CN109299153B - 基于大数据和深度学习的主动认定方法和机器人*** - Google Patents
基于大数据和深度学习的主动认定方法和机器人*** Download PDFInfo
- Publication number
- CN109299153B CN109299153B CN201811201409.4A CN201811201409A CN109299153B CN 109299153 B CN109299153 B CN 109299153B CN 201811201409 A CN201811201409 A CN 201811201409A CN 109299153 B CN109299153 B CN 109299153B
- Authority
- CN
- China
- Prior art keywords
- data
- standard
- deep learning
- learning model
- identification
- 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.)
- Active
Links
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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
基于大数据和深度学习的主动认定方法和机器人***,包括:获取预设类别的认定标准,获取未申请认定的对象的数据,从所述对象的数据中获取所述认定标准对应的数据,判断认定是否通过,向认定通过的所述未申请认定的对象发送认定的结果,或发送信息邀请所述未申请认定的对象申请认定。上述方法和***通过基于大数据和深度学习的主动认定技术,提高了认定的普及率、及时性,并能避免漏认定。
Description
技术领域
本发明涉及信息技术领域,特别是涉及一种基于大数据和深度学习的主动认定方法和机器人***。
背景技术
在实现本发明过程中,发明人发现现有技术中至少存在如下问题:现有技术下进行认定都是由未申请认定的对象(对象包括企业等)申请认定(例如高新企业认定),如果对象不申请认定,那么即使对象已经达到了认定的标准,也不可能有机会通过认定;对象在以下几种情况下不会去申请认定:(1)对象对认定的流程或标准不清楚,不知道如何申请认定:(2)对象主观上低估了自己,认为自己够不上认定的标准;(3)对象根本上不知道预设类别的认定的存在;有的对象在已经达到认定标准之后的很长时间后才申请认定(例如5年前就达到了高新企业认定的标准,但5年后才申请高新企业认定),也导致了认定的不及时。可见,现有技术下认定存在普及率低,存在漏认定、认定不及时等缺点。
因此,现有技术还有待于改进和发展。
发明内容
基于此,有必要针对现有技术中的缺陷或不足,提供基于大数据和深度学习的主动认定方法和机器人***,以解决现有技术中认定的普及率低、及时性差、存在漏认定的缺点。
第一方面,本发明实施例提供一种认定方法,所述方法包括:
认定标准获取步骤,用于获取预设类别的认定标准;
对象数据获取步骤,用于获取未申请认定的对象的数据;对未申请认定的对象进行数据获取和认定,获取的数据可以来自第三方,从而使得即使未申请认定对象不会被漏认定,从而提高认定的普及率。
标准对应的数据获取步骤,用于从所述未申请认定的对象的数据中获取所述认定标准对应的数据;
认定判断步骤,用于判断所述认定标准对应的数据是否符合所述认定标准:是,所述未申请认定的对象认定通过;否,所述未申请认定的对象认定不通过;
主动反馈步骤,用于向认定通过的所述未申请认定的对象发送认定的结果,或发送信息邀请所述未申请认定的对象申请认定。将认定的结果反馈给认定通过的所述未申请认定的对象,从而使得未申请认定的对象能够及时地申请认定,从而提高了认定的及时性和普及率。
优选地,
所述对象数据获取步骤包括:
数据源获取步骤,用于获取数据源;
对象数据检索步骤,用于从所述数据源中检索并获取所述未申请认定的对象的数据;
所述标准对应的数据获取步骤包括:
数据筛选步骤,用于从所述未申请认定的对象的数据中筛选出所述认定标准对应的数据作为第一数据;
数据清洗步骤,用于从所述第一数据中提取与每一项标准对应的数据作为所述每一项标准对应的第二数据。
优选地,
所述数据清洗步骤包括:
对应数据源获取步骤,用于获取多个所述第二数据中每个所述第二数据对应的数据源;
可信度获取步骤,用于获取每个所述第二数据对应的数据源的可信度;
可信度选取步骤,用于从每个所述第二数据对应的数据源的可信度中选取最高的可信度,保留所述多个所述第二数据中所述最高的可信度对应的所述第二数据,删除所述多个所述第二数据中所述最高的可信度对应的所述第二数据以外的其他所述第二数据。
优选地,
所述认定判断步骤包括:
子标准获取步骤,用于获取所述认定标准中每一项标准和总体标准;
对应数据提取步骤,用于从所述第一数据中提取所述每一项标准对应的所述第二数据;
每一项标准对应的预设模型获取步骤,用于获取所述每一项标准对应的预设模型;
每一项标准对应的第三数据生成步骤,用于根据所述每一项标准对应的所述第二数据和所述每一项标准对应的所述预设模型,计算得到所述每一项标准对应的第三数据;
每一项标准判断步骤,用于根据所述每一标准对应的第三数据和预设范围,判断所述未申请认定的对象是否符合所述每一项标准;
总体标准对应的预设模型获取步骤,用于获取所述总体标准对应的预设模型;
总体标准判断步骤,用于根据所述每一项标准对应的第三数据、所述总体标准对应的预设模型和预设范围,判断所述未申请认定的对象是否符合所述总体标准;
综合判断步骤,用于判断所述未申请认定的对象是否符合所述认定标准中所述每一项标准和所述总体标准。
优选地,
所述每一项标准对应的预设模型获取步骤包括:
每一项标准对应的深度学习模型初始化步骤,用于初始化所述每一项标准对应的深度学习模型作为第一深度学习模型;
每一项标准对应的历史数据获取步骤,用于从历史大数据中获取所述每一项标准对应的已进行过认定的每一对象的所述第二数据和第三数据;
第二深度学习模型生成步骤,用于将所述每一项标准对应的已进行过认定的每一对象的所述第二数据作为所述第一深度学习模型的输入数据,对所述第一深度学习模型进行无监督训练,得到的所述第一深度学习模型作为第二深度学习模型;
第三深度学习模型生成步骤,用于将所述每一项标准对应的已进行过认定的每一对象的所述第二数据和所述第三数据分别作为所述第二深度学习模型的输入数据和输出数据,对所述第二深度学习模型进行有监督训练,得到的所述第二深度学习模型作为第三深度学习模型;
每一项标准对应的预设模型设置步骤,用于将所述第三深度学习模型作为所述每一项标准对应的预设模型;
所述总体标准对应的预设模型获取步骤包括:
总体标准对应的深度学习模型初始化步骤,用于初始化所述总体标准对应的深度学习模型,得到的所述深度学习模型作为第四深度学习模型;
总体标准对应的历史数据获取步骤,用于从历史大数据中获取所述已进行过认定的每一对象的所述认定标准中每一项标准对应的第三数据的集合和所述总体标准对应的第三数据;
第五深度学习模型生成步骤,用于将所述认定标准中每一项标准对应的已进行过认定的每一对象的所述第三数据的集合作为所述深度学习模型的输入数据,对所述第四深度学习模型进行无监督训练,得到的所述第四深度学习模型作为第五深度学习模型;
第六深度学习模型生成步骤,用于将所述已进行过认定的每一对象的所述认定标准中每一项标准对应的所述第三数据的集合和所述总体标准对应的所述第三数据分别作为所述第五深度学习模型的输入数据和输出数据,对所述第五深度学习模型进行有监督训练,得到的所述第五深度学习模型作为第六深度学习模型;
总体标准对应的预设模型设置步骤,用于将所述第六深度学习模型作为所述总体标准对应的预设模型。
优选地,
所述每一项标准判断步骤包括:
每一项标准对应的预设范围获取步骤,用于获取所述每一项标准对应的预设范围;
每一项标准对应的第三数据判断步骤,用于判定所述未申请认定的对象是否符合所述每一项标准;
所述总体标准判断步骤包括:
总体标准对应的第三数据生成步骤,用于根据所述每一项标准对应的所述第三数据和所述总体标准对应的所述预设模型,计算得到所述总体标准对应的第三数据;
总体标准对应的预设范围获取步骤,用于获取所述总体标准对应的预设范围;
总体标准对应的第三数据判断步骤,用于判断所述未申请认定的对象是否符合所述总体标准。
第二方面,本发明实施例提供一种认定***,所述***包括:
认定标准获取模块,用于获取预设类别的认定标准;
对象数据获取模块,用于获取未申请认定的对象的数据;
标准对应的数据获取模块,用于从所述未申请认定的对象的数据中获取所述认定标准对应的数据;
认定判断模块,用于判断所述认定标准对应的数据是否符合所述认定标准:是,所述未申请认定的对象认定通过;否,所述未申请认定的对象认定不通过;
主动反馈模块,用于向认定通过的所述未申请认定的对象发送认定的结果,或发送信息邀请所述未申请认定的对象申请认定。
优选地,
所述对象数据获取模块包括:
数据源获取模块,用于获取数据源;
对象数据检索模块,用于从所述数据源中检索并获取所述未申请认定的对象的数据;
所述标准对应的数据获取模块包括:
数据筛选模块,用于从所述未申请认定的对象的数据中筛选出所述认定标准对应的数据作为第一数据;
数据清洗模块,用于从所述第一数据中提取与每一项标准对应的数据作为所述每一项标准对应的第二数据。
优选地,
所述认定判断模块包括:
子标准获取模块,用于获取所述认定标准中每一项标准和总体标准;
对应数据提取模块,用于从所述第一数据中提取所述每一项标准对应的所述第二数据;
每一项标准对应的预设模型获取模块,用于获取所述每一项标准对应的预设模型;
每一项标准对应的第三数据生成模块,用于根据所述每一项标准对应的所述第二数据和所述每一项标准对应的所述预设模型,计算得到所述每一项标准对应的第三数据;
每一项标准判断模块,用于根据所述每一标准对应的第三数据和预设范围,判断所述未申请认定的对象是否符合所述每一项标准;
总体标准对应的预设模型获取模块,用于获取所述总体标准对应的预设模型;
总体标准判断模块,用于根据所述每一项标准对应的第三数据、所述总体标准对应的预设模型和预设范围,判断所述未申请认定的对象是否符合所述总体标准;
综合判断模块,用于判断所述未申请认定的对象是否符合所述认定标准中所述每一项标准和所述总体标准。
第三方面,本发明实施例提供一种机器人***,所述机器人中分别配置有如第二方面任一项所述的认定***。
本发明实施例具有的优点和有益效果包括:
1、本发明实施例主动认定对象,即使对象不申请认定,也可以进行主动认定,能够及时发现已经达到认定标准的对象,并通知已经达到标准的对象已经通过认定或通知已经达到标准的对象走申请认定的流程,从而使得达到了认定标准的对象能够及时被认定,进而能够提高认定的普及率和及时性。而现有技术下进行认定都是由未申请认定的对象(对象包括企业等)申请认定(例如高新企业认定),如果对象不申请认定,那么即使对象已经达到了认定的标准,也不可能有机会通过认定;有的对象在已经达到认定标准之后的很长时间后才申请认定,也导致了认定的不及时。
2、本发明实施例在主动认定还具有如下优点和有益效果:
(1)本发明实施例在主动认定的过程中可以用于对对象的全自动认定,或辅助专家评审进行对象的半自动认定,从而提高主动认定的自动化、智能化和认定效率。
(2)预设类别认定过程中会涉及到对象的多种数据,例如进行高新企业认定时,涉及到企业对象的财务数据、知识产权数据、产品数据、安全数据、质量数据等等,这些数据都能第三方例如工商部门、知识产权局、税务部门、公安部门、质检部门等获取,但现实中预设类别认定时没有充分利用第三方的数据来提高认定的可信度。本发明实施例利用的数据源包括从第三方获取的大数据比对象自己提供的数据更为可信。
(3)本发明实施例基于大数据结合认定标准进行智能分析来判断对象是否可以认定为预设类别来辅助专家进行评审,能降低专家评审的工作量,提高专家认定的效率。
(4)本发明实施例采用深度学习技术基于历史大数据自动生成用于认定的预设模型,可以进一步提高认定的智能性和准确性。
(5)本发明实施例通过认定方法和***能够筛选出符合预设类别认定标准的数据和对象,供评审专家参考,这样可以提高评审专家评审的速度,降低评审专家评审的工作量。
(6)本发明实施例通过认定方法和***能够筛选出不符合预设类别认定标准的数据和对象,供评审专家参考,这样可以使得评审专家对不符合条件的数据和对象更加严格的评审,从而提高认定的准确率。
本发明实施例提供的基于大数据和深度学习的主动认定方法和机器人***,包括:获取预设类别的认定标准,获取未申请认定的对象的数据,从所述对象的数据中获取所述认定标准对应的数据,判断认定是否通过,向认定通过的所述未申请认定的对象发送认定的结果,或发送信息邀请所述未申请认定的对象申请认定。上述方法和***通过基于大数据和深度学习的主动认定技术,提高了认定的普及率、及时性,并能避免漏认定。
附图说明
图1为本发明的实施例1提供的认定方法的流程图;
图2为本发明的实施例4提供的认定判断步骤的流程图;
图3为本发明的实施例5提供的每一项标准对应的预设模型获取步骤的流程图;
图4为本发明的实施例5提供的总体标准对应的预设模型获取步骤的流程图;
图5为本发明的实施例7提供的认定***的原理框图;
图6为本发明的实施例10提供的认定判断模块的原理框图;
图7为本发明的实施例11提供的每一项标准对应的预设模型获取模块的原理框图;
图8为本发明的实施例11提供的总体标准对应的预设模型获取模块的原理框图。
具体实施方式
下面结合本发明实施方式,对本发明实施例中的技术方案进行详细地描述。
(一)本发明的各种实施例中的方法包括以下步骤的各种组合:
认定标准获取步骤S100:获取预设类别的认定标准。
预设类别的认定标准就是将一个对象认定为预设类别对象的标准,例如将一个企业认定为高新企业的标准。所述预设类别例如高新技术企业,又如三好学生,又如优秀教师等等。
例如,国家对高新企业认定的标准一般如下,各个地方的认定标准与国家高新企业的认定标准会大同小异:1、企业申请认定时须注册成立一年以上;2、企业通过自主研发、受让、受赠、并购等方式,获得对其主要产品(服务)在技术上发挥核心支持作用的知识产权的所有权;3、对企业主要产品(服务)发挥核心支持作用的技术属于《国家重点支持的高新技术领域》规定的范围;4、企业从事研发和相关技术创新活动的科技人员占企业当年职工总数的比例不低于10%;5、企业近三个会计年度(实际经营期不满三年的按实际经营时间计算,下同)的研究开发费用总额占同期销售收入总额的比例符合如下要求:(1)最近一年销售收入小于5,000万元(含)的企业,比例不低于5%;(2)最近一年销售收入在5,000万元至2亿元(含)的企业,比例不低于4%;(3)最近一年销售收入在2亿元以上的企业,比例不低于3%.其中,企业在中国境内发生的研究开发费用总额占全部研究开发费用总额的比例不低于60%;6、近一年高新技术产品(服务)收入占企业同期总收入的比例不低于60%;7、企业创新能力评价应达到相应要求;8、企业申请认定前一年内未发生重大安全、重大质量事故或严重环境违法行为。
对象数据获取步骤S200:获取未申请认定的对象的数据。未申请认定的对象包括未申请认定的对象、已申请认定的对象。主动认定与传统认定的关键区别在于传统认定只对已申请认定的对象进行认定,而不会去认定未申请认定的对象,而主动认定会认定未申请认定的对象。所述对象例如企业、学生、教师等等。例如需要认定企业是否为高新技术企业,又如需要认定一个学生是否为三好学生,又如需要认定一个教师是否为优秀教师等等。
对象数据获取步骤S200包括数据源获取步骤S210、对象数据检索步骤S220。
数据源获取步骤S210:获取数据源。所述数据源包括对象提供的数据、第三方提供的数据。对象提供的数据指所述对象提供的数据。第三方提供的数据包括政府部门、行业协会、知识产权局等部门存储的对象数据。数据源的提供方式包括数据检索与获取接口。通过所述接口通过计算机程序就能自动检索和获取相关数据。数据源一般为在线数据源,通过互联网可以远程获取在线数据源中的数据。所述数据源可以包括分布在不同部门的多个数据源。
对象数据检索步骤S220:从数据源中检索并获取所述对象的数据。因为数据源中包含有很多对象的数据和其他数据,如果整体获取下来再检索会花费过多的网络传输时间,所以需要先检索出所述对象的数据,再将所述对象的数据获取到本地。当有多个数据源时,要分别从多个数据源检索出所述对象的数据,然后分别下载到本地。
标准对应的数据获取步骤S300:从所述对象的数据中获取所述认定标准对应的数据。
标准对应的数据获取步骤S300包括数据筛选步骤S310、数据清洗步骤S320。
数据筛选步骤S310:根据所述认定标准,从所述对象的数据中筛选出所述对象对应的第一数据。所述对象的数据包括有各种数据,其中数据不一定都与预设类别认定标准有关,所以需要从所述对象的数据中检索出与预设类别认定标准有关的数据,作为所述对象对应的第一数据。预设类别认定标准有多项,各项标准对应的数据可能在不同的数据源中,例如财务数据在工商部门提供的数据源中,知识产权数据在知识产权局提供数据源中,质检数据在质检部门提供的数据源中,安全数据在公安部门提供的数据源中,所以更优的方式是,获取数据源中数据类别与各项标准之间的预设对应关系,从所述对象的数据中获取每一数据源对应的数据,从所述每一数据源对应的数据中检索出与所述每一数据源对应的标准相关的数据。例如知识产权部门提供的数据源对应的标准是知识产权标准,从知识产权部门提供的数据源中包括这个对象的知识产权的缴费数据、申请数据、受理数据、授权数据,其中“申请数据、受理数据、授权数据”这三个类别的数据与预设类别认定的知识产权标准有关,则在知识产权部门提供的数据源中所述三个数据类别与预设类别认定的知识产权标准之间的建立对应关系,作为所述预设的对应关系。
数据清洗步骤S320:从所述第一数据中提取每一项标准对应的第二数据。将第一数据中与每一项标准对应的数据作为第二数据。判断所述每一项标准对应的第二数据是否存在:否,则向用户发送缺少所述每一项标准对应的第二数据的提醒信息;是,则判断所述每一项标准对应的第二数据是否唯一:否,则判断所述每一项标准对应的多个第二数据之间是否一致:否,则保留所述多个第二数据中可信度最高的第二数据,删除所述多个第二数据中其他第二数据。从所述第一数据中提取的所述每一项标准对应的第二数据是所述第一数据中与所述每一项标准对应的数据。
数据清洗步骤S320中所述保留所述多个第二数据中可信度最高的第二数据,删除所述多个第二数据中其他第二数据的步骤包括对应数据源获取步骤S321、可信度获取步骤S322、可信度选取步骤S323。
对应数据源获取步骤S321:获取所述多个第二数据中每个第二数据对应的数据源。因为第一数据是从数据源获取的,而第二数据又是从第一数据中提取的,所以可以获取到每个第二数据对应的数据源。
可信度获取步骤S322:获取所述每个第二数据对应的数据源的可信度。所述可信度可以预先设置。例如公安部门的数据源的可信度为100%,工商部门的数据源的可信度为99%,知识产权部门的数据源的可信度为98%,对象自身提供的数据源的可信度为80%。预先设置所述可信度的方式包括由专家对可信度进行设置,还包括自动生成所述可信度。
可信度获取步骤S322中所述自动生成可信度的步骤包括:将所有数据源的可信度初始化为初始值,例如50%。从历史大数据中获取每个对象的所述第一数据和已清洗得到的第二数据。将所述已清洗得到的第二数据对应的数据源的可信度增加预设值,将所述第一数据中与已清洗得到的第二数据一致的其他第二数据对应的数据源的可信度增加预设值,例如0.1%,将所述第一数据中与已清洗得到的第二数据不一致的其他第二数据对应的数据源的可信度减少预设值,例如0.05%。当所述第二数据对应的数据源的可信度达到100%时,则不再增加预设值;当所述第二数据对应的数据源的可信度减少到0%时,则不再建设预设值。这样就能够使得不同的数据源的可信度根据历史第二数据是否正确而进行增减,从而形成不同数据源的不同可信度。所述已清洗得到的第二数据指的是通过人工方式或其他方式确认的正确的第二数据。可见,在尚不清楚各个数据源的可信度之前的多次预设类别认定时,需要人工的方式来进行数据的清洗,然后就可以根据这些历史数据来分析得到各个数据源的可信度。
可信度选取步骤S323:从所述每个第二数据对应的数据源的可信度中选取最高的可信度。保留所述多个第二数据中所述最高可信度对应的第二数据,删除所述多个第二数据中所述最高可信度对应的第二数据以外的其他第二数据。这样就能够在多个第二数据相互冲突时,保留最可信的数据,而将其他的相互冲突的数据删除。
认定判断步骤S400:判断所述认定标准对应的数据是否符合所述认定标准:是,则所述预设类别的认定结果是通过认定;否,则所述预设类别的认定结果是不通过认定。
认定判断步骤S400包括子标准获取步骤S410、对应数据提取步骤S420、每一项标准对应的预设模型获取步骤S430、每一项标准判断步骤S440、总体标准对应的预设模型获取步骤S450、总体标准判断步骤S460、综合判断步骤S470。
子标准获取步骤S410:获取所述认定标准中每一项标准和总体标准。
对应数据提取步骤S420:从所述第一数据中提取所述每一项标准对应的第二数据。判断所述每一项标准对应的第二数据是否存在:是,则跳转到S430继续执行;否,则将所述每一项标准对应的第三数据设置为空,然后跳转到S450继续执行。
每一项标准对应的预设模型获取步骤S430:获取所述每一项标准对应的预设模型。所述预设模型包括公式或算法或深度学习模型。
当所述预设模型是深度学习模型时,每一项标准对应的预设模型获取步骤S430包括每一项标准对应的深度学习模型初始化步骤S431、每一项标准对应的历史数据获取步骤S432、第二深度学习模型生成步骤S433、第三深度学习模型生成步骤S434、每一项标准对应的预设深度学习模型设置步骤S435。
每一项标准对应的深度学习模型初始化步骤S431:初始化所述每一项标准对应的深度学习模型,将所述深度学习模型的输入格式设置为所述每一项标准对应的第二数据的格式,将所述深度学习模型的输出格式设置为所述每一项标准对应的第三数据的格式,通过初始化得到的所述深度学习模型作为第一深度学习模型。
每一项标准对应的历史数据获取步骤S432:从历史大数据中获取所述每一项标准对应的已进行过认定的每一对象的第二数据和第三数据。历史大数据是指大量的历史数据或积累了较长时间的数据。已进行过认定的对象,包括已进行过认定通过的对象、已进行过认定但认定未通过的对象。其中,第三数据可以是所述每一项标准对应的评分或评价结果或其他能反映出所述第二数据符合所述每一项标准的程度的数值。
第二深度学习模型生成步骤S433:将所述每一项标准对应的已进行过认定的每一对象的第二数据作为所述第一深度学习模型的输入数据,对所述第一深度学习模型进行无监督训练,通过无监督训练得到的所述第一深度学习模型作为第二深度学习模型。
第三深度学习模型生成步骤S434:将所述每一项标准对应的已进行过认定的每一对象的第二数据和第三数据分别作为所述第二深度学习模型的输入数据和输出数据,对所述第二深度学习模型进行有监督训练。将所述每一项标准对应的已进行过认定的每一对象的第二数据和第三数据分别作为所述第二深度学习模型的输入数据和输出数据,指的是将所述每一项标准对应的已进行过认定的每一对象的第二数据作为所述第二深度学习模型的输入数据,将所述每一项标准对应的已进行过认定的所述每一对象的第三数据作为所述第二深度学习模型的输出数据,通过有监督训练得到的所述第二深度学习模型作为第三深度学习模型。
每一项标准对应的预设模型设置步骤S435:将所述第三深度学习模型作为所述每一项标准对应的预设模型。
每一项标准对应的第三数据生成步骤S440:根据所述每一项标准对应的第二数据和所述每一项标准对应的预设模型,计算得到所述每一项标准对应的第三数据。在计算机上执行所述每一项标准对应的预设模型,将所述每一项标准对应的第二数据作为所述每一项标准对应的预设模型的输入,计算得到的输出作为所述每一项标准对应的第三数据。优选地,将所述每一项标准对应的第二数据作为所述每一项标准对应的所述第三深度学习模型的输入,计算得到的所述第三深度学习模型的输出作为所述每一项标准对应的第三数据。其中,第三数据可以是所述每一项标准对应的评分或评价结果或其他能反映出所述第二数据符合所述每一项标准的程度的数值。
每一项标准判断步骤S450:根据所述每一标准对应的第三数据和预设范围,判断所述未申请认定的对象是否符合所述每一项标准。
每一项标准判断步骤S450包括每一项标准对应的预设范围获取步骤S451、每一项标准对应的第三数据判断步骤S452。
每一项标准对应的预设范围获取步骤S451:获取所述每一项标准对应的预设范围。不同的标准对应的预设范围不同,有的是硬性的标准,则有固定的范围,而有的标准不是硬性的标准,则范围设为从负无穷到正无穷。如果一个标准不是硬性的标准,则这个标准对应的结果都在所述预设范围内。但不论一个标准是否是硬性的标准都会对所述未申请认定的对象是否能通过认定产生影响,因为会对最终总体评分产生影响,而总体评分对应的总体标准一般都会有一个范围,例如大于80分。
每一项标准对应的第三数据判断步骤S452:判断所述每一项标准对应的第三数据是否为空:
是,则判断所述每一项标准对应的预设范围是否为从负无穷到正无穷:是,则判定所述未申请认定的对象符合所述每一项标准;否,则判定所述未申请认定的对象不符合所述每一项标准;
否:则判断所述每一项标准对应的第三数据是否在所述每一项标准对应的预设范围中:是,则判定所述未申请认定的对象符合所述每一项标准;否,则判定所述未申请认定的对象不符合所述每一项标准。
总体标准对应的预设模型获取步骤S460:获取所述总体标准对应的预设模型。所述预设模型包括公式或算法或深度学习模型。
当所述预设模型是深度学习模型时,总体标准对应的预设模型获取步骤S460包括总体标准对应的深度学习模型初始化步骤S461、总体标准对应的历史数据获取步骤S462、第五深度学习模型生成步骤S463、第六深度学习模型生成步骤S464、总体标准对应的预设模型设置步骤S465:
总体标准对应的深度学习模型初始化步骤S461:初始化所述总体标准对应的深度学习模型,将所述深度学习模型的输入格式设置为所述认定标准中每一项标准对应的第三数据的集合的格式,将所述深度学习模型的输出格式设置为所述总体标准对应的第三数据的格式,通过初始化得到的所述深度学习模型作为第四深度学习模型。
总体标准对应的历史数据获取步骤S462:从历史大数据中获取所述已进行过认定的每一对象的所述认定标准中每一项标准对应的第三数据的集合和所述总体标准对应的第三数据。其中,每一项标准对应的第三数据可以是所述每一项标准对应的评分或评价结果或其他能反映出所述第二数据符合所述每一项标准的程度的数值。总体标准对应的第三数据可以是所述总体标准对应的评分或评价结果或其他能反映出所述每一项标准对应的第三数据符合所述总体标准的程度的数值。
第五深度学习模型生成步骤S463:将所述认定标准中每一项标准对应的已进行过认定的每一对象的第三数据的集合作为所述深度学习模型的输入数据,对所述第四深度学习模型进行无监督训练,通过无监督训练得到的所述第四深度学习模型作为第五深度学习模型。
第六深度学习模型生成步骤S464:将所述已进行过认定的每一对象的所述认定标准中每一项标准对应的第三数据的集合和所述总体标准对应的第三数据分别作为所述第五深度学习模型的输入数据和输出数据,对所述第五深度学习模型进行有监督训练。将所述认定标准中每一项标准对应的已进行过认定的每一对象的第三数据的集合和所述总体标准对应的第三数据分别作为所述第五深度学习模型的输入数据和输出数据,指的是将每一项标准对应的已进行过认定的每一对象的第三数据作为所述第五深度学习模型的输入数据,将所述总体标准对应的已进行过认定的所述每一对象的第三数据作为所述第五深度学习模型的输出数据,通过有监督训练得到的所述第五深度学习模型作为第六深度学习模型。
总体标准对应的预设模型设置步骤S465:将所述第六深度学习模型作为所述总体标准对应的预设模型。
总体标准判断步骤S470:根据所述每一项标准对应的第三数据、所述总体标准对应的预设模型和预设范围,判断所述未申请认定的对象是否符合所述总体标准。
总体标准判断步骤S470包括总体标准对应的第三数据生成步骤S471、总体标准对应的预设范围获取步骤S472、总体标准对应的第三数据判断步骤S473。
总体标准对应的第三数据生成步骤S471:根据所述每一项标准对应的第三数据和所述总体标准对应的预设模型,计算得到所述总体标准对应的第三数据。在计算机上执行所述每一项标准对应的预设模型,将所述每一项标准对应的第三数据作为所述总体标准对应的预设模型的输入,计算得到的输出作为所述总体标准对应的第三数据。优选地,将所述每一项标准对应的第三数据作为所述总体标准对应的所述第六深度学习模型的输入,计算得到的所述第六深度学习模型的输出作为所述总体标准对应的第三数据。其中,每一项标准对应的第三数据可以是所述每一项标准对应的评分或评价结果或其他能反映出所述第二数据符合所述每一项标准的程度的数值。总体标准对应的第三数据可以是所述总体标准对应的评分或评价结果或其他能反映出所述每一项标准对应的第三数据符合所述总体标准的程度的数值。
总体标准对应的预设范围获取步骤S472:获取所述总体标准对应的预设范围。总体标准对应的总体评分一般都会有一个范围,例如大于80分。
总体标准对应的第三数据判断步骤S473:判断所述总体标准对应的第三数据是否在所述总体标准对应的预设范围中:是,则判断所述未申请认定的对象符合所述总体标准;否,则判断所述未申请认定的对象不符合所述总体标准。
综合判断步骤S480:判断所述未申请认定的对象是否符合所述认定标准中每一项标准和总体标准:是,则判定所述未申请认定的对象属于预设类别,即认定的结果是所述未申请认定的对象通过了认定;否,则判定所述未申请认定的对象不属于预设类别,即认定的结果是所述未申请认定的对象没有通过认定。符合所述认定标准中每一项标准和总体标准指的是同时符合所述认定标准中每一项标准和总体标准。如果有某一项标准或总体标准不符合,则判断所述未申请认定的对象不属于预设类别。
主动反馈步骤S500:判断所述预设类别的认定结果是否为通过认定:是,则将通过认定的结果发送给所述未申请认定的对象或邀请所述未申请认定的对象进行认定的申请。当预设类别的认定可以直接由主动认定的结果来确定,而无需其他流程,则可以直接把将认定的结果反馈给所述未申请认定的对象;当预设类别的认定需要额外的流程(例如对象盖章的申请材料),则需要邀请所述未申请认定的对象进行认定的申请。
如果所述未申请认定的对象且没有通过本次认定,没有通过本次认定说明所述未申请认定的对象还没有达到认定的标准,所以就没有必要将认定的结果通知所述未申请认定的对象,也没有必要邀请所述未申请认定的对象进行认定的申请,这样就不会打扰到所述未申请认定的对象,从而起到默默为所述未申请认定的对象进行主动认定服务的效果。主动认定的过程中,不需要未申请认定的所述未申请认定的对象付出任何时间和人力物力来参与,甚至整个过程中所述未申请认定的对象毫不知情,只有在主动认定过程中认定通过的情况下才会受到通知或邀请。
上述步骤可以在Spark等大数据平台上执行,以加快大数据处理的速度。
(二)本发明的各种实施例中的***包括以下模块的各种组合:
认定标准获取模块100执行认定标准获取步骤S100。
执行对象数据获取模块200执行对象数据获取步骤S200。
对象数据获取模块200包括数据源获取模块210、对象数据检索模块220。
数据源获取模块210执行数据源获取步骤S210。
对象数据检索模块220执行对象数据检索步骤S220。
标准对应的数据获取模块300执行标准对应的数据获取步骤S300。
标准对应的数据获取模块300包括数据筛选模块310、数据清洗模块320。
数据筛选模块310执行数据筛选步骤S310。
数据清洗模块320执行数据清洗步骤S320。
数据清洗模块320包括对应数据源获取模块321、可信度获取模块322、可信度选取模块323。
对应数据源获取模块321执行对应数据源获取步骤S321。
可信度获取模块322执行可信度获取步骤S322。
可信度选取模块323执行可信度选取步骤S323。
认定判断模块400执行认定判断步骤S400。
认定判断模块400包括子标准获取模块410、对应数据提取模块420、每一项标准对应的预设模型获取模块430、每一项标准判断模块440、总体标准对应的预设模型获取模块450、总体标准判断模块460、综合判断模块470。
子标准获取模块410执行子标准获取步骤S410。
对应数据提取模块420执行对应数据提取步骤S420。
每一项标准对应的预设模型获取模块430执行每一项标准对应的预设模型获取步骤S430。
每一项标准对应的预设模型获取模块430包括每一项标准对应的深度学习模型初始化模块431、每一项标准对应的历史数据获取模块432、第二深度学习模型生成模块433、第三深度学习模型生成模块434、每一项标准对应的预设深度学习模型设置模块435。
每一项标准对应的深度学习模型初始化模块431执行每一项标准对应的深度学习模型初始化步骤S431。
每一项标准对应的历史数据获取模块432执行每一项标准对应的历史数据获取步骤S432。
第二深度学习模型生成模块433执行第二深度学习模型生成步骤S433。
第三深度学习模型生成模块434执行第三深度学习模型生成步骤S434。
每一项标准对应的预设深度学习模型设置模块435执行每一项标准对应的预设模型设置步骤S435。
每一项标准对应的第三数据生成模块440执行每一项标准对应的第三数据生成步骤S440。
每一项标准判断模块450执行每一项标准判断步骤S450。
每一项标准判断模块450包括每一项标准对应的预设范围获取模块451、每一项标准对应的第三数据判断模块452。
每一项标准对应的预设范围获取模块451执行每一项标准对应的预设范围获取步骤S451。
每一项标准对应的第三数据判断模块452执行每一项标准对应的第三数据判断步骤S452。
总体标准对应的预设模型获取模块460执行总体标准对应的预设模型获取步骤S460。
总体标准对应的预设模型获取模块460包括总体标准对应的深度学习模型初始化模块461、总体标准对应的历史数据获取模块462、第五深度学习模型生成模块463、第六深度学习模型生成模块464、总体标准对应的预设模型设置模块465:
总体标准对应的深度学习模型初始化模块461执行总体标准对应的深度学习模型初始化步骤S461。
总体标准对应的历史数据获取模块462执行总体标准对应的历史数据获取步骤S462。
第五深度学习模型生成模块463执行第五深度学习模型生成步骤S463。
第六深度学习模型生成模块464执行第六深度学习模型生成步骤S464。
总体标准对应的预设模型设置模块465执行总体标准对应的预设模型设置步骤S465。
总体标准判断模块470执行总体标准判断步骤S470。
总体标准判断模块470包括总体标准对应的第三数据生成模块471、总体标准对应的预设范围获取模块472、总体标准对应的第三数据判断模块473。
总体标准对应的第三数据生成模块471执行总体标准对应的第三数据生成步骤S471。
总体标准对应的预设范围获取模块472执行总体标准对应的预设范围获取步骤S472。
总体标准对应的第三数据判断模块473执行总体标准对应的第三数据判断步骤S473。
综合判断模块480执行综合判断步骤S480。
主动反馈模块500执行主动反馈步骤S500。
上述模块可以在Spark等大数据平台上部署,以加快大数据处理的速度。
(三)本发明的几种实施例
实施例1提供一种认定方法,所述认定方法包括认定标准获取步骤S100、对象数据获取步骤S200、标准对应的数据获取步骤S300、认定判断步骤S400、主动反馈步骤S500,如图1所示。
实施例2提供一种认定方法,包括实施例1中所述方法的各步骤;其中,对象数据获取步骤S200包括数据源获取步骤S210、对象数据检索S220,标准对应的数据获取步骤S300包括数据筛选步骤S310、数据清洗步骤S320。
实施例3提供一种认定方法,包括实施例2中所述方法的各步骤;其中,数据清洗步骤S320包括对应数据源获取步骤S321、可信度获取步骤S322、可信度选取步骤S323。
实施例4提供一种认定方法,包括实施例2中所述方法的各步骤;其中,认定判断步骤S400包括子标准获取步骤S410、对应数据提取步骤S420、每一项标准对应的预设模型获取步骤S430、每一项标准对应的第三数据生成步骤S440、每一项标准判断步骤S450、总体标准对应的预设模型获取步骤S460、总体标准判断步骤S470、综合判断步骤S480,如图2所示。
实施例5提供一种认定方法,包括实施例4中所述方法的各步骤;其中,每一项标准对应的预设模型获取步骤S430包括每一项标准对应的深度学习模型初始化步骤S431、每一项标准对应的历史数据获取步骤S432、第二深度学习模型生成步骤S433、第三深度学习模型生成步骤S434、每一项标准对应的预设深度学习模型设置步骤S435,如图3所示;总体标准对应的预设模型获取步骤S460包括总体标准对应的深度学习模型初始化步骤S461、总体标准对应的历史数据获取步骤S462、第五深度学习模型生成步骤S463、第六深度学习模型生成步骤S464、总体标准对应的预设模型设置步骤S465,如图4所示。
实施例6提供一种认定方法,包括实施例4中所述方法的各步骤;其中,每一项标准判断步骤S450包括每一项标准对应的预设范围获取步骤S451、每一项标准对应的第三数据判断步骤S452;总体标准判断步骤S470包括总体标准对应的第三数据生成步骤S471、总体标准对应的预设范围获取步骤S472、总体标准对应的第三数据判断步骤S473。
实施例7提供一种认定***,所述认定***包括认定标准获取模块100、对象数据获取模块200、标准对应的数据获取模块300、认定判断模块400、主动反馈模块500,如图5所示。
实施例8提供一种认定***,包括实施例7中所述***的各步骤;其中,对象数据获取模块200包括数据源获取模块210、对象数据检索S220,标准对应的数据获取模块300包括数据筛选模块310、数据清洗模块320。
实施例9提供一种认定***,包括实施例8中所述***的各步骤;其中,数据清洗模块320包括对应数据源获取模块321、可信度获取模块322、可信度选取模块323。
实施例10提供一种认定***,包括实施例8中所述***的各步骤;其中,认定判断模块400包括子标准获取模块410、对应数据提取模块420、每一项标准对应的预设模型获取模块430、每一项标准对应的第三数据生成模块440、每一项标准判断模块450、总体标准对应的预设模型获取模块460、总体标准判断模块470、综合判断模块480,如图6所示。
实施例11提供一种认定***,包括实施例10中所述***的各步骤;其中,每一项标准对应的预设模型获取模块430包括每一项标准对应的深度学习模型初始化模块431、每一项标准对应的历史数据获取模块432、第二深度学习模型生成模块433、第三深度学习模型生成模块434、每一项标准对应的预设深度学习模型设置模块435,如图7所示;总体标准对应的预设模型获取模块460包括总体标准对应的深度学习模型初始化模块461、总体标准对应的历史数据获取模块462、第五深度学习模型生成模块463、第六深度学习模型生成模块464、总体标准对应的预设模型设置模块465,如图8所示。
实施例12提供一种认定***,包括实施例10中所述***的各步骤;其中,每一项标准判断模块450包括每一项标准对应的预设范围获取模块451、每一项标准对应的第三数据判断模块452;总体标准判断模块470包括总体标准对应的第三数据生成模块471、总体标准对应的预设范围获取模块472、总体标准对应的第三数据判断模块473。
实施例13提供一种机器人***,所述机器人中分别配置有如实施例7至实施例12所述的认定***。
上述各实施例中的方法和***可以在计算机、服务器、云服务器、超级计算机、机器人、嵌入式设备、电子设备等上执行和部署。
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本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,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (8)
1.一种认定方法,其特征在于,所述方法包括:
认定标准获取步骤,用于获取预设类别的认定标准;
对象数据获取步骤,用于获取未申请认定的对象的数据;
标准对应的数据获取步骤,用于从所述未申请认定的对象的数据中获取所述认定标准对应的数据;
认定判断步骤,用于判断所述认定标准对应的数据是否符合所述认定标准:是,所述未申请认定的对象认定通过;否,所述未申请认定的对象认定不通过;
主动反馈步骤,用于向认定通过的所述未申请认定的对象发送认定的结果,或发送信息邀请所述未申请认定的对象申请认定;当预设类别的认定可以直接由主动认定的结果来确定,而无需其他流程,则将认定的结果反馈给所述未申请认定的对象;当预设类别的认定需要额外的流程,则邀请所述未申请认定的对象进行认定的申请;
所述对象数据获取步骤包括:
数据源获取步骤,用于获取数据源;
对象数据检索步骤,用于从所述数据源中检索并获取所述未申请认定的对象的数据;
所述标准对应的数据获取步骤包括:
数据筛选步骤,用于从所述未申请认定的对象的数据中筛选出所述认定标准对应的数据作为第一数据;
数据清洗步骤,用于从所述第一数据中提取与每一项标准对应的数据作为所述每一项标准对应的第二数据;
所述认定判断步骤包括:
对应数据提取步骤,用于从所述第一数据中提取所述每一项标准对应的所述第二数据;
每一项标准对应的预设模型获取步骤,用于获取所述每一项标准对应的预设模型;
每一项标准对应的第三数据生成步骤,用于根据所述每一项标准对应的所述第二数据和所述每一项标准对应的所述预设模型,计算得到所述每一项标准对应的第三数据;
每一项标准判断步骤,用于根据所述每一标准对应的第三数据和预设范围,判断所述未申请认定的对象是否符合所述每一项标准;
总体标准对应的预设模型获取步骤,用于获取所述总体标准对应的预设模型;
总体标准判断步骤,用于根据所述每一项标准对应的第三数据、所述总体标准对应的预设模型和预设范围,判断所述未申请认定的对象是否符合所述总体标准;
综合判断步骤,用于判断所述未申请认定的对象是否符合所述认定标准中所述每一项标准和所述总体标准;
所述每一项标准对应的预设模型获取步骤包括:
每一项标准对应的深度学习模型初始化步骤,用于初始化所述每一项标准对应的深度学习模型作为第一深度学习模型;
每一项标准对应的历史数据获取步骤,用于从历史大数据中获取所述每一项标准对应的已进行过认定的每一对象的所述第二数据和第三数据;
第二深度学习模型生成步骤,用于将所述每一项标准对应的已进行过认定的每一对象的所述第二数据作为所述第一深度学习模型的输入数据,对所述第一深度学习模型进行无监督训练,得到的所述第一深度学习模型作为第二深度学习模型;
第三深度学习模型生成步骤,用于将所述每一项标准对应的已进行过认定的每一对象的所述第二数据和所述第三数据分别作为所述第二深度学习模型的输入数据和输出数据,对所述第二深度学习模型进行有监督训练,得到的所述第二深度学习模型作为第三深度学习模型;
每一项标准对应的预设模型设置步骤,用于将所述第三深度学习模型作为所述每一项标准对应的预设模型。
2.根据权利要求1所述的认定方法,其特征在于,
所述数据清洗步骤包括:
对应数据源获取步骤,用于获取多个所述第二数据中每个所述第二数据对应的数据源;
可信度获取步骤,用于获取每个所述第二数据对应的数据源的可信度;
可信度选取步骤,用于从每个所述第二数据对应的数据源的可信度中选取最高的可信度,保留所述多个所述第二数据中所述最高的可信度对应的所述第二数据,删除所述多个所述第二数据中所述最高的可信度对应的所述第二数据以外的其他所述第二数据。
3.根据权利要求1所述的认定方法,其特征在于,
所述认定判断步骤包括:
子标准获取步骤,用于获取所述认定标准中每一项标准和总体标准。
4.根据权利要求3所述的认定方法,其特征在于,
所述总体标准对应的预设模型获取步骤包括:
总体标准对应的深度学习模型初始化步骤,用于初始化所述总体标准对应的深度学习模型,得到的所述深度学习模型作为第四深度学习模型;
总体标准对应的历史数据获取步骤,用于从历史大数据中获取所述已进行过认定的每一对象的所述认定标准中每一项标准对应的第三数据的集合和所述总体标准对应的第三数据;
第五深度学习模型生成步骤,用于将所述认定标准中每一项标准对应的已进行过认定的每一对象的所述第三数据的集合作为所述深度学习模型的输入数据,对所述第四深度学习模型进行无监督训练,得到的所述第四深度学习模型作为第五深度学习模型;
第六深度学习模型生成步骤,用于将所述已进行过认定的每一对象的所述认定标准中每一项标准对应的所述第三数据的集合和所述总体标准对应的所述第三数据分别作为所述第五深度学习模型的输入数据和输出数据,对所述第五深度学习模型进行有监督训练,得到的所述第五深度学习模型作为第六深度学习模型;
总体标准对应的预设模型设置步骤,用于将所述第六深度学习模型作为所述总体标准对应的预设模型。
5.根据权利要求3所述的认定方法,其特征在于,
所述每一项标准判断步骤包括:
每一项标准对应的预设范围获取步骤,用于获取所述每一项标准对应的预设范围;
每一项标准对应的第三数据判断步骤,用于判定所述未申请认定的对象是否符合所述每一项标准;
所述总体标准判断步骤包括:
总体标准对应的第三数据生成步骤,用于根据所述每一项标准对应的所述第三数据和所述总体标准对应的所述预设模型,计算得到所述总体标准对应的第三数据;
总体标准对应的预设范围获取步骤,用于获取所述总体标准对应的预设范围;
总体标准对应的第三数据判断步骤,用于判断所述未申请认定的对象是否符合所述总体标准。
6.一种认定***,其特征在于,所述***包括:
认定标准获取模块,用于获取预设类别的认定标准;
对象数据获取模块,用于获取未申请认定的对象的数据;
标准对应的数据获取模块,用于从所述未申请认定的对象的数据中获取所述认定标准对应的数据;
认定判断模块,用于判断所述认定标准对应的数据是否符合所述认定标准:是,所述未申请认定的对象认定通过;否,所述未申请认定的对象认定不通过;
主动反馈模块,用于向认定通过的所述未申请认定的对象发送认定的结果,或发送信息邀请所述未申请认定的对象申请认定;当预设类别的认定可以直接由主动认定的结果来确定,而无需其他流程,则将认定的结果反馈给所述未申请认定的对象;当预设类别的认定需要额外的流程,则邀请所述未申请认定的对象进行认定的申请;
所述对象数据获取模块包括:
数据源获取模块,用于获取数据源;
对象数据检索模块,用于从所述数据源中检索并获取所述未申请认定的对象的数据;
所述标准对应的数据获取模块包括:
数据筛选模块,用于从所述未申请认定的对象的数据中筛选出所述认定标准对应的数据作为第一数据;
数据清洗模块,用于从所述第一数据中提取与每一项标准对应的数据作为所述每一项标准对应的第二数据;
所述认定判断模块包括:
对应数据提取模块,用于从所述第一数据中提取所述每一项标准对应的所述第二数据;
每一项标准对应的预设模型获取模块,用于获取所述每一项标准对应的预设模型;
每一项标准对应的第三数据生成模块,用于根据所述每一项标准对应的所述第二数据和所述每一项标准对应的所述预设模型,计算得到所述每一项标准对应的第三数据;
每一项标准判断模块,用于根据所述每一标准对应的第三数据和预设范围,判断所述未申请认定的对象是否符合所述每一项标准;
总体标准对应的预设模型获取模块,用于获取所述总体标准对应的预设模型;
总体标准判断模块,用于根据所述每一项标准对应的第三数据、所述总体标准对应的预设模型和预设范围,判断所述未申请认定的对象是否符合所述总体标准;
综合判断模块,用于判断所述未申请认定的对象是否符合所述认定标准中所述每一项标准和所述总体标准;
所述每一项标准对应的预设模型获取模块包括:
每一项标准对应的深度学习模型初始化模块,用于初始化所述每一项标准对应的深度学习模型作为第一深度学习模型;
每一项标准对应的历史数据获取模块,用于从历史大数据中获取所述每一项标准对应的已进行过认定的每一对象的所述第二数据和第三数据;
第二深度学习模型生成模块,用于将所述每一项标准对应的已进行过认定的每一对象的所述第二数据作为所述第一深度学习模型的输入数据,对所述第一深度学习模型进行无监督训练,得到的所述第一深度学习模型作为第二深度学习模型;
第三深度学习模型生成模块,用于将所述每一项标准对应的已进行过认定的每一对象的所述第二数据和所述第三数据分别作为所述第二深度学习模型的输入数据和输出数据,对所述第二深度学习模型进行有监督训练,得到的所述第二深度学习模型作为第三深度学习模型;
每一项标准对应的预设模型设置模块,用于将所述第三深度学习模型作为所述每一项标准对应的预设模型。
7.根据权利要求6所述的认定***,其特征在于,
所述认定判断模块包括:
子标准获取模块,用于获取所述认定标准中每一项标准和总体标准。
8.一种机器人***,其特征在于,所述机器人中分别配置有如权利要求6-7任一项所述的认定***。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811201409.4A CN109299153B (zh) | 2018-10-17 | 2018-10-17 | 基于大数据和深度学习的主动认定方法和机器人*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811201409.4A CN109299153B (zh) | 2018-10-17 | 2018-10-17 | 基于大数据和深度学习的主动认定方法和机器人*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109299153A CN109299153A (zh) | 2019-02-01 |
CN109299153B true CN109299153B (zh) | 2021-12-03 |
Family
ID=65162735
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811201409.4A Active CN109299153B (zh) | 2018-10-17 | 2018-10-17 | 基于大数据和深度学习的主动认定方法和机器人*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109299153B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106934589A (zh) * | 2017-01-18 | 2017-07-07 | 上海爱韦讯信息技术有限公司 | 一种审查结果自动化处理装置及方法 |
CN107563630A (zh) * | 2017-08-25 | 2018-01-09 | 前海梧桐(深圳)数据有限公司 | 基于多维度的企业评分方法及其*** |
CN107977789A (zh) * | 2017-12-05 | 2018-05-01 | 国网河南省电力公司南阳供电公司 | 基于大数据信息下的审计工作方法 |
CN108182389A (zh) * | 2017-12-14 | 2018-06-19 | 华南师范大学 | 基于大数据与深度学习的用户数据处理方法、机器人*** |
CN108364067A (zh) * | 2018-01-05 | 2018-08-03 | 华南师范大学 | 基于数据分割的深度学习方法以及机器人*** |
CN108595546A (zh) * | 2018-04-09 | 2018-09-28 | 武汉科技大学 | 基于半监督的跨媒体特征学习检索方法 |
CN108629479A (zh) * | 2018-03-22 | 2018-10-09 | 安徽华普生产力促进中心有限公司 | 企业申报高新技术企业项目的自评价*** |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2003096236A2 (en) * | 2002-05-10 | 2003-11-20 | Portfolio Aid Inc. | System and method for evaluating securities and portfolios thereof |
-
2018
- 2018-10-17 CN CN201811201409.4A patent/CN109299153B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106934589A (zh) * | 2017-01-18 | 2017-07-07 | 上海爱韦讯信息技术有限公司 | 一种审查结果自动化处理装置及方法 |
CN107563630A (zh) * | 2017-08-25 | 2018-01-09 | 前海梧桐(深圳)数据有限公司 | 基于多维度的企业评分方法及其*** |
CN107977789A (zh) * | 2017-12-05 | 2018-05-01 | 国网河南省电力公司南阳供电公司 | 基于大数据信息下的审计工作方法 |
CN108182389A (zh) * | 2017-12-14 | 2018-06-19 | 华南师范大学 | 基于大数据与深度学习的用户数据处理方法、机器人*** |
CN108364067A (zh) * | 2018-01-05 | 2018-08-03 | 华南师范大学 | 基于数据分割的深度学习方法以及机器人*** |
CN108629479A (zh) * | 2018-03-22 | 2018-10-09 | 安徽华普生产力促进中心有限公司 | 企业申报高新技术企业项目的自评价*** |
CN108595546A (zh) * | 2018-04-09 | 2018-09-28 | 武汉科技大学 | 基于半监督的跨媒体特征学习检索方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109299153A (zh) | 2019-02-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107193876B (zh) | 一种基于最近邻knn算法的缺失数据填补方法 | |
CN109345133B (zh) | 基于大数据和深度学习的评审方法和机器人*** | |
Nash et al. | Automated corrosion detection using crowdsourced training for deep learning | |
CN111754241A (zh) | 一种用户行为感知方法、装置、设备及介质 | |
CN111949795A (zh) | 工单自动分类方法及装置 | |
CN112348321A (zh) | 风险用户的识别方法、装置及电子设备 | |
CN109446229B (zh) | 基于大数据和深度学习的认定方法和机器人*** | |
CN113536323A (zh) | 一种针对远程在线办公的大数据安防处理方法及服务器 | |
CN111241873A (zh) | 图像翻拍检测方法及其模型的训练方法、支付方法及装置 | |
CN115271637A (zh) | 基于智能合约和人工智能的审批***及方法 | |
CN109299153B (zh) | 基于大数据和深度学习的主动认定方法和机器人*** | |
CN117519656A (zh) | 一种基于智能制造的软件开发*** | |
CN111062827B (zh) | 一种基于人工智能模式的工程监理方法 | |
CN110555007B (zh) | 盗号行为判别方法、装置、计算设备及存储介质 | |
CN112053245A (zh) | 信息评估方法及*** | |
CN117196630A (zh) | 交易风险预测方法、装置、终端设备以及存储介质 | |
CN109300025B (zh) | 基于大数据和深度学习的审计方法和机器人*** | |
CN116432069A (zh) | 信息处理方法、服务提供方法、装置、设备及介质 | |
CN110324418A (zh) | 基于用户关系推送业务的方法和装置 | |
CN109359133B (zh) | 基于大数据和深度学习的个性化认定方法和机器人*** | |
CN111080444B (zh) | 信息审核方法及装置 | |
CN111797233B (zh) | 基于垂直领域的事件链结构识别的方法和装置 | |
CN109409720B (zh) | 基于大数据和深度学习的个性化审计方法和机器人*** | |
CN113792189A (zh) | 群智软件开发贡献效率评估方法、装置、设备及介质 | |
CN109325021B (zh) | 基于大数据和深度学习的跟踪认定方法和机器人*** |
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 |