目标对象识别方法、装置、计算机设备及存储介质与流程

1.本技术实施例涉及计算机技术领域，特别是涉及一种目标对象识别方法、装置、计算机设备及存储介质。


背景技术：

2.随着计算机技术的快速发展，以及企业数字化转型的深入发展，企业运营和风控均对技术提出了新的挑战，尤其针对企业关系的识别，一定程度上反映了企业运营和风控的能力，是商业综合竞争力的重要体现。
3.但是，传统的企业关系识别方式主要通过人工认定和维护，很大程度上取决于人的认知程度及经验，同时也需要耗费大量的精力去搜集信息。而随着社会的不断发展，企业与企业、企业与个人之间的经营、社交活动日益丰富，包括企业在内的个体或组织等对象关系也越来越复杂隐晦，导致各类型对象关系的度量难度大、精度低，严重影响计算机输出结果。
4.因此，现有的对象关系识别方法存在着识别准确率不高的技术问题。


技术实现要素：

5.本技术的目的在于提供一种目标对象识别方法、装置、计算机设备及存储介质，用以提升各对象间的关系识别准确率，进而得到满足于业务需求且精准的目标对象，该方法可应用于推荐领域，即可通过提高数据处理精度和效率，来实现业务内容的精确推荐。
6.第一方面，本技术提供一种目标对象识别方法，包括：
7.获取各个对象的业务行为数据；
8.根据业务行为数据，确定用于分析各个对象之间关系强度的分析变量；
9.根据分析变量，获取各个对象之间的关系强度值；
10.根据关系强度值，识别筛选出满足于预设业务条件的至少一个对象，得到目标对象。
11.在本技术一些实施例中，根据业务行为数据，确定用于分析各个对象之间关系强度的分析变量，包括：根据业务行为数据所属的业务类型，确定用于分析各个对象之间关系强度的影响因素；基于影响因素，统计各个对象的业务完成数量、业务完成时长以及业务完成重量；确定业务完成数量、业务完成时长以及业务完成重量，作为分析变量。
12.在本技术一些实施例中，基于影响因素，统计各个对象的业务完成数量、业务完成时长以及业务完成重量，包括：确定各个对象中的目标节点对象，以及与目标节点对象关联的至少一个源节点对象；基于影响因素，统计源节点对象和目标节点对象各自在预设时段内的第一业务数量，得到业务完成数量；以及统计源节点对象针对于目标节点对象完成业务后的时长最小值和时长最大值，得到业务完成时长；以及统计源节点对象针对于目标节点对象在预设时段内的第二业务数量和业务重量，分别得到业务完成数量和业务完成重量。
13.在本技术一些实施例中，根据分析变量，获取各个对象之间的关系强度值，包括：确定用于调节分析变量的调节因子和调节系数；根据分析变量、调节因子以及调节系数，构建以各个对象作为网络节点的对象关系模型，得到各个对象之间的关系强度值；其中，分析变量包括业务完成数量、业务完成时长以及业务完成重量，调节因子用于调节业务完成时长，调节系数用于调节业务完成数量和业务完成重量。
14.在本技术一些实施例中，关系强度值通过如下公式计算得到：y＝t
×
p；p＝k1log q+k2log w；其中，“y”指代关系强度值；“i
ij”、“i
i”、“i
j”以及“q”指代业务完成数量；“t
1”和“t
2”指代业务完成时长；“w”指代业务完成重量；“γ
1”和“γ
2”指代调节因子；“k
1”和“k
2”指代调节系数；“i”指代源节点对象；“j”指代目标节点对象。
15.在本技术一些实施例中，在根据分析变量、调节因子以及调节系数，构建以各个对象作为网络节点的对象关系模型，得到各个对象之间的关系强度值之后，还包括：将关系强度值进行归一化处理，得到归一化后的关系强度值；基于归一化后的关系强度值，对对象关系模型进行有效性验证，得到有效性验证结果；若有效性验证结果为验证不通过，则更新调节因子和调节系数，以利用更新后的调节因子和更新后的调节系数优化对象关系模型，得到优化后的关系强度值用于识别目标对象。
16.在本技术一些实施例中，根据关系强度值，识别筛选出满足于预设业务条件的至少一个对象，得到目标对象，包括：确定各个对象中的目标节点对象，以及与目标节点对象关联的至少一个源节点对象；以及确定预设业务条件中的关系强度阈值，以及与关系强度阈值关联的筛选范围；其中，筛选范围包括大于关系强度阈值的第一范围、等于关系强度阈值的第二范围以及小于关系强度阈值的第三范围；分析关系强度值，筛选出各源节点对象中满足于关系强度阈值和筛选范围的源节点对象，作为目标节点对象的目标对象。
17.第二方面，本技术提供一种目标对象识别装置，包括：
18.数据获取模块，用于获取各个对象的业务行为数据；
19.变量分析模块，用于根据业务行为数据，确定用于分析各个对象之间关系强度的分析变量；
20.关系获取模块，用于根据分析变量，获取各个对象之间的关系强度值；
21.对象识别模块，用于根据关系强度值，识别筛选出满足于预设业务条件的至少一个对象，得到目标对象。
22.第三方面，本技术还提供一种计算机设备，包括：
23.一个或多个处理器；
24.存储器；以及一个或多个应用程序，其中的一个或多个应用程序被存储于存储器中，并配置为由处理器执行以实现上述目标对象识别方法。
25.第四方面，本技术还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器进行加载，以执行目标对象识别方法中的步骤。
26.第五方面，本技术实施例提供一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得
该计算机设备执行上述第一方面提供的方法。
27.上述目标对象识别方法、装置、计算机设备及存储介质，服务器通过获取各个对象的业务行为数据，进而根据业务行为数据，确定用于分析各个对象之间关系强度的分析变量，即可根据分析变量，获取各个对象之间的关系强度值，最终根据关系强度值，识别筛选出满足于预设业务条件的至少一个对象，得到目标对象。由于本技术提出通过分析对象与对象之间的业务行为数据来找出关键依据，即分析变量以便于快速关联出对象之间的关系强度，再通过分析关系强度识别目标对象，不仅取代了低效率和低精度的人工操作，还能够精准识别目标对象，大大提升了对象间的关系识别准确率。
附图说明
28.为了更清楚地说明本技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域技术人员来讲，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。
29.图1为本技术实施例中提供的目标对象识别方法的场景示意图；
30.图2为本技术实施例中提供的目标对象识别方法的流程示意图；
31.图3是本技术实施例中提供的目标对象识别装置的结构示意图；
32.图4是本技术实施例中提供的计算机设备的结构示意图。
具体实施方式
33.下面将结合本技术实施例中的附图，对本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技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
34.在本技术的描述中，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本技术的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
35.在本技术的描述中，术语“例如”一词用来表示“用作例子、例证或说明”。本技术中被描述为“例如”的任何实施例不一定被解释为比其它实施例更优选或更具优势。为了使本领域任何技术人员能够实现和使用本发明，给出了以下描述。在以下描述中，为了解释的目的而列出了细节。应当明白的是，本领域普通技术人员可以认识到，在不使用这些特定细节的情况下也可以实现本发明。在其它实例中，不会对公知的结构和过程进行详细阐述，以避免不必要的细节使本发明的描述变得晦涩。因此，本发明并非旨在限于所示的实施例，而是与符合本技术所公开的原理和特征的最广范围相一致。
36.在本技术实施例中，本技术实施例提供的目标对象识别方法，可以应用于如图1所示的目标对象识别系统中。其中，该目标对象识别系统包括终端102和服务器104。终端102可以是既包括接收和发射硬件的设备，即具有能够在双向通信链路上，执行双向通信的接收和发射硬件的设备。这种设备可以包括：蜂窝或其他通信设备，其具有单线路显示器或多
线路显示器或没有多线路显示器的蜂窝或其他通信设备。终端102具体可以是台式终端或移动终端，终端102具体还可以是手机、平板电脑、笔记本电脑中的一种。服务器104可以是独立的服务器，也可以是服务器组成的服务器网络或服务器集群，其包括但不限于计算机、网络主机、单个网络服务器、多个网络服务器集或多个服务器构成的云服务器。其中，云服务器由基于云计算(cloud computing)的大量计算机或网络服务器构成。此外，终端102与服务器104之间通过网络建立通信连接，网络具体可以是广域网、局域网、城域网中的任意一种。
37.本领域技术人员可以理解，图1中示出的应用环境，仅仅是适用于本技术方案的一种应用场景，并不构成对本技术方案应用场景的限定，其他的应用环境还可以包括比图1中所示更多或更少的设备。例如，图1中仅示出1个服务器。可以理解的是，该目标对象识别系统还可以包括一个或多个其他设备，具体此处不作限定。另外，该目标对象识别系统还可以包括存储器，用于存储数据，如存储业务行为数据。
38.需要说明的是，图1所示的目标对象识别系统的场景示意图仅仅是一个示例，本发明实施例描述的目标对象识别系统以及场景是为了更加清楚的说明本发明实施例的技术方案，并不构成对于本发明实施例提供的技术方案的限定，本领域普通技术人员可知，随着目标对象识别系统的演变和新业务场景的出现，本发明实施例提供的技术方案对于类似的技术问题，同样适用。
39.参阅图2，本技术实施例提供了一种目标对象识别方法，本实施例主要以该方法应用于上述图1中的服务器104来举例说明，该方法包括步骤s201至s204，具体如下：
40.s201，获取各个对象的业务行为数据。
41.其中，对象可以是包括企业在内的个体或组织等，组织可以是法人组织或非法人组织，具体本技术不做限定。
42.其中，业务行为数据可以是某个对象在其业务场景执行相关任务产生的行为数据。例如，在物流场景中，业务行为数据包括企业或个人的托寄物品类型、托寄物重量、物流费用、寄件时间、收件时间和/或其他信息；又例如，在审计场景中，业务行为数据包括企业的财务收支数据、资产负债信息，各类流程等。
43.具体实现中，服务器104启动目标对象识别任务的第一步，需获取各个对象的业务行为数据，该业务行为数据可以是预存于服务器104本地的，也可以是经由其他设备请求获取的。此外，该业务行为数据可以是自获取得到时即具备后续处理要求的，也可以是经过一定预处理方式处理后得到的，预处理方式包括但不局限于：去重、查错、格式转换等。
44.进一步地，业务行为数据若是经由其他设备请求获取的，则包括但不局限于如下几种方式之一：1、在普通网络结构中，服务器104从终端102或其他建立有网络连接的云设备处接收业务行为数据；2、在预置的区块链网络中，服务器104可从其他终端节点或服务器节点处同步获取业务行为数据，该区块链网络可以是公有链、私有链等；3、在预置的树状结构中，服务器104可从上级服务器请求得到属性信息，或是从下级服务器轮询得到业务行为数据。
45.s202，根据业务行为数据，确定用于分析各个对象之间关系强度的分析变量。
46.其中，关系强度可以是各个对象之间存在业务联系的程度。
47.具体实现中，为了提升各个对象之间的关系识别准确率，精确度量各个关系之间
的关系强度，以便于后续筛选推荐出满足于业务需求的目标对象，本技术实施例提出可通过服务器104分析对象的业务行为数据，首先获取能够用于构建对象关系模型的分析变量，然后利用对象关系模型分析两两对象之间的关系强度。
48.具体而言，分析变量的确定取决于对应业务场景下能够影响关系强度的部分因素(简称“影响因素”)，例如，在物流场景下，影响两两对象之间关系强度的主要有三方面(以“企业”为例)：时间、频率、重量。其中，时间包括企业之间最早建立物流往来的时间、最近一次物流往来时间；频率指企业之间发生物流关系的频次；重量指企业之间物流往来托寄物的重量。这里，本实施例中仅示出了分析变量的确定来源和方向，详细确定步骤将在下文逐步说明。
49.在一个实施例中，本步骤包括：根据业务行为数据所属的业务类型，确定用于分析各个对象之间关系强度的影响因素；基于影响因素，统计各个对象的业务完成数量、业务完成时长以及业务完成重量；确定业务完成数量、业务完成时长以及业务完成重量，作为分析变量。
50.其中，影响因素可以是相关业务场景中能够影响关系强度确定的部分因素，例如，在物流场景中，为了识别出各个对象之间的(物流)关系强度，影响因素可确定为“时间”、“频率”、“重量”，上文已详细说明。
51.具体实现中，本实施例中所述步骤主要针对于物流场景，由于物流场景下的影响因素确定包括时间、频率、重量，因此服务器104可统计各个对象的业务完成数量、业务完成时长以及业务完成重量，构成分析变量作为后续分析依据。其中，业务完成数量、业务完成时长以及业务完成重量均来源于业务行为数据，且均需基于预设时段实现统计，差异仅在于预设时段的长短可能不同。
52.在一个实施例中，基于影响因素，统计各个对象的业务完成数量、业务完成时长以及业务完成重量，包括：确定各个对象中的目标节点对象，以及与目标节点对象关联的至少一个源节点对象；基于影响因素，统计源节点对象和目标节点对象各自在预设时段内的第一业务数量，得到业务完成数量；以及统计源节点对象针对于目标节点对象完成业务后的时长最小值和时长最大值，得到业务完成时长；以及统计源节点对象针对于目标节点对象在预设时段内的第二业务数量和业务重量，分别得到业务完成数量和业务完成重量。
53.其中，目标节点对象和源节点对象是存在业务关联的对象，因源节点对象存在业务输出故称为“源节点”，目标节点对象存在业务输入故称为“目标节点”，其中的“目标节点”是相对于“源节点”的，即在由源节点对象和目标节点对象组成的节点网络中，源节点对象与其关联的目标节点对象之间的连线可以是从“源节点对象”指向“目标节点对象”的箭头。例如，在物流场景中，“源节点对象”可以是寄件企业，而“目标节点对象”可以是收件企业。
54.其中，预设时段可以是根据实际业务需求设置的任意周期时段，例如，预设时段可以是1个月、6个月、12个月等，也可以是1天、3天、5天等。
55.具体实现中，若目标节点对象表示为“j”，而源节点对象表示为“i”，则第一业务数量包括：ii和ij，“i
i”表示源节点对象在预设时段内的寄件运单数，“i
j”表示目标节点对象在预设时段内的收件运单数。业务完成时长包括时长最小值和时长最大值：t1和t2，“t
1”表示源节点对象针对于目标节点对象的最早寄件时间距今时长(即“时长最大值”)，“t
2”表示
源节点对象针对于目标节点对象的最晚寄件时间距今时长(即“时长最小值”)。第二业务数量包括：i
ij
和q，“i
ij”表示源节点对象针对于目标节点对象在预设时段内的寄件运单数，“q”表示源节点对象针对于目标节点对象近12个月的寄件运单数，其等同于“i
ij”，只是所选取的时段不同。业务完成重量包括业务重量：w，“w”表示源节点对象针对于目标节点对象在预设时段内的寄件总重量。
56.s203，根据分析变量，获取各个对象之间的关系强度值。
57.其中，关系强度值可以是度量各个对象之间关系强度的数值，关系强度是指业务来往的程度。
58.具体实现中，服务器104在解析得到用于分析各个对象之间关系强度的分析变量之后，为了进一步提高对象关系的识别准确率，可进一步确定用于调优分析变量的其他信息，包括：调节因子和调节系数。由此，服务器104可结合分析变量、调节因子以及调节系数，获取各个对象之间的关系强度值。
59.在一个实施例中，本步骤包括：确定用于调节分析变量的调节因子和调节系数；根据分析变量、调节因子以及调节系数，构建以各个对象作为网络节点的对象关系模型，得到各个对象之间的关系强度值；其中，分析变量包括业务完成数量、业务完成时长以及业务完成重量，调节因子用于调节业务完成时长，调节系数用于调节业务完成数量和业务完成重量。
60.具体实现中，服务器104调节因子和调节系数的作用均是用于调节分析变量，而最终作用是构建以各个对象作为网络节点的对象关系模型，该模型不仅可在构建之后分析出各个对象之间的关系强度值，还可在后续业务应用中直接使用，仅需对相关不稳定参数进行调节，具体将在后续实施例中详细说明。
61.具体而言，调节因子主要用于调节业务完成时长“t
1”和“t
2”在不同区间对整个模型的影响程度。调节因子包括：γ1、γ2，“γ
1”用来调节“t
1”在不同区间段对整个模型的影响程度，“t
1”的值越大，“γ
1”的赋值更大；“γ
2”用来调节“t
2”在不同区间段对整个模型的影响程度，“t
2”的值越大，“γ
2”的赋值更小。
62.进一步地，确定“t
1”和“t
2”的分群规则，分别将所有评估目标的“t
1”和“t
2”按照一定规则进行分群，比如：等距分群或等比分群。其中，以等距分群为例，如果有100个“t
1”的时间，可以按照每2年划分一个群，即：(0，2]，(2，4]，(4，6]，以此类推。
63.更进一步地，确定“γ
1”和“γ
2”的赋值规则，为了鼓励“t
1”对关系强度的贡献度，“t
1”越大，“γ
1”的赋值更大；为了削弱“t
2”的贡献度，“t
2”越大，“γ
2”的赋值更小。赋值同样可按照一定规律进行赋值，比如：等距分群或等比分群。
64.最后，调节系数主要是用于调节第二业务数量“q”、业务完成重量“w”在整个模型中的权重。调节系数包括：k1、k2，“k
1”用来调节“q”的权重；“k
2”用来调节“w”的权重。本实施例中涉及的调节步骤将在下文详细说明。
65.在一个实施例中，关系强度值通过如下公式计算得到：y＝t
×
p；p＝k1log q+k2log w；其中，“y”指代关系强度值；“i
ij”、“i
i”、“i
j”以及“q”指代业务完成数量；“t
1”和“t
2”指代业务完成时长；“w”指代业务完成重量；“γ
1”和“γ
2”指代调节因子；“k
1”和“k
2”指代调节系数；“i”指代源节点对象；“j”指代目
标节点对象。
66.具体实现中，影响两两对象之间关系强度的主要有三方面(以“企业”为例)：时间、频率、重量。本技术实施例提出在物流场景中通过获取上述分析变量，来进行对象关系识别，原因如下：
67.(1)从运单数量占比上看，目标节点对源节点的影响程度。通常来说，某一源节点企业的“i
ij”在“i
i”中占比越大，表明“i
ij”中的目标节点企业对该源节点企业的影响力越大，关系强度值也更大；同理，该源节点企业“i
ij”在“i
j”中占比越大，表明“i
ij”中的目标节点企业对该源节点企业的影响力越大，关系强度值也更大，因此将作为模型的组成部分；
68.(2)从企业间寄收件时长和频率上看，目标节点对源节点的影响程度。当“t
1”值越大，说明两企业之间建立关系的时间越早，两者关系强度值也更大；同理，当“t
2”值越小，说明两企业之间最近联系的时间更新，两者关系强度值也更大；因此将“t
1”和“t
2”引入模型中；而在上述步骤中，我们已经描述了如何利用调节因子来调节“t
1”和“t
2”对整个模型的影响程度，所以最终将“γ1t
1”和“γ2t
2”作为模型的组成部分；
69.(3)从企业间运单的重量和数量上看，目标节点对源节点的影响程度。当“q”和“w”越大，说明目标节点企业对该源节点企业的影响力越大，关系强度值也更大，因此将“q”和“w”引入模型中。但在实际情况中，“q”和“w”的数值分布非常广，数值差异极大，因此我们将通过取对数的方法，缩小数据的绝对数值，使数据更加平稳，削弱模型的共线性、异方差性，所以最终将“log
2 q”和“log
2 w”作为模型的组成部分。
70.在一个实施例中，在根据分析变量、调节因子以及调节系数，构建以各个对象作为网络节点的对象关系模型，得到各个对象之间的关系强度值之后，还包括：将关系强度值进行归一化处理，得到归一化后的关系强度值；基于归一化后的关系强度值，对对象关系模型进行有效性验证，得到有效性验证结果；若有效性验证结果为验证不通过，则更新调节因子和调节系数，以利用更新后的调节因子和更新后的调节系数优化对象关系模型，得到优化后的关系强度值用于识别目标对象。
71.具体实现中，通过上述实施例交代的步骤，我们已初步得到两两企业间关系强度的结果，但为避免结果值之间数量级相差过大，导致后续使用过程中大数的变化会掩盖掉小数的变化，本技术实施例提出对模型结果进行归一化，使最终输出的关系强度值在一定范围内。其中，常见的归一化处理方法有两种：一是把数变为(0，1)之间的小数，二是把有量纲表达式变为无量纲表达式。
72.s204，根据关系强度值，识别筛选出满足于预设业务条件的至少一个对象，得到目标对象。
73.其中，预设业务条件可以是依据业务需求预设的对象筛选条件，该预设业务条件的内容可以是一个或多个取值范围，取值范围可以是数值区间，也可以是由端点数值加取值符号“＞”、“＜”或者是“＝”构成的范围描述，具体本技术不做限定。
74.具体实现中，服务器104分析得到某两个对象或多个对象之间的关系强度值，例如，目标节点对象“a”与源节点对象“b1”、“b2”以及“b3”之间的关系强度值分别是：0.8、0.5、0.4，之后服务器104可基于预设业务条件从中进行筛选，即识别筛选出满足于预设业
务条件的目标关系强度值，即可将目标关系强度值对应的对象作为该目标节点对象“a”的目标对象。
75.在一个实施例中，本步骤包括：确定各个对象中的目标节点对象，以及与目标节点对象关联的至少一个源节点对象；以及确定预设业务条件中的关系强度阈值，以及与关系强度阈值关联的筛选范围；其中，筛选范围包括大于关系强度阈值的第一范围、等于关系强度阈值的第二范围以及小于关系强度阈值的第三范围；分析关系强度值，筛选出各源节点对象中满足于关系强度阈值和筛选范围的源节点对象，作为目标节点对象的目标对象。
76.其中，关系强度阈值可以是上一实施例所述的端点数值，例如，关系强度阈值为0.9或其他数值，具体本技术不做限定；筛选范围包括大于关系强度阈值(如0.9)的第一范围(如0.9～∞)、等于关系强度阈值的第二范围(如0.9)以及小于关系强度阈值的第三范围(如∞～0.9)。
77.具体实现中，服务器104分析得到与目标节点对象关联的各个源节点对象的关系强度值之后，可基于预设业务条件筛选关系强度值，即可筛选出满足于预设业务条件的关系强度值为目标关系强度值，最终得到该目标节点对象的目标对象，而目标对象可推荐至终端102展示，也可推荐至目标节点对象所在的服务器，以供其针对目标对象进行其他操作。
78.需要说明的是，本技术实施例提出的目标对象识别方法，可以根据不同应用场景需求快速找到特定的目标群体，例如可以满足于推荐领域相关的风险控制需求、智能化管控需求等。
79.上述实施例中的目标对象识别方法，服务器通过获取各个对象的业务行为数据，进而根据业务行为数据，确定用于分析各个对象之间关系强度的分析变量，即可根据分析变量，获取各个对象之间的关系强度值，最终根据关系强度值，识别筛选出满足于预设业务条件的至少一个对象，得到目标对象。由于本技术提出通过分析对象与对象之间的业务行为数据来找出关键依据，即分析变量以便于快速关联出对象之间的关系强度，再通过构建模型分析关系强度识别目标对象，不仅取代了低效率和低精度的人工操作，还能够精准识别目标对象，大大提升了对象间的关系识别准确率。
80.应该理解的是，虽然图2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，图2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，这些子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的子步骤或者阶段的至少一部分轮流或者交替地执行。
81.为了更好实施本技术实施例提供的目标对象识别方法，在本技术实施例所提出的目标对象识别方法的基础之上，本技术实施例中还提供了一种目标对象识别装置，如图3所示，该目标对象识别装置300包括：
82.数据获取模块310，用于获取各个对象的业务行为数据；
83.变量分析模块320，用于根据业务行为数据，确定用于分析各个对象之间关系强度的分析变量；
84.关系获取模块330，用于根据分析变量，获取各个对象之间的关系强度值；
85.对象识别模块340，用于根据关系强度值，识别筛选出满足于预设业务条件的至少一个对象，得到目标对象。
86.在一个实施例中，变量分析模块320还用于根据业务行为数据所属的业务类型，确定用于分析各个对象之间关系强度的影响因素；基于影响因素，统计各个对象的业务完成数量、业务完成时长以及业务完成重量；确定业务完成数量、业务完成时长以及业务完成重量，作为分析变量。
87.在一个实施例中，变量分析模块320还用于确定各个对象中的目标节点对象，以及与目标节点对象关联的至少一个源节点对象；基于影响因素，统计源节点对象和目标节点对象各自在预设时段内的第一业务数量，得到业务完成数量；以及统计源节点对象针对于目标节点对象完成业务后的时长最小值和时长最大值，得到业务完成时长；以及统计源节点对象针对于目标节点对象在预设时段内的第二业务数量和业务重量，分别得到业务完成数量和业务完成重量。
88.在一个实施例中，关系获取模块330还用于确定用于调节分析变量的调节因子和调节系数；根据分析变量、调节因子以及调节系数，构建以各个对象作为网络节点的对象关系模型，得到各个对象之间的关系强度值；其中，分析变量包括业务完成数量、业务完成时长以及业务完成重量，调节因子用于调节业务完成时长，调节系数用于调节业务完成数量和业务完成重量。
89.在一个实施例中，关系强度值通过如下公式计算得到：y＝t
×
p；p＝k1log q+k2log w；其中，“y”指代关系强度值；“i
ij”、“i
i”、“i
j”以及“q”指代业务完成数量；“t
1”和“t
2”指代业务完成时长；“w”指代业务完成重量；“γ
1”和“γ
2”指代调节因子；“k
1”和“k
2”指代调节系数；“i”指代源节点对象；“j”指代目标节点对象。
90.在一个实施例中，目标对象识别装置300还包括模型优化模块，用于将关系强度值进行归一化处理，得到归一化后的关系强度值；基于归一化后的关系强度值，对对象关系模型进行有效性验证，得到有效性验证结果；若有效性验证结果为验证不通过，则更新调节因子和调节系数，以利用更新后的调节因子和更新后的调节系数优化对象关系模型，得到优化后的关系强度值用于识别目标对象。
91.在一个实施例中，对象识别模块340还用于确定各个对象中的目标节点对象，以及与目标节点对象关联的至少一个源节点对象；以及确定预设业务条件中的关系强度阈值，以及与关系强度阈值关联的筛选范围；其中，筛选范围包括大于关系强度阈值的第一范围、等于关系强度阈值的第二范围以及小于关系强度阈值的第三范围；分析关系强度值，筛选出各源节点对象中满足于关系强度阈值和筛选范围的源节点对象，作为目标节点对象的目标对象。
92.上述实施例中，通过分析对象与对象之间的业务行为数据来找出关键依据，即分析变量以便于快速关联出对象之间的关系强度，再通过分析关系强度识别目标对象，不仅取代了低效率和低精度的人工操作，还能够精准识别目标对象，大大提升了对象间的关系识别准确率。
93.需要说明的是，关于目标对象识别装置的具体限定可以参见上文中对于目标对象
识别方法的限定，在此不再赘述。上述目标对象识别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电子设备中的处理器中，也可以以软件形式存储于电子设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
94.在本技术一些实施例中，目标对象识别装置300可以实现为一种计算机程序的形式，计算机程序可在如图4所示的计算机设备上运行。计算机设备的存储器中可存储组成该目标对象识别装置300的各个程序模块，比如，图3所示的数据获取模块310、变量分析模块320、关系获取模块330以及对象识别模块340；各个程序模块构成的计算机程序使得处理器执行本说明书中描述的本技术各个实施例的目标对象识别方法中的步骤。例如，图4所示的计算机设备可以通过如图3所示的目标对象识别装置300中的数据获取模块310执行步骤s201。计算机设备可通过变量分析模块320执行步骤s202。计算机设备可通过关系获取模块330执行步骤s203。计算机设备可通过对象识别模块340执行步骤s204。其中，该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。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系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的计算机设备通过网络连接通信。该计算机程序被处理器执行时以实现一种目标对象识别方法。
95.本领域技术人员可以理解，图4中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术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。
96.在本技术一些实施例中，提供了一种计算机设备，包括一个或多个处理器；存储器；以及一个或多个应用程序，其中的一个或多个应用程序被存储于存储器中，并配置为由处理器执行上述目标对象识别方法的步骤。此处目标对象识别方法的步骤可以是上述各个实施例的目标对象识别方法中的步骤。
97.在本技术一些实施例中，提供了一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器进行加载，使得处理器执行上述目标对象识别方法的步骤。此处目标对象识别方法的步骤可以是上述各个实施例的目标对象识别方法中的步骤。
98.本邻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。本技术所提供的各实施例中所使用的对存储器、存储、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-only memory，rom)、磁带、软盘、闪存或光存储器等。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。作为说明而非局限，ram可以是多种形式，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 random access memory，dram)等。
99.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。
100.以上对本技术实施例提供的一种目标对象识别方法、装置、计算机设备及存储介质进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

技术特征：
1.一种目标对象识别方法，其特征在于，包括：获取各个对象的业务行为数据；根据所述业务行为数据，确定用于分析各个对象之间关系强度的分析变量；根据所述分析变量，获取各个对象之间的关系强度值；根据所述关系强度值，识别筛选出满足于预设业务条件的至少一个对象，得到目标对象。2.如权利要求1所述的方法，其特征在于，所述根据所述业务行为数据，确定用于分析各个对象之间关系强度的分析变量，包括：根据所述业务行为数据所属的业务类型，确定用于分析各个对象之间关系强度的影响因素；基于所述影响因素，统计各个对象的业务完成数量、业务完成时长以及业务完成重量；确定所述业务完成数量、所述业务完成时长以及所述业务完成重量，作为所述分析变量。3.如权利要求2所述的方法，其特征在于，所述基于所述影响因素，统计各个对象的业务完成数量、业务完成时长以及业务完成重量，包括：确定各个对象中的目标节点对象，以及与所述目标节点对象关联的至少一个源节点对象；基于所述影响因素，统计所述源节点对象和所述目标节点对象各自在预设时段内的第一业务数量，得到所述业务完成数量；以及统计所述源节点对象针对于所述目标节点对象完成业务后的时长最小值和时长最大值，得到所述业务完成时长；以及统计所述源节点对象针对于所述目标节点对象在预设时段内的第二业务数量和业务重量，分别得到所述业务完成数量和所述业务完成重量。4.如权利要求1所述的方法，其特征在于，所述根据所述分析变量，获取各个对象之间的关系强度值，包括：确定用于调节所述分析变量的调节因子和调节系数；根据所述分析变量、所述调节因子以及所述调节系数，构建以各个对象作为网络节点的对象关系模型，得到各个对象之间的关系强度值；其中，所述分析变量包括业务完成数量、业务完成时长以及业务完成重量，所述调节因子用于调节所述业务完成时长，所述调节系数用于调节所述业务完成数量和所述业务完成重量。5.如权利要求4所述的方法，其特征在于，所述关系强度值通过如下公式计算得到：y＝t
×
p；p＝k1log q+k2log w；其中，“y”指代所述关系强度值；“i
ij”、“i
i”、“i
j”以及“q”指代所述业务完成数量；“t
1”和“t
2”指代所述业务完成时长；“w”指代所述业务完成重量；“γ
1”和“γ
2”指代所述调节因子；“k
1”和“k
2”指代所述调节系数；“i”指代源节点对象；“j”指代目标节点对象。6.如权利要求4所述的方法，其特征在于，在所述根据所述分析变量、所述调节因子以
及所述调节系数，构建以各个对象作为网络节点的对象关系模型，得到各个对象之间的关系强度值之后，还包括：将所述关系强度值进行归一化处理，得到归一化后的关系强度值；基于所述归一化后的关系强度值，对所述对象关系模型进行有效性验证，得到有效性验证结果；若所述有效性验证结果为验证不通过，则更新所述调节因子和所述调节系数，以利用更新后的调节因子和更新后的调节系数优化所述对象关系模型，得到优化后的关系强度值用于识别目标对象。7.如权利要求1所述的方法，其特征在于，所述根据所述关系强度值，识别筛选出满足于预设业务条件的至少一个对象，得到目标对象，包括：确定各个对象中的目标节点对象，以及与所述目标节点对象关联的至少一个源节点对象；以及确定所述预设业务条件中的关系强度阈值，以及与所述关系强度阈值关联的筛选范围；其中，所述筛选范围包括大于所述关系强度阈值的第一范围、等于所述关系强度阈值的第二范围以及小于所述关系强度阈值的第三范围；分析所述关系强度值，筛选出各所述源节点对象中满足于所述关系强度阈值和所述筛选范围的源节点对象，作为所述目标节点对象的目标对象。8.一种目标对象识别装置，其特征在于，包括：数据获取模块，用于获取各个对象的业务行为数据；变量分析模块，用于根据所述业务行为数据，确定用于分析各个对象之间关系强度的分析变量；关系获取模块，用于根据所述分析变量，获取各个对象之间的关系强度值；对象识别模块，用于根据所述关系强度值，识别筛选出满足于预设业务条件的至少一个对象，得到目标对象。9.一种计算机设备，其特征在于，所述计算机设备包括：一个或多个处理器；存储器；以及一个或多个应用程序，其中所述一个或多个应用程序被存储于所述存储器中，并配置为由所述处理器执行以实现权利要求1至7中任一项所述的目标对象识别方法。10.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，所述计算机程序被处理器进行加载，以执行权利要求1至7任一项所述的目标对象识别方法中的步骤。

技术总结
本申请提供一种目标对象识别方法、装置、计算机设备及存储介质，方法包括：获取各个对象的业务行为数据；根据业务行为数据，确定用于分析各个对象之间关系强度的分析变量；根据分析变量，获取各个对象之间的关系强度值；根据关系强度值，识别筛选出满足于预设业务条件的至少一个对象，得到目标对象。采用本方法能够提升各对象间的关系识别准确率。够提升各对象间的关系识别准确率。够提升各对象间的关系识别准确率。


技术研发人员：赵丽娟 匡荣杰 宋晓丽 朱江萍 林永森 左旭华
受保护的技术使用者：顺丰数科（深圳）技术服务有限公司
技术研发日：2022.03.04
技术公布日：2023/9/14