CN118133085A - 交互任务的控制方法、装置和计算机设备 - Google Patents
交互任务的控制方法、装置和计算机设备 Download PDFInfo
- Publication number
- CN118133085A CN118133085A CN202410322176.2A CN202410322176A CN118133085A CN 118133085 A CN118133085 A CN 118133085A CN 202410322176 A CN202410322176 A CN 202410322176A CN 118133085 A CN118133085 A CN 118133085A
- Authority
- CN
- China
- Prior art keywords
- risk
- account
- interaction
- task
- data
- 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
- 230000003993 interaction Effects 0.000 title claims abstract description 323
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000001514 detection method Methods 0.000 claims abstract description 188
- 230000002452 interceptive effect Effects 0.000 claims abstract description 58
- 238000004590 computer program Methods 0.000 claims abstract description 24
- 238000012549 training Methods 0.000 claims description 23
- 238000012790 confirmation Methods 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 abstract description 21
- 230000000694 effects Effects 0.000 description 34
- 230000006399 behavior Effects 0.000 description 22
- 238000012706 support-vector machine Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 8
- 230000002159 abnormal effect Effects 0.000 description 5
- 238000012954 risk control Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000013145 classification model Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000002996 emotional effect Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000013058 risk prediction model Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本公开涉及大数据技术领域,具体公开了一种交互任务的控制方法、装置、计算机设备、存储介质和计算机程序产品。所述方法包括:响应于账号对当前交互任务的触发操作,获取所述账号的历史交互任务及对应的风险类别、所述当前交互任务的交互数据;根据所述历史交互任务及对应的风险类别,以及预设的第一风险检测模型,确定所述账号的第一风险检测结果;根据所述当前交互任务的交互数据以及第二风险检测模型,确定所述账号的第二风险检测结果;根据所述第一风险检测结果、所述第二风险检测结果,以及所述当前交互任务对应的风险策略,确定所述当前交互任务的交互结果。采用本方法能够提高交互任务的处理效率。
Description
技术领域
本申请涉及大数据技术领域,特别是涉及一种交互任务的控制方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
随着互联网的不断发展,越来越多的应用程序涌现出来。这些应用程序为用户提供了更多的权益,以吸引用户增加应用程序的使用量,用户只需完成一定的交互任务即可享受这些权益。然而,随着参与交互任务的用户数量不断增加,利用活动漏洞多次领取权益的行为也在增加。因此,对交互任务的风险控制变得更加重要。
传统技术中风险控制方式,在交互过程中产生新的交互数据时,会从数据库中查询出交互账号的多种历史交互数据,联合处理分析。然而,利用这种方式,在查询的过程中,每次都需要查询所有的交互数据,在交互数据量较大的情况下,会消耗大量的计算资源,导致内存耗尽,从而影响风险的控制,进而导致交互任务无法正常运转。
发明内容
基于此,有必要针对上述技术问题,提供一种交互任务的控制方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面,本申请提供了一种交互任务的控制方法。所述方法包括:
响应于账号对当前交互任务的触发操作,获取所述账号的历史交互任务及对应的风险类别、所述当前交互任务的交互数据;
根据所述历史交互任务及对应的风险类别,以及预设的第一风险检测模型,确定所述账号的第一风险检测结果;
根据所述当前交互任务的交互数据以及第二风险检测模型,确定所述账号的第二风险检测结果;
根据所述第一风险检测结果、所述第二风险检测结果,以及所述当前交互任务对应的风险策略,确定所述当前交互任务的交互结果。
在其中一个实施例中,所述获取所述账号的历史交互任务及对应的风险类别、所述当前交互任务的交互数据,包括:
在所述账号非首次对当前任务进行触发操作的情况下,获取所述账号的第一风险检测结果和当前交互任务的交互数据;
在所述账号首次对当前任务进行触发操作的情况下,获取所述账号的历史交互任务及对应的风险类别、所述当前交互任务的交互数据。
在其中一个实施例中,所述第一风险检测模型的获取方式包括:
获取样本账号在历史交互任务中的风险类别以及样本账号的相关历史数据;其中,所述相关历史数据用于表征样本账号在非交互任务中存在的风险类别;
根据所述历史信息以及相关历史数据,对初始风险检测模型进行训练,得到所述第一风险检测模型。
在其中一个实施例中,所述第二风险检测模型包含不同维度的子模型,所述根据所述当前交互任务的交互数据以及第二风险检测模型,确定所述账号的第二风险检测结果,包括:
根据子模型的不同维度,将所述当前交互任务的交互数据分为不同维度的数据;
分别将所述不同维度的数据输入到对应的子模型中,得到所述不同维度的风险检测结果;
根据所述不同维度的风险检测结果,确定所述交互数据的第二风险检测结果。
在其中一个实施例中,所述第一风险检测模型的训练方式,还包括:
获取账号的交互结果;
将所述账号的交互结果添加到所述账号在历史交互任务的风险类别中;
根据预设的规则,对所述账号的历史交互任务中的风险类别的权重进行调整;
将调整后的风险类别及权重输入到所述第一风险检测模型中,对所述第一风险检测模型进行优化。
在其中一个实施例中,所述方法还包括:
根据所述交互数据以及所述当前交互任务,依次确定账号的任务完成度;
根据所述账号的任务完成度以及所述交互结果,确定目标账号。
第二方面,本申请还提供了一种交互任务的控制装置。所述装置包括:
数据获取模块,用于响应于账号对当前交互任务的触发操作,获取所述账号的历史交互任务及对应的风险类别、所述当前交互任务的交互数据;
风险预测模块,用于根据所述历史交互任务及对应的风险类别,以及预设的第一风险检测模型,确定所述账号的第一风险检测结果;
所述风险预测模块,还用于根据所述当前交互任务的交互数据以及第二风险检测模型,确定所述账号的第二风险检测结果;
结果确定模块,用于根据所述第一风险检测结果、所述第二风险检测结果,以及所述当前交互任务对应的风险策略,确定所述当前交互任务的交互结果。
在其中一个实施例中,所述数据获取模块,包括:
数据获取子模块,用于在所述账号非首次对当前任务进行触发操作的情况下,获取所述账号的第一风险检测结果和当前交互任务的交互数据;
所述数据获取子模块,还用于在所述账号首次对当前任务进行触发操作的情况下,获取所述账号的历史交互任务及对应的风险类别、所述当前交互任务的交互数据。
在其中一个实施例中,所述风险预测模块,包括:
数据获取子模块,用于获取样本账号在历史交互任务中的风险类别以及样本账号的相关历史数据;其中,所述相关历史数据用于表征样本账号在非交互任务中存在的风险类别;
模型训练子模块,用于根据所述历史信息以及相关历史数据,对初始风险检测模型进行训练,得到所述第一风险检测模型。
在其中一个实施例中,所述风险预测模块,包括:
数据分维子模块,用于根据子模型的不同维度,将所述当前交互任务的交互数据分为不同维度的数据;
风险预测子模块,用于分别将所述不同维度的数据输入到对应的子模型中,得到所述不同维度的风险检测结果;
风险确定子模块,用于根据所述不同维度的风险检测结果,确定所述交互数据的第二风险检测结果。
在其中一个实施例中,所述模型训练子模块,还包括:
结果获取单元,用于获取账号的交互结果;
数据添加单元,用于将所述账号的交互结果添加到所述账号在历史交互任务的风险类别中;
权重调整单元,用于根据预设的规则,对所述账号的历史交互任务中的风险类别的权重进行调整;
模型优化单元,用于将调整后的风险类别及权重输入到所述第一风险检测模型中,对所述第一风险检测模型进行优化。
在其中一个实施例中,所述装置还包括:
情况确认模块,用于根据所述交互数据以及所述当前交互任务,依次确定账号的任务完成度;
目标确认模块,用于根据所述账号的任务完成度以及所述交互结果,确定目标账号。
第三方面,本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现如本公开实施例任一项所述的交互任务的控制方法。
第四方面,本申请还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,其上存储有计算机程序,所述计算机程序被处理器执行时实现如本公开实施例任一项所述的交互任务的控制方法。
第五方面,本申请还提供了一种计算机程序产品。所述计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现如本公开实施例任一项所述的交互任务的控制方法。
上述交互任务的控制方法、装置、计算机设备、存储介质和计算机程序产品,利用风险检测模型,通过对账号历史交互任务的风险类别以及当前交互任务的交互数据,对账号风险进行预测,与当前交互任务的风险策略进行对比,得到当前交互任务的交互结果。通过响应于账号的触发操作,可以实时地获取当前账号的数据,并根据数据实时对账号的风险进行预测,增强了对交互任务风险把控的能力,显著提高了交互任务***的安全性。通过利用历史交互任务以及对应的风险类别得到第一风险检测结果,通过历史风险类别识别潜在的风险账号,从而及时发现异常账号,进一步提高了交互任务***的安全性;同时,通过利用当前交互任务的交互数据得到第二风险检测结果,能够通过当前交互数据及时对账号的风险进行预测,反映账号的最新风险状况。通过当前交互任务对应的风险策略,综合第一风险检测结果和第二风险检测结果,可以更加灵活准确地调整账号的交互结果,进一步提高了交互任务***的安全性。除此之外,本方法可以自动化地处理交互任务,无需人工干预,极大地提高了交互结果的处理效率,避免了人工处理的主观性,提高了交互结果的准确性。
附图说明
图1为一个实施例中交互任务的控制方法的应用环境图;
图2为一个实施例中交互任务的控制方法的流程示意图;
图3为一个实施例中数据获取流程示意图;
图4为一个实施例中第一风险检测模型训练的流程示意图;
图5为一个实施例中第二风险检测结果确定的流程示意图;
图6为一个实施例中第一风险检测模型优化的流程示意图;
图7为一个实施例中目标账号确认的流程示意图;
图8为一个实施例中交互任务的控制方法实施的第一流程示意图;
图9为一个实施例中交互任务的控制方法实施的第二流程示意图;
图10为一个实施例中交互任务的控制装置的结构框图;
图11为一个实施例中计算机设备的第一内部结构图;
图12为一个实施例中计算机设备的第二内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。
本申请实施例提供的交互任务的控制方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与服务器104进行通信。数据存储***可以存储服务器104需要处理的数据。数据存储***可以集成在服务器104上,也可以放在云上或其他网络服务器上。账号在终端102上对当前交互任务进行触发操作,服务器104在接收到账号的触发操作后,对账号的交互结果进行确认。其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备,物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种交互任务的控制方法,以该方法应用于图1中的服务器为例进行说明,包括以下步骤:
步骤S100,响应于账号对当前交互任务的触发操作,获取所述账号的历史交互任务及对应的风险类别、所述当前交互任务的交互数据。
在一种示例性实施例中,所述账号的历史交互任务及对应的风险类型可以包括账号参加过的交互任务的交互结果以及对应的交互任务的时间;例如,账号A,在X年X月X日的XX(任务编号)任务中,为非正常交互。
在一种示例性实施例中,所述当前交互任务的交互操作可以包括账号在当前交互任务中的行为数据,例如点击、浏览、购买等,以及任务完成度、任务时长等相关数据。服务器可以通过接口、API或其他通信方式获取这些交互数据。
在一种示例性实施例中,所述当前交互任务的交互操作可以包括现实中的行为数据,例如通过摄像头、传感器等设备获取到的用户的动作、表情、声音等,以及通过分析这些数据得到的用户的行为特征、情绪状态等。服务器可以通过与这些设备的接口或其他通信方式获取这些交互数据。
步骤S200,根据所述历史交互任务及对应的风险类别,以及预设的第一风险检测模型,确定所述账号的第一风险检测结果。
在一种示例性实施例中,所述账号的第一风险检测结果可以包括账号的类别,例如,账号为高风险账号、长期风险账号等;在另一种示例性实施例中,所述账号的第一风险检测结果可以包括账号的风险等级,例如,从1-5分别表示账号的风险等级,账号A风险等级为5,即账号A为高风险账号。
在一种示例性实施例中,所述第一风险检测模型可以包括支持向量机模型;在另一种示例性实施例中,所述第一风险检测模型可以包括逻辑回归模型,例如,逻辑斯蒂回归模型、Logistic回归模型等。
步骤S300,根据所述当前交互任务的交互数据以及第二风险检测模型,确定所述账号的第二风险检测结果。
在一种示例性实施例中,所述第二风险检测模型可以使用支持向量机(SVM)、决策树模型、随机森林、神经网络等。
在一种示例性实施例中,所述第二风险模型可以包括检测是否存在非正常的数据;例如,购买之后立刻出现退单、利用摄像头对视频进行录制已完成任务数据等。
步骤S400,根据所述第一风险检测结果、所述第二风险检测结果,以及所述当前交互任务对应的风险策略,确定所述当前交互任务的交互结果。
在一种示例性实施例中,所述当前交互任务对应的风险策略可以包括设置第一风险检测结果和第二风险检测结果中的符合交互结果的账号;例如,所述第一风险检测结果包括低风险账号、中风险账号、高风险账号等,第二风险结果包括低风险账号、中风险账号、高风险账号等;所述风险策略可以包括在第一风险检测结果和第二风险检测结果均为低风险账号为符合交互结果的账号;在另一种示例性实施例中,所述风险策略也可以包括在第一风险检测结果或第二风险检测结果为高风险账号的情况下,将所述账号确定为不符合交互结果。
在一种示例性实施例中,在所述第一风险检测结果和第二风险检测结果为风险等级的情况下,可以利用对第一风险检测结果和第二风险检测结果设置预设的权重,进而确定账号的目标风险结果;所述风险策略可以包括目标风险结果的等级要求,所述风险策略还可以包括目标风险结果的等级要求和对第一风险检测结果和第二风险检测结果的要求;例如,所述第一风险检测结果和第二风险检测结果的风险等级从低到高依次为1-5,风险策略可以为账号的目标风险结果为风险等级1到风险等级3,且第一风险检测结果和第二风险检测结果中不存在风险等级5。
在一种示例性实施例中,所述当前交互任务的交互结果可以包括风险策略下的合规账号;***通过合规账号的任务完成度确定目标账号;在另一种示例性实施例中,所述当前交互任务的交互结果可以包括风险策略下的不合规账号;***对所有账号的任务完成度确定初始目标账号,从初始目标账号中将不合规账号进行删除,得到目标账号;在另一种示例性实施例中,所述当前交互的交互结果可以包括风险下的合规账号和不合规账号;***通过合规账号(或不合规账号)确定目标账号,并利用不合规账号(或合规账号)对目标账号进行验证。
在一种示例性实施例中,在响应到账号对当前交互任务的触发操作后,实时获取账号的相关信息,并将这些信息以流式数据的形式实时地推送到风险检测模型,并生成交互结果,并将交互结果以流式数据的方式实时地推送到交互任务的权益发放***确定目标账号。
在一种示例性实施例中,所述交互任务的控制方法可以被应用于复杂事件处理(CEP),账号对当前任务进行触发操作,复杂事件处理获取历史交互任务的风险类别,以及当前交互任务的交互数据;并将获取的数据与对应的风险检测模型进行匹配,将输出的结果与配置的任务风险策略进行对比,得到账号的交互结果。
在一种示例性实施例中,在账号对当前交互任务进行触发操作后,可以将所述触发操作以及账号标识推送至复杂事件处理(CEP)中,复杂事件处理利用账号标识得到所述账号的历史风险类别,并将历史风险类别推送至第一风险检测模型,同时,复杂事件后处理将触发操作推送到第二风险检测模型,最后第一风险检测模型和第二风险检测模型将检测结果推送到复杂事件处理,复杂花时间处理将检测结果与交互任务的风险策略进行分析,得到交互结果,并将交互结果推送至,权益发放***确定目标账号,其中,复杂事件处理(CEP)可以使用主流的Flink CEP。
上述交互任务的控制方法中,利用风险检测模型,通过对账号历史交互任务的风险类别以及当前交互任务的交互数据,对账号风险进行预测,与当前交互任务的风险策略进行对比,得到当前交互任务的交互结果。通过响应于账号的触发操作,可以实时地获取当前账号的数据,并根据数据实时对账号的风险进行预测,增强了对交互任务风险把控的能力,显著提高了交互任务***的安全性。通过利用历史交互任务以及对应的风险类别得到第一风险检测结果,通过历史风险类别识别潜在的风险账号,从而及时发现异常账号,进一步提高了交互任务***的安全性;同时,通过利用当前交互任务的交互数据得到第二风险检测结果,能够通过当前交互数据及时对账号的风险进行预测,反映账号的最新风险状况。通过当前交互任务对应的风险策略,综合第一风险检测结果和第二风险检测结果,可以更加灵活准确地调整账号的交互结果,进一步提高了交互任务***的安全性。除此之外,本方法可以自动化地处理交互任务,无需人工干预,极大地提高了交互结果的处理效率,避免了人工处理的主观性,提高了交互结果的准确性。
在一个实施例中,如图3所示,步骤S100包括:
步骤S101,在所述账号非首次对当前任务进行触发操作的情况下,获取所述账号的第一风险检测结果和当前交互任务的交互数据。
在一种示例性实施例中,所述非首次对当前任务进行触发操作时,可以直接获取首次对当前任务进行触发操作时的第一风险检测结果;在另一种示例性实施例中,在所述第一风险检测结果与第二风险检测结果的差值不在预设的范围内,则重新获取账号的历史交互任务以及对应的风险类别,并重新确定所述账号的第一风险检测结果;例如,第一风险检测结果和第二风险检测结果由风险等级1到风险等级5来依次表示风险由低到高,在第一风险检测结果和第二风险检测结果的差值大于2时,则重新获取账号的历史交互任务以及对应的风险类别,并重新获取账号的第一风险检测结果。
在一种示例性实施例中,在检测到所述账号达到交互任务的任务完成度的情况下,再次对所述账号的第一风险检测结果进行检测,在两次第一风险检测结果不同的情况下,可以再次对第一风险检测结果进行检测,或利用专家法来确定目标第一风险检测结果。
步骤S102,在所述账号首次对当前任务进行触发操作的情况下,获取所述账号的历史交互任务及对应的风险类别、所述当前交互任务的交互数据。
在一种示例性实施例中,所述账号首次对当前任务进行触发操作的情况可以包括在账号完成交互任务中的一部分;即账号参与到所述交互任务;在另一种示例性实施例中,所述账号首次对当前任务进行触发操作的情况还可以包括在账号完成交互任务,且达到领取权益的完成度的情况。
在一种示例性实施例中,在所述账号与交互任务进行交互的情况下,可以确认所述账号未与当前任务进行触发操作。
本实施例中,在账号非首次对交互任务进行触发操作时,可以直接获取首次预测的第一风险检测结果,避免了对所有数据都进行重复检测,节省了计算资源,减少了处理时间,提高了交互结果的处理效率。同时,在账号首次对交互任务进行触发操作时,获取历史交互任务以及对应的风险类别,可以确定账号在不同任务中的风险信息,从而更加准确判断账号的整体风险信息,从而预测潜在的风险账号,提高了交互结果的准确性。
在一个实施例中,如图4所示,步骤S200包括:
步骤S201,获取样本账号在历史交互任务中的风险类别以及样本账号的相关历史数据;其中,所述相关历史数据用于表征样本账号在非交互任务中存在的风险类别。
在一种示例性实施例中,所述样本账号在历史交互任务中的风险类别可以包括样本账号历史参加的交互任务、账号的风险类别、账号的时间等;例如,账号A,在X年X月X日的XX(任务编号)任务中,为非正常交互等。
在一种示例性实施例中,所述样本账号的相关历史数据可以包括生态内其他业务中类似场景的行为;例如在交互资源中的信用信息,具体的,可以包括贷款违规人群、***套现人群等。
步骤S202,根据所述历史信息以及相关历史数据,对初始风险检测模型进行训练,得到所述第一风险检测模型。
在一种示例性实施例中,所述第一风险检测模型可以根据样本账号的历史风险类别和相关历史数据,利用分类模型进行训练,得到能够预测账号在交互任务中风险类别的模型。通过该模型,可以对账号进行风险等级划分,为后续的交互任务控制提供决策依据。
在一种示例性实施例中,所述第一风险检测模型还可以根据所述账号的历史交互任务中的行为数据,结合所述账号的相关历史数据,对账号在交互任务中的行为进行预测,并根据预测结果确定账号的风险类别。这样,可以在账号进行交互任务之前,对账号进行风险预警,从而及时采取相应的风险控制措施,保障交互任务的安全性和顺利进行。
在一种示例性实施例中,可以将账号的标识信息输入到第一风险检测模型,第一风险预测模型基于历史风险类别和相关历史数据得到第一风险检测结果。在另一种示例性实施例中,可以仅将账号的历史风险类别输入到第一风险检测模型中,预测第一风险检测结果;在一种示例性实施例中,可以仅通过历史交互任务的风险类别来对分类模型进行训练,得到第一风险检测模型。
本实施例中,通过账号的历史风险类别以及相关历史数据对分类模型进行训练,得到第一风险检测模型。能够达到利用历史风险类别,确定账号的潜在风险信息,预测账号的风险行为,提高了第一风险检测结果的准确性。同时,通过相关历史数据,可以更加完整地确定账号的风险数据,进一步提高了对账号的风险控制,提高了第一风险检测结果的准确性。
在一个实施例中,如图5所示,步骤S300包括:
步骤S301,根据子模型的不同维度,将所述当前交互任务的交互数据分为不同维度的数据。
在一种示例性实施例中,所述交互任务的交互的不同维度可以包括交互任务的完成效率、交互任务的频率等;例如,所述交互任务平均每个活跃账户每天完成5%,然而存在账户一天完成100%,则该账号为风险账号;在交互任务中,每个活跃账户平均每分钟交互十次,然而存在账户一分钟交互上百上千次,则该账号为风险账号。
在一种示例性实施例中,所述不同维度子模型可以利用不同的维度的数据进行训练得到,其中所述子模型可以使用线性回归,多项式回归等;例如,采用支持向量机、随机森林、神经网络等。
在一种示例性实施例中,所述不同维度子模型可以包括多个,交互数据可以仅包括不同维度中的部分维度的数据。
在一种示例性实施例中,根据不同维度数据的特点和风险特征,选择适合的风险检测算法和模型进行训练,得到对应维度的风险检测子模型。这些子模型可以独立运行,也可以组合使用,以提高风险检测的准确性和效率。
步骤S302,分别将所述不同维度的数据输入到对应的子模型中,得到所述不同维度的风险检测结果。
在一种示例性实施例中,所述不同维度的风险检测结果可以包括账号在交互任务中的行为风险、信用风险等。这些风险检测结果可以为后续的交互任务控制提供决策依据,帮助企业及时发现和控制风险,保障交互任务的安全性和顺利进行。
步骤S303,根据所述不同维度的风险检测结果,确定所述交互数据的第二风险检测结果。
在一种示例性实施例中,所述不同维度的风险检测结果可以为风险等级;第二风险检测结果可以包括利用预设的权值和不同维度的风险等级,确定第二风险检测结果的风险等级;在另一种示例性实施例中,第二风险检测结果可以包括不同维度风险等级中的最高等级;例如,账号A在a维度风险等级为3,在b维度风险等级为5,此时可以确定账号A的第二风险检测结果为5。
在一种示例性实施例中,可以利用不同维度风险检测结果综合确定交互数据的第二风险检测结果,例如,不同维度风险检测结果仅包括存在风险和不存在风险,可以对不同的维度的数据进行设置部分维度检测到存在风险则确定账号为风险账号;在另一种示例性实施例中,在不同维度风险监测结果中存在风险,则确定第二风险检测结果为存在风险。
本实施例中,通过将当前交互任务的交互数据分为不同维度的数据,并输入到不同维度的子模型中,综合得到第二风险检测结果。能够达到通过对交互数据不同维度的数据进行预测,提高了整体预测的准确性。将模型分为多个子模型,降低了模型的复杂度,方便了对模型的管理,同时,提高了模型预测的效率。除此之外,将模型分为多个子模型,增加了模型预测的灵活性,避免了由于缺失数据而导致的预测错误,提高了第二风险检测结果的准确性。
在一个实施例中,如图6所示,所述方法还包括:
步骤S601,获取账号的交互结果。
在一种示例性实施例中,所述获取账号的交互结果的时间可以在任务结束,或任务进行中等。
步骤S602,将所述账号的交互结果添加到所述账号在历史交互任务的风险类别中。
在一种示例性实施例中,所述将账号的交互结果添加到风险类别中包括将账号的交互任务编码、交互任务日期,以及交互结果等添加到历史交互任务中的风险类别中。
步骤S603,根据预设的规则,对所述账号的历史交互任务中的风险类别的权重进行调整。
在一种示例性实施例中,根据预设的规则,可以对账号的历史交互任务中的风险类别的权重进行调整,以更准确地反映账号的风险状况。例如,可以设定距离当前时间越远的历史交互任务,其风险类别的权重越低,因为较远的历史数据可能对当前的风险预测影响较小。这样可以确保模型在预测账号风险时,更加关注近期的交互行为和数据。
步骤S604,将调整后的风险类别及权重输入到所述第一风险检测模型中,对所述第一风险检测模型进行优化。
在一种示例性实施例中,通过不断地将账号的交互结果反馈到历史交互任务的风险类别中,并根据预设的规则对风险类别的权重进行调整,可以使第一风险检测模型不断地学习和优化,提高风险检测的准确性和效率。
在一种示例性实施例中,在产生交互结果时,可以将交互结果以流式数据的形式添加到历史交互任务的风险类别中,对模型进行训练优化。
本实施例中,通过将账号的交互结果添加到账号在历史交互任务中的风险类别,对历史交互任务的权重进行调整,并对第一风险检测模型进行优化,能够达到通过交互结果对模型进行优化,使得模型可以更加的准确。通过对风险类别的权重进行调整,使得模型可以使用多个问题场景,增加了模型的泛化能力。
在一个实施例中,如图7所示,所述方法包括:
步骤S701,根据所述交互数据以及所述当前交互任务,依次确定账号的任务完成度。
在一种示例性实施例中,所述交互结果可以被存储到Redis缓存中,并设置一定时间的有效期,在有效期之后则重新计算各账号的交互结果,例如,账号A第一次的交互结果为未发现异常,在有效期重新计算后可能为存在异常。
在一种示例性实施例中,所述任务完成度可以包括任务的交互次数等,例如,点击、浏览、购买等的次数;在一种示例性实施例中,所述任务完成度可以包括交互时间等,例如,观看时长、运动时长等;在另一种示例性实施例中,所述交互完成度可以包括利用各个账号的交互次数或交互时间确定各个账号的名次,即利用各个账号的交互数据,对各个账号进行排序。
步骤S702,根据所述账号的任务完成度以及所述交互结果,确定目标账号。
在一种示例性实施例中,可以利用交互任务***接收账户的触发操作,以确定账号信息和交互数据;并将账号信息和交互数据输送到复杂事件处理(CEP),复杂事件处理运用所述交互任务的控制方法,确定账号的交互结果,复杂事件处理将交互结果再次传入交互任务***,交互任务***根据交互数据确定任务完成度,并根据任务完成度和交互结果,确定目标账号,实现了复杂事件处理和交互任务***之间的解耦合。
本实施例中,通过交互数据确定账号的任务完成度,并利用交互结果以及任务完成度,确定目标账号,能够达到将交互结果***与运营***进行分离,实现了两个***的解耦合,减少了两个***之间的依赖,降低了***的复杂性,提高了目标对象的确认效率。
在一个示例性实施例中,所述交互任务的控制方法可以实施于农业农村运营活动中,如图8所示,具体可以包括:
步骤S881,获取历史活动的样本数据以及历史活动用户的样本行为信息;
步骤S882,利用历史活动的样本数据和历史活动用户的样本行为信息,分别对支持向量机模型进行训练,得到行为信息的支持向量机模型以及不同维度活动数据的支持向量机模型;
步骤S810,建立农业农村运营***,制定活动流程、参与方式和特定限制策略等;
步骤S820,运营***对外发布活动信息;
步骤S860,活动用户参加活动;
步骤S830,活动用户完成活动主流程,并产生活动数据;
步骤S840,利用参与活动用户的信息,确定活动用户在历史相关事件中的行为信息,并将所述行为信息与活动数据推送到CEP中;
步骤S870,将接收到活动数据分为与支持向量机对应的不同维度的数据,并将行为信息和不同维度的数据推送到对应的支持向量机中,并将计算后存在的风险数据推送至互动***;
步骤S840,活动***接收活动数据以及风险数据,利用活动配置规则, 确定活动完成情况,并利用风险数据,确定权益用户;
步骤S850,将权益发放到权益用户,并将本次活动产生的活动数据作为历史活动的样本数据和历史活动用户的样本行为信息对支持向量机模型进行训练优化。
在一个示例性实施例中,所述交互任务的控制方法可以实施于企业活动的开展,如图9所示,具体可以包括:
步骤S910,活动官方对外发布活动;
步骤S920,活用用户参与活动官方发布的活动主流程,并产生活动数据;
步骤S951,获取历史活动的样本数据以及历史活动用户的样本行为信息;
步骤S952,建立初始支持向量机模型;
步骤S953,利用历史活动的样本数据和历史活动用户的样本行为信息对初始支持向量机模型进行训练;
步骤S954,利用测试样本对训练后的支持向量机模型进行测试,在模型准确率到预设的准确率的情况下,确认目标数据模型;
步骤S921,利用参与活动用户的信息,确定活动用户在历史相关事件中的行为信息,并将所述行为信息与活动数据推送到CEP中;
步骤S922,CEP将活动数据分为不同维度的数据,并将行为信息和不同维度的数据推送到相对应的SVM中,判断是否存在风险;
步骤S923,利用Kafka将判断后的风险数据推送到活动业务***,并将数据存储到Redis缓存中;
步骤S930,接收活动数据以及Redis缓存中的风险数据,利用配置的活动规则,确定活动用户的完成情况,并根据风险数据筛选得到权益对象;
步骤S940,将权益发放到权益对象,并将本次活动产生的活动数据作为历史活动的样本数据和历史活动用户的样本行为信息对支持向量机模型进行训练优化。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的交互任务的控制方法的交互任务的控制装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个交互任务的控制装置实施例中的具体限定可以参见上文中对于交互任务的控制方法的限定,在此不再赘述。
在一个实施例中,如图10所示,提供了一种交互任务的控制装置100,包括:数据获取模块101、风险预测模块102和结果确定模块103,其中:
数据获取模块,用于响应于账号对当前交互任务的触发操作,获取所述账号的历史交互任务及对应的风险类别、所述当前交互任务的交互数据;
风险预测模块,用于根据所述历史交互任务及对应的风险类别,以及预设的第一风险检测模型,确定所述账号的第一风险检测结果;
所述风险预测模块,还用于根据所述当前交互任务的交互数据以及第二风险检测模型,确定所述账号的第二风险检测结果;
结果确定模块,用于根据所述第一风险检测结果、所述第二风险检测结果,以及所述当前交互任务对应的风险策略,确定所述当前交互任务的交互结果。
在一个实施例中,所述数据获取模块,包括:数据获取子模块,其中:
数据获取子模块,用于在所述账号非首次对当前任务进行触发操作的情况下,获取所述账号的第一风险检测结果和当前交互任务的交互数据;
所述数据获取子模块,还用于在所述账号首次对当前任务进行触发操作的情况下,获取所述账号的历史交互任务及对应的风险类别、所述当前交互任务的交互数据。
在一个实施例中,所述风险预测模块,包括:数据获取子模块和模型训练子模块,其中:
数据获取子模块,用于获取样本账号在历史交互任务中的风险类别以及样本账号的相关历史数据;其中,所述相关历史数据用于表征样本账号在非交互任务中存在的风险类别;
模型训练子模块,用于根据所述历史信息以及相关历史数据,对初始风险检测模型进行训练,得到所述第一风险检测模型。
在一个实施例中,所述风险预测模块,包括:数据分维子模块、风险预测子模块和风险确定子模块,其中:
数据分维子模块,用于根据子模型的不同维度,将所述当前交互任务的交互数据分为不同维度的数据;
风险预测子模块,用于分别将所述不同维度的数据输入到对应的子模型中,得到所述不同维度的风险检测结果;
风险确定子模块,用于根据所述不同维度的风险检测结果,确定所述交互数据的第二风险检测结果。
在一个实施例中,所述模型训练子模块,还包括:结果获取单元、数据添加单元、权重调整单元和模型优化单元,其中:
结果获取单元,用于获取账号的交互结果;
数据添加单元,用于将所述账号的交互结果添加到所述账号在历史交互任务的风险类别中;
权重调整单元,用于根据预设的规则,对所述账号的历史交互任务中的风险类别的权重进行调整;
模型优化单元,用于将调整后的风险类别及权重输入到所述第一风险检测模型中,对所述第一风险检测模型进行优化。
在一个实施例中,其特征在于,所述装置还包括:情况确认模块和目标确认模块,其中:
情况确认模块,用于根据所述交互数据以及所述当前交互任务,依次确定账号的任务完成度;
目标确认模块,用于根据所述账号的任务完成度以及所述交互结果,确定目标账号。
上述交互任务的控制装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图11所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output,简称I/O)和通信接口。其中,处理器、存储器和输入/输出接口通过***总线连接,通信接口通过输入/输出接口连接到***总线。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的数据库用于存储历史交互任务及风险类别、当前交互任务的交互数据。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种交互任务的控制方法。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图12所示。该计算机设备包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。其中,处理器、存储器和输入/输出接口通过***总线连接,通信接口、显示单元和输入装置通过输入/输出接口连接到***总线。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作***和计算机程序。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种交互任务的控制方法。该计算机设备的显示单元用于形成视觉可见的画面,可以是显示屏、投影装置或虚拟现实成像装置。显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图11/图12中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据,且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (15)
1.一种交互任务的控制方法,其特征在于,所述方法包括:
响应于账号对当前交互任务的触发操作,获取所述账号的历史交互任务及对应的风险类别、所述当前交互任务的交互数据;
根据所述历史交互任务及对应的风险类别,以及预设的第一风险检测模型,确定所述账号的第一风险检测结果;
根据所述当前交互任务的交互数据以及第二风险检测模型,确定所述账号的第二风险检测结果;
根据所述第一风险检测结果、所述第二风险检测结果,以及所述当前交互任务对应的风险策略,确定所述当前交互任务的交互结果。
2.根据权利要求1所述的方法,其特征在于,所述获取所述账号的历史交互任务及对应的风险类别、所述当前交互任务的交互数据,包括:
在所述账号非首次对当前任务进行触发操作的情况下,获取所述账号的第一风险检测结果和当前交互任务的交互数据;
在所述账号首次对当前任务进行触发操作的情况下,获取所述账号的历史交互任务及对应的风险类别、所述当前交互任务的交互数据。
3.根据权利要求1所述的方法,其特征在于,所述第一风险检测模型的获取方式包括:
获取样本账号在历史交互任务中的风险类别以及样本账号的相关历史数据;其中,所述相关历史数据用于表征样本账号在非交互任务中存在的风险类别;
根据所述历史信息以及相关历史数据,对初始风险检测模型进行训练,得到所述第一风险检测模型。
4.根据权利要求1所述的方法,其特征在于,所述第二风险检测模型包含不同维度的子模型,所述根据所述当前交互任务的交互数据以及第二风险检测模型,确定所述账号的第二风险检测结果,包括:
根据子模型的不同维度,将所述当前交互任务的交互数据分为不同维度的数据;
分别将所述不同维度的数据输入到对应的子模型中,得到所述不同维度的风险检测结果;
根据所述不同维度的风险检测结果,确定所述交互数据的第二风险检测结果。
5.根据权利要求3所述的方法,其特征在于,所述第一风险检测模型的训练方式,还包括:
获取账号的交互结果;
将所述账号的交互结果添加到所述账号在历史交互任务的风险类别中;
根据预设的规则,对所述账号的历史交互任务中的风险类别的权重进行调整;
将调整后的风险类别及权重输入到所述第一风险检测模型中,对所述第一风险检测模型进行优化。
6.根据权利要求1所述的方法,其特征在于,所述方法还包括:
根据所述交互数据以及所述当前交互任务,依次确定账号的任务完成度;
根据所述账号的任务完成度以及所述交互结果,确定目标账号。
7.一种交互任务的控制装置,其特征在于,所述装置包括:
数据获取模块,用于响应于账号对当前交互任务的触发操作,获取所述账号的历史交互任务及对应的风险类别、所述当前交互任务的交互数据;
风险预测模块,用于根据所述历史交互任务及对应的风险类别,以及预设的第一风险检测模型,确定所述账号的第一风险检测结果;
所述风险预测模块,还用于根据所述当前交互任务的交互数据以及第二风险检测模型,确定所述账号的第二风险检测结果;
结果确定模块,用于根据所述第一风险检测结果、所述第二风险检测结果,以及所述当前交互任务对应的风险策略,确定所述当前交互任务的交互结果。
8.根据权利要求7所述的装置,其特征在于,所述数据获取模块,包括:
数据获取子模块,用于在所述账号非首次对当前任务进行触发操作的情况下,获取所述账号的第一风险检测结果和当前交互任务的交互数据;
所述数据获取子模块,还用于在所述账号首次对当前任务进行触发操作的情况下,获取所述账号的历史交互任务及对应的风险类别、所述当前交互任务的交互数据。
9.根据权利要求7所述的装置,其特征在于,所述风险预测模块,包括:
数据获取子模块,用于获取样本账号在历史交互任务中的风险类别以及样本账号的相关历史数据;其中,所述相关历史数据用于表征样本账号在非交互任务中存在的风险类别;
模型训练子模块,用于根据所述历史信息以及相关历史数据,对初始风险检测模型进行训练,得到所述第一风险检测模型。
10.根据权利要求7所述的装置,其特征在于,所述风险预测模块,包括:
数据分维子模块,用于根据子模型的不同维度,将所述当前交互任务的交互数据分为不同维度的数据;
风险预测子模块,用于分别将所述不同维度的数据输入到对应的子模型中,得到所述不同维度的风险检测结果;
风险确定子模块,用于根据所述不同维度的风险检测结果,确定所述交互数据的第二风险检测结果。
11.根据权利要求9所述的装置,其特征在于,所述模型训练子模块,还包括:
结果获取单元,用于获取账号的交互结果;
数据添加单元,用于将所述账号的交互结果添加到所述账号在历史交互任务的风险类别中;
权重调整单元,用于根据预设的规则,对所述账号的历史交互任务中的风险类别的权重进行调整;
模型优化单元,用于将调整后的风险类别及权重输入到所述第一风险检测模型中,对所述第一风险检测模型进行优化。
12.根据权利要求7所述的装置,其特征在于,所述装置还包括:
情况确认模块,用于根据所述交互数据以及所述当前交互任务,依次确定账号的任务完成度;
目标确认模块,用于根据所述账号的任务完成度以及所述交互结果,确定目标账号。
13.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,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中任一项所述的方法的步骤。
14.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
15.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410322176.2A CN118133085A (zh) | 2024-03-20 | 2024-03-20 | 交互任务的控制方法、装置和计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410322176.2A CN118133085A (zh) | 2024-03-20 | 2024-03-20 | 交互任务的控制方法、装置和计算机设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118133085A true CN118133085A (zh) | 2024-06-04 |
Family
ID=91235204
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410322176.2A Pending CN118133085A (zh) | 2024-03-20 | 2024-03-20 | 交互任务的控制方法、装置和计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118133085A (zh) |
-
2024
- 2024-03-20 CN CN202410322176.2A patent/CN118133085A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7465939B2 (ja) | 電力不正使用検出のための新しい非パラメトリック統計的挙動識別エコシステム | |
US10963541B2 (en) | Systems, methods, and apparatuses for implementing a related command with a predictive query interface | |
US20190012683A1 (en) | Method for predicting purchase probability based on behavior sequence of user and apparatus for the same | |
US11727427B2 (en) | Systems and methods for assessing, correlating, and utilizing online browsing and sales data | |
CN108965360B (zh) | 一种推荐数据处理方法及服务器、计算机存储介质 | |
CN117035980A (zh) | 资源借调评估方法、装置、计算机设备和存储介质 | |
CN118133085A (zh) | 交互任务的控制方法、装置和计算机设备 | |
US20230351211A1 (en) | Scoring correlated independent variables for elimination from a dataset | |
CN117035762A (zh) | 账户资源管理方法、装置、计算机设备和存储介质 | |
CN117033768A (zh) | 基于金融客户端的碳排放资讯推荐方法、装置和设备 | |
CN117726419A (zh) | 资源数据处理方法、装置、计算机设备、存储介质 | |
CN117391490A (zh) | 金融业务的评价信息处理方法、装置和计算机设备 | |
CN117852814A (zh) | 异常预警方法、装置、计算机设备和存储介质 | |
CN117541395A (zh) | 产品风险消息推送方法、装置、计算机设备及存储介质 | |
CN117216164A (zh) | 金融数据同步处理方法、装置、设备、介质和程序产品 | |
CN117372152A (zh) | 资源归还计划信息生成方法、装置和计算机设备 | |
CN116932891A (zh) | 资源对象展示方法、装置、设备、存储介质和产品 | |
KR20220151154A (ko) | 관련 및 혼합 컨텐츠 아이템 응답에 대한 기여도 모델 | |
CN117111800A (zh) | 菜单配置方法、装置、计算机设备、存储介质和程序产品 | |
CN118313830A (zh) | 资源处理方法、装置、计算机设备和存储介质 | |
CN115409600A (zh) | 金融产品的推荐方法、装置、计算机设备、存储介质 | |
CN115907337A (zh) | 物资储备方法、***、设备、存储介质和程序产品 | |
CN116029828A (zh) | 信息处理方法、装置和计算机设备 | |
CN117350801A (zh) | 虚拟产品推荐方法、装置、计算机设备、存储介质和产品 | |
CN117454215A (zh) | 回馈资源的配置方法、装置和计算机设备 |
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 |