Nothing Special   »   [go: up one dir, main page]

CN115545753A - 一种基于贝叶斯算法的合作伙伴预测方法及相关设备 - Google Patents

一种基于贝叶斯算法的合作伙伴预测方法及相关设备 Download PDF

Info

Publication number
CN115545753A
CN115545753A CN202211153984.8A CN202211153984A CN115545753A CN 115545753 A CN115545753 A CN 115545753A CN 202211153984 A CN202211153984 A CN 202211153984A CN 115545753 A CN115545753 A CN 115545753A
Authority
CN
China
Prior art keywords
attribute
partner
category
prediction model
prediction
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
Application number
CN202211153984.8A
Other languages
English (en)
Inventor
钱学广
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ping An Property and Casualty Insurance Company of China Ltd
Original Assignee
Ping An Property and Casualty Insurance Company of China Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ping An Property and Casualty Insurance Company of China Ltd filed Critical Ping An Property and Casualty Insurance Company of China Ltd
Priority to CN202211153984.8A priority Critical patent/CN115545753A/zh
Publication of CN115545753A publication Critical patent/CN115545753A/zh
Pending legal-status Critical Current

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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0202—Market predictions or forecasting for commercial activities
    • 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
    • G06Q40/08—Insurance

Landscapes

  • Business, Economics & Management (AREA)
  • Finance (AREA)
  • Engineering & Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Data Mining & Analysis (AREA)
  • Technology Law (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请实施例属于人工智能技术领域，涉及一种基于贝叶斯算法的合作伙伴预测方法及相关设备，包括通过拉普拉斯平滑系数修正每个合作关注类别的先验概率和每个合作关注类别对应的各业务特征属性的条件概率，得到目标先验概率和目标条件概率，计算目标先验概率和目标条件概率，得到类别参数和条件属性参数；计算每个业务特征属性下不同属性值的属性概率；构建朴素贝叶斯预测模型，对朴素贝叶斯预测模型进行测试，当测试结果满足预设条件时，输出朴素贝叶斯预测模型作为合作伙伴预测模型；将待预测业务数据输入合作伙伴预测模型，得到预测类别。此外，本申请还涉及区块链技术，业务数据可存储于区块链中。本申请能够高效准确地识别重要合作伙伴。

Description

一种基于贝叶斯算法的合作伙伴预测方法及相关设备
技术领域
本申请涉及人工智能技术领域，尤其涉及一种基于贝叶斯算法的合作伙伴预测方法及相关设备。
背景技术
由于信息技术的快速发展及广泛应用，大量产品在互联网上销售。目前用户在互联网上购买保险产品已经常态化，保险公司提供互联网平台，对外部第三方合作伙伴开放，第三方合作伙伴可在保险公司的互联网接口平台查询、购买保险产品。
保险公司通常和很多合作伙伴进行业务对接，在合作伙伴业务对接的过程中，产生并存储大量接口访问数据，传统的方式是数据库查询、报表统计等，无法高效、快捷、精准地识别重要客户，无法发现数据中存在的关联关系，无法根据现有的数据进行预期推测。
发明内容
本申请实施例的目的在于提出一种基于贝叶斯算法的合作伙伴预测方法及相关设备，以解决相关技术中无法高效、快捷、精准地识别重要客户，无法发现数据中存在的关联关系以及无法进行预期推测的技术问题。
为了解决上述技术问题，本申请实施例提供一种基于贝叶斯算法的合作伙伴预测方法，采用了如下所述的技术方案：
根据业务需求确定业务特征属性以及合作关注类别；
基于所述业务特征属性和所述合作关注类别，从所述预设业务数据库中获得对应业务数据，形成训练数据集和测试数据集；
通过拉普拉斯平滑系数修正每个所述合作关注类别的先验概率，得到目标先验概率，并基于所述训练数据集对所述目标先验概率进行计算，得到类别参数；
通过拉普拉斯平滑系数修正每个所述合作关注类别对应的各所述业务特征属性的条件概率，得到目标条件概率，并根据所述训练数据集计算所述目标条件概率，得到条件属性参数；
根据所述训练数据集计算每个所述业务特征属性下不同属性值的属性概率，得到属性参数；
基于所述类别参数、所述属性条件参数和所述属性参数构建朴素贝叶斯预测模型；
根据所述测试数据集对所述朴素贝叶斯预测模型进行测试，得到测试结果，当所述测试结果满足预设条件时，输出所述朴素贝叶斯预测模型作为合作伙伴预测模型；
获取待预测业务数据，将所述待预测业务数据输入所述合作伙伴预测模型，得到预测类别。
进一步的，所述基于所述训练数据集对所述目标先验概率进行计算，得到类别参数的步骤包括：
确定所述训练数据集中的样本总数量和所述合作关注类别的类别数量；
确定每个所述合作关注类别在所述训练数据集中的类别样本数量；
根据所述样本总数量、类别数量和所述类别样本数量，计算得到每个所述合作关注类别的目标先验概率，作为所述类别参数。
进一步的，所述根据所述训练数据集计算所述目标条件概率，得到条件属性参数的步骤包括：
确定每个所述业务特征属性中的属性值的取值个数；
统计每个所述合作关注类别下每个所述业务特征属性中每个属性值的条件属性样本数量；
根据所述类别样本数量、所述条件属性样本数量以及所述取值个数，计算每个所述合作关注类别对应的每个所述业务特征属性下每个属性值对应的目标条件概率，将所述目标条件概率作为所述条件属性参数。
进一步的，所述根据所述训练数据集计算每个所述业务特征属性下不同属性值的属性概率，得到属性参数的步骤包括：
统计每个所述业务特征属性下各所述属性值在所述训练数据集中的属性样本数量；
根据所述属性样本数量和所述样本总数量，计算得到每个属性值的属性概率，作为所述属性参数。
进一步的，所述根据所述测试数据集对所述朴素贝叶斯预测模型进行测试，得到测试结果，当所述测试结果满足预设条件时，输出所述朴素贝叶斯预测模型作为合作伙伴预测模型的步骤包括：
将所述测试数据集输入所述朴素贝叶斯预测模型，输出预测结果；
根据所述预测结果计算预测准确度，将所述预测准确度作为验证结果；
当所述验证结果大于等于预设阈值时，则所述测试结果满足预设条件，输出所述朴素贝叶斯预测模型作为合作伙伴预测模型；
当所述验证结果小于预设阈值时，则更新所述朴素贝叶斯预测模型，直至所述测试结果满足预设条件，输出最终的所述朴素贝叶斯预测模型作为合作伙伴预测模型。
进一步的，在所述基于所述业务特征属性和所述合作关注类别，从所述预设业务数据库中获得对应业务数据，形成训练数据集和测试数据集的步骤之后还包括：
确定每个所述业务特征属性下的所述属性值是否存在异常取值；
若存在异常取值，则对所述异常取值进行修正。
进一步的，在所述将所述待预测业务数据输入所述合作伙伴预测模型，得到预测类别的步骤之后还包括：
将所述待预测业务数据以及所述预测类别输入所述合作伙伴预测模型中进行模型更新。
为了解决上述技术问题，本申请实施例还提供一种基于贝叶斯算法的合作伙伴预测装置，采用了如下所述的技术方案：
分析模块，用于根据业务需求确定业务特征属性以及合作关注类别；
获取模块，用于基于所述业务特征属性和所述合作关注类别，从所述预设业务数据库中获得对应业务数据，形成训练数据集和测试数据集；
先验概率计算模块，用于通过拉普拉斯平滑系数修正每个所述合作关注类别的先验概率，得到目标先验概率，并基于所述训练数据集对所述目标先验概率进行计算，得到类别参数；
条件概率计算模块，用于通过拉普拉斯平滑系数修正每个所述合作关注类别对应的各所述业务特征属性的条件概率，得到目标条件概率，并根据所述训练数据集计算所述目标条件概率，得到条件属性参数；
属性概率计算模块，用于根据所述训练数据集计算每个所述业务特征属性下不同属性值的属性概率，得到属性参数；
构建模块，用于基于所述类别参数、所述属性条件参数和所述属性参数构建朴素贝叶斯预测模型；
测试模块，用于根据所述测试数据集对所述朴素贝叶斯预测模型进行测试，得到测试结果，当所述测试结果满足预设条件时，输出所述朴素贝叶斯预测模型作为合作伙伴预测模型；
预测模块，用于获取待预测业务数据，将所述待预测业务数据输入所述合作伙伴预测模型，得到预测类别。
为了解决上述技术问题，本申请实施例还提供一种计算机设备，采用了如下所述的技术方案：
该计算机设备包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现如上所述的基于贝叶斯算法的合作伙伴预测方法的步骤。
为了解决上述技术问题，本申请实施例还提供一种计算机可读存储介质，采用了如下所述的技术方案：
所述计算机可读存储介质上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如上所述的基于贝叶斯算法的合作伙伴预测方法的步骤。
与现有技术相比，本申请实施例主要有以下有益效果：
本申请通过根据业务需求确定业务特征属性以及合作关注类别；基于业务特征属性和合作关注类别，从预设业务数据库中获得对应业务数据，形成训练数据集和测试数据集；通过拉普拉斯平滑系数修正每个合作关注类别的先验概率，得到目标先验概率，并基于训练数据集对目标先验概率进行计算，得到类别参数；通过拉普拉斯平滑系数修正每个合作关注类别对应的各业务特征属性的条件概率，得到目标条件概率，并根据训练数据集计算目标条件概率，得到条件属性参数；根据训练数据集计算每个业务特征属性下不同属性值的属性概率，得到属性参数；基于类别参数、属性条件参数和属性参数构建朴素贝叶斯预测模型；根据测试数据集对朴素贝叶斯预测模型进行测试，得到测试结果，当测试结果满足预设条件时，输出朴素贝叶斯预测模型作为合作伙伴预测模型；获取待预测业务数据，将待预测业务数据输入合作伙伴预测模型，得到预测类别；本申请通过获取的训练数据集和测试数据集构建合作伙伴预测模型，根据得到的合作伙伴预测模型对业务数据进行预测，可以提高对业务数据预测的效率和准确性，进一步高效准确地识别重要合作伙伴，其次，通过引入拉普拉斯平滑方法，解决了训练样本集中数据较少时，先验概率和条件概率失真的问题，提高了合作伙伴预测模型的准确率。
附图说明
为了更清楚地说明本申请中的方案，下面将对本申请实施例描述中所需要使用的附图作一个简单介绍，显而易见地，下面描述中的附图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是本申请可以应用于其中的示例性系统架构图；
图2是根据本申请的基于贝叶斯算法的合作伙伴预测方法的一个实施例的流程图；
图3是根据本申请的基于贝叶斯算法的合作伙伴预测装置的一个实施例的结构示意图；
图4是根据本申请的计算机设备的一个实施例的结构示意图。
具体实施方式
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请；本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
为了使本技术领域的人员更好地理解本申请方案，下面将结合附图，对本申请实施例中的技术方案进行清楚、完整地描述。
本申请提供了一种基于贝叶斯算法的合作伙伴预测方法，涉及人工智能，可以应用于如图1所示的系统架构100中，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture ExpertsGroup Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(Moving PictureExperts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上显示的页面提供支持的后台服务器。
需要说明的是，本申请实施例所提供的基于贝叶斯算法的合作伙伴预测方法一般由服务器/终端设备执行，相应地，基于贝叶斯算法的合作伙伴预测装置一般设置于服务器/终端设备中。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
继续参考图2，示出了根据本申请的基于贝叶斯算法的合作伙伴预测方法的一个实施例的流程图，包括以下步骤：
步骤S201，根据业务需求确定业务特征属性以及合作关注类别。
在本实施例中，不同的业务有不同的业务需求，业务需求中包含业务数据的多个维度，包括但不限于合作伙伴名称、合作伙伴类型、接口访问情况、保单情况等，根据业务需求进行数据筛选，确定业务特征属性以及分类属性。
其中，业务特征属性为不同分类属性所对应的业务数据特征，包括但不限于合作伙伴名称、合作伙伴类型、接口访问次数、产品类型、保单量以及投保总额等，根据预设属性规则对每个业务特征属性进行特征属性划分，得到不同的属性值。
具体的，举例说明，不同的属性规则如下：
1)接口访问次数：合作伙伴每天访问保险系统次数大于等于10万次定义为频繁，10万次以下定义为一般；
2)保单量：合作伙伴每天生成的保单数量大于等于1000单定义为多，小于1000单定义为少；
3)投保总额：合作伙伴每天生成的保单总金额大于等于100万定义为较高，小于100万则定义为普通。
在本实施例中，根据业务需求确定分类属性为合作关注类别，即是否关注合作伙伴，以此来判断该合作伙伴是否为重要合作伙伴。其中，合作关注类别的类别取值为是、否中的一个。
步骤S202，基于特征属性和合作关注类别，从预设业务数据库中获得对应业务数据，形成训练数据集和测试数据集。
在本实施例中，业务数据可以从预设的业务数据库中获取，业务数据库可以是预先建立的专门存储业务数据的数据库，也可以是保险系统本身的存储数据库。
对历史业务数据进行分析，按照数据特征进行抽取整合，以键值对的形式存储于预设业务数据库中，其中，键为业务特征属性，对应的值为属性数据，例如，保单量对应的值为888，接口访问次数对应的值为1万次/天。需要说明的是，在预设业务数据库中，业务特征属性也包括分类属性。
在本实施例中，根据确定的业务特征属性和合作关注类别从预设业务数据库中提取对应的数据，得到业务数据集，按照预设的属性规则将业务数据集中的属性数据转换为对应属性值，按照预设比例将转换后的业务数据集随机划分形成训练数据集和测试数据集。
应当理解，将业务数据集中的属性数据转换为对应属性值的过程即为离散化处理过程。
在一具体的示例中，训练数据集如表1所示。
表1训练数据集
Figure BDA0003857632580000081
Figure BDA0003857632580000091
由上表可知，本示例通过作伙伴类型、接口访问次数、保单量和投总金额四个业务特征属性来预测是否关注合作伙伴。
需要强调的是，为进一步保证业务数据的私密和安全性，上述业务数据还可以存储于一区块链的节点中。
本申请所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
步骤S203，通过拉普拉斯平滑系数修正每个合作关注类别的先验概率，得到目标先验概率，并基于训练数据集对目标先验概率进行计算，得到类别参数。
在本实施例中，先验概率为训练数据集中类别为Ci的样本出现的概率，即合作关注类别是否关注合作伙伴的概率。
需要说明的是，利用朴素贝叶斯算法进行预测时，需要计算多个概率的乘积，以获得预测类别概率，当其中某一概率为0，即该合作关注类别取值总计数为0时，会导致包含该取值的业务数据永远无法分类至此类别，无论其他特征属性如何变化或如何贴近该类别。此情况下，采用拉普拉斯平滑系数优化每个合作关注类别的先验概率，得到优化后的目标先验概率，保证数据的真实性。
具体的，引入拉普拉斯平滑系数修正的目标先验概率计算公式如下：
Figure BDA0003857632580000101
其中，D表示训练数据集中的样本总数量；Ni表示合作关注类别的类别数量，如：是否关注合作伙伴，N的取值为2；D(Ci)表示合作关注类别Ci在训练数据集中的类别样本数量。
在本实施例中，上述基于训练数据集对所述目标先验概率进行计算，得到类别参数的步骤包括：
确定训练数据集中的样本总数量和合作关注类别的类别数量；
确定每个合作关注类别在训练数据集中的类别样本数量；
根据样本总数量、类别数量和类别样本数量，计算得到每个合作关注类别的目标先验概率，作为类别参数。
应当理解，训练数据集的样本数量越多，计算得到的目标先验概率越准确。
以上述示例为例，
Figure BDA0003857632580000102
将P(关注)＝0.5或P(不关注)＝0.5作为类别参数。
步骤S204，通过拉普拉斯平滑系数修正每个合作关注类别对应的各业务特征属性的条件概率，得到目标条件概率，并根据训练数据集计算目标条件概率，得到条件属性参数。
其中，条件概率为在合作关注类别Ci条件下，某一业务特征属性Xk属性值为j的概率。
在本实施例中，利用朴素贝叶斯算法分类时，需要计算多个条件概率的乘积，以获得该属性值属于某个类别的概率，当其中某一概率为0，即该业务特征属性的属性值总计数为0时，会导致包含该属性值的业务数据永远无法分类至此类别，无论其他业务特征属性如何变化或如何贴近该类别，导致条件概率失真，不符合实际情况，故采用拉普拉斯平滑系数优化条件概率，得到目标条件概率。
引入拉普拉斯平滑系数修正得到的目标条件概率计算公式如下：
Figure BDA0003857632580000111
其中，N(Xj,k∈Ci)表示在合作关注类别Ci条件下，业务特征属性Xk属性值为j的条件属性样本数量；D(Ci)表示合作关注类别Ci在训练数据集中的类别样本数量；Mk表示业务特征属性Xk中的属性值的取值个数，例如，“接口访问次数”有“一般”和“频繁”2个取值，则Mk＝2。
在本实施例中，上述根据训练数据集计算目标条件概率，得到条件属性参数的步骤包括：
确定每个业务特征属性中的属性值的取值个数；
统计每个合作关注类别下每个业务特征属性中每个属性值的条件属性样本数量；
根据类别样本数量、条件属性样本数量以及取值个数，计算每个合作关注类别对应的每个业务特征属性下每个属性值对应的目标条件概率；
基于目标条件概率得到所述条件属性参数。
以上述示例为例，目标条件概率计算如下：
Figure BDA0003857632580000112
Figure BDA0003857632580000113
Figure BDA0003857632580000114
Figure BDA0003857632580000121
Figure BDA0003857632580000122
Figure BDA0003857632580000123
Figure BDA0003857632580000124
Figure BDA0003857632580000125
Figure BDA0003857632580000126
Figure BDA0003857632580000127
Figure BDA0003857632580000128
Figure BDA0003857632580000129
Figure BDA00038576325800001210
Figure BDA00038576325800001211
Figure BDA00038576325800001212
Figure BDA00038576325800001213
将上述计算得到的目标条件概率以键值对形式组成条件属性参数集合。
步骤S205，根据训练数据集计算每个业务特征属性下不同属性值的属性概率，得到属性参数。
其中，属性概率表示训练数据集中某个属性值出现的概率，具体的，统计每个业务特征属性下各属性值在训练数据集中的属性样本数量；根据属性样本数量和样本总数量，计算得到每个属性值的属性概率，作为属性参数。
计算公式如下：
Figure BDA00038576325800001214
其中，N(Xj,k)表示业务特征属性Xk属性值为j在训练数据集中出现的个数，即属性样本数量；D表示训练数据集的样本总数量。
以上述示例为例，属性概率计算如下：
Figure BDA0003857632580000131
Figure BDA0003857632580000132
Figure BDA0003857632580000133
Figure BDA0003857632580000134
Figure BDA0003857632580000135
Figure BDA0003857632580000136
Figure BDA0003857632580000137
Figure BDA0003857632580000138
在本实施例中，将计算得到的属性概率作为属性参数。
应当理解，训练数据集的样本数量越多，属性概率越准确。
步骤S206，基于类别参数、属性条件参数和属性参数构建朴素贝叶斯预测模型。
在本实施例中，基于上述类别参数、属性条件参数和属性参数构建朴素贝叶斯预测模型为：
Figure BDA0003857632580000139
根据训练数据集计算出类别参数、属性条件参数和属性参数，即相当于类别参数P(Ci)、属性条件参数P(X|Ci)和属性参数P(X)为常数，根据某个合作伙伴的业务数据，根据业务数据的业务特征属性的具体取值，获取对应的类别参数、属性条件参数和属性参数，即可计算出其在不同合作关注类别下的概率，根据计算出的概率确定该合作伙伴的重要性。
本实施例通过构建朴素贝叶斯预测模型来对合作伙伴进行预测，可以提高预测效率。
步骤S207，根据测试数据集对朴素贝叶斯预测模型进行测试，得到测试结果，当测试结果满足预设条件时，输出朴素贝叶斯预测模型作为合作伙伴预测模型。
在本实施例中，将测试数据集输入朴素贝叶斯预测模型中进行测试，输出预测结果；根据预测结果计算预测准确度，将预测准确度作为验证结果；当验证结果大于等于预设阈值时，则测试结果满足预设条件；当验证结果小于预设阈值时，则更新朴素贝叶斯预测模型。
更新朴素贝叶斯预测模型包括：重新获取训练数据集构建朴素贝叶斯预测模型，即使用重新得到的训练数据集重复步骤S203至步骤S207，直至测试结果满足预设条件，输出最终符合预设条件的朴素贝叶斯预测模型作为合作伙伴预测模型。
在本实施例中，通过对构建的朴素贝叶斯预测模型进行测试，可以提升模型预测的准确性。
步骤S208，获取待预测业务数据，将待预测业务数据输入合作伙伴预测模型，得到预测类别。
在本实施例中，将获取到的待预测业务数据输入合作伙伴预测模型中，调用与待预测业务数据业务特征属性对应的类别参数P(Ci)、属性条件参数P(X|Ci)和属性参数P(X)进行预测计算，输出预测类别，预测类别可以用于后续业务决策。
举例说明，获取的待预测业务数据如表2所示。
表2
合作伙伴 合作伙伴类型 接口访问次数 保单量 投保总额 是否关注
M 商务 一般 少 普通
将待预测业务数据输入合作伙伴预测模型中，根据朴素贝叶斯算法计算：
Figure BDA0003857632580000141
Figure BDA0003857632580000151
Figure BDA0003857632580000152
根据预测结果可知，P(不关注|商务、一般、少、普通)的概率大于P(关注|商务、一般、少、普通)，由此可推测合作伙伴M的合作关注类别为不关注，即合作伙伴M不是重要客户，不需要重点关注。
本申请通过获取的训练数据集和测试数据集构建合作伙伴预测模型，根据得到的合作伙伴预测模型对业务数据进行预测，可以提高对业务数据预测的效率和准确性，进一步高效准确地识别重要合作伙伴，其次，通过引入拉普拉斯平滑方法，解决了训练样本集中数据较少时，先验概率和条件概率失真的问题，提高了合作伙伴预测模型的准确率。
在本实施例的一些可选的实现方式中，在上述基于业务特征属性和合作关注类别，从预设业务数据库中获得对应业务数据，形成训练数据集和测试数据集的步骤之后还包括：
确定每个业务特征属性下属性值是否存在异常取值；
若存在异常取值，则对所述异常取值进行修正。
在本实施例中，从预设业务数据库中获得对应业务数据形成业务数据集，划分得到训练数据集和测试数据集，若训练数据集和测试数据集中的属性值存在异常取值，对其进行修正，例如，业务特征属性为保单量时，属性值存在异常数据0值，将其转换为相似值，即将0值转换为“少”；业务特征属性为投保总额的属性值中存在异常取值0，将其转换为“普通”。
修正之后再进行后续计算，可以降低干扰，提高准确度。
在一些可选的实现方式中，在上述将待预测业务数据输入合作伙伴预测模型，得到预测类别的步骤之后还包括：
将待预测业务数据以及预测类别输入合作伙伴预测模型中进行模型更新。
在本实施例中，将每次获得的新合作伙伴的业务数据以及预测类别作为新的训练数据，输入合作伙伴预测模型中，可以不断丰富合作伙伴预测模型的业务特征属性，更新相应的类别参数、属性条件参数和属性参数，提高合作伙伴预测模型的准确率。
本申请可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
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，是可以通过计算机可读指令来指令相关的硬件来完成，该计算机可读指令可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)等非易失性存储介质，或随机存储记忆体(Random Access Memory，RAM)等。
应该理解的是，虽然附图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，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子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，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
进一步参考图3，作为对上述图2所示方法的实现，本申请提供了一种基于贝叶斯算法的合作伙伴预测装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图3所示，本实施例所述的基于贝叶斯算法的合作伙伴预测装置300包括：分析模块301、获取模块302、先验概率计算模块303、条件概率计算模块304、属性概率计算模块305、构建模块306、测试模块307以及预测模块308。其中：
分析模块301用于根据业务需求确定业务特征属性以及合作关注类别；
获取模块302用于基于所述业务特征属性和所述合作关注类别，从预设业务数据库中获得对应业务数据，形成训练数据集和测试数据集；
先验概率计算模块303用于通过拉普拉斯平滑系数修正每个所述合作关注类别的先验概率，得到目标先验概率，并基于所述训练数据集对所述目标先验概率进行计算，得到类别参数；
条件概率计算模块304用于通过拉普拉斯平滑系数修正每个所述合作关注类别对应的各所述业务特征属性的条件概率，得到目标条件概率，并根据所述训练数据集计算所述目标条件概率，得到条件属性参数；
属性概率计算模块305用于根据所述训练数据集计算每个所述业务特征属性下不同属性值的属性概率，得到属性参数；
构建模块306用于基于所述类别参数、所述属性条件参数和所述属性参数构建朴素贝叶斯预测模型；
测试模块307用于根据所述测试数据集对所述朴素贝叶斯预测模型进行测试，得到测试结果，当所述测试结果满足预设条件时，输出所述朴素贝叶斯预测模型作为合作伙伴预测模型；
预测模块308用于获取待预测业务数据，将所述待预测业务数据输入所述合作伙伴预测模型，得到预测类别。
需要强调的是，为进一步保证业务数据的私密和安全性，上述业务数据还可以存储于一区块链的节点中。
基于上述基于贝叶斯算法的合作伙伴预测装置，通过获取的训练数据集和测试数据集构建合作伙伴预测模型，根据得到的合作伙伴预测模型对业务数据进行预测，可以提高对业务数据预测的效率和准确性，进一步高效准确地识别重要合作伙伴，其次，通过引入拉普拉斯平滑方法，解决了训练样本集中数据较少时，先验概率和条件概率失真的问题，提高了合作伙伴预测模型的准确率。
在本实施例中，先验概率计算模块303进一步用于：
确定所述训练数据集中的样本总数量和所述合作关注类别的类别数量；
确定每个所述合作关注类别在所述训练数据集中的类别样本数量；
根据所述样本总数量、类别数量和所述类别样本数量，计算得到每个所述合作关注类别的目标先验概率，作为所述类别参数。
在本实施例中，条件概率计算模块304进一步用于：
确定每个所述业务特征属性中的属性值的取值个数；
统计每个所述合作关注类别下每个所述业务特征属性中每个属性值的条件属性样本数量；
根据所述类别样本数量、所述条件属性样本数量以及所述取值个数，计算每个所述合作关注类别对应的每个所述业务特征属性下每个属性值对应的目标条件概率，将所述目标条件概率作为所述条件属性参数。
在本实施例中，属性概率计算模块305进一步用于：
统计每个所述业务特征属性下各所述属性值在所述训练数据集中的属性样本数量；
根据所述属性样本数量和所述样本总数量，计算得到每个属性值的属性概率，作为所述属性参数。
在本实施例中，测试模块307包括预测子模块、计算子模块和比较子模块，其中：
预测子模块用于将所述测试数据集输入所述朴素贝叶斯预测模型，输出预测结果；
计算子模块用于根据所述预测结果计算预测准确度，将所述预测准确度作为验证结果；
比较子模块用于当所述验证结果大于等于预设阈值时，则所述测试结果满足预设条件，输出所述朴素贝叶斯预测模型作为合作伙伴预测模型；当所述验证结果小于预设阈值时，则更新所述朴素贝叶斯预测模型，直至所述测试结果满足预设条件，输出最终的所述朴素贝叶斯预测模型作为合作伙伴预测模型。
通过对构建的朴素贝叶斯预测模型进行测试，可以提升模型预测的准确性。
在本实施例的一些可选的实现方式中，上述基于贝叶斯算法的合作伙伴预测装置300还包括修正模块，用于确定每个所述业务特征属性下的所述属性值是否存在异常取值；若存在异常取值，则对所述异常取值进行修正。
修正之后再进行后续计算，可以降低干扰，提高准确度。
在一些可选的实现方式中，上述基于贝叶斯算法的合作伙伴预测装置300还包括更新模块，用于将所述待预测业务数据以及所述预测类别输入所述合作伙伴预测模型中进行模型更新。
本实施例可以不断丰富合作伙伴预测模型的业务特征属性，提高合作伙伴预测模型的准确率。
为解决上述技术问题，本申请实施例还提供计算机设备。具体请参阅图4，图4为本实施例计算机设备基本结构框图。
所述计算机设备4包括通过系统总线相互通信连接存储器41、处理器42、网络接口43。需要指出的是，图中仅示出了具有组件41-43的计算机设备4，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员可以理解，这里的计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(ApplicationSpecific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable GateArray，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器41至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器41可以是所述计算机设备4的内部存储单元，例如该计算机设备4的硬盘或内存。在另一些实施例中，所述存储器41也可以是所述计算机设备4的外部存储设备，例如该计算机设备4上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(FlashCard)等。当然，所述存储器41还可以既包括所述计算机设备4的内部存储单元也包括其外部存储设备。本实施例中，所述存储器41通常用于存储安装于所述计算机设备4的操作系统和各类应用软件，例如基于贝叶斯算法的合作伙伴预测方法的计算机可读指令等。此外，所述存储器41还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器42在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器42通常用于控制所述计算机设备4的总体操作。本实施例中，所述处理器42用于运行所述存储器41中存储的计算机可读指令或者处理数据，例如运行所述基于贝叶斯算法的合作伙伴预测方法的计算机可读指令。
所述网络接口43可包括无线网络接口或有线网络接口，该网络接口43通常用于在所述计算机设备4与其他电子设备之间建立通信连接。
本实施例通过处理器执行存储在存储器的计算机可读指令时实现如上述实施例基于贝叶斯算法的合作伙伴预测方法的步骤，通过获取的训练数据集和测试数据集构建合作伙伴预测模型，根据得到的合作伙伴预测模型对业务数据进行预测，可以提高对业务数据预测的效率和准确性，进一步高效准确地识别重要合作伙伴，其次，通过引入拉普拉斯平滑方法，解决了训练样本集中数据较少时，先验概率和条件概率失真的问题，提高了合作伙伴预测模型的准确率。
本申请还提供了另一种实施方式，即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计算机可读指令，所述计算机可读指令可被至少一个处理器执行，以使所述至少一个处理器执行如上述的基于贝叶斯算法的合作伙伴预测方法的步骤，通过获取的训练数据集和测试数据集构建合作伙伴预测模型，根据得到的合作伙伴预测模型对业务数据进行预测，可以提高对业务数据预测的效率和准确性，进一步高效准确地识别重要合作伙伴，其次，通过引入拉普拉斯平滑方法，解决了训练样本集中数据较少时，先验概率和条件概率失真的问题，提高了合作伙伴预测模型的准确率。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献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(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本申请各个实施例所述的方法。
显然，以上所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例，附图中给出了本申请的较佳实施例，但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式所记载的技术方案进行修改，或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本申请专利保护范围之内。

Claims (10)

1.一种基于贝叶斯算法的合作伙伴预测方法，其特征在于，包括下述步骤：
根据业务需求确定业务特征属性以及合作关注类别；
基于所述业务特征属性和所述合作关注类别，从预设业务数据库中获得对应业务数据，形成训练数据集和测试数据集；
通过拉普拉斯平滑系数修正每个所述合作关注类别的先验概率，得到目标先验概率，并基于所述训练数据集对所述目标先验概率进行计算，得到类别参数；
通过拉普拉斯平滑系数修正每个所述合作关注类别对应的各所述业务特征属性的条件概率，得到目标条件概率，并根据所述训练数据集计算所述目标条件概率，得到条件属性参数；
根据所述训练数据集计算每个所述业务特征属性下不同属性值的属性概率，得到属性参数；
基于所述类别参数、所述属性条件参数和所述属性参数构建朴素贝叶斯预测模型；
根据所述测试数据集对所述朴素贝叶斯预测模型进行测试，得到测试结果，当所述测试结果满足预设条件时，输出所述朴素贝叶斯预测模型作为合作伙伴预测模型；
获取待预测业务数据，将所述待预测业务数据输入所述合作伙伴预测模型，得到预测类别。
2.根据权利要求1所述的基于贝叶斯算法的合作伙伴预测方法，其特征在于，所述基于所述训练数据集对所述目标先验概率进行计算，得到类别参数的步骤包括：
确定所述训练数据集中的样本总数量和所述合作关注类别的类别数量；
确定每个所述合作关注类别在所述训练数据集中的类别样本数量；
根据所述样本总数量、类别数量和所述类别样本数量，计算得到每个所述合作关注类别的目标先验概率，作为所述类别参数。
3.根据权利要求2所述的基于贝叶斯算法的合作伙伴预测方法，其特征在于，所述根据所述训练数据集计算所述目标条件概率，得到条件属性参数的步骤包括：
确定每个所述业务特征属性中的属性值的取值个数；
统计每个所述合作关注类别下每个所述业务特征属性中每个属性值的条件属性样本数量；
根据所述类别样本数量、所述条件属性样本数量以及所述取值个数，计算每个所述合作关注类别对应的每个所述业务特征属性下每个属性值对应的目标条件概率，将所述目标条件概率作为所述条件属性参数。
4.根据权利要求3所述的基于贝叶斯算法的合作伙伴预测方法，其特征在于，所述根据所述训练数据集计算每个所述业务特征属性下不同属性值的属性概率，得到属性参数的步骤包括：
统计每个所述业务特征属性下各所述属性值在所述训练数据集中的属性样本数量；
根据所述属性样本数量和所述样本总数量，计算得到每个属性值的属性概率，作为所述属性参数。
5.根据权利要求1所述的基于贝叶斯算法的合作伙伴预测方法，其特征在于，所述根据所述测试数据集对所述朴素贝叶斯预测模型进行测试，得到测试结果，当所述测试结果满足预设条件时，输出所述朴素贝叶斯预测模型作为合作伙伴预测模型的步骤包括：
将所述测试数据集输入所述朴素贝叶斯预测模型，输出预测结果；
根据所述预测结果计算预测准确度，将所述预测准确度作为验证结果；
当所述验证结果大于等于预设阈值时，则所述测试结果满足预设条件，输出所述朴素贝叶斯预测模型作为合作伙伴预测模型；
当所述验证结果小于预设阈值时，则更新所述朴素贝叶斯预测模型，直至所述测试结果满足预设条件，输出最终的所述朴素贝叶斯预测模型作为合作伙伴预测模型。
6.根据权利要求1所述的基于贝叶斯算法的合作伙伴预测方法，其特征在于，在所述基于所述业务特征属性和所述合作关注类别，从所述预设业务数据库中获得对应业务数据，形成训练数据集和测试数据集的步骤之后还包括：
确定每个所述业务特征属性下的所述属性值是否存在异常取值；
若存在异常取值，则对所述异常取值进行修正。
7.根据权利要求1至6中任一项所述的基于贝叶斯算法的合作伙伴预测方法，其特征在于，在所述将所述待预测业务数据输入所述合作伙伴预测模型，得到预测类别的步骤之后还包括：
将所述待预测业务数据以及所述预测类别输入所述合作伙伴预测模型中进行模型更新。
8.一种基于贝叶斯算法的合作伙伴预测装置，其特征在于，包括：
分析模块，用于根据业务需求确定业务特征属性以及合作关注类别；
获取模块，用于基于所述业务特征属性和所述合作关注类别，从预设业务数据库中获得对应业务数据，形成训练数据集和测试数据集；
先验概率计算模块，用于通过拉普拉斯平滑系数修正每个所述合作关注类别的先验概率，得到目标先验概率，并基于所述训练数据集对所述目标先验概率进行计算，得到类别参数；
条件概率计算模块，用于通过拉普拉斯平滑系数修正每个所述合作关注类别对应的各所述业务特征属性的条件概率，得到目标条件概率，并根据所述训练数据集计算所述目标条件概率，得到条件属性参数；
属性概率计算模块，用于根据所述训练数据集计算每个所述业务特征属性下不同属性值的属性概率，得到属性参数；
构建模块，用于基于所述类别参数、所述属性条件参数和所述属性参数构建朴素贝叶斯预测模型；
测试模块，用于根据所述测试数据集对所述朴素贝叶斯预测模型进行测试，得到测试结果，确定所述测试结果满足预设条件，输出所述朴素贝叶斯预测模型作为合作伙伴预测模型；
预测模块，用于获取待预测业务数据，将所述待预测业务数据输入所述合作伙伴预测模型，得到预测类别。
9.一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现如权利要求1至7中任一项所述的基于贝叶斯算法的合作伙伴预测方法的步骤。
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上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如权利要求1至7中任一项所述的基于贝叶斯算法的合作伙伴预测方法的步骤。
CN202211153984.8A 2022-09-21 2022-09-21 一种基于贝叶斯算法的合作伙伴预测方法及相关设备 Pending CN115545753A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211153984.8A CN115545753A (zh) 2022-09-21 2022-09-21 一种基于贝叶斯算法的合作伙伴预测方法及相关设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211153984.8A CN115545753A (zh) 2022-09-21 2022-09-21 一种基于贝叶斯算法的合作伙伴预测方法及相关设备

Publications (1)

Publication Number Publication Date
CN115545753A true CN115545753A (zh) 2022-12-30

Family

ID=84728694

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211153984.8A Pending CN115545753A (zh) 2022-09-21 2022-09-21 一种基于贝叶斯算法的合作伙伴预测方法及相关设备

Country Status (1)

Country Link
CN (1) CN115545753A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116484428A (zh) * 2023-04-27 2023-07-25 湖南工商大学 数据安全性检测系统、方法、装置及相关设备

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116484428A (zh) * 2023-04-27 2023-07-25 湖南工商大学 数据安全性检测系统、方法、装置及相关设备
CN116484428B (zh) * 2023-04-27 2024-02-02 湖南工商大学 数据安全性检测系统、方法、装置及相关设备

Similar Documents

Publication Publication Date Title
CN112148987B (zh) 基于目标对象活跃度的消息推送方法及相关设备
CN112528025A (zh) 基于密度的文本聚类方法、装置、设备及存储介质
WO2022126963A1 (zh) 基于客户应答语料的客户画像方法及其相关设备
WO2022126961A1 (zh) 针对数据偏移的目标对象行为预测方法及其相关设备
CN113326991B (zh) 自动授权方法、装置、计算机设备及存储介质
CN109816321A (zh) 一种服务管理方法、装置、设备和计算机可读存储介质
CN110148053B (zh) 用户信贷额度评估方法、装置、电子设备和可读介质
CN112863683A (zh) 基于人工智能的病历质控方法、装置、计算机设备及存储介质
CN111783132A (zh) 基于机器学习的sql语句安全检测方法、装置、设备及介质
CN114398477A (zh) 基于知识图谱的政策推荐方法及其相关设备
CN112288163A (zh) 目标对象的目标因子预测方法及相关设备
CN114493255A (zh) 基于知识图谱的企业异常监控方法及其相关设备
CN111639360A (zh) 智能数据脱敏方法、装置、计算机设备及存储介质
CN112085087A (zh) 业务规则生成的方法、装置、计算机设备及存储介质
CN113377372A (zh) 业务规则的解析方法、装置、计算机设备及存储介质
CN113420161B (zh) 一种节点文本融合方法、装置、计算机设备及存储介质
CN115545753A (zh) 一种基于贝叶斯算法的合作伙伴预测方法及相关设备
CN114219664A (zh) 产品推荐方法、装置、计算机设备及存储介质
US20230041339A1 (en) Method, device, and computer program product for user behavior prediction
CN112015768B (zh) 一种基于Rete算法的信息匹配方法及其相关产品
CN115099875A (zh) 基于决策树模型的数据分类方法及相关设备
CN114549053B (zh) 数据分析方法、装置、计算机设备及存储介质
CN114048330B (zh) 风险传导概率知识图谱生成方法、装置、设备及存储介质
CN117133006A (zh) 一种单证验证方法、装置、计算机设备及存储介质
CN116776150A (zh) 接口异常访问识别方法、装置、计算机设备及存储介质

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