CN112907255A - 一种用户分析方法和相关装置 - Google Patents
一种用户分析方法和相关装置 Download PDFInfo
- Publication number
- CN112907255A CN112907255A CN202110352454.5A CN202110352454A CN112907255A CN 112907255 A CN112907255 A CN 112907255A CN 202110352454 A CN202110352454 A CN 202110352454A CN 112907255 A CN112907255 A CN 112907255A
- Authority
- CN
- China
- Prior art keywords
- interaction
- interactive
- user
- target
- interactive object
- 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
- 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
- G06Q20/38—Payment protocols; Details thereof
- G06Q20/40—Authorisation, e.g. identification of payer or payee, verification of customer or shop credentials; Review and approval of payers, e.g. check credit lines or negative lists
- G06Q20/401—Transaction verification
- G06Q20/4016—Transaction verification involving fraud or risk level assessment in transaction processing
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
-
- 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
- G06Q40/03—Credit; Loans; Processing thereof
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Accounting & Taxation (AREA)
- General Physics & Mathematics (AREA)
- Finance (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Technology Law (AREA)
- Development Economics (AREA)
- Computer Security & Cryptography (AREA)
- User Interface Of Digital Computer (AREA)
Abstract
本申请实施例公开了一种用户分析方法和相关装置,涉及数据分析技术领域,所述方法包括:获取目标用户对应的用户行为数据,所述用户行为数据用于标识与所述目标用户关联的目标交互对象;获取所述目标交互对象对应的交互对象向量;根据所述交互对象向量,确定所述目标用户对应的安全参数,所述安全参数用于标识所述目标用户发生风险交互行为的概率。该方法在丰富了分析数据种类的同时,引入了交互对象的交互顺序作为新的分析标准,进一步提高了分析的准确性和合理性。
Description
技术领域
本申请涉及数据分析技术领域,特别是涉及一种用户分析方法和相关装置。
背景技术
基于用户的交互行为数据来对用户可能发生的行为进行预测是常见的用户分析方式,相关技术中,通常获取用户交易时间、交易金额等具有一定时序性的数值型向量,通过时间序列模型对用户进行分析。然而,对于一些不包含时序信息的其他类型的信息时序模型无法较好的理解,导致数据种类较为单一,分析准确度较低。
发明内容
为了解决上述技术问题,本申请实施例提供了一种用户分析方法,处理设备可以基于用户在交互对象之间的交互顺序,为每个交互对象生成具有时序性的交互对象向量,该交互对象向量可以用于对用户进行风险行为分析,从而在丰富了分析数据种类的同时,引入了交互对象的交互顺序作为新的分析标准,进一步提高了分析的准确性和合理性。
本申请实施例公开了如下技术方案:
第一方面,本申请实施例公开了一种用户分析方法,所述方法包括:
获取目标用户对应的用户行为数据,所述用户行为数据用于标识与所述目标用户关联的目标交互对象;
获取所述目标交互对象对应的交互对象向量,所述交互对象向量是基于历史用户行为数据生成的,所述历史用户行为数据用于体现多个用户在多个交互对象中的交互顺序,所述多个交互对象包括所述目标交互对象;
根据所述交互对象向量,确定所述目标用户对应的安全参数,所述安全参数用于标识所述目标用户发生风险交互行为的概率。
第二方面,本申请实施例公开了一种用户分析装置,所述方法包括第一获取单元、第二获取单元和确定单元:
所述第一获取单元,用于获取目标用户对应的用户行为数据,所述用户行为数据用于标识与所述目标用户关联的目标交互对象;
所述第二获取单元,用于获取所述目标交互对象对应的交互对象向量,所述交互对象向量是基于历史用户行为数据生成的,所述历史用户行为数据用于体现多个用户在多个交互对象中的交互顺序,所述多个交互对象包括所述目标交互对象;
所述确定单元,用于根据所述交互对象向量,确定所述目标用户对应的安全参数,所述安全参数用于标识所述目标用户发生风险交互行为的概率。
第三方面,本申请实施例提供了一种计算机设备,所述设备包括处理器以及存储器:
所述存储器用于存储程序代码,并将所述程序代码传输给所述处理器;
所述处理器用于根据所述程序代码中的指令执行第一方面中所述的用户分析方法。
第四方面,本申请实施例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用于存储计算机程序,所述计算机程序用于执行第一方面中所述的用户分析方法。
由上述技术方案可以看出,为了将交互对象这一本身不具有时序性的信息融入对用户的分析中,可以基于历史用户行为数据中所体现用户在多个交互对象中的交互顺序,生成具有时序性的交互对象向量,在获取目标用户对应的用户行为数据后,可以采用这些交互对象向量来表征该用户行为数据中标识的目标交互对象,可以将原本不具有时序性的交互对象信息转化为具有时序性的交互对象向量,从而能够基于更多维度的数据对目标用户进行用户分析,提高用户分析的准确度。同时,由于该历史用户行为数据可以体现多个用户针对交互对象的交互顺序,因此,基于该历史用户行为数据所得到的交互对象向量能够体现出通常情况下,用户在于该交互对象交互的前后时段中,可能会进行交互的交互对象。从而,基于目标交互对象对应的交互对象向量,可以分析出目标用户的用户行为是否贴合通常情况下的用户行为,确定该目标用户对应的安全参数,该安全参数用于标识该目标用户发生风险交互行为的概率。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅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为本申请实施例提供的一种实际应用场景中用户分析方法的示意图;
图2为本申请实施例提供的一种用户分析方法的流程图;
图3为本申请实施例提供的一种用户分析方法的示意图;
图4为本申请实施例提供的一种用户分析方法的示意图;
图5为本申请实施例提供的一种用户分析方法的示意图;
图6为本申请实施例提供的一种用户分析方法的示意图;
图7为本申请实施例提供的一种用户分析方法的示意图;
图8为本申请实施例提供的一种用户分析方法的示意图;
图9为本申请实施例提供的一种用户分析方法的示意图;
图10为本申请实施例提供的一种用户分析方法的示意图;
图11为本申请实施例提供的一种实际应用场景中用户分析方法的示意图;
图12为本申请实施例提供的一种实际应用场景中用户分析方法的示意图;
图13为本申请实施例提供的一种用户分析装置的结构框图;
图14为本申请实施例提供的一种计算机设备的结构图;
图15为本申请实施例提供的一种服务器的结构图。
具体实施方式
下面结合附图,对本申请的实施例进行描述。
如何更加精准的对用户进行分析是相关人员关注的重点问题之一。相关技术中,分析用户是否会发生风险交互行为的方式主要是基于用户的交互时间和交互金额来进行的,这些信息都是数值型信息,且具有一定的时序性,因此时间序列模型能够基于这些信息较为准确的对用户进行分析。
然而,类似于商户名称、商品名称等文本类型的信息,通常不具有时序性,如果直接将此类信息直接输入到时间序列模型中,可能会导致模型难以理解这些信息内容,进而无法对用户进行准确的分析。
为了解决上述技术问题,本申请实施例提供了一种用户分析方法,处理设备可以基于用户在交互对象之间的交互顺序,为每个交互对象生成具有时序性的交互对象向量,该交互对象向量可以用于对用户进行风险行为分析,从而在丰富了分析数据种类的同时,引入了交互对象的交互顺序作为新的分析标准,进一步提高了分析的准确性和合理性。
可以理解的是,该方法可以应用于处理设备上,该处理设备为具有数据分析功能的处理设备,例如可以是具有数据分析功能的终端设备或服务器。该方法由终端设备或服务器独立执行,也可以应用于终端设备和服务器通信的网络场景,通过终端设备和服务器配合运行。其中,终端设备可以为手机、台式计算机、个人数字助理(Personal DigitalAssistant,简称PDA)、平板电脑等设备。服务器可以理解为是应用服务器,也可以为Web服务器,在实际部署时,该服务器可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式***。终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接,本申请在此不做限制。
本申请实施例还可以应用有区块链技术,如在本申请所公开的用户分析方法中,可以采用多个服务器进行交互对象向量确定等过程,其中多个服务器可组成为一区块链,而服务器为区块链上的节点。
此外,本申请还涉及人工智能(Artificial Intelligence,AI)技术。人工智能是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用***。换句话说,人工智能是计算机科学的一个综合技术,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法,使机器具有感知、推理与决策的功能。
人工智能技术是一门综合学科,涉及领域广泛,既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互***、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。其中,本申请主要涉及自然语言处理技术和机器学习技术。
自然语言处理(Nature Language processing,NLP)是计算机科学领域与人工智能领域中的一个重要方向。它研究能实现人与计算机之间用自然语言进行有效通信的各种理论和方法。自然语言处理是一门融语言学、计算机科学、数学于一体的科学。因此,这一领域的研究将涉及自然语言,即人们日常使用的语言,所以它与语言学的研究有着密切的联系。自然语言处理技术通常包括文本处理、语义理解、机器翻译、机器人问答、知识图谱等技术。
机器学习(Machine Learning,ML)是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心,是使计算机具有智能的根本途径,其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。
在本申请实施例中,处理设备可以通过自然语言处理技术来处理交互对象的相关信息,通过机器学习技术可以对交互对象向量进行精准确定,同时可以训练得到用于确定用户安全参数的时间序列模型。
为了便于理解本申请技术方案,接下来将结合一种实际应用场景,对本申请实施例提供的一种用户分析方法进行介绍。
参见图1,图1为本申请实施例提供的一种实际应用场景中用户分析方法的示意图,在该实际应用场景中,处理设备为服务器101,该服务器101可以基于与用户相关的信息对用户是否会发生风险交互行为进行分析。
在对目标用户进行用户分析时,服务器101首先可以获取该目标用户对应的用户行为数据,该用户行为数据可以用于标识与目标用户关联的目标交互对象。为了能够采用具有时序性的信息来准确表达该目标交互对象,使该目标交互对象能够作为对该目标用户进行分析的一种信息,服务器101可以获取历史行为数据,该历史行为数据能够体现出用户A、用户B和用户C等多个用户,在交互对象A、交互对象B、交互对象C以及目标交互对象等多个交互对象中的交互顺序。由于交互顺序属于时序性信息,因此,服务器101可以基于该交互顺序,生成对应该目标交互对象的交互对象向量,该交互对象向量可以用于对目标用户进行分析。
同时,由于该历史用户行为数据能够体现出多个用户在多个交互对象中的交互顺序,因此,基于该历史用户行为数据生成的交互对象向量能够体现出多数用户在与该目标交互对象进行交互时,前后可能交互的交互对象。进而,服务器101可以基于该信息来分析目标用户在与包括目标交互对象的多个交互对象进行一系列交互时,是否可能会发生风险交互行为,从而能够确定出对应该目标用户的安全参数,该安全参数用于标识该目标用户发生风险交互行为的概率。
由此可见,通过上述技术方案,服务器101可以采用具有时序性的交互对象向量较为准确的对交互对象进行表达,从而能够基于更多维度的信息对用户进行分析,同时能够通过该交互对象向量体现出通常情况下用户在交互对象中的交互顺序特点,进而能够分析目标用户在交互对象中的交互行为是否贴合用户的通常行为特点,较为准确的确定出目标用户对应的安全参数。
接下来,将结合附图,对本申请实施例提供的一种用户分析方法进行介绍。
参见图2,图2为本申请实施例提供的一种用户分析方法的流程图,该方法包括:
S201:获取目标用户对应的用户行为数据。
其中,目标用户可以为发生过交互行为的任意一名用户,该用户行为数据用于标识与该目标用户关联的目标交互对象。可以理解的是,针对不同的用户交互场景,该交互对象也可以包括多种对象,例如,当分析用户在实体交易中的交易行为时,该交互对象可以为用户消费过的商户;当分析用户在线上网购的交易行为时,该交互对象可以为用户浏览过或购买过的商品等。
S202:获取目标交互对象对应的交互对象向量。
由于交互对象通常为商户名称、商品名称等不具有时序性的文本信息,因此,如果将该交互对象直接输入到时间序列模型中进行分析,会导致模型无法准确理解这些信息的含义,进而无法准确的对用户进行分析。
基于此,为了能够将交互对象信息融入到时间序列模型对用户的分析中,处理设备可以获取与该交互对象相关的时序性信息,基于这些时序性信息来生成用于表征交互对象的输入信息。可以理解的是,用户在与多个交互对象进行交互时,通常会有一定的交互顺序,而交互顺序本身就是一种具有时序性的信息,因此,在本申请实施例中,处理设备可以基于用户在多个交互对象中的交互顺序来生成该输入信息。其中,多个交互对象是指两个或两个以上交互对象。
处理设备首先可以获取历史用户行为数据,该历史用户行为数据用于体现多个用户在多个交互对象中的交互顺序,该多个交互对象包括目标交互对象。从而,基于该历史用户行为数据,处理设备可以确定出针对多个交互对象中每一个交互对象的交互对象向量,该交互对象向量用于体现出所对应交互对象在多个交互对象中交互顺序上的特点。处理设备在获取用户行为数据后,可以确定该用户行为数据所标识的目标交互对象,然后获取该目标交互对象对应的交互对象向量,该交互对象向量能够从时序性层面上表征该目标交互对象。
S203:根据交互对象向量,确定目标用户对应的安全参数。
上已述及,该历史用户行为数据可以用于体现多个用户在多个交互对象中的交互顺序,因此,基于该历史行为数据,处理设备在一定程度上能够获知通常情况下,用户在多个交互对象中的交互顺序习惯。从而,基于该历史用户行为数据所确定出的交互对象向量能够在一定程度上体现出通常情况下,目标用户在与该目标交互对象进行交互的前后时段,可能会产生交互的其他交互对象。进而,基于该交互对象向量,处理设备可以对目标用户的用户行为数据进行分析,即分析该目标用户在多个交互对象之间的交互行为是否贴合通常情况下的用户行为。
处理设备可以基于该用户分析,确定目标用户对应的安全参数,该安全参数用于标识目标用户发生风险交互行为的概率,该风险交互行为是指具有一定安全风险的交互行为,例如贷款逾期、风险支付行为等。可以理解的是,目标用户的交互行为越贴近通常用户的交互行为,则目标用户发生风险交互行为的概率可能越低,反之则越高。
由上述技术方案可以看出,为了将交互对象这一本身不具有时序性的信息融入对用户的分析中,可以基于历史用户行为数据中所体现用户在多个交互对象中的交互顺序,生成具有时序性的交互对象向量,在获取目标用户对应的用户行为数据后,可以采用这些交互对象向量来表征该用户行为数据中标识的目标交互对象,可以将原本不具有时序性的交互对象信息转化为具有时序性的交互对象向量,从而能够基于更多维度的数据对目标用户进行用户分析,提高用户分析的准确度。同时,由于该历史用户行为数据可以体现多个用户针对交互对象的交互顺序,因此,基于该历史用户行为数据所得到的交互对象向量能够体现出通常情况下,用户在于该交互对象交互的前后时段中,可能会进行交互的交互对象。从而,基于目标交互对象对应的交互对象向量,可以分析出目标用户的用户行为是否贴合通常情况下的用户行为,确定该目标用户对应的安全参数,该安全参数用于标识该目标用户发生风险交互行为的概率。
在实际应用中,处理设备基于历史用户行为数据,获取目标交互对象对应的交互对象向量的方式可以包括多种。在一种可能的实现方式中,为了提高交互对象向量的确定精度,处理设备可以引入Node2vec算法,通过随机游走的方式来确定该交互对象向量。
首先,处理设备可以根据该历史用户行为数据生成交互对象网络,该交互对象网络中包括多个交互对象分别对应的交互对象节点,和用于连接交互对象节点的有向连线,该有向连线是基于多个用户在多个交互对象中的交互顺序生成的。即,若存在用户先与交互对象A进行交互,后与交互对象B进行交互,则在该交互对象网络中可以生成一条由交互对象A节点指向交互对象B节点的有向连线。
如图3所示,首先,通过历史用户行为数据,处理设备可以确定出多个用户在交互对象A、B、C、D、E、F中产生过的交互顺序,然后基于该交互顺序可以构成图中所示的交互对象网络,该交互对象网络中包括对应六个交互对象的六个节点,以及节点之间的有向连线。若某一用户先与交互对象A进行交互,然后与交互对象B进行交互,则处理设备可以在A节点和B节点中连接一条连线。
同时,为了进一步提高对用户分析的准确度,该有向连线还可以用于体现相连交互对象节点之间的交互权重,该交互权重表示用户与该相连交互对象节点所对应的交互对象先后发生交互的频率。例如,在该历史用户行为数据中,若有1名用户进行了先交互对象A后交互对象B的交互行为,则由A节点指向B节点的有向连线权重为1。同理,若再次出现上述交互行为,则该有向连线的权重加1。从而,通过有向连线的权重,处理设备还可以学习到用户多个交互对象中的交互频次信息,进一步丰富了信息内容,提高用户分析的准确性。处理设备可以基于该交互对象网络,确定多个交互对象分别对应的交互对象向量,该多个交互对象包括目标交互对象。从而,处理设备可以获取该目标交互对象对应的交互对象向量
具体的,在一种可能的实现方式中,处理设备在确定出交互对象网络后,可以通过随机游走(Random Walk)策略来生成对应节点的交互对象向量。为了执行随机游走策略,处理设备可以先设定用于执行随机游走策略的游走参数。在随机游走中,有两种策略,一种是广度优先搜索(Breadth First Search,简称BFS),一种是深度优先搜索(Depth FirstSearch,简称DFS)。如图4所示,可以认为U节点与S1、S2、S3、S4节点是相似的,他们是网络中直接的邻居,可以称为Homophily;也可以认为U节点与S6节点更相似,这种称为结构相似(structural equivalence)。想要从一个节点出发去寻找它的直接邻居,可以采用BFS,而如果想要找到结构相似的,就需要“走出去”,因此就需要通过DFS进行。
其中,游走参数用于控制随机游走策略的游走倾向,即更倾向于BFS还是DFS。如图5所示,假设我们从t节点开始了一个random walk,现在到达了v节点。如果采取BFS策略的话,应该走到x1,因为v和x1都是t节点的直接邻居;如果采取DFS策略的话,应该走向x2或者x3,因为它们和t都中间隔了一步;当然,也可能又返回到了t节点。于是两个节点之间的转移概率πvx为:
πvx=αpq(t,x)·ωvx
其中,ωvx为两节点的连线的权重,即网络中的边权重。αpq(t,x)为选择各个游走策略的概率search bias,定义为:
一个节点的下一步怎么走,取决于它的上一步和下一步的关系。
v是当前的节点,t是v的上一步所在节点,而x代表下一步的位置。dtx代表t和x之间的最短距离:
当dtx=0时,就是从v又回到t节点的意思,这个时候search bias为1/p,可以理解为以1/p的概率返回上一步;
当dtx=1时,则x为t的直接邻居,相当于BFS,这时的search bias为1;
当dtx=2时,则x是t邻居的邻居,相当于DFS,这时的search bias为1/q;
p为返回参数(Return parameter),因为p控制着回到原节点的概率;q为进出参数(In-out parameter),因为它控制着BFS和DFS的关系。
在设定好游走参数后,处理设备可以通过设定该游走参数的随机游走策略,根据交互对象网络,生成交互对象序列集合,该交互对象序列集合包括多个交互对象序列,该交互对象序列用于表示用户在该交互对象网络所包括的交互对象中进行交互时,可能产生的交互顺序。
例如,处理设备可以设置不同的p和q,就可以得到不一样偏重的交互对象序列。在训练模型的时候,可以使用网格搜索(grid search)的方式来寻找最优的p和q,也可以根据场景的需要来选择p和q。例如,在一种可能的实现方式中,可以主要采用BFS策略,其中p为1,q为2,进行随机游走,生成长度为10的交互对象序列。
处理设备可以基于该交互对象序列集合,通过词向量模型确定多个交互对象分别对应的交互对象向量,从而能够使交互顺序这一维度的特点更加充分的融入到交互对象向量中。例如,该词向量模型可以为Word2vec模型,处理设备可以将交互对象序列集合作为输入,输入到Word2vec模型中,采用Word2vec模型的跳过语法(skip-gram),通过中心词预测上下文,即预测一个交互对象序列中某一交互对象的前后交互对象,通过Word2vec输出最终的交互对象向量。
除了交互对象这一种类的信息外,为了进一步提高用户分析的准确度,处理设备还可以融入更多种类的数据信息。在一种可能的实现方式中,该用户行为数据可以为目标用户在目标时间区间内对应的用户行为数据,该目标时间区间可以为任意一段时间区间。
除了获取用户行为数据外,处理设备还可以获取目标用户在目标时间区间内对应的交互数据,该交互数据用于标识目标用户所对应多个交互行为之间的时间间隔、目标用户所对应多个交互行为的交互金额中的任意一种或多种的组合。
在确定安全参数时,处理设备可以根据交互对象向量和交互数据,确定目标用户对应的安全参数,从而能够将多次交互行为之间的时间间隔和交互金额等更多种类的数据融入到对用户的分析中,进一步提高用户分析的准确度。
为了使处理设备能够对上述数据进行较为合理的分析,在一种可能的实现方式中,若该交互数据用于标识目标用户所对应多个交互行为之间的时间间隔,和目标用户所对应多个交互行为的交互金额,处理设备可以根据交互数据确定目标对象对应的交互时间间隔和交互金额,该交互时间间隔用于标识目标用户在时序上相邻交互对象之间进行交互的时间间隔,该交互金额为该目标交互对象对应的交互金额。从而,处理设备首先可以从交互数据中获取对应目标交互对象的相关信息。
随后,处理设备可以对交互时间间隔和交互金额进行归一化处理,使相关模型能够更加清晰的对数据进行识别。处理设备可以将经过归一化处理后的交互时间间隔和经过归一化处理后的交互金额,与该目标交互对象对应的交互对象向量进行拼接,生成融合交互向量,该融合交互向量能够较为综合的体现出与该目标交互对象相关的信息。处理设备可以基于该融合交互向量确定目标用户对应的安全参数,从而在丰富了信息种类的基础上,可以基于交互对象对信息进行有针对性的分类、拼接处理,进而能够更加准确的对用户进行分析。
当然,在交互数据只用于标识目标用户对应多个交互行为之间的时间间隔时,处理设备可以只根据该交互数据确定目标对象对应的交互时间间隔,并基于该交互时间间隔生成融合交互向量;在交互数据只用于标识目标用户所对应多个交互行为的交互金额时,处理设备可以只根据该交互数据确定目标对象对应的交互金额,并基于该交互金额生成融合交互向量。
其中,处理设备根据融合交互向量确定安全参数的方式也可以包括多种。在一种可能的实现方式中,为了迎合数据信息时序性的特点,处理设备可以通过时间序列模型,基于该融合交互向量确定目标用户对应的安全参数。
例如,该时间序列模型可以为长短期记忆网络(LSTM,Long Short-Term Memory),处理设备可以将该融合交互向量作为LSTM模型的输入,如图6所示,其中,交互对象向量为商户embedding向量,交互时间间隔为两次交易时间间隔,交互金额为图中金额。通过对多个交互对象向量与其对应的交互时间间隔和交互金额进行凭借,可以得到一条融合交互向量序列,即图中所示的用户交易序列,该用户交易序列可以作为LSTM模型的输入Input。
其中,LSTM模型包括三个门,分别为遗忘门、输入门和输出门。
(1)遗忘门
遗忘门决定了需要丢弃什么信息。如图7所示,该门会读取ht-1和xt,在本方案中,xt即为用户交易序列[v1,v2,v3 ... v33,v34],σ为sigmoid函数,经过σ后得到一个0到1之间的数值给每个在Ct-1的数字。具体公式如下:
ft=σ(Wf·[ht-1,xt]+bf)
其中,bf和Wf为σ的参数,ht-1为上一轮迭代过程中输出门的输出结果,ft为遗忘门给Ct-1分配的数字,Ct-1为上一轮迭代过程中输入门更新后的cell状态。在LSTM模型训练的过程中,该bf和Wf参数都可以进行相应调节。
(2)输入门
输入门决定让多少新的信息加入到新的状态中来。如图8所示,首先,ht-1和xt过一个sigmoid函数决定哪些信息需要更新;一个tanh层生成一个向量,也就是备选的用来更新的内容在下一步,把这两部分相乘,对cell的状态进行一个更新。如下列公式所示,其中,bi和Wi为函数σ的相关参数,WC和bc为函数tanh的相关参数:
it=σ(Wi·[ht-1,xt]+bi)
其中,Ct为此次迭代中输入门更新后的cell状态,输入门可以将该更新后的状态传递给输出门,使输出门来计算此次迭代的输出值ht
(3)输出门
最终,我们需要确定输出什么值,如图10所示,首先,ht-1和xt过一个sigmoid函数决定哪些信息需要输出,接着把Ct通过tanh进行处理并将它和sigmoid门的输出相乘,输出我们确定输出的那部分。本方案中即为将ht提取出来作为输出后,输入到LR模型中得到一个概率值输出,该概率值即为该用户对应的安全参数。相关公式如下:
ot=σ(Wo[ht-1,xt]+bo)
ht=ot*tanh(Ct)
其中,ot为ht-1和xt中需要输出的信息部分,bo和Wo为该σ函数的相关参数,ht为输出门在此次迭代中输出的参数。
为了能够更加形象的对本申请提供的技术方案进行介绍,接下来,将结合一种实际应用场景,对本申请实施例提供的一种用户分析方法进行介绍。参见图11,图11为本申请实施例提供的一种实际应用场景中用户分析方法的示意图,在该实际应用场景中,处理设备为用户分析服务器。
首先,用户分析服务器可以获取某用户的交易流水,通过该交易流水可以确定出该用户多次交易的交易商户、交易金额和相邻两次交易的时间间隔。用户分析服务器可以对交易时间间隔和交易金额进行归一化处理,然后将商户信息输入到如图12所示的Node2vec模型中生成对应的商户向量。
用户分析服务器可以将归一化后的交易金额和时间间隔与商户向量进行拼接,生成融合交互向量,一个融合交互向量用于表示单笔交易。处理设备可以基于多个融合交互向量生成用户交易序列,输入到LSTM模型中,得到最终的安全参数Score。该安全参数可以用于评估该用户在申请贷款获批后或者在申请***获批后,基于用户的贷款或者***交易数据来预测用户在未来发生逾期的可能性。此外,该方法还可以用于在其他场景中,此处不做限定。
基于上述实施例提供的一种用户分析方法,本申请实施例还提供了一种用户分析装置,参见图13,图13为本申请实施例提供的一种用户分析装置1300的结构框图,该用户分析装置1300包括第一获取单元1301、第二获取单元1302和确定单元1303:
第一获取单元1301,用于获取目标用户对应的用户行为数据,所述用户行为数据用于标识与所述目标用户关联的目标交互对象;
第二获取单元1302,用于获取所述目标交互对象对应的交互对象向量,所述交互对象向量是基于历史用户行为数据生成的,所述历史用户行为数据用于体现多个用户在多个交互对象中的交互顺序,所述多个交互对象包括所述目标交互对象;
确定单元1303,用于根据所述交互对象向量,确定所述目标用户对应的安全参数,所述安全参数用于标识所述目标用户发生风险交互行为的概率。
在一种可能的实现方式中,第二获取单元1302具体用于:
根据所述历史用户行为数据生成交互对象网络,所述交互对象网络中包括所述多个交互对象分别对应的交互对象节点,和用于连接所述交互对象节点的有向连线,所述有向连线是基于所述多个用户在所述多个交互对象中的交互顺序生成的,所述有向连线用于体现相连交互对象节点之间的交互权重;
根据所述交互对象网络,确定所述多个交互对象分别对应的交互对象向量,所述多个交互对象包括所述目标交互对象;
获取所述目标交互对象对应的交互对象向量。
在一种可能的实现方式中,第二获取单元1302具体用于:
设定用于执行随机游走策略的游走参数;
通过设定所述游走参数的随机游走策略,根据所述交互对象网络,生成交互对象序列集合,所述交互对象序列集合包括多个交互对象序列;
基于所述交互对象序列集合,通过词向量模型确定所述多个交互对象分别对应的交互对象向量。
在一种可能的实现方式中,所述用户行为数据为所述目标用户在目标时间区间内对应的用户行为数据,装置1300还包括第三获取单元:
第三获取单元,用于获取所述目标用户在所述目标时间区间内对应的交互数据,所述交互数据用于标识所述目标用户所对应多个交互行为之间的时间间隔、所述目标用户所对应多个交互行为的交互金额中的任意一种或多种的组合;
确定单元1303具体用于:
根据所述交互对象向量和所述交互数据,确定所述目标用户对应的安全参数。
在一种可能的实现方式中,确定单元1303具体用于:
根据所述交互数据确定所述目标对象对应的交互时间间隔和交互金额,所述交互时间间隔用于标识目标用户在时序上相邻交互对象之间进行交互的时间间隔,所述交互金额为所述目标交互对象对应的交互金额;
对所述交互时间间隔和所述交互金额进行归一化处理;
将经过归一化处理后的所述交互时间间隔和经过归一化处理后的所述交互金额,与所述目标交互对象对应的交互对象向量进行拼接,生成融合交互向量;
基于所述融合交互向量确定所述目标用户对应的安全参数。
在一种可能的实现方式中,确定单元1303具体用于:
通过时间序列模型,基于所述融合交互向量确定所述目标用户对应的安全参数。
本申请实施例还提供了一种计算机设备,下面结合附图对该设备进行介绍。请参见图14所示,本申请实施例提供了一种设备,该设备还可以是终端设备,该终端设备可以为包括手机、平板电脑、个人数字助理(Personal Digital Assistant,简称PDA)、销售终端(Point of Sales,简称POS)、车载电脑等任意智能终端,以终端设备为手机为例:
图14示出的是与本申请实施例提供的终端设备相关的手机的部分结构的框图。参考图14,手机包括:射频(Radio Frequency,简称RF)电路1410、存储器1420、输入单元1430、显示单元1440、传感器1450、音频电路1460、无线保真(wireless fidelity,简称WiFi)模块1470、处理器1480、以及电源1490等部件。本领域技术人员可以理解,图8中示出的手机结构并不构成对手机的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
下面结合图14对手机的各个构成部件进行具体的介绍:
RF电路1410可用于收发信息或通话过程中,信号的接收和发送,特别地,将基站的下行信息接收后,给处理器1480处理;另外,将设计上行的数据发送给基站。通常,RF电路1410包括但不限于天线、至少一个放大器、收发信机、耦合器、低噪声放大器(Low NoiseAmplifier,简称LNA)、双工器等。此外,RF电路1410还可以通过无线通信与网络和其他设备通信。上述无线通信可以使用任一通信标准或协议,包括但不限于全球移动通讯***(Global System of Mobile communication,简称GSM)、通用分组无线服务(GeneralPacket Radio Service,简称GPRS)、码分多址(Code Division Multiple Access,简称CDMA)、宽带码分多址(Wideband Code Division Multiple Access,简称WCDMA)、长期演进(Long Term Evolution,简称LTE)、电子邮件、短消息服务(Short Messaging Service,简称SMS)等。
存储器1420可用于存储软件程序以及模块,处理器1480通过运行存储在存储器1420的软件程序以及模块,从而执行手机的各种功能应用以及数据处理。存储器1420可主要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***、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器1420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、或其他易失性固态存储器件。
输入单元1430可用于接收输入的数字或字符信息,以及产生与手机的用户设置以及功能控制有关的键信号输入。具体地,输入单元1430可包括触控面板1431以及其他输入设备1432。触控面板1431,也称为触摸屏,可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触控面板1431上或在触控面板1431附近的操作),并根据预先设定的程式驱动相应的连接装置。可选的,触控面板1431可包括触摸检测装置和触摸控制器两个部分。其中,触摸检测装置检测用户的触摸方位,并检测触摸操作带来的信号,将信号传送给触摸控制器;触摸控制器从触摸检测装置上接收触摸信息,并将它转换成触点坐标,再送给处理器1480,并能接收处理器1480发来的命令并加以执行。此外,可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触控面板1431。除了触控面板1431,输入单元1430还可以包括其他输入设备1432。具体地,其他输入设备1432可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆等中的一种或多种。
显示单元1440可用于显示由用户输入的信息或提供给用户的信息以及手机的各种菜单。显示单元1440可包括显示面板1441,可选的,可以采用液晶显示器(LiquidCrystal Display,简称LCD)、有机发光二极管(Organic Light-Emitting Diode,简称OLED)等形式来配置显示面板1441。进一步的,触控面板1431可覆盖显示面板1441,当触控面板1431检测到在其上或附近的触摸操作后,传送给处理器1480以确定触摸事件的类型,随后处理器1480根据触摸事件的类型在显示面板1441上提供相应的视觉输出。虽然在图14中,触控面板1431与显示面板1441是作为两个独立的部件来实现手机的输入和输入功能,但是在某些实施例中,可以将触控面板1431与显示面板1441集成而实现手机的输入和输出功能。
手机还可包括至少一种传感器1450,比如光传感器、运动传感器以及其他传感器。具体地,光传感器可包括环境光传感器及接近传感器,其中,环境光传感器可根据环境光线的明暗来调节显示面板1441的亮度,接近传感器可在手机移动到耳边时,关闭显示面板1441和/或背光。作为运动传感器的一种,加速计传感器可检测各个方向上(一般为三轴)加速度的大小,静止时可检测出重力的大小及方向,可用于识别手机姿态的应用(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等;至于手机还可配置的陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器,在此不再赘述。
音频电路1460、扬声器1461,传声器1462可提供用户与手机之间的音频接口。音频电路1460可将接收到的音频数据转换后的电信号,传输到扬声器1461,由扬声器1461转换为声音信号输出;另一方面,传声器1462将收集的声音信号转换为电信号,由音频电路1460接收后转换为音频数据,再将音频数据输出处理器1480处理后,经RF电路1410以发送给比如另一手机,或者将音频数据输出至存储器1420以便进一步处理。
WiFi属于短距离无线传输技术,手机通过WiFi模块1470可以帮助用户收发电子邮件、浏览网页和访问流式媒体等,它为用户提供了无线的宽带互联网访问。虽然图14示出了WiFi模块1470,但是可以理解的是,其并不属于手机的必须构成,完全可以根据需要在不改变发明的本质的范围内而省略。
处理器1480是手机的控制中心,利用各种接口和线路连接整个手机的各个部分,通过运行或执行存储在存储器1420内的软件程序和/或模块,以及调用存储在存储器1420内的数据,执行手机的各种功能和处理数据,从而对手机进行整体监控。可选的,处理器1480可包括一个或多个处理单元;优选的,处理器1480可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作***、用户界面和应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器1480中。
手机还包括给各个部件供电的电源1490(比如电池),优选的,电源可以通过电源管理***与处理器1480逻辑相连,从而通过电源管理***实现管理充电、放电、以及功耗管理等功能。
尽管未示出,手机还可以包括摄像头、蓝牙模块等,在此不再赘述。
在本实施例中,该终端设备所包括的处理器1480还具有以下功能:
获取目标用户对应的用户行为数据,所述用户行为数据用于标识与所述目标用户关联的目标交互对象;
获取所述目标交互对象对应的交互对象向量,所述交互对象向量是基于历史用户行为数据生成的,所述历史用户行为数据用于体现多个用户在多个交互对象中的交互顺序,所述多个交互对象包括所述目标交互对象;
根据所述交互对象向量,确定所述目标用户对应的安全参数,所述安全参数用于标识所述目标用户发生风险交互行为的概率。
本申请实施例还提供一种服务器,请参见图15所示,图15为本申请实施例提供的服务器1500的结构图,服务器1500可因配置或性能不同而产生比较大的差异,可以包括一个或一个以***处理器(Central Processing Units,简称CPU)1522(例如,一个或一个以上处理器)和存储器1532,一个或一个以上存储应用程序1542或数据1544的存储介质1530(例如一个或一个以上海量存储设备)。其中,存储器1532和存储介质1530可以是短暂存储或持久存储。存储在存储介质1530的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对服务器中的一系列指令操作。更进一步地,中央处理器1522可以设置为与存储介质1530通信,在服务器1500上执行存储介质1530中的一系列指令操作。
服务器1500还可以包括一个或一个以上电源1526,一个或一个以上有线或无线网络接口1550,一个或一个以上输入输出接口1558,和/或,一个或一个以上操作***1541,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM等等。
上述实施例中由服务器所执行的步骤可以基于图15所示的服务器结构。
本申请实施例还提供一种计算机可读存储介质,用于存储计算机程序,该计算机程序用于执行前述各个实施例所述的用户分析方法中的任意一种实施方式。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述程序可以存储于一计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质可以是下述介质中的至少一种:只读存储器(英文:read-only memory,缩写:ROM)、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
需要说明的是,本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于设备及***实施例而言,由于其基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。以上所描述的设备及***实施例仅仅是示意性的,其中作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
以上所述,仅为本申请的一种具体实施方式,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,可轻易想到的变化或替换,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该以权利要求的保护范围为准。
Claims (10)
1.一种用户分析方法,其特征在于,所述方法包括:
获取目标用户对应的用户行为数据,所述用户行为数据用于标识与所述目标用户关联的目标交互对象;
获取所述目标交互对象对应的交互对象向量,所述交互对象向量是基于历史用户行为数据生成的,所述历史用户行为数据用于体现多个用户在多个交互对象中的交互顺序,所述多个交互对象包括所述目标交互对象;
根据所述交互对象向量,确定所述目标用户对应的安全参数,所述安全参数用于标识所述目标用户发生风险交互行为的概率。
2.根据权利要求1所述的方法,其特征在于,所述获取所述目标交互对象对应的交互对象向量,包括:
根据所述历史用户行为数据生成交互对象网络,所述交互对象网络中包括所述多个交互对象分别对应的交互对象节点,和用于连接所述交互对象节点的有向连线,所述有向连线是基于所述多个用户在所述多个交互对象中的交互顺序生成的,所述有向连线用于体现相连交互对象节点之间的交互权重;
根据所述交互对象网络,确定所述多个交互对象分别对应的交互对象向量,所述多个交互对象包括所述目标交互对象;
获取所述目标交互对象对应的交互对象向量。
3.根据权利要求2所述的方法,其特征在于,所述根据所述交互对象网络,确定所述多个交互对象分别对应的交互对象向量,包括:
设定用于执行随机游走策略的游走参数;
通过设定所述游走参数的随机游走策略,根据所述交互对象网络,生成交互对象序列集合,所述交互对象序列集合包括多个交互对象序列;
基于所述交互对象序列集合,通过词向量模型确定所述多个交互对象分别对应的交互对象向量。
4.根据权利要求1所述的方法,其特征在于,所述用户行为数据为所述目标用户在目标时间区间内对应的用户行为数据,所述方法还包括:
获取所述目标用户在所述目标时间区间内对应的交互数据,所述交互数据用于标识所述目标用户所对应多个交互行为之间的时间间隔、所述目标用户所对应多个交互行为的交互金额中的任意一种或多种的组合;
所述根据所述交互对象向量,确定所述目标用户对应的安全参数,包括:
根据所述交互对象向量和所述交互数据,确定所述目标用户对应的安全参数。
5.根据权利要求4所述的方法,其特征在于,若所述交互数据用于标识所述目标用户所对应多个交互行为之间的时间间隔,和所述目标用户所对应多个交互行为的交互金额,所述根据所述交互对象向量和所述交互数据,确定所述目标用户对应的安全参数,包括:
根据所述交互数据确定所述目标对象对应的交互时间间隔和交互金额,所述交互时间间隔用于标识目标用户在时序上相邻交互对象之间进行交互的时间间隔,所述交互金额为所述目标交互对象对应的交互金额;
对所述交互时间间隔和所述交互金额进行归一化处理;
将经过归一化处理后的所述交互时间间隔和经过归一化处理后的所述交互金额,与所述目标交互对象对应的交互对象向量进行拼接,生成融合交互向量;
基于所述融合交互向量确定所述目标用户对应的安全参数。
6.根据权利要求5所述的方法,其特征在于,所述基于所述融合交互向量确定所述目标用户对应的安全参数,包括:
通过时间序列模型,基于所述融合交互向量确定所述目标用户对应的安全参数。
7.一种用户分析装置,其特征在于,所述装置包括第一获取单元、第二获取单元和确定单元:
所述第一获取单元,用于获取目标用户对应的用户行为数据,所述用户行为数据用于标识与所述目标用户关联的目标交互对象;
所述第二获取单元,用于获取所述目标交互对象对应的交互对象向量,所述交互对象向量是基于历史用户行为数据生成的,所述历史用户行为数据用于体现多个用户在多个交互对象中的交互顺序,所述多个交互对象包括所述目标交互对象;
所述确定单元,用于根据所述交互对象向量,确定所述目标用户对应的安全参数,所述安全参数用于标识所述目标用户发生风险交互行为的概率。
8.根据权利要求7所述的装置,其特征在于,所述第二获取单元具体用于:
根据所述历史用户行为数据生成交互对象网络,所述交互对象网络中包括所述多个交互对象分别对应的交互对象节点,和用于连接所述交互对象节点的有向连线,所述有向连线是基于所述多个用户在所述多个交互对象中的交互顺序生成的,所述有向连线用于体现相连交互对象节点之间的交互权重;
根据所述交互对象网络,确定所述多个交互对象分别对应的交互对象向量,所述多个交互对象包括所述目标交互对象;
获取所述目标交互对象对应的交互对象向量。
9.一种计算机设备,其特征在于,所述设备包括处理器以及存储器:
所述存储器用于存储程序代码,并将所述程序代码传输给所述处理器;
所述处理器用于根据所述程序代码中的指令执行权利要求1-6中任意一项所述的用户分析方法。
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用于存储计算机程序,所述计算机程序用于执行权利要求1-6中任意一项所述的用户分析方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110352454.5A CN112907255A (zh) | 2021-03-31 | 2021-03-31 | 一种用户分析方法和相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110352454.5A CN112907255A (zh) | 2021-03-31 | 2021-03-31 | 一种用户分析方法和相关装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112907255A true CN112907255A (zh) | 2021-06-04 |
Family
ID=76109819
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110352454.5A Pending CN112907255A (zh) | 2021-03-31 | 2021-03-31 | 一种用户分析方法和相关装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112907255A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114300146A (zh) * | 2022-01-11 | 2022-04-08 | 大理楠诺互联网科技有限公司 | 一种应用于智慧医疗的用户信息安全处理方法及*** |
JP2022187856A (ja) * | 2021-06-08 | 2022-12-20 | 株式会社福岡銀行 | 管理サーバー、情報処理装置、情報処理プログラム、及び情報処理方法 |
-
2021
- 2021-03-31 CN CN202110352454.5A patent/CN112907255A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2022187856A (ja) * | 2021-06-08 | 2022-12-20 | 株式会社福岡銀行 | 管理サーバー、情報処理装置、情報処理プログラム、及び情報処理方法 |
JP7222026B2 (ja) | 2021-06-08 | 2023-02-14 | 株式会社福岡銀行 | 管理サーバー、情報処理装置、情報処理プログラム、及び情報処理方法 |
CN114300146A (zh) * | 2022-01-11 | 2022-04-08 | 大理楠诺互联网科技有限公司 | 一种应用于智慧医疗的用户信息安全处理方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2020103721A1 (zh) | 信息处理的方法、装置及存储介质 | |
CN111177371B (zh) | 一种分类方法和相关装置 | |
CN110717026B (zh) | 一种文本信息识别的方法、人机对话的方法及相关装置 | |
CN111353299B (zh) | 基于人工智能的对话场景确定方法和相关装置 | |
CN111597804B (zh) | 一种实体识别模型训练的方法以及相关装置 | |
CN113821720A (zh) | 一种行为预测方法、装置及相关产品 | |
CN109902296A (zh) | 自然语言处理方法、训练方法及数据处理设备 | |
CN110162603B (zh) | 一种智能对话方法、动态存储方法和装置 | |
CN112907255A (zh) | 一种用户分析方法和相关装置 | |
CN110209778A (zh) | 一种对话生成的方法以及相关装置 | |
CN112214605A (zh) | 一种文本分类方法和相关装置 | |
CN112749252A (zh) | 一种基于人工智能的文本匹配方法和相关装置 | |
CN112862021B (zh) | 一种内容标注方法和相关装置 | |
CN111611369B (zh) | 基于人工智能的交互方法和相关装置 | |
CN110781274A (zh) | 一种问答对生成的方法与装置 | |
CN110390102A (zh) | 一种情感分析的方法和相关装置 | |
CN115392405A (zh) | 模型训练方法、相关装置及存储介质 | |
CN113822435B (zh) | 一种用户转化率的预测方法及相关设备 | |
CN111709789B (zh) | 一种用户转化率的确定方法及相关设备 | |
CN115080840A (zh) | 一种内容推送方法、装置及存储介质 | |
CN113569043A (zh) | 一种文本类别确定方法和相关装置 | |
CN113703883A (zh) | 一种交互方法和相关装置 | |
CN111723783A (zh) | 一种内容识别方法和相关装置 | |
CN114301864B (zh) | 对象识别方法、装置、存储介质及服务器 | |
CN115905416A (zh) | 一种数据处理方法和相关装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40045928 Country of ref document: HK |
|
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |