CN115099344A - 模型训练方法和装置、用户画像生成方法和装置、设备 - Google Patents
模型训练方法和装置、用户画像生成方法和装置、设备 Download PDFInfo
- Publication number
- CN115099344A CN115099344A CN202210739784.4A CN202210739784A CN115099344A CN 115099344 A CN115099344 A CN 115099344A CN 202210739784 A CN202210739784 A CN 202210739784A CN 115099344 A CN115099344 A CN 115099344A
- Authority
- CN
- China
- Prior art keywords
- target
- decision
- knowledge
- sample
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 94
- 238000012549 training Methods 0.000 title claims abstract description 71
- 238000003066 decision tree Methods 0.000 claims abstract description 71
- 238000013145 classification model Methods 0.000 claims abstract description 26
- 238000000605 extraction Methods 0.000 claims abstract description 11
- 230000015654 memory Effects 0.000 claims description 22
- 238000004891 communication Methods 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 16
- 238000005516 engineering process Methods 0.000 description 16
- 238000007477 logistic regression Methods 0.000 description 15
- 238000012545 processing Methods 0.000 description 8
- 238000003058 natural language processing Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- AYFVYJQAPQTCCC-GBXIJSLDSA-N L-threonine Chemical compound C[C@@H](O)[C@H](N)C(O)=O AYFVYJQAPQTCCC-GBXIJSLDSA-N 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000014759 maintenance of location Effects 0.000 description 3
- 238000005065 mining Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- 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)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请实施例提供了模型训练方法和装置、用户画像生成方法和装置、设备,属于人工智能技术领域。该模型训练方法包括:获取样本对象的样本画像数据;对样本画像数据进行特征提取,得到样本画像特征;根据样本画像特征构建决策子树;决策子树包括叶子节点,每一叶子节点是其中一个样本画像特征;对决策子树进行解析,得到每一决策子树的样本知识条;其中,每一样本知识条包括其中一个叶子节点;将样本知识条输入至预设的分类模型进行训练,得到每一决策子树的知识条权重;根据K个决策子树的知识条权重得到目标决策树模型。本申请实施例的目标决策树模型可以从海量的画像数据中识别出所需要的画像特征,提高模型的训练效率和准确率。
Description
技术领域
本申请涉及人工智能技术领域,尤其涉及一种模型训练方法和装置、用户画像生成方法和装置、设备。
背景技术
人工智能中的用户画像技术,通常是根据用户的数据,例如包括用户的属性、偏好、习惯、行为等,生成的一种用户的虚拟表示,也即抽象处理的标签化用户模型;用户画像,通常由数据标签来综合表示,如【性别:男,年龄:25-30,学历:本科】,等等。在当今数据仓库等大数据技术发展的背景下,用户画像技术得到了充分的应用,然而如何从用户海量的画像标签中选择出需要的用户标签,成为亟待解决的技术问题。
发明内容
本申请实施例的主要目的在于提出一种模型训练方法和装置、用户画像生成方法和装置、设备,通过该模型训练方法得到的目标决策树模型,可以从海量的画像数据中识别出所需要的画像特征。
为实现上述目的,本申请实施例的第一方面提出了一种模型训练方法,所述模型训练方法包括:
获取样本对象的样本画像数据;
对所述样本画像数据进行特征提取,得到样本画像特征;
根据所述样本画像特征构建决策子树;所述决策子树包括叶子节点,所述每一所述叶子节点是其中一个所述样本画像特征;
对所述决策子树进行解析,得到每一所述决策子树的样本知识条;其中,每一样本知识条包括其中一个所述叶子节点;
将所述样本知识条输入至预设的分类模型进行训练,得到每一所述决策子树的知识条权重;
根据K个所述决策子树的所述知识条权重得到目标决策树模型;其中,所述目标决策树模型包括所述K个所述决策子树。
在一些实施例,所述根据所述样本画像特征构建决策子树,包括:
从所述样本画像特征筛选出父特征;
对至少一个所述父特征进行特征划分,得到至少一个子特征;其中,每一所述父特征包括至少一个所述子特征;
根据所至少一个所述父特征和至少一个所述子特征,得到所述决策子树;其中,所述父特征为所述决策子树的分支节点,每一所述叶子节点为其中一个所述子特征。
在一些实施例,所述从所述样本画像特征筛选出父特征,包括:
计算所述样本画像特征的信息增益;
从所述信息增益获取最大的信息增益,作为目标增益;
根据目标增益从所述样本画像特征筛选出所述父特征。
在一些实施例,所述根据K个所述决策子树的所述知识条权重得到目标决策树模型,包括:
获取K个所述决策子树;
获取K个所述决策子树的每一决策子树的知识条权重;
根据所述分类模型和每一所述决策子树的知识条权重,得到所述目标决策树模型。
为实现上述目的,本申请实施例的第二方面提出了一种用户画像生成方法,所述用户画像生成方法包括:
获取目标用户的目标画像数据;将所述目标画像数据输入至目标决策树模型进行决策,得到预测知识条集;其中,所述预测知识条集包括所述目标用户命中的至少两个知识条,所述目标决策树模型是根据上述第一方面所述的模型训练方法训练得到;
将所述预测知识条集输入至所述分类模型进行预测,得到目标权重;
根据所述目标权重对所述预测知识条集进行遍历,得到目标知识条;其中,所述目标知识条为所述目标用户的用户画像。
在一些实施例,所述根据所述标权重对所述预测知识条集进行遍历,得到目标知识条,包括:
获取每一所述目标权重的绝对值;
根据所述绝对值从大到小对所述目标权重进行排序,得到权重排序;
根据所述权重排序对所述目标权重进行顺序遍历,得到所述目标知识条。
为实现上述目的,本申请实施例的第三方面提出了一种模型训练装置,所述模型训练装置包括:
样本数据获取模块,用于获取样本对象的样本画像数据;
样本特征提取模块,用于对所述样本画像数据进行特征提取,得到样本画像特征;
决策树构建模块,用于根据所述样本画像特征构建决策子树;所述决策子树包括叶子节点,所述每一所述叶子节点是其中一个所述样本画像特征;
解析模块,用于对所述决策子树进行解析,得到每一所述决策子树的样本知识条;其中,每一样本知识条包括其中一个所述叶子节点;
模型训练模块,用于将所述样本知识条输入至预设的分类模型进行训练,得到每一所述决策子树的知识条权重;
模型生成模块,用于根据K个所述决策子树的所述知识条权重得到目标决策树模型;其中,所述目标决策树模型包括所述K个所述决策子树。
为实现上述目的,本申请实施例的第四方面提出了一种用户画像生成装置,所述用户画像生成装置包括:
目标数据获取模块,用于获取目标用户的目标画像数据;决策模块,用于将所述目标画像数据输入至目标决策树模型进行决策,得到预测知识条集;其中,所述预测知识条集包括所述目标用户命中的至少两个知识条,所述目标决策树模型是根据第一方面所述的模型训练方法训练得到;
预测模块,用于将所述预测知识条集输入至所述分类模型进行预测,得到目标权重;
遍历模块,用于根据所述目标权重对所述预测知识条集进行遍历,得到目标知识条;其中,所述目标知识条为所述目标用户的用户画像。
为实现上述目的,本申请实施例的第五方面提出了一种电子设备,所述电子设备包括存储器、处理器、存储在所述存储器上并可在所述处理器上运行的程序以及用于实现所述处理器和所述存储器之间的连接通信的数据总线,所述程序被所述处理器执行时实现上述第一方面所述的模型训练方法或者上述第二方面所述的用户画像生成方法。
为实现上述目的,本申请实施例的第六方面提出了一种存储介质,所述存储介质为计算机可读存储介质,用于计算机可读存储,所述存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现上述第一方面所述的模型训练方法或者上述第二方面所述的用户画像生成方法。
本申请提出的模型训练方法和装置、用户画像生成方法和装置、电子设备及存储介质,其通过获取样本对象的样本画像数据,对所述样本画像数据进行特征提取,得到样本画像特征;并根据所述样本画像特征构建决策子树,所述决策子树包括叶子节点,每一所述叶子节点是其中一个样本画像特征;并对所述决策子树进行解析,得到每一所述决策子树的样本知识条;再将所述样本知识条输入至预设的分类模型进行训练,得到每一所述决策子树的知识条权重;从而可以根据K个所述决策子树的所述知识条权重得到目标决策树模型,通过该方式得到的目标决策树模型包括K个所述决策子树,通过该目标决策树模型可以从海量的画像数据中识别出所需要的画像特征,并提高了模型训练的效率和准确率。
附图说明
图1是本申请实施例提供的模型训练方法的流程图;
图2是图1中的步骤103的流程图;
图3是其中一个实施例的决策子树的结构示意图;
图4是另一个实施例的决策子树的结构示意图;
图5是图2中的步骤201的流程图;
图6是图1中的步骤106的流程图;
图7是本申请实施例提供的用户画像生成方法的的流程图;
图8是图7中的步骤704的流程图;
图9是本申请实施例提供的模型训练装置的结构示意图;
图10是本申请实施例提供的用户画像生成装置的结构示意图;
图11是本申请实施例提供的电子设备的硬件结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本申请,并不用于限定本申请。
需要说明的是,虽然在装置示意图中进行了功能模块划分,在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于装置中的模块划分,或流程图中的顺序执行所示出或描述的步骤。说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的,不是旨在限制本申请。
首先,对本申请中涉及的若干名词进行解析:
人工智能(artificial intelligence,AI):是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用***的一门新的技术科学;人工智能是计算机科学的一个分支,人工智能企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器,该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家***等。人工智能可以对人的意识、思维的信息过程的模拟。人工智能还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***。
自然语言处理(natural language processing,NLP):NLP用计算机来处理、理解以及运用人类语言(如中文、英文等),NLP属于人工智能的一个分支,是计算机科学与语言学的交叉学科,又常被称为计算语言学。自然语言处理包括语法分析、语义分析、篇章理解等。自然语言处理常用于机器翻译、手写体和印刷体字符识别、语音识别及文语转换、信息意图识别、信息抽取与过滤、文本分类与聚类、舆情分析和观点挖掘等技术领域,它涉及与语言处理相关的数据挖掘、机器学习、知识获取、知识工程、人工智能研究和与语言计算相关的语言学研究等。
逻辑回归(Logistic Regression,LR):又称为逻辑回归分析,是一种分类学习方法,通常应用于两个场景:第一场景用于预测,第二场景用于寻找因变量的影响因素。其大致原理为:通过历史数据的表现对未来结果发生的概率进行预测。
梯度决策提升树(Gradient Boosting Decision Tree,GBDT):是机器学习中常用的模型,是一种迭代的决策树算法,其主要思想是利用弱分类器(决策树)迭代训练以得到最优模型,该模型具有训练效果好、不易过拟合等优点。
XGboost:XGboost使用的是pre-sorted算法,能够更精确的找到数据分隔点。
轻梯度决策模型(light Gradient Boosting Machine,LightGBM):LightGBM是GBDT模型的进阶。LightGBM是XGboost的升级版,不同于XGboost的是,LightGBM使用的是histogram算法(直方图算法);LightGBM采用leaf-wise生长策略,每次从当前所有叶子中找到***增益最大(一般也是数据量最大)的一个叶子,然后***,如此循环。
人工智能中的用户画像技术,通常是根据用户的数据,例如包括用户的属性、偏好、***均水平且前职业是销售的多特征交叉场景下,通常有更高的留存概率。
基于此,本申请实施例提供了一种模型训练方法和装置、用户画像生成方法和装置、电子设备及存储介质,通过该模型训练方法得到的目标决策树模型,可以从海量的画像数据中识别出所需要的画像特征,且能够提高模型的训练效率和准确率。
本申请实施例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。
本申请实施例提供的模型训练方法或者用户画像生成方法,涉及人工智能技术领域。本申请实施例提供的模型训练方法或者用户画像生成方法可应用于终端中,也可应用于服务器端中,还可以是运行于终端或服务器端中的软件。在一些实施例中,终端可以是智能手机、平板电脑、笔记本电脑、台式计算机等;服务器端可以配置成独立的物理服务器,也可以配置成多个物理服务器构成的服务器集群或者分布式***,还可以配置成提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN以及大数据和人工智能平台等基础云计算服务的云服务器;软件可以是实现模型训练方法或者用户画像生成方法的应用等,但并不局限于以上形式。
本申请可用于众多通用或专用的计算机***环境或配置中。例如:个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器***、基于微处理器的***、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何***或设备的分布式计算环境等等。本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
需要说明的是,在本申请的各个具体实施方式中,当涉及到需要根据用户信息、用户行为数据、用户画像数据,用户历史数据以及用户位置信息等与用户身份或特性相关的数据进行相关处理时,都会先获得用户的许可或者同意,而且,对这些数据的收集、使用和处理等,都会遵守相关国家和地区的相关法律法规和标准。此外,当本申请实施例需要获取用户的敏感个人信息时,会通过弹窗或者跳转到确认页面等方式获得用户的单独许可或者单独同意,在明确获得用户的单独许可或者单独同意之后,再获取用于使本申请实施例能够正常运行的必要的用户相关数据。
本申请实施例提供的模型训练方法和装置、用户画像生成方法和装置、电子设备及存储介质,具体通过如下实施例进行说明,首先描述本申请实施例中的模型训练方法。
图1是本申请实施例提供的模型训练方法的一个可选的流程图,图1中的方法可以包括但不限于包括步骤101至步骤106。
步骤101,获取样本对象的样本画像数据;
步骤102,对样本画像数据进行特征提取,得到样本画像特征;
步骤103,根据样本画像特征构建决策子树;其中,决策子树包括叶子节点,每一叶子节点是其中一个样本画像特征;
步骤104,对决策子树进行解析,得到每一决策子树的样本知识条;其中,每一样本知识条包括其中一个叶子节点;
步骤105,将样本知识条输入至预设的分类模型进行训练,得到每一决策子树的知识条权重;
步骤106,根据K个决策子树的知识条权重得到目标决策树模型;其中,目标决策树模型包括K个决策子树。
本申请实施例的步骤101至步骤106,通过获取样本对象的样本画像数据,对样本画像数据进行特征提取,得到样本画像特征;并根据样本画像特征构建决策子树,决策子树包括叶子节点,每一叶子节点是其中一个样本画像特征;并对决策子树进行解析,得到每一决策子树的样本知识条;再将样本知识条输入至预设的分类模型进行训练,得到每一决策子树的知识条权重;从而可以根据K个决策子树的知识条权重得到目标决策树模型,通过该目标决策树模型,可以从海量的画像数据中识别出所需要的画像特征,且能够提高模型的训练效率和准确率。
在一些实施例的步骤101中,样本对象可以是购物平台的买家,也可以是相关应用程序的用户,例如音乐播放程序的用户,或者保险领域的投保人等等;样本对象的样本画像数据可以包括样本对象的用户基本信息,还可以包括样本对象的购买数据,也可以包括样本对象的投诉数据等等;其中,样本对象的用户基本信息可以包括样本对象的姓名、性别、年龄等,也可以包括样本对象的学历信息、职业信息等。步骤101中的样本画像数据,可以包括海量的画像数据,可以应用于多种场景,例如购物平台、交友平台等等,还可以是保险领域、房屋租赁领域、电力缴费领域等等。
在一些实施例的步骤102中,对样本画像数据进行特征提取的方式,可以是现有的特征提取方式,本实施例不做限定。样本画像特征可以是学历特征,学历可以包括小学、初中、高中、大专、本科、硕士级以上等;样本画像特征还可用户基本信息特征,例如性别特征、年龄特征、籍贯特征等。
请参阅图2,在一些实施例的步骤103可以包括但不限于包括步骤201至步骤203:
步骤201,从样本画像特征筛选出父特征;
步骤202,对至少一个父特征进行特征划分,得到至少一个子特征;其中,每一父特征包括至少一个子特征;
步骤203,根据所至少一个父特征和至少一个子特征,得到决策子树;其中,父特征为决策子树的分支节点,每一叶子节点为其中一个子特征。
在一些实施例的步骤201中,样本画像特征包括学历,则将样本画像特征中的“学历”作为父特征;在步骤202中,对父特征“学历”进行划分,得到两个子特征,其中一个子特征为:“小学、初中、高中”,另一个子特征为“大专、本科、硕士及以上”。请参图3所示,通过步骤203,构建了一棵决策子树,图3示意的是一个两层结构的决策子树,父特征为第一层,也为父节点“学历”;两个子特征是第二层,两个子特征是两个子节点。本申请实施例,可以通过贪婪枚举所有特征,以进行特征划分,得到至少一个子特征。
在一些应用场景,决策子树是二叉树;本申请实施例,将以二叉树为例进行举例说明。请参阅图4,图4示意了一棵四层结构的决策子树,通过重复执行202,不断进行特征划分,其中一个子特征“小学、初中、高中”经过特征划分后,得到下一层的两个子特征:“小学、初中”和“高中”,此时,子特征“小学、初中、高中”变为父特征;另一个子特征“大专、本科、硕士及以上”经过特征划分后,得到下一层的两个子特征:“本科、硕士及以上”和“大专”,此时子特征“大专、本科、硕士及以上”变为父特征。同理,子特征“小学、初中”被划分为下一层的两个子特征:“小学”和“初中”;同理,子特征“本科、硕士及以上”被划分为下一层的两个子特征:“本科”和“硕士及以上”。在该决策子树中,父特征也是父节点,子特征也是分支节点,末端的子特征是叶子节点,图4中的叶子节点包括:第三层的子特征“高中”、第四层的子特征“小学”、第四层的子特征“初中”,和第三层的子特征“大专”、第四层的子特征“硕士及以上”、第四层的子特征“本科”。
请参阅图5,在一些实施例的步骤201可以包括但不限于包括步骤501至步骤503:
步骤501,计算样本画像特征的信息增益;
步骤502,从信息增益获取最大的信息增益,作为目标增益;
步骤503,根据目标增益从样本画像特征筛选出父特征。
信息增益,用于衡量数据变得更有序、更纯净的程度;信息增益越大,表明数据越纯粹,因此在进行特征选择时,将选择信息增益最大的特征。本实施例的步骤501至步骤503中,从信息增益获取最大的信息增益作为目标增益,从而将目标增益对于的样本画像特征作为父特征。
在一些实施例的步骤202,每次进行特征划分时,只会决定决策子树中一个节点的划分,需要递归进行多次特征划分才会最终生成一棵决策子树;当达到预设的停止条件时,停止特征划分;其中,预设的停止条件可以是通过设定超参数,也可以通过设定节点的层次阈值,还可以通过设置决策子树的深度阈值超过超参数的值、或者超过节点的层次阈值、或者超过决策子树的深度阈值,则停止特征划分。
在一些实施例,每一决策子树包括一个根节点,在一些实施例的步骤104可以包括但不限于包括:
从根节点开始对决策子树进行遍历,得到叶子节点;
对叶子节点进行解析,得到样本知识条。
在一些实施例,以决策子树为二叉树为例进行说明,对决策子树进行遍历的方式可以包括:前序遍历;其中,前序遍历是指从根节点开始遍历,再遍历左节点,最后遍历右节点;在一些应用场景,可以按照常规的前序遍历方式进行遍历,本实施例不做限定。在另一些实施例,对决策子树进行遍历的方式还可以包括中序遍历或者后续遍历,也可以包括层次遍历,本实施例不做限定;中序遍历或者后续遍历或者层次遍历的遍历过程,本实施例不做限定,可以参照常规的遍历原理。
由上述步骤103可知,每一叶子节点是其中一个样本画像特征,因此通过步骤104对叶子节点进行解析,可以得到对应的样本画像特征,得到的该样本画像特征即为样本知识条。例如上述图4中,叶子节点可以是第三层的子特征“高中”,该子特征“高中”也是其中的一个样本知识条。
在一些实施例的步骤105中,预设的分类模型可以是逻辑回归模型,在另一些实施例,预设的分类模型还可以是其他模型,本实施不做限定;本实施例以逻辑回归模型为例进行说明;将样本知识条输入至逻辑回归模型进行训练,可以得到决策子树的每一条知识条权重;在一些应用场景,第i条知识条权重可以表示为wxi,该逻辑回归模型的模型参数可以表示为w。步骤105中,逻辑回归模型根据输入的样本知识条进行训练,先是得到样本知识条的权重概率,然后对权重概率进行解析,得到每一样本知识条对应的知识条权重,权重概率和对应的知识条权重是一一对应的。
在一些实施例,可以通过梯度下降法对预设的分类模型进行训练。本实施例对分类模型的训练方式,不做限定。
请参阅图6,在一些实施例的步骤106可以包括但不限于包括步骤601至步骤602:
步骤601,获取K个决策子树;
步骤602,获取K个决策子树的每一决策子树的知识条权重;
步骤603,根据分类模型和每一决策子树的知识条权重,得到目标决策树模型。
在一些应用场景,以共获取K个决策子树且每一决策子树包括n个样本知识条为例进行说明,则K个决策子树共有K*n个样本知识条,也即共有K*n个知识条权重。
在一些实施例的步骤603,获取分类模型的模型参数w,并获取第i条样本知识条xi,然后对模型参数w和第i条样本知识条进行相乘计算,从而得到每一知识条权重wxi,再对每一决策子树的n个知识条权重进行求和计算,得到逻辑回归模型,如下式(1)所示:
∑(wx1+wx2+wxi+...wxn) 式(1)
在式(1),对于每一决策子树:对模型参数w和第i条样本知识条进行相乘计算,得到每一知识条权重wxi,每一决策子树的n个知识条权重进行求和计算,得到逻辑回归模型。
在一些实施例,目标决策树模型可以是LightGBM模型;在另一些实施例,目标决策树模型可以是XGboost模型。此外,目标决策树模型还可以是其他的决策树模型,本实施例不做限定。本实施例,以目标决策树模型为LightGBM模型为例进行说明。决策树是一种通过贪婪策略生成的模型,本实施的目标决策树模型是一种二叉树状的结构,在每一个决策节点,目标决策树模型会计算能使当前的信息增益最大的特征划分进行划分,例如将学历特征划分为([小学,初中,高中],[大专、本科、硕士及以上])两个集合。在本实施的目标决策树模型中,会根据上一步的损失学习新的决策子树,得到多个决策子树。此外,构成本实施例目标决策树模型的每一决策子树都是二叉树结构。
在一些实施例,模型训练方法还可以包括但不限于包括:优化目标决策树模型,具体包括:
通过二阶泰勒展开计算决策子树的最优参数;
根据最优参数优化目标决策树模型。
在另一些实施例,可以通过其他方式计算决策子树的最优参数,本申请实施例不做限定。由于本实施得到的目标决策树模型,是结合决策树模型和逻辑回归模型,因此,通过计算得到决策子树的最优参数,可以达到对目标决策树模型的优化。
此外,目标决策树模型的收敛条件,可以通过设置损失函数,该损失函数可以是交叉熵损失函数,该交叉熵损失函数表示当前模型的预测概率和样本真实的目标值的分布差异,当模型预测越接近真实情况,则损失越小,当损失最小时,则模型收敛。
上述得到的目标决策树模型可以用于根据用户画像,进行特征划分,具体地,后文将详细说明,在此不再赘述。
图7是本申请实施例提供的用户画像生成方法的一个可选的流程图,图7中的方法可以包括但不限于包括步骤701至步骤704。
步骤701,获取目标用户的目标画像数据;
步骤702,将目标画像数据输入至目标决策树模型进行决策,得到预测知识条集;其中,预测知识条集包括目标用户命中的至少两个知识条,目标决策树模型是根据上述实施例的模型训练方法训练得到;
步骤703,将预测知识条集输入至分类模型进行预测,得到目标权重;
步骤704,根据目标权重对预测知识条集进行遍历,得到目标知识条;其中,目标知识条为目标用户的用户画像。
本申请实施例的步骤701至步骤704,通过获取目标用户的目标画像数据;并将目标画像数据输入至目标决策树模型进行决策,得到预测知识条集;再将将预测知识条集输入至分类模型进行预测,得到目标权重;从而根据目标权重对预测知识条集进行遍历,得到目标知识条,该目标知识条为目标用户的用户画像,也是目标用户的主画像;从而可以实现对目标用户的精准识别。
当前,用户主画像挖掘方法中,普遍存在无法个性化适配、无法精准刻画用户多特征交叉等问题,本实施例提供的用户画像生成方法,适合在复杂的用户画像体系中精准识别用户主画像,通过步骤704得到的目标知识条是目标用户的主画像,通过该主画像,可以实现对目标用户的精准识别,以通过尽量少量的特征,实现对目标用户的识别。在复杂的***中,本实施例的用户画像生成方法,也可以实现对目标用户的精准识别。
在一些实施的步骤701中的目标用户类似于步骤101中的样本对象,该目标用户可以是购物平台的买家,也可以是相关应用程序的用户,例如音乐播放程序的用户,或者保险领域的投保人等等;目标用户的目标画像数据可以包括目标用户的用户基本信息,还可以包括目标用户的购买数据,也可以包目标用户的投诉数据等等;其中,目标用户的用户基本信息可以包括目标用户的姓名、性别、年龄等,也可以包括目标用户的学历信息、职业信息等。步骤101中的目标画像数据,可以包括海量的画像数据,可以应用于多种场景,例如购物平台、交友平台等等,还可以是保险领域、房屋租赁领域、电力缴费领域等等。
在一些实施的步骤702,目标决策树模型是根据上述实施例的模型训练方法训练得到,该目标决策树模型包括了K个决策子树,每一棵决策子树是一棵二叉树,将目标画像数据输入至目标决策树模型,通过该目标决策树进行决策,得到预测知识条集UKBs,该预测知识条集UKBs是该目标用户命中的知识条集,该预测知识条集UKBs包括目标用户命中的至少两个知识条。
在一些实施的步骤703,该分类模型是逻辑回归模型,将预测知识条集UKBs输入至逻辑回归模型进行预测,得到目标权重。
请参阅图8,在一些实施的步骤704,可以包括但不限于包括步骤801至步骤803:
步骤801,获取每一目标权重的绝对值;
步骤802,根据绝对值从大到小对目标权重进行排序,得到权重排序;
步骤803,根据权重排序对目标权重进行顺序遍历,得到目标知识条。
在一些实施的步骤801,对每一目标权重,计算出其绝对值。
在一些实施的步骤802,根据每一目标权重的绝对值的大小,对目标权重从大到小进行排序,得到排序后的权重排序,该权重排序为从大到小的顺序进行排序。
在一些实施的步骤803,可以包括但不限于包括:
对所有目标权重进行求和计算,得到权重总和;在一些实施例,权重总和表示为while_logits;
根据权重排序对预测知识条集进行顺序遍历,得到已遍历知识条;在一些实施例,遍历权重和表示为sum_logitsj,其中j是已完成遍历的已遍历知识条的条数;
对所有已遍历知识条进行求和计算,得到遍历权重和;
根据目标权重比较遍历权重和大于权重总和之间的大小;
若遍历权重和大于权重总和,则停止遍历,得到目标知识条。
在一具体应用场景,若100个知识条中,目标用户命中的预测知识条集有10个知识条,根据目标用户命中的10个知识条的权重的绝对值,从大到小进行排序,对已排序好的10个知识条,进行权重累加,得到权重总和为while_logits;并对已排序好的10个知识条进行顺序遍历,每遍历一个知识条,则对所有已遍历知识条进行求和计算,得到遍历权重和sum_logitsj,若已完成第6个知识条的遍历,则此时的遍历权重和为sum_logits6。
根据目标权重比较遍历权重和大于权重总和之间的大小,包括:
获取当前遍历知识条的当前权重;
比较当前权重和权重阈值;其中,权重阈值用于表征画像特征的覆盖率;
若当前权重大于权重阈值,则比较遍历权重和大于权重总和之间的大小;
若当前权重小于或等于权重阈值,则将遍历权重和大于权重总和分别取反后比较大小。
在一具体应用场景,将遍历权重和大于权重总和分别取反后比较大小,可以表示为如式(2)所示:
sign*sum_logitsi>sign*while_logits*thre 式(2)
其中,thre为权重阈值,sign为遍历权重和、权重总和是否进行取反的标记,若当前权重大于权重阈值,则sign=1,表示遍历权重和、权重总和不需要取反;若当前权重小于或等于权重阈值,则sign=-1,表示遍历权重和、权重总和需要取反。举例来说,若权重阈值thre为0.5,即表示画像特征的覆盖率为50%,也表示覆盖了用户50%的特征;若当前权重为0.6,当前权重0.6>权重阈值0.5,则sign=1,则直接比较遍历权重和大于权重总和之间的大小:sum_logitsi>while_logits*thre;若当前权重为0.4,当前权重0.4<权重阈值0.5,则sign=-1,则需将遍历权重和大于权重总和分别取反后比较大小:-sum_logitsi<-while_logits*thre。当上述遍历权重sum_logitsj和大于权重总和while_logits时,即上述式(2)的不等式成立时,停止遍历,得到目标知识条。通过该方式得到的目标知识条,是目标用户的主画像特征,从而可以实现对目标用户的精准识别。
请参阅图9,本申请实施例还提供一种模型训练装置,所述模型训练装置包括:
样本数据获取模块,用于获取样本对象的样本画像数据;
样本特征提取模块,用于对样本画像数据进行特征提取,得到样本画像特征;
决策树构建模块,用于根据样本画像特征构建决策子树;决策子树包括叶子节点,每一叶子节点是其中一个样本画像特征;
解析模块,用于对决策子树进行解析,得到每一决策子树的样本知识条;其中,每一样本知识条包括其中一个叶子节点;
模型训练模块,用于将样本知识条输入至预设的分类模型进行训练,得到每一决策子树的知识条权重;
模型生成模块,用于根据K个决策子树的知识条权重得到目标决策树模型;其中,目标决策树模型包括K个决策子树。
该模型训练装置的具体实施方式与上述模型训练方法的具体实施例基本相同,在此不再赘述。
请参阅图10,本申请实施例还提供一种用户画像生成装置,可以实现上述用户画像生成方法,该用户画像生成装置包括:
目标数据获取模块,用于获取目标用户的目标画像数据;
决策模块,用于将目标画像数据输入至目标决策树模型进行决策,得到预测知识条集;其中,预测知识条集包括目标用户命中的至少两个知识条,目标决策树模型是根据第一方面的模型训练方法训练得到;
预测模块,用于将预测知识条集输入至分类模型进行预测,得到目标权重;
遍历模块,用于根据目标权重对预测知识条集进行遍历,得到目标知识条;其中,目标知识条为目标用户的用户画像。
该用户画像生成装置的具体实施方式与上述用户画像生成方法的具体实施例基本相同,在此不再赘述。
本申请实施例还提供了一种电子设备,电子设备包括:存储器、处理器、存储在存储器上并可在处理器上运行的程序以及用于实现处理器和存储器之间的连接通信的数据总线,程序被处理器执行时实现上述模型训练方法或者用户画像生成方法。该电子设备可以为包括平板电脑、车载电脑等任意智能终端。
请参阅图11,图11示意了另一实施例的电子设备的硬件结构,电子设备包括:
处理器110,可以采用通用的CPU(CentralProcessingUnit,中央处理器)、微处理器、应用专用集成电路(ApplicationSpecificIntegratedCircuit,ASIC)、或者一个或多个集成电路等方式实现,用于执行相关程序,以实现本申请实施例所提供的技术方案;
存储器112,可以采用只读存储器(ReadOnlyMemory,ROM)、静态存储设备、动态存储设备或者随机存取存储器(RandomAccessMemory,RAM)等形式实现。存储器112可以存储操作***和其他应用程序,在通过软件或者固件来实现本说明书实施例所提供的技术方案时,相关的程序代码保存在存储器112中,并由处理器110来调用执行本申请实施例的模型训练方法或者用户画像生成方法;
输入/输出接口114,用于实现信息输入及输出;
通信接口116,用于实现本设备与其他设备的通信交互,可以通过有线方式(例如USB、网线等)实现通信,也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信;
总线118,在设备的各个组件(例如处理器110、存储器112、输入/输出接口114和通信接口116)之间传输信息;
其中处理器110、存储器112、输入/输出接口114和通信接口116通过总线118实现彼此之间在设备内部的通信连接。
本申请实施例还提供了一种存储介质,存储介质为计算机可读存储介质,用于计算机可读存储,存储介质存储有一个或者多个程序,一个或者多个程序可被一个或者多个处理器执行,以实现上述模型训练方法或者用户画像生成方法。
存储器作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外,存储器可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中,存储器可选包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
本申请实施例提供的模型训练方法和装置、用户画像生成方法和装置、电子设备及存储介质,通过获取样本对象的样本画像数据,对样本画像数据进行特征提取,得到样本画像特征;并根据样本画像特征构建决策子树,决策子树包括叶子节点,每一叶子节点是其中一个样本画像特征;并对决策子树进行解析,得到每一决策子树的样本知识条;再将样本知识条输入至预设的分类模型进行训练,得到每一决策子树的知识条权重;从而可以根据K个决策子树的知识条权重得到目标决策树模型,通过该目标决策树模型,可以从海量的画像数据中识别出所需要的画像特征,且能够提高模型的训练效率和准确率。通过用户画像生成方法得到的目标知识条,是目标用户的主画像特征,从而可以实现对目标用户的精准识别。
本实施例结合决策树模型和逻辑回归模型实现对目标用户的识别,其中决策树模型用于进行特征划分以得到知识条,通过决策树模型得到的知识条输入至逻辑回归模型进行预测,得到目标权重,从而根据目标权重对预测知识条集进行遍历,得到目标知识条,该目标知识条即为目标用户的主画像,从而可以实现对目标用户的精准识别。
本申请实施例描述的实施例是为了更加清楚的说明本申请实施例的技术方案,并不构成对于本申请实施例提供的技术方案的限定,本领域技术人员可知,随着技术的演变和新应用场景的出现,本申请实施例提供的技术方案对于类似的技术问题,同样适用。
本领域技术人员可以理解的是,图中示出的技术方案并不构成对本申请实施例的限定,可以包括比图示更多或更少的步骤,或者组合某些步骤,或者不同的步骤。
以上所描述的装置实施例仅仅是示意性的,其中作为分离部件说明的单元可以是或者也可以不是物理上分开的,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。
本领域普通技术人员可以理解,上文中所公开方法中的全部或某些步骤、***、设备中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。
本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解,在本申请中,“至少一个(项)”是指一个或者多个,“多个”是指两个或两个以上。“和/或”,用于描述关联对象的关联关系,表示可以存在三种关系,例如,“A和/或B”可以表示:只存在A,只存在B以及同时存在A和B三种情况,其中A,B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达,是指这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b或c中的至少一项(个),可以表示:a,b,c,“a和b”,“a和c”,“b和c”,或“a和b和c”,其中a,b,c可以是单个,也可以是多个。
在本申请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,上述单元的划分,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,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
上述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元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单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元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,也可以采用软件功能单元的形式实现。
集成的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,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括多指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例的方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,简称ROM)、随机存取存储器(Random Access Memory,简称RAM)、磁碟或者光盘等各种可以存储程序的介质。
以上参照附图说明了本申请实施例的优选实施例,并非因此局限本申请实施例的权利范围。本领域技术人员不脱离本申请实施例的范围和实质内所作的任何修改、等同替换和改进,均应在本申请实施例的权利范围之内。
Claims (10)
1.模型训练方法,其特征在于,所述模型训练方法包括:
获取样本对象的样本画像数据;
对所述样本画像数据进行特征提取,得到样本画像特征;
根据所述样本画像特征构建决策子树;所述决策子树包括叶子节点,所述每一所述叶子节点是其中一个所述样本画像特征;
对所述决策子树进行解析,得到每一所述决策子树的样本知识条;其中,每一样本知识条包括其中一个所述叶子节点;
将所述样本知识条输入至预设的分类模型进行训练,得到每一所述决策子树的知识条权重;
根据K个所述决策子树的所述知识条权重得到目标决策树模型;其中,所述目标决策树模型包括所述K个所述决策子树。
2.根据权利要求1所述的模型训练方法,其特征在于,所述根据所述样本画像特征构建决策子树,包括:
从所述样本画像特征筛选出父特征;
对至少一个所述父特征进行特征划分,得到至少一个子特征;其中,每一所述父特征包括至少一个所述子特征;
根据所至少一个所述父特征和至少一个所述子特征,得到所述决策子树;其中,所述父特征为所述决策子树的分支节点,每一所述叶子节点为其中一个所述子特征。
3.根据权利要求2所述的模型训练方法,其特征在于,所述从所述样本画像特征筛选出父特征,包括:
计算所述样本画像特征的信息增益;
从所述信息增益获取最大的信息增益,作为目标增益;
根据目标增益从所述样本画像特征筛选出所述父特征。
4.根据权利要求1至3任一项所述的模型训练方法,其特征在于,所述根据K个所述决策子树的所述知识条权重得到目标决策树模型,包括:
获取K个所述决策子树;
获取K个所述决策子树的每一决策子树的知识条权重;
根据所述分类模型和每一所述决策子树的知识条权重,得到所述目标决策树模型。
5.用户画像生成方法,其特征在于,所述用户画像生成包括:
获取目标用户的目标画像数据;将所述目标画像数据输入至目标决策树模型进行决策,得到预测知识条集;其中,所述预测知识条集包括所述目标用户命中的至少两个知识条,所述目标决策树模型是根据权利要求1至4任一项所述的模型训练方法训练得到;
将所述预测知识条集输入至所述分类模型进行预测,得到目标权重;
根据所述目标权重对所述预测知识条集进行遍历,得到目标知识条;其中,所述目标知识条为所述目标用户的用户画像。
6.根据权利要求5所述的用户画像生成方法,其特征在于,所述根据所述标权重对所述预测知识条集进行遍历,得到目标知识条,包括:
获取每一所述目标权重的绝对值;
根据所述绝对值从大到小对所述目标权重进行排序,得到权重排序;
根据所述权重排序对所述目标权重进行顺序遍历,得到所述目标知识条。
7.模型训练装置,其特征在于,所述训练装置包括:
样本数据获取模块,用于获取样本对象的样本画像数据;
样本特征提取模块,用于对所述样本画像数据进行特征提取,得到样本画像特征;
决策树构建模块,用于根据所述样本画像特征构建决策子树;所述决策子树包括叶子节点,所述每一所述叶子节点是其中一个所述样本画像特征;
解析模块,用于对所述决策子树进行解析,得到每一所述决策子树的样本知识条;其中,每一样本知识条包括其中一个所述叶子节点;
模型训练模块,用于将所述样本知识条输入至预设的分类模型进行训练,得到每一所述决策子树的知识条权重;
模型生成模块,用于根据K个所述决策子树的所述知识条权重得到目标决策树模型;其中,所述目标决策树模型包括所述K个所述决策子树。
8.用户画像生成装置,其特征在于,所述用户画像生成装置包括:
目标数据获取模块,用于获取目标用户的目标画像数据;决策模块,用于将所述目标画像数据输入至目标决策树模型进行决策,得到预测知识条集;其中,所述预测知识条集包括所述目标用户命中的至少两个知识条,所述目标决策树模型是根据权利要求1至4任一项所述的模型训练方法训练得到;
预测模块,用于将所述预测知识条集输入至所述分类模型进行预测,得到目标权重;
遍历模块,用于根据所述目标权重对所述预测知识条集进行遍历,得到目标知识条;其中,所述目标知识条为所述目标用户的用户画像。
9.电子设备,其特征在于,所述电子设备包括存储器、处理器、存储在所述存储器上并可在所述处理器上运行的程序以及用于实现所述处理器和所述存储器之间的连接通信的数据总线,所述程序被所述处理器执行时实现:
如权利要求1至4任一项所述的模型训练方法的步骤;
或者,
如权利要求5至6任一项所述的用户画像生成方法的步骤。
10.存储介质,所述存储介质为计算机可读存储介质,用于计算机可读存储,其特征在于,所述存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现:
如权利要求1至4任一项所述的模型训练方法的步骤;
或者,
如权利要求5至6任一项所述的用户画像生成方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210739784.4A CN115099344A (zh) | 2022-06-28 | 2022-06-28 | 模型训练方法和装置、用户画像生成方法和装置、设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210739784.4A CN115099344A (zh) | 2022-06-28 | 2022-06-28 | 模型训练方法和装置、用户画像生成方法和装置、设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115099344A true CN115099344A (zh) | 2022-09-23 |
Family
ID=83295415
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210739784.4A Pending CN115099344A (zh) | 2022-06-28 | 2022-06-28 | 模型训练方法和装置、用户画像生成方法和装置、设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115099344A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115795289A (zh) * | 2022-12-01 | 2023-03-14 | 北京淘友天下技术有限公司 | 特征识别方法、装置、电子设备及存储介质 |
-
2022
- 2022-06-28 CN CN202210739784.4A patent/CN115099344A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115795289A (zh) * | 2022-12-01 | 2023-03-14 | 北京淘友天下技术有限公司 | 特征识别方法、装置、电子设备及存储介质 |
CN115795289B (zh) * | 2022-12-01 | 2024-05-28 | 北京淘友天下技术有限公司 | 特征识别方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110347835B (zh) | 文本聚类方法、电子装置及存储介质 | |
Bucur | Using opinion mining techniques in tourism | |
Kalmegh | Analysis of weka data mining algorithm reptree, simple cart and randomtree for classification of indian news | |
CN110750640A (zh) | 基于神经网络模型的文本数据分类方法、装置及存储介质 | |
CN114240552A (zh) | 基于深度聚类算法的产品推荐方法、装置、设备及介质 | |
CN112052451A (zh) | 一种webshell检测方法和装置 | |
CN106874397B (zh) | 一种面向物联网设备的自动语义标注方法 | |
CN113011889A (zh) | 账号异常识别方法、***、装置、设备及介质 | |
CN114491084B (zh) | 基于自编码器的关系网络信息挖掘方法、装置及设备 | |
CN113536182A (zh) | 长文本网页的生成方法、装置、电子设备和存储介质 | |
CN113704420A (zh) | 文本中的角色识别方法、装置、电子设备及存储介质 | |
CN113254649A (zh) | 敏感内容识别模型的训练方法、文本识别方法及相关装置 | |
CN116680386A (zh) | 基于多轮对话的答案预测方法和装置、设备、存储介质 | |
CN115905528A (zh) | 具有时序特征的事件多标签分类方法、装置及电子设备 | |
CN114238764A (zh) | 基于循环神经网络的课程推荐方法、装置及设备 | |
CN115099344A (zh) | 模型训练方法和装置、用户画像生成方法和装置、设备 | |
CN112632948B (zh) | 案件文书排序方法及相关设备 | |
CN114187486A (zh) | 模型训练方法及相关设备 | |
CN112784008B (zh) | 案件相似度确定方法及装置、存储介质、终端 | |
CN117435999A (zh) | 一种风险评估方法、装置、设备以及介质 | |
CN116523622A (zh) | 对象风险预测方法和装置、电子设备及存储介质 | |
CN115828153A (zh) | 基于人工智能的任务预测方法、装置、设备和介质 | |
CN115204300A (zh) | 文本和表格语义交互的数据处理方法、装置及存储介质 | |
CN115062994A (zh) | 对象评估方法、对象评估装置、电子设备及存储介质 | |
CN114625658A (zh) | App稳定性测试方法、装置、设备和计算机可读存储介质 |
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 |