CN109086837A - 基于卷积神经网络的用户属性分类方法、存储介质、装置及电子设备 - Google Patents
基于卷积神经网络的用户属性分类方法、存储介质、装置及电子设备 Download PDFInfo
- Publication number
- CN109086837A CN109086837A CN201811246303.6A CN201811246303A CN109086837A CN 109086837 A CN109086837 A CN 109086837A CN 201811246303 A CN201811246303 A CN 201811246303A CN 109086837 A CN109086837 A CN 109086837A
- Authority
- CN
- China
- Prior art keywords
- convolutional neural
- neural networks
- user property
- user
- measurand
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及一种基于卷积神经网络的用户属性分类方法、存储介质、装置及电子设备。本发明所述的基于卷积神经网络的用户属性分类方法包括如下步骤:将多个用户的心理属性相关电子数据作为输入向量集输入用户属性分类卷积神经网络模型;将通过问卷获取的所述多个用户的心理测评结果作为目标向量集输入用户属性分类卷积神经网络模型,并更新用户属性分类卷积神经网络模型;将被测对象的心理属性相关电子数据输入用户属性分类卷积神经网络模型,并从用户属性分类卷积神经网络模型的输出中获取被测对象的属性分类结果。本发明所述的基于卷积神经网络的用户属性分类方法操作简单,能提高用户属性分类的效率和准确性。
Description
技术领域
本发明涉及用户属性分类领域,特别是涉及基于卷积神经网络的用户属性分类方法、存储介质、装置及电子设备。
背景技术
目前互联网新零售、精准推广、招聘、征信、婚恋匹配、职业规划、个性化教育、产品定制等智能化应用中,通常需要准确的获取用户的个人属性特点,而使用户通过做问卷的方式来获取用户的个人属性特点,通过提前打印好的表格,或在线网页提供测评量表问卷(量表的列表及选项),通过提交选项提供评估结果,按照指标模型与量表的关系计算特定性格模型的各维度评分结果。这种方法要求用户阅读所有量表和选项,逐一做出评判并选择,通常耗时10-30分钟,在需要运用多个人格模型时就需要填写多套问卷、花费更多时间,而评估人员也需要耗费大量时间去统计评分,测评量表在短期内对于同一被测对象也不便于重复使用。而问卷调查的用户的参与热情不高,往往会随便选几项答案完成问卷,根据这样回答的问卷,无法准确的获知用户的个人属性特点,问卷的准确性无法保证,无法准确的达成目标。
卷积神经网络是深度学习技术中极具代表的网络结构之一,在数据处理领域取得了很大的成功,在国际标准的ImageNet数据集上,许多成功的模型都是基于CNN(Constitutional Neural Networks,卷积神经网络)的。CNN相较于传统的图像处理算法的优点之一在于,避免了对图像复杂的前期预处理过程(提取人工特征等),可以直接输入原始数据。
发明内容
基于此,本发明的目的在于,提供一种基于卷积神经网络的用户属性分类方法,本发明的基于卷积神经网络的用户属性分类方法操作简单,能提高用户属性分类的效率和准确性。
本发明是通过如下方案实施的:
一种基于卷积神经网络的用户属性分类方法,包括如下步骤:
将多个用户的心理属性相关电子数据作为输入向量集输入用户属性分类卷积神经网络模型;
将通过问卷获取的所述多个用户的心理测评结果作为目标向量集输入用户属性分类卷积神经网络模型,并更新用户属性分类卷积神经网络模型;
将被测对象的心理属性相关电子数据输入用户属性分类卷积神经网络模型,并从用户属性分类卷积神经网络模型输出被测对象的属性分类结果。
本发明的基于卷积神经网络的用户属性分类方法,操作简单,能大量节省被测对象和评估人员的时间,且便于短时间内对同一被测对象重复使用,还能利用NPU、GPU、TPU等硬件的高维并行计算能力。通过将用户的心理属性相关电子数据作为输入向量集,将问卷获取的心理测评结果作为目标向量集输入从而训练用户属性分类卷积神经网络模型,使用户属性分类卷积神经网络模型所得出的属性分类结果更加准确,提高用户属性分类的效率和准确性,能为互联网的智能化应用提供更准确的用户属性数据。
进一步地,所述心理属性相关电子数据包括用户的面部图片,和/或用户的笔迹图像,和/或用户讲话的音频,和/或用户行走的视频图像。
进一步地,将通过问卷获取的所述多个用户的心理测评结果作为目标向量集输入用户属性分类卷积神经网络模型前,还包括筛选合格的问卷测评结果的步骤,具体包括:
获取问卷中同类问题的答案之间的第一偏差值,和/或获取问卷中顺序相邻问题的答案之间的第二偏差值;
如果所述第一偏差值小于第一设定阈值,和/或所述第二偏差值大于第二设定阈值,则判定所述同类问题和/或所述顺序相邻问题的测评结果合格。
将筛选合格的问卷测评结果作为训练用户属性分类卷积神经网络模型的目标向量集,可以使用户属性分类卷积神经网络模型的结果更加准确。
进一步地,如果从用户属性分类卷积神经网络模型的输出中获取的被测对象的属性分类结果和通过问卷获取的被测对象的心理测评结果之间的差值超过第三设定阈值,则将该问卷获取的被测对象的心理测评结果作为目标向量输入,并更新用户属性分类卷积神经网络模型。
通过将测评结果偏差大的心理属性相关电子数据用来更新用户属性分类卷积神经网络模型,可以使用户属性分类卷积神经网络模型的测评更加准确。
进一步地,将该问卷获取的被测对象的心理测评结果作为目标向量输入,并更新用户属性分类卷积神经网络模型,具体包括如下步骤:
将该被测对象的心理属性相关电子数据和从用户属性分类卷积神经网络模型输出的被测对象的属性分类结果放入备选训练集;
获取从用户属性分类卷积神经网络模型的输出中获取的被测对象的属性分类结果与问卷获取的被测对象的心理测评结果之间的差值;
将所述差值超过第三设定阈值的该被测对象的心理属性相关电子数据和通过问卷获取的该被测对象的心理测评结果放入迭代训练集;
根据迭代训练集更新用户属性分类卷积神经网络模型。
进一步地,所述被测对象的属性分类结果包括用于训练的心理测评结果的所有维度,并能根据用于训练的心理测评类型变更。
进一步地,所述问卷的答案的可选范围为连续的实数数值范围。
进一步地,本发明还提供一种计算机可存储介质,其上储存有计算机程序,该计算机程序被处理器执行时实现如上述任意一项所述的基于卷积神经网络的用户属性分类方法的步骤。
进一步地,本发明还提供一种用户属性分类装置,包括:
输入模块,用于将多个用户的心理属性相关电子数据作为输入向量集输入用户属性分类卷积神经网络模型;
反馈训练模块,用于将通过问卷获取的所述多个用户的心理测评结果作为目标向量集输入训练反馈模型,并更新用户属性分类卷积神经网络模型;
用户属性分类卷积神经网络模块,用于将被测对象的心理属性相关电子数据输入用户属性分类卷积神经网络模型,并从用户属性分类卷积神经网络模型输出被测对象的属性分类结果。
进一步地,本发明还提供一种电子设备,包括控制器与存储器,所述存储器上储存有计算机程序,该计算机程序被处理器执行时实现如上述任意一项所述的基于卷积神经网络的用户属性分类方法的步骤。
为了更好地理解和实施,下面结合附图详细说明本发明。
附图说明
图1为一种实施例中基于卷积神经网络的用户属性分类方法的流程图;
图2为一种实施例中卷积神经网络示意图;
图3为一种实施例中问卷题目示意图;
图4为一种实施例中更新卷积神经网络模型的流程图;
图5为一种实施例中用户属性分类装置整体结构示意图;
图6为一种实施例中用户属性分类装置训练结构示意图;
图7为一种实施例中用户属性分类装置应用结构示意图;
图8为一种实施例中电子设备结构示意图。
具体实施方式
请参阅图1,其为本发明一种实施例中的基于卷积神经网络的用户属性分类方法的流程图。所述基于卷积神经网络的用户属性分类方法,包括如下步骤:
步骤S10:将多个用户的心理属性相关电子数据作为输入向量集输入用户属性分类卷积神经网络模型。
所述用户属性分类是依据一定的心理学理论,对人进行的一系列的测评,得出对人的能力、人格及心理健康等心理和行为特性的一系列数量化衡量,包含能力测试、性格测试和兴趣测试等,在本实施例中,所述用户属性分类主要包括性格测试。
所述被测对象为当前需要进行用户属性分类的用户。
所述电子数据包括由电子手段,光学手段或类似手段生成、储存或传递的信息,在本实施例中,所述电子数据为电子形式的数据信息。所述用户的心理属性相关电子数据为与当前需要进行用户属性分类的用户相关的数据信息所形成的电子数据。
所述卷积神经网络为基于人工神经网络的深度机器学习方法,经过针对性训练后,能够识别输入的电子数据信息。在本实施例中,所述用户属性分类卷积神经网络模型为经训练后,能根据所输入的用户属性相关电子数据得出用户属性分类结果。
步骤S11:将通过问卷获取的所述多个用户的心理测评结果作为目标向量集输入用户属性分类卷积神经网络模型,并更新用户属性分类卷积神经网络模型。
在本实施例中,所述用户属性分类结果为对用户的性格等心理方面的特性进行量化评价的结果,更新用户属性分类卷积神经网络模型即通过输入向量集与目标向量集对用户属性分类卷积神经网络进行训练,训练后得到更新的用户属性分类卷积神经网络。
步骤S12:将被测对象的心理属性相关电子数据输入用户属性分类卷积神经网络模型,并从用户属性分类卷积神经网络模型输出被测对象的属性分类结果。
为保证测试结果的准确性,本实施例中的问卷指比较全面和规范的问卷,进一步的,本实施例中的问卷还包括更为全面和规范的量表。
其中,输入向量集为用户属性分类卷积神经网络模型的输入,包括语音、文字、图像和视频信息等,而用户属性分类卷积神经网络模型的目标向量集为当前输入向量集的理想输出。本实施例中,需要收集大量的心理属性相关电子数据,以及通过问卷获取的对应的心理测评结果,并将上述用户的心理属性相关电子数据和对应的心理测评结果放入训练集中,来对用户属性分类卷积神经网络模型进行训练。通过不同的输入向量集以及其对应的目标向量集进行训练,使所述用户属性分类卷积神经网络模型的系数矩阵不断更新,使其属性分类结果越来越准确。
本发明的基于卷积神经网络的用户属性分类方法,操作简单,能大量节省被测对象和评估人员的时间,且便于短时间内对同一被测对象重复使用,还能利用NPU、GPU、TPU等硬件的高维并行计算能力。通过将用户的心理属性相关电子数据作为输入向量集,将问卷获取的心理测评结果作为目标向量集输入从而训练用户属性分类卷积神经网络模型,使用户属性分类卷积神经网络模型所得出的属性分类结果更加准确,提高用户属性分类的效率和准确性,能为互联网的智能化应用提供更准确的用户属性数据。
本发明所采用的卷积神经网络模型可以是各层全部自定义,也可以在一些现有分类模型的基础上加叠而成。请参阅图2,在一种实施例中,采用inception网络作为用户属性分类卷积神经网络模型,经训练后的inception网络,输入用户的心理属性相关电子数据后,可输出用户属性分类结果。
在一种实施例中,所述心理属性相关电子数据包括用户的面部图片,和/或用户的笔迹图像,和/或用户讲话的音频,和/或用户行走的视频图像。
其中,所述面部图片体现了用户的面部特征;所述笔迹图像体现了用户的笔迹行距、倾斜方向、字体大小、形状、速度、力度、布局以及笔画线条的形状;所述音频体现了用户讲话的语音的基频、谐波噪声比、共振峰;所述行走的视频图像体现了用户身体特征点、宽高比、轮廓长度与所围面积比、离心率等特征。所述用户属性分类卷积神经网络模型能根据上述特征分析用户,得出用户的用户属性分类结果。
在一种实施例中,所述用户属性分类结果包括用户的外向性、尽责性、情绪性、开放性和宜人性。由于方法的普适性,所述用户属性检验结果还可以包含更多心理或性格指标。比如MBTI的“外倾-内倾”、“感觉-直觉”、“思维-情感”、“判断-知觉”;DISC的支配性、影响力、遵从性、稳定性;大七的正情绪性、负价、正价、负情绪性、可靠性、适意、因袭性;16PF的A、B、C、E、F、G、H、I、L、M、N、O、Q1、Q2、Q3、Q4;MMPI的Hs、D、Hy、Pd、Mf、Pa、Pt、Sc、Ma、Si;EPQ的内外向性、神经质、精神质、掩饰性。
本发明的基于卷积神经网络的用户属性分类方法,可以通过一份用户的电子数据检测任意一项上述的检测结果,也可以通过一份用户的电子数据检测多项上述的检测结果。
在上述实施例中,如果对用户属性分类卷积神经网络模型的训练所采用的问卷获取的心理测评结果不准确,则会影响训练的效果,并进一步影响用户属性分类结果的正确性。因此,在一种实施例中,在进行步骤S11,即将通过问卷获取的用户心理测评结果作为目标向量集输入用户属性分类卷积神经网络模型前,还进行包括如下步骤:
步骤S111:筛选合格的问卷测评结果。
所述合格的问卷测评结果,指能较为准确的反应用户的心理状态的测评结果。
在本实施例中,筛选合格的问卷测评结果,具体包括如下步骤:
步骤S112:获取问卷中同类问题的答案之间的第一偏差值,和/或获取问卷中顺序相邻问题的答案之间的第二偏差值。
步骤S113:如果所述第一偏差值小于第一设定阈值,和/或所述第二偏差值大于第二设定阈值,则判定所述同类问题和/或所述顺序相邻问题的测评结果合格。
其中,所述第一设定阈值和所述第二设定阈值为预先设定值。所述同类问题为问卷中同类型的问题,例如:“是否合群”和“是否躲开人群”,上述两个问题即为相关问题。一份准确的问卷结果,其同类问题的答案应该是比较接近的。同类问题的答案之间的偏差值可以通过如下方式进行计算:例如问卷每个问的结果取值都在0.0-8.0之间,且都有“非常不符”、“基本不符”、“不确定”、“基本符合”和“非常符合”5个快捷选项,所对应的选项得分分别为0、2.0、4.0、6.0、8.0,对于负向题目,例如“是否躲开人群”,实际得分需要用“8.0-选项得分”换算,如果一份问卷上述“是否合群”和“是否躲开人群”,两题都选“非常符合”,则分别得分8.0、0.0,二者之间的第一偏差值为|8.0-0.0|=8.0;而另一份问卷上述两题都选“符合”,则分别得分6.0、2.0。二者之间的第一偏差值为|6.0-2.0|=4.0。如果第一设定阈值为7,则前一份问卷不合格,而后一份问卷合格,如果第一设定阈值为3,则两份问卷都不合格。
如果顺序相邻之间的问题的答案相似度过高,则有可能为答题者随意答题,因此,顺序相邻问题答案之间的第二偏差值大于第二设定阈值,则可以判定相关问卷无效。
请参阅图3,与传统选题采用单纯离散选项不同的是,本实施例中的问卷采用连续数值范围与离散刻度结合的选项,其取值范围最大最小值与传统量表保持一致。这样既能增强量表的精确度,又能保持量表选项的可读性,同时更有利于精细数据分析、智能化应用场景中的相关性发现。
为了便于解读和利用用户属性分类结果,通过用户属性分类卷积神经网络模型输出的被测对象的属性分类结果,或通过问卷获取的被测对象的属性分类结果(此时不做合格筛选),都会根据量化数据生成文本解读报告。报告根据维度分数分档,并按分档给出解读的文字信息。比如,开放性按[0.0-3.0)、[3.0-5.0]、(5.0-8.0]分为低、中、高三档,解读信息分别对应评价语句“你的开放性评分低,表明你喜欢用平白而简单的方式来思考。其他人会把你描述为脚踏实地、务实和保守”、“你的开放性评分处于平均水平,表明你喜欢传统,但愿意尝试新事物。你的想法既不简单也不复杂。对其他人来说,你似乎是受过良好教育的人,但不是知识分子”、“你的开放性评分高,表明你喜欢新奇、多样和变化。你很好奇,富有想象力,很有创造力”。报告按外向性、尽责性、情绪性、开放性和宜人性的维度次序输出这些评价语句及被测对象测评结果图表。
在一种实施例中,本发明的基于卷积神经网络的用户属性分类方法,在应用时,如果用户属性分类结果偏差过大,则可以引导当前用户通过问卷进行进一步测评,并根据两种不同方式的属性分类结果不断迭代更新用户属性分类卷积神经网络模型。具体为:先用通过已有用户属性分类卷积神经网络计算被测对象的属性分类,并输出解读报告。如果用户(可能是被测对象本人或者是对被测对象属性分类感兴趣的第三人)不同意报告内容,意味着属性分类可能存在较大偏差。如果是被测对象本人操作,可以直接申请通过问卷重新测评;如果是第三人,可以申请生成问卷重新测评邀请,并将邀请发送给被测对象本人,之后被测对象本人通过邀请登录并通过面部识别验证身份后,可进行问卷测评。两种方式下通过问卷获取的被测对象的心理测评结果都会被保存。其后,***会计算从用户属性分类卷积神经网络模型输出的被测对象的属性分类结果和通过问卷获取的被测对象的心理测评结果之间的差值,若超过第三设定阈值,则根据该问卷获取的被测对象的心理测评结果更新卷积神经网络模型。
第三设定阈值为预先设定值。
请参阅图4,图4为根据该问卷获取的用户属性分类结果更新卷积神经网络模型的具体步骤,包括:
步骤S21:将该被测对象的心理属性相关电子数据和从用户属性分类卷积神经网络模型输出的被测对象的属性分类结果放入备选训练集;
步骤S22:获取从用户属性分类卷积神经网络模型的输出中获取的被测对象的属性分类结果与问卷获取的被测对象的心理测评结果之间的差值;
步骤S23:将所述差值超过第三设定阈值的该被测对象的心理属性相关电子数据和通过问卷获取的该被测对象的心理测评结果放入迭代训练集;
步骤S24:根据迭代训练集更新用户属性分类卷积神经网络模型。
所述备选训练集用于存放被测对象的心理属性相关电子数据和从用户属性分类卷积神经网络模型的输出中获取的被测对象的属性分类结果,在备选训练集中对相应的检测结果和通过问卷获取的被测对象的心理测评结果相比较,如果偏差超过第三设定阈值,则认为偏差过大,通过用户属性分类卷机网络模型的分类不够准确,因此,将差值超过第三设定阈值的心理属性相关电子数据和与通过问卷获取的被测对象的心理测评结果放入迭代训练集,所述迭代训练集存放用于更新用户属性分类卷积神经网络模型的被测对象心理属性相关电子数据和被测对象的心理测评结果,当迭代训练集到达一定数量,就将原训练集和迭代训练集合一,并重新进行训练,得到更新的用户属性分类卷积神经网络模型。
在本实施例中,步骤S22中,比较用户属性分类卷积神经网络模型输出的被测对象的属性分类结果与问卷获取的被测对象的心理测评结果是通过比较用户的外向性,和/或尽责性,和/或情绪性,和/或开放性,和/或宜人性。所述差值计算可以有多种计算方法,可以是各维度的平均差值、最大差值或均方差。
本发明的基于卷积神经网络的用户属性分类方法,操作简单,能大量节省被测对象和评估人员的时间,且便于短时间内对同一被测对象重复使用,还能利用NPU、GPU、TPU等硬件的高维并行计算能力。通过将用户的心理属性相关电子数据作为输入向量集,将问卷获取的心理测评结果作为目标向量集输入从而训练用户属性分类卷积神经网络模型,使用户属性分类卷积神经网络模型所得出的属性分类结果更加准确,提高用户属性分类的效率和准确性,能为互联网的智能化应用提供更准确的用户属性数据,同时,通过筛选合格的心理测评结果,训练出的卷积神经网络模型更加准确;还使用偏差较大的心理测评结果对用户属性分类卷积神经网络模型进行迭代更新,使用户属性分类结果更加准确。
本发明还提供一种计算机可读储存介质,其上储存有计算机程序,该计算机程序被处理器执行时实现如上述实施例中任意一项所述的基于卷积神经网络的用户属性分类方法的步骤。
本发明可采用在一个或多个其中包含有程序代码的存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。计算机可读储存介质包括永久性和非永久性、可移动和非可移动媒体,可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括但不限于:相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。
本发明还提供一种用户属性分类装置,请参阅图5-7,图5为本发明一种实施例中用户属性分类装置整体结构示意图,用户属性分类装置50包括用户属性分类卷积神经网络模块51、输入模块52、输出模块53和反馈训练模块54,所述输入模块52接收用户的心理属性相关电子数据、心理测评结果、检测类型(心理测评类型);所述输出模块53输出用户的用户属性分类结果;所述用户属性分类卷积神经网络模块51由多种类型的用户属性分类卷积神经网络并联组成,能根据所述心理属性相关电子数据,同时计算出多种类型用户属性分类结果;所述训练反馈模块54由与所述用户属性分类卷积神经网络模型一一对应的训练反馈模型构成,在训练中计算属性分类结果与心理测评结果的差距并对用户属性分类卷积神经网络进行反馈修正。如图6所示,在训练时,输入模块52输入按照检测类型(心理测评类型)开启对应的卷积神经网络及其损失函数,如果检测类型对应的卷积神经网络及其损失函数当前不存在,则由用户属性分类卷积神经网络模块51和反馈训练模块54分别动态新增后开启对应的卷积神经网络及其损失函数,然后将多个用户的心理属性相关电子数据作为输入向量集,输入至用户属性分类卷积神经网络模块51中,同时将通过问卷获取的所述多个用户的心理测评结果作为目标向量集输入至反馈训练模块54中,用户属性分类卷积神经网络模块51计算出用户属性分类结果后,训练反馈模块54中被开启的损失函数通过对输出和目标进行损失计算并反馈,训练用户属性分类卷积神经网络模块51。
如图7所示,在应用时,输入模块52根据检测类型开启用户属性分类卷积神经网络模块51中的指定模型,并将被测对象的心理属性相关电子数据传递给指定模型,用户属性分类卷积神经网络模块51中被开启的部分卷积神经网络计算出被测对象的属性分类结果,通过输出模块53整合输出。
本发明还提供一种电子设备,请参阅图8,图8为本发明一种实施例中电子设备结构示意图,电子设备80包括控制器81和存储器82,所述存储器上储存有计算机程序,该计算机程序被处理器81执行时实现如上述任意一项实施例中所述的基于卷积神经网络的用户属性分类方法的步骤。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,(例如,直接将未经量表模型处理的答题结果本身,而不是处理后的心理测评结果,作为目标向量训练用户属性分类卷积神经网络,而在神经网络输出结果后再用量表模型处理成与心理测评结果近似的属性分类结果),这些都属于本发明的保护范围。
Claims (10)
1.一种基于卷积神经网络的用户属性分类方法,其特征在于,包括如下步骤:
将多个用户的心理属性相关电子数据作为输入向量集输入用户属性分类卷积神经网络模型;
将通过问卷获取的所述多个用户的心理测评结果作为目标向量集输入训练反馈模型,并更新用户属性分类卷积神经网络模型;
将被测对象的心理属性相关电子数据输入用户属性分类卷积神经网络模型,并从用户属性分类卷积神经网络模型输出被测对象的属性分类结果。
2.根据权利要求1所述的基于卷积神经网络的用户属性分类方法,其特征在于:
所述心理属性相关电子数据包括用户的面部图片,和/或用户的笔迹图像,和/或用户讲话的音频,和/或用户行走的视频图像。
3.根据权利要求2所述的基于卷积神经网络的用户属性分类方法,其特征在于:
将通过问卷获取的所述多个用户的心理测评结果作为目标向量集输入用户属性分类卷积神经网络模型前,还包括筛选合格的问卷测评结果的步骤,具体包括:
获取问卷中同类问题的答案之间的第一偏差值,和/或获取问卷中顺序相邻问题的答案之间的第二偏差值;
如果所述第一偏差值小于第一设定阈值,和/或所述第二偏差值大于第二设定阈值,则判定所述同类问题和/或所述顺序相邻问题的测评结果合格。
4.根据权利要求1所述的基于卷积神经网络的用户属性分类方法,其特征在于,还包括如下步骤:
如果从用户属性分类卷积神经网络模型的输出中获取的被测对象的属性分类结果和通过问卷获取的被测对象的心理测评结果之间的差值超过第三设定阈值,则将该问卷获取的被测对象的心理测评结果作为目标向量输入,并更新用户属性分类卷积神经网络模型。
5.根据权利要求4所述的基于卷积神经网络的用户属性分类方法,其特征在于:将该问卷获取的被测对象的心理测评结果作为目标向量输入,并更新用户属性分类卷积神经网络模型,具体包括如下步骤:
将该被测对象的心理属性相关电子数据和从用户属性分类卷积神经网络模型输出的被测对象的属性分类结果放入备选训练集;
获取从用户属性分类卷积神经网络模型的输出中获取的被测对象的属性分类结果与问卷获取的被测对象的心理测评结果之间的差值;
将所述差值超过第三设定阈值的该被测对象的心理属性相关电子数据和通过问卷获取的该被测对象的心理测评结果放入迭代训练集;
根据迭代训练集更新用户属性分类卷积神经网络模型。
6.根据权利要求1所述的基于卷积神经网络的用户属性分类方法,其特征在于:
所述被测对象的属性分类结果包括用于训练的心理测评结果的所有维度,并能根据用于训练的心理测评类型变更。
7.根据权利要求3所述的基于卷积神经网络的用户属性分类方法,其特征在于:
所述问卷的答案的可选范围为连续的实数数值范围。
8.一种计算机可读储存介质,其上储存有计算机程序,其特征在于:该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卷积神经网络的用户属性分类方法的步骤。
9.一种用户属性分类装置,其特征在于,包括:
输入模块,用于将多个用户的心理属性相关电子数据作为输入向量集输入用户属性分类卷积神经网络模型;
反馈训练模块,用于将通过问卷获取的所述多个用户的心理测评结果作为目标向量集输入训练反馈模型,并更新用户属性分类卷积神经网络模型;
用户属性分类卷积神经网络模块,用于将被测对象的心理属性相关电子数据输入用户属性分类卷积神经网络模型,并从用户属性分类卷积神经网络模型输出被测对象的属性分类结果。
10.一种电子设备,包括控制器与存储器,所述存储器上储存有计算机程序,其特征在于:该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卷积神经网络的用户属性分类方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811246303.6A CN109086837A (zh) | 2018-10-24 | 2018-10-24 | 基于卷积神经网络的用户属性分类方法、存储介质、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811246303.6A CN109086837A (zh) | 2018-10-24 | 2018-10-24 | 基于卷积神经网络的用户属性分类方法、存储介质、装置及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109086837A true CN109086837A (zh) | 2018-12-25 |
Family
ID=64844071
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811246303.6A Pending CN109086837A (zh) | 2018-10-24 | 2018-10-24 | 基于卷积神经网络的用户属性分类方法、存储介质、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109086837A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110060772A (zh) * | 2019-01-24 | 2019-07-26 | 暨南大学 | 一种基于社交网络的职业心理性格分析方法 |
CN111460245A (zh) * | 2019-01-22 | 2020-07-28 | 刘宏军 | 多维度人群特征测定方法 |
WO2021003681A1 (en) * | 2019-07-09 | 2021-01-14 | LUI, Yat Wan | Method and system for neuropsychological performance test |
CN112288686A (zh) * | 2020-07-29 | 2021-01-29 | 深圳市智影医疗科技有限公司 | 一种模型训练方法、装置、电子设备和存储介质 |
CN113421175A (zh) * | 2021-07-05 | 2021-09-21 | 赛飞特工程技术集团有限公司 | 一种能力测试分级方法和装置 |
CN117574286A (zh) * | 2024-01-11 | 2024-02-20 | 阿里健康科技(杭州)有限公司 | 标签值的确定方法、装置、设备和存储介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120207375A1 (en) * | 2011-02-11 | 2012-08-16 | Fundacion Tecnalia Research & Innovation | Bioinspired System for Processing and Characterising Colour Attributes of a Digital Image |
CN103106346A (zh) * | 2013-02-25 | 2013-05-15 | 中山大学 | 一种基于离线手写图片分割与识别的性格预测*** |
US20150186712A1 (en) * | 2013-02-08 | 2015-07-02 | Emotient | Collection of machine learning training data for expression recognition |
US20160203729A1 (en) * | 2015-01-08 | 2016-07-14 | Happify, Inc. | Dynamic interaction system and method |
CN106407935A (zh) * | 2016-09-21 | 2017-02-15 | 俞大海 | 基于人脸图像和眼动注视信息的心理测试方法 |
CN106529402A (zh) * | 2016-09-27 | 2017-03-22 | 中国科学院自动化研究所 | 基于多任务学习的卷积神经网络的人脸属性分析方法 |
CN106909896A (zh) * | 2017-02-17 | 2017-06-30 | 竹间智能科技(上海)有限公司 | 基于人物性格与人际关系识别的人机交互***及工作方法 |
CN107799165A (zh) * | 2017-09-18 | 2018-03-13 | 华南理工大学 | 一种基于虚拟现实技术的心理评估方法 |
CN107918780A (zh) * | 2017-09-01 | 2018-04-17 | 中山大学 | 一种基于关键点检测的衣服种类和属性分类方法 |
CN108171144A (zh) * | 2017-12-26 | 2018-06-15 | 四川大学 | 信息处理方法、装置、电子设备及存储介质 |
-
2018
- 2018-10-24 CN CN201811246303.6A patent/CN109086837A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120207375A1 (en) * | 2011-02-11 | 2012-08-16 | Fundacion Tecnalia Research & Innovation | Bioinspired System for Processing and Characterising Colour Attributes of a Digital Image |
US20150186712A1 (en) * | 2013-02-08 | 2015-07-02 | Emotient | Collection of machine learning training data for expression recognition |
CN103106346A (zh) * | 2013-02-25 | 2013-05-15 | 中山大学 | 一种基于离线手写图片分割与识别的性格预测*** |
US20160203729A1 (en) * | 2015-01-08 | 2016-07-14 | Happify, Inc. | Dynamic interaction system and method |
CN106407935A (zh) * | 2016-09-21 | 2017-02-15 | 俞大海 | 基于人脸图像和眼动注视信息的心理测试方法 |
CN106529402A (zh) * | 2016-09-27 | 2017-03-22 | 中国科学院自动化研究所 | 基于多任务学习的卷积神经网络的人脸属性分析方法 |
CN106909896A (zh) * | 2017-02-17 | 2017-06-30 | 竹间智能科技(上海)有限公司 | 基于人物性格与人际关系识别的人机交互***及工作方法 |
CN107918780A (zh) * | 2017-09-01 | 2018-04-17 | 中山大学 | 一种基于关键点检测的衣服种类和属性分类方法 |
CN107799165A (zh) * | 2017-09-18 | 2018-03-13 | 华南理工大学 | 一种基于虚拟现实技术的心理评估方法 |
CN108171144A (zh) * | 2017-12-26 | 2018-06-15 | 四川大学 | 信息处理方法、装置、电子设备及存储介质 |
Non-Patent Citations (4)
Title |
---|
F. GÜRPINAR 等: "Multimodal fusion of audio, scene, and face features for first impression estimation", 《2016 23RD INTERNATIONAL CONFERENCE ON PATTERN RECOGNITION (ICPR)》 * |
中国内部审计协会 编: "《***内部审计科研课题研究报告2013-2014》", 28 February 2015, 中国时代经济出版社 * |
孙波 等: "智慧学习环境中基于面部表情的情感分析", 《现代远程教育研究》 * |
王伟军 编: "《大数据分析》", 30 April 2017, 重庆大学出版社 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111460245A (zh) * | 2019-01-22 | 2020-07-28 | 刘宏军 | 多维度人群特征测定方法 |
CN110060772A (zh) * | 2019-01-24 | 2019-07-26 | 暨南大学 | 一种基于社交网络的职业心理性格分析方法 |
CN110060772B (zh) * | 2019-01-24 | 2022-07-01 | 暨南大学 | 一种基于社交网络的职业心理性格分析方法 |
WO2021003681A1 (en) * | 2019-07-09 | 2021-01-14 | LUI, Yat Wan | Method and system for neuropsychological performance test |
CN112997166A (zh) * | 2019-07-09 | 2021-06-18 | 晋斐德 | 神经心理学表现测试的方法和*** |
CN112288686A (zh) * | 2020-07-29 | 2021-01-29 | 深圳市智影医疗科技有限公司 | 一种模型训练方法、装置、电子设备和存储介质 |
CN112288686B (zh) * | 2020-07-29 | 2023-12-19 | 深圳市智影医疗科技有限公司 | 一种模型训练方法、装置、电子设备和存储介质 |
CN113421175A (zh) * | 2021-07-05 | 2021-09-21 | 赛飞特工程技术集团有限公司 | 一种能力测试分级方法和装置 |
CN117574286A (zh) * | 2024-01-11 | 2024-02-20 | 阿里健康科技(杭州)有限公司 | 标签值的确定方法、装置、设备和存储介质 |
CN117574286B (zh) * | 2024-01-11 | 2024-05-24 | 阿里健康科技(杭州)有限公司 | 标签值的确定方法、装置、设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109086837A (zh) | 基于卷积神经网络的用户属性分类方法、存储介质、装置及电子设备 | |
Amrieh et al. | Mining educational data to predict student’s academic performance using ensemble methods | |
Kenett et al. | Investigating the structure of semantic networks in low and high creative persons | |
US11763174B2 (en) | Learning material recommendation method, learning material recommendation device, and learning material recommendation program | |
Qi et al. | Evaluating on-line courses via reviews mining | |
Wang et al. | Automatic generation of sentimental texts via mixture adversarial networks | |
Tarun et al. | Generating licensure examination performance models using PART and JRip classifiers: A data mining application in education | |
CN109636337A (zh) | 一种基于大数据的人才库构建方法及电子设备 | |
CN110070232B (zh) | 引入教师教学风格的多维度预测学生成绩的方法 | |
Wang et al. | A study of the evaluation metrics for generative images containing combinational creativity | |
Chaudhary et al. | Student future prediction using machine learning | |
CN107578785A (zh) | 基于Gamma分布分析的音乐连续情感特征分析评价方法 | |
Algur et al. | Educational data mining: RT and RF classification models for higher education professional courses | |
de Paula Santos et al. | “Speak well” or “complain” about your teacher: A contribution of education data mining in the evaluation of teaching practices | |
Matsane et al. | The use of automatic speech recognition in education for identifying attitudes of the speakers | |
Wang et al. | Construction and analysis of discrete system dynamic modeling of physical education teaching mode based on decision tree algorithm | |
Oktavius et al. | Artificial Intelligence in entrepreneurial mindfulness using CRISP-DM Method | |
Kim et al. | Summarizing Students’ Free Responses for an Introductory Algebra-Based Physics Course Survey Using Cluster and Sentiment Analysis | |
Alisherov et al. | Development of methods for assessing the performance of teachers using of TUIT-LMS data | |
Hou | The Integration of Traditional Music Culture in Modern Informational Music Teaching | |
Mustaffa et al. | Personality predictive analysis based on artificial neural network | |
Gustian et al. | Comparison of Classification Data Mining in Process Majors Students | |
CN113033180B (zh) | 一种面向小学藏语文阅读问题自动生成的服务*** | |
Zhang | Construction of Psychological Adjustment Function Model of Music Education Based on Emotional Tendency Analysis | |
Bai et al. | An In-class Teaching Comprehensive Evaluation Model Based on Statistical Modelling and Ensemble Learning |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181225 |
|
RJ01 | Rejection of invention patent application after publication |