CN111652280A - 基于行为的目标物数据分析方法、装置及存储介质 - Google Patents
基于行为的目标物数据分析方法、装置及存储介质 Download PDFInfo
- Publication number
- CN111652280A CN111652280A CN202010370884.5A CN202010370884A CN111652280A CN 111652280 A CN111652280 A CN 111652280A CN 202010370884 A CN202010370884 A CN 202010370884A CN 111652280 A CN111652280 A CN 111652280A
- Authority
- CN
- China
- Prior art keywords
- data
- target object
- characteristic
- vector
- analysis model
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000007405 data analysis Methods 0.000 title claims abstract description 41
- 239000013598 vector Substances 0.000 claims abstract description 307
- 238000004458 analytical method Methods 0.000 claims abstract description 181
- 238000012549 training Methods 0.000 claims abstract description 98
- 230000011218 segmentation Effects 0.000 claims abstract description 44
- 238000004364 calculation method Methods 0.000 claims abstract description 34
- 238000005457 optimization Methods 0.000 claims abstract description 33
- 238000012545 processing Methods 0.000 claims abstract description 24
- 230000006399 behavior Effects 0.000 claims description 67
- 238000003066 decision tree Methods 0.000 claims description 46
- 238000005070 sampling Methods 0.000 claims description 42
- 238000004422 calculation algorithm Methods 0.000 claims description 25
- 230000004931 aggregating effect Effects 0.000 claims description 14
- 230000002776 aggregation Effects 0.000 claims description 14
- 238000004220 aggregation Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 abstract description 6
- 230000006870 function Effects 0.000 description 16
- 238000007726 management method Methods 0.000 description 13
- 230000000007 visual effect Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000006978 adaptation Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000012550 audit Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000013475 authorization Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012954 risk control Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Artificial Intelligence (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Game Theory and Decision Science (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及数据处理技术，揭露了一种基于行为的目标物数据分析方法，包括：获取用户的基本数据和目标物的特征数据；对基本数据和/或特征数据进行分词处理和进行编码，得到词向量集；对词向量集进行特征值计算；从特征值计算的结果中选取优化向量，得到优化向量集；利用构建的优化向量集对初始目标物分析模型进行训练得到标准目标物分析模型；利用标准目标物分析模型对待分析用户的基本数据和待分析目标物的特征数据进行分析，得到分析结果；根据分析结果对用户对应的待分析目标物的特征数据进行调整。此外，本发明还涉及区块链技术，所述基本数据和/或特征数据可存储于区块链节点中。本发明可以提高调整目标物数据的效率和精确度。
Description
技术领域
本发明涉及数据处理技术领域，尤其涉及一种基于行为的目标物数据分析方法、装置、电子设备及计算机可读存储介质。
背景技术
随着科技的发展，人们需求的目标物也变得越来越复杂与个性化，虽然越来越多的产品和服务出现在人们面前，但面对着海量的用户，绝大多数产品和服务却难以满足人们的不同需求，因此，如何对现有的目标物的数据(如产品的大小和类型或服务的时间和类型)进行调整，从而符合大众的需求，越来越被人们所重视。
例如，用户可能更偏好于某一产品和\或服务的某一价格区间或是提供时间段，而错误的定价或是在错误的时间段进行提供产品和\或服务，将导致用户的流失。目前主流的目标物数据调整策略是人工进行统计调整，该方法过于依赖人工进行，缺乏时效性且精确度不高，因此，如何高效率，高精确度的对目标物进行调整成为越来越重要的问题。
发明内容
本发明提供一种基于行为的目标物数据分析方法、装置、电子设备及计算机可读存储介质，其主要目的在于提高调整目标物数据的效率和精确度。
为实现上述目的，本发明提供的一种基于行为的目标物数据分析方法，包括：
获取用户的基本数据和目标物的特征数据，其中，所述基本数据包括所述用户相对所述目标物的行为数据；
对所述基本数据和/或所述特征数据进行分词处理，并对分词后的分词结果数据进行编码，得到词向量集；
对所述词向量集中的词向量进行特征值计算；
从特征值计算的结果中选取优化向量，得到优化向量集；
构建初始目标物分析模型，利用所述优化向量集对所述初始目标物分析模型进行训练，得到标准目标物分析模型；
获取待分析用户的基本数据和所述待分析用户对应的待分析目标物的特征数据，利用所述标准目标物分析模型对所述取待分析用户的基本数据和所述待分析目标物的特征数据进行分析，得到分析结果；
根据所述分析结果对所述待分析用户对应的待分析目标物的特征数据进行调整。
可选地，所述对所述词向量集中的词向量进行特征值计算包括：
对所述词向量集进行多次词向量采样，得到多个包含词向量的训练集，所述采样为有放回随机采样；
对所述多个包含词向量的训练集分别分类，得到多个分类结果，所述分类结果包含特征向量集和/或非特征向量集；
计算所述多个分类结果中特征向量集包含的信息熵，选取所述信息熵大于预设熵阈值的特征向量集对应的分类结果，得到分类结果集；
计算所述分类结果集包含的不同特征向量集中每个特征向量的第一特征值和第二特征值。
可选地，所述从特征值计算的结果中选取优化向量，得到优化向量集，包括：
将所述第一特征值和所述第二特征值分别对应相加，得到所述不同特征向量集中各个特征向量的总特征值；
将所述不同特征向量集中各个特征向量按照所述总特征值的大小排序，得到向量序列；
依次选取所述向量序列中若干个特征向量，将所述若干个特征向量汇集为所述优化向量集。
可选地，所述构建初始目标物分析模型，利用所述优化向量集对所述初始目标物分析模型进行训练，得到标准目标物分析模型，包括：
对所述优化向量集进行预设次数的有放回随机采样，获得多个训练集；
利用所述多个训练集生成与所述多个训练集对应的多颗决策树；
利用聚合算法将所述多棵决策树聚合为所述初始目标物分析模型；
利用所述优化向量集对所述初始目标物分析模型进行训练，得到训练目标物分析模型；
对所述训练目标物分析模型进行参数调优，得到所述标准目标物分析模型。
可选地，所述利用聚合算法将所述多棵决策树聚合为所述初始目标物分析模型包括：
利用如下聚合算法将所述多棵决策树聚合为所述初始目标物分析模型：
其中，F表示所述多棵决策树的集合，fk表示所述多颗决策树中第k棵决策树，K表示所述多棵决策树的总棵树，
为所述初始目标物分析模型。
为了解决上述问题，本发明还提供一种基于行为的目标物数据分析装置，所述装置包括：
数据获取模块，用于获取用户的基本数据和目标物的特征数据，其中，所述基本数据包括所述用户相对所述目标物的行为数据；
数据分词模块，用于对所述基本数据和/或所述特征数据进行分词处理，并对分词后的分词结果数据进行编码，得到词向量集；
特征值计算模块，用于对所述词向量集中的词向量进行特征值计算；
向量筛选模块，用于从特征值计算的结果中选取优化向量，得到优化向量集；
模型训练模块，用于构建初始目标物分析模型，利用所述优化向量集对所述初始目标物分析模型进行训练，得到标准目标物分析模型；
数据分析模块，用于获取待分析用户的基本数据和所述待分析用户对应的待分析目标物的特征数据，利用所述标准目标物分析模型对所述取待分析用户的基本数据和所述待分析目标物的特征数据进行分析，得到分析结果；
数据调整模块，用于根据所述分析结果对所述待分析用户对应的待分析目标物的特征数据进行调整。
可选地，所述特征值计算模块具体用于：
对所述词向量集进行多次词向量采样，得到多个包含词向量的训练集，所述采样为有放回随机采样；
对所述多个包含词向量的训练集分别分类，得到多个分类结果，所述分类结果包含特征向量集和/或非特征向量集；
计算所述多个分类结果中特征向量集包含的信息熵，选取所述信息熵大于预设熵阈值的特征向量集对应的分类结果，得到分类结果集；
计算所述分类结果集包含的不同特征向量集中每个特征向量的第一特征值和第二特征值。
可选地，所述模型训练模块具体用于：
对所述优化向量集进行预设次数的有放回随机采样，获得多个训练集；
利用所述多个训练集生成与所述多个训练集对应的多颗决策树；
利用聚合算法将所述多棵决策树聚合为所述初始目标物分析模型；
利用所述优化向量集对所述初始目标物分析模型进行训练，得到训练目标物分析模型；
对所述训练目标物分析模型进行参数调优，得到所述标准目标物分析模型。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
存储器，存储至少一个指令；及
处理器，执行所述存储器中存储的指令以实现上述中任意一项所述的基于行为的目标物数据分析方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质，包括存储数据区和存储程序区，存储数据区存储根据区块链节点的使用所创建的数据，存储程序区存储有计算机程序；其中，所述计算机程序被处理器执行时实现上述所述的目标物数据分析方法。
本发明实施例中，在获取用户的基本数据和目标物的特征数据之后进行分析和编码处理得到词向量集；进而基于词向量集得到优化向量集，并且构建初始目标物分析模型；利用得到的优化向量集对初始目标物分析模型进行训练，得到标准目标物分析模型；利用标准目标物分析模型对取待分析用户的基本数据和待分析目标物的特征数据进行分析，得到分析结果；根据分析结果对用户对应的待分析目标物的特征数据进行调整。通过建立模型并通过模型进行分析，基于分析结果待分析目标物的特征数据进行调整，提高了对目标物数据进行调整的效率；同时，基于用户的行为数据建立模型，根据用户的行为数据和目标物的特征数据对建立的模型进行训练，提高了模型分析的结果与不同用户的契合度，训练得到的模型能够进行精准的个性分析，进而通过模型进行目标物数据的调整，提高了对目标物数据进行调整的精确度。因此本发明提出的基于行为的目标物数据分析方法、装置及计算机可读存储介质，可以实现提高调整目标物数据的效率和精确度的目的。
附图说明
图1为本发明一实施例提供的基于行为的目标物数据分析方法的流程示意图；
图2为本发明一实施例中通过训练得到标准目标物分析模型的流程示意图；
图3为本发明一实施例提供的基于行为的目标物数据分析装置的模块示意图；
图4为本发明一实施例提供的实现基于行为的目标物数据分析方法的电子设备的内部结构示意图；
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本申请实施例提供的基于行为的目标物数据分析方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述基于行为的目标物数据分析方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。
区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层。
区块链底层平台可以包括用户管理、基础服务、智能合约以及运营监控等处理模块。其中，用户管理模块负责所有区块链参与者的身份信息管理，包括维护公私钥生成(账户管理)、密钥管理以及用户真实身份和区块链地址对应关系维护(权限管理)等，并且在授权的情况下，监管和审计某些真实身份的交易情况，提供风险控制的规则配置(风控审计)；基础服务模块部署在所有区块链节点设备上，用来验证业务请求的有效性，并对有效请求完成共识后记录到存储上，对于一个新的业务请求，基础服务先对接口适配解析和鉴权处理(接口适配)，然后通过共识算法将业务信息加密(共识管理)，在加密之后完整一致的传输至共享账本上(网络通信)，并进行记录存储；智能合约模块负责合约的注册发行以及合约触发和合约执行，开发人员可以通过某种编程语言定义合约逻辑，发布到区块链上(合约注册)，根据合约条款的逻辑，调用密钥或者其它的事件触发执行，完成合约逻辑，同时还提供对合约升级注销的功能；运营监控模块主要负责产品发布过程中的部署、配置的修改、合约设置、云适配以及产品运行中的实时状态的可视化输出，例如：告警、监控网络情况、监控节点设备健康状态等。
本发明提供一种基于行为的目标物数据分析方法。参照图1所示，为本发明一实施例提供的基于行为的目标物数据分析方法的流程示意图。该方法可以由一个装置执行，该装置可以由软件和/或硬件实现。
在本实施例中，基于行为的目标物数据分析方法包括：
S1、获取用户的基本数据和目标物的特征数据，其中，所述基本数据包括所述用户相对所述目标物的行为数据。
本发明实施例中，所述基本数据包括用户的行为数据，所述用户的行为数据包括所述用户相对所述目标物的的行为数据，即所述行为数据包括用户对目标物产生的行为数据，如用户的点击数据，用户的留言反馈数据(如用户对某一价格区间的产品和/或服务的投票)等。
进一步地，在本发明其他可选实施例中，用户的基本信息还可以包括但不限于用户的身份信息(如用户姓名和用户年龄)、用户的消费信息等。
本发明实施例中，目标物是指某一产品或服务，所述目标物的特征数据是指某一产品和/或服务的数据，如产品和/或服务的价格，期限，质量等。
在本发明另一可选实施例中，用户的基本数据包括身份数据、询价数据和赔付数据，目标物的特征数据包括车辆数据和保单数据。
本发明其中一个优选实施例中，所述基本数据和/或特征数据可存储于区块链节点中。
具体地，本发明可利用预先编辑好的java语句从用于一个或多个区块链的数据库节点中调用所述用户的基本信息和所述目标物的特征数据，该数据库节点用于存储多个用户基本信息和多个目标物的特征数据的，因此，在本实施例中，可以获取多个用户的进本数据和多个目标物的特征数据。
进一步地，在本发明另一可选实施例中，当获取到所述用户的基本信息后，将所述基本信息中的各项数据生成用户肖像，并将用户肖像以可视化的形式进行展现，如将用户的基本信息以Excel表格和/或比例图的方式进行展示。
通过基于用户的基本信息生成用户肖像，能够更直观的展现不同用户的特征信息。
S2、对所述基本数据和/或所述特征数据进行分词处理，并对分词后的分词结果数据进行编码，得到词向量集。
较佳地，本发明实施例将所述基本数据和/或所述特征数据利用THULAC分词工具对进行分词处理，得到分词结果数据，即分词信息集，并使用独热编码技术对分词信息集中的每一个分词进行编码处理，使基本数据和/或特征数据信息转换为词向量集。
其中，通过独热编码技术进行编码处理的具体方法是使用N位状态寄存器来对分词结果数据中的N个状态进行编码，每个状态都由其独立的寄存器位，并且在任意时候，只有一位有效即，即只有一位是1，其余都是零值。
通过分词处理能够将所述用户的行为数据中的数据进行切割，得到包含较少数据的词向量，便于后续计算机的识别时计算资源的占用，通过编码处理可以将所述用户的行为数据转换成计算机可识别语言便于计算机对所述行为数据的内容进行快速识别，有利于后续进行快速的数据分析。
S3、对所述词向量集中的词向量进行特征值计算。
详细地，所述对所述词向量集中的词向量进行特征值计算包括：
对所述词向量集进行多次词向量采样，得到多个包含词向量的训练集，所述采样为有放回随机采样；
对所述多个包含词向量的训练集分别分类，得到多个分类结果，所述分类结果包含特征向量集和/或非特征向量集；
计算所述多个分类结果中特征向量集包含的信息熵，选取所述信息熵大于预设熵阈值的特征向量集对应的分类结果，得到分类结果集；
计算所述分类结果集包含的不同特征向量集中每个特征向量的第一特征值和第二特征值。
本实施例中，在进行多次词向量采样时，每次可以采样一个或多个词向量，优选地，每次采样至少两个词向量。
在进行多次词向量采样之后，得到多个包含词向量的训练集，具体的，每次采样到的词向量组成一个训练集，则多次采样得到多个训练集。
本实施例中，在对多个包含词向量的训练集分别分类时，具体是将每个训练集中的词向量分类，即判断每个训练集中的词向量是否为特征向量或非特征向量，从而将每个训练集中的词向量进行分类后得到特征向量集和./或非特征向量集。具体的，本发明实施例通过预先训练完成的具有特征判断功能的卷积神经网络来对所述词向量进行分类。
对于多个分类结果，得到多个特征向量集和/或非特征向量集，即每一个分类结果都存在对应的特征向量集和/或非特征向量集。
在计算多个分类结果中特征向量集时，可以计算每个特征向量集包含的信息熵。具体地，本发明实施例利用如下信息熵算法计算所述多个分类结果中特征向量集包含的信息熵H(Y,X)，所述信息熵算法为：
其中，X为所述特征向量集，Y为所述特征向量集对应的分类结果，xi为所述特征向量集中第i个特征向量，k为所述特征向量集中特征向量的个数，
为第i个特征向量在所述特征向量集中出现的频率。
较佳地，本发明实施利用如下第一特征值算法计算特征向量的第一特征值：
其中，n为多个分类结果的个数，k为第m个分类结果中的任一特征向量，k′为第m个分类结果中不同于k的任一向量，pmkpmk′表示从第m个分类结果中随机抽取的两个向量类别不相同的概率，GIm为特征向量k的第一特征值。
本发明实施例利用如下第二特征值算法计算特征向量的第二特征值：
其中，
为任一分类结果的特征向量集m中的特征向量j，M为所有分类结果集中的特征向量集的集合，m为任一分类结果中的特征向量集，
为特征向量j的第二特征值。
S4、从特征值计算的结果中选取优化向量，得到优化向量集。
具体地，所述从特征值计算的结果中选取优化向量，得到优化向量集，包括：
将所述第一特征值和所述第二特征值分别对应相加，得到所述不同特征向量集中各个特征向量的总特征值；
将所述不同特征向量集中各个特征向量按照所述总特征值的大小排序，得到向量序列；
依次选取所述向量序列中若干个特征向量，将所述若干个特征向量汇集为所述优化向量集。
具体的，由于每个特征向量存在第一特征值和第二特征值，因此在将第一特征值和第二特征值分别对应相加时，将每个特征向量的第一特征值和第二特征向量值相加，得到每个特征向量的总特征值，从而得到不同特征向量集中各个特征向量的总特征值。
本实施例中，在选取特征向量时，具体可以根据从大到小的顺序依次选取向量序列中若干个特征向量。例如，从向量序列中选取前100个特征向量，并将选取的100个特征向量汇集为优化特征向量。
由于基本数据和特征数据中可能含有大量的无用信息，这将造成编码后得到的词向量集中也包含了大量无用的词向量，因此，通过选取优化向量，可以减少后续分析过程中计算资源的占用，提高分析的效率。
S5、构建初始目标物分析模型，利用所述优化向量集对所述初始目标物分析模型进行训练，得到标准目标物分析模型。
本实施例中，通过构建初始目标物分析模型并利用所述优化向量集对所述初始目标物分析模型进行训练，可以得到更精准的分析模型。
请参见图2，图2为本发明一实施例中通过训练得到标准目标物分析模型的流程示意图。
详细地，所述S5包括：
S51、对所述优化向量集进行预设次数的有放回随机采样，获得多个训练集。
本发明实施例中，所述预设次数为预设的多次，例如，预设次数为8次。具体可采用Bagging方法进行有放回随机采样，每次采样的结果为一个训练集，则经过多次随机采样可得到多个多个训练集。
S52、利用所述多个训练集生成与所述多个训练集对应的多颗决策树。
详细地，在将采样得到的训练集生成决策树时，一个训练集可生成一颗对应的决策树。
详细地，可在优化向量集中随机采样并利用决策函数基于采样得到的训练集生成决策树。
S53、利用聚合算法将所述多棵决策树聚合为所述初始目标物分析模型。
较佳地，本发明实施例中，利用聚合算法将所述多棵决策树聚合为所述初始目标物分析模型包括：
利用如下聚合算法将所述多棵决策树聚合为所述初始目标物分析模型：
其中，F表示所述多棵决策树的集合，fk表示所述多颗决策树中第k棵决策树，K表示所述多棵决策树的总棵树，
为所述初始目标物分析模型。
S54、利用所述优化向量集对所述初始目标物分析模型进行训练，得到训练目标物分析模型。
具体的，本发明实施例利用如下目标函数对所述初始目标物分析模型进行训练：
其中，Obj为目标函数值，yi为所述优化向量集中优化向量所含的标签值，
为所述初始目标物分析模型的输出，K表示决策树的总棵树，fk表示第k棵决策树，β(fk)为预设的正则化项。
S55、对所述训练目标物分析模型进行参数调优，得到所述标准目标物分析模型。
优选的，本发明采用模型参数调优方法对所述训练目标物分析模型进行参数调优。
具体的，所述模型参数调优方法包括但不限于：通用参数调优法、Booster参数调优法和学习目标参数调优法。
S6、获取待分析用户的基本数据和所述待分析用户对应的待分析目标物的特征数据，利用所述标准目标物分析模型对所述取待分析用户的基本数据和所述待分析目标物的特征数据进行分析，得到分析结果。
本实施例中，待分析用户的基本数据和待分析目标物的特征数据可以从目标数据库中获取，或者可以从销售***等业务***中获取。
具体的，所述待分析用户的数量可以为一个或多个，所述待分析目标物的数量也可以为一个或多个。
进一步的，在本发明另一可选实施例中，本发明所述方法还包括：在得到分析结果之后，将所述分析结果进行数理统计，包括：
将所述分析结果进行统计计算，得到统计结果；
将所述统计结果以可视化形式进行展示。
其中，所述统计计算包括但不限于：计算所述分析结果的平均值，计算所述分析结果的方差，计算所述分析结果的标准差。
在将统计结果以可视化形式进行展示时，可将统计结果以柱状图和/或饼形图的形式进行展示。
S7、根据所述分析结果对所述待分析用户对应的待分析目标物的特征数据进行调整。
例如，当目标物为某一产品和/或服务的数据时，分析结果显示用户更偏好于某一价格区间，则可根据分析结果将所述目标物的价格进行调整，具体的，可将目标物的价格调整至分析结果所示的价格区间内。或者，分析结果为是用户更偏好于在某一时间区间接受某一服务，则可根据所述分析结果对所述服务的提供时间进行调整，具体的，可将提供服务的时间调整至分析结果所示的时间区间内。
本发明实施例中，在获取用户的基本数据和目标物的特征数据之后进行分析和编码处理得到词向量集；进而基于词向量集得到优化向量集，并且构建初始目标物分析模型；利用得到的优化向量集对初始目标物分析模型进行训练，得到标准目标物分析模型；利用标准目标物分析模型对取待分析用户的基本数据和待分析目标物的特征数据进行分析，得到分析结果；根据分析结果对用户对应的待分析目标物的特征数据进行调整。通过建立模型并通过模型进行分析，基于分析结果待分析目标物的特征数据进行调整，提高了对目标物数据进行调整的效率；同时，基于用户的行为数据建立模型，根据用户的行为数据和目标物的特征数据对建立的模型进行训练，提高了模型分析的结果与不同用户的契合度，训练得到的模型能够进行精准的个性分析，进而通过模型进行目标物数据的调整，提高了对目标物数据进行调整的精确度。
如图3所示，是本发明基于行为的目标物数据分析装置的模块示意图。
本发明所述基于行为的目标物数据分析装置100可以安装于电子设备中。根据实现的功能，所述基于行为的目标物数据分析装置可以包括数据获取模块101、数据分词模块102、特征值计算模块103、向量筛选模块104、模型训练模块105、数据分析模块106和数据调整模块107。本发所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述数据获取模块101，用于获取用户的基本数据和目标物的特征数据，其中，所述基本数据包括所述用户相对所述目标物的行为数据；
所述数据分词模块102，用于对所述基本数据和/或所述特征数据进行分词处理，并对分词后的分词结果数据进行编码，得到词向量集；
所述特征值计算模块103，用于对所述词向量集中的词向量进行特征值计算；
所述向量筛选模块104，用于从特征值计算的结果中选取优化向量，得到优化向量集；
所述模型训练模块105，用于构建初始目标物分析模型，利用所述优化向量集对所述初始目标物分析模型进行训练，得到标准目标物分析模型；
所述数据分析模块106，用于获取待分析用户的基本数据和所述待分析用户对应的待分析目标物的特征数据，利用所述标准目标物分析模型对所述取待分析用户的基本数据和所述待分析目标物的特征数据进行分析，得到分析结果；
所述数据调整模块107，用于根据所述分析结果对所述待分析用户对应的待分析目标物的特征数据进行调整。
详细地，所述基于行为的目标物数据分析装置各模块的具体实施方式如下：
所述数据获取模块101获取用户的基本数据和目标物的特征数据，其中，所述基本数据包括所述用户相对所述目标物的行为数据。
本发明实施例中，所述基本数据包括用户的行为数据，所述用户的行为数据包括所述用户相对所述目标物的的行为数据，即所述行为数据包括用户对目标物产生的行为数据，如用户的点击数据，用户的留言反馈数据(如用户对某一价格区间的产品和/或服务的投票)等。
进一步地，在本发明其他可选实施例中，用户的基本信息还可以包括但不限于用户的身份信息(如用户姓名和用户年龄)、用户的消费信息等。
本发明实施例中，目标物是指某一产品或服务，所述目标物的特征数据是指某一产品和/或服务的数据，如产品和/或服务的价格，期限，质量等。
在本发明另一可选实施例中，用户的基本数据包括身份数据、询价数据和赔付数据，目标物的特征数据包括车辆数据和保单数据。
本发明其中一个优选实施例中，所述基本数据和/或特征数据可存储于区块链节点中。具体地，本发明可利用预先编辑好的java语句从用于一个或多个区块链的数据库节点中调用所述用户的基本信息和所述目标物的特征数据，该数据库节点用于存储多个用户基本信息和多个目标物的特征数据的，因此，在本实施例中，可以获取多个用户的进本数据和多个目标物的特征数据。
进一步地，在本发明另一可选实施例中，当获取到所述用户的基本信息后，将所述基本信息中的各项数据生成用户肖像，并将用户肖像以可视化的形式进行展现，如将用户的基本信息以Excel表格和/或比例图的方式进行展示。
通过基于用户的基本信息生成用户肖像，能够更直观的展现不同用户的特征信息。
所述数据分词模块102，用于对所述基本数据和/或所述特征数据进行分词处理，并对分词后的分词结果数据进行编码，得到词向量集。
较佳地，本发明实施例将所述基本数据和/或所述特征数据利用THULAC分词工具对进行分词处理，得到分词结果数据，即分词信息集，并使用独热编码技术对分词信息集中的每一个分词进行编码处理，使基本数据和/或特征数据信息转换为词向量集。
其中，通过独热编码技术进行编码处理的具体方法是使用N位状态寄存器来对分词结果数据中的N个状态进行编码，每个状态都由其独立的寄存器位，并且在任意时候，只有一位有效即，即只有一位是1，其余都是零值。
通过分词处理能够将所述用户的行为数据中的数据进行切割，得到包含较少数据的词向量，便于后续计算机的识别时计算资源的占用，通过编码处理可以将所述用户的行为数据转换成计算机可识别语言便于计算机对所述行为数据的内容进行快速识别，有利于后续进行快速的数据分析。
所述特征值计算模块103，用于对所述词向量集中的词向量进行特征值计算。
详细地，所述特征值计算模块103具体用于：
对所述词向量集进行多次词向量采样，得到多个包含词向量的训练集，所述采样为有放回随机采样；
对所述多个包含词向量的训练集分别分类，得到多个分类结果，所述分类结果包含特征向量集和/或非特征向量集；
计算所述多个分类结果中特征向量集包含的信息熵，选取所述信息熵大于预设熵阈值的特征向量集对应的分类结果，得到分类结果集；
计算所述分类结果集包含的不同特征向量集中每个特征向量的第一特征值和第二特征值。
本实施例中，在进行多次词向量采样时，每次可以采样一个或多个词向量，优选地，每次采样至少两个词向量。
在进行多次词向量采样之后，得到多个包含词向量的训练集，具体的，每次采样到的词向量组成一个训练集，则多次采样得到多个训练集。
本实施例中，在对多个包含词向量的训练集分别分类时，具体是将每个训练集中的词向量分类，即判断每个训练集中的词向量是否为特征向量或非特征向量，从而将每个训练集中的词向量进行分类后得到特征向量集和./或非特征向量集。具体的，本发明实施例通过预先训练完成的具有特征判断功能的卷积神经网络来对所述词向量进行分类。
对于多个分类结果，得到多个特征向量集和/或非特征向量集，即每一个分类结果都存在对应的特征向量集和/或非特征向量集。
在计算多个分类结果中特征向量集时，可以计算每个特征向量集包含的信息熵。具体地，本发明实施例利用如下信息熵算法计算所述多个分类结果中特征向量集包含的信息熵H(Y,X)，所述信息熵算法为：
其中，X为所述特征向量集，Y为所述特征向量集对应的分类结果，xi为所述特征向量集中第i个特征向量，k为所述特征向量集中特征向量的个数，
为第i个特征向量在所述特征向量集中出现的频率。
较佳地，本发明实施利用如下第一特征值算法计算特征向量的第一特征值：
其中，n为多个分类结果的个数，k为第m个分类结果中的任一向量，k′为第m个分类结果中不同于k的任一向量，pmkpmk′表示从第m个分类结果中随机抽取的两个向量类别不相同的概率，GIm为特征向量k的第一特征值。
本发明实施例利用如下第二特征值算法计算特征向量的第二特征值：
其中，
为任一分类结果的特征向量集m中的特征向量j，M为所有分类结果集中的特征向量集的集合，m为任一分类结果中的特征向量集，
为特征向量j的第二特征值。
所述向量筛选模块104，用于从特征值计算的结果中选取优化向量，得到优化向量集。
具体地，所述向量筛选模块104具体用于：
将所述第一特征值和所述第二特征值分别对应相加，得到所述不同特征向量集中各个特征向量的总特征值；
将所述不同特征向量集中各个特征向量按照所述总特征值的大小排序，得到向量序列；
依次选取所述向量序列中若干个特征向量，将所述若干个特征向量汇集为所述优化向量集。
具体的，由于每个特征向量存在第一特征值和第二特征值，因此在将第一特征值和第二特征值分别对应相加时，将每个特征向量的第一特征值和第二特征向量值相加，得到每个特征向量的总特征值，从而得到不同特征向量集中各个特征向量的总特征值。
本实施例中，在选取特征向量时，具体可以根据从大到小的顺序依次选取向量序列中若干个特征向量。例如，从向量序列中选取前100个特征向量，并将选取的100个特征向量汇集为优化特征向量。
由于基本数据和特征数据中可能含有大量的无用信息，这将造成编码后得到的词向量集中也包含了大量无用的词向量，因此，通过选取优化向量，可以减少后续分析过程中计算资源的占用，提高分析的效率。
所述模型训练模块105，用于构建初始目标物分析模型，利用所述优化向量集对所述初始目标物分析模型进行训练，得到标准目标物分析模型。
本实施例中，通过构建初始目标物分析模型并利用所述优化向量集对所述初始目标物分析模型进行训练，可以得到更精准的分析模型。
进一步地，所述模型训练模块105具体用于：
对所述优化向量集进行预设次数的有放回随机采样，获得多个训练集；
利用所述多个训练集生成与所述多个训练集对应的多颗决策树；
利用聚合算法将所述多棵决策树聚合为所述初始目标物分析模型；
利用所述优化向量集对所述初始目标物分析模型进行训练，得到训练目标物分析模型；
对所述训练目标物分析模型进行参数调优，得到所述标准目标物分析模型。
本发明实施例中，所述预设次数为预设的多次，例如，预设次数为8次。具体可采用Bagging方法进行有放回随机采样，每次采样的结果为一个训练集，则经过多次随机采样可得到多个多个训练集。
详细地，在将采样得到的训练集生成决策树时，一个训练集可生成一颗对应的决策树。
详细地，可在优化向量集中随机采样并利用决策函数基于采样得到的训练集生成决策树。
较佳地，本发明实施例中，利用聚合算法将所述多棵决策树聚合为所述初始目标物分析模型包括：
利用如下聚合算法将所述多棵决策树聚合为所述初始目标物分析模型：
其中，F表示所述多棵决策树的集合，fk表示所述多颗决策树中第k棵决策树，K表示所述多棵决策树的总棵树，
为所述初始目标物分析模型。
具体的，本发明实施例利用如下目标函数对所述初始目标物分析模型进行训练：
其中，Obj为目标函数值，yi为所述优化向量集中优化向量所含的标签值，
为所述初始目标物分析模型的输出，K表示决策树的总棵树，fk表示第k棵决策树，β(fk)为预设的正则化项。
所述数据分析模块106，用于获取待分析用户的基本数据和所述待分析用户对应的待分析目标物的特征数据，利用所述标准目标物分析模型对所述取待分析用户的基本数据和所述待分析目标物的特征数据进行分析，得到分析结果。
本实施例中，待分析用户的基本数据和待分析目标物的特征数据可以从目标数据库中获取，或者可以从销售***等业务***中获取。
具体的，所述待分析用户的数量可以为一个或多个，所述待分析目标物的数量也可以为一个或多个。
进一步的，在本发明另一可选实施例中，本发明所述装置还包括统计模块，所述统计模块用于：在得到分析结果之后，将所述分析结果进行数理统计。
所述统计模块具体用于：在得到分析结果之后，将所述分析结果进行统计计算，得到统计结果将所述统计结果以可视化形式进行展示。
其中，所述统计计算包括但不限于：计算所述分析结果的平均值，计算所述分析结果的方差，计算所述分析结果的标准差。
在将统计结果以可视化形式进行展示时，可将统计结果以柱状图和/或饼形图的形式进行展示。
所述数据调整模块107，用于根据所述分析结果对所述待分析用户对应的待分析目标物的特征数据进行调整。
例如，当目标物为某一产品和/或服务的数据时，分析结果显示用户更偏好于某一价格区间，则可根据分析结果将所述目标物的价格进行调整，具体的，可将目标物的价格调整至分析结果所示的价格区间内。或者，分析结果为是用户更偏好于在某一时间区间接受某一服务，则可根据所述分析结果对所述服务的提供时间进行调整，具体的，可将提供服务的时间调整至分析结果所示的时间区间内。
本发明实施例中，在获取用户的基本数据和目标物的特征数据之后进行分析和编码处理得到词向量集；进而基于词向量集得到优化向量集，并且构建初始目标物分析模型；利用得到的优化向量集对初始目标物分析模型进行训练，得到标准目标物分析模型；利用标准目标物分析模型对取待分析用户的基本数据和待分析目标物的特征数据进行分析，得到分析结果；根据分析结果对用户对应的待分析目标物的特征数据进行调整。通过建立模型并通过模型进行分析，基于分析结果待分析目标物的特征数据进行调整，提高了对目标物数据进行调整的效率；同时，基于用户的行为数据建立模型，根据用户的行为数据和目标物的特征数据对建立的模型进行训练，提高了模型分析的结果与不同用户的契合度，训练得到的模型能够进行精准的个性分析，进而通过模型进行目标物数据的调整，提高了对目标物数据进行调整的精确度。
如图4所示，是本发明实现基于行为的目标物数据分析方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11和总线，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如基于行为的目标物数据分析程序12。
其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(SecureDigital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如基于行为的目标物数据分析程序12的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如执行基于行为的目标物数据分析程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。
所述总线可以是外设部件互连标准(peripheral component interconnect，简称PCI)总线或扩展工业标准结构(extended industry standard architecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
本发明实施例中，在获取用户的基本数据和目标物的特征数据之后进行分析和编码处理得到词向量集；进而基于词向量集得到优化向量集，并且构建初始目标物分析模型；利用得到的优化向量集对初始目标物分析模型进行训练，得到标准目标物分析模型；利用标准目标物分析模型对取待分析用户的基本数据和待分析目标物的特征数据进行分析，得到分析结果；根据分析结果对用户对应的待分析目标物的特征数据进行调整。通过建立模型并通过模型进行分析，基于分析结果待分析目标物的特征数据进行调整，提高了对目标物数据进行调整的效率；同时，基于用户的行为数据建立模型，根据用户的行为数据和目标物的特征数据对建立的模型进行训练，提高了模型分析的结果与不同用户的契合度，训练得到的模型能够进行精准的个性分析，进而通过模型进行目标物数据的调整，提高了对目标物数据进行调整的精确度。
图4仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图4示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
进一步地，所述电子设备1还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(OrganicLight-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的基于行为的目标物数据分析程序12是多个指令的组合，在所述处理器10中运行时，可以实现：
获取用户的基本数据和目标物的特征数据，其中，所述基本数据包括所述用户相对所述目标物的行为数据；
对所述基本数据和/或所述特征数据进行分词处理，并对分词后的分词结果数据进行编码，得到词向量集；
对所述词向量集中的词向量进行特征值计算；
从特征值计算的结果中选取优化向量，得到优化向量集；
构建初始目标物分析模型，利用所述优化向量集对所述初始目标物分析模型进行训练，得到标准目标物分析模型；
获取待分析用户的基本数据和所述待分析用户对应的待分析目标物的特征数据，利用所述标准目标物分析模型对所述取待分析用户的基本数据和所述待分析目标物的特征数据进行分析，得到分析结果；
根据所述分析结果对所述待分析用户对应的待分析目标物的特征数据进行调整。
进一步地，所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。
进一步地，所述计算机可用存储介质可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作***、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图表记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。***权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种基于行为的目标物数据分析方法，其特征在于，所述方法包括：
获取用户的基本数据和目标物的特征数据，其中，所述基本数据包括所述用户相对所述目标物的行为数据；
对所述基本数据和/或所述特征数据进行分词处理，并对分词后的分词结果数据进行编码，得到词向量集；
对所述词向量集中的词向量进行特征值计算；
从特征值计算的结果中选取优化向量，得到优化向量集；
构建初始目标物分析模型，利用所述优化向量集对所述初始目标物分析模型进行训练，得到标准目标物分析模型；
获取待分析用户的基本数据和所述待分析用户对应的待分析目标物的特征数据，利用所述标准目标物分析模型对所述取待分析用户的基本数据和所述待分析目标物的特征数据进行分析，得到分析结果；
根据所述分析结果对所述待分析用户对应的待分析目标物的特征数据进行调整。
2.如权利要求1所述的基于行为的目标物数据分析方法，其特征在于，所述对所述词向量集中的词向量进行特征值计算包括：
对所述词向量集进行多次词向量采样，得到多个包含词向量的训练集，所述采样为有放回随机采样；
对所述多个包含词向量的训练集分别分类，得到多个分类结果，所述分类结果包含特征向量集和/或非特征向量集；
计算所述多个分类结果中特征向量集包含的信息熵，选取所述信息熵大于预设熵阈值的特征向量集对应的分类结果，得到分类结果集；
计算所述分类结果集包含的不同特征向量集中每个特征向量的第一特征值和第二特征值。
3.如权利要求2所述的基于行为的目标物数据分析方法，其特征在于，所述从特征值计算的结果中选取优化向量，得到优化向量集，包括：
将所述第一特征值和所述第二特征值分别对应相加，得到所述不同特征向量集中各个特征向量的总特征值；
将所述不同特征向量集中各个特征向量按照所述总特征值的大小排序，得到向量序列；
依次选取所述向量序列中若干个特征向量，将所述若干个特征向量汇集为所述优化向量集。
4.如权利要求1至3中任一项所述的基于行为的目标物数据分析方法，其特征在于，所述构建初始目标物分析模型，利用所述优化向量集对所述初始目标物分析模型进行训练，得到标准目标物分析模型，包括：
对所述优化向量集进行预设次数的有放回随机采样，获得多个训练集；
利用所述多个训练集生成与所述多个训练集对应的多颗决策树；
利用聚合算法将所述多棵决策树聚合为所述初始目标物分析模型；
利用所述优化向量集对所述初始目标物分析模型进行训练，得到训练目标物分析模型；
对所述训练目标物分析模型进行参数调优，得到所述标准目标物分析模型。
5.如权利要求4所述的基于行为的目标物数据分析方法，其特征在于，所述利用聚合算法将所述多棵决策树聚合为所述初始目标物分析模型包括：
利用如下聚合算法将所述多棵决策树聚合为所述初始目标物分析模型：
其中，F表示所述多棵决策树的集合，fk表示所述多颗决策树中第k棵决策树，K表示所述多棵决策树的总棵树，
为所述初始目标物分析模型。
6.一种基于行为的目标物数据分析装置，其特征在于，所述装置包括：
数据获取模块，用于获取用户的基本数据和目标物的特征数据，其中，所述基本数据包括所述用户相对所述目标物的行为数据；
数据分词模块，用于对所述基本数据和/或所述特征数据进行分词处理，并对分词后的分词结果数据进行编码，得到词向量集；
特征值计算模块，用于对所述词向量集中的词向量进行特征值计算；
向量筛选模块，用于从特征值计算的结果中选取优化向量，得到优化向量集；
模型训练模块，用于构建初始目标物分析模型，利用所述优化向量集对所述初始目标物分析模型进行训练，得到标准目标物分析模型；
数据分析模块，用于获取待分析用户的基本数据和所述待分析用户对应的待分析目标物的特征数据，利用所述标准目标物分析模型对所述取待分析用户的基本数据和所述待分析目标物的特征数据进行分析，得到分析结果；
数据调整模块，用于根据所述分析结果对所述待分析用户对应的待分析目标物的特征数据进行调整。
7.如权利要求6所述的基于行为的目标物数据分析装置，其特征在于，所述特征值计算模块具体用于：
对所述词向量集进行多次词向量采样，得到多个包含词向量的训练集，所述采样为有放回随机采样；
对所述多个包含词向量的训练集分别分类，得到多个分类结果，所述分类结果包含特征向量集和/或非特征向量集；
计算所述多个分类结果中特征向量集包含的信息熵，选取所述信息熵大于预设熵阈值的特征向量集对应的分类结果，得到分类结果集；
计算所述分类结果集包含的不同特征向量集中每个特征向量的第一特征值和第二特征值。
8.如权利要求6所述的基于行为的目标物数据分析装置，其特征在于，所述模型训练模块具体用于：
对所述优化向量集进行预设次数的有放回随机采样，获得多个训练集；
利用所述多个训练集生成与所述多个训练集对应的多颗决策树；
利用聚合算法将所述多棵决策树聚合为所述初始目标物分析模型；
利用所述优化向量集对所述初始目标物分析模型进行训练，得到训练目标物分析模型；
对所述训练目标物分析模型进行参数调优，得到所述标准目标物分析模型。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至5中任一所述的基于行为的目标物数据分析方法。
10.一种计算机可读存储介质，包括存储数据区和存储程序区，存储数据区存储根据区块链节点的使用所创建的数据，存储程序区存储有计算机程序；其中，所述计算机程序被处理器执行时实现如权利要求1至5中任一所述的目标物数据分析方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010370884.5A CN111652280B (zh) | 2020-04-30 | 2020-04-30 | 基于行为的目标物数据分析方法、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010370884.5A CN111652280B (zh) | 2020-04-30 | 2020-04-30 | 基于行为的目标物数据分析方法、装置及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111652280A true CN111652280A (zh) | 2020-09-11 |
| CN111652280B CN111652280B (zh) | 2023-10-27 |
Family
ID=72351971
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010370884.5A Active CN111652280B (zh) | 2020-04-30 | 2020-04-30 | 基于行为的目标物数据分析方法、装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111652280B (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112184241A (zh) * | 2020-09-27 | 2021-01-05 | ***股份有限公司 | 一种身份认证的方法及装置 |
| CN113240036A (zh) * | 2021-05-28 | 2021-08-10 | 北京达佳互联信息技术有限公司 | 一种对象分类方法和装置、电子设备、存储介质 |
| CN113505280A (zh) * | 2021-07-28 | 2021-10-15 | 全知科技(杭州)有限责任公司 | 一种通用场景的敏感密钥信息识别提取技术 |
| CN113656559A (zh) * | 2021-10-18 | 2021-11-16 | 印象(山东)大数据有限公司 | 一种基于计量平台的数据分析方法、装置及电子设备 |
| CN114064440A (zh) * | 2022-01-18 | 2022-02-18 | 恒生电子股份有限公司 | 可信度分析模型的训练方法、可信度分析方法及相关装置 |
| CN114844788A (zh) * | 2022-04-25 | 2022-08-02 | 中国电信股份有限公司 | 网络数据分析方法、***、设备及存储介质 |
| CN112988893B (zh) * | 2021-03-15 | 2023-05-12 | 中国联合网络通信集团有限公司 | 基于区块链的信息管理方法、***、区块链节点及介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100121671A1 (en) * | 2008-11-11 | 2010-05-13 | Combinenet, Inc. | Automated Channel Abstraction for Advertising Auctions |
| CN110033383A (zh) * | 2019-02-18 | 2019-07-19 | 阿里巴巴集团控股有限公司 | 一种数据处理方法、设备、介质以及装置 |
| CN110827069A (zh) * | 2019-10-28 | 2020-02-21 | 阿里巴巴（中国）有限公司 | 数据处理方法、装置、介质以及电子设备 |
| CN110910199A (zh) * | 2019-10-16 | 2020-03-24 | 中国平安人寿保险股份有限公司 | 项目信息的排序方法、装置、计算机设备及存储介质 |
-
2020
- 2020-04-30 CN CN202010370884.5A patent/CN111652280B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100121671A1 (en) * | 2008-11-11 | 2010-05-13 | Combinenet, Inc. | Automated Channel Abstraction for Advertising Auctions |
| CN110033383A (zh) * | 2019-02-18 | 2019-07-19 | 阿里巴巴集团控股有限公司 | 一种数据处理方法、设备、介质以及装置 |
| CN110910199A (zh) * | 2019-10-16 | 2020-03-24 | 中国平安人寿保险股份有限公司 | 项目信息的排序方法、装置、计算机设备及存储介质 |
| CN110827069A (zh) * | 2019-10-28 | 2020-02-21 | 阿里巴巴（中国）有限公司 | 数据处理方法、装置、介质以及电子设备 |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112184241A (zh) * | 2020-09-27 | 2021-01-05 | ***股份有限公司 | 一种身份认证的方法及装置 |
| CN112184241B (zh) * | 2020-09-27 | 2024-02-20 | ***股份有限公司 | 一种身份认证的方法及装置 |
| CN112988893B (zh) * | 2021-03-15 | 2023-05-12 | 中国联合网络通信集团有限公司 | 基于区块链的信息管理方法、***、区块链节点及介质 |
| CN113240036A (zh) * | 2021-05-28 | 2021-08-10 | 北京达佳互联信息技术有限公司 | 一种对象分类方法和装置、电子设备、存储介质 |
| CN113240036B (zh) * | 2021-05-28 | 2023-11-07 | 北京达佳互联信息技术有限公司 | 一种对象分类方法和装置、电子设备、存储介质 |
| CN113505280A (zh) * | 2021-07-28 | 2021-10-15 | 全知科技(杭州)有限责任公司 | 一种通用场景的敏感密钥信息识别提取技术 |
| CN113505280B (zh) * | 2021-07-28 | 2023-08-22 | 全知科技(杭州)有限责任公司 | 一种通用场景的敏感密钥信息识别提取技术 |
| CN113656559A (zh) * | 2021-10-18 | 2021-11-16 | 印象(山东)大数据有限公司 | 一种基于计量平台的数据分析方法、装置及电子设备 |
| CN113656559B (zh) * | 2021-10-18 | 2022-01-25 | 印象(山东)大数据有限公司 | 一种基于计量平台的数据分析方法、装置及电子设备 |
| CN114064440A (zh) * | 2022-01-18 | 2022-02-18 | 恒生电子股份有限公司 | 可信度分析模型的训练方法、可信度分析方法及相关装置 |
| CN114844788A (zh) * | 2022-04-25 | 2022-08-02 | 中国电信股份有限公司 | 网络数据分析方法、***、设备及存储介质 |
| CN114844788B (zh) * | 2022-04-25 | 2023-10-31 | 中国电信股份有限公司 | 网络数据分析方法、***、设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111652280B (zh) | 2023-10-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111652280B (zh) | 基于行为的目标物数据分析方法、装置及存储介质 | |
| CN112148577B (zh) | 数据异常检测方法、装置、电子设备及存储介质 | |
| CN112541745B (zh) | 用户行为数据分析方法、装置、电子设备及可读存储介质 | |
| CN111625713A (zh) | 基于大数据的资源推荐方法、装置、电子设备及介质 | |
| CN111756760B (zh) | 基于集成分类器的用户异常行为检测方法及相关设备 | |
| CN113688923B (zh) | 订单异常智能检测方法、装置、电子设备及存储介质 | |
| CN114398557B (zh) | 基于双画像的信息推荐方法、装置、电子设备及存储介质 | |
| CN115237802A (zh) | 基于人工智能的模拟测试方法及相关设备 | |
| CN113626606B (zh) | 信息分类方法、装置、电子设备及可读存储介质 | |
| CN113656690B (zh) | 产品推荐方法、装置、电子设备及可读存储介质 | |
| CN111696663A (zh) | 疾病风险的分析方法、装置、电子设备及计算机存储介质 | |
| CN112306835A (zh) | 用户数据监控分析方法、装置、设备及介质 | |
| CN114491047A (zh) | 多标签文本分类方法、装置、电子设备及存储介质 | |
| CN113051480A (zh) | 资源推送方法、装置、电子设备及存储介质 | |
| CN113868529A (zh) | 知识推荐方法、装置、电子设备及可读存储介质 | |
| CN117155771B (zh) | 一种基于工业物联网的设备集群故障溯源方法及装置 | |
| CN111651652B (zh) | 基于人工智能的情感倾向识别方法、装置、设备及介质 | |
| CN111460293B (zh) | 信息推送方法、装置及计算机可读存储介质 | |
| CN112269875A (zh) | 文本分类方法、装置、电子设备及存储介质 | |
| CN116843395A (zh) | 一种业务***的告警分级方法、装置、设备及存储介质 | |
| CN113706019B (zh) | 基于多维数据的业务能力分析方法、装置、设备及介质 | |
| CN112580505B (zh) | 网点开关门状态识别方法、装置、电子设备及存储介质 | |
| CN114742412A (zh) | 一种软件技术服务***及方法 | |
| CN113657546A (zh) | 信息分类方法、装置、电子设备及可读存储介质 | |
| CN113344415A (zh) | 基于深度神经网络的业务分配方法、装置、设备及介质 |
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 |