存处理的大小。哈希桶中的数据存储到磁盘上。各哈希桶之间进行并行的波动检测。在各个哈希桶之间进行并行计算，实现高并发的异常检测。同时，每个哈希桶内部，采用串行方式顺序处理指标值序列，能够减少随机输入输出次数，加大程序并发度，提升波动检测效率。
步骤205、若存在异常数据，从指标值序列中删除异常数据。
在上述申请实施例中，在对归一化数据进行检测之前，根据归一化数据的目标特征得到哈希值，根据哈希值对归一化数据进行分桶，然后对每个分桶中的归一化数据进行异常数据检测，进而实现基于哈希值将归一化数据进行分割，提高异常检测效率。
实施例三
图3为本申请实施例三提供的转化数据处理的方法的流程示意图，作为对上述实施例的进一步说明，包括：
步骤301、根据指标参数对多种类型的转化数据进行归一化处理，得到归一化数据，归一化数据包括基于时间的指标值序列。
步骤302、根据时间权重对指标值序列中的每个指标值进行加权，得到指标值序列的均值，均值为指标序列的平均数或中位数。
在实际的推广平台中，转化数据会因广告主落地页变化或投放计划更改而产生预期内的波动，这时较久远的历史数据参考意义不大且容易引起误判，所以要求异常检测算法能够更及时适应最新的数据分布。由于每个客户转化数据波动趋势各有差异，统一的波动阈值不能适用于所有客户的情况，这会导致波动检测误判或者漏判。本申请实施例基于客户数据统计与分布特性使用加权极限标准差算法进行波动检测。基础的极限标准差算法原理为，首先假设数据集中不存在异常值，然后在数据集中逐步删除与均值偏离最大的值(最大值或最小值)，并同步更新对应的t分布临界值(用于检验假设是否成立)，直到假设成立或异常值个数超过设定的k值。本申请实施例在极限标准差算法(ESD算法)的基础上引入时间权重β参数，用于控制时间权重，可称为加权极限标准差算法(W-ESD算法)。
可选的，根据指标值的获取时间与当前时间的时间间隔，确定指标值的加权参数，加权参数小于1，加权参数的数值与时间间隔的长度呈反比趋势；根据加权参数对指标值进行加权。
可以通过下述公式计算均值
Figure BDA0002275434520000101
Figure BDA0002275434520000102
其中，β参数用于控制时间特征在计算均值中的重要性，即加权参数。β参数越接近0，均值
Figure BDA0002275434520000103
取值越偏向最新时间的指标值。T1,T2…Ti…Tn为指标值序列中各时间信息对应的指标值。N为指标值序列包含的指标值的数量。
Figure BDA0002275434520000104
可以表示指标值序列的平均值也可表示指标值序列的中位数。
在上述申请实施例中，根据指标值的获取时间与当前时间的时间间隔，确定指标值的加权参数，能够实现加权参数的数值与时间间隔的长度呈反比趋势的加权方式，进而提高加权计算的准确性。
步骤303、计算指标值序列的标准差或绝对中位差s。
当
Figure BDA0002275434520000105
表示平均值时s表示标准差；当
Figure BDA0002275434520000106
表示中位数时s表示绝对中位差，简写为MAD(对于序列T，MAD＝median(|Ti-median(T)|))
步骤304、根据均值和标准差遍历指标值序列，确定与均值数值差距最大的残差。
与均值数值差距最大的残差Rj的计算公式如下：
Figure BDA0002275434520000107
其中，
Figure BDA0002275434520000108
表示指标值序列的均值；Ti为当前遍历的指标值序列中的某个指标值。K为预设的异常数据的数量。
步骤305、计算指标值序列t分布的临界值。
临界值λj的计算公式为：
Figure BDA0002275434520000109
其中，tp,n-j-1表示自由度为n-j+1，显著度为p的t分布的右侧临界值。
步骤306、根据临界值与标准差的大小确定是否存在异常点。
若与均值数值差距最大的残差Rj大于临界值λj，则确定该指标值为异常数据。否则，若与均值数值差距最大的残差Rj小于临界值λj，则表示指标值队列中不存在异常数据。
在上述申请实施例中，对于一个指标值序列，按照时间权重为该指标值序列中的每个指标值进行加权，得到指标值序列的均值；根据均值和标准差遍历该指标值序列中的每个指标值，确定与均值数值差距最大的残差，然后根据该指标序列的t分布的临界值与该残差，确定一个异常点。进而实现基于指标值的时间信息确定指标值序列的均值，并基于该均值确定指标值序列中的异常点，进而能够基于时间有效性更加准确的确定异常点，提高异常点检测效率。本申请实施例提供的波动检测算法，可支持在多个指标纬度进行波动检测，作为波动归因的参考依据，能够更加有效地定位问题所在。采用时间权重进行波动检测，使得波动检测***能根据客户历史波动状况自适应地放松或收紧异常判断标准；引入β参数，使得应用方可以根据具体应用场景调节最新时间数据分布在异常检测算法中的重要性，提升了波动检测的准确率和灵活度。
实施例四
图4为本申请实施例四提供的一种转化数据处理的装置400的结构示意图，该装置用于执行上述实施例所示方式，实现相应响应功能，该装置可以应用于服务器或终端等电子设备，包括：归一化模块401、异常检测模块402以及异常处理模块403。其中：
归一化模块401，用于根据指标参数对多种类型的转化数据进行归一化处理，得到归一化数据，归一化数据包括基于时间的指标值序列；
异常检测模块402，用于根据时间权重判断指标值序列是否存在异常数据；
异常处理模块403，用于若存在异常数据，从指标值序列中删除异常数据。
上述申请实施例，归一化模块401根据指标参数对多种类型的转化数据进行归一化处理，得到归一化数据，归一化数据包括基于时间的指标值序列；异常检测模块402根据时间权重判断指标值序列是否存在异常数据；若存在异常数据，异常处理模块403从指标值序列中删除异常数据。归一化处理能够将多种类型的转化数据转化为具有相同数据结构的归一化数据，基于时间权重对归一化数据包含的指标值序列进行异常数据检测，能够提高异常数据检测的准确性。
在上述实施例的基础上，归一化模块401用于：
获取转化数据的用户标识、转化类型以及采集类型；
根据用户标识、转化类型以及采集类型对多种类型的转化数据进行归一化处理，得到归一化数据。
在上述申请实施例中，归一化模块401能够根据用户标识、转化类型以及采集类型对多种类型的转化数据进行分类。根据转化数据所属的用户标识、转化类型以及转化数据的采集方式，对转化数据进行归一化处理，进而实现异构数据源的归一化处理。通过记录用户标识、转化类型以及采集类型，能够更加准确的标记转化数据。
在上述实施例的基础上，归一化模块401用于：
为每个用户标识配置一个数据单元；
数据单元包括一个或多个采集类型与转化类型的关联关系，关联关系关联一个或多个投放包信息；投放包信息包括指标标识以及指标标识关联的基于时间的指标值序列。
在上述申请实施例中，归一化模块401使用数据单元的数据结构存储一个用户的多种类型的转化数据，根据转化数据的采集类型和转化类型的关联关系，可确定多个类型的投放包信息。每个投放包信息包括一种指标下的指标值序列，该指标值序列基于时间排序，存储有不同时间点上的指标值。进而实现根据客户指标、采集方式、转化类型以及指标标识定位指标值序列的数据结构，通过该数据结构能够对不同类型的转化数据进行归一化处理，提高归一化效率。
在上述实施例的基础上，异常检测模块402用于：
根据归一化数据包含的目标特征计算归一化数据的哈希值；
根据哈希值确定归一化数据所在的哈希桶；
根据时间权重判断判断每个哈希桶中归一化数据包含的指标值序列是否存在异常数据。
在上述申请实施例中，在对归一化数据进行检测之前，异常检测模块402根据归一化数据的目标特征得到哈希值，根据哈希值对归一化数据进行分桶，然后对每个分桶中的归一化数据进行异常数据检测，进而实现基于哈希值将归一化数据进行分割，提高异常检测效率。
在上述实施例的基础上，异常检测模块402用于：
并行处理多个哈希桶中的异常数据检测；
每个哈希桶中，按照串行顺序，依次读取哈希桶中一个指标值序列；
判断指标序列中是否存在异常数据。
在上述申请实施例中，异常检测模块402可以在各个哈希桶之间进行并行计算，实现高并发的异常检测。同时，每个哈希桶内部，采用串行方式依次处理每个指标值序列，进一步提高数据处理效率。
在上述实施例的基础上，异常检测模块402用于：
根据时间权重对指标值序列中的每个指标值进行加权，得到指标值序列的均值，均值为指标序列的平均数或中位数；
计算指标值序列的标准差或绝对中位差；
根据均值和标准差遍历指标值序列，确定与均值数值差距最大的残差；
计算指标值序列t分布的临界值；
根据临界值与标准差的大小确定是否存在异常点。
在上述申请实施例中，对于一个指标值序列，异常检测模块402按照时间权重为该指标值序列中的每个指标值进行加权，得到指标值序列的均值；根据均值和标准差遍历该指标值序列中的每个指标值，确定与均值数值差距最大的残差，然后根据该指标序列的t分布的临界值与该残差，确定一个异常点。进而实现基于指标值的时间信息确定指标值序列的均值，并基于该均值确定指标值序列中的异常点，进而能够基于时间有效性更加准确的确定异常点，提高异常点检测效率。
在上述实施例的基础上，异常检测模块402用于：
根据指标值的获取时间与当前时间的时间间隔，确定指标值的加权参数，加权参数小于1，加权参数的数值与时间间隔的长度呈反比趋势；
根据加权参数对指标值进行加权。
在上述申请实施例中，异常检测模块402根据指标值的获取时间与当前时间的时间间隔，确定指标值的加权参数，能够实现加权参数的数值与时间间隔的长度呈反比趋势的加权方式，进而提高加权计算的准确性。
实施例五
根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。
如图5所示，是根据本申请实施例的转化数据处理的方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图5所示，该电子设备包括：一个或多个处理器501、存储器502，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器***)。图5中以一个处理器501为例。
存储器502即为本申请所提供的非瞬时计算机可读存储介质。其中，存储器存储有可由至少一个处理器执行的指令，以使至少一个处理器执行本申请所提供的转化数据处理的方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的转化数据处理的方法。
存储器502作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的转化数据处理的方法对应的程序指令/模块(例如，附图4所示的：归一化模块401、异常检测模块402以及异常处理模块403)。处理器501通过运行存储在存储器502中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的转化数据处理的方法。
存储器502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；存储数据区可存储根据转化数据处理的电子设备的使用所创建的数据等。此外，存储器502可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器502可选包括相对于处理器501远程设置的存储器，这些远程存储器可以通过网络连接至转化数据处理的电子设备。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。
转化数据处理的方法的电子设备还可以包括：输入装置503和输出装置504。处理器501、存储器502、输入装置503和输出装置504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。
输入装置503可接收输入的数字或字符信息，以及产生与转化数据处理的电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置504可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。
此处描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互，可以在计算机上实施此处描述的***和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如，作为数据服务器)、或者包括中间件部件的计算***(例如，应用服务器)、或者包括前端部件的计算***(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将***的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
上述申请实施例，能够根据指标参数对多种类型的转化数据进行归一化处理，得到归一化数据，归一化数据包括基于时间的指标值序列；根据时间权重判断指标值序列是否存在异常数据；若存在异常数据，从指标值序列中删除异常数据。归一化处理能够将多种类型的转化数据转化为具有相同数据结构的归一化数据，基于时间权重对归一化数据包含的指标值序列进行异常数据检测，能够提高异常数据检测的准确性。
在上述申请实施例中，能够根据用户标识、转化类型以及采集类型对多种类型的转化数据进行分类。根据转化数据所属的用户标识、转化类型以及转化数据的采集方式，对转化数据进行归一化处理，进而实现异构数据源的归一化处理。通过记录用户标识、转化类型以及采集类型，能够更加准确的标记转化数据。
在上述申请实施例中，使用数据单元的数据结构存储一个用户的多种类型的转化数据，根据转化数据的采集类型和转化类型的关联关系，可确定多个类型的投放包信息。每个投放包信息包括一种指标下的指标值序列，该指标值序列基于时间排序，存储有不同时间点上的指标值。进而实现根据客户指标、采集方式、转化类型以及指标标识定位指标值序列的数据结构，通过该数据结构能够对不同类型的转化数据进行归一化处理，提高归一化效率。
在上述申请实施例中，在对归一化数据进行检测之前，根据归一化数据的目标特征得到哈希值，根据哈希值对归一化数据进行分桶，然后对每个分桶中的归一化数据进行异常数据检测，进而实现基于哈希值将归一化数据进行分割，提高异常检测效率。
在上述申请实施例中，可以在各个哈希桶之间进行并行计算，实现高并发的异常检测。同时，每个哈希桶内部，采用串行方式依次处理每个指标值序列，进一步提高数据处理效率。
在上述申请实施例中，对于一个指标值序列，按照时间权重为该指标值序列中的每个指标值进行加权，得到指标值序列的均值；根据均值和标准差遍历该指标值序列中的每个指标值，确定与均值数值差距最大的残差，然后根据该指标序列的t分布的临界值与该残差，确定一个异常点。进而实现基于指标值的时间信息确定指标值序列的均值，并基于该均值确定指标值序列中的异常点，进而能够基于时间有效性更加准确的确定异常点，提高异常点检测效率。
在上述申请实施例中，根据指标值的获取时间与当前时间的时间间隔，确定指标值的加权参数，能够实现加权参数的数值与时间间隔的长度呈反比趋势的加权方式，进而提高加权计算的准确性。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。

Claims (10)

1.一种转化数据处理的方法，其特征在于，包括：
根据指标参数对多种类型的转化数据进行归一化处理，得到归一化数据，所述归一化数据包括基于时间的指标值序列；
根据时间权重判断所述指标值序列是否存在异常数据；
若存在异常数据，从所述指标值序列中删除异常数据。
2.根据权利要求1所述的转化数据处理的方法，其特征在于，所述根据指标参数对多种类型的转化数据进行归一化处理，得到归一化数据，包括：
获取转化数据的用户标识、转化类型以及采集类型；
根据所述用户标识、转化类型以及采集类型对多种类型的转化数据进行归一化处理，得到归一化数据。
3.根据权利要求2所述的转化数据处理的方法，其特征在于，所述根据所述用户标识、转化类型以及采集类型对多种类型的转化数据进行归一化处理，得到归一化数据，包括：
为用户标识配置一个数据单元；
所述数据单元包括一个或多个采集类型与转化类型的关联关系，所述关联关系关联一个或多个投放包信息；所述投放包信息包括指标标识以及所述指标标识关联的基于时间的指标值序列。
4.根据权利要求1所述的转化数据处理的方法，其特征在于，所述根据时间权重判断所述指标值序列是否存在异常数据，包括：
根据归一化数据包含的目标特征计算归一化数据的哈希值；
根据所述哈希值确定归一化数据所在的哈希桶；
根据时间权重判断判断每个哈希桶中归一化数据包含的指标值序列是否存在异常数据。
5.根据权利要求4所述的转化数据处理的方法，其特征在于，所述根据时间权重判断判断每个哈希桶中归一化数据包含的指标值序列是否存在异常数据，包括：
并行处理多个哈希桶中的异常数据检测；
每个哈希桶中，按照串行顺序，依次读取所述哈希桶中指标值序列；
判断所述指标序列中是否存在异常数据。
6.根据权利要求1所述的转化数据处理的方法，其特征在于，所述根据时间权重判断所述指标值序列是否存在异常数据，包括：
根据时间权重对指标值序列中的每个指标值进行加权，得到指标值序列的均值，所述均值为所述指标序列的平均数或中位数；
计算所述指标值序列的标准差或绝对中位差；
根据所述均值和所述标准差遍历所述指标值序列，确定与所述均值数值差距最大的残差；
计算所述指标值序列t分布的临界值；
根据所述临界值与所述标准差的大小确定是否存在异常点。
7.根据权利要求6所述的转化数据处理的方法，其特征在于，所述根据时间权重对指标值序列中的每个指标值进行加权，包括：
根据指标值的获取时间与当前时间的时间间隔，确定指标值的加权参数，所述加权参数小于1，所述加权参数的数值与所述时间间隔的长度呈反比趋势；
根据所述加权参数对指标值进行加权。
8.一种转化数据处理的装置，其特征在于，包括：
归一化模块，用于根据指标参数对多种类型的转化数据进行归一化处理，得到归一化数据，所述归一化数据包括基于时间的指标值序列；
异常检测模块，用于根据时间权重判断所述指标值序列是否存在异常数据；
异常处理模块，用于若存在异常数据，从所述指标值序列中删除异常数据。
9.一种电子设备，其特征在于，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一项所述的方法。
10.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行权利要求1-7中任一项所述的方法。
CN201911120892.8A 2019-11-15 2019-11-15 一种转化数据处理的方法、装置、电子设备及存储介质 Active CN112819491B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911120892.8A CN112819491B (zh) 2019-11-15 2019-11-15 一种转化数据处理的方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911120892.8A CN112819491B (zh) 2019-11-15 2019-11-15 一种转化数据处理的方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN112819491A true CN112819491A (zh) 2021-05-18
CN112819491B CN112819491B (zh) 2024-02-09

Family

ID=75851818

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911120892.8A Active CN112819491B (zh) 2019-11-15 2019-11-15 一种转化数据处理的方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN112819491B (zh)

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140006330A1 (en) * 2012-06-28 2014-01-02 International Business Machines Corporation Detecting anomalies in real-time in multiple time series data with automated thresholding
CN103532776A (zh) * 2013-09-30 2014-01-22 广东电网公司电力调度控制中心 业务流量检测方法及***
CN103532940A (zh) * 2013-09-30 2014-01-22 广东电网公司电力调度控制中心 网络安全检测方法及装置
US20150269050A1 (en) * 2014-03-18 2015-09-24 Microsoft Corporation Unsupervised anomaly detection for arbitrary time series
US20150356421A1 (en) * 2014-06-05 2015-12-10 Mitsubishi Electric Research Laboratories, Inc. Method for Learning Exemplars for Anomaly Detection
US20160042287A1 (en) * 2014-08-10 2016-02-11 Palo Alto Research Center Incorporated Computer-Implemented System And Method For Detecting Anomalies Using Sample-Based Rule Identification
CN109257612A (zh) * 2018-08-09 2019-01-22 广州虎牙信息科技有限公司 游戏直播潜力评价方法、装置、计算机存储介质及服务器
CN109347653A (zh) * 2018-09-07 2019-02-15 阿里巴巴集团控股有限公司 一种指标异常发现方法和装置
CN109582485A (zh) * 2018-10-26 2019-04-05 阿里巴巴集团控股有限公司 一种配置变更异常检测方法及装置
CN109740811A (zh) * 2018-12-28 2019-05-10 斑马网络技术有限公司 通行速度预测方法、装置和存储介质
CN110008080A (zh) * 2018-12-25 2019-07-12 阿里巴巴集团控股有限公司 基于时间序列的业务指标异常检测方法、装置和电子设备
CN110266552A (zh) * 2019-08-15 2019-09-20 华为技术有限公司 流量异常检测的方法、模型训练方法和装置

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140006330A1 (en) * 2012-06-28 2014-01-02 International Business Machines Corporation Detecting anomalies in real-time in multiple time series data with automated thresholding
CN103532776A (zh) * 2013-09-30 2014-01-22 广东电网公司电力调度控制中心 业务流量检测方法及***
CN103532940A (zh) * 2013-09-30 2014-01-22 广东电网公司电力调度控制中心 网络安全检测方法及装置
US20150269050A1 (en) * 2014-03-18 2015-09-24 Microsoft Corporation Unsupervised anomaly detection for arbitrary time series
US20150356421A1 (en) * 2014-06-05 2015-12-10 Mitsubishi Electric Research Laboratories, Inc. Method for Learning Exemplars for Anomaly Detection
US20160042287A1 (en) * 2014-08-10 2016-02-11 Palo Alto Research Center Incorporated Computer-Implemented System And Method For Detecting Anomalies Using Sample-Based Rule Identification
CN109257612A (zh) * 2018-08-09 2019-01-22 广州虎牙信息科技有限公司 游戏直播潜力评价方法、装置、计算机存储介质及服务器
CN109347653A (zh) * 2018-09-07 2019-02-15 阿里巴巴集团控股有限公司 一种指标异常发现方法和装置
CN109582485A (zh) * 2018-10-26 2019-04-05 阿里巴巴集团控股有限公司 一种配置变更异常检测方法及装置
CN110008080A (zh) * 2018-12-25 2019-07-12 阿里巴巴集团控股有限公司 基于时间序列的业务指标异常检测方法、装置和电子设备
CN109740811A (zh) * 2018-12-28 2019-05-10 斑马网络技术有限公司 通行速度预测方法、装置和存储介质
CN110266552A (zh) * 2019-08-15 2019-09-20 华为技术有限公司 流量异常检测的方法、模型训练方法和装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
孙锋;刘杰;周建辉;杨梓辉;毛伟兰;: "轴系测试数据分布特征信息获取方法与应用", 中国舰船研究, no. 1, pages 185 - 190 *
徐雪松;: "时间序列不确定数据流中异常数据检测方法", 电子设计工程, no. 19, pages 19 - 21 *

Also Published As

Publication number Publication date
CN112819491B (zh) 2024-02-09

Similar Documents

Publication Publication Date Title
CN111428008B (zh) 用于训练模型的方法、装置、设备以及存储介质
CN111738446A (zh) 深度学习推理引擎的调度方法、装置、设备和介质
CN110427436B (zh) 实体相似度计算的方法及装置
CN112561332B (zh) 模型管理方法、装置、电子设备、存储介质和程序产品
CN110852780A (zh) 数据分析方法、装置、设备和计算机存储介质
CN110706147A (zh) 图像处理的环境确定方法、装置、电子设备和存储介质
CN114120414A (zh) 图像处理方法、装置、电子设备和介质
CN112529181B (zh) 用于模型蒸馏的方法和装置
CN111563541B (zh) 图像检测模型的训练方法和装置
CN111177479A (zh) 获取关系网络图中节点的特征向量的方法以及装置
CN111241225A (zh) 常驻区域变更的判断方法、装置、设备及存储介质
CN112819491B (zh) 一种转化数据处理的方法、装置、电子设备及存储介质
CN112598136B (zh) 数据的校准方法和装置
CN113656689B (zh) 模型生成方法和网络信息的推送方法
US11481298B2 (en) Computing CPU time usage of activities serviced by CPU
CN111522837B (zh) 用于确定深度神经网络的耗时的方法和装置
CN114706610A (zh) 一种业务流程图生成方法、装置、设备及存储介质
CN111967492A (zh) 分类模型的训练方法、装置、电子设备以及存储介质
CN114116688A (zh) 数据处理与数据质检方法、装置及可读存储介质
CN112560987A (zh) 图像样本处理方法、装置、设备、存储介质和程序产品
CN110737696A (zh) 数据抽样方法、装置、电子设备及存储介质
CN111523000A (zh) 用于导入数据的方法、装置、设备以及存储介质
CN113220982A (zh) 广告搜索方法、装置、电子设备和介质
CN111597461A (zh) 一种目标对象聚集预测方法、装置以及电子设备
CN111597026A (zh) 用于获取信息的方法及装置

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
GR01 Patent grant
GR01 Patent grant