CN113658002A - 基于决策树的交易结果生成方法、装置、电子设备及介质 - Google Patents
基于决策树的交易结果生成方法、装置、电子设备及介质 Download PDFInfo
- Publication number
- CN113658002A CN113658002A CN202110942924.3A CN202110942924A CN113658002A CN 113658002 A CN113658002 A CN 113658002A CN 202110942924 A CN202110942924 A CN 202110942924A CN 113658002 A CN113658002 A CN 113658002A
- Authority
- CN
- China
- Prior art keywords
- decision tree
- service
- feature
- data set
- 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.)
- Granted
Links
- 238000003066 decision tree Methods 0.000 title claims abstract description 172
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000012549 training Methods 0.000 claims abstract description 38
- 238000012545 processing Methods 0.000 claims abstract description 30
- 238000010606 normalization Methods 0.000 claims abstract description 13
- 230000006870 function Effects 0.000 claims description 30
- 238000000605 extraction Methods 0.000 claims description 19
- 230000011218 segmentation Effects 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 4
- 238000002372 labelling Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 abstract description 11
- 238000013473 artificial intelligence Methods 0.000 abstract description 6
- 238000004891 communication Methods 0.000 description 6
- 238000007726 management method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 239000004973 liquid crystal related substance Substances 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000013507 mapping Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013531 bayesian neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000002093 peripheral effect 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
- G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Accounting & Taxation (AREA)
- Human Resources & Organizations (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Entrepreneurship & Innovation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Technology Law (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及人工智能技术，揭露了一种基于决策树的交易结果生成方法，包括：对第一业务特征集进行归一标准化处理后得到的标准特征集与对第二业务特征集进行编码处理得到的编码特征向量进行拼接，得到多维标准数据集，基于特征数据集构建初始决策树，对初始决策树进行决策树添加处理，得到替换决策树，利用预获取的训练数据集对替换决策树进行训练，得到交易结果预测模型，将多维标准数据集输入至交易结果预测模型中，得到交易结果。此外，本发明还涉及区块链技术，所述特征数据集可存储于区块链的节点。本发明还提出一种基于决策树的交易结果生成装置、电子设备以及计算机可读存储介质。本发明可以解决生成的交易结果准确度较低的问题。
Description
技术领域
本发明涉及人工智能技术领域，尤其涉及一种基于决策树的交易结果生成方法、装置、电子设备及计算机可读存储介质。
背景技术
随着经济发展和新交易模式的兴起，越来越多的交易订单需要进行及时且有效的交易分析，交易成功率是一个用于对交易进行分析的重要参考标准，因此交易成功率预测一直是一个热门且必要的任务。根据交易成功率的预测可以得到业务交易结果，而业务交易结果往往是后续是否决定进行交易的重要参考标准。
现有的交易结果生成方法往往更倾向于通过预先训练一个贝叶斯神经网络模型作为交易结果预测模型，并将需要预测结果的相关业务数据输入至交易结果预测模型中处理，进而得到交易结果，由于贝叶斯神经网络模型对缺失数据不太敏感，同时要求输入数据最好是属性之间相互独立的数据，因此进行交易结果生成的准确度不够高。
发明内容
本发明提供一种基于决策树的交易结果生成方法、装置及计算机可读存储介质，其主要目的在于解决生成的交易结果准确度较低的问题。
为实现上述目的，本发明提供的一种基于决策树的交易结果生成方法，包括：
获取原始业务数据集，对所述原始业务数据集进行特征提取，得到第一业务特征集和第二业务特征集；
对所述第一业务特征集进行归一标准化处理，得到标准特征集；
对所述第二业务特征集进行编码处理，得到编码特征向量；
将所述标准特征集和所述编码特征向量进行拼接，得到多维标准数据集；
将所述第一业务特征集和所述第二业务特征集汇总，得到特征数据集，并基于所述特征数据集构建初始决策树；
对所述初始决策树进行决策树添加处理，得到替换决策树，利用预获取的训练数据集对所述替换决策树进行训练，得到交易结果预测模型；
将所述多维标准数据集输入至所述交易结果预测模型中，得到交易结果。
可选地，所述对所述第二业务特征集进行编码处理，得到编码特征向量，包括：
计算所述第二业务特征集中第二业务特征对应的哈希值；
将所述第二业务特征集中的特征维度的个数作为列数，将所述第二业务特征集的数据总数作为行数，根据所述列数、所述行数和所述第二业务特征对应的哈希值构建初始矩阵向量；
设置所述初始矩阵向量中所述哈希值对应的目标列数所在的位置为第一数值，所述目标列数以外的其余列数为第二数值，得到编码特征向量。
可选地，所述基于所述特征数据集构建初始决策树，包括：
对所述特征数据集进行分类标注，得到所述特征数据集对应的标注；
任意选择一个标注作为切分点，并以所述切分点作为原始决策树的根节点；
生成所述切分点的子节点并将所述特征数据集分配到所述子节点中，得到初始决策树。
可选地，所述利用预获取的训练数据集对所述替换决策树进行训练，得到交易结果预测模型，包括：
将预获取的训练数据集输入至所述替换决策树，得到预测值集合；
根据所述预测值集合和预设的预测损失函数计算所述替换决策树的损失值；
当所述损失值大于或者等于预设的损失阈值时，再次执行所述对所述初始决策树进行决策树添加处理的操作，直至所述损失值小于所述损失阈值时，输出当前的替换决策树为交易结果预测模型。
可选地，所述根据所述预测值集合和预设的预测损失函数计算所述替换决策树的损失值，包括：
所述预设的预测损失函数如下所示：
其中，Loss为所述损失值，n为所述多维标准数据集的样本个数，K为进行决策树添加处理的添加次数，li为所述多维标准数据集对应的标注，Zi为所述多维标准数据集，fk为所述预测值集合。
可选地，所述对所述第一业务特征集进行归一标准化处理，得到标准特征集，包括：
对所述第一业务特征集中的第一业务特征按照从大到小的顺序进行排列，得到业务特征排列表；
确定所述业务特征排列表中排在首位的数据为最大业务值，确定所述业务数据排列表中排在末尾的数据为最小业务值；
根据所述最大业务值和所述最小业务值构建归一标准化公式；
将所述第一业务特征集中的第一业务特征输入至所述归一标准化公式中，得到标准特征集。
可选地，所述对所述原始业务数据集进行数据分类，得到第一业务特征集和第二业务特征集，包括：
识别所述原始业务数据集中原始业务数据的数据特征；
根据所述数据特征对所述原始业务数据集进行数据分类，得到第一业务特征集和第二业务特征集。
为了解决上述问题，本发明还提供一种基于决策树的交易结果生成装置，所述装置包括：
特征提取模块，用于获取原始业务数据集，对所述原始业务数据集进行特征提取，得到第一业务特征集和第二业务特征集；
数据处理模块，用于对所述第一业务特征集进行归一标准化处理，得到标准特征集，对所述第二业务特征集进行编码处理，得到编码特征向量，将所述标准特征集和所述编码特征向量进行拼接，得到多维标准数据集；
决策树构建模块，用于将所述第一业务特征集和所述第二业务特征集汇总，得到特征数据集，并基于所述特征数据集构建初始决策树；
模型训练模块，用于对所述初始决策树进行决策树添加处理，得到替换决策树，利用预获取的训练数据集对所述替换决策树进行训练，得到交易结果预测模型；
结果预测模块，用于将所述多维标准数据集输入至所述交易结果预测模型中，得到交易结果。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
存储器，存储至少一个指令；及
处理器，执行所述存储器中存储的指令以实现上述所述的基于决策树的交易结果生成方法。
为了解决上述问题，本发明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中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现上述所述的基于决策树的交易结果生成方法。
本发明实施例中，通过对原始业务数据集进行特征提取，得到第一业务特征集和第二业务特征集，对第一业务特征集进行归一标准化处理，解决了第一业务特征集中数据分布不均的问题，对第二业务特征集进行编码处理，更好地体现出第二业务特征集的相关特征，将标准特征集和编码特征向量进行拼接，得到多维标准数据集，拼接得到的多维标准数据集融合了更多且更完善的多维度的信息，从而有利于实现更加精准的预测，基于第一业务特征集和第二业务特征集汇总得到特征数据集构建初始决策树，并对初始决策树进行决策树添加处理，得到替换决策树，对替换决策树进行训练，输出交易结果预测模型。将多维标准数据集输入至交易结果预测模型中，得到交易预测率，根据交易预测率得到业务交易结果。由决策树构建并训练得到的交易结果预测模型可以解释复杂的多维关系，预测能力强，进而可以提高生成的交易结果的准确度。因此本发明提出的基于决策树的交易结果生成方法、装置、电子设备及计算机可读存储介质，可以解决生成的交易结果的准确度较低的问题。
附图说明
图1为本发明一实施例提供的基于决策树的交易结果生成方法的流程示意图；
图2为本发明一实施例提供的基于决策树的交易结果生成装置的功能模块图；
图3为本发明一实施例提供的实现所述基于决策树的交易结果生成方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本申请实施例提供一种基于决策树的交易结果生成方法。所述基于决策树的交易结果生成方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述基于决策树的交易结果生成方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。
参照图1所示，为本发明一实施例提供的基于决策树的交易结果生成方法的流程示意图。在本实施例中，所述基于决策树的交易结果生成方法包括：
S1、获取原始业务数据集，对所述原始业务数据集进行特征提取，得到第一业务特征集和第二业务特征集。
本发明实施例中，所述原始业务数据集可以为保险公司的历史销售数据，其中，所述原始历史业务数据中包含贷款编号、客户编号、区域编号、任务编号等具有身份标识特征的数据和贷款金额、贷款次数等具有统计数值特征的数据。
具体地，所述对所述原始业务数据集进行数据分类，得到第一业务特征集和第二业务特征集，包括：
识别所述原始业务数据集中原始业务数据的数据特征；
根据所述数据特征对所述原始业务数据集进行数据分类，得到第一业务特征集和第二业务特征集。
详细地，数据特征是指原始业务数据所具有的数据特性，例如，统计数据特性或者身份标识特性，根据识别出的数据特征对原始业务数据集进行划分，得到第一业务特征集和第二业务特征集，其中，所述第一业务特征集为统计特性数据集，所述第二业务特征集为身份标识特性数据集。
S2、对所述第一业务特征集进行归一标准化处理，得到标准特征集。
本发明实施例中，所述对所述第一业务特征集进行归一标准化处理，得到标准特征集，包括：
对所述第一业务特征集中的第一业务特征按照从大到小的顺序进行排列，得到业务特征排列表；
确定所述业务特征排列表中排在首位的数据为最大业务值，确定所述业务数据排列表中排在末尾的数据为最小业务值；
根据所述最大业务值和所述最小业务值构建归一标准化公式；
将所述第一业务特征集中的第一业务特征输入至所述归一标准化公式中，得到标准特征集。
详细地，所述归一标准化公式为：
其中，xii为第一业务特征，xi为第一业务特征，xmax为最大业务值，xmin为最小业务值。
S3、对所述第二业务特征集进行编码处理，得到编码特征向量。
本发明实施例中，由于所述第二业务特征集为身份标识特性数据集，身份标识特性数据集本身不具有大小的相对性，故无法进行标准化，为了更好地挖掘身份标识特性数据集的作用，可以对其进行编码处理。对所述第二业务特征集进行编码处理可以采用独热编码、目标编码、贝叶斯目标编码等方法，其中，本发明利用Multi-hot编码方式。
具体地，所述对所述第二业务特征集进行编码处理，得到编码特征向量，包括：
计算所述第二业务特征集中第二业务特征对应的哈希值；
将所述第二业务特征集中的特征维度的个数作为列数，将所述第二业务特征集的数据总数作为行数，根据所述列数、所述行数和所述第二业务特征对应的哈希值构建初始矩阵向量；
设置所述初始矩阵向量中所述哈希值对应的目标列数所在的位置为第一数值，所述目标列数以外的其余列数为第二数值，得到编码特征向量。
例如，原始业务数据集包括用户A曾经购买过编号为1001和1003的产品，用户B曾经购买过编号为1234和1321的产品，进行数据分类提取得到的第二业务特征集为编号为1001的产品、编号为1003的产品、编号为1234的产品和编号为1321的产品，由于产品的编号为四位数，单纯按照编号进行编码会浪费更多的资源，故可以计算第二业务特征对应的哈希值。所述第二业务特征集中的特征维度即指在第二业务特征集中产品编号这一维度。编码特征向量为A：[1，0，1，0]，B：[0，1，0，1]。
详细地，可以利用预设的哈希函数计算所述第二业务特征集中第二业务特征对应的哈希值，通过计算所述第二业务特征对应的哈希值可以将一个数据转换为一个标志，而这个标志与源数据的每一个字节都有十分紧密的关系，其中，所述预设的哈希函数为Hash()。
S4、将所述标准特征集和所述编码特征向量进行拼接，得到多维标准数据集。
本发明实施例中，所述将所述标准特征集和所述编码特征向量进行拼接，包括：
获取预设的拼接函数，并利用所述拼接函数对所述标准特征集和所述编码特征向量进行拼接。
详细地，所述预设的拼接函数可以为concat()函数，concat()方法用于连接两个或多个数据。
例如，所述标准特征集为Xi，所述编码特征向量为Yi，将所述标准特征集和所述编码特征向量进行拼接，得到多维标准数据集Zi：
Zi＝concate(Xi,Yi)
其中，Zi为多维标准数据集，Xi为标准特征集，Yi为编码特征向量。
详细地，将所述标准特征集和所述编码特征向量进行拼接，能够融合更多且更完善的多维度用户信息，从而实现更精准的模型预测。
S5、将所述第一业务特征集和所述第二业务特征集汇总，得到特征数据集，并基于所述特征数据集构建初始决策树。
本发明实施例中，所述特征数据集为所述第一业务特征集和所述第二业务特征集的总和。
具体地，所述基于所述特征数据集构建初始决策树，包括：
对所述特征数据集进行分类标注，得到所述特征数据集对应的标注；
任意选择一个标注作为切分点，并以所述切分点作为原始决策树的根节点；
生成所述切分点的子节点并将所述特征数据集分配到所述子节点中，得到初始决策树。
详细地，决策树是一种树形结构，在决策树的每个内部节点表示一个属性上的测试，每个分支代表一个测试输出，每个叶节点代表一种类别。决策树是一个预测模型，代表的是对象属性与对象值之间的一种映射关系。
S6、对所述初始决策树进行决策树添加处理，得到替换决策树，利用预获取的训练数据集对所述替换决策树进行训练，得到交易结果预测模型。
本发明实施例中，所述对所述初始决策树进行决策树添加处理，得到替换决策树，包括：
获取预设的添加次数；
基于所述添加次数对所述初始决策树的根节点进行对应次数的切分，并将所述特征数据集分配到切分后的根节点上，得到替换决策树。
具体地，所述利用预获取的训练数据集对所述替换决策树进行训练，得到交易结果预测模型，包括：
将预获取的训练数据集输入至所述替换决策树，得到预测值集合；
根据所述预测值集合和预设的预测损失函数计算所述替换决策树的损失值；
当所述损失值大于或者等于预设的损失阈值时，再次执行所述对所述初始决策树进行决策树添加处理的操作，直至所述损失值小于所述损失阈值时，输出当前的替换决策树为交易结果预测模型。
详细地，在本发明实施例中，所述交易结果预测模型可以为XGboost模型，XGboost模型可以解释复杂的多维关系，预测能力强，模型在训练数据上可以达到很好的预测表现结果。
进一步地，所述根据所述预测值集合和预设的预测损失函数计算所述替换决策树的损失值，包括：
所述预设的预测损失函数如下所示：
其中，Loss为所述损失值，n为所述多维标准数据集的样本个数，K为进行决策树添加处理的添加次数，li为所述多维标准数据集对应的标注，Zi为所述多维标准数据集，fk为所述预测值集合。
S7、将所述多维标准数据集输入至所述交易结果预测模型中，得到交易结果。
本发明实施例中，将所述多维标准数据集输入至所述交易结果预测模型中，得到交易结果，所述交易结果预测模型中包含决策树，多维标准数据集输入至模型中落在决策树上得分即交易预测率，根据所述交易预测率进行判断，当所述交易预测率大于或者等于预设的交易阈值时，将所述业务交易结果判定为业务交易成功，当所述交易预测率小于所述交易阈值时，将所述业务交易结果判定为业务交易失败。
本发明实施例中，通过对原始业务数据集进行特征提取，得到第一业务特征集和第二业务特征集，对第一业务特征集进行归一标准化处理，解决了第一业务特征集中数据分布不均的问题，对第二业务特征集进行编码处理，更好地体现出第二业务特征集的相关特征，将标准特征集和编码特征向量进行拼接，得到多维标准数据集，拼接得到的多维标准数据集融合了更多且更完善的多维度的信息，从而有利于实现更加精准的预测，基于第一业务特征集和第二业务特征集汇总得到特征数据集构建初始决策树，并对初始决策树进行决策树添加处理，得到替换决策树，对替换决策树进行训练，输出交易结果预测模型。将多维标准数据集输入至交易结果预测模型中，得到交易预测率，根据交易预测率得到业务交易结果。由决策树构建并训练得到的交易结果预测模型可以解释复杂的多维关系，预测能力强，进而可以提高生成的交易结果的准确度。因此本发明提出的基于决策树的交易结果生成方法可以解决生成的交易结果的准确度较低的问题。
如图2所示，是本发明一实施例提供的基于决策树的交易结果生成装置的功能模块图。
本发明所述基于决策树的交易结果生成装置100可以安装于电子设备中。根据实现的功能，所述基于决策树的交易结果生成装置100可以包括特征提取模块101、数据处理模块102、决策树构建模块103、模型训练模块104及结果预测模块105。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述特征提取模块101，用于获取原始业务数据集，对所述原始业务数据集进行特征提取，得到第一业务特征集和第二业务特征集；
所述数据处理模块102，用于对所述第一业务特征集进行归一标准化处理，得到标准特征集，对所述第二业务特征集进行编码处理，得到编码特征向量，将所述标准特征集和所述编码特征向量进行拼接，得到多维标准数据集；
所述决策树构建模块103，用于将所述第一业务特征集和所述第二业务特征集汇总，得到特征数据集，并基于所述特征数据集构建初始决策树；
所述模型训练模块104，用于对所述初始决策树进行决策树添加处理，得到替换决策树，利用预获取的训练数据集对所述替换决策树进行训练，得到交易结果预测模型；
所述结果预测模块105，用于将所述多维标准数据集输入至所述交易结果预测模型中，得到交易结果。
详细地，所述基于决策树的交易结果生成装置100各模块的具体实施方式如下：
步骤一、获取原始业务数据集，对所述原始业务数据集进行特征提取，得到第一业务特征集和第二业务特征集。
本发明实施例中，所述原始业务数据集可以为保险公司的历史销售数据，其中，所述原始历史业务数据中包含贷款编号、客户编号、区域编号、任务编号等具有身份标识特征的数据和贷款金额、贷款次数等具有统计数值特征的数据。
具体地，所述对所述原始业务数据集进行数据分类，得到第一业务特征集和第二业务特征集，包括：
识别所述原始业务数据集中原始业务数据的数据特征；
根据所述数据特征对所述原始业务数据集进行数据分类，得到第一业务特征集和第二业务特征集。
详细地，数据特征是指原始业务数据所具有的数据特性，例如，统计数据特性或者身份标识特性，根据识别出的数据特征对原始业务数据集进行划分，得到第一业务特征集和第二业务特征集，其中，所述第一业务特征集为统计特性数据集，所述第二业务特征集为身份标识特性数据集。
步骤二、对所述第一业务特征集进行归一标准化处理，得到标准特征集。
本发明实施例中，所述对所述第一业务特征集进行归一标准化处理，得到标准特征集，包括：
对所述第一业务特征集中的第一业务特征按照从大到小的顺序进行排列，得到业务特征排列表；
确定所述业务特征排列表中排在首位的数据为最大业务值，确定所述业务数据排列表中排在末尾的数据为最小业务值；
根据所述最大业务值和所述最小业务值构建归一标准化公式；
将所述第一业务特征集中的第一业务特征输入至所述归一标准化公式中，得到标准特征集。
详细地，所述归一标准化公式为：
其中，xii为第一业务特征，xi为第一业务特征，xmax为最大业务值，xmin为最小业务值。
步骤三、对所述第二业务特征集进行编码处理，得到编码特征向量。
本发明实施例中，由于所述第二业务特征集为身份标识特性数据集，身份标识特性数据集本身不具有大小的相对性，故无法进行标准化，为了更好地挖掘身份标识特性数据集的作用，可以对其进行编码处理。对所述第二业务特征集进行编码处理可以采用独热编码、目标编码、贝叶斯目标编码等方法，其中，本发明利用Multi-hot编码方式。
具体地，所述对所述第二业务特征集进行编码处理，得到编码特征向量，包括：
计算所述第二业务特征集中第二业务特征对应的哈希值；
将所述第二业务特征集中的特征维度的个数作为列数，将所述第二业务特征集的数据总数作为行数，根据所述列数、所述行数和所述第二业务特征对应的哈希值构建初始矩阵向量；
设置所述初始矩阵向量中所述哈希值对应的目标列数所在的位置为第一数值，所述目标列数以外的其余列数为第二数值，得到编码特征向量。
例如，原始业务数据集包括用户A曾经购买过编号为1001和1003的产品，用户B曾经购买过编号为1234和1321的产品，进行数据分类提取得到的第二业务特征集为编号为1001的产品、编号为1003的产品、编号为1234的产品和编号为1321的产品，由于产品的编号为四位数，单纯按照编号进行编码会浪费更多的资源，故可以计算第二业务特征对应的哈希值。所述第二业务特征集中的特征维度即指在第二业务特征集中产品编号这一维度。编码特征向量为A：[1，0，1，0]，B：[0，1，0，1]。
详细地，可以利用预设的哈希函数计算所述第二业务特征集中第二业务特征对应的哈希值，通过计算所述第二业务特征对应的哈希值可以将一个数据转换为一个标志，而这个标志与源数据的每一个字节都有十分紧密的关系，其中，所述预设的哈希函数为Hash()。
步骤四、将所述标准特征集和所述编码特征向量进行拼接，得到多维标准数据集。
本发明实施例中，所述将所述标准特征集和所述编码特征向量进行拼接，包括：
获取预设的拼接函数，并利用所述拼接函数对所述标准特征集和所述编码特征向量进行拼接。
详细地，所述预设的拼接函数可以为concat()函数，concat()方法用于连接两个或多个数据。
例如，所述标准特征集为Xi，所述编码特征向量为Yi，将所述标准特征集和所述编码特征向量进行拼接，得到多维标准数据集Zi：
Zi＝concate(Xi,Yi)
其中，Zi为多维标准数据集，Xi为标准特征集，Yi为编码特征向量。
详细地，将所述标准特征集和所述编码特征向量进行拼接，能够融合更多且更完善的多维度用户信息，从而实现更精准的模型预测。
步骤五、将所述第一业务特征集和所述第二业务特征集汇总，得到特征数据集，并基于所述特征数据集构建初始决策树。
本发明实施例中，所述特征数据集为所述第一业务特征集和所述第二业务特征集的总和。
具体地，所述基于所述特征数据集构建初始决策树，包括：
对所述特征数据集进行分类标注，得到所述特征数据集对应的标注；
任意选择一个标注作为切分点，并以所述切分点作为原始决策树的根节点；
生成所述切分点的子节点并将所述特征数据集分配到所述子节点中，得到初始决策树。
详细地，决策树是一种树形结构，在决策树的每个内部节点表示一个属性上的测试，每个分支代表一个测试输出，每个叶节点代表一种类别。决策树是一个预测模型，代表的是对象属性与对象值之间的一种映射关系。
步骤六、对所述初始决策树进行决策树添加处理，得到替换决策树，利用预获取的训练数据集对所述替换决策树进行训练，得到交易结果预测模型。
本发明实施例中，所述对所述初始决策树进行决策树添加处理，得到替换决策树，包括：
获取预设的添加次数；
基于所述添加次数对所述初始决策树的根节点进行对应次数的切分，并将所述特征数据集分配到切分后的根节点上，得到替换决策树。
具体地，所述利用预获取的训练数据集对所述替换决策树进行训练，得到交易结果预测模型，包括：
将预获取的训练数据集输入至所述替换决策树，得到预测值集合；
根据所述预测值集合和预设的预测损失函数计算所述替换决策树的损失值；
当所述损失值大于或者等于预设的损失阈值时，再次执行所述对所述初始决策树进行决策树添加处理的操作，直至所述损失值小于所述损失阈值时，输出当前的替换决策树为交易结果预测模型。
详细地，在本发明实施例中，所述交易结果预测模型可以为XGboost模型，XGboost模型可以解释复杂的多维关系，预测能力强，模型在训练数据上可以达到很好的预测表现结果。
进一步地，所述根据所述预测值集合和预设的预测损失函数计算所述替换决策树的损失值，包括：
所述预设的预测损失函数如下所示：
其中，Loss为所述损失值，n为所述多维标准数据集的样本个数，K为进行决策树添加处理的添加次数，li为所述多维标准数据集对应的标注，Zi为所述多维标准数据集，fk为所述预测值集合。
步骤七、将所述多维标准数据集输入至所述交易结果预测模型中，得到交易结果。
本发明实施例中，将所述多维标准数据集输入至所述交易结果预测模型中，得到交易结果，所述交易结果预测模型中包含决策树，多维标准数据集输入至模型中落在决策树上得分即交易预测率，根据所述交易预测率进行判断，当所述交易预测率大于或者等于预设的交易阈值时，将所述业务交易结果判定为业务交易成功，当所述交易预测率小于所述交易阈值时，将所述业务交易结果判定为业务交易失败。
本发明实施例中，通过对原始业务数据集进行特征提取，得到第一业务特征集和第二业务特征集，对第一业务特征集进行归一标准化处理，解决了第一业务特征集中数据分布不均的问题，对第二业务特征集进行编码处理，更好地体现出第二业务特征集的相关特征，将标准特征集和编码特征向量进行拼接，得到多维标准数据集，拼接得到的多维标准数据集融合了更多且更完善的多维度的信息，从而有利于实现更加精准的预测，基于第一业务特征集和第二业务特征集汇总得到特征数据集构建初始决策树，并对初始决策树进行决策树添加处理，得到替换决策树，对替换决策树进行训练，输出交易结果预测模型。将多维标准数据集输入至交易结果预测模型中，得到交易预测率，根据交易预测率得到业务交易结果。由决策树构建并训练得到的交易结果预测模型可以解释复杂的多维关系，预测能力强，进而可以提高生成的交易结果的准确度。因此本发明提出的基于决策树的交易结果生成装置可以解决生成的交易结果的准确度较低的问题。
如图3所示，是本发明一实施例提供的实现基于决策树的交易结果生成方法的电子设备的结构示意图。
所述电子设备可以包括处理器10、存储器11、通信接口12和总线13，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如基于决策树的交易结果生成程序。
其中，所述存储器11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、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(SecureDigital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据，例如基于决策树的交易结果生成程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如基于决策树的交易结果生成程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备的各种功能和处理数据。
所述通信接口12用于上述电子设备与其他设备之间的通信，包括网络接口和用户接口。可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
所述总线13可以是外设部件互连标准(peripheral component interconnect，简称PCI)总线或扩展工业标准结构(extended industry standard architecture，简称EISA)总线等。该总线13可以分为地址总线、数据总线、控制总线等。所述总线13被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图3仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图3示出的结构并不构成对所述电子设备的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
进一步地，所述电子设备还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备与其他电子设备之间建立通信连接。
可选地，该电子设备还可以包括用户接口，用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备中的所述存储器11存储的基于决策树的交易结果生成程序是多个指令的组合，在所述处理器10中运行时，可以实现：
获取原始业务数据集，对所述原始业务数据集进行特征提取，得到第一业务特征集和第二业务特征集；
对所述第一业务特征集进行归一标准化处理，得到标准特征集；
对所述第二业务特征集进行编码处理，得到编码特征向量；
将所述标准特征集和所述编码特征向量进行拼接，得到多维标准数据集；
将所述第一业务特征集和所述第二业务特征集汇总，得到特征数据集，并基于所述特征数据集构建初始决策树；
对所述初始决策树进行决策树添加处理，得到替换决策树，利用预获取的训练数据集对所述替换决策树进行训练，得到交易结果预测模型；
将所述多维标准数据集输入至所述交易结果预测模型中，得到交易结果。
具体地，所述处理器10对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。
进一步地，所述电子设备集成的模块/单元如果以软件功能单元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存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。
本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
获取原始业务数据集，对所述原始业务数据集进行特征提取，得到第一业务特征集和第二业务特征集；
对所述第一业务特征集进行归一标准化处理，得到标准特征集；
对所述第二业务特征集进行编码处理，得到编码特征向量；
将所述标准特征集和所述编码特征向量进行拼接，得到多维标准数据集；
将所述第一业务特征集和所述第二业务特征集汇总，得到特征数据集，并基于所述特征数据集构建初始决策树；
对所述初始决策树进行决策树添加处理，得到替换决策树，利用预获取的训练数据集对所述替换决策树进行训练，得到交易结果预测模型；
将所述多维标准数据集输入至所述交易结果预测模型中，得到交易结果。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
本发明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。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种基于决策树的交易结果生成方法，其特征在于，所述方法包括：
获取原始业务数据集，对所述原始业务数据集进行特征提取，得到第一业务特征集和第二业务特征集；
对所述第一业务特征集进行归一标准化处理，得到标准特征集；
对所述第二业务特征集进行编码处理，得到编码特征向量；
将所述标准特征集和所述编码特征向量进行拼接，得到多维标准数据集；
将所述第一业务特征集和所述第二业务特征集汇总，得到特征数据集，并基于所述特征数据集构建初始决策树；
对所述初始决策树进行决策树添加处理，得到替换决策树，利用预获取的训练数据集对所述替换决策树进行训练，得到交易结果预测模型；
将所述多维标准数据集输入至所述交易结果预测模型中，得到交易结果。
2.如权利要求1所述的基于决策树的交易结果生成方法，其特征在于，所述对所述第二业务特征集进行编码处理，得到编码特征向量，包括：
计算所述第二业务特征集中第二业务特征对应的哈希值；
将所述第二业务特征集中的特征维度的个数作为列数，将所述第二业务特征集的数据总数作为行数，根据所述列数、所述行数和所述第二业务特征对应的哈希值构建初始矩阵向量；
设置所述初始矩阵向量中所述哈希值对应的目标列数所在的位置为第一数值，所述目标列数以外的其余列数为第二数值，得到编码特征向量。
3.如权利要求1所述的基于决策树的交易结果生成方法，其特征在于，所述基于所述特征数据集构建初始决策树，包括：
对所述特征数据集进行分类标注，得到所述特征数据集对应的标注；
任意选择一个标注作为切分点，并以所述切分点作为原始决策树的根节点；
生成所述切分点的子节点并将所述特征数据集分配到所述子节点中，得到初始决策树。
4.如权利要求1所述的基于决策树的交易结果生成方法，其特征在于，所述利用预获取的训练数据集对所述替换决策树进行训练，得到交易结果预测模型，包括：
将预获取的训练数据集输入至所述替换决策树，得到预测值集合；
根据所述预测值集合和预设的预测损失函数计算所述替换决策树的损失值；
当所述损失值大于或者等于预设的损失阈值时，再次执行所述对所述初始决策树进行决策树添加处理的操作，直至所述损失值小于所述损失阈值时，输出当前的替换决策树为交易结果预测模型。
5.如权利要求4所述的基于决策树的交易结果生成方法，其特征在于，所述根据所述预测值集合和预设的预测损失函数计算所述替换决策树的损失值，包括：
所述预设的预测损失函数如下所示：
其中，Loss为所述损失值，n为所述多维标准数据集的样本个数，K为进行决策树添加处理的添加次数，li为所述多维标准数据集对应的标注，Zi为所述多维标准数据集，fk为所述预测值集合。
6.如权利要求1所述的基于决策树的交易结果生成方法，其特征在于，所述对所述第一业务特征集进行归一标准化处理，得到标准特征集，包括：
对所述第一业务特征集中的第一业务特征按照从大到小的顺序进行排列，得到业务特征排列表；
确定所述业务特征排列表中排在首位的数据为最大业务值，确定所述业务数据排列表中排在末尾的数据为最小业务值；
根据所述最大业务值和所述最小业务值构建归一标准化公式；
将所述第一业务特征集中的第一业务特征输入至所述归一标准化公式中，得到标准特征集。
7.如权利要求1所述的基于决策树的交易结果生成方法，其特征在于，所述对所述原始业务数据集进行数据分类，得到第一业务特征集和第二业务特征集，包括：
识别所述原始业务数据集中原始业务数据的数据特征；
根据所述数据特征对所述原始业务数据集进行数据分类，得到第一业务特征集和第二业务特征集。
8.一种基于决策树的交易结果生成装置，其特征在于，所述装置包括：
特征提取模块，用于获取原始业务数据集，对所述原始业务数据集进行特征提取，得到第一业务特征集和第二业务特征集；
数据处理模块，用于对所述第一业务特征集进行归一标准化处理，得到标准特征集，对所述第二业务特征集进行编码处理，得到编码特征向量，将所述标准特征集和所述编码特征向量进行拼接，得到多维标准数据集；
决策树构建模块，用于将所述第一业务特征集和所述第二业务特征集汇总，得到特征数据集，并基于所述特征数据集构建初始决策树；
模型训练模块，用于对所述初始决策树进行决策树添加处理，得到替换决策树，利用预获取的训练数据集对所述替换决策树进行训练，得到交易结果预测模型；
结果预测模块，用于将所述多维标准数据集输入至所述交易结果预测模型中，得到交易结果。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至7中任意一项所述的基于决策树的交易结果生成方法。
10.一种计算机可读存储介质，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如权利要求1至7中任意一项所述的基于决策树的交易结果生成方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110942924.3A CN113658002B (zh) | 2021-08-17 | 2021-08-17 | 基于决策树的交易结果生成方法、装置、电子设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110942924.3A CN113658002B (zh) | 2021-08-17 | 2021-08-17 | 基于决策树的交易结果生成方法、装置、电子设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113658002A true CN113658002A (zh) | 2021-11-16 |
| CN113658002B CN113658002B (zh) | 2023-07-28 |
Family
ID=78480038
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110942924.3A Active CN113658002B (zh) | 2021-08-17 | 2021-08-17 | 基于决策树的交易结果生成方法、装置、电子设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113658002B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115168848A (zh) * | 2022-09-08 | 2022-10-11 | 南京鼎山信息科技有限公司 | 基于大数据分析拦截的拦截反馈处理方法 |
| CN115879914A (zh) * | 2023-02-20 | 2023-03-31 | 苏州慧工云信息科技有限公司 | 设备保养的方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110222708A (zh) * | 2019-04-29 | 2019-09-10 | 中国科学院计算技术研究所 | 一种基于集成决策树的跌倒检测方法和系统 |
| CN110543988A (zh) * | 2019-08-28 | 2019-12-06 | 上海电力大学 | 一种基于XGBoost算法的光伏短期出力预测系统及方法 |
| CN112801222A (zh) * | 2021-03-25 | 2021-05-14 | 平安科技（深圳）有限公司 | 基于二分类模型的多分类方法、装置、电子设备及介质 |
| CN113191926A (zh) * | 2021-04-12 | 2021-07-30 | 北京工商大学 | 基于深度集成学习网络的粮油农作物供应链危害物辨识方法及系统 |
-
2021
- 2021-08-17 CN CN202110942924.3A patent/CN113658002B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110222708A (zh) * | 2019-04-29 | 2019-09-10 | 中国科学院计算技术研究所 | 一种基于集成决策树的跌倒检测方法和系统 |
| CN110543988A (zh) * | 2019-08-28 | 2019-12-06 | 上海电力大学 | 一种基于XGBoost算法的光伏短期出力预测系统及方法 |
| CN112801222A (zh) * | 2021-03-25 | 2021-05-14 | 平安科技（深圳）有限公司 | 基于二分类模型的多分类方法、装置、电子设备及介质 |
| CN113191926A (zh) * | 2021-04-12 | 2021-07-30 | 北京工商大学 | 基于深度集成学习网络的粮油农作物供应链危害物辨识方法及系统 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115168848A (zh) * | 2022-09-08 | 2022-10-11 | 南京鼎山信息科技有限公司 | 基于大数据分析拦截的拦截反馈处理方法 |
| CN115168848B (zh) * | 2022-09-08 | 2022-12-16 | 南京鼎山信息科技有限公司 | 基于大数据分析拦截的拦截反馈处理方法 |
| CN115879914A (zh) * | 2023-02-20 | 2023-03-31 | 苏州慧工云信息科技有限公司 | 设备保养的方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113658002B (zh) | 2023-07-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113157927B (zh) | 文本分类方法、装置、电子设备及可读存储介质 | |
| CN113626607B (zh) | 异常工单识别方法、装置、电子设备及可读存储介质 | |
| CN113704429A (zh) | 基于半监督学习的意图识别方法、装置、设备及介质 | |
| CN113157739A (zh) | 跨模态检索方法、装置、电子设备及存储介质 | |
| CN114491047A (zh) | 多标签文本分类方法、装置、电子设备及存储介质 | |
| CN114612194A (zh) | 产品推荐方法、装置、电子设备及存储介质 | |
| CN113658002B (zh) | 基于决策树的交易结果生成方法、装置、电子设备及介质 | |
| CN113656690A (zh) | 产品推荐方法、装置、电子设备及可读存储介质 | |
| CN113268665A (zh) | 基于随机森林的信息推荐方法、装置、设备及存储介质 | |
| CN113705201B (zh) | 基于文本的事件概率预测评估算法、电子设备及存储介质 | |
| CN113344125B (zh) | 长文本匹配识别方法、装置、电子设备及存储介质 | |
| CN114840684A (zh) | 基于医疗实体的图谱构建方法、装置、设备及存储介质 | |
| CN114138243A (zh) | 基于开发平台的功能调用方法、装置、设备及存储介质 | |
| CN112801222A (zh) | 基于二分类模型的多分类方法、装置、电子设备及介质 | |
| CN112347739A (zh) | 适用规则分析方法、装置、电子设备及存储介质 | |
| CN113626605B (zh) | 信息分类方法、装置、电子设备及可读存储介质 | |
| CN113706019B (zh) | 基于多维数据的业务能力分析方法、装置、设备及介质 | |
| CN115146064A (zh) | 意图识别模型优化方法、装置、设备及存储介质 | |
| CN115221274A (zh) | 文本情感分类方法、装置、电子设备及存储介质 | |
| CN114996386A (zh) | 业务角色识别方法、装置、设备及存储介质 | |
| CN115346095A (zh) | 视觉问答方法、装置、设备及存储介质 | |
| CN114219367A (zh) | 用户评分方法、装置、设备及存储介质 | |
| CN113486646A (zh) | 产品报告发布方法、装置、电子设备及可读存储介质 | |
| CN112184465A (zh) | 用户数据画像生成方法、装置、电子设备及存储介质 | |
| CN113627187B (zh) | 命名实体识别方法、装置、电子设备及可读存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |