CN113989023A - 差错交易的处理方法及装置 - Google Patents
差错交易的处理方法及装置 Download PDFInfo
- Publication number
- CN113989023A CN113989023A CN202111274224.8A CN202111274224A CN113989023A CN 113989023 A CN113989023 A CN 113989023A CN 202111274224 A CN202111274224 A CN 202111274224A CN 113989023 A CN113989023 A CN 113989023A
- Authority
- CN
- China
- Prior art keywords
- error
- transaction
- data
- error transaction
- processing
- 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
- 238000003672 processing method Methods 0.000 title abstract description 10
- 238000012545 processing Methods 0.000 claims abstract description 99
- 238000012549 training Methods 0.000 claims abstract description 51
- 238000012706 support-vector machine Methods 0.000 claims abstract description 37
- 238000000034 method Methods 0.000 claims abstract description 34
- 230000026676 system process Effects 0.000 claims abstract description 8
- 238000012360 testing method Methods 0.000 claims description 42
- 238000004590 computer program Methods 0.000 claims description 16
- 238000000513 principal component analysis Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 17
- 230000006870 function Effects 0.000 description 4
- 238000000586 desensitisation Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000006467 substitution reaction 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/02—Banking, e.g. interest calculation or account maintenance
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- General Business, Economics & Management (AREA)
- Debugging And Monitoring (AREA)
Abstract
本发明公开了一种差错交易的处理方法及装置,其中该方法包括:银行分布式***在交易出现差错时,获取差错交易数据;所述差错交易数据包括差错交易的用户特征数据和交易特征数据;银行分布式***将差错交易数据输入差错预测模型,输出差错交易的处理方式;所述差错预测模型根据历史差错交易数据和对应的历史差错交易的处理方式,对支持向量机SVM模型训练得到;银行分布式***根据差错交易的处理方式,对差错交易进行处理,可以确定差错交易的处理方式,提高银行的差错交易处理效率,降低差错交易的影响范围,改善用户体验。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种差错交易的处理方法及装置。
背景技术
本部分旨在为权利要求书中陈述的本发明实施例提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
银行分布式***在交易出现差错时,通常需要判别在当前场景下,交易应该继续向前执行,还是向后补偿;目前所有差错交易的判别都是落入中台由人工进行处理的,但是人工处理效率较慢,且容易出现差错,可能由于一笔差错交易未及时处理而导致多笔错账,影响用户体验。
针对上述问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例提供一种差错交易的处理方法,用以确定差错交易的处理方式,提高银行的差错交易处理效率,降低差错交易的影响范围,改善用户体验,该方法包括:
银行分布式***在交易出现差错时,获取差错交易数据;所述差错交易数据包括差错交易的用户特征数据和交易特征数据;
银行分布式***将差错交易数据输入差错预测模型,输出差错交易的处理方式;所述差错预测模型根据历史差错交易数据和对应的历史差错交易的处理方式,对支持向量机SVM模型训练得到;
银行分布式***根据差错交易的处理方式,对差错交易进行处理。
本发明实施例还提供一种差错交易的处理装置,应用于银行分布式***,用以确定差错交易的处理方式,提高银行的差错交易处理效率,降低差错交易的影响范围,改善用户体验,该装置包括:
获取模块,用于在交易出现差错时,获取差错交易数据;所述差错交易数据包括差错交易的用户特征数据和交易特征数据;
数据输入模块,用于将差错交易数据输入差错预测模型,输出差错交易的处理方式;所述差错预测模型根据历史差错交易数据和对应的历史差错交易的处理方式,对支持向量机SVM模型训练得到;
处理模块,用于根据差错交易的处理方式,对差错交易进行处理。
本发明实施例还提供一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述差错交易的处理方法。
本发明实施例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执行上述差错交易的处理方法的计算机程序。
与现有技术通过人工处理差错交易的方法不同,本发明实施例中,银行分布式***在交易出现差错时,获取差错交易数据;所述差错交易数据包括差错交易的用户特征数据和交易特征数据;银行分布式***将差错交易数据输入差错预测模型,输出差错交易的处理方式;所述差错预测模型根据历史差错交易数据和对应的历史差错交易的处理方式,对支持向量机SVM模型训练得到;银行分布式***根据差错交易的处理方式,对差错交易进行处理,可以确定差错交易的处理方式,提高银行的差错交易处理效率,降低差错交易的影响范围,改善用户体验。
附图说明
为了更清楚地说明本发明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发明的一些实施例,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。在附图中:
图1为本发明实施例中差错交易的处理方法的处理流程图;
图2为本发明实施例中差错预测模型进行训练与测试的一具体实例流程图;
图3为本发明实施例中差错交易的处理装置的结构示意图;
图4为本发明实施例中差错交易的处理装置的一具体实例结构示意图;
图5为本发明实施例中差错交易的处理装置的一具体实例结构示意图;
图6为本发明一实施例的计算机设备结构示意图。
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明白,下面结合附图对本发明实施例做进一步详细说明。在此,本发明的示意性实施例及其说明用于解释本发明,但并不作为对本发明的限定。
首先,对本发明实施例中的技术名词进行介绍:
支持向量机SVM:支持向量机(Support Vector Machine,SVM)是一类按监督学习(supervised learning)方式对数据进行二元分类的广义线性分类器(generalizedlinear classifier)。
主成分分析方法PCA:主成分分析(principal component analysis,PCA)是一种数学降维方法,利用正交变换(orthogonal transformation)把一系列可能线性相关的变量转换为一组线性不相关的新变量,也称为主成分,从而利用新变量在更小的维度下展示数据的特征。
图1为本发明实施例中差错交易的处理方法的处理流程图。如图1所示,本发明实施例中差错交易的处理方法可以包括:
步骤101、银行分布式***在交易出现差错时,获取差错交易数据;所述差错交易数据包括差错交易的用户特征数据和交易特征数据;
步骤102、银行分布式***将差错交易数据输入差错预测模型,输出差错交易的处理方式;所述差错预测模型根据历史差错交易数据和对应的历史差错交易的处理方式,对支持向量机SVM模型训练得到;
步骤103、银行分布式***根据差错交易的处理方式,对差错交易进行处理。
具体实施时,银行分布式***在交易出现差错时,首先可以获取差错交易数据;其中,差错交易数据可以包括差错交易的用户特征数据和交易特征数据;然后可以将差错交易数据输入差错预测模型,输出差错交易的处理方式;其中,差错预测模型可以根据历史差错交易数据和对应的历史差错交易的处理方式,对支持向量机SVM模型训练得到。
在一个实施例中,所述用户特征数据可以包括以下一项或多项数据:用户地理位置、用户性别、用户年龄、用户职业;所述交易特征数据可以包括以下一项或多项数据:交易背景、交易时间、交易类型、交易渠道、交易报错信息。
在一个实施例中,银行分布式***将用户操作数据输入用户等级判断模型之前,还可以包括:获取历史差错交易数据和对应的历史差错交易的处理方式作为样本数据,构建训练集和测试集;利用所述训练集对支持向量机SVM模型进行训练,得到所述差错预测模型;利用所述测试集对所述差错预测模型进行测试。
在一个实施例中,获取历史差错交易数据和对应的历史差错交易的处理方式作为样本数据,构建训练集和测试集,可以包括:将历史差错交易数据和对应的历史差错交易的处理方式进行脱敏后作为样本数据;利用主成分分析方法PCA对样本数据去除噪音和冗余后,构建训练集和测试集。
具体实施时,由于银行分布式***获取的差错交易的用户特征数据中可能包含用户的个人信息,为保护用户隐私可以在训练集对支持向量机SVM模型进行训练之前,对样本数据进行脱敏处理;银行分布式***获取的差错交易数据中还可能存在噪音或和冗余,容易影响差错预测模型预测的准确性,可以在训练集对支持向量机SVM模型进行训练之前,利用主成分分析方法PCA对样本数据去除噪音和冗余。
在一个实施例中,在银行分布式***根据差错交易的处理方式,对差错交易进行处理之后,还可以包括:以差错交易数据和对应的差错交易的处理方式,更新样本数据;利用更新后的样本数据,更新训练集和测试集,继续对差错预测模型进行训练和测试。
具体实施时,为不断优化差错预测模型,可以定期采集银行分布式***中存储的差错交易数据和对应的差错交易的处理方式,例如每月采集一次,并以差错交易数据和对应的差错交易的处理方式,更新样本数据,利用更新后的样本数据,更新训练集和测试集,继续对差错预测模型进行训练和测试。
在一个实施例中,差错交易的处理方式,可以包括:差错交易对应的分布式事务是应向前执行还是向后补偿。
具体实施时,若差错预测模型输出的差错交易的处理方式为向前执行,说明此时交易出现的差错对后续交易的影响不大,可以继续向前执行;若差错预测模型输出的差错交易的处理方式为向后补偿,说明此时交易出现的差错需要立即弥补,否则会影响交易的后续处理,造成更大的损失。
图2为本发明实施例中差错预测模型进行训练与测试的一具体实例流程图。如图2所示,本发明实施例中应用差错预测模型之前进行训练与测试的流程可以包括:
步骤201、获取历史差错交易数据和对应的历史差错交易的处理方式,进行脱敏后作为样本数据;
步骤202、利用主成分分析方法PCA对样本数据去除噪音和冗余后,构建训练集和测试集;
步骤203、利用训练集对支持向量机SVM模型进行训练,得到差错预测模型;
步骤204、利用测试集对所述差错预测模型进行测试;
步骤205、在交易出现差错时,获取差错交易数据,利用通过测试的差错预测模型预测差错交易的处理方式;
步骤206、以差错交易数据和对应的差错交易的处理方式,更新样本数据;
步骤207、利用更新后的样本数据,更新训练集和测试集,继续对差错预测模型进行训练和测试。
本发明实施例中还提供了一种差错交易的处理装置,如下面的实施例所述。由于该装置解决问题的原理与差错交易的处理方法相似,因此该装置的实施可以参见差错交易的处理方法的实施,重复之处不再赘述。
图3为本发明实施例中差错交易的处理装置的结构示意图。如图3所示,本发明实施例中差错交易的处理装置具体可以包括:
获取模块301,用于在交易出现差错时,获取差错交易数据;所述差错交易数据包括差错交易的用户特征数据和交易特征数据;
数据输入模块302,用于将差错交易数据输入差错预测模型,输出差错交易的处理方式;所述差错预测模型根据历史差错交易数据和对应的历史差错交易的处理方式,对支持向量机SVM模型训练得到;
处理模块303,用于根据差错交易的处理方式,对差错交易进行处理。
在一个实施例中,所述用户特征数据包括以下一项或多项数据:
用户地理位置、用户性别、用户年龄、用户职业;
所述交易特征数据包括以下一项或多项数据:
交易背景、交易时间、交易类型、交易渠道、交易报错信息。
图4为本发明实施例中差错交易的处理装置的一具体实例结构示意图。如图4所示,在实施例中,图3所示的差错交易的处理装置还包括:
训练与测试模块401,用于在数据输入模块302将差错交易数据输入差错预测模型之前:
获取历史差错交易数据和对应的历史差错交易的处理方式作为样本数据,构建训练集和测试集;
利用所述训练集对支持向量机SVM模型进行训练,得到所述差错预测模型;
利用所述测试集对所述差错预测模型进行测试。
在一个实施例中,训练与测试模块401具体用于:
将历史差错交易数据和对应的历史差错交易的处理方式进行脱敏后作为样本数据;
利用主成分分析方法PCA对样本数据去除噪音和冗余后,构建训练集和测试集。
图5为本发明实施例中差错交易的处理装置的一具体实例结构示意图。如图5所示,在实施例中,图4所示的差错交易的处理装置还包括:
更新模块501,用于在处理模块303根据差错交易的处理方式,对差错交易进行处理之后:
以差错交易数据和对应的差错交易的处理方式,更新样本数据;
利用更新后的样本数据,更新训练集和测试集,触发训练与测试模块401继续对差错预测模型进行训练和测试。
在一个实施例中,差错交易的处理方式,包括:
差错交易对应的分布式事务是应向前执行还是向后补偿。
基于前述发明构思,如图6所示,本发明还提出了一种计算机设备600,包括存储器610、处理器620及存储在存储器610上并可在处理器620上运行的计算机程序630,所述处理器620执行所述计算机程序630时实现前述差错交易的处理方法。
基于前述发明构思,本发明实施例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执行上述差错交易的处理方法的计算机程序。
综上所述,与现有技术通过人工处理差错交易的方法不同,本发明实施例中,银行分布式***在交易出现差错时,获取差错交易数据;所述差错交易数据包括差错交易的用户特征数据和交易特征数据;银行分布式***将差错交易数据输入差错预测模型,输出差错交易的处理方式;所述差错预测模型根据历史差错交易数据和对应的历史差错交易的处理方式,对支持向量机SVM模型训练得到;银行分布式***根据差错交易的处理方式,对差错交易进行处理,可以确定差错交易的处理方式,提高银行的差错交易处理效率,降低差错交易的影响范围,改善用户体验。
本领域内的技术人员应明白,本发明的实施例可提供为方法、***、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (14)
1.一种差错交易的处理方法,其特征在于,包括:
银行分布式***在交易出现差错时,获取差错交易数据;所述差错交易数据包括差错交易的用户特征数据和交易特征数据;
银行分布式***将差错交易数据输入差错预测模型,输出差错交易的处理方式;所述差错预测模型根据历史差错交易数据和对应的历史差错交易的处理方式,对支持向量机SVM模型训练得到;
银行分布式***根据差错交易的处理方式,对差错交易进行处理。
2.如权利要求1所述的方法,其特征在于,所述用户特征数据包括以下一项或多项数据:
用户地理位置、用户性别、用户年龄、用户职业;
所述交易特征数据包括以下一项或多项数据:
交易背景、交易时间、交易类型、交易渠道、交易报错信息。
3.如权利要求1所述的方法,其特征在于,银行分布式***将差错交易数据输入差错预测模型之前,还包括:
获取历史差错交易数据和对应的历史差错交易的处理方式作为样本数据,构建训练集和测试集;
利用所述训练集对支持向量机SVM模型进行训练,得到所述差错预测模型;
利用所述测试集对所述差错预测模型进行测试。
4.如权利要求3所述的方法,其特征在于,获取历史差错交易数据和对应的历史差错交易的处理方式作为样本数据,构建训练集和测试集,包括:
将历史差错交易数据和对应的历史差错交易的处理方式进行脱敏后作为样本数据;
利用主成分分析方法PCA对样本数据去除噪音和冗余后,构建训练集和测试集。
5.如权利要求3所述的方法,其特征在于,银行分布式***根据差错交易的处理方式,对差错交易进行处理之后,还包括:
以差错交易数据和对应的差错交易的处理方式,更新样本数据;
利用更新后的样本数据,更新训练集和测试集,继续对差错预测模型进行训练和测试。
6.如权利要求1所述的方法,其特征在于,差错交易的处理方式,包括:
差错交易对应的分布式事务是应向前执行还是向后补偿。
7.一种差错交易的处理装置,其特征在于,应用于银行分布式***,该装置包括:
获取模块,用于在交易出现差错时,获取差错交易数据;所述差错交易数据包括差错交易的用户特征数据和交易特征数据;
数据输入模块,用于将差错交易数据输入差错预测模型,输出差错交易的处理方式;所述差错预测模型根据历史差错交易数据和对应的历史差错交易的处理方式,对支持向量机SVM模型训练得到;
处理模块,用于根据差错交易的处理方式,对差错交易进行处理。
8.如权利要求7所述的装置,其特征在于,所述用户特征数据包括以下一项或多项数据:
用户地理位置、用户性别、用户年龄、用户职业;
所述交易特征数据包括以下一项或多项数据:
交易背景、交易时间、交易类型、交易渠道、交易报错信息。
9.如权利要求7所述的装置,其特征在于,还包括训练与测试模块,用于在数据输入模块将差错交易数据输入差错预测模型之前:
获取历史差错交易数据和对应的历史差错交易的处理方式作为样本数据,构建训练集和测试集;
利用所述训练集对支持向量机SVM模型进行训练,得到所述差错预测模型;
利用所述测试集对所述差错预测模型进行测试。
10.如权利要求9所述的装置,其特征在于,训练与测试模块具体用于:
将历史差错交易数据和对应的历史差错交易的处理方式进行脱敏后作为样本数据;
利用主成分分析方法PCA对样本数据去除噪音和冗余后,构建训练集和测试集。
11.如权利要求9所述的装置,其特征在于,还包括更新模块,用于在处理模块根据差错交易的处理方式,对差错交易进行处理之后:
以差错交易数据和对应的差错交易的处理方式,更新样本数据;
利用更新后的样本数据,更新训练集和测试集,触发训练与测试模块继续对差错预测模型进行训练和测试。
12.如权利要求7所述的装置,其特征在于,差错交易的处理方式,包括:
差错交易对应的分布式事务是应向前执行还是向后补偿。
13.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6任一所述方法。
14.一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执行权利要求1至6任一所述方法的计算机程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111274224.8A CN113989023A (zh) | 2021-10-29 | 2021-10-29 | 差错交易的处理方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111274224.8A CN113989023A (zh) | 2021-10-29 | 2021-10-29 | 差错交易的处理方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113989023A true CN113989023A (zh) | 2022-01-28 |
Family
ID=79744607
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111274224.8A Pending CN113989023A (zh) | 2021-10-29 | 2021-10-29 | 差错交易的处理方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113989023A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101027646A (zh) * | 2004-09-24 | 2007-08-29 | 罗伯特·博世有限公司 | 用于处理计算机***上的计算机程序的方法 |
CN111091205A (zh) * | 2019-12-18 | 2020-05-01 | 彭辉敏 | 一种产品信息处理方法、制造商服务器及客户终端 |
CN112306034A (zh) * | 2019-08-02 | 2021-02-02 | 深圳市道通科技股份有限公司 | 一种汽车维修方法、装置及其*** |
CN112965986A (zh) * | 2021-03-30 | 2021-06-15 | 建信金融科技有限责任公司 | 业务一致性处理方法、装置、设备及存储介质 |
-
2021
- 2021-10-29 CN CN202111274224.8A patent/CN113989023A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101027646A (zh) * | 2004-09-24 | 2007-08-29 | 罗伯特·博世有限公司 | 用于处理计算机***上的计算机程序的方法 |
CN112306034A (zh) * | 2019-08-02 | 2021-02-02 | 深圳市道通科技股份有限公司 | 一种汽车维修方法、装置及其*** |
CN111091205A (zh) * | 2019-12-18 | 2020-05-01 | 彭辉敏 | 一种产品信息处理方法、制造商服务器及客户终端 |
CN112965986A (zh) * | 2021-03-30 | 2021-06-15 | 建信金融科技有限责任公司 | 业务一致性处理方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6755849B2 (ja) | 人工ニューラルネットワークのクラスに基づく枝刈り | |
CN109800627B (zh) | 石油管道信号的异常检测方法及装置、设备及可读介质 | |
CN109871315B (zh) | 基于机器学习的***升级失败的诊断方法及装置 | |
CN111788629B (zh) | 学习装置、声音区间检测装置及声音区间检测方法 | |
CN109685805B (zh) | 一种图像分割方法及装置 | |
CN115296984B (zh) | 异常网络节点的检测方法及装置、设备、存储介质 | |
CN115730947A (zh) | 银行客户流失预测方法及装置 | |
CN114443331A (zh) | 时序数据异常检测方法和装置 | |
CN108875810B (zh) | 针对训练语料从词频表中进行负例采样的方法及装置 | |
CN116166967B (zh) | 基于元学习与残差网络的数据处理方法、设备和存储介质 | |
US11373285B2 (en) | Image generation device, image generation method, and image generation program | |
CN113868214A (zh) | 日志的存储方法、装置、电子设备及计算机可读介质 | |
CN107977980B (zh) | 一种目标跟踪方法、设备以及可读介质 | |
CN114169460A (zh) | 样本筛选方法、装置、计算机设备和存储介质 | |
CN112949711A (zh) | 面向软件定义卫星的神经网络模型可复用训练方法、装置 | |
CN116306777A (zh) | 模型精度损失定位方法、装置和电子设备 | |
CN113989023A (zh) | 差错交易的处理方法及装置 | |
EP3975071A1 (en) | Identifying and quantifying confounding bias based on expert knowledge | |
JP2005063208A (ja) | ソフトウェア信頼度成長モデル選択方法、ソフトウェア信頼度成長モデル選択装置、ソフトウェア信頼度成長モデル選択プログラム、およびプログラム記録媒体 | |
CN113850686A (zh) | 投保概率确定方法、装置、存储介质及电子设备 | |
CN112735436A (zh) | 声纹识别方法及声纹识别*** | |
CN111160487A (zh) | 人脸图像数据集的扩充方法和装置 | |
Mylonas et al. | Remaining useful life estimation under uncertainty with causal GraphNets | |
US11481606B2 (en) | Method of updating parameters and information processing apparatus | |
CN115509927A (zh) | 软件缺陷概率的确定方法、装置、设备及存储介质 |
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 |