CN113850632B - 用户类别确定方法、装置、设备及存储介质 - Google Patents
用户类别确定方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113850632B CN113850632B CN202111432853.9A CN202111432853A CN113850632B CN 113850632 B CN113850632 B CN 113850632B CN 202111432853 A CN202111432853 A CN 202111432853A CN 113850632 B CN113850632 B CN 113850632B
- Authority
- CN
- China
- Prior art keywords
- samples
- initial
- sample
- definition
- similarity
- 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
- 238000000034 method Methods 0.000 title claims abstract description 41
- 239000011159 matrix material Substances 0.000 claims abstract description 134
- 238000013145 classification model Methods 0.000 claims abstract description 51
- 238000003780 insertion Methods 0.000 claims abstract description 46
- 230000037431 insertion Effects 0.000 claims abstract description 46
- 238000012549 training Methods 0.000 claims abstract description 41
- 230000008859 change Effects 0.000 claims description 37
- 238000004458 analytical method Methods 0.000 claims description 32
- 238000012216 screening Methods 0.000 claims description 30
- 238000012545 processing Methods 0.000 claims description 29
- 238000011156 evaluation Methods 0.000 claims description 23
- 230000015654 memory Effects 0.000 claims description 23
- 238000004422 calculation algorithm Methods 0.000 claims description 17
- 238000001914 filtration Methods 0.000 claims description 8
- 238000009795 derivation Methods 0.000 claims description 6
- 238000013473 artificial intelligence Methods 0.000 abstract description 7
- 238000005516 engineering process Methods 0.000 description 10
- 238000013507 mapping Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 7
- 241001131927 Placea Species 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000002372 labelling Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 241000764238 Isis Species 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及人工智能,提供一种用户类别确定方法、装置、设备及存储介质。该方法能够获取包括第一特征信息的多个初始样本及包括第二特征信息的多个待选样本,根据第一特征信息分析任意两个初始样本的相似度,得到第一相似矩阵,根据任一待选样本在多个初始样本中的多个***位置分析第一特征信息及第二特征信息,得到多个第二相似矩阵,对第一相似矩阵及多个第二相似矩阵进行评价处理,得到第一清晰度及多个第二清晰度,筛选目标位置并选取入选样本,得到训练样本,调整分类学习器,基于分类模型分析待测用户的维度信息,得到用户类别,能够提高用户类别的确定准确性。此外,本发明还涉及区块链技术,所述用户类别可存储于区块链中。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种用户类别确定方法、装置、设备及存储介质。
背景技术
通过分析用户在多个维度上的属性信息,有利于确定用户所在的类别。随着人工智能的发展,通过分类模型完成对用户类别的确定也随之发展。然而,在生成分类模型时,由于无法保证样本数据的样本质量及样本稳定性,导致训练生成的分类模型的稳定性及准确性较低,造成无法准确的确定出用户所在的类别。
发明内容
鉴于以上内容,有必要提供一种用户类别确定方法、装置、设备及存储介质,能够准确的确定出用户所在的类别。
一方面,本发明提出一种用户类别确定方法,所述用户类别确定方法包括:
获取多个初始样本及多个待选样本,每个初始样本包括初始用户的第一特征信息,每个待选样本包括待选用户的第二特征信息;
根据所述第一特征信息分析任意两个初始样本在预设维度上的相似度,得到所述多个初始样本的第一相似矩阵;
根据任一待选样本在所述多个初始样本中的多个***位置、所述第一特征信息及所述第二特征信息分析所述任一待选样本与所述多个初始样本的相似度,得到与所述多个***位置对应的多个第二相似矩阵;
基于图像清晰度评价算法对所述第一相似矩阵进行评价处理,得到所述第一相似矩阵的第一清晰度,并对所述多个第二相似矩阵进行评价处理,得到多个第二清晰度;
基于所述多个第二清晰度及所述第一清晰度从所述多个***位置中筛选目标位置;
根据所述多个初始样本及所述目标位置从所述多个待选样本中选取入选样本,并将所述多个初始样本及所述入选样本确定为训练样本;
基于所述训练样本调整预先构建好的分类学习器,得到分类模型;
当接收到类别确定请求时,根据所述类别确定请求获取待测用户在所述预设维度上的维度信息;
根据所述分类模型分析所述维度信息,得到所述待测用户所属的用户类别。
根据本发明优选实施例,所述第一特征信息包括所述初始用户在预设时间及所述预设维度上的信息,所述根据所述第一特征信息分析任意两个初始样本在预设维度上的相似度,得到所述多个初始样本的第一相似矩阵包括:
根据下列公式计算所述第一特征信息,得到所述任意两个初始样本在所述预设维度上的相似度:
其中,是指初始样本与初始样本的相似度,是指所述预设时间的时间总量,是指所述预设维度的维度总量,是指所述初始样本在第个预设维度及第个预设时间上所对应的第一特征信息,是指所述初始样本在第个预设维度及第个预设时间上所对应的第一特征信息;
根据所述多个初始样本的样本数量生成初始矩阵,并根据所述多个初始样本的样本顺序将所述相似度及预设相似值填充至所述初始矩阵中,得到所述第一相似矩阵。
根据本发明优选实施例,所述根据所述多个初始样本及所述目标位置从所述多个待选样本中选取入选样本还包括:
根据所述目标位置依次将每个待选样本***所述多个初始样本中,得到多个特征序列;
计算每个特征序列中多个特征样本的相似度,得到每个特征序列的特征相似矩阵,并计算每个特征相似矩阵的特征清晰度;
计算每个特征清晰度与所述第一清晰度的差值,得到清晰影响值,并将取值最小的清晰影响值所对应的特征序列确定为目标序列;
将所述目标序列中的待选样本确定为所述入选样本,并将所述目标序列中的多个特征样本确定为下一次迭代处理的多个初始样本;
将所述入选样本从所述多个待选样本中删除,得到处理后的待选样本;
基于所述下一次迭代处理的多个初始样本对所述处理后的待选样本进行迭代筛选,直至所述目标序列的序列增益值小于目标增益值,得到所述入选样本。
根据本发明优选实施例,所述方法还包括:
根据多个所述特征清晰度及所述第一清晰度生成关系曲线;
对所述关系曲线进行求导分析处理,得到导数曲线;
根据所述导数曲线计算所述目标序列的特征清晰度及所述目标序列的序列数量,得到所述序列增益值;
基于所述导数曲线及所述多个初始样本生成所述目标增益值:
其中,是指所述目标增益值,是指第个初始样本在所述导数曲线上的导数值,是指所述多个初始样本在所述导数曲线上的导数值的平均值,是指所述多个初始样本在所述导数曲线上的导数值的方差值,是指所述多个初始样本的样本数量。
根据本发明优选实施例,所述基于图像清晰度评价算法对所述第一相似矩阵进行评价处理,得到所述第一相似矩阵的第一清晰度包括:
根据下列公式分析所述第一相似矩阵中任意相邻元素,得到所述第一清晰度:
其中,是指所述第一清晰度,是指所述第一相似矩阵中的总行数与的差值,是指所述第一相似矩阵中的总列数,为大于1的正整数,是指所述第一相似矩阵中第行及第行所对应的元素,是指所述第一相似矩阵中第行及第行所对应的元素。
根据本发明优选实施例,所述基于所述多个第二清晰度及所述第一清晰度从所述多个***位置中筛选目标位置包括:
计算每个第二清晰度与所述第一清晰度的差值,得到多个清晰度变化值;
将取值最大的清晰度变化值所对应的***位置确定为所述目标位置。
根据本发明优选实施例,所述根据所述多个初始样本及所述目标位置从所述多个待选样本中选取入选样本包括:
将取值最大的清晰度变化值确定为目标变化值;
若所述目标变化值大于或者等于预设阈值,则将所述任一待选样本确定为所述入选样本,并将所述多个初始样本及所述入选样本确定为下一次迭代处理的多个初始样本;
基于所述下一次迭代处理的多个初始样本对所述多个待选样本进行迭代筛选,直至所述多个待选样本均参与筛选,得到所述入选样本;或者
若所述目标变化值小于所述预设阈值,基于所述多个初始样本对所述多个待选样本进行迭代筛选,直至所述多个待选样本均参与筛选,得到所述入选样本。
另一方面,本发明还提出一种用户类别确定装置,所述用户类别确定装置包括:
获取单元,用于获取多个初始样本及多个待选样本,每个初始样本包括初始用户的第一特征信息,每个待选样本包括待选用户的第二特征信息;
分析单元,用于根据所述第一特征信息分析任意两个初始样本在预设维度上的相似度,得到所述多个初始样本的第一相似矩阵;
所述分析单元,还用于根据任一待选样本在所述多个初始样本中的多个***位置、所述第一特征信息及所述第二特征信息分析所述任一待选样本与所述多个初始样本的相似度,得到与所述多个***位置对应的多个第二相似矩阵;
评价单元,用于基于图像清晰度评价算法对所述第一相似矩阵进行评价处理,得到所述第一相似矩阵的第一清晰度,并对所述多个第二相似矩阵进行评价处理,得到多个第二清晰度;
筛选单元,用于基于所述多个第二清晰度及所述第一清晰度从所述多个***位置中筛选目标位置;
选取单元,用于根据所述多个初始样本及所述目标位置从所述多个待选样本中选取入选样本,并将所述多个初始样本及所述入选样本确定为训练样本;
调整单元,用于基于所述训练样本调整预先构建好的分类学习器,得到分类模型;
所述获取单元,还用于当接收到类别确定请求时,根据所述类别确定请求获取待测用户在所述预设维度上的维度信息;
所述分析单元,还用于根据所述分类模型分析所述维度信息,得到所述待测用户所属的用户类别。
另一方面,本发明还提出一种电子设备,所述电子设备包括:
存储器,存储计算机可读指令;及
处理器,执行所述存储器中存储的计算机可读指令以实现所述用户类别确定方法。
另一方面,本发明还提出一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机可读指令,所述计算机可读指令被电子设备中的处理器执行以实现所述用户类别确定方法。
由以上技术方案可以看出,本发明通过图像清晰度评价算法能够从同一维度上分析所述第一相似矩阵及所述多个第二相似矩阵,从而能够准确的生成所述第一清晰度及所述多个第二清晰度,进而根据所述多个第二清晰度与所述第一清晰度的比较能够准确的确定出影响清晰度变化最大的目标位置,通过所述目标位置这一固定位置选取所述入选样本,能够避免***位置的不同造成所述入选样本的误选,提高所述入选样本的准确性。此外,由于所述入选样本是通过与所述多个初始样本的相似度及清晰度确定的,因此,能够提高所述训练样本的样本质量及样本稳定性,从而能够提升所述分类模型的稳定性及分类准确性,同时,能够避免所有待选样本对所述分类学习器的调整,进而能够避免所述分类模型出现过拟合的问题,提高了所述分类模型的鲁棒性。进一步地,由于所述分类模型的稳定性及分类准确性较高,因此,基于所述分类模型分析所述待测用户的维度信息,能够提高所述用户类别的准确性。
附图说明
图1是本发明用户类别确定方法的较佳实施例的流程图。
图2是本发明用户类别确定装置的较佳实施例的功能模块图。
图3是本发明实现用户类别确定方法的较佳实施例的电子设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面结合附图和具体实施例对本发明进行详细描述。
如图1所示,是本发明用户类别确定方法的较佳实施例的流程图。根据不同的需求,该流程图中步骤的顺序可以改变,某些步骤可以省略。
所述用户类别确定方法可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用***。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互***、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
所述用户类别确定方法应用于一个或者多个电子设备中,所述电子设备是一种能够按照事先设定或存储的计算机可读指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程门阵列(Field-Programmable Gate Array,FPGA)、数字信号处理器(Digital Signal Processor,DSP)、嵌入式设备等。
所述电子设备可以是任何一种可与用户进行人机交互的电子产品,例如,个人计算机、平板电脑、智能手机、个人数字助理(Personal Digital Assistant,PDA)、游戏机、交互式网络电视(Internet Protocol Television,IPTV)、智能穿戴式设备等。
所述电子设备可以包括网络设备和/或用户设备。其中,所述网络设备包括,但不限于单个网络电子设备、多个网络电子设备组成的电子设备组或基于云计算(CloudComputing)的由大量主机或网络电子设备构成的云。
所述电子设备所处的网络包括,但不限于:互联网、广域网、城域网、局域网、虚拟专用网络(Virtual Private Network,VPN)等。
S10,获取多个初始样本及多个待选样本,每个初始样本包括初始用户的第一特征信息,每个待选样本包括待选用户的第二特征信息。
在本发明的至少一个实施例中,每个初始样本是指确定用于调整分类学习器的样本。所述第一特征信息是指所述初始用户在预设维度及预设时间上所对应的信息。其中,所述预设维度可以包括,但不限于:销售业绩、职位级别、团队人数及团队业绩均值等。所述预设时间包括,但不限于:上3个月、上2个月及上个月等。
每个待选样本是指用于调整所述分类学习器的待定样本。所述第二特征信息是指所述待选用户在所述预设维度及所述预设时间上所对应的信息。
S11,根据所述第一特征信息分析任意两个初始样本在预设维度上的相似度,得到所述多个初始样本的第一相似矩阵。
在本发明的至少一个实施例中,所述第一相似矩阵中包含所述多个初始样本中任意两个初始样本的相似度。
在本发明的至少一个实施例中,所述第一特征信息包括所述初始用户在预设时间及所述预设维度上的信息,所述电子设备根据所述第一特征信息分析任意两个初始样本在预设维度上的相似度,得到所述多个初始样本的第一相似矩阵包括:
根据下列公式计算所述第一特征信息,得到所述任意两个初始样本在所述预设维度上的相似度:
其中,是指初始样本与初始样本的相似度,是指所述预设时间的时间总量,是指所述预设维度的维度总量,是指所述初始样本在第个预设维度及第个预设时间上所对应的第一特征信息,是指所述初始样本在第个预设维度及第个预设时间上所对应的第一特征信息;
根据所述多个初始样本的样本数量生成初始矩阵,并根据所述多个初始样本的样本顺序将所述相似度及预设相似值填充至所述初始矩阵中,得到所述第一相似矩阵。
所述样本顺序是指每个初始样本在所述多个初始样本中的序号,例如,所述多个初始样本包括所述初始样本所述初始样本、初始样本,则所述初始样本的样本顺序为1,所述初始样本的样本顺序为2,所述初始样本的样本顺序为3。
所述预设相似值是指每个初始样本自身的相似度,可以理解的是,所述预设相似值通常设定为0。
所述第一相似矩阵中包括所述任意两个初始样本的相似度,可以理解的是,所述第一相似矩阵通常属于对角矩阵。例如,所述初始样本所述初始样本的相似度为1,所述初始样本所述初始样本的相似度为2,所述初始样本所述初始样本的相似度为3,则所述第一相似矩阵为。
通过上述实施方式,能够准确的确定出所述任意两个初始样本的相似度,进而根据所述样本数量能够准确的构建出所述初始矩阵,从而基于所述相似度及预设相似值对所述初始矩阵的填充,能够准确的生成所述第一相似矩阵。
S12,根据任一待选样本在所述多个初始样本中的多个***位置、所述第一特征信息及所述第二特征信息分析所述任一待选样本与所述多个初始样本的相似度,得到与所述多个***位置对应的多个第二相似矩阵。
在本发明的至少一个实施例中,所述任一待选样本可以是所述多个待选样本中的任意一个样本。
所述多个***位置的位置数量比所述多个初始样本的样本数量多1,例如,若所述多个初始样本的数量为2,则所述多个***位置的位置数量为3。
在本发明的至少一个实施例中,所述电子设备生成所述多个第二相似矩阵的方式与所述电子设备生成所述第一相似矩阵的方式相似,本发明对此不再赘述。
可以理解的是,所述任一待选样本在所述多个初始样本中的***位置不同,所述电子设备所生成的第二相似矩阵也有所不同。例如,所述多个初始样本包括所述初始样本所述初始样本、初始样本,所述任一待选样本为待选样本,若所述待选样本***至所述初始样本后面时,则所生成的第二相似矩阵可以为:。若所述待选样本***至所述初始样本后面时,则所生成的第二相似矩阵可以为:。
S13,基于图像清晰度评价算法对所述第一相似矩阵进行评价处理,得到所述第一相似矩阵的第一清晰度,并对所述多个第二相似矩阵进行评价处理,得到多个第二清晰度。
在本发明的至少一个实施例中,所述第一清晰度用于表征所述第一相似矩阵的差异度,也就是说,所述第一清晰度用于指示所述第一相似矩阵中任意两个初始样本的相似度所对应的差异度总和。
每个第二清晰度分别用于表征每个第二相似矩阵的差异度,也就是说,每个第二清晰度用于指示对应的第二相似矩阵中任意两个初始样本的相似度所对应的差异度总和。
在本发明的至少一个实施例中,所述电子设备基于图像清晰度评价算法对所述第一相似矩阵进行评价处理,得到所述第一相似矩阵的第一清晰度包括:
根据下列公式分析所述第一相似矩阵中任意相邻元素,得到所述第一清晰度:
其中,是指所述第一清晰度,是指所述第一相似矩阵中的总行数与的差值,是指所述第一相似矩阵中的总列数,为大于1的正整数,是指所述第一相似矩阵中第行及第行所对应的元素,是指所述第一相似矩阵中第行及第行所对应的元素。
通过对所述任意相邻元素进行逐行分析,能够提高所述第一清晰度的准确性。
在本发明的至少一个实施例中,所述电子设备对所述多个第二相似矩阵进行评价处理的方式与所述电子设备基于图像清晰度评价算法对所述第一相似矩阵进行评价处理的方式相同,本发明对此不再赘述。
S14,基于所述多个第二清晰度及所述第一清晰度从所述多个***位置中筛选目标位置。
在本发明的至少一个实施例中,所述目标位置是指需要在所述多个初始样本中***样本的位置。
在本发明的至少一个实施例中,所述电子设备基于所述多个第二清晰度及所述第一清晰度从所述多个***位置中筛选目标位置包括:
计算每个第二清晰度与所述第一清晰度的差值,得到多个清晰度变化值;
将取值最大的清晰度变化值所对应的***位置确定为所述目标位置。
通过将取值最大的清晰度变化值所对应的***位置确定为所述目标位置,能够准确的确定出影响清晰度变化最大的目标位置,进而基于所述目标位置有利于入选样本的筛选,以确保训练样本的样本质量及稳定性。
S15,根据所述多个初始样本及所述目标位置从所述多个待选样本中选取入选样本,并将所述多个初始样本及所述入选样本确定为训练样本。
在本发明的至少一个实施例中,所述入选样本是指所述多个待选样本中需要用于调整所述分类学习器的样本。
所述训练样本包括所述多个初始样本及所述入选样本。
在本发明的至少一个实施例中,所述电子设备根据所述多个初始样本及所述目标位置从所述多个待选样本中选取入选样本包括:
将取值最大的清晰度变化值确定为目标变化值;
若所述目标变化值大于或者等于预设阈值,则将所述任一待选样本确定为所述入选样本,并将所述多个初始样本及所述入选样本确定为下一次迭代处理的多个初始样本;
基于所述下一次迭代处理的多个初始样本对所述多个待选样本进行迭代筛选,直至所述多个待选样本均参与筛选,得到所述入选样本;或者
若所述目标变化值小于所述预设阈值,基于所述多个初始样本对所述多个待选样本进行迭代筛选,直至所述多个待选样本均参与筛选,得到所述入选样本。
其中,所述预设阈值可以根据需求设定,例如,所述预设阈值可以设置为10。
通过所述目标变化值与所述预设阈值的比较,能够快速的确定出所述入选样本。
在本发明的至少一个实施例中,所述电子设备根据所述多个初始样本及所述目标位置从所述多个待选样本中选取入选样本还包括:
根据所述目标位置依次将每个待选样本***所述多个初始样本中,得到多个特征序列;
计算每个特征序列中多个特征样本的相似度,得到每个特征序列的特征相似矩阵,并计算每个特征相似矩阵的特征清晰度;
计算每个特征清晰度与所述第一清晰度的差值,得到清晰影响值,并将取值最小的清晰影响值所对应的特征序列确定为目标序列;
将所述目标序列中的待选样本确定为所述入选样本,并将所述目标序列中的多个特征样本确定为下一次迭代处理的多个初始样本;
将所述入选样本从所述多个待选样本中删除,得到处理后的待选样本;
基于所述下一次迭代处理的多个初始样本对所述处理后的待选样本进行迭代筛选,直至所述目标序列的序列增益值小于目标增益值,得到所述入选样本。
其中,所述特征清晰度是指所述特征相似矩阵中多个特征样本的相似度所对应的差异度总和。
所述序列增益值用于指示所述入选样本对所述目标序列的清晰度的影响。
通过所述序列增益值与所述目标增益值的比较,能够避免对清晰度影响较小的待选样本加入至所述训练样本中,从而提高所述入选样本的质量。
在本发明的至少一个实施例中,所述方法还包括:
根据多个所述特征清晰度及所述第一清晰度生成关系曲线;
对所述关系曲线进行求导分析处理,得到导数曲线;
根据所述导数曲线计算所述目标序列的特征清晰度及所述目标序列的序列数量,得到所述序列增益值;
基于所述导数曲线及所述多个初始样本生成所述目标增益值:
其中,是指所述目标增益值,是指第个初始样本在所述导数曲线上的导数值,是指所述多个初始样本在所述导数曲线上的导数值的平均值,是指所述多个初始样本在所述导数曲线上的导数值的方差值,是指所述多个初始样本的样本数量。
所述电子设备对所述关系曲线进行求导分析处理,得到导数曲线的方式属于现有技术,本发明对此不再赘述。可以理解的是,关系曲线不同,所述导数曲线也有所不同。
通过所述导数曲线能够生成所述目标增益值,避免对所述预设阈值的设定,提高所述入选样本的选取准确性,以提高所述训练样本的质量。
S16,基于所述训练样本调整预先构建好的分类学习器,得到分类模型。
在本发明的至少一个实施例中,所述分类学习器中包括特征分析层及类别映射层。其中,所述特征分析层用于对所述预设维度上的信息进行分析,所述特征分析层包括多个卷积层及池化层等。所述类别映射层用于将所述特征分析层中的输出结果映射为具体的类别。
所述分类模型是指所述训练样本均参与调整后所得到的模型。
在本发明的至少一个实施例中,所述训练样本包括训练特征信息及标注结果,所述电子设备基于所述训练样本调整预先构建好的分类学习器,得到分类模型包括:
基于所述特征分析层处理所述训练特征信息,得到输出信息;
基于所述类别映射层对所述输出信息进行映射处理,得到预测结果;
根据所述预测结果及所述标注结果计算所述分类学习器的准确率;
基于所述准确率调整所述分类学习器中的网络参数,直至所述准确率大于或者等于预设准确阈值,得到所述分类模型。
其中,所述预设准确阈值是根据需求设定的,例如,所述预设准确阈值可以设置为90%。
所述网络参数包括所述特征分析层中的参数,例如,卷积核大小等。
通过所述预设准确阈值能够生成准确率符合需求的分类模型。
本实施例中,由于无需基于所有待选样本对所述分类学习器进行调整,因此能够提高所述分类模型的调整效率。
S17,当接收到类别确定请求时,根据所述类别确定请求获取待测用户在所述预设维度上的维度信息。
在本发明的至少一个实施例中,所述类别确定请求中携带的信息包括,但不限于:所述待测用户的用户识别码。
所述待测用户是指需要进行类别确定的用户,所述待测用户可以是某企业的销售人员。
所述维度信息是指所述待测用户在所述预设维度上所对应的信息,所述维度信息包括多个时间节点在所述预设维度上的信息。
在本发明的至少一个实施例中,所述电子设备根据所述类别确定请求获取待测用户在所述预设维度上的维度信息包括:
解析所述类别确定请求的报文,得到所述报文携带的数据信息;
从所述数据信息中提取用户识别码;
基于所述用户识别码及所述预设维度从维度库中获取所述维度信息。
所述维度库中存储有多个用户在所述预设维度上的信息。
通过所述数据信息能够快速获取到所述用户识别码,提高所述维度信息的获取效率,同时,通过所述用户识别码及所述预设维度能够准确的获取到所述维度信息。
S18,根据所述分类模型分析所述维度信息,得到所述待测用户所属的用户类别。
在本发明的至少一个实施例中,所述用户类别是指所述待测用户在产品销售场景上所对应的类别。例如,所述用户类别可以是某产品的销售冠军等。
需要强调的是,为进一步保证上述用户类别的私密和安全性,上述用户类别还可以存储于一区块链的节点中。
在本发明的至少一个实施例中,所述电子设备根据所述分类模型分析所述维度信息的方式与所述电子设备分析所述训练特征信息的方式相似,本发明对此不再赘述。
本实施例中,由于所述分类模型的稳定性及分类准确性较高,因此,基于所述分类模型分析所述待测用户的维度信息,能够提高所述用户类别的准确性。
由以上技术方案可以看出,本发明通过图像清晰度评价算法能够从同一维度上分析所述第一相似矩阵及所述多个第二相似矩阵,从而能够准确的生成所述第一清晰度及所述多个第二清晰度,进而根据所述多个第二清晰度与所述第一清晰度的比较能够准确的确定出影响清晰度变化最大的目标位置,通过所述目标位置这一固定位置选取所述入选样本,能够避免***位置的不同造成所述入选样本的误选,提高所述入选样本的准确性。此外,由于所述入选样本是通过与所述多个初始样本的相似度及清晰度确定的,因此,能够提高所述训练样本的样本质量及样本稳定性,从而能够提升所述分类模型的稳定性及分类准确性,同时,能够避免所有待选样本对所述分类学习器的调整,进而能够避免所述分类模型出现过拟合的问题,提高了所述分类模型的鲁棒性。进一步地,由于所述分类模型的稳定性及分类准确性较高,因此,基于所述分类模型分析所述待测用户的维度信息,能够提高所述用户类别的准确性。
如图2所示,是本发明用户类别确定装置的较佳实施例的功能模块图。所述用户类别确定装置11包括获取单元110、分析单元111、评价单元112、筛选单元113、选取单元114、调整单元115、生成单元116及计算单元117。本发明所称的模块/单元是指一种能够被处理器13所获取,并且能够完成固定功能的一系列计算机可读指令段,其存储在存储器12中。在本实施例中,关于各模块/单元的功能将在后续的实施例中详述。
获取单元110获取多个初始样本及多个待选样本,每个初始样本包括初始用户的第一特征信息,每个待选样本包括待选用户的第二特征信息。
在本发明的至少一个实施例中,每个初始样本是指确定用于调整分类学习器的样本。所述第一特征信息是指所述初始用户在预设维度及预设时间上所对应的信息。其中,所述预设维度可以包括,但不限于:销售业绩、职位级别、团队人数及团队业绩均值等。所述预设时间包括,但不限于:上3个月、上2个月及上个月等。
每个待选样本是指用于调整所述分类学习器的待定样本。所述第二特征信息是指所述待选用户在所述预设维度及所述预设时间上所对应的信息。
分析单元111根据所述第一特征信息分析任意两个初始样本在预设维度上的相似度,得到所述多个初始样本的第一相似矩阵。
在本发明的至少一个实施例中,所述第一相似矩阵中包含所述多个初始样本中任意两个初始样本的相似度。
在本发明的至少一个实施例中,所述第一特征信息包括所述初始用户在预设时间及所述预设维度上的信息,所述分析单元111根据所述第一特征信息分析任意两个初始样本在预设维度上的相似度,得到所述多个初始样本的第一相似矩阵包括:
根据下列公式计算所述第一特征信息,得到所述任意两个初始样本在所述预设维度上的相似度:
其中,是指初始样本与初始样本的相似度,是指所述预设时间的时间总量,是指所述预设维度的维度总量,是指所述初始样本在第个预设维度及第个预设时间上所对应的第一特征信息,是指所述初始样本在第个预设维度及第个预设时间上所对应的第一特征信息;
根据所述多个初始样本的样本数量生成初始矩阵,并根据所述多个初始样本的样本顺序将所述相似度及预设相似值填充至所述初始矩阵中,得到所述第一相似矩阵。
所述样本顺序是指每个初始样本在所述多个初始样本中的序号,例如,所述多个初始样本包括所述初始样本所述初始样本、初始样本,则所述初始样本的样本顺序为1,所述初始样本的样本顺序为2,所述初始样本的样本顺序为3。
所述预设相似值是指每个初始样本自身的相似度,可以理解的是,所述预设相似值通常设定为0。
所述第一相似矩阵中包括所述任意两个初始样本的相似度,可以理解的是,所述第一相似矩阵通常属于对角矩阵。例如,所述初始样本所述初始样本的相似度为1,所述初始样本所述初始样本的相似度为2,所述初始样本所述初始样本的相似度为3,则所述第一相似矩阵为。
通过上述实施方式,能够准确的确定出所述任意两个初始样本的相似度,进而根据所述样本数量能够准确的构建出所述初始矩阵,从而基于所述相似度及预设相似值对所述初始矩阵的填充,能够准确的生成所述第一相似矩阵。
所述分析单元111根据任一待选样本在所述多个初始样本中的多个***位置、所述第一特征信息及所述第二特征信息分析所述任一待选样本与所述多个初始样本的相似度,得到与所述多个***位置对应的多个第二相似矩阵。
在本发明的至少一个实施例中,所述任一待选样本可以是所述多个待选样本中的任意一个样本。
所述多个***位置的位置数量比所述多个初始样本的样本数量多1,例如,若所述多个初始样本的数量为2,则所述多个***位置的位置数量为3。
在本发明的至少一个实施例中,所述分析单元111生成所述多个第二相似矩阵的方式与所述分析单元111生成所述第一相似矩阵的方式相似,本发明对此不再赘述。
可以理解的是,所述任一待选样本在所述多个初始样本中的***位置不同,所述分析单元111所生成的第二相似矩阵也有所不同。例如,所述多个初始样本包括所述初始样本所述初始样本、初始样本,所述任一待选样本为待选样本,若所述待选样本***至所述初始样本后面时,则所生成的第二相似矩阵可以为:。若所述待选样本***至所述初始样本后面时,则所生成的第二相似矩阵可以为:。
评价单元112基于图像清晰度评价算法对所述第一相似矩阵进行评价处理,得到所述第一相似矩阵的第一清晰度,并对所述多个第二相似矩阵进行评价处理,得到多个第二清晰度。
在本发明的至少一个实施例中,所述第一清晰度用于表征所述第一相似矩阵的差异度,也就是说,所述第一清晰度用于指示所述第一相似矩阵中任意两个初始样本的相似度所对应的差异度总和。
每个第二清晰度分别用于表征每个第二相似矩阵的差异度,也就是说,每个第二清晰度用于指示对应的第二相似矩阵中任意两个初始样本的相似度所对应的差异度总和。
在本发明的至少一个实施例中,所述评价单元112基于图像清晰度评价算法对所述第一相似矩阵进行评价处理,得到所述第一相似矩阵的第一清晰度包括:
根据下列公式分析所述第一相似矩阵中任意相邻元素,得到所述第一清晰度:
其中,是指所述第一清晰度,是指所述第一相似矩阵中的总行数与的差值,是指所述第一相似矩阵中的总列数,为大于1的正整数,是指所述第一相似矩阵中第行及第行所对应的元素,是指所述第一相似矩阵中第行及第行所对应的元素。
通过对所述任意相邻元素进行逐行分析,能够提高所述第一清晰度的准确性。
在本发明的至少一个实施例中,所述评价单元112对所述多个第二相似矩阵进行评价处理的方式与所述评价单元112基于图像清晰度评价算法对所述第一相似矩阵进行评价处理的方式相同,本发明对此不再赘述。
筛选单元113基于所述多个第二清晰度及所述第一清晰度从所述多个***位置中筛选目标位置。
在本发明的至少一个实施例中,所述目标位置是指需要在所述多个初始样本中***样本的位置。
在本发明的至少一个实施例中,所述筛选单元113基于所述多个第二清晰度及所述第一清晰度从所述多个***位置中筛选目标位置包括:
计算每个第二清晰度与所述第一清晰度的差值,得到多个清晰度变化值;
将取值最大的清晰度变化值所对应的***位置确定为所述目标位置。
通过将取值最大的清晰度变化值所对应的***位置确定为所述目标位置,能够准确的确定出影响清晰度变化最大的目标位置,进而基于所述目标位置有利于入选样本的筛选,以确保训练样本的样本质量及稳定性。
选取单元114根据所述多个初始样本及所述目标位置从所述多个待选样本中选取入选样本,并将所述多个初始样本及所述入选样本确定为训练样本。
在本发明的至少一个实施例中,所述入选样本是指所述多个待选样本中需要用于调整所述分类学习器的样本。
所述训练样本包括所述多个初始样本及所述入选样本。
在本发明的至少一个实施例中,所述选取单元114根据所述多个初始样本及所述目标位置从所述多个待选样本中选取入选样本包括:
将取值最大的清晰度变化值确定为目标变化值;
若所述目标变化值大于或者等于预设阈值,则将所述任一待选样本确定为所述入选样本,并将所述多个初始样本及所述入选样本确定为下一次迭代处理的多个初始样本;
基于所述下一次迭代处理的多个初始样本对所述多个待选样本进行迭代筛选,直至所述多个待选样本均参与筛选,得到所述入选样本;或者
若所述目标变化值小于所述预设阈值,基于所述多个初始样本对所述多个待选样本进行迭代筛选,直至所述多个待选样本均参与筛选,得到所述入选样本。
其中,所述预设阈值可以根据需求设定,例如,所述预设阈值可以设置为10。
通过所述目标变化值与所述预设阈值的比较,能够快速的确定出所述入选样本。
在本发明的至少一个实施例中,所述选取单元114根据所述多个初始样本及所述目标位置从所述多个待选样本中选取入选样本还包括:
根据所述目标位置依次将每个待选样本***所述多个初始样本中,得到多个特征序列;
计算每个特征序列中多个特征样本的相似度,得到每个特征序列的特征相似矩阵,并计算每个特征相似矩阵的特征清晰度;
计算每个特征清晰度与所述第一清晰度的差值,得到清晰影响值,并将取值最小的清晰影响值所对应的特征序列确定为目标序列;
将所述目标序列中的待选样本确定为所述入选样本,并将所述目标序列中的多个特征样本确定为下一次迭代处理的多个初始样本;
将所述入选样本从所述多个待选样本中删除,得到处理后的待选样本;
基于所述下一次迭代处理的多个初始样本对所述处理后的待选样本进行迭代筛选,直至所述目标序列的序列增益值小于目标增益值,得到所述入选样本。
其中,所述特征清晰度是指所述特征相似矩阵中多个特征样本的相似度所对应的差异度总和。
所述序列增益值用于指示所述入选样本对所述目标序列的清晰度的影响。
通过所述序列增益值与所述目标增益值的比较,能够避免对清晰度影响较小的待选样本加入至所述训练样本中,从而提高所述入选样本的质量。
在本发明的至少一个实施例中,生成单元116根据多个所述特征清晰度及所述第一清晰度生成关系曲线;
所述分析单元111对所述关系曲线进行求导分析处理,得到导数曲线;
计算单元117根据所述导数曲线计算所述目标序列的特征清晰度及所述目标序列的序列数量,得到所述序列增益值;
所述生成单元116基于所述导数曲线及所述多个初始样本生成所述目标增益值:
其中,是指所述目标增益值,是指第个初始样本在所述导数曲线上的导数值,是指所述多个初始样本在所述导数曲线上的导数值的平均值,是指所述多个初始样本在所述导数曲线上的导数值的方差值,是指所述多个初始样本的样本数量。
所述分析单元111对所述关系曲线进行求导分析处理,得到导数曲线的方式属于现有技术,本发明对此不再赘述。可以理解的是,关系曲线不同,所述导数曲线也有所不同。
通过所述导数曲线能够生成所述目标增益值,避免对所述预设阈值的设定,提高所述入选样本的选取准确性,以提高所述训练样本的质量。
调整单元115基于所述训练样本调整预先构建好的分类学习器,得到分类模型。
在本发明的至少一个实施例中,所述分类学习器中包括特征分析层及类别映射层。其中,所述特征分析层用于对所述预设维度上的信息进行分析,所述特征分析层包括多个卷积层及池化层等。所述类别映射层用于将所述特征分析层中的输出结果映射为具体的类别。
所述分类模型是指所述训练样本均参与调整后所得到的模型。
在本发明的至少一个实施例中,所述训练样本包括训练特征信息及标注结果,所述调整单元115基于所述训练样本调整预先构建好的分类学习器,得到分类模型包括:
基于所述特征分析层处理所述训练特征信息,得到输出信息;
基于所述类别映射层对所述输出信息进行映射处理,得到预测结果;
根据所述预测结果及所述标注结果计算所述分类学习器的准确率;
基于所述准确率调整所述分类学习器中的网络参数,直至所述准确率大于或者等于预设准确阈值,得到所述分类模型。
其中,所述预设准确阈值是根据需求设定的,例如,所述预设准确阈值可以设置为90%。
所述网络参数包括所述特征分析层中的参数,例如,卷积核大小等。
通过所述预设准确阈值能够生成准确率符合需求的分类模型。
本实施例中,由于无需基于所有待选样本对所述分类学习器进行调整,因此能够提高所述分类模型的调整效率。
当接收到类别确定请求时,所述获取单元110根据所述类别确定请求获取待测用户在所述预设维度上的维度信息。
在本发明的至少一个实施例中,所述类别确定请求中携带的信息包括,但不限于:所述待测用户的用户识别码。
所述待测用户是指需要进行类别确定的用户,所述待测用户可以是某企业的销售人员。
所述维度信息是指所述待测用户在所述预设维度上所对应的信息,所述维度信息包括多个时间节点在所述预设维度上的信息。
在本发明的至少一个实施例中,所述获取单元110根据所述类别确定请求获取待测用户在所述预设维度上的维度信息包括:
解析所述类别确定请求的报文,得到所述报文携带的数据信息;
从所述数据信息中提取用户识别码;
基于所述用户识别码及所述预设维度从维度库中获取所述维度信息。
所述维度库中存储有多个用户在所述预设维度上的信息。
通过所述数据信息能够快速获取到所述用户识别码,提高所述维度信息的获取效率,同时,通过所述用户识别码及所述预设维度能够准确的获取到所述维度信息。
所述分析单元111根据所述分类模型分析所述维度信息,得到所述待测用户所属的用户类别。
在本发明的至少一个实施例中,所述用户类别是指所述待测用户在产品销售场景上所对应的类别。例如,所述用户类别可以是某产品的销售冠军等。
需要强调的是,为进一步保证上述用户类别的私密和安全性,上述用户类别还可以存储于一区块链的节点中。
在本发明的至少一个实施例中,根据所述分类模型分析所述维度信息的方式与分析所述训练特征信息的方式相似,本发明对此不再赘述。
本实施例中,由于所述分类模型的稳定性及分类准确性较高,因此,基于所述分类模型分析所述待测用户的维度信息,能够提高所述用户类别的准确性。
由以上技术方案可以看出,本发明通过图像清晰度评价算法能够从同一维度上分析所述第一相似矩阵及所述多个第二相似矩阵,从而能够准确的生成所述第一清晰度及所述多个第二清晰度,进而根据所述多个第二清晰度与所述第一清晰度的比较能够准确的确定出影响清晰度变化最大的目标位置,通过所述目标位置这一固定位置选取所述入选样本,能够避免***位置的不同造成所述入选样本的误选,提高所述入选样本的准确性。此外,由于所述入选样本是通过与所述多个初始样本的相似度及清晰度确定的,因此,能够提高所述训练样本的样本质量及样本稳定性,从而能够提升所述分类模型的稳定性及分类准确性,同时,能够避免所有待选样本对所述分类学习器的调整,进而能够避免所述分类模型出现过拟合的问题,提高了所述分类模型的鲁棒性。进一步地,由于所述分类模型的稳定性及分类准确性较高,因此,基于所述分类模型分析所述待测用户的维度信息,能够提高所述用户类别的准确性。
如图3所示,是本发明实现用户类别确定方法的较佳实施例的电子设备的结构示意图。
在本发明的一个实施例中,所述电子设备1包括,但不限于,存储器12、处理器13,以及存储在所述存储器12中并可在所述处理器13上运行的计算机可读指令,例如用户类别确定程序。
本领域技术人员可以理解,所述示意图仅仅是电子设备1的示例,并不构成对电子设备1的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述电子设备1还可以包括输入输出设备、网络接入设备、总线等。
所述处理器13可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,所述处理器13是所述电子设备1的运算核心和控制中心,利用各种接口和线路连接整个电子设备1的各个部分,及执行所述电子设备1的操作***以及安装的各类应用程序、程序代码等。
示例性的,所述计算机可读指令可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器12中,并由所述处理器13执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机可读指令段,该计算机可读指令段用于描述所述计算机可读指令在所述电子设备1中的执行过程。例如,所述计算机可读指令可以被分割成获取单元110、分析单元111、评价单元112、筛选单元113、选取单元114、调整单元115、生成单元116及计算单元117。
所述存储器12可用于存储所述计算机可读指令和/或模块,所述处理器13通过运行或执行存储在所述存储器12内的计算机可读指令和/或模块,以及调用存储在存储器12内的数据,实现所述电子设备1的各种功能。所述存储器12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(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据电子设备的使用所创建的数据等。存储器12可以包括非易失性和易失性存储器,例如:硬盘、内存、插接式硬盘,智能存储卡(SmartMedia Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他存储器件。
所述存储器12可以是电子设备1的外部存储器和/或内部存储器。进一步地,所述存储器12可以是具有实物形式的存储器,如内存条、TF卡(Trans-flash Card)等等。
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。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机可读指令来指令相关的硬件来完成,所述的计算机可读指令可存储于一计算机可读存储介质中,该计算机可读指令在被处理器执行时,可实现上述各个方法实施例的步骤。
其中,所述计算机可读指令包括计算机可读指令代码,所述计算机可读指令代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机可读指令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)、随机存取存储器(RAM,Random Access Memory)。
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。
结合图1,所述电子设备1中的所述存储器12存储计算机可读指令实现一种用户类别确定方法,所述处理器13可执行所述计算机可读指令从而实现:
获取多个初始样本及多个待选样本,每个初始样本包括初始用户的第一特征信息,每个待选样本包括待选用户的第二特征信息;
根据所述第一特征信息分析任意两个初始样本在预设维度上的相似度,得到所述多个初始样本的第一相似矩阵;
根据任一待选样本在所述多个初始样本中的多个***位置、所述第一特征信息及所述第二特征信息分析所述任一待选样本与所述多个初始样本的相似度,得到与所述多个***位置对应的多个第二相似矩阵;
基于图像清晰度评价算法对所述第一相似矩阵进行评价处理,得到所述第一相似矩阵的第一清晰度,并对所述多个第二相似矩阵进行评价处理,得到多个第二清晰度;
基于所述多个第二清晰度及所述第一清晰度从所述多个***位置中筛选目标位置;
根据所述多个初始样本及所述目标位置从所述多个待选样本中选取入选样本,并将所述多个初始样本及所述入选样本确定为训练样本;
基于所述训练样本调整预先构建好的分类学习器,得到分类模型;
当接收到类别确定请求时,根据所述类别确定请求获取待测用户在所述预设维度上的维度信息;
根据所述分类模型分析所述维度信息,得到所述待测用户所属的用户类别。
具体地,所述处理器13对上述计算机可读指令的具体实现方法可参考图1对应实施例中相关步骤的描述,在此不赘述。
在本发明所提供的几个实施例中,应该理解到,所揭露的***,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。
所述计算机可读存储介质上存储有计算机可读指令,其中,所述计算机可读指令被处理器13执行时用以实现以下步骤:
获取多个初始样本及多个待选样本,每个初始样本包括初始用户的第一特征信息,每个待选样本包括待选用户的第二特征信息;
根据所述第一特征信息分析任意两个初始样本在预设维度上的相似度,得到所述多个初始样本的第一相似矩阵;
根据任一待选样本在所述多个初始样本中的多个***位置、所述第一特征信息及所述第二特征信息分析所述任一待选样本与所述多个初始样本的相似度,得到与所述多个***位置对应的多个第二相似矩阵;
基于图像清晰度评价算法对所述第一相似矩阵进行评价处理,得到所述第一相似矩阵的第一清晰度,并对所述多个第二相似矩阵进行评价处理,得到多个第二清晰度;
基于所述多个第二清晰度及所述第一清晰度从所述多个***位置中筛选目标位置;
根据所述多个初始样本及所述目标位置从所述多个待选样本中选取入选样本,并将所述多个初始样本及所述入选样本确定为训练样本;
基于所述训练样本调整预先构建好的分类学习器,得到分类模型;
当接收到类别确定请求时,根据所述类别确定请求获取待测用户在所述预设维度上的维度信息;
根据所述分类模型分析所述维度信息,得到所述待测用户所属的用户类别。
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。
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标记视为限制所涉及的权利要求。
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。所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。第一、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 (8)
1.一种用户类别确定方法,其特征在于,所述用户类别确定方法包括:
获取多个初始样本及多个待选样本,每个初始样本包括初始用户的第一特征信息,每个待选样本包括待选用户的第二特征信息,每个初始样本是指确定用于调整分类学习器的样本,所述第一特征信息是指所述初始用户在预设维度及预设时间上所对应的信息,每个待选样本是指用于调整所述分类学习器的待定样本,所述第二特征信息是指所述待选用户在所述预设维度及所述预设时间上所对应的信息;
根据所述第一特征信息分析任意两个初始样本在预设维度上的相似度,得到所述多个初始样本的第一相似矩阵,包括:根据下列公式计算所述第一特征信息,得到所述任意两个初始样本在所述预设维度上的相似度:其中,MSE(x,y)是指初始样本x与初始样本y的相似度,m是指所述预设时间的时间总量,n是指所述预设维度的维度总量,x(i,j)是指所述初始样本x在第i个预设维度及第j个预设时间上所对应的第一特征信息,y(i,j)是指所述初始样本y在第i个预设维度及第j个预设时间上所对应的第一特征信息;根据所述多个初始样本的样本数量生成初始矩阵,并根据所述多个初始样本的样本顺序将所述相似度及预设相似值填充至所述初始矩阵中,得到所述第一相似矩阵,所述初始矩阵是指行数及列数为所述样本数量的空矩阵,所述样本顺序是指每个初始样本在所述多个初始样本中的序号,所述预设相似值是指每个初始样本自身的相似度;
根据任一待选样本在所述多个初始样本中的多个***位置、所述第一特征信息及所述第二特征信息分析所述任一待选样本与所述多个初始样本的相似度,得到与所述多个***位置对应的多个第二相似矩阵;
基于图像清晰度评价算法对所述第一相似矩阵进行评价处理,得到所述第一相似矩阵的第一清晰度,包括:根据下列公式分析所述第一相似矩阵中任意相邻元素,得到所述第一清晰度: 其中,D(f)是指所述第一清晰度,q是指所述第一相似矩阵中的总行数与t的差值,v是指所述第一相似矩阵中的总列数,t为大于1的正整数,f(x+t,y)是指所述第一相似矩阵中第x+t行及第y行所对应的元素,f(x,y)是指所述第一相似矩阵中第x行及第y行所对应的元素,并对所述多个第二相似矩阵进行评价处理,得到多个第二清晰度,所述第一清晰度用于指示所述第一相似矩阵中任意两个初始样本的相似度所对应的差异度总和,每个第二清晰度用于指示对应的第二相似矩阵中任意两个初始样本的相似度所对应的差异度总和;
基于所述多个第二清晰度及所述第一清晰度从所述多个***位置中筛选目标位置,包括:计算每个第二清晰度与所述第一清晰度的差值,得到多个清晰度变化值;将取值最大的清晰度变化值所对应的***位置确定为所述目标位置;
根据所述多个初始样本及所述目标位置从所述多个待选样本中选取入选样本,并将所述多个初始样本及所述入选样本确定为训练样本;
基于所述训练样本调整预先构建好的分类学习器,得到分类模型;
当接收到类别确定请求时,根据所述类别确定请求获取待测用户在所述预设维度上的维度信息;
根据所述分类模型分析所述维度信息,得到所述待测用户所属的用户类别。
2.如权利要求1所述的用户类别确定方法,其特征在于,所述根据所述多个初始样本及所述目标位置从所述多个待选样本中选取入选样本还包括:
根据所述目标位置依次将每个待选样本***所述多个初始样本中,得到多个特征序列;
计算每个特征序列中多个特征样本的相似度,得到每个特征序列的特征相似矩阵,并计算每个特征相似矩阵的特征清晰度;
计算每个特征清晰度与所述第一清晰度的差值,得到清晰影响值,并将取值最小的清晰影响值所对应的特征序列确定为目标序列;
将所述目标序列中的待选样本确定为所述入选样本,并将所述目标序列中的多个特征样本确定为下一次迭代处理的多个初始样本;
将所述入选样本从所述多个待选样本中删除,得到处理后的待选样本;
基于所述下一次迭代处理的多个初始样本对所述处理后的待选样本进行迭代筛选,直至所述目标序列的序列增益值小于目标增益值,得到所述入选样本。
4.如权利要求1所述的用户类别确定方法,其特征在于,所述基于所述多个第二清晰度及所述第一清晰度从所述多个***位置中筛选目标位置包括:
计算每个第二清晰度与所述第一清晰度的差值,得到多个清晰度变化值;
将取值最大的清晰度变化值所对应的***位置确定为所述目标位置。
5.如权利要求4所述的用户类别确定方法,其特征在于,所述根据所述多个初始样本及所述目标位置从所述多个待选样本中选取入选样本包括:
将取值最大的清晰度变化值确定为目标变化值;
若所述目标变化值大于或者等于预设阈值,则将所述任一待选样本确定为所述入选样本,并将所述多个初始样本及所述入选样本确定为下一次迭代处理的多个初始样本;
基于所述下一次迭代处理的多个初始样本对所述多个待选样本进行迭代筛选,直至所述多个待选样本均参与筛选,得到所述入选样本;或者
若所述目标变化值小于所述预设阈值,基于所述多个初始样本对所述多个待选样本进行迭代筛选,直至所述多个待选样本均参与筛选,得到所述入选样本。
6.一种用户类别确定装置,其特征在于,所述用户类别确定装置包括:
获取单元,用于获取多个初始样本及多个待选样本,每个初始样本包括初始用户的第一特征信息,每个待选样本包括待选用户的第二特征信息,每个初始样本是指确定用于调整分类学习器的样本,所述第一特征信息是指所述初始用户在预设维度及预设时间上所对应的信息,每个待选样本是指用于调整所述分类学习器的待定样本,所述第二特征信息是指所述待选用户在所述预设维度及所述预设时间上所对应的信息;
分析单元,用于根据所述第一特征信息分析任意两个初始样本在预设维度上的相似度,得到所述多个初始样本的第一相似矩阵,包括:根据下列公式计算所述第一特征信息,得到所述任意两个初始样本在所述预设维度上的相似度:其中,MSE(x,y)是指初始样本x与初始样本y的相似度,m是指所述预设时间的时间总量,n是指所述预设维度的维度总量,x(i,j)是指所述初始样本x在第i个预设维度及第j个预设时间上所对应的第一特征信息,y(i,j)是指所述初始样本y在第i个预设维度及第j个预设时间上所对应的第一特征信息;根据所述多个初始样本的样本数量生成初始矩阵,并根据所述多个初始样本的样本顺序将所述相似度及预设相似值填充至所述初始矩阵中,得到所述第一相似矩阵,所述初始矩阵是指行数及列数为所述样本数量的空矩阵,所述样本顺序是指每个初始样本在所述多个初始样本中的序号,所述预设相似值是指每个初始样本自身的相似度;
所述分析单元,还用于根据任一待选样本在所述多个初始样本中的多个***位置、所述第一特征信息及所述第二特征信息分析所述任一待选样本与所述多个初始样本的相似度,得到与所述多个***位置对应的多个第二相似矩阵;
评价单元,用于基于图像清晰度评价算法对所述第一相似矩阵进行评价处理,得到所述第一相似矩阵的第一清晰度,包括:根据下列公式分析所述第一相似矩阵中任意相邻元素,得到所述第一清晰度: 其中,D(f)是指所述第一清晰度,q是指所述第一相似矩阵中的总行数与t的差值,v是指所述第一相似矩阵中的总列数,t为大于1的正整数,f(x+t,y)是指所述第一相似矩阵中第x+t行及第y行所对应的元素,f(x,y)是指所述第一相似矩阵中第x行及第y行所对应的元素,并对所述多个第二相似矩阵进行评价处理,得到多个第二清晰度,所述第一清晰度用于指示所述第一相似矩阵中任意两个初始样本的相似度所对应的差异度总和,每个第二清晰度用于指示对应的第二相似矩阵中任意两个初始样本的相似度所对应的差异度总和;
筛选单元,用于基于所述多个第二清晰度及所述第一清晰度从所述多个***位置中筛选目标位置,包括:计算每个第二清晰度与所述第一清晰度的差值,得到多个清晰度变化值;将取值最大的清晰度变化值所对应的***位置确定为所述目标位置;
选取单元,用于根据所述多个初始样本及所述目标位置从所述多个待选样本中选取入选样本,并将所述多个初始样本及所述入选样本确定为训练样本;
调整单元,用于基于所述训练样本调整预先构建好的分类学习器,得到分类模型;
所述获取单元,还用于当接收到类别确定请求时,根据所述类别确定请求获取待测用户在所述预设维度上的维度信息;
所述分析单元,还用于根据所述分类模型分析所述维度信息,得到所述待测用户所属的用户类别。
7.一种电子设备,其特征在于,所述电子设备包括:
存储器,存储有计算机可读指令;及
处理器,执行所述存储器中存储的计算机可读指令以实现如权利要求1至5中任意一项所述的用户类别确定方法。
8.一种计算机可读存储介质,其特征在于:所述计算机可读存储介质中存储有计算机可读指令,所述计算机可读指令被电子设备中的处理器执行以实现如权利要求1至5中任意一项所述的用户类别确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111432853.9A CN113850632B (zh) | 2021-11-29 | 2021-11-29 | 用户类别确定方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111432853.9A CN113850632B (zh) | 2021-11-29 | 2021-11-29 | 用户类别确定方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113850632A CN113850632A (zh) | 2021-12-28 |
CN113850632B true CN113850632B (zh) | 2022-03-01 |
Family
ID=78982227
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111432853.9A Active CN113850632B (zh) | 2021-11-29 | 2021-11-29 | 用户类别确定方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113850632B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114266512A (zh) * | 2022-02-28 | 2022-04-01 | 成都数之联科技股份有限公司 | 一种用户用能行为分析方法及***及装置及介质 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8145636B1 (en) * | 2009-03-13 | 2012-03-27 | Google Inc. | Classifying text into hierarchical categories |
KR102450763B1 (ko) * | 2016-01-07 | 2022-10-06 | 한국전자통신연구원 | 사용자 자세에 기초한 키스트로크 패턴을 이용한 사용자 분류 장치 및 방법 |
CN106504207B (zh) * | 2016-10-24 | 2019-08-02 | 西南科技大学 | 一种图像数据处理方法 |
CN107688829A (zh) * | 2017-08-29 | 2018-02-13 | 湖南财政经济学院 | 一种基于支持向量机的识别***及识别方法 |
CN110728328B (zh) * | 2019-10-22 | 2022-03-01 | 支付宝(杭州)信息技术有限公司 | 分类模型的训练方法和装置 |
CN111078742B (zh) * | 2019-12-09 | 2023-09-05 | 秒针信息技术有限公司 | 用户分类模型训练方法、用户分类方法及装置 |
CN111062426A (zh) * | 2019-12-11 | 2020-04-24 | 北京金山云网络技术有限公司 | 一种建立训练集的方法、装置、电子设备以及介质 |
CN111126396B (zh) * | 2019-12-25 | 2023-08-22 | 北京科技大学 | 图像识别方法、装置、计算机设备以及存储介质 |
CN111597804B (zh) * | 2020-05-15 | 2023-03-10 | 腾讯科技(深圳)有限公司 | 一种实体识别模型训练的方法以及相关装置 |
CN113255694B (zh) * | 2021-05-21 | 2022-11-11 | 北京百度网讯科技有限公司 | 训练图像特征提取模型和提取图像特征的方法、装置 |
CN113516205B (zh) * | 2021-09-03 | 2021-12-14 | 平安科技(深圳)有限公司 | 基于人工智能的员工稳定性分类方法及相关设备 |
-
2021
- 2021-11-29 CN CN202111432853.9A patent/CN113850632B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113850632A (zh) | 2021-12-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wilf et al. | Computer vision cracks the leaf code | |
CN112417096B (zh) | 问答对匹配方法、装置、电子设备及存储介质 | |
CN113627576B (zh) | 扫码信息检测方法、装置、设备及存储介质 | |
CN114037545A (zh) | 客户推荐方法、装置、设备及存储介质 | |
CN115222443A (zh) | 客户群体划分方法、装置、设备及存储介质 | |
CN113850632B (zh) | 用户类别确定方法、装置、设备及存储介质 | |
CN113570391B (zh) | 基于人工智能的社群划分方法、装置、设备及存储介质 | |
CN114510487A (zh) | 数据表合并方法、装置、设备及存储介质 | |
CN114372060A (zh) | 数据存储方法、装置、设备及存储介质 | |
CN113705468A (zh) | 基于人工智能的数字图像识别方法及相关设备 | |
CN113065947A (zh) | 数据处理方法、装置、设备及存储介质 | |
CN113516205B (zh) | 基于人工智能的员工稳定性分类方法及相关设备 | |
CN114898155B (zh) | 车辆定损方法、装置、设备及存储介质 | |
CN114581177B (zh) | 产品推荐方法、装置、设备及存储介质 | |
CN113343700B (zh) | 数据处理方法、装置、设备及存储介质 | |
CN114329095A (zh) | ***逻辑图生成方法、装置、设备及存储介质 | |
CN114238296A (zh) | 产品指标数据展示方法、装置、设备及存储介质 | |
CN113343970A (zh) | 文本图像检测方法、装置、设备及存储介质 | |
CN113283421B (zh) | 信息识别方法、装置、设备及存储介质 | |
US20220319158A1 (en) | Cell nuclei classification with artifact area avoidance | |
JP7335204B2 (ja) | 画像処理装置、画像処理方法及び画像処理プログラム | |
CN113221836A (zh) | 眼底彩照分类方法、装置、设备及存储介质 | |
CN113268562B (zh) | 文本情感识别方法、装置、设备及存储介质 | |
CN113760777B (zh) | 应用程序压力测试方法、装置、设备及存储介质 | |
CN114840733A (zh) | 主数据识别方法、装置、设备及存储介质 |
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 |