一种人员目标指数计算方法及装置，所述方法包括：S01，采集人员信息；S02，基于业务规则计算人员指标；S03，根据人员指标确定人员目标指数的基础分，即规则得分；S04，建立标签人员信息专题库；S05，基于标签人员信息专题库数据进行特征字段提取，筛选出能够表征标签人员特征的字段并进行数值化处理，得到标签人员的特征向量；S06，将标签人员的特征向量输入到标签人员预测模型进行处理，预测得到输入样本属于标签人员的概率；S07，根据标签人员预测模型预测结果计算人员目标指数的模型得分；S08，根据规则得分和标签人员预测模型得分融合得到最终的人员目标指数得分。终的人员目标指数得分。终的人员目标指数得分。
【技术实现步骤摘要】
一种人员目标指数计算方法及装置
[0001]本专利技术涉及人员领域，具体涉及一种人员目标指数计算方法及装置。
技术介绍
[0002]目前现有的计算人员目标指数的方法大多依赖在日常中总结的经验规则，根据命中规则的多少来决定人员目标指数的高低。这种方法仅从业务规则层面显式的反映了人员指数的差异，没有从数据层面体现人员潜在的行为差异。此外，目标指标人员的定义是一个模糊的概念，它包含了多个不同类型的标签人员，因此采用单个标签人员模型去发现人员行为特征中潜藏的数据模式差异又缺乏全面性。
技术实现思路
[0003]鉴于现有技术中存在的技术缺陷和技术弊端，本专利技术实施例提供克服上述问题或者至少部分地解决上述问题的一种人员目标指数计算方法及装置，具体方案如下：
[0004]一种人员目标指数计算方法，所述方法包括：
[0005]S01，采集人员信息；
[0006]S02，基于业务规则计算人员指标；
[0007]S03，根据人员指标确定人员目标指数的基础分，即规则得分；
[0008]S04，建立标签人员信息专题库；
[0009]S05，基于标签人员信息专题库数据进行特征字段提取，筛选出能够表征标签人员特征的字段并进行数值化处理，得到标签人员的特征向量；
[0010]S06，将标签人员的特征向量输入到标签人员预测模型进行处理，预测得到输入样本属于标签人员的概率；
[0011]S07，根据标签人员预测模型预测结果计算人员目标指数的模型得分；
[0012]S08，根据规则得分和标签人员预测模型得分融合得到最终的人员目标指数得分。
[0013]进一步地，人员目标指数模型得分的计算公式如下：
[0014]S
model
＝∑a
i
w
i log2P
i
；
[0015]其中，P
i
为标签人员预测模型预测输入样本为正样本与标签人员模型预测输入样本为负样本的概率之比；a
i
为对应标签人员预测模型的权重；w
i
为对应标签人员预测模型的得分权重。
[0016]进一步地，最终的人员目标指数得分的计算公式如下：
[0017]Score＝rule_score+∑a
i
w
i log2P
i
；
[0018]其中，rule_score为人员指标确定人员目标指数的基础分，即规则得分。
[0019]进一步地，S01中，人员信息包括人员基本数据、户籍地高危信息数据、人员出行方式信息数据、人员活动位置信息数据、违法人员基本信息数据以及标签人员信息专题库。
[0020]进一步地，S02中，具体的人员指标计算规则如下：
[0021]指标一：户籍地属于相关地区范畴；
[0022]指标二：年龄段在预设年龄范围之间；
[0023]指标三：属于第一类人员；
[0024]指标四：属于第二类人员；
[0025]指标五：与相关人员存在关联关系；
[0026]指标六：某一行为异常频繁指标；
[0027]指标七：第一预设时间内跨市超过n次。
[0028]进一步地，S03中，根据人员指标确定人员目标指数的基础分具体为：
[0029]基于人员命中的指标以及预设的爆点规则计算人员目标指数的基础分。
[0030]进一步地，S06中，采用监督学习算法训练得到标签人员预测模型。
[0031]作为本专利技术的第二方面，提供一种人员目标指数计算装置，所述装置包括信息采集模块、指标计算模块、基础分计算模块、标签人员信息专题库构建模块、特征向量提取模块、标签人员概率计算模块、模型得分计算模块以及最终得分计算模块；
[0032]所述信息采集模块用于采集人员信息；所述指标计算模块用于基于业务规则计算人员指标；所述基础分计算模块用于根据人员指标确定人员目标指数的基础分，即规则得分；所述标签人员信息专题库构建模块用于建立标签人员信息专题库；所述特征向量提取模块用于基于标签人员信息专题库数据进行特征字段提取，筛选出能够表征标签人员特征的字段并进行数值化处理，得到标签人员的特征向量；所述标签人员概率计算模块用于将标签人员的特征向量输入到标签人员预测模型进行处理，预测得到输入样本属于标签人员的概率；所述模型得分计算模块用于根据标签人员预测模型预测结果计算人员目标指数的模型得分；所述最终得分计算模块用于根据规则得分和标签人员预测模型得分融合得到最终的人员目标指数得分。
[0033]进一步地，人员目标指数模型得分的计算公式如下：
[0034]S
model
＝∑a
i
w
i log2P
i
；
[0035]其中，P
i
为标签人员预测模型预测输入样本为正样本与标签人员模型预测输入样本为负样本的概率之比；a
i
为对应标签人员预测模型的权重；w
i
为对应标签人员预测模型的得分权重。
[0036]进一步地，最终的人员目标指数得分的计算公式如下：
[0037]Score＝rule_score+∑a
i
w
i log2P
i
；
[0038]其中，rule_score为人员指标确定人员目标指数的基础分，即规则得分。
[0039]本专利技术具有以下有益效果：
[0040]本专利技术基于现有技术中的不足，创新性的提出了一种基于规则和标签人员预测模型的人员目标指数计算方法及装置，基于规则确定人员目标指数的基础分，实现从业务规则层面显式的反映了人员目标指标的差异，基于标签人员信息专题库数据进行特征字段提取，筛选出能够表征标签人员特征的字段并进行数值化处理，得到标签人员的特征向量，并通过标签人员预测模型预测输入样本属于标签人员的概率模型得分，实现从数据层面体现人员潜在的行为差异，最后根据规则得分和标签人员预测模型得分融合得到最终的人员目标指数得分，相比于现有技术，本专利技术的计算方法更加准确。
附图说明
[0041]图1为本专利技术实施例提供的一种人员目标指数计算方法的流程图。
具体实施方式
[0042]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本专利技术保护的范围。
[0043]如图1所示，作为本专利技术的第一实施例，提供一种人员目标指数计算方法，所述方法包括以下步骤：
[0044]S01：采集人员信息；
[0045]其中，人员信息包括人员基本数据、户籍地信息数据、人员出行方式信息数据、人员活动位置信息数据、人员基本信息数据以及标签人员信息专题库。
[本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种人员目标指数计算方法，其特征在于，所述方法包括：S01，采集人员信息；S02，基于业务规则计算人员指标；S03，根据人员指标确定人员目标指数的基础分，即规则得分；S04，建立标签人员信息专题库；S05，基于标签人员信息专题库数据进行特征字段提取，筛选出能够表征标签人员特征的字段并进行数值化处理，得到标签人员的特征向量；S06，将标签人员的特征向量输入到标签人员预测模型进行处理，预测得到输入样本属于标签人员的概率；S07，根据标签人员预测模型预测结果计算人员目标指数的模型得分；S08，根据规则得分和标签人员预测模型得分融合得到最终的人员目标指数得分。2.根据权利要求1所述的人员目标指数计算方法，其特征在于，人员目标指数模型得分的计算公式如下：S
model
＝∑a
i
w
i
log2P
i
；其中，P
i
为标签人员预测模型预测输入样本为正样本与标签人员模型预测输入样本为负样本的概率之比；a
i
为对应标签人员预测模型的权重；w
i
为对应标签人员预测模型的得分权重。3.根据权利要求2所述的人员目标指数计算方法，其特征在于，最终的人员目标指数得分的计算公式如下：Score＝rule_score+∑a
i
w
i
log2P
i
；其中，rule_score为人员指标确定人员目标指数的基础分，即规则得分。4.根据权利要求2所述的人员目标指数计算方法，其特征在于，S01中，人员信息包括人员基本数据、户籍地高危信息数据、人员出行方式信息数据、人员活动位置信息数据、违法人员基本信息数据以及标签人员信息专题库。5.根据权利要求1所述的人员目标指数计算方法，其特征在于，S02中，具体的人员指标计算规则如下：指标一：户籍地属于相关地区范畴；指标二：年龄段在预设年龄范围之间；指标三：属于第一类人员；指标四：属于第二类人员；指标五：与相关人员存在关联关系；指标六：某一行为异常频繁指标；指标七：第一预设时间内跨市超过n次。6.根据权利要求5所述的人员目标指数计算方...
【专利技术属性】
技术研发人员：张宇，贺珊，
申请(专利权)人：武汉烽火众智数字技术有限责任公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。