基于量子K-means算法的客户细分方法和系统与流程

基于量子k
‑
means算法的客户细分方法和系统
技术领域
1.本发明涉及量子金融领域，尤其基于量子k
‑
means算法的客户细分方法和系统。


背景技术：

2.帕累托法则又叫做二八法则，在经济领域发挥着重要作用，该思想认为，任何情况下，影响事务结果的主要因素只有一小部分。大量研究发现，为企业带来80％利润的是仅占20％的客户。由于金融市场各行业开发新用户的成本远高于保留客户的成本，市场化使得各企业的产品与服务相似度越来越高，企业发展空间受到限制。竞争随之发生转变，维护企业与客户之间的关系，对不同客户进行根据其特质分层，优化企业对不同类型客户的资源配置，实现企业收益最大化是企业为追求长期稳固发展的根本需求。
3.传统统计方法对人力物力资源的耗费相对巨大，并且统计结果会由于各种外在因素，存在一定的误差。从现有数据库中调取的客户行为数据，相比传统调查统计方法，信息成本更低，可信度更高。机器学习算法使用的数据量相对较大，规避了统计方法带来的问题，但是数据量过大同样会产生一些问题，计算时间消耗大，计算资源消耗高，都是现有算法的通病。
4.区分不同价值的客户对企业的核心发展至关重要，常见细分方法一般可分为事前细分和事后细分，事后客户细分的具体方法一般是聚类分析，随后针对得到的类别分析该类的价值。同时，现有客户细分方法是割裂的实证方法，无法将各类学科的共性规律串联起来。使用聚类分析算法处理客户信息之前，由于数据结构复杂，通常会选择一定的方法对数据进行预处理，如主成分分析等。数据预处理确实能带来一定的计算收益，但是处理后的数据丧失原本数据间隐含的关系，数据信息的完整度降低。经典k
‑
means算法思想简单、容易实现，但是由于其计算特性，需要通过反复迭代计算实现聚类。在面对复杂大量的计算环境时，其计算复杂度会随着数据量的增长而剧烈增长，所以通常k
‑
means算法不适用于数据量大的聚类问题。量子计算基于量子的基本特性，具有强大的并行计算能力以及更高的数据容纳的能力，在处理大数据时，量子计算的表现将远超经典计算机的运算处理能力。量子k
‑
means算法就是基于量子计算理论的k
‑
means算法，能够有效提高k
‑
means算法的计算效率，同时降低空间复杂度。
5.因此，为有效解决企业面对大数据环境下处理客户信息慢、效率低、能耗大的问题，提供一种基于量子k
‑
means算法的客户细分方法和系统，为实现客户细分以系统整体的方式来分析研究提供了可能，更完整严谨地刻画客户形象，属于本领域亟待解决的问题。


技术实现要素：

6.本发明的目的在于克服现有技术的不足，提供基于量子k
‑
means算法的客户细分方法和系统。
7.本发明的目的是通过以下技术方案来实现的：
8.本发明的第一方面，提供基于量子k
‑
means算法的客户细分方法，包括：
9.确定细分角度即特征数量d，获取客户行为数据集d；
10.根据客户行为数据集d中的样本x
m
的特征值，将样本x
m
转化为量子态|x
m
>表示；并根据选择的k个聚类中心c
i
的特征值，将聚类中心c转化为量子态|c>表示；
11.将客户行为数据与聚类中心通过量子计算，输出各数据与聚类中心之间的相似度，即计算量子态|x
m
>和|c>的相似度，将相似度存在量子态|a
m
>中；
12.查找量子态|a
m
>中数据样本|x
m
>与聚类中心|c
i
>的最小值，从而找到与样本x
m
最近的聚类中心c
j
。
13.进一步地，所述获取客户行为数据集d，包括：
14.数据抽取：从数据库中抽取需要的数据；
15.数据清洗：检查所有变量的缺失值、未知值、无效值或有效值；之后根据变量分布特征以及实际需求，采取相应的规则更新缺失值、未知值、无效值，使之有效；
16.数据转换：将不同类型的数据转换为量子k
‑
means算法能够使用量子态的类型。
17.进一步地，所述根据客户行为数据集d中的样本x
m
的特征值，将样本x
m
转化为量子态|x
m
>表示，转化公式为：
[0018][0019]
式中，x
mj
表示第m个样本x
m
的第j个特征；
[0020]
所述根据选择的k个聚类中心c
i
的特征值，将聚类中心c转化为量子态|c>表示，转化公式为：
[0021][0022]
式中，c
ij
表示第i个聚类中心c的第j个特征。
[0023]
进一步地，所述将客户行为数据与聚类中心通过量子计算，输出各数据与聚类中心之间的相似度，即计算量子态|x
m
>和|c>的相似度，将相似度存在量子态|α
m
〉中，包括：
[0024]
控制交换门计算相似度结果|ψ〉，公式为：
[0025][0026]
式中，n表示样本x
m
的数量，s(x
m
，c
i
)表示x
m
与c
i
的相似度；
[0027]
量子态|ψ>作为相位估计算法的输入，相位估计算法的输出为||c
i
‑
x
m
|>，这是数据样本|x
m
>与聚类中心|c>之间的相似度，将其存在量子态|α
m
>中，公式为：
[0028][0029]
进一步地，所述查找量子态|α
m
>中数据样本|x
m
>与聚类中心|c
i
>的最小值，从而找到与样本x
m
最近的聚类中心c
j
，包括：
[0030]
随机选取一个聚类中心c
i
作为初始值，然后重复以下步骤次，这里通过不断的
迭代查找|a
m
>中的最小值:
[0031]
制备聚类中心初始值c
i
的量子态为|β>；
[0032]
将|α
m
>、|β>作为输入，|b>作为控制输入，利用grover算法查找到c'
j
，其中c'
j
表示临时聚类中心；
[0033]
若|c'
j
‑
x
m
|＜|c
j
‑
x
m
|，则用c'
j
替换c
j
。
[0034]
本发明的第二方面，提供基于量子k
‑
means算法的客户细分系统，包括：
[0035]
角度细分模块：用于确定细分角度即特征数量d，获取客户行为数据集d；
[0036]
量子态转换模块：用于根据客户行为数据集d中的样本x
m
的特征值，将样本x
m
转化为量子态|x
m
>表示；并根据选择的k个聚类中心c
i
的特征值，将聚类中心c转化为量子态|c>表示；
[0037]
相似度计算模块：用于将客户行为数据与聚类中心通过量子计算，输出各数据与聚类中心之间的相似度，即计算量子态|x
m
>和|c>的相似度，将相似度存在量子态|α
m
>中；
[0038]
聚类中心查找模块：用于查找量子态|α
m
>中数据样本|x
m
>与聚类中心|c
i
>的最小值，从而找到与样本x
m
最近的聚类中心c
j
。
[0039]
进一步地，所述获取客户行为数据集d，包括：
[0040]
数据抽取子模块：从数据库中抽取需要的数据；
[0041]
数据清洗子模块：检查所有变量的缺失值、未知值、无效值或有效值；之后根据变量分布特征以及实际需求，采取相应的规则更新缺失值、未知值、无效值，使之有效；
[0042]
数据转换子模块：将不同类型的数据转换为量子k
‑
means算法能够使用量子态的类型。
[0043]
进一步地，所述根据客户行为数据集d中的样本x
m
的特征值，将样本x
m
转化为量子态|x
m
>表示，转化公式为：
[0044][0045]
式中，x
mj
表示第m个样本x
m
的第j个特征；
[0046]
所述根据选择的k个聚类中心c
i
的特征值，将聚类中心c转化为量子态|c>表示，转化公式为：
[0047][0048]
式中，c
ij
表示第i个聚类中心c的第j个特征。
[0049]
进一步地，所述相似度计算模块包括：
[0050]
控制交换门计算相似度结果|ψ>，公式为：
[0051][0052]
式中，n表示样本x
m
的数量，s(x
m
，c
i
)表示x
m
与c
i
的相似度；
[0053]
量子态|ψ>作为相位估计算法的输入，相位估计算法的输出为||c
i
‑
x
m
|>，这是数据样本|x
m
>与聚类中心|c>之间的相似度，将其存在量子态|α
m
>中，公式为：
[0054][0055]
进一步地，所述聚类中心查找模块，包括：
[0056]
随机选取一个聚类中心c
i
作为初始值，然后重复以下步骤次，这里通过不断的迭代查找|α
m
>中的最小值:
[0057]
制备聚类中心初始值c
i
的量子态为|β>；
[0058]
将|α
m
>、|β>作为输入，|b>作为控制输入，利用grover算法查找到c'
j
，其中c'
j
表示临时聚类中心；
[0059]
若|c'
j
‑
x
m
|＜|c
j
‑
x
m
|，则用c'
j
替换c
j
。
[0060]
本发明的第三方面，提供一种存储介质，其上存储有计算机指令，所述计算机指令运行时执行所述的量子隐马尔可夫模型求解欺诈检测的方法的步骤。
[0061]
本发明的第四方面，提供一种终端，包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的计算机指令，所述处理器运行所述计算机指令时执行所述的量子隐马尔可夫模型求解欺诈检测的方法的步骤。
[0062]
本发明的有益效果是：
[0063]
(1)在本发明的一示例性实施例中，传统客户细分实现需要首先对数据进行处理，这种方法虽然取得计算收益，但却是以损失数据完整为代价的，而本示例性实施例中的基于量子k
‑
means算法的客户细分方法将输入数据规范化再进行输入，并没有破坏数据关系，可以帮助企业实现深度分析客户，同时量子计算带来的计算加速、计算精准、计算节能，同样是企业期待的。
[0064]
本发明的系统、存储介质和终端的示例性实施例也具有相同的优点。
[0065]
(2)在本发明的又一示例性实施例中，获得客户数据，根据企业需求从企业内部已有数据库或授权数据库中抽取需要的数据作为训练数据集。获得的数据需要进行规范，方便模型处理。但是该规范步骤不会破坏数据关系。
[0066]
(3)在本发明的又一示例性实施例中，公开了后续步骤的具体实施方式。
附图说明
[0067]
图1为本发明一示例性实施例提供的发明流程图。
具体实施方式
[0068]
下面结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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他实施例，都属于本发明保护的范围。
[0069]
在本发明的描述中，需要说明的是，属于“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方向或位置关系为基于附图所述的方向或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
[0070]
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，属于“安装”、“相
连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
[0071]
在本技术使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本技术。在本技术和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
[0072]
应当理解，尽管在本技术可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本技术范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在
……
时”或“当
……
时”或“响应于确定”。此外，属于“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。
[0073]
此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
[0074]
现有客户细分方法是割裂的实证方法，无法将各类学科的共性规律串联起来。使用聚类分析算法处理客户信息之前，由于数据结构复杂，通常会选择一定的方法对数据进行预处理，如主成分分析等。数据预处理确实能带来一定的计算收益，但是处理后的数据丧失原本数据间隐含的关系，数据信息的完整度降低。经典k
‑
means算法思想简单、容易实现，但是由于其计算特性，需要通过反复迭代计算实现聚类。在面对复杂大量的计算环境时，其计算复杂度会随着数据量的增长而剧烈增长，所以通常k
‑
means算法不适用于数据量大的聚类问题。量子计算基于量子的基本特性，具有强大的并行计算能力以及更高的数据容纳的能力，在处理大数据时，量子计算的表现将远超经典计算机的运算处理能力。量子k
‑
means算法就是基于量子计算理论的k
‑
means算法，能够有效提高k
‑
means算法的计算效率，同时降低空间复杂度。
[0075]
客户细分方法，客户细分的本质实际是企业通过已有客户信息数据集d，使用一定的细分标准m，将数据集d分为一定数额的子类y
i
，其中i≥2，表示子类的个数，也就是分类客户群体的个数。具体来说就是，将含有n个样本的客户信息数据集d＝(d1，d2，...，d
n
)，划分为k个组y＝(y1，y2，...，y
k
)。同时，要求每个子类y
i
非空，每个样本最终只能属于一个类别。下述示例性实施例以电网背景下基于客户行为进行客户细分，其它领域的可以使用的也能进行相应操作，在此不进行限定。
[0076]
参见图1，图1示出了本发明的一示例性实施例提供的基于量子k
‑
means算法的客户细分方法，包括：
[0077]
确定细分角度即特征数量d，获取客户行为数据集d；
[0078]
根据客户行为数据集d中的样本x
m
的特征值，将样本x
m
转化为量子态|x
m
>表示；并根据选择的k个聚类中心c
i
的特征值，将聚类中心c转化为量子态|c>表示；
[0079]
将客户行为数据与聚类中心通过量子计算，输出各数据与聚类中心之间的相似度，即计算量子态|x
m
>和|c>的相似度，将相似度存在量子态|α
m
>中；
[0080]
查找量子态|α
m
>中数据样本|x
m
>与聚类中心|c
i
>的最小值，从而找到与样本x
m
最近的聚类中心c
j
。
[0081]
其中，细分角度的确定可以使企业按照某种标准，根据自己的需求将客户划分为若干群体。常见的细分角度包括：地理细分、人口细分、心理细分、行为细分等。本发明示例性实施例选择的细分角度为行为细分，即客户行为，细分角度的确定决定了使用的数据集为客户行为数据集。确定使用的数据集中数据特征的数量为d。
[0082]
而聚类中心个数为分类个数，聚类中心附近样本为一类。
[0083]
本发明基于量子机器学习算法提出了一种基于量子k
‑
means算法的客户细分方法，传统客户细分实现需要首先对数据进行处理，这种方法虽然取得计算收益，但却是以损失数据完整为代价的，而本示例性实施例中的基于量子k
‑
means算法的客户细分方法将输入数据规范化再进行输入，并没有破坏数据关系，可以帮助企业实现深度分析客户，同时量子计算带来的计算加速、计算精准、计算节能，同样是企业期待的。
[0084]
下述示例性实施例将对各个步骤进行详细阐述。
[0085]
更优地，在一示例性实施例中，所述获取客户行为数据集d，包括：
[0086]
数据抽取：从数据库中抽取需要的数据；
[0087]
数据清洗：检查所有变量的缺失值、未知值、无效值或有效值；之后根据变量分布特征以及实际需求，采取相应的规则更新缺失值、未知值、无效值，使之有效；该内容防止异常数据对聚类处理产生不良影响。
[0088]
数据转换：将不同类型的数据(格式、类型、分布不同)转换为量子k
‑
means算法能够使用量子态的类型。
[0089]
具体地，在该示例性实施例中，为了获得客户数据，根据企业需求从企业内部已有数据库或授权数据库中抽取需要的数据作为训练数据集。获得的数据需要进行规范，方便模型处理。
[0090]
之后，在获得客户数据之后，需要确定细分角度，细分角度的不同决定数据分析产生的结果。本示例性实施例是从电网客户行为着手分析，研究分群后的客户群的特征。电网客户行为数据包括日负荷情况、夏/冬季用电量、负荷因数、缴费类型、咨询热线次数、网上登录次数、业务办理等其他偏好。
[0091]
再之后，选择一定的聚类分析方法，选取不同的聚类中心，获取客户细分类别。初始选择的聚类中心根据因子分析法对电网客户行为数据进行筛选也可以根据经验选择，但根据经验选择的聚类中心一般具有主观性，聚类结果不够科学客观。本示例性实施例使用因子分析法产生聚类中心，使用筛选后的变量作为聚类中心，让算法尽快收敛。本示例性实施例使用的细分方法为量子k
‑
means算法，具体步骤如下：
[0092]
(1)量子态制备，将电网客户行为数据集d规范化之后，进行归一化处理，数据集d中的n个样本x
m
存在d个特征，每个样本中的每个特征用x
mj
表示；聚类中心用c表示，存在k个聚类中心，c＝{c1，c2，...，c
k
}，每个聚类中心用c
i
表示。电网客户行为数据作为量子k
‑
means算法的输入，用量子态|x
m
>表示，选择的聚类中心用量子态|c>表示。例如，x
0j
表示第0个数据点的第j个特征值；c
ij
表示第i个聚类中心的第j个特征值。这部分主要实现经典数据到量子态的转化。
[0093]
更优地，在一示例性实施例中，所述根据客户行为数据集d中的样本x
m
的特征值，
将样本x
m
转化为量子态|x
m
>表示，转化公式为：
[0094][0095]
式中，x
mj
表示第m个样本x
m
的第j个特征；
[0096]
所述根据选择的k个聚类中心c
i
的特征值，将聚类中心c转化为量子态|c>表示，转化公式为：
[0097][0098]
式中，c
ij
表示第i个聚类中心c的第j个特征。
[0099]
(2)计算电网客户行为数据样本与聚类中心的相似度，即计算量子态|x
m
>和|c>之间的相似度，利用相位估计算法将数据样本与聚类中心的相似度存储在量子比特中，这里计算相似度使用控制交换门(control
‑
swap gate)。控制交换门计算得到的结果|ψ>通过相位估计算法，得到||c
i
‑
x
m
|>，这是数据样本|x
m
>与聚类中心|c>之间的相似度，将其存在量子态|α
m
>中，即该值越小，相似度越高。这部分主要输入电网客户行为数据与聚类中心通过量子计算，输出各数据与聚类中心之间的相似度。
[0100]
更优地，在一示例性实施例中，所述将客户行为数据与聚类中心通过量子计算，输出各数据与聚类中心之间的相似度，即计算量子态|x
m
>和|c>的相似度，将相似度存在量子态|α
m
>中，包括：
[0101]
控制交换门计算相似度结果|ψ>，公式为：
[0102][0103]
式中，n表示样本x
m
的数量，s(x
m
，c
i
)表示x
m
与c
i
的相似度；
[0104]
量子态|ψ>作为相位估计算法的输入，相位估计算法的输出为||c
i
‑
x
m
|>，这是数据样本|x
m
>与聚类中心|c>之间的相似度，将其存在量子态|α
m
>中，公式为：
[0105][0106]
其中，量子相位估计算法可以求出目标量子态的相位，主要依靠量子傅里叶变换实现其中量子态|ψ>作为输入x
i
|j>，||c
i
‑
x
m
|>即为输出y
k
|k>。另外，||c
i
‑
x
m
|>即是s(x
m
，c
i
)。
[0107]
(3)电网客户行为数据样本与聚类中心相似度最大值查找，|a>中存在nk个||c
i
‑
x
m
|>值，|α
m
>中存在k个||c
i
‑
x
m
|>值，最后利用量子最小值查找算法，找到量子态|α
m
>中数据样本|x
m
>与聚类中心|c
i
>之间的最小值。即通过量子最小值查找算法找到电网客户行为数据通过量子k
‑
means算法产生的聚类效果最好的值。
[0108]
更优地，在一示例性实施例中，所述查找量子态|α
m
〉中数据样本|x
m
>与聚类中心|
c
i
>的最小值，从而找到与样本x
m
最近的聚类中心c
j
，包括：
[0109]
随机选取一个聚类中心c
i
作为初始值，然后重复以下步骤次，这里通过不断的迭代查找|a
m
>中的最小值:
[0110]
制备聚类中心初始值c
i
的量子态为|β>；
[0111]
将|a
m
>、|β>作为输入，|b>作为控制输入，利用grover算法查找到c'
j
，其中c'
j
表示临时聚类中心；(|b>作为控制输入可以实现条件控制，总体输入满足某种条件时，通过控制输入b，可以得到想要的输出)
[0112]
若|c'
j
‑
x
m
|＜|c
j
‑
x
m
|，则用c'
j
替换c
j
。
[0113]
最后综合统计计算结果，量子最小值查找算法能够找到c
j
与x
m
最近的聚类中心，将x
m
归于c
j
，通过量子k
‑
means算法帮助企业实现电网客户行为数据分析。电网客户行为细分完成之后，可以根据实际市场，针对不同的客户提供用电个性化服务，实现差异化增值服务方案，帮助企业稳固创收。
[0114]
与上述示例性实施例具有相同的发明构思，本发明的又一示例性实施例提供基于量子k
‑
means算法的客户细分系统，包括：
[0115]
角度细分模块：用于确定细分角度即特征数量d，获取客户行为数据集d；；
[0116]
量子态转换模块：用于根据客户行为数据集d中的样本x
m
的特征值，将样本x
m
转化为量子态|x
m
>表示；并根据选择的k个聚类中心c
i
的特征值，将聚类中心c转化为量子态|c>表示；
[0117]
相似度计算模块：用于将客户行为数据与聚类中心通过量子计算，输出各数据与聚类中心之间的相似度，即计算量子态|x
m
>和|c〉的相似度，将相似度存在量子态|α
m
>中；
[0118]
聚类中心查找模块：用于查找量子态|α
m
>中数据样本|x
m
>与聚类中心|c
i
>的最小值，从而找到与样本x
m
最近的聚类中心c
j
。
[0119]
对应地，在一示例性实施例中，所述获取客户行为数据集d，包括：
[0120]
数据抽取子模块：从数据库中抽取需要的数据；
[0121]
数据清洗子模块：检查所有变量的缺失值、未知值、无效值或有效值；之后根据变量分布特征以及实际需求，采取相应的规则更新缺失值、未知值、无效值，使之有效；
[0122]
数据转换子模块：将不同类型的数据转换为量子k
‑
means算法能够使用量子态的类型。
[0123]
对应地，在一示例性实施例中，所述根据客户行为数据集d中的样本x
m
的特征值，将样本x
m
转化为量子态|x
m
>表示，转化公式为：
[0124][0125]
式中，x
mj
表示第m个样本x
m
的第j个特征；
[0126]
所述根据选择的k个聚类中心c
i
的特征值，将聚类中心c转化为量子态|c>表示，转化公式为：
[0127][0128]
式中，c
ij
表示第i个聚类中心c的第j个特征。
[0129]
对应地，在一示例性实施例中，所述相似度计算模块包括：
[0130]
控制交换门计算相似度结果|ψ>，公式为：
[0131][0132]
式中，n表示样本x
m
的数量，s(x
m
，c
i
)表示x
m
与c
i
的相似度；
[0133]
量子态|ψ>作为相位估计算法的输入，相位估计算法的输出为||c
i
‑
x
m
|>，这是数据样本|x
m
>与聚类中心|c>之间的相似度，将其存在量子态|α
m
>中，公式为：
[0134][0135]
对应地，在一示例性实施例中，所述聚类中心查找模块，包括：
[0136]
随机选取一个聚类中心c
i
作为初始值，然后重复以下步骤次，这里通过不断的迭代查找|α
m
>中的最小值:
[0137]
制备聚类中心初始值c
i
的量子态为|β>；
[0138]
将|α
m
>、|β>作为输入，|b>作为控制输入，利用grover算法查找到c'
j
，其中c'
j
表示临时聚类中心；
[0139]
若|c'
j
‑
x
m
|＜|c
j
‑
x
m
|，则用c'
j
替换c
j
。
[0140]
与上述示例性实施例具有相同的发明构思，本发明的一示例性实施例提供一种存储介质，其上存储有计算机指令，所述计算机指令运行时执行所述的量子隐马尔可夫模型求解欺诈检测的方法的步骤。
[0141]
与上述示例性实施例具有相同的发明构思，本发明的一示例性实施例提供一种终端，包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的计算机指令，所述处理器运行所述计算机指令时执行所述的量子隐马尔可夫模型求解欺诈检测的方法的步骤。
[0142]
基于这样的理解，本实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案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中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(read
‑
onlymemory，rom)、随机存取存储器(randomaccessmemory，ram)、磁碟或者光盘等各种可以存储程序代码的介质。
[0143]
显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定，对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其他不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明创造的保护范围之中。