CN113554350A - 活跃度评估方法、装置、电子设备及计算机可读存储介质 - Google Patents
活跃度评估方法、装置、电子设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN113554350A CN113554350A CN202110936759.0A CN202110936759A CN113554350A CN 113554350 A CN113554350 A CN 113554350A CN 202110936759 A CN202110936759 A CN 202110936759A CN 113554350 A CN113554350 A CN 113554350A
- Authority
- CN
- China
- Prior art keywords
- liveness
- evaluation
- feature
- activity
- characteristic
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 110
- 230000000694 effects Effects 0.000 title claims abstract description 86
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 238000004364 calculation method Methods 0.000 claims abstract description 30
- 238000000034 method Methods 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 13
- 230000006399 behavior Effects 0.000 claims description 19
- 238000004458 analytical method Methods 0.000 claims description 13
- 238000013145 classification model Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 8
- 230000003542 behavioural effect Effects 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims 1
- 238000010801 machine learning Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 239000000243 solution Substances 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000007115 recruitment Effects 0.000 description 3
- 238000012800 visualization Methods 0.000 description 3
- 238000002347 injection Methods 0.000 description 2
- 239000007924 injection Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Educational Administration (AREA)
- Physics & Mathematics (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供的活跃度评估方法、装置、电子设备及计算机可读存储介质,方法包括:获取待评估对象的活跃度评估数据;其中,活跃度评估数据包括每个活跃度评估特征的特征调节参数和特征值;活跃度表征待评估对象的活动频次及时长;特征调节参数用于调整不同活跃度评估特征之间的差异;基于预先训练的权重计算模型,确定每个活跃度评估特征的权重信息;根据每个活跃度评估特征的权重信息、特征调节参数和特征值,确定待评估对象的活跃度。本发明实施例通过机器学习方法训练得到权重计算模型,进而可以依据模型计算每个活跃度评估特征的权重,相较于现有技术中人为根据经验设置的权重更加准确,最终也能够提高获得的活跃度的准确性。
Description
技术领域
本发明涉及大数据技术领域,具体而言,涉及一种活跃度评估方法、装置、电子设备及计算机可读存储介质。
背景技术
随着大数据技术的发展,一些用来分析活跃度的方法层出不穷,其中,可以包括用户活跃度、企业活跃度、虚拟宠物活跃度等等,评估活跃度可以及时、有效、客观的当前对象的行为状况。目前,评估活跃度的相关指标特征的权重依赖于经验设置,无法体现各指标特征对分析对象的活跃度的影响程度,导致计算的活跃度与分析对象的真实行为状况偏差大。
发明内容
本发明的目的之一在于提供一种活跃度评估方法、装置、电子设备及计算机可读存储介质,用以提高活跃度评估的准确度。
本发明技术方案可以如下实现:
第一方面,本发明提供的一种活跃度评估方法,所述方法包括:获取待评估对象的活跃度评估数据;其中,所述活跃度评估数据包括每个活跃度评估特征的特征调节参数和特征值;活跃度表征所述待评估对象的活动频次及时长;所述特征调节参数用于调整不同所述活跃度评估特征之间的差异;基于预先训练的权重计算模型,确定每个所述活跃度评估特征的权重信息;根据每个所述活跃度评估特征的所述权重信息、所述特征调节参数和所述特征值,确定所述待评估对象的活跃度。
第二方面,本发明提供一种活跃度评估装置,包括:获取模块,用于获取待评估对象的活跃度评估数据;其中,所述活跃度评估数据包括每个活跃度评估特征的特征调节参数和特征值;活跃度表征所述待评估对象的活动频次及时长;所述特征调节参数用于调整不同所述活跃度评估特征之间的差异;确定模块,用于基于预先训练的分类模型,确定每个所述活跃度评估特征的权重信息;根据每个所述活跃度评估特征的所述权重信息、所述特征调节参数和所述特征值,确定所述待评估对象的活跃度。
第三方面,本发明提供一种电子设备,包括处理器和存储有计算机可读指令的存储器,所述处理器被配置为在执行所述计算机可读指令时,执行如第一方面所述的活跃度评估方法。
第四方面,本发明提供一种计算机可读存储介质,其上存储有计算机可读指令,所述计算机可读指令可被处理器执行以实现如第一方面所述的活跃度评估方法。
本发明提供的活跃度评估方法、装置、电子设备及计算机可读存储介质,方法包括:获取待评估对象的活跃度评估数据;其中,所述活跃度评估数据包括每个活跃度评估特征的特征调节参数和特征值;活跃度表征所述待评估对象的活动频次及时长;所述特征调节参数用于调整不同所述活跃度评估特征之间的差异;基于预先训练的权重计算模型,确定每个所述活跃度评估特征的权重信息;根据每个所述活跃度评估特征的所述权重信息、所述特征调节参数和所述特征值,确定所述待评估对象的活跃度。
本发明实施例与现有技术的区别在于,现有技术人为设置用于评估活跃度的相关特征的,无法真实体现各指标特征对分析对象的活跃度的影响程度,导致计算的活跃度与分析对象的真实行为状况偏差大。本发明实施例首先获取到待评估对象的每个活跃度评估特征的特征调节参数和特征值;通过特征调节参数可以调整不同活跃度评估特征之间的差异,从而保证结果的准确性,进而,基于预先训练的权重计算模型,确定每个活跃度评估特征的权重信息,最后,根据每个活跃度评估特征的权重信息、特征调节参数和特征值,确定待评估对象的活跃度。可以看出,本发明实施例通过机器学习方法训练得到权重计算模型,进而可以依据模型计算每个活跃度评估特征的权重,相较于现有技术中人为根据经验设置的权重更加准确,最终也能够提高获得的活跃度的准确性。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为本发明提供的一种活跃度评估方法的示意性流程图;
图2为本发明实施例提供的一种场景示意图;
图3为本发明实施例提供的步骤S107的实现方式的示意性流程图;
图4为本发明实施例提供的一种权重计算模型的训练方式的示意性流程图;
图5为本发明实施例提供的另一种活跃度评估方法的示意性流程图;
图6为本发明实施例提供的一种可视化场景示意图;
图7为本发明实施例提供的一种活跃度评估装置的功能模块图;
图8为本发明实施例提供的一种电子设备结构框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
在本发明的描述中,需要说明的是,若出现术语“上”、“下”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,或者是该发明产品使用时惯常摆放的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
此外,若出现术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
需要说明的是,在不冲突的情况下,本发明的实施例中的特征可以相互结合。
随着大数据技术的发展,一些用来分析活跃度的方法层出不穷,例如,利用大数据技术可以分析用户活跃度、企业活跃度、虚拟宠物活跃度等等,评估活跃度可以及时、有效、客观的当前对象的行为状况。
例如,以企业活跃度为例,企业活跃度评估分析主要是基于大数据理念及技术,采用注册数据、有关部门数据、企业创新数据及互联网企业招聘大数据等多源数据融合,对企业生产经营活动中产生的各类信息分类、量化,综合评估计算企业活跃程度,可以及时、有效、客观的反应当地企业发展状况。通过定期计算分析各行业内企业活跃度变化状况,可以有效识别企业经营活跃程度,加快淘汰无良企业,有效化解过剩产能,提升产业核心竞争力。
目前,评估活跃度的相关指标特征的权重依赖于经验设置,无法体现各指标特征对分析对象的活跃度的影响程度,导致计算的活跃度与分析对象的真实行为状况偏差大。
为了解决上述技术问题,本发明提供了一种活跃度评估方法,避免了指标权重人为设置不合适造成活跃度计算偏差的问题。
请参见图1,图1为本发明提供的一种活跃度评估方法的示意性流程图,该方法可以包括:
S103,获取待评估对象的活跃度评估数据。
其中,待评估对象可以是一个或者多个,包括但不限于是用户、企业、虚拟产品,活跃度表征待评估对象的活动频次及时长,例如,用户活跃度可以用来表征线上产品的用户在线时长以及登录频次,企业活跃度可以用来表征企业经营活动的时长以及活动频次等。
可以理解的是,活跃度评估数据包括每个活跃度评估特征的特征调节参数和特征值。
例如,以企业活跃度为例,活跃度评估特征可以但不限于包括:经营状态指标、经营活动指标、创新指标及负面信息指标,还可以包括前述每个指标对应的子级指标,例如,经营状态指标的多个子级指标:纳税状态、社保缴存状态、公积金缴存状态、是否异常状态;经营活动指标的多个子级指标:变更备案数、变更备案类别数、地址变更数、资本类变更数、资本变更数、分支机构数、分支机构覆盖城市数、分支机构注吊销数、对外投资企业数、对外投资额、招聘数和是否海关出口企业;创新指标的多个子级指标:专利数、商标数、著作权数和是否高新企业;负面信息指标的多个子级指标:是否严重违法失信企业、法人是否失信被执行人、是否采购违法失信企业和行政处罚数。
可以理解的是,特征调节参数用于调整不同活跃度评估特征之间的差异,例如,继续以企业活跃度分析为例,可以根据企业经营状态、企业所属行业、企业规模和企业各个二级指标构建特征调节参数,可以但不限于包括企业经营状态调节参数、企业行业调节参数和企业规模调节参数。
S105,基于预先训练的权重计算模型,确定每个活跃度评估特征的权重信息。
例如,继续以企业活跃度为例,可以结合前述内容给出的多个活跃度评估特征,构建初始的分类模型,然后以企业经营状态为学习标签,采用机器学习分类算法学习企业活跃度指标与企业状态(在营、注吊销)之间的内在关系,进而获得权重计算模型形如:
通过上述权重计算模型获得的前述内容描述的多个活跃度评估特征对应权重信息可以如图2所示,图2为本发明实施例提供的一种场景示意图。
S107,根据每个活跃度评估特征的权重信息、特征调节参数和特征值,确定待评估对象的活跃度。
通过上述提供的活跃度评估方法,本发明实施例与现有技术的区别在于,现有技术人为设置用于评估活跃度的相关特征的,无法真实体现各指标特征对分析对象的活跃度的影响程度,导致计算的活跃度与分析对象的真实行为状况偏差大。本发明实施例首先获取到待评估对象的每个活跃度评估特征的特征调节参数和特征值;通过特征调节参数可以调整不同活跃度评估特征之间的差异,从而保证结果的准确性,进而,基于预先训练的权重计算模型,确定每个活跃度评估特征的权重信息,最后,根据每个活跃度评估特征的权重信息、特征调节参数和特征值,确定待评估对象的活跃度。可以看出,本发明实施例通过机器学习方法训练得到权重计算模型,进而可以依据模型计算每个活跃度评估特征的权重,相较于现有技术中人为根据经验设置的权重更加准确,最终也能够提高获得的活跃度的准确性。
可选地,下面还给出一种计算活跃度的实现方式,请参见图3,图3为本发明实施例提供的步骤S107的实现方式的示意性流程图,步骤S107可以包括:
S107-1,计算目标活跃度评估特征的权重信息、特征调节参数和特征值的乘积。
其中,目标活跃度评估特征为多个活跃度评估特征中任一个。
S107-2,遍历全部活跃度评估特征,获得每个目标活跃度评估特征对应的乘积。
S107-3,将全部乘积之和确定为待评估对象的活跃度。
可以理解是,假设存在n个活跃度评估特征,这n个活跃度评估特征的特征值可以表示为Xv=[Xvj],其中j=1,2,…n,每个活跃度评估特征对应的权重信息可以表示为wj,特征参数为aj,则针对每个活跃度评估特征,先计算Xvj*aj,最终的活跃度计算公式可以表示为:Sv=Xv1*a1*w1+Xv2*a2*w2+…+Xvn*an*wn。
可选地,下面还给出一种权重计算模型的训练方式,请参见图4,图4为本发明实施例提供的一种权重计算模型的训练方式的示意性流程图,该训练方式包括:
步骤1,获取预设区域的多个目标对象的行为状态数据。
其中,目标对象与待评估对象类型相同。例如,待评估对象是企业,那么目标对象是与待评估对象位于同一个城市、同一个地区的企业,行为状态数据可以是企业的工商数据、税务数据、专利数据、企业招聘数据等。
在一些可能的实施例中,在获得的行为状态数据之后,还可以对行为状态数据进行数据清洗处理,剔除无效数据,保证计算得到的活跃度的准确性,为了方便观察,还可以将处理后的行为状态数据进行可视化分析。
步骤2,从每个目标对象的行为状态数据中,提取状态特征和多个活跃度评估特征。
可以理解的是,上述的状态特征用于反映目标对象的活跃度,例如,对企业而言,状态数据可以是在营或者注销或者吊销,针对用户而言,状态特征可以是在线或者不在线。
步骤3,将状态特征和多个活跃度评估特征输入到初始的分类模型进行训练。
步骤4,当分类模型输出的预测状态特征与输入的状态特征一致,获得训练后的权重计算模型。
例如,以目标对象是在营企业为例,当模型预测到的状态特征与输入的在营特征一致,则可以获得训练后的权重计算模型。
需要说明的是,该权重计算模型可以是预先绚训练而成后,部署在执行上述步骤S103至S107的电子设备中,也可以是预先通过该电子设备训练而成,此处不作限定。
可选地,下面还给出确定特征调节参数的实施方式,请参见图5,图5为本发明实施例提供的另一种活跃度评估方法的示意性流程图,该方法还可以包括:
S101,根据多个目标对象各自对应的多个活跃度评估特征,计算每个活跃度评估特征对应的均值信息。
S102,根据待评估对象的状态特征和每个活跃度评估特征对应的均值信息,确定特征调节参数。
为了方便理解,继续以待评估对象为企业为例,可以根据企业经营状态、企业所属行业、企业规模和企业各个二级指标构建属性调节参数,平衡不同企业规模及行业导致的活跃度评估特征之间的差异。
其中,可以根据企业的经营状态构建经营状态调节参数as,则第j个活跃度评估特征asj可以形如:
进而,可以根据企业所属行业类型构建行业调节参数ai,则第j个活跃度评估特征aij可以形如:
进而,还可以根据企业规模构建规模调节参数为al,则第j个活跃度评估特征ali可以形如:
通过上述构建的经营状态调节参数as、行业调节参数ai、规模调节参数为al计算企业活跃的方式可以为:Sv=∑jasj*aij*alj*wj*xvj。
可选地,为了方便对比不同待评估对象之间的活跃性差异,在获得待评估对象的活跃度之后,还可以将待评估对象对应的活跃度和活跃度评估特征进行可视化,请参见图6,图6为本发明实施例提供的一种可视化场景示意图。
为了执行上述实施例及各个可能的方式中的活跃度评估方法的步骤,下面给出一种活跃度评估装置的实现方式,请参阅图7,图7为本发明实施例提供的一种活跃度评估装置的功能模块图。
需要说明的是,本实施例所提供的活跃度评估装置其基本原理及产生的技术效果和上述实施例相同,为简要描述,本实施例部分未提及之处,可参考上述的实施例中相应内容。该活跃度评估装置20包括:
获取模块21,用于获取待评估对象的活跃度评估数据。
其中,所述活跃度评估数据包括每个活跃度评估特征的特征调节参数和特征值;活跃度表征所述待评估对象的活动频次及时长;所述特征调节参数用于调整不同所述活跃度评估特征之间的差异。
权重计算模块22,用于基于预先训练的权重计算模型,确定每个所述活跃度评估特征的权重信息。
确定模块23,用于根据每个所述活跃度评估特征的所述权重信息、所述特征调节参数和所述特征值,确定所述待评估对象的活跃度。
可选地,确定模块23,具体用于计算目标活跃度评估特征的所述权重信息、所述特征调节参数和所述特征值的乘积;所述目标活跃度评估特征为所述多个活跃度评估特征中任一个;遍历全部所述活跃度评估特征,获得每个所述目标活跃度评估特征对应的所述乘积;将全部所述乘积之和确定为所述待评估对象的活跃度。
可选地,所述预先训练的权重计算模型是通过以下方式获得:获取预设区域的多个目标对象的行为状态数据;其中,所述目标对象与所述待评估对象类型相同;从每个所述目标对象的所述行为状态数据中,提取状态特征和多个所述活跃度评估特征;将所述状态特征和所述多个所述活跃度评估特征输入到初始的分类模型进行训练;当所述分类模型输出的预测状态特征与输入的所述状态特征一致,获得训练后的所述权重计算模型。
可选地,确定模块23,还用于根据所述多个目标对象各自对应的所述多个所述活跃度评估特征,计算每个所述活跃度评估特征对应的均值信息;根据所述待评估对象的状态特征和所述每个所述活跃度评估特征对应的均值信息,确定所述特征调节参数。
可选地,该活跃度评估装置20还包括处理模块,处理模块用于对所述行为状态数据进行数据清洗处理,将处理后的所述行为状态数据进行可视化分析。
本发明实施例还提供一种电子设备,如图8,图8为本发明实施例提供的一种电子设备结构框图。该电子设备80包括通信接口81、处理器82和存储器83。该处理器82、存储器83和通信接口81相互之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。存储器83可用于存储软件程序及模块,如本发明实施例所提供的活跃度评估方法对应的程序指令/模块,处理器82通过执行存储在存储器83内的软件程序及模块,从而执行各种功能应用以及数据处理。该通信接口81可用于与其他节点设备进行信令或数据的通信。在本发明中该电子设备80可以具有多个通信接口81。
其中,存储器83可以是但不限于,随机存取存储器(Random Access Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-OnlyMemory,PROM),可擦除只读存储器(Erasable Programmable Read-Only Memory,EPROM),电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory,EEPROM)等。
处理器82可以是一种集成电路芯片,具有信号处理能力。该处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(NetworkProcessor,NP)等;还可以是数字信号处理器(Digital Signal Processing,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。
可选地,上述模块可以软件或固件(Firmware)的形式存储于图8所示的存储器中或固化于该电子设备的操作***(Operating System,OS)中,并可由图8中的处理器执行。同时,执行上述模块所需的数据、程序的代码等可以存储在存储器中。
本发明实施例提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如前述实施方式中任一项活跃度评估方法。该计算机可读存储介质可以是,但不限于,U盘、移动硬盘、ROM、RAM、PROM、EPROM、EEPROM、磁碟或者光盘等各种可以存储程序代码的介质。
在本发明所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台电子设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个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-Only Memory)、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。
以上所述,仅为本发明的具体实施方式,但本发明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发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种活跃度评估方法,其特征在于,所述方法包括:
获取待评估对象的活跃度评估数据;
其中,所述活跃度评估数据包括每个活跃度评估特征的特征调节参数和特征值;活跃度表征所述待评估对象的活动频次及时长;所述特征调节参数用于调整不同所述活跃度评估特征之间的差异;
基于预先训练的权重计算模型,确定每个所述活跃度评估特征的权重信息;
根据每个所述活跃度评估特征的所述权重信息、所述特征调节参数和所述特征值,确定所述待评估对象的活跃度。
2.根据权利要求1所述的活跃度评估方法,其特征在于,根据每个所述活跃度评估特征的所述权重信息、所述特征调节参数和所述特征值,确定所述待评估对象的活跃度,包括:
计算目标活跃度评估特征的所述权重信息、所述特征调节参数和所述特征值的乘积;所述目标活跃度评估特征为多个所述活跃度评估特征中任一个;
遍历全部所述活跃度评估特征,获得每个所述目标活跃度评估特征对应的所述乘积;
将全部所述乘积之和确定为所述待评估对象的活跃度。
3.根据权利要求1所述的活跃度评估方法,其特征在于,所述预先训练的权重计算模型是通过以下方式获得:
获取预设区域的多个目标对象的行为状态数据;其中,所述目标对象与所述待评估对象的类型相同;
从每个所述目标对象的所述行为状态数据中,提取状态特征和多个所述活跃度评估特征;
将所述状态特征和所述多个所述活跃度评估特征输入到初始的分类模型进行训练;
当所述分类模型输出的预测状态特征与输入的所述状态特征一致,获得训练后的所述权重计算模型。
4.根据权利要求3所述的活跃度评估方法,其特征在于,在获取目标对象的多个活跃度评估特征各自对应的特征值和特征调节参数之前,所述方法还包括:
根据所述多个目标对象各自对应的所述多个所述活跃度评估特征,计算每个所述活跃度评估特征对应的均值信息;
根据所述待评估对象的状态特征和所述每个所述活跃度评估特征对应的均值信息,确定所述特征调节参数。
5.根据权利要求3所述的活跃度评估方法,其特征在于,在获取预设区域的多个目标对象的行为状态数据之后,所述方法还包括:
对所述行为状态数据进行数据清洗处理,将处理后的所述行为状态数据进行可视化分析。
6.一种活跃度评估装置,其特征在于,包括:
获取模块,用于获取待评估对象的活跃度评估数据;
其中,所述活跃度评估数据包括每个活跃度评估特征的特征调节参数和特征值;活跃度表征所述待评估对象的活动频次及时长;所述特征调节参数用于调整不同所述活跃度评估特征之间的差异;
确定模块,用于基于预先训练的分类模型,确定每个所述活跃度评估特征的权重信息;根据每个所述活跃度评估特征的所述权重信息、所述特征调节参数和所述特征值,确定所述待评估对象的活跃度。
7.根据权利要求6所述的活跃度评估装置,其特征在于,确定模块,具体用于:
将目标活跃度评估特征的所述权重信息、所述特征调节参数和所述特征值相乘;所述目标活跃度评估特征为多个所述活跃度评估特征中任一个;
遍历全部所述活跃度评估特征,获得每个所述目标活跃度评估特征对应的乘积;
将全部所述乘积之和确定为所述待评估对象的活跃度。
8.根据权利要求6所述的活跃度评估装置,其特征在于,所述预先训练的分类模型是通过以下方式获得:
获取预设区域的多个目标对象的行为状态数据;所述目标对象与所述待评估对象与类型相同;
从每个所述目标对象的所述行为状态数据中,提取状态特征和多个所述活跃度评估特征;
将所述状态特征和所述多个所述活跃度评估特征输入到初始的所述分类模型进行训练;
当所述分类模型输出的预测状态特征与输入的所述状态特征一致时,根据所述多个所述活跃度评估特征生成权重计算模型,将所述权重计算模型作为训练后的所述分类模型。
9.一种电子设备,其特征在于,包括处理器和存储有计算机可读指令的存储器,所述处理器被配置为在执行所述计算机可读指令时,执行如权利要求1至5任一项所述的活跃度评估方法。
10.一种计算机可读存储介质,其特征在于,其上存储有计算机可读指令,所述计算机可读指令可被处理器执行以实现如权利要求1至5任一项所述的活跃度评估方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110936759.0A CN113554350A (zh) | 2021-08-16 | 2021-08-16 | 活跃度评估方法、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 |
---|---|---|---|
CN202110936759.0A CN113554350A (zh) | 2021-08-16 | 2021-08-16 | 活跃度评估方法、装置、电子设备及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113554350A true CN113554350A (zh) | 2021-10-26 |
Family
ID=78133862
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110936759.0A Pending CN113554350A (zh) | 2021-08-16 | 2021-08-16 | 活跃度评估方法、装置、电子设备及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113554350A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114330929A (zh) * | 2022-01-21 | 2022-04-12 | 广州虎牙科技有限公司 | 内容贡献度评估方法、装置、电子设备及可读存储介质 |
CN114900477A (zh) * | 2022-04-13 | 2022-08-12 | 中国电信股份有限公司 | 报文处理方法、服务器、电子设备及存储介质 |
CN115994100A (zh) * | 2023-03-22 | 2023-04-21 | 深圳市明源云科技有限公司 | ***活跃度检测方法、装置、电子设备及可读存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112116264A (zh) * | 2020-09-24 | 2020-12-22 | 北京易华录信息技术股份有限公司 | 一种活跃度评估方法及装置 |
CN112148987A (zh) * | 2020-10-12 | 2020-12-29 | 平安科技(深圳)有限公司 | 基于目标对象活跃度的消息推送方法及相关设备 |
CN112633573A (zh) * | 2020-12-21 | 2021-04-09 | 北京达佳互联信息技术有限公司 | 活跃状态的预测方法以及活跃度阈值的确定方法 |
CN112734156A (zh) * | 2020-09-29 | 2021-04-30 | 红盾大数据(北京)有限公司 | 企业活跃度的评估方法、装置、设备以及存储介质 |
-
2021
- 2021-08-16 CN CN202110936759.0A patent/CN113554350A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112116264A (zh) * | 2020-09-24 | 2020-12-22 | 北京易华录信息技术股份有限公司 | 一种活跃度评估方法及装置 |
CN112734156A (zh) * | 2020-09-29 | 2021-04-30 | 红盾大数据(北京)有限公司 | 企业活跃度的评估方法、装置、设备以及存储介质 |
CN112148987A (zh) * | 2020-10-12 | 2020-12-29 | 平安科技(深圳)有限公司 | 基于目标对象活跃度的消息推送方法及相关设备 |
CN112633573A (zh) * | 2020-12-21 | 2021-04-09 | 北京达佳互联信息技术有限公司 | 活跃状态的预测方法以及活跃度阈值的确定方法 |
Non-Patent Citations (1)
Title |
---|
袁岳等: "指标体现调整方案", 《2015中国民营企业发展指数》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114330929A (zh) * | 2022-01-21 | 2022-04-12 | 广州虎牙科技有限公司 | 内容贡献度评估方法、装置、电子设备及可读存储介质 |
CN114900477A (zh) * | 2022-04-13 | 2022-08-12 | 中国电信股份有限公司 | 报文处理方法、服务器、电子设备及存储介质 |
CN114900477B (zh) * | 2022-04-13 | 2024-01-30 | 中国电信股份有限公司 | 报文处理方法、服务器、电子设备及存储介质 |
CN115994100A (zh) * | 2023-03-22 | 2023-04-21 | 深圳市明源云科技有限公司 | ***活跃度检测方法、装置、电子设备及可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108564286B (zh) | 一种基于大数据征信的人工智能金融风控授信评定方法和*** | |
Zafar et al. | An effective blockchain evaluation system based on entropy-CRITIC weight method and MCDM techniques | |
CN109859052B (zh) | 一种投资策略的智能推荐方法、装置、存储介质和服务器 | |
US10783457B2 (en) | Method for determining risk preference of user, information recommendation method, and apparatus | |
CN113554350A (zh) | 活跃度评估方法、装置、电子设备及计算机可读存储介质 | |
CN112734559B (zh) | 企业信用风险评价方法、装置及电子设备 | |
CN109784779B (zh) | 财务风险预测方法、装置及存储介质 | |
CN111882420B (zh) | 响应率的生成方法、营销方法、模型训练方法及装置 | |
CN110991936A (zh) | 企业评分评级方法、装置、设备及介质 | |
CN112562863A (zh) | 流行病监测预警方法、装置、电子设备 | |
WO2017071369A1 (zh) | 一种预测用户离网的方法和设备 | |
CN113407854A (zh) | 一种应用推荐方法、装置、设备及计算机可读存储介质 | |
CN108647714A (zh) | 负面标签权重的获取方法、终端设备及介质 | |
CN112163098A (zh) | 一种知识图谱的创建方法、装置、存储介质和服务器 | |
CN115829722A (zh) | 信用风险评分模型的训练方法及信用风险评分方法 | |
CN113656692B (zh) | 基于知识迁移算法的产品推荐方法、装置、设备及介质 | |
CN112346995B (zh) | 一种基于银行业的测试风险预估模型的构建方法及装置 | |
CN114418776A (zh) | 一种数据处理方法、装置、终端设备及介质 | |
CN114066513A (zh) | 一种用户分类的方法和装置 | |
CN114092216A (zh) | 企业信贷评级方法、装置、计算机设备和存储介质 | |
CN112862014A (zh) | 客户信用预警方法及装置 | |
CN112950350A (zh) | 一种基于机器学习的贷款产品推荐方法及*** | |
CN114757786A (zh) | 数据的预测方法、装置、电子设备及计算机可读介质 | |
CN112308295B (zh) | 违约概率预测方法及装置 | |
Persson et al. | Comparing machine learning models for predicting stock market volatility using social media sentiment: A comparison of the predictive power of the Artificial Neural Network, Support Vector Machine and Decision Trees models on price volatility using social media sentiment |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20211026 |