CN116913460A - 一种药械及检验试剂的营销业务合规性判断分析方法 - Google Patents
一种药械及检验试剂的营销业务合规性判断分析方法 Download PDFInfo
- Publication number
- CN116913460A CN116913460A CN202311177289.XA CN202311177289A CN116913460A CN 116913460 A CN116913460 A CN 116913460A CN 202311177289 A CN202311177289 A CN 202311177289A CN 116913460 A CN116913460 A CN 116913460A
- Authority
- CN
- China
- Prior art keywords
- marketing
- vertex
- layer
- representing
- information
- 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
Links
- 239000003153 chemical reaction reagent Substances 0.000 title claims abstract description 10
- 238000004458 analytical method Methods 0.000 title claims description 4
- 238000007689 inspection Methods 0.000 title description 2
- 238000000034 method Methods 0.000 claims abstract description 33
- 230000002159 abnormal effect Effects 0.000 claims abstract description 16
- 239000003814 drug Substances 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims description 53
- 230000006399 behavior Effects 0.000 claims description 27
- 238000006116 polymerization reaction Methods 0.000 claims description 13
- 230000002776 aggregation Effects 0.000 claims description 11
- 238000004220 aggregation Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 230000005856 abnormality Effects 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 6
- 230000001737 promoting effect Effects 0.000 claims description 6
- 239000003795 chemical substances by application Substances 0.000 claims description 5
- 238000010586 diagram Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 230000003042 antagnostic effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012946 outsourcing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
-
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Medicinal Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及营销业务管理技术领域,公开了一种药械及检验试剂的营销业务合规性判断分析方法,包括以下步骤:步骤101,采集营销业务信息;步骤102,通过实体识别的方法从营销业务信息中识别实体;步骤103,生成图信息;步骤104,根据顶点特征和图信息输入第一模型,第一模型将顶点特征相互融合,对顶点特征进行更新获得顶点更新特征,输出表示营销公司对于营销产品的营销行为是否异常的结果;本发明能够基于记录的营销业务信息发现潜在的营销行为异常。
Description
技术领域
本发明涉及营销业务管理技术领域,更具体地说,它涉及一种药械及检验试剂的营销业务合规性判断分析方法。
背景技术
随着医药营销的监管信息化和流程化,流程化要求营销业务全部环节流程化管理,票据、合同、行为记录相统一,但是只能记录营销人员所上传的内容,无法控制的是内容的虚构,营销业务合规性的判断任务从表面的流程合规的判断转为营销内容和行为合规的判断,票据、合同、行为记录相统一的判断方法无法识别实际的营销行为的异常。
发明内容
本发明提供一种药械及检验试剂的营销业务合规性判断分析方法,解决相关技术中现有的判断方法无法识别实际的营销行为的异常的技术问题。
本发明提供了一种药械及检验试剂的营销业务合规性判断分析方法,包括以下步骤:
步骤101,采集营销业务信息;
步骤102,通过实体识别的方法从营销业务信息中识别实体;
步骤103,生成图信息,图信息包括顶点集合和边集合,顶点集合中的顶点与步骤102中的实体一一对应,边连接的两个顶点对应的实体之间存在关系;对实体进行编码生成顶点特征;
步骤104,根据顶点特征和图信息输入第一模型,第一模型将顶点特征相互融合,对顶点特征进行更新获得顶点更新特征,输出表示营销公司对于营销产品的营销行为是否异常的结果。
进一步地,营销信息包括合同流信息、业务流信息、票据流信息和资金流信息。
进一步地,实体包括以下类别:企业名称、医院名称、营销产品名称、营销费用、营销人员名称、推广人员名称、推广人员职业名称、推广人员职位名称、推广费用、客户名称。
进一步地,识别实体的同时进行关系抽取,关系抽取获得实体之间的关系,抽取的关系具有关系属性或不具有关系属性。
进一步地,第一模型的全连接层输出二分类,两个类别标签分别对应营销公司对于营销产品的营销行为存在异常和不存在异常。
进一步地,第一模型包括聚合层和全连接层,聚合层将顶点特征相互融合,对顶点特征进行更新获得顶点更新特征。
进一步地,第一模型包括聚合层、生成层、逻辑层和全连接层,其中聚合层将顶点特征相互融合,对顶点特征进行更新获得顶点更新特征;
生成层用于输入顶点更新特征,输出第一邻接矩阵,逻辑层输入第一邻接矩阵和第二邻接矩阵,对第一邻接矩阵和第二邻接矩阵进行点对点求差获得第三邻接矩阵,第二邻接矩阵表示图信息中的顶点的连接关系,全连接层输入第三邻接矩阵,输出表示营销公司对于营销产品的营销行为是否异常的结果。
进一步地,逻辑层的计算公式如下:,其中/>、/>、/>分别表示第一邻接矩阵、第二邻接矩阵、第三邻接矩阵的第a行第b列的元素,/>表示逻辑层的权重参数,/>表示逻辑层的偏置参数;第二邻接矩阵是图信息中的顶点的连接关系的表示。
进一步地,对聚合层和生成层进行预训练,预训练过程中连接判别层,判别层输入第一邻接矩阵或第二邻接矩阵,判别层的输出为二分类,一个分类对应于判断结果为输入是第一邻接矩阵,另一个分类对应于判断结果为输入是第二邻接矩阵。
进一步地,聚合层的计算公式如下:,其中/>表示第i个顶点的顶点更新特征,/>表示第i个顶点的聚合指数,/>表示与第i个顶点存在边的顶点的集合,/>表示非线性激活函数,/>表示第二权重,/>表示第j个顶点的顶点特征;第i个顶点的聚合指数的计算公式如下:其中/>,,/>和/>分别表示第i个和j个顶点的顶点特征,/>表示第一权重,/>表示第三权重,T表示转置,/>表示自然指数函数,LeakyRelu表示LeakyRelu激活函数,/>表示与第i个顶点存在边的顶点的集合。
本发明的有益效果在于:本发明通过学习在营销业务信息的条件下营销产品的营销行为存在异常的联合概率分布,并将学习的结果应用到待预测的营销业务信息中得到营销产品的营销行为是否存在异常的结果,能够基于记录的营销业务信息发现潜在的营销行为异常。
附图说明
图1是本发明的一种药械及检验试剂的营销业务合规性判断分析方法的流程图。
具体实施方式
现在将参考示例实施方式讨论本文描述的主题。应该理解,讨论这些实施方式只是为了使得本领域技术人员能够更好地理解从而实现本文描述的主题,可以在不脱离本说明书内容的保护范围的情况下,对所讨论的元素的功能和排列进行改变。各个示例可以根据需要,省略、替代或者添加各种过程或组件。另外,相对一些示例所描述的特征在其他例子中也可以进行组合。
如图1所示,一种药械及检验试剂的营销业务合规性判断分析方法,包括以下步骤:
步骤101,采集营销业务信息,营销信息包括合同流信息、业务流信息、票据流信息和资金流信息;
其中合同流信息包括营销外包合同、任务发包合同、任务众包合同等合同的信息,
业务流信息包括承揽任务信息、分配任务信息、领取任务信息、完成任务信息、绩效评估信息,其中承揽任务信息包括总包任务信息、总包预算信息;
分配任务信息包括分包任务信息、分包预算信息;
领取任务信息包括领取任务人员信息、工作计划信息、工作预算信息;
完成任务信息包括工作计划完成信息;
绩效评估信息包括工作过程评估信息和工作结果评估信息;
总的来说,业务流信息包含了营销行为过程中的所有信息。
票据流信息包括与资金结算有关的票据的信息;
资金流信息包括与资金流向有关的信息。
步骤101中采集的是同一个营销公司的营销业务信息。
步骤102,通过实体识别的方法从营销业务信息中识别实体,实体包括以下类别:企业名称、医院名称、营销产品名称、营销费用、营销人员名称、推广人员名称、推广人员职业名称、推广人员职位名称、推广费用、客户名称(这里的客户一般是指营销人员所拜访的医院的人员)、
需要说明的是营销人员不是推广人员,营销人员归属于营销企业,推广人员负责进行推广活动。
对于一些数值类的实体可以通过识别规则的设置来缩小实体的数量规模,例如对于一个营销费用类的实体,其识别的规则是值属于1万-3万内的营销费用都识别为该营销费用类的实体;
识别实体的同时还会进行关系抽取,关系抽取获得实体之间的关系,抽取的关系可以具有关系属性也可以不具有关系属性,其至少能够表达实体之间是否存在现实的联系。
以上的实体识别和关系抽取可以是人工或采用算法模型完成。
步骤103,生成图信息,图信息包括顶点集合和边集合,顶点集合中的顶点与步骤102中的实体一一对应,边连接的两个顶点对应的实体之间存在关系;对实体进行编码生成顶点特征;
本发明提供一种实体编码的方法,基于实体的集合进行独热编码。
本发明提供一种实体编码的方法,基于词嵌入模型对实体进行编码。
步骤104,根据顶点特征和图信息输入第一模型,第一模型将顶点特征相互融合,对顶点特征进行更新获得顶点更新特征,输出表示营销公司对于营销产品的营销行为是否异常的结果;
在本发明的一个实施例中,输出二分类,两个类别标签分别对应营销公司对于营销产品的营销行为存在异常和不存在异常。
通过上述模型能够学习到在营销业务信息的条件下,营销产品的营销行为存在异常的联合概率分布,并将学习的结果应用到待预测的营销业务信息中得到营销产品的营销行为是否存在异常的结果。
一般的来说对于同一类的营销产品的营销行为应当是类似的,如果出现脱离分布规律的营销行为,则说明营销公司对于该营销产品的营销行为存在异常。具体的行为异常的表现可能是多种多样的,例如可能是虚构领取任务人员、工作计划等关联信息,实际将资金转移他用,在业务流信息中无法体现异常。本发明提供第一种第一模型,包括聚合层和全连接层,聚合层的计算公式如下:,其中/>表示第i个顶点的顶点更新特征,/>表示第i个顶点的聚合指数,/>表示与第i个顶点存在边的顶点的集合,/>表示非线性激活函数,/>表示第二权重,/>表示第j个顶点的顶点特征;第i个顶点的聚合指数的计算公式如下:其中/>,,/>和/>分别表示第i个和j个顶点的顶点特征,/>表示第一权重,/>表示第三权重,T表示转置,/>表示自然指数函数,LeakyRelu表示LeakyRelu激活函数,/>表示与第i个顶点存在边的顶点的集合;全连接层输入表示营销产品的顶点更新特征,输出表示营销公司对于营销产品的营销行为是否异常的结果。
本发明提供第二种第一模型,第一模型包括聚合层、生成层、逻辑层和全连接层,其中聚合层可以与第一种第一模型的聚合层相同,也可以采用其他计算方法来对顶点特征相互融合;
生成层用于输入顶点更新特征,输出第一邻接矩阵,逻辑层输入第一邻接矩阵和第二邻接矩阵,对第一邻接矩阵和第二邻接矩阵进行点对点求差获得第三邻接矩阵,第二邻接矩阵表示图信息中的顶点的连接关系,全连接层输入第三邻接矩阵,输出表示营销公司对于营销产品的营销行为是否异常的结果;异常的情况大部分是虚构营销业务信息,营销业务信息与实际的营销行为不对应。
生成层的计算公式如下:
其中表示第一邻接矩阵,/>表示顶点更新特征矩阵,/>表示S型函数与逻辑回归函数的组合函数,S型函数的值输入逻辑回归函数来输出0或1的值,顶点更新特征矩阵的一个行向量表示一个顶点更新特征;一种逻辑层的计算公式如下:/>,其中/>、/>、/>分别表示第一邻接矩阵、第二邻接矩阵、第三邻接矩阵的第a行第b列的元素;
一种逻辑层的计算公式如下:
,其中/>、/>、/>分别表示第一邻接矩阵、第二邻接矩阵、第三邻接矩阵的第a行第b列的元素,/>表示逻辑层的权重参数,/>表示逻辑层的偏置参数。增加了权重参数提高了逻辑层的性能。其中第二邻接矩阵是图信息中的顶点的连接关系的表示,/>的值为1,则表示第a个和b个顶点之间存在边,的值为0,表示第a个和b个顶点之间不存在边。
在本发明的一个实施例中,生成层可以采用多层感知机。
对聚合层和生成层进行预训练,预训练过程中连接判别层,判别层输入第一邻接矩阵或第二邻接矩阵,判别层的输出为二分类,一个分类对应于判断结果为输入是第一邻接矩阵,另一个分类对应于判断结果为输入是第二邻接矩阵。
判别层可以采用多层感知机。
利用生成对抗网络的方法进行预训练,第一模型进行反向传播时不再更新生成层的权重参数。需要说明的是,生成层预训练过程中的训练样本是营销产品的营销行为正常的样本。训练样本的营销产品的营销行为正常和异常是经过专家调查之后判断的结果。
通过正常训练样本的训练来获得一个能够基于正常营销行为的顶点更新特征来还原顶点连接关系的生成层,如果预测样本是存在异常营销行为的,那么生成层将无法还原顶点连接关系,通过逻辑层来计算顶点级的还原差,通过这样的还原差能够获得更准确的判断结果,准确率更高。
对于第二种第二模型,步骤101中采集的是同一个营销公司同一个营销产品的营销业务信息。
上面对本实施例的实施例进行了描述,但是本实施例并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本实施例的启示下,还可做出很多形式,均属于本实施例的保护之内。
Claims (10)
1.一种药械及检验试剂的营销业务合规性判断分析方法,其特征在于,包括以下步骤:
步骤101,采集营销业务信息;
步骤102,通过实体识别的方法从营销业务信息中识别实体;
步骤103,生成图信息,图信息包括顶点集合和边集合,顶点集合中的顶点与步骤102中的实体一一对应,边连接的两个顶点对应的实体之间存在关系;对实体进行编码生成顶点特征;
步骤104,根据顶点特征和图信息输入第一模型,第一模型将顶点特征相互融合,对顶点特征进行更新获得顶点更新特征,输出表示营销公司对于营销产品的营销行为是否异常的结果。
2.根据权利要求1所述的一种药械及检验试剂的营销业务合规性判断分析方法,其特征在于,营销信息包括合同流信息、业务流信息、票据流信息和资金流信息。
3.根据权利要求1所述的一种药械及检验试剂的营销业务合规性判断分析方法,其特征在于,实体包括以下类别:企业名称、医院名称、营销产品名称、营销费用、营销人员名称、推广人员名称、推广人员职业名称、推广人员职位名称、推广费用、客户名称。
4.根据权利要求1所述的一种药械及检验试剂的营销业务合规性判断分析方法,其特征在于,识别实体的同时进行关系抽取,关系抽取获得实体之间的关系,抽取的关系具有关系属性或不具有关系属性。
5.根据权利要求1所述的一种药械及检验试剂的营销业务合规性判断分析方法,其特征在于,第一模型的全连接层输出二分类,两个类别标签分别对应营销公司对于营销产品的营销行为存在异常和不存在异常。
6.根据权利要求1所述的一种药械及检验试剂的营销业务合规性判断分析方法,其特征在于,第一模型包括聚合层和全连接层,聚合层将顶点特征相互融合,对顶点特征进行更新获得顶点更新特征。
7.根据权利要求1所述的一种药械及检验试剂的营销业务合规性判断分析方法,其特征在于,第一模型包括聚合层、生成层、逻辑层和全连接层,其中聚合层将顶点特征相互融合,对顶点特征进行更新获得顶点更新特征;
生成层用于输入顶点更新特征,输出第一邻接矩阵,逻辑层输入第一邻接矩阵和第二邻接矩阵,对第一邻接矩阵和第二邻接矩阵进行点对点求差获得第三邻接矩阵,第二邻接矩阵表示图信息中的顶点的连接关系,全连接层输入第三邻接矩阵,输出表示营销公司对于营销产品的营销行为是否异常的结果。
8.根据权利要求7所述的一种药械及检验试剂的营销业务合规性判断分析方法,其特征在于,逻辑层的计算公式如下:
,其中/>、/>、/>分别表示第一邻接矩阵、第二邻接矩阵、第三邻接矩阵的第a行第b列的元素,/>表示逻辑层的权重参数,表示逻辑层的偏置参数;第二邻接矩阵是图信息中的顶点的连接关系的表示。
9.根据权利要求7所述的一种药械及检验试剂的营销业务合规性判断分析方法,其特征在于,对聚合层和生成层进行预训练,预训练过程中连接判别层,判别层输入第一邻接矩阵或第二邻接矩阵,判别层的输出为二分类,一个分类对应于判断结果为输入是第一邻接矩阵,另一个分类对应于判断结果为输入是第二邻接矩阵。
10.根据权利要求6或7所述的一种药械及检验试剂的营销业务合规性判断分析方法,其特征在于,聚合层的计算公式如下:,其中/>表示第i个顶点的顶点更新特征,/>表示第i个顶点的聚合指数,/>表示与第i个顶点存在边的顶点的集合,/>表示非线性激活函数,/>表示第二权重,/>表示第j个顶点的顶点特征;
第i个顶点的聚合指数的计算公式如下:
其中/>,,/>和/>分别表示第i个和j个顶点的顶点特征,/>表示第一权重,/>表示第三权重,T表示转置,/>表示自然指数函数,LeakyRelu表示LeakyRelu激活函数,/>表示与第i个顶点存在边的顶点的集合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311177289.XA CN116913460B (zh) | 2023-09-13 | 2023-09-13 | 一种药械及检验试剂的营销业务合规性判断分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311177289.XA CN116913460B (zh) | 2023-09-13 | 2023-09-13 | 一种药械及检验试剂的营销业务合规性判断分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116913460A true CN116913460A (zh) | 2023-10-20 |
CN116913460B CN116913460B (zh) | 2023-12-29 |
Family
ID=88356874
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311177289.XA Active CN116913460B (zh) | 2023-09-13 | 2023-09-13 | 一种药械及检验试剂的营销业务合规性判断分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116913460B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040093296A1 (en) * | 2002-04-30 | 2004-05-13 | Phelan William L. | Marketing optimization system |
CN109214719A (zh) * | 2018-11-02 | 2019-01-15 | 广东电网有限责任公司 | 一种基于人工智能的营销稽查分析的***和方法 |
CN110929036A (zh) * | 2019-11-29 | 2020-03-27 | 南方电网数字电网研究院有限公司 | 电力营销稽查管理方法、装置、计算机设备和存储介质 |
CN112199526A (zh) * | 2020-09-30 | 2021-01-08 | 北京字节跳动网络技术有限公司 | 一种多媒体内容发布的方法、装置、电子设备及存储介质 |
CN112632274A (zh) * | 2020-10-29 | 2021-04-09 | 中科曙光南京研究院有限公司 | 一种基于文本处理的异常事件分类方法及*** |
CN112883062A (zh) * | 2021-02-03 | 2021-06-01 | 泽恩科技有限公司 | 一种不基于规则的自定义规则稽查方法 |
CN112926855A (zh) * | 2021-02-24 | 2021-06-08 | 北京通付盾人工智能技术有限公司 | 一种基于知识图谱的营销活动风险控制***及方法 |
CN114356982A (zh) * | 2021-12-17 | 2022-04-15 | 杭州摸象大数据科技有限公司 | 营销合规性检查方法、装置、计算机设备及存储介质 |
CN115186099A (zh) * | 2022-05-31 | 2022-10-14 | 民生科技有限责任公司 | 一种基于多维度构建知识图谱的对公营销方法和*** |
CN116304216A (zh) * | 2023-03-29 | 2023-06-23 | 广西电网有限责任公司 | 基于图技术的营销域图数据模型构建方法 |
CN116578717A (zh) * | 2023-04-28 | 2023-08-11 | 国网安徽省电力有限公司信息通信分公司 | 用于电力营销场景的多源异构知识图谱构建方法 |
-
2023
- 2023-09-13 CN CN202311177289.XA patent/CN116913460B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040093296A1 (en) * | 2002-04-30 | 2004-05-13 | Phelan William L. | Marketing optimization system |
CN109214719A (zh) * | 2018-11-02 | 2019-01-15 | 广东电网有限责任公司 | 一种基于人工智能的营销稽查分析的***和方法 |
CN110929036A (zh) * | 2019-11-29 | 2020-03-27 | 南方电网数字电网研究院有限公司 | 电力营销稽查管理方法、装置、计算机设备和存储介质 |
CN112199526A (zh) * | 2020-09-30 | 2021-01-08 | 北京字节跳动网络技术有限公司 | 一种多媒体内容发布的方法、装置、电子设备及存储介质 |
CN112632274A (zh) * | 2020-10-29 | 2021-04-09 | 中科曙光南京研究院有限公司 | 一种基于文本处理的异常事件分类方法及*** |
CN112883062A (zh) * | 2021-02-03 | 2021-06-01 | 泽恩科技有限公司 | 一种不基于规则的自定义规则稽查方法 |
CN112926855A (zh) * | 2021-02-24 | 2021-06-08 | 北京通付盾人工智能技术有限公司 | 一种基于知识图谱的营销活动风险控制***及方法 |
CN114356982A (zh) * | 2021-12-17 | 2022-04-15 | 杭州摸象大数据科技有限公司 | 营销合规性检查方法、装置、计算机设备及存储介质 |
CN115186099A (zh) * | 2022-05-31 | 2022-10-14 | 民生科技有限责任公司 | 一种基于多维度构建知识图谱的对公营销方法和*** |
CN116304216A (zh) * | 2023-03-29 | 2023-06-23 | 广西电网有限责任公司 | 基于图技术的营销域图数据模型构建方法 |
CN116578717A (zh) * | 2023-04-28 | 2023-08-11 | 国网安徽省电力有限公司信息通信分公司 | 用于电力营销场景的多源异构知识图谱构建方法 |
Non-Patent Citations (2)
Title |
---|
陈宁;: "基于C/S结构平台的营销信息管理***开发", 西安石油大学学报(自然科学版), no. 01 * |
韦泰丞: "基于时空图神经网络的商品销量预测", 计算机***应用计算机***应用, vol. 32, no. 4, pages 52 - 65 * |
Also Published As
Publication number | Publication date |
---|---|
CN116913460B (zh) | 2023-12-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5586373B2 (ja) | 支払請求を処理するコンポーネントの機能をコンピュータシステムに実現させるプログラムが記録されているコンピュータ読み取り可能な記憶媒体、およびコンピュータシステムに支払請求を処理させるコンピュータシステムの動作方法 | |
US20130054259A1 (en) | Rule-based Prediction of Medical Claims' Payments | |
TW200821787A (en) | Device of managing defect, method of managing defect, program of managing defect and recording medium of recoding the program | |
CN106157132A (zh) | 信用风险监控***及方法 | |
CN110706039A (zh) | 电动汽车残值率评估***、方法、设备及介质 | |
CN111882420B (zh) | 响应率的生成方法、营销方法、模型训练方法及装置 | |
CN112418738B (zh) | 一种基于逻辑回归的员工操作风险预测方法 | |
Dbouk et al. | Towards a machine learning approach for earnings manipulation detection | |
CN107633455A (zh) | 基于数据模型的信用评估方法及装置 | |
Gordon | Virtual navigation and geospatial mapping tools, customer data analytics, and computer vision and simulation optimization algorithms in the blockchain-based metaverse | |
Agarwal et al. | A seven-layer model with checklists for standardising fairness assessment throughout the AI lifecycle | |
Hu | Predicting and improving invoice-to-cash collection through machine learning | |
CN111626331B (zh) | 一种自动化行业分类装置及其工作方法 | |
CN116913460B (zh) | 一种药械及检验试剂的营销业务合规性判断分析方法 | |
CN117114812A (zh) | 一种针对企业的金融产品推荐方法及装置 | |
Musa | The role of artificial intelligence in achieving auditing quality for small and medium enterprises in the Kingdom of Saudi Arabia | |
CN115358875A (zh) | 一种保险产品管理*** | |
Ruamchart | Supply chain resilience after the Covid-19 pandemic in Thai industry | |
Arora et al. | Prediction of Dynamic Price of Ride-On-Demand Services Using Linear Regression | |
US20240113936A1 (en) | Method and system for artificial intelligence-based acceleration of zero-touch processing | |
KR102334923B1 (ko) | 인공지능을 이용한 대출 확대 가설 검정 시스템 및 이를 이용한 방법 | |
CN113570469B (zh) | 面向车险用户的智能化换车预测方法 | |
JP7231967B1 (ja) | 信用リスク判定システム及び信用リスク判定プログラム | |
Sinha et al. | Implication of soft computing and machine learning method for software quality, defect and model prediction | |
Akbaba et al. | Supplier Performance Evaluation Using Cluster Analysis and Artificial Neural Networks in a MRO Business in Aviation Sector |
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 |