CN108182389B - 基于大数据与深度学习的用户数据处理方法、机器人系统 - Google Patents

基于大数据与深度学习的用户数据处理方法、机器人系统 Download PDF

Info

Publication number
CN108182389B
CN108182389B CN201711339889.6A CN201711339889A CN108182389B CN 108182389 B CN108182389 B CN 108182389B CN 201711339889 A CN201711339889 A CN 201711339889A CN 108182389 B CN108182389 B CN 108182389B
Authority
CN
China
Prior art keywords
user
training
neural network
deep learning
learning neural
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
Application number
CN201711339889.6A
Other languages
English (en)
Other versions
CN108182389A (zh
Inventor
朱定局
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
South China Normal University
Original Assignee
South China Normal University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by South China Normal University filed Critical South China Normal University
Priority to CN201711339889.6A priority Critical patent/CN108182389B/zh
Publication of CN108182389A publication Critical patent/CN108182389A/zh
Application granted granted Critical
Publication of CN108182389B publication Critical patent/CN108182389B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/70Multimodal biometrics, e.g. combining information from different biometric modalities
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90Details of database functions independent of the retrieved data types
    • G06F16/95Retrieval from the web
    • G06F16/951Indexing; Web crawling techniques
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/24Classification techniques
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Biology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及一种用户数据处理方法,包括:获取待分析用户的用户数据,所述用户数据包括面部图像数据和/或掌心图像数据;将所述用户数据输入对应的已训练的第一预测深度学习神经网络,第一预测深度学习神经网络的参数是将训练用户对应的训练用户大数据作为输入,将与训练用户大数据对应的训练用户的用户状态标签作为预期输出,输入第一预测深度学习神经网络模型训练得到,其中所述训练用户大数据的数据类型与待分析用户的用户数据的数据类型匹配;获取所述已训练的第一预测深度学习神经网络输出的对应的用户状态预测标签;根据所述用户状态预测标签确定所述待分析用户的用户状态,还提出一种机器人系统和可读存储介质,提供客观的预测依据。

Description

基于大数据与深度学习的用户数据处理方法、机器人系统
技术领域
本发明涉及计算机技术领域,特别是涉及一种基于大数据与深度学习的用 户数据处理方法、机器人系统和存储介质。
背景技术
大数据指需要新处理模式才能具有更强的决策力、洞察发现力和流程优化 能力的海量、高增长率和多样化的信息资产。在日常生活中发现,用户的特征 往往与自身的状态往往存在一定的统计关联关系。
现有的算法不能根据用户的数据对用户的状态进行准确地分析预测。
发明内容
基于此,有必要针对上述技术问题,提供一种用户数据处理方法、机器人 系统和存储介质,基于大数据和深度学习神经网络建立待分析用户的用户数据 与状态标签的相关性,提供客观的分析依据,能根据用户数据预测用户的状态。
一种用户数据处理方法,所述方法包括:
获取待分析用户的用户数据,所述用户数据包括面部图像数据和/或掌心图 像数据;
将所述用户数据输入对应的已训练的第一预测深度学习神经网络,所述第 一预测深度学习神经网络的参数是将训练用户对应的训练用户大数据作为输 入,将与所述训练用户大数据对应的训练用户的用户状态标签作为预期输出, 输入第一预测深度学习神经网络模型训练得到,其中所述训练用户大数据的数 据类型与待分析用户的用户数据的数据类型匹配;
获取所述已训练的第一预测深度学习神经网络输出的对应的用户状态预测 标签;
根据所述用户状态预测标签确定所述待分析用户的用户状态。
在其中一个实施例中,所述获取待匹配的第一对象图像数据和第二对象图 像数据的步骤之前,还包括:
将所述用户数据输入对应的已训练的特征提取深度学习神经网络,得到对 应的特征值;
所述方法,还包括:
将所述特征值输入对应的已训练的第二预测深度学习神经网络,所述第二 预测深度学习神经网络是将训练用户对应的训练特征值大数据作为输入,将与 所述训练特征值大数据对应的训练用户的用户状态标签作为预期输出,输入第 二预测深度学习神经网络模型训练得到,获取所述已训练的第二深度学习神经 网络输出的对应的用户状态预测标签。
在其中一个实施例中,所述方法还包括:
获取待分析用户的用户属性信息;
将所述用户数据和所述用户属性信息输入对应的已训练的第三预测深度学 习神经网络,所述第三预测深度学习神经网络是将训练用户对应的训练用户大 数据和训练用户属性信息作为输入,将与所述训练用户大数据对应的训练用户 的用户状态标签作为预期输出,输入第三预测深度学习神经网络模型训练得到, 获取所述已训练的第三深度学习神经网络输出的对应的用户状态预测标签。
在其中一个实施例中,所述方法还包括:
获取待分析用户的用户属性信息;
将所述用户数据输入对应的已训练的特征提取深度学习神经网络,得到对 应的特征值;
将所述特征值和用户属性信息输入对应的已训练的第四预测深度学习神经 网络,所述第四预测深度学习神经网络是将训练用户对应的训练特征值大数据 和训练用户属性信息作为输入,将与所述训练特征值大数据对应的训练用户的 用户状态标签作为预期输出,输入第四预测深度学习神经网络模型训练得到, 获取所述已训练的第四预测深度学习神经网络输出的对应的用户状态预测标 签。
在其中一个实施例中,所述方法还包括:
获取所述用户状态预测标签对应的用户状态预测内容信息;
将所述用户状态预测内容信息输出并显示;和/或
获取所述特征值对应的用户特征内容信息;
将所述用户特征内容信息输出并显示。
在其中一个实施例中,所述获取待分析用户的用户数据的步骤之前,还包 括:
获取训练用户大数据,所述获取训练用户大数据包括面部图像大数据和/或 掌心图像大数据;
将训练用户大数据作为所述第一预测深度学习神经网络模型的输入,对所 述第一预测深度学习神经网络模型进行无监督训练;
将训练用户大数据作为所述第一预测深度学习神经网络模型的输入,将所 述训练用户大数据对应的训练用户的用户状态标签作为预期输出,对所述第一 预测深度学习神经网络模型进行有监督训练;
得到所述已训练的第一预测深度学习神经网络。
在其中一个实施例中,所述获取待分析用户的用户数据的步骤之前,还包 括:
将所述训练用户大数据输入已训练的特征提取深度学习神经网络,得到对 应的特征值,组成训练特征值大数据;
将所述训练特征值大数据作为第二预测深度学习神经网络模型的输入,对 所述第二预测深度学习神经网络模型进行无监督训练;
将训练特征值大数据作为所述第二预测深度学习神经网络模型的输入,将 所述训练特征值大数据对应的训练用户的用户状态标签作为预期输出,对所述 第二预测深度学习神经网络模型进行有监督训练;
得到已训练的第二预测深度学习神经网络。
在其中一个实施例中,所述获取待分析用户的用户数据的步骤之前,还包 括:
获取所述训练用户大数据对应的训练用户属性信息;
将训练用户大数据和所述训练用户属性信息作为第三预测深度学习神经网 络模型的输入,对所述第三预测深度学习神经网络模型进行无监督训练;
将训练用户大数据和所述训练用户属性信息作为所述第三预测深度学习神 经网络模型的输入,将所述训练用户大数据对应的训练用户的用户状态标签作 为预期输出,对所述第三预测深度学习神经网络模型进行有监督训练;
得到已训练的第三预测深度学习神经网络;和/或
将训练特征值大数据和所述训练用户属性信息作为第四预测深度学习神经 网络模型的输入,对所述第四预测深度学习神经网络模型进行无监督训练;
将训练特征值大数据和所述训练用户属性信息作为所述第四预测深度学习 神经网络模型的输入,将所述训练特征值大数据对应的训练用户的用户状态标 签作为预期输出,对所述第四预测深度学习神经网络模型进行有监督训练;
得到已训练的第四预测深度学习神经网络。
一种用户数据处理装置,所述装置包括:
获取模块,用于获取待分析用户的用户数据,所述用户数据包括面部图像 数据和/或掌心图像数据。
输入模块,用于将用户数据输入对应的已训练的第一预测深度学习神经网 络,第一预测深度学习神经网络的参数是将训练用户对应的训练用户大数据作 为输入,将与训练用户大数据对应的训练用户的用户状态标签作为预期输出, 输入第一预测深度学习神经网络模型训练得到,其中训练用户大数据的数据类 型与待分析用户的用户数据的数据类型匹配。
第一预测模块,用于获取已训练的第一预测深度学习神经网络输出的对应 的用户状态预测标签,根据用户状态预测标签确定待分析用户的用户状态。
在其中一个实施例中,装置还包括:
特征提取模块,用于将用户数据输入对应的已训练的特征提取深度学习神 经网络,得到对应的特征值。
第二预测模块,用于将特征值输入对应的已训练的第二预测深度学习神经 网络,第二预测深度学习神经网络是将训练用户对应的训练特征值大数据作为 输入,将与训练特征值大数据对应的训练用户的用户状态标签作为预期输出, 输入第二预测深度学习神经网络模型训练得到,获取已训练的第二深度学习神 经网络输出的对应的用户状态预测标签。
在其中一个实施例中,获取模块还用于获取待分析用户的用户属性信息。
装置还包括:
第三预测模块,用于将用户数据和用户属性信息输入对应的已训练的第三 预测深度学习神经网络,第三预测深度学习神经网络是将训练用户对应的训练 用户大数据和训练用户属性信息作为输入,将与训练用户大数据对应的训练用 户的用户状态标签作为预期输出,输入第三预测深度学习神经网络模型训练得 到,获取已训练的第三深度学习神经网络输出的对应的用户状态预测标签。
在其中一个实施例中,获取模块还用于获取待分析用户的用户属性信息。
装置还包括:
特征提取模块,用于将用户数据输入对应的已训练的特征提取深度学习神 经网络,得到对应的特征值。
第四预测模块,用于将特征值和用户属性信息输入对应的已训练的第四预 测深度学习神经网络,第四预测深度学习神经网络是将训练用户对应的训练特 征值大数据和训练用户属性信息作为输入,将与训练特征值大数据对应的训练 用户的用户状态标签作为预期输出,输入第四预测深度学习神经网络模型训练 得到,获取已训练的第四深度学习神经网络输出的对应的用户状态预测标签。
在其中一个实施例中,装置还包括:
第一输出模块,用于获取用户状态预测标签对应的用户状态预测内容信息, 将用户状态预测内容信息输出并显示。和/或
第二输出模块,用于获取特征值对应的用户特征内容信息,将用户特征内 容信息输出并显示。
在其中一个实施例中,装置还包括:
第一训练模块,用于获取训练用户大数据,获取训练用户大数据包括面部 图像大数据和/或掌心图像大数据,将训练用户大数据作为第一预测深度学习神 经网络模型的输入,对第一预测深度学习神经网络模型进行无监督训练,将训 练用户大数据作为第一预测深度学习神经网络模型的输入,将训练用户大数据 对应的训练用户的用户状态标签作为预期输出,对第一预测深度学习神经网络 模型进行有监督训练,得到已训练的第一预测深度学习神经网络。
在其中一个实施例中,装置还包括:
第二训练模块,用于将训练用户大数据输入已训练的特征提取深度学习神 经网络,得到对应的特征值,组成训练特征值大数据,将训练特征值大数据作 为第二预测深度学习神经网络模型的输入,对第二预测深度学习神经网络模型 进行无监督训练,将训练特征值大数据作为第二预测深度学习神经网络模型的 输入,将训练特征值大数据对应的训练用户的用户状态标签作为预期输出,对 第二预测深度学习神经网络模型进行有监督训练,得到已训练的第二预测深度 学习神经网络。
在其中一个实施例中,获取模块,还用于获取所述训练用户大数据对应的 训练用户属性信息。
装置还包括:
第三训练模块,用于将训练用户大数据和所述训练用户属性信息作为第三 预测深度学习神经网络模型的输入,对所述第三预测深度学习神经网络模型进 行无监督训练;将训练用户大数据和所述训练用户属性信息作为所述第三预测 深度学习神经网络模型的输入,将所述训练用户大数据对应的训练用户的用户 状态标签作为预期输出,对所述第三预测深度学习神经网络模型进行有监督训 练;得到已训练的第三预测深度学习神经网络。和/或
第四训练模块,用于将训练特征值大数据和所述训练用户属性信息作为第 四预测深度学习神经网络模型的输入,对第四预测深度学习神经网络模型进行 无监督训练,将训练特征值大数据和所述训练用户属性信息作为所述第四预测 深度学习神经网络模型的输入,将训练特征值大数据对应的训练用户的用户状 态标签作为预期输出,对第四预测深度学习神经网络模型进行有监督训练,得 到已训练的第四预测深度学习神经网络。
一种机器人系统,包括存储器和处理器,所述存储器存储有计算机程序, 所述计算机程序被所述处理器执行时,使得所述处理器执行上述任一实施例所 述方法的步骤。
一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器 执行时,使得所述处理器执行上述任一实施例所述方法的步骤。
上述用户数据处理方法、装置、机器人系统和可读存储介质,通过获取待 分析用户的用户数据,用户数据包括面部图像数据和/或掌心图像数据,将用户 数据输入对应的已训练的第一预测深度学习神经网络,第一预测深度学习神经 网络的参数是将训练用户对应的训练用户大数据作为输入,将与所述训练用户 大数据对应的训练用户的用户状态标签作为预期输出,输入第一预测深度学习 神经网络模型训练得到,其中训练用户大数据的数据类型与待分析用户的用户 数据的数据类型匹配,获取已训练的第一预测深度学习神经网络输出的对应的 用户状态预测标签,根据用户状态预测标签确定所述待分析用户的用户状态, 基于大数据和深度学习神经网络建立待分析用户的用户数据与状态标签的相关 性,提供客观的分析依据,能根据用户数据预测用户的状态,基于大数据和深 度学习神经网络建立待分析用户的用户数据与状态标签的相关性,提供客观的 分析依据,能根据用户数据预测用户的状态。
附图说明
图1为一个实施例中用户数据处理方法的应用环境图;
图2为一个实施例中机器人系统的内部结构图;
图3为一个实施例中用户数据处理方法的流程图;
图4为一个实施例中确定用户状态预测标签的流程图;
图5为另一个实施例确定用户状态预测标签的流程图;
图6为再一个实施例中确定用户状态预测标签的流程图;
图7为一个实施例中输出显示的流程图;
图8为一个实施例中训练第一预测深度学习神经网络的流程图;
图9为一个实施例中训练第二预测深度学习神经网络的流程图;
图10为一个实施例中训练第三预测深度学习神经网络的流程图;
图11为一个实施例中训练第四预测深度学习神经网络的流程图;
图12为一个实施例中用户数据处理装置的结构框图;
图13为另一个实施例中用户数据处理装置的结构框图;
图14为再一个实施例中用户数据处理装置的结构框图;
图15为又一个实施例中用户数据处理装置的结构框图;
图16为再一个实施例中用户数据处理装置的结构框图;
图17为又一个实施例中用户数据处理装置的结构框图;
图18为另一个实施例中用户数据处理装置的结构框图;
图19为再一个实施例中用户数据处理装置的结构框图。
具体实施方式
如图1所示,为一个实施例中的应用环境图,该应用环境包括终端1001、 服务器1002,其中终端1001、服务器1002之间能够通过网络进行通信。服务 器1002可以是多个物理服务器构成的服务器集群,可以是提供云服务器、云数 据库、云存储和CDN等基础云计算服务的云服务器。终端1001可为智能手机、 平板电脑、笔记本电脑、台式计算机、智能手表等,但并不局限于此。终端1001 可向服务器1002发送用户状态预测请求,用户状态预测请求携带待分析用户的 用户数据,将用户数据输入对应的已训练的第一预测深度学习神经网络,得到 对应的用户状态预测标签,根据用户状态预测标签确定待分析用户的用户状态, 将用户状态对应的具体内容返回至终端1001输出。也可以在终端1001上获取 待分析用户的用户数据,在终端1001上输入已训练的第一预测深度学习神经网 络得到用户状态预测标签,根据用户状态预测标签确定待分析用户的用户状态, 并输出。
如图2所示,为一个实施例中机器人系统的内部结构示意图。该机器人系 统包括通过系统总线连接的处理器、非易失性存储介质、内存储器和网络接口。 其中,该机器人系统的非易失性存储介质可存储操作系统和计算机程序,该计 算机程序被执行时,可使得处理器执行一种用户数据处理方法。该机器人系统 的处理器用于提供计算和控制能力,支撑整个机器人系统的运行。该内存储器 中可储存有计算机程序,该计算机程序被处理器执行时,可使得处理器执行一 种用户数据处理方法。机器人系统的网络接口用于进行网络通信。本领域技术 人员可以理解,图2中示出的结构,仅仅是与本申请方案相关的部分结构的框 图,并不构成对本申请方案所应用于其上的机器人系统的限定,具体的机器人 系统可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不 同的部件布置。
如图3所示,在一个实施例中,提出了一种用户数据处理方法,该方法应 用于上述应用环境中的服务器或终端,具体包括以下步骤:
步骤S210,获取待分析用户的用户数据,用户数据包括面部图像数据和/ 或掌心图像数据。
其中,用户数据是携带了用户特征的数据,如面部图像数据是指表征脸部 图像特征的数据,掌心图像数据是指表征掌心图像特征的数据,可以是拍摄的 图片,也可以是对图片进行图像特征提取后的图像用户数据。待分析用户的用 户数据可以携带在终端发送的用户状态预测请求中,也可以是从服务器的数据 库获取的用户数据。在一个实施例中,用户数据是从服务器存储的注册用户对 应的图像信息提取的图像数据,随着注册用户信息更新。在一个实施例中,面 部图像数据是从用户图像中提取人脸区域得到的,掌心图像数据是用户图像中 提取手掌内侧区域得到的。
面部图像数据包括脸部关键点,如眼睛、鼻子、嘴巴、眉毛、耳朵等。掌 心图像数据包括手指、掌纹,如各个手指长度、健康纹、生命纹、感情纹、事 业纹等。可以理解的是,如果是其它类别的用户数据,则可包括其它类别图像 数据对应的关键区域。
步骤S220,将用户数据输入对应的已训练的第一预测深度学习神经网络, 第一预测深度学习神经网络的参数是将训练用户对应的训练用户大数据作为输 入,将与训练用户大数据对应的训练用户的用户状态标签作为预期输出,输入 第一预测深度学习神经网络模型训练得到,其中训练用户大数据的数据类型与 待分析用户的用户数据的数据类型匹配。
其中,深度学习神经网络是模拟人脑进行分析学习的神经网络,模仿人脑 的机制来解释图像数据,深度学习的第一步实质上是一个网络参数初始化过程, 区别于传统神经网络初值随机初始化,深度学习神经网络是通过无监督训练输 入数据的结构得到的,因而这个初值更接近全局最优,从而能够取得更好的效 果。在一个实施例中,将卷积神经网络作为此深度学习神经网络,卷积神经网 络(Constitutional Neural Networks,CNN)是在多层神经网络的基础上发展起来的 针对图像分类和识别而特别设计的一种深度学习方法。
其中已训练的第一预测深度学习神经网络的参数,是将训练用户对应的训 练用户大数据作为输入,将与训练用户大数据对应的训练用户的用户状态标签 作为预期输出,输入第一预测深度学习神经网络模型训练得到。已训练的深度 学习神经网络包括输入层、多个隐层和输出层,其中层数、每层预设节点数、 各网络连接的权值由训练得到。
获取数据量足够大的训练用户对应的训练用户大数据作为第一预测深度学 习神经网络的训练数据进行训练,得到第一预测深度学习神经网络的参数。用 户状态标签用于表征用户所处的状态,可从用户的注册资料中获取,也可通过 分析用户历史操作行为确定,如职业状态、财富状态、健康状态、易患病类型、 性格等。用户状态标签可通过预设的规则生成,如将职业状态、财富状态、健 康状态、易患病类型、性格依次作为用户状态标签的各个编码,各个编码占用 预设位数,如每个编码占用一位,各个类型的状态分别对应不同的状态情况, 各个状态情况对应不同的预设编码值。如职业状态分为工、农、商、学、兵, 分别用数值1、2、3、4、5对应表示,作为用户状态标签的第1位编码。如财 富状态分为大贫、大富、小贫、小富,用数值1、2、3、4来对应表示,判断的 标准是平均收入以下为小贫,平均收入以上为小富,平均收入10倍以上为大富, 平均收入1/10不到为大贫,作为用户状态标签的第2位编码。如健康状态分为 极多病、多病、少病、极少病,可以数值来对应表示,例如1、2、3、4,判断 的标准是每年生病时间超过2个月,为极多病,超过1个月为多病,少于1个 月为少病,少于1周为极少病)作为用户标签的第3位编码。易患病类型分为 心脏病、肺病、肝病,可以数值来对应表示,例如1、2、3,作为用户标签的第 4位编码。性格状态分为外向、内向、不确定,分别用数值1、2、3来对应表示, 作为用户标签的第5位编码。
其中训练用户大数据的数据类型与待分析用户的用户数据的数据类型匹 配,是指预先可获取不同类型的输入数据,作为训练用户大数据,得到可接受 不同数据类型输入的不同的预测深度学习神经网络。从而根据用户数据的数据 类型,从候选预测深度学习神经网络中获取输入数据类型与用户数据的数据类 型一致的预测深度学习神经网络作为目标预测深度学习神经网络。如待分析用 户的用户数据是图像数据,则获取输入数据为图片的预测深度学习神经网络得 到第一预测深度学习神经网络,如待分析用户的用户数据是特征字符数据,则 获取输入数据为特征字符数据的预测深度学习神经网络得到第一预测深度学习 神经网络。
在一个实施例中,训练用户大数据包括面部图像大数据和/或掌心图像大数 据,还可以包括用户的地域、年龄信息大数据形成多维度的输入训练数据进行 训练。可针对不同地区、不同年龄生成对应的不同的已训练的深度学习神经网 络,提高不同地区、不同年龄的用户在预测时的适应度与准确性。
由于用户数据与用户状态标签存在关联关系,形成客观的科学依据大数据 进行深度网络分析,提高了用户状态预测的客观依据性。
步骤S230,获取已训练的第一预测深度学习神经网络输出的对应的用户状 态预测标签。
具体地,深度学习神经网络输出的用户状态预测标签结果形式不限,可以 是预设格式的标签,用户状态预测标签中各个不同类型状态的编码位置与数值 含义与训练时的训练用户的用户状态标签保持一致。已训练的第一预测深度学 习神经网络可以根据输入的待分析用户的用户数据分析输出对应的客观的用户 状态预测标签。
步骤S240,根据用户状态预测标签确定待分析用户的用户状态。
具体的,通过用户状态预测标签对应的预设规则,解析用户状态预测标签, 得到各个不同类型的状态对应的状态值,从而根据状态值对应的状态内容确定 待分析用户的用户状态。如用户状态预测标签为“41223”,对应的预测用户状 态为“职业:学;财富:大贫;健康:多病;易患病类型:肺病;性格:不确 定”。
本实施例中,通过获取待分析用户的用户数据,用户数据包括面部图像数 据和/或掌心图像数据,将用户数据输入对应的已训练的第一预测深度学习神经 网络,第一预测深度学习神经网络的参数是将训练用户对应的训练用户大数据 作为输入,将与所述训练用户大数据对应的训练用户的用户状态标签作为预期 输出,输入第一预测深度学习神经网络模型训练得到,其中训练用户大数据的 数据类型与待分析用户的用户数据的数据类型匹配,获取已训练的第一预测深 度学习神经网络输出的对应的用户状态预测标签,根据用户状态预测标签确定 所述待分析用户的用户状态,基于大数据和深度学习神经网络建立待分析用户 的用户数据与状态标签的相关性,提供客观的分析依据,能根据用户数据预测 用户的状态。
在一个实施例中,步骤S220之前,还包括:步骤S310,将用户数据输入对 应的已训练的特征提取深度学习神经网络,得到对应的特征值。
具体地,特征提取深度学习神经网络用于根据输入数据,提取相应的特征, 得到特征值。已训练的特征提取深度学习神经网络是将训练用户对应的训练用 户大数据作为输入,将与训练用户大数据对应的训练用户的用户特征作为预期 输出,输入特征提取深度学习神经网络模型训练得到。其中训练用户大数据包 括面部图像大数据和/或掌心图像大数据。
在一个实施例中,将训练用户大数据作为特征提取深度学习神经网络模型 的输入,对特征提取深度学习神经网络模型进行无监督训练,将训练用户大数 据作为特征提取深度学习神经网络模型的输入,将所述训练用户大数据对应的 训练用户的用户特征作为预期输出,对特征提取深度学习神经网络模型进行有 监督训练,得到已训练的特征提取深度学习神经网络。
其中,用户特征是根据特征提取算法,从训练用户大数据中提取的特征。 用户特征可包括多个维度不同类型的特征,如对于手相特征,可包括手指长度 特征、健康纹特征、太阳纹特征等,对于每个类型的特征又存在不同的特征值。 可根据预设规则将各个不同类型的特征的特征值按照预设顺序排列形成最终的 特征值。特征值可以是数字、字符等,可自定义其含义。
如对于健康纹特征,以取值1代表一条从至小指下面向生命纹走;以取值2 代表健康纹断断续续;以取值5代表有链状;以取值4有链状代表有岛纹,将 健康纹特征作为手相特征的第一位编码。如对于太阳线特征,以取值1代表太 阳纹成双线,以取值2代表太阳纹过多,以取值3代表太阳纹有岛纹或像十字 形,将太阳线特征作为手相特征的第二位编码。对于无名指与食指长度特征, 以取值1代表无名指长,以取值2代表实指长,以取值3代表无名指比实指长; 以取值4代表实指比无名指长,将无名指与食指长度特征作为手相特征的第三 位编码。
不同的训练用户对应的用户图像对应不同的用户特征,如通过图像标识标 识不同的手图像,并得到对应的手相特征,形成第一特征大数据,如:
手图像10,231;
手图像12,321;
手图像31,111;
……
在训练时,可根据第一特征大数据得到特征提取深度学习神经网络模型的 输入数据和对应的预期输出数据,从而方便地进行训练。
所述方法,还包括:步骤S320,将特征值输入对应的已训练的第二预测深 度学习神经网络,第二预测深度学习神经网络是将训练用户对应的训练特征值 大数据作为输入,将与训练特征值大数据对应的训练用户的用户状态标签作为 预期输出,输入第二预测深度学习神经网络模型训练得到,获取已训练的第二 深度学习神经网络输出的对应的用户状态预测标签。
具体地,特征值用于直接表征用户的特征,更准确直接,第二预测深度学 习神经网络的输入是特征值,输出是对应的用户状态预测标签。
已训练的第二预测深度学习神经网络的参数,是将训练用户对应的训练特 征值大数据作为输入,将与训练特征值大数据对应的训练用户的用户状态标签 作为预期输出,输入第二预测深度学习神经网络模型训练得到,已训练的第二 预测深度学习神经网络包括输入层、多个隐层和输出层,其中层数、每层预设 节点数、各网络连接的权值由训练得到。
获取数据量足够大的训练用户对应的训练特征值大数据作为第二预测深度 学习神经网络的训练数据进行训练,得到第二预测深度学习神经网络的参数。 用户状态标签可采用与上个实施例中相同的方法获取。
本实施例中,由于用户特征与用户状态标签存在关联关系,形成客观的科 学依据大数据进行深度网络分析,提高了用户状态预测的客观依据性。且由于 特征值比图像的存储空间小,对于需要经过网络传输的场景,可减少对带宽的 占用,和减少训练数据对存储空间的占用,提高空间利用率。
在一个实施例中,通过采集或互联网挖掘形成第二特征大数据,其中第二 特征大数据由3个维度的数据组成,包括手相图像、手相特征、用户状态标签, 如:
手图像10,231,43233;
手图像31,111,12311;
……
第二特征大数据中包括了手相图像、手相特征、用户状态标签的对应关系, 可用于快速形成特征提取深度学习神经网络模型和第二预测深度学习神经网络 模型的输入数据和预期输出,从而提高模型训练的效率。
在一个实施例中,方法还包括:
步骤S410,获取待分析用户的用户属性信息。
具体地,用户属性是指用户本身的信息,包括用户性别、年龄等,因为用 户的特征数据与性别、年龄相关,所以需要考虑用户属性,从而使得预测更为 接近真实。可通过自定义规则表达用户属性,如将用户性别女用0表示,男用1 表示,作为用户属性的第1位编码,将用户年龄用用户属性的第2~4位编码表 示。
步骤S420,将用户数据和用户属性信息输入对应的已训练的第三预测深度 学习神经网络,第三预测深度学习神经网络是将训练用户对应的训练用户大数 据和训练用户属性信息作为输入,将与训练用户大数据对应的训练用户的用户 状态标签作为预期输出,输入第三预测深度学习神经网络模型训练得到,获取 已训练的第三深度学习神经网络输出的对应的用户状态预测标签。
具体地,已训练的第三预测深度学习神经网络的参数,是将训练用户对应 的训练用户大数据和训练用户属性信息作为输入,将与训练用户大数据对应的 训练用户的用户状态标签作为预期输出,输入第三预测深度学习神经网络模型 训练得到,已训练的第三预测深度学习神经网络包括输入层、多个隐层和输出 层,其中层数、每层预设节点数、各网络连接的权值由训练得到。
获取数据量足够大的训练用户对应的训练用户大数据和训练用户属性信息 作为第三预测深度学习神经网络的训练数据进行训练,得到第三预测深度学习 神经网络的参数。用户状态标签可采用与上个实施例中相同的方法获取。
本实施例中,在用户图像数据的基础上,还考虑了用户属性信息,形成客 观的科学依据大数据进行深度网络分析,进一步提高了用户状态预测的客观依 据性,使得预测更为准确,与用户属性相匹配。
在一个实施例中,不同的训练用户对应的用户图像对应不同的用户属性信 息,如通过图像标识标识不同的手图像,并得到对应的用户属性信息,形成第 三特征大数据,如:
手图像10,1020
手图像31,0013
……
第三特征大数据中包括了手相图像、用户属性信息的对应关系,可用于快 速形成第三预测深度学习神经网络模型的输入数据,从而提高模型训练的效率。
在一个实施例中,如图6所示,方法还包括:
步骤S510,获取待分析用户的用户属性信息。
具体地,用户属性是指用户本身的信息,包括用户性别、年龄等,因为用 户的特征数据与性别、年龄相关,所以需要考虑用户属性,从而使得预测更为 接近真实。可通过自定义规则表达用户属性,如将用户性别女用0表示,男用1 表示,作为用户属性的第1位编码,将用户年龄用用户属性的第2~4位编码表 示。
步骤S520,将用户数据输入对应的已训练的特征提取深度学习神经网络, 得到对应的特征值。
具体地,特征提取深度学习神经网络用于根据输入数据,提取相应的特征, 得到特征值。已训练的特征提取深度学习神经网络是将训练用户对应的训练用 户大数据作为输入,将与训练用户大数据对应的训练用户的用户特征作为预期 输出,输入特征提取深度学习神经网络模型训练得到。其中训练用户大数据包 括面部图像大数据和/或掌心图像大数据。特征值用于直接表征用户的特征,更 准确直接。
步骤S530,将特征值和用户属性信息输入对应的已训练的第四预测深度学 习神经网络,第四预测深度学习神经网络是将训练用户对应的训练特征值大数 据和训练用户属性信息作为输入,将与训练特征值大数据对应的训练用户的用 户状态标签作为预期输出,输入第四预测深度学习神经网络模型训练得到,获 取已训练的第四深度学习神经网络输出的对应的用户状态预测标签。
具体地,已训练的第四预测深度学习神经网络的参数,是将训练用户对应 的训练特征值和训练用户属性信息作为输入,将与训练特征值大数据对应的训 练用户的用户状态标签作为预期输出,输入第四预测深度学习神经网络模型训 练得到,已训练的第四预测深度学习神经网络包括输入层、多个隐层和输出层, 其中层数、每层预设节点数、各网络连接的权值由训练得到。
获取数据量足够大的训练用户对应的训练特征值和训练用户属性信息作为 第四预测深度学习神经网络的训练数据进行训练,得到第四预测深度学习神经 网络的参数。用户状态标签可采用与上个实施例中相同的方法获取。
本实施例中,在特征值的基础上,还考虑了用户属性信息,形成客观的科 学依据大数据进行深度网络分析,进一步提高了用户状态预测的客观依据性, 使得预测更为准确,与用户属性相匹配。
在一个实施例中,不同的训练用户对应的用户图像对应不同的用户属性信 息,如通过图像标识标识不同的手图像,并得到对应的特征值和用户属性信息, 形成第四特征大数据,如:
手图像10,231,1020
手图像31,111,0013
……
第四特征大数据中包括了手相图像、特征值、用户属性信息的对应关系, 可用于快速形成第四预测深度学习神经网络模型的输入数据,从而提高模型训 练的效率。
在一个实施例中,不同的训练用户对应的用户图像对应不同的用户属性信 息,如通过图像标识标识不同的手图像,并得到对应的特征值、用户属性信息 和用户状态标签,形成第五特征大数据,如:
手图像10,231,1020,43233
手图像31,111,0013,12311
……
第五特征大数据中包括了手相图像、特征值、用户属性信息、用户状态标 签的对应关系,可用于快速形成第四预测深度学习神经网络模型的输入数据和 预期输出数据,从而提高模型训练的效率。
在一个实施例中,如图7所示,方法还包括:
步骤S610,获取用户状态预测标签对应的用户状态预测内容信息,将用户 状态预测内容信息输出并显示。和/或
具体地,根据用户状态预测标签对应的标签含义,将用户状态预测内容信息 输出并显示,如用户状态预测标签Y1“41223”转为为用户状态预测内容信息 Y2“职业:学;财富:大贫;健康:多病;易患病类型:肺病;性格:不确定”。 将用户状态预测内容信息输出并显示便于用户直观了解用户状态预测内容。
步骤S620,获取特征值对应的用户特征内容信息,将用户特征内容信息输 出并显示。
具体地,根据特征值对应的特征输出用户特征内容信息,如手相特征值为 231时,就代表健康纹断断续续、太阳纹有岛纹或像十字形、无名指比食指长。 将用户特征内容信息输出并显示便于用户直观了解用户特征。
在一个实施例中,如图8所示,步骤S210之前,还包括:
步骤S710,获取训练用户大数据,获取训练用户大数据包括面部图像大数 据和/或掌心图像大数据。
具体地,面部图像大数据和/或掌心图像大数据对应的训练用户可以相同或 不同。训练用户可以是不同地域不同年龄的用户,也可以根据地域或年龄选取 相同地域和相同年经的用户的数据作为训练用户大数据。
步骤S720,将训练用户大数据作为所述第一预测深度学习神经网络模型的 输入,对第一预测深度学习神经网络模型进行无监督训练。
具体地,初始化深度学习神经网络模型,使得深度学习神经网络模型的输 入层能接受的数据格式为图像,输出层的数据格式为用户状态标签,将该深度 学习神经网络模型作为基于图像的第一预测深度学习神经网络模型。将训练用户 大数据,如各个手相图像或面部图像输入第一预测深度学习神经网络模型,进 行无监督训练。采用自下而上的无监督训练,逐层构建单层神经元,每层采用 wake-sleep算法进行调优。每次仅调整一层,逐层调整,这个过程可以看作是一 个feature learning的过程,是和传统神经网络区别较大的部分。其中wake-sleep 算法分为wake阶段和sleep阶段,其中wake阶段是认知过程,通过下层的输入 特征(Input)和向上的认知(Encoder)权重产生每一层的抽象表示(Code), 再通过当前的生成(Decoder)权重产生一个重建信息(Reconstruction),计算 输入特征和重建信息残差,使用梯度下降修改层间的下行生成(Decoder)权重, 也就是“如果现实跟我想象的不一样,改变我的生成权重使得我想象的东西变 得与现实一样”。sleep阶段是生成过程,通过上层概念(Code)和向下的生成 (Decoder)权重,生成下层的状态,再利用认知(Encoder)权重产生一个抽象 景象。利用初始上层概念和新建抽象景象的残差,利用梯度下降修改层间向上 的认知(Encoder)权重。也就是“如果梦中的景象不是我脑中的相应概念,改 变我的认知权重使得这种景象在我看来就是这个概念”。
步骤S730,将训练用户大数据作为所述第一预测深度学习神经网络模型的 输入,将训练用户大数据对应的训练用户的用户状态标签作为预期输出,对第 一预测深度学习神经网络模型进行有监督训练。
具体地,将训练用户大数据作为输入,将对应的训练用户的用户状态标签 作为预期输出,对第一预测深度学习神经网络模型进行有监督训练。可进行自 顶向下的监督训练,这一步是在第一步学习获得各层参数进的基础上,在最顶 的编码层添加一个分类器,例如罗杰斯特回归、SVM等,而后通过带标签数据 的监督训练,利用梯度下降法去微调整个网络参数。深度学习的第一步实质上 是一个网络参数初始化过程,区别于传统神经网络初值随机初始化,深度学习 神经网络是通过无监督训练输入数据的结构得到的,因而这个初值更接近全局 最优,从而能够取得更好的效果。
步骤S740,得到已训练的第一预测深度学习神经网络。
具体地,经过上面的无监督训练和有监督训练后,得到已训练的第一预测 深度学习神经网络。
在一个实施例中,如图9所示,步骤S210之前,还包括:
步骤S810,将训练用户大数据输入已训练的特征提取深度学习神经网络, 得到对应的特征值,组成训练特征值大数据。
具体地,训练特征值大数据可由图像数据输入已训练的特征提取深度学习 神经网络进行特征提取得到,在一个实施例中,训练特征值大数据也可以为用 户直接输入预设的训练特征值。
步骤S820,将训练特征值大数据作为第二预测深度学习神经网络模型的输 入,对第二预测深度学习神经网络模型进行无监督训练。
具体地,初始化深度学习神经网络模型,使得深度学习神经网络模型的输 入层能接受的数据格式为特征值,输出层的数据格式为用户状态标签,将该深 度学习神经网络模型作为基于图像的第二预测深度学习神经网络模型。无监督 训练的训练方式可采用上一实施例所述的方式,不再赘述。
步骤S830,将训练特征值大数据作为第二预测深度学习神经网络模型的输 入,将训练特征值大数据对应的训练用户的用户状态标签作为预期输出,对第 二预测深度学习神经网络模型进行有监督训练。
具体地,将训练特征值大数据作为输入,由于训练特征值大数据比原始图 像占用空间小,从而可节省训练数据的存储空间。在需要进行网络传输训练数 据时,也可以节省带宽。对第二预测深度学习神经网络模型进行有监督训练。 可进行自顶向下的监督训练,这一步是在第一步学习获得各层参数进的基础上, 在最顶的编码层添加一个分类器,例如罗杰斯特回归、SVM等,而后通过带标 签数据的监督训练,利用梯度下降法去微调整个网络参数。深度学习的第一步 实质上是一个网络参数初始化过程,区别于传统神经网络初值随机初始化,深 度学习神经网络是通过无监督训练输入数据的结构得到的,因而这个初值更接 近全局最优,从而能够取得更好的效果。
步骤S840,得到已训练的第二预测深度学习神经网络。
具体地,经过上面的无监督训练和有监督训练后,得到已训练的第二预测 深度学习神经网络。
在一个实施例中,如图10所示,方法还包括:
步骤S910,获取训练用户大数据对应的训练用户属性信息。
具体地,获取训练用户大数据对应各个训练用户对应的训练用户属性信息。
步骤S920,将训练用户大数据和训练用户属性信息作为第三预测深度学习 神经网络模型的输入,对第三预测深度学习神经网络模型进行无监督训练。
具体地,初始化深度学习神经网络,使得该深度学习神经网络的输入层能 接受的数据格式为图像、用户属性,输出层的数据格式为用户状态标签,将该 深度学习神经网络作为基于图像和用户属性的第三预测深度学习神经网络模 型。无监督训练的训练方式可采用上述实施例所述的方式,不再赘述。
步骤S930,将训练用户大数据和训练用户属性信息作为第三预测深度学习 神经网络模型的输入,将训练用户大数据对应的训练用户的用户状态标签作为 预期输出,对第三预测深度学习神经网络模型进行有监督训练。
具体地,将训练用户大数据和训练用户属性信息作为输入,由于用户状态 受到训练用户属性信息的影响,在进行训练时同时考虑训练用户属性信息,使 得训练出的第三预测深度学习神经网络的预测结果更准确。对第三预测深度学 习神经网络模型进行有监督训练。可进行自顶向下的监督训练,这一步是在第 一步学习获得各层参数进的基础上,在最顶的编码层添加一个分类器,例如罗 杰斯特回归、SVM等,而后通过带标签数据的监督训练,利用梯度下降法去微 调整个网络参数。深度学习的第一步实质上是一个网络参数初始化过程,区别 于传统神经网络初值随机初始化,深度学习神经网络是通过无监督训练输入数 据的结构得到的,因而这个初值更接近全局最优,从而能够取得更好的效果。
步骤S940,得到已训练的第三预测深度学习神经网络。
具体地,经过上面的无监督训练和有监督训练后,得到已训练的第三预测 深度学习神经网络。
和/或,如图11所示,步骤S1000,将训练特征值大数据和训练用户属性信 息作为第四预测深度学习神经网络模型的输入,对第四预测深度学习神经网络 模型进行无监督训练。
具体地,初始化深度学习神经网络,使得该深度学习神经网络的输入层能 接受的数据格式为特征值、用户属性,输出层的数据格式为用户状态标签,将 该深度学习神经网络作为基于特征值和用户属性的第四预测深度学习神经网络 模型。无监督训练的训练方式可采用上述实施例所述的方式,不再赘述。
步骤S1010,将训练特征值大数据和训练用户属性信息作为第四预测深度学 习神经网络模型的输入,将训练特征值大数据对应的训练用户的用户状态标签 作为预期输出,对第四预测深度学习神经网络模型进行有监督训练。
具体地,将训练特征值大数据和训练用户属性信息作为输入,特征值占用 空间小,且由于用户状态受到训练用户属性信息的影响,在进行训练时同时考 虑训练用户属性信息,使得训练出的第四预测深度学习神经网络的预测结果更 准确且训练过程占用存储空间小。对第四预测深度学习神经网络模型进行有监 督训练。可进行自顶向下的监督训练,这一步是在第一步学习获得各层参数进 的基础上,在最顶的编码层添加一个分类器,例如罗杰斯特回归、SVM等,而 后通过带标签数据的监督训练,利用梯度下降法去微调整个网络参数。深度学 习的第一步实质上是一个网络参数初始化过程,区别于传统神经网络初值随机 初始化,深度学习神经网络是通过无监督训练输入数据的结构得到的,因而这 个初值更接近全局最优,从而能够取得更好的效果。
S1020,得到已训练的第四预测深度学习神经网络。
具体地,经过上面的无监督训练和有监督训练后,得到已训练的第四预测 深度学习神经网络。
在一个具体的实施例中,用户数据处理方法的具体过程如下:
获取待分析用户的预测需求及判断该待分析用户的用户属性是否获取得 到,如果预测需求为预测用户状态且输出手相特征,且用户属性获取得到,则 执行2.1-2.5;如果预测需求为预测用户状态且输出手相特征,且用户属性获取 不到,则执行3.1-3.5;如果预测需求为预测用户状态,且用户属性获取得到, 则执行4.1-4.3;如果预测需求为预测用户状态,但用户属性获取不到,则执行 5.1-5.3。
2.1获取待分析用户的手图像、用户属性。例如,待分析用户的手图像X1, 用户属性X2。
2.2将待分析用户的手图像作为手相特征提取深度学习神经网络的输入,得 到的手相特征提取深度学习神经网络的输出,作为该待分析用户的对应的手相 特征值。
例如,手图像X1作为所述手相特征提取深度学习神经网络的输入,得到的 手相特征提取深度学习神经网络的输出X3,作为该待分析用户的对应的手相特 征值例如231。
2.3将待分析用户的手相特征值、用户属性输入基于手相特征和用户属性的 第四预测深度学习神经网络,得到基于手相特征和用户属性的第四预测深度学 习神经网络的输出,作为待分析用户对应的用户状态预测标签。
例如,将待分析用户的手相特征值X3、用户属性X2输入基于手相特征和 用户属性的第四预测深度学习神经网络,得到基于手相特征和用户属性的第四 预测深度学习神经网络的输出Y1,例如为41223。
2.4将手相特征值根据手相特征值对应的手相特征转为为手相特征内容输 出给用户,如手相特征的值为231时,就代表受特征为健康纹断断续续、太阳 纹有岛纹或像十字形、无名指比食指长。
2.5将用户状态预测标签根据用户状态预测标签对应的标签含义转为用户状 态预测内容输出给用户。例如,Y1“41223”转为为用户状态预测内容Y2“职 业:学;财富:大贫;健康:多病;易患病类型:肺病;性格:不确定”。
3.1获取待分析用户的手图像,例如,待分析用户的手图像X1。
3.2将待分析用户的手图像作为手相特征提取深度学习神经网络的输入,得 到手相特征提取深度学习神经网络的输出,作为该待分析用户的对应的手相特 征值。例如,手图像X1作为所述手相特征提取深度学习神经网络的输入,得到 手相特征提取深度学习神经网络的输出X3,作为该待预测用户的对应的手相特 征值例如231。
3.3将待分析用户所述手相特征值输入基于手相特征的第二预测深度学习神 经网络,得到基于手相特征的第二预测深度学习神经网络的输出,作为该待分 析用户对应的用户状态预测标签。
例如,将分析用户的所述手相特征值X3输入基于手相特征的第二预测深度 学习神经网络,得到基于手相特征的第二预测深度学习神经网络的输出Y1,例 如为41223。
3.4将手相特征值根据手相特征值对应的手相特征转为为手相特征内容输 出给用户。例如,根据手相特征值对应的手相特征,手相特征的值为231时, 就代表受特征为健康纹断断续续、太阳纹有岛纹或像十字形、无名指比食指长。
3.5将用户状态预测标签根据用户状态预测标签对应的标签含义转为用户状 态预测内容输出给用户。例如,Y1“41223”转为为用户状态预测内容Y2“职 业:学;财富:大贫;健康:多病;易患病类型:肺病;性格:不确定”。
4.1获取待分析用户的手图像、用户属性。例如,待分析用户的手图像X1, 用户属性X2。
4.2将待分析用户的所述手图像、用户属性输入基于手图像和用户属性的第 三预测深度学习神经网络,得到基于手图像和用户属性的第三预测深度学习神 经网络的输出,作为该待分析用户对应的用户状态预测标签。例如,将待预测 的用户的所述手图像X1、用户属性X2输入基于手图像和用户属性的第三预测 深度学习神经网络,得到基于手图像和用户属性的第三预测深度学习神经网络 的输出Y1,例如为41223。
4.3将用户状态预测标签根据用户状态预测标签对应的标签含义转为用户状 态预测内容输出给用户。例如,Y1“41223”转为为用户状态预测内容Y2“职 业:学;财富:大贫;健康:多病;易患病类型:肺病;性格:不确定”。
5.1获取待分析用户的手图像,例如,待分析用户的手图像X1。
5.2将待分析用户的所述手图像输入基于手图像的第一预测深度学习神经网 络,得到基于手图像的第一预测深度学习神经网络的输出,作为该待分析用户 对应的用户状态预测标签。例如,将待分析用户所述手图像X1输入基于手图像 的第一预测深度学习神经网络,得到基于手图像的第一预测深度学习神经网络 的输出Y1,例如为41223。
5.3将用户状态预测标签根据用户状态预测标签对应的标签含义转为用户状 态预测内容输出给用户。例如,Y1“41223”转为为用户状态预测内容Y2“职 业:学;财富:大贫;健康:多病;易患病类型:肺病;性格:不确定”。
本实施例中,可根据预测需求和输入数据自适应的选择合适的预测深度学 习神经网络进行预测,提高了预测的灵活度和准确率。
在一个实施例中,如图12所示,提供了一种用户数据处理装置,包括:
获取模块1110,用于获取待分析用户的用户数据,所述用户数据包括面部 图像数据和/或掌心图像数据。
输入模块1120,用于将用户数据输入对应的已训练的第一预测深度学习神 经网络,第一预测深度学习神经网络的参数是将训练用户对应的训练用户大数 据作为输入,将与训练用户大数据对应的训练用户的用户状态标签作为预期输 出,输入第一预测深度学习神经网络模型训练得到,其中训练用户大数据的数 据类型与待分析用户的用户数据的数据类型匹配。
第一预测模块1130,用于获取已训练的第一预测深度学习神经网络输出的 对应的用户状态预测标签,根据用户状态预测标签确定待分析用户的用户状态。
在一个实施例中,如图13所示,装置还包括:
特征提取模块1140,用于将用户数据输入对应的已训练的特征提取深度学 习神经网络,得到对应的特征值。
第二预测模块1150,用于将特征值输入对应的已训练的第二预测深度学习 神经网络,第二预测深度学习神经网络是将训练用户对应的训练特征值大数据 作为输入,将与训练特征值大数据对应的训练用户的用户状态标签作为预期输 出,输入第二预测深度学习神经网络模型训练得到,获取已训练的第二深度学 习神经网络输出的对应的用户状态预测标签。
在一个实施例中,如图14所示,获取模块1110还用于获取待分析用户的 用户属性信息。
装置还包括:
第三预测模块1160,用于将用户数据和用户属性信息输入对应的已训练的 第三预测深度学习神经网络,第三预测深度学习神经网络是将训练用户对应的 训练用户大数据和训练用户属性信息作为输入,将与训练用户大数据对应的训 练用户的用户状态标签作为预期输出,输入第三预测深度学习神经网络模型训 练得到,获取已训练的第三深度学习神经网络输出的对应的用户状态预测标签。
在一个实施例中,如图15所示,获取模块1110还用于获取待分析用户的 用户属性信息。
装置还包括:特征提取模块1140,用于将用户数据输入对应的已训练的特 征提取深度学习神经网络,得到对应的特征值。
第四预测模块1170,用于将特征值和用户属性信息输入对应的已训练的第 四预测深度学习神经网络,第四预测深度学习神经网络是将训练用户对应的训 练特征值大数据和训练用户属性信息作为输入,将与训练特征值大数据对应的 训练用户的用户状态标签作为预期输出,输入第四预测深度学习神经网络模型 训练得到,获取已训练的第四深度学习神经网络输出的对应的用户状态预测标 签。
在一个实施例中,如图16所示,装置还包括:
第一输出模块1180,用于获取用户状态预测标签对应的用户状态预测内容 信息,将用户状态预测内容信息输出并显示。和/或
第二输出模块1190,用于获取特征值对应的用户特征内容信息,将用户特 征内容信息输出并显示。
在一个实施例中,如图17所示,装置还包括:
第一训练模块1200,用于获取训练用户大数据,获取训练用户大数据包括 面部图像大数据和/或掌心图像大数据,将训练用户大数据作为第一预测深度学 习神经网络模型的输入,对第一预测深度学习神经网络模型进行无监督训练, 将训练用户大数据作为第一预测深度学习神经网络模型的输入,将训练用户大 数据对应的训练用户的用户状态标签作为预期输出,对第一预测深度学习神经 网络模型进行有监督训练,得到已训练的第一预测深度学习神经网络。
在一个实施例中,如图18所示,装置还包括:
第二训练模块1210,用于将训练用户大数据输入已训练的特征提取深度学 习神经网络,得到对应的特征值,组成训练特征值大数据,将训练特征值大数 据作为第二预测深度学习神经网络模型的输入,对第二预测深度学习神经网络 模型进行无监督训练,将训练特征值大数据作为第二预测深度学习神经网络模 型的输入,将训练特征值大数据对应的训练用户的用户状态标签作为预期输出, 对第二预测深度学习神经网络模型进行有监督训练,得到已训练的第二预测深 度学习神经网络。
在一个实施例中,如图19所示,获取模块,还用于获取训练用户大数据对 应的训练用户属性信息。
装置还包括:
第三训练模块1220,用于将训练用户大数据和训练用户属性信息作为第三 预测深度学习神经网络模型的输入,对第三预测深度学习神经网络模型进行无 监督训练;将训练用户大数据和所述训练用户属性信息作为第三预测深度学习 神经网络模型的输入,将训练用户大数据对应的训练用户的用户状态标签作为 预期输出,对第三预测深度学习神经网络模型进行有监督训练;得到已训练的 第三预测深度学习神经网络。和/或
第四训练模块1230,用于将训练特征值大数据和训练用户属性信息作为第 四预测深度学习神经网络模型的输入,对第四预测深度学习神经网络模型进行 无监督训练,将训练特征值大数据和训练用户属性信息作为第四预测深度学习 神经网络模型的输入,将训练特征值大数据对应的训练用户的用户状态标签作 为预期输出,对第四预测深度学习神经网络模型进行有监督训练,得到已训练 的第四预测深度学习神经网络。
在一个实施例中,提出了一种机器人系统,包括存储器和处理器,存储器 存储有计算机程序,计算机程序被处理器执行时,使得处理器执行以下步骤: 获取待分析用户的用户数据,用户数据包括面部图像数据和/或掌心图像数据; 将用户数据输入对应的已训练的第一预测深度学习神经网络,第一预测深度学 习神经网络的参数是将训练用户对应的训练用户大数据作为输入,将与训练用 户大数据对应的训练用户的用户状态标签作为预期输出,输入第一预测深度学 习神经网络模型训练得到,其中训练用户大数据的数据类型与待分析用户的用 户数据的数据类型匹配;获取已训练的第一预测深度学习神经网络输出的对应 的用户状态预测标签;根据用户状态预测标签确定待分析用户的用户状态。
在一个实施例中,处理器在执行将用户数据输入对应的已训练的预测深度 学习神经网络的步骤之前,还用于执行以下步骤:将用户数据输入对应的已训 练的特征提取深度学习神经网络,得到对应的特征值。
处理器还用于执行以下步骤:将特征值输入对应的已训练的第二预测深度 学习神经网络,第二预测深度学习神经网络是将训练用户对应的训练特征值大 数据作为输入,将与训练特征值大数据对应的训练用户的用户状态标签作为预 期输出,输入第二预测深度学习神经网络模型训练得到,获取已训练的第二深 度学习神经网络输出的对应的用户状态预测标签。
在一个实施例中,处理器还用于执行以下步骤:获取待分析用户的用户属 性信息,将用户数据和用户属性信息输入对应的已训练的第三预测深度学习神 经网络,第三预测深度学习神经网络是将训练用户对应的训练用户大数据和训 练用户属性信息作为输入,将与训练用户大数据对应的训练用户的用户状态标 签作为预期输出,输入第三预测深度学习神经网络模型训练得到,获取已训练 的第三深度学习神经网络输出的对应的用户状态预测标签。
在一个实施例中,处理器还用于执行以下步骤:获取待分析用户的用户属 性信息,将用户数据输入对应的已训练的特征提取深度学习神经网络,得到对 应的特征值;将特征值和用户属性信息输入对应的已训练的第四预测深度学习 神经网络,第四预测深度学习神经网络是将训练用户对应的训练特征值大数据 和训练用户属性信息作为输入,将与训练特征值大数据对应的训练用户的用户 状态标签作为预期输出,输入第四预测深度学习神经网络模型训练得到,获取 已训练的第四预测深度学习神经网络输出的对应的用户状态预测标签。
在一个实施例中,处理器还用于执行以下步骤:获取所述用户状态预测标 签对应的用户状态预测内容信息;将所述用户状态预测内容信息输出并显示; 和/或获取所述特征值对应的用户特征内容信息;将所述用户特征内容信息输出 并显示。
在一个实施例中,所述处理器在执行获取待分析用户的用户数据的步骤之 前,还用于执行以下步骤:获取训练用户大数据,获取训练用户大数据包括面 部图像大数据和/或掌心图像大数据;将训练用户大数据作为所述第一预测深度 学习神经网络模型的输入,对第一预测深度学习神经网络模型进行无监督训练; 将训练用户大数据作为第一预测深度学习神经网络模型的输入,将训练用户大 数据对应的训练用户的用户状态标签作为预期输出,对第一预测深度学习神经 网络模型进行有监督训练;得到已训练的第一预测深度学习神经网络。
在一个实施例中,所述处理器在执行获取待分析用户的用户数据的步骤之 前,还用于执行以下步骤:将训练用户大数据输入已训练的特征提取深度学习 神经网络,得到对应的特征值,组成训练特征值大数据;将训练特征值大数据 作为第二预测深度学习神经网络模型的输入,对第二预测深度学习神经网络模 型进行无监督训练;将训练特征值大数据作为第二预测深度学习神经网络模型 的输入,将训练特征值大数据对应的训练用户的用户状态标签作为预期输出, 对第二预测深度学习神经网络模型进行有监督训练;得到已训练的第二预测深 度学习神经网络。
在一个实施例中,所述处理器在执行获取待分析用户的用户数据的步骤之 前,还用于执行以下步骤:获取训练用户大数据对应的训练用户属性信息;将 训练用户大数据和训练用户属性信息作为第三预测深度学习神经网络模型的输 入,对第三预测深度学习神经网络模型进行无监督训练;将训练用户大数据和 所述训练用户属性信息作为第三预测深度学习神经网络模型的输入,将训练用 户大数据对应的训练用户的用户状态标签作为预期输出,对第三预测深度学习 神经网络模型进行有监督训练;得到已训练的第三预测深度学习神经网络;和/ 或将训练特征值大数据和所述训练用户属性信息作为第四预测深度学习神经网 络模型的输入,对第四预测深度学习神经网络模型进行无监督训练;将训练特征值大数据和所述训练用户属性信息作为所述第四预测深度学习神经网络模型 的输入,将训练特征值大数据对应的训练用户的用户状态标签作为预期输出, 对第四预测深度学习神经网络模型进行有监督训练;得到已训练的第四预测深 度学习神经网络。
在一个实施例中,提出了一种计算机可读存储介质,存储有计算机程序, 所述计算机程序被处理器执行时,使得所述处理器执行以下步骤:获取待分析 用户的用户数据,用户数据包括面部图像数据和/或掌心图像数据;将用户数据 输入对应的已训练的第一预测深度学习神经网络,第一预测深度学习神经网络 的参数是将训练用户对应的训练用户大数据作为输入,将与训练用户大数据对 应的训练用户的用户状态标签作为预期输出,输入第一预测深度学习神经网络 模型训练得到,其中训练用户大数据的数据类型与待分析用户的用户数据的数 据类型匹配;获取已训练的第一预测深度学习神经网络输出的对应的用户状态 预测标签;根据用户状态预测标签确定待分析用户的用户状态。
在一个实施例中,处理器在执行将用户数据输入对应的已训练的预测深度 学习神经网络的步骤之前,还用于执行以下步骤:将用户数据输入对应的已训 练的特征提取深度学习神经网络,得到对应的特征值。
处理器还用于执行以下步骤:将特征值输入对应的已训练的第二预测深度 学习神经网络,第二预测深度学习神经网络是将训练用户对应的训练特征值大 数据作为输入,将与训练特征值大数据对应的训练用户的用户状态标签作为预 期输出,输入第二预测深度学习神经网络模型训练得到,获取已训练的第二深 度学习神经网络输出的对应的用户状态预测标签。
在一个实施例中,处理器还用于执行以下步骤:获取待分析用户的用户属 性信息,将用户数据和用户属性信息输入对应的已训练的第三预测深度学习神 经网络,第三预测深度学习神经网络是将训练用户对应的训练用户大数据和训 练用户属性信息作为输入,将与训练用户大数据对应的训练用户的用户状态标 签作为预期输出,输入第三预测深度学习神经网络模型训练得到,获取已训练 的第三深度学习神经网络输出的对应的用户状态预测标签。
在一个实施例中,处理器还用于执行以下步骤:获取待分析用户的用户属 性信息,将用户数据输入对应的已训练的特征提取深度学习神经网络,得到对 应的特征值;将特征值和用户属性信息输入对应的已训练的第四预测深度学习 神经网络,第四预测深度学习神经网络是将训练用户对应的训练特征值大数据 和训练用户属性信息作为输入,将与训练特征值大数据对应的训练用户的用户 状态标签作为预期输出,输入第四预测深度学习神经网络模型训练得到,获取 已训练的第四预测深度学习神经网络输出的对应的用户状态预测标签。
在一个实施例中,处理器还用于执行以下步骤:获取所述用户状态预测标 签对应的用户状态预测内容信息;将所述用户状态预测内容信息输出并显示; 和/或获取所述特征值对应的用户特征内容信息;将所述用户特征内容信息输出 并显示。
在一个实施例中,所述处理器在执行获取待分析用户的用户数据的步骤之 前,还用于执行以下步骤:获取训练用户大数据,获取训练用户大数据包括面 部图像大数据和/或掌心图像大数据;将训练用户大数据作为所述第一预测深度 学习神经网络模型的输入,对第一预测深度学习神经网络模型进行无监督训练; 将训练用户大数据作为第一预测深度学习神经网络模型的输入,将训练用户大 数据对应的训练用户的用户状态标签作为预期输出,对第一预测深度学习神经 网络模型进行有监督训练;得到已训练的第一预测深度学习神经网络。
在一个实施例中,所述处理器在执行获取待分析用户的用户数据的步骤之 前,还用于执行以下步骤:将训练用户大数据输入已训练的特征提取深度学习 神经网络,得到对应的特征值,组成训练特征值大数据;将训练特征值大数据 作为第二预测深度学习神经网络模型的输入,对第二预测深度学习神经网络模 型进行无监督训练;将训练特征值大数据作为第二预测深度学习神经网络模型 的输入,将训练特征值大数据对应的训练用户的用户状态标签作为预期输出, 对第二预测深度学习神经网络模型进行有监督训练;得到已训练的第二预测深 度学习神经网络。
在一个实施例中,所述处理器在执行获取待分析用户的用户数据的步骤之 前,还用于执行以下步骤:获取训练用户大数据对应的训练用户属性信息;将 训练用户大数据和训练用户属性信息作为第三预测深度学习神经网络模型的输 入,对第三预测深度学习神经网络模型进行无监督训练;将训练用户大数据和 所述训练用户属性信息作为第三预测深度学习神经网络模型的输入,将训练用 户大数据对应的训练用户的用户状态标签作为预期输出,对第三预测深度学习 神经网络模型进行有监督训练;得到已训练的第三预测深度学习神经网络;和/ 或将训练特征值大数据和所述训练用户属性信息作为第四预测深度学习神经网 络模型的输入,对第四预测深度学习神经网络模型进行无监督训练;将训练特征值大数据和所述训练用户属性信息作为所述第四预测深度学习神经网络模型 的输入,将训练特征值大数据对应的训练用户的用户状态标签作为预期输出, 对第四预测深度学习神经网络模型进行有监督训练;得到已训练的第四预测深 度学习神经网络。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程, 是可以通过计算机程序来指令相关的硬件来完成,所述程序可存储于一计算机 可读取存储介质中,如本发明实施例中,该程序可存储于计算机系统的存储介 质中,并被该计算机系统中的至少一个处理器执行,以实现包括如上述各方法 的实施例的流程。其中,所述存储介质可为磁碟、光盘、只读存储记忆体 (Read-Only Memory,ROM)或随机存储记忆体(RandomAccess Memory,RAM) 等。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对 上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技 术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细, 但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的 普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改 进,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 (10)

1.一种用户数据处理方法,所述方法包括:
获取待分析用户的用户数据,所述用户数据是携带了用户特征的数据,所述用户数据包括面部图像数据,所述用户数据是从服务器存储的注册用户对应的图像信息提取的图像数据,随着注册用户信息更新;
将所述用户数据输入对应的已训练的第一预测深度学习神经网络,所述第一预测深度学习神经网络的参数是将训练用户对应的训练用户大数据作为输入,所述训练用户大数据包括面部图像大数据、用户的地域、年龄信息大数据形成多维度的输入训练数据,对第一预测深度学习神经网络模型进行无监督训练,将训练用户大数据作为第一预测深度学习神经网络模型的输入,将与所述训练用户大数据对应的训练用户的用户状态标签作为预期输出,所述用户状态标签用于表征用户所处的状态,从用户的注册资料中获取,输入第一预测深度学习神经网络模型进行有监督训练得到,其中所述训练用户大数据的数据类型与待分析用户的用户数据的数据类型匹配,基于大数据和深度学习神经网络建立待分析用户的用户数据与用户状态标签的相关性,针对不同地区、不同年龄生成对应的不同的已训练的深度学习神经网络;
获取所述已训练的第一预测深度学习神经网络输出的对应的用户状态预测标签,用户状态标签用于表征用户所处的职业状态;
根据所述用户状态预测标签确定所述待分析用户的用户职业状态。
2.根据权利要求1所述的方法,其特征在于,所述将所述用户数据输入对应的已训练的预测深度学习神经网络的步骤之前,还包括:
将所述用户数据输入对应的已训练的特征提取深度学习神经网络,得到对应的特征值;
所述方法,还包括:
将所述特征值输入对应的已训练的第二预测深度学习神经网络,所述第二预测深度学习神经网络是将训练用户对应的训练特征值大数据作为输入,将与所述训练特征值大数据对应的训练用户的用户状态标签作为预期输出,输入第二预测深度学习神经网络模型训练得到,获取所述已训练的第二深度学习神经网络输出的对应的用户状态预测标签。
3.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取待分析用户的用户属性信息;
将所述用户数据和所述用户属性信息输入对应的已训练的第三预测深度学习神经网络,所述第三预测深度学习神经网络是将训练用户对应的训练用户大数据和训练用户属性信息作为输入,将与所述训练用户大数据对应的训练用户的用户状态标签作为预期输出,输入第三预测深度学习神经网络模型训练得到,获取所述已训练的第三深度学习神经网络输出的对应的用户状态预测标签。
4.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取待分析用户的用户属性信息;
将所述用户数据输入对应的已训练的特征提取深度学习神经网络,得到对应的特征值;
将所述特征值和用户属性信息输入对应的已训练的第四预测深度学习神经网络,所述第四预测深度学习神经网络是将训练用户对应的训练特征值大数据和训练用户属性信息作为输入,将与所述训练特征值大数据对应的训练用户的用户状态标签作为预期输出,输入第四预测深度学习神经网络模型训练得到,获取所述已训练的第四预测深度学习神经网络输出的对应的用户状态预测标签。
5.根据权利要求2或4所述的方法,其特征在于,所述方法还包括:
获取所述用户状态预测标签对应的用户状态预测内容信息;
将所述用户状态预测内容信息输出并显示;和/或
获取所述特征值对应的用户特征内容信息;
将所述用户特征内容信息输出并显示。
6.根据权利要求1所述的方法,其特征在于,所述获取待分析用户的用户数据的步骤之前,还包括:
获取训练用户大数据,所述获取训练用户大数据包括面部图像大数据和/或掌心图像大数据;
将训练用户大数据作为所述第一预测深度学习神经网络模型的输入,对所述第一预测深度学习神经网络模型进行无监督训练;
将训练用户大数据作为所述第一预测深度学习神经网络模型的输入,将所述训练用户大数据对应的训练用户的用户状态标签作为预期输出,对所述第一预测深度学习神经网络模型进行有监督训练;
得到所述已训练的第一预测深度学习神经网络。
7.根据权利要求6所述的方法,其特征在于,所述获取待分析用户的用户数据的步骤之前,还包括:
将所述训练用户大数据输入已训练的特征提取深度学习神经网络,得到对应的特征值,组成训练特征值大数据;
将所述训练特征值大数据作为第二预测深度学习神经网络模型的输入,对所述第二预测深度学习神经网络模型进行无监督训练;
将训练特征值大数据作为所述第二预测深度学习神经网络模型的输入,将所述训练特征值大数据对应的训练用户的用户状态标签作为预期输出,对所述第二预测深度学习神经网络模型进行有监督训练;
得到已训练的第二预测深度学习神经网络。
8.根据权利要求6或7所述的方法,其特征在于,所述获取待分析用户的用户数据的步骤之前,还包括:
获取所述训练用户大数据对应的训练用户属性信息;
将训练用户大数据和所述训练用户属性信息作为第三预测深度学习神经网络模型的输入,对所述第三预测深度学习神经网络模型进行无监督训练;
将训练用户大数据和所述训练用户属性信息作为所述第三预测深度学习神经网络模型的输入,将所述训练用户大数据对应的训练用户的用户状态标签作为预期输出,对所述第三预测深度学习神经网络模型进行有监督训练;
得到已训练的第三预测深度学习神经网络;和/或
将训练特征值大数据和所述训练用户属性信息作为第四预测深度学习神经网络模型的输入,对所述第四预测深度学习神经网络模型进行无监督训练;
将训练特征值大数据和所述训练用户属性信息作为所述第四预测深度学习神经网络模型的输入,将所述训练特征值大数据对应的训练用户的用户状态标签作为预期输出,对所述第四预测深度学习神经网络模型进行有监督训练;
得到已训练的第四预测深度学习神经网络。
9.一种机器人系统,包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如权利要求1至8中任一项所述方法的步骤。
10.一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行如权利要求1至8中任一项所述方法的步骤。
CN201711339889.6A 2017-12-14 2017-12-14 基于大数据与深度学习的用户数据处理方法、机器人系统 Active CN108182389B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711339889.6A CN108182389B (zh) 2017-12-14 2017-12-14 基于大数据与深度学习的用户数据处理方法、机器人系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711339889.6A CN108182389B (zh) 2017-12-14 2017-12-14 基于大数据与深度学习的用户数据处理方法、机器人系统

Publications (2)

Publication Number Publication Date
CN108182389A CN108182389A (zh) 2018-06-19
CN108182389B true CN108182389B (zh) 2021-07-30

Family

ID=62546046

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711339889.6A Active CN108182389B (zh) 2017-12-14 2017-12-14 基于大数据与深度学习的用户数据处理方法、机器人系统

Country Status (1)

Country Link
CN (1) CN108182389B (zh)

Families Citing this family (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109165692B (zh) * 2018-09-06 2021-06-01 中国矿业大学 一种基于弱监督学习的用户性格预测装置及方法
CN109597833A (zh) * 2018-10-15 2019-04-09 平安科技(深圳)有限公司 基于大数据的事件预测方法、装置、计算机设备及存储介质
CN109472213B (zh) * 2018-10-16 2023-04-18 平安科技(深圳)有限公司 掌纹识别方法、装置、计算机设备和存储介质
CN109299153B (zh) * 2018-10-17 2021-12-03 大国创新智能科技(东莞)有限公司 基于大数据和深度学习的主动认定方法和机器人系统
CN109446229B (zh) * 2018-10-17 2021-06-15 大国创新智能科技(东莞)有限公司 基于大数据和深度学习的认定方法和机器人系统
CN109325021B (zh) * 2018-10-17 2021-11-02 大国创新智能科技(东莞)有限公司 基于大数据和深度学习的跟踪认定方法和机器人系统
CN109191015A (zh) * 2018-10-17 2019-01-11 大国创新智能科技(东莞)有限公司 基于大数据和深度学习的高新企业认定方法和机器人系统
KR20200052444A (ko) * 2018-10-30 2020-05-15 삼성전자주식회사 신경망을 이용하여 예측 결과를 출력하는 방법, 신경망을 생성하는 방법 및 그 장치들
CN111178925B (zh) * 2018-11-09 2023-07-25 百度在线网络技术(北京)有限公司 用户画像的属性预测方法、装置、服务器和计算机可读介质
CN109858953A (zh) * 2019-01-02 2019-06-07 深圳壹账通智能科技有限公司 用户画像方法、装置、计算机设备以及存储介质
CN111797869A (zh) * 2019-04-09 2020-10-20 Oppo广东移动通信有限公司 模型训练方法、装置、存储介质及电子设备
US20220172046A1 (en) * 2019-04-25 2022-06-02 Omron Corporation Learning system, data generation apparatus, data generation method, and computer-readable storage medium storing a data generation program
CN112149836B (zh) * 2019-06-28 2024-05-24 杭州海康威视数字技术股份有限公司 一种机器学习程序更新方法、装置及设备
CN111126509B (zh) * 2019-12-31 2024-03-15 深圳开立生物医疗科技股份有限公司 一种图像处理系统模型构建方法和装置
CN111612863A (zh) * 2020-04-26 2020-09-01 数坤(北京)网络科技有限公司 一种cta影像处理方法、装置及存储介质
CN112100912A (zh) * 2020-09-08 2020-12-18 长春工程学院 基于满足k度稀疏约束的深度学习模型的数据处理方法
CN112545853A (zh) * 2020-11-17 2021-03-26 未来穿戴技术有限公司 按摩脉冲输出方法及按摩设备、电子设备、存储介质
CN112434616A (zh) * 2020-11-26 2021-03-02 成都新希望金融信息有限公司 一种用户分类方法、装置、存储介质及电子设备
CN112768079A (zh) * 2021-01-24 2021-05-07 武汉东湖大数据交易中心股份有限公司 一种基于机器学习的肝病认知模型构建方法和系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103793718A (zh) * 2013-12-11 2014-05-14 台州学院 一种基于深度学习的人脸表情识别方法
CN106021920A (zh) * 2016-05-17 2016-10-12 华南师范大学 基于神经网络面向自动诊断的医疗数据处理系统和装置
CN106295521A (zh) * 2016-07-29 2017-01-04 厦门美图之家科技有限公司 一种基于多输出卷积神经网络的性别识别方法、装置及计算设备
CN106407935A (zh) * 2016-09-21 2017-02-15 俞大海 基于人脸图像和眼动注视信息的心理测试方法
CN106803069A (zh) * 2016-12-29 2017-06-06 南京邮电大学 基于深度学习的人群高兴程度识别方法
CN106971174A (zh) * 2017-04-24 2017-07-21 华南理工大学 一种cnn模型、cnn训练方法以及基于cnn的静脉识别方法
CN107133576A (zh) * 2017-04-17 2017-09-05 北京小米移动软件有限公司 用户年龄识别方法及装置
CN107463888A (zh) * 2017-07-21 2017-12-12 竹间智能科技(上海)有限公司 基于多任务学习与深度学习的人脸情绪分析方法及系统

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9400925B2 (en) * 2013-11-15 2016-07-26 Facebook, Inc. Pose-aligned networks for deep attribute modeling
CN103824054B (zh) * 2014-02-17 2018-08-07 北京旷视科技有限公司 一种基于级联深度神经网络的人脸属性识别方法
CN105589798A (zh) * 2015-12-10 2016-05-18 小米科技有限责任公司 征信值计算方法及装置
CN106909896B (zh) * 2017-02-17 2020-06-30 竹间智能科技(上海)有限公司 基于人物性格与人际关系识别的人机交互系统及工作方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103793718A (zh) * 2013-12-11 2014-05-14 台州学院 一种基于深度学习的人脸表情识别方法
CN106021920A (zh) * 2016-05-17 2016-10-12 华南师范大学 基于神经网络面向自动诊断的医疗数据处理系统和装置
CN106295521A (zh) * 2016-07-29 2017-01-04 厦门美图之家科技有限公司 一种基于多输出卷积神经网络的性别识别方法、装置及计算设备
CN106407935A (zh) * 2016-09-21 2017-02-15 俞大海 基于人脸图像和眼动注视信息的心理测试方法
CN106803069A (zh) * 2016-12-29 2017-06-06 南京邮电大学 基于深度学习的人群高兴程度识别方法
CN107133576A (zh) * 2017-04-17 2017-09-05 北京小米移动软件有限公司 用户年龄识别方法及装置
CN106971174A (zh) * 2017-04-24 2017-07-21 华南理工大学 一种cnn模型、cnn训练方法以及基于cnn的静脉识别方法
CN107463888A (zh) * 2017-07-21 2017-12-12 竹间智能科技(上海)有限公司 基于多任务学习与深度学习的人脸情绪分析方法及系统

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
【深度学习看手相】台湾学生获奖 AI 项目是科学还是伪科学?;胡祥杰;《https://mp.weixin.qq.com/s?src=11&timestamp=1603951891&ver=2673&signature=4ef7Ub0R9hX8PhCGElszTtSGOC8UFVEcsVnYUgSwmHiih*9zcow4QNDJ1yxWaaS9qw10SRRC*SWahuCE27pHxI-y2j1HEv7MIoPBB2JjF3x8xR11HwbeZFuo1ltsPBpt&new=1》;20170806;第1-7页 *
Automated Inference on Criminality using Face Images;Xiaolin Wu 等;《arXiv》;20161113;第1-9页 *
A轮获1亿美元融资,ROOBO发布人工智能机器人系统;无;《个人电脑》;20161015;第64-65页 *
古代看相算命书:麻衣相法大全图解;匿名;《https://3g.d1xz.net/fsml/xsdq/art159044.aspx》;20160927;第2页 *
胡祥杰.【深度学习看手相】台湾学生获奖 AI 项目是科学还是伪科学?.《https://mp.weixin.qq.com/s?src=11&timestamp=1603951891&ver=2673&signature=4ef7Ub0R9hX8PhCGElszTtSGOC8UFVEcsVnYUgSwmHiih*9zcow4QNDJ1yxWaaS9qw10SRRC*SWahuCE27pHxI-y2j1HEv7MIoPBB2JjF3x8xR11HwbeZFuo1ltsPBpt&new=1》.2017, *

Also Published As

Publication number Publication date
CN108182389A (zh) 2018-06-19

Similar Documents

Publication Publication Date Title
CN108182389B (zh) 基于大数据与深度学习的用户数据处理方法、机器人系统
Zhang et al. A gated peripheral-foveal convolutional neural network for unified image aesthetic prediction
US20190279075A1 (en) Multi-modal image translation using neural networks
Ordonez et al. Learning high-level judgments of urban perception
CN109919078A (zh) 一种视频序列选择的方法、模型训练的方法及装置
CN111582342B (zh) 一种图像识别方法、装置、设备以及可读存储介质
CN112418292B (zh) 一种图像质量评价的方法、装置、计算机设备及存储介质
WO2017027705A1 (en) Method and system for personifying a brand
CN114912433A (zh) 文本层级多标签分类方法、装置、电子设备以及存储介质
CN114298122B (zh) 数据分类方法、装置、设备、存储介质及计算机程序产品
CN111079374B (zh) 字体生成方法、装置和存储介质
US20210182558A1 (en) Apparatus for generating user interest information and method therefor
CN112883257A (zh) 行为序列数据处理方法、装置、电子设备及存储介质
CN113204659A (zh) 多媒体资源的标签分类方法、装置、电子设备及存储介质
CN113641835A (zh) 多媒体资源推荐方法、装置、电子设备及介质
CN113704511B (zh) 多媒体资源的推荐方法、装置、电子设备及存储介质
CN114783601A (zh) 一种生理数据的分析方法、装置、电子设备和存储介质
CN108154165B (zh) 基于大数据与深度学习的婚恋对象匹配数据处理方法、装置、计算机设备和存储介质
CN108038496B (zh) 基于大数据与深度学习的婚恋对象匹配数据处理方法、装置、计算机设备和存储介质
CN113762648B (zh) 公卫黑天鹅事件预测方法、装置、设备及介质
CN115423016A (zh) 多任务预测模型的训练方法、多任务预测方法及装置
CN114707633A (zh) 特征提取方法、装置、电子设备和存储介质
CN114912623A (zh) 用于模型解释的方法及装置
CN115408599A (zh) 信息推荐方法、装置、电子设备及计算机可读存储介质
CN113254788A (zh) 一种基于大数据的推荐方法、系统及可读存储介质

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
GR01 Patent grant
GR01 Patent grant